- 1 -

Escola Superior de Tecnologia e Gesto de Oliveira do Hospital

Apontamentos de

lgebra Linear e Geometria Analtica

Engenharia Civil
Engenharia Informtica

























Carla David Reis
2008/2009

- 2 -
1. Matrizes e Sistemas de Equaes Lineares



1.1. Matrizes: definies

Definio 1.1.1.: Uma matriz uma tabela que admite uma representao do tipo
(
(
(
(

=
mn
a
m
a
m
a
n
a a a
n
a a a
A
K
M O M M
K
K
2 1
2 22 21
1 12 11
.
A linha i ( m i 1 ) da matriz A | |
in i i
a a a K
2 1
e a coluna j ( n j 1 )
(
(
(
(

mj
a
j
a
j
a
M
2
1
.
O elemento (tambm designado usualmente como entrada ou componente) da matriz A da
linha i e da coluna j representa-se por
ij
a .
Uma matriz A com m linhas e n colunas diz-se do tipo m por n (mxn) e representa-se por
mn
A .
Se m = n a matriz A diz-se quadrada de ordem n e representa-se por
n
A .

No que se segue vamos considerar apenas matrizes com elementos reais.

Exemplo 1.1.1.: Considerem-se as seguintes matrizes:
(
(

=
4 5
1 3
2 1
A , | | 4 2 1 = B ,
(
(
(
(

=
3
6
10
2
C e
(

=

2 4
5 7
D .
A matriz A do tipo 3x2 e, nesta matriz, 2
12
= a . A matriz B do tipo 1x3 e 4
13
= b .
A matriz C do tipo 4x1 e 6
31
= c . A matriz D quadrada de ordem 2 e, por
exemplo, 4
21
= d .

Definio 1.1.2.: Duas matrizes do mesmo tipo mxn, | |
ij
a A = e | |
ij
b B = , so iguais se
ij ij
b a = para m i ,..., 1 = e n j ,..., 1 = .
Designamos por elementos homlogos dois elementos que ocupam a
mesma posio em duas matrizes do mesmo tipo.


- 3 -

Exemplo 1.1.2.:
As matrizes A e B do exemplo 1.1.1 so de tipos diferentes logo no so iguais.
As matrizes
(
(

=
2 0 6
5 1 3
0 4 1
A e
(
(

=
2 6
3
0 1
w
z y
x
B so iguais se e s se 4 = x ,
1 = y , 5 = z e 0 = w .

Vamos agora caracterizar os tipos de matrizes essenciais para o desenvolvimento posterior.

Definio 1.1.3.:
Matriz Nula do tipo mxn a matriz do tipo mxn cujas entradas so todas iguais a zero.
Matriz Linha uma matriz do tipo 1xn (a matriz B do exemplo 1.1.1. uma matriz linha).
Matriz Coluna uma matriz do tipo mx1 (a matriz C do exemplo 1.1.1. uma matriz coluna).
Matriz Quadrada uma matriz com o mesmo nmero de linhas e colunas. Uma matriz que no
quadrada rectangular.
Numa matriz quadrada | |
ij
a A = , n j i ,..., 1 , = , chama-se diagonal principal diagonal
constituda pelos elementos principais, isto , por
nn
a a a ,... ,
22 11
. outra diagonal de uma
matriz quadrada chama-se diagonal secundria.
Uma matriz quadrada diz-se diagonal se os elementos que no esto na diagonal principal so
todos nulos.
Matriz Identidade de ordem n uma matriz diagonal na qual os elementos da diagonal
principal so todos iguais a 1.
Matriz Triangular uma matriz quadrada em que so nulos os elementos situados para um
dos lados da diagonal principal. Designa-se por matriz triangular superior quando os elementos
nulos se situam abaixo da diagonal principal e designa-se por matriz triangular inferior quando
os elementos nulos se situam acima da diagonal principal.


Exemplo 1.1.3.
Vejamos como classificar as matrizes quadradas
2 0 0
5 1 0
0 4 1
(
(

= A e
(

=
1 0
0 1
2
I .
A matriz A triangular superior e os elementos da sua diagonal principal so 1, -1 e
2. A matriz
2
I a matriz identidade de ordem 2.


- 4 -
1.2. lgebra de Matrizes
Vamos agora apresentar operaes bsicas envolvendo matrizes.

Definio 1.2.1.: Se | |
ij
a A = e | |
ij
b B = so duas matrizes do tipo mxn ento a soma
A + B uma matriz | |
ij
c C = do tipo mxn, sendo
ij ij ij
b a c + = , m i ,..., 1 = e
n j ,..., 1 = . Assim para obter a soma de A e B basta somar os elementos
homlogos das duas matrizes.

Exemplo 1.2.1. : Consideremos as matrizes
3 1
0 3
2 1
(
(

= A e
1 3
4 2
5 5
(
(

= B .
Como as matrizes dadas so do mesmo tipo podemos efectuar a sua soma:
(
(

(
(

+

=
+ +
+
+
=
4 2
4 1
3 6

1 3 3 1
4 0 2 3
5 2 5 1
B A

Definio 1.2.2.: Se | |
ij
a A = uma matriz do tipo mxn e um nmero real, ento o
produto do escalar pela matriz A , A , a matriz | |
ij
c C = do tipo mxn, sendo
ij ij
a c = , m i ,..., 1 = e n j ,..., 1 = ; ou seja, a matriz que se obtm multiplicando
todos os elementos de A por .

Exemplo 1.2.2.: Consideremos a matriz
3 1
0 3
2 1
(
(

= A .
Temos que
(
(

(
(

=
6 2
0 6
4 2

3 1
0 3
2 1
2 2A .

Nota: Se A e B so matrizes do mesmo tipo A B = A + (- 1)B.

Definio 1.2.3.: Se | |
ij
a A = uma matriz do tipo mxn e | |
ij
b B = uma matriz do tipo nxp,
ento o produto de A por B, AB, uma matriz | |
ij
c C = do tipo mxp, com
nj in j i j i
n
k
kj ik ij
b a b a b a b a c + + + = =

=
...
2 2 1 1
1
, com m i ,..., 1 = e p j ,..., 1 = .
Note-se que o produto AB s est definido quando o nmero de colunas de A igual ao
nmero de linhas de B. Por outro lado, verificamos que para determinar o elemento da linha i e
- 5 -
da coluna j da matriz AB apenas operamos com a linha i da matriz A e com a coluna j da matriz
B. Esquematicamente:

(
(
(
(
(

=
(
(
(
(
(

(
(
(
(
(
(
(
(

mp m m
ij
p
p
np nj n n
p j
p j
c c c
c
c c c
c c c
b b b b
b b b b
b b b b
mn
a
m
a
m
a
in
a
i
a
i
a
n
a a a
n
a a a
L
M M M
L
L
L L
M M M M
L L
L K
L
M M M
L
M M M
L
L
2 1
2 22 21
1 12 11
2 1
2 2 22 21
1 1 12 11
2 1
2 1
2 22 21
1 12 11


Exemplo 1.2.3.: Consideremos a matriz
3 1
0 3
2 1
(
(

= A e a matriz
(

=
1 2 0
3 4 1
B .
Temos que:
(
(

(
(

=
+ + +
+ + +
+ + +
=
6 2 1
9 12 3
1 8 1

) 1 )( 3 ( ) 3 )( 1 ( ) 2 )( 3 ( ) 4 )( 1 ( ) 0 )( 3 ( ) 1 )( 1 (
) 1 )( 0 ( ) 3 )( 3 ( ) 2 )( 0 ( ) 4 )( 3 ( ) 0 )( 0 ( ) 1 )( 3 (
) 1 )( 2 ( ) 3 )( 1 ( ) 2 )( 2 ( ) 4 )( 1 ( ) 0 )( 2 ( ) 1 )( 1 (
AB .


Se A uma matriz do tipo mxn e B uma matriz do tipo nxp, ento AB uma matriz do tipo
mxp. O que podemos afirmar sobre BA? O produto BA s est definido quando p=m; nesse
caso BA uma matriz do tipo nxn.

Exemplo 1.2.4.
Seja A uma matriz do tipo 5x3 e B uma matriz do tipo 3x4. Ento AB uma matriz do
tipo 5x4 e o produto BA no est definido.
Se A uma matriz do tipo 2x3 e B uma matriz do tipo 3x2. Ento AB uma matriz do
tipo 2x2 e BA uma matriz do tipo 3x3 .

fcil verificar que se A uma matriz do tipo mxn ento A AI
n
= e A A I
m
= . Alm disso, se
A for uma matriz quadrada de ordem n ento A A I AI
n n
= = , ou seja, a matriz identidade de
ordem n o elemento neutro da multiplicao no conjunto das matrizes quadradas de ordem n.
Por outro lado, se O a matriz nula ento, para qualquer matriz A, os produtos AO e OA so
ambos iguais a matrizes nulas, desde que tais produtos estejam definidos.

Seja A uma matriz quadrada. Se p um nmero inteiro positivo define-se potncia de
expoente p da matriz A da seguinte forma:
A A A A
p
. . . K =

p factores
- 6 -

Se A tiver ordem n define-se que
n
o
I A = .
Se p e q so inteiros no negativos algumas das regras de potncias que se aplicam a
nmeros reais tambm se aplicam quando trabalhamos com matrizes. Assim, se A uma
matriz quadrada de ordem n, temos que:
q p q p
A A A
+
= e
pq q p
A A = ) (
De uma forma geral
q p p
B A AB ) ( ; no entanto, verifica-se a igualdade quando se tem
AB = BA.


Definio 1.2.4.: Matriz Transposta de | |
ij
a A = , com m i ,..., 1 = e n j ,..., 1 = , a matriz
que se obtm de A trocando as linhas por colunas. Assim | |
ji
T
a A = , com
n j ,..., 1 = e m i ,..., 1 = .
Uma matriz diz-se simtrica se
T
A A = e anti-simtrica se
T
A A = .

Obviamente que qualquer matriz diagonal simtrica e, consequentemente, uma matriz
identidade tambm simtrica (exerccio: prove esta afirmao).
Das definies anteriores conclumos que se A simtrica ou anti-simtrica ento A uma
matriz quadrada. Se A uma matriz simtrica ento apresenta uma simetria relativamente
diagonal principal, Logo podemos afirmar que A simtrica se e s se
ji ij
a a = . Por outro
lado, A anti-simtrica se e s se
ji ij
a a = e os elementos da sua diagonal principal so
todos nulos.

Exemplo 1.2.5.: Considerando
2 0 0
5 1 0
0 4 1
(
(
(

= A temos que a sua transposta a matriz

(
(
(

2 5 0
0 1 4
0 0 1
T
A .

Vamos, de seguida, enunciar as principais propriedades das operaes na forma de Teoremas,
cujas provas vo, por vezes, ser deixadas como exerccio.

Teorema 1.2.1: Sejam A, B e C matrizes do mesmo tipo. Ento:
1. A + B = B + A (comutatividade da adio de matrizes);
2. (A + B) + C =A + (B + C) (associatividade da adio de matrizes).

- 7 -
Prova: Consideremos | |
ij
a A = , | |
ij
b B = e | |
ij
c C = , com m i ,..., 1 = e n j ,..., 1 = .
1. Sendo | |
ij
d D B A = = + e | |
ij
e E A B = = + prove-se que
ij
e =
ij
d para
qualquer i e j. Como
ij ij
b a + =
ij
d e
ij ij
a b + =
ij
e , para qualquer i e j, e como
a adio de nmeros reais comutativa, ou seja,
ij ij ij ij
a b b a + = + ,
ento
ij
e =
ij
d , para qualquer i e j.
2. Exerccio.

Teorema 1.2.2.: Sendo O a matriz nula do tipo mxn, temos que
A + O = O + A = A ,
qualquer que seja a matriz A do tipo mxn.

Prova: Sendo | |
ij
a A = ento | | | | A a a O A
ij ij
= = + = + 0 e, do mesmo modo,
| | | | A a a A O
ij ij
= = + = + 0 .

Teorema 1.2.3.: Dada uma matriz A do tipo mxn existe uma nica matriz B do mesmo tipo tal
que A + B = O.

Prova: Seja | |
ij
a A = , com m i ,..., 1 = e n j ,..., 1 = . Vejamos que existe | |
ij
b B = , com
m i ,..., 1 = e n j ,..., 1 = , tal que A + B = O. Ora | |
ij ij
b a B A + = + , logo para que A +
B = O ento 0 = +
ij ij
b a , para cada i e j; ou seja
ij ij
a b = e portanto | |
ij
a B = .

matriz | |
ij
a B = , ou seja, (-1)A ou A, chamamos matriz simtrica de A (trata-se da
matriz cujos elementos so os simtricos dos elementos da matriz A).

Exemplo 1.2.6.: Se
(
(

=
3 0 4
1 2 1
A ento
(
(

=
3 0 4
1 2 1
A .
Obviamente que A + (- A) = O.

Teorema 1.2.4.: Se e so nmeros reais e A uma matriz do tipo mxn ento
) ( ) ( ) ( A A A = = .

Prova: Exerccio


- 8 -
Teorema 1.2.5.
1
: Se e so nmeros reais e A e B so matrizes do tipo mxn ento
1. A A A + = + ) ( ;
2. B A B A + = + ) ( .

Prova: Exerccio

Teorema 1.2.6.: (Associatividade da multiplicao de matrizes)
Sejam A uma matriz do tipo mxn, B uma matriz do tipo nxp e C uma matriz do tipo
pxq. Ento:
) ( ) ( BC A C AB = .

Prova: Sejam | |
ij
a A = , | |
ij
b B = e | |
ij
c C = . Note-se que os produtos AB, (AB)C, BC e
A(BC) esto todos definidos.
O elemento da linha i e coluna l da matriz AB

=
n
k
kl ik
b a
1
; e o elemento da linha i e da
coluna j da matriz (AB)C

= =
p
l
n
k
lj kl ik
c b a
1 1
.
Por outro lado, o elemento da linha k e coluna j da matriz BC

=
p
l
lj kl
c b
1
e o elemento
da linha i e da coluna j da matriz (AB)C

= =
n
k
p
l
lj kl ik
c b a
1 1
.
Como as somas

= =
p
l
n
k
lj kl ik
c b a
1 1
e

= =
n
k
p
l
lj kl ik
c b a
1 1
so iguais a menos da ordem das
parcelas temos que ) ( ) ( BC A C AB = .

Teorema 1.2.7.: (Distributividade da multiplicao em relao adio de matrizes)
Sejam A e B matrizes do tipo mxn, C uma matriz do tipo qxm e D uma matriz do tipo
nxp. Ento:
1. C(A + B) = CA + CB;
2. (A + B)D = AD + BD.

Prova: Note-se que os produtos indicados esto todos bem definidos.
1. O elemento da linha i e coluna j da matriz C(A + B)

=
+
m
k
kj kj ik
b a c
1
) ( .
Como

= = =
+ = +
m
k
kj ik
m
k
kj ik
m
k
kj kj ik
b c a c b a c
1 1 1
) ( e

= =
+
m
k
kj ik
m
k
kj ik
b c a c
1 1
o
elemento da linha i e coluna j da matriz CA + CB, ento C(A + B) = CA + CB, como
queramos mostrar.
2. Exerccio.

