Álgebra Linear2

Introducao
`
A
Algebra Linear
Cristian Patricio Novoa Bustos
Departamento de Matematica e Fsica
Universidade Catolica de Goias
Goiania-2008
Sumario
Prefacio 1
1 Vetores 3
1.1 Vetores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2

Algebra Vetorial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2.1 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.3 Produto Escalar e Vetorial . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.3.1 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2 Matrizes 12
2.1 Matrizes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.1.1 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.2 Adi cao de Matrizes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.3 Multiplica cao por Escalar . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.3.1 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.4 Multiplica cao de Matrizes . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.4.1 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.5 Inversao de Matrizes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.5.1 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3 Sistemas de Equacoes e Inversao de Matrizes 37
3.1 Forma Reduzida de Matrizes . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.1.1 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
3.2 Inversao de Matrizes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
3.2.1 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
4 Espacos Vetoriais 54
4.1 Espa cos Vetoriais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
4.1.1 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
4.2 Sub-espa cos Vetoriais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
4.2.1 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
4.3 Dependencia e Independencia Linear . . . . . . . . . . . . . . . . . . . . . 62
4.3.1 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
4.4 Base e Dimensao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
i
4.4.1 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
5 Transformacoes Lineares e Conicas 75
5.1 Transforma coes Lineares . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
5.1.1 Exercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
5.2 N ucleo e Imagem de Transforma coes Lineares . . . . . . . . . . . . . . . . 79
5.2.1 Exercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
5.3 Representa cao de Transforma coes Lineares por Matrizes . . . . . . . . . . . 86
5.3.1 Ecercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
5.4 Autovalor, Autovetor e Diagonaliza cao . . . . . . . . . . . . . . . . . . . . 89
5.4.1 Exercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
5.5 Reconhecimento de Conicas . . . . . . . . . . . . . . . . . . . . . . . . . . 97
5.5.1 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
A Introducao à Estruturas Algebricas 103
A.1 Conjuntos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
A.1.1 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109
A.2 Naturais, Inteiros e Racionais . . . . . . . . . . . . . . . . . . . . . . . . . 110
A.2.1 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
A.3 Reais e Complexos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116
A.3.1 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118
Referencias Bibliogracas 119
ii
Prefacio
Caros leitores, gostaria de enfatizar que este texto nao tem a inten cao de substituir
outros textos de

Algebra Linear, ao contrario, visto que este trabalho vem a contribuir e
complementar alguns textos ja existentes.
Na verdade o desenvolvimento de este texto, e o fruto do trabalho desenvolvido junto
as turmas de Engenharia da Universidade Catolica de Goias, na disciplina de

Algebra
Linear, onde foi detectada a necessidade de ter um texto nao muito extenso mas que
desse um bom suporte para esta disciplina de quatro creditos, por isto e que o nosso
enfoque e meramente introdutorio, deixando alguns conte udos de lado, como conceitos
de espa cos com produto interno e determinantes entre outros, tambem procuramos de
nao colocar listas de exerccios muito extensas, mas nao sem deixar de abranger todo o
conete udo, procurando sempre introduzir novos conceitos, com a inten cao de desenvolver
um raciocnio logico abstrato.
Uma das grandes dicultadades observadas no decorrer do tempo ministrando esta
disciplina, e o desconhecimento de algumas estruturas algebricas por parte dos alunos, e
como elas aparecem, como por exemplo a constru cao dos Corpos Numericos, em particu-
lar os Reais e Complexos. Existem muitas constru coes destas estruturas algebricas, mas
usamos a teoria de Conjuntos e rela coes de equivalencia para fazer isto. Estas ideias sao
dadas no nosso primeiro captulo, que pode ser omitido dependendo do grau de familiari-
dade que o nosso leitor pode ter com os conceitos basicos de estruturas algebricas.
Ja no segundo Captulo, trabalhamos o conceito de matriz e exploramos suas pro-
priedades operatorias, com a nalidade de caracterizar a inversao de matrizes. Como uma
aplica cao, vemos no captulo tres, como trabalhar a inversao de matrizes via opera coes
elementares.
Agora, no Captulo quatro trabalhamos o conceito de Espa co Vetorial e enfocamos
o nosso trabalho para Espa cos Vetoriais de dimensao nita, tentando mostrar alguns
exemplos conhecidos pelo aluno a partir dos cursos de Calculo e claro em particular o
Espa co Vetorial formado pelas matrizes, estudado no Captulo dois. Em particular sao
explorados os conceitos de base e dimensao e a rela cao entre estes conceitos.
No captulo cinco, fazendo uma analogia com fun coes dos cursos de Calculo e intro-
ducimos o conceito de Transforma cao Linear entre Espa cos Vetoriais. Um dos objetivos
fundamentais deste Captulo e dado pelo fato de que, se consideramos transforma coes
Lineares entre Espa cos Vetoriais de dimensao nita, ent ao existe uma correspondencia bi-
univoca com matrizes, isto e, Matrizes e transforma coes Lineares entre espa cos Vetoriais
de dimensao nita sao a mesma coisa. Desta forma todo o trabalho feito com matrizes
1
2
nos Captulos dois e tres pode ser transportado para Transforma coes Lineares. Como,
no captulo dois estabelecemos uma parti cao no conjunto das Matrizes, via a rela cao de
semelhan ca, esta rela cao e melhorada neste Captulo via o Calculo de autovalores e de
diagonaliza cao de matrizes. Para fechar este Captulo e trabalho damos uma pequena
aplica cao de Diagonaliza cao de matrizes no reconhecimento de Conicas tao conhecidas e
estudadas no curso de Geometria Analtica.
Gostaria de deixar registrado o meu agradecimento aos varios alunos dos nossos cursos
de Engenharia que leram versoes preliminares deste texto e me apontaram as falhas, para
desta forma contribuir com a melhoria deste.
Crticas, sugestoes e informa coes sobre eventuais erros ou enganos, serao muito bem
recebidas.
cristiannovoa@netscape.net
Captulo 1
Vetores
Este capitulo tem por nalidade recordar alguns conceitos vistos em outras disci-
plinas, como geometria analitica, calculo ect., entao nao aprofundaremos muito os con-
ceitos com enunciados e demostra coes de propriedades de estas estruturas, e sem em
refor car algumas propriedades mais importantes para o futuro desenvolvimento dos con-
teuos deste livro.
1.1 Vetores
O conceito de vetor tem sido a base para estudar fsica e geometria, entre outras
disciplinas, no segundo grao. Em particular na discipliba de geometria analitica. este
conceito esta associado sa um sistenma de coordenadas, mas para trabalhar este conceito,
na verdade n cao e necessario, como veremos a seguir.
Denicao 1.1.1 Chamaremos de Vetor a magnitude que e determinada pelo seu modulo,
direcao e sentido.
Esta no cao e tao familiar, que basta olhar ao redor que vemos muitos exemplos de
vetores, como e o deslocamento, a velocidade, acelera cao ou a for ca aplicada em um
determinado corpo, etc. Geometricamente podemos representar um vetor pelo segmento
orientado OP, e o tamanho do vetor OP e dito o modulo do vetor, e a dire cao do segmento
denota a dire cao do vetor OP. O ponto O e dito a origem do vetor OP ou ponto de
aplica cao, e P e o extremo do vetor OP.
P
O
OP
Como nota cao, representaremos um vetor com uma letra minuscula com uma seta
acima. No exemplo anterior entao temos OP =

v , e o seu modulo o denotaremos por
|
v |, tambem podemos usar a nota cao

OP para o vetor, e para o seu modulo |
OP |.
3
CAP
ITULO 1. VETORES 4
Exemplo 1.1.1 Representemos geometricamente as seguintes situacoes:
1. Uma forca de 10 newtons na direcao Este 30
o
Norte, como na gura (a) abaixo.
N
O
)30
o
10N
E
S
Fig. (a)
N
O
15N
30
o
E
S
Fig. (b)
2. Uma forca de 25 newtons na direcao Norte 30
o
Este, como na gura acima.
Chamaremos de escalar a magnitud que e determinada pelo seu valor numerico, que
e a quantidade com rela cao a uma unidade de medida do mesmo tipo. Como exemplos de
magnitudes escalares podemos citar, comprimento, massa, tempo, temperatura, trabalho
etc., e qualquer n umero Racional Q, Real R, ou Complexo C. De agora em diante,
denotaremos por K o conjunto dos escalares.
1.2

Algebra Vetorial
Em esta se cao mostraremos a estrutura algebrica que possui o conjunto de vetores, denido
na se cao anterior, denindo uma opera cao interna, que chamaremos de soma, e uma
opera cao externa que chamaremos de produto por escalar, tentando extender as opera coes
realizadas para o conjunto dos escalares K.
Denicao 1.2.1 Sejam
u e
v dois vetores. Diremos que os vetores
u e
v sao equipo-
lentes se eles tem o mesmo modulo, a mesma direcao e sentido.
Geometricamente temos:
P
Q
O

u
R

v
Se dois vetores

u e

v sao equipolentes com a mesma origem, entao diremos que os
vetores

u e

v sao iguais, que denotaremos por

u =
v .
Denicao 1.2.2 Seja

u um vetor. Chamaremos de vetor oposto ao vetor

u , que deno-
taremos por
u , ao vetor que tem o mesmo modulo e direcao mas sentido oposto.

CAP
ITULO 1. VETORES 5
Geometricamente temos a seguinte gura:
P P
O

u
0

u
Agora estamos em condi coes de denir formalmente uma lei de epera cao interna entre
vetores, de seguinte forma.
Denicao 1.2.3 Sejam

u e

v dois vetores. Chamaremos de soma dos vetores

u e
v , ao vetor

w que se obtem trasladando a origem do vetor

v ao extremo do vetor
u e juntando a origem do vetor

u com o extremo do vetor

v , que denotaremos por
w =
u +
v .
Veja que trasladando os dois vetores

u e

v a um origem comum, o vetor soma se
corresponde a diagonal do paralelograma com origem o origem comum (veja a gura
abaixo).

u

v

v

u

u +

v
A soma de
u +
v +
w, primeiro faz a soma de dois vetores, e o vetor resultante soma

com o terceiro vetor, desta forma podemos extender para qualquer soma nita de vetores
u
1
+... +
u
n
.
Exemplo 1.2.1 Vamos usar a soma de vetores e as suas propriedades para provar um
resultado conhecido de geometria plana. Seja um triagulo ABC e sejam M e N os pontos
medios dos segementos AC e BC, respectivamente. Vamos provar que o segmento MN e
paralelo ao segmento AB e tem comprimento igual a metade do comprimento do segmento
AB. Entao devemos provar que ..!
|
MN| =
1
2
|
AB|
:
CAP
ITULO 1. VETORES 6
C
M N
A B
Agora, a partir da gura ao lado temos que
MN =
MC +
CN
Agora, como M e o ponto medio do segmento AC e N e o ponto medio do segmento BC,
entao
MC =
1
2
ACe
CN =
1
2
CB
Logo,
MN =
1
2
AC +
1
2
CB =
1
2
(
AC +
CB) =
1
2
AB
Denicao 1.2.4 Chamaremos de diferenca dos vetores

u e

v , que denotaremos por
v , o vetor

w tal que

w +
v =
u .
No caso em que os vetores sejam iguais

u =
v , o vetor diferen ca

u
v e chamado
de vetor nulo, que o representaremos por

0 .
Denicao 1.2.5 Sejam

u um vetor e um escalar. Chamaremos de produto por
escalar do vetor

u ao vetor

w =
u , que tem a mesma direcao, e | | vezes o

modulo do vetor

u com sentido igual ou oposto ao do vetor

u , dependendo do valor de
| | ser negativo ou positivo, e se = 0 entao temos que
u =
0 e o vetor nulo.
As propriedades que enunciaremos a seguir, podem ser encontradas em qualquer curso
de calculo, onde estes vetores podem ser vistos como pares ordenados, ou triplas ordenadas
ou em forma de n-uplas ordenadas em geral.
Proposicao 1.2.1 Sejam

u ,
v e

w vetores e , escalares. Entao sao validas:

u +
v =
v +

u + (
v +
w) = (
u +
v ) +
w
CAP
ITULO 1. VETORES 7

u =
u
(
u ) = ()
u
( +)
u =
u +
u
(
u +
v ) =
u +
v
Um dos objetivos deste livro e estudar, entender e familiarizarnos um pouco
mais com os conjuntos que admitem as propriedades da proposicao anterior,
como veremos nos capitulos 4 e 5.
Denicao 1.2.6 Seja

v um vetor. Diremos que o vetor

v e unitario se o seu modulo
|
v | e uma unidade escalar.

Veja que se |
v | = 0, ent cao o vetor

v
|

v |
e um vetor unitario no mesmo sentido e dire cao
que o vetor
v . Um sistema muito importante e conhecido, e o sistema dado pelos vetores

unitarios associados aos eixos coordenados do sistema cartesiano do espa co, por exemplo,
cujos eixos sao geralmente identicados com X, Y e Z, com sentidos positivos destes eixos,
e sao denotados por

i ,
j e

k respectivamente, como mostra a gura abaixo.
Z

k

i

j
Y
X
Fig. (a)
Todo vetor

v pode ser representado elo produto de um vetor unitario

u na dire cao e
sentido do vetor

v , isto e,

v =

v
|

v |
|
v |. Todo vetor do espa co R

3
pode ser representado
com a sua origem a origem do espa co R
3
. Sejam (x, y, z) as coordenadas cartesianas do
ponto extremo do vetor
v cuja origem e 0. Os vetores x
i , y
j , z
k sao conhecidas como

as componentes retangulares do vetor

v nas dire coes x, y, z respectivamente. Veja que a
soma dos tres vetores, x
i +y
j +z
k e novamente o vetor original

v istoe e,
v = x
i +y
j +z
k
CAP
ITULO 1. VETORES 8
onde o modulo e dado por:
|
v | =
_
x
2
+y
2
+z
2
Se a cada ponto (x, y, z) de uma determinada regiao R do espa co R
3
associamos
um escalar dado pela fun cao f(x, y, z), temos denido o que se conhece como campo
escalar, onde a fun cao f(x, y, z) tambem e conhecida como fun cao escalar de posi cao.
Vejamos os seguintes exemplos.
Exemplo 1.2.2 1. Para cada posicao de um carro, hoje em dia usamos o famoso GPS
para fazer isto, podemos associar a temperatura do motor mun determinado instante.
Entao esta funcao de associar a temperatura pode ser vista como um campo escalar.
2. A funcao f(x, y, z) = x
2
+y
2
+z
2
determina um campo escalar.
Um outro campo muito conhecido e o campo vetorial, onde em cada ponto (x, y, z)
de uma determinada regiao R do espa co R
3
associamos um vetor dado pela fun cao
f (x, y, z) =

v , esta fun cao tambem e conhecida como fun cao vetorial ou de posi cao
vetorial.
Exemplo 1.2.3 1. Para cada carro, determinamos a sua posicao, hoje em dia usamos
o famoso GPS para fazer isto, que e vetorial, e podemos associar a sua velocidade
mun determinado instante, que tambem e vetorial. Entao esta funcao de associar a
velocidade a cada carro pode ser vista como um campo vetorial.
2. A funcao

f (x, y, z) = x
2
y
i +y
2
z
2
j +xz
k determina um campo vetorial.

1.2.1 Exerccios
1. Das grandesas a seguir, indique quais sao escalar e quais sao vetoriais.
(a)Peso (c)Densidade (e)Energia (g)velocidade
(b)Calor (d)Impetu (f)Potencia (h)dist ancia
2. Um automovel percorre 3Km na dire cao Norte e logo 5Km na dire cao Nordeste.
Represente geometricamente o deslocamento e calcule o vetor resultante.
3. Considere os seguintes deslocamentos:

u = 10m na dire cao Nordeste

v = 20m , na dire cao Este

w = 35m na dire cao Sur
Entao calcule
u +
v ;
w ;
v +
w e fa ca a sua representa cao geometrica.

4. Sejam

u ,
v vetores. Mostre que

u +
v =
v +
u .
CAP
ITULO 1. VETORES 9
5. Calcule o vetor unitario com dire cao e sentido da resultante dos vetores
u = 2
i
5
j + 9
k ;
v = 6
i + 2
j 7
k
6. Sobre um solido atuam tres for cas
u ,
v e
w que. emfun cao das suas componentes,

estao dadas pelas equa coes vetoriais
u = u
1
i +u
2
j +u
3
k ;
v = v
1
i +v
2
j +v
3
k
e

w = w
1
i +w
2
j +w
3
k . Calcule o modulo da for ca resultante.

7. Determine os angulos , e que o vetor
v = x
i +y
j +z
k forma com os eixos

positivos do sistema de coordenadas de R
3
. e mostre que
cos
2
+ cos
2
+ cos
2
= 1
8. Considere o campo escalar dado por f(x, y, z) = 3x
2
z xy + z
2
, calcule o valor do
campo escalr f nos pontos (2, 3, 6); (2, 4, 9); (6, 9, 3).
9. Represente Geometricamente o campo vetorial dado por

f (x, y, z) = x
i y
j +
z
k .
1.3 Produto Escalar e Vetorial
Na se cao anterior mostramos como podemos obter novos vetores a partir de vetores,
e como podemos gerar outros vetores a partir da multiplica cao por escalar. Entao agora
mostraremos como a partir de dois vetores podemos associar um escalar, mostrando al-
gumas propriedades.
Denicao 1.3.1 Seja

u e

v dois vetores. Chamaremos de produto escalar ou in-
terno dos vetores

u e

v , ao seguinte escalar:
v =
_
0, se

u ou

v e o vetor nulo;
|
u | |
v | cos , Caso contrario.

onde e o angulo formado pelos dois vetores.
Quando os vetores sao dados em termos das suas componentes nao sabemos direta-
mente o angulo entre eles. Por isso, precisamos de uma forma de calcular o produto
escalar que nao necessite do angulo entre os vetores.
Sejam
u e
v dois vetores nao nulos e o angulo entre eles, entao pela lei dos cossenos,
temos a seguinte expressao:
|
v |
2
= |
u |
2
+|
v |
2
2|
u ||
v |cos
Assim,
v = |
u ||
v |cos =
1
2
(|
u |
2
+|
v |
2
|
v |
2
)
CAP
ITULO 1. VETORES 10
Ja temos entao uma formula para calcular o produto escalar que nao depende dire-
tamente do angulo entre eles. Substituindo-se as coordenadas dos vetores na identidade
acima, temos uma expressao mais simples para o calculo do produto interno. Por ex-
emplo, se
u = (u
1
, u
2
, u
3
) e

v = (v
1
, v
2
, v
3
) sao vetores no espa co, entao substituindose
|
u |
2
= u
2
1
+u
2
2
+u
2
3
, |
v |
2
= v
2
1
+v
2
2
+v
2
3
e |
v |
2
= (u
1
v
1
)
2
+(u
2
v
2
)
2
+(u
3
v
3
)
2
na igualdade anterior, os termos u
2
i
e v
2
i
sao cancelados e obtemos a seguinte expressao
v = u
1
v
1
+u
2
v
2
+u
3
v
3
Vejamos algumas propriedades na seguinte proposi cao.

u ,
v e

w vetores e um escalar. Entao sao validas:
1.

u
v =
u
2.

u (
v +
w) =
v +
w
3. (
v ) = (
u )
v
Denicao 1.3.2 Sejam

u e

v dois vetores. Chamaremos de produto vetorial, ou pro-
duto externo dos vetores

u e

v ao vetor

c =
v dado por:
c =
v = det
_
_
i

j

k
u
1
u
2
u
3
v
1
v
2
v
3
_
_
=
i

j

k
u
1
u
2
u
3
v
1
v
2
v
3
Algumas propriedades do produto vetorial sao dadas na seguinte proposi cao.


u ,
v e

w vetores e um escalar. Entao sao validas:
1.

u
v =
u
2.

u (
v +
w) =
v +
w
3. (
v ) = (
u )
v =
u (
v ) = (
v )
4.

i
i =
j =
k = 0,

i
j =
k ,

j
k =
i ,

k
i =
i
5. O modulo do vetor

u
v representa a area do paralelogramo de lados

u e

v .
6. Se

u
v = 0 onde nenhum dos vetores e nulo, entao os dois vetores tem a mesma
direcao.
CAP
ITULO 1. VETORES 11
1.3.1 Exerccios
1. Ache o angulo formado pelos vetores

u = 2
i + 3
k e

v = 6
i + 3
j + 2
k .
2. Ache o valor de de forma que os vetores
u = 2
i +
j +
k e
v = 4
i 2
k
sejam ortogonais.
3. Mostre que os seguinte vetores

u = 3
i 2
j +

k ;

v =

i 3
j + 5
k e
w = 2
i +
j 4
k formam um triangulo.
4. Mostre a proposi cao 1.3.2.
5. Sejam

u = 2
i 3
k e

v = 1
i + 3
j + 6
k calcule
a

u
v
b

v
u
c (
u +
v ) (
v )
6. Calcule a area do triangulo de vertices P(1, 3, 2), Q(2, 1, 1), R(1, 2, 3).
7. Calcule o momento de uma for ca

F com rela cao a um ponto P.
Captulo 2
Matrizes
2.1 Matrizes
A partir de agora, e no decorrer do texto, usaremos a letra K, para denotar o corpo
dos escalares, que pode ser Q (Racionais), R (Reais) ou C (Complexos). Neste captulo,
introduziremos o conceito de Matriz, que e um dos conceitos matematicos mais usados
por parte da area de economia e administra cao entre outros como um recurso na agrupa cao
de um grande n umero de informa coes, e claro, e uma das ferramentas basicas na pesquisa
operacional.
Denicao 2.1.1 Chamaremos de Matriz
1
de ordem nm à ordenacao de n veces m
escalares em n linhas e m colunas, que denotaremos da seguinte forma:
A =
_
_
_
_
a
11
a
12
a
1m
a
21
a
22
a
2m

