Sei sulla pagina 1di 103

Matemtica I

Eng. Agronmica, Eng. Florestal, Eng. Zootcnica


Andr Gama Oliveira

2013/2014

1. Matrizes

1.1 Definies e exemplos

Sejam R os conjunto dos nmeros reais e C o conjunto dos nmeros complexos. Ao


longo deste curso, grande parte das definies ter sentido tanto em R como em
C, e vamos considerar K {R, C}. Daqui em diante, de cada vez que K aparecer,
pode-se sempre substitu-lo por R ou por C.
Os elementos de K (isto , os nmeros reais ou complexos) sero designados por
escalares.

Definio 1.1
Sejam m, n N. Uma matriz de tipo m n sobre K um quadro contendo mn
elementos de K, dispostos segundo m linhas e n colunas:

a11
a21

A=
..
.
am1

a12
a22
..
.
am2

onde aij K, i = 1, . . . , m, j = 1, . . . , n.

..
.

a1n
a2n
..
.
amn

1.1 Definies e exemplos


Definio 1.2
Seja

A=

a11
a21
..
.
am1

a12
a22
..
.
am2

..
.

a1n
a2n
..
.
amn

uma matriz m n sobre K.


Os escalares aij dizem-se os elementos ou entradas da matriz A. Para cada i e
para cada j, o escalar aij diz-se o elemento (i, j) de A.
Dado i = 1, . . . , m, a linha i de A o elemento de Kn dado por (ai1 , ai2 , . . . , ain ).
Dado j = 1, . . . , n, a coluna j de A o elemento de Km dado por
(a1j , a2j , . . . , amj ).
O conjunto das matrizes sobre K de tipo m n representa-se por Mmn (K).

Exemplo 1.3
!
0
1
3i
i
12
. Ento A M25 (C), a linha 2 de
2 1 + i
0
1
0
A (2, 1 + i, 0, 1, 0) e a sua coluna 4 (i, 1).
Seja A =

1.1 Definies e exemplos

Definio 1.4
Seja A Mmn (K). A diz-se uma:
matriz linha se m = 1;
matriz coluna se n = 1;
matriz quadrada se m = n (neste caso, diz-se apenas que A uma matriz
quadrada de ordem n).

Exemplo 1.5
Sejam A, B e C as seguintes matrizes:

1


A = 2 , B =
0 1
3

, C=

0
2

1
1

!
.

Ento, A uma matriz coluna de tipo 3 1, B uma matriz linha de tipo 1 3 e


C uma matriz quadrada de ordem 2.

1.1 Definies e exemplos

Definio 1.6
Seja A = (aij ) Mnn (K) uma matriz quadrada de ordem n, isto , uma matriz
da forma

a11 a12 a1n


a21 a22 a2n

A=
..
..
..
..
.
.
.
.
.
an1 an2 ann
Os elementos a11 , a22 , . . . , ann dizem-se diagonais e o n-uplo
(a11 , a22 , . . . , ann ) diz-se a diagonal principal de A;
A matriz A diz-se triangular superior se aij = 0, sempre que i > j;
A matriz A diz-se triangular inferior se aij = 0, sempre que i < j;
A matriz A diz-se diagonal se aij = 0, sempre que i 6= j.

1.1 Definies e exemplos

Definio 1.7
Uma matriz diagonal em que os elementos da diagonal so todos iguais diz-se uma
matriz escalar.
Uma matriz escalar de ordem n em que os elementos da diagonal so todos iguais a 1
diz-se a matriz a matriz identidade de ordem n e representa-se por In . Portanto,

In =

1
0
..
.
0

0
1
..
.
0

..
.

0
0
..
.
1

1.2 Operaes com matrizes

Definio 1.8
Sejam A, B Mmn (K) tais que A = (aij ) e B = (bij ). A matriz soma das
matrizes A e B a matriz A + B Mmn (K) tal que o seu elemento na posio
(i, j) aij + bij , com i = 1, . . . , m, j = 1, . . . , n. A operao + assim definida diz-se
a adio em Mmn (K).

Proposio 1.9
A adio comutativa: A, B Mmn (K), A + B = B + A.
A adio associativa: A, B, C Mmn (K), (A + B) + C = A + (B + C).
Existe elemento neutro para a adio:
U Mmn (K) A Mmn (K), U + A = A + U = A.
Qualquer matriz admite oposto para a adio:
A Mmn (K)V Mmn (K) V + A = U = A + V .

1.2 Operaes com matrizes

Observao 1.10
Como a adio em Mmn (K) associativa, podemos escrever A + B + C.
O elemento neutro para a adio em Mmn (K) nico e a matriz m n
com as entradas todas nulas. Tal matriz dita a matriz nula de Mmn (K)
e represent-la-emos por 0mn ou simplesmente por 0.
Dada A Mmn (K), a matriz oposta de A tambm nica. representada
por A e tal que as suas entradas so as simtricas das entradas de A. I.e.,
se A = (aij ), ento o elemento na posio (i, j) de A aij , com
i = 1, . . . , m, j = 1, . . . , n.
Se A, B Mmn (K) ento A B define-se como sendo A + (B).

1.2 Operaes com matrizes


Definio 1.11
Sejam K e A Mmn (K) tal que A = (aij ). O produto do escalar
pela matriz A a matriz A Mmn (K) tal que e o seu elemento na posio
(i, j) aij , com i = 1, . . . , m, j = 1, . . . , n. A operao assim definida diz-se a
multiplicao de um escalar por uma matriz em Mmn (K).

Proposio 1.12
Sejam , K e A, B Mmn (K). Ento:
(A + B) = A + B

( + )A = A + A.

()A = (A).
()A = (A) = (A). Em particular, (1)A = A.
se A = 0, ento = 0 ou A = 0.

Exemplo 1.13
!
1 2 3
0
2
,B=
0
2
5
2 1
Calcular A + B + C, A B e 2A 3B + C.

Sejam A =

1
1

!
eC=

1
2

3
0

1
0

!
.

1.2 Operaes com matrizes


Definio 1.14
Sejam A Mmn (K) tal que A = (aij ) e B Mnp (K) tal que B = (bij ). A
matriz produto da matriz A pela matriz B a matriz AB Mmp (K) tal que,
para cada i = 1, . . . , m, j = 1, . . . , p, o seu elemento na posio (i, j) dado por:
ai1 b1j + + ain bnj =

n
X

aik bkj .

k=1

Esta operao diz-se a multiplicao de matrizes em Mmn (K) Mnp (K).

Observao 1.15
Note-se que o produto AB s est definido se o nmero de colunas de A for igual ao
nmero de linhas de B. Nesse caso, o nmero de linhas de AB igual ao nmero
de linhas de A e o nmero de colunas de AB igual ao nmero de colunas de B. O
elemento na posio (i, j) de AB obtm-se a partir dos elementos das linha i de A
e da coluna j de B pela frmula dada. Esquematicamente, temos:

ai1

ai2

ain

..
.

b1j
b2j
..
.
bnj

..
.

k=1 aik bkj

Pn

1.2 Operaes com matrizes


Exemplo 1.16
Sejam A =

0
3

1
0

2
4

e B = 3
1

1 . Calcule AB. possvel


4

1
2
0

calcular BA?

Proposio 1.17
Sejam A Mmn (K) e sejam B, C matrizes do tipo adequado de modo a que as
opraes indicadas estejam definidas. Ento:
a multiplicao associativa: (AB)C = A(BC).
a multiplicao distributiva em relao adio: A(B + C) = AB + AC e
(B + C)A = BA + CA.
(AB) = (A)B = A(B), para todo K.
AIn = A = Im A.

Observao 1.18
A multiplicao de matrizes no comutativa.
Existem matrizes A 6= 0 e B 6= 0 tais que AB = 0.

Definio 1.19
Sejam A uma matriz quadrada e k N, define-se

k vezes

Ak

z }| {
= A A . . . A.

1.3 Inversa de uma matriz quadrada


Definio 1.20
Seja A Mnn (K) uma matriz quadrada. Diz-se que A invertvel ou que
admite inversa se existe uma matriz B Mnn (K) tal que AB = In e BA = In .

Teorema 1.21
Se A Mnn (K) uma matriz invertvel, ento existe uma nica matriz B
Mnn (K) tal que AB = In e BA = In .

Definio 1.22
Se A Mnn (K) uma matriz invertvel, ento a nica matriz B Mnn (K) tal
que AB = In e BA = In designa-se por inversa de A e denotada por A1 .

Teorema 1.23
Seja A Mnn (K) uma matriz invertvel.
1

Se B Mnn (K) tal que AB = In ento B = A1 e portanto BA = In .

Se B Mnn (K) tal que BA = In ento B = A1 e portanto AB = In .

Proposio 1.24
1

Se A uma matriz invertvel, ento A1 tambm o e (A1 )1 = A.

Seja K \ {0}. Se A invertvel, ento A tambm o e (A)1 =

Se A, B so matrizes invertveis, ento AB tambm o e (AB)1 =

1 1
A .

B 1 A1 .

1.4 Transposta de uma matriz


Definio 1.25
Seja A = (aij ) Mmn (K) uma matriz de tipo m n. A matriz transposta de A
representa-se por At e tal que At Mnm (K) e se At = (a0ij ), ento a0ij = aji ,
para todos i {1, . . . , m}, j {1, . . . , n}.
Ou seja, o elemento na posio (i, j) de At igual ao elemento na posio (j, i) de
A. A linha i de At igual coluna i de A e a coluna j de At igual linha j de A.

Proposio 1.26
Sejam K e A, B matrizes do tipo adequado de modo a que as operaes
indicadas estejam definidas. Ento:
(At )t = A.
(A + B)t = At + B t e (AB)t = B t At .
(A)t = At .
se A invertvel, ento At tambm o e (At )1 = (A1 )t .

Definio 1.27
Seja A = (aij ) Mnn (K) uma matriz quadrada. A matriz A diz-se simtrica
se At = A (i.e. aji = aij , para todos i, j) e diz-se anti-simtrica se At = A (i.e.
aji = aij , para todos i, j).

1.5 Matriz escalonada e caracterstica de uma matriz


Definio 1.28
Seja A Mmn (K). Uma transformao elementar sobre as linhas de A
uma transformao de um dos seguintes tipos:
I Troca de posio, na matriz A, da linha i com a linha j, com i 6= j. (Li Lj )
II Multiplicao da linha i de A por um escalar K \ {0}. (Li Li )
III Substituio da linha i de A pela sua soma com a linha j de A multiplicada
por K, com j 6= i. (Li Li + Lj )
De maneira anloga se define transformao elementar sobre as colunas de
A, representadas da mesma forma, substituindo Li e Lj por Ci e Cj , respetivamente.

Exemplo 1.29

I 1
0

2
2
0

1
1
1

2
1

3
0

1
1

III 0
2

2
0
0

1
1
1

II

3
1 2 1 3

3 L1 L2 0 2
1
3 .
4
0 0
1
4
!
!

1 3/2 1/2
1
. ( = 21 )
L1 2 L1
1
0
1

3
1
2
1 3

4 L3 L3 2L1 0
0
1
4 . ( = 2)
1
0 4
1
7

1.5 Matriz escalonada e caracterstica de uma matriz


Definio 1.30
Sejam A, B Mmn (K). As matrizes A e B dizem-se equivalentes por linhas
se se pode obter B a partir de A efetuando um nmero finito de transformaes
elementares sucessivas sobre as linhas de A. Nesse caso, escrevemos A 'L B.

Definio 1.31
O piv de uma linha no nula de uma matriz o elemento no nulo mais esquerda
dessa linha. (Considera-se que uma linha nula no tem pivs.)

