1

ALAp 2 - Matrizes com entradas Reais

As aplicações da Álgebra linear dependem fundamentalmente de manipulações algébricas com matrizes.
Sobretudo na implementação computacional de métodos da Álgebra Linear. Este capítulo está destinado a
familiarizá-lo com as propriedades algébricas das matrizes. Poderíamos trabalhar a teoria de modo a admitir
que as matrizes fossem formadas com entradas em C (conjunto dos números complexos) ou apenas em Q
(conjunto dos números racionais), ou até mesmo com quocientes de polinômios. Tudo neste capítulo,
essencialmente, permanece válido nestes casos. Mas achamos melhor fixar idéias estudando apenas matrizes
com entradas em .

2.1 – Soma de matrizes e multiplicação por números.

mxn denotará o conjunto das Matrizes de números reais com m linhas e n colunas.
Fixaremos, ao longo de todo o livro, como notação que, se A é uma matriz:
Aij denota a entrada de A na linha i e na coluna j

Ai denota a i-ésima linha de A ( Ai = (Ai1 Ai2  Ain) )

A1 j

(j)
A denota a j-ésima coluna de A (
()
A ( j )= A 2 j
⋮
A mj
)
Assim como é natural “somar” tabelas e “multiplicá-las” por números reais, definimos a soma de
matrizes mxn e sua multiplicação por números, entrada por entrada como:

(A + B)ij = Aij + Bij

( A)ij =  Aij

Por exemplo,
(12 2 3 + 1 −2 3 = 2 0 6
)(
3 4 0 3 −4 2 6 0 )( ) e
−2 1 2 3 = −2 −4 −6
( )(
2 3 4 −4 −6 −8 )
Vendo matrizes mxn como pontos do mn
Alguns softwares, como, por exemplo, o Fortran armazenam matrizes coluna por coluna. Ou seja,
como pontos de algum mn, de tal forma que as m primeiras coordenadas correspondem à primeira coluna da
matriz, as m seguintes correspondem à segunda coluna e assim por diante.. A soma de matrizes mxn e sua
multiplicação por números reais funciona exatamente da mesma forma que a soma de pontos no mn e a
multiplicação de pontos do mn por números reais.
 2

 1  3   4
     
 1   1   0
 1 2  3 2  4 4  2  2   4
           
 1 1  0 1
+
 1 0  =   1  0   1 (ordenando as entradas por colunas)
 1  3
   
1  3
3   
 1 2  3 6  2  6
       
 1 1  3 3
3 =   1  3

Neste ponto de vista, podemos ver matrizes de m linhas e n colunas como pontos do mn. Mais
ainda, podemos identificar (mxn , +,*) com (mn , +,*).

(Mmxn , +,*) só começa a se diferenciar de (mn , +,*) quando multiplicamos matrizes por vetores.
Em particular, as propriedades estruturais EV1-EV6 satisfeitas pela soma de vetores bem como pela
multiplicação de vetores por números reais em V = (n,+,*) igualmente valem para a soma de matrizes e a
multiplicação de matrizes por números.

Exercício da seção 2.1

Exercício 2.1 – Verifique que o conjunto das matrizes Mmxn, com a soma e a multiplicação por números
definidas acima satisfaz as propriedades EV1-EV6 lã da seção 1.4

2.2 - Matrizes particionadas por linhas e por colunas

Freqüentemente é conveniente olhar para matrizes como particionadas em blocos de matrizes menores.
Por exemplo:

1 2 3 4 5

A=
( 2
3
4
3
4
5
4
5
6
5
6
7
6
7
8
) pode ser pensada como A =
( X Y
Z W ) , onde:

1 2 3 4 5
X =
( )
2 3 , Y=
( 4 5 6 )
Z=
(34 45 ) , W=
(56 6 7
7 8 )
Desta forma, A fica particionada em dois blocos de matrizes 2x2 e dois blocos 2x3.
 3

Duas maneiras de particionar matrizes se destacam, por faciltarem bastante a compreensão de alguns
resultados. . Podemos ver uma matriz mxn como formada por linhas de vetores do n ou por colunas de

vetores do m. Por exemplo, a matriz A =

(41 2 3
5 6 ) , pode ser vista como :

A1

A =
( )
A2
- Particionada nas matrizes A1 = (1 2 3 ) e A2 = ( 4 5 6 ) . (Vetores-linha)

A = (A(1) A(2) A(3)) - Particionada nas matrizes A(1) =

(14) , A(2) =
(25) e A(3) =
(36) . (Vetores coluna)

OBS. 2.2 - Denominamos uma matriz nx1 de vetor-coluna, e uma matriz 1xn de vetor-linha. É natural
pensá-las como pontos do n e assim o faremos freqüentemente. Softwares como o Matlab sempre
identificam vetores do n como matrizes nx1, ou 1xn, conforme se deseje. Ou seja, ora como vetores-coluna,
ora como vetores-linha, a depender de como sejam registrados. Também adotaremos esta identificação.
Conforme veremos adiante, tal identificação pode ajudar muito na manipulação algébrica com vetores e
matrizes.

2.2.1 - Matrizes particionadas em vetores-coluna

Na seção 1.6, definimos o produto de uma matriz A por um vetor x como uma combinação linear de
colunas da matriz A, tendo como pesos as coordenadas de x:

A 11 x 1 + A12 x 2 +¿⋅¿⋅¿⋅+ A1 n x n

( )
A 21 x 1 + A22 x2 +¿⋅¿⋅¿⋅+ A 2n x n
. .. .. . .. .. .. . .. .
. .. .. . .. .. .. . .. .
. .. .. . .. .. .. . .. .
Am 1 x 1 + A m 2 x 2 +¿⋅¿⋅¿⋅+ A mn x n
Ax = x1 A(1) + x2 A(2) + ....... + xn A(n) =

Isto torna bastante natural olhar uma matriz como particionada em n vetores-coluna de Mmx1  m, ou
seja, como A = (A(1) A(2) .... A(n))

Observe que podemos pensar na soma de duas matrizes, olhando-as particionadas em vetores-colunas.
Por exemplo, se A = (A (1) A(2) .... A(n)) e B = (B (1) B(2) .... B(n)) são matrizes mxn, podemos escrever sua soma
A + B como a matriz particionada nos vetores-coluna A(i) + B(i), para i = 1,2, ,n. Ou seja:

A + B = (A(1) + B(1) A(2) + B(2)  A(n) + B(n))

Igualmente, ao multiplicarmos matrizes por números, se  é um número real, então
 4

A =  (A(1) A(2) .... A(n)) = (A(1) A(2) .... A(n))

2.2.2 - Matrizes particionadas em vetores-linha

Exemplo 2.1 Produto de uma matriz 1x3 por um vetor do 3

1

Considere a matriz A = ( 1 2 4 ) e o vetor x =

()
3
2 do 3
Podemos formar o produto Ax, que resulta ser a matriz 1x1 dada por:

Ax = x1A(1) + x2A(2) + x3 A(3) = (1*1 + 2*3 + 4*2 ) = ( 15 ) 15 .

Exemplo 2.2 - Apresentamos abaixo a tabela de preços, em R$ por kg, das frutas nas prateleiras de um certo
mercado.
Laranja Maçã Banana Melão Mamão Uva Goiaba Pinha Manga Sapotí
0,50 2,00 1,30 0,95 0,65 2,20 1,45 3,50 1,80 3,20

Denotando por C = (0.50 2.00  3.20) a matriz 1x10 que representa os preços das frutas e
x1

escrevendo em x =
()x2
⋮
x 10
o vetor das respectivas quantidades, em kg, compradas por João , então Cx =
0.5x1 + 2x2 +  + 3.2 x10 representa o gasto de João com frutas.

OBS. 2.3: Matrizes 1x1 denotadas como números reais.

Matrizes 1x1 se confundem naturalmente como números reais. Daí serem usualmente denotadas como
tais. Daquí por diante, sempre que não houver confusão possível denotaremos uma matriz 1x1 sem os
parênteses, apenas pelo número real que a caracteriza.

OBS. 2.4: Produtos de vetores-linha (matrizes nx1) por vetores do n

Veja que, analogamente ao que aconteceu nos exemplos 2.1 e 2.2, se A = (1 2  n) é uma matriz
x1

1xn, e x =
()
x2
⋮
xn
é um vetor do n, o produto Ax se escreve como
Ax = ( x11 + x22 +  + xnn) = 1x1 + 2x2 +  + nxn (2.1)

Observe na fórmula 2.1, que a i-ésima coordenada de Ax se escreve como o produto da i-ésima linha
de A, pelo vetor x, já que :
 5

x1

Ai1x1 + Ai2 x2 +  + Ainxn = (Ai1 Ai2  Ain ) =Aix

()
x2
⋮
xn
Ou seja, se olhamos para a matriz A como particionada por linhas, o produto matriz-vetor se define pela
fórmula:
A 11 x 1 + A12 x 2 + ¿⋅¿⋅¿⋅+ A1 n x n
A1 x

( )()
A 21 x 1 + A22 x2 +¿⋅¿⋅¿⋅+ A 2n x n
. .. .. . .. .. .. . .. . A2 x
. .. .. . .. .. .. . .. . . .. .. .
. .. .. . .. .. .. . .. . . .. .. .
Am 1 x 1 + A m 2 x 2 + ¿⋅¿⋅¿⋅+ A mn x n Am x
Ax = = (2.2)

Na verdade, a forma mais usual de introduzir o produto matriz-vetor nos livros textos de Álgebra
Linear é pela fórmula acima. Provavelmente por ser mais fácil de memorizar já que, nela, cada coordenada
de Ax se escreve como o produto de uma linha de A pelo vetor x. Muito embora só venhamos a trabalhar o
produto interno de vetores no capítulo 5, vale registrar (vide as fórmulas 1.2 e 2.1) que o produto matriz-
vetor da linha Ai pelo vetor x se confunde com o produto interno dos vetores A i e x, pensados como vetores
do n.

Esta dualidade na forma de enxergar o produto matriz-vetor, ora pensando cada uma das
coordenadas de Ax como produto de vetores no n, ora vendo-o como combinação linear das colunas de A
é extremamente útil na manipulação com matrizes, e será muito explorada ao longo de todo este livro.

