Notas de Aula Algebra Linear
Notas de Aula Algebra Linear
Notas de Aula Algebra Linear
email: [email protected]
Bibliografia básica:
[3] COELHO, F. U.; LOURENÇO, M. L. Um curso de álgebra linear. 2nd ed. São Paulo:
EDUSP, 2010.
[4] CALLIOLI, C. A.; DOMINGUES, H. H.; COSTA, R. C. F., Álgebra linear e aplicações.
6. ed. São Paulo: Atual Editora, 1990.
[6] ANTON, H. A.; RORRES, C. Álgebra linear com aplicações. 8. ed. Porto Alegre:
Bookman, 2001.
1
2 GUILHERME CHAUD TIZZIOTTI
1. Matrizes
Nesta primeira aula, veremos como representar uma matriz e como são definidas certas
matrizes especiais.
Em geral, denotamos uma matriz por uma letra maiúscula, por exemplo A, M ou I. E
escrevemos “A é uma matriz m × n”, para dizer que A tem ordem m por n, lembrando
que m denota o número de linhas e n o número de colunas da matriz. Para efeito de
simplificação, usa-se também a notação A(m,n) ou Am×n , para dizer que A é uma matriz
de ordem m por n.
Outra notação importante é a representação dos elementos de uma matriz, que também
são chamados de entradas. Se A é uma matriz m × n, denotam-se os elementos, ou
entradas, de A por aij , onde o primeiro ı́ndice, i, indica a linha, e o segundo ı́ndice, j,
a coluna a que o elemento aij pertence. Usando esta notação, pode-se representar uma
matriz por A = (aij ), ou ainda, A = [aij ], onde i varia de 1 a m (isto é, i = 1, 2, . . . , m),
e j varia de 1 a n (isto é, j = 1, 2, . . . , n).
• De agora em diante, representaremos uma matriz B por (bij ), uma X por (xij ) e assim
por diante.
Denota-se o conjunto das matrizes Am×n com entradas reais por Mm×n (R). Já o conjunto
das matrizes Am×n cujas entradas são números inteiros, é denotado por Mm×n (Z), etc.
• Nesta disciplina, vamos trabalhar com matrizes em Mm×n (R).
3
1
0
Por exemplo, a matriz
2 é uma matriz coluna.
−1
A matriz 3 1 −2 é um exemplo de matriz linha.
1 −1 0 cos θ
A matriz é uma matriz retangular.
cos θ 3 0 senθ
1 0 1
A matriz 9 2 −2 é uma matriz quadrada.
4 3 7
Definição 3. Seja A = (aij ) uma matriz quadrada de ordem n. Os elementos aij , com
i = j, ou seja, a11 , a22 , . . . , ann , são chamados de elementos principais e constituem a
diagonal principal da matriz A.
−1
8 3 0
4 3 2 1
Por exemplo, a diagonal principal da matriz é formada por −1, 3, 0
7 2 0 −4
0 2 1 −7
e −7.
−1 8 0
Por exemplo, o traço da matriz 4 3 2 é dado por: tr(A) = −1 + 3 + 1 = 3.
0 2 1
1 0 0
A matriz 0 5 0 é um exemplo de matriz diagonal.
0 0 −1
0 0 0
A matriz 0 0 0 também é um exemplo de matriz diagonal.
0 0 2
Matriz nula: Uma matriz A = (aij ) é chamada de matriz nula se todos os seus elementos
aij são iguais a zero. Em geral, denota-se uma matriz nula simplesmente por 0.
0 0
Um exemplo de matriz nula é a matriz .
0 0
Além das matrizes que definimos até o momento, uma em particular é muito importante
tanto no estudo de matrizes quanto para todo o decorrer deste curso. A matriz a que
estamos nos referindo é a matriz identidade que é definida da seguinte maneira.
Matriz identidade: Uma matriz diagonal que possui todos os elementos de sua diagonal
iguais a 1 é chamada de matriz identidade. Se esta matriz tem ordem n a denotamos In .
Ainda pode-se denotá-la por Id , ou simplesmente por I.
1 0 0 0
1 0 0 1 0 0
Exemplos de matrizes identidade são I2 = 0 0 1 0 .
e I4 =
0 1
0 0 0 1
Observação 5. Note que, para uma matriz ser uma matriz identidade ela antes tem que
ser uma matriz diagonal, que por sua vez tem que ser uma matriz quadrada. Portanto,
uma matriz identidade é antes de tudo uma matriz quadrada!
• Dizemos que duas matrizes A = (aij ) e B = (bij ), ambas de ordem m por n, são iguais
se aij = bij , para quaisquer i e j.
7 2 0 −3 7 2 0 −3
Por exemplo, as matrizes A = eB= são iguais, isto
1 8 3 1 1 8 3 1
7 2 0 −3 7 2 0 −3
é, = .
1 8 3 1 1 8 3 1
6 GUILHERME CHAUD TIZZIOTTI
É perfeitamente possı́vel definirmos operações que envolvam matrizes. Nesta seção, vamos
definir a adição, e como consequência a subtração, de matrizes. Na próxima seção veremos
como definir o produto de uma matriz por um escalar e o produto de duas matrizes.
Observação 6. Note que a adição e a subtração de duas matrizes só podem ser feitas se
ambas as matrizes possuem a mesma ordem.
Exemplo 7.
−2 1 −2
0 2 0 + (−2) 2+1 3
1 −1 1 1 1+1 −1 + 1 2
0
+ = =
3 0 −1 2 3 + (−1) 0+2 2 2
−5 7 3 −4 −5 + 3 7 + (−4) −2 3
Exemplo 8.
1 −1 0 2 0 4 1−2 −1 − 0 0 − 4 −1 −1 −4
− = =
3 6 2 −5 3 1 3 − (−5) 6 − 3 2 − 1 8 3 1
2. Produto de Matrizes
Começaremos esta seção definindo o produto de uma matriz A por um número real α.
Na linguagem de matrizes, como na de vetores que veremos mais à frente, o número real
α será chamado de escalar.
Produto de uma matriz por um escalar: Sejam α um escalar e A = (aij ) uma matriz
m × n. O produto de A por α é uma matriz B = (bij ) também m × n tal que bij = αaij
para quaisquer i e j. Costuma-se denotar por αA = (αaij ) a matriz que é o produto do
escalar α pela matriz A.
Por exemplo,
2 −1 0 3 4.2 4.(−1) 4.0 4.3 8 −4 0 12
4. = =
1 0 −2 1 4.1 4.0 4.(−2) 4.1 4 0 −8 4
1) (αβ)A = α(βA)
2) (α + β)A = αA + βA
3) α(A + B) = αA + αB
4) 1.A = A
Vamos mostrar somente a segunda propriedade. As demais podem ser mostradas de forma
análoga e serão deixadas como exercı́cio.
De fato, (α + β)A é, por definição, uma matriz B = (bij ), onde bij = (α + β)aij .
9
Agora, (α + β)aij = αaij + βaij . Assim, bij = αaij + βaij . Sendo αA = (αaij ) e
βA = (βaij ), então, por definição de soma de matrizes, segue que B = αA+βA. Portanto,
(α + β)A = αA + βA.
Dadas duas matrizes A e B será que sempre é possı́vel fazer o produto de A por B? Será
que o produto de A por B é igual ao produto de B por A? A partir de agora vejamos
como responder estas e outras questões relacionadas ao produto de matrizes cuja definição
é dada abaixo.
1 2 5 1.5 + 2.6 17
Exemplo 9. . = =
3 4 6 3.5 + 4.6 39
1 1 −1
0 2 −1 0 5 2 0
Exemplo 10. .
3 −2 4 1 3 −4 7
9 1 0
0.1 + 2.5 + (−1).3 + 0.9 0.1 + 2.2 + (−1).(−4) + 0.1 0.(−1) + 2.0 + (−1).7 + 0.0
=
3.1 + (−2).5 + 4.3 + 1.9 3.1 + (−2).2 + 4.(−4) + 1.1 3.(−1) + (−2).0 + 4.7 + 1.0
7 8 −7
=
14 −16 25
Observação 11. Note que em geral, não temos a igualdade AB = BA. Primeiro que
para ambos os produtos existam é necessário, pela definição de produto de matrizes, que
A seja uma matriz m × n e que B seja uma matriz n × m. Segundo, mesmo que isso
ocorra, podemos não ter AB = BA, como veremos nos exemplos a seguir.
10 GUILHERME CHAUD TIZZIOTTI
1 0 −2
0 2 1
Exemplo 12. Sejam A = e B = 0 −1 4 . Então,
3 0 −1
3 5 2
1 0 −2
0 2 1
AB = . 0 −1 4
3 0 −1
3 5 2
0.1 + 2.0 + 1.3 0.0 + 2.(−1) + 1.5 0.(−2) + 2.4 + 1.2 3 3 8
= =
3.1 + 0.0 + (−1).3 3.0 + 0.(−1) + (−1).5 3.(−2) + 0.4 + (−1).2 0 −5 −8
.
Agora, o produto BA não existe, já que B é uma matriz 3 × 3 e A é uma matriz 2 × 3.
1
Exemplo 13. Sejam A = 2 e B = −3 0 5 . Assim,
4
1 1.(−3) 1.0 1.5 −3 0 5
AB = 2 . −3 0 5 = 2.(−3) 2.0 2.5 = −6 0 10 que é uma
4 4.(−3) 4.0 4.5 −12 0 20
matriz 3 × 3.
1
BA = −3 0 5 . 2 = (−3).1 + 0.2 + 5.4 = 17 que é uma matriz 1 × 1.
4
0 1 1 −1
Exemplo 14. Sejam A = eB= . Então,
1 −1 0 2
0 1 1 −1 0.1 + 1.0 0.(−1) + 1.2 0 2
AB = . = =
1 −1 0 2 1.1 + (−1).0 1.(−1) + (−1).2 1 −3
1 −1 0 1 1.0 + (−1).1 1.1 + (−1).(−1) −1 2
BA = . = =
0 2 1 −1 0.0 + 2.1 0.1 + 2.(−1) 2 −2
11
3 −1 0 1
Considere as matrizes A = eB= .
1 0 −1 3
3 −1 0 1 3.0 + (−1).(−1) 3.1 + (−1).3 1 0
Então, AB = . = = .
1 0 −1 3 1.0 + 0.(−1) 1.1 + 0.3 0 1
0 1 3 −1 0.3 + 1.1 0.(−1) + 1.0 1 0
E BA = . = = .
−1 3 1 0 (−1).3 + 3.1 (−1).(−1) + 3.0 0 1
Falaremos mais sobre matriz inversa nas aulas seguintes, onde veremos suas propriedades
e como encontrá-la. Mas adiantamos que nem todas matrizes possuem uma inversa.
Observe que na definição acima que uma condição necessária para uma matriz A ter
uma inversa é que A seja uma matriz quadrada. Porém, veremos mais adiante que esta
condição não é suficiente, isto é, existem matrizes quadradas que não possuem inversa.
Apesar de não ser comutativo o produto de matrizes satisfaz algumas importantes pro-
priedades que vemos a seguir.
−1 9
−1 2 0 3 2 17
Exemplo 15. a) Seja A = . Então, AT =
0 11 .
9 17 11 8
3 8
a11 a12 a13
a21 a11 a21 a31 a41
a22 a23
b) Se A =
a31 , então AT = a12 a22 a32 a42 .
a32 a33
a13 a23 a33 a43
a41 a42 a43
1
2 T
c) Se B =
3 , então B =
1 2 3 4 .
4
Temos algumas propriedades que podem ser úteis quando tratamos de matrizes transpos-
tas. Tais propriedades são as seguintes.