Definio 1.32
Uma matriz A Mmn (K) diz-se escalonada se satisfaz as seguintes condies:
1

Se a linha r de A nula, ento as linhas r + 1, . . . , m tambm so nulas, i.e.


se A tem uma linha nula, ento as linhas seguintes, se existirem, tambm so
nulas.

Se s {1, . . . , m 1} tal que a linha s de A no nula e ast o piv


dessa linha, ento as+1,j = 0, para qualquer j {1, . . . , t}, i.e. medida que
percorremos as linhas por ordem crescente, os pivs vo ficando em colunas
cada vez mais direita.

1.5 Matriz escalonada e caracterstica de uma matriz


Exemplo 1.33
Qualquer matriz nula est escalonada.
Se representa um escalar no nulo e
seguintes matrizes esto escalonadas:

0 0 0 , 0
0 0
0 0 0 0

um escalar qualquer, ento as

, 0 ,
0

As seguintes matrizes no esto escalonadas:

0
0

0
0
1

0
0

3
1 ,
0
0
0

0
4
2
0

0
0
1
0

0
1
0

,
0

4
3
0
0

0
2
3


1
2

5 , 0
0
0

Proposio 1.34
Qualquer matriz equivalente por linhas a uma matriz escalonada.

0
0
0

0
1

1.5 Matriz escalonada e caracterstica de uma matriz


Algoritmo para transformar uma matriz A Mmn (K) no escalonada
numa matriz escalonada que seja equivalente por linhas a A:
Passo 1 Efetuando, se necessrio, uma troca de linhas (i.e. uma transformao elementar de tipo I), obtm-se uma matriz B cuja primeira linha tem, entre todas as
linhas no nulas de A, o piv mais esquerda. Seja b1t 6= 0 tal piv:

0 . . . 0 b1t
b1,t+1 . . .
b1n
0 . . . 0 b2t
b2,t+1 . . .
b2n

B=
..
..
..
..
..
..
..
.
.
.
.
.
.
.
.
0

...

Passo 2 Para cada linha i de B, com i


com o produto de bbit pela
1t
Obtm-se a matriz

0 ...
0 ...

C=
..
..
.
.
0 ...

bmt

bm,t+1

...

bmn

= 2, . . . , m, substitui-se a linha i pela sua soma


linha 1 (transformao elementar de tipo III).
0
0
..
.
0

b1t
0
..
.
0

b1,t+1
c2,t+1
..
.
cm,t+1

...
...
..
.
...

b1n
c2n
..
.
cmn

Passo 3 Ignora-se a linha 1 de C e aplica-se o mesmo processo restante parte da


matriz C.

1.5 Matriz escalonada e caracterstica de uma matriz


Exemplo 1.35

0 0 0 0
0
0 4 9 3 4

Seja A =
M45 (R). Usando o algoritmo anterior,
0 2 1 5 2
0 1 2 1 1
vamos transformar a matriz A numa matriz B escalonada e equivalente por linhas
a A.

0 1 2 1 1
0 0 0 0
0
0 4 9 3 4
0 4 9 3 4

A =


0 2 1 5 2 L1 L4 0 2 1 5 2
0 0 0 0
0
0 1 2 1 1

0 1
2
1
1
0 1 2
1
1
0 0
0 0 1 1
1
1
0
0

=B
L3 L3 +3L2 0

0
0
3
3
0
0
0
0
0
L2 L2 4L1
0
0
0
0
0
0
0
0
0
0
L L 2L
3

Note-se que a matriz B obtida no a nica resposta possvel. Por exemplo, se se


multiplicar uma linha de B por um escalar no nulo, obtemos ainda uma matriz
escalona e equivalente por linhas a A.
De facto, cada matriz equivalente por linhas a uma infinidade de matrizes escalonadas.

1.5 Matriz escalonada e caracterstica de uma matriz


Proposio 1.36
Seja A Mmn (K). Quaisquer duas matrizes escalonadas e equivalentes por
linhas a A tm o mesmo nmero de linhas no nulas.

Definio 1.37
Seja A Mmn (K). A caracterstica de A representa-se por rk(A) e o nmero
de linhas no nulas de qualquer matriz escalonada equivalente por linhas a A.

Proposio 1.38
Seja A Mmn (K). Ento rk(A) min{m, n}, ou seja, rk(A) m e rk(A) n.

Exemplo 1.39
rk(0mn ) = 0

Se A = 0
0

Se B = 2
3

e rk(In ) = n.

1 0

3
1 , ento rk(A) = 2.
0
0

2 , ento rk(B) = 1.
3

1.5 Matriz escalonada e caracterstica de uma matriz


Definio 1.40
Uma matriz diz-se escalonada reduzida se:
1 est escalonada;
2

os pivs so todos iguais a 1;

os restantes elementos das colunas dos pivs so iguais a 0.

Proposio 1.41
Qualquer matriz equivalente por linhas a uma nica matriz escalonada reduzida.

Exemplo 1.42
Qualquer matriz nula e In esto escalonadas reduzidas.


1 2 0
0



no esto escalonadas reduzidas.


0 1
0 1 0 , 1 e
0 0 0
0

1 0 3 0 6
0 1 5 3 0 5

0
0 4 e 0 0 0 0 1 1 esto escalonadas
0 1
0 0
0
1 0
0 0 0 0 0 0
reduzidas.

1.5 Matriz escalonada e caracterstica de uma matriz

Algoritmo para transformar uma matriz A = (aij ) Mmn (K) escalonada


numa matriz escalonada reduzida que seja equivalente por linhas a A:
Passo 1 Seja ask 6= 0 o piv da ltima linha no nula de A (i.e. da linha no nula que
est mais abaixo na matriz A). Multiplica-se essa linha s por a1 (i.e. uma
sk
transformao elementar de tipo I), obtendo-se uma matriz B = (bij ) cujo piv
da linha s 1. Se s = 1, B est escalonada reduzida e o processo termina.
Passo 2 Para cada linha i de B, com i = 1, . . . , s 1, substitui-se a linha i pela sua
soma com o produto de bik pela linha s (transformao elementar de tipo
III). Obtm-se uma matriz C em que as entradas da coluna k so todas nulas,
excetuando o piv (da linha s) que igual a 1.
Passo 3 Na matriz C, ignoram-se a linha s e todas as outras abaixo dessa linha s, e
aplica-se o mesmo processo restante parte da matriz C.

1.5 Matriz escalonada e caracterstica de uma matriz

Exemplo 1.43

0 1
0 0

Seja A =
0 0
0 0
vamos transformar a
por linhas a A.

0
0

A =
0
0

0
0

L1 L1 +L3 0
0

2
1
1
1 1
0

M45 (R). Usando o algoritmo anterior,


0
0
3
0
0
0
matriz A numa matriz B escalonada reduzida e equivalente

1
0
0
0
1
0
0
0

2
1
0
0
2
1
0
0

1
1
0
0
1
1
0
0

0
1
0


3 L3 31 L3 0
0
0

0
0
0
0

1 L1 L1 2L2 0
0
0

1
0
0
0
1
0
0
0

2
1
0
0
0
1
0
0

1
1
0
0
3
1
0
0

1
0

1
0

0
0

=B
1
0

1.6 Propriedades das matrizes invertveis e clculo da inversa de uma


matriz

Teorema 1.44
Seja A Mnn (K) uma matriz quadrada de ordem n. As seguintes afirmaes
so equivalentes:
A invertvel.
rk(A) = n.
A matriz escalonada reduzida equivalente por linhas a A a identidade, In .

Exemplo 1.45

1
2
4

Seja A = 0
3
5 . Como rk(A) = 2 6= 3 (exerccio!), ento A no
2
1
3
invertvel.

1 2 4

Seja B = 0 3 5 . Como rk(B) = 3 (exerccio!), ento B invertvel.


0
3
1

1.6 Propriedades de matrizes invertveis e clculo da inversa de uma


matriz
Algoritmo para calcular a inversa A1 de uma matriz invertvel A
Mnn (K):
Efetuamos transformaes elementares sobre as linhas de A de modo a obter In
(i.e. transformamos A na correspondente matriz escalonada reduzida). Simultaneamente, efetuamos as mesmas transformaes, pela mesma ordem identidade In .
A matriz que obtemos no final, a partir de In A1 .

Exemplo 1.46

Seja A = 2
1

0
2
0

(A|In ) = 2
1

2 . Vamos calcular A1 .
0
0
2
0

1
2
0

1
0
0

0
1
0

0
1

0 0
L2 L2 2L1
0
1

0
2
0

1
0
1

1
2
1

0
1
0

0
1

L3 L3 +L1

0
L2 1 L2
0
2
L1 L1 L3

0
1
0

0
0
1

0
1
1

0
1/2
0

0 .
1

A1

= 1
1

0
1/2
0

0
1

1.7 Sistemas de equaes lineares - mtodo de eliminao de Gauss


Definio 1.47
1

Seja n N. Uma equao linear nas incgnitas x1 , . . . , xn sobre K uma


equao do tipo
a1 x1 + + an xn = b,
(1)
onde a1 , . . . , an K so os coeficientes e b K o termo independente.
Sejam m, n N. Um sistema de m equaes lineares (ou sistema linear)
nas n incgnitas x1 , . . . , xn um conjunto de m equaes lineares:

a11 x1 + + a1n xn = b1

..
..
.
.

am1 x1 + + amn xn = bm .
Se b1 = = bm = 0, o sistema (2) diz-se homogneo.

Definio 1.48
Uma soluo de um sistema uma soluo de todas as equaes que o
compem.
Um sistema linear diz-se:
impossvel se no admite nenhuma soluo.
possvel determinado se admite uma nica soluo.
possvel indeterminado se admite mais do que uma soluo.

(2)

1.7 Sistemas de equaes lineares - mtodo de eliminao de Gauss


Observao 1.49
Note-se que, se b1 = = bm = 0, ento (0, 0, . . . , 0) Kn soluo do sistema
(2). Logo, um sistema homogneo sempre possvel, podendo ser determinado ou
indeterminado.

Exemplo 1.50

x + 2y = 0
O sistema linear homogneo
2x 4y = 0

admite (0, 0) e (2, 1) como

solues, logo trata-se de um sistema possvel indeterminado.

Dado um sistema linear, o objetivo desta seco dar resposta aos seguintes problemas:
(P1 ) Indicar se o sistema impossvel, possvel determinado ou possvel indeterminado, sem resolv-lo. Chama-se a este processo, a discusso do sistema.
(P2 ) Indicar o conjunto de todas as solues do sistema (que ser o conjunto vazio se
o mesmo for impossvel). Chama-se a este processo, a resoluo do sistema.

1.7 Sistemas de equaes lineares - mtodo de eliminao de Gauss


Definio 1.51
Dado o seguinte sistema de m equaes lineares nas n incgnitas x1 , . . . , xn ,

a11 x1 + + a1n xn = b1

..
..
.
.

am1 x1 + + amn xn = bm .

(3)

chamaremos forma matricial do sistema (3) igualdade de matrizes AX = B,


onde

x1
b1
a11
a1n

.
.

X=
B=
A =

,
.. ,
.. .
am1 amn
x
b
n

A matriz A Mmn (K) diz-se a matriz simples, X Mn1 (K) diz-se a matriz
das incgnitas e B Mm1 (K) diz-se a matriz dos termos independentes.
A matriz ampliada (ou aumentada ) do sistema (3) a matriz em Mm(n+1) (K)
cuja coluna i (i = 1, . . . , n) igual coluna i de A e cuja coluna n + 1 igual
(nica) coluna de B. Essa matriz denotada por (A|B).

