Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Plácido Andrade
.
Agosto 2015
Sumário
1 Espaço vetorial 1
1.1 O espaço vetorial R . . .
n
. . . . . . . . . . . . . . . . . . . . . 1
1.2 Álgebra linear e Geometria euclidiana . . . . . . . . . . . . . . . 4
1.3 Combinação linear . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.4 Bases do Rn . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2 Matrizes e determinantes 29
2.1 Matrizes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.2 Determinantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.3 Matrizes invertíveis . . . . . . . . . . . . . . . . . . . . . . . . . 47
2.4 Regra de Cramer . . . . . . . . . . . . . . . . . . . . . . . . . . 53
2.5 Sobre determinante igual a zero . . . . . . . . . . . . . . . . . . 58
3 Escalonamento 63
3.1 Matrizes e Combinação linear . . . . . . . . . . . . . . . . . . . 64
3.2 Escalonamento de matrizes . . . . . . . . . . . . . . . . . . . . . 70
3.3 Invertendo matrizes . . . . . . . . . . . . . . . . . . . . . . . . . 73
3.4 Resolução de sistemas . . . . . . . . . . . . . . . . . . . . . . . 79
Plácido Andrade
Juazeiro do Norte, 22 agosto de 2015
1
Espaço vetorial
O objetivo inicial deste capítulo é ressaltar como a Álgebra linear relaciona
e unica vários tópicos estudados dispersamente no Ensino Médio.
Utilizamos o conceito de combinação linear para mostrar que ele nos leva,
naturalmente, ao estudo de sistemas de equações lineares, matrizes e determi-
nantes. Para isto, assumiremos que o leitor tenha uma familiaridade mínima
com álgebra de matrizes (soma, multiplicação, determinantes, etc.). Nos capí-
tulos seguintes, estes tópicos serão abordados com maior profundidade.
Para relevar a Álgebra linear como uma teoria que unica muitos tópicos e
para fazer uma transição entre conteúdos do Ensino Médio e Ensino Superior,
utilizaremos o fato de R2 e R3 serem os modelos algébricos do plano euclidiano
e do espaço euclidiano, respectivamente, para explicitar as ideias geométricas
subjacentes ao conceito de vetor e suas operações. Não pretendemos desenvol-
ver a Geometria euclidiana, ela é utilizada, paralelamente, apenas como apoio
para facilitar a apreensão de alguns conceitos.
Neste texto, os termos função e aplicação possuem o mesmo signicado.
1
2 Espaço vetorial Cap. 1
Seus elementos são chamados vetores. Por simplicidade, muitas vezes in-
dicaremos por v um vetor de Rn . Esta notação está registrando que v =
(x1 , x2 , . . . , xn ). O número xi é chamado i−ésima coordenada do vetor.
Se v = (x1 , x2 , . . . , xn ) e w = (y1 , y2 , . . . , yn ) são dois vetores de Rn , esta-
belecemos que v = w quando xi = yi para todo i ∈ {1, 2, . . . , n}.
Na maior parte do texto abordaremos os conjunto R2 e R3 , por isso, reser-
varemos uma notação especial para indicar seus elementos. Para o primeiro
conjunto, muitas vezes, indicaremos um par ordenado por v = (x, y) e uma
tripla ordenada em R3 será registrada na forma v = (x, y, z).
O conjunto constituído pelas 1−uplas ordenadas, R1 = {(x); x ∈ R}, é
canonicamente identicado com o conjunto dos números reais R. Não dis-
tinguiremos uma 1−upla ordenada (x) ∈ R1 de um número real x ∈ R.
Exercício 1.1. Responda se a armação é falsa (F ) ou é verdadeira (V ).
( ) R ⊂ R2 . ( ) w = (x, y, 0) ∈ R2 . ( ) R2 ⊂ R3 . 3
Aqui, o termo escalar signica número real. As operações são denidas pelas
seguintes regra, respectivamente. Se v = (x1 , x2 , . . . , xn ) e w = (y1 , y2 , . . . , yn )
são vetores de Rn e λ ∈ R estabelecemos que
v + w = (x1 + y1 , x2 + y2 , . . . , xn + yn )
.
λv = (λx1 , λx2 , . . . , λxn )
Exemplo 1.1. Sejam v = (2, −1, 0) e w = (−4, 7, 3) vetores de R3 . Pela
denição, a soma dos vetores é efetuada coordenada a coordenada,
Diz-se que estas operações equipam Rn com uma estrutura de espaço veto-
rial. O termo espaço vetorial é aplicável, pois Rn é um dos inúmeros exemplos
de uma estrutura algébrica importante na Matemática e que, por isso, merece
ser xada numa denição.
I Se u, v ∈ V , então u+v ∈V e:
a) a adição é comutativa, u + v = v + u;
b) a adição é associativa, (u + v) + w = u + (v + w);
c) existe um único vetor o, chamado vetor nulo, tal que v+o = v =
o + v, para todo v ∈V;
d) para cada vetor v ∈ V existe um único vetor w ∈ V , chamado de
inverso aditivo de v , tal que v + w = o = w + v .
II Se v∈V e λ ∈ R, então λv ∈ V e:
EXERCÍCIOS
1. Seja v ∈ Rn . Identique os vetores: (a) 0v ; (b) 1v ; (c) (−1)v .
IE n ,n=2,3 IE n,n=2,3
r
Q Q
P P
IE n,n=2,3 IE n,n=2,3
Q Q
P P
de segmento orientado. Estas terminologias são usuais em textos de Engenharia, Física, etc.
6 Espaço vetorial Cap. 1
IE 2 IE 2
P P(x,y)
y
O O(0,0) x
IE n,n=2,3
P
v
Q
Exemplo 1.2. Um vetor pode ser representado por vários segmentos orien-
tados diferentes. Vejamos duas representações para o vetor v = (1, 2) ∈ R2 .
−→
Se escolhermos os pontos R(2, 0) e S(3, 2) em E2 , o segmento orientado RS
representa v = (1, 2), pois pela denição, temos as relações
1 = 3−2
.
2 = 2−0
2
IE
Q(5,3)
S(3,2) v
v P(4,1)
R(2,0)
v=(1,2)
1.2 Álgebra linear e Geometria euclidiana 9
−→
Se escolhermos os pontos P (4, 1) e Q(5, 3) o segmento orientado P Q também
representa o mesmo vetor v = (1, 2), pois
1 = 2−1
.
2 = 3−1
Exercício 1.2. Sejam P (3, −1) e Q(−4, 3) dois pontos do plano euclidiano
−→ −→ −→ −→
E . Esboce os segmentos orientados, P Q, QP , OP e OQ e calcule os vetores
2
V 1
v
v
O
C C
D D
ABCD ACBD
1.2 Álgebra linear e Geometria euclidiana 11
C B
A
D
IE 2
R(1,3)
w
v+w
Q(3,2)
v
P(0,1)
1.2 Álgebra linear e Geometria euclidiana 13
IE 2
lv W
v V
EXERCÍCIOS
1. Seguindo a notação xada, examine quais dos registros são válidos:
−−→
(a) v(2, 1) (i) P Q ∈ E2 (q) (2, 1) ∈ R2
−−→ −−→
(b) P (2, 1) (j) v = PQ (r) PQ = PQ
(c) v = (2, 1) (k) P ∈ E2 (s) AB ⊂ E3
(d) P = (2, 1) (l) P (2, 1) ∈ E2 (t) P +Q
(e) (2, 1) ∈ E2 (m) R2 ⊂ R3 (u) AB ⊂ E2
−−→ −−→
(f ) E2 = R2 (n) v ∈ R2 (v) |P Q| = P Q
−−→
(g) P (2, 1) ∈ R2 (o) kP Qk ⊂ E3 (w) E2 ⊂ E3
−−→
(h) P Q ∈ R2 (p) AB ∈ R3 (x) (2, 1) ∈ E2
(c) Represente a soma u+v por um segmento orientado cujo ponto inicial é
u u u
w w
u w
v v
w w
n
IE ,n=2,3 IE n,n=2,3
u w
v u
v
16 Espaço vetorial Cap. 1
w = a1 v1 + a2 v2 + · · · + ak vk .
IE 2
v2 v1
O(0,0)
W(3,-1)
IE 2
W
v1
O
18 Espaço vetorial Cap. 1
EXERCÍCIOS
1. Sejam v1 = (1, 2) e v2 = (1, 1) vetores de R2 . Calcule o vetor w nas combina-
1.4 Bases do Rn
Denição 1.5. Um subconjunto ordenado β = {v1 , v2 , . . . , vn } constituído por
n n n
n vetores de R é uma base de R se qualquer vetor w ∈ R é uma combinação
linear dos elementos de β.
Apresentemos esta relação. Neste texto, matrizes serão indicadas pelo sím-
bolo [A], [B], [C], etc. Assumiremos que o leitor recorda a denição de deter-
minante de matrizes quadradas 2 × 2 e 3 × 3. Caso contrário, aconselhamos
rever a denição em algum texto de Matemática do Ensino Médio ou solicitar
esta revisão ao seu professor. De qualquer modo, faremos uma apresentação
de determinante no Capítulo 2.
Com um conjunto ordenado de n vetores β = {v1 , v2 , . . . , vn } de Rn , con-
truímos uma matriz quadrada n × n, matriz que denotaremos por
[A] = [v1 , v2 , . . . , vn ].
22 Espaço vetorial Cap. 1
Veremos adiante que o fato do determinante não ser zero implica que o sistema
é possível e determinado. Na linguagem de Álgebra linear, diremos que a
combinação linear existe e os coecientes a1 e a2 são únicos.
1.4 Bases do Rn 23
Exemplo 1.9. Seja β = {v1 , v2 , v3 } ⊂ R3 , onde v1 = (1, −1, 3), v2 = (0, 1, −2)
e v3 = (2, −3, 9). Com esse conjunto de três vetores do R3 construímos a
matriz quadrada 3 × 3
1 0 2
[B] = [v1 , v2 , v3 ] = −1 1 −3 ,
3 −2 9
Para vericar que β é uma base, é suciente mostrar que um vetor arbitrário
w = (x, y, z) do R3 , pode ser escrito na forma w = a1 v1 + a2 v2 + a3 v3 . Como
vimos, isto é equivalente a resolver o sistema
1 0 2 a1 x
−1 1 −3 a2 = y
3 −2 9 a3 z
2 −4
3 a1 2
4 −1 0 a2 = 0 .
1 −1 1 a3 3
A próxima questão é saber se um conjunto β de n vetores do Rn é uma
base. A regra de Cramer4 nos dá uma resposta. Exempliquemos.
4 Gabriel Cramer (? 31/07/1704 Suíça, † 4/01/1752 França). Professor de matemática em
Geneva (hoje Suíça), escreveu trabalhos de Física, Geometria, Curvas algébricas e História
da Matemática.
1.4 Bases do Rn 25
base está satisfeita, o conjunto ordenado β tem dois vetores. Resta vericar
se um vetor arbitrário w = (x, y) ∈ R2 pode ser combinação linear do tipo
w = a1 v1 + a2 v2 . Pelo visto anteriormente, devemos resolver o sistema cujas
incógnitas são a1 e a2 :
2 1 a1 x
= .
1 1 a2 y
A matriz principal do sistema (ou a matriz dos coecientes do sistema) é pre-
cisamente [v1 , v2 ] e as matrizes auxiliares são [w, v2 ] e [v1 , w]. Explicitamente:
1 1 x 1 1 x
[v1 , v2 ] = ; [w, v2 ] = ; [v1 , w] = .
1 2 y 2 1 y
Como a matriz principal é quadrada com determinante diferente de zero, po-
demos utilizar a Regra de Cramer para determinar as incógnitas a1 e a2 ,
det[w, v2 ] det[v1 , w]
a1 = = 2x − y e a2 = = y − x.
det[v1 , v2 ] det[v1 , v2 ]
Logo, w = (2x − y)v1 + (y − x)v2 e os coecientes são únicos, pois são as únicas
soluções do sistema. Observe que só existe uma combinação linear possível
para expressar o vetor nulo, qual seja, o = 0v1 + 0v2 . 3
A regra de Cramer é um processo para resolução de sistemas de equações li-
neares n×n, sendo bastante útil nas demonstrações. Entretanto, ela é eciente
para resolução de sistemas pequenos, 2 × 2 ou 3 × 3. Caso contrário, outros
processos de resolução, como substituição e escalonamento, são mais práticos
e computacionalmente mais rápidos. Antes de enunciarmos e demonstrarmos
a regra de Cramer, vejamos um exemplo 3 × 3.
Exemplo 1.11. Veriquemos que o conjunto de três vetores β = {v1 , v2 , v3 } ⊂
R3 é uma base, onde
1. β é uma base do Rn ;
1.4 Bases do Rn 27
EXERCÍCIOS
1. Calcule as combinações lineares indicadas onde v1 = (1, 2, 3), v2 = (0, 1, 2) e
7. Resolva cada sistema com duas equações e duas incógnitas, escreva-o em forma
( (
2a1 − 3a2 = 5 3a1 − 2a2 = 0
(a) (b)
−a1 + 4a2 = 0 −a2 = 3
8. Resolva cada sistema com três equações e três incógnitas, escreva-o em forma
2a1 − 3a2 + a3 = 5
3a1 −
2a2 + a3 = 0
(a) −a1 + 4a2 = 0 (b) −a2 + a3 = 0
a +
1 − a3 = 1 a3 = 0
2
Matrizes e determinantes
Neste capítulo aprofundaremos o estudo da relação entre sistemas lineares, com-
mos a regra de Cramer, principalmente quando o sistema tem duas ou três variáveis.
Nestes casos, a resolução por regra de Cramer é tão prática quanto qualquer outro
A experiência em sala de aula com alunos neótos em Álgebra linear, tem mos-
mais úteis. Seja qual for a opção para a apresentação deste capítulo em sala de aula,
leitura extensa ou resumo de alguns fatos, os teoremas devem ser destacados, pois
2.1 Matrizes
Uma matriz de ordem n × m é uma sequência de números reais, (vij ), 1 ≤ i ≤ n
e1 ≤ j ≤ m indicada por [A]. Por simplicidade, muitas vezes escrevemos [A] = [vij ].
O escalar vij é denominado a ij−ésima entrada da matriz. É de imensa utilidade
29
30 Matrizes e determinantes Cap. 2
v11 v12 · · · v1m
v21 v22 · · · v2m
. . .
.. .
.
.
.
[A] =
· · · vim
vi1 vi2
.. . .
. .
. . .
vn1 vn2 · · · vnm
Sendo assim, índice i indica a linha da matriz e o índice j indica a coluna nas quais
a entrada vij se encontra. Portanto, uma matriz de ordem n×m tem n linhas e m
colunas. Sejam [A] = [vij ] e [B] = [wij ] duas matrizes de mesma ordem. Diz-se que
[A] = [v1 , v2 , . . . , vm ].
Esta notação indica que as entradas da j−ésima coluna de [A] é constituída pelas
primeira a ser destaca é a matriz nula de ordem n × m que, por denição é a matriz
matriz por um escalar do seguinte modo, respectivamente. Se [A] = [vij ] e [B] = [wij ]
são duas matrizes de ordem n × m e λ um escalar, então
(
[A] + [B] = [vij + wij ]
.
λ[A] = [λ vij ]
É simples vericar que estas operações equipam o conjunto M(n, m) com a estrutura
de espaço vetorial, ver Denição 1.1, p. 3. O elemento neutro é a matriz nula.
2.1 Matrizes 31
Exemplo 2.1. O produto matricial pode ser uma matriz nula sem que nenhuma
1 1 " #
2 −2
[A] = 1 1 e [B] = .
−2 2
1 1
0 0
[A] · [B] = 0 0 . 3
0 0
Exemplo 2.2. Não podemos efetuar o produto matricial entre quaisquer duas ma-
0 3 −1 2 3
[A] = 2 1 1 e [B] = 0 −2 .
