Capa_Zahn_algebra linear_P3.

pdf 1 25/03/2021 12:26:25

ZAHN
MAURÍCIO ZAHN
Neste livro, o leitor irá encontrar o conteúdo de MAURÍCIO ZAHN
CONTEÚDO um primeiro curso de Álgebra Linear, abrangendo Licenciado em Matemática pela
todos os tópicos abordados nessa disciplina, Universidade Federal de Pelotas (UFPel,
desde matrizes a espaços com produto interno. 2001), mestre em Matemática pela
1. Matrizes e sistemas lineares
Universidade Federal do Rio Grande do Sul
2. Determinantes O autor procurou apresentar a teoria por inteiro, ou seja, (UFRGS, 2005) e doutor em Matemática
o conteúdo foi escrito com todas as explicações necessárias pela Universidade de São Paulo (USP, 2015).
3. Espaços vetoriais para deixar o texto autossuficiente, recorrendo à linguagem É autor e coautor de vários livros e artigos

ÁLGEBRA LINEAR
da geometria analítica (um pré-requisito para a álgebra linear científicos de Matemática. Atualmente é
4. Transformações lineares
com o qual os alunos já estão familiarizados), mantendo todas professor adjunto do Departamento de
5. Autovalores e autovetores as proposições demonstradas com riqueza de detalhes. Matemática e Estatística da UFPel.
Além disso, há uma ampla coleção de exercícios resolvidos e
6. Espaços com produto interno exercícios propostos, proporcionando uma harmonia entre
teoria e exercícios.
Apêndices

ÁLGEBRA LINEAR
C Referências Também foram incluídos dois apêndices ao final da obra,
onde apresentamos a resolução de vários exercícios, sendo
Índice remissivo
M

Y
muitos deles de seleções de mestrado em Matemática de
CM
algumas universidades do Brasil, e uma explicação sobre o
MY
princípio da indução matemática.
CY

CMY

K
 Maurı́cio Zahn

ÁLGEBRA LINEAR

Lisiane Ramires Meneses

Revisora técnica
Álgebra linear
c 2021 Maurı́cio Zahn
Editora Edgard Blücher Ltda.

Publisher Edgard Blücher

Editor Eduardo Blücher
Coordenação editorial Jonatas Eliakim
Produção editorial Isabel Silva
Diagramação Autor
Revisão de texto Maurı́cio Katayama
Revisão técnica Lisiane Ramires Meneses
Capa Leandro Cunha
Imagem da capa iStockphoto

Editora Blucher
Rua Pedroso Alvarenga, 1245, 4o andar
CEP 04531-934 – São Paulo – SP – Brasil
Tel.: 55 11 3078-5366
contato@[Link]
[Link]

Segundo o Novo Acordo Ortográfico, conforme 5. ed. do Vocabulário Ortográfico da Lı́n-

gua Portuguesa, Academia Brasileira de Letras, março de 2009. É proibida a reprodução
total ou parcial por quaisquer meios sem autorização escrita da editora. Todos os direitos
reservados pela Editora Edgard Blücher Ltda.

Dados Internacionais de Catalogação na Publicação (CIP)

Angélica Ilacqua CRB-8/7057
Zahn, Maurı́cio
Álgebra linear / Maurı́cio Zahn ; revisão técnica de Lisiane Ramires Meneses. – 1.
ed. – São Paulo: Blucher, 2021. 290 p., il.
ISBN 978-65-5506-264-9 (impresso)
ISBN 978-65-5506-259-5 (eletrônico)
1. Álgebra linear 2. Matrizes (Matemática) I. Tı́tulo II. Meneses, Lisiane Ramires
21-0960 CDD 512.5