1.7 Sistemas de equaes lineares - mtodo de eliminao de Gauss


Exemplo 1.52
A representao matricial do sistema de equaes lineares

x1 + x2 x3 = 0

2x + x = 1
1
2

x1 x3 = 1

3x1 + x2 x3 = 2
dada por

1
2

1
3

1
1
0
1

1
0
1
1

0
x1

1
x2 =

1
x3
2

e a sua matriz ampliada

1
2

1
3

1
1
0
1

1
0
1
1

0
1
1
2

1.7 Sistemas de equaes lineares - mtodo de eliminao de Gauss


Definio 1.53
Dois sistemas dizem-se equivalentes se tm o mesmo conjunto de solues.

Proposio 1.54
Seja AX = B um sistema linear. Se as matrizes (A|B) e (A0 |B 0 ) so equivalentes
por linhas, ento os sistemas AX = B e A0 X = B 0 so equivalentes.
A proposio anterior muito til para responder aos problemas da discusso e
resoluo de um sistema linear, denotados atrs por (P1 ) e (P2 ), respetivamente.

Proposio 1.55
Sejam A Mmn (K) e B Mm1 (K). Ento
rk(A|B) = rk(A)

ou

rk(A|B) = rk(A) + 1.

Em particular,
rk(A) rk(A|B).

1.7 Sistemas de equaes lineares - mtodo de eliminao de Gauss


Sejam A Mmn (K) e B Mm1 (K). Como rk(A) rk(A|B) e como rk(A) n,
a comparao entre os inteiros n, rk(A) e rk(A|B) conduz-nos a um nico dos
seguintes trs casos:
rk(A) < rk(A|B)

qq
qqq
q
q
qq
qqq
AX = B
OOO
OOO
OOO
OOO
O

rk(A) = rk(A|B) = n

kk
kkk
kkk
k
k
k
kkk
rk(A) = rk(A|B)
SSS
SSS
SSS
SSS
SS

rk(A) = rk(A|B) < n


O prximo teorema diz-nos que a discusso de um sistema linear fica resolvida se
determinarmos qual dos trs casos anteriores que ocorre.

1.7 Sistemas de equaes lineares - mtodo de eliminao de Gauss


Teorema 1.56
Seja AX = B um sistema linear a n incgnitas, A Mmn (K), B Mm1 (K).
1. Se rk(A) < rk(A|B), ento o sistema impossvel.
2. Se rk(A) = rk(A|B), ento o sistema possvel. Alm disso:
2.1. Se rk(A) = rk(A|B) = n, ento o sistema possvel determinado.
2.2. Se rk(A) = rk(A|B) < n, ento o sistema possvel indeterminado.

rk(A) < rk(A|B)


Sistema impossvel

ss
ss
s
s
ss
ss
s
s
AX = B
MMM
MMM
MMM
MMM
M

rk(A) = rk(A|B) = n
Sistema possvel determinado

k
kkk
kkk
k
k
kk
kkk

rk(A)=rk(A|B)
Sistema possvel

SSS
SSS
SSS
SSS
SS
rk(A) = rk(A|B) < n
Sistema possvel indeterminado

1.7 Sistemas de equaes lineares - mtodo de eliminao de Gauss


O mtodo de eliminao de Gauss um processo para discutir e resolver sistemas lineares AX = B usando matrizes. Este processo consiste na obteno de
uma matriz (A0 |B 0 ) escalonada e equivalente por linhas matriz ampliada (A|B).
Para discutir o sistema usa-se o teorema anterior, notando que rk(A|B) = rk(A0 |B 0 ).
Depois, se o sistema for possvel, a resoluo feita transformando a matriz (A0 |B 0 )
na sua forma escalona reduzida.
Como exemplo da discusso e resoluo de um sistema linear usando o mtodo
de eliminao de Gauss, consideremos o seguinte sistema linear nas incgnitas
x, y, z, w R,

x + 2y + z 3w = 5
(4)
2x + 4y + 4z 4w = 6

x 2y 3z w = 3

1 2
1
3 5
1
2
1
3 5

(A|B) = 2
4
4
4 6 0 0
2
2
4
L2 L2 2L1
1 2 3 1
3
0 0 2 4 2

L3 L3 +L1
1 2 1 3 5

0 0 2
2
4 = (A0 |B 0 ).
L3 L3 +L2
0 0 0 2
2
rk(A) = rk(A|B) = 3 < 4 = no incgnitas, logo o sistema possvel indeterminado.

1.7 Sistemas de equaes lineares - mtodo de eliminao de Gauss


Passemos sua resoluo:

1 2 1 3 5
1 2 1 3 5

0 0 1
(A0 |B 0 ) = 0 0 2
2
4
1
2
1
L2 L2
0 0 0 2
2
0 0 0
1
1
2

L3 1 L3
2
1 2 1 0 8
1 2 0 0 11

0 0 1 0
3 0 0 1 0
3 .
L1 L1 L2
L1 L1 +3L3
0 0 0 1 1
0 0 0 1
1
L2 L2 L3

x + 2y = 11
Daqui conclumos que o sistema (4) equivalente ao sistema z = 3

w = 1

x = 2y 11

y R
cuja soluo
.

z=3

w = 1
Assim, o conjunto soluo do sistema (4)
S = {(x, y, z, w) R4 : x = 2y 11 z = 3 w = 1}
ou, equivalentemente,
S = {(2y 11, y, 3, 1) : y R}.

2. Determinantes

2.1 Definio
Nesta seco, consideremos apenas matrizes quadradas.

Notao 2.1
ij a matriz que se
Seja A Mnn (K), com n 2. Dados i, j {1, . . . , n}, seja A
ij M(n1)(n1) (K).
obtm de A suprimindo a linha i e a coluna j. Assim, A

Exemplo 2.2

Se A = 4
7

2
5
8

12 =
6 , ento A
9

4
7

6
9

!
31 =
eA

2
5

3
6

!
.

Definio 2.3
Seja A = (aij ) Mnn (K). O determinante de A representa-se por det(A) ou
|A|, e o elemento de K definido, por recorrncia, da seguinte forma:
se n = 1, ento det(A) = a11 ;
se n 2, ento,
11 ) + (1)1+2 a12 det(A
12 ) + + (1)1+n a1n det(A
1n )
det(A) = (1)1+1 a11 det(A
=

n
X

1k ).
(1)1+k a1k det(A

k=1

2.2 Teorema de Laplace


Exemplo 2.4
a11
a21

Se A =

a12
a22

!
, ento aplicando a frmula anterior, obtemos

det(A) = a11 a22 a12 a21 .

a11 a12 a13

Se A = a21 a22 a23 , ento aplicando a frmula da Definio 2.3 e o


a31 a32 a33
exemplo anterior implicam que:

13 )
11 ) + (1)1+2 a12 det(A
12 ) + (1)1+3 a13 det(A
det(A) = (1)1+1 a11 det(A
= a11 (a22 a33 a23 a32 ) a12 (a21 a33 a23 a31 ) + a13 (a21 a32 a22 a31 )
= a11 a22 a33 + a21 a32 a13 + a31 a12 a23 a21 a12 a33 a11 a32 a23 a31 a22 a13 .
Uma mnemnica para memorizar a frmula do determinante de matrizes 3 3
dada pela regra de Sarrus, que consiste no seguinte. Comea-se por escrever,
abaixo da matriz, as duas primeiras linhas da mesma. Depois somam-se os produtos
dos elementos das trs diagonais com a direo & e subtraem-se os produtos dos
elementos das trs diagonais com a direo %.

2.2 Teorema de Laplace


Exemplo 2.5

Seja A = 1
1

1
0
1

1 . Pela regra de Sarrus, det(A) = 0 + 1 + 1 0 0 0 = 2.


0

Note-se a a regra de Sarrus s vlida para matrizes 3 3.


Note-se tambm que a frmula da Definio 2.3 dada usando a linha 1 da matriz
A. O prximo importante teorema diz que qualquer outra linha ou coluna poderia
ser usada.

Teorema 2.6 (Teorema de Laplace)


Seja A = (aij ) Mnn (K) com n 2. O determinante de A dado por
i1 ) + (1)i+2 ai2 det(A
i2 ) + + (1)i+n ain det(A
in )
det(A) = (1)i+1 ai1 det(A
(5)
onde i = 1, . . . , n ou por
1j ) + (1)2+j a2j det(A
2j ) + + (1)n+j anj det(A
nj )
det(A) = (1)1+j a1j det(A
(6)
onde j = 1, . . . , n.

2.2 Teorema de Laplace


A frmula (5) diz-se o desenvolvimento do determinante segundo a linha
i. Analogamente, (6) diz-se o desenvolvimento do determinante segundo a
coluna j.
Assim, conclumos que o Teorema de Laplace d-nos vrias forma diferentes de
calcular o determinante de uma matriz A. Claro est que todas essa formas tm
de conduzir ao mesmo valor, que o determinante de A. Por razes bvias, se a
matriz tiver elementos nulos, h grande vantagem em aplicar o Teorema de Laplace
a uma linha ou coluna com o mximo de elementos nulos.

Exemplo 2.7

0 . Clculo de det(A), pelo Teorema de Laplace, usando a:


2


1 9


linha 3: det(A) = (1)6 2
= 2 (31) = 62.
4 5






4 5
4 0
5 0






linha 1: det(A) =
+3
= 62.
9
0 0
0 2
0 2




4 0
1 3




coluna 2: det(A) = 9
+5
= 62.
0 2
0 2

Seja A = 4
0

9
5
0

2.3 Propriedades
Proposio 2.8
Seja A Mnn (K).
det(A) = det(At );
Se A tem uma linha ou coluna nula, ento det(A) = 0;
Se A tem duas linhas ou colunas iguais, ento det(A) = 0.
Recordemos da Definio 1.6 que uma matriz quadrada A = (aij ) diz-se triangular
superior se aij = 0, sempre que i > j e diz-se triangular inferior se aij = 0, sempre
que i < j. Ou seja, uma matriz triangular superior da forma


0
0

e uma matriz triangular inferior da forma

0
0

2.3 Propriedades
Proposio 2.9
O determinante de uma matriz triangular superior ou triangular inferior igual
ao produto dos elementos da sua diagonal principal.

Dadas matrizes A, B Mnn (K), em geral, tem-se que


det(A + B) 6= det(A) + det(B).
Por exemplo,
1
0

det

0
0

!
+

mas
det

1
0

0
0

0
0

!
+ det

0
5

!!
= det

0
0

0
5

1
0

0
5

!
= 0 + 0 = 0.

= 5,

2.3 Propriedades
Proposio 2.10
Sejam

a11

A = bi1 + ci1


an1

a1n
a11

bin + cin , B = bi1



ann
an1

a11 a1n

C = ci1
cin .

an1

a1n

bin

ann

ann

Para cada i = 1, . . . , n, tem-se que det(A) = det(B) + det(C).

Sejam
a11
b1i + c1i a1n

A =

,
an1 bni + cni ann

a11 b1i a1n


a11 c1i

B =


e C =
an1 cni
an1 bni ann
Para cada i = 1, . . . , n, tem-se que det(A) = det(B) + det(C).

a1n

.
ann

2.3 Propriedades
Exemplo 2.11

a


c

b+x
d+y


a

=
c

b
d


a

+
c

x
y

Proposio 2.12
A troca de linhas ou a troca de colunas (transformao elementar de tipo I da
Definio 1.28) troca o sinal do determinante.
A multiplicao de uma linha ou de uma coluna por um escalar no nulo
(transformao elementar de tipo II da Definio 1.28) implica que o determinante tambm fica multiplicado por .
A soma de uma linha com o mltiplo de outra linha (transformao elementar
de tipo III da Definio 1.28) no altera o determinante. O mesmo vlido
para a mesma transformao com colunas.

