Conteudo - arquivoescolar.orgarquivoescolar.org/bitstream/arquivo-e/153/1/ALppinto.pdf · Algebra...

Algebra LinearResumo das aulas teoricas e praticas

Paulo R. Pintohttp://www.math.ist.utl.pt/∼ppinto/

Lisboa, Novembro de 2011

Conteudo

1 Matrizes e sistemas lineares 11.1 Algebra das Matrizes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11.2 Operacoes elementares. Caracterıstica . . . . . . . . . . . . . . . . . . . . . . 41.3 Sistemas de Equacoes Lineares . . . . . . . . . . . . . . . . . . . . . . . . . . 81.4 Calculo da matriz inversa . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121.5 Exercıcios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14

2 Determinantes 202.1 Exercıcios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24

3 Espacos Lineares (ou Vectoriais) 263.1 Subespacos lineares – p. ex.: nucleo, espaco colunas e linhas de uma matriz . 283.2 Independencia linear . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 343.3 Bases e dimensao de Espacos Lineares . . . . . . . . . . . . . . . . . . . . . 353.4 Coordenadas de um vector numa base . . . . . . . . . . . . . . . . . . . . . . 433.5 Matriz mudanca de base . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 433.6 Exercıcios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44

4 Valores Proprios, Vectores Proprios e diagonalizacao de Matrizes 504.1 Exercıcios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56

5 Transformacoes Lineares 585.1 Representacao matricial de uma transformacao linear . . . . . . . . . . . . . 615.2 Transformacoes injectivas, sobrejectiva e bijectivas – equacoes lineares . . . . 645.3 Valores e vectores proprios de transformacoes lineares . . . . . . . . . . . . . 695.4 Exercıcios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69

6 Produtos Internos 766.1 Bases ortogonais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 816.2 Complementos e projeccoes ortogonais . . . . . . . . . . . . . . . . . . . . . 836.3 Diagonalizacao de matrizes simetricas . . . . . . . . . . . . . . . . . . . . . . 876.4 Exercıcios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91

7 Algumas Aplicacoes 947.1 Formas quadraticas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 947.2 Mınimos quadrados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 957.3 Equacoes diferenciais ordinarias . . . . . . . . . . . . . . . . . . . . . . . . . 97

7.3.1 Um processo de difusao . . . . . . . . . . . . . . . . . . . . . . . . . . 987.4 Genes ligados ao sexo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 997.5 Redes e grafos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1007.6 Exercıcios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102

http://www.math.ist.utl.pt/~ppinto/

1 Matrizes e sistemas lineares

1.1 Algebra das Matrizes

As matrizes1 sao uma ferramenta fundamental no estudo de algebra linear.

Definicao 1.1 Uma matriz A, do tipo m × n (m por n), e uma tabela de mn numerosdispostos em m linhas e n colunas:

A =

a11 a12 · · · a1n

a21 a22 · · · a2n...

... · · · ...am1 am2 · · · amn

.A matriz linha i de A e: [

ai1 ai2 · · · ain],

para cada i = 1, ...,m. A matriz coluna j de A e:a1j

a2j...amj

para cada j = 1, ..., n. Usa-se tambem a notacao A = [aij]m×n 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. Seja Mm×n(R) o conjunto de todasas matrizes do tipo m × n com entradas em R. Mais geralmente, sendo K um conjunto,Mm×n(K) designa o conjunto de todas as matrizes do tipo m× n com entradas em K.

Exemplo 1.2 As matrizes

A =

[1 −1−2 2

], B =

[1 2 3 42 0 −2 0

], C =

[0 0 7

]e D =

4321

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.

Dizemos que as matriz A = [aij] do tipo m × n e a matriz B = [bij] do tipo p × q saoiguais se m = p, n = q e aij = bij para todos i, j.

Definicao 1.3 1. A soma matricial de uma matriz A = [aij] do tipo m× n com outramatriz B = [bij] do tipo m × n e a matriz A + B do mesmo tipo cuja entrada (i, j) eaij + bij.

2. O produto de uma matriz A = [aij] do tipo m×n por escalar λ e a matriz λA = [λaij].

1O termo Matriz foi utilizado pela primeira vez por James Sylvester (1814-1897) em 1850

1

3. O produto matricial A = [aij] do tipo m×p com outra matriz B = [bij] do tipo p×ne uma matriz C = cij do tipo m× n, designada por AB, cuja entrada (i, j) e dada por

cij = ai1b1j + ai2b2j + ...+ aipbpm =

p∑k=1

aikbkj.

4. A transposta da matriz A = [aij] de tipo m× n e a matriz AT = [aji] de tipo n×m.

Exemplo 1.4 Sejam

A =

[1 4 −1−3 2 6

], B =

[0 −3 24 −1 −5

], C =

−1−1/2

2

e D =[−2

√3].

Tem-seA+B =

[1 1 11 1 1

]e nao e possıvel somar C comD. Temos−2A =

[−2 −8 26 −4 −12

]e

AT =

1 −34 2−1 6

e CT =

[−1 −1

22

].

Nao e possıvel efectuar, por exemplo, AB. Os produtos AC e CD sao possıveis e tem-se:

AC =

[−514

]e CD =

2 −√

3

1 −√

3/2

−4 2√

3

.

Observacao 1.5 O produto de matrizes nao e comutativo. Por exemplo, para

A =

[0 11 0

]e B =

[0 −11 0

]tem-se AB =

[1 00 −1

]e BA =

[−1 00 1

].

Logo AB 6= BA.

Teorema 1.6 Sejam A, B, C e D matrizes de tipos apropriados, α e β escalares. Saovalidas as seguintes propriedades para as operacoes matriciais.

1. (Comutatividade da soma) A+B = B + A.

2. (Associatividade da soma) A+ (B + C) = (A+B) + C.

3. (Elemento neutro da soma) Existe uma unica matriz 0 do tipo m×n tal que A+0 = A,para toda a matriz A do tipo m × n. A matriz 0, cujas entradas sao todas iguais azero, chama-se matriz nula.

4. (Simetrico) Para cada matriz A existe uma unica matriz B tal que A + B = 0. Estamatriz B denota-se por −A.

5. (Associatividade do produto por escalares) α (βA) = (αβ)A.

6. (Distributividade) (α + β)A = αA+ βA.

7. (Distributividade) α (A+B) = αA+ αB.

2

8. (Associatividade do produto de matrizes) A (BC) = (AB)C.

9. (Distributividade) A (B + C) = AB + AC e (B + C)D = BD + CD.

10. α (AB) = (αA)B = A (αB).

11.(AT)T

= A.

12. (A+B)T = AT +BT .

13. (αA)T = αAT .

14. (AB)T = BTAT .

15. (A1A2...An)T = ATn ...AT2A

T1 , com A1, A2, ..., An matrizes de tipos apropriados.

16. A matriz, do tipo n× n,

I =

1 0 · · · 00 1 · · · 0...

. . ....

0 0 · · · 1

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

AI = A e IB = B,

para todas as matrizes A = [aij]m×n e B = [bij]n×m.

Definicao 1.7 Seja A uma matriz quadrada n× n. A matriz A e invertıvel se existir umamatriz B tal que

AB = BA = I.

Teorema 1.8 Caso exista, a inversa de uma matriz quadrada e unica, que designamos porA−1.

A matriz nula nao e invertıvel e a matriz identidade e invertıvel, tendo-se I−1 = I.

Teorema 1.9 Sejam A e B matrizes invertıveis e α escalar nao nulo. Entao AB, AT e αAtambem sao invertıveis e

(AB)−1 = B−1A−1, (αA)−1 =1

αA−1, (AT )−1 = (A−1)T .

Seja A uma matriz quadrada e k ∈ N. Chamamos potencia de expoente k de A, edesigna-se por Ak, a matriz A · · ·A multiplicando a mesma matriz k-vezes (por exemplo,A2 = AA, A3 = AAA = (AA)A = A(AA)). Coloca-se A0 = I se A for nao nula. Se A forinvertıvel, entao pelo ultimo teorema Ak tambem e invertıvel e

(Ak)−1 = A−1 · · ·A−1

onde A−1 aparece k-vezes nesta multiplicacao. Portanto podemos definir A−k com sendo(Ak)−1.

Definicao 1.10 Seja A = [aij] ∈Mn×n(R).

1. A e simetrica se A = AT , isto e, se aij = aji, para i, j = 1, ..., n.

2. A e anti-simetrica se A = −AT , isto e, se aij = −aji, para i, j = 1, ..., n.

3. A e ortogonal se A for invertıvel e AT = A−1.

3

1.2 Operacoes elementares. Caracterıstica

Seja A uma matriz n×m. Operacoes elementares sobre as linhas de A cada uma das seguintetipo de operacao:

1. permutacao (i.e. troca) de duas linhas

2. multiplicacao de uma linha por um escalar nao nulo

3. adicao de uma linha a uma outra.

Combinando as operacoes 2) e 3) obtem-se a chamada operacao de Jacobi, que consisteem adicionar a uma linha uma outra previamente multiplicada por um escalar. Por abuso deforma, usaremos a operacaode Jacobi como sendo uma operacao elementar (substituindo a3) acima descrita. Vamos adoptar as seguintes notacoes para as transformacoes elementaressobre as linhas de uma matriz:

1. Li ↔ Lj, para representar que se efectuou a troca das linhas Li e Lj

2. αLi → Li, para representar que a linha Li foi multiplicada pelo escalar α 6= 0.

3. kLj + Li → Li, para representar que a nova linha Li e obtida somando a linha Li alinha Lj previamente multiplicada por um escalar k.

Se a matriz A foi transformada na matriz B do uma operacao elementar, entao usamosa seguinte notacao (respectivamente)

A −→Li↔Lj

B, A −→αLi→Li

B, A −→Li+kLj→Li

B.

Dizemos entao que a matriz A foi condensada na matriz U se U for obtida por sucessivaaplicacao de operacoes elementares de tal forma que a matriz U esta em escada de linhas:isto e, por baixo do primeiro elemento nao nulo de cada linha (e na mesma coluna) todosos elementos sao nulos. Chama-se metodo de eliminacao de Gauss a este algoritmo decondensacao da matriz A.

Este processo de condensacao aplica-se naturalmente a qualquer matriz A e ao numerode linhas nao nulas no final deste processo – que e independente da via da condensacaoescolhida – chama-se caracterıstica de A e designa-se por car(A). Veremos no teorema3.38 que car(A) = car(AT ).

A primeira entrada nao nula em cada linha da uma matriz U em escada de linhaschamamos pivo.

Exemplo 1.11 Vamos transformar em escada de linhas a seguinte matriz A:

A =

0 0 3 −95 15 −10 401 3 −1 5

−→L1↔L3

1 3 −1 55 15 −10 400 0 3 −9

−→15L2→L2

1 3 −1 51 3 −2 80 0 3 −9

−→−L1+L2→L2

1 3 −1 50 0 −1 30 0 3 −9

−→3L2+L3→L3

1 3 −1 50 0 −1 30 0 0 0

= U.

Em particular, conclui-se que car(A) = 2, pois a matriz U tem 2 linhas nao nulas e asentradas (1, 1) e (2, 3) sao os pivos de U .

4

Definicao 1.12 Uma matriz elementar do tipo n × n e uma matriz obtida da matrizidentidade I atraves de uma unica operacao elementar.

(i) A matriz Pij, chamada matriz de permutacao, e a matriz elementar obtida portroca da linha i com a linha j da matriz I. Tem-se:

Pij =

1 0 · · · · · · 0

0. . . . . .

......

. . . 10 1

1. . .

11 0

1. . .

......

. . . . . . 00 · · · · · · 0 1

← i

← j

.

(ii) A matriz Ei(α) e a matriz elementar obtida da matriz I atraves do produto do escalarα 6= 0 pela linha i da matriz I. Tem-se:

Ei(α) =

1 0 · · · · · · 0

0. . . . . .

......

. . . 1α

1. . .

......

. . . . . . 00 · · · · · · 0 1

← i .

(iii) A matriz Eij(α) e a matriz elementar obtida da matriz I por soma da linha j comum multiplo α da linha i. Tem-se:

Eij(α) =

1 0 · · · · · · 0

0. . . . . .

......

. . . 1. . .

α 1. . .

......

. . . . . . 00 · · · · · · 0 1

← i

← j

.

Exemplo 1.13 As matrizes elementares do tipo 2× 2 sao:

P12 = P21 =

[0 11 0

], E1(α) =

[α 00 1

], E2(α) =

[1 00 α

],

com α 6= 0,

E12(α) =

[1 0α 1

]e E21(α) =

[1 α0 1

].

5

Teorema 1.14 Sejam E uma matriz elementar do tipo m×m e A uma matriz qualquer dotipo m × n. Entao, EA e a matriz obtida de A atraves da mesma operacao elementar queoriginou E. Isto e, aplicar uma operacao elementar a uma matriz corresponde a multiplicaressa matriz a esquerda por uma matriz elementar.

Exemplo 1.15 Consideremos a matriz

A =

0 0 3 −95 15 −10 401 3 −1 5

.

A operacao elementar: 0 0 3 −95 15 −10 401 3 −1 5

−→L1↔L3

1 3 −1 55 15 −10 400 0 3 −9

,

corresponde a seguinte multiplicacao (a esquerda): 0 0 10 1 01 0 0

0 0 3 −95 15 −10 401 3 −1 5

=

1 3 −1 55 15 −10 400 0 3 −9

.

A operacao elementar: 1 3 −1 55 15 −10 400 0 3 −9

−→15L2→L2

1 3 −1 51 3 −2 80 0 3 −9

,

corresponde a seguinte multiplicacao (a esquerda): 1 0 00 1/5 00 0 1

1 3 −1 55 15 −10 400 0 3 −9

=

1 3 −1 51 3 −2 80 0 3 −9

.

A operacao elementar: 1 3 −1 51 3 −2 80 0 3 −9

−→−L1+L2→L2

1 3 −1 50 0 −1 30 0 3 −9

,

corresponde a seguinte multiplicacao (a esquerda): 1 0 0−1 1 00 0 1

1 3 −1 51 3 −2 80 0 3 −9

=

1 3 −1 50 0 −1 30 0 3 −9

.

Finalmente, a operacao elementar: 1 3 −1 50 0 −1 30 0 3 −9

−→3L2+L3→L3

1 3 −1 50 0 −1 30 0 0 0

,

6

corresponde a seguinte multiplicacao (a esquerda): 1 0 00 1 00 3 1

1 3 −1 50 0 −1 30 0 3 −9

=

1 3 −1 50 0 −1 30 0 0 0

.

Tem-se entao:

E23 (3)E12 (−1)E2

(1

5

)P13

0 0 3 −95 15 −10 401 3 −1 5

=

1 3 −1 50 0 −1 30 0 0 0

.

Note-se que as matrizes elementares sao invertıveis, sendo

P−1ij = Pij, Ei(α)−1 = Ei(

1

α), e Eij(α)−1 = Eij(−α).

Uma matriz diz-se matriz triangular superior (triangular inferior) se as entradas porbaixo (por cima, respectivamente) da diagonal principal sao todas nulas.

Seja A uma matriz quadrada e considere-se a sua transformacao em matriz em escada delinhas Ak (que e triangular superior) usando matrizes elementares E1, ...., Ek:

A −→E1

A1 −→E2

A2 −→E3

.... −→Et

Ak.

Por aplicacao repetida do Teorema 1.14 temos

(Et...E2E1)A = Ak, (1)

e obtem-seA = (Ek.....E2E1)−1Ak = (E−1

1 ...E−1k )Ak.

Se as matrizes elementares E−11 , ...E−1

k nao sao de permutacao, entao a matriz L := E−11 ...E−1

k

e uma matriz triangular inferior (o produto de matrizes triangulares inferiores e uma matriztriangular inferior) e U := Ak e uma matriz triangular superior. Temos assim a decomposicaoA = LU da matriz inicial A como produto de duas matrizes triangulares.

Todavia ha matrizes para as quais nao e possıvel efectuar a decomposicao A = LU .Nestes casos, efectuamos todas as trocas de linhas no inıcio da condensacao obtendo umamatriz de permutacao P (produto de matrizes elementares associadas a troca de linhas).Como as trocas foram todas realizadas no inıcio, podemos entao transformar a matriz PAnuma matriz em escada de linhas sem recorrer a mais trocas de linhas.

Teorema 1.16 (Factorizacao triangular). Seja A uma matriz do tipo n × n. Entao ouA admite a factorizacao A = LU ou existe uma matriz de permutacao P tal que PA admitea factorizacao PA = LU , onde L e U sao respectivamente uma matriz triangular inferior euma matriz triangular superior.

Veremos aplicacoes desta factorizacao, p.ex, na Seccao 1.3.

Exemplo 1.17 Seja A =

1 1 12 1 42 3 5

. Tem-se:

E23(1)E13(−2)E12(−2)A =

1 1 10 −1 20 0 5

.

7

Logo,

A = (E12(−2))−1 (E13(−2))−1 (E23(1))−1

1 1 10 −1 20 0 5

.

Isto e,

A = E12(2)E13(2)E23(−1)

1 1 10 −1 20 0 5

,

ou ainda,A = LU ,

com

L = E12(2)E13(2)E23(−1) =

1 0 02 1 02 −1 1

e U =

1 1 10 −1 20 0 5

.

1.3 Sistemas de Equacoes Lineares

O estudo dos sistemas lineares remonta aos Matematicos da Babilonia (c.2000 a.C.) e daChina (c.200 a.C.) e tomou a sua forma actual no seculo XIX, destacando-se os trabalhos deArthur Cayley (1821-1895) e James Sylvester.

Definicao 1.18 Uma equacao linear com n incognitas x1, x2, ..., xn e uma equacao daforma

a1x1 + a2x2 + ...+ anxn = b,

em que a1, a2, ..., an e b sao escalares (reais ou complexos).

Definicao 1.19 Um sistema de m equacoes lineares com n incognitas e um conjuntode equacoes lineares da forma

a11x1 + a12x2 + ...+ a1nxn = b1

a21x1 + a22x2 + ...+ a2nxn = b2

. . .am1x1 + am2x2 + ...+ amnxn = bm

(2)

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

Sempre que os aij e bk forem todos coeficientes reais, as incognitas (ou variaveis) x1, ..., xndo sistema (2) tambem se consideram variaveis reais (por defeito). Usando o produto dematrizes definido na Seccao 1.1, o sistema linear (2) pode ser escrito como uma equacaomatricial

Ax = b,

em que

A =

a11 a12 · · · a1n

a21 a22 · · · a2n...

... · · · ...am1 am2 · · · amn

, x =

x1

x2...xn

e b =

b1

b2...bm

.

8

A matriz A e designada por matriz dos coeficientes das incognitas, x matriz-coluna dasincognitas e b matriz-coluna dos termos independentes dos sistema linear (2). O sistemaanterior tambem pode ser representado por

[A|b] =

a11 a12 · · · a1n b1

a21 a22 · · · a2n b2...

... · · · ......

am1 am2 · · · amn bn

dizendo-se que esta matriz e a matriz aumentada do sistema.

Dizemos que s =

s1

s2...sm

e uma solucao do sistema linear (2) se todas as equacoes de (2)

forem satisfeitas, quando substituımos x1 = s1, ...., xn = sn, portantoa11s1 + a12s2 + ...+ a1nsn = b1

a21s1 + a22s2 + ...+ a2nsn = b2

. . .am1s1 + am2s2 + ...+ amnsn = bm

. (3)

Na forma matricial, todavia equivalente, s e solucao do sistema linear (2) se As = b. Aoconjunto S de todos as solucoes de (2) damos o nome de conjunto-solucao ou solucao geraldo sistema, i.e.

S = {s = (s1, ..., sn) ∈ Rn : A

s1

s2...sm

= b}.

Pretendemos uma descricao (algebrica e geometrica) do conjunto-solucao. O metodo deeliminacao de Gauss (ver Seccao 1.2) permite obter essa descricao, que consiste em aplicaras operacoes elementares na matriz aumentada, obtendo sistemas lineares equivalentes aoinicial (i.e. com o mesmo conjunto-solucao) mas de resolucao simplificada. Facilmente seprova que se a matriz aumentada [A1|b1] e obtida da matriz aumentada [A|b] usando umaoperacao elementar, entao os 2 sistemas lineares associados tem o mesmo conjunto-solucao.

Exemplo 1.20 O sistema linear x+ z = 3

x+ 2y + 2z = 6

3y + 3z = 6

na forma matricial e 1 0 11 2 20 3 3

xyz

=

366

.

Consideremos entao a matriz aumentada e o consequente metodo de eliminacao de Gauss: 1 0 1 | 31 2 2 | 60 3 3 | 6

−→−L1+L2→L2

1 0 1 | 30 2 1 | 30 3 3 | 6

−→− 3

2L2+L3→L3

1 0 1 | 30 2 1 | 30 0 3

2| 3

2

.

9

Logo o sistema linear inicial e equivalente ao sistemax+ z = 3

2y + z = 3

32z = 3

2

⇔

x = 2

y = 1

z = 1.

Exemplo 1.21 O sistema linear3z − 9w = 6

5x+ 15y − 10z + 40w = −45

x+ 3y − z + 5w = −7

e equivalente a 0 0 3 −95 15 −10 401 3 −1 5

xyzw

=

6−45−7

.

Consideremos entao a matriz aumentada e o consequente metodo de eliminacao de Gauss: 0 0 3 −9 | 65 15 −10 40 | −451 3 −1 5 | −7

−→L1↔L315L2→L2

1 3 −1 5 | −71 3 −2 8 | −90 0 3 −9 | 6

−→−L1+L2→L2

−→

1 3 −1 5 | −70 0 −1 3 | −20 0 3 −9 | 6

−→3L2+L3→L3

1 3 −1 5 | −70 0 −1 3 | −20 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 (isto e podem tomar valores arbitrarios) e as incognitas x e zsao nao livres. A solucao geral do sistema e:

X =

xyzw

=

−3y − 2w − 5

y3w + 2w

,

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 solucoes

Dado um sistema linear na forma matricial Ax = b, importa investigar o seu conjuntosolucao.

Notamos que se x0 e x1 forem solucoes de Ax = b tais que x0 6= x1, entao x0 + λ(x1 − x0)tambem e solucao de Ax = b, para cada escalar λ. Portanto se um sistema linear tiver duassolucoes distintas entao tem infinitas solucoes.

Podemos assim classificar (quando ao tipo solucao) os sistemas lineares da seguinte forma:

10

1. Impossıveis (os que tem o conjunto-solucao vazio)

2. Possıveis:

(a) Determinados (os que tem uma unica solucao)

(b) Indeterminados (os que tem um numero infinito de solucoes)

Em particular, podemos concluir que nao ha sistemas lineares com precisamente 2 solucoes,por exemplo.

Observacao 1.22 Seja [A | b] a matriz aumentada associada a um sistema linear com nincognitas.

1. Se car A = car [A | b] = n entao o sistema e possıvel e determinado (tem uma unicasolucao).

2. Se car A = car [A | b] < n entao o sistema e possıvel e indeterminado (tem um no

infinito de solucoes).

3. Se car A < car [A | b] entao o sistema e impossıvel (nao tem solucao).

4. Podemos escolher como incognitas livres (podem tomar valores arbitrarios) do sis-tema aquelas que correspondem as colunas, que nao contenham pivos, da matriz emescada de linhas obtida de A atraves de operacoes elementares.

5. As incognitas nao livres do sistema sao aquelas que correspondem as colunas, quecontenham pivos, da matriz em escada de linhas obtidas de A atraves de operacoeselementares.

6. car A = n o de linhas nao nulas da matriz em escada de linhas obtidas de A = no depivos = no de incognitas nao livres.

Teorema 1.23 Se A for uma matriz quadrada e invertıvel, entao o sistema Ax = b e possıvele determinado. Alem disso a unica solucao e x = A−1b.

Na Seccao 1.2 desenvolvemos um metodo para factorizar uma matriz quadrada A naforma A = LU , com L uma matriz triangular inferior e U matriz triangular superior. Ora,o sistema Ax = b pode ser escrito da seguinte forma

LUx = b.

Em seguida definimos uma nova variavel y tal que Ux = y. Resolvemos o sistema Ly = be finalmente determinamos os valores de x usando a equacao Ux = y.

Embora a decomposicao LU converta o problema de resolver um unico sistema Ax = bno problemas de resolver dois sistemas Ly = b e Ux = y, esses sistemas sao de resolucaoimediata porque as matrizes dos coeficientes das incognitas sao triangulares. Uma outravantagem nas aplicacoes e que esta decomposicao so usa a matriz A e nao a matriz b, peloque uma vez conhecida essa decomposicao, podemos utiliza-la para para resolver Ax = bpara varios valores de b.

Se nao existir a decomposicao A = LU , entao sabemos que existe uma matriz de per-mutacao P tal que podemos efectuar a decompisicao PA = LU . Pelo que a resolucao dosistema Ax = b e analoga ao anterior uma vez que as solucoes de PAx = Pb sao as mesmasdo sistema Ax = b.

11

Sistemas homogeneos

Ao sistema Ax = 0 chamamos sistema homogeneo, onde a matriz-coluna dos termos in-dependentes e a matriz-coluna nula. Note-se que o sistema homogeneo Ax = 0 e semprepossıvel, uma vez que A0 = 0. O proximo resultado indica-nos que o estudo de sistemalineares possıveis reduzem-se ao estudo dos sistemas homogeneos associados, sabendo umasolucao particular.

Teorema 1.24 Seja S o conjunto solucao do sistema Ax = b e x1 ∈ S. Seja ainda S0 oconjunto-solucao dos sistema homogeneo associado Ax = 0. Entao temos

S = x1 + S0.

A prova deste Teorema e simples: Dado x0 solucao de Ax = 0 facilmente se conclui quex1 + x0 e solucao de Ax = b. Mais, se x2 e solucao de Ax = b entao (x2 − x1) e solucao dosistema Ax = 0.

No Exemplo 1.20 o conjunto-solucao obtido foi

S = {(−3y − 2w − 5, y, 3w + 2, w) : y, w ∈ R} .

Cada solucao neste sistema pode ser escrito da seguinte forma (separando a parte que temas variaveis livres):

(−3y − 2w − 5, y, 3w + 2, w) = (−5, 0, 2, 0) + (−3y − 2w, y, 3w,w).

Facilmente se verifica que {(−3y − 2w, y, 3w,w) : y, w ∈ R} e o conjunto-solucao S0 do sis-tema homogeneo e que (−5, 0, 2, 0) e uma solucao particular de Ax = b e portanto

S = (−5, 0, 2, 0) + S0.

Ja vimos que o vector nulo e solucao do sistema homogeneo. O proximo resultado da-nosuma ideia da estrutura crucial que esta presente em Algebra Linear.

Teorema 1.25 Se x0 e x1 sao solucoes do sistema homogeneo Ax = 0 e λ escalar, entaox0 + x1 e λx0 tambem sao solucoes do mesmo sistema homogeneo.

1.4 Calculo da matriz inversa

Nesta Seccao, vamos fornecer dois algoritmos para determinar a inversa (ver Definicao 1.7).

10 algoritmo para a determinar a inversa de uma matriz

Na equacao (1), se a matriz em escada de linhas Ak tem uma linha Li toda nula, entaoAt nao e invertıvel uma vez que a linha Li de AkB e sempre nula, e portanto AkB 6= I.Se At tiver todas as linhas nao nulas, entao com Ak esta em escada de linhas e a matrizAk e quadrada conclui-se que as entradas de diagonal de Ak sao todas nao nulas. Peloque podemos prosseguir com as operacoes elementares a partir da matriz Ak por forma atransforma-la na matriz identidade I:

A −→E1

A1 −→E2

A2 −→E3

.... −→Ek

Ak −→Ek+1

Ak+1 −→Ek+2

... −→Es

I.

Concluimos que(Es...Ek.....E2E1)A = I,

em particular concluimos que A e invertıvel e que

12

Teorema 1.26 1. A−1 = Es...Ek.....E2E1.

2. car(A) = n se e so se A e invertıvel.

2o algoritmo para calcular a inversa: metodo de Gauss-Jordan2

Note-se que se A for invertıvel, aplicando o metodo de eliminacao de Gauss, podemos trans-formar matriz aumentada [A|b] numa matriz do tipo [I|c], em que a matriz coluna c seranaturalmente a solucao de Ax = b.

Se a matriz A do tipo n × n. Pretendemos determinar uma matriz X tal que AX = I.Ora esta equacao matricial pode ser resolvida atraves da resolucao de n sistemas lineares:

Ax1 =

10...0

, Ax2 =

01...0

, ..., Axn =

00...1

,em que x1 e a primeira coluna de X, ..., xn e a n-esima coluna de X. Estes n sistemaspodem ser resolvidos em simultanea considerando a matriz aumentada [A|I]. pelo que foiexposto em cima, podemos transformar esta matriz aumentada numa matriz [I|C], caso Aseja invertıvel. Desta forma obtem-se a inversa de A como sendo A−1 = C.

Este algoritmo para obter a inversa de uma matriz chama-se metodo de Gauss-Jordane consiste na continuacao do metodo de eliminacao de Gauss agora aplicado a

[ matriz triangular superior | ∗]

efectuando-se as eliminac oes de baixo para cima de modo a obter-se [I | A−1].