EXERCÍCIOS DA SEÇÃO 2.2

 0  1
   
 1 0 1  0  2
     
 2  1 0
Exerc. 2.2 - Sejam A = , x =  1 e y =  0 .
Verifique que Ax = Ay

 3x1  x2  2 x3  5

  x1  x2 1


Exerc. 2.3 - Considere o sistema de equações lineares  2 x1  x2  x3  4
5

Escreva a matriz A do sistema, ou seja, tal que Ax =

()
1
4 represente o sistema acima.

Exerc. 2.4 - Certo ou errado? Justifique suas respostas:

i - Se A é uma matriz e Ax = 0 então x=0.

 6

 1
 
 0
ii - Se A é uma matriz 3x3 então A  0 = A1

 1
 
  1
 
iii - Se A é uma matriz 3x3 então A  0  = A(1) - A(2)

iv - Se A é uma matriz 3x3 e Ax=0, para todo x no 3, então A = 0.

1 0 
 
2 1 
 
Exerc. 2.5 - Seja A =  3  1
i - Calcule o produto Ax nas duas maneiras indicadas acima, conforme considere a partição de A por colunas
ou por linhas.

 1
 
 0
 
ii - b =   1 é combinação linear das colunas de A? Qual a relação que existe entre b ser combinação linear
das colunas de A e as soluções do sistema Ax = b ?

iv - O vetor c = (1,2) é combinação linear das linhas de A? Qual relação existe entre c ser
1 2 3 
 
combinação linear das linhas de A e a matriz A = T  0 1  1 ?

2.3 - Produto de Matrizes

Exemplo 2.3 Consideremos ainda uma vez o exemplo 1.2.v, no qual uma empresa fabrica três tipos de
brinquedos (B1, B2 e B3) e a despesa total, em função das quantidades x1, x2 e x3, discriminada por mão de obra,
insumos, comercialização e outras despesas, é dada por

5 x 1 +3 x 2 +2 x3
5 3 2

D = Cx =
( ) (
12 9 8 . 5
6 4 3.5
3 2 .5 2 .5 x=
12 x 1 + 9 x2 +8,5 x3
6 x1 +4 x 2 + 3,5 x 3
3 x 1 +2,5 x2 +2,5 x3
)
Na tabela abaixo apresentamos as quantidades de brinquedos B 1, B2 e B3 produzidas, por trimestre no
ano passado, na referida fábrica (representadas em milhares de unidades):

10 Trimestre 20 Trimestre 30 Trimestre 40 Trimestre

B1 (milhares de unidades) 2,5 2,8 2,95 3,2
 7

B2  5 5.5 6,2 6,5

B3  11 11,6 12,4 15,2

2,5 2,8 2,95 3,2

Representamos a tabela pela matriz B =

( 5 5,5 6,2 6,5
11 11,6 12, 4 15 ,2 ) .

A despesa de cada trimestre , discriminada por item, seria CB(1), CB(2), CB(3) e CB(4)

A despesa discriminada no ano será:

49 , 5 53 , 7 58 ,15 65 , 9 227 , 25

(1) (2)
Da = CB + CB + CB + CB = (3) (4)
( )( )( )( ) ( )
168 + 181 ,7 + 196 , 6 + 226 , 1
73 , 5 79 , 4 85 , 9 98 , 4
47 ,5 51 ,15 55 ,35 63 , 85 =
772 , 9
337 , 2
217 , 85

Observe que também poderíamos escrever Da como o produto matriz-vetor:

1 49 ,5 53 ,7 53 ,7 65,9 1

Da = ( CB (1)
CB (2)
CB (3)
CB (4)
)
() (
1
1
1 =
168
73 ,5
47 ,5
181,7
79 ,4
51 ,15
181 ,7
79 ,4
51 ,15
226 ,1
98,4
63,85
) ()
1
1
1 =
227 , 25

( )
772 , 9
337 , 2
217 , 85

Se no ano seguinte, no primeiro e segundo trimestres a fábrica reduz sua produção em 10% e nos demais
a mantem, podemos escrever:

0,9

(1) (2) (3)

Dt = C( 0,9B + 0,9B + B + B ) = C(Bx), onde x = (4)

Por outro lado, usando a linearidade, também poderíamos escrever Da como:

()
0,9
1
1

0,9

(1) (2)
Da = 0,9 CB + 0,9CB + CB + CB = ( CB (3) (4) (1)
CB (2)
CB (3) (4)
CB )
()
0,9
1
1 = Px
 8

0,9

Ou seja, Da se escreve produto da matriz P = ( CB (1)

CB (2)
CB (3) (4)
CB ) por x =
()
0,9
1
1

OBS. 2.6 - O exemplo acima ocorre com frequência. É um caso particular de uma situação na qual temos uma
função linear do p no n que leva x em Bx, e outra, do n no m que leva Bx em A(Bx). Neste caso, A é
mxn, B é nxp e a função que leva x em A(Bx) é a composição das duas. Dado x no p e usando a linearidade
do produto matriz-vetor,
A(Bx) = A(x1B(1) + x2B(2) ++ xpB(p) ) =

= x1AB(1) + x2AB(2) ++ xpAB(p) =

= (AB(1) AB(2)  AB(p) )x = Px

Mas isto significa que A(Bx) é também um produto matriz-vetor Px. Ou seja, o produto da matriz P =
(AB AB(2) AB(p)), por x. Isto motiva a seguinte definição para o produto de matrizes.
(1)

Def. 2. 2 Sejam A uma matriz mxn e B uma matriz nxp.

Seu produto é a matriz mxp que, na forma particionada por colunas, se define por:
A*B = AB =( AB(1) AB(2) ........................ AB(p))
Observe que, equivalentemente, poderíamos definir AB por:

(A*B)ij = (AB)ij = (Ai B(j)) = Ai1B1j+ Ai2B2j +  + AinBnj - (Produto de Ai por B(j))
2 −1

Exemplo 2.4: Sejam A =

A1
( ) (
A2
=
1 0 1
0 1 −1 ) e B=
(B (1) ( 2)
B )= 0 2
1 −1 ( )
Pela definição: AB = (AB(1) | AB(2)) =
(−13 |−23 )
A1 B(1 ) A1 B(2 ) 3 −2
Equivalentemente, olhando entrada por entrada: AB =
( A2 B (1 )
A2 B (2 ) ) ( = −1 3 )
Observe ainda que podemos pensar no produto AB como particionado por linhas

A1 B(1 ) A 1 B(2)
( A1 B ¿) ¿ ¿¿ (3 −2¿ )¿ ¿¿
AB =
( A1 B (1 )
A1 B (2) ) = ¿ = ¿
 9

Neste caso interpretamos A1B = (3 -2) como o produto da matriz A 1 que é 1x3, pela matriz B.
Analogamente A2B = (-1 3). Isto nos dá uma terceira interpretação para o produto matriz-matriz, como
formado por linhas dadas pelo produto das linhas de A por B.

O produto AB pode se escrever também como matriz particionada por linhas, na forma:

A1 B

por:
A*B = AB =
()
A2 B
...
...
An B
, onde o produto vetor-matriz se definiria, analogamente ao produto matriz-vetor,

AiB=(AiB(1) AiB(2) ..... AiB(p) )

OBS. 2.7 - Observe que, até agora, tanto escrevemos os vetores de (n, +, *) “deitados” como “em pé”. De
fato, no (n, +, *), não há ambiguidade possível pelo fato dos pontos de n se escreverem ora “deitados”, ora
“em pé”. Enquanto não se opera com produto de matrizes, podemos identificar pontos do n com matrizes
1xn, ou com matrizes nx1, indistintamente. Já enquanto matrizes, ou seja, quando se leva em conta o produto
de matrizes, uma matriz 1xn é um objeto matemático distinto de uma matriz nx1. Por exemplo, considere as
matrizes.
1

A =(123) e B=
()
2
3 .
1 1 1 2 3

Observe que: AB = ( 1 2 3 )
()
2
3 = (14 ) e BA =
()
2
3 (1 2 3) = ( )
2 4 6
3 6 9

Ou seja, enquanto pontos do 3, A e B não são diferentes, uma vez que se definem pelo fato de terem as
suas três coordenadas respectivamente idênticas. Por exemplo, enquanto vetores do 3, podemos calcular A+B
= (2 4 6) somando A e B coordenada a coordenada, como pontos do 3, apesar de ser muito pouco usual como
notação somar vetores do 3, escrevendo um “deitado” e o outro “em pé”. No entanto, enquanto matrizes com
as quais se pode operar a multiplicação matricial, A é uma matriz 1x3, B é 3x1 e AB dá um resultado
completamente diferente de BA. Como já frisamos acima, é possível trabalhar com vetores como matrizes 1xn,
ou como matrizes nx1. No entanto, para evitar ambiguidades, é melhor fixar uma delas como padrão.
Relembramos que, na prática, a definição de produto matriz-vetor Ax já foi feita tratando x como uma matriz
nx1. Na verdade, o produto matriz-vetor, automaticamente o constitui como um caso particular do produto
matriz-matriz AB, no caso onde B é nx1. Nós o introduzimos antes apenas por questões didáticas. Como o
objetivo central da disciplina é estudar o produto Ax, torna-se natural convencionarmos que os vetores do n
se confundam com as matrizes nx1, isto é, sejam considerados como vetores-coluna. Em resumo,
estabelecemos como convenção:

Salvo menção em contrário, faremos a identificação (n,+,*)  (Mnx1,+,*).

 10

Deste modo, os vetores do n, passam a ser identificados como matrizes nx1 de números reais, salvo
menção em contrário. A multiplicação matriz-vetor, por exemplo, é, de fato, uma multiplicação matriz-
matriz, a soma de vetores é a soma de matrizes nx1, etc. Isto nos facilitará enormemente o jogo algébrico
com vetores e matrizes.

