Notas de Aula Álgebra Linear

Capítulo 1
Espaços Lineares Finitos
1.1 Espaços Vetoriais

A estrutura básica da álgebra linear é o conceito de espaço vetorial de dimensão finita. A
definição de espaço vetorial envolve um corpo arbitrário, cujos elementos são chamados
de escalares. Comecemos com a definição formal de corpo.
Definição 1.1 (Corpo) Seja F um conjunto não-vazio de elementos, dotado de duas

operações, adição e multiplicação. A primeira associa a cada par de elementos x, y ∈ F
um elemento (x + y) ∈ F ; a segunda associa a cada par x, y um elemento xy ∈ F .
O conjunto F , munido destas duas operações é denominado corpo, se satisfaz os nove
axiomas abaixo:
Axioma 1.1 A soma é associativa,
(x + y) + z = x + (y + z) para todos x, y, z ∈ F .
Axioma 1.2 A adição é comutativa,
x+y =y+x para todos x, y ∈ F .
Axioma 1.3 Existe um único elemento neutro 0 ∈ F tal que x + 0 = x, para todo x ∈ F .
Axioma 1.4 Para cada x ∈ F , existe um único correspondente negativo (−x) ∈ F tal
que x + (−x) = 0.
Axioma 1.5 A multiplicação é associativa,
x(yz) = (xy)z para todos x, y, z ∈ F .
Axioma 1.6 A multiplicação é comutativa,
xy = yx para todos x, y ∈ F .
1
CAPÍTULO 1. ESPAÇOS LINEARES FINITOS 2
Axioma 1.7 Existe um único elemento neutro 1 ∈ F tal que 1x = x, para todo x ∈ F .
Axioma 1.8 A cada elemento não-nulo x ∈ F , existe um único inverso multiplicativo

x−1 ∈ F tal que xx−1 = 1.
Axioma 1.9 A multiplicação é distributiva com respeito à adição, isto é,

x(y + z) = xy + xz, para todos x, y, z ∈ F .
Exemplo 1.1 Com as propriedades usuais da adição e multiplicação, o conjunto R dos

números reais é um corpo. Portanto, se x é um número real, diremos que x é um escalar
real.
Definição 1.2 (Espaço Vetorial) Seja V um conjunto não-vazio sobre o qual estão
definidas as duas operações, adição e multiplicação por escalar. A primeira associa a
cada par de elementos u, v ∈ V um elemento (u + v) ∈ V ; a segunda associa a qualquer
u ∈ V e α ∈ F , um elemento αu ∈ V . Então V é chamado de espaço vetorial (sobre o
corpo F) se as propriedades abaixo são válidas para quaisquer elementos u, v, w ∈ V :
EV 1.1 A soma é associativa, (u + v) + w = u + (v + w).
EV 1.2 A soma é comutativa, u + v = v + u.
EV 1.3 Existe um elemento neutro ~0 ∈ V tal que u + ~0 = ~0 + u = u, para todo u ∈ V .
EV 1.4 Para cada u ∈ V , existe um correspondente negativo (−u) ∈ V , chamado de

simétrico de u, tal que u + (−u) = (−u) + u = ~0.
EV 1.5 α(βu) = (αβ)u, para quaisquer escalares α, β ∈ F .
EV 1.6 α(u + v) = αu + αv, para qualquer escalar α ∈ F .
EV 1.7 (α + β)u = αu + βu, para quaisquer escalares α, β ∈ F .
EV 1.8 1u = u, para o escalar unidade 1 ∈ F .

Obs.: Os elementos de um espaço vetorial são chamados de vetores.
Exemplo 1.2 Seja F um corpo artitrário. Denotemos F n o conjunto de todas as n-uplas

de elementos em F . Assim, F n é encarado como um espaço vetorial sobre F , onde a
adição e a multiplicação por escalar se definem como:
(a1 , a2 , . . . , an ) + (b1 , b2 , . . . , bn ) = (a1 + b1 , a2 + b2 , . . . , an + bn )
e
k(a1 , a2 , . . . , an ) = (ka1 , ka2 , . . . , kan ).
O vetor nulo F n é a n-upla de zeros:
0 = (0, 0. . . . , 0)
e o negativo de um vetor é:
−(a1 , a2 , . . . , an ) = (−a1 , −a2 , . . . , −an ).
Exemplo 1.3 Seja Mn×m o conjunto de todas as matrizes m×n sobre um corpo arbitrário
F . Então Mn×m é um espaço vetorial sobre F em relação às operações usuais de adição
de matrizes e multiplicação de um escalar por uma matriz.
1.2 Subespaços Vetoriais

Seja V um espaço vetorial sobre um corpo F . Um subespaço de V é um subconjunto S de
V que é um espaço vetorial sobre F com as operações de adição de vetores e multiplicação
por escalar de V . Segue um critério simples para identificar subespaços.
Proposição 1.1 S é um subespaço de V se e somente se:
1. 0 ∈ S;
2. αu + βu ∈ S , para quaisquer u, v ∈ S e α, β ∈ F ;
Exemplo 1.4 Seja V um espaço vetorial arbitrário. O conjunto {0} consistindo do vetor
nulo de V , e também o próprio espaço V , são exemplos triviais de subespaços de V .
Exemplo 1.5 Seja M2×2 o conjunto de todas as matrizes quadradas de ordem 2 sobre o
corpo dos reais.
a) O subconjunto S ⊂ M2×2de todas as matrizes triangulares

inferiores
é subespaço
de
0 0 x1 0 x2 0
M2×2 . De fato, ∈ S e dadas as matrizes , ∈ S,
0
0 y 1 z1
y 2 z2
x1 0 x2 0 αx1 + βx2 0
tem-se α +β = ∈ S para quais-
y1 z1 y2 z2 αy1 + βy2 αz1 + βz2
quer escalares reais α, β.
b) (Exercício) O subconjunto W ⊂ M2×2 de todas as matrizes simétricas é subespaço

de M2×2 .
c) O subconjunto U ⊂ M2×2de todas as matrizes com determinante

zero não é subes-
0 0 0 0
paço de M2×2 . Note que ∈ U , pois det = 0. Mas essa condição
0 0 0 0
é apenas necessária,
não
suficiente
para garantir
Ué subespaço
que de M2×2 . Por
1 0 0 0 1 0 0 0 1 0
outro lado, , ∈ U , mas + = ∈
/ U,
0 0 0 1 0 0 0 1 0 1
1 0
pois det = 1 6= 0.
0 1
Exercício 1.1 Sejam U e W subespaços de um espaço vetorial V . Mostre que a inter-

seção U ∩ W é também um subespaço de V .
Definição 1.3 Sejam U e W subespaços de um espaço vetorial V . A soma U + W

consiste de todas as somas u + w, onde u ∈ U e w ∈ W , isto é
U + W = {u + w | u ∈ U, w ∈ W }.
Além disso, diremos que o espaço vetorial V é a soma direta de U e W , denotada por
V = U ⊕ W , se todo vetor v ∈ V pode escrever-se de maneira única como v = u + w,
onde u ∈ U e w ∈ W .
Exercício 1.2 Mostre que a soma U + W é também um subespaço de V .
Teorema 1.1 O espaço vetorial V é soma direta de seus subespaços U e W se e somente

se: V = U + W e U ∩ W = {0}.
Demonstração: Exercício.
1.3 Combinações Lineares, Geradores de um Espaço

Vetorial
Definição 1.4 (Combinação Linear) Sejam u1 , u2 , . . . , un vetores de um espaço veto-
rial V . Seja v ∈ V tal que v = α1 u1 + α2 u2 + . . . + αn un , onde αi ∈ F, ∀i = 1, 2, . . . , n,
então diremos que v é uma combinação linear dos vetores u1 , u2 , . . . , un .
O conjunto de todas essas combinações lineares, denotada por
ger(u1 , u2 , . . . , un ) ou [u1 , u2 , . . . , un ]
é chamado espaço gerado por u1 , u2 , . . . , un .

Por outro lado, dado um espaço vetorial V , diremos que os vetores u1 , u2 , . . . , un geram
V ou formam um conjunto gerador de V se, para todo vetor v ∈ S, existem escalares
α1 , α2 , . . . , αn , tais que v = α1 u1 + α2 u2 + . . . + αn un , isto é, se v é uma combinação linear
dos ui , i = 1, 2, . . . , n.

