ALEE MiegiMiematMiemec 1920

Algumas regras 1
Álgebra Linear EE
Guião da Unidade Curricular pontualidade nas aulas T e TP
os alunos devem levar a sebenta para as aulas T e TP

Mestrado Integrado em Engenharia e Gestão Industrial não se pode usar portáteis, tablets e telemóveis nas aulas
Mestrado Integrado em Engenharia de Materiais
Mestrado Integrado em Engenharia Mecânica os testes são obrigatórios e com inscrição prévia
1o ano/1o semestre
2019/20 não há nota mı́nima nos testes
todas as provas de avaliação são sem máquina de calcular e

sem consulta
os alunos devem ser portadores de documento oficial com

Gaspar J. Machado
Departamento de Matemática fotografia em todas as provas de avaliação
Universidade do Minho
as melhorias de nota seguem as regras estipuladas no RAUM
Plataforma de e-learning 2 Equipa docente 3
elearning.uminho.pt docente gabinete correio eletrónico

Gaspar J. Machado Edifı́cio 12, 2.14 gjm@math.uminho.pt
avisos
material de apoio às aulas
classificações das provas de avaliação

Horário das aulas e horário de dúvidas 4 Objetivos 5
MIEGI+MIEMat
dia hora tipo sala

A unidade curricular Álgebra Linear EE é uma das componentes da
sexta-feira 09h10/10h50 T Edifı́cio 12, 1.03 formação básica em Ciências dum curso de Engenharia. Os
quarta-feira 11h10/12h50 TP1 Edifı́cio 12, 1.03 conceitos e as técnicas aı́ apresentadas têm por objectivo
segunda-feira 11h10/12h50 TP2 Edifı́cio 12, 2.12 desenvolver as capacidades de abstracção e de raciocı́nio
lógico-dedutivo através da aquisição de algumas das ferramentas
MIEMec base de Álgebra Linear necessárias à progressão do estudo da
dia hora tipo sala Engenharia.
quarta-feira 09h10/10h50 T Edifı́cio 2, 0.24 A disciplina de Álgebra Linear é um ramo da Matemática que
terça-feira 11h10/12h50 TP1 Edifı́cio 2, 2.77 surgiu do estudo detalhado dos sistemas de equações lineares,
sexta-feira 11h10/12h50 TP2 Edifı́cio 2, 2.77 sejam elas algébricas ou diferenciais, podendo ser vista como uma
generalização natural da disciplina de Geometria Analı́tica.
dúvidas (confirmar por correio eletrónico)
dia hora gabinete

segunda-feira 14h00/16h00 Edifı́cio 12, 2.14
Resultados de aprendizagem 6 Programa da unidade curricular 7
RA1: Operar com matrizes. 1. Matrizes — operações com matrizes; matrizes invertı́veis;
RA2: Calcular o determinante e a inversa de uma matriz. matrizes em forma de escada e em escada reduzida;
caracterı́stica de uma matriz.
RA3: Classificar e resolver sistemas de equações lineares.
2. Determinantes — propriedades; Teorema de Laplace; matriz
RA4: Determinar uma base e a dimensão de um subespaço
adjunta de uma matriz; cálculo da inversa de uma matriz pelo
vetorial de Rn .
método da matriz adjunta.
RA5: Identificar e representar matricialmente aplicações
3. Sistemas de Equações Lineares — classificação de sistemas;
lineares.
algoritmo de eliminação de Gauss; o algoritmo de
RA6: Calcular os valores próprios e os vetores próprios de uma
Gauss-Jordan para a inversão de matrizes invertı́veis; regra de
matriz.
Cramer.
Programa da unidade curricular (cont.) 8 Bibliografia + Material de apoio pedagógico 9
Álgebra Linear, S. Lipschutz, Colecção Schaum, McGraw-Hill.

4. Espaços Vetoriais — dependência e independência lineares;
Linear Algebra LABS with Matlab, D. R. Hill e D. E. Zitarelli,
subespaço vetorial; geradores de um subespaço vetorial; base e Prentice Hall.
dimensão de um subespaço vetorial; representação de Álgebra Linear como introdução a Matemática Aplicada, L. T.
Magalhães, Texto Editora.
subespaços através de sistemas de equações lineares.
Introdução à Álgebra Linear e Geometria Analı́tica, F. R. Dias
5. Aplicações Lineares de Rn para Rm — matriz; soma e Agudo, Escolar Editora.
Álgebra Linear com Aplicações, S. J. Leon, Editora Afiliada.
composição de aplicações lineares; núcleo e imagem; nulidade
e caracterı́stica.
6. Valores Próprios e Vetores Próprios — valores e vetores Tópicos de Álgebra Linear, Gaspar J. Machado, Irene Brito,
próprios de uma matriz: definição e cálculo; diagonalização. Sofia Lopes, Universidade do Minho, setembro de 2019 (v4.0).
Avaliação periódica 10 Época de recurso e época especial 11
Classificação final da “Época Normal” (CF ): sejam t1 e t2 as Classificação final da Época de Recurso e Época Especial
classificações obtidas na escala 0 a 20 nos Testes 1 (6 de (CF ): seja E a classificação obtida na escala 0 a 20 no
novembro, 14h30/16h30) e 2 (18 de dezembro, Exame. Então:
14h30/16h30), respetivamente. Então:
se faltou ou desistiu a algum dos testes então CF ← Faltou se E > 9.5 então CF ← round(E ) fimse
senão se E ∈ [8.0; 9.5[ então CF ← 10 se tiverem sido atingidos os
CFprov ← t1 +t
2
2
objetivos mı́nimos numa prova complementar (toda a
se CFprov > 9.5 então CF ← round(CFprov ) fimse matéria, 30 minutos) e CF ← Reprovado, caso contrário
se CFprov ∈ [8.0; 9.5[ então CF ← 10 se tiverem sido fimse
atingidos os objetivos mı́nimos numa prova se E < 8.0 então CF ← Reprovado fimse
complementar (toda a matéria, 30 minutos)
e CF ← Reprovado, caso contrário fimse
se CFprov < 8.0 então CF ← Reprovado fimse
fimse
Índice
1 Matrizes
Tópicos de Álgebra Linear
2 Determinantes
Gaspar J. Machado, Irene Brito, Sofia Lopes
3 Sistemas de Equações Lineares
Departamento de Matemática, Universidade do Minho
setembro de 2019 (v4.0) 4 Espaços Vetoriais
5 Transformações Lineares de Rn em Rm
6 Valores e Vetores Próprios
1 – Matrizes 1 – Matrizes Definições iniciais
Obs 1.1
1 Matrizes
Recorde a notação para alguns conjuntos:
N: números naturais (números inteiros positivos).
2 Determinantes N0 : números inteiros não-negativos.
Z: números inteiros.
3 Sistemas de Equações Lineares Q: números racionais.
I: números irracionais.
4 Espaços Vetoriais R = Q ∪ I: números reais.
C: números complexos.
GJM, IB, SL (DMat, UM) Tópicos de Álgebra Linear setembro de 2019 (v4.0) 1 GJM, IB, SL (DMat, UM) Tópicos de Álgebra Linear setembro de 2019 (v4.0) 2
1 – Matrizes Definições iniciais 1 – Matrizes Definições iniciais
Def 1.2 Def 1.4

Jproduto cartesiano de dois conjuntosK Sejam A e B conjuntos.
(a) Jproduto cartesiano de um número finito de conjuntosK Sejam n ∈ N
Chama-se produto cartesiano de A e B, que se representa por A × B, ao
e A1 , . . . , An conjuntos. Chama-se produto cartesiano de A1 , . . . , An ,
conjunto formado pelos pares ordenados tais que a primeira componente
que se representa por A1 ×. . .×An , ao conjunto formado pelos n-uplos
pertence a A e a segunda componente pertence a B, ou seja,
tais que a i-ésima componente é um elemento de Ai , ou seja,
def
A × B = {(α, β) : α ∈ A, β ∈ B}. def
A1 × · · · × An = {(a1 , . . . , an ) : ∀i ∈ {1, . . . , n} [ai ∈ Ai ]}.
(b) Jpotência cartesiana de um conjuntoK Sejam A um conjunto e n ∈ N.

Exe 1.3
Chama-se potência cartesiana de ordem n de A, que se representa por
Descreva por extensão {1, 2, 3} × {a, b}. An , ao conjunto formado pelos n-uplos tais que todas as componentes
são elementos de A, ou seja,
Res
def
{1, 2, 3} × {a, b} = {(1, a), (1, b), (2, a), (2, b), (3, a), (3, b)}. An = {(a1 , . . . , an ) : ∀i ∈ {1, . . . , n} [ai ∈ A]},
identificando-se A1 com A.
Exe 1.5 Def 1.6

Descreva por compreensão R3 .
(a) Jmatriz, tipo de uma matriz K Sejam m, n ∈ N. Chama-se matriz
do tipo m × n (lê-se “m por n”) a uma função real com domı́nio
Res
{1, . . . , m} × {1, . . . , n}.
R3 = {(x1 , x2 , x3 ) : x1 , x2 , x3 ∈ R}.
(b) JMm×n (R)K Representa-se por Mm×n (R) o conjunto das matrizes do
tipo m × n.
Obs 1.7
(a) Uma matriz do tipo m × n é uma tabela composta por m linhas e n

colunas cujos elementos são números reais.
(b) É possı́vel considerar matrizes cujos elementos do conjunto de che-
gada não são números reais (e.g., números complexos e polinómios).
Neste curso, porém, considera-se apenas matrizes cujos elementos do
conjunto de chegada são números reais.
Def 1.8 Obs 1.10

JescalarK Chama-se escalar a um elemento de R.
(a) Sejam A ∈ Mm×n (R), i ∈ {1, . . . , m} e j ∈ {1, . . . , n}. Se se quiser
representar por ξij o elemento ij da matriz A, usa-se a notação
Def 1.9
Jelemento de uma matrizK Sejam A ∈ Mm×n (R), i ∈ {1, . . . , m} e A = [ξij ] ∈ Mm×n (R).
j ∈ {1, . . . , n}. Chama-se elemento ij da matriz A, que se representa por
(A)ij (ou por (A)i,j se houver ambiguidade relativamente aos ı́ndices), a (b) É habitual representar matrizes por letras maiúsculas. Neste caso,
para representar o elemento ij duma matriz é também habitual usar
def a respetiva letra minúscula afetada do ı́ndice ij, ou seja,
(A)ij = A(i, j).
A = [aij ] ∈ Mm×n (R).
Obs 1.10 (cont.) Exe 1.11

Dê um exemplo de um elemento de M2×3 (R).
(c) Seja A = [aij ] ∈ Mm×n (R). A representação habitual de A é
  Res h
a11 a12 · · · a1n 1 1
−4
i
 a21 a22 · · · a2n  A= √ 3 .
2 0 π
A= . .. ,
 
. .. . .
 . . . .
am1 am2 · · · amn
em que aij ∈ R, i = 1, . . . , m, j = 1, . . . , n.
(d) Neste curso, as letras “i” e “j” nunca estão associadas à unidade ima-
ginária dos números complexos.
(e) Quando se está perante matrizes do conjunto M1×1 (R), o contexto
será suficiente para distinguir se se está a fazer referência à matriz ou
ao único elemento que a constitui.
Exe 1.12 Def 1.13

Explicite as seguintes matrizes: Seja A = [aij ] ∈ Mm×n (R).
(a) A ∈ M2×3 (R), (A)ij = j − i. (a) Jlinha de uma matrizK Chama-se linha i da matriz A, que se representa
(b) X = [ξij ] ∈ M2×2 (R), ξij = ij + 1. por ì,A (ou por ì se não houver ambiguidade relativamente à matriz),
ao n-úplo
Res def
ì,A = (ai1 , ai2 , . . . , ain ) ∈ Rn .
(a)
(b) Jcoluna de uma matrizK Chama-se coluna j da matriz A, que se re-
(A)11 (A)12 (A)13 1−1 2−1 3−1 0 1 2 presenta por cj,A (ou por cj se não houver ambiguidade relativamente
A= = = .
(A)21 (A)22 (A)23 1−2 2−2 3−2 −1 0 1 à matriz), ao m-úplo
(b) def
cj,A = (a1j , a2j , . . . , amj ) ∈ Rm .

ξ11 ξ12 1×1+1 1×2+1 2 3
X = = = .
ξ21 ξ22 2×1+1 2×2+1 3 5
Exe 1.14 Def 1.15

Seja a matriz A = [ 15 26 37 48 ]. Seja A ∈ Mm×n (R).
(a) Indique o elemento que está na segunda linha e na terceira coluna da (a) Jmatriz colunaK Diz-se que A é uma matriz coluna se n = 1.
matriz A. (b) Jmatriz linhaK Diz-se que A é uma matriz linha se m = 1.
(b) Indique o elemento 12 da matriz A.
(c) Indique a segunda linha da matriz A. Obs 1.16
(d) Indique a terceira coluna da matriz A. É habitual representar matrizes linha e matrizes coluna por letras
minúsculas e os seus elementos apenas com um ı́ndice. Assim, e usando
Res esta notação, a representação da matriz coluna x com m linhas é
x1
(a) (A)23 = 7. x = ... e da matriz linha y com n colunas é y = [ y1 ··· yn ].

xm
(b) (A)12 = 2.
(c) `2 = (5, 6, 7, 8).
(d) c3 = (3, 7).
Def 1.18
Exe 1.17
Jmatriz retangular, matriz quadradaK Seja A ∈ Mm×n (R). Diz-se que A
(a) Dê um exemplo de uma matriz linha com 3 elementos. é uma matriz retangular se m 6= n. Caso contrário, diz-se uma matriz
quadrada.
(b) Indique o valor lógico da seguinte proposição: “Há matrizes que são
simultaneamente matrizes linha e matrizes coluna.” Exe 1.19
Indique se a seguinte proposição é verdadeira ou falsa: “A = [ 10 20 30 ] é
Res uma matriz retangular.”
(a) q = [ 0 4 −1 ]. Res
(b) Proposição verdadeira pois, por exemplo, A = [3] é simultaneamente A proposição é verdadeira pois o número de linhas da matriz A, que é 2,
uma matriz linha e uma matriz coluna. é diferente do número de colunas, que é 3.
Exe 1.20
Dê um exemplo de uma matriz quadrada.
Res
G = [ 10 20 ].
Def 1.21 Def 1.24

Jordem de uma matriz quadradaK Seja A ∈ Mn×n (R). A diz-se uma Seja A = [aij ] ∈ Mn×n (R).
matriz de ordem n. (a) Jdiagonal ou diagonal principal de uma matrizK Chama-se diagonal ou
diagonal principal de A ao n-uplo (a11 , a22 , . . . , ann ).
Obs 1.22
(b) Jdiagonal secundária de uma matrizK Chama-se diagonal secundária
Uma matriz de ordem n tem n linhas e n colunas. de A ao n-uplo (a1n , a2,n−1 , . . . , an1 ).
Exe 1.23
Dê um exemplo de uma matriz de ordem 4. Obs 1.25
As definições anteriores só se aplicam a matrizes quadradas.
Res
1 201

0 −1 0 1
X = 0 −1 3 1 .
0 104
Exe 1.26 h Def 1.27

1 00
i
Seja D = 1 00 . Jmatriz diagonalK Seja A = [aij ] ∈ Mn×n (R). A diz-se uma matriz
2 −1 2
diagonal se
(a) Indique a diagonal de D.
(b) Indique a diagonal secundária de D. ∀i, j ∈ {1, . . . , n} [i 6= j → aij = 0].
Res
Obs 1.28
(a) (1, 0, 2).
(a) A definição anterior só se aplica a matrizes quadradas.
(b) (0, 0, 2).
(b) A é uma matriz diagonal se todos os elementos que não pertencem à
diagonal são zeros, não sendo, por isso, relevante para esta classifica-
ção se os elementos da diagonal são zeros ou não.
(c) Seja A = [aij ] ∈ Mn×n (R). A não é uma matriz diagonal se
∃i, j ∈ {1, . . . , n} [i 6= j ∧ aij 6= 0].
Exe 1.29 Def 1.30

Jmatriz escalarK Seja A = [aij ] ∈ Mn×n (R). A diz-se uma matriz escalar
(a) Dê um exemplo de uma matriz diagonal de ordem 4.
se
(b) Dê um exemplo de uma matriz de ordem 3 que não seja diagonal.
∀i, j ∈ {1, . . . , n} [i 6= j → aij = 0] ∧ ∀i, j ∈ {1, . . . , n} [aii = ajj ].
Res
1 0 0 0
(a) A = 0 2 00 . Obs 1.31
0 0 00
h 01 0
0
00
1
i (a) A definição anterior só se aplica a matrizes quadradas.
(b) B = 0 1 0 .
0 0 1 (b) A é uma matriz escalar se todos os elementos que não pertencem à
diagonal são zeros e todos os elementos da diagonal são iguais.
(c) Seja A = [aij ] ∈ Mn×n (R). A não é uma matriz escalar se
∃i, j ∈ {1, . . . , n} [i 6= j ∧ aij 6= 0] ∨ ∃i, j ∈ {1, . . . , n} [aii 6= ajj ].
Exe 1.32 Def 1.33

Jmatriz triangular superiorK Seja A = [aij ] ∈ Mn×n (R). A diz-se uma
(a) Dê um exemplo de uma matriz escalar de ordem 3.
matriz triangular superior se
(b) Dê um exemplo de uma matriz diagonal de ordem 2 que não seja
escalar. ∀i, j ∈ {1, . . . , n} [i > j → aij = 0].
Res Obs 1.34

h2 0 0i
(a) A = 020 . (a) A definição anterior só se aplica a matrizes quadradas.
002
(b) B = [ 10 02 ]. (b) A é uma matriz triangular superior se todos os elementos “abaixo” da
diagonal são zeros, não sendo, por isso, relevante para esta classifica-
ção se os elementos da diagonal e “acima” da diagonal são zeros ou
não.
(c) Seja A = [aij ] ∈ Mn×n (R). A não é uma matriz triangular superior
se
∃i, j ∈ {1, . . . , n} [i > j ∧ aij 6= 0].

Exe 1.35 Def 1.36

Jmatriz triangular inferiorK Seja A = [aij ] ∈ Mn×n (R). A diz-se uma
(a) Dê um exemplo de uma matriz triangular superior de ordem 4.
matriz triangular inferior se
(b) Dê um exemplo de uma matriz de ordem 3 que não seja triangular
superior. ∀i, j ∈ {1, . . . , n} [i < j → aij = 0].
Res Obs 1.37

1 1 1 1
(a) A = 0 0 00 .
0 0 00 (a) A definição anterior só se aplica a matrizes quadradas.
h 01 0
0
00
0
i (b) A é uma matriz triangular inferior se todos os elementos “acima” da
(b) B = 0 1 0 .
diagonal são zeros, não sendo, por isso, relevante para esta classifi-
1 0 1
cação se os elementos diagonal e “abaixo” da diagonal são zeros ou
não.
(c) Seja A = [aij ] ∈ Mn×n (R). A não é uma matriz triangular inferior se
∃i, j ∈ {1, . . . , n} [i < j ∧ aij 6= 0].
Exe 1.38 Exe 1.39

Indique o valor lógico das seguintes proposições:
(a) Dê um exemplo de uma matriz triangular inferior de ordem 2.
P1 : “A matriz A = [2] é uma matriz diagonal.”
(b) Dê um exemplo de uma matriz de ordem 3 que não seja triangular
inferior. P2 : “A matriz B = [3] é uma matriz escalar.”
P3 : “A matriz C = [4] é uma matriz triangular superior.”
Res P4 : “A matriz D = [5] é uma matriz triangular inferior.”
hi
1 0
(a) A = 2 − 1 .
2
h1 1 1i Res
(b) B = 2 2 2 . Como não existem elementos que não pertencem à diagonal, que é
333
constituı́da por um único elemento, todas as proposições são verdadeiras.
Def 1.40
Def 1.42
Jtraço de uma matrizK Seja A ∈ Mn×n (R). Chama-se traço da matriz A,
Jmatriz nula, 0m×n , 0K Chama-se matriz nula a uma matriz cujos
que se representa por tr(A), à soma dos elementos da diagonal de A, ou
elementos são todos iguais a 0. Representa-se a matriz nula do tipo
seja,
m × n por 0m×n ou por 0 se não houver ambiguidade relativamente ao
n tipo.
def
X
tr(A) = (A)ii .
i=1 Exe 1.43
Indique a matriz nula do tipo 2 × 4.
Exe 1.41 h1 3 5i Res
Determine os traços das matrizes A = [ 37 29 ] e B = 790 .
246 02×4 = [ 00 00 00 00 ].
Res
tr(A) = 3 + 9 = 12 e tr(B) = 1 + 9 + 6 = 16.
Def 1.44 Def 1.46

Jmatriz identidade, In , I K Chama-se matriz identidade à matriz escalar Jmatrizes iguaisK Sejam A = [aij ] ∈ Mm×n (R) e B = [bij ] ∈ Mp×q (R).
cujos elementos da diagonal são todos iguais a 1. Representa-se a matriz Diz-se que A e B são matrizes iguais, escrevendo-se A = B, se:
identidade de ordem n por In ou por I se não houver ambiguidade (i) m = p.
relativamente à ordem. (ii) n = q.
(iii) aij = bij , i = 1, . . . , m, j = 1, . . . , n.
Exe 1.45
Indique a matriz identidade de ordem 3. Obs 1.47
A definição anterior usa-se em algumas demonstrações relativas a
Res h i matrizes.
100
I3 = 0 1 0 .
001 Exe 1.48
Indique o valor lógico da proposição “As matrizes A = [aij ] ∈ M3×2 (R),
aij = i + j, e B = [bij ] ∈ M2×3 (R), bij = j + i, são iguais.”
Res
Proposição falsa pois as matrizes A e B não são do mesmo tipo.
1 – Matrizes Soma de matrizes e produto de uma matriz por um escalar 1 – Matrizes Soma de matrizes e produto de uma matriz por um escalar
Def 1.49 Exe 1.51

−1 2 1
3 02

Jsoma de matrizesK Sejam A, B ∈ Mm×n (R). Chama-se soma das Considere as matrizes A = 0 1 −4 eB= 1 −1 2 . Calcule A + B.
matrizes A e B, que se representa por A + B, ao elemento de Mm×n (R)
tal que Res
def
(A + B)ij = (A)ij + (B)ij , i = 1, . . . , m, j = 1, . . . , n.
−1 2 1 3 0 2
A+B = +
0 1 −4 1 −1 2
Obs 1.50
−1 + 3 2+0 1+2

Só se podem somar matrizes do mesmo tipo. =
0 + 1 1 + (−1) −4 + 2

2 2 3
= .
1 0 −2
Def 1.52 Exe 1.54

Considere as matrizes A = −10 21 −41 e B = 31 −10 22 . Calcule:

Jproduto (ou multiplicação) de uma matriz por um escalarK Sejam
A ∈ Mm×n (R) e α ∈ R. Chama-se produto (ou multiplicação) da matriz (a) 2A.
A pelo escalar α, que se representa por αA, ao elemento de Mm×n (R) (b) −B.
tal que
def Res
(αA)ij = α(A)ij , i = 1, . . . , m, j = 1, . . . , n.
(a)

Obs 1.53 −1 2 1 2 × (−1) 2×2 2×1 −2 4 2
2A = 2 = = .
0 1 −4 2×0 2×1 2 × (−4) 0 2 −8
(a) É sempre possı́vel multiplicar uma matriz por um escalar.
(b) Seja a matriz A. Então, em vez de (−1)A escreve-se −A.
(b)

3 0 2 −3 0 −2
−B = − = .
1 −1 2 −1 1 −2
Teo 1.57
Obs 1.55
Sejam A e B matrizes do mesmo tipo. Então, tendo em consideração a (a) ∀A, B ∈ Mm×n (R) [A + B = B + A].
observação Obs 1.53 (b), em vez de A + (−B) escreve-se A − B. (b) ∀A, B, C ∈ Mm×n (R) [(A + B) + C = A + (B + C )].
(c) ∀A ∈ Mm×n (R) [A + 0m×n = A].
Exe 1.56
−1 2 1
(d) ∀A ∈ Mm×n (R) [A + (−A) = 0m×n ].
. Calcule 12 A − 3B.
3 02

Considere as matrizes A = 0 1 −4 eB= 1 −1 2
(e) ∀α, β ∈ R, ∀A ∈ Mm×n (R) [(αβ)A = α(βA)].
Res (f) ∀α, β ∈ R, ∀A ∈ Mm×n (R) [(α + β)A = αA + βA].
(g) ∀α ∈ R, ∀A, B ∈ Mm×n (R) [α(A + B) = αA + αB].
1

1 −1 2
(h) ∀A ∈ Mm×n (R) [1A = A].
1 3 0 2
A − 3B = −3
2 2 0 1 −4 1 −1 2
1 Obs 1.58
1 1

× (−1) − 3 × 3 2 ×2−3×0 ×1−3×2
= 2 1 1 1
2
× 0 − 3 × 1 × 1 − 3 × (−1) × (−4) − 3 × 2 (a) A matriz nula é o elemento neutro da soma de matrizes.
219 11
2 2
−2 1 −2 (b) Sejam A, B e C matrizes do mesmo tipo. Então, tem-se que a expres-
= .
−3 27 −8 são A + B + C não resulta ambı́gua devido à propriedade associativa
da soma de matrizes.
1 – Matrizes Produto de matrizes 1 – Matrizes Produto de matrizes
Def 1.59
Obs 1.60 (cont.)
Jproduto (ou multiplicação) de matrizesK Sejam A ∈ Mm×n (R) e
B ∈ Mn×p (R). Chama-se produto (ou multiplicação) da matriz A pela (c) Sejam A = [aij ] ∈ M3×2 (R) e B = [bij ] ∈ M2×4 (R). Como o
matriz B, que se representa por AB, ao elemento de Mm×p (R) tal que número de colunas da matriz A é igual ao número de linhas da matriz
n B, é possı́vel efetuar a operação AB. Por exemplo o elemento (AB)23
def
X
(AB)ij = (A)ik (B)kj , i = 1, . . . , m, j = 1, . . . , p. obtém-se considerando o produto escalar usual de `2,A e c3,B :
k=1  
∗ ∗ " #
∗ ∗ ∗ ∗

Obs 1.60 ∗ ∗ 4 ∗
2 1 = ∗ ∗ 3 ∗
  
∗ ∗ −5 ∗
(a) Só se pode efetuar a multiplicação da matriz A pela matriz B se ∗ ∗ ∗ ∗ ∗ ∗
o número de colunas da matriz A for igual ao número de linhas da
matriz B. Neste caso, o número de linhas da matriz resultante é igual | {z } | {z } | {z }
A∈M3×2 (R) B∈M2×4 (R) AB∈M3×4 (R)
ao número de linhas da matriz A e o número de colunas da matriz
resultante é igual ao número de colunas da matriz B. 2
X
(b) Sendo possı́vel multiplicar as matrizes A e B, o elemento ij da matriz (AB)23 = a2k bk3 = a21 b13 + a22 b23 = 2 × 4 + 1 × (−5) = 3.
AB é igual ao produto escalar usual de ì,A com cj,B , ou seja, (AB)ij = k=1
ì,A · cj,B .
Exe 1.61 Res

Considere as matrizes A = [ 13 24 ] e B = [ 58 69 70 ]. Indique se estão bem
(a) Como o número de colunas da matriz A é igual ao número de linhas
definidas as seguintes expressões, efetuando nesses casos as respetivas
da matriz B, é possı́vel efetuar a operação AB, tendo-se
operações:

(a) AB. 1 2 5 6 7
AB =
(b) BA. 3 4 8 9 0

1×5+2×8 1×6+2×9 1×7+2×0
=
3×5+4×8 3×6+4×9 3×7+4×0

21 24 7
= .
47 54 21
(b) Como o número de colunas da matriz B, que é 3, é diferente do

número de linhas da matriz A, que é 2, não é possı́vel efetuar a
operação BA.
Teo 1.62 Def 1.64

Jpotência de ordem p de uma matriz quadradaK Sejam p ∈ N e A uma
(a) ∀A ∈ Mm×n (R), ∀B ∈ Mn×p (R), ∀C ∈ Mp×q (R)[(AB)C = A(BC )].
matriz quadrada. Chama-se potência de ordem p da matriz A, que se
(b) ∀A, B ∈ Mm×n (R), ∀C ∈ Mn×p (R) [(A + B)C = AC + BC ]. representa por Ap , a
(c) ∀A ∈ Mm×n (R), ∀B, C ∈ Mn×p (R) [A(B + C ) = AB + AC ].
p
(d) ∀A ∈ Mm×n (R) [Im A = AIn = A]. def
Y
Ap = A.
(e) ∀α ∈ R,∀A ∈ Mm×n (R),∀B ∈ Mn×p (R)[α(AB) = (αA)B = A(αB)]. k=1
Obs 1.63
(a) A matriz identidade é o elemento neutro da multiplicação de matrizes.

(b) Sejam A ∈ Mm×n (R), B ∈ Mn×p (R) e C ∈ Mp×q (R). Então, tem-
se que a expressão ABC não resulta ambı́gua devido à propriedade
associativa da multiplicação de matrizes, fazendo sentido a seguinte
definição:
Exe 1.65 Obs 1.66

Seja A = [ 21 01 ]. Calcule A3 . A multiplicação de matrizes não goza da propriedade comutativa. Faz,
pois, sentido a seguinte definição:
Res
Como A é uma matriz quadrada, é possı́vel determinar A3 , tendo-se: Def 1.67
Jmatrizes comutáveisK Sejam A e B matrizes da mesma ordem. Diz-se
3 2 0 2 0 2 0 4 0 2 0 8 0 que as matrizes A e B são comutáveis se AB = BA.
A = = = .
1 1 1 1 1 1 3 1 1 1 7 1
Exe 1.68
Nota: como a multiplicação de matrizes é associativa, também se tem
A3 = A(AA). Verifique se as matrizes A = [ 21 11 ] e B = [ 11 10 ] são comutáveis.
Res
Como AB = [ 21 11 ] [ 11 10 ] = [ 32 21 ] e BA = [ 11 10 ] [ 21 11 ] = [ 32 21 ], tem-se que
AB = BA, pelo que A e B são matrizes comutáveis.
1 – Matrizes Produto de matrizes 1 – Matrizes Matrizes invertı́veis
Exe 1.69 Obs 1.70

Sejam A e B matrizes quadradas da mesma ordem. Mostre que Não se define a operação “divisão de matrizes”. No entanto, define-se um
(A + B)2 − (A − B)(A + B) − 2B 2 = 2BA. conceito semelhante ao de “número inverso”.
Res Def 1.71

Jmatriz invertı́vel ou não-singular, matriz não-invertı́vel ou singularK Seja
A ∈ Mn×n (R). Diz-se que A é uma matriz invertı́vel ou não-singular se
(A + B)2 − (A − B)(A + B) − 2B 2 existir uma matriz Z ∈ Mn×n (R) tal que AZ = ZA = In . Caso contrário,
= (A + B)(A + B) − (A − B)(A + B) − 2B 2 diz-se que A é uma matriz não-invertı́vel ou singular.
= A2 + AB + BA + B 2 − (A2 + AB − BA − B 2 ) − 2B 2
= A2 + AB + BA + B 2 − A2 − AB + BA + B 2 − 2B 2
= (A2 − A2 ) + (AB − AB) + (B 2 + B 2 − 2B 2 ) + BA + BA
= 0 + 0 + 0 + 2BA
= 2BA.
1 – Matrizes Matrizes invertı́veis 1 – Matrizes Matrizes invertı́veis
Exe 1.72 Teo 1.73

1
1 −1 21

Considere as matrizes A = 3 1 2 eB= −1 1 . Seja A uma matriz invertı́vel de ordem n. Então, existe uma e uma só
(a) Calcule AB. matriz Z ∈ Mn×n (R) tal que ZA = AZ = In .
(b) Calcule BA.
Dem
(c) A matriz A é invertı́vel?
Sejam X , Y ∈ Mn×n (R) tais que (1) AX = XA = In e (2)
(d) A matriz B é invertı́vel?
AY = YA = In . Então:
(e) As matrizes A e B são comutáveis?
(3) (2) (4) (2) (3)
X = XIn = X (AY ) = (XA)Y = In Y = Y ,
Res
1
1 −1 21
1
1 −1 21
1 30 10 em que (3) “I é o elemento neutro da multiplicação de matrizes” e (4) “a
(a) AB = −1 1 = = 3 [ 0 3 ] = [ 0 1 ].
3 1 2
21
1 1 −1
3
1
2 12 1−1−11
1
1 30 10
multiplicação de matrizes é associativa”. Assim, conclui-se que existe
(b) BA = −1 1 3 1 2 = 3 −1 1 1 2 = 3 [ 0 3 ] = [ 0 1 ]. uma e uma só matriz Z ∈ Mn×n (R) tal que ZA = AZ = In .
(c) Sim, pois existe uma matriz, B, tal que AB = BA = I2 .
(d) Sim, pois existe uma matriz, A, tal que BA = AB = I2 .
(e) Sim, pois AB = BA = I2 .
Def 1.74
Exe 1.77
Jmatriz inversaK Seja A uma matriz invertı́vel de ordem n. Chama-se
matriz inversa da matriz A, que se representa por A−1 , à única matriz Z Se a matriz B é a inversa da matriz A2 , mostre que A−1 = AB.
tal que AZ = ZA = In .
Res
Teo 1.75
Se (A2 )−1 = B, então B −1 = A2 , pelo que
Sejam A e B matrizes quadradas da mesma ordem tais que AB = I .
Então, A−1 = B. A(AB) = A2 B = B −1 B = I .
Obs 1.76
Assim, conclui-se que A−1 = AB.
(a) Se A é a matriz inversa da matriz B, então B é a matriz inversa da
matriz A.
(b) Sejam A e B matrizes quadradas da mesma ordem. Então, AB = I
se e só se BA = I . Assim, basta verificar se AB = I ou BA = I para
se concluir que as matrizes A e B são invertı́veis com A−1 = B e
B −1 = A.
(c) Uma resolução possı́vel para os exercı́cios em que se pede para mostrar
que A−1 = X é mostrar que AX = I .
Exe 1.78
Res (cont.)
Sabendo que a matriz A = [ 22 21 ] é invertı́vel, calcule a sua inversa através
da definição. Da segunda equação tem-se que b = −d. Substituindo na quarta,
obtém-se 2b + d = 1 ⇔ 2(−d) + d = 1 ⇔ −d = 1 ⇔ d = −1, pelo que
Res b = 1. hAssim, tem-se que a inversa da matriz A é a matriz
i
− 12 1
a b
Seja Z = c d a matriz inversa de A. Então, −1
A = .
1 −1
Mostre-se, apenas para efeito de verificação, que AA−1 = I2 :
2 2 a b 1 0 2a + 2c 2b + 2d 1 0
AZ = I2 ⇔ = ⇔ =
2 1 c d 0 1 2a + c 2b + d 0 1
2 2 − 12

1

2 × (− 21 ) + 2 × 1 2 × 1 + 2 × (−1)

−1
 AA = =

 2a + 2c =1 2 1 1 −1 2 × (− 12 ) + 1 × 1 2 × 1 + 1 × (−1)


 2b + 2d = 0 1 0
⇔ = .

 2a + c =0 0 1


 2b + d = 1.
Da terceira equação tem-se que c = −2a. Substituindo na primeira,

obtém-se 2a + 2c = 1 ⇔ 2a + 2(−2a) = 1 ⇔ −2a = 1 ⇔ a = − 21 , pelo
que c = 1.
Obs 1.79 Teo 1.81

Sejam A e B matrizes quadradas invertı́veis da mesma ordem. Então,
(a) Há matrizes quadradas que não são invertı́veis.
AB também é uma matriz invertı́vel e (AB)−1 = B −1 A−1 .
(b) Apresenta-se na observação Obs 1.126 uma condição para caracterizar
matrizes invertı́veis e um método mais prático para calcular inversas. Dem
Sejam A, B ∈ Mn×n (R) matrizes invertı́veis. Então:
Teo 1.80
(2) (1) (2)
Seja A uma matriz invertı́vel. Então, A−1 também é uma matriz (AB)(B −1 A−1 ) = A(BB −1 )A−1 = A(In )A−1 = (AIn )A−1
invertı́vel e (A−1 )−1 = A. (3) (1)
= AA−1 = In ,
Dem
em que (1) “definição de matriz inversa”, (2) ‘a ‘multiplicação de
Como A é uma matriz invertı́vel,
−1 tem-se que AA−1 = A−1 A = I . Logo, matrizes é associativa” e (3) “a matriz identidade I é o elemento neutro
−1
A é invertı́vel e A−1 = A. da multiplicação de matrizes”. Conclui-se, então, que AB é uma matriz
invertı́vel com (AB)−1 = B −1 A−1 .
1 – Matrizes Matrizes invertı́veis 1 – Matrizes Matriz transposta
Exe 1.82 Def 1.83

Sejam A e B matrizes comutáveis e invertı́veis. Mostre, por dois Jmatriz transpostaK Seja A ∈ Mm×n (R). Chama-se transposta da matriz
processos distintos, que (AB)−1 = A−1 B −1 . A, que se representa por AT , ao elemento de Mn×m (R) tal que
def
Res (AT )ij = (A)ji , i = 1, . . . , m, j = 1, . . . , n.
• Processo 1
Obs 1.84
(AB)−1 = (BA)−1 = A−1 B −1 .
(a) É sempre possı́vel calcular a matriz transposta de uma matriz.
• Processo 2
(b) Calcular a transposta de uma matriz corresponde a trocar linhas com
(AB)(A −1
B −1
) = (BA)(A −1
B −1
) = B(AA −1
)B −1 colunas.
−1 −1 −1
= B(I )B = (BI )B = BB = I.
1 – Matrizes Matriz transposta 1 – Matrizes Matriz transposta
Exe 1.85 Res (cont.)

