CURSO DE

Álgebra Linear
Antonio Cândido Faleiros
Centro de Matemática, Computação e Cognição
Universidade Federal do ABC
Santo André, SP
28 de março de 2011
2
Sumário
1 Sistemas de equações lineares 9
1.1 Equações lineares . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.2 Sistemas de equações lineares . . . . . . . . . . . . . . . . . . . 12
1.3 Matriz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.4 Sistema escalonado . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.5 Operações elementares . . . . . . . . . . . . . . . . . . . . . . . 21
1.6 Método da eliminação de Gauss . . . . . . . . . . . . . . . . . . 22
1.6.1 A eliminação de Gauss-Jordan . . . . . . . . . . . . . . . 25
1.7 Operações matriciais . . . . . . . . . . . . . . . . . . . . . . . . 27
1.7.1 Adição de matrizes . . . . . . . . . . . . . . . . . . . . . 27
1.7.2 Multiplicação de uma matriz por um número real . . . . 27
1.7.3 Multiplicação de matrizes . . . . . . . . . . . . . . . . . 28
1.8 Matriz inversa . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
1.9 Potências . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
1.10 Matriz transposta . . . . . . . . . . . . . . . . . . . . . . . . . . 33
1.11 Matrizes elementares . . . . . . . . . . . . . . . . . . . . . . . . 34
1.11.1 Sistemas equivalentes e matrizes elementares . . . . . . . 36
1.12 Um método para inverter matrizes . . . . . . . . . . . . . . . . 36
1.13 Forma matricial de um sistema linear . . . . . . . . . . . . . . . 38
2 Determinantes 43
2.1 De…nição de determinante . . . . . . . . . . . . . . . . . . . . . 45
2.2 Propriedades do determinante . . . . . . . . . . . . . . . . . . . 47
2.3 Autovalores e Autovetores . . . . . . . . . . . . . . . . . . . . . 51
2.4 Cofatora, adjunta clássica e inversa . . . . . . . . . . . . . . . . 52
2.5 Regra de Cramer . . . . . . . . . . . . . . . . . . . . . . . . . . 53
3 Espaço vetorial 55
3.1 Propriedades adicionais . . . . . . . . . . . . . . . . . . . . . . . 58
3.2 O espaço vetorial das ênuplas ordenadas . . . . . . . . . . . . . 58
3.3 Outros espaços vetoriais relevantes . . . . . . . . . . . . . . . . 59
3
4 SUMÁRIO
3.4 Subespaços vetoriais . . . . . . . . . . . . . . . . . . . . . . . . 60
3.5 Espaço gerado . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
3.6 Dependência linear . . . . . . . . . . . . . . . . . . . . . . . . . 63
3.7 Dependência linear de funções . . . . . . . . . . . . . . . . . . . 66
3.8 Base e dimensão de um espaço vetorial . . . . . . . . . . . . . . 69
3.9 Matriz de mudança de base . . . . . . . . . . . . . . . . . . . . 74
3.10 Espaço linha e espaço coluna . . . . . . . . . . . . . . . . . . . . 77
3.11 Sistemas lineares e o espaço nulo de uma matriz . . . . . . . . . 82
4 Transformação linear 89
4.1 Transformação linear e bases . . . . . . . . . . . . . . . . . . . . 91
4.2 Exemplos de transformações lineares . . . . . . . . . . . . . . . 94
4.3 Composição e inversa . . . . . . . . . . . . . . . . . . . . . . . . 96
4.4 Matriz de uma transformação linear . . . . . . . . . . . . . . . . 99
4.5 Matriz da composta e da inversa . . . . . . . . . . . . . . . . . . 101
4.6 Matrizes semelhantes . . . . . . . . . . . . . . . . . . . . . . . . 103
4.7 Núcleo e imagem . . . . . . . . . . . . . . . . . . . . . . . . . . 106
5 Produto interno 109
5.0.1 Produtos internos . . . . . . . . . . . . . . . . . . . . . . 109
5.1 Norma e distância . . . . . . . . . . . . . . . . . . . . . . . . . . 110
5.2 Desigualdade de Cauchy-Schwarz . . . . . . . . . . . . . . . . . 112
5.3 Ângulo entre dois vetores . . . . . . . . . . . . . . . . . . . . . . 113
5.4 Bases ortogonais e ortonormais . . . . . . . . . . . . . . . . . . 115
5.5 Coordenadas numa base ortogonal . . . . . . . . . . . . . . . . . 115
5.6 Produto interno numa base ortonormal . . . . . . . . . . . . . . 116
5.7 Complemento ortogonal . . . . . . . . . . . . . . . . . . . . . . 117
5.8 Projeção ortogonal . . . . . . . . . . . . . . . . . . . . . . . . . 118
5.9 Obtendo bases ortogonais . . . . . . . . . . . . . . . . . . . . . 119
5.10 Decomposição QR . . . . . . . . . . . . . . . . . . . . . . . . . 121
5.11 Matriz ortogonal . . . . . . . . . . . . . . . . . . . . . . . . . . 123
5.12 Mínimos quadrados . . . . . . . . . . . . . . . . . . . . . . . . . 126
5.13 Soluções de mínimos quadrados . . . . . . . . . . . . . . . . . . 128
5.14 Teorema sobre matriz inversível . . . . . . . . . . . . . . . . . . 132
6 Autovalores e autovetores 135
6.1 Autovalor e autovetor de uma matriz . . . . . . . . . . . . . . . 135
6.2 Autovalor e autovetor de um operador linear . . . . . . . . . . . 138
6.3 Potências de matrizes . . . . . . . . . . . . . . . . . . . . . . . . 140
6.4 Diagonalização . . . . . . . . . . . . . . . . . . . . . . . . . . . 141
6.5 Potência de uma matriz . . . . . . . . . . . . . . . . . . . . . . 144
SUMÁRIO 5
6.6 Diagonalização ortogonal . . . . . . . . . . . . . . . . . . . . . . 145
6 SUMÁRIO
Prefácio
Estas notas de aula se basearam, inicialmente, no livro de Anton e Rorres,
Álgebra Linear Aplicada.
Depois elas foram in‡uenciadas pelos excelentes livros:
Álgebra Linear e Aplicações do Calioli, Domingues e Costa,
Álgebra Linear do Boldrini, Costa, Figueiredo e Wetzler
Álgebra Linear do Nicholson,
além de minhas preferências pessoais sobre como apresentar o assunto.
Antonio Cândido Faleiros
UFABC, Santo André, SP, 2011
Notas de aula do Professor Faleiros
8 SUMÁRIO
Notas de aula do Professor Faleiros
Capítulo 1
Sistemas de equações lineares
1.1 Equações lineares
Quando estudamos a geometria analítica plana, usando um sistema de coor-
denadas cartesianas ortogonais, cujos eixos caracterizamos pelos índices 1 e 2.
…xada uma reta, existem três números reais c
1
. c
2
e / tais que as coordenadas
cartesianas (r
1
. r
2
) dos pontos da reta obedecem a uma equação do tipo
c
1
r
1
+ c
2
r
2
= /
onde c
1
ou c
2
é diferente de zero.
Podemos pensar em c
1
r
1
+c
2
r
2
= / como sendo uma equação, denominada
equação geral da reta, envolvendo duas incógnitas r
1
e r
2
. Os pontos (c
1
. c
2
) da
reta satisfazem a c
1
c
1
+c
2
c
2
= / e são denominadas de soluções desta equação.
Os
Exemplo 1.1 O ponto (r
1
. r
2
) = (1. 2) do plano cartesiano pertence à reta
cuja equação geral é 3r
1
÷r
2
= 1.
Na geometria analítica espacial, quando se usa um sistema de coordenadas
cartesianas ortogonais, com eixos caracterizados pelos índices 1. 2 e 3. …xado
um plano, as coordenadas cartesianas (r
1
. r
2
. r
3
) dos seus pontos satisfazem
a uma equação da forma
c
1
r
1
+ c
2
r
2
+ c
3
r
3
= /
onde c
1
. c
2
. c
3
e / são números reais e, dos três números c
1
. c
2
e c
3
. pelo menos
um não é nulo.
Exemplo 1.2 O ponto (r
1
. r
2
. r
3
) = (2. ÷1. 1) do espaço cartesiano pertence
ao plano cuja equação geral é 4r
1
+ 3r
2
÷ 2r
3
= 3.
Notas de aula do Professor Faleiros
10 Sistemas de equações lineares
Exemplo 1.3 No espaço cartesiano, r
1
+ r
2
= 5 é a equação geral de um
plano, e não de uma reta, como poderíamos pensar num primeiro momento.
A ausência do r
3
se deve ao fato de, nesta equação, ele estar multiplicado por
zero.
Podemos nos esquecer da geometria e nos ater à algebra das equações de
retas e planos. Seja : um número inteiro maior do que 1 e c
1
. . . . . c
n
. números
reais. Sendo / um número real,
c
1
r
1
+ + c
n
r
n
= / (1.1)
é uma equação algébrica linear ou equação linear nas : incógnitas r
1
.
. . . . r
n
. Os números reais c
1
. c
2
. . . . . c
n
são os coe…cientes e / é o termo
constante da equação.
Se c
1
. . . . . c
n
forem números reais tais que
c
1
c
1
+ + c
n
c
n
= /.
diremos que r
1
= c
1
. . . . . r
n
= c
n
ou
(r
1
. . . . . r
n
) = (c
1
. . . . . c
n
).
é solução da equação linear (1.1). Ainda, por simplicidade, iremos dizer que
a sequência (c
1
. c
2
. . . . . c
n
) é solução de (1.1).
A equação
0r
1
+ + 0r
n
= /
onde todos os coe…cientes são nulos, é chamada de degenerada. Quando
/ = 0. ela é a única equação linear que não possui solução. Quando / = 0.
toda sequência (c
1
. c
2
. . . . . c
n
) é solução.
Exemplo 1.4 Uma solução de 3r
1
÷ 5r
2
= 1 é r
1
= 12 e r
2
= 7. Podemos
dizer também que (r
1
. r
2
) = (12. 7) é solução ou que o par (12. 7) é solução.
Existem outras soluções para esta equação linear. Explicitando r
1
. obtemos
r
1
= (1+ 5r
2
)3. Atribuindo um valor c
2
qualquer a r
2
. obtemos desta igual-
dade um valor c
1
para r
1
tal que r
1
= c
1
e r
2
= c
2
é solução da equação linear
dada. Fazendo r
2
= 1. obtemos r
1
= 2 e (r
1
. r
2
) = (2. 1) é solução da equação
dada.
Na equação linear c
1
r
1
+ +c
n
r
n
= /. quando c
1
= 0. pode-se explicitar
a incógnita r
1
para obter
r
1
=
1
c
1
(/ ÷c
2
r
2
÷ ÷c
n
r
n
) .
Notas de aula do Professor Faleiros
1.1 Equações lineares 11
Nesta equação, r
1
recebe o nome de variável dependente e as demais de
variáveis independentes ou livres. As incógnitas recebem também o nome
de variável pois, ao escolher livremente os valores de r
2
. . . . . r
n
. a equação
acima estabelece um valor para r
1
. que depende dos valores das demais incóg-
nitas. Para obter uma solução, pode-se variar os valores das incógnitas que
passam a ser chamadas de variáveis.
Sendo c
2
. . . . . c
n
números reais, fazendo r
2
= c
2
. . . . . r
n
= c
n
obtemos pela
equação acima r
1
=
1
a
1
(/ ÷c
2
c
2
÷ ÷c
n
c
n
) . Denotando o número real do
lado direito desta igualdade por c
1
. a sequência (c
1
. c
2
. . . . . c
n
) é uma solução
da equação linear original.
De modo geral, se c
k
= 0. pode-se explicitar a variável r
k
. que passa a ser a
variável dependente, sendo as incógnitas restantes as variáveis independentes.
Excetuando as equações lineares degeneradas com termo constante não
nulo, as demais, com duas ou mais variáveis, possuem in…nitas soluções. O
conjunto de todas elas é denominado de conjunto solução ou solução geral
da equação.
Para obter o conjunto solução da equação linear c
1
r
1
+ +c
n
r
n
= /
basta explicitar uma incógnita em função das demais. Se c
1
= 0. a solução
geral será o conjunto
¦ (r
1
. . . . . r
n
) : r
1
=
1
c
1
(/ ÷c
2
r
2
÷ ÷c
n
r
n
) com r
2
. . . . . r
n
÷ R ¦
Exemplo 1.5 Explicitando o r
2
em função de r
1
na equação linear 5r
1
÷r
2
=
1 obtém-se r
2
= 5r
1
÷1 e a solução geral da equação linear original é
¦ (r
1
. r
2
) : r
2
= 5r
1
÷1 com r
1
÷ R ¦.
Aproveitando o exemplo anterior, vamos observar que a solução geral do
sistema pode ser apresentada de modo que as incógnitas r
1
e r
2
sejam tratadas
em pé de igualdade, como funções de uma terceira variável. Se introduzirmos
uma nova variável t de…nida por t = r
1
. então r
2
= 5t ÷1 e o conjunto solução
passa a ter o formato
¦ ( t. 5t ÷1 ) : t ÷ R¦.
A variável t é denominada de parâmetro da solução geral. Emlugar de expres-
sar a solução geral na forma de um conjunto pode-se simplesmente escrevê-la
na forma r
1
= t e r
2
= 5t ÷1. destacando que t é um parâmetro que percorre
os reais. Aqui se subentende que o conjunto formado pelos pares (r
1
. r
2
) onde
r
1
= t e r
2
= 5t ÷1. com t ÷ R. é o conjunto solução da equação.
Exemplo 1.6 Na equação r÷4n +7. = 5 podemos explicitar r em função de
n e . para obter r = 5+ 4n÷ 7.. A solução geral desta equação é
¦ (r. n. .) : r = 5 + 4n ÷7.. com n e . percorrendo os reais ¦
Notas de aula do Professor Faleiros
12 Sistemas de equações lineares
De…nindo os parâmetros : e c por : = n e c = .. obtemos a solução geral na
forma paramétrica
r = 5 ÷4t + 7c
n = t
. = c
onde os parâmetros t e c que podem assumir qualquer valor real. A cada valor
atribuído a t e a c temos uma solução da equação.
1.2 Sistemas de equações lineares
Quando estudamos Geometria Analítica Plana, quando se pretende analisar a
posição relativa de duas retas cujas equações gerais são
c
11
r
1
+ c
12
r
2
= /
1
c
21
r
1
+ c
22
r
2
= /
2
é preciso determinar os pontos (r
1
. r
2
) do plano que satisfazem simultanea-
mente às duas equações. Quando as retas forem paralelas e disjuntas, elas não
possuem pontos em comum, de modo que nenhum par ordenado (r
1
. r
2
) de
números reais satisfaz às duas equações. Quando as retas forem coincidentes
elas possuem uma in…nidade de pontos em comum e há uma in…nidade de
pares de números reais que satisfaz às duas equações. Quando a interseção das
retas ocorre em um ponto, há um único par (r
1
. r
2
) de números reais satisfaz
às duas equações.
Ainda na Geometria Analítica Plana, se faz o estudo da posição relativa de
três ou mais retas. Como no caso anterior, as retas podem ter uma in…nidade
de pontos, um único ponto ou nenhum ponto comum, casos em que as equações
gerais das retas serão satisfeitas simultaneamente por uma in…nidade de pares
de números reais, por um único par ou nenhum par, respectivamente.
Na Geometria Analítica Espacial, dois planos cujas equações gerais são
c
11
r
1
+ c
12
r
2
+ c
13
r
3
= /
1
c
21
r
1
+ c
22
r
2
+ c
23
r
3
= /
2
podem ter nenhum ou in…nitos pontos em comum. Eles podem ser paralelos
e distintos, paralelos e coincidentes ou a interseção pode ocorrer ao longo de
uma reta que pertence a ambos. Se os planos forem paralelos e distintos, não
existe nenhum terno ordenado (r
1
. r
2
. r
3
) de números reais que satisfaz às
duas equações gerais. Nos outros casos, onde a interseção não é vazia, há uma
in…nidade de pares a satisfazer as duas equações.
Notas de aula do Professor Faleiros
1.2 Sistemas de equações lineares 13
Ainda na Geometria Analítica Espacial, é interessante determinar a posição
relativa de três planos quando eles poderão coincidir, ou ter interseção vazia, ou
interseção ao longo de uma reta ou interseção num único ponto. Neste último
caso, haverá um único terno (r
1
. r
2
. r
3
) de números reais que satisfaz às três
equações das retas e, no segundo caso, não haverá nenhum terno satisfazendo
às três equações das retas. No primeiro e terceiro caso, de coincidência dos três
planos ou interseção ao longo de uma reta, teremos uma in…nidade de ternos
de números reais satisfazendo às equações das três retas ao mesmo tempo.
Estes exemplos nos mostram a importância de se estudar equações como
as que surgem no contexto da geometria plana e espacial. Equações dessa na-
tureza surgem no contexto do Cálculo Numérico e são de extrema importância
para as aplicações da Matemática na Engenharia, na Física, na Química, na
Biologia, na Economia.
As equações gerais de retas e planos são equações lineares. Quando nos
deparamos com mais de uma equação linear, dizemos estar diante de um sis-
tema de equações lineares. Passemos a estudar tais sistemas em sua forma
geral.
Sejam : e : inteiros maiores do que 1. Sejam c
ij
e /
i
. com i = 1. 2. . . . :
e , = 1. 2. . . . . :. números reais. Um conjunto …nito de : equações lineares
c
11
r
1
+ c
12
r
2
+ + c
1n
r
n
= /
1
c
21
r
1
+ c
22
r
2
+ + c
2n
r
n
= /
2
(1.2)

c
m1
r
1
+ c
m2
r
2
+ + c
mn
r
x
= /
m
nas incógnitas r
1
. . . . . r
n
. é chamado de sistema de equações algébricas
lineares ou um sistema linear com : equações e : incógnitas.
Se r
1
= c
1
. . . . . r
n
= c
n
for solução de todas as equações em (1.2), diremos
que ela é solução do sistema (1.2). Também diremos que
(r
1
. . . . . r
n
) = (c
1
. . . . . c
n
)
ou que a ênupla ordenada de números reais (c
1
. . . . . c
n
) é solução do sistema
linear.
Um sistema de equações lineares pode ter solução ou não. Quando uma
equação do sistema for degenerada,
0r
1
+ + 0r
n
= /.
com todos os coe…cientes nulos e / diferente de zero, já podemos a…rmar que
o sistema não possui solução.
Notas de aula do Professor Faleiros
14 Sistemas de equações lineares
Podemos simpli…car a notação de um sistema usando o símbolo de so-
matório. Com ele pode-se escrever a i÷ésima equação na forma
n
¸
j=1
c
ij
r
j
= /
i
e assim denotar todas as equações do sistema observando que i assume todos
os valores inteiros de 1 a :. como em
n
¸
j=1
c
ij
r
j
= /
i
. com i = 1. . . . . :.
Exemplo 1.7 O sistema
r
1
+ r
2
= 1
0r
1
+ 0r
2
= 2
não tem solução pois a segunda equação é degenerada e seu termo constante é
diferente de zero. O sistema
r
1
+ r
2
= 1
r
1
+ r
2
= 2
não possui solução pois a soma r
1
+r
2
não pode ser ao mesmo tempo igual a
1 e a 2. Já o sistema
r
1
+ r
2
= 2
0r
1
+ 0r
2
= 0
possui in…nitas soluções pois a segunda equação é satisfeita para quaisquer
valores que se atribua a r
1
e a r
2
. A primeira é satisfeita sempre que r
1
= t
e r
2
= 2 ÷t. para todo t real. O sistema
r
1
÷r
2
= 2
r
1
+ r
2
= 4
tem uma única solução (r
1
. r
2
) = (3. 1) que pode ser obtida observando que,
ao adicionar as duas equações obtemos 2r
1
= 6 e, ao subtrair a primeira da
segunda, obtemos 2r
2
= 2.
Um sistema de equações lineares é consistente ou compatível quando
tiver ao menos uma solução e inconsistente ou incompatível quando não
possuir solução. O conjunto de todas as soluções é chamado de conjunto
solução ou solução geral do sistema.
Notas de aula do Professor Faleiros
1.3 Matriz 15
Exemplo 1.8 Todas as soluções do sistema
r
1
÷3r
2
+ r
3
= 0
r
2
÷r
3
= 1
são tais que r
1
= 3 + 2r
3
. r
2
= 1 + r
3
com r
3
percorrendo os reais, e o seu
conjunto solução é
¦ (r
1
. r
2
. r
3
) : r
1
= 3 + 2r
3
. r
2
= 1 + r
3
com r
3
÷ R ¦.
Para veri…car este fato, basta explicitar r
1
na primeira equação, r
2
na segunda
equação, usando-a para eliminá-la da primeira equação.
1.3 Matriz
Para determinar a solução de um sistema precisamos apenas dos seus coe…-
cientes e das suas constantes. Estes coe…cientes e constantes podem ser dispos-
tos em uma matriz que é uma coleção de números dispostos em uma tabela
retangular e delimitada por colchetes.
Os números que compõem uma matriz são denominados des entradas ou
elementos d matriz. As linhas e as colunas da tabela serão as linhas e as
colunas da matriz. Uma matriz de tamanho : : é aquela que possui
: linhas e : colunas. Quando o número de linhas for igual ao número de
colunas se diz que a matriz é quadrada. Uma matriz quadrada : : é
chamada matriz de ordem :. Matrizes com um única coluna são denominadas
matrizes coluna ou vetores coluna. Matrizes com uma única linha são
denominadas matrizes linha ou vetores linha. Vamos usar letras maiúsculas
para designar as matrizes e letras minúsculas com subíndices para designar suas
entradas. Estes índices informam a posição da entrada na matriz, tal como em
¹ =

c
11
c
12
c
1n
c
21
c
22
c
2n
.
.
.
.
.
.
.
.
.
.
.
.
c
m1
c
m2
c
mn
¸
¸
¸
¸
¸
onde c
ij
é a entrada da linha i coluna ,. A matriz acima pode ser representada
de forma abreviada por ¹ = [c
ij
] ou por [c
ij
]
mn
quando for desejável indicar
explicitamente o seu tamanho. É comum usar a notação c
ij
= (¹)
ij
. Os
elementos c
ii
. para i = 1. 2. . . . são os elementos da diagonal principal da
matriz também denominada de diagonal da matriz. Os elementos c
i; n+1i
.
para i = 1. 2. . . . são os elementos da diagonal secundária da matriz. Uma
Notas de aula do Professor Faleiros
16 Sistemas de equações lineares
matriz quadrada onde apenas os elementos da diagonal principal são diferentes
de zero são chamadas de matriz diagonal.
Uma matriz quadrada na qual todas as entradas acima da diagonal prin-
cipal são zero é chamada triangular inferior e uma matriz quadrada naqual
todas as entradas abaixo da diagonal principal são zero é chamada triangu-
lar superior. Uma matriz que é triangular inferior ou triangular superior é
chamada triangular.
Quando se tratar de uma matriz linha ou coluna, podemos abrir uma ex-
ceção e usar uma letra minúscula em negrito para designá-la tal como em
a =

c
1
c
2
c
n

e b =

/
1
/
2
.
.
.
/
m
¸
¸
¸
¸
¸
Duas matrizes ¹ = [c
ij
] e 1 = [/
ij
] são iguais quando ambas possuírem o
mesmo tamanho e suas entradas correspondentes forem iguais, isto é, c
ij
= /
ij
.
para i e , percorrendo todas as linhas e todas as colunas de ¹ e 1. Quando
duas matrizes ¹ e 1 forem iguais, escreveremos ¹ = 1.
Como enfatizamos no início desta seção, as matrizes mostraram-se muito
úteis na representação de sistemas lineares. Dado o sistema linear
c
11
r
1
+ c
12
r
2
+ + c
1n
r
n
= /
1
c
21
r
1
+ c
22
r
2
+ + c
2n
r
n
= /
2

c
m1
r
1
+ c
m2
r
2
+ + c
mn
r
x
= /
m
com : equações e : incógnitas, a tabela retangular de números
¹ =

c
11
c
12
c
1n
c
21
c
22
c
2n
.
.
.
.
.
.
.
.
.
.
.
.
c
m1
c
m2
c
mn
¸
¸
¸
¸
¸
é chamada de matriz dos coe…cientes do sistema e
b =

/
1
.
.
.
/
m
¸
¸
¸
Notas de aula do Professor Faleiros
1.4 Sistema escalonado 17
é a matriz das constantes do sistema. Ao acrescentar a coluna b à direita
de ¹. obtemos a matriz aumentada ou matriz completa do sistema

c
11
c
12
c
1n
/
1
c
21
c
22
c
2n
/
2
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
c
m1
c
m2
c
mn
/
m
¸
¸
¸
¸
¸
que será denotada por [ ¹[ b].
A notação matricial simpli…ca a notação e proporciona uma ferramenta
matemática e…ciente no estudo teórico e numérica dos sistemas, mormente
quando se estudam os sistemas de grande porte, que são aqueles com muitas
equações e muitas incógnitas.
Exemplo 1.9 A matriz completa do sistema
r + n + 2. = 9
2r + 4n ÷3. = 1
3r + 6n ÷5. = 0
é

1 1 2 9
2 4 ÷3 1
3 6 ÷5 0
¸
¸
.
1.4 Sistema escalonado
É muito simples obter a solução geral de alguns sistemas especiais e, dentre
eles, se destacam os sistemas escalonados.
Uma matriz escalonada é aquela em que
1. as linhas nulas …cam agrupadas na parte inferior da matriz;
2. nas linhas não nulas, o primeiro elemento não nulo da esquerda para a
direita é o número 1. Este número é o líder ou pivô da linha;
3. a partir da segunda linha, o elemento líder …ca à direita do líder da linha
acima.
Uma matriz é escalonada reduzida se
1. for escalonada e
Notas de aula do Professor Faleiros
18 Sistemas de equações lineares
2. o líder é o único elemento não nulo de sua coluna.
Exemplo 1.10 As matrizes

0 1 2 3 4
0 0 0 1 2
0 0 0 0 0
¸
¸
e

1 2 3 4 5
0 0 1 2 3
0 0 0 1 2
¸
¸
são escalonadas e

1 2 0 4 0 6
0 0 1 2 0 4
0 0 0 0 1 2
0 0 0 0 0 0
¸
¸
¸
¸
é escalonada reduzida.
Um sistema linear é escalonado quando sua matriz completa for escalon-
ada e escalonado reduzido quando sua matriz completa for escalonada re-
duzida.
Exemplo 1.11 O sistema
r
1
+ 2r
2
+ 3r
3
+ 4r
4
= 5
r
2
+ 2r
3
+ 3r
4
= 4
r
4
= 2
é escalonado e
r
1
÷r
3
= 5
r
2
+2r
3
= 6
r
4
= 7
é escalonado reduzido.
Um sistema escalonado não possui solução quando uma de suas equações
for degenerada,
0r
1
+ 0r
2
+ + 0r
n
= /
com / diferente de zero. Nos demais casos, o sistema escalonado será consis-
tente e podemos obter sua solução geral com o procedimento descrito abaixo.
Inicialmente explicita-se em cada equação a incógnita que está multiplicada
pelo pivô. Estas são as incógnitas líderes do sistema. Em seguida, segue-se
um procedimento conhecido por substituição reversa. A expressão que está
do lado direito da última equação é usada para eliminar a última incógnita
lider das equações acima. A expressão que está do lado direito da penúltima
equação é usada para eliminar a penúltima incógnita líder das equações acima.
Notas de aula do Professor Faleiros
1.4 Sistema escalonado 19
Este procedimento é continuado até eliminar todas as incógnitas líderes do
lado direito das equações que formam o sistema.
Num sistema escalonado consistente, as incógnitas que restarem do lado
direito depois da substituição reversa, são denominadas de variáveis livres
ou independentes. O termo variável tem sua origem no fato de podermos
atribuir a elas qualquer valor real para obter uma solução do sistema. As
incógnitas líderes que permaneceram do lado esquerdo passam a depender dos
valores das variáveis livres e, por este motivo, recebem o nome de variáveis
dependentes ou variáveis líderes.
Quando não houver variável livre, o sistema terá uma única solução. Ex-
istindo variáveis livres, o sistema possuirá in…nitas soluções. Quando houver
uma equação degenerada com termo constante não nulo, o sistema não tem
solução.
Para obter a solução geral de sistemas escalonados reduzidos, a etapa de
substituição reversa é desnecessária pois, ao explicitar as variáveis líderes,
restarão apenas as variáveis independentes no lado direito das equações.
Exemplo 1.12 Para resolver o sistema escalonado
r
1
÷r
2
+ 2r
3
= 3
r
2
÷r
3
= ÷1
r
3
= 2
Explicitamos as variáveis dependentes r
1
. r
2
e r
3
. que são as variáveis dos
pivôs da matriz completa do sistema
r
1
= r
2
÷2r
3
+ 3
r
2
= r
3
÷1
r
3
= 2
Podemos eliminar as as variáveis dependentes do lado direito das equações,
usando substituição reversa. A última equação é usada para eliminar r
3
do
lado direito das equações acima. Depois, a penúltima equação é usada para
eliminar r
2
do lado direito da equação acima. Usando este procedimento,
chegamos a
r
3
= 2
r
2
= r
3
÷1 = 2 ÷1 = 1
r
1
= r
2
÷2r
3
+ 3 = 1 ÷4 + 3 = 0
e concluímos que a única solução deste sistema é (r
1
. r
2
. r
3
) = (0. 1. 2).
Notas de aula do Professor Faleiros
20 Sistemas de equações lineares
Exemplo 1.13 Para resolver o sistema escalonado
r
1
+ 2r
2
÷r
3
= 1
r
2
+ r
3
= 2
explicitamos as variáveis dependentes r
1
e r
2
.
r
1
= ÷2r
2
+ r
3
+ 1
r
2
= 2 ÷r
3
e usamos a segunda equação para eliminar o r
2
da primeira equação
r
1
= ÷2(2 ÷r
3
) + r
3
+ 1 = 3r
3
÷3
O r
3
é a variável livre deste sistema, que terá in…nitas soluções. Sua solução
geral é r
1
= 3r
3
÷ 3. r
2
= 2 ÷ r
3
. com r
3
percorrendo os reais. Se desejar-
mos tratar r
1
. r
2
e r
3
em pé de igualdade, introduzimos uma nova variável t.
de…nindo-a por t = r
3
quando então se escreve a solução geral na forma r
1
=
3t÷ 3. r
2
= 2÷ t. r
3
= t. com t percorrendo o conjunto dos números reais.
A nova variável t recebe o nome de parâmetro e com ele a solução geral se
apresenta na forma paramétrica.
Exemplo 1.14 Para resolver o sistema escalonado reduzido
r
1
÷2r
2
+ 3r
3
+ r
4
= 1
r
3
÷3r
4
= 2
explicitamos as variáveis dependentes r
1
e r
3
r
1
= 1 + 2r
2
÷3r
3
÷r
4
r
3
= 2 + 3r
4
Usamos a segunda equação para eliminar a variável dependente r
3
do lado
direito da primeira equação e obter
r
1
= 1 + 2r
2
÷3(2 + 3r
4
) ÷r
4
= 2r
2
÷10r
4
÷5.
Temos duas variáveis livres, a r
2
e a r
4
e a solução geral deste sistema é
r
1
= 2r
2
÷10r
4
÷5
r
3
= 2 + 3r
4
onde r
2
e r
4
podem assumir qualquer valor.
Notas de aula do Professor Faleiros
1.5 Operações elementares 21
Querendo tratar as quatro variáveis em pé de igualdade na solução geral,
pode-se introduzir duas novas variáveis : e :. de…nindo-as por : = r
2
e : =
r
4
. A solução geral poderá ser escrita na forma paramétrica
r
1
= 2: ÷10c ÷5
r
2
= :
r
3
= 2 + 3:
r
4
= :
onde os parâmetros : e : podem assumir qualquer valor real.
Diremos que a solução geral é uniparamétrica quando depender de um
parâmetro, biparamétrica quando depender de dois, triparamétrica se de-
pender de três. Quando a solução geral depender de mais do que três parâmet-
ros podemos continuar com os pre…xos tetra, penta, hexa ou chamá-la de
poliparamétrica.
Nos resta agora discutir a solução de sistemas genéricos. Veremos como
aplicar transformações ao sistema original até chegar a um sistema escalon-
ado equivalente. Dois sistemas são equivalentes quando possuem o mesmo
conjunto solução.
1.5 Operações elementares
A transformação de um sistem em outro equivalente é realizada por meio de
operações elementares sobre as equações do sistema que são de três tipos:
1. Trocar de posição duas equações, levando cada uma para a posição da
outra.
2. Multiplicar uma equação por uma constante não nula.
3. Adicionar a uma equação um múltiplo de outra.
Quando se multiplica uma equação por um número real, a equação obtida
é denominada de múltiplo da equação original.
As três operações elementares sobre as equações de um sistema correspon-
dem às operações elementares sobre as linhas da matriz completa:
1. Trocar de posição duas linhas, levando cada uma para a posição da outra.
2. Multiplicar uma linha por uma constante não nula.
3. Adicionar a uma linha um múltiplo de outra linha.
Notas de aula do Professor Faleiros
22 Sistemas de equações lineares
As operações elementares são reversíveis e transformam um sistema em
outro equivalente. Por reversíveis queremos dizer que, se mediante uma oper-
ação elementar podemos levar uma matriz ¹ noutra matriz 1. então é possível
levar a matriz 1 na matriz ¹ efetuando uma operação elementar. Se 1 for
obtida de ¹ permutando suas linhas : e :. podemos recuperar¹ permutando
as linhas : e : de 1. Se 1 for obtida multiplicando a linha i de ¹ por um
número real \ diferente de zero, podemos recuperar ¹ multiplicando a linha i
de 1 por \
1
. Se 1 for obtida adicionando à linha : de ¹ um múltiplo \ da
sua linha :. podemos recuperar ¹ adicionando à linha : de 1 o múltiplo ÷\
da sua linha :.
Quando aplicamos sucessivas operações elementares sobre uma matriz ` e
chegamos a uma matriz escalonada 1. dizemos que 1 é uma forma escalon-
ada da matriz `. Se 1 for escalonada reduzida, diremos que 1 é a forma
escalonada reduzida da matriz `. A forma escalonada reduzida de uma
matriz ` é única.
1.6 Método da eliminação de Gauss
Quando todos os coe…cientes que multiplicam uma incógnita forem iguais a
zero, como em
r
1
+ 0r
2
+ 4r
3
= 5
r
1
+ 0r
2
÷8r
3
= 7
a variável r
2
é livre. Independentemente do valor que a ela for atribuído,
ela não contribuirá com a soma. A segunda coluna da matriz completa deste
sistema
¸
1 0 4 5
1 0 ÷8 8

é nula. Na prática, nem se escreve o termo r
2
em sistemas como o acima e ele
é apresentado na forma
r
1
+ 4r
3
= 5
r
1
÷8r
3
= 7
e se elimina a segunda coluna de sua matriz completa que passa a ser
¸
1 4 5
1 ÷8 8

.
Notas de aula do Professor Faleiros
1.6 Método da eliminação de Gauss 23
Se uma equação do sistema for identicamente nula como é o caso da terceira
equação do sistema
r
1
÷3r
2
+ 2r
3
= 9.
r
1
+ 4r
2
+ 6r
3
= 1.
0r
1
+ 0r
2
+ 0r
3
= 0.
o fato de qualquer solução das duas primeiras equações ser uma solução da
terceira, podemos eliminá-la e buscar soluções para as duas primeiras equações
r
1
÷3r
2
+ 2r
3
= 9.
r
1
+ 4r
2
+ 6r
3
= 1.
Com relação à matriz completa do sistema,

1 ÷3 2 9
1 4 6 1
0 0 0 0
¸
¸
a eliminação da última equação corresponde à eliminação da linha nula e es-
crever
¸
1 ÷3 2 9
1 4 6 1

.
Vamos trabalhar com a matriz completa do sistema e, numa primeira etapa,
iremos eliminar suas linhas e colunas nulas pelos motivos explicados acima.
Passemos à descrição do método da eliminação de Gauss, que consiste na
realização de operações elementares sobre a matriz completa até transformá-la
numa matriz escalonada. Denotaremos por /
ij
a entrada da linha i coluna ,
da matriz completa [ ¹[ b].
1. Faça i = 1 e , = 1.
2. Se /
ij
= 0. percorra a coluna : de cima para baixo.
(a) Se /
is
= 0 para todo : ,. passe para a próxima coluna fazendo
, = , + 1 e retorne à etapa 2.
(b) Se /
rs
= 0 para algum : ,. leve a linha i para a posição da linha :
e leve esta para a posição da linha i. Agora a entrada /
ij
é diferente
de zero.
3. Divida a linha i por /
ij
para obter o pivô igual a 1.
Notas de aula do Professor Faleiros
24 Sistemas de equações lineares
4. Adicione múltiplos da linha i às linhas que estão abaixo, de modo a zerar
todas as entradas embaixo do pivô.
5. Passe à linha seguinte fazendo i = i + 1 e retorne à etapa 2.
6. Quando chegar à última linha, se /
ij
= 0. divida-a por /
ij
.
Ao …nal deste processo chega-se a um sistema escalonado, equivalente ao
sistema original. Se uma equação deste sistema for degenerada e inconsistente,
ele não terá solução. Se todas as equações do sistema escalonado forem consis-
tentes, havendo variável livre, o sistema terá in…nitas soluções e, quando não,
uma única solução.
Exemplo 1.15 Usando o método da eliminação de Gauss para resolver o sis-
tema nas variáveis r
1
. r
2
. r
3
. r
4
. r
5
cuja matriz completa é

0 0 ÷2 0 7 12
2 4 ÷10 6 12 28
2 4 ÷5 6 ÷5 ÷1
¸
¸
chegamos à matriz escalonada

1 2 ÷5 3 6 14
0 0 1 0 ÷72 ÷6
0 0 0 0 1 2
¸
¸
.
Exemplo 1.16 Usando o método da eliminação de Gauss para resolver o sis-
tema nas variáveis r
1
. r
2
. r
3
. r
4
cuja matriz completa é

1 2 2 1 ÷9
÷1 ÷2 ÷1 0 4
1 2 2 1 ÷7
¸
¸
chegamos à matriz escalonada

1 2 2 1 ÷9
0 0 1 1 ÷5
0 0 0 0 2
¸
¸
Como a última linha corresponde à equação
0r
1
+ 0r
2
+ 0r
3
+ 0r
4
= 2.
o sistema não possui solução.
Notas de aula do Professor Faleiros
1.6 Método da eliminação de Gauss 25
1.6.1 A eliminação de Gauss-Jordan
A eliminação de Gauss-Jordan consiste na utilização de operações elementares
sobre a matriz completa até transformá-la numa matriz escalonada reduzida.
Efetuada a primeira etapa do método da eliminação de Gauss, pode-se
continuar o processo, aplicando operações elementares sobre a matriz completa
com o intuito de anular os coe…cientes acima dos pivôs, começando com os
pivôs das linhas de baixo e subindo até a primeira linha e chegar a uma matriz
escalonada reduzida.
Lembre-se que a forma escalonada reduzida de uma matriz é única, seja
qual for o caminho percorrido.
Quando se chega à matriz escalonada reduzida, para obter a solução geral
do sistema, basta explicitar as variáveis dependentes, que são aquelas corre-
spondentes aos pivôs de cada linha.
O método de Gauss e o de Gauss Jordan exigem o mesmo esforço computa-
cional para resolver um sistema de equações algébricas lineares.
Exemplo 1.17 Considere o sistema linear cuja matriz completa na forma
escalonada é

1 2 ÷5 3 6 14
0 0 1 0 ÷72 ÷6
0 0 0 0 1 2
¸
¸
use o método descrito para zerar as entradas acima dos pivôs. Comece zerando
as entradas acima do pivô da terceira linha. Em seguida, zere as entradas
acima do pivô da segunda linha obtendo

1 2 0 3 0 7
0 0 1 0 0 1
0 0 0 0 1 2
¸
¸
que corresponde ao sistema
r
1
+ 2r
2
+ 0r
3
+ 3r
4
+ 0r
5
= 7
r
3
+ 0r
4
+ 0r
5
= 1
r
5
= 2
cuja solução geral é
r
1
= 7 ÷2r
2
÷3r
4
r
3
= 1
r
5
= 2
onde r
2
e r
4
são variáveis livres e podem assumir qualquer valor real.
Notas de aula do Professor Faleiros
26 Sistemas de equações lineares
Exemplo 1.18 Resolva por eliminação de Gauss-Jordan
r
1
+3r
2
÷2r
3
+2r
5
= 0
2r
1
+6r
2
÷5r
3
÷2r
4
+4r
5
÷3r
6
= ÷1
5r
3
+10r
4
+15r
6
= 5
2r
1
+6r
2
+8r
4
+4r
5
+18r
6
= 6
Resolução. A matriz completa do sistema é

1 3 ÷2 0 2 0 0
2 6 ÷5 ÷2 4 ÷3 ÷1
0 0 5 10 0 15 5
2 6 0 8 4 18 6
¸
¸
¸
¸
Realizando a eliminação gaussiana, chegamos à matriz escalonada

1 3 ÷2 0 2 0 0
0 0 ÷1 ÷2 0 ÷3 ÷1
0 0 0 0 0 1 13
0 0 0 0 0 0 0
¸
¸
¸
¸
Continuando com as operações elementares, zeramos as entradas acima do pivô
da terceira linha e, em seguida, zeramos as entradas acima do pivô da segunda
linha quando então se chega á matriz escalonada reduzida

1 3 0 4 2 0 0
0 0 1 2 0 0 0
0 0 0 0 0 1
1
3
0 0 0 0 0 0 0
¸
¸
¸
¸
que nos fornece imediatamente a solução geral do sistema
r
1
= ÷3r
2
÷4r
4
÷2r
5
r
3
= ÷r
4
r
6
= 13
onde r
2
. r
4
e r
5
são variáveis livres e podem assumir qualquer valor real.
Quando o sistema escalonado for consistente e possuir : equações não nulas
e : incógnitas, existirá uma única solução quando : = : e in…nitas soluções
quando : < :.
Exemplo 1.19 Dados / sistemas ¹x = b
1
. . . . . ¹x = b
k
em que as matrizes
dos coe…cientes são idênticas, podemos resolvê-los simultaneamente, realizando
operações elementares sobre a matriz aumentada [¹[ b
1
[ [ b
k
] . reduzindo-
a à forma escalonada e resolver todos os sistemas de uma só vez usando a
eliminação de Gauss ou ainda, reduzindo-a à forma escalonada reduzida e
resolvendo os sistemas usando o método de Gauss-Jordan.
Notas de aula do Professor Faleiros
1.7 Operações matriciais 27
1.7 Operações matriciais
1.7.1 Adição de matrizes
Sejam ¹ = [c
ij
] e 1 = [/
ij
] duas matrizes : :. A adição de ¹ com 1 é
a operação que resulta na matriz soma ¹ + 1 = [c
ij
]. de tamanho : :.
onde c
ij
= c
ij
+ /
ij
para i = 1. . . . . : e , = 1. . . . . :. A matriz oposta de
1 = [/
ij
] . denotada por ÷1. é aquela cuja entrada da linha i coluna , é ÷/
ij
.
A diferença ¹ ÷ 1 é a matriz ¹ + (÷1). obtida subtraindo das entradas
de ¹ as entradas correspondentes de 1. Matrizes de tamanhos distintos não
podem ser adicionadas nem subtraídas. Matrizes de mesmo tamanho são ditas
conformes para a adição.
1.7.2 Multiplicação de uma matriz por um número real
Seja ¹ = [c
ij
] uma matriz :: e c um número real. A multiplicação de c por
¹ é a operação que resulta na matriz c¹ = [cc
ij
] de tamanho :: chamada
de múltiplo de ¹ por c. Observe que cada entrada de c¹ é igual a c vezes a
entrada correspondente de ¹.
Se ¹
1
. ¹
2
. . . . . ¹
n
são matrizes de mesmo tamanho e c
1
. c
2
. . . . . c
n
são
números reais, então uma expressão da forma
c
1
¹
1
+ c
2
¹
2
+ + c
n
¹
n
é chamada de combinação linear de ¹
1
. ¹
2
. . . . . ¹
n
com coe…cientes c
1
. c
2
.
. . . . c
n
.
Propriedades
Neste momento destacamos a matriz nula ou matriz zero
0 =

0 0
.
.
.
.
.
.
.
.
.
0 0
¸
¸
¸
onde todas as entradas são nulas. Adicionando uma matriz ¹ com a matriz
nula de mesmo tamanho, obtemos a matriz ¹. Por este motivo, a matriz nula
é chamada de elemento neutro da adição.
Sendo ¹. 1 e ( matrizes de mesmo tamanho, r e n números reais e 1 a
unidade real, valem as propriedades:
1. ¹ + 1 = 1 + ¹ (Comutatividade da adição)
Notas de aula do Professor Faleiros
28 Sistemas de equações lineares
2. ¹ + (1 + () = (¹ + 1) + ( (Associatividade da adição)
3. ¹ + 0 = 0 + ¹ = ¹ (Elemento neutro)
4. 1 + (÷1) = (÷1) + 1 = 0 (A matriz ÷1 é a matriz oposta de 1)
5. (rn)¹ = r(n¹) (Associatividade da multiplicação por um real)
6. r(¹ + 1) = r¹ + r1 (Distributividade)
7. (r + n)¹ = r¹ + n¹ (Distributividade)
8. 1¹ = ¹
1.7.3 Multiplicação de matrizes
De…nição 1.20 Seja ¹ = [c
ik
] uma matriz : j e 1 = [/
kj
] uma matriz
j :. A multiplicação das matrizes ¹ e 1 é a operação que leva ¹ e 1 na
matriz ¹1 = [c
ij
] de tamanho ::. onde
c
ij
=
p
¸
k=1
c
ik
/
kj
para i = 1. . . . . : e , = 1. . . . . :. A matriz ¹1 é denominada de produto
de ¹ por 1. Para obter a entrada c
ij
da linha i e coluna , de ¹1. destaque a
linha i de ¹ e a coluna , de 1. Multiplique c
ik
por /
kj
. para / = 1. 2. . . . . j e
adicione os resultados para obter c
ij
.
Para ser possível multiplicar a matriz ¹ pela matriz 1. o número de colunas
da primeira deve ser igual ao número de linhas da segunda, quando então se
diz que são conformes para a multiplicação.
Mesmo quando é possível calcular o produto ¹1. nem sempre é possível
calcular 1¹ e, quando for possível, nem sempre ¹1 = 1¹ pois o produto de
matrizes não é comutativo. Em casos excepcionais, quando ¹1 = 1¹ se diz
que as matrizes comutam.
O produto de matrizes triangulares superiores é uma matriz triangular
superior e o produto de matrizes triangulares inferiores é uma matriz triangular
inferior
Exemplo 1.21 A multiplicação da matriz
¹ =
¸
8 ÷6 ÷4
3 ÷9 5

por 1 =

2 3 0
9 1 ÷3
5 ÷2 7
¸
¸
Notas de aula do Professor Faleiros
1.7 Operações matriciais 29
resulta na matriz
¹1 =
¸
÷58 26 ÷10
÷50 ÷10 62

.
Se x for um vetor coluna com : linhas e y um vetor linha com : colunas,
então xy é uma matriz ::. Quando : = :. yx é uma matriz 1 1. Toda
matriz 1 1. com uma única entrada, tal como [:] . é identi…cada ao número
real : e escreveremos [:] = :.
Exemplo 1.22 Sendo
x =
¸
1
2

e y =

3 4

então
xy =
¸
3 4
6 8

e yx = [11] .
Propriedades das multiplicação matricial
Em cada uma das propriedades abaixo, r é real. As matrizes ¹ e 1 e as
matrizes 1 e ( são conformes para a multiplicação. As matrizes ¹. ¹
1
e ¹
2
bem como as matrizes 1. 1
1
e 1
2
são conformes para a adição.
1. ¹(1() = (¹1)( (Associatividade da multiplicação)
2. ¹(1
1
+ 1
2
) = ¹1
1
+ ¹1
2
(Distributividade à esquerda)
3. (¹
1
+ ¹
2
)1 = ¹
1
1 + ¹
2
1 (Distributividade à direita)
4. (r1)( = r(1() = 1(r() (Associatividade em relação ao produto por
um real)
Não vale a lei do cancelamento. A igualdade ¹1 = 11 não implica,
necessariamente, em ¹ = 1. mesmo quando 1 for diferente de zero.
Exemplo 1.23 Observe que ¹1 = 11 mas ¹ = 1 quando ¹ =
¸
1 3
2 4

e
1 =
¸
5 3
6 4

e 1 =
¸
0 0
1 2

.
É possível obter ¹1 = 0. mesmo quando ¹ = 0 e 1 = 0. Logo, ¹1 = 0
não implica em ¹ = 0 ou 1 = 0.
Exemplo 1.24 Observe que ¹1 = 0 quando ¹ =
¸
0 1
0 2

e 1 =
¸
3 4
0 0

.
Entretanto, nem ¹ e nem 1 são matrizes nulas.
Notas de aula do Professor Faleiros
30 Sistemas de equações lineares
Produto matricial como combinação linear
Sendo
¹ =

c
11
c
12
c
1n
c
21
c
22
c
2n
.
.
.
.
.
.
.
.
.
c
m1
c
m2
c
mn
¸
¸
¸
¸
¸
e x =

r
1
r
2
.
.
.
r
n
¸
¸
¸
¸
¸
então
¹x =

c
11
r
1
+ c
12
r
2
+ + c
1n
r
n
c
21
r
1
+ c
22
r
2
+ + c
2n
r
n
.
.
.
c
m1
r
1
+ c
m2
r
2
+ + c
mn
r
n
¸
¸
¸
¸
¸
= r
1

c
11
c
21
.
.
.
c
m1
¸
¸
¸
¸
¸
+ r
2

c
12
c
22
.
.
.
c
m2
¸
¸
¸
¸
¸
+ + r
n

c
1n
c
2n
.
.
.
c
mn
¸
¸
¸
¸
¸
Sendo
c
1
=

c
11
c
21
.
.
.
c
m1
¸
¸
¸
¸
¸
c
2
=

c
12
c
22
.
.
.
c
m2
¸
¸
¸
¸
¸
c
n
=

c
1n
c
2n
.
.
.
c
mn
¸
¸
¸
¸
¸
as colunas de ¹. então
¹x = r
1
c
1
+ r
2
c
2
+ + r
n
c
n
.
Uma expressão do tipo r
1
c
1
+ r
2
c
2
+ + r
n
c
n
é chamada de combinação
linear das matrizes c
1
. c
2
. . . . . c
n
com coe…cientes r
1
. r
2
. . . . . r
n
. A matriz
¹x é uma combinação linear das colunas de ¹ cujos coe…cientes são as entradas
da matriz x.
De modo análogo, sendo y uma matriz linha, y¹ é uma combinação linear
das matrizes linha de ¹ com coe…cientes provenientes da matriz y.
Notas de aula do Professor Faleiros
1.8 Matriz inversa 31
1.8 Matriz inversa
Neste momento destacamos a matriz identidade de tamanho : :
1
n
=

1 0 0 0
0 1 0 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0 1 0
0 0 0 1
¸
¸
¸
¸
¸
¸
¸
que possui todas as entradas iguais a zero, exceto aquelas que se encontram
na diagonal principal, que são iguais a 1. Sendo ¹ uma matriz :: e 1 uma
matriz : j. então ¹1
n
= ¹ e 1
n
1 = 1. Quando ¹ for : :. então
¹1
n
= 1
n
¹ = ¹.
Não havendo a necessidade de informar o tamanho da matriz identidade,
podemos indicá-la tão somente por 1. A matriz identidade é o elemento neu-
tro da multiplicação de matrizes quadradas.
De…nição 1.25 Uma matriz quadrada ¹ é invertível quando existe uma ma-
triz quadrada 1 tal que
¹1 = 1¹ = 1.
onde 1 é a matriz identidade. A matriz 1 é chamada de inversa de ¹. Uma
matriz quadrada não invertível é denominada singular.
Quando uma matriz ¹ é invertível, sua inversa é única, sendo denotada por
¹
1
. De acordo com a de…nição, se 1 é a inversa de ¹ então ¹ é a inversa de
1 ou, em outras palavras,
¹ =

¹
1

1
.
Uma matriz diagonal, como
1 =

d
1
0 0
0 d
2
0
.
.
.
.
.
.
.
.
.
.
.
.
0 0 d
n
¸
¸
¸
¸
¸
é invertível se e só se todos os reais d
1
. d
2
. . . . . d
n
forem diferentes de zero, e
sua inversa é
1
1
=

d
1
1
0 0
0 d
1
2
0
.
.
.
.
.
.
.
.
.
.
.
.
0 0 d
1
n
¸
¸
¸
¸
¸
.
Notas de aula do Professor Faleiros
32 Sistemas de equações lineares
Uma matriz triangular é invertível se, e só se, todos os elementos da diagonal
principal forem diferentes de zero. A inversa de uma matriz triangular superior
é uma matriz triangular inferior e a inversa de uma matriz triangular inferior
é uma matriz triangular superior.
A matriz ¹ =
¸
c /
c d

é invertível se e só se cd ÷/c = 0 e sua inversa é
¹
1
=
1
cd ÷/c
¸
d ÷/
÷c c

.
Exemplo 1.26 A matriz 1 =
¸
3 5
1 2

é a inversa de ¹ =
¸
2 ÷5
÷1 3

.
Nenhuma matriz quadrada ¹ com uma coluna nula possui inversa pois,
para qualquer matriz 1 de mesmo tamanho, a mesma coluna de 1¹ é nula e
assim, 1¹ = 1.
Toda matriz quadrada ¹ com uma linha nula é singular pois, para qualquer
matriz quadrada 1 de mesmo tamanho, a mesma linha de ¹1 será nula e
assim, ¹1 = 1.
Propriedades da matriz inversa
Sejam ¹ e 1 matrizes invertíveis de mesmo tamanho.
1. Sendo / um número real, a matriz /¹ é invertível e (/¹)
1
= /
1
¹
1
.
2. A matriz ¹1 é invertível e
(¹1)
1
= 1
1
¹
1
.
Se as matrizes ¹
1
. ¹
2
. . . . . ¹
n
forem todas invertíveis e do mesmo tamanho,
então o produto ¹
1
¹
2
¹
n
é invertível e

1
¹
n
)
1
= ¹
1
n
¹
1
1
.
1.9 Potências
Seja ¹ uma matriz quadrada e : um número inteiro maior do que zero. De…n-
imos as potências inteiras não negativas de ¹ por
¹
0
= 1. ¹
n
= ¹
n1
¹
Notas de aula do Professor Faleiros
1.10 Matriz transposta 33
Se ¹ for invertível, então

1
)
n
= (¹
n
)
1
e de…nimos as potências negativas de ¹ por
¹
n
= (¹
1
)
n
= (¹
n
)
1
.
Propriedades
Sejam ¹ e 1 matrizes quadradas com o mesmo tamanho, : e : números inteiros
não negativos. Então
1. ¹
r
¹
s
= ¹
r+s
2. (¹
r
)
s
= ¹
rs
3. Se ¹1 = 1¹. então (¹1)
r
= ¹
r
1
r
.
Quando ¹ e 1 forem invertíveis, as identidades acima valem quando : e :
forem números inteiros negativos.
1.10 Matriz transposta
Se ¹ = [c
ij
] uma matriz ::. A matriz [/
ij
] de tamanho : :. onde /
ij
=
c
ji
. para todo i e todo ,. é chamada de transposta de ¹ e denotada por ¹
T
.
Exemplo 1.27 A transposta de ¹ =
¸
1 2
3 4

é ¹
T
=
¸
1 3
2 4

.
Se ¹ e 1 forem matrizes de mesmo tamanho e / for um número real, valem
as propriedades abaixo.
1. (¹
T
)
T
= ¹
2. (¹ + 1)
T
= ¹
T
+ 1
T
3. (/¹)
T
= /¹
T
4. (¹
T
)
1
= (¹
1
)
T
Se ¹ e 1 forem matrizes conforme para a multiplicação,
(¹1)
T
= 1
T
¹
T
Notas de aula do Professor Faleiros
34 Sistemas de equações lineares
Quando os tamanhos de ¹
1
. . . . . ¹
n
forem tais que o produto ¹
1
¹
n
pode ser efetuado, então

1
¹
n
)
T
= ¹
T
n
¹
T
1
.
Observe que a ordem dos fatores se altera de ¹
1
até ¹
n
para ¹
T
n
até ¹
T
1
.
Quando ¹ for quadrada e : for um inteiro positivo, então

n
)
T
=

¹
T

n
.
Quando ¹ for quadrada e invertível, o : pode ser qualquer inteiro na pro-
priedade acima.
De…nição 1.28 Uma matriz quadrada ¹ é simétrica quando ¹
T
= ¹.
Para qualquer matriz retangular ¹. as matrizes ¹¹
T
e ¹
T
¹ são quadradas
e simétricas.
Teorema 1.29 Sejam ¹ e 1 matrizes simétricas de mesma ordem e c um
real. Então
(a) ¹
T
é simétrica.
(b) ¹ + 1 e ¹ ÷1 são simétricas.
(c) c¹ é simétrica.
(d) Se ¹ for invertível, então ¹
1
é simétrica.
(e) Se ¹ é invertível então ¹¹
T
e ¹
T
¹ é invertível.
Nem sempre o produto de matrizes simétricas é simétrica. O produto de
duas matrizes simétricas ¹ e 1 é simétrica se e só se ¹ e 1 comutarem, isto
é, ¹1 = 1¹.
Teorema 1.30 Se ¹ é uma matriz invertível, então ¹¹
T
e ¹
T
¹ também são
invertíveis.
Prova. Como ¹ é invertível, também o é ¹
T
. Logo, ¹¹
T
e ¹
T
¹ também
são invertíveis por serem o produto de matrizes invertíveis.
1.11 Matrizes elementares
De…nição 1.31 Uma matriz quadrada é elementar quando for obtida a par-
tir da matriz identidade executando uma única operação elementar.
Notas de aula do Professor Faleiros
1.11 Matrizes elementares 35
Exemplo 1.32 As matrizes abaixo são elementares
¸
1 0
0 ÷3

1 0 0 0
0 0 0 1
0 0 1 0
0 1 0 0
¸
¸
¸
¸

1 0 3
0 1 0
0 0 1
¸
¸

1 0 0
0 1 0
0 0 1
¸
¸
A última matriz é a identidade. Ela é uma matriz elementar pois pode ser
obtida da identidade multiplicando sua primeira linha por 1.
Denotemos por 1(i ÷ ,) a matriz elementar obtida da identidade per-
mutando as posições das linhas i e ,. Denotemos por 1(\ i ÷ i) a matriz
elementar obtida da identidade multiplicando sua linha i por um real \ não
nulo. Denotemos por 1(i +\, ÷ i) a matriz elementar obtida da identidade
adicionando \ vezes sua linha , à sua linha i.
Seja ¹ uma matriz : : e vamos supor que as matrizes elementares a
seguir sejam : :. Trocando a linha i pela linha , de ¹. obtemos a matriz
1(i ÷ ,)¹. Multiplicando a linha i de ¹ por \ obtemos a matriz 1(\ i ÷
i)¹. Adicionando \ vezes a linha , de ¹ à sua linha i. obtemos a matriz
1(i + \ , ÷ i)¹.
Resumindo: Seja ¹ uma matriz :: e 1 uma matriz elementar ::. A
matriz 1¹ é igual à matriz obtida quando se realiza sobre ¹ a mesma operação
efetuada sobre 1 para obter 1.
As matrizes elementares são invertíveis pois
1(i ÷ ,) é a inversa de 1(i ÷ ,).
1(\
1
i ÷ i) é a inversa de 1(\ i ÷ i).
1(i ÷\ , ÷ i) é a inversa de 1(i + \ , ÷ i).
No processo de obter a forma escalonada reduzida de uma matriz quadrada
¹. aplicamos a ela uma sequência de operações elementares 1
1
. 1
2
. . . . . 1
s
tais que 1 = 1
s
1
2
1
1
¹ é a forma escalonada reduzida de ¹. Como ¹ é
quadrada, esta matriz 1 é a identidade ou pelo menos sua última linha é
nula. As matrizes elementares são invertíveis. Se ¹ for invertível, então 1
é invertível e, portanto, só pode ser a matriz identidade. Se ¹ for singular,
então 1 é singular (se não fosse, ¹ seria invertível) e, portanto, pelo menos
sua última linha é nula. Provamos o seguinte teorema:
Teorema 1.33 Seja ¹ uma matriz quadrada e 1 sua forma escalonada re-
duzida. Se ¹ for invertível se e só se 1 é a identidade. Se ¹ for singular se e
só se pelo menos a última linha de 1 é nula.
Notas de aula do Professor Faleiros
36 Sistemas de equações lineares
1.11.1 Sistemas equivalentes e matrizes elementares
Sejam ¹ e 1 matrizes : :. b e c matrizes coluna : 1. Os sistemas
lineares ¹x = b e 1x = c são equivalentes se possuírem a mesma solução
geral. Para serem equivalentes, as matrizes ampliadas [¹[ b] e [1[ c] devem
possuir a mesma forma escalonada reduzida [1[ d] onde o tamanho de 1 é
:: e o de d é :1. Logo, existem matrizes elementares 1
1
. . . . . 1
r
e 1

1
.
. . . . 1

s
tais que
[1[ d] = 1
r
1
1
[¹[ b] e [1[ d] = 1

s
1

1
[1[ c]
de onde se obtém
[¹[ b] = 1
1
1
1
1
r
1

s
1

1
[1[ c] .
Nota-se assim que dois sistemas lineares com o mesmo número de equações e
o mesmo número de incógnitas são equivalentes quando for possível levar um
no outro mediante operações elementares. Note ainda que
¹ = 1
1
1
1
1
r
1

s
1

1
1
ou seja, a matriz dos coe…cientes de um sistema pode ser levado no outro
mediante operações elementares.
1.12 Um método para inverter matrizes
Para obter a forma escalonada reduzida de uma matriz aplica-se a ela uma
sucessão de operações elementares. Quando a matriz for quadrada, sua forma
escalonada reduzida é a identidade ou então possui uma ou mais linha nulas.
No primeiro caso, a matriz é invertível e, no segundo caso, singular.
Se ¹ é invertível, realizando operações elementares sobre ela, chegamos
à matriz identidade, que é sua forma escalonada reduzida. Isto signi…ca que
existem matrizes elementares 1
r
. . . . . 1
1
tais que
1
r
1
1
¹ = 1
de onde obtemos
¹
1
= 1
r
1
1
= 1
r
1
1
1.
Se
1
r
1
1
¹ = 1 então 1
r
1
1
1 = ¹
1
.
Observe: Realizando sobre 1 as mesmas transformações que levam ¹ na ma-
triz identidade, chega-se à inversa de ¹. Tal observação sugere um dispositivo
Notas de aula do Professor Faleiros
1.12 Um método para inverter matrizes 37
prático para determinar a inversa de uma matriz. Coloque a matriz identidade
à direita de ¹ obtendo a matriz ampliada [¹[ 1]. Efetue operações elementares
sobre esta matriz ampliada até obter a matriz [1 [ 1]. quando a matriz original
¹ se transformou na identidade e a matriz identidade se transformou na matriz
1. Esta matriz 1 é, exatamente, a inversa de ¹.
Se a matriz ¹ não for invertível, sua forma escalonada reduzida conterá
uma linha nula. Se em algum momento do processo de escalonamento da
matriz ampliada [¹[ 1]. uma linha de ¹ se anular, pode encerrá-lo, a…rmando
que ¹ não possui inversa.
Exemplo 1.34 Calcule a inversa de
¹ =

1 2 3
2 5 3
1 0 8
¸
¸
.
Resolução. Justapomos as matrizes ¹ e 1 formando a matriz ampliada
[¹[ 1] e realizamos operações elementares sobre ela, até transformar ¹ em 1.
Quando isto acontecer, a matriz 1 terá se transformado em ¹
1

1 2 3
2 5 3
1 0 8

1 0 0
0 1 0
0 0 1
¸
¸

1 2 3
0 1 ÷3
0 ÷2 5

1 0 0
÷2 1 0
÷1 0 1
¸
¸

1 2 3
0 1 ÷3
0 0 ÷1

1 0 0
÷2 1 0
÷5 2 1
¸
¸

1 2 3
0 1 ÷3
0 0 1

1 0 0
÷2 1 0
5 ÷2 ÷1
¸
¸

1 2 0
0 1 0
0 0 1

÷14 6 3
13 ÷5 ÷3
5 ÷2 ÷1
¸
¸

1 0 0
0 1 0
0 0 1

÷40 16 9
13 ÷5 ÷3
5 ÷2 ÷1
¸
¸
Notas de aula do Professor Faleiros
38 Sistemas de equações lineares
e assim,
¹
1
=

÷40 16 9
13 ÷5 ÷3
5 ÷2 ÷1
¸
¸
.

