Alteoricasem PDF

Instituto Superior Tecnico
Departamento de Matematica
Seccao de Algebra
e Analise
Resumo das Aulas Teoricas de Algebra

Linear
2o Semestre 2004/2005
(Todos os cursos da Alameda)

Paulo Pinto
Conte
udo
Sistemas de Equa
co
es Lineares
Matrizes . . . . . . . . . . . . .
Sistemas de Equacoes Lineares .
Matrizes Elementares . . . . . .
A matriz inversa . . . . . . . .
e
.
.
.
.
C
alculo Matricial
. . . . . . . . . . . .
. . . . . . . . . . . .
. . . . . . . . . . . .
. . . . . . . . . . . .
.
.
.
.
2
2
6
12
15
.
.
.
.
19
21
26
28
33
Transforma
co
es Lineares
Representacao matricial de uma transformacao linear . . . . . . . . . . . . . . . .
Transformacoes injectivas, sobrejectiva e bijectivas equacoes lineares . . . . . . .
35
37
41
Determinante
45
Valores Pr
oprios e Vectores Pr
oprios
Sistemas de equacoes diferenciais . . . . . . . . . . . . . . . . . . . . . . . . . . .
49
57
Produtos Internos
58
Formas Quadr
aticas
68
Agradecimento
70
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Espa
cos Lineares (Vectoriais)
Subespacos lineares exemplos: n
ucleo, espaco colunas e linhas de uma
Independencia linear . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Bases e dimensao de Espacos Lineares . . . . . . . . . . . . . . . . . .
Matriz mudanca de base . . . . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
matriz
. . . .
. . . .
. . . .
.
.
.
.
.
.
.
.
Sistemas de Equa
co
es Lineares e C
alculo Matricial
Matrizes
Defini
c
ao 1. Uma matriz A, do tipo m n
dispostos em m linhas e n colunas:
a11 a12
a21 a22
A = ..
..
.
.
am1 am2
A linha i de A e:
(m por n), e uma tabela de mn n

umeros
amn
ai1 ai2 ain
para cada i = 1, ..., m. A coluna j de A e:
a1j
a2j
..
.
amj
a1n
a2n
..
.
para cada j = 1, ..., n. Usa-se tambem a notacao A = (aij )mn na qual aij e a entrada (i, j)
da matriz A.
Se m = n, diz-se que A e uma matriz quadrada do tipo n n e as entradas a11 , a22 , ...,
ann formam a chamada diagonal principal de A.
Exemplo 1. As matrizes
4

3

1 1
1 2 3 4
A=
, B=
, C= 0 0 7 eD=
2
2 2
2 0 2 0
1
sao dos seguintes tipos: A e 2 2, B e 2 4, C e 1 3, A e 4 1. Tem-se, por exemplo,

a21 = 2, b13 = 3, c12 = 0 e d41 = 1.
Observa
c
ao 1. Uma matriz (real) A do tipo m n e uma aplicacao:
A : {1, ..., m} {1, ..., n} R
(i, j) aij
Nota
c
ao 1. O conjunto de todas as matrizes reais do tipo m n e denotado por
Matmn (R).
Defini
c
ao 2. Duas matrizes sao iguais se forem do mesmo tipo e se as entradas correspondentes forem iguais, isto e, A = (aij )mn e B = (bij )pq sao iguais se m = p, n = q e
aij = bij , para i = 1, ..., m e j = 1, ..., n.
2
Defini
c
ao 3. A soma de duas matrizes do mesmo tipo A = (aij )mn e B = (bij )mn e
a matriz
A + B = (aij + bij )mn .
Exemplo 2. Sejam
A=
1 4 1
3 2 6
Tem-se A + B =
,B=
1 1 1
1 1 1
0 3 2
4 1 5
1

, C = 1/2 e D = 2
3 .
2
e nao e possvel somar C com D.
Defini
c
ao 4. O produto de um escalar (n
umero) por uma matriz A = (aij )mn
e a matriz:
A = (aij )mn .
Nota
c
ao 2. A matriz (1)A sera denotada por A.

1 4 1
Exemplo 3. Seja A =
. Tem-se, por exemplo,
3 2 6

2 8 2
2A =
.
6 4 12
Defini
c
ao 5. O produto AB de duas matrizes A e B so pode ser efectuado se o n
umero
a
a
de colunas da 1 matriz, A, for igual ao n
umero de linhas da 2 matriz, B. Nesse caso, o
produto AB de A = (aij )mp por B = (bij )pn e definido por:
!
p
X
AB =
aik bkj
,
k=1
isto e,
a11 a12
..
.
ai1 ai2
.
..
am1 am2
a1p
.. b11
. b
21
aip ..
.
..
. b
p1
amp
mn
p
P
a1k bk1
b1j b1n
k=1
p
b2j b2n
P
aik bkj
.. =
..
. .
k=1
p
P
bpj bpn
amk bk1
k=1
p
P
a1k bkn
p
P
amk bkn
k=1
k=1
Exemplo 4. Sejam A, B, C e D as matrizes do exemplo 2. Nao e possvel efectuar, por

exemplo, AB. No entanto, tem-se:

2
3
5
AC =
e CD = 1 3/2 .
14
4 2 3
3
Observa
c
ao 2. O produto de matrizes nao e comutativo. Por exemplo, para

0 1
0 1
1 0
1 0
A=
eB=
tem-se AB =
e BA =
.
1 0
1 0
0 1
0 1
Logo AB 6= BA.
Defini
c
ao 6. A transposta de uma matriz A = (aij )mn e a matriz
AT = (aji )nm
que se obtem trocando as linhas com as colunas de A.
Exemplo 5. Sejam A e C as matrizes do exemplo 2. Tem-se

1 3
1
T
T
2
A = 4
e
C = 1
2 .
2
1 6
Teorema 1. Sejam A, B, C e D matrizes de tipos apropriados, e escalares. Sao
validas as seguintes propriedades para as operacoes matriciais.
(a) (Comutatividade da soma) A + B = B + A.
(b) (Associatividade da soma) A + (B + C) = (A + B) + C.
(c) (Elemento neutro da soma) Existe uma u
nica matriz 0 do tipo mn tal que A+0 = A,
`
para toda a matriz A do tipo m n. A matriz 0, cujas entradas sao todas iguais a zero,
chama-se matriz nula.
(d) (Simetrico) Para cada matriz A existe uma u
nica matriz B tal que A + B = 0. Esta
matriz B denota-se por A.
(e) (Associatividade do produto por escalares) (A) = () A.
(f ) (Distributividade) ( + ) A = A + A.
(g) (Distributividade) (A + B) = A + B.
(h) (Associatividade do produto de matrizes) A (BC) = (AB) C.
(i) (Distributividade) A (B + C) = AB + AC
(j) (AB) = (A) B = A (B).
(k) AT
T
= A.
(l) (A + B)T = AT + B T .
(m) (A)T = AT .
4
e (B + C) D = BD + CD.
(n) (AB)T = B T AT .
(o) (A1 A2 ...An )T = ATn ...AT2 AT1 , com A1 , A2 , ..., An matrizes de tipos apropriados.
` matriz, do tipo n n,
(p) A
I=
1 0 0
0 1 0
..
. . ..
. .
.
0 0 1
chama-se matriz identidade (de ordem n) e e tal que

AI = A
IB = B,
para todas as matrizes A = (aij )mn e B = (bij )nm .

Defini
c
ao 7. (i) A diferen
ca entre duas matrizes A e B do mesmo tipo e definida por
A B = A + (B),
ou seja, e a soma de A com o simetrico de B.
(ii) Sejam A uma matriz do tipo n n e p N. A pot
encia p de A e definida por
0
Ap = A...A
| {z } e para p = 0 define-se A = I.
p vezes
` matriz do tipo n n
(iii) A
a11 0 0
0 a22 0
..
..
..
.
.
.
0
0 ann
cujas entradas fora da diagonal principal sao nulas, chama-se matriz diagonal.
Observa
c
ao 3. Tem-se: 1A = A, 0A = 0, A + A = 2A, A
. . + A} = nA.
| + .{z
n vezes
Defini
c
ao 8. (i) Seja A = (aij )nn uma matriz do tipo n n. Diz-se que A e sim
etrica
T
se A = A , isto e, se aij = aji , para i, j = 1, ..., n. Diz-se que A e anti-sim
etrica se
T
A = A , isto e, se aij = aji , para i, j = 1, ..., n.
(ii) Para matrizes quadradas A = (aij )nn define-se o tra
co de A, tr(A), como sendo a
soma de todas as entradas da diagonal principal de A, isto e,
tr(A) =
n
X
i=1
aii .
Observa
c
ao 4. Sejam A = (aij )nn e B = (bij )nn duas matrizes do tipo n n e um
escalar. Tem-se:
(i) tr(A + B) = tr(A) + tr(B),
(ii) tr(A) = tr(A),
(iii) tr(AT ) = tr(A)
(iv) tr(AB) = tr(BA).
Sistemas de Equa
co
es Lineares
Defini
c
ao 9. Uma equa
c
ao linear com n incognitas x1 , x2 , ..., xn e uma equacao da forma
a1 x1 + a2 x2 + ... + an xn = b,
em que a1 , a2 , ..., an e b sao constantes (reais).
Defini
c
ao 10. Um sistema de m equa
co
es lineares com n incognitas e um conjunto
de equacoes da forma
a11 x1 + a12 x2 + ... + a1n xn = b1
a21 x1 + a22 x2 + ... + a2n xn = b2

()
...
am1 x1 + am2 x2 + ... + amn xn = bm
em que aij e bk sao constantes (reais), para i, k = 1, ..., m e j = 1, ..., n.
Observa
c
ao 5. Usando o produto de matrizes definido na seccao anterior, o sistema
linear acima pode ser escrito como uma equacao matricial
AX = B,
em que
A=
a11
a21
..
.
a12
a22
..
.
a1n
a2n
..
.
am1 am2 amn
X=
x1
x2
..
.
xn
B=
b1
b2
..
.
bm
A matriz A e a matriz dos coeficientes do sistema, X e a matriz coluna das incognitas

e B e a matriz coluna dos termos independentes. Uma solucao do sistema linear () e uma
matriz
s1
s2
S = ..
.
sn
tal que as equacoes do sistema sao satisfeitas quando substitumos
x1 = s1 , x2 = s2 , ..., xn = sn .
6
Ao conjunto de todas as solucoes do sistema chama-se conjunto solucao ou solucao geral do

sistema.
Exemplo 6. O sistema linear de duas equacoes e duas incognitas

x + 2y = 1
2x + y = 0
pode ser escrito do seguinte modo:

1 2
2 1

x
y
1
0
A solucao (geral) do sistema acima e x = 1/3 e y = 2/3 (verifique!), isto e, X =

1/3
.
2/3
Observa
c
ao 6. De modo a facilitar a resolucao de um sistema linear, este pode ser
sempre substitudo por outro que tenha o mesmo conjunto solucao. Esse outro e obtido
depois de aplicar sucessivamente operacoes sobre as equacoes do sistema inicial que nao
alterem a solucao do mesmo. As operacoes sao:
- Trocar a posicao de duas equacoes do sistema;
- Multiplicar uma equacao por um escalar diferente de zero;
- Somar a uma equacao um m
ultiplo escalar de outra equacao.
Estas sao as chamadas operacoes elementares. Quando aplicamos operacoes elementares
a`s equacoes de um sistema linear, so os coeficientes e os termos independentes do sistema
sao alterados. Assim, podemos aplicar as operacoes a` matriz
a11 a12 a1n | b1

a21 a22 a2n | b2
[A | B] = ..
.. .. ,
..
..
.
. .
.
.
am1 am2 amn | bm
a` qual se da o nome de matriz aumentada do sistema.
Defini
c
ao 11. As opera
co
es elementares que podem ser aplicadas a`s linhas de uma
matriz sao as seguintes:
(i) Trocar a posicao de duas linhas da matriz;
(ii) Multiplicar uma linha da matriz por um escalar diferente de zero;
(iii) Somar a uma linha da matriz um m
ultiplo escalar de outra linha.
Teorema 2. Se dois sistemas lineares AX = B e CX = D sao tais que a matriz
aumentada [C | D] e obtida de [A | B] atraves de uma operacao elementar, entao os dois
sistemas tem o mesmo conjunto solucao, isto e, sao equivalentes.
7
Observa
c
ao 7. O metodo que iremos usar para resolver sistemas lineares consiste na
aplicacao de operacoes elementares a`s linhas da matriz aumentada do sistema de modo a
obter uma matriz em escada de linhas em relacao a` qual o sistema associado seja de facil
resolucao.
Defini
c
ao 12. Uma matriz A = (aij )mn diz-se em escada de linhas se:
(i) Todas as linhas nulas (formadas inteiramente por zeros) estao por baixo das linhas
nao nulas;
(ii) Por baixo (e na mesma coluna) do primeiro elemento nao nulo de cada linha e por
baixo dos elementos nulos anteriores da mesma linha, todas as entradas sao nulas. Esse
primeiro elemento nao nulo de cada linha tem o nome de pivot.
Defini
c
ao 13. Seja A uma matriz em escada de linhas. Ao no de pivots de A matriz,
isto e, ao no de linhas nao nulas de A, da-se o nome de caracterstica de A, car A. Se A
for a matriz em escada de linhas obtida de C atraves de operacoes elementares entao diz-se
que a caracterstica de C e car A, tendo-se car C = car A. Temos que carA =carA T .
Exemplo 7. As seguintes matrizes estao em escada de linhas:
2 1 2 1/2 0 0
0 0 3 1 0

2
4 1
0 1 3 0
A=
, B=
, C=
0 0
0
0 0 5
.
0 0
0 0 5 1
0 0
0
0 0 0
0 0
0
0 0 0
Pivot de A: 4. Pivots de B: 1, 5. Pivots de C: 2, 3, 5.

car A = 1, car B = 2 e car C = 3,
Defini
c
ao 14. O metodo de resolver sistemas lineares que consiste em aplicar operacoes
elementares a`s linhas da matriz aumentada do respectivo sistema de modo a que essa matriz
fique em escada de linhas, chama-se m
etodo de elimina
c
ao de Gauss1 .
Exemplo 8. O sistema linear
na forma matricial e
x+z =3
x + 2y + 2z = 6
3y + 3z = 6

1 0 1
x
3
1 2 2 y = 6 .
0 3 3
z
6
Johann Carl Friedrich Gauss 1777-1855
Consideremos
1 0
1 2
0 3
Logo,
entao a matriz aumentada e
1 | 3
1 0
2 | 6
0 2
L1 +L2 L2
3 | 6
0 3
o consequente metodo de eliminacao de Gauss:
1 | 3
1 0 1 | 3
0 2 1 | 3 .
1 | 3 3
2 L2 +L3 L3
3 | 6
0 0 23 | 23
x+z =3
x=2
2y + z = 3
y=1
3
z
=
z = 1.
2
2
Neste exemplo o sistema tem solu

c
ao u
nica e diz-se possvel e determinado.
Exemplo 9. O sistema linear
3z 9w = 6
5x + 15y 10z + 40w = 45
x + 3y z + 5w = 7
e equivalente a
x
0 0
3 9
6
5 15 10 40 y = 45 .
z
1 3 1 5
7
w
Consideremos entao a matriz aumentada e o consequente metodo de eliminacao de Gauss:
1 3 1 5 | 7
0 0
3 9 | 6
5 15 10 40 | 45 1 3 2 8 | 9
L1 L3
L1 +L2 L2
1 3 1 5 | 7
0 0 3 9 | 6
1
L L2
5 2
1 3 1 5 | 7
1 3 1 5 | 7
0 0 1 3 | 2 .
0 0 1 3 | 2
3L2 +L3 L3
0 0 3 9 | 6
0 0 0 0 | 0
Logo,
x + 3y z + 5w = 7
z + 3w = 2
x = 3y 2w 5
z = 3w + 2.
As incognitas y e w sao livres e as incognitas x e z sao nao livres. A solucao geral do sistema
e:
x
3y 2w 5
y
y
=
,
X=
z
3w + 2
w
w
9
para quaisquer y, w R, isto e, o conjunto solucao e dado por:

S = {(3y 2w 5, y, 3w + 2, w) : y, w R} .
Neste exemplo o sistema tem infinitas solu
co
es e diz-se possvel e indeterminado.
Exemplo 10. Seja a R. O sistema linear
x + 2y + z = 3
x+yz =2
x + y + (a2 5) z = a
e equivalente a