−2 0 4 2 0
mas não podemos efetuar o produto [B] · [A], conforme a denição xada, pois a
matriz [A] deve ter tantas colunas quantas são as linhas de [B]. 3
32 Matrizes e determinantes Cap. 2
Para efetuar os produtos [A] · [B] e [B] · [A] devemos ter em mãos duas matrizes
quadradas de mesma ordem. Se não vejamos. Se a primeira matriz tem ordem n×m
e a segunda tem ordem m × p, o produto [A] · [B] pode ser efetuado. Caso possamos
efetuar o produto [B] · [A], então o números de colunas de [B] deve ser igual ao
as matrizes [A] e [B] são de mesma ordem, embora possamos efetuar o produto
" # " #
−8 0 4 −8
[A] · [B] = e [B] · [A] = . 3
−4 0 6 −12
0 0 ··· 1 0
0 0 ··· 0 1
Vejamos. Seja cij a ij−ésima entrada do produto [A] · [Id]. Por denição, temos
n
X
cij = vjk ekj .
k=1
Daí segue que cij = vij , ou seja, [A] · [Id] = [A]. Os mesmos argumentos mostram
EXERCÍCIOS
2.2 Determinantes
Determinante é denido para matrizes quadradas de ordem n. Para não ser
repetitivo, ao escrevermos determinante de uma matriz estaremos assumindo
que a matriz é quadrada, mesmo que o fato não esteja explicitado.
34 Matrizes e determinantes Cap. 2
D1 det[Id] = 1;
3. Se vi = vj , i 6= j , então det[v1 , . . . , vi , . . . , vj , . . . , vn ] = 0.
2 0 2 3
[A]c
32 = ; [A]c
33 = .
0 3 0 1
11 = [v22 ]
[A]c e 12 = [v21 ].
[A]c
vetores do R3 , então
v11 v12 v13
det[v1 , v2 , v3 ] = det v21 v22 v23
v31 v32 v33
v22 v23 v21 v23 v21 v22
= v11 det − v12 det + v13 det .
v32 v33 v31 v33 v31 v32
38 Matrizes e determinantes Cap. 2
2.) Seja [A] = [v1 , v2 , . . . , vn ] uma matriz em M(n, n) na qual vj0 = vj0 +1 .
Sendo assim, quando j ∈ {1, 2, . . . , jb0 , j\ 0 + 1, . . . n} as 1j−ésimas matrizes
reduzidas de [A] possuem duas colunas iguais, implicando, por hipótese de
indução, que det[A]1j b = 0. Agora, quando j = j0 ou j = j0 + 1 temos a
igualdade das matrizes reduzidas [A]1j c0 = [A]1,j
\ 0 +1
e a igualdade das entradas
v1j0 = v1,j0 +1 . Portanto,
0
= (−1)1+j0 +
(−1)1+j0 +1 v1j0 det[A]1j c0
= 0.
Desejamos mostrar que det[C] = det[A] + λdet[B], onde [C] = ([A] + λ[W ]).
Na notação aqui utilizada, [C] = [v1 , v2 , . . . , vj0 + λw, . . . , vn ]. Observamos que
(
[C]1jb = [A]ijb + λ[W ]1jb , se j 6= j0
.
[C]1j
c0 = [A]1j c0
Proposição 2.2. Existe uma única função determinante no espaço M(n, n).
Prova Mostraremos que qualquer determinante de uma matriz quadrada de
ordem n pode ser expresso por uma única forma padrão.
Uma permutação do conjunto In = {1, 2, . . . , n} é uma aplicação bijetora
σ : In → In . Por simplicidade, escreveremos σ(k) = ik e indicamos por Sn o
conjunto1 das permutações de In .
Seja [A] = [v1 , v2 , . . . , vn ] uma matriz quadrada de ordem n. Escrevamos
n
X
vj = vij ei
i=1
Como o índice i é apenas uma etiqueta, pelo mostrado acima, podemos escrever
a avaliação da seguinte forma:
" n n n
#
X X X
det[v1 , v2 , . . . , vn ] = det vi1 1 ei1 , vi2 2 ei2 , . . . , vin n ei
i1 =1 i2 =1 in =1
n X
X n n
X
= ··· vi1 1 vi2 2 · · · vin n det[ei1 , ei2 , . . . , ein ]
i1 =1 i2 =1 in =1
Quando duas colunas de [ei1 , ei2 , . . . , ein ] são iguais, já sabemos que
Portanto, o somatório pode ser reduzido a uma soma sobre índices nos quais a
matriz [ei1 , ei2 , . . . , ein ] não tem colunas iguais. Com isto podemos denir uma
permutação σ : In → In , onde cada índice de coluna j associamos ao índice
σ(j) = ij . Reescrevendo o somatório utilizando o grupo das permutações:
X
det[v1 , v2 , . . . , vn ] = vσ(1)1 vσ(2)2 · · · vσ(n)n det[eσ(1) , eσ(2) , . . . , eσ(n) ].
σ∈Sn
Agora, [eσ(1) , eσ(2) , . . . , eσ(n) ] é uma matriz obtida por permutações das colunas
da matriz identidade, portanto de seu valor é igual a 1 ou −1.
Para continuar, utilizaremos a Teoria das Permutações, ver detalhes em [7].
Uma transposição k−elementar, 1 ≤ k ≤ n − 1, é a permutação τk : In → In ,
se i ∈
i / {k, k + 1}
τk (i) = k + 1 se i = k .
se i = k + 1
k
[A] = −1 1 53 e [A]t = −3 1 1 .
3
π 1 3 0 5
3
2.2 Determinantes 43
Lema 2.1. ([A] [B])t = [B]t [A]t para qualquer produto matricial.
Calculemos a entrada dtij de ([A] [B])t . Como sempre, dtij = dji e dji é uma
entrada de [A] [B].
dtij = dji
= vj1 b1i + vj2 b2i + · · · + vjn bni .
Como cij = dtij , temos mostrado que ([A] [B])t = [B]t [A]t 2
Proposição 2.3. Se [A] uma matriz quadrada, então det[A]t = det[A].
Prova Se [A] = [vij ], pelo visto temos
X
det[A] = (σ)aσ(1)1 aσ(2)2 ...aσ(n)n .
σ∈Sn
Proposição 2.4. Se [A] e [B] são duas matrizes quadradas de ordem n, então
Prova Fixemos notações: [A] = [vij ], [B] = [bij ] e [C] = [A] · [B] = [cij ].
A j−ésima matriz coluna de [C] = [A] · [B] é uma combinação linear das
colunas de [A] cujos coecientes são as j−ésimas entradas de [B], mais preci-
samente,
cj = b1j v1 + b2j v2 + · · · + bnj vn .
Calculemos o determinante:
Quando duas colunas de [vk1 , vk2 , . . . , vkn ] são iguais, sabemos que
Portanto, o somatório pode ser reduzido a uma soma sobre índices nos quais
a matriz [vk1 , vk2 , . . . , vkn ] não tem colunas iguais. Com isto, podemos denir
2.2 Determinantes 45
X
det ([A] · [B]) = bσ(1)1 bσ(2)2 · · · bσ(n)n det[vσ(1) , vσ(2) , . . . , vσ(n) ].
σ∈Sn
EXERCÍCIOS
1. Calcule o determinante de cada matriz.
" #
2 −2 1 0 0 1
(a) [A] = .
4 1
2 1 −1 2
(d) [D] = .
0 −2 0 −2
2 0 2 1 0 2 3
(b) [B] = −1 3 1 .
−1 2 0
1 2 3 0
−1 3 4 1 2 1 0
(e) [E] = .
(c) [C] = 1 −1 0 . 1 0 1 0
1 −2 −1 1 −2 3 −4
8. Verique a identidade
1 1 1
det a b c = (b − a)(c − a)(c − b).
a2 b2 c2
2.3 Matrizes invertíveis 47
é invertível, pois se
2 −1
[B] =
−1 1
verica-se que
2 1 1 −1 1 0 1 −1 2 1
= = .
1 1 −1 2 0 1 −1 2 1 1
seja a inversa de [A]. Por denição de matriz inversa segue que [Id] = [A] · [B].
Calculando temos
1 0 1 1 a c a+b c+d
= · =
0 1 −1 −1 b d −a − b −c − d
48 Matrizes e determinantes Cap. 2
Caso exista uma matriz [B], tal que [A] · [B] = [Id] = [A] · [B] chamaremos
[B] de inversa de [A] e denotamos a inversa por [A]−1 .
Uma condição necessária para uma matriz [A] ser invertível é seu determi-
nante não ser zero, pois pela Proposição 2.4, p. 44, temos
Como o porduto det[A] e det ([A]−1 ) é igual a 1, podemos concluir dois fatos.
4 3 1 0 2 0
[A]c
11 = ; [A]c
32 = ; [A]c
21 = ;
0 2 1 3 0 2
det[B] = 0, [B]kj
c0 = [A]kj
c0 e bkj0 = vki0 .
2. det[A] 6= 0.
Sendo assim, [B] também é a inversa à direita de [A]. Logo, [A] é invertível
e [B] = [A]−1 . 2
Exercício 2.3. Mostre que se [A] e [B] são matrizes quadradas de ordem n
tais que [A][B] = [Id], então [A] é invertível e [B] = [A]−1 . 3
EXERCÍCIOS
1. Calcule a inversa da matriz, se existir.
" # 2 10 3 1 −1 −1
1 1
(a) [A] = . (b) [B] = 0 1 3 . (c) [C] = 4 2 8 .
1 2
0 0 2 5 1 7
2.4 Regra de Cramer 53
3. Calcule a potência k das matrizes e verique que todas são invertíveis. Calcule
a inversa da potência k.
" # 1 1 1 " #
1 1 cos t −sent
a) [A] = . b) [B] = 0 1 1 . c) [C] = .
0 1 sent cos t
0 0 1
4. Prove que o determinante é invariante por conjugação de matrizes, ou seja, se
Exemplo 2.10. Considere β = {v1 , v2 } onde v1 = (3, −1) e v2 = (1, 1) são ve-
tores do R . Desejamos escrever w = (x, y), um vetor de R2 , como combinação
2
Portanto, w = x−y
4
v1 + x+3y
4
v2 . 3
Mostremos a segunda parte do Teorema Teorema 1.1, p. 26.
Lema 2.3. det[v1 , v2 , . . . , vn ] 6= 0, então
Se qualquer vetor w ∈ Rn é expresso
como w = a2 v1 + a2 v2 + · · · + an vn , onde
det [v1 , . . . , vj−1 , w, vj+1 , . . . , vn ]
aj = ,
det[A]
para todo j ∈ {1, . . . , n}.
2.4 Regra de Cramer 55
w = a1 v1 + a2 v2 + · · · + an vn .
det[A] · det[B] = 1
Logo, det[A] 6= 0. 2
Em muitos cálculos, utilizaremos a seguinte versão da regra de Cramer. A
demonstração em tudo é semelhante à anterior, por isto será omitida.
2.4 Regra de Cramer 57
v11 a1 + v12 a2 + · · · + v1n an = w1
v21 a1 + v22 a2 + · · · + v2n an = w2
.
···
v a + v a + ··· + v a = w
n1 1 n2 2 nn n n
EXERCÍCIOS
1. Considere o sistema de equações lineares 3 × 3,
2a1 + 2a2 + a3 = 5
6a1 − a2 + 2a3 = 1 .
2a − 4a
1 2 = 0
2. det[A] = 0.
Prova ⇒) Para simplicar a escrita, vamos supor que
vn = a1 v1 + a2 v2 + · · · + an−1 vn−1 .
Calculemos,
n−1
det[v1 , . . . , vn−1 , vn ] = det[v1 , . . . , vn−1 , Σi=1 ai v i ]
= Σn−1 ai det[v1 ,
i=1 . 0, vn−1 , vi ]
. .
:
= 0.
Cada parcela do somatório é igual zero, pois existem duas colunas iguais.
⇐) Vamos supor que det[A] = det[v1 , v2 , . . . , vn ] = 0.
A demonstração será por indução em n.
Seja [A] = [v1 , v2 ] uma matriz 2 × 2. Suponhamos que
v11 v12
det[A] = det = v11 v22 − v12 v21 = 0,
v21 v22
Se v1 = 0, então v1 = 0 · v2 e terminamos. Suponha que v1 = (v11 , v21 ) 6= (0, 0).
Sem perda de generalidade, podemos supor que v11 6= 0. Sendo assim, como o
determinante é zero, temos v22 = vv1112
v21 e
" #
v12
v11 v11 v11
[A] = .
v21 vv12
11
v21
2.5 Sobre determinante igual a zero 59
Logo, v2 = v12
v,
v11 1
ou seja, v2 é uma combinação linear de v1 .
Vamos supor que a armação seja verdadeira para matrizes n × n.
Seja [A] = [v1 , v2 , . . . , vn , vn+1 ] uma matriz (n + 1) × (n + 1) com det[A] = 0.
A demonstração seguirá do estudo de casos. Escrevamos a matriz [A]:
v1,1 v1,2 · · · v1,i0 v1,i0 +1 · · · v1,n+1
v2,1 v2,2 · · · v2,i0 v2,i0 +1 · · · v2,n+1
[A] = . . . . . .
.. .. .. .. ..
vn+1,1 vn+1,2 · · · vn+1,i0 vn+1,i0 +1 · · · vn+1,n+1
v1 = a2 v2 + a3 v3 + · · · + an+1 vn+1 .
Como as primeiras coordenadas dos vetores vi0 's são nulas, para 2 ≤ i0 ≤ n+1,
então vale também a combinação linear
Observamos que det [B] = det [A] = 0, pois somamos a cada vetor coluna um
múltiplo do primeiro vetor coluna. A matriz [B] tem a seguinte forma,
v1,1 0 ··· 0 0 ··· 0
v2,1 u2,2 ··· u2,i0 u2,i0 +1 ··· u2,n+1
[B] = .. .. .. .. .. .
. . . . .
vn+1,1 un+1,2 · · · un+1,i0 un+1,i0 +1 · · · un+1,n+1
v
onde ui = vi − v1,1
i,2
v1 para 2 ≤ i ≤ n + 1. Pelo 2o caso, sabemos que algum
vetor ui0 é combinação dos outros vetores ui 's,
Substituindo, obtemos
!
vi0 ,2 X vi,2 X
v i0 = − ai v1 + ai vi . 2
v1,1 i6=i
v1,1
0 i∈{1,i
/ 0}
1. Existe um vetor linha que é combinação linear dos outros vetores linhas.
2. det[A] = 0.
Embora o teorema acima não explicite qual coluna é combinação linear das
outras, podemos determiná-la com a resolução de um sistema de equações.
Exemplo 2.11. A matriz [A] = [v1 , v2 , v3 ] tem determinante igual a zero, onde
1 2 3
[A] = 0 1 1
1 0 1
62 Matrizes e determinantes Cap. 2
Para determinar uma coluna que seja combinação linear das outras, resolvamos
o sistema homogêneo associado,
a1 + 2a2 + 3a3 = 0
a2 + a3 = 0 .
a1 + a3 = 0
EXERCÍCIOS
1. Mostre que cada matriz tem determinante nulo e determine um vetor coluna
" # 2 1 3 1 0 2
1 3
(a) . (b) −1 3 2 . (c) 1 −1 3 .
2 6
1 3 4 3 −2 8
3
Escalonamento
Um sistema de equações lineares é classicado de acordo com o número de solu-
determinado (uma única solução)
possível
indeterminado (innitas soluções) .
impossível (não tem solução)
é única (uma única combinação)
existe
não é única (innitas combinações) .
não existe
63
64 Escalonamento Cap. 3
tem determinante diferente de zero, foi estudado no capítulo anterior e está associado
Matricialmente temos
" #" # " #
1 0 a1 2 − 2a2
= .