Agora, vejamos que (αA)T = αAT , onde A = (aij ) é uma matriz m × n. Pela definição de
produto de uma matriz por um escalar, temos αA = (αaij ). Assim, segue que (αA)T =
(αaji ) = αAT .
1 3 T 1 3
Exemplo 16. a) A matriz A = é simétrica, já que A = = A.
3 1 3 1
2 −4 0 2 −4 0
b) A matriz A = −4 1 16 é simétrica, pois AT = −4 1 16 = A.
0 16 5 0 16 5
Observação 17. Uma propriedade interessante envolvendo uma matriz quadrada e sua
transposta é a seguinte: seja A uma matriz quadrada, então A.AT é uma matriz simétrica,
ou seja, A.AT = C, onde C é uma matriz simétrica.
De fato, suponha que A = (aij ) seja uma matriz quadrada de ordem n. Então, AT = (aji )
que também é uma matriz quadrada de ordem n. Pela definição de produto de matrizes,
temos que A.AT = C, com C = (cij ) quadrada de ordem n e cij = ai1 aj1 + ai2 aj2 + ai3 aj3 +
. . .+ain ajn . Assim, vemos que cji = cij , e portanto C = C T . Logo, A.AT = C é simétrica.
0 2 1 0 3 4
Exemplo 18. Seja A = 3 −1 5 . Então, AT = 2 −1 0 .
4 0 8 1 5 8
Logo,
15
0.0 + 2.2 + 1.1 0.3 + 2.(−1) + 1.5 0.4 + 2.0 + 1.8 5 3 8
A.AT = 3.0 + (−1).2 + 5.1 3.3 + (−1).(−1) + 5.5 3.4 + (−1).0 + 5.8 = 3 35 52 ,
4.0 + 0.2 + 8.1 4.3 + 0.(−1) + 8.5 4.4 + 0.0 + 8.8 8 52 80
0 3 T 0 −3
Exemplo 19. a) A matriz M = é antissimétrica, já que M = =
−3 0 3 0
−M .
0 1 −5 0 −1 5
b) A matriz B = −1 0 −7 é antissimétrica, pois B T = 1 0 7 = −B.
5 7 0 −5 −7 0
Observação 20. Note que se A = (aij ) é uma matriz antissimétrica, então ela é uma
matriz quadrada com os elementos da diagonal principal sendo todos nulos e os elementos
dispostos simetricamente em relação à diagonal principal sendo opostos.
cos θ −senθ cos θ senθ
Exemplo 21. Considere a matriz G = . Então, GT = .
senθ cos θ −senθ cos θ
T cos θ −senθ cos θ senθ
Logo, G.G = .
senθ cos θ −senθ cos θ
cos2 θ + sen2 θ
cos θsenθ − senθ cos θ 1 0
= = .
senθ cos θ − cos θsenθ sen2 θ + cos2 θ 0 1
4. Escalonamento de Matrizes
Nesta seção vamos descrever um processo muito útil no tratamento não só de matrizes,
que nos ajuda a calcular o determinante de uma matriz de ordem n, mas também a
solução de sistemas lineares, como veremos mais adiante. Tal processo utiliza operações
chamadas elementares de matrizes e é chamado de escalonamento ou triangulação de
matrizes. Antes, porém, vamos definir alguns conceitos importantes que justificam este
processo.
Note que se L0 = [ 0 0 0 . . . 0 ] for uma matriz nula, então tomando αi = 0, para todo
i = 1, 2, . . . , k, temos que
L0 = 0.Li1 + 0.Li2 + . . . + 0.Lik .
Observação 22. Note que se uma das linhas Lij for igual a L0 , então Li1 , Li2 , . . . , Lik
são linearmente dependentes.
De fato, sem perda de generalidade, suponhamos que Li1 = L0 . Assim, temos que
L0 = α1 .Li1 + α2 .Li2 + . . . + αk .Lik = α1 .L0 + α2 .Li2 + . . . + αk .Lik .
Ou seja, a igualdade L0 = α1 .L0 + α2 .Li2 + . . . + αk .Lik é válida para pelo menos um dos
αj ’s diferente de zero. Daı́, temos que L0 , Li2 , . . . , Lik são linearmente dependentes.
2) Se Li1 , Li2 , . . . , Lik são linearmente dependentes, então Li1 , Li2 , . . . , Lik , Lik+1 também
são linearmente dependentes. Ou seja, acrescentar uma linha em um conjunto linearmente
dependente mantém a dependência linear.
3) Se Li1 , Li2 , . . . , Lik são linearmente dependentes (independentes), então Li1 , Li2 , . . . , α.Lij , . . . , Lik
também é linearmente dependente (independente) se α 6= 0. Ou seja, multiplicar uma das
linhas por um escalar não nulo mantém a dependência (independência) linear.
4) Se Li1 , Li2 , . . . , Lis , . . . , Lij , . . . , Lik são linearmente dependentes (independentes), então
Li1 , Li2 , . . . , Lis , . . . , Lij + Lik , . . . , Lik também é linearmente dependente (independente).
Ou seja, somar uma das linhas a uma linha mantém a dependência (independência) linear.
Definição 24. Um matriz A ∈ Mn (R) é chamada de singular se seu posto for igual a
n. Caso contrário ela é chamada de não-singular.
18 GUILHERME CHAUD TIZZIOTTI
Agora, o espaço gerado pelas linhas de AB é o espaço T de todos os vetores t que podem
ser escritos como combinação linear das linhas de AB: t = u(AB), onde u é um vetor 1×k
formado coeficientes da combinação linear dos elementos da base que gera T . Escrevendo
t = (uA)B, e prosseguindo como no caso do posto de A concluı́mos que
posto(AB) ≤ posto(B).
L1
L2
Suponha que A = , onde L1 , L2 , . . . , Ln são as linhas da matriz A de ordem n×m.
..
.
Ln
Então, chamaremos de operações elementares de A as seguintes:
3) Substituir uma linha por uma linha formada pela soma da linha que está sendo subs-
tituı́da com uma outra linha da matriz previamente multiplicada por um número diferente
de zero, ou seja, substituir Li por Li + k.Lj , com k 6= 0.
Observamos que, de forma análoga, as operações elementares também são definidas sobre
as colunas da matriz.
Definição 27. Uma matriz n × n é dita elementar se ela for obtida através de uma
operação elementar (linha ou coluna) a partir da matriz identidade In .
Exemplo 28. Se tomamos I3 e multiplicamos a primeira linha por 2 (L1 → 2L1 ), obtemos
a matriz elementar
2 0 0
0 1 0
0 0 1
O processo de escalonamento possui várias etapas, onde, em cada uma delas, vamos
anulando as entradas abaixo (ou acima) da diagonal principal de uma submatriz quadrada
de maior ordem possı́vel, ou da diagonal principal da própria matriz no caso de a matriz
a ser escalonada seja quadrada.
Vejamos como fazer o escalonamento de uma matriz não nula A = (aij ) de ordem m × n.
a11 a12 . . . a1n
a21 a22 . . . a2n
Seja A = ..
.. .. ..
. . . .
am1 am2 . . . amn
20 GUILHERME CHAUD TIZZIOTTI
Suponhamos que a11 6= 0. Se a11 = 0, basta trocar linhas ou colunas de forma a colocar
um elemento não nulo na posição de a11 . O primeiro passo é adicionar a primeira linha a
todas as outras restantes, multiplicada por fatores de forma que anulem todos os elementos
seguintes da primeira coluna que estão abaixo de a11 . Dessa forma, obtemos a matriz
abaixo, que é equivalente à matriz A,
a11 a12 . . . a1n
0 a22 . . . a2n
.. ∼ A
.. .. ..
. . . .
0 am2 . . . amn
A seguir, procedemos com a22 em relação à segunda coluna, como procedemos com a11
em relação à primeira coluna. Daı́, obtemos a matriz
a11 a12 a13 . . . a1n
0 a22 a23 . . . a2n
0 0 a33 . . . a2n
∼A
.. .. .. ..
. . . .
0 0 am3 . . . amn
E assim, procedemos de modo análogo para os restantes aii até que o escalonamento
termine ou porque não há mais linhas ou porque as linhas que existem são todas formadas
por zeros. A matriz ao final do processo, dada abaixo, terá uma forma onde nela figure uma
matriz ou uma submatriz triangular da maior ordem possı́vel com elementos principais
não nulos. Uma matriz nessa forma é chamada de escalonada.
a11 a12 a13 . . . a1k . . . a1n
0 a22 a23 . . . a2k . . . a2n
0 0 a33 . . . a3k . . . a3n
∼A
0 0 0 . . . a . . . a
4k 4n
. .. .. ..
..
. . .
0 0 0 ... ... 0
Ao final, podemos dividir cada linha i, onde aii for não nulo, por aii , de modo a ter 1 no
lugar destes aii .
2 4 −1
Exemplo 31. Seja A = 0 −3 2 .
6 1 0
21
1o ) Temos que a11 = 2. Como a entrada a21 , logo abaixo de a11 , é igual a zero, o primeiro
passo (ou etapa) é substituir a linha 3 pela linha 1 multiplicada por (−3) e somada pela
linha 3. Vamos representar esta operação por: L3 → (−3).L1 + L3 . Assim, obtemos a
matriz
2 4 −1
0 −3 2
0 −11 3
2 4 −1 2 4 −1
A = 0 −3 2 L3 → −3.L1 + L3 ∼ 0 −3 2
6 1 0 0 −11 3
2o ) Tendo a primeira coluna no modo desejado, o próximo passo é deixar o elemento a32
11
igual a 0. Para isso basta multiplicar a segunda linha por − e somar com a terceira.
3
Assim, obtemos
−1
2 4 −1
2 4
0 −3 2 L3 → − 11 .L2 + L3 ∼
0 −3 2
3 13
0 −11 3 0 0 −
3
E o processo acaba, já que chegamos a uma matriz na forma desejada. Caso quiséssemos
1
deixar os elementos principais iguais a 1, bastaria multiplicar a primeira linha por , a
2
1 3
segunda por − e a terceira por − . Assim, temos
3 13
−1
2 4 1 2 − 21
A ∼ 0 −3 2 ∼ 0 1 − 23
13
0 0 − 0 0 1
3
2 4 −1
A = 0 −3 2 L3 → −3.L1 + L3
6 1 0
22 GUILHERME CHAUD TIZZIOTTI
2 4 −1
11
∼ 0 −3 2 L3 → − .L2 + L3
3
0 −11 3
−1
2 4 L1 → 12 .L1
1 2 − 21
∼ 0 −3 2 L2 → − 31 .L2 ∼ 0 1 − 23
13 3
0 0 − L3 → − 13 .L3 0 0 1
3
0 3 2 −1
Exemplo 32. Seja A = 2 8 0 4 . Vamos escalonar a matriz A.
1 5 −1 2
1o ) Note que a11 = 0 e que a31 = 1. Assim, vamos trocar as linhas 1 e 3 de posição.
Poderı́amos também trocar as linhas 1 e 2, já que a21 = 2 6= 0. Então, temos que:
0 3 2 −1 1 5 −1 2
2 8 0 4 ∼ 2 8 0 4
1 5 −1 2 0 3 2 −1
2o ) Agora,substituindo a linha
2 por −2 e somando com a linha
pela linha 1 multiplicada
1 5 −1 2 1 5 −1 2
2 temos: 2 8 0 4 ∼ 0 −2 2 0
0 3 2 −1 0 3 2 −1
1 5 −1 2 1 5 −1 2
1
3o ) Multiplicando a linha 2 por − , temos 0 −2 2 0 ∼ 0 1 −1 0
2
0 3 2 −1 0 3 2 −1
4o ) Substituindo a
linha
3 pela linha 2 multiplicada
por −3 e somada com a linha 3, temos
1 5 −1 2 1 5 −1 2
0 1 −1 0 ∼ 0 1 −1 0
0 3 2 −1 0 0 5 −1
23
1
Finalmente, multiplicamos a linha 3 por , e obtemos
5
1 5 −1 2 1 5 −1 2
0 1 −1 0 ∼ 0 1 −1 0 .