1 2
1
x
3
1 1
1
y = 2 .
1 1 a2 5
z
a
Consideremos entao a matriz aumentada e o consequente metodo de eliminacao de Gauss:
1 2
1
3
1 2
1
3
1 2
1
3
0 1
0 1
1 1
2
1
2
1 .
1
2
L2 +L3 L3
L1 +L2 L2
2
2
2
0 0 a 4 a2
1 1 a 5 a L1 +L3 L3 0 1 a 6 a 3
Se a = 2, entao o sistema e possvel e indeterminado:
x + 2y + z = 3
x = 3z + 1
y 2z = 1
y = 2z + 1,
a incognita z e livre, as incognitas x e y sao nao livres e a solucao geral do sistema e

x
3z + 1
X = y = 2z + 1 ,
z
z
para qualquer z R, isto e, o conjunto solucao e dado por:
S = {(3z + 1, 2z + 1, z) : z R} .
Assim, se a = 2, o sistema tem infinitas solu
co
es e diz-se possvel e indeterminado.
Se a = 2, o sistema n
ao tem solu
c
ao e diz-se impossvel.
Se a 6= 2 e a 6= 2, o sistema tem a solu
c
ao u
nica:

x
(a + 5)/(a + 2)
a/(a + 2)
X = y =
z
1/(a + 2)
e diz-se possvel e determinado.
10
Observa
c
ao 8. Seja [A | B] a matriz aumentada associada a um sistema linear com n
incognitas.
(i) Se car A = car [A | B] = n entao o sistema e possvel e determinado (tem uma
u
nica solucao).
(ii) Se car A = car [A | B] < n entao o sistema e possvel e indeterminado (tem um
n infinito de solucoes).
o
(iii) Se car A < car [A | B] entao o sistema e impossvel (nao tem solucao).
(iv) Podemos escolher como inc
ognitas livres (podem tomar valores arbitrarios) do
sistema aquelas que correspondem a`s colunas, que nao contenham pivots, da matriz em
escada de linhas obtida de A atraves de operacoes elementares.
(v) As inc
ognitas n
ao livres do sistema sao aquelas que correspondem a`s colunas,
que contenham pivots, da matriz em escada de linhas obtida de A atraves de operacoes
elementares.
(vi) car A = no de linhas nao nulas da matriz em escada de linhas obtida de A = no de
pivots = no de incognitas nao livres.
Teorema 3. Sejam A uma matriz do tipo m n e B uma matriz do tipo m 1. Se o
sistema linear AX = B tem duas solucoes distintas X0 e X1 (X0 6= X1 ), entao tera infinitas
solucoes.
Dem. Basta verificar que X = (1 ) X0 + X1 e solucao do sistema AX = B, para
qualquer R.
Defini
c
ao 15. Um sistema linear da forma
a11 x1 + a12 x2 + ... + a1n xn = 0
a21 x1 + a22 x2 + ... + a2n xn = 0

...
am1 x1 + am2 x2 + ... + amn xn = 0
tem o nome de sistema linear homog

eneo. Este sistema poder ser escrito na forma
AX = 0. Todo o sistema linear homogeneo admite pelo menos a solu
c
ao trivial:

x1
0
x2 0

X = .. = .. .
. .
xn
0
Assim, todo o sistema linear homogeneo tem solucao. Alem disso, ou tem apenas a solucao
trivial ou tem infinitas solucoes.
Teorema 4. Se A = (aij )mn e tal que m < n, entao o sistema linear homogeneo
AX = 0 tem infinitas solucoes.
11
Dem. Como o sistema tem menos equacoes do que incognitas (m < n), o no de linhas
nao nulas r da matriz em escada de linhas obtida da matriz aumentada do sistema tambem
e tal que r < n. Assim, r pivots e n r incognitas livres as quais podem assumir qualquer
valor real. Logo, o sistema linear homogeneo AX = 0 tem infinitas solucoes.
Teorema 5. Sejam A = (aij )mn e , R.
(i) Se X e Y sao solucoes do sistema AX = 0, entao X + Y tambem o e.
(ii) Se X e solucao do sistema AX = 0, entao X tambem o e.
(iii) Se X e Y sao solucoes do sistema AX = 0, entao X + Y tambem o e.
Teorema 6. Seja A uma matriz do tipo m n e B 6= 0 uma matriz do tipo m 1.
Qualquer solucao X do sistema AX = B escreve-se na forma X = X0 + Y onde X0 e uma
solucao particular do sistema AX = B e Y e uma solucao do sistema homogeneo AX = 0.
Assim:

solucao geral de
solucao particular de
solucao geral de
=
+
.
AX = B
AX = B
AX = 0
Dem. Sendo X0 uma solucao particular do sistema AX = B, basta escrever
X = X0 + (X X0 )
e mostrar que X X0 e solucao do sistema homogeneo AX = 0.
Matrizes Elementares
Defini
c
ao 16. Uma matriz elementar do tipo n n e uma matriz obtida da matriz
identidade I atraves de uma u
nica operacao elementar.
(i) A matriz Pij , chamada matriz de permuta
c
ao, e a matriz elementar obtida por
troca da linha i com a linha j da matriz I. Tem-se:
1 0
0
..
0 ... ...
.
. .
.. . . 1
0
1
.
.
Pij =
.
j
1
0
. . ..
.
1
.
..
..
..
.
. 0
0
0 1
12
(ii) A matriz Ei () e a matriz elementar obtida da matriz I atraves do produto do escalar

6= 0 pela linha i da matriz I. Tem-se:
1 0
0
..
0 ... ...
.
.
.
. ..
1
.
Ei () =
i .
. . ..
. .
1
..
.
.
.
.
.
.
. 0
0
0 1
(iii) A matriz Eij () e a matriz elementar obtida da matriz I por soma da linha j com
um m
ultiplo da linha i. Tem-se:
1 0
0
..
0 ... ...
.
. .
i
.. . . 1
.
.
.
Eij () =
. . ..
. . j
.
.
.
..
..
.. 0
0
0 1
Observa
c
ao 9. As matrizes elementares Eij () sao sempre matrizes triangulares
inferiores, pois todas as entradas por cima das respectivas diagonais principais sao nulas.
Exemplo 11. As matrizes elementares do tipo 2 2 sao:
0 1
1 0
, E1 () =
E12 () =
1 0
1
P12 = P21 =
com 6= 0,
0
0 1
, E2 () =
e E21 () =
1
0 1
1 0
0
Teorema 7. Sejam E uma matriz elementar do tipo m m e A uma matriz qualquer

do tipo m n. Entao, EA e a matriz obtida de A atraves da mesma operacao elementar que
originou E. Isto e, aplicar uma operacao elementar a uma matriz corresponde a multiplicar
essa matriz a` esquerda por uma matriz elementar.
Exemplo 12. Consideremos a
0
5
1
matriz aumentada do exemplo 9:
0
3 9 | 6
15 10 40 | 45 .
3 1 5 | 7
13
A operacao elementar:
0 0
3 9 | 6
1 3 1 5 | 7
5 15 10 40 | 45 5 15 10 40 | 45 ,
L1 L3
1 3 1 5 | 7
0 0
3 9 | 6
corresponde
0
0
1
a` seguinte multiplicacao (à
0 1
0 0
3 9
1 0 5 15 10 40
0 0
1 3 1 5
esquerda):

| 6
1 3 1 5 | 7
| 45 = 5 15 10 40 | 45 .
| 7
0 0
3 9 | 6
1 3 1 5 | 7
1 3 1 5 | 7
5 15 10 40 | 45 1 3 2 8 | 9 ,
1
L L2
5 2
0 0
3 9 | 6
0 0 3 9 | 6
corresponde a` seguinte multiplicacao (à esquerda):
1 0 0
1 3 1 5 | 7
1 3 1 5 | 7
0 1/5 0 5 15 10 40 | 45 = 1 3 2 8 | 9 .
0 0 1
0 0
3 9 | 6
0 0 3 9 | 6
1 3 1 5 | 7
1 3 1 5 | 7
1 3 2 8 | 9
0 0 1 3 | 2 ,
L1 +L2 L2
0 0 3 9 | 6
0 0 3 9 | 6
corresponde a` seguinte multiplicacao
1 0 0
1 3 1
1 1 0 1 3 2
0 0 1
0 0 3
(à esquerda):

5 | 7
1 3 1 5 | 7
8 | 9 = 0 0 1 3 | 2 .
9 | 6
0 0 3 9 | 6
corresponde a` seguinte multiplicacao
1 0 0
1 3 1
0 1 0 0 0 1
0 3 1
0 0 3
(à esquerda):

5 | 7
1 3 1 5 | 7
3 | 2 = 0 0 1 3 | 2 .
9 | 6
0 0 0 0 | 0
Finalmente, a operacao elementar:
1 3 1 5 | 7
1 3 1 5 | 7
0 0 1 3 | 2
0 0 1 3 | 2 ,
3L2 +L3 L3
0 0 3 9 | 6
0 0 0 0 | 0
Tem-se entao:

0 0
3 9 | 6
1 3 1 5 | 7
1
P13 5 15 10 40 | 45 = 0 0 1 3 | 2 .
E23 (3) E12 (1) E2
5
1 3 1 5 | 7
0 0 0 0 | 0
14
A matriz inversa
Defini
c
ao 17. Uma matriz A (do tipo n n) diz-se invertvel se existir uma matriz B (do
tipo n n) tal que
AB = BA = I.
` matriz B chama-se matriz inversa de A e denota-se por A1 .
A
Observa
c
ao 10. Obviamente que resulta da definicao de matriz inversa o seguinte facto:
sendo A1 a matriz inversa de A, entao A1 e invertvel e a sua inversa e a propria matriz
1
A, isto e, (A1 ) = A.
Exemplo 13. As seguintes matrizes sao a inversa uma da outra:

2 1
1/2 1/6
A=
e B=
.
0 3
0
1/3
Teorema 8. A inversa de uma matriz e u
nica.
Dem. Sejam B e C as inversas de A. Entao,
B = BI = B (AC) = (BA) C = IC = C.
Teorema 9. (i) Se A = (aij )nn e B = (bij )nn sao duas matrizes invertveis, entao AB
e invertvel e
(AB)1 = B 1 A1 .
(ii) Se A = (aij )nn e invertvel, entao AT e invertvel e
AT
1
= A1
T
Defini
c
ao 18. Uma matriz A = (aij )nn diz-se n
ao singular se apos o metodo de
eliminacao de Gauss esta for transformada numa matriz triangular superior (matriz
cujas entradas por baixo da diagonal principal sao todas nulas) cujas entradas da diagonal
principal sejam todas nao nulas. Uma matriz A = (aij )nn diz-se singular se apos o metodo
de eliminacao de Gauss existir (pelo menos) uma linha nula na matriz obtida de A.
Teorema 10. Uma matriz A = (aij )nn e invertvel se e so se e nao singular.
Teorema 11. Toda a matriz elementar e invertvel e a respectiva inversa e tambem uma
matriz elementar. Tem-se:
(i) (Pij )1 = Pij .
(ii) (Ei ())1 = Ei (1/), para 6= 0.
(iii) (Eij ())1 = Eij ().
15
Teorema 12. (Factoriza

c
ao triangular). Seja A uma matriz nao singular do tipo
nn. Entao ou A admite a factorizacao u
nica A = LDU ou existe uma matriz de permutacao
P tal que P A admite a factorizacao u
nica P A = LDU , onde L e U sao respectivamente uma
matriz triangular inferior e uma matriz triangular superior com as entradas das diagonais
principais todas iguais a 1, e D e uma matriz diagonal com as entradas da diagonal principal
todas nao nulas.
Observa
c
ao 11. As entradas da diagonal principal da matriz D do teorema 12 sao os
pivots que resultam da aplicacao do metodo de eliminacao de Gauss a` matriz A.
1 1 1
Exemplo 14. Seja A = 2 1 4 . Tem-se:
2 3 5
1 1 1
1 0 0
1 1 1
E23 (1)E13 (2)E12 (2)A = 0 1 2 = 0 1 0 0 1 2 .
0 0 5
0 0 5
0 0 1
Logo,
Isto e,
ou ainda,
1 1 1
1 0 0
A = (E12 (2))1 (E13 (2))1 (E23 (1))1 0 1 0 0 1 2 .
0 0 1
0 0 5
1 0 0
1 1 1
A = E12 (2)E13 (2)E23 (1) 0 1 0 0 1 2 ,
0 0 5
0 0 1
A = LDU ,
com
L = E12 (2)E13 (2)E23 (1) = 2

2
1 0 0
1
0 1 0
D =
e U= 0
0 0 5
0
1
0
Exemplo 15. Seja A =
0
0
1 2 3
0 1 7
P24 A =
0 0 10
0 0 5
2 3
0 5
0 10
1 7
4
8
e
6
6
4
6
. Tem-se:
6
8
0 0
1 0 ,
1 1
1 1
1 2 .
0 1
1
0
E34 (1/2) P24 A =
0
0
16
2 3 4
1 7 8
.
0 10 6
0 0 3
Logo,
Isto e,
ou ainda,
0
P24 A = (E34 (1/2))1
0
0
1
0
P24 A = E34 (1/2)
0
0
2 3 4
1 7 8
.
0 10 6
0 0 3
0 0 0
1 2
0 1
1 0 0
0 10 0 0 0
0 0 3
0 0
3 4
7 8
,
1 3/5
0 1
P A = LDU ,
com
P = P24 ,
1 0
0 1
D=
0 0
0 0
1
0
L = E34 (1/2) =
0
0
0 0
0 0
e U =
10 0
0 3
0 0
1 0
0 1
0 1/2
1
0
0
0
2
1
0
0
3
7
1
0
0
0
,
0
1
4
8
.
3/5
1
Observa
c
ao 12. Uma matriz A e invertvel se e so se for igual ao produto de matrizes
elementares.
Teorema 13. Seja A uma matriz do tipo n n.
(i) O sistema associado a AX = B tem solucao u
nica se e so se A for invertvel. Neste
1
caso a solucao e X = A B.
(ii) O sistema homogeneo AX = 0 tem solucao nao trivial se e so se A for singular (nao
invertvel).
Teorema 14. Sejam A e B duas matrizes do tipo n n. Se AB e invertvel, entao A e
B sao invertveis.
Dem. Considere o sistema (AB) X = 0. Se B nao fosse invertvel, entao pelo teorema
13 existiria X 6= 0 tal que BX = 0. Logo, X 6= 0 seria solucao nao trivial de ABX = 0, o
que contraria o teorema 13 uma vez que por hipotese AB e invertvel. Assim, B e invertvel.
Finalmente, A e invertvel por ser o produto de duas matrizes invertveis: A = (AB) B 1 .
Observa
c
ao 13. (Como inverter matrizes do tipo n n). Seja A uma matriz do
tipo n n e consideremos a equacao AX = B. Se A f
or invertvel temos
AX = B X = A1 B,
17
isto e,
AX = IB IX = A1 B.
Assim, para determinar a inversa de A, iremos transformar a matriz aumentada [A | I] na
matriz [I | A1 ], por meio de operacoes elementares aplicadas a`s linhas de [A | I]. Este
metodo tem o nome de m
etodo de elimina
c
ao de Gauss-Jordan2 e consistira na continuacao do metodo de eliminacao de Gauss agora aplicado a [matriz triangular superior | ],
efectuando-se as eliminacoes de baixo para cima de modo a obter-se [I | A1 ].
1 1 1
Exemplo 16. (i) Seja A = 2 1 4 . Tem-se
2 3 5
1 1 1 | 1 0 0
1 1 1 | 1 0 0
0 1 2 | 2 1 0
[A | I] = 2 1 4 | 0 1 0
2L1 +L2 L2
L2 +L3 L3
2 3 5 | 0 0 1 2L1 +L3 L3 0 1 3 | 2 0 1
1 1 1 | 1 0 0
1 1 1 |
1
0
0
0 1 2 | 2 1 0 1 0 1 2 | 2
1
0
2L3 +L2 L2
L
L
3
3
0 0 5 | 4 1 1 5
0 0 1 | 4/5 1/5 1/5
L3 +L1 L1
1 1 0 | 9/5 1/5 1/5
0 1 0 | 2/5 3/5 2/5
L2 +L1 L1
0 0 1 | 4/5 1/5
1/5
1 0 0 | 7/5 2/5 3/5

0 1 0 | 2/5 3/5 2/5
L2 L2
0 0 1 | 4/5 1/5 1/5
1 0 0 | 7/5
2/5 3/5
0 1 0 | 2/5 3/5 2/5 .
0 0 1 | 4/5 1/5
1/5
1 2 3
(ii) Seja A = 1 1 2
0 1 1
1 2 3 | 1
[A | I] = 1 1 2 | 0
0 1 1 | 0
. Tem-se
1 2
0 0
0 1
1 0
L1 +L2 L2
0 1
0 1
1 2
3 | 1 0
0 1 1 | 1 1
0 0
0 | 1 1
Logo, A e singular e como tal nao e invertvel.
Wilhelm Jordan 1842 1899
18
3 | 1 0 0
1 | 1 1 0
L2 +L3 L3
1 | 0 0 1
0
0 .
1
Espa
cos Lineares (Vectoriais)
No final do seculo XIX e no comeco do seculo XX tornou-se claro gracas a Grassmann 3 ,
Peano4 e a Weyl5 que desenvolvimento axiomatico da geometria Euclideana podia ser feita
apelando a estruturas matematicas Espacos Vectoriais e Euclideanos que desempanham
um papel determinante noutras areas da matematica e de outras ciencias. O estudo das
estruturas matematicas independente quer dos contextos que lhes deram origem quer dos
contextos em que aplicam constitui uma das ideias mais ricas da matematica do seculo XX
e e indissociavel da matematica Emmy Noether6 . A Algebra

linear e basicamente o estuda
dessas estruturas.
Defini
c
ao 19. Um conjunto nao vazio V e um espa
co linear (real) se existirem duas
operacoes associadas a V , uma soma de elementos de V e um produto de escalares (n
umeros
reais) por elementos de V , com as seguintes propriedades:
(a) (Fecho da soma). Para quaisquer u, v V tem-se u + v V .
(b) (Fecho do produto por escalares). Para quaisquer R e u V tem-se u V .
(c) (Comutatividade da soma). Para quaisquer u, v V , u + v = v + u.
(d) (Associatividade da soma). Para quaisquer u, v, w V , u + (v + w) = (u + v) + w.
(e) (Elemento neutro da soma). Existe um elemento de V designado por 0 tal que, para
qualquer u V , u + 0 = u.
(f ) (Simetrico). Para cada (qualquer) u V existe v V tal que u + v = 0. A v
chama-se o sim
etrico de u e denota-se por u.
(g) (Associatividade do produto por escalares). Para quaisquer , R e u V ,
(u) = () u.
(h) (Distributividade em relacao a` soma de vectores). Para quaisquer R e u, v V ,
(u + v) = u + v.
(i) (Distributividade em relacao a` soma de escalares). Para quaisquer , R e u V ,
( + ) u = u + u.
(j) Para qualquer u V , 1u = u.
Observa
c
ao 14. Aos elementos de V chamaremos vectores.
Exemplo 17. Exemplos de espacos lineares:
3
Hermann Grassmann 18091877