Exemplo 1.27 (i) Seja A =

1 1 12 1 42 3 5

. Tem-se

[A | I] =

1 1 1 | 1 0 02 1 4 | 0 1 02 3 5 | 0 0 1

−→−2L1+L2−→L2

−2L1+L3−→L3

1 1 1 | 1 0 00 −1 2 | −2 1 00 1 3 | −2 0 1

−→L2+L3−→L3

−→

1 1 1 | 1 0 00 −1 2 | −2 1 00 0 5 | −4 1 1

−→15L3−→L3

1 1 1 | 1 0 00 −1 2 | −2 1 00 0 1 | −4/5 1/5 1/5

−→−2L3+L2−→L2

−L3+L1−→L1

−→

1 1 0 | 9/5 −1/5 −1/50 −1 0 | −2/5 3/5 −2/50 0 1 | −4/5 1/5 1/5

−→L2+L1−→L1

−→

1 0 0 | 7/5 2/5 −3/50 −1 0 | −2/5 3/5 −2/50 0 1 | −4/5 1/5 1/5

−→−L2−→L2

−→

1 0 0 | 7/5 2/5 −3/50 1 0 | 2/5 −3/5 2/50 0 1 | −4/5 1/5 1/5

.

2O 3o algoritmo para calcular a inversa de uma matriz invertıvel sera dado no Capıtulo 2

13

Portanto A e invertıvel e A−1 =

7/5 2/5 −3/52/5 −3/5 2/5−4/5 1/5 1/5

.(ii) Seja A =

1 2 31 1 20 1 1

. Tem-se

[A | I] =

1 2 3 | 1 0 01 1 2 | 0 1 00 1 1 | 0 0 1

−→−L1+L2−→L2

1 2 3 | 1 0 00 −1 −1 | −1 1 00 1 1 | 0 0 1

−→L2+L3−→L3

−→

1 2 3 | 1 0 00 −1 −1 | −1 1 00 0 0 | −1 1 1

.

Logo, A nao e invertıvel e como tal nao e invertıvel.

1.5 Exercıcios

Numeros complexos

E1.1 Verifique, com exemplos, que as inclusoes N ⊆ Z ⊆ Q ⊆ R ⊆ C sao todas estritas.Sera que isto implica que, p.ex., #N 6= #Z??

E1.2 Escreva na forma a+ bi os seguintes numeros complexos:

(a) (2− i)2 (b) 24−3i

(c) 1+i1−i (d) (i)n, n ∈ N.

E1.3 Escreva os seguintes numeros na forma polar z = ρeiθ:

(a) 7 (b) −2i (c) (1 + i) · i (d) (1 + i)4.

E1.4 Seja p(z) = a0 + a1z + a2z2 + · · ·+ anz

n um polinomio de coeficientes reais (i.e. todosos coeficientes ak ∈ R) e na variavel complexa z.(a) Mostre que p(z) = p(z) para qualquer z ∈ C.(b) Conclua que se λ = a+ ib, com a, b ∈ R e b 6= 0, e raiz de p(z), entao λ tambem o e.(c) Mostre que se n = 3 e p(z) tem uma raiz com parte imaginaria nao nula, entao p possuitres raizes distintas.(d) Calcule todas as raizes de p(z) = 5 + 9z + 8z2 + 4z3.

Algebra de matrizes

E1.5 Escreva a matriz A = [aij]i,j=1,··· ,4 definida por

(a) aij =

1 se i = j,−1 se j = i+ 1,0 caso contrario.

(b) aij = j2 (c) aij =

{−aji para todo i, jj para j > i.

E1.6 Verifique se a matriz A = [aij] ∈M2×2(R) definida por aij = 3i+ 2j e simetica.

14

E1.7 Sejam A =

[1 π −1

2 3√

3

], B =

[−1 2 33 2 −1

], C =

[1 2

], D =

[π3

].

(a) Calcule, se possıvel, A+B, 2A, CD, AB,AC,DC, CB e AD.(b) Calcule, se possıvel, AT , ATB, DTCT , CTC,CCT e (CCT )T .

E1.8 Seja A =

[1 1−1 −1

]. Calcule A2.

E1.9 (a) Encontre matrizes A e B do tipo 2 × 2 tais que AB 6= BA. Sera que (A + B)2 =A2 + 2AB +B2?(b) Prove que (A+B)2 = A2 + 2AB +B2 se e so se AB = BA.(c) Prove que dadas duas matrizes quadradas A e B tais que AB = B e BA = A entaotemos A2 = A.

Resolucao: (a) Ha muitas – use por exemplo as seguintes A =

[1 10 0

]e B =

[0 01 1

].

E1.10 Seja A ∈M2×2(R) tal que Au = 0 para qualquer u ∈M2×1(R). Prove que A = 0.

E1.11 Sejam u, v ∈Mn×1(R): uTv 6= −1. Sejam A = I+uvT e B = I− 11+uT v

uvT . CalculeAB e BA.

Sistemas lineares e eliminacao de Gauss

E1.12 Quais das seguintes equacoes sao equacoes lineares em x, y e z?(a) x+ π2y +

√2z = 0, (b) x+ y + z = 1, (c) x−1 + y + z = 0, (d) xy + z = 0.

E1.13 Determine todos os polinomios p(x) de grau menor ou igual a 2 tais que p(1) =1, p(2) = 0 e p(3) = 1.

E1.14 Decida quais dos seguintes pontos (0, 0, 0, 0), (1,−1, 0, 0), (1,−1, 0, π), (0,−1, 1, 3),(0,−1, 0, 3) pertencem ao conjunto solucao do sistema linear, nas incognitas (x, y, z, w):{x+ y + 2z = 0−x− 2y − z = 1.

E1.15 Determine a interseccao entre as rectas y + x = 1 e y − 2x = 12.

E1.16 A conversao entre graus Celsius, C, e graus Fahrenheit, F , e governada pela equacaolinear:F = 9

5C + 32. Determine a unico valor da temperatura cuja conversao nao altera o seu valor

(isto e quando F = C).

E1.17 Determine valores para x, y, z e w de modo a que nas reaccoes quımicas seguintes oselementos quımicos envolventes ocorram em iguais quantidades em cada lado da respectivaequacao (isto e, equilibre as equacoes quımicas):(a) xC3H8 + yO2 → zCO2 + wH2O (b) xCH4 + yO2 → zCO2 + wH2O

15

E1.18 Resolva cada um dos sistemas de equacoes lineares, utilizando o metodo de Eliminacaode Gauss:

(a)

x+ y + 2z = 8−x− 2y + 3z = 13x− 7y + 4z = 10,

(b)

3x+ 2y = 16x+ 4y = 09x+ 6y = 1,

(c)

{x+ y + z + w = 12x+ 2y + 2z + 3w = 1,

(d)

2x+ 8y + 6z = 204x+ 2y − 2z = −23x− y + z = 11,

(e)

2x+ 8y + 6z = 204x+ 2y − 2z = −2−6x+ 4y + 10z = 24,

(f)

y + z = 23y + 3z = 6y + x+ y = 0.

E1.19 Escreva cada sistema linear do Problema 1.18 na forma matricial e aplique o metodode Eliminacao de Gauss, a matriz aumentada, para confirmar o resultado obtido no Problema1.18. Indique o conjunto solucao.

E1.20 Interprete geometricamente cada conjunto solucao obtido no Problema 1.18.

E1.21 Para cada parametro real α, considere o sistema de equacoes lineares cuja matriz

aumentada e dado por

1 4 2 102 7 2 201 5 α 10

.

(a) Discuta em termos de α a existencia ou nao de solucao do sistema de equacoes linearesanterior.(b) Para α = 4, determine o conjunto solucao do sistema de equacoes lineares correspondente.

E1.22 Discuta, em funcao do parametros α e β, a solucao de cada sistema linear cuja matrizaumentada e:

(a)

α 1 1 11 α 1 11 1 α 1

(b)

α 0 β 2α α 4 40 α 2 β

Solucao (a) Para α 6= 1 e α 6= −2 o sistema e possıvel e determinado. Para α = 1 sistemae possıvel e indeterminado. Finalmente para α = −2, o sistema e impossıvel.(b) O sistema e possıvel e determinado se α 6= 0 e β 6= 2. E impossıvel para α = 0 e β 6= 2.Nos restantes casos, o sistema linear e possıvel e indeterminado (i.e. β = 2 e qualquer α).

E1.23 Considere o sistema Ax = b cuja matriz matriz aumentada e

1 2 −α 12 −1 −1 β9 −2 1 −1

.

(a) Calcule as caracterısticas de A e da matriz aumentada [A|b] em funcao dos parametrosα e β.(b) Discuta o tipo de solucao do sistema em funcao dos parametros α e β.

Resolucao: Usando eliminacao de Gauss temos 1 2 −α 12 −1 −1 β9 −2 1 −1

−→−2L1+L2

−9L1 + L3

1 2 −α 10 −5 2α− 1 β − 20 −20 1 + 9α −10

−→−4L2 + L3

1 2 −α 10 −5 2α− 1 β − 20 0 α+ 5 −4β − 2

.(a) Donde

car A =

{3, α 6= −52, α = −5

, car [A|b] =

3, α 6= −5, β ∈ R3, α = −5 e β 6= −1/22, α = −5 e β = −1/2

.

(b) Analisando novamente a matriz em escada de linhas obtida em a) concluımos que osistema e impossıvel quando α = −5 e β 6= −1/2. E determinado quando α 6= −5 (equalquer β). Indeterminado quando α = −5 e β = −1/2.

16

E1.24 Indique a caracterıstica de cada uma das seguintes matrizes. Quais e que estao emescada de linhas?

(a)

1 1 11 1 11 1 1

(b)

1 0 00 1 00 0 1

(c)

1 0 00 1 00 0 0

(d)

0 1 00 0 10 0 0

(e)

0 1 00 0 10 0 1

(f)

3 1 −10 0 00 0 1

(g)

3 1 −10 0 10 0 0

(h)

0 00 00 0

(i)

[0 0 00 0 0

](j)

001

(k)[

0 0 1]

E1.25 Determine o conjunto solucao de cada sistema homogeneo Au = 0 associado a cadamatriz A do Problema 1.18, indicando o numero de variaveis livres.

E1.26 Seja Ax = b um sistema linear escrito na forma matricial e B a matriz que se obtemde A usando uma operacao elementar. Sera que podemos garantir que o conjunto solucaodo sistema Ax = b coincide com o conjunto solucao do sistema By = b? Justifique a suaresposta.

E1.27 Considere o sistema linear cuja matriz aumentada e:

1 1 1 52 −1 −1 1−3 2 2 0

.

(a) Determine o conjunto solucao deste sistema.(a) Verifique que x = 2, y = i, z = 3−i e uma solucao deste sistema. Ha alguma contradicao?(b) Se um sistema linear Ax = b for determinado com A e b matrizes reais, entao seraindiferente considerar as incognitas reais ou complexas? Justifique.

E1.28 Sejam x0 e x1 duas solucoes do sistema linear Ax = b. Prove que:(a) Para qualquer real λ seja xλ = λx0 + (1− λ)x1. Prove que xλ e solucao de Ax = b,(b) xλ − xλ′ e solucao do sistema homogeneo associado Ax = 0 para quaisquer λ, λ′ ∈ R.Conclua que se Ax = b tiver duas solucoes distintas, entao o conjunto solucao e infinito.

E1.29 Sendo A uma matriz quadrada e b uma matriz coluna nao nula, decida o valor logicade cada uma das seguintes afirmacoes:(a) Seja x1 solucao do sistema Ax = b e y1 solucao do sistema homogeneo associado Ay = 0,entao x1 − y1 e solucao de Ax = b.(b) Se x1 e x2 sao duas solucoes de Ax = b, entao x1 − x2 e solucao de Ax = b.(c) Se x1 e x2 sao duas solucoes de Ax = b, entao x1 − x2 e solucao de Ax = 0.(d) Se A e invertıvel, entao x = 0 e a unica solucao de Ax = 0.

E1.30 Determine o conjunto solucao do sistema linear cuja matriz aumentada e:

(a)

[0 0 0 00 0 0 0

](b)

[0 1 10 0 1

](c)

1 1 00 1 00 0 0

.

E1.31 Determine um sistema linear de equacoes cujo conjunto solucao seja dado por S:(a) S = {(1 + t, 1− t) : t ∈ R}; (b) S = {(1, 0, 1)};(c) S = {(t, 2t, 1) : t ∈ R}; (d) S = {(t, s, t+ s) : t, s ∈ R}; (e) S = ∅.

E1.32 Sejam Aα =

[α −1 01 α 10 0 α

], x =

[x1x2x3

], b =

[111

]onde α ∈ C e um parametro com-

plexo. Considere a seguinte lista de afirmacoes:

17

I) Existe um unico valor de α para o qual car(Aα) 6= 3.

II) O sistema homogeneo Aαx = 0 e possıvel para qualquer valor de α.

III) O sistema Aαx = b e possıvel para qualquer valor de α.

IV) O sistema Aαx = b e determinado para infinitos valores de α.

A lista completa de afirmacoes correctas eA) II e IV B) II e III e IV C) I e II e III e IV D) I e II

Matrizes invertıveis

E1.33 Sejam A e B duas matrizes quadradas 4 × 4 tais que AB = I. Calcule a matrizBA2 − A.

E1.34 Seja A =

[1 0 00 1 0

]. Verifique que existe uma matriz B ∈M3×2(R) tal que AB = I,

mas que nao existe nenhuma matriz C tal que CA = I. O que podemos concluir?

E1.35 Sejam a, b, c, d numeros reais. Prove que

[a bc d

]−1

= 1ad−cb

[d −b−c a

]sempre que

ad− cb 6= 0.

E1.36 (a) Sejam A,B,C matrizes n× n, tais que A e B sao invertıveis. Resolva a seguinteequacao matricial em X: AXB = C.

(b) Determine, caso existam, todas as matrizes A do tipo 2×2 tais que I−[

0 12 2

]A = −2A.

(c) Determine, caso existam, todas as matrizes A do tipo 3× 3 tais que

1 1 20 1 −10 0 2

A−2A = 3I.

(d) Determine, caso existam, todas as matrizes A do tipo 3× 3 tais que

1 1 20 1 −10 0 1

A−2A = 3I.

E1.37 (Matrizes nilpotentes) Seja A ∈ Mn×n(R) tal que Ak = 0 para algum k ∈ N, k 6= 1.Prove que

(I − A)−1 = I + A+ A2 + · · ·+ Ak−1.

E1.38 Seja A =

10 7 4−17 −12 −7

4 3 2

.(a) Verifique que A3 e a matriz nula. Prove que A nao e invertıvel.(b) Calcule (I + A+ A2)(I − A).

Resolucao: (a) Calcule-se A3 por definicao de produto de matrizes e concluir que A3 e a ma-triz nula. Supor que A e invertıvel, entao como o produto de matrizes invertıveis e invertıvel,conluimos que A2 e A3 tambem sao invertıveis. Mas A3 nao e invertıvel. Alternativelmente,verifique que car (A) = 2 6= 3. Donde A nao e invertıvel. (b) Use o Problema 1.37.

18

E1.39 Seja A tal que (7A)−1 =

[3 42 3

]. Calcule A.

Resolucao: Note que (7A)−1 = C significa que 7−1A−1 = C, i.e. A = 7−1C−1. Neste caso

concreto, A = 17

[3 −4−2 3

].

E1.40 Quando possıvel, inverta as seguintes matrizes:

[1 11 2

],

[1 11 1

],

0 1 11 0 11 1 0

, 3 5 0−1 −2 −21 2 1

,

2 1 0 0−7 3 0 −2π 3 1 13 9 0 0

Resolucao: Usando o metodo de Gauss-Jordan temos[1 1 1 01 2 0 1

]−→

−L1 + L2

[1 1 1 00 1 −1 1

]−→

−L2 + L1

[1 0 2 −10 1 −1 1

].

Portanto A e invertıvel porque car (A) = 2 e A−1 =

[2 −1−1 1

]. A matriz B nao e

invertıvel pois car (B) = 1 6= 2. As matrizes C,D e E sao invertıveis.

E1.41 Em funcao do parametro real α, calcule a caracterıstica e justifique, quais sao osvalores de α para os quais as seguintes matrizes sao intertıveis:

(a)

[α −11 α

](b)

1 0 α−1 α α0 α 1

(c)

0 α2 − 1 α + 12 α2 −α2 1 1

(d)

1 −1 α 0−1 −α 1 01 −1 α3 01 −1 α 1− α2

E1.42 Aproveite a matriz inversa deA do Problema 1.40 para resolver o sistema

{x+ y = 8x+ 2y = 10

Resolucao: Como A e invertıvel, de Ax = b obtem-se x = A−1b multiplicando a esquerdapor A−1. Portanto pelo exercıcio 1.40[

xy

]=

[2 −1−1 1

] [810

]=

[62

].

E1.43 Dadas A,B matrizes do tipo n× n invertıveis tais que A+B e invertıvel, prove queA−1 +B−1 tambem e invertıvel e

(A−1 +B−1)−1 = A(A+B)−1B.

E1.44 Seja A = [aij] uma matriz invertıvel e B = [bij] a inversa de A. Mostre que, paracada k 6= 0, a matriz [ki−jaij] e invertıvel e a sua inversa e [ki−jbij].

19

2 Determinantes

Definicao 2.1 Dados os numeros naturais 1, 2, ..., n chama-se permutacao desses n numerosa qualquer lista em em que os mesmos sejam apresentados por ordem arbitraria.

Definicao 2.2 Seja (i1i2...in) uma permutacao dos numeros naturais 1, 2, ..., n. Diz-se queum par (ijik) e uma inversao quando (j−k) (ij − ik) < 0 (isto e, quando ij e ik apareceremna permutacao por ordem decrescente).

Definicao 2.3 Uma permutacao (i1i2...in) diz-se par (ımpar) quando o no maximo deinversoes incluıdas for par (ımpar).

Exemplo 2.4 A permutacao (21453) e ımpar pois contem as inversoes (21), (43) e (53).

Definicao 2.5 Seja A matriz n × n. Chama-se determinante3 de A, e escreve-se |A| oudet(A), o numero que se obtem do seguinte modo:

(i) Formam-se todos os produtos possıveis de n factores em que intervenha um elementode cada linha e, simultaneamente, um elemento de cada coluna de A.

(ii) Afecta-se cada produto do sinal + ou do sinal − conforme as permutacoes (dosnumeros naturais 1, 2, ..., n) que figuram nos ındices de linha e de coluna tenham a mesmaparidade ou nao.

(iii) Somam-se as parcelas obtidas.

Em resumo:

det(A) = |A| =∑

(j1j2...jn)

permutacao de 1,2,...,n

(−1)σa1j1a2j2 ...anjn ,

em que

σ =

0 se (j1j2...jn) e par

1 se (j1j2...jn) e ımpar.

Observacao 2.6 Podemos ainda escrever de modo equivalente:

|A| =∑

(i1i2...in)

permutacao de 1,2,...,n

(−1)σai11ai22...ainn,

em que

σ =

0 se (i1i2...in) e par

1 se (i1i2...in) e ımpar.

3O Determinante de uma matriz foi pela primeira vez considerado por Talakazu Seki 1642–1708

20

Teorema 2.7 Seja A matriz 2× 2. Entao

|A| =∣∣∣∣ a11 a12

a21 a22

∣∣∣∣ = a11a22 − a12a21.

(ii) Seja A matriz 3× 3. Entao

|A| =

∣∣∣∣∣∣a11 a12 a13

a21 a22 a23

a31 a32 a33

∣∣∣∣∣∣ = a11a22a33 +a12a23a31 +a21a32a13−a13a22a31−a12a21a33−a11a23a32.

Exemplo 2.8 (i) ∣∣∣∣ 1 −12 −2

∣∣∣∣ = 1(−2)− (−1)2 = 0.

(ii) ∣∣∣∣∣∣1 2 13 −1 22 1 −3

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

Observacao 2.9 i) A area do paralelogramo definido pelos vectores (a1, b1), (a2, b2) de R2

e

A = | det

[a1 b1

a2 b2

]|.

ii) O volume do paralelipıpedo definido pelos vectores (a1, b1, c1), (a2, b2, c2), (a3, b3, c3) de R3

e dado por

A = | det

a1 b1 c1

a2 b2 c2

a3 b3 c3

|.

Observacao 2.10 Se A e do tipo n×n entao |A| tem n! parcelas, pelo que p.ex. se aplicar-mos a definicao de determinante a uma matriz 4× 4, teremos 4! = 24 parcelas. Em seguidavamos estudar metodos mais expeditos para o calculo do determinante de uma matriz evi-tando o calculo atraves desta definicao.

Podemos facilmente calcular o determinante de cada matriz elementar:

det(Pij) = −1 (sei 6= j), det(Ei(α)) = α e det(Eij(α)) = 1.

21

Teorema 2.11 Sejam A,B matrizes n× n. Seja λ ∈ R.

(i) det (AB) = detA detB.

(ii) Se A for uma matriz triangular superior ou triangular inferior entao detA = produtodos elementos da diagonal principal de A.

(iii) Se A tiver uma linha nula entao detA = 0.

(iv) Se B for obtida de A multiplicando uma linha de A por um numero real λ entaodetB = λ detA.

(v) Se B for obtida de A somando a uma linha de A um multiplo real λ de uma outralinha de A entao detB = detA.

(vi) Se duas linhas de A forem iguais entao detA = 0.

(vii) Se B for obtida de A trocando duas linhas de A entao detB = − detA.

(viii) det(AT)

= detA.

(ix) Se A for invertıvel det (A−1) =1

detA.

(x) det (λA) = λn detA.

(xi) det (AB) = 0⇒ detA = 0 ou detB = 0.

(xii) det (AB) = det (BA).

(xiii) det(A) 6= 0 se e so se A invertıvel.

Observacao 2.12 (i) Para estabelecer parte (i) do teorema 2.11, sugere-se provar esseresultado para matrizes elementares.(ii) Em geral, det(A+B) 6= det(A) + det(B).

Definicao 2.13 Seja A = (aij) ∈ Mn×n(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 omenor-ij da matriz A.

Teorema 2.14 (Formula de Laplace4.) Seja A ∈Mn×n(R), com n > 1. Tem-se

detA =n∑j=1

aij(−1)i+j detAij.

Observacao 2.15 Seja A ∈Mn×n(R), com n > 1. Tem-se

detA =n∑i=1

aij(−1)i+j detAij.

4Pierre-Simon Laplace 1749–1827

22

Exemplo 2.16∣∣∣∣∣∣∣∣1 0 −2 32 1 −1 40 −1 0 −21 0 −2 −3

∣∣∣∣∣∣∣∣ = (−1)(−1)3+2

∣∣∣∣∣∣1 −2 32 −1 41 −2 −3

∣∣∣∣∣∣+ (−2)(−1)3+4

∣∣∣∣∣∣1 0 −22 1 −11 0 −2

∣∣∣∣∣∣ =

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

Definicao 2.17 Seja A = (aij) ∈ Mn×n(R), com n > 1. Seja a′ij = (−1)i+j detAij ondeAij e o menor-ij da matriz A. Chama-se a a′ij o cofactor-ij da matriz A e a matrizcof A = (a′ij) ∈Mn×n(R), com n > 1, a matriz dos cofactores de A.

Teorema 2.18 Para qualquer matriz A ∈Mn×n(R), com n > 1, tem-se

A (cof A)T = (detA) I.

Se detA 6= 0 entao A e invertıvel e

A−1 =1

detA(cof A)T .


[a bc d

]∈M2×2(R) tal que detA 6= 0. Entao A e invertıvel e

A−1 =1

ad− bc

[d −b−c a

].

Note que ad− bc = detA.

(ii) Podemos usar o teorema 2.18 para calcular nao so a inversa de uma matriz (naosingular) mas tambem entradas concretas dessa inversa. Seja

A =

1 0 04 5 67 8 9

.

A entrada (2, 3) da matriz A−1 e dada por

(A−1)23 =1

detA

((cof A)T

)23

=1

detA

((−1)3+2 detA32

)=

1

−3

(− det

([1 04 6

]))= 2.


a11 a12 a13

a21 a22 a23

a31 a32 a33

. Entao

cof(A) =

a22a33 − a23a32 −(a21a33 − a23a31) a21a32 − a22a31

−(a12a33 − a13a32) a11a33 − a13a31 −(a11a32 − a12a31)a12a23 − a13a22 −(a11a23 − a13a21) a11a22 − a12a21

.Apelando aos teoremas 2.7 e 2.18, podemos escrever a inversa de cada matriz invertıvel 3×3.

23

Teorema 2.21 (Regra de Cramer5.) Seja A ∈ Mn×n(R) tal que A e invertıvel. Entaoa unica solucao do sistema de equacoes lineares AX = B e dada por

X = A−1B =1

detA(cof A)T B.

Isto e, sendo X =[x1 . . . xn

]Te B =

[b1 . . . bn

]Ttem-se

xj =1

detA

n∑k=1

a′kjbk =detBj

detA,

onde Bj e a matriz obtida de A substituindo a coluna j de A pela matriz coluna B dostermos independentes.

Exemplo 2.22 O sistema de equacoes lineares2x+ y = 8

−x+ 2y + 4z = 7

−x+ z = 1

pode ser resolvido usando a regra de Cramer:

x =

∣∣∣∣∣∣8 1 07 2 41 0 1

∣∣∣∣∣∣∣∣∣∣∣∣2 1 0−1 2 4−1 0 1

∣∣∣∣∣∣= 13, y =

∣∣∣∣∣∣2 8 0−1 7 4−1 1 1

∣∣∣∣∣∣∣∣∣∣∣∣2 1 0−1 2 4−1 0 1

∣∣∣∣∣∣= −18 e z =

∣∣∣∣∣∣2 1 8−1 2 7−1 0 1

∣∣∣∣∣∣∣∣∣∣∣∣2 1 0−1 2 4−1 0 1

∣∣∣∣∣∣= 14.

2.1 Exercıcios

E2.1 Sejam A e B matrizes n× n. Decida se cada afirmacao seguinte e verdadeira:(a) Seja B a matriz que se obtem de A fazendo uma troca de linhas Li ←→ Lj com i 6= j.Entao det(A) = det(B).(b) Seja B a matriz que se obtem de A multiplicando uma linha de A por um escalar naonulo k. Entao det(A) = 1

kdet(B).

(c) Seja B a matriz que se obtem de A substituindo a linha Li de A por Li + αLj, paraqualquer escalar α. Entao det(A) = det(B).(d) Sendo AT a matriz transposta de A, det(A) = det(AT ).(e) det(αA) = αn det(A).

5Gabriel Cramer 1704–1752

24

E2.2 Seja A =

a b cd e fg h i

tal que det(A) = −5. Calcule

(a) det(3A) (b) det(A−1) (c) det(−2A−1) (d) det((−2A)−1) (e) det(A3) (f) det

a g db h ec i f

E2.3 Mostre que det

b+ c a+ c a+ ba b c1 1 1

= 0 para quaisquer a, b, c ∈ R. Sera que A e

invertıvel para algum a, b, c ∈ R?

E2.4 Para que valores de k a matriz A e invertıvel?

(a) A =

1 2 43 1 6k 3 2

(b) A =

[k − 2 −2−2 k − 2

].

E2.5 Calcular os determinantes das matrizes 1 π −10 2 03 4 5

,

1 −2 3 01 0 0 −10 −3 1 40 2 −1 0

,

0 5 1 0 20 3 2 1 −11 0 2 0 0−1 0 3 2 1−1 3 2 1 −1

,

5 4 3 2 12 4 4 2 13 4 4 2 17 4 5 3 15 2 5 1 1

.

E2.6 Seja A =

0 0 −1 11 0 3 −3−2 1 −2 2

0 −2 1 0

. Prove que det(A6 − A5) = 3.

E2.7 Seja A ∈Mn×n(R) tal que AAT = I.(a) Prove que det(A) = ±1.(b) Encontre uma matriz A tal que AAT = I e det(A) = −1.

E2.8 Seja A =

1 −2 36 7 −1−3 1 4

.

(a) Calcule det(A) e justifique que A e invertıvel.(b) Determina a entrada (1,3) da matriz inversa A−1.

E2.9 Seja A =

4 3 2 12 3 1 12 2 2 11 2 3 1

. Justifique que A e invertıvel e calcule a entrada (4, 2) de A−1.

E2.10 Seja Aα =

−1 α 0 −1α −1 −α 00 0 1 1−1 α 0 −α

, com α ∈ R.

(a) Calcule det(Aα) e determine os valores de α para os quais Aα e invrrtıvel.(b) Para cada n ∈ N, calcule det(An0 + An+2

0 ), onde A0 e a matriz Aα para α = 0.(c) Considerando os valores de α para os quais Aα e invertıvel, calcule a entrada (3, 1) damatriz A−1

α .

25

E2.11 Resolva os seguintes sistemas de equacoes lineares usando a regra de Cramer.

(a)

{7x− 2y = 33x+ y = 5

(b)

x− 3y + z = 42x− y = −24x − 3z = −2

E2.12 Seja A =

[a b ca 1 2b 2 4

]. Sabendo que det(A) = 5, considere a seguinte lista de afirmacoes:

I) det

[a 1 2a b c4b 8 16

]= −20.

