Anda di halaman 1dari 27

Breve Revisao de

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),

3. existe 0 V tal que 0 + x = x, para todo x V ,

4. x V ,

5. (x + y) = x + y, ( + )x = x + x, (x) = ()x,

6. 1x = x, 1 R, para todo x V .

Em relacao `a definicao acima vale observar que:

estao sendo consideradas operacoes de soma e multiplicac


ao por escalar;

o espaco vetorial seria dito complexo se os escalares considerados pertecessem a C.

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;

ii. o conjunto de todos os polin


omios de grau n com coeficientes reais, com operac
oes
usuais;

oes f : Rn R, contnuas em um intervalo [a, b] com:


iii. o conjunto de todas as func

f + g : Rn R tal que (f + g)(x) = f (x) + g(x);


f : Rn R tal que (f )(x) = (f (x)).

Exerccio 1 Mostre que os conjuntos acima s


ao realmente espacos vetoriais.

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:

i. {(x, y, z) R3 : z = 0}, a projec


ao de R3 sobre o plano xy;

ii. {an tn + an1 tn1 + + a1 t + a0 : an + a0 = 0};

iii. f : Rn R, contnuas e diferenci


aveis em um intervalo [a, b]

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

Exerccio 3 Para S V , mostre que span(S) e subespaco vetorial de V .

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;

ao S 0 e LI, para todo S 0 S;


2. se S e LI ent

3. se v span(S) ent
ao S v e LD;

4. S e LD se, e somente se, existe v S tal que v span(S \ v);

5. se u span(S \ u) ent
ao span(S) = span(S \ u);

6. se v span(S) e u span(S \ u) ent


ao v span(S \ u);

7. se u span(S), u 6= 0, ent
ao existe v S tal que span(S) = span(S \ v u).

Exerccio 4 Mostre as propridades enunciadas acima.

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.

Prova: Sejam Sp e Sn bases para V . Suponha que n 6= p e, s.p.g., n > p. Como u1 V =


span(Sp ), existe v i Sp , digamos i = 1, tal que span(Sp ) = span({u1 , v 2 , . . . , v p }). Similarmente,
posto que u2 V = span({u1 , v 2 , . . . , v p }) e {u1 , u2 } e LI, podemos escolher outro vetor em Sp ,
digamos v 2 , tal que span(Sp ) = span({u1 , u2 , v 3 . . . , v p }). Continuando dessa forma por p < n
vezes, chegamos a conclusao que V = span(Sp ) = span({u1 , u2 , . . . , up }). Logo, up+1 , . . . , un
span({u1 , u2 , . . . , up }), o que e um absurdo, pois Sn e LI.

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.

Exerccio 5 Mostre que se dim(V ) = n e S V e conjunto LI ent


ao |S| n.

Lema 3 Seja Sp = {v 1 , v 2 , . . . , v p } um subconjunto LI de V , com p < n = dim(V ). Ent


ao
p+1 n p+1 n
existem vetores v , . . . , v tais que Sp {v , . . . , v } e uma base para V .

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.

Proposi ao 4 Dada uma base B = {v 1 , v 2 , . . . , v n } de V , as coordenadas de cada vetor v s


c ao
u
nicas.
P P
Prova: Sejam (x1 , x2 , . . . , xn ) e (y1 , y2 , . . . , yn ) tais que v = ni=1 xi v i = ni=1 yi v i . Entao,
P n i
i=1 (xi yi )v = 0. Como os vi s s ao LI, conclui-se que xi = yi , para todo i = 1, 2, . . . , n.

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 .

omios de grau n, T(p) = p0 .


ii. U = V =polin

iii. U = V = R2 , T(x, y) = 1/2(x + y, x + y) (projec


ao sobre a reta x = y).

Exerccio 6 Mostre que se T e linear ent


ao T(0) = 0. O que voce pode dizer sobre a implicac
ao
inversa?

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}

4. posto de T: posto(T) = dim(I(T))

Exerccio 7 Para uma transformaca


o linear T, mostre que I(T) e N (T) s
ao subespacos veto-
riais de V e U , respectivamente.