3 1 1 1 0 0
Exemplo 1.6 Dadas as matrizes A = , B = , C = e
1 −1 1 0 1 1
0 2
D= , note que A = 3B−2C−D. Assim, diremos que a matriz A é combinação
0 −1
linear das matrizes B, C e D.
Exemplo 1.7 Definimos R2 = {(x, y)|x, y ∈ R}. Note que
(x, y) = (x, 0) + (0, y) = x(1, 0) + y(0, 1),
então diremos que os vetores (1, 0), (0, 1) geram R2 .

1.4 Dependência e Independência Linear

Definição 1.5 Um conjunto de vetores {u1 , u2 , . . . , un } é denominado linearmente in-
dependentes (L.I.) se a combinação linear α1 x1 + α2 u2 + . . . + αn un = ~0 só é verdadeira
para α1 = α2 = . . . = αn = 0. Caso contrário, o conjunto é denominado linearmente
dependente (L.D.).
Obs.: Um conjunto infinito S de vetores é L.D. se existem vetores v1 , v2 , . . . , vk em S
que são L.D.; caso contrário, S é L.I. Define-se ∅, o conjunto vazio, como L.I.
Exemplo 1.8 Os vetores (1, 0) e (0, 1) são L.I. De fato, tomemos o vetor nulo como
combinação linear dos vetores (1, 0) e (0, 1):
α(1, 0) + β(0, 1) = (0, 0)

⇒ (α, 0) + (0, β) = (α, β) = (0, 0) ⇒ α = β = 0.
Exemplo 1.9 Os vetores (1, 3) e (2, 6) são L.D. Note que:
2(1, 3) = (2, 6) ⇒ 2(1, 3) + 1(2, 6) = (0, 0)
Isto é, temos uma combinação linear do vetor nulo em termos dos vetores (1, 3) e (2, 6)
onde os escalares são não-nulos.
Exemplo 1.10 O conjunto {et , e2t } é L.I. De fato, tome α1 et + α2 e2t = 0. Derivando
essa expressão com respeito a t, tem-se: α1 et + 2α2 e2t = 0. Multiplicando essa última
igualdade por −1 e somando à primeira, segue que α2 e2t = 0 ⇒ α2 = 0. Substituindo em
qualquer uma das equações teremos α1 = 0.
Exercício 1.3 Determine se os vetores u = (1, −2, 1), v = (2, 1, −1) e w = (7, −4, 1) em
R3 são L.I. ou L.D.
Exercício 1.4 Suponha que os vetores u1 , u2 e u3 sejam L.I. Mostre que os vetores
v1 = u1 + u2 , v2 = u1 − u2 e v3 = u1 − 2u2 + u3 também são L.I.
Teorema 1.2 Num conjunto L.D, pelo menos um dos vetores pode ser escrito como com-
binação linear dos demais.
Demonstração: Sejam v1 , v2 , . . . , vk vetores L.D., então podemos escrever
α1 v1 + α2 v2 + . . . + αk vk = 0
com pelo menos um dos α0 s diferente de zero. Digamos que αj 6= 0, então

n
X αi
α1 v1 + α2 v2 + . . . + αj vj + . . . + αk vk = 0 ⇒ vj = − vi
i=1;i6=j
α j

Teorema 1.3 Todo conjunto que contém o vetor nulo é L.D.

Demonstração: Dado o conjunto de vetores {v1 , v2 , . . . , vk , 0}, podemos escrever
α1 v1 + α2 v2 + . . . + αk vk + λ0 = 0,
que é verdadeiro ∀ αi = 0 e λ 6= 0.
Teorema 1.4 Todo subconjunto de um conjunto L.I. é necessariamente L.I.

Demonstração: Seja {v1 , v2 , . . . , vj , vj+1 , . . . , vn } um conjunto L.I. Suponha que os j´s
primeiros vetores formam um conjunto L.D. Isso implicaria que α1 v1 +α2 v2 +. . .+αj vj = 0
com pelo menos um dos α0 s 6= 0. Conseqüentemente,
α1 v1 + α2 v2 + . . . + αj vj + 0vj+1 + . . . + 0vn = 0 ⇒ {v1 , v2 , . . . , vn } é L.D.,
o que é uma contradição.
1.5 Base e Dimensão

Definição 1.6 (Base) Um conjunto de vetores B = {u1 , u2 , . . . , un } é uma base de um
espaço vetorial V se B é um conjunto L.I. e é também um conjunto gerador de V .
Exemplo 1.11 Nos Exemplos 1.7 e 1.8, vimos que os vetores (1, 0) e (0, 1) geram R2 e
são L.I. Portanto, o conjunto E = {e1 = (1, 0), e2 = (0, 1)} é uma base de R2 , chamada
base canônica de R2 .
Teorema 1.5 Seja B = {u1 , u2 , . . . , un } uma base de um espaço vetorial V , então todo
vetor v ∈ V escreve-se de maneira única como combinação linear dos vetores de B.
Demonstração Como B gera V , o vetor v é uma combinação linear dos ui ´s, digamos
v = α1 u1 +α2 u2 +. . .+αn un . Suponha tambem que tenhamos v = β1 u1 +β2 u2 +. . .+βn un .
Subtraindo essas igualdades, obtemos 0 = (α1 − β1 )u1 + (α2 − β2 )u2 + . . . + (αn − βn )un .
Mas os ui ´s são L.I., logo cada um dos coeficientes dessa última igualdade é igual a zero:
α1 − β1 = α2 − β2 = . . . = αn − βn = 0 ⇒ αi = βi ∀ i = 1, 2, . . . , n.
Definição 1.7 Um espaço vetorial V tem dimensão finita n, se possui uma base com n
elementos. A notação usual é dimV = n.
Exemplo 1.12 Considere o espaço vetorial Pn (t) de polinômios de grau ≤ n. Os polinômios

1, t, t2 , . . . , tn formam uma base de Pn (t) e, portanto, dimPn (t) = n + 1.
Exercício 1.5 Verifique que o espaço Rn tem dimensão n.
Teorema 1.6 Seja V um espaço vetorial de dimensão finita n.
(i) Quaisquer n + 1 ou mais vetores em V são L.D.
(ii) Qualquer conjunto L.I. com n elementos é uma base de V .
(iii) Qualquer conjunto gerador de V com n elementos é uma base de V .
Teorema 1.7 Seja S um subespaço de um espaço vetorial V de dimensão finita n. Então

dimS ≤ n. Em particular, se dimS = n, então S = V .
Exemplo 1.13 Seja S um subespaço do espaço vetorial real R3 . Como dimR3 = 3, a

dimensão de S pode ser 0, 1, 2 ou 3.
(i) Se dimS = 0, então S = {0}, um ponto.
(ii) Se dimS = 1, então S é uma reta que passa pela origem.
(iii) Se dimS = 2, então S é um plano que passa pela origem.
(iv) Se dimS = 3, então S é todo o espaço R3 .
1.6 Coordenadas
Seja V um espaço vetorial de dimensão finita n e seja B = u1 , u2 , . . . , un uma base de V .
Sabemos que qualquer vetor v ∈ V escreve-se de maneira única como combinação linear
dos vetores de B, digamos,
v = α1 u1 + α2 u2 + . . . + αn un .
Esses escalares α1 , α2 , . . . , αn são chamados coordenadas de v em relação à base B. A

n-upla [v]B = (α1 , α2 , . . . , αn ) é chamada vetor das coordenadas de v em relação a B.
Sejam v = α1 u1 + α2 u2 + . . . + αn un e w = γ1 u1 + γ2 u2 + . . . + γn un . Se formarmos
uma nova base {u1 , u2 , . . . , uj−1 , w, uj+1 , . . . , un }, como mudam as coordenadas de w com
respeito à nova base?
Note que deve existir um γ diferente de zero, digamos que γj 6= 0. Logo, podemos
n
1
X γi
escrever uj = γj w − ui . Substituindo em v, segue
i=1;i6=j
γj
v = α1 u1 + α2 u2 + . . . + αj uj + . . . + αn un !
n
1 X γi
= α1 u1 + α2 u2 + . . . + αj w− ui + . . . + αn un
γj i=1;i6=j
γj
n
αj X αi
= w+ αi − αj ui
γj γ
|{z} i=1;i6 = j | {z j }
∗ ∗
∗ Novas Coordenadas
Exemplo 1.14 Dada a base canônica de R2 , E = {e1 = (1, 0), e2 = (0, 1)}, podemos
escrever
(3, 2) = 3(1, 0) + 2(0, 1) e (1, 2) = 1(1, 0) + 2(0, 1).
Considere a nova base B = {(1, 2), (0, 1)} obtida pela substituição de e1 por (1, 2). Quere-
mos as coordenadas do vetor (3, 2) em relação a nova base B. Aplicando o procedimento
descrito anteriormente, temos
α1 3 γ2 2
α1 = 3, γ1 = 1 ⇒ = =3 e α2 − α1 = 2 − · 3 = −4
γ1 1 γ1 1
Logo, (3, 2) = 3(1, 2) − 4(0, 1).
Teorema 1.8 Considere os seguintes conjuntos Q = {u1 , u2 , . . . , um } e P = {v1 , v2 , . . . , vn },