Giuseppe Peano 18581932
5
Hermanm Weyl 18851955
6
Emmy Noether 18821935
4
19
(i) Rn , com as operacoes usuais:

(u1 , u2 , ..., un ) + (v1 , v2 , ..., vn ) = (u1 + v1 , u2 + v2 , ..., un + vn ),
(u1 , u2 , ..., un ) = (u1 , u2 , ..., un ).
(ii) Matmn (R) (conjunto de todas as matrizes reais do tipo m n), com as operacoes
(usuais): A + B e A.
(iii) O conjunto de todas as funcoes reais de variavel real definidas num conjunto nao
vazio S R, com as operacoes usuais:
(f + g)(x) = f (x) + g(x),
(f )(x) = f (x).
(iv) O conjunto P de todos os polinomios reais, com as operacoes usuais.
(v) O conjunto Pn de todos os polinomios reais de grau menor ou igual a n, com as
operacoes usuais.
Observa
c
ao 15. Um mesmo conjunto pode servir para formar espacos lineares diferentes:
(i) O conjunto dos n
umeros reais R, com a soma definida por
u v = u + v + 1,
e o produto por escalares definido por
u = u + 1,
e um espaco linear. (Neste caso o elemento neutro e 1.)
(ii) O conjunto dos n
umeros reais maiores do que zero, com a soma definida por
u v = uv,
e o produto por escalares definido por
u = u ,
e um espaco linear. (Neste caso o elemento neutro e 1.)
Observa
c
ao 16. Alteracoes nos conjuntos considerados anteriormente podem resultar
em conjuntos que nao sao espacos lineares.
(i) O conjunto {(x, y) R2 : x 0 e y 0}, com as operacoes usuais, nao e um espaco
linear. Por exemplo, os simetricos nao estao no conjunto.
20
(ii) O conjunto V = {a0 + a1 t + ... + an tn : a0 , a1 , ..., an R e an 6= 0}, com as operacoes

usuais, nao e um espaco linear. Por exemplo:
tn , tn + t V , mas tn + (tn + t) = t
/ V.
(iii) O conjunto U = {f : R R tais que f (1) = 2}, com as operacoes usuais, nao e
um espaco linear. Por exemplo, se f1 , f2 U ,
(f1 + f2 ) (1) = f1 (1) + f2 (1) = 2 + 2 = 4 6= 2.
Logo, f1 + f2
/ U.
Subespa
cos lineares exemplos: n
ucleo, espa
co colunas e linhas de
uma matriz
Defini
c
ao 20. Seja V um espaco linear. Diz-se que S e um subespa
co de V se S e um
subconjunto de V e se S, com as operacoes de V , for um espaco linear.
Observa
c
ao 17. No entanto, para mostrar que um certo conjunto S V e um subespaco
do espaco linear V , nao sera necessario verificar as 10 propriedades da definicao 19, como se
pode ver no seguinte teorema.
Teorema 15. Um subconjunto nao vazio S de um espaco linear V e um subespaco de
V se e so se:
(i) Para quaisquer u, v S tem-se u + v S.
(ii) Para quaisquer R e u S tem-se u S.
Exemplo 18. Exemplos de subespacos:
(i) Os u
nicos subespacos do espaco linear R, com as operacoes usuais, sao {0} e R.
(ii) Os subespacos do espaco linear R3 , com as operacoes usuais, sao: {(0, 0, 0)}, R3 ,
todas as rectas que passam pela origem e todos os planos que passam pela origem.
(iii) O conjunto de todas as matrizes (reais) triangulares superiores (do tipo n n) e um
subespaco do espaco linear Matnn (R), com as operacoes usuais.
(iv) O conjunto de todas as funcoes reais definidas e contnuas em I R (I e um
intervalo) e um subespaco do espaco linear de todas as funcoes f : I R, com as operacoes
usuais.
(v) Seja A uma matriz (real) do tipo m n. O conjunto
C(A) = {b Rm : Au = b tem pelo menos uma solucao u}
21
e um subespaco do espaco linear Rm , com as operacoes usuais, ao qual se da o nome de

espa
co das colunas de A.
(vi) Seja A uma matriz (real) do tipo m n. O conjunto
Nuc(A) = {u Rn : Au = 0}
e um subespaco do espaco linear Rn , com as operacoes usuais, ao qual se da o nome de
espa
co nulo ou n
ucleo de A.
Observa
c
ao 18. (i) Se A e invertvel entao Nuc(A) = {0}.
(ii) Se Nuc(A) = {0} entao A e invertvel.
(iii) Poderemos obter subespacos de um espaco linear atraves de combinacoes lineares
de vectores desse espaco.
Defini
c
ao 21. Seja S um subconjunto nao vazio de um espaco linear V . Diz-se que um
vector u e combina
c
ao linear finita dos elementos de S, se existir um no finito de elementos
de S, u1 , ..., uk , e de escalares 1 , ..., k tais que
u = 1 u1 + ... + k uk =
k
X
i ui .
i=1
Ao cojunto de todas as combinacoes lineares finitas de elementos de S chama-se expans

ao
linear de S e designa-se por L(S). Se S e o conjunto vazio , escreve-se L() = {0}.
Teorema 16. Seja S um subconjunto nao vazio de um espaco linear V . A expansao
linear L(S) de S e o menor subespaco de V que contem S. Deste modo, a L(S) tambem se
chama o subespa
co gerado por S, e diz-se que S gera L(S).
Observa
c
ao 19. Seja S e T dois subconjuntos nao vazios de um espaco linear V , com
S T . Se L(S) = V entao L(T ) = V .
Exemplo 19. (i) O espaco linear R2 e gerado por qualquer dos seguintes conjuntos de
vectores:
{(1, 0), (0, 1)}, {(1, 2), (1, 11)} e {(23, 8), (6, 14)}.
(ii) O subespaco {(x, y) R2 : y = 2x} do espaco linear R2 e gerado por qualquer dos
seguintes conjuntos de vectores:
{(1, 2)}, {(2, 4)} e {(77, 154)}.
(iii) O espaco linear Pn de todos os polinomios de grau menor ou igual a n, e gerado
por qualquer dos seguintes conjuntos de vectores:
{1, t, t2 , ..., tn }, {1, 1 + t, (1 + t)2 , ..., (1 + t)n } e {1,
22
t t2
tn
, , ..., }.
1! 2!
n!
(iv) O espaco linear P de todos os polinomios, e gerado pelo conjunto infinito de vectores:
{1, t, t2 , ...}.
(v) O espaco linear V de todas as funcoes f : R R diferenciaveis tais que f 0 (x) = af (x)
e gerado pela funcao f1 (x) = eax , i.e. V = L({f1 }).
(vi) Seja A uma matriz (real) do tipo m n. O espaco das colunas de A,
C(A) = {b Rm : Au = b tem pelo menos uma solucao u} ,
e o subespaco (do

b1
a11
b2 a21

.. = ..
. .
bm
am1
espaco linear Rm ) gerado pelas colunas de A, uma vez que:
a12 a1n
u1
a11
a12
a1n
u2
a21
a22
a2n
a22 a2n
..
.. .. = u1 .. + u2 .. + ... + un ..
.
.
.
.
. .
am2 amn
un
am1
am2
amn
(vii) Seja A uma matriz (real) do tipo m n. Ao subespaco linear de Rn gerado pelas
linhas de A da-se o nome de espa
co das linhas de A e designa-se por L(A).
(viii) Sejam
A=
Tem-se
0 0 0
0 0 0
1 3 1
1 2
, B = 0 0 7 , C = 2 4
0 0 0
2 4
C(A) = {(0, 0)}, Nuc(A) = R3
e D=
2 0
0 1
e L(A) = {(0, 0, 0)}.
C(B) = L ({(1, 0, 0) , (1, 7, 0)}) , Nuc(B) = L ({(3, 1, 0)}) e L(B) = L ({(1, 3, 1) , (0, 0, 7)}) .
C(C) = L ({(1, 2, 2)}) , Nuc(C) = L ({(2, 1)}) e L(C) = L ({(1, 2)}) .
C(D) = L ({(2, 0) , (0, 1)}) , Nuc(D) = {(0, 0)} e L(D) = L ({(2, 0) , (0, 1)}) .
(ix) Seja U = {A Mat32 (R) : a12
A U,

a11 a12
2a31
0
A = a21 a22 =
a31 a32
a31
com a31 , a22 R. Logo,
= a21 = a32 = 0 e a11 + 2a31 = 0}. Tem-se, para
0
2 0
0 0
a22 = a31 0 0 + a22 0 1 ,
0
1 0
0 0
0 0
2 0
U = L 0 0 , 0 1 .
1 0
0 0
(x) Seja U = {p(t) = a0 + a1 t + a2 t2 P2 : p(1) = p(0)}. Tem-se, para p(t) U ,

p(1) = p(0) a0 + a1 + a2 = a0 a1 + a2 = 0 a1 = a2 .
23
Logo,
com a0 , a2 R. Assim,

p(t) = a0 a2 t + a2 t2 = a0 1 + a2 t + t2 ,
U =L
1, t + t2
Teorema 17. Se U e V sao subespacos do espaco linear W , entao:

(i) O conjunto U V e um subespaco linear de W .
o menor
(ii) O conjunto U + V = {u + v : u U e v V } e um subespaco de W . E
subespaco de W que contem U V . O conjunto U V em geral nao e um subespaco. Tem-se
U + V = L(U V ).
Exemplo 20. (i) Em R3 , considere os subespacos:
U = {(x, y, z) R3 : x + y 2z = 0} e V = L ({(1, 1, 1), (1, 2, 1)}) .
Seja v V , entao
v = (1, 1, 1) + (1, 2, 1) = ( + , + 2, + ),
com , R. Para que v esteja tambem em U e preciso que:
( + ) + ( + 2) 2 ( + ) = 0.
Au
ltima equacao e equivalente a 4 + = 0 = 4. Logo,
U V = {(3, 7, 5) : R} = {(3, 7, 5) : R} = L ({(3, 7, 5)}) .
(ii) Em R3 , considere os subespacos:
U = L ({(1, 1, 1), (1, 2, 2)})
e V = L ({(2, 1, 1), (1, 1, 3)}) .
Seja v U , entao
v = (1, 1, 1) + (1, 2, 2) = ( + , + 2, + 2),
com , R. Para que v esteja tambem em V e preciso que:
( + , + 2, + 2) = (2, 1, 1) + (1, 1, 3) =
= (2 , + , + 3) ,
com , R. Deste modo,
+ = 2
+ 2 = +
+ 2 = + 3.
24
Considerando a matriz aumentada tem-se
1 1 | 2
1 1 | 2
1 1 | 2
1 2 | +
0 3 |
0 3 |
3
3
L1 +L2 L2
31 L2 +L3 L3
1 2 | + 3 L1 +L3 L3 0 1 | + 4
0 0 | 2 + 4
Logo,
=
2
=
= 2
0 = 2 + 4.
= 2.
Assim,
(1, 1, 1) + (1, 2, 2) = (1, 1, 1) + 2(1, 2, 2) = (3, 3, 5) = (3, 3, 5).

Logo,
U V = {(3, 3, 5) : R} ={(3, 3, 5) : R} = L ({(3, 3, 5)}) .
Observa
c
ao 20. Neste exemplo (ii), os subespacos U e V poderiam ter sido apresentados
inicialmente na forma:
U = {(x, y, z) R3 : 4x + y 3z = 0} e V = {(x, y, z) R3 : 2x 7y + 3z = 0},
uma vez que
U = {(x, y, z) R3 : 4x + y 3z = 0} = L ({(1, 4, 0), (0, 3, 1)}) = L ({(1, 1, 1), (1, 2, 2)})
e
V = {(x, y, z) R3 : 2x7y+3z = 0} = L ({(7, 2, 0), (3, 0, 2)}) = L ({(2, 1, 1), (1, 1, 3)}) .
(iii) Sejam W = Matnn (R), U o subespaco (de W ) das matrizes triangulares superiores,
V o subespaco (de W ) das matrizes triangulares inferiores. Entao
U +V =W
U V = subespaco das matrizes diagonais.
(iv) Sejam W = R2 , U = L({(1, 0)}) e V = L({(0, 1)}). O conjunto

U V = {(x, y) R2 : x = 0 y = 0}
nao e um espaco linear:
/ U V
(1, 0) + (0, 1) = (1, 1)
| {z } | {z }
U
Teorema 18. Se U e V subespacos do espaco linear W , entao U V e subespaco de W

se e so se U V ou V U .
Teorema 19. Sejam W1 e W2 subespacos de um espaco linear V tais que
W1 W2 = {0}.
25
Se V = W1 + W2 entao todo o vector v V pode ser escrito de modo u

nico na forma
v = w 1 + w2
com w1 W1 e w2 W2 . Neste caso escreve-se V = W1 W2 e diz-se que V e a soma
directa dos espacos W1 e W2 .
Teorema 20. O espaco das linhas L(A) e o n
ucleo Nuc(A) de uma matriz A
Matmn (R) mantem-se invariantes por aplicacao do metodo de eliminacao de Gauss. Isto e,
sendo A0 a matriz em escada que se obtem de A por aplicacao desse metodo, tem-se
L(A) = L(A0 ) e Nuc(A) = Nuc(A0 ).
Observa
c
ao 21. Seja A Matmn (R). Se A0 for a matriz em escada que se obtem de A
por aplicacao do metodo de eliminacao de Gauss, tem-se
C(A) 6= C(A0 ).
Teorema 21. Seja A Matmn (R). Tem-se
C(A) = L(AT ) e L(A) Nuc(A) = {0}.
Independencia linear
Defini
c
ao 22. Seja V um espaco linear. Seja S = {v1 , v2 , ..., vk } V . Diz-se que o
conjunto S e linearmente dependente se e so se algum dos vectores de S se escrever como
combinacao linear dos restantes, isto e, se e so se existir algum i {1, 2, ..., k} e escalares
1 , 2 , ..., i1 , i+1 , ..., k R tais que
vi = 1 v1 + 2 v2 + ... + i1 vi1 + i+1 vi+1 + ... + k vk .
Defini
c
ao 23. Seja V um espaco linear. Seja S = {v1 , v2 , ..., vk } V . Diz-se que o
conjunto S e linearmente independente se e so se nenhum dos vectores de S se puder
escrever como combinacao linear dos restantes, isto e, se e so a u
nica solucao do sistema
homogeneo
1 v1 + 2 v2 + ... + k vk = 0
for a solucao trivial, ou seja, 1 = 2 = ... = k = 0. Isto e, sendo A a matriz cujas colunas
sao os vectores de S, diz-se que S e linearmente independente se e so se Nuc(A) = {0}.
Teorema 22. Seja A0 uma matriz em escada de linhas.
(i) As colunas de A0 que contem pivots sao linearmente independentes.
(ii) As linhas nao nulas de A0 sao linearmente independentes.
(iii) O no de linhas independentes e o no de colunas independentes (de A0 ) sao ambos
iguais a` caracterstica de A0 .
Observa
c
ao 22. (i) Assim, atendendo ao teorema anterior, a independencia linear de
S = {v1 , v2 , ..., vk } V (espaco linear) pode ser decidida aplicando o metodo de eliminacao
26
a` matriz A cujas colunas sao os vectores de S, de modo a coloca-la em escada de linhas.