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

Exerccio 8 Mostre a propriedade acima.

Exerccio 9 Seja T : R3 R2 , onde T(x1 , x2 , x3 ) = (x1 + x3 , x2 + x3 ). Mostre que T e uma


ao linear e que T(R3 ) = R2 .
transfromac

Teorema 6 Se T : U V e uma transformac


ao linear ent
ao dim(I(T)) + dim(N (T)) =
dim(U ).

Prova: Seja B = {u1 , u2 , . . . , uq } uma base de N (T). Consideremos dois casos:

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.

Ex. 4 Exemplo de uma matriz com 2 linhas e 3 colunas.



1 0 3
A=
4.75 1/3 7

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.

Conforme sua representacao, vamos diferenciar um vetor em vetor-coluna



x1
x2

x= .
.
.
xn

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 ].

Definicao 13 Duas matrizes A Rmn e B Rpq s ao ditas iguais se m = p, n = q e


aij = bij , para todo i = 1, 2, . . . , m e j = 1, 2, . . . , q.

As operacoes abaixo podem ser definidas com matrizes. Algumas de suas propriedades sao
enumeradas em seguida.

1. Soma: Cmn = Amn + Bmn cij = aij + bij , i, j

(A + B) + C = A + (B + C)
A+B =B+A
0 + A = A, onde 0 e matriz com todas as entradas nulas.

2. inverso aditivo: Cmn = Amn cij = aij , i, j

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.

2.2 Matrizes particionadas


Defini ao 14 Seja A Rmn . Uma submatriz de A e uma matriz obtida de A, excluindo-
c
se algumas linhas ou colunas. Uma parti cao de A e uma divis
ao de A em submatrizes
Pp Aij
m n
R P , para i = 1, 2, . . . , p e j = 1, 2, . . . , q, organizadas em linhas e colunas, com i=1 mi = m
i j

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

Na definicao das operacoes apresentadas na sec


ao 2.1, descrevemos como cada elemento da
matriz resultante e obtido a partir dos elementos das matrizes que devem ser operadas. Uma
observacao importante e que, se os operandos sao matrizes particionadas, as operac oes podem
ser definidas a partir das submatrizes que compoem as partic oes, como se estas fossem escalares,
desde que as dimensoes apropriadas para realizac ao das operac
oes sejam obedecidas. Assim, por
exemplo, se A = [Aij ], B = [Bij ] e C = [Cij ] sao tres matrizes na forma particionada, onde as
particoes correspondentes tem a mesma dimensao, ent ao
C = A + B Cij = Aij + Bij , i, j.
Particularmente, vale a pena destacar a multiplicac
ao de matrizes em algumas formas par-
ticionadas:

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

onde Ai Rmi n . Analogamente, escolhendo mi = 1, i, observamos que cada


elemento de Ab e o produto interno da linha correspondente em A por b (item 2).

5. vetor-linha matriz:

(a) particionando a matriz por colunas



bt A = bt [A1 A2 . . . Ak ] = bt A1 bt A2 . . . bt Ak ,

onde Ai Rmni . Tomando ni = 1, i, vemos que cada elemento de bt A e o produto


interno de b pela coluna correspondente em A (item 2).
(b) particionando a matriz por linhas

A1
A2 Xk

bt A = (b1 )t , (b2 )t , . . . , (bk )t .. = (bi )t Ai ,
.
i=1
Ap

onde Ai Rmi n e bi Rmi . Com mi = 1, i, chegamos a conclusao que bt A e uma


combinacao linear das linhas de A ponderadas pelas componentes de b (item 1).

