Algebra Linear
Manoel Campelo
Marco, 2007
1
Sum
ario
1 Espa
cos Vetoriais e Transforma c
oes Lineares 1
1.1 Espacos vetoriais reais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Transformacoes lineares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2 Matrizes 4
2.1 Definicoes e operacoes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2.2 Matrizes particionadas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.3 Operacoes elementares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.4 Formas escalonadas e posto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.5 Inversas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.6 Matrizes invertveis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.7 Matrizes quadradas especiais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
3 Transforma c
oes Lineares Matrizes 18
3.1 Relacoes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
3.2 Transformacoes de equivalencia e similaridade . . . . . . . . . . . . . . . . . . . . 20
4 Sistemas Lineares 21
5 Espa
cos normados 23
5.1 Produtos escalares e ortogonalidade . . . . . . . . . . . . . . . . . . . . . . . . . 23
5.2 Normas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
6 Autovalores e Autovetores 25
Refer
encias Bibliogr
aficas 25
i
1 Espacos Vetoriais e Transforma
co
es Lineares
1.1 Espacos vetoriais reais
Definicao 1 Um espa co vetorial real V e um conjunto n ao-vazio de objetos (chamados ve-
tores) tais que as seguintes propriedades valem para todos x, y, z V e , R:
1. x + y V ,
2. x + y = y + x, (x + y) + z = x + (y + z),
4. x V ,
5. (x + y) = x + y, ( + )x = x + x, (x) = ()x,
6. 1x = x, 1 R, para todo x V .
Ao longo de todo o texto vamos lidar apenas com espacos vetoriais reais, que, por sim-
plicidade, serao referenciados apenas como espacos vetoriais. Adicionalmente, a letra V sera
reservada para denotar um espaco vetorial, a menos que especificado o contr
ario.
Ex. 1 S
ao exemplos de espac
oes vetoriais reais:
i. Rn e Cn , com as operac
oes usuais de soma e multiplicac
ao por escalares;
Definic
ao 2 Um conjunto n ao-vazio U V e um subespa co vetorial de V se U e, ele
pr
oprio, um espaco vetorial, ou seja, se dados x, y U e R, ent
ao:
1. x + y U ,
2. x U ,
3. 0 U .
Ex. 2 S
ao exemplos de subespacos vetoriais dos espacos enumerados no Ex. 1:
1
Exerccio 2 Mostre que os subconjuntos acima s
ao realmente subespacos vetoriais.
Defini
Pp cao 3 Dados S = {v 1 , v 2 , . . . , v p } V e 1 , 2 , . . . , p R, dizemos que o vetor v =
i e uma combina
i=1 i v cao linear de S.
Definic
ao 4 O espa co gerado por um subconjunto S V , denotado por span(S), e o conjunto
de todas as combinac
oes lineares de seus subconjuntos finitos, ou seja,
X 0
span(S) = { v v : R|S | }.
vS 0 S
Defini c
ao 5 Um conjunto de vetores S V e dito linearmente dependente (LD) se o vetor
nulo e uma combinac
ao linear n
ao-nula de um subconjunto finito seu. Do contr
ario, o conjunto
e dito linearmente independente (LI), isto e,
X
S e LI S 0 S, finito: v v = 0 = 0.
vS 0
Observa c
ao 1 A propriedade de independencia linear se refere ao conjunto como um todo. Por
exemplo, o conjunto {(1, 0), (0, 1), (1, 1)} e LD, embora dois-a-dois os vetores sejam LI.
Proposi
cao 1 Seja S V . Temos que:
1. se S 0 S e LD ent
ao S e LD;
3. se v span(S) ent
ao S v e LD;
5. se u span(S \ u) ent
ao span(S) = span(S \ u);
7. se u span(S), u 6= 0, ent
ao existe v S tal que span(S) = span(S \ v u).
Defini
cao 6 Um subconjunto S V e dito uma base de V se:
1. S e LI, e
2. span(S) = V (S gera V ).
Observa
cao 2 Para um mesmo espaco vetorial, pode existir mais de uma base.
Teorema 2 Se Sp = {v 1 , v 2 , . . . , v p } e Sn = {u1 , u2 , . . . , un } s
ao bases de V , ent
ao p = n.
2
Definic
ao 7 O n umero de vetores que definem uma base de V e dito a dimens
ao de V , deno-
tada por dim(V ). Definimos ainda dim(0) = 0.