Sendo A0 essa matriz em escada, tem-se pelo teorema 20
Nuc(A) = Nuc(A0 ) (*).
Uma vez que as colunas de A0 que contem pivots sao linearmente independentes entao, devido
a (*), as colunas de A nas posicoes correspondentes tambem serao linearmente independentes.
(ii) Em R, quaisquer dois vectores sao linearmente dependentes.
(iii) Em R2 , dois vectores sao linearmente independentes se nao forem colineares.
(iv) Em R3 , tres vectores sao linearmente independentes se nao forem coplanares.
(v) Qualquer conjunto que contenha o vector nulo (elemento neutro) e linearmente dependente. Em particular, o conjunto {0}, formado apenas pelo vector nulo, e linearmente
dependente.
(vi) O conjunto vazio e linearmente independente.
Teorema 23. Sejam S1 e S2 dois subconjuntos finitos de um espaco linear, tais que
S1 S 2 .
(i) Se S1 e linearmente dependente entao S2 tambem e linearmente dependente.
(ii) Se S2 e linearmente independente entao S1 tambem e linearmente independente.
Observa
c
ao 23. Sejam S1 e S2 dois subconjuntos finitos de um espaco linear, tais que
S1 S 2 .
(i) Se S2 for linearmente dependente entao S1 tanto pode ser linearmente dependente
como linearmente independente.
(ii) Se S1 for linearmente independente entao S2 tanto pode ser linearmente dependente
como linearmente independente.
Exemplo 21.
A= 0
2
Seja S = {(1, 0, 2), (2, 0, 4), (0, 1, 2)}. Tem-se
2 0
1 2 0
1 2 0
0 0 1
0 0 1 = A0 .
0 1
2L1 +L3 L3
2L2 +L3 L3
4 2
0 0 2
0 0 0
Logo, como apenas existem dois pivots e portanto uma variavel livre, as tres colunas de A
sao linearmente dependentes, isto e, o conjunto S e linearmente dependente. O subconjunto
de S:
{(1, 0, 2), (2, 0, 4)}
tambem e linearmente dependente. No entanto, uma vez que a 1a e 3a colunas de A sao

independentes pois correspondem a`s colunas da matriz em escada A0 que contem os pivots,
o subconjunto de S:
{(1, 0, 2), (0, 1, 2)}
e linearmente independente.
27
Bases e dimens
ao de Espa
cos Lineares
Defini
c
ao 24. Chama-se base de um espaco linear V a qualquer subconjunto S de V que
verifique as duas condicoes:
(i) S gera V , isto e, L(S) = V .
(ii) S e linearmente independente.
Teorema 24. Qualquer espaco linear V 6= {0} tem pelo menos uma base.
Dem.: Demonstracao nao trivial!!
Observa
c
ao 24. Qualquer espaco linear V 6= {0} tem um no infinito de bases. Por exemplo, se S = {u1 , ..., uk } for uma base de V entao para cada 6= 0 o conjunto {u1 , ..., uk }
e tambem uma base de V .
Teorema 25. Todas as bases de um espaco linear V 6= {0} tem o mesmo no de vectores.
Defini
c
ao 25. Chama-se dimens
ao de um espaco linear V 6= {0} ao no de vectores de
uma base qualquer de V , e escreve-se dim V . Se V = {0} entao dim V = 0 uma vez que
o conjunto vazio e base de {0}. Um espaco linear tera dimensao finita se uma sua base
tiver um no finito de vectores.
Exemplo 22. (i) O conjunto {1} e uma base de R, chamada base canonica ou natural
de R. Logo,
dim R = 1.
(ii) O conjunto {(1, 0), (0, 1)} e uma base de R2 , chamada base canonica ou natural de
R2 . Logo,
dim R2 = 2.
(iii) O conjunto {(1, 0, 0), (0, 1, 0), (0, 0, 1)} e uma base de R3 , chamada base canonica
ou natural de R3 . Logo,
dim R3 = 3.
(iv) O conjunto

1 0 0
0 1 0
0 0 1
0 0 0
0 0 0
0 0 0
,
,
,
,
,
0 0 0
0 0 0
0 0 0
1 0 0
0 1 0
0 0 1
e uma base de Mat23 (R), chamada base canonica ou natural de Mat23 (R). Logo,
dim Mat23 (R) = 6.
(v) Tem-se
dim Rn = n e dim Matmn (R) = mn.
(vi) O conjunto {1, t, t2 , ..., tn } e uma base de Pn (espaco linear de todos os polinomios
reais de grau menor ou igual a n), chamada base canonica ou natural de Pn . Logo,
dim Pn = n + 1.
28
(vii) O conjunto {1, t, t2 , ...} e uma base de P (espaco linear de todos os polinomios
reais), chamada base canonica ou natural de P . Logo,
dim P = .
Defini
c
ao 26. Chama-se nulidade a` dimensao do n
ucleo ou espaco nulo de uma matriz
A e escreve-se nul A.
Teorema 26. Seja A Matmn (R).
(i) Tem-se
dim C(A) = dim L(A) = car A.
(ii) Tem-se
car A + nul A = n.
Teorema 27. Sejam W1 e W2 dois subespacos de dimensao finita de um espaco linear
V . Entao,
dim (W1 + W2 ) = dim W1 + dim W2 dim (W1 W2 ) .
Teorema 28. Sejam V um espaco linear de dimensao finita e W um subespaco de V .
(i) Seja S = {u1 , ..., uk } V . Se S e linearmente independente entao S sera um subconjunto de uma base de V e ter-se-a dim V k.
(ii) Se dim V = n, entao quaisquer m vectores de V , com m > n, sao linearmente
dependentes.
(iii) Se dim V = n, entao nenhum conjunto com m vectores de V , em que m < n, pode
gerar V .
(iv) O subespaco W tem dimensao finita e dim W dim V .
(v) Se dim W = dim V , entao W = V .
(vi) Se dim V = n, entao quaisquer n vectores de V linearmente independentes constituem uma base de V .
(vii) Se dim V = n, entao quaisquer n vectores geradores de V constituem uma base de
V.
Observa
c
ao 25. O no de elementos de uma base de um espaco linear e igual ao no
mnimo de vectores possam constituir um conjunto gerador desse espaco e e tambem igual
ao no maximo de vectores que possam constituir um conjunto linearmente independente
nesse espaco.
Exemplo 23. Seja A Matmn (R). Como L(A) e Nuc(A) sao subespacos de Rn entao
L(A) + Nuc(A) = L (L(A) Nuc(A))
29
e tambem um subepaco de Rn . Por outro lado, atendendo a que

L(A) Nuc(A) = {0}
(teorema 21), tem-se
dim (L(A) Nuc(A)) = 0.
Assim,
dim (L(A) + Nuc(A)) = dim L(A) + dim Nuc(A) dim (L(A) Nuc(A)) =
= car A + nul A 0 =
= n.
Logo, pelo teorema 28 (v), tem-se
Rn = L(A) Nuc(A).
Exemplo 24. (i) Os seguintes conjuntos sao todos os subespacos de R:
{0} e R.
(ii) Os seguintes conjuntos sao todos os subespacos de R2 :
{(0, 0)} , todas as rectas que contem a origem e R2 .
(iii) Os seguintes conjuntos sao todos os subespacos de R3 :
{(0, 0, 0)} , todas as rectas que contem a origem, todos os planos que contem a origem e R 3 .
Observa
c
ao 26. O metodo de eliminacao de Gauss permite determinar a dimensao
e uma base quer para o espaco das linhas L(A) quer para o espaco das colunas C(A) de
uma matriz A. Seja A0 a matriz em escada que se obtem de A por aplicacao do metodo de
eliminacao de Gauss. Entao,
(i) Uma base para L(A) sera formada pelas linhas nao nulas de A0 .
(ii) Uma base para C(A) sera formada pelas colunas de A que correspondem a`s posicoes
das colunas de A0 que contem os pivots.
Exemplo 25. Seja
Tem-se
2
1 1 1
2 3 3 .
A= 4
6 3 1 1
2
1 1 1
2 1 1 1
2 1 1 1
0 0 1 1
0 0 1 1 = A0 .
A= 4
2 3 3
2L1 +L2 L2
4L2 +L3 L3
6 3 1 1
0 0 4 4
0 0 0 0
3L1 +L3 L3
30
Logo, {(2, 1, 1, 1), (0, 0, 1, 1)} e uma base de L(A) e {(2, 4, 6), (1, 3, 1)} e uma base de C(A).
Assim,
dim L(A) = 2 = dim C(A)
e
L(A) = L ({(2, 1, 1, 1), (0, 0, 1, 1)}) , C(A) = L ({(2, 4, 6), (1, 3, 1)}) .
Por outro lado,

x
y

Nuc(A0 ) =
(x, y, z, w) R4 : A0
z =
w
= {(x, 2x, w, w) : x, w R} =
= L{(1, 2, 0, 0), (0, 0, 1, 1)}.
0
=
0
Como o conjunto {(1, 2, 0, 0), (0, 0, 1, 1)} e linearmente independente e gera Nuc(A 0 ) entao
e uma base de Nuc(A0 ). Finalmente, uma vez que Nuc(A) = Nuc(A0 ), o conjunto
{(1, 2, 0, 0), (0, 0, 1, 1)}
e uma base de Nuc(A) e portanto dim Nuc(A) = 2, com
Nuc(A) = L{(1, 2, 0, 0), (0, 0, 1, 1)}.
Exemplo 26. Seja S = {1, 2, 1), (2, 1, 1), (1, 2, 1), (0, 1, 0)} R3 . Determinemos
uma base para L(S).
Considere a seguinte matriz cujas colunas
1 2
2 1
1 1
Tem-se
sao os vectores de S:
1 0
2 1 .
1 0
1 2 1 0
1 2 1 0
1 2 1 0
0 3 0 1 0 3 0 1 .
2 1 2 1
2L1 +L2 L2
L2 +L3 L3
1 1 1 0
0 3
0 0
0 0
0 1
L1 +L3 L3
Logo, S 0 = {1, 2, 1), (2, 1, 1), (0, 1, 0)} e uma base de L(S). Como dim R3 = 3, entao tem-se
mesmo: L(S) = R3 e S 0 e uma base de R3 .
Resolu
c
ao alternativa: Considere a seguinte matriz cujas linhas sao os vectores de S:
1
2 1
2
1
1
1 2 1 .
0
1
0
31
Tem-se
1
2 1
2
1
1
1 2 1 2L1
+L2 L2
L1 +L3 L3
0
1
0
1 2 1
1 2 1
0 3 3
0 3 3
0 0
0
0 1
0
L3 L4
0 1
0
0 0
0
1
L +L3 L3
3 2
1 2 1
0 3 3
.
0 0
1
0 0
0
Logo, S 0 = {1, 2, 1), (0, 3, 3), (0, 0, 1)} e uma base de L(S). Como dim R3 = 3, entao
tem-se mesmo: L(S) = R3 e S 0 e uma base de R3 .
Exemplo 27. Seja Sa,b = {1, 0, 1), (0, 1, a), (1, 1, b), (1, 1, 1)} R3 . Determinemos os
valores dos parametros a e b para os quais Sa,b nao gere R3 .
Considere a seguinte matriz cujas colunas sao os vectores de S:
1 0 1 1
0 1 1 1 .
1 a b 1
Tem-se
1 0 1 1
1 0
1
1
1 0
1
1
0 1 1 1
0 1
0 1
1
1
1
1 .
L1 +L3 L3
aL2 +L3 L3
1 a b 1
0 a b1 0
0 0 b a 1 a
Logo, Sa,b nao gera R3 se e so se b a 1 = 0 e a = 0, isto e, se e so se a = 0 e b = 1.
Teorema 29. (i) Seja A Matmn (R). As colunas de A geram Rm se e so se car A = m.

(ii) Seja A Matmn (R). As colunas de A sao linearmente independentes se e so se
car A = n.
(iii) Seja A Matnn (R). A matriz A e invertvel se e so se as colunas de A (ou as
linhas de A) formarem uma base de Rn . No caso de A ser invertvel tem-se
C(A) = L(A) = Rn .
Observa
c
ao 27. Seja A Matmn (R) e considere o sistema de equacoes lineares Au = b.
(i) O sistema Au = b e impossvel (nao tem solucao) se e so se b
/ C(A), isto e, se e so
se car A < car [A | b].
(ii) O sistema Au = b e possvel e indeterminado (tem um no infinito de solucoes) se
e so se b C(A) e as colunas de A forem linearmente dependentes, isto e, se e so se car A =
car [A | b] < n, isto e, se e so se car A = car [A | b] e nul A 6= 0.
(iii) O sistema Au = b e possvel e determinado (tem uma u
nica solucao) se e so
se b C(A) e as colunas de A forem linearmente independentes, isto e, se e so se car A =
car [A | b] = n, isto e, se e so se car A = car [A | b] e nul A = 0.
Observa
c
ao 28. Seja A Matmn (R) e considere o sistema de equacoes lineares Au = b.
32
(i) Exist
encia de solu
c
ao: Se m n entao o sistema Au = b tem pelo menos uma
m
solucao u para cada b R se e so se car A = m.
(ii) Unicidade de solu
c
ao: Se m n entao o sistema Au = b tem no maximo uma
m
solucao u para cada b R se e so se car A = n, isto e, se e so se nul A = 0.
(iii) Exist
encia e unicidade de solu
c
ao: Se m = n entao o sistema Au = b tem
m
solucao u
nica u para cada b R se e so se A for invertvel.
Teorema 30. Seja A Matnn (R). As seguintes afirmacoes sao equivalentes.
(i) A e nao singular.
(ii) A e invertvel.
(iii) Nuc(A) = {0}.
(iv) nul A = 0.
(v) Au = 0 tem apenas a solucao trivial u = 0.
(vi) Au = b tem solucao u
nica u para cada b Rn .
(vii) A caracterstica de A e maxima, isto e, car A = n.
(viii) As colunas de A geram Rn .
(ix) As colunas de A sao independentes.
(x) As linhas de A geram Rn .
(xi) As linhas de A sao independentes.
(xii) A menos de permutacoes de linhas, a matriz A admite uma u
nica factorizacao
triangular LDU .
Matriz mudan
ca de base
Defini
c
ao 27. Seja S = {v1 , v2 , ..., vk } uma base ordenada de um espaco linear V e seja u
um vector de V . Chamam-se coordenadas do vector u na base ordenada S aos escalares
1 , 2 , ..., k da combinacao linear:
u = 1 v1 + 2 v2 + ... + k vk .
Teorema 31. Seja V um espaco linear.
(i) Um conjunto S de vectores nao nulos de V e uma base de V se e so se todo o vector
de V puder ser escrito de modo u
nico como combinacao linear dos vectores de S.
33
(ii) Se dim V = n, entao dados u, w V e S = {v1 , v2 , . . . , vn } uma base ordenada de

V , tem-se u = w se e so se as coordenadas de u e de w na base S forem iguais.
Teorema 32. Seja V um espaco linear de dimensao n. Sejam S1 = {v1 , v2 , . . . , vn } e
S2 = {w1 , w2 , . . . , wn } duas bases ordenadas de V . Seja SS1 S2 a matriz cujas colunas sao
as coordenadas dos vectores de S1 em relacao a` base S2 . Isto e,
SS1 S2 = (sij )nn
com vj =
n
X
sij wi
para todo o j = 1, ..., n.
i=1
A matriz SS1 S2 e nao singular e chama-se matriz de mudan

ca de base (da base S1 para
S2 ). Assim, se tivermos
n
X
i v i ,
u=
i=1
isto e, se (1 , ..., n ) forem as coordenadas do vector u na base S1 entao as coordenadas

(1 , ..., n ) de u na base S2 sao dadas por
1
1
.
..
. = SS1 S2 .. .
n
n
Dem. Tem-se
u=
n
X
i wi =
i=1
n
X
j v j =
j=1
n
X
j=1
n
X
sij wi =
i=1
n
n
X
X
i=1
j=1
sij j
wi .
Atendendo ao teorema 31 (i), as coordenadas de um vector u numa base sao u

nicas. Logo,
!
n
X
i =
sij j ,
j=1
para todo o i = 1, ..., n. Isto e,
Observa
c
ao 29. Tem-se
1
..
. = SS1 S2
n
1
.. .
.
n
SS2 S1 = (SS1 S2 )1 .
Exemplo 28. Seja Bc = {(1, 0), (0, 1)} a base canonica de R2 . Seja B = {(1, 2), (2, 1)}
uma outra base ordenada de R2 . Sejam (2, 3) as coordenadas de um vector u na base
canonica Bc e determinemos as coordenadas de u na base B usando a matriz de mudanca de
base SBc B . Tem-se

1/3 2/3
SBc B =
,
2/3 1/3
34
uma vez que
1
2
(1, 0) = (1, 2) + (2, 1) e (0, 1) =
3
3
Logo, as coordenadas de u na base B sao dadas por

2
1/3 2/3
2
SBc B
=
3
2/3 1/3
3
2
1
(1, 2) (2, 1).
3
3

4/3
1/3
Logo, 4/3 e 1/3 sao as coordenadas de (2, 3) na base ordenada B, isto e

1
4
(2, 3) = (1, 2) + (2, 1).
3
3
Transforma
co
es Lineares
Defini
c
ao 28. Sejam U e V espacos lineares. Diz-se que
T :U V
e uma transforma
c
ao linear se e so se verificar as duas condicoes:
(i) T (u + v) = T (u) + T (v), para todos os u, v U .
(ii) T (u) = T (u), para todos os u U e R.
Observa
c
ao 30. Sejam U e V espacos lineares. Sejam 0 o vector nulo de U e 00 o vector
nulo de V .
(i) Se T : U V for uma transformacao linear entao T (U ) e um subespaco de V e
alem disso tem-se T (0) = 00 . Logo, se T nao verificar T (0) = 00 entao T nao sera uma
transformacao linear.
(ii) T : U V e uma transformacao linear se e so se
T (u + v) = T (u) + T (v),
para todos os , R e u, v U .
(iii) Seja T : U V uma transformacao linear e seja {v1 , v2 , . . . , vn } uma base de U .
Seja u U . Logo, existem 1 , 2 , ..., n R tais que
u = 1 v1 + 2 v2 + ... + n vn .
Tem-se entao
T (u) = 1 T (v1 ) + 2 T (v2 ) + ... + n T (vn ).
Exemplo 29. Consideremos a base canonica {(1, 0) , (0, 1)} de R2 . Seja T : R2 R
uma transformacao linear tal que T (1, 0) = 1 e T (0, 1) = 1.
35
Para qualquer (x, y) R2 tem-se