1
Dos teoremas apresentados conclui-se que o conjunto das matrizes do tipo mxn munido das operaes de adio e
de multiplicao de um escalar por uma matriz um espao vectorial real, como veremos no Captulo 3.
- 9 -
Teorema 1.2.8.: Se um nmero real e A e B so matrizes do tipo mxn e nxp,
respectivamente, ento
) ( ) ( ) ( B A B A AB = = .

Prova: Exerccio.

Teorema 1.2.9.: Se A e B so matrizes do tipo mxn e nxp, ento:
1. A linha i da matriz AB o produto B L
i
, sendo
i
L a matriz linha formada pelos
elementos da linha i da matriz A.
2. A coluna j da matriz AB o produto
j
AC , sendo
j
C a matriz coluna formada
pelos elementos da coluna j da matriz A.

Prova: Estes resultados so consequncia directa da definio de produto de matrizes.


At aqui apresentaram-se algumas propriedades da adio e multiplicao de matrizes. Vamos
agora enunciar propriedades relativas matriz transposta.

Teorema 1.2.10.: Se A uma matriz do tipo mxn, ento A A
T T
= ) ( .

Prova: Exerccio.

Teorema 1.2.11.: Se A uma matriz do tipo mxn, e um nmero real ento
T T
A A = ) ( .

Prova: Exerccio.

Teorema 1.2.12.: Se A e B so matrizes do tipo mxn, ento
T T T
B A B A + = + ) ( .

Prova: Exerccio.

Teorema 1.2.13.: Se A e B so matrizes do tipo mxn e nxp, respectivamente, ento
T T T
A B AB = ) ( .

Prova: Sejam | |
ij
a A = , | |
ij
b B = e | |
ij
c AB C = = . Por definio de transposta de uma
matriz temos que | |
ji
T T
c AB C = = ) ( , o que significa que o elemento da linha i e
coluna j da matriz
T
C ,
T
ij
c ,
ji
c . Prove-se que
ji
c tambm o elemento da linha i e
coluna j da matriz
T T
A B .
- 10 -
Ora,
T
kj
n
k
T
ik
n
k
T
ik
T
kj
n
k
ki jk ji
T
ij
a b b a b a c c

= = =
= = = =
1 1 1
.
Como
T
kj
n
k
T
ik
a b

=1
exactamente o elemento da linha i e coluna j da matriz
T T
A B ,
conclumos que
T T T
A B AB = ) ( como pretendido.


Exerccios:
1. Considere as matrizes
(
(
(

=
3 2 2
0 1 3
5 2 1
A ,
(
(
(

=
2 6
4 1
1 2
B e
(

=
3 2
1 4
C .
Averige se possvel efectuar os produtos AB, BA, AC, BC, CB,
T
CB , AA e BB. Em caso
afirmativo determine a matriz produto.

2. Sendo
(

=
4 3
1 2
A calcule A A 4 3
2
.

3. Sendo P uma matriz qualquer mostre que possvel efectuar o produto
T
PP e que este
produto igual sua transposta.

4. Sejam A e B matrizes quadradas de ordem n. Diga quais das seguintes afirmaes
seguintes so verdadeiras e quais so falsas, justificando a sua resposta:
a)
2 2 2
2 ) ( B AB A B A + + = + b)
4 3 2 2 2
2 ) ( A A A A A + + = +
c)
2 2 2
) ( B BA AB A B A + + + = + d)
2 2
) )( ( B A B A B A = +

5. Mostre que a equao matricial
(
(

(
(

(
(

7
1
2
1 2 3
2 4 1
6 1 2
z
y
x
equivalente a um sistema de trs
equaes lineares nas incgnitas x, y e z.

6. Sendo
(
(
(
(

1 0 1 3
4 1 0 2
2 1 3 1
2 1 1 2
A e
(
(
(
(

4 2 3 0
1 1 1 7
2 2 1 3
4 1 2 5
B .
a) Calcule AB.
b) Verifique que a segunda linha de AB igual a B L
2
, sendo | | 2 1 3 1
2
= L , e
que a quarta linha de AB igual a B L
4
, sendo
4
L a quarta linha de A.
c) Verifique que as colunas de AB so iguais a
1
AC ,
2
AC ,
3
AC e
4
AC , sendo
i
C a
coluna i da matriz B.

- 11 -
1.3. Caracterstica de uma Matriz

Definio 1.3.1.: As matrizes
1
A ,
2
A , ...,
m
A , so linearmente dependentes se existirem
escalares IR
i
, m i ,..., 1 = , no todos nulos, tais que
0 ...
2 2 1 1
= + + +
m m
A A A ,
sendo 0 a matriz nula adequada.
Se os nicos escalares IR
i
, m i ,..., 1 = , que satisfazem a equao anterior
forem todos nulos ento as matrizes dizem-se linearmente independentes.

Considere-se a matriz:
(
(
(
(

=
mn
a
m
a
m
a
n
a a a
n
a a a
A
K
M O M M
K
K
2 1
2 22 21
1 12 11

e as matrizes-linha
| |
n
a a a L
1 12 11 1
... = , | |
n
a a a L
2 22 21 2
... = , ..., | |
mn m m m
a a a L ...
2 1
=
cujos elementos so os elementos de cada linha de A. As definies anteriores aplicadas a
estas matrizes-linha permite concluir se as linhas de uma matriz so linearmente
dependentes ou linearmente independentes.

Da mesma forma, podemos estudar a dependncia ou independncia linear das colunas de
uma matriz.

Definio 1.3.2.: Ao nmero mximo de linhas linearmente independentes de uma matriz A d-
se o nome de caracterstica de linha de A e representa-se por C
l
(A).
Ao nmero mximo de colunas linearmente independentes de uma matriz A
d-se o nome de caracterstica de coluna de A e representa-se por C
c
(A).

Prova-se que o nmero de linhas linearmente independentes de uma matriz igual ao nmero
de colunas linearmente independentes atravs do processo que se apresenta de seguida e que
se designa por condensao de matrizes. Este resultado permite agora definir caracterstica de
uma matriz.

Definio 1.3.3.: Ao nmero mximo de linhas ou colunas linearmente independentes de uma
matriz A d-se o nome de caracterstica de A e representa-se por C(A).

- 12 -
Exemplo 1.3.1.: Analisemos a caracterstica da matriz
(
(

=
1 0 5
0 6 7
0 3 2
A .
Temos | | 0 3 2
1
= L , | | 0 6 7
2
= L e | | 1 0 5
3
= L . Vejamos se as linhas
de A so linearmente independentes:
0
3 3 2 2 1 1
= + + L L L
| | | | | | | |
| | | | | | | |
| | | | 0 0 0
3 2
6
1
3
3
5
2
7
1
2
0 0 0
3
0
3
5 0
2
6
2
7 0
1
3
1
2
0 0 0 1 0 5
3
0 6 7
2
0 3 2
1
= + + +
= + +
= + +




As matrizes so iguais se os seus elementos homlogos forem iguais; assim:

=
=
=

=
=
=

=
=
= + +

=
= +
= + +
0
0
0
0
2
0 3
0
2
0 0 7 4
0
0 6 3
0 5 7 2
3
1
2
3
2 1
2
3
2 1
2 2
3
2 1
3 2 1

Ento as linhas da matriz so linearmente independentes e,
consequentemente, a caracterstica de A 3.

1.4. Condensao de uma Matriz

Existem trs tipos de operaes que aplicadas s linhas ou colunas de uma matriz no alteram
a sua caracterstica. Estas operaes designam-se por operaes elementares e so:
1. Troca de duas linhas entre si;
2. Substituio de uma linha/coluna pela que dela se obtm multiplicando-a por um
escalar no nulo;
3. Substituio de uma linha/coluna pela que se obtm somando-lhe outra
linha/coluna multiplicada por um escalar;

Exemplo 1.4.1.: Considerem-se as seguintes operaes sobre as linhas das matrizes:
(
(
(

(
(
(

(
(

(
(

0 1 0 0
0
2
15
2
9
0
0
2
5
2
7
1
0 1 0 0
0 0 6 3
0
2
5
2
7
1
0 1 0 0
0 0 6 3
0 5 7 2
0 1 0 0
0 5 7 2
0 0 6 3
1 2 2
1 1
2 1
3
2
1 L L L
L L
L L
- A operao aqui efectuada do tipo 1 e consistiu na troca da primeira linha com a
segunda.
- A operao aqui efectuada do tipo 2 e consistiu em multiplicar a primeira linha por
2
1
.
- A operao aqui efectuada do tipo 3 e consistiu em adicionar segunda linha a
terceira depois de a multiplicar por -3.

1 2 3
1
2
3
- 13 -
Definio 1.4.1.: Dadas duas matrizes A e B, dizemos que so equivalentes se for possvel
transformar uma na outra atravs de operaes elementares efectuadas sobre as
suas linhas.

Pelo que j foi dito imediato que:

Teorema 1.4.1.: Duas matrizes equivalentes tm a mesma caracterstica.

Assim, para analisarmos a caracterstica de uma matriz A podemos recorrer a matrizes que lhe
so equivalentes. Existe um tipo de matrizes extremamente til para tal fim que designamos
por matriz condensada e que tem a seguinte forma:
(
(
(
(

ou
(
(
(
(

Ao processo atravs do qual se transforma uma matriz na sua matriz condensada, por
operaes elementares sobre as suas linhas ou colunas, designa-se por condensao.

Como obter a matriz condensada de uma matriz?
1 - Fazer com que o elemento da primeira linha e primeira coluna (que se designa por
primeiro pivot) seja igual a 1, atravs de operaes do tipo 1 ou do tipo 2.
- De seguida anulam-se os restantes elementos da primeira coluna, atravs de operaes
do tipo 3.
2 - Fazer com que o elemento da segunda linha e segunda coluna (que se designa por
segundo pivot) seja igual a 1, atravs de operaes do tipo 1 ou do tipo 2.
- De seguida anulam-se os restantes elementos da segunda coluna, atravs de operaes
do tipo 3.
M
Este processo repete-se at no existirem mais pivots no nulos ou at que as linhas abaixo
do ltimo pivot utilizado sejam todas nulas. Se ainda restarem elementos no nulos fora das
posies pivotais deve-se recorrer ao mesmo tipo de operaes elementares, mas agora
aplicadas s colunas da matriz, at se obter a forma desejada.

Exemplo 1.4.2.: Efectue-se a condensao da matriz
(
(

=
1 1 1
1 0 1
0 1 2
A :
(
(

(
(

(
(

(
(

0 0 0
2 1 0
1 0 1
2 1 0
2 1 0
1 0 1
1 1 1
0 1 2
1 0 1
1 1 1
1 0 1
0 1 2
2 3 3
1 3 3
1 2 2 2 1
2 L L L
L L L
L L L L L


I
n

0 0
0
I
n
0 0
M
- 14 -
(
(

(
(

+
0 0 0
0 1 0
0 0 1
0 0 0
2 1 0
0 0 1
2 3 3 1 3 3
2C C C C C C


As proposies seguintes permitem concluir sobre a caracterstica de uma matriz atravs da
sua matriz condensada.

Teorema 1.4.2.: A matriz identidade de ordem n tem caracterstica n.

Este resultado demonstra-se verificando a independncia linear das linhas ou das colunas da
matriz identidade de ordem n, IN n .
Observando a forma de uma matriz condensada e considerando o resultado anterior conclui-se
que:

Teorema 1.4.3.: A caracterstica de uma matriz A igual ordem da maior submatriz
identidade da matriz condensada de A.

Exemplo 1.4.3.: No exemplo anterior condensou-se a matriz
(
(

=
1 1 1
1 0 1
0 1 2
A ;
a sua matriz condensada :
(
(

0 0 0
0 1 0
0 0 1

Verifica-se que a maior submatriz identidade da matriz condensada tem
ordem 2, logo C(A) = 2.

1.5. Sistemas de Equaes Lineares

A resoluo de sistemas de equaes lineares um dos problemas prticos mais frequentes
em quase todas as reas cientficas fsica, biologia, qumica, economia, engenharia, cincias
sociais, etc. Trata-se de um problema central em lgebra linear que vamos aqui desenvolver
atravs do Mtodo de Eliminao de Gauss ou de Gauss Jordan. Como veremos, a utilizao
de matrizes permite escrever e resolver um sistema de equaes lineares utilizando uma
notao mais simples.

Definio 1.5.1.: Chamamos equao linear nas incgnitas
n
x x x ,..., ,
2 1
a uma equao do
tipo
b x a x a x a
n n
= + + + ...
2 2 1 1
, (1)
sendo b a a a
n
, ,..., ,
2 1
constantes reais.
- 15 -
Uma soluo da equao linear (1) um a n-plo ) ,..., , (
2 1 n
s s s que satisfaz
(1), isto , que nos leva a uma identidade (b = b) quando substitumos em (1)
1
x por
1
s ,
2
x por
2
s , ...,
n
x por
n
s .

Exemplo 1.5.1.: 1
1
= x , 1
2
= x , 3
3
= x e 4
4
= x uma soluo da equao linear
2 2 3 6
4 3 2 1
= + + x x x x .

Definio 1.5.2.: De uma forma geral, um sistema de m equaes lineares com n
incgnitas um conjunto de m equaes lineares, cada uma com n
incgnitas, e pode ser escrito da seguinte forma:

= + + +
= + + +
= + + +
m
b
n
x
mn
a x
m
a x
m
a
b
n
x
n
a x a x a
b
n
x
n
a x a x a
...
2 2 1 1
2 2
...
2 22 1 21
1 1
...
2 12 1 11
M
(2)
onde os coeficientes
ij
a , m i ,..., 1 = e n j ,..., 1 = , e os termos
independentes
m
b b b ,..., ,
2 1
so constantes reais.

Uma soluo do sistema de equaes lineares (2) um n-plo ) ,..., , (
2 1 n
s s s que satisfaz
todas as equaes do sistema (2), isto , que nos leva a m identidades (
i i
b b = , m i ,..., 1 = )
quando substitumos
1
x por
1
s ,
2
x por
2
s , ...,
n
x por
n
s em cada equao de (2).

Um sistema de equaes lineares que tem soluo diz-se possvel. Se tiver uma nica soluo
diz-se possvel e determinado. Se tiver uma infinidade de solues diz-se possvel e
indeterminado. Um sistema de equaes lineares que no tenha soluo diz-se impossvel.

Se 0 ...
2 1
= = = =
m
b b b o sistema diz-se homogneo. A soluo 0 ...
2 1
= = = =
n
x x x de
um sistema homogneo chamada soluo trivial. Uma soluo de um sistema homogneo
em que os valores de
n
x x x ,..., ,
2 1
no so todos nulos diz-se no trivial.

Exemplo 1.5.2.: Considere-se o sistema de equaes lineares no-homogneo

= +
= +
5 2
5 4 3
y x
y x
(3)
facilmente se verifica que a nica soluo do sistema 1 = x e 2 = y . Logo
trata-se de um sistema possvel e determinado.

- 16 -
Dois sistemas de equaes lineares com o mesmo nmero de incgnitas dizem-se
equivalentes se tiverem exactamente as mesmas solues.

Exemplo 1.5.3.: Considere-se o sistema de equaes lineares (3) e:

= +
=
= +
1 2 5
1 3
6 8
y x
y x
y x
(4)
A soluo deste ltimo sistema tambm 1 = x e 2 = y . Logo (3) e (4) so
sistemas equivalentes.

