Notas para o acompanhamento das aulas de
´
Algebra Linear
Sum´
ario
1 Sistemas Lineares, Matrizes e Determinantes 5
1.1 Sistemas de Equa¸c˜oes Lineares . . . 5
1.2 Matrizes . . . 8
1.2.1 Alguns Tipos Especiais de Matrizes . . . 14
1.3 Determinantes de Matrizes . . . 16
Se¸c˜ao de Exerc´ıcios Propostos e Resolvidos: Sistemas Lineares, Matrizes e Determinantes . . 23
2 Espa¸cos Vetoriais 33 2.1 O conceito de Espa¸co Vetorial . . . 33
2.2 Subespa¸cos Vetoriais . . . 39
2.3 Combina¸c˜oes Lineares, Dependˆencia e Independˆencia Linear . . . 43
2.4 Espa¸co e Subespa¸co Vetorial Gerado por Conjunto . . . 46
2.5 Base e Dimens˜ao de Espa¸co Vetorial Finitamente Gerado . . . 49
Se¸c˜ao de Exerc´ıcios Propostos e Resolvidos: Espa¸cos Vetoriais . . . 57
3 Transforma¸c˜oes Lineares 67 3.1 O Conceito de Transforma¸c˜ao Linear . . . 67
3.2 N´ucleo de uma Transforma¸c˜ao Linear . . . 70
3.3 Isomorfismos e Automorfismos . . . 73
3.4 Matrizes e Transforma¸c˜oes Lineares . . . 74
Se¸c˜ao de Exerc´ıcios Propostos e Resolvidos: Transforma¸c˜oes Lineares . . . 80
4 Espa¸cos com Produto Interno 89 4.1 O Conceito de Produto Interno . . . 89
4.2 Medindo Distˆancias e ˆAngulos . . . 92
4.3 O Processo de Ortonormaliza¸c˜ao de Bases de Gram-Schmidt . . . 94
4.4 Operadores Lineares Especiais sobre Espa¸cos Vetoriais com Produto Interno . . . 96
4.4.1 Operador Proje¸c˜ao Ortogonal . . . 96
4.4.2 Operador Isometria . . . 97
4.4.3 Operador Auto-Adjunto . . . 98
Se¸c˜ao de Exerc´ıcios Propostos e Resolvidos: Espa¸cos com Produto Interno . . . 99
5 Diagonaliza¸c˜ao de Operadores Lineares 107 5.1 Autovalores, Autovetores e Subespa¸cos Pr´oprios . . . 107
5.2 O Polinˆomio Caracter´ıstico . . . 109
5.3 Diagonalizando Operadores Lineares . . . 111
5.4 O Polinˆomio Minimal . . . 114
5.5 A Forma Canˆonica de Jordan . . . 117
Se¸c˜ao de Exerc´ıcios Propostos e Resolvidos: Diagonaliza¸c˜ao de Operadores Lineares . . . 122
Cap´ıtulo 1
Sistemas Lineares, Matrizes e
Determinantes
Este cap´ıtulo aborda trˆes assuntos b´asicos: sistemas lineares, matrizes e determinanes, que s˜ao pr´e-requisitos para os demais cap´ıtulos deste texto.
Um primeiro estudo de ´Algebra Linear ´e focado nas chamadas transforma¸c˜oes lineares, que ser˜ao introduzidas no Cap´ıtulo 3, p´agina 67, e, conforme veremos, estar˜ao intrinsicamente relacionadas com as matrizes, da´ı a importˆancia de um estudo pr´evio desse assunto. Quanto aos sistemas lineares, eles s˜ao extremamente necess´arios ao desenvolvimento de nossos estudos e surgem a todo momento, e em todos os cap´ıtulos, deste texto. J´a os determinantes s˜ao especialmente importantes para adiagonaliza¸c˜ao de operadores lineares, conforme veremos no Cap´ıtulo 5, p´agina 107, uma vez que est´a relacionado com um importante polinˆomio, chamado depolinˆomio caracter´ıstico.
1.1
Sistemas de Equa¸
c˜
oes Lineares
Sejam R: conjunto dos n´umeros reais e;
C: conjunto dos n´umeros complexos.
Estes conjuntos munidos das opera¸c˜oes de adi¸c˜ao e multiplica¸c˜ao usuais s˜ao chamados decorpos num´ericos.
Sejam a1, . . . , an, b∈R(ouC), sendon≥1. Chama-seequa¸c˜ao linearsobreR (ouC)uma equa¸c˜ao da forma: a1x1+· · ·+anxn=b
sendo que:
xk,1≤k≤n, s˜ao as vari´aveisou asinc´ognitasem R(ouC). ak,1≤k≤n, s˜ao os coeficientes dexk.
b´e otermo independente.
Dizemos que a n-upla (α1, . . . , αn), ou x1 = α1, . . . , xn = αn, αk ∈ R (ou C)´e solu¸c˜ao da equa¸c˜ao linear acima quando a1α1+· · ·+anαn=bfor verdadeira.
Observa¸c˜ao: xk ser vari´avel em uma equa¸c˜ao linear significa quexk pode assumir infinitos valores, enquanto quexk ser inc´ognita significa quexk pode assumir apenas um valor.
Exemplo 1.1 As equa¸c˜oes2x1+4x2=2oux2+x3+x4=0 s˜ao equa¸c˜oes lineares sobre R.
Um sistema de equa¸c˜oes linearesS, mporn sobreR (ouC)´e um conjunto demequa¸c˜oes lineares sobreR(ou
C), cada uma com nvari´aveis ou inc´ognitas. RepresentamosS do seguinte modo:
S=
a11x1 + a12x2 +· · · + a1nxn = b1 a21x1 + a22x2 +· · · + a2nxn = b2
.. .
am1x1+am2x2+· · · +amnxn=bm (m×n)
Quando m=ndizemos que S´e de ordem n. Dizemos ainda que an-upla (α1, . . . , αn)´esolu¸c˜ao deS quando for solu¸c˜ao de cada uma das mequa¸c˜oes lineares de S.
Quando todos os termos independentes s˜ao nulos, ou seja,bi=0, para todoi=1, . . . , m, dizemosS´ehomogˆeneo. Geralmente, um sistema de equa¸c˜oes lineares ´e, simplesmente, chamado desistema linear.
P´agina 6 de 127 p´aginas UFU Algebra Linear Exemplo 1.2 O sistema
S=
2x1+4x2 =2
x2 +x3+x4=0 ´e um sistema linear2×4 sobreR.
Dado um sistema linear S, dizemos que:
S ´eincompat´ıvel (ouimposs´ıvel) quandon˜ao admitirsolu¸c˜oes. (SI)
S ´ecompat´ıvel determinado (ouposs´ıvel e determinado)quando admitir apenas umasolu¸c˜ao. (SPD)
S ´ecompat´ıvel indeterminado (ouposs´ıvel e indeterminado)quando admitir infinitassolu¸c˜oes. (SPI)
Exemplo 1.3 Os sistemas
S=
x1+x2=1
x1+x2=2 e
S=
0x1+0x2=3
4x1+2x2=0 s˜ao sistemas lineares imposs´ıveis.
Exemplo 1.4 O sistema
S=
1x1+0x2+0x3=1
0x1+2x2+0x3=2
0x1+0x2+3x3=3
´e um sistema linear poss´ıvel e determinado. Solu¸c˜ao: x1=x2=x3=1(ou(1, 1, 1)).
Exemplo 1.5 O sistema
S=
x1 + x2 =1
2x1+2x2=2 ´e um sistema linear poss´ıvel e indeterminado.
Seja S um sistema linear. S˜ao chamadas opera¸c˜oes elementaresemS as seguintes opera¸c˜oes:
(i) permuta de duas linhas deS.
(ii)multiplica¸c˜ao de uma linha deSpor um n´umero real n˜ao nulo.
(iii)soma de uma linha de Scom outra linha que foi multiplicada por um n´umero real n˜ao nulo.
Observemos que opera¸c˜oes elementares n˜ao alteram a(s) solu¸c˜ao(˜oes) do sistema linear.
Um sistema linear S1 ´e equivalente a um sistema linear S2 quando S2 ´e obtido de S1 por opera¸c˜oes elementares. Nota¸c˜ao: S1∼S2.
Exemplo 1.6 Os sistemas
S1=
x1+2x2+3x3+4x4=1
2x1+3x2+4x3+5x4=2
3x1+4x2+5x3+6x4=3 .(-1)
4x1+5x2+6x3+7x4=4 +
eS2=
2x1+3x2+ 4x3 + 5x4 =2
x1 +2x2+ 3x3 + 4x4 =1
6x1+8x2+10x3+12x4=6
x1 + x2 + x3 + x4 =1
s˜ao sistemas lineares equivalentes.
Observa¸c˜oes.
(i)A equivalˆencia∼definida acima ´e chamada derela¸c˜ao de equivalˆencia entre sistemas lineares, ou seja: (a)S1∼S1 (reflexiva);
(b)S1∼S2⇐⇒S2∼S1(sim´etrica);
(c)S1∼S2eS2∼S3=⇒S1∼S3(transitiva).
(ii)Sistemas lineares equivalentes possuem a(s) mesma(s) solu¸c˜ao(˜oes).
Dizemos que um sistema linearm×n est´aescalonadoquando possui o seguinte formato: a1r1xr1 + · · · + a1nxn = b1
a2r2xr2 + · · · + a2nxn = b2 .. . ajrjxrj + · · · + ajnxn = bj
0xn = bj+1 .. . 0xn = bm (as linhas nulas podem ser eliminadas)
Exemplo 1.7 O sistema abaixo est´a escalonado e ´e um sistema poss´ıvel e indeterminado(SPI):
x1 + 2x2 + 4x4 + 5x5 = 1
4x3 + 5x4 = 2
6x4 + 7x5 = 3
8x5 = 4
Exemplo 1.8 O sistema abaixo est´a escalonado e ´e um sistema imposs´ıvel(SI):
x1 + x2 = 1
2x2 = 3
0x2 = 5
Exemplo 1.9 O sistema abaixo est´a escalonado e ´e um sistema poss´ıvel e determinado(SPD):
x1 + x2 = 1
2x2 + 3x3 = 2
6x3 = 3
Proposi¸c˜ao 1.1 Todo sistema linear ´e equivalente a um sistema linear escalonado.
