AlgLinI - Mod Quimica

Luiz Manoel Figueiredo
Marisa Ortegoza da Cunha

Volume 1 - 2 edio
lgebra Linear l
Material Didtico
Rua Visconde de Niteri, 1364 - Mangueira - Rio de Janeiro, RJ - CEP 20943-001
Tel.: (21) 2299-4565 Fax: (21) 2568-0725
Fundao Cecierj / Consrcio Cederj
Referncias Bibliogrcas e catalogao na fonte, de acordo com as normas da ABNT.
Copyright 2005, Fundao Cecierj / Consrcio Cederj
Nenhuma parte deste material poder ser reproduzida, transmitida e gravada, por qualquer meio
eletrnico, mecnico, por fotocpia e outros, sem a prvia autorizao, por escrito, da Fundao.
ELABORAO DE CONTEDO
Marisa Ortegoza da Cunha
EDITORA
Tereza Queiroz
COORDENAO EDITORIAL
Jane Castellani
COORDENAO DE REVISO
Ana Tereza de Andrade
REVISO
Carmen Irene Correia de Oliveira
Glucia Guarany
Leonardo Villela
REVISO TIPOGRFICA
Equipe Cederj
COORDENAO GRFICA
Jorge Moura
PROGRAMAO VISUAL
Equipe Cederj
COORDENAO DE ILUSTRAO
Eduardo Bordoni
ILUSTRAO
Equipe Cederj
CAPA
Sami Souza
PRODUO GRFICA
Ana Paula Trece Pires
Andra Dias Fies
Mrcia Almeida
972m
Figueiredo, Luiz Manoel.
lgebra linear l. v.1 / Luiz Manoel Figueiredo.
2.ed. Rio de Janeiro : Fundao CECIERJ, 2005.
81p.; 21 x 29,7 cm.
ISBN: 85-89200-44-2
1. lgebra linear. 2. Vetores. 3. Matrizes. 4. Sistemas
lineares. 5. Determinantes. I. Cunha, Marisa Ortegoza da.
II. Ttulo.
CDD:512.5
Vice-Presidente de Educao Superior a Distncia
Presidente
Celso Jos da Costa
Diretor de Material Didtico
Carlos Eduardo Bielschowsky
Coordenao do Curso de Matemtica
Celso Jos da Costa
Carlos Eduardo Bielschowsky
2005/1
Prof. Dr. Heriberto R. Bittencourt
Prof. Dr. Geraldo Narciso
DIRETOR DO INSTITUTO DE CINCIAS EXATAS E NATURAIS
DIRETOR DAFACULDADE DE QUMICA
FACULDADE DE QUMICA
Profa. MSc. Selma Dias Leite
Profa. Dra. Marlene Rodrigues Medeiros Freitas
Prof. Dr. Horacio Schneider
Prof. Dr. Carlos Edilson de Almeida Maneschy
U
NIV
D
E
E
O R
F
S P IDADE E A R L D AR
UNIVERSIDADE FEDERAL DO PAR
SECRETARIAESPECIAL DE EDUCAOADISTNCIA
INSTITUTO DE CINCIAS EXATAS E NATURAIS
REITOR
VICE-REITORA
PR-REITOR DE ENSINO DE GRADUAO
SECRETRIAESPECIALDE EDUCAOADISTNCIA
Este material foi gentilmente cedido pelo Consrcio CEDERJ,
para o uso restrito da Licenciatura em Matemtica
na modalidade a distncia sem nus para a UFPA.
lgebra II Volume 1
SUMRIO
1 Vetores, matrizes e sistemas lineares _________________________________ 7
Aula 1
Matrizes ____________________________________________________________ 9
Aula 2 Operaes com matrizes: transposio, adio e multiplicao por
nmero real ________________________________________________________ 17
Aula 3 Operaes com matrizes: multiplicao _____________________________ 29
Aula 4 Operaes com matrizes: inverso __________________________________ 9
Aula 5 !eterminantes ______________________________________________________ "9
Aula 6 #istemas lineares ____________________________________________________ $9
Aula 7 !iscusso de sistemas lineares _______________________________________ 7
Aula 8 %spao vetoriais ____________________________________________________ &
Aula 9 #u'espaos vetoriais ________________________________________________ 9$
Aula 10 (om'inaes lineares ______________________________________________ 1)$
Aula 11 *ase e dimenso ___________________________________________________ 11$
Aula 12 !imenso de um espao vetorial ___________________________________ 12
Aula 13 #oma de su'espaos _______________________________________________ 1$
Aula 14 %spaos vetoriais com produto interno _______________________________ 1"9
Aula 15 (on+untos orto,onais e ortonormais _________________________________ 1-1
Aula 16 (omplemento orto,onal ___________________________________________ 17
Aula 17 %.erc/cios resolvidos ________________________________________________ 1&1

1. Vetores, matrizes e sistemas lineares
O que e

Algebra Linear? Por que estud a-la?
A

Algebra Linear e a area da Matematica que estuda todos os aspectos
relacionados com uma estrutura chamada Espa co Vetorial. Estrutura matematica e um
conjunto no qual sao deni-
das operacoes. As proprie-
dades dessas operacoes es-
truturamo conjunto. Tal-
vez voce j a tenha ouvido falar
em alguma das principais es-
truturas matematicas, como
grupo, anel e corpo. Voce
estudara essas estruturas nas
disciplinas de

Algebra.
Devido ` as suas caractersticas, essa estrutura permite um tratamento
algebrico bastante simples, admitindo, inclusive, uma abordagem computa-
cional. A

Algebra Linear tem aplica coes em in umeras areas, tanto da mate-
m atica quanto de outros campos de conhecimento, como Computa cao Gr aca,
Genetica, Criptograa, Redes Eletricas etc.
Nas primeiras aulas deste m odulo estudaremos algumas ferramentas
para o estudo dos Espa cos Vetoriais: as matrizes, suas opera coes e proprie-
dades; aprenderemos a calcular determinantes e, nalmente, aplicaremos esse
conhecimento para discutir e resolver sistemas de equa coes lineares. Muitos
dos principais problemas da fsica, engenharia, qumica e, e claro, da ma-
tematica, recaem (ou procuramos fazer com que recaiam) num sistema de
equa coes lineares. A partir da aula 8, estaremos envolvidos com

Algebra Li-
near propriamente dita e esperamos que voce se aperceba, ao longo do curso,
de que se trata de uma das areas mais l udicas da Matematica!!.
7
CEDERJ
Matrizes
M
ODULO 1 - AULA 1
Aula 1 Matrizes
Objetivos
Reconhecer matrizes reais;
Identicar matrizes especiais e seus principais elementos;
Estabelecer a igualdade entre matrizes.
Consideremos o conjunto de alunos do CEDERJ, ligados ao p olo Lugar
Lindo, cursando a disciplina

Algebra Linear 1. Digamos que sejam 5 alunos
(claro que esperamos que sejam muitos mais!). Ao longo do semestre, eles
farao 2 avalia coes a dist ancia e 2 presenciais, num total de 4 notas parciais.
Para representar esses dados de maneira organizada, podemos fazer uso de
uma tabela:
aluno AD1 AD2 AP1 AP2
1. Ana 4,5 6,2 7,0 5,5
2. Beatriz 7,2 6,8 8,0 10,0
3. Carlos 8,0 7,5 5,9 7,2
4. Daniela 9,2 8,5 7,0 8,0
5. Edson 6,8 7,2 6,8 7,5
Se quisermos ver as notas obtidas por um determinado aluno, digamos,
o Carlos, para calcular sua nota nal, basta atentarmos para a linha corres-
pondente (8,0; 7,5; 5,9; 7,2); por outro lado, se estivermos interessados nas
notas obtidas pelos alunos na segunda verica cao a dist ancia, para calcular
a media da turma, devemos olhar para a coluna correspondente (6,2; 6,8;
7,5; 8,5; 7,2). Tambem podemos ir diretamente ao local da tabela em que
se encontra, por exemplo, a nota de Carlos na segunda avalia cao a dist ancia
(7,5).
E esse tipo de tratamento que as matrizes possibilitam (por linhas, por

colunas, por elemento) que fazem desses objetos matematicos instrumentos
valiosos na organiza cao e manipula cao de dados.
Vamos, ent ao, ` a deni cao de matrizes.
9
CEDERJ
lgebra Linear 1
Matrizes
Deni cao
Uma matriz real A de ordem m n e uma tabela de mn n umeros reais,
dispostos em m linhas e n colunas, onde m e n sao n umeros inteiros positivos.
Os elementos de uma ma-
triz podem ser outras enti-
dades, que nao n umeros re-
ais. Podem ser, por exem-
plo, n umeros complexos, po-
linomios, outras matrizes etc.
Uma matriz real de m linhas e n colunas pode ser representada por
A
mn
(R). Neste curso, como so trabalharemos com matrizes reais, usaremos
a nota cao simplicada A
mn
, que se le A m por n. Tambem podemos
escrever A = (a
ij
), onde i {1, ..., m} e o ndice de linha e j {1, ..., n} e
o ndice de coluna do termo generico da matriz. Representamos o conjunto
de todas as matrizes reais m por npor M
mn
(R). Escrevemos os elementos
de uma matriz limitados por parenteses, colchetes ou barras duplas. As barras simples sao usadas
para representar determinan-
tes, como veremos na aula 5.
Exemplo 1
1. Uma matriz 3 2 :
_
_
2 3
1 0
2 17
_
_
2. Uma matriz 2 2 :
_
5 3
1 1/2
_
3. Uma matriz 3 1 :
4
0
11
De acordo com o n umero de linhas e colunas de uma matriz, podemos

destacar os seguintes casos particulares:
m = 1: matriz linha
n = 1: matriz coluna
m = n: matriz quadrada. Neste caso, escrevemos apenas A
n
e dizemos
que Ae uma matriz quadrada de ordem n. Representamos o conjunto
das matrizes reais quadradas de ordem n por M
n
(R) (ou, simplesmente,
por M
n
).
Exemplo 2
1. matriz linha 1 4:
_
2 3 4 1/5
_
2. matriz coluna 3 1:
_
_
4
17
0
_
_
CEDERJ
10
Matrizes
M
ODULO 1 - AULA 1
3. matriz quadrada de ordem 2:
_
1 2
5 7
_
Os elementos de uma matriz podem ser dados tambem por f ormulas,
como ilustra o pr oximo exemplo.
Exemplo 3
Vamos construir a matriz A M
24
(R), A = (a
ij
), tal que
a
ij
=
_
i
2
+ j, se i = j
i 2j, se i = j
A matriz procurada e do tipo A =
_
a
11
a
12
a
13
a
14
a
21
a
22
a
23
a
24
_
.
Seguindo a regra de forma cao dessa matriz, temos:
a
11
= 1
2
+ 1 = 2 a
12
= 1 2(2) = 3
a
22
= 2
2
+ 2 = 6 a
13
= 1 2(3) = 5
a
14
= 1 2(4) = 7
a
21
= 2 2(1) = 0
a
23
= 2 2(3) = 4
a
24
= 2 2(4) = 6
.
Logo, A =
_
2 3 5 7
0 6 4 6
_
.
Igualdade de matrizes
O pr oximo passo e estabelecer um criterio que nos permita decidir se
duas matrizes sao ou n ao iguais. Temos a seguinte deni cao:
Duas matrizes A, B M
mn
(R), A = (a
ij
), B = (b
ij
), sao iguais
quando a
ij
= b
ij
, i {1, ..., m}, j {1, ..., n}.
Exemplo 4
Vamos determinar a, b, c e d para que as matrizes
_
2a 3b
c + d 6
_
e
_
4 9
1 2c
_
sejam iguais. Pela denicao de igualdade de matrizes, podemos escrever:
_
2a 3b
c + d 6
_
=
_
4 9
1 2c
_

_
_
2a = 4
3b = 9
c + d = 1
6 = 2c
11
CEDERJ
lgebra Linear 1
Matrizes
Da, obtemos a = 2, b = 3, c = 3 e d = 2.
Numa matriz quadrada A = (a
ij
), i, j {1, ...n}, destacamos os se-
guintes elementos:
diagonal principal: formada pelos termos a
ii
(isto e, pelos termos com
ndices de linha e de coluna iguais).
diagonal secund aria: formada pelos termos a
ij
tais que i + j = n.
Exemplo 5
Seja
A =
_
_
_
_
_
3 2 0 1
5 3 2 7
1/2 3 14
5 0 1 6
_
_
_
_
_
.
A diagonal principal de A e formada por: 3, 3, , 6
A diagonal secund aria de A e formada por: 1, 2, 3, 5
Matrizes quadradas especiais
No conjunto das matrizes quadradas de ordem n podemos destacar
alguns tipos especiais. Seja A = (a
ij
) M
n
(R). Dizemos que A e uma
matriz
triangular superior, quando a
ij
= 0 se i > j (isto e, possui todos os
elementos abaixo da diagonal principal nulos).
triangular inferior, quando a
ij
= 0 se i < j (isto e, possui todos os
elementos acima da diagonal principal nulos).
diagonal, quando a
ij
= 0 se i = j (isto e, possui todos os elementos
fora da diagonal principal nulos). Uma matriz diagonal e, ao mesmo
tempo, triangular superior e triangular inferior.
escalar, quando a
ij
=
_
0, se i = j
k, se i = j
, para algum k R. Isto e, uma
matriz escalar e diagonal e possui todos os elementos da diagonal prin-
cipal iguais a um certo escalar k.
No nosso curso nos referimos
aos n umeros reais como
escalares. Essa denominacao
e especca da

Algebra
Linear.
CEDERJ
12
Matrizes
M
ODULO 1 - AULA 1
identidade, quando a
ij
=
_
0, se i = j
1, se i = j
. Isto e, a identidade e uma
matriz escalar e possui todos os elementos da diagonal principal iguais
a 1. Representamos a matriz identidade de ordem n por I
n
.
Exemplo 6
matriz classica cao
_
_
4 1 2
0 6 3
0 0 9
_
_
triangular superior
_
_
2 0 0
0 0 3
0 0 0
_
_
triangular superior
_
_
1 0 0
0 4 0
0 0 0
_
_
triangular superior, triangular inferior, diagonal
_
0 0
3 0
_
triangular inferior
_
0 0
0 0
_
triangular superior, triangular inferior, diagonal, escalar
_
5 0
0 5
_
triangular superior, triangular inferior, diagonal, escalar
Exemplo 7
S ao matrizes identidade:
I
1
= [1]; I
2
=
_
1 0
0 1
_
; I
3
=
_
_
1 0 0
0 1 0
0 0 1
_
_
; I
4
=
_
_
1 0 0 0
0 1 0 0
0 0 1 0
0 0 0 1
_
_
De modo geral, sendo n um n umero natural maior que 1, a matriz
13
CEDERJ
lgebra Linear 1
Matrizes
identidade de ordem n e
I
n
=
_
_
1 0 0 ... 0 0
0 1 0 ... 0 0
0 0 1 ... 0 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0 0 ... 1 0
0 0 0 ... 0 1
_
_
Deni cao
A matriz nula em M
mn
(R) e a matriz de ordem mn que possui todos os
elementos iguais a zero.
Exemplo 8
Matriz nula 2 3:
_
0 0 0
0 0 0
_
Matriz nula 5 2:
_
_
0 0
0 0
0 0
0 0
0 0
_
_
Deni cao
Dada A = (a
ij
) M
mn
(R), a oposta de A e a matriz B = (b
ij
) M
mn
(R)
tal que b
ij
= a
ij
, i {1, ..., m}, j {1, ..., n}. Ou seja, os elemen-
tos da matriz oposta de A sao os elementos opostos aos elementos de A.
Representamos a oposta de A por A.
Exemplo 9
A oposta da matriz A =
_
_
3 1 0
2
3 4
1 0 8
6 10 2
_
_
e a matriz
A =
_
_
3 1 0
2
3 4
1 0 8
6 10 2
_
_
.
CEDERJ
14
Matrizes
M
ODULO 1 - AULA 1
Resumo
Nesta aula vimos o conceito de matriz e conhecemos seus tipos espe-
ciais. Aprendemos a comparar duas matrizes, a identicar a matriz nula e a
obter a oposta de uma matriz. Tambem vimos algumas matrizes quadradas
que se destacam por suas caractersticas e que serao especialmente uteis no
desenvolvimento da teoria.
Exerccios
1. Escreva a matriz A = (a
ij
) em cada caso:
(a) A e do tipo 2 3, e a
ij
=
_
3i + j, se i = j
i 2j, se i = j
(b) A e quadrada de ordem 4 e a
ij
=
_
_
2i, se i < j
i j, se i = j
2j, se i > j
(c) A e do tipo 4 2, e a
ij
=
_
0, se i = j
3, se i = j
(d) A e quadrada terceira ordem e a
ij
= 3i j + 2.
2. Determine x e y tais que
(a)
_
2x + y
2x y
_
=
_
11
9
_
(b)
_
x
2
y
x y
2
_
=
_
1 1
1 1
_
15
CEDERJ
lgebra Linear 1
Matrizes
Respostas dos exerccios
1. (a)
_
4 3 5
0 8 4
_
(b)
_
_
0 2 2 2
2 0 4 4
2 4 0 6
2 4 6 0
_
_
(c)
_
_
3 0
0 3
0 0
0 0
_
_
(d)
_
_
4 1 2
7 6 5
10 9 8
_
_
2. (a) x = 5; y = 1
(b) x = y = 1
Auto-avalia cao
Voce nao deve ter sentido qualquer diculdade para acompanhar esta
primeira aula. S ao apenas deni oes e exemplos. Se achar conveniente, antes
de prosseguir, fa ca uma segunda leitura, com calma, da teoria e dos exemplos.
De qualquer maneira, voce sabe que, sentindo necessidade, pode (e deve!)
entrar em contato com o tutor da disciplina.
Ate a pr oxima aula!!
CEDERJ
16
Opera coes com matrizes: transposi cao, adi cao e multiplicacao por n umero real
M
ODULO 1 - AULA 2
Aula 2 Operacoes com matrizes:
transposi cao, adi cao e multiplica cao por
n umero real
Objetivos
Obter a matriz transposta de uma matriz dada;
Identicar matrizes simetricas e anti-simetricas;
Obter a matriz soma de duas matrizes;
Obter o produto de uma matriz por um n umero real;
Aplicar as propriedades das opera coes nos calculos envolvendo matrizes.
Na aula passada, denimos matrizes e vimos como vericar se duas
matrizes sao ou n ao iguais. Nesta aula iniciamos o estudo das opera coes
com matrizes.

E atraves de operacoes que podemos obter outras matrizes,
a partir de matrizes dadas. A primeira opera cao com matrizes que estuda-
remos - a transposicao - e unaria, isto e, aplicada a uma unica matriz. A
seguir, veremos a adi cao, que e uma opera cao bin aria, ou seja, e aplicada a
duas matrizes. Finalmente, veremos como multiplicar uma matriz por um
n umero real. Por envolver um elemento externo ao conjunto das matrizes,
essa opera cao e dita ser externa.
Transposi cao
Dada uma matriz A M
mn
(R), A = (a
ij
), a transposta de A e a
matriz B M
nm
(R), B = (b
ji
) tal que b
ji
= a
ij
, i {1, ..., m}, j
{1, ..., n}. Representamos a matriz transposta de A por A
T
.
Note que para obter a transposta de uma matriz A, basta escrever as
linhas de A como sendo as colunas da nova matriz (ou, equivalentemente,
escrever as colunas de A como as linhas da nova matriz.)
Exemplo 10
1. Seja A =
_
3 2 5
1 7 0
_
. A transposta de Ae a matriz A
T
=
_
_
3 1
2 7
5 0
_
_
.
17
CEDERJ
lgebra Linear 1
2. Se M =
_
3 4
4 9
_
, entao M
T
=
_
3 4
4 9
_
= M.
Comparando uma matriz com sua transposta, podemos denir matrizes
simetricas e anti-simetricas, como segue:
Deni cao
Uma matriz A e:
simetrica, se A
T
= A
anti-simetrica, se A
T
= A
Segue da deni cao acima, que matrizes simetricas ou anti-simetricas
sao, necessariamente, quadradas.
Exemplo 11
1. As matrizes
_
_
_
3 2
3
2 5 1
3 1 8
_
_
_
,
_
19 3/2
3/2 7
_
, e
_
_
_
_
_
1 2 1/5 0
2 7 9 1
1/5 9 0 8
0 1 8 4
_
_
_
_
_
sao simetricas.
2. A matriz M, do exemplo 10, e simetrica.
Note que, numa matriz simetrica, os elementos em posicoes simetricas
em relacao ` a diagonal principal s ao iguais.
Exemplo 12
As matrizes
_
0 1
1 0
_
,
_
_
_
0 2 1/2
2 0 5
1/2 5 0
_
_
_
, e
_
_
_
_
_
0 2 1/5 0
2 0 9 1
1/5 9 0 8
0 1 8 0
_
_
_
_
_
sao anti-simetricas.
Note que uma matriz anti-simetrica tem, necessariamente, todos os
elementos da diagonal principal iguais a zero.
CEDERJ
18
M
ODULO 1 - AULA 2
Adi cao
Voce se lembra do exemplo que demos, na aula 1, com a rela cao de
nomes e notas da turma de Lugar Lindo? Cada aluno tem seu nome associado
a um n umero (o n umero da linha). Assim, sem perder qualquer informa cao
sobre os alunos, podemos representar apenas as notas das avalia coes numa
matriz 5 por 4:
A =
_
_
4, 5 6, 2 7, 0 5, 5
7, 2 6, 8 8, 0 10, 0
8, 0 7, 5 5, 9 7, 2
9, 2 8, 5 7, 0 8, 0
6, 8 7, 2 6, 8 7, 5
_
_
Vamos supor que as provas tenham sido submetidas a uma revis ao e
que as seguintes altera coes sejam propostas para as notas:
R =
_
_
0, 5 0, 0 0, 0 0, 2
0, 2 0, 5 0, 5 0, 0
0, 0 0, 2 0, 6 0, 1
0, 0 0, 5 0, 0 0, 2
0, 2 0, 0 0, 0 0, 3
_
_
A matriz N, com as notas denitivas, e a matriz soma das matrizes A e
R, formada pelas somas de cada nota com seu fator de correcao, isto e, cada
termo de A com seu elemento correspondente em R:
N = A+ R =
_
_
4, 5 + 0, 5 6, 2 + 0, 0 7, 0 + 0, 0 5, 5 + 0, 2
7, 2 + (0, 2) 6, 8 + 0, 5 8, 0 + 0, 5 10, 0 + 0, 0
8, 0 + 0, 0 7, 5 + 0, 2 5, 9 + 0, 6 7, 2 + (0, 1)
9, 2 + 0, 0 8, 5 + 0, 5 7, 0 + 0, 0 8, 0 + 0, 2
6, 8 + 0, 2 7, 2 + 0, 0 6, 8 + 0, 0 7, 5 + 0, 3
_
_
Logo, N =
_
_
5, 0 6, 2 7, 0 5, 7
7, 0 7, 3 8, 5 10, 0
8, 0 7, 7 6, 5 7, 1
9, 2 9, 0 7, 0 8, 2
7, 0 7, 2 6, 8 7, 8
_
_
Deni cao
Dadas as matrizes A = (a
ij
), B = (b
ij
) M
mn
(R), a matriz soma de
A e B e a matriz C = (c
ij
) M
mn
(R) tal que
c
ij
= a
ij
+ b
ij
, i {1, ..., m}, j {1, ..., n}
19
CEDERJ
lgebra Linear 1
Representamos a matriz soma de A e B por A+B. Em palavras, cada
elemento de A+B e a soma dos elementos correspondentes das matrizes A e
B. A diferen ca de A e B, indicada por AB, e a soma de A com a oposta
de B, isto e: AB = A+ (B).
Exemplo 13
1.
_
5 4
2 1
_
+
_
1 2
0 3
_
=
_
4 2
2 4
_
2.
_
_
3 8
1 4
7 2
_
_
2 1
7 2
3 6
_
_
=
_
_
3 8
1 4
7 2
_
_
+
_
_
2 1
7 2
3 6
_
_
=
_
_
1 9
8 2
10 4
_
_
Multiplica cao por um n umero real
Seja A =
_
3 1
2 4
_
. Queremos obter 2A:
2A = A+ A =
_
3 1
2 4
_
+
_
3 1
2 4
_
=
_
2 3 2 1
2 2 2 (4)
_
.
Em palavras, o produto da matriz A pelo n umero real 2 e a matriz
obtida multiplicando-se cada elemento de A por 2.
Voltemos ` a nossa tabela de notas dos alunos do CEDERJ. Suponhamos
que, para facilitar o c alculo das medias, queiramos trabalhar numa escala de
0 a 100 (em vez de 0 a 10, como agora). Para isso, cada nota dever a ser
multiplicada por 10. Teremos, ent ao, a seguinte matriz:
10N =
_
_
50 62 70 57
70 73 85 100
80 77 65 71
92 90 70 82
70 72 68 78
_
_
Podemos, ent ao, denir a multiplica cao de uma matriz por um n umero
real (ou, como e usual dizer no ambito da