6. matrix matriz:

(a) particionando a matriz `a esquerda por colunas (e `a direita por linhas)



B1
B2 X k

AB = [A1 A2 . . . Ak ] . = Ai Bi ,
..
i=1
Bk

onde Ai Rmpi e Bi Rpi n . Tomando pi = 1, i, cada termo do somatorio acima


e um produto externo, que, por exemplo, pode ser decomposto por uma das duas
formas basicas descritas nos itens 3a e 3b.
(b) particionando a matriz `a direita por colunas

AB = A [B1 B2 . . . Bk ] = [AB1 AB2 . . . ABk ]

Observe que, se Bi e uma coluna de B, ABi e uma multiplicac ao do tipo matriz


vetor, que poderia ser vista como qualquer uma das duas formas descritas nos itens
4a e 4b. Assim, a i-esima coluna de AB e a combinac
ao linear das colunas de A dada
pelas componentes da i-esima coluna de B.
(c) particionando a matriz `a esquerda por linhas

A1 A1 B
A2 A2 B

AB = . B = .
.
. .
.
Ap Ap B

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

Exerccio 17 Mostre que Eij , Ei (k) e Eij t (k) s


ao as matrizes obtidas, a partir de uma iden-
tidade, quando aplicamos as operacoes sobre colunas Ci Cj , Ci kCi e Ci Ci + kCj ,
respectivamente. (sug.: considere a partic
ao das matrizes originais por colunas)
Proposi ao 7 A matriz obtida de uma matriz A Rmn atraves de uma operac
c ao elementar
sobre linhas (resp. sobre colunas) e a matriz EA (resp. AE), onde E Rmm (resp. E Rnn )
e a matriz elementar representativa dessa operac ao.
Exerccio 18 Demonstre a Proposic
ao 7.
Corol ario 8 Se uma matriz B Rmn e obtida a partir de uma matriz A Rmn por uma
sequencia de operac ao existe uma matriz F Rmm tal que
oes elementares sobre linhas ent
B = F A.
Na pratica pode-se obter F , considerando o seguinte esquema:
. operac
oes .
[A .. I] [B .. F ]

9
2.4 Formas escalonadas e posto
Defini
cao 15 Uma matriz est
a na forma escalonada por linhas se:

i. certas colunas, numeradas por c1 < c2 < < ck , s


ao os vetores unit
arios e1 , e2 , . . . , ek ;

ii. toda outra coluna numerada por c e tal que:

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.

De forma similar, pode-se definir a forma escalonada por colunas.

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.

Prova: ver Exerccio 29

Teorema 12 Em qualquer matriz, o maior n


umero de linhas LI e igual ao maior n
umero de
colunas LI.

Prova: Seja A Rmn , onde o maior n umero de linhas LI e p e de colunas LI e q. Considere


uma reordenacao das linhas e colunas de A, de modo que as p primeiras linhas e as q primeiras
colunas sejam LI. Assim, podemos particionar A como

Xpq Yp(nq)
A=
Z(mp)q W(mp)((nq)

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 20 Mostre que posto(AB) min{posto(A), posto(B)}.

Proposi ao 13 Se E Rmm e uma matriz elementar e A Rmn , ent


c ao posto(A) =
posto(EA).

Exerccio 21 Demonstre a Proprosic


ao 13.

Corol ario 14 O posto de uma matriz A e o n


umero de linhas n
ao-nulas na forma escalonada
por linhas de A, ou ainda, o n
umero de vetores can
onicos distintos na forma escalonada por
linhas de A.

Exerccio 22 Mostre a propriedade acima.

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 = ,

onde e sao escalares. Se 6= 0, a soluc


ao e

x = 1 ,

onde 1 denota o inverso multiplicativo de , ou seja, um escalar tal que 1 = 1 = 1.


De forma analoga, caso se queira resolver a equac
ao matricial

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 .

Proposi ao 15 Se A Rmn tem inversas `


c a esquerda L e `
a direita R, ent
ao L e R s
ao iguais
eu
nicas.

Prova: Sejam L e R inversas `a esquerda e `a direita de A. Ent


ao:

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.

A seguir apresentamos condicoes necessarias e suficientes para a existencia de inversas `a


esquerda e `a direita.