Prova: Pela hipotese, temos que V 6= span(Sp ). Ent ao existe v p+1 V \ span(Sp ) tal que
Sp+1 = Sp v p+1 e LI. Se p + 1 6= n, o mesmo raciocnio se aplica. Do contr
ario, temos que Sn
e uma base para V .
Definic
ao 8 Sejam 1 2 n
Pn B =i {v , v , . . . , v } uma base para V e v V . Os escalares x1 , x2 , . . . , xn
R tais que v = i=1 xi v s
ao ditos as coordenadas de v na base B.
Observa c
ao 3 Pela propriedade acima, todo espaco vetorial n-dimensional pode ser relacionado
a Rn . Precisamente, fixada uma base, cada vetor de V est a relacionado a um u nico vetor de
Rn .
1.2 Transforma
coes lineares
Definic
ao 9 Sejam U e V dois espacos vetoriais. Um operador (aplica
cao, transforma
cao)
T de U em V (que denotamos T : U V ) e um mapeamento que associa a cada vetor de U um
vetor de V . Dizemos que T e um operador linear se, dados x, y U e , R, temos que
T(x + y) = T(x) + T(y).
Ex. 3 S
ao exemplos de transformac
oes lineares:
P
i. U = Rn , V = R, T(x) = ni=1 xi .
Defini
cao 10 Dada uma transformac
ao linear T : U V , definimos:
1. domnio de T: dom(T) = U
2. (espa
co) imagem de T: I(T) = T(U ) = {y V : T(x) = y, para algum x U }
3. n
ucleo (ou espa
co nulo) de T: N (T) = {x U : T(x) = 0}
3
Proposic ao linear e {u1 , u2 , . . . , up } e uma base de U
ao 5 Se T : U V e uma transformac
ao T(U ) = span(Tu1 , Tu2 , . . . , Tup ).
ent
1. q = dim(U ): Entao B e base para U e I(T) = span(Tu1 , Tu2 , . . . , Tuq ) = {0}. Trivial-
mente, a equacao desejada e obtida.
2. q < dim(U ) = n: Sejam uq+1 , . . . , un tais que, juntamente com B, formam uma base para
U . Para mostrarmos a equacao desejada e suficiente provarmos que D = {Tuq+1 , . . . , Tun }
e uma base para I(T).
D e LI: Suponha que D seja LD. Entao, existem i , i = q + 1, . . . , n, nao todos nulos
tais que:
X n Xn
0= i T(ui ) = T i ui .
i=q+1 i=q+1
Pn
Isto significaria dizer que v = i=q+1 i ui N (T), ou ainda v span(B): o que e
um absurdo, pois B {uq+1 , . . . , un } e LI. Logo, D e LI.
I(T)P
= span(D): Seja y I(T). Ent ao y = T(x), para algum x U , ou seja, com
n i
x = i=1 i u para i R, i = 1, 2, . . . , n. Assim,
n ! n n
X X X
i
y=T i u = i T(ui ) = i T(ui ),
i=1 i=1 i=q+1
implicando que y span(D). Logo, I(T) span(D). E a igualdade segue, dado que
inclusao reversa e trivial.
2 Matrizes
2.1 Definic
oes e operaco
es
Defini
cao 11 Uma matriz real e um arranjo de escalares reais dispostos em linhas e colunas.
Se o n
umero de linhas e igual ao de colunas, temos uma matriz quadrada; caso contr ario,
uma matriz retangular.
4
O elemento que se encontra na i-esima linha e na j-esima coluna de uma matriz A sera
denotado por aij . Quando se desejar dar enfase aos elementos, uma matriz A ira ser reprentada
alternativamente por [aij ]. Alem disso, para explicitarmos o numero m de linhas e o n
umero n
de colunas, usaremos a notacao mn subescrita `a identificac
ao da matriz. Vamos denotar por
Rmn o conjunto de todas as matrizes reais com m linhas e n colunas.
Defini
cao 12 Um vetor real e uma tupla de escalares reais.
ou vetor-linha
x = (x1 , x2 , . . . , xn ) .
Por conveniencia, vamos identificar o espaco dos vetores-coluna Rn com Rn1 , o espaco dos
vetores-linha com R1n , e o espaco dos escalares R com R11 . Para i = 1, 2, . . . , n, o i-esimo
vetor canonico de Rn sera denotado por
0
..
.
0
ei =
1
0
..
.