OBS. 2.8: Analogamente ao que se dá com o produto matriz-vetor Ax, se y = (y 1,y2, , yn) é um vetor-linha
(matriz 1xn) e B é uma matriz nxp então yB é um vetor-linha (matriz 1xp) que se escreve como combinação
linear das linhas de B, ou seja:
yB = (y1 y2 .... yn) B =
(y1B11 + y2B21 +......+ynBn1 y1B12 + y2B22 +......+ynBn2  y1B1n + y2B2n +......+ynBnm )

(y1B11 y1B12  y1B1n) + (y2B21 y2B22  y2B2n) +  + (ynBn1 ynBn2  ynBnn)
= y1B1 + y2B2 +......+ynBn
 1 0
 
  1 2
 
Exemplo 2.5 - Sejam y = ( -3 2 -2) e B =   2 0 .
Observe que yB = ( -1 4 ) = -3 (1 0) + 2 (-1 2) -2 (-2 0).

Propriedades básicas do produto de matrizes:

Para matrizes A, B e C coerentemente definidas e  em :

P1 - Associativa - (AB)C = A(BC)

P2 - Linearidade à direta -

A(B + C) = AB + AC e A(B) =  AB

P3 - Linearidade à esquerda -

(A + B)C = AC + BC e (A)B = (AB)

1 0 ⋯ ⋮
0 1
P4 – A matriz I = ⋮
(
⋱
⋮ ⋯

matriz identidade, por ser tal que:

⋮
1 0
0 1
)
, que vale 1 na diagonal e zero fora dela, é também conhecida como

AmxnInxn = Amxn e ImxmAmxn = Amxn

DEM - A OBS. 2.6 e a Def. 2.2 já nos garantem que, olhando cada coluna C(j) como um vetor do p:
 11

(AB)C(j) = A(BC(j))

Mas então, para todo j = 1,,p, a j-ésima coluna de (AB)C coincide com a j-ésima coluna de A(BC),
visto que, da definição de produto de matrizes:

((AB)C)(j) = (AB)C(j) e (A(BC))(j) = A(BC)(j) = A(BC(j))

Deixamos as demonstrações das propriedades P2, P3 e P4 para o leitor (exerc. 2.8).

OBS. 2.9: Pensando na definição 2.1, P2 pode também ser vista como linearidade da função,

PA : Mnxp  Mmxp
que a cada matriz X = Xnxp, lhe associa o produto AX, para uma dada matriz A = A mxn prefixada. Daí o nome
linearidade à direita. Analogamente P3 corresponde a uma linearidade à esquerda. Diz-se ainda que o produto
de matrizes AB é bilinear, como função das matrizes A e B.

OBS. 2.10 - Armadilhas do produto de matrizes

Algumas das propriedades algébricas com as quais estamos acostumados a lidar ao tratar com números
reais não valem para matrizes. Isto costuma criar dificuldades na manipulação algébrica das matrizes e
constituem verdadeiras armadilhas para quem começa a trabalhar com matrizes.. Destacamos duas delas
como centrais:

i - O produto de duas matrizes pode não comutar. Por exemplo,

1 2 1 −1  3  1  0 1
Se A =
( )
1 1 eB =
( )
1 0  
então AB =  2  1
 
 BA =  1 2

ii - Não vale a “lei do corte”:

Lembramos que se a, b e c são números reais, a0 e ab = ac, então podemos “cortar” a e obter b = c.
1 0 0 0
Considere A =
( )
0 0 , B=
( )
0 1 e C = 0.
Observe que A 0, AB = AC = 0, mas B  C.
Em particular, AB = 0, mas nem A = 0, nem B = 0. Isto significa que podemos ter duas matrizes não-
nulas, cujo produto se anula, coisa que não acontece com números reais.

Exercícios da seção 2.3

 12

1 1  1  1 0 
   
Exerc. 2.6 - Considere as matrizes B = 1 2  e C = 1 2 1 .
Verifique que as colunas de BC são combinações lineares das colunas de B.

1 1  1  1 0 
   
Exerc. 2.7 - Considere as matrizes B = 1 2  e C = 1 2 1 .
Verifique que as linhas de BC são combinações lineares das linhas de C.

Exerc 2.8 + - Demonstre as propriedades P2, P3 e P4 do produto de matrizes.

 2 1  1 2
   
Exerc. 2.9 - Considere as matrizes A =  1 2 , B =  1 2 . Calcule AB e BA. A comparação de AB com
BA indica alguma diferença importante nas propriedades algébricas do produto de matrizes com relação ao
produto de números reais?

 1 0  0 0
   
Exerc. 2.10 - Considere as matrizes A =  0 0 e B =  1 1 e calcule AB. O que você observa aí de
diferente nas propriedades algébricas das matrizes com relação aos números reais?

Exerc. 2.11 - Certo ou errado? Justifique:

i - Se A e B são matrizes 2x2 então AB  BA
ii - Se A, B e C são matrizes quadradas 3x3 não nulas e AB=AC então B=C.
iii - Se A e B são 3x3 e AB = 0 então A=0 ou B = 0
iv - Se A e B são 2x2 e todas as suas entradas são positivas então AB  0
v - Se A e B são quadradas e nenhuma de suas entradas é nula então AB  0
vi - Se A é uma matriz quadrada e A2 = 0 então A=0
vii- Se A = BC então toda coluna de A é combinação linear das colunas de B
viii - Se A=BC então toda linha de A é combinação linear das linhas de B
ix - Se A=BC então toda linha de A é combinação linear das linhas de C

Exerc. 2.12 + - Seja A uma matriz mxn e considere a função L A: Mnxp  Mmxp dada por LA(X) = AX. Mostre
que LA é uma função linear, no sentido que, para cada par de matrizes X e X´, com n linhas e p colunas, e cada
número real , teremos:
i - LA(X +X´) = LA(X) + LA(X´)
ii - LA(X) =  LA(X)
 13

2.4 Transposição de matrizes

A matriz transposta AT se obtem de A definindo: (AT )ij = Aji

 2 3
 
 2 3 1  3 1
   
Exemplo 2.6: Se A=  3 1 5 T
então A =
 1 5

Ou seja, AT troca as linhas de A pelas suas colunas e vice-versa.

 A1 
A 
 2
 ... 
 ... 
 
Se A =  Am   AT =
B (1)
B ( 2) ..... B ( m)    ( A1 ) T ( A2 ) T ....... ( Am ) T 

Formalmente, (AT)(i) = (Ai)T e (AT)i = (A(i))T

Exemplo 2.7: Sejam x e y vetores do n, ou seja matrizes nx1.

 x1 
 
 
 
Pensando na matriz nx1, x =  x n  , sua transposta é a matriz xT = (x1 x2 ..... xn)
Em particular o produto interno xy = x1y1 +  + xnyn = xTy = yTx

Isto é, podemos escrever o produto interno usual entre x e y como produto das matrizes x T e y. Ou,
equivalentemente como o produto das matrizes yT e x.

Cuidado para o fato que o produto interno de x e y é comutativo, mas o produto matricial de x T e y
não. (Vide o exercício 2.19)

Propriedades da transposição - Se A e B são matrizes mxn, C é nxp e   

i - Linearidade da transposição:

(A + B)T = AT + BT
(A)T = AT

ii - (AC)T = CT AT

iii – (AT)T = A
 14

DEM: Deixamos como exercício a verificação da linearidade da transposição.

Para verificar ii, basta garantir ((AC)T)ij = (CTAT)ij , para todo i e j. Ou seja:
A j1

(C A )ij = (C )i (A ) = (C ) (Aj) = (C1i C2i  Cni )

T T T T (j) (i) T T
()
A j2
⋮
A jn
=

= C1i Aj1 + C2i Aj2 +  + AjnCni = Aj1 C1i + Aj2C2i +  + AjnCni = Aj C(i) = (AC)ji =((AC)T)ij

Para verificar iii: ((AT)T)ij = (AT)ji = Aij

Exercício da seção 2.4

 1  2
   
 2  0
   
Exerc. 2.13 - Sejam x =   1 e y =  1 . Calcule xTy, yTx, xyT e yxT

2.5 TIPOS ESPECIAIS DE MATRIZES

Nossa intenção, nesta seção é apresentar alguns dos tipos especiais de matrizes mais relevantes, com a
preocupação de evitar uma lista extensa. Começamos definindo matrizes diagonais como as matrizes quadradas
que têm nulos todos os seus elementos que não estão na diagonal principal. Ou seja, A é diagonal se A ij=0,
sempre que ij. Em particular a matriz identidade 3x3, é um exemplo de matriz diagonal :
 1 0 0
 
I3x 3   0 1 0
 
 0 0 1
Em particular, assim como dois números tais que reais a e b tais que ab = 1 são ditos inversos um do
outro, as matrizes identidade desempenham um papel equivalente ao número 1 na definição de matrizes qeu
admitem inversas.

2.5.1 - Matrizes Invertíveis

Resolvendo a equação ax = b para números reais:
Se ax = b e a  0 então a-1(ax) = a-1 b implica x = a-1 b

Def. 2.3 - Seja A uma matriz nxn

Diz-se que A é invertível se existir à tal que ÃA = Aà = I

Dizemos ainda que uma matriz A = A mxn tem uma inversa à esquerda se existir à tal que ÃA = I e que tem uma
inversa à direita se existir  tal que A = I. Neste contexto uma matriz A só é dita invertível se admitir uma
 15

mesma matriz  inversa dos dois lados. O que estabeleceremos, ao final do capítulo 3, é que as matrizes que
não são quadradas podem ter inversas de um dos lados, mas nunca são invertíveis e que se uma matriz
quadrada admitir inversa de um dos lados, então é invertível.

OBS. 2.11 - Analogamente ao que acontece com ax = b em , para a  0, se A é invertível e à é inversa de A,

ou seja, ÃA = AÃ = I = Inxn , então Ax = b sempre tem uma única solução, pois:

i - x = Ãb resolve Ax = b, uma vez que, neste caso, Ax = A(Ãb) = (AÃ)b =Ib = b

ii - Se y também for solução de Ax = b, então y = Iy = (ÃA)y = Ã(Ay) = Ãb.