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

ii. A tem inversa `


a direita se, e somente se, posto(A) = m

iii. A tem inversa `


a esquerda e `
a direita se, e somente, se posto(A) = m = n

Prova: Mostraremos apenas a primeira equivalencia. A prova da segunda e similar. E a terceira


e decorrencia das duas anteriores.
Seja L uma inversa `a esquerda de A. Ent
ao:

Ax = 0 LAx = 0 x = 0.

Logo, posto(A) = n.

Se posto(A) = n entao a forma escalonada de A e



Inn
FA = .
0(mn)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

Logo, L = At F t F e uma inversa `a esquerda de A.

12
Exerccio 24 Demonstre a Proposic
ao 16(ii).

Corol ario 17 Uma matriz A Rmn n


ao tem inversa `
a esquerda nem `
a direita se, e somente
se, posto(A) < min{m, n}.

Ainda no sentido de resolver a equacao matricial mencionada no incio da sec


ao, pode-se
definir um tipo de inversa que generaliza os anteriores e existe para qualquer matriz.

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.

Prova: Seja X uma solucao e G uma inversa generalizada. Ent


ao:

AX = B (AG)AX = (AG)B (AGA)X = A(GB) AX = A(GB) B = A(GB).

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.

Proposicao 19 Sejam A Rmn , com posto(A) = k, e P Rmm e Q Rnn satisfazendo


(1). Ent
ao
Ik Yk(nk)
G=Q P
X(mk)k Z(mk)(nk)
e uma inversa generalizada de A para quaisquer matrizes X, Y e Z com as dimens
oes apropri-
adas.

Uma demonstracao simples para esta proposic


ao pode ser obtida a partir dos resultados
descritos na proxima subsecao.

2.6 Matrizes invertveis


Como decorrencia direta da Proposicao 16, temos que:

Corol
ario 20 Uma matriz que tem inversa `
a direita e `
a esquerda e quadrada.

Corol ario 21 Uma matriz quadrada tem inversa `


a esquerda se, e somente, se tem inversa `
a
direita.

Tais resultados juntamente com a Proposic


ao 15 ensejam a seguinte definic
ao.

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).

Exerccio 27 Dadas matrizes invertveis A e B, mostre que:

1. (AB)1 = B 1 A1

2. (A1 )1 = A

3. (At )1 = (A1 )t

Exerccio 28 Mostre que a matriz F identificada no Corol


ario 8 e invertvel.

Exerccio 29 Mostre a Proposic


ao 11.

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.

Teorema 22 As seguintes afirmac ao equivalentes para uma matriz A Rnn :


oes s

1. A e invertvel

nica matriz A1 tal que A1 A = AA1 = In


2. existe u

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

7. A forma escalonada de A por linhas (ou por colunas) e In

8. A e o produto de matrizes elementares

Exerccio 30 Demonstre o teorema acima.

Exerccio 31 Mostre que, se P e Q s


ao invertveis, ent
ao posto(A) = posto(P A) = posto(AQ) =
posto(P AQ).

Exerccio 32 Demonstre a Proposic


ao 19. (sug. expresse A em func
ao das matrizes quadradas
P e Q)

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 .

2.7 Matrizes quadradas especiais


Nesta secao destacamos algumas matrizes quadradas especiais que serao uteis para desenvolvi-
mentos futuros. As particularidades dizem respeito `a organizac
ao dos elementos ou `a existencia
de propriedades especficas.

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.

Denominacao Banda inferior (p) Banda superior (q)


diagonal 0 0
triangular superior 0 n-1
triangular inferior n-1 0
tridiagonal 1 1
bidiagonal superior 0 1
bidiagonal inferior 1 0
Hessenberg superior 1 n-1
Hessemberg inferior n-1 1

Exerccio 35 Mostre que, se A Rnn e B Rnn s ao AB e banda p0 q 0


ao banda p q, ent
0 0
com p 2p e q 2q.

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).

Exemplos de matrizes retangulares com largura de banda inferior p = 1 e largura de banda


superior q = 2 sao apresentados a seguir para m < n e m > n.