II) 2a 6= b.

III) det(−3A) = −135.

A lista completa de afirmacoes correctas eA) I B) II C) I e II e III D) I e II

E2.13 Seja A =

3 2 1 −11 2 2 03 4 4 03 1 0 0

. Considere a seguinte lista de afirmacoes:

I) A matriz A e nao invertıvel.

II) A entrada (1,4) da matriz inversa de A e igual a 0.

III) A matriz 13A2 e invertıvel.

A lista completa de afirmacoes correctas eA) I B) II e III C) II D) III

E2.14 Seja A,B matrizes n× n invertıveis.(a) Prove que adj(adj(A))=|A|n−2A.(b) Prove que adj(AB) =adj(B)adj(A).

3 Espacos Lineares (ou Vectoriais)

No final do seculo XIX e no comeco do seculo XX tornou-se claro – gracas a Grassmann6,Peano7 e a Weyl8 – que o desenvolvimento axiomatico da geometria Euclideana podia ser feitoapelando a estruturas matematicas — Espacos Vectoriais e Euclidianos — que desempenhamum papel determinante noutras areas da matematica e de outras ciencias. O estudo dasestruturas matematicas independente quer dos contextos que lhes deram origem quer doscontextos em que aplicam constitui uma das ideias mais ricas da matematica do seculo XXe e indissociavel da matematica Emmy Noether9. A Algebra linear e basicamente o estudadessas estruturas.

6Hermann Grassmann 1809–18777Giuseppe Peano 1858–19328Hermanm Weyl 1885–19559Emmy Noether 1882–1935

26

Definicao 3.1 Um conjunto nao vazio V e um espaco linear (real) se existirem duasoperacoes associadas a V , uma soma de elementos de V e um produto de escalares (numerosreais) 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 α ∈ R e u ∈ V tem-se αu ∈ 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, paraqualquer u ∈ V , u+ 0 = u.

(f) (Simetrico). Para cada (qualquer) u ∈ V existe v ∈ V tal que u + v = 0. A vchama-se o simetrico de u e denota-se por −u.

(g) (Associatividade do produto por escalares). Para quaisquer α, β ∈ R e u ∈ V ,α (βu) = (αβ)u.

(h) (Distributividade em relacao a soma de vectores). Para quaisquer α ∈ R e u, v ∈ V ,α (u+ v) = αu+ αv.

(i) (Distributividade em relacao a soma de escalares). Para quaisquer α, β ∈ R e u ∈ V ,(α + β)u = αu+ βu.

(j) Para qualquer u ∈ V , 1u = u.

Observacao 3.2 Aos elementos de V chamaremos vectores.

Exemplo 3.3 Exemplos de espacos lineares:

(i) Rn, com as operacoes usuais:

(u1, u2, ..., un) + (v1, v2, ..., vn) = (u1 + v1, u2 + v2, ..., un + vn),

α(u1, u2, ..., un) = (αu1, αu2, ..., αun).

(ii) Mm×n (R) (conjunto de todas as matrizes reais do tipo m × n), com as operacoes(usuais): A+B e αA.

(iii) O conjunto de todas as funcoes reais de variavel real definidas num conjunto naovazio S ⊆ R, com as operacoes usuais:

(f + g)(x) = f(x) + g(x),

(αf)(x) = αf(x).

(iv) O conjunto P de todos os polinomios reais, com as operacoes usuais.

(v) O conjunto Pn (por vezes designado por Pn) de todos os polinomios reais de graumenor ou igual a n (incluindo o polinomio nulo), com as operacoes usuais.

27

Observacao 3.4 Um mesmo conjunto pode servir para formar espacos lineares diferentes:

(i) O conjunto dos numeros reais R, com a soma definida por

u� v = u+ v + 1,

e o produto por escalares definido por

α · u = αu+ α− 1,

e um espaco linear. (Neste caso o elemento neutro e −1.)

(ii) O conjunto dos numeros reais maiores do que zero, com a soma definida por

u� v = uv,

e o produto por escalares definido por

α · u = uα,

e um espaco linear. (Neste caso o elemento neutro e 1.)

Observacao 3.5 Alteracoes nos conjuntos considerados anteriormente podem resultar emconjuntos que nao sao espacos lineares.

(i) O conjunto {(x, y) ∈ R2 : x ≥ 0 e y ≥ 0}, com as operacoes usuais, nao e um espacolinear. Por exemplo, os simetricos nao estao no conjunto.

(ii) O conjunto V = {a0 + a1t+ ...+ antn : 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 eum espaco linear. Por exemplo, se f1, f2 ∈ U ,

(f1 + f2) (1) = f1(1) + f2(1) = 2 + 2 = 4 6= 2.

Logo, f1 + f2 /∈ U .

3.1 Subespacos lineares – p. ex.: nucleo, espaco colunas e linhasde uma matriz

Definicao 3.6 Seja V um espaco linear. Diz-se que U e um subespaco de V se U e umsubconjunto de V e se U , com as operacoes de V , for um espaco linear.

28

Observacao 3.7 No entanto, para mostrar que um certo conjunto S ⊂ V e um subespacodo espaco linear V , nao sera necessario verificar os 10 axiomas da definicao 3.1, como sepode ver no seguinte teorema.

Teorema 3.8 Um subconjunto nao vazio U de um espaco linear V e um subespaco linearde V se e so se:

(i) Para quaisquer u, v ∈ U tem-se u+ v ∈ U .

(ii) Para quaisquer α ∈ R e u ∈ U tem-se αu ∈ U .

Exemplo 3.9 Exemplos de subespacos:

(i) Os unicos 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 umsubespaco do espaco linear Mn×n (R), com as operacoes usuais.

(iv) O conjunto de todas as funcoes reais definidas e contınuas em I ⊂ R (I e umintervalo) e um subespaco do espaco linear de todas as funcoes f : I −→ R, com as operacoesusuais.

(v) Seja A uma matriz (real) do tipo m× n. O conjunto

C(A) = {b ∈ Rm : Au = b tem pelo menos uma solucao u}

e um subespaco do espaco linear Rm, com as operacoes usuais, ao qual se da o nome deespaco das colunas de A.

(vi) Seja A uma matriz (real) do tipo m× n. O conjunto

N (A) = {u ∈ Rn : Au = 0}

e um subespaco do espaco linear Rn, com as operacoes usuais, ao qual se da o nome deespaco nulo ou nucleo de A. (Confronte com o teorema 1.25)

Observacao 3.10 (i) Se A e invertıvel entao N (A) = {0}.

(ii) Se N (A) = {0} entao A e invertıvel.

(iii) Poderemos obter subespacos de um espaco linear atraves de combinacoes linearesde vectores desse espaco.

29

Definicao 3.11 Seja S um subconjunto nao vazio de um espaco linear V . Diz-se que umvector u e combinacao linear finita dos elementos de S, se existir um no finito de elementosde S, u1, ..., uk, e de escalares λ1, ..., λk tais que

u = λ1u1 + ...+ λkuk =k∑i=1

λiui.

Ao cojunto de todas as combinacoes lineares finitas de elementos de S chama-se expansaolinear de S e designa-se por L(S). Se S e o conjunto vazio ∅, escreve-se L(∅) = {0}.

Teorema 3.12 Seja S um subconjunto nao vazio de um espaco linear V . A expansao linearL(S) de S e o menor subespaco de V que contem S. Deste modo, a L(S) tambem se chamao subespaco gerado por S, e diz-se que S gera L(S).

Observacao 3.13 Seja S e T dois subconjuntos nao vazios de um espaco linear V , comS ⊂ T . Se L(S) = V entao L(T ) = V .

Exemplo 3.14 (i) O espaco linear R2 e gerado por qualquer dos seguintes conjuntos devectores:

{(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 geradopor qualquer dos seguintes conjuntos de vectores:

{1, t, t2, ..., tn}, {1, 1 + t, (1 + t)2 , ..., (1 + t)n} e {1, t1!,t2

2!, ...,

tn

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 ′(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 espaco linear Rm) gerado pelas colunas de A, uma vez que:b1

b2...bm

=

a11 a12 · · · a1n

a21 a22 · · · a2n...

... · · · ...am1 am2 · · · amn

u1

u2...un

= u1

a11

a21...am1

+ u2

a12

a22...am2

+ ...+ un

a1n

a2n...

amn

.

30

(vii) Seja A uma matriz (real) do tipo m × n. Ao subespaco linear de Rn gerado pelaslinhas de A da-se o nome de espaco das linhas de A e designa-se por L(A).

(viii) Sejam

A =

[0 0 00 0 0

], B =

1 −3 10 0 70 0 0

, C =

−1 22 −4−2 4

e D =

[2 00 −1

].

Tem-seC(A) = {(0, 0)}, N (A) = R3 e L(A) = {(0, 0, 0)}.

C(B) = L ({(1, 0, 0) , (1, 7, 0)}) , N (B) = L ({(3, 1, 0)}) e L(B) = L ({(1,−3, 1) , (0, 0, 7)}) .

C(C) = L ({(−1, 2,−2)}) , N (C) = L ({(2, 1)}) e L(C) = L ({(−1, 2)}) .

C(D) = L ({(2, 0) , (0,−1)}) , N (D) = {(0, 0)} e L(D) = L ({(2, 0) , (0,−1)}) .

(ix) Seja U = {A ∈M3×2(R) : a12 = a21 = a32 = 0 e a11 + 2a31 = 0}. Tem-se, paraA ∈ U ,

A =

a11 a12

a21 a22

a31 a32

=

−2a31 00 a22

a31 0

= a31

−2 00 01 0

+ a22

0 00 10 0

,

com a31, a22 ∈ R. Logo,

U = L

−2 0

0 01 0

, 0 0

0 10 0

.

(x) Seja U = {p(t) = a0 + a1t+ a2t2 ∈ P2 : p(1) = p(0)}. Tem-se, para p(t) ∈ U ,

p(1) = p(0)⇐⇒ a0 + a1 + a2 = a0 ⇐⇒ a1 + a2 = 0⇐⇒ a1 = −a2.

Logo,

p(t) = a0 − a2t+ a2t2 = a01 + a2

(−t+ t2

),

com a0, a2 ∈ R. Assim,U = L

({1,−t+ t2

}).

Teorema 3.15 Se U e V sao subespacos do espaco linear W , entao:

(i) O conjunto U ∩ V e um subespaco linear de W .

(ii) O conjunto U + V = {u + v : u ∈ U e v ∈ V } e um subespaco de W . E o menorsubespaco de W que contem U ∪V . O conjunto U ∪V em geral nao e um subespaco. Tem-seU + V = L(U ∪ V ).

Se U ∩ V = {0} entao dizemos que U e V estao em soma directa e escrevemos U ⊕ Vpara designar U + V .

31

Exemplo 3.16 (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 = α(1, 1,−1) + β(1, 2, 1) = (α + β, α + 2β,−α + β),

com α, β ∈ R. Para que v esteja tambem em U e preciso que:

(α + β) + (α + 2β)− 2 (−α + β) = 0.

A ultima equacao e equivalente a 4α + β = 0⇐⇒ β = −4α. Logo,

U ∩ V = {(−3α,−7α,−5α) : α ∈ R} = {α(−3,−7,−5) : α ∈ 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 = α(1,−1, 1) + β(1, 2, 2) = (α + β,−α + 2β, α + 2β),

com α, β ∈ R. Para que v esteja tambem em V e preciso que:

(α + β,−α + 2β, α + 2β) = λ(2, 1, 1) + µ(−1, 1, 3) =

= (2λ− µ, λ+ µ, λ+ 3µ) ,

com λ, µ ∈ R. Deste modo, α + β = 2λ− µ

−α + 2β = λ+ µ

α + 2β = λ+ 3µ.

Considerando a matriz aumentada tem-se 1 1 | 2λ− µ−1 2 | λ+ µ1 2 | λ+ 3µ

−→L1+L2→L2

−L1+L3→L3

1 1 | 2λ− µ0 3 | 3λ0 1 | −λ+ 4µ

−→− 1

3L2+L3→L3

1 1 | 2λ− µ0 3 | 3λ0 0 | −2λ+ 4µ

Logo,

α + β = 2λ− µ

β = λ

0 = −2λ+ 4µ.

⇐⇒

α = µ

β = 2µ

λ = 2µ.

Assim,

α(1,−1, 1) + β(1, 2, 2) = µ(1,−1, 1) + 2µ(1, 2, 2) = (3µ, 3µ, 5µ) = µ(3, 3, 5).

Logo,U ∩ V = {(3µ, 3µ, 5µ) : µ ∈ R} ={µ(3, 3, 5) : µ ∈ R} = L ({(3, 3, 5)}) .

32

Observacao 3.17 Neste exemplo (ii), os subespacos U e V poderiam ter sido apresentadosinicialmente 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 : 2x−7y+3z = 0} = L ({(7, 2, 0), (−3, 0, 2)}) = L ({(2, 1, 1), (−1, 1, 3)}) .

(iii) Sejam W =Mn×n(R), U o subespaco (de W ) das matrizes triangulares superiores,V o subespaco (de W ) das matrizes triangulares inferiores. Entao

U + V = W e 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:(1, 0)︸︷︷︸∈U

+ (0, 1)︸︷︷︸∈V

= (1, 1) /∈ U ∪ V

Teorema 3.18 Se U e V subespacos do espaco linear W , entao U ∪ V e subespaco de Wse e so se U ⊂ V ou V ⊂ U .

Teorema 3.19 Sejam W1 e W2 subespacos de um espaco linear V tais que

W1 ∩W2 = {0}.

Se V = W1 +W2 entao todo o vector v ∈ V pode ser escrito de modo unico na forma

v = w1 + w2

com w1 ∈ W1 e w2 ∈ W2. Neste caso escreve-se V = W1 ⊕W2 e diz-se que V e a somadirecta dos espacos W1 e W2.

Teorema 3.20 O espaco das linhas L(A) e o nucleo N (A) de uma matriz A ∈ Mm×n(R)mantem-se invariantes por aplicacao do metodo de eliminacao de Gauss. Isto e, sendo A′ amatriz em escada que se obtem de A por aplicacao desse metodo, tem-se

L(A) = L(A′) e N (A) = N (A′).

Observacao 3.21 Seja A ∈ Mm×n(R). Se A′ for a matriz em escada que se obtem de Apor aplicacao do metodo de eliminacao de Gauss, tem-se

C(A) 6= C(A′).

Teorema 3.22 Seja A ∈Mm×n(R). Tem-se

C(A) = L(AT ) e L(A) ∩N (A) = {0}.

33

3.2 Independencia linear

Definicao 3.23 Seja V um espaco linear. Seja S = {v1, v2, ..., vk} ⊂ V . Diz-se que oconjunto S e linearmente dependente se e so se algum dos vectores de S se escrever comocombinacao linear dos restantes, isto e, se e so se existir algum i ∈ {1, 2, ..., k} e escalaresλ1, λ2, ..., λi−1, λi+1, ..., λk ∈ R tais que

vi = λ1v1 + λ2v2 + ...+ λi−1vi−1 + λi+1vi+1 + ...+ λkvk.

Definicao 3.24 Seja V um espaco linear. Seja S = {v1, v2, ..., vk} ⊂ V . Diz-se que oconjunto S e linearmente independente se e so se nenhum dos vectores de S se puderescrever como combinacao linear dos restantes, isto e, se e so a unica solucao do sistemahomogeneo

λ1v1 + λ2v2 + ...+ λkvk = 0

for a solucao trivial, ou seja, λ1 = λ2 = ... = λk = 0.Se V = Rn, sendo A a matriz cujas colunas sa os vectores de S, entaao S e linearmente

independente se e so se N (A) = {0} se e so se car(A) = k.

Teorema 3.25 Seja A′ uma matriz em escada de linhas.

(i) As colunas de A′ que contem pivos sao linearmente independentes.

(ii) As linhas nao nulas de A′ sao linearmente independentes.

(iii) O no de linhas independentes e o no de colunas independentes (de A′) sao ambosiguais a caracterıstica de A′.

Observacao 3.26 (i) Assim, atendendo ao teorema anterior, a independencia linear deS = {v1, v2, ..., vk} ⊂ Rn pode ser decidida aplicando o metodo de eliminacao a matriz Acujas colunas sao os vectores de S, de modo a coloca-la em escada de linhas. Sendo A′ essamatriz em escada, tem-se pelo teorema 3.20

N (A) = N (A′) (*).

Uma vez que as colunas de A′ que contem pivos sao linearmente independentes entao, devidoa (*), 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 de-pendente. Em particular, o conjunto {0}, formado apenas pelo vector nulo, e linearmentedependente.

(vi) O conjunto vazio ∅ e linearmente independente.

34

Teorema 3.27 Sejam S1 e S2 dois subconjuntos finitos de um espaco linear, tais que S1 ⊂S2.

(i) Se S1 e linearmente dependente entao S2 tambem e linearmente dependente.

(ii) Se S2 e linearmente independente entao S1 tambem e linearmente independente.

Observacao 3.28 Sejam S1 e S2 dois subconjuntos finitos de um espaco linear, tais queS1 ⊂ S2.

(i) Se S2 for linearmente dependente entao S1 tanto pode ser linearmente dependentecomo linearmente independente.

(ii) Se S1 for linearmente independente entao S2 tanto pode ser linearmente dependentecomo linearmente independente.

Exemplo 3.29 Seja S = {(1, 0, 2), (2, 0, 4), (0, 1, 2)}. Tem-se

A =

1 2 00 0 12 4 2

−→−2L1+L3→L3

1 2 00 0 10 0 2

−→−2L2+L3→L3

1 2 00 0 10 0 0

= A′.

Logo, como apenas existem dois pivos e portanto uma variavel livre, as tres colunas de Asao linearmente dependentes, isto e, o conjunto S e linearmente dependente. O subconjuntode S:

{(1, 0, 2), (2, 0, 4)}tambem e linearmente dependente. No entanto, uma vez que a 1a e 3a colunas de A saoindependentes pois correspondem as colunas da matriz em escada A′ que contem os pivos, osubconjunto de S:

{(1, 0, 2), (0, 1, 2)}e linearmente independente.

3.3 Bases e dimensao de Espacos Lineares

Definicao 3.30 Chama-se base de um espaco linear V a qualquer subconjunto S de V queverifique as duas condicoes:

(i) S gera V , isto e, L(S) = V .

(ii) S e linearmente independente.

O seguinte resuldado foi provado por George Hamel10.

Teorema 3.31 Qualquer espaco linear V 6= {0} tem pelo menos uma base.11

10George Hamel 1877—195411A prova deste teorema e dificıl e nela intervem de maneira crucial o facto de os escalares envolvidos

serem R ou C, isto e, os escalares tem que ser um corpo, portanto tem que conter fraccoes (o que nao sucedecom os naturais ou inteiros).

35

Observacao 3.32 Qualquer espaco linear V 6= {0} tem um no infinito de bases. Por exem-plo, se S = {u1, ..., uk} for uma base de V entao para cada α 6= 0 o conjunto {αu1, ..., αuk}e tambem uma base de V .

Teorema 3.33 Todas as bases de um espaco linear V 6= {0} tem o mesmo no de vectores.

Prova:• Suponhamos que n < m e cheguemos a uma contradicao.

Como u1, ..., um ∈ V e {v1, ..., vn} e uma base de V , existem escalares aij:

u1 = a11v1 + a12v2 + ...+ a1nvn...

um = am1v1 + am2v2 + ...+ amnvn

, A =

a11 a12 · · · a1n

a21 a22 · · · a2n...

... · · · ...am1 am2 · · · amn

∈Mm×n

O sistema homogeneo ATx = 0 e indeterminado porque n < m.Seja (α1, ...., αm) uma solucao nao nula desse sistema:

a11α1 + a21α2 + ...+ am1αm = 0a12α1 + a22α2 + ...+ am2αn = 0

...a1nα1 + a2nα2 + ...+ amnαm = 0

.

Tem-se:α1u1 + α2u2 + · · ·+ αmum =

= α1(a11v1 + a12v2 + · · ·+ a1nvn) + · · ·+ αm(am1v1 + am2v2 + · · ·+ amnvn) =

(a11α1 + a21α2 + · · ·+ am1αm)v1 + · · ·+ (a1nα1 + a2nα2 + ...+ amnαm)vn =

= 0v1 + · · ·+ 0vn = 0,

isto e, os vectores u1, ..., um sao linearmente dependentes,o que contradiz a hipotese de {u1, ..., um} ser uma base!!• O caso m < n e analogo ao caso n < m.Conclusao: n = m �Consequencia: a caracterıstica de uma matriz A fica bem definida:

car(A) = dim(L(A)

).

Definicao 3.34 Chama-se dimensao de um espaco linear V 6= {0} ao no de vectores deuma base qualquer de V , e escreve-se dimV . Se V = {0} entao dimV = 0 uma vez queo conjunto vazio ∅ e base de {0}. Um espaco linear tera dimensao finita se uma sua basetiver um no finito de vectores.

Exemplo 3.35 (i) O conjunto {1} e uma base de R, chamada base canonica ou natural deR. Logo,

dimR = 1.

36

(ii) O conjunto {(1, 0), (0, 1)} e uma base de R2, chamada base canonica ou natural deR2. Logo,

dimR2 = 2.

(iii) O conjunto {(1, 0, 0), (0, 1, 0), (0, 0, 1)} e uma base de R3, chamada base canonicaou natural de R3. Logo,

dimR3 = 3.

(iv) O conjunto{[1 0 00 0 0

],

[0 1 00 0 0

],

[0 0 10 0 0

],

[0 0 01 0 0

],

[0 0 00 1 0

],

[0 0 00 0 1

]}e uma base de M2×3(R), chamada base canonica ou natural de M2×3(R). Logo,

dimM2×3(R) = 6.

(v) Tem-sedimRn = n e dimMm×n(R) = mn.

(vi) O conjunto {1, t, t2, ..., tn} e uma base de Pn (espaco linear de todos os polinomiosreais de grau menor ou igual a n, incluindo o polinomio nulo), chamada base canonica ounatural de Pn. Logo,

dimPn = n+ 1.

(vii) O conjunto {1, t, t2, ...} e uma base de P (espaco linear de todos os polinomiosreais), chamada base canonica ou natural de P . Logo,

dimP =∞.

Exemplo 3.36 O conjunto dos numeros complexos E = C e um espaco linear tanto sobreR como sobre C. Mais, dimC(E) = 1 e {1} e uma base; dimR(E) = 2 e {1, i} e uma base.

Observacao 3.37 Chama-se nulidade a dimensao do nucleo ou espaco nulo de uma matrizA e escreve-se nulA.

Teorema 3.38 Seja A uma matriz do tipo m× n.

(i) Tem-secar(A) = car(AT ), dim C(A) = dimL(A) = carA.

(ii) Tem-secarA+ nulA = n.

37

Vamos provar que car(A)=car(AT ).Podemos transformar a matriz A numa matriz em escada de linhas U . Seja k = car(A),R1, ...Rk as linhas nao nulas de U e L1, ..., Lm as linhas de A. Como L(A) = L(U), existemescalares cij tais que

L1 = c11R1 + ...+ c1kRk, ..., Lm = cm1R1 + ...+ cmkRk.

Para i = 1, ...,m, sejam aij e rij as componentes j das linhas Li e Ri respectivamente. Assimtem-se,

a1j = c11r1j + ...+ c1krkj, ..., amj = cm1r1j + ...+ cmkrkj,

ou matricialmente a1j...amj

= r1j

c11...cmk

+ ...+ rkj

c1k...cmk

.

Como

a1j...amj

e a coluna j de A, a ultima igualdade prova que dimC(A) ≤ dimL(A), uma

vez que cada vector coluna de A e combinacao linear de k vectores e dimL(A)=dimL(U) = k.Aplicando esta desigualdade a matrizAT obtem-se dimC(AT ) ≤ dimL(AT ), i.e. dimL(A) ≤

dimC(A). Portanto dimC(A) = dimL(A). �

Teorema 3.39 (Teorema de Steinitz) Sejam v1, ..., vk um conjunto de vectores linear-mente independentes num espaco linear V de dimensao finita. Entao existe uma base de Vque inclui os vectores v1, ..., vk.

Para vectores em Rn, considere u1, ..., up uma base para V e seja A a matriz cujas colunassao formadas pelos vectores v1, ...., vk, u1, .., up (escritos por esta ordem e em coluna). EntaoV = C(A) e uma base para C(A) inclui os vectores v1, ..., vk pois as colunas na matrizfinal em escada de linhas tem pivos nas primeiras k colunas (pois v1, ..., vk sao linearmenteindependentes).

Teorema 3.40 Sejam W1 e W2 dois subespacos de dimensao finita de um espaco linear V .Entao,

dim (W1 +W2) = dimW1 + dimW2 − dim (W1 ∩W2) . (4)

Para subespacos de Rn podemos considerar uma base {u1, ..., up} de W1∩W2. Em seguidacompletamos esta base e assim obter {u1, ..., up, v1, ...vk} base W1 e {u1, ..., up, w1, ...wr} basede W2. Considerando a matriz cujas colunas sao os vectores u1, ..., up v1, ...vk, w1, ...wr eaplicando o Teorema 3.38 temos a equacao (4).

Teorema 3.41 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 subcon-junto de uma base de V e ter-se-a dimV ≥ k.

(ii) Se dimV = n, entao quaisquer m vectores de V , com m > n, sao linearmentedependentes.

38

(iii) Se dimV = n, entao nenhum conjunto com m vectores de V , em que m < n, podegerar V .

(iv) O subespaco W tem dimensao finita e dimW ≤ dimV .

(v) Se dimW = dimV , entao W = V .

(vi) Se dimV = n, entao quaisquer n vectores de V linearmente independentes cons-tituem uma base de V .

(vii) Se dimV = n, entao quaisquer n vectores geradores de V constituem uma base deV .

Observacao 3.42 O no de elementos de uma base de um espaco linear e igual ao no mınimode vectores possam constituir um conjunto gerador desse espaco e e tambem igual ao no

maximo de vectores que possam constituir um conjunto linearmente independente nesseespaco.

Exemplo 3.43 Seja A ∈Mm×n(R). Como L(A) e N (A) sao subespacos de Rn entao

L(A) +N (A) = L (L(A) ∪N (A))

e tambem um subepaco de Rn. Por outro lado, atendendo a que

L(A) ∩N (A) = {0}

(teorema 3.22), tem-sedim (L(A) ∩N (A)) = 0.

Assim,

dim (L(A) +N (A)) = dimL(A) + dimN (A)− dim (L(A) ∩N (A)) =

= carA+ nulA− 0 =

= n.

Logo, pelo teorema 3.41 (v), tem-se

Rn = L(A)⊕N (A),

isto e Rn = L(A) +N (A) e L(A) ∩N (A) = {0}.

Exemplo 3.44 (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 R3.

39

Observacao 3.45 O metodo de eliminacao de Gauss permite determinar a dimensao e umabase quer para o espaco das linhas L(A) quer para o espaco das colunas C(A) de uma matrizA. Seja A′ a matriz em escada que se obtem de A por aplicacao do metodo de eliminacaode Gauss. Entao,

(i) Uma base para L(A) sera formada pelas linhas nao nulas de A′.

(ii) Uma base para C(A) sera formada pelas colunas de A que correspondem as posicoesdas colunas de A′ que contem os pivos.

A parte (ii) carece de uma prova: considere uma sequencia de operacoes elementares quetransforma a matriz numa matriz em escada de linhas U :

A→ · · · → U (∗)

Seja k=car(A). Claro que dim(C(A)) = k e portanto k vectores linearmente independentesem C(A) formam uma base de C(A).

Seja A′ a matriz que se obtem de A removendo as colunas de A que correspondem ascolunas de U sem pivo. (Analogamente, podemos definir a matriz U ′). Assim, A′ e U ′ saomatrizes m×k. Alem disso, podemos usar a mesma sequencia de operacoes de (*) e concluirque A′ → U ′ e car(A′) = k, isto e, o conjunto de todas as k colunas de A′ e linearmenteindependente.

Exemplo 3.46 Seja

A =

2 1 1 14 2 3 3−6 −3 1 1

.

Tem-se

A =

2 1 1 14 2 3 3−6 −3 1 1

−→−2L1+L2→L2

3L1+L3→L3

2 1 1 10 0 1 10 0 4 4

−→−4L2+L3→L3

2 1 1 10 0 1 10 0 0 0

= A′.

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,

dimL(A) = 2 = dim C(A)

eL(A) = L ({(2, 1, 1, 1), (0, 0, 1, 1)}) , C(A) = L ({(2, 4,−6), (1, 3, 1)}) .

Por outro lado,

N (A′) =

(x, y, z, w) ∈ R4 : A′

xyzw

=

0000

=

= {(x,−2x,−w,w) : x,w ∈ R} =

= L{(1,−2, 0, 0), (0, 0,−1, 1)}.

Como o conjunto {(1,−2, 0, 0), (0, 0,−1, 1)} e linearmente independente e gera N (A′) entaoe uma base de N (A′). Finalmente, uma vez que N (A) = N (A′), o conjunto

{(1,−2, 0, 0), (0, 0,−1, 1)}

40

e uma base de N (A) e portanto dimN (A) = 2, com

N (A) = L{(1,−2, 0, 0), (0, 0,−1, 1)}.