0 0 5 −1 0 0 1 − 51
2 1 4
1 1 0
Exemplo 33. Seja M =
0 2 3 , escalone a matriz M .
−1 4 −5
3 2 6
Vejamos. Escrevendo resumidamente, temos:
2 1 4
1 1 0
L1 → L2
0 2 3
L2 → L1
−1 4 −5
3 2 6
1 1 0
2 1 4 L2 → −2.L1 + L2
∼
0 2 3 L4 →
L1 + L4
−1 4 −5 L5 → −3.L1 + L5
3 2 6
1 1 0
0 −1 4 L2 → − 1.L2
L3 → 2.L2 + L3
∼
0 2 3
L4 → 5.L2 + L4
0 5 −5
L5 → −1.L2 + L5
0 −1 6
1 1 0
0 1 −4
1
∼
0 0 11
L3 → 11 .L3
0 0 15
0 0 2
24 GUILHERME CHAUD TIZZIOTTI
1 1 0
0 1 −4
L4 → −15.L3 + L4
∼
0 0 1 L5 → −2.L3 + L5
0 0 15
0 0 2
1 1 0
0 1 −4
∼
0 0 1
0 0 0
0 0 0
Portanto,
1 1 0
0 1 −4
M ∼
0 0 1
0 0 0
0 0 0
5. Determinante
O item (iii) significa que uma função determinante é uma transformação linear quando
fixamos todas as colunas e variamos apenas uma delas: para todo escalar λ, todo vetor
coluna v e toda coluna cj ,
f (c1 , . . . , λcj , . . . , cn ) = λf (c1 , . . . , cj , . . . , cn )
f (c1 , . . . , cj + v, . . . , cn ) = f (c1 , . . . , cj , . . . , cn ) + f (c1 , . . . , v, . . . , cn ).
Em outras palavras, uma inversão de uma permutação é um par que está “ fora de ordem”.
Exemplo 38. A permutação [2 3 1 4] ∈ S4 possui duas inversões: (2, 1) e (3, 1). Logo,
sgn([2 3 1 4]) = (−1)2 = 1. Já a permutação [4 1 2 3] ∈ S4 possui três inversões: (4, 1),
(4, 2) e (4, 3). Logo, sgn([4 1 2 3]) = (−1)3 = −1.
26 GUILHERME CHAUD TIZZIOTTI
a11 a12
det(A) = det = sgn([1 2])a11 a22 + sgn([2 1])a12 a21 = a11 a22 − a12 a21 .
a21 a22
• Observamos que para computar det(A) usando a fórmula de assinatura de Leibniz temos
que computar n! produtos com n fatores cada. Para n grande o custo para se calcular
o determinante é alto. Veremos mais adiante (Corolário 50) uma maneira mais eficiente
de computar det(A). Mas, claro, a fórmula de Leibniz é muito importante, já que ela
representa o determinante de A explicitamente em termos das entradas de A.
Lema 42. Seja τ ∈ Sn uma transposição que troca k e l, com 1 ≤ k < l ≤ n. Então, τ
tem exatamente 2(l − k) − 1 inversões e, assim, sgn(τ ) = −1.
Lema 43. Seja A ∈ Mn×n (R). Então, as seguintes propriedades são válidas.
(1) Para λ ∈ R,
λ ? λ 01×n
det = det = λ det(A).
0n×1 A ? A
n
Y
(2) Se A = (aij ) é uma matriz triangular (superior ou inferiror), então det(A) = aii .
i=1
(3) Se A tem uma linha, ou coluna, nula (formada só por zeros), então det(A) = 0.
λ ?
Demonstração. (1) Seja B = . Note que, b11 = λ, bi1 = 0, para todo
0n×1 A
i = 2, . . . , n + 1, e bij = ai−1j−1 , para todo i, j ≥ 2. Pela definição de determinante temos
que det(B) = σ∈Sn+1 sgn(σ) n+1
P Q
i=1 biσ(i) . Agora, como bi1 = 0, para todo i = 2, . . . , n+1,
a parcela em det(B) que possui uma permutação σ com σ(1) 6= 1 será igual a zero. Então,
X n+1
Y X Yn
podemos escrever det(B) = b11 sgn(σ) biσ(i) = b11 sgn(σ) aiσ(i) =
σ∈Sn+1 ,σ(1)=1 i=2 σ∈Sn i=1
λ det(A).
(3) Se A possui uma linha ou coluna nula, então para todo σ ∈ Sn pelo menos um dos
n
Y
fatores no produto aiσ(i) é igual a zero, e daı́ det(A) = 0.
i=1
(4) Sejam k e l, com k < l, as linhas iguais de A = (aij ), ou seja, akj = alj para todo
j = 1, . . . , n. Seja τ ∈ Sn uma transposição que troca os elementos k e l, e seja
Tn := {σ ∈ Sn ; σ(k) < σ(l)}.
Como o conjunto Tn contém todas as permutações σ ∈ Sn tais que σ(k) < σ(l), segue que
|Sn |
|Tn | = e Sn \ Tn = {σ ◦ τ ; σ ∈ Tn }.
2
28 GUILHERME CHAUD TIZZIOTTI
Além disso,
aiσ(i) , i 6= k, l,
ai(σ◦τ )(i) = a , i = k,
kσ(l)
alσ(k) , i = l.
Temos que akσ(l) = alσ(l) e alσ(k) = akσ(k) . Daı́, usando o Teorema 41 e o Lema 42, obtemos
o seguinte
X n
Y X n
Y
sgn(σ) aiσ(i) = sgn(σ ◦ τ ) ai(σ◦τ )(i)
σ∈Sn \Tn i=1 σ∈Tn i=1
X n
Y X n
Y
= −sgn(σ) ai(σ◦τ )(i) = − sgn(σ) aiσ(i) .
σ∈Tn i=1 σ∈Tn i=1
X n
Y X n
Y X n
Y
det(A) = sgn(σ) aiσ(i) = sgn(σ) aiσ(i) + sgn(σ) aiσ(i) = 0.
σ∈Sn i=1 σ∈Tn i=1 σ∈Sn \Tn i=1
X n
Y X n
Y
T
det(A ) = sgn(σ) biσ(i) = sgn(σ) aσ(i)i
σ∈Sn i=1 σ∈Sn i=1
X n
Y X n
Y
−1 −1
= sgn(σ ) aσ(i)i = sgn(σ ) aiσ−1 (i)
σ∈Sn i=1 σ∈Sn i=1
X n
Y
= sgn(σ) aiσ(i) = det(A)
σ∈Sn i=1
Qn
Usamos que sgn(σ) = sgn(σ −1 ) (Teorema 41), e o fato de que os produtos i=1 aσ(i)i e
Qn
i=1 aiσ −1 (i) possuem os mesmos fatores.
29
aσ(1)
aσ(2)
PσT A = ,
..
.
aσ(n)
isto é, a multiplicação de A à esquerda com PσT troca as linhas de A de acordo com a
permutação σ.
X n
Y n
Y
det(Pσ̃ ) = det(Pσ̃T ) = sgn(σ) aσ(j)j = sgn(σ̃) aσ̃(j)j = sgn(σ̃).
σ∈Sn j=1 j=1
| {z }
| {z } =1
=0 para σ6=σ̃
A matriz de permutação Pij é associada com a transposição que troca i e j. Assim, pelo
Lema 42, segue que det(Pij ) = −1.
De fato, como Mi (λ) e Gij (λ) são matrizes triangulares, as igualdades seguem diretamente
do item (2) do Lema 43.
(2) A adição de uma linha de A multiplicada por λ a outra linha de A não altera o
determinante de A: det(Gij (λ)A) = det(A) = det(Gij (λ)) det(A), e det(Gij (λ)T A) =
det(A) = det(Gij (λ)T ) det(A).
X n
Y n
X Y
= sgn(σ)λ amσ(m) = λ sgn(σ) amσ(m) = λ det(A).
σ∈Sn m=1 σ∈Sn m=1
amk , m 6= j,
ãmk =
ajk + λaik m = j.
Então,
X n
Y X n
Y
det(Ã) = sgn(σ) ãmσ(m) = sgn(σ)(ajσ(j) + λaiσ(j) ) amσ(m)
σ∈Sn m=1 σ∈Sn m=1,m6=j
X n
Y X n
Y
= sgn(σ) amσ(m) + λ sgn(σ)aiσ(j) amσ(m) .
σ∈Sn m=1 σ∈Sn m=1,m6=j
Note que, o primeiro termo é igual a det(A), e o segundo termo é igual a λ multiplicado
pelo determinante de uma matriz com duas linhas iguais, e assim igual a zero.
(3) A matriz de permutação Pij troca as linhas i e j de A, em que i < j. Essa troca
pode ser expressada através das seguintes quatro operações elementares: multiplicar a
linha j por −1 (Lj → −Lj ); adicionar a linha i na linha j (Lj → Li + Lj ); adicionar
a linha j multiplicada por −1 na linha i (Li → Li − Lj ); adicionar a linha i na linha j
(Lj → Li + Lj ). Portanto,
• Agora, como det(A) = det(AT ), os resultados do lema anterior para linhas de A podem
ser reformulados de forma análoga para colunas de A.
32 GUILHERME CHAUD TIZZIOTTI
Teorema 49. Sejam A, B ∈ Mn×n (R). Então, det(AB) = det(A) det(B). Mais ainda,
se A é invertı́vel, então det(A−1 ) = (det(A))−1 .
Demonstração. Pelo Teorema 48 sabemos que para A ∈ Mn×n (R) existem matrizes ele-
mentares invertı́veis S1 , . . . , St tais que à = St · · · S1 · A está na forma escalonada. Assim,
podemos escrever A = S1−1 · · · St−1 · Ã, e pelo Lema 47 temos que
det(A) = det(S1−1 · · · St−1 · Ã) = det(S1−1 ) · · · det(St−1 ) det(Ã),
e também
det(AB) = det(S1−1 · · · St−1 · ÃB) = det(S1−1 ) · · · det(St−1 ) det(ÃB).
Se A é não invertı́vel, então à não é invertı́vel, e consequentemente ÃB, tem uma linha
igual a zero. Então, det(Ã) = det(ÃB) = 0, o que implica que det(A) = 0, e temos que
det(AB) = 0 = det(A) det(B). Caso contrário, se A é invertı́vel, então à = In , já que Ã
está na forma escalonada. Logo, A = S1−1 · · · St−1 e ÃB = B. Agora, como det(In ) = 1
temos que det(Ã) = 1, e concluı́mos que det(AB) = det(A) det(B).
O teorema anterior nos diz que det(A) pode ser computado transformando A em uma
matriz escalonada.
Corolário 50. Sejam A ∈ Mn×n (R) e S1 , . . . , St ∈ Mn×n (R) matrizes elementares tais
que à = St · · · S1 · A é da forma escalonada. Então, ou à tem uma linha formada por
zeros, e assim det(Ã) = 0, ou à = In e assim det(A) = (det(S1 ))−1 · · · (det(St ))−1 .
O Método de Laplace
Apesar do uso de escalonamento ser mais eficiente para calcular determinantes, há outros
métodos conhecidos que também podem ser úteis. Um deles é o método de Laplace
(Pierre-Simon Laplace, 1749-1827). Para vermos como esse método funciona precisamos
das seguintes definições.