Classifica¸c˜ao de Sistemas Lineares Via Escalonamento
SejaS um sistema linear escalonadom×ncom linhas nulas e repetidas eliminadas. (i)Se a ´ultima linha deS for da forma0xn =b6=0, ent˜ao o sistema ´e imposs´ıvel(SI). Caso as linhas da forma0xn=b6=0n˜ao ocorram temos:
(ii)Sem=n, ent˜ao o sistema ´e poss´ıvel e determinado(SPD). (iii)Sem < n, ent˜ao o sistema ´e poss´ıvel e indeterminado(SPI).
Observa¸c˜ao: sem > n, ent˜ao necessariamente ocorrem linhas do tipo0xn=b6=0. Nos exemplos abaixo faremos x1=x,x2=yex3=zpara simplificar a nota¸c˜ao.
Exemplo 1.10 Escalone e classifique o sistema
S1=
x +2y−3z= −1 3x− y +2z= 7 5x+3y−4z= 2
.
Temos
S1=
x +2y−3z= −1 .(-3) .(-5)
3x− y +2z= 7 +
5x+3y−4z= 2 +
∼ S2=
x+2y− 3z = −1
−7y+11z= 10 .(-1)
−7y+11z= 7 +
∼ S3=
x+2y− 3z = −1
−7y+11z= 10 0z = −3
Como a ´ultima linha do sistema escalonadoS3´e da forma0z= −36=0, temos que S1´e um sistema imposs´ıvel.
Exemplo 1.11 Escalone e classifique o sistema
S1=
x+ y + z = 6 x− y +2z= 5 x+6y+3z=22
.
Temos
S1=
x+ y + z = 6 .(-1) .(-1)
x− y +2z= 5 +
x+6y+3z=22 +
∼ S2=
x+ y + z = 6
−2y+ z = −1 .(5/2)
+5y+2z= 16 +
∼ S3=
x+ y + z = 6
−2y+ z = −1
+ 92z= 272
P´agina 8 de 127 p´aginas UFU Algebra Linear Exemplo 1.12 Escalone e classifique o sistema
S1=
x+ y +z= 2 x− y +z= −2
+2y = 4 .
Temos
S1=
x+ y +z= 2 .(-1)
x− y +z= −2 +
+2y = 4
∼ S2=
x+ y +z= 2
−2y = −4 .(1)
+2y = 4 +
∼ S3=
x+ y +z= 2
−2y = −4
0y = 0
∼
S4=
x+ y +z= 2
−2y = −4
Como a ´ultima linha do sistema escalonado S3 n˜ao ´e da forma 0z = b6= 0 em = 2 < n = 3, temos que S1 ´e um sistema poss´ıvel e indeterminado, sendo{(a, 2,−a) :a∈R}o conjunto solu¸c˜ao.
Exerc´ıcio Resolvido. Uma companhia produz 3 tipos de produtos: A, B e C. Esta companhia possui 3 f´abricas:
F1, F2 eF3sendo que as f´abricas produzem diariamente as seguintes quantidades:
•F1produz1 tonelada de cada produto;
•F2n˜ao produz A, produz 1tonelada deBe2toneladas de C;
•F3produz2 toneladas deA,1tonelada deBe2 toneladas deC.
A companhia recebeu um pedido de20toneladas de A,22toneladas de Be26toneladas deC.
Quantos dias inteiros cada uma das f´abricas ter´a de trabalhar para que juntas produzam exatamente a quantia solicitada?
Resolu¸c˜ao.
Sejam:
xa quantidade de dias queF1 trabalhar´a.
ya quantidade de dias queF2 trabalhar´a.
za quantidade de dias queF3trabalhar´a.
Quantidade total de produtoAproduzido emF1: 1x. Quantidade total de produtoAproduzido emF2: 0y. Quantidade total de produtoAproduzido emF3: 2z. Queremos1x+0y+2z=20.
Quantidade total de produtoBproduzido em F1: 1x. Quantidade total de produtoBproduzido em F2: 1y. Quantidade total de produtoBproduzido em F3: 1z. Queremos1x+1y+1z=22.
Quantidade total de produtoCproduzido emF1: 1x. Quantidade total de produtoCproduzido emF2: 2y. Quantidade total de produtoCproduzido emF3: 2z. Queremos1x+2y+2z=26.
Logo,
S=
x +2z=20 x+ y + z =22 x+2y+2z=26
⇒S′ =
x +2z=20 y − z = 2
2y = 6
⇒S′′=
x +2z=20 y− z = 2
2z= 2
⇒z=1,y=3 ex=18.
Conclus˜ao: F1trabalhar´a1 dia,F2trabalhar´a 3dias eF3trabalhar´a18dias.
1.2
Matrizes
Vamos `as defini¸c˜oes:
Sejam m, n∈N. Chamamos dematriz real commlinhas e ncolunas uma tabela retangular da forma
A=
a11 a12 · · · a1n a21 a22 · · · a2n
..
. ...
am1 am2 · · · amn
sendo que aij∈R;i=1, . . . , m ej=1, . . . , n; s˜ao chamados deentradasda matriz real A. Nota¸c˜ao: A= [aij]1≤i≤m
1≤j≤n
ou, simplificadamente,A= [aij].
As mlinhas e as ncolunas deAser˜ao indicadas porm×ne dizemos que A´e uma matriz real detamanhom×n ou, simplesmente, queA´e uma matriz realm×n. Quando uma matriz realApossui apenas uma ´unica linha(1×n), chamamos Adematriz linhae, quandoApossui apenas uma coluna (m×1), chamamosAdematriz coluna. Ao conjunto de todas as matrizes reais m×ndenotamos Mm×n(R).
Quandom=n, chamamosAde matriz realquadrada de ordem nou, simplesmente, de matriz real de ordemn, e denotamos o conjunto de todas as matrizes reais de ordem npor Mn(R).
Em uma matriz real A de ordem n as entradas aii ∈ R constituem a diagonal principal de A, enquanto que as entradas aij; comi+j=n+1; constituem a diagonal secund´ariadeA.
As defini¸c˜oes acima podem ser facilmente estendidas para as chamadasmatrizes complexas, bastando, para tanto, permitir que as entradas aij possam pertencer ao conjunto Cdos n´umeros complexos. Neste caso, temos a nota¸c˜ao
Mm×n(C), ouMn(C), para o conjunto de tais matrizes. Em particular, uma matriz real pode ser vista como matriz complexa, uma vez queR⊂C. Quanto estiver claro sobre qual conjunto num´erico estamos trabalhando, ´e usual dizer apenas matriz Ano lugar dematriz real Aoumatriz complexa A.
H´a dois casos particulares de matrizes que aparecem com muita frequˆencia nos estudos: a matriz nula e a matriz identidade, cujas defini¸c˜oes seguem abaixo.
Consideremos Mm×n(R)o conjunto das matrizes commlinhas e ncolunas. Definimos a matriz
O=
0 0 · · · 0 0 0 · · · 0
..
. ...
0 0 · · · 0
m×n
como sendo amatriz nula deMm×n(R), ou seja, Opossui apenas entradas nulas. Em particular, quando m=ndizemos que O´e amatriz nula de ordem n deMn(R). Consideremos Mn(R)o conjunto das matrizes quadradas de ordemn. Definimos a matriz
Idn=
1 0 · · · 0 0 1 · · · 0
..
. ...
0 0 · · · 1
n×n
como sendo a matriz identidade de ordem n de Mn(R), ou seja, a diagonal principal de Idn ´e constitu´ıda por entradas iguais a 1, enquanto que as demais entradas s˜ao todas nulas.
Exemplo 1.13 Considere as matrizes abaixo:
A=
1 −2 3
−3 0 3
,B=
i −i 10 3
0 6i 1 1
−3 6 −2 −1
0 1 1+5i 4
,C=
1 2 1 1
1 2 0 0
−3 8 5 2
9 −1 1 7
,D=
1 0 0 0 1 0 0 0 1 ,E=
0 0 0 0 0 0 ,
F=
1 3 7 9 11 13
,G=
0 1 0 ,H=
0 0 1 0 1 0 1 0 0 , I=
i 0 1+i i 1 1−i
eJ= 5
P´agina 10 de 127 p´aginas UFU Algebra Linear • A´e uma matriz real2×3 com entradasa11=1,a12= −2,a13=3,a21= −3,a22=0 ea23=3.
• B´e uma matriz complexa (quadrada) de ordem3, com destaque para as entradasb11=i(i´e a unidade imagin´aria dos n´umeros complexos: i=√−1),b22=6i,b33= −2eb44=4, que constituem a diagonal principal deB;
•C´e uma matriz real de ordem4, com destaque para as entradasc14=1,c23=0,c32=8, ec41=9, que constituem a diagonal secund´aria de C(observe que, neste caso, os cij da diagonal secund´aria s˜ao tais quei+j=5);
• D´e a matriz identidade de ordem3;
• E´e a matriz nula3×2;
• F´e uma matriz real linha1×6;
• G´e uma matriz real coluna3×1;
• H´e uma matriz real de ordem 3(cuidado: n˜ao ´e a matriz identidade de ordem3);
• I´e uma matriz complexa2×3.
• J´e uma matriz real de ordem1.