ambos pertencentes ao espaço vetorial V , onde Q é um gerador de V e P é um conjunto
L.I. Então m ≥ n.
Demonstração: Vamos substituir um dos vetores u´s qualquer por v1 . Vamos supor
que o vetor substituído seja uj . Ou seja, formaremos um conjunto
Q1 = {u1 , u2 , . . . , uj−1 , v1 , uj+1 , . . . , um }.
Note que Q1 é um gerador de V .
Como Q é um gerador de V , então:
m m
X 1 X αi
v1 = αi ui , 6 0 ⇒ xj = y 1 +
se αj = − ui
i=1
αj i=1;i6=j
αj
Mas, para qualquer w ∈ V , temos ainda que:

m
X
w= γi ui = γ1 u1 + γ2 u2 + . . . + γj uj + . . . + γm um
i=0
X αi
1
= γ1 u1 + γ2 u2 + . . . + γj v1 + − ui + . . . + γm um
αj αj
γj X αi

= v1 + γi − γj ui
αj αj
Agora, vamos substituir o vetor uk , onde k 6= j, por v2 . Assim, formaremos o conjunto
Q2 = {u1 , u2 , . . . , uj−1 , v1 , uj+1 , . . . , uk−1 , v2 , uk+1 , . . . , um }.
Após um certo número de substituições, chegamos a três possíveis alternativas:
1. n = m;
2. m > n;
3. m < n → essa hipótese não é possível.
1.7 Espaços dotados de um Produto Interno e uma

Norma
Definição 1.8 Uma norma em um espaço vetorial V é uma função k k : V → R , que
associa a cada vetor u ∈ V um número real kuk, chamado a norma ou comprimento
de u, se satisfaz as seguintes condições para quaisquer u, v ∈ V e λ escalar:
N1) kuk ≥ 0 e a igualdade ocorre se e somente se u = 0;
N2) kλuk = |λ| · kuk;
N3) ku + vk ≤ kuk + kvk. (Desigualdade Triangular)
Um espaço vetorial normado é um par (V, k k) onde V é um espaço vetorial real

e k k é uma norma em V .
Obs.: Se kuk = 1, então u é chamado vetor unitário, e se diz normalizado. Todo

vetor não-nulo v ∈ V pode ser multiplicado pelo inverso de sua norma, obtendo-se o vetor
unitário
1
u= v.
kvk
Este processo é chamado normalização de v.
Definição 1.9 Seja V um espaço vetorial real. Um produto interno em V é uma função
h , i : V × V → R, que associa a cada par ordenado de vetores u, v ∈ V um número real
hu, vi, chamado o produto interno de u por v, se satisfaz as seguintes condições para
u, v, w ∈ V e λ ∈ R arbitrários:
P1) hu + w, vi = hu, vi + hw, vi;
P2) hλu, vi = λ · hu, vi;
P3) hu, vi = hv, ui;

P4) hu, ui ≥ 0 e a igualdade ocorre se e somente se u = 0.

p
A partir do produto interno, define-se a norma de um vetor u ∈ V por kuk = hu, vi,
ou seja, kuk2 = hu, vi.
Exemplo 1.15 Sejam u = (x1 , x2 , . . . , xn ) e v = (y1 , y2 , . . . , yn ) vetores em Rn . O pro-

duto escalar de u e v é dado por u · v = x1 y1 + x2 y2 + . . . + xn yn . Esta função define
um produto interno em Rn , chamado de pproduto interno usual em Rn . A norma kuk do
2
p
vetor u neste espaço é kuk = hu, vi = x21 + x22 + . . . + x2n . O espaço vetorial Rn com
o produto interno e a norma acima é chamado espaço-n Euclidiano.
Exercício 1.6 Verifique que hu, vi = x1 y1 − x1 y2 − x2 y1 + 3x2 y2 , onde u = (x1 , x2 ) e

u = (y1 , y2 ), é um produto interno em R2 .
Exercício 1.7 Seja V o espaço vetorial das matrizes m × n sobre R. Verifique que
hA, Bi = tr (B t A) é um produto interno em V , onde tr denota o traço da matriz, isto
é, a soma dos elementos da diagonal principal da matriz; e B t denota a transposta da
matriz B.
Teorema 1.9 (Desigualdade de Cauchy-Schwarz) Para quaisquer vetores u, v ∈ V ,
|hu, vi| ≤ kuk · kvk
Demonstração: A prova da Desigualdade de Cauchy-Schwarz será dada no Capítulo

2, onde abordaremos algumas desigualdades importantes. Além disso, usaremos esse
resultado para provar a Desigualdade Triangular.
Exercício 1.8 Para quaisquer vetores não-nulos u, v ∈ V , seja θ o ângulo formado por
u e v, onde 0◦ ≤ θ ≤ 180◦ . Mostre que
hu, vi
cosθ =
kuk · kvk
1.8 Espaços Métricos - Definições e Exemplos

Definição 1.10 Uma métrica num conjunto M é uma função d : M × M → R, que
associa a cada par ordenado de elementos x, y ∈ M um número real d(x, y), chamado a
distância de x a y, de modo que sejam safisfeitas as seguintes condições para quaisquer
x, y, z ∈ M :
(i) d(x, x) = 0;
(ii) Se x 6= y então d(x, y) > 0;
(iii) d(x, y) = d(y, x);

(iv) d(x, z) ≤ d(x, y) + d(y, z).
Definição 1.11 Um espaço métrico é um par (M, d), onde M é um conjunto e d é

uma métrica em M .
Exemplo 1.16 Sejam x = (x1 , x2 , . . . , xn ) e y = (y1 , y2 , . . . , yn ) ∈ Rn . Existem três

métricas naturais em Rn :
p
d1 (x, y) = (x1 − y1 )2 + . . . + (xn − yn )2 (Métrica Euclidiana)
d2 (x, y) = |x1 − y1 | + . . . + |xn − yn |
d3 (x, y) = max {|x1 − y1 | , . . . , |xn − yn |}
Exercício 1.9 Sejam d1 , d2 e d3 as métricas definidas no exemplo acima. Mostre que,

para quaisquer x, y ∈ Rn , tem-se:
d3 (x, y) ≤ d1 (x, y) ≤ d2 (x, y) ≤ n · d3 (x, y).
1.9 Seqüências de Cauchy

Definição 1.12 Uma seqüência (xn ) num espaço métrico M chama-se uma seqüên-
cia de Cauchy quando, para todo > 0 dado , existe n0 ∈ N tal que m, n > n0 ⇒
d(xm , xn ) < .
Intuitivamente, os termos de uma seqüência de Cauchy vão se tornando cada vez mais
próximos uns dos outros, à medida que cresce o índice n. Se M ⊂ N , uma seqüência de
pontos xn ∈ M é de Cauchy em M se, e somente se, é de Cauchy em N .
Proposição 1.2 Toda seqüência convergente é de Cauchy.

Demonstração: Seja (xn ) uma seqüência convergente, isto é, existe um número real
finito a tal que lim xn = a no espaço métrico M . Então, dado > 0, existe n0 ∈ N tal
que n > n0 ⇒ d(xn , a) < /2. Se tomarmos m, n > n0 teremos

d(xm , xn ) ≤ d(xm , a) + d(a, xn ) < + =
2 2
Logo, (xn ) é de Cauchy.
Exercício 1.10 Dê um contra-exemplo para a seguinte afirmação: "Nem toda seqüência

de Cauchy é convergente."
Proposição 1.3 Toda seqüência de Cauchy é limitada.

Demonstração: Seja (xn ) uma seqüência de Cauchy no espaço métrico M . Dado =
1, existe n0 ∈ N tal que m, n > n0 ⇒ d(xm , xn ) < 1. Em particular, n > n0 ⇒
d(xn0 , xn ) < 1, ou seja, n > n0 ⇒ xn ∈ (xn0 − 1, xn0 + 1). Sejam α o menor e β o maior
elemento do conjunto X = {x1 , x2 , . . . , xn0 − 1, xn0 + 1}. Então xn ∈ [α, β] para cada
n ∈ N, logo (xn ) é limitada.