33
Definição 51. Seja A uma matriz quadrada de ordem n. Denotaremos por [A]ij a matriz
quadrada de ordem n − 1 obtida de A removendo sua i-ésima linha e j-ésima coluna.
O menor complementar de A relativo ao elemento aij é det([A]ij ).
O cofator de um elemento aij de A é (−1)i+j det([A]ij ), e será denotado por cof (A, i, j).
Vamos escolher a linha 3 já que ela possui dois zeros e isso facilita nossos cálculos.
34 GUILHERME CHAUD TIZZIOTTI
a b c
Exemplo 56. Se A = d e f . A matriz formada pelos cofatores de A será
g h i
e f d f d e
det h i − det det
g i g h
b c a c a b
cof (A) = − det det − det .
h i g i g h
b c a c a b
− det
det det
e f d f d e
E assim, temos
n
X 0 para i 6= j
aik Ajk = .
det(A) para i = j
k=1
Portanto, temos que A · adj(A) = det(A) · Id .
36 GUILHERME CHAUD TIZZIOTTI
6. Inversão de Matrizes
Teorema 58. Seja A ∈ Mn (R). A matriz A é invertı́vel se, e somente se, det(A) 6= 0.
Demonstração. (⇒) Se A é invertı́vel, então existe A−1 tal que AA−1 = Id e o resultado
segue do Teorema 49.
(⇐) Se det(A) 6= 0, então pelo Teorema 57 temos que
adj(A)
A· = Id .
det(A)
adj(A)
Logo, A−1 = , e temos que A é invertı́vel.
det(A)
−1 3
Exemplo 59. A matriz A = é uma matriz singular.
−2 6
1 5
Já a matriz B = é não-singular.
2 7
Observação 60. Se A é uma matriz singular, então ela não possui inversa. Mas, se A é
não-singular, então ela possui inversa. Lembre que det(I) = 1 e que se A possui inversa,
então A.A−1 = I.
2) Se A é uma matriz não-singular, então sua inversa A−1 também é não-singular. Além
disso, a inversa de A−1 é A, ou seja, (A−1 )−1 = A.
3 −2
Exemplo 61. Vamos determinar a inversa de A = .
2 −1
3 −2 1 0
2 −1 0 1
3 −2 1 0 1
−→ L1 → .L1
2 −1 0 1 3
1 − 32 13 0
⇒ −→ L2 → 2.L1 − L2
2 −1 0 1
1 − 32 1
3
0
⇒ −→ L2 → −3.L2
0 − 13 2
3
−1
1 − 23 13 0
2
⇒ −→ L1 → .L2 + L1
0 1 −2 3 3
1 0 −1 2
⇒
0 1 −2 3
−1 −1 2
Portanto, a inversa de A será A = .
−2 3
39
3 −2 −1 2 3.(−1) + (−2).(−2) 3.2 + (−2).3 1 0
Note que . = = .
2 −1 −2 3 2.(−1) + (−1).(−2) 2.2 + (−1).3 0 1
−2 4 0
Exemplo 62. Determine a inversa da matriz M = 1 0 0 .
3 6 −1
−2 4 0 1 0 0
1 0 0 0 1 0
3 6 −1 0 0 1
−2 4 0 1 0 0
1 0 0 0 1 0 −→ Permutamos as linhas L1 e L2
3 6 −1 0 0 1
1 0 0 0 1 0
⇒ −2 4 0 1 0 0 −→ L2 → 2.L1 + L2
3 6 −1 0 0 1
1 0 0 0 1 0
1
⇒ 0 4 0 1 2 0 −→ L2 → .L2
4
3 6 −1 0 0 1
1 0 0 0 1 0
⇒ 0 1 0 14 12 0 −→ L3 → 3.L1 − L3
3 6 −1 0 0 1
1 0 0 0 1 0
⇒ 0 1 0 14 12 0 −→ L3 → 6.L2 + L3
0 −6 1 0 3 −1
40 GUILHERME CHAUD TIZZIOTTI
1 0 0 0 1 0
⇒ 0 1 0 14 12 0
0 0 1 32 6 −1
0 1 0
Logo, temos que M −1 = 1
4
1
2
0 .
3
2
6 −1
Faça os produtos M.M −1 e M −1 .M e comprove que de fato eles resultam na matriz iden-
tidade.
41
7. Sistemas Lineares
Nesta seção, vamos estudar sistemas de equações lineares, que constituem um tópico de
muito interesse prático. Veremos como classificá-los e resolvê-los.
é um sistema homogêneo.
Observação 67. Note que um sistema homogêneo sempre possui pelo menos uma solução,
que é x1 = x2 = . . . = xn = 0. Essa solução é chamada de solução trivial.
Teorema 68. Seja A ∈ Mn (R). O sistema homogêneo AX = (0) tem solução não trivial
se, e somente se, det(A) = 0.
Sistemas equivalentes: Dizemos que dois, ou mais, sistemas de equações lineares são
equivalentes quando eles possuem a mesma solução.
43
3) Substituição de uma equação por sua soma com outra equação previamente multiplicada
por um número real diferente de zero.
Observação 70. Observe que estas operações elementares são análogas às dadas na seção
onde aprednemos a escalonar matrizes. O processo que será feito para resolver um sistema
linear será essencialmente o mesmo para escalonar uma matriz.
1o ) coloca-se ao lado da matriz dos coeficientes a matriz coluna dos termos independen-
tes, separadas por um traço vertical (de maneira semelhante ao processo de inversão de
matrizes);
44 GUILHERME CHAUD TIZZIOTTI
3 2 −5 8
2 −4 −2 −4
1 −2 −3 −4
Agora, analogamente ao processo feito para encontrar a inversa de uma matriz, vamos
usar operações elementares para transformar a matriz dos coefientes na matriz identi-
dade, aplicando-se, simultanemente,
à matriz
coluna dos termos independentes, as mes-
3 2 −5 8
1
mas operações. Vejamos. 2 −4 −2 −4 −→ L1 → L1
3
1 −2 −3 −4
1 23 − 53 83
⇒ 2 −4 −2 −4 −→ L2 → L2 + (−2)L1
1 −2 −3 −4
45
1 23 − 53 8
3
⇒ 0 − 16
3
4
3
− 28
3
−→ L3 → L3 + (−1)L1
1 −2 −3 −4
1 32 − 53 8
3
⇒ 0 − 16 4
− 28 −→ L2 → − 3 L2
3 3 3
16
0 − 83 − 43 − 20
3
1 23 − 53 8
3
⇒ 0 1 − 41 7 −→ L3 → L3 + 8 L2
4
3
0 − 38 − 43 − 20
3
1 23 − 53 83
2
⇒ 0 1 − 14 74 −→ L1 → L1 − L2
3
0 0 −2 −2
1 0 − 32 32
1
⇒ 0 1 − 14 74 −→ L3 → − L3
2
0 0 −2 −2
1 0 − 32 32
3
⇒ 0 1 − 14 74 −→ L1 → L1 + L3
2
0 0 1 1
1 0 0 3
1
⇒ 0 1 − 14 74 −→ L2 → L2 + L3
4
0 0 1 1
1 0 0 3
⇒ 0 1 0 2
0 0 1 1
3x + 2y − 5z = 8
Portanto, os sistemas 2x − 4y − 2z = −4
x − 2y − 3z = −4
46 GUILHERME CHAUD TIZZIOTTI
x + 0y + 0z = 3
e 0x + y + 0z = 2 são equivalentes.
0x + 0y + z = 1
a11 a12 a13 . . . a1n x1 b1
a21 a22 a23 . . . a2n
x2
b2
Tomando A = .. , X = .. eB=
.. .. .. .. ..
. . . . . . .
an1 an2 an3 . . . ann xn bn
−3
1 1
x 4 2 4
8 3
1 1 1
Assim, temos y =
8
−8 −8 . −4 = 2 .
1 1
z 0 4 −2 −4 1
2x + 3y = 1
x − 2y = −1
4x + 6y = 2
1 32 1
2 3 1 2
1 −2 −1 −→ L1 → 1 .L1 ⇒ 1 −2 −1 −→ L3 → L3 − 4L1
2
4 6 2 4 6 2
48 GUILHERME CHAUD TIZZIOTTI
1 32 1
1 23 1
2 2 2
⇒ 1 −2 −1 −→ L2 → L2 − L1 ⇒ 0 − 72 − 32 −→ L2 → − L2
7
0 0 0 0 0 0
1 23 12 1 0 − 71
3
⇒ 0 1 37 −→ L1 → L1 − L2 ⇒ 0 1 37 .
2
0 0 0 0 0 0
1
x + 0.y = − 7 2x + 3y = 1
3
Essa matriz corresponde ao sistema 0.x + y = 7 que é equivalente ao sistema x − 2y = −1
0.x + 0.y = 0 4x + 6y = 2
Note que a terceira equação 0.x + 0.y = 0 não estabelece nenhuma condição para x e y,
pois ela é satisfeita para quaisquer valores de x e y. Portanto, a solução do sistema será
dada pelas duas primeiras equações: x + 0.y = − 17 e 0.x + y = 37 , cujas soluções são
1 3
x=− ey= .
7 7
x − 3y + 4z − w = 2
2x − y + 3z − 2w = 19
Resolução.
1 −3 4 −1 2 1 −3 4 −1 2
−→ L2 → L2 − 2L1 ⇒ −→ L2 →
2 −1 3 −2 19 0 5 −5 0 15
1
L2
5
1 −3 4 −1 2 1 0 1 −1 11
⇒ −→ L1 → L1 + 3L2 ⇒
0 1 −1 0 3 0 1 −1 0 3
49
1 0 1 −1 11 x = 11 − z + w
A matriz corresponde ao sistema , que é equi-
0 1 −1 0 3 y =3+z
valente ao sistema dado.
2x − 6y = −4
x + 3y = 1
4x + 12y = 2
Resolução.
2 −6 −4 1 −3 −2
1
1 3 1 −→ L1 → L1 ⇒ 1 3 1 −→ L2 → L2 − L1
2
4 12 2 4 12 2
1 −3 −2 1 −3 −2
1
⇒ 0 6 3 −→ L3 → L3 − 4L1 ⇒ 0 6 3 −→ L2 → L2
6
4 12 2 0 24 10
1 0 − 12
1 −3 −2
1 1
⇒ 0 1 2
−→ L1 → L1 + 3L2 ⇒ 0 1 2
−→ L3 → L3 − 24L2
0 24 10 0 24 10
1 0 − 12
⇒ 0 1 12
0 0 −2
1
x + 0.y = − 2
A matriz acima corresponde ao sistema 0.x + y = 12 , que é equivalente ao sistema
0.x + 0.y = −2
dado.
50 GUILHERME CHAUD TIZZIOTTI
Mas não existem valores de x e y que satisfaçam a equação 0.x + 0.y = −2. Portanto, o
sistema é incompatı́vel.
51
Definição 77. Espaço vetorial: Sejam V um conjunto não vazio e K um corpo. Di-
zemos que V é um espaço vetorial sobre K se estiverem definidas as seguintes operações:
adição: cada par (u, v) ∈ V × V corresponde a um vetor u + v ∈ V , chamado de soma
de u e v;
multiplicação por escalar: cada par (a, u) ∈ K × V corresponde a um vetor a.u ∈ V ,
denominado produto por escalar de a por u.
