Topicos de Algebra

Linear
Isabel Maria Teixeira de Matos

Area
Departamental de Matematica
ISEL
([email protected])
7 de Julho de 2012

Conte
udo
1 MATRIZES
1.1

1
1

1.2

Conceitos Gerais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Algebra
das Matrizes . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

1.3

Operacoes elementares. Caracterstica de uma matriz . . . . . . . . . . .

10

1.4

Sistemas de Equacoes Lineares . . . . . . . . . . . . . . . . . . . . . . . .

12

1.5

Inversa de uma Matriz Quadrada . . . . . . . . . . . . . . . . . . . . . .

17

2 DETERMINANTES

21

2.1

Conceitos Gerais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

21

2.2

Definicao de Determinante . . . . . . . . . . . . . . . . . . . . . . . . . .

22

2.3

Propriedades dos Determinantes . . . . . . . . . . . . . . . . . . . . . . .

22

2.4

O Teorema de Laplace . . . . . . . . . . . . . . . . . . . . . . . . . . . .

24

2.5

Aplicacoes dos Determinantes . . . . . . . . . . . . . . . . . . . . . . . .

25

2.5.1

Calculo da Inversa de uma Matriz . . . . . . . . . . . . . . . . . .

25

2.5.2

Resolucao de Sistemas Lineares Possveis e Determinados . . . . .

26

3 ESPAC
OS VECTORIAIS

29

3.1

Definicao e Exemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

29

3.2

Dependencia e Independencia Lineares . . . . . . . . . . . . . . . . . . .

31

3.2.1

Caracterstica de uma Matriz . . . . . . . . . . . . . . . . . . . .

35

Subespacos vectoriais . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

36

3.3.1

Subespaco gerado . . . . . . . . . . . . . . . . . . . . . . . . . . .

39

3.4

Base e dimensao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

41

3.5

Matriz de Mudanca de Base . . . . . . . . . . . . . . . . . . . . . . . . .

45

3.3

4 APLICAC
OES
LINEARES
4.1

49

N
ucleo e Imagem. Classificacao de um Morfismo . . . . . . . . . . . . . .

ii

52

4.2

Soma, Multiplicacao por Escalar, Composta e Inversa de Aplicacoes Lineares 58

4.3

Matriz de uma Aplicacao Linear . . . . . . . . . . . . . . . . . . . . . . .

60

4.3.1

66

Relacao entre as diferentes Matrizes de uma Aplicacao Linear . .

5 VECTORES e VALORES PROPRIOS

71

5.1

Definicao e Exemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

71

5.2

Subespacos Proprios . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

78

5.3

Endomorfismos Diagonalizaveis . . . . . . . . . . . . . . . . . . . . . . .

80

iii

Captulo 1
MATRIZES

1.1

Conceitos Gerais

Definic
ao 1 Seja F um conjunto nao vazio onde estao definidas duas operacoes
binarias1 : uma adi
c
ao e uma multiplica
c
ao, denotadas por + e , respectivamente.
Diz-se que (F, +, ) e um corpo se:
(A1) A adicao e comutativa: x, y F x + y = y + x;
(A2) A adicao e associativa: x, y, z F (x + y) + z = x + (y + z);
(A3) A adicao tem elemento neutro 0: 0 F x F x + 0 = 0 + x = x;
(A4) Todo o elemento x de F tem sim
etrico (x) em F:
x F (x) F x + (x) = (x) + x = 0.
(M1) A multiplicacao e comutativa: x, y F x y = y x;
(M2) A multiplicacao e associativa: x, y, z F (x y) z = x (y z);
(M3) A multiplicacao tem elemento neutro 1: 1 F x F x 1 = 1 x = x;
(M4) Todo o elemento x de F \ {0} tem inverso x1 em F \ {0}:
x F \ {0} x1 F \ {0} x x1 = x1 x = 1.
(D) A multiplicacao e distributiva em relacao `a adicao:
x, y, z F x (y + z) = x y + x z.
Observaco
es
1 Identifica-se o corpo (F, +, ) com o conjunto suporte F, sabendo que estao
sempre implcitas as duas operacoes nele definidas.
2 A adicao e a multiplicacao usuais de n
umeros reais verificam as propriedades
referidas na Definicao 1, pelo que, R
e um corpo o corpo dos n
umeros reais.
1

Uma operac
ao bin
aria em F e uma aplicacao que faz corresponder a cada par ordenado de elementos

de F um (e um s
o) elemento deste conjunto.

3 A adicao e a multiplicacao usuais de n

umeros complexos satisfazem as propriedades referidas na Definicao 1, por isso, C
e um corpo o corpo dos n
umeros
complexos.
4 F = {0, 1} com as operacoes

+ 0 1

0 1

0 0 1 e

0 0 0 e um corpo o menor

1 1 0
1 0 1
dos corpos finitos. Designa-se por Z2 e e o corpo dos inteiros m
odulo 2.
5 Neste captulo, bem como em todos os que se seguem, trabalhar-se-`a nos corpos
R e C (com as operacoes usuais). No entanto, toda a teoria apresentada desenvolve-se
da mesma maneira em qualquer corpo.
Definic
ao 2 Sejam m e n dois n
umeros naturais. Uma matriz do tipo m n
(com elementos num corpo) e um quadro de mn n
umeros (desse corpo) distribuidos em
m linhas e n colunas.
A cada um dos n
umeros que forma a matriz da-se o nome de entrada.
Para referenciar (e localizar) uma entrada utilizam-se dois ndices, por esta ordem:
o ndice de linha e o ndice de coluna.
Uma matriz real (resp.: complexa) e uma matriz cujas entradas sao n
umeros reais
(resp.: complexos).
Exemplo
i
h
A = 1 0 1 2 e uma matriz do tipo 1 4 (matriz linha). A sua entrada (1, 3)
e (1).
Mais geralmente, qualquer matriz do tipo 1 n diz-se uma matriz linha.

3

B = 2 e uma matriz do tipo 3 1 (matriz coluna). A sua entrada (2, 1) e 2.
1
A qualquer matriz do tipo m 1 chama-se matriz coluna.
"
#
1 2 3
C=
e uma matriz do tipo 2 3 e e uma matriz rectangular (2 6= 3).
4 5 6
Em geral, qualquer matriz do tipo m n, com m 6= n, diz-se uma matriz rectangular.
"
D=

1 1

0 4
de ordem 2.

#
e uma matriz do tipo 2 2. Tambem se diz uma matriz quadrada

Mais geralmente, qualquer matriz do tipo n n denomina-se matriz quadrada de

ordem n.

Notac
ao
Se A e uma matriz do tipo m n escreve-se,

a11 a12

a21 a22
A=
..
..
..
.
.
.

a1n

a2n
..
.

am1 am2

amn

ou, abreviadamente, A = [aij ]mn , onde i {1, , m} e o ndice de linha e

j {1, , n} e o ndice de coluna.
O conjunto das matrizes do tipo m n com elementos em R (resp.: C) denota-se por
mn

(resp.: Cmn ), Rm,n (resp.: Cm,n ) ou ainda por Mmn (R) (resp.: Mmn (C)).

Definic
ao 3 Uma submatriz de uma matriz A, do tipo m n, e uma matriz do
tipo p q, com 1 p m, 1 q n, obtida por supressao de alguma(s) linha(s) e/ou
alguma(s) coluna(s)de A.
Notac
ao
Se i1 < i2 < . . . < ip sao elementos distintos de {1, 2, . . . , m} e j1 < j2 < . . . < jq
sao elementos distintos de {1, 2, . . . , n} A[i1 , . . . , ip |j1 , . . . , jq ] representa a submatriz de
A formada pelos elementos que pertencem a` interseccao das linhas i1 , i2 , . . . , ip e das
colunas j1 , j2 , . . . , jq de A; A(i1 , . . . , ip |j1 , . . . , jq ) representa a submatriz de A que se
obtem eliminando as linhas i1 , i2 , . . . , ip e as colunas j1 , j2 , . . . , jq de A.
Exemplo

Seja A = 5

8 .
9 10 11 12
"
#
h
i
1 2 4
Entao A[1, 3|1, 2, 4] =
= A(2|3) e A[2|1, 3] = 5 7 = A(1, 3|2, 4).
9 10 12
7

Definic
ao 4 Seja A = [aij ]nn uma matriz quadrada de ordem n.
Os elementos diagonais (ou principais) de A sao os n elementos que tem ndices
de linha e coluna iguais, ou seja, a11 , a22 , . . . , ann . Ao seu conjunto da-se o nome de
diagonal principal de A. A sua soma constitui o tra
co de A, que se denota por
tr(A) (tr(A) = a11 + a22 + + ann ).
A matriz diz-se:
Triangular superior se i > j aij = 0 (sao nulas todas as entradas abaixoda
3

diagonal principal);
Triangular inferior se i < j aij = 0 (sao nulas todas as entradas acimada
diagonal principal);
Triangular se for triangular superior ou triangular inferior;
Diagonal se i 6= j aij = 0 (sao nulas todas as entradas nao diagonais);
Escalar se i 6= j aij = 0 (e Diagonal) e c F i aii = c (c constante);
Identidade se i 6= j aij = 0 e i aii = 1 (e Escalar com elemento diagonal igual a
1). Denota-se por In e e tambem chamada Identidade de ordem n. Frequentemente,
escreve-se In = [ij ]nn , onde ij = 1 se i = j e ij = 0 se i 6= j (ij e o chamado
smbolo de Kr
onecker).
Nula se ij aij = 0 (e Escalar com elemento diagonal igual a 0). Denota-se por
0n e e tambem chamada matriz nula de ordem n. Observe-se que uma matriz do
tipo m n com todas as entradas iguais a zero tambem se designa por matriz nula,
denotando-se por 0mn .
Exemplo

1 1 2

A = 0 0 1 e triangular superior.
0 0 3

1 0 0 0

1 2 0 0

B=
2 0 1 0 e triangular inferior.

3 2 1 1

1 0 0 0

0 2 0 0

e diagonal.
C=

0 0 3 0
0 0 0 4

5 0 0

D = 0 5 0 e escalar.
0 0 5
Definic
ao 5 Seja A = [aij ] uma matriz do tipo m n. A matriz transposta de A,
At , e a matriz do tipo n m cuja entrada (j, i) e aij .
Exemplo
"
#
1
A=
1

At =

1 1


B=

C= 5
9

D= 2
3
"
0
E=
1

B =
2 2 2
2 .

2

1
2 3 4

Ct =
6 7 8
3

10 11 12
4

2 3
1 2 3

Dt = 2 3 4
3 4
4 5
3 4 5
#
"
#
1
0
1
Et =
.
0
1 0
i

6 10
.
7 11

8 12

Propriedade
Resulta facilmente da definicao que, para qualquer matriz A, (At )t = A.

1.2

Algebra
das Matrizes

Igualdade
Sejam A = [aij ], B = [bij ] matrizes do mesmo tipo.
A = B se e so se i, j aij = bij .
Adic
ao
Sejam A = [aij ], B = [bij ] matrizes do tipo m n.
A matriz soma A + B e uma matriz do tipo m n, A + B = [cij ], onde
i, j cij = aij + bij .
Propriedades
Sejam A, B, C matrizes do tipo m n. Entao:
(A1) A + B = B + A;
(A2) (A + B) + C = A + (B + C);
(A3) Sendo 0mn a matriz nula (matriz com todas as entradas nulas) do tipo m n,
A + 0 = 0 + A = A;
(A4) Se A e a matriz do tipo m n cujas entradas sao simetricas das entradas de
A, A = [aij ], A + (A) = (A) + A = 0mn ;

(At) (A + B)t = At + B t .
Definic
ao de Subtracc
ao A B = A + (B) = [sij ], onde
i, j sij = aij bij .
Multiplicac
ao de uma matriz por um escalar
Sejam A uma matriz real (complexa) do tipo m n, A = [aij ] e R (C). O produto
escalar de A por , A, e uma matriz do tipo m n, A = [dij ], onde i, j dij = aij .
Propriedades
Sejam A, B matrizes do tipo m n com entradas em R (C) e , R (C). Entao:
(Pe1) (A + B) = A + B;
(Pe2) ( + )A = A + A;
(Pe3) ()A = (A);
(Pe4) 1A = A;
(Pet) (A)t = At .
Observac
ao
Se E e uma matriz escalar de ordem n com elemento diagonal a, entao E = aIn .
P
Uma expressao do tipo i i Ai chama-se (como veremos no Captulo 3) uma combinac
ao linear das matrizes Ai .
Exemplo

Sejam A = 1 0 e B =
3 4

3 6

3A = 3 0

7
3

1 . Calculemos 3A 2B.
8

2 10

, 2B = 14 2 e

9 12

16

3A 2B = 3A + (2B) = 17

2 .
15 28

Multiplicac
ao de matrizes
Sejam A uma matriz do tipo m n, A = [aij ] e B uma matriz do tipo n p,
B = [bjk ]. O produto de A por B, AB, e a matriz do tipo m p, AB = [pik ] onde,
i, k pik = ai1 b1k + ai2 b2k + + ain bnk .
Observaco
es
1 O produto de duas matrizes so e possvel se o n
umero de colunas do primeiro factor
6

for igual ao n
umero de linhas do segundo factor.
2 A matriz produto tem o n
umero de linhas do primeiro factor e o n
umero de colunas
do segundo factor.
3 Cada entrada da matriz produto e soma de multiplicacoes de todos os elementos
de uma linha do primeiro factor pelos elementos convenientes (correspondentes) de toda
uma coluna do segundo factor.
Propriedades
. Sejam A, B, C matrizes reais (complexas) compatveis para a multiplicacao (isto e,
tais que (AB)C existe) e um n
umero real (complexo). Entao:
(P1) (AB)C = A(BC);
(P2) (AB) = (A)B = A(B);
(P3) Amn In = Im Amn = A. Em particular, se A e uma matriz quadrada de ordem
n, AIn = In A = A;
(Pt) (AB)t = B t At .
. Sejam B e C matrizes do mesmo tipo e A uma matriz tal que os produtos que se
seguem sao possveis. Entao:
(PDe) A(B + C) = AB + AC;
(PDd) (B + C)A = BA + CA.
Exemplo

"

a) Sejam A = 1 0 e B =
3 4

1 1

0
1

"

AB = 1 0
3 4

1 (1) + 2 0

1 5 + 2 (1)

1
0

#
. Calculemos AB e BA.

1 1

#
=

12+21

= (1) (1) + 0 0 (1) 5 + 0 (1) (1) 2 + 0 1 =
(3) (1) + 4 0 (3) 5 + 4 (1) (3) 2 + 4 1

"
#
1 2
1 5 2

e BA =
1 0 =
0 1 1
3 4
"
# "
(1) 1 + 5 (1) + 2 (3) (1) 2 + 5 0 + 2 4
=
=
0 1 + (1) (1) + 1 (3) 0 2 + (1) 0 + 1 4

2
19 2

12 6
2

#
.

"
b) Sejam A =

1 0

"
eB=

1 0

"

e BA =

c) Sejam A =

1 0
1 0

0 0

0 0

"
eB=
"

AB =

#"

1 0

#"

=
#

0 0

0 0
"

0 0
2 0

#
.

#
. Calculemos AB e BA.

#"

1 2

1 0
1 0

"
=

1 2

1 0
"

"

1 0

1 2
1 0

1 1

1 1

e BA =

#"

1 0
"

"

. Calculemos AB e BA.

1 1
1 0

AB =

0 0

1 0

1 0
"

1 0
1 0

#
.

Observaco
es
1 Do exemplo anterior conclui-se que o produto de matrizes nao e comutativo, isto e,
em geral, AB 6= BA.
Se A e B sao matrizes quadradas de ordem n tais que AB = BA diz-se que A e B
o caso das matrizes em c).
sao permutaveis. E
2 Tambem do exemplo anterior pode concluir-se que, na multiplicacao de matrizes,
nao e valida a lei do anulamento do produto. Com efeito, em b), as matrizes A e B
consideradas sao ambas nao nulas mas AB e a matriz nula.

Definic
ao 6 Seja A uma matriz quadrada de ordem n. As potencias de expoente
inteiro nao negativo de A definem-se da seguinte forma:
(
A0
= In
Am+1 = Am A, m 0

Definic
ao 7 Seja A = [aij ] uma matriz quadrada. Diz-se que A e:
sim
etrica se At = A, ou seja, se i, j aji = aij ;
anti-sim
etrica (ou hemi-sim
etrica) se At = A, ou seja, se i, j aji = aij .

Observaco
es
Resulta imediatamente da definicao que:
. uma matriz simetrica tem elementos diagonais arbitrarios e elementos opostos em
relacao `a diagonal principal (correspondem a`s entradas (i, j) e (j, i) da matriz) iguais;
. uma matriz real ou complexa anti-simetrica tem elementos diagonais nulos

elementos opostos em relacao `a diagonal principal simetricos.

Exemplo

1 2 3

A matriz A = 2 0 4 e simetrica e B = 2 0 4 e anti-simetrica

3 4 1
3 4 0
como facilmente se comprova calculando as transpostas respectivas.
Definic
ao 8 Seja A = [aij ] uma matriz complexa do tipo m n.
A matriz conjugada de A, A, e a matriz complexa do tipo m n cujos elementos
sao os complexos conjugados dos elementos de A : A = [aij ];
a matriz transconjugada de A, A , e a transposta da matriz conjugada de A (ou,
o que e o mesmo, a conjugada da transposta de A): A = (A)t = At .

Definic
ao 9 Seja A = [aij ] uma matriz complexa quadrada. Diz-se que A e:
hermtica (hermitiana) se A = A, ou seja, se i, j aji = aij ;
hemi-hermtica (hemi-hermitiana, anti-hermtica) se A = A, ou seja,
se i, j aji = aij .
Observaco
es
Resulta da definicao que:
. uma matriz hermtica tem elementos diagonais reais e elementos opostos em relacao
a` diagonal conjugados;
. uma matriz hemi-hermtica tem elementos diagonais nulos e/ou imaginarios puros e
elementos opostos em relacao `a diagonal principal com mesma parte imaginaria e partes
reais simetricas.
Exemplo
2

Isto n
ao e v
alido em todos os corpos. Por exemplo, no corpo Z2 da observacao 4 da pagina 2, tem-se

1 + 1 = 0, donde 1 = 1 e 1 6= 0

2 + i 3i

2+i

3i

A matriz A = 2 i
0
4 e hermtica e B = 2 + i 2i 4 e
3i
4
1
3i
4
0
hemi-hermtica como facilmente se comprova calculando as transconjugadas respectivas.
Observaco
es
A transconjugacao goza de propriedades analogas `as da transposicao, excepto para a
transconjugacao de uma multiplicacao por escalar. Tem-se (admitindo que as matrizes
tem tipos adequados para efectuar as operacoes indicadas e que C):
(A ) = A;
(A B) = A B ;
(AB) = B A ;
(A) = A .

1.3

Operac
oes elementares. Caracterstica de uma
matriz

Definic
ao 10 Sao opera
c
oes elementares sobre as linhas (colunas) de uma
matriz:
(OE1) Trocar duas linhas (colunas);
(OE2) Multiplicar uma linha (coluna) por um escalar diferente de zero;
(OE3) Somar a uma linha (coluna) outra multiplicada por um escalar qualquer.
Exemplo

2 2

Seja A = 1

1 3 .
0 0

Troca das linhas 1 e 3 : A 1 0 1 3 .

L1 L3
2 2 0 4

1 1 0 2

Multiplicacao da linha 1 por 12 : A 1 1 0 1 3 .