Vejamos agora como encontrar as solues de um sistema de equaes lineares. O processo
que vamos desenvolver designa-se mtodo de eliminao e, como o nome indica, consiste
em eliminar algumas das variveis adicionando um mltiplo de uma equao a outra equao.
Atravs destas operaes obtemos um sistema equivalente ao sistema anterior, mas mais
simples de resolver.
A melhor forma de introduzir o mtodo de eliminao atravs de um exemplo.

Exemplo 1.5.4.: Considere-se o sistema de equaes lineares

= +
= +
5 2
1 4
y x
y x
(5)
Para eliminar x da segunda equao vamos subtrair-lhe o dobro da primeira
equao (ou seja, somar-lhe a primeira equao multiplicada por 2). A
segunda equao fica
7 7 = y
Resolvendo em ordem a y obtemos
1 = y
Substituindo o valor de y na primeira equao de (5), obtemos o valor de x:
3 = x

Exemplo 1.5.5.: Considere-se o sistema de equaes lineares

= +
= +
4 3 2
4 3 2
z y x
z y x

Para eliminar x da segunda equao soma-se a esta equao 2 vezes a
primeira, obtendo:

= +
= +
12 3 3
4 3 2
z y
z y x

Para resolver a segunda equao isolamos uma das incgnitas, por exemplo
y; fica
4 = z y
- 17 -
onde z pode tomar qualquer valor real. Substituindo y na primeira equao,
obtemos:
4
3 ) 4 ( 2 4
3 2 4
+ =
+ =
+ =
z
z z
z y x

Ento a soluo do sistema

=
+ =
IR z
z y
z x
4
4

o que significa que o sistema tem uma infinidade de solues e, portanto,
possvel e indeterminado. A cada valor que atribumos a z obtemos uma
soluo do sistema. Por exemplo, se 1 = z ento:
5 = x , 3 = y e 1 = z
uma soluo do sistema. Mas se 2 = z obtemos outra soluo do sistema:
2 = x , 6 = y e 2 = z

Exemplo 1.5.6.: Considere-se de seguida o sistema de duas equaes lineares com duas
incgnitas

= +
= +
2 2 2
1 1 1
c y b x a
c y b x a
(6)
Podemos representar cada equao graficamente por uma recta. Suponhamos
que a primeira equao representada graficamente pela recta
1
l e a segunda
pela recta
2
l .
Se o sistema tiver uma nica soluo a x = , b y = ento o ponto ) , ( b a
pertence a ambas as rectas
1
l e
2
l . Reciprocamente, se o ponto ) , ( b a
pertence a ambas as rectas
1
l e
2
l ento a x = , b y = uma soluo do
sistema (6). Assim, geometricamente, temos trs possibilidades
correspondentes a um sistema possvel e determinado, possvel e
indeterminado ou impossvel (Fig. 1.5.1.).

Figura 1.5.1.






a) uma nica soluo b) nenhuma soluo c) uma infinidade de solues
x
y
l
1
l
2
a
b
x
y
l
2
l
1
x
y

l
1
- 18 -
Exerccios:
Resolva os sistemas de equaes lineares seguintes pelo mtodo de eliminao:
a)

=
= +
4 4 3
8 2
y x
y x
; b)

= + +
= +
= +
1 2 3
5 2
12 4 3 2
z y x
z y x
z y x
; c)

= + +
= +
2 4 3 2
5 2
z y x
z y x
; d)

= +
=
= +
27 2 5
3 2
13 3 2
y x
y x
y x
.


No mtodo de eliminao verificamos que os nossos principais objectos de trabalho so os
coeficientes das incgnitas. Esta constatao leva-nos a perguntar se no existir uma forma
de escrever e resolver um sistema de equaes lineares fazendo desaparecer as incgnitas.

Considere-se o seguinte sistema de m equaes lineares nas incgnitas
n
x x x ,..., ,
2 1
:

= + + +
= + + +
= + + +
m
b
n
x
mn
a x
m
a x
m
a
b
n
x
n
a x a x a
b
n
x
n
a x a x a
...
2 2 1 1
2 2
...
2 22 1 21
1 1
...
2 12 1 11
M

Sendo
(
(
(
(

=
mn
a
m
a
m
a
n
a a a
n
a a a
A
K
M O M M
K
K
2 1
2 22 21
1 12 11
,
(
(
(
(

=
n
x
x
x
x
M
2
1
e
(
(
(
(

=
m
b
b
b
b
M
2
1

ento o sistema anterior pode ser escrito na forma Ax = b
pois Ax uma matriz do tipo mx1 cujos elementos so precisamente os membros da esquerda
das equaes do sistema anterior. A matriz A designada por matriz dos coeficientes, a matriz
x por matriz das incgnitas e a matriz b por matriz dos termos independentes.

Para resolver a equao matricial Ax = b, consideramos a matriz
(
(
(
(

=
m mn m m
n
n
b a a a
b a a a
b a a a
B
L
M M O M M
L
L
2 1
2 2 22 21
1 1 12 11

que se designa por matriz ampliada do sistema.

O nosso objectivo ento estudar sistemas de equaes lineares atravs da anlise destas
matrizes. O mtodo que vamos desenvolver baseia-se no mtodo de eliminao utilizado para
resolver os exemplos apresentados anteriormente.

- 19 -
O mtodo de eliminao envolve trs tipos de operaes que podem ser aplicadas a um
sistema de equaes lineares de modo a obter um sistema equivalente. Essas trs operaes
so:
1. Troca de duas equaes entre si.
2. Multiplicao de uma equao por um escalar no nulo.
3. Substituio de uma equao pela soma dessa equao com um mltiplo de outra.

Matricialmente, estas trs operaes correspondem s operaes elementares que
apresentmos atrs.

Exemplo 1.5.6.: Apliquemos o mtodo de eliminao para resolver o seguinte sistema:

= +
= + +
= +
3 2 5
6 2 3
4 3 2
z y x
z y x
z y x

1) Multiplique-se a primeira equao por
2
1
para que o coeficiente de x seja 1.

= +
= + +
= +
3 2 5
6 2 3
2
2
3
2
1
z y x
z y x
z y x

2) Para eliminar x da segunda equao, multiplica-se a primeira por -3 e
soma-se segunda, e, para eliminar x da terceira equao, multiplica-se a
primeira por 5 e soma-se terceira;

= +
=
= +
13
2
11
2
3
0
2
7
2
7
2
2
3
2
1
z y
z y
z y x

3) Multiplique-se a segunda equao por
7
2
para que o coeficiente de y seja 1.

= +
=
= +
13
2
11
2
3
0
2
2
3
2
1
z y
z y
z y x

4) Para eliminar y da terceira equao, multiplica-se a segunda por
2
3
e soma-
se terceira, e, para eliminar y da primeira equao, multiplica-se a terceira por
2
1
e soma-se primeira, obtendo-se

=
=
= +
13 4
0
2
z
z y
z x



- 20 -
5) Multiplique-se a terceira equao por
4
1
para que o coeficiente de z seja 1.

=
=
= +
4
13
0
2
z
z y
z x

6) Para eliminar z da primeira equao, multiplica-se a terceira por 1 e
soma-se primeira, e, para eliminar z da segunda equao basta somar-lhe a
terceira

=
=
=
4
13
4
13
4
5
z
y
x
.
Obtemos assim a soluo do sistema inicial.

Vejamos finalmente como obter a soluo do mesmo sistema de equaes lineares utilizando
as operaes elementares sobre as linhas da matriz ampliada do sistema. Designemos
por
2 1
, L L e
3
L a primeira, a segunda e a terceira linha, respectivamente, da matriz ampliada
do sistema.
A matriz ampliada do sistema

= +
= + +
= +
3 2 5
6 2 3
4 3 2
z y x
z y x
z y x

(
(

3 2 1 5
6 1 2 3
4 3 1 2
.
Ora, aplicando matriz ampliada a operao elementar correspondente operao efectuada,
em cada passo, no sistema obtemos:
(
(

(
(

(
(

13 0
0 0
2 1
3 2 1 5
6 1 2 3
2 1
3 2 1 5
6 1 2 3
4 3 1 2
2
11
2
3
2
7
2
7
2
3
2
1
5
3
2
3
2
1
2
1
1 3 3
1 2 2
1 1

L L L
L L L
L L

(
(

(
(

(
(

(
(
(

+

+
+

4
13
4
13
4
5
4
13
1 0 0
0 1 0
0 0 1
1 0 0
0 1 1 0
2 1 0 1
13 4 0 0
0 1 1 0
2 1 0 1
13
2
11
2
3
0
0 1 1 0
2
2
3
2
1
1
3 2 2
3 1 1 3
4
1
3
2
2
3
3 3
2
2
1
1 1 2
7
2
2
L L L
L L L L L
L L L
L L L L L

A partir da ltima matriz, que traduz o ltimo sistema obtido, vemos que as solues so
4
5
= x ,
4
13
= y e
4
13
= z .

- 21 -
No exerccio seguinte prope-se a resoluo de um sistema possvel e indeterminado e de um
sistema impossvel, para ilustrar a aplicao do mtodo apresentado nestes casos.

Exerccio: Resolva os seguintes sistemas de equaes lineares por condensao de matrizes
adequadas.
a)

= + + +
= + +
= + + +
= +
1 3 3 4 3
1 2
2 2 3
3 2
u z y x
z y x
u z y x
u z y x
b)

= + +
= + +
= +
4 3 2
7 2 3
5 2
z y x
z y x
z y x



1.6. Inverso de Matrizes

Seja A uma matriz quadrada de ordem n.

Definio 1.6.1.: A diz-se regular se C(A) = n e singular se C(A) < n.

Definio 1.6.2.: Se B tambm uma matriz quadrada de ordem n tal que AB=BA=I ento B
diz-se inversa de A e denota-se por A-1.

Teorema 1.6.1: Uma matriz quadrada invertvel se e s se for regular.

Corolrio: A inversa de uma matriz, caso exista, nica.

Teorema 1.6.2.: Sendo A e B matrizes quadradas da mesma ordem, tem-se:
1. A A =
1 1
) ( ;
2.
1 1 1
) (

= A B AB ;
3.
T T
A A ) ( ) (
1 1
= .

Prova:
1. Consequncia imediata da definio de inversa da matriz A.
2. Vejamos que a inversa de AB
1 1
A B :
I A A A I A A B B A A B AB = = = =
1 1 1 1 1 1
. . . ). . .( ) ).( ( ;
I B B B I B B A A B AB A B = = = =

. . . ) . .( ) ).( (
1 1 1 1 1 1
.
3. Prove-se que a inversa de
T
A
T
A ) (
1
:
I I A A A A
T T T T
= = =

) . ( ) .(
1 1
;
I I A A A A
T T T T
= = =

) . ( . ) (
1 1
.
- 22 -
Como determinar a inversa de uma matriz A?
Sabemos que, por definio A.A
-1
=I e queremos determinar A
-1
.
Seja x
i
a coluna i da matriz A
-1
e c
i
a coluna i de I. Ento sabemos que Ax
i
= c
i
.
A soluo desta equao matricial obtm-se condensando a matriz ampliada [A | c
i
]. Como A
regular equivalente a I e, assim, a matriz condensada de [A | c
i
] da forma
(
(
(
(

ni
x
i
x
i
x
1 0 0
2
0 1 0
1
0 0 1
L
M M O M M
L
L

Assim obtemos os elementos da coluna i da matriz A
-1
:
ni i i
x x x ,...., ,
2 1
.
Para i = 1,...,n, Ax
i
= c
i
representa n sistemas de equaes lineares todos com matriz de
coeficientes A, apenas diferindo na matriz dos termos independentes. Os sistemas podem ser
resolvidos em simultneo efectuando a condensao da matriz ampliada [A | I].

Exemplo 1.6.1.: Considere-se a matriz A =
(
(

4 3 1
3 3 1
1 2 1
.
Para determinar A
-1
, caso exista, vamos condensar a matriz ampliada
(
(

(
(

1 0 1
0 1 1
0 0 1

3 1 0
2 1 0
1 2 1
1 0 0
0 1 0
0 0 1

4 3 1
3 3 1
1 2 1
1 3 3
1 2 2
L L L
L L L

(
(

1 1 - 0
0 1 1
0 2 - 3

1 0 0
2 1 0
3 0 1
2 3 3
2 1 1
2
L L L
L L L
(
(

+
1 1 - 0
2 3 1
3 5 - 3

1 0 0
0 1 0
0 0 1
3 2 2
3 1 1
2
3
L L L
L L L

Ento
(
(

1 1 - 0
2 3 1
3 5 - 3
1
A .

Exerccio: atravs do clculo da inversa da matriz dos coeficientes resolva o sistema de
equaes lineares

= + +
= + +
= + +
2 4 3
1 3 3
4 2
z y x
z y x
z y x
.

- 23 -
2. Determinantes


2.1. Definies

Definio 2.1.1.: Determinante de uma matriz quadrada de ordem 2,
(

=
22 21
12 11
a a
a a
A , o
valor que se obtm da seguinte forma:
21 12 22 11
) det( a a a a A = .
O determinante da matriz A denota-se por det(A) ou por |A|.


Exemplo 2.1.1.: Considere-se a matriz
(

=

2 4
5 7
D . O seu determinante
det(D) = 7 x 2 - (-5) x 4 = 34.

Definio 2.1.2.: Determinante de uma matriz quadrada de ordem 3,
(
(
(

=
33 32 31
23 22 21
13 12 11
a a a
a a a
a a a
A ,
o valor que se obtm da seguinte forma:
33 21 12 11 31 23 31 22 13 13 32 21 31 23 12 33 22 11
) det( a a a a a a a a a a a a a a a a a a A + + = .

A frmula de clculo do determinante de uma matriz quadrada de ordem 3 apresentada
designa-se por Regra de Sarrus. Note-se que tal frmula consiste numa soma de seis
parcelas, trs positivas e trs negativas:

Parcelas positivas Parcelas negativas
(
(
(

33 32 31
23 22 21
13 12 11
a a a
a a a
a a a

(
(
(

33 32 31
23 22 21
13 12 11
a a a
a a a
a a a


Exemplo 2.1.2.: Considere-se a matriz
(
(

=
2 0 6
5 1 3
0 4 1
A . O seu determinante
det (A) = 1.(-1).2 + 4.(-5).6 + 3.0.0 - 0.(-1).6 (-5).0.1 3.4.2 = - 146.

Considere-se agora uma matriz A, quadrada de ordem n:
(
(
(
(

=
mn
a
m
a
m
a
n
a a a
n
a a a
A
K
M O M M
K
K
2 1
2 22 21
1 12 11

- 24 -
Seja
ij
A a matriz que se obtm de A suprimindo-lhe a linha i e a coluna j.
Chama-se menor complementar do elemento
ij
a de A ao valor de det(
ij
A ).
Chama-se complemento algbrico do elemento
ij
a de A ao valor ) det( ) 1 (
ij
j i
A
+
.

Teorema 2.1.1. - TEOREMA DE LAPLACE: O determinante de uma matriz quadrada igual
soma algbrica dos produtos dos elementos de uma fila (linha ou coluna)
pelos respectivos complementos algbricos.

Assim, se se calcular o determinante de A por desenvolvimento da linha i obtemos:
) det( ) 1 ( ... ) det( ) 1 ( ) det( ) 1 ( ) det(
2
2
2 1
1
1 in
n i
in i
i
i i
i
i
A a A a A a A
+ + +
+ + + = .