1 2
Exemplo 2.8: Vamos achar uma inversa para a matriz A =
( )
1 1 .
x1 x3

Procuramos uma inversa à =

( ) x2 x4
para a matriz A, tentando obrigar que à seja uma inversa

(10 01 )
à direita de A, isto é, que AÃ = . Neste caso, teremos
1 2 x1 x3 x 1 +2 x 2 x 3 +2 x 4 1 0
AÃ =
(1 1 ) ( ) ( x2 x4
=
x1+ x2 x3 + x 4
=
) ( )
0 1
.
Isto equivale a dizer que deveremos satisfazer simultaneamente 4 equações, quais sejam:

x 1 +2 x 2=1 É fácil ver que a primeira e a segunda equações do sistema ao lado admitem como única

{ x1 + x2 =0
x 3 + 2 x 4 =0
x 3 + x 4 =1
solução x1= -1 e x2 = 1 e que a terceira e a quarta equações admitem x3 = 2 e x4 = -1
como solução única. Ou seja, resolvendo o sistema acima encontramos

−1 2
Ã=
(1 −1 )
1 0 −1 2 1 2 1 0
Veja que, não só obtemos AÃ =
( )
0 1 , mas também que ÃA =
( 1 −1 ) ( ) ( )
1 1 = 0 1

1 2 1

Exemplo 2.9- A matriz A =

( ) 3 1 9
0 0 0 não é invertível.
Veja que, para toda matriz X = X3x3, (AX)3 = A3X = ( 0 0 0 )  ( 0 0 1)

OBS. 2.12 - No exemplo 2.9 vimos que, diferentemente do que acontece com números reais, há matrizes não
nulas que não admitem inversas. No exemplo 2.8 obtivemos uma inversa à direita à para a matriz A, ou seja,
tal que Aà = I2x2. Até aqui nada nos garantiria, a priori, que ÃA = Aà = I 2x2, ou seja, que à também seja uma
inversa à esquerda de A. No entanto, no exemplo acima, Ã também resultou uma inversa à esquerda de A.
Ou seja, Ã resultou uma inversa verdadeira de A, no sentido da definição 2.3. Além disto, obtivemos ainda
que à é a única inversa que A admite.
 16

No capítulo 3 desenvolveremos ferramentas que nos possibilitarão, não apenas caracterizar teoricamente
quando uma matriz é invertível, mas também entender melhor a inversão de matrizes e calcular matrizes
inversas de forma sistemática. Em particular mostraremos que não foi por coincidência que a matriz à do
exemplo anterior comutava com A. Ou seja, veremos que se A for uma matriz quadrada e à for uma
inversa de um dos lados de A, então à comuta com A e resulta, portanto, uma inversa de A no sentido
da definição 2.3. É relativamente simples ver que a inversa de A, se existir, é única (vide exerc. 2.23 x-xi). Já
para ver que dada uma matriz quadrada com inversa de um dos lados, para garantir que ela também tenha
inversa do outro, precisaremos desenvolver a resolução de sistemas de equações lineares (capítulo 3)

No exercício 2.19, pedimos ao leitor para verificar que uma dada matriz 3x2 admite mais de uma
inversa à esquerda, mas nenhuma inversa à direita. No capítulo 3 mostraremos que as matrizes que não são
quadradas nunca admitem inversas dos dois lados .

Propriedades da inversão: Considere A e B nxn, invertíveis e número real   0. Então:

I1 - A também é invertível e (A)-1 = 1/ A-1

I2 - A-1 também é invertível e (A-1)-1 = A

I3 - AB também é invertível e (AB)-1 = B-1 A-1

I4 - AT também é invertível e (AT)-1 = (A-1)T

Deixamos a demonstração das propriedades I1-I4 a cargo do leitor (vide exerc. 2.14+)

Exercícios da subseção 2.5.1

Exerc. 2.14 + - Verifique as propriedades I1, I2, I3 e I4 da inversão de matrizes acima.

Exerc. 2.15 - Dê um exemplo de uma matriz 2x2 que não tenha inversa.

 2 0 0
 
 2 0  0 3 0 
 
Exerc. 2.16 - Considere A =  0 3  e B=  0 0 4  . Calcule A-1 e B-1 . Como você generalizaria este
resultado para matrizes quadradas de ordem n.?

Exerc. 2.17 Certo ou errado? Justifique:

i - A matriz identidade nxn é invertível.

 0 0
 
ii - A matriz 0  0 0
, é invertível.
iii +- Se x0 e Ax = 0 então A não admite inversa à esquerda.
iv +- Se xy e Ax=Ay então A não admite inversa à esquerda
v - Se A é uma matriz 1x3 então A não tem inversa à esquerda
 17

vi - Se A é uma matriz 1x3, não nula, então A admite uma inversa à direita
vii - Nenhuma matriz admite duas inversas à direita distintas.
viii +- Se A tem uma linha toda nula então A não é invertível
ix - Se A tem todos os seus elementos positivos então A é invertível.
x + – Se uma matriz quadrada tiver uma inversa à esquerda à e outra à direita Â, então  =Ã.
(Sugestão: Observe que se ÃA=AÂ=I  Ã =ÃI = Ã(AÂ) = (ÃA)Â =IÂ=Â
xi + - Uma matriz invertível não pode ter duas inversas distintas entre si.

Exerc. 2.18 – Sejam A =

(10 0 1
2 −1 ) eb=
(10) .
I - Ache duas inversas à direita distintas de A, digamos ÃÂ ( tais que AÃ = I2x2 e AÂ = I2x2).
ii - Mostre que A não admite inversa à esquerda
iii – Verifique que x = Âb e y = Ãb são soluções de Ax = b.
iv – Mostre que Ax = b tem, pelo menos duas soluções distintas.

1 0 1 1
0 2
( ) () 2
Exerc. 2.19 – Sejam A = 1 −1 , b = 0 ec=
()
0
0 .
i- Ache duas inversas à esquerda distintas de A, digamos à  (tais que ÃA = I2x2 e ÂA = I2x2).
ii - Mostre que A não admite inversa à direita
iii – Verifique que y = Âb = Ãb e que y é uma solução de Ax = b.
iv – Verifique que Ãc e Âc não são soluções de Ax = c
v - Mostre que Ax = c não tem solução.

2.5.2 - Matrizes simétricas e matrizes ortogonais

Uma matriz quadrada A é dita simétrica se A = AT. Vale dizer, caso Aij = Aji, sempre. Ou seja,
se for simétrica em relação à sua diagonal principal.

1 2 −1 1 2 1

Exemplo 2.10 - A =
( 2 0 1
−1 1 0 ) e B=
( )
2 1 0
1 0 1 são matrizes simétricas

Uma matriz A é dita ortogonal, caso seja quadrada e ATA =AAT = I.

Exemplo 2.11 São matrizes ortogonais:

i - A matriz identidade Inxn

ii - Toda matriz obtida da matriz identidade permutando-se suas linhas. (matrizes de permutação)
 18

0 0 1 0 0 1 0 0
   
1 0 0 0 0 0 0 1
0 0 0 1 1 0 0 0
   
Se A = 0 1 0 0
 AT = 0 0 1 0
 ATA = AAT = I

iii - R =
(cosθ
sinθ
−sin θ
cosθ ) (Vide exerc. 2.28)
Matrizes simétricas e matrizes ortogonais surgem naturalmente em muitas aplicações. As veremos com
mais detalhes nos capítulos 5, 8 e 9. Nos exercícios a seguir situamos algumas de suas propriedades
elementares.

Exercícios da subseção 2.5.2

Exerc. 2.20 - Verifique que AB não é simétrica, para as matrizes A e B do exemplo 2.10

Exerc. 2.21- Seja f:2  , dada por f(x,y) = x2 + 2xy2 + y3.

∂2 f ∂2 f

( )
( x , y ) ( x , y)
∂ x2 ∂ y∂x
∂2 f ∂2 f
( x , y) ( x, y)
∂x∂ y ∂ y2
 f(x,y) =
2
é denominada de matriz Hessiana da f em (x,y) .
Calcule  f(x,y) e verifique que é uma matriz simétrica para todo (x,y).
2

 cos   sen 
 
Exerc. 2.22 - Verifique que R =  sen  cos   é uma matriz ortogonal para todo   

Exerc. 2.23 - Certo ou errado? Justifique:

i - Mostre que se A e B são matrizes simétricas, então A + B também é uma matriz simétrica.

ii - Se A é uma matriz simétrica e B não é então A+B não é uma matriz simétrica.
iii - Se A e B são matrizes simétricas AB também é simétrica.
iv - Para toda matriz A, ATA é simétrica
v - A matriz identidade nxn é ortogonal, para todo número natural n.
vi - Se A é uma matriz ortogonal então suas colunas são ortogonais, isto é, A(i)A(j) = 0, se ij.
vii - Uma matriz obtida da matriz identidade trocando de posição duas de suas linhas é ortogonal.
viii - Se A e B são matrizes ortogonais então A + B também é uma matriz ortogonal
ix - Se A e B são matrizes ortogonais então AB também é uma matriz ortogonal
 19

2.6 Aplicações (Opcional)

Nesta seção veremos alguns exemplos típicos de como se pode modelar problemas reais com matrizes,
de forma a ilustrar um pouco o uso de operações algébricas com elas. Vamos tratar quatro problemas nos
exemplos a seguir. Os tres primeiros serão modelados usando grafos. Grosso modo, um grafo pode ser
representado por um conjunto de pontos do plano (vértices ou nós do grafo) e de ligações entre pares de
vértices (arestas ou ramos do grafo). A quantidade de fenômenos que podem ser modelados por grafos é
enorme. Um exemplo natural de grafo é o das rotas de uma companhia aérea. Seus vértices são as cidades nas
quais pousam suas aeronaves, e suas arestas são os trechos voados entre uma decolagem e o pouso
subsequente. Abaixo apresentamos um mapa das rotas de uma companhia aérea operando no Brasil, ligando 18
capitais. Para simplificar, supomos que todos os trechos percorridos num sentido, também são percorridos no
sentido inverso.

Exemplo 2.12 Grafo de rotas aéreas

 20

Uma matriz naturalmente associada ao grafo acima é a matriz de adjacências A. Cada cidade é associada a

Be
M a S .L .

For
N at
J .P
R ec
M ac

C ui B ra S .S

B .H .