0
L1 = 2 L1
1 0
0 0

2 2

Soma da linha 2, multiplicada por (1), a` linha 3 : A

1
0

L3 =L3 L2

10

3 .
3

Definic
ao 11 Diz-se que uma matriz tem as linhas em escada se:
(i) As linhas nulas (caso existam) ocorrem depois das linhas nao nulas;
(ii) O primeiro elemento nao nulo de cada linha (pivot) situa-se numa coluna mais
`a esquerda que todos os pivots das linhas seguintes (ou seja, o ndice de coluna do pivot
de cada linha e menor que os ndices de coluna dos pivots das linhas seguintes).

Exemplo

0 1 3 0 2 4

0
As matrizes A =
0

0
escada.

0
0
0

2 1 1

0 5 2 1

eB=
2 tem as linhas em
0 1

0 0 3 1
0 0 3
0 0 0 0

Definic
ao 12 A caracterstica de uma matriz com as linhas em escada e igual ao
n
umero de linhas n
ao nulas da matriz.

Proposic
ao 1.3.1 Seja A uma matriz qualquer. Entao A pode ser transformada
numa matriz do mesmo tipo com as linhas em escada efectuando operacoes elementares
sobre as suas linhas.

Definic
ao 13 Seja A uma matriz qualquer. A caracterstica de A, que se denota
por c(A) ou r(A), e igual `a caracterstica da matriz com linhas em escada que se obtem
efectuando operacoes elementares sobre as linhas e/ou colunas de A.
Exemplo

2 2 0
4
1

0
0 1 1 3

1
A=
1
1
0
3
L0 = 1 L

1 2 1
0 0 1 2
0
0 0
2
1
0

1 1 0
2
1

0 1 1 3
0

0

0
2
0
5

L0 =L3 2L2

0 0 1 2
0
0 0
2
1
0

11

0
L3 =L3 L1
2
1

3
L05 =L5 L3

11

L04 =L4 + 12 L3
2
1

1 1

1 1

0 1 1 3
0 1 1 3

2

0
0
2
11
2 11
L0 =L5 12L4

0 0
L04 = 7 L4

7
0
1
0 2
0 0
0 0
0 0
0
12
0 0
0
12

1 1 0
2

0 1 1 3

2 11
0 0
, pelo que, c(A) = 4.

0
1
0 0
0 0
0
0

1 1 1

0
0 2
1 0
0
L1 L2
L3 =L3 +L1
0
1 1 3
1 1 3

1 1 1

0 0 2 , por isso, c(B) = 2.

B = 1

0 2
L03 =L3 +L2
0 2

Propriedades da Caracterstica de uma Matriz

Sejam A Fmn e F \ {0}. Entao:
(C1) c(A) m e c(A) n;
(C2) c(A) = c(A);
(C3) Se B Fnp , c(AB) c(A) e c(AB) c(B);
(Ct) c(At ) = c(A).

1.4

Sistemas de Equa
co
es Lineares

Definic
ao 14 Um sistema de m equacoes lineares a n incognitas x1 , . . . , xn e da
forma (dita can
onica)

a11 x1 + a12 x2 + + a1n xn = b1

a21 x1 + a22 x2 + + a2n xn = b2

..
.. .. ,

.
. .

am1 x1 + am2 x2 + + amn xn = bm

(1.1)

onde aij , bi R(C) i = 1, . . . , m , j = 1, . . . , n sao, respectivamente, os coeficientes e

os termos independentes do sistema.
12

Definic
ao 15 Associadas ao sistema (1.1) estao as

a11 a12 a1n

a21 a22 a2n

A=
..
..
..
..
.
.
.
.
am1 am2

seguintes matrizes:

amn

que e a matriz simples ou matriz dos coeficientes do sistema;

x1

x2

X=
.. ,
.
xn
que e matriz coluna das inc
ognitas;

b1

B=

b2
..
.

bm
que e matriz coluna dos termos independentes;

a11 a12 a1n

a21 a22 a2n

[A|B] =
..
..
..
..
.
.
.
.
am1 am2

b1

b2
..
.

amn bm

que e a matriz ampliada ou matriz completa do sistema.

Notac
ao Matricial do Sistema (1.1):
AX = B.

(1.2)

Definic
ao 16 Chama-se solu
c
ao do sistema (1.1) a uma lista de n
umeros reais
(complexos) (c1 , c2 , . . . , cn ) tal que, substituindo cada xi pelo respectivo valor ci (i =
1, . . . , n), as m equacoes do sistema transformam-se em proposicoes verdadeiras.
Definic
ao 17 O sistema (1.1) diz-se possvel se tem, pelo menos, uma solucao e
impossvel caso contrario.
Sendo possvel, (1.1) e determinado quando tem uma u
nica solucao e indeterminado quando tem mais de uma solucao (se o corpo considerado for infinito, como e o
caso do corpo dos reais e do corpo dos complexos, quando indeterminado, o sistema tem
uma infinidade de solucoes).
13

Definic
ao 18 Dois sistemas de equacoes lineares com o mesmo n
umero de incognitas
dizem-se equivalentes se tem as mesmas solucoes.
Proposic
ao 1.4.1 Dado o sistema (1.1), obtem-se um sistema equivalente quando
se efectuam opera
c
oes elementares sobre as linhas da sua matriz completa
[A|B] e/ou troca de colunas na sua matriz simples A (desde que se efectue a
correspondente troca nas incognitas respectivas).
Observac
ao
De acordo com as Proposicoes 1.3.1 e 1.4.1, qualquer sistema de equacoes lineares e
equivalente a um sistema cuja matriz ampliada tem as linhas em escada.
Proposic
ao 1.4.2 O sistema (1.2) e:
impossvel sse c(A) 6= c([A|B]);
possvel determinado sse c(A) = c([A|B]) = n;
possvel indeterminado sse c(A) = c([A|B]) < n.
Definic
ao 19 Se o sistema (1.2) e possvel, o n
umero inteiro nao negativo g = n c(A)
chama-se grau de indetermina
c
ao do sistema.
Exemplo
1 Consideremos o sistema

x + y z = 2
x 2y + z = 5

x + 2y + z = 3

Vamos efectuar operacoes do tipo referido na Proposicao 1.4.1 na sua matriz ampliada
ate a transformarmos numa matriz com linhas em escada (fazemos a condensacao de
[A|B]).

1
1

1 2

L03 =L3 +L1

0 3
5
L02 =L2 L1
3
0 3

1 2
2
0

0 3
7
L03 =L3 +L2
1
0 0

1 2
2
2

7 .
8

Como c(A) = c([A|B]) = 3 o sistema e possvel e determinado (SPD). Dado que a

matriz com linhas em escada obtida e a matriz ampliada de um sistema equivalente ao
dado, so temos que resolver agora

x + y z = 2
3y + 2z = 7 .

2z = 8
14

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

3y + 2z = 7
3y = 7 8
y = 13 .

z = 4
2z = 8
z = 4

x + 2y + 3z
2 Consideremos o sistema
x+y+z

y + 2z

1 2
1 2 3 0

[A|B] = 1 1 1 10
0 1
0
0 1 2

L2 =L2 L1

= 0
= 10 . Entao
= 0
3

0 1 2 10 .
2 10
0
L3 =L3 +L2
2 0
0 0
0 10

Como c(A) = 2 6= 3 = c([A|B]) o sistema e impossvel (SI).

3 Consideremos o sistema

x + 2y + z + w = 4
2x + 4y z + 2w = 11 . Entao

[A|B] = 2
1

1 2

0 1
0

x + y + 2z + 3w = 11

2 1 1 4
1 2
1 1 4
L03 =L3 L1

4 1 2 11 0 0 0 3 0 3
L2 L3
L2 =L2 2L1
1 2 3 11
0 1 1 2 7

1 1 4

1 2 7 .

3 0 3

Como c(A) = c([A|B]) = 3 < 4 o sistema e possvel e indeterminado

(SPI) de grau 1.

x = 21 5w

x + 2y + z + w = 4
x
+
2y
+
w
=
5

y = 8 + 2w

, w R.
y + z + 2w = 7
y + 2w = 8

z
=
1

3z = 3
z = 1
w = w

x+y+z = 1
4 Consideremos o sistema
x y + 2z = a . Vamos discuti-lo em funcao dos

2x + bz = 2
parametros reais a e b.

1 1 1 1
1 1
1
1

L0 =L3 2L1

[A|B] = 1 1 2 a 30 0 2
1
a 1
0
2

L2 =L2 L1

b 2
1

0 2 b 2

0 2
1
a 1 .
0 0 b3 1a
15

L3 =L3 L2

Discuss
ao:
Se b 6= 3, c(A) = c([A|B]) = 3, a R, logo, SPD;
b = 3 e a = 1, c(A) = c([A|B]) = 2 < 3, donde, SPI (de grau 1);
b = 3 e a 6= 1, c(A) = 2 6= 3 = c([A|B]). Por isso, SI.
Definic
ao 20 Um sistema de equacoes lineares diz-se homog
eneo se s
ao nulos
todos os seus termos independentes, isto e, se quando escrito matricialmente e da
forma AX = 0.
A todo o sistema de equacoes lineares AX = B esta associado o sistema homogeneo
AX = 0.
Exemplo
O sistema homogeneo associado a

x + 2y + z + w = 4
2x + 4y z + 2w = 11 e
x + y + 2z + 3w = 11

x + 2y + z + w = 0
2x + 4y z + 2w = 0 .
x + y + 2z + 3w = 0

Observac
ao
Um sistema homogeneo e sempre possvel pois admite sempre a solucao nula. Se e
determinado (basta que a caracterstica da matriz simples coincida com o n
umero n de
incognitas) essa e a sua u
nica solucao. Se e indeterminado (a caracterstica da matriz
simples e menor que o n
umero de incognitas), para alem da solucao nula (que existe
sempre), admite solucoes nao nulas (recorde-se que o produto de duas matrizes nao
nulas pode ser nulo).
Proposic
ao 1.4.3 Seja Xp uma solucao particular do sistema de equacoes lineares
AX = B. Entao, X0 e solucao do sistema se e so se existe uma solucao Xh do sistema
homogeneo associado, AX = 0, tal que X0 = Xp + Xh .
Demonstrac
ao
Por hipotese, AXp = B (uma vez que Xp e uma solucao particular de AX = B)
() Supondo que X0 e (tambem) solucao de AX = B, isto e, que AX0 = B, provamos
que X0 Xp e solucao do sistema homogeneo associado. Tem-se,
A(X0 Xp ) = AX0 AXp = B B = 0,
16

logo, Xh = X0 Xp e solucao de AX = 0.
() Suponhamos que Xh e uma solucao do sistema homogeneo associado ao dado,
AX = 0. Mostramos que X0 = Xp + Xh e solucao de AX = B. Temos,
AX0 = A(Xp + Xh ) = AXp + AXh = B + 0 = B,
como queriamos.
Observac
ao
Resulta da proposicao anterior que, a solucao geral de um sistema de equacoes lineares pode ser obtida somando a uma sua solucao particular a solucao geral do sistema
homogeneo associado.

1.5

Inversa de uma Matriz Quadrada

Definic
ao 21 Seja A uma matriz quadrada de ordem n. Diz-se que A
e invertvel
(ou que A tem inversa) se existe uma matriz quadrada de ordem n, B, tal que
AB = BA = In .
Proposic
ao 1.5.1 A inversa de uma matriz quadrada A, quando existe, e u
nica.
Demonstrac
ao Suponhamos que B e C sao inversas de A, ou seja, que
AB = BA = In e AC = CA = In .
Tem-se B = BIn = B(AC) = (BA)C = In C = C , logo, B = C.

Definic
ao 22 Se A e invertvel, a matriz B referida na Definicao 21 chama-se inversa de A e representa-se por A1 . Assim, AA1 = A1 A = In .
Definic
ao 23 Seja A uma matriz quadrada de ordem n. Diz-se que A e n
ao singular (regular) se c(A) = n.
Proposic
ao 1.5.2 Se A e uma matriz quadrada de ordem n entao A e invertvel se
e so se e regular.
Observac
ao
Dada uma matriz A, quadrada de ordem n, tal que c(A) = n (logo, invertvel), a
inversa de A e a solucao da equacao matricial AX = In . Podemos, por isso, calcular
17

facilmente A1 . Basta considerar a matriz [A|In ] e efectuar operacoes elementares (s

o)
sobre linhas ate a transformar na matriz [In |A1 ].
Exemplo

3 1 0

1 Consideremos a matriz A = 2 1 1 , de caracterstica

0 1 1
pelo metodo descrito (condensacao, operando so sobre linhas).

1 0 1 1 1 0
3 1 0 1 0 0

2 1 1 0 1 0
[A|I3 ] = 2 1 1 0 1 0
0
L1 =L1 L2

0 1 1 0 0 1

0
0

0 1 1 0 0

1 0 1 1
0 1 1 1 0

0 1 3 2
1 3 2 3 0
L03 =L3 L2
1 1
0
0 1
0 0 2 2

0 1 1 1 0
1 0 0 0
L01 =L1 +L3
1 3 2 3
0 0 0 1 0 1

0
0 0

3
2

12

L2 =L2 3L3

1
2

A1 = 1 32
1 32

0 0 1 1

21
3
.
2
21

3. Calculamos A1

0
L2 =L2 2L1

1
1 0

0 01
L3 = 2 L3
3 1

1
1

2
2

23 32 .
3

3
2

12

(O resultado obtido pode ser confirmado usando a definicao de inversa. Basta verificar
que AA1 = In .)

0 1 0 0
2 Se B =
0 0 2 0

0 0 0 4

1
3

1
, e muito facil concluir que B = 0 1 0 0

0 0 1 0

2
0 0 0 41

Propriedades
Se A e B sao matrizes reais (complexas) quadradas de ordem n, invertveis e
R \ {0}(C \ {0}) entao:
(I1) A1 e invertvel e (A1 )1 = A;
(I2) A e invertvel e (A)1 = 1 A1 ;
(I3) m N, Am e invertvel e (Am )1 = (A1 )m ;
(I4) At e invertvel e (At )1 = (A1 )t ;
(I5) (A)1 = A1 ;
(I6) (A )1 = (A1 ) ;
18

(I7) AB e invertvel e (AB)1 = B 1 A1 .

Justificac
ao
(I1) Da igualdade A1 A = AA1 = In , da definicao e da unicidade da inversa resulta
que A1 e a matriz inversa de A e A e a matriz inversa de A1 .
(I2) (A)(1 A1 ) = (1 )(AA1 ) = In e (1 A1 )(A) = (1 )(A1 A) = In .
(I3) A prova rigorosa faz-se por inducao em m.
(I4) At (A1 )t = (A1 A)t = Int = In

(A1 )t At = (AA1 )t = Int = In .

(I5) A A1 = AA1 = In = In e A1 A = A1 A = In = In .
(I6) A (A1 ) = (A1 A) = In = In e (A1 ) A = (AA1 ) = In = In .
(I7) (AB)(B 1 A1 ) = A(BB 1 )A1 = AIn A1 = AA1 = In e
(B 1 A1 )(AB) = B 1 (A1 A)B = B 1 In B = B 1 B = In .

19

Captulo 2
DETERMINANTES

2.1

Conceitos Gerais

Definic
ao 24 Dados os n
umeros naturais 1, 2, . . . , n, uma sua permuta
c
ao e uma
lista desses n n
umeros apresentados por uma qualquer ordem.
Por exemplo, n, n 1, n 2, . . . , 3, 2, 1 e uma permutacao dos n
umeros 1, 2, . . . , n.
Notac
ao
O conjunto de todas as permutacoes de 1, 2, . . . , n denota-se por Sn .
Oservac
ao
Existem n! permutacoes de 1, 2, . . . , n.
Definic
ao 25 Seja i1 , i2 , . . . , in uma permutacao dos n
umeros 1, 2, . . . , n. Diz-se que
um par (ik , ij ) faz uma invers
ao se k < j e ik > ij , ou seja, ik e ij aparecem na
permutacao por ordem decrescente.
Definic
ao 26 Uma permutacao i1 , i2 , . . . , in e par (resp.: mpar) quando o n
umero
total de inversoes que nela ocorrem e par (resp.: mpar).
Exemplos
1) n = 2
Permutacao

Total de Inversoes

Paridade

1,2

par

2,1

mpar

21

2) n = 3
Permutacao

Total de Inversoes

Paridade

1,2,3

par

2,3,1

par

3,1,2

par

3,2,1

mpar

2,1,3

mpar

1,3,2

mpar

2.2

Definic
ao de Determinante

Definic
ao 27 Seja A = [aij ] uma matriz quadrada de ordem n com elementos
em R (C). O determinante de A, que se denota por det(A) ou |A|, e o n
umero real
(complexo):
det(A) =

(1) a1i1 a2i2 anin ,

i1 ,...,in Sn

onde = 0, se i1 , i2 , . . . , in e par e = 1, se i1 , i2 , . . . , in e mpar.

Observe-se que o somatorio anterior tem n! parcelas.
Resulta imediatamente da definicao que:
det[a11 ] = a11 ;
"
#
a11 a12
det
= a11 a22 a12 a21 ;
a21 a22

a11 a12 a13

det a21 a22 a23 = a11 a22 a33 + a12 a23 a31 + a13 a21 a32 a13 a22 a31 a12 a21 a33
a31 a32 a33
a11 a23 a32 .

2.3

Propriedades dos Determinantes

Seja A = [aij ] uma matriz quadrada de ordem n.

22

(P1) Se A tem uma linha (resp.: coluna) de zeros, entao det(A) = 0.

(P2) Se A tem duas linhas (resp.: colunas) iguais ou proporcionais, entao det(A) = 0.
(P3) Se trocarmos entre si duas linhas (resp.: colunas) de A, o valor do determinante
de A muda de sinal. (Operacao elementar do tipo 1)
(P4) Se A e triangular entao det(A) = a11 a22 ann .



 a

 a
a

a
11
12
1n


 11 a12 a1n
 .

 .
.
.
..
..
..
.. 
 ..
 ..
.
.






(P5)  ai1 ai2 ain  =  ai1 ai2 ain
 .
 .
..
.. 
..
..
 .
 .
.
. 
.
.
 .
 .



 an1 an2 ann 
 an1 an2 ann
tipo 2)








. (Operacao elementar do






(P6) det(A) = n det(A).

(P7) det(A) = det(At ).
(P8) Se A e complexa, det(A ) = det(A) = det(A).

 
 a
  a
a

a
11
12
1n

  11

  .
.
.
.
..
..
..

  ..

 

 
(P9)  ai1 + bi1 ai2 + bi2 ain + bin  =  ai1

  .
..
..
..

  .
.
.
.

  .

 
 an1
  an1
an2

ann

a12
..
.
ai2
..
.
an2

 
 
 
 
 
 
 
ain +
..  
.  
 
ann  
a1n
..
.

a11 a12
..
..
.
.
bi1
..
.

bi2
..
.

an1 an2

(P10) Se a uma linha (resp.: coluna) de A somarmos um m

ultiplo qualquer de outra
linha (resp.: coluna), o valor do determinante de A nao se altera. (Operacao elementar
do tipo 3)
(P11) Nao se altera o valor do determinante de A se a uma linha (resp.: coluna) de
A adicionarmos uma soma de m
ultiplos quaisquer de outras linhas (resp.: colunas). (uso
repetido de (P9))
(P12) Se B e uma matriz quadrada de ordem n, det(AB) = det(A)det(B).
Em particular, n N det(An ) = (det(A))n .
(P13) A e invertvel se e so se det(A) 6= 0.
(P14) Se A e invertvel entao det(A1 ) =

23

1
.
det(A)








bin .
.. 
. 

ann 
a1n
..
.

Exemplo
Sejam A e B matrizes reais quadradas de ordem 3 tais que det(A) = 2 e det(B) = 14 .
Entao:
det(3A) = 33 det(A) = 27(2) = 54;
1
det(A) = (2)2 4 = 16;
det(AB 1 At ) = det(A)det(B 1 )det(At ) = det(A) det(B)

det(B) = det((1)B) = (1)3 det(B) = 41 ;

det(B 1 A4 B) = det(B 1 )det(A4 )det(B) =

1
(det(A))4 det(B)
det(B)

= (2)4 = 16;

1
1
1
1
1
det( 21 (B t )1 ) = ( 12 )3 det((B t )1 ) = ( 81 ) det(B
t ) = ( 8 ) det(B) = ( 8 ) 4 = 2 .