(x, y) = x(1, 0) + y(0, 1).
Entao,
T (x, y) = T (x(1, 0) + y(0, 1)) = xT (1, 0) + yT (0, 1) = x + y.
Logo, T : R2 R e a transformacao linear definida explicitamente por
T (x, y) = x + y.
Teorema 33. Sejam U e V espacos lineares e seja {v1 , v2 , . . . , vn } uma base de U . Sejam
T1 , T2 : U V duas transformacoes lineares.
Se T1 (vi ) = T2 (vi ) para todo o i = 1, . . . , n, entao T1 (u) = T2 (u),
para todo o u U , isto e, T1 = T2 .
Exemplo 30. Sejam U e V espacos lineares e seja 0 o vector nulo de V .
(i) Seja O : U V definida por
O(u) = 0,
para todo o u U . O e uma transformacao linear e chama-se transforma

c
ao nula.
(ii) Seja R. Seja T : U U definida por
T (u) = u,
para todo o u U . T e uma transformacao linear. Se = 1 entao chama-se a T1 a
transforma
c
ao identidade e denota-se por I. Tem-se I(u) = u, para todo o u U .
(iii) Seja
tr : Matnn (R) R
definida por
tr(A) = a11 + a22 + ... + ann =
n
X
aii ,
i=1
para todo o A = (aij )nn Matnn (R). tr (traco) e uma transformacao linear.
(iv) Seja A Matmn (R). Seja
T : Rn R m
definida por
T (u) = Au,
para todo o u Rn . T e uma transformacao linear.
(v) Seja E o espaco das funcoes diferenciaveis. Entao T : E E definida por
T (f ) = f 0
e uma transformacao linear.
36
Representa
c
ao matricial de uma transforma
c
ao linear
Teorema 34. Sejam U e V espacos lineares de dimensoes finitas tais que dim U = n e
dim V = m. Sejam S1 = {u1 , u2 , . . . , un } e S2 = {v1 , v2 , . . . , vm } duas bases ordenadas
de U e V respectivamente. Seja T : U V uma transformacao linear. Considere-se a
matriz A = (aij )mn Matmn (R) cuja coluna j, para cada j = 1, ..., n, e formada pelas
coordenadas de T (uj ) na base S2 . Isto e,
T (uj ) =
m
X
aij vi .
i=1
Chama-se a esta matriz A a representa

c
ao matricial de T em relacao a`s bases S 1 e S2 e
escreve-se
A = M (T ; S1 ; S2 ).
Alem disso, sendo 1 , 2 , ..., n as
entao as coordenadas 1 , 2 , ..., m
1

2
..
.
m
coordenadas de um vector v U na base ordenada S1

de T (v) V na base ordenada S2 sao dadas por
= M (T ; S1 ; S2 ) .. .
.
n
Observa
c
ao 31. (a) Seja V um espaco linear de dimensao finita, com dim V = n. Sejam
S1 = {u1 , u2 , . . . , un } e S2 = {v1 , v2 , . . . , vn } duas bases ordenadas de V . A representacao
matricial da transformacao identidade I : V V em relacao a`s bases S1 e S2 e igual a`
matriz de mudanca da base S1 para S2 . Isto e,
M (I; S1 ; S2 ) = SS1 S2 .
(b) Quando a base de partida e chegada coincidem S2 = S1 , denota-se M (T ; S1 ; S2 ) somplesmente por M (T ; S1 ).
Teorema 35. Sejam Bcn = {e1 , e2 , . . . , en } e Bcm = {e01 , e02 , . . . , e0m } as bases canonicas
(ordenadas) de Rn e Rm respectivamente. Seja T : Rn Rm uma transformacao linear.
Considere-se a matriz A = (aij )mn = M (T ; Bcn ; Bcm ) Matmn (R) cuja coluna j, para cada
j = 1, ..., n, e formada pelas coordenadas de T (ej ) na base Bcm . Isto e,

1
0
a
1j
m
.
X
0
.
T (ej ) =
aij e0i = a1j .. + ... + amj . = ... .
.
0
i=1
amj
0
1
Entao, tem-se, para todo o u Rn ,
T (u) = Au.
Dem. Seja u Rn . Entao, existem 1 , 2 , ..., n R tais que

u = 1 e1 + 2 e2 + ... + n en =
n
X
j=1
37
j e j .
Uma vez que, para todo o j = 1, ..., n,

T (ej ) =
m
X
aij e0i ,
i=1
tem-se
T (u) = T
n
X
j=1
n
X
j=1
j e j
a1j j , ...,
T e linear
n
X
j=1
n
X
j T (ej ) =
j=1
amj j
n
X
j=1
a11
am1
m
X
aij e0i =
i=1
a1n
amn
m
n
X
X
i=1
aij j
j=1
e0i =
1
.. = Au.
.
n
Exemplo 31. (i) Seja T : R4 R3 definida por T (x, y, z, w) = (3x + y 2z, 0, x + 4z).
T e uma transformacao linear e a matriz M (T ; Bc4 ; Bc3 ) que representa T em relacao a`s bases
canonicas (ordenadas) Bc4 e Bc3 de R4 e R3 respectivamente, e dada por
3 1 2 0
M (T ; Bc4 ; Bc3 ) = 0 0 0 0 ,
1 0 4 0
uma vez que T (1, 0, 0, 0) = (3, 0, 1), T (0, 1, 0, 0) = (1, 0, 0), T (0, 0, 1, 0) = (2, 0, 4) e
T (0, 0, 0, 1) = (0, 0, 0). Tem-se entao:
x
y
T (x, y, z, w) = M (T ; Bc4 ; Bc3 )

z .
w
(ii) Sejam S1 = {1, t, t2 } e S2 = {1, t, t2 , t3 } as bases canonicas (ordenadas) de P2 e P3

respectivamente. Seja D : P2 P3 tal que D(1) = 0, D(t) = 1 e D(t2 ) = 2t. D e uma
transformacao linear e a matriz M (D; S1 ; S2 ) que representa D em relacao a`s bases canonicas
S1 e S2 , e dada por
0 1 0
0 0 2
M (D; S1 ; S2 ) =
0 0 0 .
0 0 0
(iii) T : R2 R2 definida por T (x, y) = (1 y, 2x) n
ao e uma transformacao linear.
(iv) T : R2 R definida por T (x, y) = xy n

ao e uma transformacao linear.
Teorema 36. Seja V um espaco linear de dimensao finita. Seja T : V V uma
transformacao linear. Sejam S1 e S2 duas bases ordenadas de V . Seja M (T ; S1 ; S1 ) a matriz
que representa T em relacao a` base S1 .
Entao, a matriz M (T ; S2 ; S2 ) que representa T em relacao a` base S2 , e dada por
M (T ; S2 ; S2 ) = SS1 S2 M (T ; S1 ; S1 ) (SS1 S2 )1 ,
38
onde SS1 S2 e a matriz de mudanca da base S1 para S2 .

Alem disso,
SS1 S2 M (T ; S1 ; S1 ) = M (T ; S1 ; S2 )
e
M (T ; S2 ; S2 )SS1 S2 = M (T ; S1 ; S2 ).
Isto e, o diagrama seguinte e comutativo.
(V, S1 )
SS1 S2 I
(V, S2 )
M (T ;S1 ;S1 )
M (T ;S2 ;S2 )
(V, S1 )
I SS1 S2
(V, S2 )
Teorema 37. Caso geral. Sejam U e V dois espacos lineares de dimensoes finitas. Seja
T : U V uma transformacao linear. Sejam S1 e S10 duas bases ordenadas de U . Sejam S2
e S20 duas bases ordenadas de V . Seja M (T ; S1 ; S2 ) a matriz que representa T em relacao a`s
bases S1 e S2 .
Entao, a matriz M (T ; S10 ; S20 ) que representa T em relacao a`s bases S10 e S20 , e dada por
M (T ; S10 ; S20 ) = SS2 S20 M (T ; S1 ; S2 ) SS1 S10
1
onde SS2 S20 e SS1 S10 sao as matrizes de mudanca das bases S2 para S20 e de S1 para S10
respectivamente.
Alem disso,
SS2 S20 M (T ; S1 ; S2 ) = M (T ; S1 ; S20 )
e
M (T ; S10 ; S20 )SS1 S10 = M (T ; S1 ; S20 ).
Isto e, o diagrama seguinte e comutativo.
(U, S1 )
SS1 S10 I
(U, S10 )
M (T ;S1 ;S2 )
(V, S2 )
(V, S20 )
M (T ;S10 ;S20 )
I SS2 S20
Exemplo 32. Seja T : R2 R2 definida por T (x, y) = (y, x). T e uma transformacao
linear. A matriz M (T ; Bc2 ; Bc2 ) que representa T em relacao a` base canonica (ordenada) Bc2
de R2 , e dada por

0 1
2
2
M (T ; Bc ; Bc ) =
.
1 0
Seja S = {(1, 1), (1, 1)} uma base ordenada de R2 .
A matriz M (T ; S; S) que representa T em relacao a` base ordenada S de R2 , e dada por

1 0
M (T ; S; S) =
,
0 1
uma vez que T (1, 1) = (1, 1) = 1(1, 1)+0(1, 1) e T (1, 1) = (1, 1) = 0(1, 1)+(1)(1, 1).
39
Vamos agora verificar que se tem

M (T ; S; S) = SBc2 S M (T ; Bc2 ; Bc2 ) SBc2 S
1

1/2 1/2
1/2 1/2
Uma vez que (0, 1) = 21 (1, 1) + 21 (1, 1) e (1, 0) = 21 (1, 1) 21 (1, 1), tem-se entao

1/2 1/2
SBc2 S =
.
1/2 1/2
Logo,
SBc2 S M (T ; Bc2 ; Bc2 )
SBc2 S
1
1/2 1/2
1/2 1/2
1/2 1/2
=
1/2 1/2

1 0
=
=
0 1
= M (T ; S; S).

0 1
1 0
1 1
1 1
Isto e,
M (T ; S; S) = SBc2 S M (T ; Bc2 ; Bc2 ) SBc2 S
Alem disso,
SBc2 S M (T ; Bc2 ; Bc2 ) = M (T ; Bc2 ; S)
1
1
e
M (T ; S; S)SBc2 S = M (T ; Bc2 ; S).
Defini
c
ao 29. Sejam U e V espacos lineares e S, T : U V transformacoes lineares.
Seja R. Sejam S + T, T : U V definidas por
(S + T ) (u) = S(u) + T (u) e (T )(u) = T (u),
para todo o u U . S + T e T sao transformacoes lineares.
Defini
c
ao 30. Sejam U e V espacos lineares. Chama-se a L(U, V ) o conjunto de todas
as transforma coes lineares de U em V .
Teorema 38. Sejam U e V espacos lineares. O conjunto L(U, V ), com as operacoes da
definicao 29, e um espaco linear.
Exemplo 33. Seja S = {T1 , T2 , T3 , T4 } com T1 , T2 , T3 , T4 L(R2 , R2 ) definidas por
T1 (x, y) = (x, 0), T2 (x, y) = (y, 0), T3 (x, y) = (0, x) e T4 (x, y) = (0, y),
para todo o (x, y) R2 . O conjunto S e uma base de L(R2 , R2 ). Logo, dim L(R2 , R2 ) = 4.
40
Transforma
co
es injectivas, sobrejectiva e bijectivas equa
co
es lineares
Defini
c
ao 31. Sejam U, V e W espacos lineares e, T : U V e S : V W transformacoes
lineares. Seja S T (ou ST ): U W definida por
(S T ) (u) = S (T (u)) ,
para todo o u U . S T e uma transformacao linear. Chama-se a S T (ou ST ) a
composi
c
ao de S com T .
Observa
c
ao 32. Em geral, tem-se S T 6= T S.
Teorema 39. Sejam U, V e W espacos lineares de dimensoes finitas. Sejam S1 , S2 e S3
bases de U, V e W respectivamente. Sejam T L(U, V ) e S L(V, W ). Entao, tem-se
M (S T ; S1 ; S3 ) = M (S; S2 ; S3 )M (T ; S1 ; S2 ).
Teorema 40. (i) Sejam T : U V, S : V W e R : W X. Entao, tem-se
R (S T ) = (R S) T .
(ii) Sejam R, S : U V e T : V W . Seja R. Entao, tem-se
T (R + S) = T R + T S e T (R) = (T R) .
Se o contradomnio de Q estiver contido em U entao
(R + S) Q = R Q + S Q e (R) Q = (R Q) .
Defini
c
ao 32. Define-se
T 0 = I e T k = T T k1 , para todo o k = 1, 2, ....
Observa
c
ao 33. Tem-se T m+n = T m T n para todos os m, n N.
Defini
c
ao 33. (i) T : U V diz-se injectiva se e so se
T (u) = T (w) u = w,
para todos os u, w U , isto e, se e so se
u 6= w T (u) 6= T (w),
para todos os u, w U .
(ii) T : U V diz-se sobrejectiva se e so se
T (U ) = V .
(iii) T : U V diz-se bijectiva se e so se for injectiva e sobrejectiva.
41
Defini
c
ao 34. Sejam U e V espacos lineares. Diz-se que U e V sao isomorfos se e so
se existir um isomorfismo entre U e V , isto e, se e so se existir uma transformacao linear
bijectiva T : U V .
Teorema 41. Sejam U e V espacos lineares de dimensoes finitas tais que dim U = n e
dim V = m. Entao, os espacos lineares L(U, V ) e Matmn (R) sao isomorfos e escreve-se
L(U, V )
= Matmn (R).
Dem. Fixando bases S1 e S2 para U e V respectivamente,
L(U, V ) Matmn (R)
T
M (T ; S1 ; S2 )
e uma transformacao linear bijectiva.
Teorema 42. Sejam U e V dois espacos lineares de dimensoes finitas. U e V sao
isomorfos se e so se dim U = dim V .
Observa
c
ao 34. No teorema 41 tem-se dim L(U, V ) = mn.
Teorema 43. Sejam U e V espacos lineares de dimensoes finitas tais que dim U = dim V .
Seja T : U V uma transformacao linear. Entao, T e injectiva se e so se T e sobrejectiva.
Defini
c
ao 35. Sejam U e V espacos lineares e T : U V uma transformacao linear.
Seja 0 o vector nulo de V .
(i) Chama-se contradomnio ou imagem de T ao conjunto
T (U ) = {T (u) : u U } ,
que tambem se denota por I(T ).
(ii) Chama-se n
ucleo ou espaco nulo de T ao conjunto
Nuc(T ) = {u U : T (u) = 0} .
Teorema 44. Sejam U e V espacos lineares e T : U V uma transformacao linear.
Entao, os conjuntos Nuc(T ) e I(T ) sao subespacos de U e V respectivamente.
Exemplo 34. Sejam U e V espacos lineares. Sejam 0 e 00 os vectores nulos de U e V
respectivamente.
(i) Considere a transformacao nula O : U V definida por
O(u) = 00 ,
para todo o u U . Tem-se
Nuc(O) = U e I(O) = {00 } .
42
(ii) Considere a transformacao identidade I : U U definida por

I(u) = u,
para todo o u U . Tem-se
Nuc(I) = {0} e I(I) = U .
Exemplo 35. Seja A Matmn (R). Seja

T : Rn R m
definida por
T (u) = Au,
para todo o u Rn . Tem-se
Nuc(T ) = Nuc(A) e I(T ) = C(A).
Defini
c
ao 36. Sejam U e V espacos lineares e T : U V uma transformacao linear.
(i) Chama-se caracterstica de T a` dimensao de I(T ), isto e,
car T = dim I(T ).
(ii) Chama-se nulidade de T a` dimensao de Nuc(T ), isto e,
nul T = dim Nuc(T ).
Teorema 45. Sejam U um espaco linear de dimensao finita e T uma transformacao
linear definida em U . Entao, o subespaco I(T ) tem dimensao finita e
dim Nuc(T ) + dim I(T ) = dim U .
Teorema 46. Sejam T : Rn Rm uma transformacao linear. Sejam Bcn e Bcm as bases
canonicas (ordenadas) de Rn e Rm respectivamente. Seja A = M (T ; Bcn ; Bcm ) Matmn (R)
a matriz que representa T em relacao a`s bases Bcn e Bcm . Tem-se entao:
(i) dim Nuc(T ) = nul A;
(ii) dim I(T ) = car A;
(iii) T e injectiva se e so se nul A = 0, isto e, se e so se car A = n;
(iv) T e sobrejectiva se e so se car A = m.
Defini
c
ao 37. Diz-se que T : U V e invertvel se existir S : T (U ) U tal que
S T = IU e T S = IT (U ) ,
onde IU e IT (U ) sao as funcoes identidade em U e T (U ) respectivamente. Chama-se a S a
inversa de T e escreve-se
S = T 1 .
43
Teorema 47. Sejam U e V espacos lineares de dimensoes finitas. Seja T : U V uma

transformacao linear. Seja 0 o vector nulo de U . As seguintes afirmacoes sao equivalentes.
(i) T e injectiva.
(ii) T e invertvel e a inversa T 1 : T (U ) U e linear.
(iii) Nuc(T ) = {0}.
(iv) dim U = dim T (U ).
(v) T transforma vectores linearmente independentes de U em vectores linearmente independentes de V .
(vi) T transforma bases de U em bases de T (U ).
Teorema 48. Sejam U e V dois espacos lineares de dimensoes finitas. Seja T : U V
uma transformacao linear. Sejam S1 e S2 duas bases ordenadas de U e V respectivamente.
Seja A = M (T ; S1 ; S2 ) a matriz que representa T em relacao a`s bases S1 e S2 .
Se V = T (U ) entao T e invertvel se e so se A for uma matriz quadrada nao singular.
Tem-se entao
A1 = M (T 1 ; S2 ; S1 ),
isto e, A1 sera a matriz que representa T 1 em relacao a`s bases S2 e S1 .
Teorema 49. Sejam U e V espacos lineares. Seja T : U V uma transformacao linear.