1 1 a3 −1 − 2a2
Para calcular os coecientes pela regra de Cramer, precisamos das matrizes auxiliares,
" # " #
2 − 2a2 0 1 2 − 2a2
[w − a2 v2 , v3 ] = , [v1 , w − a2 v2 ] = ,
−1 − 2a2 1 1 −1 − 2a2
e de seus determinantes,
det[w − a2 v2 , v3 ] det[v1 , w − a2 v2 ]
a1 = = 2 − 2a2 , a3 = = −3.
det[v1 , v3 ] det[v1 , v3 ]
Portanto, w = (2 − 2a2 )v1 + a2 v2 − 3v3 , signicando que w pode ser expresso como
combinação linear de v1 , v2 e v3 , entretanto e não existe unicidade de combinação
linear. Para cada valor a2 , a combinação linear é diferente. Na linguagem de sistemas,
número de incógnitas. Sejam v1 = (1, 1, 2), v2 = (2, 1, −3) e w = (1, −1, 2) vetores de
3
R . Pergunta: existem escalares a1 e a2 tais que w = a1 v1 + a2 v2 ? Esta combinação
linear dá origem ao sistema 3 × 2,
a1 + 2a2 =
1
a1 + a2 = −1 ,
2a − 3a =
1 2 2
1 2 a1 1
1 1 = −1 .
2 −3 a2 2
66 Escalonamento Cap. 3
Não podemos utilizar a regra de Cramer, pois a matriz dos coecientes [A] =
[v1 , v2 ], não é quadrada. Procedemos da mesma forma, escolhemos a maior subma-
Agora, se a questão é saber se u = (1, −1, 0) é uma combinação linear dos vetores
v1 e v2 , a resposta é sim. O sistema linear que devemos examinar ca sendo
a1 + 2a2 =
1
a1 + a2 = −1
2a − 3a =
1 2 0
valores na equação que foi suprimida não obtemos contradição alguma, 0 = 0! Logo,
Cada vetor vi , i ∈ {1, 2}, determina um coleção de retas paralelas que são as
retas suportes dos segmentos orientados que os representam. Considere o plano que
U
v2
O v1
O fato de u = (1, −1, 0) ser uma combinação linear de v1 e v2 , signica que o ponto
U (1, −1, 0) é o ponto nal de uma trajetória com início em O onde o percurso é
feito apenas seguindo as direções das retas suportes. Enquanto w = (1, −1, 2) não
ser combinação linear de v1 e v2 , interpreta o fato de W (1, −1, 2) não pertencer ao
plano, isto é, não existe trajetória com início em O e nal W seguindo as direções
determinadas por v1 e v2 . 3
1 1 0 a1 1
1 0 1 2 2 .
a =
2 1 1 a3 3
Neste exemplo, det[v1 , v2 , v3 ] = 0. Também não podemos utilizar diretamente
a regra de Cramer. Como sabemos, deve existir um vetor linha da matriz que
68 Escalonamento Cap. 3
é combinação linear dos outros vetores linhas, ver Corolário 2.3, p. 61. Aqui, o
terceiro vetor linha é uma soma dos dois primeiros. Resolvemos o subsistema obtido
EXERCÍCIOS
(
2a1 + 2a2 = 5 2a1 − 6a2 = 0
(a) .
6a1 − a2 = 1 (c) 4a1 + 5a2 = 4 .
3a + 4a = 1
1 2
2a1 − 6a2 = 0
(b) 4a1 + 5a2 = 0 .
3a + 4a = 0
1 2
2a1 + 2a2 + a3 = 5
2a1 − a2 + a3 = 0
(a) 6a1 − a2 + 2a3 = 1 . (c) a1 − a3 = 0 .
2a − 4a
2a − a + a = 0
1 2 =0 1 2 3
(
2a1 − 6a2 − a3 = 0
(b) .
4a1 + 5a2 + 3a3 = 11
3.1 Matrizes e Combinação linear 69
(c) Mostre que existem vetores de R2 que não são escritos como combinação
discussão do sistema.
a1
+ a2 + a3 = 4
a2 + a3 = 2 .
2a
1 + a2 + ka3 = 6
70 Escalonamento Cap. 3
(c) Todo sistema linear homogêneo com duas solução tem innitas soluções.
(d) Todo sistema linear não homogêneo tem pelo menos uma solução.
2. Se a linha li não é nula e vi0 j0 é a sua primeira entrada não nula, então
vj0 = ei0 .
∗ 0 ∗ 0 ∗ ∗ 0 ∗ ∗
0 0 1
0 0 0
0 1 ∗ 0 ∗ ∗ 0 ∗ ∗
0 0 0 0 0 0 1 ∗ ∗ 0 ∗ ∗
. . . .. .. .. .. ..
.. .. .. . . . . . 0 1 ∗ ∗
0 0 0 0 0 0 0 0 0 0 0 0
. . . .. .. .. .. .. .. .. .. ..
.. .. .. . . . . . . . . .
0 0 0 0 0 0 0 0 0 0 0 0
4 −2 −1 2 −6 4 −2 −1 2 −6
0 1 1 1 −1
l3 → l3 − 2l1
0 1 1 1 −1 l1 → l1 + 2l2
0 2 3 4 3 0 0 1 2 5
0 0 0 0 0 0 0 0 0 0
4 0 1 4 −8 4 0 0 2 −13
0 1 1 1 −1
l1 → l1 − l3
0 1 1 1 −1 l2 → l2 − l3
0 0 1 2 5 0 0 1 2 5 l1 → 41 l1
0 0 0 0 0 0 0 0 0 0
1
1 0 0 − 13
2 4
0 1 0 −1 −5
0
= [B]. 3
0 1 2 5
0 0 0 0 0
1o Seja j1 o índice da primeira coluna de [A] com uma entrada não nula.
Digamos que uma entrada não nula seja vi1 j1 . Para obter a coluna j1
constituídas pelas entradas de e1 = (1, 0, . . . , 0), aplicamos uma sequên-
cia de operações elementares, sucessivamente.
2o Seja j2 o índice da primeira coluna de [A] com uma entrada vi2 j2 6= 0 tal
que i2 ≥ 2. Esta entrada será normalizada. Repetimos os passos (a), (b)
(c) e permutamos li2 ↔ l2 .
Se o leitor desejar, pode vericar que [B] · [A] = [Id]. Pela Proposição 2.2,
p. 52, segue que [B] = [A]−1 . 3
vnj
Sendo assim, a i−ésima linha de [E] · [A] é igual a i−ésima linha de [A] que é
igual a i−ésima linha de ([A]). Agora, a i1 −ésima linha de [E] é a i2 −ésima
linha da identidade. Portanto,
v1j
· · · 0 v2j
0 · · · |{z}
1
[C]i1 j = .. = [vi2 j ].
entr. i2 .
vnj
Como a igualdade vale para todo j , com 1 ≤ j ≤ m, a i1 −ésima linha de
[E] · [A] é igual a i2 −ésima linha de [A], que por sua vez é a i1 −ésima linha de
([A]). Do mesmo modo, podemos mostrar que a i2 −ésima linha de [E] · [A] é
a i2 −ésima linha de ([A]). Logo, [E] · [A] = ([A]).
2.) Seja a operação elementar li1 → λli1 . Agora, se i 6= i1 as i−ésimas
linhas de [E] e de [Id] são iguais. Logo, para todo j , com 1 ≤ j ≤ m, temos
v1j
v2j
· · · · · ·
0 1 0
[C]ij = .. = [vij ].
.
|{z}
ent. i
vnj
76 Escalonamento Cap. 3
Assim, a i−ésima linha de [E] · [A] é igual a i−ésima linha de [A] que por sua
vez é igual a i−ésima linha de ([A]). Quando i = i1 a i1 −ésima linha de [E]
é λei . Logo, para todo j , com 1 ≤ j ≤ m, temos
v1j
· · · 0 v2j
0 · · · |{z}
λ
[C]i1 j = .. = [λvij ].
ent. i1 .
vnj
vnj
Isto implica que a i−ésima linha de [E] · [A] é igual a i−ésima linha de [A] que
por sua vez, é igual a i−ésima linha de ([A]). Se i = i1 , temos as igualdades
para todo j , com 1 ≤ j ≤ m,
v1j
· · · 0 v2j
0 · · · |{z}
1 . . . |{z}
λ
[C]i1 j = .. = [vij + λvi2 j ].
ent. i1 entr. i2 .
vnj
Portanto, a i1 −ésima linha de [E] · [A] é i1 −ésima linha de ([A]). Isto mostra
que ([A]) = [E] · [A]. 2
Cada operação elementar tem uma operação elementar inversa do mesmo
tipo, 0 : M(n, m) → M(n, m), isto signica que podemos reverter a operação
realizada: 0 (([A])) = [A]. São elas:
3.3 Invertendo matrizes 77
1. a inversa de li ↔ lj é a própria.
Isto implica que se [A] é equivalente a [B], então [B] é equivalente a [A].
Prova Sejam [A] uma matriz invertível e [B] a matriz na forma escada obtida
por escalonamento de [A]. Pelo visto, [B] é invertível. O processo de escalo-
namento produz uma matriz triangular inferior, ou seja, se [B] = [bij ], bij = 0
quando i > j . Sendo assim, det[B] = b11 b22 · · · bnn 6= 0, fato que implica que
bii 6= 0, para todo i, 1 ≤ i ≤ n. A entrada bii é a primeira entrada não nula
da linha li , logo, bii = 1. Sendo uma matriz escalonada a coluna i de [B] tem
todas as entradas iguais a zero, exceto bii = 1. Isto mostra que [B] = [Id]. 2
Finalizemos a seção provando o método de Gauss-Jordan.
Seja [A] uma matriz invertível. Considere a matriz [A|Id]. Por operações
elementares com linhas de [A|Id] podemos obter uma matriz do tipo [Id|B].
Portanto, existem matrizes elementares [E1 ], [E2 ], . . . [Ek ] tais que
(
[B] = [Ek ] · · · [E2 ] · [E1 ] · [Id]
.
[Id] = [Ek ] · · · [E2 ] · [E1 ] · [A]
EXERCÍCIOS
1. Verique se a matriz é invertível e inverta-a pelo método de Gauss-Jordan.
1 2 3 0 0 0 1
(a) [A] = 0 1 2 0 0 1 0
(c) [C] =
0 0 1 0 1 0 0
1 0 0 0
2 3 0 0 1 1 0 1
1 1 0 0 2 2 1 0
(b) [B] =
(d) [D] =
0 0 2 1 1 2 0 1
0 0 1 0 1 1 0 0
3.4 Resolução de sistemas 79
1 1 3 7 1 1 3 7
0 −1 −1 −10 . l2 → −l2 : 0 1 1 10 . l3 → l3 − l2
0 1 −2 0 0 1 −2 0
1 1 3 7 1 1 0 −3
0 1 1 10 . l1 → l1 + l3 0 1 1 10 = [Sa0 ].
0 0 −3 −10 0 0 −3 −10
82 Escalonamento Cap. 3
uma ração balanceada para suas aves. A quantidade (unidade por kg) de
A1 2 2 2
A2 2 3 1
A3 1 1 1
tal que as adições dos inteiros ao longo de uma linha, de uma coluna ou de
4 8
4
Álgebra linear e Geometria
Na Geometria euclidiana são denidas medidas de comprimento, ângulo,
área e volume. Nesse capítulo, veremos como estas medidas podem ser vis-
tas vetorialmente. Para isso, denimos uma função chamada produto interno
que servirá como régua e transferidor algébrico e veremos também como o
determinante pode ser interpretado como uma medida.
h , i : Rn × Rn → R, hv, wi = x1 y1 + x2 y2 + · · · + xn yn ,
83
84 Álgebra linear e Geometria Cap. 4
4.2 Norma
Embora algébrica, o produto interno contém muitas informações geomé-
tricas. Para iniciar o estudo deste aspecto geométrico, denimos a aplicação
norma associada ao produto interno:
p
k k : Rn → [0, +∞), kvk = hv, vi.
O seu valor num vetor será chamado norma do vetor. Se desejarmos escrevê-la
utilizando coordenadas, v = (x1 , x2 , . . . , xn ), obtemos a expressão
p
kvk = (x1 )2 + (x2 )2 + · · · + (xn )2 .
Pelo primeiro item Proposição 4.1, p. 84, garantimos que a função norma
está bem denida. Sabemos que hv, vi ≥ 0 para qualquer vetor v ∈ Rn , logo,
podemos calcular a raiz quadrada desse número. Pela mesma proposição,
concluímos que kvk = 0 se, e somente se, v = o.
λ se λ ≥ 0
|λ| =
−λ se λ < 0
IE 2
Q(a+x1,b+y1)
v |y1|
|x1|
P(a,b) R(a+x1,b)
Seja R(a + x1 , b) o ponto na interseção das retas paralelas aos eixos ox e oy que
incidem em P e Q, respectivamente. O triângulo P QR é retângulo com ângulo
−→ −→ −→
reto em R. Pelo Teorema de Pitágoras, temos, kP Qk2 = kP Rk2 +kRQk2 , onde,
neste caso de segmentos orientados, o símbolo k k indica o comprimento do
−→ −→
segmento. Como kP Rk = |x1 | e kRQk = |y1 |, temos
−→ −→ −→
q
kP Qk = kP Rk2 + kRQk2
p
= |x1 |2 + |y1 |2
p
= hv, vi
= kvk.
Q(a+x1,b+y1,c+z1)
|z 1|
v
|y1 |
P(a,b,c) |x1|
Proposição 4.2.
p
Seja k k : Rn → R, kvk = hv, vi. Para quaisquer vetores
n
v, w ∈ R e qualquer escalar λ ∈ R valem as seguintes propriedades:
| hv, wi |≤ kvkkwk.
Suponha que v e w sejam vetores não nulos. Pela da Proposição 4.1, p. 84,
para qualquer escalar t e qualquer w ∈ Rn , temos
htv − w, tv − wi ≥ 0,
segue que hv, wi2 ≤ kvk2 kwk2 . Portanto, |hv, wi| ≤ kvkkwk.
Se vale a igualdade, então p(t) possui uma única raiz real λ com multipli-
cidade dois, ou seja p(λ) = hλv − w, λv − wi = 0. Isso ocorre se, e somente se,
w − λv = 0, isto é, v e w são colineares. 2
Mostrada a desigualdade de Cauchy-Schwarz, veriquemos a desigualdade
triangular, N3 . Esse título é sugestivo. A interpretação da norma de um vetor
como sendo o comprimento de um segmento orientado permite relacionar a
desigualdade triangular com um teorema bem conhecido da Geometria eucli-
diana: a medida de um lado de um triângulo é menor que a soma das medidas
dos outros dois lados.
IEn, n=2,3
w
v+w
v
4.2 Norma 89
kv + wk2 = hv + w, v + wi
= kvk2 + kwk2 + 2hv, wi.
e dividimos o vetor por sua norma, v = √110 (1, 0, −3). De fato, o processo de
normalização produz um vetor unitário, pois se λ = kwk 1
> 0, o valor absoluto
é |λk = λ e
1 1
kvk = w = ||w|| = 1.
kwk kwk
90 Álgebra linear e Geometria Cap. 4
EXERCÍCIOS
1. Calcule a norma e identique os vetores unitários:
−−→
3. Represente por um segmento orientado u = (cos θ, sen θ) ∈ R2 .
OU o vetor
Qual a norma de u? Esboce no plano cartesiano todos os pontos U (cos θ, sen θ).
hv, wi
−1 ≤ ≤ 1.
kvk kwk
4.3 Medida de ângulo entre dois vetores 91
hv, wi
cos θ = .
kvk kwk
Muitas vezes, diz-se que θ é o ângulo entre os vetores, em lugar do termo
medida do ângulo entre os vetores. Em termos de segmentos orientados, θ
é a medida do ângulo do plano ou do espaço cartesiano determinado pelos
raios suportes de dois segmentos orientados que representam v e w com pontos
iniciais em um mesmo ponto P .
R
w Q
q v
Algumas vezes, para deixar claro que o ângulo considerado é aquele relacionado
aos vetores v e w, escrevemos θ(v, w).
Exemplo 4.3. Para calcular a medida do ângulo entre os vetores v = (2, −1, −1)
e w = (−1, −1, 2) do R3 precisados dos valores
√ √
hv, wi = −3, kvk = 6 e kwk = 6.