2.3 Propriedades
Exemplo 2.13




















1
4
7

2
5
8

3
4
7
1
4
7




1 2




= 7 8



4 5



9



6 = 3



9

1
2


5
= 4

9 12

3
6
9
6
5
8

2
5
8

3
6
9

3
9
6
1
4
7

2
5
8


3

6 .

15

3
6
9

Proposio 2.14
Sejam A Mnn (K) e K. Ento, det(A) = n det(A) .

Exemplo 2.15

2


8

14

4
10
16

6
12
18




1




= 8 4



7

2
5
8

3
6
9

2.3 Propriedades
J sabemos que toda a matriz A Mnn (K) equivalente por linhas a uma matriz
escalonada A0 Mnn (K), que triangular superior. Ento temos o seguinte
processo para o clculo do determinante de uma matriz A Mnn (K):
Transforma-se A num matriz escalonada A0 , usando transformaes elementares;
Obtm-se a relao entre det(A) e det(A0 ), considerando as alteraes no determinante resultantes de cada uma das transformaes elementares usadas (ver
Proposio 2.12);
Como det(A0 ) igual ao produto dos elementos da sua diagonal principal e
conhecida a relao entre det(A0 ) e det(A), obtm-se det(A).

Exemplo 2.16

0


1

2

5
2
6


1


= 5 0

0

10
3
8
2
1
2



1





= 0
L1 L2
2



3

=
2
L3 L3 2L2
2





1 2
3





=
0 5 10


L3 L3 2L1

0 2
2


1 2
3



5 0 1
2 = (5) 1 1 (2) = 10.


0 0 2
2
5
6

3
10
8

2.4 Determinantes, invertibilidade e matriz adjunta


Teorema 2.17
Seja A Mnn (K). Tem-se que A invertvel se e s se det(A) 6= 0.

J vimos que o determinante da soma , em geral, diferente da soma dos determinantes (i.e., det(A+B) 6= det(A)+det(B)). No entanto, o determinante do produto
igual ao produto dos determinantes, como diz o seguinte teorema:

Teorema 2.18
Sejam A, B Mnn (K). Ento,
det(AB) = det(A) det(B).

Corolrio 2.19
Seja A Mnn (K) uma matriz invertvel (logo det(A) 6= 0). Ento,
det(A1 ) =

1
.
det(A)

2.4 Determinantes, invertibilidade e matriz adjunta


Recordemos a Notao 2.1.

Definio 2.20
Seja A Mnn (K), com n 2.
O cofator da posio (i, j) de A escalar dado por
ij ).
(1)i+j det(A
e a matriz que se obtm
A matriz dos cofatores de A representa-se por A
de A substituindo cada elemento pelo cofator da respetiva posio.
A matriz adjunta de A representa-se por adj(A) e a transposta da matriz
dos cofatores de A:
t .
adj(A) = A

Exemplo 2.21
1

a11
a21

Se A =

Se A = 0
4

a12
a22
1
2
0

!
, ento adj(A) =

a22
a21

3
10

0 , ento adj(A) = 0
5
8

a12
a11
5
7
4

!
.

0
2

2.4 Determinantes, invertibilidade e matriz adjunta

Teorema 2.22
Seja A Mnn (K), com n 2 tal que A invertvel. Ento
A1 =

1
adj(A).
det(A)

Exemplo 2.23
Se
A=

a11
a21

a12
a22

invertvel, ou seja se det(A) = a11 a22 a12 a21 6= 0, ento


A1 =

1
adj(A) =
a11 a22 a12 a21

a22
a11 a22 a12 a21
21
a a aa
11 22
12 a21

a12
11 a22 a12 a21
a11
a11 a22 a12 a21

!
.

2.5 Aplicaes resoluo de sistemas lineares - regra de Cramer

Proposio 2.24
Um sistema linear possvel determinado se e s se a sua matriz simples quadrada
e invertvel.

Teorema 2.25 (Regra de Cramer)


Seja AX = B um sistema linear, com A Mnn (K) invertvel. Para cada j
{1, . . . , n}, seja Aj a matriz que se obtm de A substituindo a coluna j pela coluna
de B. Ento, a (nica) soluo do sistema dado o n-uplo (1 , . . . , n ), com
j =

det(Aj )
.
det(A)

2.5 Aplicaes resoluo de sistemas lineares - regra de Cramer


Exemplo 2.26
Consideremos o sistema linear

x + y z = 0

2x + y = 1

x z = 1.

A matriz simples A =

0 , que invertvel, pois det(A) = 2 6= 0 (exerccio). Logo o sistema


1

possvel determinado. A sua matriz dos termos independentes B = 1 .


1
Logo, pela regra de Cramer, o nica soluo do sistema






0 1 1
1 0 1
1 1 0












0
0
1 1
2 1
2 1 1






1 0 1
1 1 1
1 0 1
x=
, y=
, z=
,
2
2
2
ou seja,

x = 1
y = 1

z = 0.

2
1

1
1
0

3. Espaos vetoriais

3.1 Definio, exemplos e propriedades


Comecemos com um exemplo...
Seja R2 = {(x, y) : x R y R}. Consideremos a seguinte operao de adio
em R2 : dados (a, b), (c, d) R2 ,
(a, b) + (c, d) = (a + c, b + d).

(7)

Consideremos tambm a seguinte operao de multiplicao por escalar: dados


R e (a, b) R2 ,
(a, b) = (a, b).
(8)
As operaes anteriores tm as seguintes propriedades:
(A1 ) (a, b), (c, d) R2 , (a, b) + (c, d) = (c, d) + (a, b);
(A2 ) (a, b), (c, d), (e, f ) R2 , ((a, b) + (c, d)) + (e, f ) = (a, b) + ((c, d) + (e, f ));
(A3 ) (x, y) R2 (a, b) R2 , (x, y) + (a, b) = (a, b) = (a, b) + (x, y);
(A4 ) (a, b)

R2

(a0 , b0 )

R2 , (a, b)

(a0 , b0 )

= (0, 0) =

(a0 , b0 )

((x, y) = (0, 0))

+ (a, b);

(M1 ) R (a, b), (c, d) R2 , ((a, b) + (c, d)) = (a, b) + (c, d);
(M2 ) , R (a, b) R2 , ( + )(a, b) = (a, b) + (a, b);
(M3 ) , R (a, b) R2 , ()(a, b) = ((a, b));
(V4 ) (a, b) R2 , 1(a, b) = (a, b).
Devido s propriedades anteriores, diz-se que R2 , munido das operaes (7) e (8)
(ditas usuais) um espao vetorial real (ou sobre R).

3.1 Definio, exemplos e propriedades


Definio 3.1
Seja E um conjunto no vazio e K = R ou K = C, onde esto definidas as duas
seguintes operaes:
a adio que a cada u, v E associa um s elemento de E representado por
u + v.
a multiplicao escalar que a cada K e a cada u E associa um s
elemento de E representado por u ou simplesmente por u.
Diz-se que E com estas operaes um espao vetorial sobre K, ou que (E, +, )
um espao vetorial sobre K, se as operaes anteriores tm as seguintes propriedades:
(A1 ) u, v E, u + v = v + u;
(A2 ) u, v, w E, (u + v) + w = u + (v + w);
(A3 ) 0E E u E, 0E + u = u = u + 0E ;
(A4 ) u E u0 E, u + u0 = 0E = u0 + u;
(M1 ) K u, v E, (u + v) = u + v;
(M2 ) , K u E, ( + )u = u + u;
(M3 ) , K u E, ()u = (u);
(V4 ) u E, 1u = u.
Neste caso, os elementos de E designam-se por vetores.

3.1 Definio, exemplos e propriedades


Exemplo 3.2
1

Rn com a operao usual de adio, dada por


(a1 , . . . , an ) + (b1 , . . . , bn ) = (a1 + b1 , . . . , an + bn )
e com a multiplicao escalar usual, definida por
(a1 , . . . , an ) = (a1 , . . . , an )
um espao vetorial real.

O conjunto Mmn (K), com as operaes de adio e de multiplicao escalar


definidas no Captulo I, um espao vetorial sobre K.

Seja n N e seja Rn [x] o conjunto de todos os polinmios na varivel x, com


coeficientes em R, de grau menor ou igual a n:
Rn [x] = {a0 + a1 x + a2 x2 + + an xn : a0 , a1 , . . . , an R}.
Rn [x] com a adio de polinmios dada por
a0 +a1 x+ +an xn +b0 +b1 x+ +bn xn = a0 +b0 +(a1 +b1 )x+ +(an +bn )xn
e com a multiplicao escalar dada por
(a0 + a1 x + + an xn ) = a0 + a1 x + + an xn
um espao vetorial real.

R2 com (a, b) (c, d) = (a c, b d) (e com a multiplicao escalar usual)


no um espao vetorial.

3.2 Subespaos vetoriais


Definio 3.3
Seja E um espao vetorial sobre K e seja F um subconjunto de E. O subconjunto F
diz-se um subespao (vetorial) de E se F , com as mesmas operaes de E (ditas
operaes induzidas das de E), tambm um espao vetorial sobre K.

Teorema 3.4
Sejam E um espao vetorial sobre K e F E. Ento F um subespao de E se e
s se as seguintes condies se verificam:
0E F ;
u, v F, u + v F ;
K u F, u F .

Observao 3.5
Se E um espao vetorial, ento {0E } e E so subespaos vetoriais de E (ditos
triviais).

3.2 Subespaos vetoriais


Exemplo 3.6
Seja F = {(x, y) R2 : 2x + y = 0}. Vejamos que F subespao de R2 (com as
operaes usuais). Obviamente, F R2 .
0R2 = (0, 0) F , pois 2 0 + 0 = 0.
Sejam (a, b), (a0 , b0 ) F . Queremos ver que (a, b) + (a0 , b0 ) F . Ora, (a, b) +
(a0 , b0 ) = (a + a0 , b + b0 ) e este elemento pertence a F se satisfaz a equao
2x + y = 0, ou seja se 2(a + a0 ) + (b + b0 ) = 0. Mas,
2(a + a0 ) + (b + b0 ) = 2a + b 2a0 + b0 = 0 + 0 = 0

(9)

onde a segunda igualdade vlida porque por hiptese (a, b) F e (a0 , b0 ) F .


Portanto, por (9) conclumos que (a, b) + (a0 , b0 ) F .
Sejam R e (a, b) F . Queremos ver que (a, b) F . Ora, (a, b) =
(a, b) e, de novo, este elemento pertence a F se satisfaz a equao 2x + y =
0, ou seja se 2(a) + b = 0. Mas,
2(a) + b = (2a + b) = 0 = 0

(10)

onde a segunda igualdade vlida porque por hiptese (a, b) F . Portanto,


por (10) conclumos que (a, b) F .
Conclumos ento, pelo teorema anterior, que F um subespao vetorial de R2 .

3.2 Subespaos vetoriais


Teorema 3.7
Se F e G so subespaos de um espao vetorial E, ento F G tambm subespao
de E.

Exemplo 3.8
Sejam
F = {(x, y, z, w) R4 : x y = 0 x y w = 0}
e
G = {(x, y, z, w) R4 : y z = 0 w = 0}
subespaos vetoriais de R4 . Ento F G tambm um subespao de R4 . Calculemos
F G:
F G = {(x, y, z, w) R4 : x y = 0 x y w = 0 y z = 0 w = 0}.

xy =0
x=z

x y w = 0
y = z
O sistema linear
equivalente a
, donde resulta que

yz =0
zR

w=0
w=0
F G = {(x, y, z, w) R4 : x = z y = z w = 0} = {(z, z, z, 0) : z R}.