2.4

O Teorema de Laplace

Definic
ao 28 Seja A = [aij ] uma matriz quadrada de ordem n. Recorde-se que
A(i|j) denota a submatriz de A que se obtem desta matriz por supressao da linha i e
da coluna j. Chama-se complemento alg
ebrico (ou cofactor) de aij ao n
umero
Aij = (1)i+j det(A(i|j)).
Teorema 2.4.1 (Teorema de Laplace)
Seja A = [aij ] uma matriz quadrada de ordem n. Entao:
det(A) =

n
X
j=1

aij Aij =

n
X

ars Ars , i, s {1, 2, . . . , n}.

r=1

Exemplo

 2 4 6


 3 6 5

 2 1 4


 1 2 2
=4






 1 2 3 4 
 1 2



8 
3
4




 0 4 3 







9  1  3 6 5 9  2  0 0 4 3  3

2
= 2
= 2
= 21(1)  3 2 1 





7 
 2 1 4 7 
 0 3 2 1 
 0 1 2 





 1 2 2 2 
 0 0 1 2 
2 


 4 3 


2 (3) (1)3 
 = 6((4)(2) (1)(3)) = 6 5 = 30.
 1 2 

Pela Propriedade (P5)aplicada `

a linha 1
Efectuando as operac
oes elementares L02 = L2 3L1 ; L03 = L3 2L1 ; L04 = L4 L1
3
Teorema de Laplace na coluna 1
4
Teorema de Laplace na coluna 1
2

24

2.5

Aplicac
oes dos Determinantes

2.5.1

C
alculo da Inversa de uma Matriz

Definic
ao 29 Seja A = [aij ] uma matriz quadrada de ordem n. A matriz comple e a matriz quadrada de ordem n cujos elementos
mentar de A, que se denota por A,
sao os complementos algebricos dos elementos de A, isto e, A = [Aij ].
Definic
ao 30 Seja A = [aij ] uma matriz quadrada de ordem n. A matriz adjunta
de A, que se denota por adj(A), e a transposta da matriz complementar: adj(A) = At .

Do Teorema de Laplace resulta que, para qualquer matriz quadrada A de ordem n,

A adj(A) = adj(A) A = det(A)In .
Donde, se A e invertvel (det(A) 6= 0),
A1 =
Exemplo
"
Seja A =

1 2

1
adj(A).
det(A)

#
.

3 4

|A| = 1 4 2 3 = 2 6= 0, pelo que, A tem inversa. Calculamos A1 a partir da

matriz adj(A).
A11 = (1)2 4 = 4; A12 = (1)3 3 = 3; A21 = (1)3 2 = 2; A22 = (1)4 1 = 1.
"
A =

A11 A12
A21 A22
"

adj(A) = At =

"
=

"
A1 =

1
det(A)

adj(A) = 12

"
=

25

3
2

21

#
.

2.5.2

Resolu
c
ao de Sistemas Lineares Possveis e Determinados

Regra de Cramer
Dado o sistema de n equacoes lineares a n incognitas

a11 x1 + a12 x2 + + a1n xn = b1

a21 x1 + a22 x2 + + a2n xn = b2

..
.. .. ,

.
. .

an1 x1 + an2 x2 + + ann xn = bn

seja A a sua matriz simples, B a matriz coluna dos termos independentes e Ci a
matriz que se obtem de A substituindo a sua coluna n
umero i por B.
Se det(A) 6= 0, entao
i {1, 2, , n}, xi =

det(Ci )
.
det(A)

Exemplo
Consideremos o sistema

A= 1

x + y z = 2
x 2y + z = 5

x + 2y + z = 3

1 e B = 5 .
1
3


 

 1
  1 1 1 

1
1

 

 1 1

 


|A| =  1 2 1  =  1 2 1  = 2 

 

 1 2
 1 2
1   0 0
2 

x=

|A|

10
6

5
3

;y=

1
1
1

2 1
5

|A|

26




 = 2(2 1) = 6.













2
6

1
3

z=

|A|

24
6

= 4.

27

Captulo 3
ESPAC
OS VECTORIAIS

3.1

Definic
ao e Exemplos

Definic
ao 31 Um espa
co vectorial (ou espa
co linear) sobre um corpo F e uma

estrutura algebrica formada por um conjunto nao vazio E = {

a , b ,...,
u ,
v ,
w , . . .},
com uma operacao binaria designada por adi
c
ao, e denotada por + e, para cada elemento
F, uma aplicacao de E para E (designada por multiplica
c
ao por escalar) que

a cada x E faz corresponder o elemento x E (multiplicacao de por

x ), de

tal modo que sao satisfeitas as seguintes propriedades, para quaisquer u , v , w E e

quaisquer , F:

(A1)
u +
v =
v +
u

(comutatividade da adicao)

(A2) ( u + v ) + w = u + (
v +
w ) (associatividade da adicao)

(A3) 0 E : u + 0 = u
(existencia de elemento neutro)

(A4) ( u ) E : u + ( u ) = 0
(existencia de simetricos)

(M1) ( + ) u = u + u
(distributividade)

(M2) (
u +
v ) =
u +
v
(distributividade)

(M3) ( u ) = () u
(associatividade)

(M4) 1
u =
u
Definic
ao 32 Se E e um espaco vectorial sobre F, os elementos de E designam-se
vectores e os de F escalares.

O elemento neutro da adicao em E toma o nome de vector nulo e denota-se por 0

ou 0 E .
Quando F = R (resp.: F = C) o espaco vectorial diz-se real (resp.: complexo).

29

Exemplos
1 Sao espacos vectoriais reais:
a) E = R2 , com as operacoes:
(x1 , x2 ) + (y1 , y2 ) = (x1 + y1 , x2 + y2 ) e (x1 , x2 ) = (x1 , x2 );

0 R2 = (0, 0) e

(x1 , x2 ) = (x1 , x2 )

b) E = Rn (n N), com as operacoes:

(x1 , x2 , . . . , xn ) + (y1 , y2 , . . . , yn ) = (x1 + y1 , x2 + y2 , . . . , xn + yn ) e
(x1 , x2 , . . . , xn ) = (x1 , x2 , . . . , xn );

0 Rn = (0, 0, . . . , 0) e

(x1 , x2 , . . . , xn ) = (x1 , x2 , . . . , xn )

c) E = Rmn (m, n N), com as operacoes de adicao de matrizes e de multiplicacao

de uma matriz por um escalar definidas no Captulo 1.

0 Rmn = 0mn

[aij ]mn = [aij ]mn

2 Sao espacos vectoriais complexos:

a) E = C2 , com as operacoes:
(z1 , z2 ) + (z10 , z20 ) = (z1 + z10 , z2 + z20 ) e (z1 , z2 ) = (z1 , z2 );

0 C2 = (0, 0) e

(z1 , z2 ) = (z1 , z2 )

b) E = Cn (n N), com as operacoes:

(z1 , z2 , . . . , zn ) + (z10 , z20 , . . . , zn0 ) = (z1 + z10 , z2 + z20 , . . . , zn + zn0 ) e
(z1 , z2 , . . . , zn ) = (z1 , z2 , . . . , zn );

0 Cn = (0, 0, . . . , 0) e

(z1 , z2 . . . , zn ) = (z1 , z2 . . . , zn )

c) E = Cmn (m, n N), com as operacoes de adicao de matrizes e de multiplicacao

de uma matriz por um escalar definidas no Captulo 1.

0 Cmn = 0mn

[zij ]mn = [zij ]mn

30

Proposic
ao 3.1.1 Seja E um espaco vectorial sobre F. Entao, para quaisquer vectores e quaisquer escalares, tem-se:

a) 0
u = 0

b) 0 = 0

c)
u = 0 = 0 ou
u = 0

d) ()
u = (
u ) = (
u)

e) (
u
v ) =
u
v

f ) ( )
u =
u
u.

Demonstrac
ao de algumas afirmac
oes

a) 0 + 0 = 0 (0 + 0)
u = 0
u 0
u + 0
u = 0
u

(0
u + 0
u ) + (0
u ) = 0
u + (0
u ) 0
u + (0
u + (0
u )) = 0 0
u = 0
b) tem prova identica a a)

c) Suponhamos que
u = 0 . Se = 0 nada mais ha a provar. Se 6= 0 vamos

mostrar que
u = 0.

u = 0 1 (
u ) = 1 0 (1 )
u = 0 (por b))
u = 0

d) ()
u = (
u ) porque

()
u +
u = ( + )
u = 0
u = 0 (por a)).

3.2

Depend
encia e Independ
encia Lineares

Definic
ao 33 Seja E um espaco vectorial sobre F.

Diz-se que um vector

v E e combina
c
ao linear dos vectores
u 1,
u 2, . . . ,
uk E
se existem escalares 1 , 2 , . . . , k F tais que

v = 1
u 1 + 2
u 2 + . . . + k
u k.
Exemplos
1) Em R3 , o vector (2, 2, 5) e combinacao linear de (1, 1, 1), (1, 1, 0) e (1, 0, 1) se
existem n
umeros reais 1 , 2 e 3 tais que
(2, 2, 5) = 1 (1, 1, 1) + 2 (1, 1, 0) + 3 (1, 0, 1),
31

ou seja, se o sistema

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

5 = 1 + 3
e possvel. Na forma matricial,

1
1 1 1 2

L02 =L2 L1
0
1 1 0 2
0
1 0 1

L3 =L3 L1

0 1

4 0 1 0
L2 L3
7
0 0 1

7
4

e um sistema possvel (e determinado), logo, (2, 2, 5) e combinacao linear de (1, 1, 1),

(1, 1, 0) e (1, 0, 1). Podemos calcular os escalares 1 , 2 , 3 resolvendo-o:

0 1 0
0 0 1

1 0 0

L02 =L2

7 0 0 1 0 7 0 0 1 0 7 ,
L1 =L1 +(L2 +L3 )
L3 =L3
4
0 0 1 4
0 0 1 4

logo,

1 = 9
2 = 7 ,

3 = 4
donde,
(2, 2, 5) = 9(1, 1, 1) + (7)(1, 1, 0) + (4)(1, 0, 1).
2) Em R3 , o vector (2, 2, 5) nao e combinacao linear de (1, 1, 0), (0, 0, 1), ja que o
sistema cuja matriz ampliada e

1 0 2
1 0 2

0 0 4
1 0 2
0
L2 =L2 L1
0 1 5
0 1 5
e impossvel.
Observac
ao

O vector nulo de E, 0 , e sempre combinacao linear de quaisquer vectores

u 1,
u 2, . . . ,
uk
E. Com efeito,

0
u 1 + 0
u 2 + . . . + 0
uk = 0.

A esta combinacao linear nula (isto e, cujo resultado e o vector nulo) da-se o nome de
combinac
ao linear nula trivial.

32

Definic
ao 34 Seja E um espaco vectorial sobre F.

Diz-se que os vectores

u ,
u ,...,
u E sao:
1

(i) linearmente independentes se

1
u 1 + 2
u 2 + . . . + k
u k = 0 1 = 2 = . . . = k = 0.

Ou seja, a u
nica combinacao linear nula possvel dos vectores
u 1,
u 2, . . . ,
u k e a trivial
(a que tem os escalares todos nulos).
(ii) linearmente dependentes se
1 , 2 , . . . , k F nao todos nulos (isto e, com pelo menos um diferente de zero) tais
que

1
u 1 + 2
u 2 + . . . + k
uk = 0.

Ou seja, para alem da combinacao linear nula trivial (que existe sempre), existem outras combinacoes lineares nulas (com, pelo menos, um escalar nao nulo) dos vectores

u 1,
u 2, . . . ,
u k.

Exemplos
1) Em R3 , verificamos se os vectores (1, 1, 1), (1, 1, 0) e (1, 0, 1) sao linearmente dependentes ou independentes:
1 (1, 1, 1) + 2 (1, 1, 0) + 3 (1, 0, 1) = (0, 0, 0),
equivale a resolver o sistema homogeneo (sempre possvel),

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

1 + 3 = 0
Se o sistema for determinado os vectores sao linearmente independentes, se for indeterminado os vectores serao linearmente dependentes. Na forma matricial,

1 1 1
1 1
1
1 1
1

L02 =L2 L1

0 0 1 0 1 0 ,
1 1 0
0
L2 L3
L3 =L3 L1
1 0 1
0 1 0
0 0 1
donde, os vectores sao linearmente independentes (a caracterstica da matriz e igual ao
n
umero de vectores, logo, de escalares a determinar).
2) Em R4 , estudamos os vectores (1, 2, 2, 0), (1, 1, 3, 1) e (0, 2, 2, 2) quanto a` dependencia/independencia linear. Para tal, condensamos a matriz simples do sistema de
33

equacoes

1 + 2

2 + + 2
1
2
3

21 + 32 23

2
2

1 1

= 0
= 0

= 0
= 0

2 1 2 L02 =L2 2L1 0 1 2 L04 =L4 +L2 0 1 2

0 0 0 ,
0 1 2
2 3 2
0 =L +L
0 =L 2L
L
L
3
2
3
1
3
3

0 0 0
0 1 2
0 1 2
donde, os vectores sao linearmente dependentes (a caracterstica da matriz e menor que
o n
umero de vectores, logo, de escalares a determinar).

Proposic
ao 3.2.1 Seja E um espaco vectorial sobre F. Entao:

(i) O vector nulo, 0 , e linearmente dependente.

(ii) Se
v E,
v e linearmente independente se e so se
v 6= 0 .

(iii) Os vectores
v 1,
v 2, . . . ,
v k (k 2) sao linearmente dependentes se e so se
algum deles e combinacao linear dos restantes.

Em particular, 2 vectores
v 1,
v 2 sao linearmente dependentes se e so se um deles
e combinacao linear do outro (e, consequentemente, sao linearmente independentes se e
so se nenhum deles e combinacao linear do outro).

(iv) Se os vectores
v 1,
v 2, . . . ,
v n sao linearmente independentes entao
v 1,
v 2, . . . ,
v n,
x

sao linearmente dependentes se e so se

x e combinacao linear de
v ,
v ,...,
v .
1

(v) Se os vectores do conjunto {

v 1,
v 2, . . . ,
v n } sao linearmente independentes
entao os vectores de qualquer seu subconjunto sao linearmente independentes.

(vi) Se os vectores da sequencia s = (

v ,
v ,...,
v ) sao linearmente dependentes
1

entao os vectores de qualquer sequencia que contenha s sao linearmente dependentes.

(vii) Os vectores
v ,
v ,...,
v ,...,
v sao linearmente independentes se e so se
1

6= 0
v 1,
v 2 , . . . ,
v i, . . . ,
v n sao linearmente independentes.

(viii) Os vectores
v 1,
v 2, . . . ,
v i, . . . ,
v j, . . . ,
v n sao linearmente independentes se

e so se
v ,
v ,...,
v ,...,
v +
v ,...,
v sao linearmente independentes.
1

Demonstrac
ao de algumas das afirmac
oes

(i) 1 6= 0 e 1 0 = 0 , o que prova que 0 e linearmente dependente.

(ii) Seja
v E. Atendendo a (i), tudo o que ha a mostrar e que se
v =
6 0,
v e
linearmente independente.
34

Suponhamos que
v 6= 0 ,
v = 0 e que, com vista a um absurdo, 6= 0. Entao

1 (
v ) = 1 0 (1 )
v = 0
v = 0 , o que contradiz a hipotese.

(iii) () Suponhamos que

v 1,
v 2, . . . ,
v k (k 2) sao linearmente dependentes. Por
definicao, 1 , 2 , . . . , k F nao todos nulos tais que

1
v 1 + 2
v 2 + . . . + k
vk = 0.
Sem perda de generalidade, suponhamos que 1 6= 0. Entao,

1
v 1 = 2
v 2 . . . k
vk
v 1 = 2 11
v 2 . . . k 11
v k,

donde,
v 1 e combinacao linear dos restantes vectores.
() Por hipotese, um dos vectores dados e combinacao linear dos restantes. Sem

perda de generalidade,
v 1 = 2
v 2 + . . . + k
v k 1
v 1 2
v 2 . . . k
vk = 0,
ou seja, os vectores sao linearmente dependentes.

(vii) () 1
v 1 + 2
v 2 + . . . + i (
v i ) + . . . + n
vn= 0

1
v 1 + 2
v 2 + . . . + (i )
v i + . . . + n
v n = 0 (
v 1, . . . ,
v i, . . . ,
v n l.i.)
1 = 2 = = i = = n = 0 ( 6= 0) 1 = 2 = = i = = n = 0.

() 1
v 1 + 2
v 2 + . . . + i
v i + . . . + n
vn= 0

1
v 1 + 2
v 2 + . . . + i (1 )
v i + . . . + n
vn= 0

1
v 1 + 2
v 2 + . . . + (i 1 )(
v i ) + . . . + n
v n = 0 (
v 1 , . . . ,
v i, . . . ,
v n l.i.)
1 = 2 = = i 1 = = n = 0 (1 6= 0) 1 = 2 = = i = = n = 0.

3.2.1

Caracterstica de uma Matriz

Seja A uma matriz do tipo mn com entradas num corpo F. Cada uma das m linhas
de A identifica-se com um vector de Fn e cada uma das n colunas de A identifica-se com
um vector de Fm .

1 2 3 4

Por exemplo, dada a matriz real 2 3 4 5 , as suas linhas identificam-se com

3 4 5 6
os vectores (1, 2, 3, 4), (2, 3, 4, 5), (3, 4, 5, 6) de R4 e as suas colunas com os vectores
(1, 2, 3), (2, 3, 4), (3, 4, 5), (4, 5, 6) de R3 .
Todos os resultados enunciados `acerca da dependencia e independencia lineares de
vectores sao, por isso, aplicaveis `as linhas e a`s colunas de A.

35

Atendendo `a Proposicao 3.2.1, efectuar operacoes elementares sobre as linhas (resp.:

colunas) de A nao altera a dependencia/independencia linear das linhas (resp.: colunas)
da matriz.
Tendo em conta que:
(i) A pode ser transformada numa matriz com linhas em escada, U , efectuando
operacoes elementares sobre as suas linhas (como foi visto no Captulo 1),
(ii) sao linearmente independentes as linhas de A correspondentes `as linhas nao nulas
de U ,
(iii) sao linearmente independentes as colunas de A correspondentes a`s colunas com
pivots de U ,
a caracterstica de A, n
umero de linhas nao nulas de U , coincide com o n
umero
maximo de linhas linearmente independentes de A e com o n
umero maximo de colunas
linearmente independentes de A.

3.3

Subespacos vectoriais

Definic
ao 35 Sejam E um espaco vectorial sobre F e E1 um subconjunto nao vazio
de E. Diz-se que E1 e um subespa
co vectorial de E, e escreve-se E1 E, se E1 e um
espaco vectorial sobre F com as operacoes de adicao e multiplicacao por escalar definidas
em E (operacoes induzidas).

Proposic
ao 3.3.1 (Crit
erio de Subespa
co) Sejam E um espaco vectorial sobre
F e E1 um subconjunto de E. E1 e um subespa
co vectorial de E se e so se:
(i) E1 6=

(ii)
x ,
y E1 ,
x +
y E1

(iii) F, x E1 ,
x E1 .