√ √
Da igualdade −3 = 6 6cos θ, obtemos cos θ = − 21 , portanto, θ = 2π
3
. 3
92 Álgebra linear e Geometria Cap. 4
EXERCÍCIOS
1. Calcule o ângulo entre os vetores u e v.
π
(a) v = (−1, 2, 1), w = (x, 1, 2), θ(v, w) = 3.
12. Mostre que v, w ∈ Rn são ortogonais se, e somente se, kv + wk2 = kv − wk.
94 Álgebra linear e Geometria Cap. 4
4.4 Ortogonalidade
Como denido anteriormente, dois vetores v e w de Rn são ortogonais
quando hv, wi = 0. O símbolo v ⊥ w indicará a ortogonalidade de v e w.
Vejamos algumas aplicações deste conceito.
Sejam v e w vetores não nulos de Rn . A projeção ortogonal de v sobre w
é um vetor denotado por pw (v) e denido como sendo o vetor colinear com w
tal que v − pw (v) ⊥ w.
v v-pw(v)
q pw(v) w
||v||
q
||pw(v)||
Denição 4.3. 3
Sejam v e w vetores de R . O produto vetorial de v por w é
3 3
o vetor v∧w de R tal que para qualquer vetor u ∈ R , vale a identidade
3. kv ∧ wk2 = det[v, w, v ∧ w] ≥ 0.
4. v ∧ w = −w ∧ v .
96 Álgebra linear e Geometria Cap. 4
v w w
2. Pelo Exemplo 4.6, p. 95, e pela denição de produto vetorial segue que
a d bf − ce
det[u, v, v ∧ w] = det b e cd − af
c f ae − bd
= (ae − bd)2 + (af − cd)2 + (bf − ce)2
= kv ∧ wk2
≥ 0.
Finalmente,
Prova Suponha, por absurdo, que β não seja uma base. Sendo assim, pelo
Teorema 1.2, p. 27, temos det[v, w, v ∧ w] = 0. Pelo item 3 da Proposição 4.3,
p. 95, segue que kv ∧ wk = 0, e pelo corolário anterior, concluímos que v e w
são colineares, uma contradição. 2
EXERCÍCIOS
1. Mostre que o triângulo ABC em E3 é um triângulo retângulo, onde A(7, −4, 1),
B(3, −1, 0) e C(5, 2, 1). Identique a hipotenusa.
r
r
Q h Q(x2,y2)
P(x 1,y1 )
P w A(x,y)
100 Álgebra linear e Geometria Cap. 4
−→
Se P (x1 , y1 ) e Q(x2 , y2 ), o segmento orientado P Q representa o vetor η =
(η1 , η2 ). Por força de expressão, o vetor η é denominado vetor normal à reta
r. Seja A(x, y) um ponto arbitrário de E2 . A reta ca determina pela seguinte
condição: r é o lugar geométrico de todos os ponto A(x, y) tal que o segmento
−→ −→
orientado P A é perpendicular ao segmento orientado P Q. Portanto, w =
(x − x1 , y − y1 ) é ortogonal a η . Disto segue a equação da reta: r : hw, ηi = 0.
Em termos de coordenadas:
r : η1 x + η2 y − η1 x1 − η2 y1 = 0.
O fato útil nesta formulação é que o vetor normal está implícito na equação.
Suas coordenadas são os coecientes das variáveis x e y , nesta ordem.
r h
P(x1,y1 ) v
R(x 2,y2)
pode ser lida como a equação de uma reta do plano, ri : ηi1 x+ηi2 y = ki . Sendo
assim, resolver o sistema é encontrar as coordenadas dos pontos P (x0 , y0 ) que
estão na interseção de todas as retas, simultaneamente.
102 Álgebra linear e Geometria Cap. 4
P P Q(x2,y2 ,z2)
h
w
A(x,y,z)
P(x 1,y1 ,z1)
u = (x2 − x1 , y2 − y1 , z2 − z1 ) e v = (x3 − x1 , y3 − y1 , z3 − x1 ),
u Q
P A
P v R
cartesiano não é descrita por uma equação, mas por duas equações lineares,
uma para cada plano cuja interseção é a reta. Por exemplo,
x − 2y − z = 0
r: .
2x − 3y + z = 5
EXERCÍCIOS
1. Determine a equação da reta em E2 que incide em P e tem vetor normal η.
(a) P (1, 1), Q(0, 3). (c) P (1, 1), Q(1, 5). (e) P (0, 0), Q(1, 1).
(b) P (−1, 2), Q(2, −1). (d) P (−3, 4), Q(3, 4). (f ) P (0, 0), Q(−2, 1).
(a) A(1, 1), B(−2, 0) e C(0, 32 ). (b) A(−1, 2), B(2, −1) e C(3, −2).
(a) P (1, 0, 1); Q(0, 3, 2); R(1, 1, 1). (c) P (1, −2, 1); Q(0, 1, 5); R(1, 0, 0).
(b) P (0, −1, 2); Q(1, 2, −1); O. (d) O; Q(1, 1, 1); R(1, 1, 0).
6. Esboce o gráco das equações em duas variáveis e depois esboce o gráco das
(a) (c)
(b) (d)
(a) P (1, 0, 1) e Q(0, 3, 2). (c) P (1, −2, 1) e Q(1, −2, 5).
(b) P (0, −1, 2) e Q(1, 2, −1). (d) P (0, 0, 0) e Q(0, 0, 1).
(
x − 2y − z = 0
r: e Π : x + y − z = 4?
2x − 3y + z = 5
4.6 Áreas em E2
Sejam u = (a, b) e v = (c, d) vetores de R . Iremos agregar ao número
2
V
h
v
U altura h
u base ||u||
O
W’
h
V’
v’ U altura h
u base ||u||
O
108 Álgebra linear e Geometria Cap. 4
W’
V’ h’
v’ U altura h’
u base ||v’||
O
V’ W’’
h’ altura h’
v’ base ||v’||
O u U’
A(x,y)
Q(x2,y2 )
P(x1,y1 )
O
110 Álgebra linear e Geometria Cap. 4
A retar pode ser descrita como o conjunto dos pontos A(x, y) ∈ E2 tais que
−→ −→
os vetores u e v do R2 representados pelos segmentos orientados P Q e P A,
respectivamente, são colineares. Isto implica que det[u, v] = 0. Como u =
(x2 − x1 , y2 − y1 ) e v = (x − x1 , y − y1 ), uma equação da reta ca sendo
x 2 − x1 x − x1
r : det =0
y2 − y1 y − y1
Exemplo 4.11. Se desejarmos calcular uma equação cartesiana da reta r que
incide nos pontos P (2, 1) e Q(−3, −2), consideramos um ponto genérico A(x, y)
−→
da reta e os vetores u e v do R2 representados pelos segmentos orientados P Q
−→
e P A. Tais vetores são u = (5, 3) e v = (x + 3, y + 2), respectivamente. Logo,
r : det[u, v] = 0.
Calculando temos
x+3 5
r : det = 3x − 5y − 1. 3
y+2 3
Note qu epodemos calcular, utilizando vetores, todas medidas básicas da
Geometria euclidiana plana: medida de comprimento, medida de ângulo e me-
dida de área. Para isto, é suciente calcular produtos internos e determinantes.
EXERCÍCIOS
1. Verique que P QRS é um paralelogramo em E2 , calcule sua área, os compri-
(a) P (0, 0); Q(1, 2); R(1, 3); S(2, 5). (b) P (1, 1); Q(3, 2); R(5, 6); S(7, 7).
(a) P (0, 0); Q(1, 2); R(1, 3). (b) P (1, 1); Q(3, 2); R(7, 7).
5. Considere os pontos do plano Cartesiano P (1, 1), Q(3, −3) e R(5, −2).
−−→ −−→
(a) Determine os vetores uev representados por P Q e QR, respectivamente.
(b) Determine um ponto S(a, b) tal que P QRS seja um paralelogramo e
(a) P (1, 1), Q(0, 3). (b) P (−1, 2), Q(2, −1). (c) P (−3, 4), Q(3, 4).
(a) A(1, 1), B(−2, 0) e C(0, 23 ); (b) A(−1, 2), B(2, −1) e C(3, −2).
B(2,4) E(0,6)
D(8,4)
B(3,3)
(a)
O(0,0)
(b)
W
V
w
v
u U
O
Não o faremos, mas com procedimentos semelhantes aos executados para pa-
ralelogramos, embora mais longos e laboriosos, modicamos cada vetor u, v e
w para vetores do tipo u0 = (a, 0, 0), v 0 = (0, b, 0) e w0 = (0, 0, c), respectiva-
mente, de modo que det[u, v, w] = det[u0 , v 0 , w0 ] e o volume do paralelepídedo
retangular associado aos vetores u0 , v 0 e w0 tem o mesmo volume do paralele-
pípedo original.
Como o volume do paralelepípedo associado aos vetores u0 , v 0 e w0 é igual
4.7 A¯eas e volumes em E3 113
a 0 0
0 0 0
det[u , v , w ] = det 0 b 0 = |a| · |b| · |c|,
0 0 c
W’(0,0,c)
V’(0,b,0)
U’(a,0,0)
P Q
A
u w
P v
R
x2 − x 1 x3 − x1 x − x1
Π : det y2 − y1 y3 − y1 y − y1 = 0.
z2 − z1 z3 − z1 z − z1
W U
w P
O v V
4.7 A¯eas e volumes em E3 115
v w W
w U
P
O v V
area(P)kv
´ ∧ wk = V
= det[v, w, v ∧ w]
= kv ∧ wk2 .
EXERCÍCIOS
1. Calcule a área (total) do paralelepípedo em R3 cujos lados são segmentos
(
x + y + z = 3
r: .
2x + y + 4z = 0
5
Subespaço vetorial
Dentre todos os subconjuntos de Rn alguns são especiais, não apenas para a
compreensão do texto, mas para a Álgebra linear como um todo. São chamados
subespaços vetoriais, subconjunto que são, eles próprios, espaço vetoriais. Para
melhor entendimento sobre Rn é conveniente estudá-los.
2. se v, w ∈ Γ, então v + w ∈ Γ;
3. se v ∈ Γ e λ ∈ R, então λv ∈ Γ.
117
118 Subespaço vetorial Cap. 5
2o todo o espaço, Γ = Rn .
Ilustremos como um subespaço pode ser denido por uma equação linear
homogênea. Consider o subconjunto Γ de R2 ,
Γ = {(x, y, z) ∈ R3 ; x − 2y + 3z = 0}.
Γ : x − 2y + 3z = 0,
desde que esteja claro que a equação tem três variáveis para sabermos que Γ é
um subconjunto do R3 .
= 0.
Portanto, v + w ∈ Γ.
3. Sejam v = (x1 , y1 , z1 ) ∈ Γ e λ ∈ R. Substituindo λv = (λx1 , λy1 , λz1 ) na
equação linear homogênea temos
1. Γ = {(x, y) ∈ R2 ; 2x − 3y = 0} é um subespaço do R2 .
2. Λ = {(x, y, z) ∈ R3 ; 2x − 3y = 0} é um subespaço do R3 . 3
Voltemos ao subespaço do R3 , Γ : x − 2y + 3z = 0. A sentença que dene
esse subespaço pode ser reescrita com o produto interno. Se η = (1, −2, 3), Γ
é constituído pelos vetores v = (x, y, z) de R3 que são ortogonais ao vetor η :
Γ = {v ∈ R3 ; hv, ηi = 0}
é um subespaço próprio do Rn .
120 Subespaço vetorial Cap. 5
*0 *0
hv + w, ηi =
hv,ηi hw,
+ ηi
= 0,
0
hλv, ηi = λ
hv,ηi
*
= 0,
EXERCÍCIOS
1. Verique quais dos vetores, u = (2, 0, 2), v = (8, −2, 4) e w = (1, 1, 6), perten-
Γ = {(x, y, z) ∈ R3 ; x − 2y + 3z = 0 e x − y + z = 0}.
Verique que esse subespaço é representado no espaço Cartesiano por uma reta
(b) Λ = {(x, y) ∈ R2 ; 2x − y = 4}
122 Subespaço vetorial Cap. 5
[[v1 , v2 , . . . , vk ]] = {w ∈ Rn ; w = a1 v1 + a2 v2 + · · · + ak vk , ai ∈ R}.
v = a1 v1 + a2 v2 + · · · + ak vk e w = b1 v1 + b2 v2 + · · · + bk vk .
5.2 Subespaço e combinações lineares 123
Não podemos utilizar regra de Cramer para resolver o sistema pois a matriz
principal não é quadrada. Devemos escolher uma maior submatriz quadrada
com determinante diferente de zero, e resolver o sistema cuja matriz principal
é a submatriz escolhida. As submatrizes 2 × 2 do sistema são
1 −1 1 2 −1 2
, e .
1 1 1 1 1 1
Exemplo 5.5. Mostemos que [[(1, −1), (2, 4)]] = R2 . Claro vale a inclu-
são [[(1, −1), (2, 4)]] ⊂ R2 . Precisamos mostrar a inclusão inversa, R2 ⊂
[[(1, −1), (2, 4)]], de onde seguirá a igualdade dos conjuntos.
5.2 Subespaço e combinações lineares 125
Exemplo 5.6. Seja Γ = [[v1 , v2 ]], onde v1 = (1, 2, 1, −2) e v2 = (1, 1, −1, 1).
Por denição, um vetor w = (t, x, y, z) ∈ Γ se, e somente se, existem escalares
a1 e a2 tais que (t, x, y, z) = a1 v1 + a2 v2 . Desejamos determinar a1 e a2 em
função de t, x, y e z . A igualdade acima nos leva ao sistema linear 4 × 2,
a1 + a2 = t
2a1 + a2 = x
.
a1 − a2 = y
−2a + a = z
1 2
Para resolver por regra de Cramer, podemos considerar somente as duas pri-
meiras equações, suprimindo, por um momento, as duas últimas,
a1 + a2 = t
.
2a1 + a2 = x
EXERCÍCIOS
1. Mostre a igualdade dos subespaços.
i) Γ = {(x, y, z) ∈ R3 ; x − 2y = 0};
ii) Λ = {(x, y, z) ∈ R3 , x − 2y − z = 0};
iii) Φ = {(x, y, z) ∈ R3 ; x − 2y = 0 e x − 2y − z = 0}.
( ) Γ ⊂ Φ. ( ) Φ ⊂ Γ. ( ) Φ Λ. ( ) Γ ⊂ Λ.
(a) u = (4, 1). (b) v = (2, 3). (c) w = (−1, 2). (d) t = (1, 4).
6. Quais dos vetores pertencem ao subespaço [[(1, −1, 1), (0, 2, 1)]]?
5.3 Geradores
Um ponto importante da teoria é mostrar que seja qual for o subespaço
Γ ⊂ Rn ele sempre pode ser descrito como o espaço de combinações lineares
de vetores. Esse é um dos nosso objetivo.
Exemplo 5.8. Seja Γ = [[v1 , v2 , v3 ]] ⊂ R3 , onde v1 = (5, −1, 0), v2 = (2, 2, −2)
e v3 = (−1, −7, 6). Mostremos que, neste exemplo, [[v1 , v2 , vb3 ]] = [[v1 , v2 , v3 ]].
Pelo lema acima, temos a inclusão [[v1 , v2 , vb3 ]] ⊂ [[v1 , v2 , v3 ]]. Vejamos a
inclusão oposta. Seja w ∈ [[v1 , v2 , v3 ]]. Por denição, existem escalares a1 ,
a2 e a3 tais que w = a1 v1 + a2 v2 + a3 v3 . O fato do terceiro vetor v3 ser
uma combinação linear dos dois primeiros vetores, v3 = v1 − 3v2 , nos permite
escrever as igualdades
w = a1 v1 + a2 v2 + a3 (v1 − 3v2 )
= (a1 + 3)v1 + (a2 − 9)v2 .
o = a1 v1 + a2 v2 + · · · + ak vk ,
Prova 1. ⇒ 2.) Sem perder a generalidade, podemos supor que seja vk o vetor
que é uma combinação linear dos outros vetores da lista,
vk = c1 v1 + c2 v2 + · · · + ck−1 vk−1 .