V it
S .P .
R .J .
C ur

F lo

P .A .

uma coluna e a uma linha de mesmo índice. A entrada Aij vale 1 se alguma aeronave decolando na cidade i,
pousa na cidade j e zero, se isto não ocorre. Em particular, neste nosso caso A resulta ser uma matriz
simétrica, já que estamos supondo que se uma aeronave decola em i e pousa em j, há alguma que faz o
percurso inverso.

P.A. Flo. Cur. S.P. R.J. Vit. S.S. Mac Rec J.P. Nat. For. S.L. Bel. Man Bra Cui B.H.

0 1 1 1 1 0 1 0 1 0 0 1 0 1 0 1 0 0 P. Al. 1
1 0 1 1 1 0 0 0 0 0 0 0 0 0 0 1 0 0 Flor. 2
1 1 0 1 1 0 1 0 1 0 0 0 0 1 0 1 0 1 Curit. 3
1 1 1 0 1 1 1 0 1 0 1 1 1 1 1 1 1 1 S.P. 4
1 1 1 1 0 1 1 1 1 0 1 1 0 1 1 1 0 1 R.J. 5
0 0 0 1 1 0 1 0 1 0 0 0 0 0 0 0 0 1 Vit. 6
1 0 1 1 1 1 0 1 1 0 1 1 0 1 0 1 0 1 S.Salv. 7
0 0 0 0 1 0 1 0 1 0 0 0 0 0 0 0 0 0 Maceió 8
A= 1 0 1 1 1 1 1 1 0 1 1 1 1 0 1 1 0 1 Recife 9
0 0 0 0 0 0 0 0 1 0 1 1 0 0 0 0 0 0 J. Pes. 10
 21

0 0 0 1 1 0 1 0 1 1 0 1 0 1 0 1 0 0 Natal 11
1 0 0 1 1 0 1 0 1 1 1 0 1 1 0 1 0 1 Fort. 12
0 0 0 1 0 0 0 0 1 0 0 1 0 1 0 1 0 0 S. Luís 13
1 0 1 1 1 0 1 0 0 0 1 1 1 0 1 1 0 0 Belém 14
0 0 0 1 1 0 0 0 1 0 0 0 0 1 0 1 0 0 Manaus 15
1 1 1 1 1 0 1 1 1 0 1 1 1 1 1 0 1 1 Bras. 16
0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 1 0 0 Cuiabá 17
0 0 1 1 1 1 1 0 1 0 0 1 0 0 0 1 0 0 B. Hor. 18

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18

Observamos que as entradas de A2 representam a diferentes maneiras de se ir de uma cidade a uma outra
voando com um pouso intermediário, já que:
(A2)ij = Ai1A1j + Ai2A2j +  + Ai18A18j
e cada um dos 18 termos AikAkj é 1 se alguma aeronave decola na cidade i para pousar em k, e outra faz o
mesmo entre as cidades k e j e zero em caso contrário. Desta forma, a matriz A 2 registrará a quantidade dos
diferentes percursos possíveis para se viajar entre duas cidades, com um pouso intermediário. Registramos a
seguir a matriz A2.

P.A. Flo Cur. S.P. R.J. Vit. S.S. Mac Rec J.P. Nat. For. S.L. Bel. Man Bra Cui B.H.

9 4 7 8 8 4 7 3 6 2 7 6 5 6 5 8 2 7 P. Al. 1
4 5 4 4 4 2 5 1 5 0 3 4 2 5 3 4 2 4 Flor. 2
7 4 9 8 8 5 7 3 6 1 6 8 4 5 5 8 2 5 Curit. 3
8 4 8 15 12 4 10 3 11 3 6 9 4 9 4 13 1 7 S.P. 4
8 4 8 12 14 4 11 2 11 3 6 8 5 8 4 11 2 7 R.J. 5
4 2 5 4 4 5 4 3 4 1 4 5 2 3 3 5 1 4 Vit. 6
7 5 7 10 11 4 12 2 10 3 6 8 5 7 5 9 2 7 S.Salv. 7
3 1 3 3 2 3 2 3 2 1 3 3 1 2 2 3 0 3 Maceió 8
A2 = 6 5 6 11 11 4 10 2 14 2 6 9 3 10 3 10 2 7 Recife 9
2 0 1 3 3 1 3 1 2 3 2 2 2 2 1 3 0 2 J. Pes. 10
7 3 6 6 6 4 6 3 6 2 8 7 5 5 5 6 2 6 Natal 11
6 4 8 9 8 5 8 3 9 2 7 11 4 7 5 9 2 5 Fort. 12
5 2 4 4 5 2 5 1 3 2 5 4 5 3 4 4 2 4 S. Luís 13
6 5 5 9 8 3 7 2 10 2 5 7 3 10 3 9 2 6 Belém 14
5 3 5 4 4 3 5 2 3 1 5 5 4 3 5 4 2 4 Manaus 15
8 4 8 13 11 5 9 3 10 3 6 9 4 9 4 14 1 6 Bras. 16
2 2 2 1 2 1 2 0 2 0 2 2 2 2 2 1 2 2 Cuiabá 17
7 4 5 7 7 4 7 3 7 2 6 5 4 6 4 6 2 8 B. Hor. 18

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
 22

Podemos observar que só há zeros nas entradas correspondentes às viagens entre João Pessoa e
Florianópolis, João Pessoa e Cuiabá, Maceió e Cuiabá. Para viajar entre estas cidades são necessárias pelo
menos duas paradas. Pela mesma razão apontada acima, as entradas de A 3 indicarão a quantidade de
possibilidades para ir de uma cidade a outra, fazendo dois pousos intermediários. Se calculamos (A 3)ij,
correspondentemente a estas viagens:

(A3)2 10 =12 (12 maneiras de ir de Florianópolis a João Pessoa com dois pousos intermediários).
(A3)17 10 = 6 (6 maneiras de ir de Cuiabá a João Pessoa com dois pousos intermediários).
(A3)17 8 = 6 (6 maneiras de ir de Florianópolis a João Pessoa com dois pousos intermediários).
 23

Exemplo 2.13 Tratamento matricial de um circuito elétrico

Consideremos o circuito elétrico formado por 8 resistências e uma bateria, dispostos como abaixo. A
cada fio atribui-se uma corrente com uma orientação hipotética. A convenção que se faz na teoria de circuitos
é que se a orientação da corrente física coincidir com a hipotética, seu sinal será positivo. Caso contrário, será
negativo.

O “esqueleto geométrico” do circuito é formado pelos seus ramos e nós. A cada um dos ramos
atribuimos, uma orientação definida pela orientação dada à corrente no ramo. Este “esqueleto geométrico” é
denominado grafo orientado do circuito. Os ramos R1, R2, ....., R8 correspondem aos fios do circuito
correspondem por onde a corrente circula, e os nós aos pontos de encontro de dois ou mais fios. Podemos
representá-lo por:
 24

Ao grafo orientado está naturalmente associada uma matriz de incidência M, definida por:

Cada linha Mi corresponde a um nó do grafo.

Cada coluna M(j) corresponde a um ramo do grafo.

Mij = +1 - indica que a corrente no ramo j começa no nó i.

Mij = -1 - indica que corrente no ramo j termina no nó i.
Mij = 0 - indica que o ramo j não encontra o nó i.

−1 1 0 0 1 0 0 0

.
M =
(0 −1 1 0 0 −1 0 0
0 0 −1 1 0 0 1 0
1 0 0 −1 0 0 0 −1
0 0 0 0 −1 1 −1 1
)
Seja I =(i1, i2 ,....,i6,i7,i8) T o vetor das correntes nos ramos. Observe que, o fato da soma algébrica das
correntes em cada nó se anular, do ponto de vista matricial, corresponde a:

1a Lei de Kirchhoff:
MI = 0
p1

Considere p1 = 0, e seja p =
() p2
......
......
p5
o vetor dos potenciais elétricos em cada nó.
 25

−1 0 0 1 0

( )() ( )
1 −1 0 0 0
0 −1 1 0 0
0 0 1 −1 0 p1 p4 − p1
1 0 0 0 −1 p2 p1 − p2
0 −1 0 0 1 ...... . .. .. .
0 0 1 0 −1 ...... . .. .. .
0 0 0 −1 1 p5 p 5 −p 4
Observe ainda que E = MTp = =
representa as diferenças de potencial em cada ramo. Considere ainda:

Ri - Resistência em cada ramo.

R - Matriz diagonal. com os Ri na diagonal.

e = (e1, e2, ......., e8)T - Fontes de tensão em cada um dos ramos.

No circuito acima e = (e1 ,0,0,0,0,0,0,0)T .

Observe que, do ponto de vista matricial, a segunda lei de Kirchhoff se escreve:

E = MT p = RI - e

Como R é uma matriz diagonal, sem zeros na diagonal, é fácil ver que ela é invertível (vide exerc.
2..22). Portanto,

I = R-1 (MT p + e)
Juntando com a primeira lei MI = 0, obtemos:

MI = MR-1 (MT p + e) = 0  M R-1 MT p = - M R-1 e

OBS. 2.13: Veja que a equação acima é do tipo Ap = b, onde A = MR-1MT e b = - M R-1 e Observe que isto nos
dá um sistema de 5 equações lineares nas 5 incógnitas representadas pelos potenciais nos nós. No próximo
capítulo veremos como se resolve um tal sistema. Podemos pensar a bateria como um agente externo atuando
sobre um circuito formado por resistências. A equação final a qual chegamos nos diz que a resposta do circuito
elpode ser obtida calculando o potencial em cada nó com um sistema de equações lineares cuja matriz é M R -1
MT. A matriz do circuito, M R -1 MT, se escreve como o produto de três matrizes. A 1 a e a 3a são transpostas
uma da outra e representam a geometria do problema. A do meio carrega a lei física. O 2o membro da equação
(- M R-1 e), representa o agente externo aplicado ao sistema, no caso as fontes de tensão aplicadas sobre um
circuito formado por resistores. Esta forma aparece com frequência em diferentes aplicações. No próximo
exemplo, analisaremos um sistema mecânico formado por hastes articuladas e obteremos um equacionamento
inteiramente análogo ao do exemplo acima.
 26