Exemplo 3.47 Seja S = {1, 2,−1), (2, 1, 1), (−1,−2, 1), (0, 1, 0)} ⊂ R3. Determinemos umabase para L(S).

Considere a seguinte matriz cujas colunas sao os vectores de S: 1 2 −1 02 1 −2 1−1 1 1 0

.

Tem-se 1 2 −1 02 1 −2 1−1 1 1 0

−→−2L1+L2→L2

L1+L3→L3

1 2 −1 00 −3 0 10 3 0 0

−→L2+L3→L3

1 2 −1 00 −3 0 10 0 0 1

.

Logo, S ′ = {1, 2,−1), (2, 1, 1), (0, 1, 0)} e uma base de L(S). Como dimR3 = 3, entao tem-semesmo: L(S) = R3 e S ′ e uma base de R3.

Resolucao alternativa: Considere a seguinte matriz cujas linhas sao os vectores de S:1 2 −12 1 1−1 −2 10 1 0

.

Tem-se1 2 −12 1 1−1 −2 10 1 0

−→−2L1+L2→L2

L1+L3→L3

1 2 −10 −3 30 0 00 1 0

−→L3↔L4

1 2 −10 −3 30 1 00 0 0

−→13L2+L3→L3

1 2 −10 −3 30 0 10 0 0

.

Logo, S ′ = {1, 2,−1), (0,−3, 3), (0, 0, 1)} e uma base de L(S). Como dimR3 = 3, entaotem-se mesmo: L(S) = R3 e S ′ e uma base de R3.

Exemplo 3.48 Seja Sa,b = {1, 0, 1), (0, 1, a), (1, 1, b), (1, 1, 1)} ⊂ R3. Determinemos os val-ores 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 10 1 1 11 a b 1

.

Tem-se 1 0 1 10 1 1 11 a b 1

−→−L1+L3→L3

1 0 1 10 1 1 10 a b− 1 0

−→−aL2+L3→L3

1 0 1 10 1 1 10 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.

41

Teorema 3.49 (i) Seja A ∈Mm×n(R). As colunas de A geram Rm se e so se carA = m.

(ii) Seja A ∈ Mm×n(R). As colunas de A sao linearmente independentes se e so secarA = n.

(iii) Seja A ∈Mn×n(R). A matriz A e invertıvel se e so se as colunas de A (ou as linhasde A) formarem uma base de Rn. No caso de A ser invertıvel tem-se

C(A) = L(A) = Rn.

Observacao 3.50 Seja A ∈Mm×n(R) e considere o sistema de equacoes lineares Au = b.

(i) O sistema Au = b e impossıvel (nao tem solucao) se e so se b /∈ C(A), isto e, se e sose carA < car [A | b].

(ii) O sistema Au = b e possıvel e indeterminado (tem um no infinito de solucoes) see so se b ∈ C(A) e as colunas de A forem linearmente dependentes, isto e, se e so se carA =car [A | b] < n, isto e, se e so se carA = car [A | b] e nulA 6= 0.

(iii) O sistema Au = b e possıvel e determinado (tem uma unica solucao) se e sose b ∈ C(A) e as colunas de A forem linearmente independentes, isto e, se e so se carA =car [A | b] = n, isto e, se e so se carA = car [A | b] e nulA = 0.

Observacao 3.51 Seja A ∈Mm×n(R) e considere o sistema de equacoes lineares Au = b.

(i) Existencia de solucao: Se m ≤ n entao o sistema Au = b tem pelo menos umasolucao u para cada b ∈ Rm se e so se carA = m.

(ii) Unicidade de solucao: Se m ≥ n entao o sistema Au = b tem no maximo umasolucao u para cada b ∈ Rm se e so se carA = n, isto e, se e so se nulA = 0.

(iii) Existencia e unicidade de solucao: Se m = n entao o sistema Au = b temsolucao unica u para cada b ∈ Rm se e so se A for invertıvel.

Teorema 3.52 Seja A ∈Mn×n(R). As seguintes afirmacoes sao equivalentes.

(i) A e nao singular.

(ii) A e invertıvel.

(iii) N (A) = {0}.

(iv) nulA = 0.

(v) Au = 0 tem apenas a solucao trivial u = 0.

(vi) Au = b tem solucao unica u para cada b ∈ Rn.

(vii) A caracterıstica de A e maxima, isto e, carA = 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.

42

3.4 Coordenadas de um vector numa base

Definicao 3.53 Seja S = {v1, v2, ..., vk} uma base ordenada de um espaco linear V e seja uum vector de V . Chamam-se coordenadas do vector u na base ordenada S aos escalaresλ1, λ2, ..., λk da combinacao linear:

u = λ1v1 + λ2v2 + ...+ λkvk.

Designamos por uS as coordenadas de u na base S, i.e. uS = (λ1, · · · , λk).

Teorema 3.54 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 unico como combinacao linear dos vectores de S.

(ii) Se dimV = n, entao dados u,w ∈ V e S = {v1, v2, . . . , vn} uma base ordenada deV , tem-se u = w se e so se as coordenadas de u e de w na base S forem iguais.

Exemplo 3.55 (i) Sejam S1 = {e1, e2} e S2 = {v1, v2} duas bases de R2, onde e1 =(1, 0), e2 = (0, 1), v1 = (1, 1) e v2 = (1,−1). Seja ainda u = (11, 3).Entao uS1 = (11, 3) enquanto uS2 = (7, 4).

(ii) Seja V o subespaco de R3 gerado pelos vectores v1 = (1, 1, 1) e v2 = (1, 0, 1). Claroque B = {v1, v2} e uma base de F , uma vez que os vectores v1, v2 sao linearmente indepen-dentes. Sendo u = (3, 1, 3) ∈ F , entao as coordenadas uB de u na base B sao uB = (1, 2),uma vez que λ1 = 1, λ2 = 2 e a unica solucao de u = λ1v1 + λ2v2.

(iii) Considerando a mesma base B de ii), sabendo que as coordenadas de um vector una base B sao uB = (2, 1), entao o vector u = 2v1 + 1v2 = (3, 2, 3).

3.5 Matriz mudanca de base

Teorema 3.56 Seja V um espaco linear de dimensao n. Sejam S1 = {v1, v2, . . . , vn} eS2 = {w1, w2, . . . , wn} duas bases ordenadas de V . Seja SS1→S2 a matriz cujas colunas saoas coordenadas dos vectores de S1 em relacao a base S2. Isto e,

SS1→S2 = (sij)n×n com vj =n∑i=1

sijwi para todo o j = 1, ..., n.

A matriz SS1→S2 e invertıvel e chama-se matriz de mudanca de base (da base S1 paraS2). Assim, se tivermos

u =n∑i=1

λivi,

isto e, se (λ1, ..., λn) forem as coordenadas do vector u na base S1 entao as coordenadas(µ1, ..., µn) de u na base S2 sao dadas por µ1

...µn

= SS1→S2

λ1...λn

.

43

Dem. Tem-se

u =n∑i=1

µiwi =n∑j=1

λjvj =n∑j=1

λj

n∑i=1

sijwi =n∑i=1

(n∑j=1

sijλj

)wi.

Atendendo ao teorema 3.54 (i), as coordenadas de um vector u numa base sao unicas. Logo,

µi =

(n∑j=1

sijλj

),

para todo o i = 1, ..., n. Isto e, µ1...µn

= SS1→S2

λ1...λn

.

Observacao 3.57 Tem-seSS2→S1 = (SS1→S2)−1 .

Exemplo 3.58 Seja Bc = {(1, 0), (0, 1)} a base canonica de R2. Seja B = {(1, 2), (2, 1)} umaoutra base ordenada de R2. Sejam (2, 3) as coordenadas de um vector u na base canonica Bce determinemos as coordenadas de u na base B usando a matriz de mudanca de base SBc→B.Tem-se

SBc→B =

[−1/3 2/32/3 −1/3

],

uma vez que

(1, 0) = −1

3(1, 2) +

2

3(2, 1) e (0, 1) =

2

3(1, 2)− 1

3(2, 1).

Logo, as coordenadas de u na base B sao dadas por

SBc→B

[23

]=

[−1/3 2/32/3 −1/3

] [23

]=

[4/31/3

].

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

(2, 3) =4

3(1, 2) +

1

3(2, 1).

3.6 Exercıcios

Subespacos lineares

E3.1 Diga, justificando, quais dos seguintes conjuntos sao espacos lineares (considere asoperacoes usuais de adicao de vectores e multiplicacao por escalares):(a) {(0, 0)},(b) {(x, y) ∈ R2 : x− 2y = 0},(c) {(x, y) ∈ R2 : x+ y = π},(d) {(x, y) ∈ R2 : ax+ by = k}.(e) {(x, y) : x ∈ N0, y ∈ R},(f) {(x, y) ∈ R2 : x2 + y2 ≤ π},(g) {(x, y) ∈ R2 : y ≥ 0},(h) {(x, y) ∈ R2 : xy ≥ 0}.

44

E3.2 Considere o espaco linear V = R3 com as operacoes usuais. Diga, justificando, quaisdos seguintes subconjuntos de R3 sao subespacos lineares de V :(a) {(x, y, z) ∈ R3 : z = 1},(b) {(x, y, z) ∈ R3 : xy = 0},(c) {(x, y, z) ∈ R3 : x+ y + 2z = 0, x− y = 0},(d) {(x, y, z) ∈ R3 : x+ y + z = 0,−x+ y + 3z = 0}.

E3.3 Considere o conjunto F = {(x, y, z, w) ∈ R4 : x+y+z+w = 0, x−z+w = 0, x−w = 0}.(a) Quais os vectores u1, u2 e u3 pertencem a F , onde u1 = (0, 0, 0, 0), u2 = (1,−4, 2, 1) eu3 = (1, 4, 2, 1),(b) Prove que F e um subespaco de R4.

E3.4 (a) SejaA uma matriz real n×m. Prove que V = {(x1, · · · , xm) ∈ Rm : A

x1

x2

...xm

=

00...0

}e um subespaco linear de Rm.(b) Use (a) para resolver o Problema 3.3 (b).

E3.5 Sejam A,B ∈M2×2(R).(a) Prove que N (B) ⊆ N (AB).(b) Se A for invertıvel, entao prove que N (B) = N (AB).

E3.6 Considere V o espaco linear das funcoes reais de variavel real t. Diga, justificando,quais dos seguintes subconjuntos de V sao subespacos lineares de V :(a) {f ∈ V : f(t) = f(−t)},(b) {f ∈ V : f contınua},(c) {f :∈ V : f diferenciavel e f ′(t) = f(t)} onde f ′ designa a derivada de f ,(d) {f ∈ V : f e 3 vezes diferenciavel e f ′′′(t)− f ′′(t) + πf ′(t) = 0, ∀t}(e) {p ∈ V : p polinomino},(f) Pn := {p(t) =

∑ni=1 αit

i : grau de p ≤ n} onde n e fixo,(g) {p ∈ Pn : grau p = n},(h) {p ∈ Pn : grau de p ≤ n e p(1) = 0}.

E3.7 Considere V =Mn×n(R) os espaco linear das matrizes n×n. Diga, justificando, quaisdos seguintes subconjuntos de V sao subespacos lineares de V :(a) {matrizes triagulares superiores},(b) {X ∈ V : X e invertıvel},(c) {X ∈ V : Tr(X) = 0},(d) {X ∈ V : XT = X} onde XT designa a transposta da matriz X,

(e) {X ∈M2×2(R) : AX = XA}, onde A =

[0 1−1 0

].

Vectores geradores. Independencia linear

E3.8 Considere em R2 o conjunto de vectores S = {(1, 1), (−1,−1)}.(a) Mostre que o vector (3, 3) e combinacao linear de vectores de S.(b) Mostre que o vector (0, 1) nao e combinacao linear de vectores de S.

45

E3.9 No espaco linear R3 considere os vectores v1 = (1, 2, 1), v2 = (1, 0, 2) e v3 = (1, 1, 0).Mostre que os seguintes vectores sao combinacoes lineares de v1, v2 e v3:(a) v = (3, 3, 3) (b) v = (2, 1, 5) (c) v = (−1, 2, 0).

E3.10 Determine o valor de k para o qual o vector v = (1,−2, k) ∈ R3 e combinacao lineardos vectores v1 = (3, 0,−2) e v2 = (2,−1,−5).

E3.11 Decida quais dos seguintes conjuntos geram R3:(a) {(1, 1, 1), (1, 0, 1)}.(b) {(1, 1, 1), (1, 0, 1), (0, 0, 1)}.(c) {(1, 1, 1), (1, 0, 1), (0, 0, 1), (2, 1, 3)}.

E3.12 Considere, no espaco linear P2 dos polinomios de grau menor ou igual a 2, os vectoresp1(t) = 2 + t + 2t2, p2(t) = −2t + t2, p3(t) = 2− 5t + 5t2 e p4(t) = −2− 3t− t2. O vectorp(t) = 2 + t + t2 pertence a expansao linear L({p1, p2, p3, p4})? Verifique se p1, p2, p3 e p4

geram P2?

E3.13 Considere A1 =

[1 11 1

], A2 =

[0 −11 1

], A3 =

[0 01 1

]e A4 =

[0 00 1

]no

espaco linear V =M2×2(R). Prove que S = {A1, A2, A3, A4} gera V , i.e. L(S) = V . Escreva

A =

[1 03 4

]como combinacao linear de matrizes de S.

E3.14 Quais dos seguintes conjuntos de vectores sao linearmente independentes:Em R2:a) {(0, 0)}, (b) {(1, 1)}, (c) {(1, 1), (2, 2)}, (d) {(1, 1), (1, 2)},Em R3:(e) {(2,−1, 4), (3, 6, 2), (2, 10,−4)}, (f) {(6, 0,−1), (1, 1, 4)},(g) {(4, 4, 0, 0), (0, 0, 6, 6), (−5, 0, 5, 5)}.

E3.15 Determine o unico valor de a que torna os seguintes vectores linearmente dependentes:v1 = (1, 0, 0, 2), v2 = (1, 0, 1, 0), v3 = (2, 0, 1, a).

E3.16 Quais dos seguintes conjuntos de vectores sao linearente independentes:Em P3:(a) {2− t, 1 + t}, (b) {1 + t, 1 + t2, 1 + t+ t2}, (c) {1 + t+ t3, 1− t− t2 + t3, t2}, (d){1, t, t2, t3},No espaco das funcoes reais de variavel real:(e) {cos2(t), sin2(t), 2}, (f) {t, cos(t)},Em M2×2(R):

(g) {A1 =

[1 11 1

], A2 =

[0 −11 1

], A3 =

[0 01 1

], A4 =

[0 00 1

]}.

E3.17 (a) Seja {v1, v2, · · · , vk} um conjunto de vectores linearmente independente de Rn

(com k ≤ n) e A ∈Mn×n(R) uma matriz invertıvel. Prove que {Av1, Av2, · · · , Avk} tambeme um conjunto de vectores linearmente independente (escrevendo os vectores v1, ..., vk comovectores-coluna).(b) Sejam v1, v2 e v3 vectores linearmente independentes em R3 e sejam w1 = v1 + v2 + v3,w2 = 2v2 + v3, w3 = −v1 + 3v2 + 3v3. Prove que w2, w2 e w3 sao vectores linearmenteindependentes.

46

Bases e dimensao de espacos lineares

E3.18 Indique uma base e a respectiva dimensao para cada espaco linear:(a) {(x, y) ∈ R2 : x+ y = 0} (b) {(x, y, z) ∈ R3 : x+ y = 0}(c) {(x, y, z) ∈ R3 : x+ y + z = 0, x− y = 0} (d) {(x, y, z, w) ∈ R4 : x+ y + z = 0, x− y =0, y + w = 0}.

E3.19 Determine uma base e a dimensao para o subespaco linear U de R3 gerado poru1 = (1, 2, 1), u2 = (2, 4, 3), u3 = (3, 6, 4), u4 = (−1,−2,−1), i.e. U = L({u1, u2, u3, u4}).

E3.20 Seja A =

1 5 92 6 103 7 114 8 12

. Determine a dimensao dos seguintes espacos lineares, indi-

cando uma base em cada caso:(a) Nucleo de A (b) Espaco linhas de A (c) Espaco colunas de A.

E3.21 Encontre a caracterıstica, bases para o nucleo, espaco das linhas e das colunas decada matriz:

[1 5 92 6 10

],

[1 −43 −12

],

[0 0 00 0 0

],

1 52 63 7

,

1 2 −12 4 30 0 −24 8 12

,

1 −3 2 2 10 3 6 0 −22 −3 −2 4 43 −3 6 6 35 −3 10 10 5

.

Para cada matriz A verifique que: dim N (A)+ car(A)= numero de colunas de A.

E3.22 Seja A =

1 0 10 1 11 −1 0

.

(a) Determine uma base para N (A).(b) Determine uma base de R3 que inclua duas colunas de A.(c) Determine uma base para L (A) ∩ C (A).

E3.23 Encontre bases e respectivas dimensoes para os seguintes espacos lineares:(a) V = {p ∈ P3 : p(1) = 0};(b) V = {p ∈ P2 : p(0) = p(1) = 0};

(c) V = {[a bc d

]∈M2×2(R) : a+ 2b = 0};

(d) {A ∈M2×2(R) : A = AT};

(e) {A ∈M2×2(R) : A

[0 −11 1

]=

[0 −11 1

]A}.

E3.24 Sejam V1 = L({(1, 1, 1), (1, 2, 2)}) e V2 = {(x, y, z) ∈ R3 : 3x− y − z = 0}.(a) Determine uma equacao ax+by+cz = 0 tal que V1 = {(x, y, z) ∈ R3 : ax+by+cz = 0}.(b) Determine dois vectores v1, v2 tais que V2 = L({v1, v2}).

E3.25 Sejam V1 = L({(1, 1, 1), (1, 2, 2)}) e V2 = L({(0, 1,−1), (1, 1, 2)}).(a) Calcule dim(V1 ∩ V2) e dim(V1 + V2).(b) Determine bases para V1 ∩ V2 e para V1 + V2.

47

E3.26 Determine as dimensoes de E ∩ F e E + F :(a) E = L({(1, 1,−1,−1), (1, 1, 1, 1), (1, 1, 2, 2)}) e F = L({(1, 0, 0, 1), (0, 1, 1, 1), (1, 1, 0, 1)});(b) E = {(x, y, z, w) ∈ R4 : x+ y + z = 0} e F = ({(x, y, z, w) ∈ R4 : x+w = 0, y +w = 0};(c) E = L({1 + t+ t2, 1 + t2}) e F = L({3 + 2t+ 3t2}) em P2.

E3.27 Determine uma base para V1 ∩ V2, onde

V1 = {p(t) ∈ P2 : p(−1) = 2p(0)− p(1)} e V2 = L({−1 + t, 1− t2}).

E3.28 Sejam A,B ∈ Mn×m(R). Prove que LA+B ⊆ LA + LB. Sera que em geral LA+B =LA + LB?

E3.29 Determine uma base para R4 que inclua os vectores (1,−1,−1, 1) e (−1, 0, 0, 1).

E3.30 Considere o seguinte subespaco de R4: U = {(x, y, z, w) ∈ R4 : x+ y + z + w = 0}.(a) Determine uma base para U .(b) Determine uma base para U que inclua os vectores (1,−1,−1, 1) e (−1, 0, 0, 1).

E3.31 Seja V = {(x, y, z) ∈ R3 : x− z = 0}. Considere a seguinte lista de afirmacoes:

I) O conjunto {(1, 0, 1), (0, 2, 0)} e uma base de V .

II) dim(V ) = 2 e {(1, 0,−1), (0, 1, 0)} forma uma base de V .

III) V = N (A) onde A =

[1 0 10 1 0

].

IV) V = N (A) onde A =

[1 0 −13 0 −3

].

A lista completa de afirmacoes correctas eA) I e III B) II e III C) I e IV D) II e IV

E3.32 Para cada β seja Vβ = {(x, y) ∈ R2 : x−βy = 1−β2, −βx+ y = 1−β}. Considerea seguinte lista de afirmacoes:

I) O conjunto Vβ e um subespaco linear de R2 para um unico valor de β.

II) dim(V1) = 1 e {(1, 1)} e uma base de V1 (onde V1 designa Vβ fazendo β = 1).

III) As coordenadas de v = (a, b) na base ordenada {(1, 1), (1,−1)} sao (a−b2, a+b

2).

A lista completa de afirmacoes correctas eA) I B) I e II C) II e III D) I e III

48

Coordenadas de um vector numa base

E3.33 (a) Seja Bc = {(1, 0), (0, 1)} e B = {(1, 1), (−1, 0)} duas bases de R2.(a) Encontre as coordenadas vBc do vector v = (3, 4) na base Bc, assim como as coordenadasvB do mesmo vector na base B.(b) Determine a matriz mudanca de base SBc→B da base canonica para a base B.(c) Use a matriz mudanca de base apropriada e determine vB a partir de vBc.(d) Determine o vector w = (a, b) de tal forma que wB = (1, 1).

E3.34 Considere V = L({v1, v2, v3}) onde v1 = (1, 1, 1, 1), v2 = (0, 1, 1,−1) e v3 = (1, 2, 2, 0).(a) Encontre uma base para V e indique a respectiva dimensao.(b) Quais sao as coordenadas do vector v = (2, 4, 4, 0) na base ordenada de (a)?

E3.35 Encontre as coordenadas do vector v = (1, 2,−3) numa base do espaco linear E ={(x, y, z) ∈ R3 : x+ y + z = 0} a sua escolha.

E3.36 Seja B = {v1, v2} a base do subespaco linear W de R3, onde v1 = (1, 1, 1) e v2 =(1, 0, 1). Considere a seguinte lista de afirmacoes:

I) (1, 2, 1) ∈ W .

II) W = {(x, y, z) : x− z = 0}.

III) As coordenadas vB do vector v = (2, 3, 2) na base B sao vB = (2, 1).

IV) Se vB = (3,−1) sao as coordenadas de v na base B, entao v = (2, 3, 2).

A lista completa de afirmacoes correctas eA) I e IV B) II e III C) I, II e IV D) I, III e IV

E3.37 Considere em R2 as bases ordenadas B1 e B2 em que B1 = {(1,−1), (0, 1)}. Seja

SB1→B2 =

[1 −10 1

]a matriz de mudanca da base B1 para a base B2. Determine as coordenadas do vector (1, 1)em B2.

E3.38 (a) Prove que A1 =

[1 11 1

], A2 =

[0 −11 1

], A3 =

[0 01 1

]e A4 =

[0 00 1

]constituem uma base para o espaco linear V =M2×2(R).(b) Determine a matriz mudanca de base S da base canonica de M2×2(R) para a base{A1, A2, A3, A4}.

(c) Encontre as coordenadas de A =

[a bc d

]na base canonica de M2×2(R) e na base

{A1, A2, A3, A4}.

E3.39 Seja A matriz real 3× 3 qualquer, nao nula, tal que A2 = 0. Prove que car(A) = 1.

49

4 Valores Proprios, Vectores Proprios e diagonalizacao

de Matrizes

Neste Capıtulo, discutiremos equacos lineares da forma Ax = x e, mais geralmente, equacoesda forma Ax = λx, onde λ e um escalar. Estas equacoes aparecem numa variedade deaplicacoes importantes e constituem um tema recorrente ao longo da disciplina.

Definicao 4.1 Seja A uma matriz n× n. Chama-se a

p(λ) = det(A− λI),

o polinomio caracterıstico da matriz A.

Teorema 4.2 (Teorema Fundamental da Algebra(∗)). Seja p(λ) um polinomio de graun com coeficientes em C. Entao p(λ) tem n raızes, eventualmente repetidas.

Observacao 4.3 (i) Note-se que p(λ) = det(A − λI) e de facto um polinomio, de grau n,e o coeficiente do termo de grau n e (−1)n e o termo constante e p(0) = detA.(ii) Um polinomio com coeficientes em R nao tem necessariamente todas as suas raızes(zeros) em R — exemplo: p(λ) = 1 + λ2.

Definicao 4.4 Seja A ∈Mn×n(R). Chama-se valor proprio de A a qualquer escalar λ talque A− λI seja singular (nao invertıvel), isto e, tal que det(A− λI) = 0. Chama-se vectorproprio de A, associado ao valor proprio λ de A, a qualquer vector nao nulo v que verifique

(A− λI)v = 0.

Observacao 4.5 Seja A ∈Mn×n(R). O escalar λ = 0 e valor proprio de A se e so se A forsingular. Isto e, a matriz A e invertıvel se e so se 0 nao for valor proprio de A.

Definicao 4.6 Sejam A,B ∈ Mn×n(R). As matrizes A e B dizem-se semelhantes seexistir uma matriz S invertıvel tal que

B = SAS−1

Teorema 4.7 Sejam A,B ∈ Mn×n(R). Se A e B forem semelhantes entao A e B tem omesmo polinomio caracterıstico. Em particular, se A e B forem semelhantes entao A e Btem os mesmos valores proprios.

Dem. Tem-se

det(B − λI) = det(SAS−1 − λI) =

= det(SAS−1 − λSS−1) =

= det(S(A− λI)S−1) =

= detS det(A− λI) det(S−1

)=

= detS det(A− λI)1

detS=

= det(A− λI).

50

Teorema 4.8 Seja A matriz n × n. Sejam λ1, ..., λk valores proprios distintos de A e eu1, ..., uk vectores proprios associados a cada um destes valores proprios, respectivamente.Entao u1, ..., uk sao vectores linearmente independentes.

Definicao 4.9 Seja A ∈Mn×n(R). Se existir uma matriz P invertıvel tal que

D = PAP−1,

com D matriz diagonal, entao diz-se que A e uma matriz diagonalizavel e que S (matrizde mudanca de base, ver mais sobre este assunto na Seccao 6.1) e a matriz diagonalizante.

Teorema 4.10 Seja A ∈Mn×n(R). A matriz A e diagonalizavel se e so se existir uma basede Rn constituıda por vectores proprios de A. Neste caso, as entradas da diagonal principaldessa matriz diagonal serao os valores proprios associados aos vectores proprios da base deRn pela ordem da mesma. Sendo λ1, ..., λn sao os valores proprios de A entao a matrizdiagonal e:

D =

λ1 0 ... 0

0. . . . . .

......

. . . 00 ... 0 λn

.

Construindo uma base para cada espaco prooprio Eλ1 , Eλ2 , ... obtem-se uma base de Rn

juntando os vectores proprios de cada base de cada espaco proprio. Se A for diagonalizavel,entao temos uma base Bvp de Rn formada por vectores proprios de A. A coluna j da matrizP−1 e o vector numero j de Bvp colocado em coluna.

O mesmo se aplica em Cn.Em particular, se A tiver n valores proprios distintos λ1, ..., λn entao a matriz A e diag-

onalizavel.

Observacao 4.11 12 Seja A a matriz n× n.(1) Seja p(λ) o polinomio caracterıstico de A. Para cada raiz λ1 de p(λ), a sua multipli-

cidade enquanto raiz do polinomio chama-se mutliplicidade algebrica de λ1 e denota-se porma(λ1). Mais precisamente, λ0 tem tem multiplicidade algebrica m quando

p(λ) = (λ− λ1)mq(λ)

e q(λ1) 6= 0.(2) Chamamos espectro de A ao conjunto de todos os valores proprios da matriz A, e

denota-se por σA.(3) A dimensao de N (A − λ1I) chama-se multiplicidade geometrica e designa-se por

mg(λ1).(4) A matriz A ∈Mn×n e diagonalizavel se e so se∑

λ valores proprios

dimN (A− λI) = dim(V ).

Ou seja, existe uma base de V na qual a representacao matricial de T e uma matriz diagonalsse

dimEλ1 + · · ·+ dimEλk = n,

onde λ1, · · · , λk (k ≤ n) sao os valores proprios de T .

12Para algumas aplicacoes, ver seccoes 7.3, 7.3.1, 7.4, 7.5

51

Observacao 4.12 i) Claro que qualquer matriz diagonalD e automaticamente diagonalizavel,pondo S = I.ii) Veja a Seccao 6.3 para encontrar mais matrizes diagonalizaveis.

Exemplo 4.13 (i) Uma matriz com valores proprios distintos.

A =

1 5 −10 −2 1−4 0 3

O polinomio caracterıstico e dado por

det(A− λI) =

∣∣∣∣∣∣1− λ 5 −1

0 −2− λ 1−4 0 3− λ

∣∣∣∣∣∣ =

= (1− λ) (−2− λ) (3− λ)− 20 + 4 (2 + λ) =

= (1− λ) (−2− λ) (3− λ) + 4λ− 12 =

= (3− λ) [(λ− 1) (λ+ 2)− 4] =

= (3− λ)(λ2 + λ− 6

)=

= (3− λ) (λ− 2) (λ+ 3) .

Os valores proprios de A sao os valores de λ para os quais det(A−λI) = 0. Logo, os valoresproprios de A sao

λ1 = 3, λ2 = 2 e λ3 = −3.