0
onde o u
nico elemento nao nulo aparece na i-esima posic ao. A matriz identidade em Rnn e a
matriz
In = [e1 e2 en ].
As operacoes abaixo podem ser definidas com matrizes. Algumas de suas propriedades sao
enumeradas em seguida.
(A + B) + C = A + (B + C)
A+B =B+A
0 + A = A, onde 0 e matriz com todas as entradas nulas.
3. multiplica
cao por escalar: Cmn = Amn cij = aij , i, j
( + )A = A + A
(A + B) = A + B
(A) = ()A
5
(1)A = A
Pp
4. multiplica c
ao entre matrizes: Cmn = Amp Bpn cij = k=1 aik bkj , i, j. Em
particular, para vetores temos:
P
(a) produto interno: at b = i ai bi
(b) produto externo: abt = [cij ], onde cij = ai bj , i, j
A(B + C) = AB + AC e (A + B)C = AC + BC
(AB)C = A(BC)
C = AB, D = BA 6 C = D
AB = 0 6 A = 0 ou B = 0
P A = P B 6 A = B
5. transposi
cao: Cnm = Atmn cij = aji , i, j (C e dita a transposta de A)
(A + B)t = At + B t
(A)t = (At )
(AB)t = B t At
Exerccio 10 Mostre que (AB)t = B t At .
Exerccio 11 Mostre que se A = B ent ao P A = P B para qualquer matriz P de dimens ao
adequada. De um contra-exemplo n
ao trivial (P 6= 0) mostrando que a implicac
ao inversa n
ao
e correta.
Exerccio 12 Mostrar que Rmn e um espaco vetorial com as operac
oes de soma e multiplicac
ao
por escalar definidas acima. Exibir uma base para R mn e determinar a dimensao desse espaco.
e qj=1 nj = n
Ex. 5 Exemplo de uma matriz particionada.
1 2 3 4 5 6 A11 A12 A13
7 8 9 10 11 12 A=
A21 A22 A23
A56 = 13 14 15 16 17 18
19 20 21 22 23 24 m1 = 2, m2 = 3,
25 26 27 28 29 30 n1 = 2, n2 = 1, n3 = 3
6
1. escalar vetor:
a1 a1
a2 a2
a = .. = .. ,
. .
ak ak
at = (a1 )t (a2 )t . . . (ak )t = (a1 )t (a2 )t . . . (ak )t ,
onde ai Rni .
2. vetor-linha vetor-coluna (produto interno):
1
b
b2 Xk
at b = (a1 )t (a2 )t . . . (ak )t . = (ai )t bi ,
..
i=1
bk
onde ai , bi Rni .
3. vetor-coluna vetor-linha (produto externo):
(a) particionando o vetor-coluna por linhas
1 1 t
a a b
a2 a2 bt
abt = . b = . ,
.
. .
.
a p ap bt
onde ai Rni . Tomando ni = 1, i, vemos que cada linha da matriz abt e dada pelo
elemento correspondente em a multiplicado pelo vetor bt (item 1).
(b) particionando o vetor-linha por colunas
abt = a (b1 )t (b2 )t . . . (bq )t = a(b1 )t a(b2 )t . . . a(bq )t ,
0
onde bi Rni . Similarmente, fazendo n0i = 1, i, conclumos que cada coluna da
matriz abt e o produto do elemento correspondente em bt pelo vetor a (item 1).
(c) particionando ambos os vetores
1 1 1 t 1 2 t
a a (b ) a (b ) a1 (bq )t
a2
a2 (b1 )t a2 (b2 )t a2 (bq )t
t 1 t 2 t q t
ab = . (b ) (b ) . . . (b ) = ..
.. .
a p p 1 t p 2 t
a (b ) a (b ) p q
a (b ) t
0
onde ai Rni e bi Rni .
4. matriz vetor-coluna:
(a) particionando a matriz por colunas
b1
b2 X k
Ab = [A1 A2 . . . Ak ] .. = Ai bi ,
.
i=1
bk
onde Ai Rmni e bi Rni . Particularmente, escolhendo ni = 1, i, notamos que
Ab e uma combinacao linear das colunas de A ponderadas pelas componentes de b
(repeticoes do item 1).
7
(b) particionando a matriz por linhas
A1 A1 b
A2 A2 b
Ab = .. b = .. ,
. .