a
n1
a
n2
a
nm
_
_
_
_
= (a
ij
)
n,m
onde a
ij
denota o escalar na linha i e coluna j para i = 1, . . . , n , j = 1, . . . , m
Se todas as entradas da matriz A = (a
ij
)
n,m
sao nulas, a matriz A e dita de matriz
nula ou matriz zero, que denotaremos por 0
n,m
. Se o numero de linhas e igual ao numero
de colunas da matriz A = (a
ij
)
n,m
, ou n = m, entao diremos que a matriz A e uma
matriz quadrada e a denotaremos por A = (a
ij
)
n
. Chamaremos de diagonal principal da
matriz quadrada A = (a
ij
)
n
, os escalares da forma a
ii
onde i = 1, . . . , n. Diremos que a
matriz quadrada A = (a
ij
)
n
e diagonal, se todos os elementos acima e abaixo da diagonal
principal sao zero. Chamaremos de matriz identidade, que denotaremos por I
n
, a matriz
diagonal de ordem n onde todos os elementos da diagonal principal sao iguais a 1, entao
I
n
pode ser vista da seguinte forma:
I
n
= (c
ij
) =
_
1 se i = j
0 se i = j
1
O matematico Ingles Arthur Cayley(1821-1895), foi o primeiro a introduzir o conceito de matriz e
mostrar as suas propriedades algebricas, e ele publicou mais de 300 artigos de investiga cao
12
CAP
ITULO 2. MATRIZES 13
Denotaremos por M
n,m
o conjunto de todas as matrizes de n linhas e m colunas,
simbolicamente temos:
M
n,m
(K) = M
n,m
= {A = (a
i,j
)
n,m
/a
i,j
K, i = 1, , n; j = 1, , m}
Exemplo 2.1.1 Vejamos agora alguns exemplos da denicao anterior.
1. Um dos exemplos mais simples de ordenacao matricial, e observar a ordena cao das
cadeiras na sala de aula, ou das poltronas num cinema, sempre sao dados em linhas
e colunas.
2. Os escalares de forma geral podem ser vistos como matrizes de ordem 1 1.
3. Uma linha de uma matriz A = (a
ij
)
n,m
, digamos A
i
= (a
i1
a
ij
a
im
) pode ser
considerada como uma matriz de ordem 1m, de maneira analoga podemos denir a
matriz coluna dada por uma coluna da matriz A = (a
ij
)
n
como sendo A
j
=
_
_
_
a
1j
.
.
.
a
nj
_
_
_
.
4. Consideremos o seguinte diagrama:
1 3
2 4
A forma matricial deste diagrama e dado por :
A =
_
_
_
_
0 1 0 1
1 0 1 1
0 1 0 0
1 1 0 0
_
_
_
_
= (a
ij
)
n,m
Onde a
ij
= 1 se o ponto i esta ligado ao ponto j, e a
ij
= 0, se o ponto i nao esta
ligado ao ponto j. Esta matriz e conhecida como matriz de incidencia.
5. Considere o plano projetivo de Fano, de ordem dois e construa a sua matriz de
incidencia.
Denicao 2.1.2 Diremos que duas matrizes da mesma ordem A = (a
ij
)
m,n
e B =
(b
ij
)
m,n
sao iguais se a
ij
= b
ij
i, j
CAP
2.1.1 Exerccios
1. Escreva a matriz A = (a
ij
)
2,3
tal que a
ij
= ij + 2i j.
2. (a) Escreva a matriz A = (a
ij
)
4,4
, tal que :
A =
_
a
ij
= 1 se i > j
a
ij
= 1 se i j
(b) Escreva a matriz A = (a
ij
)
3,3
tal que a
ij
= a
ji
3. Ache os possveis valores de x e de y, tais que :
(a)
_
2 2
0 x
2
2
_
=
_
y x
0 0
_
(b)
_
x y
x
2
y
2
_
=
_
1 0
0 1
_
4. Seja A = (a
ij
)
n
e denamos tr(A) =
n
i=1
a
ii
que e conhecida como tra co da matriz
A, entao mostre que tr(tr(A)) = tr(A).
5. Suponha que existe uma rela cao de dominancia entre quatro terminais, dada pelo
seguinte diagrama:
1 3
2 4
onde cada seta indica a dominancia do ponto i sobre o ponto j. Passe para linguagem
matricial este diagrama (supondo que nenhum ponto domine ele mesmo).
2.2 Adicao de Matrizes
Recordemos que tanto a adi cao como a subtra cao entre os n umeros e uma fun cao, ou
tambem conhecida como opera cao binaria ou interna, onde sao relacionados dois elementos
do mesmo conjunto, e apos esta rela cao ou mistura entre eles, obtemos um novo elemento
do mesmo conjunto. Sera que o relacionamento entre animais da mesma especie satisfaz
esta condi cao?. Sera que com as matrizes isto e valido?, entao vejamos a seguinte deni cao.
CAP
Denicao 2.2.1 Sejam A, B M
n,m
. Entao a operacao binaria ou interna
+ : M
n,m
M
n,m
M
n,m
dada por :
A+B = (a
ij
)
n,m
+ (b
ij
)
n,m
= (a
ij
+b
ij
)
n,m
sera chamada de soma de matrizes.
Veja que se as matrizes forem de 11, a deni cao anterior nos da à deni cao usual de
soma de escalares, ou se forem matrizes de 1 n a deni cao anterior nos da à deni cao
usual de soma de n-uplas ou soma vetorial componente a componente. Vejamos agora
alguns exemplos.
Exemplo 2.2.1 Consideremos os seguintes exemplos dos conceitos anteriores.
1. Considere as seguintes matrizes:
A =
_
2 6
5 6
_
, B =
_
3
2
3
_
e C =
_
1
8 5
2 2 9
_
Observe que A+B esta bem denida, mas A +C n ao pois a matriz A tem ordem
2 2 e a matriz C tem ordem 2 3, isto e, A, B nao tem a mesma ordem.
2. A matriz nula 0
n,m
tem a propriedade de que se A M
n,m
entao e facil vericar, a
partir da denicao que, A+ 0
n,m
= 0
n,m
+A = A
3. Uma certa empresa de Computacao produz um software X. Agora, para produzir este
software foram necessarios seis tecnicos, tres (um digitador, um programador e um
analista de sistemas) de uma localidade A e os outros tres (digitador, programador
e analista) de uma localidade B. As despesas feitas pela empresa na manuten cao e
transporte dos tecnicos pode ser vista matricialmente por :
A =
_
_
_
_
Manut. Trans.
100 150 Dig.
800 400 Prog.
900 850 Anal.
_
_
_
_
B =
_
_
_
_
Manut. Trans.
80 50 Dig.
600 400 Prog.
1000 650 Anal.
_
_
_
_
A matriz que representa a despesa total com alimentacao e transporte de cada um
dos tecnicos vindo de ambas localidades e dada por :
A+B =
_
_
_
_
Manut. Trans.
180 200 Dig.
1400 800 Prog.
1900 1500 Anal.
_
_
_
_
CAP
Exemplo 2.2.2 Uma Universidade, pretende utilizar o periodo de recezo das ferias para
fazer a instalacao de ar condicionado central nos blocos D, EeF do centreo de Ciencias
exatas. Entao faz uma licitacao para a realizacao desta obra, e pede que seja discriminado
o custo por bloco, pois pode pegar a obra por bloco, e seleciona tres propostas, que deno-
taremos por Emp.1, Emp.2 e Emp.3, como discriminada abaixo(os valores sao relativos a
R$1.000, 00 reais) :
Bl D Bl E Bl F
Emp.1 53 96 37
Emp.2 47 87 41
Emp.3 60 92 36
Entao, a Universidade esta interessada na proposta de menor custo, e cada empressa
so pode pegar um bloco para fazer. Como calcular a melhor proposta. Na verdade temos
3! = 3 2 1 possibilidades. Entao as propostas podem ser vistas de maneira matricial
como segue :
_
_
53 96 37
47 87 41
60 92 36
_
_
Entao estas seis propostas sao dadas por :
(a)
_
_
_
53
..
96 37
47 87
..
41
60 92 36
..
_
_
_
(b)
_
_
_
53
..
96 37
47 87 41
..
60 92
..
36
_
_
_
(c)
_
_
_
53 96
..
37
47
..
87 41
60 92 36
..
_
_
_
(d)
_
_
_
53 96 37
..
47
..
87 41
60 92
..
36
_
_
_
(e)
_
_
_
53 96
..
37
47 87 41
..
60
..
92 36
_
_
_
(f)
_
_
_
53 96 37
..
47 87
..
41
60
..
92 36
_
_
_
Onde a proposta (a) = 53 + 87 + 36 = 176 a proposta (b) = 53 + 92 + 41 = 186
a proposta (c) = 47 + 96 + 36 = 179 a proposta (d) = 47 + 92 + 37 = 176 a proposta
(e) = 60+96+41 = 197 e nalmente a proposta (f) = 60+87 = 37 = 184. Mostrando que
a proposta (a) e (d) sao as melhores. Claramente o metodo anterior e muito primitivoja
em programacao Linear poderam estudar metodos mais ecientes.
Proposicao 2.2.1 Sejam A, B e C M
n,m
, entao e valido que :
i) Associatividade (A +B) +C = A+ (B +C)
ii) Neutro 0
n,m
M
n,m
tal que A+ 0
n,m
= 0
n,m
+A = A
iii) Inverso A M
n,m
existe a matriz A M
n,m
tal que A+ (A) = 0
n,m
iv) Comutatividade A +B = B +A
CAP
2.3 Multiplicacao por Escalar
Anteriormente denimos uma rela cao binaria, como sendo uma fun cao que relacionava
dois elementos do mesmo conjunto, e obtendo como resultado um novo elemento do mesmo
conjunto, como faz a adi cao de matrizes. Agora estamos interessados em relacionar o corpo
K com o conjunto das matrizes de ordem n m por exemplo, e obter desta rela cao uma
nova matriz de ordem n m. Como fazer isto e o que mostra a seguinte deni cao.
Denicao 2.3.1 Chamaremos de produto por escalar, a operacao externa : KM
n,m
M
n,m
dada da seguinte forma: Sejam K e A M
n,m
entao
A = (a
ij
)
n,m
Veja que a opera cao externa produto por escalar nada mais e multiplicar cada uma
das entradas da matriz A M
n,m
pelo escalar K. Vejamos agora alguns exemplos.
Exemplo 2.3.1 Sejam
_
2 3 5
5 2 6
_
,
1
= 2, e
2
= . Entao calculemos
1
A
2
A
Exemplo 2.3.2 Seja A M
n
e K, entao calculemos I
n
A.
Proposicao 2.3.1 Sejam A, B M
n,m
e ,
1
,
2
K, entao sao validas:
1. (
1
+
2
) A =
1
A+
2
A
2. (A+B) = A+ B
3.
1
(
2
A) = (
1
2
) A
4. 1 A = A, 1 A = A, 0 A = 0
n,m
De agora em diante consideraremos A = A.
Exemplo 2.3.3 Seja X M
3
. Entao procuremos o valor da matriz X tal que satisfaz
a seguinte igualdade:
4(X +
_
_
2 3 5
5 2 6
0
3 1
_
_
) = 5X +
_
_
1 0 4
5 0 3
1 1 0
_
_
CAP
2.3.1 Exerccios
1. Uma Universidade esta querendo pintar quatro dos seus carros, com as cores e os
simbolos da universidade, entao a Universidade faz uma licita cao para executar este
servi co, onde cada empressa so pode pintar um carro. Dentro das propostas ela
seleciona quatro delas, cujos valores sao dados segundo tabela abaixo.
carro A carro B carro C carro D
Of.1 3 6 7 5
Of.2 7 7 4 3
Of.3 6 2 6 5
Of.4 5 3 4 7
Entao, encontre a melhor proposta para a Universidade.
2. Sejam A =
_
_
1 3 4
7 0 7
6
3 18
_
_
, B =
_
_
10 13 9
0
7 3
1 4
11
_
_
, C =
_
2 0 9
2
3 8
_
,
D =
_
1 3 4
7 0 7
_
, e E =
_
_
1 4
0 7
5 18
_
_
Entao veja se e possvel calcular e, se for possivel, entao calcule:
(a) 2A+B
(b) E 2C
(c) 4A + 5B 3C +D
(d) D +I
2
E
3. Sejam K e r R e A M
n,m
entao mostre que:
(a) (rA) = (r)A
(b) ( +r)A = A+rA
4. Mostre que se r R, e A, B M
n,m
entao, r(A+B) = rA+rB.
5. Determine o valor da matriz X da seguinte igualdade:
_
_
0 9 8
2 10 6
5
6 9
_
_
+ 3X =
_
_
0 3 19
10 7 13
11 6
11
_
_
CAP
6. Sejam A =
_
_
1 3 4
7 0 7
6
3 18
_
_
, B =
_
_
10 13 9
0
7 3
1 4
11
_
_
, C =
_
_
2 0 9
2
3 8
2 4 7
_
_
.
Justique cada um dos seus passos para achar o valor da matriz X, das seguintes
igualdades:
(a)
2(2X +B) =
3
5
X +C 2A
(b) 3A + 5X = C
2
7
B
(c)
7(3X + 2A) +2(A
5C) =
2
3
B
7. Mostre as propriedades da soma de matrizes e do produto por escalar.
8. Sejam A
1
, ..., A
r
M
n
e sejam
1
, ...,
r
K. Usando a deni cao de tra co de uma
matriz mostre que : tr(
1
A
1
+ +
r
A
r
) =
1
tr(A
1
) + +
r
tr(A
r
).
2.4 Multiplicacao de Matrizes
Ate agora temos denido a soma de matrizes e a multiplica c ao por escalar, agora
nos resta trabalhar numa deni cao de multiplica cao de matrizes. Come caremos primeiro,
considerando uma situa cao particular com matrizes de ordem 1 n e de ordem n 1,
como sera dado na seguinte deni cao.
Denicao 2.4.1 O produto da matriz X =
_
x
1
x
2
x
n
_
pela matriz Y =
_
_
_
_
_
y
1
y
2
.
.
.
y
n
_
_
_
_
_
e a matriz de ordem 1 1 dada por :
X Y =
_
x
1
x
2
x
n
_
_
_
_
_
_
y
1
y
2
.
.
.
y
n
_
_
_
_
_
= (x
1
y
1
+x
2
y
2
+ +x
n
y
n
)
Ilustremos esta deni cao com o seguinte exemplo.
Exemplo 2.4.1 Sejam X =
_
3 2 6
_
e Y =
_
_
4
9
7
_
_
, a partir da denicao segue que
X Y =
_
3 2 6
_
_
_
4
9
7
_
_
= (3 4 + 2 9 +6 7) = (12)
1,1
.
Veja que, a partir da deni cao anterior o n umero de colunas da matriz X deve ser
igual ao n umero de linhas da matriz Y , se isso acontece, diremos que as matrizes X e Y
sao compatveis para a multiplica cao.
CAP
Denicao 2.4.2 Sejam A M
n,p
e B M
p,m
. O produto das matrizes A e B, que
denotaremos por C = AB, e a matriz cujo elemento generico c
ij
, e o produto da i-esima
linha A
i
da matriz A pela j-esima coluna B
j
da matriz B, isto e,
c
ij
= A
i
B
j
= a
i1
b
1j
+ +a
ip
b
pj
onde 1 i n e 1 j m.
Vejamos como esta deni cao funciona no seguinte exemplo.
Exemplo 2.4.2 Sejam A =
_
1 5
3 2
_
e B =
_
2 6 7
8 5 3
_
, entao
AB =
_
1 2 + 5 8 1 6 + 5 5 1 7 + 5 3
3 2 + 2 8 3 6 + 2 5 3 7 + 2 3
_
=
_
2 + 40 6 + 25 7 15
6 + 16 18 + 10 21 6
_
=
_
42 31 8
22 28 15
_
Veja que o exemplo anterior mostra que o produto de matrizes pode nao ser comuta-
tivo, visto que existe o produto AB, mas nao existe o produto BA.
Exemplo 2.4.3 A notacao matricial foi introduzida pelo matematico Ingles Artur Cayley
em 1958. Ele usou-a para abreviar a notacao para expressar um sistema de equa coes
lineares. Isto e, o sistema
_
_
a
11
x
1
+ a
12
x
2
+ +a
1m
x
m
= b
1
a
21
x
1
+ a
22
x
2
+ +a
2m
x
m
= b
2
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
x
1
+ a
n2
x
2
+ +a
nm
x
m
= b
n
pode ser representado matricialmente pela seguinte equacao :
AX = B
onde A =
_
_
_
a
11
a
12
a
1n
.
.
.
.
.
.
.
.
.
a
n1
a
n2
a
nm
_
_
_
e a matriz X =
_
_
_
_
_
x
1
x
2
.
.
.
x
m
_
_
_
_
_
e B =
_
_
_
_
_
b
1
b
2
.
.
.
b
n
_
_
_
_
_
onde o
anterior se verica facilmente usando as denicoes de produto de matrizes. Este prob-
lema consiste em determinar um conjunto S de n-uplas x =
_
_
_
_
_
x
1
x
2
.
.
.
x
n
_
_
_
_
_
cujas coordenadas
satifazem simultaneamente a cada uma das equacoes do sistema dado por AX = B. O
CAP
conjunto S e chamado de conjunto solu c ao do sistema de equacoes lineares. O sistema
de equacoes lineares anterior e dito Homogeneo se a matriz coluna
B =
_
_
_
_
_
b
1
b
2
.
.
.
b
m
_
_
_
_
_
= 0 =
_
_
_
_
_
0
0
.
.
.
0
_
_
_
_
_
for nula. Uma matriz que sera estudada no nal deste captulo e a matriz aumentada,
que denotaremos por (A : B), associada ao sistema de equacoes lineares anterior, observe
que (A : B) M
n,m+1
.
Vejamos auma pequena aplica cao do exemplo anterior, no seguinte exemplo:
Exemplo 2.4.4 Sabemos que dados dois pontos no plano R
2
, so pode passar uma unica
reta, que a partir de geometria analitica e dada pela equacao
ax +by +c = 0
Onde a, b, c R. Entao, encontremos a equacao da reta que passa pelos pontos (1, 2), (2, 3).
Entao veja que os pontos anteriores devem satisfazer a equacao ax +by +c = 0, ou seja
que temos a seguinte situcao :
_
a1+ b2+ = c
a2+ b3+ = c
Veja que nao e dicl, usando alguns conhecimentos de segundo grao, mostrar que
a = 3c e b = c, ou seja que a quacao da reta procurada e dada por
3cx +cy = c
ou
y = 3x + 1
onde c = 0.
Se A M
n
pode-se vericar facilmente que AI
n
= I
n
A = A.
Exemplo 2.4.5 Consideremos as seguintes matrizes :
A =
_
1 3
4 7
_
; B =
_
1 0
1 1
_
; C =
_
0 0
1 0
_
; D =
_
0 0
2 0
_
; E =
_
4 0
2 1
_
;
F =
_
4 0
6 7
_
; I =
_
1 0
0 1
_
; J =
_
1 0
0 1
_
; K =
_
1 0
0 1
_
;
e L =
_
1 0
0 1
_
.
CAP
1. AB =
_
2 3
3 7
_
=
_
1 3
3 4
_
= BA, o que mostra que o produto de matrizes nao
e comutativo.
2. CD =
_
0 0
0 0
_
, onde tanto a matriz C como a matriz D sao diferente da matriz
nula.
3. Veja que DE =
_
0 0
8 0
_
= DF, mas a matriz E = F, isto mostra que nao existe
uma lei de cancelamento entre matrizes.
4. Temos que I
2
= I, J
2
= I, K
2
= I, L
2
= I, isto mostra que a matriz I tem pelo
menos quatro razes quadradas, sendo que com escalares so poderia ter no maximo
duas razes.
Por outro lado, a seguinte proposi cao mostra as propriedades validas com o produto
de matrizes.
Proposicao 2.4.1 Sejam A, B, C M
n
. Entao sao validas :
i) Associatividade : A(BC) = (AB)C.
ii) Neutro : Existe I
n
M
n
tal que I
n
A = AI
n
= A.
iii) Lei Distributiva Esquerda : A(B +C) = AB +AC.
iv) Lei Distributiva Direita : (A +B)C = AC +BC.
Se considerarmos matrizes quadradas, digamos de n n, podemos ter o conceito de
potencia de uma matriz, ou seja que se A M
n
segue que A
0
= I
n
; A
1
= A; AA =
A
2
, , A
n+1
= AA
n
. Fazendo uso de indu cao nita, como visto no captulo 1, pode-
mos mostrar que A
n+m
= A
n
A
m
. A partir do anterior, podemos trabalhar expressoes
polinomiais como p(x) = a
n
x
n
+ a
n1
x
n1
+ + a
0
K[x], isto e, podemos calcular
p(A) = a
n
A
n
+a
n1
A
n1
+ +a
0
I
n
M
n
, vejamos isto no seguinte exemplo.
Exemplo 2.4.6 Seja A =
_
1 4
3 8
_
M
2
e consideremos o polinomio p(x) = x
3
+x2,
entao
p(A) = A
3
+A2I
2
=
_
1 4
3 8
_
3
+
_
1 4
3 8
_
2
_
1 0
0 1
_
=
_
121 340
255 716
_
+
_
1 4
3 8
_
+
_
2 0
0 2
_
=
_
121 + 1 2 340 + 4 + 0
255 + 3 + 0 716 + 8 2
_
=
_
120 344
258 722
_
CAP
Exemplo 2.4.7 Consideremos o seguinte sistema de comunicacao (esses centros de co-
municacao podem representar pessoas, nacoes, computadores etc.) dado pelo seguinte
diagrama.
1 3
2 4
onde a seta indica que o terminal i se comunica com o terminal j. A forma matricial
deste diagrama e dado pela matriz.
A =
_
_
_
_
0 1 1 1
1 0 1 1
0 0 0 0
1 1 1 0
_
_
_
_
onde a
ij
= 1 se existe comunicacao entre o terminal i e o terminal j e a
ij
= 0, caso
contrario. Estamos considerando que os terminais nao se comunicam com se proprios.
Entao temos:
B = AA = A
2
=
_
_
_
_
2 1 2 1
1 2 2 1
0 0 0 0
1 1 2 2
_
_
_
_
= (a
ij
)
n,m
Aqui b
11
= a
11
a
11
+a
12
a
21
+a
13
a
31
+a
14
a
41
= 2, veja que esses produtos a
1j
a
j1
e um, se, e
somente se a
1j
e a
j1
sao um, isto diz que o terminal 1 esta comunicado com o terminal j
e o terminal j esta comunicado com o terminal 1, logo como b
11
= 2, diz que temos duas
chances de isto acontecer, o terminal 1 via outro terminal se comunicar com o terminal 1
novamente. Assim A+A
2
diz sobre o n umero total de chances de comunicacao que estao
abertas entre varios terminais usando nenhum terminal ou um terminal intermediario.
Uma das grandes ferramentas na area de transportes hoje em dia, e dada pela teoria
de grafos, que claramente nao o nosso objeto de estudo, mas daremos a deni cao de grafo
dirigido para ilustrar uma outra aplica cao destes conceitos matriciais vistos ate aqui.
Denicao 2.4.3 Chamaremos de Grafo Dirigido a quadrupla G = (G
0
, G
1
, o, t), onde
G
0
e o conjunto de vertices, e G
1
e o conjunto de Flechas, e para qualquer echa G
1
temos a funcao o : G
1
G
0
talque o() e o vertice origem da echa , e a fun cao
t : G
1
G
0
e o vertice nal ou termino da echa .
Ilustremos a deni cao anterior no seguinte exemplo.
CAP
Exemplo 2.4.8 Consideremos uma familia, com a Mae, Pae uma lha e dois lhos.
Cada um dos membros desta familia tem inuencia sobre os outros membros da familia
da seguinte forma : A Mae, tem inuencia sob a sua lha e sobre o lho mais velho; e
o Pae tem inuencia sobre os dois lhos; e a lha pode inuenciar sobre o Pae; e o lho
mais velho pode inuenciar sobre o irmao mais novo, e nalmente o lho mais novo pode
inuenciar a Mae. Entao, usando grafos podemos modelar esta familia da seguinte forma :
G
0
= {Mae, Pae, Filha, Filho mais velho, Filho mais novo} = {M, P, F, F
v
, F
n
} e G
1
=
{Inuencia na familia} = {
1
,
2
,
3
,
4
,
5
,
6
,
7
}
F
v
2
M
1
F
n
4
F

7
P
3
(a) (b)
Em um grafo dirigido com n vertices, podemos associar uma matriz M = (n
ij
) M
n
,
chamada de matriz de incidencia do grafo dirigido. As entradas da matriz de incidencia
sao dados da seguinte forma :
n
ij
=
_
1 se P
i
P
j
0 outra
para i, j = 1, 2, ..., n. Agora, a matriz de incidencia associado ao exemplo 2.4.8 e dado
pela seguinte matriz :
M =
_
_
_
_
_
_
_
_
1 2 3 4 5
1 0 1 0 0 1
2 0 0 1 0 0
3 1 0 0 0 1
4 0 1 0 0 0
5 0 0 0 1 0
_
_
_
_
_
_
_
_
Exemplo 2.4.9 Consideremos a seguinte situacao de migracao entre a regiao Nordeste
do Brasil e a regiao de Rio- Sao Paulo da seguinte forma. Cada Ano, 50% da Popula cao
do Nordeste migra para a regiao de Rio-Sao Paulo, nao entanto 25% da Popula cao de
Rio-Sao Paulo migra para a regiao Nordeste.
ND
0.5
0.5
RSp 0.75
0.25
Se esta migracao tende a continuar, nos parametros anteriores, sera que acabara a
populacao no Nordeste, ou a futuro esto se estabilizara?.
CAP
Entao, vamos supor que sejam n
k
e s
k
as proporcoes das populacoes no Nordeste e no
Rio-Sao Paulo respectivamente num determinado ano k, e entao temos que n
k
+ s
k
= 1.
Logo, estas diretrizes determinam que no ano seguinte, isti e, no ano k +1 as propor coes
de populacoes sera dado por
n
k+1
= n
k
0.5 +s
k
0.25
s
k+1
= n
k
0.5 +s
k
0.75
Se p
T
k
= (n
k
, s
k
) e p
T
k+1
= (n
k+1
, s
k+1
) representam as populacoes no nal do ano k e
no ano k + 1 respectivamente, entao temos a matriz
T =
_
0.5 0.5
0.25 0.75
_
Sendo a matriz de transi c ao, de onde temos que p
T
k+1
= p
T
k
T. Logo, temos a seguinte
sequencia
p
T
1
= p
T
0
T; p
T
2
= p
T
1
T = p
T
0
T
2
; p
T
3
= p
T
2
T = p
T
0
T
3
; . . . ; p
T
k
= p
T
0
T
k
Calculando as potencias da matriz T temos
T
2
=
_
0.375 0.625
0.312 0.687
_
T
7
=
_
0.333 0.667
0.333 0.667
_
Nao e dicil de ver que esta sequencia tende a matriz
T
= lim
k
T
k
=
_
1
3
2
3
1
3
2
3
_
Portanto, a migracao a futuro estara estabilizada, onde
1
3
da populacao cara no
Nordeste, e
2
3
da populacao carao no Rio-Sao Paulo.
Vejamos agora uma aplica cao entre matrizes que sera de muita utilidade na parte nal
deste texto.
Denicao 2.4.4 Seja A = (a
ij
) M
n,m
. A transposta da matriz A, que indicaremos
por A
t
, e a matriz obtida da matriz A trocando as linhas por colunas, isto e,
A
t
= (a
ji
) M
m,n
Veja que transposta pode ser vista como uma transforma cao ()
t
: M
n,m
M
m,n
. Ilus-
tremos esta deni cao com o seguinte exemplo.
_
_
24 2 6 8
12 3 10 1
11 0 1 7
_
_
entao A
t
=
_
_
_
_
24 12 11
2 3 0
6 10 1
8 1 7
_
_
_
_
CAP
Na seguinte proposi cao, damos as propriedades satisfeitas pela transposta de matrizes.
Proposicao 2.4.2 Sejam A M
n,p
, B M
p,m
e c K. Entao sao validas :
i) (A
t
)
t
= A.
ii) (A+B)
t
= A
t
+B
t
.
iii) (cA)
t
= cA
t
.
iv) (AB)
t
= B
t
A
t
.
Denicao 2.4.5 Seja A M
n
. Entao diremos que a matriz A e simetrica se A
t
= A,
e diremos que a matriz A e anti-simetrica se A
t
= A.
Um dos fatos importantes sobre simetria e anti-simetria de matrizes e dada na seguinte
proposi cao.
Proposicao 2.4.3 Seja A M
n
. Entao a matriz A se decompoe como a soma de
uma matriz simetrica, que denotaremos por A
s
, mais uma matriz anti-simetrica, que
denotaremos por A
a
, isto e,
A = A
s
+A
a
Dem. Seja A uma matriz como no enunciado, entao consideremos as seguintes matrizes
A
s
=
A+A
t
2
e A
a
=
A A
t
2
Claramente A
s
+A
a
= A, entao so resta mostrar que a matriz A
s
e simetrica e que a
matriz A
a
e anti-simetrica. Mas pelas propriedades da transposta temos:
(A
s
)
t
= (
A+A
t
2
)
t
=
A
t
+ (A
t
)
t
2
=
A+A
t
2
= A
s
portanto A
s
e simetrica. De forma analoga temos que (A
a
)
t
= A
a
logo e anti-simetrica,
como queramos.
CAP
2.4.1 Exerccios
1. Ache a equa cao da reta que passa pelos pontos (2, 1); (3, 8).
2. Construa a matriz de incidencia dos seguintes grafos orientados.
3
(a) (b)
3. Ache o grafo orientado, associado as seguintes matrizes :
_
_
_
_
_
_
_
_
0 1 0 0 1 0
0 0 1 0 1 0
1 0 0 1 0 1
0 1 0 0 1 1
1 1 1 1 0 0
1 1 1 1 0 0
_
_
_
_
_
_
_
_
_
_
_
_
_
_
0 1 0 0 1
1 0 1 0 1
0 0 0 1 0
1 1 1 0 1
1 1 1 0 0
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
0 1 0 0 1 0 1
0 0 1 0 1 0 0
1 0 0 1 0 1 1
0 1 0 0 0 1 0
1 1 1 0 0 1 1
0 1 0 1 1 0 0
1 1 1 0 1 1 0
_
_
_
_
_
_
_
_
_
_
(a) (b) (c)
4. Expresse o seguinte sistema linear, como uma equa cao matricial da forma AX = B,
identicando cada uma das matrizes, A; X e B.
_
_
_
3x
1
+6x
2
x
3
= 6
4x
1
+2x
2
= 9
3x
2
+5x
3
= 5
5. Mostre que
_
_
1 1 1
0 1 0
0 0 1
_
_
2
=
_
_
0 1 0
1 1 1
0 0 1
_
_
3
=
_
_
0 1 0
0 0 1
1 1 1
_
_
4
= I
3
6. Sejam A, B M
2
, tais que AB = BA. Entao mostre que
(A+B)
2
= A
2
+ 2AB +B
2
Se as matrizes A, B M
n
sao quaisquer, a igualdade e sempre verdadeira?.
Mostre um contra exemplo se nao for verdadeiro.
CAP
7. Seja A M
n
e p(x) = a
n
x
n
+ a
n1
x
n1
+ + a
0
K[x], entao mostre que
Ap(A) = p(A)A.
8. Consideremos a seguinte situa cao de migra cao entre Rio e Sao Paulo da seguinte
forma. Cada ano, 30% da Popula cao do Rio migra para a regiao de Sao Paulo, nao
entanto 20% da Popula cao de Sao Paulo migra para o Rio. Sera que esta migra cao
se estabiliza?
9. Uma matriz A de ordem n e dita idempotente se A
2
= A.
a) Verique se a matriz
_
_
2 2 4
1 3 4
1 2 3
_
_
e idempotente ou nao.
b) Mostre que se AB = A e BA = B, entao A e B sao idempotentes.
c) Se a matriz A e idempotente, mostre que a matriz B = I A e idempotente e
AB = BA = 0.
10. Sejam A, B M
2
, mostre que:
a) tr(AB) = tr(A) tr(B).
b) tr(A) = tr(A), onde K.
c) tr(AB BA) = 0.
onde tr(A) denota o tra co da matriz A, ou seja a soma da diagonal principal da
matriz A.
11. Mostre as propriedades da transposta.
12. Mostre que se A M
n
entao a matriz AA
t
e uma matriz simetrica.
13. Diga se e verdadeiro ou falso, e justique a sua resposta :
a) Se as matrizes A e B sao simetricas, entao A+B e AB sao simetricas.
b) Se as matrizes A e B sao anti-simetricas entao A+B e AB sao anti-simetricas.
14. Expresse a matriz
_
_
3 1 8
4 9 2
6 5 1
_
_
como soma de uma matriz simetrica e
outra anti-simetrica.
CAP
2.5 Inversao de Matrizes
Temos visto, nas se coes anteriores, que podemos somar e multiplicar matrizes no
conjunto M
n
, onde as matrizes com a soma, tem estrutura de grupo abeliano, e com
o produto e so um grupoide com unidade I. Entao e natural se perguntar: Dada uma
matriz A M
n
quando e possvel achar uma outra matriz B M
n
tal que o produto
AB = I seja a matriz identidade?. Este conceito e dado na seguinte deni cao.
n
. Diremos que a matriz A e invertvel pela esquerda
(direita) se existe uma matriz C M
n
(B M
n
) tal que AC = I
n
(BA = I
n
).
A deni cao anterior diz, que uma matriz quadrada A de ordem n pode ter inversa
so pela direita ou so inversa pela esquerda, mas se tiver inversa pelos dois lados temos a
seguinte proposi cao.
n
. Se A tem inversa pela direita B e pela esquerda C,
entao temos que B = C.
Dem. A partir da deni cao de inversa temos que BA = I
n
e CA = I
n
. Entao,
B = BI
n
= B(AC) = (BA)C = I
n
C = C
Desta forma, se a matriz A tem inversa pela direita e pela esquerda, entao a partir da
proposi cao anterior a matriz A tem uma unica inversa, que denotaremos por A
1
, e neste
caso diremos que a matriz A e invertvel (ou nao singular), e A
1
A = AA
1
= I
n
,
caso contrario diremos que a matriz A nao e invertvel (ou singular).
_
3 5
4 7
_
e B =
_
7 5
4 3
_
, entao
AB =
_
3 5
4 7
_
_
7 5
4 3
_
=
_
1 0
0 1
_
= BA. Portanto A
1
=
_
7 5
4 3
_
.
Veja que, nem toda matriz admite inversa, como veremos no seguinte exemplo.
_
3 6
4 8
_
, entao achar a inversa da matriz A signica achar
uma matriz X =
_
x y
z w
_
, tal que AX =
_
3 6
4 8
_
_
x y
z w
_
=
_
1 0
0 1
_
, de onde
pode-se obter o seguinte sistema de equacoes.
_
_
3x +6z = 1
3y +6w = 0
4x +8z = 0
4y +8w = 1
O calculo anterior mostra que o sistema e inconsistente, logo nao e possvel achar x, y, z
nem w, tal que AX = I
2
. Portanto a matriz A nao e invertvel.
CAP
n
inversveis. Entao e valido que :
i) (A
1
)
1
= A
ii) (AB)
1
= B
1
A
1
Dem. A primeira arma cao decorre diretamente da deni cao. Entao vejamos a segunda,
na qual basta vericar que: (AB)(B
1
A
1
) = A(BB
1
)A
1
= AI
n
A
1
= AA
1
= I
n
e
de maneira analoga verica-se (B
1
A
1
)(AB) = I
n
.
Corolario 1 Sejam A
1
, A
2
, . . . , A
n
M
n
, matrizes inversveis, entao (A
1
A
2
A
n
)
1
=
A
1
n
A
1
2
A
1
1
Assim como tnhamos denido potencias na multiplica cao de matrizes, temos que se
A e uma matriz quadrada de ordem n e invertivel, entao por indu cao segue que A
n
=
(A
1
)
n
, onde n N.
n
. Se AB = 0, entao a matriz A = 0 ou a matriz
B = 0 ou ambas A e B nao sao inversveis.
Dem. Claramente se a matriz A ou a matriz B e zero, o anterior e claro, logo so resta
assumir que as matrizes A e B sao diferentes da matriz nula. Entao vamos supor que a
matriz A ou a matriz B e invertvel, e obtenhamos uma contradi cao. Consideremos
a matriz A invertvel, logo como
AB = 0 A
1
(AB) = A
1
0 I
n
B = 0
Ou seja que a matriz B e nula, o que e uma contradi cao pois ela e inversivel. De
forma analoga segue que B nao pode ser invertvel, portanto as matrizes A e B nao sao
inversveis.
_
0 0
3 0
_
e B =
_
0 5
0 0
_
, segue que AB = BA =
_
0 0
0 0
_
, onde tanto a matriz A como a matriz B sao diferentes da matriz nula, logo
pela proposicao anterior podemos concluir que, as matrizes A e B nao sao inversveis.
n
. Se a matriz A tem inversa pela esquerda (ou direita),
entao a matriz A e invertvel.
A demonstra cao desta proposi cao sera deixada para depois, mas esta proposi cao diz
que para uma matriz A quadrada de ordem n ser invertvel, basta ter somente inversa ou
pela direita ou pela esquerda.
Recordemos que um sistema de equa coes da forma:
CAP
_
_
a
11
x
1
+ a
12
x
2
+ +a
1n
x
n
= b
1
a
21
x
1
+ a
22
x
2
+ +a
2n
x
n
= b
2
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
x
1
+ a
n2
x
2
+ +a
nn
x
n
= b
n
Pode ser representado matricialmente pela seguinte equa cao matricial
AX = B
onde A =
_
_
_
a
11
a
12
a
1n
.
.
.
.
.
.
.
.
.
a
n1
a
n2
a
nn
_
_
_
e a matriz X =
_
_
_
_
_
x
1
x
2
.
.
.
x
n
_
_
_
_
_
e B =
_
_
_
_
_
b
1
b
2
.
.
.
b
n
_
_
_
_
_
Se consideramos a matriz anterior A invertvel, a equa cao matricial AX = B tem uma
unica solu cao, a saber dada por:
X = A
1
B
Que e solu cao, isto e claro, pois e so substituir na equa cao matricial X = A
1
B em
AX = B, entao mostremos agora, que esta solu cao e unica. Para isto, vamos supor que
nao, isto e, que existe uma outra solu cao Y tal que AY = B, entao segue que :
X = A
1
B = A
1
(AY ) = (A
1
A)Y = Y
Portanto a solu cao X = A
1
B e unica. Vejamos uma aplica cao desta proposi cao, no
seguinte exemplo pratico.
Exemplo 2.5.4 Uma empresa de componentes eletronicos, usa dois tipos de maquinas P
e Q para produzir dois tipos de componentes eletronicos A e B. As maquinas P e Q podem
operar 80 e 60 horas por semana, respectivamente. A maquina P requer duas horas para
produzir o componente eletronico A e quatro horas para produzir o componente eletronico
B. A maquina Q requer tres horas para produzir o componente eletronico A, e duas horas
para produzir o componente eletronico B. Estamos interessados em determinar o n umero
de unidades de cada componente eletronico produzidos pelas maquinas P e Q, semanais.
Solucao. Seja x o n umero de unidades do componente eletronico A e y o n umero de
componentes eletronicos B produzidos por semana. Logo, a maquina P gasta 2x horas
para produzir o componente A e 4y horas para produzir o componente B. Se a maquina
trabalha o tempo todo, temos
2x + 4y = 80
De forma analoga a anterior, com a maquina Q temos que
3x + 2y = 60
CAP
Entao matricialmente a situacao anterior e dada por
_
2 4
3 2
__
x
y
_
=
_
80
60
_
Vejamos se a matriz C =
_
2 4
3 2
_
admite inversa, isto e, se existe uma matriz
_
a b
c d
_
tal que
_
2 4
3 2
__
a b
c d
_
=
_
1 0
0 1
_
entao temos que C
1
=
_
1/4 1/2
3/8 1/4
_
, portanto
X =
_
1/4 1/2
3/8 1/4
__
80
60
_
=
_
10
15
_
Desta forma, podem ser produzidos dez componentes eletronicos do tipo A semanais e
quinze do tipo B.
Podemos trabalhar outros exemplos de aplica coes de matrizes, como e dado pelo en-
cobrimento de mensagens. A historia da humanidade mostra a Julio Cesar o grande
imperador Romano, como sendo um dos precursores na area de Criptograa, que e a
ciencia das comunica coes secretas, que vem a resolver o seguinte problema:
Transmitir a um destinatario de maneira segura uma mensagem ou in-
formacao de forma que somente o destintario possa entender o conte udo, a
pesar de que outras pessoas possam ter acesso a mensagem.
Quando transformamos uma mensagem ou informa cao, de tal forma que possa ser
entendida somente pelo destinatario, diremos que a mensagem ou a informa cao esta cod-
icada, e que o destinatario conhece a decodica cao. Vejamos um exemplo dado pela
historia da humanidade de como o anterior funciona. O Grande Imperador Romano Julio
Cesar, usava um deslocamento das letras do alfabeto, de tal forma que a letra A escrevia-se
como D, e os espa cos entre as palavras colocava-se a letra A. O anterior parece muito facil,
basta conhecer o idioma ou saber ler e escrever bem para codicar e decodivcar estas
mensagens, mas recordemos que saber ler e escrever nos tempos de Julio Cesar era coisa
de muito, mas muito poucos, o que tornava o sistema anterior complexo para a epoca.
Vejamos o seguinte exemplo: A frase Historias Curiosas Na Matematica, escreve-se da
seguinte forma:
KLVWRULDVAFXULRVDVAQDAPDWHPDWLFD
Que tao difcil sera para o exercito inimigo decifrar esta mensagem?. Nao sabemos
da habilidade dos inimigos de Julio Cesar, mas este tipo de codica cao nao e difcil
descobrir. Basta estudar a frequencia em que as letras aparecem, que varia de idioma para
idioma, e a quantidade de mensagem que voce tem vai ajudar muito para voce descobrir
a decodica cao. O anterior da uma ideia para decodicar o codigo de transposi cao de
Julio Cesar.
CAP
Agora, a historia mais recente mostra uma sostica cao na forma de codicar e de-
codicar mensagens. Durante a primeira Guerra Mundial, os Britanicos interceptaram
uma mensagem codicada do ministro de rela coes Exteriores de Alemanha, Arthur Zim-
mermann, dirigido ao embaixador no Mexico, Heinrich von Eckardt. Depois de muito
trabalho, os analistas Britanicos conseguiram quebrar a mensagem, e descobriram um
plano por parte do Governo Alemao de estimular o Mexico para participar na guerra
como aliado do Governo Alemao. Em contrapartida, o Mexico recuperaria as terras per-
didas para os Estados Unidos em 1847.
Foi enviado um aviso ao Presidente dos Estados Unidos, Woodrow Wilson, que o
ajudou a decidir pela entrada na guerra imediatamente junto com os aliados. O que prob-
abelmente, acelerou o nal da primeira Guerra Mundial. O sistema de codica cao alemao
estava baseado na teoria de matrizes estudada neste texto. Por exemplo, consideremos as
seguintes matrizes:
A
0
=
_
2 3
3 5
_
B
0
=
_
5 3
3 2
_
que sao tais que:
A
0
B
0
=
_
2 3
3 5
_

_
5 3
3 2
_
=
_
1 0
0 1
_
Vejamos, agora como poderamos usar as opera coes com matrizes para esconder in-
forma coes, de uma maneira mais eciente que a implementada por Julio Cesar.
Comencemos por assinar a cada letra do alfabeto um numero, da seguinte forma:
A B C D E F G H I J K L M
1 2 3 4 5 6 7 8 9 10 11 12 13
N O P Q R S T U V W X Y Z
14 15 16 17 18 19 20 21 22 23 24 25 26
Codiquemos a seguinte mensagem:
O N umero e a origem de todas as coisas (PLATON)
Come caremos dividindo a mensagem em pares de letras, pois a matriz que estamos
considerando e de tamanho 2 2, como segue:
ON UM ER OE AO RI GE MD ET OD AS AS CO IS AS PL AT ON
Com a divisao anterior, transformaremos os pares de letras, em colunas da seguinte
forma:
_
15
14
_ _
21
13
_ _
5
18
_ _
1
15
_ _
18
9
_ _
7
5
_
_
13
4
_ _
5
20
_ _
15
4
_ _
1
19
_ _
1
19
_ _
3
15
_
_
9
19
_ _
1
19
_ _
16
12
_ _
1
20
_ _
15
14
_
CAP
Agora usaremos a matriz A
0
=
_
2 3
3 5
_
para ocultar a nossa mensagem. Faremos
isto, multiplicando cada uma das nossas colunas pela matriz A
0
anterior. Entao temos o
seguinte conjunto de novas colunas:
_
72
115
_ _
81
128
_ _
64
105
_ _
47
78
_ _
63
99
_ _
29
46
_
_
38
59
_ _
70
115
_ _
42
65
_ _
59
98
_ _
59
98
_ _
51
84
_
_
75
122
_ _
59
98
_ _
68
108
_ _
62
103
_ _
57
115
_
Para decodicar a mensagem anterior, procedemos da seguinte forma: Ele, o desti-
natario, deve conhecer a matriz B
0
=
_
5 3
3 2
_
que e a matriz inversa da matriz
A
0
. Onde ele multiplica as novas colunas pela matriz B
0
e podera ler a mensagem de
forma correta. Veja que a mensagem anterior e muito difcil de decodicar, se nao se
conhecem as matrizes A
0
e a matriz B
0
, mas nao e impossvel. Uma outra diculdade
passa pelo fato de encontrar gente qualicada na area de