Os vectores proprios de A associados ao valor proprio λ sao os vectores nao nulos u ∈ R3

para os quais(A− λI)u = 0,

isto e, sao os vectores nao nulos de N (A− λI).Determinemos os vectores proprios de A associados ao valor proprio λ1 = 3. Tem-se

N (A− λ1I) = N

−2 5 −10 −5 1−4 0 0

= L ({(0, 1, 5)}) .

Logo, o subespaco proprio Eλ1 e dado por

Eλ1 = N (A− λ1I) = L ({(0, 1, 5)}) .

Os vectores proprios de A associados ao valor proprio λ1 = 3 sao

u = (0, s, 5s) , com s ∈ R\ {0} .

Determinemos os vectores proprios de A associados ao valor proprio λ2 = 2. Tem-se

N (A− λ2I) = N

−1 5 −10 −4 1−4 0 1

= L ({(1, 1, 4)}) .

52


Eλ2 = N (A− λ2I) = L ({(1, 1, 4)}) .


u = (s, s, 4s) , com s ∈ R\ {0} .

Determinemos os vectores proprios de A associados ao valor proprio λ3 = −3. Tem-se

N (A− λ3I) = N

4 5 −10 1 1−4 0 6

= L ({(3,−2, 2)}) .


Eλ3 = N (A− λ3I) = L ({(3,−2, 2)}) .

Os vectores proprios de A associados ao valor proprio λ3 = −3 sao

u = (3s,−2s, 2s) , com s ∈ R\ {0} .

Atendendo a que os valores proprios de A sao distintos, pelo teorema 4.8, os vectoresproprios de A associados a esses valores proprios sao linearmente independentes. ComodimR3 = 3, entao 3 vectores em R3 linearmente independentes formarao desde logo umabase 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 deA. Logo, a matriz A e diagonalizavel, isto e, existe uma matriz invertıvel S diagonalizantetal que a matriz PAP−1 e diagonal, tendo-se

D = PAP−1 =

λ1 0 00 λ2 00 0 λ3

=

3 0 00 2 00 0 −3

,

com

P−1 =

0 1 31 1 −25 4 2

.

Note que cada coluna de S−1 e formada pelo vector proprio associado ao valor propriorespectivo e na posicao respectiva.

(ii) Uma matriz com valores proprios repetidos mas diagonalizavel.

A =

2 1 12 3 23 3 4


det(A− λI) =

∣∣∣∣∣∣2− λ 1 1

2 3− λ 23 3 4− λ

∣∣∣∣∣∣ =

= (2− λ) (3− λ) (4− λ) + 6 + 6− 3 (3− λ)− 6 (2− λ)− 2 (4− λ) =

= −λ3 + 9λ2 − 15λ+ 7 =

= − (λ− 1) (λ− 1) (λ− 7) .

53


λ1 = 1 e λ2 = 7.




N (A− λ1I) = N

1 1 12 2 23 3 3

= L ({(−1, 1, 0) , (−1, 0, 1)}) .


Eλ1 = N (A− λ1I) = L ({(−1, 1, 0) , (−1, 0, 1)}) .


u = (−s− t, s, t) , com s, t ∈ R, nao simultaneamente nulos.


N (A− λ2I) = N

−5 1 12 −4 23 3 −3

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


Eλ2 = N (A− λ2I) = L ({(1, 2, 3)}) .


u = (s, 2s, 3s) , com s ∈ R\ {0} .

Atendendo a quedimEλ1 + dimEλ2 = 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 invertıvel P diagonalizante talque a matriz PAP−1 e diagonal, tendo-se

D = PAP−1 =

λ1 0 00 λ1 00 0 λ2

=

1 0 00 1 00 0 7

,

com

P−1 =

−1 −1 11 0 20 1 3

.

54

Note que cada coluna de P−1 e formada pelo vector proprio associado ao valor propriorespectivo e na posicao respectiva.

(iii) Uma matriz com valores proprios repetidos e nao diagonalizavel.

A =

7 5 −10 −2 120 0 3


det(A− λI) =

∣∣∣∣∣∣7− λ 5 −1

0 −2− λ 120 0 3− λ

∣∣∣∣∣∣ =

= (7− λ) (−2− λ) (3− λ) + 100− 20 (2 + λ) =

= (3− λ) [(7− λ) (−2− λ) + 20] =

= (3− λ)(λ2 − 5λ+ 6

)=

= (3− λ) (λ− 3) (λ− 2) .


λ1 = 3 e λ2 = 2.




N (A− λ1I) = N

4 5 −10 −5 120 0 0

= L ({(0, 1, 5)}) .


Eλ1 = N (A− λ1I) = L ({(0, 1, 5)}) .


u = (0, s, 5s) , com s ∈ R\ {0} .


N (A− λ2I) = N

5 5 −10 −4 120 0 1

= L ({(1,−5,−20)}) .


Eλ2 = N (A− λ2I) = L ({(1,−5,−20)}) .


u = (s,−5s,−20s) , com s ∈ R\ {0} .

55

Atendendo a quedimEλ1 + dimEλ2 = 2 < 3,

nao e possıvel ter uma base de R3 formada so por vectores proprios de A. Logo, a matrizA nao e diagonalizavel, isto e, nao existe uma matriz invertıvel P diagonalizante tal que amatriz PAP−1 seja diagonal.

(iv) Uma matriz com apenas um valor proprio real.

A =

1 0 00 0 −10 1 0


det(A− λI) =

∣∣∣∣∣∣1− λ 0 0

0 −λ −10 1 −λ

∣∣∣∣∣∣ =

= λ2 (1− λ) + (1− λ) =

= (1− λ)(λ2 + 1

).


λ1 = 1, λ2 = i e λ3 = −i.

Logo, a matriz A nao e diagonalizavel numa matriz de entradas reais, isto e, nao existeuma matriz invertıvel P diagonalizante tal que a matriz PAP−1 seja diagonal com entradasreais. No entanto e atendendo a que os tres valores proprios sao distintos, a matriz A ediagonalizavel numa matriz de entradas complexas: 1 0 0

0 i 00 0 −i

4.1 Exercıcios

E4.1 SejaA =

[1 22 1

]. Considere ainda os vectores v1 = (0, 0), v2 = (2, 1), v3 = (−1, 1), v4 =

(2, 3) e v5 = (2, 2). Identifique os que sao vectores proprios e A. Diga ainda quais sao osvalores proprios associados.

E4.2 Seja A =

0 1 00 1 00 1 0

.

(a) Determine o polinomio caracterıstico de A e o seus valores proprios.(b) Mostre que os vectores v1 = (1, 0, 0), v2 = (1, 1, 1) e v3 = (0, 0, 1) determinam um basede R3 constituıda por vectores proprios de A.

E4.3 Determine os valores de a e b tais que (1, 1) e um vector de A =

[1 1a b

]e que λ = 0

e um valor proprio de A.

56

E4.4 Para cada uma das seguintes matrizes, encontre os valores proprios e bases para osespacos proprios correspondenntes:

(a)

[3 08 −1

], (b)

[10 −94 −2

](c)

[0 34 0

](d)

[3 00 4

](e)

[0 00 0

](f)

4 0 1−2 1 0−2 0 1

(g)

2 0 10 2 01 0 2

(h)

5 0 11 1 0−7 1 0

(i)

0 0 2 01 0 1 00 1 −2 00 0 0 1

(j)

2 2 2 −36 1 1 −41 6 1 −41 1 6 −4

E4.5 Verifique que −λ3 e o polinomio caracterıstico da matriz A =

2 2 −25 −1 −31 5 −3

. Justi-

fique que A nao e diagonalizavel.

E4.6 Seja A =

[1 20 3

].

(a) Determine o polinomio caracterıstico de A.(b) Determine os espaco proprios e indique as respectivas dimensoes.(c) Prove que A e diagonalizavel e indique uma matriz P que diagonalize A, i.e. matriz Ptal que tal que PAP−1 e uma matriz diagonal.(d) Calcule A9.

E4.7 Considere as matrizes

A =

0 0 00 0 110 −4 4

B =

1 1 11 1 11 1 1

.(a) Determine os valores e vectores proprios de A e de B.(b) Diga, justificando, se A ou B e diagonalizavel.(c) Encontre uma matriz diagonal D e uma matriz invertıvel P tais que D = PBP−1.

E4.8 Considere, para cada parametro real α, a matriz Aα e o vector vα definidos por:

Aα =

α 0 0 α1 0 0 12 0 0 23 0 0 3

, vα =

α123

.(a) Determine o escalar λ ∈ R, em funcao do parametro, tal que Aαvα = λvα.(b) Discuta as dimensoes do N (Aα) e do espaco C(Aα) gerado pelas colunas de Aα, emfuncao de α.(c) Determine, em funcao de α, bases para N (Aα) e C(Aα).(d) Determine, em funcao de α, os valores proprios de Aα.(e) Identifique os valores de α para os quais Aα e diagonalizavel.

E4.9 Considere o polinomio p(λ) = −λ(λ− 1)2(λ+ 1)3(λ− 7). Encontre uma matriz A talque o polinomio caracterıstica de A seja p(λ). Sera A diagonalizavel? Podera escolher umamatriz A nao diagonalizavel com este polinomio caracterıstica?

57

E4.10 (a) Seja A uma matriz n×n invertıvel, λ um valor proprio de A e v um vector proprioassociado ao valor proprio λ. Prove que entao λ−1 e valor proprio da matriz inversa A−1.Indique um vector proprio associado a este valor proprio.(b) Se v e um vector proprio comum as matrizes A e B, entao prove que v e um vectorproprio de AB.

E4.11 Seja A matriz 2×2, v1 e v2 dois vectores proprios de A associados aos valores propriosλ1 = 1 e λ2 = −1, respectivamente. Considere a seguinte lista de afirmacoes:

I) O vector −v1 − v2 nao e vector proprio de A.

II) λ1 + λ2 e um valor proprio de A.

III) A matriz A e diagonalizavel.

IV) A e invertıvel.

A lista completa de afirmacoes correctas eA) I e III B) III e IV C) I e II e III e IV D) I e III e IV

E4.12 Uma matriz R ∈ Mn×n(R) diz-se de rotacao se R for ortogonal (R−1 = RT ) edet(R) = 1. Prove que para n ımpar, existe um vector nao nulo u tal que Ru = u.

5 Transformacoes Lineares

Definicao 5.1 Sejam U e V espacos lineares. Diz-se que

T : U → V

e uma transformacao 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 (λu) = λT (u), para todos os u ∈ U e λ ∈ R.

Observacao 5.2 Sejam U e V espacos lineares. Sejam 0 o vector nulo de U e 0′ o vectornulo de V .

(i) Se T : U → V for uma transformacao linear entao T (U) e um subespaco de V ealem disso tem-se T (0) = 0′. Logo, se T nao verificar T (0) = 0′ entao T nao sera umatransformacao linear.

(ii) T : U → V e uma transformacao linear se e so se

T (λu+ µv) = λT (u) + µT (v),

para todos os λ, µ ∈ 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 λ1, λ2, ..., λn ∈ R tais que

u = λ1v1 + λ2v2 + ...+ λnvn.

Tem-se entaoT (u) = λ1T (v1) + λ2T (v2) + ...+ λnT (vn).

58

Exemplo 5.3 Consideremos a base canonica {(1, 0) , (0, 1)} de R2. Seja T : R2 → R umatransformacao linear tal que T (1, 0) = 1 e T (0, 1) = 1.

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 5.4 Sejam U e V espacos lineares e seja {v1, v2, . . . , vn} uma base de U . SejamT1, 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 5.5 Sejam U e V espacos lineares e seja 0 o vector nulo de V .

(i) Seja O : U → V definida porO(u) = 0,

para todo o u ∈ U . O e uma transformacao linear e chama-se transformacao nula.

(ii) Seja λ ∈ R. Seja Tλ : U → U definida por

Tλ(u) = λu,

para todo o u ∈ U . Tλ e uma transformacao linear. Se λ = 1 entao chama-se a T1 atransformacao identidade e denota-se por I. Tem-se I(u) = u, para todo o u ∈ U .

(iii) Sejatr :Mn×n(R)→ R

definida por

tr(A) = a11 + a22 + ...+ ann =n∑i=1

aii,

para todo o A = (aij)n×n ∈Mn×n(R). tr (traco) e uma transformacao linear.

(iv) Seja A ∈Mm×n(R). Seja

T : Rn → Rm

definida porT (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 ′

e uma transformacao linear.

59

Definicao 5.6 Sejam U e V espacos lineares e T1, T2 : U → V transformacoes lineares. Sejaλ ∈ R. Sejam T1 + T2, λT1 : U → V definidas por

(T1 + T2) (u) = T1(u) + T2(u) e (λT1)(u) = λT1(u),

para todo o u ∈ U .

Entao T1 + T2 e λT1 sao transformacoes lineares.

Definicao 5.7 Sejam U, V e W espacos lineares e, T : U → V e S : V → W transformacoeslineares. 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 ) acomposicao de S com T .

Observacao 5.8 A composicao de transformacoes lineares e uma transformacao linear; noentanto S ◦ T 6= T ◦ S (em geral).

Teorema 5.9 (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 λ ∈ R. Entao, tem-se

T ◦ (R + S) = T ◦R + T ◦ S e T ◦ (λR) = λ (T ◦R) .

Se o contradomınio de Q estiver contido em U entao

(R + S) ◦Q = R ◦Q+ S ◦Q e (λR) ◦Q = λ (R ◦Q) .

Definicao 5.10 Define-se

T 0 = I e T k = T ◦ T k−1, para todo o k = 1, 2, ....

Observacao 5.11 Tem-se Tm+n = Tm ◦ T n para todos os m,n ∈ N.

60

5.1 Representacao matricial de uma transformacao linear

Teorema 5.12 Sejam U e V espacos lineares de dimensoes finitas tais que dimU = n edimV = m. Sejam S1 = {u1, u2, . . . , un} e S2 = {v1, v2, . . . , vm} duas bases ordenadas deU e V respectivamente. Seja T : U → V uma transformacao linear. Considere-se a matrizA = (aij)m×n ∈Mm×n(R) cuja coluna j, para cada j = 1, ..., n, e formada pelas coordenadasde T (uj) na base S2. Isto e,

T (uj) =m∑i=1

aijvi.

Chama-se a esta matriz A a representacao matricial de T em relacao as bases S1 e S2 eescreve-se

A = M(T ;S1;S2).

Alem disso, sendo α1, α2, ..., αn as coordenadas de um vector v ∈ U na base ordenada S1

entao as coordenadas β1, β2, ..., βm de T (v) ∈ V na base ordenada S2 sao dadas porβ1

β2...βm

= M(T ;S1;S2)

α1

α2...αn

.

Observacao 5.13 (a) Seja V um espaco linear de dimensao finita, com dimV = n. SejamS1 = {u1, u2, . . . , un} e S2 = {v1, v2, . . . , vn} duas bases ordenadas de V . A representacaomatricial da transformacao identidade I : V → V em relacao as bases S1 e S2 e igual amatriz 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) simples-mente por M(T ;S1).

Teorema 5.14 Sejam Bnc = {e1, e2, . . . , en} e Bmc = {e′1, e′2, . . . , e′m} as bases canonicas(ordenadas) de Rn e Rm respectivamente. Seja T : Rn → Rm uma transformacao linear.Considere-se a matriz A = (aij)m×n = M(T ;Bnc ;Bmc ) ∈ Mm×n(R) cuja coluna j, para cadaj = 1, ..., n, e formada pelas coordenadas de T (ej) na base Bmc . Isto e,

T (ej) =m∑i=1

aije′i = a1j

10...0

+ ...+ amj

0...01

=

a1j...amj

.

Entao, tem-se, para todo o u ∈ Rn,T (u) = Au.

Dem. Seja u ∈ Rn. Entao, existem λ1, λ2, ..., λn ∈ R tais que

u = λ1e1 + λ2e2 + ...+ λnen =n∑j=1

λjej.

61

Uma vez que, para todo o j = 1, ..., n,

T (ej) =m∑i=1

aije′i,

tem-se

T (u) = T

(n∑j=1

λjej

)=

T e linear

n∑j=1

λjT (ej) =n∑j=1

λj

m∑i=1

aije′i =

m∑i=1

(n∑j=1

aijλj

)e′i =

=

(n∑j=1

a1jλj, ...,

n∑j=1

amjλj

)=

a11 · · · a1n

· · ·am1 · · · amn

λ1

...λn

= Au.

Exemplo 5.15 (i) Seja T : R4 → R3 definida por T (x, y, z, w) = (3x+ y− 2z, 0, x+ 4z). Te uma transformacao linear e a matriz M(T ;B4

c ;B3c ) que representa T em relacao as bases

canonicas (ordenadas) B4c e B3

c de R4 e R3 respectivamente, e dada por

M(T ;B4c ;B3

c ) =

3 1 −2 00 0 0 01 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) eT (0, 0, 0, 1) = (0, 0, 0). Tem-se entao:

T (x, y, z, w) = M(T ;B4c ;B3

c )

xyzw

.

(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 umatransformacao linear e a matriz M(D;S1;S2) que representa D em relacao as bases canonicasS1 e S2, e dada por

M(D;S1;S2) =

0 1 00 0 20 0 00 0 0

.

Teorema 5.16 Sejam U e V espacos lineares e T1, T2 : U → V transformacoes lineares.Seja B1 uma base de U , B2 uma base de V e λ um escalar. Entao Entao temos:

M(T1 +T2;B1;B2) = M(T1;B1;B2)+M(T2;B1;B2), M(λT1;B1;B2) = λM(T1;B1;B2).

Teorema 5.17 Sejam U, V e W espacos lineares de dimensoes finitas. Sejam S1,S2 e S3

bases de U, V e W respectivamente. Sejam T : U → V e S : V,→ W transformacoes lineares.Entao, tem-se

M(S ◦ T ;S1;S3) = M(S;S2;S3)M(T ;S1;S2).

62

Teorema 5.18 Seja V um espaco linear de dimensao finita. Seja T : V → V uma trans-formacao linear. Sejam S1 e S2 duas bases ordenadas de V . Seja M(T ;S1;S1) a matriz querepresenta 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→S2M(T ;S1;S1) (SS1→S2)−1 ,

onde SS1→S2 e a matriz de mudanca da base S1 para S2.Alem disso,

SS1→S2M(T ;S1;S1) = M(T ;S1;S2)

eM(T ;S2;S2)SS1→S2 = M(T ;S1;S2).

Isto e, o diagrama seguinte e comutativo.

(V,S1)M(T ;S1;S1)−→

T(V,S1)

SS1→S2 ↓ I I ↓ SS1→S2

(V,S2)T−→

M(T ;S2;S2)(V,S2)

Teorema 5.19 (Caso geral.) Sejam U e V dois espacos lineares de dimensoes finitas. SejaT : U → V uma transformacao linear. Sejam S1 e S ′1 duas bases ordenadas de U . Sejam S2

e S ′2 duas bases ordenadas de V . Seja M(T ;S1;S2) a matriz que representa T em relacao asbases S1 e S2.

Entao, a matriz M(T ;S ′1;S ′2) que representa T em relacao as bases S ′1 e S ′2, e dada por

M(T ;S ′1;S ′2) = SS2→S′2M(T ;S1;S2)(SS1→S′1

)−1,

onde SS2→S′2 e SS1→S′1 sao as matrizes de mudanca das bases S2 para S ′2 e de S1 para S ′1respectivamente.

Alem disso,SS2→S′2M(T ;S1;S2) = M(T ;S1;S ′2)

eM(T ;S ′1;S ′2)SS1→S′1 = M(T ;S1;S ′2).

Isto e, o diagrama seguinte e comutativo.

(U,S1)M(T ;S1;S2)−→

T(V,S2)

SS1→S′1 ↓ I I ↓ SS2→S′2(U,S ′1)

T−→M(T ;S′1;S′2)

(V,S ′2)

Observacao 5.20 As demonstracoes dos Teoremas 5.18 e 5.19 resultam do Teorema 5.17.

Exemplo 5.21 Seja T : R2 → R2 definida por T (x, y) = (y, x). T e uma transformacaolinear. A matriz M(T ;B2

c ;B2c ) que representa T em relacao a base canonica (ordenada) B2

c

de R2, e dada por

M(T ;B2c ;B2

c ) =

[0 11 0

].

63

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

M(T ;S;S) =

[1 00 −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).Vamos agora verificar que se tem

M(T ;S;S) = SB2c→SM(T ;B2

c ;B2c )(SB2

c→S)−1

.

Uma vez que (0, 1) = 12(1, 1) + 1

2(−1, 1) e (1, 0) = 1

2(1, 1)− 1

2(−1, 1), tem-se entao

SB2c→S =

[1/2 1/21/2 −1/2

].

Logo,

SB2c→SM(T ;B2

c ;B2c )(SB2

c→S)−1

=

[1/2 1/21/2 −1/2

] [0 11 0

] [1/2 1/21/2 −1/2

]−1

=

=

[1/2 1/2−1/2 1/2

] [1 11 −1

]=

=

[1 00 −1

]=

= M(T ;S;S).

Isto e,

M(T ;S;S) = SB2c→SM(T ;B2

c ;B2c )(SB2

c→S)−1

.

Alem disso,SB2

c→SM(T ;B2c ;B2

c ) = M(T ;B2c ;S)

eM(T ;S;S)SB2

c→S = M(T ;B2c ;S).

5.2 Transformacoes injectivas, sobrejectiva e bijectivas – equacoeslineares

Definicao 5.22 (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.

64

Definicao 5.23 Sejam U e V espacos lineares. Diz-se que U e V sao isomorfos se e so seexistir um isomorfismo entre U e V , isto e, se e so se existir uma transformacao linearbijectiva T : U → V .

Teorema 5.24 Sejam U e V dois espacos lineares de dimensoes finitas. U e V sao isomorfosse e so se dimU = dimV .

Observe que se B = {v1, ..., vn} e uma base de um espaco linear real V , entao T : V → Rn

definida por T (v) = vB e um isomorfismo. Assim, Pn ' Rn+1, Mm×n(R) ' Rmn.

Teorema 5.25 Sejam U e V espacos lineares de dimensoes finitas tais que dimU = dimV .Seja T : U → V uma transformacao linear. Entao, T e injectiva se e so se T e sobrejectiva.

Definicao 5.26 Sejam U e V espacos lineares e T : U → V uma transformacao linear. Seja0 o vector nulo de V .

(i) Chama-se contradomınio ou imagem de T ao conjunto

T (U) = {T (u) : u ∈ U} ,

que tambem se denota por I(T ).

(ii) Chama-se nucleo ou espaco nulo de T ao conjunto

N (T ) = {u ∈ U : T (u) = 0} .

Teorema 5.27 Sejam U e V espacos lineares e T : U → V uma transformacao linear.Entao, os conjuntos N (T ) e I(T ) sao subespacos de U e V respectivamente.

Exemplo 5.28 Sejam U e V espacos lineares. Sejam 0 e 0′ os vectores nulos de U e Vrespectivamente.

(i) Considere a transformacao nula O : U → V definida por

O(u) = 0′,

para todo o u ∈ U . Tem-seN (O) = U e I(O) = {0′} .

(ii) Considere a transformacao identidade I : U → U definida por

I(u) = u,

para todo o u ∈ U . Tem-seN (I) = {0} e I(I) = U .

65

Exemplo 5.29 Seja A ∈Mm×n(R). Seja

T : Rn → Rm

definida porT (u) = Au,

para todo o u ∈ Rn. Tem-se

N (T ) = N (A) e I(T ) = C(A).

Definicao 5.30 Sejam U e V espacos lineares e T : U → V uma transformacao linear.

(i) Chama-se caracterıstica de T a dimensao de I(T ), isto e,

carT = dim I(T ).

(ii) Chama-se nulidade de T a dimensao de N (T ), isto e,

nulT = dimN (T ).

Teorema 5.31 Sejam U um espaco linear de dimensao finita e T uma transformacao lineardefinida em U . Entao, o subespaco I(T ) tem dimensao finita e

dimN (T ) + dim I(T ) = dimU .

Teorema 5.32 Sejam T : Rn → Rm uma transformacao linear. Sejam Bnc e Bmc as basescanonicas (ordenadas) de Rn e Rm respectivamente. Seja A = M(T ;Bnc ;Bmc ) ∈ Mm×n(R) amatriz que representa T em relacao as bases Bnc e Bmc . Tem-se entao:

(i) dimN (T ) = nulA;

(ii) dim I(T ) = carA;

(iii) T e injectiva se e so se nulA = 0, isto e, se e so se carA = n;

(iv) T e sobrejectiva se e so se carA = m.

Teorema 5.33 Seja T : U → V uma transformacao linear entre dois espacos lineares U e Vde dimensao finita. Seja ainda B1 uma base de U e B2 uma base de V e A = M(T ;B1;B2).Entao:

1. N (T ) = T (U) = {u ∈ U : uB1 ∈ N (A)}, onde uB1 designa as coordenadas de u nabase B1.

2. I(U) = {v ∈ V : vB2 ∈ C(A)}, onde vB2 designa as coordenadas de v na base B2.

66

Exemplo 5.34 Considere a transformacao linear T : R3 → R4 tal que a sua representacaomatricial nas bases ordenadas B1 = {(1, 2, 0), (3, 2, 1), (2, 1, 0)} eB2={(1, 1, 1, 1), (0, 1, 1, 1), (0, 0, 2, 3), (0, 0, 0, 4)} de R4 e R3, respectivamente e

M(T ;B1;B2) =

1 5 92 6 103 11 194 16 28

.(a) Verifique se T e injectiva ou sobrejectiva.(b) Determine uma base para o nucleo de T .(c) Determine uma base pata o contradomınio de T .

Resolucao: Ora aplicando o metodo de eliminacao de Gauss, temos:

A :=

1 5 92 6 103 11 194 16 28

→

1 5 90 1 20 0 00 0 0

.E portanto car(A) = 2 e dim(N (A)) = 1. Logo T nao e injectiva pois N (A) 6= 0; e tambemnao e sobrejectiva, pois dim(I(T )) = 2 6= dim(R4).

Alem disso {(1,−2, 1} e uma base de N (A) e {(1, 2, 3, 4), (5, 6, 11, 16)} e uma base paraC(A). Como 1(1, 2, 0)− 2(3, 2, 1) + 1(2, 1, 0) = (−3,−1,−2) concluimos que {(−3,−1,−2)}e uma base de N (T ). Finalmente como

1(1, 1, 1, 1) + 2(0, 1, 1, 1) + 3(0, 0, 2, 3) + 4(0, 0, 0, 4) = (1, 3, 9, 28),

5(1, 1, 1, 1) + 6(0, 1, 1, 1) + 11(0, 0, 2, 3) + 16(0, 0, 0, 4) = (5, 11, 33, 108),

concluımos que {(1, 3, 9, 28), (5, 11, 33, 108)} e uma base para o contrdomınio de T , isto eI(T ).

Definicao 5.35 Diz-se que T : U → V e invertıvel 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 ainversa de T e escreve-se

S = T−1.

Teorema 5.36 Sejam U e V espacos lineares de dimensoes finitas. Seja T : U → V umatransformacao linear. Seja 0 o vector nulo de U . As seguintes afirmacoes sao equivalentes.

(i) T e injectiva.

(ii) T e invertıvel e a inversa T−1 : T (U)→ U e linear.

(iii) N (T ) = {0}.

(iv) dimU = dimT (U).

(v) T transforma vectores linearmente independentes de U em vectores linearmente in-dependentes de V .

(vi) T transforma bases de U em bases de T (U).

67

Teorema 5.37 Sejam U e V dois espacos lineares de dimensoes finitas. Seja T : U → Vuma transformacao linear. Sejam B1 e B2 duas bases ordenadas de U e V respectivamente.Seja A = M(T ;B1;B2) a matriz que representa T em relacao as bases B1 e B2.

Se V = T (U) entao T e invertıvel se e so se A for uma matriz quadrada nao singular.Tem-se entao

A−1 = M(T−1;B2;B1),

isto e, A−1 sera a matriz que representa T−1 em relacao as bases S2 e S1.

Teorema 5.38 Seja B = {v1, .., vn} uma base ordenada de uma espaco linear V de dimensaofinita (sobre R). Dado u ∈ V sejam (λ1, ..., λn) as coordenadas de u na base B (isto eu = λ1v1 + ....+ λnvn). Entao

T : V → Rn

tal que T (U) = (λ1, .., λn) e uma transformacao linear bijectiva.

Definicao 5.39 Seja T : U → V uma transformacao linear e b ∈ V fixo. A equacaoT (u) = b designa-se por equacao linear associada a T e a b. Resolver a equacao linearT (u) = b e descrever o conjunto de todos of vectores u ∈ U (caso existam) tais que T (u) = b.

Teorema 5.40 Sejam U e V espacos lineares. Seja T : U → V uma transformacao linear.Seja b ∈ V . Entao:

(i) Existencia de solucao: a equacao linear T (u) = b tem pelo menos uma solucao use e so se b ∈ T (U);

(ii) Unicidade de solucao: a equacao linear T (u) = b tem no maximo uma solucao use e so se T for injectiva;

(iii) Existencia e unicidade de solucao: equacao linear T (u) = b tem solucao unicau se e so se b ∈ T (U) e T for injectiva.