Já sabemos que [[v1 , . . . , vk−1 , vbk ]] ⊂ [[v1 , . . . , vk−1 , vk ]], ver Lema 5.1, p.
128. Vejamos a inclusão oposta. Considere um vetor w ∈ [[v1 , v2 , . . . , vk ]]. Por
denição, existem escalares a1 , a2 , . . . , ak tais que w = a1 v1 + a2 v2 + · · · + ak vk .
Substituíndo vk pela sua combinação linear e reagrupando as parcelas obtemos
vk = a1 v1 + a2 v2 + · · · + ak−1 vk−1 .
130 Subespaço vetorial Cap. 5
w = a1 v1 + a2 v2 + · · · + ak vk .
Suponha, por absurdo, que exista outra coleção b1 , b2 , . . . , bk tal que bi0 6= ai0 ,
para algum i0 , e que w = b1 v1 + b2 v2 + · · · + bk vk . Por subtração obtemos
Logo, o vetor nulo é expresso por uma combinação linear onde nem todos os
coecientes são nulos. Portanto, {v1 , v2 , . . . , vk } é l. d. Uma contradição. 2
Vericamos que det[v1 , v2 ] 6= 0. Logo, esses dois vetores formam uma base para
o R2 e o vetor v3 é uma combinação linear dos dois primeiros, implicando que o
conjunto {v1 , v2 , v3 } é l. d. Com um cálculo simples obtemos w = −3v1 + 2v2 .
Pelo Teorema 5.1, p. 129, podemos eliminar v3 do conjunto gerador e continuar
gerando o mesmo subespaço, Γ = [[v1 , v2 ]]. Na verdade, Γ = R2 , pois qualquer
vetor de R2 é uma combinação linear de v1 e v2 .
Como o conjunto de três vetores em R2 não é linearmente independente, o
vetor nulo o = (0, 0) não tem unicidade de combinação linear,
o = −3a3 v1 + 2a3 v2 − a3 v3 .
Não podemos utilizar a regra de Cramer, pois sabemos que a matriz dos coeci-
entes tem determinante igual a zero. Devemos suprimir uma equação resolver o
subsistema obtido e vericar se a solução satisfaz a equação suprimida. Quando
suprimimos a última equação, obtemos duas equações com três incógnitas,
a1 − 2a2 + a3 = 0
.
− a2 + a3 = 0
Como sempre, devemos escolher uma maior submatriz quadrada com determi-
nante diferente de zero e resolver o sistema que dependerá de um coeciente,
a1 − 2a2 = −a3
− a2 = −a3
Prova Por hipótese k > n. Sendo assim podemos formar matrizes n × n cujos
vetores colunas são elementos do conjunto de geradores.
Se o determinante de alguma matriz formada por n vetores de β for di-
ferente de zero, os vetores colunas formam uma base para o Rn e os outros
vetores da lista são combinações lineares dos vetores encontrados. Isto signica
que β é l. d. e terminamos a demonstração.
Se o determinante de qualquer matriz formada por n vetores de β for igual
a zero, em particular, temos det[v1 , v2 , . . . , vn ] = 0. Sendo assim, algum vetor
coluna é combinação linear de outros. Novamente, isto implica que β é l. d.2
Prova Se k > n, pela proposição anterior e pelo Teorema 5.1, p. 129, é possível
reduzir a lista de geradores até obtermos uma lista de geradores para Γ com
n vetores. Sem perda de generalidade, vamos supor que a lista obtida seja
{v1 , v2 , . . . , vn }. Caso este conjunto seja l. i. ele é uma base de Rn , Γ = Rn e
terminamos a demostração.
Caso este conjunto de n vetores seja l. d., eliminamos o vetor que seja
combinação linear dos outros e construímos uma lista com n − 1 vetores. Se a
nova lista de n − 1 vetores for l. i. terminamos a demostração. Caso contrário,
5.3 Geradores 135
EXERCÍCIOS
1. Expresse os vetores o = (0, 0, 0) e w = (2, 3, 1) por duas combinações lineares
(a) Os dois vetores são l.d. implica que um deles é múltiplo do outro.
(b) Os dois vetores são l.d. implica que a soma dos dois é o vetor nulo.
(c) Os dois vetores são l.d. implica que um deles é o vetor nulo.
o = a1 v1 + a2 v2 + · · · + vk vk + ak+1 vk+1 ,
onde os coecientes ai 's não são todos iguais a zero. Claro, ak+1 6= 0, caso
contrário o conjunto {v1 , v2 , . . . , vk } seria l. d., contrariando a hipótese. Logo,
a1 a2 ak
vk+1 = v1 + v2 + · · · + vk .
ak+1 ak+1 ak+1
Isso implica que vk+1 ∈ Γk = [[v1 , v2 , . . . , vk ]], uma contradição. 2
Γ = {(t, x, y, z) ∈ R4 ; 2t − x − 3y + z = 0} ⊂ R4 .
Teorema 5.3. Todo subespaço não trivial Γ do R3 possui uma base. Mais
ainda:
{(x, y, z) ∈ R3 ; x − y + z = 0}
Γ1 =
.
3
Γ2 = {(x, y, z) ∈ R ; 2x + y + z = 0}
Como sabemos, eles são constituídos por vetores ortogonais aos vetores η1 =
(1, −1, 1) e η2 = (2, 1, 1), respectivamente. A interseção Γ1 ∩ Γ2 também é um
subespaço e tem dimensão um e seus vetores são simultaneamente ortogonais
aos vetores normais η1 e η2 . Logo, qualquer vetor na interseção é colinear com
o produto vetorial η1 × η2 = (−2, 1, 3). Portanto, Γ1 ∩ Γ2 = [[η1 × η2 ]]. 3
EXERCÍCIOS
1. Seja β = {v1 , v2 , . . . , vk } uma base do subespaço Γ ⊂ Rn . Responda as per-
(a) β = {(4, 1, 0), (−2, 1, 2), (1, −3, 2), (2, 0, 1)} ⊂ R3 .
(b) β = {(1, −1, 0), (0, −3, 4), (1, −4, 4)} ⊂ R3 .
(a) Γ = [[(−4, 8), (2, −4), (−1, 2)]]. (e) Γ = [[(−2, 1, 0)]].
(b) Γ = [[(−2, 1, 0), (1, 1, 1)]]. (f ) Γ = [[(1, 1, 1), (2, 2, 2)]].
(c) Γ = [[(0, 1, −2), (−3, 2, −7), (1, 0, 1)]]. (g) Γ = [[(−2, 2, 0), (1, −1, 0), (1, 1, 1)]].
(d) Γ = [[(−1, 2, −1)]].
Prova Suponha, por absurdo, que o conjunto β não seja uma base do Rn .
Sendo assim, det[u1 , u2 , . . . , un ] = 0 existe um vetor coluna que é uma com-
binação linear dos outros vetores colunas. Sem perda de generalidade, iremos
assumir que esse vetor coluna seja un ,
un = a1 u1 + a2 u2 + · · · + an−1 un−1 .
1 = hun , un i
:0 :0 : 0i
= a1 h
un i + a2 h
, u1 un i + · · · + an−1 h
, u2 un
, un−1
= 0.
v = a1 u1 + a2 u2 + · · · + an un
Proposição 5.6. Todo subespaço não trivial do Rn possui uma base ortogonal.
Prova Sejam Γ um subespaço de Rn de dimensão k e γ = {w1 , w2 , . . . , wk }
uma base ordenada de Γ. Denote por Γi o subespaço de dimensão i gerado
pelos i-ésimos primeiros vetores dessa base, γi = {w1 , w2 , . . . , wi }. Sendo assim,
valem as inclusões próprias de subespaços
Γ0 = {0} Γ1 Γ2 ··· Γk = Γ.
hw2 , v1 i
v2 = w2 − v1 .
hv1 , v1 i
O vetor v2 está bem denido pois v1 não sendo nulo temos que hv1 , v1 i > 0.
Note que também o vetor v2 não é nulo, caso contrário concluímos que w1 e
w2 são vetores linearmente dependentes contrariando o fato de γ ser uma base
de Γ. Por outro lado, vericamos facilmente que hv1 , v2 i = 0 de onde segue
que β2 ⊂ Γ2 é um conjunto linearmente independente num espaço vetorial de
5.5 Base e produto interno 145
EXERCÍCIOS
1. Projete ortogonalmente o vetor u sobre o vetor v.
(a) β = {(1, 1), (2, 1)}. (b) β = {(2, 1), (−1, 2)}
(a) β = {(1, 1, 1), (0, 2, 1), 0, 1, 1)}. (b) β = {(1, 0, 0), (1, 1, 0), (1, 1, 1)}.
6
Transformações lineares
Estudaremos funções chamadas transformações lineares. Uma transforma-
ção linear ca determinada denindo o seu valor em cada vetor da base canô-
nica do domínio, valores estes, que serão guardados numa matriz, procedimento
que possibilita detetar importantes propriedades deste tipo de aplicação.
v = x1 e1 + x2 e2 + · · · + xm em .
147
148 Transformações lineares Cap. 6
A(x1 , x2 , . . . , xm ) = A(x1 e1 + x2 e2 + · · · + xm em )
= A(x1 e1 ) + A(x2 e2 ) + · · · + A(xm en )
= x1 A(e1 ) + x2 A(e2 ) + · · · + xm A(em ).
Várias informações podem ser obtidas da expressão
1o Para construir uma transformação linear basta especicar quais são seus
valores nos vetores e0i s da base canônica do domínio e denir a transfor-
mação linear pela combinação linear à direita da igualdade.
Falta vericar que essa aplicação A é uma transformação linear, isto é, ela
verica as condições tl1 e tl2 listadas na denição. Para isso, efetuamos os
seguintes cálculos que são procedimentos de rotina. Considere dois vetores
v = (x1 , y1 ) e w = (x2 , y2 ) em R2 e um escalar λ ∈ R. Calculemos,
A(v + w) = A(x1 + x2 , y1 + y2 )
= (−x1 − x2 , 3y1 + 3y2 )
= (−x1 , 3y1 ) + (−x2 , 3y2 )
= A(v) + A(w),
Verica-se que A(e1 ) = (2, 0, 2), A(e2 ) = (−1, 4, −1) e A(e3 ) = (3, 2, 0). 3
É conveniente ter um critério mais rápido para vericarmos se uma aplica-
ção é uma transformação linear.
Exercício 6.2. Uma aplicação A : Rm → Rm é uma transformação linear
se, e somente se, para quaisquer v, w ∈ Rm e qualquer escalar λ cumpre-se
A(v + λw) = A(v) + λA(w) 3
Proposição 6.1. Sejam v1 , v2 , . . . , vm vetores do Rn . A aplicação
A : Rm → Rn , A(x1 , x2 , . . . , xm ) = x1 v1 + x2 v2 + · · · + xm vm
é uma transformação linear. Mais ainda, esta é a única transformação linear
que assume tais valores na base canônica.
B(v) = B(x1 , x2 , . . . , xm )
= x1 B(e1 ) + x2 B(e2 ) + · · · + xn B(em )
= x1 A(e1 ) + x2 A(e2 ) + · · · + xn A(em )
= A(x1 , x2 , . . . , xm )
= A(v). 2
6.1 Transformações lineares 151
Id(x1 , x2 , . . . , xn ) = (x1 , x2 , . . . , xn ).
EXERCÍCIOS
1. Verique quais das aplicações são transformações lineares.
coordenadas.
152 Transformações lineares Cap. 6
hv, v0 i
A(v) = v − v0 .
hv0 , v0 i
Observe que o núcleo contém o vetor nulo. Mostraremos que esses subcon-
juntos são subespaços do contradomínio e do domínio, respectivamente, mas,
antes, discutamos estes conceitos com uma transformação linear especíca.
onde A(e1 ) = (1, 3), A(e2 ) = (1, −2) e A(e3 ) = (−1, 0).
Examinemos a imagem. A combinação linear acima nos sugere que a ima-
gem Im(A) é o subespaço das combinações lineares [[A(e1 ), A(e2 ), A(e3 )]]. De
fato. Mostremos a inclusão Im(A) ⊂ [[A(e1 ), A(e2 ), A(e3 )]]. Seja w ∈ Im(A).
Por denição de imagem, existe um elemento do domínio v = (x, y, z) ∈ R3
tal que A(v) = w. Portanto, w = xA(e1 ) + yA(e2 ) + zA(e3 ). Isso mostra que
w ∈ [[A(e1 ), A(e2 ), A(e3 )]].
6.2 Núcleo, imagem e sistema linear 153
A(x, y, z) = w0 .
EXERCÍCIOS
1. Determine uma base para o núcleo da transformação linear, caso ela não seja
(a) A : R3 → R2 tal que Im (A) = [[v1 , v2 ]], onde v1 = (1, 2) e v2 = (1, 1).
(b) A : R2 → R3 tal que Im (A) = [[v1 ]], onde v1 = (0, 3, −1).
(c) A : R3 → R2 tal que Im (A) = {(x, y) ∈ R2 ; 2x − y = 0}.
(d) A : R3 → R3 tal que Im (A) = {(x, y, z) ∈ R3 ; 2x + 3y + z = 0}.
(e) A : R3 → R2 tal que Im(A) = {(x, y) ∈ R2 ; x − y = 0}.
10 −1
[A] = −2 31 ,
0 5
1o A matriz tem duas colunas, A = [A(e1 ), A(e2 )]. Isso nos diz que o domí-
nio de A é o R2 .
2. Id : Rn → Rn , Id(v) = v .
2 −3
0
[A] = 1 1 −1 .
0 1 −4
6.3 Matriz de uma transformação linear 159
Do produto matricial
2 −3 2x − 3y
0 x
1 1 −1 y = x + y + z ,
0 1 −4 z y − 4z
2 −3 −1
0 1
[A][u] = 1 1 −1 1 = 2 ,
0 1 −4 0 1
Matricialmente temos:
−1 −8 −9
As três matrizes [A(u), A(v), A(w)], [A(e1 ), A(e2 , A(e3 )] e [u, v, w] estão relaci-
onadas pelo produto de matricial,
160 Transformações lineares Cap. 6
−1 −8 −9
= [A][u, v, w].
Com isso vericamos que as colunas de [A(u), A(v), A(w)] são as entra-
das das matrizes colunas [A][u], [A][v] e [A][w], respectivamente. Este é um
algorítmo que será explorado inúmeras vezes.
Prova 1.) Seja [A] = [vij ]. Escrevamos, uj = u1j e1 + u2j e2 + · · · + umj em . Por
linearidade de A, temos
A ij−ésima entrada de [A(u1 ), A(u2 ), . . . , A(um )], aqui denotada por aij , é
obtida efetuando-se o produto interno dos vetores ei e A(uj ). Sendo assim,
aij = u1j hei , A(e1 )i + u2j hei , A(e2 )i + · · · + umj hei , A(em )i
= u1j vi1 + u2j vi2 + · · · + umj vim
= vi1 u1j + vi2 u2j + · · · + vim umj .
6.3 Matriz de uma transformação linear 161
v P
A(v) Q
u
A(u)
Sabemos que
e
área (P) = det[u, v] área (Q) = det[A(u), A(v)].
área (Q) = det[A] · área (P) .
3
vol (Q) = det[A] · vol (P) .
EXERCÍCIOS
1. Determine as matrizes das seguintes transformações lineares.
w2 = (1, −2, 2). Mostre que A é uma transformação linear e calcule [A].
w2 = (1, −2, 2). Mostre que A é uma transformação linear e calcule [A].
hv, v0 i
6. Dena A : R3 → R3 , A(v) = v − v0 , onde v0 = (2, 1, 1) ∈ R3
hv0 , v0 i
(a) Mostre que A é uma transformação linear e calcule sua matriz.