Proposic
ao 3.3.2 Sejam E um espaco vectorial sobre F e E1 um subespaco vectorial
de E. Entao:

a) 0 E1

b)
x E
x E
1

c)
x ,
y E1
x
y E1 .
36

Demonstrac
ao

Como E1 6= , seja
x E1 . Dado que F e um corpo, 0 F e 1 F, logo, pela

condicao (iii) do Criterio de Subespaco, 0

x = 0 E e (1)
x =
x E .
1

Por u
ltimo, se
x ,
y E1 , por b),
y E1 e, pela condicao (ii) do Criterio de

Subespaco, x + ( y ) = x y E .
1

Observac
ao
Atendendo a` proposicao anterior, a condicao (i) do Criterio de Subespaco pode ser

substituida pela condicao (i): 0 E1 .

Proposic
ao 3.3.3 Sejam E um espaco vectorial sobre F e E1 um subconjunto de E.
E1 e um subespaco vectorial de E se e so se:

(i) 0 E1

(ii) , F,
x ,
y E1 ,
x +
y E1 .

Exemplos

1 Se E e um espaco vectorial, E1 = { 0 } e E1 = E sao subespacos vectoriais de E,

designados por subespacos triviais.
um subespaco nao
2 Em R2 , E1 = {(0, 0)} e E1 = R2 sao os subespacos triviais. E
trivial qualquer recta que passe na origem. Com efeito, se
a) E1 e uma recta nao vertical que passa na origem entao
E1 = {(x, y) R2 : y = mx} = {(x, mx) : x R}.
Usamos o Criterio de Subespaco, enunciado na proposicao 3.3.1, para mostrar que
E1 e um subespaco vectorial de R2 .
(i) Como x e livre, tomando x = 0, y = mx = m 0 = 0, logo, (0, 0) E1 ;
(ii) Sejam (x1 , mx1 ), (x2 , mx2 ) E1
(x1 , mx1 ) + (x2 , mx2 ) = (x1 + x2 , mx1 + mx2 ) = (x1 + x2 , m(x1 + x2 )) E1 ;
(iii) Sejam (x, mx) E1 e R
(x, mx) = (x, (mx)) = (x, m(x)) E1 .
b) E1 e a (
unica) recta vertical que passa na origem entao
E1 = {(x, y) R2 : x = 0} = {(0, y) : y R}.
(i) Como y e livre, tomando y = 0, conclui-se que (0, 0) E1 ;
(ii) Sejam (0, y1 ), (0, y2 ) E1
(0, y1 ) + (0, y2 ) = (0, y1 + y2 ) E1 ;
37

(iii) Sejam (0, y) E1 e R

(0, y) = (0, y) = (0, y) E1 .
3 Em R3 , E1 = {(0, 0, 0)} e E1 = R3 sao os subespacos triviais. Os subespacos nao
triviais sao qualquer recta que passe na origem e qualquer plano que passe na origem,
isto e, qualquer subconjunto da forma
E1 = {(x, y, z) R3 : a1 x + b1 y + c1 z = 0 a2 x + b2 y + c2 z = 0} (recta que passa na
origem)
ou
E1 = {(x, y, z) R3 : ax + by + cz = 0} (plano que passa na origem).
Verificamos que E1 = {(x, y, z) R3 : ax + by + cz = 0} e um subespaco vectorial de
R3 , quaisquer que sejam a, b, c R.
(i) (0, 0, 0) E1 pois a0 + b0 + c0 = 0;
(ii) Sejam (x1 , y1 , z1 ), (x2 , y2 , z2 ) E1 ax1 + by1 + cz1 = 0 e ax2 + by2 + cz2 = 0
(x1 , y1 , z1 )+(x2 , y2 , z2 ) = (x1 +x2 , y1 +y2 , z1 +z2 ) e a(x1 +x2 )+b(y1 +y2 )+c(z1 +z2 ) =
(ax1 + ax2 ) + (by1 + by2 ) + (cz1 + cz2 ) = (ax1 + by1 + cz1 ) + (ax2 + by2 + cz2 ) = 0 + 0 = 0
(x1 , y1 , z1 ) + (x2 , y2 , z2 ) E1 ;
(iii) Sejam (x, y, z) E1 e R ax + by + cz = 0
(x, y, z) = (x, y, z) e a(x) + b(y) + c(z) = (ax + by + cz) = 0 = 0, logo,
(x, y, z) E1 .
4 Ja os subconjuntos de R3
a) H1 = {(x, y, z) R3 : y = 1},
b) H2 = {(x, y, z) R3 : x Q},
c) H3 = {(x, y, z) R3 : |z| 1},
d) H4 = {(x, y, z) R3 : x y},
e) H5 = {(x, y, z) R3 : y = 0 ou z = 0},
nao sao subespacos vectoriais de R3 .
Com efeito,
a) (0, 0, 0)
/ H1 (ver Prop. 3.3.2),

/ H2 (falha condicao (iii) da

b) = 2 R, (1, 0, 0) H2 e 2(1, 0, 0) = ( 2, 0, 0)
Prop.3.3.1),
c) = 7 R, (1, 1, 1) H3 e 7(1, 1, 1) = (7, 7, 7)
/ H3 (falha condicao (iii) da
Prop.3.3.1. Observe-se que tambem falha a condicao (ii)),
d) = 1 R, (2, 1, 0) H4 e (1)(2, 1, 0) = (2, 1, 0)
/ H4 (falha condicao (iii)
da Prop.3.3.1),

38

e) (0, 0, 1) H5 , (0, 1, 0) H5 e (0, 0, 1) + (0, 1, 0) = (0, 1, 1)

/ H5 (falha condicao
(ii) da Prop.3.3.1).
Proposic
ao 3.3.4 Sejam E um espaco vectorial sobre F e E1 , E2 subespacos vectoriais de E. Entao:
a) E1 E2 e um subespaco vectorial de E;

b) E1 + E2 = { f +
g : f E1 ,
g E2 } e um subespaco vectorial de E;
c) E1 E2 e um subespaco vectorial de E se e so se E1 E2 ou E2 E1 .
Demonstrac
ao
a) (Usamos a Proposicao 3.3.3)

(i) 0 E1 e 0 E2 , donde, 0 E1 E2 ;

(ii) Sejam
x ,
y E E e , F.
1

Por definicao de interseccao,

x ,
y E1 e
x ,
y E2 .

Logo, x + y E1 e x + y E2 x +
y E1 E2 .
b) Fica ao cuidado do leitor efectuar a prova (muito simples), usando a Prop. 3.3.1
ou a Prop. 3.3.3.
c) () Trivial, ja que, se E1 E2 , E1 E2 = E2 e se E2 E1 , E1 E2 = E1 .
() Suponhamos que E1 E2 e um subespaco vectorial de E e que (com vista a um
absurdo) E1 * E2 e E2 * E1 .

Entao,
e 1 E1 tal que
e1
/ E2 e
e 2 E2 tal que
e2
/ E1 .

Como E1 E1 E2 e E2 E1 E2 , e 1 , e 2 E1 E2 (E1 E2 E)
e 1 +
e 2 E1 E2

(por definicao de uniao de conjuntos) e + e E ou e + e E .

1

Se
e1+
e 2 E1 , como
e 1 E1 ,
e 1 E1 , donde, (
e 1 ) + (
e1+
e 2) =
e 2 E1 ,

o que contradiz a hipotese.

Se
e1+
e 2 E2 conclui-se, de forma analoga, que
e 1 E2 , ou seja, um absurdo.

3.3.1

Subespa
co gerado

Proposic
ao 3.3.5 Sejam E um espaco vectorial sobre F e
v 1,
v 2, . . . ,
v n vectores

de E. Entao o conjunto G = {1 v 1 + 2 v 2 + . . . + n v n : 1 , 2 , . . . , n F} e um

subespaco vectorial de E, designado por subespa

co gerado por
v ,
v ,...,
v .
1

Demonstrac
ao (Usamos a Prop. 3.3.3)

39

(i) Pondo 1 = 2 = . . . = n = 0, tem-se 0

v 1 + 0
v 2 + . . . + 0
v n = 0 G;

(ii) Sejam
x ,
y G e , F.

Entao, 1 , 2 , . . . , n , 1 , 2 , . . . , n F tais que

x = 1
v 1 + 2
v 2 + . . . + n
vne

y = 1
v 1 + 2
v 2 + . . . + n
v n.

Tem-se,
x +
y = (
v +
v +. . .+
v )+(
v +
v +. . .+
v )=
1

(1 + 1 )
v 1 + (2 + 2 )
v 2 + . . . + (n + n )
v n G.
Notac
ao

O subespaco gerado por

v 1,
v 2, . . . ,
v n denota-se por <
v 1,
v 2, . . . ,
v n > ou

L(
v ,
v ,...,
v ).
1

Exemplos
1 Em R3 , determinamos o subespaco gerado por (1, 1, 1), (1, 0, 1).
(x, y, z) < (1, 1, 1), (1, 0, 1) > sse (x, y, z) = 1 (1, 1, 1) + 2 (1, 0, 1) sse

1 1 x

1 0 y
1 1 z
e a matriz ampliada de um

1
1

sistema linear possvel.

1 x
x
1 1
L02 =L2 L1

0 1 y x
0 y
L03 =L3 L1
1 z
0 0 zx

O sistema e possvel sse z x = 0, pelo que,

< (1, 1, 1), (1, 0, 1) >= {(x, y, z) R3 : z = x} (um plano de R3 ).
2 Em R4 , determinamos o subespaco gerado por (1, 1, 0, 2), (0, 1, 2, 3).
(x, y, z, w) < (1, 1, 0, 2), (0, 1, 2, 3) > sse (x, y, z, w) = 1 (1, 1, 0, 2) + 2 (0, 1, 2, 3)
sse

0 x

1 1 y

0 2 z

2 3 w
e a matriz ampliada de um sistema linear possvel.

1 0
x
1 0 x

1 1 y L02 =L2 +L1 0 1 y + x L03 =L3 L2

0 2 z
0 2
L0 =L4 3L2
0 =L 2L
L
4
1
z
4

2 3 w
0 3 w 2x
40

1 0

0 1

y+x

0 0

z 2x 2y

0 0 (w 2x) + (3x 3y)

O sistema e possvel sse z 2x 2y = 0 e w 5x 3y = 0, pelo que,

< (1, 1, 0, 2), (0, 1, 2, 3) >= {(x, y, z, w) R4 : z = 2x + 2y e w = 5x + 3y}.
3 Em R3 , determinamos o subespaco gerado por (1, 1, 1), (1, 0, 1), (1, 2, 0).
(x, y, z) < (1, 1, 1), (1, 0, 1), (1, 2, 0) > sse (x, y, z) = 1 (1, 1, 1)+2 (1, 0, 1)+3 (1, 2, 0)
sse

1 1 1 x

1 0 2 y
1 1 0 z
e a matriz ampliada de um sistema linear possvel.

1 1
1 1 1 x
L02 =L2 L1

0 1
1 0 2 y
0
L3 =L3 L1

1 1 0 z

yx
1 z x
1

O sistema e sempre possvel, quaisquer que sejam os valores reais de x, y, z. Logo,

< (1, 1, 1), (1, 0, 1), (1, 2, 0) >= R3 .

3.4

Base e dimens
ao

Definic
ao 36 Seja E um espaco vectorial sobre F. Diz-se que os vectores
u 1,
u 2, . . . ,
up

E geram o (s
ao geradores do) espaco, e escreve-se E =<
u 1,
u 2, . . . ,
u p >, se

qualquer vector de E se pode escrever como combinacao linear de u , u , . . . ,

u .
1

Definic
ao 37 Um espaco vectorial E diz-se finitamente gerado se existe um n
umero

finito de vectores
u ,
u ,...,
u E tais que E =<
u ,
u ,...,
u >.
1

Exemplo
Do que vimos no exemplo anterior, R3 e finitamente gerado, ja que
R3 =< (1, 1, 1), (1, 0, 1), (1, 2, 0) > .
Mais geralmente, para qualquer n N,
Rn =< (1, 0, 0, . . . , 0), (0, 1, 0, . . . , 0), . . . , (0, 0, 0, . . . , 1) >,
pelo que Rn e finitamente gerado.
41

Definic
ao 38 Seja E um espaco vectorial finitamente gerado.

Diz-se o conjunto B = {
e 1,
e 2, . . . ,
e n } E e uma base de E se:
(i) B e um conjunto de vectores linearmente independentes;

(ii) B e um conjunto de geradores de E, ou seja, E =<

e 1,
e 2, . . . ,
e n >.
Proposic
ao 3.4.1 Todo o espaco vectorial finitamente gerado tem uma base.
Observaco
es

1 O espaco nulo, E = { 0 }, e finitamente gerado, uma vez que { 0 } =< 0 >,

mas nao possui vectores linearmente independentes. Por isso, convenciona-se que a sua
base e o conjunto vazio, .
2 Se se atribuir uma certa ordem aos vectores da base B, diz-se que B e uma base

ordenada de E, e escreve-se B = (
e ,
e ,...,
e ).
1

3 Qualquer subespaco vectorial de um espaco finitamente gerado e um espaco

finitamente gerado, logo, tem uma base.
Proposic
ao 3.4.2 Duas quaisquer bases de um mesmo espaco vectorial tem o mesmo
n
umero de vectores.
Definic
ao 39 Chama-se dimens
ao de um espaco vectorial E, e denota-se por dim(E),
ao n
umero de vectores de uma base qualquer de E.
Um espaco finitamente gerado diz-se de dimens
ao finita, enquanto que um espaco
que nao seja finitamente gerado tem dimens
ao infinita.
Proposic
ao 3.4.3 Sejam E um espaco vectorial sobre F de dimensao n e B =

( e 1, e 2, . . . ,
e n ) uma base de E. Entao, qualquer vector
x E escreve-se de forma
u
nica como combinacao linear dos vectores de B, ou seja, existem escalares u
nicos

a1 , a2 , . . . , an F tais que x = a1 e 1 + a2 e 2 + . . . + an e n .
Demonstrac
ao

Suponhamos que
x = a1
e 1 +a2
e 2 +. . .+an
e n e que
x = b1
e 1 +b2
e 2 +. . .+bn
e n.

Entao, a1
e 1 + a2
e 2 + . . . + an
e n = b1
e 1 + b2
e 2 + . . . + bn
en

(a1 b1 ) e 1 + (a2 b2 ) e 2 + . . . + (an bn ) e n = 0

(os vectores de B sao linearmente independentes)
a1 b1 = a2 b2 = . . . = an bn = 0 a1 = b1 , a2 = b2 , . . . , an = bn .

Definic
ao 40 Sejam E um espaco vectorial sobre F de dimensao n,
x Ee

B = ( e 1 , e 2 , . . . , e n ) uma base (ordenada) de E. Os escalares u

nicos a1 , a2 , . . . , an F
42

tais que
x = a1
e 1 + a2
e 2 + . . . + an
e n designam-se por coordenadas de
x na base

B e escreve-se x = (a , a , . . . , a ) para o traduzir.

1

n B

Exemplo
Em R3 , ja vimos que os vectores (1, 1, 1), (1, 0, 1), (1, 2, 0) geram o espaco. E sao
linearmente independentes porque

1 1 1
1 1
1

L02 =L2 L1

0 1 1 ,
1 0 2
0
L3 =L3 L1
1 1 0
0 0 1
tem caracterstica 3.
Por isso, B = ((1, 1, 1), (1, 0, 1), (1, 2, 0)) e uma base de R3 .
Tem-se (1, 1, 1) = (1, 0, 0)B , (1, 0, 1) = (0, 1, 0)B , (1, 2, 0) = (0, 0, 1)B ,
(3, 3, 2) = (1, 1, 1)B , (x, y, z) = (2x + y + 2z, 2x y z, x z)B .
Proposic
ao 3.4.4 Seja E um espaco vectorial de dimensao n. Entao:
(I) Quaisquer n vectores linearmente independentes de E formam uma base de E.
(II) Quaisquer n geradores de E formam uma base de E.
(III) Qualquer sistema com mais de n vectores e sempre linearmente dependente.
(IV) Se E1 E, 0 dim(E1 ) n, tendo-se:

dim(E1 ) = 0 E1 = { 0 } e dim(E1 ) = n E1 = E.
Observac
ao
Num espaco vectorial de dimensao n, n e o n
umero maximo de vectores linearmente
independentes e o n
umero mnimo de geradores do espaco.
Exemplos de bases
Prova-se facilmente que:
a) Bc = ((1, 0), (0, 1)) e uma base de R2 a base canonica de R2 . Logo, dim(R2 ) = 2.
Tendo em conta que (x, y) = x(1, 0) + y(0, 1), (x, y) = (x, y)Bc .
b) Seja n N. Bc = ((1, 0, . . . , 0), (0, 1, . . . , 0), . . . , (0, 0, . . . , 1)) e uma base de Rn
a base canonica de Rn . Logo, dim(Rn ) = n.
Tendo em conta que (x1 , x2 , . . . , xn ) = x1 (1, 0, . . . , 0)+x2 (0, 1, . . . , 0)+. . .+xn (0, 0, . . . , 1),
(x1 , x2 , . . . , xn ) = (x1 , x2 , . . . , xn )Bc .
c1) Bc = ((1, 0), (0, 1)) e uma base de C2 como espaco vectorial complexo a base
canonica de C2 sobre C. Logo, dim(C2C ) = 2.
Tendo em conta que (z1 , z2 ) = z1 (1, 0) + z2 (0, 1), (z1 , z2 ) = (z1 , z2 )Bc .

43

c2) Bc = ((1, 0), (i, 0), (0, 1), (0, i)) e uma base de C2 como espaco vectorial real a
base canonica de C2 sobre R. Logo, dim(C2R ) = 4.
Tendo em conta que (z1 , z2 ) = z1 (1, 0) + z2 (0, 1) = (a1 + b1 i)(1, 0) + (a2 + b2 i)(0, 1) =
a1 (1, 0) + b1 (i, 0) + a2 (0, 1) + b2 (0, i), (z1 , z2 ) = (a1 + b1 i, a2 + b2 i) = (a1 , b1 , a2 , b2 )Bc .
d1) Seja n N. Bc = ((1, 0, . . . , 0), (0, 1, . . . , 0), . . . , (0, 0, . . . , 1)) e uma base de Cn
como espaco vectorial complexo a base canonica de Cn sobre C. Logo, dim(CnC ) = n.
Tendo em conta que (z1 , z2 , . . . , zn ) = z1 (1, 0, . . . , 0)+z2 (0, 1, . . . , 0)+. . .+zn (0, 0, . . . , 1),
(z1 , z2 , . . . , zn ) = (z1 , z2 , . . . , zn )Bc .
d2) Seja n N.
Bc = ((1, 0, . . . , 0), (i, 0, . . . , 0), (0, 1, . . . , 0), (0, i, . . . , 0), . . . , (0, 0, . . . , 1), (0, 0, . . . , i)) e uma
base de Cn como espaco vectorial real a base canonica de Cn sobre R.

Logo,

dim(CnR ) = 2n.
Tendo em conta que (z1 , z2 , . . . , zn ) = z1 (1, 0, . . . , 0)+z2 (0, 1, . . . , 0)+. . .+zn (0, 0, . . . , 1) =
(a1 +b1 i)(1, 0, . . . , 0)+(a2 +b2 i)(0, 1, . . . , 0)+. . .+(an +bn i)(0, 0, . . . , 1) = a1 (1, 0, . . . , 0)+
b1 (i, 0, . . . , 0) + a2 (0, 1, . . . , 0) + b2 (0, i, . . . , 0) + . . . + an (0, 0, . . . , 1) + bn (0, 0, . . . , i),
(z1 , z2 , . . . , zn ) = (a1 + b1 i, a2 + b2 i, . . . , an + bn i) = (a1 , b1 , a2 , b2 , . . . , an , bn )Bc .
"
#
"
#
"
#
"
#
1 0
0 1
0 0
0 0
e) Sendo E11 =
, E12 =
, E21 =
, E22 =
,
0 0
0 0
1 0
0 1
Bc = (E11 , E12 , E21 , E22 ) e uma base de R22 a base canonica de R22 . Logo,
dim(R22 ) = 4.
"
Tendo em conta que

a b

"

1 0

"

0 1

=a
+b
c d
0 0
0 0
"
#
a b
aE11 + bE12 + cE21 + dE22 ,
= (a, b, c, d)Bc .
c d
f) Em R2 , consideremos o subespaco vectorial

"
+c

0 0
1 0

"
+d

0 0
0 1

#
=

G = {(x, y) : y = mx} = {(x, mx) : x R}.