Exercício 1.11 Dê um contra-exemplo para a seguinte afirmação: "Nem toda seqüência

limitada é de Cauchy."
Dada a seqüência (xn ) no espaço métrico M , escrevamos Xn = {xn , xn+1 , . . .} para
cada n ∈ N. Temos X1 ⊃ X2 ⊃ . . . ⊃ Xn ⊃ . . . Como X1 = {x1 , . . . , xn−1 } ∪ Xn ,
um desses conjuntos é limitado se, e somente se, todos os demais o forem. Nesse caso,
diam(X1 ) ≥ diam(X2 ) ≥ . . . e portanto existe sempre lim diam(Xn ). A fim de que (xn )
seja uma seqüência de Cauchy, é necessário e suficiente que seja lim diam(Xn ) = 0.
Proposição 1.4 Uma seqüência de Cauchy que possui uma subseqüência convergente é
convergente (e tem o mesmo limite que a subseqüência).
Obs.: Se uma seqüência possui duas subseqüências que convergem para limites dis-
tintos então ela não é de Cauchy. Em particular, uma seqüência que possui apenas um
número finito de termos distintos só pode ser de Cauchy quando, a partir de uma certa
ordem, ela se torna constante.
1.10 Espaços Métricos Completos

Definição 1.13 Diz-se que o espaço metrico M é completo quando toda seqüência de
Cauchy é convergente.
Exemplo 1.17 O espaço Q dos números racionais não é completo. De fato, tomemos
a seqüência de números racionais x1 = 1 , x2√= 1, 4 , x3 = 1, 41 , x4 = 1, 414 , x5 =
1, 4142 , x6 = 1, 41421 , . . . , com limxn = 2. Note que essa seqüência é de Cauchy
no espaço métrico Q dos números racionais, mas (xn ) não é convergente em Q.
Alguns resultados:
1. A reta R é um espaço métrico completo.
2. Um subespaço fechado de um espaço métrico completo e completo. Reciprocamente,
um subespaço completo de qualquer espaço métrico é fechado.
3. O produto cartesiano M1 ×M2 ×. . .×Mn é completo se, e somente se, M1 , M2 , . . . , Mn
são completos. Dessa forma, Rn é completo.
4. (Critério de Cauchy para convergência uniforme) Seja M um espaço métrico

completo. A fim de que uma seqüência de aplicações fn : X → M convirja uni-
formemente em X, é necessário e suficiente que, para todo > 0 dado, exista n0 ∈ N
tal que m, n > n0 ⇒ d(fm (x), fn (x)) < para todo x ∈ X.
Definição 1.14 Um espaço vetorial normado completo é chamado Espaço de Banach.
Exemplo 1.18 Vimos anteriormente que o Rn é um espaço vetorial normado e completo.

Portanto, Rn é um espaço de Banach.
Definição 1.15 Um espaço vetorial H, dotado de um produto interno, e completo em

relação à norma definida por esse produto interno é chamado de Espaço de Hilbert.
n
X
n
Exemplo 1.19 O espaço euclidiano R como produto interno usual hu, vi = xi yi ,
i=1
onde u = (x1 , . . . , xn ) , v = (y1 , . . . , yn ) ∈ Rn , é um espaço de Hilbert.
Exemplo 1.20 Apresentamos agora um exemplo importante de espaço de Hilbert: o es-

paço das seqüências de quadrado somável, ou espaço `2 . Como conjunto, `2 é constituído
+∞
X
por todas as seqüências x = (x1 , . . . , xi , . . .) de números reais tais que x2i < +∞.
i=1
1 1 1 1 1 1 1 √1 √1

Assim, tomando x = 1, 2 , 4 , 8 , . . . , y = 1, 2 , 3 , 4 , . . . e z = 1, 2 , 3 , 4 , . . . , vemos
√
que x, y ∈ `2 pois 1/22n < +∞ e 1/n2 < +∞ mas z ∈ / `2 porque

P P P
1/n = +∞.
2
Também pertence a ` toda sequência x = (x1 , . . . , xi , . . .) tal que xi = 0 para i suficien-
temente grande.
v
u +∞
uX 2
2
Exercício 1.12 Dado x ∈ ` , mostre que kxk = t xi é uma norma de `2 .
i=1
Exercício 1.13 Verifique que `2 é um espaço vetorial com respeito às operações:

x + y = (xi + yi ) e λ · x = (λ · xi )
.
1.11 Ortogonalidade, Complementos Ortogonais

Seja V um espaço vetorial com produto interno. Diremos que os vetores u, v ∈ V são
ortogonais se
hu, vi = 0.
Assim, 0 ∈ V é ortogonal a todo vetor v ∈ V , pois
h0, vi = h0v, vi = 0 hv, vi = 0.
Reciprocamente, se u é ortogonal a todo vetor de V , segue que

hu, ui = 0 ⇒ u = 0.
Exemplo 1.21 Em Rn , os vetores u = (x1 , x2 , . . . , xn ) e v = (y1 , y2 , . . . , yn ) são ortogo-
nais se u · v = x1 y1 + x2 y2 + . . . + xn yn = 0.
Definição 1.16 Um conjunto S = {u1 , u2 , . . . , un } de vetores em V é chamado ortogo-

nal se hui , uj i = 0 para todo i 6= j, isto é, se cada dois de vetores em S são ortogonais; e
S é chamadoortonormal se S é ortogonal e os seus vetores são todos unitários, isto é,
0 para i 6= j
se hui , uj i = .
1 para i = j
Definição 1.17 Uma base B de um espaço vetorial V é chamada base ortogonal ou
base ortonormal conforme B seja um conjunto ortogonal ou ortonormal de vetores.
Exercício 1.14 Seja S um conjunto ortogonal de vetores não-nulos. Mostre que S é um

conjunto L.I.
Exercício 1.15 Seja {u1 , u2 , . . . , un } um conjunto ortogonal de vetores. Mostre que

ku1 + u2 + . . . + un k2 = ku1 k2 + ku2 k2 + . . . + kun k2 .
Definição 1.18 Seja S um subconjunto de um espaço com produto interno V. O com-
plemento ortogonal de S, denotado por S ⊥ , consiste de todos os vetores v ∈ V que são
ortogonais a todo vetor u ∈ S:
S ⊥ = {v ∈ V | hu, vi = 0 para todo u ∈ S} .
Exercício 1.16 Seja S um subconjunto de um espaço com produto interno V. Mostre que
S ⊥ é um subespaço de V .
Teorema 1.10 Seja W um subespaço de V . Então V é a soma direta de W e W ⊥ , isto

é, V = W ⊕ W ⊥ .
Exercício 1.17 Considere u = (0, 1, −2, 5) em R4 . Determine uma base para o comple-
mento ortogonal u⊥ de u.
Exercício 1.18 Suponha que S consiste dos seguintes vetores em R4 :

u1 = (1, 1, 0, −1) , u2 = (1, 2, 1, 3) , u3 = (1, 1, −9, 2) , u4 = (16, −13, 1, 3)
a) Mostre que S é uma base ortogonal de R4 .
b) Ache as coordenadas de um vetor arbitrário u = (a, b, c, d) ∈ R4 em relação à base S.
Exercício 1.19 Seja E = {e1 , e2 , . . . , en } uma base ortonormal de V . Mostre que, para
qualquer u ∈ V , tem-se que u = hu, e1 i e1 + hu, e2 i e2 + . . . + hu, en i en .
1.12 O Teorema da Projeção Ortogonal

Seja V um espaço com produto interno e sejam v, w ∈ V . A projeção de v ao longo de w
é dada por:
hv, wi
proj(v, w) = w.
kwk2
Dado qualquer v ∈ V , o coeficiente
hv, wi
c=
kwk2
é o único escalar tal que o vetor v − cw é ortogonal a w.
Teorema 1.11 (Unicidade) Seja X um espaço dotado de um produto interno e M um

subespaço de X, e seja x um vetor arbitrário de X. Se existe um vetor m0 ∈ M tal que
kx − m0 k ≤ kx − mk para todo m ∈ M ,
então m0 é único. Uma condição necessária e suficiente para a unicidade de m0 é que

x − m0 seja ortogonal a M .
Demonstração: A prova deste teorema consta de duas partes.
Primeiro mostraremos que se m0 é único, então x − m0 é ortogonal a M .
Prova por contradição: vamos negar a tese e chegar a uma contradição na hipótese.
Suponha que x − m0 não é ortogonal a M , isto é, podemos escolher um vetor unitário
m ∈ M , tal que m não é ortogonal a x − m0 . Assim, (x − m0 )m = δ 6= 0. Dessa forma,
tome um outro vetor m1 ∈ M tal que m1 = m0 + δm. Então,
kx − m1 k2 = kx − (m0 + δm)k2 = k(x − m0 ) − δmk2

= kx − m0 k2 − 2δ (x − m0 )m +|δ|2 kmk2
| {z } | {z }
|| ||
δ 1
2
= kx − m0 k − |δ|2
⇒ kx − m1 k < kx − m0 k
Mas isto contradiz a hipótese de que kx − m0 k é uma distância mínima.