´
E poss´ıvel definir opera¸c˜oes sobreMm×n(R)que ser˜ao extremamente ´uteis para o desenvolvimento das transforma¸c˜oes lineares que ser˜ao objetos de estudos futuros.
Opera¸c˜oes com matrizes:
(i) Adi¸c˜ao de matrizes: Sejam A= [aij], B = [bij]∈ Mm×n(R). Chama-se soma de A com B, e indica-se por A+B, a matrizC= [cij]∈Mm×n(R)tal quecij =aij+bij.
Simbolicamente:
+ : Mm×n(R)×Mm×n(R) −→ Mm×n(R)
(A, B) 7−→ A+B
(ii)Multiplica¸c˜ao de matriz por escalar: Sejam A= [aij]∈Mm×n(R)e α∈R. Chama-se produto deαporA a matriz reais m×ndada porαA= [αaij].
(iii)Multiplica¸c˜ao de matrizes: SejamA= [aik]∈Mm×p(R) eB= [bkj]∈Mp×n(R). Chama-se produto deA por B, e indica-se porAB, a matrizC= [cij]∈Mm×n(R)tal quecij=
p
P
k=1 aikbkj.
Exemplo 1.14 Adi¸c˜ao:
1 2 3 4 5 6
3×2 +
6 5 4 3 2 1
3×2 =
7 7 7 7 7 7
3×2 .
Exemplo 1.15 Multiplica¸c˜ao por escalar: 2
1 2 3 4
2×2 =
2 4 6 8
2×2 .
Exemplo 1.16 Multiplica¸c˜ao:
1 2 2 1 2 2
3×2
1 2 3 4 5 6 7 8
2×4 =
11 14 17 20 7 10 13 16 12 16 20 24
3×4 .
Uma indaga¸c˜ao muito comum na opera¸c˜ao de multiplica¸c˜ao de matrizes ´e o por quˆe de uma defini¸c˜ao t˜ao artificial. N˜ao seria mais f´acil definir a multiplica¸c˜ao de modo an´alogo `a adi¸c˜ao, ou seja, multiplicar entradas correspondentes nas matrizes? A justificativa para essa indaga¸c˜ao ser´a apresentada mais adiante. Resumidamente, o que podemos dizer, por enquanto, ´e que matrizes ser˜ao associadas `as chamadas transforma¸c˜oes lineares e a composta de duas transforma¸c˜oes lineares corresponde `a multiplica¸c˜ao de suas matrizes de acordo com a defini¸c˜ao acima. Este ´e um dos (poucos) casos em que o aluno de Ensino M´edio ´e apresentado para uma defini¸c˜ao a qual o professor n˜ao tem condi¸c˜oes de justificar de forma razo´avel, uma vez que o assunto transforma¸c˜oes lineares n˜ao ´e objeto de estudos no Ensino M´edio.
Proposi¸c˜ao 1.2 Propriedades operat´orias:
(a)Da adi¸c˜ao:
SejamA, B, C∈Mm×n(R).
(1) (A+B) +C=A+ (B+C); (associativa) (2)A+B=B+A; (comutativa)
(b)Da multiplica¸c˜ao por escalar: Sejamα, β∈ReA, B∈Mm×n(R).
(1)α(βA) = (αβ)A; (associativa)
(2)α(A+B) =αA+αB; (distributiva em rela¸c˜ao `a soma de matrizes) (3) (α+β)A=αA+βA; (distributiva em rela¸c˜ao `a soma de escalares) (4)1A=A. (elemento neutro da multiplica¸c˜ao por escalar)
(c)Da multiplica¸c˜ao:
(1)A(BC) = (AB)CsendoA∈Mm×p(R),B∈Mp×q(R)eC∈Mq×n(R); (associativa)
(2)A(B+C) =AB+AC;A∈Mm×p(R),B, C∈Mp×n(R); (distributiva `a direita em rela¸c˜ao `a soma de matrizes) (3) (A+B)C=AC+BC;A, B∈Mm×p(R),C∈Mp×n(R); (distributiva `a esquerda em rela¸c˜ao `a soma de matrizes)
Observa¸c˜ao: a propriedade comutativa n˜ao ´e v´alida para a multiplica¸c˜ao de matrizes. Um contra-exemplo:
1 2 3 4
1 1 1 1
=
3 3 7 7
1 1 1 1
1 2 3 4
=
4 6 4 6
Transposta de uma Matriz
A transpostade uma matriz A, denotada porAt, ´e a matriz obtida deAescrevendo as linhas deAcomo colunas de At, ou seja, quando A= [a
ij]∈Mm×n(R), temos At= [bji]∈Mn×m(R)tal queaij =bji. Mais explicitamente:
A=
a11 a12 · · · a1n a21 a22 · · · a2n
..
. ...
am1 am2 · · · amn
m×n
⇒At=
a11 a21 · · · am1 a12 a22 · · · am2
..
. ...
a1n a2n · · · amn
n×m
Exemplo 1.17 SeA=
1 2 3 4 5 6
3×2
, ent˜aoAt=
1 3 5 2 4 6
2×3 .
Proposi¸c˜ao 1.3 Propriedades da transposta: (1) (A+B)t=At+Bt, sendo A, B∈Mm
×n(R).
(2) (kA)t=kAt, sendo A∈Mm
×n(R)ek∈R.
(3) (At)t=A, sendoA∈Mm ×n(R).
(4) (AB)t=BtAt, sendo A∈Mm
×p(R)eB∈Mp×n(R). Matrizes Invert´ıveis
O conceito de matriz invert´ıvel requer que trabalhemos exclusivamente com matrizes quadradas. Portanto, considere-mosMn(R).
Definimos a matriz identidade Idn, de ordem n, acima e ´e muito f´acil verificar a validade da seguinte propriedade: IdnA=AIdn=Apara qualquerA∈Mn(R), o que significa que Idn´e o elemento neutro multiplicativo das matrizes quadradas. Este fato motiva a seguinte defini¸c˜ao:
Dizemos que A∈Mn(R)´einvert´ıvelquando existeB∈Mn(R)tal queAB=BA=Idn. Nota¸c˜ao: B=A−1; (B´e a matriz inversa de A).
Observemos que, de certa forma, o conceito de matriz inversa ´e parecido com o conceito de inverso multiplicativo de n´umero real.
Abaixo seguem algumas propriedades:
Proposi¸c˜ao 1.4 SejamA, B∈Mn(R).
(i)SeAapresentar uma linha ou coluna nula, ent˜ao An˜ao ´e invert´ıvel.
(ii)SeAfor invert´ıvel, ent˜ao A−1−1=A; (a inversa da inversa ´e a pr´opria matriz).
P´agina 12 de 127 p´aginas UFU Algebra Linear Determina¸c˜ao da Inversa de uma Matriz
De modo an´alogo a sistemas lineares, dizemos que A, B∈Mn(R)s˜ao equivalentes quandoBpuder ser obtida deA via um n´umero finito de opera¸c˜oes elementares sobre as linhas de A.
Abaixo segue um resultado matem´atico (proposi¸c˜ao ou teorema) que ´e muito ´util para o c´alculo de matrizes inversas.
Proposi¸c˜ao 1.5 Uma matriz A∈Mn(R)´e invert´ıvel se, e somente se, A´e equivalente `a Idn e, neste caso, as mesmas
opera¸c˜oes elementares que transformamAemIdn, transformamIdn emA−1.
Como consequˆencia (corol´ario) do resultado matem´atico acima temos:
Corol´ario 1.1 SejamA, B∈Mn(R)matrizes quadradas equivalentes. A matrizA´e invert´ıvel se, e somente se, a matriz B´e invert´ıvel.
Exemplo 1.18 Verificar seA=
1 0 1 1 1 0 0 2 1
´e invert´ıvel e obter a inversa, caso afirmativo. Resolu¸c˜ao.
Montemos um arranjo com a matriz Ae Id3 lado a lado para aplicarmos as opera¸c˜oes elementares simultaneamente nas duas matrizes.
A| Id3=⇒
1 0 1 1 1 0 0 2 1
1 0 0 0 1 0 0 0 1 .(-1) + =⇒
1 0 1
0 1 −1
0 2 1
1 0 0
−1 1 0
0 0 1
.(-2) + =⇒
1 0 1
0 1 −1
0 0 3
1 0 0
−1 1 0 2 −2 1 .(1/3) =⇒
1 0 1
0 1 −1
0 0 1
1 0 0
−1 1 0
2/3 −2/3 1/3 + .(1) + .(-1) =⇒
1 0 0 0 1 0 0 0 1
1/3 2/3 −1/3
−1/3 1/3 1/3 2/3 −2/3 1/3
=⇒Id3 | A−1
Logo,A´e invert´ıvel eA−1= 1 3
1 2 −1
−1 1 1
2 −2 1 .
Exemplo 1.19 Verificar seA=
3 −1 0 2 1 −1
1 0 2
´e invert´ıvel e obter a inversa, caso afirmativo.
Resolu¸c˜ao.
Montemos um arranjo com a matriz Ae Id3 lado a lado para aplicarmos as opera¸c˜oes elementares simultaneamente nas duas matrizes.