1 −2 0 1

Considere as matrizes A = 0 21 eu= −1 . Calcule:
(b)
(a) AT .
AAT
 
(b) . 1 0
uT u 1 −2 0 
−2 2
0 2 1
AAT
5
0 1

Res 1 5 −4 2 −2
= = = 5 .
T 2 −4 5 −2

u u 1 2
(a) 1 −1
−1
 
T 1 0 Nota: relembre a observação Obs 1.10 (e).
1 −2 0
AT = =  − 2 2 .
0 2 1
0 1
1 – Matrizes Matriz transposta 1 – Matrizes Matriz transposta
Teo 1.86 Exe 1.87

T Sejam A, B e C matrizes quadradas da mesma ordem. Sabendo que as
(a) ∀A ∈ Mm×n (R) [ AT = A].
matrizes B e C são invertı́veis, resolva em ordem a X a equação matricial
(b) ∀A, B ∈ Mm×n (R) [(A + B)T = AT + B T ]. C −1 (A + X )T B −1 = I .
(c) ∀α ∈ R, ∀A ∈ Mm×n (R) [(αA)T = αAT ].
(d) ∀A ∈ Mm×n (R), ∀B ∈ Mn×p (R) [(AB)T = B T AT ]. Res
−1 T
(e) ∀A ∈ Mn×n (R) [A é uma matriz invertı́vel → AT = A−1 ].
C −1 (A + X )T B −1 = I ⇔ C (C −1 (A + X )T B −1 )B = CIB
⇔ (CC −1 )(A + X )T (B −1 B) = CIB ⇔ I (A + X )T I = CIB
⇔ (A + X )T = CB ⇔ ((A + X )T )T = (CB)T
⇔ A + X = (CB)T ⇔ X = (CB)T − A.
1 – Matrizes Matrizes simétricas 1 – Matrizes Matrizes simétricas
Def 1.88 Exe 1.91

Jmatriz simétricaK Seja A uma matriz quadrada. Diz-se que A é uma Mostre que o produto de uma matriz pela sua transposta é uma matriz
matriz simétrica se A = AT . simétrica.
Exe 1.89 Res

Dê um exemplo de uma matriz simétrica de ordem 3. Seja A uma matriz. Pretende-se mostrar que AAT é uma matriz
T
simétrica, ou seja, que AAT = AAT :
Res h
0 1 2 T T
i
A= 1 10 −3 . AAT = AT AT = AAT .
2 −3 1
Exe 1.90 h1 i
ab
Indique para que valores a, b, c ∈ R a matriz S = 1 2 3 é simétrica.
2c 3
Res
a = 1, b = 2, c = 3.
1 – Matrizes Matrizes ortogonais 1 – Matrizes Matrizes ortogonais
Def 1.92 Exe 1.94

Jmatriz ortogonalK Seja A ∈ Mn×n (R). Diz-se que A é uma matriz cos α − sen α ], α ∈ R, é ortogonal.
Verifique que a matriz A = [ sen α cos α
ortogonal se AAT = AT A = In .
Res
Obs 1.93 Como
Se A é uma matriz ortogonal, então A é uma matriz invertı́vel e
A−1 = AT . T cos α − sen α cos α sen α
AA =
sen α cos α − sen α cos α
cos2 α + sen2 α

cos α sen α − sen α cos α
=
sen α cos α − cos α sen α sen2 α + cos2 α

1 0
= ,
0 1
i.e., AAT = I2 , tem-se que A é uma matriz ortogonal.
1 – Matrizes Matrizes em escada e escada reduzida 1 – Matrizes Matrizes em escada e escada reduzida
Def 1.95 Exe 1.96 h i

00001
Seja A = [aij ] ∈ Mm×n (R). Seja A = 0 2 0 0 0 .
03040
(a) Jlinha nula de uma matrizK Diz-se que ì é uma linha nula da matriz (a) Identifique os pivôs das linhas não-nulas da matriz A.
A se
(b) Identifique as colunas pivô da matriz A.
ai1 = ai2 = · · · = ain = 0.
Res
(b) Jcoluna nula de uma matriz K Diz-se que cj é uma coluna nula da
matriz A se (a) Pivôs: (A)15 , (A)22 e (A)32 .
(b) Colunas pivô: c2 e c5 .
a1j = a2j = · · · = amj = 0.
(c) Jpivô de uma linha não-nulaK Chama-se pivô de uma linha não-nula Def 1.97
ao seu elemento não-nulo mais à esquerda. Jmatriz em escadaK Diz-se que uma matriz é uma matriz em escada se é
(d) Jcoluna pivôK Chama-se coluna pivô a uma coluna da matriz se existe uma matriz nula ou, no caso de não o ser, se o número de zeros à
um elemento pivô nessa coluna. esquerda do pivô aumenta de linha para linha até que, havendo, sobrem
apenas linhas nulas.
Exe 1.98
Def 1.99
Indique quais das seguintes matrizes são matrizes em escada:
Jmatriz em escada reduzidaK Diz-se que uma matriz é uma matriz em


0 1 2 0 3
 escada reduzida se é uma matriz nula ou, no caso de não o ser, se é uma
1 0 1 1 0 2 0 matriz em escada, se todos os pivôs são iguais a um e se estes são os
A= ,B = , C = 0 0 0 1 0 ,
0 1 1 0 2 0 0 únicos elementos não-nulos nas colunas pivô.
0 0 0 0 0
Exe 1.100
   
0 0 1 0 2 0 0 1
1 0 0 0 0 0
0 0 0 0 0 0 0 0
1 0 0 0 0 1 Indique quais das matrizes do exercı́cio Exe 1.98 são matrizes em escada
D=
0
,E =  ,
0 0 2 0 4 0 0
0 0 1 0 0 0 reduzida.
0 0 0 0 0 5 0 0
0 0 1 0 0 0
    Res
1 1
1 0 1 1 0 0 A, C , F , H, u.
F = ,G = ,H = , u = 0 , v = 1 .
0 1 0 1 0 0
0 0
Res
A, B, C , F , G , H, u.
Def 1.103
Def 1.101
Joperação elementar do tipo II nas linhas de uma matrizK Sejam
Joperação elementar do tipo I nas linhas de uma matrizK Sejam
A ∈ Mm×n (R), i ∈ {1, . . . , m} e α ∈ R \ {0}. Chama-se operação
A ∈ Mm×n (R) e i, i 0 ∈ {1, . . . , m}. Chama-se operação elementar do
elementar do tipo II nas linhas da matriz A à substituição de uma linha
tipo I nas linhas da matriz A à troca de duas linhas. A troca de ì com
por um seu múltiplo não-nulo. A substituição de ì pela linha que se
ì 0 representa-se por ì ↔ ì 0 .
obtém multiplicando por α os elementos de ì representa-se por
Exe 1.102 ì ← αì , que se lê “ì toma valor de αì ”.
h1 201
i
Aplique a operação `1 ↔ `3 à matriz A = 0 −1 1 1 . Exe 1.104
2 210 h1 201
i
Aplique a operação `3 ← 12 `3 à matriz A = 0 −1 1 1 .
2 210
Res
    Res
1 2 0 1 ←−−−→ 2 2 1 0
0 −1 1 1 0 −1 1 1 . 
1

2 0 1 ←−−−−→ 1

2 0 1

2 2 1 0 `1 ↔ `3 1 2 0 1 0 −1 1 1 0 −1 1 1 .
1
2 2 1 0 `3 ← 12 `3 1 1 2 0
Def 1.105
Obs 1.107
Joperação elementar do tipo III nas linhas de uma matrizK Sejam
Nas três últimas definições apenas se consideram operações sobre linhas,
A ∈ Mm×n (R), i, i 0 ∈ {1, . . . , m} e β ∈ R. Chama-se operação
apesar de também ser possı́vel definir operações sobre colunas. Fazendo
elementar do tipo III nas linhas da matriz A à substituição de uma linha
este curso apenas referência a operações elementares sobre linhas, estas
pela sua soma com um múltiplo de outra linha. A substituição de ì pela
passarão a ser referenciadas apenas por “operações elementares”.
linha que se obtém somando os elementos de ì aos elementos que se
obtêm multiplicando por β os elementos de ì 0 representa-se por Def 1.108
ì ← ì + βì 0 , que se lê “ì toma valor de ì + βì 0 ”.
Jmatrizes equivalentesK Sejam A, B ∈ Mm×n (R). Diz-se que A e B são
Exe 1.106 matrizes equivalentes, escrevendo-se A ←→ B, se se pode obter uma a
0 −1 1 1 partir da outra através duma sequência (finita) de operações elementares
Aplique a operação `1 ← `1 − 12 `2 à matriz A = 2 210 . com linhas.
Res Exe 1.109 h0 2 4 0i

Seja a matriz A = 1102 . Efetue a seguinte sequência de operações na
0 −1 1 1 `1 ← `1 − 12 `2 −1 −2 1

2 1 2205
. matriz A: `1 ↔ `2 , `3 ← `3 − 2`1 , `1 ← `1 − 2`3 , `2 ← 12 `2 e
2 2 1 0 ←−−−−−−−−→ 2 2 1 0
`1 ← `1 − `2 .
Res Teo 1.110

    Seja A ∈ Mm×n (R). Então, existe uma única matriz em escada reduzida
0 2 4 0 ←−−−−−−−→ 1 1 0 2 ←−−−−−−−→
que é equivalente à matriz A.
1 1 0 2 `1 ↔ `2 0 2 4 0
2 2 0 5 2 2 0 5 `3 ← `3 − 2`1 Obs 1.111
Seja A uma matriz não-nula. Então, existe uma infinidade de matrizes
1 1 0 2 `1 ← `1 − 2`3 1 1 0 0
   
em escada que são equivalentes à matriz A.
0 2 4 0 0 2 4 0 `2 ← 12 `2
0 0 0 1 ←−−−−−−−→ 0 0 0 1 ←−−−−−−−→ Def 1.112
Seja A uma matriz.

1 1 0 0 `1 ← `1 − `2 1 0 −2 0
   (a) Jfe(A)K Representa-se por fe(A) o conjunto das matrizes em escada
0 1 2 0 0 1 2 0 . que são equivalentes à matriz A.
0 0 0 1 ←−−−−−−−→ 0 0 0 1 (b) Jfer(A)K Representa-se por fer(A) a única matriz em escada reduzida
que é equivalente à matriz A.
Alg 1.114
Obs 1.113 “Algoritmo Transformação em Escada” (ATEsc): Seja A = [aij ] ∈ Mm×n (R). Então, o
Seja A uma matriz. seguinte algoritmo determina um elemento de fe(A):
Passo 1 [inicializar o algoritmo]
(a) Note-se que fe(A) é um conjunto de matrizes e que fer(A) é uma i ←1
matriz. j ← ı́ndice da coluna não-nula mais à esquerda da matriz A
Passo 2 [selecionar elemento pivô]
(b) Na observação Obs 1.17 apresenta-se um algoritmo para determinar se aij = 0 então
um elemento de fe(A) e na observação Obs 1.21 apresenta-se um ì ↔ `k , em que `k é a primeira linha abaixo da linha ì com um elemento diferente
algoritmo para determinar fer(A). de zero na coluna cj
fimse
Passo 3 [anular os elementos abaixo do pivô]
para p ← i + 1 até m fazer
apj
`p ← `p − ì
aij
fimpara
Passo 4 [terminar?]
se já se obteve uma matriz em escada então terminar
senão
i ←i +1
j ← ı́ndice da coluna não-nula mais à esquerda da matriz que se obtém eliminando
na matriz A as linhas `1 , . . . , ì−1
ir para o Passo 2
fimse
Alg 1.116
Exe 1.115
“Algoritmo escada reduzida” (ATEscRed): Seja A = [aij ] ∈ Mm×n (R). Então, o seguinte
h0 0 0 3i
Aplique o ATEsc à matriz A = 0 1 1 2 e indique quantas operações algoritmo determina fer(A):
0221
elementares dos tipos I e III efetuou. Passo 1 [inicializar o algoritmo]
determinar A0 = [aij0 ] ∈ fe(A) (no que se segue, `0 refere-se às linhas da matriz A0 )
i ← ı́ndice da última linha não-nula da matriz A0
Res j ← ı́ndice da coluna pivô da linha ì
Passo 2 [colocar elemento pivô a 1]
    se aij0 6= 1 então
0 0 0 3 ←−−−−−−−→ 0 1 1 2 ←−−−−−−−→ 1
ì 0 ← 0 ì 0
0 1 1 2 `1 ↔ `2 0 0 0 3 aij
fimse
0 2 2 1 0 2 2 1 `3 ← `3 − 2`1 Passo 3 [anular os elementos acima do pivô]
| {z }
A para p ← 1 até i − 1 fazer
    `0p ← `0p − apj
0
ì 0
0 1 1 2 ←−−−−−−−→ 0 1 1 2 fimpara
0 0 0 3 0 0 0 3 . Passo 4 [terminar?]
se já se obteve uma matriz em escada reduzida então terminar
0 0 0 −3 `3 ← `3 + `2 0 0 0 0 senão
i ←i −1
| {z }
∈fe(A)
j ← ı́ndice da coluna pivô da linha i
ir para o Passo 2
número de operações elementares do tipo I/III: 1/2. fimse
1 – Matrizes Matrizes em escada e escada reduzida 1 – Matrizes Cálculo de inversas
Exe 1.117 h0 0 0 3i Def 1.118

Aplique o ATEscRed à matriz A = 0 1 1 2 e indique quantas operações
0221 Jmatriz elementarK Seja E ∈ Mn×n (R). Diz-se que E é uma matriz
elementares dos tipos I, II e III efetuou. elementar se se pode obter através de uma operação elementar sobre a
Res matriz In .
Atendendo ao exercı́cio Exe 1.115, tem-se:
Exe 1.119
0 1 1 2 ←−−−−−−−→ 0 1 1 2 `1 ← `1 − 2`2
   
A partir de I4 , determine as matrizes elementares obtidas através das
0 0 0 3 `2 ← 1 `2 0 0 0 1 seguintes operações elementares:
3
0 0 0 0 0 0 0 0 ←−−−−−−−→ (a) `2 ↔ `4 .
| {z }
∈fe(A) (b) `3 ← 2`3 .
 
0 1 1 0 (c) `3 ← `3 − 2`1 .
0 0 0 1
0 0 0 0
| {z }
fer(A)
número de operações elementares do tipo I/II/III: 1/1/3.

1 – Matrizes Cálculo de inversas 1 – Matrizes Cálculo de inversas
Res Teo 1.120

Aplicar uma operação elementar a uma matriz corresponde a
(a) 1 0 0
 
0 ←−−→ 1 0 0 0

pré-multiplicar essa matriz pela matriz elementar correspondente à
0 1 0 0
 `2 ↔ `4 0 0 0 1 operação elementar.

  = E1 .
0 0 1 0 0 0 1 0
0 0 0 1 0 1 0 0 Exe 1.121
1 2 0 −1
(b) 1 0 0
 
0 ←−−−→ 1 0 0 0

2 2 −1 −1
Ilustre o teorema anterior considerando a matriz A = 11 3 2 e as
0 1 0 0 0 1 0 0 2 1 1 −2
 = E2 .
operações elementares do exercı́cio Exe 1.119.
  
0 0 1 0 `3 ← 2`3 0 0 2 0
0 0 0 1 0 0 0 1
(c) 1

0 0

0 ←−−−−−→

1 0 0 0

0 1 0 0  0 1 0 0
    = E3 .
0 0 1 0 `3 ← `3 − 2`1 −2 0 1 0
0 0 0 1 0 0 0 1
Res Res
(a) • Processo 1: aplicar a operação `2 ↔ `4 (b) • Processo 1: aplicar a operação `3 ← 2`3

       
1 2 0 −1 ←−−→ 1 2 0 −1 1 2 0 −1 ←−−−→ 1 2 0 −1
2 2 −1 −1 ` ↔ ` 2 1 1 −2 2 2 −1 −1 2 2 −1 −1
  2 4 .    .
1 1 3 2 1 1 3 2 1 1 3 2 `3 ← 2`3 2 2 6 4
2 1 1 −2 2 2 −1 −1 2 1 1 −2 2 1 1 −2
• 
Processo 2: calcular
 E1 A    • Processo
 2: calcular
 E2 A   
1 0 0 0 1 2 0 −1 1 2 0 −1 1 0 0 0 1 2 0 −1 1 2 0 −1
0 0 0 1 2 2 −1 −1 2 1 1 −2 0 1 0 0 2 2 −1 −1 2 2 −1 −1
  = .   = .
0 0 1 0 1 1 3 2   1 1 3 2 0 0 2 0 1 1 3 2 2 2 6 4
0 1 0 0 2 1 1 −2 2 2 −1 −1 0 0 0 1 2 1 1 −2 2 1 1 −2
• As matrizes que se obtiveram são iguais. • As matrizes que se obtiveram são iguais.
Teo 1.122
Res (cont.)
As matrizes elementares são invertı́veis e as suas inversas são matrizes
(c) • Processo 1: aplicar a operação `3 ← `3 − 2`1 . elementares.
   
1 2 0 −1 ←−−−−−→ 1 2 0 −1 Teo 1.123
2 2 −1 −1 2 −1 −1
 2
 
 . Sejam A, B ∈ Mm×n (R) tais que A ←→ B. Então, existe um número
1 1 3 2 `3 ← `3 − 2`1 −1 −3 3 4
finito de matrizes elementares E1 , E2 , . . . , Ek , tais que B = E1 E2 · · · Ek A.
2 1 1 −2 2 1 1 −2
• 
Processo 2: calcular
  E3 A    Teo 1.124
1 0 0 0 1 2 0 −1 1 2 0 −1
2 2 −1 −1  2 Seja A ∈ Mm×n (R). Então, existe um número finito de matrizes
 0 1 0 0 2 −1 −1

−2 0 1
 = . elementares E1 , E2 , . . . , Ek , tais que fer(A) = E1 E2 · · · Ek A.
0 1 1
  3 2  −1 −3 3 4
0 0 0 1 2 1 1 −2 2 1 1 −2 Teo 1.125
• As matrizes que se obtiveram são iguais.
Seja A ∈ Mn×n (R). As seguintes condições são equivalentes:
(i) A é invertı́vel.
(ii) fer(A) = In .
(iii) A é o produto de matrizes elementares.
Obs 1.126
Res
Sejam k ∈ N e A ∈ Mn×n (R) uma matriz invertı́vel. Então, existem
matrizes elementares E1 , E2 , . . . , Ek tais que (a)
In = Ek · · · E2 E1 A.   
1 1 2 1 0 0 ←−−−−−−−→ 1 1 2 1 0 0

 0 1 0 0 1 0   0 1 0 0 1 0 
Pós-multiplicando ambos os termos pela inversa de A, tem-se
2 2 5 0 0 1 `3 ← `3 − 2`1 0 0 1 −2 0 1
In A−1 = Ek · · · E2 E1 AA−1 ⇔ A−1 = Ek · · · E2 E1 In ,
| {z }
A|I3
`1 ← `1 − 2`3 5 0 −2 `1 ← `1 − `2
 
1 1 0
i.e., A−1
obtém-se a partir de In através das mesmas operações  0 1 0 0 1 0 
elementares que transformam A em In .
←−−−−−−−→ 0 0 1 −2 0 1 ←−−−−−−−→
Exe 1.127 
1 0 0 5 −1 −2

Verifique se as seguintes matrizes são invertı́veis, calculando, nesses  0 1 0 0 1 0 .
casos, a sua inversa:
h1 1 2i 0 0 1 −2 0 1
| {z }
(a) A = 0 1 0 . I3 |A−1
225
(b) B = [ 12 24 ].
1 – Matrizes Cálculo de inversas 1 – Matrizes English vocabulary
Res (cont.) Obs 1.128

Some english vocabulary regarding Matrices
Assim, Ah é uma matriz invertı́vel pois fer(A) = I3 com
−1 5 −1 −2
i • matriz/matrix
A = 0 1 0 .
−2 0 1 • linha de uma matriz/row of a matrix
• coluna de uma matriz/column of a matrix
    
1 1 2 5 −1 −2 1 0 0 • matriz retangular/rectangular matrix
−1
AA = 0 1 0
   0 1 0 = 0
  1 0 . • matriz quadrada/square matrix
2 2 5 −2 0 1 0 0 1
• matriz diagonal/diagonal matrix
• matriz escalar/scalar matrix
(b)
• matriz triangular superior/upper triangular matrix
• matriz triangular inferior/lower triangular matrix

1 2 1 0 ←−−−−−−−→ 1 2 1 0
.
2 4 0 1 `2 ← `2 − 2`1 0 0 −2 1 • matriz nula/zero matrix
| {z }
B|I2 • matriz identidade/identity matrix
• soma de matrizes/matrix addition
Assim, como fer(B) 6= I2 , conclui-se que a matriz B não é invertı́vel.
1 – Matrizes English vocabulary 1 – Matrizes English vocabulary
Obs 1.128 (cont.) Obs 1.128 (cont.)
• produto (ou multiplicação) de uma matriz por um esca- • matriz ortogonal/orthogonal matrix
lar/multiplication of a matrix by a scalar • matriz em escada/row echelon form of a matrix
• multiplicação de matrizes/matrix multiplication • matriz em escada reduzida/row reduced echelon form of a matrix
• potência de uma matriz/power of a matrix
• matrizes comutáveis/permutable matrices
• matriz invertı́vel/invertible matrix
• matriz não-singular/non-singular matrix
• matriz não-invertı́vel/non-invertible matrix
• matriz singular/singular matrix
• matriz inversa/inverse matrix
• matriz transposta/transpose matrix
• matriz simétrica/symmetric matrix
2 – Determinantes 2 – Determinantes Definições
Def 2.1
1 Matrizes
Jmatriz complementar de um elemento de uma matrizK Sejam
A ∈ Mn×n (R) e i, j ∈ {1, . . . , n}. Chama-se matriz complementar do
2 Determinantes elemento ij, que se representa por A e ij , a


 A se n = 1,
3 Sistemas de Equações Lineares def

e ij =
A
matriz que se obtém a partir da
se n > 2.


matriz A eliminando ì e cj

4 Espaços Vetoriais
2 – Determinantes Definições 2 – Determinantes Definições
Exe 2.2 h1 2 3i Def 2.3

Considere as matrizes A = 456 e B = [ −5 ]. Jdeterminante de uma matrizK Seja A = [aij ] ∈ Mn×n (R). Chama-se
789 a11 ··· a1n
(a) Determine a matriz complementar do elemento 12 da matriz A. determinante da matriz A, que se representa por |A|, ... . . . ... ou |A|,

(b) Determine A
e 33 . an1 ··· ann
ao escalar
(c) Determine B
e11 .
a11 · · · a1n

|A| ≡ ... .. .. ≡ det(A)

Res . .
an1 · · · ann
e 12 = [ 4 6 ].
(a) A 79

 a11 se n = 1,
(b) A33 = [ 14 25 ].
 n
e def
= X
(−1)1+j a1j |A
e 1j | se n > 2.
(c) B
e11 = [ −5 ]. 

j=1
Obs 2.4 Res
(a) A definição que se acaba de dar é um exemplo de uma definição (a) X

e11 = [ x22 ] e X
e12 = [ x21 ].
recursiva. (b)
(b) Só se definem determinantes de matrizes quadradas, sendo o seu valor
um número real. x11 x12
|X | ≡
x21 x22
(c) Seja A = [aij ] ∈ M1×1 (R). Note-se que quando se escreve |A| =
2
|a11 | = a11 , | · | não representa o valor absoluto mas sim o determi- X
nante. O contexto será sempre suficiente para interpretar o significado = (−1)1+j x1j |X
e1j |
j=1
correto de | · |.
= (−1)1+1 x11 |X
e11 | + (−1)1+2 x12 |X
e12 |
| {z } | {z }
j=1 j=2
Exe 2.5
Seja X = [xij ] ∈ M2×2 (R). = 1 × x11 × x22 + (−1) × x12 × x21
= x11 x22 − x12 x21 .
(a) Determine X e11 e X
e12 .
(b) Calcule |X |.
Obs 2.6 Exe 2.7

Seja A = [aij ] ∈ M2×2 (R). Então, |A| pode-se calcular atendendo a Calcule | 13 24 |.
+ − Res
a11 a12
t * | 13 24 | = 1 × 4 − 2 × 3 = −2.
a21 a22
vindo Exe 2.8

−1 −5
Calcule o determinante da matriz A = 3 2 .
|A| = a11 a22 − a12 a21 .
Res
|A| = −1 × 2 − (−5) × 3 = 13.
Exe 2.9
Res (cont.)
Seja Y = [yij ] ∈ M3×3 (R). Calcule |Y |.
Res

y11 y12 y13
= y11 (y22 y33 − y23 y32 ) − y12 (y21 y33 − y23 y31 )

|Y | ≡ y21 y22 y23 + y13 (y21 y32 − y22 y31 )
y31 y32 y33 = y11 y22 y33 + y12 y23 y31 + y13 y21 y32
3
X − y11 y23 y32 − y12 y21 y33 − y13 y22 y31 .
= (−1)1+j y1j |Y
e1j |
j=1
= (−1)1+1 y11 |Y
e11 | + (−1)1+2 y12 |Y
e12 | + (−1)1+3 y13 |Y
e13 |
| {z } | {z } | {z }
j=1 j=2 j=3

y22 y23 y21 y23
= 1 × y11 ×
+ (−1) × y12 ×

y32 y33 y31 y33

y21 y22
+ 1 × y13 ×

y31 y32
Obs 2.10 Obs 2.10 (cont.)

“Regra de Sarrus” (apenas se aplica a matrizes de ordem 3): atendendo a ou, atendendo a
+ a11 a12 a13 − + + +
* t
+ a21 a22 a23 − a11 a12 a13 a11 a12
t * t * * t * t * t
+ a31 a32 a33 − a21 a22 a23 a21 a22
t * t * t t * t * *
a11 a12 a13 a31 a32 a33 a31 a32
t *
a21 a22 a23 − − −
tem-se que tem-se que
|A| = a11 a22 a33 + a21 a32 a13 + a31 a12 a23 |A| = a11 a22 a33 + a21 a32 a13 + a31 a12 a23
− a13 a22 a31 − a23 a32 a11 − a33 a12 a21 , − a13 a22 a31 − a23 a32 a11 − a33 a12 a21 .
Exe 2.11 h9 1 2i Res (cont.)

Calcule o determinante da matriz A = 345 .
678 ou, atendendo a
Res
9 1 2 9 1
|A| = 9 × (4 × 8 − 5 × 7) − 1 × (3 × 8 − 5 × 6) + 2 × (3 × 7 − 4 × 6) = −27, 3 )4u )5u )3u 4
ou, atendendo a 6u 7u )8u )6 )7
9 1 2 tem-se que
3 )4u 5
6u )7u )8 |A| = 9 × 4 × 8 + 1 × 5 × 6 + 2 × 3 × 7
9u )1u )2
−2×4×6−9×5×7−1×3×8
3u 4 )5
= −27.
tem-se que
|A| = 9 × 4 × 8 + 3 × 7 × 2 + 6 × 1 × 5
−2×4×6−5×7×9−8×1×3
= −27,
2 – Determinantes Propriedades 2 – Determinantes Propriedades
Teo 2.12 Exe 2.14 1 1 1 1

(Teorema de Laplace) Sejam n um natural maior ou igual a 2, Seja a matriz E = 2132 .
0121
A ∈ Mn×n (R) e ξ, η ∈ {1, . . . , n}. Então: 0013
(a) Calcule o determinante da matriz E por aplicação do teorema de
n n
X X Laplace através do desenvolvimento da linha 4 (podendo usar qualquer
|A| = (−1)ξ+j (A)ξj |A
e ξj | = (−1)i+η (A)iη |A
e iη |.
processo para calcular determinantes de matrizes de ordem 3).
j=1 i=1
| {z } | {z } (b) Calcule o determinante da matriz E por aplicação do teorema de La-
desenvolvimento desenvolvimento
da linha ξ da coluna η place através do desenvolvimento da coluna 1 (podendo usar qualquer
Obs 2.13
(a) Note que a definição Def 2.3 para n > 2 consiste no cálculo do
determinante através do desenvolvimento da linha 1.
(b) Como regra prática para calcular determinantes através do teorema
de Laplace, deve-se fazer o desenvolvimento da linha ou coluna que
tiver mais zeros.
Res Res
(a) (b)
4
X 4
X
|E | = (−1)4+j (E )4j |E
e4j | |E | = (−1)i+1 (E )i1 |E
ei1 |
j=1 i=1
4+1
= (−1) (E )41 |Ee41 | + (−1)4+2 (E )42 |E
e42 | = (−1)1+1 (E )11 |E
e11 | + (−1)2+1 (E )21 |E
e21 |
3+1 4+1
+ (−1)4+3 (E )43 |E
e43 | + (−1)4+4 (E )44 |E
e44 | + (−1) (E )31 |E e31 | + (−1) (E )41 |E e41 |

1 2 0 1 1 2 1 3 2 1 1 1

= 0 + 0 + (−1) × 1 × 1 0 3 + 1 × 3 × 1 0
0 = 1 × 1 × 1 2 1 + (−1) × 2 × 1 2 1 + 0 + 0
2 0 1 2 1 0 0 1 3 0 1 3
= 0 + 0 + (−1) × 1 × (−1) + 1 × 3 × (−3) = 1 × 1 × (−2) + (−1) × 2 × 3 + 0 + 0
= −8. = −8.
Cálculos
auxiliares: Cálculos
auxiliares:

1 1 1 1 3 2
2 1 2 = 1 × (1 × 1 − 2 × 1) − 1 × (2 × 1 − 2 × 0) + 1 × (2 × 1 − 1 × 0) = −1. 1 2 1 = 1 × (2 × 3 − 1 × 1) − 3 × (1 × 3 − 1 × 0) + 2 × (1 × 1 − 2 × 0) = −2.
0 1 3

0 1 1 1 1 1
1 1 1 1 2 1 = 1 × (2 × 3 − 1 × 1) − 1 × (1 × 3 − 1 × 0) + 1 × (1 × 1 − 2 × 0) = 3.
2 1 3 = 1 × (1 × 2 − 3 × 1) − 1 × (2 × 2 − 3 × 0) + 1 × (2 × 1 − 1 × 0) = −3. 013
012
Obs 2.16
Teo 2.15
Sejam A, B ∈ Mn×n (R) e α ∈ R. (a) |I | = 1.
(a) Se A for uma matriz diagonal ou triangular (inferior ou superior), (b) Sejam k ∈ N e A1 , . . . , Ak ∈ Mn×n (R). Então, |A1 · · · Ak | = |A1 | ×
então |A| = (A)11 × · · · × (A)nn . · · · × |Ak |.
(b) Se todos os elementos de uma linha ou coluna da matriz A são nulos, (c) Sejam A ∈ Mn×n (R) e k ∈ N. Então, |Ak | = |A|k .
então |A| = 0.
Exe 2.17
(c) Se A tem duas linhas ou colunas iguais, então |A| = 0. h1 2 3i h1 1 1i h1 2 1i
Considere as matrizes A = 0 2 3 , B = 2 2 2 , C = 0 0 0 ,
(d) |αA| = αn |A|. h1 0 0i 003 333 212
D = 0 2 0 e P ∈ M3×3 (R), tal que P é uma matriz invertı́vel. Usando
(e) |AT | = |A|. 001
as propriedades dos determinantes, calcule:
(f) |AB| = |A||B|.
(g) A é invertı́vel se e só se |A| =
6 0. (a) |A|. (e) | − 2A|. (i) |AT A−1 B T |.
(h) Se A é uma matriz invertı́vel, então |A−1 | = 1
|A| . (b) |B|. (f) −2|A|. (j) |A−1 DA|.
(c) |C |. (g) |A3 |. (k) |ABCD|.
(d) |D|. (h) |2AT A|. (l) |P −1 AP|.
Res
Exe 2.18
(a) Sendo A uma matriz triangular (superior), tem-se que |A| = 1×2×3 = Considere as matrizes A, B, C e D do exercı́cio anterior. Indique,
6. justificando, as que são invertı́veis.
(b) Sendo c1,B = c2,B , tem-se que |B| = 0.
(c) Sendo `2,C uma linha nula, tem-se que |C | = 0. Res
(d) Sendo D uma matriz diagonal, tem-se que |D| = 1 × 2 = 2. Apenas as matrizes A e D são invertı́veis pois são as únicas cujos
determinantes são diferentes de zero.
(e) | − 2A| = (−2)3 |A| = −8 × 6 = −48.
(f) −2|A| = −2 × 6 = −12.
(g) |A3 | = |A|3 = 63 = 216.
(h) |2AT A| = |2AT ||A| = 23 |AT ||A| = 23 |A||A| = 23 × 6 × 6 = 288.
(i) |AT A−1 B T | = |AT ||A−1 ||B T | = |A| |A|
1
|B| = |B| = 0.
(j) |A−1 DA| = |A−1 ||D||A| = 1
|A| |D||A| = |D| = 2.
(k) |ABCD| = |A||B||C ||D| = 6 × 0 × 0 × 2 = 0.
(l) |P −1 AP| = |P −1 ||A||P| = 1
|P| |A||P| = |A| = 6.
Teo 2.19 Exe 2.21 0 1 0 2

Sejam A, B ∈ Mn×n (R) e α ∈ R \ {0}. Considere a matriz A = 1120 .
1003
(a) Se B resulta de A por troca de duas linhas (operação elementar do 2101
tipo I), então |B| = −|A|. (a) Calcule o determinante da matriz A através da definição (podendo
usar qualquer processo para calcular determinantes de matrizes de
(b) Se B resulta de A por multiplicação dos elementos de uma linha de
ordem 3).
A por α (operação elementar do tipo II), então |B| = α|A|.
(b) Calcule o determinante da matriz A por aplicação do teorema de La-
(c) Se B resulta de A adicionando a uma linha um múltiplo de outra linha
place através do desenvolvimento da coluna 3 (podendo usar qualquer
(operação elementar do tipo III), então |B| = |A|.
(c) Calcule o determinante da matriz A através da observação Obs 2.20.
Obs 2.20
Sejam A uma matriz de ordem n e B é o resultado de aplicar o ATEsc à
matriz A. Então, |A| = (−1)s × (B)11 × · · · × (B)nn , em que s é o
número de operações elementares do tipo I realizadas (ou seja, o número
de trocas de linhas).
Res Res (cont.)

(a)
4
X (b)
|A| = (−1)1+j (A)1j |A
e 1j |
4
j=1 X
|A| = (A)i3 (−1)i+3 |A
e i3 |
= (−1)1+1 (A)11 |A
e 11 | + (−1)1+2 (A)12 |Ae 12 |
i=1
+ (−1)1+3 (A)13 |A e 13 | + (−1)1+4 (A)14 |Ae 14 | = (A)13 (−1)1+3 |A

e 13 | + (A)23 (−1)2+3 |A e 23 |

1 2 0

1
1 2 + (A)33 (−1)3+3 |A e 33 | + (A)43 (−1)4+3 |A e 43 |
= 0 + (−1) × 1 × 1 0 3 + 0 + (−1) × 2 × 1 0 0
0 1 2

2 0 1 2 1 0
= 0 + 2 × (−1) × 1 0 3 + 0 + 0
= 0 + (−1) × 1 × 10 + 0 + (−1) × 2 × 2 2 1 1
= −14. = 2 × (−1) × 7
Cálculos = −14.
auxiliares:
1 2 0
1 0 3 = 1 × (0 × 1 − 3 × 0) − 2 × (1 × 1 − 3 × 2) + 0 × (1 × 0 − 0 × 2) = 10.
2 0 1 Cálculos
auxiliares:
0 1 2
1 1 2
1 0 0 = 1 × (0 × 0 − 0 × 1) − 1 × (1 × 0 − 0 × 2) + 2 × (1 × 1 − 0 × 2) = 2. 1 0 3 = 0 × (0 × 1 − 3 × 1) − 1 × (1 × 1 − 3 × 2) + 2 × (1 × 1 − 0 × 2) = 7.
211
210

Pedindo-se para calcular o determinante de uma matriz, se não for
(c)
explicitado no enunciado o processo de cálculo, este pode ser feito por

0 1 0
 
2 ←−−−−−−−→ 1 1 2

0 ←−−−−−−−→ um método qualquer, nomeadamente aquele que se achar mais simples.
1 1 2
0
 `1 ↔ `2 0 1 0 2

 
1 0 0
3 1 0 0 3 `3 ← `3 − `1
2 1 0
1 2 1 0 1 `4 ← `4 − 2`1
   
1 1 2 0 ←−−−−−−−→ 1 1 2 0 ←−−−−−−−→
0 1 0 2 0 1 0 2
   
0 −1 −2 3 `3 ← `3 + `2 0 0 −2 5
0 −1 −4 1 `4 ← `4 + `2 0 0 −4 3 `4 ← `4 − 2`3
 
1 1 2 0
0 1 0 2
 
0 0 −2 5
0 0 0 −7
|A| = (−1)1 × (1 × 1 × (−2) × (−7)) = −14.
2 – Determinantes Matriz adjunta 2 – Determinantes Matriz adjunta
Def 2.23 Res

Jmatriz adjuntaK Seja A ∈ Mn×n (R). Chama-se matriz adjunta de A,
(a) Atendendo a
que se representa por adj(A), ao elemento de Mn×n (R) tal que
(adj(X ))11 = (−1)1+1 |X
e11 | = 1 × |x22 | = x22 ,
def
(adj(A))ij = (−1)j+i |A
e ji |, i, j = 1, . . . , n. (adj(X ))12 = (−1)2+1 |X
e21 | = −1 × |x12 | = −x12 ,
(adj(X ))21 = (−1)1+2 |X
e12 | = −1 × |x21 | = −x21 ,
Exe 2.24 (adj(X ))22 = (−1)2+2 |X
e22 | = 1 × |x11 | = x11 ,
(a) Determine a matriz adjunta da matriz X = [xij ] ∈ M2×2 (R). tem-se que
(b) Determine a matriz adjunta da matriz A = −73 −4
−1
.
x22 −x12

adj(X ) = .
−x21 x11
(b) Atendendo à alı́nea anterior, tem-se que

−4 1
adj(A) = .
−3 −7
2 – Determinantes Matriz adjunta 2 – Determinantes English vocabulary
Teo 2.25 Obs 2.27

Seja A uma matriz invertı́vel de ordem maior do que 1. Então, Some english vocabulary regarding Determinants
A−1 = |A|
1
adj(A). • determinante de uma matriz/determinant of a matrix
• matriz adjunta/adjoint matrix
Exe 2.26
3 −2
Considere a matriz A = 1 0 .
(a) Verifique que a matriz A é invertı́vel.
(b) Determine a inversa da matriz A através do método da adjunta.
Res
(a) Como |A| = 3 × 0 − (−2) × 1 = 2 6= 0, A é uma matriz invertı́vel.
h 0 1i
(b) A−1 = |A|
1
adj(A) = 12 −10 23 = − 1 3 .

2 2

−1 3 −2 0 1 1 0
AA = = .
1 0 − 12 32 0 1
3 – Sistemas de Equações Lineares 3 – Sistemas de Equações Lineares Definições iniciais
Def 3.1
1 Matrizes
Jsistema de equações lineares, matriz dos coeficientes, vetor dos termos
independentes, vetor das incógnitas, matriz aumentada ou matriz
2 Determinantes ampliada, conjunto soluçãoK Sejam A = [aij ] ∈ Mm×n (R) e
b = [bi ] ∈ Mm×1 (R). Diz-se que (S) é um sistema de m equações
lineares com n incógnitas x1 , x2 , . . . , xn ∈ R com matriz dos coeficientes
3 Sistemas de Equações Lineares A e vetor dos termos independentes b se (S) é o sistema

a11 x1 + a12 x2 + a13 x3 + · · · + a1n xn = b1
4 Espaços Vetoriais


 a21 x1 + a22 x2 + a23 x3 + · · · + a2n xn = b2

.. .. .. .. .. ..
 . . . . . .


am1 x1 + am2 x2 + am3 x3 + · · · + amn xn = bm .

3 – Sistemas de Equações Lineares Definições iniciais 3 – Sistemas de Equações Lineares Definições iniciais
Def 3.1 (cont.) Obs 3.2

Chama-se vetor das incógnitas do sistema (S) à matriz coluna Note-se que o sistema (S) da definição anterior pode ser escrito na forma
x = [xi ] ∈ Mn×1 (R). Chama-se matriz aumentada ou matriz ampliada matricial
do sistema (S), que se representa por A|b, à matriz 
 
 x1  
a11 a12 a13 · · · a1n   b1
 a21 a22 a23 · · · a2n  x2   b2 
 
a11 a12 a13 · · · a1n b1
..  x3  =  ..  ,
    
 a21 a22 a23 · · · a2n b2   .. .. .. ..
 . . . . .  .  . 
..  .  .. 
 