Exemplo 1.35 Repita o procedimento do exemplo anterior com a matriz
¹ =

1 6 4
2 4 1
÷1 2 5
¸
¸
e conclua que ela não é invertível.
1.13 Forma matricial de um sistema linear
O sistema de equações algébricas lineares
c
11
r
1
+ c
12
r
2
+ + c
1n
r
n
= /
1
c
21
r
1
+ c
22
r
2
+ + c
2n
r
n
= /
2

c
m1
r
1
+ c
m2
r
2
+ + c
mn
r
x
= /
m
nas incógnitas r
1
. . . . . r
n
pode ser escrito na forma matricial
¹x = b
onde
¹ =

c
11
c
12
c
1n
c
21
c
22
c
2n
.
.
.
.
.
.
.
.
.
.
.
.
c
m1
c
m2
c
mn
¸
¸
¸
¸
¸
é a matriz dos coe…cientes do sistema,
b =

/
1
.
.
.
/
m
¸
¸
¸
e x =

r
1
.
.
.
r
n
¸
¸
¸
são, respectivamente, a matriz das contantes e a matriz das incógnitas
do sistema. Na forma matricial diremos que x = c. onde c é uma matriz
Notas de aula do Professor Faleiros
1.13 Forma matricial de um sistema linear 39
coluna : 1. é uma solução do sistema quando ¹c = b. Também pode-se
dizer simplesmente que c é uma solução do sistema.
Um sistema linear
¹x = 0.
no qual o lado direito é a matriz nula, recebe o nome de sistema linear ho-
mogêneo. Ele sempre admite a solução x = 0. denominada solução trivial.
Além desta, tais sistemas podem ou não ter outras soluções. Quando o sis-
tema homogêneo possuir uma solução não trivial x = c. onde c = 0. então,
sendo / um número real, x = /c será solução do sistema homogêneo. Esta é
uma indicação de que, quando o sistema homogêneo possuir uma solução não
trivial, terá in…nitas soluções. Então, de duas uma: ou o sistema homogêneo
possui apenas a solução trivial ou possui in…nitas soluções.
Um sistema homogêneo com mais incógnitas do que equações sempre terá
in…nitas soluções e, dentre elas a solução trivial. Tal fato se deve ao processo de
escalonamento que sempre redunda num sistema escalonado compatível com
variáveis livres.
O sistema ¹x = 0 é denominado de sistema homogêneo associado ao
sistema linear ¹x = b.
Se c
0
for solução de ¹x = 0 e c
1
for solução de ¹x = b. então c
0
+ c
1
é
solução de ¹x = b. Se c
1
e c
2
forem soluções de ¹x = b. então a diferença
c
2
÷ c
1
é solução do sistema homogêneo ¹x = 0. Logo, ao encontrar uma
solução c
1
de ¹x = b. sendo c
2
outra solução, ela será da forma c
0
+c
1
. para
alguma solução c
0
do sistema homogêneo associado ¹x = 0.
Se o sistema linear ¹x = b for compatível, ele terá uma única solução se e
só se o sistema homogêneo ¹x = 0 possuir apenas a solução trivial. Quando o
sistema homogêneo ¹x = 0 possuir outras soluções além da trivial, o sistema
¹x = b terá in…nitas quando for compatível ou nenhuma solução quando for
incompatível.
Exemplo 1.36 A matriz aumentada de um sistema homogêneo é

2 2 ÷1 0 1 0
÷1 ÷1 2 ÷3 1 0
1 1 ÷2 0 ÷1 0
0 0 1 1 1 0
¸
¸
¸
¸
que, levada à forma escalonada reduzida …ca

1 1 0 0 1 0
0 0 1 0 1 0
0 0 0 1 0 0
0 0 0 0 0 0
¸
¸
¸
¸
Notas de aula do Professor Faleiros
40 Sistemas de equações lineares
e a solução geral deste sistema é
r
1
= ÷r
2
÷r
5
r
3
= ÷r
5
r
4
= 0
onde r
2
e r
5
são variáveis livres e podem assumir qualquer valor real. Intro-
duzindo os parâmetros : = r
2
e : = r
5
. pode-se escrever a solução geral na
forma paramétrica
r
1
= ÷: ÷:. r
2
= :. r
3
= ÷:. r
4
= 0. r
5
= :
onde : e : podem assumir qualquer valor real.
Teorema 1.37 A…rmações equivalentes para uma matriz quadrada ¹.
(1) ¹ é invertível.
(2) O sistema homogêneo ¹x = 0 tem somente a solução trivial.
(3) A forma escalonada reduzida por linhas de ¹ é a matriz identidade 1.
(4) ¹ pode ser expressa como um produto de matrizes elementares.
Prova. (1) ==(2): Se ¹ é invertível e c
0
for uma solução de ¹x = 0. então
c
0
= 1c
0
= (¹
1
¹) c
0
= ¹
1
(¹c
0
) = ¹
1
0 = 0. mostrando que a equação
homogênea ¹x = 0 possui apenas a solução trivial.
(2) ==(3) Se a única solução do sistema ¹x = 0 for a trivial, ele é equiv-
alente ao sistema 1x = 0. onde 1 é a matriz identidade. Neste caso, podemos
levar ¹ em 1 por meio de uma sucessão de operações elementares. Como 1
é uma matriz escalonada reduzida, isto signi…ca que 1 é a forma escalonada
reduzida de ¹.
(3) = (4) Se a forma escalonada de ¹. for 1. então existem matrizes ele-
mentares 1
1
. . . . . 1
k
tais que
1
k
1
1
¹ = 1
e assim
¹ = 1
1
1
1
1
k
provando que ¹ é igual ao produto de matrizes elementares.
(4) =(1) Sendo ¹ um produto de matrizes elementares, que são invertíveis,
ela é invertível.
Corolário 1.38 Sejam ¹ e 1 duas matrizes quadradas de mesmo tamanho.
(a) Se 1¹ = 1. então ¹ é invertível e 1 = ¹
1
.
(b) Se ¹1 = 1. então ¹ é invertível e 1 = ¹
1
.
Notas de aula do Professor Faleiros
1.13 Forma matricial de um sistema linear 41
Prova. (a) Se 1¹ = 1 e c
0
for uma solução do sistema homogêneo ¹x = 0.
então c
0
= 1c
0
= (1¹)c
0
= 1(¹c
0
) = 10 = 0. Logo, o sistema homogêneo
¹x = 0 possui apenas a solução trivial, donde se conclui que ¹ é invertível.
Multiplicando os dois membros de 1¹ = 1 pela direita por ¹
1
segue 1 =
¹
1
.
(b) Quando ¹1 = 1. pelo item anterior, 1 é invertível e ¹ = 1
1
. Sendo
a inversa de 1. a matriz ¹ é invertível e ¹
1
= 1.
Corolário 1.39 Sejam ¹ e 1 matrizes quadradas de mesmo tamanho. Se ¹
for singular, então ¹1 e 1¹ são singulares.
Prova. Se ¹ for singular, o sistema linear homogêneo ¹x = 0 possui
solução não trivial c
0
. Daí, 1¹c
0
= 0. mostrando que 1¹ é singular.
Se ¹ for singular, sua forma escalonada reduzida 1 pelo menos sua última
linha é nula. Existem matrizes elementares 1
1
. . . . . 1
k
tais que 1 = 1
k

1
1
¹. Se ¹1 for invertível, 11 = 1
k
1
1
(¹1) também será, o que não
pode ocorrer pois pelo menos a última linha de 11 é nula.
Corolário 1.40 A matriz ¹ é invertível se e só se a única solução do sistema
¹x = b for x = ¹
1
b.
Prova. Se ¹ é invertível, então c
1
= ¹
1
b é uma solução de ¹x = b. Sendo
c
2
outra solução deste sistema, ¹(c
1
÷ c
2
) = 0 e, como o sistema homogêneo
¹x = 0 possui apenas a solução trivial, c
1
= c
2
. mostrando que ¹x = b possui
uma única solução dada por x = ¹
1
b.
Se ¹x = b tem uma única solução para todo b. então ¹x = 0 tem uma
única solução e ¹ é invertível.
Exemplo 1.41 Como consequência da invertibilidade da matriz
¹ =

1 2 3
2 5 3
1 0 8
¸
¸
o sistema homogêneo
r
1
+2r
2
+3r
3
= 0
2r
1
+5r
2
+3r
3
= 0
r
1
+8r
3
= 0
possui apenas a solução trivial.
Notas de aula do Professor Faleiros
42 Sistemas de equações lineares
Exemplo 1.42 Para determinar a consistência do sistema linear
r
1
+r
2
+2r
3
= /
1
r
1
+r
3
= /
2
2r
1
+r
2
+3r
3
= /
3
basta realizar operações elementares na matriz completa do sistema para obter

1 1 2 /
1
0 1 1 /
1
÷/
2
0 0 0 /
3
÷/
2
÷/
1
¸
¸
O sistema será consistente se e só se /
3
÷/
2
÷/
1
= 0 ou /
3
= /
2
+ /
1
. ou seja,
quando b for igual a
b =

/
1
/
2
/
1
+ /
2
¸
¸
= /
1

1
0
1
¸
¸
+ /
2

0
1
1
¸
¸
.
Quando b =

1 1 2

T
o sistema tem solução e sua solução geral pode ser
obtida pelo métodos de Gauss
r
1
= 1 e r
2
= ÷r
3
com r
3
percorrendo o conjunto dos números reais. Quando b =

1 0 3

T
.
o sistema não possui solução.
Exemplo 1.43 Escalonando a matriz completa do sistema
r
1
+2r
2
+3r
3
= /
1
2r
1
+5r
2
+3r
3
= /
2
r
1
+8r
3
= /
3
chega-se a

1 2 3 /
1
0 1 ÷3 /
2
÷2/
1
0 0 ÷1 /
3
+ 3/
1
÷2/
2
¸
¸
quando então se percebe que o sistema é sempre consistente, não havendo re-
strições sobre b.
Notas de aula do Professor Faleiros
Capítulo 2
Determinantes
Para resolver um sistema de duas equações com duas incógnitas
c
11
r
1
+ c
12
r
2
= /
1
c
21
r
1
+ c
22
r
2
= /
2
podemos usar o método de eliminação das incógnitas. Multiplicando a primeira
equação por c
22
, a segunda por c
12
e subtraindo a segunda equação da primeira,
obtemos
(c
11
c
22
÷c
12
c
21
)r
1
= /
1
c
22
÷/
2
c
12
.
Quando c
11
c
22
÷c
12
c
21
= 0. obtemos
r
1
=
/
1
c
22
÷/
2
c
12
c
11
c
22
÷c
12
c
21
.
As expressões do denominador e do numerador envolvem as entradas das ma-
trizes
¹ =
¸
c
11
c
12
c
21
c
22

e
1
=
¸
/
1
c
12
/
2
c
22

e os matemáticos as denominaram de determinante de ¹
1
e determinante de

1
, denotando-as por det(¹) e det(¹
1
). Para uma matriz 2 2. seu determi-
nante é de…nido por
det
¸
c
11
c
12
c
21
c
22

= c
11
c
22
÷c
12
c
21
.
De modo semelhante podemos eliminar r
1
do sistema para obter
r
2
=
det(
2
)
det(¹)
.
O sistema possuirá solução se e só se det(¹) = 0 e a solução será única.
Notas de aula do Professor Faleiros
44 Determinantes
Os matemáticos veri…caram que este procedimento de eliminar variáveis
de um sistema poderia ser estendido para sistemas com mais do que duas
variáveis.
Por exemplo, para sistemas com três equações e três incógnitas,
c
11
r
1
+ c
12
r
2
+ c
13
r
3
= /
1
c
21
r
1
+ c
22
r
2
+ c
23
r
3
= /
2
c
31
r
1
+ c
32
r
2
+ c
33
r
3
= /
3
é possível explicitar r
2
e r
3
em função de r
1
usando a segunda e a terceira
equações. Substituindo as expressões obtidas na primeira equação, obtemos
r
1
=
det(
1
)
det(¹)
onde ¹ e
1
são matrizes 3 3 dadas por
¹ =

c
11
c
12
c
13
c
21
c
22
c
23
c
31
c
32
c
33
¸
¸
.
1
=

/
1
c
12
c
13
/
2
c
22
c
23
/
3
c
32
c
33
¸
¸
e det(¹). det(
1
) são os seus determinantes, de…nidos a partir dos determi-
nantes de matrizes 2 2. Sendo ¹ aquela matriz 3 3 logo acima, de…nimos
det(¹) = c
11
det(¹
11
) ÷c
12
det(¹
12
) + c
13
det(¹
13
)
onde
¹
11
=
¸
c
22
c
23
c
32
c
33

. ¹
12
=
¸
c
21
c
23
c
31
c
33

e ¹
13
=
¸
c
21
c
22
c
31
c
32

são matrizes 2 2. obtidas da seguinte maneira:
« Para obter ¹
11
. elimine a primeira linha e a primeira coluna de ¹.
« Para obter ¹
12
. elimine a primeira linha e a segunda coluna de ¹.
« Para obter ¹
13
. elimine a primeira linha e a terceira coluna de ¹.
Desenvolvendo os determinantes de ¹
11
. ¹
12
e ¹
13
obtemos
det(¹) = c
11
(c
22
c
33
÷c
23
c
32
) ÷c
12
(c
21
c
33
÷c
23
c
31
) + c
13
(c
21
c
32
÷c
22
c
31
) .
Do mesmo modo se mostra que
r
2
=
det(
2
)
det(¹)
r
3
=
det(
3
)
det(¹)
Notas de aula do Professor Faleiros
2.1 De…nição de determinante 45
onde

2
=

c
11
/
1
c
13
c
21
/
2
c
23
c
31
/
3
c
33
¸
¸
.
3
=

c
11
c
12
/
1
c
21
c
22
/
2
c
31
c
32
/
3
¸
¸
.
Se det(¹) = 0. o sistema possuirá uma única solução para cada b = [/
1
. /
2
.
/
3
]
T
. Do que …cou demonstrado no capítulo anterior, ¹ é invertível, se e só se
det(¹) = 0.
Este procedimento se aplica a sistemas com : equações e : incógnitas,
quando surge a idéia de determinantes de matrizes de tamanho ::. que são
de…nidos em termos de matrizes quadradas de tamanho inferior.
2.1 De…nição de determinante
Seja ¹ uma matriz quadrada : :. O determinante de ¹ é um número real
que será de…nido de forma recursiva. Quando ¹ = [c] é uma matriz 1 1.
de…ne-se
det ¹ = c.
Quando
¹ =
¸
c
11
c
12
c
21
c
22

for uma matriz quadrada 2 2. de…nimos
det(¹) = c
11
c
22
÷c
12
c
21
.
O determinante de matrizes quadradas de tamanho : :. quando : 2 é
de…nido de modo recursivo, a partir do determinante de matrizes de tamanho
menor.
Se ¹ = [c
ij
] for uma matriz quadrada : :. denote por ¹
ij
a matriz de
tamanho (: ÷1) (: ÷1) obtida quando se elimina a linha i e a coluna , de
¹. O cofator (i. ,) de ¹ é o número
(
ij
= (÷1)
i+j
det(¹
ij
).
O determinante de ¹ é o número real de…nido por
det(¹) = c
11
(
11
+ c
12
(
12
+ + c
1n
(
1n
=
n
¸
j=1
c
1j
(
1j
.
Esta fórmula é denominada de desenvolvimento do determinante por
cofatores ao longo da primeira linha ou desenvolvimento de Laplace ao longo
da primeira linha.
Notas de aula do Professor Faleiros
46 Determinantes
Exemplo 2.1 Calcule o determinante da matriz
¹ = det

1 0 3
2 1 0
8 4 ÷1
¸
¸
Desenvolvendo o determinante pela primeira linha, obtemos
¹ = 1 det
¸
1 0
4 ÷1

÷0 det
¸
2 0
8 ÷1

+ 3 det
¸
2 1
8 4

= 1 (÷1) ÷0 + 3 0 = ÷1
O determinante também pode ser calculado desenvolvendo o determinante
por cofatores ao longo da linha i
det(¹) = c
i1
(
i1
+ c
i2
(
i2
+ + c
in
(
in
=
n
¸
j=1
c
ij
(
ij
.
e ainda pode ser desenvolvido por cofatores ao longo da coluna ,
det(¹) = c
1j
(
1j
+ c
2j
(
2j
+ + c
nj
(
nj
=
n
¸
i=1
c
ij
(
ij
Exemplo 2.2 Os determinantes das matrizes

2 1 0
÷3 7 0
4 ÷2 0
¸
¸
e

1 4 ÷5
2 0 ÷3
0 0 0
¸
¸
são iguais a zero pois ambos possuem uma …la nula. Para veri…car esta a…r-
mação basta desenvolver o determinante da primeira pela terceira coluna e a
segunda pela terceira linha.
Nota 2.3 Este é um fato geral. Se a matriz possuir uma linha ou coluna nula,
seu determinate é igual a zero.
Exemplo 2.4 Para uma matriz for triangular inferior,
¹ =

c
11
0 0
c
21
c
22
0
c
31
c
32
c
33

.
.
.
.
.
.
.
.
.
.
.
.
¸
¸
¸
¸
¸
.
o determinante é o produto dos elementos de sua diagonal
det ¹ = c
11
c
22
c
nn
.
Em particular, o determinante da matriz identidade é igual a 1.
Notas de aula do Professor Faleiros
2.2 Propriedades do determinante 47
Exemplo 2.5 Para calcular o determinante de uma matriz 33. pode-se usar
a regra de Sarrus. Aplica-se esta regra do seguinte modo: Acrescente as duas
primeiras colunas à direita da matriz ¹ obtendo

c
11
c
12
c
13
c
11
c
12
c
21
c
22
c
23
c
21
c
22
c
31
c
32
c
33
c
31
c
32
¸
¸
Multiplique as entradas ao longo das três diagonais principais, aquelas que vão
da esquerda para a direita e de cima para baixo, que iniciam nas entradas c
11
.
c
12
e c
13
. Adicione os resultados. Multiplique as entradas ao longo das três
diagonais secundárias, aquelas que vão da direita para a esquerda e de cima
para baixo, que iniciam nas entradas c
13;
c
11
e c
12
. Adicione os produtos e o
subtraia da soma anterior para obter
det(¹) = c
11
c
22
c
33
+ c
12
c
23
c
31
+ c
13
c
21
c
32
÷(c
13
c
22
c
31
+ c
11
c
23
c
32
+ c
12
c
21
c
33
).
Se as matrizes não possuírem características especiais, calcular o determi-
nante de matrizes 44 usando apenas a de…nição exige um bom trabalho. Para
simpli…car o cálculo, precisamos de alternativas mais e…cientes que apenas a
de…nição.
2.2 Propriedades do determinante
Teorema 2.6 O determinante de uma matriz quadrada ¹ de tamanho : :.
é igual ao determinante de sua transposta
det (¹) = det(¹
T
).
Prova. O desenvolvimento do determinante de ¹
T
pela primeira coluna,
det(¹
T
) = (÷1)
1+1
c
11
det ¹
T
11
+ + (÷1)
1+n
c
1n
det ¹
T
1n
= (÷1)
1+1
c
11
det ¹
11
+ + (÷1)
1+n
c
1n
det ¹
1n
é o determinante de ¹ desenvolvido pela primeira linha.
Nota 2.7 Este teorema garante que todo resultado válido para linha vale para
coluna e vice-versa.
Teorema 2.8 Se 1 for obtida multiplicando uma linha de ¹ por /. então
det(1) = / det(¹).
Notas de aula do Professor Faleiros
48 Determinantes
Teorema 2.9 Se 1 for obtida permutando duas linhas de ¹. então
det(1) = ÷det(¹).
Prova. Prova-se por indução no tamanho da matriz. A propriedade vale
para matrizes quadradas 2 2. Supondo a propriedade válida para matrizes
quadradas (:÷1) (:÷1) vamos mostrar que ela vale para uma matriz ::.
Fixemos uma linha i que não foi permutada na passagem de ¹ para 1. Sejam,
respectivamente, ¹
ij
e 1
ij
as matrizes obtidas de ¹ e 1. eliminando em cada
uma a linha i e a coluna ,. A matriz 1
ij
pode ser obtida de ¹
ij
permutando
as mesmas linhas que levaram ¹ em 1. Pela hipótese de indução, det(1
ij
) =
÷det(¹
ij
). Desenvolvendo o determinante de 1 em cofatores ao longo da linha
i.
det(1) = (÷1)
i+1
c
i1
det(1
i1
) + + (÷1)
i+n
c
in
det(1
in
)
= ÷(÷1)
i+1
c
i1
det(¹
i1
) ÷ ÷(÷1)
i+n
c
in
det(¹
in
) = ÷det(¹).

Teorema 2.10 Se 1 for obtida adicionando a uma linha de ¹ um múltiplo
de outra linha de ¹. então
det(1) = det(¹).
Prova. Suponha que 1 foi obtida de ¹ adicionando à sua linha i um
múltiplo / de sua linha :. Assim, /
ij
= c
ij
+ / c
rj
. com , = 1. 2. . . . . :. As
outras linhas de 1 são iguais às linhas de ¹. Desenvolvendo o determinante de
1 pela linha i.
det(1) =
n
¸
j=1
(c
ij
+ /c
rj
)(
ij
=
n
¸
j=1
c
ij
(
ij
+ /
n
¸
j=1
c
rj
(
ij
= det(¹)
pois o somatório na segunda parcela é igual a zero uma vez que corresponde
ao determinante de uma matriz cuja linha i é igual à linha :.
Sejamv. v
1
. . . . . v
m
. matrizes linha ou matrizes coluna de mesmo tamanho.
Quando existirem números reais /
1
. /
2
. . . . . /
m
tais que
v = /
1
v
1
+ + /
m
v
m
diremos que a matriz v é uma combinação linear de v
1
. . . . . v
m
.
Notas de aula do Professor Faleiros
2.2 Propriedades do determinante 49
Teorema 2.11 O determinante de uma matriz quadrada é nulo quando
1. uma linha ou coluna for nula.
2. duas linhas forem iguais.
3. duas linhas forem proporcionais.
4. uma linha for uma combinação linear das demais.
Exemplo 2.12 Determinante das matrizes elementares. Seja 1 uma
matriz elementar : :. Das propriedades provadas, se conclui que
1. Se 1 surge ao multiplicar uma linha da matriz identidade por /. então
det(1) = /.
2. Se 1 surge da permuta de duas linhas da matriz identidade, então det(1) =
÷1.
3. Se 1 é o resultado da adição a uma linha da matriz identidade um múlti-
plo de outra linha, então det(1) = 1.
Exemplo 2.13 Produto de uma matriz elementar por uma matriz
quadrada qualquer. Se 1 for uma matriz elementar e 1 uma matriz quadrada
qualquer, ambas de mesmo tamanho : :. então
det(11) = det(1) det(1)
Se 1
1
. . . . . 1
k
forem matrizes elementares de tamanho : :. então
det(1
1
1
k
1) = det(1
1
) det(1
k
) det(1)
Matrizes invertíveis e singulares
Lema 2.14 Se ¹ é invertível então det(¹) = 0.
Prova. Se ¹ for invertível, então podemos escrevê-la como um produto de
matrizes elementares ¹ = 1
1
1
k
. Assim,
det ¹ = det 1
1
det 1
k
= 0.

Lema 2.15 Se ¹ for singular então det(¹) = 0.
Notas de aula do Professor Faleiros
50 Determinantes
Prova. Quando ¹ é singular, sua forma escalonada reduzida 1 possui ao
menos uma linha nula, de modo que seu determinante é igual a zero. Como
existem matrizes elementares 1
1
. . . . . 1
k
tais que ¹ = 1
1
1
k
1. obtemos
det(¹) = 0.
Dos dois lemas anteriores, podemos enunciar
Teorema 2.16 Uma matriz quadrada ¹ é invertível se e só se det(¹) = 0.
Determinante do produto
Teorema 2.17 Se ¹ e 1 forem matrizes quadradas de mesmo tamanho, então
det(¹1) = det(¹) det(1).
Prova. Se ¹ for singular, ¹1 é singular. Daí, det ¹ = 0 e det(¹1) = 0.
o que resulta na igualdade det(¹1) = det(¹) det(1).
Se ¹ for invertível, existem matrizes elementares 1
1
. . . . . 1
k
tais que ¹ =
1
1
1
k
. Daí, det(¹1) = det(1
1
1
k
1) = det 1 det 1
k
det 1 =
det(1
1
1
k
) det 1 = det ¹ det 1.
Corolário 2.18 Se ¹ for invertível, então det(¹
1
) = (det ¹)
1
.
Nota: Em geral, o det(¹ + 1) é diferente do det(¹) + det(1).
Teorema 2.19 Sejam c
1;
. . . . c
i
. . . . . c
n
e d
i
matrizes coluna : 1. Vale a
propriedade
det

c
1
c
i
+d
i
c
n

= det

c
1
c
i
c
n

+ det

c
1
d
i
c
n

Pode-se calcular o determinante de uma matriz realizando operações ele-
mentares em suas linhas e suas colunas até transformá-la numa matriz trian-
gular superior ou inferior.
Exemplo 2.20 Vamos calcular um determinante realizando sua redução por
Notas de aula do Professor Faleiros
2.3 Autovalores e Autovetores 51
linhas, transformando-a numa matriz triangular superior:
det

0 1 5
3 ÷6 9
2 6 1
¸
¸
=
(L
1
$L
2
)
÷det

3 ÷6 9
0 1 5
2 6 1
¸
¸
=
(1=3)L
1
!L
1
÷3 det

1 ÷2 3
0 1 5
2 6 1
¸
¸
=
L
3
2L
1
!L
3
÷3 det

1 ÷2 3
0 1 5
0 10 ÷5
¸
¸
=
L
3
10L
2
!L
3
÷3 det

1 ÷2 3
0 1 5
0 0 ÷55
¸
¸
=÷3 (÷55) = 165.
Exemplo 2.21 Vamos calcular o determinante abaixo realizando uma oper-
ação elementar sobre colunas, subtraindo 3 vezes a primeira coluna da terceira,
e desenvolvendo o determinante da matriz resultante em cofatores pela primeira
linha
det

1 0 0 3
2 7 0 6
0 6 3 0
7 3 1 ÷5
¸
¸
¸
¸
= det

1 0 0 0
2 7 0 0
0 6 3 0
7 3 1 ÷26
¸
¸
¸
¸
= ÷546.
Matrizes triangulares superiores (inferiores) por blocos
Se ¹ e 1 forem matrizes quadradas, então
det
¸
¹ A
0 1

= det ¹det 1.
2.3 Autovalores e Autovetores
Seja ¹ uma matriz quadrada real de ordem ::. Uma matriz coluna não nula
x de ordem : 1 é um autovetor de ¹ se existir um número real \ tal que
¹x = \x. Passando \x para o lado esquerdo e colocando o x em evidência,
obtemos (¹÷\1)x = 0. que é um sistema linear homogêneo em x. Tal sistema
possui solução não trivial quando a matriz ¹÷\1 for singular, fato que ocorre
quando det(¹ ÷ \1) = 0. Os valores de \ que satisfazem a esta equação são
denominados autovalor de ¹. Quando \ for um autovalor, as soluções não
triviais do sistema
(¹ ÷\1)x = 0
são chamadas de autovetores de ¹ correspondentes ao autovalor \. Como a
matriz ¹ ÷\1 é singular, o sistema (¹ ÷\1)x = 0 possui in…nitas soluções.
Notas de aula do Professor Faleiros
52 Determinantes
Exemplo 2.22 Determine os autovalores e autovetores da matriz ¹ =

1 3
4 2

.
A equação det(¹ ÷\1) = 0 é polinominal em \. denominada de equação
característica de ¹. O polinômio det(¹ ÷ \1) é denominado polinômio
característico da matriz ¹. Como os polinômios podem possuir raízes com-
plexas, podemos ampliar a nossa de…nição e admitir autovetores e autovalores
complexos.
2.4 Cofatora, adjunta clássica e inversa
Sendo (
ij
o cofator do elemento c
ij
da matriz ¹ = [c
ij
] . a matriz
co1(¹) =

¸
¸
(
11
. . . (
1n
.
.
.
.
.
.
(
n1
. . . (
nn
¸

é denominada de matriz de cofatores de ¹. A transposta da matriz cofatora
de ¹
cd,(¹) =

¸
¸
(
11
. . . (
n1
.
.
.
.
.
.
(
1n
. . . (
nn
¸

é chamada de adjunta clássica de ¹. Sabemos que
n
¸
k=1
c
ik
(
ik
= det(¹)
observe que, quando i = ,.
n
¸
k=1
c
jk
(
ik
= 0
pois o somatório em questão corresponde ao determinante de uma matriz na
qual as linhas i e , são iguais. Deste modo, para todo i e todo , no conjunto
¦1. 2. . . . . :¦
n
¸
k=1
c
ik
(
jk
= det(¹)o
ij
o que implica na igualdade matricial
¹cd,(¹) = det(¹)1
Notas de aula do Professor Faleiros
2.5 Regra de Cramer 53
ou
¹
1
=
1
det(¹)
cd,(¹)
2.5 Regra de Cramer
Seja ¹ uma matriz quadrada de ordem :. com determinante não nulo. Para
cada vetor coluna b com : linhas, o sistema ¹x = b tem solução única dada
por x = ¹
1
b. Como ¹
1
= cd,(¹) det(¹). segue
x =
1
det(¹)
cd,(¹)b.
Cada linha de x é igual à linha correspondente do lado direito, de onde obtemos
r
j
=
1
det(¹)
(/
1
(
1i
+ + /
n
(
ni
) =
1
det(¹)
det(¹
i
)
onde ¹
j
é obtida de ¹ substituíndo a coluna , de ¹ por b. isto é,
¹
j
=

¸
¸
c
11
. . . /
1
. . . c
1n
.
.
.
.
.
.
.
.
.
c
1n
. . . /
n
. . . c
nn
¸

"
Coluna j
.
Hoje a regra de Cramer tem apenas interesse teórico. O método da elimi-
nação de Gauss é muito mais e…ciente para calcular a solução de um sistema
linear.
Notas de aula do Professor Faleiros
54 Determinantes
Notas de aula do Professor Faleiros
Capítulo 3
Espaço vetorial
Um corpo é uma estrutura matemática formada por um conjunto K. com
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 leva dois escalares c e de K e os
leva num escalar de K que é denotado por c + e denominado soma de c
e . A multiplicação é uma operação que leva dois escalares c e de K e os
leva num escalar de K que é denotado por c ou c. denominado produto
de c e . O fato de c + e c pertencerem a K nos faz dizer que as duas
operações possuem a propriedade do fechamento.
Para K com as operações de adição e multiplicação formarem um corpo é
preciso que as propriedades abaixo sejam satisfeitas:
1. Comutatividade. Dados dois escalares c e .
c + = + c
c = c
2. Associatividade. Dados três escalares c. e .
c + ( + ) = (c + ) +
c() = (c)
3. Elemento neutro. Existem dois escalares 0 e 1 tais que, para todo
escalar c.
c + 0 = 0 + c = c
c1 = 1c = c
O 0 (zero) é o elemento neutro da adição e o 1 (um) é o elemento neutro
da multiplicação.
Notas de aula do Professor Faleiros
56 Espaço vetorial
4. Elemento simétrico.
(a) Para cada escalar c existe um outro escalar denotado por ÷c e
chamado de simétrico aditivo ou oposto de c para o qual
c + (÷c) = (÷c) + c = 0.
(b) Para cada escalar c diferente do zero existe um outro escalar deno-
tado por c
1
e chamado de simétrico multiplicativo ou inverso
de c para o qual
c(c
1
) = (c
1
)c = 1.
Exemplo 3.1 O conjunto dos números racionais Q com as operações usuais
de adição e multiplicação de números racionais é um corpo. Também são
corpos os conjuntos dos números reais R e o dos complexos C.
Exemplo 3.2 Existem corpos com um número …nito de elementos. Sendo
j um número primo, o conjunto Z
p
= ¦0. 1. . . . . j ÷ 1¦ com as operações
de adição e multiplicação módulo j é um corpo …nito. Lembramos que as
operações de adição e muliplicação módulo j. denotadas por (c + ) mod j
e (c) mod j são de…nidas realizando as operações usuais de c com nos
inteiros e tomando o resto da divisão inteira do resultado por j. Estes corpos
são muito utilizados em Criptogra…a.
Um espaço vetorial é uma estrutura matemática formada por um con-
junto não vazio \. cujos elementos são denominados de vetores, um corpo K.
cujos elementos são denominados escalares, e duas operações, sendo a primeira
denominada de adição de vetores e a segunda recebe o nome de multiplicação
de um vetor por um escalar, descritas em seguida. Por simplicidade, frequente-
mente se diz apenas que \ é um espaço vetorial. Todavia não se deve esquecer
que o espaço vetorial é um estrutura formada por \. K e pelas duas operações.
Para enfatizar o papel do corpo na estrutura do espaço vetorial também é
usual dizer que \ é um espaço vetorial sobre o corpo K.
A adição de vetores é uma operação que leva um par v e w de vetores
de \ num vetor de \ denotado por v + w e chamado de soma de v e w. A
multiplicação de um escalar por um vetor é uma operação que leva um
escalar c de K e um vetor v de \ num outro vetor de \ denotado por cv e
denominado de múltiplo de v. O conjunto \ é um espaço vetorial sobre K
Estas operações devem ainda possuir as propriedades abaixo:
Notas de aula do Professor Faleiros
57
Propriedades da adição:
1. Comutatividade da adição. Para todo vetor u e v em \.
u +v = v +u.
2. Associatividade da adição. Para todo vetor u. v e w em \.
(u +v) +w = u + (v +w).
3. Vetor nulo. Existe um vetor em \ chamado de vetor zero ou vetor
nulo, denotado por 0. para o qual
v + 0 = 0 +v = v.
4. Elemento oposto. Para cada vetor v em \. existe um vetor denotado
por ÷v em \ e chamado de vetor oposto de v. para o qual
v + (÷v) = (÷v) +v = 0.
Propriedades da multiplicação por escalar:
5. Associatividade da multiplicação. Para todo escalar c e em K e
todo vetor v em \.
c(v) = (c)v.
6. Distributividade da multiplicação em relação à adição de ve-
tores. Para todo escalar c em K e todo vetor v e w em \.
c(v +w) = cv + cw.
1. Distributividade da adição de escalares em relação à multipli-
cação.
(c + )v = cv + v.
7. Elemento unidade. Se 1 for o elemento neutro da multiplicação em
K. para todo vetor v em \.
1v = v.
De…nimos a subtração do vetor v pelo vetor w como sendo a operação
que resulta no vetor v ÷w de…nido por
v ÷w = v + (÷w).
Notas de aula do Professor Faleiros
58 Espaço vetorial
Quando for conveniente, sendo c um escalar e v um vetor, escreveremos vc
como sinônimo de cv e
v
c
será um sinônimo de c
1
v.
Se Kfor o corpo dos números reais, se diz que o espaço vetorial é real. Se K
for o corpo dos números complexos, se diz que o espaço vetorial é complexo.
Nota 3.3 Ao de…nirmos as operações de adição de vetores e multiplicação
um vetor por um escalar, estabelecemos que a soma u+v e o produto cv per-
tencem ambos a \. Muitos autores incluem este fato entre as propriedades das
operações dizendo que o espaço vetorial \ é fechado na adição e fechado
na multiplicação por escalar.
3.1 Propriedades adicionais
1. 0u = 0.
2. : 0 = 0.
3. (÷1)v = ÷v.
4. Se : v = 0 então : = 0 ou v = 0.
Prova. 1. 0u = (0 + 0)u = 0u+0u o que implica em 0u = 0.
2. :0 = :(0 +0) = :0+:0 o que implica em :0 = 0.
3. (v + (÷1v)) = (1 + (÷1))v = 0v = 0. Logo, ÷1v = v.
4. Se : = 0. então v = 1v = (:
1
:)v = :
1
(: v) = :
1
0 = 0.
3.2 O espaço vetorial das ênuplas ordenadas
Seja : um número inteiro positivo. Uma sequência (r
1
. . . . . r
n
) de números
reais, delimitada por parêntesis, é chamada de n-upla (leia-se ênupla) or-
denada de números reais. Os números reais r
i
. onde i = 1. 2. . . . . r
n
são
chamados de elementos da ênupla. Quando : = 2 ou 3. usamos o termo par
ordenado e terno ordenado.
Duas ênuplas (r
1
. . . . . r
n
) e (n
1
. . . . . n
n
) são iguais se r
1
= n
1
. r
2
= n
2
.
. . . . r
n
= n
n
. O conjunto de todas as ênuplas ordenadas com esta de…nição de
igualdade é denotado por R
n
.
Notas de aula do Professor Faleiros
3.3 Outros espaços vetoriais relevantes 59
De…nimos as operações de adição de duas ênuplas x = (r
1
. . . . . r
n
) e y =
(n
1
. . . . . n
n
) por
x +y = (r
1
+ n
1
. . . . . r
n
+ n
n
)
e a de multiplicação de um número real / por uma ênupla ordenada x = (r
1
.
. . . . r
n
) por
/ x = (/ r
1
. . . . . / r
n
).
A ênupla x + y é chamada de soma de x e y. a ênupla / x é o múltiplo
escalar de x. O R
n
com estas duas operações é um espaço vetorial real, cujo
vetor nulo ou vetor zero é a n-upla
0 = (0. . . . . 0)
onde todos os elementos são nulos. O inverso aditivo ou oposto de x = (r
1
.
. . . . r
n
) é
÷x = (÷r
1
. . . . . ÷r
n
)
e a subtração no R
n
é a operação
(r
1
. . . . . r
n
) ÷(n
1
. . . . . n
n
) = (r
1
÷n
1
. . . . . r
n
÷n
n
)
OR
n
é o espaço vetorial mais importante para as aplicações. Mais tarde es-
tudaremos os conceitos de dimensão e isomor…smo. Nesta ocasião, provaremos
que todo espaço vetorial real de dimensão : é isomorfo ao R
n
. Isto signi…ca que
toda propriedade ou operação realizada no R
n
se transfere para o outro espaço
e vice-versa e, desta forma, os dois espaços são equivalentes para os objetivos
da Álgebra Linear. Assim, se estudarmos apenas o R
n
. teremos estudado todos
os espaços de dimensão …nita.
3.3 Outros espaços vetoriais relevantes
Exemplo 3.4 Sejam : e : números inteiros positivos. O conjunto das ma-
trizes reais : : com as operações de adição de matrizes e multiplicação de
matriz por um número real é um espaço vetorial real.
Exemplo 3.5 O conjunto das funções reais contínuas com domínio num in-
tervalo aberto (c. /) e imagem em R. com as operações de adição de funções
e multiplicação de uma função por um número real é um espaço vetorial real.
Exemplo 3.6 O conjunto \ = ¦0¦ que contém um único elemento, onde se
de…ne a adição por 0 +0 = 0 e a multiplicação por um escalar c por c0 = 0.
é um espaço vetorial denominado de espaço vetorial nulo.
Notas de aula do Professor Faleiros
60 Espaço vetorial
Observe que nem toda operação de adição e multiplicação por escalar em
um conjunto resulta em um espaço vetorial. Considere \ = R
2
onde de…nimos
a adição como é usual por
(r
1
. r
2
) + (n
1
. n
2
) = (r
1
+ n
1
. r
2
+ n
2
)
e a multiplicação de um par (r
1
. r
2
) por um número real : de um modo um
pouco diferente que o usual
: (r
1
. r
2
) = (: r
1
. 0).
Observe que 1(1. 2) = (1. 0) que é diferente de (1. 2). não satisfazendo a última
propriedade da multiplicação por escalar. Logo, R
2
com as operações acima
não forma um espaço vetorial real.
3.4 Subespaços vetoriais
Seja \ um espaço vetorial e o um subconjunto não vazio de \. O subconjunto o
é fechado na adição se, dados dois vetores u e v em o. a soma u+v pertence
a o. O subconjunto o de \ é fechado na multiplicação por escalar se dado
um vetor v em o e um escalar c real, o vetor c v pertence a o. Se o for um
subconjunto não vazio de \. fechado na adição e na multiplicação por escalar,
será denominado subespaço vetorial de \.
Todo subespaço vetorial contém o vetor nulo. De fato, se · for um vetor de
um subespaço vetorial o. multiplicando-o pelo escalar 0. obtém-se que o vetor
zero 0 = 0 v pertence a o. que é fechado na multiplicação por escalar.
Se \ é um espaço vetorial, então o \ e o conjunto ¦0¦. contendo apenas o
vetor nulo, são subespaços vetoriais de \.
Seja o for um subespaço vetorial de \.
Teorema 3.7 Seja o um subespaço vetorial de \. Então o. juntamente com
as operações de adição de vetores e multiplicação por escalares herdadas do
espaço vetorial \. também é um espaço vetorial.
Exemplo 3.8 São subespaços do R
2
. o ¦(0. 0)¦. retas passando pela origem e
o próprio R
2
.
Exemplo 3.9 São subespaços do R
3
. o ¦(0. 0. 0)¦. retas passando pela origem,
planos passando pela origem e o próprio R
3
.
Exemplo 3.10 Planos do R
3
passando pela origem, cuja equação geral é da
forma cr
1
+ /r
2
+ cr
3
= 0. onde c. / e c são reais …xos e (r
1
. r
2
. r
3
) é um
ponto qualquer do plano.
Notas de aula do Professor Faleiros
3.4 Subespaços vetoriais 61
Exemplo 3.11 \ = polinômios, o = polinômios de grau _ :.
Exemplo 3.12 São subespaços das matrizes quadradas `
nn
o conjunto das
matrizes simétricas, o conjunto das matrizes diagonais, o conjunto das ma-
trizes triangulares superiores e o conjunto das matrizes triangulares inferiores.
Exemplo 3.13 Do espaço vetorial das funções reais com domínio em R. são
subespaços aqueles subconjuntos dos polinômios reais, das funções contínuas,
das funções com derivada contínuas, das funções com derivadas contínuas até
a ordem :. das funções reais com derivadas contínuas de todas as ordens.
Exemplo 3.14 Seja ¹ uma matriz real ::. O conjunto solução do sistema
linear homogêneo ¹x = 0 é um subespaço vetorial das matrizes reais : 1.
Quando
¹ =

1 ÷2 3
2 ÷4 6
3 ÷6 9
¸
¸
este subespaço é o subconjunto formado pelo plano de `
31
cujos pontos [r
1
.
r
2
. r
3
]
T
satisfazem à equação r
1
÷ 2r
2
+ 3r
3
= 0. Quando
¹ =

1 ÷2 3
÷3 7 ÷8
÷2 4 ÷6
¸
¸
o espaço solução é a reta r
1
= ÷5t. r
2
= ÷t. r
3
= t. com t percorrendo os
reais. Quando
¹ =

1 ÷2 3
÷3 7 ÷8
4 1 2
¸
¸
o espaço solução é o espaço trivial que contém apenas a origem r
1
= 0. r
2
=
0. r
3
= 0. Quando
¹ =

0 0 0
0 0 0
0 0 0
¸
¸
o espaço solução é todo o `
31
.
Exemplo 3.15 (Um contra-exemplo) O conjunto o de todos os pares ordena-
dos de números reais (r
1
. r
2
) com r
1
_ 0 não é um subespaço vetorial do R
2
por não ser fechado na multiplicação por escalar, uma vez que ÷1(r
1
. r
2
) =
(÷r
1
. ÷r
2
) não pertence a o quando r
1
0. uma vez que ÷r
1
< 0.
Notas de aula do Professor Faleiros
62 Espaço vetorial
3.5 Espaço gerado
Se v
1
. v
2
. . . . . v
n
forem vetores de um espaço vetorial \ e :
1
. :
2
. . . . . :
n
forem
escalares, então o vetor w = :
1
v
1
+ +:
n
v
n
de \ é uma combinação linear
dos vetores v
1
. . . . . v
n
. Se v for um vetor de \ e : for um escalar, o vetor w =
: v é chamado de múltiplo escalar de v.
Exemplo 3.16 Sejam c
1
= (1. 0. 0). c
2
= (0. 1. 0). c
3
= (0. 0. 1) vetores do R
3
.
Dado um vetor x = (r
1
. r
2
. r
3
) do R
3
. podemos escrever x = r
1
c
1
+r
2
c
2
+r
3
c
3
.
Exemplo 3.17 EmR
3
. w = (9. 2. 7) é uma combinação linear de u = (1. 2. ÷1)
e v = (6. 4. 2) pois w = ÷3u+ 2v. Todavia, não é possível escrever z = (4.
÷1. 8) como combinação linear de u e v.
Seja G = ¦v
1
. . . . . v
k
¦ um conjunto …nito e não vazio de vetores perten-
centes a um espaço vetorial \ não nulo. O conjunto
o = ¦ :
1
v
1
+ + :
n
v
n
: :
1
. . . . . :
n
÷ R ¦
formado por todas as combinações lineares dos vetores v
1
. . . . . v
k
é um sube-
spaço vetorial de \. chamado espaço vetorial gerado por G ou espaço veto-
rial gerado por v
1
. . . . . v
k
. Também se diz que os vetores v
1
. . . . . v
k
geram
o e escreve-se
o = oc:(G) ou o = oc:(v
1;
. . . . v
k
).
Exemplo 3.18 O espaço gerado por um vetor não nulo · é uma reta que passa
pelo zero. Um ponto n qualquer desta reta satisfaz à equação vetorial n = t·.
com t percorrendo os reais.
Exemplo 3.19 O conjunto ¦ c
1
. c
2
. c
3
¦. onde c
1
= (1. 0. 0). c
2
= (0. 1. 0).
c
3
= (0. 0. 1). gera o R
3
.
Exemplo 3.20 O conjunto ¦v
1
. v
2
. v
3
¦ onde v
1
= (1. 1. 2). v
2
= (1. 0. 1).
v
3
= (2. 1. 3) não gera o R
3
.
Exemplo 3.21 O conjunto ¦1. r. r
2
. . . . . r
n
¦ gera 1
n
.
Notas de aula do Professor Faleiros
3.6 Dependência linear 63
Propriedades dos espaços gerados
1. Seja G = ¦v
1
. . . . . v
n
¦ um conjunto …nito e não vazio de vetores. O
espaço gerado por G não se altera quando:
(a) Se permuta a posição de seus vetores.
(b) Se multiplica um de seus vetores por um escalar não nulo.
(c) Se adiciona a um vetor de G um múltiplo de outro vetor de G.
(d) Se inclui em G um vetor igual a uma combinação linear dos vetores
de G.
(e) Se retira de G um vetor igual a uma combinação linear dos demais
vetores de G.
2. Dois conjuntos …nitos e não vazios de vetores G
1
e G
2
geram o mesmo
espaço vetorial se, e só se, os vetores de G
1
forem combinações lineares
dos vetores de G
2
e os vetores de G
2
forem combinações lineares dos
vetores de G
1
.
3.6 Dependência linear
Seja G = ¦v
1
. .... v
n
¦ um conjunto …nito e não vazio de vetores de um espaço
vetorial \ não nulo. Se existirem escalares c
1
. c
2
. . . . . c
n
nem todos nulos tais
que
c
1
v
1
+ + c
n
v
n
= 0.
então o conjunto G é chamado linearmente dependente. Se c
1
= 0. c
2
= 0.
. . . . c
n
= 0 forem os únicos escalares para os quais
c
1
v
1
+ + c
n
v
n
= 0.
o conjunto G é chamado de linearmente independente.
Dados os vetores v
1
. v
2
. . . . . v
n
de um espaço vetorial \. podemos olhar
para
c
1
v
1
+ + c
n
v
n
= 0.
como uma equação vetorial cujas incógnitas são os escalares c
1
. c
2
. . . . . c
n
. Esta
equação sempre é satisfeita quando fazemos c
1
= c
2
= = c
n
= 0. chamada
de solução trivial da equação. Se a equação vetorial anterior possuir apenas
a solução trivial, o conjunto G = ¦v
1
. .... v
n
¦ é linearmente independente e,
quando possuir soluções não triviais, o conjunto G é linearmente dependente.
Notas de aula do Professor Faleiros
64 Espaço vetorial
Exemplo 3.22 O conjunto de vetores
v
1
= (2. ÷1. 0). v
2
= (1. 2. 5). v
3
= (7. ÷1. 5)
do R
3
é linearmente dependente pois 3v
1
+v
2
÷v
3
= 0. Desta equação, podemos
explicitar v
3
para obter este vetor como uma combinação linear de v
1
e v
2
.
obtendo v
3
= 3v
1
+ v
2
. Também é possível escrever v
1
ou v
2
como uma com-
binação linear dos outros dois.
Exemplo 3.23 Os polinômios
j
1
= 1 ÷r. j
2
= 5 + 3r ÷2r
2
. j
3
= 1 + 3r ÷r
2
formam um conjunto linearmente dependente em 1
3
pois 3j
1
÷ j
2
+ 2j
3
= 0.
Exemplo 3.24 Os vetores
e
1
= (1. 0. 0). e
2
= (0. 1. 0). e
3
= (0. 0. 1)
do R
3
formam um conjunto linearmente independente.
Exemplo 3.25 Veri…que se o conjunto formado pelos vetores
v
1
= (1. ÷2. 3). v
2
= (5. 6. ÷1). v
3
= (3. 2. 1)
é linearmente dependente. De fato, a equação vetorial
c
1
(1. ÷2. 3) + c
2
(5. 6. ÷1) + c
3
(3. 2. 1) = (0. 0. 0)
corresponde ao sistema linear

1 5 3
÷2 6 2
3 ÷1 1
¸
¸

c
1
c
2
c
3
¸
¸
=

0
0
0
¸
¸
cuja solução é c
2
= c
1
e c
3
= ÷2c
1
. Fazendo c
1
= 1. obtemos v
1
+v
2
÷2v
3
=
0. mostrando que o conjunto de vetores formado por v
1
. v
2
e v
3
é linearmente
dependente.
Exemplo 3.26 O conjunto ¦1. r. . . . . r
n
¦ é linearmente independente em
1
n
(R). Basta escrever a equação
c
1
1 + c
2
r + + c
n
r
n
= 0
nos escalares c
1
. c
2
. . . . . c
n
e observar que, se houver uma solução diferente da
trivial para esta equação, teríamos no lado esquerdo um polinômio não nulo
de grau : ou inferior com in…nitas raízes. Em particular, todo número inteiro
seria uma raiz deste polinômio. Ora, um polinômio não nulo de grau : ou
inferior pode ter, no máximo, : raízes. Logo, c
1
= c
2
= = c
n
= 0.
Notas de aula do Professor Faleiros
3.6 Dependência linear 65
Exemplo 3.27 O conjunto formado pelas funções 1
1
= r e 1
2
= sen r é lin-
earmente independente no espaço vetorial das funções reais com domínio em
R. De fato, se c
1
e c
2
forem dois escalares tais que c
1
r+ c
2
sen r = 0 para todo
r real, derivando a igualdade em r obteríamos o sistema em c
1
e c
2
c
1
r + c
2
sen r = 0
c
1
+ c
2
cos r = 0
que, para r = :2 possui apenas a solução trivial, uma vez que
det
¸
:2 sen :2
1 cos :2

= det
¸
:2 1
1 0

= ÷1 = 0.
O teorema que segue mostra a origem do termo dependência linear. Ele
sugere que, quando um conjunto de vetores é linearmente dependente, há uma
dependência linear entre seus vetores. Com isto queremos dizer que um dos
vetores é uma combinação linear dos demais.
Teorema 3.28 Um conjunto …nito de vetores é linearmente dependente se, e
só se, um dos seus vetores for uma combinação linear dos demais.
Prova. Seja G = ¦v
1
. . . . . v
n
¦ um conjunto linearmente dependente. En-
tão existem escalares /
1
. . . . . /
n
. nem todos nulos, tais que
/
1
v
1
+ + /
n
v
n
= 0
Supondo que /
1
= 0. então
v
1
=

÷
/
2
/
1

v
2
+ +

÷
/
n
/
1

v
n
mostrando que v
1
é combinação linear de v
2
. . . . . v
n
. Se /
i
for diferente de
zero, para algum i. é possível explicitar v
i
e obtê-lo como combinação linear
dos demais.
Reciprocamente, se v
1
= c
2
v
2
+ + c
n
v
n
. então 1.v
1
÷ c
2
v
2
÷ ÷
c
n
v
n
= 0 e o conjunto G é linearmente dependente. Observe que pelo menos
o coe…ciente de v
1
é diferente de zero.
Retas e planos
Seja v um vetor não nulo de um espaço vetorial \. O conjunto de vetores w
para os quais w = t v para algum t real é chamado de reta gerada por v e
w = t v. com t em R. é chamada de equação vetorial da reta gerada por v.
Notas de aula do Professor Faleiros
66 Espaço vetorial
Sejam v
1
e v
2
vetores de um espaço vetorial \ onde um não é múltiplo
escalar do outro. O conjunto gerado por G = ¦v
1
. v
2
¦ é chamado de plano
gerado por v
1
e v
2
. Se w for um ponto deste plano, existem escalares : e :
tais que w = : v
1
+ : v
2
. Esta é a chamada equação vetorial do plano gerado
por v
1
. v
2
.
Um conjunto com dois vetores ¦v
1
. v
2
¦ de um espaço vetorial \ é linear-
mente dependente se, e somente se, estiverem na mesma reta que passa pela
origem.
Um conjunto com três vetores ¦v
1
. v
2
. v
3
¦ é linearmente dependente se, e
somente se, todos estiverem numa reta que passa pela origem ou num plano
que passa pela origem.
Propriedades da dependência linear
1. Todo conjunto …nito de vetores que contém o vetor nulo é linearmente
dependente.
2. Todo conjunto com um único vetor não nulo é linearmente independente.
3. Todo conjunto com dois vetores é linearmente dependende se, e só se,
um for múltiplo do outro.
4. Se incluirmos vetores em um conjunto linearmente dependente, ele con-
tinua linearmente dependente.
5. Se retirarmos vetores de um conjunto linearmente independente, ele con-
tinua linearmente independente.
6. Se incluirmos um vetor w a um conjunto linearmente independente G e
ele se tornar linearmente dependente, então w é uma combinação linear
dos elementos de G.
7. Seja G conjunto linearmente independente. Se o vetor w não for uma
combinação linear dos vetores G. o conjunto obtido acrescentando w a
G continua linearmente independente.
3.7 Dependência linear de funções
Consideremos o espaço vetorial 1(c. /) das funções com domínio no intervalo
(c. /) de números reais e com imagem em R. O conceito de dependência linear
de vetores se aplica aos elementos deste conjunto. Sendo 1
1
. 1
2
. . . . . 1
n
funções
Notas de aula do Professor Faleiros
3.7 Dependência linear de funções 67
de 1(c. /). o conjunto G = ¦1
1
. 1
2
. . . . . 1
n
¦ é linearmente dependente se
existirem escalares c
1
. c
2
. . . . . c
n
nem todos nulos tais que
c
1
1
1
+ + c
n
1
n
= 0.
Observe que esta é uma igualdade entre funções e o 0 (zero) do lado direito é
a função identicamente nula o que implica em
c
1
1
1
(r) + + c
n
1
n
(r) = 0
para todo r no intervalo (c. /). Agora o zero da equação anterior não é mais
a função nula e sim o número real zero. Como se trata de funções de…nidas
num intervalo (c. /). diremos que o conjunto é linearmente dependente em (c.
/). Quando o conjunto não for linearmente dependente em (c. /). diremos que
o conjunto de funções é linearmente independente em (c. /). Isto signi…ca
que a única sequência c
1
. c
2
. . . . . c
n
de escalares para os quais
c
1
1
1
(r) + + c
n
1
n
(r) = 0
para todo r no intervalo (c. /). é c
1
= 0. c
2
= 0. . . . . c
n
= 0.
Exemplo 3.29 O conjunto formado pelas funções 1
1
(r) = sin
2
r. 1
2
(r) =
cos
2
r. 1
3
(r) = 5 de…nidas no conjunto dos números reais é linearmente de-
pendente em R pois 51
1
(r) + 51
2
(r)÷ 1
3
(r) = 0 para todo r real.
Wronskiano
Consideremos o espaço vetorial das funções com derivadas contínuas até a
ordem :÷1 no intervalo (c. /) que é denotado por (
n1
(c. /). Sendo G = ¦1
1
.
. . . . 1
n
¦ um conjunto linearmente dependente neste espaço de funções, existe
uma sequência não nula de escalares c
1
. . . . . c
n
. para a qual
c
1
1
1
(r) + + c
n
1
n
(r) = 0
para todo r em (c. /). Como as funções possuem derivadas contínuas até a
ordem : ÷ 1. podemos derivar sucessivamente a igualdade acima obtendo o
sistema linear
c
1
1
1
(r) + + c
n
1
n
(r) = 0
c
1
1
0
1
(r) + + c
n
1
0
n
(r) = 0

c
1
1
(n1)
1
(r) + + c
n
1
(n)
n
(r) = 0
Notas de aula do Professor Faleiros
68 Espaço vetorial
Como este sistema linear em c
1
. c
2
. . . . . c
n
possui solução não trivial, segue
que
\[1
1
. . . . . 1
n
](r) = det

1
1
(r) 1
n
(r)
.
.
.
.
.
.
.
.
.
1
(n1)
1
(r) 1
(n1)
n
(r)
¸
¸
¸
= 0
para todo r real. Este determinante é chamado de wronskiano das funções
1
1
. 1
2
. . . . . 1
n
e, quando se deseja simpli…car a notação, ele é denotado apenas
por \(r).
Assim, quando G = ¦1
1
. . . . . 1
n
¦ for linearmente dependente em (c. /).
então \(r) = 0 para todo r em (c. /). A recíproca desta propriedade não é
verdadeira como nos mostra o exemplo a seguir.
Exemplo 3.30 O conjunto de funções G = ¦r
2
. r[ r [¦ é linearmente inde-
pendente em (÷2. 2) e \(r) = 0 para todo r em (÷2. 2). Para provar que
este conjunto é linearmente independente no intervalo considerado, sejam c
1
e
c
2
escalares tais que c
1
r
2
+ c
2
r [ r [ = 0 para todo r em (÷2. 2). Fazendo r =
÷1 e r = 1 obtemos
c
1
÷c
2
= 0
c
1
+ c
2
= 0
cuja única solução é a trivial c
1
= 0 e c
2
= 0.
Se \(r
0
) = 0 para algum r
0
em (c. /) e c
1
. . . . . c
n
forem números reais
tais que c
1
1
1
(r) + + c
n
1
n
(r) = 0 para todo r em (c. /). podemos derivar
sucessivamente a igualdade anterior, veri…cando que c
1
. c
2
. . . . . c
n
é solução
do sistema linear
c
1
1
1
(r
0
) + + c
n
1
n
(r
0
) = 0
c
1
1
0
1
(r
0
) + + c
n
1
0
n
(r
0
) = 0

c
1
1
(n1)
1
(r
0
) + + c
n
1
(n)
n
(r
0
) = 0
cuja única solução é a trivial, c
1
= c
2
= = c
n
= 0. Isto prova que o conjunto
formado pelas funções 1
1
. . . . . 1
n
é linearmente independente em (
(n1)
(c. /).
Provamos o seguinte teorema:
Teorema 3.31 Seja G = ¦1
1
. . . . . 1
n
¦ um conjunto de funções em (
(n1)
(c.
/). Se G for linearmente dependente, \(r) = 0 para todo r real. Se \(r
0
) =
0 em algum ponto r de (c. /). então G é linearmente independente em (c. /).
Notas de aula do Professor Faleiros
3.8 Base e dimensão de um espaço vetorial 69
Quando \[1
1
. . . . . 1
n
](r) = 0 em (c. /). nada se pode a…rmar sobre a
dependência ou independência linear do conjunto G = ¦1
1
. . . . . 1
n
¦ em (c. /).
sem hipóteses adicionais. Quando as funções envolvidas forem soluções de uma
equação diferencial linear, temos o seguinte resultado:
Teorema 3.32 Sejam c
0
(r). . . . . c
n1
(r) e /(r) funções contínuas em (c. /)
e n = 1
1
(r). . . . . n = 1
n
(r) soluções da equação diferencial ordinária
n
(n)
+ c
n1
(r)n
(n1)
+ + c
1
(r)n
0
(r) + c
0
(r)n = /(r)
em (c. /). O conjunto de funções
¦ 1
1
. . . . . 1
n
¦
é linearmente independente em (c. /) se, e só se, o wronskiano
\(r) = det

1
1
(r) 1
n
(r)
.
.
.
.
.
.
.
.
.
1
(n1)
1
(r) 1
(n1)
n
(r)
¸
¸
¸
for diferente de zero para algum r
0
em (c. /). Além disso, se o wronskiano for
diferente de zero em um ponto de (c. /). então será diferente de zero em todos
os pontos deste intervalo.
O teorema acima nos permite a…rmar que, quando n = 1
1
(r). . . . . n =
1
n
(r) forem soluções de uma equação diferencial ordinária com coe…cientes
contínuos em (c. /) e \(r) = 0 em um ponto de (c. /). então o conjunto G =
¦1
1;
. . . . 1
n
¦ é linearmente dependente em (c. /).
Exemplo 3.33 O conjunto ¦ r. sen r ¦ é linearmente independente em (
1
(÷·. ·).
Exemplo 3.34 O conjunto ¦ 1. c
x
. c
2x
¦ é linearmente independente em
(
2
(÷·. ·).
3.8 Base e dimensão de um espaço vetorial
No R
2
podemos escrever
(r
1
. r
2
) = r
1
e
1
+ r
2
e
2
onde e
1
= (1. 0). e
2
= (0. 1)
Notas de aula do Professor Faleiros
70 Espaço vetorial
(r
1
. r
2
) = (r
2
÷r
1
)d
1
+ (2r
1
÷r
2
)d
2
onde d
1
= (1. 2) e d
2
= (1. 1). Observe que, sendo v
1
= (1. 0). v
2
= (0. 1).
v
3
= (1. 1).
(r
1
. r
2
) = (r
1
÷t)v
1
+ (r
2
÷t)v
2
+ tv
3
para qualquer número real t. Destes exemplos notamos que podemos es-
crever todo vetor do R
2
como combinação linear dos elementos de G e que
esta decomposição é única, tanto quando G = ¦e
1
. e
2
¦ como quando G = ¦d
1
.
d
2
¦. Ainda podemos escrever todo vetor do R
2
como combinação linear de
elementos de G = ¦v
1
. v
2
. v
3
¦ mas esta decomposição não é única. Esta falta
de unicidade decorre da dependência linear do conjunto ¦v
1
. v
2
. v
3
¦.
De…nição 3.35 Seja 1 um conjunto …nito e não vazio de vetores de um es-
paço vetorial \ não nulo. 1 é uma base de \ se
1. for um conjunto gerador de \ ;
2. for linearmente independente.
Exemplo 3.36 Sejam v
1
= (1. 2. 1). v
2
= (2. 9. 0) e v
3
= (3. 3. 4) vetores do
R
3
. O conjunto de vetores 1 = ¦v
1
. v
2
. v
3
¦ é uma base do R
3
. De fato, se
c
1
v
1
+ c
2
v
2
+ c
3
v
3
= 0. então c
1
. c
2
. c
3
é uma solução do sistema linear
c
1
+ 2c
2
+ 3c
3
= 0
2c
1
+ 9c
2
+ 3c
3
= 0
c
1
+ 0c
2
+ 4c
3
= 0
que possui apenas a solução trivial c
1
= c
2
= c
3
= 0. uma vez que o determi-
nante da matriz
¹ =

1 2 3
2 9 3
1 0 4
¸
¸
= ÷1
é diferente de zero. Além disto, sendo x = (r
1
. r
2
. r
3
) um vetor qualquer
do R
3
. podemos escrevê-lo como uma combinação linear x = c
1
v
1
+ c
2
v
2
+
c
3
v
3
. onde c
1
. c
2
. c
3
é a única solução do sistema
c
1
+ 2c
2
+ 3c
3
= r
1
.
2c
1
+ 9c
2
+ 3c
3
= r
2
.
c
1
+ 0c
2
+ 4c
3
= r
3
.
Quando x = (÷1. 3. 2). por exemplo, obtemos c
1
= 102. c
2
= ÷14. c
3
=
÷25.
Notas de aula do Professor Faleiros
3.8 Base e dimensão de um espaço vetorial 71
Exemplo 3.37 A solução geral do sistema homogêneo

2 2 ÷1 0 1
÷1 ÷1 2 ÷3 1
1 1 ÷2 0 ÷1
0 0 1 1 1
¸
¸
¸
¸

r
1
r
2
r
3
r
4
r
5
¸
¸
¸
¸
¸
¸
=

0
0
0
0
¸
¸
¸
¸
é r
1
= :. r
2
= :. r
3
= : + :. r
4
= 0. r
5
= ÷: ÷: onde os parâmetros : e :
podem assumir quaisquer valor real. Logo, a solução geral do sistema linear é
o subespaço vetorial de `
51
gerado pelos vetores coluna

1 0 1 0 ÷1

T
e

0 1 1 0 ÷1

T
.
Teorema 3.38 Se o espaço vetorial \ possuir um conjunto gerador …nito,
então \ possui base.
Prova. De fato, dado G …nito que gera \. se G for linearmente indepen-
dente, a a…rmação é verdadeira.
Sendo G linearmente dependente, um de seus vetores é uma combinação
linear dos demais. Retirando-o de G obtemos um conjunto G
1
que ainda gera
\.
Se G
1
for linearmente independente, a a…rmação está provada. Em caso
contrário, repete-se o procedimento anterior até chegar a um conjunto linear-
mente independente que gera \ e que, portanto, será uma base de \.
Teorema 3.39 Unicidade da representação em uma base. Se 1 = ¦v
1
.
v
2
. . . . . v
n
¦ é uma base de um espaço vetorial \. então, para cada vetor w em
\. existe uma única ênupla (c
1
. c
2
. . . . . c
n
) para a qual
w = c
1
v
1
+ c
2
v
2
+ + c
n
v
n
.
Prova. A existência é imediata pois 1 é base de \. Quanto à uniciade, se
existirem duas ênuplas (c
1
. c
2
. . . . . c
n
) e (/
1
. /
2
. . . . . /
n
) para as quais
w = c
1
v
1
+ c
2
v
2
+ + c
n
v
n
.
w = /
1
v
1
+ /
2
v
2
+ + /
n
v
n
.
então
(c
1
÷/
1
)v
1
+ (c
2
÷/
2
)v
2
+ + (c
n
÷/
n
)v
n
= w÷w = 0.
Da independência linear de 1. segue c
i
= /
i
para i = 1. 2. . . . . : o que prova
a unicidade da decomposição de w numa combinação linear dos elementos da
Notas de aula do Professor Faleiros
72 Espaço vetorial
base.
Os escalares c
1
. . . . . c
n
para os quais w = c
1
v
1
+ c
2
v
2
+ + c
n
v
n
são
chamados de coordenadas de w em relação à base 1 = ¦v
1
. v
2
. . . . . v
n
¦.
A ênupla (c
1
. . . . . c
n
) do R
n
é chamada de vetor de coordenadas de w
em relação a 1 e é denotado por (w)
B
. O vetor coluna

c
1
c
n

T
é
chamado de matriz de coordenadas de w em relação a 1.
O vetor de coordenadas depende da ordem na qual escrevemos os vetores
da base. Uma mudança na ordem dos vetores da base resulta numa mudança
correspondente da ordem das entradas nos vetores de coordenadas.
Bases canônicas
Existem bases que, pela sua simplicidade e aplicabilidade, recebem o nome de
bases canônicas.
O conjunto ¦e
1
. e
2
¦. onde e
1
= (1. 0) e e
2
= (0. 1) é a base canônica do R
2
e todo vetor x = (r
1
. r
2
) pode ser decomposto na combinação linear x = r
1
e
1
+ r
2
e
2
.
O conjunto ¦e
1
. e
2
. e
3
¦. onde e
1
= (1. 0. 0). e
2
= (0. 1. 0) e e
3
= (0. 0. 1) é
a base canônica do R
3
e todo vetor x = (r
1
. r
2
. r
3
) pode ser decomposto na
combinação linear x = r
1
e
1
+ r
2
e
2
+ r
3
e
3
.
Nota: No R
2
e no R
3
os vetores da base canônica costumam ser denotados
por i. j e k em vez de e
1
. e
2
. e
3
. Nós utilizaremos as duas notações, de acordo
com a conveniência.
O conjunto ¦e
1
. . . . . e
n
¦. onde e
1
= (1. 0. . . . . 0). e
2
= (0. 1. . . . . 0). . . . .
e
n
= (0. 0. . . . . 1) é a base canônica do R
n
e todo vetor x = (r
1
. . . . . r
n
) pode
ser decomposto na combinação linear
x = r
1
e
1
+ + r
n
e
n
.
O conjunto de polinômios ¦1. r. r
2
. . . . . r
n
¦ é a base canônica do espaço
vetorial formado pelos polinômios de grau menor ou igual a : e estes polinômios
são da forma c
0
+ c
1
t + + c
n
t
n
. onde c
1
. c
2
. . . . . c
n
são escalares.
O conjunto formado pelas matrizes
¹
1
=
¸
1 0
0 0