Se desenvolvermos a coluna j, temos
) det( ) 1 ( ... ) det( ) 1 ( ) det( ) 1 ( ) det(
2
2
2 1
1
1 nj
j n
nj j
j
j j
j
j
A a A a A a A
+ + +
+ + + = .

Exemplo 2.1.3.: Considere-se novamente a matriz
(
(

=
2 0 6
5 1 3
0 4 1
A . Aplique-se o teorema de
Laplace e calcule-se o seu determinante por desenvolvimento da primeira
linha:
det (A) = 0
2 6
5 3
) 1 .( 4
2 0
5 1
) 1 .( 1
2 1 1 1
+

+ +

= ) 30 6 ( 4 0 2 +
= 146 .
Calcule-se agora o determinante de A por desenvolvimento da segunda
coluna:
det (A) = 0
2 6
0 1
) 1 ).( 1 (
2 6
5 3
) 1 .( 4
2 2 2 1
+ +

+ +

= ) 0 2 ( ) 30 6 ( 4 +
= 146 .

Note-se que escolhemos uma linha e uma coluna com elementos nulos. De uma forma geral,
para calcular o determinante de uma matriz deve-se escolher a linha ou coluna com o maior
nmero de elementos nulos, pois, desta forma, minimizam-se os clculos a efectuar.

Propriedades 2.1.1.: Seja A uma matriz quadrada de ordem n.
1. Se trocarmos entre si duas linhas/colunas de A o determinante muda de sinal.
2. Se multiplicarmos uma linha/coluna de A por um escalar no nulo obtemos uma
matriz B tal que det(B) = det(A).
3. Se os elementos de uma linha/coluna de A so todos nulos ento det(A) = 0.
4. Se existem duas linhas/colunas iguais ou mltiplas uma da outra ento det(A) = 0.
- 25 -
5. O valor do determinante de A no se altera se a uma linha/coluna adicionarmos um
mltiplo escalar de outra linha/coluna. .
6. O determinante de A nulo se e s se as linhas/colunas de A so linearmente
dependentes e no nulo se e s se as linhas/colunas de A so linearmente
independentes.
7. O determinante da matriz identidade de ordem n 1.
8. O determinante de A igual ao determinante da sua transposta: det(A) = det(A
T
).
9. det(AxB)=det(A)xdet(B)

Exemplo 2.1.4.:
1. Sendo
(
(
(

=
2 0 6
5 1 3
0 4 1
A ,
(
(
(

=
0 4 1
5 1 3
2 0 6
B ,
(
(
(

=
1 0 3
5 1 3
0 4 1
C e
(
(
(

=
2 0 6
5 13 0
0 4 1
D
temos que:
det(B) = - det(A), pois B obtm-se de A trocando a primeira com a terceira linha
(propridade 1).
det(C) = 1/2.det(A) pois C obtm-se multiplicando a terceira linha de A por
(propriedade 2).
det(D) = det(A) porque D obtm-se somando a segunda linha de A com a
primeira multiplicada por -3 (propriedade 5).
2. O determinante da matriz
(
(
(
(

=
1 0 4 5
1 2 1 2
3 1 3 1
2 4 2 4
A 0 j que a primeira linha o dobro
da terceira (propriedade 4).

Teorema 2.1.2.: Uma matriz quadrada A invertvel se e s se det(A) 0. Alm disso
) det(
1
) det(
1
A
A =

.

Prova: Uma matriz A quadrada de ordem n invertvel se e s se a sua caracterstica for igual
sua ordem, ou seja, se e s se as suas n linhas forem linearmente independentes.
Ento pelo ponto 6. das propriedades 2.1.1., conclui-se que A invertvel se e s se
det(A) 0.
Prove-se agora que
) det(
1
) det(
1
A
A =

. Como A.A
-1
= I, ento det(A.A
-1
)

= det(I). Pelos
pontos 7. e 9. das propriedades 2.1.1. vem que:
) det(
1
) det( 1 ) det( ) det( ) det( ) det(
1 1 1
A
A A A I AA = = =

, pois det(A) 0.

- 26 -
2.2. Clculo do determinante com base nas propriedades j apresentadas

Teorema 2.2.1.: Seja A uma matriz triangular de ordem n.
O determinante de A igual ao produto dos elementos da sua diagonal
principal.

A prova deste teorema faz-se aplicando o Teorema de Laplace a uma matriz triangular
genrica de ordem n.

Com este teorema simplifica-se o clculo do determinante para matrizes de ordem grande. Se
uma matriz quadrada pode ser transformada numa matriz triangular, atravs de operaes
elementares, ento as propriedades 2.1.1. traduzem as consequncias da aplicao de tais
operaes no clculo do determinante da matriz. Se no for possvel obter, por condensao,
uma matriz triangular ento o determinante de tal matriz nulo.

Exemplo 2.2.1.: Consideremos a matriz
(
(
(
(

=
4 1 3 2
1 1 2 1
3 2 3 1
2 1 1 2
A .
(
(
(
(

=
(
(
(
(

=

4 1 3 2
1 1 2 1
2 1 1 2
3 2 3 1
4 1 3 2
1 1 2 1
3 2 3 1
2 1 1 2
2 1
B A
L L
det(A) = - det(B)
(
(
(
(

=
(
(
(
(

=

+

10 5 9 0
4 3 5 0
8 5 5 0
3 2 3 1
4 1 3 2
1 1 2 1
2 1 1 2
3 2 3 1
1 4 4
1 3 3
1 2 2
2
2
C B
L L L
L L L
L L L

(
(
(
(

=
(
(
(
(

=

10 5 9 0
4 3 5 0
1 1 0
3 2 3 1
10 5 9 0
4 3 5 0
8 5 5 0
3 2 3 1
5
8
5
1
2 2
D C
L L

(
(
(
(
(

=
(
(
(
(

=


5
22
5
8
5
5
5
8
4 0 0
4 2 0 0
1 1 0
3 2 3 1
10 5 9 0
4 3 5 0
1 1 0
3 2 3 1
2 4 4
2 3 3
E D
L L L
L L L

(
(
(
(
(

=
(
(
(
(
(

=
+
5
18
5
8
2
5
22
5
8
0 0 0
4 2 0 0
1 1 0
3 2 3 1
4 0 0
4 2 0 0
1 1 0
3 2 3 1
3 4 4
F E
L L L


Como det(C) = det(B)
ento det(A) = - det(C)
Como det(C) = -5det(D)
ento det(A) = 5 det(D)
Como det(E) = det(D)
ento det(A) = 5 det(E)
Como det(F) = det(E)
ento det(A) = 5 det(F)
- 27 -
Ora, como F uma matriz triangular superior ento o seu determinante igual ao produto dos
elementos da sua diagonal principal:
det(F) =
5
36
5
18
). 2 .( 1 . 1 =
Consequentemente:
det(A) = 5.det(F) = -36.


Exerccio: Calcule o determinante da matriz
(
(
(
(

=
2 1 2 3
1 6 1 2
1 2 4 1
2 1 3 1
A utilizando o processo
anterior.


2.3. Inverso de matrizes
No captulo anterior definiu-se inversa de uma matriz quadrada de ordem n e determinou-se tal
matriz com base no processo de condensao. J neste captulo, o teorema 2.1.2. relaciona o
determinante de uma matriz com o determinante da sua inversa. De seguida apresenta-se um
outro processo de clculo da inversa com base na teoria dos determinantes.

Definio 2.3.1: Chama-se adjunta da matriz A matriz | |
T
ij
C C = onde
ij
c o complemento
algbrico do elemento
ij
a da matriz A. A adjunta de A denota-se por Adj(A).

Exemplo 2.3.1: Considere-se a matriz
2 0 0
5 1 0
0 4 1
(
(
(

= A .
Para calcular a adjunta de A temos que determinar os complementos
algbricos de todos os seus elementos:
2
2 0
5 1
) 1 (
1 1
11
=

=
+
c 0
2 0
5 0
) 1 (
2 1
12
=

=
+
c 0
0 0
1 0
) 1 (
3 1
13
=

=
+
c
8
2 0
0 4
) 1 (
1 2
21
= =
+
c 2
2 0
0 1
) 1 (
2 2
22
= =
+
c 0
0 0
4 1
) 1 (
3 2
23
= =
+
c
20
5 1
0 4
) 1 (
1 3
31
=

=
+
c 5
5 0
0 1
) 1 (
2 3
32
=

=
+
c 1
1 0
4 1
) 1 (
3 3
33
=

=
+
c
Assim,
(
(
(

=
(
(
(

=
1 0 0
5 2 0
20 8 2
1 5 20
0 2 8
0 0 2
) (
T
A Adj .

- 28 -
Teorema 2.3.1.: Seja A uma matriz quadrada de ordem n. O produto de A pela sua adjunta a
matriz diagonal
(
(
(
(

) det( 0 0
0 ) det( 0
0 0 ) det(
A
A
A
L
M O M M
L
L


Prova: O elemento da linha i e coluna i da matriz A.Adj(A)

=
+

n
k
ik
k i
ik
A a
1
) det( ) 1 ( , que, pelo
Teorema de Laplace igual a det(A).
Quando i j, o elemento da linha i e coluna j da matriz A.Adj(A)

=
+

n
k
jk
k j
ik
A a
1
) det( ) 1 ( , que igual ao determinante da matriz que se obtm de A
substituindo a linha j pela linha i. Assim tal matriz tem duas linhas iguais e, portanto, o
seu determinante igual a 0.

Corolrio 2.3.1.: A inversa de uma matriz A, invertvel, obtida a partir da adjunta de A e do
determinante de A da seguinte forma:
) det(
) (
1
A
A adj
A =

.

Prova: Pelo teorema 2.3.1. tem-se que A.adj(A) = det(A).I
n
. Se A invertvel ento det(A) 0;
dividindo ambos os membros por det(A) e multiplicando esquerda por
1
A ambos os
membros da equao anterior obtemos:
) det(
) (
1
A
A adj
A =

Exemplo 2.3.2: Para obter a inversa de
2 0 0
5 1 0
0 4 1
(
(
(

= A precisamos de calcular a sua

adjunta e do valor do seu determinante. Ora a adjunta de A foi calculada no
exemplo anterior e o determinante de A
det(A) = 1.(-1).2 = -2
Ento
(
(
(

=
(
(
(

2
1
2
5 1
0 0
1 0
10 4 1
1 0 0
5 2 0
20 8 2
2
1
A



- 29 -
2.4. Resoluo de SEL
Pretende-se agora estender os conhecimentos desenvolvidos sobre determinantes resoluo
de sistemas de equaes lineares. O processo que vamos desenvolver permite determinar a
soluo de qualquer sistema com o mesmo nmero de equaes e de incgnitas que seja
possvel e determinado. Isto significa que a matriz dos coeficientes do sistema ter que ser
quadrada e que o seu determinante ter que ser no nulo.

Consideremos um sistema de equaes na forma matricial AX = B, onde a matriz A
quadrada.

Teorema 2.4.1. - Regra de Cramer: Seja A
i
a matriz que se obtm da matriz A substituindo a
coluna i pela coluna dos termos independentes B. Se det(A) 0 ento a
soluo do sistema por
A
A
x
i
i
det
) det(
= , para i = 1, . . . , n.

Prova: A soluo nica do sistema AX = B X = A
-1
B. Pelo corolrio 2.3.1. essa soluo pode
ser escrita na forma X=
) det(
) (
A
A adj
B.
Sendo X =
(
(
(
(

n
x
x
x
M
2
1
, pela frmula anterior conclui-se que
| | ) det(
) det(
1
). det( ) 1 ( ) det( ) 1 ( ) det( ) 1 (
) det(
1
2 2
2
1 1
1
i n ni
i n
i
i
i
i
i
A
A
b A b A b A
A
x = + + =
+ + +
.
Logo
A
A
x
i
i
det
) det(
= , para i = 1, . . . , n, como se queria mostrar.


Exemplo 2.4.1.: Vamos usar a Regra de Cramer para resolver o seguinte sistema de equaes

= +
= +
0 2
1 2
y x
y x
.
Podemos escrever este sistema na forma matricial
(

=
(

0
1
1 2
2 1
y
x
.
Como a matriz dos coeficientes quadrada e o seu determinante -3,
podemos aplicar a Regra de Cramer.
Assim, a soluo do sistema
3
1
3
1 0
2 1
=

= x e
3
2
3
0 2
1 1
=

= y
- 30 -
Exemplo 2.4.2.: Considere-se o sistema de equaes lineares

= +
=
= +
1 4 2
1 3 2
1 2 4 3
z y x
z y x
z y x
.
Calcule-se o determinante da matriz dos coeficientes do sistema:
28 20 48 ) 32 6 6 ( 8 4 36
4 2 1
1 3 2
2 4 3
= = + + + =

Como o determinante diferente de zero, podemos aplicar a Regra de
Cramer:
7
3
28
12
28
) 16 2 6 ( 4 4 12
28
4 2 1
1 3 1
2 4 1
= =
+ + +
=

= x ;
0
28
0
28
) 8 3 2 ( 4 1 12
28
4 1 1
1 1 2
2 1 3
= =
+
=

= y ;
7
1
28
4
28
) 8 6 3 ( 4 4 9
28
1 2 1
1 3 2
1 4 3
=

=
+ +
=

= z .


2.5. Valores e Vectores Prprios de uma matriz

Definio 2.5.1.: Seja A uma matriz quadrada de ordem n. Dizemos que valor prprio de
A se existir um vector
n
IR u no nulo tal que u Au = . A qualquer vector
u nestas condies chama-se vector prprio de A associado ao valor
prprio .

Exemplo 2.5.1.: Os nmeros 3 e 2 so os valores prprios da matriz
(

=
1 1
2 4
A . O vector
(

1
2
um vector prprio de A associado ao valor prprio 3 e o vector
(

1
1

um vector prprio de A associado ao valor prprio 2.

Definio 2.5.2.: Ao conjunto dos valores prprios de uma matriz A chama-se espectro de A e
denota-se por ) (A . Ao maior dos valores absolutos dos valores prprios de
A chama-se raio espectral A.

- 31 -
Exemplo 2.5.2.: Relativamente ao exemplo anterior temos que ) ( A ={2,3} e o raio espectral
de A 3.

Como determinar os valores prprios de uma matriz quadrada A?
Por definio valor prprio de A se existir um vector
n
IR u no nulo tal que u Au = .
Ora
0 ) ( 0 = = = u I A u Au u Au .

Pretende-se ento determinar os valores de para os quais o sistema homogneo com matriz
de coeficientes I A tem solues no nulas. Sabemos que um sistema homogneo
sempre possvel pois admite a soluo nula; esta pode ser a nica soluo do sistema que ,
assim, possvel e determinado; mas pode ter outras solues classificando-se, neste caso, de
possvel e indeterminado.
Os valores de pretendidos so, ento aqueles para os quais o sistema possvel e
indeterminado. Tal acontece se e s se a matriz dos coeficientes do sistema tiver determinante
nulo.
Conclumos, assim, que os valores prprios de A so as solues da equao
0 ) det( = I A .

Definio 2.5.3.: Seja A uma matriz quadrada de ordem n. A equao 0 ) det( = I A designa-
se por equao caracterstica da matriz A. O polinmio de grau n que se
obtm do desenvolvimento de ) det( I A designa-se polinmio
caracterstico de A.