 .. .. .. . . ..
 . . . . . .  am1 am2 am3 · · · amn bm
xn
am1 am2 am3 · · · amn bm
ou, em notação matricial, como Ax = b.
Chama-se conjunto solução do sistema (S), que se representa por CS(S) ,
a
x1
def
CS(S) = {(x1 , . . . , xn ) ∈ R : A ... = b}.
n
xn
Exe 3.3 Def 3.5

Dê um exemplo de um sistema com duas equações lineares e com três Jsistema homogéneoK Seja (S) o sistema de equações lineares Ax = b.
incógnitas. Diz-se que (S) é um sistema homogéneo se b = 0.
Res
( Exe 3.6
x + 2y + z = 1 Dê um exemplo de um sistema homogéneo com duas equações e com
3x − y + z = 0. três incógnitas.
Obs 3.4 Res

Neste curso apenas se estudarão sistema de equações lineares, o que
(
x + 2y + z = 0
implica que, por exemplo, o sistema
3x − y + z = 0.

x + x sen(y ) = 1
x2 − y = 0,
que se diz um sistema de equações não lineares, não será aqui tratado.
Def 3.7 Def 3.9

Jsistema homogéneo associadoK Seja (S) o sistema de equações lineares Jcaracterı́stica de uma matrizK Seja A ∈ Mm×n (R). Chama-se
Ax = b tal que b 6= 0. Chama-se sistema homogéneo associado ao caracterı́stica da matriz A, que se representa por car(A), ao número de
sistema (S), que se representa por (Sh ), ao sistema Ax = 0. linhas não nulas de uma matriz em escada que seja equivalente à
matriz A.
Exe 3.8
Identifique o sistema homogéneo associado ao sistema de equações Exe 3.10
lineares
1 11

Determine a caracterı́stica da matriz A = 1 −1 0 .
(
x + 2y = 1
Res
3x − y = 0.
Atendendo a que

1 1 1 ←−−−−−−−→ 1 1 1
Res ,
1 −1 0 `2 ← `2 − `1 0 −2 −1
(
x + 2y = 0
car(A) = 2.
3x − y = 0.
Teo 3.12
Def 3.11
Seja Ax = b um sistema de equações lineares com n incógnitas. Então:
Seja (S) um sistema de equações lineares.

(a) Jsistema possı́velK Diz-se que (S) é um sistema possı́vel (que se abrevia 
 car(A) = car(A|b) : Pos
car(A) = car(A|b) = n : PD

por “Pos”) se # CS(S) > 0.
(b) Jsistema possı́vel e determinadoK Diz-se que (S) é um sistema possı́vel  car(A) = car(A|b) < n : PI

car(A) < car(A|b) : Imp.

e determinado (que se abrevia por “PD”) se # CS(S) = 1.
(c) Jsistema possı́vel e indeterminadoK Diz-se que (S) é um sistema pos-
sı́vel e indeterminado (que se abrevia por “PI”) se # CS(S) = +∞. Obs 3.13
(d) Jsistema impossı́velK Diz-se que (S) é um sistema impossı́vel (que se
abrevia por “Imp”) se # CS(S) = 0. (a) Seja um sistema de m equações lineares com n incógnitas. Então, se
n > m o sistema nunca é PD.
(b) Seja Ax = b um sistema de n equações lineares com n incógnitas, tal
que A é uma matriz invertı́vel. Então, x = A−1 b.
(c) Os sistemas homogéneos são sempre possı́veis. No caso de ser PD, a
única solução é o vetor nulo (que se diz “solução trivial”).
3 – Sistemas de Equações Lineares Método de Gauss e método de Gauss-Jordan 3 – Sistemas de Equações Lineares Método de Gauss e método de Gauss-Jordan
Def 3.14 Res

Jvariável pivô, variável livreK Sejam Ax = b um sistema de equações
lineares e A0 ∈ fe(A). Se cj,A0 é uma coluna pivô, diz-se que xj é uma
(a)
variável pivô. Caso contrário, diz-se que é uma variável livre.

1 2 −2 1 3 ←−−−−−−−→ 1 2 −2 1 3
Exe 3.15 .
1 2 0 1 1 `2 ← `2 − `1 0 0 2 0 −2
Seja (S) o sistema de equações lineares cuja matriz dos coeficientes é | {z }
∈fe(A|b)
A = 11 22 −20 11 e cujo vetor dos termos independentes é b = [ 31 ].

(a) Aplique o ATEsc à matriz A|b. (b) Colunas pivô de (S): c1 e c3 .

x
1
(b) Identifique as colunas pivô do sistema (S). (c) Seja x = xx23 o vetor das incógnitas do sistema (S). Então, x1 e x3
(c) Identifique as variáveis pivô e as variáveis livres do sistema (S). x4
são as variáveis pivô de (S) e x2 e x4 são as variáveis livres de (S).
Obs 3.16 Alg 3.17

Seja (S) um sistema de equações lineares. Se a sua matriz aumentada já “Algoritmo do Método de Gauss”
estiver na forma em escada, determinar o seu conjunto solução é simples. input matriz dos coeficientes A e vetor dos termos independentes b de um sistema de
equações lineares com n incógnitas (S)
Depois de classificar o tipo do sistema (S) atendendo às caracterı́sticas output CS(S)
da matriz dos coeficientes e da matriz aumentada, tem-se:
Passo 1
(a) se (S) é PD, então começa-se por determinar o valor da última in- aplicar o ATEsc à matriz aumentada A|b
cógnita através da última equação; depois, determina-se o valor da Passo 2
determinar o tipo do sistema (S): PD se car(A) = car(A|b) = n, PI se car(A) = car(A|b) < n
penúltima equação e do valor da última incógnita, repetindo-se o e Imp se car(A) < car(A|b)
processo até se determinar o valor da primeira incógnita (a este al- Passo 3
caso (S) seja
goritmo chama-se “Método de Substituição de Trás para a Frente — PD então
MeSTaF”). determinar o valor das incógnitas através da aplicação do MeSTaf à matriz resultante
do Passo 1
(b) se (S) é PI, então começa-se por identificar as incógnitas livres e PI então
depois determinar o valor das incógnitas pivô através do MeSTaF. identificar as incógnitas livres
determinar o valor das incógnitas pivô através da aplicação do MeSTaf à matriz
(c) se (S) é Imp, então CS(S) = ∅. resultante do Passo 1
Imp então
CS(S) = ∅
fimcaso

Seja h(S) o sistema de equações lineares cuja matriz dos coeficientes
h −1 i é Passo 3 Sejam x1 , x2 , x3 as incógnitas do sistema (S). Então, (S) é
1 −2 3
i
A = 2 −1 2 e cujo vetor dos termos independentes é b = 2 . equivalente ao sistema
3 12 3
Determine CS(S) atravéss do método de Gauss. 
x1 − 2x2 + 3x3 = −1

Res 3x2 − 4x3 = 4

7 10
3 x3 = − 3 .

Passo 1 Aplicação do ATEsc à matriz aumentada A|b:
   
1 −2 3 −1 ←−−−−→ 1 −2 3 −1 ←−−−−→
 2 −1 2 Assim, tem-se (MeSTaF):
2  `2 ← `2 −2`1  0 3 −4 4  7
3 1 2 3 `3 ← `3 −3`1 0 7 −7 6 `3 ← `3 − 37 `2 • 3 x3 = − 10 10
3 ⇔ x3 = − 7 ;
• 3x2 − 4x3 = 4 ⇔ 3x2 − 4 × − 10 4

7 = 4 ⇔ x2 = −7 ;
 
1 −2 3 −1
 0 3 −4 4 . • x1 − 2x2 + 3x3 = −1 ⇔ x1 − 2 × − 47 + 3 × − 10
7 = −1 ⇔ x1 =
15
7 ,
7 10
0 0 3 − 3 pelo que CS(S) = {( 15 4 10
7 , − 7 , − 7 )}.
Passo 2 Como car(A) = car(A|b) = n = 3 (n é o número de incógnitas),
(S) é um sistema PD.

Seja (S) o sistema de equações lineares cuja matriz dos coeficientes
" é0 # Passo 2 Como car(A) = car(A|b) = 2 < n = 4 (n é o número de
1 1 1 1
A = −32 −32 01 −32 e cujo vetor dos termos independentes é b = −2 .
1 incógnitas), (S) é um sistema PI.
3
2 2 −1 2 2 Passo 3 Sejam x1 , x2 , x3 , x4 as incógnitas do sistema (S). Então, x2 e x4
Determine CS(S) através do método de Gauss.
são incógnitas livres e (S) é equivalente ao sistema
Res
(
x1 + x2 + x3 + x4 = 0
Passo 1 Aplicação do ATEsc à matriz aumentada A|b: − 2x3 = 1.
   
1 1 1 1 0 ←−−−−→ 1 1 1 1 0
 2
 2 0 2 1  `2 ← `2 −2`1  0 0 −2
  0 1 
 Assim, tem-se (MeSTaF):
 −3 −3 1 −3 −2  `3 ← `3 +3`1  0 0 4 0 −2 
3 3
• −2x3 = 1 ⇔ x3 = − 12 ;
2 2 −1 2 `4 ← `4 −2`1 0 0 −3 0
2 2 • x1 + x2 + x3 + x4 = 0 ⇔ x1 + x2 + − 12 + x4 = 0 ⇔ x1 = 1

  2 − x2 − x4 ,
←−−−−→ 1 1 1 1 0
 0 0 −2 0 1  pelo que CS(S) = {( 21 − x2 − x4 , x2 , − 12 , x4 ) : x2 , x4 ∈ R}.
 .
`3 ← `3 +2`2  0 0 0 0 0 
`4 ← `4 − 32 `2 0 0 0 0 0
Exe 3.20 Alg 3.21

Seja h(S) o sistema de equações lineares cuja matriz dos coeficientes é “Algoritmo do Método de Gauss-Jordan”
3 2 −5 i h4i input matriz dos coeficientes A e vetor dos termos independentes b de um sistema de
A = 1 1 −2 e cujo vetor dos termos independentes é b = 1 . equações lineares com n incógnitas (S)
5 3 −8 6
output CS(S)
Determine CS(S) através do método de Gauss.
Passo 1
aplicar o ATEsc à matriz aumentada A|b
Res
Passo 2
Passo 1 Aplicação do ATEsc à matriz aumentada A|b: determinar o tipo do sistema (S): PD se car(A) = car(A|b) = n, PI se car(A) = car(A|b) < n
e Imp se car(A) < car(A|b)
   
3 2 −5 4 ←−−−−→ 3 2 −5 4 ←−−−−→
1 1 1 1  Passo 3
 1 1 −2 1 `2 ← `2 − 3 `1
  0 3 −3 −3 caso (S) seja
5 3 −8 6 `3 ← `3 − 53 `1 0 − 13 1
3 −3
2
`3 ← `3 +`2 PD então
  determinar fer(A|b) através da aplicação do ATEscRed à matriz resultante do Passo 1
3 2 −5 4 determinar o valor das incógnitas através da aplicação do MeSTaf à matriz fer(A|b)
 0 1 − 13 − 13  . PI então
3
0 0 0 −1 determinar fer(A|b) através da aplicação do ATEscRed à matriz resultante do Passo 1
identificar as incógnitas livres
determinar o valor das incógnitas pivô através da aplicação do MeSTaf à matriz fer(A|b)
Passo 2 Como car(A) = 2 < car(A|b) = 3, (S) é um sistema Imp. Imp então
CS(S) = ∅
Passo 3 CS(S) = ∅.
fimcaso

`1 ← `1 +`3
   
Seja h(S) o sistema de equações lineares cuja matriz dos coeficientes −1 1 −1 3 ←−−−−→ −1 1 −1 3
h 3 i é
A=
−1 1 −1 i
3 1 −1 e cujo vetor dos termos independentes é b = −1 .
 0 4 −4 8   0 4 −4 8 `2 ← `2 +4`3

2 −1 −2 −1 0 0 −3 3 `3 ← − 13 `3 0 0 1 −1 ←−−−−→
Determine CS(S) através do método de Gauss-Jordan.
2 `1 ← `1 −`2
   
−1 1 0 2 −1 1 0
Res
 0 4 0 4  `2 ← 14 `2  0 1 0 1 
0 0 1 −1 ←−−−−→ 0 0 1 −1 ←−−−−→
1 `1 ← −`1
   

−1 1 −1 3
 
−1 1 −1 3
 −1 0 0 1 0 0 −1
←−−−−→ ←−−−−→  0 1 0
 3 1 −1 −1  `2 ← `2 +3`1  0 4 −4 8  1   0 1 0 1 .
2 −1 −2 −1 `3 ← `3 +2`1 0 1 −4 5 `3 ← `3 − 14 `2 0 0 1 −1 ←−−−−→ 0 0 1 −1
  Sejam x1 , x2 , x3 as incógnitas do sistema (S). Então, (S) é equivalente
−1 1 −1 3
ao sistema
 0 4 −4 8  . 
0 0 −3 3 x1
 = −1
x2 =1
Passo 2 Como car(A) = car(A|b) = n = 3 (n é o número de incógnitas), 
x3 = −1,

(S) é um sistema PD.
Passo 3 Aplicação do ATEscRed à matriz resultante do Passo 1: pelo que CS(S) = {(−1, 1, −1)}.

 1  1
`1 ← `1 −2`2
 
Seja (S) o sistema
de equações lineares cuja matriz dos coeficientes é 2 2 0 1 2 2 0 1
1
2 0
h1i  0 −3 −2 −1  `2 ← − 13 `2  0 1 2 1 
A = 21 1 −2 e cujo vetor dos termos independentes é b = 1 . 3 3
17 2 3 0 0 0 0 ←−−−−→ 0 0 0 0 ←−−−−→
Determine CS(S) através do método de Gauss-Jordan.  1 4 1

`1 ← 2`1
 8 2

2 0 −3 3 1 0 −3 3
2 1  2 1 
Res
 0 1
3 3
 0 1
3 3 .
0 0 0 0 ←−−−−→ 0 0 0 0
 1   1  Sejam x1 , x2 , x3 as incógnitas do sistema (S). Então, x3 é uma incógnita
2 2 0 1 ←−−−−→ 2 2 0 1 ←−−−−→
livre e (S) é equivalente ao sistema
 1 1 −2 1  `2 ← `2 −2`1  0 −3 −2 −1 
1 7 2 3 `3 ← `3 −2`1 0 3 2 1 `3 ← `3 +`2
(
 1  x1 − 83 x3 = 23
2 0 1
2
 0 −3 −2 −1  . x2 + 23 x3 = 13 .
0 0 0 0 Assim, tem-se (MeSTaF):
Passo 2 Como car(A) = car(A|b) = 2 < n = 3 (n é o número de • x2 + 23 x3 = 1
3 ⇔ x2 = 1
3 − 23 x3 ;
incógnitas),(S) é um sistema PI. • x1 − 38 x3 = 2
⇔ x1 = 2
+ 83 x3 ,
3 3
Passo 3 Aplicação do ATEscRed à matriz resultante do Passo 1: pelo que CS(S) = {( 32 + 83 x3 , 13 − 23 x3 , x3 ) : x3 ∈ R}.
Exe 3.24 Obs 3.25

Seja (S) o sistema de equações lineares cuja matriz dos coeficientes é
(a) O método de Gauss e o método de Gauss-Jordan são dois algoritmos
A = 24 −3 1
−6 e cujo vetor dos termos independentes é b = [ 1 ]. Determine para resolver sistemas de equações lineares. Assim, o conjunto solução
CS(S) através do método de Gauss-Jordan.
que se obtém através da aplicação do método de Gauss a qualquer
sistema de equações lineares tem que ser igual ao que se obtém através
Res da aplicação do método de Gauss-Jordan.
Passo
1 Aplicação
do ATEscà matriz aumentada
A|b: (b) Um sistema de 2 equações lineares com 2 incógnitas tem uma inter-
2 −3 1 ←−−−−→ 2 −3 1 pretação geométrica que se apresenta nos três exercı́cios seguintes.
.
4 −6 1 `2 ← `2 −2`1 0 0 −1
Passo 2 Como car(A) = 1 < car(A|b) = 2, (S) é um sistema Imp. Exe 3.26
Passo 3 CS(S) = ∅. Seja (S) o sistema de equações lineares cuja matriz dos coeficientes é
A = 11 −11 e cujo vetor dos termos independentes é b = [ 10 ]. Determine
CS(S) através do método de Gauss e faça a sua interpretação geométrica.
Res Res (cont.)

Passo
1 Aplicação
do ATEsc
à matriz aumentada
A|b: CS(S) pode ser geometricamente interpretado como sendo os pontos de
1 1 1 ←−−−−→ 1 1 1 intersecção das retas x + y = 1 e x − y = 0, que neste caso é um só,
.
1 −1 0 `2 ← `2 −`1 0 −2 −1 conforme se ilustra na seguinte figura:
Passo 2 Como car(A) = car(A|b) = n = 2 (n é o número de incógnitas),
(S) é um sistema PD. y
x −y =0
Passo 3 Sejam x, y as incógnitas do sistema (S). Então, (S) é
equivalente ao sistema
( 1
x+ y =1
1
− 2y = −1. 2
Assim, tem-se (MeSTaF): 1 x

2 1
1
• −2y = −1 ⇔ y = 2 ; x +y =1
1
• x +y =1⇔x + 2 = 1 ⇔ x = 12 ,
pelo que CS(S) = {( 12 , 12 )}.

Seja (S) o sistema de equações lineares cuja matriz dos coeficientes é Passo 3 Sejam x, y as incógnitas do sistema (S). Então, y é uma
1 1
1
A = −2 −2 e cujo vetor dos termos independentes é b = −2 . incógnita livre e (S) é equivalente ao sistema
Determine CS(S) através do método de Gauss e faça a sua interpretação

geométrica. x + y = 1.
Res Assim, tem-se (MeSTaF):

Passo 1 Aplicação • x + y = 1 ⇔ x = 1 − y,
do ATEsc à matriz
aumentada
A|b:
1 1 1 ←−−−−→ 1 1 1 pelo que CS(S) = {(1 − y , y ) : y ∈ R}.
.
−2 −2 −2 `2 ← `2 +2`1 0 0 0
Passo 2 Como car(A) = car(A|b) = 1 < n = 2 (n é o número de
incógnitas), (S) é um sistema PI.
Res (cont.) Exe 3.28

CS(S) pode ser geometricamente interpretado como sendo os pontos de Seja (S) o sistema de equações lineares cuja matriz dos coeficientes é
intersecção das retas x + y = 1 e −2x − 2y = −2, que neste caso são A = [ 11 11 ] e cujo vetor dos termos independentes é b = [ 10 ]. Determine
uma infinidade, conforme se ilustra na seguinte figura: CS(S) através do método de Gauss e faça a sua interpretação geométrica.
y Res
Passo
1 Aplicação
do ATEsc
à matriz aumentada
A|b:
1 1 1 ←−−−−→ 1 1 1
.
1 1 1 0 `2 ← `2 −`1 0 0 −1
Passo 2 Como car(A) = 1 < car(A|b) = 2, (S) é um sistema Imp.
Passo 3 CS(S) = ∅.
x
1
x + y = 1 ⇔ −2x − 2y = −2
Res (cont.)
Exe 3.29
CS(S) pode ser geometricamente interpretado como sendo os pontos de Seja h(S) o sistema de equações lineares cuja matriz dos coeficientes
intersecção das retas x + y = 1 e x + y = 2, que neste caso não existem, 1 1 −1
i h 1 i é
conforme se ilustra na seguinte figura: A = −1 1 −1 e cujo vetor dos termos independentes é b = −1 .
01 2 3
(a) Determine CS(S) através do método de Gauss.
y
(b) Determine CS(S) através do método de Gauss-Jordan.
(c) Comente os resultados obtidos nas duas alı́neas anteriores.
2
Res
(a) Passo 1 Aplicação do ATEsc à matriz aumentada A|b:

   
1 1 1 −1 1 ←−−−−→ 1 1 −1 1 ←−−−−→
 −1 1 −1 −1  `2 ← `2 +`1  0 2 −2 0 
0 1 2 3 0 1 2 3 `3 ← `3 − 12 `2
 
1 1 −1 1
x
1 2  0 2 −2 0  .
0 0 3 3
x +y =1 x +y =2
Res (cont.) Res (cont.)
Passo 2 Como car(A) = car(A|b) = n = 3 (n é o número de incóg- (b) Tendo em consideração a alı́nea anterior, onde já se determinou uma
nitas), (S) é um sistema PD. matriz em escada equivalente à matriz ampliada do sistema e se con-
Passo 3 Sejam x1 , x2 , x3 as incógnitas do sistema (S). Então, (S) é cluiu que o sistema é PD, avança-se diretamente para o Passo 3:
equivalente ao sistema Passo 3 Aplicação do ATEscRed à matriz resultante do Passo 1 da
 alı́nea anterior: 
x1 + x2 − x3 = 1 `1 ← `1 +`3
  
 1 1 −1 1 ←−−−−→ 1 1 −1 1
2x2 − 2x3 = 0  0 2 −2 0   0 2 −2 0  `2 ← `2 +2`3
0 0 3 3 `3 ← 13 `3 0 0 1 1 ←−−−−→

3x3 = 3.

`1 ← `1 −`2
   
1 1 0 2 1 1 0 2
Assim, tem-se (MeSTaF):  0 2 0 2  `2 ← 12 `2  0 1 0 1 
• 3x3 = 3 ⇔ x3 = 1; 0 0 1 1 ←−−−−→ 0 0 1 1 ←−−−−→
• 2x2 − 2x3 = 0 ⇔ 2x2 − 2 × (1) = 0 ⇔ x2 = 1;
 
1 0 0 1
• x1 + x2 − x3 = 1 ⇔ x1 + (1) − (1) = 1 ⇔ x1 = 1,  0 1 0 1 .
pelo que CS(S) = {(1, 1, 1)}. 0 0 1 1
Res (cont.) Exe 3.30

Sejam x1 , x2 , x3 as incógnitas do sistema (S). Então, (S) é equivalente A = [ 11 10 11 ] e cujo vetor dos termos independentes é b = [ 12 ].
ao sistema
(a) Determine CS(S) através do método de Gauss.

x1
 =1 (b) Determine CS(S) através do método de Gauss-Jordan.
x2 = 1 (c) Comente os resultados obtidos nas duas alı́neas anteriores.

x3 = 1,

Res
pelo que CS(S) = {(1, 1, 1)}.
(c) O conjunto solução que se obteve através da aplicação do método de (a) Passo
1 Aplicação
do ATEsc à matriz aumentada
A|b:
Gauss é igual ao que se obteve através da aplicação do método de 1 1 1 1 ←−−−−→ 1 1 1 1
.
Gauss-Jordan, como tem que ser. Substituindo os valores encontrados 1 0 1 2 `2 ← `2 −`1 0 −1 0 1
para as incógnitas no sistema dado, tem-se 1+1−1 = 1, −1+1−1 = Passo 2 Como car(A) = car(A|b) = 2 < n = 3 (n é o número de
−1 e 1 + 2 × 1 = 3, o que permite concluir que o conjunto solução incógnitas), (S) é um sistema PI.
encontrado está correto.
Res (cont.)
Res (cont.)
(b) Tendo em consideração a alı́nea anterior, onde já se determinou uma
Passo 3 Sejam x1 , x2 , x3 as incógnitas do sistema (S). Então, x3 é
matriz em escada equivalente à matriz ampliada do sistema e se con-
uma incógnita livre e (S) é equivalente ao sistema
cluiu que o sistema é PI, avança-se diretamente para o Passo 3:
(
x1 + x2 + x3 = 1 Passo 3 Aplicação do ATEscRed à matriz resultante do Passo 1 da
− x2 = 1. alı́nea
anterior:
1 1 1 1 ←−−−−→ 1 1 1 1 `1 ← `1 −`2
Assim, tem-se (MeSTaF): 0 −1 0 1 `2 ← −`2 0 1 0 −1 ←−−−−→

• −x2 = 1 ⇔ x2 = −1; 1 0 1 2
.
• x1 + x2 + x3 = 1 ⇔ x1 + (−1) + x3 = 1 ⇔ x1 = 2 − x3 , 0 1 0 −1
pelo que CS(S) = {(2 − x3 , −1, x3 ) : x3 ∈ R}. Sejam x1 , x2 , x3 as incógnitas do sistema (S). Então, x3 é uma incóg-
nita livre e (S) é equivalente ao sistema
(
x1 + x3 = 2
x2 = −1.
Exe 3.31
Res (cont.)
Dê exemplos de sistemas de m equações lineares a n incógnitas possı́veis
Assim, tem-se (MeSTaF): e determinados, possı́veis e indeterminados e impossı́veis para m > n,
m = n e m < n, sempre que tal seja possı́vel.
• x2 = −1;
• x1 + x3 = 2 ⇔ x1 = 2 − x3 , Res
pelo que CS(S) = {(2 − x3 , −1, x3 ) : x3 ∈ R}.
m>n m=n m<n
(c) O conjunto solução que se obteve através da aplicação do método de PD m =
Gauss é igual ao que se obteve através da aplicação do método de 2, n = 1 m = 1, n = 1
x =1
Gauss-Jordan, como tem que ser. Substituindo os valores encontrados x=1 —
2x=2
para as incógnitas no sistema dado, tem-se (2 − x3 ) + (−1) + x3 = 1 PI m
e (2 − x3 ) + x3 = 2, o que permite concluir que o conjunto solução  = 3, n = 2 m = 2, n = 2 m = 1, n = 2
 x + y =1
encontrado está correto. x + y =1
2x+2y =2 x+y =1
2x+2y =2
3x+3y =3

Imp m =2, n = 1 m= 2, n = 2
m = 2, n = 3
x=1 x+y =1 x+y +z =1
x=2 x+y =2 x+y +z =2
Teo 3.32 Res (cont.)

Seja (S) um sistema não-homogéneo e x0 ∈ CS(S) . Então,
CS(S) = {x0 + y : y ∈ CS(Sh ) }. Passo 2 Como car(A) = car(A|02×1 ) = 2 < n = 3 (n é o número de
incógnitas), (Sh ) é um sistema PI (este resultado já é pré-sabido).
Exe 3.33 Passo 3 Sejam x1 , x2 , x3 as incógnitas do sistema (Sh ). Então, x2 é
Seja (S) o sistema de equações lineares cuja matriz dos coeficientes é uma incógnita livre e (Sh ) é equivalente ao sistema
A = 11 11 −11 e cujo vetor dos termos independentes é b = [ 22 ]. Aplique o

(
teorema Teo 3.32 para o resolver. x1 + x2 + x3 = 0
− 2x3 = 0.
Res
Assim, tem-se (MeSTaF):
• Identificar uma solução particular de (S): por exemplo, e por inspeção,
x0 = (2, 0, 0). • −2x3 = 0 ⇔ x3 = 0;
• x1 + x2 + x3 = 0 ⇔ x1 + x2 + (0) = 0 ⇔ x1 = −x2 ,
• Determinar a solução de (Sh )
Passo 1 Aplicação pelo que CS(Sh ) = {(−x2 , x2 , 0) : x2 ∈ R}.
do ATEsc àmatriz aumentada
A|02×1 :
• Tem-se, então:

1 1 1 0 ←−−−−→ 1 1 1 0
.
1 1 −1 0 `2 ← `2 −`1 0 0 −2 0
CS(S) = {x0 + y : y ∈ CS(Sh ) } = {(2 − x2 , x2 , 0) : x2 ∈ R}.
3 – Sistemas de Equações Lineares Discussão de sistemas de equações lineares 3 – Sistemas de Equações Lineares Discussão de sistemas de equações lineares
Obs 3.34 Res (cont.)

Um exercı́cio clássico de Álgebra Linear é, dado um sistema de equações
lineares cuja matriz dos coeficientes e/ou o vetor dos termos dependentes   
1 −2 0 0 ←−−−→ 1 −2 0 0

←−−−−−−→
depende de um ou mais parâmetros, indicar o tipo do sistema em função  0 2a 1 1  `2 ↔ `3  0 2 −1 2 
do(s) parâmetro(s). Uma regra prática para os resolver é evitar, sempre 0 2 −1 2 0 2a 1 1 `3 ← `3 − a`2
que possı́vel, que os pivôs não dependam dos parâmetros, nem que para  
isso seja necessário trocar linhas. 1 −2 0 0
 0 2 1 2 
Exe 3.35 0 0 1 + a 1 − 2a
Seja h(S) o sistema de equações lineares cuja matriz dos coeficientes éh i
a 0 1
i 1 a = −1:
A = 1 −2 0 , a ∈ R, e cujo vetor dos termos independentes é b = 0 .
2 −2 −1 2  
Discuta-o em função do parâmetro a. 1 −2 0 0
 0 2 1 2 
Res
0 0 0 3
   
a 0 1 1 ←−−−→ 1 −2 0 0 ←−−−−−−→ a 6= −1: car(A) = car(A|b) = n = 3 (n é o número de incógnitas) —
 1 −2 0 0  `1 ↔ `2  a 0 1 1  `2 ← `2 − a`1 PD.
2 −2 −1 2 2 −2 −1 2 `3 ← `3 − 2`1
a = −1: car(A) = 2 < car(A|b) = 3 — Imp.
3 – Sistemas de Equações Lineares Discussão de sistemas de equações lineares 3 – Sistemas de Equações Lineares Discussão de sistemas de equações lineares

1 1 1 −1 1 1 1 −1 0
 
2 0 2 0 ←−−−−−−−−−−→
A= 2 α+2 2 −1 ], α ∈ R, e cujo vetor dos termos independentes é  0 −2 0 2 β 
2 0 −1
0α+1 
 0 0 0 α+1 αβ


β 2
b = 0 , β ∈ R. Discuta-o em função dos parâmetros α e β. 0 0 −1 − α 1 (1−α)β
`3 ↔ `4
0 2
1 1 1 −1 0
 
Res  0 −2 0 2 β 
(1−α)β
 
 0 0 −1 − α 1 
  2
1 1 1 −1 0 ←−−−−−−−−−−→ αβ
 2 0 0 0 α+1 2
 0 2 0 β  `2 ← `2 − 2`1

 2 α + 2 2 −1 0  `3 ← `3 − 2`1 α = −1:
α+1 2 0 −1 0 `4 ← `4 − (α + 1)`1
1 1 −1
 
  1 0
1 1 1 −1 0 ←−−−−−−−−−−→  0 −2 0 2 β 
 0 −2 0 2 β   
   0 0 0 1 β 
 0 α 0 1 0  `3 ← `3 + α2 `2
0 0 0 0 − β2
0 1 − α −1 − α α 0 `4 ← `4 + 1−α 2 `2
3 – Sistemas de Equações Lineares Discussão de sistemas de equações lineares 3 – Sistemas de Equações Lineares Regra de Cramer
Res (cont.) Teo 3.37

(Regra de Cramer) Seja Ax = b um sistema de n equações lineares com
α 6= −1: car(A) = car (A|b) = n = 4 (n é o número de incógnitas) 1
n incógnitas possı́vel e determinado. Então, x = |A| adj(A) b, ou seja,
— PD. ∆i
xi = |A| , i = 1, . . . , n, em que ∆i é o determinante da matriz que se
α = −1 e β = 0: car(A) = car(A|b) = 3 < n = 4 (n é o número de obtém a partir da matriz A, na qual se substitui a i-ésima coluna pelo
incógnitas) — PI. vetor dos termos independentes, b.
α = −1 e β 6= 0: car(A) = 3 < car(A|b) = 4 — Imp.
Obs 3.38
(a) Seja (S) um sistema de n equações lineares com n incógnitas cuja

matriz dos coeficientes é A. Então, (S) é PD se e só se |A| =
6 0,
tendo-se, neste caso x = A−1 b, .
(b) Seja (S) um sistema de m equações lineares com n incógnitas cuja
matriz dos coeficientes é A. Então, pode-se obter o seu conjunto
solução através da Regra de Cramer se m = n e (S) é PD, ou seja,
se A é uma matriz quadrada e |A| =6 0.
3 – Sistemas de Equações Lineares Regra de Cramer 3 – Sistemas de Equações Lineares Matrizes invertı́veis revisitadas
Teo 3.40
Exe 3.39
Seja A ∈ Mn×n (R). Então, A é uma matriz invertı́vel se e só se
car(A) = n.
A = −31 26 e cujo vetor dos termos independentes é b = [ 12 ].
(a) Mostre, sem o resolver, que (S) é um sistema possı́vel e determinado. Exe 3.41
(b) Determine o conjunto solução de (S) através da Regra de Cramer. Determine, por dois processos distintos, para que valores de α a matriz
A = [ α1 α1 ] é invertı́vel.
Res Res
(a) Como |A| = 1 × 6 − 2 × (−3) = 12 6= 0, (S) é um sistema PD. • Processo 1 — determinar α tal que |A| = 6 0 ⇔ α2 − 1 6=
6 0: |A| =
(b) Seja x = [ xx12 ]
o vetor das incógnitas de (S). Então: 0 ⇔ α 6= ±1.
• Processo 2 — determinar α tal que car(A) = 2:
1 2 1 1

2 6 2 1 −3 2 5

α 1 ←−−−→ 1 α

1 α

←−−−→
x1 = = = , x2 = = , CS(S) = {( 61 , 12
5
)}.
|A| 12 6 |A| 12 1 α `1 ↔ `2 α 1 `2 ← `2 − α`2 0 1 − α2
Assim, car(A) = 2 ⇔ 1 − α2 6= 0 ⇔ α 6= ±1.
3 – Sistemas de Equações Lineares Matrizes invertı́veis revisitadas 4 – Espaços Vetoriais
Obs 3.42
1 Matrizes
Some english vocabulary regarding Linear Systems of Equations
• sistema de equações lineares/linear system of equations
• matriz dos coeficientes/coefficient matrix 2 Determinantes
• vetor dos termos independentes/right hand side vector

• vetor das incógnitas/unknown vector 3 Sistemas de Equações Lineares
• matriz aumentada ou matriz ampliada/augmented matrix
• conjunto solução/solution set 4 Espaços Vetoriais
• sistema homogéneo/homogeneous system
• sistema possı́vel/consistent linear system 5 Transformações Lineares de Rn em Rm
• sistema possı́vel e determinado/independent linear system
• sistema possı́vel e indeterminado/dependent linear system 6 Valores e Vetores Próprios
• sistema impossı́vel/inconsistent linear system
• caracterı́stica de uma matriz/rank of a matrix
4 – Espaços Vetoriais Definições iniciais 4 – Espaços Vetoriais Definições iniciais
Obs 4.1 Def 4.2

Apresenta-se na definição que se segue a generalização da noção de Jespaço vetorialK Sejam V um conjunto não vazio e as operações
“vetor” entendido como uma entidade com um tamanho, um sentido e
⊕: V ×V −→ V : R×V −→ V
uma direcção. O estudo genérico de um espaço vetorial permite-nos
(x, y ) 7−→ x ⊕ y , (α, x) 7−→ α x.
estabelecer propriedades válidas para um conjunto alargado de entidades
matemáticas. Diz-se que o sêxtuplo (V , ⊕, , R, +, ·) é um espaço vetorial se:
(a) ∀x, y ∈ V [x ⊕ y = y ⊕ x].
(b) ∀x, y , z ∈ V [(x ⊕ y ) ⊕ z = x ⊕ (y ⊕ z)].
(c) ∃1 elemento de V (representado por 0V ), ∀x ∈ V [x ⊕ 0V = x].
(d) ∀x ∈ V , ∃1 elemento de V (representado por −x) [x ⊕ (−x) = 0V ].
(e) ∀α ∈ R, ∀x, y ∈ V [α (x ⊕ y ) = α x ⊕ α y ].
(f) ∀α, β ∈ R, ∀x ∈ V [(α + β) x = α x ⊕ β x].
(g) ∀α, β ∈ R, ∀x ∈ V [(α · β) x = α (β x)].
(h) ∀x ∈ V [1 x = x].
4 – Espaços Vetoriais Definições iniciais 4 – Espaços Vetoriais Definições iniciais
Def 4.3 Def 4.5

Seja o espaço vetorial definido por (V , ⊕, , R, +, ·). JRn K Seja n ∈ N. Representa-se por Rn o conjunto dos n-úplos com
(a) JescalarK Chama-se escalares aos elementos de R. elementos em R, ou seja,
def
(b) JvetorK Chama-se vetores aos elementos de V . Rn = {(x1 , . . . , xn ) : x1 , . . . , xn ∈ R}.
(c) Jsoma de vetoresK Chama-se soma de vetores à operação ⊕.
As operações usuais neste conjunto de soma e multiplicação por um
(d) Jmultiplicação de um escalar por um vetorK Chama-se multiplicação
escalar, são dadas, respetivamente, por:
de um escalar por um vetor à operação .
def
(i) (x1 , . . . , xn ) + (y1 , . . . , yn ) = (x1 + y1 , . . . , xn + yn ).
Obs 4.4 def
(ii) α(x1 , . . . , xn ) = (αx1 , . . . , αxn ).
(a) Para simplificar a linguagem, em vez de“seja o espaço vetorial definido
por (V , ⊕, , R, +, ·)” diz-se “ seja V um espaço vetorial” quando as Exe 4.6
operações de soma de vetores e de multiplicação de um escalar por Sejam x = (1, 2, −3, 0), y = (−1, 0, 1, 2) ∈ R4 . Determine:
um vetor estiverem subentendidas. (a) x + y .
(b) Se não causar confusão, em vez de x ⊕ y escreve-se x + y , em vez de (b) −2y .
x ⊕ (−y ) escreve-se x − y e em vez de α x escreve-se αx. (c) −3x + 2y .
4 – Espaços Vetoriais Definições iniciais 4 – Espaços Vetoriais Subespaços
Res Def 4.9

JsubespaçoK Sejam o espaço vetorial (V , ⊕, , R, +, ·) e F um
(a) x + y = (1, 2, −3, 0) + (−1, 0, 1, 2) = (0, 2, −2, 2).
subconjunto de V . Diz-se que F é um subespaço de V se
(b) −2y = −2(−1, 0, 1, 2) = (2, 0, −2, −4). (F , ⊕, , R, +, ·) é um espaço vetorial.
(c) −3x + 2y = −3(1, 2, −3, 0) + 2(−1, 0, 1, 2) = (−5, −6, 11, 4).
Teo 4.10
Teo 4.7 Sejam V um espaço vetorial e F um subconjunto de V . Então, F é um
subespaço de V se e só se:
Rn com as operações usuais é um espaço vetorial.
(i) 0V ∈ F .
Obs 4.8 (ii) ∀x, y ∈ F [x + y ∈ F ].
(iii) ∀α ∈ R, ∀x ∈ F [αx ∈ F ].
(a) Por vezes identifica-se Rn com Mn×1 (R) ou M1×n (R), sendo o con-
texto suficiente para distinguir as duas interpretações.
Obs 4.11
(b) Considera-se neste curso apenas espaços vetoriais que são subconjun-
Note-se que o teorema Teo 4.10 é um processo mais prático de verificar
tos de Rn .
se um subconjunto de um espaço vetorial é um subespaço do que a
definição Def 4.9.
4 – Espaços Vetoriais Subespaços 4 – Espaços Vetoriais Subespaços
Exe 4.12 Obs 4.13