Este último vetor também é uma combinação linear dos k primeiros vetores
da base ordenada β , pois tais vetores formam uma base para o núcleo,
ou equivalentemente,
EXERCÍCIOS
1. Determine bases para a imagem e núcleo, quando este for não trivial, das
5. Existe uma transformação linear A : R11 → R11 tal que Im(A) = N uc(A)?
2w1 − w2 + w3 = o e w1 = 4w2 .
(b) Encontre uma base para o núcleo e uma base para a imagem.
(b) Determine uma base para o núcleo e uma base para a imagem de A.
ras?
6.5 Operações
Nessa seção deniremos três operações envolvendo transformações lineares:
soma de transformações lineares; multiplicação de uma transformação linear
por um escalar; composição de transformações lineares.
6.5 Operações 167
µA : Rm → Rn , (µA)(v) = µA(v).
EXERCÍCIOS
1. Para cada item, efetue, quando possível, as operações 2A − B , A ◦ B , B ◦ A,
A2 e B 2 . Efetue as operações explícita e matricialmente.
1 2 " #
1 1
[A] = 0 −1 e [B] = .
2 0
3 0
7.1 Isomorsmos
Um operador linear A em Rn é uma transformação linear A : Rn → Rn .
Por simplicidade, diremos que A é um operador em Rn . O seu estudo pode
ser mais detalhado, pois sua matriz [A] é quadrada, possibilitando avaliar o
determinante. Transformações lineares ivertíveis são operadores, vejamos.
m m
B ◦ A = Idm : R → R
.
n n
A ◦ B = Idn : R → R
171
172 Operadores lineares Cap. 7
:0
m = dim Rm =
dim
Nuc(A)
+ dim Im(A) = dim Rn = n.
C(w) = Id ◦ C(w)
= A−1 ◦ A ◦ C(w)
= A−1 ◦ (A ◦ C) (w)
= A−1 ◦ Id(w)
= A−1 (w). 2
1. A é invertível.
2. N uc(A) = {o}.
3. Im(A) = Rn .
A ◦ B = B −1 ◦ |B {z
◦ A} ◦B = B −1 ◦ B = Id. 2
Id
EXERCÍCIOS
1. Apenas uma das condições exigidas na denição de uma transformação linear
(a) Calcule A3 = A ◦ A ◦ A.
(b) A é invertível? Caso seja invertível, calcule sua inversa.
A não é invertível.
9. Seja A um operador em Rn tal que Ak (v) ≡ o para algum inteiro k>0 e todo
v ∈ Rn .
7.2 Aplicação
Como vimos, para construir uma transformação linear A : Rm → Rn basta
estabelecer quais são os valores de A nos vetores da base canônica. Generali-
zaremos essa construção. Veremos que para denir uma transformação linear
é suciente explicitar os valores da transformação numa base qualquer, não
precisa ser, necessariamente, a base canônica.
Sejam A : Rm → Rn uma transformação linear e β = {v1 , v2 , . . . , vm } uma
base ordenada de Rm . Qualquer vetor v ∈ Rn é expresso por uma combinação
linear única do tipo
v = a1 v1 + a2 v2 + · · · + am vm .
A = B ◦ C −1 /
C(ei ) = vi wi = B(vi )
c ;
C B
ei
1 −1
A = B ◦ C −1 /
2
R > R3
C −1 B
R2
180 Operadores lineares Cap. 7
Portanto, a matriz de A é
1 −1 2 −5
1 −2
[A] = −1 2 · = −3 8 .
−1 3
−1 3 −4 11
Em termos de coordenadas temos A(x, y)(2x − 5y, −3x + 8y, −4x + 11y). 3
−1 2 −1
0 1 2
[C] = 1 0 1 e [C]−1 = −1 2 −2 .
1 −1 0 1 −1 1
7.2 Aplicação 181
−1 2 −1
2 1 2 −1 4 −2
[A] = [B][C]−1 = −1 2 −2 = ,
0 2 1 −1 3 −3
1 −1 1
G G
v -h m
A(v) o
o h
EXERCÍCIOS
1. Construa o operador C : R2 → R2 que assume os valores indicados.
(a) C(1, 1, 1) = (−1, 1, 0), C(−1, 0, 1) = (−1, −1, 2) e C(0, 2, 0) = (0, 0, 0).
(b) C(1, 1, 1) = ( 1, 1, 1), C( 1, 0, 1) = ( 1, 0, 1) e C(0, 0, 1) = (0, 0, 1).
(c) C(1, −2, 0) = (1, 1, 0), C(−1, 0, 1) = (1, 1, 2) e C(0, 2, 1) = (1, 0, 0).
Exercício 7.3. Demos o traço de uma matriz quadrada como a soma das
entradas da diagonal principal. Se a matriz é 2 × 2,
a b
[A] = ,
c d
λ − 1 −2
1 2 0 0
[A] = 0 1 0 ; [λ Id − A] = 0 λ−1 0 .
1 1 2 −1 −1 λ − 2
λ − 1 −2
0
p(λ) = det[λId − A] = det 0 λ−1 0 = λ3 − 4λ2 + 5λ + 2.
−1 −1 λ − 2
vi+1 = a1 v1 + a2 v2 + · · · + ai vi .
7.3 Autovalor e Autovetor 189
Algum escalar ai não é nulo pois vi+1 não é o vetor nulo. A menos de uma
reordenação dos i primeiros elementos do conjunto β podemos assumir que
ai 6= 0. Avaliando o operador em cada membro da igualdade e multiplicando
ambos os membros da igualdade por λi+1 obtemos duas outras igualdades,
λi+1 vi+1 = λ1 a1 v1 + λ2 a2 v2 + · · · + λi ai vi ,
λi+1 vi+1 = λi+1 a1 v1 + λi+1 a2 v2 + · · · + λi+1 ai vi .
Por hipótese, os autovalores são distintos dois a dois, λi+1 −λj 6= 0, implicando
que vi é uma combinação linear dos anteriores, a saber,
Uma contradição, pois, por escolha, vi+1 é o primeiro vetor expresso como uma
combinação linear dos anteriores. Portanto, β é l. i. 2
λ3 + a1 λ2 + a2 λ + a3 = 0,
190 Operadores lineares Cap. 7
i) λ1 = P + Q − a1
3
;
ii) λ2 = w1 P + w2 Q − a1
3
;
iii) λ3 = w2 P + w1 Q − a1
3
.
EXERCÍCIOS
1. Verique se o vetor v é autovetor do operador A : R3 → R3 onde:
(a) A(x, y) = (−3x + 4y, −x + 2y); (d) A(x, y) = (2x − 4y, x − 2y);
(b) A(x, y) = (4x + 5y, 2x + y); (e) A(x, y) = (x, x + y);
(c) A(x, y) = (2x + 2y, x + y); (f ) A(x, y) = (x − y, x + y).
(a) V1 : x + y = 0 e V−2 : 2x + y = 0.
(b) V−3 : 2x + 3y = 0 e N uc(A) : x + 2y = 0.
192 Operadores lineares Cap. 7
hv, v0 i
A(v) = v − v0 .
hv0 , v0 i
Proposição 7.6. n
Cada operador linear A : R → Rn determina um único
t n n t
operador trasposto A : R → R . Mais ainda [A ] = [A]t .
Sendo assim, At (x, y) = (x − 2y, −4x + y). Para simples vericação, vejamos
que os operadores satisfazem a condição hv, A(w)i = hAt (v), wi. Calculemos:
ii) hAt (x, y), (x, y)i = h(x − 2y, −4x + y), (x, y)i = x2 + y 2 − 6xy. 3
1. (A + B)t = At + B t .
3. (A ◦ B)t = B t ◦ At
4. Idt = Id. 3
t −1
1. A invertível ⇔ At é invertível. Nesse caso, A−1 = At .
Prova 1.) Pela Proposição 2.3, p. 43, sabemos que det [A] = det [A]t . Como
[At ] = [A]t , segue que det [A] 6= 0 se, e somente se, det [At ] 6= 0.
194 Operadores lineares Cap. 7
7 −2
0
[A] = −2 6 −2 = [A]t . 3
0 −2 5
Portanto, p(λ) admite duas raízes reais que serão distintas se, e somente se,
∆ > 0, e admite uma raiz com repetição 2 se, e somente se, ∆ = 0.
1o caso ∆ = 0.
Sendo assim, a = c e b = 0. Logo, [A] é uma matriz diagonal, a saber,
a 0
[A] = .
0 a
Portanto, A(x, y) = (ax, ay). Isto implica que qualquer vetor de R2 é um
autovetor associado ao autovalor λ = a. Logo, R2 = Vλ . Sendo assim, escolhi-
dos quaisquer dois vetores unitários mutuamente ortogonais, u1 e u2 , a base
ordenada α = {u1 , u2 } é base espectral.
2o caso ∆ > 0.
Nesse caso, teremos dois autovalores distintos, digamos λ1 e λ2 . Sejam
u1 e u2 dois autovetores unitários associados aos autovalores λ1 e λ2 , res-
pectivamente. Pelo Lema 7.1, o conjunto α = {u1 , u2 } ⊂ R2 é linearmente
independente, e pelo Lema 7.2, p .195, α é uma base espectral. 2
7.5 Operadores simétricos 197
para λ1 = −11 e λ2 = 2, obtemos Vλ1 = [[(2, −3)]] e Vλ2 = [[(3, 2)]]. Desde
que os autovalores são distintos, os vetores do autoespaço Vλ1 são ortogonais
aos vetores do autoespaço Vλ2 . Normalizando os geradores, obtemos uma base
espectral associada a A:
2 3 3 2
α= √ , −√ , √ ,√ . 3
13 13 13 13
1 −1 1
[A] = −1 1 1 .
1 1 2
Verica-se que eles são dois a dois ortogonais. Logo, β = {v1 , v2 , v3 } é uma
base de R3 . Para obter uma base espectral α basta normalizar os vetores,
1 1 1
α= v1 , v2 , v3 . 3
kv1 k kv2 k kv3 k
EXERCÍCIOS
1. Verique que o operador A : R2 → R2 é simétrico e determine uma base
(a) A(x, y) = (10x + 6y, 6x + 10y). (c) A(x, y) = (6x − 2y, −2x + 6y).
(b) A(x, y) = (4x + 4y, 4x + 10y). (d) A(x, y) = (5x + 3y, 3x + 5y).
(a) A(x, y) = (10x + 6y, 6x + 10y). (c) A(x, y) = (6x − 2y, −2x + 6y).
(b) A(x, y) = (4x + 4y, 4x + 10y). (d) A(x, y) = (5x + 3y, 3x + 5y).
espectral associada a A.
ao operador simétrico A
−1 .
8
Operadores ortogonais
Neste capítulo examinaremos uma classe importante de operadores no qual
o conceito de ortogonalidade de vetores está sempre presente. Como aplicação,
faremos a classicação dos movimentos rígidos do Rn .
hw1 , v1 i hw1 , v2 i · · · hw1 , vn i
hw2 , v1 i hw2 , v2 i · · · hw2 , vn i
[B]t [A] = .
··· ··· ··· ···
hwn , v1 i hwn , v2 i · · · hwn , vn i
A entrada cij da matriz [B]t [A] é obtida pelo produto interno da i−ésima
201
202 Operadores ortogonais Cap. 8
t t t
cij = wi1 v1j + wi2 v2j + · · · + win vnj
= w1i v1j + w2i v2j + · · · + wni vnj
= hwi , vj i. 2
[U ]t [U ] = [Id] = [U ] [U ]t .
cos θ −sen θ cos θ sen θ
[U ] = ; [U ] = .
sen θ cos θ sen θ −cos θ
2. U é um operador ortogonal.
xi = hv, ei i
= hU (v), U (ei )i
:0
:0
= a1 hU
(e
1 ),
U(ei )i
+ · · · + ai hU (ei ), U (ei )i + · · · + an hU
(e
n ),
U(e
i )i
| {z }
1
= ai .
Sendo assim,
Mas é assim que construímos operadores lineares. Pela Proposição 8.2, p. 202,
concluímos a demonstração da implicação.
2. ⇒ 1.) Assuma que U é um operador ortogonal.
Em essência, isto é a denição de operador ortogonal, pois
EXERCÍCIOS
√
1 3
1. Fixe o vetor unitário u do R2 , u = ,
2 2 .
(b) Determine um outro operador ortogonal U2 tal que [U2 ] = [u, w]. Cal-
8.2 Propriedades
Examinaremos a relação entre operadores ortogonais e conceitos geomé-
tricos. Mais precisamente, um operador ortogonal em R2 ou R3 preserva as
medidas denidas anteriormente: medidas de comprimento, área, volume e
ângulo. Estas ideias estão implícitas nas caracterizações de tais operadores.
No Teorema 8.1, p. 203, não foi assumido que a função era um operador.
Mesmo assim, foi possível mostrar que uma função preserva o produto interno
se, e somente se, a função é um operador ortogonal. Para outras equivalências
será necessário assumir a linearidade.
Proposição 8.3. Seja U : Rn → Rn uma função. As seguintes armações são
equivalentes.
1. U é um operador ortogonal.
onde δij é o delta de Kronecker. Pela Proposição 5.5, p. 143, U (β) é uma base
ortonormal de Rn .
2. ⇒ 1.) Assuma que o operador U transforma bases ortonormais em bases
ortonormais.
Em particular, U transforma a base canônica Cn numa base ortonormal
U (Cn ). Pela Proposição 8.2, p. 202, U é um operador ortogonal. 2
Proposição 8.4. Seja U : Rn → Rn uma função. As seguintes armações são
equivalentes.
1. U é um operador ortogonal.
kv − wk2 = hv − w, v − wi
= kvk2 − 2hv, wi + kwk2 .
U : R2 → R2 , U (v) = kvke1 .
Prova 1.) Recordamos que indicamos a medida de ângulos entre vetores não
nulos v e w por θ(v, w). Neste caso, como U é invertível, U (v) e U (w) são
também vetores não nulos. Sendo assim,
det[U (v1 ), . . . , U (vn )] = det[U ] det[v1 , . . . , vn ]
2
= det[v1 , v2 , . . . , vn ].
208 Operadores ortogonais Cap. 8
U(h)=h
U(v)
Para mostrar que Γ é invariante por U é suciente mostrar que U (v) ∈ Γ para
todo v ∈ Γ. Lembrando-se que U (η) = η e que U preserva produto interno,
calculemos: hU (v), ηi = hU (v), U (η)i = hv, ηi = 0. 3
EXERCÍCIOS
1. Verique que U : R3 → R3 é um operador ortogonal. Determine um autoes-
paço unidimencional Vλ e um subespaço bidimensional Γ invariante por U .
(a) U (x, y, z) = √1 x + √1 z, y, − √1 x + √1 z .
2 2 2 2
Isso signica que d(U (v), U (w)) = d(w, v), como desejávamos vericar. Em
particular, temos kvk = d(v, o) = d(U (v), U (0)) = kU (v)k, portanto, U pre-
serva a norma.
A igualdade kU (v) − U (w)k = kv − wk mostrada acima, implica que U
preserva o produto interno. Se não vejamos. Calculemos:
kw − vk2 = hw − v, w − vi
= kwk2 − 2hv, wi + kvk2 .
Daí segue a igualdade hU (v), U (w)i = hv, wi, isto é, U preserva o produto
interno. Pela Teorema 8.1, p. 203, a aplicação U é um operador ortogonal.
Portanto, F = T ◦ U , onde T é uma translação e U um operador ortogonal.
⇐) Exercício. 2
8.4 Operadores normais 213
Como sabemos
Logo, as matrizes [At ][A] e [A][At ] são iguais, fato equivalente aos operadores
A ◦ At e At ◦ A serem iguais. Fica assim mostrada a proposição a seguir.
EXERCÍCIOS
1. Quais operadores em R2 cujas matrizes são descritas a seguir são normais?
" # " # " #
0 3 cos t −sen t 3 −1
(a) [A] = . (b) [B] = . (c) [C] = .
−3 0 sen t cos t −1 2
(a) B = A + At é simétrico.
(a) A é normal.