Ap Ap b
5. vetor-linha matriz:
6. matrix matriz:
8
Similarmente, se Ai e uma linha de A, entao Ai B e uma multiplicac
ao do tipo vetor
matriz, que pode ser decomposta segundo as duas maneiras apresentadas nos itens
5a e 5b. Note, em particular, que a i-esima linha de AB e a combinac ao linear das
linhas de B pondedaras pelas componentes da i-esima linha de A.
(d) particionando a matriz `a esquerda por linhas e `a direita por colunas
A1 A1 B1 A1 B2 A1 Bq
A2 A2 B1 A2 B2 A2 Bq
AB = . [B1 B2 . . . Bq ] = ..
.
. .
Ap Ap B1 Ap B2 Ap Bq
Exerccio 13 Considerando o particionamento descrito no item 6a para pi = 1 e as duas
formas de decomposic
ao sugeridas para o produto externo, elabore dois algoritmos para calcular
o produto de duas matrizes. Faca o mesmo com relacao aos itens 6b e 6c.
t
Exerccio 14 Sejam A = [Aij ] e B = [Bij ] matrizes na forma particionada tais que Aij , Bij
Rmi ni . Mostrar que B = At se, e somente se, Bij = Atji , i, j.
2.3 Operac
oes elementares
As operacoes elementares sobre linhas de uma matrizes sao de tres tipos:
Li Lj : troca de duas linhas Li e Lj ;
Li kLi : multiplicacao de uma linha Li por uma constante nao-nula k;
Li Li + kLj : substituicao de uma linha Li por ela mesma somada a um m
ultiplo nao-
nulo k de uma outra linha Lj (j 6= i).
Observa cao 4 Podemos definir similarmente operac
oes elementares sobre colunas de uma ma-
triz Ci Cj , Ci kCi e Ci Ci + kCj , onde Ci e Cj representam colunas distintas e k, um
escalar n
ao-nulo.
Vamos denotar por Eij , Ei (k) e Eij (k) as matrizes obtidas, a partir de uma identidade,
quando aplicamos as operacoes Li Lj , Li kLi e Li Li + kLj , respectivamente. Tais
matrizes sao chamadas elementares.
ao da forma I + uv T , onde e um
Exerccio 15 Mostre que as matrizes Eij , Ei (k) e Eij (k) s
escalar e u e v s
ao vetores apropriados.
t = E e E t (k) = E (k).
Exerccio 16 Mostre que Eij ij i i
9
2.4 Formas escalonadas e posto
Defini
cao 15 Uma matriz est
a na forma escalonada por linhas se:
se c < c1 ent
ao c e uma coluna nula;
se ci < c < ci+1 ent
ao os m i u
ltimos elementos de c s
ao nulos;
se c > ck ent
ao os m k u
ltimos elementos de c s
ao nulos.
c1 c2 c3
0 0 1 X X 0 X X 0 X X
0 0 0 0 0 1 X X 0 X X
0 0 0 0 0 0 0 0 1 X X
0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0
Observa c
ao 5 A forma definida acima e algumas vezes chamada de escalonada reduzida, quando
se deseja diferenciar de uma outra forma tambem dita escalonada. Nesta outra forma, em vez
de se exigir que cada coluna ci , i = 1, 2, . . . , k, seja o vetor can
onico ei , pede-se que seja um
multiplo n
ao-nulo deste somado a uma combinac ao linear qualquer de e1 , e2 , . . . , ei1 . Esque-
maticamente, os (i 1) primeiros elementos s ao quaisquer, o i-esimo e n ao-nulo e os m i
u
ltimos sao nulos.
Defini
cao 16 Uma matriz esta na forma escalonada por colunas se sua transposta est
a na
forma escalonada por linhas.
Proposi c
ao 9 Toda matriz pode ser reduzida ` a forma escalonada por linhas (resp. por colunas)
atraves de operac
oes elementares por linhas (resp. por colunas).
Exerccio 19 Apresente um algoritmo para encontrar a forma escalonada por linhas de uma
matriz A Rmn .
Corolario 10 A forma escalonada por linhas (resp. por colunas) de uma matriz e A e F A (resp.
AF ), onde F e uma matriz produto de matrizes elementares por linhas (resp. por colunas).
Proposic
ao 11 A forma escalonada por linhas (resp. por colunas) de uma matriz e u nica, n
ao
importanto a sequencia de operac
oes elementares por linhas (resp. por colunas) realizada.
10
Como as linhas de Z sao combinacoes lineares das linhas de X, temos que Z = RX, para
alguma matriz R. Suponha, agora, que as colunas de X sao LD. Ent ao existe vetor a 6= 0 tal
que Xa = 0, implicando que
X Xa
a= = 0.