Mostre que F = {(x1 , x2 ) ∈ R2 : x2 = 0} é um subespaço de R2 . Sejam V um espaço vetorial e F um subconjunto não-vazio de V . Então,
F não é um subespaço de V se e só se:
Res (i) 0V ∈
/ F ou
F é um subconjunto de V tal que: (ii) ∃x, y ∈ F [x + y ∈
/ F ] ou
(i) 0R2 = (0, 0) ∈ F . (iii) ∃α ∈ R, ∃x ∈ F [αx ∈
/ F ].
(ii) Sejam x = (x1 , 0), y = (y1 , 0) ∈ F . Então, x + y = (x1 , 0) + (y1 , 0) =
(x1 + y1 , 0) ∈ F . Exe 4.14
(iii) Sejam α ∈ R e x = (x1 , 0) ∈ F . Então, αx = α(x1 , 0) = (αx1 , 0) ∈ Mostre que G = {(x1 , x2 ) ∈ R2 : x2 = 1} não é um subespaço de R2 .
F.
Assim, conclui-se que F é um subespaço de R2 . Res
/ G , tem-se que G não é um subespaço de R2 .
Como 0R2 = (0, 0) ∈
4 – Espaços Vetoriais Subespaços 4 – Espaços Vetoriais Subespaços
Obs 4.15 Teo 4.17

Para resolver o exercı́cio anterior basta identificar uma das três condições Seja A ∈ Mm×n (R). Então, CS(Ax=0) é um subespaço de Rn .
do teorema Teo 4.10 que não é satisfeita, tendo a resolução que se
apresentou usado a primeira condição. Neste exercı́cio seria possı́vel Dem
também usar a segunda (Sejam, por exemplo, x = (2, 1), y = (3, 1) ∈ G . CS(Ax=0) é um subconjunto de Rn tal que:
Então, x + y = (2, 1) + (3, 1) = (5, 2) ∈/ G , pelo que a propriedade (ii)
(i) Como A0n×1 = 0, tem-se que 0Rn = 0n×1 ∈ CS(Ax=0) .
não é válida.) ou a terceira (Sejam, por exemplo, α = 2 e
x = (3, 1) ∈ G . Então, αx = 2(3, 1) = (6, 2) ∈ / G , pelo que a (ii) Sejam x1 , x2 ∈ CS(Ax=0) . Então, como A(x1 + x2 ) = Ax1 + Ax2 =
propriedade (iii) não é válida.). 0 + 0 = 0, tem-se que x1 + x2 ∈ CS(Ax=0) .
(iii) Sejam α ∈ R e x ∈ CS(Ax=0) . Então, como A(αx) = α(Ax) = α0 =
Teo 4.16 0, tem-se que αx ∈ CS(Ax=0) .
Seja V um espaço vetorial. Então: Assim, conclui-se que CS(Ax=0) é um subespaço de Rn .
(a) {0V } é um subespaço de V .
(b) V é um subespaço de V .
4 – Espaços Vetoriais Combinação linear 4 – Espaços Vetoriais Combinação linear
Def 4.18 Exe 4.20

Jcombinação linearK Sejam V um espaço vetorial, x ∈ V , r ∈ N e Sejam x = (1, 4), x1 = (1, 2), x2 = (1, 1) e x3 = (2, 2).
X = {x1 , . . . , xr } ⊆ V . Diz-se que x é uma combinação linear dos (a) Mostre que x é uma combinação linear de x1 e x2 e escreva x como
elementos de X se combinação linear de x1 e x2 .
∃α1 , . . . , αr ∈ R [x = α1 x1 + · · · + αr xr ]. (b) Mostre que x é uma combinação linear de x1 , x2 e x3 e escreva x
como combinação linear de x1 , x2 e x3 de duas maneiras.
(c) Mostre que x não é uma combinação linear de x2 e x3 .
Obs 4.19
Sejam V um espaço vetorial, x ∈ V , r ∈ N e X = {x1 , . . . , xr } ⊆ V . Res
Diz-se que x é uma combinação linear dos elementos de X se o sistema
linear (a) Mostrar que x é uma combinação linear de x1 e x2 é, por definição,
mostrar que
α1 x1 + · · · + αr xr = x
∃α1 , α2 ∈ R [x = α1 x1 + α2 x2 ],
é possı́vel.
i.e., que é possı́vel o sistema de equações lineares (Sa ) dado por
Res (cont.)
( Res (cont.)
α1 + α2 = 1
(1, 4) = α1 (1, 2) + α2 (1, 1) ⇔
2α1 + α2 = 4, Assim, tem-se (MeSTaF):
• −α2 = 2 ⇔ α2 = −2;
ou seja, Ax = b, com A = [ 12 11 ], x = [ αα12 ] e b = [ 14 ]. Aplicando-se o • α1 + α2 = 1 ⇔ α1 + (−2) = 1 ⇔ α1 = 3,
método de Gauss, tem-se: vindo
Passo 1 Aplicação do ATEsc
à matriz aumentada A|b:
x = 3x1 − 2x2 .
1 1 1 ←−−−−→ 1 1 1
.
2 1 4 `2 ← `2 −2`1 0 −1 2 (b) Mostrar que x é uma combinação linear de x1 , x2 e x3 é, por definição,
Passo 2 Como car(A) = car(A|b) = n = 2 (n é o número de incóg- mostrar que
nitas), (Sa ) é um sistema PD.
∃α1 , α2 , α3 ∈ R [x = α1 x1 + α2 x2 + α3 x3 ],
Passo 3 Sendo α1 , α2 as incógnitas do sistema (Sa ), este é equivalente
ao sistema i.e., que é possı́vel o sistema de equações lineares (Sb ) dado por
(
α1 + α2 = 1
(
α1 + α2 + 2α3 = 1
−α2 = 2. (1, 4) = α1 (1, 2) + α2 (1, 1) + α3 (2, 2) ⇔
2α1 + α2 + 2α3 = 4,

• −α2 − 2α3 = 2 ⇔ α2 = −2 − 2α3 ;
h α1 i
ou seja, Ax = b, com A = [ 12 11 22 ], x = α2
α3
e b = [ 14 ]. Aplicando-se
• α1 + α2 + 2α3 = 1 ⇔ α1 + (−2 − 2α3 ) + 2α3 = 1 ⇔ α1 = 3,
o método de Gauss, tem-se:
vindo
Passo 1 Aplicação
do ATEsc à matriz aumentada A|b:
x = 3x1 + (−2 − 2α3 )x2 + α3 x3 , α3 ∈ R.

1 1 2 1 ←−−−−→ 1 1 2 1
.
2 1 2 4 `2 ← `2 −2`1 0 −1 −2 2
Assim, considerando, por exemplo:
Passo 2 Como car(A) = car(A|b) = 2 < n = 3 (n é o número de • a = 0, tem-se: x = 3x1 − 2x2 .
incógnitas), (Sb ) é um sistema PI. • a = 1, tem-se: x = 3x1 − 4x2 + x3 .
Passo 3 Sendo α1 , α2 , α3 as incógnitas do sistema (Sb ), α3 é uma (c) Mostrar que x não é uma combinação linear de x2 e x3 é equivalente
incógnita livre e (Sb ) é equivalente ao sistema a mostrar que é impossı́vel o sistema de equações lineares (Sc ) dado
( por
α1 + α2 + 2α3 = 1 (
−α2 − 2α3 = 2. α2 + 2α3 = 1
(1, 4) = α2 (1, 1) + α3 (2, 2) ⇔
α2 + 2α3 = 4,
4 – Espaços Vetoriais Combinação linear 4 – Espaços Vetoriais Espaço gerado
Res (cont.) Def 4.21

Jespaço gerado, L(X ), hx1 , . . . , xr iK Sejam V um espaço vetorial e
ou seja, Ax = b, com A = [ 11 22 ], x = [ αα23 ] e b = [ 14 ]. Então, X = {x1 , . . . , xr } ⊆ V . Chama-se espaço gerado pelo conjunto X , que se
aplicando o ATEsc à matriz ampliada do sistema (Sc ), tem-se: representa por L(X ) ou por hx1 , . . . , xr i, ao conjunto de todas as
combinações lineares dos elementos de X , ou seja,

1 2 1 ←−−−−→ 1 2 1
.
1 2 4 `2 ← `2 −`1 0 0 3 def
L(X ) ≡ hx1 , . . . , xr i = {α1 x1 + · · · + αr xr : α1 , . . . , αr ∈ R}.
Como car(A) = 1 < car(A|b) = 2, (Sc ) é um sistema Imp, pelo que
x não é uma combinação linear de x2 e x3 .
4 – Espaços Vetoriais Espaço gerado 4 – Espaços Vetoriais Espaço gerado
Exe 4.22
Res (cont.)
Sejam a = (−1, 2, −3), b = (3, 4, 2) e c = (1, 8, −4). Mostre que    
c ∈ ha, bi. −1 3 1 ←−−−−→ −1 3 1 ←−−−−→
 2 4 8  `2 ← `2 +2`1  0 10 10 
Res 7
−3 2 −4 `3 ← `3 −3`1 0 −7 −7 `3 ← `3 + 10 `2
Para se mostrar que c ∈ ha, bi, tem que se mostrar que c é uma 
−1 3 1

combinação linear de a e b, ou seja,  0 10 10  ,
0 0 0
∃α, β ∈ R [c = αa + βb],
pelo que car(A) = car(A|b) = 2. Assim, o sistema (S) é um sistema Pos,
i.e., que é possı́vel o sistema de equações lineares (S) dado por pelo que c é uma combinação linear de a e b, ou seja, c ∈ ha, bi.

 −α + 3β = 1

(1, 8, −4) = α(−1, 2, −3) + β(3, 4, 2) ⇔ 2α + 4β = 8

−3α + 2β = −4,

h −1 3 i h 1
i
ou seja, Ax = b, com A = 24 , x = [ αβ ] e b = 8 . Aplicando-se o
−3 2 −4
ATEsc à matriz ampliada do sistema (S), tem-se:
4 – Espaços Vetoriais Espaço gerado 4 – Espaços Vetoriais Conjunto gerador
Teo 4.23 Def 4.25

Sejam V um espaço vetorial e X = {x1 , . . . , xr } ⊆ U ⊆ V . Então: Jconjunto geradorK Sejam V um espaço vetorial e X = {x1 , . . . , xr } ⊆ V .
(a) L(X ) é um subespaço de V . Diz-se que X é um conjunto gerador de V se V = L(X ).
(b) se U é um subespaço de V , então L(X ) ⊆ U.
Obs 4.26
Sejam V um espaço vetorial e X = {x1 , . . . , xr } ⊆ V . Então, X é um
Obs 4.24
conjunto gerador de V se
Sejam V um espaço vetorial e X = {x1 , . . . , xr } ⊆ V . Então:
(a) chama-se “espaço gerado” ao conjunto L(X ) devido à alı́nea (a) do ∀x ∈ V , ∃α1 , . . . , αr ∈ R [x = α1 x1 + · · · + αr xr ],
teorema anterior.
i.e., se o sistema de equações lineares
(b) L(X ) é o“menor”subespaço de V que contém X no sentido da alı́nea
(b) do teorema anterior. α1 x1 + · · · + αr xr = x
é possı́vel qualquer que seja x ∈ V .
4 – Espaços Vetoriais Conjunto gerador 4 – Espaços Vetoriais Conjunto gerador
Exe 4.27 Res
(a) Indique, justificando, se X1 = {(2, 0)} é um conjunto gerador de R2 . (a) Verificar se X1 = {(2, 0)} é um conjunto gerador de R2 é verificar se, qual-
quer que seja x = (ξ1 , ξ2 ) ∈ R2 , é Pos o sistema de equações lineares (S1 )
(b) Indique, justificando, se X2 = {(2, 0), (3, 4)} é um conjunto gerador
dado por
de R2 . (
(c) Indique, justificando, se X3 = {(2, −1), (−4, 2)} é um conjunto gera- 2α = ξ1
(ξ1 , ξ2 ) = α(2, 0) ⇔
dor de R2 . 0α = ξ2 ,
(d) Indique, justificando, se X4 = {(2, 0), (3, 4), (0, 1)} é um conjunto h i
ξ1
gerador de R2 . ou seja, Ax = b, com A = [ 20 ], x = [ α ] e b = ξ2 . Então, como a
representação matricial do sistema (S1 ) é

2 ξ1
0 ξ2
que já está em escada, car(A) = 1 e car(A|b) = 1 se ξ2 = 0 e car(A|b) = 2

se ξ2 6= 0, pelo que car(A) < car(A|b) se ξ2 6= 0. Assim, o sistema (S1 )
nem sempre é possı́vel, concluindo-se que X1 não é um conjunto gerador de
R2 .
(b) Verificar se X2 = {(2, 0), (3, 4)} é um conjunto gerador de R2 é ve-

(c) Verificar se X3 = {(2, −1), (−4, 2)} é um conjunto gerador de R2 é verificar
rificar se, qualquer que seja x = (ξ1 , ξ2 ) ∈ R2 , é Pos o sistema de se, qualquer que seja x = (ξ1 , ξ2 ) ∈ R2 , é Pos o sistema de equações lineares
equações lineares (S2 ) dado por (S3 ) dado por
( (
2α + 3β = ξ1 2α − 4β = ξ1
(ξ1 , ξ2 ) = α(2, 0) + β(3, 4) ⇔ (ξ1 , ξ2 ) = α(2, −1) + β(−4, 2) ⇔
4β = ξ2 , −α + 2β = ξ2 ,
h i
2 −4
, x = [ αβ ] e b = ξξ12 . Então, aplicando
h i
ou seja, Ax = b, com A = [ 20 34 ],
x = eb= [ αβ ] ξ1
ξ2 . Então, como ou seja, Ax = b, com A = −1 2
o ATEsc à matriz ampliada do sistema (S3 )
a representação matricial do sistema (S2 ) é

2 −4 ξ1 ←−−−−−−−→ 2 −4 ξ1
2 3 ξ1 ,
−1 2 ξ2 `2 ← `2 + 12 `1 0 0 ξ2 + 12 ξ1
0 4 ξ2
conclui-se que car(A) = 1 e car(A|b) = 1 se ξ2 + 12 ξ1 = 0 e car(A|b) = 2
que já está em escada, car(A) = car(A|b) = 2 qualquer que seja x = se ξ2 + 12 ξ1 6= 0, pelo que car(A) < car(A|b) se ξ2 + 12 ξ1 6= 0. Assim, o
(ξ1 , ξ2 ) ∈ R2 , pelo que o sistema (S2 ) é sempre possı́vel, concluindo-se sistema (S3 ) nem sempre é possı́vel, concluindo-se que X3 não é um conjunto
que X2 é um conjunto gerador de R2 . gerador de R2 .
Res (cont.)
Obs 4.28
(d) Verificar se X4 = {(2, 0), (3, 4), (0, 1)} é um conjunto gerador de R2 (a) Conjuntos geradores distintos podem gerar o mesmo espaço vetorial.
é verificar se, qualquer que seja x = (ξ1 , ξ2 ) ∈ R2 , é Pos o sistema de
(b) Se F = hx1 , . . . , xr i, então X = {x1 , . . . , xr } é um conjunto gerador
equações lineares (S4 ) dado por
de F .
(
2α + 3β = ξ1 (c) O teorema que se segue indica um algoritmo para“simplificar”conjun-
(ξ1 , ξ2 ) = α(2, 0) + β(3, 4) + γ(0, 1) ⇔ tos geradores de subespaços de Rn através da eliminação de elementos
4β + γ = ξ2 ,
redundantes.
h i
ou seja, Ax = b, com A = [ 20 34 01 ], x = [ αβ ] e b = ξ1
ξ2 . Então, como
Teo 4.29
a representação matricial do sistema (S4 ) é
Sejam V um subespaço de Rn e X = {x1 , . . . , xr } um conjunto gerador
de V . Seja, ainda, A = [aij ] ∈ Mn×r (R), com aij a i-ésima componente

2 3 0 ξ1
0 4 1 ξ2 de xj . Então, X 0 = {xk1 , . . . , xkp }, em que ck1 , . . . , ckp são os colunas
pivô de B ∈ fe(A), também é um conjunto gerador de V .
que já está em escada, car(A) = car(A|b) = 2 qualquer que seja x =
(ξ1 , ξ2 ) ∈ R2 , pelo que o sistema (S4 ) é sempre possı́vel, concluindo-se
que X4 é um conjunto gerador de R2 .
4 – Espaços Vetoriais Conjunto gerador 4 – Espaços Vetoriais Independência e dependência lineares
Exe 4.30 Def 4.31

Indique um conjunto gerador de V = h(0, 0), (1, −2), (−2, 4)i com o Sejam V um espaço vetorial e X = {x1 , . . . , xr } ⊆ V .
número mı́nimo de elementos. (a) Jconjunto linearmente independente K Diz-se que X é um conjunto
linearmente independente se
Res
1 −2
0
Seja A = 0 −2 4 . Então, como ∀α1 , . . . , αr ∈ R [α1 x1 + · · · + αr xr = 0V → α1 = · · · = αr = 0].
(b) Jvetores linearmente independentesK Se X é um conjunto linearmente

0 1 −2 ←−−−−−−−→ 0 1 −2
= B ∈ fe(A), independente, os elementos de X dizem-se vetores linearmente inde-
0 −2 4 `2 ← `2 + 2`1 0 0 0
pendentes.
c2 é a única coluna de pivô de B, pelo que X 0 = {(1, −2)} é um (c) Jconjunto linearmente dependenteK Se X não é um conjunto linear-
conjunto gerador de V com o número mı́nimo de elementos. mente independente, diz-se que X é um conjunto linearmente depen-
dente.
(d) Jvetores linearmente dependentesK Se X é um conjunto linearmente
dependente, os elementos de X dizem-se vetores linearmente depen-
dentes.
4 – Espaços Vetoriais Independência e dependência lineares 4 – Espaços Vetoriais Independência e dependência lineares
Obs 4.32 Teo 4.33

Sejam V um espaço vetorial e X = {x1 , . . . , xr } ⊆ V . Seja, ainda, (S) o Sejam V um espaço vetorial e X = {x} ⊆ V . Então:
sistema de equações lineares α1 x1 + · · · + αr xr = 0V . (a) X é um conjunto linearmente independente se e só se x 6= 0V .
(a) (S) é sempre um sistema possı́vel, pois pelo menos admite a solução (b) X é um conjunto linearmente dependente se e só se x = 0V .
trivial, ou seja, (0, . . . , 0) ∈ CS(s) .
(b) X é um conjunto linearmente independente se (S) é um sistema de Exe 4.34
equações lineares possı́vel e determinado, i.e., CS(s) = {(0, . . . , 0)}.
(c) X é um conjunto linearmente dependente se (S) é um sistema de (a) Indique, justificando, se X1 = {(2, 0)} é um conjunto linearmente
equações lineares possı́vel e indeterminado, ou seja, existe pelo menos independente ou linearmente dependente.
um αi 6= 0, i = 1, . . . , r , tal que (b) Indique, justificando, se X2 = {(2, 0), (3, 4)} é um conjunto linear-
mente independente ou linearmente dependente.
α1 x1 + · · · + αr xr = 0V (c) Indique, justificando, se X3 = {(2, −1), (−4, 2)} é um conjunto line-
armente independente ou linearmente dependente.
(d) Se V é um subespaço de Rn e r > n, então (S) é um sistema de
equações lineares possı́vel e indeterminado pelo que X é um conjunto (d) Indique, justificando, se X4 = {(2, 0), (3, 4), (0, 1)} é um conjunto
linearmente dependente. linearmente independente ou linearmente dependente.
Res
Res (cont.)
(a) Como (2, 0) 6= (0, 0), X1 é um conjunto li.
(b) Verificar se X2 = {(2, 0), (3, 4)} é um conjunto li ou ld é verificar se é (c) Verificar se X3 = {(2, −1), (−4, 2)} é um conjunto li ou ld é verificar
PD ou PI, respetivamente, o sistema de equações lineares (S2 ) dado se é PD ou PI, respetivamente, o sistema de equações lineares (S3 )
por dado por
(
2α − 4β = 0
(
2α + 3β = 0 (0, 0) = α(2, −1) + β(−4, 2) ⇔
(0, 0) = α(2, 0) + β(3, 4) ⇔ −α + 2β = 0,
4β = 0,
ou seja, Ax = b, com A = −12 −42 , x = [ αβ ] e b = [ 00 ]. Então,

ou seja, Ax = b, com A = [ 20 34 ], x = [ αβ ] e b = [ 00 ]. Então, como a
representação matricial do sistema (S2 ) é aplicando o ATEsc à matriz ampliada do sistema (S3 ), tem-se:

2 −4 0 ←−−−−→ 2 −4 0
2 3 0 1 .
, −1 2 0 `2 ← `2 + 2 `1 0 0 0
0 4 0
Como car(A) = car(A|b) = 1 < n = 2 (n é o número de incógnitas),
que já está em escada, car(A) = car(A|b) = n = 2 (n é o número (S3 ) é um sistema PI, concluindo-se que X3 é um conjunto ld.
de incógnitas), pelo que o sistema (S2 ) é PD, concluindo-se que X2 (d) Como X4 ⊆ R2 e #X4 = 3 > 2, X4 é um conjunto ld.
é um conjunto li.
Obs 4.35
Res
O seguinte teorema justifica a designação “vetores linearmente
independentes”. (a) Verificar se x1 = (1, −1, 1) é uma combinação linear de x2 =
(2, −1, 1) e x3 = (2, 1, 3) é, por definição, verificar se
Teo 4.36
Sejam V um espaço vetorial e X = {x1 , . . . , xr } ⊆ V com r ≥ 2. Então, ∃α2 , α3 ∈ R [x1 = α2 x2 + α3 x3 ],
X é um conjunto linearmente independente se e só se nenhum dos
elementos de X for uma combinação linear dos restantes elementos de X . i.e., se é possı́vel o sistema de equações lineares (Sa ) dado por

 2α2 + 2α3 = 1

Exe 4.37
(1, −1, 1) = α2 (2, −1, 1) + α3 (2, 1, 3) ⇔ −α2 + α3 = −1
Sejam x1 = (1, −1, 1), x2 = (2, −1, 1) e x3 = (2, 1, 3). 
α2 + 3α3 = 1,

(a) Indique, justificando, se x1 é uma combinação linear de x2 e x3 .
h 2 2i h 1i
(b) Indique, justificando, se x2 é uma combinação linear de x1 e x3 . ou seja, Ax = b, com A = −1 1 , x = [ αα23 ] e b = −1 . Então,
13 1
(c) Indique, justificando, se x3 é uma combinação linear de x1 e x2 . aplicando o ATEsc à matriz ampliada do sistema (Sa )
(d) Indique, justificando, se X = {x1 , x2 , x3 } é um conjunto linearmente
independente ou linearmente dependente.

   
2 2 1 ←−−−−→ 2 2 1 ←−−−−→ (b) Verificar se x2 = (2, −1, 1) é uma combinação linear de x1 =
 −1 1 −1  `2 ← `2 + 12 `1  0 2 −1  (1, −1, 1) e x3 = (2, 1, 3) é, por definição, verificar se
2
1
1 3 1 `3 ← `3 − 12 `1 0 2 2 `3 ← `3 −`2
∃α1 , α3 ∈ R [x2 = α1 x1 + α3 x3 ],
 
2 2 1
 0 2 −1  .
2
0 0 1 i.e., se é possı́vel o sistema de equações lineares (Sb ) dado por

conclui-se que car(A) = 2 < car(A|b) = 3. Assim, o sistema (Sa ) é  α1 + 2α3 = 2

um sistema Imp, pelo que x1 não é uma combinação linear de x2 e x3 . (2, −1, 1) = α1 (1, −1, 1) + α3 (2, 1, 3) ⇔ −α1 + α3 = −1

α1 + 3α3 = 1,

h 1 2i h 2i
ou seja, Ax = b, com A = −1 1 , x = [ αα13 ] e b = −1 . Então,
13 1
aplicando o ATEsc à matriz ampliada do sistema (Sb )

   
1 2 2 ←−−−−→ 1 2 2 ←−−−−→ (c) Verificar se x3 = (2, 1, 3) é uma combinação linear de x1 = (1, −1, 1)
 −1 1 −1  `2 ← `2 +`1  0 3 1  e x2 = (2, −1, 1) é, por definição, verificar se
1 3 1 `3 ← `3 −`1 0 1 −1 `3 ← `3 − 31 `2
∃α1 , α2 ∈ R [x3 = α1 x1 + α2 x2 ],
 
1 2 2
 0 3 1 .
0 0 − 34 i.e., se é possı́vel o sistema de equações lineares (Sc ) dado por

conclui-se que car(A) = 2 < car(A|b) = 3. Assim, o sistema (Sb ) é  α1 + 2α2 = 2

um sistema Imp, pelo que x2 não é uma combinação linear de x1 e x3 . (2, 1, 3) = α1 (1, −1, 1) + α2 (2, −1, 1) ⇔ −α1 − α2 = 1

α1 + α2 = 3,

h 1 2i h2i
ou seja, Ax = b, com A = −1 −1 , x = [ αα12 ] e b = 1 . Então,
1 1 3
aplicando o ATEsc à matriz ampliada do sistema (Sc )

    O seguinte teorema justifica a designação “vetores linearmente
1 2 2 ←−−−−→ 1 2 2 ←−−−−→
 −1 −1 dependentes”.
1  `2 ← `2 +`1  0 1 3 
1 1 3 `3 ← `3 −`1 0 −1 1 `3 ← `3 +`2
  Teo 4.39
1 2 2
 0 1 3 . Sejam V um espaço vetorial e X = {x1 , . . . , xr } ⊆ V com r ≥ 2. Então,
X é um conjunto linearmente dependente se e só se existe pelo menos
0 0 4
um elemento de X que é uma combinação linear dos restantes elementos
conclui-se que car(A) = 2 < car(A|b) = 3. Assim, o sistema (Sc ) é de X .
um sistema Imp, pelo que x3 não é uma combinação linear de x1 e x2 .
(d) Como nenhum dos elementos do conjunto X é uma combinação linear Exe 4.40
dos restantes elementos de X , conclui-se que X é um conjunto li (esta Sejam x1 = (1, 0), x2 = (2, 0) e x3 = (1, 1).
conclusão também poderia ser obtida através da definição de conjunto (a) Indique, justificando, se x1 é uma combinação linear de x2 e x3 .
linearmente independente, mas atendendo às três alı́neas anteriores a
(b) Indique, justificando, se {x1 , x2 , x3 } é um conjunto linearmente inde-
conclusão obtém-se diretamente).
pendente ou linearmente dependente.
Res Res (cont.)
(a) Verificar se x1 é uma combinação linear de x2 e x3 é, por definição, que já está em escada, car(A) = car(A|b) = n = 2 (n é o número
verificar se de incógnitas), pelo que o sistema (Sa ) é Pos, concluindo-se que x1 é
uma combinação linear de x2 e x3 .
∃α2 , α3 ∈ R [x1 = α2 x2 + α3 x3 ],
(b) Como x1 é uma combinação linear de x2 e x3 , {x1 , x2 , x3 } é um con-
i.e., se é possı́vel o sistema de equações lineares (Sa ) dado por junto ld.
(
2α2 + α3 = 1
(1, 0) = α2 (2, 0) + α3 (1, 1) ⇔
α3 = 0,
ou seja, Ax = b, com A = [ 20 11 ], x = [ αα23 ] e b = [ 10 ]. Então, como a

representação matricial do sistema (S1 ) é

2 1 1
0 1 0
Res
Teo 4.41
Sejam V um espaço vetorial e X e X ∗ subconjuntos de V . Se X é um (a) Verificar se X1 = {(2, 2, 3, −4), (1, 2, 0, −1), (0, −2, 3, −2)} é um
conjunto linearmente dependente e X ⊆ X ∗ , então X ∗ também é um conjunto li ou ld é verificar se é PD ou PI, respetivamente, o sis-
conjunto linearmente dependente. tema de equações lineares (S) dado por
Exe 4.42 (0, 0, 0, 0) = α(2, 2, 3, −4) + β(1, 2, 0, −1) + γ(0, −2, 3, −2) ⇔

 2α + β =0
(a) Indique, justificando, se X1 = {(2, 2, 3, −4), (1, 2, 0, −1),


 2α + 2β − 2γ = 0

(0, −2, 3, −2)} é um conjunto linearmente independente ou li-
nearmente dependente. 

 3α + 3γ = 0

−4α − β − 2γ = 0,
(b) Indique, justificando, se X2 = {(2, 2, 3, −4), (1, 2, 0, −1),
(0, −2, 3, −2), (2, 1, 1, 1)} é um conjunto linearmente indepen-
2 1 0
hαi 0
dente ou linearmente dependente. ou seja, Ax = b, com A = 2 2 −2
, x = βγ e b = 00 . Então,
3 0 3
−4 −1 −2 0
aplicando o ATEsc à matriz ampliada do sistema (S), tem-se:

Sejam V um espaço vetorial e X e X ∗ subconjuntos de V . Se X é um
conjunto linearmente independente e X ∗ ⊆ X , então X ∗ também é um
   
2 1 0 0 ←−−−−→ 2 1 0 0

 2 2 −2 0   `2 ← `2 −`1  0
 1 −2 0 
 conjunto linearmente independente.
 3 0 3 0  `3 ← `3 − 32 `1  0 −3 3 0 
2
−4 −1 −2 0 `4 ← `4 +2`1 0 1 −2 0 Exe 4.44
 
←−−−−→ 2 1 0 0
 0 1 −2 0  (a) Indique, justificando, se X1 = {(2, 2, 3, 4), (1, 2, 0, 0), (1, −2, 3, 4)} é
 . um conjunto linearmente independente ou linearmente dependente.
3
`3 ← `3 + 2 `2  0 0 0 0 
`4 ← `4 −`2 0 0 0 0 (b) Indique, justificando, se X2 = {(2, 2, 3, 4), (1, 2, 0, 0)} é um conjunto
linearmente independente ou linearmente dependente.
Como car(A) = car(A|b) = 2 < n = 3 (n é o número de incógnitas),
(S) é um sistema PI, concluindo-se que X1 é um conjunto ld.
(b) Como X1 ⊆ X2 e X1 é um conjunto ld, então X2 também é um
conjunto ld.
Res
Res (cont.)
(a) Verificar se X1 = {(2, 2, 3, 4), (1, 2, 0, 0), (1, −2, 3, 4)} é um conjunto
li ou ld é verificar se é PD ou PI, respetivamente, o sistema de equa-
   
2 1 1 0 ←−−−−→ 2 1 1 0 ←−−−−→
ções lineares (S) dado por  2 2 −2 0  `2 ← `2 −`1  0 1 −3 0 
   
 3 0 3 0  `3 ← `3 − 32 `1  0 − 32 3
2 0
 `3 ← `3 + 3 `2
2
(0, 0, 0, 0) = α(2, 2, 3, 4) + β(1, 2, 0, 0) + γ(1, −2, 3, 4) ⇔ 4 0 4 0 `4 ← `4 −2`1 0 −2 2 0 `4 ← `4 +2`2

2α + β + γ = 0
   


 2 1 1 0 ←−−−−→ 2 1 1 0
2α + 2β − 2γ = 0 0 1 −3 0  0 1 −3 0 
  
   .
 3α + 3γ = 0
 0 0 −3 0   0 0 −3 0 

0 0 −4 0 4 0 0 0 0


4α `4 ← `4 − 3 `3
+ 4γ = 0,
2 1 Como car(A) = car(A|b) = n = 3 (n é o número de incógnitas), (S)
1
0
2 2 −2
hαi é um sistema PD, concluindo-se que X1 é um conjunto li.
ou seja, Ax = b, com A = 30 3 , x = γ e b = 00 . Então,
β
40 4 0 (b) Como X2 ⊆ X1 e X1 é um conjunto li, então X2 também é um
aplicando o ATEsc à matriz ampliada do sistema (S), tem-se: conjunto li.
4 – Espaços Vetoriais Base e base ordenada 4 – Espaços Vetoriais Base e base ordenada
Exe 4.47
Def 4.45
JbaseK Sejam V um espaço vetorial e B = {b1 , . . . , br } ⊂ V . Diz-se que (a) Indique, justificando, se X1 = {(2, 0)} é uma base de R2 .
B é uma base de V se B é um conjunto gerador de V linearmente (b) Indique, justificando, se X2 = {(2, 0), (3, 4)} é uma base de R2 .
independente. (c) Indique, justificando, se X3 = {(2, −1), (−4, 2)} é uma base de R2 .
(d) Indique, justificando, se X4 = {(2, 0), (3, 4), (0, 1)} é uma base de R2 .
Obs 4.46
Sejam V um espaço vetorial e B = {b1 , . . . , br } ⊂ V . Diz-se que B é Res
uma base de V se o sistema de equações lineares
(a) Atendendo ao exercı́cio Exe 4.27 (a), X1 não é um conjunto gerador
α1 b1 + · · · + αr br = x de R2 , pelo que não é uma sua base.
(b) Atendendo aos exercı́cios Exe 4.27 (b) e Exe 4.34 (b), X2 é um con-
é possı́vel e determinado qualquer que seja x ∈ V . junto gerador de R2 linearmente independente, pelo que é uma base
de R2 .
(c) Atendendo ao exercı́cio Exe 4.27 (c), X3 não é um conjunto gerador
de R2 , pelo que não é uma sua base.
(d) Atendendo ao exercı́cio Exe 4.34 (d), X4 não é um conjunto linear-
mente independente, pelo que não é uma base de R2 .
Def 4.48 Def 4.51

Jbase ordenadaK Sejam V um espaço vetorial e B = (b1 , . . . , br ) ∈ Vr. Jcoordenadas de um vetor numa base ordenadaK Sejam V um espaço
Diz-se que B é uma base ordenada de V se B = {b1 , . . . , br } é uma base vetorial, B = (b1 , . . . , br ) uma base ordenada de V , x ∈ V e
de V . α1 , . . . , αr ∈ R tais que
Exe 4.49 x = α1 b1 + · · · + αr br .
Indique o valor lógico da seguinte proposição: “Seja B = {(1, 2), (2, 3)}
Chama-se coordenadas do vetor x relativamente à base ordenada B, que
uma base de R2 . Então, B1 = ((1, 2), (2, 3)) e B2 = ((2, 3), (1, 2)) são
se representa por [x]B , a
duas bases ordenadas distintas de R2 .”
def
Res [x]B = (α1 , . . . , αr ) ∈ Rr .
Proposição verdadeira.
Obs 4.52
Obs 4.50
Como uma base é um conjunto linearmente independente, o sistema
O objetivo da definição Def 4.48 é permitir distinguir entre ordenações
linear que é necessário resolver para determinar as coordenadas de um
diferentes dos seus elementos, situação que não acontece em conjuntos.
vetor numa base ordenada é sempre possı́vel e determinado, pelo que as
Faz sentido, agora, a seguinte definição:
coordenadas de um vetor numa base ordenada são únicas.
(a) Determine [(0, 2, 3)]Ba , Ba = ((1, 0, 0), (0, 1, 0), (0, 0, 1)). (b) Para responder à questão, tem que se resolver o sistema (Sb ) dado
(b) Determine [(0, 2, 3)]Bb , Bb = ((0, 1, 0), (1, 0, 0), (0, 0, 1)). por
(c) Determine [(0, 2, 3)]Bc , Bc = ((1, 1, 1), (0, 1, 1), (1, 0, 1)).

 α2 = 0

α1 (0, 1, 0)+α2 (1, 0, 0)+α3 (0, 0, 1) = (0, 2, 3) ⇔ α1 =2
Res (cont.) 
α3 = 3,

(a) Para responder à questão, tem que se resolver o sistema (Sa ) dado
por vindo imediatamente que (0, 2, 3) = 2(0, 1, 0) + 0(1, 0, 0) + 3(0, 0, 1),
ou seja, [x]Bb = (2, 0, 3).

α1
 =0 (c) Para responder à questão, tem que se resolver o sistema (Sc ) dado
α1 (1, 0, 0)+α2 (0, 1, 0)+α3 (0, 0, 1) = (0, 2, 3) ⇔ α2 = 2 por

α3 = 3,
 
α1
 + α3 = 0
vindo imediatamente que (0, 2, 3) = 0(1, 0, 0) + 2(0, 1, 0) + 3(0, 0, 1), α1 (1, 1, 1)+α2 (0, 1, 1)+α3 (1, 0, 1) = (0, 2, 3) ⇔ α1 + α2 =2

ou seja, [x]Ba = (0, 2, 3). 
α1 + α2 + α3 = 3,

h1 0 1i h α1 i h0i
ou seja, Ax = b, com A = 1 1 0 , x = αα2 e b = 2 . Então, Passo 3 Sejam α1 , α2 , α3 as incógnitas do sistema (Sc ). Então, (Sc )
111 3 3
aplicando o ATEsc à matriz ampliada do sistema, tem-se: é equivalente ao sistema

    α1 + α3 = 0

1 0 1 0 ←−−−−→ 1 0 1 0 ←−−−−→ α2 − α3 = 2
 1 1 0 2  `2 ← `2 −`1  0 1 −1 2  
α3 = 1.