Como (x, mx) = x(1, m) e x e arbitrario, G =< (1, m) >.
O vector (1, m) e nao nulo, logo, linearmente independente. Por isso, B = ((1, m)) e uma
base de G e dim(G) = 1.
g) Em R3 , consideremos o subespaco vectorial
E1 = {(x, y, z) : x + y + z = 0}.
x + y + z = 0 z = x y, pelo que os vectores de E1 sao da forma
(x, y, x y) = (x, 0, x) + (0, y, y) = x(1, 0, 1) + y(0, 1, 1).
44

Logo, E1 =< (1, 0, 1), (0, 1, 1) >. Os vectores (1, 0, 1), (0, 1, 1) sao linearmente independentes (nenhum e combinacao linear do outro). Por isso, B = ((1, 0, 1), (0, 1, 1))
e uma base de E1 e dim(E1 ) = 2.
h) Em R4 , consideremos o subespaco vectorial
H = {(x, y, z, w) : x y + 2z = 0, w x z = 0}.
(

x y + 2z = 0
wxz = 0

y = x + 2z
w = x+z

pelo que os vectores de H sao da forma

(x, x + 2z, z, x + z) = (x, x, 0, x) + (0, 2z, z, z) = x(1, 1, 0, 1) + z(0, 2, 1, 1).
Logo, H =< (1, 1, 0, 1), (0, 2, 1, 1) >. Os vectores (1, 1, 0, 1), (0, 2, 1, 1) sao linearmente independentes (nenhum e combinacao linear do outro). Por isso, B = ((1, 1, 0, 1), (0, 2, 1, 1))
e uma base de H e dim(H) = 2.

3.5

Matriz de Mudan
ca de Base

Definic
ao 41 Sejam E um espaco vectorial e B1 = (
e 1,
e 2, . . . ,
e n) e

B2 = ( u 1 , u 2 , . . . , u n ) duas bases de E. Chama-se matriz de mudan

ca da base B1
para a base B2 `a matriz quadrada de ordem n

a11 a12 . . . a1n

a21 a22 . . . a2n

M(B1 , B2 ) = .
.. . .
..
,
.
.
.
.
.
an1 an2 . . . ann
onde

e 1 = a11
u 1 + a21
u 2 + . . . + an1
un

e 2 = a12
u 1 + a22
u 2 + . . . + an2
un
.
..
.

e
= a
u +a
u + ... + a
u
n

1n

2n

45

nn

(3.1)

Uma matriz de mudanca de base permite relacionar as coordenadas de um qualquer

vector de E nas duas bases envolvidas. Pondo P = M(B1 , B2 ), podemos usar notacao
matricial para traduzir as relacoes (3.1). Tem-se
h
i h
i

e1
e 2 ...
en =
u1
u 2 ...
u n P.

(3.2)

Se
x = x1
e 1 + x2
e 2 + . . . + xn
e n = x01
u 1 + x02
u 2 + . . . + x0n
u n , entao

x1
x01

h
i
i
x2 h
x02

e 1 e 2 ... e n
.. = u 1 u 2 . . . u n .. .
.
.
x0n
xn

x1
x01

0
x2
x
0
e X = .2 , vem
Pondo X =
.
.
.
.
.
x0n
xn
i
i
h
h

u1
u 2 ...
u n X0
e1
e 2 ...
en X =
h
i
h
i

(por (3.2)) ( u 1 u 2 . . . u n P )X = u 1 u 2 . . . u n X 0
h
i
h
i

(P
X)
=
u 1 u 2 ... u n
u 1 u 2 . . . u n X 0 P X = X 0.
Observac
ao
Se Q = M(B2 , B1 ) conclui-se, analogamente, que X = QX 0 . Como P X = X 0
X = P 1 X 0 (as n colunas de P , correspondentes `as coordenadas de cada vector da
base B1 relativamente a` base B2 , sao linearmente independentes. Por isso, c(P ) = n,
donde, P e invertvel), tem-se QX 0 = P 1 X 0 . A arbitrariedade de X 0 permite concluir
que Q = P 1 .
Exemplo
Em R3 , consideremos as bases B1 e B2 tais que B1 e a base canonica e
B2 = ((1, 1, 1), (1, 1, 0), (1, 0, 0)). De
(1, 0, 0) = 0(1, 1, 1) + 0(1, 1, 0) + 1(1, 0, 0)
(0, 1, 0) = 0(1, 1, 1) + 1(1, 1, 0) + (1)(1, 0, 0) ,
(0, 0, 1) = 1(1, 1, 1) + (1)(1, 1, 0) + 0(1, 0, 0)
vem

M(B1 , B2 ) = 0

1 .
1 1 0

46

Dado o vector (3, 2, 1) = (3, 2, 1)B1 , determinamos as suas coordenadas na base B2

usando a matriz de mudanca de base:

0 0
1
3
1

0 1 1 2 = 1 ,
1 1 0
1
1
pelo que, (3, 2, 1) = (1, 1, 1)B2 , ou seja, (3, 2, 1) = 1(1, 1, 1) + 1(1, 1, 0) + 1(1, 0, 0).
Como
(1, 1, 1) = 1(1, 0, 0) + 1(0, 1, 0) + 1(0, 0, 1)
(1, 1, 0) = 1(1, 0, 0) + 1(0, 1, 0) + 0(0, 0, 1) ,
(1, 0, 0) = 1(1, 0, 0) + 0(0, 1, 0) + 0(0, 0, 1)
temos

1 1 1

M(B2 , B1 ) = 1 1 0 .
1 0 0

1 1 1

(Note-se que 1 1 0 = 0 1 1 , uma vez que
1 1 0
1 0 0

1 1 1

1 0 0

1 1 0 0 1 1 = 0 1 0 .)
0 0 1
1 1 0
1 0 0

Se
x = (1, 2, 3)B2 ,

1 1 1

1 1 0 2 = 3 ,
1
3
1 0 0

donde,
x = (6, 3, 1)B1 = (6, 3, 1).

47

Captulo 4

APLICAC
OES
LINEARES
Definic
ao 42 Sejam E e E0 espacos vectoriais sobre um mesmo corpo F. Uma
aplicacao f : E E0 diz-se linear se:

i)
x ,
y E f (
x +
y ) = f (
x ) + f (
y)

ii) F,
x E

f (
x ) = f (
x ).

Exemplos
1 Se E e E0 sao espacos vectoriais sobre um mesmo corpo F, a aplicacao f : E E0

definida por f (
x ) = 0 E0 e linear (a aplicacao linear nula), uma vez que:

i) f (
x +
y ) = 0 E0 = 0 E0 + 0 E0 = f (
x ) + f (
y)
e

ii) f (
x ) = 0 E0 = 0 E0 = f (
x ).

2 Se E e um espaco vectorial sobre F, a aplicacao f : E E definida por f (

x)=
x
e linear (a aplicacao linear identidade, frequentemente denotada por 1E ):

i) f (
x +
y)=
x +
y = f (
x ) + f (
y)

ii) f (
x ) =
x = f (
x ).
3 A aplicacao f : R3 R2 tal que f (x, y, z) = (x + y + z, 2x y) e linear, uma
vez que:
i) f ((x1 , y1 , z1 ) + (x2 , y2 , z2 )) = f (x1 + x2 , y1 + y2 , z1 + z2 ) =
= ((x1 + x2 ) + (y1 + y2 ) + (z1 + z2 ), 2(x1 + x2 ) (y1 + y2 )) =
= ((x1 + y1 + z1 ) + (x2 + y2 + z2 ), (2x1 y1 ) + (2x2 y2 )) =
= (x1 + y1 + z1 , 2x1 y1 ) + (x2 + y2 + z2 , 2x2 y2 ) =
= f (x1 , y1 , z1 ) + f (x2 , y2 , z2 )
ii) f ((x, y, z)) = f (x, y, z) = (x + y + z, 2x y) =
= ((x + y + z), (2x y)) = (x + y + z, 2x y) = f (x, y, z).
49

4 Ja as funcoes que se seguem nao sao lineares:

a) f : R2 R2 definida por f (x, y) = (xy, x + y)
b) f : R2 R3 definida por f (x, y) = (2x + y, 1, x y)

a

31
2
c) f : R
R definida por f ( b ) = (a2 , b + c 2)
c
Com efeito,
a) f (2, 3) = (2 3, 2 + 3) = (6, 5), f ((1)(2, 3)) = f (2, 3) = (6, 5) e
(1)f (2, 3) = (6, 5) 6= (6, 5) = f ((1)(2, 3)). Por isso, falha a condicao ii) da
Definicao 42.
b) f (1, 1) = (2 + 1, 1, 1 1) = (3, 1, 0), f (1, 1) = (2 1, 1, 1 + 1) = (3, 1, 0),
f ((1, 1) + (1, 1)) = f (0, 0) = (0, 1, 0) 6= (0, 2, 0) = f (1, 1) + f (1, 1). Assim, a
condicao i) da Definicao 42 nao se verifica.



1
1
2



2
c) f ( 0 ) = (1 , 0 + 2 2) = (1, 0) e f (2 0 ) = f ( 0 ) = (22 , 0 + 4 2) =
2
2
4

1

(4, 2) 6= 2f ( 0 ) = 2(1, 0) = (2, 0), nao se verificando a condicao ii) da Definicao 42.
2
Proposic
ao 4.0.1 Se f : E E0 e uma aplicacao linear entao:

a) f ( 0 E ) = 0 E0

b) f (
x ) = f (
x)

c) f (
x
y ) = f (
x ) f (
y ).
Demonstrac
ao

a) 0 E + 0 E = 0 E f ( 0 E + 0 E ) = f ( 0 E )

(f linear) f ( 0 E ) + f ( 0 E ) = f ( 0 E ) f ( 0 E ) + f ( 0 E ) f ( 0 E ) = f ( 0 E ) f ( 0 E )

f ( 0 E ) = 0 E0

b) f (
x )+f (
x ) = f (
x +(
x )) = f ( 0 E ) = 0 E0 (por (a)), logo, f (
x ) = f (
x)

c) f (
x
y ) = f (
x + (
y )) = f (
x ) + f (
y ) = f (
x ) f (
y ) (por (b)).

Proposic
ao 4.0.2 Se E e E0 sao espacos vectoriais sobre um mesmo corpo F, uma
aplicacao f : E E0 e linear se e so se

, F,
x ,
y E f (
x +
y ) = f (
x ) + f (
y ).

50

(A demonstracao fica ao cuidado do leitor)

Proposic
ao 4.0.3 Sejam E e E0 espacos vectoriais sobre um mesmo corpo F, E

com dimensao finita, B = (

e 1,
e 2, . . . ,
e n ) uma base de E e
u 1,
u 2, . . . ,
u n vectores
arbitrarios de E0 . Entao existe uma e uma so aplicacao linear f : E E0 tal que

f (
e i) =
u i.

i {1, 2, . . . , n}
Mais ainda,

se
x = a1
e 1 + a2
e 2 + + an
e n entao f (
x ) = a1
u 1 + a2
u 2 + + an
u n.
Demonstrac
ao
Seja f : E E0 definida por

f (a1
e 1 + a2
e 2 + + an
e n ) = a1
u 1 + a2
u 2 + + an
un
Provamos que
(a) f e linear

(i) f ((a1
e 1 + a2
e 2 + + an
e n ) + (b1
e 1 + b2
e 2 + + bn
e n )) =

= f ((a + b ) e + (a + b ) e + + (a + b ) e ) =
1

= (a1 + b1 )
u 1 + (a2 + b2 )
u 2 + + (an + bn )
un =

= (a1 u 1 + a2 u 2 + + an u n ) + (b1 u 1 + b2 u 2 + + bn
u n) =

= f (a
e +a
e + + a
e ) + f (b
e +b
e + + b
e )
1

(ii) f ((a1
e 1 + a2
e 2 + + an
e n )) = f ((a1 )
e 1 + (a2 )
e 2 + + (an )
e n) =

= (a ) u + (a ) u + + (a ) u = (a u + a u + + a u ) =
1

= f (a1
e 1 + a2
e 2 + + an
e n)

(b) i {1, 2, . . . , n} f (
e i) =
ui

f (
e i ) = f (0
e 1 +0
e 2 + +1
e i + +0
e n ) = 0
u 1 +0
u 2 + +1
u i + +0
un =

= u
i

(c) f e u
nica
Se g : E E0 e uma aplicacao linear tal que

i {1, 2, . . . , n} g(
e i) =
u i,

entao, dado
x E arbitrario, tem-se:

g(
x ) = 1 g(a1
e 1 + a2
e 2 + + an
e n ) = a1 g(
e 1 ) + a2 g(
e 2 ) + + an g(
e n) = 2

= a f (
e ) + a f (
e ) + + a f (
e ) = f (a
e +a
e ++a
e ) = f (
x ), logo,
1

f = g.

x = a1
e 1 + a2
e 2 + + an
e n , para certos escalares a1 , a2 , . . . , an , dado que B e uma base de E

2
g( e i ) = u i = f ( e i )

51

Observac
ao
Traduz a Proposicao 4.0.3 que uma aplicacao linear cujo domnio e um espaco vectorial de dimensao finita fica perfeitamente definida quando se conhecem as imagens dos
vectores de uma qualquer base desse mesmo domnio.
Exemplos
1 Consideremos a aplicacao linear : R2 R3 tal que
(1, 1) = (1, 0, 1) e (1, 0) = (0, 2, 1).
Determinamos a expressao geral de .
(x, y) = y(1, 1) + (x y)(1, 0) (x, y) = (y(1, 1) + (x y)(1, 0)) =
= y(1, 1)+(xy)(1, 0) = y(1, 0, 1)+(xy)(0, 2, 1) = (y, 0, y)+(0, 2x2y, xy) =
= (y, 2x 2y, x 2y).
2 Determinamos uma aplicacao linear g : R3 R3 tal que
g(1, 2, 3) = (0, 0, 0) e (1, 2, 3) g(R3 ).
facil mostrar que os vectores (1, 2, 3), (0, 1, 0), (0, 0, 1) constituem uma base de R3
E
(cf. com o Captulo 3). Entao, a aplicacao linear g : R3 R3 tal que
g(1, 2, 3) = (0, 0, 0), g(0, 1, 0) = (1, 2, 3)g(0, 0, 1) = (0, 0, 1),
e (x, y, z) = x(1, 2, 3) + (y 2x)(0, 1, 0) + (z 3x)(0, 0, 1)
g(x, y, z) = x(0, 0, 0)+(y2x)(1, 2, 3)+(z3x)(0, 0, 1) = (y2x, 2y4x, 9x+3y+z)
satisfaz as duas condicoes requeridas.
3 A aplicacao linear f : R2 R2 tal que f (1, 0) = (0, 1), f (0, 1) = (1, 0) e a
simetria do plano em relacao a` recta y = x. Com efeito, (x, y) R2 ,
f (x, y) = f (x(1, 0) + y(0, 1)) = xf (1, 0) + yf (0, 1) = x(0, 1) + y(1, 0) = (y, x).
4 A aplicacao linear h : R2 R2 tal que h(1, 0) = (0, 1), h(0, 1) = (1, 0) e a
rotacao do plano em torno da origem, no sentido directo, de um angulo de amplitude 2 .
Com efeito, (x, y) R2 ,
h(x, y) = h(x(1, 0) + y(0, 1)) = xh(1, 0) + yh(0, 1) = x(0, 1) + y(1, 0) = (y, x).

4.1

N
ucleo e Imagem. Classifica
c
ao de um Morfismo

Definic
ao 43 Seja f : E E0 uma aplicacao linear. Chama-se:
52

a) N
ucleo de f , e denota-se por N uc(f ) ou por Ker(f ), ao subconjunto de E
formado por todos os vectores cuja imagem por f e o vector nulo de E0 , ou seja,

N uc(f ) = {
x E : f (
x ) = 0 E0 }.
b) Imagem de f , e denota-se por Im(f ), ao contradomnio de f , isto e,

Im(f ) = {f (
x):
x E} = f (E).
Proposic
ao 4.1.1 Nas condicoes da definicao anterior, tem-se que:
a) N uc(f ) E
b) Im(f ) E0 .
Demonstrac
ao

a) (i) f ( 0 E ) = 0 E0 0 E N uc(f )

(ii) Sejam
x ,
y N uc(f ) e , F quaisquer. Por definicao, f (
x ) = f (
y ) = 0 E0 .
Tem-se,

f (
x +
y ) = f (
x )+f (
y ) = 0 E0 + 0 E0 = 0 E0 + 0 E0 = 0 E0
x +
y N uc(f ).

b) (i) f ( 0 E ) = 0 E0 0 E0 Im(f )

(ii) Sejam
u ,
v Im(f ) e , F quaisquer. Entao,
a , b E tais que

f (
a)=
u e f( b ) =
v . Tem-se,

u +
v = f (
a ) + f ( b ) = f (
a + b )
u +
v Im(f ).