Índices para catálogo sistemático: 1. Álgebra linear

Conteúdo

1 Matrizes e sistemas lineares 13

1.1 Matrizes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.1.1 Tipos especiais de matrizes . . . . . . . . . . . . . . . 14
1.1.2 Operações com matrizes . . . . . . . . . . . . . . . . 17
1.1.3 Matriz transposta . . . . . . . . . . . . . . . . . . . 26
1.1.4 Matrizes invertı́veis . . . . . . . . . . . . . . . . . . . 30
1.1.5 Potências de matrizes . . . . . . . . . . . . . . . . . . 33
1.1.6 Matriz na forma escalonada reduzida por linhas . . . 35
1.2 Sistemas lineares . . . . . . . . . . . . . . . . . . . . . . . . 36
1.2.1 Conceito e exemplos . . . . . . . . . . . . . . . . . . 36
1.2.2 Resolução de sistemas via operações sobre linhas . . . 38
1.2.3 Matrizes elementares . . . . . . . . . . . . . . . . . . 44
1.2.4 Algoritmo para inversão de matrizes . . . . . . . . . 52

2 Determinantes 57
2.1 Conceito . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
2.2 Propriedades dos determinantes . . . . . . . . . . . . . . . . 65
2.3 Matriz adjunta e a regra de Cramer . . . . . . . . . . . . . . 76

3 Espaços vetoriais 85
3.1 Espaços vetoriais e exemplos . . . . . . . . . . . . . . . . . . 85
3.2 Subespaços vetoriais . . . . . . . . . . . . . . . . . . . . . . 92
3.3 Somas diretas . . . . . . . . . . . . . . . . . . . . . . . . . . 100
3.4 Vetores linearmente independentes e linearmente dependentes 106

9
10 Álgebra linear

3.5 Base de um espaço vetorial . . . . . . . . . . . . . . . . . . . 113

3.6 Mudança de base . . . . . . . . . . . . . . . . . . . . . . . . 131
3.6.1 Coordenadas de um vetor . . . . . . . . . . . . . . . 131
3.6.2 Mudança de base . . . . . . . . . . . . . . . . . . . . 133
3.6.3 Rotação de eixos coordenados . . . . . . . . . . . . . 138

4 Transformações lineares 145

4.1 Transformação linear . . . . . . . . . . . . . . . . . . . . . . 145
4.2 Operações com transformações lineares . . . . . . . . . . . . 152
4.3 Núcleo e imagem de uma transformação . . . . . . . . . . . 156
4.4 Isomorfismos e transformações inversas . . . . . . . . . . . . 170
4.5 Matriz de uma transformação linear . . . . . . . . . . . . . . 178
4.6 Isomorfismos e matrizes . . . . . . . . . . . . . . . . . . . . 184

5 Autovalores e autovetores 191

5.1 Conceito . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 191
5.2 Procedimento para obter autovalores e autovetores . . . . . 193
5.3 Autovalores e autovetores de matrizes . . . . . . . . . . . . . 197
5.4 Diagonalização de operadores . . . . . . . . . . . . . . . . . 202
5.4.1 Preliminares . . . . . . . . . . . . . . . . . . . . . . . 202
5.4.2 Diagonalização . . . . . . . . . . . . . . . . . . . . . 206

6 Espaços com produto interno 211

6.1 Produto interno . . . . . . . . . . . . . . . . . . . . . . . . . 211
6.2 Ortogonalidade . . . . . . . . . . . . . . . . . . . . . . . . . 216
6.2.1 Ortogonal de um conjunto . . . . . . . . . . . . . . . 219
6.2.2 Ortogonalização de Gram-Schmidt . . . . . . . . . . 220
6.3 Norma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 225

A Resoluções e respostas de alguns exercı́cios 237

B Princı́pio da Indução Matemática 281

Referências 287
 Conteúdo 11

Índice remissivo 289

Capı́tulo 1

Matrizes e sistemas lineares

O estudo de matrizes e sistemas lineares é de vital importância para um

curso de Álgebra linear pois constituem ferramentas essenciais para desen-
volver a teoria dos espaços vetoriais e transformações lineares, os principais
objetos de estudo deste livro.

1.1 Matrizes

Definição 1.1 Chama-se matriz a uma tabela com m linhas e n colunas,

constituı́da por números, chamados de elementos da matriz.