Algebra para poder entender e
poder desenvolver um sistema de decodica cao, que podera ser comparada a diculdade
de Julio Cesar, para encontrar gente qualicada com o idioma. A mensagem dirigida ao
embaixador da Alemanha no Mexico decodicado pelo servi co de inteligencia Britanico,
estava codicado via uma matriz de 6 6.
De quantas formas podemos escolher a nossa matriz inversvel A
0
?
A resposta a pergunta anterior e dada pelo seguinte Teorema.
Proposicao 2.5.5 Uma matriz
_
a b
c d
_
admite inversa com entradas inteiras, se e
somente se, ad bc e 1 ou 1
Dem. Sejam A =
_
a b
c d
_
e B =
_
e f
g h
_
duas matrizes com entradas inteiras, tais
que AB = I, entao det(A) = ad bc = p e det(B) = eh gf = q tambem sao inteiros.
Portanto, det(AB) = det(A)det(B) = pq = 1 = det(I) e como p, q sao inteiros temos que
p, q sao diviosres de 1, se e somente se, p = q = 1 ou p = q = 1.
Os exemplos anteriores deixam pelo menos duas perguntas:
Quando uma matriz tem inversa?ou Como decidir se uma determinada
matriz admite inversa?
Como calcular esta inversa?, se ela existir.
Um dos objetivos no proximo captulo, e tentar responder estas duas perguntas.
CAP
2.5.1 Exerccios
1. Verique se as seguintes arma coes sao verdadeiras ou falsas, e justique a sua
resposta.
a) Se A nao e uma matriz quadrada, entao nao existe A
1
.
b) Se A, B M
n
sao matrizes inversveis, entao A+B tambem e invertvel.
c) Se A, B M
n
sao matrizes singulares, entao A+B e singular.
2. Sejam A, B, C M
n
matrizes inversveis. Entao ache o valor da matriz X nas
seguintes igualdades.
a) A(X +C) = BC
b) B(X +AC) = X +C
3. Seja A M
n
tal que, A
m
= I
n
para algum inteiro m. Mostre que a matriz A e
invertvel. Qual e a inversa da matriz A?.
4. Seja A M
n
. Diremos que a matriz A e nilpotente, se existe um inteiro k > 0, tal
que A
k
= 0 e A
k1
= 0. Mostre que, se a matriz A e nilpotente, entao a matriz A
nao e invertvel.
5. Sejam A =
_
2 5
1 3
_
e B =
_
3
2
_
. Ache a matriz X que satisfaz a seguinte
equa cao : AX = B
6. Use a matriz A do exerccio anterior para calcular A
2
e A
3
.
7. Calcule a inversa da matriz A M
n
diagonal:
A =
_
a
ij
= 0 se i = j
a
ij
= 0 se i = j
8. Seja A =
_
a b
c d
_
. Mostre que A e invertvel se = ad bc = 0 e calcule A
1
.
9. Seja A M
n
.
a) Se A
3
= 0 entao mostre que I A e uma matriz invertvel.
b) Em geral, se A
n
= 0 para algum n N, entao mostre que a matriz I A e
invertvel.
c) Suponha que A
3
A I = 0. Entao mostre que a matriz A e invertvel.
10. Seja A =
_
cos sen
sen cos
_
. Mostre que A
2
=
_
cos2 sen2
sen2 cos2
_
. Use indu cao
para determinar A
n
, onde n N.
CAP
11. Use sistema de Julio Cesar para decodicar a seguinte mensagem:
HVWXGDUAPHAIDCAEHP
12. Decodique a seguinte mensagem:
_
23
14
_ _
89
52
_ _
67
43
_ _
103
52
_ _
11
6
_ _
39
20
_
_
45
21
_ _
16
9
_ _
39
20
_ _
51
30
_ _
43
24
_ _
56
37
_
Captulo 3
Sistemas de Equacoes e Inversao de
Matrizes
3.1 Forma Reduzida de Matrizes
Vimos, no nal do captulo anterior, a importancia da existencia de matriz inversa
na resolu cao de sistema de equa coes lineares, como ilustra o seguinte exemplo:
_
2x +4y = 80
3x +2y = 60
fazendo uso da nota cao matricial segue que:
_
2 4
3 2
__
x
y
_
=
_
80
60
_
entao, calculando a inversa da matriz
_
2 4
3 2
_
1
=
_
1/4 1/2
3/8 1/4
_
, a solu cao do
sistema linear anterior e dada por :
X =
_
x
y
_
=
_
1/4 1/2
3/8 1/4
__
80
60
_
=
_
10
15
_
Veja que a solu cao que encontramos no problema acima, temos feito uso do calculo da
inversa da matriz
_
2 4
3 2
_
. Esta e a unica forma de calcular o conjunto solucao
de sistemas de equacoes lineares?, e se tivermos uma outra maneira de calcular o
conjunto de solu coes do sistema linear, como modicando o sistema original. Sera que
o conjunto de solucoes do sistema de equacoes lineares e o mesmo?. Sera que
e possivel transformasr este sistema de equacoes lineares num outro muito
mais simples?, e como poderia ser feito isto?. Sera que o conjunto de solucoes
do sistema inicial e o do sistema transformado coincidem?. A partir do exemplo
37
CAP
ITULO 3. SISTEMAS DE EQUAC

OES E INVERS
AO DE MATRIZES 38
anterior podemos mostrar o seguinte proscesso de resolver o mesmo sistema de equa coes
lineares, para tentar responder alumas das perguntas feitas anteriormente:
_
L
1
: 2x +4y = 80
L
2
: 3x +2y = 60
Se multiplicarmos L
1
por
1
2
temos o seguinte novo sistema de equa coes :
_
L
1
: x +2y = 40
L
2
: 3x +2y = 60
A seguir, podemos multiplicar a primeira equa cao do sistema L
1
por 3 e somar com
a segunda equa cao L
2
, desta forma obtemos o seguinte sistema:
_
L
1
: x +2y = 40
L
2
: 0x 4y = 60
Agora, se multiplicarmos a segunda equa cao L
2
por
1
4
temos o seguinte sistema de
equa coes:
_
L
1
: x +2y = 40
L
2
: 0x +y = 15
Finalmente, se multiplicamos a segunda equa cao L
2
por 2 e somamos com L
1
temos:
_
L
1
: x +0y = 10
L
2
: 0x +y = 15
Observe que, o conjunto solu cao do sistema de equa coes acima e o mesmo encontrado
fazendo uso do calculo de inversa. O metodo descrito no exemplo e conhecido como o
metodo de Gauss
1
para resolver sistemas de equa coes. Veja que se mudarmos de ordem
as equa coes anteriores ou, se multiplicamos a igualdade por uma constante nao nula as
solu coes do sistema continuam sendo as mesmas, entao consideremos a seguinte deni cao.
Denicao 3.1.1 Chamaremos de operacoes elementares num sistema de equa coes lin-
eares, as seguintes :
a) Trocar a ordem das equacoes do sistema .
b) Multipilicar uma equacao do sistema por uma escalar nao nulo.
c) Somar a uma equacao do sistema o m ultiplo escalar de outra equacao do sistema.
Veja que as opera coes descritas na deni cao anterior, diz que as novas equa coes resul-
tantes, depois de aplicar estas opera coes elementares, sao somas e multiplos escalares das
equa coes originais, ou sao uma combina cao lineardas equa coes anteriores. Esta no cao
de combina cao linear, sera mostrada com mais claridade e detalhe no captulo 4. Mas
temos, a seguinte deni cao:
1
Carl Friederich Gauss(1777-1855), e considerado por muitos matematicos , como o maior Matem atico
que ja existiu, e por muitos denominado o Principe da Matematica
CAP

OES E INVERS
AO DE MATRIZES 39
Denicao 3.1.2 Diremos que dois sistemas de equacoes lineares A e B s ao equiva-
lentes quando cada equacao do sistema de equacoes lineares B pode-se obter como uma
combinacao linear das equacoes do sistema de equacoes lineares A, ou vice-versa.
Entao temos a seguinte proposi cao.
Proposicao 3.1.1 Sistemas equivalentes de equacoes lineares, tem o mesmo conjunto de
solucoes.
Fazendo uso da nota cao matricial, introduzida no captulo anterior, no exemplo acima,
temos a seguinte sequencia de novas matrizes associada a cada um dos novos sistemas de
equa coes lineares obtidos no comen co deste captulo.
_
L
1
: 2x +4y = 80
L
2
: 3x +2y = 60
_
2 4 : 80
3 2 : 60
_
_
L
1
: x +2y = 40
L
2
: 3x +2y = 60
_
1 2 : 40
3 2 : 60
_
_
L
1
: x +2y = 40
L
2
: 0x 4y = 60
_
1 2 : 40
0 4 : 60
_
_
L
1
: x +2y = 40
L
2
: 0x +y = 15
_
1 2 : 40
0 1 : 15
_
_
L
1
: x +0y = 10
L
2
: 0x +y = 15
_
1 0 : 10
0 1 : 15
_
A partir do anterior temos a seguinte deni cao.
n,m
. As seguintes operacoes efetuadas na matriz A, sao
chamadas de opera c oes elementares de linhas :
1
) Transposicao de duas linhas da matriz A.
2
) Multiplicacao de uma linha da matriz A por um escalar nao nulo.
3
) Subtituicao da r-esima linha da matriz A pela linha r-esima linha da matriz A mais
c vezes a linha s da matriz A, onde 0 = c K e r = s.
Veja que estas opera coes elementares nas linhas podem ser vistas como aplica coes
i
: M
n,m
M
n,m
, onde i = 1, 2, 3 na deni cao anterior. Neste sentido, para cada
opera cao elementar
i
existe uma opera cao elementar do mesmo tipo
i
tal que
i
(
i
(A)) = A =
i
(
i
(A))
para todo i = 1, 2, 3.
No decorrer deste texto, sempre trabalharemos com operac oes elementares
nas linhas, com isto queremos destacar que e possivel fazer um trabalho sim-
ilhar considerando operacoes elementares somente nas colunas.
CAP

OES E INVERS
AO DE MATRIZES 40
Denicao 3.1.4 Sejam A, B M
n,m
. Diremos que a matriz A e equivalente a matriz
B, se existe um n umero nito de operacoes elementares
1
,
2
, ,
n
tal que
2

n
(A) = B
Que denotaremos por A B.
Agora vamos responder a uma das perguntas feitas anteriormente, a saber, dados
dois sistemas de equacoes lineares equivalentes, eles tem o mesmo conjunto
solucao?, por meio da seguinte proposi cao.
Proposicao 3.1.2 Sejam [A : Y ], [B : Z] duas matrizes aumentadas correspondentes a
sistemas de equacoes lineares de n equacoes e m indeterminadas. Se [A : Y ] [B : Z],
entao os sistemas de equacoes AX = Y e BX = Z tem o mesmo conjunto solu cao.
Dem. Sejam [A : Y ], [B : Z] matrizes aumentadas tais que [A : Y ] [B : Z], entao existe
uma sucessao nita de opera coes elementares tal que leva a matriz [A : Y ] na matriz
[B : Z], isto e,
[A : Y ] = [A
0
: Y
0
] [A
1
: Y
1
] [A
k
: Y
k
] = [B : Z]
Observe que se conseguirmos provar a proposi cao para um dos passos, isto e, que o
sistema A
j
X = Y
j
e o sistema A
j+1
X = Y
j+1
, sao equivalentes, entao terao o mesmo
conjunto de solu coes, a proposi cao segue.
Sem perda de generalidade, vamos supor que realizamos uma opera cao elementar na
matriz [A : Y ] e obtemos a matriz [B : Z], entao temos que as equa coes do sitema de
equa coes lineares BX = Z sao uma combina cao das equa coes do sistema de equa coes
lineares de AX = Y , e vice versa, pois recordemos que existem as opera coes elentares
inversas. Portanto, os sistemas sao equivalentes, e portanto tem o mesmo conjunto de
solu coes como queramos.
Consideremos o seguinte exemplo.
Exemplo 3.1.1 Sejam o sistema de equacoes lineares e a matriz aumentada considerada
anteriormente,
_
L
1
: 2x +4y = 80
L
2
: 3x +2y = 60
_
2 4 : 80
3 2 : 60
_
onde temos mostrado a seguinte sequencia de passos, usando operacoes elementares na
matriz aumentada, como segue:
_
2 4 : 80
3 2 : 60
_
1
2
L
1
_
1 2 : 40
3 2 : 60
_

3L
1
+L
2
_
1 2 : 40
0 4 : 60
_

1
4
L
2
_
1 2 : 40
0 1 : 15
_

2L
2
+L
1
_
1 0 : 10
0 1 : 15
_
CAP

OES E INVERS
AO DE MATRIZES 41
Como temos visto anteriormente, o conjunto solucao dos sistemas de equacoes associ-
ados e o mesmo, veja que a partir 3.1.2 o conjunto solucao associado a
_
2 4 : 80
3 2 : 60
_
e
_
1 2 : 40
3 2 : 60
_
e o mesmo, e de maneira analoga o conjunto solucao de
_
1 2 : 40
3 2 : 60
_
e o de
_
1 2 : 40
0 4 : 60
_
tambem e o mesmo. Portanto, podemos concluir que o con-
junto solucao associado a
_
2 4 : 80
3 2 : 60
_
e
_
1 0 : 10
0 1 : 15
_
e o mesmo, como queriamos
mostrar.
Denicao 3.1.5 Seja R M
n,m
. Diremos que a matriz R e escalonada reduzida
por linhas se:
a) O primeiro elemento nao nulo em cada linha nao nula da matriz R e 1 (de esquerda
para direita).
b) Cada coluna da matriz R que tem o primeiro elemento nao nulo de alguma linha tem
todos os outros elementos da coluna nulos.
c) Todas as linhas nulas da matriz R (se existirem) estao abaixo das linhas nao nulas da
matriz R.
d) Se as linhas 1, ..., r sao as linhas nao nulas da matriz R, e o primeiro elemento nao
nulo da linha i ocorre na j
i
-esima coluna (i = 1, ..., r), entao o primeiro elemento
nao nulo da linha i + 1 ocorre na coluna j
i+1
, onde j
i+1
> j
i
.
Na maioria dos textos de

Algebra Linear, os item a, b da deni cao anterior correspon-
dem ao conceito de matriz reduzida. A importancia do conceito anterior esta dado na
seguinte proposi cao.
n,m
. Entao a matriz A e equivalente a uma matriz
escalonada reduzida por linha.
Dem. Seja A M
n,m
. Se a matriz A tiver alguma linha nula, entao fazendo uso das
transposi coes de linhas podemos colocar estas linhas na parte inferior da matriz A, ob-
tendo assim uma nova matriz que denotaremos por A
1
, entao podemos assumir que a
matriz A e equivalente a matriz A
1
. Sem perda de generalidade, podemos supor que a
primeira linha de A
1
nao e nula. Se o primeiro elemento nao nulo desta linha nao nula
estiver na coluna j, digamos a
1j
e nao for 1, entao podemos aplicar a segunda opera cao
elementar multiplicando a primeira linha por 1/a
1j
. Agora podemos ter que o primeiro
novo termo nao nulo da nova matriz e 1, entao fazendo uso da terceira opera cao elemen-
tar podemos anular todos o termos abaixo deste 1, que como a matriz e nita, temos um
n unero nito de opera coes elementares a serem feitas. De maneira analoga ao anterior
procedemos com a segunda linha, mas desta vez anulamos tambem os elementos nao nulos
CAP

OES E INVERS
AO DE MATRIZES 42
acima deste termo igual a 1, continuando com este processo ate a r-esima linha nao nula.
Claramente, so falta agora colocar a matriz para que a condi cao d seja satisfeita, mas
para isso basta usar transposi coes de linhas, para colocar as linhas nao nulas em ordem
crescente. Finalmente temos que a matriz A e equivalente a uma matriz R escalonada
reduzida, como queramos.
Como consequencia da proposi cao anterior, temos a seguinte aplica cao.
n,m
tal que n < m, entao o sistema homogeneo AX = 0
admite uma solucao nao trivial.
Dem. Como toda matriz A e equivalente a uma matriz R escalonada reduzida, pela
proposi cao anterior segue que os sistemas homogeneos AX = 0 e RX = 0 admitem o
mesmo conjunto de solu coes. Logo estudemos o sistema RX = 0. Seja r o n umero de
linhas nao nulas da matriz R, logo segue que r n < m, portanto teremos no sistema
homogeneo mais indeterminadas que equa coes, logo admite solu coes nao triviais, ou seja
que o sistema homogeneo AX = 0 admite solu coes nao triviais.
Veja que esta proposi cao diz que um sistema homogeneo da forma AX = 0, onde
A M
n,m
, so tem solu cao trivial se o n umero de linhas da matriz A e menor ou igual
ao n umero de colunas desta matriz. Esta observa cao e muito importante para a seguinte
proposi cao.
n
, e se o sistema de equacoes lineares homogeneo AX = 0
admite so a solucao trivial, entao a matriz A e equivalente a matriz identidade I
n
.
Dem. Seja R a matriz escalonada reduzida associada a matriz A, e r o n umero de linhas
nao nulas da matriz R. Como o sistema AX = 0 so admite a solu cao trivial, entao o
sistema RX = 0 tambem tem so a solu cao trivial. Entao, pela proposi cao 3.1.4 temos
que r n, mas por outro lado r n que e o n umero de linhas nao nulas da matriz R,
portanto r = n. Logo, a partir da deni cao de R temos que R = I
n
, como queramos.
Exemplo 3.1.2 Consideremos o seguinte sistema homogeneo:
_
_
_
x +y +z = 0
2y +z = 0
y +z = 0
admite somente a solucao trivial, entao e equivalente ao sistema homogeneo:
_
_
_
x = 0
y = 0
z = 0
onde a matriz R neste caso e a matriz identidade I
3
.
CAP

OES E INVERS
AO DE MATRIZES 43
Consideremos agora o caso nao homogeneo. Seja [A : Y ] a matriz aumentada associada
ao sistema nao homogeneo AX = Y , e seja [R : Z] a matriz escalonada reduzida associada
a [A : Y ], e claro!!, associada ao sistema nao homogeneo RX = Z. Como ambos sistemas
tem o mesmo conjunto de solu coes, basta estudar o sistema RX = Z. Seja r o n umero de
linhas nao nulas da matriz R, entao segue que existem (n r) indeterminadas em fun cao
das r outras indeterminadas x
1
, ..., x
r
e escalares z
1
, ..., z
r
. Logo, as (n r) equa coes
restantes sao da forma :
0 = z
r+1
.
.
.
.
.
.
0 = z
n
Portanto, para um sistema nao homogeneo ter solu cao, ou ser consistente, temos que
z
i
= 0 para todo i > r, caso contrario, diremos que o sistema de equa coes lineares e
inconsistente. Para exemplicar o anterior vejamos o seguinte exemplo.
Exemplo 3.1.3 Consideremos o seguinte sistema de equacoes lineares nao homogeneo:
_
_
_
2x +y +z = 7
y +z = 4
x = 1
Logo, a matriz aumentada e reduzida escalonada associada e dada por :
_
_
2 1 1 7
0 1 1 4
1 0 0 1
_
_

L
1
L
3
_
_
1 0 0 1
0 1 1 4
2 1 1 7
_
_

2L
1
+L
3
_
_
1 0 0 1
0 1 1 4
0 1 1 5
_
_

L
2
+L
3
_
_
1 0 0 1
0 1 1 4
0 0 0 1
_
_
onde a ultima matriz
_
_
1 0 0 1
0 1 1 4
0 0 0 1
_
_
e escalonada reduzida, associada a matriz A, do
sistema AX = B, dado acima. Pela ultima linha desta matriz, que representa a equa cao
0x + 0y + 0z = 1, vemos que o sistema nao homogeneo AX = Y e inconsistente.
Em geral temos o seguinte, dado um sistema nao homogeneo da forma AX = B
onde A M
n
e X, B M
n,1
, temos calaramente um sistema homogeneo associado, a
saber, AX = 0. Sera que existe rela cao entre os conjuntos de solu coes dos dois sistemas
anteriores? (Homogeneo e nao Homogeneo). Vamos supor que o sistema nao homogeneo
admite uma solu cao, digamos v M
n,1
tal que Av = B. Se considerarmos agora uma
solu cao u M
n,1
qualquer do sistema homogeneo AX = 0, e simples vericar que u +v
tambem e uma solu cao do sistema nao homogeneo AX = B. Entao temos o seguinte
resultado.
CAP

OES E INVERS
AO DE MATRIZES 44
Proposicao 3.1.6 Seja v M
n,1
uma solucao do sistema nao homogeneo AX = B onde
A M
n
e X, B M
n,1
. Entao toda solucao do sistema nao homogeneo e da forma v +u
onde u M
1,n
percorre as solucoes do sistema homogeneo AX = 0 associado a AX = B.
Dem. So resta mostrar que toda solu cao do sistema nao homogeneo AX = B e da forma
v+u onde v e a solu cao particular xa do sistema nao homogenea, e u percorre as solu coes
do sistema homogeneo AX = 0. Seja z M
1,n
uma solu cao qualquer de AX = B, entao
como z e solu cao temos :
n
j=1
a
ij
z
j
= b
i
Mas, como v e uma solu cao particular de AX = B segue que:
n
j=1
a
ij
v
j
= b
i
Portanto, fazendo a diferen ca das duas igualdades anteriores segue que
n
j=1
a
ij
(z
j
v
j
) = 0
Portanto, z v e uma solu cao do sistema homogeneo AX = 0. Entao, existe uma
solu cao u do sistema homogeneo AX = 0 tal que esta solu cao e da forma u = z v, isto
e, z = u +v como queramos.
Exemplo 3.1.4 Cosideremos o sistema de equacoes lineares dado no exemplo 3.1.1 dado
por :
_
L
1
: 2x +4y = 80
L
2
: 3x +2y = 60
Entao, podemos considerar a solucao (x = 10, y = 15) como sendo uma solucao partic-
ular do sistema nao homogeneo. Entao procuremos a solucao geral do sistema homogeneo
associado, isto e, procuremos a solucao de :
_
L
1
: 2x +4y = 0
L
2
: 3x +2y = 0
que claramente tem como solu cao (x = 0, y = 0, entao a solucao de
_
L
1
: 2x +4y = 80
L
2
: 3x +2y = 60
e realmente (x = 10, y = 15) = (0, 0) + (10, 15)
Observe que se o sistema homogeneo AX =

0 admite innitas solucoes,
entao o sitema nao homogeneo AX = B tambem admite innitas solucoes.
CAP

OES E INVERS
AO DE MATRIZES 45
3.1.1 Exerccios
1. Reduza cada uma das seguintes matrizes a sua forma escalonada reduzida.
a)
_
_
3 6 7
1 8 9
6 8 1
_
_
b)
_
_
2 8 7
2 3 5
5 6 1
_
_
c)
_
_
2 8 4
1 4 0
6 24 12
_
_
2. Quais das seguintes matrizes sao equivalentes por linhas?.
a)
_
3 6 0
2 1 4
_
b)
_
0 1
4 3
_
c)
_
2 1
4 3
_
d)
_
_
1 0 0
0 4 0
2 0 1
_
_
e)
_
_
2 1 0
4 3 2
5 6 1
_
_
f)
_
_
2 1 1
4 0 1
6 24 12
_
_
3. Usando escalonamento reduzido ache as solu coes dos seguintes sistemas, se tiver.
a)
_
x +y z = 0
2x +5y 2z = 0
b)
_
x +y z = 4
x y +z = 2
c)
_
x y +z = 0 d)
_
3x 6y +2z = 0
5x y +3z = 0
e)
_
_
_
x 2y z w = 7
2x 3y = 3
x y z +w = 1
f)
_
_
_
x y +2z = 4
3x +y +4z = 6
x +y +z = 1
4. Mostre, geometricamente (Fazendo o graco de cada uma das equa coes do sistema
linear) e algebricamente (Usando o metodpo desenvolvido ate aqui), que o seguinte
sistema e consistente.
_
_
_
x +y +z = 3
2y z = 2
+y +z = 2
5. Mostre, geometricamente e algebricamente, que o sistema e inconsistente.
_
_
_
x +y = 2
x y = 0
2x +y = 2
CAP

OES E INVERS
AO DE MATRIZES 46
3.2 Inversao de Matrizes
Nesta se cao, estamos interessados em usar as informa coes dadas na se cao 3.1, com
rela cao a opera coes elementares, e trabalhar com o conceito de matrizes elementares para
encontrar condi coes necessarias e sucientes para que uma matriz A seja inversvel.
n
. Diremos que a matriz A e uma matriz elementar, se
ela se obtem da matriz identidade I
n
, apos ter realizado uma operacao elementar em I
n
.
Denotaremos por E
i
=
i
(I
n
), a matriz elementar associada a opera cao elemntar
i
,
onde i = 1, 2, 3, da deni cao 3.1.3.
Exemplo 3.2.1 Consideremos o caso particular n = 3 na denicao 3.2.1, e a partir das
operacoes denidas em 3.1.3, podemos determinar algumas matrizes elementares onde
c = 0 K:
Com relacao a primeira operacao elementar
1
podemoos ter as seguintes matrizes
elementares :
E
1
1
=
_
_
0 1 0
1 0 0
0 0 1
_
_
E
1
2
=
_
_
1 0 0
0 0 1
0 1 0
_
_
E
1
3
=
_
_
0 0 1
0 1 0
1 0 0
_
_
Onde foi trocada a primeira linha com a segunda linha na primeira matriz, a segunda
linha com a terceira linha na segunda matriz e nalmente primeira linha com a
terceira linha.
Com relacao a segunda operacao elementar
2
, temos as seguintes matrizes ele-
mentares:
E
2
1
=
_
_
c 0 0
0 1 0
0 0 1
_
_
E
2
2
=
_
_
1 0 0
0 c 0
0 0 1
_
_
E
2
3
=
_
_
1 0 0
0 1 0
0 0 c
_
_
Onde foi multiplicada a primeira linha, a segunda e terceira linha por uma constante
0 = c K, respectivamente.
Com relacao a terceira operacao elementar
3
temos as seguintes matrizes ele-
mentares:
E
3
1
=
_
_
1 c 0
0 1 0
0 0 1
_
_
E
3
2
=
_
_
1 0 0
c 1 0
0 0 1
_
_
E
3
3
=
_
_
1 0 0
0 1 0
0 c 1
_
_
Onde foi multiplicada a segunda linha por uma constante 0 = c K e somada
na primeira linha, a segunda matriz e o resutado de multiplicar a primeira linha
por uma constante 0 = c K e somada a segunda linha, e a terceira matriz foi
multiplicado a segunda linha por uma constante 0 = c K e somada a terceira
linha.
CAP

OES E INVERS
AO DE MATRIZES 47
Proposicao 3.2.1 Sejam A M
n,m
, B M
p,n
e
i
uma operacao elementar nas
matrizes de ordem p n, onde i = 1, 2, 3. Entao
()
i
(B) A =
i
(B A)
Dem. Sejam B
1
, ..., B
p
as linhas da matriz B, e C
1
, ..., C
p
as linhas da matriz C = B A.
A partir da deni cao de produto de matrizes, temos que C
i
= B
i
A, onde i = 1, ..., p.
Como temos tres tipos de opera coes elementares, distinguiremos tres casos:
1
) Trocar a linha r com a linha s.
1
r
s
(C) =
_
_
_
C
r
= B
s
A
C
s
= B
r
A
C
i
= C
i
i = r, s
2
) Multiplicar a r-esima linha por c = 0 K.
2
(C) =
_
C
r
= cB
r
A
C
i
= C
i
i = r
3
) Susbstituir a r-esima linha pela linha r mais c vezes a linha s.
3
(C) =
_
C
r
= (cB
s
+B
r
) A
C
i
= C
i
i = r
Claramente, em cada um dos casos anteriores temos que C
j
=
i
(B
j
) A, para todo
j = 1, ..., p.
Veja que a proposi cao 3.2.1 diz que, aplicar uma opera cao elemtar numa matriz B, e
depois multiplicar este resultado pela matriz A e analogo a primeiro fazer a multiplica cao
das matrizes B e A e depois aplicar a opera cao elementar. Como consequencia direta da
proposi cao 3.2.1, temos o seguinte corolario.
Corolario 2 Seja A M
n,m
e B = I
n
. Entao
E A = (I
n
) A = (I
n
A) = (A)
onde E e uma matriz elementar.
Recordemos que (I
n
) e uma matriz elementar, ou seja o corolario anterior diz que,
realizar uma opera cao elementar
i
numa matriz A, e o mesmo que multiplicar a matriz
A, pela matriz elementar
i
(I
n
) = E
i
associada a opera cao elementar
i
, onde i = 1, 2, 3,
denidas em 3.1.3. A partir da observa cao apos a deni c ao 3.1.3, temos que toda matriz
elementar e inversivel.
CAP

OES E INVERS
AO DE MATRIZES 48
n,m
. Entao A B se, e somente se, existe uma
matriz inversvel P M
n
tal que A = P B e a matriz P e o produto nito de matrizes
elementares.
Dem. ) Sejam A, B M
n,m
tal que A B. Logo sabemos que existe um n umero nito
de opera coes elementares, digamos
1
, ...,
t
tal que
t
t1

1
(A) =
t
t1

1
(I
n
)A =
B onde
t

t1

1
(I
n
) = P e como cada uma das matrizes elementares E
i
=
i
(I
n
) e
inversvel, para todo i = 1, ..., t, segue que a matriz P e inversvel.
) Vamos supor que existe uma matriz inversvel P = E
t
E
1
, onde cada uma das
matrizes E
i
, com i = 1, ..., t e matriz elementar e a matriz P e tal que A = P B. Logo
segue que E
1
B B, e E
2
E
1
B B, e assim sucessivamente. Mas como so temos um
n umero nito de matrizes segue que A B.
n
. Entao sao equivalentes :
i) A matriz A e inversvel.
ii) A matriz A tem inversa à esquerda.
iii) O sistema homogeneo AX = 0 so tem solucao trivial.
iv) A matriz A e o produto de matrizes elementares.
Dem. i) ii)) Seja A M
n
inversvel, entao por deni cao ela tem inversa pela direita
e esquerda.
ii) iii)) Seja P a matriz inversa à esquerda da matriz A, logo multiplicando o
sistema linear AX = 0 pela matriz P pela esquerda segue que:
P(AX) = P 0 (P A)X = 0 I
n
X = 0 X = 0
Portanto, so tem a solu cao trivial X = 0.
iii) iv)) Seja R a matriz reduzida escalonada associada a matriz A, entao segue
que RX = 0 so admite a solu cao trivial, logo R = I
n
. Portanto A I
n
, e pela proposi cao
3.2.1, existe uma matriz inversvel P, dada pelo produto de matrizes elementares, tal que
A = P I
n
= P.
iv) i)) Seja A = E
t
E
1
, onde E
i
e uma matriz elementar com i = 1, ..., t. Logo a
matriz A e o produto nito de matrizes inversveis, entao A e inversvel.
n
. Se A tem inversa à esquerda (ou direita) entao ela e inver-
sivel.
n
. Se A I
n
se, e somente se A e inversvel.
CAP

OES E INVERS
AO DE MATRIZES 49
n
. Se A e inversvel, entao a mesma sequencia de opera coes
elementares aplicada na matriz I
n
, obtemos a matriz A
1
.
Dem. Como a matriz A e inversvel, temos que pelo corolario 4 que A I
n
, isto e,
A = E
t
E
1
I
n
, onde as matrizes E
t
, ..., E
1
sao matrizes elementares, logo inversveis,
portanto temos que E
1
1
E
1
2
E
1
t
A = I
n
e segue que A
1
= E
1
1
E
1
2
E
1
t
=
1
1
(I
n
)
1
2
(I
n
)
1
t
(I
n
) =
1
1

1
2

1
t
(I
n
), como queramos.
Corolario 6 Se [A : I
n
] [I
n
: P], entao P = A
1
Dem. Como [A : I
n
] [I
n
: P], segue que existe uma matriz inversvel Q, dada pelo
produto nito de matrizes elementares tal que [A : I
n
] = Q [I
n
: P] A = Q I
n
e I
n
=
Q P A
1
= Q
1
= P
Exemplo 3.2.2 Determinemos a matriz inversa de A =
_
_
2 4 3
3 6 5
2 5 2
_
_
. Pelo corolario 5
temos a seguinte matriz aumentada:
_
_
2 4 3 : 1 0 0
3 6 5 : 0 1 0
2 5 2 : 0 0 1
_
_