A| Id3=⇒
3 −1 0 2 1 −1
1 0 2
1 0 0 0 1 0 0 0 1 =⇒
1 0 2
2 1 −1 3 −1 0
0 0 1 0 1 0 1 0 0 .(-2) + .(-3) + =⇒
1 0 2
0 1 −5 0 −1 −6
0 0 1
0 1 −2 1 0 −3 .(1) + =⇒
1 0 2
0 1 −5 0 0 −11
0 0 1
0 1 −2 1 1 −5 .(-1/11) =⇒
1 0 2
0 1 −5
0 0 1
0 0 1
0 1 −2
−1/11 −1/11 5/11 + .(5) + .(-2) =⇒
1 0 0 0 1 0 0 0 1
2/11 2/11 1/11
−5/11 6/11 3/11
−1/11 −1/11 5/11
=⇒Id3 |A−1
Logo,A´e invert´ıvel eA−1= 1 11
2 2 1
−5 6 3
Observa¸c˜oes importantes:
(i) Quando tentamos inverter uma matriz Aquadrada que n˜ao possui inversa pelo m´etodo acima, simplesmente ´e imposs´ıvel obter Idn a partir deApor meio de opera¸c˜oes elementares sobre linhas de A. Isso fica evidente durante o processo, pois fatalmente aparecer´a uma linha ou coluna nula durante as opera¸c˜oes sobre A, indicando a inexistˆencia da inversa Apor proposi¸c˜ao j´a apresentada e o corol´ario acima.
(ii)O procedimento de obten¸c˜ao da inversa de uma matriz delineado acima, por meio de opera¸c˜oes elementares sobre as linhas da matriz, n˜aopode ser usado com opera¸c˜oes elementares sobre ascolunas da matriz e, muito menos, com a mistura das opera¸c˜oes elementares sobre linhas e sobre colunas.
Matrizes e Sistemas Lineares
Consideremos o sistema linear
S=
a11x1 + a12x2 +· · · + a1nxn = b1
a21x1 + a22x2 +· · · + a2nxn = b2 .. .
am1x1+am2x2+· · · +amnxn=bm (m×n)
Podemos colocar Sna nota¸c˜ao matricial adotando as seguintes matrizes:
A=
a11 a12 · · · a1n
a21 a22 · · · a2n ..
. ...
am1 am2 · · · amn
m×n
matriz dos coeficientes deS
X=
x1
x2 .. .
xn
n×1
matriz das vari´aveis ou inc´ognitas deS eB=
b1
b2 .. .
bm
m×1
matriz dos termos independentes deS
Logo,Am×nXn×1=Bm×1(ou, resumidamente, AX=B) ´e uma equa¸c˜ao matricial que representa o sistema linearS.
Exemplo 1.20 O sistemaS=
3x−y =1 2x+y− z =0 x +2z=2
possui representa¸c˜ao matricialAX=Btal que
3 −1 0 2 1 −1
1 0 2
3×3
| {z }
A
x y z
3×1 | {z }
X =
1 0 2
3×1 | {z }
B
Sistemas de Cramer
Dizemos que um sistema linearS de ordemn´e umSistema de Cramer quando a matriz Ados coeficientes deS ´e invert´ıvel.
Observa¸c˜oes:
(1)Em um Sistema de Cramer,AX=B⇒A−1AX=A−1B
⇒InX=A−1B⇒X=A−1B, o que significa que todo Sistema de Cramer ´e poss´ıvel e determinado.
(2)Se um sistema linear ´e homogˆeneo (ou seja, a matriz Bdos termos independentes ´e uma matriz coluna nula) e ´e um Sistema de Cramer, ent˜ao a solu¸c˜ao do sistema ´e a solu¸c˜ao trivial (isto ´e, solu¸c˜ao nula). De fato,AX=0⇒X=
A−10
⇒X=0. (0´e matriz coluna nula).
Exemplo 1.21 Resolva o Sistema de CramerS=
3x−y =1 2x+y− z =0 x +2z=2
invertendo a matriz de coeficientes.
Resolu¸c˜ao.
Representando Stemos
AX=B, sendoA=
3 −1 0 2 1 −1
1 0 2
,B=
1 0 2 eX=
P´agina 14 de 127 p´aginas UFU Algebra Linear
Mas vimos em exemplo anterior que A−1= 1 11
2 2 1
−5 6 3
−1 −1 5
. Logo,AX=B⇒X=A−1B, ou seja,
x y z =
1 11
2 2 1
−5 6 3
−1 −1 5 1 0 2 =
4/11 1/11 9/11 ⇒x=
4 11,y=
1 11 ez=
9 11.
Portanto, 4 11,
1 11,
9 11
´e a solu¸c˜ao procurada.
Observa¸c˜ao: embora a t´ecnica acima seja interessante, normalmente ´e bem mais simples resolver um sistema linear por escalonamento do que invertendo matriz de coeficientes.
1.2.1
Alguns Tipos Especiais de Matrizes
Nesta subse¸c˜ao apresentamos alguns tipos especiais de matrizes que surgem com frequˆencia nos demais cap´ıtulos deste texto. Quase todas essas matrizes podem ser associadas `aquilo que definiremos adiante comooperadores lineares, que s˜ao casos particulares das chamadas transforma¸c˜oes lineares. Grosso modo, as transforma¸c˜oes lineares est˜ao para a
´
Algebra Linear assim como as fun¸c˜oes reais de uma vari´avel real est˜ao para o C´alculo Diferencial e Integral 1.
Matrizes Ortogonais
Matrizes ortogonais est˜ao relacionadas com alguns tipos especiais de aplica¸c˜oes que estudamos adiante. S˜ao as cha-madasisometrias, que s˜ao aplica¸c˜oes que preservam distˆancias, ´areas e ˆangulos. O estudo das isometrias constituem um dos mais importantes ramos da Matem´atica e h´a in´umeras aplica¸c˜oes pr´aticas envolvendo-as.
Seja A∈Mn(R) invert´ıvel. Dizemos queA´ematriz ortogonal quando sua inversa for igual a sua transposta, ou seja, A−1=At. Desta forma, quando A´e matriz ortogonal, temos
AAt=AtA=Idn .
Exemplo 1.22 A=
1/2 √3/2 √
3/2 −1/2
´e matriz ortogonal poisAt=
1/2 √3/2 √
3/2 −1/2
eAAt=AtA=Id2.
Matrizes Triangulares Superiores ou Inferiores
Matrizes triangulares superiores ou inferiores s˜ao especiais pelo fato de possuirem determinantes (pr´oxima se¸c˜ao) muito simples de serem calculados.
Seja A= [aij]∈Mn(R).
Dizemos queA´ematriz triangular superiorquandoaij=0parai > j, ou seja, todas a entradas abaixo da diagonal principal s˜ao nulas.
Dizemos queA´ematriz triangular inferiorquandoaij=0parai < j, ou seja, todas a entradas acima da diagonal principal s˜ao nulas.
Exemplo 1.23 A =
2 0 3 0 2 5 0 0 6
´e matriz triangular superior e B =
2 0 0 3 2 0 4 5 6
´e matriz triangular inferior. Em
particular, a matriz identidade Idn, de ordemn, e a matriz nulaO∈Mn(R), de ordemn, s˜ao matrizes triangulares superior e inferior ao mesmo tempo.
Matrizes Diagonais
diagonais que possam ser associadas a operadores lineares constituem um das mais belas partes da ´Algebra Linear. Em nossa notas, esse assunto mereceu ser abordado em um cap´ıtulo inteiro e exclusivo.
Vamos `a defini¸c˜ao:
Seja A= [aij]∈Mn(R). Dizemos queA´ematriz diagonal quando aij =0 para i6=j, ou seja, todas as entradas que n˜ao est˜ao na diagonal principal s˜ao nulas. Em particular, quando uma matriz diagonal ´e da forma A= kIdn, sendok∈R, dizemos queA´e uma matriz escalar.
Observemos que uma matriz diagonal ´e, tamb´em, matriz triangular inferior e matriz triangular superior ao mesmo tempo.
Exemplo 1.24 A =
2 0 0 0 2 0 0 0 2 e B =
0 0 0 0 1 0 0 0 8
s˜ao matrizes diagonais (em particular, A ´e matriz escalar). A
matriz identidade Idn, de ordem n, e a matriz nula O ∈ Mn(R), de ordem n, s˜ao, tamb´em, matrizes diagonais e escalares.
Matrizes Sim´etricas e Anti-Sim´etricas
As matrizes sim´etricas est˜ao associadas a um tipo especial de operador linear: os chamados operadores auto-adjuntos, que tamb´em s˜ao operadores de especial importˆancia na ´Algebra Linear. A defini¸c˜ao de matriz sim´etrica segue abaixo, juntamente com a defini¸c˜ao de matriz anti-sim´etrica.
Seja A= [aij]∈Mn(R). Dizemos que A´ematriz sim´etricaquando Acoincide com sua transposta, ou seja, A=At.
Isto significa queaij=aji.
SejaA= [aij]∈Mn(R). Dizemos queA´ematriz anti-sim´etricaquandoAcoincide com o oposto de sua transposta, ou seja,
A= −At. Isto significa queaij= −aji.
Exemplo 1.25 As matrizes A =
2 3 7 3 2 9 7 9 6 e B =
0 5 0 5 1 6 0 6 8
s˜ao matrizes sim´etricas. Em particular, a matriz
identidade Idn, de ordemn, e a matriz nulaO∈Mn(R), de ordemn, s˜ao matrizes sim´etricas.
As matrizes C=
0 3 −7
−3 0 −9
7 9 0
eD =
0 −5 0
5 0 6
0 −6 0
s˜ao matrizes anti-sim´etricas. A matriz nulaO ∈ Mn(R), de
ordemn, ´e, tamb´em, anti-sim´etrica.
Matrizes Semelhantes
O conceito de matrizes semelhantes pode parecer estranho em uma primeira apresenta¸c˜ao. Entretanto, ele ´e necess´ario para um estudo consistente de operadores lineares. Veremos nos pr´oximos cap´ıtulos que um mesmo operador linear pode estar associado a in´umeras matrizes distintas. Essas matrizes dependem daquilo que chamamos de base de um
espa¸co vetorial (apresentamos esses conceitos mais adiante) e bases n˜ao s˜ao ´unicas. Sendo assim, um dos problemas que se apresenta ´e descobrir a rela¸c˜ao entre matrizes diferentes associadas a um mesmo operador linear. Esta rela¸c˜ao passa por aquilo que chamamos de matriz de mudan¸ca de bases (pr´oximo cap´ıtulo) e chegamos ao resultado de que matrizes associadas a um mesmo operador linear s˜ao semelhantes, no sentido da defini¸c˜ao abaixo.