Algebra Linear, por um escalar).
Voce vera que, em

Algebra
Linear, lidamos com dois
tipos de objeto matematico:
os escalares (que, neste
curso, serao os n umeros
reais) e os vetores.
CEDERJ
20
M
ODULO 1 - AULA 2
Deni cao
Dada A = (a
ij
) M
mn
(R) e R, a matriz produto de A por e a
matriz C = (c
ij
) M
mn
(R) tal que
c
ij
= a
ij
, i {1, ..., m}, j {1, ...n}
Representamos a matriz produto de A por por A.
Exemplo 14
Dadas A =
_
5 2
1 4
_
, B =
_
0 6
3 8
_
e C =
_
6 1
3 5
_
, temos:
1. 2A =
_
10 4
2 8
_
2.
1
3
B =
_
0 2
1 8/3
_
3. A+2B3C =
_
5 2
1 4
_
+
_
0 12
6 16
_
+
_
18 3
9 15
_
=
_
23 17
14 5
_
Propriedades das operacoes com matrizes
Voce talvez ja tenha se questionado quanto à necessidade ou utilidade
de se listar e provar as propriedades de uma dada opera cao. Comutatividade,
associatividade... aparentemente sempre as mesmas palavras, propriedades
sempre validas... No entanto, sao as propriedades que nos permitem esten-
der uma opera cao que foi denida para duas matrizes, para o caso de somar
tres ou mais. Ela tambem exibilizam e facilitam os c alculos, de modo que
quanto mais as dominamos, menos trabalho mec anicotemos que desenvol-
ver. Veremos agora as propriedades v alidas para as opera coes ja estudadas.
Propriedade da transposi cao de matrizes
(t1) Para toda matriz A M
mn
(R), vale que A
T
T
= A.
A validade dessa propriedade e clara, uma vez que escrevemos as linhas
de A como colunas e, a seguir, tornamos a escrever essas colunas como linhas,
retornando ` a congura cao original. Segue abaixo a demonstra cao formal
dessa propriedade:
Seja A = (a
ij
) M
mn
(R). Ent ao A
T
= B = (b
ji
) M
nm
(R) tal que
b
ji
= a
ij
, ( ou, equivalentemente, b
ij
= a
ji
), i {1, ...m}, j {1, ..., n}.
21
CEDERJ
lgebra Linear 1
Da, A
T
T
= B
T
= C = (c
ij
) M
mn
(R) tal que c
ij
= b
ji
= a
ij
, i
{1, ...m}, j {1, ..., n}. Logo, C = B
T
= A
T
T
= A.
Propriedades da adi cao de matrizes
Para demonstrar as propriedades da adi cao de matrizes, usaremos as
propriedades correspondentes, validas para a adi cao de n umeros reais.
SejamA = (a
ij
), B = (b
ij
) e C = (c
ij
) matrizes quaisquer em M
mn
(R).
Valem as seguintes propriedades.
(a1) Comutativa: A + B = B + A
De fato, sabemos que A+B = (s
ij
) e tambem uma matriz mn cujo
elemento generico e dado por: s
ij
= a
ij
+ b
ij
, para todo i = 1, ..., m e todo
j = 1, ..., n. Como a adi cao de n umeros reais e comutativa, podemos escrever
s
ij
= b
ij
+a
ij
, para todo i = 1, ..., m e todo j = 1, ..., n. Isto e, A+B = B+A.
Em palavras: a ordem como consideramos as parcelas n ao altera a soma de
duas matrizes.
(a2) Associativa: (A+ B) + C = A+ (B + C)
De fato, o termo geral s
ij
de (A+B)+C e dado por s
ij
= (a+b)
ij
+c
ij
=
(a
ij
+ b
ij
) + c
ij
, para todo i = 1, ..., m e todo j = 1, ..., n. Como a adi cao
de n umeros reais e associativa, podemos escrever s
ij
= a
ij
+ (b
ij
+ c
ij
) =
a
ij
+(b+c)
ij
, para todo i = 1, ..., me todo j = 1, ..., n. Ou seja, s
ij
e tambem o
termo geral da matriz obtida de A+(B+C). Isto e, (A+B)+C = A+(B+C).
Em palavras: podemos estender a adi cao de matrizes para o caso de tres
parcelas, associando duas delas. A partir dessa propriedade, podemos agora
somar tres ou mais matrizes.
(a3) Existencia do elemento neutro: Existe O M
mn
(R) tal que A+O = A.
De fato, seja O a matriz nula de M
mn
(R), isto e, O = (o
ij
), onde
o
ij
= 0, para todo i = 1, ..., m e todo j = 1, ..., n. Sendo s
ij
o termo geral de
A + O, temos s
ij
= a
ij
+ o
ij
= a
ij
+ 0 = a
ij
j = 1, ..., n. Ou seja, A+ O = A.
Em palavras: na adi cao de matrizes a matriz nula desempenha o mesmo
papel que o zero desempenha na adi cao de n umeros reais.
(a4) Da existencia do elemento oposto : Existe (A) M
mn
(R) tal que O elemento oposto e tambem
chamado elemento simetrico
ou inverso aditivo.
A + (A) = O.
De fato, sabemos que cada elemento de A e o oposto do elemento
correspondente de A. Entao, sendo s
ij
o termo geral de A + (A), temos
CEDERJ
22
M
ODULO 1 - AULA 2
s
ij
= a
ij
+ (a
ij
) = 0 = o
ij
, para todo i = 1, ..., m e todo j = 1, ..., n. Isto e,
A+ (A) = O.
Em palavras: Cada matriz possui, em correspondencia, uma matriz de mesma
ordem tal que a soma das duas e a matriz nula dessa ordem.
(a5) Da soma de transpostas: A
T
+ B
T
= (A+ B)
T
De fato, seja s
ij
o termo geral de A
T
+B
T
. Ent ao, para todo i = 1, ..., m
e todo j = 1, ..., n, s
ij
= a
ji
+b
ji
= (a+b)ji, que e o termo geral de (A+B)
T
.
Ou seja, A
T
+ B
T
= (A + B)
T
.
Em palavras: A soma das transpostas e a transposta da soma. Ou, vendo sob
outro angulo: a transposi cao de matrizes e distributiva em rela cao ` a adi cao.
Propriedades da multiplica cao de uma matriz por um escalar
Voce vera que, tambem neste caso, provaremos a validade dessas propri-
edades usando as propriedades correspondentes da multiplicacao de n umeros
reais.
Sejam A = (a
ij
), B = (b
ij
) M
mn
(R), , , R. Valem as seguin-
tes propriedades:
(mn1) ()A = (A)
De fato, seja p
ij
o termo geral de ()A, isto e, p
ij
= (()a)
ij
=
()a
ij
= (a
ij
) = ((a))
ij
, para todo i = 1, ..., m e todo j = 1, ..., n. Ou
seja, p
ij
e tambem o termo geral de (A). Logo, ()A = (A).
Exemplo 15
Dada A M
mn
(R), 12A = 3(4A) = 2(6A).
(mn2) ( + )A = A+ A
De fato, seja p
ij
o termo geral de ( +)A, isto e, p
ij
= (( +)a)
ij
=
( + )a
ij
= a
ij
+ a
ij
= (a)
ij
+ (a)
ij
j = 1, ..., n. Ou seja, p
ij
e tambem o termo geral de A + A. Logo,
( + )A = A+ A.
Exemplo 16
Dada A M
mn
(R), 12A = 7A+ 5A = 8A+ 4A.
(mn3) (A+ B) = A+ B
De fato, seja p
ij
o termo geral de (A+B). Ent ao, para todo i = 1, ..., m
e todo j = 1, ..., n, temos p
ij
= ((a + b))
ij
= (a + b)
ij
= (a
ij
+ b
ij
) =
23
CEDERJ
lgebra Linear 1
a
ij
+b
ij
= (a)
ij
+(b)
ij
. Ou seja, p
ij
e tambem o termo geral de A+B.
Logo, (A+ B) = A+ B.
Exemplo 17
Dadas A, B M
mn
(R), 5(A+ B) = 5A+ 5B.
(mn4) 1A = A
De fato, sendo p
ij
o termo geral de 1A, temos p
ij
= (1a)
ij
= 1a
ij
= a
ij
,
para todo i = 1, ..., m e todo j = 1, ..., n. Isto e, 1A = A.
(mn5) A
T
= (A)
T
De fato, seja p
ij
o termo geral de A
T
. Entao p
ij
= a
ji
= (a)
ji
, ou
seja, p
ij
e tambem o termo geral de (A)
T
.
Exemplo 18
Dadas A =
_
2 1
0 1
_
e B =
_
4 0
2 6
_
, vamos determinar 3
_
2A
T
1
2
B
_
T
.
Para isso, vamos usar as propriedades vistas nesta aula e detalhar cada passo,
indicando qual a propriedade utilizada.
3
_
2A
T
1
2
B
_
T
a5
= 3
_
_
2A
T
_
T
_
1
2
B
_
T
_
mn5
= 3
_
2
_
A
T
_
T
1
2
B
T
_
t1
= 3
_
2A
1
2
B
T
_
mn3
= 3(2A) 3
_
1
2
B
T
_
mn1
= (3.2)A
_
3.
1
2
_
B
T
= 6A
3
2
B
T
= 6
_
2 1
0 1
_
3
2
_
4 2
0 6
_
=
_
12 6
0 6
_
_
6 3
0 9
_
=
_
6 9
0 15
_
CEDERJ
24
M
ODULO 1 - AULA 2
Observa cao.

E claro que voce, ao efetuar opera coes com matrizes, n ao
precisara explicitar cada propriedade utilizada (a n ao ser que o enunciado da
questao assim o exija!) e nem resolver a quest ao passo-a-passo. O impor-
tante e constatar que s ao as propriedades das opera coes que nos possibilitam
reescrever a matriz pedida numa forma que nos pareca mais simpatica.
Resumo
Nesta aula comecamos a operar com as matrizes. Vimos como ob-
ter a transposta de uma matriz e a reconhecer matrizes simetricas e anti-
simetricas. A seguir, aprendemos a somar duas matrizes e a multiplicar
uma matriz por um escalar. Finalizamos com o estudo das propriedades das
opera coes vistas. A aula cou um pouco longa, mas e importante conhecer
as propriedades v alidas para cada opera cao estudada.
Exerccios
1. Obtenha a transposta da matriz A M
24
(R), A = (a
ij
), tal que
a
ij
=
_
2i + j, se i = j
i
2
j, se i = j
2. Determine a e b para que a matriz
_
_
2 4 2a b
a + b 3 0
1 0 5
_
_
seja simetrica.
3. Mostre que a soma de duas matrizes simetricas e uma matriz simetrica.
4. Determine a, b, c, x, y, z para que a matriz
_
_
2x a + b a 2b
6 y
2
2c
5 8 z 1
_
_
seja
anti-simetrica.
5. Sendo A =
_
_
2 1
0 1
3 2
_
_
e B =
_
_
0 1
7 3
4 5
_
_
, determine A+ B.
6. Determine a, b, e c para que
_
a 3 2a
c 0 2
_
+
_
b 3 1
1 4 3
_
=
_
2 0 5
3 4 1
_
.
25
CEDERJ
lgebra Linear 1
7. Dada A =
_
3 5
4 2
_
, determine a matriz B tal que A+B e a matriz
nula de M
2
(R).
8. Considere as matrizes A =
_
_
5
1
2
_
_
, B =
_
_
1
2
3
_
_
, e C =
_
0 2 1
_
. Determine a matriz X em cada caso:
(a) X = 2A3B
(b) X + A = B C
T
2X
(c) X + B
T
= 3A
T
+
1
2
C
9. Sendo A =
_
9 4 2
6 12 11
_
e B =
_
8 7 9
12 19 2
_
, determine as
matrizes X e Y tais que
_
2X + Y = A
X 2Y = B
10. Sendo A, B M
mn
(R), use as propriedades vistas nesta aula para
simplicar a expressao 3
_
2A
T
B
_
T
+ 5
_
1
5
B
T
A
T
+
3
5
B
_
T
.
Auto-avalia cao
Voce deve se sentir à vontade para operar com matrizes nas formas vis-
tas nesta aula: transpor, somar e multiplicar por um escalar. S ao opera coes
de realiza cao simples, que seguem a nossa intui cao. Alem disso, e importante
que voce reconheca a utilidade das propriedades no sentido de nos dar mobi-
lidade na hora de operarmos com matrizes. Propriedades de opera coes nao
sao para serem decoradas, mas apreendidas, assimiladas, utilizadas ao p or a
teoria em pratica!
Se voce sentiu qualquer diculdade ao acompanhar a aula ou ao resolver
os exerccios propostos, peca auxlio ao tutor da teoria. O importante e que
caminhemos juntos nesta jornada!
Ate a pr oxima aula!!
CEDERJ
26
M
ODULO 1 - AULA 2
1.
_
_
3 3
1 5
2 1
3 0
_
_
2. a = 1; b = 3
4. a =
7
3
; b =
11
3
; c = 4; x = 0; y = 0; z = 1
5.
_
_
2 2
7 2
1 7
_
_
6. a = 3; b = 1; c = 2
7.
_
3 5
4 2
_
8. (a)
_
_
7
8
5
_
_
(b)
_
_
4
1
0
_
_
(c)
_
14 6
7
2
_
9. X =
_
2 3 1
0 1 4
_
; Y =
_
5 2 4
6 10 3
_
10. A+ B
27
CEDERJ
Opera coes com matrizes: multiplica cao
M
ODULO 1 - AULA 3
Aula 3 Operacoes com matrizes:
multiplicacao
Objetivos
Reconhecer quando e possvel multiplicar duas matrizes;
Obter a matriz produto de duas matrizes;
Aplicar as propriedades da multipli cao de matrizes;
Identicar matrizes inversveis.
Se voce ja foi apresentado ` a multiplica cao de matrizes, pode ter se
perguntado por que a denicao foge tanto daquilo que nos pareceria mais
facil e natural: simplesmente multiplicar os termos correspondentes das
duas matrizes (que, para isso, deveriam ser de mesma ordem).
Poderia ser assim? Poderia!
Entao, por que n ao e?
Em Matematica, cada deni cao e feita de modo a possibilitar o desen-
volvimento da teoria de forma contnua e coerente.

E por essa raz ao que
denimos, por exemplo, 0! = 1 e a
0
= 1, (a = 0).
O caso 0
0
e mais delicado do
que parece. Se voce tem
interesse nesse problema, vai
gostar de ler o artigo de
Elon Lages Lima, na Revista
do Professor de Matematica
(RPM), n. 7.
Nao iramos muito longe, no estudo das matrizes, caso a multiplica cao
fosse denida nos moldes da adi cao. Voce vera, nesta aula, o signicado
dessa opera cao, no modo como e denida. Mais tarde, quando estudar-
mos transforma coes lineares (no modulo 2), car a ainda mais evidente a
import ancia de multiplicarmos matrizes da maneira como veremos a seguir.
Venha conosco!
Vamos voltar aos nossos alunos de Lugar Lindo. J a e tempo de calcular
suas notas nais!
A ultima matriz obtida (na aula 2) fornecia as notas numa escala de 0
a 100:
N
=
_
_
50 62 70 57
70 73 85 100
80 77 65 71
92 90 70 82
70 72 68 78
_
_
Lembrando: as duas primeiras colunas indicam as notas das avalia coes
29
CEDERJ
lgebra Linear 1
à dist ancia e as duas ultimas, as notas das avalia coes presenciais dos alunos
Ana, Beatriz, Carlos, Daniela e Edson, nessa ordem.
Vamos supor que as avalia coes ` a dist ancia tenham, cada uma, peso 1,
num total de 10. Isto e, cada uma colabora com
1
10
(ou 10%) da nota nal.
Para completar, cada avalia cao presencial ter a peso 4, ou seja, repre-
sentar a
4
10
(ou 40%) da nota nal.
Entao, a nota nal de cada aluno ser a dada por:
NF =
10
100
AD1 +
10
100
AD2 +
40
100
AP1 +
40
100
AP2
Em vez de escrever uma express ao como essa para cada um dos 5 alunos,
podemos construir uma matriz-coluna P contendo os pesos das notas, na
ordem como aparecem no c alculo de NF:
P =
_
_
10/100
10/100
40/100
40/100
_
_
e efetuar a seguinte opera cao:
N
.P =
_
_
50 62 70 57
70 73 85 100
80 77 65 71
92 90 70 82
70 72 68 78
_
_
.
_
_
10/100
10/100
40/100
40/100
_
_
=
=
_
_
10
100
.50 +
10
100
.62 +
40
100
.70 +
40
100
.57
10
100
.70 +
10
100
.73 +
40
100
.85 +
40
100
.100
10
100
.80 +
10
100
.77 +
40
100
.65 +
40
100
.71
10
100
.92 +
10
100
.90 +
40
100
.70 +
40
100
.82
10
100
.70 +
10
100
.72 +
40
100
.68 +
40
100
.78
_
_
=
_
_
62
88
70
79
73
_
_
O que zemos: tomamos duas matrizes tais que o n umero de termos
em cada linha da primeira e igual ao n umero de termos de cada coluna da
segunda. Ou seja, o n umero de colunas da primeira coincide com o n umero
de linhas da segunda (4, no nosso exemplo).
Dessa forma, podemos multiplicar os pares de elementos, varrendo,
simultaneamente, uma linha da 1
a.
matriz e uma coluna da 2
a.
. Depois,
somamos os produtos obtidos.
CEDERJ
30
M
ODULO 1 - AULA 3
Note que, ao considerarmos a i-esima linha (da 1
a.
matriz) e a j-esima
coluna (da 2
a.
), geramos o elemento na posi cao ij da matriz produto.
Formalmente, temos a seguinte deni cao:
Multiplica cao de matrizes
Sejam A = (a
ik
) M
mp
(R) e B = (b
kj
) M
pn
(R). A matriz produto
de A por B e a matriz AB = (c
ij
) M
mn
(R) tal que
c
ij
=
p
k=1
a
ik
.b
kj
, i = 1, ..., m; j = 1, ..., n
Exemplo 19
Sejam A =
_
3 2 1
4 0 7
_
e B =
_
_
1 3 10 2
1 5 0 5
2 6 4 2
_
_
. Como A e do tipo
2 3 e B e do tipo 3 4, existe a matriz AB e e do tipo 2 4:
AB =
_
3 2 1
4 0 7
_
_
_
1 3 10 2
1 5 0 5
2 6 4 2
_
_
=
=
_
3 2 2 9 + 10 6 30 + 0 4 6 + 10 + 2
4 + 0 + 14 12 + 0 + 42 40 + 0 + 28 8 + 0 14
_
=
_
1 13 26 18
18 54 68 6
_
Observe que, neste caso, n ao e possvel efetuar BA.
A seguir, veremos alguns exemplos e, a partir deles, tiraremos algumas
conclusoes interessantes a respeito da multiplicacao de matrizes.
Exemplo 20
Sejam A =
_
2 4
3 1
_
e B =
_
3 2
5 6
_
. Ent ao
AB =
_
2 4
3 1
__
3 2
5 6
_
=
_
6 + 20 4 + 24
9 5 6 6
_
=
_
26 28
4 0
_
e
BA =
_
3 2
5 6
__
2 4
3 1
_
=
_
6 + 6 12 2
10 + 18 20 6
_
=
_
12 10
28 14
_
.
Note que o produto de duas matrizes quadradas de mesma ordem n
existe e e tambem uma matriz quadrada de ordem n. Assim, a multiplicacao
p ode ser efetuada nos dois casos, isto e, nas duas ordens possveis, mas as
matrizes AB e BA sao diferentes.
31
CEDERJ
lgebra Linear 1
Exemplo 21
Sejam A =
_
1 2
3 4
_
e B =
_
1 4
6 7
_
. Temos que:
AB =
_
1 2
3 4
__
1 4
6 7
_
=
_
1 + 12 4 + 14
3 + 24 12 + 28
_
=
_
13 18
27 40
_
e
BA =
_
1 4
6 7
__
1 2
3 4
_
=
_
1 + 12 2 + 16
6 + 21 12 + 28
_
=
_
13 18
27 40
_
Neste caso, AB = BA. Quando isso ocorre, dizemos que as matrizes A
e B comutam.
Exemplo 22
Consideremos as matrizes A =
_
3 2 1
4 6 5
_
e B =
_
_
4
19
26
_
_
.
Efetuando AB, obtemos a matriz
_
0
0
_
.
Note que, diferentemente do que ocorre com os n umeros reais, quando
multiplicamos matrizes, o produto pode ser a matriz nula, sem que qualquer
dos fatores seja a matriz nula.
Exemplo 23
Vamos calcular AB, sendo A =
_
1 2
3 4
_
e B =
_
2 1
3/2 1/2
_
.
Temos que AB =
_
2 + 3 1 1
6 + 6 3 2
_
=
_
1 0
0 1
_
= I
2
.
Quando isso ocorre, isto e, quando o produto de duas matrizes A e
B quadradas, e a identidade (obviamente, de mesma ordem das matrizes),
dizemos que A e inversvel e que B e a sua inversa. Uma matriz inversvel
Matrizes inversveis tambem
sao chamadas de invertveis
ou de nao-singulares.
sempre comuta com sua inversa. Voce pode vericar isso, calculando BA. Na
pr oxima aula, estudaremos um metodo bastante eciente para determinar,
caso exista, a matriz inversa de uma matriz dada.
Propriedades da multiplicacao de matrizes
i (AB)C = A(BC), A M
mn
(R), B M
np
(R), C M
pq
(R).
Isto e, a multiplica cao de matrizes e associativa.
De fato, sejam A = (a
ij
), B = (b
jk
) e C = (c
kl
). O termo de ndices
ik da matriz AB e dado pela expressao
n
j=1
a
ij
b
jk
. Ent ao o termo
CEDERJ
32
M
ODULO 1 - AULA 3
de ndices il da matriz (AB)C e dado por
p
k=1
_
n
j=1
a
ij
b
jk
_
c
kl
=
n
j=1
a
ij
(
p
k=1
b
jk
c
kl
), que e o termo de ndices il da matriz A(BC),
pois
p
k=1
b
jk
c
kl
e o termo de ndices jl da matriz BC. Logo, (AB)C =
A(BC).
ii A(B + C) = AB + AC, A M
mn
(R), B, C M
np
(R).
Isto e, a multiplica cao de matrizes e distributiva em rela cao ` a adi cao
de matrizes.
ij
), B = (b
jk
) e C = (c
jk
). O termo de ndices jk
de B+C e dado por (b
jk
+c
jk
). Ent ao o de ndices ik da matriz A(B+
C) e
n
j=1
a
ij
(b
jk
+ c
jk
) =
n
j=1
[(a
ij
b
jk
) + (a
ij
c
jk
)] =
n
j=1
(a
ij
b
jk
) +
n
j=1
(a
ij
c
jk
), que e o termo de ndices ik da matriz dada por AB+AC.
Isto e, A(B + C) = AB + AC.
De forma an aloga, prova-se que (A+ B)C = AC + BC.
iii (AB) = (A)B = A(B), R, A M
mn
(R), B M
np
(R).
ij
) e B = (b
jk
). O termo de ndices ik de (AB)
e dado por
_
n
j=1
a
ij
b
jk
_
=
n
j=1
(a
ij
b
jk
) =
n
j=1
(a
ij
)b
jk
, que e
o termo de ndices ik de (A)B. Isto e, (AB) = (A)B. De forma
an aloga, prova-se que (AB) = A(B). Logo, (AB) = (A)B =
A(B).
iv Dada A M
mn
(R), I
m
A = AI
n
= A.
ij
) e I
m
=
ij
, onde
ij
=
_
1, se i = j
0, se i = j
. Ent ao A funcao
ij
assim denida e
chamada delta de Kronecker
nos ndices i e j.
o termo de ndices ij de I
m
A e dado por
n
k=1
ik
a
kj
=
i1
a
1j
+
i2
a
2j
+
... +
ii
a
ij
+... +
in
a
nj
= 0.a
1j
+0.a
2j
+... +1.a
ij
+... +0a
nj
= a
ij
, que
e o termo de ndices ij de A. Logo, I
m
A = A. Analogamente, prova-se
que AI
n
= A. Isto e, I
m
A = AI
n
= A.
v Dadas A M
mn
(R), B M
np
(R), (AB)
T
= B
T
A
T
.
ij
) e B = (b
jk
). O termo de ndices ik de
AB e dado por
n
j=1
a
ij
b
jk
, que e, tambem, o termo de ndices ki da
33
CEDERJ
lgebra Linear 1
matriz (AB)
T
. Sendo B
T
= (b
kj
) e A
T
= (a
ji
), onde b
kj
= b
jk
e
a
ji
= a
ij
, i = 1, ..., m; j = 1, ..., n, podemos escrever
n
j=1
a
ij
b
jk
=
n
j=1
b
kj
a
ji
, que e o termo de ndices ki da matriz B
T
A
T
. Logo,
(AB)
T
= B
T
A
T
.
Potencias de matrizes
Quando multiplicamos um n umero real por ele mesmo, efetuamos uma
potencia cao. Se a e um n umero real, indicamos por a
n
o produto aa...a,
onde consideramos n fatores iguais a a.
Analogamente, quando lidamos com matrizes, denimos a potencia de
expoente n (ou a n-esima potencia) de uma matriz quadrada A como sendo
o produto AA... A, onde h a n fatores iguais a A.
Exemplo 24
Dada A =
_
5 4
3 1
_
, temos
A
2
= AA =
_
5 4
3 1
__
5 4
3 1
_
=
_
13 24
18 11
_
e
A
3
= A
2
A =
_
13 24
18 11
__
5 4
3 1
_
=
_
7 76
57 83
_
Quando calculamos sucessivas potencias de uma matriz, podem ocorrer
os seguintes casos especiais:
A
n
= A, para algum n natural.
Nesse caso, dizemos que a matriz A e peri odica. Se p e o menor natural
para o qual A
p
= A, dizemos que A e peri odica de perodo p. Particu-
larmente, se p = 2, a matriz A e chamada idempotente.
A
n
= O, para algum n natural.
Nesse caso, dizemos que a matriz A e nihilpotente. Se p e o menor Le-se nilpotente. A palavra
nihil signica nada, em latim.
natural para o qual A
p
= O, a matriz A e dita ser nihilpotente de
ndice p.
Exemplo 25
Efetuando a multiplica cao de A por ela mesma, voce poder a constatar que a
matriz A, em cada caso, e idempotente:
CEDERJ
34
M
ODULO 1 - AULA 3
A =
_
1/2 1/2
1/2 1/2
_
A =
_
0 5
0 1
_
.
Exemplo 26
Seja A =
_
5 1
25 5
_
. Calculando A
2
, temos AA =
_
5 1
25 5
__
5 1
25 5
_
=
_
0 0
0 0
_
. Ou seja, A e nihilpotente de ndice 2.
Resumo
Nesta aula vimos como multiplicar duas matrizes. Trata-se de uma
opera cao que se distingue das que vimos anteriormente, tanto pela maneira
pouco intuitiva pela qual e denida, quanto pelo fato de n ao ser comuta-
tiva. Ela representa um papel muito importante no desenvolvimento de toda
a

Algebra Linear, permitindo, por exemplo, uma representa cao simples da
composi cao de fun coes especiais, que estudaremos no modulo 2. Alem disso,
fomos apresentados ` as matrizes inversveis e vimos que estas sempre comutam
com suas matrizes inversas.
Exerccios
1. Calcule AB, em cada caso abaixo:
(a) A =
_
1 2 4
5 0 1
_
, B =
_
_
2
6
10
_
_
(b) A =
_
4 6
2 3
_
, B =
_
2 0
1 4
_
(c) A =
_
_
3
1
2
_
_
, B =
_
6 5 3
_
35
CEDERJ
lgebra Linear 1
2. Determine AB
T
2C, dadas A =
_
_
1 2
2 5
0 3
_
_
, B =
_
_
4 2
2 1
1 7
_
_
,
C =
_
_
7 9 1
6 4 2
8 10 3
_
_
.
3. Verique, em caso, se B e a matriz inversa de A:
a) A =
_
2 3
1 6
_
e B =
_
2/3 1/3
1/9 2/9
_
b) A =
_
1 5
3 2
_
e B =
_
6 5
1 1
_
4. Resolva a equa cao matricial
_
3 1
2 5
__
a b
c d
_
=
_
5 15
8 7
_
.
5. Determine a e b para que as matrizes A =
_
2 3
9 5
_
e B =
_
a 1
3 b
_
comutem.
6. Determine todas as matrizes que comutam com A, em cada caso:
a) A =
_
1 2
4 5
_
b) A =
_
0 1
3 1
_
7. Dadas as matrizes A =
_
1 3
2 5
_
e B =
_
1 4
0 2
_
, calcule:
a) A
2
b) B
3
c) A
2
B
3
8. As matrizes A =
_
_
0 1 0
0 0 1
0 0 0
_
_
e B =
_
3 9
1 3
_
sao nihilpotentes.
Determine o ndice de cada uma.
CEDERJ
36
M
ODULO 1 - AULA 3
Auto-avalia cao
E muito importante que voce se sinta bem à vontade diante de duas ma-
trizes a multiplicar. Assimilada a denicao, repita os exemplos e os exerccios
que tenham deixado alguma d uvida. Caso haja alguma pendencia, n ao hesite
em contactar o tutor da disciplina.