1
2
L
1
_
_
1 2
3
2
:
1
2
0 0
3 6 5 : 0 1 0
2 5 2 : 0 0 1
_
_

3L
1
+L
2
_
_
1 2
3
2
:
1
2
0 0
0 0
1
2
:
3
2
1 0
2 5 2 : 0 0 1
_
_
2L
1
+L
3
_
_
1 2
3
2
:
1
2
0 0
0 0
1
2
:
3
2
1 0
0 1 1 : 1 0 1
_
_

L
2
L
3
_
_
1 2
3
2
:
1
2
0 0
0 1 1 : 1 0 1
0 0
1
2
:
3
2
1 0
_
_
2L
2
+L
1
_
_
1 0
7
2
:
5
2
0 2
0 1 1 : 1 0 1
0 0
1
2
:
3
2
1 0
_
_
2L
3
_
_
1 0
7
2
:
5
2
0 2
0 1 1 : 1 0 1
0 0 1 : 3 2 0
_
_
L
3
+L
2
_
_
1 0
7
2
:
5
2
0 2
0 1 0 : 4 2 1
0 0 1 : 3 2 0
_
_

7
2
L
3
+L
1
_
_
1 0 0 : 13 7 2
0 1 0 : 4 2 1
0 0 1 : 3 2 0
_
_
Logo, a partir do corolario 5 temos a inversa da matriz A e dada pela matriz
A
1
=
_
_
13 7 2
4 2 1
3 2 0
_
_
CAP

OES E INVERS
AO DE MATRIZES 50
Exemplo 3.2.3 No seguinte exemplo, mostraremos uma pequena aplicacao a sistemas
de equacoes lineares do uso de inversa de matrizes. Seja o seguinte sistema de equa coes
lineares :
_
_
_
2x +4y +3z = 3
3x +6y +5z = 1
2x +5y +2z = 2
Que matricialmente, o sistema anterior esta dado por : AX = B onde A =
_
_
2 4 3
3 6 5
2 5 2
_
_
X =
_
_
x
y
z
_
_
e B =
_
_
3
1
2
_
_
.
Portanto, a solucao do sistema e dado por
X = A
1
B =
_
_
13 7 2
4 2 1
3 2 0
_
_
_
_
3
1
2
_
_
=
_
_
39 + 7 4
12 2 + 2
9 2 + 0
_
_
=
_
_
42
12
11
_
_
Exemplo 3.2.4 Recordemos que os geradores eletricos, como baterias, criam correntes
eletricas num circuito eletrico e os resistores, como lampadas eletricas, limitam as mag-
nitudes das correntes.
Existem tres quantidades basicas assocoadas a circuitos eletricos : Potencial eletrico
(E), a resistencia (R) e a intensidade (I), que sao medidas en Volt, Ohms e amperes
respectivamente.
Num circuito eletrico, o potencial eletrico entre dois pontos e dado pela diferen ca de
potencial ou queda de tensao entre estes dois pontos. O uxo da corrente num circuito
eletrico e dado por tres principios basicos :
a) A Lei de Ohm. A diferen ca de potencial atraves de um resistor e o produto da
corrente que passa por ele e a resistencia : E=IR
b) A Lei da corrente de Kirchho. A soma alebrica da corrente uindo ao interior
de qualquer circuito eletrico e igual à soma das correntes uindo para fora do ponto.
c) A Lei de Voltagem de Kirchho. Em torno de qualquer circuito fechado, a soma
alegebrica das diferencas de potencial e zero.
Entao, consideremos a seguinte gura a seguir, e fazendo uso dos tres pricipios ante-
riores determinemos I
1
, I
2
e I
3
:
Logo, a partir do principio da corrente de Kirchhho, dado em b) anterior, segue que
:
_
I
1
= I
2
+I
3
No ponto A
I
2
+I
3
= I
1
No ponto B
CAP

OES E INVERS
AO DE MATRIZES 51
B 50V
11
7 A
30V
>
>
>
I
I
I
1
2
3
3
Figura 3.1: Circuito Eletrico
Entao temos que I
1
I
2
I
3
= 0. Fazendo, uso do principio da voltagem de Kirchho,
dado em c) anterior, temos :
_
7I
1
+ 3I
3
= 30
3I
3
+ 11I
2
= 50
Agora, como I
1
= I
2
+I
3
temos o seguinte sistema de equacoes lineares :
_
7I
2
+ 7I
3
+ 3I
3
= 30
3I
3
+ 11I
2
= 50
_
7 10 30
11 3 50
_
Fazendo uso de operacoes elementares segue que :
_
7 10 30
11 3 50
_

1
7
L
1
_
1
10
7
30
7
11 3 50
_

11L
1
+L
2
_
1
10
7
30
7
0
131
7
20
7
_
7
131
L
2
_
1
10
7
30
7
0 1
20
131
_

10
7
L
2
+L
1
_
1 0
590
131
0 1
20
131
_
Portanto, temos que I
2
=
590
131
e I
3
=
20
131
e logo, podemos tambem conhecer
I
1
= I
2
+I
3
=
590
131
+
20
131
=
570
131
Como solicitado.
CAP

OES E INVERS
AO DE MATRIZES 52
Na se cao 3.1 denimos opera coes elementares sobre as linhas, mas de maneira analoga
podem ser denidas opera coes elementares sobre as colunas, e ao igual que antes, obter
todos os resultados enunciados neste captulo trocando, nos enunciados dos resultados,
linhas por colunas. Logo, podemos dizer que as matrizes A, B M
n,m
sao equiva-
lentes por coluna, que denotaremos por A
c
B se zermos um n umero nito de opera coes
elementares nas colunas da matriz B ate obter a matriz A, e de maneira analoga dire-
mos que uma matriz e dita elementar se ela pode-se obter da matriz identidade apos ter
feito uma opera cao elementar nas colunas da matriz identidade. Portanto, temos que,
toda matriz elementar coluna e inversvel e toda matriz inversvel pode-se escrever como
um produto nito de matrizes elementares colunas. Mas, sempre estaremos interessados
nas opera coes linha, por uma questao de comodidade e familiaridade ao trabalhar com
sistemas de equa coes lineares.
3.2.1 Exerccios
1. Reduza a matriz A =
_
_
1 3 9
2 8 4
3 6 7
_
_
a uma matriz escalonada reduzida R. Escreva a
matriz elementar em cada um dos passos, e depois ache a matriz inversvel P dada
pelo produto destas matrizes elementares e verique que R = PA.
2. Use o corolario 6 para vericar se a matriz e inversivel, e se for, calcule a sua inversa
em cada um dos casos.
a)
_
_
3 2 1
2 7 3
1 9 3
_
_
b)
_
_
9 6 2
5 1 8
1 0 7
_
_
c)
_
_
2 7 3
5 9 2
6 5 3
_
_
d)
_
_
7 5 12
2 9 3
11 4 6
_
_
e)
_
3 1
7 3
_
f)
_
5 9
1 9
_
3. Seja A =
_
a b
c d
_
. Mostre, usando opera coes elementares que a matriz A e in-
versvel se, e somente se, ad bc = 0.
4. Ache a solu cao do seguinte sistema de equa coes lineares, usando opera coes ele-
mentares.
_
3x 7y = 4
2x +5y = 8
5. Uma empresa de componentes eletronicos, usa tres tipos de maquinas P, Q e R
para produzir tres tipos de componentes eletronicos A, B e C. As maquinas P,
Q e R podem operar 80,60 e 90 horas por semana, respectivamente. A maquina
P requer duas horas para produzir o componente eletronico A, quatro horas para
produzir o componente eletronico B e duas horas para produzir o componente C. A
CAP

OES E INVERS
AO DE MATRIZES 53
maquina Q requer tres horas para produzir o componente eletronico A, duas horas
para produzir o componente eletronico B, e duas horas para produzir o componente
C. A maquina R requer duas horas para produzir o componente eletronico A, qua-
tro horas para produzir o componente eletronico B, e uma hora para produzir o
componente C. Estamos interessados em determinar o n umero de unidades de cada
componente eletronico produzidos pelas maquinas P, Q e R por semana.
6. Fazendo uso da gura abaixo, determine I
1
, I
2
e I
3
.
B 8V
9
10 A
6V
>
I
I
I
1
2
3
3
< <
Figura 3.2: circuito eletrico
7. Fazendo uso do sistema alemao da primeira guerra mundial, visto no anl do captulo
anterior, para decodicar a seguinte mensagem:
_
_
67
59
41
_
_
_
_
83
89
49
_
_
_
_
111
169
87
_
_
_
_
58
94
56
_
_
_
_
55
76
38
_
_
_
_
60
97
57
_
_
_
_
79
95
53
_
_
_
_
49
38
26
_
_
Captulo 4
Espacos Vetoriais
4.1 Espacos Vetoriais
Recordemos que nos captulos ?? e 3 trabalhamos o conjunto M
n,m
das matrizes
de n linhas e m colunas onde denimos a opera cao soma (ou opera cao interna) :
M
n,m
M
n,m
M
n,m
tal que (M
n,m
, ) era um grupo abeliano, mas tambem denimos
o produto por escalar (ou opera cao externa) : K M
n,m
M
n,m
tal que eram validas
as seguintes propriedades onde , , 1 K e A, B M
n,m
:
i) ( +) A = A A
ii) (AB) = A B
iii) ( ) A = ( A)
iv) 1 A = A
A pergunta que surge e a seguinte. Sera que existem outros conjuntos nao vazios
tais que possuam duas operacoes (uma operacao interna e um produto por es-
calar) tal que sejam satisfeitas todas as propriedaes enunciadas no paragrafo
anterior?. Em outras palavras, como sera a deni cao de uma somaem este conjunto
e, como sera a deni cao de multiplica cao por escalar, tal que sejam validas todas as pro-
priedades do paragrafo anterior?. Veja que ate agora as unicas opera coes que a maioria
dos nossos alunos conhece sao muito similares as enuncidas acima. Mas sera que exis-
tem outras opera coes que atendam as exigencias das propriedades anteriores, isto e, ter
uma opera cao interna que seja um grupo Abeliano, e com a opera cao externa atenda as
propriedades dadas pelo produto escalar?. Entao vejamos a seguinte deni cao.
54
CAP
ITULO 4. ESPAC OS VETORIAIS 55

Denicao 4.1.1 Seja V um conjunto nao vazio e K um corpo. Diremos que V e um K-
espaco vetorial se existem uma operacao interna, que chamaremos de soma e denotaremos
por : V V V tal que (V, ) e um grupo abeliano e uma multiplicacao por escalar
que denotaremos : K V V tal que:
i) ( +) v = v v
ii) (v w) = v w
iii) () v = ( v)
iv) 1 v = v
onde , , 1 K e v, w V
Chamaremos de vetores os elementos do K-espa co vetorial V , e os denotaremos por
letras minusculas. Denotaremos por 0 o vetor nulo de V , e ele existe pois (V, ) e um
grupo abeliano, vejamos agora alguns exemplos.
Exemplo 4.1.1 Consideremos V = M
n,m
com a soma : M
n,m
M
n,m
M
n,m
e
produto por escalar : K M
n,m
M
n,m
, entao pelo captulo 2 temos que (M
n,m
, , )
e um K-espaco vetorial.
Exemplo 4.1.2 Seja V = R com a soma e produto usuais de R. Entao temos que
(R, +, ) e um R-espaco vetorial. Observe que todo corpo K com as suas opera coes de
soma e multiplicacao forma um K-espaco vetorial.
Exemplo 4.1.3 Seja V = C = {a + bi/a, b R, onde i
2
= 1} e K = R onde a soma
e dada por (a + bi) (c + di) = (a + c) + (b + d)i e o produto por escalar e denido por
(a + bi) = a + bi , e a + bi, c + di V , e R, tambem forma um R-espa co
vetorial.
Exemplo 4.1.4 Seja V = {p(x) = a
n
x
n
+ + a
0
/a
i
K, i = 0, , n} onde a soma
p(x)q(x) =
n
0
(a
i
+b
i
)x
i
e a multiplicacao por escalar e dada por p(x) =
n
0
(a
i
)X
i
tambem forma um K-espaco vetorial.
Exemplo 4.1.5 Seja V = {f : XK/X = } onde a soma f g = (f + g)(x) =
f(x) + g(x) e o produto por escalar f = (f)(x) = f(x). Entao (V, , ) e um
K-espaco vetorial.
CAP

Proposicao 4.1.1 Seja V um K-espaco vetorial. Entao sao validas:
i) K, temos que 0 = 0.
ii) 0 v = 0.
iii) Se k v = 0 onde k K, v V , entao k = 0 ou v = 0.
iv) k K, v V temos que (k) v = k (v) = (k v).
v) Sejam v
1
, , v
n
V e c
1
, , c
n
, d
1
, , d
n
K entao
(c
1
v
1
c
n
v
n
) (d
1
v
1
d
n
v
n
) = (c
1
+d
1
) v
1
(c
n
+d
n
) v
n
Dem.
i) Como o conjunto V = e (V, ) e um grupo abeliano, temos que 0 0 = 0, segue que
k 0 = k (0 0) = k 0 k 0, agora como (V, ) e um grupo abeliano, temos que
k 0 = 0.
ii) Como K e um corpo, temos que 0+0 = 0, entao segue que 0v = (0+0)v = 0v0v.
Como (V, ) e um grupo abeliano, segue que 0 v = 0.
iii) Seja k v = 0, vamos supor que k = 0. Entao, como K e um corpo, todo elemento
nao nulo de K admite inverso multiplicativo, logo existe k
1
e tal que k
1
(k v) =
(k
1
k) 0 = 1 0 = 0 = v, como queramos. Agora, se o vetor v = 0, temos que
o escalar k pode ser zero ou diferente de zero, mas se for diferente de zero, pelo
anterior podemos concluir que o vetor v = 0, o que e uma contradi cao. Portanto
k = 0.
iv) Como sabemos que v (v) = 0, para todo vetor v V , temos que 0 = k 0k (v
(v)) = k vk (v), portanto segue que, (k v) = k (v). Por outro lado, como
K e um corpo temos que k+(k) = 0, logo 0 = 0 v = (k+(k)) v = k v(k) v.
Portanto temos que (k v) = (k) v. Veja que se k = 1 temos que v = (1) v.
v) Segue diretamente da associatividade e da distributividade de (V, ).
CAP

4.1.1 Exerccios
1. Mostre que o corpo dos n umeros complexos e um espa co vetorial real, e que todo
elemento de C pode ser escrito como uma combina cao linear real dos elementos
1, i C.
2. Seja V = R
2
i) Denamos:(x, y) + (x
, y
) = (x +x
, y +y
) e c(x, y) = (cx, cy) com c R. Com

estas opera coes mostre que V e um espa co vetorial real.
ii) Denamos: (x, y) (x
, y
) = (3y + 3y
, x x
) e c (x, y) = (3cy, cx).

Verique se V e um espa co vetorial real ou nao.
iii) Denamos: (x, y) +(x
, y
) = (x +x
, y +y
) e c(x, y) = (x +c, y +c). Verique

se V e ou nao un espa co vetorial real.
3. Mostre que o conjunto S, solu cao do sistema nao homogeneo AX = B, nao forma
um espa co vetorial.
4. Mostre que o conjunto W = {(0, x
2
, ..., x
n
) R
n
} com as opera coes usuais de soma
e produto por escalar de R
n
forma um espa co vetorial real.
5. Verique que o conjunto das matrizes diagonais de dois por dois, com as opera coes
usuais de soma de matrizes e produto por escalar de matrizes, forma um espa co
vetorial real.
4.2 Sub-espacos Vetoriais
Um dos objetivos desta se cao e dar uma forma mais pratica para poder decidir se
um conjunto nao vazio V , juntamente com opera coes de soma e multiplica cao por escalar,
forma um espa co vetorial ou nao.
Denicao 4.2.1 Seja V um k-espaco vetorial e seja W um subconjunto nao vazio de V .
Se o subconjunto W de V , forma um espaco vetorial com as operacoes induzidas de V ,
entao diremos que W e um sub-espaco vetorial do espaco vetorial V .
Veja que a deni cao anterior, realmente nao ajuda muito para decidir se um conjunto
V e um espa co vetorial ou nao, pois para vericar se um subconjunto W de V e um sub-
espa co vetorial ou nao temos que mostrar que o conjunto (W, ) e um grupo abeliano, e
(W, , ) satisfaz todas as propriedades do produto por escalar. Uma forma de resolver
este problema e dado pela seguinte proposi cao.
CAP

Proposicao 4.2.1 Seja V um K-espaco vetorial e = W V . Entao W e um sub-
espaco vetorial de V se, e somente se, u, v W e K o vetor u v W.
Dem. Seja V um K-espa co vetorial e = W V tal que W e um sub-espa co vetorial
de V , portanto W e um espa co vetorial, logo segue que u, v W, e K, temos que
u v W.
Seja W como acima, entao como = W, entoa W tem pelo menos um vetor, digamos
u W, entao (1)uu = 0 W, e logo temos que u = u0 W para todo K,
em particular temos que (1) u = u W, e tambem temos que u v = 1 u v W
Exemplo 4.2.1 Seja V um K-espaco vetorial. Entao W = {0} e um sub-espaco vetorial,

claramente se W = V , entao claramente W tambem e um subespaco vetorial. Estes
espacos vetoriais sao conhecidos como espacos vetoriais triviais. Veja que usando o fato
de W = V nao e necessario vericar as oito propriedades de espaco vetorial, isto se reduz
a vericar a condicao dada na proposicao 4.2.1, i.e., para mostrar que V e um K-espa co
vetorial, basta vericar a proposicao 4.2.1.
Exemplo 4.2.2 Sejam V = R
3
e W = {(x, y, z)/x, y, z Z}.

E facil vericar que se
R e (x, y, z) W, entao (x, y, z) = (x, y, z) / W, isto e, as coordenadas de
(x, y, z) nao sao necessariamente inteiras, logo nao pode estar em W. Portanto W
nao e um sub-espaco vetorial.
Exemplo 4.2.3 Seja V = R
n
, e seja W = {(0, x
2
, ..., x
n
)/x
i
R onde i = 2, ..., n}.
Veja que W e um sub-espaco vetorial, pois sejam (0, x
2
, ..., x
n
), (0, y
2
, ..., y
n
) W e seja
R, entao (0, x
2
, ..., x
n
) (0, y
2
, ..., y
n
) = (0, x
2
+ y
2
, ..., x
n
+ y
n
) W, pois em
W estao todas as n-uplas que tem a primeira coordenada nula.
Exemplo 4.2.4 Seja V = {f : RR/f e uma funcao real}, entao os seguintes conjun-
tos sao sub-espacos vetoriais de V . Claramente o conjunto W = {f V/f e cont
inua} e
sub-espaco vetorial de V, pois a partir dos cursos de calculo temos que a soma de fun coes
contnuas e contnua, e produto de funcoes contnuas tambem e continua, em particular a
multiplicacao por escalar. Consideremos agora o conjunto W
p
= {f V/f(x) = f(x)},
que e o conjunto das funcoes pares, e consideremos o conjunto W
i
= {f V/f(x) =
f(x)} que e o conjunto das funcoes mpares, ambos conjuntos s ao sub-espacos vetoriais
de V .
Exemplo 4.2.5 Seja V = {p(x) =
n
0
a
i
x
i
/a
i
K, i = 0, ..., n} e seja W = {p(x)
V/a
i
= 0 se i e

impar}. Entao soma de polinomios de grau par continua sendo de grau
par, e como multiplicacao por escalar nao altera o grau do polinomio, temos que W e um
sub-espaco vetorial de V .
Exemplo 4.2.6 Seja V = M
n,m
e consideremos os conjuntos W
s
= {A V/A
t
= A} e
W
a
= {A V/A
t
= A}. Como visto no captulo ??, temos que tanto o conjunto W
s
como o conjunto W
a
sao sub-espacos vetoriais de V .
CAP

Proposicao 4.2.2 Seja V um K-espaco vetorial e sejam U e W sub-espacos vetoriais
nao vazios de V . Entao U
W e um sub-espaco vetorial de V .
Dem. Veja que, como U, W sao sub-espa cos nao vazios, entao o 0 U W. Sejam
u, w U W e K, entao u, w U e u, w W, logo segue que u v U e
u v W pois U e W sao sub-espa cos vetoriais de V , portanto u v U W
como queramos. Portanto U W e um sub-espa co vetorial de V .
Exemplo 4.2.7 Seja S o conjunto solucao do seguinte sistema de equacoes homogeneo :
_
_
a
11
x
1
+ +a
1m
x
m
= 0
.
.
.
.
.
.
a
n1
x
1
+ +a
nm
x
m
= 0
O sistema anterior pode ser visto matricialmente como AX = 0, onde a matriz A
e dada pelos coecientes do sistema homogeneo. Claramente o conjunto solu cao S =
S
1
S
2
... S
n
onde S
i
e o conjunto solucao da i-esima equacao do sistema homogeneo.
Veja que cada S
i
e um sub-espaco vetorial de K
m
, pois, sejam x
1
= (x
1
1
, ..., x
1
m
) e x
2
=
(x
2
1
, ..., x
2
m
) S
i
, ou seja
a
i1
x
1
1
+ +a
im
x
1
m
= 0
a
i1
x
2
1
+ +a
im
x
2
m
= 0
Entao, a partir da proposicao 4.2.1, temos que x
1
+x
2
S
i
(verique). Em geral, sejam
X, X
S e seja K, entao A( XX
) = ()AXAX
= ()00 = 0. Portanto o
conjunto solucao S e um sub-espa co vetorial de K
m
.Observemos tambem que poderiamos
ter usado a proposicao 4.2.2 para concluir o anterior.
Exemplo 4.2.8 Sejam U = {(x, 0) R
2
/x R}, W = {(0, y) R
2
/y R}. Nao e
difcil vericar que tanto U como W sao sub-espacos vetoriais de R
2
. Veja que U W =
{(x, y) R
2
/x = 0 ou y = 0} nao e um sub-espaco vetorial de R
2
, pois, (1, 1) = (1, 0) +
(0, 1) / U W nao tem nenhuma das coordenadas igual a zero.
Denicao 4.2.2 Seja v V . Diremos que o vetor v e uma combinacao linear dos vetores
v
1
, ..., v
n
V , se existem escalares c
1
, ..., c
n
K tal que :
v = c
1
v
1
+ +c
n
v
n
=
n
1
c
i
v
i
Exemplo 4.2.9 Seja V um K-espaco vetorial e sejam v
1
, ..., v
n
vetores quaisquer de V .
Consideremos o seguinte conjunto W = {v V/ existem c
1
, ..., c
n
K onde v =
n
1
c
i
v
i
}.
Entao veriquemos que o conjunto W e um sub-espaco de V . Sejam u =
n
1
a
i
v
i
, v =
n
1
c
i
v
i
W e seja K, entao temos que
u +v = (
n
1
a
i
v
i
) +
n
1
c
i
v
i
=
n
1
a
i
v
i
+
n
1
c
i
v
i
=
n
1
(a
i
+c
i
)v
i
W
Portanto W e um sub-espaco vetorial de V .
CAP

Denicao 4.2.3 Seja V um K-espaco vetorial. Diremos que o conjunto de vetores de V
{v
1
, ..., v
n
}, gera o espaco vetorial V , se v V , existem escalares c
1
, ..., c
n
K tal que
v = c
1
v
1
+ +c
n
v
n
=
n
1
c
i
v
i
V = [v
1
, ..., v
n
] denotara que o espaco vetorial V e gerado pelo conjunto {v
1
, ..., v
n
}
2
, e sejam {e
1
= (1, 0), e
2
= (0, 1)}. Entao este conjunto
gera V , pois, para quaisquer (x, y) V temos que (x, y) = x(1, 0) + y(0, 1) = xe
1
+ ye
2
,
portanto o conjuto {e
1
, e
2
} e um conjunto gerador de V ou V = [e
1
, e
2
].
3
e seja {v
1
= (1, 0, 0), v
2
= (0, 1, 0), v
3
= (1, 1, 0)}, entao
este conjunto nao gera V , pois basta considerar um vetor v = (x, y, z) tal que a terceira
coordenada seja diferente de zero, entao nao e possvel achar escalares c
1
, c
2
, c
3
R tal
que v = c
1
v
1
+c
2
v
2
+c
3
v
3
.
2
o conjunto das matrizes de dois por dois, entao o con-
junto formado pelas matrizes {E
1
=
_
1 0
0 0
_
, E
2
=
_
0 1
0 0
_
, E
3
=
_
0 0
1 0
_
, E
4
=
_
0 0
0 1
_
} e um conjunto gerador de V , pois para qualquer matriz A V temos que :
A =
_
a b
c d
_
= aE
1
+bE
2
+cE
3
+dE
4
Exemplo 4.2.13 Denotemos por P
3
(x) o conjunto de todos os polinomios de grau menor
ou igual a tres, isto e, P
3
(x) = {p(x) =
3
1
a
i
x
i
/a
i
K, i = 1, 2, 3}. Consideremos
V = P
3
(x) entao o conjunto {p
0
(x) = 1, p
1
(x) = x, p
2
(x) = x
2
, p
3
(x) = x
3
} e um conjunto
gerador de V = P
3
(x).
Exemplo 4.2.14 Sejam S
1
, S
2
dois sub-espacos vetoriais de V , e consideremos o con-
junto S
1
+ S
2
= {s
1
+ s
2
/s
1
S
1
, s
2
S
2
}. Entao S
1
+ S
2
e um sub-espaco vetorial de
V .
n
e sejam S
1
= {A V/A
t
= A} e S
2
= {A V/A
t
=
A}, entao V = S
1
+S
2
.
Exemplo 4.2.16 Seja V = {f : KK/f e func ao} e sejam S
1
= {f V/f(x) =
f(x)} e S
2
= {f V/f(x) = f(x)}, entao V = S
1
+S
2
CAP

4.2.1 Exerccios
1. Seja V = R
3
. Verique se W e um sub-espa co vetorial de V .
a) W = {(x, y, z) V/x +y +z = 0}
b) W = {(x, y, z) V/x 0}
c) W = {(x, y, z) V/x
2
+y
2
+z
2
0}
d) W = {(x, y, z) V/x, y, z Q}
e) W = {(x, y, z) V/xyz = 0}
2. Se V = M
n
(K), onde n 2. Verique se os seguintes subconjuntos de V sao
sub-espa cos vetoriais de V .
a) W = {A V/AT = TA}.
b) W = {A V/A
2
= A}.
c) W = {A V/det(A) = 0}.
d) W = {A V/det(A) = 0}.
3. Seja V = {f : RR} o espa co das fun coes reais. Verique quais dos seguintes
conjuntos e um sub-espa co vetorial de V .
a) W = {f : RR/f(0) = f(1)}
b) W = {f : RR/f(3) = 0}
c) W = {f : RR/f
(0) = 1}
d) W = {f : RR/f(x) 0}
4. Seja V = P
n
(R) o espa co vetorial dos polinomios de grau menor ou igual a n
com coecientes reais. Determine se os seguintes conjuntos sao ou nao sub-espa cos
vetoriais de V .
a) W = P
5
(R)
b) W e o conjunto dos polinomios de grau n.
c) W e o conjunto dos polinomios de grau par menor ou igual a n.
d) W = P
n
(Z)
5. Seja V um espa co vetorial, e W
1
, W
2
sub-espa cos vetoriais de V . Entao mostre que
se W
1
W
2
e um sub-espa co vetorial de V , entao temos que W
1
W
2
ou W
2
W
1
.
6. Seja V um espa co vetorial e W
1
, W
2
sub-espa cos vetoriais de V . Mostre que se V =
W
1
+W
2
e W
1
W
2
=

0, entao todo vetor v V pode-se escrever de maneira unica
como combina cao linear de W
1
e de W
2
. Neste caso diremos que o espa co vetorial
V e a soma direta dos subesp cos W
1
e W
2
que denotaremos por V = W
1
W
2
.
CAP

7. Prove que os espa cos vetoriais V = M
n
e V = {f : RR} admitem uma decom-
posi cao em soma direta de sub-espa cos vetoriais.
8. Seja V o espa co vetorial formado por todas as retas no plano R
2
. Sejam L
1
, L
2
V
e W = {L V/L e ortogonal as retas L
1
, L
2
} um subconjunto de V . Mostre que
o conjunto W nao e um sub-espa co vetorial de V .
9. Seja V o espa co vetorial formado por todas as retas no plano R
2
. Seja W = {L
V/L = ax onde a R} um subconjunto de V , entao mostre que W e um subespa co
vetorial de V .
10. Deteremine o valor de c tal que o vetor x = (1, 2, c) R
3
seja combina cao linear
dos vetores x
1
= (3, 0, 2), x
2
= (2, 1, 5).
11. Escreva o polinomio p(t) = t
3
+ 4t
2
+t + 1 como combina cao linear dos polinomios
p
1
(t) = t
3
+t 2, p
2
(t) = t
2
+ 2t + 4, p
3
(t) = t + 5.
12. Mostre que o conjunto de vetores {(0, 1, 1), (0, 1, 1), (1, 1, 1)} gera o espa co vetorial
R
3
.
13. Descreva geometricamente os sub-espa cos vetoriais de R
3
gerados pelos seguintes
conjuntos.
a) {(0, 1, 2), (0, 2, 3), (0, 3, 1)}
b) {(0, 2, 1), (1, 1, 1), (2, 1, 4)}
c) {(1, 2, 3), (1, 1, 1)}
14. Mostre que o conjunto {
_
1 0
0 1
_
,
_
0 1
1 0
_
} nao gera V = M
2
.
15. Mostre que o conjunto {(1 t)
3
, (1 t)
2
, 1 t, 1} gera o espa co vetorial V = P
3
(K).
4.3 Dependencia e Independencia Linear
Um dos conceitos mais importantes em
`
Algebra Linear, e o de dependencia e inde-
pendencia linear, que e tambem muito usado em outras area da Matematica ou na area de
exatas, como em equa coes dieferenciais ordinarias, para decidir se duas ou mais solu coes
de uma equa cao diferencial sao linearmente independentes ou nao, para construir o espa co
completo de solu coes da equa coes diferenciais ordinarias, este conceito e dado na seguinte
deni cao.
Denicao 4.3.1 Seja V um K-espaco vetorial e seja {v
1
, ..., v
n
} um conjunto de vetores
de V . Se a unica solucao para a equacao vetorial
c
1
v
1
+ +c
n
v
n
= 0
CAP

e c
1
= c
2
= = c
n
= 0, entao diremos que o conjunto {v
1
, ..., v
n
} e linearmente in-
dependente que denotaremos por LI, caso contrario diremos que o conjunto {v
1
, ..., v
n
}
e linearmente dependente, que denotaremos por LD.
3
e seja {e
1
= (1, 0, 0), e
2
= (0, 1, 0), e
3
= (0, 0, 1)}, logo este
conjunto e um conjunto linearmente independente.
2
e consideremos o seguinte sub-conjunto de V = R
2
, {v
1
=
(1, 1), v
2
= (2, 5)} que e LI, pois sejam c
1
, c
2
K tal que:
c
1
v
1
+c
2
v
2
= c
1
(1, 1) +c
2
(2, 5) = (c
1
+ 2c
2
, c
1
+ 5c
2
) = (0, 0)
se e somente se c
1
= c
2
= 0. Portanto o conjunto {v
1
= (1, 1), v
2
= (2, 5)} e linearmente
independente.
Exemplo 4.3.3 Seja V = P
3
(t), e consideremos o sub-conjunto de V = P
3
(t) dado por
{p
1
(t) = t
3
+4t
2
+2t +3 ; p
2
(t) = t
3
+6t
2
t +4; p
3
(t) = 3t
3
+8t
2
8t +7}, este conjunto
e um conjunto LD, pois sejam c
1
, c
2
, c
3
K tal que
c
1
p
1
(t) +c
2
p
2
(t) +c
3
p
3
(t) = c
1
(t
3
+4t
2
+2t +3) +c
2
(t
3
+6t
2
t +4) +c
3
(3t
3
+8t
2
8t +7)
(c
1
+c
2
+3c
3
)t
3
+(4c
1
+6c
2
+8c
3
)t
2
+(2c
1
c
2
8c
3
)t +(3c
1
+4c
2
+7c
3
) = 0t
3
+0t
2
+0t +0
admite uma solucao nao trivial ou nao nula, logo o conjunto {p
1
(t) = t
3
+ 4t
2
+ 2t +
3; p
2
(t) = t
3
+ 6t
2
t + 4; p
3
(t) = 3t
3
+ 8t
2
8t + 7} e linearmente dependente.
2
e consideremos o conjunto {v
1
=
_
1 1
3 0
_
; v
2
=
_
2 2
6 0
_
}. Este conjunto e LD, pois sejam c
1
, c
2
K tal que
c
1
v
1
+c
2
v
2
= c
1
_
1 1
3 0
_
+c
2
_
2 2
6 0
_
=
_
0 0
0 0
_
de onde temos que c
1
= 1, c
2
= 2, portanto o conjunto {v
1
=
_
1 1
3 0
_
; v
2
=
_
2 2
6 0
_
} e linearmente dependente.
Proposicao 4.3.1 Sejam r, n N tal que r > n. Entao qualquer conjunto com r vetores
de K
n
e linearmente dependente.
Dem. Seja {v
1
, ..., v
r
} um conjunto de r vetores em K
n
e sejam c
1
, ..., c
r
K tal que:
c
1
v
1
+ +c
r
v
r
= 0
Como v
i
K
n
, entao tem n coordenadas e, cada uma das coordenadas de
r
1
c
i
v
i
e igual a zero. Logo, temos um sistema homogeneo de n equa coes iguais a zero, onde
o n umero de indeterminadas e maior que o n umero de equa c oes, portanto admite uma
solu cao nao trivial, logo o conjunto e linearmente dependente como queramos.
CAP