SejamA, B∈Mn(R). Dizemos que AeBs˜aomatrizes semelhantesquando existeM∈Mn(R)invert´ıvel tal que A=M−1BM.
Exemplo 1.26 As matrizes A =
−4 −8 −2
10 3 6
6 13 3
e B =
1 2 0 0 1 1 3 2 0
s˜ao matrizes semelhantes. De fato, M =
0 1 0 5 1 3 3 1 2
possui inversa, que ´eM−1=
1 2 −3
1 0 0
−2 −3 5 e
−4 −8 −2
10 3 6
6 13 3
=
1 2 −3
1 0 0
−2 −3 5 .
1 2 0 0 1 1 3 2 0 .
0 1 0 5 1 3 3 1 2
P´agina 16 de 127 p´aginas UFU Algebra Linear
1.3
Determinantes de Matrizes
Toda aplica¸c˜ao bijetivaσ:{1, 2, . . . , n}→{1, 2, . . . , n}´e chamada depermuta¸c˜aodo conjunto{1, 2, . . . , n}.
Exemplo 1.27 Existem6permuta¸c˜oes do conjunto{1, 2, 3}. Chamemo-as deσ1, σ2, . . . , σ6. S˜ao elas:
σ1(1) =1
σ1(2) =2
σ1(3) =3 ,
σ2(1) =1
σ2(2) =3
σ2(3) =2 ,
σ3(1) =3
σ3(2) =1
σ3(3) =2 ,
σ4(1) =3
σ4(2) =2
σ4(3) =1 ,
σ5(1) =2
σ5(2) =3
σ5(3) =1 e
σ6(1) =2
σ6(2) =1
σ6(3) =3
Vamos adotar a seguinte nota¸c˜ao para uma permuta¸c˜aoσ:{1, 2, . . . , n}→{1, 2, . . . , n}
σ:
1 2 3 · · · n
σ(1) σ(2) σ(3) · · · σ(n)
Assim, no exemplo acima as6permuta¸c˜oes s˜ao denotadas do seguinte modo:
σ1:
1 2 3 1 2 3
;σ2:
1 2 3 1 3 2
;σ3:
1 2 3 3 1 2
;σ4:
1 2 3 3 2 1
;σ5:
1 2 3 2 3 1
eσ6:
1 2 3 2 1 3
´
E f´acil notar que o n´umero de permuta¸c˜oes de um conjunto comnelementos ´en! No exemplo acima,n=3e temos3! =6 permuta¸c˜oes.
Seja σ uma permuta¸c˜ao de{1, 2, . . . , n} er a quantidade de vezes que ocorre um decrescimento na imagem de σ, ou seja,
i < j⇒σ(i)> σ(j)
sendoi, j∈{1, 2, . . . , n}.
Definimos a fun¸c˜ao sinal deσ, denotada porsgn(σ), do seguinte modo:
sgn(σ) =1, quandor ´e par. sgn(σ) = −1, quando r´e ´ımpar.
Exemplo 1.28 Consideremos as permuta¸c˜oes do exemplo anterior. Paraσ1temos r=0. Logo, sgn(σ1) =1.
Paraσ2temos r=1. Logo, sgn(σ2) = −1. Paraσ3temos r=2. Logo, sgn(σ3) =1. Paraσ4temos r=3. Logo, sgn(σ4) = −1. Paraσ5temos r=2. Logo, sgn(σ5) =1. Paraσ6temos r=1. Logo, sgn(σ6) = −1.
Seja A= [aij]∈Mn(R)uma matriz real de ordemn. Ao n´umero
P
σ
sgn(σ)a1σ(1)a2σ(2)· · ·anσ(n)
chamamos de determinantedeAe indicamos por detA.
O somat´orio acima ´e sobre todas as n!permuta¸c˜oesσdo conjunto{1, 2, . . . , n}. Portanto, a soma acima ´e constitu´ıda por n!parcelas.
Exemplo 1.29 Sen=1, ent˜aoA= [a11]e existe apenas uma permuta¸c˜aoσ:{1}→{1}que ´eσ(1) =1. Logo,r=0 e sgn(σ) =1.
Logo,
detA=P σ
sgn(σ)a1σ(1)=1a11=a11.
Assim, por exemplo, seA= [7], ent˜ao detA=7.
Exemplo 1.30 Sen= 2, ent˜ao A=
a11 a12
a21 a22
e existem 2! =2 permuta¸c˜oesσ1 :
1 2 1 2
e σ1:
1 2 2 1
. Logo,
Logo,
detA=P σ
sgn(σ)a1σ(1)a2σ(2)
=sgn(σ1)a1σ1(1)a2σ1(2)+sgn(σ2)a1σ2(1)a2σ2(2)
=1a11a22+ (−1)a12a21 =a11a22−a12a21.
Assim, por exemplo, seA=
1 2 3 4
, ent˜ao detA=4−6= −2.
Exemplo 1.31 Sen =3, ent˜ao A=
a11 a12 a13
a21 a22 a23
a31 a32 a33
e existem3! =6 permuta¸c˜oes que s˜ao as apresentadas nos
dois primeiros exemplos dessa se¸c˜ao. Logo,
detA=P σ
sgn(σ)a1σ(1)a2σ(2)a3σ(3)
=sgn(σ1)a1σ1(1)a2σ1(2)a3σ1(3)+· · ·+sgn(σ6)a1σ6(1)a2σ6(2)a3σ6(3)
=1a11a22a33+ (−1)a11a23a32+1a13a21a32+ (−1)a13a22a31+1a12a23a31+ (−1)a12a21a33 = (a11a22a33+a12a23a31+a13a21a32) − (a13a22a31+a11a23a32+a12a21a33).
Assim, por exemplo, seA=
1 2 3 4 5 6 7 8 9
, ent˜ao detA=45+84+96−105−48−72=0.
Exemplo 1.32 SejaA=
a11 0 0 · · · 0
a21 a22 0 · · · 0 ..
. ...
an1 an2 an3 · · · ann
. Seja uma permuta¸c˜aoσde{1, 2, . . . , n}diferente da
identi-dade. Logo, existe i∈{1, . . . , n}tal queσ(i) =j > ie, portanto,a1σ(1). . . aiσ(i). . . anσ(n)=0poisaiσ(i)=0.
Logo, detA=P σ
sgn(σ)a1σ(1)a2σ(2). . . anσ(n)=1a11a22. . . ann. (s´o a permuta¸c˜ao identidade)
Proposi¸c˜ao 1.6 Propriedades de determinantes: (1)Linearidade sobre colunas.
(i)det
a11 · · · a1i+a1i′ · · · a1n
a21 · · · a2i+a2i′ · · · a2n
..
. ...
an1 · · · ani+ani′ · · · ann
=det
a11 · · · a1i · · · a1n a21 · · · a2i · · · a2n
..
. ...
an1 · · · ani · · · ann +det
a11 · · · a1i′ · · · a1n
a21 · · · a2i′ · · · a2n
..
. ...
an1 · · · ani′ · · · ann
.
(ii)det
a11 · · · ka1i · · · a1n a21 · · · ka2i · · · a2n
..
. ...
an1 · · · kani · · · ann
=kdet
a11 · · · a1i · · · a1n a21 · · · a2i · · · a2n
..
. ...
an1 · · · ani · · · ann
, sendo k∈R.
Propriedades an´alogas valem para as linhas (linearidade sobre linhas).
(2)Uma matriz real de ordemncom duas linhas ou duas colunas iguais possui determinante zero.
(3) Seja B uma matriz real de ordem n obtida de A pela permuta¸c˜ao de duas linhas ou duas colunas de A. Ent˜ao,
detB= −detA.
(4)det
a11 · · · a1i · · · a1n
..
. ...
an1 · · · ani · · · ann
=det
a11 · · · a1i+
n
P
k=1 k6=i
αka1k · · · a1n
..
. ...
an1 · · · ani+ Pn
k=1 k6=i
αkank · · · ann
, sendoαk∈R.
A propriedade(4)acima tamb´em vale para linhas. (5)SeA∈Mn(R), ent˜aodetA=detAt.
(6)SeA, B∈Mn(R), ent˜aodet(AB) =detAdetB.
(7)SeA∈Mn(R)´e invert´ıvel, ent˜aodet A−1
= 1
P´agina 18 de 127 p´aginas UFU Algebra Linear
Da propriedade (1) (i) resulta que se uma matriz real de ordem npossui uma linha ou uma coluna nula, ent˜ao seu determinante ´e zero.
A propriedade (4)permite fazer escalonamento em matrizes sem alterar o determinante (veja exemplo abaixo). Como det(Idn) =1, a propriedade(7)´e uma consequˆencia direta da propriedade(6).
Exemplo 1.33 det
1 2+3 4 5 6+0 5 4 3+2 1 =det
1 2 4 5 6 5 4 3 1 +det
1 3 4 5 0 5 4 2 1
= −15+75=60.
Exemplo 1.34 det
1 2.2 3 4 2.5 6 7 2.8 0 =2det
1 2 3 4 5 6 7 8 0 =54.
Exemplo 1.35 det
1 1 2 3 3 4 5 5 6
=0. (duas colunas iguais)
Exemplo 1.36 det
1 2 3 4 5 6 7 8 0
= −det
2 1 3 5 4 6 8 7 0 =27.
Exemplo 1.37 det
1 2 3 4 5 6 7 8 0 =det
1+2.2+5.3 2 3 4+2.5+5.6 5 6 7+2.8+5.0 8 0
=27. (neste exemplo,n=3, i=1,α2=2eα3=5)
Exemplo 1.38 Calcule o determinante da matrizA=
1 5 2 1 3 4 2 0 1 2 1 2 0 3 1 3
aplicando a propriedade(5)sucessivas vezes,
fazendo um escalonamento.