. ¹
2
=
¸
0 1
0 0

. ¹
3
=
¸
0 0
1 0

. ¹
4
=
¸
0 0
0 1

é a base canônica do espaço vetorial `
22
. das matrizes quadradas de ordem
2 2 e toda matriz
¹ =
¸
c /
c d

uma combinação linear dos elementos da base canônica ¹ = c¹
1
+ /¹
2
+ c¹
3
+ d¹
4
.
Notas de aula do Professor Faleiros
3.8 Base e dimensão de um espaço vetorial 73
Propriedades das bases
Seja \ um espaço vetorial não nulo que possui uma base com : elementos.
Então
1. Qualquer subconjunto de \ com mais do que : vetores é linearmente
dependente.
2. Qualquer subconjunto de \ com menos do que : vetores não gera \ .
3. Todas as bases de \ possuem : vetores. Esta propriedade é conhecida
como Princípio da Invariância.
4. Um conjunto linearmente independente com : vetores é base de \.
5. Um conjunto gerador de \ com : vetores é base de \.
6. Um conjunto gerador de \ com mais do que : vetores pode ser re-
duzido a uma base de \. removendo um a um aqueles vetores que são
combinações lineares dos demais.
7. Pode-se incluir vetores a um conjunto linearmente independente com
menos do que : vetores, até obter uma base de \. Um algoritmo possível
consiste em unir uma base ao conjunto, retirando os vetores agregados
que são combinação linear dos demais.
Exemplo 3.40 O conjunto 1 formado pelos vetores v
1
= (÷3. 7) e v
2
= (5.
5) é linearmente independente e, portanto, 1 é uma base de R
2
.
Exemplo 3.41 O conjunto 1 formado pelos vetores v
1
= (2. 0. ÷1). v
2
= (4.
0. 7) e v
3
= (÷1. 1. 4) gera o R
3
e, portanto, 1 é uma base do R
3
.
Se um espaço vetorial \ não nulo possuir uma base com : elementos, pelo
princípio da invariância, todas as suas bases terão : elementos. Neste caso, se
diz que \ possui dimensão …nita e que sua dimensão é : e escreveremos
dim(\ ) = :.
O espaço vetorial nulo ¦0¦ é tratado à parte. Por de…nição, sua base é o
conjunto vazio e sua dimensão é zero.
Exemplo 3.42 Os espaços vetoriais R
m
. 1
m
(R). `
mn
possuem dimensão
…nita e suas dimensões são, respectivamente, :. : + 1 e ::.
Exemplo 3.43 Os espaços vetoriais das funções reais com domínio na reta
1(R). das funções reais com derivadas contínuas até a ordem / em toda a reta
(
k
(R). dos polinômios reais 1(R). com as operações de adição de funções e
multiplicação de um real por uma função, possuem todos dimensão in…nita.
Notas de aula do Professor Faleiros
74 Espaço vetorial
Teorema 3.44 Seja o um subespaço de um espaço vetorial \ de dimensão
…nita. Então
dim(o) _ dim(\ ).
Quando dim(o) = dim(\ ). então o = \.
Prova. Como o está contido em \. toda base deste espaço vetorial é
um conjunto gerador de o. o que implica na desigualdade dim(o) _ dim(\ ).
Quando dim(o) = dim(\ ). toda base de \ é conjunto gerador de o e, portanto,
uma base de o o que implica na igualdade o = \.
3.9 Matriz de mudança de base
Seja \ um espaço vetorial de dimensão …nita : maior do que zero. Sejam 1
1
=
¦v
1
. . . . . v
n
¦ e 1
2
= ¦n
1
. . . . . n
n
¦ duas bases de \. Podemos decompor cada
elemento de 1
2
numa combinação linear dos elementos de 1
1
w
1
= c
11
v
1
+ c
21
v
2
+ + c
n1
v
n
w
2
= c
12
v
1
+ c
22
v
2
+ + c
n2
v
n

w
n
= c
1n
v
1
+ c
2n
v
2
+ + c
nn
v
n
A matriz
`
12
=

c
11
c
12
c
1n
c
21
c
22
c
2n
.
.
.
.
.
.
.
.
.
.
.
.
c
n1
c
n2
c
nn
¸
¸
¸
¸
¸
é chamada de matriz de mudança de base ou, se desejarmos fazer referência
às bases envolvidas, matriz de mudança da base 1
1
para a base 1
2
ou matriz
de transição da base 1
1
para a base 1
2
. Observe que as coordenadas do
desenvolvimento de w
1
na base 1
1
formam a primeira coluna, as coordenadas
do desenvolvimento de w
2
na base 1
1
formam a segunda coluna, e assim por
diante.
Exemplo 3.45 Sejam 1
1
= ¦v
1
. v
2
. v
3
¦ e 1
2
= ¦w
1
. w
2
. w
3
¦ bases do R
3
.
onde
v
1
= (1. 0. 1). v
2
= (0. 1. 1). v
3
= (0. 0. 2)
e
w
1
= (0. 1. 3). w
2
= (1. 2. 1). w
3
= (1. 0. 3).
Notas de aula do Professor Faleiros
3.9 Matriz de mudança de base 75
Então
`
12
=

0 1 1
1 2 0
1 ÷1 1
¸
¸
Sejam 1
1
= ¦v
1
. . . . . v
n
¦. 1
2
= ¦w
1
. . . . . w
n
¦ e 1
3
= ¦u
1
. . . . . u
n
¦ bases
de \ com podemos escrever os vetores de 1
3
como combinações lineares dos
elementos das bases. Usando o símbolo de somatório,
w
j
=
n
¸
i=1
c
ij
v
i
. u
j
=
n
¸
i=1
/
ij
w
i
e u
j
=
n
¸
i=1
c
ij
v
i
de modo que `
12
= [c
ij
] . `
23
= [/
ij
] e `
13
= [c
ij
] são, respectivamente, as
matrizes de mudança da base 1
1
para a base 1
2
. da base 1
2
para a base 1
3
e
da base 1
1
para a base 1
3
. Destas decomposições segue
u
j
=
¸
k
/
kj
w
k
=
¸
k
/
kj
¸
i
c
ik
v
i
=
¸
i

¸
k
c
ik
/
kj

v
i
=
¸
i
c
ij
v
i
ou
c
ij
=
¸
k
c
ik
/
kj
para i e , variando de 1 a :. Tais igualdades entre escalares corresponde à
igualdade matricial
`
13
= `
12
`
23
.
Quando 1
3
= 1
1
. a matriz `
13
é a matriz identidade e `
23
= `
21
. Da
igualdade acima segue
`
12
`
21
= 1.
mostrando que as matrizes de mudança de base são inversíveis e que a inversa
de `
12
é `
21
.
Sejam i e , inteiros do conjunto ¦1. 2. . . . . :¦. O delta de Kronecker o
ij
.
é um conjunto de :
2
números de…nidos do seguinte modo: o
ij
= 1 quando i = ,
e o
ij
= 0 quando i = ,. O elemento da linha i coluna , da matriz identidade
1 de ordem : : é exatamente o
ij
e podemos usar o delta de Kronecker para
escrever 1 = [o
ij
].
As igualdades matriciais
`
12
`
21
= 1 e `
21
`
12
= 1
Notas de aula do Professor Faleiros
76 Espaço vetorial
quando escritas componente a componente, fornece
¸
k
c
ik
/
kj
= o
ij
e
¸
k
/
ik
c
kj
= o
ij
para i e , percorrendo os valores 1. . . . . :.
Mudança de coordenadas
Sejam 1
1
= ¦v
1
. . . . . v
n
¦ e 1
2
= ¦w
1
. . . . . w
n
¦ duas bases do espaço vetorial
\ e u um vetor de \. Sejam
[u]
1
= [r
1
. . . . . r
n
]
T
e [u]
2
= [n
1
. . . . . n
n
]
T
as matrizes das coordenadas de u nas bases 1
1
e 1
2
. respectivamente. Seja
`
12
= [c
ij
] a matriz de mudança da base 1
1
para a base 1
2
. Temos
u =
¸
i
r
i
v
i
=
¸
j
n
j
w
j
e
w
j
=
n
¸
i=1
c
ij
v
i
.
de onde segue
u =
¸
j
n
j
w
j
=
¸
j
n
j
¸
i
c
ij
v
i
=
¸
i

¸
j
c
ij
n
j

v
i
=
¸
i
r
i
v
i
.
Da unicidade da decomposição de um vetor nos elementos da base segue
r
i
=
¸
j
c
ij
n
j
que corresponde à igualdade matricial
[u]
1
= `
12
[u]
2
.
Exemplo 3.46 Sabe-se que 1
1
= ¦v
1
. v
2
. v
3
¦ e 1
2
= ¦w
1
. w
2
. w
3
¦ são bases
de um espaço vetorial \ de dimensão três e que
`
12
=

0 1 1
1 2 0
1 ÷1 1
¸
¸
Notas de aula do Professor Faleiros
3.10 Espaço linha e espaço coluna 77
é a matriz de mudança da base 1
1
para 1
2
. Sendo u = ÷ w
2
+ 2w
3
. sua
matriz de coordenadas na base 1
2
é

0 ÷1 2

T
. A matriz das coordenadas
de u na base 1
1
pode ser obtida pela relação
[u]
1
= `
12
[u]
2
=

0 1 1
1 2 0
1 ÷1 1
¸
¸

0
÷1
2
¸
¸
=

1
÷2
3
¸
¸
e assim u = v
1
÷ 2v
2
+ 3v
3
.
3.10 Espaço linha e espaço coluna
Vamos veri…car que, com frequência, é interessante dispor um conjunto de
vetores do R
n
nas linhas ou colunas de uma matriz. As matrizes são formas
compactas e convenientes de apresentar os vetores de um espaço vetorial.
De…nição 3.47 Para uma matriz
¹ =

c
11
. . . c
1n
.
.
.
.
.
.
c
m1
. . . c
mn
¸
¸
¸
de tamanho ::. suas linhas
r
i
=

c
i1
c
i2
. . . c
in

são denominadas vetores linha de ¹ e suas colunas
c
j
=

c
1j
c
2j
.
.
.
c
mj
¸
¸
¸
¸
¸
=

c
1j
c
2j
. . . c
mj

T
são denominadas vetores coluna de ¹. O espaço vetorial gerado pelos vetores
linhas é o espaço linha de ¹. O espaço vetorial gerado pelos vetores coluna
é o espaço coluna de ¹.
Propriedades dos espaços linha e coluna
Duas matrizes com o mesmo tamanho são equivalentes quando for possível
obter uma delas mediante uma sequência de operações elementares sobre a
Notas de aula do Professor Faleiros
78 Espaço vetorial
outra. Se operações elementares sobre ¹ resultam numa matriz 1. é pos-
sível levar 1 em ¹ realizando sobre a primeira uma sequência de operações
elementares que são invertíveis. Se 1
1
. . . . . 1
k
forem matrizes elementares e
1 = 1
k
1
1
¹.
então
¹ = 1
1
1
1
1
k
1.
Feita esta de…nição passemos a enunciar as propriedades dos espaços linha e
coluna de uma matriz.
1. Numa matriz escalonada,
(a) os vetores linha não nulos formam uma base do espaço linha da
matriz;
(b) os vetores coluna que possuem os pivôs formam uma base do espaço
coluna da matriz.
2. Sejam ¹ e 1 matrizes equivalentes. Denote por a
1
. a
2
. . . . . a
n
os vetores
coluna de ¹ e por b
1
. b
2
. . . . . b
n
os vetores coluna de 1.
(a) Se \
1
. . . . . \
n
forem escalares tais que
\
1
a
1
+ + \
n
a
n
= 0
então
\
1
b
1
+ + \
n
b
n
= 0.
Nesta propriedade não se pede que todos os escalares sejam difer-
entes de zero. Para matrizes com 5 colunas, se \
1
a
1
+ \
3
a
3
+ \
5
a
5
= 0. então \
1
b
1
+ \
3
b
3
+ \
5
b
5
= 0 e pode-se pensar que \
2
e \
4
são iguais a zero.
(b) Um subconjunto dos vetores coluna de ¹ é linearmente dependente
se, e só se, as mesmas colunas de 1 formarem um conjunto linear-
mente dependente.
3. Sejam ¹ e 1 matrizes equivalentes. Nem sempre o espaço coluna de
¹ é igual ao espaço coluna de 1. Entretanto, ambos possuem a mesma
dimensão. Se as colunas ,
1
. . . . . ,
k
de ¹ formarem uma base do espaço
coluna de ¹. então as colunas ,
1
. . . . . ,
k
de 1 formam uma base do
espaço coluna de 1.
Notas de aula do Professor Faleiros
3.10 Espaço linha e espaço coluna 79
4. Duas matrizes equivalentes ¹ e 1 possuem o mesmo espaço linha. Uma
base do espaço linha de 1 é base do espaço linha de ¹.
Exemplo 3.48 Considere a matriz escalonada por linhas

1 2 3 4 5
0 1 2 0 4
0 0 0 1 2
0 0 0 0 0
¸
¸
¸
¸
.
Sua primeira, segunda e terceira linhas, exatamente aquelas que contêm os
pivôs, formam uma base do seu espaço linha. Sua primeira, segunda e quarta
colunas, aquelas que contêm os pivôs, formam uma base do seu espaço coluna.
Exemplo 3.49 As matrizes
¹ =

1 0
0 1
0 0
¸
¸
e 1 =

1 0
0 1
1 1
¸
¸
são equivalentes pois pode-se obter 1 adicionando à terceira linha de ¹ sua
primeira e segunda linhas. Todavia, os espaços coluna de ¹ e 1 são diferentes.
Os vetores coluna

1 0 1

T
e

0 1 1

T
de 1 não pertencem ao espaço
coluna de ¹. Embora diferentes, os espaços coluna de ¹ e 1 possuem ambos
dimensão 2.
Exemplo 3.50 Para obter uma base para o espaço linha da matriz
¹ =

1 3 4 2 5 4
2 6 9 1 8 2
2 6 9 1 9 7
1 3 4 2 5 4
¸
¸
¸
¸
podemos reduzi-la à forma escalonada 1 mediante operações elementares
1 =

1 3 4 2 5 4
0 0 1 ÷3 ÷2 ÷6
0 0 0 0 1 5
0 0 0 0 0 0
¸
¸
¸
¸
e concluir que as três primeiras linhas de 1 formam uma base para o espaço
linha de ¹.
A primeira, terceira e quinta colunas de 1, exatamente aquelas que contém
os pivôs, formam uma base para o seu espaço coluna. Logo, a primeira, terceira
e quinta colunas de ¹ formam uma base do espaço coluna de ¹.
Notas de aula do Professor Faleiros
80 Espaço vetorial
Exemplo 3.51 Para determinar uma base do espaço linha da matriz
¹ =

1 ÷2 0 0 3
2 5 ÷3 ÷2 6
0 5 15 10 0
2 6 18 8 6
¸
¸
¸
¸
formada por vetores linha de ¹. siga os passos descritos em seguida.
1. Transponha ¹
¹
T
=

1 2 0 2
÷2 ÷5 5 6
0 ÷3 15 18
0 ÷2 10 8
3 6 0 6
¸
¸
¸
¸
¸
¸
2. Realize operações elementares na matriz ¹
T
até chegar a uma matriz
escalonada
1 =

1 2 0 2
0 1 ÷5 ÷10
0 0 0 1
0 0 0 0
0 0 0 0
¸
¸
¸
¸
¸
¸
.
As colunas 1. 2 e 4 formam uma base para o espaço coluna de 1. Logo, as
colunas 1. 2 e 4 de ¹
T
formam uma base para o espaço coluna desta matriz.
Conclui-se que as linhas 1. 2 e 4 de ¹ formam uma base do espaço linha de ¹.
Exemplo 3.52 Sejamv
1
= (1. ÷2. 0. 0. 3). v
2
= (2. ÷5. ÷3. ÷2. 6). v
3
= (0. 5. 15. 10. 0).
v
4
= (2. 6. 18. 8. 6) vetores do R
4
e G = ¦v
1
. v
2
. v
3
. v
4
¦. Para determinar uma
base para o subespaço o gerado por G. basta seguir os seguintes passos:
1. Forme a matriz cujas linhas são as entradas de v
1
. v
2
. v
3
e v
4
¹ =

1 ÷2 0 0 3
2 ÷5 ÷3 ÷2 6
0 5 15 10 0
2 6 18 8 6
¸
¸
¸
¸
.
2. Mediante operações elementares, reduza a matriz à forma escalonada
1 =

1 ÷2 0 0 3
0 1 3 2 0
0 0 1 1 0
0 0 0 0 0
¸
¸
¸
¸
Notas de aula do Professor Faleiros
3.10 Espaço linha e espaço coluna 81
3. Uma base do espaço linha de ¹ é formada pelos vetores linha não nulos
de 1. Logo, uma base para o é
w
1
= (1. ÷2. 0. 0. 3).
w
2
= (0. 1. 3. 2. 0).
w
3
= (0. 0. 1. 1. 0).
Os vetores w
1
. w
2
. w
3
não pertencem ao conjunto G. Desejando uma base de
o formada pelos elementos de G. proceda como segue:
1. Forme a matriz cujas colunas são as entradas de v
1
. v
2
. v
3
e v
4
¹ =

1 2 0 2
÷2 ÷5 5 6
0 ÷3 15 18
0 ÷2 10 8
3 6 0 6
¸
¸
¸
¸
¸
¸
2. Escalone esta matriz
1 =

1 2 0 2
0 ÷1 5 10
0 0 0 ÷12
0 0 0 0
0 0 0 0
¸
¸
¸
¸
¸
¸
3. As colunas 1. 2 e 4 formam uma base do espaço coluna de 1. Isto implica
em que as colunas 1. 2 e 4 de ¹ formam uma base do espaço coluna de
¹. Logo, v
1
. v
2
. v
4
formam uma base do espaço gerado por G.
Exemplo 3.53 A matriz
¹ =

1 2 0 2 5
÷2 ÷5 1 ÷1 ÷8
0 ÷3 3 4 1
3 6 0 ÷7 2
¸
¸
¸
¸
é equivalente à matriz escalonada
1 =

1 2 0 2 5
0 1 ÷1 ÷3 ÷2
0 0 0 1 1
0 0 0 0 0
¸
¸
¸
¸
Notas de aula do Professor Faleiros
82 Espaço vetorial
As colunas 1. 2 e 4 de 1 são linearmente independentes e geram seu espaço
coluna. Logo, as colunas 1. 2 e 4 de ¹ são linearmente independentes e geram
o espaço coluna de ¹.
Denotando as colunas de 1 por b
1
. b
2
. b
3
. b
4
e b
5
. nota-se que b
1
. b
2
e
b
4
formam uma base para o seu espaço coluna e que
b
3
= 2b
1
÷b
2
b
5
= b
1
+b
2
+b
4
.
Denotando as colunas de ¹ por a
1
. a
2
. a
3
. a
4
e a
5
. então a
1
. a
2
e a
4
formam
uma base do espaço coluna de ¹ e
a
3
= 2a
1
÷a
2
.
a
5
= a
1
+a
2
+a
4
.
Teorema 3.54 A dimensão do espaço linha de uma matriz é igual à dimensão
do seu espaço coluna.
Prova. Seja 1 uma forma escalonada de ¹. A dimensão do espaço linha
de ¹ é igual à dimensão do espaço linha de 1. A dimensão do espaço coluna
de ¹ é igual à dimensão do espaço coluna de 1. Uma base do espaço linha de
1 é constituída das linhas que possuem os pivôs. Uma base do espaço coluna
de 1 é formada pelas colunas que possuem os pivôs. Logo, as dimensões do
espaço linha e do espaço coluna de 1 são iguais, provando o teorema.
O posto de uma matriz ¹. denotado por jo:(¹). é a dimensão do seu
espaço linha, que é igual à dimensão do seu espaço coluna. Sendo a dimensão
do espaço linha igual à do espaço coluna, o posto de uma matriz é igual ao
posto de sua transposta.
3.11 Sistemas lineares e o espaço nulo de uma
matriz
Quando ¹ é uma matriz :: e b é uma matriz :1. podemos nos perguntar
quando é que o sistema linear ¹x = b tem solução. Sendo x a matriz coluna
[r
1
r
n
]
T
e c
1
. . . . . c
n
os vetores coluna de ¹. então
¹x = r
1
c
1
+ + r
n
c
n
.
Vemos que ¹x = b se, e só se, b for uma combinação linear das colunas de ¹.
Em outras palavras, o sistema ¹x = b possui solução se, e só se, b for uma
Notas de aula do Professor Faleiros
3.11 Sistemas lineares e o espaço nulo de uma matriz 83
combinação linear das colunas de ¹. A matriz b é uma combinação linear das
colunas de ¹ se, e só se, o posto da matriz ¹ dos coe…cientes é igual ao posto
da matriz completa [¹ [ b] do sistema.
O posto de ¹ é sempre menor ou igual a : e menor ou igual a :. Se o
posto de ¹ for :. o sistema linear ¹x = b será consistente para toda matriz
coluna b. Se o posto de ¹ for igual a :. o sistema linear ¹x = b possuirá no
máximo uma solução.
Quando : :. o número de equações do sistema linear ¹x = b é maior
do que o número de incógnitas e se diz que ele é sobredeterminado. Neste
caso o posto de ¹ é menor do que : e o sistema linear ¹x = b nem sempre
tem solução.
Quando : < :. o número de equações do sistema linear ¹x = b é menor
do que o número de incógnitas e se diz que o sistema linear ¹x = b é sub-
determinado. Quando o posto de ¹ for igual a :. o sistema linear ¹x = b
sempre possui solução.
Quando : = :. o número de equações do sistema linear ¹x = b é igual ao
número de incógnitas e se diz que o sistema linear ¹x = b é determinado.
Quando o posto de ¹ for igual a :. a matriz ¹ é invertível e o sistema linear
¹x = b possui uma única solução para cada b.
Quando o sistema ¹x = b tem solução, ela será única se, e só se, o sistema
homogêneo ¹x = 0 possuir apenas a solução trivial.
O conjunto solução do sistema homogêneo ¹x = 0 é um espaço vetorial
chamado espaço nulo de ¹. O espaço nulo de ¹ possui apenas o vetor nulo
ou possui in…nitas matrizes coluna. Neste caso, sendo ¦v
1
. . . . . v
k
¦ uma base
do espaço nulo de ¹. toda solução do sistema homogêneo ¹x = 0 é da forma
c
1
v
1
+ + c
k
v
k
. onde c
1
. . . . . c
k
são escalares. Sendo ~ x uma solução do
sistema não homogêneo ¹x = b. todas as suas soluções serão da forma
~ x + c
1
v
1
+ + c
k
v
k
.
onde c
1
. . . . . c
k
são escalares. Cada solução deste conjunto é chamada de
solução particular do sistema ¹x = b.
A dimensão do espaço nulo de ¹ é chamada de nulidade de ¹ sendo
denotada por :n|(¹). Sempre é bom lembrar que a nulidade de ¹ é igual ao
número de variáveis livres do sistema homogêneo 1x = 0. onde 1 é uma forma
escalonada de ¹ e que o posto de ¹ é igual a número de variáveis dependentes
do sistema homogêneo 1x = 0.
Exemplo 3.55 A solução geral do sistema do sistema escalonado
r
1
+3r
2
+4r
4
= 0
r
3
+2r
4
= 0
r
5
= 1
Notas de aula do Professor Faleiros
84 Espaço vetorial
é obtida por substituição reversa
r
5
= 1. r
3
= ÷2r
4
. r
1
= ÷3r
2
÷4r
4
.
Nela, r
2
. r
4
são variáveis livres e r
1
. r
3
. r
5
são variáveis dependentes. In-
troduzindo os parâmetros : e :. de…nindo-os por : = r
2
e : = r
4
. obtemos a
solução geral
r
1
= ÷3: ÷4:. r
2
= :. r
3
= ÷2:. r
4
= :. r
5
= 1
na forma paramétrica. Ao colocar a solução geral na forma matricial,

r
1
r
2
r
3
r
4
r
5
¸
¸
¸
¸
¸
¸
=

0
0
0
0
1
¸
¸
¸
¸
¸
¸
+ :

÷3
1
0
0
0
¸
¸
¸
¸
¸
¸
+ :

÷4
0
÷2
1
0
¸
¸
¸
¸
¸
¸
percebemos que o primeiro vetor coluna do lado direito é uma solução particular
do sistema dado e que os outros dois vetores coluna formam uma base para o
espaço de soluções do sistema linear homogêneo associado.
Exemplo 3.56 Escalonando o sistema homogêneo

1 ÷2 3
2 ÷4 6
3 ÷6 9
¸
¸

r
1
r
2
r
3
¸
¸
=

0
0
0
¸
¸
chegamos a

1 ÷2 3
0 0 0
0 0 0
¸
¸

r
1
r
2
r
3
¸
¸
=

0
0
0
¸
¸
cuja solução geral é

r
1
r
2
r
3
¸
¸
= :

2
1
0
¸
¸
+ t

÷3
0
1
¸
¸
onde : e t são escalares quaisquer.
Exemplo 3.57 Escalonando o sistema homogêneo

1 ÷2 3
÷3 7 ÷8
÷2 4 ÷6
¸
¸

r
1
r
2
r
3
¸
¸
=

0
0
0
¸
¸
Notas de aula do Professor Faleiros
3.11 Sistemas lineares e o espaço nulo de uma matriz 85
obtemos

1 ÷2 3
0 1 1
0 0 0
¸
¸

r
1
r
2
r
3
¸
¸
=

0
0
0
¸
¸
cuja solução geral é

r
1
r
2
r
3
¸
¸
= :

5
1
÷1
¸
¸
onde : é um escalar qualquer.
Exemplo 3.58 O espaço solução do sistema homogêneo

1 ÷2 3
÷3 7 ÷8
4 1 2
¸
¸

r
1
r
2
r
3
¸
¸
=

0
0
0
¸
¸
.
é o espaço vetorial nulo, pois a única solução do sistema é dada por r
1
= 0.
r
2
= 0 e r
3
= 0.
Exemplo 3.59 A solução geral do sistema linear homogêneo
2r
1
+ 2r
2
÷r
3
+ 0r
4
+ r
5
= 0
÷r
1
÷r
2
÷2r
3
÷3r
4
+ r
5
= 0
r
1
+ r
2
÷2r
3
+ 0r
4
÷r
5
= 0
0r
1
+ 0r
2
+ r
3
+ r
4
+ r
5
= 0
nas incógnitas r
1
. r
2
. r
3
. r
4
. r
5
é

r
1
r
2
r
3
r
4
r
5
¸
¸
¸
¸
¸
¸
= :

÷1
1
0
0
0
¸
¸
¸
¸
¸
¸
+ t

÷1
0
÷1
0
1
¸
¸
¸
¸
¸
¸
onde : e t são dois parâmetros livres e a dimensão do espaço solução é 2.
Teorema 3.60 Se a matriz ¹ possuir : colunas, então
jo:(¹) + :n|(¹) = :
Notas de aula do Professor Faleiros
86 Espaço vetorial
Prova. Seja 1 uma forma escalonada de ¹. O posto de ¹ é igual ao número
de variáveis dependentes do sistema homogêneo 1x = 0 e a nulidade de ¹ é
igual ao número de variáveis livres do sistema homogêneo 1x = 0. Como o
número de variáveis dependentes adicionado ao número de variáveis livres é
igual a :. decorre que
jo:(¹) + :n|(¹) = :.

Exemplo 3.61 Se ¹ é uma matriz 5 7. então o sistema linear ¹x = b é
subdeterminado e deve ser consistente para algum b e, para cada um destes b.
a solução deve ter :n|(¹) = 7÷ jo:(¹) parâmetros livres.
Exemplo 3.62 Para determinar o posto e a nulidade da matriz
¹ =

÷1 2 0 4 5 ÷3
3 ÷7 2 0 1 4
2 ÷5 2 4 6 1
4 ÷9 2 ÷4 ÷4 7
¸
¸
¸
¸
.
nós a escalonamos
1 =

1 0 ÷4 ÷28 ÷37 13
0 1 ÷2 ÷12 ÷16 5
0 0 0 0 0 0
0 0 0 0 0 0
¸
¸
¸
¸
o que nos permite concluir que
jo:(¹) = 2 e :n|(¹) = 4
veri…cando que jo:(¹) + :n|(¹) = 6. A solução geral do sistema homogêneo
¹x = 0 é
r
1
= 4r
3
+ 28r
4
+ 37r
5
÷13r
6
r
2
= 2r
3
+ 12r
4
+ 16r
5
÷5r
6
com r
3
. r
4
. r
5
. r
6
variando livremente nos reais. Uma base do espaço nulo de
¹ é
v
1
=

4
2
1
0
0
0
¸
¸
¸
¸
¸
¸
¸
¸
. v
2
=

28
12
0
1
0
0
¸
¸
¸
¸
¸
¸
¸
¸
. v
3
=

37
13
0
0
1
0
¸
¸
¸
¸
¸
¸
¸
¸
. v
4
=

÷13
÷5
0
0
0
1
¸
¸
¸
¸
¸
¸
¸
¸
.
Notas de aula do Professor Faleiros
3.11 Sistemas lineares e o espaço nulo de uma matriz 87
Exemplo 3.63 A forma escalonada da matriz 4 6
¹ =

÷1 2 0 4 5 ÷3
3 ÷7 2 0 1 4
2 ÷5 2 4 6 1
4 ÷9 2 ÷4 ÷4 7
¸
¸
¸
¸
é
1 =

1 ÷2 0 ÷4 ÷5 3
0 1 ÷2 ÷12 ÷16 5
0 0 0 0 0 0
0 0 0 0 0 0
¸
¸
¸
¸
.
Como 1 possui duas linhas não nulas, jo:(¹) = 2. Como jo:(¹)+ :n|(¹) =
6. conclui-se que :n|(¹) = 4.
Exemplo 3.64 Vamos veri…car se o sistema
r
1
÷2r
2
÷3r
3
+ 2r
4
= ÷4
÷3r
1
+ 7r
2
÷r
3
+ r
4
= ÷3
2r
1
÷5r
2
+ 4r
3
÷3r
4
= 7
÷3r
1
+ 6r
2
+ 9r
3
÷6r
4
= ÷1
é consistente ou não. Tomando a matriz aumentada do sistema

1 ÷2 ÷3 2 ÷4
÷3 7 ÷1 1 ÷3
2 ÷5 4 ÷3 7
3 6 9 ÷6 ÷1
¸
¸
¸
¸
e escalonando-a, chegamos à matriz

1 0 ÷23 16 0
0 1 ÷10 7 0
0 0 0 0 1
0 0 0 0 0
¸
¸
¸
¸
O sistema é inconsistente pois o posto da matriz dos coe…cientes é igual a 2 e
o posto da matriz aumentada é igual a 3.
Exemplo 3.65 Sistema sobredeterminado
r
1
÷2r
2
= /
1
r
1
÷r
2
= /
2
r
1
+ r
2
= /
3
r
1
+ 2r
2
= /
4
r
1
+ 3r
2
= /
5
Notas de aula do Professor Faleiros
88 Espaço vetorial
Usando a eliminação de Gauss-Jordan na matriz aumentada, chegamos a
1 0 2/
2
÷/
1
0 1 /
2
÷/
1
0 0 /
3
÷3/
2
+ 2/
1
0 0 /
4
÷4/
2
+ 3/
1
0 0 /
5
÷5/
2
+ 4/
1
O sistema será consistente se e só se
2/
1
÷3/
2
+ /
3
= 0
3/
1
÷4/
2
+ /
4
= 0
4/
1
÷5/
2
+ /
5
= 0
ou
/
1
= 5: ÷4:
/
2
= 4: ÷3:
/
3
= 2: ÷:
/
4
= :
/
5
= :
onde : e : são reais quaisquer.
Vamos enunciar um teorema que reune as propriedades enunciadas até o
momento e que dizem respeito às matrizes invertíveis.
Teorema 3.66 Seja ¹ uma matriz quadrada de ordem :. As seguintes a…r-
mações são equivalentes:
(a) ¹ é invertível.
(b) ¹x = 0 admite somente a solução trivial.
(c) A forma escalonada reduzida de ¹ é 1
n
.
(d) ¹ pode ser escrita como um produto de matrizes elementares.
(e) ¹x = b é consistente para cada matriz b de tamanho : 1.
(f ) ¹x = b tem exatamente uma solução para cada matriz b de tamanho
: 1.
(g) det(¹) = 0.
(j) Os vetores coluna de ¹ são linearmente independente.
(k) Os vetores linha de ¹ são linearmente independente.
(l) Os vetores coluna de ¹ geram `
n1
.
(m) Os vetores linha de ¹ geram `
n1
.
(n) Os vetores coluna de ¹ formam uma base de `
n1
(o) Os vetores linha de ¹ formam uma base de `
n1
(p) ¹ tem posto :.
(q) A nulidade de ¹ é ¦ 0¦.
Notas de aula do Professor Faleiros
Capítulo 4
Transformação linear
Uma função é uma regra 1 que associa a cada elemento de um conjunto ¹ um,
e exatamente um, elemento de um conjunto 1. Se 1 associa o elemento r de ¹
ao elemento n de 1. escrevemos n = 1 (r) . On é a imagemde r por 1 ou valor
de 1 em r. O conjunto ¹ é o domínio de 1 e o conjunto 1 é o contradomínio
de 1. Usaremos a notação 1 : ¹ ÷÷ 1 para indicar que 1 é uma função com
domínio ¹ e contradomínio 1. O conjunto 1 (¹) = ¦1 (r) : r ÷ ¹¦ é a imagem
de 1.
Quando ¹ e 1 forem conjuntos de números reais diremos que 1 é função
real de uma variável real.
Duas funções 1
1
e 1
2
são iguais e escreveremos 1
1
= 1
2
quando tiverem
o mesmo domínio, o mesmo contradomínio e 1
1
(r) = 1
2
(r) para todo r do
domínio que é comum a ambas.
Sejam \ e \ espaços vetoriais. Uma função 1 : \ ÷÷ \ é chamada
de aplicação ou transformação de \ em \. Quando \ = \. as funções
1 : \ ÷÷ \. recebem o nome de operadores.
Exemplo 4.1 1 : R
2
÷÷ R onde 1 (r. n) = rn+ 3r.
Exemplo 4.2 1 : R
2
÷÷ R
3
onde 1(r. n) = (r ÷n. 2r. 3r ÷5n).
Exemplo 4.3 As equações
n = r + n
· = 2rn
n = r
2
÷n
2
de…nem uma transformação 1 : R
2
÷ R
3
.
Notas de aula do Professor Faleiros
90 Transformação linear
De…nição 4.4 Uma transformação 1 : \ ÷ \ é linear se para todo n e ·
em \ e todo escalar /
1(u +v) = 1(u) + 1(v).
1(/ v) = / 1(v).
Se \ = \ então a transformação linear recebe o nome de operador linear.
A transformação nula, que leva todo vetor v no vetor nulo e a trans-
formação identidade que leva todo vetor nele mesmo são transformações
lineares.
Exemplo 4.5 As transformações 1
1
(r
1
. r
2
) = 2r
1
÷ 3r
2
e 1
2
(r
1
. r
2
) = 5r
1
de R
2
em R são lineares.
Exemplo 4.6 A transformação 1
3
(r
1
. r
2
) = (r
1
+ r
2
. ÷r
2
) de R
2
em R
2
é
linear.
Exemplo 4.7 Se ¹ for uma matriz ::. então 1(x) = ¹x é uma transfor-
mação linear que leva matrizes coluna x de tamanho :1 em matrizes coluna
¹x de tamanho :1.
Exemplo 4.8 Se 1 = ¦v
1
. . . . . v
n
¦ for uma base de \ a função 1 : \ ÷ R
n
.
de…nida por 1(v) = (c
1
. . . . . c
n
) que leva v no seu vetor de coordenadas (c
1
.
. . . . c
n
) na base 1. é uma transformação linear.
Exemplo 4.9 Se \ = 1
2
(R) for o espaço vetorial dos polinômios de grau
menor ou igual a 2 com coe…cientes reais, então as funções
1
1
(j)(r) = j(cr + /)
1
2
(j)(r) = rj(r)
de…nidas para todo j em 1
2
(R)
Exemplo 4.10 A transformação 1 que leva uma função 1 de ((÷·. ·) na
função 1(1) de (
1
(÷·. ·). de…nida por
1(1)(r) =

x
0
1(t)dt
é uma transformação linear.
Exemplo 4.11 A transformação 1 que leva uma função 1 de (
1
(÷·. ·) na
função 1(1) de ((÷·. ·). de…nida por 1(1)(r) = 1
0
(r) é uma transformação
linear.
Notas de aula do Professor Faleiros
4.1 Transformação linear e bases 91
Exemplo 4.12 Sendo : 1 um número inteiro, a função que leva uma matriz
quadrada :: em seu determinante não é linear pois, se / for um real e ¹.
1 forem duas matrizes quadradas : :. então
det(¹ + 1) = det(¹) + det(1)
e
det(/ 1) = /
n
det(1).
Propriedades das transformações lineares
Se \ e \ forem espaços vetoriais e 1 : \ ÷ \ uma transformação linear
então, sendo c
1
. . . . . c
n
escalares e v. v
1
. . . . . v
n
vetores de \. então
1. 1(0) = 0.
2. 1(÷v) = ÷1(v).
3. 1(v
1
÷v
2
) = 1(v
1
)÷ 1(v
2
).
4. 1(c
1
v
1
+ + c
n
v
n
) = c
1
1(v
1
)+ + c
n
1(v
n
).
Podemos usar o símbolo de somatório para expressar esta última pro-
priedade e escrever
1

n
¸
i=1
c
i
v
i

=
n
¸
i=1
c
i
1(v
i
).
Exemplo 4.13 A transformação 1(r
1
. r
2
) = (1 + r
1
. 2 + r
2
) do R
2
no R
2
não é linear pois 1(0. 0) = (1. 2) não é igual a (0. 0).
4.1 Transformação linear e bases
Seja 1 : \ ÷ \ uma transformação linear e 1 = ¦v
1
. . . . . v
n
¦ uma base de
\. Para cada vetor u de \. existem escalares c
1
. . . . . c
n
tais que
u = c
1
v
1
+ + c
n
v
n
.
Da linearidade de 1.
1(u) = 1(c
1
v
1
+ + c
n
v
n
) = c
1
1(v
1
) + + c
n
1(v
n
).
Desta igualdade tiramos duas conclusões. Primeiro: se conhecermos os valores
de 1 nos vetores de uma base de \. podemos calcular 1 num vetor u qual-
quer. Basta decompor este vetor numa combinação linear dos vetores da base.
Notas de aula do Professor Faleiros
92 Transformação linear
Segundo: sendo 1 = ¦v
1
. . . . . v
n
¦ uma base de \. toda transformação linear
1 de \ em \ é da forma
1(u) = c
1
w
1
+ + c
n
w
n
onde w
1
= 1(v
1
). . . . . w
n
= 1(v
n
) são os valores de 1 no vetores v
i
de uma
base 1 e (c
1
. . . . . c
n
) é o vetor de coordenadas de u na base 1.
Em particular, quando 1 é uma transformação linear do R
n
em R e 1 =
¦e
1
. . . . . e
n
¦ é a base canônica do R
n
. então
1(r
1
. . . . . r
n
) = r
1
1(e
1
) + + r
n
1(e
n
) = c
1
r
1
+ + c
n
r
n
.
onde c
1
= 1(e
1
). . . . . c
n
= 1(e
n
) são números reais. Quando 1 é uma trans-
formação linear do R
n
em R
m
. então
1(r
1
. . . . . r
n
) = r
1
1(e
1
) + + r
n
1(e
n
)
e agora
1(e
1
) = (c
11
. . . . . c
m1
). . . . . 1(e
n
) = (c
1n
. . . . . c
mn
)
são vetores do R
m
e
1(r
1
. . . . . r
n
) = (c
11
r
1
. . . . . c
m1
r
n
) + + (c
1n
r
n
. . . . . c
mn
r
n
)
ou
1(r
1
. . . . . r
n
) = (c
11
r
1
+ + c
1n
r
n
. . . . . c
m1
r
n
+ + c
mn
r
n
).
Conclusão: Toda transformação linear 1 : R
n
÷ R é da forma
1(r
1
. . . . . r
n
) = c
1
r
1
+ + c
n
r
n
.
onde c
1
. . . . . c
n
são números reais. Toda transformação linear 1 : R
n
÷ R
m
é da forma
1(r
1
. . . . . r
n
) = (c
11
r
1
+ + c
1n
r
n
. . . . . c
m1
r
n
+ + c
mn
r
n
).
onde c
ij
. para i = 1. . . . . : e , = 1. . . . . :. Observe que
1
1
(r
1
. . . . . r
n
) = c
11
r
1
+ + c
1n
r
n
.
.
.
1
m
(r
1
. . . . . r
n
) = c
m1
r
1
+ + c
mn
r
n
Notas de aula do Professor Faleiros
4.1 Transformação linear e bases 93
são transformações lineares do R
n
em R e
1(r
1
. . . . . r
n
) = ( 1
1
(r
1
. . . . . r
n
) . . . . . 1
m
(r
1
. . . . . r
n
) ).
Escrevendo
1 (r
1
. . . . . r
n
) = (n
1
. . . . . n
m
)
então
n
1
= c
11
r
1
+ + c
1n
r
n
.
.
.
n
m
= c
m1
r
1
+ + c
mn
r
n
As igualdades acima podem ser resumidas numa única igualdade matricial

n
1
.
.
.
n
m
¸
¸
¸
=

c
11
c
1n
.
.
.
.
.
.
.
.
.
c
m1
c
mn
¸
¸
¸

r
1
.
.
.
r
n
¸
¸
¸
ou [y] = [1] [x].
onde [1] = [c
ij
] é chamada de matriz canônica da transformação linear 1.
enquanto [x] e [y] são as matrizes das coordenadas de x e y nas bases canônicas
do R
n
e do R
m
. respectivamente.
Exemplo 4.14 Sendo ¦v
1
. v
2
. v
3
¦ uma base de um espaço vetorial \ de
dimensão três e 1 uma transformação linear de \ em R tal que 1(v
1
) = 3.
1(v
2
) = 2. 1(v
3
) = 1. Se v = ÷2v
1
+ 5v
2
+ 4v
3
. então
1(v) = ÷21(v
1
) + 51(v
2
) + 41(v
3
) = ÷2 3 + 5 2 + 4 1 = 8
Exemplo 4.15 Sejam v
1
= (1. 1. 1). v
2
= (1. 1. 0) e v
3
= (1. 0. 0). Então ¦v
1
.
v
2
. v
3
¦ é base do R
3
. Sabendo que 1 : R
3
÷ R
2
é linear e que 1(v
1
) = (1. 0).
1(v
2
) = (2. 1) e 1(v
3
) = (3. ÷2). podemos calcular 1 em todo terno ordenado
(r
1
. r
2
. r
3
). Basta decompor o terno numa combinação linear dos vetores da
base
(r
1
. r
2
. r
3
) = r
3
(1. 1. 1) + (r
2
÷r
3
)(1. 1. 0) + (r
1
÷r
2
)(1. 0. 0)
e calcular
1(r
1
. r
2
. r
3
) = r
3
1(1. 1. 1) + (r
2
÷r
3
)1(1. 1. 0) + (r
1
÷r
2
)1(1. 0. 0)
= r
3
(1. 0) + (r
2
÷r
3
)(2. 1) + (r
1
÷r
2
)(3. ÷2)
= ( 3r
1
÷r
2
÷r
3
. 3r
2
÷2r
1
÷r
3
).
Em particular,
1(1. 3. 4) = (4. ÷7).
Notas de aula do Professor Faleiros
94 Transformação linear
Exemplo 4.16 As transformações 1
1
(r
1
. r
2
) = 2r
1
÷ r
2
e 1
2
(r
1
. r
2
) = 3r
2
do R
2
em R são lineares. A transformação 1
3
(r
1
. r
2
) = 5 + r
1
+ 2r
2
não é
linear por causa da parcela 5.
Exemplo 4.17 A matriz canônica da transformação linear 1 : R
3
÷ R
3
de…nida por
1(r
1
. r
2
. r
3
) = (2r
1
÷r
2
. r
1
÷3r
2
+ r
3
. r
2
÷r
3
)
é
[1] =

2 ÷1 0
1 ÷3 1
0 1 ÷1
¸
¸
.
4.2 Exemplos de transformações lineares
Re‡exões no R
2
O operador 1
1
(r
1
. r
2
) = (r
1
. ÷r
2
) re‡ete o ponto (r. n) no eixo 1 do R
2
.
O operador 1
2
(r
1
. r
2
) = (÷r
1
. r
2
) re‡ete o ponto (r. n) no eixo do R
2
.
O operador 1
3
(r
1
. r
2
) = (r
2
. r
1
) re‡ete o ponto (r. n) na reta r = n do
R
2
.
Re‡exões no R
3
O operador 1 (r
1
. r
2
. r
3
) = (r
1
. r
2
. ÷r
3
) re‡ete o ponto (r. n) no plano 12 do
R
3
.
O operador 1 (r
1
. r
2
. r
3
) = (r
1
. ÷r
2
. r
3
) re‡ete o ponto (r. n) no plano 13
do R
3
.
O operador 1 (r
1
. r
2
. r
3
) = (÷r
1
. r
2
. r
3
) re‡ete o ponto (r. n) no plano 23
do R
3
.
Rotações no R
2
Seja o um número real. Se girarmos os pontos (1. 0) e (0. 1) do R
2
de um
ângulo o no sentido anti-horário em torno da origem, vamos obter os pontos
(cos o. sen o) e (÷sen o. cos o). Uma transformação linear que gira qualquer
ponto (r
1
. r
2
) de um ângulo o no sentido anti-horário em torno da origem é
tal que
1 (r
1
. r
2
) = r
1
1(1. 0) + r
2
1(0. 1)
= r
1
(cos o. sen o) + r
2
(÷sen o. cos o)
= ( r
1
cos o ÷r
2
sen o. r
1
sen o + r
2
cos o ) .
Notas de aula do Professor Faleiros
4.2 Exemplos de transformações lineares 95
Ao girar o ponto (r
1
. r
2
) de um ângulo o obtemos o ponto (n
1
. n
2
) onde
1(r
1
. r
2
) = (n
1
. n
2
) onde
n
1
= r
1
cos o ÷r
2
sen o.
n
2
= r
1
sen o + r
2
cos o.
Usando a notação matricial, chega-se a
¸
n
1
n
2

=
¸
cos o ÷sen o
sen o cos o
¸
r
1
r
2

.
Rotações no R
3
1. O operador
1 (r
1
. r
2
. r
3
) = (r
1
. r
2
cos o ÷r
3
sen o. r
2
sen o + r
3
cos o)
estabelece uma rotação de um ângulo o. em torno do eixo 1. no sentido
anti-horário quando se olha para a origem do semi-espaço r
1
0. Sendo
(n
1
. n
2
. n
3
) = 1(r
1
. r
2
. r
3
). obtemos a igualdade matricial

n
1
n
2
n
3
¸
¸
=

1 0 0
0 cos o ÷sen o
0 sen o cos o
¸
¸

r
1
r
2
r
3
¸
¸
.
2. O operador
1 (r
1
. r
2
. r
3
) = (r
1
cos o + r
3
sen o. r
2
. ÷r
1
sen o + r
3
cos o)
estabelece uma rotação de um ângulo o. em torno do eixo 2. no sentido
anti-horário quando se olha para a origem do semi-espaço r
2
0. Sendo
(n
1
. n
2
. n
3
) = 1(r
1
. r
2
. r
3
). obtemos a igualdade matricial

n
1
n
2
n
3
¸
¸
=

cos o 0 sen o
0 1 0
÷sen o 0 cos o
¸
¸

r
1
r
2
r
3
¸
¸
.
3. O operador
1 (r
1
. r
2
. r
3
) = (r
1
cos o ÷r
2
sen o. r
1
sen o + r
2
cos o. r
3
)
estabelece uma rotação de um ângulo o. em torno do eixo 3. no sentido anti-
horário quando se olha para a origem do semi-espaço r
3
0. Sendo (n
1
. n
2
.
n
3
) = 1(r
1
. r
2
. r
3
). obtemos a igualdade matricial

n
1
n
2
n
3
¸
¸
=

cos o ÷sen o 0
sen o cos o 0
0 0 1
¸
¸

r
1
r
2
r
3
¸
¸
.
Notas de aula do Professor Faleiros
96 Transformação linear
Dilatações e contrações no R
n
Seja / _ 0 um número real. O operador linear de…nido sobre o R
n
por 1 (x) =
/x. é chamado de homotetia de razão /. Quando 0 6 / < 1 recebe o nome
de contração e, quando / 1. recebe o nome de dilatação.
4.3 Composição e inversa
Sejam l. \ e \ espaços vetoriais, 1 : l ÷ \ e 1 : \ ÷ \ duas transfor-
mações entre espaços vetoriais. A função 1 · 1 : l ÷ \ de…nida por
1 · 1(u) = 1(1(u))
é a composta de 1 com 1. A operação que leva 1 e 1 em 1 · 1 é chamada
de composição de transformações.
Teorema 4.18 A composta de duas transfomações lineares é linear.
Prova. Se u
1
e u
2
forem dois vetores em l. se c e forem dois escalares,
então
1 · 1(cu
1
+ u
2
) = 1( 1(cu
1
+ u
2
) )
= 1( c1(u
1
) + 1(u
2
) )
= c1( 1(u
1
) ) + 1( 1(u
2
) )
= c1 · 1(u
1
) + 1 · 1(u
2
)
provando a linearidade da composta. Na passagem da primeira para a segunda
linha usamos a linearidade de 1. da segunda para a terceira a linearidade de
1 e, da terceira para a quarta, a de…nição de composta.
A composição de transformações lineares é associativa mas, nem sempre,
comutativa. Quando dois operadores 1 e 1 forem tais que 1 ·1 é igual a 1·1.
dizemos que eles comutam.
Exemplo 4.19 Os operadores lineares
1 (r. n) = (n. r) e 1(r. n) = (r. 0)
não comutam pois
1 · 1 (r. n) = 1( 1 (r. n) ) = 1(n. r) = (n. 0) .
e
1 · 1(r. n) = 1( 1(r. n) ) = 1 (r. 0) = (0. r) .
Notas de aula do Professor Faleiros
4.3 Composição e inversa 97
Exemplo 4.20 Os operadores
1(r
1
. r
2
) = (÷r
1
. r
2
) e 1(r
1
. r
2
) = (r
1
. ÷r
2
)
comutam pois
1 · 1(r
1
. r
2
) = 1(r
1
. ÷r
2
) = (÷r
1
. ÷r
2
)
e
1 · 1(r
1
. r
2
) = 1(÷r
1
. r
2
) = (÷r
1
. ÷r
2
).
mostrando que 1 · 1 = 1 · 1.
Exemplo 4.21 Considere as transformações lineares 1 : 1
1
÷ 1
2
e 1 : 1
2
÷
1
2
de…nidas por 1(j)(r) = ¡(r) = rj(r) e 1(j)(r) = j(2r + 4). Então
1 · 1(j)(r) = 1(1(j))(r) = 1(¡)(r) = ¡(2r + 4) = (2r + 4)j(2r + 4).
Ao compor uma transformação 1 : \ ÷\ com a transformação identidade
1 : \ ÷ \. obtemos a própria 1 uma vez que
1 · 1 = 1 · 1 = 1.
O conceito de composição se aplica a duas ou mais transformações. Dadas as
transformações, 1
1
: \
1
÷ \
2
. 1
2
: \
2
÷ \
3
. 1
3
: \
3
÷ \
4
. de…nimos
1
3
· 1
2
· 1
1
: \
1
÷ \
4
por
1
3
· 1
2
· 1
1
(v) = 1
3
(1
2
(1
1
(v))).
para todo v em \.
As de…nições de função injetora, sobrejetora, bijetora e inversa se aplicam
à transformações entre espaços vetoriais.
De…nição 4.22 Seja 1 : \ ÷ \ uma transformação do espaço vetorial \
no espaço vetorial \.
1 é injetora se levar vetores distintos de \ em vetores distintos de \. Isto
signi…ca que, se v
1
= v
2
. então 1(v
1
) = 1(v
2
). Ou ainda, se 1(v
1
) = 1(v
2
)
implicar em v
1
= v
2
.
1 é sobrejetora quando sua imagem for igual a \. Isto signi…ca que, se
w pertence a \. existe v em \ tal que 1(v) = w.
1 é bijetora quando for injetora e sobrejetora. Neste caso, 1 possui inversa
1
1
: \ ÷ \. Se 1(v) = w. então 1
1
(w) = v e
1
1
· 1(v) = v e 1 · 1
1
(w) = w.
Notas de aula do Professor Faleiros
98 Transformação linear
As projeções não são injetoras nem sobrejetoras. As rotações são isomor-
…smos.
Teorema 4.23 Seja 1 : \ ÷ \ uma transformação linear entre espaços
vetoriais. Então 1 é injetora se e só se 1 (v) = 0 implicar em v = 0.
Prova. Se 1 for linear, então 1(0) = 0. Sendo 1 injetora e 1 (v) = 0
então v = 0.
Reciprocamente, suponha que 1 (v) = 0 implica em v = 0. Sejam v
1
e v
2
tais que 1 (v
1
) = 1 (v
2
) . Então, da linearidade de 1. segue 1 (v
1
÷v
2
) = 0. o
que implica em v
1
÷v
2
= 0. provando que 1 é injetora.
De…nição 4.24 Uma transformação linear bijetora é chamada de isomor-
…smo. Existindo um isomor…smo entre \ e \. estes espaços vetoriais são
ditos isomorfos.
Teorema 4.25 Dois espaços vetoriais de dimensão …nita são isomorfos se, e
só se, suas dimensões forem iguais. O isomor…smo entre eles leva a base de
um espaço numa base do outros.
Teorema 4.26 Sejam \ e \ espaços vetoriais de dimensão …nita e 1 : \ ÷
\ uma transformação linear. Se dim\ = dim\ então são equivalentes
1. 1 é um isomor…smo.
2. 1 é sobrejetora.
3. 1 é injetora.
Sendo 1 : \ ÷ \ um isomor…smo existe a transformação inversa 1
1
: \
÷ \. que também é um isomor…smo.
Exemplo 4.27 Seja ¹ uma matriz :: e considere a transformação linear
1 : `
n1
÷ `
m1
de…nida por 1(x) = ¹x. Esta transformação é invertível
se e só se ¹ for invertível.
Sobre o ponto de vista da Álgebra Linear, dois espaços isomorfos são indis-
tinguíveis. Toda propriedade de um se transfere para o outro pelo isomor…smo.
Exemplo 4.28 A transformação linear 1 : 1
n
÷1
n+1
. de…nida por 1(j)(r) =
rj(r). é injetora mas não é sobrejetora. Sua imagem é formada pelos polinômios
de grau : + 1 cujo termo constante é nulo.
Notas de aula do Professor Faleiros
4.4 Matriz de uma transformação linear 99
Exemplo 4.29 A transformação linear 1 : (
1
(R) ÷ ((R) que leva uma
função 1 em sua derivada 11 não é injetora, uma vez que as derivadas de
duas funções são iguais quando a diferença entre elas for a função constante.
Exercício 4.30 Veri…que quais transformações abaixo são injetoras
1. 1 : R
2
÷ R
2
onde 1(r. n) = (r cos o ÷nsen o. rsen o + n cos).
2. 1 : R
3
÷ R
3
onde 1(r. n. .) = (r. n. 0).
3. 1 : `
61
÷ `
31
onde 1(x) = ¹x. onde
¹ =

÷1 2 0 4 5 ÷3
3 ÷7 2 0 1 4
2 ÷5 2 4 6 1
4 ÷9 2 ÷4 ÷4 7
¸
¸
¸
¸
.
Se 1 : l ÷ \ e 1 : \ ÷ \ forem isomor…smos, então a composta 1 · 1
é um isomor…smo e (1 · 1)
1
= 1
1
· 1
1
.
Este resultado se aplica à composição de três ou mais transformações lin-
eares. Se 1. o e 1 forem isomor…smos e a composição 1 · o · 1 puder ser
efetuada, ela será um isomor…smo e
(1 · o · 1)
1
= 1
1
· o
1
· 1
1
.
4.4 Matriz de uma transformação linear
Seja 1
1
= ¦v
1
. . . . . v
n
¦ uma base de \ e 1
2
= ¦w
1
. . . . . w
m
¦ uma base de
\. Se 1 : \ ÷ \ for uma transformação linear, pode-se escrever
1(v
j
) =
m
¸
i=1
c
ij
w
i
para , = 1. . . . . :. A matriz de 1 em relação às bases 1
1
e 1
2
é
[1]
21
=

c
11
c
1n
.
.
.
.
.
.
.
.
.
c
m
c
mn
¸
¸
¸
Teorema 4.31 Seja 1 : \ ÷ \ uma transformação linear, 1
1
uma base de
\ e 1
2
uma base de \. Dado v em \.
[1(v)]
2
= [1]
21
[v]
1
Notas de aula do Professor Faleiros
100 Transformação linear
onde [1]
21
é a matriz de 1 nas bases 1
2
e 1
1
. [v]
1
e [1(v)]
2
são as matrizes
de coordenadas de v e 1(v) nas bases 1
1
e 1
2
. respectivamente.
Num linguagem informal, a matriz de coordenadas de 1(v) é a matriz de
1 multiplicada pela matriz de coordenadas de v.
Prova. Se v =
¸
n
j=1
r
j
v
j
e 1(v) =
¸
m
i=1
n
i
w
i
. então [v]
1
= [r
1
. . . . . r
n
]
T
. [1(v)]
2
= [n
1
. . . . . n
m
]
T
são as matrizes de coordenadas de v e 1(v) nas bases
1
1
= ¦v
1
. . . . . v
n
¦ e 1
2
= ¦w
1
. . . . . w
m
¦. respectivamente. Sendo 1(v
j
) =
¸
m
i=1
c
ij
w
i
. então [1]
21
= [c
ij
] e
1(v) =
n
¸
j=1
r
j
1(v
j
) =
n
¸
j=1
r
j
m
¸
i=1
c
ij
w
i
=
m
¸
i=1

n
¸
j=1
c
ij
r
j

w
i
=
m
¸
i=1
n
i
w
i
de onde se conclui que n
i
=
¸
n
j=1
c
ij
r
j
. para i = 1. . . . . :. que corresponde à
igualdade matricial
[1(v)]
2
= [1]
21
[v]
1
.

Quando 1 : \ ÷ \ for um operador linear, é usual tomar uma única base
1
1
em lugar de duas bases distintas 1
1
e 1
2
. Neste caso, fazendo 1
1
= 1
2
. a
matriz [1]
11
é chamada de matriz de 1 na base 1
1
e é denotada por [1]
1
. Se
denotarmos 1
1
por 1. sem índice, denota-se [1]
1
simplesmente por [1] . Sendo
v um vetor de \. [v] a matriz das coordenadas de v na base 1 e [1(v)] a
matriz das coordenadas de 1(v) na base 1. obtemos
[1(v)] = [1][v].
Quando 1
1
é a base canõnica do R
n
e 1
2
é a base canônica do R
m
. a matriz
[1]
21
de uma transformação linear 1 do R
n
no R
m
nas bases 1
1
e 1
2
é a sua
matriz canônica.
Exemplo 4.32 Seja 1 : R
2
÷ R
3
de…nida por
1(r. n) = (n. ÷2r + 3n. r ÷n).
Sendo 1
1
= ¦ (2. 1). (1. 2)¦ e 1
2
= ¦ (1. 0. ÷1). (0. 1. 0). (1. 2. 0) ¦. temos
1(2. 1) = (1. ÷1. 1) = ÷1(1. 0. ÷1) ÷5(0. 1. 0) + 2(1. 2. 0)
1(1. 2) = (2. 4. ÷1) = 1(1. 0. ÷1) + 2(0. 1. 0) + 1(1. 2. 0)
e a matriz de 1 em relação às bases 1
1
e 1
2
é
[1]
21
=

÷1 1
÷5 2
2 1
¸
¸
.
Notas de aula do Professor Faleiros
4.5 Matriz da composta e da inversa 101
Exemplo 4.33 Seja 1 : 1
1
÷ 1
2
de…nida por 1(j)(r) = rj(r). Sendo 1
1
=
¦1. r¦ e 1
2
= ¦1. r. r
2
¦. então
[1]
21
=

0 0
1 0
0 1
¸
¸
.
Exemplo 4.34 Seja 1 : 1
2
÷ 1
2
de…nida por 1(j)(r) = j(3r ÷ 5). Sendo
1 = ¦1. r. r
2
¦ então
[1] =

1 ÷5 25
0 3 ÷30
0 0 9
¸
¸
.
para calcular 1(1 + 2r + 3r
2
). basta efetuar o produto matricial

1 ÷5 25
0 3 ÷30
0 0 9
¸
¸

1
2
3
¸
¸
=

66
÷84
27
¸
¸
para obter 1(1 + 2r + 3r
2
) = 66 ÷84r + 27r
2
.
4.5 Matriz da composta e da inversa
Sejam l. \ e \ espaços vetoriais de dimensão …nita. Seja 1
1
= ¦u
1
. . . . . u
m
¦
uma base de l. 1
2
= ¦v
1
. . . . . v
n
¦ uma base de \ e 1
3
= ¦w
1
. . . . . w
p
¦ uma
base de l. Sejam 1 : \ ÷ \ e 1 : \ ÷ l duas transformações lineares. Se
1(u
j
) =
n
¸
k=1
c
kj
v
k
1(v
k
) =
p
¸
i=1
/
ik
w
i
e 1 · 1(u
j
) =
p
¸
i=1
c
ij
w
i
então
[1]
21
= [c
kj
]. [1]
32
= [/
ik
] e [1 · 1]
31
= [c
ij
].
Observe: sempre que há soma sobre um índice, ele aparece repetido. Por
exemplo, no somatório em /.
¸
n
k=1
c
kj
v
k
. o sub-índice / aparece em c
kj
e
em v
k
. Vamos ser corajosos, omitindo o símbolo de somatório, para escrever
apenas c
kj
v
k
. a…rmando, enfaticamente, que ao haver um subíndice repetido,
há soma neste índice. Esta notação é denominada de notação de Einstein.
Usando-a obtemos
1(u
j
) = c
kj
v
k
1(v
k
) = /
ik
w
i
e 1 · 1(u
j
) = c
ij
w
i
Notas de aula do Professor Faleiros
102 Transformação linear
Partindo da composta,
1 · 1(u
j
) = 1(1(u
j
)) = 1 (c
kj
v
k
) = c
kj
1 (v
k
)
= c
kj
/
ik
w
i
= /
ik
c
kj
w
i
= c
ij
w
i
.
Pela unicidade da decomposição de um vetor numa base, obtemos c
ij
= /
ik
c
kj
. para i = 1. . . . . j e , = 1. . . . . :. que correspondem à igualdade matricial
[1 · 1]
31
= [1]
32
[1]
21
.
Esta fórmula pode ser estendida para a composição de três ou mais transfor-
mações lineares.
Exercício 4.35 A transformação 1 : R
3
÷÷ R
3
que roda um vetor no sentido
anti-horário em torno do eixo . por um ângulo o. re‡ete o vetor resultante no
plano n. e projeta este vetor ortogonalmente sobre o plano rn. nesta ordem,
é a composta de três transformações lineares 1
1
. 1
2
e 1
3
. onde 1
1
realiza ao
primeira, 1
2
realiza a segunda e 1
3
realiza a terceira operação. As matrizes
canônicas das transformações lineares 1
1;
1
2
e 1
3
são
[1
1
] =

cos o ÷sen o 0
sen o cos o 0
0 0 1
¸
¸
[1
2
] =

÷1 0 0
0 1 0
0 0 1
¸
¸
[1
3
] =

1 0 0
0 1 0
0 0 0
¸
¸
.
Para obter a matriz canônica da composta 1 = 1
3
· 1
2
· 1
1
basta multiplicar
as matrizes
[1] = [1
3
] [1
2
] [1
1
] =

÷cos o sen o 0
sen o cos o 0
0 0 1
¸
¸
.
Lema 4.36 Se 1 : \ ÷ \ for um isomor…smo, se 1
1
for uma base de \ e
1
2
uma base de \. então
[1
1
]
12
= [1]
1
21
Prova. Se 1
1
: \ ÷ \ for a inversa de 1. então 1
1
· 1 = 1 onde 1 é o
operador identidade em \. Se 1
1
for uma base de \ e 1
2
for uma base de \.
aplicando a fórmula anterior com 1
3
= 1
1
. segue
[1
1
]
12
[1]
21
= [1]
11
.
Como [1]
11
é a matriz identidade, concluímos que a matriz [1
1
]
12
é a inversa
da matriz [1]
21
.
A recíproca também é verdadeira: Se [1]
21
for invertível, então a transfor-
mação linear 1 : \ ÷ \ é invertível e a matriz [1
1
]
12
de 1
1
: \ ÷ \ é a
inversa da matriz [1]
21
. Podemos então enunciar
Notas de aula do Professor Faleiros
4.6 Matrizes semelhantes 103
Teorema 4.37 Sejam \ e \ espaços vetoriais de dimensão …nita. Uma
transformação linear 1 : \ ÷ \ é um isomor…smo se, e só se, as matrizes
de 1 nas bases de \ e \ forem invertíveis.
Exemplo 4.38 Considere o operador linear 1 : R
3
÷ R
3
de…nido por
1(r
1
. r
2
. r
3
) = (3r
1
+ r
2
. ÷2r
1
÷4r
2
+ 3r
3
. 5r
1
+ 4r
2
÷2r
3
)
cuja matriz na base canônica
[1] =

3 1 0
÷2 ÷4 3
5 4 ÷2
¸
¸
é invertível e sua inversa
[1
1
] = [1]
1
=

4 ÷2 ÷3
÷11 6 9
÷12 7 10
¸
¸
é a matriz canônica de 1
1
.
4.6 Matrizes semelhantes
Duas matrizes quadradas e de mesmo tamanho ¹ e 1 são semelhantes se
existir uma matriz invertível 1 para a qual
¹ = 1
1
11.
Se ¹ e 1 forem semelhantes, então seus determinantes, seus postos, suas nul-
idades e seus traços serão iguais. Além disto, ¹ é invertível se, e só se, 1
também o for.
Vamos mostrar que matrizes de um operador linear são semelhantes.
Teorema 4.39 Sejam 1
1
e 1
2
duas bases de um espaço vetorial \ e `
12
a
matriz de transição da base 1
1
para a base 1
2
. Seja 1 : \ ÷ \ um operador
linear, [1]
1
a matriz de 1 na base 1
1
e [1]
2
a matriz de 1 na base 1
2
. Então
[1]
2
= `
1
12
[1]
1
`
12
.
Prova. Nesta demonstração usaremos a notação de Einstein para o so-
matório. Sejam 1
1
= ¦v
1
. . . . . v
n
¦ e 1
2
= ¦w
1
. . . . . w
n
¦ as duas bases de \.
Sendo `
12
= [c
ij
] a matriz de transição de 1
1
para 1
2
.
w
j
= c
ij
v
i
Notas de aula do Professor Faleiros
104 Transformação linear
para , = 1. . . . . :. Sendo [1]
1
= [r
ij
] e [1]
2
= [n
ij
]. respectivamente as matrizes
de 1 nas bases 1
1
e 1
2
. então
1(v
j
) = r
ij
v
i
e 1(w
j
) = n
ij
w
i
.
Por um lado,
1(w
j
) = n
kj
w
k
= n
kj
c
ik
v
i
= c
ik
n
kj
v
i
e, por outro,
1(w
j
) = 1 (c
kj
v
k
) = c
kj
1(v
k
) = c
kj
r
ik
v
i
= r
ik
c
kj
v
i
.
Da unicidade da decomposição de um vetor numa base, segue
c
ik
n
kj
= r
ik
c
kj
para i e , iguais a 1. . . . . :. o que nos leva à igualdade matricial
`
12
[1]
2
= [1]
1
`
12
o que prova o teorema, uma vez que a matriz de transição é invertível.
Este teorema mostra que matrizes de operadores lineares 1 : \ ÷ \ em
bases diferentes são semelhantes. Isto nos permite de…nir o determinante de
um operador linear 1 por
det(1) = det(¹)
onde ¹ é a matriz de 1 numa base qualquer de \. Como as matrizes de 1
nas bases de \ são todas semelhantes, esta de…nição de determinante não
dependente da base escolhida.
Exemplo 4.40 Seja 1 : R
2
÷ R
2
de…nida por 1(r
1
. r
2
) = (r
1
+ r
2
. ÷2r
1
+
4r
2
). Determine a matriz de 1 na base canônica 1
1
= ¦e
1
. e
2
¦ e a matriz de
1 na base 1
2
= ¦v
1
. v
2
¦ onde v
1
= (1. 1) e v
2
= (1. 2).
Resolução: Denotemos por [1]
1
a matriz de 1 na base canônica 1
1
e por
[1]
2
a matriz de 1 na base 1
2
. Temos
[1]
1
=
¸
1 1
÷2 4

.
Sendo
`
12
=
¸
1 1
1 2

Notas de aula do Professor Faleiros
4.6 Matrizes semelhantes 105
então
`
21
= `
1
12
=
¸
2 ÷1
÷1 1

e [1]
2
= `
21
[1]
1
`
12
. Efetuando o cálculo, obtemos
[1]
2
=
¸
2 ÷1
÷1 1
¸
1 1
÷2 4
¸
1 1
1 2

=
¸
2 0
0 3

e 1(n
1
v
1
+ n
2
v
2
) = 2n
1
v
1
+ 3n
2
v
2
.
Exemplo 4.41 A matriz canônica do operador linear 1 : R
2
÷ R
2
. de…nido
por 1(r
1
. r
2
) = (3r
1
+ 2r
2
. r
1
+ r
2
). é
¹ =
¸
3 2
1 1

.
Seu determinante é o determinante de ¹. de modo que det(1) = det(¹) = 1.
Exemplo 4.42 Seja o um número real e w
1
= (cos o. sen o). w
2
= (÷sen o.
cos o) dois vetores do R
2
. O conjunto 1
1
= ¦w
1
. w
2
¦ é uma base do R
2
.
Seja 1 o operador linear do R
2
tal que 1(w
1
) = w
1
e 1(w
2
) = ÷ w
2
. Esta
transformação linear é tal que 1(x) é o re‡exo de x na reta gerada por w
1
. A
matriz de 1 na base 1
1
é
[1]
1
=
¸
1 0
0 ÷1

.
Sendo 1
2
= ¦e
1
. e
2
¦ a base canônica do R
2
. vale a relação
w
1
= cos o e
1
+ sen o e
2
.
w
2
= ÷sen o e
1
+ cos o e
2
.
de onde obtemos a matriz de transição de 1
2
para 1
1
`
21
=
¸
cos o ÷sen o
sen o cos o

.
Sabemos que
[1]
2
= `
1
12
[1]
1
`
12
= `
21
[1]
1
`
1
21
=
¸
cos o ÷sen o
sen o cos o
¸
1 0
0 ÷1
¸
cos o sen o
÷sen o cos o

=
¸
cos 2o sen 2o
sen 2o ÷cos 2o

.
Notas de aula do Professor Faleiros
106 Transformação linear
Como [1(x)]
2
= [1]
2
[x]
2
. segue
[1(x)]
2
=
¸
cos 2o sen 2o
sen 2o ÷cos 2o
¸
r
1
r
2

=
¸
r
1
cos 2o + r
2
sen 2o
r
1
sen 2o ÷r
2
cos 2o

e
1(r
1
. r
2
) = ( r
1
cos 2o + r
2
sen 2o. r
1
sen 2o ÷r
2
cos 2o ).
Quando o = :6.
1(r
1
. r
2
) =
1
2
( r
1
+

3r
2
.