1 1 1 3 ` ← `3 −`1 0 1 0 3 `3 ← `3 −`2
  3
1 0 1 0 Assim, tem-se (MeSTaF):
 0 1 −1 2  .
• α3 = 1;
0 0 1 1
• α2 − α3 = 2 ⇔ α2 − (1) = 2 ⇔ α2 = 3;
Passo 2 Como car(A) = car(A|b) = n = 3 (n é o número de incóg- • α1 + α3 = 0 ⇔ α1 + (1) = 0 ⇔ α1 = −1,
nitas), (Sc ) é um sistema PD. pelo que (0, 2, 3) = −(1, 1, 1) + 3(0, 1, 1) + (1, 0, 1), ou seja, [x]Bc =
(−1, 3, 1).
4 – Espaços Vetoriais Dimensão de um espaço vetorial 4 – Espaços Vetoriais Dimensão de um espaço vetorial
Teo 4.54
Teo 4.57
Sejam V um espaço vetorial e o conjunto {x1 , . . . , xr } uma base de V .
dim(Rn ) = n.
Então, todas as bases de V têm r vetores.
Def 4.55 Exe 4.58
Jdimensão de um espaço vetorial de dimensão finita, dim(V )K Seja V um (a) Indique, justificando, se X1 = {(2, 0)} é uma base de R2 .
espaço vetorial tal que V = {0V } ou {x1 , . . . , xr } é uma base de V .
(b) Indique, justificando, se X4 = {(2, 0), (3, 4), (0, 1)} é uma base de R2 .
(a) Se V = {0V }, diz-se que a dimensão de V é zero, escrevendo-se
dim(V ) = 0.
(b) Se {x1 , . . . , xr } é uma base de V , diz-se que a dimensão de V é r , Res
escrevendo-se dim(V ) = r . (a) Como #X1 = 1 6= dim(R2 ) = 2, X1 não é uma base de R2 .
(c) Diz-se ainda que V é um espaço vetorial de dimensão finita. (b) Como #X4 = 3 6= dim(R2 ) = 2, X4 não é uma base de R2 .
Obs 4.56
Note-se que a alı́nea (b) da definição anterior faz sentido pois o teorema
que a precede garante que se {x1 , . . . , xr } é uma base de V , todas as
bases de V têm r elementos.
Teo 4.59 Teo 4.63

(e1 , . . . , ei , . . . , en ), em que ei , i = 1, . . . , n, é o n-úplo cuja j-ésima Sejam V um espaço vetorial tal que dim(V ) = n e B um subconjunto de
componente, j = 1, . . . , n, é 0 se i 6= j e 1 se i = j, é uma base ordenada V com n elementos.
de Rn . (a) Se B é um conjunto linearmente independente, então B é uma base
Def 4.60 de V .
Jbase canónicaK Chama-se base canónica de Rn à base ordenada do (b) Se B é um conjunto gerador de V , então B é uma base de V .
teorema anterior.
Exe 4.61
Indique a base canónica de R3 .
Res
(e1 , e2 , e3 ), e1 = (1, 0, 0), e2 = (0, 1, 0) e e3 = (0, 0, 1).
Obs 4.62
Seja B a base canónica de Rn . Então [x]B = x (reveja o exercı́cio
Exe 4.53 (a)).
Def 4.64 Exe 4.65

Seja A ∈ Mm×n (R). Determine o espaço das colunas e espaço das linhas das seguintes
(a) Jespaço das linhas de uma matrizK Chama-se espaço das linhas da matrizes:
matriz A, que se representa por Lin(A), ao espaço gerado pelas linhas (a) A = [ 12 02 ].
da matriz A, ou seja, (b) B = [ 12 12 10 12 ].
def
Lin(A) = h`1,A ; . . . ; `m,A i(⊆ Rn ).
Res
(b) Jespaço das colunas de uma matrizK Chama-se espaço das colunas (a) • espaço das linhas: Lin(A) = h(1, 0), (2, 2)i.
da matriz A, que se representa por Col(A), ao espaço gerado pelas • espaço das colunas: Col(A) = h(1, 2), (0, 2)i.
colunas da matriz A, ou seja,
(b) • espaço das linhas: Lin(B) = h(1, 1, 1, 1), (2, 2, 0, 2)i.
def
Col(A) = hc1,A ; . . . ; cn,A i(⊆ Rm ). • espaço das colunas: Col(B) = h(1, 2), (1, 2), (1, 0), (1, 2)i.
Res
Def 4.66
Jnúcleo de uma matriz ou espaço nulo de uma matrizK Seja (a) O núcleo da matriz A é o conjunto solução do sistema cuja matriz dos
A ∈ Mm×n (R). Chama-se núcleo da matriz A ou espaço nulo da matriz coeficientes é a matriz A e cujo vetor dos termos independentes é o
A, que se representa por Nuc(A), ao conjunto solução do sistema vetor nulo b = [ 00 ]. Aplique-se o método de Gauss para o determinar:
homogéneo cuja matriz dos coeficientes é a matriz A, ou seja, Passo 1 Aplicação do ATEsc
1 0 0 ←−−−−→ 1 0 0
def
Nuc(A) = CS(Ax=0) (⊆ Rn ). .
2 2 0 `2 ← `2 −2`1 0 2 0
Passo 2 Como car(A) = car(A|b) = n = 2 (n é o número de incóg-
Exe 4.67 nitas), (S) é um sistema PD.
Determine o núcleo das seguintes matrizes: Passo 3 Sejam x1 , x2 as incógnitas do sistema (S). Então, (S) é
(a) A = [ 12 02 ]. equivalente ao sistema
(b) B = [ 12 12 10 12 ].
(
x1 =0
2x2 = 0.

• 2x2 = 0 ⇔ x2 = 0; Passo 3 Sejam x1 , x2 , x3 , x4 as incógnitas do sistema (S). Então, x2

• x1 = 0, e x4 são incógnitas livres e (S) é equivalente ao sistema
pelo que Nuc(A) = {(0, 0)}. (
(b) O núcleo da matriz B é o conjunto solução do sistema cuja matriz dos x1 + x2 + x3 + x4 = 0
coeficientes é a matriz B e cujo vetor dos termos independentes é o − 2x3 = 0.
0

vetor nulo b = 0 . Aplique-se o método de Gauss para o determinar:
0
0
Passo 1 Aplicação do ATEsc à matriz aumentada A|b: • −2x3 = 0 ⇔ x3 = 0;

1 1 1 1 0

1 1 1 1 0 • x1 + x2 + x3 + x4 = 0 ⇔ x1 + x2 + (0) + x4 = 0 ⇔ x1 = −x2 − x4 ,
←−−−−→
. pelo que Nuc(B) = {(−x2 − x4 , x2 , 0, x4 ) : x2 , x4 ∈ R}.
2 2 0 2 0 `2 ← `2 −2`1 0 0 −2 0 0
incógnitas), (S) é um sistema PI.
Teo 4.68 Res

Seja A ∈ Mm×n (R). Então:
(a) Atendendo ao exercı́cio Exe 4.67 (a), tem-se dim(Lin(A)) = 2,
(a) dim(Lin(A)) = car(A). dim(Col(A)) = 2, dim(Nuc(A)) = 2 − 2 = 0.
(b) dim(Col(A)) = car(A). (b) Atendendo ao exercı́cio Exe 4.67 (b), tem-se dim(Lin(B)) = 2,
(c) dim(Nuc(A)) = n − car(A) (número de variáveis livres do sistema dim(Col(B)) = 2, dim(Nuc(B)) = 4 − 2 = 2.
Ax = 0).
Exe 4.69
Determine as dimensões do espaço das linhas, do espaço das colunas e do
núcleo das seguintes matrizes:
(a) A = [ 12 02 ].
(b) B = [ 12 12 10 12 ].
Teo 4.70 Obs 4.72

Sejam V um espaço vetorial com dimensão finita e X um subespaço de Seja A ∈ Mn×n (R). Então:
V . Então: (a) {`1,A , . . . , `n,A } é um conjunto linearmente dependente se e só se
(a) dim(X ) 6 dim(V ). det(A) = 0.
(b) dim(X ) = dim(V ) se e só se X = V . (b) {`1,A , . . . , `n,A } é um conjunto linearmente independente se e só se
det(A) 6= 0.
Exe 4.71 (c) {c1,A , . . . , cn,A } é um conjunto linearmente dependente se e só se
Indique o valor lógico da seguinte proposição: “Seja a matriz det(A) = 0.
B = [ 12 12 10 12 ]. Então, Col(B) = R2 .” (d) {c1,A , . . . , cn,A } é um conjunto linearmente independente se e só se
det(A) 6= 0.
Res
Como o espaço das colunas da matriz B, Col(B), é um subespaço de R2 Exe 4.73
e dim(Col(B)) = dim(R2 ) = 2 (conforme o exercı́cio Exe 4.69 (b)), Conclua, por dois processos distintos e atendendo à observação anterior,
conclui-se que a proposição dada é verdadeira. que X = {(1, 2), (3, 4)} é um conjunto linearmente independente.
Res Obs 4.74

Seja V um espaço vetorial tal que dim(V ) = n. Então:
• Processo 1 (por linhas): Seja A a matriz cujas linhas são os vetores
do conjunto X . Então, como |A| = | 13 24 | = 1 × 4 − 2 × 3 = −2 6= 0, (a) quaisquer m > n vetores de V são linearmente dependentes.
conclui-se que X é um conjunto li. (b) se C é um conjunto gerador de V , então #C > n.
• Processo 2 (por colunas): Seja B a matriz cujas colunas são os vetores (c) se C é um conjunto linearmente independente de V com n vetores,
do conjunto X . Então, como |B| = | 12 34 | = 1 × 4 − 2 × 3 = −2 6= 0, então C é um conjunto gerador de V .
conclui-se que X é um conjunto li (note-se que B = AT , pelo que os (d) se C é um conjunto gerador de V com n vetores, então C é um
determinantes das matrizes A e B são iguais). conjunto linearmente independente.
(e) se C é um conjunto gerador de V e linearmente independente, então
#C = n.
4 – Espaços Vetoriais Dimensão de um espaço vetorial 5 – Transformações Lineares de Rn em Rm
Obs 4.75
1 Matrizes
Some english vocabulary regarding Vector Spaces
• espaço vetorial/vector space
• subespaço/subspace 2 Determinantes
• combinação linear/linear combination

• espaço gerado/span 3 Sistemas de Equações Lineares
• conjunto linearmente independente/linearly independent set
• conjunto linearmente dependente/linearly dependent set 4 Espaços Vetoriais
• base/basis
• base ordenada/ordered basis 5 Transformações Lineares de Rn em Rm
• dimensão de um espaço vetorial/dimension of a vector space
5 – Transformações Lineares de Rn em Rm Definições iniciais 5 – Transformações Lineares de Rn em Rm Definições iniciais
Obs 5.1 Exe 5.4

Começa-se este capı́tulo por rever algumas definições sobre funções, pois
(a) Considere a função F : {a, b, c} → {a, z}, a 7→ a, b 7→ z, c 7→ z.
o seu objeto de estudo é um caso particular de funções — as
Indique a imagem de b por F .
transformações lineares de Rn em Rm .
(b) Considere a função ϕ : R → R, ϕ(x) = x 2 . Indique a imagem de −2
Def 5.2 por ϕ.
Jfunção, imagem de um elemento através de uma função, domı́nio de
uma função, conjunto de chegada de uma funçãoK Sejam A e B Res
conjuntos e x ∈ A. Diz-se que f é uma função de A em B se associa a
cada elemento de A um e só um elemento de B, representando-se por (a) F (b) = z.
f (x) a imagem de x por f . Chama-se domı́nio de f a A e conjunto de (b) ϕ(−2) = 4.
chegada de f a B.
Obs 5.3
Sejam f uma função cujo domı́nio é Rn e x = (x1 , . . . , xn ) ∈ Rn . Então,
a imagem de x por f , além de se representar por f (x), também é
habitual representar-se por f (x1 , . . . , xn ).
Exe 5.5 Def 5.6

Considere a função T : R2 −→ R3 , T (x, y ) = (x − y , 0, x). Calcule: Jcomposição de funçõesK Sejam A, B e C conjuntos, f uma função de A
em B e g uma função de B em C . Chama-se composição de f com g ,
(a) T (2, 1). (c) T (y , x). que se representa por g ◦ f e que se lê “g após f ”, à função
(b) T (y , 1). (d) T (x + 2y , 2y − x).
g ◦ f : A −→ C
x 7−→ g (f (x)).
Res
(a) T (2, 1) = (1, 0, 2). Exe 5.7

(b) T (y , 1) = (y − 1, 0, y ). Considere as seguintes funções:
(c) T (y , x) = (y − x, 0, y ).
f : {a, b, c} → {α, β, γ, δ}, a 7→ β, b 7→ α, c 7→ δ.
(d) T (x + 2y , 2y − x) = ((x + 2y ) − (2y − x), 0, x + 2y ) = (2x, 0, x + 2y ).
g : {α, β, γ, δ} → {1, 2}, α 7→ 1, β 7→ 1, γ 7→ 2, δ 7→ 1.
Determine g ◦ f .
Res Exe 5.8

Atendendo a Considere as seguintes funções:
f g f1 : R → R, f1 (x) = x 2 .
a α 1 f2 : R → R, f2 (x) = 2x.
f3 : R → R, f3 (x) = x + 1.
b β 2
c γ Determine:
(a) f1 ◦ f2 .
δ
(b) f2 ◦ f1 .
tem-se que g ◦ f = {a, b, c} → {1, 2}, a 7→ 1, b 7→ 1, c 7→ 1. (c) f3 ◦ (f2 ◦ f1 ).
(d) (f3 ◦ f2 ) ◦ f1 .
Res Obs 5.11

A composição de funções é associativa mas não é comutativa.
(a) f1 ◦ f2 : R → R, (f1 ◦ f2 )(x) = f1 (f2 (x)) = f1 (2x) = (2x)2 = 4x 2 .
(b) f2 ◦ f1 : R → R, (f2 ◦ f1 )(x) = f2 (f1 (x)) = f2 (x 2 ) = 2x 2 . Obs 5.12
(c) f3 ◦ (f2 ◦ f1 ) : R → R, (f3 ◦ (f2 ◦ f1 ))(x) = f3 (f2 ◦ f1 )(x)) = f3 (2x 2 ) = No caso do domı́nio e do conjunto de chegada de duas funções serem Rn
2x 2 + 1. e Rm , respetivamente, pode definir-se a soma dessas duas funções
(d) (f3 ◦f2 )◦f1 : R → R, ((f3 ◦f2 )◦f1 )(x) = (f3 ◦f2 )(f1 (x)) = (f3 ◦f2 )(x 2 ) = através da seguinte definição (que se podia generalizar a domı́nios e
f3 (f2 (x 2 )) = f3 (2x 2 ) = 2x 2 + 1. conjuntos de chegada mais gerais, mas essa generalização não é relevante
para este curso):
Obs 5.9
Def 5.13
No exercı́cio anterior, terá sido coincidência f3 ◦ (f2 ◦ f1 ) = (f3 ◦ f2 ) ◦ f1 ?
Jsoma de funçõesK Sejam f e g funções de Rn em Rm . Chama-se soma
O teorema que se segue diz que não.
de f e g , que se representa por f + g , à função
Teo 5.10 f + g : Rn −→ Rm
Sejam A, B, C e D conjuntos, f uma função de A em B, g uma função x 7−→ f (x) + g (x).
de B em C e h uma função de C em D. Então, h ◦ (g ◦ f ) = (h ◦ g ) ◦ f .
Exe 5.14 Def 5.16

Considere as seguintes funções: Jproduto (ou multiplicação) de uma função por um escalarK Sejam f uma
função de Rn em Rm e α ∈ R. Chama-se produto (ou multiplicação) de
F : R → R, F (x) = x 2 . α por f , que se representa por αf , à função
G : R → R, G (x) = 2x.
αf : Rn −→ Rm
Determine F + G . x 7−→ αf (x).
Res
Exe 5.17
F + G : R → R, (F + G )(x) = x 2 + 2x.
Considere a função
Obs 5.15
F : R2 → R3 , F (x, y ) = (x 2 , 0, |y |).
No caso do domı́nio e do conjunto de chegada de uma função serem Rn e
Rm , respetivamente, pode definir-se o produto (ou multiplicação) dessa Determine 3F .
função por um escalar através da seguinte definição (que se podia
generalizar a domı́nios e conjuntos de chegada mais gerais, mas essa Res
generalização não é relevante para este curso): 3F : R2 → R3 , (3F )(x, y ) = (3x 2 , 0, 3|y |).
Exe 5.20
Def 5.18
Seja T : R2 −→ R3 , T (x1 , x2 ) = (x2 , 0, x1 + x2 ). Mostre que T é uma
(a) Jtransformação linear ou homomorfismoK Seja T uma função de Rn em transformação linear de R2 em R3 .
Rm . Diz-se que T é uma transformação linear ou um homomorfismo Res
de Rn em Rm se
(i) ∀x, y ∈ Rn [T (x + y ) = T (x) + T (y )] e • Condição (i): ∀x, y ∈ R2 [T (x + y ) = T (x) + T (y )].
(ii) ∀x ∈ Rn , ∀α ∈ R [T (αx) = αT (x)]. Sejam x = (x1 , x2 ), y = (y1 , y2 ) ∈ R2 . Então:
(b) JL(Rn , Rm ) K Representa-se por L(Rn , Rm ) o conjunto de todas as
T (x + y ) = T ((x1 , x2 ) + (y1 , y2 )) = T (x1 + y1 , x2 + y2 )
= (x2 + y2 , 0, x1 + y1 + x2 + y2 ).
T (x) + T (y ) = T (x1 , x2 ) + T (y1 , y2 )
Obs 5.19
= (x2 , 0, x1 + x2 ) + (y2 , 0, y1 + y2 )
A definição anterior pode generalizar-se ao caso de funções em que o
domı́nio e o conjunto de chegada são espaços vetoriais quaisquer. No = (x2 + y2 , 0, x1 + x2 + y1 + y2 )
entanto, e como indica o nome do capı́tulo, este curso apenas abordará = (x2 + y2 , 0, x1 + y1 + x2 + y2 ).
Assim, como T (x + y ) = T (x) + T (y ), conclui-se que a condição (i)
é válida.
Obs 5.21
Res (cont.)
Seja f uma função de Rn em Rm . Então, f não é uma transformação
linear de Rn em Rm se
• Condição (ii): ∀x ∈ R2 , ∀α ∈ R [T (αx) = αT (x)].
Sejam x = (x1 , x2 ) ∈ R2 e α ∈ R. Então: (i) ∃x, y ∈ Rn [f (x + y ) 6= f (x) + f (y )] ou
(ii) ∃x ∈ Rn , ∃α ∈ R [f (αx) 6= αf (x)].
T (αx) = T (α(x1 , x2 )) = T (αx1 , αx2 ) = (αx2 , 0, αx1 + αx2 ).
αT (x) = αT (x1 , x2 ) = α(x2 , 0, x1 + x2 ) = (αx2 , 0, αx1 + αx2 ). Exe 5.22
Seja f : R2 −→ R3 , f (x1 , x2 ) = (x2 , 1, x1 + x2 ). Mostre que f não é uma
Assim, como T (αx) = αT (x), conclui-se que a condição (ii) é válida. transformação linear R2 em R3 .
Como as condições (i) e (ii) são válidas, conclui-se que T é uma Res
transformação linear de R2 em R3 .
Sejam, por exemplo, x = (0, 0) e y = (1, 0). Então:
f (x + y ) = f ((0, 0) + (1, 0)) = f (1, 0) = (0, 1, 1),

f (x) + f (y ) = f (0, 0) + f (1, 0) = (0, 1, 0) + (0, 1, 1) = (0, 2, 1).
Assim, como f (x + y ) 6= f (x) + f (y ), conclui-se que f não é uma

transformação linear R2 em R3 .
Obs 5.23 Teo 5.24

A função do exemplo anterior é um dos casos em que ambas as condições T ∈ L(Rn , Rm ) se e só se
(i) e (ii) da definição Def 5.18 (a) são falsas. Assim, outra possı́vel
resolução do exercı́cio anterior é mostrar que a condição (ii) é falsa ∀x, y ∈ Rn , ∀α ∈ R [T (αx + y ) = αT (x) + T (y )].
através de um contraexemplo, ou seja, considerando, por exemplo, α = 0
e x = (1, 0). Então:
Obs 5.25
f (αx) = f (0(1, 0)) = f (0, 0) = (0, 1, 0) O teorema anterior indica um processo alternativo à definição Def 5.18
αf (x) = 0f (1, 0) = 0(0, 1, 1) = (0, 0, 0) de verificar se uma função é uma transformação linear.
Assim, como f (αx) 6= αf (x), conclui-se que f não é uma transformação Exe 5.26
linear R2 em R3 . Seja T : R2 −→ R3 , T (x1 , x2 ) = (x2 , 0, x1 + x2 ). Mostre novamente que
T é uma transformação linear de R2 em R3 recorrendo agora ao teorema
Teo 5.24.
Res Def 5.27

Sejam x = (x1 , x2 ), y = (y1 , y2 ) ∈ R2 e α ∈ R. Então:
(a) JendomorfismoK Chama-se endomorfismo em Rn a uma transformação
T (αx + y ) = T (α(x1 , x2 ) + (y1 , y2 )) = T (αx1 + y1 , αx2 + y2 ) linear de Rn em Rn .
= (αx2 + y2 , 0, αx1 + y1 + αx2 + y2 ). (b) JL(Rn )K Representa-se por L(Rn ) o conjunto de todos os endomor-
fismos em Rn .
αT (x) + T (y ) = αT (x1 , x2 ) + T (y1 , y2 )
= α(x2 , 0, x1 + x2 ) + (y2 , 0, y1 + y2 ) Exe 5.28
= (αx2 , 0, αx1 + αx2 ) + (y2 , 0, y1 + y2 ) Indique o valor lógico das seguintes proposições:
= (αx2 + y2 , 0, αx1 + αx2 + y1 + y2 ) (a) f : R2 −→ R2 , f (x1 , x2 ) = (|x2 |, 0) é um endomorfismo em R2 .
= (αx2 + y2 , 0, αx1 + y1 + αx2 + y2 ). (b) g : R2 −→ R3 , g (x1 , x2 ) = (x2 , 0, x1 + x2 ) é um endomorfismo em
R3 .
Assim, como T (αx + y ) = αT (x) + T (y ), conclui-se que T é uma
(c) h : R2 −→ R2 , h(x1 , x2 ) = (0, 0) é um endomorfismo em R2 .
transformação linear de R2 em R3 .
Res
As proposições (a) e (b) são falsas e a proposição (c) é verdadeira.
Exe 5.31
Teo 5.29
Justifique que as seguintes funções não são transformações lineares
Seja T ∈ L(Rn , Rm ). Então: recorrendo à observação Obs 5.30:
(a) T (0Rn ) = 0Rm . (a) g : R2 −→ R3 , g (a, b) = (a, 1, a + 2b).
(b) ∀x ∈ Rn [T (−x) = −T (x)]. (b) h : R2 −→ R3 , h(x, y ) = (0, 0, |x − y |).
(c) ∀x, y ∈ Rn [T (x − y ) = T (x) − T (y )]. (c) i : R2 −→ R3 , i(x1 , x2 ) = (x12 , 0, 0).
Obs 5.30 Res

Seja f uma função de Rn em Rm . Então, o teorema anterior permite (a) Como, por exemplo, g (0R2 ) = g (0, 0) = (0, 1, 0) 6= (0, 0, 0) = 0R3 ,
concluir que se conclui-se que g não é uma transformação linear.
(i) T (0Rn ) 6= 0Rm ou (b) Como, por exemplo, h(−(1, 0)) = h(−1, 0) = (0, 0, 1) 6= −h(1, 0) =
(ii) ∃x ∈ Rn [T (−x) 6= −T (x)] ou −(0, 0, 1) = (0, 0, −1), conclui-se que h não é uma transformação
(iii) ∃x, y ∈ Rn [T (x − y ) 6= T (x) − T (y )], linear.
f não é uma transformação linear. (c) Como, por exemplo, i((2, 0) − (1, 0)) = i(1, 0) = (1, 0, 0) 6= i(2, 0) −
i(1, 0) = (4, 0, 0) − (1, 0, 0) = (3, 0, 0), conclui-se que i não é uma
transformação linear.
5 – Transformações Lineares de Rn em Rm Matriz de uma transformação linear de Rn em Rm 5 – Transformações Lineares de Rn em Rm Matriz de uma transformação linear de Rn em Rm
Teo 5.32 Dem (cont.)

Sejam T uma transformação linear de Rn em Rm , B = (v1 , . . . , vn ) uma Tem-se, então, que:
base ordenada de Rn e B 0 = (v10 , . . . , vm
0 ) uma base ordenada de Rm .
Seja ainda AT ,B,B0 a matriz do tipo m × n tal que cj,AT ,B,B0 = [T (vj )]B0 , T (v ) = T (α1 v1 + · · · + αn vn )
j = 1, . . . , n. Então, se v ∈ Rn ,
= α1 T (v1 ) + · · · + αn T (vn )
[T (v )]B0 = AT ,B,B0 [v ]B . = α1 (a11 v10 + · · · + am1 vm
0
) + · · · + αn (a1n v10 + · · · + amn vm
0
)
= (α1 a11 + · · · + αn a1n )v10 + · · · + (α1 am1 + · · · + αn amn )vm
0
Dem = β1 v10 + · · · + βm vm
0
,
Sejam T ∈ L(Rn , Rm ), B = (v1 , . . . , vn ) uma base ordenada de Rn ,
em que
B 0 = (v10 , . . . , vm
0 ) uma base ordenada de Rm e v ∈ Rn . Então,
    
β1 a11 · · · a1n α1
∃1 α1 , . . . , αn ∈ R [v = α1 v1 + · · · + αn vn ],  ..   .. .. ..   ..  .
 .  = . . .  . 
∃1 a11 , . . . , am1 ∈ R [T (v1 ) = a11 v10 + · · · + am1 vm
0
],
βm am1 · · · amn αn
.. | {z } | {z } | {z }
. [T (v )]B0 AT ,B,B0 [v ]B
1
∃ a1n , . . . , amn ∈ R [T (vn ) = a1n v10 + ··· + 0
amn vm ].
Def 5.33 Exe 5.35

Jmatriz de uma transformação linear de em Rn
AT ,B,B0 , AT K Rm , Seja a transformação linear T ∈ L(R3 , R2 ), T (x, y , z) = (x + 2z, 3x − y ).
Sejam T uma transformação linear de Rn em Rm , B = (v1 , . . . , vn ) uma (a) Determine a matriz da transformação linear T relativamente às bases
base ordenada de Rn e B 0 = (v10 , . . . , vm
0 ) uma base ordenada de Rm . À
canónicas de R3 e R2 .
matriz do teorema anterior chama-se matriz da transformação linear T
(b) Determine a matriz da transformação linear T relativamente às ba-
relativamente às bases B e B 0 , que se representa, como se disse, por
ses ordenadas B = ((1, 2, 1), (1, 1, 1), (2, −1, 1)) de R3 e B 0 =
AT ,B,B0 ou simplesmente por AT se B e B 0 são as bases canónicas de Rn
((1, 2), (3, 1)) de R2 .
e Rm , respetivamente.
Obs 5.34 Res
(a) As colunas da matriz de uma transformação linear relativamente às (a) Como T (1, 0, 0) = (1, 3), T (0, 1, 0) = (0, −1) e T (0, 0, 1) = (2, 0),
bases canónicas do domı́nio e do conjunto de chegada são simples- tem-se que
mente as imagens dos elementos da base canónica do domı́nio da
transformação linear (ver observação Obs 4.62). 1 0 2
AT = .
3 −1 0
(b) Quando nada se disser, considera-se que a matriz da transformação
linear é relativamente às bases canónicas.
Res (cont.)
Res (cont.)
(b) Sejam v1 = (1, 2, 1), v2 = (1, 1, 1), v3 = (2, −1, 1), v10 = (1, 2) e
1 3 3

←−−−−→ 1 3 3

v20 = (3, 1). .
2 1 1 `2 ← `2 −2`1 0 −5 −5
Para resolver este exercı́cio, tem que se calcular as imagens dos ele-
mentos de B para depois se determinar as coordenadas destes vetores Passo 2 Como car(A) = car(A|b) = n = 2 (n é o número de
em B 0 . incógnitas), (S) é um sistema PD (este resultado já é pré-sabido).
• Para v1 : T (v1 ) = T (1, 2, 1) = (3, 1). Para determinar Passo 3 Sejam x1 , x2 as incógnitas do sistema (S). Então, (S)
[T (v1 )]B0 = [(3, 1)]B0 , tem que se resolver o sistema (S) dado é equivalente ao sistema
por (
x1 + 3x2 = 3
(
x1 + 3x2 = 3 − 5x2 = −5.
x1 (1, 2) + x2 (3, 1) = (3, 1) ⇔
2x1 + x2 = 1,
ou seja, Ax = b, com A = x = [ 12 31 ],
eb = [ xx12 ]
Então, [ 31 ]. • −5x2 = −5 ⇔ x2 = 1;
aplicando o ATEsc à matriz ampliada do sistema, tem-se: • x1 + 3x2 = 3 ⇔ x1 + 3 × (1) = 3 ⇔ x1 = 0,
pelo que [T (v1 )]B0 = [(3, 1)]B0 = (0, 1).
Res (cont.)
Res (cont.)
• Para v2 : T (v2 ) = T (1, 1, 1) = (3, 2). Para determinar
1 3 3

←−−−−→ 1 3 3

[T (v2 )]B0 = [(3, 2)]B0 , tem que se resolver o sistema (S) dado .
2 1 2 `2 ← `2 −2`1 0 −5 −4
por
( Passo 2 Como car(A) = car(A|b) = n = 2 (n é o número de
x1 + 3x2 = 3 incógnitas), (S) é um sistema PD (este resultado já é pré-sabido).
x1 (1, 2) + x2 (3, 1) = (3, 2) ⇔
2x1 + x2 = 2, Passo 3 Sejam x1 , x2 as incógnitas do sistema (S). Então, (S)
é equivalente ao sistema
ou seja, Ax = b, com A = [ 12 31 ], x = [ xx12 ] e b = [ 32 ]. Então, (
aplicando o ATEsc à matriz ampliada do sistema, tem-se: x1 + 3x2 = 3
− 5x2 = −4.

• −5x2 = −4 ⇔ x2 = 45 ;
• x1 + 3x2 = 3 ⇔ x1 + 3 × 45 = 3 ⇔ x1 = 35 ,

pelo que [T (v2 )]B0 = [(3, 2)]B0 = ( 35 , 45 ).

Res (cont.)
Res (cont.)
• Para v3 : T (v3 ) = T (2, −1, 1) = (4, 7). Para determinar
1 3 4

←−−−−→ 1 3 4

[T (v3 )]B0 = [(3, 2)]B0 , tem que se resolver o sistema (S) dado .
2 1 7 `2 ← `2 −2`1 0 −5 −1
por
( Passo 2 Como car(A) = car(A|b) = n = 2 (n é o número de
x1 + 3x2 = 4 incógnitas), (S) é um sistema PD (este resultado já é pré-sabido).
x1 (1, 2) + x2 (3, 1) = (4, 7) ⇔
2x1 + x2 = 7, Passo 3 Sejam x1 , x2 as incógnitas do sistema (S). Então, (S)
é equivalente ao sistema
ou seja, Ax = b, com A = [ 12 31 ], x = [ xx12 ] e b = [ 47 ]. Então, (
aplicando o ATEsc à matriz ampliada do sistema, tem-se: x1 + 3x2 = 4
− 5x2 = −1.

• −5x2 = −1 ⇔ x2 = 15 ;
• x1 + 3x2 = 4 ⇔ x1 + 3 × 15 = 4 ⇔ x1 = 17

5 ,
pelo que [T (v3 )]B0 = [(4, 7)]B0 = ( 17 1
5 , 5 ).
5 – Transformações Lineares de Rn em Rm Matriz de uma transformação linear de Rn em Rm 5 – Transformações Lineares de Rn em Rm Operações com transformações lineares de Rn em Rm

Sejam T , S ∈ L(Rn , Rm ) e AT e AS as matrizes de T e S,
Assim, tem-se que respetivamente. Então:
3 17 (a) T + S ∈ L(Rn , Rm ).

0 5 5
AT ,B,B0 = 4 1 .
1 5 5 (b) AT +S = AT + AS .
Exe 5.37
Sejam S e T as transformações lineares definidas por
S: R2 −→ R2 T : R2 −→ R2
(x, y ) 7−→ (2x + y , y ), (x, y ) 7−→ (x, 0).
Determine, por dois processos distintos, a matriz da transformação linear

T + S.
5 – Transformações Lineares de Rn em Rm Operações com transformações lineares de Rn em Rm 5 – Transformações Lineares de Rn em Rm Operações com transformações lineares de Rn em Rm
Res
Teo 5.38
• Processo 1 Sejam T ∈ L(Rn , Rm ), α ∈ R e AT a matriz de T . Então:
T + S é a transformação linear definida por T + S : R2 −→ R2 , (a) αT ∈ L(Rn , Rm ).
(T +S)(x, y ) = T (x, y )+S(x, y ) = (x, 0)+(2x +y , y ) = (3x +y , y ). (b) AαT = αAT .
Como (T + S)(1, 0) = (3, 0) e (T + S)(0, 1) = (1, 1), tem-se que Teo 5.39
AT +S = [ 30 11 ]. Sejam T ∈ L(Rn , Rm ), S ∈ L(Rm , Rp ) e AT e AS as matrizes de T e S,
• Processo 2 respetivamente. Então:
Como T (1, 0) = (1, 0) e T (0, 1) = (0, 0), tem-se que AT = [ 10 00 ]. (a) S ◦ T ∈ L(Rn , Rp ).
Como S(1, 0) = (2, 0) e S(0, 1) = (1, 1), tem-se que AS = [ 20 11 ].
Assim, (b) AS◦T = AS AT .

1 0 2 1 3 1 Obs 5.40
AT +S = AT + AS = + = .
0 0 0 1 0 1 Este último teorema é que justifica a “estranha” definição de
multiplicação de matrizes.
5 – Transformações Lineares de Rn em Rm Imagem e núcleo de uma transformação linear de Rn em Rm 5 – Transformações Lineares de Rn em Rm Imagem e núcleo de uma transformação linear de Rn em Rm
Def 5.41
Res (cont.)
Jimagem de uma transformação linear de Rn em Rm , Im(T )K Seja
T ∈ L(Rn , Rm ). Chama-se imagem de T , que se representa por Im(T ), a Atendendo
a
1 0 1 ←−−−−→ 1 0 1
def ,
Im(T ) = {T (x) ∈ Rm : x ∈ Rn }. 1 2 −1 `2 ← `2 −`1 0 2 −2
dim(Im(T )) = 2. Como a imagem de T é um subespaço de R2 e
Exe 5.42 dim(Im(T )) = dim(R2 ) = 2, conclui-se que Im(T ) = R2 , pelo que a
Indique o valor lógico da seguinte proposição: “ Seja a transformação linear proposição dada é verdadeira.
T ∈ L(R3 , R2 ), T (x1 , x2 , x3 ) = (x1 + x3 , x1 + 2x2 − x3 ). Então, Im(T ) = R2 .”
Res
Im(T ) = {T (x1 , x2 , x3 ) : x1 , x2 , x3 ∈ R}
= {(x1 + x3 , x1 + 2x2 − x3 ) : x1 , x2 , x3 ∈ R}
= {x1 (1, 1) + x2 (0, 2) + x3 (1, −1) : x1 , x2 , x3 ∈ R}
= h(1, 1), (0, 2), (1, −1)i.
Def 5.43 Res (cont.)

Jnúcleo de uma transformação linear de em Nuc(T )K SejaRn Rm , Tem-se, então, que resolver o sistema Ax = b, A =
1 0 1

e b = [ 00 ].
1 2 −1
T ∈ L(Rn , Rm ). Chama-se núcleo de T , que se representa por Nuc(T ), Considerando o método de Gauss, tem-se:
ao conjunto
Passo
1 Aplicação
do ATEsc àmatriz aumentada
A|b:
def n 1 0 1 0 ←−−−−→ 1 0 1 0
Nuc(T ) = {x ∈ R : T (x) = 0Rm }. .
1 2 −1 0 `2 ← `2 −`1 0 2 −2 0
Exe 5.44 incógnitas), (S) é um sistema PI.
Determine o núcleo da transformação linear T ∈ L(R3 , R2 ),
Passo 3 Sejam x1 , x2 , x3 as incógnitas do sistema (S). Então, x3 é uma
T (x1 , x2 , x3 ) = (x1 + x3 , x1 + 2x2 − x3 ).
incógnita livre e (S) é equivalente ao sistema
Res (
x1 + x3 = 0
Nuc(T ) = {(x1 , x2 , x3 ) ∈ R3 : T (x1 , x2 , x3 ) = 0R2 } 2x2 − 2x3 = 0.
3
= {(x1 , x2 , x3 ) ∈ R : (x1 + x3 , x1 + 2x2 − x3 ) = (0, 0)}.