E essencial que caminhemos juntos!! Ate
a pr oxima aula.
1. a) AB =
_
30
70
_
b)AB =
_
14 24
7 12
_
c)AB =
_
_
18 15 9
6 5 3
12 10 6
_
_
.
2.
_
_
6 14 11
6 1 29
10 17 27
_
_
3. a) sim (pois AB = I
2
); b) n ao
4.
_
1 4
2 3
_
5. a = 1; b = 0
6. a)
_
x z/2
z x z
_
, x, z R b)
_
x y
3y x + y
_
, x, y R.
7. a)
_
5 18
12 19
_
b)
_
1 12
0 4
_
c)
_
1 28
0 8
_
8. a) 3; b) 2
37
CEDERJ
Opera coes com matrizes: inversao
M
ODULO 1 - AULA 4
Aula 4 Operacoes com matrizes: inversao
Objetivos
Obter a matriz inversa (caso exista), pela deni cao;
Aplicar opera coes elementares às linhas de uma matriz;
Obter a matriz inversa (caso exista), por opera coes elementares;
Reconhecer matrizes ortogonais.
Na aula 3 vimos que, dada uma matriz A M
n
(R), se existe uma
matriz B M
n
(R), tal que AB = I
n
, a matriz A e dita inversvel e a matriz
B e a sua inversa, e podemos escrever B = A
1
. Uma matriz inversvel
sempre comuta com sua inversa; logo, se AB = I
n
ent ao BA = I
n
e A e a
inversa de B.
Dada uma matriz quadrada A, nao sabemos se ela e ou n ao inversvel
ate procurar determinar sua inversa e isso n ao ser possvel. Para descobrir se
uma matriz e ou n ao inversvel e, em caso armativo, determinar sua inversa,
so contamos, ate o momento, com a deni cao. Assim, dada uma matriz A de
ordem n, escrevemos uma matriz tambem de ordem n, cujos elementos s ao
incognitas a determinar, de modo que o produto de ambas seja a identidade
de ordem n. Vamos a um exemplo:
Exemplo 27
Em cada caso, vamos determinar, caso exista, a matriz inversa de A:
1. A =
_
2 5
1 3
_
. Seja B =
_
x y
z t
_
a matriz inversa de inversa de A,
ent ao
AB = I
2

_
2 5
1 3
__
x y
z t
_
=
_
1 0
0 1
_
_
2x + 5z 2y + 5t
x + 3z y + 3t
_
=
_
1 0
0 1
_
Essa igualdade gera um sistema de 4 equa coes e 4 inc ognitas:
_
_
2x + 5z = 1
2y + 5t = 0
x + 3z = 0
y + 3t = 1
39
CEDERJ
lgebra Linear 1
Note que esse sistema admite dois subsistemas de 2 equa coes e 2 inc ognitas:
_
2x + 5z = 1
x + 3z = 0
e
_
2y + 5t = 0
y + 3t = 1
Resolvendo cada um deles, obtemos x = 3, y = 5, z = 1, t = 2.
Logo, a matriz A e inversvel e sua inversa e A
1
=
_
3 5
1 2
_
2. A =
_
6 3
8 4
_
. Procedendo com no item anterior, escrevemos:
A =
_
6 3
8 4
__
x y
z t
_
=
_
1 0
0 1
_

_
6x + 3z 6y + 3t
8x + 4z 8y + 4t
_
=
_
1 0
0 1
_
.
Obtemos ent ao os sistemas
_
6x + 3z = 1
8x + 4z = 0
e
_
6y + 3t = 1
8y + 4t = 1
Ao resolver esses sistemas, porem, vemos que n ao admitem solu cao
(tente resolve-los, por qualquer metodo!). Conclumos, ent ao, que a
matriz A nao e inversvel.
Voce viu que, ao tentar inverter uma matriz de ordem 2, recaimos em
dois sistemas, cada um de duas equa coes e duas inc ognitas. Se a matriz
a ser invertida for de ordem 3, entao o problema recair a em tres sistemas,
cada um com tres equa coes e tres incognitas. J a d a pra perceber o trabalho
que teramos para inverter uma matriz de ordem superior (nem precisamos
pensar numa ordem muito grande: para inverter uma matriz 5 5, teramos
que resolver 5 sistemas, cada um de 5 equa coes e 5 inc ognitas!).
Temos, entao, que determinar uma outra maneira de abordar o pro-
blema. Isso sera feito com o uso de opera coes que serao realizadas com as
linhas da matriz a ser invertida. Essas opera cos tambem poderiam ser de-
nidas, de forma analoga, sobre as colunas da matriz. Neste curso, como
so usaremos opera coes elementares aplicadas ` as linhas, nos nos referiremos a
elas, simplesmente, como operacoes elementares (e nao opera coes elementares
sobre as linhas da matriz). Vamos ` a caracteriza cao dessas opera coes.
Operacoes elementares
Dada A M
mn
(R), chamam-se opera c oes elementares as seguintes
a coes:
CEDERJ
40
M
ODULO 1 - AULA 4
1. Permutar duas linhas de A.
Indicamos a troca das linhas L
i
e L
j
por L
i
L
j
.
2. Multiplicar uma linha de A por um n umero real n ao nulo.
Indicamos que multiplicamos a linha L
i
de A pelo n umero real escre-
vendo L
i
L
i
.
3. Somamos a uma linha de A uma outra linha, multiplicada por um
n umero real.
Indicamos que somamos à linha L
i
a linha L
j
multiplicada pelo n umero
real por: L
i
L
i
+ L
j
.
Exemplo 28
Vamos aplicar algumas opera coes elementares às linhas da matriz A =
_
_
3 2 5
0 1 6
8 4 2
_
_
:
1.
_
_
3 2 5
0 1 6
8 4 2
_
_
L
1
L
3
_
8 4 2
0 1 6
3 2 5
_
_
2.
_
_
3 2 5
0 1 6
8 4 2
_
_ L
2
3L
2

_
_
3 2 5
0 3 18
8 4 2
_
_
3.
_
_
3 2 5
0 1 6
8 4 2
_
_ L
2
L
2
+ 2L
3

_
_
3 2 5
16 9 2
8 4 2
_
_
Consideremos o conjunto M
mn
(R). Se, ao aplicar uma seq uencia de
opera coes elementares a uma matriz A, obtemos a matriz B, dizemos que B
e equivalente a A e indicamos por B A. Fica denida, assim, uma rela cao
no conjunto M
mn
(R), que e:
1. reexiva: A A
2. simetrica: se A B entao B A
3. transitiva: se A B e B C entao A C
Isto e, a relacao e uma rela cao de equivalencia no conjunto M
mn
(R).
Assim, se A B ou se B A podemos dizer, simplesmente, que A e B sao
equivalentes.
41
CEDERJ
lgebra Linear 1
Lembremos que nosso objetivo e determinar um metodo para encontrar
a inversa de uma matriz, caso ela exista, que seja mais rapido e simples do
que o uso da deni cao. Para isso, precisamos do seguinte resultado:
Teorema 1
Seja A M
n
(R). Ent ao A e inversvel se, e somente se, A I
n
. Se A e
inversvel, a mesma sucessao de opera coes elementares que transformam A
em I
n
, transformam I
n
na inversa de A.
Voce podera encontrar a
demonstracao desse teorema
no livro

Algebra Linear e
Aplica c oes, de Carlos
Callioli, Hygino Domingues e
Roberto Costa, da Atual
Editora, (Apendice do
Captulo 1).
Este metodo permite determinar, durante sua aplica cao, se a matriz e
ou n ao inversvel. A ideia e a seguinte:
1. Escrevemos, lado-a-lado, a matriz que queremos inverter e a matriz
identidade de mesma ordem, segundo o esquema:
A I
2. Por meio de alguma opera cao elementar, obtemos o n umero 1 na posi cao
11.
3. Usando a linha 1 como linha-piv o, obtemos zeros nas outras posi coes
da coluna 1 (para isso, fazemos uso da terceira opera cao elementar).
4. Por meio de uma opera cao elementar, obtemos o n umero 1 na posi cao
22.
5. Usando a linha 2 como linha-piv o, obtemos zeros nas outras posi coes
da coluna 2 (para isso, fazemos uso da terceira opera cao elementar).
6. Passamos para a terceira coluna e assim por diante.
7. Se, em alguma etapa do procedimento, uma linha toda se anula, po-
demos concluir que a matriz em quest ao n ao e inversvel - nesse caso,
nenhuma opera cao elementar igualaria essa linha a uma linha da matriz
identidade!
8. Se chegarmos à matriz identidade, entao a matriz ` a direita, no esquema,
sera a matriz inversa procurada.
Veja os dois exemplos a seguir:
CEDERJ
42
M
ODULO 1 - AULA 4
Exemplo 29
1. A =
_
_
3 1 2
1 0 3
4 2 5
_
_
. Escrevemos na forma esquem atica:
3 1 2 | 1 0 0
1 0 3 | 0 1 0
4 2 5 | 0 0 1
L
2
L
2
3 1 2 | 1 0 0
1 0 3 | 0 1 0
4 2 5 | 0 0 1
L
1
L
2
1 0 3 | 0 1 0
3 1 2 | 1 0 0
4 2 5 | 0 0 1
L
2
L
2
3L
1
L
3
L
3
4L
1
1 0 3 | 0 1 0
0 1 11 | 1 3 0
0 2 7 | 0 4 1 L
3
L
3
2L
2
1 0 3 | 0 1 0
0 1 11 | 1 3 0
0 0 15 | 2 2 1 L
3

1
15
L
3
1 0 3 | 0 1 0
0 1 11 | 1 3 0
0 0 1 | 2/15 2/15 1/15
L
1
L
1
+ 3L
3
L
2
L
2
11L
3
1 0 0 | 6/15 9/15 3/15
0 1 0 | 7/15 23/15 11/15
0 0 1 | 2/15 2/15 1/15
Logo, a matriz A e inversvel e A
1
=
1
15
_
_
6 9 3
7 23 11
2 2 1
_
_
. Voce
poder a vericar que essa e, realmente, a inversa de A, efetuando a
multiplica cao dela por A e constatando que o produto e I
3
.
2. A =
_
_
2 4 1
0 3 2
4 11 4
_
_
. Escrevendo na forma esquem atica:
2 4 1 | 1 0 0
0 3 2 | 0 1 0
4 11 4 | 0 0 1
L
1

1
2
L
1
43
CEDERJ
lgebra Linear 1
1 2 1/2 | 1/2 0 0
0 3 2 | 0 1 0
4 11 4 | 0 0 1 L
3
L
3
4L
1
1 2 1/2 | 1/2 0 0
0 3 2 | 0 1 0
0 3 2 | 2 0 1
L
2

1
3
L
2
1 2 1/2 | 1/2 0 0
0 1 2/3 | 0 1/3 0
0 3 2 | 2 0 1
L
1
L
1
2L
2
L
3
L
3
3L
2
1 2 1/2 | 1/2 0 0
0 1 2/3 | 0 1/3 0
0 0 0 | 2 1 1
Como a terceira linha se anulou, podemos parar o processo e concluir
que a matriz A nao e inversvel.
Propriedades da inversao de matrizes
1. Se A M
n
(R) e inversvel, ent ao (A
1
)
1
= A
De fato, como A
1
A = I
n
, temos que A e a inversa de A
1
.
2. Se A, B M
n
(R) sao inversveis, entao AB e inversvel e (AB)
1
=
B
1
A
1
.
De fato, temos (AB)(B
1
A
1
) = A(BB
1
)A
1
= AI
n
A
1
= AA
1
=
I
n
. Logo, B
1
A
1
e a inversa de AB.
3. Se A M
n
(R) e inversvel, ent ao (A
T
)
1
= (A
1
)
T
.
De fato, como A
T
(A
1
)
T
= (A
1
A)
T
= (I
n
)
T
= I
n
, temos que (A
1
)
T
e a inversa de A
T
.
Exemplo 30
Supondo as matrizes A e B inversveis, vamos obter a matriz X nas equa coes
abaixo:
1. AX = B
Multiplicando os dois membros da igualdade, ` a esquerda, por A
1
,
temos:
A
1
(AX) = A
1
B
CEDERJ
44
M
ODULO 1 - AULA 4
ou:
(A
1
A)X = A
1
B,
IX = A
1
B
Logo, X = A
1
B.
2. (AX)
T
= B
Temos:
(AX)
T
= B [(AX)
T
]
T
= B
T
AX = B
T
A
1
(AX) =
A
1
B
T
(A
1
A)X = A
1
B
T
IX = A
1
B
T
X = A
1
B
T
.
Para nalizar esta aula, vamos denir um tipo especial de matriz qua-
drada inversvel, que e aquela cuja inversa coincide com sua transposta.
Matrizes ortogonais
Dizemos que uma matriz A M
n
(R), inversvel, e ortogonal, quando
A
1
= A
T
.
Para vericar se uma matriz A e ortogonal, multiplicamos A por A
T
e
vemos se o produto e a identidade.
Exemplo 31
A matriz
_
1/2
3/2
3/2 1/2
_
e ortogonal. De fato, multiplicando essa matriz
pela sua transposta, temos:
_
1/2
3/2
3/2 1/2
__
1/2
3/2
3/2 1/2
_
=
_
1 0
0 1
_
Veremos mais tarde que as matrizes ortogonais representam um pa-
pel importante na representa cao de fun coes especiais, chamadas operadores
ortogonais. Chegaremos l a!!!!
Resumo
O ponto central desta aula e inverter matrizes, quando isso e possvel.
Como a deni cao, embora simples, n ao fornece um metodo pr atico para
a invers ao de matrizes, denimos as opera coes elementares, que permitem
passar, gradativamente, da matriz inicial, a ser invertida, para outras,
numa sucessao que nos leva ` a matriz identidade. Trata-se de um metodo
45
CEDERJ
lgebra Linear 1
r apido e eciente, que resolve tanto o problema de decidir se a inversa existe
ou n ao, como de obte-la, no caso de existir. Esse e o metodo implementado
pelos pacotescomputacionais - aqueles programas de computador que nos
dao, em quest ao de segundos, a inversa de uma matriz.
Exerccios
1. Em cada caso, verique se a matriz B e a inversa de A.
(a) A =
_
3 4
2 3
_
e B =
_
3 4
2 3
_
(b) A =
_
_
7 3 28
2 1 8
0 0 1
_
_
e B =
_
_
1 3 4
2 7 0
0 0 1
_
_
(c) A =
_
1 3
1 4
_
e B =
_
4 3
1 1
_
2. Dadas A =
_
3 1
5 2
_
e B =
_
4 7
1 2
_
, determine: A
1
, B
1
e (AB)
1
.
3. Supondo as matrizes A, B e C inversveis, determine X em cada equa cao.
(a) AXB = C
(b) AB = CX
(c) (AX)
1
B = BC
(d) [(AX)
1
B]
T
= C
4. Determine, caso exista, a inversa da matriz A, em cada caso:
(a) A =
_
3 2
1 4
_
(b) A =
_
_
1 2 3
10 6 10
4 5 2
_
_
(c) A =
_
_
2 0 0
4 1 0
2 3 1
_
_
CEDERJ
46
M
ODULO 1 - AULA 4
(d) A =
_
_
1 0 0 0
2 1 0 0
3 2 1 0
4 3 2 1
_
_
5. Que condi coes R deve satisfazer para que a matriz
_
_
1 1 1
2 1 2
1 2
_
_
seja inversvel?
Auto-avalia cao
Voce devera treinar bastante a aplica cao do metodo estudado. Fa ca
todos os exerccios e, se possvel, resolva outros mais - voce mesmo(a) poder a
criar matrizes a inverter e descobrir se sao ou n ao inversveis.

E facil, ao nal
do processo, vericar se a matriz obtida e, de fato, a inversa procurada (isto
e, se nao houve erros nas contas efetuadas): o produto dela pela matriz dada
tem que ser a identidade. Caso haja alguma d uvida, em rela cao ` a teoria ou
aos exerccios, entre em contato com o tutor da disciplina.
47
CEDERJ
lgebra Linear 1
1. (a) sim
(b) sim
(c) n ao
2. A
1
=
_
2 1
5 3
_
; B
1
=
_
2 7
1 4
_
; (AB)
1
=
_
39 23
22 13
_
.
3. (a) X = A
1
CB
1
(b) X = C
1
AB
(c) X = A
1
BC
1
B
1
(d) X = A
1
B(C
T
)
1
4. (a) A
1
=
_
2/7 1/7
1/14 3/14
_
(b) N ao existe a inversa de A
(c) A
1
=
_
_
1/2 0 0
2 1 0
7 3 1
_
_
(d) A
1
=
_
_
1 0 0 0
2 1 0 0
1 2 1 0
0 1 2 1
_
_
5. = 1
CEDERJ
48
Determinantes
M
ODULO 1 - AULA 5
Aula 5 Determinantes
Objetivo
Calcular determinantes pelo metodo da triangulariza cao.
Pre-requisitos: aulas 1 a 4.
Determinante e um n umero associado a uma matriz quadrada. Como
estamos lidando, neste curso, apenas com matrizes reais, os determinantes
que calcularemos ser ao todos n umeros reais. Os determinantes tem in umeras
aplica coes, na Matem atica e em outras areas. Veremos, por exemplo, que o
determinante fornece uma informa cao segura a respeito da inversibilidade ou
n ao de uma matriz. A enfase desta aula esta na aplica cao de um metodo
r apido para calcular determinantes, fazendo uso de algumas das suas pro-
priedades e de opera coes elementares, ja estudadas na aula 4. Antes, porem,
de nos convencermos de quanto o metodo que estudaremos e mais eciente
do que o uso direto da deni cao, vamos recordar a deni cao de determinante,
devida a Laplace.
Determinante
Dada uma matriz A = (a
ij
) M
n
(R), representamos o determinante
de A por det A ou escrevendo os elementos de A limitados por barras simples:
Se A =
_
_
a
11
a
12
... a
1n
a
21
a
22
... a
2n
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
a
n1,1
a
n1,2
... a
n1,n
a
n1
a
n2
... a
nn
_
_
,
representamos o determinante de A por:
det
_
_
a
11
a
12
... a
1n
a
21
a
22
... a
2n
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
a
n1,1
a
n1,2
... a
n1,n
a
n1
a
n2
... a
nn
_
_
ou
a
11
a
12
... a
1n
a
21
a
22
... a
2n
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
a
n1,1
a
n1,2
... a
n1,n
a
n1
a
n2
... a
nn
.
49
CEDERJ
lgebra Linear 1
Determinantes
A denicao de determinante e dada de maneira recorrente, em relacao
à ordem da matriz. Assim, denimos o determinante de ordem 1, a seguir,
o de ordem 2 e, a partir da ordem 3, recamos em calculos de determinantes
de ordens menores. Vamos ver como isso e feito:
Seja A = (a
ij
) M
n
(R).
n=1
Neste caso, A = [a
11
] e det A = a
11
.
n=2 Note que o determinante de
uma matriz de ordem 2 e a
diferenca entre o produto dos
termos da diagonal principal
e o produto dos termos da
diagonal secundaria. Esses
produtos se chamam, respec-
tivamente, termo principal e
termo secund ario da matriz.
Neste caso, A =
_
a
11
a
12
a
21
a
22
_
e seu determinante e dado por:
det A = a
11
a
22
a
12
a
21
Exemplo 32
Vamos calcular os determinantes das matrizes abaixo:
1. A =
_
3 4
6 8
_
det A = 3.8 4.6 = 24 24 = 0
2. A =
_
2 5
3 4
_
det A = 8 (15) = 23
3. A =
_
sen cos
cos sen
_
det A = sen
2
+ cos
2
= 1
4. A =
_
6 4
3 1
_
det A = 6 12 = 6
n=3
Seja A =
_
_
a
11
a
12
a
13
a
21
a
22
a
23
a
31
a
32
a
33
_
_
. Neste caso, escolhemos uma linha (ou
uma coluna) para desenvolver o determinante.
Desenvolvendo o determinante pela 1
a.
linha, obtemos:
det A = a
11
.(1)
1+1
.
a
22
a
23
a
32
a
33
+a
12
.(1)
1+2
.
a
21
a
23
a
31
a
33
+a
13
.(1)
1+3
.
a
21
a
22
a
31
a
32
.
CEDERJ
50
Determinantes
M
ODULO 1 - AULA 5
Exemplo 33
det
_
_
2 5 3
0 4 5
3 1 2
_
_
= 2(1)
1+1
4 5
1 2
+ 5(1)
1+2
0 5
3 2
+ (3)(1)
1+3
0 4
3 1
= 2(8 5) 5(0 15) 3(0 12) = 85 .

Observa cao: Existe uma regra pr atica para o c alculo do determinante de
ordem 3, conhecida como Regra de Sarrus. Ela arma que: Le-se Sarr.
a
11
a
12
a
13
a
21
a
22
a
23
a
31
a
32
a
33
=
= (a
11
a
22
a
33
+ a
12
a
23
a
31
+ a
13
a
21
a
32
) (a
13
a
22
a
31
+ a
11
a
23
a
32
+ a
12
a
21
a
33
).
Desenvolvendo os produtos indicados na deni cao de determinante de
ordem 3, voce poder a ver que as express oes coincidem.
Exemplo 34
Vamos calcular, novamente, o determinante do exemplo anterior, agora usando
a Regra de Sarrus:
2 5 3
0 4 5
3 1 2
= [2.4.(2)+(5.5.3)+(3.0.1)][(3.4.3)+(2.5.1)+(5.0.(2))] =
= (16 + 75) (36 + 10) = 85.
n=4
Seja A =
_
_
a
11
a
12
a
13
a
14
a
21
a
22
a
23
a
24
a
31
a
32
a
33
a
34
a
41
a
42
a
43
a
44
_
_
.
Desenvolvendo o determinante pela 1
a.
linha, obtemos:
51
CEDERJ
lgebra Linear 1
Determinantes
det A = a
11
.(1)
1+1
. det A
1,1
+
a
12
.(1)
1+2
. det A
1,2
+
a
13
.(1)
1+3
. det A
1,3
+
a
14
.(1)
1+4
. det A
1,4
,
onde A
i,j
representa a matriz obtida a partir de A, com a retirada da
i-esima linha e da j-esima coluna. Observe que recamos no c alculo de 4
determinantes, cada um de ordem 3.
Para n = 5, a deni cao e an aloga: iremos recair no c alculo de 5 de-
terminantes, cada um de ordem 4. Logo, teremos que calcular 5 4 = 20
determinantes de ordem 3. Como voce pode ver, os c alculos envolvidos na
Um determinante de ordem
10 exige a realizacao de
9.234.099 operacoes!
obtencao de determinantes crescem rapidamente, ` a medida que a ordem do
determinante aumenta.
Temos, entao, que encontar um metodo alternativo para calcular deter-
minantes: a deni cao n ao fornece uma sada r apida para isso. Antes, porem,
de estudarmos um metodo mais eciente para aplicar, usando as proprie-
dades dos determinantes e, mais uma vez, opera coes elementares, damos a
denicao do determinante de ordem n, desenvolvido pela i-esima linha:
det
_
_
a
11
a
12
... a
1n
a
21
a
22
... a
2n
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
a
n1,1
a
n1,2
... a
n1,n
a
n1
a
n2
... a
nn
_
_
=
n
j=1
a
ij
(1)
i+j
. det A
i,j
Propriedades dos determinantes
Na medida do possvel, daremos uma ideia da demonstra cao dessas pro-
priedades. Para vericar a validade de cada uma delas, precisaramos denir
determinantes pelo uso de permuta coes, o que alongaria demais a nossa aula.
Caso voce tenha interesse em conhecer essa abordagem, ira encontr a-la em
Algebra Linear e Aplica coes, de Carlos Callioli, Hygino Domingues e Roberto