3.2 Subespaos vetoriais


Observao 3.9
A unio de subespaos pode no ser um subespao. Por exemplo,
F = {(x, y) : x = 0} e G = {(x, y) : y = 0}
so subespaos vetoriais de R2 , mas F G no o , pois (1, 0) F G e (0, 2) F G,
mas (1, 0) + (0, 2) = (1, 2)
/ F G.
O seguinte resultado diz-nos quando a unio de subespaos ainda um subespao:

Proposio 3.10
Sejam F, G subespaos de um espao vetorial E. Ento F G subespao de E
se e s se F G (logo F G = G) ou G F (logo F G = F ).

Definio 3.11
Sejam F, G subespaos de um espao vetorial E. A soma dos subespaos F e G
representa-se por F + G e o subconjunto de E dado por
F + G = {u + v : u F v G}.

Teorema 3.12
Sejam F, G subespaos de um espao vetorial E. Ento F + G tambm subespao
de E.

3.2 Subespaos vetoriais


Exemplo 3.13
Sejam

F = {(x, y, z) R3 : y = 2x z = x},
G = {(x, y, z) R3 : y = 0 z = 2x}

subespaos de R3 . Calculemos F + G. Comecemos por notar que


F = {(x, 2x, x) : x R} e G = {(x0 , 0, 2x0 ) : x0 R}.
Agora, (a, b, c) F + G se e s se (a, b, c) = (x, 2x, x) + (x0 , 0, 2x0 ), para alguns
x, x0 R. Ora,

a = x + x
(a, b, c) = (x, 2x, x) + (x0 , 0, 2x0 ) b = 2x

c = x 2x0

x0 = a 2b

x = 2b

2a + c = 0
2
Portanto,
F + G = {(x, y, z) R3 : 2x

y
+ z = 0}.
2

3.2 Subespaos vetoriais


Definio 3.14
Sejam E um subespao vetorial sobre K e u1 , . . . , ur vetores de E. Seja v E.
Diz-se que v combinao linear dos vetores u1 , . . . , ur se existirem escalares
(no necessariamente nicos) 1 , . . . , r K tais que
v = 1 u1 + + r ur .
Os escalares 1 , . . . , r dizem-se os coeficientes da combinao linear.

Exemplo 3.15
Em qualquer espao vetorial E, o vetor nulo 0E sempre combinao linear de
quaisquer vetores u1 , . . . , ur E, pois 0E = 0u1 + + 0ur .
Em R2 , vejamos se (2, 3) combinao linear de (1, 0) e (1, 2). Queremos ento
ver se existem escalares , R tais que (2, 3)= (1, 0) + (1, 2) ou, de modo
+ = 2
equivalente, queremos resolver o sistema linear
. Este sistema tem
2 = 3

= 1/2
soluo
, donde (2, 3) = 21 (1, 0) + 32 (1, 2) i.e. (2, 3) combinao
= 3/2
linear de (1, 0), (1, 2) de uma nica forma.
Mostre que (2, 3) combinao linear de (4, 6) e (2, 3) de infinitas formas
diferentes.
Mostre que (2, 3) no combinao linear de (1, 0) e (2, 0).

3.2 Subespaos vetoriais

Observao 3.16
Verificar se um vetor v de um espao vetorial E ou no combinao linear de um
conjunto de vetores u1 , . . . , ur E um problema que se reduz discusso de um
sistema linear. De facto, v combinao linear de u1 , . . . , ur se e s se tal sistema
possvel. No caso de ser determinado, tal equivale a dizer que os coeficientes da
combinao linear so nicos.

Proposio 3.17
Sejam E um espao vetorial e u1 , . . . , ur E. O conjunto de todas as combinaes
lineares dos vetores u1 , . . . , ur um subespao de E, designado por subespao
gerado pelos vetores u1 , . . . , ur e representa-se por hu1 , . . . , ur i. Assim,
hu1 , . . . , ur i = {1 u1 + + r ur : i K}.
Os vetores u1 , . . . , ur dizem-se os geradores do subespao hu1 , . . . , ur i e diz-se que
u1 , . . . , ur geram hu1 , . . . , ur i.

3.2 Subespaos vetoriais


Exemplo 3.18
h(1, 0), (0, 1)i = R2 , pois todo vetor de R2 combinao linear de (1, 0), (0, 1).
Seja F = {(x, y, z) R3 : x + 2z = 0}. Vamos calcular geradores de F . Tem-se
que
F = {(2z, y, z) : y, z R} = {y(0, 1, 0) + z(2, 0, 1) : z R}
= h(0, 1, 0), (2, 0, 1)i
ou seja, F gerado pelos vetores (0, 1, 0) e (2, 0, 1).
Seja G = h(1, 2, 4, 0), (0, 0, 1, 1)i subespao de R4 .
Vamos determinar
equao(es) que definem G. Tem-se que (x, y, z, w) G se e s se existem
, R tais que
(x, y, z, w) = (1, 2, 4, 0) + (0, 0, 1, 1).

=x
=x

2 = y
2x y = 0
Resolvendo
em ordem a , , obtemos

+ 4 = z
4x z + w = 0

=w
= w.
As equaes independentes (note-se que as incgnitas so , ) so as assinaladas, logo
G = {(x, y, z, w) R4 : 2x y = 0 4x z + w = 0}.

3.2 Subespaos vetoriais


Proposio 3.19
Sejam u1 , . . . , ur vetores de um espao vetorial E. Se existe algum i {1, . . . , r}
tal que ui combinao linear dos restantes r 1 vetores, ento
hu1 , . . . , ur i = hu1 , . . . , ui1 , ui+1 , . . . , ur i.
Portanto, se, num conjunto de vetores, existe um que combinao linear dos
restantes, a proposio anterior afirma que esse vetor pode ser eliminado dando
origem a um conjunto que, apesar de ter menos vetores do que o original, gera o
mesmo subespao vetorial. Em particular, se um conjunto de vetores inclui o vetor
nulo, tal vetor pode ser eliminado, sem que o subespao vetorial gerado se altere.

Exemplo 3.20
Pelo Exemplo 3.15, sabemos que (2, 3) combinao linear de (1, 0), (1, 2), logo pela
proposio anterior, h(2, 3), (1, 0), (1, 2)i = h(1, 0), (1, 2)i.

Proposio 3.21
Sejam E um espao vetorial e u1 , . . . , ur e v1 , . . . , vs vetores de E. Ento:
hu1 , . . . , ur i hv1 , . . . , vs i se e s se, para todo i {1, . . . , r}, ui combinao
linear de v1 , . . . , vs .
hu1 , . . . , ur i = hv1 , . . . , vs i se e s se, para todo i {1, . . . , r}, ui combinao
linear de v1 , . . . , vs e, para todo j {1, . . . , s}, vj combinao linear de
u1 , . . . , ur .

3.2 Subespaos vetoriais


Exemplo 3.22
h(4, 2, 0), (2, 0, 0)i ( h(1, 0, 0), (0, 1, 0), (0, 0, 1)i;
h(4, 2, 0), (2, 0, 0), (0, 0, 5)i = h(1, 0, 0), (0, 1, 0), (0, 0, 1)i.

Proposio 3.23
Consideremos m vetores de Kn e sejam A Mmn (K) a matriz cujas linhas
so os vetores dados. Seja A0 uma matriz escalonada equivalente por linhas a
A. Ento, o subespao gerado pelas linhas de A igual ao subespao gerado pelas
linhas no nulas de A0 .

Exemplo 3.24
Consideremos,
em

1
2
3

4
6
2
3 6 9
donde

3
R
, o subespao h(1, 2, 3), (2, 4, 6), (3, 6, 9)i.A matriz
1 2 3

(verificar!) equivalente por linhas matriz 0 0 0 ,


0 0 0

h(1, 2, 3), (2, 4, 6), (3, 6, 9)i = h(1, 2, 3)i


e, portanto, para calcular h(1, 2, 3), (2, 4, 6), (3, 6, 9)i basta calcular h(1, 2, 3)i.

3.2 Subespaos vetoriais


O prximo resultado d-nos uma maneira de determinar geradores da soma de dois
subespaos, sabendo os geradores de cada um deles.

Proposio 3.25
Sejam E um espao vetorial e F e G subespaos de E. Sejam u1 , . . . , ur F e
v1 , . . . , vs G tais que
hu1 , . . . , ur i = F e hv1 , . . . , vs i = G.
Ento,
hu1 , . . . , ur , v1 , . . . , vs i = F + G.

Exemplo 3.26
Se F e G so subespaos de R4 tais que F = h(0, 1, 0, 0), (2, 0, 1, 0), (0, 1, 0, 0)i e
G = h(2, 2, 1, 0), (0, 0, 1, 0)i. Assim,
F + G = h(0, 1, 0, 0), (2, 0, 1, 0), (0, 1, 0, 0), (2, 2, 1, 0), (0, 0, 1, 0)i.
Note-se que o nmero de geradores de F + G apresentados pode no ser o menor
possvel. Para obter esse nmero mnimo de geradores, usa-se, por exemplo, a
Proposio 3.23. A partir desta informao pode-se facilmente determinar equaes
que definam F + G.

3.3 Dependncia e independncia linear


Definio 3.27
Sejam E um espao vetorial e u1 , . . . , ur E. Os vetores u1 , . . . , ur dizem-se linearmente dependentes (l.d.) se pelo menos um deles combinao linear dos
restantes r 1 vetores. Caso isso no acontea, i.e. nenhum dos vetores combinao linear dos outros r 1 vetores, os vetores u1 , . . . , ur dizem-se linearmente
independentes (l.i.).
No caso particular em que r = 2, as definio anterior diz que dois vetores so
linearmente dependentes se um dos vetores mltiplo escalar do outro vetor, ou
seja, igual ao produto de um escalar pelo outro vetor.

Exemplo 3.28
Em R2 ,
os vetores (1, 0) e (0, 1) so l.i.
os vetores (2, 3) e (2, 3) so l.i.
os vetores (2, 3) e (5, 15
2 ) so l.d. pois (5,

Em

15
2 )

5
2 (2, 3).

R3 ,
os vetores (2, 3, 0) e (4, 6, 1) so l.i.
os vetores (2, 0, 4) e (1, 0, 2) so l.d. pois (2, 0, 4) = 2(1, 0, 2).

3.3 Dependncia e independncia linear


Teorema 3.29 (Critrio de Independncia Linear)
Sejam E um espao vetorial e u1 , . . . , ur E. Os vetores u1 , . . . , ur so linearmente dependentes se e s se existem escalares 1 , . . . , r K no todos nulos
(i.e. pelo menos um dos escalares diferente de zero) tais que
1 u1 + + r ur = 0E .
Portanto, u1 , . . . , ur so linearmente independentes se e s se a nica soluo da
equao 1 u1 + + r ur = 0E 1 = = r = 0.

Exemplo 3.30
Sejam (1, 2, 1), (3, 0, 1) R3 . Vamos verificar se estes vetores so l.i ou l.d.
Sejam , R tais que (1, 2, 1) + (3, 0, 1)
= (0, 0, 0). Ora,

3 = 0

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

= 0

=0
Como a nica soluo do sistema anterior a soluo nula, os vetores (1, 2, 1) e
(3, 0, 1) so l.i.

Proposio 3.31
As linhas no nulas de uma matriz escalonada so l.i.