(d) Se B n
é um operador linear em R então A = B − Bt é anti-simétrico.
215
216 Representação matricial Cap. 9
−3
[v]β = 2 ,
0
recuperamos o vetor pela combinação linear v = −3v1 +2v2 +0v3 = (−3, 7, −1).
Um fato deve ser ressaltado. Como β é uma base, somente esse vetor tem essas
coordenadas e elas são as únicas coordenadas do vetor nessa base. Portanto,
v 6= w se, e somente se [v]β 6= [w]β .
9.1 Representação de vetores 217
a mesma matriz
−3
[v]α = 2 ,
0
representa outro vetor: v = −3u1 + 2u2 + 0u3 = (−5, −2, 2). 3
para quaisquer v, w ∈ Rn e λ ∈ R. 2
EXERCÍCIOS
1. Sejam α = {v1 , v2 } e β = {w1 , w2 } bases ordenadas de R2 , onde
3. Verique queα = {v1 , v2 }, onde v1 = (3, 4) e v2 = (3, 2), é uma base ordenada
2
de R e calcule o vetor cuja representação matricial é a indicada.
" # " #
0 −2
(a) [v]α = . (c) [v]α = .
1 3
" # " #
1 1
(b) [v]α = (d) [v]α = .
0 1
Com isso, indicamos que a j−ésima coluna de [A]αβ é consituída pelas entradas
da matriz coluna [A(vj )]β . Esta matriz guarda as informações sobre a trans-
formação linear. Conhecidas as bases ordenadas e a representação matricial
[A]αβ , recuperamos a transformação linear pelas avaliações
EXERCÍCIOS
1. Calcule a representação matricial do operador A : R2α → R2C2 , sabendo-se que
(b) Da base canônica para γ = {(1, 0, 2), (2, 1, −3), (0, 0, 1)}.
(c) De β = {(1, 1), (1, −1)} para a base a base canônica.
" # " #
C 3 4 C2 3 4
(a) [A]α2 = ; (b) [B]β = ;
2 3 2 3
9.3 Algoritmos
Apresentemos a primeira proposição relaciona às representações matriciais.
Proposição 9.1. Se A : Rm n
α → Rβ é uma trasformação linear, então
Por denição,
A(vj ) = a1j w1 + a2j w2 + · · · + anj wv .
Portanto, se
v = b1 v1 + b2 v2 + · · · + bm vm
9.3 Algoritmos 223
B◦A
Prova Seja v ∈ Rm
α. Por denição de composta temos B ◦ A(v) = B(A(v)) e
pela proposição anterior, podemos escrever
Mas esta identidade é verdadeira para toda matriz coluna [v]α , logo,
−1
[A−1 ]βα = [A]αβ .
A−1 / A /
Rnβ Rnα n
7 Rβ ,
A◦A−1 =Id
Isto monstra que a matriz [A]αβ tem inversa à direita, fato que garante que ela
−1
é invertível e que [A]αβ = [A−1 ]βα .
⇐) Assuma que a matriz [A]αβ seja invertível.
Digamos que α = {v1 , v2 , . . . , vn } e β = {w1 , w2 , . . . , wn } sejam as bases
−1
ordenadas e que [A]αβ = [bij ]. Como sabemos, existe um único operador linear
B : Rnβ → Rnα tal que
−1
ver Seção 7.2, p. 178. Por construção, temos [B]βα = [A]αβ . Considere a
composição B ◦ A, esquematicamente,
A / B /
Rnα Rnβ 8 Rnα ,
B◦A
EXERCÍCIOS
1. Sejam A, B : Rn → Rn dois operadores lineares e α e β duas bases ordenadas
n
de R . Responda quais das notações abaixo são válidas e quando for válida
(a) [A]αα [B]ββ . (c) [A]αβ [B]ββ . (e) [A]αβ [B]βα . (g) [A]αα [B]αα .
(b) [A]βα [B]ββ . (d) [A]βα [B]αβ . (f ) [A]αβ [B]αβ . (h) [A]ββ [B]ββ .
1 1 0
[A]αα = 0 1 1 .
1 2 1
2
(a) Justique a igualdade [A2 ]ββ = [A]ββ .
k
(b) É verdade que [Ak ]ββ = [A]ββ para todo inteiro k ≥ 1?
Id / Id /
Rnα Rnβ n
7 Rα ,
Id◦Id=Id
Pelo Teorema 9.1, p. 223, segue a relação: [Id]αβ [Id]βα = [Id]. Como [Id]αβ é a
−1
inversa à esquerda de [Id]βα , então [Id]βα é invertível e [Id]βα = [Id]αβ . 2
Exemplo 9.4. Consideremos duas bases ordenadas de R2 , α = {v1 , v2 }, onde
v1 = (−3, 2) e v2 = (1, 1), e a base canônica. Calcular a matriz mudança de
coordenadas de α para C2 signica calcular a matriz de Id : R2α → R2C2 . O fato
da base do contradomínio ser a base canônica, não precisamos de cálculos,
α −3 1
[Id]C = [v1 , v2 ] = .
2 1
Calculemos a matriz mudança de coordenadas de C2 para α, isto é, a matriz
[Id]Cα2 . Pelo último corolário temos
C2 α−1 1 1 −1
[Id]α = [Id]C2 = − .
5 −2 −3
Consideremos a base β = {w1 , w2 }, onde w1 = (2, 3) e w2 = (5, 3). Calcu-
lemos a matriz mudança de coordenadas [Id]αβ . Examinemos o esquema,
Id / Id /
R2α R2C 8 R2β .
Id
1 = hvj , vj i
X
= akj alj hwk , wl i
k,l
X
= akj akj
k
2
= a1j + a22j + · · · + a2nj .
EXERCÍCIOS
1. Considere a seguinte base ordenada de R3 ,
1 1 1
β= √ (1, 0, 1), √ (1, 2, −1), √ (−2, 2, 2) .
2 6 12
(a) Calcule [Id]βC3 . (b) Calcule [Id]Cβ3 .
Rnβ
A / Rnβ
O
Id Id .
A /
Rnα Rnα
Proposição 9.3. α
Duas representações matriciais [A]α e [A]ββ de um operador
n
linear A:R → Rn são conjugadas. Mais precisamente,
−1
[A]ββ = [Id]αβ [A]αα [Id]βα .
Pelo Lema 7.1, p. 188, os vetores v1 = (−2, 1) e v2 = (1, −2) são l.i., logo,
β = {v1 , v2 } é uma base ordenada de R2 . Calculemos a representação matricial
[A]ββ . Pela última proposição temos o algoritmo para realizar este cálculo,
−1
[A]ββ = [Id]Cβ2 [A] [A]βC2 = [Id]βC2 [A] [A]βC2 .
Exercício 9.5. Mostre que duas matrizes conjugadas têm polinômios carac-
terísticos iguais. O polinômio caraterístico de uma matriz [A] é denido por
p(λ) = det ([λId − A]). 3
Prova Para simplicar a escrita e a leitura, denote [R] = [Id]βC . Sendo assim,
det λ[Id]ββ − [A]ββ = det [λId − A]ββ
= det [R]−1 (λ[Id] − [A]) [R]
= det(λ[Id] − [A])
= p(λ). 2
onde v1 = (−1, 1, 1), v2 = (1, 1, 0) e v3 = (1, −1, 2). De fato, β é uma base,
pois det[v1 , v2 , v3 ] = −6 6= 0. Recordamos que [A] = [A]CC33 , temos
2 1 1
[A] = 1 2 −1 .
1 −1 2
Para calcular a outra representação, apoiamo-nos no diagrama abaixo.
A /
R2β R2β
O
Id Id .
A /
R2C3 R2C3
−1
Portanto, [A]ββ = [Id]βC3 [A] [Id]βC3 . Por outro lado,
−1 1
1
[A]βC3 = [v1 , v2 , v3 ] = 1 1 −1
1 0 2
e com alguns cálculos obtemos
−2
2 2
−1 1
[A]βC = 3 3 0 .
6
1 −1 2
Finalmente, podemos computar a representação desejada
0 0 0
[A]ββ = 0 3 0 .
0 0 3
Corolário 9.4. n n
Um operador linear A : R → R é simétrico se, e somente
α
se, a representação matricial [A]α é uma matriz simétrica para qualquer base
n
ortonormal α do R .
Recordando que vale a relação matricial ([M ][N ])t = [N ]t [M ]t e que, por hi-
pótese, [A]t = [A], calculando a transposta da matriz [A]αα obtemos
t t
[A]αα = [Id]αCn [A] [Id]αCn = [A]αα .
EXERCÍCIOS
1. Conhecida a representação matricial do operador A : R2β → R2β , calcule os
λ − 2 −1 −1
λi − 2 −1 −1
x 0
0 λi − 1 −1 y = 0 ,
0 0 λi − 1 z 0
para λ1 = 1 e λ2 = 2. Feito isto, obtemos Vλ1 = [[(1, −1, 0)]] e Vλ2 = [[(1, 0, 0)]].
Portanto, não podemos escolher três autovetores linearmente independentes
para formar uma base de R3 e diagonalizar o operador. 3
Exemplo 9.9. Seja A : R3 → R3 , A(x, y, z) = (3x − z, 3y + 2z, z). Calculando
o polinômio característico obtemos
λ−3 −1
0
p(λ) = det 0 λ − 3 −2 = (λ − 3)2 (λ − 1).
0 0 λ−1
Para determinar os autovetores associados, resolvemos o sistema,
λi − 3 −1
0 x 0
0 λi − 3 −2 y = 0 ,
0 0 λi − 1 z 0
9.6 Diagonalização de operadores 237
−2
λi 0 x 0
0 λi + 1 0 y = 0 ,
−2 0 λi z 0
para cada autovalor, que são λ1 = −1, λ2 = 2 e λ3 = −2. Feito isto, obtemos
os autoespaços Vλ1 = [[(0, 1, 0)]], Vλ1 = [[ √12 , 0, √12 ]] e Vλ1 = [[ √12 , 0, − √12 ]].
−1 0 0
[A]ββ = 0 2 0 . 3
0 0 −2
EXERCÍCIOS
1. Determine se o operador é diagonalizável. Caso seja, faça a diagonalização.
(c) Calcule [A]ββ onde β = {(−1, 1, −1), (−1, 0, 2), (1, −1, 0)}.
(d) Calcule [A].
Capítulo 1
Seção 1.1
1. (a) 0; (b) v (c) −v
2. o é colinear com todos e v é colinear com w.
Seção 1.2
241
242 Respostas e sugestões Cap. 10
Seção 1.3
(c) w = 31 , 23 .
1. (a) w = (−1, 10).
Seção 1.4
1
(a) w = 6 (−x+ y, −4x + y + 3z, 7x − y − 3z).
x − y, 12 (−3x + y − z), 2y − z .
(c) w =
Capítulo 2
Seção 2.1
1. Pode-se efetuar 15 produtos. Veja as ordens n×m em × k . Exemplos:
h i 8
[E] [D] = 0 −1 0 ; [B][G] = −2 .
2
Seção 2.2
Seção 2.3
" # 2 −20 27
2 −1 1
(a) [A]−1 = . (b) [B]−1 = 0 4 −6 .
−1 1 4
0 0 2
3. Pelo Corolário 2.1, p. 51, todas matrizes e suas potências são invertíveis.
" # " #
1 k 1 −k
(a) [A]k = . [A]−k = .
0 1 0 1
( (
[Id] se k = 2l [Id] se − k = 2l
(b) [B]k = . [B]−k = .
[B ] se k = 2l + 1 [B] se − k = 2l + 1
" # k
cos(kt) −sen(kt) [C]−k = [C]−1 .
(c) [C]k = .
sen(kt) cos(kt)
Seção 2.4
244 Respostas e sugestões Cap. 10
Capítulo 3
Seção 3.1
3. Cada vetor é expresso por combinação linear mas não existe unicidade.
4. Os vetores em (a), (c) e (d) são expressos de maneira única por uma combi-
determinado quando k 6= 4.
9. (a) Falsa. (b) Falsa. (c) Verdadeira. (d) Falsa.
Seção 3.3
1 −2 1 0 0 0 1
(a) [A]−1 = 0 1 −2 0 0 1 0
(c) [C]−1 =
0 0 1 0 1 0 0
1 0 0 0
−1 3 0 0 0 0 −1 2
1 −2 0 0 0 0 1 −1
(b) [B]−1 = (d) [D]−1 =
0 −2
0 0 0 1 0 1
0 0 1 −2 1 0 0 −1
Seção 3.4
1 3 −2 1 −4 1
(a) [A]−1 = −1 3 1 −2 . (b) [B]−1 = −1
2 −3 6 −1 .
4
−2 −2 0 −1 2 −1
246 Respostas e sugestões Cap. 10
1 4 −1 1 0 1
−1 −1
(c) [C] = 2 −2 −1 1 . (e) [E]−1 = 12 3 −2 −1 .
−1 1 −1 −2 2 0
3 −6 1 5 −4 1
(d) [D]−1 = −1
5 −2 −1 1 . (f ) [F ]−1 = 12 −1 2 −1 .
−1 2 −2 −2 2 0
2 7 6
9 5 1
4 3 8
Capítulo 4
Seção 4.2
√ √
1. (a) kvk =
5, kwk = 13, kuk = 1.
√
(b) kvk = √ 5, kwk = 1, kuk = 1.
√
(c) kvk = 221 , kwk = 13, kuk = 1.
√ √ √ √
2. (a) 5. (b) 2. (c) 2 2. (d) 2 6. (e) 1. (f ) 3.
membro.
Seção 4.3
(a) θ = 3π
4 . (b) θ = π2 . (c) θ = π2 . (d) θ = π4 .
2. Veja a fórmula que relaciona produto interno, norma e ângulo.
Seção 4.4
5. (a) Não. (b) Não. (c) Sim. (d) Não. (e) Sim. (f ) Não.
Seção 4.5
1. (a) r : x − y = 0. (c) r : −x + y = 0.
248 Respostas e sugestões Cap. 10
( (
3x + y = 3 x = 1
10. (a) r : . (c) r : .
x + z = 2 y = −2
Seção 4.6
1
1. (a) área = 1. 2. (a) área = 1. 3. área = 2.
5. (b) S(3, 2) e área = 10. (c) A( 11 8
3 , −3) e B( 13 7
3 , − 3 ).
9. (a) área = 37
2 .
Seção 4.7
Capítulo 5
Seção 5.1
Seção 5.2
Seção 5.3
Seção 5.4
3. Como det[v1 , v2 , v3 ] = 0 eles são l.d. Verica-se que v2 = 3v1 + 2v3 . Logo,
conjunto de geradores.
Seção 5.5
mos o critério do determinante para escolher os vetores para formar uma base.
Seção 5.6
2. 0 6= det[v1 , v2 , v3 ] = det[w1 , w2 , w3 ].
Seção 5.7
252 Respostas e sugestões Cap. 10
1. (a) 53 v . (b) o.
n o n o
2. (a) β = √1 , √1 , √12 , − √12 . (b) β = √2 , √1 , − √15 , √25 .
2 2 5 5
n o
3. (a) β = √1 , √1 , √1 , √1 , − √12 , √12,0 , − √16 , − √16,2 . .
3 3 3 3
(b) β = {e1 , e2 , e3 }.
Capítulo 6
Seção 6.1
4. A(x1 , x2 , . . . , xn ) = (λ0 x1 , λ0 x2 , . . . , λ0 xn ).
Seção 6.2
das. Os três últimos exemplos foram construídos calculando uma base para a
imagem.
253
i) N uc(A) = [[vo ]]. ii) Im(A) = [[(1, −1, 0), (1, 0, 1)]].
7. Por absurdo, suponha que A seja sobrejetiva: Im(A) = [[A(e1 ), A(e2 )]] = R3 .
Sendo assim, R3 é gerado por dois vetores, uma contradição.
logow0 = (1, −1) está em Im(A) implicando que o sistema tem solução.
Seção 6.3
6 1 −3 1 1
1. (a) [A] = 0 −1 1 . (b) [A] = 2 −1 .