Costa.
D1 O determinante de uma matriz e unico. Isto e, nao importa por qual
linha ou coluna o determinante seja desenvolvido, o resultado nal e sempre
o mesmo.
CEDERJ
52
Determinantes
M
ODULO 1 - AULA 5
D2 Dada A M
n
(R), det A = det A
T
Em palavras: o determinante da transposta e igual ao determinante da
matriz.
De fato, a express ao do determinante de A, desenvolvido pela i-esima
linha, coincidir a, termo a termo, com a express ao de det A
T
, desenvolvido
pela i-esima coluna.
D3 Se A M
n
(R) possui uma linha (ou uma coluna) nula, ent ao det A = 0.
De fato, basta desenvolver det A por essa linha (ou coluna) nula.
D4 Se escrevemos cada elemento de uma linha (ou coluna) de A M
n
(R)
como soma de 2 parcelas, ent ao det A e a soma de dois determinantes de
ordem n, cada um considerando como elemento daquela linha (ou coluna)
uma das parcelas, e repetindo as demais linhas (ou colunas).
D5 O determinante de uma matriz triangular e o seu termo principal. Lembrando: o termo princi-
pal de uma matriz quadrada
e o produto dos elementos de
sua diagonal principal.
D6 Se multiplicamos uma linha (ou coluna) de A M
n
(R) por um n umero
real , o determinante de A ca multiplicado por .
D7 Se permutamos duas linhas (ou colunas) de A M
n
(R), ent ao o deter-
minante de A ca multiplicado por 1.
D8 Se A M
n
(R) tem duas linhas (ou colunas) iguais entao det A = 0.
D9 Se A M
n
(R) possui uma linha (ou coluna) que e soma de m ultiplos de
outras linhas (ou colunas), ent ao det A = 0.
D10 Se somamos a uma linha (ou coluna) de A M
n
(R) um m ultiplo de
outra linha (ou coluna), o determinante de A n ao se altera.
D11 Se A, B M
n
(R), ent ao det(AB) = det A. det B.
D12 Se A M
n
(R) e inversvel, ent ao det A
1
= (det A)
1
.
De fato, se A e inversvel, existe A
1
tal que A.A
1
= I.
Entao det(A.A
1
) = det I.
Pela propriedade D11, det A. det A
1
= det I, e pela propriedade D5,
temos que det I = 1. Logo, det A
1
=
1
det A
= (det A)
1
.
Uma conclus ao importante pode ser tirada a partir da propriedade D12:
uma matriz e inversvel se, e somente se, seu determinante e diferente de zero.
Destaquemos esse resultado:
Seja A M
n
(R).
A e inversvel det A = 0
53
CEDERJ
lgebra Linear 1
Determinantes
D13 Se A M
n
(R) e ortogonal, ent ao det A
1
= 1 ou 1.
De fato, se A e ortogonal, A
1
= A
T
. Pela propriedade D2, det A =
det A
T
= det A
1
. Entao, pela propriedade D12, det A. det A
1
= 1
det A. det A
T
= 1 det A. det A = 1 (det A)
2
= 1 det A = 1.
Calculo de determinantes por triangulariza cao
Observe o que diz a propriedade D5. Calcular o determinante de uma
matriz triangular e, praticamente, imediato. Dado um determinante, a ideia,
entao, e aplicar opera coes elementares sobre suas linhas, de modo a triangula-
riza-lo. Para isso, temos que observar os efeitos que cada opera cao elementar
pode ou n ao causar no valor do determinante procurado. Vejamos:
1. Permutar duas linhas.
Pela propriedade D7, essa opera cao troca o sinal do determinante.
2. Multiplicar uma linha por um n umero real nao nulo.
A propriedade D6 nos diz que essa opera cao multiplica o determinante
por .
3. Somar a uma linha um m ultiplo de outra.
Pela propriedade D10, essa opera cao n ao altera o determinante.
Diante disso, para triangularizar um determinante, basta que quemos
atentos para compensarpossveis altera coes provocadas pelas opera coes ele-
mentares utilizadas. Vamos a um exemplo.
Exemplo 35
Calcular, por triangulariza cao, det
_
_
2 5 1 3
0 1 4 2
6 2 5 1
1 3 3 0
_
_
.
2 5 1 3
0 1 4 2
6 2 5 1
1 3 3 0
L
1
L
4
=
1 3 3 0
0 1 4 2
6 2 5 1
2 5 1 3
L
3
L
3
6L
1
L
4
L
4
2L
1
=
=
1 3 3 0
0 1 4 2
0 20 23 1
0 1 7 3
L
3
L
3
20L
2
L
4
L
4
L
2
=
1 3 3 0
0 1 4 2
0 0 57 39
0 0 3 1
L
3
1/57L
3
=
CEDERJ
54
Determinantes
M
ODULO 1 - AULA 5
= (57)
1 3 3 0
0 1 4 2
0 0 1 39/57
0 0 3 1
L
4
L
4
3L
3
= (57)
1 3 3 0
0 1 4 2
0 0 1 39/57
0 0 0 20/19
=
= (57).1.(1).1.(20/19) = 60.
Observa c oes.
1. N ao h a uma unica maneira de se triangularizar um determinante: as
opera coes elementares escolhidas podem diferir, mas o resultado e unico.
2. O metodo de triangulariza cao e algortmico, ou seja, e constitudo de
um n umero nito de passos simples: a cada coluna, da primeira ` a
pen ultima, devemos obter zeros nas posi coes abaixo da diagonal prin-
cipal.
Calcule o determinante do pr oximo exemplo e compare com a nossa
resolucao: dicilmente voce optar a pela mesma seq uencia de opera coes ele-
mentares, mas (se todos tivermos acertado!) o resultado ser a o mesmo.
Exemplo 36
Vamos calcular
2 4 8
5 4 6
3 0 2
por triangulariza cao:
2 4 8
5 4 6
3 0 2
L
1
1
2
L
1
= 2
1 2 4
5 4 6
3 0 2
L
2
L
2
5L
1
L
3
L
3
+3L
1
=
= 2
1 2 4
0 14 14
0 6 14
L
2
1
14
L
2
= 2.14
1 2 4
0 1 1
0 6 14
L
3
L
3
+6L
2
=
= 2.14
1 2 4
0 1 1
0 0 8
= 2.14.1.1.8 = 224.
Exemplo 37
Vamos aplicar as propriedades estudadas nesta aula para dar os determinan-
tes de A
T
, A
1
e 3A, sabendo que A e uma matriz quadrada inversvel de
ordem 2 e que det A = D.
1. det A
T
= D, pois o determinante da matriz transposta e igual ao de-
terminante da matriz dada.
55
CEDERJ
lgebra Linear 1
Determinantes
2. det A
1
=
1
D
, pois o determinante da matriz inversa e o inverso do
determinante da matriz dada.
3. det 3A = 3
2
D = 9D, pois A possui 2 linhas e cada linha multiplicada
por 3 implica multiplicar o determinante por 3.
Exemplo 38
Determine x tal que
2x x + 2
4 x
= 14
Temos 2x.x(4)(x+2) = 14 2x
2
+4x6 = 0 x = 1 ou x = 3.
Exemplo 39
Determine x para que a matriz A =
_
x 1
20 x x
_
seja inversvel.
Sabemos que A e inversvel se, e somente se, det A = 0. Queremos,
entao, x
2
(20 x) = 0 x
2
+ x 20 = 0 x = 4 e x = 5.
Resumo
Nesta aula recordamos a deni cao de determinante e vimos que n ao
se trata de um metodo pr atico para calcular determinantes de ordens al-
tas. Vimos as propriedades dos determinantes e, com o uso de quatro delas,
pudemos facilitar o c alculo de determinantes, aplicando opera coes elementa-
res e transformandoo determinante original num triangular. Tal metodo,
chamado triangulariza cao, permite que determinantes de ordens altas sejam
obtidos sem que tenhamos que recair numa seq uencia enorme de determinan-
tes de ordens menores a serem calculados. Veja que esta aula nao apresentou
nenhuma grande novidade em termos de teoria: foi uma aula mais pr atica,
que apresentou uma tecnica util de calculo.
Exerccios
1. Calcule, por triangulariza cao, os seguintes determinantes:
a)
3 2 4
1 0 2
5 6 2
b)
2 3 1 7
2 3 0 4
1 5 4 3
2 4 5 0
c)
10 2 6
2 1 6
5 4 2
CEDERJ
56
Determinantes
M
ODULO 1 - AULA 5
2. Dada A M
n
(R), tal que det A = D, determine:
a) det A
T
b) det A
1
c) det 2A
3. Seja det A =
_
_
a b c
d e f
g h i
_
_
= 10. Calcule, usando as propriedades dos
determinantes:
a)
a b c
d e f
g h i
b)
a b c
g h i
d e f
c)
a b c
d/2 e/2 f/2
g h i
d)
a d g
b e h
c f i
e)
2a 2b 2c
g h i
d e f
f)
a b c
g + d h + e i + f
d e f
4. Calcule x para que
x + 2 2 x
4 0 5
6 2x x
= 14
5. Sejam A, B M
n
(R) tais que det A = 4 e det B = 5. Determine:
a) det AB
b) det 3A
c) det(AB)
1
d) det(A)
e) det A
1
B
6. Determine x para que a matriz A =
_
x x + 2
1 x
_
seja inversvel.
57
CEDERJ
lgebra Linear 1
Determinantes
Auto-avalia cao
Voce deve estar bem treinado para calcular determinantes pelo metodo
da triangulariza cao. Veja que se trata de um calculo ingrato: n ao h a como
vericar se estamos certos, a n ao ser refazendo e comparando os resultados.
Por isso, embora se trate de uma tecnica simples, algortmica, exige aten cao.
Caso voce tenha sentido d uvidas, procure o tutor da disciplina.
1. a) 84 b)1.099 c) 266
2. a)D b)1/D c)2
n
.D
3. a) 10 b) 10 c)5 d)10 e) 20 f)10
4. x = 1 ou x =
23
9
5. Sejam A, B M
n
(R) tais que det A = 4 e det B = 5. Determine:
a) det AB = det A. det B = 4 5 = 20
b) det 3A = 3
4
. det A = 3
n
4 = 4.3
n
c) det(AB)
1
= [det(AB)]
1
= 20
1
= 1/20
d) det(A) = (1)
n
4 (ser a 4, se n for par e -4, se n for mpar)
e) det A
1
B = det A
1
. det B = 1/4 5 = 5/4
6. x = 1 e x = 2
CEDERJ
58
Sistemas Lineares
M
ODULO 1 - AULA 6
Aula 6 Sistemas Lineares
Objetivo
Resolver e classicar sistemas lineares, usando o metodo do escalonamento. Pre-requisitos: aulas 1 a 4.
Grande parte dos problemas estudados em

Algebra Linear recaem na
resolu cao ou discussao de sistemas de equa coes lineares. O mesmo acon-
tece com muitos problemas das demais areas da Matem atica, da Fsica e
da Engenharia. Voce, com certeza, ja tomou conhecimento de diferentes
tecnicas de resolu cao desses sistemas - substitui cao, adi cao, compara cao, en-
tre outras. Nesta aula e na pr oxima estudaremos um metodo que permite
um tratamento eciente de sistemas de equa coes lineares, seja para obter
seu conjunto-solucao, seja para classic a-lo ou mesmo para impor condi coes
quanto ` a existencia ou quantidade de solu coes.
Equacoes lineares
Uma equa cao linear e uma equa cao do tipo
Uma equacao e uma
sentenca matematica aberta,
isto e, com variaveis, onde
duas expressoes sao ligadas
pelo sinal =.
Ex: 2x 1 = 0; x
2
2x = 6
etc.
a
1
x
1
+ a
2
x
2
+ ... + a
n
x
n
= b
Isto e, trata-se de uma equacao na qual cada termo tem grau, no
m aximo, igual a 1. Os elementos de uma equa cao linear s ao:
O grau de um termo - ou
monomio - e a soma dos
expoentes das variaveis.
Ex: xy tem grau 2; x
2
y
3
tem
grau 5; 16 tem grau zero.
vari aveis (ou inc ognitas): x
1
, ..., x
n
coecientes: a
1
, ..., a
n
R
termo independente: b R
Exemplo 40
S ao equa coes lineares:
3x
1
2x
2
+ 17 = 0
2x 3y + 4z = 1
4a 5b + 4c d = 10
59
CEDERJ
lgebra Linear 1
Sistemas Lineares
x = 2
Sao equa coes n ao-lineares:
x
2
5x + 6 = 0
3xy x + 4 = 0
2
x 3y = 1
3
x
9 = 0
Uma solucao de uma equa cao com n vari aveis e uma n-upla ordenada de
n umeros reais os quais, quando substitudos no lugar das vari aveis respectivas
na equa cao, fornecem uma sentenca matematica verdadeira.
Resolver uma equa cao e encontrar o conjunto de todas as suas solu coes,
chamado conjunto-solucao da equa cao.
Exemplo 41
1. O par ordenado (3, 2) e uma solu cao da equa cao (n ao linear) x
2
4y = 1,
pois 3
2
4(2) = 9 8 = 1.
2. O conjunto-solu cao da equa cao linear 3x 1 = 5 e {2}.
3. A equa cao linear x + y = 10 possui innitas solu coes. Os pares orde-
nados (2, 8), (3, 13), (0, 10), (1/5, 49/5) s ao apenas algumas delas.
Sistemas de equa coes lineares
Um sistema de equa coes lineares (ou, simplesmente, um sistema linear)
e um conjunto de equa coes lineares que devem ser resolvidas simultanea-
mente. Isto e, uma solucao do sistema e solu cao de cada equa cao linear que
o comp oe. Resolver um sistema de equa coes lineares e determinar o conjunto
formado por todas as suas solu coes, chamado conjunto-solucao do sistema.
Um sistema linear, com m equa coes e n incognitas, tem a seguinte
forma:
_
_
a
11
x
1
+ a
12
x
2
+ ... + a
1n
x
n
= b
1
a
21
x
1
+ a
22
x
2
+ ... + a
2n
x
n
= b
2
.
.
.
a
m1
x
1
+ a
m2
x
2
+ ... + a
mn
x
n
= b
m
CEDERJ
60
Sistemas Lineares
M
ODULO 1 - AULA 6
Exemplo 42
Sao sistemas de equa coes lineares:
_
2x y = 3
4x + 5y = 0
_
_
x + 2y 3z = 1
2x + 5y z = 5
3x 6y = 10
4x y + 2z = 1
_
_
2a 3b = 1
a + b = 5
5a 2b = 8
_
x
1
2x
2
+ 5x
3
= 0
2x
1
+ x
2
= 2
Classica cao de um sistema linear quanto à solu cao
Um sistema linear pode ter ou n ao solu cao. Se tem solucao, pode ter
uma s o ou mais de uma. Podemos, ent ao, classicar um sistema linear,
quanto ` a existencia e quantidade de solu coes, em tres tipos:
Compatvel (ou possvel) e determinado: quando possui uma unica
solucao.
Compatvel e indeterminado: quando possui mais de uma solu cao.
Incompatvel (ou impossvel): quando n ao possui solu cao.
Podemos pensar num sistema de equacoes lineares como sendo um con-
junto de perguntas a responder (qual o valor de cada inc ognita?). Cada
equa cao fornece uma informa cao, uma dicaa respeito dessas inc ognitas. Se
tivermos informa coes coerentes e em quantidade suciente, encontraremos
uma solucao, que ser a unica. Se essas informa coes forem coerentes entre si,
mas em quantidade insuciente, nao conseguiremos determinar, uma-a-uma,
cada solucao, mas poderemos caracterizar o conjunto delas. Finalmente, se
as informa coes n ao forem coerentes entre si, ou seja, se forem incompatveis,
o sistema n ao ter a solu cao. Resolver um sistema e um
pouco como brincar de dete-
tive...
Exemplo 43
Sem ter que aplicar regras de resolu cao, podemos ver que
1. O sistema
_
x + y = 3
x y = 1
possui uma unica solucao: o par (2, 1);
2. O sistema
_
x + y = 3
2x + 2y = 6
possui mais de uma solu cao;
os pares (1, 2), (0, 3), (3, 0), (2, 1), (3/2, 3/2) s ao algumas delas;
3. O sistema
_
x + y = 3
x + y = 4
nao possui solu cao (A soma de dois n umeros
reais e unica!).
61
CEDERJ
lgebra Linear 1
Sistemas Lineares
Sistemas lineares homogeneos
Dizemos que um sistema linear e homogeneo quando os termos inde-
pendentes de todas as equa coes que o comp oem s ao iguais a zero.
Exemplo 44
Sao sistemas lineares homogeneos:
_
2x 3y = 0
x + 5y = 0
_
3x
1
x
2
+ 7x
3
= 0
x
1
2x
2
+ 3x
3
= 0
_
_
2x 5y = 0
x + 5y = 0
x + 4y = 0
Observe que um sistema linear homogeneo em n incognitas sempre
admite a solucao
(0, 0, ..., 0)
. .
n elementos,
chamada solucao trivial. Logo, um sistema linear homogeneo e sempre com-
A solucao trivial tambem e
conhecida como solucao nula
ou ainda solucao impr opria.
patvel. Quando e determinado, possui somente a solu cao trivial. Quando
e indeterminado, possui outras solu coes, alem da trivial, chamadas (obvia-
mente!) solu coes n ao-triviais.
Ja e hora de resolvermos sistemas lineares. Dissemos, no incio da
aula, que faramos isso usando um metodo eciente. Esse metodo lida com
matrizes asociadas ao sistema a ser tratado. Vamos, ent ao, caracterizar essas
matrizes.
Matrizes associadas a um sistema linear
Dado um sistema linear com m equa coes e n incognitas:
_
_
a
11
x
1
+ a
12
x
2
+ ... + a
1n
x
n
= b
1
a
21
x
1
+ a
22
x
2
+ ... + a
2n
x
n
= b
2
.
.
.
a
m1
x
1
+ a
m2
x
2
+ ... + a
mn
x
n
= b
m
destacamos as seguintes matrizes:
CEDERJ
62
Sistemas Lineares
M
ODULO 1 - AULA 6
matriz (mn) dos coecientes:
_
_
a
11
a
12
... a
1n
a
21
a
22
... a
2n
.
.
.
.
.
.
.
.
.
.
.
.
a
m1
a
m2
... a
mn
_
_
matriz (ou vetor) (m1) dos termos independentes:
_
_
b
1
b
2
.
.
.
b
m
_
_
matriz aumentada (ou ampliada) (m(n + 1)) do sistema:
_
_
a
11
a
12
... a
1n
b
1
a
21
a
22
... a
2n
b
2
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
a
m1
a
m2
... a
mn
b
m
_
_
Exemplo 45
O sistema linear
_
_
2x 3y + 4z = 18
x + y 2z = 5
x + 3z = 4
possui
matriz de coecientes: matriz de termos independentes: matriz aumentada:
_
_
2 3 4
1 1 2
1 0 3
_
_
_
_
18
5
4
_
_
_
_
2 3 4 18
1 1 2 5
1 0 3 4
_
_
Resolu cao de sistemas lineares por escalonamento
Observe o sistema linear a seguir:
_
_
2x +y z = 3
+3y +z = 1
2z = 4
Note que, para resolve-lo, basta:
63
CEDERJ
lgebra Linear 1
Sistemas Lineares
determinar o valor de z na terceira equa cao
substituir o valor de z na segunda equa cao e obter y
substituir y e z na primeira equa cao e obter x
num processo chamado metodo das substitui coes regressivas.
A resolu cao do sistema cou bastante facilitada. Vejamos a matriz
aumentada desse sistema:
_
_
2 1 1 3
0 3 1 1
0 0 2 4
_
_
Observe que, a partir da segunda linha, o n umero de zeros iniciais sem-
pre aumenta. Quando isso acontece, dizemos que a matriz esta escalonada.
Sistemas com matrizes associadas na forma escalonada podem ser resolvidos
pelo metodo das substitui coes regressivas, como vimos acima. O problema,
entao, e:
Dado um sistema linear, como transformar sua matriz associada em
uma escalonada?
E como fazer isso sem alterar seu conjunto-solu cao?
Dizemos que dois sistemas lineares s ao equivalentes quando possuem o
mesmo conjunto-solu cao. Nosso objetivo, portanto, e migrar de um sistema
para outro que lhe seja equivalente, e de resolu cao mais simples.
Nos j a estudamos, na aula 4, as opera coes elementares que podemos
efetuar sobre as linhas de uma matriz. Vamos recordar quais sao elas:
1. Permutar duas linhas.
Nota cao: L
i
L
j
2. Multiplicar uma linha por um n umero real nao nulo.
Nota cao: L
i
L
i
3. Somar a uma linha um m ultiplo de uma outra.
Neste caso, dizemos que L
j
e
a linha piv o.
Nota cao: L
i
L
i
+ L
j
Pode-se mostrar que:
Voce pode encontrar essas
passagens, em detalhes, no
livro

Algebra Linear e
Aplica c os, de Collioli,
Domingues e Costa, da
Atual Editora.
Seja S um sistema linear com matriz aumentada A. Se aplicamos às
linhas de A opera c oes elementares, obtemos uma matriz A
, tal que o sistema

linear S
, de matriz aumentada A
, e equivalente a S.
CEDERJ
64
Sistemas Lineares
M
ODULO 1 - AULA 6
A ideia, ent ao e: dado um sistema S de matriz aumentada A, aplicar
opera coes elementares às linhas de A, obtendo uma matriz escalonada A
, e
resolver o sistema associado S
, conforme mostra o esquema a seguir:

Sistema linear S
equivalentes
Sistema linear S

matriz A
opera coes elementares
matriz escalonada A
Vamos ver uma serie de exemplos para voce se familiarizar com o

metodo. Em vez de, simplesmente, ler o exemplo, efetue cada opera cao
elementar indicada, para depois comparar com a matriz apresentada na
seq uencia:
Exemplo 46
Vamos resolver, por escalonamento, o sistema linear
S :
_
_
x +2y +5z = 28
2x +3y z = 1
4y +z = 13
Vamos escrever a matriz aumentada desse sistema:
A =
_
_
1 2 5 28
2 3 1 1
0 4 1 13
_
_
Vamos obter zerosna primeira coluna, da segunda linha em diante.
Para isso, aplicaremos a terceira opera cao elementar, usando a primeira linha
como pivo. Note que, neste caso, como o elemento da terceira linha j a e zero,
precisamos apenas obter zero na segunda linha. Para isso, vamos multiplicar
a primeira linha por 2 e somar o resultado com a segunda linha:
_
_
1 2 5 28
2 3 1 1
0 4 1 13
_
_
L
2
L
2
2L
1

_
_
1 2 5 28
0 1 11 57
0 4 1 13
_
_
Passemos, agora, para a segunda coluna (n ao usaremos mais a primeira
linha - ela est a pronta). Queremos obter zero abaixo da segunda linha.
Para isso, multiplicamos a segunda linha por 4 e somamos ` a terceira:
_
_
1 2 5 28
0 1 11 57
0 4 1 13
_
_
L
3
L
3
+ 4L
2

_
_
1 2 5 28
0 1 11 57
0 0 43 215
_
_
65
CEDERJ
lgebra Linear 1
Sistemas Lineares
Pronto: a matriz est a escalonada. Vamos, agora, escrever o sistema S
,
associado a ela:
S
:
_
_
x +2y +5z = 28
y 11z = 57
43z = 215
Da terceira equa cao, obtemos z = (215)/(43) = 5.
Substituindo na segunda, obtemos y = 2.
Finalmente, substituindo os valores j a obtidos na primeira equa cao,
temos x = 1.
Como S
e S sao sistemas lineares equivalentes, essa tambem e a solu cao

do sistema S dado. Logo, o conjunto-solu cao procurado e {(1, 2, 5)}. Alem
disso, podemos classicar o sistema S: ele e compatvel e determinado.
Exemplo 47
Vamos resolver o sistema linear:
S :
_
_
2x +y +5z = 1
x +3y +4z = 7
5y z = 15
x +2y +3z = 8
Sua matriz aumentada e:
_
_
2 1 5 1
1 3 4 7
0 5 1 15
1 2 3 8
_
_
Voce deve ter notado que, quando o elemento na linha pivo, na coluna
em que estamos trabalhando, e 1 (ou -1), os c alculos cam facilitados. Ent ao,
vamos aproveitar o fato de ter 1 na primeira posi cao da segunda linha, e
permutar as linhas 1 e 2:
_
_
2 1 5 1
1 3 4 7
0 5 1 15
1 2 3 8
_
_
L
1
L
2

_
_
1 3 4 7
2 1 5 1
0 5 1 15
1 2 3 8
_
_
Vamos obter zeros na primeira coluna, abaixo da primeira linha, usando
a primeira linha como pivo:
CEDERJ
66
Sistemas Lineares
M
ODULO 1 - AULA 6
_
_
1 3 4 7
2 1 5 1
0 5 1 15
1 2 3 8
_
_
L
2
L
2
2L
1

L
4
L
4
+ L
1
_
_
1 3 4 7
0 5 3 15
0 5 1 15
0 5 7 15
_
_
Passemos para a segunda coluna. Para obter 1 na posi cao piv o, dividi-
mos toda a segunda linha por -5:
_
_
1 3 4 7
0 5 3 15
0 5 1 15
0 5 7 15
_
_
L
2
1/5L
2

_
_
1 3 4 7
0 1 3/5 3
0 5 1 15
0 5 7 15
_
_
Agora, usando a linha 2 como liha piv o, vamos obter zeros na segunda
coluna, abaixo da segunda linha:
_
_
1 3 4 7
0 1 3/5 3
0 5 1 15
0 5 7 15
_
L
3
L
3
5L
2
L
4
L
4
5L
2
_
_
1 3 4 7
0 1 3/5 3
0 0 4 0
0 0 4 0
_
_
Para nalizar o escalonamento, precisamos obter tres zeros inicias na
quarta linha, ou seja, obter um zero na posi cao i = 4, j = 3. Nas passagens
acima, usamos a segunda opera cao elementar par obter 1 na posi cao piv o e,
com isso, ter os c alculos facilitados na obten cao dos zeros. Devemos, porem,
estar atentos ` a posssveis vantagens que um sistema em particular pode ofere-
cer. Neste exemplo, se simplesmente somarmos a linha 3 ` a linha 4, j a obtere-
mos o zero procurado:
_
_
1 3 4 7
0 1 3/5 3
0 0 4 0
0 0 4 0
_
L
4
L
4
+ L
3
_
_
1 3 4 7
0 1 3/5 3
0 0 4 0
0 0 0 0
_
_
A matriz est a escalonada. Vamos escrever o sistema associado:
S
:
_
_
x +3y +4z = 7
y +3z/5 = 3
4z = 0
Resolvendo por substitui coes regressivas, obtemos: z = 0, y = 3, x =
2. Logo, o sistema S e compatvel e determinado e seu conjunto-solucao e
{(2, 3, 0)}.
Exemplo 48
Vamos resolver o sistema linear S :
_
_
3a +2b +c +2d = 3
a 3c +2d = 1
a +5b +4c = 4
Acompanhe a seq uencia de opera coes elementares que aplicremos para
67
CEDERJ
lgebra Linear 1
Sistemas Lineares
escalonar a matriz aumentada de S:
_
_
3 2 1 2 3
1 0 3 2 1
1 5 4 0 4
_
_
L
1
L
3
_
1 0 3 2 1
3 2 1 2 3
1 5 4 0 4
_
_ L
2
L
2
3L
1

L
3
L
3
+ L
1
_
1 0 3 2 1
0 2 10 4 6
0 5 1 2 3
_
_
L
2
1/2L
2

_
_
1 0 3 2 1
0 1 5 2 3
0 5 1 2 3
_
L
3
L
3
5L
2
_
1 0 3 2 1
0 1 5 2 3
0 0 24 12 12
_
_
S
:
_
_
a 3c +2d = 1
b +5c 2d = 3
24c +12d = 12
Na terceira equa cao, vamos escrever d em funcao de c : d = 1 + 2c.
Substituindo na segunda equa cao, obtemos b = 1c. E na primeira equa cao:
a = 1 c. Temos, neste caso, um sistema compatvel, porem indeterminado:
ele possui innitas solu coes.
Fazendo c = k, seu conjunto-solucao e {(1k, 1k, k, 1+2k); k R}.
Exemplo 49
Vamos resolver o sistema S :
_
_
2x +y 3z = 3
x y +z = 1
3x +3y 7z = 2
_
_
2 1 3 3
1 1 1 1
3 3 7 2
_
_
L
1
L
2
_
1 1 1 1
2 1 3 3
3 3 7 2
_
_ L
2
L
2
2L
1