Teorema 5.41 Sejam U e V espacos lineares. Seja T : U → V uma transformacao linear.Seja b ∈ V . A conjunto solucao S da equacao linear T (u) = b obtem-se somando a umasolucao particular u0 dessa equacao linear ao conjunto soluca S0 da equacao linear homogeneoT (u) = 0, isto e

S = u0 + S0.

68

5.3 Valores e vectores proprios de transformacoes lineares

Definicao 5.42 Seja V espaco linear e T : V → V uma transformacao linear. Diz-se queum escalar λ e um valor proprio de T se existir um vector nao nulo u ∈ V tal que

T (u) = λu.

Aos vectores nao nulos u que satisfazem a equacao anterior chamam-se vectores propriosassociados ao valor proprio λ. Dado um valor proprio λ de T , o conjunto

Eλ = {u ∈ V : T (u) = λu}

e um subespaco linear de V . Chama-se a Eλ o subespaco proprio de T associado ao valorproprio λ.

Teorema 5.43 Sejam V um espaco linear e 0 o vector nulo de V . Seja T : V → V umatransformacao linear.

(i) Um escalar λ e um valor proprio de T se e so se N (T −λI) 6= {0}. Sendo λ um valorproprio de T , o subespaco proprio de T , associado ao valor proprio λ, e dado por

Eλ = N (T − λI).

(ii) Se o espaco linear V tiver dimensaao finita e se A = M(T ;B,B) for uma matriz querepresenta T em relacao a uma base B de V , entao um escalar λ e um valor proprio de T see so se esse escalar λ for solucao da equacao

det(A− λI) = 0,

i.e. λ for valor proprio de A.

Observacao 5.44 Se A = M(T ;B,B) representa uma transformacao linear T : V → Vna base B, entao T diz-se diagonalizavel se A o for. Neste caso, sendo Bvp a base de Vconstituıda por vectores proprios de T , entao:

D = PAP−1

onde P−1 = SBvp →B, e D = M(T ;Bvp, Bvp) e a matriz diagonal cujas entradas da diagonalsao os valores proprios de A (iguais aos de T ).

5.4 Exercıcios

E5.1 Considere as transformacoes P : R3 → R2 e T : R3 → R3 definidas como se segue:

P ((x, y, z)) = (x+ y, x+ y + 2z), T ((x, y, z)) = (x+ y, x+ y + 2z, 2x+ 2y + 4z),

e os vectores u = (1, 2, 3) e v = (−1, 0, 1).(a) Calcule P (u), P (v), P (u+ v), P (u) + P (v), P (3u) e 3P (u).(b) Calcule T (u), T (v), T (u+ v), T (u) + T (v), T (3u) e 3T (u).

69

E5.2 Considere a transformacao linear T : P2 → P2 tal que T (p)(t) = p′(t)+p(t) e considereos polinomios p1(t) = 1, p2(t) = x, p3(t) = x2 e p4 = 1 + 2t+ 3t2.Calcule T (p1), T (p2), T (p3), T (p4) e T (p1 + 2p2 + 3p3).

E5.3 Sejam E e F espacos lineares e T : E → F uma transformacao linear. Prove que entaoT transforma o vector nulo 0E de E no vector nulo 0F de F , i.e. T (0E) = 0F .

E5.4 Determine quais das seguintes transformacoes sao lineares:Em Rn:(a) T : R2 → R2, T (x, y) = (x, y)(b) T : R2 → R2, T (x, y) = (x+ 1, y)(c) T : R2 → R2, T (x, y) = (2x, y2)(d) T : R3 → R3, T (x, y, z) = (x+ 2y + z, y − 3z, 0)(e) T : R2 → R3, T (x, y) = (x, 2x+ 3y, x+ y)(f) T : R2 → R3, T (x, y) = (x, 2x+ 3y, 1)

Em Pn na varavel t e onde p′ designa a derivada de p:(g) T : P2 → P2, T (p(t)) = tp′(t) + p(t)(h) T : P2 → P3, T (p(t)) = t2p′(t) + p(t+ 1)(i) T : P2 → P2, T (p(t)) = p(t+ 1) + p(t− 1)(j) T : P2 → P3, T (p(t)) = p(−1) + p(0) + p(1)(l) T : P3 → P2, T (p(t)) = p(0)p′(t)

Em Mn×n(R):

(m) T :M2×2(R)→M2×2(R), T([ a b

c d

])=

[b+ 2c 03c+ a d− a

](n) T :Mn×n(R)→Mn×n(R), T (X) = X +X t

(o) T :Mn×n(R)→Mn×n(R), T (X) = SX onde S e uma matriz fixa

(p) T : P2 →M2×2(R), T (p) =

[p(−1) p(0)p(0) p(1)

].

E5.5 Considere a transformacao linear T : R2 → R2 tal que T (1, 1) = (3, 3) e T (1,−1) =(1,−1). Calcule T (1, 0) e T (0, 1) e determine a expressao geral T (x, y).

Representacao matricial de transformacoes lineares

E5.6 Considere a transformacao linear T : R2 → R2 tal que T (x, y) = (2x−y,−x+3y). Emcada alınea, determine a representacao matricial M(T ;B,B) na base ordenada B = {v1, v2}:(a) v1 = (1, 0), v2 = (0, 1)(b) v1 = (2, 0), v2 = (0, 2)(c) v1 = (0, 1), v2 = (1, 0)(d) v1 = (1, 1), v2 = (1,−1).

E5.7 Considere a transformacao linear T : R3 → R3 tal que T (x, y, z) = (x+ y, x+ z, z+ y).Em cada alınea, determine a representacao matricial M(T ;B,B) na base ordenada B ={v1, v2, v3}:(a) v1 = (1, 0, 0), v2 = (0, 1, 0), v3 = (0, 0, 1)(b) v1 = (0, 3, 0), v2 = (0, 0, 3), v3 = (3, 0, 0)(a) v1 = (1, 0, 0), v2 = (1, 1, 0), v3 = (1, 1, 1)

70

E5.8 Considere a transformacao linear T : R3 → R2 tal que T (x, y, z) = (2x + y, z + 3y).Em cada alınea, determine a representacao matricial M(T ;B1, B2) nas bases ordenadasB2 = {v1, v2, v3} no espaco de partida e B2 = {w1, w2} no espaco de chegada:(a) v1 = (1, 0, 0), v2 = (0, 1, 0), v3 = (0, 0, 1), w1 = (1, 0), w2 = (0, 1).(b) v1 = (1, 0, 0), v2 = (1, 1, 0), v3 = (1, 1, 1), w1 = (1, 0), w2 = (0, 1).(c) v1 = (1, 0, 0), v2 = (1, 1, 0), v3 = (1, 1, 1), w1 = (1, 1), w2 = (0, 1)

E5.9 Seja T : R2 → R2 a transformacao linear que na base canonica e representada pela

matriz A =

[1 22 1

]. Calcule mediante uma matriz mudanca de base apropriada:

(a) A representacao matricial de T na base v1 = (3, 0), v2 = (0, 3).(b) A representacao matricial de T na base v1 = (1, 1), v2 = (1, 2).

E5.10 Seja T : R2 → R2 a transformacao linear que na base B = {(1, 1), (1, 2)} e represen-

tada pela matriz A =

[3 21 2

]. Calcule T (x, y).

E5.11 (Rotacoes – ver Problema 4.12) Para cada real θ ∈ [0, 2π[, seja Rθ : R2 → R2 tal que

Rθ(x, y) = (x cos(θ)− y sin(θ), y cos(θ) + x sin(θ)).

(a) Prove que Rθ e uma transformacao linear. Determine Aθ := M(Rθ;Bc) e verifique queA−1θ = A−θ.

(b) Verifique que Rθ ◦Rϕ = Rθ+ϕ.(c) Sendo Rθ : R3 → R3 uma rotacao de um angulo θ em R3, verifique se existe uma base Bde R3 tal que

M(Rθ;B;B) =

1 0 00 cos(θ) − sin(θ)0 sin(θ) cos(θ)

.E5.12 (Reflexoes) Para cada real θ ∈ [0, π[, seja Fθ : R2 → R2 a reflexao da recta que passana origem e forma um angulo de θ com o eixo y = 0. Prove que a representacao matricialde Fθ relativamente a base canonica e[

cos(2θ) sin(2θ)sin(2θ) − cos(2θ)

]E5.13 (Projeccoes) Para cada real θ, seja Pθ : R2 → R2 a projeccao sobre a recta que passana origem e forma um angulo de θ com o eixo y = 0. Prove que a representacao matricialde Pθ relativamente a base canonica e[

cos2(2θ) sin(θ) cos(θ)sin(θ) cos(θ) sin2(θ)

]E5.14 (Contracao/Dilatacao, Compressao/Expansao, Deslizamento) Para cada α real con-sidere as transformacoes lineares que na base canonica sao representadas pelas matrizes:[

α 00 α

],

[α 00 1

],

[1 α0 1

].

sendo X = {(x, y) ∈ R2 : 0 ≤ x, y ≤ 1}, calcule a imagem de X por cada uma dessastransformacoes.

71

Transformacoes lineares injectivas/sobrejectivas. Equacoes lineares

E5.15 Seja T : R3 → R3 a transformacao linear definida como se segue:

T ((x, y, z)) = (x, y + 2z, y + 2z)

(a) Calcule T ((1, 1, 1)) e T ((1,−3, 3)) e verifique se T e injectiva.(b) Verifique que nao existe um vector u tal que T (u) = (0, 0, 1). Conclua que T nao esobrejectiva.

E5.16 Seja T : R3 → R2 a transformacao linear definida por

T (x, y, z) = (x+ y, x+ y − z).

(a) Calcule a matriz que representa T nas bases canonicas.(b) Calcule uma base para o nucleo de T . A transformacao e injectiva?(c) Calcule uma base para a imagem de T . Sera T sobrejectiva?(d) Resolva a equacao linear T (x, y, z) = (1, 1).(e) Existe algum (a, b) ∈ R2 tal que a equacao T (x, y, z) = (a, b) seja impossıvel?(f) Existe algum (a, b) ∈ R2 tal que a equacao T (x, y, z) = (a, b) seja indeterminada?

E5.17 Seja T : R3 → R4 a transformacao linear definida por T (x, y, z) = (x + 2y, x −y, x, x− z).(a) Represente T matricialmente nas bases canonicas.(b) Sera T sobrejectiva ou injectiva?(c) Determine um vector v ∈ R4 tal que T (u) = v nao tenha solucao.

E5.18 Seja T : R3 → R3 a transformacao linear definida por

T (x, y, z) = (x+ y + z, 2x+ 2y + 2z,−x− y − z).

(a) Encontre a representac ao matricial de T numa bse de R3 a sua escolha.(b) Justifique que T nao e injectiva, nem sobrejectiva.(c) Resolva, em R3, a equacao linear T (x, y, z) = (3, 3, 3).

E5.19 Considere a transformacao linear T : R3 → R4 tal que a sua representacao matricialnas bases ordenadas B1 = {(1, 2, 0), (3, 2, 1), (2, 1, 0)} eB2 = {(1, 1, 1, 1), (0, 1, 1, 1), (0, 0, 2, 3), (0, 0, 0, 4)} de R4 e R3, respectivamente e

M(T ;B1;B2) =

1 5 92 6 103 11 194 16 28

.(a) Verifique se T e injectiva ou sobrejectiva.(b) Determine uma base para o nucleo de T .(c) Determine uma base pata o contradomınio de T .(d) Resolva, em R3, a equacao linear T (x, y, z) = (5, 11, 33, 108).

E5.20 Seja T : R3 → R4 a transformacao linear definida no Problema 5.19.(a) Verifique que T (1, 2, 0) = (1, 3, 28), T (3, 2, 1) = (5, 11, 33, 108) e T (2, 1, 0) = (9, 19, 57, 188).(b) Prove que T (x, y, z) = (17

3x− 7

3y− 22

3z, 35

3x− 13

3y− 46

3z, 35x−13y−46z, 116x−44y−152z).

72

E5.21 Seja T : P2 → P2 a transformacao linear definida por

T (p(t)) = t2p′′(t)− 2p(t).

(a) Calcule a matriz que representa T na base canonica de P2.(b) Calcule uma base para o nucleo de T e uma base para o contradomınio de T . Concluaque T nao e injectiva nem sobrejectiva.


T (p(t)) = p′(t)− 2p(t),

onde p′ designa a derivada de p.(a) Determine a expressao geral de T .(b) Determine a representacao matricial de T na base canonica de P2.(c) Justifique que T e bijectiva e verifique que

T−1(p(t)) = −1

2p(t)− 1

4p′(t)− 1

8p′′(t).

(d) Resolva, em P2, a equacao linear T (p(t)) = 1 + t.

E5.23 Considere a transformacao linear T : P2 → P2 tal que T (p) = p′. Resolva a equacaolinear T (p) = q, onde q(t) = 1 + t.


T (p(t)) = t2p′′(t)− 2p(t).

(a) Calcule a matriz que representa T na base canonica {p1, p2, p3}.(b) Resolva, em P2, a equacao linear t2p′′(t)− 2p(t) = 1.

E5.25 Seja S =

[1 22 1

]e a transformacao T :M2×2(R)→M2×2(R) dada por

T (X) = tr(X)S

onde tr(X) designa o traco da matriz X.(a) Prove que T e uma transformacao linear.

(b) Considere a base canonica Bc = {[

1 00 0

],

[0 10 0

],

[0 01 0

],

[0 00 1

]} deM2×2(R).

Calcule a matriz que representa T nesta base.(c) Encontre uma base para o nucleo de T e verifique se T e injectiva.(d) Encontre uma base para a imagem de T e verifique se T e sobrejectiva.(e) Encontre os valores e vectores proprios de T .(f) Verifique se T e diagonalizavel.

(g) Resolva a equacao linear T (X) =

[−1 −2−2 −1

].

73

Valores e vectores proprios de transformacoes lineares

E5.26 Considere a transformacao linear T : R2 → R2 definida por

T (x, y) = (2x+ y, 2y).

(a) Determine a representacao matricial de T da base canonica de R2.(b) Determine os valores proprios e os subespacos proprios de T .(c) Mostre que nao existe nenhuma base de R2 constituida por vectores proprios de T .

E5.27 Considere a transformacao linear T : R3 → R3 definida por

T (x, y, z) = (y + z, 2y + z, y + 2z).

(a) Determine o polinomio caracterıstico de T .(b) Determine os valores proprios e bases dos subespacos proprios de T .(c) Determine uma base de R3 constituıda por vectores proprios de T . Qual e a matriz querepresenta T nesta base?(d) Seja A = M(T,Bc,Bc) a matriz que representa T na base canonica de R3. Diagonalizea matriz A. Isto e, determine uma matriz de mudanca de base P−1 e uma matriz diagonalD tais que D = PAP−1.(e) Determine An e T n(x, y, z).

E5.28 Considere a transformacao linear T : R3 → R3 que em relacao a base ordenadaB = {(0, 1, 0), (1, 0,−1), (1, 0, 1)} e representada pela matriz: 7 4 2

1 7 −1−1 2 10

.(a) Verifique que p(λ) = −(λ− 6)(λ− 9)2 e o polinomio caracterıstico de T .(b) Determine os valores proprios e bases dos subespacos proprios de T .(c) Determine uma base de R3 constituıda por vectores proprios de T . Qual e a matriz querepresenta T nesta base?(d) Diagonalize a matriz A, isto e, determine uma matriz de mudanca de base P−1 e umamatriz diagonal D tais que D = PAP−1.(e) Determine An e T n(x, y, z).

E5.29 Considere a transformacao linear T : M2×2(R) → M2×2(R) definida por T (A) =A+ AT .(a) Determina a representacao matricial de T numa base de M2×2(R) a sua escolha.(b) Determine os valores proprios e os vectores proprios de T .(c) Verifique se T e diagonalizavel. Em caso afirmativo, indique uma base ordenada deM2×2(R) em elacao a qual a representacao matricial de T e uma matriz diagonal.

E5.30 Considere13 a transformacao linear T : P2 → P2 que na base ordenada {1, 1+t, t−t2}e representada pela matriz

A =

0 0 00 0 110 −4 4

.(a) Determine os valores e vectores proprios de T .(b) Diga, justificando, se existe alguma base de P2 cuja representacao matricial de T e umamatriz diagonal.

13Confronte este Problema com o Problema 4.7

74

E5.31 Seja T : P2 → P2 a aplicacao definida como se segue T (p(t)) = p(t+ 1).

I) T nao e uma transformacao linear.

II) p(x) = 1 + t+ t2 e uma solucao da equacao linear T (p(t)) = 3 + 3t+ t2.

III) A transformacao linear T e bijectiva.

IV) O polinomio p(t) = 5 e um vector proprio de T .

A lista completa de afirmacoes correctas eA) I B) II C) III D) II e III e IV

E5.32 Considere a transformacao linear T1 : P2 → P1 cuja representacao matricial emrelacao as bases ordenadas B1 = {1 + t, 1− t, t2} de P2 e B2 = {1 + t, 1 + 2t} de P1, e dadapela matriz:

M(T1;B1;B2) =

[1 2 00 −1 1

].

Considere ainda a transformacao linear T2 : P1 → P2 tal que

T2(1) = 1− t T2(t) = 2 + 8t− 2t2.

a) Determine a matriz M(T2;B;B1) que representa T2 em relacao as bases ordenadas B ={1, t} de P1 e B1 = {1 + t, 1− t, t2} de P2.

b) Determine uma base para N (T1) (nucleo de T1) e diga, justificando, se T1 e sobrejectiva.

c) Determine T1(t) e encontre, em P2, a solucao geral da equacao T1(p (t)) = t.

d) Verifique se 1 e o unico valor proprio de T1 ◦ T2.

E5.33 Seja C∞(R) o espao linear das funcoes reais de variavel real infinitamente difer-enciaveis e V = L({f1, f2, f3}) os subespaco linear de C∞(R) gerado pelas funcoes f1(t) =sin(t), f3(t) = cos(t), f3(t) = et. Seja D : C∞(R) → C∞(R) tal que D(f) = f ′ onde f ′designa a derivada def .(a) Determine o nucleo de D. Sera a transformacao linear D injectiva?(b) Prove que D(V ) ⊆ V .(c) Determine uma base para V .(d) Resolva em V a equacao linear D(f) = sin(t) + et.

E5.34 Seja V um espa co linear de dimensao finita e T : V → V um indempotente (trans-formacao linear tal que T 2 = T ).(a) Mostre que I −T tambem e um idempotente e que 2T − I e invertıvel com (2T − I)−1 =2T − I.(b) Mostre que N (T ) = I(I − T ).(c) Mostre que V = N (T )⊕ I(T ).

75

6 Produtos Internos

Definicao 6.1 Sejam V um espaco linear real e 0 o vector nulo de V . Chama-se produtointerno em V a aplicacao

〈, 〉 : V × V → R

(u, v) → 〈u, v〉que verifique as tres condicoes seguintes.

(i) Simetria: para todos os u, v ∈ V

〈u, v〉 = 〈v, u〉 .

(ii) Linearidade: para todo o v ∈ V (fixo) a aplicacao

V → R

u→ 〈u, v〉e linear.

(iii) Positividade: para todo o u ∈ V tal que u 6= 0,

〈u, u〉 > 0.

Observacao 6.2 Se V e uma espaco linear complexo, entao 〈, 〉 : V ×V → C e um produtointerno se, os axiomas de definicao anterior forem satisfeitos, com excepcao ao simetria quee substituindo por:

〈u, v〉 = 〈v, u〉.onde 〈v, u〉 designa o complexo conjugado de 〈v, u〉.

Definicao 6.3 Chama-se espaco euclidiano a um espaco linear com um produto interno.

Observacao 6.4 Seja V um espaco euclidiano real. Seja S = {w1, w2, ..., wn} uma base deV . Sejam u, v ∈ V . Sejam

α1, α2, ..., αn e β1, β2, ..., βn

as coordenadas de u e de v na base S respectivamente, isto e,

u = α1w1 + α2w2 + ...+ αnwn =n∑i=1

αiwi e v = β1w1 + β2w2 + ...+ βnwn =n∑i=1

βiwi.

Logo,

〈u, v〉 =

⟨n∑i=1

αiwi,n∑i=1

βiwi

⟩=

n∑i=1

n∑j=1

αiβj 〈wi, wj〉 =

=[α1 α2 . . . αn

]〈w1, w1〉〈w1, w2〉 . . . 〈w1, wn〉〈w2, w1〉〈w2, w2〉 . . . 〈w2, wn〉

......

...〈wn, w1〉〈wn, w2〉 . . . 〈wn, wn〉

β1

β2...βn

.

76

Isto e, existe uma matriz simetrica e definida positiva (todos os seus valores proprios saopositivos):

A =

〈w1, w1〉〈w1, w2〉 . . . 〈w1, wn〉〈w2, w1〉〈w2, w2〉 . . . 〈w2, wn〉

......

...〈wn, w1〉〈wn, w2〉 . . . 〈wn, wn〉

tal que 〈u, v〉 =[α1 α2 . . . αn

]A

β1

β2...βn

.

Teorema 6.5 14 Seja V um espaco linear real com dimV = n. Seja {w1, w2, ..., wn} umabase de V . Entao, uma aplicacao

〈, 〉 : V × V → R

e um produto interno (em V ) se e so se

〈u, v〉 =[α1 α2 . . . αn

]A

β1

β2...βn

,

comu = α1w1 + α2w2 + ...+ αnwn, v = β1w1 + β2w2 + ...+ βnwn

e A e uma matriz simetrica cujos valores proprios sao todos positivos. Se a aplicacao 〈, 〉 forum produto interno tem-se

A =

〈w1, w1〉〈w1, w2〉 . . . 〈w1, wn〉〈w2, w1〉〈w2, w2〉 . . . 〈w2, wn〉

......

...〈wn, w1〉〈wn, w2〉 . . . 〈wn, wn〉

.

Observacao 6.6 i) No caso complexo, tambem podemos encontrar uma matriz A com en-tradas complexas tal que

〈u, v〉 =[α1 α2 . . . αn

]A

β1

β2...

βn

com os valores proprios de A todos positivos e A = A

T, onde A e a matriz que se obtem de

A passando todas as entradas de A ao complexo conjugado.ii) O sinal dos valores proprios da matriz A e fulcral no estudo da Seccao 7.1.

Exemplo 6.7 (i) Seja 〈, 〉 : R2 × R2 → R a aplicacao definida por:

〈(α1, α2) , (β1, β2)〉 = α1β1 + α2β2,

14A prova deste resultado sera feitas nas aulas teoricas quando for lecionado a a Seccao 6.3

77

com (α1, α2) , (β1, β2) ∈ R2. Esta aplicacao e um produto interno em R2 a que se da o nomede produto interno usual em R2, uma vez que

〈(α1, α2) , (β1, β2)〉 = α1β1 + α2β2 =[α1 α2

]A

[β1

β2

]com

A =

[1 00 1

].

A matriz A e simetrica e o unico valor proprio de A e 1 > 0.

(ii) Seja 〈, 〉 : R2 × R2 → R a aplicacao definida por:

〈(α1, α2) , (β1, β2)〉 = −2α1β1 + 3α2β2,

com (α1, α2) , (β1, β2) ∈ R2. Esta aplicacao nao e um produto interno em R2, uma vez que

〈(α1, α2) , (β1, β2)〉 = −2α1β1 + 3α2β2 =[α1 α2

]A

[β1

β2

]com

A =

[−2 00 3

].

A matriz A e simetrica, no entanto, os valores proprios de A: −2 e 3 nao sao ambos positivos.

Exemplo 6.8 R2 com um produto interno nao usual. Seja 〈, 〉 : R2 × R2 → R aaplicacao definida por:

〈(α1, α2) , (β1, β2)〉 = 2α1β1 + α1β2 + α2β1 + α2β2,

com (α1, α2) , (β1, β2) ∈ R2.E facil ver que esta aplicacao e simetrica e linear em relacao a (α1, α2) (fixando (β1, β2)).

Vejamos por exemplo que a condicao

〈(α1, α2) , (α1, α2)〉 > 0, para todo o (α1, α2) 6= (0, 0),

e satisfeita.Atendendo a que

〈(α1, α2) , (α1, α2)〉 = 2α21 + 2α1α2 + α2

2 = α21 + (α1 + α2)2 ,

tem-se

〈(α1, α2) , (α1, α2)〉 = 0⇔ (α1 = 0 e α1 + α2 = 0)⇔ (α1 = 0 e α2 = 0)⇔ (α1, α2) = (0, 0).

Em alternativa, podemos escrever

〈(α1, α2) , (β1, β2)〉 = 2α1β1 + α1β2 + α2β1 + α2β2 =[α1 α2

]A

[β1

β2

]com

A =

[2 11 1

].

A matriz A e simetrica e os valores proprios de A: 3+√

52

e 3−√

52

sao ambos positivos.

78

Definicao 6.9 Sejam V um espaco euclidiano e 0 o vector nulo de V . Sejam u, v ∈ V .

(i) Chama-se norma de u a:

‖u‖ =√〈u, u〉.

(ii) Chama-se projeccao ortogonal de v sobre u 6= 0 a:

proju v =〈v, u〉‖u‖2 u.

(iii) Diz-se que u e v sao ortogonais se 〈u, v〉 = 0.

(iv) Chama-se angulo entre dois vectores nao nulos u e v a:

θ = arccos〈u, v〉‖u‖ ‖v‖

.

Observacao 6.10 O angulo θ entre dois vectores nao nulos u e v e π2

se e so se u e v saoortogonais.

Teorema 6.11 Desigualdade de Cauchy-Schwarz. Seja V um espaco euclidiano. Entao,para todos os u, v ∈ V ,

|〈u, v〉| ≤ ‖u‖ ‖v‖

Observacao 6.12 (i) Teorema de Pitagoras. Sejam u, v ∈ R2. Tem-se u e v ortogonaisse e so se

‖u− v‖2 = ‖u‖2 + ‖v‖2 .

Dem.

‖u− v‖2 = 〈u− v, u− v〉 = 〈u, u〉 − 〈v, u〉 − 〈u, v〉+ 〈v, v〉 =

= ‖u‖2 − 2 〈u, v〉+ ‖v‖2 = ‖u‖2 + ‖v‖2

se e so se〈u, v〉 = 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

|α1β1 + α2β2| ≤√α2

1 + α22

√β2

1 + β22,

uma vez que〈(α1, α2) , (β1, β2)〉 = α1β1 + α2β2,

com (α1, α2) , (β1, β2) ∈ R2.

79

(iii) Em Rn com o produto interno usual, a desigualdade de Cauchy-Schwarz e dada por∣∣∣∣∣n∑i=1

αiβi

∣∣∣∣∣ ≤√√√√ n∑

i=1

α2i

√√√√ n∑i=1

β2i ,

uma vez que〈(α1, ..., αn) , (β1, ..., βn)〉 = α1β1 + ...+ αnβn,

com (α1, ..., αn) , (β1, ..., βn) ∈ Rn.

Teorema 6.13 Sejam V um espaco euclidiano e 0 o vector nulo de V . Sejam u.v ∈ V eλ ∈ R. A norma satisfaz as seguintes propriedades.

(i) Positividade: ‖u‖ > 0 se u 6= 0.

(ii) Homogeneidade: ‖λu‖ = |λ| ‖u‖

(iii) Desigualdade triangular: ‖u+ v‖ ≤ ‖u‖+ ‖v‖

Observacao 6.14 Pode definir-se norma num espaco linear V , sem estar associada a qual-quer produto interno, como sendo uma aplicacao de V em R que satisfaz as propriedades doteorema anterior. A um espaco linear com uma norma chama-se espaco normado.

Observacao 6.15 Seja V um espaco euclidiano. Sejam u, v ∈ V . Tem-se

〈u, v〉 =1

2

(‖u+ v‖2 − ‖u‖2 − ‖v‖2) .

Observacao 6.16 Seja V um espaco linear real normado. Sejam u, v ∈ V . Entao, a normapode ser obtida de um produto interno na forma

‖u‖ =√〈u, u〉

se e so se‖u− v‖2 + ‖u+ v‖2 = 2 ‖u‖2 + 2 ‖v‖2 .

Esta ultima equacao e conhecida por lei do paralelogramo.

80

6.1 Bases ortogonais

Definicao 6.17 Sejam V um espaco euclidiano e S ⊂ V . Diz-se que S e ortogonal se paratodos os u, v ∈ S com u 6= v,

〈u, v〉 = 0.

Diz-se que S e ortonormado se for ortogonal e para todo o u ∈ S,

‖u‖ = 1.

Teorema 6.18 Sejam V um espaco euclidiano e S ⊂ V . Seja 0 o vector nulo de V . Se S eortogonal e 0 /∈ S entao S e linearmente independente. Em particular, se n = dimV entaoqualquer conjunto S ortogonal de n vectores nao nulos e uma base de V .

Teorema 6.19 Seja V um espaco euclidiano com dimV = n. Seja S = {u1, ..., un} umabase ortogonal de V . Entao, as coordenadas de um vector v ∈ V em relacao a base S saodadas por:

αj =〈v, uj〉〈uj, uj〉

,

com j = 1, ..., n. Isto e:

v =〈v, u1〉〈u1, u1〉

u1 +〈v, u2〉〈u2, u2〉

u2 + ...+〈v, un〉〈un, un〉

un.