Resolu¸c˜ao: det
1 5 2 1 3 4 2 0 1 2 1 2 0 3 1 3 .(-5) .(-2) .(-1) =det
1 5+ (−5)1 2+ (−2)1 1+ (−1)1 3 4+ (−5)3 2+ (−2)3 0+ (−1)3 1 2+ (−5)1 1+ (−2)1 2+ (−1)1 0 3+ (−5)0 1+ (−2)0 3+ (−1)0 = det
1 0 0 0
3 −11 −4 −3 1 −3 −1 1
0 3 1 3
.(-4/11) .(-3/11) = det
1 0 0 0
3 −11 0 0
1 −3 1/11 20/11 0 3 −1/11 24/11 .(-20) =det
1 0 0 0
3 −11 0 0
1 −3 1/11 0 0 3 −1/11 4
=1(−11)
1 11
4= −4.
Regra de Laplace para c´alculo de determinantes
A defini¸c˜ao abaixo ´e fundamental para a introdu¸c˜ao de uma das t´ecnicas mais comuns para c´alculo de determinantes, que ´e aRegra de Laplace, enunciada em seguida.
Sejam
A=
a11 · · · a1n ..
. ...
an1 · · · ann
n×n
Proposi¸c˜ao 1.7 (Regra de Laplace) SejaAmatriz realn×neaij uma entrada dessa matriz. Ent˜ao,
detA=
n
P
i=1 aijAij
| {z }
↓
=
n
P
j=1 aijAij
| {z }
↓
soma dos produtos dos elementos soma dos produtos dos elementos da linhajpor seus cofatores da linhaipor seus cofatores
Exemplo 1.39 Calcular o determinante deA=
1 2 3 4 5 6 7 8 9
utilizando a Regra de Laplace.
Resolu¸c˜ao.
Escolhendo a primeira linha deAtemos detA= 3 P
j=1
a1jA1j. Logo,
detA=a11A11+a12A12+a13A13
=a11(−1)1+1D11+a12(−1)1+2D12+a13(−1)1+3D13
=a11(−1)1+1det
5 6 8 9
+a12(−1)1+2det
4 6 7 9
+a13(−1)1+3det
4 5 7 8
=1(1) (45−48) +2(−1) (36−42) +3(1) (32−35) = −3+12−9
=0
Regra de Chi´o para c´alculo de determinantes
Esta regra ´e uma combina¸c˜ao das propriedades de determinantes e da Regra de Laplace. O m´etodo consiste em usar as propriedades para criar uma linha ou coluna que tenha uma entrada igual a 1 e as demais entradas iguais a 0. Depois, basta a aplicar a Regra de Laplace utilizando essa linha ou coluna. Com isso, precisamos calcular apenas um cofator.
SejaA=
a11 · · · a1n ..
. ...
an1 · · · ann
∈Mn(R)n˜ao nula. Sem perda de generalidade, suponhamos que a116=0.
Da propriedade (1) (ii)podemos escrever
detA=a11det
1 b12 · · · b1n
a21 a22 a2n ..
. ...
an1 an2 · · · ann
sendob1j= a11a1j.
Da propriedade (4)podemos escrever
detA=a11 det
1 b12 · · · b1n
a21 a22 a2n ..
. ...
an1 an2 · · · ann
.(-b12)
.. .
.(-b1n)
=a11det
1 0 · · · 0 a21 a′22 a′2n
..
. ...
an1 a′n2 · · · a′nn
sendoa′
P´agina 20 de 127 p´aginas UFU Algebra Linear
Utilizando a Regra de Laplace:
detA=a11det
1 0 · · · 0 a21 a′22 a′2n
..
. ...
an1 a′n2 · · · a′nn
=a11(1) (−1)1+1det
a′
22 a′2n .. .
a′n2 · · · a′nn
detA=a11det
a′22 a′2n
.. .
a′n2 · · · a′nn
Exemplo 1.40 Calcular o determinante deA=
2 2 4
−1 5 7
1 2 1
utilizando a Regra de Chi´o.
Resolu¸c˜ao.
Escolhendo a primeira linha e a primeira entrada:
det
2 2 4
−1 5 7
1 2 1
= 2det
1 1 2
−1 5 7
1 2 1
.(-1) .(-2)
=2det
1 0 0
−1 6 9 1 1 −1
=2det
6 9
1 −1
=2(−6−9) = −30
Regra de Sarrus para c´alculo de determinantes de matrizes de ordem 3
Este m´etodo s´o vale para matrizes de ordem 3. J´a vimos que se A=
a11 a12 a13
a21 a22 a23
a31 a32 a33
, ent˜ao
detA= (a11a22a33+a12a23a31+a13a21a32) − (a13a22a31+a11a23a32+a12a21a33).
O m´etodo de Sarrus consiste apenas em enxergar um dispositivo pr´atico com a tabela de entradas da matriz Aque nos conduza ao resultado acima.
Para simplificar, reescrevamos a matriz Ado seguinte modo: A=
a b c d e f g h i . Logo,
detA=aei+bfg+chd−ceg−bdi−ahf.
Observe na figura abaixo o procedimento pr´atico da Regra de Sarrus:
g h i g h
d e f d e
a b c a b
-ceg-afh bdi aei bfg cdh- + + +
Note que os produtos advindos das setas paralelas `a diagonal principal permanecem inalterados, enquanto que os produtos advindos das setas paralelas `a diagonal secund´aria s˜ao multiplicados por −1 (ou seja, seus “sinais” s˜ao trocados). No final, todos os seis termos s˜ao somados para obtermos o determinante.
Exemplo 1.41 Calcular o determinante deA=
1 2 3 3 2 1 1 1 1
utilizando a Regra de Sarrus. Resolu¸c˜ao.
Temos, de acordo com o dispositivo pr´atico:
1 1 1 1 1
3 2 1 3 2
1 2 3 1 2
Logo, detA=2+2+9−6−1−6=0.
Matriz Adjunta
Nesta subse¸c˜ao apresentamos um novo m´etodo para calcular a matriz inversa de uma matriz invert´ıvel.
Seja A= [aij]matriz real de ordemne sejamAij os cofatores deaij. Definimos amatriz adjuntadeAcomo sendo
AdjA= [Aij]t=
A11 A21 · · · An1 A12 A22 · · · An2
..
. ...
A1n A2n · · · Ann
n×n
A importˆancia da matriz adjunta reside no resultado abaixo.
Proposi¸c˜ao 1.8 Seja Amatriz realn×ntal quedetA6=0. Ent˜ao,A´e invert´ıvel eA−1= 1
detAAdjA. Exemplo 1.42 Calcular a matriz inversa deA=
1 2 3
1 1 1
−1 2 −1
utilizando a matriz adjunta.
Resolu¸c˜ao.
Precisamos calcular os9 cofatores deA:
A11= (−1)1+1det
1 1
2 −1
= −3;A12= (−1)1+2det
1 1
−1 −1
=0;A13= (−1)1+3det
1 1
−1 2
=3
A21= (−1)2
+1 det
2 3
2 −1
=8;A22= (−1)2
+2 det
1 3
−1 −1
=2;A23= (−1)2
+3 det
1 2
−1 2
= −4
A31= (−1)3+1det
2 3 1 1
= −1;A32= (−1)3+2det
1 1 3 1
=2;A33= (−1)3+3det
1 2 1 1
= −1
Precisamos do determinante de A:
det
1 2 3
1 1 1
−1 2 −1
= −1−2+6+3+2−2=6
Logo,
A−1= 1
detAAdjA= 1 6
−3 8 −1
0 2 2
3 −4 −1
Regra de Cramer para resolu¸c˜ao de Sistemas Poss´ıveis e Determinados
Podemos encontrar solu¸c˜oes de umSistema de Cramer (portanto, um sistema linear poss´ıvel e determinado) utilizando determinantes, via o seguinte resultado:
Proposi¸c˜ao 1.9 (Regra de Cramer) SejaAX=Bum Sistema de Cramer escrito em forma matricial, sendo
A=
a11 · · · a1n
..
. ...
an1 · · · ann
n×n
,B=
b1 .. . bn
n×1
eX=
x1 .. . xn
n×1
.
Ent˜ao,
xk= det∆k
detA,
sendo
∆k=
a11 · · · a1(k−1) b1 a1(k+1) · · · a1n
..
. ... ... ... ...
an1 · · · an(k−1) bn an(k+1) · · · ann
n×n
P´agina 22 de 127 p´aginas UFU Algebra Linear
´
E importante enfatizar que a Regra de Cramer possui interesse te´orico apenas. Comparado ao m´etodo de resolu¸c˜ao de sistemas lineares por escalonamento, a Regra de Cramer ´e extremamente ineficiente, devido ao fato de ser necess´ario o c´alculo de diversos determinantes (o que geralmente ´e bem trabalhoso). Quanto maior a ordem do sistema, maior ´e a ineficiˆencia desse m´etodo.
Exemplo 1.43 ResolverS=
x +2y+3z= 14 2x − y +3z= 9
−x−2y+ z = −2
utilizando a Regra de Cramer.
Resolu¸c˜ao:
TemosA=
1 2 3
2 −1 3
−1 −2 1 ;B=
14 9
−2 eX=
x y z
. Temos tamb´em que detA= −1−6−12−3−4+6= −20.
(i)det∆1=det
14 2 3
9 −1 3
−2 −2 1
= −14−12−54−6−18+84= −20. Portanto, x1=x= detdet∆1A =
−20
−20 =1.