3.4 Bases e dimenso


Definio 3.32
Sejam E um espao vetorial e (u1 , . . . , un ) uma sequncia de vetores de E. Diz-se
que (u1 , . . . , un ) uma base de E se E = hu1 , . . . , un i e se u1 , . . . , un so l.i.
Convenciona-se que E = {0E } tem como base o conjunto vazio.

Exemplo 3.33
((1, 0), (0, 1)) base de R2 pois so l.i. e geram R2 ;
((2, 3), (2, 3)) base de R2 pois so l.i. e geram R2 ;
((1, 0)) no base de R2 pois R2 6= h(1, 0)i;
((2, 3), (5,

15
))
2

no base de R2 pois so l.d.;

((1, 0, 0), (0, 1, 0), (0, 0, 1)) base de R3 pois so l.i. e geram R3 ;
((2, 3, 0), (0, 6, 1), (0, 0, 1)) base de R3 pois so l.i. e geram R3 ;
((2, 3, 0), (0, 6, 1)) no base de R3 pois R3 6= h(2, 3, 0), (4, 6, 1)i;
((2, 0, 4), (1, 0, 2), (0, 0, 1)) no base de R3 pois (2, 0, 4) e (1, 0, 2) so l.d.

Teorema 3.34
Seja E um espao vetorial. Todas as bases de E tm o mesmo nmero de elementos.
Esse nmero designado por dimenso de E e representa-se por dim(E).

3.4 Bases e dimenso


Exemplo 3.35
Como ((1, 0), (0, 1)) base de R2 , ento dim(R2 ) = 2;
Como ((1, 0, 0), (0, 1, 0), (0, 0, 1)) base de R3 , ento dim(R3 ) = 3;
Em geral, dim(Rn ) = n pois
((1, 0, 0, . . . , 0), (0, 1, 0, . . . , 0), (0, 0, 0, . . . , 1))
uma sua base;
Sejam m, n N e, para cada i = 1, . . . m, j = 1, . . . , n, seja Eij a matriz de
Mmn (K) com todas as entradas nulas, exceto a entrada na posio (i, j) que
igual a 1. Ento (E11 , E12 , . . . , Emn ) uma base de Mmn (K). Resulta que
dim(Mmn (K)) = mn.
Consideremos o espao vetorial Rn [x] introduzido no Exemplo 3.2. Tem-se
que (1, x, x2 , . . . , xn ) uma sua base, pelo que dim(Rn [x]) = n + 1.

Proposio 3.36
Seja E um espao vetorial de dimenso n.
Se E = hu1 , . . . , ur i, ento r n e se r = n ento (u1 , . . . , ur ) base de E.
Se v1 , . . . , vs so vetores l.i. de E, ento s n e se s = n ento (v1 , . . . , vs )
base de E.

3.4 Bases e dimenso


Proposio 3.37
Sejam E um espao vetorial e u1 , . . . , ur E. Ento, (u1 , . . . , ur ) base de E se e
s se qualquer vetor de E combinao linear dos vetores u1 , . . . , ur de uma nica
forma.

Definio 3.38
Sejam E um espao vetorial e b = (u1 , . . . , ur ) uma base de E. Para cada v E,
os nicos escalares 1 , . . . , r K tais que v = 1 u1 + + r ur dizem-se as coordenadas de v relativamente base (u1 , . . . , ur ) e escrevemos v = (1 , . . . , r )b .

Exemplo 3.39
Seja bc = ((1, 0), (0, 1)) uma base de R2 . As coordenadas de (4, 1) relativamente base bc so (4, 1) pois (4, 1) = 4(1, 0) + (1)(0, 1). Ou seja,
(4, 1) = (4, 1)bc
Seja b = ((0, 1), (1, 0)) uma base de R2 . As coordenadas de (4, 1) relativamente base b so (1, 4) pois (4, 1) = (1)(0, 1) + 4(1, 0). Ou seja,
(4, 1) = (1, 4)b

3.4 Bases e dimenso


Exemplo 3.40
Consideremos a seguinte base de R2 : b = ((1, 2)(3, 1)). Calculemos as coordenadas do vetor (4, 1) em relao base b. Queremos determinar , R
tais que (4, 1) = (1, 2) + (3, 1). Ora,

+ 3 = 4
7 3 = 4
= 1
(4, 1) = (1, 2)+(3, 1)

2 = 1
= 2 + 1
= 3.
As coordenadas de (4, 1) em relao a b so ento (1, 3), i.e. (4, 1) = (1, 3)b .
Consideremos a seguinte base de R3 : b = ((1, 1, 0)(2, 0, 1), (0, 3, 1)). Calculemos as coordenadas do vetor (3, 5, 1) em relao base b. Queremos
determinar , , R tais que (3, 5, 1) = (1, 1, 0) + (2, 0, 1) + (0, 3, 1).
Ora,

+ 2 = 3
= 7
(3, 5, 1) = (1, 1, 0)+(2, 0, 1)+(0, 3, 1) + 3 = 5
=5

+ = 1
= 4.
Portanto (3, 5, 1) = (7, 5, 4)b .

3.4 Bases e dimenso


Definio 3.41
Designa-se por base cannica de Kn , representa-se por bc , e a base
bc = (e1 , . . . , en )
onde ei , para cada i = 1, . . . , n, o vetor cujas componentes so todas nulas, exceto
a i-sima que igual a 1.
Por exemplo, a base cannica de R2 bc = ((1, 0), (0, 1)), a base cannica de R3
bc = ((1, 0, 0), (0, 1, 0), (0, 0, 1))
e a base cannica de

R4

bc = ((1, 0, 0, 0), (0, 1, 0, 0), (0, 0, 1, 0), (0, 0, 0, 1)).


Note-se que as coordenadas de qualquer vetor (a1 , . . . , an ) Rn em relao base
cannica de Rn so (a1 , . . . , an ).

Proposio 3.42
Seja E um espao vetorial de dimenso finita. Se F um subespao de E, ento
dim(F ) dim(E). Se dim(F ) = dim(E), ento F = E.

3.5 O teorema das dimenses

Teorema 3.43 (Teorema das dimenses)


Sejam E um espao vetorial e F e G subespaos de E com dimenso finita. Ento
dim(F + G) = dim(F ) + dim(G) dim(F G).

Exemplo 3.44
Sejam F e G subespaos de R3 tais que dim(F ) = 2, dim(G) = 1 e F G =
{(0, 0, 0)}. Ento, dim(F G) = 0, logo dim(F + G) = 3, donde F + G = R3 .

3.6 Matrizes e espaos vetoriais


Proposio 3.45
Seja A Mmn (K) uma matriz.
O subespao de Kn gerado pelas linhas A igual ao subespao gerado pelas
linhas de uma qualquer matriz escalonada e equivalente por linhas a A.
As linhas no nulas de uma matriz escalonada so l.i.
A dimenso do subespao de Kn gerado pelas linhas A igual a rk(A).

Exemplo 3.46
Seja S = h(1, 1, 0, 0), (0, 1, 0, 0), (0, 0, 1, 0), (1, 1, 1, 0)i, em R4 .
queremos calcular dim S. Consideramos a matriz

1 1 0 0
0 1 0 0

A=
.
0 0 1 0
1 1 1 0
Escalonando A, obtemos a matriz

1
0
0
0

1
1
0
0

0
0
1
0

0
0
0
0

Suponhamos que

donde dim S = rk(A) = 3 e, de facto, S = h(1, 1, 0, 0), (0, 1, 0, 0), (0, 0, 1, 0)i.

4. Aplicaes Lineares

4.1 Definies e propriedades


Ao longo deste captulo, E, E 0 e E 00 representaro espaos vetoriais sobre K.

Definio 4.1
Uma aplicao f : E E 0 diz-se linear se satisfaz as seguintes condies:
u, v E, f (u + v) = f (u) + f (v);
u E K, f (u) = f (u).
Note-se que, nas condies apresentadas na definio anterior, no primeiro membro,
a soma e a multiplicao escalar so referentes ao espao vetorial E, e no segundo
membro, so referentes a E 0 . Em cada caso, o contexto evita ambiguidades.

Exemplo 4.2
Sejam K e f : E E dada por f (u) = u, com u E. Sejam u, v E
quaisquer. Ento
f (u + v) = (u + v) = u + v = f (u) + f (v).

(11)

Por outro lado, dados u E e K quaisquer,


f (u) = (u) = ()u = (u) = f (u).
De (11) e (12), resulta que f linear.
Se, no item anterior, = 0, obtm-se a aplicao nula : f (u) = 0E .
Se = 1, obtm-se a aplicao identidade em E:
idE : E E,

idE (u) = u.

(12)

4.1 Definies e propriedades


Exemplo 4.3
Seja f : R3 R2 definida por f (x, y, z) = (x z, 2y). Vejamos que f linear.
Sejam (x, y, z), (x0 , y 0 , z 0 ) R3 quaisquer. Tem-se que
f ((x, y, z) + (x0 , y 0 , z 0 )) = f (x + x0 , y + y 0 , z + z 0 )
= (x + x0 (z + z 0 ), 2(y + y 0 ))
= (x z + x0 z 0 , 2y + 2y 0 )
= (x z, 2y) + (x0 z 0 , 2y 0 )
= f (x, y, z) + f (x0 , y 0 , z 0 ).
Sejam (x, y, z) R3 e R quaisquer. Ento,
f ((x, y, z)) = f (x, y, z)
= (x z, 2y)
= ((x z), 2y)
= (x z, 2y)
= f (x, y, z).
Conclumos, portanto, que f uma aplicao linear.

Proposio 4.4
Seja f : E E 0 linear. Ento f (0E ) = 0E 0 e, para todo u E, f (u) = f (u).

4.2 Operaes com aplicaes


Definio 4.5
Sejam f : E E 0 e g : E E 0 aplicaes arbitrrias. A aplicao soma de
f com g a aplicao f + g : E E 0 tal que, para todo u E,
(f + g)(u) = f (u) + g(u).
Sejam K e f : E E 0 uma aplicao arbitrria. A aplicao produto
de por f a aplicao f : E E 0 tal que, para todo u E,
(f )(u) = f (u).
Sejam f : E E 0 e h : E 0 E 00 aplicaes arbitrrias. A aplicao composta de h com f a aplicao h f : E E 00 tal que, para todo u E,
(h f )(u) = h(f (u)).

Proposio 4.6
Sejam f : E E 0 , g : E E 0 e h : E 0 E 00 aplicaes lineares e K. Ento
f + g, f e h f so tambm aplicaes lineares.

4.3 Imagem e ncleo


Recorde-se que, se A e B so dois conjuntos quaisquer e f : A B uma aplicao,
ento:
f injetiva se a, a0 A, f (a) = f (a0 ) = a = a0 .
f sobrejetiva se b B a A, f (a) = b.
f bijetiva se simultaneamente injetiva e sobrejetiva.
o contradomnio ou imagem de f denota-se por f (A) ou Im(f ) e definido
por
Im(f ) = {f (a) : a A}.
Note-se que f sobrejetiva se e s se Im(f ) = B.

Definio 4.7
Seja f : E E 0 uma aplicao linear. O ncleo de f representa-se por Ker(f ) ou
Nuc(f ) e o conjunto de todos os vetores de E cuja imagem 0E 0 . Ou seja,
Ker(f ) = {u E : f (u) = 0E 0 }.
Pela Proposio 4.4, tem-se que 0E Ker(f ), donde Ker(f ) 6= .