Teorema 6.20 Seja V um espaco euclidiano real com dimV = n. Seja S = {w1, ..., wn}uma base ortonormada de V . Entao, para todos os u, v ∈ V ,

〈u, v〉 =n∑i=1

〈u,wi〉〈v, wi〉 (formula de Parseval) e tem-se ‖u‖ =

√√√√ n∑i=1

〈u,wi〉2.

Observacao 6.21 Seja V um espaco euclidiano real com dimV = n. Seja S = {w1, ..., wn}uma base ortonormada de V . Sejam u, v ∈ V , com

u = α1w1 + α2w2 + ...+ αnwn, v = β1w1 + β2w2 + ...+ βnwn.

Entao, atendendo ao teorema 6.19, a formula de Parseval e dada por:

〈u, v〉 =n∑i=1

αiβi = α1β1 + α2β2 + ...+ αnβn e tem-se ‖u‖ =

√√√√ n∑i=1

α2i .

Notacao 6.22 Sejam V um espaco euclidiano e 0 o vector nulo de V . Para qualquer v ∈ V ,com v 6= 0, o vector 1

‖v‖v sera denotado por v‖v‖ .

81

Teorema 6.23 Metodo de ortogonalizacao de Gram-Schmidt15. Seja V um espacoeuclidiano. Considere o conjunto linearmente independente:

{v1, v2, ..., vk} ⊂ V .

Sejam

u1 = v1,

u2 = v2 − proju1v2 = v2 −

〈v2, u1〉〈u1, u1〉

u1,

u3 = v3 − proju2v3 − proju1

v3 = v3 −〈v3, u1〉〈u2, u1〉

u1 −〈v3, u2〉〈u2, u2〉

u2

...

uk = vk − proju1vk − ...− projuk−1

vk.

Entao:

(i) L({u1, u2, ..., uk}) = L({v1, v2, ..., vk})

(ii) O conjunto {u1, u2, ..., uk} e uma base ortogonal de L({v1, v2, ..., vk}).

(iii) O conjunto

{u1

‖u1‖,u2

‖u2‖, ...,

uk‖uk‖

}e uma base ortonormada de L({v1, v2, ..., vk}).

Exemplo 6.24 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 de U e uma base ortonormada para U . Tem-se1 1 2 11 2 1 3−1 3 −6 7−1 4 −7 9

−→

1 1 2 10 1 −1 20 4 −4 80 5 −5 10

−→

1 1 2 10 1 −1 20 0 0 00 0 0 0

.

Logo, o conjunto {v1, v2}, com v1 = (1, 1,−1,−1) e v2 = (1, 2, 3, 4), e uma base de U e comotal dimU = 2.

Sejamu1 = v1 e u2 = v2 − proju1

v2.

Logo, o conjunto {u1, u2}, com u1 = (1, 1,−1,−1) e

u2 = (1, 2, 3, 4)− 1 + 2− 3− 4

4(1, 1,−1,−1) = (2, 3, 2, 3),

e uma base ortogonal de U . Uma base ortonormada para U :{u1

‖u1‖,u2

‖u2‖

}=

{(1

2,1

2,−1

2,−1

2

),

(√26

13,3√

26

26,

√26

13,3√

26

26

)}15Jorgen Pedersen Gram 1850–1916. Erhard Schmidt 1876–1959

82

Teorema 6.25 Qualquer espaco euclidiano de dimensao finita tem uma base ortonormada.

Teorema 6.26 Seja {v1, v2, ..., vn} uma base de Rn. Entao, existe um unico produto internoem Rn para o qual esta base e ortonormada.

Exemplo 6.27 Considere em R2 a base S = {v1, v2}, com v1 = (1, 0) e v2 = (1, 1). Vejamosque existe um e um so produto interno para o qual a base S e ortonormada.

Seja B2c = {(1, 0), (0, 1)} a base canonica de R2. Tem-se

SB2c→S =

(SS→B2

c

)−1=

[1 10 1

]−1

=

[1 −10 1

].

Sejam u, v ∈ R2. Tem-seu = (α1, α2) e v = (β1, β2) ,

onde α1, α2 e β1, β2 sao as coordenadas na base B2c de u e v respectivamente. Seja S = SB2

c→S .Logo, a aplicacao 〈, 〉 : R2 × R2 definida por

〈u, v〉 = (Su)T A (Sv) , com A =

[〈v1, v1〉〈v1, v2〉〈v2, v1〉〈v2, v2〉

]=

[1 00 1

],

e um produto interno e e o unico para o qual a base S e ortonormada. Tem-se entao

〈(α1, α2) , (β1, β2)〉 = α1β1 − α1β2 − α2β1 + 2α2β2.

E facil verificar que para este produto interno a base S e ortonormada:

〈(1, 0) , (1, 1)〉 = 0 e 〈(1, 0) , (1, 0)〉 = 〈(1, 1) , (1, 1)〉 = 1.

6.2 Complementos e projeccoes ortogonais

Definicao 6.28 Sejam V um espaco euclidiano e S um subespaco de V . Diz-se que umelemento de V e ortogonal a S se for ortogonal a todos os elementos de S. Ao conjuntode todos os elementos ortogonais a S chama-se complemento ortogonal de S e designa-sepor S⊥.

Teorema 6.29 Qualquer que seja o subespaco S de um espaco euclidiano V , tambem S⊥ eum subespaco de V .

83

Exemplo 6.30 (i) Se S ⊂ R3 e um plano que passa pela origem, entao S⊥ e uma recta quepassa 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 pelaorigem e e perpendicular a recta.

(iii) Seja A ∈Mm×n(R). Entao,

N (A) = (L(A))⊥ .

Teorema 6.31 Se S e um subespaco de dimensao finita de um espaco euclidiano V , entaoV e a soma directa de S e S⊥, isto e, V = S ⊕ S⊥. Logo, cada elemento v ∈ V pode serescrito de modo unico como soma de um elemento de S com um elemento de S⊥:

v = vS + vS⊥ , com vS ∈ S e vS⊥ ∈ S⊥.

A aplicacao PS : V → S definida por PS(v) = vS chama-se projeccao ortogonal de Vsobre S e a aplicacao PS⊥ : V → S⊥ definida por PS⊥(v) = vS⊥ chama-se projeccaoortogonal de V sobre S⊥. Tem-se

I = PS + PS⊥ .

Se {v1, v2, ..., vn} e uma base ortonormada de S, entao

PS(v) =n∑i=1

〈v, vi〉 vi,

para todo o v ∈ V .Se {u1, u2, ..., uk} e uma base ortonormada de S⊥, entao

PS⊥(v) =k∑j=1

〈v, uj〉uj,

para todo o v ∈ V .As aplicacoes PS e PS⊥ sao transformacoes lineares de V em V que satisfazem as pro-

priedades:

(i) PS(V ) = S, PS⊥(V ) = S⊥;

(ii) (PS)2 = PS, (PS⊥)2 = PS⊥ ;

(iii) 〈PS (u) , v〉 = 〈u, PS (v)〉, 〈PS⊥ (u) , v〉 = 〈u, PS⊥ (v)〉, para todos os u, v ∈ V ;

(iv) ‖u‖2 = ‖PS (u)‖2 + ‖PS⊥ (u)‖2, para todo o u ∈ V (Teorema de Pitagoras);

84

Observacao 6.32 Seja V um espaco euclidiano de dimensao finita e U e um subespacolinear de V .

(i) dimU + dimU⊥ = dimV onde U⊥ designa o complemento ortogonal de U em V .

(ii)(U⊥)⊥

= U

(iii) Seja v ∈ V . Se {u1, v2, ..., uk} e uma base de U entao v ∈ U⊥ se e so se

〈v, u1〉 = 〈v, u2〉 = ... = 〈v, uk〉 = 0.

(iv) Nas condicoes de (iii), seja V = Rn. Seja A a matriz k × n cuja linha i e igual aovector vi. Entao U = L(A) e U⊥ = N (A).

Teorema 6.33 Seja S e um subespaco de dimensao finita de um espaco euclidiano V . Sejav ∈ V . Entao, existe um elemento de S mais proximo de v do que qualquer dos outrospontos de S. Este elemento e a projeccao ortogonal PS (v) de v sobre S e tem-se

‖v − PS (v)‖ ≤ ‖v − u‖ ,

para todo o u ∈ S, e a igualdade verifica-se se e so se u = PS (v).

Definicao 6.34 Seja V um espaco euclidiano. Seja S e um subespaco de V com dimS = k.Seja q ∈ V . Chama-se ao conjunto

{q}+ S

um k-plano. A distancia d de um ponto p ∈ V a um k-plano P = {q}+ S e dada por:

d (p,P) = ‖PS⊥ (p− q)‖ .

Observacao 6.35 A distancia entre dois k-planos paralelos P1 = {a} + S e P2 = {b} + Se dada por:

d (P1,P2) = ‖PS⊥ (a− b)‖ .

Exemplo 6.36 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 ({(0,−2,−2), (0,−1, 0)})

Equacao vectorial de P :

(x, y, z) = (1, 2, 1) + α(0,−2,−2) + β(0,−1, 0),

com α, β ∈ R.

85

Equacoes parametricas de P :x = 1

y = 2 + 2β − 2α− β

z = 1− 2α

com α, β ∈ R.

Equacao cartesiana de P :x = 1.

Em alternativa, podemos determinar uma equacao cartesiana de P do seguinte modo.Atendendo a que

P = {(1, 2, 1)}+ L ({(0,−2,−2), (0,−1, 0)}) ,

sejaS = L ({(0,−2,−2), ((0,−1, 0)}) .

Logo,

S⊥ ={

(x, y, z) ∈ R3 : 〈(x, y, z), (0,−2,−2)〉 = 0 e 〈(x, y, z), (0,−1, 0)〉 = 0}

=

= N([

0 −2 −20 −1 0

])= L ({(1, 0, 0)})

e assim, a equacao cartesiana do plano P que passa pelo ponto (1, 2, 1) e dada por:

(〈(x− 1, y − 2, z − 1), (1, 0, 0)〉 = 0)⇔

ou seja porx = 1.

(ii) Determinemos a equacao 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 : 〈(x, y, z), (0, 1, 1)〉 = 0}

= N([

0 1 1])

= L ({(1, 0, 0), (0, 1,−1)})

e assim, a equacao cartesiana da recta r e dada por:

(〈(x− 1, y − 1, z), (1, 0, 0)〉 = 0 e 〈(x− 1, y − 1, z), (0, 1,−1)〉 = 0)⇔

⇔ (1 (x− 1) = 0 e 1 (y − 1)− 1z = 0) ,

ou seja por x = 1

y − z = 1.

86

6.3 Diagonalizacao de matrizes simetricas

Recordamos que Q ∈Mn×n(R) diz-se ortogonal se QTQ = I.

Observacao 6.37 i) Se Q e uma matriz ortogonal, entao Q e invertıvel, Q−1 = QT ,det(Q) = ±1 e a transposta QT tambem e ortogonal.ii) Seja {v1, v2, · · · , vn} uma base ortonormada de Rn. Seja ainda Q a matriz cuja coluna ie o vector vi (com i = 1, 2, · · · , n). Entao Q e ortogonal.

Teorema 6.38 Seja A ∈Mn×n(R).i) Entao temos 〈Au, v〉 = 〈u,ATv〉 para quaisquer u, v ∈ Rn,ii) Se A for simetrica, entao vectores proprios associados a valores proprios diferentes saoortogonais (e portanto linearmente independentes).iii) Os valores proprios de uma matriz simetrica sao todos reais.

Observacao 6.39 Seja A = [aij] ∈ Mn×n(C). A matriz A∗ cuja entrada (i, j) e aji e

habitualmente designada pela matriz transconjudada de A – e de facto A∗ = AT

. Diz-seque A e normal (respectivamente, hermitiana, unitaria) se AA∗ = A∗A (respectivamente,A = A∗, A−1 = A∗). Claro esta que se A tiver entradas em R, entao a matriz diz-se normal,simetrica, ortogonal, respectivamente.

Seja K os numeros reais R ou os complexos C. Entao podemos usar a definicao da matrizA∗ e concluir que

〈Au, v〉 = 〈u,A∗v〉 para quaisquer u, v ∈ Kn.

Valem as seguintes propriedades, faceis de estabelecer, relativas a matriz A:

1. λ ∈ C valor proprio de A, entao λ valor proprio de A∗.

2. A normal se e so se 〈Au,Av〉 = 〈A∗u,A∗v〉 para quaisquer u, v.

3. A hermitiana se e so se 〈Au, v〉 = 〈u,Av〉 para quaisquer u, v.

4. A unitaria se e so se 〈Au,Av〉 = 〈u, v〉 para quaisquer u, v.

5. A hermitiana, entao os valores proprios de A sao todos reais.

6. A unitaria entao os valores proprios de A tem modulo 1, isto e |λ| = 1 para qualquervalor proprio de A.

Se A for hermitiana ou unitaria entao A e normal.Mais geralmente, se E for um espaco euclidiano de dimensao finita sobre R ou sobre C, e

dada uma transformacao linear T : E → E, entao podemos definir um operador T ∗ : E → Etal que para quaisquer u, v ∈ E:

〈T (u), v〉 = 〈u, T ∗(v)〉.

Fixada ma base ortonormada em E, seja ela v1, ..., vn, e facil ver que essa transformacaoT ∗ e dada necessariamente por

T ∗(u) =n∑i=1

〈u, T (vi)〉 vi (5)

87

Tudo o que foi dito para matrizes acima podera ser provado para transformacoes usandoT ∗.

Alem disso, note-se que se E = Rn ou E = Cn entao dada uma matriz A, temos atransformacao linear T definida por T (u) = Au que esta associada.

Teorema 6.40 Seja T : E → E uma transforma cao linear num espaco euclidiano E dedimensao finita com coeficientes em K onde K = R ou K = C. Entao as seguintes afirmacoessao equivalentes:

1. Existe uma base ortonormada de E constituıda por vectores proprios de A.

2. T e normal e os seus valores proprios pertencem a K.

Dem.: Prova de 1) ⇒ 2). Suponhamos que existe uma base de E formada por vectoresproprios de E, relativa a T —- seja v1, ..., vn essa base. Temos entao T (vi) = λi vi comλi ∈ K. A matriz de T nessa base (ordenada) e portanto a matriz diagonal

D =

λ1 · · · 0...

. . ....

0 · · · λn

pelo que o polinomio caracterıstico de T e

p(λ) = det(D − λI) = (−1)n(λ− λ1)(λ− λ2) · · · (λ− λn).

Sendo entao {λ1, .., λn} os valores proprios de T , que estao em K. Admitindo agora que essabase v1, ..., vn e ortonormada, temos que para u = ξ1v1 + ... + ξnvn e v = η1v1 + ... + ηnvn(com os coeficientes em K):

〈T (u), T (v)〉 = 〈ξ1T (v1) + ...+ ξnT (vn), η1T (v1) + ...+ ηnT (vn)〉 =

= 〈ξ1λ1v1 + ...ξnλnvn, η1λ1v1 + ...ηnλnvn〉

=n∑

i,j=1

ξiλiλj ηj〈vi, vj〉 =n∑i=1

ξiλiλiηi.

Por outro lado, usando a equacao (5) temos:

〈T ∗(u), T ∗(v)〉 =⟨ n∑i=1

〈u, T (vi)〉 vi,n∑j=1

〈v, T (vj)〉 vj⟩

=n∑

i,j=1

〈u, T (vi)〉〈v, T (vj)〉〈vi, vj〉 =n∑i=1

〈u, T (vi)〉〈v, T (vi)〉

=n∑i=1

〈u, λivi〉〈v, λivi〉 =n∑i=1

λiλi〈u, vi〉〈v, vi〉

=n∑i=1

λiλi〈ξ1v1 + ...+ ξnvn, vi〉〈η1v1 + ...+ ηnvn, vi〉

=n∑i=1

λiλiξiηi.

88

Ou seja 〈T (u), T (v)〉 = 〈u, v〉 e portanto T e normal.Prova de 2)⇒ 1). Suponhamos agora que a transformacao linear T e normal e que todos

os seus valores proprios pertencem a K. Vamos mostrar, utilizando o metodo de inducao,que existe uma base propria de E, relativa a T que e ortonormada.

Se dim(E) = 1, nao ha nada a provar. Suponhamos que o enunciado e valido paradim(E) = n−1 6= 0 e vamos provar que o resultado tambem e valido para dim(E) = n. Sejaλ1 ∈ K um valor proprio de T e seja v1 6= 0 tal que T (v1) = λ1v1 e ponha-se w1 = v1

||v1|| ; pelo

que ||w1|| = 1. Seja F = L({v1})⊥ o complemento ortogonal do espaco gerado pelo vectorv1 em E; portanto dim(F ) = n − 1. Provamos que T (F ) ⊆ F (para tal basta verificar que〈T (v), v1〉 = 0 para todo v ∈ F ). Pelo que a restricao T |F e uma transformacao linear de Fpara F . Ora essa restricao T |F continua a a ser uma transformacao linear normal, pelo quepela hipotese de inducao, existe uma base ortonormada w2, ..., wn de F formada por vectoresproprios de T |F . E claro que entao w1, w2, ..., wn e uma base ortonormada de E de vectoresproprios de T .

O seguinte resultado e uma facil consequencia do teorema 6.40.

Teorema 6.41 Seja A ∈ Mn×n(R) simetrica A = AT , entao existe uma matriz ortogonalQ e uma matriz diagonal D tal que D = QAQT .

Observacao 6.42 (a) Se A ∈ Mn×n(R) e simetrica, entao existe uma base ortonormal deRn constituıda por vectores proprios de A.(b) Se uma matriz real A e ortogonalmente diagonalizavel, entao A e simetrica, dado que seD = QAQT com Q matriz ortogonal e D diagonal, entao A = QTDQ. Daqui concluImosque A e simetrica!

Procedimento para diagonalizar uma matriz A ∈Mn×n(R) simetrica

1. Encontre uma base para cada espaco proprio de A.

2. Aplique o processo de ortogonalizacao de Grame-Schmidt a cada uma das base (deespacos proprios) para produzir uma base ortogonal de Rn constituda por vetoresproprios de A. Normalize esta base, construindo assim uma base {v1, ..., vn} ordenadae ortonormal de Rn constituıda por vetores proprios.

3. Seja QT a matriz cujas colunas sao formadas pelos vectores {v1, ..., vn} colocados emcoluna e D a matriz diagonal cuja entrada (i, i) e o valor proprio de A associado aovector proprio vi, com i ∈ {1, ..., n}.

4. A teoria garante que D = QAQT .


4 2 22 4 22 2 4

. Com A e simetrica sabemos que existe uma matriz

ortogonal Q e uma matriz diagonal D tais que D = QAQT . Vamos entao construir QT , De naturalmente Q = (QT )T .

1) o polinomio caracterıstico de A e

p(λ) = det(A− λI) = det

4− λ 2 22 4− λ 22 2 4− λ

= ... = (λ− 2)2(λ− 8),

89

pelo que os valores proprios de A sao λ = 2 (raiz dupla) e λ = 8 (raiz simples). O espacoproprio associado a λ = 2 e E2 = N (A − 2I) cujos vectores u1 = (−1, 1, 0), u2 = (−1, 0, 1)forma uma base de E2. O espaco proprio associado a λ = 8 e E8 = N (A − 8I) e o vectoru3 = (1, 1, 1).2) Aplicando o processo de Gram-Schmidt as bases {u1, u2} e {u3} e depois normalizando,obtEm-se os seguinte abase de R3:

v1 =(− 1√

2,

1√2, 0), v2 =

(− 1√

6,− 1√

6,

2√6

), v3 =

( 1√3,

1√3,

1√3

).

3) Entao temos D =

2 0 00 2 00 0 8

, QT =

−1√2− 1√

61√3

1√2− 1√

61√3

0 2√6

1√3

e podemos verificar que

D = QAQT .

Observacao 6.44 No caso geral, se A ∈ Mn×n(C), entao podemos construir uma matrizdiagonal D e uma matriz unitaria U tais que D = UAU∗.

Produto Externo e Misto

Sejam u = (a1, a2, a3), v = (b1, b2, b3) vectores de R3 e {e1, e2, e3} a base canonica de R3. Oproduto externo entre u e v e um vector de R3, que designamos por u × v e e definidocomo:

u× v = det

e1 e2 e3

a1 a2 a3

b1 b2 b3

= det

[a2 a3

b2 b3

]e1 − det

[a1 a3

b1 b3

]e2 + det

[a1 a2

b1 b2

]e3 =

(a2b3 − a3b2, a3b1 − a1b3, a1b2 − a2b1).

Produto misto e 〈u, v × w〉 = det

u1 v1 w1

u2 v2 w2

u3 v3 w3

.

Teorema 6.45a) u× v = −v × u e u× u = 0,

b) Se u, v sao ortogonais e nao nulos , entao {u, v, u× v} e uma base ortogonal de R3,

c) u× e ortogonal a u e a v,

d) ||u× v|| = ||u|| ||v|| sin(θ) onde θ e o angulo entre u e v,

e) ||u× v|| e a area do paralelogramo definido por u e v,

f) O valor absoluto |〈u, v × w〉| de 〈u, v × w〉 e o volume do paralelipıpedo formado pelosvectores u, v e w.

g) 〈u, u× v〉 = 〈u, v × u〉 = 0, 〈u, v × w〉 = 〈u× v, w〉.h) V = |〈u, v × w〉| e o volume do paralelipıpedo formado pelos vectores u, v e w. Note que

V = ||u× v||︸︷︷︸area da face determinada por u e v

||w|| |cos(θ)|︸︷︷︸altura

.

90

6.4 Exercıcios

E6.1 Identifique as aplicacoes 〈, 〉 : Rn × Rn → R que definem um produto interno,Em R2:(a) 〈(x1, x2), (y1, y2)〉 = x1y1 + x2y2.(b) 〈(x1, x2), (y1, y2)〉 = x1y1 + x1y2 + x2y2.(c) 〈(x1, x2), (y1, y2)〉 = −2x1y1 + 3x2y2.(d) 〈(x1, x2), (y1, y2)〉 = x1x2y1 + x2y2.(e) 〈(x1, x2), (y1, y2)〉 = x2y1y2 + x1y2.Em R3:(f) 〈(x1, x2, x3), (y1, y2, y3)〉 = x1y1 + x2y2 + x3y3.(g) 〈(x1, x2, x3), (y1, y2, y3)〉 = x1y1 + 2x1y2 + x2y2 + 3x1y3 + x2y3 + x3y3.(h) 〈(x1, x2, x3), (y1, y2, y3)〉 = x3x1y2 + x1y2.

E6.2 Determine um produto interno de R2 tal que 〈(1, 0), (0, 1)〉 = 2. Sera unico?

E6.3 Usando o produto interno usual e os vectores u = (1, 1, 2, 2) e v = (−2,−2,−1,−1),calcule:(a) ||u||, (b) ||v||, (c) ||u|| − ||v||, (d) ||u − v||, (e) || u||u|| ||, (f) projvu, (g) projuv, (h)

](u, v).

Ortogonalizacao de Gram-Schmidt

E6.4 Usando o produto interno usual, verifique quais dos seguintes conjuntos constituemuma base ortogonal de R3.(a) {(1, 0, 0), (0, 1, 0), (0, 0, 1)}, (b) {(1, 1, 1), (−2, 1, 1), (0,−1,−1)},(c) {(1, 1, 1), (−2, 1, 1), (0, 1,−1)},(d) {(1, 1, 1), (−2, 1, 1)} (f) {(0, 0, 0), (1, 1, 1), (−2, 1, 1)}.

E6.5 Determine uma base ortogonal para cada espaco linear E que se segue.(a) E = R2 (b) E = {(x, y) : x+ y = 0} (c) E = L({(1,−1, 1), (−2, 2, 2), (1, 1, 1)})(d) E = {(x, y, z) ∈ R3 : x+y = 0} (e) E = L({(1, 1, 1, 1, 1), (1, 0, 1, 0, 1), (0, 0, 0, 1, 1)}.(f) E = {(x, y, z, w) ∈ R4 : x+ y + z + w = 0, z − 2w = 0}.

E6.6 Considere o produto interno em R2 definido como se segue:

〈(x1, x2), (y1, y2)〉 =[x1 x2

] [ 2 00 3

] [y1

y2

].

(a) Verifique se os vectores u1 = (1, 1) e u2 = (1,−1) sao ortogonais para este produtointerno.(b) Use o processo de ortogonalizacao de Gram-Schmidt para encontar uma base ortogonalde R2 usando os vectores u1 e u2 de (a).

Complementos e projeccoes ortogonais; equacoes cartesianas deplanos e rectas

E6.7 Considere R3 munido com o produto interno usual e F = L({u1}) onde u1 = (1, 1, 1).(a) Determine uma base ortonormada para F .

91

(b) Determine uma base para o complemento ortogonal F⊥ de F .(c) Determine uma base ortonormal para o complemento ortogonal de F , i.e. base ortonormalpara F⊥.

E6.8 Seja F = {(x, y, z, w) ∈ R4 : x+ y + z + w = 0, z − 2w = 0}.(a) Determine uma base para o complemento ortogonal de F .(b) Determine uma base ortogonal para o complemento ortogonal de F .

E6.9 Considere R4 munido com o produto interno usual e F = {(x, y, z, w) ∈ R4 : x−y = 0}.(a) Calcule uma base ortogonal para F⊥.(b) Determine a projeccao ortogonal de p = (1, 1, 1, 1) sobre F e sobre F⊥.(c) Calcule d(p, F ) e d(p, F⊥).

E6.10 Seja F = {(x1, x2, ..., x100) ∈ R100 : x1 + x2 + ...+ x100 = 0}.(a) Calcule dim(F ) e dim(F⊥).(b) Seja p = (1, 2, 3, ..., 99, 100) ∈ R100. Calcule a diatancia entre p e F⊥.

E6.11 Seja W o plano de R3 definido pela equacao x− 2y + z = 0.(a) Determine a(s) equacoes (cartesianas) da recta perpendicular a W que passa pelo pontop = (1, 0, 0).(b) Determine a equacao cartesiana do plano paralelo a W que passa no ponto p = (1, 0, 0).

E6.12 Considere a recta (1, 1, 1) +L({(1, 2, 3)}). Encontre equacoes cartesianas desta recta.

E6.13 Seja P o plano tal que (−1, 0, 4), (1,−4,−2), (1, 0, 6) ∈ P .(a) Determine a equacao cartesiana de P .(b) Determine as equacoes parametrica de P .(c) Determine as equacao vectorial de P .(d) Determine a equacao cartesiana do plano paralelo a P e que passa em (1, 1, 1).

E6.14 Seja p+ F um k-plano em Rn. Prove que p+ F e um subespaco linear de Rn se e sose p ∈ F .

E6.15 Considere em R4 o produto interno usual.(a) Determine uma base para o complemento ortogonal E⊥ de E = L({(1, 0, 0, 0), (1, 0, 0, 1)}).E uma base ortogonal para E⊥.(b) Determine uma base para o complemento ortogonal de N (

[1 1 1 1

)).

(c) Calcule o angulo entre v = (1, 1, 1, 1) e w = (1, 0, 0, 0).

E6.16 Determine uma base para o complemento ortogonal de N (

0 0 0 01 0 0 12 0 0 2

).

E6.17 Considere a estrutura de espaco euclidiano em P2 induzida pelo produto interno

〈p, q〉 =

∫ 1

−1

p(t)q(t) d(t).

(a) Determine uma base ortogonal de P3 usando o processo de Gram-Schmidt aplicado abase canonica.(b) Calcule uma base para U⊥, onde U = {p ∈ P2 : p(1) = 0}.(c) Calcule d(p, U⊥), com p(t) = 2t.

92

E6.18 No espaco linear E =M2×2(R) considere o produto interno

〈A,B〉 = tr(ABt),

e o subespaco linear F = {[x yz w

]∈M2×2(R) : x+ w = 0, y − z = 0}.

(a) Encontre uma base para F .(b) Encontre uma base para F⊥.

(c) Calcule d(A,F ) onde A =

[0 11 0

].

E6.19 Considere o espaco linear R3 munido com o produto interno

〈(x1, x2, x3), (y1, y2, y3)〉 = 2x1y1 + x1y3 + 2x2y2 + x3y1 + 2x3y3

e V = L({(1, 1, 0), (1, 0,−2)}) o subespaco linear de R3 gerado pelos vectores (1, 1, 0), (1, 0,−2).(a) Determine u ∈ V e v ∈ V ⊥ tais que (1, 1, 1) = u+ v.(b) Calcule a distancia entre (1, 1, 1) e V .

E6.20 Considere o espaco linear R3 munido com o produto interno usual e V = L({(1, 1, 0), (1, 0,−2)}).(a) Determine u ∈ V e v ∈ V ⊥ tais que (1, 1, 1) = u+ v.(b) Calcule a distancia entre (1, 1, 1) e V .

E6.21 Sejam u = (4, 3, 7), v = (2, 5,−3) ∈ R3. Determine os produtos externos u× v, v× u,u× u e v × v.