0 0 0

0 0 0 0 0 0 0

0 0 0 0 0 0

0 0 0 0 0 0

0 0 0 0 0 0 0

0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0 0
68
0 0 0 0 0 0 86

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.

Observa cao 9 Na definic


ao acima e usual se pedir que: (i) a forma partionada seja quadrada,
ou seja, o numero de blocos-linha seja igual ao de blocos-coluna e (ii) os blocos Aii da diagonal
sejam quadrados. Ao longo desse texto, a menos que seja dito o contr ario, vamos assumir
tais condic
oes. Observamos, entretanto, que elas podem ser relaxadas, especialmente quando
estendemos o conceito para matrizes retangulares.

A seguir aparece um exemplo de matriz banda 1-1 que e bloco-banda 0-0.



0 0 0
0 0 0

0 0 0

0 0 0
0 0 0 0

Como anteriormente, podemos definir as matrizes bloco-banda especiais. Assim, temos a


matriz bloco-diagonal, bloco-tridiagonal, bloco triangular (inferior ou superior), etc. Observe,
porem, que uma matriz bloco-diagonal nao e necessariamente diagonal. O mesmo acontece com
os demais tipos.

Exerccio 37 Para uma matriz bloco-diagonal A Rnn , mostre que:

i. A e invertvel se, e somente se, todo bloco Aii da diagonal e invertvel


P
ii. posto(A) = i posto(Aii )

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.

Matriz de permuta cao


Uma matriz P Rnn e uma matriz de permuta c
ao se e obtida a partir da identidade por
permutacoes de linhas (ou colunas).
Observe que uma matriz de permutac ao e caracterizada pela existencia de um unico elemento
nao-nulo (e igual a 1) em cada linha e em cada coluna.

ao P Rnn e uma matriz qualquer A Rnn ,


Exerccio 39 Para uma matriz de permutac
mostre que:

i. P t = P 1

ii. Se A e uma matriz de permutac


ao, tambem o s
ao P A e AP .

iii. P A e uma matriz obtida de A realizando as mesmas permutac


oes de linhas ocorridas em
P com relac
ao a I.

iv. AP e uma matriz obtida de A realizando as mesmas permutac


oes de colunas ocorridas em
P com relac
ao a I.

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.

Teorema 25 Toda matriz A Rmn define uma transformac


ao linear A : Rn Rm tal que
A(x) = Ax.

Teorema 26 Seja A : U V uma transformac ao linear, onde dim(U ) = n e dim(V ) = m.


Entao, A pode ser representada por uma matriz A Rmn , que depende das bases consideradas
para U e V , de modo que se v = A(u) ent ao y = Ax, sendo y e x as coordenadas de v e u
respectivamente.

Prova: Sejam BU = {u1 , u2 , . . . , un } e BV = {v 1 , v 2 , . . . , v mP


} bases para U e V , respectivamente.
Tome u U e seja x suas coordenadas em BU , isto e, u = nj=1 xj uj . Ent ao
n
X
A(u) = xj A(uj ).
j=1

Para cada j = 1, 2, . . . , n, seja a1j , . . . , amj as coordenadas de A(uj ) V em BV . Segue-se que



X n Xm m
X Xn
A(u) = xj aij v i = aij xj v i .
j=1 i=1 i=1 j=1
P
Portanto, se v = A(u) e y e seu vetor de suas coordenadas em BV , conclui-se que yi = nj=1 aij xj ,
para todo i = 1, 2, . . . , m. Consequentemente, fazendo A = [aij ], chega-se a y = Ax.

Ex. 6 Seja A : R3 R2 tal que



x1
x1 x2
A x2 = .
2x1 + x3
x3

Considere as bases canonicas para R3 e R2 . Para determinar a matriz corresponde a A, calcu-


lamos
1 0 0
1 1 0
A 0 = ,A 1 = ,A 0 = .
2 0 1
0 0 1
Ent
ao, a matriz desejada e
1 1 0
A=
2 0 1

Exerccio 45 Considere a mesma transformac


ao dada no exemplo 6. Encontre a matriz corres-
pondente, considerando a base

1 1 0
0 , 1 , 0

0 0 1

para R3 e a base can


onica para R2 .