Reciprocamente, agora suponha que (x − m0 ) é ortogonal a M . Mostraremos que m0 é
único.
kx − mk = k(x − m0 ) + (m0 − m)k
⇒ kx − mk2 = kx − m0 k2 + 2(x − m0 )(m0 − m) + k(m0 − m)k2
Mas (x − m0 )(m0 − m) = 0, pois (x − m0 )⊥M e (m0 − m) ∈ M ⇒ (x − m0 )⊥(m0 − m).
Logo,
kx − mk2 = kx − m0 k2 + k(m0 − m)k2

⇒ kx − m0 k < kx − mk para todo m ∈ M.
Portanto, m0 é único.

Teorema 1.12 (Existência) Seja H um espaço de Hilbert e M um subespaço fechado

de H. Então existe um único m0 ∈ M tal que
kx − m0 k ≤ kx − mk, para todo m ∈ M .
Uma condição necessária e suficiente para (x − m0 ) ser o único vetor minimizante é que
(x − m0 ) ⊥ M .
Demonstração: Se x ∈ M , basta tomar x = m0 e o teorema será válido. Por outro lado,
suponha x ∈
/ M . Defina δ = inf kx − mk. Então, devemos provar que kx − m0 k = δ.
m∈M
Para isso, defina uma seqüência {mi } em M tal que kx − mi k → δ. Precisamos também
de um resultado auxiliar:
A lei do Paralelogramo: kx + yk2 + kx − yk2 = 2 kxk2 + 2 kyk2
De fato,
kx + yk2 + kx − yk2 = (x + y)(x + y) + (x − y)(x − y)
= xx + xy + yx + yy + xx − xy − yx + yy
= 2xx + 2yy = 2 kxk2 + 2 kyk2
Então, pela Lei do Paralelogramo, segue que:
k(mi − x) + (x − mj )k2 + k(mi − x) − (x − mj )k2 = 2 kmi − xk2 + 2 kx − mj k2
2
2 2 2 (mi + mj )
kmi − mj k = 2 kmi − xk + 2 kx − mj k − 4 x −
2
(mi + mj )
Como ∈ M é uma combinação linear de mi e mj , tem-se que
2
(mi + mj )
x− ≥ δ.
2
Logo,
2
2 2 2 (mi + mj )
kmi − mj k = 2 kmi − xk +2 kx − mj k −4 x −
| {z } | {z } 2
≤ δ2 ≤ δ2 | {z }
≤ δ2
Portanto, no limite, tem-se que kmi − mj k → 0. Se kmi − mj k converge para zero quando
i, j → ∞, isto caracteriza a seqüência {mi } como uma Seqüência de Cauchy. Lembre, no
entanto, que {mi } é uma seqüência de elementos de M , e M é um subespaço fechado de
um espaço de Hilbert. Então, num espaço de Hilbert, e, obviamente, em seus subespaços,
toda seqüência de Cauchy tem um limite pertencente ao espaço. Então o limite de {mi },
digamos m0 , está em M . Deduzimos então que kx − m0 k = δ, pois kx − mi k → δ e m0 é
o limite de {mi }.

1.13 Processo de Ortogonalização de Gram-Schmidt

Seja B = {v1 , v2 , . . . , vn } uma base de um espaço vetorial V dotado de um produto interno.
A partir de B, podemos construir uma nova base β = {w1 , w2 , . . . , wn } tal que β seja uma
base ortogonal. Façamos
w 1 = v1
hv2 , w1 i
w 2 = v2 − w1
kw1 k2
hv3 , w1 i hv3 , w2 i
w3 = v3 − 2 w1 − w2
kw1 k kw2 k2
..
.
hvn , w1 i hvn , w2 i hvn , wn−1 i
w n = vn − 2 w1 − 2 w2 − . . . − wn−1
kw1 k kw2 k kwn−1 k2
Em outras palavras, para k = 2, 3, . . . , n, definimos
wk = vk − ck1 w1 − ck2 w2 − . . . − ck(k−1) wk−1 ,
hvk , wi i
onde cki = é a componente de vk ao longo de wi . Cada wk é ortogonal aos w´s
kwi k2
precedentes. Assim, w1 , w2 , . . . , wn constituem uma base ortogonal de V . A normalização
de cada wk dá uma base ortonormal para V .
Exemplo 1.22 Considere a base B = {v1 = (1, 1, 1), v2 = (0, 1, 1), v3 = (0, 0, 1)} de R3 .
Determinaremos uma base ortonormal para R3 a partir de B achando primeiro uma base
ortogonal usando o processo de Gram-Schmidt. Façamos
w1 = (1, 1, 1)
h(0, 1, 1), (1, 1, 1)i 2 1 1
w2 = (0, 1, 1) − (1, 1, 1) = − , ,
k(1, 1, 1)k2 3 3 3
2 1 1
(0, 0, 1), − , ,
h(0, 0, 1), (1, 1, 1)i 3 3 3 2 1 1
w3 = (0, 0, 1) − (1, 1, 1) − − , ,
k(1, 1, 1)k2
2
3 3 3

2 1 1
− , ,
3 3 3
1 1
⇒ w3 = 0, − ,
2 2
Sejam u1 , u2 , u3 os vetores unitários na direção de w1 , w2 , w3 , respectivamente. Então,

w1 1 1 1
u1 = = √ ,√ ,√
kw1 k 3 3 3
w2 2 1 1
u2 = = −√ , √ , √
kw2 k 6 6 6
w3 1 1
u3 = = 0, − √ , √
kw3 k 2 2
Exercício 1.20 Ache uma base ortonormal para o subespaço U de R4 gerado pelos ve-
tores:
v1 = (1, 1, 1, 1) , v2 = (1, 1, 2, 4) , v3 = (1, 2, −4, −3)
Exercício 1.21 Seja v = (1, 3, 5, 7). Ache a projeção de v sobre W , onde W é o sub-
espaço de R4 gerado por:
a) u1 = (1, 1, 1, 1) , u2 = (1, −3, 4, −2)
b) w1 = (1, 1, 1, 1) , w2 = (1, 2, 3, 2)
Capítulo 2
Algumas Desigualdades Importantes
2.1 Desigualdade de Cauchy-Schwarz

Seja V um espaço vetorial com um produto interno. Para quaisquer vetores u, v ∈ V ,
|hu, vi| ≤ kuk · kvk
Demonstração: Defina w = u + λv, onde λ é um real qualquer. Como
kwk2 = hw, wi ≥ 0
segue-se que
ku + λvk2 = hu + λv, u + λvi
= hu, ui + hu, λvi + hλv, ui + hλv, λvi
= hu, ui + 2λ hu, vi + λ2 hv, vi
= kuk2 + (2 hu, vi)λ + kvk2 λ2 ≥ 0.
Note que a desigualdade
kuk2 + (2 hu, vi)λ + kvk2 λ2 ≥ 0
é válida se, e somente se,

(2 hu, vi)2 − 4 kuk2 kvk2 ≤ 0
⇒ 4(hu, vi)2 ≤ 4 kuk2 kvk2 .
Extraindo a raiz quadrada em ambos os lados, segue o resultado:
|hu, vi| ≤ kuk · kvk .
19
CAPÍTULO 2. ALGUMAS DESIGUALDADES IMPORTANTES 20
2.2 Desigualdade Triangular (ou de Minkowski)

Seja V um espaço vetorial com um produto interno. Para quaisquer vetores u, v ∈ V ,
ku + vk ≤ kuk + kvk
Demonstração:
ku + vk2 = hu + v, u + vi
= hu, ui + hu, vi + hv, ui + hv, vi
= hu, ui + 2 hu, vi + hv, vi
= kuk2 + 2 hu, vi + kvk2 .
Segue da Desigualdade de Cauchy-Schwarz que hu, vi ≤ kuk · kvk, logo
ku + vk2 ≤ kuk2 + 2 kuk · kvk + kvk2
⇒ ku + vk2 ≤ (kuk + kvk)2 .
Extraindo a raiz quadrada em ambos os lados, segue o resultado:
ku + vk ≤ kuk + kvk