Proposicao 4.3.2 Seja V um K-espaco vetorial. O conjunto {v
1
, ..., v
n
}, onde n 2, e
linermente dependente se, e somente se, pelo menos um dos vetores e uma combina cao
linear dos outros vetores.
Dem. ) Seja {v
1
, ..., v
n
} um conjunto linearmente dependente de V . Entao, existem
escalares c
1
, ..., c
n
nao todos nulos tal que
c
1
v
1
+ +c
n
v
n
= 0
Sem perda de generalidade, podemos supor que c
1
= 0, entao segue que:
c
1
v
1
= c
2
v
2
c
n
v
n
v
1
=
c
2
c
1
v
2

c
n
c
1
Portanto o vetor v
1
e uma combina cao linear dos vetores v
2
, ..., v
n
.
) Sem perda de generalidade, vamos supor que v
1
= c
2
v
2
+ + c
n
v
n
logo, v
1
+
c
2
v
2
+ +c
n
v
n
= 0, portanto o conjunto {v
1
, ..., v
n
} e linearmente dependente.
Corolario 7 Seja V um K-espaco vetorial. Qualquer subconjunto de vetores de V que
contenha um subconjunto linearmente dependente, e linearmente dependente.
Dem. Seja {v
1
, ..., v
n
} um subconjunto qualquer de vetores de V . Se o conjunto {v
1
, ..., v
n
}
ja e linearmente dependente, entao nao temos nada a mostrar. Consideremos o subcon-
junto {v
1
, ..., v
r
} do conjunto {v
1
, ..., v
n
} linearmente dependente, onde r < n. Logo,
existem escalares c
1
, ..., c
r
K, nao todos nulos tal que
c
1
v
1
+ +c
r
v
r
= 0 c
1
v
1
+ +c
r
v
r
+ 0v
r+1
+ + 0v
n
= 0
Portanto, a combina cao anterior mostra que como os c
i
s na sao todos nulos, entao o con-
junto {v
1
, ..., v
n
} e um conjunto linearmente dependente.
Corolario 8 Seja V um K-espaco vetorial. Qualquer subconjunto {v
1
, ..., v
n
} de vetores
de V que contem o vetor nulo e linearmente dependente.
Corolario 9 Seja V um K-espaco vetorial. Qualquer subconjunto de um conjunto lin-
earmente independente e linearmente independente.
Dem. Seja {v
1
, ..., v
n
} um subconjunto linearmente independente de vetores de V , e seja
{v
1
, ..., v
r
} um subconjunto de {v
1
, ..., v
n
}, isto e, r < n, pois se r = n nao temos nada
a mostrar. Se {v
1
, ..., v
r
} e linearmente dependente, entao pelo corolario 8 temos que o
conjunto {v
1
, ..., v
n
} e linearmente dependente, o que induz a contradi cao. Portanto o
subconjunto {v
1
, ..., v
r
} e linearmente independente.
3
, e seja {u = (1, 2, 3), v = (2, 4, 6), w = (1, 1, 1)} um
subconjunto de vetores de V . Este subconjunto e linearmente dependente pois 2uv+0w =
(0, 0, 0).
CAP

4.3.1 Exerccios
1. Mostre que:
a) Se v = 0 V , entao o conjunto formado pelo vetor v e, linearmente indepen-
dente.
b) Sejam u, v V . O conjunto formado pelos vetores u e v sao linearmente depen-
dentes se, e somente se, um deles e m ultiplo do outro.
2. Decida se o seguinte conjunto e LI ou LD e justique.
a) {u = (1, 3), v = (3, 5)}
b) {u = (4, 3, 3), v = (2, 7, 5)}
c) {u =
_
1 3 4
2 7 5
_
, v =
_
2 4 9
0 6 3
_
}
d) {p
1
(t) = 3t
2
+ 3t 8, p
2
(t) = t
2
+ 5t + 7}
3. Determine tres vetores de R
3
que sejam LD, mas, dois quaisquer destes vetores
sejam LI.
4. Seja V um espa co vetorial e sejam u, v, w V , tal que o subconjunto {u, v, w} e LI,
entao mostre que o conjunto {u +v, v +w, u +w} tambem e um conjunto LI.
5. Seja V = M
2
. Determine se os seguintes conjuntos sao LI ou LD e justique.
a) {A =
_
1 5
4 0
_
, B =
_
3 1
2 2
_
, C =
_
1 3
3 1
_
}
b) {A =
_
1 0
0 0
_
, B =
_
0 1
0 0
_
, C =
_
0 0
1 1
_
}
6. Seja V = P
3
(R). Determine se o conjunto a seguir e LI ou LD e justique.
a) {p
1
(t) = 9t
3
6t
2
+ 9t 3, p
2
(t) = 3t
3
3t + 1}
b) {p
1
(t) = 2t
3
4t
2
+ 9t + 5, p
2
(t) = 3t
3
8t
2
8t + 7}
7. Seja V o espa co das fun coes reais. Determine se os seguintes conjuntos de fun coes
a seguir sao LI ou LD e justique.
a) {f(t) = sent, g(t) = cost, h(t) = t}
b) {f(t) = t
2
, g(t) = t, h(t) = 1}
8. Mostre que os vetores u = (1 + i, 2i), v = (1, 1 + i) C
2
sao linearmente indepen-
dentes sobre o corpo C, mas nao sobre o corpo R.
9. Mostre que se o conjunto {v
1
, ..., v
n
} e LI e {v
1
, ...v
n
, v} e LD, entao o vetor v e
combina cao linear do conjunto {v
1
, ...v
n
}.
CAP

10. Sejam v
1
, ..., v
n
vetores LI, e suponha que v = a
1
v
1
+ +a
n
v
n
, onde a
1
, ..., a
n
K.
Mostre que estes escalares sao unicos.
4.4 Base e Dimensao
Um dos objetivos de uma democracia, e achar um certo conjunto de representantes
na popula cao, denominados deputados, de tal maneira que com o parecer delhes possam
ser denidas as metas e objetivos de um pais, sem ter que a cada momento seja consultada
a popula cao. Esta ideia pode ser vista na seguinte deni cao.
Denicao 4.4.1 Seja V um K-espaco vetorial e seja B = {v
1
, ..., v
n
} um subconjunto de
vetores de V . Diremos que B e uma base de V se:
i) v V , existem escalares c
1
, ..., c
n
K tal que v = c
1
v
1
+ +c
n
v
n
.
ii) O conjunto B e linearmente independente.
Veja, que se o subconjunto B = {v
1
, ..., v
n
} forma uma base para o espa co vetorial V ,
entao qualquer informa cao de um outro elemento v do espa co vetorial V , pode ser obtido
a partir deste conjunto B = {v
1
, ..., v
n
}, que vem ser os representantes do espa co vetorial
V .
3
, e B = {(1, 0, 0), (0, 1, 0), (0, 0, 1)}. Entao, claramente
este conjunto gera e e linearmente independente em V , portanto e uma base de V .
2
o conjunto das matrizes de dois por dois, entao o subcon-
junto B = {E
1
=
_
1 0
0 0
_
, E
2
=
_
0 1
0 0
_
, E
3
=
_
0 0
1 0
_
, E
4
=
_
0 0
0 1
_
}, e um
conjunto gerador de V , pois para qualquer matriz A V temos que :
A =
_
a b
c d
_
= aE
1
+bE
2
+cE
3
+dE
4
Claramente e linearmente independente, portanto o subconjunto B e uma base de V =
M
2
.
Exemplo 4.4.3 Seja S = {(x, y, z) R
3
/z = x + y}. Entao qualquer vetor da forma
(x, y, x +y) esta no conjunto S. Mas, por outro lado temos que
(x, 0, x) + (0, y, y) = x(1, 0, 1) +y(0, 1, 1)
Entao o conjunto B = {(1, 0, 1), (0, 1, 1)} e uma base do conjunto S.
3
(t), entao o conjunto B = {p
0
(t) = 1, p
1
(t) = t, p
2
(t) =
t
2
, p
3
(t) = t
3
} e uma base de V .
CAP

2
, entao o vetor (1, 1) e linearmente independente em V , mas
nao e base, pois nao consegue gerar todo V , ele so pode gerar a reta r(1, 1). Por outro
lado o conjunto B = {(1, 0), (0, 1), (1, 1)} gera V mas nao e linearmete independente.
Proposicao 4.4.1 Seja B = {v
1
, ..., v
n
} uma base de V . Entao v V , existem unicos
c
1
, ...c
n
K tal que v = c
1
v
1
+ +c
n
v
n
.
Dem. Como B e uma base de V , sabemos que existem escalares c
1
, ..., c
n
K tal que
v = c
1
v
1
+ + c
n
v
n
. Entao resta mostrar que estes escalares sao unicos, logo vamos
supor que existem outros escalares c
1
, ..., c
n
K tal que
v = c
1
v
1
+ +c
n
v
n
= c
1
v
1
+ +c
n
v
n
(c
1
c
1
)v
1
+ + (c
n
c
n
)v
n
= 0
Mas como B e base, logo e linearmente independente, entao temos que c
1
= c
1
, ..., c
n
=
c
n
mostrando assim a unicidade.
Proposicao 4.4.2 Sejam V um K-espaco vetorial, e B = {v
1
, ..., v
n
} uma base de V .
Entao qualquer outra base de V tem o mesmo n unero de vetores.
Dem. Seja A = {w
1
, ..., w
m
} uma outra base do espa co vetorial V . Entao mostremos que
as duas bases tem o mesmo n umero de vetores, isto e, que n = m. Como B e uma base
de V e os vetores w
1
, ..., w
m
V temos, um sistema de m equa coes e n indeterminadas
dado por:
_
_
w
1
= a
11
v
1
+ a
12
v
2
+ a
1n
v
n
.
.
.
.
.
.
.
.
.
w
m
= a
m1
v
1
+ a
m2
v
2
+ a
mn
v
n
Vamos supor por absurdo, isto e, vamos supor primeiro que m > n. Entao temos mais
equa coes do que indeterminadas, ou seja
_
_
_
w
1
.
.
.
w
m
_
_
_
= A
_
_
_
v
1
.
.
.
v
n
_
_
_
onde a matriz A =
_
_
_
a
11
a
12
a
1n
.
.
.
.
.
.
a
m1
a
m2
a
mn
_
_
_
M
mn
. Consideremos agora a matriz
A
t
M
nm
e o sistema homogeneo, induzido pela matriz A
t
, dado por:
A
t
_
_
_
c
1
.
.
.
c
m
_
_
_
=
_
_
_
0
.
.
.
0
_
_
_
CAP

Agora, como o n umero de equa coes e menor que o n umero de indeterminadas (n < m),
o sistema homogeneo anterior admite solu coes nao triviais, digamos
_
_
_
c
1
.
.
.
c
m
_
_
_
, portanto:
_
_
_
A
t
_
_
_
c
1
.
.
.
c
m
_
_
_
_
_
_
t
=
_
_
_
_
_
_
0
.
.
.
0
_
_
_
_
_
_
t
_
_
_
c
1
.
.
.
c
m
_
_
_
t
(A
t
)
t
= (0 0)
_
_
_
c
1
.
.
.
c
m
_
_
_
t
A = (0 0)
Multiplicando esta ultima igualdade pelo vetor
_
_
_
v
1
.
.
.
v
n
_
_
_
segue que :
_
_
_
c
1
.
.
.
c
m
_
_
_
t
A
_
_
_
v
1
.
.
.
v
n
_
_
_
= (0 0)
_
_
_
v
1
.
.
.
v
n
_
_
_
= 0v
1
+ 0v
n
= 0
mas como A
_
_
_
v
1
.
.
.
v
n
_
_
_
=
_
_
_
w
1
.
.
.
w
m
_
_
_
segue que :
_
_
_
c
1
.
.
.
c
m
_
_
_
t
_
_
_
w
1
.
.
.
w
m
_
_
_
= 0 c
1
w
1
+ c
m
w
m
= 0
Portanto o conjunto Ae linearmente dependente, o que e uma contradi cao. De maneira
analoga se considerarmos n < m, podemos obter uma contradi cao. Portanto temos que
n = m como queramos.
Denicao 4.4.2 Seja n N. Se a base de um espaco vetorial V tem n vetores, diremos
que o K-espaco vetorial V tem dimens ao nita n, que denotaremos por dim
K
V = n. O
espaco vetorial formado pelo vetor nulo, tem dimensao zero.
No seguinte exemplo, usaremos o conceito de Grafo Orientado ou Grafo dirigido, dado
na deni cao 2.4.3, para mostrar uma estruta especial de espa co vetorial de dimensao
nita.
CAP

Exemplo 4.4.6 Consideremos o seguinte Grafo dirigido, dado pela gura abaixo :
V
1
V
2
Onde, V
1
, V
2
sao os vertices e um caminho ligando os dois vertices. Entao, podemos
considerar o espaco vetorial formado pelos caminhos e
1
, e
2
e , onde os caminho e
1
, e
2
representam os caminhos triviais (nao sair do lugar ou do vertice) associados aos vertices
V
1
, V
2
respectivamente. Logo, temos um espaco vetorial de dimensao tres. Agora se V
1
=
V
2
, temos o caminho trivial e
1
e ,
2
, ...., isto e, temos um espaco vetorial de dimensao
innita, que nao e dicil de mostrar que este espaco vetorial coincide com o anel dos
polinomios na indeterminada x, ou K[x].
Exemplo 4.4.7 Vejamos os seguintes exemplos conhecidos:
1. Seja V = K
n
= R
n
, tem dimensao n.
2. Seja V = P
n
(K). Este espaco vetorial tem dimensao n + 1 = dim
K
P
n
(K).
3. Seja V = M
n
entao dim
K
M
n
= n
2
.
4. Seja V = M
m,n
, entao dim
K
M
n,m
= nm.
Corolario 10 Seja V um K-espaco vetorial tal que dim
K
V = n. Entao :
i) Todo conjunto com mais de n vetores de V e um conjunto linearmente dependente.
ii) Todo conjunto com n vetores linearmente independentes de V , e uma base de V .
Dem.
i) Seja B = {v
1
, ..., v
n
} uma base do espa co vetorial V , e seja {u
1
, ..., u
m
} um subconjunto
de V com mais de n vetores. Entao temos que:
_
_
u
1
= a
11
v
1
+ +a
1n
v
n
.
.
.
.
.
.
u
m
= a
m1
v
1
+ a
mn
v
n
Entao pelo argumento da proposi cao anterior o conjunto {u
1
, ..., u
m
} e linearmente
dependente.
ii) Seja {u
1
, ..., u
n
} um conjunto linearmente independente de V . Como dim
K
V = n,
entao o conjunto {u
1
, ..., u
n
, v} que tem n + 1 vetores e um conjunto linearmente
dependente, pela parte i) anterior, onde o vetor v V e qualquer. Entao existem
escalares c
1
, ..., c
n
, c K nao todos nulos (pois o conjunto anterior e LD), tal que :
c
1
u
1
+ +c
n
u
n
+cv = 0
CAP

Veja que c = 0 , pois caso contrario, temos que:
c
1
u
1
+ +c
n
u
n
= 0
e como o conjunto {u
1
, ..., u
n
} e linearmente independente, segue que c
1
= c
2
= =
c
n
= 0, o que e uma contradi cao, pois pelo menos um dos escalares c
1
, c
2
, , c
n
, c
e diferente de zero, visto que o conjunto {u
1
, ..., u
n
, v} e linearmente dependente.
Portanto c = 0 e temos que:
v =
c
1
c
u
1
+ +
c
n
c
u
n
logo segue que o conjunto {u
1
, ..., u
n
} e um conjunto gerador de V , como queramos.
A partir do corolario e proposi coes anteriores, temos que para todo vetor v V , onde
dim
K
V = n. Este vetor pode-se escrever de maneira unica como combina cao linear da
base ordenada B = {v
1
, ..., v
n
}, onde suas novas coordenadas sao dadas pelos escalares
c
1
, ..., c
n
K tais que v = c
1
v
1
+ + c
n
v
n
. As coordenadas vetoriais do vetor v serao
denotadas por: [v]
B
=
_
_
_
c
1
.
.
.
c
n
_
_
_
, entao temos a seguinte deni cao.
Denicao 4.4.3 Seja v V , onde V e um espaco vetorial de dimensao nita n e base
B = {v
1
, ..., v
n
}. Entao v = c
1
v
1
+ + c
n
v
n
onde os escalares c
1
, ..., c
n
K. Estes
escalares sao chamados de coordenadas do vetor V com relacao a base ordenada B, e
o vetor coluna
[v]
B
=
_
_
_
c
1
.
.
.
c
n
_
_
_
e chamada de matriz coordenada de v com relacao a base ordenada B.
2
(K) o espaco vetorial dos polinomios de grau menor ou
igual a dois, e seja B = {1, t, t
2
} uma base de V . Seja p(t) = 2t
2
5t + 3 V , entao a
matriz coordenada associada a p(t) e dada por [p(t)]
B
=
_
_
3
5
2
_
_
.
O exemplo anterior mostra dois fatos relevantes, o primeiro e dado pela ordem da base,
ja que esta ordem determina o posicionamento das coordenadas de seu vetor coordenada
associado. Isto, tambem determina uma correspondencia biunvoca entre os vetores v V
e sua matriz coordenada, dada pelos escalares determinados pela combina cao linear da
base.
CAP

Proposicao 4.4.3 Todo conjunto nito de geradores de um espaco vetorial nao nulo V ,
contem um subconjunto que e uma base de V .
Dem. Seja B = {v
1
, ..., v
m
} um conjunto de geradores de V . Como o espa co vetorial V
nao e nulo, entao o conjunto B deve conter vetores nao nulos, e como B e um conjunto
nito, podemos considerar o subconjunto B
= {v
1
, ..., v
m
} B maximal, no sentido que
e o maior subconjunto de B que contem todos os vetores linearmente independentes de B.
Vamos supor que B
contem n vetores, entao n m. Se n = m, entao B e a base procu-

rada, logo so nos resta uma unica possibilidade, a saber n < m. Por outro lado, qualquer
conjunto da forma {v
1
, ..., v
n
, v
n+i
}, onde i = 1, ..., mn e linearmente dependente, pois
o conjunto B
, e um subconjunto maximal de vetores linearmente independentes. Logo,

como o conjunto {v
1
, ..., v
n
, v
n+i
} e linearmente dependente, temos que existem escalares
c
1
, ..., c
n
, c
n+i
nao todos nulos tal que:
c
1
v
1
+ +c
n
v
n
+c
n+i
v
n+i
= 0
de onde se deduz que c
n+i
= 0, pois caso contrario, teriamos que algum dos escalares
c
1
, ..., c
n
e diferente de zero, logo o conjunto B
e linearmente dependente, o que uma

contradi cao. Logo, temos que
v
n+i
=
c
1
c
n+i
v
1
+ +
c
n
c
n+i
v
n
Portanto o conjunto B
e linearmente independente e gera V , logo e uma base.

Mostremos uma forma pratrica de encontrar uma base, a partir de um conjunto de
vetores dado. Seja V um K-espa co vetorial de dimensao nita n > 1, vejamos uma forma
pratica de mostrar que todo conjunto linearmente independente pode ser completado a
uma base. Fixemos uma base B = {v
1
, ..., v
n
} de V e seja C = {w
1
, ..., w
k
} um conjunto
nao necessariamente linearmente independente de de vetores de V . Recordemos que cada
vetor w
i
, onde i = 1, ..., k, pode-se escrever da seguinte forma, na base B.
w
i
=
n
j=1
a
ij
v
j
Entao temos a seguinte matriz A M
k,n
cujas linhas sao formadas pelas coordenadas
do vetor w
i
:
A =
_
_
_
a
11
a
12
a
1n
.
.
.
.
.
.
.
.
.
a
k1
a
k2
a
kn
_
_
_
Consideremos agora a matriz reduzida M = (
ij
) M
k,n
obtida da matriz A anterior.
Como temos visto no captulo 3, as linhas da matriz M = (
ij
) foram obtidas a partir
de opera coes elementares nas linhas da matriz A, entao os sub-espa cos vetoriais gerados
por w
1
, ..., w
k
e o gerado por {u
1
= (
11
, ...,
1n
), ..., u
k
= (
k1
, ...,
kn
)} sao o mesmo.
CAP

Veja que neste processo de escalonamento, algumas linhas da matriz M podem ser nulas,
ou seja que alguns dos vetores {u
1
, ..., u
k
} poderiam ser o vetor nulo. Reagrupando os
vetores, e renomeando se for necessario, podemos considerar que u
1
, ..., u
l
(l < k) sao ve-
tores diferentes do vetor nulo. A partir do escalonamento reduzido, cada um dos vetores
u
1
, ..., u
l
tem uma posi cao igual a 1, de esquerda para direita da matriz. Logo, os vetores
u
1
, ..., u
l
sao linearmente independentes e como geram o mesmo espa co gerado pelos ve-
tore w
1
, ..., w
k
, temos que o conjunto u
1
, ..., u
l
forma uma base para W. Sem perda de
generalidade, vamos supor que o conjunto C = {w
1
, ..., w
k
} e linearmente independente e
que k < n. Assim, a matriz M tera k linhas nao nulas e n k linhas nulas.
Consideremos a seguinte matriz M M
n
, denida da seguinte forma:
As primeiras k linhas de M sao as k primeiras linhas da matriz M.
As nk linhas restantes sao denidas da seguinte forma : Para cada coluna j dentre
as n k que nao tem 1, coloca uma linha com 1 na coluna j e zero no resto das
colunas.
Desta forma a matriz M tem n linhas nao nulas, e pela constru cao anterior, o conjunto
das linhas da matriz M formam um conjunto linearmente independente em V , e portanto
uma base ( pois dim
K
V = n ). Vejamos o seguinte exemplo para mostrar esta constru cao.
3
(K). Vamos construir uma base para V a partir dos
seguintes vetores: p
1
(x) = 1 + 2x x
2
+ 3x
3
e p
2
(x) = 2 + 4x + x
2
+ 6x
3
. Consider-
emos a base B = {1, x, x
2
, x
3
} canonica de P
3
(x). Entao claramente a matriz A e dada
por:
A =
_
1 2 1 3
2 4 1 6
_
Fazendo o escalonamento reduzido temos que a matriz M e dada por:
_
1 2 0 3
0 0 1 0
_
O anterior mostra que o conjunto {p
1
(x), p
2
(x)} e um conjunto linearmente independente
(tem duas linhas nao nulas na matriz M). Como V tem dimensao 4, faltam duas linhas.
Veja que falta 1 na segunda coluna e na quarta coluna, logo temos a seguinte matriz:
M =
_
_
_
_
1 2 0 3
0 0 1 0
0 1 0 0
0 0 0 1
_
_
_
_
Assim, B
= {p
1
, p
2
, x, x
3
} forma uma base de V = P
3
(K) e claramente contem {p
1
, p
2
}.
CAP

4.4.1 Exerccios
1. Verique quais dos seguintes conjuntos de vetores formam uma base para V = R
3
.
a) {(1, 2, 1), (1, 3, 0), (0, 1, 1)}
b) {(1, 0, 1), (2, 0, 1), (1, 1, 1)}
c) {(1, 1, 1), (1, 0, 0), (0, 1, 0), (0, 0, 1)}
d) {(2, 1, 4), (1, 2, 3)}
2. Seja B = {(1, 4, 2), (3, 0, 1), (2, 1, 1)} uma base de R
3
. Escreva o vetor (17, 3, 19)
como combina cao linear dos elementos da base B.
3. Mostre que os conjuntos {t
2
+t, t, 1} e {t
2
+t, t, t + 1} sao base de V = P
2
(K).
4. Seja W = {
_
x x
0 0
_
M
2
/x K}. Mostre que W e um sub-espa co de V = M
2
e
ache a base de W.
5. Seja B = {v
1
, v
2
, v
3
} uma base para o espa co vetorial V , entao mostre que o conjunto
B
= {v
1
+v
2
, v
2
+v
3
, v
1
+v
3
} tambem e uma base de V .
6. Seja V um espa co vetorial que e gerado por sete vetores, entao o que vc pode armar
com rela cao a dimensao de V . E se estes sete vetores sao linearmente dependentes?.
7. Calcule a dimensao de cada um dos sub-espa cos vetoriais de V = M
2
(K)
a) {A V/A
t
= A}
b) {A V/A
t
= A}
c) {A = (a
ij
) V/a
11
= a
22
= 0}
d) {A = (a
ij
) V/a
21
= a
12
= 0}
8. Seja x R
2
, escreva a matriz coordenada [v]
B
na base B a seguir:
i) v = (6, 2) e B = {(1, 0), (0, 1)}
ii) v = (6, 2) e B = {(0, 1), (1, 0)}
iii) v = (6, 2) e B = {(1, 3), (2, 5)}
9. Seja A M
2
escreva [A]
B
na base B a seguir:
a) B = {
_
1 0
0 0
_
,
_
0 1
0 0
_
,
_
0 0
1 0
_
,
_
0 0
0 1
_
} e A =
_
13 4
5 7
_
b) B = {
_
0 0
0 1
_
,
_
1 0
2 0
_
,
_
1 2
0 0
_
,
_
1 0
0 0
_
} e A =
_
16 8
2 4
_
c) B = {
_
1 0
0 0
_
,
_
1 2
0 0
_
,
_
1 0
2 0
_
,
_
0 0
0 01
_
} e A =
_
5 8
5 2
_
CAP

10. Seja p(t) P
1
(K) escreva [p(t)]
B
na base B a seguir:
a) p(t) = 2t + 3 e B = {t, 1}
b) p(t) = 2t + 3 e B = {t + 1, 2t 3}
c) p(t) = 5t + 4 e B = {t + 1, 2t 3}
11. Ache uma base, formada pelos caminhos do seguinte grafo dirigido :
1 3
2 4
12. Se W e um sub-espa co de um espa co vetorial V de dimensao nita n, mostre que
dim
K
W n. Em particular, se dim
K
W = dim
K
V , entao W = V .
13. Encontre uma base para V = R
4
que contenha os vetores {(1, 3, 8, 5), (1, 1, 4, 2)}.
14. Seja V = P
4
(K). Encontre uma base para V que contenha os vetores {1 + 2x +
3x
2
x
4
, 1 3x
2
+x
3
x
4
}.
Captulo 5
Transformacoes Lineares e Conicas
5.1 Transformacoes Lineares
No curso de Calculo I, por exemplo, estuda-se como relacionar os Reais R com ele
mesmo, para estudar esta rela cao, e usado o conceito de fun coes em particular o conceito
de fun coes contnuas, derivavaeis ect.. Mas recordemos que temos mostrado no captulo
4 que o conjunto dos n umeros reais R e, em particular, um R-espa co vetorial, entao a
pergunta que surge e a seguinte. Como seriam as funcoes que relacionam R com
ele mesmo, mas que preservem a sua estrutura de espaco vetorial?. Entao, o
nosso objetivo, neste captulo e estudar uma situa cao mais geral que a anterior, isto e,
como dois k-espa cos vetoriais V e W podem-se relacionar, preservando a sua estrura de
espa co vetorial, e assim temos a seguinte deni cao.
Denicao 5.1.1 Sejam (V, +, ) e (W, , ) dois k-espacos vetoriais. A transforma cao
T : V W e dita uma transformacao linear se :
i) T(u +v) = T(u) T(v)
ii) T( v) = T(v) u, v V, K
Veja, que na deni cao 5.1.1, zemos enfases em denotar de maneira diferente as
opera coes de soma e opera cao por escalar tanto em V como em W, para mostrar que
uma transforma cao linear preserva tanto a soma como a multiplica cao por escalar do
espa co vetorial V , ou seja transforma soma em V numa soma em W, e a multiplica cao
por escalar em V numa multiplica cao por escalar em W. Por outro lado veja que se
T : V W e uma transforma cao linear, entao T(0
V
) = T(0 0
V
) = 0 T(0
V
) = 0
W
.
Uma forma pratica de vericar se uma transforma cao T : V W e linear ou nao e dada
pela seguinte proposi cao.
75
CAP
ITULO 5. TRANSFORMAC

OES LINEARES E C
ONICAS 76
Proposicao 5.1.1 Sejam V, W dois k-espacos vetoriais e T : V W uma transforma cao.
Entao T : V W e uma transformacao linear se, e somente se,
T(u + v) = T(u) T(v)
para todo u, v V e K.
Dem. ) Seja T : V W uma transforma cao linear e u, v V e K. Entao a partir
da deni cao 5.1.1 parte i), temos que T(u + v) = T(u) T( v), agora pela parte ii)
da mesma deni cao segue que T(u + v) = T(u) T(v), como queramos.
) Vejamos que se = 0 K, entao T(0
V
) = T(0
V
+ 0
V
) = T(0
V
) T(0
V
).
Mas como (W, ) e um grupo abeliano temos que podemos cancelar T(0
V
) da igualdade
anterior e portanto segue que T(0
V
) = 0
W
, mas como = 0 segue que T(0
V
) = 0
W
.
Po outro lado,
T( v) = T(0
V
+ v) = T(0
V
) T(v) = T(v)
pois T(0
V
) = 0
W
. Portanto vale ii) da deni cao 5.1.1.
Mostremos agora a parte i) da deni cao 5.1.1. Sejam u, v V , entao T(u + v) =
T(u + 1 v) = T(u) 1 T(v) = T(u) T(v), como queramos. Portanto T e uma
transforma cao linear.
Exemplo 5.1.1 1. Seja A M
m,n
entao denamos T : K
n
K
m
por T
A
(x) =
Ax x K
n
. Entao T e linear pois, T
A
(x + y) = A(x + y) = Ax + Ay =
T
A
(x) +T
A
(y) x, y K
n
, K
2. Consideremos agora T : R
3
R
3
denida por T((x, y, z)) = (x, y, 0). Entao T e
linear, pois
T((x, y, z) +(x
, y
, z
)) = T((x +x
, y +y
, z +z
))
= (x +x
, y +y
, 0) = (x, y, 0) +(x
, y
, 0)
= T(x, y, z) +T(x
, y
, z
)
(x, y, z), (x
, y
, z
) R
3
, R
3. Seja V = P
n
(t), e consideremos a transformacao dada pela derivacao muito con-
hecida nos cursos de Calculo D
t
=
d
dt
: V V dada por:
D
t
(p(t) = a
0
+a
1
t + +a
n
t
n
) =
d
dt
(a
0
+a
1
t + +a
n
t
n
) = a
1
+2a
2
t + +na
n
t
n1
p(t) = a
0
+a
1
t + +a
n
t
n
V . A partir dos cursos de calculo a transforma cao
anterior e uma transformacao linear.
CAP

OES LINEARES E C
ONICAS 77
4. Seja V = P
n
(t) e seja W = R e denamos a transformacao
_
b
a
: V W dada por
_
b
a
p(t)dt =
_
b
a
(a
0
+a
1
t + +a
n
t
n
)dt = (a
0
t +
a
1
t
2
2
+ +
a
n
t
n+1
n + 1
)/
b
a
p(t) = a
0
+a
1
t + +a
n
t
n
V . A partir dos cursos de calculo, e conhecido que a
transformacao anterior e uma transformacao linear, pois integral da soma e a soma
das integrais, e todo escalar pode sair da integral.
5.