Uma matriz será identificada por uma letra maiúscula e um elemento

dessa matriz será indicado pela letra minúscula correspondente, acompa-
nhada de dois ı́ndices i e j, onde o primeiro ı́ndice indica a linha em que tal
elemento se encontra e o segundo ı́ndice a coluna onde ele se encontra. Dessa
forma, uma matriz A com m linhas e n colunas costuma ser representada,
simbolicamente, por

A = (aij )m×n .
14 Álgebra linear

Assim, abrindo a notação matricial acima, escrevemos

 
a11 a12 a13 ... a1n
a
 21 a22 a23 ... a2n 

A= 
 ..... ..... ..... ..... ..... 
am1 am2 am3 ... amn
Por exemplo, considerando a matriz B3×2 abaixo
 
2 −1
B = 4 0  ,
 

3 7
temos que

• b11 , o elemento da linha 1 e coluna 1, vale 2;

• b12 , o elemento da linha 1, coluna 2, vale −1;

• etc.

Observe que a matriz B dada acima possui três linhas e duas colunas,
por isso escrevemos B3×2 . Dada uma matriz Am×n , dizemos que m × n é o
tamanho ou a ordem da matriz em questão.

Quando m = n, ou seja, quando o número de linhas é igual ao número

de colunas, dizemos que a matriz é quadrada, e nesse caso os elementos
aii formam a diagonal da matriz, também chamada de diagonal principal.
Quando m 6= n, dizemos que a matriz é retangular.

1.1.1 Tipos especiais de matrizes

Nesta seção vamos apresentar os principais tipos de matrizes.

(a) Matriz nula. É uma matriz quadrada ou retangular, onde todas as

entradas são nulas. Por exemplo,
! !
0 0 0 0 0 0
02×2 = e 02×4 =
0 0 0 0 0 0
 Matrizes e sistemas lineares 15

Quando definirmos a soma de matrizes veremos que a matriz nula

corresponde ao neutro aditivo.

(b) Matriz diagonal. É uma matriz quadrada onde aij = 0 se i 6= j.

Exemplo:
   
2 0 0 3 0 0
D = 0 −1 0 e E = 0 0 0 
   

0 0 8 0 0 −5
são matrizes diagonais.

Uma outra forma de denotar tais matrizes é

D = diag (2, −1, 8) e E = diag (3, 0, −5).

(c) Matriz identidade. É uma matriz diagonal (e, portanto, quadrada)

In = In×n definida por

 
1 0 0 ... 0
 0 1 0 ... 0 
In = diag (1, 1, 1, ..., 1) =  .
 
| {z } .... .... .... .... ....
n
0 0 0 ... 1
Uma outra maneira de denotar a matriz identidade de ordem n é
escrever I = (δij )n×n , onde

1, se i = j
δij = ,
0, se i 6= j

onde δij é chamado de delta de kronecker.

No caso em que n = 3, temos

 
1 0 0
I3 = diag (1, 1, 1) = 0 1 0 .
 

0 0 1
16 Álgebra linear

Quando definirmos os produto de matrizes, veremos que essa matriz

corresponde à unidade multiplicativa, i.e., é o neutro multiplicativo.

(d) Matriz triangular inferior. É a matriz quadrada A = (aij ) tal que

aij = 0, se i < j. Ou seja, é uma matriz onde acima da diagonal as
entradas são todas iguais a zero. Por exemplo, a matriz
 
2 0 0
T = −1 3 0
 

0 2 8

é uma matriz triangular inferior.

(e) Matriz triangular superior. É a matriz quadrada A = (aij ) tal que

aij = 0, se i > j. Ou seja, é uma matriz onde abaixo da diagonal as
entradas são todas iguais a zero. Por exemplo, a matriz
 
1 2 3
T = 0 5 1
 

0 0 0

é uma matriz triangular superior. Note também que a matriz identi-

dade In é ao mesmo tempo triangular inferior e superior.

(f) Matriz linha. É a matriz A1×n formada por uma linha e n colunas.

Por exemplo, a matriz

A=( 1 3 0 7 )1×4

é uma matriz linha.

(g) Matriz coluna. É a mariz An×1 formada por n linhas e 1 coluna.