3r
1
÷r
2
).
4.7 Núcleo e imagem
Seja 1 : \ ÷ \ uma transformação linear. O conjunto
Im(1) = ¦1(v) : v ÷ \ ¦
é chamado de imagem de 1 e o conjunto
:nc(1) = ¦v ÷ \ : 1(v) = 0¦
dos vetores de \ que são levados no zero por 1 é chamado de núcleo de 1. A
imagem de 1 é um subespaço de \ e o núcleo de 1 é um subespaço de \.
A dimensão da imagem de 1 é chamada de posto de 1. denotada por
jo:(1) e a dimensão do núcleo é chamada de nulidade de 1. denotada por
:n|(1).
Se 1 : `
n1
÷ `
m1
for a transformação linear 1(x) = ¹x onde ¹ uma
matriz ::. então :n|(1) = :n|(¹) e jo:(1) = jo:(¹).
Exemplo 4.43 Seja ¹ uma matriz real de tamanho ::. Considere a trans-
formação 1 : R
n
÷ R
m
de…nida por 1(x) = ¹x. O núcleo de 1 é o espaço
nulo de ¹ e a imagem de 1 é o espaço coluna de ¹.
Exemplo 4.44 Seja 1 : R
3
÷ R
3
a transformação linear 1(r. n. .) = (2r +
3n. r + .. 3r + 3n + .). Determine sua imagem e seu núcleo.
Exemplo 4.45 O núcleo do operador 1 de…nido no R
3
por 1(r. n. .) = (r.
n. 0) é
:nc(1) = ¦(0. 0. .) ÷ R
3
: . ÷ R¦
que possui dimensão 1 e sua imagem é
i:(1) = ¦(r. n. 0) ÷ R
3
: r. n ÷ R¦
que possui dimensão 2. Logo, :n|(1) + jo:(1) = 1 + 2 = 3.
Notas de aula do Professor Faleiros
4.7 Núcleo e imagem 107
Teorema 4.46 Seja 1 : \ ÷ \ uma transformação linear. Se a dimensão
de \ for :. então
jo:(1) + :n|(1) = :.
Prova. Seja ¦v
1
. . . . . v
k
¦ uma base do núcleo e complete-a ¦v
1
. . . . . v
k
.
v
k+1
. . . . . v
n
¦. formando assim uma base de \. Para completar a prova, basta
mostrar que ¦1(v
k+1
). . . . . 1(v
n
)¦ é base da imagem. Se w for um vetor da
imagem de 1. existe um vetor v de \ tal que w = 1(v). Como v = c
1
v
1
+
+ c
k
v
k
+ + c
n
v
n
. segue
w = 1(v) = c
k+1
1(v
k+1
) + + c
n
1(v
n
)
uma vez que 1(v
1
). . . . . 1(v
k
) são iguais ao vetor nulo. Mostramos assim que
¦1(v
k+1
). . . . . 1(v
n
)¦ gera a imagem. Falta provar que este conjunto é linear-
mente independente. Se ¦1(v
k+1
). . . . . 1(v
n
)¦ fosse linearmente dependente,
existiriam escalares d
k+1
. . . . . d
n
. nem todos nulos, para os quais d
k+1
1(v
k+1
)
+ + d
n
1(v
n
) = 0. o que acarreta em 1(d
k+1
v
k+1
+ + d
n
v
n
) = 0.
Neste caso, o vetor d
k+1
v
k+1
+ + d
n
v
n
pertenceria ao núcleo de 1 e, por-
tanto, existiriam escalares d
1
. . . . . d
k
tais que d
k+1
v
k+1
+ + d
n
v
n
= d
1
v
1
+ + d
k
v
k
contradizendo a independência linear do conjunto ¦v
1
. . . . . v
k
.
v
k+1
. . . . . v
n
¦. Logo, ¦1(v
k+1
). . . . . 1(v
n
)¦ é linearmente independente, o que
completa a prova do teorema.
Exemplo 4.47 Seja o um número real. A imagem do operador linear 1(r. n. .) =
(r cos o ÷ n sen o. r sen o + n cos o. .) é todo o R
3
e o seu núcleo é o ¦0¦.
Veri…ca-se que :n|(1)+ jo:(1) = 3 de acordo com o teorema anterior.
Exemplo 4.48 Considere a transformação linear 1 : `
61
(R) ÷ `
41
(R)
de…nida por 1(x) = ¹x. onde
¹ =

÷1 2 0 4 5 ÷3
3 ÷7 2 0 1 4
2 ÷5 2 4 6 1
4 ÷9 2 ÷4 ÷4 7
¸
¸
¸
¸
.
Realizando operações elementares em ¹ obtemos sua forma escalonada
1 =

÷1 2 0 4 5 ÷3
0 ÷1 2 12 16 ÷5
0 0 0 0 0 0
0 0 0 0 0 0
¸
¸
¸
¸
que possui posto 2 e nulidade 4. Logo, o posto de 1 é igual a 2 e sua nulidade
é 4.
Notas de aula do Professor Faleiros
108 Transformação linear
Notas de aula do Professor Faleiros
Capítulo 5
Produto interno
5.0.1 Produtos internos
De…nição 5.1 Um produto interno ou produto escalar em um espaço ve-
torial real \ é uma operação que associa a cada par de vetores v e w um
número real denotado por 'v. w`. que tem as seguintes propriedades. Para
todo u. v. w em \ e para todo real c.
1. 'u. v` = 'v. u` (simetria)
2. 'u +v. w` = 'u. w` +'v. w` (aditividade)
3. ' cu. v` = c'u. v` (homegeneidade)
4. 'v. v` _ 0 (positividade)
5. 'v. v` = 0 ÷ v = 0
O produto interno de dois vetores v e w também é denotado por v w.
Escolha a notação que preferir.
Exemplo 5.2 Sejam x = (r
1
. . . . . r
n
) e y = (n
1
. . . . . n
n
) dois vetores do R
n
.
A operação
' x. y ` = r
1
n
1
+ + r
n
n
n
de…ne um produto interno em R
n
chamado de produto interno euclidiano.
Exemplo 5.3 Sejam c
1
. . . . . c
n
números reais positivos chamados pesos.
Sejam x = (r
1
. . . . . r
n
) e y = (n
1
. . . . . n
n
) dois vetores do R
n
. A operação
' x. y ` = c
1
r
1
n
1
+ + c
n
r
n
n
n
de…ne um produto interno em R
n
chamado de produto interno euclidiano
ponderado. Em particular, ' x. y ` = 2r
1
n
1
+ 3r
2
n
2
é um produto interno
euclidiano ponderado no R
2
.
Notas de aula do Professor Faleiros
110 Produto interno
Propriedades adicionais do produto interno
Para todo c real e todo u. v. w em um espaço vetorial real \ com produto
interno,
1. '0. v` = 'v. 0` = 0
2. 'u. v +w` = 'u. v` +'u. w`
3. ' u. cv` = c'u. v`
O produto interno é linear nos dois fatores. Fixado um vetor v
0
num espaço
vetorial \ com produto interno, os operadores 1(v) = 'v. v
0
` e 1(v) = 'v
0
. v`
são lineares.
5.1 Norma e distância
Seja \ um espaço vetorial real com produto interno. De…nimos a norma de
um vetor v em \ por
|v| =

'v. v`.
Sendo w outro vetor de \. de…nimos a distância de v a w por
d(v. w) = |v ÷w| =

'v ÷w. v ÷w`.
Observe que |v| = d( v. 0) e o conjunto dos vetores v em \ tais que |v| =
1 é chamado de esfera unitária de \. O conjunto dos vetores v em \ tais
que |v| _ 1 é chamado de disco unitário de \.
Exemplo 5.4 Sejam x = (r
1
. . . . . r
n
) e y = (n
1
. . . . . n
n
) duas ênuplas orde-
nadas de números reais. Designando o produto interno euclidiano no R
n
por
x y. então
|x| =

x x =

r
2
1
+ + r
2
n
é a norma euclidiana de x e
d(x. y) = |x ÷y| =

(x ÷y) (x ÷y) =

(r
1
÷n
1
)
2
+ + (r
n
÷n
n
)
2
é a distância euclidiana entre x e y. Sendo x = (1. 2. 3). sua norma euclid-
iana é
|(1. 2. 3)| =

1 + 4 + 9 =

14.
Notas de aula do Professor Faleiros
5.1 Norma e distância 111
Exemplo 5.5 Sejam x = (r
1
. r
2
) e y = (n
1
. n
2
) dois pares do R
2
. Se a
norma deste espaço vier do produto interno euclidiano ' x. y ` = r
1
n
1
+ r
2
n
2
então a esfera unitária é a circunferência de raio 1. Se a norma vier do produto
interno euclidiano ponderado ' x. y ` = 4r
1
n
1
+ 9r
2
n
2
. a esfera unitária será
uma elipse de semi eixos 12 e 13.
Exemplo 5.6 Sendo x e y duas matrizes coluna : 1 o produto de matrizes
x y = x
T
y
de…ne um produto interno no espaço vetorial das matrizes coluna reais : 1.
Se ¹ for uma matriz : :. então
(¹x) y = x

¹
T
y

.
Exemplo 5.7 Seja ¹ uma matriz quadrada real invertível : :. então
'x. y` = x
T
¹
T
¹y
é um produto interno no espaço vetorial das matrizes coluna reais `
n1
(R).
Um caso particular deste produto interno é aquele em que ¹ é a matriz iden-
tidade, quando então,
'x. y` = x
T
y.
Exemplo 5.8 Seja [c. /] um intervalo de números reais e
([c. /] = ¦ 1 : [c. /] ÷ R : 1 é contínua ¦.
Este conjunto, com as operações de adição de funções e multiplicação de uma
função por um número real é um espaço vetorial real. Nele
'1. o` =

b
a
1(r)o(r)dr
é um produto interno. Em relação a este produto interno, podemos de…nir a
norma e a distância entre funções 1 e o
| 1 |
2
=

b
a
1
2
(r)dr
e
d(1. o) =

b
a
[1(r) ÷o(r)]
2
dr.
Notas de aula do Professor Faleiros
112 Produto interno
Propriedades da norma
Para todo real / e todo v. w num espaço vetorial real \ com produto interno,
1. |v| _ 0
2. |v| = 0 ÷ v = 0
3. |/ v| = [/[ |v|
4. |v +w| _ |v| +|w| .
As três primeiras propriedades são consequências diretas das propriedades
do produto interno. A quarta propriedade é chamada de desigualdade tri-
angular e será provada usando a desigualdade de Cauchy-Schwarz.
Propriedades da distância
1. d(v. w) _ 0
2. d(v. w) = 0 se, e só se, v = w
3. d(v. w) = d(w. v)
4. d(v. w) _ d(v. u) + d(u. w).
Esta última desigualdade também recebe o nome de desigualdade trian-
gular e é uma consequência da desigualdade triangular para a norma.
5.2 Desigualdade de Cauchy-Schwarz
Sendo v e w dois vetores de um espaço vetorial real \ com produto interno,
vale a desigualdade
[v w[ _ |v| |w| .
denominada de desigualdade de Cauchy-Schwarz.
Passemos a demonstrá-la. Para todo número real \. pela propriedade (1)
segue |v + \w| _ 0. Elevando os dois membros da desigualdade ao quadrado,
0 _ |v + \w|
2
= (v + \w) (v + \w) = v v + \v w + \w v + \
2
w w
e
|v|
2
+ 2\v w + \
2
|w|
2
_ 0.
O lado esquerdo desta desigualdade pode ser escrita na forma c\
2
+/\ +c se
de…nirmos c = |w|
2
. / = 2v w e c = |v|
2
. Este trinômio é maior ou igual a
Notas de aula do Professor Faleiros
5.3 Ângulo entre dois vetores 113
zero para todo \ real se e só se /
2
÷ 4cc _ 0. Retornando aos valores originais
de c. / e c. obtemos
4(v w)
2
÷4 |v|
2
|w|
2
_ 0
ou, dividindo por 4 e extraindo a raiz quadrada, chegamos à desigualdade de
Cauchy-Schwarz
[v w[ _ |v| |w| .
A partir dela, segue
|v +w|
2
= (v +w) (v +w) = v v + 2v w +w w _ |v|
2
+ 2 [v w[ +|w|
2
_ |v|
2
+ 2 |v| |w| +|w|
2
= (|v| +|w|)
2
e, extraindo a raiz quadrada, obtemos a desigualdade triangular para a norma.
Desta desigualdade se deduz a desigualdade triangular para distâncias
d(v. w) = |v ÷w| = |(v ÷u) ÷(w÷u)| _ |v ÷u|+|u ÷w| = d(v. u)+d(u. w).
Exemplo 5.9 Para qualquer par de ênuplas ordenadas r e n. vale
r n =
1
4
|r + n|
2
÷
1
4
|r ÷n|
2
.
De fato,
|r + n|
2
= (r + n) (r + n) = |r|
2
+ 2r n +|n|
2
e
|r ÷n|
2
= (r ÷n) (r ÷n) = |r|
2
÷2r n +|n|
2
Logo,
|r + n|
2
÷|r ÷n|
2
= 4r n
provando a igualdade acima.
5.3 Ângulo entre dois vetores
Se v e w forem dois vetores não nulos de um espaço vetorial real \. segue da
desigualdade de Cauchy-Schwartz que

'v. w`
|v| |w|

_ 1.
Logo, existe um único número real o no intervalo [0. :] para o qual
'v. w`
|v| |w|
= cos o
Notas de aula do Professor Faleiros
114 Produto interno
e
'v. w` = cos o |v| |w| .
Este número real o é chamado de ângulo entre os vetores v e w.
Se 'v. w` = 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 '0. v` = 0
para todo vetor v de \. se diz que o vetor nulo 0 é ortogonal a todo vetor v
de \.
Exemplo 5.10 (Teorema de Pitágoras) Se v e w são vetores ortogonais
então |v +w|
2
= |v|
2
+|w|
2
.
Prova. Temos |v +w|
2
= (v +w) (v +w) = v v+ 2 v w + w w =
|v|
2
+ |w|
2
. pois u w = 0.
Exemplo 5.11 Os polinômios r e r
2
são ortogonais no produto interno
'1. o` =

1
1
1(r)o(r)dr.
Exemplo 5.12 O t:(¹) designa o traço de uma matriz quadrada ¹. No espaço
vetorial das matrizes reais quadradas de ordem :. a operação
'¹. 1` = t:(¹
T
1) = t:(1
T
¹)
de…ne um produto interno. Tomando : = 2. as matrizes
¹ =
¸
1 0
1 1

. 1 =
¸
0 2
0 0

são ortogonais neste produto interno.
Teorema 5.13 (de Pitágoras) Se v e w forem vetores ortogonais, então
|v +w|
2
= |v|
2
+|w|
2
.
Exemplo 5.14 O conjunto ¦r. r
2
¦ é ortogonal no espaço vetorial dos polinômios
reais de grau menor ou igual a 2, em relação ao produto interno
'j. ¡` =

1
1
j(r)¡(r) dr.
como
|r|
2
+

r
2

2
=

1
1
r dr

2
+

1
1
r
2
dr

2
= 0 +
4
9

r + r
2

2
=

1
1
(r + r
2
) dr

2
=
4
9
veri…ca-se que vale o teorema de Pitágoras para estes dois polinômios.
Notas de aula do Professor Faleiros
5.4 Bases ortogonais e ortonormais 115
5.4 Bases ortogonais e ortonormais
Seja \ um espaço vetorial real com produto interno. Um conjunto de vetores
de \ é ortogonal se dois a dois os vetores deste conjunto são ortogonais. Um
conjunto ortogonal no qual cada vetor tem norma 1 é chamado ortonormal.
Sendo ¦v
1
. . . . . v
n
¦ um conjunto ortogonal de vetores que não contém o
vetor nulo, então
¦
v
1
|v
1
|
. . . . .
v
n
|v
n
|
¦
é ortonormal.
Se G = ¦v
1
. v
2
. . . . . v
n
¦ é um conjunto ortogonal de vetores não nulos
de um espaço com produto interno, então G é linearmente independente. De
fato, se c
1
. . . . . c
n
forem escalares tais que c
1
v
1
+ +c
n
v
n
= 0. multiplicando
escalarmente os dois membros desta igualdade por v
i
. obtemos c
i
'v
i
. v
i
` = 0 o
que implica em c
i
= 0. Como i é qualquer inteiro entre 1 e :. concluímos que
c
1
= c
2
= = c
n
= 0. provando que G é linearmente independente.
Num espaço vetorial real \ com produto interno e dimensão :. todo con-
junto ortogonal com : vetores, que não contém o vetor nulo, é uma base de
\. Uma base formada por vetores ortogonais é chamada de base ortogonal.
Uma base formada por vetores ortonormais é chamada de base ortonormal.
Exemplo 5.15 O conjunto ¦v
1
. v
2
. v
3
¦ do R
3
. onde v
1
= (0. 1. 0). v
2
=
(1. 0. 1) e v
3
= (1. 0. ÷1) é ortogonal em relação ao produto interno euclidiano.
Suas normas de…nidas pelo produto interno euclidiano são |v
1
| = 1. |v
2
| =

2. |v
3
| =

2. O conjunto

v
1
|v
1
|
.
v
2
|v
2
|
.
v
3
|v
3
|
¸
=

(0. 1. 0).
1

2
(1. 0. 1).
1

2
(1. 0. ÷1)
¸
é ortonormal.
Exemplo 5.16 Os vetores
v
1
= (1. 0. 0). v
2
=
1

2
(0. 1. 1). v
3
=
1

2
(0. 1. ÷1)
formam um conjunto ortonormal em relação ao produto interno euclidiano do
R
3
e, portanto, é uma base ortonormal do R
3
.
5.5 Coordenadas numa base ortogonal
Se 1 = ¦v
1
. . . . . v
n
¦ for uma base ortogonal de um espaço vetorial \ com
produto interno, dado um vetor v em \. existem escalares c
1
. . . . . c
n
tais que
Notas de aula do Professor Faleiros
116 Produto interno
v = c
1
v
1
+ + c
n
v
n
. Efetuando o produto interno de v com v
i
. para i = 1.
2. . . . . :. obtemos
'v. v
i
` = c
i
'v
i
. v
i
`
uma vez que 'v
j
. v
i
` = 0 para todo , = i. Explicitando c
i
. segue
c
i
=
'v. v
i
`
'v
i
. v
i
`
=
'v. v
i
`
|v
i
|
2
de onde se obtém
v =
'v. v
1
`
|v
1
|
2
v
1
+ +
'v. v
n
`
|v
n
|
2
v
n
.
Se a base for ortonormal, então |v
i
| = 1 e
v = 'v. v
1
`v
1
+ +'v. v
n
`v
n
.
Exemplo 5.17 O conjunto 1 formado pelos vetores v
1
= (0. 1. 0). v
2
=

4
5
. 0.
3
5
). v
3
= (
3
5
. 0.
4
5
) é uma base ortonormal do R
3
em relação ao pro-
duto interno euclidiano. As coordenadas do vetor v = (1. 2. 3) nesta base são
c
1
= 'v. v
1
` = 2. c
2
= 'v. v
2
` = ÷
4
5
+
9
5
= 1. c
3
= 'v. v
3
` =
3
5
+
12
5
= 3 e,
desta forma,
v = 2v
1
+v
2
+ 3v
3
e o vetor das coordenadas de v na base 1 é (2. 1. 3).
5.6 Produto interno numa base ortonormal
Se 1 = ¦v
1
. . . . . v
n
¦ for uma base ortonormal de \. e v. w dois vetores de \
tais que
v = c
1
v
1
+ + c
n
v
n
.
w =
1
v
1
+ +
n
v
n
.
então
'v. w` = c
1

1
+ . . . + c
n

n
|v|
2
= c
2
1
+ . . . + c
2
n
d(v. w) =

(c
1
÷
1
)
2
+ . . . + (c
n
÷
n
)
2
Notas de aula do Professor Faleiros
5.7 Complemento ortogonal 117
5.7 Complemento ortogonal
Seja \ um subespaço de um espaço vetorial \ com produto interno. Um vetor
v de \ é dito ortogonal a \ se v for ortogonal a todos os vetores de \.
O conjunto de todos os vetores de \ ortogonais a \ é denotado por \
?
e chamado de complemento ortogonal de \. O complemento ortogonal de
\ é um subespaço vetorial de \.
O espaço nulo ¦0¦ é o complemento ortogonal de \ e vice-versa.
Propriedades do complemento ortogonal
Seja \ um subespaço de um espaço vetorial \ com produto interno.
1. O único vetor comum a \ e a \
?
é o 0.
2. Um vetor ortogonal a uma base de \ é ortogonal a todo vetor de \.
3. Se a dimensão de \ for …nita, o complemento ortogonal de \
?
é \.
isto é, (\
?
)
?
= \. *** Escrever a prova ***
4. Seja ¹ uma matriz : :. Então o espaço nulo de ¹ e o espaço col-
una de ¹
T
são complementos ortogonais com relação ao produto interno
euclidiano no espaço vetorial das matrizes coluna reais com : linhas.
De fato, sejam r
1
. r
2
. . . . . r
m
as linhas de ¹ que são as colunas de ¹
T
.
A matriz coluna x pertence ao espaço nulo de ¹. se, e só se, ¹x = 0. o
que equivale a 'r
1
. x` = = 'r
m
. x` = 0. Isto prova que x pertence ao
núcleo de ¹ se, e só se, pertencer ao complemento ortogonal do espaço
coluna de ¹
T
.
Exemplo 5.18 Seja \ o subespaço do R
5
gerado pelos vetores
w
1
= (2. 2. ÷1. 0. 1) w
2
= (÷1. ÷1. 2. ÷3. 1)
w
3
= (1. 1. ÷2. 0. 1) w
4
= (0. 0. 1. 1. 1)
Vamos obter uma base para o complemento ortogonal de \. Dispomos os
vetores como linhas de uma matriz

2 2 ÷1 0 1
÷1 ÷1 2 ÷3 1
1 1 ÷2 0 1
0 0 1 1 1
¸
¸
¸
¸
.
O espaço nulo desta matriz é gerado pelo vetor

1 ÷1 0 0 0

T
. Conclui-
se que o complemento ortogonal de \ é gerado pelo vetor (1. ÷1. 0. 0. 0).
Notas de aula do Professor Faleiros
118 Produto interno
5.8 Projeção ortogonal
Seja ¦v
1
. . . . . v
n
¦ uma base ortogonal de um subespaço \ de um espaço
vetorial real \ com produto interno e v um vetor de \. O vetor
w =
'v. v
1
`
'v
1
. v
1
`
v
1
+ +
'v. v
n
`
'v
n
. v
n
`
v
n
pertence a \ e é denominado projeção ortogonal de v em \. O vetor u = v
÷ w pertence ao complemento ortogonal de \ e é chamado de componente
de v ortogonal a \. Estes vetores são tais que que v = u + w. Quando a
base ¦v
1
. . . . . v
n
¦ de \ for ortonormal, então a projeção ortogonal de v em
\ é
w
1
= 'v. v
1
`v
1
+ +'v. v
n
`v
n
.
Exemplo 5.19 Considere no R
3
o produto interno euclidiano. A projeção
ortogonal de x = (r
1
. r
2
. r
3
) no espaço gerado por v
1
= (1. 0. 2) e v
2
= (0.
1. 1) é
'x. v
1
`
'v
1
. v
1
`
v
1
+
'x. v
2
`
'v
2
. v
2
`
v
2
=
r
1
+ 2r
3
5
(1. 0. 2) +
r
2
+ r
3
2
(0. 1. 1)
=
1
10
(2r
1
+ 4r
3
. 5r
2
+ 5r
3
. 4r
1
+ 5r
2
+ 13r
3
).
Exemplo 5.20 Seja \ o subespaço do R
3
gerado pelos vetores v
1
= (0. 1.
0) e v
2
= (÷45. 0. 35). Se considerarmos o produto interno euclidiano do
R
3
. o conjunto ¦v
1
. v
2
¦ é uma base ortonormal de \. A projeção ortogonal
de v = (1. 1. 1) em \ é
w = 1(0. 1. 0) ÷15(÷45. 0. 35) = 125(4. 25. ÷3)
e o componente de v ortogonal a \ é
u = v ÷w = (1. 1. 1) ÷(425. 1. ÷325) = 125(21. 0. 28).
Seja ¦v
1
. . . . . v
n
¦ uma base ortogonal de um subespaço \ de um espaço
vetorial \ com produto interno. O operador 1 de…nido sobre \ por
1(v) =
'v. v
1
`
'v
1
. v
1
`
v
1
+ +
'v. v
n
`
'v
n
. v
n
`
v
n
é linear e recebe o nome de projeção ortogonal sobre \. As projeções or-
togonais são tais que
1
2
= 1.
Transformações com esta propriedade são denominadas idempotentes ou
projeções (não necessariamente ortogonais).
Notas de aula do Professor Faleiros
5.9 Obtendo bases ortogonais 119
Exemplo 5.21 Consideremos o R
2
com o produto interno euclidiano. O eixo
1 é gerado por e
1
= (1. 0) e o eixo 2 é gerado por e
2
= (0. 1). Os operadores
lineares 1
1
(r
1
. r
2
) = (r
1
. 0) e 1
2
(r
1
. r
2
) = (0. r
2
) são as projeções ortogonais
nos eixos 1 e 2. respectivamente. A reta r
2
= r
1
é gerada pelo vetor v = e
1
+ e
2
= (1. 1). O operador linear de…nido no R
2
por
1(x) =
'x. v`
'v. v`
v =
'x. (1. 1)`
2
(1. 1)
é a projeção ortogonal na reta r
2
= r
1
. Sendo x = (r
1
. r
2
). obtemos
1 (r
1
. r
2
) =
1
2
(r
1
+ r
2
. r
1
+ r
2
)
Exemplo 5.22 Consideremos o R
3
com o produto interno euclidiano. O
plano 12 é gerado pelos vetores e
1
= (1. 0. 0) e e
2
= (0. 1. 0). O operador
linear 1
12
de…nido em x = (r
1
. r
2
. r
3
) do R
3
por
1
12
(x) = 'x. e
1
`e
1
+'x. e
2
`e
2
= (r
1
. r
2
. 0)
é a projeção ortogonal sobre o plano 12. As projeções sobre os planos 13
e 23 são, respectivamente, 1
13
(r
1
. r
2
. r
3
) = (r
1
. 0. r
3
) e 1
23
(r
1
. r
2
. r
3
) =
(0. r
2
. r
3
) .
5.9 Obtendo bases ortogonais
Vamos descrever o processo de Gram-Schmidt, que permite obter bases
ortogonais de espaços vetoriais de dimensão …nita. O nome é uma homenagem
aos matemáticos que o desenvolveram: Jürgen Pederson Gram (dinamarquês,
1850 - 1916) e Erhardt Schmidt (alemão, 1876 - 1959).
Este processo mostra como obter um conjunto ortogonal ¦w
1
. . . . . w
n
¦
a partir de um conjunto linearmente independente qualquer ¦v
1
. . . . . v
n
¦.
Comece de…nindo
w
1
= v
1
.
Em seguida tome
w
2
= v
2
÷c
12
w
1
e escolha c
12
de modo que w
2
se torne ortogonal a w
1
. Se 'w
2
. w
1
` = 0. segue
c
12
=
'w
1
. v
2
`
'w
1
. w
1
`
Em seguida, faça
w
3
= v
3
÷c
13
w
1
÷c
23
w
2
Notas de aula do Professor Faleiros
120 Produto interno
e escolha c
13
e c
23
de modo a tornar w
3
ortogonal a w
1
e w
2
. Aplicando estas
duas condições, obtém-se
c
13
=
'w
1
. v
3
`
'w
1
. w
1
`
e c
23
=
'w
2
. v
3
`
'w
2
. w
2
`
.
Continuando com este processo, de…na
w
j
= v
j
÷c
1j
w
1
÷c
2j
w
2
÷ ÷c
j1;j
w
j1
e determine os escalares c
ij
de modo a tornar w
j
ortogonal a w
i
. para i = 1.
2. . . . . , ÷1. Das condições de ortogonalidade obtemos
c
ij
=
'w
i
. v
j
`
'w
i
. w
i
`
para i = 1. 2. . . . . , ÷1.
Usando este processo, chega-se a um vetor w
1
que pertence ao espaço ger-
ado por v
1
. chega-se a um vetor w
2
que pertence ao espaço gerado por v
1
e
v
2
. Continuando com o processo até a etapa ,. chega-se a um w
j
que pertence
ao espaço gerado por v
1
. v
2
. . . . . v
j
.
Para obter uma base ortonormal usando o processo de Gram - Schmidt,
basta dividir cada vetor por sua norma
q
1
=
w
1
|w
1
|
. q
2
=
w
2
|w
2
|
. q
3
=
w
3
|w
3
|
.
O processo de Gram-Schmidt leva uma base ¦v
1
. . . . . v
n
¦ em outra ¦q
1
.
. . . . q
n
¦ ortonormal de modo que, para todo / _ 1. ¦q
1
. . . . . q
k
¦ é base do
espaço gerado por ¦v
1
. . . . . v
k
¦ e q
k+1
é ortogonal ao espaço gerado por ¦v
1
.
. . . . v
k
¦.
Exemplo 5.23 Obtenha uma base ortogonal ¦w
1
. w
2
. w
3
¦ do R
3
a partir da
base formada pelos vetores v
1
= (1. 1. 1). v
2
= (0. 1. 1). v
3
= (0. 0. 1).
Solução. Começamos por de…nir w
1
= v
1
= (1. 1. 1). Em seguida, toma-se
w
2
= v
2
÷c
12
w
1
. onde
c
12
=
'w
1
. v
2
`
'w
1
. w
1
`
=
2
3
.
resultando que
w
2
= (0. 1. 1) ÷
2
3
(1. 1. 1) =
1
3
(÷2. 1. 1).
Finalmente,
w
3
= v
3
÷c
13
w
1
÷c
23
w
2
Notas de aula do Professor Faleiros
5.10 Decomposição QR 121
onde
c
13
=
'w
1
. v
3
`
'w
1
. w
1
`
=
1
3
c
23
=
'w
2
. v
3
`
'w
2
. w
2
`
=
13
23
=
1
2
resultando em
w
3
= (0. 0. 1) ÷
1
3
(1. 1. 1) ÷
1
2
1
3
(÷2. 1. 1) =
1
2
(0. ÷1. 1).

5.10 Decomposição QR
Sejam c
1
. . . . . c
n
vetores coluna :1 linearmente independentes. Consider-
emos no espaço das matrizes reais : : o produto interno 'x. y` = x
T
y.
Podemos, mediante a utilização do processo de ortogonalização de Gram-
Schmidt, obter um conjunto ortonormal ¦q
1
. . . . . q
n
¦ de vetores coluna :1.
Calcule inicialmente
c
11
= [[c
1
[[ e q
1
=
1
c
11
c
1
e depois faça o índice , percorrer os inteiros de 2 a : e calcule
c
ij
= 'q
i
. c
j
` para i = 1. . . . . , ÷1
c
j j
= [[c
j
÷c
1; j
q
1
÷ ÷c
j1 ; j
q
j1
[[
q
j
=
1
c
jj
(c
j
÷c
1; j
q
1
÷ ÷c
j1 ; j
q
j1
)
A divisão é possível pois c
jj
é diferente de zero para , = 1. . . . . :. O c
jj
seria
zero para algum ,. apenas se a coluna c
j
for uma combinação linear das colunas
c
1
. . . . . c
j1
. o que não é o caso, por hipótese. Explicitando c
j
. obtemos
c
1
= c
11
q
1
c
2
= c
12
q
1
+ c
22
q
2
c
3
= c
13
q
1
+ c
23
q
2
+ c
33
q
3
.
.
.
Notas de aula do Professor Faleiros
122 Produto interno
Seja ¹ = [c
1
. . . . . c
n
] uma matriz :: cujas colunas c
1
. . . . . c
n
são linearmente
independentes. Seja ( = [q
1
. . . . . q
n
] a matriz : :. cujas colunas são as
matrizes q
1
. . . . . q
n
obtidas no processo de ortonormalização dos vetores coluna
de ¹. Desta forma,
¹ = (1
onde2n
1 =

c
11
c
12
c
1n
0 c
22
c
2n
0 0 c
3n
.
.
.
.
.
.
.
.
.
.
.
.
0 0 c
nn
¸
¸
¸
¸
¸
¸
¸
.
é uma matriz triangular superior invertível, uma vez que c
ii
= 0 para i =
1. 2. . . . . :. Podemos então enunciar o teorema conhecido como teorema da
decomposição QR.
Teorema 5.24 Seja ¹ uma matriz :: cujas colunas formam um conjunto
linearmente independentes de matrizes. Podemos realizar a fatoração ¹ =
(1. onde ( é uma matriz : : cujos vetores coluna formam um conjunto
ortonormal e 1 é uma matriz : : triangular superior e invertível.
Quando ¹ for quadrada, ( é quadrada e seus vetores coluna formam um
conjunto ortonormal no produto interno 'x. y` = x
T
y. Uma matriz quadrada
cujos vetores coluna formam um conjunto ortonormal são denominadas de
matrizes ortogonais, que são invertíveis e sua inversa é a sua transposta. A
inversa de uma matriz ortogonal é ortogonal e o determinante de uma matriz
ortogonal é igual a 1 ou ÷1.
Exemplo 5.25 Para obter a decomposição (1 de
¹ =

1 0 0
1 1 0
1 1 1
¸
¸
ortogonalize seus vetores coluna c
1
. c
2
e c
3
usando o processo de Gram-Schmidt
obtendo os vetores coluna ortonormais
q
1
=
1

3

1
1
1
¸
¸
. q
2
=
1

6

÷2
1
1
¸
¸
. q
3
=
1

2

0
÷1
1
¸
¸
.
formando a matriz
( =

1

3 ÷2

6 0
1

3 1

6 ÷1

2
1

3 1

6 1

2
¸
¸
Notas de aula do Professor Faleiros
5.11 Matriz ortogonal 123
e a matriz dos coe…cientes obtidos do procedimento de Gram-Schmidt
1 =

'q
1
. c
1
` 'q
1
. c
2
` 'q
1
. c
3
`
0 'q
2
. c
2
` 'q
2
. c
3
`
0 0 'q
3
. c
3
`
¸
¸
=
1
6

6

3 4

3 2

3
0 2

6 1

6
0 0 3

2
¸
¸
.
5.11 Matriz ortogonal
Uma matriz quadrada ¹ é ortogonal quando
¹
1
= ¹
T
.
As matrizes
¹ =
1
7

3 2 6
÷6 3 2
2 6 ÷3
¸
¸
e 1 =
¸
cos o ÷sen o
sen o cos o

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 5.26 A matriz
¹ =
1

2
¸
1 1
÷1 1

é ortogonal e det(¹) = 1.
Teorema 5.27 Seja ¹ uma matriz real :: e 'x. y` = x
T
y o produto interno
euclidiano em `
n1
(R). São equivalentes as seguintes a…rmações:
1. ¹ é ortogonal.
2. '¹x. ¹y` = 'x. y` para qualquer x e y em `
n1
(R).
3. |¹x| = |x| para qualquer x em `
n1
(R).
Notas de aula do Professor Faleiros
124 Produto interno
4. Os vetores linha de ¹ formam um conjunto ortonormal de `
1n
em
relação ao produto interno 'r
1
. r
2
` = r
1
r
T
2
.
5. Os vetores coluna de ¹ formam um conjunto ortonormal de `
n1
em
relação ao produto interno 'c
1
. c
2
` = c
T
1
c
2
.
Prova. Vamos provar que 2 implica em 1. Se '¹x. ¹y` = 'x. y` para
qualquer x e y em `
n1
(R). então

x. (¹
T
¹ ÷1)y

= 0. Fazendo x = (¹
T
¹÷
1)y. segue


T
¹ ÷1)y. (¹
T
¹ ÷1)y

= 0 ou (¹
T
¹ ÷ 1)y = 0. Como este
sistema homogêneo de equações lineares deve ser satisfeito para todo y. ¹
T
¹ =
1. mostrando que ¹ é ortogonal.
Para provar que 1 e 4 são equivalentes, considere as linhas r
1
. . . . . r
n
as
linhas de ¹. que serão as colunas de ¹
T
. A matriz ¹ é ortogonal se, e só se,
¹¹
T
= 1. Esta igualdade se veri…ca se, e só se,

r
1
r
T
1
r
1
r
T
2
r
1
r
T
n
r
2
r
T
1
r
2
r
T
2
r
2
r
T
n
.
.
.
.
.
.
.
.
.
r
n
r
T
1
r
n
r
T
2
r
n
r
T
n
¸
¸
¸
¸
¸
= 1
Esta igualdade matricial se veri…ca se, e só se, as linhas ¦r
1
. r
2
. . . . . r
n
¦ de ¹
formarem um conjunto ortonormal de `
1n
.
Para provar que 1 e 5 são equivalentes, considere a igualdade ¹
T
¹ = 1.
Teorema 5.28 Sejam 1
1
e 1
2
duas bases ortonormais de um espaço vetorial
real \ com dimensão …nita. A matriz de transição da base 1
1
para a base 1
2
é ortogonal.
Prova. Sendo 1
1
= ¦v
1
. . . . . v
n
¦ e 1
2
= ¦w
1
. . . . . w
n
¦ as duas bases
ortonormais de \. podemos escrever os vetores de 1
2
como combinação linear
dos vetores de 1
1
e os vetores de 1
1
como combinação linear dos vetores de
1
2
w
j
=
n
¸
i=1
c
ij
v
i
e v
j
=
n
¸
i=1
/
ij
w
i
.
Neste caso, `
12
= [c
ij
] é a matriz de transição da base 1
1
para a base 1
2
e
`
21
= [/
ij
] é a matriz de transição da base 1
2
para a base 1
1
. Já se sabe que
uma é a inversa da outra, `
21
= `
1
12
. Multiplicando escalarmente os dois lados
da igualdade w
j
=
¸
n
i=1
c
ij
v
i
por v
k
chega-se a 'w
j
. v
k
` =
¸
n
i=1
c
ij
'v
i
. v
k
` =
c
kj
. Do mesmo modo se obtém /
ij
= 'w
i
. v
j
` = c
ji
. provando que `
21
= `
T
12
.
de onde se conclui que `
1
12
= `
T
12
. A inversa de `
12
é sua transposta e,
portanto, ela é uma matriz ortogonal.
Notas de aula do Professor Faleiros
5.11 Matriz ortogonal 125
Exemplo 5.29 Sendo v
1
= (1. 0). v
2
= (0. 1). w
1
= (35. 45). w
2
= (45.
÷35) os conjuntos 1
1
= ¦v
1
. v
2
¦ e 1
2
= ¦w
1
. w
2
¦ são bases ortonormais do
R
2
em relação ao produto interno euclidiano. Como
w
1
=
3
5
v
1
+
4
5
v
2
w
2
=
4
5
v
1
÷
3
5
v
2
.
a matriz de transição da base 1
1
para a base 1
2
é
`
12
=
1
5
¸
3 4
4 ÷3

que é uma matriz ortogonal.
Exemplo 5.30 Rotação em duas dimensões.. Seja 1
1
= ¦v
1
. v
2
¦ uma base
ortonormal de um espaço vetorial \ de dimensão dois com produto interno. A
base 1
2
= ¦w
1
. w
2
¦ de…nida por
w
1
= v
1
cos o +v
2
sen o
w
2
= ÷v
1
sen o +v
2
cos o
é ortonormal e a matriz de mudança da base 1
1
para a base 1
2
é a matriz
ortogonal
`
12
=
¸
cos o ÷sen o
sen o cos o

.
Exemplo 5.31 Rotação em três dimensões. Seja 1
1
= ¦v
1
. v
2
. v
3
¦ uma base
ortonormal de um espaço vetorial \ de dimensão três com produto interno. A
base 1
2
= ¦w
1
. w
2
. w
3
¦ de…nida por
w
1
= v
1
cos o +v
2
sen o
w
2
= ÷v
1
sen o +v
2
cos o
w
3
= v
3
é ortonormal e a matriz de mudança da base 1
1
para a base 1
2
é a matriz
ortogonal
`
12
=

cos o ÷sen o 0
sen o cos o 0
0 0 1
¸
¸
cujo determinante é igual a 1.
Notas de aula do Professor Faleiros
126 Produto interno
Exemplo 5.32 Rotação em três dimensões. Seja 1
1
= ¦v
1
. v
2
. v
3
¦ uma base
ortonormal de um espaço vetorial \ de dimensão três com produto interno. A
base 1
2
= ¦w
1
. w
2
. w
3
¦ de…nida por
w
1
= v
1
cos o ÷v
3
sen o
w
2
= v
2
w
3
= v
1
sen o +v
3
cos o
é ortonormal e a matriz de mudança da base 1
1
para a base 1
2
é a matriz
ortogonal
`
12
=

cos o 0 sen o
0 1 0
÷sen o 0 cos o
¸
¸
cujo determinante é igual a 1.
Exemplo 5.33 Rotação em três dimensões. Seja 1
1
= ¦v
1
. v
2
. v
3
¦ uma base
ortonormal de um espaço vetorial \ de dimensão três com produto interno. A
base 1
2
= ¦w
1
. w
2
. w
3
¦ de…nida por
w
1
= v
1
w
2
= v
2
cos o +v
3
sen o
w
3
= ÷v
2
sen o +v
3
cos o
é ortonormal e a matriz de mudança da base 1
1
para a base 1
2
é a matriz
ortogonal
`
12
=

1 0 0
0 cos o ÷sen o
0 sen o cos o
¸
¸
cujo determinante é igual a 1.
5.12 Mínimos quadrados
Sejam u. v. w três vetores de um espaço vetorial real \ com produto interno.
Vamos dizer que o vetor v está mais perto de u do que o vetor w se d(u. v) <
d(u. w). Esta desigualdade é equivalente a |u ÷v| < |u ÷w| .
Seja \ um espaço vetorial real \ com produto interno e \ um subespaço
de \ com dimensão …nita. Vamos investigar qual é o vetor de \ que está mais
perto de um vetor x de \. Quando x está em \ então ele é o vetor de \ que
está mais perto de x.
Quando x não pertence a \. tomamos uma base ortonormal 1 = ¦v
1
. . . . .
v
n
¦ do subespaço \ e um vetor genérico w = c
1
v
1
+ + c
n
v
n
em \. Que
Notas de aula do Professor Faleiros
5.12 Mínimos quadrados 127
valores devemos atribuir aos reais c
1
. . . . . c
n
para w ser o vetor de \ mais
próximo de x? Ora,
|x ÷w|
2
= 'x ÷w. x ÷w`
= |x|
2
÷2'x. w` +|w|
2
= |x|
2
÷2c
1
'x. v
1
` ÷ ÷2c
n
'x. v
n
` + c
2
1
+ + c
2
n
Esta é uma função quadrática em c
1
. . . . . c
n
que possui um único valor mínimo
que ocorre no ponto onde as derivadas parciais em relação às variáveis c
1
. . . . .
c
n
forem iguais a zero. Calculando estas derivadas parciais e igualando a zero,
obtemos
c
i
= 'x. v
i
`.
O vetor de \ mais próximo de x é
w = 'x. v
1
`v
1
+ +'x. v
n
`v
n
.
Esta é a projeção ortogonal de x sobre \.
Existe uma outra maneira de resolver esta questão usando métodos pu-
ramente algébricos. Ao aproximar um vetor x de \ por um vetor y de \.
cometemos um êrro igual a x ÷ y. Quando x não está em \ este erro é
sempre diferente de zero. Sendo w a projeção ortogonal de x sobre \.
|x ÷y|
2
= |(x ÷w) ÷(y ÷w)|
2
.
Como x ÷ w é ortogonal a todo vetor de \ e y ÷ w pertence a \. vale o
teorema de Pitágoras
|x ÷y|
2
= |(x ÷w) ÷(y ÷w)|
2
= |u ÷w|
2
+|y ÷w|
2
e obtemos
|u ÷y|
2
= |u ÷w|
2
+|y ÷w|
2
_ |u ÷w|
2
pois |y ÷w|
2
_ 0. Quando y é diferente de w. então |y ÷w|
2
0 e |u ÷y|
2
|u ÷w|
2
. Portanto, o vetor de \ que está mais perto de x é a sua pro-
jeção ortogonal sobre \. Usando apenas procedimentos algébricos, provamos
o resultado que já havíamos provado usando o Cálculo Diferencial.
Podemos dizer que a projeção ortogonal de x sobre \ é a "melhor aprox-
imação"de x por vetores de \ e vale o teorema da melhor aproximação
que é enunciado em seguida.
Teorema 5.34 Seja \ um subspaço de dimensão …nita de um espaço vetorial
\ com produto interno. Seja x um vetor de \. A projeção ortogonal de x sobre
\. que denotamos por j:o,
W
x. é a melhor aproximação de x em \. no
seguinte sentido
|x ÷j:o,
W
x| < |x ÷y|
para todo vetor y em \ distinto da projeção ortogonal de x sobre \.
Notas de aula do Professor Faleiros
128 Produto interno
5.13 Soluções de mínimos quadrados
É muito comum que alguns problemas físicos leve a um sistema ¹x = b que
deveria se consistente em teoria, mas que não o é porque "erros de medida"nas
entradas de ¹ e de b perturbem o sistema su…cientemente a ponto de criar
inconsistência. Em tais situações procuramos um valor de x que chegue "tão
perto quanto possível"de ser uma solução, no sentido que minimiza o valor
de |¹x ÷b| em relação ao produto interno euclidiano de…nido no espaço das
matrizes coluna reais por 'x. y` = x
T
y. A quantidade |¹x ÷b| pode ser
vista como uma medida do "erro"que resulta por considerar x uma solução
aproximada do sistema ¹x = b. Se o sistema é consistente e x é uma solução
exata, o erro é zero, pois |¹x ÷b| = 0. Em geral, quanto maior o valor de
|¹x ÷b| . mais pobre é a aproximação x de uma solução do sistema.
A matriz coluna x que minimiza |¹x ÷b| em relação ao produto interno
euclidiano é chamado de solução de mínimos quadrados de ¹x = b. O
nome tem origem no seguinte fato: Seja e = ¹x ÷ b o erro proveniente da
aproximação x. Uma solução que minimiza |e| = (c
2
1
+ +c
2
m
)
1=2
. minimiza
|e|
2
= c
2
1
+ + c
2
m
e daí segue o nome mínimos quadrados.
Sendo ¹ uma matriz :: e x uma matriz coluna : 1. sabemos que ¹x
é uma combinação linear das coluna de ¹ e ¹x = b possui solução quando
b pertence ao espaço coluna de ¹. Vamos denotar este espaço coluna por \.
Quando b não pertence a \. ¹x = b não possui solução mas o sistema ¹x =
j:o,
W
b possui.
Quando x for uma solução do sistema ¹x = j:o,
W
b então b ÷ ¹x =
b ÷j:o,
W
b e, pelo teorema da melhor aproximação,
|b ÷¹x| = |b ÷j:o,
W
b| < |b ÷¹y|
para toda matriz coluna y para a qual ¹y é diferente da projeção ortogonal
de b sobre \. Como \ é o espaço coluna de ¹. o seu complemento ortogonal
\
T
é o espaço nulo de ¹
T
. Estando b÷¹x no espaço nulo de ¹
T
. uma solução
por mínimos quadrados de ¹x = b é solução do sistema
¹
T
(b ÷¹x) = 0
ou
¹
T
¹x = ¹
T
b
que é chamado de sistema normal associado a ¹x = b. Assim, o problema
de encontrar uma solução de mínimos quardados foi reduzido a um outro que
consiste em encontrar uma solução exata do sistema normal associado.
Observe que o sistema normal envolve : equações em : 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 ¹x = b.
Notas de aula do Professor Faleiros
5.13 Soluções de mínimos quadrados 129
Podemos então enunciar
Teorema 5.35 6.4.2 Para qualquer sistema linear ¹x = b. o sistema normal
associado
¹
T
¹x = ¹
T
b
é consistente e todas as soluções do sistema normal são soluções de mínimos
quadrados de ¹x = b. Além disso, se \ é o espaço coluna de A e x é qualquer
solução de mínimos quadrados de ¹x = b. então a projeção ortogonal de b
em \ é
j:o,
W
b = ¹x.
Teorema 5.36 Seja ¹ uma matriz ::. Os vetores coluna de ¹ são linear-
mente independentes se e só se ¹
T
¹ for invertível.
Prova. Se os vetores coluna de ¹ forem linearmente independentes e x for
solução do sistema ¹
T
¹x = 0. então ¹x está no espaço nulo de ¹
T
e no espaço
coluna de ¹. Como um é o complemento ortogonal do outro, ¹x só pode ser
o vetor nulo, isto é, ¹x = 0. Como os vetores coluna de ¹ são linearmente
independentes, x = 0. Mostramos que o sistema ¹
T
¹x = 0 possui apenas a
solução trivial x = 0. Portanto, a matriz quadrada ¹
T
¹ é invertível.
Se os vetores coluna de ¹ forem linearmente dependentes, existe x não nulo
tal que ¹x = 0 e, consequentemente, ¹
T
¹x = 0. Portanto, ¹
T
¹ é singular.

Teorema 5.37 Se ¹ é uma matriz : : com vetores coluna linearmente
independentes, então para cada matriz b de tamanho : 1. o sistema linear
¹x = b tem uma única solução de mínimos quadrados. Esta solução é dada
por
x =

¹
T
¹

1
¹
T
b.
Além disso, se \ é o espaço coluna de ¹. então a projeção ortogonal de b em
\ é
j:o,
W
b = ¹x = ¹

¹
T
¹

1
¹
T
b.
As duas fórmulas acima possuem várias aplicações teóricas, mas não são
e…cientes para cálculos numéricos. As soluções de mínimos quadrados de ¹x =
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 ¹ é melhor obtida calculando ¹x onde x é a solução do sistema
normal ¹
T
¹x = ¹
T
b. Em seguida, calcula-se ¹x que é a projeção ortogonal
de b sobre o espaço coluna de ¹.
Notas de aula do Professor Faleiros
130 Produto interno
Exemplo 5.38 Encontre a solução de mínimos quadrados do sistema linear
¹x = b dado por
r
1
+ r
2
= 4
3r
1
+ 2r
2
= 1
÷2r
1
+ 4r
2
= 3
e obtenha a projeção ortogonal de b no espaço coluna de ¹.
Resolução. Aqui,
¹ =

1 ÷1
3 2
÷2 4
¸
¸
e b =

4
1
3
¸
¸
.
Os vetores coluna de ¹ são linearmente independentes e, portanto, a solução
de mínimos quadrados é única. Temos
¹
T
¹ =
¸
14 ÷3
÷3 21

e ¹
T
b =
¸
1
10

e a solução de ¹
T
¹x = ¹
T
b é
r
1
= 1795 e r
2
= 143285.
A projeção ortogonal de b no espaço coluna de ¹ é
¹x =
1
285

÷92
439
470
¸
¸
.

Exemplo 5.39 Encontrre a projeção ortogonal do vetor u = (÷3. ÷3. 8. 9)
no subespaço do R
4
gerado pelos vetores
u
1
= (3. 1. 0. 1). u
2
= (1. 2. 1. 1). u
3
= (÷1. 0. 2. ÷1).
Resolução. Poderíamos resolver este problema ortonormalizando ¦u
1
. u
2
.
u
3
¦ e depois usar a fórmula da projeção ortogonal. Entretanto, o método a
seguir é mais e…ciente. Forme a matriz ¹ cujas colunas são formadas pelas
entradas de u
1
. u
2
e u
3
e a matriz coluna b formada pelas entradas de u
¹ =

3 1 ÷1
1 2 0
0 1 2
1 1 ÷1
¸
¸
¸
¸
e b =

÷3
÷3
8
9
¸
¸
¸
¸
.
Notas de aula do Professor Faleiros
5.13 Soluções de mínimos quadrados 131
O sistema ¹x = b não possui solução pois b não está no espaço coluna de ¹.
Se ¹x for a projeção ortogonal de b no espaço coluna de ¹. que denotaremos
por \. então b ÷ ¹x é ortogonal ao espaço coluna de ¹ e está no espaço nulo
de ¹
T
. Isto signi…ca que ¹
T
(¹x ÷ b) = 0. Sendo
¹
T
¹ =

11 6 ÷4
6 7 0
÷4 0 6
¸
¸
e ¹
T
b =

÷3
8
10
¸
¸
construímos o sistema normal ¹
T
¹x = ¹
T
b cuja solução é
x =

÷1
2
1
¸
¸
.
A projeção ortogonal de b no espaço coluna de ¹ é
j:o,
W
b = ¹x =

3 1 ÷1
1 2 0
0 1 2
1 1 ÷1
¸
¸
¸
¸

÷1
2
1
¸
¸
=

÷2
3
4
0
¸
¸
¸
¸
e assim a projeção de u no espaço gerado por ¦u
1
. u
2
. u
3
¦ é
j:o,
W
u = (÷2. 3. 4. 0).