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.

Exerccio 47 Sejam A : V V uma transformac ao identidade e B e B 0 duas bases para V .


0
Sejam ainda A e A , respectivamente, as matrizes que definem A quando B e tomado como base
do domnio e B 0 da imagem e vice-versa. Mostre que A0 = A1 .

Outra relacao que vale a pena destacar e aquela entre a composic


ao de transformac
oes lineares
e o produto de matrizes.

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.

Prova: Sejam u U , v = A(u) e w = (B A)(u) = B(v). Se x, y e z sao as coordenadas


respectivamente de u, v e w, tem-se que y = Ax e z = By. Logo, z = B(Ax) = (BA)x.
As relacoes estabelecidas acima levam a outras propriedades importantes. Como definido
para transformacoes lineares, podemos introduzir os seguintes conceitos relacionados a matrizes:
Defini
cao 22 Dada uma matriz A Rmn , definimos:
co) imagem de A: I(A) = {y Rm : Ax = y, para algum x Rn }
1. (espa
2. n co nulo) de A: N (A) = {x Rn : Ax = 0}
ucleo (ou espa

Exerccio 48 Para A Rmn , mostre que:


ao subespacos de Rn .
1. I(A) e N (A) s
2. I(A) = span(A1 , A2 , . . . , An ), onde Aj e a j-esima coluna de A
3. posto(A) = dim(I(A))
4. se P e Q s
ao invertveis ent
ao dim(N (A)) = dim(N (P A)) = dim(N (AQ)) = dim(N (P AQ)).
(sug.: para a 2a. igualdade, construa uma base de N (AQ) a partir de uma base de N (A).)

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)).

Prova: (i) Sejam {u1 , u2 , . . . , un } e {v 1 , v 2 , . . . , v m } bases de U e V , respectivamente, usadas


na definicao de A. Sejam ainda Q = [v 1 v 2 . . . v m ] e Aj a j-esima coluna de A.
m m m
!!
1 X X X
2 n i i i
dim(I(A)) = dim span Au , Au , . . . , Au = dim span ai1 v , ai2 v , . . . , ain v
i=1 i=1 i=1
= dim(span(QA1 , QA2 , . . . , QAn )) = dim(I(QA)) = posto(QA) = posto(A)

Ik 0
(ii) Sejam P e Q tais que P AQ = , onde k = posto(A). Temos que
0 0
1 1
n x Ik 0 x
N (P AQ) = {x R : P AQx = 0} = x = : =0
x2 0 0 x2

0 2 nk 0k(nk)
= :x R =I .
x2 Ink

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 )

Figura 1: Uma mesma transformac


ao linear A descrita por matrizes diferentes A e A.

Logo,

dim(N (A)) = dim(N (P AQ)) = n k = n posto(A) = n dim(I(A)) = dim(N (A)).

O resultado acima leva a seguinte vers


ao do Teorema 6.

Teorema 29 Para uma matriz A Rmn , dim(I(At )) + dim(N (A)) = n.

Mais ainda, podemos mostrar que Rn pode ser decomposto em func


ao de uma matriz com
n colunas.

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

5. Q Rnn a matriz que representa a transformac U


ao indentidade em Rn , considerando B
como base do domnio e BU como base da imagem;

6. P Rmm a matriz que representa a transformac


ao indentidade em Rm , considerando BV
V como base da imagem.
como base do domnio 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:

Defini ao 23 Duas matrizes A e A s


c ao ditas equivalentes se existem matrizes invertveis P
e Q tais que A = P AQ. Adicionalmente, se P = Q1 , ent
ao A e A s
ao ditas similares.

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,

onde A Rmn e b Rm sao dados e x Rn e a incognita que se deseja determinar. Observe


que um sistema linear e um conjunto de equac
oes lineares

Ati x = bi , i = 1, 2, . . . , m,

onde Ati e bi sao a i-esima linha de A e b, respectivamente.