4.3 Imagem e ncleo


Exemplo 4.8
Seja f : R2 R3 definida por f (x, y) = (x + y, x 5y, 2y). Ento,
Ker(f ) = {(x, y) R2 : f (x, y) = (0, 0, 0)}.

x + y = 0
f (x, y) = (0, 0, 0) (x + y, x 5y, 2y) = (0, 0, 0) x 5y = 0

2y = 0
Logo Ker(f ) = {(0, 0)}. Por outro lado,

x = 0

y = 0.

Im(f ) = {(a, b, c) R3 : (a, b, c) = f (x, y) para algum (x, y) R2 }.


Ora,

x + y = a
(a, b, c) = f (x, y) (a, b, c) = (x + y, x 5y, 2y) x 5y = b

2y = c

x = a c/2

a b 3c = 0

y = c/2.
Ou seja, Im(f ) = {(x, y, z) R3 : x y 3z = 0}.

4.3 Imagem e ncleo


Proposio 4.9
Se f : E E 0 uma aplicao linear, ento Ker(f ) um subespao vetorial de E
e Im(f ) um subespao vetorial de E 0 .

Definio 4.10
Sejam f : E E 0 uma aplicao linear, W um subespao de E e W 0 um subespao
de E 0 . A imagem de W o conjunto
f (W ) = {f (u) : u W }
e a imagem inversa de
f

W0
1

o conjunto

(W 0 ) = {u E : f (u) W 0 }.

Note-se que se sendo f : E E 0 uma aplicao linear, ento


Ker(f ) = f 1 (0) e Im(f ) = f (E).
Ento, generalizando a Proposio 4.9, temos:

Proposio 4.11
Sejam f : E E 0 uma aplicao linear, W um subespao de E e W 0 um subespao
de E 0 . Ento f 1 (W 0 ) um subespao de E e f (W ) um subespao de E 0 .

4.3 Imagem e ncleo


Proposio 4.12
Uma aplicao linear f : E E 0 injetiva se e s se Ker(f ) = {0E }.

Exemplo 4.13
Pelo Exemplo 4.8, conclumos que a aplicao linear f : R2 R3 definida por
f (x, y) = (x + y, x 5y, 2y) injetiva.
Seja g : R4 R2 definida por g(x, y, z, w) = (x + y, x z). Ento, Ker(g) =
{(x, y, z, w) R4 : g(x, y, z, w) = (0, 0)}. Assim,

xR

y = x
g(x, y, z, w) = (0, 0) (x + y, x z) = (0, 0)

z=x

wR
isto ,
Ker(g) = {(x, y, z, w) R4 : y = x z = x} = {(x, x, x, w) : x, w R}
= h(1, 1, 1, 0), (0, 0, 0, 1)i.
Como Ker(g) 6= {(0, 0, 0, 0)}, ento g no injetiva.

4.3 Imagem e ncleo


Teorema 4.14
Seja f : E E 0 linear.
Se E = hv1 , . . . , vs i, ento Im(f ) = hf (v1 ), . . . , f (vs )i.
Se u1 , . . . , ur E, so l.i. e f injetiva, ento f (u1 ), . . . , f (ur ) so l.i.

Corolrio 4.15
Sejam f : E E 0 linear e W um subespao de E.
Se W = hw1 , . . . , wk i, ento f (W ) = hf (w1 ), . . . , f (wk )i.
Se f injetiva, ento dim(W ) = dim(f (W )).
Seja f : E E 0 linear. Pela Proposio 4.9, Im(f ) um subespao de E 0 , donde,
pela Proposio 3.42, conclumos que dim(Im(f )) dim(E 0 ). Do mesmo modo,
dim(Ker(f )) dim(E).

Teorema 4.16
Seja f : E E 0 linear, com E de dimenso finita. Ento, Ker(f ) e Im(f ) tambm
tm dimenso finita, e
dim(E) = dim(Ker(f )) + dim(Im(f )).

4.3 Imagem e ncleo

Corolrio 4.17
Seja f : E E 0 linear, com E de dimenso finita e tal que dim(E) = dim(E 0 ).
Ento, as seguintes afirmaes so equivalentes:
f injetiva;
f sobrejetiva;
f bijetiva.

Teorema 4.18
Sejam E e E 0 espaos vetoriais de dimenso finita. Sejam b = (u1 , . . . , un ) uma
base de E e v1 , . . . , vn vetores arbitrrios de E 0 . Ento existe uma nica aplicao
linear f : E E 0 tal que f (u1 ) = v1 , . . . , f (un ) = vn .
Ou seja, uma aplicao linear fica completamente definida pelas imagens dos vetores
de uma qualquer base do domnio.

4.4 Isomorfismos
Definio 4.19
Sejam A e B conjuntos. Uma aplicao f : A B diz-se invertvel, se existe uma
aplicao g : B A tal que g f = idA e f g = idB .

Proposio 4.20
Uma aplicao f : A B invertvel se e s se bijetiva.
Se f : A B invertvel, existe uma nica aplicao g : B A tal que
g f = idA e f g = idB . g diz-se a inversa de f e representa-se por f 1 .
Note-se que se f invertvel, ento f 1 tambm o , e (f 1 )1 = f .

Proposio 4.21
A inversa de uma aplicao linear invertvel uma aplicao linear invertvel.

Definio 4.22
Sejam E e E 0 dois espaos vetoriais. Um isomorfismo de E em E 0 uma
aplicao linear f : E E 0 que invertvel (ou seja, bijetiva).
Dois espaos vetoriais E e E 0 dizem-se isomorfos se existir um isomorfismo
de E em E 0 . Nesse caso, escrevemos E ' E 0 .

Teorema 4.23
Dois espaos vetoriais de dimenso finita E e E 0 so isomorfos se e s se dim(E) =
dim(E 0 ).

4.5 Matriz de uma aplicao linear


Sejam E e E 0 espaos vetoriais com dim(E) = n e dim(E 0 ) = m. Vamos ver que,
se fixarmos uma base b de E e uma base b0 de E 0 , ento qualquer aplicao linear
f : E E 0 pode ser representada por uma nica matriz de tipo m n.

Definio 4.24
Sejam E e E 0 espaos vetoriais com dim(E) = n e dim(E 0 ) = m, e f : E E 0 uma
aplicao linear. Sejam b = (e1 , . . . , en ) uma base de E e b0 = (e01 , . . . , e0m ) uma
base de E 0 . A matriz de f em relao s bases b e b0 (por esta ordem) a
matriz
M (f ; b, b0 ) Mmn (K)
cuja coluna j (j {1, . . . , n}) a sequncia das coordenadas de f (ej ) relativamente
base b0 .

Exemplo 4.25
Consideremos a aplicao linear f : R2 R3 definida por f (x, y) = (x 3y, 2x, y).
Sejam b = ((1, 0), (0, 2)) e b0 = ((1, 1, 2), (0, 2, 6), (0, 0, 4)) bases de R2 e R3 , respetivamente. Tem-se que f (1, 0) = (1, 2, 0) e f (0, 2) = (6, 0, 2). Alm disso,
as coordenadas de (1, 2, 0) relativamente a b0 so (1, 21 , 54 )b0 (exerccio!) e as de
(6, 0, 2) so (6, 3, 1)b0 (exerccio!). Portanto,

1
6

M (f ; b, b0 ) = 1/2
3 .
5/4
1

4.5 Matriz de uma aplicao linear


Teorema 4.26
Seja f : E E 0 uma aplicao linear e b e b0 bases de E e E 0 respetivamente.
Ento, a dimenso da imagem de f igual caracterstica de M (f ; b, b0 ):
dim(Im(f )) = rk(M (f ; b, b0 )).

Exemplo 4.27
Usando o teorema anterior, podemos concluir que, se f a aplicao
lineardo

1
6

Exemplo 4.25, ento dim(Im(f )) = 2, pois a caracterstica de 1/2


3
5/4
1
igual a 2.

Proposio 4.28
Sejam f : E E 0 uma aplicao linear. Sejam b = (e1 , . . . , en ) uma base de
E e b0 = (e01 , . . . , e0m ) uma base de E 0 . Seja u E tal que as suas coordenadas
relativamente a b so (1 , . . . , n )b . Ento, as coordenadas de f (u) relativamente
a b0 so (1 , . . . , m )b0 , tal que

1
1
. .

M (f ; b, b0 )
.. = .. .
n
m

4.5 Matriz de uma aplicao linear


Exemplo 4.29
Consideremos a aplicao linear f do Exemplo 4.25. A vimos que

1
6

0
M (f ; b, b ) = 1/2
3 .
5/4
1
Usando M (f ; b, b0 ), vamos calcular f (3, 1). As coordenadas de (3, 1) relativamente
a b so (3, 12 )b . Ento, como

1/2
5/4

3
1

3
1/2

3
17/4

) 0 relativamente base b0 .
resulta que f (3, 1) = (0, 3, 17
4 b
Para calcular o valor de f (3, 1) na base cannica de R3 , basta fazer
0(1, 1, 2) + 3(0, 2, 6) +

17
(0, 0, 4) = (0, 6, 1).
4

Portanto, calculmos f (3, 1) = (0, 6, 1) usando s M (f ; b, b0 ). Claro que este valor


confirmado pela expresso de f dada no Exemplo 4.25.

4.5 Matriz de uma aplicao linear


Exemplo 4.30
Seja f : R3 R2 uma aplicao linear tal que M (f ; bc , bc ) =
Como
2
3

1
2

0
5

y =
z

2x y
3x + 2y + 5z

2
3
!

1
2

0
0

!
.

conclumos que f (x, y, z) = (2x y, 3x + 2y + 5z).

Teorema 4.31
Sejam f : E E 0 e g : E E 0 aplicaes lineares e K. Sejam b e b0
bases de E e E 0 respetivamente. Ento
M (f + g; b, b0 ) = M (f ; b, b0 ) + M (g; b, b0 ) e M (f ; b, b0 ) = M (f ; b, b0 ).
Sejam f : E E 0 e g : E 0 E 00 aplicaes lineares. Sejam b, b0 e b00 bases
de E, E 0 e E 00 respetivamente. Ento
M (g f ; b, b00 ) = M (g; b0 , b00 )M (f ; b, b0 ).
Seja f : E E 0 uma aplicaes linear. Sejam b e b0 bases de E e E 0 respetivamente. Ento f invertvel se e s se M (f ; b, b0 ) invertvel. Nesse
caso,
M (f 1 ; b0 , b) = M (f ; b, b0 )1 .

4.5 Matriz de uma aplicao linear


Exemplo 4.32
Sejam f : R2 R2 dada por f (x, y) = (y, x + y) e g : R2 R2 definida por
g(x, y) = (2x, 0). Ento
!
!
0 1
2 0
M (f ; bc , bc ) =
e M (g; bc , bc ) =
.
1 1
0 0
f + g : R2 R2 tal que (f + g)(x, y) = (2x + y, x + y), e
!
2 1
M (f + g; bc , bc ) =
= M (f ; bc , bc ) + M (g; bc , bc ).
1 1
g f : R2 R2 tal que (g f )(x, y) = (2y, 0), e
!
0 2
M (g f ; bc , bc ) =
= M (g; bc , bc )M (f ; bc , bc ).
0 0
Calcular M (f g; bc , bc ) e (f g)(x, y).
Como M (f ; bc , bc ) invertvel (pois o seu determinante no nulo), ento f
invertvel, e
!
1
1
M (f 1 ; bc , bc ) =
= M (f ; bc , bc )1 .
1
0
g no invertvel.

5. Valores e Vetores Prprios

5.1 Definies e propriedades


Definio 5.1
Seja E um espao vetorial. Um endomorfismo uma aplicao linear de E em
E, ou seja, uma aplicao linear f : E E.