Seja b V . Entao:
(i) Exist
encia de solu
c
ao: o sistema T (u) = b tem pelo menos uma solucao u se e so
se b T (U );
(ii) Unicidade de solu
c
ao: o sistema T (u) = b tem no maximo uma solucao u se e so
se T for injectiva;
(iii) Exist
encia e unicidade de solu
c
ao: o sistema T (u) = b tem solucao u
nica u se
e so se b T (U ) e T for injectiva.
Teorema 50. Sejam U e V espacos lineares. Seja T : U V uma transformacao
linear. Seja b V . A solucao geral do sistema de equacoes lineares T (u) = b obtem-se
somando a uma solucao particular desse sistema a solucao geral do sistema de equacoes
lineares homogeneo T (u) = 0.
44
Determinante
Defini
c
ao 38. Dados os n
umeros naturais 1, 2, ..., n chama-se permuta
c
ao desses n
n
umeros a qualquer lista em em que os mesmos sejam apresentados por ordem arbitraria.
Defini
c
ao 39. Seja (i1 i2 ...in ) uma permutacao dos n
umeros naturais 1, 2, ..., n. Diz-se que um par (ij ik ) e uma invers
ao quando (j k) (ij ik ) < 0 (isto e, quando ij e ik
aparecerem na permutacao por ordem decrescente).
Defini
c
ao 40. Uma permutacao (i1 i2 ...in ) diz-se par (mpar) quando o no maximo de
inversoes includas for par (mpar).
Exemplo 36. A permutacao (21453) e mpar pois contem as inversoes (21), (43) e (53).
Defini
c
ao 41. Seja A Matnn (R). Chama-se determinante7 de A, e escreve-se |A|
ou det A, o n
umero que se obtem do seguinte modo:
(i) Formam-se todos os produtos possveis de n factores em que intervenha um elemento
de cada linha e, simultaneamente, um elemento de cada coluna de A.
(ii) Afecta-se cada produto do sinal + ou do sinal conforme as permutacoes (dos
n
umeros naturais 1, 2, ..., n) que figuram nos ndices de linha e de coluna tenham a mesma
paridade ou nao.
(iii) Somam-se as parcelas obtidas.
Em resumo:
|A| =
1
n!
(1) ai1 j1 ai2 j2 ...ain jn ,
(i1 i2 ...in ) e (j1 j2 ...jn )

permutaco
es de 1,2,...,n
em que
=
0 se (i1 i2 ...in ) e (j1 j2 ...jn ) tem a mesma paridade
1 se (i1 i2 ...in ) e (j1 j2 ...jn ) tem paridade diferente.
Observa
c
ao 35. Podemos ainda escrever de modo equivalente:
(i)
|A| =
(1) a1j1 a2j2 ...anjn ,
(j1 j2 ...jn )
permutaca
o de 1,2,...,n
em que
=
7
0 se (j1 j2 ...jn ) e par
1 se (j1 j2 ...jn ) e mpar.
O Determinante de uma matriz foi pela primeira vez considerado por Talakazu Seki 16421708
45
(ii)
|A| =
(1) ai1 1 ai2 2 ...ain n ,
(i1 i2 ...in )
permutaca
o de 1,2,...,n
em que
=
0 se (i1 i2 ...in ) e par
1 se (i1 i2 ...in ) e mpar.
Teorema 51. (i) Seja A Mat22 (R).

a
a
|A| = 11 12
a21 a22
(ii) Seja A Mat33 (R). Entao

a11 a12 a13

|A| = a21 a22 a23
a31 a32 a33
Entao

= a11 a22 a12 a21 .

= a11 a22 a33 + a12 a23 a31 + a21 a32 a13 a13 a22 a31 a12 a21 a33 a11 a23 a32 .

Observa
c
ao 36. Se A Matnn (R) entao |A| tem n! parcelas.
Exemplo 37. (i)
(ii)

1 2
1

3 1 2

2 1 3

1 1

2 2

= 1(2) (1)2 = 0.

= 1(1)(3) + 3 + 8 1(1)2 6(3) 2 = 32.

Teorema 52. Sejam A, B Matnn (R). Seja R.

(i) det (AB) = det A det B.
(ii) Se A for uma matriz triangular superior ou triangular inferior entao det A = produto
dos elementos da diagonal principal de A.
(iii) Se A tiver uma linha nula entao det A = 0.
(iv) Se B for obtida de A multiplicando uma linha de A por um n
umero real entao
det B = det A.
(v) Se B for obtida de A somando a uma linha de A um m
ultiplo real de uma outra
linha de A entao det B = det A.
46
(vi) Se duas linhas de A forem iguais entao det A = 0.

(vii) Se B for obtida de A trocando duas linhas de A entao det B = det A.

(viii) det AT = det A.
(ix) Se A for invertvel det (A1 ) =
1
.
det A
(x) det (A) = n det A.

(xi) det (AB) = 0 det A = 0 ou det B = 0.
(xii) det (AB) = det (BA).
Defini
c
ao 42. Seja A = (aij ) Matnn (R), com n > 1. Seja Aij a matriz do tipo
(n 1) (n 1) que se obtem de A suprimindo a linha i e a coluna j de A. Chama-se a Aij
o menor-ij da matriz A.
Teorema 53. (F
ormula de Laplace8 .) Seja A Matnn (R), com n > 1. Tem-se
det A =
n
X
aij (1)i+j det Aij .
j=1
Observa
c
ao 37. Seja A Matnn (R), com n > 1. Tem-se
det A =
n
X
aij (1)i+j det Aij .
i=1
Exemplo

1 0

2 1

0 1

1 0
38.

2 3
1 2 3

1 4
3+2
= (1)(1) 2 1 4

0 2
1 2 3
2 3

1 0 2

3+4
+ (2)(1) 2 1 1

1 0 2

= (1)(3) + (2)4 + 2(2)3 (1)3 (2)2(3) 4(2) + 2 [(2) (2)] = 18

Defini
c
ao 43. Seja A = (aij ) Matnn (R), com n > 1. Seja a0ij = (1)i+j det Aij
onde Aij e o menor-ij da matriz A. Chama-se a a0ij o cofactor-ij da matriz A e a` matriz
cof A = (a0ij ) Matnn (R), com n > 1, a matriz dos cofactores de A.
Teorema 54. Para qualquer matriz A Matnn (R), com n > 1, tem-se
A (cof A)T = (det A) I.
Se det A 6= 0 entao A e invertvel e
A1 =
8
1
(cof A)T .
det A
Pierre-Simon Laplace 17491827
47
Exemplo 39. (i) Seja A =

invertvel e
a b
c d
Mat22 (R) tal que det A 6= 0. Entao A e

1
d b
A =
.
ad bc c a
(Veja por exemplo o exo 10 da ficha 2.) Note que ad bc = det A.
1
(ii) Podemos usar o teorema 54 para calcular nao so a inversa de uma matriz (nao
singular) mas tambem entradas concretas dessa inversa. Seja
1 0 0
A = 4 5 6 .
7 8 9
A entrada (2, 3) da matriz A1 e dada por

1
1
1
1 0
T
3+2
1
(A )23 =
(cof A)
=
(1) det A32 =
det
= 2.
4 6
det A
23
det A
3
Teorema 55. (Regra de Cramer9 .) Seja A Matnn (R) tal que A e nao singular.
Entao a u
nica solucao do sistema de equacoes lineares AX = B e dada por
1
(cof A)T B.
X = A1 B =
det A

T

T
Isto e, sendo X = x1 . . . xn
e B = b1 . . . bn
tem-se
n
xj =
1 X 0
det Bj
akj bk =
,
det A k=1
det A
onde Bj e a matriz obtida de A substituindo a coluna j de A pela matriz coluna B dos

termos independentes.
Exemplo 40. O sistema de equacoes lineares
2x + y = 8
x + 2y + 4z = 7
x + z = 1
pode ser resolvido usando a regra de Cramer:

8 1 0
2 8 0

7 2 4
1 7 4

1 0 1
1 1 1
= 13,
x=
y=
2 1 0
2 1 0

1 2 4
1 2 4

1 0 1
1 0 1

= 18

z=

2
1
1
2
1
1
1
2
0
1
2
0
8
7
1
0
4
1

= 14.

Observa
c
ao 38. Seja A Matnn (R). A matriz A e invertvel se e so se det A 6= 0.
Gabriel Cramer 17041752
48
Valores Pr
oprios e Vectores Pr
oprios
Defini
c
ao 44. Seja U espaco lineare e T : U V uma transformacao linear. Diz-se que
um escalar e um valor pr
oprio de T se existir um vector nao nulo u U tal que
T (u) = u.
Aos vectores nao nulos u que satisfazem a equacao anterior chamam-se vectores pr
oprios
associados ao valor proprio . Dado um valor proprio de T , o conjunto
E = {u U : T (u) = u}
e um subespaco linear de U . Chama-se a E o subespa
co pr
oprio de T associado ao valor
proprio .
Teorema 56. Sejam V um espaco linear e 0 o vector nulo de V . Seja T : V V uma
transformacao linear.
(i) Um escalar e um valor proprio de T se e so se Nuc(T I) 6= {0}. Sendo um
valor proprio de T , o subespaco proprio de T , associado ao valor proprio , e dado por
E = Nuc(T I).
(ii) Se o espaco linear V tiver dimensao finita e se A for a matriz que representa T em
relacao a uma base de V , entao um escalar e um valor proprio de T se e so se esse escalar
for solucao da equacao
det(A I) = 0.
Defini
c
ao 45. Seja A Matnn (R). Chama-se a
det(A I),
o polin
omio caracterstico da matriz A. O polinomio p() = det(A I) tem grau n, o
coeficiente do termo de grau n e (1)n e o termo constante e p(0) = det A.
Defini
c
ao 46. Seja A Matnn (R). Chama-se valor pr
oprio de A a qualquer escalar
tal que A I seja singular, isto e, tal que det(A I) = 0. Chama-se vector pr
oprio
de A, associado ao valor proprio de A, a qualquer vector nao nulo v que verifique
(A I)v = 0.
Observa
c
ao 39. Seja A Matnn (R). O escalar 0 e valor proprio de A se e so se A for
singular. Isto e, a matriz A e invertvel se e so se 0 nao for valor proprio de A.
Defini
c
ao 47. Sejam A, B Matnn (R). As matrizes A e B dizem-se semelhantes se
existir uma matriz S invertvel tal que
B = SAS 1
49
Teorema 57. Sejam A, B Matnn (R). Se A e B forem semelhantes entao A e B tem

o mesmo polinomio caracterstico. Em particular, se A e B forem semelhantes entao A e B
tem os mesmos valores proprios.
Dem. Tem-se
det(SAS 1 I) =
det(SAS 1 SS 1 ) =
det(S(A I)S 1 ) =

det S det(A I) det S 1 =
1
= det S det(A I)
=
det S
= det(A I).
det(B I) =
=
=
=
Teorema 58. Seja V um espaco linear. Seja T : V V uma transformacao linear. Se T

tiver valores proprios distintos 1 , ..., k e se u1 , ..., uk forem os vectores proprios associados a
cada um destes valores proprios, entao os vectores u1 , ..., uk sao linearmente independentes.
Defini
c
ao 48. Seja A Matnn (R). Se existir uma matriz S invertvel tal que
D = SAS 1 ,
com D matriz diagonal, entao diz-se que A e uma matriz diagonaliz

avel e que S (matriz
de mudanca de base) e a matriz diagonalizante.
Teorema 59. Seja V um espaco linear de dimensao finita. Uma transformacao linear
T : V V sera representada em relacao a uma base de V por uma matriz diagonal se e so
se essa base de V for apenas constituda por vectores proprios de T . Neste caso, as entradas
da diagonal principal dessa matriz diagonal serao os valores proprios associados aos vectores
proprios da base de V pela ordem da mesma.
Em particular, se dim V = n e se T tiver n valores proprios distintos 1 , ..., n entao a
matriz que representa em relacao a qualquer base {u1 , ..., un } onde u1 , ..., un sao os vectores
proprios associados aos valores proprios 1 , ..., n , e a matriz diagonal
1 0 ... 0
.
.. ..
.
. ..
0
.
. .
..
..
0
0 ... 0 n
Dem. Uma transformacao linear T : V V sera representada em relacao a uma base
S = {u1 , ..., un } de V por uma matriz diagonal se e so se
T (uk ) = k uk ,
tendo-se
M (T ; S; S) =
1
0
..
.
0
50
k = 1, ..., n,
0 ... 0
.
.. ..
.
. ..
..
.
0
... 0 n
Mas isso e equivalente a dizer que k e um valor proprio de T e que uk e o respectivo vector
proprio.
Observa
c
ao 40. Seja V um espaco linear tal que dim V = n e T : V V uma
transformacao linear. Seja A a matriz que representa T numa base.
(1) Seja p() o polinomio caracterstico de A. Para cada raiz 1 de p(), a sua multiplicidade enquanto raiz do polinomio chama-se mutliplicidade algebrica de 1 e denota-se por
ma (1 ). Mais precisamente, 0 tem tem multiplicidade algebrica m quando
p() = ( 1 )m q()
e q(1 ) 6= 0.
` dimensao de Nuc(A 1 I) chama-se multiplicidade geometrica e designa-se por
(2) A
mg (1 ).
(3) A matriz A Matnn e diagonalizavel se e so se
X
dimNuc(A I) = dim(V ).
valores proprios
Ou seja, existe uma base de V na qual a representacao matricial de T e uma matriz diagonal
sse
dim E1 + + dim Ek = n,
onde 1 , , k (k n) sao os valores proprios de T .
Teorema 60. Seja A Matnn (R) tal que A e simetrica, isto e, tal que A = AT . Entao
A e diagonalizavel.
Exemplo 41. Nos exemplos que se seguem as matrizes A consideradas poderao ser vistas
como matrizes que representam transformacoes lineares T relativamente a` base canonica (ou
outras) de R3 , tendo-se nesse casos, para todo o u R3 ,
T (u) = Au.
Deste modo, os valores proprios e vectores proprios de T serao respectivamente os valores
proprios e vectores proprios de A.
(i) Uma matriz com valores pr
oprios distintos.
1
5 1
A = 0 2 1
4 0
3
O polinomio caracterstico e dado por

1

5
1

det(A I) = 0
2
1 =
4
0
3
= (1 ) (2 ) (3 ) 20 + 4 (2 + ) =
= (1 ) (2 ) (3 ) + 4 12 =
= (3 ) [( 1) ( + 2) 4] =

= (3 ) 2 + 6 =
= (3 ) ( 2) ( + 3) .
51
Os valores proprios de A sao os valores de para os quais det(A I) = 0. Logo, os valores

proprios de A sao
1 = 3, 2 = 2 e 3 = 3.
Os vectores proprios de A associados ao valor proprio sao os vectores nao nulos u R 3
para os quais
(A I) u = 0,
isto e, sao os vectores nao nulos de Nuc (A I).
Determinemos os vectores proprios de A associados ao valor proprio 1 = 3. Tem-se
2 5 1
Nuc (A 1 I) = Nuc 0 5 1 = L ({(0, 1, 5)}) .
4 0
0
Logo, o subespaco proprio E1 e dado por
E1 = Nuc (A 1 I) = L ({(0, 1, 5)}) .