Seja T ∈ L(Rn , Rm ). Então:
• 2x2 − 2x3 = 0 ⇔ x2 = x3 ;
(a) Im(T ) é um subespaço de Rm .
• x1 + x3 = 0 ⇔ x1 = −x3 ,
(b) Nuc(T ) é um subespaço de Rn .
pelo que
Teo 5.46
Nuc(T ) = {(−x3 , x3 , x3 ) : x3 ∈ R}
Sejam T ∈ L(Rn , Rm ) e {u1 , . . . , uk } um conjunto gerador de Rn (em
= {x3 (−1, 1, 1) : x3 ∈ R}
particular, uma base). Então:
= h(−1, 1, 1)i.
(a) T fica definida desde que se conheçam os vetores T (u1 ), . . . , T (uk ).
(b) Im(T ) = hT (u1 ), . . . , T (uk )i.
Exe 5.47 Exe 5.48

Resolva de novo o exercı́cio Exe 5.42 atendendo ao teorema anterior. Seja T ∈ L(R2 , R3 ), tal que T (2, 2) = (0, 1, 1) e Nuc(T ) = h(1, 3)i.
Determine a imagem através de T de um elemento genérico de R2 .
Res
Seja (e1 , e2 , e3 ) a base canónica de R3 , i.e., e1 = (1, 0, 0), e2 = (0, 1, 0) e Res
e3 = (0, 0, 1). Então, Sejam o conjunto S = {(2, 2), (1, 3)} e A a matriz cujas colunas são os
vetores do conjunto S. Então, como |A| = | 22 13 | = 2 × 3 − 1 × 2 = 4 6= 0,
Im(T ) = hT (e1 ), T (e2 ), T (e3 )i conclui-se que S é um conjunto li. Como #S = dim(R2 ) = 2, S é uma
= hT (1, 0, 0), T (0, 1, 0), T (0, 0, 1)i base de R2 . Assim, qualquer elemento de R2 é uma combinação linear
= h(1, 1), (0, 2), (1, −1)i. única dos elementos de S, vindo
Atendendo
a (x, y ) = α(2, 2) + β(1, 3).
1 0 1 ←−−−−→ 1 0 1
,
1 2 −1 `2 ← `2 −`1 0 2 −2 Tem-se, então, que resolver o sistema (S) dado por
dim(Im(T )) = 2. Como a imagem de T é um subespaço de R2 e (
dim(Im(T )) = dim(R2 ) = 2, conclui-se que Im(T ) = R2 , pelo que a 2α + β = x
proposição dada é verdadeira. 2α + 3β = y ,

ou seja, Aξ = b, com A = [ 22 13 ], ξ = [ αβ ] e b = [ yx ]. Aplicando-se o y −x
• β= 2 ;
Método de Gauss, tem-se: y −x 3x−y
Passo 1 Aplicação do ATEsc • 2α + β = x ⇔ 2α + =x ⇔α= 4 .
à matriz aumentada A|b: 2
2 1 x ←−−−−−−−→ 2 1 x Assim,
.
2 3 y `2 ← `2 − `1 0 2 y − x
3x − y y −x
Passo 2 Como car(A) = car(A|b) = n = 2 (n é o número de incógnitas) (x, y ) = (2, 2) + (1, 3),
4 2
quaisquer que sejam x e y , (S) é sempre um sistema PD (este resultado
já se sabia pois S é uma base de R2 ). pelo que

Passo 3 (S) é equivalente ao sistema 3x − y y −x
T (x, y ) = T (2, 2) + (1, 3)
( 4 2
2α + β = x 3x − y y −x
= T (2, 2) + T (1, 3),
2β = y − x. 4 2
Assim, tem-se (MeSTaF): por T ser uma transformação linear. Como Nuc(T ) = h(1, 3)i, tem-se
que T (1, 3) = (0, 0, 0), vindo
5 – Transformações Lineares de Rn em Rm Imagem e núcleo de uma transformação linear de Rn em Rm 5 – Transformações Lineares de Rn em Rm Caracterı́stica e nulidade de uma transformação linear
Def 5.49
Res (cont.)
Seja T ∈ L(Rn , Rm ).
(a) Jcaracterı́stica de uma transformação linear de Rn em Rm , cT K Chama-
3x − y y −x se caracterı́stica de T , que se denota por cT , à dimensão do subespaço
T (x, y ) = (0, 1, 1) + (0, 0, 0) Im(T ), ou seja,
4 2
3x − y 3x − y def
= 0, , . cT = dim(Im(T )).
4 4
(b) Jnulidade de uma transformação linear de Rn em Rm , nT K Chama-
se nulidade de T , que se denota por nT , à dimensão do subespaço
Nuc(T ), ou seja,
def
nT = dim(Nuc(T )).
Teo 5.50
Seja T ∈ L(Rn , Rm ). Então:
(a) cT = car(AT ).
(b) n = cT + nT .
5 – Transformações Lineares de Rn em Rm Caracterı́stica e nulidade de uma transformação linear 5 – Transformações Lineares de Rn em Rm Caracterı́stica e nulidade de uma transformação linear

Seja T ∈ L(R3 , R2 ), T (x1 , x2 , x3 ) = (x1 + x3 , x1 + 2x2 − x3 ). Determine:
(a) cT . Então, como
(b) uma base de Im(T ).
1 0

1 ←−−−−−−−→ 1 0 1

AT = ,
(c) nT . 1 2 −1 `2 ← `2 − `1 0 2 −2
(d) uma base de Nuc(T ).
tem-se que car(AT ) = 2, pelo que, aplicando o teorema Teo 5.50 (a),
vem cT ≡ dim(Im(T )) = 2.
Res
(b) Como cT = dim(Im(T )) = 2, conclui-se que Im(T ) = R2 , pelo que,
(a) Como T (1, 0, 0) = (1, 1), T (0, 1, 0) = (0, 2) e T (0, 0, 1) = (1, −1), por exemplo, {(1, 0), (0, 1)} é uma base de Im(T ).
tem-se que (c) Aplicando o teorema Teo 5.50 (b), tem-se que dim(R3 ) = cT + nT ,
i.e., 3 = 2 + nT , pelo que nT = 1 (este valor é confirmado pelo
1 0 1
AT = . número de variáveis livres em Nuc(T )).
1 2 −1
(d) Como Nuc(T ) = h(−1, 1, 1)i e nT = 1, tem-se que, por exemplo,
{(−1, 1, 1)} é uma base de Nuc(T ).
5 – Transformações Lineares de Rn em Rm Caracterı́stica e nulidade de uma transformação linear 6 – Valores e Vetores Próprios
Obs 5.52
1 Matrizes
Some english vocabulary regarding Linear Maps from Rn to Rm
• transformação linear/linear map
• imagem de uma transformação linear de Rn em Rm /range space of a 2 Determinantes
linear map from Rn to Rm
• núcleo de uma transformação linear de Rn em Rm /null space or kernel 3 Sistemas de Equações Lineares
of a linear map from Rn to Rm
• caracterı́stica de uma transformação linear de Rn em Rm /rank of a 4 Espaços Vetoriais
linear map from Rn to Rm
• nulidade de uma transformação linear de Rn em Rm /nullity of a linear
map from Rn to Rm 5 Transformações Lineares de Rn em Rm
6 – Valores e Vetores Próprios Definições iniciais 6 – Valores e Vetores Próprios Definições iniciais
Def 6.1 Def 6.3

Jvetor próprio de uma matriz associado a um valor próprioK Seja Jsubespaço próprio de um valor próprioK Sejam A ∈ Mn×n (R) e
A ∈ Mn×n (R). Diz-se que x ∈ Cn − {0Cn } é um vetor próprio da matriz λ ∈ λ(A). Chama-se subespaço próprio do valor próprio λ, que se
A associado ao valor próprio λ ∈ C se Ax = λx. representa por Eλ,A (ou por Eλ se não houver ambiguidade relativamente
à matriz), ao conjunto
Def 6.2
def
Jespetro de uma matrizK Seja A ∈ Mn×n (R). Chama-se espetro de A, Eλ,A = {x ∈ Cn : Ax = λx}.
que se representa por λ(A), ao conjunto de todos os valores próprios de
A, ou seja,
Teo 6.4
def
λ(A) = {λ ∈ C : λ é um valor próprio de A}. Sejam A ∈ Mn×n (R) e λ ∈ λ(A). Então, Eλ = Nuc(A − λIn ), sendo,
pois, um subespaço de Cn .
Obs 6.5
Def 6.7
(a) Note-se que existem matrizes reais cujos valores próprios são números Seja A ∈ Mn×n (R).
complexos. (a) Jpolinómio caracterı́stico de uma matrizK Chama-se polinómio carac-
(b) Cada vetor próprio está associado apenas a um valor próprio. terı́stico da matriz A, que se representa por ΠA (λ), ao polinómio
(c) Se x é um vetor próprio associado ao valor próprio λ, então, αx, def
α 6= 0, também é um vetor próprio associado ao valor próprio λ. ΠA (λ) = det(A − λIn ).
(d) Sejam A ∈ Mn×n (R) e λ ∈ λ(A). Então, (b) Jequação caracterı́stica de uma matrizK Chama-se equação caracterı́s-
tica da matriz A à equação ΠA (λ) = 0 .
Eλ = {x ∈ Cn : x é um vetor próprio associado
(c) Jmultiplicidade algébrica de um valor próprioK Seja λ um valor próprio
ao valor próprio λ} ∪ {0Cn }.
de A. Chama-se multiplicidade algébrica de λ à multiplicidade do
(e) Chama-se “subespaço próprio” ao conjunto Eλ devido ao teorema an- escalar λ enquanto raiz da equação caracterı́stica.
terior. (d) Jvalor próprio simplesK Seja λ um valor próprio de A. Diz-se que λ é
(f) O seguinte teorema indica-nos um processo de calcular λ(A). um valor próprio simples se tem multiplicidade algébrica um.
(e) Jmultiplicidade geométrica de um valor próprioK Seja λ um valor pró-
Teo 6.6 prio de A. Chama-se multiplicidade geométrica de λ à dimensão do
Seja A ∈ Mn×n (R). Então, λ ∈ λ(A) se e só se det(A − λIn ) = 0. espaço próprio Eλ .
Teo 6.8 Obs 6.10

Seja A ∈ Mn×n (R). Então, o coeficiente do termo de grau n do Seja A ∈ Mn×n (R). Então,
polinómio caracterı́stico da matriz A é (−1)n e o seu termo independente (a) os valores próprios da matriz A são as raı́zes do seu polinómio carac-
de λ é det(A). terı́stico.
(b) Se λ é um valor próprio da matriz A, então os vetores próprios
Obs 6.9 associados a λ são as soluções não-nulas do sistema homogéneo
Seja A ∈ Mn×n (R). Então, ΠA (λ) = (−1)n λn + · · · + det(A). (A − λIn )x = 0 (este sistema é sempre PI).
(c) Do Teorema Fundamental da Álgebra resulta que ΠA (λ) tem exa-
tamente n raı́zes, podendo alguns deles ser iguais. Assim, se-
jam n1 , n2 , . . . , nm as multiplicidades das m(6 n) raı́zes distintos
λ1 , λ2 , . . . , λm de ΠA (λ). Então,
ΠA (λ) = (−1)n (λ − λ1 )n1 (λ − λ2 )n2 · · · (λ − λm )nm ,
em que n1 + n2 + · · · + nm = n. Aos números n1 , n2 , . . . , nm chama-se

multiplicidade algébrica dos valores próprios λ1 , λ2 , . . . , λm , respeti-
vamente.
Exe 6.11 h2 1 0
i Res (cont.)
Considere a matriz A = 0 1 −1 .
02 4
(a) Determine o espetro da matriz A. Aplicando a fórmula resolvente, tem-se
√
(b) Determine o espaço próprio associado ao valor próprio de menor mó- 5 ± 25 − 24
2
dulo da matriz A. λ − 5λ + 6 = 0 ⇔ λ = ⇔ λ = 2 ∨ λ = 3,
2
Res pelo que
(a) Seja det(A − λI3 ) = (2 − λ)(λ − 2)(λ − 3) = −(λ − 2)2 (λ − 3).

 
2−λ 1 0 Assim, λ(A) = {2, 3}, sendo que λ1 = 2 é um valor próprio de
A − λI3 =  0 1 − λ −1  . multiplicidade algébrica dois e λ2 = 3 é um valor próprio simples.
0 2 4−λ
Então,
det(A−λI3 ) = (2−λ)((1−λ)(4−λ)+2) = (2−λ)(λ2 −5λ+6).
(b) Para determinar o espaço próprio associado ao valor próprio de menor Passo 2 Como car(A1 ) = car(A1 |b1 ) = 2 < n = 3 (n é o número de
módulo λ1 = 2, tem que se resolver o sistema (S) dado por incógnitas), (S) é um sistema PI (este resultado já é pré-sabido).
Passo 3 Sendo x11 , x12 , x13 as incógnitas do sistema (S), então, x11
(A − 2I3 )x1 = 0,
é uma incógnita livre e (S) é equivalente ao sistema
h0 1 0i h x11 i h0i
ou seja, A1 x1 = b1 , com A1 = 0 −1 −1 , x1 = xx12 e b1 = 0 . (
x12 =0
0 2 2 13 0
Aplicando-se o método de Gauss, tem-se:
− x13 = 0.
   
0 1 0 0 ←−−−−→ 0 1 0 0 ←−−−−→
 0 −1 −1 0  `2 ← `2 +`1  0 0 −1 0  • −x13 = 0 ⇔ x13 = 0;
0 2 2 0 `3 ← `3 −2`1 0 0 2 0 `3 ← `3 +2`2 • x12 = 0 ⇔ x13 = 0,
 
0 1 0 0 pelo que
 0 0 −1 0  .
0 0 0 0 E2 = {(x11 , 0, 0) : x11 ∈ C}.
6 – Valores e Vetores Próprios Propriedades 6 – Valores e Vetores Próprios Propriedades
Teo 6.12 Exe 6.13 h2 0 3i

Seja A = [aij ] ∈ Mn×n (R). Então: Considere a matriz A = 0 −1 0 . Indique qual das seguintes hipóteses é
0 02
(a) A é uma matriz invertı́vel se e só se 0 ∈
/ λ(A). uma proposição verdadeira:
(b) se A é uma matriz invertı́vel e λ ∈ λ(A), então, 1
λ ∈ λ(A−1 ) e A λ(A) = {−1, 2, 3}.
Eλ,A = E 1 ,A−1 . B 2 é um valor próprio simples da matriz A.
λ
(c) se k ∈ N e λ ∈ λ(A), então, λk ∈ λ(Ak ) e Eλ,A = Eλk ,Ak . C λ(A−1 ) = {−2, 1}.
(d) λ(A) = λ(AT ). D λ(A2 ) = {1, 4}.
(e) se a matriz A é diagonal ou triangular, então, λ(A) = {aii : i =
1, . . . , n}. Res
(f) os vetores próprios associados a valores próprios distintos são linear- Atendendo ao teorema Teo 6.12 (e), λ(A) = {−1, 2}, onde λ1 = −1 é
mente independentes. um valor próprio simples e λ2 = 2 é um valor próprio de multiplicidade
(g) se A é uma matriz (real e) simétrica, os seus valores próprios são algébrica 2. Atendendo, ainda, ao teorema Teo 6.12 (b),
números reais. λ(A−1 ) = { −11 1
, 2 } = {−1, 12 }, e ao teorema Teo 6.12 (c),
λ(A ) = {(−1)2 , 22 } = {1, 4}. Assim, a única proposição verdadeira é a
2
hipótese D.
6 – Valores e Vetores Próprios Diagonalização 6 – Valores e Vetores Próprios Diagonalização
Def 6.14 Teo 6.17

Seja A ∈ Mn×n (R). Diz-se que A é uma matriz diagonalizável se existir A multiplicidade geométrica de um valor próprio nunca é superior às
uma matriz invertı́vel P tal que P −1 AP é uma matriz diagonal. multiplicidade algébrica.
Teo 6.15 Obs 6.18

Seja A ∈ Mn×n (R). As seguintes condições são equivalentes: Seja A ∈ Mn×n (R). Então, A é diagonalizável se e só se a soma das
(i) A é diagonalizável. multiplicidades geométricas dos valores próprios de A é n.
(ii) A tem n vetores próprios linearmente independentes. Exe 6.19
2 −3
(iii) A multiplicidade geométrica de cada valor próprio é igual à sua mul- Seja A = 2 −5 .
tiplicidade álgebrica.
(a) Mostre que A é diagonalizável.
(b) Determine uma matriz P que diagonaliza A.
Teo 6.16 h i
Sejam A ∈ Mn×n (R) diagonalizável e {p1 , . . . , pn } um conjunto de (c) Verifique que P −1 AP = λ01 λ02 , em que λ1 é o valor próprio de A
vetores próprios de A linearmente independentes. Então, P −1 AP = D em associado ao vetor próprio de A que forma a primeira coluna de P e
que ci,P = pi , i = 1, . . . , n, e D é a matriz diagonal tal que (D)ii = λi , λ2 é o valor próprio de A associado ao vetor próprio de A que forma
i = 1, . . . , n, sendo λi o valor próprio de A associado ao vetor próprio pi . a segunda coluna de P.
Res (cont.)
Res
2−λ −3
(b) Para se determinar uma matriz P que diagonaliza a matriz A, tem que
(a) Seja A − λI2 = 2 −5−λ . Então,
se calcular os subespaços próprios dos valores próprios da matriz A.
det(A − λI2 ) = (2 − λ)(−5 − λ) − (−3) × 2 = λ2 + 3λ − 4. • λ1 = −4: para se determinar E−4 (= Nuc(A − (−4)I2 )), tem que
se resolver o sistema (S1 ) dado por
Aplicando a fórmula resolvente, tem-se
√ (A + 4I2 )p1 = 0,
2 −3 ± 9 + 16
λ + 3λ − 4 = 0 ⇔ λ = ⇔ λ = 1 ∨ λ = −4, p11
ou seja, A1 p1 = b1 , com A1 = 62 −3
0
2 −1 , p1 = [ p12 ] e b1 = [ 0 ].
Aplicando-se o método de Gauss, tem-se:
pelo que, λ(A) = {−4, 1}. Assim, como os valores próprios de A são
distintos e os vetores próprios associados a valores próprios distintos Passo
1 Aplicação
do ATEscà matriz aumentada
A|b:
são li, tem-se que A é diagonalizável. 6 −3 0 ←−−−−→ 6 −3 0
.
2 −1 0 `2 ← `2 − 13 `1 0 0 0
Passo 2 Como car(A1 ) = car(A1 |b1 ) = 1 < n = 2 (n é o
número de incógnitas), (S1 ) é um sistema PI (este resultado já
é pré-sabido).
Passo 3 Sendo p11 , p12 as incógnitas do sistema (S1 ), então, p12 • λ2 = 1: para se determinar E1 (= Nuc(A − 1I2 )), tem que se
é uma incógnita livre e (S1 ) é equivalente ao sistema resolver o sistema (S2 ) dado por

6p11 − 3p12 = 0. (A − I2 )p2 = 0,
p21
ou seja, A2 p2 = b2 , com A2 = 12 −3
0
Assim, tem-se (MeSTaF): −6 , p2 = [ p22 ] e b2 = [ 0 ].
• 6p11 − 3p12 = 0 ⇔ p11 = 12 p12 , Aplicando-se o método de Gauss, tem-se:
pelo que Passo 1 Aplicação do ATEscà matriz aumentada A|b:

n 1 1 −3 0 ←−−−−→ 1 −3 0
o .
E−4 = p12 , p12 : p12 ∈ C . 2 −6 0 `2 ← `2 −2`1 0 0 0
2
Passo 2 Como car(A2 ) = car(A2 |b2 ) = 1 < n = 2 (n é o
Considerando, por exemplo, p12 = 2, tem-se que p1 = (1, 2) é número de incógnitas), (S2 ) é um sistema PI (este resultado já
um vetor próprio associado ao valor próprio λ1 = −4. é pré-sabido).
Passo 3 Sendo p21 , p22 as incógnitas do sistema (S2 ), então p22 Seja, então, P = [ 12 31 ]. Como |P| = 1 × 1 − 2 × 3 = −5 6= 0, então
é uma incógnita livre e (S2 ) é equivalente ao sistema conclui-se que os vetores p1 e p2 são li (o que já era esperado, dado
que A tem dois valores próprios distintos e p1 e p2 são vetores próprios
p21 − 3p22 = 0. associados a esses valores próprios distintos).
Assim, P = [ 12 31 ] é uma matriz que diagonaliza A.
Assim, tem-se (MeSTaF): 1 −3 1 −1 3
• p21 − 3p22 = 0 ⇔ p21 = 3p22 , (c) Como P −1 = |P| 1
adj(P) = −5 1
−2 1 = 5 2 −1 , tem-se:
pelo que
−1 1 −1 3 2 −3 1 3
P AP =
E1 = {(3p22 , p22 ) : p22 ∈ C}. 5 2 −1 2 −5 2 1

1 −1 3 −4 3
=
Considerando, por exemplo, p22 = 1, tem-se que p2 = (3, 1) é 5 2 −1 −8 1

um vetor próprio associado ao valor próprio λ2 = 1. 1 −20 0 −4 0 λ1 0
= = = .
5 0 5 0 1 0 λ2
Exe 6.20 h Res

0 0 −2
i
Seja A = 1 2 1 . −λ 0 −2
10 3 (a) Seja A − λI3 = 1 2−λ 1 . Então (aplicação do Teorema de
1 0 3−λ
Laplace através do desenvolvimeto da coluna 2),
det(A−λI3 ) = (2−λ)(−λ(3−λ)−(−)2×1) = (2−λ)(λ2 −3λ+2).

λ1 0 0
−1
(c) Verifique que P AP = 0 λ 0 , em que λ1 é o valor próprio de
2
0 0 λ3
A associado ao vetor próprio de A que forma a primeira coluna de P, Aplicando a fórmula resolvente, tem-se
λ2 é o valor próprio de A associado ao vetor próprio de A que forma √
a segunda coluna de P e λ3 é o valor próprio de A associado ao vetor 2 3± 9−8
λ − 3λ + 2 = 0 ⇔ λ = ⇔ λ = 2 ∨ λ = 1,
próprio de A que forma a terceira coluna de P. 2
vindo
det(A − λI3 ) = (2 − λ)(λ − 2)(λ − 1) = −(λ − 2)2 (λ − 1).
pelo que λ(A) = {1, 2}, onde λ1 = 1 é um valor próprio simples e

λ2 = 2 é um valor próprio de multiplicidade algébrica 2.
Uma maneira de mostrar que A é diagonalizável é mostrar que as • Determinação da multiplicidade geométrica do valor prórpio λ2 =
multiplicidades algébrica e geométrica de cada valor próprio da matriz 2, ou seja, a dimensão do espaço E2 (= Nuc(A−2I3 )). Aplicando-
A são iguais. se o ATEsc à matriz A − 2I3 , tem-se:
• Determinação da multiplicidade geométrica do valor prórpio λ1 = 
−2 0 −2

←−−−−→

−2 0 −2

1, ou seja, a dimensão do espaço próprio E1 (= Nuc(A − 1I3 )).  1 0 1  `2 ← `2 + 12 `1  0 0 0 ,
Aplicando-se o ATEsc à matriz A − 1I3 , tem-se: 1 0 1
1 `3 ← `3 + 2 `1 0 0 0
pelo que dim(E2 ) = dim(Nuc(A − 2I3 )) = n − car(A − 2I3 ) =
   
−1 0 −2 ←−−−−→ −1 0 −2
 1 1 1  `2 ← `2 +`1  0 1 −1  , 3 − 1 = 2 (n é a ordem da matriz A).
1 0 2 `3 ← `3 +`1 0 0 0 • Assim, como a multiplicidade algébrica de cada valor próprio
pelo que dim(E1 ) = dim(Nuc(A−I3 )) = n−car(A−I3 ) = 3−2 = coincide com a sua multiplicidades geométrica, conclui-se que
1 (n é a ordem da matriz A). A é diagonalizável. Ou, de modo equivalente, como dim(E1 ) +
dim(E2 ) = n = 3 (n é a ordem da matriz A), conclui-se que A é
diagonalizável.
Res (cont.)
Res (cont.)
(b) Para se determinar uma matriz P que diagonaliza a matriz A, tem
que se calcular os subespaços próprios dos valores próprios da matriz Assim, tem-se (MeSTaF):
A. • p12 − p13 = 0 ⇔ p12 = p13 ;
• −p11 − 2p13 = 0 ⇔ p11 = −2p13 ,
• λ1 = 1: para se determinar E1 (= Nuc(A − 1I3 )), tem que se
pelo que
resolver o sistema (S1 ) dado por
E1 = {(−2p13 , p13 , p13 ) : p13 ∈ C}.
(A − I3 )p1 = 0.
Considerando, por exemplo, p13 = 1, tem-se que p1 = (−2, 1, 1)
Atendendo à alı́nea anterior, pode-se passar diretamente para o
é um vetor próprio associado ao valor próprio λ1 = 1.
Passo 3 do Método de Gauss:
• λ2 = 2: para se determinar E2 (= Nuc(A − 2I3 )), tem que se
Passo 3 Sejam p11 , p12 , p13 as incógnitas do sistema (S1 ). En- resolver o sistema (S2 ) dado por
tão, p13 é uma incógnita livre e (S1 ) é equivalente ao sistema
( (A − 2I3 )p2 = 0.
−p11 − 2p13 = 0
p12 − p13 = 0. Atendendo à alı́nea anterior, pode-se passar diretamente para o
Passo 3 do Método de Gauss:
Passo 3 Sejam p21 , p22 , p23 as incógnitas do sistema (S2 ). En- (c) Comece-se por determinar a inversa da matriz P:
tão, p22 e p23 são incógnitas livres e (S2 ) é equivalente ao sistema    
−2 −1 0 1 0 0 ←−−−−→ −2 −1 0 1 0 0
−2p21 − 2p23 = 0.  1 0 1 0 1 0  `2 ← `2 + 12 `1  0 − 12 1 1
2 1 0 
1 1
1 1 0 0 0 1 `3 ← `3 + 12 `1 0 2 0 2 0 1
Assim, tem-se (MeSTaF): | {z
P|I3
}
• −2p21 − 2p23 = 0 ⇔ p21 = −p23 ,

 
←−−−−→ −2 −1 0 1 0 0
pelo que  0 − 1 1 1 1 0  `2 ← `2 −`3
2 2
`3 ← `3 +`2 0 0 1 1 1 1 ←−−−−→
E2 = {(−p23 , p22 , p23 ) : p22 , p23 ∈ C}. 
−2 −1 0 1 0 0
 
−2 −1 0 1 0 0

 0 − 1 0 − 1 0 −1  `2 ← −2`2  0 1 0 1 0 2 
2 2
Considerando, por exemplo, p22 = 0 e p23 = 1 e p22 = 1 e 0 0 1 1 1 1 ←−−−−→ 0 0 1 1 1 1
p23 = 0 tem-se que p2 = (−1, 0, 1) e p3 = (0, 1, 0) são vetores `1 ← `1 +`2

−2 0 0 2 0 2 `1 ← − 21 `1

próprios associados ao valor
h −2 i próprio λ2 = 2.  0 1 0 1 0 2 
−1 0 2+3 ×1×((−2)×
• Seja, então, P = 1 0 1 . Como |P| = (−1) ←−−−−→ 0 0 1 1 1 1 ←−−−−→
1 10
1 − (−1) × 1) = 1 6= 0, conclui-se que {p1 , p2 , p3 } é um conjunto
li, pelo que a matriz P diagonaliza a matriz A.
Res (cont.)
  Exe 6.21
1 0 0 −1 0 −1 Seja A =
11

. Mostre que A não é diagonalizável.
−1 3
 0 1 0 1 0 2 .
0 0 1 1 1 1
| {z } Res
|P −1
1−λ1

I3 Seja A − λI2 = . Então,
−1 3−λ
Tem-se, então:
  
−1 0 −1 0 0 −2 −2 −1 0
 det(A − λI2 ) = (1 − λ)(3 − λ) − (−1) × 1 = λ2 − 4λ + 4.
P −1 AP =  1 0 2 1 2 1  1 0 1
Aplicando a fórmula resolvente, tem-se
1 1 1 1 0 3 1 1 0
√
4 ± 16 − 16
 
1 0 0 2
λ − 4λ + 4 = 0 ⇔ λ = ⇔ λ = 2,
= 0 2 0 2
0 0 2
  pelo que, λ(A) = {2}, sendo λ = 2 um valor próprio de multiplicidade
λ1 0 0 algébrica 2.
=  0 λ2 0 .
0 0 λ3

Calcule-se agora a multiplicidade geométrica do valor próprio λ = 2, Some english vocabulary regarding Eigenvalues and Eigenvectors
aplicando-se o ATEsc à matriz A − 2I2 : • vetor próprio de uma matriz associado a um valor próprio/eigenvector
of a matrix associated with a eigenvalue
−1 1 0 ←−−−−→ −1 1 0
. • polinómio caracterı́stico de uma matriz/characteristic polynomial of
−1 1 0 `2 ← `2 −`1 0 0 0
a matrix
Tem-se, então, que dim(E2 ) = dim(Nuc(A − 2I2 )) = n − car(A − 2I2 ) =
• equação caracterı́stica de uma matriz/characteristic equation of a ma-
2 − 1 = 1 (n é a ordem da matriz A). Como a multiplicidade algébrica, 2,
trix
é diferente da multiplicidade geométrica, 1, conclui-se que a matriz A
não é diagonalizável.
TAL, DMat, UM, GJM + IB + SL — Enunciados das aulas TP (v4.0) 1
Alfabeto Grego Enunciados dos exercı́cios do capı́tulo 1 — Matrizes

1 h1 0 0i h1i h1 1i
1 0 0

Minúscula Maiúscula Nome Equivalente Latino 1. Considere as matrizes A = 2 −1 1 2 , B = 0 2 0 , c = 1 , D = 2 2 , e =
0 0 3 1 0 0
[ 1 1 0 0 ], F = [ 10 23 ], g = [ 1 ], H = [ 10 01 ].
α A alfa a
β B beta b (a) Indique as matrizes retangulares e o seu tipo.
γ Γ gama g (b) Indique as matrizes quadradas e a sua ordem.
δ ∆ delta d
(c) Indique as matrizes linha.
ε E épsilon e
ζ Z zeta z (d) Indique as matrizes coluna.
η H eta e,h (e) Indique as matrizes diagonais.
θ Θ teta t
(f) Indique as matrizes escalares.
ι I iota i
κ K capa k (g) Indique as matrizes triangulares superiores.
λ Λ lambda l (h) Indique as matrizes triangulares inferiores.
µ M miu m
2. Considere as matrizes A = −10 11 , B = [bij ] ∈ M2×2 (R), bij = 3i − j e C = [γij ] ∈

ν N niu n
ξ Ξ csi cs M3×2 (R), γij = i 2 . Indique se estão bem definidas as seguintes expressões, efetuando
o O ómicron o nesses casos as respetivas operações:
π Π pi p
ρ P ró r (a) A + B. (c) A − C. (e) (A − B) + 3A.
σ Σ sigma s (b) B + A. (d) −C. (f) 4A − B.
τ T tau t
υ Υ ı́psilon u,y
3. Sejam A uma matriz do tipo 2 × 3, B uma matriz de ordem 2 e C uma matriz do
ϕ, φ Φ fi f
tipo 3 × 2. Indique qual das seguintes hipóteses é uma proposição verdadeira:
χ X qui c,x
ψ Ψ psi ps A a expressão A + B está bem definida.
ω Ω ómega w
B a expressão 2A − 3B 2 está bem definida.
C a expressão CBA está bem definida.
D a expressão ABC está bem definida.
h 1 0 −2 1 2
1
i
4. Considere as matrizes A = 1 1 0 −2 e B = 02 11 . Determine AB.
1 2 −1 1 2 1
5. Considere as matrizes A = −10 11 , B = [bij ] ∈ M2×2 (R), bij = j e C = [ 11 12 01 ].

Indique se estão bem definidas as seguintes expressões, efetuando nesses casos as

respetivas operações:
(a) (AB)C. (b) A(BC). (c) CI3 . (d) I2 C.
6. Mostre que a multiplicação de matrizes é associativa.

1 −2 2 3
7. Seja B = 2 −1 . Calcule B e B . 16. Sejam A e B matrizes comutáveis e B é uma matriz invertı́vel. Mostre que A e B −1
são matrizes comutáveis.
8. Sejam A e B matrizes de ordem 2. Mostre que tr(AB − BA) = 0.
17. Seja A uma matriz quadrada tal que Ap = 0 para algum p ∈ N. Mostre que
9. Seja X = ca db ∈ M2×2 (R). Mostre que X 2 = (a + d)X − (ad − bc)I2 .

h1 0 0i h 2 4 0i p−1
X
10. Mostre que as matrizes X = 0 1 0 e Y = 3 1 0 são comutáveis. (I − A)−1 = I + Ak .
1 0 2 −1 −4 1
k=1
11. Mostre através de um contraexemplo que a multiplicação de matrizes não é comuta-
tiva. 18. Sejam A e B matrizes quadradas da mesma ordem. Supondo que todas as inversas
existem, mostre que (A−1 + B −1 )−1 = A(A + B)−1 B.
12. Considere as matrizes A = [ 00 11 ] e B = −10 −10 . Mostre que:

19. Considere as matrizes A = −12 −11 01 , B = [bij ] ∈ M2×3 (R), bij = i − j, C = [cij ] ∈

(a) (A + B)2 6= A2 + 2AB + B 2 . 0 se i < j, h1i
M2×2 (R), cij = (−1)i+1 se i = j, e u = 2 . Calcule:
(b) (A − B)2 6= A2 − 2AB + B 2 . 1 se i > j, 0
2 2 AB T +BAT T 2
(c) (A + B)(A − B) 6= A − B . (a) 2 . (c) (CBA C) . (e) u T u. (g) (Au)T .
T
13. Sejam A e B matrizes comutáveis. Mostre que: (b) C . (d) uu T . (f) u T AT Bu. (h) u T AT .
(a) (A + B)2 = A2 + 2AB + B 2 . 20. Sejam A e B matrizes quadradas da mesma ordem não-singulares. Resolva em ordem
2 2 2 T
(b) (A − B) = A − 2AB + B . a X a equação matricial AT )−1 X + (AB)−1 = A.
(c) (A + B)(A − B) = A2 − B 2 . 21. Sejam as matrizes B = [ 02 11 ] e C = [ 21 11 ]. Resolva a equação matricial em X dada
T
14. Sejam A e B matrizes comutáveis. Indique qual das seguintes hipóteses é uma pro- por (XA−1 )−1 + ACB = AT , sabendo que A é uma matriz invertı́vel de ordem
posição verdadeira: 2.
T −1
A (A − B)3 = A3 + A2 B − AB 2 − B 3 . 22. Sejam A e B matrizes invertı́veis de ordem n tais que A−1 B = In . Então:
B (A − B)3 = A3 − A2 B + AB 2 − B 3 .
A B = AT . C B = A−1 .
C (A − B)3 = A3 + 3A2 B − 3AB 2 − B 3 . T
B B = A. D B = A−1 .
D (A − B)3 = A3 − 3A2 B + 3AB 2 − B 3 . n
23. Seja A = [aij ] ∈ M2×2 (R), aij = 0i se i 6 j,
se i > j. Indique qual das seguintes hipóteses é
15. Considere as seguintes proposições:
uma proposição verdadeira:
P1 : “∀A ∈ M3×3 (R) − {03×3 } [A2 6= 03×3 ].”
P2 : “∀A ∈ M3×3 (R) [A2 6= I3 ].” A A2 + AT = [ 21 36 ]. C A2 + AT = [ 26 26 ].
B A2 + AT = [ 10 12 ]. D A2 + AT = [ 16 02 ].
Indique qual das seguintes hipóteses é uma proposição verdadeira:
A As duas proposições são verdadeiras. 24. Uma matriz quadrada A diz-se antissimétrica se AT = −A. Mostre que, dada qualquer
B As duas proposições são falsas. matriz quadrada B, a matriz B − B T é antissimétrica.
C A primeira proposição é verdadeira e a segunda é falsa. 25. Sejam A e B matrizes simétricas da mesma ordem. Indique qual das seguintes
hipóteses é uma proposição verdadeira:
D A primeira proposição é falsa e a segunda é verdadeira.
A (AB)T = AB. C A−1 = B. A A e B são matrizes comutáveis. C A e B são matrizes ortogonais.

B AT = B. D (AB)T = BA. B A e B são matrizes escalares. D A e B são matrizes invertı́veis.
(
26. Considere as seguintes proposições: (−1)i+j+1 2j−1 se i < j,
33. Seja A = [aij ] ∈ M3×3 (R), aij = (−1)i+1 se i = j . Indique qual das seguintes
P1 : “O produto de duas matrizes simétricas é uma matriz simétrica.” 0 se i > j.
P2 : “A soma de duas matrizes simétricas de ordem n é uma matriz simétrica.”
A A é uma matriz escalar. C A é uma matriz ortogonal.
B A é uma matriz simétrica. D A2 = I 3 .
A As duas proposições são verdadeiras.
B As duas proposições são falsas. 34. Aplique, para cada uma das seguintes matrizes, o “Algoritmo escada” e o “Algoritmo
C A primeira proposição é verdadeira e a segunda é falsa. escada reduzida” e indique quantas operações elementares dos tipos I, II e III efetuou:
h 1 2 −1 2 1 i
D A primeira proposição é falsa e a segunda é verdadeira.
1 0 0 2 0
(a) A = 01 00 10 00 01 . (f) F = 2 4 1 −2 3 .
3 6 2 −6 5
0 0 2 0 2
27. Indique quais das seguintes matrizes são ortogonais: h 6 3 −4 i 1 0 0 2
(b) B = −4 1 −6 . (g) G = 00 00 00 30 .
1 2 −2 1 2 −5
h i
1 0 0 0 0
4 3
4 3

(a) A = . (b) B = . 1
3 −4 5 3 −4 (c) C = 3
2 1 2 . 1 1 0 2 0 h 1i
−2 2 1
(c) C = 00 00 02 00 04 . (h) h = −1 .
0 0 0 1 5 3
28. Mostre que o produto de duas matrizes ortogonais da mesma ordem é uma matriz h 1 −2 3 −1 i h −1 1 −1 3 i
(d) D = 2 −1 2 2 . (i) I = 3 1 −1 −1 .
ortogonal. 3 1 2 3 2 −1 −2 −1
1 3 −1 2 1 −1 0 0
29. Seja x ∈ Mn×1 (R) tal que x T x = I1 . Mostre que In − 2xx T é uma matriz simétrica (e) E = 02 −5 11 −5 3
3 1 . (j) J = 0 1 −1 0
0 0 1 −1 .
e ortogonal. 4 1 1 5 −1 0 0 1
h 0 1 2i
30. Seja A = −1 0 3 . Indique qual das seguintes hipóteses é uma proposição verda- 35. Seja X = [ 11 10 01 ]. Indique qual das seguintes hipóteses é uma proposição verdadeira:
−2 −3 0
deira: 1 −1 1
1 0 −1
A fer(X) = 0 1 −1 . C fer(X) = 0 1 −1 .
A Pode-se calcular (A − 2AT )3 . C (A)31 + (A)13 = (A)23 . B fer(X) = [ 10 01 11 ].
1 0 1
D fer(X) = 0 1 −1 .
B A2 = I3 . D A é uma matriz ortogonal.
36. Indique se as seguintes matrizes são invertı́veis e calcule nesses casos a sua inversa:
31. Indique qual das seguintes hipóteses é uma proposição verdadeira: h 1 0 −1 i h −1 2 −3 i h2 3 1i
(a) A = 2 0 0 . (c) C = 2 1 0 . (e) E = 1 2 3 .
A Seja A uma matriz diagonal. Então, A é uma matriz escalar. −1 1 0 4 −2 5 3 1 2
h −2 3 5 i
B Seja A uma matriz simétrica. Então, A é uma matriz ortogonal. (b) B = [ 12 24 ]. (d) D = [ 11 10 ]. (f) F = −1 0 1 .
0 2 2
C Seja A uma matriz invertı́vel. Então, A é uma matriz ortogonal. h −1 0 i

37. Considere as matrizes A = −12 01 −11 , b = [ 12 ], c = [ 31 ], d = [ 11 ] e E =

2 −1 .
D Seja A uma matriz escalar. Então, A é uma matriz diagonal. 0 1
Indique se estão bem definidas as seguintes expressões, efetuando nesses casos as
32. Considere as matrizes A = [ 20 00 ] e B = 20 −30 . Indique qual das seguintes hipóteses
respetivas operações:
é uma proposição verdadeira:
(a) bT A. (c) (c T+d T )A. (e) bT (c + d). (g) E T AT . (i) (AAT )2 . Definição: Considere um grafo com n vértices. A matriz M = [mij ] ∈ Mn×n (R)
T
(b) Ab . (d) A b. T T
(f) (AE) . 2
(h) A . (j) (AE) −1
. definida por
(
1 se {Vi , Vj } é uma aresta do grafo
mij =
h1 2 0 i
38. Seja A = 0 α 0 , α, β ∈ R. Indique qual das seguintes hipóteses é uma proposição 0 se não existe uma aresta que liga Vi e Vj
0 0 α−β
verdadeira:
é a matriz de adjacência do grafo.
A A é invertı́vel sse α 6= 0 e β 6= 0. C A é invertı́vel sse α = 0 ou β = 0. Exemplo: A matriz de adjacência do grafo G1
B A é invertı́vel sse α 6= 0 e β 6= α. D A é invertı́vel sse β 6= 0 e β 6= α.
0 1 0 0
M = 10 01 10 11 .
0 1 1 0
h1 2 1i
39. Seja A = 0 1 0 . Indique qual das seguintes hipóteses é uma proposição verdadeira:
0 0 1 Nota: A matriz de adjacência M é sempre simétrica.
1 −2 −1 Definição: Um caminho num grafo é uma sequência de arestas que ligam um vértice
h i h −4 −2 −1 i
A AT A−1 = 2 5 3 . C AT A−1 = 2 1 0 .
−1 2 2 1 0 1 a outro. O comprimento do caminho é o número de arestas que o formam.
h1 2 1i h 1 −2 −1 i
B AT A−1 = 2 5 2 . D AT A−1 = 2 −3 −2 . Exemplo: No grafo simples G1 , a sequência de arestas ({V1 , V2 }, {V2 , V4 }) repre-
1 2 2 1 −2 0
senta um caminho de comprimento 2 que liga V1 a V4 e a sequência de arestas
({V2 , V3 }, {V3 , V2 }, {V2 , V3 }) representa um caminho de comprimento 3 que liga V2 a
40. Neste exercı́cio vai-se apresentar uma aplicação de Redes e Grafos envolvendo os V3 .
conceitos introduzidos neste capı́tulo.
Teorema: Sejam M = [mij ] ∈ Mn×n (R) uma matriz de adjacência de um grafo e
Definição: Um grafo simples é um par ordenado G = (V, A), no qual V é um conjunto mij(k) um elemento de M k . Então, mij(k) é igual ao número de caminhos de compri-
finito e não-vazio e A é um conjunto finito de subconjuntos de V com exatamente mento k de Vi a Vj .
dois elementos. A V chama-se conjunto dos vértices e a A chama-se conjunto das
Exemplo: Para determinar o número de caminhos de comprimento 3 que ligam V2 e
arestas.
V3 no grafo simples G1 , calcula-se M 3 :
Habitualmente um grafo simples é representado por um diagrama no qual cada vértice 0 3 1 1
é representado por um ponto e cada aresta por uma linha unindo os dois vértices que M 3 = 31 24 42 43 .
a definem. 1 4 3 2
Exemplo: O grafo simples G1 = (V1 , E1 ) com V1 = {V1 , V2 , V3 , V4 } e A1 = Conclui-se, então, que o número de caminhos de comprimento 3 que ligam V2 e V3 é
(3)
{{V1 , V2 }, {V2 , V3 }, {V3 , V4 }, {V2 , V4 }} pode ser representado por m23 = 4.
Exercı́cio 1: Considere o grafo com a representação
V1 V2
b b
V2 V3
b b
b b
V3 V4 b b b
V1 V4 V5
Pode-se imaginar que os vértices correspondem a nós numa rede de comunicação
e que as arestas que ligam os vértices representam elos de comunicação entre dois (a) Determine a matriz de adjacência M do grafo.
nós da rede. Na realidade, uma rede de comunicação envolve um número elevado de
vértices e arestas o que complica a representação gráfica da rede. Esta dificuldade é (b) Indique os caminhos de comprimento 2 que começam em V1 .
ultrapassada recorrendo a uma representação matricial para a rede. (c) Indique quantos caminhos de comprimento 3 existem de V2 a V4 .
(d) Indique quantos caminhos de comprimento menor ou igual a 3 existem de V2 a 8. Sejam A uma matriz quadrada tal que det(A) = 2 e B = 2AT . Mostre que a matriz
V4 . B é invertı́vel.
n
9. Considere a matriz A = [aij ] ∈ Mn×n (R), aij = 0i se i > j,
0 1 1 1
Exercı́cio 2: Seja M = 11 01 10 01 . se i < j. Indique qual das se-
1 0 1 0 guintes hipóteses é uma proposição verdadeira:
(a) Desenhe um grafo que tenha M como matriz de adjacência e indique os vértices.
A det(A) = 0. C det(A) = n.
(b) Analisando o grafo e a matriz M 2 , indique o número de caminhos de comprimento
2 de V1 a V3 . B det(A) = 1. D det(A) = n!.
n
2 se i 6 j,
10. Considere a matriz A = [aij ] ∈ Mn×n (R), aij = 0 se i > j. Indique qual das se-
Enunciados dos exercı́cios do capı́tulo 2 — Determinantes guintes hipóteses é uma proposição verdadeira:
3 −6 h 2 −1 3 i
1. Calcule o determinante das matrizes B = 2 4 , C = −1 2 −2 e D = A det(AT A) = 2n . C det(AT A) = 1.
2 3 −1 4 1 4 0
2 −1 3 2 . B det(AT A) = 4n . D det(AT A) = 0.
0 1 2 1
0 0 20 3
n
0 se i < j,
1 2 −1 1 11. Considere a matriz A = [aij ] ∈ M10×10 (R), aij = se i ≥ j. Indique qual das