 
3
Por exemplo, C = −1 .
 

2 3×1
 Matrizes e sistemas lineares 17

1.1.2 Operações com matrizes

No que segue, vamos definir a adição de matrizes, o produto de uma
constante por uma matriz e o produto de matrizes. Tendo em vista que
precisaremos recorrer à notação de somatório, por ser mais compacta, vamos
definir inicialmente esse conceito.
Definição 1.2 Seja F (n) uma expressão qualquer que depende de n ∈ N.
Definimos o somatório com k de 1 até um ı́ndice n fixado, dos F (k) por
n
X
F (k) = F (1) + F (2) + F (3) + ... + F (n).
k=1

Assim, se F (n) = n2 , temos, por exemplo, que

5
X 5
X
F (k) = k 2 = 12 + 22 + 32 + 42 + 52 = 1 + 4 + 9 + 16 + 25 = 55.
k=1 k=1

O somatório goza das seguintes propriedades: dadas F (n) e G(n) duas

expressões que dependem de n e α ∈ R, temos
Xn
(a) α = α · n.
k=1
n
X n
X
(b) α · F (k) = α F (k).
k=1 k=1
n
X n
X n
X
(c) (F (k) + G(k)) = F (k) + G(k).
k=1 k=1 k=1
Todas essas propriedades são muito simples de provar, bastando abrir
a definição de somatório. Faremos apenas a prova de (c) e deixaremos as
demais a encargo do leitor.
Prova de (c). Basta abrir a notação de somatório e notar que para somas
finitas vale a comutatividade e a associatividade:
X n
(F (k) + G(k)) = (F (1) + G(1)) + (F (2) + G(2)) + ... + (F (n) + G(n)) =
k=1
n
X n
X
= (F (1)+F (2)+...+F (n))+(G(1)+G(2)+...+G(n)) = F (k)+ G(k).
k=1 k=1
18 Álgebra linear

Definição 1.3 Dadas duas matrizes A = (aij )m×n e B = (bij )m×n de

mesmo tamanho, e k ∈ R, definimos a soma de matrizes e o produto de
um escalar por uma matriz, respectivamente, por

A + B = (aij )m×n + (bij )m×n = (aij + bij )m×n ,

e
k · A = (k · aij )m×n ,

para i ∈ {1, ..., m} e j ∈ {1, ..., n}.

Ou seja, somar duas matrizes de mesmo tamanho é o mesmo que somar

dois vetores e multiplicar uma matriz por um número real é o mesmo que
multiplicar um vetor por um escalar. ! !
2 0 1 −4
Assim, por exemplo, dadas as matrizes A = eB= ,
−3 1 2 2
temos que
! ! !
2 0 1 −4 3 −4
A+B = + = ,
−3 1 2 2 −1 3

e ! !
2 0 −14 0
−7A = −7 = .
−3 1 21 −7

Definição 1.4 Dadas duas matrizes A = (aij )m×n e B = (bij )n×p , definimos
o produto entre A e B, e escrevemos A · B, à matriz C = (cij )m×p , onde
n
X
cij = aik · bkj .
k=1

Repare que para o produto A · B estar bem definido o número de colu-

nas da primeira matriz deve ser igual ao número de linhas da segunda. Isto
permite efetuar um produto entre linha e coluna.
 Matrizes e sistemas lineares 19

Vamos ser mais claros na definição acima: abrindo as matrizes, teremos

  
a11 a12 a13 ... a1n b11 b12 b13 ... b1p
a
 21 a22 a23 ... a2n  b21 b22 b23 ... b2p 
 
A·B =  =
 ..... ..... ..... ..... ..... ..... ..... ..... ..... .....
am1 am2 am3 ... amn bn1 bn2 bn3 ... bnp
 
c11 c12 c13 ... c1p
c
 21 c22 c23 ... c2p 

= ,
 ..... ..... ..... ..... ..... 
cm1 cm2 cm3 ... cmp
onde
n
X
• c11 = a11 · b11 + a12 · b21 + ... + a1n · bn1 = a1k · bk1 ;
k=1
n
X
• c12 = a11 · b12 + a12 · b22 + ... + a1n · bn2 = a1k · bk2 ;
k=1

• etc.
De forma geral, para determinar o elemento cij do produto C = A · B,
olhamos para a linha i de A e a coluna j de B, e então efetuamos o produto
do primeiro elemento da linha i com o primeiro elemento da coluna j, e
somamos com o produto do segundo elemento da linha i com o segundo
elemento da coluna j, e assim por diante, até somar com o produto do
último elemento da linha i com o último elemento da coluna j, ou seja,
n
X
cij = aik · bkj .
k=1
 