(ii)det∆2=det
1 14 3
2 9 3
−1 −2 1
=9−42−12+27−28+6= −40. Portanto, x2=y= detdet∆2A =
−40
−20 =2.
(iii)det∆3=det
1 2 14
2 −1 9
−1 −2 −2
=2−18−56−14+8+18= −60. Portanto, x3=z= detdet∆3A = −−6020 =3.
Se¸
c˜
ao de Exerc´ıcios Propostos e Resolvidos:
Sistemas Lineares, Matrizes
e Determinantes
Exerc´ıcio 1.1 Resolva os sistemas lineares abaixo por escalonamento:
S1=
x − y −2z= 1
−x+ y + z = 2 x −2y+ z = −2
S4=
x + y − z + t = 1 3x − y −2z+ t = 2
−x−2y+3z+2t= −1
S7=
2x− y +z− t =4 3x+2y−z+2t=1 2x− y −z− t =0
5x +2t=1
S2=
−x+ y −2z =1 2x − y +3t=2 x −2y+ z −2t=0
S5=
x +y+z+ t = 1 x −y+z+ t = −1
y−z+2t= 2 2x +z− t = −1
S8=
x −2y=5
−x+3y=3
−x+4y=2
S3=
x +3y+2z= 2 3x+5y+4z= 4 5x+3y+4z= −10
S6=
x −2y−3z=5
−2x+5y+2z=3
−x +3y− z =2
S9=
x − 2y + 3z = 5
−2x+ 4y − 6z = −10 12x −24y+36z= 60
Respostas:
S1: (−11,−6,−3);(SPD)
S2:
−13
5t+1,− 11
5t, t 5−1, t
:t∈R ;(SPI)
S3:∅;(SI)
S4:
−2t+ 67,−t+27,−2t+ 17, t
:t∈R ; (SPI)
S5: −15, 1,−15,25
;(SPD)
S6:∅;(SI)
S7: (1, 2, 2,−2);(SPD)
S8:∅;(SI)
S9:{(5+2y−3z, y, z) :y, z∈R};(SPI)
Exerc´ıcio 1.2 Determinar os valores deaebque tornam o sistema abaixo poss´ıvel (compat´ıvel) e determinado. Em seguida, resolva o sistema.
S=
3x−7y= a
x + y = b
5x+3y= 5a+2b x +2y=a+b−1
Respostas: a=2,b=4,x=3ey=1.
Exerc´ıcio 1.3 Associar os sistemas abaixo a sistemas lineares (exceto aqueles que j´a estiverem na forma de sistema linear) e resolvˆe-los.
S1=
2/x−1/y−1/z= −1 1/x+1/y+1/z= 0 3/x−2/y+1/z= 4
S3=
2x · 2y · 2z = 8
3x ·1/9y· 3z =39
125.5x· 1y ·1/5z= 1
S5=
x −ycos(γ) −zcos(β) =0
−xcos(γ) + y −zcos(α) =0
−xcos(β) −ycos(α) + z =0
S2=
1/x+1/y =0 2/x+3/y =0 1/x−2/y+4/z=0
S4=
log2(x+y+z) =0
logy(x+z) =1
log3(5) +log3(x) =log3(y−z)
S6=
5732x+2134y+2134z= 7866 2134x+5732y+2134z= 670 2134x+2134y+5732z=11464
EmS5 os n´umerosα,βeγs˜ao medidas, em radianos, de ˆangulos internos de um triˆangulo.
Respostas: S1: −3,−149,179
;(SPD)(sugest˜ao: fa¸cax′ = 1 x, y′ =
1 y ez′=
1 z);
S2:∅(SI);S3: (1,−2, 4) (SPD);S4:∅(SI);S5:
tsen(α)
sen(γ) ,
tsen(β)
sen(γ) , t
, comt∈R,(SPI);
S6: (1,−1, 2);(SPD)(sugest˜ao: fa¸caa=5732,b=2134e observe que7866=a+b,670=3b−ae11464=2a)
Exerc´ıcio 1.4 Em uma garagem h´a motos e carros estacionados. A quantidade de rodas em contato com o solo da garagem ´e trˆes vezes a quantidade de ve´ıculos. Jo˜ao afirma que h´a quinze carros nessa garagem. Mas Jo˜ao nem sempre ´e honesto em suas afirma¸c˜oes. Vocˆe pode confirmar se Jo˜ao est´a mentindo ou falando a verdade?
P´agina 24 de 127 p´aginas UFU Algebra Linear Exerc´ıcio 1.5 Mostre que no conjunto R=r´e reta no plano cartesiano de equa¸c˜aox+ay+a2=1:a∈R duas retas quaisquer sempre se intersectam.
Exerc´ıcio 1.6 Discutir os sistemas em fun¸c˜ao dek∈R. (ou seja, para quais valores de kcada sistema abaixo ´eSI,
SPI eSPD)
S1=
x + y +kz=2 3x+4y+2z=k 2x+3y− z =1
S4=
x + y −kz= 0 kx+ y − z =2−k
x +ky− z = −k
S2=
x +2y+kz=1 2x+ky+8z=3
S5=
kx+3ky=0 2x+ ky =4
S3=
x −3z= −3
−2x−ky+ z = 2 x +2y+kz= 1
S6=
kx+y= 2 x −y=k x +y= 2
Respostas:
S1:k=3⇒SPI;k6=3⇒SPD
S2:k6=4⇒SPI;k=4⇒SI
S3:k=2⇒SPI;k= −5⇒SI;k6=2 e−5⇒SPD
S4:k=1 ou−2⇒SI;k6=1e−2⇒SPD
S5:k=0⇒SPI;k=6⇒SI;k6=0e6⇒SPD
S6:k= −2ou1⇒SPD;k6= −2 e1⇒SI
Exerc´ıcio 1.7 (Resolvido) Em um sistema linear 2×2, cada linha pode ser uma equa¸c˜ao geral de reta em R2. Portanto, um sistema linear 2×2 pode representar, geometricamente, duas retas no plano. Quando as retas s˜ao concorrentes, significa que possuem um ´unico ponto em comum. As coordenadas deste ponto satisfazem as2equa¸c˜oes do sistema e, portanto, representam a solu¸c˜ao do sistema e este ser´aSPD.
Relacione (e justifique) posi¸c˜ao relativa de retas no plano e sistemas SI eSPI.
De modo an´alogo, qual a interpreta¸c˜ao geom´etrica de um sistema linear3×3 nos casosSPD, SI eSPI?
Resolu¸c˜ao:
Sejamr1er2as retas dadas pelas equa¸c˜oes lineares do sistema2×2. Baseados na posi¸c˜ao relativa der1er2no plano cartesiano, podemos fazer a seguinte classifica¸c˜ao baseados na intersec¸c˜ao entrer1 er2(fa¸ca as figuras):
r1∩r2=
∅⇒SI, pois as retas ser˜ao paralelas e n˜ao h´a pontos (solu¸c˜oes) em comum
{P}⇒SPD, pois as retas ser˜ao concorrentes e h´a apenas um ponto (solu¸c˜ao) em comum
{infinitos P’s}⇒SPI, pois as retas ser˜ao coincidentes e h´a todos os pontos (solu¸c˜oes) em comum
Sejam π1, π2eπ3 os planos dados pelas equa¸c˜oes lineares do sistema3×3. Baseados na posi¸c˜ao relativa deπ1, π2 eπ3 no espa¸co cartesiano, podemos fazer a seguinte classifica¸c˜ao baseados na intersec¸c˜ao entreπ1, π2e π3(fa¸ca as figuras):
π1∩π2∩π3=
∅⇒SI; (∗)
{P}⇒SPD; (∗∗)
{infinitos P’s}⇒SPI; (∗ ∗ ∗) Em(∗)podemos ter as seguintes posi¸c˜oes relativas:
•Trˆes planos paralelos dois a dois;
•Dois planos paralelos e um terceiro concorrente aos dois primeiros;
•Dois planos coincidentes e um terceiro paralelo a ambos;
• Trˆes planos concorrentes dois a dois de tal modo que haja trˆes retas de intersec¸c˜ao paralelas duas a duas. Neste caso, os planos dar˜ao origem a um prisma triangular infinito no espa¸co.
Em(∗∗)h´a apenas uma posi¸c˜ao relativa:
• Trˆes planos s˜ao concorrentes dois a dois de tal modo que haja trˆes retas de intersec¸c˜ao com um ´unico pontoPem comum. Neste caso, os trˆes planos formam triedros no espa¸co. O exemplo mais famoso dessa situa¸c˜ao ´e o dos trˆes planos cartesianos no espa¸co, formando oito triedros ortogonais (octantes).
Em(∗ ∗ ∗)podemos ter as seguintes posi¸c˜oes relativas:
•Trˆes planos concorrentes dois a dois de tal modo que intersec¸c˜ao dos trˆes planos seja uma ´unica reta;
• Dois planos coincidentes e um terceiro concorrente aos dois primeiros. Neste caso, a intersec¸c˜ao comum aos trˆes planos ´e uma reta;
Exerc´ıcio 1.8 Foram estudados trˆes tipos de alimentos e determinou-se que:
• Cada grama do alimento Icont´em1 unidade de medida de vitaminaA,3 unidades de vitamina Be4unidades de vitaminaC;
• Cada grama do alimentoIIcont´em2unidade de medida de vitamina A,3 unidades de vitaminaBe5 unidades de vitaminaC;
• Cada grama do alimento III cont´em 3 unidade de medida de vitamina A, nenhuma unidade de vitamina B e 3
unidades de vitaminaC;
Determinada dieta requer11unidades de medida de vitaminaA,9unidades de vitaminaBe20unidades de vitamina
Cdi´arias.
(1)Encontre as poss´ıveis quantidades (em gramas) dos alimentosI,IIeIIIque fornecem as quantidades de vitaminas requerida diariamente pela dieta.