E facil vericar que T(x) = x
2
, T(x) = senx, T(x) = 2x+2 n ao sao transforma coes
lineares, de maneira analoga T(x, y) = (2x +2, 0) n ao e uma transformacao linear
entre outras.
Proposicao 5.1.2 Sejam V, W dois espacos vetoriais de dimensao nita, e sejam B =
{v
1
, ..., v
n
} uma base de V , e C = {w
1
, ..., w
n
} um conjunto de vetores de W, nao neces-
sariamente diferentes. Entao existe uma unica transformacao linear T tal que T(v
i
) =
w
i
i = 1, ..., n
Dem. Seja V um espa co vetorial com base B, entao sabemos que v = c
1
v
1
+ + c
n
v
n
.
Entao consideremos uma transforma cao T tal que T(v
i
) = w
i
e T(v) = c
1
w
1
+ +c
n
w
n
.
Como B e uma base temos que T(0
V
) = 0
W
. Vejamos agora que a transforma cao T e
linear. Sejam u, v V e K entao calculemos T(u+v) = T((d
1
+c
1
)v
1
+ +(d
n
+
c
n
)v
n
) = T(u) +T(v) como queramos. Vejamos agora que a transforma cao T e unica.
Seja U uma transforma cao tal que U(v
i
) = w
i
i = 1, ..., n e seja v = c
1
w
1
+ + c
n
w
n
,
entao temos
U(v) = c
1
w
1
+ +c
n
w
n
= T(v) v V
pelas propriedades da deni cao de transforma cao linear. Portanto temos que T = U,
portanto a transforma cao T e unica.
5.1.1 Exercicios
1. Mostre que as seguintes transforma coes sao lineares :
a) T : R
2
R
2
denida por T(x, y) = (x, 2y)
b) T : R
3
R
2
denida por T(x, y, z) = (x, 2y +z)
c) T : R
2
R
2
denida por T(x, y) = (ax +by, cx +dy)
2. Quais das seguintes transforma coes sao lineares? e justique.
a) T(x, y) = (x
2
, y)
b) T(x, y) = (senx, seny)
c) T(x, y) = (y, x)
CAP

OES LINEARES E C
ONICAS 78
3. Consideremos a Rota cao de um vetor (x, y) R
2
num angulo dada por :
Q(x, y) =
_
xcos ysen
xsen +ycos
_
=
_
cos sen
sen cos
__
x
y
_
Entao mostre que Q(x, y) e uma transforma cao Linear.
4. Consideremos a transforma cao T : R
3
R
2
denida por T(x, y, z) = (x, y, 0),
conhecida como proje cao ortogonal. Mostre que a transforma cao T e uma trans-
forma cao Linear.
5. Considere a transforma cao R : R
3
R
3
denida por R(x, y, z) = (x, y, z), con-
hecida como reexao no plano xy. Mostre que R e uma transforma cao Linear.
6. Represente geometricamente cada uma das seguintes transforma coes :
a) T(x, y) = (x +y, y)
b) T(x, y) = (3x, 0)
c) T(x, y) = (y, x)
7. Seja P
n
(K) o conjunto dos polinomios de grao menor ou igual a n. Mostre que as
transforma coes a seguir sao lineares:
T((a
0
+a
1
t + +a
n
t
n
) = a
0
t +a
1
t
2
+ +a
n
t
n+1
S(a
0
+a
1
t + +a
n
t
n
) = a
1
+a
2
t + +a
n
t
n1
8. Sejam V = M
n
, e M M
n
. Quais das seguintes transforma coes sao lineares?
a) T(X) = MX, X V
b) T(X) = MX XM, X V
c) T(X) = M X, X V
9. Seja V = M
n
. Mostre que as seguintes transforma coes sao lineares :
a) T
P
(A) = PA, onde P e inversvel.
b) T(A) = PAQ, onde P, Q sao inversveis.
c) T(A) = P
1
AP, onde P e inversvel.
d) T(A) = P
t
AP, onde P e inversvel.
10. Sejam V = P
n
(R) e T a transforma cao que leva o polinomio p(t) V , na sua
derivada segunda. Sera que T e uma transforma cao linear?
CAP

OES LINEARES E C
ONICAS 79
5.2 N ucleo e Imagem de Transformacoes Lineares
Nesta se cao damos algumas ferramentas para poder caracterizar algumas transforma coes
lineares, que serao de muita ajuda no decorrer deste texto.
Denicao 5.2.1 Sejam V, W dois espacos vetoriais e T : V W uma transforma cao
linear. Chamaremos de N ucleo da transformacao T ao seguinte conjunto:
N(T) = {v V/T(v) = 0
W
}
Chamaremos de Imagem da transformacao linear T ao seguinte conjunto :
I(T) = {w W/ v V tq T(v) = w}
Exemplo 5.2.1 Consideremos agora T : R
3
R
3
denida por T((x, y, z)) = (x, y, 0).
Entao, o seu nucleo e dado por N(T) = {(0, 0, 0)}, e seu conjunto Imagem e dado por
I(T)
= R
2
Proposicao 5.2.1 Sejam V, W dois espacos vetoriais nao vazios, e T : V W uma
transformacao linear. Entao N(T) e um sub-espaco vetorial de V e I(T) e um sub-espa co
vetorial de W.
Dem. Sejam u, v N(T), entao temos que T(u) = T(v) = 0
W
, e seja K, entao
mostremos que u + v esta em N(T). Logo, T(u + v) = T(u) + T(v), pois T e
uma transforma cao linear, e como u, v N(T) segue que T(u + v) = 0
W
, portanto
u +v N(T), logo o conjunto N(T) e um subespa co vetorial de V .
Mostremos agora que I(T) e um subespa co vetorial de W. Entao, sejam w, w
I(T)
e K. Mas como w, w
I(T), entao temos que existem v, v
V tal que T(v) =

w e T(v
) = w
, logo
w +w
= T(v) +T(v
) = T(v +v
) I(T)
Portanto I(T) e um subespa co vetorial de W como queramos.
Corolario 11 Seja T : V W uma transformacao linear. Se o conjunto {v
1
, ..., v
n
}
e um conjunto gerador do espaco vetorial V , entao o conjunto {T(v
1
), ..., T(v
n
)} e um
conjunto gerador de I(T).
Dem. Seja w I(T), entao existe v V tal que T(v) = w, mas como o conjunto
{v
1
, ..., v
n
} e um conjunto gerador de V , temos que existem c
1
, ..., c
n
K tal que
v = c
1
v
1
+ +c
n
v
n
, e como T e linear segue que
w = T(v) = T(c
1
v
1
+ +c
n
v
n
) = c
1
T(v
1
) + +c
n
T(v
n
)
Logo, o vetor w I(T) e gerado pelo conjunto {T(v
1
), ..., T(v
n
)}.
CAP

OES LINEARES E C
ONICAS 80
Exemplo 5.2.2 1. Seja V um espaco vetorial e id : V V denota a transforma cao
identidade, isto e id(v) = v. Entao N(id) = {0} e I(id) = V . Denotemos por
0 : V V , a transformacao nula, isto e, 0(v) = 0, entao N(0) = V e I(0) = {0}.
2. Seja V = M
m,n
e seja T
A
: K
n
K
m
dada por T
A
(x) = Ax, onde A V . Entao
N(T
A
) = {x K
n
/T
A
(x) = Ax = 0}
logo o n ucleo de T
A
e dado pelo conjunto solucao do sistema homogeneo Ax = 0.
Agora o conjunto imagem e dado por:
I(T
A
) = {y K
m
/x K
n
; T
A
(x) = Ax = y}
que denota o conjunto solucao do sistema nao homogeneo determinado por Ax = y.
3. Seja V = R
2
e T : R
2
R
2
dada por T(x, y) = (x + y, 2x + y). Entao o conjunto
N(T) = {(x, y) R
2
/T(x, y) = (x +y, 2x +y) = (0, 0)} = {(0, 0)}.
Agora o conjunto I(T) = {(u, v) R
2
/(x, y) R
2
; T(x, y) = (u, v)} = {(u +
v, 2u v)}
Exemplo 5.2.3 Consideremos a transformacao linear T : R
3
R
3
dada por T(x, y, z) =
(x + 2y z, y +z, x +y 2z). Entao calculemos uma base para N(T) e para I(T). Veja
que N(T) = {(x, y, z) R
3
/T(x, y, z) = (0, 0, 0)}, ou seja temos o seguinte sistema de
equacoes homogeneo:
_
_
_
x+ 2y z = 0
y+ z = 0
x+ y 2z = 0
Logo temos que x = 3z; y = z; z = z, isto e, (x, y, z) N(T) se ele e da seguinte forma
(3z, z, z) = z(3, 1, 1), logo o vetor (3, 1, 1) e gerador de N(T), e como e nao nulo,
ele e LI. Portanto e uma base para N(T), logo dim
K
N(T) = 1.
Para calcular a base de I(T), consideremos a base canonica de R
3
dada por B =
{(1, 0, 0), (0, 1, 0), (0, 0, 1)}. Logo I(T) e gerada por {T((1, 0, 0)), T((0, 1, 0)), T((0, 0, 1))} =
{(1, 0, 1), (2, 1, 1), (1, 1, 2)}, e como este conjunto e LD (verique!), temos que um dos
vetores e combinacao linear dos outros, entao podemos tirar qualquer vetor, logo podemos
considerar o seguinte conjunto {(1, 0, 1), (2, 1, 1)} como base de I(T) e dim
K
I(T) = 2.
Denicao 5.2.2 Sejam V, W espacos vetoriais e T : V W uma transformacao linear.
Entao :
1) T e injetora se T(v
1
) = T(v
2
) v
1
= v
2
.
2) T e sobrejetora se I(T) = W.
3) T e bijetora se, a transformacao T e injetora e sobrejetora.
CAP

OES LINEARES E C
ONICAS 81
Na proposi cao a seguir, damos uma ferramenta pratica para poder decidir quando uma
transforma cao linear e ou nao injetora, sem recorrer da deni cao 5.2.2.
Proposicao 5.2.2 Sejam V, W espacos vetoriais e T : V W uma transforma cao lin-
ear. Entao T e injetora se, e somente se, N(T) = {0
V
}.
Dem. ) Seja T uma transforma cao injetora. Entao calculemos N(T) = {v V/T(v) =
0
W
}. Como T e uma transforma cao linear temos que T(0
V
) = 0
W
e como T e injetora
segue que se v N(T), entao T(v) = 0
W
portanto, v = 0, logo N(T) = {0}.
) Seja T uma transforma cao linear tal que N(T) = {0}, entao sejam v
1
, v
2
V tal
que T(v
1
) = T(v
2
). Logo, como T e uma transforma cao linear segue que T(v
1
v
2
) = 0
W
,
portanto v
1
v
2
N(T) = {0}, entao temos que v
1
= v
2
e T e uma transforma cao linear
injetora.
Exemplo 5.2.4 1. Seja V um espaco vetorial e id : V V , entao id e injetora e
sobrejetora, logo e uma bijecao. Por outro lado a transformacao nula 0 : V V ,
nao e injetora nem sobrejetora desde que V = {0}.
2. Seja A M
n
e T
A
: K
n
K
n
tal que T
A
(x) = Ax. Esta transformacao e injetora
desde que a matriz A seja inversvel.
A proposi cao a seguir, e muita utilidade para determinar injetividade e sobrejetividade
de uma transforma cao linear, como mostram o seus corolario.
Proposicao 5.2.3 Sejam V, W espacos vetoriais de dimensao nita e T : V W uma
transformacao linear. Entao
dim
K
N(T) +dim
K
I(T) = dim
K
V
Dem. Seja V um espa co vetorial tal que dim
K
V = n e seja {v
1
, ..., v
t
} uma base de
N(T), entao existem v
t+1
, ..., v
n
V tal que o conjunto {v
1
, ..., v
t
, v
t+1
, ..., v
n
} e uma base
do espa co vetorial V . Mostremos entao que o conjunto {T(v
t+1
), ..., T(v
n
)} e uma base de
I(T). Claramente o conjunto {T(v
1
), ..., T(v
t
), T(v
t+1
), ..., T(v
n
)} = {T(v
t+1
), ..., T(v
n
)} e
um conjunto gerador de I(T), pelo corolario 5.1.1. Entao resta mostrar que este conjunto
e linearmente independente. Entao sejam
t+1
, ...,
n
K tais que
t+1
T(v
t+1
) + +
n
T(v
n
) = 0
W
como T e uma transforma cao linear segue que
T(
t+1
v
t+1
+ +
n
v
n
) = 0
W
Entao
t+1
v
t+1
+ +
n
v
n
N(T). Agora, como o conjunto {v
1
, ..., v
t
} e uma base de
N(T), temos que existem
1
, ....,
t
K tais que
1
v
1
+ +
t
v
t
=
t+1
v
t+1
+ +
n
v
n
CAP

OES LINEARES E C
ONICAS 82
ou seja
1
v
1
+ +
t
v
t
(
t+1
v
t+1
+ +
n
v
n
) = 0
V
Mas, como o conjunto {v
1
, ..., v
t
, v
t+1
, ..., v
n
} e uma base de V , entao ele e linearmente
independente, portanto todos os escalares
1
, ...,
t
,
t+1
, ....,
n
sao nulos, em particular
t+1
= =
n
= 0. Portanto, temos que o conjunto {T(v
t+1
), ..., T(v
n
)} e uma base de
I(T) e nalmente temos que dim
K
N(T) +dim
K
I(T) = dim
K
V como queramos.
Corolario 12 Sejam V, W espacos vetoriais e T : V W uma transformacao linear.
Se dim
K
V > dim
K
W, entao a transformacao T nao pode ser injetora.
Dem. Sejam V, W espa cos vetoriais tais que dim
K
V > dim
K
W. Se T e uma trans-
forma cao injetora temos que dim
K
N(T) = dim
K
{0
V
} = 0, logo temos que
dim
K
V = dim
K
N(T) +dim
K
I(T) = 0 + dim
K
I(T) dim
K
W
que e uma contradi cao, pois dim
K
V > dim
K
W.
Corolario 13 Sejam V, W espacos vetoriais e T : V W uma transformacao linear.
Se dim
K
V < dim
K
W, entao a transformacao T nao pode ser sobrejetora.
Dem. Vamos supor que a transforma cao T e sobrejetora, entao dim
K
I(T) = dim
K
W,
entao segue que
dim
K
V = dim
K
N(T) +dim
K
I(T) = dim
K
N(T) +dim
K
W
Logo, temos que dim
K
V dim
K
W uma contradi cao.
Proposicao 5.2.4 Sejam V, W, Z espacos vetoriais e V
T
W
U
Z duas transforma coes
lineares, entao temos que a composta U T : V Z dada por U T(v) = U(T(v)) e uma
transformacao linear.
Dem. Sejam v, v
V e K, entao
U T(v +v
) = U(T(v +v
)) = U(T(v) +T(v
))
= U(T(v)) +U(T(v
)) = U T(v) +U T(v
)
pois tanto T como U sao transforma coes lineares, entao U T e uma transforma cao linear.
Consideremos V, W dois espa cos vetoriais e T : V W uma transforma cao linear

bijetora, entao existe T
1
: WV tal que T T
1
= id
W
e T
1
T = id
V
. Sera que
existe uma transformacao linear que admita inversa, sem ela ser uma bijecao?
CAP

OES LINEARES E C
ONICAS 83
Proposicao 5.2.5 Sejam V, W espacos vetoriais e T : V W uma transforma cao linear
bijetora, entao T
1
tambem e uma transformacao linear.
Dem. Sejam w, w
W e K. Entao existem v, v
V, T(v) = w, T(v
) = w
T
1
(w +w
) = T
1
(T(v) +T(v
))
Pois a transforma cao T e sobrejetora. Agora, como T e linear temos
T
1
(w+w
) = T
1
(T(v+v
)) = v+v
= T
1
(T(v))+T
1
(T(v
)) = T
1
(w)+T
1
(w
)
Portanto T
1
e uma transforma cao linear.
2
= W e T(x
1
, x
2
) = (x
1
+x
2
, x
1
) uma transformacao linear.
Veja que N(T) = {(0, 0)} e I(T) = W, entao existe T
1
que podemos denir da seguinte
forma: T
1
(u, v) = (v, u v) pois
T T
1
(u, v) = T(T
1
(u, v)) = T(v, u v) = (v + (u v), v) = (u, v)
de maneira analoga temos que
T
1
T(x
1
, x
2
) = T
1
(x
1
+x
2
, x
1
) = (x
1
, (x
1
+x
2
) x
1
) = (x
1
, x
2
)
Proposicao 5.2.6 Sejam V, W espacos vetoriais e T : V W uma transforma cao lin-
ear. Entao a transformacao T e injetora se, e somente se, T transforma conjuntos lin-
earmente independentes em conjuntos linearmente independentes.
Dem. ) Sejam T : V W uma transforma cao linear injetora, {v
1
, ..., v
n
} um subcon-
junto linearmente independente de V . Entao mostremos que o conjunto {T(v
1
), ..., T(v
n
)}
e linearmente independente em W. Logo, sejam
1
, ...,
n
K tal que
1
T(v
1
) + +
n
T(v
n
) = 0
W
mas como T e linear, segue que T(0
V
) = 0
W
, e entao
T(
1
v
1
+ +
n
v
n
) = T(0
V
)
Agora, como T e injetora temos que
1
v
1
+ +
n
v
n
= 0
V
. Como o conjunto
{v
1
, ..., v
n
} e linearmente independente, segue que
1
= =
n
= 0, portanto temos que
o conjunto {T(v
1
), ..., T(v
n
)} e linearmente independente.
) Sabemos que T leva conjuntos linearmente independentes em conjuntos linear-
mente independentes, entao seja v = 0
V
V . Claramente v e linearmente independente,
entao T(v) tambem e linearmente independente, portanto T(v) = 0
W
. Logo, a trans-
forma cao T leva vetores nao nulos em vetores nao nulos, logo N(T) = {0
V
}, isto e, T e
injetora como queramos mostrar.
CAP

OES LINEARES E C
ONICAS 84
Proposicao 5.2.7 Sejam V, W dois espacos vetoriais tais que dim
K
V = dim
K
W = n e
T : V W uma transformacao linear. Entao sao equivalentes :
i) T e inversvel.
ii) T e sobrejetora.
iii) T e injetora.
iv) Toda imagem de uma base por T e uma base.
Dem. i) ii) Se T e inversvel, entao segue que dim
K
V = dim
K
W, entao T e sobreje-
tora.
ii) iii) Como dim
K
N(T) +dim
K
I(T) = dim
K
V = dim
K
W = n, e a transforma cao
T e sobrejetora, temos que dim
K
I(V ) = dim
K
W = n, logo segue que dim
K
N(T) = 0 ou
seja que, N(T) = {0
V
}, isto e, T e injetora.
iii) iv) A partir da proposi cao 5.2.6 T leva conjuntos linearmente independentes
em conjuntos linearmente independentes. Entao seja {v
1
, ..., v
n
} uma base de V , entao o
conjunto {T(v
1
), ..., T(v
n
)} e linearmente independente, e como dim
K
V = dim
K
W segue
que o conjunto {T(v
1
), ..., T(v
n
)} e uma base de W.
iv) i) Seja {v
1
, ..., v
n
} uma base de V , entao o conjunto {T(v
1
) = w
1
, ..., T(v
n
) =
w
n
} e uma base de W. Denamos S : WV tal que S(w
i
) = v
i
onde i = 1, ..., n.
Mostremos que S e a inversa de T. Seja v =
n
1
c
i
v
i
, entao
S T(v) = S(T(v)) = S(T(
n
1
c
i
v
i
)) = S(
n
1
c
i
w
i
) =
n
1
c
i
S(w
i
) =
n
1
c
i
v
i
= v
Portanto S T = id
V
.
Seja agora w W, entao w =
n
1
a
i
w
i
pois {w
1
, ..., w
n
} e base de W. Logo,
T S(w) = T(S(w)) = T(S(
n
1
a
i
w
i
)) = T(
n
1
a
i
S(w
i
)) =
= T(
n
1
a
i
v
i
) =
n
1
a
i
T(v
i
) =
n
1
a
i
w
i
= w
Portanto T e inversvel, e S e a sua inversa.
5.2.1 Exercicios
1. Determine dim
K
I(T) e dim
K
N(T) nas seguintes transforma coes lineares :
a) T(x, y, z) = (x y, y +z, z +x)
b) T(x, y, z) = (y, z, x)
CAP

OES LINEARES E C
ONICAS 85
c) T(x, y, z) = (x +y +z, x y +z, x +y +z)
2. Seja T(x, y, z) = (x y + 2z, 2x +y, 2y + 2z) entao :
a) Seja (a, b, c) R
3
. Quais sao as condi coes sobre a, b, c tais que (a, b, c) I(T)?,
e calcule dim
K
I(T).
b) Seja (a, b, c) R
3
. Quais sao as condi coes sobre a, b, c tais que (a, b, c) N(T)?,
e calcule dim
K
N(T).
3. Sejam V = R
3
, e B = {e
1
= (1, 0, 0); e
2
= (0, 1, 0); e
3
= (0, 0, 1)} a base canonica.
Ache T(3, 2, 8) se T((1, 0, 0)) = (0, 0, 1); T((0, 1, 0)) = (1, 0, 0); T((0, 0, 1)) = (0, 1, 0)
4. Seja V um espa co vetorial de dimensao n, e T : V V uma transforma cao linear
tal que I(T) = N(T). Mostre que n e um n umero par.
5. i)

E possvel ter uma transforma cao linear T : R
3
R
2
que seja injetora? Justi-
que!.
ii)

E possvel ter uma transforma cao linear T : R
2
R
3
que seja sobrejetora?
Justique!
iii)

E possvel ter uma transforma cao linear T : K
n
K
n
que seja injetora e nao
sobrejetora? Justique!
6. De um exemplo de uma transforma cao linear entre espa cos vetoriais de dimensoes
diferentes que seja injetora mas nao sobrejetora, e outra que seja sobrejetora mas
nao injetora.
7. Sejam B = {v
1
= (1, 1, 1); v
2
= (1, 1, 1); v
3
= (0, 0, 1)}.
a) Mostre que B è uma base.
b) Seja T(v
1
) = v
1
; T(v
2
) = v
2
; T(v
3
) = 2v
3
i) Calcule T(e
1
); T(e
2
); T(e
3
), onde {e
1
, e
2
, e
3
} e a base canonica de R
3
ii) Obtenha uma expressao generica pata T(x, y, z)
iii) Calcule dim
K
N(T) e decida se T e inversvel.
8. Seja A V = M
m,n
, e seja T : K
n
K
m
denida por T(X) = AX. Mostre que :
a) T e sobrejetora se, e somente se, o n umero de linhas nao nula da matriz reduzida
escalonada associada a matriz A e m.
b) T e injetora se, e somente se, o n umero de linhas nao nulas da matriz reduzida
escalonada associada a matriz A e n.
c) T e inversvel se, e somente se o n umero de linhas nao nulas da matriz reduzida
associada a matriz A e m = n.
CAP

OES LINEARES E C
ONICAS 86
5.3 Representacao de Transformacoes Lineares por
Matrizes
Seja V um espa co vetorial e seja B = {v
1
, ..., v
n
} uma base ordenada de V . Sabemos
que cada vetor v V admite uma unica forma v =
n
1

i
v
i
, onde
1
, ...,
n
K.
Estes escalares sao conhecidas como as coordenadas do vetor v, na base ordenada B, que
representamos por [v]
B
=
_
_
_
1
.
.
.
n
_
_
_
. Consideremos agora W um espa co vetorial com base
ordenada B
= {w
1
, ..., w
m
}, entao T(B) e dada por:
T(v
i
) =
m
j=1
a
ji
w
j
onde i = 1, ..., n. Entao a matriz coordenada de cada T(v
i
) e dada da seguinte forma:
[T(v
i
)]
B
=
_
_
_
a
1i
.
.
.
a
mi
_
_
_
Entao a matriz associada a transforma cao linear T e dada por
[T]
B
B
=
_
_
_
a
11
a
m1
.
.
.
.
.
.
a
m1
a
mn
_
_
_
3
, W = R
2
espacos vetoriais com as suas bases canonicas
B = {(1, 0, 0), (0, 1, 0), (0, 0, 1)} e B
= {(1, 0), (0, 1)}, e a transformacao linear dada por:

T(x
1
, x
2
, x
3
) = (x
1
x
2
, 2x
1
x
2
+x
3
)
Entao calculemos a matriz [T]
B
B
da seguinte forma:
T(v
1
) = T((1, 0, 0)) = (1, 2) = 1w
1
+ 2w
2
T(v
2
) = T((0, 1, 0)) = (1, 1) = (1)w
1
+ (1)w
2
T(v
3
) = T((0, 0, 1)) = (0, 1) = 0w
1
+ 1w
2
Portanto a matriz de T e dada por:
[T]
B
B
=
_
1 1 0
2 1 1
_
CAP

OES LINEARES E C
ONICAS 87
Denicao 5.3.1 Seja V um espaco vetorial. Chamaremos de operador linear a trans-
formacao linear T : V V .
Para calcular a representa cao matricial do operador T : V V sempre consideraremos
a mesma base de V , que a denotaremos por [T]
B
a menos que seja especicado o contrario.
Exemplo 5.3.2 1. Sejam V = R
2
, com base canonica B = {(1, 0), (0, 1)}, e T((x
1
, x
2
)) =
(x
1
+kx
2
, x
2
) um operador linear. Entao calculemos:
T((1, 0)) = (1, 0) = 1v
1
+ 0v
2
T((0, 1)) = (k, 1) = kv
1
+ 1v
2
Portanto, segue que [T]
B
=
_
1 k
0 1
_
2. Sejam V = P
2
(t) e B = {1, t, t
2
} e o operador T =
d
dt
: V V . Entao calculemos
[T]
B
da seguinte forma:
d
dt
(1) = 0 = 0 1 + 0 t + 0 t
2
d
dt
(t) = 1 = 1 1 + 0 t + 0 t
2
d
dt
(t
2
) = 2t = 0 1 + 2 t + 0 t
2
Portanto, segue que [T]
B
= [
d
dt
]
B
=
_
_
0 1 0
0 0 2
0 0 0
_
_
3. Sejam V = R
2
e B = {e
1
= (1, 0), e
2
= (0, 1)} e o operador T denida por :
T
(x, y) = (xcos ysen, xsen + ycos), onde 0 2 e xo. Entao

calculemos da seguinte forma:
T
((0, 1)) = (cos, sen) = cos(1, 0) +sen(0, 1)

T
((0, 1)) = (sen, cos) = sen(1, 0) + cos(0, 1) Portanto, temos que

[T
]
B
=
_
cos sen
sen cos
_
Veja que a constru cao anterior estabelece uma correspondencia entre as matrizes
quadradas e os operadores lineares, e uma vez xada a base ordenada do espa co vetorial,
esta correspondencia sera injetora e sobrejetora, como estabelece a seguinte proposi cao.
Proposicao 5.3.1 Seja V um espaco vetorial de dim
K
V = n e base B = {v
1
, ..., v
n
}.
Entao : M
n
{Operadores lineares em V } e uma bijecao.
CAP

OES LINEARES E C
ONICAS 88
2
(t) o espaco vetorial dos polinomios de grau menor ou igual
a dois e T =
d
dt
: P
2
(t)P
2
(t) dada pela derivada. Seja B = {1, t, t
2
}, entao sabemos
que [
d
dt
]
B
=
_
_
0 1 0
0 0 2
0 0 0
_
_
. Entao veja que se p(t) = c +bt +at
2
V , temos que
[
d
dt
]
B
_
_
c
b
a
_
_
=
_
_
0 1 0
0 0 2
0 0 0
_
_
_
_
c
b
a
_
_
=
_
_
b
2a
0
_
_
Que e exatamente
d
dt
(c +bt +at
2
) = b + 2t + 0t
2
.
Proposicao 5.3.2 Sejam V um espaco vetorial e B = {v
1
, ..., v
n
} uma base ordenada de
V , e sejam U, T operadores lineares. Se [T]
B
= A, e [U]
B
= B, entao [U T]
B
= BA.
Dem. Seja C = [U T]
B
e sejam A = [T]
B
, B = [U]
B
. Logo, basta vericar que para todo
v V temos que
[U T]
B
[v]
B
= [U]
B
[T]
B
[v]
B
.
Corolario 14 Seja T um operador linear. Entao T e inversvel se, e somente se, [T]
B
e
inversvel.
Dem. ) Seja T inversvel, entao existe T
1
tal que T T
1
= T
1
T = id
V
, logo
[T T
1
]
B
= [T]
B
[T
1
]
B
= [id
V
]
B
= I
n
Portanto, temos que [T
1
]
B
= [T]
1
B
.
) Seja a matriz A = [T]
B
inversvel, entao existe uma unica matriz A
1
tal que
I
n
= A A
1
= [T]
B
[U]
B
= [T U]
B
= [id
V
], logo T e inversvel como queramos.
5.3.1 Ecercicios
1. Ache a representa cao matricial de T onde T e dada por :
a) T(x, y) = (2x, 3y)
b) T(x, y) = (x, y)
c) T(x, y) = (x, 3y)
d) T(x, y) = (x +y, 3y)
e) T(x, y) = (2x + 3y, x +y)
f) T(x, y) = (3x, 3y)
CAP

OES LINEARES E C
ONICAS 89
2. Seja T(x, y) = (2x, 3x 2y). Entao ache a representa cao matrial de T onde :
a) a base e B = {(1, 0), (0, 1)}.
b) a base e B = {(1, 2), (3, 5)}.
3. Sejam V = P
3
(t) e T =
d
dt
. Ache a representa cao matricial para T onde :
a) a base e B = {1, t, t
2
, t
3
}.
b) a base e B = {t
2
, t, t
3
, 1}.
4. Seja o operador T denido por T(x, y, z) = (3x + z, y + z, x + 2y + 3z), entao
determine :
a) [T]
B
onde a base e B = {(1, 0, 0), (0, 1, 0), (0, 0, 1)}.
b) [T]
B
onde a base e B = {(1, 0, 1), (1, 2, 1), (2, 1, 1)}.
5. Seja A =
_
1 2
3 5
_
e seja T : R
2
R
2
tal que T(v) = Av
t
. Ache a matriz de T
onde :
a) a base e B = {(1, 0), (0, 1)}.
b) a base e B = {(1, 3), (2, 5)}.
5.4 Autovalor, Autovetor e Diagonalizacao
Denicao 5.4.1 Seja V um K-espaco vetorial de dimensao n, e T : V V um operador
linear. Um escalar K e dito um autovalor de T se existem vetores 0 = v V tal
que T(v) = v.
Todo vetor v V tal que T(v) = v e dito o autovetor associado ao autovalor K.
Denotaremos por V
o conjunto de todos os autovetores associados ao autovalor .