Estas operações devem satisfazer, para ∀ u, v, w ∈ V e ∀ a, b ∈ K, as seguintes proprie-
dades:
A1) u + v = v + u (comutatividade de +)
A2) (u + v) + w = u + (v + w) (associatividade +)
A4) para cada u ∈ V , existe −u ∈ V , chamado de inverso aditivo de u, tal que (−u)+u =
u + (−u) = 0
A2 ) u + v = (x1 , y1 ) + (x2 , y2 )
= (x1 + x2 , y1 + y2 )
= (x2 + x1 , y2 + y1 )
= (x2 , y2 ) + (x1 , y1 )
= v+u
M1 ) (αβ)u = (αβ)(x1 , y1 )
= ((αβ)x1 , (αβ)y1 )
= (α(βx1 ), α(βy1 ))
= α(βx1 , βy1 )
= α(β(x1 , y1 ))
= α(βu)
M2 ) (α + β)u = (α + β)(x1 , y1 )
= ((α + β)x1 , (α + β)y1 )
= (αx1 + βx1 , αy1 + βy1 )
= (αx1 , αy1 ) + (βx1 , βy1 )
= α(x1 , y1 ) + β(x1 , y1 )
= αu + βu
M4 ) 1u = 1(x1 , y1 )
= (1x1 , 1y1 )
= (x1 , y1 )
= u
Exemplo 79. Da geometria analı́tica se sabe que um par ordenado (x1 , x2 ) de números
reais representa um ponto ou um vetor do plano R2 , assim como uma terna (x1 , x2 , x3 )
representa um ponto ou um vetor no R3 . Em geral, uma quádrupla (x1 , x2 , x3 , x4 ) é um
ponto ou um vetor de R4 e uma n-upla (x1 , x2 , ..., xn ) é um ponto ou um vetor de Rn .
54 GUILHERME CHAUD TIZZIOTTI
Procedendo como no Exemplo 78, verifica-se que os conjuntos R3 , R4 ,..., Rn são também
espaços vetoriais com as operações usuais de adição e multiplicação por escalar.
Exemplo 82. O conjunto R2 = {(a, b); a, b ∈ R} não é um espaço vetorial em relação às
operações assim definidas:
(a, b) + (c, d) = (a + c, b + d)
α(a, b) = (αa, b), α ∈ R.
Como a adição aqui definida é a usual, verificam-se os axiomas A1 , A2 , A3 e A4 de espaço
vetorial conforme se viu no Exemplo 78. Logo, não devem se verificar alguns (ou algum)
dos axiomas relativos à multiplicação.
Sejam u = (x1 , y1 ), v = (x2 , y2 ) e α, β ∈ R.
M1 ) (αβ)u = (αβ)(x1 , y1 )
= ((αβ)x1 , y1 )
= (α(βx1 ), y1 )
= α(βx1 , y1 )
= α(β(x1 , y1 ))
= α(βu)
(Este axioma se verifica)
M2 ) (α + β)u = (α + β)(x1 , y1 )
= ((α + β)x1 , y1 )
= (αx1 + βx1 , y1 )
6= α(x1 , y1 ) + β(x1 , y1 )
= (αx1 , y1 ) + (βx1 , y1 )
= (αx1 + βx1 , 2y1 ).
Como se vê, (α + β)u 6= αu + βu e, portanto, não se verifica, no mı́nimo, o axioma M2 .
Assim, o conjunto de que trata este exemplo não é um espaço vetorial.
55
Exemplo 83. De uma maneira mais geral à considerada no exemplo anterior, para cada
n ≥ 1, o conjunto K n = {(u1 , u2 , . . . , un ) ; ui ∈ K, para todo i = 1, 2, . . . , n} tem uma
estrutura de espaço vetorial sobre K bastante natural com as operações:
• (u1 , u2 , . . . , un )+(v1 , v2 , . . . , vn ) = (u1 +v1 , u2 +v2 , . . . , un +vn ), para quaisquer (u1 , u2 , . . . , un ), (v1 , v2 , . . .
K n.
Exemplo 87. Espaço das funções: Sejam X um conjunto não vazio e F(X, K) o
conjunto de todas as funções f : X → K. Defina as seguintes operações em F(X, K):
• para f, g ∈ F(X, K), defina a função f + g : X → K dada por (f + g)(x) = f (x) + g(x),
para todo x ∈ X.
• para f ∈ F(X, K) e a ∈ K, defina a função a.f : X → K dada por (a.f )(x) = a.f (x),
para todo x ∈ X.
Com estas operações, o conjunto F(X, K) é um K-espaço vetorial, onde a função nula é
o vetor nulo desse espaço. De fato,
A1) Sejam, f, g ∈ F(X, K) e seja x ∈ X. Note que, por definição da operação, (f +
g)(x) = f (x) + g(x). Agora, como f (x), g(x) ∈ K e K é um corpo, então f (x) + g(x) =
g(x) + f (x). Logo, (f + g)(x) = g(x) + f (x). Por definição da operação, g(x) + f (x) =
(g + f )(x). Logo, temos que (f + g)(x) = (g + f )(x). Como tomamos x ∈ X arbitrário,
segue que f + g = g + f .
A2) Sejam, f, g, h ∈ F(X, K) e seja x ∈ X. Note que, por definição da operação, ((f +
g) + h)(x) = (f + g)(x) + h(x) = (f (x) + g(x)) + h(x). Agora, como f (x), g(x), h(x) ∈ K e
K é um corpo, então (f (x)+g(x))+h(x) = f (x)+(g(x)+h(x)). Assim, ((f +g)+h)(x) =
f (x) + (g(x) + h(x)). Agora, pela definição da operação, temos que f (x) + (g(x) + h(x)) =
f (x) + (g + h)(x) = (f + (g + h))(x). Logo, ((f + g) + h)(x) = (f + (g + h))(x). Daı́,
como tomamos um x ∈ X arbitrário, segue que (f + g) + h = f + (g + h).
A3) Seja 0 ∈ F(X, K) a função identicamente nula dada por x 7→ 0 ∈ K, para todo
x ∈ X, e seja f ∈ F(X, K). Logo, para todo x ∈ X, temos (0 + f )(x) = 0(x) + f (x) =
0 + f (x) = f (x). Assim, vemos que 0 + f = f . Analogamente, vemos que f + 0 = f .
Então, a função identicamente nula é o vetor nulo de F(X, K).
A4) Seja f ∈ F(X, K). Para cada x ∈ X, defina −f a função dada por (−f )(x) = −f (x).
Logo, (f + (−f ))(x) = f (x) + (−f )(x) = f (x) + (−f (x)) = 0, para todo x ∈ X. Portanto,
f +(−f ) é a função identicamente nula (vetor nulo), ou seja, f +(−f ) = 0. Analogamente,
vemos que (−f ) + f = 0.
M1) Sejam a, b ∈ K e f ∈ F(X, K). Assim, ((a.b).f )(x) = (a.b).f (x). Agora, como K é
um corpo e a, b, f (x) ∈ K, temos que (a.b).f (x) = a.(b.f (x)). Pela definição da operação,
a.(b.f (x)) = a.((b.f )(x)) = (a.(b.f ))(x). Logo, temos que (a.b).f (x) = (a.(b.f ))(x), e
segue que (a.b).f = a.(b.f ).
1) Se w + u = w + v, então u = v. Em particular, w + u = w ⇒ u = 0 e w + u = 0 ⇒
u = −w.
De fato, supondo w + u = w + v temos que
u = 0 + u = (−w + w) + u = −w + (w + u) = −w + (w + v) = (−w + w) + v = 0 + v = v.
3) Se a 6= 0 e v 6= 0, então a.v 6= 0.
De fato, suponha que a.v = 0, com a 6= 0 e v 6= 0. Então, v = 1.v = (a−1 .a).v =
a−1 (a.v) = a−1 .0 = 0, e terı́amos v = 0, contradição.
4) (−1).v = −v.
Com efeito, v + (−1).v = 1.v + (−1).v = (1 + (−1)).v = 0.v = 0. Logo, por 1) segue que
(−1).v = −v.
Subespaços
A seguir veremos alguns exemplos de subconjuntos que são subespaços vetoriais e outros
que não são.
−2x1 − 3y1 −2x2 − 3y2
ii) u + v = x1 , y1 , + x2 , y2 ,
4 4
−2x1 − 3y1 −2x2 − 3y2
= x1 + x2 , y1 + y2 , +
4 4
−2(x1 + x2 ) − 3(y1 + y2 )
= x1 + x2 , y1 + y2 , ∈ S.
4
−2x1 − 3y1
iii) αu = α x1 , y1 ,
4
−2x1 − 3y1
= αx1 , αy1 , α
4
−2αx1 − 3αy1
= αx1 , αy1 , ∈ S.
4
Portanto, S é um subespaço vetorial de R3 .
Da geometria analı́tica sabe-se que a equação que define o subespaço S no exemplo an-
terior, é a equação de um plano em R3 que passa pela origem. Utilizando o Teste do 0,
conclui-se que, se um plano não passa pela origem, então ele não é um subespaço vetorial
do R3 .
Vejamos.
2) Sejam (xn )n∈N , (yn )n∈N ∈ `∞ . Assim, (xn )n∈N + (yn )n∈N = (xn + yn )n∈N ∈ K ∞ , e
como (xn )n∈N e (yn )n∈N são limitadas, existem M1 > 0 e M2 > 0 tais que |xn | ≤ M1 e
|yn | ≤ M2 , ∀n.
Agora, |xn + yn | ≤ |xn | + |yn | ≤ M1 + M2 = M , ∀n. Então, (xn + yn )n∈N é limitada, e
temos que (xn + yn )n∈N ∈ `∞ .
3) Dado α ∈ K, temos que α.(xn )n∈N = (α.xn )n∈N . Daı́, |α.xn | = |α|.|xn | ≤ |α|.M1 ≤ M .
Ou seja, (α.xn )n∈N ∈ `∞ .
Observamos que se o sistema linear não for homogêneo o conjunto solução não será um
subespaço, pois o elemento (0, . . . , 0) não fará parte desse conjunto.
62 GUILHERME CHAUD TIZZIOTTI
Combinação Linear
Notaremos nos exemplos abaixo que o fato de um vetor ser ou não uma combinação
linear de outros vetores dados está ligado ao fato de um certo sistema linear ser possı́vel
ou impossı́vel.
cuja solução é a1 = −3 e a2 = 2.
Exemplo 101. No espaço vetorial R3 , o vetor v = (5, 2, 7) é uma combinação linear dos
vetores v1 e v2 do Exemplo 100, pois v = 2v1 + v2 . (Verifique!)
No próximo exemplo apresentamos um vetor que não é combinação linear dos vetores v1
e v2 dados no Exemplo 100.
63
Exemplo 102. Mostre que o vetor v = (13, −2, 4) de R3 não é combinação linear dos
vetores v1 e v2 do Exemplo 100.
Como este sistema é impossı́vel, segue que v não pode ser escrito como combinação linear
de v1 e v2 .
Exemplo 103. Determine o valor de m para que o vetor u = (13, −2, m) seja combinação
linear de v1 e v2 do Exemplo 100.
Pelo Exemplo 102, o objetivo é obter m tal que o seguinte sistema seja possı́vel:
−a1 + 7a2 = 13
2a1 − 2a2 = −2 ,
3a1 + a2 = m
Assim, para cada valor atribuı́do a a3 obtemos valores para a1 e a2 . Portanto, w pode ser
escrito de infinitas maneiras como combinação linear de w1 , w2 e w3 .
Definição 105 (Espaço finitamente gerado). Dizemos que um espaço vetorial V é fini-
tamente gerado se existir um subconjunto finito A de V tal que V = hAi.
Nos exemplos a seguir ficará claro que Rn é um espaço vetorial finitamente gerado para
qualquer número natural n.
65
Assim, [e1 , e2 ] = R2 .