−1 −1 2 −1 i
2. Calcule o determinante da matriz A = 0 −1 0 3 por dois processos distintos.
−1 −2 2 −1
seguintes hipóteses é uma proposição verdadeira:
h1 0 1i !2
3. Considere a matriz A = 0 1 0 . Indique qual das seguintes hipóteses é uma pro-
10
X C det(AT A) = 1.
1 1 0 T
A det(A A) = i .
posição verdadeira: D det(AT A) = 10.
i=1
10
!2
A det(A) = 2. C det(A) = 0.
Y
B det(AT A) = i .
B det(A) = −2. D det(A) = −1. i=1
h1 0 2i 12. Sejam A, B ∈ M2×2 (R) tais que det(A) = 2 e det(B) = −2. Indique qual das
4. Considere as matrizes A = [ 12 11 ] e B = 0 1 0 . Indique qual das seguintes hipóteses seguintes hipóteses é uma proposição verdadeira:
1 1 0
A det(A + B) = 0. C det(−A) = det(A).
A |A| + |B| = −6. C |A| + |B| = −1.
B det(−A) = − det(A). D det(AB) = 0.
B |A| + |B| = −3. D |A| + |B| = 0.
h2 3 4i
h1 1 x
13. Considere a matriz A = 0 1 1 . Indique qual das seguintes hipóteses é uma pro-
0 0 1
i
5. Considere a matriz A = 1 1 y , x, y ∈ R. Indique para que valores de x e y a matriz posição verdadeira:
x y 1
A é invertı́vel.
hx 1 1
i A det(AAT ) det(A−1 ) = 1. C det(AAT ) det(A−1 ) = 4.
6. Considere a matriz Z = 1 x 1 , x ∈ R. Indique para que valores de x a matriz Z é
1 1 x B det(AAT ) det(A−1 ) = 2. D det(AAT ) det(A−1 ) = 8.
invertı́vel.
2 −1 3 5
1 0 2 0
0 1 2 3
7. Considere a matriz A = 4 −1 −2 1 e seja B uma matriz de ordem 4 tal que 14. Considere a matriz A = 0 1 0 0 . Indique qual das seguintes hipóteses é uma pro-
1 1 0 0
−2 3 1 4 1 0 2 3
|B| = 12. Calcule o determinante da matriz (AB −1 )T . posição verdadeira:
h 3 10 2 i
A det(A) = −6. C det(A) = 0. No exemplo considerado tem-se B = 1 1 8 . A matriz B vai ser pré-multiplicada
5 6 0
B det(A) = −2. D det(A) = 2. por uma outra matriz A. A matriz A deve verificar as seguintes propriedades: os
elementos de A são números inteiros e det(A) = ±1. Daı́ resulta que A−1 = ± adj(A)
h1 1 1i e os elementos de A−1 também vão ser todos números inteiros.
15. Considere a matriz E = 0 1 1 . h1 0 2i
0 0 1 Seja a matriz A dada por A = 0 1 0 . Então
0 1 1
(a) Verifique que a matriz E é invertı́vel.     
1 0 2 3 10 2 13 22 2
(b) Determine a inversa da matriz E pelo método da adjunta.
AB = 0 1 0 1 1 8 =  1 1 8 ,
A = −14 −14 , Bα = [ cos α − sen α 0 1 1 5 6 0 6 7 8

16. Calcule o determinante das matrizes sen α cos α ], α ∈ R,
0 1 0 0 2 3 3 2
h2 1 1i h 0 −1 2 i
C = 1 1 1 , D = −1 2 0 , E = 10 01 10 01 e F = 11 12 12 13 . contém a mensagem codificada que deve ser enviada:
0 2 2 2 −3 −2 0 0 1 1 2 1 2 1
3 2
1 2
13, 1, 6, 22, 1, 7, 2, 8, 8.
17. Calcule o determinante,
h 1 3 1aiadjunta e a inversa das matrizes A = [ 1 1 ], B = 3 −1 ,
C = [ 32 14 ] e D = 2 1 1 . O recetor da mensagem consegue descodificá-la multiplicando-a por A−1 da seguinte
−2 2 −1
forma:
18. Sejam A, B ∈ Mn×n (R). Mostre que det(AB) = det(BA).     
1 2 −2 13 22 2 3 10 2
19. Considere as matrizes A = [ 10 21 ], D = [ 11 ] e F = [ 2 3 ] e a equação matricial em X A−1 AB = 0 1 0  1 1 8 = 1 1 8 .
−1
dada por (AX)T + DF = I2 . 0 −1 1 6 7 8 5 6 0
(a) Resolva a equação dada. A matriz de codificação A pode ser construı́da a partir da matriz identidade I, apli-
T
(b) Diga, sem efetuar quaisquer cálculos, qual o determinante de (AX) + DF . cando, sucessivamente, operações elementares do tipo I e do tipo III. A matriz assim
obtida vai ter elementos inteiros, verifica det(A) = ± det(I) = ±1 e A−1 também vai
20. Sejam p ∈ N e A uma matriz quadrada tal que Ap = 0. Mostre que A é uma matriz ter elementos inteiros.
singular. Na codificação de uma mensagem, a i -ésima letra do alfabeto é representada pelo
natural i , i = 1, . . . , 26 (neste exercı́cio, o espaço também não é considerado). A
21. Seja A uma matriz ortogonal. Mostre que det(A) = ±1.
mensagem foi transformada usando a matriz
22. Neste exercı́cio vai-se apresentar uma aplicação de Criptografia envolvendo os con-  
1 2 1
ceitos introduzidos neste capı́tulo.
A= 1 3 1
Pode-se codificar uma mensagem associando a cada letra do alfabeto um número −2 −2 −1
inteiro e enviar a lista de números que substitui a mensagem. A teoria dos determi-
nantes é usada neste contexto para o cálculo de inversas com propriedades especiais. e enviada como
Exemplo: A mensagem “BOA SORTE!” pode ser codificada por 45, 60, −47, 63, 82, −68, 44, 48, −65.
3, 1, 5, 10, 1, 6, 2, 8, 0, Qual é a mensagem?
onde a letra “B” é representado pelo algarismo “3”, a letra “O” pelo algarismo “1”,
etc. (neste exemplo não se codifica o espaço). Enunciados dos exercı́cios do capı́tulo 3 — Sistemas de
Para complicar ainda mais a codificação da mensagem e para impedir que o código Equações Lineares
seja quebrado pode-se usar a seguinte técnica: o código que representa a mensagem
é colocado nas colunas de uma matriz B. 1. Considere os seguintes sistemas de equações lineares:
 
 x1 + x2 + x3 = 3
  x1 + x2 + x3 = 3
 A CS(S) = {(4 − 2α, α) : α ∈ R}. C CS(S) = {(2, 1)}.
(S1 ) x1 − x2 =0 (S3 ) x1 + x2 =2 B CS(S) = {(4, α) : α ∈ R}. D CS(S) = {(α, 4 − α) : α ∈ R}.
 
−x1 + x3 = 0. 2x1 + 2x2 + x3 = 1.
 
4. Seja (S) o sistema de equações lineares cuja matriz dos coeficientes é A = [ 21 10 21 ] e

 
 x1 + x2
 =2  x1 − x2 + x3 = 1

(S2 ) x1 + x3 = 2 (S4 ) −2x1 + 2x2 − 2x3 = −2 cujo vetor dos termos independentes é b = [ 02 ]. Indique qual das seguintes hipóteses
  é uma proposição verdadeira:
2x1 + x2 + x3 = 4. −x1 + x2 − x3 = −1.
 
A CS(S) = {(2, −4, 0)}. C CS(S) = ∅.

Responda às seguintes questões para cada um dos sistemas de equações lineares
dados: B CS(S) = {(2 − α, −4, α) : α ∈ R}. D CS(S) = {(2, −4, α) : α ∈ R}.
(a) identifique a matriz dos coeficientes A, o vetor dos termos independentes b, o

h 1 1 −1 i
5. Seja (S) o sistema de equações lineares cuja matriz dos coeficientes é A = −1 1 −1
vetor das incógnitas x e a matriz ampliada A|b. h 1i 0 1 2
(b) classifique o sistema quanto ao número de soluções e determine o seu conjunto e o vetor dos termos independentes é b = −1 . Indique qual das seguintes hipóteses
3
solução. é uma proposição verdadeira:
(c) classifique o sistema homogéneo associado quanto ao número de soluções e de- A A resolução de (S) através do Método de Gauss-Jordan envolve 0 operações
termine o seu conjunto solução. elementares do tipo I, 2 do tipo II e 5 do tipo III.
2. Resolva os seguintes sistemas de equações lineares através do método de Gauss e de B A resolução de (S) através do Método de Gauss-Jordan envolve 1 operação
Gauss-Jordan: elementares do tipo I, 2 do tipo II e 6 do tipo III.
(  C A resolução de (S) através do Método de Gauss-Jordan envolve 0 operações
(S1 )
x1 + 2x2 = 5  x1 + x2 + x3 + x 4 = 0
 elementares do tipo I, 0 do tipo II e 7 do tipo III.
3x2 = 6. (S6 ) 2x1 + x2 − x3 + 3x4 = 0 D A resolução de (S) através do Método de Gauss-Jordan envolve 0 operações

x1 − 2x2 + x3 + x4 = 0. elementares do tipo I, 1 do tipo II e 6 do tipo III.
( 
x1 + 2x2 = 1
(S2 ) 
w + x +y +z =0
0x2 = 2. 

 6. Seja (S) o sistema linear Ax = b de n equações a n incógnitas tal que car(A) = n.
( −w + 2x − y + z = 5

x1 + 2x2 + 3x3 = 14 (S7 )
(S3 )  −w +y =0
4x2 + 5x3 = 23.


 A # CS(S) = 0. C # CS(S) = 2.
−w + x = 2.

(
x1 + x2 + x3 + x4 = 1  B # CS(S) = 1. D # CS(S) = ∞.
(S4 ) 
 2w + x + y + z = 1
x2 + x4 = 1. 
−w + 2x − y + z = −1

( (S8 ) 7. Considere as seguintes proposições:
x1 + x2 + x3 = 0  3w + y =1
(S5 )


x1 − x2 − x3 = 0.


−w + 2x − 2y + 2z = −2. P1 : “Um sistema homogéneo é sempre possı́vel.”
P2 : “Um sistema com 5 equações e 10 incógnitas pode ser possı́vel e determinado.”
1 2

3. Seja (S) o sistema de equações lineares cuja matriz
dos coeficientes é A = −3 −6
e cujo vetor dos termos independentes é b = −124 . Indique qual das seguintes
hipóteses é uma proposição verdadeira: A As duas proposições são verdadeiras.
B As duas proposições são falsas.
C A primeira proposição é verdadeira e a segunda é falsa.
h1 2 4 i
D A primeira proposição é falsa e a segunda é verdadeira. 12. Seja (S) o sistema de equações lineares cuja matriz dos coeficientes é A = 0 1 0
h 1 i 0 0 k1 −1
8. Discuta os seguintes sistemas de equações lineares Ax = b em função dos respetivos e cujo vetor dos termos independentes é b = 2 , k1 , k2 ∈ R. Indique qual das
2k2 +k1
parâmetros reais: seguintes hipóteses é uma proposição verdadeira:
A se k1 = 1, o sistema (S) é possı́vel e determinado.

h1 1 α
i h 2i h1 2 2 0i h1i
(a) A = 3 4 2 ,b= α . (d) A = 0 2 1 1 , b = 2 .
2 3 −1 1 1 0 1 a t
h1 0 −3
i h −3 i h 1 2 1i h1i B se 2k2 + k1 = 0, o sistema (S) é possı́vel e indeterminado.
(b) A = 2 k −1 , b = −2 . (e) A = −1 4 3 , b = 2 .
1 2 k 1 2 −2 β 3 C se k1 ∈ [3, 4] e k2 = 1, o sistema (S) é impossı́vel.
h1 2 1 0
i h2i h 1 2 1i h0i
(c) A = 3 3 5 c , b = 3 . (f) A = 2 5 3 , b = 0 . D se k1 = 1 e k2 ∈ [3, 4], o sistema (S) é impossı́vel.
0 3 −2 −3 t −1 1 γ 0
13. Considere o sistema de equações lineares (S) cuja

−1matriz dos coeficientes é A =
9. Seja
h 2 1 (S) io sistema de equações lineares cuja matriz dos coeficientes
h 2 i é A = 2 3

0 1 −5 7 e o vetor dos termos independentes é b = 2 .
3 3 k1 5 , k1 ∈ R, e cujo vetor dos termos independentes é b = 3 , k2 ∈ R.
3 0 −3 −2 k2
Indique qual das seguintes hipóteses é uma proposição verdadeira: (a) Mostre, sem o resolver, que o sistema de equações lineares dado é possı́vel e
determinado.
A se k1 ∈ [0, 1] e k2 ∈ [0, 1] o sistema (S) é impossı́vel. (b) Resolva o sistema de equações lineares dado através da Regra de Cramer.
B se k1 ∈ [1, 3] e k2 ∈ [1, 2] o sistema (S) é possı́vel e indeterminado.
14. hConsidere
i o sistema de equações lineares (S) cujahmatriz dos coeficientes é A =
1 1 2 9
i
C se k1 ∈ [1, 2] e k2 ∈ [2, 3] o sistema (S) é possı́vel e determinado. 2 4 −3 e o vetor dos termos independentes é b = 1 .
3 6 −5 0
D se k1 ∈ [0, 1] e k2 ∈ [0, 1] o sistema (S) é possı́vel e indeterminado.
(a) Mostre, sem o resolver, que o sistema de equações lineares dado é possı́vel e
31
3
0 1
determinado.
10. Seja (S) o sistema de equações lineares cuja matriz dos coeficientes é A = 23 1 s 1 ,
2
0 −4 0 (b) Resolva o sistema de equações lineares dado através da Regra de Cramer.
1
1
s ∈ R, e cujo vetor dos termos independentes é b = 2
5
, t ∈ R. Indique qual das 15. Indique quais das seguintes matrizes são invertı́veis:
t+ 2
seguintes hipóteses é uma proposição verdadeira: h 1 0 −1 i h −1 2 −3 i h2 3 1i
(a) A = 2 0 0 . (c) C = 2 1 0 . (e) E = 1 2 3 .
−1 1 0 4 −2 5 3 1 2
A se s ∈ [1, 2] e t ∈ [2, 4] o sistema (S) possı́vel e determinado. h −2 3 5 i
(b) B = [ 12 24 ]. (d) D = [ 11 10 ]. (f) F = −1 0 1 .
B se s = 4 e t = −2 o sistema (S) é impossı́vel. 0 2 2
h1 1 1
i
C se s ∈ [1, 2] e t = −2 o sistema (S) é possı́vel e determinado. 16. Seja (S) o sistema de equações lineares cuja matriz dos coeficientes é A = 1 2a 2a
h1i 1 1 a
D se s ∈ [1, 2] e t ∈ [1, 2] o sistema (S) é possı́vel e indeterminado. e cujo vetor dos termos independentes é b = 1 , a, b ∈ R.
b
11. Seja (S) o sistema de equações lineares cuja matriz dos coeficientes é A = [ α2 α1 ], (a) Discuta (S) em função de dos parâmetros a e b.
α ∈ R, e cujo vetor dos termos independentes é b = [ 21 ]. Indique qual das seguintes
hipóteses é uma proposição verdadeira: (b) Resolva (S) através da Regra de Cramer para a = 2 e b = 1.
√ h 1 0 −2 i
A (S) é um sistema possı́vel e determinado sse α ∈ R \ { 2}. 17. Seja (S) o sistema de equações lineares cuja matriz dos coeficientes é A = 0 1 −b
a 0 −1
√ h1i
B (S) é um sistema possı́vel e determinado sse α = 2. e cujo vetor dos termos independentes é b = 1 , a, b ∈ R.
2a
√ √
C (S) é um sistema possı́vel e determinado sse α ∈ R \ {− 2, 2}. (a) Discuta (S) em função dos parâmetros a e b.
√ √ 1
D (S) é um sistema possı́vel e determinado sse α = 2 ∨ α = − 2. (b) Seja (S 0 ) o sistema homogéneo associado a (S) para a = 2 e b = 1. Resolva-o.
18. Determine a equação da parábola que passa nos pontos (1, 2), (−1, 6) e (2, 3). se i for negativa, então a corrente flui no sentido oposto ao indicado. As correntes
são medidas em ampere.
19. Seja (S) o sistema não linear com incógnitas reais α, β e γ dado por
 Para determinar as correntes, recorre-se às leis de Kirchhoff :
 2 sen α − cos β + 3 tan γ = 3
4 sen α + 2 cos β − 2 tan γ = 10 (a) Em cada nó, a soma das correntes que entram é igual à soma das correntes que
6 sen α − 3 cos β + tan γ = 9.

saem.
Mostre que, neste caso, é possı́vel concluir que (S) é impossı́vel recorrendo ao método (b) Em cada ciclo fechado, a diferença de potencial é zero.
de Gauss.
h1 1 0i A diferença de potencial elétrico U em cada resistor é dada pela lei de Ohm:
20. Considere a matriz A = 1 0 1 .
0 1 1
−1
U = i R,
(a) Calcule A .
(b) Mostre que o sistema Ax = b é possı́vel e determinado, qualquer que seja o vetor onde i representa a corrente em ampere e R a resistência em ohm.
dos termos independentes b ∈ M3×1 (R).
Determine-se, agora, as correntes do circuito elétrico considerado. Da primeira lei de
(c) Usando a alı́nea (a), resolva o sistema Ax = b, em que b = [bi ] ∈ M3×1 (R), Kirchhoff obtém-se
bi = i .
hα 1 1i i1 − i2 + i3 = 0 (nó A)
21. Determine, por dois processos distintos, para que valores de α a matriz A = 1 α 1 , −i1 + i2 − i3 = 0 (nó B)
1 1 α
α ∈ R, é invertı́vel.
Da segunda lei de Kirchhoff resulta que
22. Neste exercı́cio vai-se apresentar uma aplicação de Circuitos elétricos envolvendo os
conceitos introduzidos neste capı́tulo por forma a determinar a corrente em cada 4i1 + 2i2 =8 (ciclo superior)
trecho de um circuito elétrico através das leis de Kirchhoff. 2i2 + 5i3 = 9 (ciclo inferior)
Considere o seguinte circuito elétrico:
8V
Pode-se representar o circuito elétrico usando a seguinte matriz ampliada:

−1

1 1 0
 −1 1 −1 0 
i1 H 4Ω
 .
 4 2 0 8 
2Ω 0 2 5 9
A• ◮ •B
i2
Esta matriz pode ser reduzida à forma escada da seguinte forma:
3Ω 2Ω

−1

9V
1 1 0
◭
 0
 1 − 23 4
3


i3  0 0 1 1 
0 0 0 0
A bateria, medida em volt (V), gera uma carga que produz uma corrente. A corrente
sai da bateria do lado que contém a reta vertical mais longa. As resistências são
Resolvendo por substituição de trás para a frente, obtém-se i1 = 1, i2 = 2 e i3 = 1.
medidas em ohm (Ω). As letras maiúsculas representam os nós do circuito elétrico.
A letra i representa a corrente entre os nós e as setas indicam o sentido de fluxo, mas Exercı́cio Determine a corrente em cada um dos trechos do seguinte circuito elétrico:
C {(x, y , 0) ∈ R3 : x = y 2 } é um subespaço de R3 .
16V
i1
◭ D {(x, y , 1) ∈ R3 : x = y } é um subespaço de R3 .
2Ω
5. Escreva, se possı́vel, o vetor v = (−1, 2) ∈ R2 como combinação linear dos seguintes
vetores de R2 , e interprete geometricamente os resultados obtidos:
i2
A• ◮ •B
(a) v1 = (2, −4).
2Ω
(b) v1 = (1, 2).
(c) v1 = (1, 2), v2 = (0, 1).
i3
◭
(d) v1 = (1, −2), v2 = (−2, 4).
3Ω
(e) v1 = (1, −1), v2 = (−1, 1).
(f) v1 = (1, −1), v2 = (0, 1), v3 = (2, −1).
Enunciados dos exercı́cios do capı́tulo 4 — Espaços Veto-
6. Sejam u = (1, 2, −4), v = (2, 5, −6), w = (1, −1, −10), r = (1, 0, α), α ∈ R.
riais
(a) Escreva o vetor w como combinação linear de u e v .
1. Mostre que: (b) Indique para que valores de α o vetor r é uma combinação linear de u e v .
3 3
(a) F1 = {(x, y , z) ∈ R : x = y } é um subespaço de R . 7. Sejam a = (−1, 2, −3), b = (3, 4, 2) e d = (−9, −2, 5). Mostre que d ∈
/ ha, bi.
(b) F2 = {(0, x, 2x, 3x) : x ∈ R} é um subespaço de R4 .
8. Indique qual das seguintes hipóteses é uma proposição verdadeira:
2. Mostre que:
A (1, 0, 0) ∈ h(1, 0), (0, 0)i. C (1, 0, 0) ∈ h(1, 2, 3), (2, 4, 6)i.
(a) A = {(x, x + 1) : x ∈ R} não é um subespaço de R2 .
B (1, 0, 0) ∈ h(2, 1, 0), (0, 1, 0)i. D (1, 0, 0) ∈ h(0, 0, 0), (0, 1, 1)i.
(b) B = {(x, y 2 ) : x, y ∈ R} não é um subespaço de R2 .
(c) C = {(x, y ) ∈ R2 : y ≥ 0} não é um subespaço de R2 .
9. Indique quais dos seguintes conjuntos de vetores são conjuntos geradores de R2 :
(d) D = {(x, |x|) : x ∈ R} não é um subespaço de R2 .
(e) E = {(1, 0, 0, 0)} não é um subespaço de R4 . (a) A = {(1, 0), (0, 1)}. (d) D = {(1, 2)}.
(f) F = {(0, 0, 0, 0), (1, 0, 0, 0)} não é um subespaço de R . 4 (b) B = {(1, 2), (−1, 0)}. (e) E = {(1, 2), (2, 4), (−1, −2)}.
(c) C = {(1, 0), (0, 1), (1, 3)}. (f) F = {(1, −1), (−2, 2)}.
A {(0, 0, a2 ) : a ∈ R} é um subespaço de R3 . 10. Seja X = {(1, 0, α), (α, β, β), (1, 0, 0), (0, 0, 1)}, α, β ∈ R. Indique para que valores
B {(1, 1, 1)} é um subespaço de R . 3 de α e β o conjunto X é um conjunto gerador de R3 .
C {(a, 0, a) : a ∈ R} é um subespaço de R3 . 11. Indique um conjunto gerador de V = h(1, 3, 2), (1, 0, 2), (0, 1, 0), (2, 2, 4)i com o
número mı́nimo de elementos.
D {(a, 1, a) : a ∈ R} é um subespaço de R3 .
12. Indique um conjunto gerador de V = h(1, −3, 1, −1, 3), (1, −1, 1, −1, 1),
(−1, −3, −1, 1, 3), (1, 1, 1, −1, −1)i com o número mı́nimo de elementos.
A {(x, y , z) ∈ R3 : x = 1 − y } é um subespaço de R3 .
13. Indique quais dos seguintes conjuntos de vetores são conjuntos linearmente indepen-
3 3
B {(x, y , z) ∈ R : z = x + y } é um subespaço de R . dentes:
(a) A = {(3, 1), (4, 2)} em R2 . C {(1, 1), (0, 0)} é uma base de R2 .
(b) B = {(3, 1), (4, −2), (7, 2)} em R2 . D {(1, 1), (2, 3)} é uma base de R2 .
(c) C = {(0, −3, 1), (2, 4, 1), (−2, 8, 5)} em R3 .
22. Seja B = ((1, 1, 1), (0, 1, 1), (1, 0, 1)).
(d) D = {(−1, 2, 0, 2), (5, 0, 1, 1), (8, −6, 1, −5)} em R4 .
(a) Mostre que B é uma base ordenada de R3 .
14. Indique para que valores do parâmetro real α, os vetores a = (1, −2) e b = (α, −1)
(b) Determine as coordenadas de z = (0, 1, 0) na base ordenada B.
de R2 são linearmente independentes.
23. Sejam z = (1, 1, 0) e B = ((1, 0, 1), (0, 1, 1), (1, 0, 0)) uma base ordenada de R3 .
15. Sejam v1 = (α1 , β1 , 1) e v2 = (α2 , β2 , 0), α1 , α2 , β1 , β2 ∈ R. Indique para que
valores de α1 , α2 , β1 e β2 os vetores v1 e v2 são linearmente independentes.
16. Considere o espaço vetorial R3 e um seu subespaço X = {(x1 , x2 , x3 ) ∈ R3 : x1 = x2 }. A [z]B = (1, 1, 2). C [z]B = (1, −1, −2).
Determine dois vetores linearmente independentes u e v de X e mostre que qualquer
B [z]B = (−1, −1, 2). D [z]B = (−1, 1, 2).
vetor w ∈ X é uma combinação linear de u e v .
17. Sejam V um espaço vetorial e {v1 , v2 , v3 } um conjunto de vetores de V linearmente 24. Seja X = {(a, 0, a) : a ∈ R} um subespaço de R3 . Indique qual das seguintes
independente. Mostre que os seguintes conjuntos também são linearmente indepen- hipóteses é uma proposição verdadeira:
dentes:
A dim(X) = 0. C dim(X) = 2.
(a) {v1 + v2 }. (c) {2v1 , v1 + v2 , −v1 + v3 }.
B dim(X) = 1. D dim(X) = 3.
(b) {v1 , v1 + v2 }. (d) {v1 + v2 , v1 + v3 , v2 + v3 }.

18. Averigúe quais dos seguintes conjuntos de vetores são bases de R2 :
A dim(R2 ) + dim(R5 ) = 2. C dim(R2 ) + dim(R5 ) = 7.
(a) A = {(1, 1), (3, 0)}. (c) C = {(1, 1), (0, 8)}.
(b) B = {(1, 1), (0, 2), (2, 3)}. (d) D = {(1, −2), (−2, 4)}. B dim(R2 ) + dim(R5 ) = 5. D dim(R2 ) + dim(R5 ) = 14.
19. Indique para que valores de α o conjunto {(α, 6), (1, α)} é uma base de R2 . 26. Determine uma base e a dimensão so subespaço R4 dado por F = {(x, y , z, w ) ∈
R4 : x − y + 3z = 0 ∧ z − 2w = 0}.
20. Considere o subespaço F = {(x, y , z, w ) ∈ R4 : x = z = w } de R4 . Indique qual das
seguintes hipóteses é uma proposição verdadeira: 27. Sejam F = {(x, y , z) ∈ R3 : z = 0}, u1 = (0, 2, 0), u2 = (1, 0, 0) e u3 = (−1, 6, 0).
A {(1, 0, 1, 1), (0, 1, 0, 0)} é uma base de F . (a) Mostre que F é um subespaço de R3 .
(b) Verifique que F = hu1 , u2 , u3 i.
B {(1, 1, 1, 1), (0, 1, 1, 0)} é uma base de F .
(c) O conjunto {u1 , u2 , u3 } é uma base de F ?
C {(1, 0, 1, 1), (0, 0, 1, 0)} é uma base de F .
(d) Indique a dimensão de F .
D {(1, 0, 1, 1), (0, 1, 0, 1)} é uma base de F .
28. Sejam V um espaço vetorial, v1 , v2 , v3 , v4 ∈ V , A = {v1 , v2 , v3 , v4 }, B = {v1 } e
21. Indique qual das seguintes hipóteses é uma proposição verdadeira: {v1 , v2 } uma base de V .
A {(1, 1, 0), (0, 0, 0)} é uma base de R2 . (a) A é um conjunto gerador de V ?
B {(1, 1, 0), (0, 0, 1)} é uma base de R2 . (b) A é constituı́do por vetores linearmente independentes?
(c) B é um conjunto gerador de V ? C {u, w , y } é uma base de R3 .

(d) B é constituı́do por vetores linearmente independentes? D u é uma combinação linear de x e y .
(e) Seja C um subconjunto de V que gera V . Que pode dizer sobre o número de
33. Seja V um espaço vetorial tal que V = hv1 , v2 i. Indique qual das seguintes hipóteses
vetores de C?
(f) Seja D um subconjunto de V constituı́do por vetores linearmente independentes.
Que pode dizer sobre o número de vetores de D? A dim(V ) 6 2. C dim(V ) > 2.
(g) Em que condições é que E = {v1 , v4 } é um conjunto gerador de V ? B dim(V ) < 2. D dim(V ) > 2.
29. Sejam V um espaço vetorial e u1 , u2 , u3 , u4 ∈ V tais que V = hu1 , u2 , u3 i, {u1 , u2 } é
um conjunto linearmente independente, u3 = 2u1 e u4 = u1 + u2 . Considere, ainda,
Enunciados dos exercı́cios do capı́tulo 5 — Transformações
as seguintes proposições:
Lineares de Rn em Rm
P1 : {u1 , u2 , u3 } é um conjunto linearmente independente.
P2 : {u3 } é um conjunto linearmente independente. 1. Indique quais das seguintes funções são transformações lineares de R2 em R3 :
P3 : V = hu2 , u3 , u4 i. T1 : R2 −→ R3 , T1 (x, y ) = (0, −x, 0).
P4 : {u2 , u4 } é uma base de V . T2 : R2 −→ R3 , T2 (x, y ) = (0, 0, |x − y |).
P5 : dim(V ) = 3. T3 : R2 −→ R3 , T3 (x1 , x2 ) = (x2 , 0, x1 ).
Indique, justificando, as proposições verdadeiras. T4 : R2 −→ R3 , T4 (x1 , x2 ) = (x12 , 0, 0).
30. Sejam {v1 , v2 } uma base do espaço vetorial V e F um subespaço de V . Indique qual 2. Sejam α, β ∈ R. Determine a relação entre α e β de modo que a função T definida
das seguintes hipóteses é uma proposição verdadeira: por T : R −→ R2 , T (x) = (x + α − 2β, −x), seja uma transformação linear de R em
R2 .
A {v1 , v2 } é uma base de F . C se v ∈ V , então v ∈ F .
B dim(V ) = dim(F ). D se v ∈ F , então v ∈ V .
A f : R2 −→ R, f (x, y ) = |x| é uma transformação linear.
31. Seja X um espaço vetorial tal que X = hx1 , x2 i. Indique qual das seguintes hipóteses B g : R2 −→ R, g(x, y ) = (x + y )2 é uma transformação linear.
C h : R2 −→ R, h(x, y ) = 1 é uma transformação linear.
A dim(X) = 2. D i : R2 −→ R, i (x, y ) = x + y é uma transformação linear.
2
B X=R .
C ∀x ∈ X, ∃α1 , α2 ∈ R [x = α1 x1 + α2 x2 ].
A f : R −→ R2 , f (x) = (x, 0) é uma transformação linear.
D {x1 , x2 } é uma base de X.
B g : R −→ R2 , g(x) = (x, 1) é uma transformação linear.
32. Considere os seguintes vetores de R3 : u = (1, 2, 0), v = (2, 0, 1), w = (1, 1, 1), C h : R −→ R2 , h(x) = (x, 2) é uma transformação linear.
x = (0, 0, 0) e y = (2, 4, 0). Indique qual das seguintes hipóteses é uma proposição
verdadeira: D i : R −→ R2 , i (x) = (x, 3) é uma transformação linear.
A v , w e x são vetores linearmente independentes. 5. Seja T uma transformação linear de R3 em R3 definida por
B R3 = hw , x, y i. T (x1 , x2 , x3 ) = (2x1 − x2 − x3 , 2x2 − x1 − x3 , 2x3 − x1 − x2 ).

(a) Determine AT . (b) Determine, por dois processos distintos, a matriz da transformação linear T ◦ S.
(b) Use a matriz AT para determinar a imagem dos vetores u = (1, 1, 1), v = (2, 1, 1) 12. Considere as seguintes transformações lineares:
e w = (−5, 3, 2).
T : R3 −→ R2 , T (x, y , z) = (x + y + z , y − 2z),
6. Seja T ∈ L(R3 , R), T (x1 , x2 , x3 ) = x1 + x3 . Indique qual das seguintes hipóteses é
uma proposição verdadeira: S : R2 −→ R3 , S(x, y ) = (x, x + y , x − y ),
h1i U : R2 −→ R2 , U(x, y ) = (2x + y , −y ).
A AT = 0 . C AT = [ 1 0 1 ].
1 (a) Determine as matrizes associadas às transformações lineares dadas.
B AT = [ 10 00 01 ]. D AT = [ 1 0 0 ]. (b) Para as seguintes operações, indique as que estão bem definidas, e determine,
1 0 0 para esses casos, a respetiva matriz da transformação linear:
7. Seja T a transformação linear cuja matriz é dada por AT = 0 1 1 . Indique qual das
1 1 0 i. T + αS, α ∈ R.
0 0 1
seguintes hipóteses é uma proposição verdadeira: ii. U ◦ U.
iii. S ◦ T.
A T (x, y , z) = (x, x + z, y , z). C T (x, y , z) = (x, x, z , z). iv. T ◦ S.
B T (x, y , z) = (x + y , y , x + z , z). D T (x, y , z) = (x, y + z , x + y , z). v. U ◦ U + α(T ◦ S), α ∈ R.
13. Sejam S e T duas transformações lineares definidas por

8. Seja a transformação linear T ∈ L(R2 , R2 ), T (x, y ) = (x + y , x − y ).
S: R2 −→ R2 T : R2 −→ R2
(a) Determine a matriz da transformação linear T relativamente às bases canónicas e
(x, y ) 7−→ (2x + y , −y ) (x, y ) 7−→ (x, x + y ).
de R2 e R2 .
(b) Determine a matriz da transformação linear T relativamente às bases ordenadas Indique qual das seguintes hipóteses é uma proposição verdadeira:
B = ((1, 2), (3, 4)) de R2 e B 0 = ((1, 4), (2, 3)) de R2 .
3 1
2 −1
A AT ◦S = −1 −1 . C AT ◦S = 2 0 .
9. Sejam S e T as transformações lineares definidas por
= 13 −1
−1
B AT ◦S . D AT ◦S = [ 22 10 ].
2 2 2 2
S: R −→ R T : R −→ R
(x, y ) 7−→ (2x + y , y ), (x, y ) 7−→ (x, 0). 14. Sejam S, T ∈ L(R2 , R2 ), S(x, y ) = (−y , x) e T (x, y ) = (y , 0). Indique qual das
Determine, por dois processos distintos, a matriz da transformação linear S + T .
0 0
0 1

10. Seja T a transformação linear definida por A AS◦T = 0 −1 . C AS◦T = 0 −1 .
0 −1
T : R2 −→ R3 B AS◦T = [ 00 01 ]. D AS◦T = 0 0 .
(x, y ) 7−→ (2x + y , 0, y ).
15. Determine a imagem e o núcleo das seguintes transformações lineares de R3 em R3 :
Determine, por dois processos distintos, a matriz da transformação linear −2T .
(a) T1 : R3 −→ R3 , T1 (x1 , x2 , x3 ) = (x3 , x2 , x1 ).
11. Sejam S e T as transformações lineares definidas por
(b) T2 : R3 −→ R3 , T2 (x1 , x2 , x3 ) = (x1 , x2 , 0).
S: R2 −→ R2 T : R2 −→ R2 (c) T3 : R3 −→ R3 , T3 (x1 , x2 , x3 ) = (x1 , x1 , x1 ).
(x, y ) 7−→ (2x + y , y ), (x, y ) 7−→ (x, 0).
16. Para cada uma das alı́neas seguintes, determine a função T sabendo que é uma
(a) Determine, por dois processos distintos, a matriz da transformação linear S ◦ T . transformação linear definida por:
(a) T (1, 0) = (−1, 1, 2) e T (0, 1) = (3, 0, 1). A Nuc(T ) ⊆ R3 e cT = 1. C Nuc(T ) = h(1, 0)i e cT = 1.
(b) T (1, 2) = (3, −1, 5) e T (0, 1) = (2, 1, −1). B Im(T ) = h(1, 0, 1)i e nT = 1. D cT + nT = 3.
(c) T (1, 1, 1) = 3, T (0, 1, −2) = 1 e T (0, 0, 1) = −2.
24. Seja T ∈ L(R2 , R3 ), T (x, y ) = (−x − y , −2x − 2y , −3x − 3y ). Indique qual das
17. Seja T ∈ L(R3 , R3 ) tal que T (0, 0, 1) = (0, 0, 1) e Nuc(T ) = h(1, 1, 1), (0, 1, 1)i.
Determine T .
A Im(T ) = h(1, 2, 3)i.
18. Determine a imagem, a caracterı́stica, o núcleo, a nulidade e a matriz das seguintes
transformações lineares: B Im(T ) = h(−1, −1, −1), (−2, −2, −2), (−3, −3, −3)i.
(a) T1 : R2 −→ R, T1 (x, y ) = x + y . C Im(T ) = h−1, −2, −3i.
(b) T2 : R3 −→ R2 , T2 (x, y , z) = (x + y + z , 2x + 2y + 2z). D Im(T ) = R3 .