Alguns resultados basicos sobre a existencia ou unicidade de soluc
ao para um sistema linear
sao apresentados abaixo.

Teorema 30 Sejam A Rmn e b Rm . Sobre o sistema Ax = b e equivalente afirmar que:

i. tem soluc
ao (e consistente);

ii. b I(A);

iii. posto(A) = posto([A b]).

Teorema 31 Sejam A Rmn e b Rm . Se o sistema Ax = b tem soluca


o, e equivalente
afirmar que:

i. a soluc
ao u
nica;

ii. N (A) = {0};

iii. posto(A) = posto([A b]) = n.

Exerccio 50 Demonstre os Teoremas 30 e 31.

Lema 32 Dados A Rmn e b Rm , assuma que o sistema Ax = b tenha soluc


ao x
. Ent
ao
seu conjunto de soluc
oes e {
x + y : y N (A)}.

Prova: Sejam S o conjunto de solucoes de Ax = b e S 0 = {


x + y : y N (A)}. Primeiro, tome
x S e y = xx + y. Logo, x S 0 , implicando S S 0 . Agora,
. Claramente, d N (A) e x = x
seja x = x
+ y com y N (A). Entao Ax = A x = b, ou seja, x S. Portanto, S 0 S. Assim,
obtemos a igualdade entre os conjuntos.

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

posto(A) = posto([A b]) = n = soluc


ao u
nica

posto(A) = posto([A b]) < n = infinitas soluc


oes
Por outro lado, podemos tambem relacionar os possveis casos para o sistema Ax = b com a
existencia de inversas para A, como a seguir:
posto(A) = m n = existe inversa `a direita R

m = n: solucao u
nica Rb
m < n: infinitas solucoes, uma delas sendo Rb

posto(A) = n m = existe inversa `a esquerda L

posto([A b]) = n: solucao u


nica Lb
posto([A b]) = n + 1: inconsistente

posto(A) = r < min{m, n} = n


ao existem inversa `a esquerda ou inversa `a direira, apenas
inversa generalizada G

posto([A b]) = r: infinitas soluc


oes, uma delas sendo Gb
posto([A b]) = r + 1: inconsistente

O resultado abaixo estabelece uma maneira de determinar o conjunto de soluc


oes de um
sistema linear a partir do conhecimento de alguma inversa.

Teorema 34 Sejam A Rmn , b Rm e G uma inversa generalizada de A. O conjunto de


oes do sistema Ax = b e vazio ou e igual a {Gb + (GA I)z : z Rn }.
soluc

Prova: Sejam S o conjunto de solucoes de Ax = b e S 0 = {Gb + (GA I)z : z Rn }. Para


x S, tome z = x. Entao,

Gb + (GA I)z = GAx + (GA I)(x) = x,

mostrando que x S 0 . Por outro lado, se x S 0 , ou seja, x = Gb + (GA I)z para z Rn ,


entao
Ax = AGb + AGAz Az = AGb.
Assumindo que S 6= e tomando x
S, segue-se que

Ax = AGb = AGA
x = A
x = b,

levando a x S. Consequentemente, conclumos que S = S 0 .


Particularmente, quando a matriz do sistema linear e quadrada temos as seguintes possibili-
dades:

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

ii. Ax = b tem soluc nica para qualquer b Rm , que e igual a A1 b.


ao u

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.

Teorema 36 Sejam A Rmn e b Rm . Se [A0 b0 ] e a matriz obtida a partir de [A b] atraves


de uma sequencia de operac ao os sistemas Ax = b e A0 x = b0
oes elementares sobre linhas, ent
possuem o mesmo conjunto de soluc oes.