Exemplo 2.5.3.: A equao caracterstica da matriz
(

=
1 1
2 4
A :
( )( ) 0 2 1 4 0
1 1
2 4
0 ) det( = + =

I A
3 2 0 6 5
2
= = = + .
Conclui-se que os valores prprios de A so 2 e 3, como se afirmara no
exemplo 2.5.1.
Para determinar os respectivos vectores prprios resolve-se o sistema
0 ) ( = u I A para cada valor de .
Vectores prprios associados ao valor prprio 2 = : 0 ) 2 ( = u I A .
(

0 0 0
0 1 1
0 2 2
0 1 1
0 1 1
0 2 2
1
2
2 2 2 1
L L L L L


- 32 -
Ento o conjunto dos vectores prprios associados ao valor prprio 2

=
(

IR y
x
M
y
y
y x
x
M
y
x
:
1 2
:
1 2

= IR y
x
M y :
1 2
1
1
2
.

Vectores prprios associados ao valor prprio 3 = : 0 ) 3 ( = u I A .
(

0 0 0
0 2 1
0 2 1
0 2 1
1 2 2
L L L

Ento o conjunto dos vectores prprios associados ao valor prprio 3
)
`

)
`

= = IR y
x
M
y
y
y x
x
M
y
x
:
1 2
2
2 :
1 2

)
`

= IR y
x
M y :
1 2
1
2
3
.

Vejamos agora algumas propriedades relativas a vectores e valores prprios de uma matriz.

Teorema 2.5.1.: Se
n
,..., ,
2 1
so os valores prprios de uma matriz A, quadrada de ordem
n, ento
n
A ..... . ) det(
2 1
= .

Prova: Sendo
n
,..., ,
2 1
os valores prprios de A ento o polinmio caracterstico de A pode
decompor-se num produto de n factores da seguinte forma:
) )...( )( ( ) 1 ( ) det(
2 1 n
n
I A = .
Fazendo 0 = na identidade anterior obtemos que:
) )...( )( ( ) 1 ( ) det(
2 1 n
n
A = .
n
n
... ) 1 (
2 1
2
=
n
..... .
2 1
= .

Teorema 2.5.2.: Uma matriz quadrada A singular se e s se tem um valor prprio nulo.

Prova: A singular se e s se det(A)=0. Como 0 ) 0 det( 0 ) det( = = I A A e 0 ) 0 det( = I A
se e s se 0 valor prprio de A , ento conclu-se o pretendido pela transitividade da
equivalncia.


2
Interpretao geomtrica: trata-se do conjunto de vectores do plano mltiplos escalares do vector (1,1).
3
Interpretao geomtrica: trata-se do conjunto de vectores do plano mltiplos escalares do vector (2,1).
- 33 -
Teorema 2.5.3.: Os valores prprios de uma matriz A triangular so os elementos da sua
diagonal principal.

Prova: Suponhamos que A triangular superior de ordem n com elementos principais iguais a
nn
a a a ,..., ,
22 11
. Ento I A tambm uma matriz triangular superior de ordem n
com elementos principais iguais a
nn
a a a ,..., ,
22 11
. Assim,
0 ) )...( )( ( 0 ) det(
22 11
= =
nn
a a a I A
nn
a a a = = = ...
22 11
.

Teorema 2.5.4.: Seja A uma matriz quadrada de ordem n invertvel.
Se valor prprio de A ento

1
valor prprio de A
-1
.

Prova: Suponhamos que A uma matriz quadrada de ordem n invertvel e que valor
prprio de A. Como A invertvel sabemos que 0 .
Seja u um vector prprio de A associado ao valor prprio . Nestas condies
sabemos que:
u A u u A u u Au
1
1
1
= = =


Ento, como u um vector no nulo, conclui-se que

1
valor prprio de A
-1
.

Teorema 2.5.5.: Se valor prprio de A ento valor prprio de A
T
.

Prova: Se valor prprio de A ento
0 ) det( 0 ) det( = =
T
I A I A
0 ) det( 0 ) ) ( det( = = I A I A
T T T

o que significa que valor prprio de A
T
.

Teorema 2.5.6.: Se valor prprio de A ento valor prprio de A.

Prova: Se valor prprio de A e u um vector prprio de A associado ao valor prprio
ento
u Au u Au = =
o que significa que valor prprio de A.

Outro resultado importante quer em teoria quer nas aplicaes o seguinte:

Teorema 2.5.7. Teorema de Cayley Hamilton:
Toda a matriz quadrada satisfaz a sua equao caracterstica.
- 34 -
Por outras palavras, se
0 1
2
2
1
1
... ) 1 ( ) ( a a a a p
n
n
n n
+ + + + + =

for o polinmio
caracterstico de uma matriz A, quadrada de ordem n, ento 0 ) ( = A p , ou seja
0 ... ) 1 (
0 1
2
2
1
1
= + + + + +

I a A a A a A a A
n
n
n n
.

A partir do Teorema de Cayley-Hamilton podemos desenvolver uma frmula para a inversa de
uma matriz e calcular uma potncia de uma matriz.

Seja A uma matriz quadrada de ordem n invertvel. Sendo
0 1
2
2
1
1
... ) 1 ( ) ( a a a a p
n
n
n n
+ + + + + =

o seu polinmio caracterstico, o Teorema de Cayley-Hamilton permite-nos afirmar que
0 ... ) 1 (
0 1
2
2
1
1
= + + + + +

I a A a A a A a A
n
n
n n

donde
I a A a A a A a A
n
n
n n
0 1
2
2
1
1
... ) 1 ( = + + + +

I a I a A a A a A A
n
n
n n
0 1 2
2
1
1
) ... ) 1 (( = + + + +

I I
a
a
A
a
a
A
a
a
A
a
A
n n n
n
=

+
) ...
) 1 (
(
0
1
0
2 2
0
1 1
0
1

Ento por definio de inversa de uma matriz conclumos que
I
a
a
A
a
a
A
a
a
A
a
A
n n n
n
0
1
0
2 2
0
1 1
0
1
1
...
) 1 (

=

+

Exemplo 2.5.4. Seja
(
(
(

=
1 0 5
3 2 0
0 0 2
A . Temos que 4 8 5 ) (
2 3
+ + = p .
Ento I I A A A I A A A 4 ) 8 5 ( 0 4 8 5
2 2 3
= + = + +
E, portanto
(
(
(
(

= + =

1 0
2
5
2
3
2
1
4
15
0 0
2
1
2
4
5
4
1
2 1
I A A A .

Exemplo 2.5.5. Seja
(
(

=
1 0 5
3 2 0
0 0 2
A . Vejamos como aplicar o Teorema de Cayley-Hamilton
para calcular uma qualquer potncia de A.
Suponhamos que queremos conhecer A
6
.
Sabemos que 4 8 5 ) (
2 3
+ + = p . Efectuando a diviso de
6
por ) ( p
temos que
6
= ) ( p ) 196 324 129 ( ) 49 17 5 (
2 2 3
+ + .
Substituindo na igualdade anterior por A obtemos que
- 35 -
6
A = ) ( A p ) 196 324 129 ( ) 49 17 5 (
2 2 3
I A A A A A + + .
Mas como p(A) = 0, vem que
6
A =
(
(
(

= +
1 0 315
189 64 1935
0 0 64
196 324 129
2
I A A .

- 36 -
3. Espaos Vectoriais


3.1. Definio e exemplos

Definio 3.1.1.: Diremos que um conjunto V munido de uma adio e de uma multiplicao
por um escalar um espao vectorial se para quaisquer u, v e w em V e
para todo , IR so vlidas as seguintes propriedades:
EV1 u + v V;
EV2 u V;
EV3 u + v = v + u;
EV4 u + (v + w) = (u + v) + w;
EV5 existe um elemento 0 V tal que 0 + u = u para todo u V ;
EV6 para cada u V existe v V tal que u + v = 0;
EV7 (u) = ()u;
EV8 ( + )u = u + u;
EV9 (u + v) = u + v;
EV10 1u = u para qualquer u V.

Observao 3.1.1: O elemento 0 na propriedade EV5 nico, pois se existisse qualquer outro
elemento 0 V satisfazendo a mesma propriedade ento, pelas propriedades EV5 e EV3
teramos
0 = 0 + 0 = 0 + 0 = 0,
isto 0 = 0.

Observao 3.1.2: A propriedade EV6 afirma que para cada u V, sendo V um espao
vectorial, existe v V tal que u + v = 0. Na verdade, para cada u V existe somente um
elemento v V com esta propriedade. De facto, dado u V se v e v em V so tais que u+v =
0 e u + v = 0 ento, combinando estas equaes com as propriedades EV3, EV4 e EV5,
obtemos v = v +0 = v +(u+v) = (v +u)+v = (u+v)+v = 0+v = v, isto v = v.
Denotaremos v por -u e u - v por u + (-v).

Observao 3.1.3 As duas primeiras propriedades referem-se ao fecho das operaes
consideradas no conjunto V. Por outras palavras, exigem que a soma de dois elementos de V
seja ainda um elemento de V e que a multiplicao de um escalar por um elemento de V seja
um elemento de V.
A terceira, quarta, quinta e sexta propriedades referem-se apenas operao de adio e so
conhecidas, respectivamente, por propriedade comutativa, propriedade associativa, existncia
do elemento neutro e existncia de elemento simtrico.
- 37 -
A stima e a dcima propriedades so exclusivas da multiplicao escalar e tambm podem
ser chamadas de associatividade e elemento neutro da multiplicao, respectivamente.
A oitava e a nona propriedades relacionam as duas operaes e so ambas propriedades
distributivas.

Aos elementos de um espao vectorial V chamamos genericamente vectores.

Talvez o exemplo mais simples de espao vectorial seja o conjunto dos nmeros reais com a
adio e multiplicao usuais.
Genericamente, para cada nN, o conjunto dos n-plos ordenados de nmeros reais, IR
n
,
munido da adio e multiplicao por um escalar usuais um espao vectorial. De facto,
considerando-se a adio de dois n-plos ordenados x = (x
1
, ... , x
n
) e y = (y
1
, . . . , y
n
), definida
da seguinte forma
x + y = (x
1
+ y
1
, . . . , x
n
+ y
n
)
e o produto de um n-plo x = (x
1
, . . . , x
n
) por um escalar IR por
x = ( x
1
, . . . , x
n
)
uma tarefa bastante simples verificar que deste modo IR
n
um espao vectorial, que
deixada como exerccio.

Exemplo 3.1.1.:
1. Sejam n IN e V = IR
n
[x] o conjunto formado por todos os polinmios de grau menor ou
igual a n com coeficientes reais. Definimos a adio e a multiplicao por um escalar da
seguinte maneira:
Se p(x) = a
0
+ a
1
x +...+ a
n
x
n
e q(x) = b
0
+ b
1
x + ... + b
n
x
n
so elementos de IR
n
[x] ento
p(x) + q(x) = (a
0
+ b
0
) + (a
1
+ b
1
)x + (a
n
+ b
n
)x
n
.
Se p(x) = a
0
+ a
1
x +...+ a
n
x
n
um elemento de IR
n
[x] e IR ento
p(x) = (a
0
) + (a
1
)x +...+ (a
n
)x
n
.
O conjunto V = IR
n
[x] munido com estas duas operaes um espao vectorial.

2. O conjunto das matrizes do tipo mxn com coeficientes reais, M
mn
(IR), munido das
operaes usuais de adio e multiplicao por um escalar um espao vectorial.

3. Sejam A IR e F(A;IR) o conjunto de todas as funes f : A IR. Se f, g F(A;R) e IR
defina-se f + g : A IR por (f + g)(x) = f(x) + g(x) e f : A IR por (f)(x) = f(x), com x
A. Ento F(A;IR) com esta adio e produto por escalar um espao vectorial.

4. O conjunto das funes contnuas definidas num intervalo I IR munido das operaes de
adio e multiplicao usuais (como aquelas definidas em F(I;IR)) um espao vectorial.

- 38 -
5. O conjunto das funes com derivadas contnuas at ordem k IN, com k fixo, definidas
num intervalo aberto I IR munido das operaes de adio e multiplicao usuais (como
aquelas definidas em F(I;IR)) um espao vectorial

Os espaos vectoriais apresentados nos exemplos anteriores envolvem operaes com as
quais j estamos familiarizados. O prximo exemplo um pouco diferente dos anteriores e por
isso mostraremos que verifica as oito propriedades exigidas pela definio.

Exemplo 3.1.2.: Consideremos o conjunto V = ]0,+[. Este conjunto quando munido das
operaes usuais de soma e multiplicao por escalar no um espao
vectorial, visto que no possui elemento neutro para a adio. No entanto, se
para x, y V e IR, definirmos a soma entre x e y por x y = xy, (o
produto usual entre x e y) e o produto de x pelo escalar como x = x

ento V um espao vectorial. De facto, verifiquemos uma a uma as dez
propriedades:
1. x y = xy V , para quaisquer x, y V;
2. x = x

V , para quaisquer x V e IR;

3. x y = xy = yx = y x para quaisquer x, y V ;
4. x (y z) = x (yz) = x(yz) = (xy)z = (x y)z = (x y) z para
quaisquer x, y, z V
5. se x V ento, como 1 V, temos 1 x = 1x = x; observe que neste
caso, 1 o elemento neutro da adio, o qual denotaremos por o;
6. se x V, isto , se x > 0, ento x
-1
V e x x
-1
= xx
-1
= 1 = o;
7. ( x) = x

= (x

= x

= x

= () x para quaisquer x V e
, IR;
8. ( + ) x = x
+
= x

= x

= ( x) ( x) para quaisquer
x V e , IR;
9. (x y) = (xy) = (xy)

= x

= ( x) ( y) para quaisquer
x,y V e , IR;
10. 1 x = x
1
= x para qualquer x V.

Da diversidade de exemplos apresentados compreende-se que este conceito abrange uma
variedade de situaes que incluem o conjunto dos nmeros reais IR, os espaos IR
n
, os
espaos de matrizes e os espaos cujos elementos so funes (designados por espaos de
funes ou funcionais). Tambm a noo de vector assim alargada. A grande vantagem de
proceder a esta generalizao o estabelecimento de propriedades de espaos vectoriais e de
vectores sem atender natureza especfica dos elementos do espao.
- 39 -
Convm salientar, no entanto, que pequenas alteraes nos conjuntos podem resultar em
conjuntos que no so espaos vectoriais. Por exemplo, se considerarmos os elementos de IR
2

que tm a segunda coordenada igual a 1 obtemos um conjunto que no espao vectorial. De
facto, a soma de dois vectores deste tipo no um vector com as mesmas caractersticas,
porque a segunda coordenada igual a 2. Isto significa que tal subconjunto de IR
2
no
fechado para a adio usual (ver EV1) e portanto no espao vectorial.

Das dez propriedades que definem um espao vectorial podemos concluir vrias outras.
Listaremos algumas destas propriedades no seguinte

Teorema 3.1.1. Seja V um espao vectorial. Temos
1. Para qualquer IR, 0 = 0.
2. Para qualquer u V, 0u = 0.
3. Se u = 0 ento = 0 ou u = 0.
4. Para quaisquer IR, e u V, (-)u = (-u) = -( u).
5. Para qualquer u V, -(-u) = u.
6. Se u + w = v + w ento u = v.
7. Se u, v V ento existe um nico w V tal que u + w = v.