Definio 5.2
Sejam f : E E um endomorfismo e u E \ {0E }. O vetor u diz-se um vetor
prprio de f se existe um (nico) escalar K tal que
f (u) = u.
Esse escalar diz-se o valor prprio de f associado ao vetor prprio u.
Sejam f : E E um endomorfismo. Diz-se que K um valor prprio
de f se existe um vetor no nulo u E \ {0E } tal que
f (u) = u.
Se valor prprio de f , ento, de facto, existe uma infinidade de vetores no
nulos u tais que f (u) = u e cada um desses vetores diz-se um vetor prprio
de f associado ao valor prprio .

Exemplo 5.3
Seja f : R3 R3 dada por f (x, y, z) = (2x + y, y, 4z). Qualquer vetor da forma
(a, 0, 0) (a 6= 0) vetor prprio de f associado ao valor prprio 2 e qualquer vetor
da forma (0, 0, c) (c 6= 0) vetor prprio associado ao valor prprio 4. Por outro
lado, o vetor (0, 1, 0) no vetor prprio de f .

5.1 Definies e propriedades

Proposio 5.4
Sejam f : E E um endomorfismo e K um valor prprio de f . Seja
E = {u E : f (u) = u} = Ker(f idE ).
E um subespao de E, dito o subespao prprio de f associado ao
valor prprio .
A dimenso de E diz-se a multiplicidade geomtrica do valor prprio
e representa-se por mg (). Tem-se que 1 mg () dim(E).
Os vetores prprios de f associados a so os vetores no nulos de E .

Como veremos a seguir, todas estas definies tm uma verso correspondente do


ponto de vista matricial.

5.1 Definies e propriedades


Definio 5.5

Sejam A Mnn (K) e X = (a1 , . . . , an ) Kn \ {0Kn }. O vetor X diz-se um


vetor prprio de A se existe um (nico) escalar K tal que
AX = X
ou seja

ou seja

a1
a1
.
.

A
.. = .. .
an
an
Esse escalar diz-se o valor prprio de A associado ao vetor prprio X.
Seja A Mnn (K). Diz-se que K um valor prprio de A se existe um
vetor no nulo X = (a1 , . . . , an ) Kn \ {0Kn } tal que
AX = X

a1
a1

..
.
. = .. .
an
an
Se valor prprio de A, ento, de facto, existe uma infinidade de vetores no
nulos X tais que AX = X, e cada um desses vetores diz-se um vetor prprio
de A associado ao valor prprio .

5.1 Definies e propriedades


Exemplo 5.6

!
1 0
Seja A =
. Ento (1, 1) vetor prprio de A associado ao valor prprio
1 2
1 e (0, 3) vetor prprio de A associado ao valor prprio 2.

Proposio 5.7
Sejam A Mnn (K) e K um valor prprio de A. Seja
V = {X Kn : AX = X} = {X Kn : (A In )X = 0n1 }.
V um subespao de Kn , dito o subespao prprio de A associado ao
valor prprio .
A dimenso de V diz-se a multiplicidade geomtrica do valor prprio
e representa-se por mg (). Tem-se que 1 mg () n.
Os vetores prprios de A associados a so os vetores no nulos de V .
O prximo resultado relaciona as definies dadas para endomorfismos e matrizes.

Proposio 5.8
Sejam f : E E um endomorfismo, b uma base de E e n = dim(E). Consideremos
M (f ; b, b) Mnn (K). Os valores prprios de f e de M (f ; b, b) so os mesmos.
Sejam u E e X = (1 , . . . , n ) Kn dado pelas coordenadas de u relativamente
a b e um valor prprio. Ento u vetor prprio de f associado a se e s se
X vetor prprio de M (f ; b, b) associado a . Se E e V so respetivamente os
subespaos prprios de f e M (f ; b, b) associado a , ento dim(E ) = dim(V ).

5.1 Definies e propriedades


Definio 5.9
Seja A Mnn (K). O polinmio caracterstico de A o polinmio
pA (x) = det(A xIn ).

Proposio 5.10
Seja A Mnn (K), com polinmio caracterstico pA (x). As seguintes afirmaes
so equivalentes:
valor prprio de A;
pA () = 0, i.e., uma raiz do polinmio caracterstico.

Exemplo 5.11
Seja A =

2
1

3
1

!
. O seu polinmio caracterstico

pA (x) = det(A xI2 ) = det


Ora, x2 + x 5 = 0 x =

1 21
,
2

2 x
1

3
1x

!
= x2 + x 5.

donde os valores prprios de A so

1 + 21
1 21
1 =
e 2 =
.
2
2

5.1 Definies e propriedades


Note-se que aqui tem influncia estarmos a considerar K = R ou K = C, uma vez
que um polinmio pode no ter razes reais mas ter razes complexas.

Proposio 5.12
Os valores prprios de uma matriz triangular so os elementos da sua diagonal
principal.
Da Proposio 5.7, j sabemos o que a multiplicidade geomtrica de um valor
prprio. Vamos agora definir outra multiplicidade de um valor prprio.

Definio 5.13
Sejam A Mnn (K) e um seu valor prprio. A multiplicidade algbrica
de , representa-se, por ma (), e a multiplicidade de como raiz do polinmio
caracterstico de A.

Proposio 5.14
Sejam 1 , . . . , r valores prprios, dois a dois distintos, de A Mnn (K). Suponhamos que estamos numa das seguintes situaes: (i) K = C ou (ii) K = R e
pA (x) tem n razes reais (no necessariamente distintas). Ento,
Pr
i=1 ma (i ) = n, i.e., a soma das multiplicidade algbricas de todos os valores prprios n;
Qr
ma (i )
= det(A), i.e. o produto dos valores prprios, cada um dos quais
i=1 i
elevado correspondente multiplicidade algbrica, igual ao determinante.

5.1 Definies e propriedades


Observao 5.15
Relativamente ao resultado anterior, se K = R e A tiver k < n valores prprios (i.e.,
P
pA (x) tiver k < n razes reais), apenas se pode afirmar que ri=1 ma (i ) = k < n.

Exemplo 5.16

4
1
0

0
3 0 M33 (R). Ento, pA (x) = (3 x)(4 x)2 , logo
1
0
4
os valores prprios de A so 3 e 4, e ma (3) = 1 e ma (4) = 2. Calculemos os
subespaos prprios. Pela Proposio 5.7,

Seja A =

V3 = {X R3 : AX = 3X}.

4x + y = 3x
Sendo X = (x, y, z), a condio AX = 3X equivalente a:
3y = 3y

x + 4z = 3z.

Ora,

4x + y = 3x
x = 7 y
3y = 3y

x + 4z = 3z.

yR

z=

1
y.
49

1
)i, e que mg (3) = 1.
Conclumos ento que V3 = h( 71 , 1, 49
Analogamente se conclui que V4 = h(0, 0, 1)i, e que mg (4) = 1 (exerccio!).

5.1 Definies e propriedades


Proposio 5.17
Sejam A Mnn (K) e um seu valor prprio. Ento,
mg () ma ().

Exemplo 5.18
No Exemplo 5.16, temos que mg (3) = ma (3), e que mg (4) < ma (4).

Teorema 5.19
Sejam A Mnn (K) e 1 , 2 valores prprios de A diferentes. Se X Kn vetor
prprio associado a 1 e Y Kn vetor prprio associado a 2 , ento X e Y so
linearmente independentes.

Exemplo 5.20
a
Ainda no Exemplo 5.16, temos que qualquer vetor da forma ( a7 , a, 49
) V3 , com
a R, linearmente independente a qualquer vetor da forma (0, 0, b) V4 , com
b R.

5.2 Matrizes e endomorfismos diagonalizveis


Definio 5.21
Uma matriz A Mnn (K) diz-se diagonalizvel se existe uma matriz invertvel
P Mnn (K) e uma matriz diagonal D Mnn (K) tais que
P 1 AP = D.
Nesse caso, P diz-se uma matriz diagonalizante de A.

Exemplo 5.22
A matriz A =
ento P 1 =

0
2

1
0

1/ 2

1/ 2

1/ 2
diagonalizvel, porque se P =
1
!
!

1/2

2
0

, e P 1 AP =
= D.
1/2
0
2

!
1/ 2
,
1

Proposio 5.23
Se A uma matriz diagonalizvel, com matriz diagonalizante P e se P 1 AP = D,
ento os valores prprios de A so os mesmos que os da matriz diagonal D. Ou
seja, os valores prprios de A so os elementos da diagonal principal de D.

Exemplo 5.24
Relativamente ao Exemplo 5.22, conclumos que os valores prprios de A so

2.

2e

5.2 Matrizes e endomorfismos diagonalizveis


O seguinte teorema fornece a maneira de verificar se uma dada matriz ou no
diagonalizvel e, caso seja, fornece tambm a forma de calcular uma matriz diagonalizante. por isso um resultado muito importante.

Teorema 5.25
Uma matriz A Mnn (K) diagonalizvel se e s se tem n vetores prprios
linearmente independentes.
Nesse caso, sejam X1 , . . . , Xn n vetores prprios independentes de A. Se 1 , . . . , n
so os valores prprios (no necessariamente distintos) de A tal que Xi associado
a i e se P a matriz tal que, para cada i {1, . . . , n}, a sua coluna i dada pelas
coordenadas de Xi , ento P uma matriz diagonalizante de A, e

P 1 AP =

1
0
..
.
0

0
2
..
.
0

..
.

0
0
..
.
n

Exemplo 5.26
A matriz A, de tipo 3 3, do Exemplo 5.16 no diagonalizvel, pois vimos nesse
exemplo que s possvel arranjar 2 vetores prprios linearmente independentes
(um em V3 e outro em V4 ) e no 3.

5.2 Matrizes e endomorfismos diagonalizveis


Exemplo 5.27

2 2 1

Seja B = 0 6 2 . Os seus valores prprios so 2 e 6, com ma (2) = 2


0 0 2
e ma (6) = 1. Alm disso, tem-se que (exerccio!), V2 = h(1, 0, 0), (0, 1, 2)i e
V6 = h(1, 2, 0)i. Como (1, 0, 0), (0, 1, 2) e (1, 2, 0) so
pelo teorema
l.i., conclumos,
1
0
1

anterior, que B diagonalizvel. Assim, P = 0


1
2 uma matriz
0 2 0
diagonalizante, e

2 0 0

1
P BP = 0 2 0 .
0 0 6

Proposio 5.28
Se A Mnn (K) tem n valores prprios todos distintos, ento A diagonalizvel.
Note-se que pode acontecer que A pode ter valores prprios no todos distintos,
mas ser diagonalizvel na mesma, tal como se pode verificar no exemplo anterior.

5.2 Matrizes e endomorfismos diagonalizveis


Teorema 5.29
Seja A Mnn (K) e sejam 1 , . . . , r os seus valores prprios tais que i 6= j
se i 6= j. Ento A diagonalizvel se e s se
r
X

mg (i ) = n.

i=1

As definies e os resultados anteriores podem ser vistos do lado das aplicaes


lineares, como se deduz da prxima definio.

Definio 5.30
Um endomorfismo f : E E diz-se diagonalizvel se existe uma base b de E tal
que M(f ; b, b) uma matriz diagonal.
Ou seja, um endomorfismo f : E E diagonalizvel se dada uma qualquer base
b0 de E, a matriz M(f ; b0 , b0 ) diagonalizvel. Nesse caso, os vetores definidos pelas
colunas da matriz diagonalizante de M(f ; b0 , b0 ) constituem uma base b de E tal
que M(f ; b, b) uma matriz diagonal.
Portanto, todos os mtodos e resultados definidos atrs para matrizes aplicam-se
aos endomorfismos.