De…nição 5.40 Se \ é um subespaço de R
n
. a transformação 1 : R
n
÷ R
n
que leva cada vetor x em R
m
em sua projeção ortogonal j:o,
W
x em \ é
chamada projeção ortogonal de R
m
sobre \.
A matriz canônica para a projeção ortogonal de R
n
sobre \ é
[1] = ¹(¹
T
¹)
1
¹
T
onde ¹ é construída usando qualquer base de \ para vetores coluna.
Exemplo 5.41 A matriz da projeção ortogonal de R
3
sobre o plano rn é
[1] =

1 0 0
0 1 0
0 0 0
¸
¸
.
Notas de aula do Professor Faleiros
132 Produto interno
Vamos mostrar que esta matriz é compatível com a fórmula [1] = ¹ (¹
T
¹)
1
¹
T
.
Os vetores (1. 0. 0) e (0. 1. 0) geram o plano rn. Com eles formamos a
matriz ¹. cujas colunas são as entradas destes dois vetores
¹ =

1 0
0 1
0 0
¸
¸
onde observamos que ¹
T
¹ = 1. Vamos calcular [1] = ¹ (¹
T
¹)
1
¹
T
= ¹¹
T
[1] =

1 0
0 1
0 0
¸
¸
¸
1 0 0
0 1 0

=

1 0 0
0 1 0
0 0 0
¸
¸
que confere com o valor de [1] posto no início.
Exemplo 5.42 Obtenha a matriz canônica da projeção ortogonal 1 de R
2
sobre a reta : que passa pela origem e faz um ângulo o com o eixo r positivo.
O vetor direcional da reta é v = (cos o. sen o) e ¦v¦ é base do subespaço sobre
o qual desejamos efetuar a projeção. Formamos a matriz
¹ =
¸
cos o
sen o

e, considerando que ¹
T
¹ é a matriz identidade de tamanho 1 1. calculamos
[1] = ¹¹
T
=
¸
cos o
sen o

cos o sen o

=
¸
cos
2
o cos osen o
cos osen o sin
2
o

5.14 Teorema sobre matriz inversível
Vamos resumir neste teorema as condições sob as quais uma matriz ¹ de
tamanho : : é invertível. Este é o teorema 6.4.5 do livro de Anton e Rorres
de onde foram retiradas algumas redundâncias.
Teorema 5.43 A…rmações equivalentes sobre a inversibilidade de uma matriz
quadrada ¹.
Seja ¹ uma matriz real : :. As a…rmações abaixo são equivalentes:
1. ¹ é inversível.
2. ¹x = 0 admite apenas a solução trivial.
Notas de aula do Professor Faleiros
5.14 Teorema sobre matriz inversível 133
3. A forma escalonada reduzida por linhas de ¹ é a matriz identidade.
4. ¹ é igual a um produto de matrizes elementares.
5. ¹x = b é consistente para cada matriz b de tamanho : 1.
6. ¹x = b tem exatamente uma solução para cada matriz b de tamanho
: 1.
7. det(¹) = 0.
8. Os vetores coluna de ¹ são linearmente independentes.
9. Os vetores linha de ¹ são linearmente independentes.
10. Os vetores coluna de ¹ geram `
n1
(R).
11. Os vetores linha de ¹ geram `
1n
(R).
12. Os vetores coluna de ¹ formam uma base do `
n1
(R).
13. Os vetores linha de ¹ formam uma base do `
1n
(R).
14. O complemento ortogonal do espaço nulo de ¹ é o R
n
.
15. O complemento ortogonal do espaço linha de ¹ é o ¦0¦.
16. ¹
T
¹ é inversível.
Notas de aula do Professor Faleiros
134 Produto interno
Notas de aula do Professor Faleiros
Capítulo 6
Autovalores e autovetores
Neste capítulo vamos considerar que as entradas das matrizes podem ser
números complexos. Desejando destacar que as entradas de uma matriz são
números complexos, chame-a de matriz complexa. O conjunto das matrizes
complexas :: será denotado por `
mn
(C). As de…nições de igualdade de
matrizes e as operações de adição e multiplicação de matrizes permanecem
inalteradas. A de…nição de multiplicação de um escalar por uma matriz será
mantida com a ressalva de que o escalar pode ser um número complexo. As pro-
priedades de todas essas operações permanecem válidas. O conjunto `
mn
(C)
com as operações de adição de matrizes e multiplicação de um escalar por uma
matriz é um espaço vetorial complexo. Aqui cabe comentar que um número
real é um número complexo com a parte imaginária igual a zero. Consequente-
mente, muitos exemplos apresentados neste capítulo envolverão matrizes reais.
6.1 Autovalor e autovetor de uma matriz
Seja ¹ uma matriz complexa : :. Um número complexo \ é um autovalor
de ¹ se houver uma matriz coluna complexa não nula x. de tamanho : 1.
para a qual
¹x = \x.
Tais matrizes não nulas x para as quais ¹x = \x são denominadas de autove-
tores de ¹ associados ao autovalor \. Sendo x um autovetor de ¹ associado
ao autovalor \.
(¹ ÷\1)x = 0
onde 1 é a matriz identidade de tamanho ::. O sistema linear acima possui
solução não trivial se, e só se,
det(\1 ÷¹) = 0.
Notas de aula do Professor Faleiros
136 Autovalores e autovetores
Esta é uma equação polinomial em \ chamada de equação característica de
¹. O polinômio det(\1 ÷¹) possui grau : em \ e recebe o nome de polinômio
característico de ¹.
Observe que, obtido um autovalor \. qualquer solução não trivial de (¹ ÷
\1)x = 0 é autovetor de ¹ correspondente a \. Deste modo, o autovetor x
não é único. Como ele pertence ao núcleo do operador ¹÷\1 que é singular,
sendo x um autovetor correspondente a \. então x também é um autovetor
correspondente a \. para todo não nulo.
Para determinar os autovalores de uma matriz ¹. primeiro determine as
raízes do seu polinômio característico, que são os autovalores de ¹. Para cada
autovalor encontrado, resolva a equação homogênena (¹ ÷\1)x = 0 que terá
soluções não triviais. Os autovetores associados ao autovalor \ são os vetores
não nulos do núcleo de ¹ ÷ \1. O núcleo da matriz ¹ ÷ \1 é chamado de
autoespaço de ¹ correspondente ao autovalor \. O autoespaço de uma matriz
¹ de tamanho : :. correspondente ao autovalor \. é
¦ x ÷ `
n1
: (¹ ÷\1)x = 0 ¦.
Ele é formado pelos autovetores de ¹ correspondente ao autovalor \ e pelo
vetor nulo. O autoespaço é um subespaço vetorial de `
n1
.
Exemplo 6.1 O polinômio característico det(\1 ÷¹) da matriz
¹ =

0 0 ÷2
1 2 1
1 0 3
¸
¸
é \
3
÷ 5\
2
+ 8\ ÷ 4 e suas raízes são \
1
= 1 e \
2
= 2. Para determinar os
autovetores correspondentes a \
1
= 1. montamos o sistema homogêneo (¹ ÷
\
1
1)x = 0. que neste caso é

÷1 0 ÷2
1 1 1
1 0 2
¸
¸

r
1
r
2
r
3
¸
¸
=

0
0
0
¸
¸
.
e calculamos sua solução geral, que é gerada por
v
3
=

÷2 1 1

T
.
Todo autovetor de ¹ correspondente ao autovalor \
1
= 1 é da forma c

÷2 1 1

T
.
onde c é um escalar não nulo. O autoespaço de ¹ correspondente ao autovalor
\
1
= 1 é formado pelos vetores da forma c

÷2 1 1

T
. onde c é um escalar
Notas de aula do Professor Faleiros
6.1 Autovalor e autovetor de uma matriz 137
qualquer. Observe que \
1
= 1 é uma raiz simples do polinômio característico
e o autoespaço correspondente a este autovalor tem dimensão 1.
Para o autovalor \
2
= 2. o sistema homogêneo (¹ ÷\
1
1)x = 0 é

÷2 0 ÷2
1 0 1
1 0 1
¸
¸

r
1
r
2
r
3
¸
¸
=

0
0
0
¸
¸
e sua solução geral é gerada por
v
1
=

÷1
0
1
¸
¸
e v
2
=

0
1
0
¸
¸
.
Toda matriz da forma c
1
v
1
+ c
2
v
2
está no autoespaço de ¹ correspondente
ao autovalor \
2
= 2. Os vetores não nulos deste autoespaço são autovetores
de ¹ correspondente ao autovalor 2. Observe que \
2
= 2 é uma raiz dupla do
polinômio característico e seu autoespaço tem dimensão 2.
Conhecendo a relação \
1
. \
2
. . . . . \
k
de todos os autovalores distintos de
¹. pode-se fatorar o seu polinômio característico, escrevendo-o na forma
det(\1 ÷¹) = (\ ÷\
1
)
e
1
(\ ÷\
2
)
e
2
(\ ÷\
k
)
e
k
Os expoentes c
1
. c
2
. . . . . c
n
são as multiplicidades algébricas dos autoval-
ores \
1
. \
2
. . . . . \
k
. A dimensão do autoespaço de ¹ correspondente a um
determinado autovalor \ é chamada de multiplicidade geométrica do au-
tovalor \.
No exemplo anterior, a multiplicidade algébrica de \
1
= 1 é igual a 1 e sua
multiplicidade geométrica também é igual a 1. Para o autovalor \
2
= 2. sua
multiplicidade algébrica e geométrica são ambas iguais a 2.
Teorema 6.2 A multiplicidade geométrica de um autovalor é sempre menor
ou igual à sua multiplicidade algébrica.
Se ¹ e 1 forem matrizes semelhantes, então existe 1 invertível tal que ¹
= 1
1
11. de modo que
det(\1 ÷¹) = det(\1
1
11 ÷1
1
11) = det(1
1
(\1 ÷1)1)
= det(1
1
) det(\1 ÷1) det(1) = det(\1 ÷1).
mostrando que matrizes semelhantes possuem o mesmo polinômio caracterís-
tico e, consequentemente, os mesmos autovalores. Se x é autovetor de ¹
correspondente ao autovalor \. então 1x é autovetor de 1 correspondente ao
autovalor \. Se y é autovalor de 1 correspondente ao autovalor \. então 1
1
y
é autovetor de ¹ correspondente ao autovalor \.
Notas de aula do Professor Faleiros
138 Autovalores e autovetores
Exemplo 6.3 O polinômio característico de ¹ =

0 1 0
0 0 1
4 ÷17 8
¸
¸
é \
3
÷ 8\
2
÷
17\÷ 4 = 0 e suas raízes \
1
= 4; \
2
= 2+

3; \
3
= 2÷

3 são os autovalores de
¹. Os autovetores correspondentes a \
1
. \
2
e \
3
são, respectivamente, múltiplos
de
·
1
=

1
4
16
¸
¸
. ·
2
=

7 ÷4

3
2 ÷

3
1
¸
¸
. ·
3
=

7 + 4

3
2 +

3
1
¸
¸
.
Exemplo 6.4 Se uma matriz ¹ = [c
ij
] de tamanho : : for triangular su-
perior ou inferior então seu polinômio característico é
(\ ÷c
11
)(\ ÷c
22
) (\ ÷c
nn
)
Exemplo 6.5 Os autovalores de ¹ =

12 0 0
÷1 23 0
5 ÷8 ÷14
¸
¸
são 12. 23 e
÷14.
Uma matriz, mesmo real, pode ter um autovalor complexo. Isto ocorre
quando o polinômio característico possuir raiz complexa. neste caso, os au-
tovetores também serão complexos.
Exemplo 6.6 Os autovalores de ¹ =
¸
÷2 ÷1
5 2

são i e ÷i.
Exemplo 6.7 Determine os autovalores e autovetores da matriz ¹ =
¸
3 0
8 ÷1

.
6.2 Autovalor e autovetor de um operador lin-
ear
Seja \ um espaço vetorial complexo e 1 : \ ÷ \ uma transformação linear.
Um número complexo \ é um autovalor de 1 se houver um vetor v não nulo,
tal que
1v = \v.
Os vetores não nulos v para os quais 1v = \v são denominados de autove-
tores de 1 associados ao autovalor \.
Seja 1 = ¦v
1
. . . . . v
n
¦ uma base de um espaço vetorial complexo \ com
dimensão …nita e 1 : \ ÷ \ um operador linear. Se [1] = [c
ij
] for a matriz
Notas de aula do Professor Faleiros
6.2 Autovalor e autovetor de um operador linear 139
de 1 na base 1. então 1(v
j
) =
¸
n
i=1
c
ij
v
i
. Sendo v = r
1
v
1
+ + r
n
v
n
um
autovetor de 1 associado a \. então 1(v) = \v e
\
n
¸
i=1
r
i
v
i
= 1

n
¸
j=1
r
j
v
j

=
n
¸
j=1
r
j
1 (v
j
) =
n
¸
j=1
r
j

n
¸
i=1
c
ij
v
i

=
n
¸
i=1

n
¸
j=1
c
ij
r
j

v
i
ou
n
¸
j=1
c
ij
r
j
= \
n
¸
i=1
r
i
para , = 1. . . . . :. Estas : igualdades escalares corresponde à igualdade ma-
tricial

c
11
c
1n
.
.
.
.
.
.
.
.
.
c
m1
c
mn
¸
¸
¸

r
1
.
.
.
r
n
¸
¸
¸
= \

r
1
.
.
.
r
n
¸
¸
¸
que se resume a
[1]x = \x
onde x é a matriz de coordenadas de v na base 1. Logo, \ é autovalor de uma
transformação linear 1 se e só se for autovalor da matriz de 1 numa base 1
de \ e v é um autovetor de 1 se e só se sua matriz x na base 1 for autovetor
de ¹.
Ao inclui o vetor nulo no conjunto de todos os autovetores de um operador
1 correspondentes ao seu autovalor \. obtemos o autoespaço de 1 correspon-
dente ao autovalor \.
Exemplo 6.8 Encontre os autovalores e os autoespaços do operador linear 1 :
R
3
÷ R
3
de…nido por
1(r
1
. r
2
. r
3
) = (÷2r
3
. r
1
+ 2r
2
+ r
3
. r
1
+ 3r
3
).
A matriz de 1 em relação à base canônica do R
3
é
[1] =

0 0 ÷2
1 2 1
1 0 3
¸
¸
cujos autovalores são \
1
= 1 e \
2
= 2. Uma base do autoespaço de [1] associado
a \
1
= 1 é
v
3
=

÷2 1 1

T
.
e uma base do autoespaço de [1] associado a \
2
= 2 é
v
1
=

÷1 0 1

T
e v
2
=

0 1 0

T
Notas de aula do Professor Faleiros
140 Autovalores e autovetores
A base do autoespaço de 1 associado a \
1
= 1 é formada pelo vetor (÷2. 1.
1) e uma base do autoespaço de 1 associado a \
2
= 2 é formada pelos vetores
(÷1. 0. 1) e (0. 1. 0).
Exemplo 6.9 Considere o operador linear 1 : R
3
÷ R
3
de…nido por
1(r
1
. r
2
. r
3
) = (÷2r
3
. r
1
+ 2r
2
+ r
3
. r
1
+ 3r
3
).
Encontre uma base de R
3
em relação à qual a matriz de 1 é diagonal.
Exemplo 6.10 Determine os autovalores e autovetores da transformação lin-
ear
1(r
1
. r
2
. r
3
) = (r
1
. r
2
. 0).
6.3 Potências de matrizes
***
Seja ¹ uma matriz quadrada e / um número inteiro positivo. De…nimos
¹
0
= 1 e ¹
k
= (¹
k1
)¹. Se
¹r = \r
então
¹
2
r = \
2
r.
Logo, se r for autovetor de ¹ correspondente a \. então r é autovetor de ¹
2
correspondente a \
2
. Podemos ir além, se x for autovetor de ¹ correspondente
a \ e j(t) for um polinômio, então
j(¹)x = j(\)x
e podemos a…rmar que, se \ for autovalor de ¹. então j(\) é autovalor de j(¹).
Se x for autovetor de ¹ correspondente ao autovalor \. então x é autovetor de
j(¹) correspondente ao autovalor j(\).
Exemplo 6.11 Os vetores coluna

÷1
0
1
¸
¸
e

0
1
0
¸
¸
são autovetores de ¹ =

0 0 ÷2
1 2 1
1 0 3
¸
¸
correspondentes ao autovalor 2. Logo, estes mesmos vetores são
autovetores de ¹
7
correspondentes ao autovalor 2
7
.
Notas de aula do Professor Faleiros
6.4 Diagonalização 141
6.4 Diagonalização
De…nição 6.12 Uma matriz ¹ é diagonalizável se existir uma matriz in-
vertível 1 tal que 1
1
¹1 é uma matriz diagonal. Dizemos que a matriz 1
diagonaliza ¹.
Teorema 6.13 Seja ¹ uma matriz : :. são equivalentes as a…rmações que
seguem:
1. ¹ é diagonalizável;
2. ¹ possui : autovetores linearmente independente;
Para uma matriz : : possuir : autovetores linearmente independentes,
a multiplicidade geométrica de cada autovalor de ¹ deve ser igual à sua mul-
tiplicidade algébrica.
O teorema anterior sugere um procedimento para diagonalizar uma matriz
1. Encontre : autovetores linearmente independente j
1
. . . . . j
n
;
2. Forme a matriz 1 =

j
1
. . . j
n

cujas colunas são formadas pelos
autovetores.
3. A matriz 1
1
¹1 será diagonal e os elementos da diagonal \
1
. . . . . \
n
serão exatamente os autovalores de ¹.
Exemplo 6.14 Para diagonalizar a matriz
¹ =

0 0 ÷2
1 2 1
1 0 3
¸
¸
.
determinamos as raízes da sua equação característica (\ ÷1)(\ ÷2)
2
= 0 para
obter os autovalores \
1
= 1 e \
2
= 2. Resolvendo a equação (¹ ÷ \
i
1)x = 0.
para \
1
e \
2
. obtemos os autovetores
v
1
=

÷2
1
1
¸
¸
. v
2
=

÷1
0
1
¸
¸
e v
3
=

0
1
0
¸
¸
.
O primeiro autovetor corresponde ao autovalor \
1
= 1 e os outros dois a \
2
=
2. Formamos com eles a matriz
1 =

÷1 0 ÷2
0 1 1
1 0 1
¸
¸
Notas de aula do Professor Faleiros
142 Autovalores e autovetores
cujas colunas são v
1
. v
2
e v
3
e calculamos sua inversa
1
1
=

1 0 2
1 1 1
÷1 0 ÷1
¸
¸
.
A matriz
1
1
¹1 =

2 0 0
0 2 0
0 0 1
¸
¸
é diagonal e os elementos da diagonal principal são os autovalores de ¹.
Exemplo 6.15 A matriz
¹ =

1 0 0
1 2 0
÷3 5 2
¸
¸
não é diagonalizável pois ela possui dois autovalores \
1
= 1 e \
2
= 2 e, as-
sociados a cada um deles, um único autovetor linearmente independente, que
são
v
1
=

1
÷1
1
¸
¸
e v
2
=

0
0
1
¸
¸
.
Como ¹ possui apenas dois autovetores linearmente independente, ela não
é diagonalizável.
Pode-se veri…car que ¹ não é diagonalizável analisando os postos das ma-
trizes ¹ ÷ \
1
1 e ¹ ÷ \
2
1. Como o posto da matriz (¹÷\
1
1) é igual a 2. sua
nulidade é igual a 1. mostrando que as bases do autoespaço de ¹ associado a
\
1
possui um único autovetor. Como o posto da matriz (¹ ÷ \
2
1) é igual a
2. sua nulidade é igual a 1. mostrando que as bases do autoespaço de ¹ cor-
respondente a \
2
possui um único autovetor. Logo, ¹ possui no máximo dois
autovetores linearmente independentes.
Teorema 6.16 Um conjunto formado por autovetores correspondentes a au-
tovalores distintos é linearmente independente.
Prova. Um conjunto ¦v¦ com um único autovetor é linearmente indepen-
dente pois v = 0. Vamos supor, como hipótese de indução, que todo conjunto
de autovetores ¦v
1
. . . . . v
r
¦. com 1 6 : < /. formado por autovetores de ¹
correspondentes a autovalores distintos é linearmente independente. Provemos
então que todo conjunto ¦v
1
. . . . . v
k
¦ formado por autovetores correspondentes
a autovalores distintos é linearmente independente.
Notas de aula do Professor Faleiros
6.4 Diagonalização 143
Sejam c
1
. . . . . c
k
escalares tais que c
1
v
1
+ + c
k
v
k
= 0. Multiplique esta
equação inicialmente por ¹ e, em seguida, por \
k
. Subtraindo um resultado
do outro, segue
c
1
(\
1
÷\
k
)v
1
+ + c
k1
(\
k1
÷\
k
)v
k1
+ c
k
(\
k
÷\
k

r+1
= 0.
Sendo nula a última parcela, chega-se a
c
1
(\
1
÷\
k
)v
1
+ + c
k1
(\
k1
÷\
k
)v
k1
= 0.
Da independência linear de ¦v
1
. . . . . v
k1
¦ e sendo os autovalores distintos,
concluímos que c
1
= = c
r
= 0. Daí, como v
k
= 0. segue que c
k
= 0. o que
prova a independência linear de ¦v
1
. . . . . v
k
¦.
Nota 6.17 Sejam \
1
. \
2
. . . . . \
k
os autovalores distintos de uma matriz ¹
de ordem :. Para cada inteiro i entre 1 e /. a dimensão do auto-espaço cor-
respondente ao autovalor \
i
pode ser maior do que 1. Seja E
i
uma base do
auto-espaço correspondente ao autovalor \
i
. A união de todas as bases E
i
é
um conjunto linearmente independente.
Teorema 6.18 Se uma matriz ¹ de tamanho :: tem : autovalores distin-
tos, então ¹ é diagonalizável.
Prova. Se ¹ tem : autovalores distintos, então possui : autovetores lin-
earmente independentes e, portanto, ¹ é diagonalizável.
Exemplo 6.19 A matriz ¹ =

0 1 0
0 0 1
4 ÷17 8
¸
¸
possui três autovalores distin-
tos, \
1
= 4. \
2
= 2 +

3 e \
3
= 2 ÷

3. Portanto, ¹ é diagonalizável e existe
uma matriz 1. cujas colunas são autovetores de ¹ tal que
1
1
¹1 =

4 0 0
0 2 +

3 0
0 0 2 ÷

3
¸
¸
Matrizes triangulares superiores ou inferiores com entradas distintas na
diagonal principal são diagonalizáveis.
Exemplo 6.20 A matriz ¹ =

÷1 2 4 0
0 3 1 7
0 0 5 8
0 0 0 ÷2
¸
¸
¸
¸
é diagonalizável pois pos-
sui quatro autovalores distintos e, consequentemente, quatro autovetores lin-
earmente independentes.
Notas de aula do Professor Faleiros
144 Autovalores e autovetores
6.5 Potência de uma matriz
Se ¹ é uma matriz quadrada : :. de…nimos ¹
0
como sendo a matriz identi-
dade e
¹
k
= ¹
k1
¹
para todo número inteiro / 0.
Se 1 for invertível e 1 = 1
1
¹1. então
1
k
= 1
1
¹
k
1
e, sendo o(t) um polinômio,
o(1) = 1
1
o(¹)1
Sendo ¹ diagonalizável, existe 1 invertível e 1 diagonal tais que ¹ =
1
1
11 e ¹
k
= 1
1
1
k
1.
Quando 1 é diagonal, ela é uma matriz da forma

\
1
0 . . . 0
0 \
2
. . . 0
.
.
. 0
.
.
.
.
.
.
0 0 0 \
n
¸
¸
¸
¸
¸
.
Neste caso, 1
k
=

\
k
1
0 . . . 0
0 \
k
2
. . . 0
.
.
. 0
.
.
.
.
.
.
0 0 0 \
k
n
¸
¸
¸
¸
¸
e
¹
k
= 1
1
1
k
1 = 1
1

\
k
1
0 . . . 0
0 \
k
2
. . . 0
.
.
. 0
.
.
.
.
.
.
0 0 0 \
k
n
¸
¸
¸
¸
¸
1.
Sendo o(t) um polinômio, então
o(¹) = 1
1
o(1)1 = 1
1

o(\
1
) 0 . . . 0
0 o(\
2
) . . . 0
.
.
. 0
.
.
.
.
.
.
0 0 0 o(\
n
)
¸
¸
¸
¸
¸
1.
Exemplo 6.21 Calcule ¹
13
onde ¹ =

0 0 2
1 2 1
1 0 3
¸
¸
.
Notas de aula do Professor Faleiros
6.6 Diagonalização ortogonal 145
6.6 Diagonalização ortogonal
No espaço vetorial das matrizes coluna reais com : linhas, vamos considerar o
produto interno euclidiano
' x. y ` = x
T
y
onde x e y são matrizes coluna em `
n1
(R). Se ¹ é uma matriz quadrada de
tamanho :. então
' ¹x. y ` =

x. ¹
T
y

.
e, quando ¹ for simétrica,
' ¹x. y ` = ' x. ¹y ` .
Uma matriz quadrada ¹ é ortogonalmente diagonalizável se existir
uma matriz ortogonal 1 tal que
1 = 1
1
¹1 = 1
T
¹1
é uma matriz diagonal. Se diz neste caso que 1 diagonaliza ¹ ortogonalmente.
Se ¹ for ortogonalmente diagonalizável, então ¹ é simétrica. A recíproca
também é verdadeira, como se enuncia no próximo teorema.
Teorema 6.22 Seja ¹ uma matriz simétrica : :.
1. Os autovalores de ¹ são reais.
2. Autovetores da ¹ correspondentes a autovalores distintos são ortogonais.
3. ¹ possui um conjunto ortonormal de : autovetores.
4. ¹ é ortogonalmente diagonalizável
Para diagonalizar uma matriz simétrica, siga os seguintes passos:
Passo 1. Encontre uma base de cada auto-espaço de ¹.
Passo 2. Use o processo de ortogonalização de Gram-Schmidt para obter
uma base ortogonal de cada auto-espaço.
Passo 3. Divida cada vetor dessas bases pelas suas normas para obter
bases ortonormais dos auto-espaços.
Passo 4. Forme a matriz 1 cujas colunas são os autovetores ortonormais
obtidos. Esta matriz diagonaliza a matriz ¹. A matriz 1
T
¹1 é diagonal.
Notas de aula do Professor Faleiros
146 Autovalores e autovetores
Exemplo 6.23 Os autovalores de
¹ =

4 2 2
2 4 2
2 2 4
¸
¸
são \
1
= 2 e \
2
= 8. O autovalor \
1
= 2 possui multiplicidade algébrica 2 e
seu autoespaço é gerado pelos autovetores
v
1
=
1

2

÷2
1
0
¸
¸
e v
2
=
1

6

÷1
÷1
2
¸
¸
.
Eles já foram ortonormalizados pelo processo de Gram-Schmidt. O autovalor
\
2
= 8. possui multiplicidade algébrica 1 e seu autoespaço é gerado por
v
3
=
1

3

1
1
1
¸
¸
.
A matriz 1 que diagonaliza ¹ é
1 =

÷1

2 ÷1

6 1

3
1

2 ÷1

6 1

3
0 2

6 1

3
¸
¸
.
Notas de aula do Professor Faleiros
Referências Bibliográ…cas
[BoCoFi] J. L. Boldrini, S. I. R. Costa, V. L. Figueiredo e H. G. Wetzler,
Álgebra Linear, Terceira Edição. Editora HARBRA Ltda, 1980
[CaDoCo] C. A. Callioli, H. H. Domingues e R. C. F. Costa, Álgebra Linear
e Aplicações, sexta edição. Editora Atual, 1990.
[Franklin] Joel N. Franklin, Matrix Theory, Dover publications, Inc., 1993.
[Ho¤man] Ho¤mann & Kunze, Álgebra Linear. Editora da USP com Editora
Polígono.
[Kolman] Bernard Kolman, Introdução à Álgebra Linear com Aplicações,
sexta edição. Editora LTC, 1998.
[Lang] Serge Lang, Álgebra Linear. Editora Edgard Blücher.
[Lawson] Terry Lawson, Álgebra Linear. Editora Edgard Blücher, 1997.
Acompanham este livro: Matlab Labs for Linear Algebra, Math-
ematica Labs for Linear Algebra, Maple Labs for Linear Algebra.
[Lipschutz] Seymour Lipschutz, Álgebra Linear. Coleção Schaum. Makron
Books.
[Nering] Evar D. Nering, Linear Algebra and Matrix Theory. John Wiley
& Sons, 1970.
[Nicholson] W. Keith Nicholson, Álgebra Linear, segunda ed. McGraw-Hill,
2004.
[NobDan] Ben Noble & James W. Daniel, Álgebra Linear Aplicada, segunda
edição. Guanabara Koogan, 1986.
[Poole] David Poole (Foi traduzido), Linear Algebra: A Modern Intro-
duction (with CD-ROM) 2ed. Brooks Cole 2005.
Notas de aula do Professor Faleiros
148 REFERÊNCIAS BIBLIOGRÁFICAS
[RoAn] Chris Rorres e Howard Anton, Álgebra Linear com Aplicações,
oitava edição. Editora Bookman, 2001.
[TrefBau] Lloyd N. Trefethen and David Bau III, Numerical Linear Algebra.
SIAM, Society for Industrial and Applied Mathematics, 1997.
Notas de aula do Professor Faleiros

2

Sumário
1 Sistemas de equações lineares 1.1 Equações lineares . . . . . . . . . . . . . . . . . . . . . . 1.2 Sistemas de equações lineares . . . . . . . . . . . . . . . 1.3 Matriz . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.4 Sistema escalonado . . . . . . . . . . . . . . . . . . . . . 1.5 Operações elementares . . . . . . . . . . . . . . . . . . . 1.6 Método da eliminação de Gauss . . . . . . . . . . . . . . 1.6.1 A eliminação de Gauss-Jordan . . . . . . . . . . . 1.7 Operações matriciais . . . . . . . . . . . . . . . . . . . . 1.7.1 Adição de matrizes . . . . . . . . . . . . . . . . . 1.7.2 Multiplicação de uma matriz por um número real 1.7.3 Multiplicação de matrizes . . . . . . . . . . . . . 1.8 Matriz inversa . . . . . . . . . . . . . . . . . . . . . . . . 1.9 Potências . . . . . . . . . . . . . . . . . . . . . . . . . . 1.10 Matriz transposta . . . . . . . . . . . . . . . . . . . . . . 1.11 Matrizes elementares . . . . . . . . . . . . . . . . . . . . 1.11.1 Sistemas equivalentes e matrizes elementares . . . 1.12 Um método para inverter matrizes . . . . . . . . . . . . 1.13 Forma matricial de um sistema linear . . . . . . . . . . . 2 Determinantes 2.1 De…nição de determinante . . . . . 2.2 Propriedades do determinante . . . 2.3 Autovalores e Autovetores . . . . . 2.4 Cofatora, adjunta clássica e inversa 2.5 Regra de Cramer . . . . . . . . . . 9 9 12 15 17 21 22 25 27 27 27 28 31 32 33 34 36 36 38 43 45 47 51 52 53

. . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

3 Espaço vetorial 55 3.1 Propriedades adicionais . . . . . . . . . . . . . . . . . . . . . . . 58 3.2 O espaço vetorial das ênuplas ordenadas . . . . . . . . . . . . . 58 3.3 Outros espaços vetoriais relevantes . . . . . . . . . . . . . . . . 59 3

.7 Complemento ortogonal . . . . . . . . . . . . . . . . . . . . . . . . 5. . 135 . . . . 109 . . . . 6. 4.5 Matriz da composta e da inversa . . . . . . 4. . . . . . . 6. . . . . . . .10 3. . .4 Diagonalização . . . . . . . . . 123 . .10 Decomposição QR . . . . . . . . .12 Mínimos quadrados . . . . . . 116 . . . . . . . Espaço linha e espaço coluna . . . . . . SUMÁRIO . Espaço gerado . . . . . . 5. . . . . . . . . . . . . . . . . . . . . .9 3. . . . . . 5. . . 115 . . . . . . . . . . . . . . . . . . . . .11 Subespaços vetoriais . . . . . .3 Composição e inversa . . . . . . . . . . . . . 144 6 Autovalores e autovetores 6. . . . 109 .13 Soluções de mínimos quadrados . . . . . . 138 . . . 117 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5. . . . . . . . . . . .5 3. . . Sistemas lineares e o espaço nulo de uma matriz . . . . . . .1 Autovalor e autovetor de uma matriz . . . . . . . . . . . . . 6. . . . . . . . . . . . . . . . . . . . . . . . . .1 Norma e distância . . . . . . . . . . .1 Produtos internos . . . 5. . . . . Dependência linear . . . . . 5. . . 5. . . . . . . . 60 62 63 66 69 74 77 82 89 91 94 96 99 101 103 106 4 Transformação linear 4. . . . .4 3. . .2 Autovalor e autovetor de um operador linear 6. 4. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112 . . 4.3 Ângulo entre dois vetores . . . . . . . . . . . . . . . . .3 Potências de matrizes . . . .2 Exemplos de transformações lineares 4. . . . . 119 . . . . . 5. 126 . . . . 141 . 4. .7 Núcleo e imagem . . . Matriz de mudança de base . . . 132 135 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .2 Desigualdade de Cauchy-Schwarz . . . . . . . . . . . 5. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121 . . . . . . . .6 Matrizes semelhantes . . . . . . .8 Projeção ortogonal . 115 . . . . . . . . . . . . . . 5 Produto interno 5. . . . . . . . . . .4 Bases ortogonais e ortonormais . . . .5 Coordenadas numa base ortogonal . . . .6 Produto interno numa base ortonormal 5. .11 Matriz ortogonal . . . 5. . .4 3. . . . . . . . . . . . . . . 140 . . . . . . . . . . . . . . . . . . . . . . . . . . . .7 3. .5 Potência de uma matriz . . . . . . . . . . . . . . . . . . . . . . . . 5. . . . . . . . 110 . . . .0. .1 Transformação linear e bases . . . . . . . . . . . . . . . 118 . .4 Matriz de uma transformação linear . . 113 . . 128 . . . .6 3. . . . . . . . . . . . . . 5. . . . . . . . . . . . . . . . 5. . . . . . . Base e dimensão de um espaço vetorial . . . . . . . . . . . . . . . .14 Teorema sobre matriz inversível . . . . . . . . . . . . .8 3. . . Dependência linear de funções . .9 Obtendo bases ortogonais . . . .

. . . . . .SUMÁRIO 5 6. . . . . . 145 . . . . . .6 Diagonalização ortogonal . . . . . .

6 SUMÁRIO .

Álgebra Linear do Boldrini. Figueiredo e Wetzler Álgebra Linear do Nicholson. SP. 2011 Notas de aula do Professor Faleiros . Depois elas foram in‡ uenciadas pelos excelentes livros: Álgebra Linear e Aplicações do Calioli. Santo André. no livro de Anton e Rorres. inicialmente. Álgebra Linear Aplicada. Antonio Cândido Faleiros UFABC.Prefácio Estas notas de aula se basearam. Costa. além de minhas preferências pessoais sobre como apresentar o assunto. Domingues e Costa.

8 SUMÁRIO Notas de aula do Professor Faleiros .

dos três números a1 .2 O ponto (x1 . x2 . Podemos pensar em a1 x1 +a2 x2 = b como sendo uma equação. a3 e b são números reais e.1 Equações lineares Quando estudamos a geometria analítica plana. envolvendo duas incógnitas x1 e x2 : Os pontos (c1 . x3 ) = (2. x3 ) dos seus pontos satisfazem a uma equação da forma a1 x 1 + a2 x 2 + a3 x 3 = b onde a1 . …xada uma reta. x2 . pelo menos um não é nulo. quando se usa um sistema de coordenadas cartesianas ortogonais. 1. x2 ) = (1. a2 e a3 . cujos eixos caracterizamos pelos índices 1 e 2. as coordenadas cartesianas (x1 . …xado um plano. existem três números reais a1 . x2 ) dos pontos da reta obedecem a uma equação do tipo a1 x 1 + a2 x 2 = b onde a1 ou a2 é diferente de zero. a2 e b tais que as coordenadas cartesianas (x1 . 2 e 3. 1) do espaço cartesiano pertence ao plano cuja equação geral é 4x1 + 3x2 2x3 = 3: Notas de aula do Professor Faleiros . c2 ) da reta satisfazem a a1 c1 + a2 c2 = b e são denominadas de soluções desta equação. Exemplo 1.1 O ponto (x1 . 2) do plano cartesiano pertence à reta cuja equação geral é 3x1 x2 = 1: Na geometria analítica espacial.Capítulo 1 Sistemas de equações lineares 1. a2 . denominada equação geral da reta. usando um sistema de coordenadas cartesianas ortogonais. Os Exemplo 1. com eixos caracterizados pelos índices 1.

1) é uma equação algébrica linear ou equação linear nas n incógnitas x1 . Podemos nos esquecer da geometria e nos ater à algebra das equações de retas e planos. Exemplo 1. c2 . cn forem números reais tais que a1 c 1 + diremos que x1 = c1 . x2 ) = (12. cn ) é solução. iremos dizer que a sequência (c1 . : : : . A ausência do x3 se deve ao fato de. x1 + x2 = 5 é a equação geral de um plano. xn ) = (c1 . nesta equação. Sendo b um número real. é chamada de degenerada.4 Uma solução de 3x1 5x2 = 1 é x1 = 12 e x2 = 7: Podemos dizer também que (x1 . an são os coe…cientes e b é o termo constante da equação.10 Sistemas de equações lineares Exemplo 1.1). 7) é solução. obtemos x1 = 2 e (x1 .3 No espaço cartesiano.1). xn = cn ou (x1 . : : : . Na equação linear a1 x1 + a incógnita x1 para obter x1 = +an xn = b. a2 . a1 x 1 + + an x n = b (1. obtemos x1 = (1+ 5x2 )=3: Atribuindo um valor c2 qualquer a x2 . : : : . Ainda. Se c1 . : : : . toda sequência (c1 . ela é a única equação linear que não possui solução. Fazendo x2 = 1. quando a1 6= 0. pode-se explicitar 1 (b a1 a2 x 2 an x n ) : + an cn = b. A equação 0x1 + + 0xn = b onde todos os coe…cientes são nulos. cn ): é solução da equação linear (1. como poderíamos pensar num primeiro momento. Quando b = 0. cn ) é solução de (1. : : : . números reais. Quando b 6= 0. 7) é solução ou que o par (12. por simplicidade. Existem outras soluções para esta equação linear. Explicitando x1 . 1) é solução da equação dada. obtemos desta igualdade um valor c1 para x1 tal que x1 = c1 e x2 = c2 é solução da equação linear dada. : : : . : : : . : : : . : : : . e não de uma reta. x2 ) = (2. Notas de aula do Professor Faleiros . an . c2 . Seja n um número inteiro maior do que 1 e a1 . xn : Os números reais a1 . ele estar multiplicado por zero.

pode-se variar os valores das incógnitas que passam a ser chamadas de variáveis. Para obter o conjunto solução da equação linear a1 x1 + +an xn = b basta explicitar uma incógnita em função das demais. y. a sequência (c1 . z) : x = 5 + 4y 7z. Em lugar de expressar a solução geral na forma de um conjunto pode-se simplesmente escrevê-la na forma x1 = t e x2 = 5t 1. Se introduzirmos uma nova variável t de…nida por t = x1 . Sendo c2 . x2 ) onde x1 = t e x2 = 5t 1. : : : . c2 . : : : .5 Explicitando o x2 em função de x1 na equação linear 5x1 x2 = 1 obtém-se x2 = 5x1 1 e a solução geral da equação linear original é f (x1 . : : : . vamos observar que a solução geral do sistema pode ser apresentada de modo que as incógnitas x1 e x2 sejam tratadas em pé de igualdade. como funções de uma terceira variável. se ak 6= 0. : : : . é o conjunto solução da equação. xn = cn obtemos pela an cn ) : Denotando o número real do equação acima x1 = a11 (b a2 c2 lado direito desta igualdade por c1 . De modo geral. cn ) é uma solução da equação linear original. O conjunto de todas elas é denominado de conjunto solução ou solução geral da equação. ao escolher livremente os valores de x2 . destacando que t é um parâmetro que percorre os reais. então x2 = 5t 1 e o conjunto solução passa a ter o formato f ( t. que passa a ser a variável dependente. Exemplo 1.1. fazendo x2 = c2 . xn . Para obter uma solução. a solução geral será o conjunto f (x1 . Aqui se subentende que o conjunto formado pelos pares (x1 . sendo as incógnitas restantes as variáveis independentes.6 Na equação x 4y + 7z = 5 podemos explicitar x em função de y e z para obter x = 5+ 4y 7z: A solução geral desta equação é f (x. com duas ou mais variáveis. com y e z percorrendo os reais g Notas de aula do Professor Faleiros . Se a1 6= 0. que depende dos valores das demais incógnitas. pode-se explicitar a variável xk . possuem in…nitas soluções. cn números reais. a equação acima estabelece um valor para x1 . 5t 1 ) : t 2 Rg: A variável t é denominada de parâmetro da solução geral. xn 2 R g Exemplo 1. x2 ) : x2 = 5x1 1 com x1 2 R g: Aproveitando o exemplo anterior. : : : . Excetuando as equações lineares degeneradas com termo constante não nulo. As incógnitas recebem também o nome de variável pois. xn ) : x1 = 1 (b a1 a2 x 2 an xn ) com x2 . as demais. x1 recebe o nome de variável dependente e as demais de variáveis independentes ou livres.1 Equações lineares 11 Nesta equação. : : : . com t 2 R.

1. paralelos e coincidentes ou a interseção pode ocorrer ao longo de uma reta que pertence a ambos. de modo que nenhum par ordenado (x1 . A cada valor atribuído a t e a c temos uma solução da equação. Notas de aula do Professor Faleiros . x2 ) do plano que satisfazem simultaneamente às duas equações. x2 . x2 ) de números reais satisfaz às duas equações. Nos outros casos. um único ponto ou nenhum ponto comum. não existe nenhum terno ordenado (x1 . Como no caso anterior.2 Sistemas de equações lineares Quando estudamos Geometria Analítica Plana. por um único par ou nenhum par. Se os planos forem paralelos e distintos. há um único par (x1 .12 Sistemas de equações lineares De…nindo os parâmetros r e c por r = y e c = z. x3 ) de números reais que satisfaz às duas equações gerais. onde a interseção não é vazia. Quando as retas forem coincidentes elas possuem uma in…nidade de pontos em comum e há uma in…nidade de pares de números reais que satisfaz às duas equações. Ainda na Geometria Analítica Plana. Eles podem ser paralelos e distintos. quando se pretende analisar a posição relativa de duas retas cujas equações gerais são a11 x1 + a12 x2 = b1 a21 x1 + a22 x2 = b2 é preciso determinar os pontos (x1 . obtemos a solução geral na forma paramétrica x=5 y=t z=c 4t + 7c onde os parâmetros t e c que podem assumir qualquer valor real. Quando as retas forem paralelas e disjuntas. se faz o estudo da posição relativa de três ou mais retas. Na Geometria Analítica Espacial. as retas podem ter uma in…nidade de pontos. x2 ) de números reais satisfaz às duas equações. elas não possuem pontos em comum. há uma in…nidade de pares a satisfazer as duas equações. dois planos cujas equações gerais são a11 x1 + a12 x2 + a13 x3 = b1 a21 x1 + a22 x2 + a23 x3 = b2 podem ter nenhum ou in…nitos pontos em comum. casos em que as equações gerais das retas serão satisfeitas simultaneamente por uma in…nidade de pares de números reais. respectivamente. Quando a interseção das retas ocorre em um ponto.

não haverá nenhum terno satisfazendo às três equações das retas. 0x1 + + 0xn = b. no segundo caso. Equações dessa natureza surgem no contexto do Cálculo Numérico e são de extrema importância para as aplicações da Matemática na Engenharia. é chamado de sistema de equações algébricas lineares ou um sistema linear com m equações e n incógnitas. xn . xn = cn for solução de todas as equações em (1. : : : .2). com i = 1. na Biologia. cn ) ou que a ênupla ordenada de números reais (c1 . xn ) = (c1 . teremos uma in…nidade de ternos de números reais satisfazendo às equações das três retas ao mesmo tempo.1. na Economia. As equações gerais de retas e planos são equações lineares. : : : . Um sistema de equações lineares pode ter solução ou não. já podemos a…rmar que o sistema não possui solução. Se x1 = c1 . ou interseção ao longo de uma reta ou interseção num único ponto. cn ) é solução do sistema linear. x3 ) de números reais que satisfaz às três equações das retas e. : : : . n. Quando uma equação do sistema for degenerada. No primeiro e terceiro caso. Neste último caso. Quando nos deparamos com mais de uma equação linear. : : : m e j = 1. haverá um único terno (x1 . ou ter interseção vazia. Estes exemplos nos mostram a importância de se estudar equações como as que surgem no contexto da geometria plana e espacial.2) nas incógnitas x1 . na Química. Notas de aula do Professor Faleiros . x2 . 2. na Física. números reais. é interessante determinar a posição relativa de três planos quando eles poderão coincidir. Um conjunto …nito de m equações lineares a11 x1 + a12 x2 + a21 x1 + a22 x2 + am1 x1 + am2 x2 + + a1n xn = b1 + a2n xn = b2 + amn xx = bm (1.2). : : : . Sejam m e n inteiros maiores do que 1: Sejam aij e bi .2 Sistemas de equações lineares 13 Ainda na Geometria Analítica Espacial. 2. dizemos estar diante de um sistema de equações lineares. com todos os coe…cientes nulos e b diferente de zero. Também diremos que (x1 . Passemos a estudar tais sistemas em sua forma geral. : : : . diremos que ela é solução do sistema (1. : : : . de coincidência dos três planos ou interseção ao longo de uma reta.

ao adicionar as duas equações obtemos 2x1 = 6 e. O sistema x1 x2 = 2 x1 + x2 = 4 tem uma única solução (x1 . com i = 1.7 O sistema x1 + x2 = 1 0x1 + 0x2 = 2 não tem solução pois a segunda equação é degenerada e seu termo constante é diferente de zero. ao subtrair a primeira da segunda. para todo t real. como em n X j=1 aij xj = bi . Notas de aula do Professor Faleiros . : : : . 1) que pode ser obtida observando que. O sistema x1 + x2 = 1 x1 + x2 = 2 não possui solução pois a soma x1 + x2 não pode ser ao mesmo tempo igual a 1 e a 2: Já o sistema x1 + x2 = 2 0x1 + 0x2 = 0 possui in…nitas soluções pois a segunda equação é satisfeita para quaisquer valores que se atribua a x1 e a x2 : A primeira é satisfeita sempre que x1 = t e x2 = 2 t. m: Exemplo 1. obtemos 2x2 = 2: Um sistema de equações lineares é consistente ou compatível quando tiver ao menos uma solução e inconsistente ou incompatível quando não possuir solução.14 Sistemas de equações lineares Podemos simpli…car a notação de um sistema usando o símbolo de somatório. Com ele pode-se escrever a i ésima equação na forma n X j=1 aij xj = bi e assim denotar todas as equações do sistema observando que i assume todos os valores inteiros de 1 a m. x2 ) = (3. O conjunto de todas as soluções é chamado de conjunto solução ou solução geral do sistema.

Os números que compõem uma matriz são denominados des entradas ou elementos d matriz. x3 ) : x1 = 3 + 2x3 . .8 Todas as soluções do sistema x1 3x2 + x3 = 0 x2 x3 = 1 15 são tais que x1 = 3 + 2x3 . 1. : : : são os elementos da diagonal principal da matriz também denominada de diagonal da matriz. n+1 i . para i = 1.3 Matriz onde aij é a entrada da linha i coluna j: A matriz acima pode ser representada de forma abreviada por A = [aij ] ou por [aij ]m n quando for desejável indicar explicitamente o seu tamanho. Estes coe…cientes e constantes podem ser dispostos em uma matriz que é uma coleção de números dispostos em uma tabela retangular e delimitada por colchetes..1. x2 = 1 + x3 com x3 percorrendo os reais. Uma matriz quadrada n n é chamada matriz de ordem n: Matrizes com um única coluna são denominadas matrizes coluna ou vetores coluna. usando-a para eliminá-la da primeira equação. basta explicitar x1 na primeira equação. . 2. Quando o número de linhas for igual ao número de colunas se diz que a matriz é quadrada. 7 . . . . 2. tal como em 2 3 a11 a12 a1n 6 a21 a22 a2n 7 6 7 A=6 . É comum usar a notação aij = (A)ij : Os elementos aii . Uma matriz de tamanho m n é aquela que possui m linhas e n colunas. : : : são os elementos da diagonal secundária da matriz. As linhas e as colunas da tabela serão as linhas e as colunas da matriz. x2 = 1 + x3 com x3 2 R g: Para veri…car este fato. para i = 1. Os elementos ai. . . Estes índices informam a posição da entrada na matriz. 5 4 . x2 . Vamos usar letras maiúsculas para designar as matrizes e letras minúsculas com subíndices para designar suas entradas.3 Matriz Exemplo 1. . Uma Notas de aula do Professor Faleiros Para determinar a solução de um sistema precisamos apenas dos seus coe…cientes e das suas constantes. Matrizes com uma única linha são denominadas matrizes linha ou vetores linha. e o seu conjunto solução é f (x1 . am1 am2 amn . x2 na segunda equação.

a12 a22 . . . aij = bij . a1n a2n . amn 3 7 7 7 5 . as matrizes mostraram-se muito úteis na representação de sistemas lineares. podemos abrir uma exceção e usar uma letra minúscula em negrito para designá-la tal como em 6 6 b=6 4 2 b1 b2 . .. para i e j percorrendo todas as linhas e todas as colunas de A e B: Quando duas matrizes A e B forem iguais. . escreveremos A = B: Como enfatizamos no início desta seção. Dado o sistema linear a11 x1 + a12 x2 + a21 x1 + a22 x2 + am1 x1 + am2 x2 + + a1n xn = b1 + a2n xn = b2 + amn xx = bm com m equações e n incógnitas. . isto é. am1 am2 é chamada de matriz dos coe…cientes do sistema e 2 3 b1 6 . a tabela retangular de números 6 6 A=6 4 2 a11 a21 .. 7 b=4 . bm Notas de aula do Professor Faleiros . . Uma matriz quadrada na qual todas as entradas acima da diagonal principal são zero é chamada triangular inferior e uma matriz quadrada naqual todas as entradas abaixo da diagonal principal são zero é chamada triangular superior. . Quando se tratar de uma matriz linha ou coluna. . Uma matriz que é triangular inferior ou triangular superior é chamada triangular.16 Sistemas de equações lineares matriz quadrada onde apenas os elementos da diagonal principal são diferentes de zero são chamadas de matriz diagonal. bm 3 7 7 7 5 a= a1 a2 an e Duas matrizes A = [aij ] e B = [bij ] são iguais quando ambas possuírem o mesmo tamanho e suas entradas correspondentes forem iguais. 5 .

nas linhas não nulas.4 Sistema escalonado É muito simples obter a solução geral de alguns sistemas especiais e. for escalonada e Notas de aula do Professor Faleiros .9 A matriz completa do sistema x + y + 2z = 9 2x + 4y 3z = 1 3x + 6y 5z = 0 é 2 1 1 4 2 4 3 6 3 2 9 3 1 5: 5 0 1. Uma matriz escalonada é aquela em que 1. a partir da segunda linha. mormente quando se estudam os sistemas de grande porte. que são aqueles com muitas equações e muitas incógnitas. .4 Sistema escalonado é a matriz das constantes do sistema. . o elemento líder …ca à direita do líder da linha acima. 7 . Uma matriz é escalonada reduzida se 1. o primeiro elemento não nulo da esquerda para a direita é o número 1: Este número é o líder ou pivô da linha. 5 . Exemplo 1. . . .. 2. as linhas nulas …cam agrupadas na parte inferior da matriz.1. . se destacam os sistemas escalonados. . . de A. obtemos a matriz aumentada ou 2 a11 a12 6 a21 a22 6 6 . dentre eles. 3. am1 am2 17 Ao acrescentar a coluna b à direita matriz completa do sistema 3 a1n b1 a2n b2 7 7 . . amn bm que será denotada por [ A j b ]: A notação matricial simpli…ca a notação e proporciona uma ferramenta matemática e…ciente no estudo teórico e numérica dos sistemas. 4 .

18 Sistemas de equações lineares 2.10 As 2 0 4 0 0 são escalonadas e matrizes 3 1 2 3 4 0 0 1 2 5 0 0 0 0 2 1 6 0 6 4 0 0 2 0 0 0 0 1 0 0 e 2 3 1 2 3 4 5 4 0 0 1 2 3 5 0 0 0 1 2 4 2 0 0 0 0 1 0 3 6 4 7 7 2 5 0 é escalonada reduzida. Exemplo 1.11 O sistema x1 + 2x2 + 3x3 + 4x4 = 5 x2 + 2x3 + 3x4 = 4 x4 = 2 é escalonado e x1 x2 é escalonado reduzido. Um sistema escalonado não possui solução quando uma de suas equações for degenerada. 0x1 + 0x2 + + 0xn = b com b diferente de zero. A expressão que está do lado direito da penúltima equação é usada para eliminar a penúltima incógnita líder das equações acima. Exemplo 1. Inicialmente explicita-se em cada equação a incógnita que está multiplicada pelo pivô. Em seguida. o sistema escalonado será consistente e podemos obter sua solução geral com o procedimento descrito abaixo. o líder é o único elemento não nulo de sua coluna. A expressão que está do lado direito da última equação é usada para eliminar a última incógnita lider das equações acima. Notas de aula do Professor Faleiros x3 +2x3 x4 = 5 = 6 = 7 . segue-se um procedimento conhecido por substituição reversa. Estas são as incógnitas líderes do sistema. Nos demais casos. Um sistema linear é escalonado quando sua matriz completa for escalonada e escalonado reduzido quando sua matriz completa for escalonada reduzida.

as incógnitas que restarem do lado direito depois da substituição reversa. Usando este procedimento. x2 . Num sistema escalonado consistente. As incógnitas líderes que permaneceram do lado esquerdo passam a depender dos valores das variáveis livres e. ao explicitar as variáveis líderes. Existindo variáveis livres. o sistema possuirá in…nitas soluções. 2): Notas de aula do Professor Faleiros . a etapa de substituição reversa é desnecessária pois.4 Sistema escalonado 19 Este procedimento é continuado até eliminar todas as incógnitas líderes do lado direito das equações que formam o sistema.12 Para resolver o sistema escalonado x1 x2 + 2x3 = 3 x2 x3 = 1 x3 = 2 Explicitamos as variáveis dependentes x1 . Exemplo 1. usando substituição reversa. o sistema terá uma única solução. que são as variáveis dos pivôs da matriz completa do sistema x1 = x2 x2 = x3 x3 = 2 2x3 + 3 1 Podemos eliminar as as variáveis dependentes do lado direito das equações.1. 1. restarão apenas as variáveis independentes no lado direito das equações. o sistema não tem solução. Quando não houver variável livre. O termo variável tem sua origem no fato de podermos atribuir a elas qualquer valor real para obter uma solução do sistema. Quando houver uma equação degenerada com termo constante não nulo. Depois. x3 ) = (0. A última equação é usada para eliminar x3 do lado direito das equações acima. a penúltima equação é usada para eliminar x2 do lado direito da equação acima. por este motivo. x2 e x3 . Para obter a solução geral de sistemas escalonados reduzidos. recebem o nome de variáveis dependentes ou variáveis líderes. são denominadas de variáveis livres ou independentes. chegamos a x3 = 2 x2 = x3 x1 = x2 1=2 1=1 2x3 + 3 = 1 4 + 3 = 0 e concluímos que a única solução deste sistema é (x1 .

Se desejarmos tratar x1 . x2 e x3 em pé de igualdade. A nova variável t recebe o nome de parâmetro e com ele a solução geral se apresenta na forma paramétrica.14 Para resolver o sistema escalonado reduzido x1 2x2 + 3x3 + x4 = 1 x3 3x4 = 2 explicitamos as variáveis dependentes x1 e x3 x1 = 1 + 2x2 x3 = 2 + 3x4 3x3 x4 Usamos a segunda equação para eliminar a variável dependente x3 do lado direito da primeira equação e obter x1 = 1 + 2x2 3(2 + 3x4 ) x4 = 2x2 10x4 5: Temos duas variáveis livres. Exemplo 1.20 Sistemas de equações lineares Exemplo 1. x1 = 2x2 + x3 + 1 x2 = 2 x3 e usamos a segunda equação para eliminar o x2 da primeira equação x1 = 2(2 x3 ) + x3 + 1 = 3x3 3 O x3 é a variável livre deste sistema. Notas de aula do Professor Faleiros 5 . com x3 percorrendo os reais. x2 = 2 x3 . x3 = t. de…nindo-a por t = x3 quando então se escreve a solução geral na forma x1 = 3t 3. x2 = 2 t. a x2 e a x4 e a solução geral deste sistema é x1 = 2x2 10x4 x3 = 2 + 3x4 onde x2 e x4 podem assumir qualquer valor.13 Para resolver o sistema escalonado x1 + 2x2 x3 = 1 x2 + x3 = 2 explicitamos as variáveis dependentes x1 e x2 . Sua solução geral é x1 = 3x3 3. que terá in…nitas soluções. introduzimos uma nova variável t. com t percorrendo o conjunto dos números reais.

Multiplicar uma equação por uma constante não nula. As três operações elementares sobre as equações de um sistema correspondem às operações elementares sobre as linhas da matriz completa: 1. Adicionar a uma equação um múltiplo de outra. penta. pode-se introduzir duas novas variáveis r e s. Veremos como aplicar transformações ao sistema original até chegar a um sistema escalonado equivalente. Trocar de posição duas equações. Quando a solução geral depender de mais do que três parâmetros podemos continuar com os pre…xos tetra. 3.5 Operações elementares 21 Querendo tratar as quatro variáveis em pé de igualdade na solução geral. Dois sistemas são equivalentes quando possuem o mesmo conjunto solução. 2. 3. Diremos que a solução geral é uniparamétrica quando depender de um parâmetro. biparamétrica quando depender de dois. levando cada uma para a posição da outra. triparamétrica se depender de três. Adicionar a uma linha um múltiplo de outra linha. levando cada uma para a posição da outra. 1. Trocar de posição duas linhas. hexa ou chamá-la de poliparamétrica. de…nindo-as por r = x2 e s = x4 : A solução geral poderá ser escrita na forma paramétrica x1 x2 x3 x4 = 2r 10c =r = 2 + 3s =s 5 onde os parâmetros r e s podem assumir qualquer valor real.5 Operações elementares A transformação de um sistem em outro equivalente é realizada por meio de operações elementares sobre as equações do sistema que são de três tipos: 1. Nos resta agora discutir a solução de sistemas genéricos.1. a equação obtida é denominada de múltiplo da equação original. Multiplicar uma linha por uma constante não nula. 2. Quando se multiplica uma equação por um número real. Notas de aula do Professor Faleiros .

nem se escreve o termo x2 em sistemas como o acima e ele é apresentado na forma x1 + 4x3 = 5 x1 8x3 = 7 e se elimina a segunda coluna de sua matriz completa que passa a ser 1 1 4 5 8 8 : Notas de aula do Professor Faleiros . podemos recuperar A adicionando à linha r de B o múltiplo da sua linha s: Quando aplicamos sucessivas operações elementares sobre uma matriz M e chegamos a uma matriz escalonada R. então é possível levar a matriz B na matriz A efetuando uma operação elementar. dizemos que R é uma forma escalonada da matriz M: Se R for escalonada reduzida. ela não contribuirá com a soma.6 Método da eliminação de Gauss Quando todos os coe…cientes que multiplicam uma incógnita forem iguais a zero. se mediante uma operação elementar podemos levar uma matriz A noutra matriz B.22 Sistemas de equações lineares As operações elementares são reversíveis e transformam um sistema em outro equivalente. diremos que R é a forma escalonada reduzida da matriz M: A forma escalonada reduzida de uma matriz M é única. Na prática. Se B for obtida de A permutando suas linhas r e s. Por reversíveis queremos dizer que. como em x1 + 0x2 + 4x3 = 5 x1 + 0x2 8x3 = 7 a variável x2 é livre. podemos recuperarA permutando as linhas r e s de B: Se B for obtida multiplicando a linha i de A por um número real diferente de zero. podemos recuperar A multiplicando a linha i de B por 1 : Se B for obtida adicionando à linha r de A um múltiplo da sua linha s. Independentemente do valor que a ela for atribuído. A segunda coluna da matriz completa deste sistema 1 0 4 5 1 0 8 8 é nula. 1.

1.6 Método da eliminação de Gauss

23

Se uma equação do sistema for identicamente nula como é o caso da terceira equação do sistema x1 3x2 + 2x3 = 9; x1 + 4x2 + 6x3 = 1; 0x1 + 0x2 + 0x3 = 0: o fato de qualquer solução das duas primeiras equações ser uma solução da terceira, podemos eliminá-la e buscar soluções para as duas primeiras equações x1 3x2 + 2x3 = 9; x1 + 4x2 + 6x3 = 1: Com relação à matriz completa do sistema, 2 3 1 3 2 9 4 1 4 6 1 5 0 0 0 0

a eliminação da última equação corresponde à eliminação da linha nula e escrever 1 3 2 9 : 1 4 6 1 Vamos trabalhar com a matriz completa do sistema e, numa primeira etapa, iremos eliminar suas linhas e colunas nulas pelos motivos explicados acima. Passemos à descrição do método da eliminação de Gauss, que consiste na realização de operações elementares sobre a matriz completa até transformá-la numa matriz escalonada. Denotaremos por bij a entrada da linha i coluna j da matriz completa [ A j b ]: 1. Faça i = 1 e j = 1: 2. Se bij = 0; percorra a coluna r de cima para baixo. (a) Se bis = 0 para todo s > j; passe para a próxima coluna fazendo j = j + 1 e retorne à etapa 2. (b) Se brs 6= 0 para algum s > j; leve a linha i para a posição da linha r e leve esta para a posição da linha i: Agora a entrada bij é diferente de zero. 3. Divida a linha i por bij para obter o pivô igual a 1: Notas de aula do Professor Faleiros

24

Sistemas de equações lineares 4. Adicione múltiplos da linha i às linhas que estão abaixo, de modo a zerar todas as entradas embaixo do pivô. 5. Passe à linha seguinte fazendo i = i + 1 e retorne à etapa 2. 6. Quando chegar à última linha, se bij 6= 0; divida-a por bij :

Ao …nal deste processo chega-se a um sistema escalonado, equivalente ao sistema original. Se uma equação deste sistema for degenerada e inconsistente, ele não terá solução. Se todas as equações do sistema escalonado forem consistentes, havendo variável livre, o sistema terá in…nitas soluções e, quando não, uma única solução. Exemplo 1.15 Usando o método da eliminação de Gauss para resolver o sistema nas variáveis x1 ; x2 ; x3 ; x4 ; x5 cuja matriz completa é 2 3 0 0 2 0 7 12 4 2 4 10 6 12 28 5 2 4 5 6 5 1 1 2 4 0 0 chegamos à matriz escalonada 0 0 2 5 3 1 0 0 0 3 6 14 7=2 6 5: 1 2

chegamos à matriz escalonada 2

Exemplo 1.16 Usando o método da eliminação de Gauss para resolver o sistema nas variáveis x1 ; x2 ; x3 ; x4 cuja matriz completa é 2 3 1 2 2 1 9 4 1 2 1 0 4 5 1 2 2 1 7 1 2 2 1 4 0 0 1 1 0 0 0 0 3 9 5 5 2

Como a última linha corresponde à equação

0x1 + 0x2 + 0x3 + 0x4 = 2; o sistema não possui solução. Notas de aula do Professor Faleiros

1.6 Método da eliminação de Gauss

25

1.6.1

A eliminação de Gauss-Jordan

A eliminação de Gauss-Jordan consiste na utilização de operações elementares sobre a matriz completa até transformá-la numa matriz escalonada reduzida. Efetuada a primeira etapa do método da eliminação de Gauss, pode-se continuar o processo, aplicando operações elementares sobre a matriz completa com o intuito de anular os coe…cientes acima dos pivôs, começando com os pivôs das linhas de baixo e subindo até a primeira linha e chegar a uma matriz escalonada reduzida. Lembre-se que a forma escalonada reduzida de uma matriz é única, seja qual for o caminho percorrido. Quando se chega à matriz escalonada reduzida, para obter a solução geral do sistema, basta explicitar as variáveis dependentes, que são aquelas correspondentes aos pivôs de cada linha. O método de Gauss e o de Gauss Jordan exigem o mesmo esforço computacional para resolver um sistema de equações algébricas lineares. Exemplo 1.17 Considere o escalonada é 2 1 4 0 0 sistema linear cuja matriz completa na forma 3 2 5 3 6 14 0 1 0 7=2 6 5 0 0 0 1 2

use o método descrito para zerar as entradas acima dos pivôs. Comece zerando as entradas acima do pivô da terceira linha. Em seguida, zere as entradas acima do pivô da segunda linha obtendo 2 3 1 2 0 3 0 7 4 0 0 1 0 0 1 5 0 0 0 0 1 2 que corresponde ao sistema x1 + 2x2 + 0x3 + 3x4 + 0x5 = 7 x3 + 0x4 + 0x5 = 1 x5 = 2 cuja solução geral é x1 = 7 x3 = 1 x5 = 2 2x2 3x4

onde x2 e x4 são variáveis livres e podem assumir qualquer valor real. Notas de aula do Professor Faleiros

19 Dados k sistemas Ax = b1 . zeramos as entradas acima do pivô da segunda linha quando então se chega á matriz escalonada reduzida 3 2 1 3 0 4 2 0 0 6 0 0 1 2 0 0 0 7 7 6 4 0 0 0 0 0 1 1 5 3 0 0 0 0 0 0 0 que nos fornece imediatamente a solução geral do sistema x1 = 3x2 x3 = x4 x6 = 1=3 4x4 2x5 chegamos à matriz escalonada 3 0 2 0 0 2 0 3 1 7 7 0 0 1 1=3 5 0 0 0 0 onde x2 . em seguida. Quando o sistema escalonado for consistente e possuir m equações não nulas e n incógnitas. zeramos as entradas acima do pivô da terceira linha e. reduzindoa à forma escalonada e resolver todos os sistemas de uma só vez usando a eliminação de Gauss ou ainda. Ax = bk em que as matrizes dos coe…cientes são idênticas. podemos resolvê-los simultaneamente. A matriz completa 2 1 3 2 6 2 6 5 6 4 0 0 5 2 6 0 Continuando com as operações elementares. realizando operações elementares sobre a matriz aumentada [A j b1 j j bk ] . x4 e x5 são variáveis livres e podem assumir qualquer valor real. : : : . Notas de aula do Professor Faleiros . reduzindo-a à forma escalonada reduzida e resolvendo os sistemas usando o método de Gauss-Jordan.26 Sistemas de equações lineares Exemplo 1. 2 1 3 2 6 0 0 1 6 4 0 0 0 0 0 0 Resolução. existirá uma única solução quando m = n e in…nitas soluções quando m < n: Exemplo 1.18 Resolva por eliminação de Gauss-Jordan x1 +3x2 2x1 +6x2 2x1 +6x2 2x3 +2x5 5x3 2x4 +4x5 3x6 5x3 +10x4 +15x6 +8x4 +4x5 +18x6 do sistema é 0 2 10 8 2 0 4 3 0 15 4 18 3 0 1 7 7 5 5 6 = = = = 0 1 5 6 Realizando a eliminação gaussiana.

denotada por B. x e y números reais e 1 a unidade real. An são matrizes de mesmo tamanho e c1 . obtemos a matriz A: Por este motivo. : : : . A2 .2 Multiplicação de uma matriz por um número real Seja A = [aij ] uma matriz m n e c um número real. 5 . . cn são números reais. A + B = B + A (Comutatividade da adição) Notas de aula do Professor Faleiros . de tamanho m n. Matrizes de mesmo tamanho são ditas conformes para a adição. : : : . 0 0 onde todas as entradas são nulas. c2 . An com coe…cientes c1 . valem as propriedades: 1. m e j = 1.. : : : .. a matriz nula é chamada de elemento neutro da adição. B e C matrizes de mesmo tamanho. A2 . é aquela cuja entrada da linha i coluna j é bij : A diferença A B é a matriz A + ( B).1 Operações matriciais 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 soma A + B = [cij ]. . então uma expressão da forma c 1 A1 + c 2 A2 + + c n An é chamada de combinação linear de A1 .7. onde cij = aij + bij para i = 1.7 Operações matriciais 27 1. Sendo A. c2 . n: A matriz oposta de B = [bij ] . A multiplicação de c por A é a operação que resulta na matriz cA = [caij ] de tamanho m n chamada de múltiplo de A por c: Observe que cada entrada de cA é igual a c vezes a entrada correspondente de A: Se A1 . 7 0 = 4 . .7. obtida subtraindo das entradas de A as entradas correspondentes de B: Matrizes de tamanhos distintos não podem ser adicionadas nem subtraídas. : : : . : : : . cn : Propriedades Neste momento destacamos a matriz nula ou matriz zero 2 3 0 0 6 .7 1. 1. : : : . .1. Adicionando uma matriz A com a matriz nula de mesmo tamanho.

2. (x + y)A = xA + yA (Distributividade) 8.28 Sistemas de equações lineares 2. onde cij = p X k=1 aik bkj para i = 1. p e adicione os resultados para obter cij : Para ser possível multiplicar a matriz A pela matriz B. : : : .21 A multiplicação da matriz A= 8 3 6 9 4 5 por 2 B=4 9 5 2 3 1 2 3 0 3 5 7 Notas de aula do Professor Faleiros . A + 0 = 0 + A = A (Elemento neutro) 4. : : : . : : : . quando então se diz que são conformes para a multiplicação.7. quando AB = BA se diz que as matrizes comutam. Em casos excepcionais. 1A = A 1.3 Multiplicação de matrizes De…nição 1. nem sempre é possível calcular BA e. n: A matriz AB é denominada de produto de A por B: Para obter a entrada cij da linha i e coluna j de AB. B + ( B) = ( B) + B = 0 (A matriz B é a matriz oposta de B) 5. para k = 1. A + (B + C) = (A + B) + C (Associatividade da adição) 3. nem sempre AB = BA pois o produto de matrizes não é comutativo. m e j = 1. quando for possível. destaque a linha i de A e a coluna j de B: Multiplique aik por bkj . O produto de matrizes triangulares superiores é uma matriz triangular superior e o produto de matrizes triangulares inferiores é uma matriz triangular inferior Exemplo 1. (xy)A = x(yA) (Associatividade da multiplicação por um real) 6. o número de colunas da primeira deve ser igual ao número de linhas da segunda. Mesmo quando é possível calcular o produto AB. x(A + B) = xA + xB (Distributividade) 7.20 Seja A = [aik ] uma matriz m p e B = [bkj ] uma matriz p n: A multiplicação das matrizes A e B é a operação que leva A e B na matriz AB = [cij ] de tamanho m n.

22 Sendo x= então xy = 3 4 6 8 e yx = [11] : 1 2 e y= 3 4 Propriedades das multiplicação matricial Em cada uma das propriedades abaixo.23 Observe que AD = BD mas A 6= B quando A = B= 5 3 6 4 eD= 0 0 1 2 : 1 3 2 4 e É possível obter AB = 0. A(B1 + B2 ) = AB1 + AB2 (Distributividade à esquerda) 3. A1 e A2 bem como as matrizes B. então xy é uma matriz m n: Quando m = n. A igualdade AD = BD não implica. yx é uma matriz 1 1: Toda matriz 1 1.24 Observe que AB = 0 quando A = Entretanto. x é real. B1 e B2 são conformes para a adição. mesmo quando D for diferente de zero. (xB)C = x(BC) = B(xC) (Associatividade em relação ao produto por um real) Não vale a lei do cancelamento. AB = 0 não implica em A = 0 ou B = 0: Exemplo 1. (A1 + A2 )B = A1 B + A2 B (Distributividade à direita) 4. As matrizes A e B e as matrizes B e C são conformes para a multiplicação. A(BC) = (AB)C (Associatividade da multiplicação) 2. Exemplo 1. As matrizes A. com uma única entrada. necessariamente. em A = B.1. mesmo quando A 6= 0 e B 6= 0: Logo.7 Operações matriciais resulta na matriz AB = 58 50 26 10 10 62 : 29 Se x for um vetor coluna com m linhas e y um vetor linha com n colunas. tal como [m] . 1. nem A e nem B são matrizes nulas. é identi…cada ao número real m e escreveremos [m] = m: Exemplo 1. Notas de aula do Professor Faleiros 0 1 0 2 eB= 3 4 0 0 : .

. . . . . : : : . . cn com coe…cientes x1 . . am1 am2 3 7 7 7 5 2 6 6 + xn 6 4 2 a1n a2n . 3 + a1n xn + a2n xn 7 7 7 5 + amn xn 3 7 7 7+ 5 2 a11 a21 . . . 5 4 . 7 + x2 6 . : : : . am1 6 6 c2 = 6 4 a12 a22 . xn 3 7 7 7 5 e am1 am2 6 6 Ax = 6 4 am1 x1 + am2 x2 + 2 3 2 a11 a12 6 a21 7 6 a22 6 7 6 = x1 6 . a1n a2n . am2 3 7 7 7 5 6 6 cn = 6 4 2 a1n a2n . . . amn 3 7 7 7 5 6 6 x=6 4 2 x1 x2 . . . . yA é uma combinação linear das matrizes linha de A com coe…cientes provenientes da matriz y: Notas de aula do Professor Faleiros .30 Sistemas de equações lineares Produto matricial como combinação linear Sendo 6 6 A=6 4 então 2 a11 x1 + a12 x2 + a21 x1 + a22 x2 + . . a12 a22 . 4 . . c2 . x2 . amn as colunas de A. . amn 3 7 7 7 5 3 7 7 7 5 Sendo 6 6 c1 = 6 4 2 a11 a21 . sendo y uma matriz linha. xn : A matriz Ax é uma combinação linear das colunas de A cujos coe…cientes são as entradas da matriz x: De modo análogo. . . . então Ax = x1 c1 + x2 c2 + + xn cn : Uma expressão do tipo x1 c1 + x2 c2 + + xn cn é chamada de combinação linear das matrizes c1 .

. . . . . . onde I é a matriz identidade. podemos indicá-la tão somente por I: A matriz identidade é o elemento neutro da multiplicação de matrizes quadradas. . 7: .8 Matriz inversa 31 1. . .1.. . : : : . A matriz B é chamada de inversa de A: Uma matriz quadrada não invertível é denominada singular. exceto aquelas que se encontram na diagonal principal. então AIn = A e In B = B: Quando A for n n. 0 0 . . dn 1 Notas de aula do Professor Faleiros .8 Matriz inversa n Neste momento destacamos a matriz identidade de tamanho n 2 3 1 0 0 0 6 0 1 0 0 7 7 6 6 . então AIn = In A = A: Não havendo a necessidade de informar o tamanho da matriz identidade..25 Uma matriz quadrada A é invertível quando existe uma matriz quadrada B tal que AB = BA = I. dn 3 7 7 7 5 é invertível se e só se todos os reais d1 . 0 0 . sendo denotada por A : De acordo com a de…nição. como 2 6 6 D=6 4 d1 0 0 d2 . que são iguais a 1: Sendo A uma matriz m n e B uma matriz n p. . . . . .. . . . 6 7 4 0 0 1 0 5 0 0 0 1 que possui todas as entradas iguais a zero. 1 A= A 1 : 1 Uma matriz diagonal. 0 0 dn forem diferentes de zero. Quando uma matriz A é invertível. e 3 0 0 7 7 . .. . . d2 . sua inversa é 2 1 0 d1 6 0 d 1 2 6 D 1=6 . 7 . 4 . 5 . em outras palavras. se B é a inversa de A então A é a inversa de B ou. sua inversa é única. . . De…nição 1. 7 In = 6 .