Exemplo 108. Os vetores e1 = (1, 0, ..., 0), e2 = (0, 1, . . . , 0),. . . ,en = (0, 0, . . . , 1) geram
o espaço vetorial V = Rn , pois dado um vetor v = (x1 , x2 , . . . , xn ) ∈ Rn qualquer, ele pode
ser escrito como combinação linear de e1 , e2 , . . . , en . De fato, basta tomar as coordenadas
de v como os escalares da combinação linear:
x1 e1 + x2 e2 + · · ·xn en = x1 (1, 0, . . . , 0) + x2 (0, 1, . . . , 0) + · · · + xn (0, 0, . . . , 1)
= (x1 , x2 , . . . , xn ).
Um espaço vetorial finitamente gerado V pode ser gerado por subconjuntos diferentes.
Este fato é evidenciado nos próximos exemplos.
Exemplo 109. O conjunto A = {u = (1, 2), v = (3, 5)} gera o R2 . De fato, para que o
conjunto A gere o R2 é necessário que qualquer vetor w = (x, y) ∈ R2 seja combinação
linear de u e v, isto é, devem existir números reais α e β, tais que:
w = αu + βv
(x, y) = α(1, 2) + β(3, 5)
(x, y) = (α, 2α) + (3β, 5β)
(x, y) = (α + 3β, 2α + 5β).
Dessa igualdade resulta o sistema:
(
α + 3β = x
2α + 5β = y
que, resolvido em função de x e y, fornece:
α = −5x + 3y e β = 2x − y,
isto é, R2 = [u, v].
66 GUILHERME CHAUD TIZZIOTTI
No próximo exemplo veremos que o R2 pode ser gerado por um conjunto formado por mais
de dois elementos.
Em geral, um espaço vetorial possui muitos conjuntos geradores e muitas vezes é impor-
tante termos um conjunto gerador que seja o “menor”possı́vel. A situação ideal é que
exista um conjunto gerador onde cada elemento de V se escreva de maneira única como
combinação linear dos elementos deste conjunto gerador. Por trás dessa unicidade está o
importante conceito de conjunto linearmente independente, que veremos a seguir.
67
Vimos no Exemplo 106 que o conjunto {e1 = (1, 0), e2 = (0, 1)} gera o R2 . Com um
pouco de reflexão é possı́vel concluir que os conjuntos {e1 , e2 , v1 } e {e1 , e2 , v1 , v2 } também
geram o R2 , para quaisquer v1 , v2 ∈ R2 . Ou seja, o espaço vetorial R2 pode ser gerado
por dois vetores, ou também por três, ou quatro, etc. Porém em nossos estudos estamos
interessados em conjuntos geradores que tenham o menor número possı́vel de vetores. De
fato, vimos que para gerar o R2 são necessários somente dois vetores. Assim, outros
vetores que eventualmente aparecem no conjunto gerador são desnecessários.
A noção de dependência e independência linear será muito útil para a determinação do
menor conjunto gerador de um espaço vetorial.
(2) α1 v1 + · · · + αn vn = 0, em que α1 , . . . , αn ∈ R.
Note que ela possui pelo menos uma solução que é a trivial:
α1 = α2 = · · · = αn = 0.
Definição 111 (LI e LD). Dizemos que o conjunto {v1 , . . . , vn } é linearmente indepen-
dente, ou simplesmente que os vetores v1 , . . . , vn são LI, se a equação (2) admitir somente
a solução trivial. Se existir solução com algum αi 6= 0, dizemos que {v1 , . . . , vn } é linear-
mente dependente, ou simplesmente que os vetores v1 , . . . , vn são LD.
• Todo espaço vetorial não nulo possui um conjunto L.I., não vazio. Basta considerar,
por exemplo, um conjunto que consiste de um único vetor não nulo.
Exemplo 112. O conjunto {e1 = (1, 0), e2 = (0, 1)} do espaço vetorial R2 é LI. Com
efeito,
(0, 0) = α1 e1 + α2 e2
= α1 (1, 0) + α2 (0, 1)
= (α1 , 0) + (0, α2 )
= (α1 , α2 )
o que implica α1 = 0 e α2 = 0.
Exemplo 114. O conjunto {sen x, cos x} é um conjunto L.I. no R-espaço vetorial C([0, 2π], R).
De fato, suponha que {sen x, cos x} é L.D.. Então, existem α, β ∈ R, ao menos um deles
não nulo, tais que α · sen x + β · cos x = 0, para todo x ∈ [0, 2π], o que é uma contradição.
Logo, {sen x, cos x} é um conjunto L.I.
(0, 0) = α1 v1 + α2 v2
= α1 (6, 4) + α2 (15, 10)
= (6α1 , 4α1 ) + (15α2 , 10α2 )
= (6α1 + 15α2 , 4α1 + 10α2 ).
Donde resulta o sistema
(
6α1 + 15α2 = 0
4α1 + 10α2 = 0
−5
o qual admite a solução α1 = 2 2
α. Assim, fazendo α2 = 2, temos α1 = −5 e a equação
Note que, no exemplo anterior, o fato de (6, 4) e (15, 10) serem LD implica que um dos
vetores é múltiplo do outro. De fato, podemos escrever
2
(6, 4) = (15, 10).
5
Por outro lado, se dois vetores são múltiplos entre si, isto é, v1 = βv2 , para algum β ∈ R,
é fácil concluir que eles serão LD, pois a equação α1 v1 + α2 v2 = 0 admite solução não
trivial, a saber, α1 = 1 6= 0 e α2 = −β.
Esta propriedade é generalizada para mais que dois vetores no seguinte resultado.
Nos exemplos seguintes usaremos a proposição anterior para concluir que um determinado
conjunto é LD.
Exemplo 118. O conjunto {e1 = (1, 0), e2 = (0, 1), v = (a, b)} de vetores de R2 , onde
(a, b) é qualquer vetor de R2 , é LD. Com efeito, podemos escrever v como combinação
linear de e1 e e2
v = (a, b) = (a, 0) + (0, b) = a(1, 0) + b(0, 1) = ae1 + be2 ,
e portanto, pela Proposição 117, o conjunto é LD.
70 GUILHERME CHAUD TIZZIOTTI
Base e Dimensão
Vejamos alguns exemplos de conjuntos que são bases dos espaços vetoriais R2 , R3 , . . . , Rn .
Exemplo 122. O conjunto C = {e1 = (1, 0), e2 = (0, 1)} é base de R2 , conhecida como
base canônica de R2 . De fato, vimos no Exemplo 106 que C gera R2 e no Exemplo 112
que C é LI.
Exemplo 123. O conjunto B = {(1, 1), (0, 1)} também é uma base de R2 . Com efeito,
se
(0, 0) = a(1, 1) + b(0, 1) = (a, a + b),
temos a = b = 0, ou seja, B é LI. Além disto, dado (x, y) ∈ R2 qualquer, podemos escrever
(x, y) = x(1, 1) + (y − x)(0, 1),
isto é, todo vetor de R2 é uma combinação linear de (1, 1) e (0, 1), provando que B gera
R2 .
No entanto, nem todo conjunto com dois elementos forma uma base de R2 . Vejamos um
exemplo disto.
Exemplo 124. O conjunto {(−1, 0), (5, 0)} não é base de R2 , pois (5, 0) = −5(−1, 0),
isto é, o conjunto é LD.
Exemplo 127. Mais geralmente, não é difı́cil ver que os vetores e1 , . . . , en ∈ Rn , onde
e1 = (1, 0, . . . , 0), e2 = (0, 1, . . . , 0), . . . , en = (0, 0, . . . , 1), formam uma base de Rn ,
conhecida como base canônica de Rn .
Exemplo 129. B = {(1, 0), (0, 1)} é uma base de C2 como C-espaço vetorial. Pois, dado
(a, b) ∈ C2 , podemos escrever (a, b) = a.(1, 0) + b.(0, 1), com a, b ∈ C. Assim, B gera C2 .
E B é L.I., pois se tomarmos α1 , α2 ∈ C com α1 .(1, 0) + α2 .(0, 1) = (0, 0) ⇒ (α1 , α2 ) =
(0, 0) ⇒ α1 = 0 e α2 = 0.
Porém, B NÃO é uma base para C2 como um R-espaço vetorial. Note que, B não
gera C2 como um R-espaço vetorial. Pois, por exemplo, não existem a, b ∈ R tais que
a.(1, 0) + b.(0, 1) = (i, 2i).
Temos que, B 0 = {(1, 0), (0, 1), (i, 0), (0, i)} é uma base para C2 como um R-espaço veto-
rial. Verifique!
Do próximo resultado concluiremos que duas bases quaisquer de um espaço vetorial fini-
tamente gerado têm o mesmo número de vetores.
Proposição 130. Seja V um K-espaço vetorial finitamente gerado não nulo. Assuma
que {v1 , . . . , vm } seja um conjunto gerador de V . Então, todo conjunto L.I. de vetores em
V tem no máximo m elementos.
Demonstração. Vamos provar que todo conjunto de elementos de V que contenha mais
do que m vetores é L.D.
Para tanto, seja A = {u1 , . . . , un } ⊂ V , com n > m. Note que, como {v1 , . . . , vm } é um
conjunto gerador de V , então existem escalares αij ∈ K tais que, para cada j = 1, . . . , n.
uj = α1j v1 + . . . + αmj vm .
n
X
Vamos analisar a situação em que λj αij = 0, para cada i = 1, 2, . . . m. Para tanto,
j=1
considere o sistema
α11 λ1 + . . . α1n λn = 0
..
.
αm1 λ1 + . . . αmn λn = 0
nas incógnitas λ1 , . . . , λn e com coeficientes αij ∈ K.
Como o número de equações do sistema é estritamente menor do que o número de
incógnitas, segue que o sistema tem uma solução não nula, isto é, existem γ1 , . . . , γn ∈ K,
Xn
não todos nulos, tais que γj αij = 0, para i = 1, 2, . . . , m. Portanto, existem γ1 , . . . , γn ,
j=1
não todos nulos, tais que γ1 u1 + . . . γn un = 0, o que implica que {u1 , . . . , un } é L.D..
Corolário 131. Seja V um K-espaço vetorial finitamente gerado não nulo. Então, duas
bases quaisquer de V têm o mesmo número de elementos.
Definição 132. Seja V um K-espaço vetorial. Se V admite uma base finita, então
chamamos de dimensão de V o número de elementos de tal base. Caso contrário,
dizemos que a dimensão de V é infinita.
• Note que:
3) dimK {0} = 0.
Exemplo 134. .
dimC C2 = 2
dimR C2 = 4
dimK P (K) = ∞
Exemplo 136. O conjunto B = {(1, 2), (−1, −1)} é base de R2 , pois sabemos que
dim R2 = 2 e B é LI, uma vez que (1, 2) não é múltiplo de (−1, −1).
75
Exemplo 140. Encontre uma base de R3 sobre R que contenha o vetor (2, 1, 1).
Como dim R3 = 3, precisamos encontrar dois vetores v1 , v2 ∈ R3 que juntos com (2, 1, 1)
formam um conjunto LI. Tomando v1 um vetor que não seja múltiplo de (2, 1, 1) já teremos
que {(2, 1, 1), v1 } é LI. Assim, consideremos v1 = (1, 0, 0). Para completar, escolhemos
v2 que não seja combinação linear de (2, 1, 1)e(1, 0, 0). Dentre os infinitos existentes,
tomemos v2 = (0, 1, 0). Logo, {(2, 1, 1), (1, 0, 0), (0, 1, 0)} é LI e portanto é uma base de
R3 .
ii) B é L.I..
Demonstração. Exercı́cio.