Z RXa
X
Mas isto e um absurdo, pois as colunas de sao LI. Logo, as q colunas de X, que sao
Z
vetores de Rp , sao LI, garantindo que q p.
Similarmente, sendo as colunas de Y combinac oes lineares das colunas de X, segue-se que
Y = XS, para alguma matriz S. Suponha que as linhas de X sao LD, ou seja, que existe vetor
b 6= 0 tal que bt X = 0. Com isso, chegaramos a conclusao de que bt [X Y ] = [bt X bt XS] = 0: um
absurdo, pois as linhas de [X Y ] sao LI. Consequentemente, as linhas de X s ao LI, mostrando
que p q.
Defini
cao 17 O posto de uma matriz e igual ao maior n
umero de linhas (ou colunas) LI.
Observa cao 6 O posto de uma matriz e a dimensao do subespaco gerado por suas colunas ou,
equivalentemente, a dimens
ao do subespaco gerado por suas linhas.
Exerccio 23 Seja A Rmn uma matriz com posto(A) = k e P A sua forma escalonada por
linhas. Mostre que a forma escalonada por colunas de P A e
Ik 0
P AQ = .
0 0
2.5 Inversas
Considere que se deseja resolver a equac
ao
x = ,
x = 1 ,
AX = B,
onde A Rmn e B Rmp , poder-se-ia procupar uma matriz Lnm tal que LA = I ou uma
matriz Rnm tal que AR = I. Com isso, tem-se que
11
i. AX = B LAX = LB IX = LB X = LB
ii. X = RB AX = ARB AX = IB AX = B
No primeiro caso, conclumos que, se a equac
ao matricial tem soluc
ao, ela e dada por LB. No
segundo, deduzimos que RB e solucao da equac
ao. Nesse contexto surge o conceito de inversas
de uma matriz.
Defini
cao 18 Seja A Rmn . Uma matriz L Rnm e dita inversa ` a esquerda de A se
LA = Inn . Uma matriz R R nm e chamada inversa `
a direita de A se AR = Imm .
LA = I (LA)R = R L(AR) = R L = R.
Agora, assuma que L0 seja outra inversa `a esquerda de A. Pela primeira parte, temos que L = R
e L0 = R. Logo, L = L0 , mostrando que a inversa `a esquerda e u nica. Consequentemente, a
inversa `a direita tambem e u
nica.
Observa
c possvel que, para uma certa matriz, n
ao 7 E ao exista um dos tipos de inversa ou
mesmo ambos. No primeiro caso, n ao se garante tambem a unicidade.
Proposi
cao 16 As seguintes caracterizac ao verdadeiras sobre uma matriz A Rmn :
oes s
i. A tem inversa `
a esquerda se, e somente, se posto(A) = n
Ax = 0 LAx = 0 x = 0.
Logo, posto(A) = n.
Segue-se que:
t t t t t Inn
(A F F )A = (A F )(F A) = (F A) (F A) = [Inn 0n(mn) ] = I.
0(mn)n
12
Exerccio 24 Demonstre a Proposic
ao 16(ii).
Defini ao 19 Uma inversa generalizada de uma matriz A Rmn e uma matriz G Rnm
c
tal que AGA = A.
Proposicao 18 Se a equac
ao matricial AX = B tem soluc
ao e G e uma inversa generalizada
de A, ent
ao GB e uma soluc
ao.
Exerccio 25 Seja A Rmn tal que posto(A) = min{m, n}. Mostre que G e uma inversa
generalizada se, e somente se, G e uma inversa `
a direita ou `
a esquerda.
Uma forma para se obter inversas generalizadas de uma matriz A Rmn e a seguinte.
Sejam P a matriz tal que P A e a forma escalonada por linhas de A e Q a matriz que fornece a
forma escalonada por colunas (P A)Q de P A. Assim, sendo k = posto(A), tem-se que
Ik 0
P AQ = . (1)
0 0
Tais matrizes P e Q podem ser usadas como base para encontrar inversas generalizas de A.
Corol
ario 20 Uma matriz que tem inversa `
a direita e `
a esquerda e quadrada.
Definic
ao 20 Se uma matriz quadrada A tem inversa (` a esquerda ou `
a direita), ela e dita
nica, e denotada por A1 .
invertvel. Nesse caso, tal inversa, que e u
13
1
Exerccio 26 Mostre que Eij = Eij , (Ei (k))1 = Ei (k 1 ) e (Eij (k))1 = Eij (k).