Os vectores proprios de A associados ao valor proprio 1 = 3 sao
u = (0, s, 5s) , com s R\ {0} .
1 5 1
Nuc (A 2 I) = Nuc 0 4 1 = L ({(1, 1, 4)}) .
4 0
1
E2 = Nuc (A 2 I) = L ({(1, 1, 4)}) .

u = (s, s, 4s) , com s R\ {0} .
4 5 1
Nuc (A 3 I) = Nuc 0 1 1 = L ({(3, 2, 2)}) .
4 0 6
E3 = Nuc (A 3 I) = L ({(3, 2, 2)}) .

u = (3s, 2s, 2s) , com s R\ {0} .
52
Atendendo a que os valores proprios de A sao distintos, pelo teorema 58, os vectores
proprios de A associados a esses valores proprios sao linearmente independentes. Como
dim R3 = 3, entao 3 vectores em R3 linearmente independentes formarao desde logo uma
base de R3 . Logo, o conjunto
S = {(0, 1, 5) , (1, 1, 4) , (3, 2, 2)}
e uma base de R3 . Deste modo, temos uma base de R3 formada so por vectores proprios de
A. Logo, a matriz A e diagonalizavel, isto e, existe uma matriz invertvel S diagonalizante
tal que a matriz SAS 1 e diagonal, tendo-se
1 0 0
3 0 0
D = SAS 1 = 0 2 0 = 0 2 0 ,
0 0 3
0 0 3
com
S 1
0 1 3
= 1 1 2 .
5 4 2
Note que cada coluna de S 1 e formada pelo vector proprio associado ao valor proprio
respectivo e na posicao respectiva. Alem disso, tem-se
(R3 , Bc3 )
SBc3 S I
(R3 , S)
M (T ;Bc3 ;Bc3 )
M (T ;S;S)
(R3 , Bc3 )
I SBc3 S
(R3 , S)
com
SBc3 S = S, M (T ; S; S) = D
(ii) Uma matriz com valores pr
oprios
A= 2
3
e M (T ; Bc3 ; Bc3 ) = A.
repetidos mas diagonaliz

avel.
1 1
3 2
3 4

2

1
1

3
2 =
det(A I) = 2
3
3
4
= (2 ) (3 ) (4 ) + 6 + 6 3 (3 ) 6 (2 ) 2 (4 ) =
= 3 + 92 15 + 7 =
= ( 1) ( 1) ( 7) .
proprios de A sao
1 = 1 e 2 = 7.
53

para os quais
(A I) u = 0,
1 1 1
Nuc (A 1 I) = Nuc 2 2 2 = L ({(1, 1, 0) , (1, 0, 1)}) .
3 3 3
E1 = Nuc (A 1 I) = L ({(1, 1, 0) , (1, 0, 1)}) .

u = (s t, s, t) , com s, t R\ {0} .
5 1
1
Nuc (A 2 I) = Nuc 2 4 2 = L ({(1, 2, 3)}) .
3
3 3
E2 = Nuc (A 2 I) = L ({(1, 2, 3)}) .

u = (s, 2s, 3s) , com s R\ {0} .
Atendendo a que
dim E1 + dim E2 = 3,
podemos ter a seguinte base de R3 formada so por vectores proprios de A
S = {(1, 1, 0) , (1, 0, 1) , (1, 2, 3)} .
Logo, a matriz A e diagonalizavel, isto e, existe uma matriz
que a matriz SAS 1 e diagonal, tendo-se

1
1 0 0
1
= 0
D = SAS =
0 1 0
0 0 2
0
com
S 1
1 1 1
0 2 .
= 1
0
1 3
54
invertvel S diagonalizante tal
0 0
1 0 ,
0 7
Note que cada coluna de S 1 e formada pelo vector proprio associado ao valor proprio
respectivo e na posicao respectiva. Alem disso, tem-se
(R3 , Bc3 )
M (T ;Bc3 ;Bc3 )
SBc3 S I
(R3 , S)
M (T ;S;S)
(R3 , Bc3 )
I SBc3 S
(R3 , S)
com
SBc3 S = S, M (T ; S; S) = D
e M (T ; Bc3 ; Bc3 ) = A.
(iii) Uma matriz com valores pr

oprios repetidos e n
ao diagonaliz
avel.
7 5 1
A = 0 2 1
20 0
3

7
5
1

2
1 =
det(A I) = 0
20
0
3
= (7 ) (2 ) (3 ) + 100 20 (2 + ) =
= (3 ) [(7 ) (2 ) + 20] =

= (3 ) 2 5 + 6 =
= (3 ) ( 3) ( 2) .

proprios de A sao
1 = 3 e 2 = 2.
para os quais
(A I) u = 0,
4 5 1
Nuc (A 1 I) = Nuc 0 5 1 = L ({(0, 1, 5)}) .
20 0
0
E1 = Nuc (A 1 I) = L ({(0, 1, 5)}) .

u = (0, s, 5s) , com s R\ {0} .
55
5 5 1
Nuc (A 2 I) = Nuc 0 4 1 = L ({(1, 5, 20)}) .
20 0
1
E2 = Nuc (A 2 I) = L ({(1, 5, 20)}) .

u = (s, 5s, 20s) , com s R\ {0} .
Atendendo a que
dim E1 + dim E2 = 2 < 3,
nao e possvel ter uma base de R3 formada so por vectores proprios de A. Logo, a matriz
A nao e diagonalizavel, isto e, nao existe uma matriz invertvel S diagonalizante tal que a
matriz SAS 1 seja diagonal.
(iv) Uma matriz com apenas um valor pr
oprio real.
1 0 0
A = 0 0 1
0 1 0

1 0
0

1
det(A I) = 0
0
1
= 2 (1 ) + (1 ) =

= (1 ) 2 + 1 .

proprios de A sao
1 = 1, 2 = i e 3 = i.
Logo, a matriz A nao e diagonalizavel numa matriz de entradas reais, isto e, nao existe
uma matriz invertvel S diagonalizante tal que a matriz SAS 1 seja diagonal com entradas
reais. No entanto e atendendo a que os tres valores proprios sao distintos, a matriz A e
diagonalizavel numa matriz de entradas complexas:
1 0 0
0 i 0
0 0 i
56
Sistemas de equa
co
es diferenciais
Como aplicacao imediata dos resultados obtidos acima, vamos resolver uma certa classe de
sistemas de equacoes diferencias. Considere funcoes x1 (t), x( t), , xn (t) diferenciaveis na
variavel real t. O sistema da forma
a11 x1 (t) + a12 x2 (t) + ... + a1n xn (t) = x01 (t)
a21 x1 (t) + a22 x2 (t) + ... + a2n xn (t) = x02 (t)

()
...
am1 x1 (t) + am2 x2 (t) + ... + amn xn (t) = x0m (t)

chama-se sistema linear de equacoes diferenciais de primeira ordem, em que aij e bk sao
constantes, para i, k = 1, ..., m e j = 1, ..., n e x0i (t) denota a derivada de xi (t) (para cada
i = 1, , n).
O sistema de equacoes diferenciais (*) pode escrever-se na forma matricial:
onde A = [aij ] Matnn , x(t) =
x0 (t) = Ax(t)
x1 (t)
x01 (t)
x0 (t)
x2 (t)
0
e
x
(t)
=
.. .
..
.
.
0
xn (t)
xn (t)
Se n = 1, entao temos que, para cada constante c, a funcao x1 (t) = cet e solucao da equacao
diferencial x01 (t) = x1 (t).
Se a matriz A = [a
diferenciais
ij ]
Matnn e diagonalizavel, para resolver o sistema de equacoes

x0 = Ax
em primeiro lugar encontra-se uma martiz mudanca de base

S = M (I; Bvp , Bc)
onde Bvp e uma base de Rn formada por vectores proprios de A, Bc e a base canonica de Rn
e matriz diagonal
D = diag(1 , 2 , , n )
(formada pelos valores proprios de A) tais que D = S 1 AS. De uma forma equivalente,
encontra-se a matriz mudanca de base P = M (I, Bc, Bvp ) tal que D = P AP 1 , uma vez
que P = S 1 . Depois, usa-se a mudanca de variavel y = S 1 x e resolve-se a o sistema de
0
equacoes
diferenciais
y (t) = Dy(t), cuja solucao geral e (usando o caso n = 1 sucessivamente)
c 1 e 1 t
c 2 e 2 t
y(t) =
onde 1 , , n sao os valores proprios de A e c1 , , cn sao constantes.
..
.
n t
cn e
Finalmente, a solucao geral do sistema inicial
x0 (t) = Ax(t)
e x(t) = Sy(t)
Ver exerccios resolvidos na lista das aulas praticas!

57
Produtos Internos
Defini
c
ao 49. Sejam V um espaco linear real e 0 o vector nulo de V . Chama-se produto
interno em V a` aplicacao
h, i : V V R
(u, v) hu, vi
que verifique as tres condicoes seguintes.
(i) Simetria: para todos os u, v V
hu, vi = hv, ui .
(ii) Linearidade: para todo o v V (fixo) a aplicacao
V R
u hu, vi
e linear.
(iii) Positividade: para todo o u V tal que u 6= 0,
hu, ui > 0.
Observa
c
ao 41. Um produto interno e uma aplicacao bilinear, sim
etrica e definida
positiva.
Defini
c
ao 50.
interno.
Chama-se espa
co euclidiano a um espaco linear com um produto
Observa
c
ao 42. Seja V um espaco euclidiano real. Seja S = {w1 , w2 , ..., wn } uma base
de V . Sejam u, v V . Sejam
1 , 2 , ..., n e 1 , 2 , ..., n
as coordenadas de u e de v na base S respectivamente, isto e,
u = 1 w1 + 2 w2 + ... + n wn =
n
X
i wi
e v = 1 w1 + 2 w2 + ... + n wn =
i=1
n
X
i wi .
i=1
Logo,
hu, vi =
* n
X
i wi ,
i=1
1 2
n
X
i=1
i wi
. . . n
n X
n
X
i=1 j=1
i j hwi , wj i =
hw1 , w1 i hw1 , w2 i . . . hw1 , wn i

hw2 , w1 i hw2 , w2 i . . . hw2 , wn i
..
..
..
.
.
.
hwn , w1 i hwn , w2 i . . . hwn , wn i
58
1
2
..
.
n
Isto e, existe uma matriz

positivos):
hw1 , w1 i hw1 , w2 i
hw2 , w1 i hw2 , w2 i
A=
..
..
.
.
hwn , w1 i hwn , w2 i
simetrica e definida positiva (todos os seus valores proprios sao

. . . hw1 , wn i
. . . hw2 , wn i
..
.
. . . hwn , wn i
tal que
hu, vi =
1 2 . . . n
1
2
..
.
n
Teorema 61. Seja V um espaco linear real com dim V = n. Seja {w1 , w2 , ..., wn } uma
base de V . Entao, uma aplicacao
h, i : V V R
e um produto interno (em V ) se e so se
hu, vi =
1 2 . . . n
com
1
2
..
.
n
u = 1 w1 + 2 w2 + ... + n wn , v = 1 w1 + 2 w2 + ... + n wn
e A e uma matriz simetrica cujos valores
um produto interno tem-se
hw1 , w1 i
hw2 , w1 i
A=
..
.
hwn , w1 i
proprios sao todos positivos. Se a aplicacao h, i for

hw1 , w2 i . . . hw1 , wn i
hw2 , w2 i . . . hw2 , wn i
..
..
.
.
hwn , w2 i . . . hwn , wn i
Exemplo 42. (i) Seja h, i : R2 R2 R a aplicacao definida por:

h(1 , 2 ) , ( 1 , 2 )i = 1 1 + 2 2 ,
com (1 , 2 ) , ( 1 , 2 ) R2 . Esta aplicacao e um produto interno em R2 a que se da o nome
de produto interno usual em R2 , uma vez que

1
h(1 , 2 ) , ( 1 , 2 )i = 1 1 + 2 2 = 1 2 A
2
com
A=
1 0
0 1
A matriz A e simetrica e o u
nico valor proprio de A e 1 > 0.
(ii) Seja h, i : R2 R2 R a aplicacao definida por:
h(1 , 2 ) , ( 1 , 2 )i = 21 1 + 32 2 ,
59
com (1 , 2 ) , ( 1 , 2 ) R2 . Esta aplicacao nao e um produto interno em R2 , uma vez que

1
h(1 , 2 ) , ( 1 , 2 )i = 21 1 + 32 2 = 1 2 A
2
com
A=
2 0
0 3
A matriz A e simetrica, no entanto, os valores proprios de A: 2 e 3 nao sao ambos positivos.

Exemplo 43. R2 com um produto interno n
ao usual. Seja h, i : R2 R2 R a
aplicacao definida por:
h(1 , 2 ) , ( 1 , 2 )i = 21 1 + 1 2 + 2 1 + 2 2 ,
com (1 , 2 ) , ( 1 , 2 ) R2 .
facil ver que esta aplicacao e simetrica e linear em relacao a ( 1 , 2 ) (fixando ( 1 , 2 )).
E
Vejamos por exemplo que a condicao
h(1 , 2 ) , (1 , 2 )i > 0, para todo o (1 , 2 ) 6= (0, 0),
e satisfeita.
Atendendo a que
h(1 , 2 ) , (1 , 2 )i = 221 + 21 2 + 22 = 21 + (1 + 2 )2 ,
tem-se
h(1 , 2 ) , (1 , 2 )i = 0 (1 = 0 e 1 + 2 = 0) (1 = 0 e 2 = 0) (1 , 2 ) = (0, 0).
Em alternativa, podemos escrever
h(1 , 2 ) , ( 1 , 2 )i = 21 1 + 1 2 + 2 1 + 2 2 =
com
A=
2 1
1 1
A matriz A e simetrica e os valores proprios de A:
1 2
1
2
3+ 5
2
3 5
2
sao ambos positivos.
Defini
c
ao 51. Sejam V um espaco euclidiano e 0 o vector nulo de V . Sejam u, v V .
(i) Chama-se norma de u a:
kuk =
p
hu, ui.
(ii) Chama-se projec

c
ao ortogonal de v sobre u 6= 0 a:
proju v =
60
hv, ui
u.
kuk2
(iii) Diz-se que u e v sao ortogonais se hu, vi = 0.

(iv) Chama-se
angulo entre dois vectores nao nulos u e v a:
= arccos
hu, vi
.
kuk kvk
Observa
c
ao 43. O angulo entre dois vectores nao nulos u e v e
ortogonais.
se e so se u e v sao
Teorema 62. Desigualdade de Cauchy-Schwarz. Seja V um espaco euclidiano.

Entao, para todos os u, v V ,
|hu, vi| kuk kvk
Observa
c
ao 44. (i) Teorema de Pit
agoras. Sejam u, v R2 . Tem-se u e v ortogonais
se e so se
ku vk2 = kuk2 + kvk2 .
Dem.
ku vk2 = hu v, u vi = hu, ui hv, ui hu, vi + hv, vi =
= kuk2 2 hu, vi + kvk2 = kuk2 + kvk2
se e so se
hu, vi = 0,
isto e, se e so se u e v forem ortogonais.
(ii) Em R2 com o produto interno usual, a desigualdade de Cauchy-Schwarz e dada por
q
q
2
2
|1 1 + 2 2 | 1 + 2 21 + 22 ,
uma vez que
com (1 , 2 ) , ( 1 , 2 ) R2 .
h(1 , 2 ) , ( 1 , 2 )i = 1 1 + 2 2 ,
(iii) Em Rn com o produto interno usual, a desigualdade de Cauchy-Schwarz e dada por

v
v

u n
n
n
X
u
X
u
uX 2

t
2t
i i
i
i ,

i=1
i=1
i=1
uma vez que
h(1 , ..., n ) , ( 1 , ..., n )i = 1 1 + ... + n n ,
com (1 , ..., n ) , ( 1 , ..., n ) Rn .
Teorema 63. Sejam V um espaco euclidiano e 0 o vector nulo de V . Sejam u.v V e

R. A norma satisfaz as seguintes propriedades.
61
(i) Positividade: kuk > 0 se u 6= 0.

(ii) Homogeneidade: kuk = || kuk
(iii) Desigualdade triangular: ku + vk kuk + kvk
Observa
c
ao 45. Pode definir-se norma num espaco linear V , sem estar associada a
qualquer produto interno, como sendo uma aplicacao de V em R que satisfaz as propriedades
do teorema anterior. A um espaco linear com uma norma chama-se espa
co normado.
Observa
c
ao 46. Seja V um espaco euclidiano. Sejam u, v V . Tem-se
hu, vi =

1
ku + vk2 kuk2 kvk2 .
2
Observa
c
ao 47. Seja V um espaco linear real normado. Sejam u, v V . Entao, a
norma pode ser obtida de um produto interno na forma
p
kuk = hu, ui
se e so se
ku vk2 + ku + vk2 = 2 kuk2 + 2 kvk2 .
Esta u
ltima equacao e conhecida por lei do paralelogramo.
Exemplo 44. Uma norma que n
ao
e obtida a partir de um produto interno.
2
Seja kk : R R a aplicacao definida por
k(1 , 2 )k = |1 | + |2 | ,
facil verificar que esta aplicacao satisfaz as tres condicoes do teorema
com (1 , 2 ) R2 . E
63. Logo, e uma norma. No entanto, e tambem facil verificar que esta norma nao satisfaz
a lei do paralelogramo. Logo, esta norma nao podera ser obtida a partir de um produto
interno.
Defini
c
ao 52. Sejam V um espaco euclidiano e S V . Diz-se que S e ortogonal se
para todos os u, v S com u 6= v,
hu, vi = 0.
Diz-se que S e ortonormado se for ortogonal e para todo o u S,
kuk = 1.
Teorema 64. Sejam V um espaco euclidiano e S V . Seja 0 o vector nulo de V . Se S
e ortogonal e 0
/ S entao S e linearmente independente. Em particular, se n = dim V entao
qualquer conjunto S ortogonal de n vectores nao nulos e uma base de V .
Teorema 65. Seja V um espaco euclidiano com dim V = n. Seja S = {u1 , ..., un } uma
base ortogonal de V . Entao, as coordenadas de um vector v V em relacao a` base S sao
dadas por:
62
j =
hv, uj i
,
huj , uj i
com j = 1, ..., n. Se S for ortonormada entao as coordenadas de um vector v V em relacao

a` base S sao dadas por:
j = hv, uj i ,
com j = 1, ..., n.
Teorema 66. Seja V um espaco euclidiano real com dim V = n. Seja S = {w1 , ..., wn }
uma base ortonormada de V . Entao, para todos os u, v V ,
v
u n
n
X
uX
hu, wi i2 .
hu, vi =
hu, wi i hv, wi i (formula de Parseval) e tem-se kuk = t
i=1
i=1
Observa
c
ao 48. Seja V um espaco euclidiano real com dim V = n. Seja S = {w1 , ..., wn }
uma base ortonormada de V . Sejam u, v V , com
u = 1 w1 + 2 w2 + ... + n wn , v = 1 w1 + 2 w2 + ... + n wn .
Entao, atendendo ao teorema 65, a formula de Parseval e dada por:
hu, vi =
n
X
i i = 1 1 + 2 2 + ... + n n
e tem-se
i=1
v
u n
uX
kuk = t
2 .
i
i=1
Nota
c
ao 3. Sejam V um espaco euclidiano e 0 o vector nulo de V . Para qualquer v V ,
v
1
com v 6= 0, o vector kvk
v sera denotado por kvk
.
Teorema 67. M
etodo de ortogonaliza
c
ao de Gram-Schmidt10 . Seja V um espaco
euclidiano. Considere o conjunto linearmente independente:
{v1 , v2 , ..., vk } V .
Sejam
u1 = v 1 ,
u2 = v2 proju1 v2 ,
...
uk = vk proju1 vk ... projuk1 vk .
Entao:
(i) L({u1 , u2 , ..., uk }) = L({v1 , v2 , ..., vk })
10
Jorgen Pedersen Gram 18501916. Erhard Schmidt 18761959
63
(ii) O conjunto {u1 , u2 , ..., uk } e uma base ortogonal de L({v1 , v2 , ..., vk }).

u1
u2
uk
(iii) O conjunto
,
, ...,
e uma base ortonormada de L({v1 , v2 , ..., vk }).
ku1 k ku2 k
kuk k
Exemplo 45. Considere-se R4 com o produto interno usual. Seja
U = L({(1, 1, 1, 1), (1, 2, 3, 4), (2, 1, 6, 7), (1, 3, 7, 9)}).
Determinemos a dimensao
1 1 2
1 2 1
1 3 6
1 4 7
de U e uma
7
9
base ortonormada para U . Tem-se
1 1 2 1
1 1 2 1
0 1 1 2
0 1 1 2

0 0 0 0
0 4 4 8
0 0 0 0
0 5 5 10
Logo, o conjunto {v1 , v2 }, com v1 = (1, 1, 1, 1) e v2 = (1, 2, 3, 4), e uma base de U e como
tal dim U = 2.
Sejam
u1 = v1 e u2 = v2 proju1 v2 .
Logo, o conjunto {u1 , u2 }, com u1 = (1, 1, 1, 1) e
1+234
(1, 1, 1, 1) = (2, 3, 2, 3),
4
e uma base ortogonal de U . Uma base ortonormada para U :
!)