Prova: Temos que [A0 b0 ] = F [A b] = [F A F b] para alguma matriz invertvel F . E como Ax = b


se, e somente se, F Ax = F b, o resultado segue.
O teorema acima fundamenta boa parte dos algoritmos que procuram resolver um sistema de
equacoes lineares. A estrategia e converter o sistema original em outro que possua uma estrutura
que seja facil de lidar. Por exemplo, suponha que a matriz original A seja convertida em uma
matriz triangular T = F A com as operac oes elementares. O sistema equivalente T x = F b pode
ser facilmente resolvido.
Outra estrategia comum para se resolver um sistema linear consiste na decomposic ao da ma-
triz A em um produto de matrizes com propriedades particulares. Por exemplo, se encontramos
duas matrizes B e C tais que A = BC, ent ao o sistema Ax = b pode ser resolvido com a soluc
ao
dos sistemas
By = b e Cx = y,
onde as matrizes associadas sao agora B e C. Essa estrategia de decomposic
ao pode ser interes-
sante se os sistemas resultantes sao de facil soluc
ao.

5 Espacos normados
Nesta secao vamos denotar por V um espaco vetorial real.

5.1 Produtos escalares e ortogonalidade


Defini c
ao 24 Um produto escalar em V e uma func
ao < , >: V V R que, dados
x, y, z V e R, satisfaz:
i. < x, x > 0 e < x, x >= 0 x = 0;

ii. < x, y >=< y, x >;

iii. < x, y >= < x, y >;

iv. < x + y, z >=< x, z > + < y, z >.

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.

Dado um conjunto de vetores S = {v 1 , v 2 , . . . , v p } de um espaco vetorial V , sobre o qual


esta definido um produto escalar < , >, a matriz Grammiana relativa a S e GS = [gij ]pp , onde
gij =< v i , v j > para todos i, j = 1, 2, . . . , p.

Exerccio 52 Mostre que At A e uma matriz Grammiana.

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.

Exerccio 54 Mostre que < x, y > < x, x >1/2 < y, y >1/2 .

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 55 Mostre que vetores ortogonais s


ao LI.

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;

ii. kxk= || kxk;

iii. kx + ykkxk + kyk.

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.

Exerccio 57 Prove a validade do resultado acima.



Pela Proposicao 37, temos que uma norma em Rn e dada por kxk= xt x. Essa norma,
chamada Euclideana, e um caso especial da seguinte famlia de normas em Rn , definidas para
qualquer p 1:
n !1/p
X
norma lp : kxkp = |xi |p .
i=1
Dessa famlia, as normas mais usadas sao:
P
norma l1 : kxk1 = ni=1 |xi |
qP
n 2
norma l2 (Euclideana): kxk2 = i=1 xi

norma l : kxk = max{|xi | : i = 1, 2, . . . , n}

Na verdade todas as normas em Rn s


ao equivalentes no sentido do seguinte teorema.

Teorema 38 Dadas duas normas k k e k k0 em Rn , existem constante k1 e k2 tais que:

k1 kxkkxk0 k2 kxk, para todo x Rn .

Exerccio 58 Dado x Rn , mostre que:



i. kxk2 kxk1 n kxk2

ii. kxk kxk1 n kxk

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

Adicionalmente, sao definidas as normas matriciais lp,q (p, q 1) tais que:

kAxkq
norma lp,q : kAkp,q = max = max kAykq .
x6=0 kxkp kykp =1

Outras duas normas matriciais sao bastante empregadas:


1/2
Xm X
n p
norma de Frobenius : kAkF = a2ij = tr(At A).
i=1 j=1

norma 4 : kAk4 = max{|aij | : i = 1, 2, . . . , m, j = 1, 2, . . . , n}

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 .

Exerccio 59 Mostre que:

i. kABkp kAkp kBkp

ii. kABk4 6kAk4 kBk4

iii. kAxkp kAkp kxkp

iv. kAxk2 kAkF kxk2

Exerccio 60 Mostre que:


P
i. kAk1 = max{ m i=1 |aij | : j = 1, 2, . . . , n} (sug.: mostre que o segundo termo e um limitante
superior para kAyk1 , se kyk1 = 1, e depois um vetor unit ario e tal que kAek1 =kAk1 .)
P
ii. kAk = max{ nj=1 |aij | : i = 1, 2, . . . , m}

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

Anda mungkin juga menyukai