32 Sistemas de equações lineares Uma matriz triangular é invertível se.9 Potências Seja A uma matriz quadrada e n um número inteiro maior do que zero. A matriz AB é invertível e (AB) 1 1 = k 1A 1: = B 1A 1: Se as matrizes A1 . para qualquer matriz quadrada B de mesmo tamanho. a b A matriz A = é invertível se e só se ad bc 6= 0 e sua inversa é c d A 1 = 1 ad bc d c b a : 2 1 5 3 Exemplo 1. An = An 1 A Notas de aula do Professor Faleiros . De…nimos as potências inteiras não negativas de A por A0 = I. A2 . : : : . A inversa de uma matriz triangular superior é uma matriz triangular inferior e a inversa de uma matriz triangular inferior é uma matriz triangular superior. e só se. então o produto A1 A2 An é invertível e (A1 An ) 1 = An 1 A1 1 : 1. An forem todas invertíveis e do mesmo tamanho. a matriz kA é invertível e (kA) 2. a mesma coluna de BA é nula e assim. a mesma linha de AB será nula e assim.26 A matriz B = 3 5 1 2 é a inversa de A = : Nenhuma matriz quadrada A com uma coluna nula possui inversa pois. Sendo k um número real. 1. todos os elementos da diagonal principal forem diferentes de zero. BA 6= I: Toda matriz quadrada A com uma linha nula é singular pois. para qualquer matriz B de mesmo tamanho. AB 6= I: Propriedades da matriz inversa Sejam A e B matrizes invertíveis de mesmo tamanho.

(AT ) 1 = (A 1 )T Se A e B forem matrizes conforme para a multiplicação. então (A 1 )n = (An ) e de…nimos as potências negativas de A por A Propriedades n 1 33 = (A 1 )n = (An ) 1 : Sejam A e B matrizes quadradas com o mesmo tamanho. as identidades acima valem quando r e s forem números inteiros negativos.10 Matriz transposta Se A = [aij ] uma matriz m n: A matriz [bij ] de tamanho n m. (kA)T = kAT 4.1. (AT )T = A 2. (AB)T = B T AT Notas de aula do Professor Faleiros . Ar As = Ar+s 2. valem as propriedades abaixo. (Ar )s = Ars 3. Se AB = BA. r e s números inteiros não negativos. 1. onde bij = aji .27 A transposta de A = 1 2 3 4 é AT = 1 3 2 4 : Se A e B forem matrizes de mesmo tamanho e k for um número real.10 Matriz transposta Se A for invertível. (A + B)T = AT + B T 3. 1. é chamada de transposta de A e denotada por AT : Exemplo 1. então (AB)r = Ar B r : Quando A e B forem invertíveis. Então 1. para todo i e todo j.

31 Uma matriz quadrada é elementar quando for obtida a partir da matriz identidade executando uma única operação elementar. Então (a) AT é simétrica. AAT e AT A também são invertíveis por serem o produto de matrizes invertíveis. Prova.11 Matrizes elementares De…nição 1. então A 1 é simétrica.34 Sistemas de equações lineares An Quando os tamanhos de A1 . isto é.30 Se A é uma matriz invertível. De…nição 1. então AAT e AT A também são invertíveis. (d) Se A for invertível. Teorema 1. O produto de duas matrizes simétricas A e B é simétrica se e só se A e B comutarem. Como A é invertível. (b) A + B e A B são simétricas. as matrizes AAT e AT A são quadradas e simétricas. também o é AT : Logo. 1.29 Sejam A e B matrizes simétricas de mesma ordem e real.28 Uma matriz quadrada A é simétrica quando AT = A: Para qualquer matriz retangular A. então (A1 An )T = AT n AT : 1 Observe que a ordem dos fatores se altera de A1 até An para AT até AT : 1 n Quando A for quadrada e n for um inteiro positivo. (c) A é simétrica. então (An )T = AT n : Quando A for quadrada e invertível. o n pode ser qualquer inteiro na propriedade acima. (e) Se A é invertível então AAT e AT A é invertível. : : : . An forem tais que o produto A1 pode ser efetuado. AB = BA: Teorema 1. Notas de aula do Professor Faleiros . um Nem sempre o produto de matrizes simétricas é simétrica.

32 As matrizes abaixo são elementares 2 3 2 3 1 0 0 0 1 0 3 6 0 0 0 1 7 1 0 6 7 4 0 1 0 5 4 0 0 1 0 5 0 3 0 0 1 0 1 0 0 35 2 3 1 0 0 4 0 1 0 5 0 0 1 A última matriz é a identidade. esta matriz R é a identidade ou pelo menos sua última linha é nula. j ! i) é a inversa de E(i + j ! i): E( E(i 1 No processo de obter a forma escalonada reduzida de uma matriz quadrada A. i ! i) é a inversa de E( i ! i). só pode ser a matriz identidade. A seria invertível) e. Notas de aula do Professor Faleiros . Provamos o seguinte teorema: Teorema 1. Denotemos por E(i + j ! i) a matriz elementar obtida da identidade adicionando vezes sua linha j à sua linha i: Seja A uma matriz m n e vamos supor que as matrizes elementares a seguir sejam m m: Trocando a linha i pela linha j de A. As matrizes elementares são invertíveis. Se A for singular se e só se pelo menos a última linha de R é nula. aplicamos a ela uma sequência de operações elementares E1 . E2 .1. obtemos a matriz E(i + j ! i)A: Resumindo: Seja A uma matriz m n e E uma matriz elementar m m: A matriz EA é igual à matriz obtida quando se realiza sobre A a mesma operação efetuada sobre I para obter E: As matrizes elementares são invertíveis pois E(i $ j) é a inversa de E(i $ j). pelo menos sua última linha é nula. Es tais que R = Es E2 E1 A é a forma escalonada reduzida de A: Como A é quadrada. portanto. obtemos a matriz E(i $ j)A: Multiplicando a linha i de A por obtemos a matriz E( i! i)A: Adicionando vezes a linha j de A à sua linha i.33 Seja A uma matriz quadrada e R sua forma escalonada reduzida.11 Matrizes elementares Exemplo 1. Se A for invertível. então R é singular (se não fosse. então R é invertível e. Ela é uma matriz elementar pois pode ser obtida da identidade multiplicando sua primeira linha por 1: Denotemos por E(i $ j) a matriz elementar obtida da identidade permutando as posições das linhas i e j: Denotemos por E( i ! i) a matriz elementar obtida da identidade multiplicando sua linha i por um real não nulo. : : : . portanto. Se A for singular. Se A for invertível se e só se R é a identidade.

12 Um método para inverter matrizes Para obter a forma escalonada reduzida de uma matriz aplica-se a ela uma sucessão de operações elementares. Se A é invertível.36 Sistemas de equações lineares 1. chega-se à inversa de A: Tal observação sugere um dispositivo Notas de aula do Professor Faleiros 1 E1 A = I E1 = Er E1 I: = Er . Quando a matriz for quadrada. no segundo caso. Er e E1 .1 Sistemas equivalentes e matrizes elementares Sejam A e B matrizes m n. as matrizes ampliadas [A j b] e [B j c] devem possuir a mesma forma escalonada reduzida [R j d] onde o tamanho de R é m n e o de d é m 1: Logo. Para serem equivalentes. Isto signi…ca que existem matrizes elementares Er . existem matrizes elementares E1 . b e c matrizes coluna m 1: Os sistemas lineares Ax = b e Bx = c são equivalentes se possuírem a mesma solução geral. realizando operações elementares sobre ela. 1. : : : . sua forma escalonada reduzida é a identidade ou então possui uma ou mais linha nulas. chegamos à matriz identidade. : : : . : : : . Note ainda que A = E1 1 Er 1 Es E1 B ou seja. que é sua forma escalonada reduzida.11. Es tais que [R j d] = Er de onde se obtém [A j b] = E1 1 Er 1 Es E1 [B j c] : E1 [A j b] e [R j d] = Es E1 [B j c] Nota-se assim que dois sistemas lineares com o mesmo número de equações e o mesmo número de incógnitas são equivalentes quando for possível levar um no outro mediante operações elementares. a matriz é invertível e. E1 tais que Er de onde obtemos A Se Er E1 A = I então Er E1 I = A 1 : Observe: Realizando sobre I as mesmas transformações que levam A na matriz identidade. No primeiro caso. a matriz dos coe…cientes de um sistema pode ser levado no outro mediante operações elementares. singular.

até transformar A em I: Quando isto acontecer. sua forma escalonada reduzida conterá uma linha nula. Se em algum momento do processo de escalonamento da matriz ampliada [A j I]. Exemplo 1.12 Um método para inverter matrizes 37 prático para determinar a inversa de uma matriz. uma linha de A se anular. pode encerrá-lo.34 Calcule a inversa de 2 3 1 2 3 A = 4 2 5 3 5: 1 0 8 Resolução. exatamente. quando a matriz original A se transformou na identidade e a matriz identidade se transformou na matriz B: Esta matriz B é. a…rmando que A não possui inversa. Justapomos as matrizes A e I formando a matriz ampliada [A j I] e realizamos operações elementares sobre ela. a matriz I terá se transformado em A 1 2 3 1 2 3 1 0 0 4 2 5 3 0 1 0 5 1 0 8 0 0 1 1 2 3 1 0 4 0 1 3 2 1 0 2 5 1 0 2 1 2 3 1 0 4 0 1 3 2 1 0 0 1 5 2 2 1 2 3 1 0 4 0 1 3 2 1 0 0 1 5 2 2 1 2 0 14 6 4 0 1 0 13 5 0 0 1 5 2 2 1 0 0 40 16 4 0 1 0 13 5 0 0 1 5 2 2 3 0 0 5 1 3 0 0 5 1 3 0 0 5 1 3 3 3 5 1 3 9 3 5 1 Notas de aula do Professor Faleiros . a inversa de A: Se a matriz A não for invertível. Coloque a matriz identidade à direita de A obtendo a matriz ampliada [A j I]: Efetue operações elementares sobre esta matriz ampliada até obter a matriz [I j B].1.

xn . am1 am2 são.13 Forma matricial de um sistema linear a11 x1 + a12 x2 + a21 x1 + a22 x2 + am1 x1 + am2 x2 + + a1n xn = b1 + a2n xn = b2 + amn xx = bm O sistema de equações algébricas lineares nas incógnitas x1 . : : : . . amn 3 7 7 7 5 é a matriz dos coe…cientes do sistema. A 1 Sistemas de equações lineares 2 3 9 3 5: 1 40 16 4 13 5 = 5 2 Exemplo 1. respectivamente. 5 . onde c é uma matriz Notas de aula do Professor Faleiros 3 x1 .38 e assim. . 7 .35 Repita o procedimento do exemplo anterior com a matriz 2 3 1 6 4 A=4 2 4 1 5 1 2 5 e conclua que ela não é invertível. 2 3 2 b1 6 . a matriz das contantes e a matriz das incógnitas do sistema. . bm 6 6 A=6 4 . 1. a12 a22 . . 5 . Na forma matricial diremos que x = c. . . xn pode ser escrito na forma matricial Ax = b onde 2 a11 a21 . a1n a2n . 7 6 e x=4 b=4 . ..

Então. Quando o sistema homogêneo Ax = 0 possuir outras soluções além da trivial. recebe o nome de sistema linear homogêneo. ele terá uma única solução se e só se o sistema homogêneo Ax = 0 possuir apenas a solução trivial. ela será da forma c0 + c1 . Tal fato se deve ao processo de escalonamento que sempre redunda num sistema escalonado compatível com variáveis livres. denominada solução trivial. sendo k um número real. Ele sempre admite a solução x = 0.13 Forma matricial de um sistema linear 39 coluna n 1. x = kc será solução do sistema homogêneo. sendo c2 outra solução. então c0 + c1 é solução de Ax = b: Se c1 e c2 forem soluções de Ax = b. levada à forma escalonada reduzida …ca 2 1 1 0 0 1 6 0 0 1 0 1 6 4 0 0 0 1 0 0 0 0 0 0 Notas de aula do Professor Faleiros . Além desta.36 A matriz aumentada de 2 2 2 1 6 1 1 2 6 4 1 1 2 0 0 1 um sistema homogêneo é 3 0 1 0 3 1 0 7 7 0 1 0 5 1 1 0 3 0 0 7 7 0 5 0 que. de duas uma: ou o sistema homogêneo possui apenas a solução trivial ou possui in…nitas soluções. é uma solução do sistema quando Ac = b: Também pode-se dizer simplesmente que c é uma solução do sistema. tais sistemas podem ou não ter outras soluções. então. o sistema Ax = b terá in…nitas quando for compatível ou nenhuma solução quando for incompatível. no qual o lado direito é a matriz nula. dentre elas a solução trivial. Exemplo 1.1. Um sistema linear Ax = 0. Esta é uma indicação de que. Um sistema homogêneo com mais incógnitas do que equações sempre terá in…nitas soluções e. quando o sistema homogêneo possuir uma solução não trivial. onde c 6= 0. para alguma solução c0 do sistema homogêneo associado Ax = 0: Se o sistema linear Ax = b for compatível. ao encontrar uma solução c1 de Ax = b. O sistema Ax = 0 é denominado de sistema homogêneo associado ao sistema linear Ax = b: Se c0 for solução de Ax = 0 e c1 for solução de Ax = b. Quando o sistema homogêneo possuir uma solução não trivial x = c. então a diferença c2 c1 é solução do sistema homogêneo Ax = 0: Logo. terá in…nitas soluções.

x4 = 0. (4) ) (1) Sendo A um produto de matrizes elementares. então A é invertível e B = A 1 : Notas de aula do Professor Faleiros E1 A = I . pode-se escrever a solução geral na forma paramétrica x1 = r s. que são invertíveis. (1) =) (2): Se A é invertível e c0 for uma solução de Ax = 0. Corolário 1. então existem matrizes elementares E1 . Prova.37 A…rmações equivalentes para uma matriz quadrada A: (1) A é invertível. (2) O sistema homogêneo Ax = 0 tem somente a solução trivial. (3) A forma escalonada reduzida por linhas de A é a matriz identidade I: (4) A pode ser expressa como um produto de matrizes elementares. Neste caso. Ek tais que Ek e assim A = E1 1 Ek 1 provando que A é igual ao produto de matrizes elementares. então A é invertível e B = A 1 : (b) Se AB = I. ela é invertível. x5 = s onde r e s podem assumir qualquer valor real. for I. : : : . então c0 = Ic0 = (A 1 A) c0 = A 1 (Ac0 ) = A 1 0 = 0. x3 = s. onde I é a matriz identidade. isto signi…ca que I é a forma escalonada reduzida de A: (3) ) (4) Se a forma escalonada de A. Teorema 1. (2) =)(3) Se a única solução do sistema Ax = 0 for a trivial. Introduzindo os parâmetros r = x2 e s = x5 . x2 = r. Como I é uma matriz escalonada reduzida. mostrando que a equação homogênea Ax = 0 possui apenas a solução trivial. podemos levar A em I por meio de uma sucessão de operações elementares. (a) Se BA = I.38 Sejam A e B duas matrizes quadradas de mesmo tamanho. ele é equivalente ao sistema Ix = 0.40 e a solução geral deste sistema é x1 = x2 x3 = x5 x4 = 0 Sistemas de equações lineares x5 onde x2 e x5 são variáveis livres e podem assumir qualquer valor real.

Existem matrizes elementares E1 . : : : . Corolário 1. BAc0 = 0. a matriz A é invertível e A 1 = B: Corolário 1. Prova. então c1 = A 1 b é uma solução de Ax = b: Sendo c2 outra solução deste sistema. Multiplicando os dois membros de BA = I pela direita por A 1 segue B = A 1: (b) Quando AB = I. então AB e BA são singulares. A(c1 c2 ) = 0 e. c1 = c2 . o que não pode ocorrer pois pelo menos a última linha de RB é nula.41 Como consequência da 2 1 4 2 A= 1 o sistema homogêneo invertibilidade da matriz 3 2 3 5 3 5 0 8 x1 +2x2 +3x3 = 0 2x1 +5x2 +3x3 = 0 x1 +8x3 = 0 possui apenas a solução trivial.13 Forma matricial de um sistema linear 41 Prova. Se A for singular. mostrando que BA é singular. pelo item anterior. Exemplo 1. como o sistema homogêneo Ax = 0 possui apenas a solução trivial. Ek tais que R = Ek E1 A: Se AB for invertível. Se A for singular.40 A matriz A é invertível se e só se a única solução do sistema Ax = b for x = A 1 b: Prova. mostrando que Ax = b possui uma única solução dada por x = A 1 b: Se Ax = b tem uma única solução para todo b.39 Sejam A e B matrizes quadradas de mesmo tamanho. Notas de aula do Professor Faleiros . Se A for singular. B é invertível e A = B 1 : Sendo a inversa de B. então Ax = 0 tem uma única solução e A é invertível.1. sua forma escalonada reduzida R pelo menos sua última linha é nula. o sistema linear homogêneo Ax = 0 possui solução não trivial c0 : Daí. o sistema homogêneo Ax = 0 possui apenas a solução trivial. RB = Ek E1 (AB) também será. (a) Se BA = I e c0 for uma solução do sistema homogêneo Ax = 0. então c0 = Ic0 = (BA)c0 = B(Ac0 ) = B0 = 0: Logo. Se A é invertível. donde se conclui que A é invertível.

Quando b = o sistema não possui solução. quando b for igual a 2 3 2 3 2 3 b1 1 0 5 = b1 4 0 5 + b2 4 1 5 : b = 4 b2 b1 + b2 1 1 T Quando b = 1 1 2 o sistema tem solução e sua solução geral pode ser obtida pelo métodos de Gauss x1 = 1 e x2 = x3 1 0 3 T com x3 percorrendo o conjunto dos números reais.42 Sistemas de equações lineares Exemplo 1.43 Escalonando a matriz completa do sistema x1 +2x2 +3x3 = b1 2x1 +5x2 +3x3 = b2 x1 +8x3 = b3 chega-se a 2 1 2 4 0 1 0 0 3 b1 3 b2 2b1 1 b3 + 3b1 3 5 . não havendo restrições sobre b: Notas de aula do Professor Faleiros .42 Para determinar a consistência do sistema linear x1 +x2 +2x3 = b1 x1 +x3 = b2 2x1 +x2 +3x3 = b3 basta realizar operações elementares na matriz completa do sistema para obter 2 3 1 1 2 b1 4 0 1 1 b1 b2 5 0 0 0 b3 b2 b1 O sistema será consistente se e só se b3 b2 b1 = 0 ou b3 = b2 + b1 . ou seja. 2b2 quando então se percebe que o sistema é sempre consistente. Exemplo 1.

denotando-as por det(A) e det(A1 ): Para uma matriz 2 nante é de…nido por det a11 a12 a21 a22 = a11 a22 a12 a21 : De modo semelhante podemos eliminar x1 do sistema para obter x2 = det( 2 ) : det(A) O sistema possuirá solução se e só se det(A) 6= 0 e a solução será única. seu determi1 . obtemos x1 = b1 a22 a11 a22 b2 a12 : a12 a21 As expressões do denominador e do numerador envolvem as entradas das matrizes b1 a12 a11 a12 A= e 1 = b2 a22 a21 a22 e os matemáticos as denominaram de determinante de A1 e determinante de 2. Multiplicando a primeira equação por a22 . obtemos (a11 a22 a12 a21 )x1 = b1 a22 b2 a12 : Quando a11 a22 a12 a21 6= 0. Notas de aula do Professor Faleiros . a segunda por a12 e subtraindo a segunda equação da primeira.Capítulo 2 Determinantes Para resolver um sistema de duas equações com duas incógnitas a11 x1 + a12 x2 = b1 a21 x1 + a22 x2 = b2 podemos usar o método de eliminação das incógnitas.

a11 x1 + a12 x2 + a13 x3 = b1 a21 x1 + a22 x2 + a23 x3 = b2 a31 x1 + a32 x2 + a33 x3 = b3 é possível explicitar x2 e x3 em função de x1 usando a segunda e a terceira equações. elimine a primeira linha e a terceira coluna de A: Desenvolvendo os determinantes de A11 . de…nidos a partir dos determinantes de matrizes 2 2: Sendo A aquela matriz 3 3 logo acima. det( 1 ) são os seus determinantes. A12 = a21 a23 a31 a33 e A13 = a21 a22 a31 a32 a12 det(A12 ) + a13 det(A13 ) são matrizes 3 3 dadas por 3 2 a11 a12 a13 A = 4 a21 a22 a23 5 .44 Determinantes Os matemáticos veri…caram que este procedimento de eliminar variáveis de um sistema poderia ser estendido para sistemas com mais do que duas variáveis. obtemos x1 = onde A e 1 det( 1 ) det(A) 3 b1 a12 a13 = 4 b2 a22 a23 5 b3 a32 a33 2 e det(A). Substituindo as expressões obtidas na primeira equação. obtidas da seguinte maneira: Para obter A11 . de…nimos det(A) = a11 det(A11 ) onde A11 = são matrizes 2 a22 a23 a32 a33 . Por exemplo. elimine a primeira linha e a segunda coluna de A: Para obter A13 . A12 e A13 obtemos det(A) = a11 (a22 a33 a23 a32 ) a12 (a21 a33 a23 a31 ) + a13 (a21 a32 a22 a31 ) : Do mesmo modo se mostra que x2 = det( 2 ) det(A) x3 = det( 3 ) det(A) Notas de aula do Professor Faleiros . elimine a primeira linha e a primeira coluna de A: Para obter A12 . para sistemas com três equações e três incógnitas. a31 a32 a33 1 2.

quando surge a idéia de determinantes de matrizes de tamanho n n. que são de…nidos em termos de matrizes quadradas de tamanho inferior. se e só se det(A) 6= 0: Este procedimento se aplica a sistemas com n equações e n incógnitas. de…nimos a12 a21 : det(A) = a11 a22 O determinante de matrizes quadradas de tamanho n n.1 De…nição de determinante onde 2 45 3 a11 a12 b1 = 4 a21 a22 b2 5 : a31 a32 b3 2 Se det(A) 6= 0. a31 b3 a33 2 3 2. de…ne-se det A = a: Quando A= for uma matriz quadrada 2 a11 a12 a21 a22 2. Se A = [aij ] for uma matriz quadrada n n. o sistema possuirá uma única solução para cada b = [b1 .2. b3 ]T : Do que …cou demonstrado no capítulo anterior. b2 . quando n > 2 é de…nido de modo recursivo. j) de A é o número Cij = ( 1)i+j det(Aij ): O determinante de A é o número real de…nido por det(A) = a11 C11 + a12 C12 + + a1n C1n = n X j=1 a1j C1j : Esta fórmula é denominada de desenvolvimento do determinante por cofatores ao longo da primeira linha ou desenvolvimento de Laplace ao longo da primeira linha. Notas de aula do Professor Faleiros . denote por Aij a matriz de tamanho (n 1) (n 1) obtida quando se elimina a linha i e a coluna j de A: O cofator (i. 3 a11 b1 a13 = 4 a21 b2 a23 5 . Quando A = [a] é uma matriz 1 1.1 De…nição de determinante Seja A uma matriz quadrada n n: O determinante de A é um número real que será de…nido de forma recursiva. A é invertível. a partir do determinante de matrizes de tamanho menor.

. . .46 Exemplo 2. . .. a32 a33 4 31 5 . det A = a11 a22 ann : o determinante é o produto dos elementos de sua diagonal Em particular. o determinante da matriz identidade é igual a 1: Notas de aula do Professor Faleiros . . 3 5 3 5 0 Nota 2. Para veri…car esta a…rmação basta desenvolver o determinante da primeira pela terceira coluna e a segunda pela terceira linha. Se a matriz possuir uma linha ou coluna nula. obtemos +3 det 2 1 8 4 O determinante também pode ser calculado desenvolvendo o determinante por cofatores ao longo da linha i det(A) = ai1 Ci1 + ai2 Ci2 + + ain Cin = n X j=1 aij Cij : e ainda pode ser desenvolvido por cofatores ao longo da coluna j det(A) = a1j C1j + a2j C2j + + anj Cnj = n X i=1 aij Cij Exemplo 2. . seu determinate é igual a zero. Exemplo 2.1 Calcule o determinante da matriz 2 3 1 0 3 A = det 4 2 1 0 5 8 4 1 A=1 =1 det ( 1) 1 4 0 1 0+3 0 0= det 1 2 8 0 1 Determinantes Desenvolvendo o determinante pela primeira linha.4 Para uma matriz for triangular inferior. .3 Este é um fato geral. . .2 Os determinantes das matrizes 2 3 2 2 1 0 1 4 4 3 7 0 5 4 2 0 e 4 2 0 0 0 são iguais a zero pois ambos possuem uma …la nula. 2 3 a11 0 0 6 a21 a22 0 7 6 7 A=6 a 7.

que iniciam nas entradas a11 . Para simpli…car o cálculo. Aplica-se esta regra do seguinte modo: Acrescente as duas primeiras colunas à direita da matriz A obtendo 2 3 a11 a12 a13 a11 a12 4 a21 a22 a23 a21 a22 5 a31 a32 a33 a31 a32 2. a12 e a13 : Adicione os resultados.2. precisamos de alternativas mais e…cientes que apenas a de…nição. O desenvolvimento do determinante de AT pela primeira coluna. que iniciam nas entradas a13. Teorema 2. Exemplo 2.5 Para calcular o determinante de uma matriz 3 3. aquelas que vão da direita para a esquerda e de cima para baixo. pode-se usar a regra de Sarrus. então det(B) = k det(A): Notas de aula do Professor Faleiros . Teorema 2. aquelas que vão da esquerda para a direita e de cima para baixo. det(AT ) = ( 1)1+1 a11 det AT + 11 = ( 1)1+1 a11 det A11 + + ( 1)1+n a1n det AT 1n + ( 1)1+n a1n det A1n é o determinante de A desenvolvido pela primeira linha. calcular o determinante de matrizes 4 4 usando apenas a de…nição exige um bom trabalho.2 Propriedades do determinante n.7 Este teorema garante que todo resultado válido para linha vale para coluna e vice-versa.2 Propriedades do determinante 47 Multiplique as entradas ao longo das três diagonais principais. a11 e a12 : Adicione os produtos e o subtraia da soma anterior para obter det(A) = a11 a22 a33 + a12 a23 a31 + a13 a21 a32 (a13 a22 a31 + a11 a23 a32 + a12 a21 a33 ): Se as matrizes não possuírem características especiais. Nota 2.6 O determinante de uma matriz quadrada A de tamanho n é igual ao determinante de sua transposta det (A) = det(AT ): Prova. Multiplique as entradas ao longo das três diagonais secundárias.8 Se B for obtida multiplicando uma linha de A por k.

vm .48 Determinantes Teorema 2. matrizes linha ou matrizes coluna de mesmo tamanho. k2 . então det(B) = det(A): Prova. : : : . Quando existirem números reais k1 . respectivamente. : : : . det(B) = ( 1)i+1 ai1 det(Bi1 ) + = ( 1)i+1 ai1 det(Ai1 ) + ( 1)i+n ain det(Bin ) ( 1)i+n ain det(Ain ) = det(A): Teorema 2. bij = aij + k arj . det(B) = n X j=1 (aij + karj )Cij = n X j=1 aij Cij + k n X j=1 arj Cij = det(A) pois o somatório na segunda parcela é igual a zero uma vez que corresponde ao determinante de uma matriz cuja linha i é igual à linha r: Sejam v. vm . v1 . n: As outras linhas de B são iguais às linhas de A: Desenvolvendo o determinante de B pela linha i. : : : . então det(B) = det(A): Prova. Notas de aula do Professor Faleiros . : : : . Suponha que B foi obtida de A adicionando à sua linha i um múltiplo k de sua linha r: Assim. Prova-se por indução no tamanho da matriz. det(Bij ) = det(Aij ): Desenvolvendo o determinante de B em cofatores ao longo da linha i.9 Se B for obtida permutando duas linhas de A. com j = 1. A propriedade vale para matrizes quadradas 2 2: Supondo a propriedade válida para matrizes quadradas (n 1) (n 1) vamos mostrar que ela vale para uma matriz n n: Fixemos uma linha i que não foi permutada na passagem de A para B: Sejam. km tais que v = k1 v1 + + km vm diremos que a matriz v é uma combinação linear de v1 . eliminando em cada uma a linha i e a coluna j: A matriz Bij pode ser obtida de Aij permutando as mesmas linhas que levaram A em B: Pela hipótese de indução. Aij e Bij as matrizes obtidas de A e B. 2.10 Se B for obtida adicionando a uma linha de A um múltiplo de outra linha de A.

14 Se A é invertível então det(A) 6= 0: Prova. então det(EB) = det(E) det(B) Se E1 . ambas de mesmo tamanho n n. então det(E) = 1: Exemplo 2. então det(Ek ) det(B) Matrizes invertíveis e singulares Lema 2. Se E surge ao multiplicar uma linha da matriz identidade por k. Se E for uma matriz elementar e B uma matriz quadrada qualquer.13 Produto de uma matriz elementar por uma matriz quadrada qualquer. uma linha for uma combinação linear das demais.11 O determinante de uma matriz quadrada é nulo quando 1. 4. 2. Se E é o resultado da adição a uma linha da matriz identidade um múltiplo de outra linha. Seja E uma matriz elementar n n: Das propriedades provadas. Se A for invertível. Ek forem matrizes elementares de tamanho n det(E1 Ek B) = det(E1 ) n. então det(E) = 1: 3. det A = det E1 det Ek 6= 0: Lema 2. 3. duas linhas forem proporcionais.2. 49 Exemplo 2. : : : .12 Determinante das matrizes elementares. então podemos escrevê-la como um produto de matrizes elementares A = E1 Ek : Assim.15 Se A for singular então det(A) = 0: Notas de aula do Professor Faleiros . duas linhas forem iguais. então det(E) = k: 2. se conclui que 1. Se E surge da permuta de duas linhas da matriz identidade.2 Propriedades do determinante Teorema 2. uma linha ou coluna for nula.

o det(A + B) é diferente do det(A) + det(B): Teorema 2.16 Uma matriz quadrada A é invertível se e só se det(A) 6= 0: Determinante do produto Teorema 2. Quando A é singular. : : : . existem matrizes elementares E1 . Ek tais que A = E1 Ek R. o que resulta na igualdade det(AB) = det(A) det(B): Se A for invertível. ci . : : : .20 Vamos calcular um determinante realizando sua redução por Notas de aula do Professor Faleiros . cn e di matrizes coluna n propriedade det c1 ci + di cn = det c1 + det c1 ci di cn cn 1: Vale a Pode-se calcular o determinante de uma matriz realizando operações elementares em suas linhas e suas colunas até transformá-la numa matriz triangular superior ou inferior. de modo que seu determinante é igual a zero.19 Sejam c1. Exemplo 2. obtemos det(A) = 0: Dos dois lemas anteriores. det(AB) = det(E1 Ek B) = det E det Ek det B = det(E1 Ek ) det B = det A det B: Corolário 2. Como existem matrizes elementares E1 . : : : . AB é singular.50 Determinantes Prova.17 Se A e B forem matrizes quadradas de mesmo tamanho.18 Se A for invertível. : : : . Se A for singular. podemos enunciar Teorema 2. det A = 0 e det(AB) = 0. Ek tais que A = E1 Ek : Daí. então det(AB) = det(A) det(B): Prova. então det(A 1 ) = (det A) 1 : Nota: Em geral. sua forma escalonada reduzida R possui ao menos uma linha nula. Daí.

subtraindo 3 vezes a primeira coluna da terceira. e desenvolvendo o determinante da matriz resultante em cofatores pela primeira linha 2 3 2 3 1 0 0 3 1 0 0 0 6 2 7 0 6 7 6 2 7 0 0 7 7 6 7 det 6 4 0 6 3 0 5 = det 4 0 6 3 0 5 = 546: 7 3 1 5 7 3 1 26 Matrizes triangulares superiores (inferiores) por blocos Se A e B forem matrizes quadradas. o sistema (A I)x = 0 possui in…nitas soluções. então det A X 0 B = det A det B: 2.3 Autovalores e Autovetores Seja A uma matriz quadrada real de ordem n n: Uma matriz coluna não nula x de ordem n 1 é um autovetor de A se existir um número real tal que Ax = x: Passando x para o lado esquerdo e colocando o x em evidência. obtemos (A I)x = 0. transformando-a numa matriz triangular superior: 2 3 2 3 0 1 5 3 6 9 6 9 5 = det 4 3 det 4 0 1 5 5 = (L1 $L2 ) (1=3)L1 !L1 2 6 1 2 6 1 2 2 3 3 1 2 3 1 2 3 5 5 3 det 4 0 1 5 5 3 det 4 0 1 = = L3 2L1 !L3 L3 10L2 !L3 2 6 1 0 10 5 2 3 1 2 3 4 0 1 5 5 = 3 ( 55) = 165: 3 det 0 0 55 51 Exemplo 2. Notas de aula do Professor Faleiros . as soluções não triviais do sistema (A I)x = 0 são chamadas de autovetores de A correspondentes ao autovalor : Como a matriz A I é singular. fato que ocorre quando det(A I) = 0: Os valores de que satisfazem a esta equação são denominados autovalor de A: Quando for um autovalor. que é um sistema linear homogêneo em x: Tal sistema possui solução não trivial quando a matriz A I for singular.3 Autovalores e Autovetores linhas.2.21 Vamos calcular o determinante abaixo realizando uma operação elementar sobre colunas.

. n X k=1 ajk Cik = 0 pois o somatório em questão corresponde ao determinante de uma matriz na qual as linhas i e j são iguais. . . 2. cof (A) = @ . denominada de equação característica de A: O polinômio det(A I) é denominado polinômio característico da matriz A: Como os polinômios podem possuir raízes complexas. Deste modo.4 Cofatora. para todo i e todo j no conjunto f1. 2. . C . A adj(A) = @ . : : : . adjunta clássica e inversa [aij ] . .52 Determinantes 1 3 4 2 Exemplo 2. C1n : : : Cnn é chamada de adjunta clássica de A: Sabemos que n X k=1 Sendo Cij o cofator do elemento aij da matriz A = 0 C11 : : : C1n B . . Cn1 : : : Cnn aik Cik = det(A) observe que. podemos ampliar a nossa de…nição e admitir autovetores e autovalores complexos. .22 Determine os autovalores e autovetores da matriz A = : A equação det(A I) = 0 é polinominal em . ng n X aik Cjk = det(A) ij k=1 o que implica na igualdade matricial A adj(A) = det(A)I Notas de aula do Professor Faleiros . quando i 6= j. a matriz 1 C A é denominada de matriz de cofatores de A: A transposta da matriz cofatora de A 0 1 C11 : : : Cn1 B .

. . com determinante não nulo. . o sistema Ax = b tem solução única dada por x = A 1 b: Como A 1 = adj(A)= det(A). Para cada vetor coluna b com n linhas.5 Regra de Cramer ou A 1 53 = 1 adj(A) det(A) 2. . O método da eliminação de Gauss é muito mais e…ciente para calcular a solução de um sistema linear. . Notas de aula do Professor Faleiros .5 Regra de Cramer Seja A uma matriz quadrada de ordem n. . de onde obtemos xj = 1 (b1 C1i + det(A) + bn Cni ) = 1 det(Ai ) det(A) por b. . a1n : : : bn : : : ann " Coluna j Hoje a regra de Cramer tem apenas interesse teórico.2. isto é. 1 C A: onde Aj é obtida de A substituíndo a coluna j de A 0 a11 : : : b1 : : : a1n B . segue x= 1 adj(A)b: det(A) Cada linha de x é igual à linha correspondente do lado direito. Aj = @ .

54 Determinantes Notas de aula do Professor Faleiros .

denominadas adição e multiplicação. descritas a seguir. Dados dois escalares + = = + e . Existem dois escalares 0 e 1 tais que.Capítulo 3 Espaço vetorial Um corpo é uma estrutura matemática formada por um conjunto K. Associatividade. Para K com as operações de adição e multiplicação formarem um corpo é preciso que as propriedades abaixo sejam satisfeitas: 1. A adição é uma operação que leva dois escalares e de K e os leva num escalar de K que é denotado por + e denominado soma de e : A multiplicação é uma operação que leva dois escalares e de K e os leva num escalar de K que é denotado por ou . Comutatividade. Notas de aula do Professor Faleiros . Dados três escalares . +( + )=( + )+ ( )=( ) 3. para todo escalar . Elemento neutro. +0=0+ = 1=1 = O 0 (zero) é o elemento neutro da adição e o 1 (um) é o elemento neutro da multiplicação. 2. com pelo menos dois elementos. e duas operações. denominado produto de e : O fato de + e pertencerem a K nos faz dizer que as duas operações possuem a propriedade do fechamento. Os elementos do conjunto K são denominados escalares. e .

cujos elementos são denominados escalares.56 4. Um espaço vetorial é uma estrutura matemática formada por um conjunto não vazio V.1 O conjunto dos números racionais Q com as operações usuais de adição e multiplicação de números racionais é um corpo.2 Existem corpos com um número …nito de elementos. Lembramos que as operações de adição e muliplicação módulo p. cujos elementos são denominados de vetores. denotadas por ( + ) mod p e ( ) mod p são de…nidas realizando as operações usuais de com nos inteiros e tomando o resto da divisão inteira do resultado por p: Estes corpos são muito utilizados em Criptogra…a. Todavia não se deve esquecer que o espaço vetorial é um estrutura formada por V. Para enfatizar o papel do corpo na estrutura do espaço vetorial também é usual dizer que V é um espaço vetorial sobre o corpo K: A adição de vetores é uma operação que leva um par v e w de vetores de V num vetor de V denotado por v + w e chamado de soma de v e w: A multiplicação de um escalar por um vetor é uma operação que leva um escalar de K e um vetor v de V num outro vetor de V denotado por v e denominado de múltiplo de v: O conjunto V é um espaço vetorial sobre K Estas operações devem ainda possuir as propriedades abaixo: Notas de aula do Professor Faleiros . descritas em seguida. frequentemente se diz apenas que V é um espaço vetorial. Também são corpos os conjuntos dos números reais R e o dos complexos C: Exemplo 3. um corpo K. Espaço vetorial (a) Para cada escalar existe um outro escalar denotado por chamado de simétrico aditivo ou oposto de para o qual +( )=( )+ = 0: e (b) Para cada escalar diferente do zero existe um outro escalar denotado por 1 e chamado de simétrico multiplicativo ou inverso de para o qual ( 1 ) = ( 1 ) = 1: Exemplo 3. Elemento simétrico. sendo a primeira denominada de adição de vetores e a segunda recebe o nome de multiplicação de um vetor por um escalar. Por simplicidade. e duas operações. p 1g com as operações de adição e multiplicação módulo p é um corpo …nito. : : : . Sendo p um número primo. K e pelas duas operações. o conjunto Zp = f0. 1.

(u + v) + w = u + (v + w): 3. Se 1 for o elemento neutro da multiplicação em K. Existe um vetor em V chamado de vetor zero ou vetor nulo. Para todo escalar todo vetor v em V. ( v) = ( )v: e em K e 6. ( + )v = v + v: 7. Associatividade da multiplicação. para o qual v + ( v) = ( v) + v = 0: Propriedades da multiplicação por escalar: 5. denotado por 0. v e w em V. Para cada vetor v em V. Elemento unidade. Para todo vetor u. Associatividade da adição. Para todo escalar em K e todo vetor v e w em V. (v + w) = v + w: 1. 1v = v: De…nimos a subtração do vetor v pelo vetor w como sendo a operação que resulta no vetor v w de…nido por v w = v + ( w): Notas de aula do Professor Faleiros .57 Propriedades da adição: 1. Elemento oposto. para todo vetor v em V. Distributividade da multiplicação em relação à adição de vetores. Comutatividade da adição. u + v = v + u: 2. para o qual v + 0 = 0 + v = v: 4. existe um vetor denotado por v em V e chamado de vetor oposto de v. Vetor nulo. Distributividade da adição de escalares em relação à multiplicação. Para todo vetor u e v em V.

Nota 3. (v + ( 1v)) = (1 + ( 1))v = 0v = 0: Logo. usamos o termo par ordenado e terno ordenado. 0u = 0: 2. Os números reais xi . 1. estabelecemos que a soma u + v e o produto v pertencem ambos a V: Muitos autores incluem este fato entre as propriedades das operações dizendo que o espaço vetorial V é fechado na adição e fechado na multiplicação por escalar. Se r v = 0 então r = 0 ou v = 0: Prova. Se r 6= 0. r0 = r(0 + 0) = r0+r0 o que implica em r0 = 0: 3. xn são chamados de elementos da ênupla. yn ) são iguais se x1 = y1 . delimitada por parêntesis. Quando n = 2 ou 3. 0u = (0 + 0)u = 0u+0u o que implica em 0u = 0: 2. : : : . onde i = 1. xn ) de números reais. xn ) e (y1 . : : : . Duas ênuplas (x1 . sendo como sinônimo de v e Espaço vetorial um escalar e v um vetor. : : : . se diz que o espaço vetorial é complexo. ( 1)v = v: 4.1 Propriedades adicionais 1. se diz que o espaço vetorial é real. : : : . Se K for o corpo dos números complexos. x2 = y2 . Uma sequência (x1 . 1v = v: 4. é chamada de n-upla (leia-se ênupla) ordenada de números reais. xn = yn : O conjunto de todas as ênuplas ordenadas com esta de…nição de igualdade é denotado por Rn : Notas de aula do Professor Faleiros . r 0 = 0: 3. : : : . 3.2 O espaço vetorial das ênuplas ordenadas Seja n um número inteiro positivo. escreveremos v v será um sinônimo de 1 v: Se K for o corpo dos números reais. então v = 1v = (r 1 r)v = r 1 (r v) = r 1 0 = 0: 3.58 Quando for conveniente. 2.3 Ao de…nirmos as operações de adição de vetores e multiplicação um vetor por um escalar.

: : : . é um espaço vetorial denominado de espaço vetorial nulo. a ênupla k x é o múltiplo escalar de x: O Rn com estas duas operações é um espaço vetorial real. os dois espaços são equivalentes para os objetivos da Álgebra Linear. cujo vetor nulo ou vetor zero é a n-upla 0 = (0. onde se de…ne a adição por 0 + 0 = 0 e a multiplicação por um escalar por 0 = 0. : : : . : : : . : : : . Exemplo 3. desta forma. : : : . : : : . : : : . O conjunto das matrizes reais m n com as operações de adição de matrizes e multiplicação de matriz por um número real é um espaço vetorial real.6 O conjunto V = f0g que contém um único elemento. b) e imagem em R. com as operações de adição de funções e multiplicação de uma função por um número real é um espaço vetorial real. 3.3.3 Outros espaços vetoriais relevantes 59 De…nimos as operações de adição de duas ênuplas x = (x1 . xn ) é x = ( x1 . 0) onde todos os elementos são nulos.5 O conjunto das funções reais contínuas com domínio num intervalo aberto (a. x n yn ) O Rn é o espaço vetorial mais importante para as aplicações. xn ) por k x = (k x1 . Exemplo 3. xn ) e y = (y1 . xn ) e a subtração no Rn é a operação (x1 . xn ) (y1 . : : : . yn ) = (x1 y1 . Notas de aula do Professor Faleiros . : : : . : : : . Mais tarde estudaremos os conceitos de dimensão e isomor…smo. teremos estudado todos os espaços de dimensão …nita. Assim. yn ) por x + y = (x1 + y1 . k xn ): A ênupla x + y é chamada de soma de x e y. O inverso aditivo ou oposto de x = (x1 . provaremos que todo espaço vetorial real de dimensão n é isomorfo ao Rn : Isto signi…ca que toda propriedade ou operação realizada no Rn se transfere para o outro espaço e vice-versa e. se estudarmos apenas o Rn . : : : . xn + yn ) e a de multiplicação de um número real k por uma ênupla ordenada x = (x1 . Nesta ocasião.4 Sejam m e n números inteiros positivos.3 Outros espaços vetoriais relevantes Exemplo 3.

contendo apenas o vetor nulo. x2 ) por um número real r de um modo um pouco diferente que o usual r (x1 . 0) que é diferente de (1.60 Espaço vetorial Observe que nem toda operação de adição e multiplicação por escalar em um conjunto resulta em um espaço vetorial. x2 . então o V e o conjunto f0g. que é fechado na multiplicação por escalar. y2 ) = (x1 + y1 . multiplicando-o pelo escalar 0. 2). De fato. não satisfazendo a última propriedade da multiplicação por escalar. também é um espaço vetorial.10 Planos do R3 passando pela origem. Considere V = R2 onde de…nimos a adição como é usual por (x1 . Se V é um espaço vetorial. planos passando pela origem e o próprio R3 : Exemplo 3. juntamente com as operações de adição de vetores e multiplicação por escalares herdadas do espaço vetorial V. cuja equação geral é da forma ax1 + bx2 + cx3 = 0. 0)g. onde a. 2) = (1. será denominado subespaço vetorial de V: Todo subespaço vetorial contém o vetor nulo. o f(0. a soma u+v pertence a S: O subconjunto S de V é fechado na multiplicação por escalar se dado um vetor v em S e um escalar c real. x2 + y2 ) e a multiplicação de um par (x1 .7 Seja S um subespaço vetorial de V: Então S. dados dois vetores u e v em S. Notas de aula do Professor Faleiros . 0.4 Subespaços vetoriais Seja V um espaço vetorial e S um subconjunto não vazio de V: O subconjunto S é fechado na adição se. x2 ) = (r x1 . são subespaços vetoriais de V: Seja S for um subespaço vetorial de V: Teorema 3. retas passando pela origem. 0): Observe que 1(1. o vetor c v pertence a S: Se S for um subconjunto não vazio de V.8 São subespaços do R2 . b e c são reais …xos e (x1 . fechado na adição e na multiplicação por escalar. o f(0. R2 com as operações acima não forma um espaço vetorial real. retas passando pela origem e o próprio R2 : Exemplo 3.9 São subespaços do R3 . 0)g. 3. se v for um vetor de um subespaço vetorial S. Logo. x3 ) é um ponto qualquer do plano. obtém-se que o vetor zero 0 = 0 v pertence a S. x2 ) + (y1 . Exemplo 3.

das funções reais com derivadas contínuas de todas as ordens. Quando 2 1 A=4 3 4 este subespaço é o subconjunto formado pelo plano de M3 1 cujos pontos [x1 . Exemplo 3. das funções contínuas. o conjunto das matrizes triangulares superiores e o conjunto das matrizes triangulares inferiores. com t percorrendo os contém apenas a origem x1 = 0.15 (Um contra-exemplo) O conjunto S de todos os pares ordenados de números reais (x1 . x3 = 0: Quando 2 0 4 0 A= 0 o espaço solução é todo o M3 1 : o espaço solução é a reta x1 = 5t. S = polinômios de grau n: 61 Exemplo 3.12 São subespaços das matrizes quadradas Mn n o conjunto das matrizes simétricas. uma vez que x1 < 0: Notas de aula do Professor Faleiros . x2 reais.14 Seja A uma matriz real m linear homogêneo Ax = 0 é um subespaço Quando 2 1 2 4 A=4 2 3 6 n: O conjunto solução do sistema vetorial das matrizes reais n 1: 3 3 6 5 9 o espaço solução é o espaço trivial que 0. x2 ) não pertence a S quando x1 > 0.13 Do espaço vetorial das funções reais com domínio em R. são subespaços aqueles subconjuntos dos polinômios reais. das funções com derivadas contínuas até a ordem m.3. Exemplo 3. uma vez que 1(x1 . x3 ]T satisfazem à equação x1 2x2 + 3x3 = 0: Quando 2 3 1 2 3 7 8 5 A=4 3 2 4 6 = 2 7 1 3 3 8 5 2 t.11 V = polinômios.4 Subespaços vetoriais Exemplo 3. x2 = 3 0 0 0 0 5 0 0 Exemplo 3. x2 ) = ( x1 . x2 . o conjunto das matrizes diagonais. das funções com derivada contínuas. x3 = t. x2 ) com x1 0 não é um subespaço vetorial do R2 por não ser fechado na multiplicação por escalar.

0. então o vetor w = s1 v1 + +sn vn de V é uma combinação linear dos vetores v1 . 1. vn : Se v for um vetor de V e s for um escalar. 7) é uma combinação linear de u = (1. v2 . 2). x2 . e3 = (0. v2 = (1. v3 g onde v1 = (1. 8) como combinação linear de u e v: Seja G = fv1 .20 O conjunto fv1 . chamado espaço vetorial gerado por G ou espaço vetorial gerado por v1 . : : : . sn 2 R g formado por todas as combinações lineares dos vetores v1 . o vetor w = s v é chamado de múltiplo escalar de v: Exemplo 3. 0). onde e1 = (1. e3 = (0. : : : . w = (9. x2 . 1). Exemplo 3.62 Espaço vetorial 3. vk geram S e escreve-se S = ger(G) ou S = ger(v1. : : : . 1. com t percorrendo os reais. podemos escrever x = x1 e1 +x2 e2 +x3 e3 : Exemplo 3. e2 = (0. vn forem vetores de um espaço vetorial V e s1 .18 O espaço gerado por um vetor não nulo v é uma reta que passa pelo zero.21 O conjunto f1. 0. : : : . 0. 0. e3 g.16 Sejam e1 = (1. x3 ) do R3 . O conjunto S = f s1 v1 + + sn vn : s1 . x. 1) e v = (6. gera o R3 : Exemplo 3. : : : . 2) pois w = 3u+ 2v: Todavia. 2. Um ponto w qualquer desta reta satisfaz à equação vetorial w = tv.5 Espaço gerado Se v1 . vk g um conjunto …nito e não vazio de vetores pertencentes a um espaço vetorial V não nulo. : : : . 0). v2 . vk : Também se diz que os vetores v1 . : : : . : : : . v3 = (2.17 Em R3 . s2 . 0. sn forem escalares. 1) vetores do R3 : Dado um vetor x = (x1 . 0). vk ): Exemplo 3. 2. : : : . : : : . xn g gera Pn : Notas de aula do Professor Faleiros . 1). 1. 1. e2 = (0. 4.19 O conjunto f e1 . e2 . não é possível escrever z = (4. 1. vk é um subespaço vetorial de V. 0). 3) não gera o R3 : Exemplo 3.

: : : . cn : Esta equação sempre é satisfeita quando fazemos c1 = c2 = = cn = 0. Se c1 = 0. o conjunto G é linearmente dependente. Dados os vetores v1 . Dois conjuntos …nitos e não vazios de vetores G1 e G2 geram o mesmo espaço vetorial se. c2 . (c) Se adiciona a um vetor de G um múltiplo de outro vetor de G: (d) Se inclui em G um vetor igual a uma combinação linear dos vetores de G: (e) Se retira de G um vetor igual a uma combinação linear dos demais vetores de G: 2. : : : . chamada de solução trivial da equação. Seja G = fv1 . o conjunto G = fv1 . Se existirem escalares c1 . vn de um espaço vetorial V. vn g um conjunto …nito e não vazio de vetores. vn g um conjunto …nito e não vazio de vetores de um espaço vetorial V não nulo.3. podemos olhar para c1 v1 + + cn vn = 0. Notas de aula do Professor Faleiros . c2 = 0. vn g é linearmente independente e. e só se. :::. c2 . :::. v2 . O espaço gerado por G não se altera quando: (a) Se permuta a posição de seus vetores. (b) Se multiplica um de seus vetores por um escalar não nulo. como uma equação vetorial cujas incógnitas são os escalares c1 . : : : . cn nem todos nulos tais que c1 v1 + + cn vn = 0.6 Dependência linear Seja G = fv1 . os vetores de G1 forem combinações lineares dos vetores de G2 e os vetores de G2 forem combinações lineares dos vetores de G1 : 3.6 Dependência linear Propriedades dos espaços gerados 63 1. o conjunto G é chamado de linearmente independente. : : : . quando possuir soluções não triviais. então o conjunto G é chamado linearmente dependente. cn = 0 forem os únicos escalares para os quais c1 v1 + + cn vn = 0. : : : . Se a equação vetorial anterior possuir apenas a solução trivial.

5). 0) corresponde ao sistema linear 2 3 2 3 32 c1 1 5 3 0 4 2 6 2 5 4 c2 5 = 4 0 5 3 1 1 c3 0 cuja solução é c2 = c1 e c3 = 2c1 : Fazendo c1 = 1. 0). p3 = 1 + 3x x2 p2 + 2p3 = 0: formam um conjunto linearmente dependente em P3 pois 3p1 Exemplo 3. um polinômio não nulo de grau n ou inferior pode ter. a equação vetorial c1 (1.24 Os vetores e1 = (1. 3) + c2 (5. 6. 0. e3 = (0. 2. Logo. c2 . 6.64 Exemplo 3. 2. xn g é linearmente independente em Pn (R): Basta escrever a equação c1 1 + c2 x + + cn xn = 0 nos escalares c1 . 1. v2 = (5. 1) é linearmente dependente. 1). cn e observar que. De fato. c1 = c2 = = cn = 0: Notas de aula do Professor Faleiros . Exemplo 3. v3 = (3.22 O conjunto de vetores Espaço vetorial v1 = (2. 0.25 Veri…que se o conjunto formado pelos vetores v1 = (1. 2. 1) + c3 (3. x. v2 = (1. se houver uma solução diferente da trivial para esta equação. 2. e2 = (0. p2 = 5 + 3x 2x2 . Ora. todo número inteiro seria uma raiz deste polinômio. 1) = (0. Em particular. obtemos v1 + v2 2v3 = 0. 1) do R3 formam um conjunto linearmente independente. 0). 5) do R3 é linearmente dependente pois 3v1 +v2 v3 = 0: Desta equação. v3 = (7. mostrando que o conjunto de vetores formado por v1 . : : : . no máximo. : : : .23 Os polinômios p1 = 1 x. n raízes. 0). teríamos no lado esquerdo um polinômio não nulo de grau n ou inferior com in…nitas raízes. podemos explicitar v3 para obter este vetor como uma combinação linear de v1 e v2 . 0. 1. 3). Exemplo 3. obtendo v3 = 3v1 + v2 : Também é possível escrever v1 ou v2 como uma combinação linear dos outros dois. Exemplo 3. 1.26 O conjunto f1. v2 e v3 é linearmente dependente. 2.

nem todos nulos. para x = =2 possui apenas a solução trivial. Retas e planos Seja v um vetor não nulo de um espaço vetorial V: O conjunto de vetores w para os quais w = t v para algum t real é chamado de reta gerada por v e w = t v. e só se. se v1 = 2 v2 + + n vn . Com isto queremos dizer que um dos vetores é uma combinação linear dos demais. então 1:v1 2 v2 n vn = 0 e o conjunto G é linearmente dependente. : : : . Então existem escalares k1 . Observe que pelo menos o coe…ciente de v1 é diferente de zero.3. há uma dependência linear entre seus vetores. Teorema 3.27 O conjunto formado pelas funções f1 = x e f2 = sen x é linearmente independente no espaço vetorial das funções reais com domínio em R: De fato. Seja G = fv1 .6 Dependência linear 65 Exemplo 3. vn : Se ki for diferente de zero. para algum i. se c1 e c2 forem dois escalares tais que c1 x+ c2 sen x = 0 para todo x real.28 Um conjunto …nito de vetores é linearmente dependente se. um dos seus vetores for uma combinação linear dos demais. então v1 = k2 k1 v2 + + kn k1 vn + kn vn = 0 mostrando que v1 é combinação linear de v2 . com t em R. Ele sugere que. uma vez que det =2 sen =2 1 cos =2 = det =2 1 1 0 = 1 6= 0: O teorema que segue mostra a origem do termo dependência linear. derivando a igualdade em x obteríamos o sistema em c1 e c2 c1 x + c2 sen x = 0 c1 + c2 cos x = 0 que. : : : . vn g um conjunto linearmente dependente. Reciprocamente. tais que k1 v1 + Supondo que k1 6= 0. Prova. é chamada de equação vetorial da reta gerada por v: Notas de aula do Professor Faleiros . kn . é possível explicitar vi e obtê-lo como combinação linear dos demais. : : : . quando um conjunto de vetores é linearmente dependente.

Um conjunto com três vetores fv1 . v2 g de um espaço vetorial V é linearmente dependente se. um for múltiplo do outro. 6. Sendo f1 . b) das funções com domínio no intervalo (a. e só se. v2 . Se incluirmos um vetor w a um conjunto linearmente independente G e ele se tornar linearmente dependente. Se o vetor w não for uma combinação linear dos vetores G. Propriedades da dependência linear 1. e somente se. : : : . então w é uma combinação linear dos elementos de G: 7. f2 . v3 g é linearmente dependente se.66 Espaço vetorial Sejam v1 e v2 vetores de um espaço vetorial V onde um não é múltiplo escalar do outro. O conjunto gerado por G = fv1 . ele continua linearmente dependente. v2 : Um conjunto com dois vetores fv1 . 3. b) de números reais e com imagem em R: O conceito de dependência linear de vetores se aplica aos elementos deste conjunto. e somente se. estiverem na mesma reta que passa pela origem. o conjunto obtido acrescentando w a G continua linearmente independente. Todo conjunto …nito de vetores que contém o vetor nulo é linearmente dependente. Todo conjunto com dois vetores é linearmente dependende se. v2 g é chamado de plano gerado por v1 e v2 : Se w for um ponto deste plano. fn funções Notas de aula do Professor Faleiros . 3. 5. Todo conjunto com um único vetor não nulo é linearmente independente. Se incluirmos vetores em um conjunto linearmente dependente. existem escalares r e s tais que w = r v1 + s v2 : Esta é a chamada equação vetorial do plano gerado por v1 . Se retirarmos vetores de um conjunto linearmente independente. 4.7 Dependência linear de funções Consideremos o espaço vetorial F (a. todos estiverem numa reta que passa pela origem ou num plano que passa pela origem. 2. Seja G conjunto linearmente independente. ele continua linearmente independente.

f3 (x) = 5 de…nidas no conjunto dos números reais é linearmente dependente em R pois 5f1 (x) + 5f2 (x) f3 (x) = 0 para todo x real. é c1 = 0. : : : . fn g é linearmente dependente se existirem escalares c1 . podemos derivar sucessivamente a igualdade acima obtendo o sistema linear c1 f1 (x) + c1 f1 (x) + c1 f1 (n 1) 0 + cn fn (x) = 0 + cn fn (x) = 0 (n) + cn fn (x) = 0 0 (x) + Notas de aula do Professor Faleiros . b): Sendo G = ff1 .3. cn de escalares para os quais c1 f1 (x) + + cn fn (x) = 0 para todo x no intervalo (a. cn . : : : . b). : : : . o conjunto G = ff1 . b). diremos que o conjunto é linearmente dependente em (a. b): Como as funções possuem derivadas contínuas até a ordem n 1. : : : . : : : . f2 (x) = cos2 x. b) que é denotado por C n 1 (a. Wronskiano Consideremos o espaço vetorial das funções com derivadas contínuas até a ordem n 1 no intervalo (a. cn = 0: Exemplo 3.7 Dependência linear de funções 67 de F (a. Como se trata de funções de…nidas num intervalo (a. fn g um conjunto linearmente dependente neste espaço de funções. cn nem todos nulos tais que c1 f1 + + cn fn = 0: Observe que esta é uma igualdade entre funções e o 0 (zero) do lado direito é a função identicamente nula o que implica em c1 f1 (x) + + cn fn (x) = 0 para todo x no intervalo (a. f2 . b): Isto signi…ca que a única sequência c1 .29 O conjunto formado pelas funções f1 (x) = sin2 x. existe uma sequência não nula de escalares c1 . b): Agora o zero da equação anterior não é mais a função nula e sim o número real zero. c2 . c2 = 0. : : : . para a qual c1 f1 (x) + + cn fn (x) = 0 para todo x em (a. b): Quando o conjunto não for linearmente dependente em (a. diremos que o conjunto de funções é linearmente independente em (a. b). c2 . b).

fn e. W [f1 . cn forem números reais tais que c1 f1 (x) + + cn fn (x) = 0 para todo x em (a. 5=0 . : : : . .30 O conjunto de funções G = fx2 . Exemplo 3. . : : : . b): A recíproca desta propriedade não é verdadeira como nos mostra o exemplo a seguir. veri…cando que c1 . b): Se G for linearmente dependente. Se W (x0 ) 6= 0 em algum ponto x de (a. f2 . . Este determinante é chamado de wronskiano das funções f1 . : : : . sejam c1 e c2 escalares tais que c1 x2 + c2 x j x j = 0 para todo x em ( 2. : : : . ele é denotado apenas por W (x): Assim. b): Notas de aula do Professor Faleiros . segue que 2 3 f1 (x) fn (x) 6 7 . quando se deseja simpli…car a notação. 2) e W (x) = 0 para todo x em ( 2. fn ](x) = det 4 . fn é linearmente independente em C (n 1) (a. fn g for linearmente dependente em (a. fn g um conjunto de funções em C (n 1) (a. então W (x) = 0 para todo x em (a. . c2 . : : : . b). cn é solução do sistema linear c1 f1 (x0 ) + c1 f1 (x0 ) + c1 f1 (n 1) 0 + cn fn (x0 ) = 0 + cn fn (x0 ) = 0 (n) + cn fn (x0 ) = 0 0 (x0 ) + cuja única solução é a trivial. 2): Para provar que este conjunto é linearmente independente no intervalo considerado. c2 . W (x) = 0 para todo x real.68 Espaço vetorial Como este sistema linear em c1 . b). 2): Fazendo x = 1 e x = 1 obtemos c1 c2 = 0 c1 + c2 = 0 cuja única solução é a trivial c1 = 0 e c2 = 0: Se W (x0 ) 6= 0 para algum x0 em (a. : : : .. b) e c1 . cn possui solução não trivial. quando G = ff1 . : : : . x j x jg é linearmente independente em ( 2. b): Provamos o seguinte teorema: Teorema 3. c1 = c2 = = cn = 0: Isto prova que o conjunto formado pelas funções f1 . . podemos derivar sucessivamente a igualdade anterior. (n 1) (n 1) f1 (x) fn (x) para todo x real.31 Seja G = ff1 . : : : . então G é linearmente independente em (a. b).

: : : . W (x) = det 4 5 . ex . e2 = (0. . y = fn (x) forem soluções de uma equação diferencial ordinária com coe…cientes contínuos em (a. : : : . : : : . an 1 (x) e b(x) funções contínuas em (a. então o conjunto G = ff1.8 Base e dimensão de um espaço vetorial No R2 podemos escrever (x1 . . b). quando y = f1 (x). fn g em (a.34 O conjunto f 1. b). b). e2x g é linearmente independente em C 2 ( 1. : : : . e só se. 1): 3.3.32 Sejam a0 (x). : : : . sen x g é linearmente independente em C 1 ( 1. b): O conjunto de funções f f1 .33 O conjunto f x. x2 ) = x1 e1 + x2 e2 onde e1 = (1. b) e W (x) = 0 em um ponto de (a. Quando as funções envolvidas forem soluções de uma equação diferencial linear. 1): Exemplo 3. nada se pode a…rmar sobre a dependência ou independência linear do conjunto G = ff1 . b). b) se.8 Base e dimensão de um espaço vetorial 69 Quando W [f1 . y = fn (x) soluções da equação diferencial ordinária y (n) + an 1 (x)y (n 1) + + a1 (x)y 0 (x) + a0 (x)y = b(x) em (a. se o wronskiano for diferente de zero em um ponto de (a. 0). fn g é linearmente dependente em (a. 1) Notas de aula do Professor Faleiros . então será diferente de zero em todos os pontos deste intervalo. : : : . O teorema acima nos permite a…rmar que. fn ](x) = 0 em (a. . . . b): Exemplo 3.. o wronskiano 3 2 f1 (x) fn (x) 7 6 . b) e y = f1 (x). b): Além disso. sem hipóteses adicionais. temos o seguinte resultado: Teorema 3. : : : . fn g é linearmente independente em (a. (n 1) (n 1) (x) fn (x) f1 for diferente de zero para algum x0 em (a..

Esta falta de unicidade decorre da dependência linear do conjunto fv1 . v2 . podemos escrevê-lo como uma combinação linear x = 1 v1 + 2 v2 + 3 v3 . v3 g mas esta decomposição não é única. x2 ) = (x1 t)v1 + (x2 t)v2 + tv3 para qualquer número real t: Destes exemplos notamos que podemos escrever todo vetor do R2 como combinação linear dos elementos de G e que esta decomposição é única. e2 g como quando G = fd1 . v3 g: De…nição 3. obtemos 25: = 102. 3 é a única solução do sistema +2 2 1+9 1+0 1 2 +3 2+3 2+4 3 3 3 = x1 . 1). x2 ) = (x2 x1 )d1 + (2x1 x2 )d2 onde d1 = (1. onde 1 . v3 g é uma base do R3 : De fato. uma vez que o determi3 3 3 5= 1 4 é diferente de zero. d2 g: Ainda podemos escrever todo vetor do R2 como combinação linear de elementos de G = fv1 . v2 . sendo v1 = (1. então c1 . x3 ) um vetor qualquer do R3 . 9. (x1 . v2 . 2. 3. 3 = Notas de aula do Professor Faleiros .70 Espaço vetorial (x1 . = x3 : 1 Quando x = ( 1. c3 é uma solução do sistema linear c1 + 2c2 + 3c3 = 0 2c1 + 9c2 + 3c3 = 0 c1 + 0c2 + 4c3 = 0 que possui apenas a solução trivial c1 = nante da matriz 2 1 2 4 2 9 A= 1 0 c2 = c3 = 0. v2 = (2. por exemplo. 2). 2. 3. 1).36 Sejam v1 = (1. 1): Observe que. Exemplo 3. Além disto. 0) e v3 = (3. = x2 . x2 . v2 = (0. 2) e d2 = (1. se c1 v1 + c2 v2 + c3 v3 = 0.35 Seja B um conjunto …nito e não vazio de vetores de um espaço vetorial V não nulo. for linearmente independente. 1). 2 . for um conjunto gerador de V . B é uma base de V se 1. 0). v3 = (1. tanto quando G = fe1 . 4) vetores do R3 : O conjunto de vetores B = fv1 . c2 . 2 = 14. sendo x = (x1 .

Da independência linear de B. segue ai = bi para i = 1.38 Se o espaço vetorial V possuir um conjunto gerador …nito.8 Base e dimensão de um espaço vetorial Exemplo 3. 2. x5 = r s onde os parâmetros r e s podem assumir quaisquer valor real. Logo. + bn vn . Retirando-o de G obtemos um conjunto G1 que ainda gera V: Se G1 for linearmente independente. b2 . Se B = fv1 . an ) para a qual w = a1 v1 + a2 v2 + + an vn : Prova. repete-se o procedimento anterior até chegar a um conjunto linearmente independente que gera V e que. Em caso contrário. se existirem duas ênuplas (a1 . : : : . an ) e (b1 .39 Unicidade da representação em uma base. será uma base de V: Teorema 3. a2 . a a…rmação está provada. portanto. x4 = 0. x2 = s. então V possui base. : : : . se G for linearmente independente. A existência é imediata pois B é base de V: Quanto à uniciade. existe uma única ênupla (a1 . a solução geral do sistema linear é T 1 o subespaço vetorial de M5 1 gerado pelos vetores coluna 1 0 1 0 T 1 e 0 1 1 0 : Teorema 3. v2 . Sendo G linearmente dependente. vn g é uma base de um espaço vetorial V. : : : .3. a2 . um de seus vetores é uma combinação linear dos demais. x3 = r + s. : : : .37 A solução geral do sistema homogêneo 2 3 2 3 x1 2 2 2 1 0 1 6 x 7 6 1 1 2 3 1 76 2 7 6 6 7 6 x3 7 = 6 7 4 4 1 1 2 0 1 56 4 x4 5 0 0 1 1 1 x5 71 3 0 0 7 7 0 5 0 é x1 = r. Prova. : : : . então. dado G …nito que gera V. bn ) para as quais w = a1 v1 + a2 v2 + w = b1 v1 + b2 v2 + então (a1 b1 )v1 + (a2 b2 )v2 + + (an bn )vn = w w = 0: + an vn . De fato. a a…rmação é verdadeira. para cada vetor w em V. n o que prova a unicidade da decomposição de w numa combinação linear dos elementos da Notas de aula do Professor Faleiros .