Prova:
1. Temos 0 = (0 + 0) = 0 + 0 pelas propriedades EV5 e EV9. Utilizando as propriedades
EV4 a EV6 e a notao da observao 3.1.2., obtemos
0 = 0 +(-( 0)) = ( 0+ 0)+(-( 0)) = 0+( 0+(-( 0))) = 0+0 = 0,
isto 0 = 0.
2. Temos 0u = (0 + 0)u = 0u + 0u, pela propriedade EV8. Utilizando as propriedades EV3 a EV6
e a notao da observao 3.1.2, obtemos
0 = 0u + (-(0u)) = (0u + 0u) + (-(0u)) = 0u + (0u + (-(0u)) = 0u + 0 = 0u,
isto , 0u = 0.
3. Se 0 ento pelas propriedades EV10 e EV7 e pelo item 1 desta proposio,
u = 1u = (
-1
)u =
-1
( u) =
-1
0 = 0.
4. Utilizando a propriedade EV8 e o item 2 desta proposio, obtemos
u+(- )u = ( + (-))u = 0u = 0.
Pela observao 3.1.2, -(u) = (-)u. Analogamente, utilizando-se a propriedade EV9,
mostra-se que -(u) = (-u).

A prova dos outros resultados deixada como exerccio.


- 40 -
Exerccios: Verifique se o conjunto V munido das operaes indicadas um espao vectorial
real.
a) V=
)
`

IR b a
a b
b a
, : , com a adio de matrizes e a multiplicao de uma matriz
por um escalar usuais.
b) V={(x,y) IR
2
: 3x 2y = 0};operaes usuais em IR
2
.
c) V=IR
2
; (x
1
, y
1
) + (x
2
, y
2
) = (2x
1
- 2y
1
, y
1
- x
1
); (x
1
, y
1
) = (3x
1
, -x
1
).
d) V={(x,y,z,w) IR
4
: y = x, z = w
2
};operaes usuais em IR
4
.


3.2. Subespaos vectoriais

Definio 3.2.1.: Seja W um subconjunto no vazio de V. W diz-se um subespao vectorial
de V se W espao vectorial quando consideradas as mesmas operaes
que em V.

Observao 3.2.1: Obviamente {0} e V so subespaos vectoriais do espao vectorial V. So
chamados de subespaos vectoriais triviais. Todos os outros subespaos de V so
designados de subespaos prprios.

Observao 3.2.2 Note que em todo subespao vectorial W de um espao vectorial V as
propriedades comutativa, associativa, distributivas e EV10 so herdadas do prprio espao
vectorial V.

Teorema 3.2.1: Seja V um espao vectorial. W V um subespao vectorial de V se e s se
forem satisfeitas as seguintes condies:
SV1 0 W;
SV2 Se u, v W ento u + v W;
SV3 Se u W ento u W para todo IR.

Prova: Se W subespao de V ento satisfaz os axiomas da definio de espao vectorial e,
portanto, satisfaz SV1, SV2 e SV3.
Suponhamos agora que W um subconjunto de V que satisfaz SV1, SV2 e SV3 e
prove-se que ento W um subespao vectorial de V. J vimos que EV3, EV4, EV7,
EV8, EV9 e EV10 so herdadas do prprio espao vectorial V. As condies SV2 e
SV3 correspondem, respectivamente, a EV1 e EV2. Assim para mostrar que W
subespao vectorial de V resta-nos provar EV5 e EV6. O elemento neutro da adio
um elemento de W pois, por SV3, 0u=0 W. Finalmente, se u W ento -u = (-1)u
W por SV3.
- 41 -

Exemplo 3.2.1 Verifiquemos que S = {(x, y, z) IR
3
; x + y + z = 0} um subespao vectorial
de IR
3
.
1. claro que (0, 0, 0) satisfaz 0 + 0 + 0 = 0. Logo (0, 0, 0) S
2. Se (x, y, z), (u, v,w) S ento
(x + u) + (y + v) + (z + w) = (x + y + z) + (u + v + w) = 0
e, portanto, (x, y, z) + (u, v,w) S.
3. se (x, y, z) S ento x + y + z = (x + y + z) = 0 para
qualquer R. Assim, (x, y, z) S.
Na figura est representado o subespao S de IR
3
. A condio x + y + z = 0 representa um
plano no espao.

Exemplo 3.2.2: O conjunto de todas as matrizes reais triangulares inferiores de ordem 3 um
subespao do espao vectorial das matrizes reais quadradas de ordem 3,
considerando as operaes usuais. De facto, a soma de duas matrizes
triangulares inferiores de ordem 3 ainda uma matriz triangular inferior de
ordem 3 e o produto de um qualquer escalar por uma matriz triangular inferior
de ordem 3 uma matriz triangular inferior de ordem 3.

Exemplo 3.2.3: Dada uma matriz A do tipo mxn de elementos reais, o conjunto das solues
do sistema Au=0 um subespao de IR
n
, que se designa ncleo ou espao
nulo da matriz A. Para provar tal afirmao basta notar que se Au
1
=0 e Au
2
=0,
ento:
A(u
1
+ u
2
) = Au
1
+ Au
2
= 0 + 0 = 0
A(u
1
) = (Au
1
) = 0 = 0.


Exerccios: Verifique se o subconjunto S de V um subespao vectorial de V
a) V= M
2
(IR); S =

IR b a
a b
b a
, : .
b) V = IR
4
; S = {(x,x,y,y): x,y IR};
c) V = M
n
(IR); S = {A M
n
(IR) : A=A
T
}.


3.3. Combinao linear. Espaos gerados.

Definio 3.3.1.: Sejam u
1
, ..., u
n
elementos de um espao vectorial V. Dizemos que u
combinao linear de u
1
, ..., u
n
se existirem nmeros reais
1
, ...,
n
tais que
u =
1
u
1
+ ... +
n
u
n

- 42 -

Exemplo 3.3.1.: Em IR
3
, (1,1,2) no combinao linear dos vectores (1,0,2) e (0,-1,1) pois
no existem escalares
1
e
2
tais que (1,1,2) =
1
(1,0,2) +
2
(0,-1,1). De
facto
(1,1,2) =
1
(1,0,2) +
2
(0,-1,1) (1,1,2) = (
1
,0,2
1
) + (0,-
2
,
2
)
(1,1,2) = (
1
, -
2
,2
1
+
2
)

= +
=
=
2
2 1
2
1
2
1
1

=
=
=
2 1
1
2
1
1

sistema impossvel.

Exemplo 3.3.2.: Em IR
2
[x], o polinmio p(x) = 2 + x
2
uma combinao linear dos polinmios
p
1
(x) = 1, p
2
(x) = x e p
3
(x) = x
2
.
Basta ver que p(x) = 2p
1
(x) + 0p
2
(x) + p
3
(x).

Exemplo 3.3.3.: Verifique que em IR
2
[x], o polinmio p(x) = 1 + x
2
uma combinao linear
dos polinmios q
1
(x) = 1, q
2
(x) = 1 + x e q
3
(x) = 1 + x + x
2
.
Precisamos encontrar nmeros reais , e tais que p(x) = q
1
(x)+ q
2
(x)+
q
3
(x). Ou seja, precisamos encontrar , e satisfazendo
1 + x
2
= + (1 + x) + (1 + x + x
2
) = + + + ( + ) x + x
2
,
o que equivalente ao sistema

=
=
=

=
= +
= + +
1
1
1
1
0
1

Definio 3.3.2. Sejam V um espao vectorial e S um subconjunto no vazio de V. Usaremos o
smbolo <S> para denotar o conjunto de todas as combinaes lineares
dos elementos de S. Por outras palavras, u <S> se existirem
1
,...,
n
IR
e u
1
,..., u
n
S tais que
u =
1
u
1
+ +
n
u
n
.

Proposio 3.3.1: Sejam V um espao vectorial e S um subconjunto no vazio de V. Ento
<S> um subespao vectorial de V.

Prova:
1. Como S ; existe u S. Logo, 0 = 0u <S>.
2. Se u, v <S> ento existem
1
,...,
n
,
1
,...,
m
IR e u
1
,..., u
n
, v
1
,...,v
m
S tais que
u =
1
u
1
+ ... +
n
u
n
e v =
1
v
1
+ ... +
m
v
m
.
Assim, temos
u + v =
1
u
1
+ ... +
n
u
n
+
1
v
1
+ ... +
m
v
m
- 43 -
Ento conclumos que u + v <S> pois combinao linear de elementos de S.
3. Por outro lado, para todo R,
u = (
1
u
1
+ ... +
n
u
n
) = (
1
)u
1
+ ... + (
n
)u
n

Portanto u <S>

Definio 3.3.3.: <S> designa-se por subespao gerado por S. Os elementos de S so
chamados de geradores de <S>.
Se S = {u
1
,..., u
n
} tambm usaremos a notao <S> = <u
1
,..., u
n
>.

Definio 3.3.4.: Dizemos que um espao vectorial V finitamente gerado se existir um
subconjunto finito S V tal que V = <S>.

Exemplo 3.3.4.:So espaos vectoriais finitamente gerados:
1. IR
n
[x] = <1, x, , x
n
>;
2. R
n
gerado por e
1
= (1,0,...,0), e
2
= (0,1,0,...,0), ..., e
n
= (0,...,0,1);

Exemplo 3.3.5.: Seja V um espao vectorial gerado por u
1
,..., u
n
. Mostre-se que se u
1
uma
combinao linear de u
2
,..., u
n
ento V gerado por u
2
, . . . , u
n
.
Devemos mostrar que qualquer u V se escreve como uma combinao linear
de u
2
,..., u
n
. Como V gerado por u
1
,..., u
n
, sabemos que existem
1
,...,
n

IR tais que
u =
1
u
1
+ ... +
n
u
n,
e existem tambm
1
, . . . ,
n-1
satisfazendo
u
1
=
1
u
2
+ ... +
n-1
u
n
.
Combinando estas informaes, obtemos
u =
1
(
1
u
2
+ ... +
n-1
u
n
) +
2
u
2
+ ... +
n
u
n
= (
1

1
+
2
)u
2
+...+ (
1

n-1
+
n
)u
n

Conclumos assim que u <u
2
,...,u
n
>.

Exemplo 3.3.6.: Sejam
U = {(x, y, z, t) IR
4
; x - y + t + z = 0} e V = {(x, y, z, t) IR
4
; x + y t + z = 0}.
Vamos identificar um conjunto de geradores para os subespaos vectoriais U e V.
1. Se (x, y, z, t) U ento y = x + z + t e, portanto,
(x, y, z, t) = (x, x + z + t, z, t) = x(1, 1, 0, 0) + z(0, 1, 1, 0) + t(0, 1, 0, 1),
isto ,
U = <(1, 1, 0, 0), (0, 1, 1, 0), (0, 1, 0, 1)>.
2. Se (x, y, z, t) V ento t = x + y + z e, portanto,
(x, y, z, t) = (x, y, z, x + y + z) = x(1, 0, 0, 1) + y(0, 1, 0, 1) + z(0, 0, 1, 1),
isto ,
V = <(1, 0, 0, 1), (0, 1, 0, 1), (0, 0, 1, 1)>.

- 44 -

Exerccios:
1. Para cada um dos subconjuntos S V , onde V o espao vectorial indicado, encontrar o
subespao gerado por S, isto , <S>.
a) S = {(1, 0), (2,-1)} , V = IR
2
.
b) S = {(1, 1, 1), (2, 2, 0)} , V = IR
3
.
c) S = {1, t, t
2
, 1 + t
3
} , V = IR
3
[x].
d) S =

0 1
0 0
,
0 0
1 0
, V = M
2
(IR).
2. Encontre um subconjunto S, finito, que gere o subespao vectorial W do espao vectorial V:
a) W = {(x,y,z) IR
3
: x - 2y = 0};
b) W = {p(x) IR
3
[x]: p(t) = 0} ;
c) W = {A M
2
(IR): A
T
=A};


3.4. Dependncia e independncia linear

Definio 3.4.1.: Dizemos que os vectores u
1
, ..., u
n
de um espao vectorial V so linearmente
independentes (l.i., abreviadamente) se a combinao linear

1
u
1
+ +
n
u
n
= 0
s for satisfeita quando
1
= ... =
n
= 0.

Observao 3.4.1.: A noo de independncia linear dos vectores u
1
, ..., u
n
equivale a dizer
que se
i
0 para algum i {1, . . . , n} ento
1
u
1
+ +
n
u
n
0.

Definio 3.4.2.: Dizemos que os vectores u
1
, ..., u
n
de um espao vectorial V so linearmente
dependentes (l.d., abreviadamente) se no forem linearmente independentes,
isto , se for possvel encontrar nmeros reais
1
, ...,
n
no todos nulos tais
que
1
u
1
+ +
n
u
n
= 0.

Exemplo 3.4.1.: 0, u
1
, ..., u
n
V so vectores l.d., onde 0 o elemento neutro do espao
vectorial V. Basta verificar que 1O + 0u
1
+ + 0u
n
= O.

Exemplo 3.4.2.: Vejamos se os vectores (1, 1, 1), (1, 1, 0), (1, 0, 0) de IR
3
so linearmente
independente ou dependentes.
necessrio verificar quais as solues de

1
(1, 1, 1) +
2
(1, 1, 0) +
3
(1, 0, 0) = (0, 0, 0).
Isto equivale a resolver o sistema
- 45 -

=
=
=

=
= +
= + +
0
1
0
2
0
3
0
1
0
2 1
0
3 2 1

.
Como a nica soluo
1
=
2
=
3
= 0, conclumos que os vectores so l.i..

Proposio 3.4.1.: Os vectores u
1
, ..., u
n
do espao vectorial V so l.d. se e s se pelo menos
um destes vectores se escreve como combinao linear dos outros.

Prova: Suponhamos que u
1
, ..., u
n
so vectores l.d. de V e mostre-se que pelo menos um
destes vectores se escreve como combinao linear dos outros, isto , que existem
nmeros reais
1
, ...,
n-1
tais que:
u
j
=
1
u
1
+ ... +
j-1
u
j-1
+
j
u
j+1
+ ... +
n-1
u
n
.
Como u
1
, ..., u
n
so l.d. existem nmeros reais
1
, ...,
n
no todos nulos tais que

1
u
1
+ ... +
n
u
n
= 0.
Deste modo, existe j {1, ..., n} tal que
j
0 e, portanto,
n
j
n
j
j
j
j
j
j
j
j
u u u u u

1
1 1
1
1
1
... ...

+

= .
Suponhamos agora que pelo menos um dos vectores, por exemplo u
j
, se pode
escrever como combinao dos restantes e prove-se que os vectores so l.d.
Se u
j
se pode escrever como combinao dos restantes ento existem nmeros reais

1
,...,
n-1
tais que:
u
j
=
1
u
1
+ ... +
j-1
u
j-1
+
j
u
j+1
+ ... +
n-1
u
n
.

Ou seja, existem nmeros reais
1
, ...,
n-1
tais que:

1
u
1
+ ... +
j-1
u
j-1
-u
j
+
j
u
j+1
+ ... +
n-1
u
n
= 0
Como na combinao linear anterior os nmeros reais no so todos nulos conclumos
que os vectores u
1
, ..., u
n
so l.d.

Exemplo 3.4.3.: As colunas da matriz
(
(
(

1 6 0 3
0 4 0 2
0 2 2 1
so l.d. visto que C
3
= -2C
1
.

No exemplo seguinte estabeleceremos uma relao entre os conceitos introduzidos, a
resoluo de sistemas de equaes lineares e o clculo de determinantes, que enunciaremos
posteriormente na forma de proposio.