Observação 143. Observamos que se V não for finitamente gerado, então qualquer base
de V não possui um número finito de elementos. Porém, é possı́vel mostrar que as bases
são equivalentes como conjuntos, ou seja, podemos mostrar que duas bases de V têm
sempre a mesma cardinalidade (teoria de conjuntos, axioma da escolha).
Teorema 145. Todo espaço vetorial não nulo finitamente gerado possui uma base.
Demonstração. Seja V um espaço vetorial não nulo finitamente gerado sobre K. Então
V possui um conjunto gerador finito, digamos com m ≥ 1 elementos. Agora, seja v1 ∈ V
um vetor não nulo. Então, B1 = {v1 } é L.I.. Se B1 gerar V , então B1 é uma base de
V . Caso contrário, existe v2 ∈ V que não é um múltiplo de v1 . Pela proposição anterior,
B2 = {v1 , v2 } é L.I.. Novamente, se B2 gera V , então B2 é uma base de V . Caso contrário,
existe v3 ∈ V tal que {v1 , v2 , v3 } é L.I.. Repetindo este procedimento, chegaremos ou a
uma base de V ou construiremos conjuntos L.I. em V arbritariamente grandes. O segundo
caso não é possı́vel, pois todo conjunto L.I. de V tem no máximo m elementos.
77
Observação 146. Observamos que todo espaço vetorial possui uma base. A demonstração
do regultado geral depende essencialmente do chamado Lema de Zorn (um axioma da
teoria dos conjuntos). Apesar do resultado garantir a existência de uma tal base, nem
sempre é possı́vel exibi-la explicitamente. Por exemplo, tente construir uma base do espaço
vetorial R sobre Q. Observe que uma tal base será necessariamente não enumerável.
78 GUILHERME CHAUD TIZZIOTTI
Transformação Linear
As transformações lineares são funções especiais por dois motivos: o primeiro é que são
funções definidas entre espaços vetoriais e o segundo motivo é porque são funções que
respeitam as operações destes espaços vetoriais
• Não é difı́cil verificar que T : U → V é uma transformação linear se, e somente se,
T (λu + v) = λT (u) + T (v), ∀u, v ∈ U e ∀λ ∈ K.
Xn n
X
3) T ( λi ui ) = λi T (ui ).
i=1 i=1
Exemplo 150. Seja T : R → R, dada por T (x) = kx, onde k ∈ R − {0}, é uma
transformação linear.
Com efeito, sejam x, y, α ∈ R, temos:
TL 1) T (x + y) = k(x + y) = kx + ky = T (x) + T (y).
TL 2) T (αx) = k(αx) = αkx = αT (x).
Note que toda transformação linear de R em R só pode ser da forma apresentada no
exemplo anterior.
De fato, T (x) = T (x · 1) e, sendo T linear e x um escalar, podemos escrever T (x · 1) =
xT (1). Denotando T (1) = k, temos T (x) = kx.
5 0
x
Considerando A3×2 = 2 −1 e u = (x, y) como um vetor coluna, u2×1 = ,
y
1 3
temos
5 0 5x
x
Au = 2 −1 = 2x − y .
y
1 3 x + 3y
Logo, TA (x, y) = (5x, 2x − y, x + 3y).
Isto significa que a matriz A3×2 determina a transformação do vetor u = (x, y) ∈ R2 no
vetor v = (5x, 2x − y, x + 3y) e tal transformação é linear.
A ideia apresentada no exemplo anterior pode ser generalizada para qualquer matriz de
ordem m × n como segue.
Exemplo 154. Em geral, dada uma matriz A de ordem m × n, fica determinada a
transformação linear TA : Rn × Rm cuja imagem TA (u) do vetor u ∈ Rn é dada pelo
produto da matriz Am×n com o vetor coluna un×1 :
TA (u) = Am×n · un×1 = (Au)m×1 .
Mais adiante veremos que o contrário também acontece, ou seja, toda transformação
linear T : Rn → Rm pode ser representada por uma matriz de ordem m × n.
n
X
• Sejam a1 , . . . , an ∈ K. Defina T : K n → K por T (x1 , . . . , xn ) = ai xi . Então, T é
i=1
uma transformação linear.
Seja ei o i-ésimo elemento da base canônica de K n . Assim, T (ei ) = ai .
Por outro lado, se T : K n → K é uma transformação linear, então T (x1 , . . . , xn ) =
n
X n
X
T( xi e i ) = xi T (ei ).
i=1 i=1
Isso mostra que a definição de uma transformação linear cujo domı́nio é K n depende
basicamente da definição de T nos elementos da base {e1 , . . . , en }. Isto pode ser feito
mais geralmente como mostra o resultado a seguir.
Teorema 156. Sejam U e V dois K-espaços vetoriais. Se {u1 , . . . , un } for uma base de
U e {v1 , . . . , vn } ⊆ V , então existe uma única transformação linear T : U → V tal que
T (ui ) = vi , para cada i = 1, . . . , n.
Logo, T é linear.
Agora, vejamos que T é única. Para isso, considere uma transformação linear S : U → V
n
X
tal que S(ui ) = vi , para cada i = 1, . . . , n. Para u = λi ui ∈ U , teremos S(u) =
i=1
Xn n
X n
X
S( λi u i ) = λi S(ui ) = λi vi = T (u) e, portanto, só existe uma única trans-
i=1 i=1 i=1
formação linear nas condições requeridas.
82 GUILHERME CHAUD TIZZIOTTI
x+y x−y
que tem solução a = eb= . Assim,
2 2
T (x, y) = T ( x+y
2
(1, 1) + x−y
2
(1, −1))
x+y x−y
= 2 T (1, 1) + 2 T (1, −1)
= x+y
2
(2, 6) + x−y
2
(−2, 2) .
= (x + y, 3x + 3y) + (−x + y, x − y)
= (2y, 4x + 2y)
Se calculássemos primeiro T (x, y) = (2y, 4x + 2y) poderı́amos calcular o vetor T (5, 3) por
T (5, 3) = (2 · 3, 4 · 5 + 2 · 3) = (6, 26).
Exemplo 158. Seja T : R3 → R2 uma transformação linear e B = {(1, 1, 1), (1, 1, 0), (1, 0, 0)}
uma base de R3 . Sendo T (1, 1, 1) = (−2, 1), T (1, 1, 0) = (4, 0) e T (1, 0, 0) = (1, 3), deter-
mine T (x, y, z).
Expressando (x, y, z) como combinação linear dos elementos em B, temos
(x, y, z) = a(1, 1, 1) + b(1, 1, 0) + c(1, 0, 0)
ou
a + b + c = x
a+b=y
a = z
No próximo exemplo o que queremos é encontrar um vetor cuja imagem por uma trans-
formação linear é conhecida.
Exemplo 159. Dado o operador linear no R3 :
T (x, y, z) = (x + 2y + 2z, x + 2y − z, −x + y + 4z).
Determine o vetor u ∈ R3 tal que T (u) = (−1, 8, −11).
Fazendo u = (x, y, z) temos que T (u) = T (x, y, z) = (−1, 8, −11) ou seja,
(x + 2y + 2z, x + 2y − z, −x + y + 4z) = (−1, 8, −11)
84 GUILHERME CHAUD TIZZIOTTI
ou
x + 2y + 2z = −1
x + 2y − z = 8
−x + y + 4z = −11
Note que N (T ) 6= ∅, uma vez que T (0) = 0, o vetor nulo de U sempre pertence a N (T ).
A seguir veremos que o conceito de imagem de uma transformação linear coincide com o
conceito de imagem de uma função qualquer.
Note que Im(T ) é sempre não vazia, pois, como T (0) = 0, temos que 0 ∈ Im(T ).
O próximo resultado nos diz que os conjuntos núcleo e imagem de uma transformação
linear T : U → V são subespaços de U e V , respectivamente.
Proposição 168. Seja T : U → V uma transformação linear. Então,
(1) O núcleo de T , N (T ), é um subespaço vetorial de U .
(2) A imagem de T , Im(T ), é um subespaço vetorial de V .
O próximo resultado nos auxilia na verificação de uma transformação linear ser ou não
injetora.
ou
γ1 u1 + · · · + γm um − δ1 v1 − · · · − δn vn = 0.
Como {v1 , ..., vn , u1 , ..., um } é uma base de V , em particular é LI, concluı́mos que
γ1 = · · · = γm = δ1 = · · · = δn = 0.
Escalonando a matriz ampliada deste sistema concluı́mos que ele só admite solução se
90 GUILHERME CHAUD TIZZIOTTI
−a − 2b + c = 0. Assim,
Im(T ) = {(a, b, c) ∈ R3 ; −a − 2b + c = 0}
= {(−2b + c, b, c); b, c ∈ R2 }
= {b(−2, 1, 0) + c(1, 0, 1); b, c ∈ R}
= [(−2, 1, 0), (1, 0, 1)].
Note que dim Im(T ) = dim R3 − dim N (T ) = 3 − 1 = 2. Desta forma, podemos concluir
que o conjunto {(−2, 1, 0), (1, 0, 1)} é uma base de Im(T ).
Exemplo 174. Seja T : R3 → R2 a transformação linear tal que T (1, 0, 0) = (−1, 1),
T (0, 1, 0) = (3, 2) e T (0, 0, 1) = (1, 0).
(a) Use o teorema da dimensão para concluir que T não é injetora.
(b) Determine N (T ) e uma de suas bases.
(c) Determine Im(T ) e uma de suas bases. T é sobrejetora?
(a) Como dim Im(T ) é no máximo 2, pois Im(T ) ⊂ R2 , temos de
Sendo dim R4 = 4 e dim N (T ) = dim[(1, 0, 0, 1), (0, −1, 0, 1)] = 2, temos que
dim Im(T ) = 4 − 2 = 2.
O primeiro passo é completar o conjunto {(1, 0, 0, 1), (0, −1, 0, 1)} a uma base de R4 . Para
isso basta acrescentar os vetores (0, 0, 1, 0) e (0, 0, 0, 1), pois
α(1, 0, 0, 1) + β(0, −1, 0, 1) + γ(0, 0, 1, 0) + δ(0, 0, 0, 1) = 0
se, e somente se, α = β = γ = δ = 0. Agora, basta tomar o cuidado das imagens de
(0, 0, 1, 0) e (0, 0, 0, 1) pela T serem LI. Para isto, definimos T : R4 → R3 tal que
T (0, 0, 1, 0) = (0, 1, 0), T (0, 0, 0, 1) = (0, 0, 1), T (1, 0, 0, 1) = (0, 0, 0) e T (0, −1, 0, 1) = (0, 0, 0).
Sob o ponto de vista da álgebra linear, dois espaços vetoriais isomorfos são equivalentes.
Isto é, para um algebrista estes espaços são “iguais”.
• Note que, pelo Corolário 176, se T : U → V é uma transformação linear e dim U =
dim V , então, para verificar que T é isomorfismo, basta provar que T é injetora (N (T ) =
{0}) ou que T é sobrejetora.
93
Nesta seção, veremos que o estudo das transformações lineares está fortemente ligado ao
estudo das matrizes. De fato, vimos no Exemplo 154 que a qualquer matriz m×n podemos
associar uma transformação linear T : Rn → Rm . No que segue, vamos estabelecer o
contrário, ou seja, veremos que, fixadas bases do Rn e Rm , a toda transformação linear
T : Rn → Rm está associada uma única matriz.
Sendo T (v1 ), T (v2 ) e T (v3 ) vetores de W podemos escrevê-los como combinação linear dos
vetores de B, ou seja,
T (v1 ) = a11 w1 + a21 w2
Denotando por [T ]A
B , a matriz (aij )2×3 acima, podemos escrever:
[T (v)]B = [T ]A
B [v]A .