Proposic
ao 4.1.2 Sejam E um espaco vectorial de dimensao finita, B = (
e 1,
e 2, . . . ,
e n)
uma base de E e f : E E0 uma aplicacao linear. Entao

Im(f ) =< f (
e 1 ), f (
e 2 ), . . . , f (
e n) > .
Demonstrac
ao
Vamos mostrar que qualquer vector de Im(f ) pode escrever-se como combinacao

linear dos vectores f (

e ), f (
e ), . . . , f (
e ).
1

Seja
y Im(f ). Entao,
x E tal que
y = f (
x ). Como B e uma base do espaco,

a1 , a2 , . . . , an F tais que x = a1 e 1 + a2 e 2 + + an
e n . Donde,

y = f (
x ) = f (a1
e 1 + a2
e 2 + + an
e n ) = a1 f (
e 1 ) + a2 f (
e 2 ) + + an f (
e n)

y < f (
e 1 ), f (
e 2 ), . . . , f (
e n) > .
53

Observac
ao
Se E e um espaco vectorial de dimensao finita e f : E E0 e uma aplicacao linear,
resulta imediatamente da proposicao 4.1.2 que Im(f ) tambem tem dimensao finita. Mais
ainda, dim(Im(f )) dim(E).
Por outro lado, como N uc(f ) E, tambem N uc(f ) tem dimensao finita e
dim(N uc(f )) dim(E).
Veremos adiante como se relacionam as dimensoes de N uc(f ), Im(f ) e E.
Definic
ao 44 Se E e um espaco vectorial de dimensao finita e f : E E0 e uma
aplicacao linear, `a dimensao de N uc(f ) chama-se nulidade de f , denotando-se por nf
e `a dimensao de Im(f ) chama-se caracterstica de f , e denota-se por cf .
Exemplos
1 Consideremos a aplicacao linear f : R3 R2 definida por
f (x, y, z) = (x+y +z, 2xy). Determinamos N uc(f ), Im(f ) e as dimensoes respectivas.
N uc(f ) = {(x, y, z) R3 : f (x, y, z) = (0, 0)} = {(x, y, z) R3 : (x+y+z, 2xy) = (0, 0)}
(
(
(
x+y+z = 0
x + 2x + z = 0
z = 3x

,
2x y = 0
y = 2x
y = 2x
donde,
N uc(f ) = {(x, 2x, 3x) : x R} = {x(1, 2, 3) : x R} =< (1, 2, 3) >
(1, 2, 3) 6= (0, 0, 0), pelo que, o gerador de N uc(f ) e linearmente independente e, por
isso, B = ((1, 2, 3)) e uma base de N uc(f ) e nf = 1.
Im(f ) = {f (x, y, z) : (x, y, z) R3 } = {(x + y + z, 2x y) : x, y, z R}
(x + y + z, 2x y) = (x, 2x) + (y, y) + (z, 0) = x(1, 2) + y(1, 1) + z(1, 0)
Im(f ) =< (1, 2), (1, 1), (1, 0) > Im(f ) = R2 e cf = 2
(porque, em R2 , tres vectores sao sempre linearmente dependentes mas quaisquer dois
geradores dos indicados para Im(f ) sao linearmente independentes).
Alternativamente, podemos usar a proposicao 4.1.2 para determinar Im(f ):
atendendo a que ((1, 0, 0), (0, 1, 0), (0, 0, 1)) e uma base de R3 , tem-se
Im(f ) =< f (1, 0, 0), f (0, 1, 0), f (0, 0, 1) >=< (1, 2), (1, 1), (1, 0) >= R2 .
2 Seja g : R3 R4 a aplicacao linear tal que g(x, y, z) = (xz, 0, y +2z, xy +z).
Determinamos N uc(g), Im(g), ng e cg .
N uc(g) = {(x, y, z) R3 : g(x, y, z) = (0, 0, 0, 0)} =
54

= {(x, y, z) R3 : (x z, 0, y + 2z, x y + z) = (0, 0, 0, 0)}.

xz = 0

x = 0
0 = 0

y = 2z
y = 0 ,

y + 2z = 0

z + 2z + z = 0
z = 0
xy+z = 0
x = z

donde,
N uc(g) = {(0, 0, 0)} e ng = 0.
Im(g) =< g(1, 0, 0), g(0, 1, 0), g(0, 0, 1) >=< (1, 0, 0, 1), (0, 0, 1, 1), (1, 0, 2, 1) >

1 0 1 x
1 0 1 x

1 1 1 w
0 0

0
y

0 1
0
2 z
2 z

L2 L4 0 1
L2 =L2 L1
1 1 1 w
0 0
0 y

1 0 1
x
1 0 1
x

0 1 2 w x
0 1 2
wx

0 =L +L
L02 =L2 L1
L
3
2
2
z 3
4 z+wx
0 1
0 0

0 0
0
y
0 0
0
y
logo,
Im(g) = {(x, y, z, w) R4 : y = 0} e, atendendo a que a caracterstica da matriz e 3 , cg = 3.
Alternativamente,
Im(g) = {g(x, y, z) : (x, y, z) R3 } = {(x z, 0, y + 2z, x y + z) : x, y, z R} =
= {(x, 0, 0, x) + (0, 0, y, y) + (z, 0, 2z, z) : x, y, z R} =
= {x(1, 0, 0, 1) + y(0, 0, 1, 1) + z(1, 0, 2, 1) : x, y, z R}
Im(g) =< (1, 0, 0, 1), (0, 0, 1, 1), (1, 0, 2, 1) > .
A utilizacao do resultado que enunciaremos de seguida teria evitado alguns dos
calculos efectuados nestes dois exemplos.
Proposic
ao 4.1.3 (Teorema da Dimensao) Sejam E um espaco vectorial de dimensao finita e f : E E0 uma aplicacao linear. Entao,
dim(E) = dim(N uc(f )) + dim(Im(f ))
ou, abreviadamente,
dim(E) = nf + cf .

55

Demonstrac
ao

Sejam B1 = (
u 1,
u 2, . . . ,
u p ) (0 p dim(E)) uma base de N uc(f ) e

B = ( u 1 , u 2 , . . . , u p , e p+1 ,
e p+2 , . . . ,
e n ) uma base de E que contem B1 . Vamos

provar que B = (f ( e
), f ( e
), . . . , f (
e )) e uma base de Im(f ), de onde resultara
2

p+1

p+2

imediatamente a tese.

Seja
y Im(f ). Entao,
x E tal que
y = f (
x ).
Como B e uma base de E, a1 , a2 , . . . , ap , bp+1 , bp+2 , . . . , bn F tais que

x = a1
u 1 + a2
u 2 + + ap
u p + bp+1
e p+1 + bp+2
e p+2 + + bn
e n.
Donde,

y = f (
x ) = f (a1
u 1 + a2
u 2 + + ap
u p + bp+1
e p+1 + bp+2
e p+2 + + bn
e n) =

= a1 f (
u 1 ) + a2 f (
u 2 ) + + ap f (
u p ) + bp+1 f (
e p+1 ) + bp+2 f (
e p+2 ) + + bn f (
e n) = 3

e p+1 ) + bp+2 f (
e p+2 ) + + bn f (
e n) =
= a1 0 E0 + a2 0 E0 + + ap 0 E0 + bp+1 f (

= 0 E0 + 0 E0 + + 0 E0 + bp+1 f (
e p+1 ) + bp+2 f (
e p+2 ) + + bn f (
e n) =

= b f (
e
) + b f (
e
) + + b f (
e )
p+1

p+1

p+2

p+2

Im(f ) =< f (
e p+1 ), f (
e p+2 ), . . . , f (
e n) > .

Suponhamos agora que 1 f (

e p+1 ) + 2 f (
e p+2 ) + + np f (
e n ) = 0 E0 . Entao,

f (1
e p+1 + 2
e p+2 + + np
e n ) = 0 E0

1
e p+1 + 2
e p+2 + + np
e n N uc(f ) 4

1 , 2 , . . . , p F : 1
e p+1 +2
e p+2 + +np
e n = 1
u 1 +2
u 2 + +p
up

u +
u + +
u
e

e

e = 0 5
1

p+1

p+2

np

1 = 2 = . . . = p = 1 = 2 = . . . = np = 0,
como queramos.

Definic
ao 45 Uma aplicacao linear f : E E0 diz-se um:
(i) monomorfismo se e injectiva;
(ii) epimorfismo se e sobrejectiva;
(iii) isomorfismo se e bijectiva;
(iv) endomorfismo se E0 = E;
(v) automorfismo se e um endomorfismo bijectivo.

Os vectores
u 1, . . . ,
u p pertencem a N uc(f ), logo, tem imagem nula

Os vectores u 1 , . . . , u p geram N uc(f )

5
Por B ser uma base de E, os vectores de B sao linearmente independentes
3

56

Proposic
ao 4.1.4 Uma aplicacao linear f : E E0 e um monomorfismo se e so se

N uc(f ) = { 0 E }.
Demonstrac
ao

() Seja x N uc(f ). Supondo f injectiva, mostramos que

x = 0 E.

x N uc(f ) f (
x ) = 0 E0 = 6 f ( 0 E ) 7
x = 0 E.

() Suponhamos que f (
x ) = f (
y ). Provamos que
x =
y , usando a hipotese

(N uc(f ) = { 0 E }).

f (
x ) = f (
y ) f (
x ) f (
y ) = 0 E0 f (
x
y ) = 0 E0

x
y N uc(f ) = { 0 E }
x
y = 0E
x =
y.

Observac
ao
Se f : E E0 e linear e E tem dimensao finita entao:
(i) f e um monomorfismo sse nf = 0;
(ii) f e um epimorfismo (Im(f ) = E0 ) sse cf = dim(E0 );
(iii) f e um isomorfismo sse nf = 0 e cf = dim(E0 ) = dim(E).
Proposic
ao 4.1.5 Sejam E e E0 espacos vectoriais com a mesma dimensao (finita)
e
f : E E0 uma aplicacao linear. Entao, f e um monomorfismo se e so se e um
epimorfismo.
Demonstrac
ao
Seja n = dim(E) = dim(E0 ). Pelo Teorema da Dimensao (Proposicao 4.1.3),
n = n f + cf .
f monomorfismo nf = 0 n = cf f epimorfismo.

Observac
ao
1 Resulta da Proposicao anterior que, para que uma aplicacao linear entre espacos
vectoriais com a mesma dimens
ao seja bijectiva, basta que seja injectiva ou sobrejectiva.
6
7

Pela Proposic
ao 4.0.1
f e injectiva

57

2 So podem existir isomorfismos entre espacos vectoriais com a mesma dimensao.

Com efeito, de acordo com a Proposicao 4.1.3, se:
a) dim(E) < dim(E0 ), f nunca e sobrejectiva
(cf = dim(E) nf dim(E) < dim(E0 ));
b) dim(E) > dim(E0 ), f nunca e injectiva
(cf dim(E0 ) < dim(E) = cf + nf nf > 0).

Proposic
ao 4.1.6 Seja f : E E0 uma aplicacao linear. Entao f transforma
vectores linearmente independentes em vectores linearmente independentes se e so se f
e um monomorfismo.
Demonstrac
ao
() Por hipotese, f transforma vectores linearmente independentes em vectores li

nearmente independentes. Mostramos que N uc(f ) = { 0 E } (ou seja, que f e injectiva).

x N uc(f ) f (
x ) = 0 E0 f (
x ) linearmente dependente

(hipotese) x linearmente dependente

x = 0 E.

() Suponhamos que N uc(f ) = { 0 E } e sejam

e 1,
e 2, . . . ,
e p vectores linearmente

independentes de E. Provamos que f ( e ), f ( e ), . . . , f ( e ) sao vectores linearmente

1

independentes de E .

1 f (
e 1 ) + 2 f (
e 2 ) + + p f (
e p ) = 0 E0 f (1
e 1 + 2
e 2 + + p
e p ) = 0 E0

1
e 1 + 2
e 2 + + p
e p N uc(f ) = { 0 E } 1
e 1 + 2
e 2 + + p
ep= 0E

(
e ,...,
e linearmente independentes) = = . . . = = 0.
1

Observac
ao
Das Proposicoes 4.1.2 e 4.1.6 conclui-se que, se E e um espaco vectorial de dimensao

finita, B = (
e 1,
e 2, . . . ,
e n ) uma base de E e f : E E0 um monomorfismo, entao

B 0 = (f (
e ), f (
e ), . . . , f (
e )) e uma base de Im(f ), pelo que dim(Im(f )) = dim(E).
1

4.2

Soma, Multiplica
c
ao por Escalar, Composta e
Inversa de Aplica
c
oes Lineares

Proposic
ao 4.2.1 Sejam E e E0 espacos vectoriais sobre um mesmo corpo F, F,
f : E E0 e g : E E0 aplicacoes lineares. Entao as aplicacoes,
58

a) (f + g) : E E0 definida por (f + g)(

x ) = f (
x ) + g(
x ),
x E

b) (f ) : E E0 definida por (f )(
x ) = f (
x ),
x E
sao lineares.
Demonstrac
ao

a) (f + g)(
x +
y ) = f (
x +
y ) + g(
x +
y)=8

= (f (
x ) + f (
y )) + (g(
x ) + g(
y )) = (f (
x ) + g(
x )) + (f (
y ) + g(
y )) =

= (f + g)(
x ) + (f + g)(
y)
b) tem prova analoga a a)

Proposic
ao 4.2.2 Sejam E, E0 e E00 espacos vectoriais sobre um mesmo corpo F,
g : E E0 e f : E0 E00 aplicacoes lineares. Entao (f g) : E E00 definida por

(f g)(
x ) = f (g(
x )),
x E e uma aplicacao linear.
Demonstrac
ao

(f g)(
x +
y ) = f (g(
x +
y )) = 9 f (g(
x ) + g(
y )) = 10

= f (g(
x )) + f (g(
y )) = (f g)(
x ) + (f g)(
y ).

Proposic
ao 4.2.3 Sejam E e E0 espacos vectoriais sobre um mesmo corpo F e
f : E E0 um isomorfismo. Entao f 1 : E0 E ainda e um isomorfismo.
Demonstrac
ao
A inversa de uma bijeccao e ainda uma bijeccao. Por outro lado,

f 1 (
x +
y ) = 11 f 1 (f (
a ) + f ( b )) = f 1 (f (
a + b )) =

= (f 1 f )(
a + b ) =
a + b = f 1 (
x ) + f 1 (
y ).
Donde, f 1 e um isomorfismo.
Observac
ao
De acordo com os dois resultados anteriores, podemos afirmar que a composta de duas
aplicacoes lineares ainda e linear e que a inversa de um isomorfismo e um isomorfismo.
8

f e g s
ao lineares
g e linear
10
f e linear
9

f e, em particular, sobrejectiva. Por isso, existem

a , b E tais que
x = f (
a ),
y = f( b )

(por f ser injectiva) f 1 (

x)=
a , f 1 (
y)= b
11

59

4.3

Matriz de uma Aplica

c
ao Linear

No que se segue, todos os espacos vectoriais mencionados tem dimenso finita.

Definic
ao 46 Sejam E e E0 espacos vectoriais sobre um mesmo corpo F, de di

mensoes n e p respectivamente, B1 = (
e 1,
e 2, . . . ,
e n ) uma base (ordenada) de E,

0
0

0
B2 = ( e 1 , e 2 , . . . , e p ) uma base (ordenada) de E0 e f : E E0 uma aplicacao linear.
Entao, a matriz de f em relacao `as bases B1 e

a11

a21
M(f ; B1 , B2 ) =
..
.

B2 , M(f ; B1 , B2 ) , e

a12 . . . a1n

a22 . . . a2n
,
.. . .
..
. .
.

ap1 ap2 . . . apn

onde,

f (
e 1 ) = a11 e0 1 + a21 e0 2 + + ap1 e0 p

f (
e 2 ) = a12 e0 1 + a22 e0 2 + + ap2 e0 p
.
..

f (
e n ) = a1n e0 1 + a2n e0 2 + + apn e0 p

(4.1)

Observaco
es
1 As relacoes (4.1) podem ser traduzidas matricialmente da seguinte forma:
h

f (
e 1 ) f (
e 2 ) . . . f (
e n)

h
0

i
e 1 e0 2 . . . e0 p A,

onde A = M(f ; B1 , B2 ).
2 Tendo em conta a definicao de caracterstica de uma matriz, a Proposicao 4.1.2
e a forma como se constroi a matriz de uma aplicacao linear, e facil concluir que, se f e
linear e A e a matriz de f em relacao a certas bases, dim(Im(f )) = cf = c(A).
Exemplos
1 Sejam f : R2 R3 a aplicacao linear definida por f (x, y) = (2x, x y, 3y),
B1 = ((1, 0), (0, 1)), B2 = ((1, 1), (1, 2)) bases de R2 e B 0 1 = ((1, 0, 0), (0, 1, 0), (0, 0, 1)),
B 0 2 = ((1, 1, 1), (1, 1, 0), (1, 0, 0)) bases de R3 . Escrevemos:
a) M(f ; B1 , B 0 1 )
f (1, 0) = (2, 1, 0) = 2(1, 0, 0) + 1(0, 1, 0) + 0(0, 0, 1)
f (0, 1) = (0, 1, 3) = 0(1, 0, 0) + (1)(0, 1, 0) + 3(0, 0, 1), logo,

2 0

M(f ; B1 , B 0 1 ) = 1 1 .
0
60

b) M(f ; B2 , B 0 2 )
f (1, 1) = (2, 0, 3) = 3(1, 1, 1) + (3)(1, 1, 0) + 2(1, 0, 0)
f (1, 2) = (2, 3, 6) = 6(1, 1, 1) + (9)(1, 1, 0) + 1(1, 0, 0), logo,

3
6

M(f ; B2 , B 0 2 ) = 3 9 .
2

2 Consideremos o endomorfismo g de R3 tal que

g(1, 0, 0) = (1, 1, 0) , g(0, 1, 0) = (1, 1, 2) , g(0, 0, 1) = (0, 0, 1).
De acordo com a Proposicao 4.0.3, g esta perfeitamente definido e, tendo em conta os
dados, e muito facil escrever a matriz de g em relacao `a base canonica de R3 . Com efeito,
g(1, 0, 0) = (1, 1, 0) = 1(1, 0, 0) + (1)(0, 1, 0) + 0(0, 0, 1)
g(0, 1, 0) = (1, 1, 2) = (1)(1, 0, 0) + 1(0, 1, 0) + 2(0, 0, 1)
g(0, 0, 1) = (0, 0, 1) = 0(1, 0, 0) + 0(0, 1, 0) + (1)(0, 0, 1), donde,

A = M(g; ((1, 0, 0), (0, 1, 0), (0, 0, 1)), ((1, 0, 0), (0, 1, 0), (0, 0, 1))) = 1
0

1
1
2

0 .
1

Vamos agora determinar a expressao geral de g:

(x, y, z) = x(1, 0, 0) + y(0, 1, 0) + z(0, 0, 1)
g(x, y, z) = x g(1, 0, 0) + y g(0, 1, 0) + z g(0, 0, 1)
g(x, y, z) = x(1, 1, 0) + y(1, 1, 2) + z(0, 0, 1)
g(x, y, z) = (x y, x + y, 2y z), ou, matricialmente,

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

1
2

xy

0 y = A y = x + y ,
1
z
z
2y + z

que e a coluna de coordenadas de g(x, y, z) relativamente a` base canonica de R3 .

Com a expressao geral de g, e muito simples escrever a matriz de g em relacao a
qualquer ou quaisquer bases fixadas no domnio e no espaco de chegada (que, no caso de
g, coincidem). Mostraremos adiante que tal pode tambem ser feito efectuando o produto
de matrizes convenientes (uma matriz qualquer de g e matrizes de mudanca de base
adequadas, multiplicadas por certa ordem).
61

Como ja vimos, uma aplicacao linear fica perfeitamente definida quando se conhece
a sua expressao geral ou as imagens dos vectores de uma base do domnio. Outra forma
de a definir e a partir da sua matriz em relacao a bases previamente fixadas no domnio
e no espaco de chegada. Concretamente,
Proposic
ao 4.3.1 Sejam E e E0 espacos vectoriais sobre um mesmo corpo F,

B1 = (
e 1,
e 2, . . . ,
e n ) uma base (ordenada) de E, B2 = ( e0 1 , e0 2 , . . . , e0 p ) uma base
(ordenada) de E0 , f : E E0 uma aplicacao linear e A = M(f ; B1 , B2 ). Se X e a coluna

de coordenadas de
x E relativamente `a base B1 entao AX e a coluna de coordenadas

0
de f ( x ) E relativamente `a base B .
2

Demonstrac
ao
h
i

x =
e1
e 2 ...
en X
h
i
h
0
0

0 i

X
=
f (
x ) = f (
e 1) f ( e 2) . . . f ( e n)
e 1 e 2 . . . e p AX.
Exemplo
Seja f : R2 R3 a aplicacao linear cuja matriz em relacao a`s bases B1 = ((1, 1), (1, 2))

3
6

de R2 e B2 = ((1, 1, 1), (1, 1, 0), (1, 0, 0)) de R3 e A = 3 9 . Calculamos f (1, 0)

2

e f (x, y), recorrendo a A.

(1, 0) = 32 (1, 1) + ( 31 )(1, 2), e
"
A

2
3

13

= 3 9
2
1

"

2
3

13

= 1 ,
1

logo,
f (1, 0) = 0(1, 1, 1) + 1(1, 1, 0) + 1(1, 0, 0) = (2, 1, 0).
Analogamente,
(x, y) =

y+2x
(1, 1)
3

"
A

yx
(1, 2),
3

y+2x
3
yx
3

e
3

= 3 9
2
1

"

y+2x
3
yx
3

3y

= x 4y ,
x+y

logo,
f (x, y) = 3y(1, 1, 1) + (x 4y)(1, 1, 0) + (x + y)(1, 0, 0) = (2x, x y, 3y).