2.3 Desigualdade de Hölder

Sejam x = (x1 , x2 , . . . , xn ) e y = (y1 , y2 , . . . , yn ) vetores em Rn+ , isto é, xi , yi ≥ 0 para todo
i = 1, 2, . . . , n. Então,
X X 1/p X 1/q
xi y i ≤ xpi yi q
1 1
para p, q ∈ R tais que + = 1, onde 1 ≤ p ≤ +∞ e 1 ≤ q ≤ +∞.
p q
λp λ−q
Demonstração: Defina f : R → R dada por f (λ) = + . Minimizando esta
p q
função, temos:
f 0 (λ) = λp−1 − λ−(1+q) = 0 ⇒ λp+q = 1 ⇒ λ = 1 é ponto crítico de f,
e como
f 00 (λ) = (p − 1)λp−2 + (q + 1)λ−(q+2) ⇒ f 00 (1) = p + q ≥ 1,
segue que λ = 1 é ponto de mínimo de f . Portanto, f (λ) ≥ 1.
Agora defina λ = u1/q v −1/p e substitua esse valor em f (λ) ≥ 1:

p −q
u1/q v −1/p u1/q v −1/p
+ ≥1
p q
p q p q
! !
u q +1 v p +1 u q +1 v p +1
⇒ (u · v)−1 + ≥1⇒ + ≥ u · v.
p q p q
1 1 p+q
mas + =1⇒ = 1 ⇒ p + q = p · q, assim
p q p·q
p p+q p·q q q+p q·p
+1= = =p e +1= = = q.
q q q p p p
Portanto,
up v q
+ ≥ u · v.
p q
Para cada i = 1, 2, . . . , n, defina
xi yi
ui = P p 1/p e vi = P q 1/q .
( xi ) ( yi )
Assim, a última desigualdade pode ser escrita como
upi vq
ui · vi ≤ + i.
p q
Tomando a soma em ambos os lados da desigualdade, segue que
" #p " #q
P xi P yi
( xpi )1/p ( xqi )1/q
P P
X
ui vi ≤ + .
p q
Mas,
X xp 1 X p
Pi p = P p xi = 1.
xi xi
Logo,
X 1 1
ui vi ≤
+ = 1.
p q
" # " #
X xi yi
⇒ · P q 1/q ≤ 1
( xpi )1/p
P
( yi )
X X 1/p X 1/q
⇒ xi yi ≤ xpi · yiq .
Para quaisquer xi , yi , a desigualdade de Hölder pode ser dada por

X X 1/p X 1/q
|xi yi | ≤ xpi · yiq .
Note que, se p = q = 2, a desigualdade de Hölder se torna a desigualdade de Cauchy-

Schwarz. X 1/2 X 1/2
X
|xi yi | ≤ x2i · yi2 ⇒ |xy| ≤ ||x|| · ||y||
Obs.: Em estatística, existe uma medida de associação linear entre duas variáveis
aleatórias, X e Y , definida como o coeficiente de correlação. Isto é,
Cov(X, Y )
nX,Y = .
σX σY
A contrapartida empírica deste conceito teórico é:
P
xi y i
nX,Y = P 1/2 P 1/2 ,
( x2i ) ( yi2 )
onde
−1 ≤ nX,Y ≤ 1.
2.4 Desigualdade de Chebychev

Se X é uma variável aleatória e K uma constante, então
1
P [|X − µ| ≥ Kσ] ≤ .
K2
Demonstração: Dada uma variável aleatória X, contínua, com correspondente função

densidade f (x), a média ou esperança de X é dada por
Z ∞
µ = E(X) = xf (x)dx.
−∞
e a variância de X é dada por

Z ∞
2
σ = V (X) = (x − µ)2 f (x)dx =
−∞
Zµ+kσ Z µ−kσ Z ∞
2 2
= (x − µ) f (x)dx + (x − µ) f (x)dx + (x − µ)2 f (x)dx
µ−kσ −∞ µ+kσ
Zµ−kσ Z∞
≥ (x − µ)2 f (x)dx + (x − µ)2 f (x)dx
−∞ µ+kσ
Z µ−kσ Z ∞
2 2 2
⇒σ ≥k σ f (x)dx + f (x)dx
−∞ µ+kσ
1 − P (x ∈ A) ou 1 − P (µ − kσ ≤ x ≤ µ + kσ) =
= 1 − P (|x − µ| < kσ) = P (|x − µ| ≥ kσ)
1
− P [|x − µ| ≥ kσ] ≥ −
k2
1 1
1 − P [|x − µ| ≥ kσ] ≥ 1 − ⇒ P [|x − µ| < kσ] ≥ 1 −
k2 k2
2.5 Desigualdade de Jensen

Se g(x) é uma função convexa, então g(E(X)) ≤ E(g(x)).
Demonstração: Note que se g é convexa, existe l(x) = a + bx tal que l(x) ≤ g(x)
para todo x, onde a igualdade ocorre num único ponto particular.
Digamos que a igualdade ocorre no ponto [E(X), g(E(x))].
E [(l(x))] = E(a + bX) = a + bE(X) = l[E(X)].
E[l(x)] = l[E(x)] ⇒ l[E(x)] = E[l(x)] ≤ E[g(x)]

g[E(x)] ≤ E[g(x)] ∼ Q.E.D.
Capítulo 3
Matrizes
Matrizes são arranjos de elementos em forma de tabelas retangulares com m linhas e n

colunas, especialmente úteis na manipulação de dados. Mais precisamente, uma matriz
A sobre um corpo F é uma tabela retangular de escalares normalmente representada da
seguinte forma:
 
a11 a12 · · · a1n
 a21 a22 · · · a2n 
A =  ..
 
.. .. .. 
 . . . . 
am1 am2 · · · amn
A matriz A também pode ser representada por A = [aij ]m×n , onde aij denota o
elemento que está posicionado na i-ésima linha com j-ésima coluna, i variando de 1 a
m, j variando de 1 a n, e m × n denota a ordem da matriz.
Duas matrizes A e B são iguais , A = B, se ambas tem a mesma ordem e se os
elementos correspondentes são iguais, isto é, aij = bij para todo i, j. Uma matriz com
apenas uma linha, m = 1, é chamada de matriz linha. Uma matriz com apenas uma
coluna, n = 1, é chamada de matriz coluna. Uma matriz cujos elementos são todos zero
é chamada de matriz nula.
Exemplo 3.1 Alguns exemplos de matrizes:

1 3 −5 0
a) A = é uma matriz 2 × 4.
−8 6 −1 2
 
2
b) B =  −1  é uma matriz coluna.
0

c) C = 2 −3 0 7 é uma matriz linha.
 
0 0
d) A matriz nula 3 × 2 é a matriz O =  0 0 .
0 0
24
CAPÍTULO 3. MATRIZES 25

x − y 3z + t 1 5
e) Calcule x, y, z e t para que = .
2x + y z − 2t 2 4
Pela definição de igualdade de matrizes, as quatro entradas correspondentes devem
ser iguais. Logo,
x+y =1 2x + y = 2 3z + t = 5 z − 2t = 4
Resolvendo o sistema de equações temos x = 1, y = 0, z = 2 e t = −1.
3.1 Operações com Matrizes

3.1.1 Adição e Multiplicação por escalar
Sejam a A = [aij ] e B = [bij ] duas matrizes de mesma ordem, m × n. A soma de A e B é
a matriz obtida somando-se os elementos correspondentes, isto é,
 
a11 + b11 a12 + b12 · · · a1n + b1n
 a21 + b21 a22 + b22 · · · a2n + b2n 
A + B = [aij + bij ] = 
 
.. .. ... .. 
 . . . 
am1 + bm1 am2 + bm2 · · · amn + bmn
O produto da matriz A pelo escalar k é a matriz obtida multiplicando-se cada elemento

de A por k, isto é,  
ka11 ka12 · · · ka1n
 ka21 ka22 · · · ka2n 
kA = [kaij ] =  ..
 
.. .. .. 
 . . . . 
kam1 kam2 · · · kamn
As matrizes A + B e kA também são matrizes de ordem m × n. Definimos também
−A = (−1)A, chamada de matriz oposta de A, e A − B = A + (−B), chamada de
diferença de A e B.
   