! 2 −1
1 2 3
Por exemplo, dadas as matrizes A2×3 = e B3×2 = 0 4 ,
 
2 −1 0
1 1
temos que
 
2 −1
!
1 2 3 
A·B = 0 4  =

2 −1 0
1 1
20 Álgebra linear

! !
1·2+2·0+3·1 1 · (−1) + 2 · 4 + 3 · 1 5 10
= =
2 · 2 + (−1) · 0 + 0 · 1 2 · (−1) + (−1) · 4 + 0 · 1 4 −6
Convém observar que, neste caso, A2×3 · B3×2 resulta numa matriz 2 × 2.
Já o produto B3×2 · A2×3 resultará numa matriz 3 × 3. Ou seja, em geral o
produto de matrizes não comuta, e em geral temos que

A · B 6= B · A.

De fato, pode acontecer que o produto A · B esteja definido, mas o pro-

duto B × A não esteja sequer definido. Por exemplo, se A2×3 e B3×4 , temos
que A · B estará bem definido, mas B · A não tem sentido. Verifique!

Outro fato importante a ser observado é que, dada uma matriz Am×n ,
temos que In é neutro multiplicativo à direita de A e que Im é neutro
multiplicativo à esquerda de A, ou seja,

Am×n · In = A e Im · Am×n = A.

Definição 1.5 Dizemos que duas matrizes A = (aij )m×n e B = (bij )m×n ,
de mesmo tamanho, são iguais se, e somente se, aij = bij , ∀i ∈ {1, 2, ..., m}
e ∀j ∈ {1, 2, ..., n}.

Ou seja, da mesma forma que estabelecemos uma igualdade de veto-

res (dois vetores são iguais quando as componentes de mesma posição são
iguais), temos que duas matrizes são iguais quando seus elementos de mesma
posição forem iguais.

Para verificar uma série de propriedades envolvendo igualdade de matri-

zes, mostramos a igualdade entre seus elementos de mesma posição.

Teorema 1.6 (Propriedades algébricas das matrizes) Sejam A, B, C matri-

zes e α, β ∈ R. Então, valem as seguintes propriedades (onde elas estiverem
bem definidas):

01) A + (B + C) = (A + B) + C.
 Matrizes e sistemas lineares 21

02) A + B = B + A.

03) Existe uma matriz 0 tal que A + 0 = 0 + A = A (matriz nula).

04) Para toda matriz A, existe uma matriz B tal que A+B = 0. Denotamos
B = −A.

05) Existe uma matriz I tal que A · I = I · A = A. (matriz identidade)

06) α(A + B) = αA + αB.

07) (α + β)A = αA + βA.

08) A · (B + C) = A · B + A · C.

09) A · (B · C) = (A · B) · C.

10) α(A · B) = (αA) · B = A · (αB).

Observação 1.7 Note que a propriedade 04) nos motiva o conceito de di-
ferença entre matrizes. Ou seja, dadas duas matrizes A e B, de mesmo
tamanho, podemos definir a diferença entre A e B pondo

A − B = A + (−B),

que não deixa de ser parecido com a maneira como definimos a diferença de
dois vetores. Mas cuidado: a matriz −A não recebe o nome de “simétrica”!
Matriz simétrica é um conceito bem diferente e o veremos na Definição 1.11.

Demonstração da Proposição. Faremos a prova de algumas apenas e

deixaremos as demais para o leitor.

01) A + (B + C) = (A + B) + C:
Escreva B + C = S, onde S = (sij ) é tal que

sij = bij + cij .

Dessa forma, escrevemos

A + (B + C) = A + S = T = (tij ),
22 Álgebra linear

onde
tij = aij + sij .

Por outro lado, escreva A + B = Z, onde Z = (zij ), tal que

zij = aij + bij ,

Dessa forma, escrevendo

(A + B) + C = Z + C = W = (wij ),

onde

wij = zij + cij = (aij + bij ) + cij = aij + (bij + cij ) = aij + sij = tij .