2 0 −1 −2 1
254 Respostas e sugestões Cap. 10
" #
1 1 1 0 0
(c) [A] = .
1 1 1
0 0
(e) [A] = .
0 0
0 0
1 0 0 0 0 0
(d) [A] = 0 1 0 . (f ) [A] = 0 1 0 .
0 0 1 0 0 0
(a) A : R2 → R3 , 2y),
N uc(A) = [[2e1 − e2 ]], Im (A) = [[A(e1 )]].
(b) A : R2 → R3 ,
A(x, y) = (x − y, 2x − 2y, −x),
N uc(A) = {o},
Im (A) = [[A(e1 ), A(e2 )]].
(c) A : R3 → R2 ,
N uc(A) = [[(3, 3, −3)]], A(x, y, z) = (x − y, x + 2y + 3z),
A(x, y) = (−2x − 4y, x + 2y, x + Im (A) = [[A(e1 ), A(e2 )]] = R2 .
(b) N uc(B) = [[(1, 1, 3)]]. Im(A) = [[(1, −3, 0), (1, 0, −1)]].
Seção 6.4
4. (a) Suponha, por absurdo, que A seja sobrejetiva, isto é equivalente a dizer
(b) Suponha, por absurdo, que A seja injetiva, isso é equivalente a dizer que
Rn = Im(A) = [[A(e1 ), A(e2 ), . . . , A(em )]]. Logo, o espaço Rn teria uma
base com um número de vetores m > n. Uma contradição.
Seção 6.5
1. Algumas respostas.
Capítulo 7
Seção 7.1
8. (b) Como A3 (v) = o para todo v, então A não é invertível pelos mesmos
Seção 7.2
Seção 7.3
de grau ímpar com coecientes reais tem pelo menos uma raiz real, e a raiz do
5. Se o operador A não é invertível, então ele não é injetor, logo, seu núcleo
é não trivial. Sendo assim, existe um vetor não nulo v ∈ N uc(A) tal que
autovalor λ2 = 1.
Seção 7.4
2. (c) hv, A(B(w))i = hAt (v), B(w)i = hB t (At (v))v, w)i, ou seja, (A ◦ B)t =
B t ◦ At .
Suponha que v ∈ N uc(At ) e w ∈ Im(A). Sendo assim, w = A(u), para algum
Seção 7.5
1. Cada operador linear é simétrico, pois sua matriz é simétrica. Para cada ope-
n o
(a) p(λ) = (λ − 16)(λ − 4), √1 , √1 −1 √1
β= 2 2
, √ 2
, 2
.
n o
(b) p(λ) = (λ − 12)(λ − 2), √1 , √−2 √2 , √1
β= 5 5
, 5 5
.
n o
√1 , √1 −1 √1
(c) p(λ) = (λ − 8)(λ − 4), β= , √ , .
2 2 2 2
n o
−1 √3 −3 √ −1
(d) p(λ) = (λ − 0)(λ − 10), β= √ , , √ , .
10 10 10 10
2. Compare com a questão acima. Somente o operador linear do item (d) não
é invertível pois tem um autovalor igual a zero. Isso signica que o operador
tem núcleo não trivial. O restante dos operadores são invertíveis e, é claro,
simétricos. Para cada item na qual o operador é invertível, uma base espectral
para A−1 pode ser a mesma para A. Os autovalores de A−1 são os inversos
3. Cada operador linear é simétrico, pois sua matriz é simétrica. Para cada ope-
(a) p(λ) n
= (λ − 1)(λ − 2)(λ + 2), o
β = e2 , √1 (1, 0, 1) , √1 (−1, 0, 1) .
2 2
262 Respostas e sugestões Cap. 10
(b) p(λ) n
= (λ − 0)(λ − 2)(λ + 1), o
β= √1 (1, 0, −1) , √1 (1, 0, 1) , e2 .
2 2
(c) p(λ) n
= (λ − 0)(λ − 0)(λ − 10), o
β= √1 (−3, 1, 0) , e3 , √1 (1, 3, 0) .
10 10
(d) p(λ) = (λ + 7)(λ + 7)(λ − 2),
β = {e1 , e2 , e3 }.
− 52 x + 65 y, 65 x − 75 y .
autovetor de A
−1 associado ao autovalor 1 . Logo, uma base espectral para A
λ
é uma base espectral para A
−1 .
Capítulo 8
Seção 8.1
1. Ver Exemplo 5.13, p. 142.
√
(a) Se v = − 23 , 21 e U = [u, v], então det[U ] = 1. Polinômio característico
Seção 8.2
√
(a) Operador ortogonal. Polinômio característico: p(λ) = (λ−1)(λ2 − 2λ+
1). Autoespaço associado ao único autovalor λ1 = 1: V = [[(e2 ]]. Su-
[[e1 , e3 ]].
(b) Operador ortogonal e simétrico. Polinômio característico:
hh ii p(λ) = (λ −
1)2 (λ
+ 1). Vλ1 =1 = √1 , √1 , 0 . Espaço bidimensional invariante:
hh ii 2 2
Γ= √1 , − √1 , 0 , e3 . Os geradores constituem uma base espectral.
2 2
ímpar, então p(λ) tem pelo menos uma raiz real. Seja v um autovetor associado
esse subespaço; ii) β = {w1 , w2 , w3 } tal que os dois últimos elementos formam
Seção 8.4
(b) Bt ◦ B = Id = B ◦ B t (unitário).
2. Verica-se matricialmente.
3. Verica-se matricialmente.
4. kA(v)k2 = hA(v), A(v)i = hAt (v), At (v)i = kAt (v)k2 . Logo, A(v) = o ⇔
At (v) = o.
t t
5. (a) B t = A + At = At + At = At + A = B .
t
(b) B t = (A ◦ At )t = At ◦ At = A ◦ At = B .
(c) Considere a composta A ◦ A−1 = Id. Calculando a transposta dessa
t t
composição obtemos A−1 ◦ A = Id, ou seja A−1 = A−1 .
6. (a) At ◦ A = −A2 = A ◦ At .
diagonais de ambas matrizes são iguais, segue que essas entradas são
" #
0 −1
[U ] =
1 0
Capitulo 9
Seção 9.1
1. (a) α e β são bases, pois det[v1 , v2 ] 6= 0 e det[w1 , w2 ] 6= 0.
" # " #
1 4
i) [v]α = . [v]β = .
0 −1
" # " #
7 1
ii) [v]α = . [v]β = .
−10 3
" # " #
8 5
iii) [v]α = . [v]β = .
−10 2
" # " #
22 −8
iv) [v]α = . [v]β = .
−32 2
1
1
3
i) [v]α = 0 . [v]β = 1 .
0 − 13
267
0 −2
31
ii) [v]α = 1 . [v]β = .
3
2
−2 3
−1 −1
32
iii) [v]α = 1 . [v]β = .
3
2
−2 3
0 −4
31
iv) [v]α = 2 . [v]β = − 3 .
−3 2
Seção 9.2
1. De fato, α é base de R2 .
" # " #
−1 −3 2 5
(a) [A]αC2
= . (d) [A]αC2 = .
1 2 3 13
" # " #
1 2 2 4
(b) [Id]α
C2 = . (e) [A]α
C2 = .
1 3 0 0
" # " #
1 2 1 2
(c) [A]α
C−2 = . (f ) [A]α
C2 = .
2 5 −1 −3
" # " #
10 20 7 16
(e) [A]αβ = . (f ) [A]αβ = .
−4 −8 −3 −7
3 −3 3 3 0 0
(c) [A]Cβ = 0 3 −3 . (d) [A]CC = 0 3 0 .
−3 6 −3 0 0 3
7. [A]α
C = [A(v1 ), A(v2 ), A(v3 )].
8. Pela Proposição 6.4, p. 160, det[A(v1 ), A(v2 ), ..., A(vn )] = det[A] det[v1 , v2 , ..., vn ].
Seção 9.3
B / A / n
Rn Rn 8R .
A◦B
Rnβ
B / A /
Rnα n
8 Rα .
A◦B
270 Respostas e sugestões Cap. 10
i. A(u) = (47, 2, 6). ii. A(v) = (2, 0, 1). iii. A(w) = (4, 1, 4).
(c) det[A]α
β = 0, pelo Corolário 9.1, p. 224, A não é invertível.
(d) Seja v ∈ N uc(A). Suponha que a representação matricial desse vetor
seja
a
[v]α = b .
c
Como [A(v)]β = [A]αβ [v]α = [o]β devemos resolver o sistema linear
1 1 0 a 0
0 1 1 b = 0 .
1 2 1 c 0
Feito isso, obtemos b = −a, c = a. Portanto, todos os vetores do núcleo
são da forma v = av1 − av2 + av3 = a(v1 − v2 + v3 ), logo, N uc(A) =
[[(0, 1, −2)]].
β
(e) [A]C = [v1 , v2 , v3 ].
(f ) Pelo Teorema 9.2, p. 224, [A ◦ A]αα = [A]αα [A]αα . Efetue o produto.
β
(a) [A]C = [v1 , v2 , v3 ]. −1 −1 −2
(b) [Id]Cβ = 1 1 −1 .
β
(c) [Id]C [Id]Cβ = [Id]. 1 0 −1
Seção 9.4
β
(a) [Id]C3 = [v1 , v2 , v3 ]. Como a base é ortonormal, [Id]βC é ortogonal.
−1 t
(b) Pelo Corolário 9.3, p. 226, [Id]Cβ3 = [Id]βC3 = [Id]βC3 , pois são matrizes
ortogonais.
" #
cos(µ − θ) −sen(µ − θ) t
[Id]αβ = = [Id]βα .
sen(µ − θ) cos(µ − θ)
Seção 9.5
√ √
1. (a) λ1 = 1 + 10 e λ2 = 1 − 10. (b) det[A] = λ1 λ2 = −9.
k
2. [M ] = [R]−1 [N ] [R] ⇒ [M ]k = [R]−1 [N ][R] = [R]−1 [N ]k [R].
det ([A] [B]) = det [B]−1 [B] [A] [B] e conclua que
3. Observe que os polinômios
t
4. Utilize a igualdade matricial [U ]αα = [Id]αCn [U ] [Id]αCn .
Seção 9.6
272 Respostas e sugestões Cap. 10
(c) Polinômio característico: p(λ) = λ(λ − 3). Raízes distintas e reais, pelo
(a) Pela Proposição 9.3, p.231, vale a conjugação [A]ββ = [Id]Cβ [A] [Id]βC .
Como β é uma base espectral, então
" #
4 0
[A]ββ = .
0 −2
[A2 ] = [A]2
= [Id]βC [A]βC [Id]Cβ [Id]βC [A]ββ [Id]Cβ
| {z }
[Id]
2
= [Id]βC [A]ββ [Id]Cβ .
10
[A10 ] = [A]10 = [Id]βC [A]ββ [Id]Cβ .
Sendo assim,
t 10
[A10 ] = [Id]Cβ [A]ββ [Id]Cβ .
Substituindo,
(a) Seja β uma base espectral de A. Como [Id]ββ = [Id] e, pelo Teorema 9.1,
k β βk
p. 223, [A ]β = [A]β , a igualdade Ak = Id implica na igualdade
λk1 0 ··· 0 1 0 ··· 0
0 λk2 ··· 0 0 1 ··· 0
. = . . .
. .
.
. . . . . .
. . . . . .
0 0 · · · λkn 0 0 ··· 1
1 0 0 110 0 0 3 0 0
1
[A]10 = −1 3 0 0 210 0 1 1 0 .
3
−1 2 1 0 0 (−1)10 1 −2 3
6. (a) Não pode ser simétrico, pois os autoespaços não são ortogonais.
(b) Não é invertível, pois det[A] = λ1 λ2 λ3 = 0. Os autovalores são distintos,
λ1 0 0 −4 −5 −2
β
(c) [A]β = 0 λ2 0 . (d) [A] = 4 5 2 .
0 0 λ3 −2 −2 1
[2] Artin, Emil Galois Theory (Notre Dame Mathematical Lectures, Number 2).
[3] Birkhoff, Garrett & Mac lane, Saunders A Survey of Modern Algebra
London: A K Peters/CRC Press, 1rd ed, 1998. 512 p.
[4] Bix, R. Conics and Cubics: A Concrete Introduction to Algebraic Curves New
345 p.
[5] Boldrini, José Luiz et al Álgebra Linear São Paulo, SP: Harbra, 3a ed,
1986. 408 p.
[7] Garcia, A. & Lequain, Y. Elementos de Álgebra Rio de Janeiro, RJ: Insti-
[8] Greub, Wener H. Linear Algebra Linear Algebra (Graduate Texts in Mathe-
[9] Halmos, Paul R. Espaços vetoriais de dimensão nita Rio de Janeiro, RJ:
277
278 Referências
[11] Herstein, Israel I. Tópicos de Álgebra . São Paulo, SP: Editora Polígono,
1970. 380 p.
[12] Hoffman, K. & Kunze, R. Linear Algebra Pearson Education Taiwan Li-
[13] Lang, Serge Estruturas Algébricas Rio de Janeiro, RJ.: Ao Livro Técnico
[14] Lang, Serge Linear Algebra Rio de Janeiro, RJ.: Cência Moderna, 1a ed.
2003. 405 p.
[15] Lang, Serge Algebra USA: Springer, Rev. 3nd. ed. 2005.
[16] Lima, Elon L. Álgebra Linear Rio de Janeiro, RJ: IMPA, 4a ed. 2000. 357 p.
[17] Lima, Elon L. Coordenadas no Espaço Rio de Janeiro, RJ: SBM Coleção
a
Professor de Matemática. 1 ed. 1993. 163 p.
[20] Shilov, George S. Linear Algebra New York: Dover Publications, Inc., 1977.
387 p.
Im(A), 152 ei , 19
N uc(A), 152 v ∧ w, 95
[A], 157
Adjunta clássica, 49
[A]−1 , 48
Angulos diretores, 93
[A]jib , 36
Aplicação, 1
[Id], [Id]n , 32
identidade, 151
[Id]αβ , 228
Autoespaço, 184
[O], 30
Autovalor, 183
[Sa ], 81
Autovetor, 183
[[v1 , v2 , . . . , vn ]], 122
[v]α , 217
Base
[v1 , v2 , . . . , vk ], 21
canônica, 19
kvk, 85
denição, 18
([Id]), 74
ortonormal, 141
hv, wi, 83
[A]αβ , 221 Coecientes da combinação linear, 16
E2 , E3 , 4 Cofator, 49
Rn , 1 Colinear, 3
Rnα , 220 Combinação linear, 16
S2 , 210 Composição, 168
Cn , 19 Comprimento de segmento orientado, 9
M(n, m), 30 Conjunto
Sn , 40 de geradores, 127
279
280 ÍNDICE REMISSIVO
de Cauchy-Schwarz, 87
Método Gauss-Jordan, 73
triangular, 88
Matriz
Determinante
adjunta clássica, 49
denição, 33
ampliada, 80, 81
Diagonalização, 237
Escalar, 2 denição, 29
Espaço equivalente, 72
cartesiano, 7 escada, 70
euclidiano, 4 identidade, 32
nula, 30
Fórmula
quadrada, 32
de Cardano-Tartaglia, 189
reduzida, 36
de Lagrange, 97
simétrica, 194
Função, 1
transposta, 42
triangular inferior, 73
Geradores de um subespaço, 127
Matrizes
Gram-Schmidt, 144
conjugadas, 232
Isomorsmo, 171
Operação elementar, 71, 79
invariante, 208
Paralelogramo, 10
próprio, 118
Permutação, 40
trivial, 118
Plano
vetorial, 117
cartesiano, 6
euclidiano, 4 Teorema
Quadrilátero, 10 Vetor
localizado, 5
Regra de Cramer, 27
normal à reta, 100
Representação normal a um plano, 102
matricial de uma transformação, 220 nulo, 3
matricial de vetor, 217 unitário, 89
Representação de um vetor, 7 Vetores ortogonais, 92
Reta
suporte, 5