1 3 0 −1
Exemplo 3.2 Sejam A =  −5 0  e B =  5 7 , então:
−1 2 −2 1
   
1+0 3 + (−1) 1 2
A + B =  −5 + 5 0+7 = 0 7 
−1 + (−2) 2+1 −3 3
     
4 12 0 3 4 15
4A − 3B =  −20 0  +  −15 −21  =  −35 −21 
−4 8 6 −1 2 7
As propriedades da Soma de Matrizes e Multiplicação por Escalar são dadas no teo-
rema a seguir:
Teorema 3.1 Dadas quaisquer matrizes A, B e C de mesma ordem e quaisquer escalares

k, k1 e k2 , então:
(i) (A + B) + C = A + (B + C)
(ii) A + O = O + A = A, onde O denota a matriz nula de mesma ordem de A
(iii) A + (−A) = (−A) + A = O
(iv) A + B = B + A
(v) k(A + B) = kA + kB
(vi) (k1 + k2 )A = kA
(vii) (k1 k2 )A = k1 (k2 A)
(viii) 1 · A = A
3.1.2 Produto de Matrizes

Antes de definirmos o produto (geral) de matrizes, faremos um caso particular. Sejam
A = [ai ] uma matriz linha e B = [bj ] uma matriz coluna, ambas com o mesmo número
de elementos. O produto AB é definido como sendo o escalar (que é uma matriz 1 × 1)
obtido pelo somatório das multiplicações das entradas correspondentes, isto é,
 
b1
n
 b2 

 X
AB = a1 a2 · · · an  ..  = a1 b1 + a2 b2 + · · · + an bn = ak b k
 .  k=1
bn
Se o número de elementos das matrizes A e B são diferentes, o produto AB não é definido.

Dessa forma, para estendermos ao caso geral, é necessário que o número de colunas
de A seja igual ao número de linhas de B. Sejam A = [aij ] uma matriz de ordem m × p e
B = [bij ] uma matriz de ordem p × n. Então o produto AB é a matriz de ordem m × n
cuja entrada ij é obtida multiplicando-se a i-ésima linha de A pela j-ésima coluna de B,
isto é,  
c11 · · · c1n
AB =  ... cij .. 

. 
cm1 · · · cmn
onde
 
b1j
p
 b2j  X
cij = ai1 ai2 · · · aip  = ai1 b1j + ai2 b2j + · · · + aip bpj = aik bkj .
 
 ..
 .  k=1
bpj
Se o número de colunas da matriz A é diferente do número de linhas da matriz B, então

o produto AB não é definido.
 
0 −1 4
1 −2 −6 0  1 8 3 
Exemplo 3.3 Sejam A = eB= , então:
5 3 9 −1  5 −7 0 
−1 7 −2

0 − 2 − 30 + 0 −1 − 16 + 42 + 0 4 − 6 + 0 + 0 −32 25 −2
AB = =
0 + 3 + 45 + 1 −5 + 24 − 63 − 7 20 + 9 + 0 + 2 49 −51 31

0 1 −1 4
Exemplo 3.4 Sejam A = eB= , então:
3 2 5 −2

0+5 0−2 5 −2 0 + 12 −1 + 8 12 7
AB = = e BA = =
−3 + 10 12 − 4 7 8 0−6 5−4 −6 1
O exemplo acima mostra que, em geral, a comutatividade não é válida para o produto
de matrizes, isto é, os produtos AB e BA não são necessariamente iguais.
O teorema a seguir mostra as propriedades do Produto de Matrizes:
Teorema 3.2 Sejam A, B e C matrizes e k um escalar. Desde que os produtos e somas

sejam bem definidos, então:
(i) (AB)C = A(BC)
(ii) A(B + C) = AB + AC
(iii) (A + B)C = AC + BC
(iv) k(AB) = (kA)B = A(kB)
3.2 Matriz Transposta

A transposta da matriz A, denotada por A0 ou At , é a matriz obtida a partir da matriz A,
tal que a i-ésima linha de A0 é igual a i-ésima coluna de A. De outro modo, se A = [aij ]
é uma matriz m × n, então A0 = [bij ] é a matriz n × m onde bij = aji .
 
1 5
1 −2 −6
Exemplo 3.5 Seja A = então A0 =  −2 3 .
5 3 9
−6 9
As propriedades básicas da Transposição de Matrizes são dadas no teorema a seguir:
Teorema 3.3 Sejam A e B matrizes e k um escalar. Desde que os produtos e somas

sejam bem definidos, então:
(i) (A + B)0 = A0 + B 0
(ii) (A0 )0 = A
(iii) (kA)0 = kA0
(iv) (AB)0 = B 0 A0
3.3 Alguns Tipos Especiais de Matrizes

3.3.1 Matrizes Quadradas
Uma matriz quadrada é uma matriz com mesmo número de linhas e colunas. Diremos
que uma matriz n × n tem ordem n. As operações definidas anteriormente sempre podem
ser realizadas sobre matrizes quadradas.
Seja A = [aij ] uma matriz quadrada de ordem n. A diagonal principal de A é formada
por todos os elementos aij com i = j, isto é, a11 , a22 , . . . , ann . O traço de A, denotado
por tr(A), é a soma dos elementos da diagonal principal, isto é,
tr(A) = a11 + a22 + · · · + ann
O traço satisfaz as propriedades a seguir:
Teorema 3.4 Sejam A e B matrizes quadradas de mesma ordem e k um escalar, então:
(i) tr(A + B) = tr(A) + tr(B)
(ii) tr(kA) = k · tr(A)
(iii) tr(A0 ) = tr(A)
(iv) tr(AB) = tr(BA)
3.3.2 Matriz Identidade

A matriz identidade de ordem n, denotada por In (ou simplesmente I), é uma matriz
quadrada com 1 na diagonal principal e 0 em todas as outras entradas.
A matriz identidade também pode ser definida por I = [δij ], onde δij é a função delta
de Kronecker, definida por
0 se i 6= j
δij =
1 se i = j
Para qualquer matriz A quadrada de ordem n, AI = IA = A. De um modo mais
geral, se B é uma matriz de ordem m × n, então BIn = Im B = B.
3.3.3 Matrizes Inversíveis (Não Singulares)

Uma matriz quadrada A é inversível (ou não singular ) se existe outra matriz quadrada
B, tal que
AB = BA = I
onde I é a matriz identidade. Diremos que tal matriz B é a inversa de A e denotaremos
B = A−1 .
Teorema 3.5 Se A é inversível, então B é única.

Demonstração Suponha que B1 e B2 são duas inversas de A, logo
AB1 = B1 A = I e AB2 = B2 A = I.
Então,
B1 = B1 I = B1 (AB2 ) = (B1 A)B2 = IB2 = B2
3.3.4 Matriz Triangular

Uma matriz quadrada A = [aij ] é triangular superior se todas as suas entradas abaixo da
diagonal principal são iguais a zero, isto é, se aij = 0 para todo i > j. Analogamente, A
será uma matriz triangular inferior se todas as suas entradas acima da diagonal principal
são iguais a zero, isto é, se aij = 0 para todo i < j.
 
1 2 3
Exemplo 3.6 A matriz A =  0 4 5  é triangular superior, enquanto a matriz B =
0 0 6
−1 0
é triangular inferior.
4 7
Uma matriz quadrada D = [dij ] é diagonal se ela é, simultaneamente, triangular
superior e triangular inferior, isto é, se todos os elementos fora de sua diagonal principal
são iguais a zero.
 
3 0 0 0
 0 −1 0 0 
Exemplo 3.7 A matriz D =   0
 é diagonal.
0 4 0 
0 0 0 2
3.3.5 Matrizes Simétricas

Uma matriz A é simétrica se A = A0 , isto é, aij = aji . Uma matriz A é anti-simétrica se
A0 = −A, isto é, se aij = −aji . Dessa forma, os elementos da diagonal principal de uma
matriz anti-simétrica são todos iguais a zero, pois aii = −aii implica que aii = 0.
 
3 0 −1
Exemplo 3.8 A matriz A =  0 0 4  é simétrica, enquanto a matriz
  −1 4 −2
0 −2 3
B= 2 0 0  é anti-simétrica.
−3 0 0
3.3.6 Matrizes Ortogonais

Uma matriz quadrada é ortogonal se AA0 = A0 A = I, isto é, se A−1 = A0 . Dessa forma,
se a matriz A é ortogonal, o conjunto de vetores formado por suas linhas ou colunas é
ortonormal.
 
1/9 8/9 −4/9
Exercício 3.1 Verifique se a matriz A =  4/9 −4/9 −7/9  é ortogonal.
8/9 1/9 4/9
3.3.7 Matrizes Idempotentes

Seja A uma matriz quadrada, as potências de A são definidas do seguinte modo:
A0 = I A2 = AA A3 = A2 A ... An+1 = An A.
Uma matriz quadrada A é idempotente se A2 = A.
3.3.8 Matrizes Quadradas em Blocos

Seja A uma matriz quadrada. Com o auxílio de linhas pontilhadas horizontais e verticais
podemos criar uma partição em A dividindo-a em submatrizes chamadas blocos de A. Se os
blocos formam uma matriz quadrada, isto é, se há o mesmo número de linhas pontilhadas
horizontais e verticaise e se os blocos da diagonal são também matrizes quadradas, então
diremos que A é uma matriz quadrada em blocos.
Exemplo 3.9 Desculpe-me, mas ainda não consegui construir no Latex uma matriz di-
vidida por linhas pontilhadas.
3.4 Algumas Aplicações

OBS: Falta escrever o texto dessa aplicação.
yi = β1 + β2 xi2 + β3 xi3 · · · βx xik + εi ; i = 1, 2, · · · n.