Assim, concluı́mos que wij = tij , ∀i, ∀j, ou seja, W = T , o que mostra
que
(A + B) + C = Z + C = W = T = A + S = A + (B + C),

provando 01).

05) Existe uma matriz I tal que A · I = I · A = A (matriz identidade):

De fato, tome A = (aij )n×n e considere I = (δij )n×n . Então, escrevendo
A · I = C, temos que
n
X
cij = aik · δkj = ai1 · δ1j + ai2 · δ2j + ... + aij · δjj + ... + ain · δnj = aij ,
k=1

pois δij = 1 se i = j e δij = 0 se i 6= j. Ou seja, concluı́mos que

cij = aij , ∀i, j ∈ {1, 2, ..., n},

ou seja, mostramos que

A · I = C = A.

Analogamente mostramos que I · A = A. Isso prova 05).

 Matrizes e sistemas lineares 23

08) A · (B + C) = A · B + A · C:
Dadas as matrizes Am×n , Bn×p e Cn×p , escreva

S = B + C,

e denotando S = (sij )n×p , onde

sij = bij + cij ,

temos
A · (B + C) = Am×n · Sn×p = Tm×p ,
onde n
X
tij = aik · skj . (1.1)
k=1

Por outro lado, denote

A · B = Pm×p e A · C = Qm×p ,

onde n n
X X
pij = ai` · b`j e qij = ai` · c`j .
`=1 `=1

Dessa forma, temos que

A · B + A · C = P + Q = R,

onde cada elemento rij dessa matriz é dado por

n
X n
X n
X
rij = pij + qij = ai` · b`j + ai` · c`j = (ai` · b`j + ai` · c`j ) =
`=1 `=1 `=1

n
X n
X
= ai` (b`j + c`j ) = ai` · s`j = tij ,
`=1 `=1

ou seja, rij = tij , ∀i ∈ {1, 2, ..., m}, ∀j ∈ {1, 2, ..., p}, ou seja, mostramos
que R = T , i.e.,

A · B + A · C = R = T = A(B + C).
24 Álgebra linear

09) (A · B) · C = A · (B · C).

Dadas as matrizes A = (aij )m×n , B = (bij )n×p e C = (cij )p×q , mostrare-

mos que
(A · B) · C = A · (B · C).
Escreva M = (A · B)m×p e W = (B · C)n×q . Assim, temos que os
elementos mij de M e wij de W são, respectivamente, dados por
n p
X X
mij = aik · bkj e wij = bi` · c`j . (1.2)
k=1 `=1

Note que, denotando

(A · B) · C = (M )m×p · (C)p×q = (F )m×q ,

usando (1.2) temos que cada elemento fij de F é dado por

p p p
n
! n
X X X X X
fij = mi` · c`j = aik · bk` · c`j = (aik · bk` · c`j ) =
`=1 `=1 k=1 `=1 k=1

p p p
n n X n
!
X X X X X
= aik · (bk` · c`j ) = aik · (bk` · c`j ) = aik bk` · c`j =
`=1 k=1 k=1 `=1 k=1 `=1
n
X
= aik · wkj .
k=1

Por outro lado, denotemos

A · (B · C) = Am×n · Wn×q = Gm×q ,

n
X
onde gij = aik · wkj = fij .
k=1
Como gij = fij , ∀i ∈ {1, 2, ..., m} e ∀j ∈ {1, 2, ..., q}, concluı́mos que as
matrizes F e G são iguais, ou seja, que

(A · B) · C = F = G = A · (B · C).

 Matrizes e sistemas lineares 25

Obs. Na prova acima usamos uma propriedade “comutativa” para somató-

rios, ou seja, vale a propriedade
p
n X p n
X X X
F (i, j) = F (i, j),
i=1 j=1 j=1 i=1

onde F (i, j) é uma expressão qualquer que depende dos ı́ndices i e j.

Como um bom exercı́cio, prove essa igualdade.

Exercı́cios
! ! !
2 −5 1 1 −2 3 0 1 2
1. Sejam A = ,B = eC = ,
3 0 −4 0 −1 5 1 −1 −1
calcule 3A + 4B − 2C.