1) é a base canônica do R2 e todo vetor x = (x1 . : : : . v2 . e2 = (0. j e k em vez de e1 . 0). en = (0. 0). x2 . 1) é a base canônica do R3 e todo vetor x = (x1 . e2 = (0. 0. onde e1 = (1. : : : . de acordo com a conveniência. e3 g. onde a1 . 0. A4 = 0 0 0 1 é a base canônica do espaço vetorial M2 2 . en g. 1) é a base canônica do Rn e todo vetor x = (x1 . an para os quais w = a1 v1 + a2 v2 + + an vn são chamados de coordenadas de w em relação à base B = fv1 . : : : . 0. x2 . pela sua simplicidade e aplicabilidade. vn g: A ênupla (a1 . A3 = 0 0 1 0 . e3 : Nós utilizaremos as duas notações. : : : . x. Espaço vetorial Os escalares a1 . 1. an são escalares. O conjunto formado pelas matrizes A1 = 1 0 0 0 . : : : . A2 = 0 1 0 0 . : : : . x2 ) pode ser decomposto na combinação linear x = x1 e1 + x2 e2 : O conjunto fe1 . 0) e e2 = (0. 1. e2 . Bases canônicas Existem bases que. : : : . e2 g. : : : . das matrizes quadradas de ordem 2 2 e toda matriz a b A= c d uma combinação linear dos elementos da base canônica A = aA1 + bA2 + cA3 + dA4 : Notas de aula do Professor Faleiros . onde e1 = (1. 0) e e3 = (0. : : : . O conjunto fe1 . x3 ) pode ser decomposto na combinação linear x = x1 e1 + x2 e2 + x3 e3 : Nota: No R2 e no R3 os vetores da base canônica costumam ser denotados por i. 0). : : : .72 base. Uma mudança na ordem dos vetores da base resulta numa mudança correspondente da ordem das entradas nos vetores de coordenadas. e2 . xn ) pode ser decomposto na combinação linear x = x 1 e1 + + xn en : O conjunto de polinômios f1. 0. a2 . O conjunto fe1 . : : : . xn g é a base canônica do espaço vetorial formado pelos polinômios de grau menor ou igual a n e estes polinômios são da forma a0 + a1 t + + an tn . recebem o nome de bases canônicas. an ) do Rn é chamada de vetor de coordenadas de w T an em relação a B e é denotado por (w)B : O vetor coluna a1 é chamado de matriz de coordenadas de w em relação a B: O vetor de coordenadas depende da ordem na qual escrevemos os vetores da base. onde e1 = (1.

Pm (R). 3. 4) gera o R3 e. Por de…nição. portanto. portanto. removendo um a um aqueles vetores que são combinações lineares dos demais. B é uma base de R2 : Exemplo 3. pelo princípio da invariância.42 Os espaços vetoriais Rm . 7. Pode-se incluir vetores a um conjunto linearmente independente com menos do que m vetores. 7) e v3 = ( 1. m. 7) e v2 = (5. 1). 5) é linearmente independente e. Qualquer subconjunto de V com mais do que m vetores é linearmente dependente. 0. v2 = (4. com as operações de adição de funções e multiplicação de um real por uma função. Exemplo 3. Todas as bases de V possuem m vetores. Então 1. sua base é o conjunto vazio e sua dimensão é zero. Um conjunto gerador de V com m vetores é base de V: 6. Um conjunto linearmente independente com m vetores é base de V: 5.43 Os espaços vetoriais das funções reais com domínio na reta F (R).41 O conjunto B formado pelos vetores v1 = (2. Um conjunto gerador de V com mais do que m vetores pode ser reduzido a uma base de V.40 O conjunto B formado pelos vetores v1 = ( 3. Mm n possuem dimensão …nita e suas dimensões são. das funções reais com derivadas contínuas até a ordem k em toda a reta C k (R). Neste caso. 2. Notas de aula do Professor Faleiros . Esta propriedade é conhecida como Princípio da Invariância. se diz que V possui dimensão …nita e que sua dimensão é m e escreveremos dim(V ) = m: O espaço vetorial nulo f0g é tratado à parte. possuem todos dimensão in…nita. m + 1 e m n: Exemplo 3. Qualquer subconjunto de V com menos do que m vetores não gera V .8 Base e dimensão de um espaço vetorial Propriedades das bases 73 Seja V um espaço vetorial não nulo que possui uma base com m elementos. respectivamente. dos polinômios reais P (R). até obter uma base de V: Um algoritmo possível consiste em unir uma base ao conjunto. 0. 1. 4. retirando os vetores agregados que são combinação linear dos demais. B é uma base do R3 : Se um espaço vetorial V não nulo possuir uma base com m elementos.3. todas as suas bases terão m elementos. Exemplo 3.

Então dim(S) dim(V ): Quando dim(S) = dim(V ). 0. uma base de S o que implica na igualdade S = V: 3. wn g duas bases de V: Podemos decompor cada elemento de B2 numa combinação linear dos elementos de B1 w1 = a11 v1 + a21 v2 + w2 = a12 v1 + a22 v2 + wn = a1n v1 + a2n v2 + A matriz 2 a11 a12 a21 a22 .9 Matriz de mudança de base Seja V um espaço vetorial de dimensão …nita n maior do que zero. 3): Notas de aula do Professor Faleiros 6 6 M12 = 6 4 . . toda base de V é conjunto gerador de S e. o que implica na desigualdade dim(S) dim(V ): Quando dim(S) = dim(V ). . onde v1 = (1.74 Espaço vetorial Teorema 3. Sejam B1 = fv1 . : : : . 2) e w1 = (0. 1). w3 = (1. v2 = (0. 3). w2 . toda base deste espaço vetorial é um conjunto gerador de S. . . então S = V: Prova. v3 = (0. : : : .44 Seja S um subespaço de um espaço vetorial V de dimensão …nita. . . 0.45 Sejam B1 = fv1 . portanto. . e assim por diante. v2 . w2 = (1. 0.. se desejarmos fazer referência às bases envolvidas. 1). Exemplo 3. 1). v3 g e B2 = fw1 . vn g e B2 = fw1 . 1. ann 3 7 7 7 5 é chamada de matriz de mudança de base ou. . 1. 2. Como S está contido em V. an1 an2 + an1 vn + an2 vn + ann vn a1n a2n . as coordenadas do desenvolvimento de w2 na base B1 formam a segunda coluna. matriz de mudança da base B1 para a base B2 ou matriz de transição da base B1 para a base B2 : Observe que as coordenadas do desenvolvimento de w1 na base B1 formam a primeira coluna. . w3 g bases do R3 .

B2 = fw1 . : : : . as matrizes de mudança da base B1 para a base B2 . M23 = [bij ] e M13 = [cij ] são.3. wj = n X i=1 aij vi . uj = n X i=1 bij wi e uj = n X i=1 cij vi de modo que M12 = [aij ] . respectivamente. mostrando que as matrizes de mudança de base são inversíveis e que a inversa de M12 é M21 : Sejam i e j inteiros do conjunto f1. a matriz M13 é a matriz identidade e M23 = M21 : Da igualdade acima segue M12 M21 = I. : : : . é um conjunto de n2 números de…nidos do seguinte modo: ij = 1 quando i = j e ij = 0 quando i 6= j: O elemento da linha i coluna j da matriz identidade I de ordem n n é exatamente ij e podemos usar o delta de Kronecker para escrever I = [ ij ]: As igualdades matriciais M12 M21 = I e M21 M12 = I Notas de aula do Professor Faleiros . wn g e B3 = fu1 . : : : . ng: O delta de Kronecker ij . : : : .9 Matriz de mudança de base Então M12 2 3 1 1 2 0 5 1 1 75 0 =4 1 1 Sejam B1 = fv1 . 2. vn g. da base B2 para a base B3 e da base B1 para a base B3 : Destas decomposições segue X X X bkj bkj wk = aik vi uj = k k = ou X X i k aik bkj X k ! i vi = X i cij vi cij = aik bkj para i e j variando de 1 a n: Tais igualdades entre escalares corresponde à igualdade matricial M13 = M12 M23 : Quando B3 = B1 . un g bases de V com podemos escrever os vetores de B3 como combinações lineares dos elementos das bases: Usando o símbolo de somatório.

: : : . fornece X X aik bkj = ij e bik akj = k k Espaço vetorial ij para i e j percorrendo os valores 1. w3 g são bases de um espaço vetorial V de dimensão três e que 2 3 0 1 1 2 0 5 M12 = 4 1 1 1 1 Notas de aula do Professor Faleiros . yj wj = = X X j X j yj aij yj ! X i aij vi X i vi = xi vi : Da unicidade da decomposição de um vetor nos elementos da base segue X xi = aij yj j que corresponde à igualdade matricial [u]1 = M12 [u]2 : Exemplo 3. n: Mudança de coordenadas Sejam B1 = fv1 . respectivamente. : : : . v2 . v3 g e B2 = fw1 . Seja M12 = [aij ] a matriz de mudança da base B1 para a base B2 : Temos X X u= xi vi = yj wj i j e wj = de onde segue u= X j i n X i=1 aij vi . : : : .46 Sabe-se que B1 = fv1 .76 quando escritas componente a componente. xn ]T e [u]2 = [y1 . : : : . vn g e B2 = fw1 . wn g duas bases do espaço vetorial V e u um vetor de V: Sejam [u]1 = [x1 . yn ]T as matrizes das coordenadas de u nas bases B1 e B2 . : : : . w2 .

sua T 1 2 matriz de coordenadas na base B2 é 0 : A matriz das coordenadas de u na base B1 pode ser obtida pela relação 2 32 3 2 3 0 1 1 0 1 2 0 54 1 5 = 4 2 5 [u]1 = M12 [u]2 = 4 1 1 1 1 2 3 e assim u = v1 2v2 + 3v3 : 3. 7 = a1j a2j : : : amj .10 Espaço linha e espaço coluna 77 é a matriz de mudança da base B1 para B2 : Sendo u = w2 + 2w3 . com frequência. . 7 . . am1 : : : amn ai1 ai2 : : : ain são denominadas vetores coluna de A: O espaço vetorial gerado pelos vetores linhas é o espaço linha de A: O espaço vetorial gerado pelos vetores coluna é o espaço coluna de A: Propriedades dos espaços linha e coluna Duas matrizes com o mesmo tamanho são equivalentes quando for possível obter uma delas mediante uma sequência de operações elementares sobre a Notas de aula do Professor Faleiros são denominadas vetores linha de A e suas colunas 2 3 a1j 6 a2j 7 6 7 cj = 6 . De…nição 3. 5 4 .10 Espaço linha e espaço coluna Vamos veri…car que. suas linhas ri = 3 a11 : : : a1n 6 . é interessante dispor um conjunto de vetores do Rn nas linhas ou colunas de uma matriz. As matrizes são formas compactas e convenientes de apresentar os vetores de um espaço vetorial.3. amj T .47 Para uma matriz 2 de tamanho m n. . 5 A=4 .

(b) os vetores coluna que possuem os pivôs formam uma base do espaço coluna da matriz. : : : . : : : . Nem sempre o espaço coluna de A é igual ao espaço coluna de B: Entretanto.78 Espaço vetorial outra. : : : . Para matrizes com 5 colunas. Numa matriz escalonada. 2. bn os vetores coluna de B: (a) Se 1. 1. (b) Um subconjunto dos vetores coluna de A é linearmente dependente se. E1 A. 3. as mesmas colunas de B formarem um conjunto linearmente dependente. :::. Denote por a1 . se 1 a1 + 3 a3 + 5 a5 = 0. Se as colunas j1 . Sejam A e B matrizes equivalentes. Ek forem matrizes elementares e B = Ek então A = E1 1 Ek 1 B: Feita esta de…nição passemos a enunciar as propriedades dos espaços linha e coluna de uma matriz. : : : . é possível levar B em A realizando sobre a primeira uma sequência de operações elementares que são invertíveis. e só se. ambos possuem a mesma dimensão. Se operações elementares sobre A resultam numa matriz B. jk de B formam uma base do espaço coluna de B: Notas de aula do Professor Faleiros . (a) os vetores linha não nulos formam uma base do espaço linha da matriz. n forem escalares tais que 1 a1 + + n an =0 então 1 b1 + + n bn = 0: Nesta propriedade não se pede que todos os escalares sejam diferentes de zero. então 1 b1 + 3 b3 + 5 b5 = 0 e pode-se pensar que 2 e 4 são iguais a zero. Se E1 . a2 . : : : . Sejam A e B matrizes equivalentes. jk de A formarem uma base do espaço coluna de A. então as colunas j1 . b2 . an os vetores coluna de A e por b1 .

terceira e quinta colunas de R.50 Para obter uma base 2 1 3 6 2 6 A=6 4 2 6 1 3 para o espaço linha da matriz 3 4 2 5 4 9 1 8 2 7 7 9 1 9 7 5 4 2 5 4 e concluir que as três primeiras linhas de R formam uma base para o espaço linha de A: A primeira.48 Considere a matriz 2 1 2 6 0 1 6 4 0 0 0 0 escalonada por linhas 3 3 4 5 2 0 4 7 7: 0 1 2 5 0 0 0 Sua primeira. Notas de aula do Professor Faleiros podemos reduzi-la à forma escalonada R mediante operações elementares 2 3 1 3 4 2 5 4 6 0 0 1 3 2 6 7 7 R=6 4 0 0 0 0 1 5 5 0 0 0 0 0 0 . terceira e quinta colunas de A formam uma base do espaço coluna de A. Duas matrizes equivalentes A e B possuem o mesmo espaço linha. os espaços coluna de A e B são diferentes. T T Os vetores coluna 1 0 1 e 0 1 1 de B não pertencem ao espaço coluna de A: Embora diferentes. aquelas que contêm os pivôs. exatamente aquelas que contêm os pivôs.10 Espaço linha e espaço coluna 79 4.49 As matrizes 2 3 1 0 A=4 0 1 5 0 0 e são equivalentes pois pode-se obter B adicionando à terceira linha de A sua primeira e segunda linhas. Sua primeira. formam uma base do seu espaço coluna. os espaços coluna de A e B possuem ambos dimensão 2: Exemplo 3. segunda e quarta colunas. a primeira. formam uma base para o seu espaço coluna. Todavia. exatamente aquelas que contém os pivôs. 3 1 0 B=4 0 1 5 1 1 2 Exemplo 3. Logo. Uma base do espaço linha de B é base do espaço linha de A: Exemplo 3. formam uma base do seu espaço linha. segunda e terceira linhas.3.

15. 0). 6). 18. 2. reduza 2 1 2 0 0 6 0 1 3 2 R=6 4 0 0 1 1 0 0 0 0 a matriz à forma escalonada 3 3 0 7 7 0 5 0 2. 5. 2. 6. 3. v2 . v4 = (2. 2 e 4 de A formam uma base do espaço linha de A: Exemplo 3. 6) vetores do R4 e G = fv1 . Realize operações elementares na escalonada 2 1 2 6 0 1 6 R=6 0 0 6 4 0 0 0 0 matriz AT até chegar a uma matriz 3 0 2 5 10 7 7 0 1 7: 7 0 0 5 0 0 Notas de aula do Professor Faleiros . as colunas 1. 1.52 Sejam v1 = (1. v2 = (2. 10. v4 g: Para determinar uma base para o subespaço S gerado por G. 3). Mediante operações elementares. Forme a matriz cujas linhas são as entradas de v1 . v3 e v4 2 3 1 2 0 0 3 6 2 5 3 2 6 7 7 A=6 4 0 5 15 10 0 5 : 2 6 18 8 6 2.51 Para determinar uma base do espaço linha da matriz 2 3 1 2 0 0 3 6 2 5 3 2 6 7 7 A=6 4 0 5 15 10 0 5 2 6 18 8 6 formada por vetores linha de A. v3 . basta seguir os seguintes passos: 1. v2 . 0. 5. 0. 8. siga os passos descritos em seguida.80 Espaço vetorial Exemplo 3. 2 e 4 de AT formam uma base para o espaço coluna desta matriz. Conclui-se que as linhas 1. 2 e 4 formam uma base para o espaço coluna de R: Logo. v3 = (0. Transponha A 2 3 1 2 0 2 6 2 5 5 6 7 6 7 T 3 15 18 7 A =6 0 6 7 4 0 2 10 8 5 3 6 0 6 As colunas 1.

uma base para S é w1 = (1. 0). Forme a matriz cujas colunas são as entradas de v1 . w2 = (0. 1. 2 e 4 de A formam uma base do espaço coluna de A: Logo. 0. v4 formam uma base do espaço gerado por G: Exemplo 3. w3 não pertencem ao conjunto G: Desejando uma base de S formada pelos elementos de G. 2.3. 0. 1. Escalone esta matriz 6 6 R=6 6 4 2 1 0 0 0 0 2 1 0 0 0 0 5 0 0 0 2 10 12 0 0 3 7 7 7 7 5 3. 0.53 A matriz 6 A=6 4 2 1 2 0 3 2 5 3 6 0 1 3 0 2 1 4 7 3 5 8 7 7 1 5 2 3 5 2 7 7 1 5 0 é equivalente à matriz escalonada 2 1 6 0 B=6 4 0 0 2 1 0 0 0 1 0 0 2 3 1 0 Notas de aula do Professor Faleiros . 3). v2 . v1 . As colunas 1.10 Espaço linha e espaço coluna 81 3. 1. v2 . proceda como segue: 1. v3 e v4 2 3 1 2 0 2 6 2 5 5 6 7 6 7 6 0 3 15 18 7 A=6 7 4 0 2 10 8 5 3 6 0 6 2. 0): Os vetores w1 . w2 . 2 e 4 formam uma base do espaço coluna de R: Isto implica em que as colunas 1. 3. Uma base do espaço linha de A é formada pelos vetores linha não nulos de R: Logo. 2. w3 = (0.

a4 e a5 . a2 e a4 formam uma base do espaço coluna de A e a3 = 2a1 a2 . 3. b4 e b5 . nota-se que b1 . : : : . as dimensões do espaço linha e do espaço coluna de R são iguais. Prova. cn os vetores coluna de A. O posto de uma matriz A. é a dimensão do seu espaço linha. então a1 . Uma base do espaço coluna de R é formada pelas colunas que possuem os pivôs. e só se. provando o teorema. b for uma combinação linear das colunas de A: Em outras palavras. as colunas 1. 2 e 4 de A são linearmente independentes e geram o espaço coluna de A: Denotando as colunas de B por b1 . b2 . e só se.11 Sistemas lineares e o espaço nulo de uma matriz Quando A é uma matriz m n e b é uma matriz m 1. então Ax = x1 c1 + + xn cn : Vemos que Ax = b se. a5 = a1 + a2 + a4 : Teorema 3. o sistema Ax = b possui solução se.82 Espaço vetorial As colunas 1. a2 . b2 e b4 formam uma base para o seu espaço coluna e que b3 = 2b1 b2 b5 = b1 + b2 + b4 : Denotando as colunas de A por a1 . o posto de uma matriz é igual ao posto de sua transposta. Logo. Seja R uma forma escalonada de A: A dimensão do espaço linha de A é igual à dimensão do espaço linha de R: A dimensão do espaço coluna de A é igual à dimensão do espaço coluna de R: Uma base do espaço linha de R é constituída das linhas que possuem os pivôs. Sendo x a matriz coluna [x1 xn ]T e c1 . podemos nos perguntar quando é que o sistema linear Ax = b tem solução. a3 . Logo.54 A dimensão do espaço linha de uma matriz é igual à dimensão do seu espaço coluna. denotado por pos(A). 2 e 4 de B são linearmente independentes e geram seu espaço coluna. Sendo a dimensão do espaço linha igual à do espaço coluna. b for uma Notas de aula do Professor Faleiros . que é igual à dimensão do seu espaço coluna. b3 .

onde c1 . ck são escalares. ck são escalares. o número de equações do sistema linear Ax = b é menor do que o número de incógnitas e se diz que o sistema linear Ax = b é subdeterminado. o posto da matriz A dos coe…cientes é igual ao posto da matriz completa [A j b] do sistema. a matriz A é invertível e o sistema linear Ax = b possui uma única solução para cada b: Quando o sistema Ax = b tem solução. Neste caso. : : : . Neste caso o posto de A é menor do que m e o sistema linear Ax = b nem sempre tem solução.3. : : : . o sistema linear Ax = b possuirá no máximo uma solução. ela será única se. Quando o posto de A for igual a m.55 A solução geral do sistema do sistema escalonado x1 +3x2 +4x4 x3 +2x4 x5 = 0 = 0 = 1 Notas de aula do Professor Faleiros . Cada solução deste conjunto é chamada de solução particular do sistema Ax = b: A dimensão do espaço nulo de A é chamada de nulidade de A sendo denotada por nul(A): Sempre é bom lembrar que a nulidade de A é igual ao número de variáveis livres do sistema homogêneo Rx = 0. vk g uma base do espaço nulo de A.11 Sistemas lineares e o espaço nulo de uma matriz 83 combinação linear das colunas de A: A matriz b é uma combinação linear das colunas de A se. Quando m = n. onde c1 . o número de equações do sistema linear Ax = b é maior do que o número de incógnitas e se diz que ele é sobredeterminado. e só se. o sistema homogêneo Ax = 0 possuir apenas a solução trivial. Quando m < n. e só se. o número de equações do sistema linear Ax = b é igual ao número de incógnitas e se diz que o sistema linear Ax = b é determinado. Quando m > n. Quando o posto de A for igual a m. todas as suas soluções serão da forma x + c1 v1 + ~ + ck vk . o sistema linear Ax = b sempre possui solução. Sendo x uma solução do ~ sistema não homogêneo Ax = b. onde R é uma forma escalonada de A e que o posto de A é igual a número de variáveis dependentes do sistema homogêneo Rx = 0: Exemplo 3. sendo fv1 . toda solução do sistema homogêneo Ax = 0 é da forma c1 v1 + + ck vk . : : : . o sistema linear Ax = b será consistente para toda matriz coluna b: Se o posto de A for igual a n. O posto de A é sempre menor ou igual a m e menor ou igual a n: Se o posto de A for m. O conjunto solução do sistema homogêneo Ax = 0 é um espaço vetorial chamado espaço nulo de A: O espaço nulo de A possui apenas o vetor nulo ou possui in…nitas matrizes coluna.

Ao colocar a solução geral na forma matricial. 2 3 2 3 2 3 2 3 x1 0 3 4 6 x2 7 6 0 7 6 1 7 6 0 7 6 7 6 7 6 7 6 7 6 x3 7 = 6 0 7 + r 6 0 7 + s 6 2 7 6 7 6 7 6 7 6 7 4 x4 5 4 0 5 4 0 5 4 1 5 x5 1 0 0 percebemos que o primeiro vetor coluna do lado direito é uma solução particular do sistema dado e que os outros dois vetores coluna formam uma base para o espaço de soluções do sistema linear homogêneo associado. x4 = s. x4 são variáveis livres e x1 . x2 . x3 = 2x4 . x1 = 3x2 4x4 : Espaço vetorial Nela. x2 = r. 3 2 3 2 3 x1 2 3 4 x2 5 = s 4 1 5 + t 4 0 5 x3 0 1 Exemplo 3. x3 = 2s.57 Escalonando o sistema homogêneo 2 32 3 2 3 1 2 3 x1 0 4 3 7 8 5 4 x2 5 = 4 0 5 2 4 6 x3 0 Notas de aula do Professor Faleiros .84 é obtida por substituição reversa x5 = 1. Introduzindo os parâmetros r e s. Exemplo 3. x5 são variáveis dependentes. x3 .56 Escalonando 2 1 4 2 3 chegamos a 2 1 4 0 0 2 o sistema 32 2 3 4 6 54 6 9 homogêneo 3 2 3 0 x1 5=4 0 5 x2 0 x3 cuja solução geral é 3 2 3 32 2 3 x1 0 5 4 x2 5 = 4 0 5 0 0 0 0 0 x3 onde s e t são escalares quaisquer. x5 = 1 na forma paramétrica. obtemos a solução geral x1 = 3r 4s. de…nindo-os por r = x2 e s = x4 .

58 O espaço solução do sistema homogêneo 2 1 4 3 4 2 7 1 32 3 2 3 3 x1 0 8 5 4 x2 5 = 4 0 5 . 2 x3 0 é o espaço vetorial nulo.60 Se a matriz A possuir n colunas. pois a única solução do sistema é dada por x1 = 0. x4 . x3 . x5 é 2 6 6 6 6 4 x1 x2 x3 x4 x5 3 7 6 7 6 7 = s6 7 6 5 4 2 1 1 0 0 0 3 6 7 6 7 7 + t6 6 7 5 4 2 1 0 1 0 1 3 7 7 7 7 5 =0 =0 =0 =0 onde s e t são dois parâmetros livres e a dimensão do espaço solução é 2: Teorema 3.3. x2 . x2 = 0 e x3 = 0: Exemplo 3.59 A solução geral do sistema linear homogêneo 2x1 + 2x2 x3 + 0x4 + x5 x1 x2 2x3 3x4 + x5 x1 + x2 2x3 + 0x4 x5 0x1 + 0x2 + x3 + x4 + x5 nas incógnitas x1 .11 Sistemas lineares e o espaço nulo de uma matriz obtemos 2 32 3 2 3 2 3 x1 0 5 4 x2 5 = 4 0 5 1 1 0 0 x3 0 2 3 2 3 x1 5 4 x2 5 = s 4 1 5 x3 1 85 cuja solução geral é 1 4 0 0 onde s é um escalar qualquer. Exemplo 3. então pos(A) + nul(A) = n Notas de aula do Professor Faleiros .

para cada um destes b. Exemplo 3. v4 = 6 0 7 : 6 7 6 7 6 7 6 7 4 0 5 4 0 5 4 1 5 4 0 5 0 0 0 1 Notas de aula do Professor Faleiros . então o sistema linear Ax = b é subdeterminado e deve ser consistente para algum b e. v2 = 6 6 0 7 6 1 7 . x4 . v3 = 6 0 7 .86 Espaço vetorial Prova. a solução deve ter nul(A) = 7 pos(A) parâmetros livres.62 Para determinar 2 1 6 3 A=6 4 2 4 nós a escalonamos 1 6 0 R=6 4 0 0 2 0 1 0 0 o posto e a nulidade da matriz 3 2 0 4 5 3 7 2 0 1 4 7 7: 5 2 4 6 1 5 9 2 4 4 7 4 2 0 0 28 12 0 0 3 37 13 16 5 7 7 0 0 5 0 0 o que nos permite concluir que pos(A) = 2 e nul(A) = 4 veri…cando que pos(A) + nul(A) = 6: A solução geral do sistema homogêneo Ax = 0 é x1 = 4x3 + 28x4 + 37x5 x2 = 2x3 + 12x4 + 16x5 13x6 5x6 com x3 . x5 .61 Se A é uma matriz 5 7. x6 variando livremente nos reais. Uma base do espaço nulo de Aé 2 3 2 3 2 3 2 3 4 28 37 13 6 2 7 6 12 7 6 13 7 6 5 7 6 7 6 7 6 7 6 7 6 1 7 6 0 7 6 0 7 6 0 7 7 6 7 6 7 v1 = 6 7 . Seja R uma forma escalonada de A: O posto de A é igual ao número de variáveis dependentes do sistema homogêneo Rx = 0 e a nulidade de A é igual ao número de variáveis livres do sistema homogêneo Rx = 0: Como o número de variáveis dependentes adicionado ao número de variáveis livres é igual a n. decorre que pos(A) + nul(A) = n: Exemplo 3.

3.11 Sistemas lineares e o espaço nulo de uma matriz Exemplo 3.63 A forma escalonada 2 1 2 6 3 7 A=6 4 2 5 4 9 1 6 0 R=6 4 0 0 2 2 1 0 0 da matriz 4 0 2 2 2 4 0 4 4 4 12 0 0 5 1 6 4 5 16 0 0 6 3 3 4 7 7 1 5 7

87

é

0 2 0 0

Como R possui duas linhas não nulas, pos(A) = 2: Como pos(A)+ nul(A) = 6; conclui-se que nul(A) = 4: Exemplo 3.64 Vamos veri…car se o sistema x1 2x2 3x3 + 2x4 = 4 3x1 + 7x2 x3 + x4 = 3 2x1 5x2 + 4x3 3x4 = 7 3x1 + 6x2 + 9x3 6x4 = 1 é consistente ou não. Tomando a matriz aumentada do sistema 2 3 1 2 3 2 4 6 3 7 1 1 3 7 6 7 4 2 5 4 3 7 5 3 6 9 6 1 e escalonando-a, chegamos à matriz 2 3 1 0 23 16 0 6 0 1 10 7 0 7 6 7 4 0 0 0 0 1 5 0 0 0 0 0

3 3 5 7 7: 0 5 0

O sistema é inconsistente pois o posto da matriz dos coe…cientes é igual a 2 e o posto da matriz aumentada é igual a 3: Exemplo 3.65 Sistema sobredeterminado x1 2x2 = b1 x 1 x 2 = b2 x 1 + x 2 = b3 x1 + 2x2 = b4 x1 + 3x2 = b5 Notas de aula do Professor Faleiros

88

Espaço vetorial

Usando a eliminação de Gauss-Jordan na matriz aumentada, chegamos a 1 0 0 0 0 0 2b2 b1 1 b2 b1 0 b3 3b2 + 2b1 0 b4 4b2 + 3b1 0 b5 5b2 + 4b1

O sistema será consistente se e só se 2b1 3b1 4b1 ou b1 = 5r 4s b2 = 4r 3s b3 = 2r s b4 = r b5 = s onde r e s são reais quaisquer. Vamos enunciar um teorema que reune as propriedades enunciadas até o momento e que dizem respeito às matrizes invertíveis. Teorema 3.66 Seja A uma matriz quadrada de ordem n: As seguintes a…rmações são equivalentes: (a) A é invertível. (b) Ax = 0 admite somente a solução trivial. (c) A forma escalonada reduzida de A é In . (d) A pode ser escrita como um produto de matrizes elementares. (e) Ax = b é consistente para cada matriz b de tamanho n 1: (f) Ax = b tem exatamente uma solução para cada matriz b de tamanho n 1: (g) det(A) 6= 0: (j) Os vetores coluna de A são linearmente independente. (k) Os vetores linha de A são linearmente independente. (l) Os vetores coluna de A geram Mn 1 : (m) Os vetores linha de A geram Mn 1 : (n) Os vetores coluna de A formam uma base de Mn 1 (o) Os vetores linha de A formam uma base de Mn 1 (p) A tem posto n: (q) A nulidade de A é f 0 g: Notas de aula do Professor Faleiros 3b2 + b3 = 0 4b2 + b4 = 0 5b2 + b5 = 0

Capítulo 4 Transformação linear
Uma função é uma regra f que associa a cada elemento de um conjunto A um, e exatamente um, elemento de um conjunto B: Se f associa o elemento x de A ao elemento y de B; escrevemos y = f (x) : O y é a imagem de x por f ou valor de f em x: O conjunto A é o domínio de f e o conjunto B é o contradomínio de f: Usaremos a notação f : A ! B para indicar que f é uma função com domínio A e contradomínio B: O conjunto f (A) = ff (x) : x 2 Ag é a imagem de f: Quando A e B forem conjuntos de números reais diremos que f é função real de uma variável real. Duas funções f1 e f2 são iguais e escreveremos f1 = f2 quando tiverem o mesmo domínio, o mesmo contradomínio e f1 (x) = f2 (x) para todo x do domínio que é comum a ambas. Sejam V e W espaços vetoriais. Uma função f : V ! W é chamada de aplicação ou transformação de V em W: Quando V = W; as funções f : V ! W; recebem o nome de operadores. Exemplo 4.1 T : R2 ! R onde T (x; y) = xy+ 3x: Exemplo 4.2 L : R2 ! R3 onde L (x; y) = (x Exemplo 4.3 As equações u=x+y v = 2xy w = x2 y 2 de…nem uma transformação T : R2 ! R3 : Notas de aula do Professor Faleiros y; 2x; 3x 5y):

A transformação nula. 1). : : : . x2 ) = (x1 + x2 . x2 ) = 5x1 Exemplo 4. Exemplo 4. de…nida por T (f )(x) = f 0 (x) é uma transformação linear.4 Uma transformação T : V ! W é linear se para todo u e v em V e todo escalar k T (u + v) = T (u) + T (v). 1). : : : . Notas de aula do Professor Faleiros . x2 ) = 2x1 de R2 em R são lineares. n ) que leva v no seu vetor de coordenadas ( 1 . n ) na base B.11 A transformação T que leva uma função f de C 1 ( 1. de…nida por T (v) = ( 1 .7 Se A for uma matriz m n. 3x2 e T2 (x1 .8 Se B = fv1 . então as funções T1 (p)(x) = p(ax + b) T2 (p)(x) = xp(x) de…nidas para todo p em P2 (R) Exemplo 4.10 A transformação T que leva uma função f de C( 1. então T (x) = Ax é uma transformação linear que leva matrizes coluna x de tamanho n 1 em matrizes coluna Ax de tamanho m 1: Exemplo 4.9 Se V = P2 (R) for o espaço vetorial dos polinômios de grau menor ou igual a 2 com coe…cientes reais. vn g for uma base de V a função T : V ! Rn .5 As transformações T1 (x1 . 1) na função T (f ) de C 1 ( 1. 1) na função T (f ) de C( 1. : : : . que leva todo vetor v no vetor nulo e a transformação identidade que leva todo vetor nele mesmo são transformações lineares. Exemplo 4. T (k v) = k T (v): Se V = W então a transformação linear recebe o nome de operador linear.6 A transformação T3 (x1 .90 Transformação linear De…nição 4. é uma transformação linear. x2 ) de R2 em R2 é linear. Exemplo 4. de…nida por Z x T (f )(x) = f (t)dt 0 é uma transformação linear. Exemplo 4.

Basta decompor este vetor numa combinação linear dos vetores da base. então det(A + B) 6= det(A) + det(B) e det(k B) = k n det(B): Propriedades das transformações lineares Se V e W forem espaços vetoriais e T : V ! W uma transformação linear então.4. 0): 4. T (0) = 0: 2. sendo c1 . : : : . T (c1 v1 + + cn vn ) = c1 T (v1 )+ Podemos usar o símbolo de somatório para expressar esta última propriedade e escrever ! n n X X T ci vi = ci T (vi ): i=1 i=1 Exemplo 4. a função que leva uma matriz quadrada n n em seu determinante não é linear pois. vn g uma base de V: Para cada vetor u de V. cn escalares e v. Notas de aula do Professor Faleiros . 0) = (1.13 A transformação T (x1 . existem escalares c1 . 2 + x2 ) do R2 no R2 não é linear pois T (0. vn vetores de V. : : : . T (u) = T (c1 v1 + + cn vn ) = c1 T (v1 ) + + cn T (vn ): + cn vn : Desta igualdade tiramos duas conclusões.1 Transformação linear e bases 91 Exemplo 4. : : : .1 Transformação linear e bases Seja T : V ! W uma transformação linear e B = fv1 . cn tais que u = c1 v1 + Da linearidade de T. x2 ) = (1 + x1 . Primeiro: se conhecermos os valores de T nos vetores de uma base de V. T ( v) = 3. B forem duas matrizes quadradas n n. : : : . v1 . T (v1 T (v): T (v2 ): + cn T (vn ): v2 ) = T (v1 ) 4. então 1. se k for um real e A.12 Sendo n > 1 um número inteiro. podemos calcular T num vetor u qualquer. 2) não é igual a (0.

: : : . : : : . : : : . então T (x1 . xn ) = x1 T (e1 ) + e agora T (e1 ) = (a11 . Quando T é uma transformação linear do Rn em Rm . : : : . : : : . an = T (en ) são números reais. n: Observe que T1 (x1 . : : : . : : : . : : : . então T (x1 . xn ) = (a11 x1 . xn ) = am1 x1 + + a1n xn + amn xn Notas de aula do Professor Faleiros . am1 xn + + amn xn ): onde aij . xn ) = (a11 x1 + + a1n xn . : : : . : : : . para i = 1. : : : . : : : . : : : . . wn = T (vn ) são os valores de T no vetores vi de uma base B e (c1 . xn ) = x1 T (e1 ) + + xn T (en ) = a1 x1 + + an x n . : : : . : : : . xn ) = (a11 x1 + + a1n xn . onde a1 . : : : . m e j = 1. : : : . : : : . en g é a base canônica do Rn . xn ) = a11 x1 + . am1 xn + + amn xn ): + (a1n xn . : : : . cn ) é o vetor de coordenadas de u na base B: Em particular. amn ) são vetores do Rm e T (x1 . an são números reais. toda transformação linear T de V em W é da forma T (u) = c1 w1 + + cn wn onde w1 = T (v1 ). onde a1 = T (e1 ). : : : . : : : . : : : .92 Transformação linear Segundo: sendo B = fv1 . . vn g uma base de V. T (en ) = (a1n . xn ) = a1 x1 + + an x n . Toda transformação linear T : Rn ! Rm é da forma T (x1 . quando T é uma transformação linear do Rn em R e B = fe1 . am1 ). : : : . Tm (x1 . amn xn ) + xn T (en ) Conclusão: Toda transformação linear T : Rn ! R é da forma T (x1 . am1 xn ) + ou T (x1 .

. v2 = (1. 3. 54 .. 1.4. 1.1 Transformação linear e bases são transformações lineares do Rn em R e T (x1 . 1) + (x2 e calcular T (x1 . 0. T (1. 1). ym am1 + a1n xn + amn xn 93 onde [T ] = [aij ] é chamada de matriz canônica da transformação linear T. 0. 3x2 2x1 x3 ): Em particular. enquanto [x] e [y] são as matrizes das coordenadas de x e y nas bases canônicas do Rn e do Rm . Tm (x1 . 0) e v3 = (1. xn ) = ( T1 (x1 . então T (v) = 2T (v1 ) + 5T (v2 ) + 4T (v3 ) = 2 3+5 2+4 1=8 Exemplo 4.15 Sejam v1 = (1. xn ) . x3 ) = x3 (1. 1) e T (v3 ) = (3. x2 . : : : . 0. : : : . respectivamente. ym = am1 x1 + As igualdades acima podem ser 2 3 2 y1 a11 6 . : : : . : : : . 1. . . . xn ) = (y1 . . x2 . 7): Notas de aula do Professor Faleiros x3 )(1. v2 . ym ) então y1 = a11 x1 + . v2 . x3 ) = x3 T (1. 1. 7 . . . 4 . v3 g é base do R3 : Sabendo que T : R3 ! R2 é linear e que T (v1 ) = (1. 0) + (x1 x2 )(1. x2 . 76 . : : : . podemos calcular T em todo terno ordenado (x1 . 5=4 . 5 ou [y] = [T ] [x]. 2). 1) + (x1 x2 )(3. : : : . 0). 4) = (4. T (v3 ) = 1: Se v = 2v1 + 5v2 + 4v3 .14 Sendo fv1 . amn xn Exemplo 4. 0) + (x1 x2 )T (1. 0) + (x2 x3 )(2. T (v2 ) = 2. 0) . 1. resumidas numa única igualdade matricial 32 3 a1n x1 . v3 g uma base de um espaço vetorial V de dimensão três e T uma transformação linear de V em R tal que T (v1 ) = 3. xn ) ): Escrevendo T (x1 . 7 6 . 1. x3 ): Basta decompor o terno numa combinação linear dos vetores da base (x1 . . 2) = ( 3x1 x2 x3 . T (v2 ) = (2. 0): Então fv1 . 0) = x3 (1. 1) + (x2 x3 )T (1.

Se girarmos os pontos (1.94 Transformação linear Exemplo 4. 0) + x2 T (0. x2 ) = 2x1 x2 e T2 (x1 . y) na reta x = y do ete 2 R: Re‡ exões no R3 O operador T (x1 . sen ) e ( sen . y) no eixo do R2 : ete O operador T3 (x1 . x3 ) = (x1 . x2 ) = 5 + x1 + 2x2 não é linear por causa da parcela 5: Exemplo 4. x2 . x1 ) re‡ o ponto (x. x3 ) = (2x1 é 2 [T ] = 4 1 0 2 x 2 .2 Exemplos de transformações lineares Re‡ exões no R2 O operador T1 (x1 . y) no plano 23 ete 3 do R : Rotações no R2 Seja um número real. x2 ) de um ângulo no sentido anti-horário em torno da origem é tal que T (x1 . x2 .17 A matriz canônica da transformação linear T : R3 ! R3 de…nida por T (x1 . x3 ) re‡ o ponto (x. x2 . y) no eixo 1 do R2 : ete O operador T2 (x1 . x2 3 0 1 5: 1 x3 ) 4. x1 sen + x2 cos ) : Notas de aula do Professor Faleiros . y) no plano 12 do ete 3 R: O operador T (x1 . x2 . x2 . x2 ) re‡ o ponto (x. cos ): Uma transformação linear que gira qualquer ponto (x1 . x2 . y) no plano 13 ete 3 do R : O operador T (x1 . 0) e (0. 1) = x1 (cos . vamos obter os pontos (cos . x2 ) = x1 T (1. x2 ) re‡ o ponto (x.16 As transformações T1 (x1 . x2 . x3 ) = (x1 . x3 ) re‡ o ponto (x. x3 ) = ( x1 . sen ) + x2 ( sen . x2 ) = ( x1 . 1) do R2 de um ângulo no sentido anti-horário em torno da origem. x1 1 3 1 3x2 + x3 . x2 ) = 3x2 do R2 em R são lineares. x2 ) = (x1 . x3 ) re‡ o ponto (x. x2 ) = (x2 . cos ) = ( x1 cos x2 sen . A transformação T3 (x1 .

x2 cos x3 sen . x3 ) = (x1 cos x2 sen . O operador 3. no sentido anti-horário quando se olha para a origem do semi-espaço x2 > 0: Sendo (y1 . x3 ) estabelece uma rotação de um ângulo . x2 ) de um ângulo T (x 1 . x2 . y2 . x2 . x2 ) = (y1 . O operador T (x1 . y2 = x1 sen + x2 cos : Usando a notação matricial. y2 ) onde y1 = x1 cos x2 sen . em torno do eixo 3. x2 sen + x3 cos ) estabelece uma rotação de um ângulo . x2 . no sentido anti-horário quando se olha para a origem do semi-espaço x1 > 0: Sendo (y1 . y2 . obtemos a igualdade matricial 2 3 2 32 3 y1 cos sen 0 x1 4 y2 5 = 4 sen cos 0 5 4 x2 5 : y3 0 0 1 x3 Notas de aula do Professor Faleiros . y3 ) = T (x1 .4. x1 sen + x3 cos ) = cos sen sen cos x1 x2 : 2. obtemos a igualdade matricial 2 3 2 32 3 y1 1 0 0 x1 4 y2 5 = 4 0 cos sen 5 4 x2 5 : y3 0 sen cos x3 T (x1 . O operador estabelece uma rotação de um ângulo . x3 ) = (x1 . em torno do eixo 1. em torno do eixo 2. no sentido antihorário quando se olha para a origem do semi-espaço x3 > 0: Sendo (y1 . x2 . y3 ) = T (x1 . x2 . x2 . x3 ) = (x1 cos + x3 sen . y3 ) = T (x1 . y2 . y2 ) onde 95 obtemos o ponto (y1 . x1 sen + x2 cos . x2 . obtemos a igualdade matricial 2 3 2 32 3 y1 cos 0 sen x1 4 y2 5 = 4 0 1 0 5 4 x2 5 : y3 sen 0 cos x3 T (x1 . x3 ).2 Exemplos de transformações lineares Ao girar o ponto (x1 . chega-se a y1 y2 Rotações no R3 1. x3 ). x3 ).

Teorema 4. 0) : e T L (x. y) = (y. recebe o nome de dilatação. y) = (x. quando k > 1. 4. x) não comutam pois L T (x. L( u1 + u2 ) = T ( L( u1 + u2 ) ) = T ( L(u1 ) + L(u2 ) ) = T ( L(u1 ) ) + T ( L(u2 ) ) = T L(u1 ) + T L(u2 ) provando a linearidade da composta. y) ) = L (y. Prova. Exemplo 4. A função T L : U ! W de…nida por T L(u) = T (L(u)) L é chamada é a composta de L com T: A operação que leva L e T em T de composição de transformações. x) : Notas de aula do Professor Faleiros e L (x.18 A composta de duas transfomações lineares é linear. y) = T ( L (x. a de…nição de composta. dizemos que eles comutam. é chamado de homotetia de razão k: Quando 0 6 k < 1 recebe o nome de contração e. Quando dois operadores T e L forem tais que T L é igual a L T. L : U ! V e T : V ! W duas transformações entre espaços vetoriais. se então T e forem dois escalares. Se u1 e u2 forem dois vetores em U. nem sempre. 0) .3 Composição e inversa Sejam U. V e W espaços vetoriais. O operador linear de…nido sobre o Rn por T (x) = kx.96 Dilatações e contrações no Rn Transformação linear Seja k 0 um número real. A composição de transformações lineares é associativa mas. y) ) = T (x. 0) = (0. da terceira para a quarta. x) = (y. da segunda para a terceira a linearidade de T e. Na passagem da primeira para a segunda linha usamos a linearidade de L. comutativa.19 Os operadores lineares T (x. y) = L( T (x.

sobrejetora.4. bijetora e inversa se aplicam à transformações entre espaços vetoriais. Dadas as transformações.20 Os operadores L(x1 . T possui inversa T 1 : W ! V: Se T (v) = w. x2 ) = (x1 . então T (v1 ) 6= T (v2 ): Ou ainda. para todo v em V: As de…nições de função injetora.3 Composição e inversa Exemplo 4. existe v em V tal que T (v) = w: T é bijetora quando for injetora e sobrejetora.21 Considere as transformações lineares L : P1 ! P2 e T : P2 ! P2 de…nidas por L(p)(x) = q(x) = xp(x) e T (p)(x) = p(2x + 4): Então T L(p)(x) = T (L(p))(x) = T (q)(x) = q(2x + 4) = (2x + 4)p(2x + 4): Ao compor uma transformação T : V ! V com a transformação identidade I : V ! V. L: mostrando que L T = T e T (x1 . x2 ) e T L(x1 . T2 : V2 ! V3 . Neste caso. se w pertence a W. x2 ) = T ( x1 .22 Seja T : V ! W uma transformação do espaço vetorial V no espaço vetorial W: T é injetora se levar vetores distintos de V em vetores distintos de W: Isto signi…ca que. T3 : V3 ! V4 . obtemos a própria T uma vez que T I=I T = T: O conceito de composição se aplica a duas ou mais transformações. x2 ) = L(x1 . x2 ) = ( x1 . x2 ). T1 : V1 ! V2 . então T 1 (w) = v e T 1 T (v) = v e T T 1 (w) = w: Notas de aula do Professor Faleiros . se T (v1 ) = T (v2 ) implicar em v1 = v2 : T é sobrejetora quando sua imagem for igual a W: Isto signi…ca que. De…nição 4. x2 ) = ( x1 . se v1 6= v2 . x2 ) = ( x1 . x2 ) 97 Exemplo 4. de…nimos T3 T2 T1 : V1 ! V4 por T3 T2 T1 (v) = T3 (T2 (T1 (v))). x2 ) comutam pois L T (x1 .

28 A transformação linear T : Pn ! Pn+1 . que também é um isomor…smo. o que implica em v1 v2 = 0. T é injetora. de…nida por T (p)(x) = xp(x). Exemplo 4. Se dim V = dim W então são equivalentes 1. suas dimensões forem iguais. então T (0) = 0: Sendo T injetora e T (v) = 0 então v = 0: Reciprocamente. Sua imagem é formada pelos polinômios de grau n + 1 cujo termo constante é nulo. T é sobrejetora.27 Seja A uma matriz m n e considere a transformação linear T : Mn 1 ! Mm 1 de…nida por T (x) = Ax: Esta transformação é invertível se e só se A for invertível. 1 :W Exemplo 4. T é um isomor…smo. é injetora mas não é sobrejetora. O isomor…smo entre eles leva a base de um espaço numa base do outros.23 Seja T : V ! W uma transformação linear entre espaços vetoriais. As rotações são isomor…smos. Teorema 4. Existindo um isomor…smo entre V e W. estes espaços vetoriais são ditos isomorfos. dois espaços isomorfos são indistinguíveis. De…nição 4. da linearidade de T.98 Transformação linear As projeções não são injetoras nem sobrejetoras. segue T (v1 v2 ) = 0.26 Sejam V e W espaços vetoriais de dimensão …nita e T : V ! W uma transformação linear. Teorema 4. provando que T é injetora. Então T é injetora se e só se T (v) = 0 implicar em v = 0: Prova. Sendo T : V ! W um isomor…smo existe a transformação inversa T ! V.24 Uma transformação linear bijetora é chamada de isomor…smo. Sobre o ponto de vista da Álgebra Linear. 3.25 Dois espaços vetoriais de dimensão …nita são isomorfos se. Se T for linear. suponha que T (v) = 0 implica em v = 0: Sejam v1 e v2 tais que T (v1 ) = T (v2 ) : Então. Teorema 4. Toda propriedade de um se transfere para o outro pelo isomor…smo. e só se. 2. Notas de aula do Professor Faleiros .

7 . 5 [T ]21 = 4 . vn g uma base de V e B2 = fw1 . z) = (x.4 Matriz de uma transformação linear 99 Exemplo 4. ela será um isomor…smo e (R S T) 1 =T 1 S 1 R 1: 4. xsen + y cos): 2. n: A matriz de T em relação às bases B1 e B2 é 2 3 a11 a1n 6 . 0): 1 1 onde T (x) = Ax. B1 uma base de V e B2 uma base de W: Dado v em V.4.31 Seja T : V ! W uma transformação linear. Se R. . uma vez que as derivadas de duas funções são iguais quando a diferença entre elas for a função constante. y) = (x cos 3. . y. y. S e T forem isomor…smos e a composição R S T puder ser efetuada. : : : . [T (v)]2 = [T ]21 [v]1 Notas de aula do Professor Faleiros para j = 1. .30 Veri…que quais transformações abaixo são injetoras 1. . wm g uma base de W: Se T : V ! W for uma transformação linear. T : R3 ! R3 onde T (x.4 Matriz de uma transformação linear Seja B1 = fv1 . Exercício 4. então a composta T L é um isomor…smo e (T L) 1 = L 1 T 1 : Este resultado se aplica à composição de três ou mais transformações lineares. pode-se escrever T (vj ) = m X i=1 aij wi Teorema 4. : : : . T : R2 ! R2 onde T (x. : : : . T : M6 ! M3 ysen . am amn . onde 2 1 2 0 4 6 3 7 2 0 A=6 4 2 5 2 4 4 9 2 4 5 1 6 4 3 3 4 7 7: 1 5 7 Se L : U ! V e T : V ! W forem isomor…smos. .29 A transformação linear D : C 1 (R) ! C(R) que leva uma função f em sua derivada Df não é injetora. .

obtemos [T (v)] = [T ][v]: Quando B1 é a base canõnica do Rn e B2 é a base canônica do Rm . : : : . é usual tomar uma única base B1 em lugar de duas bases distintas B1 e B2 : Neste caso. y) = (y. 1) = 1(1. x Sendo B1 = f (2. então [T ]21 = [aij ] e ! n n m m n m X X X X X X T (v) = xj T (vj ) = xj aij wi = aij xj wi = yi wi j=1 j=1 i=1 i=1 j=1 i=1 de onde se conclui que yi = igualdade matricial Pn j=1 aij xj . 2.100 Transformação linear onde [T ]21 é a matriz de T nas bases B2 e B1 . denota-se [T ]1 simplesmente por [T ] : Sendo v um vetor de V. 1) 5(0. para i = 1. que corresponde à [T (v)]2 = [T ]21 [v]1 : Quando T : V ! V for um operador linear. 1) + 2(0. m. : : : . 1. : : : . 0. Exemplo 4. 1) = (1. 4. 0) e a matriz de T em relação às bases B1 e B2 é 2 3 1 1 [T ]21 = 4 5 2 5 : 2 1 Notas de aula do Professor Faleiros . 0) T (1. respectivamente. 1. então [v]1 = [x1 . 2)g e B2 = f (1. Num linguagem informal. ym ]T são as matrizes de coordenadas de v e T (v) nas bases B1 = fv1 . vn g e B2 = fw1 . a matriz de coordenadas de T (v) é a matriz de T multiplicada pela matriz de coordenadas de v: P P Prova. Sendo T (vj ) = Pm i=1 aij wi . [T (v)]2 = [y1 . (1. 0. : : : . a matriz [T ]11 é chamada de matriz de T na base B1 e é denotada por [T ]1 : Se denotarmos B1 por B. 1. 2. [v]1 e [T (v)]2 são as matrizes de coordenadas de v e T (v) nas bases B1 e B2 . 2x + 3y. 1). sem índice.32 Seja T : R2 ! R3 de…nida por T (x. 0) + 2(1. 1. y): 1). wm g. 2. 0) + 1(1. xn ]T j=1 i=1 . : : : . Se v = n xj vj e T (v) = m yi wi . 0). a matriz [T ]21 de uma transformação linear T do Rn no Rm nas bases B1 e B2 é a sua matriz canônica. 0) g. respectivamente. [v] a matriz das coordenadas de v na base B e [T (v)] a matriz das coordenadas de T (v) na base B. temos T (2. fazendo B1 = B2 . 2) = (2. 1) = 1(1. 0. (0. (1.

x2 g então 2 1 5 4 0 3 [T ] = 0 0 por T (p)(x) = p(3x 3 25 30 5 : 9 5): Sendo para obter T (1 + 2x + 3x2 ) = 66 4. x.33 Seja T : P1 ! P2 de…nida por T (p)(x) = xp(x): Sendo B1 = f1. : : : .5 Matriz da composta e da inversa Sejam U. então [T ]21 3 0 0 = 4 1 0 5: 0 1 2 para calcular T (1 + 2x + 3x2 ). no somatório em k. basta efetuar o produto matricial 2 1 4 0 0 5 3 0 32 3 2 25 1 30 5 4 2 5 = 4 9 3 84x + 27x2 : 3 66 84 5 27 Exemplo 4. B2 = fv1 . ele aparece repetido. [T ]32 = [bik ] e [T L]31 = [cij ]: Observe: sempre que há somaP sobre um índice.5 Matriz da composta e da inversa 101 Exemplo 4. k=1 akj vk . omitindo o símbolo de somatório. Usando-a obtemos L(uj ) = akj vk T (vk ) = bik wi e T L(uj ) = cij wi n X k=1 akj vk T (vk ) = p X i=1 bik wi e T L(uj ) = p X i=1 cij wi Notas de aula do Professor Faleiros . Se L(uj ) = então [L]21 = [akj ]. : : : . a…rmando. : : : . x2 g. Esta notação é denominada de notação de Einstein. para escrever apenas akj vk . Por n exemplo.4.34 Seja T : P2 ! P2 de…nida B = f1. um g uma base de U. há soma neste índice. Seja B1 = fu1 . V e W espaços vetoriais de dimensão …nita. o sub-índice k aparece em akj e em vk : Vamos ser corajosos. vn g uma base de V e B3 = fw1 . que ao haver um subíndice repetido. xg e B2 = f1. enfaticamente. x. wp g uma base de U: Sejam L : V ! W e T : W ! U duas transformações lineares.

T Transformação linear L(uj ) = T (L(uj )) = T (akj vk ) = akj T (vk ) = akj bik wi = bik akj wi = cij wi : Pela unicidade da decomposição de um vetor numa base. aplicando a fórmula anterior com B3 = B1 .35 A transformação T : R3 ! R3 que roda um vetor no sentido anti-horário em torno do eixo z por um ângulo . então [T 1 ]12 = [T ]211 Prova.36 Se T : V ! W for um isomor…smo. re‡ete o vetor resultante no plano yz e projeta este vetor ortogonalmente sobre o plano xy. p e j = 1. se B1 for uma base de V e B2 uma base de W. : : : .102 Partindo da composta. nesta ordem. T2 realiza a segunda e T3 realiza a terceira operação. Exercício 4. então T 1 T = I onde I é o operador identidade em V: Se B1 for uma base de V e B2 for uma base de W. m. para i = 1. então a transformação linear T : V ! W é invertível e a matriz [T 1 ]12 de T 1 : W ! V é a inversa da matriz [T ]21 : Podemos então enunciar Notas de aula do Professor Faleiros . Se T 1 : W ! V for a inversa de T. T2 e T3 são 2 3 2 3 2 3 cos sen 0 1 0 0 1 0 0 cos 0 5 [T2 ] = 4 0 1 0 5 [T3 ] = 4 0 1 0 5 : [T1 ] = 4 sen 0 0 1 0 0 1 0 0 0 Para obter a matriz canônica da composta T = T3 T2 T1 basta multiplicar as matrizes 2 3 cos sen 0 cos 0 5: [T ] = [T3 ] [T2 ] [T1 ] = 4 sen 0 0 1 Lema 4. T2 e T3 . obtemos cij = bik akj . As matrizes canônicas das transformações lineares T1. onde T1 realiza ao primeira. concluímos que a matriz [T da matriz [T ]21 : ]12 é a inversa A recíproca também é verdadeira: Se [T ]21 for invertível. é a composta de três transformações lineares T1 . : : : . que correspondem à igualdade matricial [T L]31 = [T ]32 [L]21 : Esta fórmula pode ser estendida para a composição de três ou mais transformações lineares. segue [T 1 ]12 [T ]21 = [I]11 : 1 Como [I]11 é a matriz identidade.

Além disto. Teorema 4. B também o for. [T ]1 a matriz de T na base B1 e [T ]2 a matriz de T na base B2 : Então [T ]2 = M121 [T ]1 M12 : Prova. wn g as duas bases de V: Sendo M12 = [aij ] a matriz de transição de B1 para B2 . : : : .6 Matrizes semelhantes Duas matrizes quadradas e de mesmo tamanho A e B são semelhantes se existir uma matriz invertível P para a qual A=P 1 BP: Se A e B forem semelhantes. Uma transformação linear T : V ! W é um isomor…smo se.37 Sejam V e W espaços vetoriais de dimensão …nita. A é invertível se. as matrizes de T nas bases de V e W forem invertíveis. x2 . seus postos. wj = aij vi Notas de aula do Professor Faleiros . então seus determinantes. Vamos mostrar que matrizes de um operador linear são semelhantes. e só se. 5x1 + 4x2 2x3 ) é invertível e sua inversa [T 1 ] = [T ] 1 1 é a matriz canônica de T : =4 4 11 12 4.4. Nesta demonstração usaremos a notação de Einstein para o somatório. Sejam B1 = fv1 . : : : . Exemplo 4.39 Sejam B1 e B2 duas bases de um espaço vetorial V e M12 a matriz de transição da base B1 para a base B2 : Seja T : V ! V um operador linear. 2x1 cuja matriz na base canônica [T ] = 4 2 3 2 5 2 1 4 4 3 0 3 5 2 2 6 7 3 3 9 5 10 4x2 + 3x3 .6 Matrizes semelhantes 103 Teorema 4.38 Considere o operador linear T : R3 ! R3 de…nido por T (x1 . suas nulidades e seus traços serão iguais. e só se. x3 ) = (3x1 + x2 . vn g e B2 = fw1 .

n. 1) e v2 = (1. o que nos leva à igualdade matricial M12 [T ]2 = [T ]1 M12 o que prova o teorema. : : : . x2 ) = (x1 + x2 . Este teorema mostra que matrizes de operadores lineares T : V ! V em bases diferentes são semelhantes.104 Transformação linear para j = 1. T (wj ) = ykj wk = ykj aik vi = aik ykj vi e. 2): Resolução: Denotemos por [T ]1 a matriz de T na base canônica B1 e por [T ]2 a matriz de T na base B2 : Temos [T ]1 = Sendo M12 = 1 1 1 2 1 1 2 4 : e T (wj ) = yij wi : Notas de aula do Professor Faleiros . T (wj ) = T (akj vk ) = akj T (vk ) = akj xik vi = xik akj vi : Da unicidade da decomposição de um vetor numa base. então T (vj ) = xij vi Por um lado. Isto nos permite de…nir o determinante de um operador linear T por det(T ) = det(A) onde A é a matriz de T numa base qualquer de V: Como as matrizes de T nas bases de V são todas semelhantes. respectivamente as matrizes de T nas bases B1 e B2 . n: Sendo [T ]1 = [xij ] e [T ]2 = [yij ]. v2 g onde v1 = (1.40 Seja T : R2 ! R2 de…nida por T (x1 . esta de…nição de determinante não dependente da base escolhida. por outro. 2x1 + 4x2 ): Determine a matriz de T na base canônica B1 = fe1 . : : : . uma vez que a matriz de transição é invertível. e2 g e a matriz de T na base B2 = fv1 . segue aik ykj = xik akj para i e j iguais a 1. Exemplo 4.

e2 g a base canônica do R2 . sen ).41 A matriz canônica do operador linear T : R2 ! R2 . x2 ) = (3x1 + 2x2 . de modo que det(T ) = det(A) = 1: Exemplo 4. de…nido por T (x1 . w2 = sen e1 + cos e2 .6 Matrizes semelhantes então M21 = M121 = 2 1 1 1 105 e [T ]2 = M21 [T ]1 M12 : Efetuando o cálculo.42 Seja um número real e w1 = (cos . x1 + x2 ). vale a relação w1 = cos e1 + sen e2 . w2 = ( sen . de onde obtemos a matriz de transição de B2 para B1 M21 = Sabemos que [T ]2 = M121 [T ]1 M12 = M21 [T ]1 M211 = = cos sen cos 2 sen 2 sen cos sen 2 cos 2 1 0 : 0 1 cos sen sen cos cos sen sen cos : Notas de aula do Professor Faleiros .4. cos ) dois vetores do R2 : O conjunto B1 = fw1 . é A= 3 2 1 1 : Seu determinante é o determinante de A. obtemos [T ]2 = 2 1 1 1 1 1 2 4 1 1 1 2 = 2 0 0 3 e T (y1 v1 + y2 v2 ) = 2y1 v1 + 3y2 v2 : Exemplo 4. w2 g é uma base do R2 : Seja T o operador linear do R2 tal que T (w1 ) = w1 e T (w2 ) = w2 : Esta transformação linear é tal que T (x) é o re‡exo de x na reta gerada por w1 : A matriz de T na base B1 é [T ]1 = 1 0 0 1 : Sendo B2 = fe1 .

x2 ) = ( x1 cos 2 + x2 sen 2 . y 2 Rg que possui dimensão 2: Logo. y. y.106 Como [T (x)]2 = [T ]2 [x]2 . denotada por nul(T ): Se T : Mn 1 ! Mm 1 for a transformação linear T (x) = Ax onde A uma matriz m n. 3x1 2 cos 2 sen 2 sen 2 cos 2 Transformação linear x1 x2 x1 cos 2 + x2 sen 2 x1 sen 2 x2 cos 2 x2 cos 2 ): x2 ): 4. x2 ) = ( x1 + 3x2 . y. nul(T ) + pos(T ) = 1 + 2 = 3: Notas de aula do Professor Faleiros . 3x + 3y + z): Determine sua imagem e seu núcleo. x1 sen 2 Quando = =6. p p 1 T (x1 . z) 2 R3 : z 2 Rg que possui dimensão 1 e sua imagem é im(T ) = f(x.7 Núcleo e imagem Im (T ) = fT (v) : v 2 V g Seja T : V ! W uma transformação linear.43 Seja A uma matriz real de tamanho m n: Considere a transformação T : Rn ! Rm de…nida por T (x) = Ax: O núcleo de T é o espaço nulo de A e a imagem de T é o espaço coluna de A: Exemplo 4. então nul(T ) = nul(A) e pos(T ) = pos(A): Exemplo 4. z) = (x. Exemplo 4. 0. denotada por pos(T ) e a dimensão do núcleo é chamada de nulidade de T. x + z.45 O núcleo do operador T de…nido no R3 por T (x. segue [T (x)]2 = = e T (x1 .44 Seja T : R3 ! R3 a transformação linear T (x. O conjunto é chamado de imagem de T e o conjunto nuc(T ) = fv 2 V : T (v) = 0g dos vetores de V que são levados no zero por T é chamado de núcleo de T: A imagem de T é um subespaço de W e o núcleo de T é um subespaço de V: A dimensão da imagem de T é chamada de posto de T. 0) 2 R3 : x. 0) é nuc(T ) = f(0. z) = (2x + 3y. y.

: : : . vk . o que completa a prova do teorema. : : : . z) é todo o R3 e o seu núcleo é o f0g: Veri…ca-se que nul(T )+ pos(T ) = 3 de acordo com o teorema anterior. nem todos nulos. existiriam escalares dk+1 .46 Seja T : V ! W uma transformação linear. A imagem do operador linear T (x. : : : . Se w for um vetor da imagem de T. : : : . vk g uma base do núcleo e complete-a fv1 . vn g. T (vn )g é linearmente independente. x sen + y cos . T (vk ) são iguais ao vetor nulo. existiriam escalares d1 . : : : . : : : . Exemplo 4. z) = (x cos y sen . basta mostrar que fT (vk+1 ).47 Seja um número real. Se a dimensão de V for n. portanto. Falta provar que este conjunto é linearmente independente. fT (vk+1 ).4. o posto de T é igual a 2 e sua nulidade é 4: Notas de aula do Professor Faleiros . T (vn )g gera a imagem. y. vk . para os quais dk+1 T (vk+1 ) + + dn T (vn ) = 0. formando assim uma base de V: Para completar a prova. existe um vetor v de V tal que w = T (v): Como v = c1 v1 + + ck vk + + cn vn . Se fT (vk+1 ). T (vn )g fosse linearmente dependente. dk tais que dk+1 vk+1 + + dn vn = d1 v1 + + dk vk contradizendo a independência linear do conjunto fv1 . vk+1 .48 Considere a transformação linear T : M6 1 (R) ! M4 1 (R) de…nida por T (x) = Ax. Exemplo 4. vk+1 .7 Núcleo e imagem 107 Teorema 4. dn . : : : . segue w = T (v) = ck+1 T (vk+1 ) + + cn T (vn ) uma vez que T (v1 ). : : : . Mostramos assim que fT (vk+1 ). T (vn )g é base da imagem. : : : . onde 2 3 1 2 0 4 5 3 6 3 7 2 0 1 4 7 7: A=6 4 2 5 2 4 6 1 5 4 9 2 4 4 7 Realizando operações elementares 2 1 6 0 R=6 4 0 0 em A obtemos sua forma escalonada 3 2 0 4 5 3 1 2 12 16 5 7 7 0 0 0 0 0 5 0 0 0 0 0 que possui posto 2 e nulidade 4: Logo. : : : . : : : . : : : . o vetor dk+1 vk+1 + + dn vn pertenceria ao núcleo de T e. vn g: Logo. então pos(T ) + nul(T ) = n: Prova. o que acarreta em T (dk+1 vk+1 + + dn vn ) = 0: Neste caso. Seja fv1 .