Exemplo 3.4.4.: Considere os vectores em IR
3
dados por
u
1
= (x
1
, y
1
, z
1
), u
2
= (x
2
, y
2
, z
2
) e u
3
= (x
3
, y
3
, z
3
).
Os vectores u
1
, u
2
, u
3
sero l.i. se e somente se
1
u
1
+
2
u
2
+
3
u
3
= 0
apresentar como nica soluo
1
=
2
=
3
= 0. Isto equivalente a que o
sistema
- 46 -

= + +
= + +
= + +
0
3 3 2 2 1 1
0
3 3 2 2 1 1
0
3 3 2 2 1 1
z z z
y y y
x x x




possua soluo nica e, portanto, equivale a que a matriz
A =
(
(
(

3 2 1
3 2 1
3 2 1
z z z
y y y
x x x

tenha determinante diferente de zero. Note que as colunas desta matriz so
formadas pelos coeficientes de u
1
, u
2
e u
3
. O mesmo resultado vale se
colocarmos os coeficientes dos vectores u
1
, u
2
e u
3
como linhas.

Proposio 3.4.2.: Os vectores u
1
, ..., u
n
do espao vectorial IR
n
so l.i. se e s se a matriz A,
cujas colunas so formadas pelos coeficientes de u
1
, ..., u
n
, tem
determinante no nulo.

Proposio 3.4.3. Sejam u
1
, ..., u
n
vectores l.i. de um espao vectorial V. Ento cada vector
v<u
1
, ..., u
n
> escreve-se de forma nica como v =
1
u
1
+ ... +
n
u
n
.

Prova: Basta mostrar que se
1
u
1
+ ... +
n
u
n
=
1
u
1
+ ... +
n
u
n
ento
j
=
j
, para j = 1, ..., n.
Temos (
1
-
1
)u
1
+ ... + (
n
-
n
)u
n
= 0 e como u
1
, ..., u
n
so l.i. ento
j
-
j
= 0, isto

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

Exerccios
Verifique, se os vectores do subconjunto S do espao vectorial V so l.i. ou l.d.
1. S = {(1, 2), (-3, 1)} , V = IR
2
.
2. S = {1 + t - t
2
, 2 + 5t - 9t
2
}, V = IR
2
[x].
3. S =

0 1
0 2
,
0 0
1 1
, V= M
2
(IR).
4. S = {(1, 2, 2, -3), (-1, 4, -2, 0)} , V = IR
4
.


3.5. Base e dimenso de um espao vectorial

Definio 3.5.1.: Um subconjunto B de um espao vectorial V diz-se uma base de V se os
vectores de B so linearmente independentes e se S gera V.

Exemplo 3.5.1.: Os vectores de B = {(1, 0, 0), (0, 1, 0), (0, 0, 1)} formam uma base de IR
3
.
Facilmente se v que os vectores de B so l.i. e que qualquer (x, y, z) IR
3

se escreve como
(x, y, z) = x(1, 0, 0) + y(0, 1, 0) + z(0, 0, 1).
- 47 -

Exemplo 3.5.2.: Os vectores e
1
, ..., e
n
IR
n
onde
e
1
= (1, 0, ..., 0), e
2
= (0, 1, 0, ..., 0), ..., e
n
= (0, ..., 0, 1)
formam uma base de IR
n
.

Exemplo 3.5.3.: Vejamos que os vectores (1, 1) e (1,-1) formam uma base de IR
2
.
preciso mostrar que estes vectores so l.i. e que todo ponto de IR
2
se
escreve como combinao linear de (1, 1) e (1,-1). No entanto, se
mostrarmos que todo ponto de IR
2
se escreve de maneira nica como
combinao linear de (1, 1) e (1,-1) estamos a mostrar as duas propriedades
ao mesmo tempo. (Porqu?)
Seja (x, y) IR
2
. O nosso problema consiste em mostrar que existe um nico
IR e um nico IR que satisfazem
(x, y) = (1, 1) + (1,-1) = (+, - ).
Esta ltima condio equivalente ao seguinte sistema linear

=
= +
y
x



Resolvendo o sistema obtemos uma nica soluo dada por

=
+
=
2
2
y x
y x

.

Qualquer espao vectorial V {0} finitamente gerado admite diferentes bases; no entanto,
todas elas tm o mesmo nmero de elementos como se estabelece no teorema seguinte.

Teorema 3.5.1: Todas as bases de um espao vectorial V {0} finitamente gerado tm o
mesmo nmero de elementos.

Prova: Sejam B
1
= {u
1
, ..., u
n
} e B
2
= {v
1
, ..., v
m
} bases de um espao vectorial finitamente
gerado V. Suponhamos que n > m e mostremos que isto implicaria que u
1
, ..., u
n
so
l.d., o que contraria o facto de formarem uma base.
Como os vectores v
1
, ..., v
m
geram V podemos escrever, para cada j = 1, ...,n,
u
j
=
1j
v
1
+ ... +
mj
v
m
=

=
m
i
i ij
v
1
.
Assim, a combinao linear nula x
1
u
1
+ ... + x
n
u
n
= 0 equivalente a
x
1
|
|
.
|

\
|

=
m
i
i i
v
1
1
+ ... + x
n
|
|
.
|

\
|

=
m
i
i in
v
1
= 0
ou ainda
1
1
1
v x
n
j
j j
|
|
.
|

\
|

=
+ ... +
m
n
j
mj j
v x
|
|
.
|

\
|

=1
= 0
- 48 -
Como v
1
, ..., v
m
so l.i. ento

=
n
j
ij j
x
1
= 0, para todo i = 1,..., n. Estas m equaes
representam um sistema linear homogneo com n incgnitas. Como n > m, existe uma
soluo no trivial, isto , uma soluo x
1
, ..., x
n
onde pelo menos um x
j
diferente de
zero. Assim, u
1
, ..., u
n
so l.d., o que contraria as hipteses.
Definio 3.5.2.: Seja V um espao vectorial finitamente gerado. Se V {0} definimos
dimenso de V como sendo o nmero de elementos de uma qualquer base
de V. Usaremos a notao dimV para representar a dimenso de V.
Se V = {0} definimos dimenso de V como sendo 0.

Exemplo 3.5.4.: dimR
n
= n.

Exemplo 3.5.5.: dimIR
n
[x] = n + 1. Basta notar que os polinmios 1, x, ..., x
n
formam uma base
de IR
n
[x].

Exemplo 3.5.6: dimM
mn
(IR) = mxn.

Exemplo 3.5.7.: Vamos determinar uma base de IR
3
que contenha o vector (1, 1,-1).
Como a dimenso de IR
3
trs, precisamos de encontrar dois vectores,
(a, b, c), (x, y, z), que juntamente com (1, 1,-1) sejam l.i.. Mas, pela proposio
3.4.2, sabemos que tais vectores so l.i. se o determinante da matriz
A=
(
(
(

z c
y b
x a
1
1
1

for diferente de zero.
Ora,
det(A) 0 x(b+c)-y(a+c)+z(b-a) 0.
H uma infinidade de possibilidades para que isto acontea.
Por exemplo, tomando (a, b, c) = (0, 1, 1) e (x, y, z) = (0, 0, 1), temos que
B = { (1, 1,-1), (0, 1, 1), (0, 0, 1)}
uma base de IR
3
.

Sejam V um espao vectorial finitamente gerado e B uma base de V formada pelos vectores u
1
,
..., u
n
. Como B uma base de V, todo o elemento u V se escreve como
u =
1
u
1
+ ... +
n
u
n
, com os coeficientes
1
, ...,
n
IR.
Pela proposio 3.4.3., os coeficientes
1
, ...,
n
so unicamente determinados pelo vector u.
Estes coeficientes so designados coordenas de u relativamente base B.

- 49 -
Representaremos as coordenadas de u em relao base por u
B
=
B
n
(
(
(

M
1

ou simplesmente por
(
(
(

M
1
, quando B estiver subentendida.



Exemplo 3.5.8: Mostre-se que os vectores (1, 1, 1), (0, 1, 1) e (0, 0, 1) formam uma base de
IR
3
e determine-se as coordenadas de (1, 2, 0) IR
3
em relao base B
formada pelos vectores referidos.
J sabemos que dimIR
3
= 3. Para verificar se os vectores formam uma base de
V, basta verificar se so l.i.. Como
det
|
|
|
.
|

\
|
(
(
(

1 1 1
0 1 1
0 0 1
=1
conclumos que os vectores so l.i..
Agora,
(1, 2, 0) = (1, 1, 1) + (0, 1, 1) + (0, 0, 1) = (, + , + + )
equivalente ao sistema

=
=
=

= + +
= +
=
2
1
1
0
2
1

Ento as coordenadas de (1, 2, 0) relativamente base B so dadas por
B
(
(
(

2
1
1
.

Exemplo 3.5.9.: Mostre que os polinmios 1, x, x
2
- x formam uma base, B, de IR
2
[x] e
encontre as coordenadas de 1 + x + x
2
em relao base B. Encontre tambm
as coordenadas deste mesmo polinmio em relao base C formada pelos
polinmios 1, x e x
2
.
Para verificar que 1, x, x
2
- x formam uma base de IR
2
[x] basta mostrar que
cada p(x) = a
0
+ a
1
x + a
2
x
2
IR
2
[x] se escreve de maneira nica como
combinao linear de 1, x e x
2
- x. Isto equivalente a mostrar que a equao
p(x) = .1 + .x + .(x
2
- x) possui uma nica soluo (,,) IR
3
.
Desenvolvendo a equao anterior obtemos:
a
0
+ a
1
x + a
2
x
2
= + ( - )x + x
2
,
que equivalente ao sistema
- 50 -

=
=
=
2
1
0
a
a
a

.
Que tem soluo nica:

=
+ =
=
2
2 1
0
a
a a
a

.
Ento, as coordenadas de 1 + x + x
2
em relao base B so dadas por
B
(
(
(

1
2
1
.
Relativamente base C formada por 1, x e x
2
as coordenadas de 1 + x + x
2
so
dadas por
C
(
(
(

1
1
1
.

Exerccios
1.Verifique se os elementos de B = {1 + x, 1 - x, 1 - x
2
} formam uma base de IR
2
[x].
2. Mostre que a dimenso do espao das matrizes quadradas simtricas de ordem n
n(n+1)/2.

3. Verifique se o subconjunto B do espao vectorial V uma base de V.
a) B = {1, 1 + t, 1 - t
2
, 1 - t - t
2
- t
3
}, V = IR
3
[x].
b) B =

,
2 0
0 0
,
0 1
1 0
,
0 0
1 2
,
0 0
1 1
, V= M
2
(IR).
c) B = {(1, 1, 1, 1), (1, 1, 1, 0), (1, 1, 0, 0), (1, 0, 0, 0)}, V = IR
4
.

4. Encontre uma base e a dimenso do subespao W do espao vectorial V.
a) W = {(x, y, z, t) IR
4
: x - y = 0 x + 2y + t = 0}, V = IR
4
.
b) W = {X M2(IR);AX = X} , onde A =
(

1 0
2 1
, V = M
2
(IR).

5. Determine as coordenadas do vector u = (-1, 8, 5) IR
3
em relao a cada uma das
seguintes bases de IR
3
.
a) base cannica.
b) {(0, 0, 1), (0, 1, 1), (1, 1, 1)}.
c) {(1, 2, 1), (0, 3, 2), (1, 1, 4)}

6. Determine as coordenadas de p(t) IR
3
[x], dado por p(t) = 10 + t
2
+ 2t
3
, t IR em relao
s seguintes bases de IR
3
[x].
- 51 -
a) base cannica.
b) {1, 1 + t, 1 + t + t
2
, 1 + t + t
2
+ t
3
}
c) {4 + t, 2, 2 - t
2
, t + t
3
}.



- 52 -
4. Aplicaes Lineares

Neste captulo vamos ocupar-nos do estudo de aplicaes entre espaos vectoriais que
preservam as operaes consideradas, que designaremos por aplicaes ou transformaes
lineares.
No caso de espaos vectoriais de dimenso finita o nosso estudo mostrar-nos- a
correspondncia natural entre aplicaes lineares e matrizes.


4.1. Definio, propriedades e exemplos.

Definio 4.1.1.: Sejam (E, +, .) e (F, , ) espaos vectoriais reais. Uma aplicao
F E : diz-se linear se verifica as seguintes condies:
1. ) ( ) ( ) ( y x y x + = +
2. ) ( ) ( x y =

Exemplo 4.1.1.: A aplicao ) , 2 , ( ) , ( y x y y x y x f + = , que transforma vectores de
2
IR em
vectores de
3
IR , linear. De facto, sendo
2
) , ( ), , ( IR d c b a e IR , temos
que:
1. ) , ( )) , ( ) , (( d b c a f d c b a f + + = +
) ), ( 2 , ( d b c a d b d b c a + + + + + =
) , 2 2 , ( d b c a d b d b c a + + + + + =
) , 2 , ( ) , 2 , ( ) , ( ) , ( d c d d c b a b b a d c f b a f + + + = +
) , 2 2 , ( d c b a d b d c b a + + + + + =
Logo ) , ( ) , ( )) , ( ) , (( d c f b a f d c b a f + = + ,
2
) , ( ), , ( IR d c b a .
2. ) , 2 , ( ) , ( )) , ( ( b a b b a b a f b a f + = =
)) ( , 2 ), ( ( b a b b a + =
) , ( ) , 2 , ( b a f b a b b a = + =
Ento ) , ( )) , ( ( b a f b a f = ,
2
) , ( IR b a , IR

Exemplo 4.1.2.: A aplicao ) 1 , ( ) , ( y x y x f + = , de
2
IR em
2
IR , no linear. Consideremos
2
) , ( ), , ( IR d c b a e vejamos que a aplicao no preserva a soma:
) , ( )) , ( ) , (( d b c a f d c b a f + + = + ) 1 , ( d b c a + + + =
mas
) 1 , ( ) 1 , ( ) , ( ) , ( d c b a d c f b a f + + + = + ) 2 , ( d c b a + + + =
, E y x , , IR
- 53 -
Logo ) , ( ) , ( )) , ( ) , (( d c f b a f d c b a f + + e, consequentemente, a aplicao no
linear.

Teorema 4.1.1.: Sejam E e F dois espaos vectoriais reais e F E : uma aplicao linear.
Ento:
a)
F E
0 ) 0 ( =
b) ) ( ) ( x x = ;
c)

= =
=
n
i
i i
n
i
i i
x x
1 1
) ( ) ( ;
d) Se
n
x x x ,..., ,
2 1
so vectores de E linearmente dependentes ento
) ( ),..., ( ), (
2 1 n
x x x so vectores de F linearmente dependentes.