(

u1
u2
1 1 1 1
26 3 26 26 3 26
,
=
, , ,
,
,
,
,
ku1 k ku2 k
2 2 2 2
13
26
13
26
u2 = (1, 2, 3, 4)
Teorema 68. Qualquer espaco euclidiano de dimensao finita tem uma base ortonormada.
Teorema 69. Seja {v1 , v2 , ..., vn } uma base de Rn . Entao, existe um u
nico produto
n
interno em R para o qual esta base e ortonormada.
Exemplo 46. Considere em R2 a base S = {v1 , v2 }, com v1 = (1, 0) e v2 = (1, 1).
Vejamos que existe um e um so produto interno para o qual a base S e ortonormada.
Seja Bc2 = {(1, 0), (0, 1)} a base canonica de R2 . Tem-se
SBc2 S = SSBc2
Sejam u, v R2 . Tem-se
1
u = (1 , 2 )
1 1
0 1
1
1 1
0 1
e v = ( 1 , 2 ) ,
onde 1 , 2 e 1 , 2 sao as coordenadas na base Bc2 de u e v respectivamente. Seja S = SBc2 S .

Logo, a aplicacao h, i : R2 R2 definida por

hv1 , v1 i hv1 , v2 i
1 0
T
hu, vi = (Su) A (Sv) , com A =
=
,
hv2 , v1 i hv2 , v2 i
0 1
64
e um produto interno e e o u
nico para o qual a base S e ortonormada. Tem-se entao
h(1 , 2 ) , ( 1 , 2 )i = 1 1 1 2 2 1 + 22 2 .
facil verificar que para este produto interno a base S e ortonormada:
E
h(1, 0) , (1, 1)i = 0 e h(1, 0) , (1, 0)i = h(1, 1) , (1, 1)i = 1.
Teorema 70. Seja A Matnn (R) tal que A e simetrica, isto e, tal que A = AT .
Entao A e diagonalizavel relativamente a uma base ortonormada vp formada so por vectores
proprios de A. Seja S a matriz cujas colunas sao os vectores da base vp e D a matriz diagonal
onde se coloca na entrada i da diagonal o valor proprio i que corresponde a` coluna i de S.
Entao temos
D = S T AS,
e portanto S e ortogonal S 1 = S T
Defini
c
ao 53. Sejam V um espaco euclidiano e S um subespaco de V . Diz-se que um
elemento de V e ortogonal a S se for ortogonal a todos os elementos de S. Ao conjunto
de todos os elementos ortogonais a S chama-se complemento ortogonal de S e designa-se
por S .
Teorema 71. Qualquer que seja o subespaco S de um espaco euclidiano V , tambem S
e um subespaco de V .
Exemplo 47. (i) Se S R3 e um plano que passa pela origem, entao S e uma recta
que passa pela origem e e perpendicular ao plano.
(ii) Se S R3 e uma recta que passa pela origem, entao S e um plano que passa pela
origem e e perpendicular a` recta.
(iii) Seja A Matmn (R). Entao,
Nuc(A) = (L(A)) .
Teorema 72. Se S e um subespaco de dimensao finita de um espaco euclidiano V , entao
V e a soma directa de S e S , isto e, V = S S . Logo, cada elemento v V pode ser
escrito de modo u
nico como soma de um elemento de S com um elemento de S :
v = vS + vS , com vS S
e vS S .
` aplicacao PS : V S definida por PS (v) = vS chama-se projec

A
c
ao ortogonal de V
sobre S e a` aplicacao PS : V S definida por PS (v) = vS chama-se projec

c
ao
ortogonal de V sobre S . Tem-se
I = P S + PS .
65
Se {v1 , v2 , ..., vn } e uma base ortonormada de S, entao

PS (v) =
n
X
i=1
hv, vi i vi ,
para todo o v V .
Se {u1 , u2 , ..., uk } e uma base ortonormada de S , entao
PS (v) =
k
X
j=1
hv, uj i uj ,
para todo o v V .
As aplicacoes PS e PS sao transformacoes lineares de V em V que satisfazem as propriedades:
(i) PS (V ) = S, PS (V ) = S ;
(ii) (PS )2 = PS , (PS )2 = PS ;
(iii) hPS (u) , vi = hu, PS (v)i, hPS (u) , vi = hu, PS (v)i, para todos os u, v V ;
(iv) kuk2 = kPS (u)k2 + kPS (u)k2 , para todo o u V (Teorema de Pitagoras);
Observa
c
ao 49. Seja S e um subespaco de dimensao finita de um espaco euclidiano V .
Seja v V .
(i) dim S + dim S = dim V
(ii) S
=S
(iii) Se {v1 , v2 , ..., vn } e uma base de S entao v S se e so se

hv, v1 i = hv, v2 i = ... = hv, vn i = 0.
Teorema 73. Seja S e um subespaco de dimensao finita de um espaco euclidiano V .
Seja v V . Entao, existe um elemento de S mais pr
oximo de v do que qualquer dos
outros pontos de S. Este elemento
e a projec
c
ao ortogonal PS (v) de v sobre S e
tem-se
kv PS (v)k kv uk ,
para todo o u S, e a igualdade verifica-se se e so se u = PS (v).
Defini
c
ao 54. Seja V um espaco euclidiano. Seja S e um subespaco de V com dim S = k.
Seja q V . Chama-se ao conjunto
{q} + S
um k-plano. A dist
ancia d de um ponto p V a um k-plano P = {q} + S e dada por:
d (p, P) = kPS (p q)k .
66
Observa
c
ao 50. A distancia entre dois k-planos paralelos P1 = {a} + S e P2 = {b} + S
e dada por:
d (P1 , P2 ) = kPS (a b)k .
Exemplo 48. Considere-se R3 com o produto interno usual.
(i) Seja P o plano (em R3 ) que passa pelos pontos: (1, 2, 1), (1, 0, 1) e (1, 1, 1). Tem-se
P = {(1, 2, 1)} + L ({(1, 0, 1), (1, 1, 1)})
Equa
c
ao vectorial de P:
(x, y, z) = (1, 2, 1) + (1, 0, 1) + (1, 1, 1),
com , R.
Equa
co
es param
etricas de P:
com , R.
Equa
c
ao cartesiana de P:
x=1++
y =2+
z =1+
x 2y + z = 2.
Em alternativa, podemos determinar uma equa

c
ao cartesiana de P do seguinte modo.
Atendendo a que
P = {(1, 2, 1)} + L ({(1, 0, 1), (1, 1, 1)}) ,
seja
S = L ({(1, 0, 1), (1, 1, 1)}) .
Logo,

(x, y, z) R3 : h(x, y, z), (1, 0, 1)i = 0 e h(x, y, z), (1, 1, 1)i = 0 =

1 0 1
= Nuc
= L ({(1, 2, 1)})
1 1 1
S =
e assim, a equacao cartesiana do plano P que passa pelo ponto (1, 2, 1) e dada por:
(h(x 1, y 2, z 1), (1, 2, 1)i = 0)
ou seja por
(1 (x 1) 2 (y 2) + 1 (z 1) = 0) ,
x 2y + z = 2.
67
(ii) Determinemos a equa

c
ao cartesiana da recta que passa pelos pontos (1, 1, 0) e
(1, 2, 1). Tem-se
r = {(1, 1, 0)} + L ({(0, 1, 1)}) ,
uma vez que (0, 1, 1) = (1, 2, 1) (1, 1, 0). Seja
S = L ({(0, 1, 1)}) .
Logo,

S = (x, y, z) R3 : h(x, y, z), (0, 1, 1)i = 0 = Nuc 0 1 1
= L ({(1, 0, 0), (0, 1, 1)})
e assim, a equacao cartesiana da recta r e dada por:
(h(x 1, y 1, z), (1, 0, 0)i = 0 e h(x 1, y 1, z), (0, 1, 1)i = 0)

(1 (x 1) = 0 e 1 (y 1) 1z = 0) ,
ou seja por
x=1
y z = 1.
Formas Quadr
aticas
Defini
c
ao 55. Sejam V um espaco euclidiano real e S = {u1 , ..., un } uma base ortonormada
de V . Seja A Matnn (R). Chama-se forma quadr
atica associada a A a` aplicacao
Q : V R definida por
n X
n
X
Q(v) =
aij i j ,
i=1 j=1
isto e,
Q(v) =
1

... n A ...
n
onde 1 , ..., n sao as coordenadas de v na base S. Se A for uma matriz diagonal entao
tem-se
n
X
Q(v) =
aii 2i
i=1
e diz-se que Q e uma forma quadr

atica diagonal.
Observa
c
ao 51. No exemplo que se segue pode ver-se que duas matrizes diferentes
podem estar associadas a` mesma forma quadratica.
68
Exemplo 49. Sejam A =

a A e a B sao dadas por
QA (x, y) =
e
QB (x, y) =
x y
x y
Logo, tem-se QA = QB .

1 1
1 2
x
y
x
y

eA=

1 3
. As formas quadraticas associadas
1 2
x + y x + 2y
x y 3x + 2y
x
y
= x2 + 2xy + 2y 2
x
y
= x2 + 2xy + 2y 2 .
Teorema 74. Seja A Matnn (R). Seja QA a forma quadratica associada a` matriz A.
Entao, existe uma matriz simetrica B = 21 A + AT Matnn (R) tal que QA = QB .
Teorema 75. Toda a forma quadratica e diagonalizavel.
Exemplo 50. Considere-se a forma quadratica Q : R2 R definida por
Q(x, y) = 3x2 + 4xy + 3y 2 .
Tem-se
Q(x, y) =

x0
y0
x y
x
y
x
y

3 2
com A =
. Os valores proprios de A sao 1 = 1 e 2 = 5. A forma quadratica
2 3
diagonal correspondente e
0

0
0 0
0 0 1 0
x
x
x y D
= x y
0
y
0 5
y0
com
D = SAS
=S
em que S T e a matriz diagonalizante obtida colocando na 1a coluna um vector proprio de

norma 1 associado ao valor proprio 1 e na 2a coluna um vector proprio de norma 1 associado
ao valor proprio 2 . Observe-se que a matriz S e ortogonal, isto e, tem-se S T = S 1 .
Tem-se entao

T

T
x
x
x
x
x y A
Q(x, y) =
= x y S DS
= S
DS
=
y
y
y
y
0
0 0
x
x y D
=
.
y0
Defini
c
ao 56. Diz-se que uma forma quadratica Q ou uma matriz simetrica que lhe
esteja associada, e:
69
(i) definida positiva se Q(v) > 0, para todo o v 6= 0;

(ii) definida negativa se Q(v) < 0, para todo o v 6= 0;
(iii) semidefinida positiva se Q(v) 0, para todo o v;
(iv) semidefinida negativa se Q(v) 0, para todo o v;
(v) indefinida se existirem pontos onde Q seja positiva e pontos onde Q seja negativa.
Teorema 76. Seja A Matnn (R) tal que A e simetrica. Entao,
(i) A e definida positiva se e so se todos os valores proprios de A forem positivos;
(ii) A e definida negativa se e so se todos os valores proprios de A forem negativos;
(iii) A e semidefinida positiva se e so se todos os valores proprios de A forem nao
negativos;
(iv) A e semidefinida negativa se e so se todos os valores proprios de A forem nao
positivos;
(v) A e indefinida se e so se A tiver pelo menos um valor proprio positivo e outro
negativo.
Agradecimento.
Agradecimentos ao Prof. Nuno Martins por ter cedido os seus apontamentos te
oricos em tex
70

Alteoricasem PDF

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Alteoricasem PDF

Transféré par

Droits d'auteur :

Formats disponibles

Instituto Superior Tecnico

Resumo das Aulas Teoricas de Algebra

(Todos os cursos da Alameda)

(m por n), e uma tabela de mn n

ai1 ai2 ain

para cada i = 1, ..., m. A coluna j de A e:

sao dos seguintes tipos: A e 2 2, B e 2 4, C e 1 3, A e 4 1. Tem-se, por exemplo,

e nao e possvel somar C com D.

Exemplo 4. Sejam A, B, C e D as matrizes do exemplo 2. Nao e possvel efectuar, por

chama-se matriz identidade (de ordem n) e e tal que

para todas as matrizes A = (aij )mn e B = (bij )nm .

a11 x1 + a12 x2 + ... + a1n xn = b1

a21 x1 + a22 x2 + ... + a2n xn = b2

am1 x1 + am2 x2 + ... + amn xn = bm

em que aij e bk sao constantes (reais), para i, k = 1, ..., m e j = 1, ..., n.

am1 am2 amn

A matriz A e a matriz dos coeficientes do sistema, X e a matriz coluna das incognitas

Ao conjunto de todas as solucoes do sistema chama-se conjunto solucao ou solucao geral do

A solucao (geral) do sistema acima e x = 1/3 e y = 2/3 (verifique!), isto e, X =

a11 a12 a1n | b1

Pivot de A: 4. Pivots de B: 1, 5. Pivots de C: 2, 3, 5.

Johann Carl Friedrich Gauss 1777-1855

entao a matriz aumentada e

o consequente metodo de eliminacao de Gauss:

Neste exemplo o sistema tem solu

5x + 15y 10z + 40w = 45

Consideremos entao a matriz aumentada e o consequente metodo de eliminacao de Gauss:

para quaisquer y, w R, isto e, o conjunto solucao e dado por:

Consideremos entao a matriz aumentada e o consequente metodo de eliminacao de Gauss:

a incognita z e livre, as incognitas x e y sao nao livres e a solucao geral do sistema e

e diz-se possvel e determinado.

a11 x1 + a12 x2 + ... + a1n xn = 0

a21 x1 + a22 x2 + ... + a2n xn = 0

am1 x1 + am2 x2 + ... + amn xn = 0

tem o nome de sistema linear homog

(ii) A matriz Ei () e a matriz elementar obtida da matriz I atraves do produto do escalar

Teorema 7. Sejam E uma matriz elementar do tipo m m e A uma matriz qualquer

matriz aumentada do exemplo 9:

a` seguinte multiplicacao (`a

corresponde a` seguinte multiplicacao (`a esquerda):

corresponde a` seguinte multiplicacao

Finalmente, a operacao elementar:

Teorema 12. (Factoriza

L = E12 (2)E13 (2)E23 (1) = 2

1 1 0 | 9/5 1/5 1/5

0 1 0 | 2/5 3/5 2/5

1 0 0 | 7/5 2/5 3/5

Logo, A e singular e como tal nao e invertvel.

Wilhelm Jordan 1842 1899

e e indissociavel da matematica Emmy Noether6 . A Algebra

Hermann Grassmann 18091877

(i) Rn , com as operacoes usuais:

(ii) O conjunto V = {a0 + a1 t + ... + an tn : a0 , a1 , ..., an R e an 6= 0}, com as operacoes

e um subespaco do espaco linear Rm , com as operacoes usuais, ao qual se da o nome de

Ao cojunto de todas as combinacoes lineares finitas de elementos de S chama-se expans

espaco linear Rm ) gerado pelas colunas de A, uma vez que:

C(A) = {(0, 0)}, Nuc(A) = R3

e L(A) = {(0, 0, 0)}.

= a21 = a32 = 0 e a11 + 2a31 = 0}. Tem-se, para

(x) Seja U = {p(t) = a0 + a1 t + a2 t2 P2 : p(1) = p(0)}. Tem-se, para p(t) U ,

Teorema 17. Se U e V sao subespacos do espaco linear W , entao:

e V = L ({(2, 1, 1), (1, 1, 3)}) .

Considerando a matriz aumentada tem-se