1. (AB)1 = B 1 A1
2. (A1 )1 = A
3. (At )1 = (A1 )t
Observe que uma matriz quadrada e invertvel se, e somente se, a equac
ao matricial AX = B
nica X = A1 B, para qualquer matriz B. Outras caracterizac
tem solucao u oes sao apresentadas
a seguir.
1. A e invertvel
3. posto(A) = n
4. as linhas(ou colunas) de A s
ao LI
5. Ax = 0 x = 0
6. xt A = 0 x = 0
Exerccio 33 Seja A Rmn com posto(A) = k. Mostre que existem B Rmk e C Rkn
com posto(B) = posto(C) = k tais que A = BC. (sug.: use a express
ao (1).)
Exerccio 34 Seja A Rmn . Mostre que posto(A) = 1 se, e somente se, existem b Rm e
c Rn tais que A = bct .
14
Matriz-banda
Uma matriz A = [aij ] Rnn e dita matriz-banda, com largura de banda inferior p 0 e
largura de banda superior q 0 se aij = 0 para todos i > j + p e j > i + q. Neste caso, vamos
dizer que A e banda p q.
Abaixo temos o exemplo de uma matriz 6 6 com largura de banda inferior p = 1 e largura
de banda superior q = 2. A marca representa um valor arbitrario. Observe que p e q s ao
respetivamente o numero de diagonais secundarias abaixo e acima da diagonal principal onde
possivelmente aparecem elementos nao nulos.
0 0 0
0 0
0 0
0 0
0 0 0
0 0 0 0
Existem denominacoes proprias para casos especficos de matrizes banda, conforme o quadro
a seguir.
Exerccio 36 Sejam D Rnn uma matriz diagonal e A Rmn , B Rnm matrizes quais-
quer. Ent
ao, a i-esima linha de DB (resp. coluna de AD) e a i-esima linha de B (resp. coluna
de A) multiplicada por dii , para i = 1, 2, . . . , n.
Observa c
ao 8 O conceito de matriz-banda pode ser estendido diretamente para uma matriz
retangular A Rmn . Da mesma forma, podem ser usadas as denominac oes apresentadas na
tabela acima, com o cuidado de considerar p como func
ao de m em vez de n (por exemplo,
p = m 1 na matriz retangular triangular inferior).
15
Matriz bloco-banda
Uma matriz particionada A = [Aij ] Rnn e dita bloco-banda, com largura de banda
inferior p 0 e largura de banda superior q 0 se Aij = 0 para todos i > j + p e j > i + q.
Matrizes sim etrica e anti-sim etrica Uma matriz A Rnn e simetrica se e igual a sua
transposta (A = A ), e anti-simetrica se e o inverso aditivo de sua transposta (A = At ).
t
Exerccio 38 Mostre que toda matriz quadrada e a soma de uma matriz simetrica e outra
anti-simetrica.
i. P t = P 1
v. Se A e simetrica, tambem o e P AP t .
16
Matriz ortogonal
Uma matriz P Rnn e uma matriz de ortogonal se P t P = P P t = I, ou seja, se sua
inversa e igual a sua transposta.
Exerccio 40 Mostre que s
ao ortogonais as seguintes matrizes:
i. matrizes elementares;
ii. matrizes de permutaca
o;
iii. o produto de matrizes ortogonais;
2 t
iv. Hv = In v t v vv , para todo v Rn .
v. Gij = In + (cos 1)(ei eti + ej etj ) + sin (ei etj ej eti ), para 1 i < j n e [0, 2].
Matriz (semi)definida
Uma matriz A Rnn e definida positiva se xt Ax > 0 para todo x Rn , x 6= 0, e semi-
definida positiva se xt Ax 0 para todo x Rn . Por outro lado, a matriz A ser
a definida
negativa (resp. semi-definida negativa) se A for definida positiva (resp. semi-definida
positiva). Se nenhuma dessas propriedades ocorre, a matriz e dita indefinida.
Observa c
ao 10 O conceito de definic
ao positiva ou negativa de uma matriz vem comumente
ligado ao de simetria. Isto porque x Ax = 21 xt Bx, onde B e a matriz simetrica A+At . Por isso,
t
em geral, quando se toma uma matriz (semi-)definida positiva ou negativa costuma-se assumir
que ela seja tambem simetrica.