Fixemos um K-espa co vetorial V com base ordenada B = {v
1
, ..., v
n
}, e T : V V um
operador linear. Se consideramos A = [T]
B
e X = [v]
B
, entao temos a seguinte equa cao
matricial
AX = X ou T(v) = v
de onde segue que:
(AX X) = 0
V
(AI
n
)X = 0
V
Entao, temos a seguinte proposi cao.
Proposicao 5.4.1 Sejam V um K-espaco vetorial e T : V V um operador linear.
Entao sao equivalentes :
i) A equacao matricial AX = X tem solucoes nao nulas.
CAP

OES LINEARES E C
ONICAS 90
ii) A matriz (AI
n
) nao e inversvel.
iii) det(A I
n
) = 0
Dem. i) ii) Seja A M
n
, e seja X = 0
V
tal que AX = X. Entao temos que
o sistema homogeneo (A I
n
)X = 0
V
admite solu coes nao triviais, portanto a matriz
(AI
n
) nao e inversvel.
ii) iii) Se a matriz (AI
n
) nao e inversvel, entao o det(A I
n
) = 0.
iii) i) Se o det(AI
n
) = 0, entao o numero de linhas nao nulas da matriz reduzida
associada a matriz (A I
n
) e menor estrito do que n, logo o sistema homogeneo asso-
ciado tera mais indeterminadas do que equa coes, portanto admite solu coes nao triviais.
Denicao 5.4.2 Chamaremos de polin omio caracterstico associada a matriz A ao
polinomio p(x) = det(A xI
n
).
A equa cao p(x) = det(AxI
n
) = 0 e conhecida como equacao caracterstica associ-
ada a matriz A e nao e dicil mostrar que as solu coes ou raizes da equa cao caracteristica
dada por p(x) = det(A xI
n
) = 0, correspondem-se com os autovalores associados a
matriz A, como mostra-se no seguinte exemplo.
_
1 2
3 2
_
. Entao o polinomio caracterstico e dado por
p(x) = det((A xI
2
)) = det(
_
1 2
3 2
_
_
x 0
0 x
_
)
= det(
_
1 x 2
3 2 x
_
) = (1 x)(2 x) 6 = x
2
3x 4 = 0
Portanto, os autovalores sao
1
= 4;
2
= 1 que sao as razes de p(x) = x
2
3x4 = 0.
Calculemos agora V
4
, V
1
.
V
4
= {
_
x
y
_
/
_
1 2
3 2
__
x
y
_
= 4
_
x
y
_
=
_
4x
4y
_
}
_
x+ 2y = 4x
3x+ 2y = 4y
x = (
2
3
)y
Portanto V
4
= {
_
x
y
_
/x = (
2
3
)y} = [
_
2/3
1
_
]. Logo V
4
e gerado pelo vetor
_
2/3
1
_
que e linearmente independente, por ser nao nulo, e dim
K
V
4
= 1.
De maneira analoga
V
1
= {
_
x
y
_
/
_
1 2
3 2
__
x
y
_
= 1
_
x
y
_
=
_
x
y
_
}
_
x+ 2y = x
3x+ 2y = y
x = y
Portanto V
1
= {
_
x
y
_
/x = y} = [
_
1
1
_
]
CAP

OES LINEARES E C
ONICAS 91
Exemplo 5.4.2 1. Seja A =
_
1 1
0 1
_
. Logo, o polinomio caracterstico e dado por :
p(x) = det(AxI
2
) = (1 x)
2
Entao o unico autovalor de A e = 1. Calculemos agora V
1
da seguinte forma :
_
1 1
0 1
__
x
y
_
= 1
_
x
y
_
de onde segue que X =
_
1
0
_
e un autovetor correspondente ao autovalor 1.
2. Seja A =
_
0 1
1 0
_
M
2
(R). Entao as razes da equacao caracterstica p
A
(x) =
det(A xI
2
) = x
2
+ 1 = 0 sao = i; = i, que nao pertencem ao corpo R.
Portanto, a matriz A nao tem autovalores reais.
A partir de agora assumiremos que o corpo K = C dos n umeros complexos. As
matrizes sobre R podem ser vistas como matrizes sobre C, pois R C, como visto no
captulo A.
Proposicao 5.4.2 Sejam A, B duas matrizes semelhantes, (isto e, existe uma matriz
inversvel M tal que B = M
1
AM), entao :
i) det(B) = det(A)
ii) p
A
(x) = det(AxI
n
) = det(B xI
n
) = p
B
(x), logo tem os mesmos autovalores.
iii) Se v
e um autovetor da matriz A, correspondente ao autovalor , entao M

1
v
e
um autovetor de M
1
AM correspondente ao autovalor .
Dem. Sejam A, B semelhantes, isto e, existe uma matriz M inersvel tal que B =
M
1
AM.
i) Logo
det(B) = det(M
1
AM) = det(M
1
)det(A)det(M) = det(M)
1
det(A)det(M) = det(A)
.
ii) Entao temos que :
M
1
(AxI
n
)M = M
1
AM xM
1
I
n
M = B xI
n
Logo, det(A xI
n
) = det(M
1
(AxI
n
)M) = det(B xI
n
) como queramos.
CAP

OES LINEARES E C
ONICAS 92
iii) Seja v
um autovetor correspondente ao autovalor associado a matriz A, logo Av
=
v
. Entao mostremos que M

1
v
e um autovetor de B = M
1
AM. Para isto,
calculemos:
BM
1
v
= (M
1
AM)(M
1
v
) = M
1
Av
Mas, como Av
= v
segue-se que :
BM
1
v
= M
1
(v
) = (M
1
v
)
Portanto, M
1
v
e um autovetor de M
1
AM correspondente a .
n
semelhante a uma matriz diagonal D, entao os elementos
da diagonal da matriz D sao os autovalores da matriz A.
Dem. Como as matrizes A e D sao semelhantes, temos que elas tem os mesmos autoval-
ores, e claramente os autovalores da matriz D sao os elementos da diagonal.
Denicao 5.4.3 Diremos que uma matriz A e diagonaliz avel se for semelhante a
uma matriz diagonal D. Diremos que a matriz inversvel M e diagonalizante se
D = M
1
AM.
Denicao 5.4.4 Diremos que um operador T sobre o espaco vetorial V e diagonalizavel,
se para alguma base B de V , sua representacao matricial [T]
B
e uma matriz diagonal, e
diremos que a base B diagonaliza T.
Proposicao 5.4.3 Seja A uma representacao matricial de um operador T sobre o espa co
vetorial V . Entao T e diagonalizavel se, e somente se, existe uma matriz inversvel M
tal que D = M
1
AM e uma matriz diagonal.
n
. A e diagonalizavel se, e somente se, a matriz A tem n
autovetores linearmente independentes.
Nesta proposi cao temos que os autovalores
1
, ...,
n
K da matriz A nao sao neces-
sariamente todos diferentes, como mostra o seguinte exemplo.
Exemplo 5.4.3 seja T : R
3
R
3
tal que:
A = [T]
B
=
_
_
3 1 1
2 2 1
2 2 0
_
_
CAP

OES LINEARES E C
ONICAS 93
Onde B e uma base de R
3
. logo, o polinomio caracteristico associado a matriz A e
dado por: p
A
(x) = (x1)(x2)
2
e, portanto tem os autovalores 1 e 2. Calculemos agora
os sub-espacos vetoriais V
1
e V
2
.
V
1
= {
_
_
x
y
z
_
_
/
_
_
3 1 1
2 2 1
2 2 0
_
_
_
_
x
y
z
_
_
= 1
_
_
x
y
z
_
_
=
_
_
x
y
z
_
_
}
_
_
_
3x+ y z = x
2x+ 2y+ z = y
2x+ 2y+ 0z = z
_
x = 2z
y = 0
Portanto V
1
= [
_
_
1
0
2
_
_
]
De maneira analoga temos que V
2
= [
_
_
1
1
2
_
_
]. Como os autovetores associados a
transformacao T sao m ultiplos de
_
_
1
0
2
_
_
ou do vetor
_
_
1
1
2
_
_
temos que nao podemos ter
uma base de R
3
formada por autovetores associados a transformacao linear T. Portanto,
a transformacao T nao e diagonalizavel, pois so admite dois autovetores linearmente
independentes e deberiam ser tres segundo a proposicao 5.4.4.
_
1 2
3 2
_
do exemplo 5.4.1 e sabemos que e diagonalizavel
pois A admite dois autovetores linearmente independentes, a saber
_
2
3
_
;
_
1
1
_
Seja
M =
_
2 1
3 1
_
, a matriz, cujas colunas sao os autovetores da matriz A. Entao, podemos
obter a matriz diagonal da seguinte forma:
M
1
AM =
_
1/5 1/5
3/5 2/5
__
1 2
3 2
__
2 1
3 1
_
=
_
4 0
0 1
_
= D
n
tal que tem n autovalores diferentes, entao a matriz A
e diagonalizavel.
Veja que a reciproca da proposi cao 5.4.5 nao e verdadeira, isto e, nao e verdade que
se a matriz A e diagonalizavel entao os seus autovalores tem que ser diferentes, como
mostra o seguinte exemplo.
CAP

OES LINEARES E C
ONICAS 94
Exemplo 5.4.5 Seja T : R
3
R
3
tal que:
A = [T]
B
=
_
_
1 2 1
2 3 1
2 2 2
_
_
Onde B e uma base de R
3
.
Logo, o polinomio caracteristico e dado por p
A
(x) = (x + 1)
2
(x + 2), de onde temos
que V
1
= [
_
_
1
0
2
_
_
;
_
_
0
1
2
_
_
] e V
2
= [
_
_
1
1
1
_
_
]. Veja que a matriz A, admite um
autovalor repetido, a saber 1, mas a partir da proposicao 5.4.4 temos a base B
=
_
_
1
0
2
_
_
;
_
_
0
1
2
_
_
;
_
_
1
1
1
_
_
tal que
[T]
B
=
_
_
1 0 0
0 1 0
0 0 2
_
_
Logo, a transformacao linear T e diagonalizavel.
A seguir, relacionaremos a multiplicidade de um autovalor associado a uma matriz A,
com a dimensao do sub-espa co vetorial formado pelos autovetores associados ao autovalor
. Para isto, vejamos a seguinte deni cao.
CAP

OES LINEARES E C
ONICAS 95
Denicao 5.4.5 Seja um autovalor associado a matriz A M
n
, cujo polinomio car-
acteristico e dado por p
A
(x) = (x )
m
q(x), com q() = 0. O n umero m e chamado de
multiplicidade algebrica de e o denotaremos por m
a
(). Chamaremos de multi-
plicidade geometrica de à dimensao de V
, que denotaremos por m

g
().
Veja que a multiplicidade algebrica de um autovalor e o maior ndice j, tal que
(x )
j
divide o polinomio caracteristico p
A
(x). Entao, temos a seguinte proposi cao.
Proposicao 5.4.6 Seja um autovalor associado a matriz A M
n
. Entao m
g
()
m
a
().
Veja, que a partir das proposi coes 5.4.4 e 5.4.6 diz que uma matriz A M
n
e di-
agonalizavel se, e somente se m
g
(
i
) = m
a
(
i
para cada autovalor associado à matriz
A.
Denicao 5.4.6 Seja f(x) = a
n
x
n
+ +a
0
C[x]. Se f(A) = a
n
A
n
+ +a
0
I
n
= 0
C
,
diremos que o polinomio f(x) e um polin omio anulador da matriz A e que a matriz A
e um zero de f(x).
Exemplo 5.4.6 1. seja A M
n
tal que A
2
= A, entao A
2
A = 0
n
logo segue que
f(x) = x(x 1) e um polinomio anulador da matriz A.
2. Seja A M
n
tal que A
r
= I
n
, onde r e um inteiro positivo. Entao A
r
I
n
= 0
n
e
f(x) = x
r
1 e o polinomio anulador da matriz A.
Proposicao 5.4.7 (Teorema de Caylei Hamilton) Seja f(x) o polinomio carac-
terstico de uma matriz A M
n
, entao f(A) = 0
n
Proposicao 5.4.8 Se e um autovalor da matriz A M
n
e f(x) e um polinomio anu-
lador da matriz A, entao f() = 0.
Dem. Seja v = 0 um autovetor associado ao autovalor da matriz A. Logo Av = v e
pode-se mostrar que f(A)v = f()v. Mas, como f(A) = 0 temos que 0 = f()v portanto,
f() = 0 como queramos.
n
e seja f(x) um polinomio anulador da matriz A. Se
f(x) n ao possuir razes multiplas em C, entao a matriz A e diagonalizavel.
Exemplo 5.4.7 Toda matriz A M
n
tal que seu polinomio caracterstico e dado por
f(x) = (x
1
) (x
n
) e um produto de fatores diferentes, e diagonalizavel. Recordar
que todo polinomio caracterstico em particular e um polinomio anulador.
CAP

OES LINEARES E C
ONICAS 96
Para nalizar, recordemos que nem toda matriz A M
n
e diagonalizavel, mas para
superar esta diculdade pode-se demonstrar que toda matriz e semelhante a uma matriz
triangular. Pode-se ainda mostrar que toda matriz A M
n
e semelhante a uma matriz
J diagonalda seguinte forma:
J =
_
_
_
_
_
J
1
0
J
2
.
.
.
J
r
_
_
_
_
_
onde cada um dos blocos J
i
, conhecidos como blocos de Jordan, onde i = 1, ..., r, e da
seguinte forma:
J
i
=
_
_
_
_
_
i
1 0
.
.
.
.
.
.
0
.
.
. 1
0
i
_
_
_
_
_
e os escalares
1
, ...,
r
sao os autovalores da matriz A, nao necessariamente diferentes. A
matriz J e conhecida como Forma de Jordan da matriz A.
5.4.1 Exercicios
1. Seja K um autovalor de T em V . Mostre que V
e um subespa co vetorial de V .
2. Seja A =
_
2 7
3 5
_
i) Ache o polinomio caracterstico de A.
ii) Ache os autovalores de A e os autovetores correspondentes. A e diagonalizavel?.
Justique!.
iii) Ache uma matriz M inversvel tal que a matriz M
1
AM seja uma matriz diag-
onal.
3. Seja A =
_
_
2 0 3
3 5 1
1 0 3
_
_
i) Ache o polinomio caracterstico associado a matriz A.
ii) Considere A M
3
(C) e calcule os seus autovalores e verique se a matriz A e
diagonalizavel.
iii) Considere A M
3
(R) e ache os autovalores de A e verique se a matriz A e
diagonalizavel.
CAP

OES LINEARES E C
ONICAS 97
4. Seja T(x, y) = (3x 3y, x + 3y). Entao :
i) Encontre os autovalores de T e uma base para cada V
.
ii) Ache uma base B
de R
2
tal que a matriz [T]
B
seja diagonal.
5. Seja T(x, y, z) = (2x +y, y z, 2y + 4z).
i) Ache os autovalores de T e uma base para cada V
.
ii) T e diagonalizavel? Justique!
6. Ache uma matriz inversvel M tal que M
1
AM e uma matriz diagonal, onde:
i) A =
_
3 4
4 3
_
ii) A =
_
_
1 3 3
3 4 1
6 6 2
_
_
7. Seja Ae uma matriz inversvel. Entao, mostre que se = 0 e um autovalor associado
a matriz A, entao a matriz A
1
admite
1
como autovalor.
8. Se A e uma matriz nao nula nilpotente, isto e A
r
= 0
n
para algum inteiro positivo
r, entao mostre que todos os autovalores A sao nulos.
9. Se A
2
= A, mostre que todos os autovalores de A sao iguais a 1 ou 0.
10. Suponha que e um autovalor da matriz A. Mostre que f() e um autovalor da
matriz f(A), onde f e um polinomio em C.
11. Seja A M
2
uma matriz simetrica (A
t
= A). Mostre que ela e diagonalizavel.
5.5 Reconhecimento de Conicas
Nesta se cao consideraremos o corpo K = R e faremos uma pequena aplica cao dos conceitos
de diagonaliza cao, em particular faremos uso da diagonalisa cao de matrizes simetricas
para reconhecer quadricas e conicas. Mas primeiro recordemos alguns conceitos de ge-
ometria analtica.
Denicao 5.5.1 Chamaremos de distancia entre dois pontos de R
n
a funcao d : R
n
R
dada por
d((x
1
, ..., x
n
), (y
1
, ..., y
n
)) =
_
(x
1
y
1
)
2
+ + (x
n
y
n
)
2
CAP

OES LINEARES E C
ONICAS 98
Facilmente podem ser vericadas as seguintes propriedades para a fun cao d denida
em 5.5.1:
i) d((x
1
, ..., x
n
), (x
1
, ..., x
n
)) 0
ii) d((x
1
, ..., x
n
), (y
1
, ..., y
n
)) = d((y
1
, ..., y
n
), (x
1
, ..., x
n
))
iii) d((x
1
, ..., x
n
), (y
1
, ..., y
n
)) d((x
1
, ..., x
n
), (z
1
, ..., z
n
)) +d((z
1
, ..., z
n
), (y
1
, ..., y
n
))
n
. Diremos que a matriz A e ortogonal se d(Av, (0, ..., 0)) =
d(v, (0, ..., 0)), para todo v R
n
, e que representaremos da seguinte forma | Av |=| v |=
v v =
v
t
v
Recordemos que se B e uma base canonica de R
n
entao qualquer vetor de R
n
pode ser
visto como uma matriz coluna da seguinte forma
[(x
1
, ..., x
n
)]
B
=
_
_
_
x
1
.
.
.
x
n
_
_
_
entao v v = v
t
v. Agora, como A e ortogonal temos que
v
t
v = v v = Av Av = (Av)
t
Av = v
t
A
t
Av
Portanto segue que A
t
A = I
n
ou seja que A
1
= A
t
.
Denicao 5.5.3 Chamaremos de C onica ao lugar geometrico dos pontos (x, y) R
2
,
cujas coordenadas, em relacao à base canonica de R
2
, satisfazem a seguinte identidade
polinomial:
ax
2
+by
2
+ 2cxy +dx +ey +f = 0
onde a, b, c, d, e, f R, e alem disso a, b, c nao sao todos nulos.
Como estamos interessados em usar as ferramentas de diagonaliza cao para reconhecer
uma conica, simplicaremos a equa cao ax
2
+by
2
+2cxy+dx+ey+f = 0 dada na deni cao
5.5.3.
Veja que o polinomio ax
2
+ by
2
+ cxy, que e conhecido como forma quadratica do
plano, pode ser vista da seguinte forma:
ax
2
+by
2
+cxy =
_
x y
_
_
a
c
2
c
2
b
__
x
y
_
= v
t
Av
onde claramente v =
_
x
y
_
e a matriz simetrica A e dada por A =
_
a
c
2
c
2
b
_
.
CAP

OES LINEARES E C
ONICAS 99
Veja que a forma quadratica ax
2
+ by
2
+ cxy esta associada a matriz simetrica A.
Estudemos agora a diagonalisa cao da matriz simetrica A. Seja
p
A
(x) = det(A xI
2
) = x
2
tr(A)x +det(A) = 0
p
A
(x) = x
2
(a +b)x + (ab
c
2
4
) = 0
Logo, suas razes estao dadas por :
1
=
(a +b) +
_
(a +b)
2
4(ab
c
2
4
)
2
=
(a +b) +
_
(a b)
2
+c
2
2
e
2
=
(a +b)
_
(a +b)
2
4(ab
c
2
4
)
2
=
(a +b)
_
(a b)
2
+c
2
2
Observe tambem que se
1
=
2
entao (a +b)
2
= 4(ab
c
2
4
) (a b)
2
+c
2
= 0 (*) e se
ambos,
1
,
2
forem nulos temos que,
(a +b) =
_
(a b)
2
+c
2
(a +b)
2
= (a b)
2
+c
2
4ab = c
2
Substituido o anterior em (*) temos que (a + b)
2
= 0 a = b, ou seja que 4b
2
=
c
2
c = a = b = 0. Portanto temos que a matriz A e a matriz nula, o que e uma
contradi cao. Portanto, os autovalores
1
e
2
nao podem ser zero ao mesmo tempo, por
outro lado se
1
=
2
segue que (a b)
2
+ c
2
= 0 ou seja que c = 0 e, a = b e logo a
matriz A tem a seguinte forma A =
_
a 0
0 a
_
, logo ja e diagonal. Entao, pelo anterior,
podemos considerar os autovalores
1
e
2
diferentes, entao pela proposi cao 5.4.5 temos
que a matriz A e diagonalizavel.
Seja A M
n
uma matriz simetrica diagonalizavel com autovalores
1
,
2
entao sabe-
mos que
Av w = (Av)
t
w = v
t
A
t
w = v
t
Aw = v (Aw)
e como
1
=
2
segue que:
1
v
1
v
2
= Av
1
v
2
= v
1
Av
2
= v
1

2
v
2
Portanto segue que:
(
1
2
)v
1
v
2
= 0
Ou seja, que os autovetores associados aos autovalores
1
,
2
sao ortogonais.
Po outro lado, como a matriz A e diagonalizavel sabemos que existe um matriz P
inversvel, formada pelos autovetores associados aos autovalores de A tal que
D = P
1
AP
CAP

OES LINEARES E C
ONICAS 100
onde D e uma matriz diagonal. Fazendo uso do paragrafo anterior, todos os autovetores
sao ortogonais, ou seja, a matriz P e uma matriz ortogonal, logo P
1
= P
t
, portanto a
matriz diagonal e dada por :
D = P
t
AP =
_

1
0
0
2
_
A matriz P tambem e conhecida como matriz de mudan ca de base, isto e, da base
dada pelos autovetores que denotaremos por P para a base canonica dada por B, desta
forma temos que
[v]
B
= P[v]
P
Portanto temos que
[v]
t
B
A[v]
B
= (P[v]
P
)
t
A(P[v]
P
) = ([v]
t
P
P
t
)A(P[v]
P
)
Fazendo uso da associatividade das matrizes temos que:
[v]
t
B
A[v]
B
= [v]
t
P
(P
t
AP)[v]
P
= [v]
t
P
D[v]
P
Considerando [v]
P
=
_
x
_
temos que:
_
x y
_
_
a
c
2
c
2
b
__
x
y
_
=
_
x
_
_

1
0
0
2
__
x
_
Ou seja,
ax
2
+by
2
+cxy =
1
x
2
+
2
y
2
Assim, a forma quadratica ax
2
+ by
2
+ cxy sempre pode ser substituida pela forma
quadratica
1
x
2
+
2
y
2
. Portanto a nossa equa cao
ax
2
+by
2
+cxy +dx +ey +f =
_
x y
_
_
a
c
2
c
2
b
__
x
y
_
+
_
d e
_
_
x
y
_
+f = 0
E identicada agora com:

_
x
_
_

1
0
0
2
__
x
_
+
_
d e
_
P
_
x
_
+f = 0
ou seja
1
x
2
+
2
y
2
+ px
+ qy
+ f = 0. Lembre que esta nova equa cao refere-se

ao sistema de coordenadas x
0y
cujos eixos estao determinados pela base dada pelos

autovetores associados nos autovalores
1
,
2
. Fazendo uma transla cao nos eixos temos
que
1
x
2
+
2
y
2
+px
+qy
+f = 0 pode ser vista como

1
X
2
+
2
Y
2
= F esta equa cao
e conhecida como equacao reduzida da conica centrada na origem.
CAP

OES LINEARES E C
ONICAS 101
Entao segue que
1) Se
1
,
2
= 0 temos:
i) Se
1
e
2
tem o mesmo sinal, diremos que e uma Elipse.
ii) Se
1
e
2
tem sinal diferente diremos que e uma Hiperbole
2) Se
1
ou
2
e nulo, diremos que e uma Parabola
Exemplo 5.5.1 Determinar a equacao reduzida e o tipo de conica que e representada
pela equacao :
4x
2
11
16
y
2
6xy 4x +
9
2
y 12 = 0
Veja que podemos escrever a equacao anterior da seguinte forma:
_
x y
_
_
4 3
3
11
16
__
x
y
_
+
_
4
9
2
_
_
x
y
_
12 = 0
A partir do que temos calculado anteriormente, temos que os autovalores associados
a matriz A =
_
4 3
3
11
16
_
sao
1
= 4 e
2
= 1, onde os autovetores associados sao
v
1
=
_
1
0
_
associado a
1
e v
2
=
_
3
4
_
associado a
2
.
Mas como estamos interessados em vetores unitarios, consideraremos u
1
=
v
1
|v
1
|
e u
2
=
v
2
|v
2
|
como sendo as colunas da minha matriz de mudanca de base. Portanto, segue que:
_
x
_
_
4 0
0 1
__
x
_
+
_
4
9
2
_
_
1
3
5
0
4
5
__
x
_
12 = 0
Ou seja, temos a seguinte equacao:
4x
2
y
2
4x
6y
12 = 0
Fazendo agora o completamento de quadrados da equacao anterior segue que:
4x
2
4x
+ 1 (y
2
+ 6y
+ 9) = 12 + 1 9
4(x
1
2
)
2
(y
+ 3)
2
= 4
(x
1
2
)
2
4
4
(y
+ 3)
2
4
= 1
CAP

OES LINEARES E C
ONICAS 102
Portanto, a equacao
4x
2
11
16
y
2
6xy 4x +
9
2
y 12 = 0
tem como equacao reduzida
(x
1
2
)
2
1

(y
+ 3)
2
4
= 1
Que representa uma Hiperbole com foco (
1
2
, 3) e distancia
5
5.5.1 Exerccios
Em cada um dos exerccios a continua cao determine a forma reduzida e determine o tipo
de Conica representada pela equa cao:
1. x
2
6x + 8y + 1 = 0
2. 7x
2
+y
2
6xy 7x + 8y + 1 = 0
3. 4x
2
+y
2
+ 4xy 7
5x + 8y + 5 = 0
4. x
2
+y
2
+xy + 5
3x + 3
5y + 5 = 0
5. 3x
2
+ 3y
2
2xy + 2x 3y + 4 = 0
6. x
2
+y
2
2xy +x y 16 = 0
Apendice A
Introducao à Estruturas Algebricas
A.1 Conjuntos
A matematica, como ela e mostrada geralmente nos dias de hoje, e tao abstrata que
ca muito difcil entender como ela foi construda, ou descoberta. Mas a base de qualquer
estrutura matematica esta baseada na no cao de conjunto, e isto mostra a for ca deste
conceito, que por outro lado, e um dos conceitos mais amplos e simples que existem.
Entao vejamos a seguinte deni cao.
Denicao A.1.1 Um Conjunto e um agrupamento ou reuniao de objetos que chamare-
mos de elementos. Para denotar um conjunto usaremos letras mai usculas, e para denotar
os elementos do conjunto usaremos letras min usculas.
Esta no cao e tao familiar, que basta olhar ao redor que vemos muitos exemplos de
conjuntos, como o conjunto formado pelos alunos da aula de algebra linear, como o con-
junto dos alunos do curso de computa cao, como o conjunto formado pelos objetos da sua
mochila, etc. Entao, todo conjunto esta determinado pela natureza dos seus elementos que
o componhem, assim diremos que dois conjuntos sao iguais se ambos tem os mesmos
elementos. Seja A um conjunto, e a um elemento (este elemento pode ser um conjunto)
entao, gostaramos de saber qual e a rela cao entre o elemento a e o conjunto A. Sera que
o elemento a faz parte do conjunto A?, se ele zer, diremos que o elemento a faz parte do
conjunto A, que denotaremos por a A, caso contrario, diremos que o elemento a nao
faz parte do conjunto A, que denotaremos por a / A. No decorrer deste texto, estaremos
interessados fundamentalmente em conjuntos formados por n umeros, guras geometricas,
entre outros. Por enquanto, para descrever um conjunto, podemos especicar os seus
elementos (se for nito), ou especicando a propriedade que satisfazem os seus elementos
(se for innito).
103
AP
ENDICE A. INTRODUC

AO
`
A ESTRUTURAS ALG
EBRICAS 104
Exemplo A.1.1 Consideremos as seguintes situacoes:
1. A = {1, 3, 5} ou B = {Jo ao, Carlos, Maria}
2. B = {x/x e uma estrela} (le-se B e o conjunto formado pelos x tal que x e uma
estrela).
Existe um conjunto muito interessante, e porque nao, curioso!, que e o conjunto vazio,
que denotaremos por . Este e o conjunto que nao tem elementos. A partir de ele-
mentos de um conjunto podemos construir novos conjuntos, como os conjuntos unitarios,
por exemplo {x} que denota o conjunto formado pelo elemento x , agora um exemplo de
conjunto vazio pode ser dado por = {x/x = x}, e claramente = {} visto que {}
contem um elemento, a saber o .
Denicao A.1.2 Sejam A e B dois conjuntos. Diremos que o conjunto A e subcon-
junto do conjunto B, que denotaremos por A B, se qualquer elemento do conjunto
A faz parte dos elementos do conjunto B, caso contrario, isto e, se pelo menos um el-
emento do conjunto A nao faz parte do conjunto B, diremos que o conjunto A n ao e
subconjunto do conjunto B, que denotaremos por A B.
Nesta deni cao de subconjunto ca a possibilidade do conjunto A ser um subconjunto
dele mesmo, visto que todo elemento do conjunto A esta dentro do proprio conjunto A.
Neste texto, usaremos a nota cao A B, para indicar que o conjunto A esta contido no
conjunto B, mas existe pelo menos um elemento no conjunto B que nao esta no conjunto
A, isto e conhecido como inclusao propria ou subconjunto proprio. Podemos consid-
erar como conjunto A os alunos de Engenharia desta universidade, e como conjunto B os
alunos desta Universidade, entao claramente A B, visto que alunos de Letras nao faz
parte do curso de Engenharia, por exemplo. Assim, como temos denido o conjunto vazio
, podemos denir o conjunto universal (em muitos textos e conhecido como Universo
do discurso ou assunto da discussao) , que denotaremos por U, que indica o conjunto
que tem como propriedade, que qualquer outro conjunto A e um subconjunto de U. Por
exemplo se A = {x/x e alunodestaUniversidade}, entao o conjunto universal U e formado
portodos os alunos universitarios.
Seja A um conjunto qualquer, entao podemos construir um novo conjunto, que de-
notaremos por P(A), que e o conjunto formado por todos o possveis subconjuntos do
conjunto A, isto e, os elementos do conjunto P(A) sao subconjuntos do conjunto A, logo
e A sao elementos de P(A), e nao e dicil de mostrar que e um subconjunto de
qualquer conjunto. Consideremos agora o seguinte exemplo.
Exemplo A.1.2 Seja A = {1, 2, 3}, entao P(A) = {, A, {1}, {2}, {3}, {1, 2}, {1, 3}, {2, 3}
Recordemos que dados dois conjuntos, digamos A e B nao vazios, podemos construir
um novo conjunto chamado de produto cartesiano, que denotaremos por A B, esta
formado por todos os pares da forma (x, y) onde x A e y B, isto e:
A B = {(x, y)/x A, y B}
AP
ENDICE A. INTRODUC

AO
`
A ESTRUTURAS ALG
EBRICAS 105
Estes conjuntos sao muito importantes, pois podemos denir relacoes do conjunto A
no conjunto B da seguinte forma.
Denicao A.1.3 Sejam A, B U. Chamaremos de Rela c ao entre o conjunto A e o
conjunto B, ao subconjunto R AB formado por todos os pares (x, y) AB tal que
x esta relacionado com y, que denotaremos por xRy, simbolicamente temos:
R = {(x, y) AB/xRy}
Consideremos uma rela cao R A B, entao o conjunto A e o conjunto de partida,
e o conjunto B de chegada da rela cao R. Chamaremos ao conjunto D = {x A/y
B tal que xRy} A, de domnio da rela cao R, e denotaremos por I = {y B/ x
A tal que xRy} B, de conjunto Imagem denido pela rela cao R. Ilustremos estes
conceitos com o seguinte exemplo.
Exemplo A.1.3 Sejam A = {1, 2, 3, 4, 5} e B = {1, 2, 3, 6} conjuntos, e seja R =
{(1, 2), (1, 3), (2, 1), (2, 6), (5, 1), (5, 2)}. Logo o conjunto A e o conjunto de partida, e
o conjunto B e o conjunto de chegada. O domnio da relacao R e dado pelo conjunto
D = {1, 2, 5} e a Imagem da relacao R e dado pelo conjunto I = {1, 2, 3, 6}.
A rela cao que deniremos a seguir, e uma das rela coes mais importantes na matematica
em geral, que voces reconhecerao rapidamente.
Denicao A.1.4 Sejam A, B U. A relacao R AB dada por: A cada elemento
x de A existe um unico elemento y em B, tal que (x, y) R, e conhecida como
funcao do conjunto A, que denota o domonio da funcao f, no conjunto B, que denota o
contradominio da funcao f e, que sera denotada por f : AB e f(x) = y tal que x A
e y B.
A rela cao denida no exemplo A.1.3 nao e uma fun cao, visto que os elementos 3, 4 A
nao tem um correspondente no conjunto B, ou seja, deveriam estar em R pares da forma
(3, ?) e (4, ?), isto e, o conjunto A da rela cao deve coincidir com o dominio da fun cao
denida por esta rela cao. Veja tambem que se o dominio da rela cao denida no exemplo
1.1.3 coincidese com o conjunto A, ainda assim nao seria uma fun cao, pois se R e uma
rela cao fun cao, entao a cada lelemto do conjunto A corresponde um e so um elemento
do conjunto B, mas isto tambem nao acontece ja que , por exemplo, R comtem os pares
(1, 2) e (1, 3), ou seja que o 1 tem duas imagens. Diremos que uma fun cao f : AB
e Injetora se f(x) = f(y) x = y, como exemplo podemos considerar o fato em
que a cada Brasilero corresponde um unico CPF, e diremos que a fun cao f : AB e
sobrejetora se o conjunto imagem determinada por f coincide com o conjunto B e como
exemplo podemos considerar o fato considerar o vestibular para Medicina em que para
cada vaga tem mais de um candidato para preencher esta vaga. Finalmente diremos que
a fun cao f : AB e uma bijecao se ela for injetora e sobrejetora ao mesmo tempo.
Muitas rela coes sao caracterizadas por satiszerem algumas propriedades, enunciamos
algumas delas a seguir.
AP
ENDICE A. INTRODUC

AO
`
A ESTRUTURAS ALG
EBRICAS 106
Denicao A.1.5 Sejam A, B U conjuntos e R A B uma relacao. Entao diremos
que R e:
i) Reexiva se, e somente se xRx x A onde A e o domnio da relacao R.
ii) Simetrica se, e somente se, xRy yRx.
iii) Antissimetrica se, e somente se, xRy e yRx x = y
iv) Transitiva se, e somente se, xRy e yRz xRz.
Como exemplo, podemos considerar o conjunto formado pelas partes P(U) do conjunto
universo U, e a rela cao R P(U) P(U), onde (A, B) R se, e somente se, A B.
Veja que esta rela cao satisfaz as seguintes propriedades.
Proposicao A.1.1 Sejam A, B, C conjuntos, entao e valido:
i) Reexiva A A.
ii) Antissimetrica Se A B e B A, entao A = B.
iii) Transitiva Se A B e B C, entao A C.
A rela cao dada pela proposi cao anterior e dita uma relacao de ordem e, como
exemplo podemos citar a reala cao denida em R dada por xRyse, esomentese, x y.
Uma outra rela cao muito importante usada em termos matem aticos e a rela cao R e de
equivalencia, se ela e Reexiva, Simetrica e Transitiva. Na rela cao de antisimetria, esta
implcita a no cao de igualdade, visto que se todos os elementos do conjunto A estao no
conjunto B, e todos os elementos do conjunto B estao no conjunto A, portanto so nos reta
armar que os dois conjuntos sao iguais. Agora a transitividade, e a base do raciocnio
logico dedutivo, por exemplo se A e o conjunto dos seres humanos e, B o conjunto dos
animais e C o conjunto dos seres mortais. Entao temos que todo ser humano e animal, e
todo animal e mortal, logo podemos concluir que todo ser humano e mortal. Em termos
simbolicos temos: A B e B C, entao A C. Veja tambem, que a rela cao de inclusao
esta diretamente relacionada com a implicacao logica, por exemplo sejam P e Q as
propriedades que denem os conjuntos A e B respectivamente, isto e, x A (y B) se
x satisfaz a propriedade P (y satisfaz a propriedade Q), entao temos que a propriedade
P implica a propriedade Q, que denotaremos por P Q, para signicar que A B.
Consideremos o seguinte exemplo.
Exemplo A.1.4 Sejam as propriedades P : x
2
1 = 0 e Q : x
3
+ x
2
x 1 = 0, entao
temos que toda solucao da equacao x
2
1 = 0 e uma solucao da equacao x
3
+2x
2
x2 = 0,
portanto segue que P Q. Em termos de conjunto, temos que A = {x/x
2
1 = 0} e um
subconjunto de B = {x/x
3
+ 2x
2
x 2 = 0} ou seja A B.
Para denir nosso proximo conceito, xaremos o conjunto universal U, logo todos os
elementos a serem considerados pertencerao ao conjunto U, e todos os conjuntos serao
subconjuntos de U. Logo temos a seguinte deni cao.
AP
ENDICE A. INTRODUC