A matriz [T ]A
B é chamada matriz de T em relação às bases A e B.
A seguir, veremos alguns exemplos deste processo de obter a matriz de uma transformação
linear relacionada a bases dadas.
isto é,
a12 + a22 + a32 = −3
a12 = −14
a22 + a32 = 11 ⇒ a22 = 13 .
a32 = −2
a32 = −2
Assim,
9 −14
[T ]A
B =
−11 13
3 −2
(a)
T (v1 ) = T (−1, −1) = (1, −8, 3) = 1(1, 0, 0) − 8(0, 1, 0) + 3(0, 0, 1)
T (v2 ) = T (1, 2) = (−3, 11, −2) = −3(1, 0, 0) + 11(0, 1, 0) − 2(0, 0, 1).
Assim,
1 −3
[T ]A
C =
−8 11 .
3 −2
97
Note que, sendo C a base canônica do R3 , T (v)C = T (v) também poderia ser obtido
diretamente da lei que define T ,
T (v) = T (5, 4) = (5 − 2 · 4, 5 · 5 + 3 · 4, · − 4 · 5) = (−3, 37, −16).
Exemplo 181. Considere a mesma transformação linear e sejam C 0 = {(1, 0), (0, 1)} e
C = {(1, 0, 0), (0, 1, 0), (0, 0, 1)} as bases canônicas do R2 e do R3 , respectivamente.
0
(a) Determine [T ]CC .
0
(b) Se v = (5, 4) calcule T (v)C utizando [T ]C
C .
(a)
T (1, 0) = (1, 5, −4) = 1(1, 0, 0) + 5(0, 1, 0) − 4(0, 0, 1)
T (0, 1) = (−2, 3, 1) = −2(1, 0, 0) + 3(0, 1, 0) + 1(0, 0, 1).
Assim,
1 −2
C 0
[T ]C = 5 3 .
−4 1
(b) Note que T (v)C não depende da base do domı́nio, mas sim do vetor v e da base C
e como tais objetos são idênticos aos do exemplo anterior teremos novamente T (v)C =
(−3, 37, −16).
Observe que calcular T (v) pela matriz [T ] é o mesmo que fazê-lo pela expressão de T ,
como pode ser observado no último exemplo: T (5, 4) = (−3, 37, −16).
Os exemplos anteriores ilustram que dada uma transformação linear T , a cada dupla de
bases A e B corresponde uma matriz [T ]A
B . Por outro lado, no próximo exemplo veremos
que dadas uma matriz e um par de bases A e B, pode-se obter a expressão de T .
98 GUILHERME CHAUD TIZZIOTTI
Exemplo 183. Dadas A = {(1, 1, 1), (1, 1, 0), (1, 0, 0)} base do R3 e B = {(1, 0), (1, 1)}
base do R2 , determine a transformação linear T : R3 → R2 tal que
A 1 0 1
[T ]B = .
2 −1 −1
Assim,
T (1, 1, 1) = 1(1, 0) + 2(1, 1) = (3, 2)
T (1, 1, 0) = 0(1, 0) − 1(1, 1) = (−1, −1)
T (1, 0, 0) = 1(1, 0) − 1(1, 1) = (0, −1).
Conhecidas as imagens dos vetores numa base A do domı́nio R3 de T , expressando o vetor
genérico (x, y, z) ∈ R3 como combinação linear dos elementos desta base A, obteremos
T (x, y, z):
(x, y, z) = α(1, 1, 1) + β(1, 1, 0) + γ(1, 0, 0)
α + β + γ = x α = z
⇒ α+β =y ⇒ β =y−z .
α = z
γ = x − y
Ou seja,
(x, y, z) = z(1, 1, 1) + (y − z)(1, 1, 0) + (x − y)(1, 0, 0).
Pela linearidade de T temos
T (x, y, z) = zT (1, 1, 1) + (y − z)T (1, 1, 0) + (x − y)T (1, 0, 0)
= z(3, 2) + (y − z)(−1, −1) + (x − y)(0, −1)
= (3z − y + z, 2z − y + z − x + y)
= (4z − y, 3z − x).
Dado um espaço vetorial V , lembre-se que um operador linear T sobre V nada mais é do
que uma transformação linear T : V → V . Neste caso, para tomar uma representação
matricial de T , é comum considerar a mesma base no domı́nio e no contradomı́nio, isto
é, fazer A = B. A matriz resultante, denotada simplesmente por [T ]A , é chamada matriz
de T em relação à base A. Por exemplo, o leitor pode verificar que a matriz do operador
T : R2 → R2 , T (x, y) = (2x + y, x − 3y) em relação à base A = {(−1, −1), (0, 1)} é
3 −1
[T ]A = .
5 −4
99
Produto Interno
Definição 184. Seja V um espaço vetorial. Um produto interno sobre V é uma função
de V × V em R, denotada por h, i, que associa a cada par de vetores u, v ∈ V um número
real hu, vi e que satisfaz as seguintes propriedades:
i) hu, ui > 0, se u 6= 0.
ii) hu, vi = hv, ui, para quaisquer u, v ∈ V .
iii) hu + v, wi = hu, wi + hv, wi, para quaisquer u, v, w ∈ V .
iv) hλ.u, vi = λ.hu, vi, para quaisquer u, v ∈ V e λ ∈ R.
Seja V um espaço vetorial com pruduto interno h, i. Então, das definições de produto
interno e de norma, temos que:
• kvk = 0 se, e somente se, v = 0.
• kvk ≥ 0, para todo v ∈ V .
• kλ.vk = |λ|.kvk, para quaisquer v ∈ V e λ ∈ R.
Exemplo 190. Considere o espaço vetorial R2 p com o produto interno canônico. Então,
2
para cada v = (v1 , v2 ) ∈ R , tem-se que kvk = v12 + v22 . Assim, o vetor v = (1, 0) tem
norma 1.
Exemplo 191. Agora, considere o espaço vetorial R2 com o produto p interno dado no
Exemplo 187. Logo, para cada v = (v1 , v2 ) ∈ R2 , tem-se que √
kvk = 2v12 + v22 . Daı́, com
respeito a esta norma, o vetor v = (1, 0) tem norma igual a 2.
O teorema que veremos a seguir apresenta uma desigualdade, conhecida por Desigualdade
de Schwarz, que é muito útil no estudo da Álgebra Linear, além de outros ramos da
Matemática.
Teorema 193. (Desigualdade de Schwarz) Seja V um espaço vetorial com produto in-
terno. Então,
|hu, vi| ≤ kuk.kvk , ∀u, v ∈ V.
Ortogonalidade
Definição 194. Seja V um espaço com produto interno h, i. Dizemos que u, v ∈ V são
ortogonais, indicamos u⊥v, se hu, vi = 0.
Observe que o vetor nulo 0 é ortogonal a todos elementos de um espaço vetorial V com
produto interno, já que h0, vi = 0, ∀v ∈ V .
Exemplo 195. Considere o espaço R2 com o produto interno canônico. Então, os vetores
u = (2, −1) e v = (2, 4) são ortogonais, já que hu, vi = 2.2 + (−1).4 = 0.
Exemplo 197. Considere R2 com o produto interno canônico. Seja A = {(−1, 2), (6, 3)}.
Então, A é um conjunto ortogonal, pois h(−1,p √ + 2.3 = −6 + 6 = 0.
2), (6, 3)i = (−1).6
2 2
Mas, A não é ortonormal, já que k(−1, 2)k = (−1) + 2 = 5 6= 1.
( √ √ √ √ )
2 2 2 2
Exemplo 198. Considere R3 com o produto interno canônico. Seja A = ( , , 0), ( ,− , 0) .
2 2 2 2
√ √ √ √ √ √
2 2 2 2 2 2
Então, A é um conjunto ortonormal, pois h( , , 0), ( ,− , 0)i = 0, k( , , 0)k =
√ √ 2 2 2 2 2 2
2 2
1 e k( ,− , 0)k = 1.
2 2
hv, wk i
Como wk 6= 0, para todo k, e hwk , wk i = kwk k2 , segue que ak = .
kwk k2
n
X hv, wi i
Portanto, v = .wi .
i=1
kwi k2
Como hwk , wk i 6= 0, para todo k, pois wk 6= 0, então ak = 0, para todo k, e segue que W
é linearmente independente.
Exemplo 201. Considere Rn com o produto interno canônico. Então, a base canônica
{e1 , e2 , . . . , en } de Rn é um conjunto ortonormal, já que hei , ej i = 0, se i 6= j, e hei , ei i =
1 ⇒ kei k = 1, para todo i = 1, 2, . . . , n. Assim, a base canônica é um exemplo de base
ortonormal de Rn .
Será que todo espaço vetorial de dimensão finita com produto interno possui uma base
ortonormal?
A resposta é sim. Veremos que, se V é um espaço de dimensão finita com produto interno,
é possı́vel, a partir de uma base qualquer de V , construir uma base ortonormal de V . Este
processo é chamado de processo de ortonormalização de Gram-Schmidt e consiste
no seguinte.
Seja V um espaço vetorial de dimensão finita n com produto interno. Seja B = {v1 , v2 , . . . , vn }
uma base de V .
1) defina w1 = v1
hw1 , v2 i
2) defina w2 = v2 − .w1
hw1 , w1 i
É importante observar que w2 6= 0 , já que {v1 , v2 } é linearmente independente.
Suponhamos que para um inteiro n > 1 arbitrário o algoritmo é válido, ou seja, o processo
produz uma base ortonormal B 00 = {u1 , u2 , . . . , un } para qualquer espaço V de dimensão
n.
Agora, sejam V um espaço com produto interno de dimensão n+1 e B = {v1 , v2 , . . . , vn , vn+1 }
uma base de V . Pela hipótese de indução, é possı́vel, a partir de {v1 , v2 , . . . , vn }, obter
uma base ortogonal {u1 , . . . , un } para o espaço V 0 gerado por {v1 , v2 , . . . , vn }. Definindo
o vetor wn+1 por
Xn
wn+1 = vn+1 − hui , vn+1 i.ui ,
i=1
Exemplo 203. Considere o espaço R2 com o produto interno usual. Utilizando o processo
de ortonormalização de Gram-Schmidt, vamos construir uma base ortonormal de R2 a
partir da base B = {(2, 0), (−1, 1)}, a qual claramente não é ortonormal.
1) w1 = (2, 0)
(2, 0) (2, 0)
Finalmente, tomando u1 = = = (1, 0) e u2 = w2 = (0, 1), já que kw2 k = 1,
k(2, 0)k 2
temos que {u1 , u2 } é uma base ortonormal de R2 .
107
Exemplo 204. Considere o espaço R3 com o produto interno usual. Encontre uma base
ortonormal para R3 a partir da base {(1, 1, 1), (0, 2, 1), (0, 0, 1)}.
1) w1 = (0, 0, 1)
h(0, 0, 1), (1, 1, 1)i 1
2) w2 = (1, 1, 1) − .(0, 0, 1) = (1, 1, 1) − (0, 0, 1) = (1, 1, 0)
h(0, 0, 1), (0, 0, 1)i 1
h(0, 0, 1), (0, 2, 1)i h(1, 1, 0), (0, 2, 1)i
3) w3 = (0, 2, 1) − .(0, 0, 1) − .(1, 1, 0)
h(0, 0, 1), (0, 0, 1)i h(1, 1, 0), (1, 1, 0)i
= (0, 2, 1) − (0, 0, 1) − (1, 1, 0) = (−1, 1, 0)
Seguindo os exemplos feitos nesta seção, faça os exercı́cios para uma melhor fixação do
processo de ortonormalização de Gram-Schmidt.