Exemplo 2.14 - Uma estrutura de hastes articuladas com rótulas

Considere a estrutura plana abaixo, formada com hastes conectadas por rótulas em suas extremidades.
Isto significa que cada haste pode girar na sua extremidade à esquerda, porém mantendo-se presa à parede fixa
e articuladas numa mesma rótula na outra extremidade. Além disto supomos que cada haste sofre uma pequena
deformação quando tensionada, proporcional à tensão sobre ela exercida. Estruturas com rótulas ligadas por
hastes deste tipo são mecanismos muito usados em construção civil, sobretudo em edificações submetidas a
vibrações, pois têm flexibilidade para pequenos deslocamentos. Uma força f = (f 1, f2)T, atuando em P, provoca
uma tensão nas hastes que sofrerão leve deformação, produzindo um deslocamento com relação à posição de
equilíbrio. Para equacionar tal deslocamento d=(d1,d2)T, sejam t =(t1,t2,t3)T o vetor das tensões nas hastes e 1,
2 e 3 os ângulos que cada uma das hastes fazem com a parede, conforme a figura abaixo. Temos que:


Para ler este exemplo é aconselhável que você tenha alguma familiaridade com propriedades geométricas do produto interno em
2
 27

f2

A 1 t1

P
 t2
d f1
E
A 2

t3


A 3

A força f se equaciona com as tensões nas hastes na forma:

f1 = t1 sen1 + t2 sen2 + t3 sen3

f2 = - t1 cos1 - t2 cos2 - t3 cos3

Do ponto de vista matricial, podemos escrever:

sen θ1 sen θ2 sen θ3

f = Mt, onde M=
(
−cos θ1 −cos θ2 −cos θ3 )
Para relacionar o deslocamento d com o alongamento e i, considere o ponto O como o ponto E do
sistema sem força externa atuando (caso f = 0), e considere o triângulo formado por A i, E e P. Considerando
que o alongamento ei de cada haste é muito menor que o comprimento da haste, podemos considerar que cada
alongamento ei vale aproximadamente a projeção ortogonal de d na direção da haste correspondente e que isto
significa aceitar (vide exercício 5.***):
d1

ei  d1 seni – d2 cosi = (seni –cosi )

()
d2
= (MT)i d
 28

e1

Do ponto de vista matricial, consideraremos e =

()
e2
e3
= MTd.
Por sua vez, cada alongamento e i é proporcional à tensão t i, ou seja, ei =kiti, para cada i = 1,2 ,3. Do

k1 0 0

pondo de vista matricial, podemos considerar a matriz diagonal K =

( 0
0
k2
0
0
k3 )
1
0 0

( )
k1
1
0 0
k2
1
0 0
-1 -1 k3
Resulta e = K t e t = K e, onde K =
Levando e = MTd em t = K-1e e o resultado em f = Mt, chegamos a:
f = Mt = MK-1e = (MK-1MT)d

Vejam que , neste caso, a força f agindo sobre o sistema provoca como resposta um deslocamento d, e
que d é a solução de um sistema de 2 equações lineares, com duas incógnitas. A matriz do sistema MK-1MT é o
produto de três matrizes. Analogamente ao que aconteceu com o circuito elétrico, a primeira e a terceira são
transpostas entre si e carregam informações sobre a geometria do problema, enquanto que a matriz do meio
carrega as informações físicas.
 29

Exemplo 2.15 – Modelo Entrada/Saída de W. Leontieff

Wassily Leontieff, que ganhou o prêmio Nobel de Economia em 1973, formulou um modelo para
relacionar o que cada setor de uma dada economia produz com aquilo que é consumido pela sociedade como
um todo. Em linhas gerais a economia é pensada como constituída de uma parte produtiva, subdividida em
diversos setores que produzem bens e serviços e noutra que apenas consome. Por exemplo, imaginemos uma
economia cuja produção esteja subdividida em três setores: primário (agricultura, pecuária e extração mineral),
secundário (indústria) e terciário (serviços). Observe que para cada bilhão de reais produzido para consumo
final pelo setor primário, ele vai precisar de consumir um pouco de cada um dos três setores produtivos. Por
exemplo, ao produzir soja, o setor primário estará demandando sementes, adubo e alimentos do setor primário,
tratores e defensivos agrícolas do setor secundário, e movimentando toda uma rede de armazenamento e
comercialização no setor terciário da economia. Em linhas gerais, o modelo Entrada/Saída de Leontieff
pressupõe que:

 Possamos relacionar quanto o setor j gasta com o setor i, para cada bilhão de reais que produz num dado
ano. Por exemplo:

Primário Secundário Terciário

Primário 0,20 0,20 0,25
Secundário 0,20 0,40 0,40
Terciário 0,40 0,30 0,25

0,20 0,20 0,25

Consideremos a matriz associada C =

( 0,20 0,40 0,40
)
0,40 0,30 0,25 . Cada coluna C(j) representa o quanto o
setor j gasta, em bilhões de reais, com insumos dele mesmo e dos demais setores, para cada bilhão de
reais que produz.

 Denotando por x a produção total nos tres setores e por d a demanda final, existe um equilíbrio entre o
que é produzido ( x ), a demanda intermediária ( Cx ) e o consumo do setor não produtivo ( d ). Ou
seja, tomando por base uma medida em reais, pressupõe-se que, para cada setor, xi = Ci x + di (a
produção xi iguala, em reais, a soma da demanda indermediária C ix com a final di ) . Por exemplo, se
num certo ano, o setor primário produziu 300 bilhões de reais, o secundário 500 e o terciário 400, então
o consumo da sociedade com o setor primário terá sido, em bilhões de reais:

300

d1 = x1 - C1x = 300 - (0,20 0,20 0,25)

()500
400 = 40
Do ponto de vista matricial, temos a equação da produção
x = Cx + d
 30

Observe que, denotando a matriz identidade 3x3 por I, temos que x = Ix e podemos reescrever a equação
da produção como x - Cx = Ix – Cx = d. Ou seja, na forma:
(I – C)x = d

No próximo capítulo desenvolveremos técnicas para inverter matrizes. Verifique diretamente que, neste
caso:

1 0 0 0,20 0,20 0,25 0,80 −0,20 −0,25

I–C=
( ) (
0 1 0−
0 0 1
0,30 0,40 0,40
0,40 0,30 0,25 ) =
(
−0,30 0,60 −0,40
−0,40 −0,30 0,75 )
660 450 460
(
(I – C)-1 = 1/209
) 770 1000 790
660 640 840

Observe que, neste caso, podemos determinar um valor para a produção x em função da demanda final
d, já que:
660 450 460

x = (I – C)-1 (I – C)x = (I – C)-1d = 1/209

( 770 1000 790
660 640 840 ) d

Observe que não apenas obtemos I - C invertível neste caso, mas também com coeficientes não-
negativos. Felizmente é possível mostrar que isto sempre acontecerá, desde que a soma das entradas em cada
coluna de C seja menor que 1. (Vide exercícios 2.45 e 2.46) Observe que supor a soma das entradas em cada
coluna de C menor que 1, significa supor que o gasto com insumos em cada setor produtivo é inferior ao valor
do que nele é produzido, o que é bastante razoável de se esperar.

Exercícios da seção 2.6 (opcionais)

Exerc. 2.24 - Considere um conjunto de seis cidades, interligadas entre si por linhas de ônibus cujo grafo está
abaixo. A seta indica a direção na qual há ônibus trafegando entre as respectivas cidades. Seta com dois
sentidos indica que há ônibus trafegando nos dois sentidos.

C1 C2 i - Escreva a matriz de adjacências A, considerando que :Aij = 1 significa a

existência de uma linha indo de i para j, e Aji = 0 significa que não há linha
de ônibus trafegando no sentido inverso.
C3 C4 ii – Calcule A2 = A*A e verifique que (A2)ij representa, para cada (i,j), o
número de maneiras de ir de uma cidade para outra com uma parada
C5 C6 intermediária
 31

iii – Calcule A3 e verifique que (A3)ij representa, para cada (i,j), o número de maneiras de ir de uma cidade
para outra com duas paradas intermediárias.
 32

Exerc. 2.25 - Considere o grafo abaixo, formado por 5 nós e 8 ramos:

N1 R1 N2 i – Forme a matriz de adjacências AG. Ou seja, as entradas de A G

valem 1 caso o vértice i esteja ligado ao vértice j por um ramo.
Ii – Forme a matriz de incidência I G. Ou seja, na j-ésima coluna de
R5 R6 IG todas as entradas valem zero, exceto aquelas correspondentes
R4 R2 aos nós ligados pelo ramo Rj.
N5 Iii - Calcule o produto IGIGT.
R8 R7 Iv - Observe que fora da diagonal principal, as entradas de I GIGT
são as mesmas que as entradas de AG. Terá sido uma
N4 R3 N3 coincidência, ou você tem o argumento pelo qual isto seria
esperado?

Exerc. 2.26 - Considere uma força F = (500 N, 500 N) atuando no sistema de rótulas do exemplo 2.14. Os
comprimentos das hastes são de 2 m, 1 m e 2 m. A haste menor faz, quando F = 0, um ângulo de 90 0 com a
parede e as constantes de deformação das hastes valem 10-7 m/N. Considerando desprezíveis as variações nos
ângulos após a aplicação da força F, determine o deslocamento provocado pela aplicação de F.

Exerc. 2.27 Considere o circuito formado por 6 resistências e uma bateria dispostas na forma:

I - Atribua orientação às correntes nos ramos

dos circuitos e, analogamente ao exemplo
2.12, calcule a matriz de incidência M
correspondente.
ii - Atribua a cada resistência o valor de 5
R
R 3
4
k e à bateria o valor e. Escreva as equações
R de Kirchoff matriciais, Mi = 0, bem como a
1
equação MTp = Ri - e para os potenciais nos
nós.

e iii – Escreva um sistema de equações

R 6 N R 5 lineares que relacione o vetor de correntes i
4
ao valor da tensão na bateria.

N
N 3 R
2

2
 33

Exercícios suplementares

Exerc. 2.28- Dada função linear T:3  3, tal que:

1 1 0 −1 0 0
() ( )
0 )= −1
T( 0 1 , T( 0
() ( )
1 )= 1
2 e
() ( )
0 )= −1
T( 1 4 ,

Ache uma matriz A tal que T(x) = Ax para todo x no 3

 1 2
 
Exerc 2.29 - Sem usar determinantes, verifique que A= 2 4  não é invertível.
Exerc 2.30 - Sem usar determinantes, mostre que se a segunda coluna de uma matriz A é múltipla da primeira

 0
 1 k
 0  
   0
   
   
então A não admite inversa à esquerda. (Sugestão: verifique neste caso que A  0 = A 0  , para algum
número real k e use o exerc. 2.23.iv).