(c) T3 : R3 −→ R3 , T3 (x, y , z) = (x − z , 0, y − 2z). 25. Seja T ∈ L(R3 , R2 ), T (x, y , z) = (x + z , 0). Indique qual das seguintes hipóteses é
4 3
(d) T4 : R −→ R , T4 (x, y , z, w ) = (x − y , z − w , x − 3w ). uma proposição verdadeira:
19. Seja a transformação linear T de R3 em R3 definida por T (x1 , x2 , x3 ) = (x1 −x2 , 2x2 − A Nuc(T ) = h(−1, 0, 1), (0, 1, 0)i. C Nuc(T ) = h(0, 1, 0)i.
x1 − x3 , x3 − x2 ).
B Nuc(T ) = h(−1, 0, 1)i. D Nuc(T ) = R3 .
(a) Determine uma base do núcleo de T .
(b) Determine a dimensão do núcleo de T . 26. Seja T ∈ L(R3 , R2 ). Indique qual das seguintes hipóteses é uma proposição verda-
deira:
20. Sejam T ∈ L(Rn ) e S = {u1 , . . . , uk } ⊂ Rn um conjunto linearmente dependente.
Mostre que {T (u1 ), . . . , T (uk )} também é um conjunto linearmente dependente. A dim(Nuc(T )) + dim(Im(T )) = 2. C dim(Nuc(T )) + dim(Im(T )) = 5.
3 3
21. Seja T ∈ L(R , R ), T (x, y , z) = (x − 2y − 2z , x − 2z , −2x + 4z). Indique qual das B dim(Nuc(T )) + dim(Im(T )) = 3. D dim(Nuc(T )) + dim(Im(T )) = 6.
27. Seja T ∈ L(R3 , R2 ), T (x, y , z) = (0, x − z). Indique qual das seguintes hipóteses é
A Im(T ) = R3 . C Im(T ) = h(1, 1, −2), (−2, −2, 4)i. uma proposição verdadeira:
B Im(T ) = h(−2, 0, 0)i. D Im(T ) = h(1, 1, −2), (−2, 0, 0)i.
A Nuc(T ) = h(1, 0, 0), (0, 0, 1)i. C Nuc(T ) = h(1, 0, 1)i.
22. Seja T ∈ L(R3 , R3 ), T (x, y , z) = (x − 2y − 2z , x − 2z , −2x + 4z). Indique qual das B Nuc(T ) = h(1, 0, 1), (0, 1, 0)i. D Nuc(T ) = R3 .
28. Seja AT = [ 12 20 24 ] a matriz de uma transformação linear T . Indique qual das seguintes
A Nuc(T ) = h(1, 1, −2), (−2, 0, 0), (−2, −2, 4)i.
B Nuc(T ) = {(0, 0, 0)}.
A T (x, y , z) = (x + 2y + 2z , 2x + 4z). C cT = 1.
C Nuc(T ) = h(2, 0, 1)i.
B Im(T ) = h(1, 2), (2, 4)i. D T ∈ L(R2 , R3 ).
D Nuc(T ) = R3 .
23. Seja T ∈ L(R2 , R3 ), T (a, b) = (a + b, 0, a + b). Indique qual das seguintes hipóteses 29. Seja T : R3 → R3 , T (x, y , z) = (x, 0, z). Indique qual das seguintes hipóteses é uma
é uma proposição verdadeira: proposição verdadeira:
A Im(T ) = h(1, 0, 0), (0, 1, 0), (0, 0, 1)i e nT = 1.

hα 0 0i
B Im(T ) = h(1, 0, 0), (0, 0, 1)i e nT = 2. 2. Considere a matriz A = 1 α 0 , α ∈ R. Calcule os valores próprios de A e os
1 1 α
C Nuc(T ) = h(0, 1, 0)i e cT = 2. respetivos subespaços próprios.
D Nuc(T ) = h(0, 1, 0), (0, 0, 1)i e cT = 2. 3. Considere a matriz A = [ 03 30 ]. Indique qual das seguintes hipóteses é uma proposição
verdadeira:
30. Seja a transformação linear T : R2 → R3 , T (x, y ) = (x + y , y − x, 2x). Indique qual
das seguintes hipóteses é uma proposição verdadeira: A 0 é um valor próprio de multiplicidade dois da matriz A.
B 0 é um valor próprio simples da matriz A.
A dim(Im(T )) = 0. C dim(Im(T )) = 2.
C 3 é um valor próprio de multiplicidade dois da matriz A.
B dim(Im(T )) = 1. D dim(Im(T )) = 3.
D 3 é um valor próprio simples da matriz A.
2 2
31. Seja T ∈ L(R , R ) tal que T (1, 0) = (2, 1) e T (0, 1) = (0, 1). Indique qual das h3 0 1i
seguintes hipóteses é uma proposição verdadeira: 4. Considere a matriz A = 0 5 0 . Indique qual das seguintes hipóteses é uma pro-
1 0 0
posição verdadeira:
A T (x, y ) = (2x, x + y ). C T (x, y ) = (2x, y ).
A 1 é um valor próprio múltiplo da matriz A.
B T (x, y ) = (x + 2, y + 1). D T (x, y ) = (x, 2y ).
B λ(A) = {1, 3, 5}.
√
3− 11
32. Seja T ∈ L(R2 , R3 ) tal que T (1, 0) = (0, 1, 1) e Nuc(T ) = h(0, 1)i. Indique qual das C 2 é um valor próprio simples da matriz A.
√
seguintes hipóteses é uma proposição verdadeira: 3+ 13
D 2 é um valor próprio simples da matriz A.
A T (x, y ) = (0, x, x). C T (x, y ) = (x, y , y ). 5. Considere a matriz A = 1a b3 , a, b ∈ R. Indique qual das seguintes hipóteses é uma

B T (x, y ) = (0, y , y ). D T (x, y ) = (y , x, x). proposição verdadeira:
A Se a + b = 1, (3, 1) seja um vetor próprio de A.

33. Seja T ∈ L(R4 , R3 ). Indique qual das seguintes hipóteses é uma proposição verda-
B Se 3a + b = 6, (3, 1) seja um vetor próprio de A.
deira:
C Se a + b = 6, (3, 1) seja um vetor próprio de A.
A nT + cT = 3. C nT + cT = 7.
D Se 3a + b = 2, (3, 1) seja um vetor próprio de A.
B nT + cT = 4. D nT + cT = 1.
6. Considere a matriz A = −10 23 . Indique qual das seguintes hipóteses é uma pro-

posição verdadeira:
Enunciados dos exercı́cios do capı́tulo 6 — Valores e Ve-
tores Próprios A λ(A) = {0, 3}. C λ(A) = {1}.
B λ(A) = {1, 2}. D λ(A) = {0}.
1. Determine o espetro das seguintes matrizes, bem como os espaços próprios associados
aos seus valores próprios: h 1 5 −1
i
7. Considere a matriz A = 0 −2 1 . Indique qual das seguintes hipóteses é uma
h 1 −3 3 i h 1 2 1i −4 0 3
(a) A = [ 12 43 ]. (c) C = 3 −5 3 . (e) E = 2 0 −2 . proposição verdadeira:
6 −6 4 −1 2 3
1 −1 h 3 0 −1 i h 4 0 1i A E−3 = {(3α/2, −α, α) : α ∈ C}.
(b) B = 2 −1 . (d) D = 0 2 0 . (f) F = −2 1 0 .
−1 0 3 −2 0 1
B E−3 = {(−α/2, −α, α) : α ∈ C}.
(c) Verifique que P −1 AP = λ01 λ02 , em que λ1 é o valor próprio de A associado ao

C E−3 = {(−α, 0, α) : α ∈ C}.
vetor próprio de A que forma a primeira coluna de P e λ2 é o valor próprio de A
D E−3 = {(−2α, α, α) : α ∈ C}.
associado ao vetor próprio de A que forma a segunda coluna de P .
8. Considere a matriz A = −12 −12 . Determine:
h1 0 0i
13. Seja A = 0 1 1 .
0 1 1
(a) os valores próprios de A e os respetivos subespaços próprios.
(b) os valores próprios de A2 e os respetivos subespaços próprios.
(c) os valores próprios de A−1 e os respetivos subespaços próprios.
λ1 0 0
−1
(c) Verifique que P AP = 0 λ2 0 , em que λ1 é o valor próprio de A associado
9. Seja A uma matriz de ordem três tal que λ(A) = {−1, 0, 1}. Indique qual das 0 0 λ3
seguintes hipóteses é uma proposição verdadeira: ao vetor próprio de A que forma a primeira coluna de P , λ2 é o valor próprio de
A associado ao vetor próprio de A que forma a segunda coluna de P e λ3 é o
A A é invertı́vel e λ(A−1 ) = {0, 1}. valor próprio de A associado ao vetor próprio de A que forma a terceira coluna
B A não é invertı́vel e λ(A2 ) = {−1, 0}. de P .
C A é invertı́vel e λ(A−1 ) = {−1, 0}. 14. Indique quais das seguintes matrizes são diagonalizáveis:
D A não é invertı́vel e λ(A2 ) = {0, 1}. h 0 −6 −4 i h 2 −2 1 i
(a) A = [ 11 01 ]. (b) B = 5 −11 −6 . (c) C = −1 3 −1 .
2 −6 9 −4 2 −4 3
j se i > j
10. Seja A = [aij ] ∈ M3×3 (R), aij = i se i = j Indique qual das seguintes hipóteses
0 se i < j. 15. Seja A ∈ Mn×n (R). Mostre que λ(A) = λ(AT ).
16. Seja A ∈ M2×2 (R).
2
A 0 ∈ λ(A). C λ(A ) = {−1, 1, 4}.
(a) Mostre que ΠA (λ) = λ2 − tr(A)λ + det(A).
1
B λ(A−1 ) = {1, 2 }. D λ(A) = {1, 2, 3}. (b) Determine o espetro de A sabendo que tr(A) = 8 e det(A) = 12.
11. Considere as seguintes proposições: 17. Seja A ∈ M2×2 (R) tal que tr(A) = 8 e det(A) = 12. Determine o espetro de A.
P1 : “Os valores próprios de uma matriz quadrada são iguais aos valores próprios da 18. Seja T ∈ L(Rn , Rn ). Indique o valor lógico das seguintes proposições:
sua transposta.” (a) a matriz AT é invertı́vel se e só se CS(AT x=0) = {0}.
P2 : “Uma matriz quadrada é invertı́vel se e só se não admite o valor próprio zero.” (b) a matriz AT é invertı́vel se e só se ∀b ∈ Rn [# CS(AT x=b) = 1].
Indique qual das seguintes hipóteses é uma proposição verdadeira: (c) a matriz AT é invertı́vel se e só se det(AT ) 6= 0.
(d) a matriz AT é invertı́vel se e só se Im(T ) = Rn .
A As duas proposições são verdadeiras.
(e) a matriz AT é invertı́vel se e só se as colunas da matriz AT são linearmente
B As duas proposições são falsas. independentes.
C A primeira proposição é verdadeira e a segunda é falsa. (f) a matriz AT é invertı́vel se e só se as linhas da matriz AT são linearmente inde-
D A primeira proposição é falsa e a segunda é verdadeira. pendentes.
12
(g) a matriz AT é invertı́vel se e só se as colunas da matriz AT geram Rn .
12. Seja A = −14

−20 17 .
(h) a matriz AT é invertı́vel se e só se as linhas da matriz AT geram Rn .
(a) Mostre que A é diagonalizável. (i) a matriz AT é invertı́vel se e só se as colunas da matriz AT formam uma base de
(b) Determine uma matriz P que diagonaliza A. Rn .
(j) a matriz AT é invertı́vel se e só se as linhas da matriz AT formam uma base de Problema de misturas
Rn . Dois tanques estão ligados como ilustrado na figura seguinte:
(k) a matriz AT é invertı́vel se e só se nT = 0.
(l) a matriz AT é invertı́vel se e só se cT = n. água 15L/min mistura 5L/min
(m) a matriz AT é invertı́vel se e só se 0 ∈

/ λ(AT ). −→ ←−
1 1
19. Determine a e b de modo que (1, 1) e (1, 0) sejam vetores próprios da matriz a b .
20. A ∈ Mn×n (R) diz-se idempotente se A2 = A. Mostre que, se λ é um valor próprio

de uma matriz idempotente, então λ tem que ser igual a 0 ou 1. tanque A tanque B
21. Sejam A ∈ Mn×n (R) e B = A − αIn , α ∈ R. Explicite a relação entre os valores

próprios de A e B.
−→ −→
22. Neste exercı́cio vai-se apresentar uma aplicação a problemas de misturas envolvendo
os conceitos introduzidos neste capı́tulo. mistura 20L/min mistura 15L/min
Os valores e vetores próprios podem ser usados para determinar as soluções de alguns Inicialmente, o tanque A contém 200 litros de água, onde foram dissolvidos 60 gramas
sistemas de equações diferenciais. de sal. O tanque B contém 200 litros de água pura. Bombeia-se lı́quido para dentro
Considere o seguinte sistema de equações diferenciais lineares de primeira ordem com e para fora dos dois tanques a taxas indicadas na figura. Pretende-se determinar a
coeficientes constantes: quantidade de sal no instante t.
Sejam y1 (t) e y2 (t) a quantidade de sal em gramas nos tanques A e B, respetiva-

 y10 ≡ dy1 = a11 y1 + a12 y2

dt mente, no instante de tempo t. Inicialmente, tem-se
dy
 y20 ≡ 2 = a21 y1 + a22 y2 .

dt y1 (0) 60
y (0) = = .
h 0i y2 (0) 0
y
Sejam y = [ yy12 ], y 0 = y10 e A = [ aa11
21
a12
a22 ]. Então, o sistema pode ser escrito na
2 A quantidade total de lı́quido em cada tanque é sempre 200 litros, porque a quantidade
forma y 0 = Ay : de lı́quido bombeada para dentro é igual à quantidade bombeada para fora em cada
0
y1 a11 a12 y1
tanque. A taxa de variação da quantidade de sal em cada tanque é igual à taxa em
= . que está sendo adicionado sal menos a taxa em que está sendo bombeado para fora.
y20 a21 a22 y2
Para o tanque A, a taxa em que o sal está a ser adicionado é dada por
Se A tem dois valores próprios reais distintos λ1 e λ2 com vetores próprios v1 e v2
y2 (t) y2 (t)
associados a λ1 e λ2 respetivamente, então a solução geral do sistema de equações (5 L/min) g/L = g/min
diferenciais considerado é 200 40
e a taxa de sal que está sendo bombeada para fora é

y (t) = c1 exp(λ1 t)v1 + c2 exp(λ2 t)v2 , c1 , c2 ∈ R.

y1 (t) y1 (t)
Se além disso impusermos que y (t) assume um determinado valor y0 quando t = 0, (20 L/min) g/L = g/min.
200 10
então o problema vai ter uma única solução. Um problema da forma
Então, a taxa de variação para o tanque A é dada por
y 0 = Ay , y (0) = y0
y2 (t) y1 (t)
é designado por problema com condições iniciais. y10 (t) = − .
40 10
Analogamente, a taxa de variação para o tanque B é dada por

água 12L/min mistura 4L/min
20y1 (t) 20y2 (t) y1 (t) y2 (t)
y20 (t) = − = − . −→ ←−
200 200 10 10
Para determinar y1 (t) e y2 (t), precisamos de resolver o problema com condições

iniciais
tanque A tanque B
y 0 = Ay , y (0) = y0 ,
h 1 1 i
− 10
onde A = 1
40
1
− 10
e y0 = [ 600 ]. Calculando os valores próprios de A, obtém-se
10 −→ −→
3 1
λ1 = − 20 e λ2 = − 20 com vetores próprios associados v1 = (1, −2) e v2 = (1, 2).
mistura 16L/min mistura 12L/min
A solução deste problema é da forma
Determine a quantidade de sal em t = 1min.
3 t
y = c1 exp − t v1 + c2 exp − v2 .
20 20
Soluções dos exercı́cios do capı́tulo 1 — Matrizes
No instante t = 0, y = y0 , logo
1. (a) A — tipo 2 × 4, c — tipo 3 × 1, D — tipo 3 × 2, E — tipo 1 × 4.
c1 v1 + c2 v2 = y0 , (b) B — ordem 3, F — ordem 2, g — ordem 1, H — ordem 2.
(c) e, g.
ou, escrito de outra forma
(d) c, g.

1 1 c1 60 (e) B, g, H.
= .
−2 2 c2 0
(f) g, H.
Podemos calcular o valor das constantes c1 e c2 resolvendo o sistema associado à (g) B, F , g, H.
última equação. A solução é c1 = c2 = 30. Conclui-se que a solução do problema de (h) B, g, H.
valor inicial é
2. (a) A + B = [ 15 25 ].

3 1 t 1 (b) B + A = [ 15 25 ].
y = 30 exp − t + 30 exp − ,
20 −2 20 2 (c) A expressão A − C não está bem definida (pois as matrizes A e C não são do
mesmo tipo).
que pode ser reescrita da forma h −1 −1 i
(d) −C = −4 −4 .
−9 −9
3 t

y1 (t) 30 exp(− 20 t) + 30 exp(− 20 ) 3
y (t) = = . (e) (A − B) + 3A = −6 .
y2 (t) 3
−60 exp(− 20 t
t) + 60 exp(− 20 ) −6 3 −5 0
(f) 4A − B = −5 0 .
Dois tanques contêm, cada um, 100 litros de uma mistura. A mistura no tanque 3. C.
h −1 1 i
A contém 40 gramas de sal e a mistura no tanque B contém 20 gramas de sal. 4. AB = −3 1 .
Bombeia-se lı́quido para dentro e para fora dos tanques de acordo com a seguinte 1 4
figura: 5.
(a) (AB)C = [ 03 05 02 ]. (c) CI3 = [ 11 12 01 ]. 23. A.

(b) A(BC) = [ 03 05 02 ]. (d) I2 C = [ 11 12 01 ]. 24. —
6. — 25. D.
7. B 2 =
−3 0

, B3 =
−3 6 26. D.
0 −3 −6 3 .
8. — 27. B e C.
9. — 28. —
10. — 29. —
11. — 30. A.
12. (a) (A + B)2 = [ 10 01 ] 6= A2 + 2AB + B 2 = [ 10 21 ]. 31. D.

(b) (A − B)2 = [ 10 41 ] 6= A2 − 2AB + B 2 = [ 10 21 ]. 32. A.
(c) (A + B)(A − B) = −10 −21 6= A2 − B 2 = −10 01 .

33. D.
1 0 0 2 0
13. —
1 0 0 0 0
0 0 1 0 0 0 0 1 0 0 , I: 0, II: 2, III: 4.
34. (a) 0 0 0 −2 1 ∈ fe(A), I: 0, III: 2, fer(A) = 0 0 0 1 0
0 0 0 0 2 0 0 0 0 1
14. D. 7
6 3 −4 1 0 9
15. B. (b) 0 3 − 26
3 ∈ fe(B), I: 0, III: 3, fer(B) = 0 1 − 26
9
, I: 0, II: 2, III: 4.
0 0 0 0 0 0
1 1 0 2 0 1 1 0 0 −10
16. — 0 0 2 0 4 0 0 1 0 2 , I: 2, II: 1, III:
(c) 0 0 0 1 5 ∈ fe(C), I: 2, III: 1, fer(C) = 0 0 0 1 5 2.
0 0 0 0 0 0 0 0 0 0
17. —
1 0 0 15
" #
1 −2 3 −1 7
(d) 0 3 −4 4 ∈ fe(D), I: 0, III: 3, fer(D) = 0 1 0 − 47 , I: 0, II: 2, III: 6.
18. — 0 0 73 − 10
3 0 0 1 − 10
7
AB T +BAT
= −1 −1

19. (a) 2 −1 1 . 1 3 −1 2
"
1 0 114 13
11
#
(e) 0 11 −5 3 ∈ fe(E), I: 0, III: 4, fer(E) = 0 5
1 − 11 3
, I: 0, II: 1, III: 5.
C T = 10 −11 .

(b) 0 0 0 0
0 0
11
0 0
0 0 0 0
0 0 0 0
(c) (CBAT C)2 = [ 20 02 ]. 1 2 −1 2 1
"
1 2 0 0 4
#
3
0 0 3 −6 1
h1 2 0i
(d) uu T = 2 4 0 . (f) 1 ∈ fe(F ), I: 0, III: 3, fer(F ) = 0 0 1 0 0
1
, I: 0, II: 2, III: 6.
0 0 0 0 0 0 −2 3 0 0 0 1 −6
T
(e) u u = [ ].
1 0 0 0
5
(g) G ∈ fe(G), I: 0, III: 0, fer(G) = 00 00 00 10 , I: 0, II: 1, III: 1.
(f) u T AT Bu = [ −2 ]. 0 0 0 0
h1i h1i
(g) (Au)T = [ 1 0 ]. (h) 0 ∈ fe(h), I: 0, III: 2, fer(h) = 0 , I: 0, II: 0, III: 2.
0 0
(h) u T AT = [ 1 0 ]. h −1 1 −1 3 i h 1 0 0 −1 i
(i) 0 4 −4 8 ∈ fe(I), I: 0, III: 3, fer(I) = 0 1 0 1 , I: 0, II: 3, III: 6.
0 0 −3 3 0 0 1 −1
20. X = (A2 − B −1 )T . 1 −1 0 0 1 0 0 −1
(j) 00 10 −11 −10 ∈ fe(J), I: 0, III: 3, fer(J) = 00 01 01 −1−1 , I: 0, II: 0, III: 5.
21. X = 15 −21 −31 .

0 0 0 0 0 0 0 0
22. A. 35. D.
1
" #
0 0
−1
2
1
(a) .
36. (a) A é invertı́vel com A = 0 2
1 . V1 V2
1
−1 2
0 b b
(b) B não é invertı́vel.

4 −3
h −5 i b b
(c) C é invertı́vel com C −1 = 10 −7 6 .
8 −6 5 V3 V4
0 1
(d) D é invertı́vel com D−1 =

1 −1 . (b) 2.
1 5 7
" #
18
− 18 18
(e) E é invertı́vel com E −1 = 7
18
1
18
5
− 18 .
5
− 18 7
18
1
18
Soluções do capı́tulo 2 — Determinantes
(f) F não é invertı́vel.
1. |B| = 24, |C| = 0, |D| = 8.
T
37. (a) b A = [ 3 2 −1 ]. 2. |A| = −3.
(b) A expressão AbT não está bem definida pois o número de colunas da matriz A,
3. D.
que é 3, é diferente do número de linhas da matriz bT , que é 1.
(c) c T A + d T A = [ 0 2 2 ]. 4. B.
5. x 6= y .
h 3i
(d) AT b = 2 .
−1
6. x ∈ R \ {−2, 1}.
(e) bT (c + d) = [ 8 ].
(f) (AE)T = 11 −20 .
7. det((AB −1 )T ) = −5.
(g) E T AT = 11 −20 . 8. —

2 9. D.
(h) A expressão A (= AA) não está bem definida pois o número de colunas da matriz
A, que é 2, é diferente do seu número de linhas, que é 3.
13 −24 10. B.
(i) (AAT )2 = −24 45 .
11. B.
−1 1 2 1

(j) (AE) = 2 0 −1 .
12. C.
38. B.
13. B.
39. D. 14. A.
h 1 −1 0
i
40. Exercı́cio 1 15. (b) E −1 = 0 1 −1 .
"0 1 0 1 0# 0 0 1
(a) M =
1
0
0
1
1
0
1
0
0
0 . 16. |A| = 15, |Bα | = 1, |C| = 0, |D| = 0, |E| = 1, |F | = 2.
1 1 0 0 1
17. det(A) = 1, adj(A) = −11 −23 , A−1 = −11 −23 .

0 0 0 1 0
(b) Existem 6 caminhos de comprimento 2 que começam em V1 : V1 V2 V1 , V1 V4 V1 , −2 −1 h 17 72 i
V1 V4 V2 , V1 V2 V3 , V1 V2 V4 , V1 V4 V5 . det(B) = −7, adj(B) = −1 −3 1 , B = 3 −1 .
7 7
4 −1 −1 h 25 − 101 i
(c) 5. det(C) = 10, adj(C) = −2 3 , C = − 1 3 .
(d) 7. "5 10 5 2 #
h −3 5 2 i −1 3 3
det(D) = 3, adj(D) = 0 1 1 , D−1 = 0 31 1
3 .
Exercı́cio 2 6 −8 −5
2 − 38 − 53
18. — 5. A.
19. (a) X = −35 −22 .

6. B.
T
(b) det(AX + DF ) = 1.
7. C.
20. —
8. (a) PD: α 6= 3. PI: α = 3. Imp: nunca.
21. — (b) PD: k 6= 2 ∧ k 6= −5. PI: k = 2. Imp: k = −5.
22. “BOM ESTUDO”. (c) PD: nunca. PI: c 6= 3 ∨ t = 3. Imp: c = 3 ∧ t 6= 3.
(d) PD: nunca. PI: a 6= −1 ∨ t = −1. Imp: a = −1 ∧ t 6= −1.
Soluções do capı́tulo 3 — Sistemas de Equações Lineares (e) PD: β 6= −2. PI: nunca. Imp: β = −2.
h 1 1 1
i h3i h x1 i h 1 1 1 3
i (f) PD: γ 6= 2. PI: γ = 2. Imp: nunca.
1.(S1 ) (a) A = 1 −1 0 , b = 0 , x = xx2 , A|b = 1 −1 0 0 .
−1 0 1 0 3 −1 0 1 0
(b) PD. CSAx=b = {(1, 1, 1)}. 9. D.
(c) PD. CSAx=0 = {(0, 0, 0)}. 10. D.
h1 1 0i h2i h x1 i h1 1 0 2i
(S2 ) (a) A = 1 0 1 , b = 2 , x = xx2 , A|b = 1 0 1 2 .
2 1 1 4 3 2 1 1 4 11. C.
(b) PI. CSAx=b = {(2 − t, t, t) : t ∈ R}.
(c) PI. CSAx=0 = {(−t, t, t) : t ∈ R}. 12. D.
h1 1 1i h3i h x1 i h1 1 1 3i
13 1
(S3 ) (a) A = 1 1 0 , b = 2 , x = xx2 , A|b = 1 1 0 2 . 13. (b) CS(S) = {(− 29 , − 29 )}.
2 2 1 1 3 2 2 1 1
(b) Imp. CSAx=b = ∅. 14. (b) CS(S) = {(1, 2, 3)}.
(c) PI. CSAx=0 = {(−s, s, 0) : s ∈ R}.
h 1 −1 1 i h 1i h x1 i h 1 −1 1 1 i 15. A, C, D e E.
(S4 ) (a) A = −2 2 −2 , b = −2 , x = xx2 , A|b = −2 2 −2 −2 .
−1 1 −1 −1 3 −1 1 −1 −1 1
(b) PI. CSAx=b = {(1 + s − t, s, t) : s, t ∈ R}. 16. (a) a = 1 e b = 1: sistema PI. a = 1 e b 6= 1: sistema Imp. a 6= 1 e a 6= 2 e b ∈ R:
sistema PD. a = 21 e b ∈ R: sistema PI.
(c) PI. CSAx=0 = {(s − t, s, t) : s, t ∈ R}.
(b) CS(S) = {(1, 0, 0)}.
2.(S1 ) sistema PD, CS(S1 ) = {(1, 2)}.
1 1
(S2 ) sistema Imp, CS(S2 ) = ∅. 17. (a) Para a = 2 o sistema é Imp. Para a 6= 2 o sistema é PD.
(S3 ) sistema PI, CS(S3 ) = {( 5−α 23−5α

, α) : α ∈ R}. (b) CS(S 0 ) = {(2α, α, α) : α ∈ R}.
2 , 4
(S4 ) sistema PI, CS(S4 ) = {(−s, 1 − t, s, t) : t, s ∈ R}. 18. x 2 − 2x + 3.
(S5 ) sistema PI, CS(S5 ) = {(0, −α, α) : α ∈ R}.
19. —
(S6 ) sistema PI, CS(S6 ) = {(− 34 α, 0, 13 α, α) : α ∈ R}. h 1 1 −1
i
1
20. (a) A−1 = 1 −1 1 .
(S7 ) sistema PD, CS(S7 ) = {(1, −1, 1, −1)}. 2 −1 1 1
(S8 ) sistema PD, CS(S8 ) = {(0, 1, 0, 0)}. (c) CSAx=b = {(0, 1, 2)}.
3. A. 21. α ∈ R − {−2, 1}.
4. B. 22. i1 = 5A, i2 = 3A e i3 = −2A.

Soluções do capı́tulo 4 — Espaços Vetoriais 21. D.
1. — 22. (b) [z]B = (1, 0, −1).
2. — 23. D.
3. C. 24. B.
4. B. 25. C.
5. (a) v = − 21 v1 . 26. Por exemplo, o conjunto {(1, 1, 0, 0), (−6, 0, 2, 1)} é uma base de F e dim(F ) = 2.
(b) v não é uma combinação linear de v1 . 27. (c) Não.
(c) v = −v1 + 4v2 . (d) dim(F ) = 2.
(d) v = (−1 + 2α)v1 + αv2 , α ∈ R.
28. (a) Sim.
(e) v não é uma combinação linear de v1 e v2 .
(b) Não.
(f) v = (−1 − 2α)v1 + (1 − α)v2 + αv3 , α ∈ R.
(c) Não.
6. (a) w = 7u − 3v . (d) Sim.
(b) α = −8. (e) #C > 2.
7. — (f) #D 6 2.
(g) E é um conjunto gerador de V se e só se v1 e v4 forem vetores linearmente
8. B.
independentes.
9. A, B e C.
29. P2 , P3 e P4 .
10. α ∈ R, β ∈ R − {0}.
30. D.
11. X = {(1, 3, 2), (1, 0, 2)}.
31. C.
12. X = {(1, −3, 1, −1, 3), (1, −1, 1, −1, 1)}.
32. D.
13. A e C.
33. A.
14. α ∈ R − { 12 }.
15. α1 ∈ R ∧ β1 ∈ R ∧ (α2 ∈ R − {0} ∨ β2 ∈ R − {0}). Soluções do capı́tulo 5 — Transformações Lineares de Rn

16. Por exemplo u = (1, 1, 0) e v = (0, 0, 1). em Rm
17. — 1. T1 e T3 .
18. A e C. 2. α = 2β.
√ √
19. α ∈ R − {− 6, 6}. 3. D.
20. A. 4. D.
2 −1 −1
h i
5. (a) AT = −1 2 −1 . (b) Im(T2 ) = {(x, 2x) : x ∈ R} = h(1, 2)i, cT2 = 1,
−1 −1 2
Nuc(T2 ) = {(−y − z , y , z) : y , z ∈ R} = h(−1, 1, 0), (−1, 0, 1)i, nT2 = 2,
(b) T (u) = (0, 0, 0), T (v ) = (2, −1, −1), T (w ) = (−15, 9, 6). AT2 = [ 12 12 12 ].
6. C. (c) Im(T3 ) = {(x, 0, z) : x, z ∈ R} = h(1, 0, 0), (0, 0, 1)i, cT3 = 2,
Nuc(T3h) = {(zi, 2z , z) : z ∈ R} = h(1, 2, 1)i, nT3 = 1,
7. D. 1 0 −1
AT3 = 0 0 0 .
0 1 −2
AT = 1 −11 .
1
8. (a)
(d) Im(T4 ) = R3 , cT4 = 3,
AT,B,B0 = 15 −11 −23

(b) 13 −29 . Nuc(T4h) = {(3w ,i3w , w , w ) : w ∈ R} = h(3, 3, 1, 1)i, nT4 = 1,
1 −1 0 0
9. AS+T = [ 30 11 ]. AT4 = 0 0 1 −1 .
1 0 0 −3
h −4 −2 i
10. AT = 0 0 . 19. (a) Por exemplo {(1, 1, 1)}.
0 −2
11. (a) AS◦T = [ 20 00 ]. (b) dim(Nuc(T )) = 1.
(b) AT ◦S = [ 20 10 ]. 20. —
h1 0
i
12. (a) AT = 0 1 −21 , AS = 1
1 1
, AU = 0 −11 .
2
1
1 −1 21. D.
(b) i. A operação não está bem definida.
ii. AU◦U = [ 40 11 ]. 22. C.
h1 1 1i
iii. AS◦T = 1 2 −1 . 23. B.
1 0 3
iv. AT ◦S = −13 03 .
v. AU◦U+α(T ◦S) = 4+3α
1
24. A.
−α 1+3α .
13. D. 25. A.
14. B. 26. B.
15. (a) Im(T1 ) = R3 , Nuc(T1 ) = {(0, 0, 0)}.
27. B.
(b) Im(T2 ) = h(1, 0, 0), (0, 1, 0)i, Nuc(T2 ) = h(0, 0, 1)i.
(c) Im(T3 ) = h(1, 1, 1)i, Nuc(T3 ) = h(0, 1, 0), (0, 0, 1)i. 28. A.
16. (a) T (x, y ) = (−x + 3y , x, 2x + y ). 29. C.

(b) T (x, y ) = (−x + 2y , −3x + y , 7x − y ).
30. C.
(c) T (x, y , z) = 8x − 3y − 2z.
17. T (x, y , z) = (0, 0, z − y ). 31. A.
18. (a) Im(T1 ) = R, cT1 = 1, 32. A.

Nuc(T1 ) = {(x, −x) : x ∈ R} = h(1, −1)i, nT1 = 1,
AT1 = [ 1 1 ]. 33. B.
Soluções do capı́tulo 6 — Valores e Vetores Próprios 18. Todas as proposições são verdadeiras.
1. (a) λ(A) = {−1, 5}. E−1 = {(−2α, α) : α ∈ C}. E5 = {(α, α) : α ∈ C}. 19. a = 0, b = 2.
α α
(b) λ(B) = {−i , i }. E−i = {( 1+i , α) : α ∈ C}. Ei = {( 1−i , α) : α ∈ C}. 20. —
(c) λ(C) = {−2, 4}, em que o valor próprio λ1 = −2 tem multiplicidade algébrica
21. Se λ ∈ λ(A), então λ − α ∈ λ(B).
dois. E−2 = {(β − α, β, α) : α, β ∈ C}. E4 = {( α2 , α2 , α) : α ∈ C}.
2 6
(d) λ(D) = {2, 4}, em que o valor próprio λ1 = 2 tem multiplicidade algébrica dois. 22. y1 (1) = 25 exp(− 25 ) + 15 exp(− 25 ) ≈ 34.8773g
2 6
E2 = {(α, β, α) : α, β ∈ C}. E4 = {(−α, 0, α) : α ∈ C}. y2 (1) = 50 exp(− 25 ) − 30 exp(− 25 ) ≈ 22.5570g.
(e) λ(E) = {0, 2}, em que o valor próprio λ2 = 2 tem multiplicidade algébrica dois.
E0 = {(α, −α, α) : α ∈ C}. E2 = {(α, 0, α) : α ∈ C}.
(f) λ(F ) = {1, 2, 3}. E1 = {(0, α, 0) : α ∈ C}. E2 = {(− α2 , α, α) : α ∈ C}.
E3 = {(−α, α, α) : α ∈ C}.
2. λ(A) = {α}, Eα = {(0, 0, x) : x ∈ C}.
3. D.
4. D.
5. D.
6. B.
7. A.
8. (a) λ(A) = {1, 3}, E1 = {(α, α) : α ∈ C}, E3 = {(−α, α) : α ∈ C}.

(b) λ(A2 ) = {1, 9}, E1 = {(α, α) : α ∈ C}, E9 = {(−α, α) : α ∈ C}.
(c) λ(A−1 ) = {1, 13 }, E1 = {(α, α) : α ∈ C}, E 1 = {(−α, α) : α ∈ C}.
3
9. D.
10. D.
11. A.
h4 3
i
12. (b) Por exemplo, P = 5
1
4
1
.
0 1 0
h i
13. (b) Por exemplo, P = 1 0 1 .
−1 0 1
14. C.
15. —
16. (b) λ(A) = {2, 6}.
17.

ALEE MiegiMiematMiemec 1920

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

ALEE MiegiMiematMiemec 1920

Enviado por

Direitos autorais:

Formatos disponíveis

Algumas regras 1

os alunos devem levar a sebenta para as aulas T e TP

todas as provas de avaliação são sem máquina de calcular e

os alunos devem ser portadores de documento oficial com

Plataforma de e-learning 2 Equipa docente 3

elearning.uminho.pt docente gabinete correio eletrónico

material de apoio às aulas

classificações das provas de avaliação

dia hora tipo sala

dia hora gabinete

Resultados de aprendizagem 6 Programa da unidade curricular 7

Álgebra Linear, S. Lipschutz, Colecção Schaum, McGraw-Hill.

Avaliação periódica 10 Época de recurso e época especial 11

setembro de 2019 (v4.0) 4 Espaços Vetoriais

6 Valores e Vetores Próprios

1 – Matrizes 1 – Matrizes Definições iniciais

6 Valores e Vetores Próprios

Def 1.2 Def 1.4

(b) Jpotência cartesiana de um conjuntoK Sejam A um conjunto e n ∈ N.

1 – Matrizes Definições iniciais 1 – Matrizes Definições iniciais

Exe 1.5 Def 1.6

(a) Uma matriz do tipo m × n é uma tabela composta por m linhas e n

Def 1.8 Obs 1.10

A = [aij ] ∈ Mm×n (R).

1 – Matrizes Definições iniciais 1 – Matrizes Definições iniciais

Obs 1.10 (cont.) Exe 1.11

Exe 1.12 Def 1.13

1 – Matrizes Definições iniciais 1 – Matrizes Definições iniciais

Exe 1.14 Def 1.15

(a) (A)23 = 7. x = ... e da matriz linha y com n colunas é y = [ y1 ··· yn ].

1 – Matrizes Definições iniciais 1 – Matrizes Definições iniciais

Def 1.21 Def 1.24

Exe 1.26 h Def 1.27

∃i, j ∈ {1, . . . , n} [i 6= j ∧ aij 6= 0].

1 – Matrizes Definições iniciais 1 – Matrizes Definições iniciais

Exe 1.29 Def 1.30

∃i, j ∈ {1, . . . , n} [i 6= j ∧ aij 6= 0] ∨ ∃i, j ∈ {1, . . . , n} [aii 6= ajj ].

Exe 1.32 Def 1.33

Res Obs 1.34

∃i, j ∈ {1, . . . , n} [i > j ∧ aij 6= 0].

1 – Matrizes Definições iniciais 1 – Matrizes Definições iniciais

Exe 1.35 Def 1.36

Res Obs 1.37

∃i, j ∈ {1, . . . , n} [i < j ∧ aij 6= 0].

Exe 1.38 Exe 1.39

1 – Matrizes Definições iniciais 1 – Matrizes Definições iniciais

Def 1.44 Def 1.46

Def 1.49 Exe 1.51

Def 1.52 Exe 1.54

1 – Matrizes Produto de matrizes 1 – Matrizes Produto de matrizes

Exe 1.61 Res

(b) Como o número de colunas da matriz B, que é 3, é diferente do

Teo 1.62 Def 1.64

(a) A matriz identidade é o elemento neutro da multiplicação de matrizes.

1 – Matrizes Produto de matrizes 1 – Matrizes Produto de matrizes

Exe 1.65 Obs 1.66

Exe 1.69 Obs 1.70

Res Def 1.71

1 – Matrizes Matrizes invertı́veis 1 – Matrizes Matrizes invertı́veis

Exe 1.72 Teo 1.73

1 – Matrizes Matrizes invertı́veis 1 – Matrizes Matrizes invertı́veis

Da terceira equação tem-se que c = −2a. Substituindo na primeira,

Obs 1.79 Teo 1.81

Teo 2.12 Exe 2.14 1 1 1 1

Teo 2.19 Exe 2.21 0 1 0 2