AO
`
A ESTRUTURAS ALG
EBRICAS 107
Denicao A.1.6 Seja A um subconjunto de U. Chamaremos de complementar do con-
junto A, que denotaremos por A
c
, ao conjunto formado por todos os elementos do conjunto
Universal U, que n ao estao no conjunto A.
Veja que a partir da deni cao anterior, dado um elemento x U, so temos duas
possibilidades, a saber, x A ou x / A, em Logica o anterior e conhecido como o
Principio do terceiro excludo, agora o fato de que as duas op coes nao podem ser
verdadeiras ao mesmo tempo e conhecido como principio da nao contradicao. A
partir destes pricpios temos as seguintes regras:
1. Para todo A U, temos que (A
c
)
c
= A.
2. Se A B, entao B
c
A
c
.
Sejam A, B U, tais que o conjunto A e denido pela propriedade P, e o conjunto
B e denido pela propriedade Q. Entao o conjunto A
c
e formado pelos elementos que
nao satisfazem a propriedade P que denotaremos por P
(nega cao de P), e de maneira

analoga B
c
e dada por Q
(nega cao de Q), logo temos:

A B B
c
A
c
ou P Q se, e somente se, Q
.
Em outras palavras, a implica cao P Q e equivalente a armar que Q
(a
nega cao de Q implica a nega cao de P). A implica cao Q
e conhecida como a
contrapositiva da implica cao P Q, esta e a base da demonstra cao por absurdo.
Consideremos o seguinte exemplo:
Exemplo A.1.5 Sejam U = {Seres vivos neste planeta} , {P : Seres humanos} e
{Q : Animais}. Claramente P Q, mas se queremos usar o absurdo, segue que {P
:
Existem seres que nao sao humanos} e a armacao {Q
: Existem seres que nao sao animais},

logo segue que Q
, visto que se existem seres que nao podem ser animais , entao
estes nao podem ser seres humanos.
O exemplo anterior mostra que temos que fazer uma distin cao entre a ideia matematica
de negacao e a no cao (nao matematica) de contrario ou oposto. Se um conceito e
expresso por uma palavra, o conceito contrario e expresso pelo antonimo daquela palavra.
Por exemplo, o contrario de gigantesco e min usculo, mas a nega cao de gigantesco inclui
outras grada coes de tamanho alem de min uscula, pois so nao pode ser gigantesco.
Vejamos agora algumas opera coes com conjuntos.
Denicao A.1.7 Sejam A, B U entao temos as seguintes operacoes:
i) Uniao : A B = {x/x A ou x B}.
ii) Intersecao: A B = {x/x A e x B}.
iii) Diferenca: AB = {x/x A e x / B} = A B
c
.
AP
ENDICE A. INTRODUC

AO
`
A ESTRUTURAS ALG
EBRICAS 108
Notemos que, as opera coes entre conjuntos AB e AB constituem a contrapartida
matematica dos conectivos logicos oue e. Assim, quando o conjunto A e determinado
pelos elementos que satisfazem a propriedade P, e o conjunto B e determinado pelos
elementos que satisfazem a propriedade Q, entao segue que a propriedade que determina
o conjunto A B e P ou Q, denotando que um elemento do conjunto A B esta
determinado pela propriedade que e satisfeita por P ou por Q e de maneira analoga a que
determina o conjunto A B e P e Q.
Exemplo A.1.6 Seja A = {x/x
2
3x+2 = 0} = {1, 2}, entao neste caso o conjunto A e
determinado pela propriedade {P : x tal que x
2
3x+2 = 0}, e consideremos o conjunto
B = {x/x
2
5x+6 = 0} = {2, 3}, determinado pela propriedade {Q : x tal que x
2
5x+
6 = 0}. Assim a armacao P : x tal que x
2
3x+2 = 0 ou Q : x tal que x
2
5x+6 = 0
equivale a dizer que x {1, 2, 3}, e a armacao {P : x tal que x
2
3x + 2 = 0}
e{Q : x tal que x
2
5x + 6 = 0} equivale a dizer que x {2} ou que x = 2.
A diferen ca entre o uso comum e o uso matematico do conectivo oue ilustrada
pela anedota do obstetra que tambem era matematico. Ao sair da sala de cirurgia, onde
acabara de realizar um parto, o obstetra foi abordado pelo pai da crian ca, que lhe pergun-
tou:Foi menina ou menino doutor?. A resposta do medico foi: Sim. Efetivamente, se
Ae o conjunto das meninas, e B e o conjunto dos meninos e x o recem nascido, certamente
tem-se que x A B.
Vejamos agora algumas propriedades satisfeitas por estas opera coes entre conjuntos.
Proposicao A.1.2 Sejam A, B, C U. Entao sao validas as seguintes arma coes:
1. Comutatividade: A B = B A e A B = B A.
2. Associatividade: (A B) C = A (B C) e (A B) C = A (B C).
3. Distributividade: A(BC) = (AB)(AC) e A(BC) = (AB)(AC).
4. Leis de De Morgan: (A B)
c
= A
c
B
c
e (A B)
c
= A
c
B
c
.
AP
ENDICE A. INTRODUC

AO
`
A ESTRUTURAS ALG
EBRICAS 109
A.1.1 Exerccios
1. Sejam P
1
, P
2
, Q
1
, Q
2
propriedades referentes a elementos de um conjunto universo
U e suponha que P
1
e P
2
esgotam todas as possibilidades dos elementos de U, e
suponha ainda que Q
1
e Q
2
sao incompatveis (isto e, excluem-se mutuamente).
Suponha nalmente que P
1
Q
1
e P
2
Q
2
. Prove que valem as reciprocas:
Q
1
P
1
e Q
2
P
2
.
2. Expressoes tais como para todoque denotaremos por e qualquer que seja
sao chamados de quanticadores e aparecem em senten cas dos seguintes tipos:
i) Para todo x e satisfeita a condi cao P(x).
ii) Existe algum x que satisfaz a condi cao P(x),
onde P(x) e uma condi cao envolvendo a variavel x.
(a) Seja A = {x/P(x) e verdadeira}. Escreva as senten cas anteriores usando a
linguagem de conjunto.
(b) Quais sao as nega coes das duas senten cas anteriores, usando linguagem de
conjuntos?.
3. Considere os seguintes conjuntos: F= Conjunto de todos os losofos.
M= Conjunto de todos os matematicos.
C= Conjunto de todos os cientistas.
P= Conjunto de todos os professores.
(a) Exprima cada uma das arma coes abaixo, usando a linguagem de conjuntos:
i. Todos os matematicos sao cientistas.
ii. Alguns matematicos sao professores.
iii. Alguns cientistas sao losofos.
iv. Todos os losofos sao cientistas ou professores.
v. Nem todo professor e cientista.
vi. Alguns matematicos sao losofos.
vii. Nem todo losofo e cientista.
viii. Alguns losofos sao professores.
ix. Se um losofo nao e matematico, ele e professor.
x. Alguns losofos sao matematicos.
(b) Tomando as primeiras cinco arma coes anteriores como hipoteses, verique
quais das armativas restantes sao verdadeiras.
AP
ENDICE A. INTRODUC

AO
`
A ESTRUTURAS ALG
EBRICAS 110
4. O artigo 34 da Constitui cao Brasileira de 1988 diz o seguinte: A uniao nao intervira
nos Estados nem no Distrito Federal, exceto para:
I Manter a integridade nacional;
II Repelir invasao estrangeira ou de unidade da Federa cao em outra
(a) Suponhamos que o estado do Rio de Janeiro seja invadido por tropas de Sao
Paulo. O texto acima obriga a Uniao a intervir no estado?. Na sua opiniao,
era a inten cao dos legisladores nesse caso?.
(b) Rescreva o texto do artigo 34 de modo a torna-lo mais preciso.
5. Mostre as propriedades das opera coes com conjuntos dadas na proposi cao 1.1.2.
6. Sejam A, B, C conjuntos. Ache uma condi cao necessaria e suciente para que:
A (B C) = (A B) C
7. Determine uma condi cao necessaria e suciente para que tenhamos:
A(B C) = (AB) C
A.2 Naturais, Inteiros e Racionais
Nesta se cao daremos uma constru cao dos conjuntos numericos Naturais, Inteiros e
Racionais, alem de dar algumas das propriedades mais importantes deles. Desde que
aprendemos a falar, muitas palavras sao ensinadas sem nenhuma deni cao ou signicado
mas de certa forma passam a fazer parte das nossas regras de comunica cao. Estas palavras
sao conhecidas como conceitos primitivos. Para poder empregar os conceitos primitivos
adequadamente, e necessario dispor de um conjunto de princpios ou regras que disciplinem
sua utiliza cao e estabele cam suas propriedades. Na matematica estes princpios ou regras
sao conhecidas como Axiomas ou postulados. Assim como os conceitos primitivos
sao objetos que nao se denem, os axiomas sao proposi coes que nao se demonstram.
Uma vez feita a lista dos conceitos primitivos e enunciados os axiomas de uma teoria
matematica, todas as demais no coes devem ser denidas e as arma coes demonstradas,
nisto consiste o chamado Metodo Axiomatico. As proposi coes a serem demonstradas
chamam-se Teoremas e suas conseq uencias imediatas sao conhecidas como Corolarios.
Uma proposi cao auxiliar usada na demonstra cao do Teorema, e conhecida como Lema.
No limiar do seculo vinte, o matematico Italiano Giuseppe Peano consegue dar uma
descri cao precisa do conjunto dos n umeros naturais, que denotaremos por N, estabelecendo
uma constru cao Axiomatica onde os conceitos primitivos sao n umero e sucessor.
Intuitivamente, quando n, n
N, dizer que n
e o sucessor de n signica que n
vem
logo depois de n, nao havendo outros n umeros naturais no meio. Logo, sucessor se
transforma em logo depois, portanto nao e uma deni cao.
AP
ENDICE A. INTRODUC

AO
`
A ESTRUTURAS ALG
EBRICAS 111
Vejamos agora os Axiomas de Peano que regem estes conceitos primitivos:
1. Todo n umero natural tem um unico sucessor.
2. N umeros naturais diferentes tem sucessores diferentes.
3. Existe um unico n umero natural, chamado um e representado pelo smbolo 1, que
nao e sucessor de nenhum outro.
4. Seja X um conjunto de n umeros naturais. Se 1 X e se, o sucessor de todo elemento
de X esta em X, entao X = N.
O ultimo axioma de Peano, e conhecido como axioma de inducao, que pode ser
formulado da seguinte maneira: Seja P(n) a propriedade relativa ao n umero natural n.
Suponhamos que :
i) P(i) e valida.
ii) Para todo n N, a validez de P(n) implica a validez de P(n
), onde n
e o sucessor
de n.
Entao P(n) e valida para qualquer que seja o n umero natural n. Efetivamente, se
chamarmos de X o conjunto dos Numeros naturais n tais que P(n) e verdadeira, temos
que 1 X pela senten ca i ) anterior, e se n X, entao n
X pela senten ca ii ) anterior.

Logo, pelo axioma de indu cao temos que X = N. No seguinte exemplo ca mais clara a
for ca do axioma de indu cao.
Exemplo A.2.1 Seja P(n) : 1 + 2 + + n =
n(n+1)
2
. Sera que P(n) e verdadeira para
todo n natural?. Usemos nosso processo indutivo para responder a pergunta anterior.
Para n = 1 temos que P(1) : 1 =
1(1+1)
2
= 1, logo para n = 1 a armacao P(1) e
verdadeira. Entao vamos supor agora que a armacao anterior vale para n = k, ou seja
que P(k) e verdadeira (isto e conhecida como hipoteses de induc ao), e mostremos que
vale para n = k + 1. Pela hipoteses de inducao temos que :
P(k) : 1 + 2 + +k =
k(k + 1)
2
Como e uma igualdade, podemos somar k + 1 nos dois lados da igualdade e temos que :
1 + 2 + +k +k + 1 =
k(k + 1)
2
+ (k + 1) =
(k + 1)(k + 2)
2
: P(k + 1)
Portanto, P(n) e valido para todo n N.
Nos n umeros Naturais, podemos denir a seguinte fun cao + : NNN da seguinte
forma:
+(n, m) = n +m
Esta deni cao pode ser feita indutivamente, mas nao entraremos em detalhes nisto
pois, nao e o objetivo deste texto. Na seguinte proposi c ao enunciamos as propriedades
satisfeitas pela fun cao +, para isto assumiremos que o conjunto dos numeros naturais
contem o 0, isto e, N = {0, 1, 2, 3, ...}.
AP
ENDICE A. INTRODUC

AO
`
A ESTRUTURAS ALG
EBRICAS 112
Proposicao A.2.1 A funcao + : N NN satisfaz:
i) Associatividade: (a+b)+c=a+(b+c)
ii) Neutro: a+0=0+a=a a, b, c N
iii) Comutatividade: a+b=b+a
Entao, diremos que (N, +) tem uma estrutura algebrica conhecida como Grupoide.
Aqui ca claro a falta de elemento inverso, isto e, para qualquer elemento a N. Sera
que existe um n umero a
N tal que a +a
= 0?.
Para tentar resolver este problema, consideremos a seguinte rela cao R
0
em N N tal
que: Sejam a, b, c, d N entao
(a, b)R
0
(c, d) a +d = b +c
Nao e difcil vericar que esta rela cao R
0
, e Reexiva, Simetrica e Transitiva (exerci-
cio), logo e uma rela cao de equivalencia. Mostremos agora algumas classes :
[1, 1] = {(a, b) N N/1 +b = 1 +a} = {(1, 1), (2, 2), ...} = 0
[2, 1] = {(a, b) N N/2 +b = 1 +a} = {(2, 1), (3, 2), ...} = 1
[1, 2] = {(a, b) N N/1 +b = 2 +a} = {(1, 2), (2, 3), ...} = 1
Denicao A.2.1 Chamaremos de conjunto dos n umero inteiros, o conjunto cujos ele-
mentos sao as classes de equivalencia determinados pela relacao R
0
, que denotaremos
por:
Z = {..., 3, 2, 1, 0, 1, 2, 3...}
Como cada classe de equivalencia e um n umero inteiro, podemos denir a seguinte
fun cao : Z ZZ dada por (x, y) = x y, que vistos como classes temos
([x
1
, x
2
], [y
1
, y
2
]) = [x
1
+y
1
, x
2
+y
2
]. Por exemplo 11 = [1, 2] [2, 1] = [1+2, 2+1] =
[3, 3] = [1, 1] = 0 como queramos. Estamos usando o smbolo so para diferenciar da
soma usual em N, mas sem medo a ter confusao usaremos o smbolo + no lugar de .
Entao vejamos agora as propriedade desta soma de inteiros na seguinte proposi cao.
Proposicao A.2.2 Sejam x, y, z Z, entao sao validas:
i) Associatividade: (x +y) +z = x + (y +z)
ii) Neutro: 0 Z tal que 0 +x = x + 0 = x
iii) Inverso: x Z, x Z tal que x +x = x +x = 0
iv) Comutatividade: x +y = y +x
AP
ENDICE A. INTRODUC

AO
`
A ESTRUTURAS ALG
EBRICAS 113
Assim como temos denido a soma em Z, nas classes de equivalencia dadas por R
0
,
podemos denir o produto em Z, da seguinte forma:
: Z ZZ
dada por (x, y) = ([x
1
, x
2
], [y
1
, y
2
]) = [x
1
y
1
+ x
2
y
2
, x
1
y
2
+ x
2
y
1
] = x y, onde
x = [x
1
, x
2
], y = [y
1
, y
2
] Z. As propriedades deste produto estao dadas pela seguinte
proposi cao.
Proposicao A.2.3 Sejam x, y, z Z, entao sao validas:
i) Associatividade: (x y) z = x (y z)
ii) Neutro: 1 Z tal que 1 x = x 1 = x
iii) Comutatividade: x y = y x
E relacionando as duas operacoes temos:
iv) Distributividade ` a direita: x (y +z) = x y +x z
v) Distributividade ` a esquerda: (x +y) z = x z +y z
Veja que nem todo n umero inteiro tem um inverso multiplicativo, i.e., dado um x =
0, 1 Z, nao e possvel achar um inteiro y Z tal que x y = 1, por exemplo, se
consideramos o 2 Z nao e possvel achar um inteiro x tal que 2 x = 1. O conjunto
(Z, +, ) e dito um Anel comutativo com unidade. No produto denido acima, ca
implcita a no cao de divisibilidade, ou seja, o inteiro a divide o inteiro b se existe um
inteiro c tal que a = b c. Para nao carregar muito a notacao faremos x y = xy.
Existem certos inteiros que merecem destaque, como a no cao de um inteiro ser primo, isto
e, diremos que um n umero inteiro p, diferente de 1, 1, e primo se os unicos divisores dele
sao 1, p. Um resultado muito importante e que todo n umero inteiro pode-se escrever
como o produto de um n umero nito de n umeros primos, ou seja, = p
1
1
p
2
2
p
t
t
,
onde p
1
, ..., p
t
sao n umeros primos e
1
, ...,
t
N.
Fazendo uma analogia com a constru cao dos n umeros inteiros a partir de classes de
equivalencia, podemos fazer a constru cao de um novo conjunto n umerico, que veremos a
seguir.
Consideremos primeiro o conjunto Z
= Z {0} = {..., 3, 2, 1, 1, 2, 3, ...}, entao

denamos a seguinte rela cao R
1
no conjunto Z Z
, onde (a, b)R

1
(c, d) ad = bc. Esta
rela cao e uma rela cao de equivalencia, ou seja R
1
e Reexiva, Simetrica e Transitiva.
Entao calculemos algumas classes de equivalencias dadas pela rela cao R
1
.
AP
ENDICE A. INTRODUC

AO
`
A ESTRUTURAS ALG
EBRICAS 114
Exemplo A.2.2 Seja R
1
como antes :
1. Calculemos a classe dada pelo par (1, 2) que denotaremos por [1, 2] ou por
1
2
:
1
2
= [1, 2] = {(a, b)/(a, b)R
1
(1, 2)}
1
2
= {(a, b)/2a = b} = {(1, 2), (2, 4), (3, 6), ....}
2. Calculemos a classe dada pelo par (0, 1):
0
1
= [0, 1] = {(0, 1), (0, 2), (0, 3), ...}
Em geral temos que a classe de um par (x, y) Z Z
e dada por:
x
y
= [x, y] = {(a, b) Z Z
/(a, b)R
1
(x, y)}
Logo, temos a seguinte deni cao.
Denicao A.2.2 Chamaremos de conjunto dos n umeros racionais, que denotaremos por
Q, o conjunto formado por todas as classes de equivalencia geradas pela relacao R
1
, isto
e:
Q = {
x
y
/
x
y
e a classe de equivalencia determinada por R
1
}
Vejamos a seguir as deni coes de soma e produto em Q.
Denicao A.2.3 Sejam
a
b
,
c
d
Q. Usaremos o smbolo e para denotar a soma e o
produto em Q, dados como segue:
a
b

c
d
=
ad +bc
bd
e
a
b

c
d
=
ac
bd
Na nota cao
a
b
o inteiro a e chamado de numerador, e o inteiro b e chamado de
denominador, entao como quociente pode ser visto como a compara cao, ou razao, de
dois n umeros inteiros. Temos usado a nota cao e para denotar a soma e produto
de n umeros racionais, mas se considerarmos os denominadores iguais a 1, temos que
estaremos com as opera coes de soma e produto usuais de N e de Z, entao de agora em
diante usaremos a nota cao usual de soma e produto. Vejamos agora as propriedades tanto
da soma como o produto de n umeros racionais na seguinte proposi cao.
AP
ENDICE A. INTRODUC

AO
`
A ESTRUTURAS ALG
EBRICAS 115
Proposicao A.2.4 Sejam x, y, z Q, entao sao validas com a soma:
i) Associatividade: (x +y) +z = x + (y +z)
ii) Neutro: 0 Q tal que 0 +x = x + 0 = x
iii) Inverso: x Q, x Q tal que x +x = x +x = 0
iv) Comutatividade: x +y = y +x
Agora com o produto sao validas:
v) Associatividade: (x y) z = x (y z)
vi) Neutro: 1 Q tal que 1 x = x 1 = x
vii) Inverso: x = Q, y = Q tal que x y = y x = 1
viii) Comutatividade: x y = y x
ix) Distributividade ` a direita: x (y +z) = x y +x z
x) Distributividade ` a esquerda: (x +y) z = x z +y z
O conjunto dos n umeros Racionais (Q, +, ) com as propriedades dadas pela proposi cao
anterior e dito de Corpo comutativo com unidade.
A.2.1 Exerccios
1. Mostre que a rela cao R
0
, que dene os Inteiros Z, e uma rela cao de equivalencia.
2. Mostre que dadas duas classes de equivalencia quaisquer denidas por R
0
sao dis-
juntas.
3. Represente geometricamente as classes [1, 4], [9, 1]e [5, 9] dadas por R
0
.
4. Usando a nota cao das classes em Z, mostre as propriedades da soma e produto em
Z.
5. Mostre que a rela cao R
1
que dene os n umeros racionais Q, e uma rela cao de
equivalencia.
6. Mostre que dadas duas classes de equivalencias quaisquer, denidas por R
1
sao
disjuntas.
7. Represente geometricamente as classes [1, 4], [9, 1] e [5, 9] das por R
1
.
8. Mostre as propriedades da soma e do produto dos racionais enunciadas na pro-
prosi cao 1.2.4.
AP
ENDICE A. INTRODUC

AO
`
A ESTRUTURAS ALG
EBRICAS 116
A.3 Reais e Complexos
Na se cao anterior vimos que (Q, +, ) tem uma estrutura algebrica chamada de corpo.
Muitos losofos, antes de Cristo, em especial Pitagoras, pensavam que esses eram todos
os possveis n umeros, ou que dado qualquer medida de segmento sempre era
possvel achar dois inteiros positivos (tambem medidas de segmentos) tal que
na comparacao era a medida do segmento inicial. Tentaram por muito tempo
provar esta arma cao ate que se depararam com uma medida, a qual mostrava que esta
arma cao era realmente falsa, esta medida era dada pela diagonal de um quadrado, de
lado um, ou seja em nomenclatura de hoje,
2, entao mostremos a seguinte proposi cao.

Proposicao A.3.1
2 nao e Racional.
Dem. Vamos mostrar isto por absurdo, isto e, vamos supor que existem inteiros, sem
fatores em comum a, b Q tal que
2 =
a
b
. Entao segue que:
2 =
a
2
b
2
2b
2
= a
2
Como os inteiros a, b nao tem fatores em comum, e dois e primo, temos que o 2 divide
a
2
, logo divide a, isto e, a = 2q para algum q Q, logo temos que:
a
2
= 4q
2
2b
2
= a
2
= 4q
2
b
2
= 2q
2
De maneira analoga, segue que 2 divide b
2
, ou seja b tambem e m ultiplo de 2, mostrando
que os inteiros a, b tem um fator em comum (que e 2), o que e uma contradi cao. Portanto,
2 nao e racional.
A partir da proposi cao anterior vemos que construir n umeros, que nao podem ser dados
como quociente de dois inteiros, e relativamente facil. Estes n umeros sao conhecidos como
Irracionais e denotaremos por
I = {x/a, b Z; x =
a
b
}
o conjunto dos n umero Irracionais. Seguindo a linha de conjuntos denotaremos por R =
Q
I o conjunto dos n umeros Reais (este conjunto e muito usado e trabalhado nas aulas
de Calculo). Usando as opera coes de soma e produto de Q podemos induzir opera coes
de soma e produto em R, entao desta forma R tem uma estrutura algebrica de corpo.
Sera que existe um outro corpo que contenha o corpo R?. E porque deveria existir, se
existisse?. Na verdade, quando trabalhamos numa estrutura como um corpo, podemos
trabalhar na busqueda de solu coes a problemas de tipo algebricos, como achar solu coes
de equa coes algebricas de segundo grao dada por ax
2
+ bx + c = 0, onde a, b, c R por
exemplo. Entao, gostaramos que as solu coes de uma equa cao denida em R, como a
anterior, tenha todas as suas solu coes tambem em R, mas basta considerar a equa cao
AP
ENDICE A. INTRODUC

AO
`
A ESTRUTURAS ALG
EBRICAS 117
x
2
+ 1 = 0 e vemos que isto nao acontece (nao existe nenhum n umero real tal que seu
quadrado seja negativo). Entao consideremos o seguinte conjunto :
C = {z = a +bi/a, b R, i
2
= 1}
onde a denota a parte real de z C, e b a parte imaginaria de z C. O conjunto C e
chamado de conjunto dos n umeros Complexos.
O conjunto dos n umeros complexos C pode ser identicados com o plano cartesiano
R
2
= {(x, y)/x, y R}, onde a primeira coordenada e identicada com a parte real, e a
segunda coordenada e identicada com a parte imaginaria do complexo z = x + yi C.
Consideremos z = x + yi C, entao chamaremos de conjugado de z o complexo z =
x yi, que e o simetrico ao complexo z, com rela cao ao eixo x, vistos geometricamente
em R
2
.
Denamos agora a soma em C, que denotaremos por da seguinte forma :
: C CC
onde (z
1
, z
2
) = z
1
z
2
= (a
1
+a
2
) + (b
1
+b
2
)i, e z
1
= a
1
+b
1
i ; z
2
= a
2
+b
2
i.
Na proposi cao a seguir sao dadas as propriedades satisfeitas por esta soma em C.
Proposicao A.3.2 Seja (C, ) e sejam z
1
= a
1
+b
1
i , z
2
= a
2
+b
2
i, z
3
= a
3
+ b
3
i C.
Entao sao validas:
i) Associatividade: (z
1
z
2
) z
3
= z
1
(z
2
z
3
)
ii) Neutro: 0 = 0 + 0i C tal que 0 z
1
= z
1
0 = z
1
iii) Inverso: z = a + bi C, z = a + (b)i C tal que z (z) = (z) z =
0 + 0i = 0
iv) Comutatividade: z
1
z
2
= z
2
z
1
A partir da proposi cao anterior podemos concluir que (C, ) e um grupo abeliano.
Denamos agora o produto em C, que denotaremos por , da seguinte forma: Sejam
z
1
= a
1
+b
1
i ; z
2
= a
2
+b
2
i C
: C CC
onde (z
1
, z
2
) = z
1
z
2
= a
1
a
2
b
1
b
2
+ (a
1
b
2
+ a
2
b
1
)i. Na seguinte proposi cao daremos
as propriedades satisfeitas por este produto.
AP
ENDICE A. INTRODUC

AO
`
A ESTRUTURAS ALG
EBRICAS 118
Proposicao A.3.3 Seja (C, ) e sejam z
1
= a
1
+b
1
i , z
2
= a
2
+b
2
i, z
3
= a
3
+ b
3
i C.
Entao sao validas:
i) Associatividade: (z
1
z
2
) z
3
= z
1
(z
2
z
3
)
ii) Neutro: 1 = 1 + 0i C tal que 1 z
1
= z
1
1 = z
1
iii) Inverso: z = a +bi C, z
=
a
a
2
+b
2

bi
a
2
+b
2
= z z C tal que z z
= z
z =
1 + 0i = 1
iv) Comutatividade: z
1
z
2
= z
2
z
1
v) Distributividade ` a direita: z
1
(z
2
z
3
) = z
1
z
2
z
1
z
3
vi) Distributividade ` a esquerda: (z
1
z
2
) z
3
= z
1
z
3
z
2
z
3
Portanto, temos que (C, , ) e um corpo, onde toda equa cao algebrica em C tem
todas as suas solu coes em C, e o corpo com esta propriedade se diz ser Algebricamente
fechado. De agora em diante, sem medo a cometer erro, assumiremos z z
1
= z + z
1
e
z z
1
= zz
1
z, z
1
C.
A.3.1 Exerccios
1. Mostre que a rela cao em R, e uma rela cao Reexiva, antissimetrica e transitiva
(estas rela coes sao conhecidas como relacoes de ordem).
2. Mostre que todo complexo z = x+yi C pode-se escrever como z = r(cos +i sin )
onde r =
zz e e o angulo formado pelo vetor
(0, 0)(x, y).

3. Mostre as propriedades da soma e produto em C.
4. Seja Q(
2) = {a+b
2/a, b Q}, onde a soma e dada por (a+b
2)
(c+d
2) =
(a + c) + (b + d)
2 e o produto e dado por (a + b
2)
(c + d
2) = (ac + 2bd) +
(ad +bc)
2. Mostre que o conjunto Q(
2) e um corpo comutativo com unidade.

5. Calcule a seguinte expressao:
2+i
2
34i
6. Mostre que z
1
+z
2
= z
1
+z
2
z
1
, z
2
C.
7. Resolva a equa cao iz + 2z + 1 i = 0.
8. Seja z C uma solu cao da equa cao x
2
+bx +c = 0 onde b, c R, entao mostre que
z tambem e solu cao da equa cao anterior.
9. Seja K o conjunto de todos os n umeros que podem ser escritos na forma a + b
2,
onde a e b sao n umeros racionais. Mostre que K e um corpo.
Referencias Bibliogracas
[B] M. Barone.

Algebra Linear. IME-USP, 3
a
ed.,1988.
[CL] F. U. Coelho e M. L. Louren co. Um Curso de

Algebra Linear. Ed. USP, Sao Paulo,
2001.
[H] P. Halmos. Uma Teoria Ingenua de Conjuntos. Ed. Polgono, Sao Paulo, 1973.
[H1] P.Halmos. Espacos Vetoriais de Dimensao nita. Ed. Campus, Rio de Janeiro,
1978.
[HK] K. Hofmmann e R. Kunze.

Algebra Linear. Ed. LTC., Rio de Janeiro, 1979.
[GS] A. Gon calves e M. R. Lopes de Souza. Introducao à

Algebra Linear. Ed. Edgard
Bl ucher. Sao Paulo, 1977.
[JAP] De la Pe na, Jose Antonio.

Algebra en Todas Partes. Mexico,DF. Ed. Fondo de
Cultura Economica, 1999.
[JAP1] De la Pe na, Jose Antonio.

Algebra Lineal avanzada. Mexico,DF. Ed. Fondo de
Cultura Economica, 1996.
Depto. de Matematica e Fsica
Universidade Catolica de Goias
Av. Universitaria s/n. St. Universitario
Goiania-Goias. Brasil
cristiannovoa@netscape.net
119

Álgebra Linear2

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Álgebra Linear2

Uploaded by

Copyright:

Available Formats

Introducao

v |, tambem podemos usar a nota cao

v dois vetores. Diremos que os vetores

u , ao vetor que tem o mesmo modulo e direcao mas sentido oposto.

u e juntando a origem do vetor

w, primeiro faz a soma de dois vetores, e o vetor resultante soma

u , que tem a mesma direcao, e | | vezes o

v | e uma unidade escalar.

v | = 0, ent cao o vetor

v . Um sistema muito importante e conhecido, e o sistema dado pelos vetores

v |. Todo vetor do espa co R

v cuja origem e 0. Os vetores x

k sao conhecidas como

k e novamente o vetor original

k determina um campo vetorial.

w e fa ca a sua representa cao geometrica.

v vetores. Mostre que

w que. emfun cao das suas componentes,

k . Calcule o modulo da for ca resultante.

k forma com os eixos

v | cos , Caso contrario.

Algumas propriedades do produto vetorial sao dadas na seguinte proposi cao.

v representa a area do paralelogramo de lados

7(3X + 2A) +2(A

ITULO 3. SISTEMAS DE EQUAC

ITULO 3. SISTEMAS DE EQUAC

ITULO 3. SISTEMAS DE EQUAC

ITULO 3. SISTEMAS DE EQUAC

ITULO 3. SISTEMAS DE EQUAC

ITULO 3. SISTEMAS DE EQUAC

ITULO 3. SISTEMAS DE EQUAC

ITULO 3. SISTEMAS DE EQUAC

ITULO 3. SISTEMAS DE EQUAC

ITULO 3. SISTEMAS DE EQUAC

ITULO 3. SISTEMAS DE EQUAC

ITULO 3. SISTEMAS DE EQUAC

ITULO 3. SISTEMAS DE EQUAC

ITULO 3. SISTEMAS DE EQUAC

ITULO 3. SISTEMAS DE EQUAC

ITULO 3. SISTEMAS DE EQUAC

ITULO 4. ESPAC OS VETORIAIS 55

ITULO 4. ESPAC OS VETORIAIS 56

ITULO 4. ESPAC OS VETORIAIS 57

) e c(x, y) = (cx, cy) com c R. Com

) e c (x, y) = (3cy, cx).

) e c(x, y) = (x +c, y +c). Verique

ITULO 4. ESPAC OS VETORIAIS 58

Exemplo 4.2.1 Seja V um K-espaco vetorial. Entao W = {0} e um sub-espaco vetorial,

ITULO 4. ESPAC OS VETORIAIS 59

ITULO 4. ESPAC OS VETORIAIS 60

ITULO 4. ESPAC OS VETORIAIS 61

ITULO 4. ESPAC OS VETORIAIS 62

ITULO 4. ESPAC OS VETORIAIS 63

ITULO 4. ESPAC OS VETORIAIS 64

ITULO 4. ESPAC OS VETORIAIS 65

ITULO 4. ESPAC OS VETORIAIS 66

ITULO 4. ESPAC OS VETORIAIS 67

ITULO 4. ESPAC OS VETORIAIS 68

ITULO 4. ESPAC OS VETORIAIS 69

ITULO 4. ESPAC OS VETORIAIS 70

ITULO 4. ESPAC OS VETORIAIS 71

contem n vetores, entao n m. Se n = m, entao B e a base procu-

, e um subconjunto maximal de vetores linearmente independentes. Logo,

e linearmente dependente, o que uma