Exerc 2.31 - Sem usar determinantes, mostre que se a última coluna de uma matriz é uma combinação linear
das demais, então A não admite inversa à esquerda.

 1 0 2
 
 0  1 2
 
Exerc. 2.32 - Seja A =  1  1 2 . Verifique que ATA  AAT, mas que ambas as matrizes AAT e ATA são
simétricas.

Exerc. 2.33- Certo ou errado? Justifique:

i - Se A e B são matrizes tais que A=B2 então A e B são matrizes quadradas

ii - Se A e B são matrizes nxn invertíveis então (A+B) também é invertível.
iii - Se A é nxn e invertível, então A + I também é invertível
iv - Se uma matriz quadrada é invertível então sua transposta também é.
v - Se a segunda linha de uma matriz é múltipla da primeira então não admite inversa à direita.
vi - Se a segunda linha de uma matriz é múltipla da primeira então não admite inversa à esquerda.
vii - Se uma matriz 3x3 contiver algum vetor-linha contido no plano formado pelos demais, então ela não é
invertível.
viii - Se A=BC, então toda solução do sistema de equações Cx=0 também satisfaz Ax=0.
 34

ix - Se A, B e C são matrizes 3x3, A = BC e B é invertível então Ax=(1,0,0)T e Cx=(1,0,0)T têm exatamente as

mesmas soluções.
x - Se A = BC e B é uma matriz invertível então Ax=0 e Cx=0 têm exatamente as mesmas soluções.
xi - Se x e y  3 então xTy = xyT
xii - Se A é uma matriz simétrica então ATA = AAT
xiii – Se A admite uma inversa à direita, então Ax = b sempre tem solução.
xiv - Se A admite uma inversa à esquerda, então Ax = b sempre tem solução.
xv - Se A tem uma inversa à direita então Ax = b nunca tem duas soluções distintas.
xvi - Se A admite uma inversa à esquerda então Ax = b nunca tem duas soluções distintas.

 1 / 2 1 / 2 
 
 3 2 1  1 / 4 0 
  
Exerc. 2.34 - Sejam A = 1 2 1 eB=  0 3/2  .

i - Calcule AB e BA.
ii - Conclua que se x e y são vetores do 2 e Bx = By então x=y
iii - Encontre vetores do 3 , x  y e tais que Ax = Ay
iv - Conclua que A tem inversa à direita, mas não tem inversa à esquerda. (Sugestão: Use o exerc. 2.23.iv)

 1 2
 
 0 1
 
Exerc. 2.35 - Seja A =  1 1 .
 0  1 1  1  2 0
   
i - Observe que B =   1 2 1 e C =  0 1 0 são inversas à esquerda de A
ii - Verifique que Ax = (0,1,1)T não tem solução.
iii - Conclua de ii que A não pode ter inversa à direita.

 1 1 0 0  1
 
Exerc. 2.36 - Seja A =  0 0 2 3  2 .
Com a 1a e a 3a colunas de A forme a matriz AB e com as demais forme AL, ou seja, considere as
 1 0  1 0  1
   
matrizes AB = (A(1) A(3)) =  0 2 e AL =  0 3  2 .
 x2
 
 x1   x4 
   
x 
i - Verifique que, para todo x  5, podemos escrever Ax = AB 3 + AL  x 5 
 1
 
ii - Use o item anterior para descrever todas as soluções da equação Ax =  0 em função de x2 , x4 e x5.
 35

Exerc. 2.37 - Escolha à vontade 8 matrizes 2x2 A , A’, B, B’ ,C, C’, D e D’. Considere duas matrizes E e
E’, 4x4, e particionadas em 4 blocos de matrizes 2x2 pelas matrizes que você criou. Ou seja considere as
 A B  A B 
E  E   
matrizes 4x4 particionadas como  C D e C  D . Calcule E*E’ e verifique diretamente que

 AA   BC  AB  BD 
 
E*E’=
 CA   DC  CB   DD  .

Exerc. 2.38 - Sejam A e B matrizes 2nx2n particionadas em blocos nxn, na forma

 A1 A2   B1 B2   A1B1  A2 B3 A1B1  A2 B4 
     
A =  A3 A4  e B =  B3 B4  . Mostre que A*B =  A3B1  A4 B3 A3B2  A4 B4 

Exerc. 2.39 - No exemplo 2.15, observe que, para uma demanda final d, há necessidade de uma demanda
intermediária de valor Cd. Mas para produzir este acréscimo Cd de demanda intermediária, faz-se necessária
uma segunda rodada de demanda intermediária de valor C(Cd). Por sua vez, a este acréscimo C 2d na demanda
intermediária faz-se necessário acrescentar uma nova demanda intermediária valendo C(C 2d)= C3d. E assim
por diante...

i - Comente por que seria razoável esperar para que a produção total x correspondente fosse bem aproximada
por:

x = d + Cd + C2d +  + Cmd = (I + C + C2 +  + Cm)d

Ii - Observe que ( I + C + C2 +  + Cm) (I – C) = (I – C) ( I + C + C2 +  + Cm) = I – Cm+1

Iii - Calcule os valores de C2, C4, C8, C16 e C32, para a matriz C, dada no exemplo 2.15 e verifique que as
entradas de C32 são bem menores que as entradas de C.

Iv - Supondo que cada entrada de (I + C + C2 +  + Cm) é uma sequência convergente e que cada entrada de
Cm tende a zero, verifique que isto corresponde a dizer que

 (I – C)-1 = I + C + C2 + C3 +  é uma matriz de entradas não negativas.

 Para cada demanda d que se queira obter (com coordenadas não-negativas) é possível fixar x = (I –
C)-1d, igualmente com coordenadas não negativas.

Exerc. 2.40* - O objetivo deste exercício é verificar que se C é uma matriz de entradas não positivas e a soma
das entradas de cada coluna é menor que 1, então I-C tem uma inversa com entradas não negativas.
Recomendamos que se faça antes o exercício anterior.
 36

Sejam  e  números positivos e menores que 1. Considere ainda matrizes C e D, nxn, de números não-
n
∑ C ij≤α<1
negativos e tais que a soma das entradas de cada coluna de C seja menor ou igual a  ( 0  i=1

n
∑ Dij ≤β<1
), assim como a soma das entradas de cada coluna de D seja menor ou igual que  (0  i=1 ), para
cada j = 1,2,,n .
i – Mostre que a soma das entradas de cada coluna de CD é menor ou igual a  ou seja, que

n
∑ (CD )ij≤αβ
i=1 , para todo j = 1,2,,n
n n
n n n
∑ (CD )ij=∑ ∑ C ik Dkj =∑ ∑ Cik D kj
n n
k =1
⏟ ( )
∑ Dkj ∑ Cik
i=1

(Sugestão: Verifique que i=1 i=1 k=1 k=1 i=1 = ¿α  

n
∑ Dkj ≤αβ
i=1 )
ii – Conclua que a soma dos elementos de cada coluna de Am é menor ou igual a m.

iii – Conclua que (I + A + A2 +  + Am)ij  1 /1-  e que (I – A)-1 = I + A + A2 + 

(Sug: Use o fato que toda sequência crescente e limitada de números reais é convergente)

Exerc. 2.41 - Verifique que, se A é uma matriz com 4 linhas , então

0 1 0 0  A1   A2 
     
1 0 0 0  A2   A1 
0 0 1 0  A3   A3 
     
0 0 0 1  A4  =  A4 

Exerc. 2.42 - Verifique que, se A é uma matriz com 4 colunas então

0 1 0 0
 
1 0 0 0
0 0 1 0
 
A 1
A2 A3 A4   0 0 0 1 =  A2 A1 A3 A4 
 37

Exerc. 2.43* - Diz-se que uma matriz é de permutação se ela é obtida de alguma matriz identidade I nxn
fazendo uma permutação nas linhas de Inxn . Por exemplo, a matriz do exercicio acima é obtida da identidade
trocando as duas primeiras linhas.

i - Mostre que se P é uma matriz de permutação nxn e A tem n linhas, então P*A corresponde a efetuar em A a
mesma troca de linhas que se fez na matriz identidade para chegar em P.

ii - Verifique que uma matriz de permutação pode se obter igualmente fazendo alguma permutação nas colunas
da matriz identidade.

iii - Mostre que se P é uma matriz de permutação nxn e A tem n colunas, então A*P corresponde a efetuar em
A a mesma troca de colunas que se fez na matriz identidade para chegar em P.

iv - Mostre que se P é uma matriz de permutação nxn então P é ortogonal.

v - Se P e P’ são matrizes de permutação nxn então P*P’ também é.

 1 0 0  1 0 0
   
 2 1 0  0 1 0
   
Exerc. 2.44 - Sejam G1 =
  2 0 1 e G =  0 5 1 .
2

Verifique que se A é uma matriz com 3 linhas e n colunas:

 A1   A1 
   
 A2  2 A1   A2 
 
i - G1 A =
 A3
 2 A1
 e G2 A =  A3  5 A2 

 1 0 0  1 0 0
   
 4 1 0  2 1 0
ii - G12 = G1*G1 =  4 0 1 , G1*G2 =  2 5 1 e G1*G2  G2*G1 .

 1 0 0  1 0 0
   
  2 1 0  0 1 0
   
iii - -1
(G1 ) =
 2 0 1 e -1
(G2) =
 0  5 1
 38

Exerc 2.45* - (1-matriz de Gauss) Generalizando o que obtivemos no exercício 2.50:

Denominamos de 1-matriz de Gauss, à que se obtem da identidade mxm, substituindo os (m-1)

zeros da primeira coluna, situados abaixo da diagonal principal, por um vetor qualquer do (m-1),
digamos g(1) = (g21 ,g31 ,........, gm1)T.

