Matrizes

A igualdade de matrizes é, antes de tudo, uma relação de identidade estrutural: para que duas matrizes sejam declaradas iguais, elas precisam ser recortes da mesma "forma" — mesmo número de linhas e de colunas — e, além disso, cada célula de uma deve coincidir com a célula de mesma posição na outra, o que significa que a igualdade matricial nunca é global nem aproximada, mas posição por posição. Disso decorre uma consequência prática importante: quando o enunciado escreve $A=B$, ele está, na verdade, escondendo um sistema de $m\cdot n$ equações, uma para cada par $(i,j)$, o que faz da igualdade de matrizes uma ferramenta de tradução entre linguagem matricial e linguagem algébrica.

Em síntese, entender igualdade de matrizes é entender que matrizes só se comparam posição por posição, e que cada igualdade é uma equação disfarçada.

A transposição é, na essência, uma operação de leitura da matriz por outra direção: se a matriz original organiza os dados em linhas, a transposta os reorganiza em colunas, preservando cada entrada em sua posição espelhada em relação à diagonal principal. Isso significa que a transposta carrega exatamente a mesma informação da matriz original, apenas com a orientação trocada, o que a torna indispensável em contextos de álgebra linear, geometria analítica e sistemas lineares.

Além disso, a transposta interage bem com a multiplicação por escalar, valendo $(kA)^{t}=kA^{t}$, e com a transposição sucessiva, que devolve a matriz original.

A adição de matrizes é a primeira operação que se aprende porque é a mais simples e também a mais estrutural: ela transforma o conjunto das matrizes de mesma ordem em um espaço vetorial, o que significa que, ao somar duas matrizes de mesmo tamanho, você obtém outra matriz do mesmo tamanho — a propriedade de fechamento. Isso é essencial porque permite trabalhar com combinações lineares de matrizes, como $2A - 3B + C$, algo muito comum em questões de álgebra linear e mesmo em contextos de sistemas. Para fixar, tome $A = \begin{pmatrix} 1 & -2 \\ 0 & 3 \end{pmatrix}$ e $B = \begin{pmatrix} 4 & 5 \\ -1 & 2 \end{pmatrix}$; a soma é $A+B = \begin{pmatrix} 5 & 3 \\ -1 & 5 \end{pmatrix}$, obtida somando cada posição correspondente: $1+4=5$, $-2+5=3$, $0+(-1)=-1$ e $3+2=5$.

Portanto, dominar a adição é dominar o alicerce sobre o qual se constroem operações mais complexas, como a multiplicação de matrizes, que já não herda a comutatividade.

A multiplicação de um número real por uma matriz é a operação mais simples do capítulo, mas costuma ser a origem de erros bobos justamente porque o aluno a trata como trivial. Formalmente, se $A=(a_{ij})$ é uma matriz $m\times n$ e $k\in\mathbb{R}$, define-se $kA$ como a matriz $m\times n$ cujo elemento na linha $i$ e coluna $j$ é $ka_{ij}$: ou seja, cada posição é multiplicada individualmente, sem exceção, inclusive zeros. É por isso que a operação é dita distributiva em relação à adição de matrizes e à adição de escalares, formando com a adição um espaço vetorial sobre $\mathbb{R}$.

Dominar essa operação, portanto, é pré-requisito para entender transformações lineares e diagonalização, temas recorrentes na segunda fase.

O produto interno entre sequências finitas é a operação que transforma dois vetores de dados em um único número, e é justamente essa passagem de muitos para um que o torna tão útil: ele mede o quanto duas sequências "andam juntas". Em $\mathbb{R}^{n}$, escrevemos $\langle a,b\rangle=\sum a_ib_i$, e dessa definição saem três propriedades estruturais que as provas adoram explorar: simetria ($\langle a,b\rangle=\langle b,a\rangle$), bilinearidade (linear em cada coordenada separadamente) e positividade ($\langle a,a\rangle=\sum a_i^2\ge 0$, com igualdade só se $a$ for o vetor nulo). A positividade permite definir a norma $\|a\|=\sqrt{\langle a,a\rangle}$, e daí a desigualdade de Cauchy-Schwarz $|\langle a,b\rangle|\le \|a\|\,\|b\|$, base para medir ângulos e para o conceito de projeção ortogonal: o produto interno é exatamente o instrumento que calcula quanto de um vetor "cai" na direção de outro.

Na álgebra linear, essa operação é o tijolo do produto de matrizes, pois cada entrada $(AB)_{ij}$ é o produto interno da linha $i$ de $A$ com a coluna $j$ de $B$; entender bem esse ponto evita erros de dimensionalidade (só se multiplica quando o número de colunas de $A$ iguala o de linhas de $B$) e explica a não comutatividade. Exemplo concreto: com $a=(2,-1,3)$ e $b=(1,4,-2)$ temos $\langle a,b\rangle=2\cdot1+(-1)\cdot4+3\cdot(-2)=2-4-6=-8$, o que, pela bilinearidade, equivale a somar as contribuições de cada posição. Como o resultado é negativo, os vetores apontam em direções opostas em média.

Dominar o tópico significa, portanto, calcular com segurança, reconhecer suas propriedades e enxergá-lo como a ponte entre contas algébricas e interpretações geométricas.

A multiplicação de matrizes não é definida elemento a elemento, mas sim por uma regra de composição de transformações lineares: cada entrada $c_{ij}$ é a soma dos produtos dos elementos da linha $i$ de $A$ pelos correspondentes da coluna $j$ de $B$, ou seja, $c_{ij}=\sum_{k=1}^{n} a_{ik}b_{kj}$. Essa definição faz com que a multiplicação represente aplicar primeiro $B$ e depois $A$ a um vetor coluna, o que explica a não comutatividade e a possibilidade de $AB\neq BA$ mesmo quando ambas existem. Por exemplo, com $A=\begin{pmatrix}1&2\\3&4\end{pmatrix}$ e $B=\begin{pmatrix}0&1\\1&0\end{pmatrix}$, temos $AB=\begin{pmatrix}2&1\\4&3\end{pmatrix}$, enquanto $BA=\begin{pmatrix}3&4\\1&2\end{pmatrix}$, resultados distintos.

Além disso, a associatividade é válida, mas a existência de divisores de zero é uma armadilha clássica: $A=\begin{pmatrix}1&0\\0&0\end{pmatrix}$ e $B=\begin{pmatrix}0&0\\0&1\end{pmatrix}$ dão $AB=0$ com $A,B\neq0$.