Académique Documents
Professionnel Documents
Culture Documents
Departamento de Matematica
Seccao de Algebra
e Analise
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:
amn
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
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
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
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
IB = B,
` 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
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
..
.
X=
x1
x2
..
.
xn
B=
b1
b2
..
.
bm
s1
s2
S = ..
.
sn
tal que as equacoes do sistema sao satisfeitas quando substitumos
x1 = s1 , x2 = s2 , ..., xn = sn .
6
1 2
2 1
x
y
1
0
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
[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
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
Consideremos
1 0
1 2
0 3
Logo,
1 | 3
1 0
2 | 6
0 2
L1 +L2 L2
3 | 6
0 3
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
3z 9w = 6
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
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
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
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,
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)
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
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
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
0
5
1
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
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
A operacao elementar:
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
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
A operacao elementar:
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
(`a esquerda):
5 | 7
1 3 1 5 | 7
8 | 9 = 0 0 1 3 | 2 .
9 | 6
0 0 3 9 | 6
1 0 0
1 3 1
0 1 0 0 0 1
0 3 1
0 0 3
(`a esquerda):
5 | 7
1 3 1 5 | 7
3 | 2 = 0 0 1 3 | 2 .
9 | 6
0 0 0 0 | 0
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
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
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
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 .
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
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
19
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
k
X
i ui .
i=1
(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
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
e D=
2 0
0 1
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,
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
Logo,
com a0 , a2 R. Assim,
p(t) = a0 a2 t + a2 t2 = a0 1 + a2 t + t2 ,
U =L
1, t + t2
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
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,
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= 0
2
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)}
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
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.
(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
com vj =
n
X
sij wi
i=1
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 .
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
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
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
O(u) = 0,
definida por
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
1
2
..
.
m
= 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
T (u) = Au.
n
X
j=1
37
j e j .
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
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.
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
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
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!
em que
=
Observa
c
ao 35. Podemos ainda escrever de modo equivalente:
(i)
|A| =
(j1 j2 ...jn )
permutaca
o de 1,2,...,n
em que
=
7
O Determinante de uma matriz foi pela primeira vez considerado por Talakazu Seki 16421708
45
(ii)
|A| =
(i1 i2 ...in )
permutaca
o de 1,2,...,n
em que
=
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.
(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
1
.
det A
n
X
j=1
Observa
c
ao 37. Seja A Matnn (R), com n > 1. Tem-se
det A =
n
X
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
(cof A)T .
det A
47
a b
c d
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
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
2x + y = 8
x + 2y + 4z = 7
x + z = 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.
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
det(B I) =
=
=
=
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
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
1 5 1
Nuc (A 2 I) = Nuc 0 4 1 = L ({(1, 1, 4)}) .
4 0
1
4 5 1
Nuc (A 3 I) = Nuc 0 1 1 = L ({(3, 2, 2)}) .
4 0 6
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.
1 1
3 2
3 4
1 1 1
Nuc (A 1 I) = Nuc 2 2 2 = L ({(1, 1, 0) , (1, 0, 1)}) .
3 3 3
Logo, o subespaco proprio E1 e dado por
5 1
1
Nuc (A 2 I) = Nuc 2 4 2 = L ({(1, 2, 3)}) .
3
3 3
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
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.
7 5 1
A = 0 2 1
20 0
3
4 5 1
Nuc (A 1 I) = Nuc 0 5 1 = L ({(0, 1, 5)}) .
20 0
0
Logo, o subespaco proprio E1 e dado por
5 5 1
Nuc (A 2 I) = Nuc 0 4 1 = L ({(1, 5, 20)}) .
20 0
1
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 .
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
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 ]
(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)
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 =
1
2
..
.
n
hw1 , w1 i hw1 , w2 i
hw2 , w1 i hw2 , w2 i
A=
..
..
.
.
hwn , w1 i hwn , w2 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
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
A=
2 0
0 3
2 1
1 1
1 2
1
2
3+ 5
2
3 5
2
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.
hv, ui
u.
kuk2
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
com (1 , 2 ) , ( 1 , 2 ) R2 .
h(1 , 2 ) , ( 1 , 2 )i = 1 1 + 2 2 ,
i=1
i=1
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
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
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
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
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 ) ,
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 .
65
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
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.
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
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
Observa
c
ao 51. No exemplo que se segue pode ver-se que duas matrizes diferentes
podem estar associadas a` mesma forma quadratica.
68
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
Agradecimento.
Agradecimentos ao Prof. Nuno Martins por ter cedido os seus apontamentos te
oricos em tex
70