108 Transformação linear Notas de aula do Professor Faleiros .

y i = 1 x1 y1 + + n xn yn de…ne um produto interno em Rn chamado de produto interno euclidiano ponderado. n números reais positivos chamados pesos.2 Sejam x = (x1 . wi (aditividade) 3. : : : .1 Produtos internos De…nição 5. y i = x1 y1 + + xn yn de…ne um produto interno em Rn chamado de produto interno euclidiano. hu. wi. Para todo u. Sejam x = (x1 . ui (simetria) 2. y i = 2x1 y1 + 3x2 y2 é um produto interno euclidiano ponderado no R2 : Notas de aula do Professor Faleiros . xn ) e y = (y1 . wi + hv. v. : : : . Exemplo 5. Exemplo 5. h x. xn ) e y = (y1 .1 Um produto interno ou produto escalar em um espaço vetorial real V é uma operação que associa a cada par de vetores v e w um número real denotado por hv. : : : . h u.0. wi = hu. vi = 0 $ v = 0 O produto interno de dois vetores v e w também é denotado por v w: Escolha a notação que preferir. : : : . yn ) dois vetores do Rn : A operação h x. hv.3 Sejam 1 . hu + v. hv. w em V e para todo real . : : : . yn ) dois vetores do Rn : A operação h x. vi = hv. vi (homegeneidade) 4. 1. vi 0 (positividade) 5.Capítulo 5 Produto interno 5. que tem as seguintes propriedades. vi = hu. Em particular.

vi = hv. 0i = 0 2. h0. sua norma euclidiana é p p k(1.110 Propriedades adicionais do produto interno Para todo interno. os operadores L(v) = hv. vi = hu. de…nimos a distância de v a w por p d(v. 5. : : : . v0 i e T (v) = hv0 . vi: é a distância euclidiana entre x e y: Sendo x = (1. 2. w em um espaço vetorial real V com produto 1. Fixado um vetor v0 num espaço vetorial V com produto interno. y) = kx yk = (x y) (x y) = p (x1 y1 )2 + + (xn yn )2 Sendo w outro vetor de V. 3).1 Norma e distância Observe que kvk = d( v. vi + hu. w) = kv wk = hv w. hu. yn ) duas ênuplas ordenadas de números reais. 0) e 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: Exemplo 5. wi 3. Produto interno real e todo u.4 Sejam x = (x1 . Designando o produto interno euclidiano no Rn por x y. vi O produto interno é linear nos dois fatores. 3)k = 1 + 4 + 9 = 14: Notas de aula do Professor Faleiros . v wi: Seja V um espaço vetorial real com produto interno. vi são lineares. xn ) e y = (y1 . v + wi = hu. então q p kxk = x x = x2 + + x2 1 n é a norma euclidiana de x e p d(x. : : : . v. De…nimos a norma de um vetor v em V por p kvk = hv. 2. h u.

5.8 Seja [a. podemos de…nir a norma e a distância entre funções f e g Z b 2 kf k = f 2 (x)dx a e d(f. g) = s Z b [f (x) g(x)]2 dx: a Notas de aula do Professor Faleiros .1 Norma e distância 111 Exemplo 5. a esfera unitária será uma elipse de semi eixos 1=2 e 1=3: Exemplo 5. yi = xT y: Exemplo 5.7 Seja A uma matriz quadrada real invertível n hx. gi = a é um produto interno. yi = xT AT Ay é um produto interno no espaço vetorial das matrizes coluna reais Mn 1 (R): Um caso particular deste produto interno é aquele em que A é a matriz identidade. y i = 4x1 y1 + 9x2 y2 . hx. b] ! R : f é contínua g: Este conjunto. Em relação a este produto interno. com as operações de adição de funções e multiplicação de uma função por um número real é um espaço vetorial real. Nele Z b f (x)g(x)dx hf.6 Sendo x e y duas matrizes coluna n x y = xT y de…ne um produto interno no espaço vetorial das matrizes coluna reais n Se A for uma matriz n n. b] um intervalo de números reais e C[a. x2 ) e y = (y1 . quando então. y2 ) dois pares do R2 : Se a norma deste espaço vier do produto interno euclidiano h x. b] = f f : [a. então (Ax) y = x AT y : n. então 1: 1 o produto de matrizes Exemplo 5. y i = x1 y1 + x2 y2 então a esfera unitária é a circunferência de raio 1: Se a norma vier do produto interno euclidiano ponderado h x.5 Sejam x = (x1 .

112 Propriedades da norma Produto interno Para todo real k e todo v. d(v. vale a desigualdade jv wj kvk kwk . Para todo número real . w): Esta última desigualdade também recebe o nome de desigualdade triangular e é uma consequência da desigualdade triangular para a norma. v = w 3. d(v. pela propriedade (1) segue kv + wk 0: Elevando os dois membros da desigualdade ao quadrado. 1. d(v. 5. kvk 0 2. denominada de desigualdade de Cauchy-Schwarz.2 Desigualdade de Cauchy-Schwarz Sendo v e w dois vetores de um espaço vetorial real V com produto interno. kk vk = jkj kvk 4. kv + wk kvk + kwk : As três primeiras propriedades são consequências diretas das propriedades do produto interno. w) 0 2. kvk = 0 $ v = 0 3. b = 2v w e c = kvk2 : Este trinômio é maior ou igual a Notas de aula do Professor Faleiros kvk2 + 2 v w + 2 kv + wk2 = (v + w) (v + w) = v v + v w + w v + kwk2 0: 2 w w . w num espaço vetorial real V com produto interno. v) 4. 0 e O lado esquerdo desta desigualdade pode ser escrita na forma a 2 + b + c se de…nirmos a = kwk2 . Propriedades da distância 1. e só se. Passemos a demonstrá-la. w) d(v. u) + d(u. w) = d(w. d(v. w) = 0 se. A quarta propriedade é chamada de desigualdade triangular e será provada usando a desigualdade de Cauchy-Schwarz.

3 Ângulo entre dois vetores Se v e w forem dois vetores não nulos de um espaço vetorial real V. kx yk2 = 4x y yk2 = (x y) (x y) = kxk2 2x y + kyk2 1 kx + yk2 4 yk2 : 5. u)+d(u. b e c. wi kvk kwk Logo. w): Exemplo 5. obtemos a desigualdade triangular para a norma. obtemos 4(v w)2 4ac 113 0: Retornando aos valores originais 0 4 kvk2 kwk2 ou.5.9 Para qualquer par de ênuplas ordenadas x e y. ] para o qual hv. segue da desigualdade de Cauchy-Schwartz que hv. w) = kv wk = k(v u) (w u)k kv 1 kx 4 uk+ku wk = d(v. Desta desigualdade se deduz a desigualdade triangular para distâncias d(v.3 Ângulo entre dois vetores zero para todo real se e só se b2 de a. kx + yk2 = (x + y) (x + y) = kxk2 + 2x y + kyk2 e kx Logo. dividindo por 4 e extraindo a raiz quadrada. chegamos à desigualdade de Cauchy-Schwarz jv wj kvk kwk : A partir dela. vale x y= De fato. kx + yk2 provando a igualdade acima. existe um único número real 1: no intervalo [0. segue kv + wk2 = (v + w) (v + w) = v v + 2v w + w w kvk2 + 2 kvk kwk + kwk2 = (kvk + kwk)2 kvk2 + 2 jv wj + kwk2 e. wi = cos kvk kwk Notas de aula do Professor Faleiros . extraindo a raiz quadrada.

114 e Produto interno Este número real é chamado de ângulo entre os vetores v e w: Se hv.13 (de Pitágoras) Se v e w forem vetores ortogonais. wi = cos kvk kwk : Exemplo 5. qi = p(x)q(x) dx: 1 kv + wk2 = kvk2 + kwk2 : como kxk + x 2 2 2 = = x + x2 2 veri…ca-se que vale o teorema de Pitágoras para estes dois polinômios. B= 0 2 0 0 são ortogonais neste produto interno. então Exemplo 5. Tomando n = 2.12 O tr(A) designa o traço de uma matriz quadrada A: No espaço vetorial das matrizes reais quadradas de ordem n. Bi = tr(AT B) = tr(B T A) de…ne um produto interno. diremos que v e w são ortogonais. gi = 1 hv. vi = 0 para todo vetor v de V. Entretanto. como h0. Temos kv + wk2 = (v + w) (v + w) = v v+ 2 v w + w w = kvk2 + kwk2 . as matrizes A= 1 0 1 1 . em relação ao produto interno Z 1 hp. Notas de aula do Professor Faleiros Z Z 1 2 x dx 1 1 + Z 1 2 x dx 1 2 =0+ 4 9 2 (x + x2 ) dx 1 = 4 9 .14 O conjunto fx.11 Os polinômios x e x2 são ortogonais no produto interno Z 1 f (x)g(x)dx: hf. Teorema 5. a operação hA. wi = 0. pois u w = 0: Exemplo 5. x2 g é ortogonal no espaço vetorial dos polinômios reais de grau menor ou igual a 2. se diz que o vetor nulo 0 é ortogonal a todo vetor v de V: Exemplo 5.10 (Teorema de Pitágoras) Se v e w são vetores ortogonais então kv + wk2 = kvk2 + kwk2 : Prova. Não se de…ne ângulo entre dois vetores se um deles for o vetor nulo.

g f kv1 k kvn k é ortonormal. portanto. . vn g é um conjunto ortogonal de vetores não nulos de um espaço com produto interno. se c1 . : : : . Uma base formada por vetores ortonormais é chamada de base ortonormal. concluímos que c1 = c2 = = cn = 0. v3 g do R3 . 0). onde v1 = (0. multiplicando escalarmente os dois membros desta igualdade por vi . 0.15 O conjunto fv1 . v2 . Exemplo 5. 0. kv3 k = 2: O conjunto v2 v3 v1 . : : : .5. 1. Sendo fv1 . p (1. kv1 k kv2 k kv3 k é ortonormal. vn g um conjunto ortogonal de vetores que não contém o vetor nulo. : : : . então G é linearmente independente. 1) é ortogonal em relação ao produto interno euclidiano. : : : . 0). cn forem escalares tais que c1 v1 + + cn vn = 0. Exemplo 5. Se G = fv1 .4 Bases ortogonais e ortonormais 115 5. kv2 k = p 2. cn tais que Notas de aula do Professor Faleiros . v2 . 1 v2 = p (0. 2 1 v3 = p (0. 0. é uma base ortonormal do R3 : 5. que não contém o vetor nulo. vn g for uma base ortogonal de um espaço vetorial V com produto interno. 1) 2 = 1 1 (0. 0). então vn v1 . 1).4 Bases ortogonais e ortonormais Seja V um espaço vetorial real com produto interno. todo conjunto ortogonal com n vetores. 0. Um conjunto ortogonal no qual cada vetor tem norma 1 é chamado ortonormal. vi i = 0 o que implica em ci = 0: Como i é qualquer inteiro entre 1 e n.:::. 1). v2 = (1. existem escalares c1 . 1. 1) e v3 = (1. De fato. obtemos ci hvi .16 Os vetores v1 = (1. provando que G é linearmente independente. 0. : : : . é uma base de V: Uma base formada por vetores ortogonais é chamada de base ortogonal. Um conjunto de vetores de V é ortogonal se dois a dois os vetores deste conjunto são ortogonais. Suas normasp de…nidas pelo produto interno euclidiano são kv1 k = 1. 1. 1) 2 2 formam um conjunto ortonormal em relação ao produto interno euclidiano do R3 e. 1. p (1. Num espaço vetorial real V com produto interno e dimensão n. dado um vetor v em V.5 Coordenadas numa base ortogonal Se B = fv1 .

6 Produto interno numa base ortonormal Se B = fv1 . obtemos hv. c3 = hv.17 O conjunto B formado pelos vetores v1 = (0. v1 i v1 + kv1 k2 + hv. vi i uma vez que hvj . vi i = 0 para todo j 6= i: Explicitando ci . n vn . 0). 3 ). vn g for uma base ortonormal de V. 3) nesta base são 3 c1 = hv. vi i = ci hvi . v2 i = 4 + 9 = 1. e v. + ::: + n n 2 n n 2 n) + ::: + 2 1) + ::: + ( Notas de aula do Professor Faleiros . 0. v1 i = 2. 2. 0. v3 = ( 3 . vi i = hvi . 1. v3 i = 5 + 12 = 3 e. vi i hv. vn ivn : Exemplo 5. : : : . v2 = 4 ( 4 . 3): 5. 5 5 5 desta forma. wi = kvk2 = p d(v. n. 5 ) é uma base ortonormal do R3 em relação ao pro5 5 5 duto interno euclidiano. vi i kvi k2 Se a base for ortonormal. As coordenadas do vetor v = (1. v1 iv1 + + hv. w) = ( 1 1 1 2 1 + 1 v1 + 1 v1 + + n vn . para i = 1. v = 2v1 + v2 + 3v3 e o vetor das coordenadas de v na base B é (2. c2 = hv. então kvi k = 1 e v = hv. 2. segue ci = de onde se obtém v= hv. vn i vn : kvn k2 hv. 1. w dois vetores de V tais que v= w= então hv.116 Produto interno v = c1 v1 + + cn vn : Efetuando o produto interno de v com vi . : : : .

1. isto é. pertencer ao complemento ortogonal do espaço coluna de AT : Exemplo 5. 1) w3 = (1. 1) w2 = ( 1.5. rm as linhas de A que são as colunas de AT : A matriz coluna x pertence ao espaço nulo de A. 0. De fato. e só se. sejam r1 . o que equivale a hr1 . e só se. (W ? )? = W: *** Escrever a prova *** 4. Um vetor ortogonal a uma base de W é ortogonal a todo vetor de W: 3. Um vetor v de V é dito ortogonal a W se v for ortogonal a todos os vetores de W: O conjunto de todos os vetores de V ortogonais a W é denotado por W ? e chamado de complemento ortogonal de W: O complemento ortogonal de W é um subespaço vetorial de V: O espaço nulo f0g é o complemento ortogonal de V e vice-versa. 1. 0. Ax = 0. 2. xi = 0: Isto prova que x pertence ao núcleo de A se.7 Complemento ortogonal Seja W um subespaço de um espaço vetorial V com produto interno. 0. 1. 3. 2. 0.18 Seja W o subespaço do R5 gerado pelos vetores w1 = (2. 2. O único vetor comum a W e a W ? é o 0: 2. 0. Se a dimensão de W for …nita. se. r2 . 1. 1. 1) w4 = (0. : : : .7 Complemento ortogonal 117 5. 1) Vamos obter uma base para o complemento ortogonal de W: Dispomos os vetores como linhas de uma matriz 2 3 2 2 1 0 1 6 1 1 2 3 1 7 6 7: 4 1 1 2 0 1 5 0 0 1 1 1 1 0 0 0 O espaço nulo desta matriz é gerado pelo vetor 1 : Concluise que o complemento ortogonal de W é gerado pelo vetor (1. Propriedades do complemento ortogonal Seja W um subespaço de um espaço vetorial V com produto interno. xi = = hrm . Seja A uma matriz m n: Então o espaço nulo de A e o espaço coluna de AT são complementos ortogonais com relação ao produto interno euclidiano no espaço vetorial das matrizes coluna reais com n linhas. o complemento ortogonal de W ? é W. 1. 1. 0): Notas de aula do Professor Faleiros T .

vn ivn : Exemplo 5. v2 i x1 + 2x3 x2 + x3 hx. vn i vn hvn . o conjunto fv1 . v1 i v1 + v2 = (1. Notas de aula do Professor Faleiros . v2 g é uma base ortonormal de W: A projeção ortogonal de v = (1. 2) + (0. : : : . 1) (4=25. v2 i 5 2 1 = (2x1 + 4x3 . 1) em W é w = 1(0. 3=5) = 1=25(4. 1) é hx. v1 i v1 + hv1 . 1) hv1 . 1. 1.19 Considere no R3 o produto interno euclidiano. 0. 1. v1 i + hv. x2 . O operador T de…nido sobre V por T (v) = hv. vn i pertence a W e é denominado projeção ortogonal de v em W: O vetor u = v w pertence ao complemento ortogonal de W e é chamado de componente de v ortogonal a W: Estes vetores são tais que que v = u + w: Quando a base fv1 . : : : . 1. 1. 4x1 + 5x2 + 13x3 ): 10 Exemplo 5. vn i é linear e recebe o nome de projeção ortogonal sobre W: As projeções ortogonais são tais que T 2 = T: Transformações com esta propriedade são denominadas idempotentes ou projeções (não necessariamente ortogonais). 2) e v2 = (0. v1 i v1 + hv1 . 0.20 Seja W o subespaço do R3 gerado pelos vetores v1 = (0. v1 i hv2 . 0) e v2 = ( 4=5. 1. 5x2 + 5x3 . 0. 3=25) = 1=25(21. A projeção ortogonal de x = (x1 .118 Produto interno 5. vn i vn hvn . 25. 3) e o componente de v ortogonal a W é u=v w = (1. v1 iv1 + + hv. 0. v1 i + hv. 0. vn g uma base ortogonal de um subespaço W de um espaço vetorial real V com produto interno e v um vetor de V: O vetor w= hv. x3 ) no espaço gerado por v1 = (1. : : : . 0) 1=5( 4=5. 1. vn g de W for ortonormal.8 Projeção ortogonal Seja fv1 . então a projeção ortogonal de v em W é w1 = hv. 28): Seja fv1 . 3=5): Se considerarmos o produto interno euclidiano do R3 . vn g uma base ortogonal de um subespaço W de um espaço vetorial V com produto interno.

5.9 Obtendo bases ortogonais

119

Exemplo 5.21 Consideremos o R2 com o produto interno euclidiano. O eixo 1 é gerado por e1 = (1; 0) e o eixo 2 é gerado por e2 = (0; 1): Os operadores lineares T1 (x1 ; x2 ) = (x1 ; 0) e T2 (x1 ; x2 ) = (0; x2 ) são as projeções ortogonais nos eixos 1 e 2; respectivamente. A reta x2 = x1 é gerada pelo vetor v = e1 + e2 = (1; 1): O operador linear de…nido no R2 por T (x) = hx; (1; 1)i hx; vi v= (1; 1) hv; vi 2 1 (x1 + x2 ; x1 + x2 ) 2

é a projeção ortogonal na reta x2 = x1 : Sendo x = (x1 ; x2 ); obtemos T (x1 ; x2 ) =

Exemplo 5.22 Consideremos o R3 com o produto interno euclidiano. O plano 12 é gerado pelos vetores e1 = (1; 0; 0) e e2 = (0; 1; 0): O operador linear T12 de…nido em x = (x1 ; x2 ; x3 ) do R3 por T12 (x) = hx; e1 ie1 + hx; e2 ie2 = (x1 ; x2 ; 0) é a projeção ortogonal sobre o plano 12: As projeções sobre os planos 13 e 23 são, respectivamente, T13 (x1 ; x2 ; x3 ) = (x1 ; 0; x3 ) e T23 (x1 ; x2 ; x3 ) = (0; x2 ; x3 ) :

5.9

Obtendo bases ortogonais

Vamos descrever o processo de Gram-Schmidt, que permite obter bases ortogonais de espaços vetoriais de dimensão …nita. O nome é uma homenagem aos matemáticos que o desenvolveram: Jürgen Pederson Gram (dinamarquês, 1850 - 1916) e Erhardt Schmidt (alemão, 1876 - 1959). Este processo mostra como obter um conjunto ortogonal fw1 ; : : : ; wn g a partir de um conjunto linearmente independente qualquer fv1 ; : : : ; vn g: Comece de…nindo w1 = v1 : Em seguida tome w2 = v2 e escolha
12 12 w1

de modo que w2 se torne ortogonal a w1 : Se hw2 ; w1 i = 0; segue
12

=

hw1 ; v2 i hw1 ; w1 i
13 w1 23 w2

Em seguida, faça w3 = v3

Notas de aula do Professor Faleiros

120

Produto interno

e escolha 13 e 23 de modo a tornar w3 ortogonal a w1 e w2 : Aplicando estas duas condições, obtém-se
13

=

hw1 ; v3 i hw1 ; w1 i
1j w1

e

23

=

hw2 ; v3 i : hw2 ; w2 i
j 1;j wj 1

Continuando com este processo, de…na wj = vj
2j w2

e determine os escalares ij de modo a tornar wj ortogonal a wi ; para i = 1; 2; : : : ; j 1: Das condições de ortogonalidade obtemos
ij

=

hwi ; vj i hwi ; wi i

para i = 1; 2; : : : ; j 1: Usando este processo, chega-se a um vetor w1 que pertence ao espaço gerado por v1 ; chega-se a um vetor w2 que pertence ao espaço gerado por v1 e v2 : Continuando com o processo até a etapa j; chega-se a um wj que pertence ao espaço gerado por v1 ; v2 ; : : : ; vj : Para obter uma base ortonormal usando o processo de Gram - Schmidt, basta dividir cada vetor por sua norma q1 = w2 w3 w1 ; q2 = ; q3 = : kw1 k kw2 k kw3 k

O processo de Gram-Schmidt leva uma base fv1 ; : : : ; vn g em outra fq1 ; : : : ; qn g ortonormal de modo que, para todo k 1; fq1 ; : : : ; qk g é base do espaço gerado por fv1 ; : : : ; vk g e qk+1 é ortogonal ao espaço gerado por fv1 ; : : : ; vk g: Exemplo 5.23 Obtenha uma base ortogonal fw1 ; w2 ; w3 g do R3 a partir da base formada pelos vetores v1 = (1; 1; 1); v2 = (0; 1; 1); v3 = (0; 0; 1): Solução. Começamos por de…nir w1 = v1 = (1; 1; 1): Em seguida, toma-se w2 = v2 12 w1 ; onde 2 hw1 ; v2 i = ; 12 = hw1 ; w1 i 3 resultando que w2 = (0; 1; 1) Finalmente, w3 = v3
13 w1 23 w2

2 1 (1; 1; 1) = ( 2; 1; 1): 3 3

Notas de aula do Professor Faleiros

5.10 Decomposição QR onde
13

121

23

hw1 ; v3 i 1 = hw1 ; w1 i 3 hw2 ; v3 i 1=3 1 = = = hw2 ; w2 i 2=3 2 = 11 1 ( 2; 1; 1) = (0; 1; 1): 23 2

resultando em w3 = (0; 0; 1) 1 (1; 1; 1) 3

5.10

Decomposição QR

Sejam c1 ; : : : ; cn vetores coluna m 1 linearmente independentes. Consideremos no espaço das matrizes reais m n o produto interno hx; yi = xT y: Podemos, mediante a utilização do processo de ortogonalização de GramSchmidt, obter um conjunto ortonormal fq1 ; : : : ; qn g de vetores coluna m 1: Calcule inicialmente
11

= jjc1 jj

e

q1 =

1
11

c1

e depois faça o índice j percorrer os inteiros de 2 a n e calcule = hqi ; cj i j j = jjcj 1 qj = (cj
ij jj

para 1; j q1
1; j

i = 1; : : : ; j 1 j 1 ; j qj 1 jj
j 1;j

q1

qj 1 )

A divisão é possível pois jj é diferente de zero para j = 1; : : : ; n: O jj seria zero para algum j; apenas se a coluna cj for uma combinação linear das colunas c1 ; : : : ; cj 1 ; o que não é o caso, por hipótese. Explicitando cj ; obtemos c1 = c2 = c3 = . . .
11 q1 12 q1

+ 13 q1 +

22 q2 23 q2

+

33 q3

Notas de aula do Professor Faleiros

. cn ] uma matriz m n cujas colunas c1 . Teorema 5. . : : : . onde Q é uma matriz m n cujos vetores coluna formam um conjunto ortonormal e R é uma matriz n n triangular superior e invertível. c2 e c3 usando o processo de Gram-Schmidt obtendo os vetores coluna ortonormais 2 3 2 3 2 3 1 2 0 1 1 1 q1 = p 4 1 5 . cujas colunas são as matrizes q1 . n: Podemos então enunciar o teorema conhecido como teorema da decomposição QR. : : : .122 Produto interno Seja A = [c1 . : : : . . : : : . 0 0 . : : : . qn obtidas no processo de ortonormalização dos vetores coluna de A: Desta forma. yi = xT y: Uma matriz quadrada cujos vetores coluna formam um conjunto ortonormal são denominadas de matrizes ortogonais. . qn ] a matriz m n. uma vez que ii 6= 0 para i = 1. q2 = p 4 1 5 .25 Para obter a decomposição QR de 2 3 1 0 0 A=4 1 1 0 5 1 1 1 7 7 7 7: 7 5 ortogonalize seus vetores coluna c1 . Podemos realizar a fatoração A = QR. 2. A inversa de uma matriz ortogonal é ortogonal e o determinante de uma matriz ortogonal é igual a 1 ou 1: Exemplo 5. . Quando A for quadrada. que são invertíveis e sua inversa é a sua transposta. Q é quadrada e seus vetores coluna formam um conjunto ortonormal no produto interno hx. Seja Q = [q1 . A = QR onde2n 6 6 6 R=6 6 4 2 11 12 22 1n 2n 0 0 . q3 = p 4 1 5 : 3 1 6 2 1 1 formando a matriz p 1=p3 Q = 4 1=p3 1= 3 2 p 2= 6 p 1=p6 1= 6 3 0p 1= 2 5 p 1= 2 Notas de aula do Professor Faleiros . . 0 3 .. .24 Seja A uma matriz m n cujas colunas formam um conjunto linearmente independentes de matrizes. 3n nn é uma matriz triangular superior invertível. cn são linearmente independentes..

A inversa de uma matriz ortogonal é ortogonal. O determinante de uma matriz ortogonal é igual a +1 ou igual a 1: Exemplo 5. O produto de duas matrizes ortogonais é uma matriz ortogonal. c3 i p p 3 2 p 6 3 4p3 2p3 14 = 0 2 6 1p6 5 : 6 0 0 3 2 123 5.27 Seja A uma matriz real n n e hx. 2. c1 i hq1 .5. yi = xT y o produto interno euclidiano em Mn 1 (R): São equivalentes as seguintes a…rmações: 1. c2 i hq1 .11 Matriz ortogonal A 1 Uma matriz quadrada A é ortogonal quando = AT : As matrizes A= 14 7 2 3 2 6 3 2 6 3 6 2 5 3 e B= cos sen sen cos são ortogonais.11 Matriz ortogonal e a matriz dos coe…cientes obtidos do procedimento de Gram-Schmidt 2 3 hq1 . c3 i 0 hq2 . hAx. kAxk = kxk para qualquer x em Mn 1 (R): Notas de aula do Professor Faleiros 1 1 1 1 .26 A matriz 1 A= p 2 é ortogonal e det(A) = 1: Teorema 5. c2 i hq2 . A é ortogonal. yi para qualquer x e y em Mn 1 (R): 3. Ayi = hx. c3 i 5 R=4 0 0 hq3 .

c2 i = cT c2 : 1 em em 1 Prova. mostrando que A é ortogonal.28 Sejam B1 e B2 duas bases ortonormais de um espaço vetorial real V com dimensão …nita. Os vetores linha de A formam um conjunto ortonormal de M1 relação ao produto interno hr1 . . : : : . rn rT rn rT rn rT 1 2 n Esta igualdade matricial se veri…ca se. . M12 = [aij ] é a matriz de transição da base B1 para a base B2 e M21 = [bij ] é a matriz de transição da base B2 para a base B1 : Já se sabe que uma é a inversa da outra. segue (AT A I)y. Os vetores coluna de A formam um conjunto ortonormal de Mn relação ao produto interno hc1 . provando que M21 = M12 . e só se. ela é uma matriz ortogonal. podemos escrever os vetores de B2 como combinação linear dos vetores de B1 e os vetores de B1 como combinação linear dos vetores de B2 n n X X wj = aij vi e vj = bij wi : i=1 i=1 Neste caso. Notas de aula do Professor Faleiros . Para provar que 1 e 4 são equivalentes. Vamos provar que 2 implica em 1: Se hAx. Ayi = hx. vk i = i=1 i=1 T akj : Do mesmo modo se obtém bij = hwi . e só se. portanto. 1 T de onde se conclui que M12 = M12 : A inversa de M12 é sua transposta e. AAT = I: Esta igualdade se veri…ca se. rn as linhas de A. : : : . yi para qualquer x e y em Mn 1 (R). r2 i = r1 rT : 2 5. as linhas fr1 . vj i = aji . : : : . 3 2 r1 rT r1 rT r1 rT 1 2 n 6 r2 rT r2 rT r2 rT 7 1 2 n 7 6 6 . considere a igualdade AT A = I: Teorema 5. A matriz de transição da base B1 para a base B2 é ortogonal. rn g de A formarem um conjunto ortonormal de M1 n : Para provar que 1 e 5 são equivalentes. (AT A I)y = 0 ou (AT A I)y = 0: Como este sistema homogêneo de equações lineares deve ser satisfeito para todo y. 5 4 . e só se. . Sendo B1 = fv1 . : : : . 7=I . que serão as colunas de AT : A matriz A é ortogonal se. r2 . wn g as duas bases ortonormais de V. AT A = I. considere as linhas r1 . Prova. então x. M21 = M121 : Multiplicando escalarmente os dois lados P P da igualdade wj = n aij vi por vk chega-se a hwj . .124 Produto interno n 4. (AT A I)y = 0: Fazendo x = (AT A I)y. vn g e B2 = fw1 . vk i = n aij hvi . . .

w2 . v3 g uma base ortonormal de um espaço vetorial V de dimensão três com produto interno. w2 g são bases ortonormais do R2 em relação ao produto interno euclidiano. 4=5). v2 .5. Seja B1 = fv1 .11 Matriz ortogonal 125 Exemplo 5. v2 = (0. v2 g e B2 = fw1 . w1 = (3=5. Seja B1 = fv1 .. Como 3 w1 = v1 + 5 4 w2 = v1 5 4 v2 5 3 v2 . v2 g uma base ortonormal de um espaço vetorial V de dimensão dois com produto interno.30 Rotação em duas dimensões. Exemplo 5. w2 g de…nida por w1 = v1 cos + v2 sen w2 = v1 sen + v2 cos é ortonormal e a matriz de mudança da base B1 para a base B2 é a matriz ortogonal cos sen M12 = : sen cos Exemplo 5. w3 g de…nida por w1 = v1 cos + v2 sen w2 = v1 sen + v2 cos w3 = v3 é ortonormal e a matriz de mudança da base ortogonal 2 cos sen cos M12 = 4 sen 0 0 cujo determinante é igual a 1: B1 para a base B2 é a matriz 3 0 0 5 1 1 5 3 4 4 3 Notas de aula do Professor Faleiros . 3=5) os conjuntos B1 = fv1 . 5 a matriz de transição da base B1 para a base B2 é M12 = que é uma matriz ortogonal. w2 = (4=5.29 Sendo v1 = (1. 0). A base B2 = fw1 . 1). A base B2 = fw1 .31 Rotação em três dimensões.

126 Produto interno Exemplo 5. v2 .33 Rotação em três dimensões. v3 g uma base ortonormal de um espaço vetorial V de dimensão três com produto interno. vn g do subespaço W e um vetor genérico w = a1 v1 + + an vn em W: Que Notas de aula do Professor Faleiros . w três vetores de um espaço vetorial real V com produto interno. A base B2 = fw1 . w3 g de…nida por w1 = v1 cos v3 sen w2 = v2 w3 = v1 sen + v3 cos é ortonormal e a matriz de mudança da base B1 para a base B2 é a matriz ortogonal 2 3 cos 0 sen 0 1 0 5 M12 = 4 sen 0 cos cujo determinante é igual a 1: Exemplo 5. w2 .12 Mínimos quadrados Sejam u. v) < d(u. w2 . A base B2 = fw1 . v3 g uma base ortonormal de um espaço vetorial V de dimensão três com produto interno. Seja B1 = fv1 . : : : . w): Esta desigualdade é equivalente a ku vk < ku wk : Seja V um espaço vetorial real V com produto interno e W um subespaço de V com dimensão …nita. Vamos investigar qual é o vetor de W que está mais perto de um vetor x de V: Quando x está em W então ele é o vetor de W que está mais perto de x: Quando x não pertence a W. v2 . tomamos uma base ortonormal B = fv1 . v. Vamos dizer que o vetor v está mais perto de u do que o vetor w se d(u. Seja B1 = fv1 . w3 g de…nida por w1 = v1 w2 = v2 cos + v3 sen w3 = v2 sen + v3 cos é ortonormal e a matriz de mudança da base B1 para a base B2 é a matriz ortogonal 2 3 1 0 0 sen 5 M12 = 4 0 cos 0 sen cos cujo determinante é igual a 1: 5.32 Rotação em três dimensões.

: : : . no seguinte sentido kx projW xk < kx yk para todo vetor y em W distinto da projeção ortogonal de x sobre W: Notas de aula do Professor Faleiros ku yk2 = ku wk2 + ky wk2 yk2 = k(x w) (y w)k2 = ku . Calculando estas derivadas parciais e igualando a zero. an que possui um único valor mínimo que ocorre no ponto onde as derivadas parciais em relação às variáveis a1 . vn i + a2 + 1 + a2 n = kxk2 2hx. obtemos ai = hx. provamos o resultado que já havíamos provado usando o Cálculo Diferencial. Teorema 5. vale o wk2 + ky ku wk2 wk2 Como x w é ortogonal a todo vetor de W e y teorema de Pitágoras kx e obtemos pois ky wk2 0: Quando y é diferente de w. Sendo w a projeção ortogonal de x sobre W. kx yk2 = k(x w) (y w)k2 : w pertence a W. é a melhor aproximação de x em W. kx wk2 = hx w. vi i: w = hx. cometemos um êrro igual a x y: Quando x não está em W este erro é sempre diferente de zero. então ky wk2 > 0 e ku yk2 > ku wk2 : Portanto. Seja x um vetor de V: A projeção ortogonal de x sobre W. v1 i = kxk2 O vetor de W mais próximo de x é Esta é uma função quadrática em a1 .34 Seja W um subspaço de dimensão …nita de um espaço vetorial V com produto interno. Podemos dizer que a projeção ortogonal de x sobre W é a "melhor aproximação"de x por vetores de W e vale o teorema da melhor aproximação que é enunciado em seguida. vn ivn : Esta é a projeção ortogonal de x sobre W: Existe uma outra maneira de resolver esta questão usando métodos puramente algébricos. : : : . an forem iguais a zero. wi + kwk2 2a1 hx. an para w ser o vetor de W mais próximo de x? Ora.5. o vetor de W que está mais perto de x é a sua projeção ortogonal sobre W: Usando apenas procedimentos algébricos. v1 iv1 + + hx. Ao aproximar um vetor x de V por um vetor y de W.12 Mínimos quadrados 127 valores devemos atribuir aos reais a1 . que denotamos por projW x. : : : . x wi 2an hx.

kb Axk = kb projW bk < kb A yk para toda matriz coluna y para a qual Ay é diferente da projeção ortogonal de b sobre W: Como W é o espaço coluna de A. mais pobre é a aproximação x de uma solução do sistema. uma solução por mínimos quadrados de Ax = b é solução do sistema AT (b ou AT Ax = AT b que é chamado de sistema normal associado a Ax = b: Assim. mas que não o é porque "erros de medida"nas entradas de A e de b perturbem o sistema su…cientemente a ponto de criar inconsistência. Quando x for uma solução do sistema Ax = projW b então b Ax = b projW b e. yi = xT y: A quantidade kAx bk pode ser vista como uma medida do "erro"que resulta por considerar x uma solução aproximada do sistema Ax = b: Se o sistema é consistente e x é uma solução exata. Sendo A uma matriz m n e x uma matriz coluna n 1. Ax = b não possui solução mas o sistema Ax = projW b possui. pelo teorema da melhor aproximação. quanto maior o valor de kAx bk . o seu complemento ortogonal W T é o espaço nulo de AT : Estando b Ax no espaço nulo de AT . minimiza 1 m 2 2 2 kek = e1 + + em e daí segue o nome mínimos quadrados. Em tais situações procuramos um valor de x que chegue "tão perto quanto possível"de ser uma solução. o erro é zero. todas as suas soluções são soluções de mínimos quadrados de Ax = b: Notas de aula do Professor Faleiros Ax) = 0 . 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 = (e2 + + e2 )1=2 . é consistente e pode ter in…nitas soluções. no sentido que minimiza o valor de kAx bk em relação ao produto interno euclidiano de…nido no espaço das matrizes coluna reais por hx. pois kAx bk = 0: Em geral. Observe que o sistema normal envolve n equações em n variáveis. sabemos que Ax é uma combinação linear das coluna 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. Quando este for o caso.13 Soluções de mínimos quadrados É muito comum que alguns problemas físicos leve a um sistema Ax = b que deveria se consistente em teoria. o problema de encontrar uma solução de mínimos quardados foi reduzido a um outro que consiste em encontrar uma solução exata do sistema normal associado.128 Produto interno 5.

então a projeção ortogonal de b em W é projW b = Ax: Teorema 5. se W é o espaço coluna de A e x é qualquer solução de mínimos quadrados de Ax = b. As soluções de mínimos quadrados de Ax = b são melhor computadas por eliminação gaussiana ou eliminação de GaussJordan 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. Ax só pode ser o vetor nulo. x = 0: Mostramos que o sistema AT Ax = 0 possui apenas a solução trivial x = 0: Portanto. Ax = 0: Como os vetores coluna de A são linearmente independentes. consequentemente. calcula-se Ax que é a projeção ortogonal de b sobre o espaço coluna de A: Notas de aula do Professor Faleiros .5. então Ax está no espaço nulo de AT e no espaço coluna de A: Como um é o complemento ortogonal do outro.35 6. Se os vetores coluna de A forem linearmente dependentes. mas não são e…cientes para cálculos numéricos. então a projeção ortogonal de b em W é 1 T projW b = Ax = A AT A A b: As duas fórmulas acima possuem várias aplicações teóricas. o sistema normal associado AT Ax = AT b é consistente e todas as soluções do sistema normal são soluções de mínimos quadrados de Ax = b: Além disso. Prova.13 Soluções de mínimos quadrados Podemos então enunciar 129 Teorema 5. Teorema 5. AT A é singular. a matriz quadrada AT A é invertível.2 Para qualquer sistema linear Ax = b. o sistema linear Ax = b tem uma única solução de mínimos quadrados. então para cada matriz b de tamanho n 1.37 Se A é uma matriz m n com vetores coluna linearmente independentes. se W é o espaço coluna de A. Se os vetores coluna de A forem linearmente independentes e x for solução do sistema AT Ax = 0.36 Seja A uma matriz m n: Os vetores coluna de A são linearmente independentes se e só se AT A for invertível. AT Ax = 0: Portanto. isto é. existe x não nulo tal que Ax = 0 e. Esta solução é dada por 1 T x = AT A A b: Além disso.4.

39 Encontrre a projeção ortogonal do vetor u = ( 3. Forme a matriz A cujas colunas são formadas pelas entradas de u1 . 2. 2. Poderíamos resolver este problema ortonormalizando fu1 . Entretanto. no subespaço do R4 gerado pelos vetores u1 = (3. 1): 3. 0. Aqui.130 Produto interno Exemplo 5. u2 e u3 e a matriz coluna b formada pelas entradas de u 2 3 2 3 3 1 1 3 6 1 2 6 3 7 0 7 7 7 A=6 e b=6 4 0 1 4 8 5: 2 5 1 1 1 9 Notas de aula do Professor Faleiros . a solução de mínimos quadrados é única. u2 = (1. 1. u3 = ( 1. 9) Resolução. 1). u3 g e depois usar a fórmula da projeção ortogonal. o método a seguir é mais e…ciente. 1). 1.38 Encontre a solução de mínimos quadrados do sistema linear Ax = b dado por x1 + x2 = 4 3x1 + 2x2 = 1 2x1 + 4x2 = 3 e obtenha a projeção ortogonal de b no espaço coluna de A: Resolução. portanto. 1 4 3 A= 2 2 3 1 2 5 4 e 3 4 b = 4 1 5: 3 2 Os vetores coluna de A são linearmente independentes e. Temos AT A = 14 3 3 21 e AT b = 1 10 e a solução de AT Ax = AT b é x1 = 17=95 e x2 = 143=285: A projeção ortogonal de b no espaço coluna de A é 2 3 92 1 4 439 5 : Ax = 285 470 Exemplo 5. u2 . 0. 8.

5. 4. u2 . que denotaremos por W. Exemplo 5. então b Ax é ortogonal ao espaço coluna de A e está no espaço nulo de AT : Isto signi…ca que AT (Ax b) = 0: Sendo 2 3 2 3 11 6 4 3 0 5 AT A = 4 6 7 e AT b = 4 8 5 4 0 6 10 construímos o sistema normal AT Ax = AT b cuja solução é 2 3 1 x = 4 2 5: 1 A projeção ortogonal de b no espaço coluna de A é 2 3 2 3 3 1 1 2 1 6 1 2 6 0 74 6 7 2 5=6 projW b = Ax = 4 4 0 1 2 5 1 1 1 1 projW u = ( 2. 0): e assim a projeção de u no espaço gerado por fu1 .40 Se W é um subespaço de Rn .41 A matriz da projeção ortogonal de R3 sobre o plano xy é 2 3 1 0 0 [P ] = 4 0 1 0 5 : 0 0 0 Notas de aula do Professor Faleiros . a transformação P : Rn ! Rn que leva cada vetor x em Rm em sua projeção ortogonal projW x em W é chamada projeção ortogonal de Rm sobre W: A matriz canônica para a projeção ortogonal de Rn sobre W é [P ] = A(AT A) 1 AT onde A é construída usando qualquer base de W para vetores coluna.13 Soluções de mínimos quadrados 131 O sistema Ax = b não possui solução pois b não está no espaço coluna de A: Se Ax for a projeção ortogonal de b no espaço coluna de A. u3 g é 3 2 3 7 7 4 5 0 De…nição 5. 3.

0) e (0. O vetor direcional da reta é v = (cos . considerando que AT A é a matriz identidade de tamanho 1 [P ] = AAT = cos sen cos sen = cos2 cos sen cos sen sin2 5. Teorema 5.14 Teorema sobre matriz inversível Vamos resumir neste teorema as condições sob as quais uma matriz A de tamanho n n é invertível. Este é o teorema 6.132 Produto interno Vamos mostrar que esta matriz é compatível com a fórmula [P ] = A (AT A) 1 AT : Os vetores (1. 0) geram o plano xy: Com eles formamos a matriz A.42 Obtenha a matriz canônica da projeção ortogonal P de R2 sobre a reta r que passa pela origem e faz um ângulo com o eixo x positivo. sen ) e fvg é base do subespaço sobre o qual desejamos efetuar a projeção. 1 AT = AAT Exemplo 5. cujas colunas são as entradas destes dois vetores 2 3 1 0 A=4 0 1 5 0 0 onde observamos que AT A = I: Vamos calcular [P ] = A (AT A) 2 3 2 3 1 0 1 0 0 1 0 0 [P ] = 4 0 1 5 =4 0 1 0 5 0 1 0 0 0 0 0 0 que confere com o valor de [P ] posto no início.5 do livro de Anton e Rorres de onde foram retiradas algumas redundâncias. Notas de aula do Professor Faleiros . 2. A é inversível. 0. calculamos e. Ax = 0 admite apenas a solução trivial. Formamos a matriz A= cos sen 1.43 A…rmações equivalentes sobre a inversibilidade de uma matriz quadrada A: Seja A uma matriz real n n: As a…rmações abaixo são equivalentes: 1. 1.4.

Notas de aula do Professor Faleiros . O complemento ortogonal do espaço nulo de A é o Rn : 15. Os vetores coluna de A são linearmente independentes. A é igual a um produto de matrizes elementares. 5.14 Teorema sobre matriz inversível 3. Os vetores linha de A geram M1 n (R): 12. Os vetores linha de A formam uma base do M1 n (R): 14. AT A é inversível. det(A) 6= 0: 8. 10. A forma escalonada reduzida por linhas de A é a matriz identidade. Os vetores coluna de A geram Mn 1 (R): 11. Os vetores linha de A são linearmente independentes.5. Ax = b tem exatamente uma solução para cada matriz b de tamanho n 1: 7. 9. Os vetores coluna de A formam uma base do Mn 1 (R): 13. Ax = b é consistente para cada matriz b de tamanho n 1: 133 6. 4. O complemento ortogonal do espaço linha de A é o f0g: 16.

134 Produto interno Notas de aula do Professor Faleiros .

O conjunto das matrizes complexas m n será denotado por Mm n (C): As de…nições de igualdade de matrizes e as operações de adição e multiplicação de matrizes permanecem inalteradas. As propriedades de todas essas operações permanecem válidas. de tamanho n 1.Capítulo 6 Autovalores e autovetores Neste capítulo vamos considerar que as entradas das matrizes podem ser números complexos. det( I n: O sistema linear acima possui A) = 0: Notas de aula do Professor Faleiros . para a qual Ax = x: Tais matrizes não nulas x para as quais Ax = x são denominadas de autovetores de A associados ao autovalor : Sendo x um autovetor de A associado ao autovalor . O conjunto Mm n (C) com as operações de adição de matrizes e multiplicação de um escalar por uma matriz é um espaço vetorial complexo. Desejando destacar que as entradas de uma matriz são números complexos. chame-a de matriz complexa. muitos exemplos apresentados neste capítulo envolverão matrizes reais. e só se.1 Autovalor e autovetor de uma matriz Seja A uma matriz complexa n n: Um número complexo é um autovalor de A se houver uma matriz coluna complexa não nula x. Aqui cabe comentar que um número real é um número complexo com a parte imaginária igual a zero. 6. A de…nição de multiplicação de um escalar por uma matriz será mantida com a ressalva de que o escalar pode ser um número complexo. (A I)x = 0 onde I é a matriz identidade de tamanho n solução não trivial se. Consequentemente.

que neste caso é 3 2 3 2 32 0 1 0 2 x1 4 1 1 5 4 x2 5 = 4 0 5 : 1 0 1 0 2 x3 e calculamos sua solução geral. obtido um autovalor . o autovetor x não é único.1 O polinômio característico det( I 2 3 0 0 2 1 5 A=4 1 2 1 0 3 A) da matriz é 3 5 2+8 4 e suas raízes são 1 = 1 e 2 = 2: Para determinar os autovetores correspondentes a 1 = 1. . então x também é um autovetor correspondente a . primeiro determine as raízes do seu polinômio característico. que são os autovalores de A: Para cada autovalor encontrado. O autoespaço é um subespaço vetorial de Mn 1 : Exemplo 6. Para determinar os autovalores de uma matriz A. Os autovetores associados ao autovalor são os vetores não nulos do núcleo de A I: O núcleo da matriz A I é chamado de autoespaço de A correspondente ao autovalor : O autoespaço de uma matriz A de tamanho n n. qualquer solução não trivial de (A I)x = 0 é autovetor de A correspondente a : Deste modo. correspondente ao autovalor . para todo não nulo. que é gerada por v3 = 2 1 1 T : T 2 1 1 Todo autovetor de A correspondente ao autovalor 1 = 1 é da forma onde é um escalar não nulo. Como ele pertence ao núcleo do operador A I que é singular. O autoespaço de A correspondente ao autovalor T 2 1 1 . é f x 2 Mn 1 : (A I)x = 0 g: e pelo Ele é formado pelos autovetores de A correspondente ao autovalor vetor nulo. resolva a equação homogênena (A I)x = 0 que terá soluções não triviais. montamos o sistema homogêneo (A 1 I)x = 0. onde é um escalar 1 = 1 é formado pelos vetores da forma Notas de aula do Professor Faleiros . sendo x um autovetor correspondente a .136 Autovalores e autovetores Esta é uma equação polinomial em chamada de equação característica de A: O polinômio det( I A) possui grau n em e recebe o nome de polinômio característico de A: Observe que.

6. então P x é autovetor de B correspondente ao autovalor : Se y é autovalor de B correspondente ao autovalor . o sistema homogêneo (A 1 I)x = 0 é 2 32 3 2 3 2 0 2 x1 0 4 1 0 1 5 4 x2 5 = 4 0 5 1 0 1 x3 0 e sua solução geral é gerada por 2 3 1 v1 = 4 0 5 1 3 0 v2 = 4 1 5 : 0 2 e Toda matriz da forma c1 v1 + c2 v2 está no autoespaço de A correspondente ao autovalor 2 = 2: Os vetores não nulos deste autoespaço são autovetores de A correspondente ao autovalor 2: Observe que 2 = 2 é uma raiz dupla do polinômio característico e seu autoespaço tem dimensão 2: Conhecendo a relação 1 . Se x é autovetor de A correspondente ao autovalor . Se A e B forem matrizes semelhantes. k : A dimensão do autoespaço de A correspondente a um determinado autovalor é chamada de multiplicidade geométrica do autovalor : No exemplo anterior. 2 . Observe que 1 = 1 é uma raiz simples do polinômio característico e o autoespaço correspondente a este autovalor tem dimensão 1: Para o autovalor 2 = 2. pode-se fatorar o seu polinômio característico. os mesmos autovalores. k de todos os autovalores distintos de A. a multiplicidade algébrica de 1 = 1 é igual a 1 e sua multiplicidade geométrica também é igual a 1: Para o autovalor 2 = 2. : : : . então P 1 y é autovetor de A correspondente ao autovalor : Notas de aula do Professor Faleiros . consequentemente.2 A multiplicidade geométrica de um autovalor é sempre menor ou igual à sua multiplicidade algébrica. : : : . en são as multiplicidades algébricas dos autovalores 1 . 2 . de modo que det( I A) = det( P 1 IP P 1 BP ) = det(P 1 ( I = det(P 1 ) det( I B) det(P ) = det( I B)P ) B). : : : .1 Autovalor e autovetor de uma matriz 137 qualquer. escrevendo-o na forma det( I A) = ( e1 1) ( e2 2) ( ek k) Os expoentes e1 . então existe P invertível tal que A = P 1 BP. e2 . mostrando que matrizes semelhantes possuem o mesmo polinômio característico e. sua multiplicidade algébrica e geométrica são ambas iguais a 2: Teorema 6.

v2 = 4 2 3 5 . : : : .2 Autovalor e autovetor de um operador linear Seja V um espaço vetorial complexo e T : V ! V uma transformação linear. pode ter um autovalor complexo. Isto ocorre quando o polinômio característico possuir raiz complexa. os autovetores também serão complexos. 2 = 2+ 3.7 Determine os autovalores e autovetores da matriz A = : 6.138 Autovalores e autovetores 2 3 0 1 0 0 1 5é 3 8 2 Exemplo 6. v3 = 4 2 + 3 5 : 16 1 1 Exemplo 6. Um número complexo é um autovalor de T se houver um vetor v não nulo. Se [T ] = [aij ] for a matriz Notas de aula do Professor Faleiros .6 Os autovalores de A = 2 5 1 2 são i e i: 3 8 0 1 Exemplo 6. 2=3 e 1=4 n for triangular su- 1=2 0 4 1 2=3 Exemplo 6. Exemplo 6. neste caso. vn g uma base de um espaço vetorial complexo V com dimensão …nita e T : V ! V um operador linear. 2 e 3 são. respectivamente. tal que T v = v: Os vetores não nulos v para os quais T v = v são denominados de autovetores de T associados ao autovalor : Seja B = fv1 . mesmo real. 3 = 2 A: Os autovetores correspondentes a 1 .3 O polinômio característico de A = 4 0 4 17 8 p p 3 são os autovalores de 17 4 = 0 e suas raízes 1 = 4.4 Se uma matriz A = [aij ] de tamanho n perior ou inferior então seu polinômio característico é ( a11 )( a22 ) 2 ( ann ) 3 0 0 5 são 1=2.5 Os autovalores de A = 5 8 1=4: Uma matriz. múltiplos de p 3 p 3 2 2 3 2 1 7+4 3 7 4 3 p p v1 = 4 4 5 .

é autovalor de uma transformação linear T se e só se for autovalor da matriz de T numa base B de V e v é um autovetor de T se e só se sua matriz x na base B for autovetor de A: Ao inclui o vetor nulo no conjunto de todos os autovetores de um operador T correspondentes ao seu autovalor . . 76 .6. n: Estas n igualdades escalares corresponde à igualdade matricial 2 32 3 2 3 a11 a1n x1 x1 6 . . x1 + 2x2 + x3 . 5 4 . x1 + 3x3 ): A matriz de T em relação à base canônica do R3 é 2 3 0 0 2 1 5 [T ] = 4 1 2 1 0 3 1 n X j=1 aij xj = n X i=1 xi cujos autovalores são a 1=1é =1e 2 = 2: Uma base do autoespaço de [T ] associado 2 1 1 T v3 = : =2é 0 1 0 T e uma base do autoespaço de [T ] associado a v1 = 1 0 1 T 2 e v2 = Notas de aula do Professor Faleiros . então T (vj ) = n aij vi : Sendo v = x1 v1 + + xn vn um i=1 autovetor de T associado a . . obtemos o autoespaço de T correspondente ao autovalor : Exemplo 6.2 Autovalor e autovetor de um operador linear 139 P de T na base B. . 5 . am1 amn xn xn que se resume a [T ]x = x onde x é a matriz de coordenadas de v na base B: Logo.8 Encontre os autovalores e os autoespaços do operador linear T : R3 ! R3 de…nido por T (x1 . x3 ) = ( 2x3 .. : : : . 4 . x2 . . 7 . então T (v) = v e ! ! ! n n n n n n n X X X X X X X xi vi = T xj vj = xj T (vj ) = xj aij vi = aij xj vi i=1 j=1 j=1 j=1 i=1 i=1 j=1 ou para j = 1. 7 = 6 . . 54 .

140 Autovalores e autovetores A base do autoespaço de T associado a 1 = 1 é formada pelo vetor ( 2. então p( ) é autovalor de p(A): Se x for autovetor de A correspondente ao autovalor . então x é autovetor de p(A) correspondente ao autovalor p( ): 2 3 2 3 1 0 5 e 4 1 5 são autovetores de A = 0 1 0 Exemplo 6. Exemplo 6. então p(A)x = p( )x e podemos a…rmar que. se for autovalor de A. 1) e (0.9 Considere o operador linear T : R3 ! R3 de…nido por T (x1 . 0): 6. x1 + 3x3 ): Encontre uma base de R3 em relação à qual a matriz de T é diagonal. se x for autovetor de A correspondente a . 1.3 Potências de matrizes *** Seja A uma matriz quadrada e k um número inteiro positivo. 1. x2 . estes mesmos vetores são 1 0 3 autovetores de A7 correspondentes ao autovalor 27 : Notas de aula do Professor Faleiros . x2 . x3 ) = ( 2x3 . se x for autovetor de A correspondente a e p(t) for um polinômio. De…nimos A0 = I e Ak = (Ak 1 )A: Se Ax = x então A2 x = 2 x: Logo. x1 + 2x2 + x3 . x3 ) = (x1 . 1) e uma base do autoespaço de T associado a 2 = 2 é formada pelos vetores ( 1.11 Os vetores coluna 4 2 3 0 0 2 4 1 2 1 5 correspondentes ao autovalor 2: Logo.10 Determine os autovalores e autovetores da transformação linear T (x1 . então x é autovetor de A2 correspondente a 2 : Podemos ir além. x2 . 0. 0): Exemplo 6.

A é diagonalizável.4 Diagonalização De…nição 6. n.13 Seja A uma matriz n seguem: 1.14 Para diagonalizar a matriz 2 3 0 0 2 1 5. pn . v2 = 4 0 5 e v3 = 4 1 5 : 1 1 0 O primeiro autovetor corresponde ao autovalor 1 = 1 e os outros dois a 2: Formamos com eles a matriz 2 3 1 0 2 1 5 P =4 0 1 1 0 1 Notas de aula do Professor Faleiros 2 = . : : : . : : : . A=4 1 2 1 0 3 n determinamos as raízes da sua equação característica ( 1)( 2)2 = 0 para obter os autovalores 1 = 1 e 2 = 2: Resolvendo a equação (A i I)x = 0. são equivalentes as a…rmações que 3. Dizemos que a matriz P diagonaliza A: Teorema 6.6. A matriz P 1 AP será diagonal e os elementos da diagonal serão exatamente os autovalores de A: Exemplo 6.4 Diagonalização 141 6. A possui n autovetores linearmente independente. obtemos os autovetores 2 3 2 3 2 3 2 1 0 v1 = 4 1 5 . O teorema anterior sugere um procedimento para diagonalizar uma matriz 1. para 1 e 2 . 2. Para uma matriz n n possuir n autovetores linearmente independentes.12 Uma matriz A é diagonalizável se existir uma matriz invertível P tal que P 1 AP é uma matriz diagonal. Encontre n autovetores linearmente independente p1 . a multiplicidade geométrica de cada autovalor de A deve ser igual à sua multiplicidade algébrica. 2. p 1 : : : pn cujas colunas são formadas pelos 1. Forme a matriz P = autovetores.

que são 2 3 2 3 1 0 4 1 5 4 0 5: e v2 = v1 = 1 1 Como A possui apenas dois autovetores linearmente independente. Pode-se veri…car que A não é diagonalizável analisando os postos das matrizes A 1I e A 2 I: Como o posto da matriz (A 1 I) é igual a 2. : : : . sua nulidade é igual a 1. Notas de aula do Professor Faleiros . Teorema 6. ela não é diagonalizável. formado por autovetores de A correspondentes a autovalores distintos é linearmente independente. Provemos então que todo conjunto fv1 . vr g. Prova. um único autovetor linearmente independente. Como o posto da matriz (A 2 I) é igual a 2.16 Um conjunto formado por autovetores correspondentes a autovalores distintos é linearmente independente. mostrando que as bases do autoespaço de A correspondente a 2 possui um único autovetor. Um conjunto fvg com um único autovetor é linearmente independente pois v 6= 0: Vamos supor. mostrando que as bases do autoespaço de A associado a 1 possui um único autovetor. : : : . associados a cada um deles. sua nulidade é igual a 1.15 A matriz A=4 2 3 1 0 0 1 2 0 5 3 5 2 não é diagonalizável pois ela possui dois autovalores 1 = 1 e 2 = 2 e. que todo conjunto de autovetores fv1 . v2 e v3 e calculamos sua inversa 2 3 1 0 2 1 5: P 1=4 1 1 1 0 1 A matriz 3 2 0 0 P 1 AP = 4 0 2 0 5 0 0 1 2 é diagonal e os elementos da diagonal principal são os autovalores de A: Exemplo 6. vk g formado por autovetores correspondentes a autovalores distintos é linearmente independente. A possui no máximo dois autovetores linearmente independentes. Logo.142 Autovalores e autovetores cujas colunas são v1 . com 1 6 r < k. como hipótese de indução.

17 Sejam 1 . cujas colunas são autovetores de A tal que 2 3 4 0p 0 0p 5 P 1 AP = 4 0 2 + 3 0 0 2 3 2 Matrizes triangulares superiores ou inferiores com entradas distintas na diagonal principal são diagonalizáveis.19 A matriz A = 4 0 4 17 8 p p 3: Portanto.4 Diagonalização 143 Sejam c1 . 2 3 1 2 4 0 6 0 3 1 7 7 7 é diagonalizável pois posExemplo 6. chega-se a c1 ( 1 k )v1 + + ck 1 ( k 1 k )vk 1 = 0: Da independência linear de fv1 .18 Se uma matriz A de tamanho n tos. 3 0 1 0 0 1 5 possui três autovalores distinExemplo 6. por k : Subtraindo um resultado do outro. segue c1 ( 1 k )v1 + + ck 1 ( k 1 k )vk 1 + ck ( k k )vr+1 = 0: Sendo nula a última parcela. n tem n autovalores distin- Prova. 2 = 2 + 3 e 3 = 2 uma matriz P. Se A tem n autovalores distintos. : : : . 2 . : : : . vk g: Nota 6. A é diagonalizável. : : : . Teorema 6. : : : . como vk 6= 0. 1 = 4. a dimensão do auto-espaço correspondente ao autovalor i pode ser maior do que 1: Seja Bi uma base do auto-espaço correspondente ao autovalor i : A união de todas as bases Bi é um conjunto linearmente independente. segue que ck = 0. A é diagonalizável e existe tos. então possui n autovetores linearmente independentes e. consequentemente. vk 1 g e sendo os autovalores distintos. k os autovalores distintos de uma matriz A de ordem n: Para cada inteiro i entre 1 e k.6. portanto. Notas de aula do Professor Faleiros . em seguida.20 A matriz A = 6 4 0 0 5 8 5 0 0 0 2 sui quatro autovalores distintos e. o que prova a independência linear de fv1 . concluímos que c1 = = cr = 0: Daí. ck escalares tais que c1 v1 + + ck vk = 0: Multiplique esta equação inicialmente por A e. então A é diagonalizável. quatro autovetores linearmente independentes.

então Bk = P e. . 0 0 0 . . .21 Calcule A13 3 0 0 2 onde A = 4 1 2 1 5 : 1 0 3 7 7 7 P: 5 Notas de aula do Professor Faleiros . . . 0 0 0 ::: ::: .. então 2 6 6 6 4 7 7 7 P: 5 3 g(A) = P 1 g(D)P = P 1 g( 1 ) 0 ::: 0 0 g( 2 ) : : : 0 . 0 . .5 Potência de uma matriz n. 7: .. 5 . k n 3 Sendo g(t) um polinômio. de…nimos A0 como sendo a matriz identiAk = A k 1 A Se A é uma matriz quadrada n dade e para todo número inteiro k > 0: Se P for invertível e B = P 1 AP. 4 . 6 0 6 Neste caso. g(B) = P 1 1 1 Ak P g(A)P Sendo A diagonalizável.144 Autovalores e autovetores 6. existe P invertível e D diagonal tais que A = P DP e Ak = P 1 Dk P: 2 3 0 ::: 0 1 6 0 0 7 2 ::: 6 7 Quando D é diagonal. 0 0 0 g( n ) 2 Exemplo 6. . .. . 0 . 4 . . Dk = 6 . . . sendo g(t) um polinômio. 0 k 2 k 1 0 k 2 0 0 ::: ::: . . .. . . . . 0 0 0 . ela é uma matriz da forma 6 . 3 0 0 0 n k n 7 7 7e 5 2 6 6 6 4 k 1 0 k 2 A =P 1 D P =P k 1 0 .

Os autovalores de A são reais. y i = h x. então h Ax. Teorema 6. 3.22 Seja A uma matriz simétrica n 1. Esta matriz diagonaliza a matriz A: A matriz P T AP é diagonal. Passo 4. vamos considerar o produto interno euclidiano h x. Se diz neste caso que P diagonaliza A ortogonalmente.6 Diagonalização ortogonal 145 6. Divida cada vetor dessas bases pelas suas normas para obter bases ortonormais dos auto-espaços. quando A for simétrica.6. y i = x. então A é simétrica. 4. A recíproca também é verdadeira. Forme a matriz P cujas colunas são os autovetores ortonormais obtidos. Autovetores da A correspondentes a autovalores distintos são ortogonais. h Ax. Passo 3. Ay i : Uma matriz quadrada A é ortogonalmente diagonalizável se existir uma matriz ortogonal P tal que D=P 1 AP = P T AP é uma matriz diagonal. 2. siga os seguintes passos: Passo 1. AT y : e. A é ortogonalmente diagonalizável Para diagonalizar uma matriz simétrica. y i = xT y onde x e y são matrizes coluna em Mn 1 (R): Se A é uma matriz quadrada de tamanho n. Encontre uma base de cada auto-espaço de A: Passo 2.6 Diagonalização ortogonal No espaço vetorial das matrizes coluna reais com n linhas. Use o processo de ortogonalização de Gram-Schmidt para obter uma base ortogonal de cada auto-espaço. Se A for ortogonalmente diagonalizável. A possui um conjunto ortonormal de n autovetores. Notas de aula do Professor Faleiros n: . como se enuncia no próximo teorema.

23 Os autovalores de 3 4 2 2 A=4 2 4 2 5 2 2 4 2 Autovalores e autovetores são 1 = 2 e 2 = 8: O autovalor 1 = 2 possui multiplicidade algébrica 2 e seu autoespaço é gerado pelos autovetores 2 2 3 3 2 1 1 1 v1 = p 4 1 5 e v2 = p 4 1 5 : 2 6 0 2 Eles já foram ortonormalizados pelo processo de Gram-Schmidt. possui multiplicidade algébrica 1 e seu autoespaço é gerado por 2 3 1 1 4 5 1 : v3 = p 3 1 p p 3 1=p6 1=p3 1=p6 1=p3 5 : 2= 6 1= 3 A matriz P que diagonaliza A é p 2 1=p2 P = 4 1= 2 0 Notas de aula do Professor Faleiros .146 Exemplo 6. O autovalor 2 = 8.

F. Figueiredo e H. 1970. Álgebra Linear. Boldrini. David Poole (Foi traduzido). A. Bernard Kolman. 1990. [Lipschutz] Seymour Lipschutz. 2004. Editora LTC. 1980 C. Serge Lang. Domingues e R. segunda edição. Editora HARBRA Ltda. Daniel. Dover publications. Ho¤mann & Kunze. Linear Algebra and Matrix Theory. Wetzler. Álgebra Linear. [NobDan] [Poole] Ben Noble & James W. C. segunda ed. Álgebra Linear Aplicada. Costa. Introdução à Álgebra Linear com Aplicações. Franklin. Terry Lawson. Editora Edgard Blücher. Mathematica Labs for Linear Algebra. Joel N. V. sexta edição.. [Nering] Evar D. H.Referências Bibliográ…cas [BoCoFi] [CaDoCo] [Franklin] [Ho¤man] [Kolman] [Lang] [Lawson] J. Makron Books. L. Editora da USP com Editora Polígono. Maple Labs for Linear Algebra. Callioli. Nering. H. R. Editora Atual. Acompanham este livro: Matlab Labs for Linear Algebra. Brooks Cole 2005. G. Linear Algebra: A Modern Introduction (with CD-ROM) 2ed. Costa. Guanabara Koogan. sexta edição. 1998. Terceira Edição. Coleção Schaum. Editora Edgard Blücher. Álgebra Linear. Keith Nicholson. Inc. S. Matrix Theory. Notas de aula do Professor Faleiros . [Nicholson] W. 1997. John Wiley & Sons. 1986. L. McGraw-Hill. Álgebra Linear e Aplicações. Álgebra Linear. I. 1993. Álgebra Linear. Álgebra Linear.

Notas de aula do Professor Faleiros . Álgebra Linear com Aplicações. oitava edição. 1997. 2001. Numerical Linear Algebra. Lloyd N.148 [RoAn] [TrefBau] REFERÊNCIAS BIBLIOGRÁFICAS Chris Rorres e Howard Anton. Trefethen and David Bau III. SIAM. Society for Industrial and Applied Mathematics. Editora Bookman.

Sign up to vote on this title
UsefulNot useful

Master Your Semester with Scribd & The New York Times

Special offer: Get 4 months of Scribd and The New York Times for just $1.87 per week!

Master Your Semester with a Special Offer from Scribd & The New York Times