L
3
L
3
3L
1
_
1 1 1 1
0 3 5 1
0 6 10 1
_
_
L
3
L
3
2L
2
_
_
1 1 1 1
0 3 5 1
0 0 0 3
_
_
Observe que, ao escrever o sistema associado a essa matriz, a terceira
equa cao ser a: 0x+0y+0z = 3, ou seja, 0 = 3, o que e falso, para quaisquer
valores de x, y e z. Logo, o sistema S e impossvel e seu conjunto-solucao e
.
Exemplo 50
Vamos resolver o sistema linear homogeneo S :
_
_
a b +c = 0
a +b = 0
2b c = 0
_
_
1 1 1 0
1 1 0 0
0 2 1 0
_
_ L
2
L
2
L
1
_
_
1 1 1 0
0 2 1 0
0 2 1 0
_
_
L
3
L
3
L
2
CEDERJ
68
Sistemas Lineares
M
ODULO 1 - AULA 6
_
_
1 1 1 0
0 2 1 0
0 0 0 0
_
_
S
:
_
a b +c = 0
2b c = 0
O sistema e compatvel (TODO SISTEMA HOMOG
ENEO

E COM-
PAT
IVEL!!) e indeterminado. Resolvendo a segunda equa cao para c, substi-

tuindo na primeira, e fazendo b = k, voce poder a conferir que o conjunto-
solucao e {(k, k, 2k)k R}.
Resumo
Nesta aula estudamos o metodo de escalonamento para resolver e clas-
sicar sistemas lineares. Trata-se de um metodo seguro, que revelaa estru-
tura do sistema, explicitando as redund ancias ou incongruencias das equa coes.
Apos o escalonamento, as equa coes que nao acrescentam informa cao ao sis-
tema, tem seus termos todos anulados e auqelas que sao incompatveis com as
demais se transformam numa senten ca matematica falsa (algo como 0 = a,
com a diferente de zero). Continuaremos a usar esse metodo, na pr oxima
aula, para discutir sistemas lineares, isto e, para impor ou identicar condi coes
sobre seu conjunto-solucao.
69
CEDERJ
lgebra Linear 1
Sistemas Lineares
Exerccios
1. (Prov ao - MEC - 2001)
O n umero de solucoes do sistema de equa coes
_
_
x +y z = 1
2x +2y 2z = 2
5x +5y 5z = 7
e (A) 0 (B) 1 (C) 2 (D) 3 (E) innito
2. Classique e resolva os seguintes sistemas lineares:
a)
_
_
2x y = 7
3x +4y = 13
x +2y = 1
b)
_
_
3x y = 1
2y 5z = 11
z t = 1
x +y +z +t = 10
c)
_
2a b c = 4
a +b 2c = 1
d)
_
_
2x +y z = 6
x y +3z = 21
3x +2z = 15
e)
_
_
x y = 3
2x +3y = 16
x +2y = 9
5x 4y = 17
f)
_
_
x y = 3
2x +3y = 16
x +2y = 8
5x 4y = 17
g)
_
_
3x y +z = 0
x +y 2z = 0
5x 3y +4z = 0
h)
_
_
a +2b = 0
3a b = 0
5a +3b = 0
Auto-avalia cao
Nao se preocupe se voce ainda hesita sobre qual opera cao linear usar,
no processo de escalonamento. A familiariza cao vem com a pr atica. Se
necessario, refa ca os exemplos e exerccios. Se sentir d uvidas, procure a
tutoria. Os sistemas lineares aparecer ao ao longo de todo o curso e e bom
que voce esteja agil no processo de escalonamento, para n ao perder muito
tempo com eles!!
CEDERJ
70
Sistemas Lineares
M
ODULO 1 - AULA 6
1. (A) 0 (Ao escalonar, conclumos que o sistema e incompatvel)
2. a) Sistema compatvel determinado. Conjunto-solucao = {(3, 1)}
b) Sistema compatvel determinado. Conjunto-solucao = {(1, 2, 3, 4)}
c) Sistema compatvel indeterminado.
Conjunto-solucao = {(1 + k, 2 + k, k); k R}
d) Sistema compatvel indeterminado.
Conjunto-solucao = {(5 2k/3, 16 + 7k/3, k); k R}
e) Sistema compatvel determinado. Conjunto-solucao = {(5, 2)}
f) Sistema incompatvel. Conjunto-solucao =
g) Sistema compatvel indeterminado.
Conjunto-solucao = {(k/4, 7k/4, k); k R}.
h) Sistema compatvel determinado. Conjunto-solucao = {(0, 0)}
71
CEDERJ
Discussao de Sistemas Lineares
M
ODULO 1 - AULA 7
Aula 7 Discussao de Sistemas Lineares
Objetivo
Discutir sistemas lineares, usando o metodo do escalonamento. Pre-requisito: aula 6.
Discutir um sistema e analisar sob quais condi coes ele admite solu coes
e, quando estas existem, quantas s ao. Na aula passada vimos que, ao nal do
processo de escalonamento da matriz associada a um sistema linear, excluindo
as equa coes do tipo 0 = 0, chegamos a uma entre tres situacoes possveis:
1. Existe alguma equa cao do tipo 0 = a, com a = 0. Isto e, uma equa cao
impossvel de ser satisfeita.
Nesse caso, o sistema e incompatvel e, portanto, seu conjunto solu cao
e vazio.
2. N ao h a equa coes impossveis mas obtemos uma quantidade de equa coes
menor do que o n umero de incognitas.
Nesse caso, o sistema e compatvel e indeterminado e seu conjunto-
solucao admite innitas solu coes.
Pode-se provar que um
sistema linear que possui
mais de uma solucao possui,
de fato, innitas solucoes.
Note que o mesmo pode nao
ocorrer com um sistema nao
linear. Por exemplo, o
sistema
(
x y = 0
x
2
= 4
possui exatamente duas
solucoes, a saber, os pares
ordenados (2, 2) e (2, 2).
3. N ao h a equa coes impossveis e obtemos uma quantidade de equa coes
igual ao de inc ognitas.
Nesse caso, o sistema e compatvel e determinado e seu conjunto-
solucao e unit ario.
Nesta aula, iremos analisar sistemas lineares segundo os valores assu-
midos por par ametros presentes nas equa coes, assim como impor valores a
esses parametros para que uma desejada situa cao ocorra.
A seguir, para formalizar os procedimentos explorados ao longo dos
exerccios, deniremos a caracterstica de uma matriz e apresentaremos o
Teorema de Rouche-Capelli.
Finalmente, veremos a Regra de Cramer, que se aplica a sistemas line-
ares com quantidade de equa coes igual ` a de inc ognitas.
Acompanhe os exemplos a seguir.
Exemplo 51
Vamos discutir o o sistema
_
_
x + y + z = 6
x + 2y z = 4
x + 3z = a
, segundo os valores do
73
CEDERJ
lgebra Linear 1
par ametro a.
Escalonando sua matriz aumentada, obtemos:
_
_
1 1 1 | 6
1 2 1 | 4
1 0 3 | a
_
_

_
_
1 1 1 | 6
0 1 2 | 10
0 1 2 | a 6
_
_

_
_
1 1 1 | 6
0 1 2 | 10
0 0 0 | a 16
_
_
Assim, o sistema dado e equivalente ao sistema
_
_
x + y + z = 6
y 2z = 10
0 = a 16
,
cuja terceira equa cao s o ser a satisfeita se o segundo membro tambem for igual
a zero. Logo, temos:
a = 16 sistema incompatvel.
a = 16 sistema compatvel e indeterminado, pois possui tres incognitas
e apenas duas equa coes.
Exemplo 52
Vamos discutir o sistema
_
x + ay = 2
ax + 2ay = 4
.
Temos:
_
1 a | 2
a 2a | 4
_

_
1 a | 2
0 2a a
2
| 4 2a
_
.
Vamos determinar os valores de a para os quais o primeiro lado da se-
gunda equa cao se anula:
2a a
2
= 0 a(2 a) = 0 a = 0 ou a = 2. Ent ao h a as seguintes
possibilidades:
a = 0 o sistema ca
_
x = 2
0 = 4
incompatvel.
a = 2 o sistema ca
_
x + 2y = 2
0 = 0
compatvel e indeterminado.
a = 0 e a = 2 o sistema ca
_
x + ay = 2
by = c
, com b = 2a a
2
=
0 e c = 4 2a compatvel e indeterminado.
CEDERJ
74
M
ODULO 1 - AULA 7
Exemplo 53
Vamos analisar o sistema
_
_
x + y + z = 0
x + 2y + kz = 2
kx + 2y + z = 2
par ametro k:
_
_
1 1 1 | 0
1 2 k | 2
k 2 1 | 2
_
_

_
_
1 1 1 | 0
0 1 k 1 | 2
0 2 k 1 k | 2
_
_
1 1 1 | 0
0 1 k 1 | 2
0 2 k (1 k) (k 1)(2 k) | 2 2(2 k)
_
_
1 1 1 | 0
0 1 k 1 | 2
0 0 (k 1)(k 3) | 2(k 3)
_
_
.
Da, temos (k1)(k3) = 0 k = 1 ou k = 3. H a, ent ao, as seguintes
possibilidades:
k = 1
_
_
x + y + z = 0
y = 2
0 = 4
sistema incompatvel.
k = 3
_
_
x + y + z = 0
y + 2z = 2
0 = 0
sistema compatvel e indeterminado.
k = 1 e k = 3
_
_
x + y + z = 0
y + az = 2
b = c
, com a = k 1,
b = (k 1)(k 3) = 0 e c = 2(k 3) sistema compatvel e determi-
nado.
Exemplo 54
Vamos determinar para que valores de a e b o sistema
_
_
x y + z = a
2x y + 3z = 2
x + y + bz = 0
admite innitas solu coes. Temos:
_
_
1 1 1 | a
2 1 3 | 2
1 1 b | 0
_
_

_
_
1 1 1 | a
0 1 1 | 2 2a
0 2 b 1 | a
_
_

_
_
1 1 1 | a
0 1 1 | 2 2a
0 0 b 3 | 3a 4
_
_
.
Para que o sistema admita innitas solu coes (isto e, seja compatvel e
indeterminado), devemos ter b 3 = 0 e 3a 4 = 0. Isto e, b = 3 e a = 4/3.
75
CEDERJ
lgebra Linear 1
Exemplo 55
Que condi coes a, b e c devem satisfazer para que o sistema
_
_
3x 2y = a
4x + y = b
x = c
admita solu cao?
Solu cao:
_
_
3 2 | a
4 1 | b
1 0 | c
_
_

_
_
1 0 | c
4 1 | b
3 2 | a
_
_

_
_
1 0 | c
0 1 | b 4c
0 2 | a 3c
_
_

_
_
1 0 | c
0 1 | b 4c
0 0 | (a 3c) + 2(b 4c)
_
_
.
Logo, o sistema ter a solu cao apenas se (a 3c) + 2(b 4c) = 0, isto e,
se a + 2b 11c = 0.
Exemplo 56
Vamos discutir o sistema homogeneo
_
x + 2y = 0
3x + ky = 0
, segundo o par ametro
k.
Temos:
_
1 2 | 0
3 k | 0
_

_
1 2 | 0
0 k 6 | 0
_
.
Entao:
k = 6 sistema compatvel e indeterminado.
k = 6 sistema compatvel e indeterminado.
Vamos, agora, formalizar o procedimento que vimos adotando para re-
solver e discutir sistemas lineares. Para isso, precisamos da seguinte denicao:
Caracterstica de uma matriz
Na aula 4 vimos que, ao passar de uma matriz para outra, por meio de
uma seq uencia de opera coes elementares, denimos uma rela cao de equiva-
lencia no conjunto dessas matrizes. Assim, se podemos obter a matriz B, a
partir da matriz A, pela aplica cao de uma seq uencia de opera coes elementa-
res, dizemos que A e B sao matrizes equivalentes. Nos exemplos anteriores
usamos esse fato e indicamos que A e B sao equivalentes escrevendo A B
(ou B A).
Seja A uma matriz qualquer e A
uma matriz escalonada, equivalente

a A. Chamamos de caracterstica de A, e indicamos por c(A), ao n umero de
linhas n ao nulas de A
.
CEDERJ
76
M
ODULO 1 - AULA 7
Exemplo 57
1. Seja A =
_
1 5
2 3
_
. Ent ao A
=
_
1 5
0 7
_
e c(A) = 2.
2. Se A =
_
_
2 5 1
2 3 0
6 13 2
_
_
, entao A
=
_
_
2 5 1
0 2 1
0 0 0
_
_
e c(A) = 2.
3. Sendo A =
_
_
1 1 1 1
2 2 2 2
5 5 5 5
_
_
, temos A
=
_
_
1 1 1 1
0 0 0 0
0 0 0 0
_
_
e c(A) = 1.
O raciocnio que usamos para resolver ou classicar os sistemas lineares
se constitui num resultado conhecido como Teorema de Rouche-Capelli. Nos
o enunciamos a seguir.
Teorema 2 (Teorema de Rouche-Capelli)
Seja um sistema linear S de representacao matricial AX = b, com A M
mn
.
Indiquemos por A|b a matriz aumentada de S. Entao S sera compatvel se,
e somente se, c(A) = c(A|b). Quando for compatvel, ser a determinado se
c(A) = n e indetermindado, se c(A) < n.
Quando um sistema linear S : AX = b possui n umero de equa coes
igual ao n umero de incognitas, a matriz A e quadrada e podemos calcular
seu determinante, que vamos representar por D. Neste caso, vale o seguinte
teorema:
As demonstracoes dos
teoremas de Rouche-Capelli
e de Cramer podem ser
encontradas, por exemplo,
em Fundamentos de
Matem atica Elementar, vol.
4, dos autores Gelson Iezzi e
Samuel Hazzan, editado pela
Atual.
Teorema 3 (Teorema de Cramer)
Seja S um sistema linear com n umero de equa coes igual ao de inc ognitas.
Se D = 0 ent ao o sistema e compatvel e determinado e sua unica solucao
(
1
,
2
, ...,
n
) e dada por
i
=
D
i
D
, i = 1, ..., n,
onde D
i
e o determinante da matriz que se obtem, a partir de A, substituindo-
se a i-esima coluna pela coluna dos termos independentes do sistema.
Quando D = 0 (isto e, quando a matriz A e inversvel), o sistema e
chamado sistema de Cramer.
Exemplo 58
Seja o sistema
_
_
x + 2y 3z = 15
2x y + z = 10
3x z = 1
.
77
CEDERJ
lgebra Linear 1
Temos D =
1 2 3
2 1 1
3 0 1
= 2 = 0. Logo, o sistema tem solu cao unica.

Vamos determinar essa solucao.
D
1
=
15 2 3
10 1 1
1 0 1
= 4
D
2
=
1 15 3
2 10 1
3 1 1
= 2
D
3
=
1 2 15
2 1 10
3 0 1
= 10.
Logo,
x =
D
1
D
=
4
2
= 2, y =
D
2
D
=
2
2
= 1, z =
D
3
D
=
10
2
= 5
Portanto, a unica solucao do sistema e (2, 1, 5).
Do teorema de Cramer, podemos concluir que:
D = 0 sistema compatvel determinado.
D = 0 sistema incompatvel ou compatvel indeterminado.
Ja vimos que um sistema linear homogeneo sempre admite solu cao, isto
e, e sempre compatvel. No caso particular de S ser homogeneo, podemos
concluir, ent ao, que:
D = 0 sistema compatvel determinado.
D = 0 sistema compatvel indeterminado.
Exemplo 59
Vamos discutir o sistema
_
ax + 2ay = 0
4x + ay = 12
, usando o teorema de Cramer.
Sabemos que se D =
a 2
4 a
= 0, o sistema tem solucao unica. Assim,

os valores de a para os quais D = 0 tornam o sistema indeterminado ou
impossvel. Esses valores s ao:
D = 0 a
2
8a = 0 a(a 8) = 0 a = 0 ou a = 8.
CEDERJ
78
M
ODULO 1 - AULA 7
Se a = 0, o sistema ca:
_
0 = 0
4x = 12
x = 3 e y pode assumir
qualquer valor real. Logo, o sistema admite innitas solu coes.
Se a = 8, o sistema ca:
_
8x + 16y = 0
4x + 8y = 12
. Escalonando, obtemos
o sistema
_
4x + 8y = 12
0 = 24
, que e incompatvel.
Resumindo, temos:
a = 0 e a = 8 sistema compatvel e determinado.
a = 0 sistema compatvel indeterminado.
a = 8 sistema incompatvel.
Exemplo 60
Vamos determinar o valor de k para o qual o sistema
_
_
x y z = 0
2x + ky + z = 0
x 2y 2z = 0
admite solu cao pr opria.
Trata-se de um sistema homogeneo, de matriz de coecientes quadrada.
Pelo teorema de Cramer, para que existam solu coes n ao-triviais (ou seja, para
que o sistema seja indeterminado), o determinante dessa matriz deve ser igual
a zero. Isto e,
1 1 1
2 k 1
1 2 2
= 0 k = 1.
Resumo
Esta foi uma aula pr atica: discutimos sistemas lineares usando os re-
sultados dos teoremas de Rouche-Capelli e de Cramer. Note que a regra de
Cramer s o se aplica a sistemas lineares cuja matriz dos coecientes e qua-
drada e inversvel. (Voce se lembra? Uma matriz quadrada e inversvel se, e
somente se, seu determinante e diferente de zero.) Com esta aula, encerramos
a parte introdut oria do curso. Voce aplicar a os conceitos e tecnicas vistos ate
aqui ao longo das pr oximas aulas. A partir da aula 8, voce estar a em contato
com os conceitos da

Algebra Linear, propriamende dita. Seja bem-vindo!!!
79
CEDERJ
lgebra Linear 1
Exerccios
1. (Prov ao - MEC - 1998)
O sistema
_
ax + 3y = a
3x + ay = a
nao tem solu cao se e s o se
(A) a = 3 (B) a = 3 (C) a = 0 (D) a = 3 (E) a = 3
2. Discuta o sistema
_
x + ky = 2
kx + y = 2
, segundo os valores de k.
3. Para que valores de mo sistema
_
_
x + y + mz = 2
3x + 4y + 2z = m
2x + 3y + z = 1
admite solu cao?
4. Determine os valores de a e b que tornam o sistema
_
_
3x 7y = a
x + y = b
x + 2y = a + b 1
5x + 3y = 5a + 2b
compatvel e determinado. Em seguida, resolva o sistema.
5. Determine os valores de a e b que tornam o sistema
_
6x + ay = 12
4x + 4y = b
indeterminado.
6. Discuta o sistema
_
_
mx + y z = 4
x + my + z = 0
x y = 2
7. Para que valores de k o sistema
_
_
x + ky + 2z = 0
2x + my 4z = 0
x 3y kz = 0
admite
solucoes n ao triviais (ou seja, e indeterminado)?
8. Determine k, para que o sistema
_
_
4x + 3y = 2
5x 4y = 0
2x y = k
admita solu cao.
9. Encontre os valores de p R tais que o sistema homogeneo
_
_
2x 5y + 2z = 0
x + y + z = 0
2x + pz = 0
tenha solu coes distintas da solu cao trivial.
CEDERJ
80
M
ODULO 1 - AULA 7
10. Que condi coes a e b devem satisfazer para que o sistema abaixo seja de
Cramer?
_
ax + by = 0
a
2
x + b
2
y = 0
Auto-avalia cao
Embora a teoria usada resolver e discutir sistemas lineares seja simples
e pouca extensa, cada sistema e um sistema! Quanto mais exerccios voce
puder resolver, melhor ser a, no sentido de deix a-lo mais seguro e r apido nesse
tipo de opera cao. Se possvel, consulte outros livros de

Algebra Linear para
obter mais op coes de exerccios. E nao deixe de trazer suas d uvidas para o
tutor da disciplina.
1. (E) a = 3
2. k = 1 e k = 1 sistema compatvel e determinado;
k = 1 sistema compatvel e indeterminado;
k = 1 sistema incompatvel.
3. Para m = 1. Neste caso, o sistema e compatvel e determinado.
4. a = 2, b = 4; {(3, 1)}
5. a = 6 e b = 8
6. m = 1 sistema compatvel e determinado;
m = 1 sistema incompatvel.
7. k = 2 ou k = 0
8. k = 6
9. p = 2
10. ab = 0 e a = b
81
CEDERJ
Espacos Vetoriais
M
ODULO 2 - AULA 8
Aula 8 Espa cos Vetoriais
Objetivos
Denir espa cos vetoriais, e estudar alguns dos principais exemplos dessa es-
trutura.
Identicar propriedades dos espa cos vetoriais.
Introdu cao
Imagine um conjunto V onde seja possvel somar elementos e multipli-
car os elementos por n umeros reais, e que o resultado dessas opera coes esteja
no conjunto V . Imagine ainda que essas operacoes tem boaspropriedades,
aquelas que estamos acostumados a usar quando somamos e quando multi-
plicamos por n umeros reais:
podemos somar os elementos trocando a ordem, ou agrupando-os como
quisermos, sem que o resultado seja alterado;
existe um elemento que quando somado a outro resulta sempre nesse
outro;
feita uma soma, e possvel desfaze-la com uma subtra cao, e todo ele-
mento de V pode ser subtrado de outro;
multiplicar por um n ao faz efeito;
multiplicar seguidamente por v arios reais e o mesmo que multiplicar
pelo produto deles;
multiplicar o resultado de uma soma por um n umero real e o mesmo
que multiplicar cada parcela e depois somar;
multiplicar por um elemento de V uma soma de reais e o mesmo que
multiplicar cada real pelo elemento em questao e depois somar os re-
sultados.
Existem varios conjuntos onde a adicao e a multiplica cao por n umeros
reais que fazemos usualmente gozam dessas propriedades. Os conjuntos R,
R
2
e R
3
sao exemplos. Os conjuntos de matrizes de mesma ordem (M
23
(R),
M
34
(R) etc.) tambem sao exemplos (veja aula 3). Na verdade, h a mui-
tos exemplos de conjuntos com essa mesma estrutura. Chamamos a esses
conjuntos, munidos dessas opera coes com as propriedades acima de espacos
vetoriais.
83
CEDERJ
Espa cos Vetoriais
A vantagem de se estudar os espa cos vetoriais de forma mais abstrata,
como faremos a partir de agora, e que estaremos estudando propriedades e
leis que s ao v alidas em qualquer espa co vetorial, em particular nos exemplos
que acabamos de destacar. Ou seja, veremos o que existe de comum entre
conjuntos de matrizes, R, R
2
, R
3
e varios outros espa cos vetoriais.
Denicao de espaco vetorial
Considere um conjunto V no qual est ao denidas duas opera coes: uma
adicao, que a cada par de elementos u e v de V associa um elemento u + v
de V , chamado soma de u e v, e uma multiplica cao por escalar, que a cada
n umero real e a cada elemento v de V associa um elemento v de V ,
chamado produto de por v. Dizemos que o conjunto V munido dessas
opera coes e um espaco vetorial real (ou um espaco vetorial sobre R, ou ainda,
um R-espaco vetorial) se sao satisfeitas as seguintes condicoes, para todos os
elementos de V , aqui designados pelas letras u, v e w, e todos os n umeros
reais, aqui designados pelas letras e :
u + v = v + u (comutatividade);
u + (v + w) = (u + v) + w (associatividade);
existe um elemento em V , que designaremos por e, que satisfaz v+e = v
para qualquer v em V (existencia de elemento neutro para a adi cao);
para cada v V , existe um elemento de V , que designaremos por
v, que satisfaz v + (v) = e (existencia de inverso aditivo, tambem
chamado de simetrico ou oposto);
(v) = ()v (associatividade);
( + )v = v + v (distributividade);
(u + v) = u + v (distributividade);
1 v = v (multiplica cao por 1).
De acordo com essa denicao, podemos concluir que nao sao espa cos
vetoriais o conjunto N dos n umeros naturais, e o conjunto Z dos n umeros
inteiros, para come car. Em nenhum dos dois, por exemplo, a opera cao mul-
tiplica cao por escalar est a bem denida: ao multiplicar um n umero inteiro
nao nulo por
2, que e um n umero real, a resposta certamente n ao ser a um

n umero inteiro.
CEDERJ
84
Espacos Vetoriais
M
ODULO 2 - AULA 8
Isso nos diz que alguns dos conjuntos que conhecemos n ao s ao espa cos
vetoriais. Para nos certicarmos que um determinado conjunto e de fato um
espa co vetorial, e necessario vericar se as opera coes estao bem denidas, e
se valem todas as condi coes da deni cao! Qualquer uma que n ao se verique
indica que o conjunto em quest ao n ao e um espaco vetorial.
Exemplos de espa cos vetoriais
Para vericar se um conjunto e ou n ao um exemplo de espaco vetorial,
partimos do princpio que no conjunto dos n umeros reais a adicao e a mul-
tiplica cao tem todas as propriedades dadas na deni cao de espa co vetorial
(na verdade, estaremos usando o fato de que R e um Corpo, que e uma outra
estrutura estudada nos cursos de algebra). S ao v arios os exemplos de espa cos
vetoriais. Listamos alguns deles a seguir.
1. R
2
e R
3
Provaremos que R
2
e espaco vetorial, sendo que a prova para R
3
e
an aloga. Aqui as opera coes consideradas s ao as usuais, ou seja, aquelas
que estamos acostumados a fazer: se (x
1
, x
2
) e (y
2
, y
2
) sao elementos
de R
2
, e e um n umero real, (x
1
, x
2
) + (y
1
, y
2
) = (x
1
+ y
1
, x
2
+ y
2
) e
(x
1
, x
2
) = (x
1
, x
2
).
Considere u = (x
1
, x
2
), v = (y
1
, y
2
) e w = (z
1
, z
2
), todos em R
2
, e
n umeros reais. Entao temos:
u + v = (x
1
+ y
1
, x
2
+ y
2
) = (y
1
+ x
1
, y
2
+ x
2
) = u + v;
u+(v +w) = (x
1
+(y
1
+z
1
), x
2
+(y
2
+z
2
)) = ((x
1
+y
1
) +z
1
, (x
2
+
y
2
) + z
2
) = (u + v) + w;
o par e = (0, 0) satisfaz u + e = (x
1
+ 0, x
2
+ 0) = (x
1
, x
2
) = u;
tomando u = (x
1
, x
2
), temos u+(u) = (x
1
x
1
, x
2
x
2
) =
(0, 0) = e;
(u) = (x
1
, x
2
) = (x
1
, x
2
) = ()u;
( + )u = (( + )x
1
, ( + )x
2
) = (x
1
+ x
1
, x
2
+ x
2
) =
u + u;
(u+v) = (x
1
+y
1
, x
2
+y
2
) = ((x
1
+y
1
), (x
2
+y
2
)) = (x
1
+
y
1
, x
2
+ y
2
) = u + v;
1u = (1x
1
, 1x
2
) = (x
1
, x
2
) = u.
85
CEDERJ
Espa cos Vetoriais
2. R
n
, com n natural n ao nulo qualquer
O conjunto R
n
e formado pelas n-uplas (le-se enuplas) de n umeros
reais:
R
n
= {(x
1
, x
2
, . . . , x
n
) : x
1
, x
2
, . . . , x
n
R} .
Em R
n
, as opera coes usuais s ao denidas da seguinte maneira: consi-
derando u = (x
1
, x
2
, . . . , x
n
) e v = (y
1
, y
2
, . . . , y
n
) elementos de R
n
,
e em R, temos u + v = (x
1
+ y
1
, x
2
+ y
2
, . . . , x
n
+ y
n
) e u =
(x
1
, x
2
, . . . , x
n
). A prova de que R
n
e um espaco vetorial e an aloga
às provas para R
2
e R
3
, que sao casos particulares onde se considera
n = 2 e n = 3.
3. M
nm
(R)
Ja vimos na aula 3 que o conjunto M
nm
(R) com as opera coes denidas
na aula 2, satisfazem a todas as condi coes dadas na deni cao de espa co
vetorial real.
4. C
Aqui apenas recordaremos as opera coes de soma e produto por esca-
lar no conjunto dos n umeros complexos (conceitos vistos no curso de
Pre-Calculo), deixando a prova como exerccio. Considere os n umeros
complexos z
1
= a
1
+ b
1
i e z
2
= a
2
+ b
2
i, e o n umero real . Temos
entao z
1
+ z
2
= (a
1
+ a
2
) + (b
1
+ b
2
)i e z
1
= a + b
1
i.
5. Polin omios de grau n (n natural n ao nulo), com coecientes reais, a
uma vari avel, acrescidos do polinomio nulo O grau do polinomio nulo nao
esta denido.
Os polin omios s ao muito estudados em diversos ramos da