Prova:
a) Sendo E um espao vectorial e
E
0 o seu elemento neutro para a adio, temos que
E E E
0 0 0 = + . Logo ) 0 ( ) 0 0 (
E E E
= + e, como uma aplicao linear, ento
) 0 ( ) 0 ( ) 0 (
E E E
= +
Adicionando a ambos os membros o simtrico de ) 0 (
E
, obtm-se:
)) 0 ( ( ) 0 ( )) 0 ( ( ) 0 ( ) 0 (
E E E E E
+ = + +
F F E
0 0 ) 0 ( = +
F E
0 ) 0 ( = .
b) Sendo E x , como E espao vectorial existe E x tal que
E
x x 0 ) ( = + . Ento:
F E
x x x x 0 ) ( ) ( ) 0 ( )) ( ( = + = + .
Da mesma forma, como F espao vectorial, todos os seus elementos admitem simtrico.
Seja ) (x o simtrico de ) (x em F. Adicionando ) (x em ambos os membros da
igualdade anterior obtm-se:
) ( ) ( ) ( ) ( 0 0 ) ( ) ( ) ( ) ( x x x x x x x x
F F
= = + + = + + .
c) Este resultado uma consequncia imediata da definio de aplicao linear:
) ... ( ) (
2 2 1 1
1
n n
n
i
i i
x x x x + + + =

=

) ( ... ) ( ) (
2 2 1 1 n n
x x x + + + =
) ( ... ) ( ) (
2 2 1 1 n n
x x x + + + =

=
=
n
i
i i
x
1
) ( .
d) Se
n
x x x ,..., ,
2 1
so vectores de E linearmente dependentes ento existem escalares
IR
n
,..., ,
2 1
no todos nulos tais que
E n n
x x x 0 ...
2 2 1 1
= + + + .
- 54 -
Ento,
= + + + ) 0 ( ) ... (
2 2 1 1 E n n
x x x
F n n
x x x 0 ) ( ... ) ( ) (
2 2 1 1
= + + +
Como os escalares IR
n
,..., ,
2 1
no so todos nulos conclumos que
) ( ),..., ( ), (
2 1 n
x x x so vectores de F linearmente dependentes.

Nota: A alnea d) do Teorema anterior diz que uma aplicao linear preserva a dependncia
linear. No entanto, o mesmo no se pode afirmar relativamente independncia linear.

Exemplo 4.1.3.: Seja
2 2
: IR IR uma aplicao linear definida por ) 2 , ( ) , ( x x y x = e
{ } ) 3 , 1 ( ), 2 , 1 ( = B uma base de
2
IR . Ora, )} 2 , 1 ( ), 2 , 1 {( ) ( = B no uma
base de
2
IR porque os seus vectores no so linearmente independentes:
2 1 2 1
0 ) 2 , 1 ( ) 2 , 1 ( = = + .


4.2. Imagem e Ncleo de uma Aplicao Linear.

Definio 4.2.1.: Sejam E e F dois espaos vectoriais reais e F E : uma aplicao linear.
Chama-se:
Imagem ou contradomnio de ao conjunto:
{ } E x x y F y E = = ), ( : ) ( .
Ncleo ou espao-nulo de ao conjunto dos vectores de E que tm
por imagem o elemento neutro da adio definida em F:
{ }
F
x E x Nuc 0 ) ( : ) ( = = .

Teorema 4.2.1.: Seja F E : uma aplicao linear.
a) Se E subespao vectorial de E ento ) ' (E subespao vectorial de
F. Mais, se > =< X E' , ento > =< ) ( ) ' ( X E
b) Se F subespao vectorial de F ento ) ' (
1
F

subespao vectorial
de E.

Prova: exerccio.

Nota: Neste contexto a notao
1
no pretende referir-se inversa da aplicao , mas sim
a subconjuntos de E. Assim, ) (
1
y

representa o conjunto de vectores de E cuja imagem por

y e ) ' (
1
F

representa o conjunto de vectores de E cuja imagem por pertence a F.

- 55 -
Teorema 4.2.2.: Se F E : uma aplicao linear ento o ncleo de subespao
vectorial de E e o contradomnio de subespao vectorial de F.

Prova: consequncia imediata do teorema 4.2.1.

Exemplo 4.2.1.: Seja
3 2
: IR IR g uma aplicao linear tal que
) , , 2 ( ) , ( y x y x y x y x g + + = .
A imagem ou contradomnio de g o seguinte subespao de
3
IR :
> >=< =< > < = ) 1 , 1 , 2 ( ), 1 , 1 , 1 ( ) 1 , 0 ( ), 0 , 1 ( ) ) 1 , 0 ( ), 0 , 1 ( ( )
2
( g g g IR g
{ } IR z y x IR z y x + = =
2 1 2 1
3
, ), 1 , 1 , 2 ( ) 1 , 1 , 1 ( ) , , ( : ) , , ( .
Ora,

=
+ =
=

+ =
=
+ =
+ =
) (
2
1
2
2 1
2
1
2
3
2 1
2 1
2
2
1
) 1 , 1 , 2 (
2
) 1 , 1 , 1 (
1
) , , (
y z
y
y z x
z
y
x
z y x

Portanto = ) (
2
IR g
)
`

= IR z y y z x IR z y x , ,
2
1
2
3
: ) , , (
3
.
O ncleo de g o subespao de
2
IR formado pelos vectores cuja imagem por
g o elemento neutro da adio em
3
IR :
{ } ) 0 , 0 , 0 ( ) , ( : ) , ( ) (
2
= = y x g IR y x g Nuc
{ } ) 0 , 0 , 0 ( ) , , 2 ( : ) , (
2
= + + = y x y x y x IR y x
Ora,
) 0 , 0 , 0 ( ) , , 2 ( = + + y x y x y x

=
=

= +
=
= +

0
0
0
0
0 2
y
x
y x
y x
y x

Ento { } ) 0 , 0 ( ) ( = g Nuc .

Teorema 4.2.3.: Uma aplicao linear F E : injectiva se e s se } 0 { ) (
E
Nuc = .

Prova: Considere-se uma aplicao linear F E : injectiva. Se ) ( Nuc x ento
F
x 0 ) ( = .
Como linear sabemos que
F E
0 ) 0 ( = . Assim
F E
x 0 ) ( ) 0 ( = = , mas sendo
uma aplicao injectiva conclui-se que
E
x 0 = . Portanto } 0 { ) (
E
Nuc = .
Suponhamos agora que } 0 { ) (
E
Nuc = e prove-se que F E : injectiva.
Sejam E y x , tais que ) ( ) ( y x = . Ora,
) ( 0 ) ( 0 ) ( ) ( ) ( ) ( Nuc y x y x y x y x
F F
= = = .
Como } 0 { ) (
E
Nuc = ento
E
y x 0 = , ou seja y x = . Portanto uma aplicao
injectiva.
- 56 -

Exerccio: Considere a aplicao linear
2 3
: IR IR h definida por
) , ( ) , , ( z y x z y x z y x h + + = .
Determine o seu ncleo.


4.3. Matriz de uma Aplicao Linear.

Considere-se uma aplicao linear F E : , uma base { }
n
e e e B ,... ,
2 1
= de E e uma base
{ }
m
v v v V ,..., ,
2 1
= de F.
Sendo E x , existem escalares IR
n
,..., ,
2 1
no todos nulos tais que
n n
e e e x + + + = ...
2 2 1 1
.
A imagem de x por dada por:
) ( ... ) ( ) ( ) (
2 2 1 1 n n
e e e x + + + = .
Em notao matricial fica:
| |
(
(
(
(

=
n
n
e e e x

M
2
1
2 1
) ( ... ) ( ) ( ) ( .
Assim, conhecendo ) ( ),..., ( ), (
2 1 n
e e e pode-se calcular a imagem de qualquer vector de E
por . Isto significa que a aplicao linear fica bem definida pelas imagens dos elementos da
base de E, { }
n
e e e B ,... ,
2 1
= .
Ora, como F e e e
n
) ( ),..., ( ), (
2 1
e { }
m
v v v V ,..., ,
2 1
= uma base de F pode escrever-se:
m m
v a v a v a e
1 2 21 1 11 1
... ) ( + + + =
m m
v a v a v a e
2 2 22 1 12 2
... ) ( + + + =

m mn n n n
v a v a v a e + + + = ... ) (
2 2 1 1


Estas n igualdades podem ser escritas recorrendo a notao matricial da seguinte forma:
| | = ) ( ... ) ( ) (
2 1 n
e e e | |. ...
2 1 m
v v v
(
(
(
(

mn
a a a
a a a
n
a a a
m m
n
K
M O M M
K
K
2 1
2 21
1 12 11
22

Substituindo em (1) obtemos que
| |
m
v v v x ... ) (
2 1
=
(
(
(
(

(
(
(
(

n m m
n
mn
a a a
a a a
n
a a a

M
K
M O M M
K
K
2
1
2 1
2 21
1 12 11
22

(1)
- 57 -
Ento conclui-se que a matriz
Y=
(
(
(
(

(
(
(
(
(

n mn
a a a
a a a
n
a a a
m m
n

M
K
M O M M
K
K
2
1
2 1
2 21
1 12 11
22

formada pelas coordenadas de ) (x na base { }
m
v v v V ,..., ,
2 1
= de F.
Como = X
(
(
(
(

M
2
1
a matriz formada pelas coordenadas de x na base { }
n
e e e B ,... ,
2 1
= de E,
estabelece-se a seguinte relao:

Y = M.X

sendo M a matriz cuja coluna i formada pelas coordenadas de ) (
i
e na base
{ }
m
v v v V ,..., ,
2 1
= de F. Esta matriz designa-se por matriz da aplicao linear relativamente
s bases { }
n
e e e B ,... ,
2 1
= de E e { }
m
v v v V ,..., ,
2 1
= de F.

Exemplo 4.3.1.: Seja
3 2
: IR IR g uma aplicao linear tal que
) , 2 , ( ) , ( y x y x y x y x g + + = .
Vejamos qual a matriz de g relativamente:
a) s bases cannicas de
2
IR e de
3
IR .
b) s bases { } ) 1 , 1 ( ), 2 , 0 ( de
2
IR e { } ) 0 , 1 , 1 ( ), 2 , 1 , 0 ( ), 1 , 1 , 1 ( de
3
IR .

a) As colunas da matriz de g relativamente s bases cannicas de
2
IR e de
3
IR so
formadas pelas coordenadas das imagens dos elementos da base cannica de
2
IR na
base cannica de
3
IR .
Base cannica de
2
IR : { } ) 1 , 0 ( ), 0 , 1 ( = B .
Base cannica de
3
IR : { } ) 1 , 0 , 0 ( ), 0 , 1 , 0 ( ), 0 , 0 , 1 ( = V .
Ento comeamos por calcular as imagens dos vectores da base de
2
IR ; seguidamente
vamos determinar os escalares que permitem escrever cada vector obtido como
combinao linear dos vectores da base de
3
IR :
) 1 , 0 , 0 ( 1 ) 0 , 1 , 0 ( 1 ) 0 , 0 , 1 ( 1 ) 1 , 1 , 1 ( ) 0 , 1 ( + + = = g
) 1 , 0 , 0 ( 1 ) 0 , 1 , 0 ( 2 ) 0 , 0 , 1 ( 1 ) 1 , 2 , 1 ( ) 1 , 0 ( + = = g
Assim a matriz de g relativamente s bases cannicas de
2
IR e de
3
IR :
(
(
(

=
1 1
2 1
1 1
M .
- 58 -
b) Para obter a matriz de g relativamente a estas bases procedemos como em a).
No entanto, encontrar os escalares que permitem escrever um vector como combinao
linear dos elementos de uma base s imediato quando trabalhamos com a base
cannica de um espao vectorial. Neste caso isso no acontece e teremos que os
determinar:
) 0 , 1 , 1 ( ) 2 , 1 , 0 ( ) 1 , 1 , 1 ( ) 2 , 4 , 2 ( ) 2 , 0 (
3 2 1
+ + = = g

=
= + + +
=

=
=

= +
= +
= +

1
2
1
2
1 1
2
1
1
1 3
1
2
1
2
1 3
2 1
3 2 1
3 1
1
4 2 1
2
1
______
2
2 2
4
2

=
=
=

3
10
2
3
14
1
3
8
3

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

=
=
=

=
= +
=

=
=

= +
= +
= +

3
5
2
3
10
1
3
4
3
1
2
1
2
1 1
2
1
1
1 3
1
2
1
2
1 3
2 1
3 2 1
3 1
3 2
2
______
2
0 2
3
2

Assim temos que a matriz de g relativamente s bases { } ) 1 , 1 ( ), 2 , 0 ( de
2
IR e
{ } ) 0 , 1 , 1 ( ), 2 , 1 , 0 ( ), 1 , 1 , 1 ( de
3
IR :
(
(
(

=
3
4
3
8
3
5
3
10
3
10
3
14
M

Exemplo 4.3.2.:
a) Sendo
(
(
(

=
1 1
2 1
1 1
M a matriz da aplicao linear
3 2
: IR IR g relativamente s bases
cannicas de
2
IR e de
3
IR , vamos determinar a imagem do vector ) 3 , 2 ( = v (cujas
coordenadas so dadas na base cannica de
2
IR ).
Utilizando a relao Y=MX, consideramos:

(

=
3
2
X
(
(
(

=
1 1
2 1
1 1
M
e calculamos Y:
(
(
(

=
1 1
2 1
1 1
Y
(

3
2
=
(
(
(

=
1
8
5
.

matriz formada pelas coordenadas do vector v na base
cannica de
2
IR : v = (2,3) = 2(1,0)+3(0,1)
- 59 -
Ora Y a matriz formada pelas coordenadas de g(v) na base cannica de
3
IR . Ento:
g (v) = 5(1,0,0)+8(0,1,0)-1(0,0,1) = (5,8,-1)

b) Sendo
(
(
(

=
2 1
6 3
3 0
M a matriz da aplicao linear
3 2
: IR IR g relativamente s
bases { } ) 2 , 1 ( ), 1 , 1 ( de
2
IR e { } ) 0 , 0 , 1 ( ), 0 , 1 , 1 ( ), 1 , 1 , 1 ( de
3
IR vamos determinar a imagem
do vector ) 3 , 2 ( = v (cujas coordenadas so dadas na base cannica de
2
IR ).
Utiliza-se novamente a relao Y=MX, considerando agora

(
(

=
3
1
3
7
X

=
=

= + +
+ =

= +
=

3
1
2
3
7
1
2 2
2 1
2 1
2 1
3 2 2
2
3 2
2

(
(
(

=
2 1
6 3
3 0
M

Assim, obtemos a matriz Y, formada pelas coordenadas de g(v) na base
{ } ) 0 , 0 , 1 ( ), 0 , 1 , 1 ( ), 1 , 1 , 1 ( de
3
IR , fazendo:
Y=
(
(
(

2 1
6 3
3 0
(
(

3
1
3
7
=
(
(
(

3
9
1
.
Para obter g(v) na base cannica de
3
IR basta fazer
g (v) = -1(1,1,1)+9(1,1,0)-3(1,0,0) = (5,8,-1).

Exerccios:
1. Sabendo que a matriz da aplicao linear
3 3
: IR IR em relao base cannica de
3
IR

(
(
(

=
1 0 1
1 1 0
0 1 1
A determine:
a) ) 3 , 2 , 1 ( ;
b) ) 3 , 2 , 1 (
1


2. Considere a aplicao linear
3 3
: IR IR , cuja matriz, relativamente base cannica do
espao de partida e base { } ) 1 , 0 , 0 ( ), 0 , 1 , 0 ( ), 1 , 1 , 1 ( do espao de chegada,
(
(
(

=
4 1 2
1 2 2
1 1 2
B . Calcule ) ) 1 , 1 , 1 ( (
1
> <

.
matriz formada pelas coordenadas do vector v na base
{ } ) 2 , 1 ( ), 1 , 1 ( de
2
IR :
v = (2,3) =
1
(1,1)+
2
(-1,2)