Proposi
cao 23 Sejam A Rnn e B Rnm . Mostre que:
i. Se A e (simetrica) semi-definida positiva, B t AB e (simetrica) semi-definida positiva;
ii. Se A e (simetrica) definida positiva, B t AB e (simetrica) definida positiva quando B tem
inversa `
a esquerda;
Exerccio 41 Demonstre a propriedade acima.
Defini c
ao 21 Seja A uma matriz quadrada com linhas e colunas indexadas por I = {1, 2, . . . , n}.
Uma submatriz principal de A e uma submatriz obtida excluindo as linhas e colunas inde-
xadas pelo mesmo conjunto I 0 I. Adicionalmente, uma submatriz principal e dita submatriz
lder se I 0 = {p, p + 1, . . . , n}, para algum p > 1.
ao B = X t AX, para alguma
Exerccio 42 Mostre que, se B e uma submatriz principal de A, ent
matriz X. (sug.: obtenha X como submatriz da identidade)
Teorema 24 Se A e (simetrica) definida positiva ent
ao toda submatriz principal de A e (simetrica)
definida positiva. Em particular, todos os elementos da diagonal s
ao positivos.
Exerccio 43 Mostre o resultado acima. O que pode ser dito com respeito a uma matriz
(simetrica) semi-definida positiva?
Exerccio 44 Seja A Rnn uma matriz simetrica simi-definida positiva. Mostre que:
i. |aij | (aii + ajj )/2, i, j = 1, 2, . . . , n (sug.: use o fato de que xt Ax 0 para x = ei + ej
e x = ei ej .)
ii. maxi,j=1,2,...,n |aij | maxi=1,2,...,n aii
iii. |aij | aii ajj , i, j = 1, 2, . . . , n, i 6= j (sug.: use o fato de que xt Ax 0, onde
x = ei + ej , para todo R.)
iv. dado i {1, 2, . . . , n}, se aii = 0 ent
ao aij = aji = 0 para todo j = 1, 2, . . . , n.
17
3 Transformaco
es Lineares Matrizes
3.1 Relac
oes
Nesta subsecao, apresentamos estreitas relac
oes entre matrizes e transformac
oes lineares. Comeca-
mos por mostrar que cada matriz A Rmn corresponde a uma transformac ao linear A : U V
tal que dim(U ) = n e dim(V ) = m, e vice-versa.
18
Exerccio 46 Seja A : R2 R2 a transformac ao identidade, ou seja, quando A(x) = x.
Encontre a matriz correspondente, considerando {e1 , e2 } como base do domnio e {e1 , e1 +e2 }
como base da imagem.
Proposi c
ao 27 Se A : U V e B : V W s ao duas trasnformacoes lineares e A e B, as
matrizes associadas, ent
ao a tranformac
ao composta B A : U W , onde (B A)(u) = B(A(u))
e definida por BA.
Proposi
c ao linear e A Rmn a matriz associada
ao 28 Se A : U V e uma transformac
ent
ao:
i. dim(I(A)) = posto(A).
ii. dim(N (A)) = dim(N (A)).
19
A
x = (x1 , x2 , . . . , xn ) Ax = y = (y1 , y2 , . . . , ym )
&
%BU BV
U 3u Q P v = Au V
V
B
&BU %
A x = y = (
x
= (
x1 , x
2 , . . . , x
n ) A y1 , y2 , . . . , ym )
Logo,
Exerccio 49 Mostre que z Rn se, e somente se, z = x + y para x I(At ) e y N (A), onde
A Rmn .
3.2 Transforma
coes de equival
encia e similaridade
A relacao entre diferentes matrizes A e A que representam uma mesma transformac ao linear
A : U V , mas foram obtidas a partir de diferentes bases de U e V e vista a seguir. Conforme
ilustra a figura 1, sejam:
1. n = dim(U ) e m = dim(V );
U bases para U , BV e B
2. BU e B V bases para V ;
3. x e x U , respectivamente;
as coordenadas de u U em BU e B
V , respectivamente;
4. y e y as coordenadas de v = Au V em BV e B
Entao
y = Ax, x = Q
x e y = P y.
Consequentemente
AQ
x = y = P AQ
x = P y = P AQ
x = y,
levando a
A = P AQ. (2)
20
U = B
Um caso especial no desenvolvimento acima ocorre quando U = V , BU = BV e B V .