Algebra. Os
conjuntos de polinomios de grau n (acrescidos do polin omio nulo),
para os diversos valores de n, tem estrutura muito rica (no sentido da
quantidade de opera coes e propriedades que s ao v alidas nesses conjun-
tos), e o fato de serem espa cos vetoriais e apenas uma de suas carac-
tersticas. Vamos fazer a prova para o conjunto dos polinomios de grau
2, sendo que a prova para o caso geral e inteiramente analoga.
Usaremos a nota cao P
2
(t, R) para indicar o conjunto dos polin omios de
grau 2 a uma vari avel t, com coecientes reais, acrescido do polin omio
nulo. Nesse caso,
P
2
(t, R) = {at
2
+ bt + c : a, b, c R}.
CEDERJ
86
Espacos Vetoriais
M
ODULO 2 - AULA 8
A expressao grau 2 e traduzida matematicamente pelo fato de que
a pode ser qualquer n umero real, inclusive zero: caso a seja 0, e b = 0,
o polin omio em quest ao tem grau 1. Para o polin omio nulo, temos
a = b = c = 0.
Lembre-se de que um polinomio e um objeto abstrato, ao trabalhar
com uma expressao do tipo 2t
2
+ t + 1 n ao estamos interessados em
encontrar t(nem seria possvel, pois n ao se trata de uma equa cao).
No nosso curso estaremos interessados em somar tais express oes, ou
multiplica-las por escalares, obtendo outras do mesmo tipo. Para isso,
sejam p
1
= a
1
t
2
+ b
1
t + c
1
e p
2
= a
2
t
2
+ b
2
t + c
2
elementos de P
2
(t, R),
e R. Ent ao
p
1
+ p
2
= (a
1
+ a
2
)t
2
+ (b
1
+ b
2
)t + (c
1
+ c
2
),
p
1
= a
1
t
2
+ b
1
+ c
1
.
Vamos ` as propriedades das opera coes:
p
1
+ p
2
= (a
1
+ a
2
)t
2
+ (b
1
+ b
2
)t + (c
1
+ c
2
) = (a
2
+ a
1
)t
2
+ (b
2
+
b
1
)t + (c
2
+ c
1
) = p
2
+ p
1
;
p
1
+(p
2
+p
3
) = (a
1
+(a
2
+a
3
))t
2
+(b
1
+(b
2
+b
3
))t+(c
1
+(c
2
+c
3
)) =
((a
1
+a
2
)+a
3
)t
2
+((b
1
+b
2
)+b
3
)t+((c
1
+c
2
)+c
3
) = (p
1
+p
2
)+p
3
;
o polin omio 0 = 0t
2
+ 0t + 0 satisfaz p
1
+ 0 = (a
1
+ 0)t
2
+ (b
1
+
0)t + (c
1
+ 0) = a
1
t
2
+ b
1
t + c
1
;
tomando p
1
= (a
1
)t
2
+ (b
1
)t + (c
1
), temos p
1
+ (p
1
) =
(a
1
a
1
)t
2
+ (b
1
b
1
)t + (c
1
c
1
) = 0t
2
+ 0t + 0 = 0;
(p
1
) = (a
1
t
2
+b
1
t+c
1
) = a
1
t
2
+b
1
t+c
1
= ()p
1
;
(+)p
1
= (+)a
1
t
2
+(+)b
1
t +(+)c
1
= a
1
t
2
+a
1
t
2
+
b
1
t + b
1
t + c
1
+ c
1
= p
1
+ p
1
;
(p
1
+ p
2
) = (a
1
+ a
2
)t
2
+ (b
1
+ b
2
)t + (c
1
+ c
2
) = a
1
t
2
+
a
2
t
2
+ b
1
t + b
2
t + c
1
+ c
2
= p
1
+ p
2
;
1p
1
= 1a
1
t
2
+ 1b
1
t + 1c
1
= a
1
t
2
+ b
1
t + c
1
= p
1
.
O conjunto dos polin omios de grau exatamente 2 nao e um espaco ve-
torial. De fato, a soma n ao est a bem denida nesse conjunto: somando
t
2
+ t + 1 e t
2
+ 2t 3, que tem grau 2, obtemos o polin omio 3t 2,
que tem grau 1.
87
CEDERJ
Espa cos Vetoriais
6. Polin omios de qualquer grau, com coecientes reais, a uma variavel
Considerando o conjunto de todos os polin omios a uma vari avel, com
coecientes reais, as opera coes soma e produto por escalar usuais
(analogas ` as que denimos para P
2
(t, R)) estao bem denidas e sa-
tisfazem a todas as propriedades que caracterizam os espacos vetoriais,
tratando-se, portanto, de um exemplo de espa co vetorial.
Observa coes: Os elementos de um espa co vetorial sao chamados
vetores. O elemento neutro da soma e chamado vetor nulo, e denotado por
0 ou

0. Note que, segundo essa conven cao, vetores podem ser polin omios,
matrizes, etc, e o smbolo 0 ser a usado tambem para matrizes nulas, n-uplas
de zeros, etc.
Veremos ao longo deste m odulo que muitos dos conceitos aplic aveis aos
antigos vetores (como m odulo, angulo, etc) tambem fazem sentido para os
vetores da forma que estamos denindo agora.
Propriedades dos espacos vetoriais
Vamos considerar um espaco vetorial V , e usar as letras u, v e w para
designar elementos desse espa co. Usaremos as letras gregas (, , , etc) para
designar n umeros reais. Para facilitar as referencias futuras ` as propriedades,
vamos numera-las.
1. Existe um unico vetor nulo em V , que e o elemento neutro da adi cao.
Em todos os exemplos que listamos na ultima aula, e bastante claro que
existe apenas um elemento neutro em cada espa co, mas existem varios
outros espa cos vetoriais que n ao vimos ainda. Vamos ent ao provar
que a existencia de um unico elemento neutro e um fato que decorre
apenas da deni cao de espa co vetorial (e, portanto, vale em qualquer
um). Vamos ent ao provar essa propriedade, e todas as outras, usando
a deni cao e as propriedades que j a tenhamos provado.
Ja sabemos da deni cao que existe um elemento neutro no espa co V .
Suponhamos que 0 e 0
sejam elementos neutros de V , e vamos mostrar

que 0 = 0
.
De fato, temos que ter 0 + 0
= 0
, pois 0 e elemento neutro, mas

tambem temos 0 + 0
= 0, pois 0
tambem e elemento neutro. Logo

tem-se 0 = 0
.
CEDERJ
88
Espacos Vetoriais
M
ODULO 2 - AULA 8
2. Para cada v V , existe um unico simetrico v V .
De novo, suponhamos que algum v de V admitisse dois simetricos, v
e v
. Nesse caso, teramos

v + (v) = v + (v
),
pois os dois lados da igualdade resultam no vetor nulo. Somando (v)
aos dois membros, obtemos
(v) + (v + (v)) = (v) + (v + (v
)).
Pela associatividade da soma, podemos escrever
((v) + v) + (v) = ((v) + v) + (v
).
Usando o fato de que v e simetrico de v, e 0 e o elemento neutro da
soma, obtemos
0 + (v) = 0 + (v
)
v = v
.
3. Se u + w = v + w entao u = v.
Somando w aos dois membros da equa cao u + w = v + w, obtemos
(u + w) + (w) = (v + w) + (w).
Pela associatividade da soma e pelo fato de que w e o simetrico de w
e 0 e o neutro da soma, obtemos
u + (w + (w)) = v + (w + (w))
u +0 = v +0
u = v.
4. (v) = v (ou seja, o simetrico do vetor v e o vetor v).
Como o simetrico de um vetor qualquer de V e unico (propriedade 2),
e como v + (v) = 0, entao o simetrico de v so pode ser v.
89
CEDERJ
Espa cos Vetoriais
5. Fixados u e v em V , existe uma unica solucao para a equa cao u+x = v.
Somando u aos dois membros da equa cao u + x = v, obtemos
(u) + (u + x) = (u) + v
((u) + u) + x = (u) + v
0 + x = (u) + v
x = (u) + v,
ou seja, a equa cao u + x = v tem pelo menos uma solucao, que e
(u) + v. Supondo que x e x
sejam solucoes da referida equacao, ou

seja, que u + x = v e u + x
= v, teremos
u + x = u + x
,
e, pela propriedade 3,
x = x
.
6. Se v V satisfaz v +v = v, entao v = 0 (s o o elemento neutro satisfaz
a essa equa cao).
Note que, se v +v = v, entao v e solucao da equa cao v +x = v. Como
0 tambem e solucao, visto que v + 0 = v, pela propriedade anterior,
tem-se v = 0.
7. 0v = 0
Basta vericar que, pela propriedade distributiva,
0v + 0v = (0 + 0)v = 0v.
Pela propriedade anterior, 0v = 0.
8. 0 = 0, qualquer que seja o real considerado.
De novo usando a propriedade distributiva da adi cao, e o fato de que
0 +0 = 0, temos
0 = (0 +0) = 0 + 0.
Pela propriedade 6, 0 = 0
9. Se v = 0 entao = 0 ou v = 0
Note que essa propriedade nos diz que a equa coes das propriedades 7
e 8 representam as unicas formas de obter o vetor nulo como produto
CEDERJ
90
Espacos Vetoriais
M
ODULO 2 - AULA 8
de escalar por vetor. Para prova-la, vamos supor que v = 0 e = 0
(o caso = 0 j a nos d a a conclus ao desejada). Nesse caso, podemos
multiplicar os dois membros da igualdade v = 0 por
1
, obtendo
1
(v) =
1
0.
Usando a propriedade associativa da multiplicacao por escalar, e a pro-
priedade 8, obtemos
(
1
)v = 0
1v = 0
v = 0
onde a ultima passagem utiliza a propriedade da multiplica cao por 1
dos espa cos vetoriais.
10. (1)v = v
Como 1v = v, podemos escrever
(1)v + v = (1)v + 1v = (1 + 1)v = 0v = 0,
considerando a propriedade distributiva e a propriedade 7. Da, con-
clumos que (1)v e o simetrico de v, ou seja, (1)v = v.
11. ()v = (v) = (v)
Na prova dessa propriedade, deixaremos como exerccio a identica cao
das propriedades utilizadas em cada passagem. Siga o raciocnio das
provas das propriedades anteriores.
()v + v = ( + )v = 0v = 0,
portanto ()v = (v).
(v) + v = (v + v) = 0 = 0,
portanto (v) = (v).
Com essas propriedades que demonstramos, podemos concluir que grande
parte das contas que fazemos com vetores de R
2
e R
3
sao v alidas em qualquer
espa co vetorial.
A partir de agora, escreveremos u v no lugar de u + (v), u +v + w
no lugar de u + (v + w) ou (u + v) + w e v no lugar de (v) ou ()v.
91
CEDERJ
Espa cos Vetoriais
Exerccios
1. Verdadeiro ou falso? Justique!
a- O conjunto Q dos n umeros racionais e um espaco vetorial real.
b- O conjunto Q
2
= {(a, b) : a, b Q}, com as opera coes usuais, e
um espaco vetorial real.
c- O conjunto unit ario {0}, com as opera coes usuais, e um espaco
vetorial real.
d- R
+
= {x R : x > 0} com as opera coes usuais nao e espaco
vetorial real.
e- O conjunto dos n umeros complexos com parte real n ao negativa e
um espaco vetorial real.
2. Mostre que R
3
com as opera coes usuais e um espaco vetorial real (siga
os passos da demonstra cao para R
2
feita no exemplo 1).
3. Mostre que C
2
= {(z
1
, z
2
) : z
1
, z
2
C} e um espaco vetorial real, com
as opera coes denidas abaixo:
Adi cao: (z
1
, z
2
) + (z
1
, z
2
) = (z
1
+ z
1
, z
2
+ z
2
)
Multiplica cao por escalar: (z
1
, z
2
) = (z
1
, z
2
)
onde (z
1
, z
2
) e (z
1
, z
2
) sao elementos de C
2
e R.
4. Mostre que, no conjunto A = {0, 1}, as opera coes denidas abaixo sa-
tisfazem a todas as condi coes da deni cao de espa co vetorial real, exceto
à lei associativa para a multiplica cao por escalar e ` as leis distributivas.
Adi cao: 0 0 = 0, 0 1 = 1, 1 0 = 1 e 1 1 = 0
Multiplica cao por escalar: x = x se > 0 e x = 0 se 0,
onde R e x A.
5. Tambem denem-se espacos vetoriais sobre o conjunto dos n umeros
racionais (o corpo dos racionais), apenas fazendo com que a opera cao
multiplica cao por escalar considere apenas escalares racionais, e man-
tendo o restante da denicao inalterado. Mostre que o conjunto Q
2
e
um espaco vetorial sobre os racionais.
CEDERJ
92
Espacos Vetoriais
M
ODULO 2 - AULA 8
Auto-avalia cao
O conte udo desta aula envolve conceitos muito abstratos. Para obter
alguma seguran ca nesses conceitos, talvez seja necess ario reler v arias vezes
algumas partes. N ao se preocupe se voce nao conseguiu fazer alguns dos
exerccios de imediato, retorne a esta aula depois de estudar a pr oxima,
que trata dos Subespa cos Vetoriais, e voce estar a mais familiarizado com os
conceitos aqui apresentados.
1. a- Falso.
b- Falso.
c- Verdadeiro.
d- Verdadeiro.
e- Falso.
93
CEDERJ
Subespa cos vetoriais
M
ODULO 2 - AULA 9
Aula 9 Subespa cos vetoriais
Objetivos
Pre-requisito: Aula 8.
Caracterizar subespacos vetoriais;
Identicar subespacos vetoriais, demonstrando que atende ` as condi coes de
subespa co.
Introdu cao
Nesta aula veremos um tipo muito importante de subconjuntos de
espa cos vetoriais: os subespa cos vetoriais. Nem todo subconjunto S de um
espa co vetorial V e um seu subespaco: e necessario que o subconjunto em
questao tenha a mesma estrutura de V , como estabelece a deni cao a seguir.
Denicao
Considere um espaco vetorial V . Um subconjunto S de V e dito um
subespa co vetorial de V se S for um espa co vetorial com respeito às mesmas
opera coes que tornam V um espaco vetorial.
Como primeira conseq uencia dessa denicao, um subespaco vetorial S
deve ser nao vazio, j a que uma das condi coes que devem ser satisfeitas para
que S seja um subespa co vetorial de V e a existencia em S de um elemento
neutro para a adi cao de vetores: com isso, obrigatoriamente 0 S.
De acordo tambem com a denicao acima, para vericar se um dado
subconjunto S de um espa co vetorial V e um subespaco vetorial de V , deve-
se checar se as opera coes de adi cao e multiplica cao por escalar est ao bem
denidas em S, e se elas satisfazem a todas as condi coes dadas na deni cao
de espa co vetorial.
Se observarmos melhor, no entanto, veremos que n ao e necessario ve-
ricar cada uma das condi coes: uma vez que a adicao em S esteja bem
denida (ou seja, que a soma de dois elementos quaisquer de S seja tambem
um elemento de S), ela n ao deixara de ser comutativa (por exemplo) apenas
porque estamos considerando elementos de S, pois a adi cao em V tem essa
propriedade. O mesmo se verica para a multiplica cao por escalar.
95
CEDERJ
A seguir, ent ao, listamos tres condicoes que, se satisfeitas, garantem
que um subconjunto S de um espa co vetorial V e um subespaco vetorial
de V :
S = .
Dados u e v quaisquer em S, a soma u + v est a em S.
Dados u S e R, o produto u est a em S.
Uma vez que S V satisfa ca tais requisitos, todas as outras proprie-
dades listadas na deni cao de espa co vetorial serao automaticamente her-
dadas pelo conjunto S.
Exemplos
1. Dado um espa co vetorial V qualquer, os conjuntos {0} (conjunto cujo
unico elemento e o vetor nulo) e V sao subespa cos vetoriais de V .
De fato, e claro que {0} = . Alem disso, dados dois elementos de
{0}, a soma deles pertence a {0} (o unico elemento que existe para
considerarmos e 0!) e o produto de um n umero real qualquer por um
elemento de {0} resulta no vetor nulo, pertencendo, portanto, a {0}.
Para vericar que V e subspaco vetorial de V , basta aplicar diretamente
a denicao de subespa co vetorial, e observar que V V e e obviamente
um espaco vetorial com respeito às mesmas opera coes.
Por serem os subespacos mais simples do espaco vetorial V , {0} e V
sao chamados subespa cos triviais de V .
2. Seja S = {(x, 2x) : x R}. O conjunto S e um subespaco vetorial de
R
2
.
Nota: Na secao seguinte, veremos quais s ao todos os subespa cos de R
2
.
Neste momento, estudaremos este exemplo particular, para nos famili-
arizarmos com o procedimento de vericacao de que um dado conjunto
e um subespaco vetorial. Ao nos confrontarmos com um candidato
S a subespaco, temos que nos fazer tres perguntas:
i- S = ?
ii- Se u S e v S entao u + v S (a adi cao est a bem denida
em S)?
iii- Se R e u S entao u S (a multiplica cao por escalar est a
bem denida em S)?
CEDERJ
96
M
ODULO 2 - AULA 9
Vamos ent ao responder a essas perguntas para o caso de S = {(x, 2x) :
x R}:
i- S = , porque (0, 0) S, por exemplo. Basta considerar x = 0.
ii- Se u S e v S, digamos que u = (x, 2x) e v = (y, 2y) com
x, y R (precisamos usar letras diferentes para designar elementos
diferentes!), entao u + v = (x + y, 2x + 2y) = (x + y, 2(x + y)).
Logo, u+v S, pois e um par ordenado de n umeros reais onde a
segunda coordenada e o dobro da primeira, que e precisamente a
regra que dene os elementos de S neste exemplo.
iii- Se R e u = (x, 2x) S entao u = (x, 2x) = (x, 2x) S,
pois 2x = 2x e o dobro de x.
Como a resposta ` as tres perguntas formuladas foi positiva, podemos
concluir que S e um subespaco vetorial de R
2
.
Observe que, para responder ` a primeira pergunta, exibimos um ele-
mento de S, concluindo que S = . Escolhemos exibir o vetor nulo de
R
2
, embora qualquer outro elemento servisse para esse prop osito. Tal
escolha nao foi por acaso: se o vetor nulo n ao fosse um elemento de S,
entao S nao seria um subespa co vetorial (pois n ao seria ele mesmo um
espa co vetorial). Sempre que tivermos ` a nossa frente um candidato a
subespa co vetorial, podemos vericar se o vetor nulo do espa co vetorial
que o contem pertence ao candidato, para responder à primeira das
perguntas. Caso a resposta seja armativa, passamos a vericar as ou-
tras duas perguntas e, se a resposta for negativa, j a podemos concluir
que o candidato n ao e um subespaco vetorial, sem nenhum trabalho
adicional.
3. Seja V = R
2
e S = {(x, x + 1) : x R}. Observe que (0, 0) / S. Logo,
S nao e um subespa co vetorial de V .
4. Seja V um espaco vetorial e w um elemento de V . Entao o conjunto
S = {w : R} e um subespaco vetorial de V .
Nota: Neste exemplo, os elementos de S sao caracterizados por serem
todos produto de um n umero real qualquer por um elemento xo de V .
No caso desse elemento ser o vetor nulo, temos um subespa co trivial.
i- S = , pois 0 = 0w S;
ii- se u S e v S, digamos, u =
1
w e v =
2
w com
1
,
2
R,
entao u + v =
1
w +
2
w = (
1
+
2
)w S;
iii- se R e u =
1
w S entao u = (
1
)w = (
1
)w S
97
CEDERJ
5. O conjunto solu cao do sistema
_
_
x + 2y 4z + 3t = 0
x + 4y 2z + 3t = 0
x + 2y 2z + 2t = 0
e o subconjunto de R
4
dado por {(2y 2z, y, z, 2z); y, z R}. Voce
pode vericar que esse conjunto satisfaz ` as tres condicoes de subespaco.
6. O conjunto-solu cao de um sistema linear homogeneo de m equa coes e
n incognitas e um subespaco vetorial de R
n
.
O exemplo anterior e um caso particular deste. Considere o sistema
escrito na forma matricial,
AX = 0 (1)
onde A M
mn
(R), X e o vetor-coluna (de n linhas) das incognitas
do sistema, e 0 e o vetor nulo de R
m
representado como coluna. Va-
mos vericar que o conjunto S de todos os vetores X de R
n
que, se
representados por vetores-coluna, satisfazem à equa cao matricial (1),
formam um subespa co vetorial de R
n
:
i- S = ?
Como sabemos, um sistema homogeneo qualquer tem sempre a
solucao trivial, portanto (0, 0, . . . , 0) R
n
e um elemento de S
(podemos tambem vericar que A0 = 0, tomando o cuidado de
notar que o smbolo 0 representa uma coluna de n zeros do lado
direito da equa cao, e uma coluna de m zeros do lado esquerdo da
equa cao).
ii- Se U S e V S entao U + V S (a adi cao est a bem denida
em S)?
Sejam U e V duas solucoes do sistema (1), ou seja, vetores-coluna
de R
n
qe satisfazem àquela equa cao matricial. Ent ao temos
A(U + V ) = AU + AV = 0 +0 = 0
onde a primeira igualdade vem da propriedade distributiva da
adicao de matrizes, e a segunda do fato de que, como U e V sao
solucoes do sistema (1), AU = 0 e AV = 0. Vemos, portanto, que
U + V satisfaz ` a equa cao matricial (1), representando, portanto,
uma solucao do sistema.
CEDERJ
98
M
ODULO 2 - AULA 9
iii- Se R e U S entao U S (a multiplica cao por escalar est a
bem denida em S)?
Novamente, considere U um vetor coluna de R
n
que satisfaz à
equa cao (1). Seja R. Entao temos
A(U) = AU = 0 = 0.
A primeira igualdade utiliza a propriedade mn1, de multiplica cao
de matrizes por n umeros reais, vista na Aula 2.
Acabamos de vericar, usando representa coes matriciais, que a soma
de duas solucoes de um sistema linear homogeneo tambem e solucao
desse sistema e que qualquer m ultiplo real de uma solucao tambem o
e. Logo, o conjunto-solu cao de um sistema linear homogeneo com n
incognitas e um subespaco vetorial de R
n
.
7. O conjunto
S =
__
a 0
c d
_
; a + c = d
_
e subespaco vetorial de M
22
(R).
8. O conjunto S = {a + bx + cx
2
; a, b, c R e a = b + c} e subespaco
vetorial de V = P
2
. Lembrando: P
2
e o con-
junto de todos os polinomios
a variavel e coecientes reais,
de grau menor ou igual a 2,
acrescido do polinomio iden-
ticamente nulo.
Observe que R e R
2
sao espa cos vetoriais, e R nao e um subespaco
vetorial de R
2
. Isso porque R nao esta contido em R
2
, assim como R
2
nao
est a contido em R
3
. A confusao costuma acontecer, em parte, porque a repre-
sentacao geometrica de R
2
(plano cartesiano) parece incluir a representacao
geometrica de R (reta). Na verdade, porem, R e um conjunto de n umeros,
enquanto R
2
e um conjunto de pares ordenados de n umeros, e esses dois
objetos sao completamente distintos. Veremos mais tarde que R
2
contem
apenas c opias de R, assim como R
3
contem c opias tanto de R como de
R
2
.
Os subespacos vetoriais de R
2
Ja conhecemos alguns dos subespa cos de R
2
:
{(0, 0)} e R
2
, que sao os subespa cos triviais;
{w : R}, onde w R e um elemento de R
2
.
99
CEDERJ
Esses subespacos foram vistos nos exemplos anteriores. Note que, vari-
ando w no segundo item, existem innitos exemplos de subespa cos. Veremos
nesta secao que esses sao os unicos subespacos de R
2
: sao em n umero in-
nito, mas sao todos de algum dos tipos acima. Para isso, vamos considerar
o plano cartesiano, que e a representa cao geometrica do conjunto R
2
. Cada
elemento (x, y) R
2
e representado como um vetor com origem no ponto
(0, 0) e extremidade no ponto (x, y). A cada vetor do plano com
origem no ponto (0, 0) e ex-
tremidade no ponto (x, y) fa-
zemos corresponder o ponto
(x, y) de R
2
, e vice-versa.
Considere um subespaco S de R
2
que nao seja {(0, 0)}. Entao nesse
subespa co existe um vetor w que nao e o vetor nulo. Como S e fechado para a
multiplica cao por escalar, todos os m ultiplos de w tambem sao elementos de
S. Com isso, como vemos na gura (1), a reta que contem w deve estar toda
contida em S. Ou seja, se S e nao trivial, ele contem pelo menos uma reta
(innitos pontos!). Observe que essa mesma reta tambem contem a origem.
w
Fig. 1: Reta que contem w
Suponhamos agora que, alem de conter w, S tambem contenha algum
outro vetor v de R
2
, que n ao esteja na reta que contem w. Nesse caso, S
tambem deve conter a reta dos m ultiplos de v. Observe as duas retas na
gura (2).
v
w
Fig. 2: Retas contidas em S
CEDERJ
100
M
ODULO 2 - AULA 9
Note que o subespa co S n ao pode consistir apenas das duas retas da
gura (2). Isso porque a adicao n ao est a bem denida no conjunto formado
pela uni ao das duas retas; se considerarmos, por exemplo, o vetor w + v,
veremos que ele nao pertence a nenhuma das duas retas. Lembre-se de como somar
vetores geometricamente no
plano!
w
v
v + w
Fig. 3: Soma de w e v
Observe, agora, que qualquer vetor de R
2
(com origem em 0 = (0, 0))
pode ser obtido pela soma de vetores das duas retas, e isso signica que, nesse
caso, S = R
2
. Na gura (4), vemos alguns exemplos de vetores em diversas
posi coes, obtidos como soma de vetores das retas, e voce pode procurar mais
exemplos para se convencer desse fato.
w
v
2w - v
- v - 2w
v - w
3w + v 1
2
Fig. 4: Vetores de R
2
101
CEDERJ
Ate agora, resumindo, temos os seguintes fatos para um subespa co S
de R
2
:
se S nao contem vetores nao nulos, S = {0};
se S contem um vetor n ao nulo, S tambem contem a reta que contem
esse vetor;
se S contem dois vetores nao nulos, que n ao estejam sobre uma mesma
reta, ent ao S = R
2
.
Com isso, os unicos subespacos vetoriais de R
2
sao {0}, R
2
e as retas
de R
2
que passam pela origem. Uma reta de R
2
que nao
contem a origem (ponto
(0, 0)) pode ser um subespaco
vetorial de R
2
? Por que?
Os subespacos vetoriais de R
3
Os subespa cos vetoriais de R
3
sao do seguinte tipo:
{0} e R
3
(triviais);
retas do R
3
que contem a origem (0 = (0, 0, 0) neste caso);
planos de R
3
que contem a origem.
Nao faremos aqui uma demonstra cao desse fato, como zemos na secao
passada. Os motivos que fazem com que esses sejam os unicos possveis
subespa cos sao inteiramente an alogos ao caso de R
2
. Nas proximas aulas
estudaremos conceitos que permitirao uma demonstra cao bem simples desse
fato.
Resumo
Nesta aula vimos a denicao de subespa co: trata-se de subconjuntos
de espa cos vetoriais que s ao, por si mesmos, espa cos vetoriais tambem, con-
siderando as mesmas opera coes denidas no espa co que os contem. Vimos
que, para comprovar que um subconjunto de um espa co vetorial e um su-
bespa co, basta vericar tres condicoes: ser nao-vazio, e ser fechado para as
opera coes de adi cao e multiplica cao por n umero real. Vimos tambem que,
embora sejam em n umero innito, os subespa cos de R
2
e R
3
sao facilmente
identicados.
CEDERJ
102
M
ODULO 2 - AULA 9
Exerccios
1. Verique quais dos seguintes subconjuntos s ao subespa cos de R
3
:
a) todos os vetores da forma (a, 0, 0).
b) todos os vetores da forma (a, 1, 0).
c) todos os vetores da forma (a, b, c), com c = a + b.
d) todos os vetores da forma (a, b, c), com a + b + c = 1.
2. Verique quais dos seguintes subconjuntos s ao subespa cos de M
22
(R):
a) todas as matrizes 2 2 com elementos inteiros.
b) todas as matrizes da forma
_
a b
c d
_
, com a + b + c + d = 0.
c) todas as matrizes 2 2 inversveis. Lembrando: uma matriz e
inversvel se, e somente se,
seu deteminante e diferente
de zero.
d) todas as matrizes da forma
_
a 0
0 b
_
.
3. Verique quais dos seguintes subconjuntos s ao subespa cos de P
3
(R):
a) todos os polin omios da forma a
1
x + a
2
x
2
+ a
3
x
3
, onde a
1
, a
2
e a
3
sao n umeros reais quaisquer.
b) todos os polin omios da forma a
0
+a
1
x+a
2
x
2
+a
3
x
3
, onde a soma
dos coecientes e igual a zero.
c) todos os polin omios da forma a
0
+a
1
x+a
2
x
2
+a
3
x
3
para os quais
a soma dos coecientes e um n umero inteiro.
d) todos os polin omios da forma a
0
+ a
1
x, a
0
e a
1
reais quaisquer.
Auto-avalia cao
Voce devera ter seguran ca quanto a conferir se um subconjunto e ou
nao subespa co de um espaco que o contenha. Lembre-se de que o primeiro
passo e vericar se o elemento nulo do espa co pertence ao subconjunto: a res-
posta negativa j a garante que nao se trata de um subespa co, mas a resposta
armativa s o mostra que o subconjunto n ao e vazio.