(2)Se o alimentoI custa60centavos o grama e os outros dois custam10centavos o grama, existe uma solu¸c˜ao para a dieta que custe1 real ao dia?
Resposta: (1)sendox,yezas quantidades requeridas de alimentosI, IIeIII, respectivamente, ent˜aox= −5+3ze
y=8−3zsendo 5 3 ≤z≤
8 3.
(2)Sim: x=1,y=2ez=2 gramas.
Exerc´ıcio 1.9 (Resolvido) Necessita-se adubar um terreno acrescentando a cada10 m2: 135 gde nitrato,185 gde fosfato e182, 5 gde pot´assio.
Disp˜oe-se de quatro qualidades de adubo com as seguintes caracter´ısticas:
(i)Cada quilograma do adubo I custaR$ 0, 05e cont´em10 g de nitrato,10 gde fosfato e100 gde pot´assio. (ii)Cada quilograma do adubo II custaR$ 0, 05e cont´em10 g de nitrato,100 gde fosfato e30 g de pot´assio. (iii)Cada quilograma do adubo III custaR$0, 05e cont´em50 gde nitrato,20 gde fosfato e20 gde pot´assio. (iv)Cada quilograma do adubo IV custa R$0, 15e cont´em20 gde nitrato,40 g de fosfato e35 g de pot´assio. Quanto de cada adubo devemos misturar para conseguir o efeito desejado se estamos dispostos a gastar R$ 0, 50 a cada10 m2 com a aduba¸c˜ao?
Resolu¸c˜ao:
Sejam:
x: quantidade de adubo I a cada10 m2
y: quantidade de adubo II a cada10 m2
z: quantidade de adubo III a cada10 m2
t: quantidade de adubo IV a cada10 m2 De acordo com o problema:
10x + 10y + 50z + 20t = 135 10x + 100y + 20z + 40t = 185 100x + 30y + 20z + 35t =182, 5 0, 05x+0, 05y+0, 05z+0, 15t= 0, 5
⇒
x + y +5z+2t=27/2 x +10y+2z+4t=37/2 20x+ 6y +4z+7t=73/2 x + y + z +3t= 10
⇒
x+ y + 5z + 2t = 27/2 9y − 3z + 2t = 5
−14y− 96z −33t= −467/2
−4z+ t = −7/2
⇒
x+ y + 5z + 2t = 27/2
9y− 3z + 2t = 5
− (302/3)z− (269/9)t= −4063/18
−4z + t = −7/2
⇒
x+ y + 5z + 2t = 27/2
9y− 3z + 2t = 5
−906z−269t= −4063/2
−4z + t = −7/2
⇒
x+ y + 5z + 2t = 27/2
9y− 3z + 2t = 5
−906z− 269t = −4063/2
(991/453)t=4955/906
⇒
x=1/2 y=1/2 z=3/2 t=5/2
Conclus˜ao: a cada10 m2de terreno devemos misturar0, 5 kgdo adubo I;0, 5 kgdo adubo II;1, 5 kgdo adubo III e
2, 5 kgdo adubo IV.
Exerc´ıcio 1.10 Determine a inversa da matrizA, caso exista, utilizando opera¸c˜oes elementares:
A= [aij]de ordem3tal queaij=
icos(πi), sei=j
jsen(πj), sei6=j B=
1 2 3
0 4 6
−1 6 −9
C=
−1 −1 0
2 6 4
1 0 1
P´agina 26 de 127 p´aginas UFU Algebra Linear
D=
1 1 1 2 6 4 3 7 5
E=
1 2 3 4
−1 2 −1 4
0 1 0 1
1 0 1 0
F=
1 0 0 2 0 2 1 0 0 1 0 2 1 0 2 0 G=
1 0 0 1 0 1 1 0 0 1 0 1 1 0 1 0 Respostas: A=
−1 0 0
0 2 0
0 0 −3
⇒A−1=
−1 0 0
0 12 0
0 0 −1 3
; B−1=
1 −1
2 0 1 12 1 12 1 12 − 1 18 1 9 − 1 18
; C−1=
−3 4 − 1 8 1 2 −1 4 1 8 − 1 2 3 4 1 8 1 2 ;
∄D−1; E−1=
−1 2 1
2 0 2
0 −1
2 2 −
1 2
1
2 −
1
2 0 −1
0 1
2 −1 1 2
; F−1=
4 3 2 3 − 4 3 − 1 3 1 3 2 3 − 1 3 − 1 3 −2 3 − 1 3 2 3 2 3 −1 6 − 1 3 2 3 1 6
; ∄G−1.
Exerc´ıcio 1.11 (Resolvido) SeA=
1 1 0 1
, mostre por indu¸c˜ao queAn=
1 n 0 1
.
Obs.: An=AA . . . A; (nvezes)
Resolu¸c˜ao:
Paran=1a afirma¸c˜ao ´e verdadeira.
Hip´otese de indu¸c˜ao: a afirma¸c˜ao ´e verdadeira paran=r, ou seja,A=
1 1 0 1
⇒Ar=
1 r 0 1
para algumr∈N. Mostremos que a afirma¸c˜ao ´e verdadeira paran=r+1:
Ar+1=ArA=
1 r 0 1 1 1 0 1 =
1 r+1
0 1
.
Logo, peloPrinc´ıpio de Indu¸c˜ao Finita, a afirma¸c˜ao ´e verdadeira para qualquern∈N.
Exerc´ıcio 1.12 Resolver o Sistema de Cramer abaixo calculando a matriz inversa dos coeficientes.
S=
x+y+ z =2 x−y+ z =0 y+2z=0
.
Respostas: x= 3
2;y=1;z= − 1 2.
Exerc´ıcio 1.13 Determinarx0,y0ez0de modo que a matriz
1 0 0
0 √2 2
√
2 2
x0 y0 z0
seja ortogonal.
Respostas: Duas solu¸c˜oes poss´ıveis: (x0, y0, z0) =±
0,√2
2 ,−
√
2 2
.
De AAt=Id3chega-se a
x0=0
y0+z0=0
y2
0+z20=1
Exerc´ıcio 1.14 (Resolvido) Mostre que seA∈Mn(R)´e invert´ıvel, ent˜ao At tamb´em ´e invert´ıvel e as opera¸c˜oes de invers˜ao e transposi¸c˜ao comutam, ou seja, A−1t
= (At)−1.
Resolu¸c˜ao:
Por hip´otese,A´e invert´ıvel, portanto,∃A−1. Logo,
A−1t
.At= A.A−1t
=Idt n=Idn
At. A−1t
= A−1.At
=Idt n=Idn
.
De A−1t
.At=At. A−1t
=Idn conclu´ımos queAt´e invert´ıvel e sua inversa ´e A−1t
, ou seja,(At)−1= A−1t
.
Exerc´ıcio 1.15 (Resolvido) Verdadeiro ou falso? Justifique: (a)SeA∈M2(R)eA2=0, ent˜aoA=0.
(b)SeA, B∈M2(R)eAB=0, ent˜ao BA=0.
(c)SeA∈Mn(R),A´e invert´ıvel eA2=A, ent˜ao A=Idn. (d)ExisteA∈Mn(R)invert´ıvel tal queAA=0(matriz nula). (e)Se pudermos efetuar o produtoAA, ent˜ao a matrizA´e quadrada. (f)SeA∈Mm×p(R),B∈Mp×n(R)eAB=0, ent˜aoA=0ouB=0. (g)A∈Mn(R)´e invert´ıvel se, e somente se,At´e invert´ıvel.
Resolu¸c˜ao:
(a)Falso. Um contra-exemplo: A=
1 1
−1 −1
. De fato: A2=
1 1
−1 −1
.
1 1
−1 −1
=
0 0 0 0
=0 eA6=0.
(b) Falso. um contra-exemplo: A =
1 0 1 0
e B =
0 0 1 1
. De fato: AB =
1 0 1 0
.
0 0 1 1
=
0 0 0 0
= 0 e
BA=
0 0 1 1
.
1 0 1 0
=
0 0 2 0
6
=0.
(c) Verdadeiro. Demonstra¸c˜ao: A´e invers´ıvel ⇒∃A−1. DeA2 =A
⇒(AA)A−1 = AA−1
⇒A AA−1
= Idn ⇒
AIdn=Idn ⇒A=Idn.
(d)Falso. Se existisse tal matriz ter´ıamos: AA=0 ⇒(AA)A−1= 0A−1⇒A AA−1
=0⇒AIdn =0⇒A=0. No entanto, a matriz nula n˜ao ´e invert´ıvel. Esta contradi¸c˜ao surge do fato de supormos que existeAde acordo com o enunciado.
(e)Verdadeiro. Demonstra¸c˜ao: SeA´em×ne∃Am×n.Am×n, ent˜ao o n´umero de colunas da 1a. matriz tem que ser
igual ao n´umero de linhas da 2a. matriz, ou seja,n=me, portanto,A´e quadrada.
(f)Falso. Um contra-exemplo: A=
1 0 1 0
eB=
0 0 1 1
. De fato: AB=
1 0 1 0
.
0 0 1 1
=
0 0 0 0
=0masA6=0 e
B6=0.
(g)Verdadeiro. Demonstra¸c˜ao:
(⇒)E exatamente a demonstra¸c˜´ ao do Exerc´ıcio 1.14, p´agina 27. (⇐)Por hip´otese,At´e invert´ıvel, portanto,∃(At)−1. Logo,
(At)−1t.(At)t=At.(At)−1t=Idt n =Idn (At)t.(At)−1t=(At)−1.Att=Idt
n =Idn ⇒
(At)−1t.A=Idn
A.(At)−1t=Idn .
De (At)−1t.A= A.(At)−1t = Idn conclu´ımos que A´e invert´ıvel e sua inversa ´e (At)−1t, ou seja, A−1 =