Observações
  de Y:  Observações de X:
y1 1 x12 x13 · · · x1k
 y2  1 x12 x23 · · · x2 k 
   
 ..   .. .. .. . . .. 
. . . . . . 
yn 1 xn2 xn3 · · · xnk n×k
 
1 1 ··· 1  
x12 x22 · · · xn2  1 x12 x13 · · · x1k
  1 x12 x23 · · · x2 k 
0
Xk×n Xn×k = x13 x23 · · · xn3  ·  ..
   
.. .. ... .. 
 .. .. . . .  . . . . 
 . . . .. 
1 xn2 xn3 · · · xnk n×k
x1k x2k · · · xnk k×n
 P P P 
n xi2 xi3 · · · P xik
2 k
P P P

 x xi2 xi2 xi3 ··· xi2 xik 
 X 0
=  .. i2 .. .. ... .. = x xi
 .  i=1 i
P P . P . P 2.
xik xik xi2 xi2 xik ··· xi2
Exemplo 3.10
 
1
1 1
M o = In − i · i0 , onde i =  .. 
 
n .
1
   
1 0 ··· 0 1 1 ··· 1
0 1 ··· 0 1 1 1 · · ·
  1
M o =  .. ..  −  .. .. . .
 
.. . . .. 
. . . . n . . . .
0 0 ··· 1 1 1 ··· 1

o 1 0 1 0
M Y = In − ii Yn×1 = In Y − ii Y
n n
  P 
y1 yi
 y2  1 P yi 
=  ..  −  .. 
   
. n . 
P
yn yi
     
y1 Y y1 − Y
 y2  Y   y2 − Y 
=  ..  −  ..  =  .. 
     
 .  .  . 
yn Y yn − Y
Obs.:    
1 1 ··· 1 y1 P 
1 1 ··· 1  y2  yi
   P 
..  ·  ..  = P yi

 .. .. . .
. . . .  .  yi
1 1 ··· 1 yn
Outra matriz especial é a matriz inversa A−1 de uma matriz A.
A−1 A = AA−1 = I , note que A é quadrada.
M = [I − X(X 0 X)−1 X 0 ]

M e N são idempotentes
N = I − M = X(X 0 X)−1 X 0
N · N = X(X 0 X)−1 X 0 · X(X 0 X)−1 X 0 = X(X 0 X)−1 X 0 = N.

M · M = X(X 0 X)−1 X 0 · X(X 0 X)−1 X 0

= I − X(X 0 X)−1 X 0 − X(X 0 X)−1 X 0 + X(X 0 X)−1 X(X 0 X)−1 X 0

= I − X(X 0 X)−1 X 0 − X(X 0 X)−1 X 0 + X(X 0 X)−1 X 0 = I − X(X 0 X)−1 X 0 = M.

Notas de Aula Álgebra Linear

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

Notas de Aula Álgebra Linear

Enviado por

Direitos autorais:

Formatos disponíveis

Capítulo 1

Espaços Lineares Finitos

1.1 Espaços Vetoriais

Definição 1.1 (Corpo) Seja F um conjunto não-vazio de elementos, dotado de duas

Axioma 1.1 A soma é associativa,

Axioma 1.2 A adição é comutativa,

x+y =y+x para todos x, y ∈ F .

Axioma 1.5 A multiplicação é associativa,

x(yz) = (xy)z para todos x, y, z ∈ F .

Axioma 1.6 A multiplicação é comutativa,

Axioma 1.8 A cada elemento não-nulo x ∈ F , existe um único inverso multiplicativo

Axioma 1.9 A multiplicação é distributiva com respeito à adição, isto é,

Exemplo 1.1 Com as propriedades usuais da adição e multiplicação, o conjunto R dos

EV 1.1 A soma é associativa, (u + v) + w = u + (v + w).

EV 1.2 A soma é comutativa, u + v = v + u.

EV 1.3 Existe um elemento neutro ~0 ∈ V tal que u + ~0 = ~0 + u = u, para todo u ∈ V .

EV 1.4 Para cada u ∈ V , existe um correspondente negativo (−u) ∈ V , chamado de

EV 1.5 α(βu) = (αβ)u, para quaisquer escalares α, β ∈ F .

EV 1.6 α(u + v) = αu + αv, para qualquer escalar α ∈ F .

EV 1.7 (α + β)u = αu + βu, para quaisquer escalares α, β ∈ F .

EV 1.8 1u = u, para o escalar unidade 1 ∈ F .

Exemplo 1.2 Seja F um corpo artitrário. Denotemos F n o conjunto de todas as n-uplas

1.2 Subespaços Vetoriais

Proposição 1.1 S é um subespaço de V se e somente se:

a) O subconjunto S ⊂ M2×2de todas as matrizes triangulares

b) (Exercício) O subconjunto W ⊂ M2×2 de todas as matrizes simétricas é subespaço

c) O subconjunto U ⊂ M2×2de todas  as matrizes com  determinante

Exercício 1.1 Sejam U e W subespaços de um espaço vetorial V . Mostre que a inter-

Definição 1.3 Sejam U e W subespaços de um espaço vetorial V . A soma U + W

Exercício 1.2 Mostre que a soma U + W é também um subespaço de V .

Teorema 1.1 O espaço vetorial V é soma direta de seus subespaços U e W se e somente

1.3 Combinações Lineares, Geradores de um Espaço

é chamado espaço gerado por u1 , u2 , . . . , un .

Exemplo 1.7 Definimos R2 = {(x, y)|x, y ∈ R}. Note que

(x, y) = (x, 0) + (0, y) = x(1, 0) + y(0, 1),

então diremos que os vetores (1, 0), (0, 1) geram R2 .

1.4 Dependência e Independência Linear

α(1, 0) + β(0, 1) = (0, 0)

Exemplo 1.9 Os vetores (1, 3) e (2, 6) são L.D. Note que:

2(1, 3) = (2, 6) ⇒ 2(1, 3) + 1(2, 6) = (0, 0)

com pelo menos um dos α0 s diferente de zero. Digamos que αj 6= 0, então

Teorema 1.3 Todo conjunto que contém o vetor nulo é L.D.

Teorema 1.4 Todo subconjunto de um conjunto L.I. é necessariamente L.I.

α1 v1 + α2 v2 + . . . + αj vj + 0vj+1 + . . . + 0vn = 0 ⇒ {v1 , v2 , . . . , vn } é L.D.,

o que é uma contradição.

1.5 Base e Dimensão

Exemplo 1.12 Considere o espaço vetorial Pn (t) de polinômios de grau ≤ n. Os polinômios

Exercício 1.5 Verifique que o espaço Rn tem dimensão n.

Teorema 1.6 Seja V um espaço vetorial de dimensão finita n.

(i) Quaisquer n + 1 ou mais vetores em V são L.D.

(ii) Qualquer conjunto L.I. com n elementos é uma base de V .

(iii) Qualquer conjunto gerador de V com n elementos é uma base de V .

Teorema 1.7 Seja S um subespaço de um espaço vetorial V de dimensão finita n. Então

Exemplo 1.13 Seja S um subespaço do espaço vetorial real R3 . Como dimR3 = 3, a

(i) Se dimS = 0, então S = {0}, um ponto.

(ii) Se dimS = 1, então S é uma reta que passa pela origem.

(iii) Se dimS = 2, então S é um plano que passa pela origem.

(iv) Se dimS = 3, então S é todo o espaço R3 .

Esses escalares α1 , α2 , . . . , αn são chamados coordenadas de v em relação à base B. A

Teorema 1.8 Considere os seguintes conjuntos Q = {u1 , u2 , . . . , um } e P = {v1 , v2 , . . . , vn },

Mas, para qualquer w ∈ V , temos ainda que:

Q2 = {u1 , u2 , . . . , uj−1 , v1 , uj+1 , . . . , uk−1 , v2 , uk+1 , . . . , um }.

Após um certo número de substituições, chegamos a três possíveis alternativas:

a) O subconjunto S ⊂ M2×2de todas as matrizes triangulares

c) O subconjunto U ⊂ M2×2de todas as matrizes com determinante