E preciso, ainda, veri-
car se a soma de dois vetores quaisquer, genericos, do subconjunto, tambem
pertence a ele, e se um m ultiplo real qualquer de um vetor generico do sub-
conjunto tambem pertence ao subconjunto. Procure fazer essa vericacao
103
CEDERJ
nos exemplos da aula. Quando o espa co vetorial for R
2
ou R
3
, basta vericar
se o candidato a subespa co e uma reta passando pela origem ou, no caso do
espa co, um plano passando pela origem. Alem desses, apenas o subespa co
nulo e todo o espa co dado sao subconjuntos tambem. Se voce tiver qualquer
d uvida na resolu cao dos exerccios ou na compreensao dos exemplos, procure
o tutor da disciplina.
1. S ao subespecos a), c).
2. S ao subespecos b), d).
3. S ao subespa cos a), b), d).
CEDERJ
104
Combinacoes lineares
M
ODULO 2 - AULA 10
Aula 10 Combina coes lineares
Objetivos
Caracterizar combinacao linear e subespaco gerado por um conjunto de ve-
tores;
Determinar o subespa co gerado por um conjunto de vetores;
Encontrar geradores para um subespa co vetorial dado. Pre-requisitos: Aulas 6 e 7,
sobre resolucao de sistemas li-
neares por escalonamento, e
aulas 8 e 9.
Introdu cao
Iniciaremos o estudo do importante conceito de combina cao linear.
Atraves das propriedades das combina coes lineares, e possvel dar uma des-
cri cao simples e completa de cada espa co vetorial, como veremos a partir
desta aula.
Denicao
Considere um espaco vetorial V , e v
1
, v
2
, . . . , v
n
elementos de V . Uma
combinac ao linear desses vetores e uma expressao do tipo
a
1
v
1
+ a
2
v
2
+ . . . + a
n
v
n
,
onde a
1
, a
2
, . . . , a
n
sao n umeros reais.
Se e possvel descrever um vetor v V atraves de uma expressao como
essa, dizemos que v e combinac ao linear de v
1
, v
2
, . . . , v
n
, ou que v se escreve
como combinacao linear de v
1
, v
2
, . . . , v
n
.
Exemplo 1
a) O vetor v = (2, 4) R
2
e combina cao linear de v
1
= (1, 1) e
v
2
= (1, 1), pois v = 1v
1
+ 3v
2
.
b) O vetor v = 2 + 3t P
2
(t, R) e combina cao linear dos vetores
v
1
= t + 2t
2
, v
2
= 1 + t
2
e v
3
= 2t
2
, pois v = 3v
1
+ 2v
2
4v
3
.
105
CEDERJ
Combina coes lineares
c) O vetor v =
_
_
2 3 4
1 1 2
1 0 3
_
_
M
33
(R) e combina cao linear dos
vetores
v
1
=
_
_
2 3 4
1 1 2
1 0 3
_
_
, v
2
=
_
_
4 6 8
2 2 4
2 0 6
_
_
e v
3
=
_
_
0 0 0
0 0 0
0 0 0
_
_
,
pois v = v
1
+ 0v
2
+ 257v
3
. Temos ainda que v = 3v
1
v
2
+ v
3
, ou
ainda, v = 5v
1
+3v
2
+
2v
3
, ou seja, v e combina cao linear de v
1
, v
2
e v
3
de varias maneiras diferentes.
d) Para que o vetor (0, m) de R
2
seja combinacao linear dos vetores (1, 2)
e (2, 4) e necessario que existam a e b em R tais que
(0, m) = a(1, 2) + b(2, 4). Para isso devemos ter (0, m) = (a 2b,
2a + 4b), ou seja, a 2b = 0 e 2a + 4b = m simultaneamente. Tal
sistema de duas equacoes nas vari aveis a e b tem solucao apenas para
o caso em que m = 0.
Subespacos gerados
No exemplo 4 da aula 9, vimos que, se V e um espa co vetorial e w um
elemento de V , entao o conjunto S = {w : R} e um subespaco vetorial
de V . Agora que denimos combina cao linear, podemos observar que tal S
e o conjunto formado por todas as combina coes lineares do vetor w.
Esse exemplo pode ser generalizado para um n umero qualquer de ve-
tores da seguinte maneira: se w
1
, w
2
, . . . , w
n
sao vetores do espa co veto-
rial V , entao o conjunto de todas as combina coes lineares desses vetores e
um subespa co vetorial de V (vamos provar isso!), chamado subespa co ge-
rado pelos vetores w
1
, w
2
, . . . , w
n
, ou ainda subespa co gerado pelo conjunto
{w
1
, w
2
, . . . , w
n
}. Denotamos esse espa co por [w
1
, w
2
, . . . , w
n
], ou [{w
1
, w
2
, . . . ,
w
n
}], e dizemos que w
1
, w
2
, . . . , w
n
sao geradores de [w
1
, w
2
, . . . , w
n
]. Assim
temos
[w
1
, w
2
, . . . , w
n
] = {a
1
w
1
+ a
2
w
2
+ + a
n
w
n
: a
1
, a
2
, . . . , a
n
R}.
Vamos agora mostrar que [w
1
, w
2
, . . . , w
n
] e um subespaco vetorial de V .
CEDERJ
106
M
ODULO 2 - AULA 10
(i) S = , pois 0 = 0w
1
+ 0w
2
+ + 0w
n
[w
1
, w
2
, . . . , w
n
];
Observe que se os gera-
dores w
1
, w
2
, . . . , wn nao
sao todos nulos, o conjunto
[w
1
, w
2
, . . . , wn] e innito. Ja
o conjunto {w
1
, w
2
, . . . , wn}
e nito: possui, exatamente,
n elementos.
(ii) se u S e v S, digamos,
u = a
1
w
1
+ a
2
w
2
+ + a
n
w
n
e
v = b
1
w
1
+ b
2
w
2
+ + b
n
w
n
com a
1
, a
2
, . . . , a
n
R e b
1
, b
2
, . . . , b
n
R, entao
u + v = (a
1
w
1
+ a
2
w
2
+ + a
n
w
n
) + (b
1
w
1
+ b
2
w
2
+ + b
n
w
n
)
= (a
1
+ b
1
)w
1
+ (a
2
+ b
2
)w
2
+ + (a
n
+ b
n
)w
n
,
ou seja, u+v e tambem uma combina cao linear dos vetores w
1
, w
2
, . . . , w
n
,
sendo, portanto, um elemento de [w
1
, w
2
, . . . , w
n
];
(iii) se R e u = a
1
w
1
+ a
2
w
2
+ + a
n
w
n
S entao
u = (a
1
w
1
+ a
2
w
2
+ + a
n
w
n
)
= (a
1
)w
1
+ (a
2
)w
2
+ + (a
n
)w
n
,
ou seja u [w
1
, w
2
, . . . , w
n
].
De acordo com os itens i, ii e iii, [w
1
, w
2
, . . . , w
n
] e um subespaco
vetorial de V .
Exemplo 2
Veremos agora alguns exemplos de subespa cos gerados.
a) No exemplo 2 da aula 9, S = {(x, 2x) : x R} R
2
e o subespa co
gerado pelo vetor (1, 2) R
2
, ou seja, S = [(1, 2)].
b) O subespaco de R
3
gerado pelos vetores u = (1, 2, 0), v = (3, 0, 1) e
w = (2, 2, 1) e o plano de equa cao 2x y 6z = 0. Note que os
vetores dados satisfazem a equa cao obtida para o subespa co gerado
por eles.
c) O conjunto {at +bt
2
: a, b R} e o subespa co de P
2
(R, t) gerado pelos
vetores t e t
2
. Lembre-se de que os vetores
de P
2
(R, t) sao polinomios!
d) O conjunto R
3
e o (sub)espa co gerado pelos vetores i = (1, 0, 0),
j = (0, 1, 0) e k = (0, 0, 1) de R
3
. Os vetores (1, 2, 0), (0, 1, 2) e
(1, 1, 3), juntos, tambem geram o R
3
.
107
CEDER J
e) O conjunto de todos os polin omios (de qualquer grau) com coecientes
reais, a uma variavel t, denotado por P(t, R), e gerado pelo conjunto
innito de vetores {1, t, t
2
, t
3
. . .}
Ao longo deste curso ser ao dados in umeros outros exemplos de su-
bespacos gerados. Nas pr oximas se coes veremos como determinar o su-
bespa co gerado por um conjunto de vetores, e como encontrar geradores
para um subespa co vetorial dado.
Determinacao do subespaco gerado por um conjunto de
vetores
Ha v arias maneiras de se descrever um mesmo subespa co vetorial S de
um espaco V . Eis algumas delas:
atraves de um conjunto de geradores (ex: S = [(1, 1), (1, 2)] R
2
);
atraves de uma equa cao ou conjunto de equa coes (ex: S e o plano de
equa cao x + y z = 0 em R
3
);
atraves de uma propriedade de seus elementos (ex: S = {a +bt +ct
2
P
2
(t, R) : a + b c = 0}.
No exemplo 2 da se cao anterior, cada subespa co foi descrito por duas
dessas formas. Determinar o subespa co gerado por um conjunto de vetores
signica passar da descri cao por geradores (a primeira acima) para outras
descricoes qua permitam melhor entendimento do subespa co. Veremos como
isso e feito atraves de alguns exemplos.
Exemplo 3
Considere o subespaco de R
3
gerado pelos vetores u = (1, 2, 0), v = (3, 0, 1)
e w = (2, 2, 1). A descricao de S como espa co gerado nao deixa claro, por
exemplo, se S e trivial, ou uma reta que passa pela origem, ou um plano
que passa pela origem. Ajuda bastante saber que S e o plano de equacao
2x y 6z = 0. Como fazer para encontrar essa outra descri cao?
Como S = [u, v, w], cada elemento de S e uma combinacao linear de u,
v e w. Se denotarmos por (x, y, z) um elemento generico de S, teremos ent ao
que (x, y, z) = au + bv + cw, onde a, b e c sao n umeros reais. Da temos
(x, y, z) = a(1, 2, 0) + b(3, 0, 1) + c(2, 2, 1),
ou seja,
(x, y, z) = (a + 3b + 2c, 2a 2c, b + c).
CEDERJ
108
M
ODULO 2 - AULA 10
Para que a igualdade anterior se verique, e necessario que as coordena-
das correspondentes dos ternos ordenados de cada lado da equa cao coincidam,
ou seja, devemos ter
x = a + 3b + 2c
y = 2a 2c
z = b + c
Para que um dado vetor (x, y, z) R
3
seja um elemento de S, e preciso
que existam valores para a, b e c de forma que as tres equa coes acima se
veriquem simultaneamente (compare com o exemplo 2-d) desta aula).
Vamos ent ao, resolver, por escalonamento, o sistema linear (nas vari aveis
a, b e c)
S :
_
_
a +3b +2c = x
2a 2c = y
b +c = z
Passando ` a matriz ampliada, e escalonando, temos
_
_
1 3 2 x
2 0 2 y
0 1 1 z
_
_
L
2
L
2
2L
1

_
_
1 3 2 x
0 6 6 y 2x
0 1 1 z
_
_
L
2
1/6L
2

_
_
1 3 2 x
0 1 1
y+2x
6
0 1 1 z
_
_
L
3
L
3
L
2

_
_
1 3 2 x
0 1 1
y+2x
6
0 0 0 z +
y2x
6
_
_
O sistema em quest ao tem solu cao se, e somente se, os valores de x, y e
z sao tais que se tenha z +
y2x
6
= 0, ou, equivalentemente, se 2xy6z = 0.
Essa e precisamente a equa cao de um plano em R
3
contendo a origem.
Os c alculos para determinar o subespa co gerado s ao sempre an alogos
ao que acabamos de fazer. Sempre que ocorrerem linhas de zeros, podemos
obter equa coes que descrevem o espa co. Quando tais linhas n ao ocorrerem,
isso signica que nao existem restricoes para que o elemento generico esteja
no subespa co gerado, ou seja, o subespa co em quest ao coincide com o espa co
todo. Isso e o que acontece no proximo exemplo.
109
CEDERJ
Exemplo 4
Considere o subespaco de R
2
gerado pelos vetores (1, 1) e (1, 1). Para que
(x, y) seja combina cao desses vetores, devem existir a e b em R tais que
a(1, 1) + b(1, 1) = (x, y). Isso signica que o sistema
S :
_
a +b = x
a b = y
deve ter solucao. Escalonando, obtemos
_
1 0
yx
2
0 1
xy
2
_
que tem sempre solucao, para quaisquer valores de x e y (n ao h a restricoes
sobre x e y para que (x, y) esteja no espaco gerado pelos vetores em quest ao).
Da [(1, 1), (1, 1)] = R
2
.
Exemplo 5
Considere o subespaco S, de P
3
, gerado pelos polin omios p
1
= 2 t + t
2
e
p
2
= t + 3t
3
. Um polin omio x + yt + zt
2
+ wt
3
, para pertencer a S, deve
poder ser escrito como uma combina cao linear de p
1
e p
2
, isto e, quere-
mos que existam escalares a e b tais que x + yt + zt
2
+ wt
3
= a(2 t +
t
2
) + b(t + 3t
3
). Ou seja, queremos que o sistema linear
_
_
2a = x
a + b = y
a = z
3b = w
possua solu cao. Escalonando esse sistema, chegamos ao sistema equivalente
_
_
a = z
b = y + z
0 = z 2x
0 = w 3y 3z
. Logo, para que o sistema seja compatvel, devemos
ter z 2x = 0 e w3y 3z = 0, ou seja, z = 2x e w = 3y +6x. Concluimos,
entao, que S = {x + yt + zt
2
+ wt
3
P
3
|z = 2x e w = 3y + 6x}.
CEDERJ
110
M
ODULO 2 - AULA 10
Determinacao de geradores de um subespa co vetorial
Vimos que, dado um conjunto de vetores de um espaco vetorial V , o
conjunto de todas as suas combina coes lineares e um subespaco vetorial de
V .

E natural pensarmos se o contr ario tambem acontece: sera que todo
subespa co S de V e gerado por um conjunto de vetores? A resposta ` a per-
gunta nesses termos e simples: e claro que S e o subespa co gerado por S
(verique!).
Fa camos a pergunta de outro modo: ser a que todo subespa co S de
V , incluindo o pr oprio V , e gerado por um conjunto nito de vetores? A
resposta e sim para alguns espacos, entre eles R
n
, ou M
mn
(R). Existem
tambem espa cos que nao tem essa propriedade, como e o caso do exemplo
1-l) de subespa cos gerados. Em nosso curso, estudaremos mais a fundo os
espa cos que s ao nitamente gerados, ou seja, que admitem um conjunto nito
de geradores, o mesmo acontecendo para todos os seus subespa cos.
Veremos agora como encontrar geradores para subespa cos atraves do
estudo de alguns exemplos.
Exemplo 6
Retornemos ao exemplo 2 da Aula 9, S = {(x, 2x) : x R} R
2
. Para
vericar que de fato S e o subespa co gerado pelo vetor (1, 2) R
2
, basta
notar que os elementos de S sao todos da forma (x, 2x) = x(1, 2): variando
o valor de x, obtemos diferentes elementos de S. Ora, x(1, 2) e a expressao
de uma combina cao linear de (1, 2), portanto todos os elementos de S sao
combinacoes lineares de (1, 2).
Exemplo 7
Seja S = {(x, x + y, y) : x, y R} R
3
. Raciocinando como anteriormente,
vemos que o elemento generico de S e da forma (x, x + y, y) = (x, x, 0) +
(0, y, y) = x(1, 1, 0) + y(0, 1, 1), ou seja, e combina cao linear dos vetores
(1, 1, 0) e (0, 1, 1). Podemos escrever, entao, S = [(1, 1, 0), (0, 1, 1)].
Exemplo 8
Seja S = {(x, y, z) R
3
: x + y z = 0}. Para encontrar geradores para
esse subespaco do R
3
, devemos procurar escreve-lo na forma do exemplo
acima, colocando nas coordenadas do vetor generico a(s) equa cao( oes) que
dene(m) o espa co. No caso em quest ao, como temos uma equa cao e tres
vari aveis, podemos escrever o conjunto solu cao da equa cao (que e exatamente
111
CEDERJ
o subespaco S!) em funcao de duas vari aveis livres. Nesse caso, temos
S = {(y +z, y, z) : y, z R} (apenas escrevemos a variavel x em funcao de
y e z). Assim, como no exemplo anterior, temos (y +z, y, z) = y(1, 1, 0)+
z(1, 0, 1), ou seja, S = [(1, 1, 0), (1, 0, 1)].
Exemplo 9
Seja S = {a + bt + ct
2
P
2
; a b 2c = 0}. A condicao que dene S pode
ser escrita como a = b + 2c. Inserindo essa condicao na express ao do vetor
generico de P
2
, temos: a + bt + ct
2
= b + 2c + bt + ct
2
= b(1 + t) + c(2 + t
2
).
Logo, escrevemos o polin omio de S como combinacao linear dos polin omios
1 + t e 2 + t
2
, que sao, assim, os geradores de S.
Exemplo 10
Seja S =
__
a b
c d
_
M
2
R; a + b c = 0 e c + d = 0
_
. As equa coes que
denem S podem ser escritas como c = d e a = b d. Logo, uma matriz
de S e do tipo
_
b d b
d d
_
= b
_
1 1
0 0
_
+ d
_
1 0
1 1
_
, e o conjunto
gerador de S e formado por essas duas ultimas matrizes.
Resumo
Nesta aula vimos duas importantes tecnicas envolvendo subespa cos ge-
rados:
1. Como determinar o subespa co gerado por um conjunto de vetores:
Neste caso, escrevemo um vetor generico do espa co como combina cao
linear dos vetores geradores. Isso fornece um sistema linear o qual que-
remos que seja compatvel. Assim, ap os o escalonamento, se alguma
equa cao tiver o primeiro membro nulo, o segundo membro tambem tera
que se anular, fornecendo uma equa cao do subespa co. Caso nenhuma
equa cao tenha seu primeiro lado anulado, signica que o subespa co
gerado e todo o espa co.
2. Como determinar os geradores de um subespa co dado: embutimosas
condi coes dadas pelas equa coes do subespaco num vetor generico do
espa co e o decompomos como uma combinacao linear.
CEDERJ
112
M
ODULO 2 - AULA 10
Exerccios
1. Em cada caso, escreva o vetor v como combinacao linear de v
1
, . . . , v
n
.
a) Em R
2
, v = (1, 3), v
1
= (1, 2) e v
2
= (1, 1).
b) Em R
3
, v = (2, 1, 4), v
1
= (1, 0, 0), v
2
= (1, 1, 0) e v
3
= (1, 1, 1).
c) Em R
2
, v = (1, 3), v
1
= (0, 0) e v
2
= (3, 9).
d) Em R
3
, v = (2, 1, 6), v
1
= (1, 0, 2) e v
2
= (1, 1, 0).
e) Em P
2
(t, R), v = t
2
2t, v
1
= t + 1, v
2
= t
2
e v
3
= 2t.
2. Determine m R tal que o vetor v = (1, m, 3) seja combina cao linear
dos vetores v
1
= (1, 0, 2), v
2
= (1, 1, 1) e v
3
= (2, 1, 5).
3. No exerccio anterior, substituindo o valor de m que voce encontrou,
escreva v como combinacao linear de v
1
, v
2
e v
3
.
4. Determine o subespa co S do espa co V , gerado pelos vetores de A, em
cada caso.
a) V = R
3
, A = {(1, 2, 1), (2, 1, 2)}.
b) V = M
22
(R), A = {v
1
, v
2
, v
3
}, onde
v
1
=
_
2 3
1 1
_
, v
2
=
_
4 6
2 2
_
e v
3
=
_
0 2
1 0
_
.
c) V = P
2
(t, R), v
1
= t + 1 e v
2
= t
2
.
5. Determine um conjunto de geradores para os seguintes subespa cos:
a) S = {(x, y, z) R
3
; x = 5y e z = 2y}
b) S = {(x, y, z) R
3
; x y + z = 0}
c) S =
__
a b
c d
_
M
22
(R); a = d e c = 2b
_
d) S = {at
2
+ at + b : a, b R} P
2
(t, R)
113
CEDERJ
Auto-avalia cao
Ao nal desta aula voce devera estar dominando as duas tecnicas estu-
dadas: (i) como determinar o subespa co gerado por um conjunto de vetores e
(ii) como determinar um conjunto de geradores de um subespaco dado. Este
segundo tipo de problema e resolvido rapidamente, enquanto que o primeiro
sempre recai num sistema linear sobre o qual imporemos a condi cao de ser
compatvel. Os vetores geradores n ao s ao unicos, por isso, as respostas da-
das aqui podem n ao coincidir com as suas. Para vericar se acertou, basta
testar se cada vetor, candidato a gerador, satisfaz a condi cao do subespa co.
Se houver qualquer d uvida, consulte o tutor da disciplina... e vamos em
frente!!!!
1. a) v = 4/3v
1
+ 1/3v
2
.
b) v = v
1
3v
2
+ 4v
3
.
c) Varias respostas possveis. Uma delas e v = 45v
1
+ 1/3v
2
.
d) v = 3v
1
v
2
.
e) v = 0v
1
+ v
2
v
3
.
2. m = 1
3. v = (1, 1, 3) = (2 3a)v
1
+ (a 1)v
2
+ av
3
, onde a R.
4. a) [A] = {(x, y, z) R
3
; 5x 4y + 3z = 0}
b) [A] =
__
2a 2b 5a
b a
_
M
22
(R)
_
c) [A] = {a + at + bt
2
P
2
(t, R)}
5. a) {(5, 1, 2)}
b) {(1, 1, 0), (1, 0, 1)}
c)
__
0 1
2 0
_
,
_
1 0
0 1
__
d) {t + t
2
, 1}.
CEDERJ
114
Base e dimensao
M
ODULO 2 - AULA 11
Aula 11 Base e dimensao
Objetivos
Denir independencia linear e mostrar como vericar se um conjunto e line-
armente independente;
Denir base de um espaco vetorial e dar alguns exemplos;
Mostrar a base canonica do R
n
.
Introdu cao
Na aula 10 estudamos subespa cos gerados por um conjunto de vetores
em um espa co vetorial V .
Veremos agora que alguns conjuntos de vetores geram um subespaco
de maneira mais eciente. Vamos come car com um exemplo.
Exemplo 1
O subespaco de R
3
gerado pelos vetores u = (1, 2, 0), v = (3, 0, 1) e No exemplo 3 da aula 10 vi-
mos, com detalhes, a deter-
minacao do subespaco de R
3
gerado por u, v, e w.
w = (2, 2, 1) e o plano de equa cao S = 2x y 6z = 0. Dizemos que
{u, v, w} e um conjunto de geradores para o plano S. No entanto, como ve-
remos a seguir, os vetores u = (1, 2, 0) e s = (12, 6, 5) juntos geram o plano
S.
Para ver isto, vamos usar o metodo explicado no exemplo 3 da aula 10.
Se W e o subespa co gerado por u e s, entao (x, y, z) W quando
existem a, b R tais que (x, y, z) = a.u + b.s. Mas
au + bs = a(1, 2, 0) + b(12, 6, 5) = (a + 12b, 2a 6b, 5b).
Assim, (x, y, z) W, quando existe solu cao para o sistema
_
_
a + 12b = x
2a 6b = y
5b = z
115
CEDERJ
Base e dimensao
Vamos colocar este sistema em forma matricial e resolve-lo:
_
_
1 12 | x
2 6 | y
0 5 | z
_
_ L
2
L
2
2L
1
L
3