1
Neste caso e facil ver que P = Q , de modo que
A = Q1 AQ. (3)
As relacoes (2) e (3) sao bastante importantes e conduzem `as seguintes definic
oes:
Matrizes equivalentes representam uma mesma transformac ao linear. Uma questao que se
apresenta e entao qual a matriz mais simples que representa uma transformac
ao linear, levando
ao estudo de formas canonicas. Adicionalmente, matrizes similares tem papel fundamental no
estudo de autovalores e autovetores.
4 Sistemas Lineares
Um sistema linear (de equacoes lineares) e uma equac
ao matricial da forma
Ax = b,
Ati x = bi , i = 1, 2, . . . , m,
i. tem soluc
ao (e consistente);
ii. b I(A);
i. a soluc
ao u
nica;
21
ario 33 Sejam A Rmn e b Rm com posto(A) = posto([A b]) < n. Ent
Corol ao o sistema
Ax = b tem infinitas soluc
oes.
Pelo exposto acima, as possibilidades para um sistema Ax = b podem ser definidas a partir
das relacoes entre posto(A) e posto([A b]), enquadrando-se em um, e somente um, dos seguintes
casos:
posto(A) < posto([A b]) = inconsistente
m = n: solucao u
nica Rb
m < n: infinitas solucoes, uma delas sendo Rb
Ax = AGb = AGA
x = A
x = b,
Teorema 35 (Alternativas de Fredholm) Para A Rnn , ocorre uma, e somente uma, das
seguintes alternativas:
22
i. Ax = 0 tem soluc
ao n
ao-nula; ou
Uma ideia simples mas fundamental para a determinac ao de soluc oes de um sistema linear
se refere a transformacao desse sistema em outro de mais facil analise.
5 Espacos normados
Nesta secao vamos denotar por V um espaco vetorial real.
Exerccio 51 Seja Q uma matriz definida positiva. Mostre que < , >Q : Rn Rn R tal que
< x, y >Q = xt Qy e um produto escalar.
Observa ao 11 Em Rn o produto escalar usual e definido por < x, y >= xt y. A menos que
c
especificado o contr
ario, usaremos sempre esse produto escalar.
23
Exerccio 53 Mostre que a matriz Grammiana e sempre semi-definida positiva. Mostre ainda
que ela e definida positiva se, e somente se, o conjunto de vetores e LI.
Definic ao-nulos v 1 , v 2 , . . . , v p s
ao 25 Os vetores n ao ortogonais, com respeito a um produto
escalar < , >, se
< v i , v j >= 0, i, j = 1, 2, . . . , p, i 6= j.
ao ditos ortonormais se, adicionalmente, < v i , v i >= 1, para i = 1, 2, . . . , n.
E s
Exerccio 56 Mostre que uma matriz e ortogonal se, e somente se, suas linhas e colunas s
ao
ortonormais.
5.2 Normas
Defini cao 26 Uma norma em V e uma func
ao k k: V R que, dados x, y V e R,
satisfaz:
i. kxk 0 e kxk= 0 x = 0;
Proposi
c ao k k tal que k x k=< x, x >1/2 e uma
ao 37 Se < , > e um produto escalar, ent
norma.
24
iii. kxk kxk2 n kxk
Tambem em Rmn podemos definir varias normas. Novamente, as mais usadas encontram-se
entre aquelas derivadas das normas vetoriais lp (p 1) da seguinte forma:
kAxkp x
norma lp : kAkp = max = max A = max kAykp .
x6=0 kxkp x6=0 kxkp p kykp =1
kAxkq
norma lp,q : kAkp,q = max = max kAykq .
x6=0 kxkp kykp =1
Defini c
ao 27 Uma norma matricial e dita consistente se kAB kkAkkB k, para quaisquer
A Rmn e B Rnp . Adicionalmente, dizemos que as normas matriciais ou vetoriais k k,
k k0 e k k00 s
ao mutuamente consistentes se kABkkAk0 kBk00 , para quaisquer A Rmn e
BR np .
6 Autovalores e Autovetores
Refer
encias
[1] R. Horn e C. Johnson. Matrix Analysis. Cambridge University Press, 1999.
[2] B. Noble e J.W. Daniel. Algebra Linear Aplicada. Prentice Hall do Brasil, 1986.
[3] J.M. Ortega. Matrix Theory - a second course. Plenum Press, 1987.
[4] S.R. Searle. Matrix Algebra Useful for Statistics. John Wiley & Sons, New York, 1982.
25