2. Sejam as matrizes A = (aij )2×2 e B = (bij )2×2 definidas, respectiva-

mente, por

i − j, se i ≥ j
aij = i − 2j e bij =
1, se i < j.

Determine A + B, A − B e A · B.
 
x 1 2
3. *Sejam as matrizes A =  3 y 5  e D = (dij ) uma matriz dia-
 

2 3 z
gonal de ordem 3. Determine os valores de x, y e z para os quais se
verifique  
2 3 10
AD =  6 12 25  .
 

4 9 20
4. *Para cada número real α, considere a matriz
!
cos α −sen α
Tα = .
sen α cos α
Mostre que Tα Tβ = Tα+β .
26 Álgebra linear

5. *É verdade que se A · B = 0, então B · A = 0?

6. Dê um exemplo de duas matrizes A e B de mesmo tamanho tais que

(A + B)(A − B) 6= A2 − B 2 .

7. É verdade, de modo geral, que (A + B)2 = A2 + 2A · B + B 2 , onde A

e B são matrizes?

8. Sejam A = (aij )n×n e B = (bij )n×n matrizes triangulares superiores.

Mostre que AB é uma matriz triangular superior com diagonal a11 b11 ,
a22 b22 , ..., ann bnn .

9. *Seja Am×m = (aij )m×m uma matriz quadrada. Definimos o traço

de A, e escrevemos tr(A), como a soma dos elementos da diagonal
principal, ou seja,

tr(A) = a11 + a22 + ... + amm .

Mostre que tr(A + B) = tr(A) + tr(B), onde A e B são matrizes

m × m.

10. *(Sel. Mestrado UFRGS 2006/2) Se M é uma matriz n × n com

elementos {mij }1≤i,j≤n , definimos o seu traço por meio da expressão
tr(M ) = ni=1 mii .
P

(a) Se A e B são matrizes n × n, então prove que tr(AB) = tr(BA).

(b) Se I é a matriz identidade n × n, então mostre que não existem
matrizes A e B tais que AB − BA = I.

1.1.3 Matriz transposta

Definição 1.8 Dada uma matriz A = (aij )m×n , definimos a matriz trans-
posta de A, e denotamos por At , a matriz definida por

At = (aji )n×m .
 Capa_Zahn_algebra linear_P3.pdf 1 25/03/2021 12:26:25

ZAHN
MAURÍCIO ZAHN
Neste livro, o leitor irá encontrar o conteúdo de MAURÍCIO ZAHN
CONTEÚDO um primeiro curso de Álgebra Linear, abrangendo Licenciado em Matemática pela
todos os tópicos abordados nessa disciplina, Universidade Federal de Pelotas (UFPel,
desde matrizes a espaços com produto interno. 2001), mestre em Matemática pela
1. Matrizes e sistemas lineares
Universidade Federal do Rio Grande do Sul
2. Determinantes O autor procurou apresentar a teoria por inteiro, ou seja, (UFRGS, 2005) e doutor em Matemática
o conteúdo foi escrito com todas as explicações necessárias pela Universidade de São Paulo (USP, 2015).
3. Espaços vetoriais para deixar o texto autossuficiente, recorrendo à linguagem É autor e coautor de vários livros e artigos

ÁLGEBRA LINEAR
da geometria analítica (um pré-requisito para a álgebra linear científicos de Matemática. Atualmente é
4. Transformações lineares
com o qual os alunos já estão familiarizados), mantendo todas professor adjunto do Departamento de
5. Autovalores e autovetores as proposições demonstradas com riqueza de detalhes. Matemática e Estatística da UFPel.
Além disso, há uma ampla coleção de exercícios resolvidos e
6. Espaços com produto interno exercícios propostos, proporcionando uma harmonia entre
teoria e exercícios.
Apêndices

ÁLGEBRA LINEAR
C Referências Também foram incluídos dois apêndices ao final da obra,
onde apresentamos a resolução de vários exercícios, sendo
Índice remissivo
M

Y
muitos deles de seleções de mestrado em Matemática de
CM
algumas universidades do Brasil, e uma explicação sobre o
MY
princípio da indução matemática.
CY

CMY