62

Proposic
ao 4.3.2 Sejam E e E0 espacos vectoriais sobre um mesmo corpo F, F,
f : E E0 e g : E E0 aplicacoes lineares, B1 uma base de E, B2 uma base de E0 .
Se A = M(f ; B1 , B2 ) e B = M(g; B1 , B2 ) entao
A + B = M(f + g; B1 , B2 ) e A = M(f ; B1 , B2 ).
Proposic
ao 4.3.3 Sejam E, E0 e E00 espacos vectoriais sobre um mesmo corpo F,
f : E E0 e g : E0 E00 aplicacoes lineares, B1 uma base de E, B2 uma base de E0 , B3
uma base de E00 .
Se A = M(f ; B1 , B2 ) e B = M(g; B2 , B3 ) entao
BA = M(g f ; B1 , B3 ).
Proposic
ao 4.3.4 Sejam E e E0 espacos vectoriais sobre um mesmo corpo F,
f : E E0 um isomorfismo, B1 uma base de E, B2 uma base de E0 .
Se A = M(f ; B1 , B2 ) entao
A1 = M(f 1 ; B2 , B1 ).
Exemplo
Sejam f1 : R2 R3 , f2 : R2 R3 , g : R3 R3 as aplicacoes lineares definidas por
f1 (x, y) = (2x, x y, 3y) , f2 (x, y) = (x + 2y, y, 0) , g(x, y, z) = (x + y, y z, x z),
B1 = ((1, 0), (0, 1)) a base canonica de R2 e B2 = ((1, 0, 0), (0, 1, 0), (0, 0, 1)) a base
canonica de R3 .

f1 (1, 0) = (2, 1, 0), f1 (0, 1) = (0, 1, 3) A1 = M(f1 ; B1 , B2 ) = 1 1 ,

0 3

1 2

f2 (1, 0) = (1, 0, 0), f2 (0, 1) = (2, 1, 0) A2 = M(f2 ; B1 , B2 ) = 0 1 ,

0
g(1, 0, 0) = (1, 0, 1), g(0, 1, 0) = (1, 1, 0), g(0, 0, 1) = (0, 1, 1)

1 1 0

B = M(g; B2 , B2 ) = 0 1 1 . Entao:
1 0 1

M(f1 + f2 ; B1 , B2 ) = A1 + A2 = 1 2 ,
0 3
e

63

"
(A1 + A2 )

3x + 2y

= x 2y (f1 + f2 )(x, y) = (3x + 2y, x 2y, 3y)12 .

3y

10

M(5f1 ; B1 , B2 ) = 5A1 = 5
0

5 ,
15

e
"
(5A1 )

x
y

10x

= 5x 5y (5f1 )(x, y) = (10x, 5x 5y, 15y).

15y

3 1

M(g f1 ; B1 , B2 ) = BA1 = 1 4 ,
2 3
e

"
(BA1 )

x
y

3x y

= x 4y (g f1 )(x, y) = (3x y, x 4y, 2x 3y).

2x 3y

Vamos agora obter estes mesmos resultados usando as expressoes gerais das funcoes
dadas:

(f1 +f2 )(x, y) = f1 (x, y)+f2 (x, y) = (2x, xy, 3y)+(x+2y, y, 0) = (3x+2y, x2y, 3y),

(5f1 )(x, y) = 5f1 (x, y) = 5(2x, x y, 3y) = (10x, 5x 5y, 15y),

(gf1 )(x, y) = g(f1 (x, y)) = g(2x, xy, 3y) = (2x+xy, xy3y, 2x3y) = (3xy, x4y, 2x3y).
Finalmente, verificamos se g e um automorfismo de R3 . Tendo em conta que cg = c(B)
e c(B) = 3 (confirmar), g e um epimorfismo, logo, um isomorfismo.
12

Uma vez que a base fixada no espaco de chegada e a canonica

64

1
2
1
2
1
2

M(g 1 ; B2 , B2 ) = B 1 =

B 1 y =
z

1
x
2
1
x
2
1
x
2

21 y + 12 z

12
1
2

12

1
2

21 , e
21

1 1 1
1 1 1
1 1
1

+ 12 y 12 z g 1 (x, y, z) = ( x y+ z, x+ y z, x y z),
2
2 2 2
2 2 2
2 2
21 y 21 z

ou, com escrita mais simplificada,

1 1 1

M(g 1 ; B2 , B2 ) = B 1 = 21 1 1 1 , e
1 1 1

xy+z
x
1
1

B 1 y = x + y z g 1 (x, y, z) = (x y + z, x + y z, x y z).
2
2
xyz
z
Invertemos g a partir da sua expressao geral:

x+y = u
g(x, y, z) = (u, v, w) (x + y, y z, x z) = (u, v, w)
yz = v

xz = w

u
1 1 0 u
1 1
0

0 1 1

v
0 1 1 v
0
0
1 0 1 w

1 1

0
0

1 1

L3 =L3 L1

u
v

0 1 1 w u

1 1 0

01 0 1 1
L3 = 2 L3

L3 =L3 +L2

0
L2 =L2 +L3

0 0 1 12 (u v w)

1 0
u
1 0 0 12 (u v + w)

0 1 0 12 (u + v w) , donde,
1 0 12 (u + v w)
0
L1 =L1 L2
0 0 1 12 (u v w)
0 0 1 12 (u v w)

x = 2 (u v + w)
y = 12 (u + v w) .

z = 12 (u v w)
0 2 w u + v

Assim,
1
1
1
g 1 (u, v, w) = ( (u v + w), (u + v w), (u v w))
2
2
2
1
g 1 (x, y, z) = (x y + z, x + y z, x y z).
2

65

4.3.1

Rela
c
ao entre as diferentes Matrizes de uma Aplicac
ao
Linear

Sejam f : E E0 uma aplicacao linear, B1 , B2 bases de E, B 0 1 , B 0 2 bases de E0 ,

A = M(f ; B1 , B 0 1 ) e B = M(f ; B2 , B 0 2 ). Vamos estabelecer a relacao entre as matrizes
A e B. Facamos um diagrama para melhor a entender.
A

E0

(B 0 1 )

(B1 )
Q 1E

1E0 P
f

E0

(B 0 2 )

(B2 )
Como,

f = 1E0 f 1E ,
M(f ; B2 , B 0 2 ) = M(1E0 ; B 0 1 , B 0 2 )M(f ; B1 , B 0 1 )M(1E ; B2 , B1 ),
ou seja,
B = P AQ.

Observe-se que, como

e E 1E (
e)=
e,
M(1E ; B2 , B1 ) = M(B2 , B1 ).
Analogamente,
M(1E0 ; B 0 1 , B 0 2 ) = M(B 0 1 , B 0 2 ).
Mais geralmente, em qualquer espaco vectorial de dimensao finita V, a matriz da
aplicacao linear 1V em relacao a duas bases B e B 0 , M(1V ; B, B 0 ), e exactamente a matriz
de mudanca da base B para a base B 0 , M(B, B 0 ).
Assim, as matrizes P e Q referidas atras sao matrizes de mudanca de base, logo,
invertveis.
Definic
ao 47 Sejam A e B matrizes do tipo m n com entradas num corpo F. Dizse que A e B sao equivalentes se existem matrizes regulares P Fmm , Q Fnn ,
tais que B = P AQ.
Matrizes de uma mesma aplicacao linear sao, por isso, equivalentes.

66

Exemplo
Vimos num exemplo anterior que, dadas a aplicacao linear f : R2 R3 definida
por f (x, y) = (2x, x y, 3y), B1 = ((1, 0), (0, 1)), B2 = ((1, 1), (1, 2)) bases de R2 e
B 0 1 = ((1, 0, 0), (0, 1, 0), (0, 0, 1)), B 0 2 = ((1, 1, 1), (1, 1, 0), (1, 0, 0)) bases de R3 ,

2 0
3
6

A = M(f ; B1 , B 0 1 ) = 1 1 , B = M(f ; B2 , B 0 2 ) = 3 9 .
0 3
2
1
Vamos obter B, a partir de A e de matrizes de mudanca de base convenientes. Tem-se,
A

R2

R3

(B 0 1 )

(B1 )
Q 1R2

1R3 P
f

R2

R3

(B 0 2 )

(B2 )
"
Q = M(B2 , B1 ) =

1 1
1

#
,

P = M(B 0 1 , B 0 2 )
e,
(1, 0, 0) = 0(1, 1, 1) + 0(1, 1, 0) + 1(1, 0, 0)
(0, 1, 0) = 0(1, 1, 1) + 1(1, 1, 0) + (1)(1, 0, 0) ,
(0, 0, 1) = 1(1, 1, 1) + (1)(1, 1, 0) + 0(1, 0, 0)
donde,

1 .
1 1 0

"
#
"
#
0 0
1
2 0
0 3
3
6
1 1

1 1

= 1 4
= 3 9 .
B = P AQ = 0 1 1 1 1
1 2
1 2
1 1 0
0 3
1 1
2
1

P = 0

Caso Particular
Sejam f : E E um endomorfismo de E, B1 , B2 duas bases de E, A = M(f ; B1 , B1 )
e B = M(f ; B2 , B2 ). Entao B = P 1 AP porque, se P = M(B2 , B1 ), P 1 = M(B1 , B2 )
(cf. com o Captulo 3).
Definic
ao 48 Sejam A e B matrizes do tipo n n com entradas num corpo F.
Diz-se que A e B sao semelhantes se existe uma matriz invertvel P Fnn tal que
B = P 1 AP .
67

Do que foi dito antes e da definicao resulta que, se A e a matriz de um endomorfismo

em relacao a uma base B e B e a matriz do mesmo endomorfismo em relacao a uma base
B 0 , entao A e B sao semelhantes.
Exemplo
Seja g o endomorfismo de R3 cuja matriz A, em relacao `a base canonica de R3 , que
designaremos por B, e:

0 1

A= 0

1 0

1 .
1

Determinamos a matriz de B, de g, em relacao `a base B 0 = ((1, 0, 1), (0, 1, 1), (0, 0, 1)),
usando matrizes de mudanca de base.

1 0 0

B = P 1 AP onde, P = M(B 0 , B) = 0 1 0 e P 1 = M(B, B 0 ) = 0

1 0 .
1 1 1
1 1 1
Logo,

1
0 0
1 0 1
1 0 0

B= 0
1 0 0 1 1 0 1 0 =
1 1 1
1 0 1
1

0
1 0 0
1
0 1

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

1 1
1 1

1 .
1

2
0

Vamos confirmar o resultado, calculando a expressao geral de g e depois as imagens

dos vectores da base B 0 .

g(x, y, z) =

(1, 0, 0) (0, 1, 0) (0, 0, 1)

xz

0 1

0 1
1 0

1 y =
1
z

y + z = (x z, y + z, x + z).
x + z
g(1, 0, 1) = (0, 1, 0) = 0(1, 0, 1) + 1(0, 1, 1) + (1)(0, 0, 1),
(1, 0, 0) (0, 1, 0) (0, 0, 1)

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

g(0, 0, 1) = (1, 1, 1) = (1)(1, 0, 1) + 1(0, 1, 1) + 1(0, 0, 1), logo,

0 1 1

B = M(g; B 0 , B 0 ) = 1
2
1 .
1
Terminamos este Captulo com uma
68

Observac
ao
Se E e E0 sao espacos vectoriais sobre o corpo F, o conjunto de todas as aplicacoes
lineares de E para E0 , que se denota por L(E, E0 ), e um espaco vectorial sobre F, para
as operacoes de adicao e de multiplicacao por um escalar definidas na seccao 2 deste
Captulo.
Se E e E0 tem dimensao finita, digamos dim(E) = n e dim(E0 ) = m, e fixando uma
base B em E e uma base B 0 em E0 , existe um isomorfismo natural entre L(E, E0 ) e Fmn :
a funcao (linear) que a cada aplicacao linear de E em E0 faz corresponder a sua matriz
em relacao a`s bases B e B 0 .

69

Captulo 5
VECTORES e VALORES

PROPRIOS

5.1

Definic
ao e Exemplos

Definic
ao 49 Sejam E um espaco vectorial sobre o corpo F e f : E E um endo
morfismo de E. Um vector
v E diz-se um vector pr
oprio de f , associado ao valor
pr
oprio F, quando:

i)
v 6= 0

ii) f (
v ) =
v.
Definic
ao 50 Sejam E um espaco vectorial sobre o corpo F e f : E E um endomorfismo de E. Ao conjunto de todos os valores proprios de f da-se o nome de espectro
de f .
Exemplos
1 Seja f o endomorfismo de R2 definido por
f (x, y) = (x, y).
Determinamos os vectores proprios de f e os (
valores proprios associados.
(
x = x
x( + 1) = 0
f (x, y) = (x, y) (x, y) = (x, y)

y = y
y( 1) = 0
Se x = y = 0, (x, y) = (0, 0) nao e vector proprio de f .
Se x = 0, y 6= 0, = 1, pelo que (0, y) e vector proprio de f associado ao valor proprio
1, para qualquer y R \ {0}.
71

Se x 6= 0, y = 0, = 1, pelo que (x, 0) e vector proprio de f associado ao valor

proprio (1), para qualquer x R \ {0}.
Se x 6= 0, y 6= 0 entao = 1 e = 1, o que e impossvel.
O espectro de f e {1, 1}.
2 Seja g o endomorfismo de R2 definido por
g(a, b) = (b, a).
Determinamos os vectores proprios de g e (
os valores proprios
( associados.
b = a
b = a
g(a, b) = (a, b) (b, a) = (a, b)

a = b
a = 2 a
(
b = a

a(2 1) = 0
Se a = 0 entao b = 0 e (a, b) = (0, 0) nao e vector proprio de g.
Se a 6= 0 entao 2 = 1 = 1 ou = 1.
Quando = 1, b = a pelo que, (a, a) e vector proprio de g associado ao valor
proprio (1), para qualquer a R \ {0}.
Quando = 1, b = a pelo que, (a, a) e vector proprio de g associado ao valor proprio
1, para qualquer a R \ {0}.
O espectro de g e {1, 1}.
Observac
ao
Um endomorfismo de R2 pode ser interpretado geometricamente como uma transformacao do plano. As direcc
oes dos vectores pr
oprios respectivos sao as direcc
oes
principais da transformacao.
Relativamente aos dois exemplos anteriores, f e a simetria em relacao a` recta x = 0
(o eixo dos yy) e as suas direccoes principais sao os eixos coordenados e g e a simetria
em relacao a` recta y = x, sendo as rectas y = x e y = x as suas direccoes principais.
De seguida, enunciamos um resultado muito u
til, que permite determinar facilmente
os vectores e os valores proprios de um endomorfismo de um espaco vectorial de dimensao
finita.
Proposic
ao 5.1.1 Sejam E um espaco vectorial sobre F de dimensao finita n, B
uma sua base, f um endomorfismo de E e A = M(f ; B, B). Entao:
1) e valor proprio de f se e so se det(A In ) = 0.
2) Se 0 e um valor proprio de f , os vectores proprios de f associados a 0 sao os
vectores cujas coordenadas, em relacao `a base B, sao as solucoes nao nulas do sistema
homogeneo (indeterminado) (A 0 In )X = 0.
72

Demonstrac
ao

1) e valor proprio de f
x 0 E \ { 0 } tal que f (
x 0 ) =
x0
1 X0 Fn1 \ {0} tal que AX0 = X0
X0 Fn1 \ {0} tal que AX0 X0 = 0
X0 Fn1 \ {0} tal que (A In )X0 = 0
o sistema homogeneo (A In )X = 0 e indeterminado (tem solucao nao nula)
det(A In ) = 0.
2) Se 0 e valor proprio de f e X0 e uma solucao nao nula do sistema (A0 In )X = 0
entao (A 0 In )X0 = 0, ou seja, AX0 = 0 X0 .

Seja
x 0 E o vector cuja coluna de coordenadas em relacao a` base B e X0 . Como

X0 6= 0,
x 0 6= 0 e AX0 = 0 X0 f (
x 0 ) =
x 0 , donde,
x 0 e um vector proprio de f
associado a 0 .

Definic
ao 51 Nas condicoes da Proposicao 5.1.1, o polinomio p() = det(A In )
chama-se polin
omio caracterstico de A e a equacao det(A In ) = 0 e a equa
c
ao
caracterstica de A. As solucoes da equacao caracterstica que pertencam ao corpo F
(ou seja, as razes do polinomio caracterstico em F) sao os valores proprios de f e da
matriz A. Os vectores coluna correspondentes `as coordenadas, em relacao `a base B, dos
vectores proprios de f sao os vectores proprios de A.
Observac
ao
Atendendo a que o polinomio caracterstico de A, p() = det(AIn ), e um polinomio
de grau n e que um polinomio de grau n tem, no maximo, n razes, conclui-se que f tem,
no maximo, n valores proprios.
Proposic
ao 5.1.2 Sejam E um espaco vectorial de dimensao finita n, B e B 0 duas
bases de E, f um endomorfismo de E, A = M(f ; B, B) e A0 = M(f ; B 0 , B 0 ). Entao o polinomio caracterstico de A coincide com o de A0 e designa-se por polinomio caracterstico
de f .
Demonstrac
ao
Tendo em conta a relacao entre duas matrizes de um endomorfismo (cf. com o
Captulo 4), A0 = P 1 AP para certa matriz regular P (matriz de mudanca de base).
Tem-se:
det(A0 In ) = det(P 1 AP In ) = det(P 1 AP P 1 In P ) =
1

X0 e a coluna de coordenadas de
x 0 na base B

73

= det(P 1 AP P 1 (In )P ) = det(P 1 (A In )P ) = det(P 1 )det(A In )det(P ) =

= det(A In )det(P 1 )det(P ) = det(A In )

1
det(P ) = det(A In ).
det(P )

Observac
ao
Resulta desta proposicao que, matrizes semelhantes tem os mesmos valores proprios.

Definic
ao 52 Seja p() o polinomio caracterstico de um endomorfismo f de um
espaco vectorial de dimensao finita. Seja 0 F uma raz de p() (isto e, um valor
proprio de f ). A multiplicidade alg
ebrica de 0 , que se denota por ma (0 ), e a
multiplicidade de 0 enquanto raz de p().
Mais precisamente, se p() = ( 0 )k q(), onde q() e um polinomio que nao
admite a raz 0 , ma (0 ) = k.

Exemplos
1 Seja f o endomorfismo de R3 definido por
f (x, y, z) = (3x + y z, 7x + 5y z, 6x + 6y 2z).
Determinamos os valores proprios de f e os vectores proprios associados.
Primeiramente, escrevemos a matriz A, de f , em relacao `a base canonica de R3 .
f (1, 0, 0) = (3, 7, 6), f (0, 1, 0) = (1, 5, 6), f (0, 0, 1) = (1, 1, 2), logo,

3 1 1

A = 7 5 1 .
6 6 2

A I3 =

6
6
2

 3
1
1


p() = |A I3 | =  7
5
1

 6
6
2

= (3 )(5 )(2 ) + 42 + 6 (6(5 ) 6(3 ) 7(2 )) =

= (3 + )(5 )(2 + ) + 48 (30 6 + 18 + 6 + 14 + 7) =
= (3 + )(5 )(2 + ) + 48 (48 + 7(2 + )) = (3 + )(5 )(2 + ) 7(2 + ) =

74

= (2+)((3+)(5)7) = (2+)(2 +2+8) = (2+)(2+)(4) = (2+)2 (4).