E6.22 Calcule a area do triangulo de vertices u, v, w, com u = (0, 1, 1), v = (2, 0,−1) ew = (3, 4, 0).

E6.23 Prove que ||u× v||2 = 〈u, u〉〈v, v〉 − 〈u, v〉2.

E6.24 Dado v ∈ R3, seja T : R3 → R3 definida por T (u) = u×v. Sera T uma transformacaolinear? Nesse caso, determine a representacao matricial de T na base canonica.

Diagonalizacao ortogonal

E6.25 Para cada aplicacao 〈, 〉 : Rn × Rn → R definido no Problema 6.1, determine umamatriz A tal que 〈u, v〉 = uAvT .(a) Em que casos e esta matriz A e simetrica e tem todos os valores proprios estritamentopositivos? Compare esta resposta com a solucao do Problema 6.1.

E6.26 Das seguintes matrizes indique as que sao as matrizes hermiteanas:[1 22 3

],

[1 2−2 3

],

[1 i−i 3

],

[i i−i 3

], onde i =

√−1.

E6.27 Seja A ∈Mn×n(R).(a) Usando o produto interno usual, prove que 〈Au, v〉 = 〈u,ATv〉 para quaisquer u, v ∈ Rn,(u e v escritos como vectores verticais).(b) Se a matriz A for ortogonal, prove que ||Au|| = ||u||, para qualquer u ∈ Rn.

93

E6.28 Seja T : Cn → Cn transformacao linear do espaco euclidiano Cn e T ∗ a transformacaodefinida usando a equacao 〈T (u), v〉 = 〈u, T ∗(v)〉, u, v ∈ Cn.(a) Calcule T ∗(vi), onde vi = (0, ..., 0, 1, 0..., 0) e o vector i da base canonica de Cn.(b) Fixando uma base B de Rn, sera que M(T ∗;B;B) = A∗ onde A = M(T ;B;B)?(c) Se λ for valor proprio de T , entao λ e valor proprio de T ∗?

E6.29 Seja A ∈ Mn×n(C) e A∗ a matriz transconjudada de A cuja entrada (i, j) e aji ocomplexo conjugado da entrada (j,i) de A.(a) Usando o produto interno usual de Cn, prove que 〈Au, v〉 = 〈u,A∗v〉 para quaisqueru, v ∈ Cn.(b) Se A for uma matriz unitaria, entao prove que ||Au|| = ||u||, para qualquer u ∈ Cn.

E6.30 Considere as seguintes matrizes reais

A =

0 0 00 0 110 −4 4

, B =

1 0 12 0 23 0 3

, C =

1 1 11 1 11 1 1

.a) Indique as matrizes normais (isto e verifique se AAT = ATA, etc.) e as matrizes simetricas.b) Identifique as matrizes X ∈ {A,B,C} diagonalizaveis, construindo para cada X umamatriz P−1 tal que D = PXP−1 (onde D e uma matriz diagonal).c) Identifique as matrizes diagonalizaveis atraves de um sistema de coordenadas ortonormais,e para cada matriz X nessa situacao, construa uma matriz ortogonal Q tal que D = QXQT .

E6.31 Seja T : R2 → R2 uma transformacao linear tal que qualquer vector (nao nulo) evector proprio de T . Prove que existe um escalar λ tal que T = λI.

E6.32 Seja P : Rn → Rn a projeccao ortogonal sobre um subespaco V de Rn de dimensaok. Determine o polinomio caracterıstico de P e prove que P e diagonalizavel.

E6.33 Considere o espaco euclidiano Rn. Seja T : Rn → R uma transformacao linear.Mostre que existe um e um so u0 tal que T (u) = 〈u, u0〉, para todo o u ∈ Rn.

E6.34 (Desafio) Sera que existe uma matriz A = [aij] simetrica 10× 10 tal que

σA = {3d+1, 10−3d, 1, 1,−1,−1,−1,−1,−1,−1}, com d = 3+√

132

e aij ∈ {0, 1, 2, 3, 4, 5}???

7 Algumas Aplicacoes

7.1 Formas quadraticas

Formas quadraticas e uma funcao Q : Rn → R que pode ser escrita na forma

Q(u) =n∑

i,j=1

aijxixj, com u = (x1, ..., xn), aij ∈ R. (6)

Classificacao das formas quadraticas Seja Q forma quadratica; Q e

• definida positiva se Q(u) > 0, ∀u ∈ Rn, u 6= 0,

94

• definida negativa se Q(u) < 0, ∀u ∈ Rn, u 6= 0,

• semidefinida positiva se Q(u) ≥ 0, ∀u ∈ Rn,

• semidefinida negativa se Q(u) ≤ 0, ∀u ∈ Rn,

• indefinida se existem u e v tais que Q(u) > 0 e Q(v) < 0.

A equacao (6) pode ser escrita na forma Q(u) = uAuT , com A = [aij]; mas podemos

tambem escrever Q(u) = u A+AT

2uT com a vantagem de A+AT

2ser uma matriz simetrica.

Exemplo: Q : R2 → R tal que Q(x1, x2) = a11x21 + a12x1x2 + a21x2x1 + a22x

22. Temos

Q(x1, x2) =[x1 x2

] [ a11 a12

a21 a22

] [x1

x2

]=[x1 x2

] [ a11a12+a21

2a12+a21

2a22

] [x1

x2

].

Teorema 7.1 Seja Q(u) = uAuT forma quadratica com A simetrica. Entao:

• Q definida positiva se e so se todos os valores proprios de A forem positivos.

• Q definida negativa se e so se todos os valores proprios de A forem negativos.

• Q semidefinida positiva se e so se todos os valores prprios de A forem nao negativos.

• Q semidefinida negativa se e so se todos os valores prprios de A forem nao positivos.

• Q indefinida se e so se A tiver pelo menos um valor proprio positivo e outro negativo.

Supondo queA e uma matriz real e simetrica, entaoQ(u) = uAuT e uma forma quadraticadefinida positiva se e so 〈u, v〉 = uAvT define um produto interno em Rn.

Exemplo: Seja Q(x1, x2) = 2x21 +4x1x2 +2x2

2. Entao A =

[2 22 2

], cujos valores proprios

sao λ1 = 0 e λ2 = 4. Assim, Q e uma forma quadratica semidefinida positiva.

7.2 Mınimos quadrados

Seja A ∈Mm×n(R) e b ∈Mm×1(R). O sistema linear Ax = b e impossıvel se e so se b 6∈ C(A)(i.e. SAx=b = ∅).Vamos procurar vectores x que tornem mınima a distancia entre Ax e b, isto e ||Ax− b|| =minx{||Ax − b||}. Dizemos que tal x e uma solucao de mınimos quadrados associado aossistema linear Ax = b.Assim, ||Ax− b|| ≤ ||Ax− b|| para todo x; Ax− b o vector erro e ||Ax− b|| erro de mınimosquadrados.Claro que Ax ∈ C(A) para todo o x, pelo que ||Ax− b|| e minimizado se

Ax = projC(b), (7)

onde projC(b) designa a projeccao ortogonal de b sobre C(A). Temos Ax = projC(b) e sempreum sistema possıvel e as suas solucoes sao as solucoes de mınimos quadrados do sistemainicial Ax = b.

95

Teorema 7.2 • x solucao de mınimos quadrados de Ax = b sse x e solucao do sistema linearAx = projC(b).

• Existe uma unica solucao de mnimos quadrados do sistema Ax = b sse car(A) = n.

• Como resolver o sistema linear (7)?

Podemos usar a decomposicao b = projC(A)(b) + projC(A)⊥(b) (note que C(A)⊥ = L⊥AT =

N (AT )) e concluir que

Teorema 7.3 x uma solucao do sistema linear Ax = projC(b) sse x e uma solucao do sistemalinear (ATA)x = AT b.

A equacao (ATA)x = AT b e designada por equacao normal.

Teorema 7.4 • N (A) = N (ATA).

• SATAx=AT b 6= ∅, SAx=b ⊂ SATAx=AT b.

• Se SAx=b 6= ∅, entao SAx=b = SATAx=AT b.

• Se car(A) = n, x = (ATA)−1AT b e a unica solucao da equacao normal ATAx = AT b.

Exemplo: Sejam A=

[1 2−2 −4

], b=

[12

]. O sistema linear Ax = b e impossıvel. Por

outro lado car(A) 6= 2 pelo que a solucao de mınimos quadrados nao e unica. Podemosverificar isso mesmo, determinando o conjunto solucao de ATAx = AT b. Calculando temos

ATA =

[−3 −6−6 −12

]e AT b =

[−3−6

], pelo que o conjunto solucao de ATAx = AT b e

{(x, y) ∈ R2 : x+ 3y = 1} (o conjunto solucao de mınimos quadradros de Ax = b).

• Ajusto de curvas a uma tabela

Pretende-se encontrar uma funcao y = f(x) que se ajuste a um conjunto de dados experi-mentais (p.e. em R2)

P1 = (x1, y1), P2 = (x2, y2), ..., Pn = (xn, yn)da melhor maneira possıvel.

Modelo Linear: Seja R a recta y = α + βx

Para Pi ∈ R temos o sistema linear

α + βx1 = y1

α + βx2 = y2...

α + βxn = yn

nas variaveis α, β, para o qual

A=

1 x1...

...1 xn

, b=

y1...yn

.

96

Se Pi 6∈ R para algum i, entao o sistema linear e impossıvel. Nesse caso, procuramos a rectaque melhor se aproxima dos pontos, cuja solucao e

x =

[αβ

]= (ATA)−1AT b.

Exemplo: Sejam P1 = (1, 3/2), P2 = (2, 1/2), P3 = (3, 3). Assim A=

1 11 21 3

, b=

3/21/23

,

cuja solucao e (ATA)−1AT b =

[1/63/4

]e a recta pretendida e: y = 1

6+ 3

4x.

Modelo quadratico: y = α + βx+ γx2,

originando o sistema

1 x1 x21

......

...1 xn x2

n

αβγ

=

y1...yn

nas variaveis α, β, γ.

7.3 Equacoes diferenciais ordinarias

• Se f : R → R e solucao da equacao diferencial f ′(t) = λf(t) (com λ escalar fixo), entaoexiste um escalar c tal que f(t) = c eλt.• Considere funcoes x1(t), x2(t), · · · , xn(t) diferenciaveis na variavel real t. O sistema da

forma a11x1(t) + a12x2(t) + ...+ a1nxn(t) = x′1(t)a21x1(t) + a22x2(t) + ...+ a2nxn(t) = x′2(t)

. . .am1x1(t) + am2x2(t) + ...+ amnxn(t) = x′m(t)

(8)

chama-se sistema linear de equacoes diferenciais de primeira ordem, em que aij e uma con-stante e x′i(t) designa a derivada de xi(t) (i = 1, ...,m, j = 1, ..., n).

O sistema (8) pode escrever-se na forma matricial: x′(t) = Ax(t) onde A = [aij] ∈Mn×n(R),

x(t) =

x1(t)x2(t)

...xn(t)

, x′(t) =

x′1(t)x′2(t)

...x′n(t)

.• Resolucao de x′ = Ax com A diagonalizavelSe a matriz A = [aij] ∈ Mn×n(R) e diagonalizavel, para resolver x′(t) = Ax(t) em

primeiro lugar encontra-se uma matriz mudanca de base

S = SBc→Bvp , S−1 = SBvp →Bc

onde Bvp = {v1, v2, · · · , vn} e uma base de Rn formada por vectores proprios de A tal queo valor proprio associado a vi e λi, i = 1, 2, · · · , n, Bc e a base canonica de Rn e matrizdiagonal

D = diag(λ1, λ2, · · · , λn)

(formada pelos valores proprios de A) tais que D = SAS−1. Depois, usa-se a mudanca devariavel Sy = x e e transforma-se o sistema x′ = Ax no sistema y′(t) = Dy(t) com as funcoes

97

separadas, cuja solucao geral e y(t) =

c1e

λ1t

c2eλ2t

...cne

λnt

onde λ1, · · · , λn sao os valores proprios de

A e c1, · · · , cn sao constantes. Finalmente, a solucao geral do sistema inicial x′(t) = Ax(t) e

x(t) = S−1y(t) =

|... |

v1 · · · vn

| ... |

c1e

λ1t

c2eλ2t

...cne

λnt

porque x′(t) = Ax(t)⇐⇒ x′(t) = S−1DSx(t)⇐⇒ Sx′(t) = DSx(t)⇐⇒ y′(t) = Dy(t).

Exemplo: Vamos determinar a solucao geral do seguinte sistema de equacoes diferenciais:{2x1(t) + x2(t) = x′1(t)−2x1(t) + 5x2(t) = x′2(t)

(9)

Claro que A =

[2 1−2 5

], cujas valores proprios sao λ1 = 3 e λ2 = 4, pelo que A e

diagonalizavel, {(1, 1)} e uma base para o espaco proprio para Eλ1 e {(1, 2)} e uma basepara o espaco proprio para Eλ1 . Assim,

D =

[3 00 4

], S−1 =

[1 11 2

]e portanto a solucao geral do sistema de equacoes diferenciais (9) e

x(t) =

[x1(t)x2(t)

]= S−1

[c1e

2t

c2e4t

]=

[1 11 2

] [c1e

2t

c2e4t

]=

[c1e

2t + c2e4t

c1e2t + 2c2e

4t

].

Vamos calcular a unica solucao de (9) sujeita as condicoes iniciais x1(0) = 1, x2(0) = −1.Ora (x1(0), x2(0)) = (c1 + c2, c1 + 2c2), pelo que c1 = 3c2 = −2 e a unica soluca de (9) e(x1(t), x2(t)) = (3e2t − 2e4t, 3e2t − 4e4t).

7.3.1 Um processo de difusao

Considere 2 celulas adjacentes separadas por uma membrana permeavel e suponha que umfluıdo passa da 1a celula para a 2a a uma taxa (em mililitros por minutos) numericamenteigual a 3 vezes o volume (em mililitros) do fluıdo na 1a celula. Em seguida, passa da 2a

celula para a 1a a uma taxa numericamente igual a 2 vezes o volume do fluıdo na 2a celula.Vamos representar por x1(t) e x2(t) os volumes do fluıdo na 1a e 2a celulas, respectivamente,no instante t. Suponhamos que, inicialmente i.e. t = 0, a primeira celula tem 40 ml de fluıdo,enquanto que 2a tem 5 ml.

Vamos determinar o volume de fluıdo em cada celula no instante t.Solucao A variacao e volume de fluıdo em cada celula e a diferenca entre a quantidade

que entra e a quantidade que sai. Como nenhum fluıdo entra na primeira celula, temos:

dx1(t)

dt= −3x1(t),

onde o sinal de menos indica que o fluıdo sai da celula. O fluxo 3x1(t) sai da 1a celula eentra na 2a. O fluxo que sai da 2a celula e de 2x2(t). Logo a variacao no volume na 2a celulae dada por

98

dx2(t)

dt= 3x1(t)− 2x2(t).

Obtem-se assim o seguinte sistema de equacoes diferenciais de 1a ordem:{−3x1(t) = x′1(t)3x1(t)− 2x2(t) = x′2(t)

,

que pode ser escrito na forma matricial como:

[x′1(t)x′2(t)

]=

[−3 03 −2

] [x1(t)x2(t)

]Os valores proprios da matriz A =

[−3 03 −2

]sao λ1 = −3 e λ2 = −2. A matriz A

e uma diagonalizavel onde {(1,−3)} e uma base para o espaco proprio Eλ1 , enquanto que{(0, 1)} e uma base para o espaco proprio Eλ2 . Portanto a solucao geral do sistema deequacoes diferenciais acima descrito e:[

x1(t)x2(t)

]=

[1 0−3 1

] [k1e−3t

k2e−2t

]= k1

[1−3

]e−3t + k2

[01

]e−2t.

Usando as condicoes iniciais x1(0) = 40 e x2(0) = 5 concluımos que

k1 = 40, −3k1 + k2 = 5, pelo que k1 = 40 e k2 = 125.

Portanto, o volume de fluido em cada celula no instante t e dado por:

x1(t) = 40e−3t, x2(t) = −120e−3t + 125e−2t.

7.4 Genes ligados ao sexo

A cegueira para as cores, ou daltonismo, e uma alteracao hereditaria cujo mecanismo detransmissao so foi compreendido em 1910 (apos os estudos de hereditariedade ligado sosexo em diversos animais: aves, borboletas e drasofilas). Sabe-se actualmente que os genesrelacionados com determinacao deste caracter encontra-se no cromossoma X e que o genepara a visao normal e dominante sobre o alelo que determina o daltonismo.

Desta forma, compreende-se que a transmissao desta caracterıstica obedeca as seguintesregras:

• do casamento de um homem daltonico com uma mulher normal, resultem filhas normaise filhos daltonico;

• do casamento de uma mulher daltonica com um homem normal, resultem filhas normaise filhos daltonicos;

• as filhas de pai daltonico sao sempre portadoras do daltonismo apesar de fenotipica-mente normais.

Este tipo de heranca resulta do facto de o homem receber o cromossoma X da mae enunca o transmitir aos filhos homens. Por outro lado, as mulheres herdam um cromossomaX da mae e outro cromossoma X do pai.

Pelo que para encontrar um modelo matematico que descreva o daltonismo numa pop-ulacao, e necessario dividir a populacao em duas classes, homens e mulheres. Seja x

(0)m a

proporcao de genes para o daltonismo na populacao masculina e seja x(0)f a propocao femi-

nina. Como os homens recebem um cromossoma X da mae e nenhum do pai, a proporcao x(1)m

99

de homens daltonicos na proxima geracao sera a mesma que a proporcao de genes recessivosna geracao actual das mulheres. Como as mulheres recebem um cromossoma X da mae eoutro do pai, a proporcao x

(1)f de genes recessivos na proxima geracao de mulheres sera a

media entre x(0)m e x

(0)f . Assim, temos:

x(0)f = x(1)

m ,1

2x(0)m +

1

2x

(0)f = x

(1)f .

Se x(0)f = x

(0)m entao a proporcao vai manter-se na proxima geracao. Vamos entao supor que

x(0)f 6= x

(0)m e escrever o sistema na forma matricial[

0 112

12

][x

(0)m

x(0)f

]=

[x

(1)m

x(1)f

].

Vamos designar por A a matriz dos coeficientes do sistema e por x(n) =

[x

(n)m

x(n)f

]a proporcao

de genes para nas populacoes masculinas e femininas da (n+ 1)-esima geracao. Entao:

x(n) = Anx(0).

Para calcular An vamos provar que a matriz A e diagonalizavel e construir matriz mudancade base S e matriz diagonal D, tais que D = SAS−1. Logo A = S−1DS e portanto An =

S−1DnS. Ora λ1 = 1 e λ2 = −1/2 sao os valores proprios de A, pelo que D =

[1 00 −1

2

].

Alem disso (1, 1) e vector proprio associado a λ1 e o (−2, 1) e vector proprio associado a λ2,pelo que

S−1 =

[1 −21 1

], S =

[13

23

−13

13

].

Logo,

x(n) =

[1 −21 1

] [1 00 −1

2

]n [ 13

23

−13

13

][x

(0)m

x(0)f

]= 1

3

[1− (−1

2)n−1 2 + (−1

2)n−1

1− (−12)n 2 + (−1

2)n

][x

(0)m

x(0)f

];

assim,

limn→∞

x(n) =1

3

[1 21 2

][x

(0)m

x(0)f

]=

x(0)m +2x

(0)f

3x

(0)m +2x

(0)f

3

.Conclusao: as propocoes de genes para o daltonismo nas populacoes masculina e feminina

vao tender para o mesmo valor quando o numero de geracos cresce: se a proporcao de homensdaltonicos for p ≤ 1 e se durante um certo numero de geracoes nenhuma pessoa de fora entrouna populacao, justifica-se entao supor que a proporcao de daltonismo na populacao femininatambem e p.

Ora como o daltonismo e recessivo, esperarıamos que a propocao de mulheres daltonicasfosse da ordem p2, o que este modelo matematico nao confirma!

7.5 Redes e grafos

A teoria de grafos e uma das areas importantes da matematica aplicada. E usada paramodelar problemas em praticamente todas as ciencias aplicadas. A teoria de grafos e par-ticularmente util em aplicacoes envolvendo redes de comunicacao.

100

Um grafo (nao orientado) G e definido como um conjunto de pontos chamados verticesjunto com um conjunto pares nao ordenados de vertices chamados de arestas. Obviamenteque podemos representar o grafo G geometricamente onde cada vertice Vi corresponde anos numa rede de comunicacao. Os segmentos de recta unindo os vertices correspondem asarestas. Numa rede, cada aresta representa um elo de comunicacao directo entre dois nosda rede. Uma rede de comunicacao verdadeira pode envolver um grande numero de verticese arestas, pelo que uma representacap grafica da rede seria muito confusa. Uma alternativae usar uma representacao matricial para a rede. Se o grafo contem um total de n vertices,entao a matriz A = [aij] ∈Mn×n de adjacencia do grafo e definida da seguinte maneira:

aij =

{1 se {vi, vj} e uma aresta de G0 caso contrario

,

Observe que a matriz A e simetrica A = AT , por definicao. Podemos pensar num caminhono grafo G como uma sequencia de arestas unindo vertices. Dizemos que o caminho temcomprimento k se o caminho for a sequencia de k arestas em G. (Incluir um grafo parailustrar o texto)

Problema: determinar os caminhos de comprimento k.

Teorema 7.5 Seja A matriz de adjacencia de um grafo G e a(k)ij a entrada (i, j) da matriz

Ak. Entao a(k)ij e o numero de caminhos de comprimento k do vertice vi a vj.

Demontracao: Aplicar inducao matematica em k. No caso k = 1 segue da definicao dematriz de adjacencia que aij e o numero de caminhos de comprimento 1 entre os vertices vie vj.

Vamos agora supor que a(k)ij e o numero de caminhos de comprimento k entre os vertices

vi e vj. Queremos provar que a(k+1)ij e o numero de caminhos de comprimento k + 1 entre

os vertices vi e vj. Ora se existe uma aresta entre vl e vj, entao a(k)il alj = ail e o numero de

caminhos de comprimento k + 1 entre vi e vj da forma

vi → · · · → vl → vj.

Temos entao que o numero total de caminhos de comprimento k+ 1 entre vi e vj e dado por

a(k)i1 a1j + a

(k)i2 a2j + · · · a(k)

in anj.

Mas isto e por definicao de produto matricial a entra (i, j) de Ak+1, c.q.d.

Como A e uma matriz simetrica, A e diagonalizavel, pelo que os valores proprios fornecema diagonal da matriz diagonal D, a determinacao de bases para os espacos proprios fornecemas colunas para a matriz S−1, pelo que S = (S−1)−1. Mais D = SAS−1, donde

Ak = S−1DkS.

Uma vez que A e simetrica podemos escolher as bases dos espacos proprios de tal forma quea matriz S seja ortogonal S−1 = ST (ver aulas teoricas anteriores).

Note que no mesmo grafo nao orientado G podemos definir outra matriz A′ = [a′ij] comosendo

a′ij =

{s se {vi, vj} estao ligados por s arestas0 caso contrario

,

Problema: verifique a validade do teorema anterior!

101

Exemplo 7.6 a) Esboce o grafo cuja matriz de adjacencia e A =

1 1 11 1 11 1 1

.

b) Determine uma matriz ortogonal Q tal que QAQT seja uma matriz diagonal.c) Calcule o numero de caminhos de comprimento 10 entre dois vertices diferentes (a suaescolha) do grafo de a).

Grafos orientados

Refaca a seccao anterior para grafos orientados. Conhecem-se aplicacoes destes grafos aSociologia, Telecomunicacoes etc.

Note que nestes grafos, em geral, a matriz que lhe esta associada nao e simetrica uma vezque, p.ex., pode haver uma aresta do vertice vi para o vertice vj, mas nao haver nenhumaaresta de vj para vi.

7.6 Exercıcios

Formas quadraticas

E7.1 Classificar as seguintes formas quadraticas, em definids positivas, definidas negativas,semidefinidas positivas, semidefinidas negativas ou indefinidas:(a) Q(x, y) = x2 +y2 +2xy (b) Q(x, y) = 2x2 +2y2 +2xy (c) Q(x, y) = −3x2 +2yx−2y2.(d) Q(x, y, z) = x2 + y2 + 3z2 + 4yx.

(e) Q(x, y, z, w) =[x y z w

] 3 0 0 00 1 α 00 α 2 00 0 0 7

xyzw

, onde α e um parametro.

E7.2 Seja A uma matriz real simetrica n× n. Prove que A2 e definida positiva se e so se Afor invertıvel.

Mınimos quadradros

E7.3 Seja A =

4 13 −14 1

, b =

1022

, u =

[−23

]e v =

[−11

].

(a) Calcule Au e Av e compare estes vectores com b.(b) Diga se u pode ser uma solucao de mınimos quadrados para a equacao Ax = b.(c) Determine o sistema normal associado ATAx = AT b e determine a(s) suas solucoes.Compare com (b).

E7.4 Determine todas as solucoes de mınimos quadrados para a equacao Ax = b:

(a) A =

1 1−1 1−1 2

, b =

70−7

. (b) A =

1 1 01 1 01 0 11 0 1

, b =

3124

.

E7.5 Um produtor de aco obteve os seguintes dados:

Ano 1997 1998 1999 2000 2001 2002vendas anuais (em milhoes de euros) 1, 2 2, 3 3, 2 3, 6 3, 8 5, 1

102

Vamos representar os anos de 1997 a 2002 por 0, 1, 2, 3, 4, 5, respectivamente, e representaro ano por x. Seja y a venda anual (em milhoes de euros).(a) Encontre a recta de mınimos quadrados relacionando x e y.(b) Use a equacao obtida em (a) para estimar as vendas no ano de 2006.

E7.6 Seja A uma matriz cujas colunas sao linearmente independentes e b um vector ortogonala todas as colunas de A. Prove que a unica solucao de mınimos quadrados de Ax = b e x = 0.

E7.7 Considere as matrizes A =

1 11 21 3

e b =

3212

3

.

(a) Verifique que o sistema Ax = b e impossıvel.(b) Determine todas as solucoes de mınimos quadrados associadas ao sistema Ax = b.(c) Foi observado que os lucros obtidos nas 3 primeiras semanas pela venda de um automovelna Uniao Europeia foram:

Semana 1 2 3Lucros (em milhoes de euros) 1, 5 0, 5 3

Vamos representar as semanas por x e o lucro semanal por y. Encontre a recta y = α+βx demınimos quadrados relacionando x e y. Use a recta obtida para estimar os lucros na semana6.

Equacoes diferenciais ordinarias

E7.8 Das funcoes y1(t) = e2t, y2(t) = e2t + π, y3(t) = πe2t, y4(t) = e2t+π quais sao solucoesda equacao diferencial y′(t) = 2y(t)?

E7.9 Determine a solucao geral dos seguintes sistemas de quacoes diferenciais.

(a)

{y′1 = 3y1 + y2

y′2 = 5y1 + y2, (b)

{y′1 = 3y1 + 2y2

y′2 = y1 + y2, (c)

y′1 = 3y1 + 2y2

y′2 = y1 + y2

y′3 = y2 − y3

.

E7.10 Para cada um dos sistemas do Problema anterior determinte a solucao que verifica ascondicoes(a) y1(0) = 0 e y2(0) = 0 (b) y1(0) = 2 e y2(0) = 1 (c) y1(0) = −1, y2(0) = 1 e y3(0) = 0.

E7.11 (a) Mostre que a matriz A =

[2 1−2 5

]e diagonalizavel, indicando uma matriz

diagonal D e matriz mudanca de base P−1 tais que D = PAP−1.(b) Encontre a unica solucao do seguinte sistema de equacoes diferenciais:{

2y1(t) + y2(t) = y′1(t)−2y1(t) + 5y2(t) = y′2(t)

com as condicoes y1(0) = 1, y2(0) = −1.

E7.12 Considere o seguinte sistema de equacoes diferenciais:

y′1 = y1 + 2y2

y′2 = 3y2

y1(0) = 8 e y2(0) = 5.A solucao deste sistema e:A) y1(t) = 3et + 5e3t, y2(t) = 5e3t B) y1(t) = 8et, y2(t) = 5e3t

C) y1(t) = 3e3t + 5et, y2(t) = 5et D) y1(t) = 3et + 5e2t, y2(t) = 5e3t.

103

E7.13 Determine o conjunto de todas as solucoes do seguinte sistema de equacoes diferenciaisde 1a ordem: {

−3y1(t) = y′1(t)3y1(t)− 2y2(t) = y′2(t)

(a) Usando as condicoes iniciais y1(0) = 40 e y2(0) = 5, verifique que

y1(t) = 40e−3t, y2(t) = −120e−3t + 125e−2t,

e a (unica) solucao do sistema de equacoes diferenciais descrito anteriormente.

104

Conteudo - arquivoescolar.orgarquivoescolar.org/bitstream/arquivo-e/153/1/ALppinto.pdf · Algebra...

Documents

Transcript of Conteudo - arquivoescolar.orgarquivoescolar.org/bitstream/arquivo-e/153/1/ALppinto.pdf · Algebra...