 1 0 ...... 0  1 0  0
   
   g 21 1  0
 g (1) I ( m 1) x ( m 1)      
   
Ou seja, G1 =
  =
 g m1 0  1 .

g(1) é denominado vetor de Gauss correspondente a G1 .

Seja A uma matriz com m linhas qualquer. Mostre que

 A1 
 
 A 2  g 21A1 
  
  
 
  
 
 A m  g m1A1
i - G1 A =

ii - Se H 1 é outra 1-matriz de Gauss, então G1*H1 também é uma 1-matriz de Gauss, cujo vetor de Gauss é a
soma dos vetores de Gauss correspondentes a G1 e H1 .

iii - G1 é invertível e sua inversa se obtem de G1 , substituindo g(1) por - g(1) na primeira coluna de G1
Exerc. 2.46* - (i-matriz de Gauss).
Denominamos de i-matriz de Gauss, à que se obtem da identidade mxm substituindo sua i-ésima
coluna, por um vetor do m na forma g(i) = (0,0,...,0,1,gi+1 ,gi+2 ,........, gm )T. Ou seja, o vetor de Gauss g (i) só
difere da i-ésima coluna da matriz identidade, nas coordenadas i+1, i+2, ..... , m.

g(i) é denominado vetor de Gauss correspondente a Gi .

Seja A uma matriz com m linhas qualquer. Mostre que:

i - Gi A se obtem substituindo Ak pela soma de Ak com gk Ai, para k = i+1,,n. Ou seja:

 39

 A1 
 
 A2 
  
 Ai 
 
 A i 1  g i 1 A i 
  
 
 Am  g mA i 
Gi A =

ii - Se i  j , Gi é uma i-matriz de Gauss e Hj uma j-matriz de Gauss, então Gi*Hj se obtém da matriz
identidade substituindo cada zero fora diagonal principal pela soma dos valores correspondentes em G i e Hj. Ou
seja:

1, se p  q

(Gi*Hj )pq = ( G i ) pq  ( H j ) pq , se p  q

Mostre ainda que isto pode não valer se i > j .

iii - Gi é invertível e Gi-1 se obtem trocando-se o sinal de todas as componentes do vetor de Gauss g (i) , exceto a
primeira não-nula, gi , que vale sempre gi =1.
 40

EXERCÍCIOS A SEREM FEITOS COM O AUXÍLIO DE UM COMPUTADOR:

(Opcional)

Os exercícios abaixo podem ser feitos com a ajuda de programas como Matlab, Mathematica, Maple,
Mathcad, Scilab, Derive, etc... Até mesmo em máquinas de calcular que programam operações com matrizes
como algumas HP científicas é possível trabalhar os exercícios a seguir. Cuidado para o fato que a maioria dos
programas distinguem entre letras maiúsculas e minúsculas... Tanto nos exercícios abaixo como na grande
maioria dos demais exercícios deste livro, as entradas das matrizes serão números trabalhados como pontos
flutuantes, ou seja aproximados por um certo número de algarismos (8 ou 16, em geral). Mesmo para matrizes
20x20, esta é quase sempre a alternativa razoável para se trabalhar nas aplicações. Algumas questões
importantes se impõem em função disto e no apêndice do livro situamos um pouco da aritmética com pontos
flutuantes. Por ora, basta prestar atenção para o fato que há erros de arredondamento em operações com pontos
flutuantes... Neste sentido, o número 0, não se distingue de 10-16, se trabalharmos com 16 casas decimais.

2.C1 - Um dos objetivos deste exercício é que você se familiarize com operações usuais com matrizes do
programa matemático que você esteja usando. Em geral, com uma procura bem feita no help, ou num tutorial,
ou ainda no manual de seu programa é possível encontrar as funções capazes de realizar as operações
solicitadas. Os ítens deste exercício estão relacionados de forma a serem usados numa mesma sessão de seu
programa.

1.0 2.0 3.0 4 .0 1.0

i – Armazene A =
( 4.0
−1.0
0.0
3.0
2.0
1.0
2.0
3.0
0.0
1.0
4 .0
1.0
) ()
, b=
0.0
1.0
1.0 e faça c =A*b

ii – Procure no seu programa a sintaxe para formar matrizes com entradas de A, e peça ao seu computador para
armazenar em A23, a entrada A23 de A, para criar a matriz A1 4x1, formada pela primeira linha de A, bem
como X1, 1x4, formada pela primeira coluna de A. Crie em X23 uma matriz 2x2, coincidente com o bloco
formado pelas entradas de A nas linhas 2 e 3, bem como nas colunas 2 e 3.

iii - Armazene em LIX a matriz formada a partir de A, substituindo A23 e A32 por zero.

iv - Armazene em LIX a matriz formada a partir de A, substituindo o bloco formado pelas entradas de A nas
linhas 2 ou 3 e nas colunas 2 ou 3, pela matriz identidade 2x2. Faça-o em bloco, ou seja sem trocar entrada por
entrada.

v - Armazene em AA a matriz formada a partir de A, substituindo a sua primeira linha pela soma das duas
últimas. Também aqui, nenhuma entrada de AA deve ser obtida isoladamente, muito menos somando-se na
mão as entradas correspondentes de A.
vi – Procure no seu programa os comandos correspondentes a calcular matrizes m xn formadas todas com zeros,
a matriz identidade nxn, números e matrizes aleatórias (com entradas aleatoriamente escolhidas como números
entre 0 e 1, com pelo menos oito casas decimais) e armazene em Z uma matriz 4x4 toda formada com zeros,
em I4 a matriz identidade 4x4, em B e em C duas matrizes aleatórias 4x4.
 41

vii –Mande seu computador calcular B*C e C*B. Apostamos que você obteve resultados diferentes.

viii - Renove as matrizes aleatórias B e C do item vi e peça ao computador para calcular B*C e C*B
novamente. Apostamos que continua dando diferentes. Se tiver paciência, repita a operação umas 6.243 vezes.
Continuamos apostando que, considerando pelo menos oito casas decimais, em nenhuma vez você obteve B*C
= C*B.

ix - Compute (B - C)(B + C) e B2 – C2. Não era para dar o mesmo resultado?

x - Procure o comando no seu programa que inverte matrizes e armazene em invA a matriz inversa de A.
Verifique que ele funciona, calculando A*invA e invA*A. Deu o que você esperava? Compute ainda a
inversa de B em invB. Cheque para ver se invB*invA é, de fato, a inversa de A*B. Compute também
invA*invB e verifique que ela não é uma inversa de A*B.

xi - Faça x = invA*b e calcule A*x – b. Não deveria dar 0? Interprete o resultado que você obteve.

xii -. Peça ao seu computador para armazenar em invAA a matriz inversa de AA que você obteve no item v.
Preste bem atenção na resposta que ele vai lhe dar. Caso ele lhe dê uma matriz invAA, leia atentamente a
advertência que ele lhe estará fazendo, tente calcular AA*invAA e invAA*AA e analise o resultado.

xiii - Caso o seu computador tenha lhe devolvido uma matriz invAA no item anterior, faça x = invAA*b .
Calcule AA*x – b e explique porquê não deu zero.

xiv – Se certifique que b e c ainda são matrizes 4x1, como no item i, compute os produtos b Tc, cTb, bem como
bcT e cbT e compare os resultados obtidos.

xv - Faça F = B + B T e G = C + C T. Verifique que F e G resultaram simétricas, mas F*G não é simétrica.

Calcule FT *GT e GT*FT. Qual delas resulta ser (F*G)T ?

2.C2 - Escreva matrizes A e B formadas, cada uma, por blocos de matrizes aleatórias 2x2, ou seja, A =
A11 A12 B11 B12
( A21 A22
eB=
) ( B21 B 22 )
, onde cada um dos Aij e dos Bij são matrizes 2x2. Peça ao computador para
calcular C = A*B. Verifique que cada um dos 4 correspondentes blocos 3x2 de C é da forma C ij = Ai1B1j +
Ai2B2j

2.C4 - Faça o mesmo que no exercício anterior para o caso de A ser uma matriz aleatória 6x6, particionada
em 6 matrizes 3x2 e B uma matriz aleatória 6x4 particionada em 6 matrizes 2x2. Ou seja, faça A =
B11 B12

( A11
A21
A12 A 13
A22 A 23 )
, B =
( B21 B 22
B31 B32 )
. Particione o produto C = A*B correspondentemente em 4
matrizes 3x2 e verifique que cada um dos 4 correspondentes blocos 2x2 de C é da forma C ij = Ai1B1j + Ai2B2j +
Ai3B3j
 42

2.C5 - Monte matrizes A (mxn) e B (nxp), ou seja, multiplicáveis, e particionadas em blocos rxs e sxt,
respectivamente. Verifique, em cada caso, que o produto C = A*B pode se escrever correspondentemente
numa forma particionada em blocos rxt e que cada um dos tais blocos se escreve como C ij = Ai1B1j +  +
AiBj , onde  = n/s, Ai é um bloco rxs de A e Bj é um bloco sxt de B
 43

2.C6 – Considere o grafo abaixo e monte sua matriz de adjacências A.

Um caminho num grafo é uma sequência de arestas adjacentes ligando um vértice do grafo a outro. Diz-se que
um caminho tem comprimento k, se ele é constituído por k arestas. Peça ao computador para computar A 4 e A5
e diga quantos caminhos de comprimento 4 e quantos de comprimento 5 existem entre o vértice mais a
esquerda e o mais a direita do grafo

2.C7* – Armazene em H uma matriz aleatória 10x10, com entradas entre 0 e 1 e mande calcular a matriz
inversa de Id – H, onde Id é a matriz identidade 10x10. Muito provavelmente invH = (Id – H) -1 resultará uma
matriz com algumas entradas positivas e outras negativas. Calcule a inversa de Id – H/10 e observe que todas as
suas entradas são positivas. A priori, nada nos garante que uma matriz aleatória seja invertível. No entanto, na
prática, isto resulta acontecer quase sempre. A explicação para este fato utiliza argumentos de análise bastante
elaborados e está além do que poderíamos tentar fazer, neste momento. Admitindo que Id-H/10 é invertível,
tente explicar porque os coeficientes de (Id – H/10)-1 resultam positivos.

(Sugestão: Use o exercício 2.46. )