Os valores proprios de f sao 2 e 4, sendo ma (2) = 2 e ma (4) = 1.
Vectores proprios associados a = 2 (resolvemos o sistema (A (2)I3 )X = 0):

1 1 1
1 1 1

L0 =L2 7L1
A (2)I3 = 7 7 1 20 0 0 6

0
6 6

1 1 1

1 1 1

L3 =L3 L2

1 1 0

0
6 01 0 0 1
0
L1 =L1 +L2
L2 = 6 L2
0 0
0
0 0 0
(
(
x + y = 0
y = x

,
z = 0
z = 0

0
0
L3 =L3 L2

L3 =L3 6L1

0 1
0 0

logo, os vectores proprios associados a = 2 sao os vectores da forma (x, x, 0), com
x 6= 0.
Vectores proprios associados a = 4 (resolvemos o sistema (A 4I3 )X = 0):

7
1
1
7 1 1

L03 = 61 L3

0 0 0
A 4I3 = 7 1 1
0

1 1 1

0
L3 L1

0 0
L3 =L3 7L1
7 1 1

1 1
1 1

0
0 0 1

1 0
L03 = 6 L3
0 1

L3 L2

1
(

L3 L1

L2 =L2 L1

6 6 6

0
x = 0
y + z = 0

0
(

1 1 1
1

0 01
L3 = 6 L3
0 6 6

1
1 0 0

0 1 1
1
0
L1 =L1 +L2
0
0
0 0
0

x = 0
z = y

logo, os vectores proprios associados a = 4 sao os vectores da forma (0, y, y), com
y 6= 0.
2 Seja g o endomorfismo de R3 cuja matriz, em relacao `a base
B = ((1, 1, 1), (1, 1, 0), (1, 0, 0)), e

1 0

A = 1
0

2
1

75

1 .
1

Calculamos os valores proprios de g e os vectores proprios associados.

1 1
0

A I3 = 1 2
1
0


 1 1
0


p() = |A I3 | =  1 2
1

 0
1
1

= (1 )(2 )(1 ) ((1 ) + (1 )) = (1 )2 (2 ) 2(1 ) =

= (1 )[(2 )(1 ) 2)] = (1 )(2 3 + 2 2) = (1 )( 3).
Os valores proprios de g sao 0, 1 e 3, sendo ma (0) = ma (1) = ma (3) = 1.
Para = 0:

1 0

1 1 0

0
1
L02 =L2 +L1
0
1 1
(
(
xy = 0
x

y+z = 0
z

A 0I3 = A = 1

1 1 0

0
1
L03 =L3 L2
1
0

1
1

= y
= y

1
0

logo, os vectores proprios associados a = 0 sao os vectores da forma

y(1, 1, 1) + y(1, 1, 0) + (y)(1, 0, 0) = (y, 2y, y), com y 6= 0.
Para = 1:

1 0

0
1 0
L03 =L3 +L2
1 0
0
1
(
(
x + y + z = 0
z = x

,
y = 0
y = 0

A 1I3 = 1

1 0
L1 L2
0
0

x(1, 1, 1) + 0(1, 1, 0) + x(1, 0, 0) = (2x, x, x), com x 6= 0.

Para = 3:

2 1

A 3I3 = 1 1
0

1 1

1 2 1 0 0
L1 L2
L2 =L2 2L1
2
0
1 2

1 1

0 0

L2 =L2 2L1

1 1

0
2
0
L3 =L3 L2
2
0
76

1
0

2
0

1 0
0 0

logo, os vectores proprios associados a = 1 sao os vectores da forma

x y + z = 0

y 2z = 0

x = z
y = 2z

logo, os vectores proprios associados a = 3 sao os vectores da forma

(z)(1, 1, 1) + 2z(1, 1, 0) + z(1, 0, 0) = (2z, z, z), com z 6= 0.
3
de #R22
" Seja h# o "endomorfismo
# "
" cuja #matriz, em relacao `a base canonica
1 0
0 1
0 0
0 0
Bc = (
,
,
,
), e
0 0
0 0
1 0
0 1

1 2 0 1

0 1 1 0

.
A=

0
0
1
2

0 0 0 2
Calculamos os valores proprios de h e os vectores proprios associados.

1
2
0
1

1
0

A I4 =
0

0
1

0
0
0
2


 1

2
0
1




 0
1
1
0 

p() = |A I4 | = 
=
0
1 2 
 0


 0
0
0
2 
= (1 )(1 )(1 )(2 ).
Os valores proprios de h sao 1, 1 e 2, sendo ma (1) = ma (2) = 1 e ma (1) = 2.
Para = 1:

0
A(1)I4 =
0

2 0 1

2 2 0 1

2 2 0 1

0
0 0 1 0 0 0 1 0

0
3
0 2 2
L3 =L3 2L2 0 0 0 2 L04 =L4 + 2 L3 0 0 0 2
0 0 3
0 0 0 3
0 0 0 0

2x
+
2y

w
=
0

y = x
,
z = 0
z = 0

2w = 0
w = 0
0 1

logo, os vectores proprios associados a = 1 sao os vectores da forma

"
x

1 0
0 0

"
+ (x)

0 1
0 0

"
=

77

x x
0

#
, com x 6= 0.

Para = 1:

0 2 0 1

0 2 1 0 L03 = 12 L3

A 1I4 =

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

0 0 0 1

0 2 0 1

0 2 0 1

0 0 1 1
0 0 1 1

0
0 0 0 1
L4 =L4 L3 0 0 0 1
0 0 0 0
0 0 0 1

2y

w
=
0

y = 0
zw = 0
z = 0 ,

w = 0
w = 0
logo, os vectores proprios associados a = 1 sao os vectores da forma
"
x

1 0
0 0

Para = 2:

"
=

x 0

, com x 6= 0.

0 0

0 3 1
0

A 2I4 =
0 1 2
0

0
0
0
0

7
x + 2y w = 0

x = 2y w
x = 3w

3y + z = 0
y = 31 z
y = 23 w ,

z 2w = 0
z = 2w
z = 2w

logo, os vectores proprios associados a = 2 sao os vectores da forma

7
( w)
3

"

1 0
0 0

2
+ ( w)
3

"

0 1
0 0

"
+ (2w)

0 0
1 0

"
+w

0 0
0 1

"
=

73 w 23 w
2w

#
,

com w 6= 0.

5.2

Subespacos Pr
oprios

Proposic
ao 5.2.1 Sejam E um espaco vectorial sobre o corpo F, f : E E um
endomorfismo de E e F. Entao o conjunto

E = {
x E : f (
x ) =
x}
e um subespaco vectorial de E.
78

Demonstrac
ao

(i) f ( 0 ) = 0 = 0 0 E

(ii) Sejam , F e
x ,
y E . Provamos que
x +
y E

f (
x +
y ) = f (
x ) + f (
y ) = 2 (
x ) + (
y ) = (
x +
y)

x +
y E .

Observac
ao

E 6= { 0 } se e so se e um valor proprio de f .
Definic
ao 53 Nas condicoes da Proposicao 5.2.1, se 0 e um valor proprio de f o
subespaco E0 , formado pelo vector nulo e por todos os vectores proprios associados a
0 , chama-se subespa
co pr
oprio associado ao valor pr
oprio 0 .
Se E tem dimensao finita, a dimensao de E0 designa-se por multiplicidade geom
etrica do valor pr
oprio 0 e denota-se por mg (0 ).
Proposic
ao 5.2.2 Sejam E um espaco vectorial de dimensao finita sobre o corpo F,
f : E E um endomorfismo de E e 0 F um valor proprio de f . Entao
1 mg (0 ) ma (0 ).
Demonstrac
ao
Seja 0 F um valor proprio de f , n = dim(E), k = dim(E0 ) = mg (0 ) e

B0 = (
u 1, . . . ,
u k ) uma base de E0 .

Seja B = ( u , . . . ,
u ,
e
,...,
e ) uma base de E que contem a base B
1

k+1

Entao,

...

A = M(f ; B, B) =

0
..
.

0 . . .
.. . .
.
.

0
..
.

A1,2

. . . 0

0 0 ... 0
0
..
.

0 ...
.. . .
.
.

0
..
.

0 0 ... 0

por hip
otese, f (
x ) =
x , f (
y ) =
y

79

A2,2

de E0 .

para certas matrizes A1,2 Fk(nk) , A2,2 F(nk)(nk) e




 0
0
...
0






0
0 . . .
0
 |A2,2 Ink | = (0 )k |A2,2 Ink |
p() = |AIn | = 
..
..
..
..

.
.
.
.





0
0
. . . 0 
ma (0 ) k = mg (0 ).

Observac
ao
Resulta da proposicao anterior que, se ma (0 ) = 1 (isto e, se 0 e uma raz simples
do polinomio caracterstico) entao mg (0 ) = 1.

5.3

Endomorfismos Diagonaliz
aveis

Proposic
ao 5.3.1 Sejam E um espaco vectorial sobre F, f : E E um endomorfismo de E e 1 , 2 , . . . , k F valores proprios de f , distintos dois a dois. Se

u 1,
u 2, . . . ,
u k sao vectores proprios de f associados a 1 , 2 , . . . , k , respectivamente,

entao u , u , . . . ,
u sao linearmente independentes.
1

Demonstrac
ao
A prova e feita por inducao em k.

Se k = 1,
u 1 e linearmente independente uma vez que e nao nulo (um vector proprio

e, por definicao, diferente de 0 ).

Suponhamos, por hipotese de inducao, que k 1 vectores proprios associados a k 1
valores proprios distintos sao linearmente independentes.

Sejam
u 1,
u 2, . . . ,
u k vectores proprios de f associados aos valores proprios
1 , 2 , . . . , k , respectivamente, onde i 6= j para quaisquer i, j {1, 2, . . . , k}, i 6= j.
Suponhamos que

Entao,

1
u 1 + 2
u 2 + + k
uk = 0

f (1
u 1 + 2
u 2 + + k
u k) = f ( 0 )

1 f (
u 1 ) + 2 f (
u 2 ) + + k f (
u k) = 0 3

f (
u i ) = i
ui

80

(5.1)

1 (1
u 1 ) + 2 (2
u 2 ) + + k (k
u k) = 0

(5.2)

Multiplicando ambos os membros de (5.1) por 1 obtemos,

1 1
u 1 + 2 1
u 2 + + k 1
uk = 0

(5.3)

Subtraindo, membro a membro, (5.2) e (5.3), resulta que

2 (2 1 )
u 2 + + k (k 1 )
uk = 0 4
2 (2 1 ) = . . . = k (k 1 ) = 0
Como i {2, . . . , n}, i 6= 1 ,
2 = . . . = k = 0.
Substituindo, em (5.1), 2 , . . . , k por 0 vem

1
u 1 = 0 5 1 = 0.

Definic
ao 54 Sejam E um espaco vectorial de dimensao finita e f um endomorfismo
de E. Diz-se que f e diagonalizavel se existe uma base de E em relacao `a qual a matriz
de f e diagonal.
Proposic
ao 5.3.2 Sejam E um espaco vectorial de dimensao finita n e f um endomorfismo de E. Entao sao equivalentes:
(i) f e diagonalizavel
(ii) existe uma base de E formado por vectores proprios de f
(iii) a soma das multiplicidades geometricas dos valores proprios de f e igual a n.
A prova deste resultado e muito simples e fica ao cuidado do leitor.
Exemplos
Averiguamos se os endomorfismos seguintes sao diagonalizaveis e, em caso afirmativo,
escrevemos a matriz diagonal que os representa, relativamente a uma certa base do espaco
(formada por vectores proprios desses mesmos endomorfismos).
1 f : R2 R2 tal que f (x, y) = (x + y, 3x y)
4

por hip
otese de induc
ao,
u 2, . . . ,
u k s
ao linearmente independentes, pois sao k 1 vectores proprios

associados a k 1 valores pr
oprios distintos

5
u 1 6= 0

81

f (1, 0) = (1, 3) e f (0, 1) = (1, 1),

logo,
"
A = M(f ; Bc , Bc ) =


 1
1

|AI2 | = 
 3
1

"
A I2 =

3 1




 = (1)(1)3 = 2 13 = 2 4 = (+2)(2)


f tem dois valores proprios: = 2 e = 2. Tem-se:

ma (2) = ma (2) = 1 mg (2) = mg (2) = 1 mg (2) + mg (2) = 2 = dim(R2 ),
donde, f e diagonalizavel.
Determinamos uma base para cada subespaco proprio de f :
Para = 2:

"
A 2I2 =

"
0

1 1
0

L2 =L2 +3L1

x + y = 0 y = x,
logo,
E2 = {(x, x) : x R} = {x(1, 1) : x R} =< (1, 1) >
Para = 2:

"
A (2)I2 =

3 1

3 1

"

0
L2 =L2 L1

3 1

0 0

3x + y = 0 y = 3x,
donde,
E2 = {(x, 3x) : x R} = {x(1, 3) : x R} =< (1, 3) >
Como vectores proprios de f associados a valores proprios distintos sao linearmente
independentes, os vectores (1, 1) e (1, 3) formam uma base de R2 , Bvp = ((1, 1), (1, 3)).
Tem-se,
f (1, 1) = 2(1, 1) = 2(1, 1) + 0(1, 3) e f (1, 3) = (2)(1, 3) = 0(1, 1) + (2)(1, 3),
logo,
"
D = M(f ; Bvp , Bvp ) =

0 2

#
.

Observe-se que, de acordo com o Captulo 4, D = P 1 AP onde,

P = M(Bvp , Bc ) e P 1 = M(Bc , Bvp ).
82

Vamos confirma-lo.
"
P = M(Bvp , Bc ) =

1 3

"

1
4

, P 1 = M(Bc , Bvp ) =

3
4
1
4

14

e
"
P 1 AP =

3
4
1
4

1
4

14

#"

#"

3 1

1 3

"
=

#"

1
4

3
4
1
4

41

2 2
2

"

0 2

= D.

2 g : R2 R2 tal que g(x, y) = (x, 2x + y)

g(1, 0) = (1, 2) e g(0, 1) = (0, 1),
logo,
"
A = M(g; Bc , Bc ) =

1 0

2 1


 1
0

|A I2 | = 
 2
1

"
A I2 =




 = (1 )(1 ) = (1 )2 ,


pelo que, g tem um u

nico valor proprio: = 1, com multiplicidade algebrica igual a 2.
Entao, mg (1) = 1 ou mg (1) = 2. Se for mg (1) = 2, g e diagonalizavel, se for mg (1) = 1
nao o e.

"
A 1I2 =

0 0
2 0

"

2 0
0 0

L2 L1

#
2x = 0 x = 0,

pelo que,
E1 = {(0, y) : y R} = {y(0, 1) : y R} =< (0, 1) > mg (1) = 1
e g nao e diagonalizavel.
3 h : R3 R3 tal que h(x, y, z) = (x 3y + 3z, 3x 5y + 3z, 6x 6y + 4z)
h(1, 0, 0) = (1, 3, 6) , h(0, 1, 0) = (3, 5, 6) e h(0, 0, 1) = (3, 3, 4),
logo,

1 3 3

A = M(h; Bc , Bc ) = 3 5 3 A I3 =
6 6 4

 1
3
3


|A I3 | =  3
5
3

 6
6
4
83

= (1 )(5 )(4 ) 54 54 (18(5 ) 18(1 ) 9(4 )) =

= (1)(5)(4)108+90+18+1818+9(4) = (1)(5)(4)+9(4) =
= (4 )[(1 )(5 ) + 9] = (4 )(2 + 4 + 4) = (4 )( + 2)2
h tem dois valores proprios: = 2 e = 4, tendo-se:
ma (2) = 2 e ma (4) = 1 mg (4) = 1 e (mg (2) = 1 ou mg (2) = 2);
h e diagonalizavel sse mg (2) = 2.
Determinamos uma base para cada subespaco proprio de h.
Para = 4:

3 3 3

A 4I3 = 3
6

L03 =L3 +2L1

9 3 0 0
L2 =L2 +L1
0
6 0

12 6
L03 =L3 L2
12 6

1 1 1

L01 = 31 L1

12 6 01 0 2 1
L3 =L3 L2
L2 = 6 L2
0
0 0
0
0 0
(
(
x y + z = 0
x = y

,
2y + z = 0
z = 2y

0
0

donde,
E4 = {(y, y, 2y) : y R} = {y(1, 1, 2) : y R} =< (1, 1, 2) >
Para = 2:

3 3 3

3 3 3

L0 =L3 2L1
A (2)I3 = 3 3 3 30 0
L2 =L2 L1
6 6 6
0

0
0

1 1 1

0 01 0
L1 = 3 L1
0
0

0
0

0
0

x y + z = 0 x = y z,
donde,
E2 = {(yz, y, z) : y, z R} = {y(1, 1, 0)+z(1, 0, 1) : y, z R} =< (1, 1, 0), (1, 0, 1) >
e h e diagonalizavel.
Como vectores proprios de h associados a valores proprios distintos sao linearmente
independentes, Bvp = ((1, 1, 2), (1, 1, 0), (1, 0, 1)) e uma base de R3 formada por vectores
proprios de h.

D = M(h; Bvp , Bvp ) = 0 2

0
84

0
2

Tal como no Exemplo 1, D = P 1 AP onde,

1 1 1

P = M(Bvp , Bc ) = 1 1

0
1

2 0
e

12

1
2

A I2 =

P 1 = M(Bc , Bvp ) = 12

3
2

12 .
0

"

4 f : R2 R2 tal que A = M(f ; Bc , Bc ) =

"

1
2

1 0


 1

p() = |A I2 | = 
 1




 = 2 + 1,


logo, f nao tem qualquer valor proprio (uma vez que o polinomio caracterstico de f nao
razes reais).
Se, no entanto, fe for o endomorfismo do espaco vectorial complexo C2 , cuja matriz
em relacao a` base canonica de C2 e
"
A=

#
,

1 0

entao fe tem dois valores proprios: = i e = i que, por serem razes simples de p(),
permitem imediatamente concluir que fe e diagonalizavel.
Determinamos uma base para cada subespaco proprio de fe.
Para = i:
"
A iI2 =

"
0

1 i

i 1
0

L2 =L2 +iL1

#
ix + y = 0 y = ix,

pelo que,
Ei = {(x, ix) : x C} = {x(1, i) : x C} =< (1, i) >
Para = i:
"
A + iI2 =

1 i

"
0
L2 =L2 iL1

i 1
0 0

#
ix + y = 0 y = ix,

pelo que,
Ei = {(x, ix) : x C} = {x(1, i) : x C} =< (1, i) >
85

Os vectores (1, i) e (1, i) formam uma base de C2 , Bvp = ((1, i), (1, i)). Tem-se,
fe(1, i) = i(1, i) = i(1, i) + 0(1, i) e fe(1, i) = i(1, i) = 0(1, i) + (i)(1, i),
logo,
"
D = M(fe; Bvp , Bvp ) =

0 i

#
.

Observac
ao
1 Se f e um endomorfismo de um espaco vectorial E, de dimensao n, com n valores
proprios distintos entao f e diagonalizavel.
Com efeito, como a multiplicidade algebrica de cada valor proprio e 1, a multiplicidade
geometrica respectiva tambem e 1. Por isso, a soma das multiplicidades geometricas dos
n valores proprios de f e igual a n, ou seja, existe uma base de E formada por vectores
proprios de f .
2 Como C e um corpo algebricamente fechado (o que significa que, todo o polinomio
de grau n 1 com coeficientes complexos tem, exactamente, n razes (iguais ou distintas)
em C), todas as razes do polinomio caracterstico de um endomorfismo de um espaco
vectorial complexo sao valores proprios desse endomorfismo (o que ja nao acontece com
endomorfismos de espacos vectoriais reais ou racionais).

Definic
ao 55 Uma matriz A, quadrada de ordem n, diz-se diagonaliz
avel se for
semelhante a uma matriz diagonal, isto e, se existem matrizes P e D, quadradas de
ordem n, com P invertvel e D diagonal, tais que D = P 1 AP .
Se P e uma matriz tal que P 1 AP e diagonal, diz-se que P e uma diagonalizadora
de A.

Observac
ao
Do que foi visto anteriormente para endomorfismos conclui-se que, se A e uma matriz
quadrada de ordem n, A e diagonalizavel se e so se tem n vectores proprios linearmente
independentes. Uma matriz P , diagonalizadora de A, tem por colunas as coordenadas
dos vectores proprios de A linearmente independentes. Se P e uma matriz diagonalizadora de A e D = P 1 AP , os elementos diagonais de D sao os valores proprios de A
correspondentes `as colunas de P .

86