1
5
.L
3
_
_
1 12 | x
0 30 | y 2x
0 1 |
z
5
_
_
L
1
L
1
12L
3
L
2
L
2
+ 30L
3
_
_
1 0 | x
12z
5
0 0 | y 2x +
30z
5
0 1 |
z
5
_
_
_
_
1 0 | x
12z
5
0 1 |
z
5
0 0 | y 2x + 6z
_
_
Isto mostra que o sistema tem solu cao se, e somente se, 2x+y+6z = 0
(linha nula) e que, neste caso, a solu cao e a = x
12z
5
e b =
z
5
.
Como 2x + y + 6z e a equa cao do plano S, entao u e s geram o
plano S.
Portanto, o conjunto {u, v, w} gera o plano S e o conjunto {u, s}
tambem gera o mesmo plano S.
O segundo conjunto gera o mesmo subespa co com um n umero menor
de vetores geradores.
Independencia linear
A chave para entendermos o que est a acontecendo no exemplo anterior
est a no conceito de independencia linear.
Um conjunto de vetores {v
1
, v
2
, . . . , v
n
} em um espa co vetorial V e
chamado linearmente independente se a equacao vetorial
c
1
v
1
+ c
2
v
2
+ . . . + c
n
v
n
= 0 (1)
admite apenas a solu cao trivial c
1
= c
2
= . . . = c
n
= 0.
O conjunto {v
1
, v
2
, . . . , v
n
} e chamado linearmente dependente quando
a equa cao (1) admite alguma solu cao n ao trivial, isto e, se existem escalares
c
1
, . . . , c
n
, n ao todos iguais a zero, tais que (1) seja v alido.
E comum usar a abrevia cao L.I. para conjuntos linearmente indepen-

dentes e L.D. para os linearmente dependentes.
CEDERJ
116
Base e dimensao
M
ODULO 2 - AULA 11
Exemplo 2
Um conjunto contendo um unico vetor v e linearmente independente se, e
somente se, v = 0.
Exemplo 3
O conjunto {v
1
, v
2
} contendo apenas dois vetores v
1
, v
2
nao-nulos e linear-
mente dependente quando um e m ultiplo do outro, pois, se c
1
v
1
+ c
2
v
2
= 0
possui solucao n ao trivial ent ao c
1
= 0 e c
2
= 0 (pois c
1
= 0 c
2
= 0 e
c
2
v
2
= 0 v
2
= 0, analogamente, c
2
= 0 v
1
= 0).
c
1
v
1
+ c
2
v
2
= 0 v
1
=
c
2
c
1
v
2
.
Portanto v
1
e m ultiplo de v
2
.
Exemplo 4
Seja C[0, 1] o conjunto das fun coes reais, contnuas com domnio [0, 1]. Este
conjunto forma um espa co vetorial com as opera coes usuais de soma de
funcoes e multiplica cao por escalar.
O conjunto {sen t, cos t} e linearmente independente em C[0, 1], ja que
sen t e cos t sao n ao-nulos e nao s ao m ultiplos um do outro enquanto vetores
de C[0, 1].
Isto e, nao h a c R tal que sen t = c cos t, para todo t [0, 1]. Para
ver isso, basta comparar os gr acos de sen t e cos t.
O conjunto {sen 2t, sen t cos t} e linearmente dependente em C[0, 1],pois
sen 2t = 2 sen t cos t, t [0, 1].
Exemplo 5
Seja P
2
o espa co vetorial formado por polin omios de grau 2. Sejam
p
1
= 1, p
2
= x 1, p
3
= 5 x, ent ao {p
1
, p
2
, p
3
} forma um conjunto
linearmente dependente, pois
4p
1
+ p
2
+ p
3
= 0.
Como determinar se um conjunto e L.I.
Para determinarmos se um conjunto de vetores {v
1
, v
2
, ..., v
n
} e li-
nearmente independente em um espa co vetorial V , devemos vericar se a
equa cao c
1
v
1
+ . . . + c
n
v
n
= 0 possui ou nao solu cao n ao-trivial.
117
CEDERJ
Base e dimensao
Exemplo 6
Mostre que o conjunto {(1, 0, 0), (0, 1, 0), (0, 0, 1)} e L.I. em R
3
Solu cao:
Vamos resolver a equa cao,
c
1
(1, 0, 0) + c
2
(0, 1, 0) + c
3
(0, 0, 1) = (0, 0, 0)
(c
1
, 0, 0) + (0, c
2
, 0) + (0, 0, c
3
) = (0, 0, 0)
(c
1
, c
2
, c
3
) = (0, 0, 0)
c
1
= c
2
= c
3
= 0
Portanto, a unica solucao e a trivial, c
1
= c
2
= c
3
= 0, o que mostra
que o conjunto e L.I.
Exemplo 7
Determine se o conjunto {u, v, w}, onde u = (1, 2, 0), v = (3, 0, 1) e
w = (2, 2, 1) e L.I. em R
3
.
Solu cao:
Voltamos aos vetores do exemplo 1 que, como vimos, geram o plano S
dado por 2x y 6z = 0.
Vamos resolver a equa cao
c
1
u + c
2
v + c
3
w = (0, 0, 0) (2)
Substituindo os valores de u, v e w :
c
1
(1, 2, 0) + c
2
(3, 0, 1) + c
3
(2, 2, 1) = (0, 0, 0)
(c
1
, 2c
1
, 0) + (3c
2
, 0, c
2
) + (2c
3
, 2c
3
, c
3
) = (0, 0, 0)
(c
1
+ 3c
2
+ 2c
3
, 2c
1
2c
3
, c
2
+ c
3
) = (0, 0, 0)
o que leva ao sistema
_
_
c
1
+ 3c
2
+ 2c
3
= 0
2c
1
2c
3
= 0
c
2
+ c
3
= 0
CEDERJ
118
Base e dimensao
M
ODULO 2 - AULA 11
Colocando na forma matricial e reduzindo:
_
_
1 3 2 | 0
2 0 2 | 0
0 1 1 | 0
_
_ L
2
L
2
2L
1
_
_
1 3 2 | 0
0 6 6 | 0
0 1 1 | 0
_
_ L
2
L
2
+ 6L
3
_
_
1 3 2 | 0
0 0 0 | 0
0 1 1 | 0
_
_
L
1
L
1
3L
3
L
2
L
3
L
3
L
2
_
_
1 0 1 | 0
0 1 1 | 0
0 0 0 | 0
_
_
_
c
1
c
3
= 0
c
2
+ c
3
= 0
Este sistema possui solu cao c
1
= c
3
, c
2
= c
3
e c
3
= c
3
, para qualquer
valor de c
3
.
Ou seja, a equacao (2) possui innitas solu coes n ao triviais.
Por exemplo, c
3
= 1 resulta em c
1
= 1, c
2
= 1 e c
3
= 1. Verique
que, com estes valores, c
1
u + c
2
v + c
3
w = 0.
Exemplo 8
Determine se o conjunto {u, s}, onde u = (1, 2, 0) e s = (12, 6, 5) e L.I. Ver exemplo 1.
Solu cao:
Como o conjunto {u, s} tem dois vetores, ele e L.D. apenas quando um
dos vetores e m ultiplo do outro. Claramente, este nao e o caso de {u, s}.
Portanto, {u, s} e L.I.
Comparando os exemplos 7 e 8, vemos que os conjuntos {u, v, w} e
{u, s} geraram o mesmo subespaco S. No entanto, {u, v, w} e L.D., enquanto
que {u, s} e L.I.
Veremos posteriormente que se um subespa co W e gerado por um con-
junto de n elementos, ent ao qualquer conjunto de m elementos, onde m > n,
e necessariamente linearmente dependente.
No exemplo acima, como {u, s} gera o subespa co S, ent ao qualquer
conjunto com mais de 2 elementos e L.D.
119
CEDERJ
Base e dimensao
Base de um subespaco vetorial
Seja W um subespa co de um espaco vetorial V . Um conjunto de vetores
B = {v
1
, ..., v
n
} e uma base de W se
(i) B e um conjunto linearmente independente.
(ii) O subespa co gerado por B e W.
Observe que a deni cao de base se aplica tambem ao proprio espa co
vetorial V , pois todo espa co vetorial e subespaco de si mesmo.
Observe tambem que se B = {v
1
, ..., v
n
} e base de W, entao v
1
, ..., v
n
pertencem a W.
Exemplo 9
Sejam os vetores i
1
= (1, 0, 0), i
2
= (0, 1, 0) e i
3
= (0, 0, 1). Considere o
conjunto {i
1
, i
2
, i
3
}, ja vimos que o conjunto e L.I. e claramente gera R
3
, pois
(x, y, z) R
3
(x, y, z) = xi
1
+ yi
2
+ zi
3
. Logo {i
1
, i
2
, i
3
} e base de R
3
.
Esta base e chamada base canonica do R
3
.
x
1
i
1
x
2
x
3
i
2
i
3
Base canonica do R
3
Exemplo 10
Sejam os vetores:
i
1
= (1, 0, ..., 0)
i
2
= (0, 1, ..., 0)
.
.
.
i
n
= (0, 0, ..., 1)
O conjunto {i
1
, ..., i
n
} e uma base do R
n
, chamada base canonica.
CEDERJ
120
Base e dimensao
M
ODULO 2 - AULA 11
Exemplo 11
O conjunto {u, s}, onde u = {1, 2, 0} e s = {12, 6, 5}, e uma base do su-
bespa co S, onde S : 2x y 6z = 0. (Veja os exemplos 7 e 8.)
Exemplo 12
Seja P
n
o espa co dos polinomios de grau n. Entao o conjunto
B = {1, t, ..., t
n
} forma uma base de P
n
. Esta base e chamada canonica
de P
n
.
De fato, B claramente gera P
n
. Para provar que B e L.I., sejam
c
0
, . . . , c
n
tais que
c
0
.1 + c
1
.t + c
2
.t
2
+ ... + c
n
.t
n
= 0.
A igualdade signica que o polin omio da esquerda tem os mesmos coe-
cientes que o polinomio da direita, que e o polin omio nulo. Mas o polin omio
da esquerda deve ter innitas solu coes, pois seu valor e zero t R, logo
deve ser nulo. Portanto, c
0
= c
1
= ... = c
n
= 0 e assim, {1, t
1
, ..., t
n
} e L.I.
Resumo
Nesta aula estudamos conjuntos linearmente independentes (L.I.) e li-
nearmente dependentes (L.D.). Vimos que um conjunto B gerador de um
subespa co W e linearmente independente e uma base de W. Vimos alguns
exemplos.
As bases s ao conjuntos geradores mnimos para um subespaco, no
sentido de que se um conjunto tem mais elementos que uma base entao ele
e L.D., e se tem menos elementos que uma base de W entao n ao gera W.
Estas propriedades das bases ser ao vistas na pr oxima aula.
121
CEDERJ
Base e dimensao
Exerccios
1. Determine uma base para o espa co das matrizes
M
2x2
(R) =
__
a b
c d
_
| a, b, c, d R}.
2. Sejam u, v e w os vetores do exemplo 7. Vimos que {u, v, w} e
L.D. Mostre que os conjuntos {u, v}, {u, w} e {v, w} sao linearmente
independentes.
3. Determine uma base para o subespaco
S = {(x, x + y, 2y)| x, y R} R
3
.
4. Sejam v
1
=
_
_
1
2
3
_
_
, v
2
=
_
_
1
2
3
_
_
e v
3
=
_
_
1
10
3
_
_
. Seja H o
subespa co de R
3
gerado por {v
1
, v
2
, v
3
}. Mostre que {v
1
, v
2
, v
3
} e line-
armente dependente e que {v
1
, v
2
} e uma base para H.
5. No espa co vetorial de todas as funcoes reais, mostre que
{t, sen t, cos 2t, sen t cos t} e um conjunto linearmente independente.
6. Determine uma base para os subespa cos a seguir (veja exerccio 5 da
aula 10).
(a) S = {(x, y, z) R
3
; x = 5y e z = 2y} .
(b) S = {(x, y, z) R
3
; x y + z = 0} .
(c) S =
__
a b
c d
_
M
2X2
(R); a = d e c = 2b}.
(d) S = {at
2
+ at + b; a, b R} P
2
(t, R) .
CEDERJ
122
Dimensao de um espaco vetorial
M
ODULO 2 - AULA 12
Aula 12 Dimensao de um espaco vetorial
Objetivo
Apresentar o sistema de coordenadas determinado por uma base em um
espa co vetorial V ;
Mostrar que se um espaco vetorial V tem uma base com n elementos ent ao
todas as bases de V tem n elementos;
Denir dimensao.
Introdu cao
Uma vez que esteja especicada uma base B para um espa co vetorial V ,
podemos representar um vetor v V por suas coordenadas na base B. Por
isso, dizemos que uma base B de V estabelece um sistema de coordenadas
em V .
Veremos, com mais detalhes, o que isso tudo quer dizer mais adiante.
Veremos que, se a base B tem n vetores, entao um vetor v V ca repre-
sentado por uma n-upla (a
1
, a
2
, . . . , a
n
). Isto faz o espaco vetorial V se
parecer com R
n
. Exploraremos esta rela cao para mostrar que todas as bases
de um mesmo espa co vetorial V tem o mesmo n umero de elementos.
Sistema de coordenadas
A existencia de um sistema de coordenadas esta baseada no seguinte
teorema.
Teorema 1 (Representa cao unica)
Seja B = {b
1
, . . . , b
n
} uma base para um espa co vetorial V . Ent ao, para
cada x V , existe um unico conjunto de escalares c
1
, . . . , c
n
, tal que
x = c
1
b
1
+ . . . + c
n
b
n
.
123
CEDERJ
Dimensao de um espa co vetorial
Demonstracao.
Como B = {b
1
, . . . , b
n
} e uma base de V , entao gera V , logo todo
x V e combina cao linear dos vetores em B. Portanto, existem
c
1
, . . . , c
n
R tais que:
x = c
1
b
1
+ . . . + c
n
b
n
. (1)
Vamos agora provar a unicidade. Suponha que x tambem tenha a
representa cao
x = d
1
b
1
+ . . . + d
n
b
n
. (2)
Subtraindo (1) e (2), obtemos:
0 = x x = (c
1
d
1
)b
1
+ . . . + (c
n
d
n
)b
n
. (3)
Como B e linearmente independente, os coecientes c
1
d
1
,
c
2
d
2
, . . . , c
n
d
n
, na equa cao (3), devem ser todos nulos, logo
c
i
= d
i
, i = 1, . . . , n, o que mostra que a representa cao e unica.
Denicao
Seja x V e seja B = {b
1
, . . . , b
n
} uma base de V . Se
x = c
1
b
1
+ . . . + c
n
b
n
,
entao os escalares c
1
, . . . , c
n
sao chamados coordenadas de x na base B e
escrevemos
[x]
B
=
_
_
c
1
.
.
.
c
n
_
_
.
Exemplo 1
Seja a base B = {b
1
, b
2
} do R
2
dada por b
1
=
_
1
1
_
e b
2
=
_
0
2
_
. Sejam
x, y R
2
. Se [x]
B
=
_
1
3
_
, determine x e, se y =
_
2
5
_
, determine [y]
B
.
CEDERJ
124
M
ODULO 2 - AULA 12
Solu cao:
Como x
B
=
_
1
3
_
, entao
x = 1.b
1
+ 3b
2
= 1.
_
1
1
_
+ 3.
_
0
2
_
=
_
1
7
_
.
Se y =
_
2
5
_
e [y]
B
=
_
y
1
y
2
_
, entao,
_
2
5
_
= y
1
b
1
+ y
2
b
2
= y
1
_
1
1
_
+ y
2
_
0
2
_
_
2
5
_
=
_
y
1
y
1
+ 2y
2
_
,
o que resulta em
_
y
1
= 2
y
1
+ 2y
2
= 5 2 + 2y
2
= 5 y
2
=
3
2
.
Portanto, [y]
B
=
_
2
3
2
_
.
Exemplo 2
A base can onica b = {i
1
, i
2
} e a base em que x = [x]
B
, para todo x R
2
,
pois, se [x]
B
=
_
a
b
_
, entao
x = a.i
1
+ b.i
2
= a.
_
1
0
_
+ b.
_
0
1
_
=
_
a
b
_
= [x]
B
.
Exemplo 3
Seja B = {2, 1t, 1+t +t
2
} uma base de P
2
[t], o espa co dos polinomios em
uma vari avel de grau 2 (verique que B e uma base de P
2
[t]). Determine
as coordenadas de x = t
2
1 na base B.
125
CEDERJ
Solu cao:
Se B = {b
1
, b
2
, b
3
} e [x]
B
=
_
_
c
1
c
2
c
3
_
_
, entao
x = c
1
b
1
+ c
2
b
2
+ c
3
b
3
, isto e
1 + t
2
= c
1
.2 + c
2
.(1 t) + c
3
.(1 + t + t
2
)
1 + t
2
= 2c
1
+ c
2
c
2
t + c
3
+ c
3
t + c
3
t
2
1 + t
2
= (2c
1
+ c
2
+ c
3
) + t(c
2
+ c
3
) + c
3
t
2
Comparando os coecientes, obtemos
_
_
2c
1
+ c
2
+ c
3
= 1
c
2
+ c
3
= 0
c
3
= 1
, o que leva a
_
_
c
1
=
3
2
c
2
= 1
c
3
= 1
.
Portanto, [x]
B
=
_
3
2
1
1
_
_
.
Exemplo 4
Seja V um espa co vetorial e B = {b
1
, . . . , b
n
} uma base de V . A repre-
sentacao do vetor nulo em B e [0]
B
=
_
_
0
.
.
.
0
_
_
, pois, se [v]
B
=
_
_
0
.
.
.
0
_
_
, entao
v = 0.b + . . . + 0.b
n
= 0.
Base de um espa co vetorial
Nesta secao, provaremos que todas as bases de um espa co vetorial V
tem o mesmo n umero de elementos. Vamos iniciar com o R
n
.
O conjunto B = {i
1
, i
2
, ..., i
n
} e uma base de R
n
(ver exemplo 10 da
aula 11). Esta e a base canonica do R
n
. No teorema a seguir, veremos que
qualquer conjunto com mais de n elementos e L.D.
Teorema 2
Seja S = {u
1
, ..., u
p
} um subconjunto do R
n
. Se p > n, entao S e linear-
mente dependente.
CEDERJ
126
M
ODULO 2 - AULA 12
Demonstracao.
Seja u
1
=
_
_
x
11
x
12
.
.
.
x
1n
_
_
, . . . , u
p
=
_
_
x
p1
x
p2
.
.
.
x
pn
_
_
.
A equacao
c
1
u
1
+ . . . + c
p
u
p
= 0 (1)
pode ser escrita como
c
1
_
_
x
11
x
21
.
.
.
x
n1
_
_
+ + c
p
_
_
x
1p
x
2p
.
.
.
x
np
_
_
=
_
_
0
0
.
.
.
0
_
_
vetor nulo doR
n
o que resulta no sistema
_
_
x
11
c
1
+ + x
1p
c
p
= 0
x
21
c
1
+ + x
2p
c
p
= 0
.
.
. (2)
x
n1
c
1
+ + x
2p
c
p
= 0
O sistema (2) e um sistema homogeneo, nas variaveis c
1
, . . . , c
p
, com
n equa coes. Como p > n, entao trata-se de um sistema homogeneo com mais
vari aveis que equa coes. Segue-se que h a solucoes n ao-triviais de (2), logo
(1) tem solucoes nao-triviais e, portanto S = {u
1
, . . . , u
p
} e linearmente
dependente.
O pr oximo teorema, generaliza este resultado para qualquer espa co ve-
torial.
Teorema 3
Se um espaco vetorial V tem base B = {b
1
, . . . , b
n
}, entao todo subconjunto
de V com mais de n vetores e linearmente dependente.
Demonstracao.
Seja {u
1
, . . . , u
p
} um subconjunto de V , com p > n. Os vetores das
coordenadas [u
1
]
B
, [u
2
]
B
, . . . , [u
p
]
B
formam um subconjunto do R
n
com
p > n vetores. Pelo teorema anterior este e um conjunto L.D.
127
CEDERJ
Portanto, existem escalares c
1
, . . . , c
p
, nem todos iguais a zero, tais
que
c
1
[u
1
]
B
+ . . . + c
p
[u
p
]
B
=
_
_
0
.
.
.
0
_
_
Como a transformacao de coordenadas e uma transformacao linear, Verique que se B e uma
base de um espaco veto-
rial V, a, b V e
c
1
e c
2
sao escalares, entao
[c
1
a+c
2
b]
B
= c
1
[a]
B
+c
2
[b]
B
.
Isto mostra que a trans-
forma cao de coordenadas e
uma transformacao linear.
temos
[c
1
u
1
+ . . . + c
p
u
p
]
B
=
_
_
0
.
.
.
0
_
_
Portanto, a representa cao do vetor c
1
u
1
+ . . . + c
p
u
p
, na base B e
[0 0], isto e,
c
1
u
1
+ ... + c
p
u
p
= 0.b
1
+ ... + 0.b
n
= 0 (3)
A equa cao (3) mostra que u
1
, . . . , u
p
e um conjunto linearmente de-
pendente.
Teorema 4
Se um espa co vetorial V tem uma base com n vetores, entao toda base de V
tambem tem exatamente n vetores.
Demonstracao.
Seja B
1
uma base com n vetores e seja B
2
uma outra base de V .
Como B
1
e base e B
2
e linearmente independente, entao B
2
nao tem
mais que n vetores, pelo teorema anterior.
Por outro lado, como B
2
e base e B
1
e linearmente independente, entao
B
2
nao tem menos que n vetores. Disto resulta que B
2
tem exatamente n
vetores.
Um espa co vetorial pode nao ter uma base com um n umero nito de ve-
tores. Por exemplo, o espaco vetorial dos polin omios na vari avel t, denotado
R[t], n ao tem base nita. Uma base para este espa co e
{1, t, t
2
, t
3
, ...}.
Como este conjunto e innito, ent ao R[t] n ao pode ter base nita (se tivesse
uma base com d elementos, ent ao qualquer conjunto com mais de d elementos
seria L.D., logo n ao poderia ter uma base innita).
CEDERJ
128
M
ODULO 2 - AULA 12
O teorema anterior mostra que, se um espa co vetorial V tem base nita,
entao todas as bases tem o mesmo n umero de elementos. Isto motiva a
seguinte deni cao:
Denicao
Se V tem uma base nita, entao V e chamado espa co vetorial de di-
mensao nita e chamamos de dimens ao de V , denotada dim V , o n umero de
vetores de uma base de V . Caso V nao tenha uma base nita, dizemos que
V e um espa co vetorial de dimens ao innita. A dimens ao do espa co vetorial
trivial [0] e denida como sendo igual a zero.
Exemplo 5
dim R
n
= n. Basta notar que a base can onica do R
n
tem n vetores.
Exemplo 6
dim P
n
= n + 1, onde o P
n
e o espa co vetorial dos polinomios de grau n.
Uma base de P
n
e o conjunto
{1, t, t
2
, . . . , t
n
},
que tem n + 1 vetores.
Exemplo 7
Determine a dimensao do subespa co H de R
3
geral do pelos vetores
v
1
=
_
_
1
2
1
_
_
e v
2
=
_
_
0
1
1
_
_
.
Solu cao:
Como v
1
e v
2
nao s ao m ultiplos um do outro, ent ao o conjunto {v
1
, v
2
}
e L.I, portanto e uma base de H. Logo dim H = 2.
Teorema do conjunto gerador
Um problema comum e o de encontrar uma base para um subespaco
gerado por um certo conjunto de vetores. Se este conjunto e L.I., entao e
base do subespaco que ele gera, se n ao for L.I., ent ao possui excesso de
vetores, como mostra o teorema a seguir.
129
CEDERJ
Teorema 5 (Teorema do Conjunto Gerador)
Seja S = {v
1
, ..., v
p
} um conjunto em V e seja H o conjunto gerado por
{v
1
, ..., v
p
}
a) Se um dos vetores de S, digamos v
k
, e combina cao linear dos outros,
entao S {v
k
} ainda gera o subespa co H.
b) Se H = {0}, entao algum subconjunto se S e uma base de H.
Demonstracao.
a) Reordenando os vetores, se necessario, suponha que v
p
e combina cao
linear dos vetores v
1
, ..., v
p1
. Entao existem escalares c
1
, ..., c
p1
tais
que
v
p
= c
1
v
1
+ . . . + c
p1
v
p1
. (1)
Seja x um vetor em H. Entao existem x
1
, ..., x
p
tais que
x = x
1
v
1
+ . . . + x
p1
v
p1
+ x
p
v
p
. (2)
Substituindo o valor de v
p
de (1) em (2) resulta que
x = x
1
v
1
+ . . . + x
p1
v
p1
+ x
p
.(c
1
v
1
+ . . . + c
p1
v
p1
)
= (x
1
+ c
1
x
p
)v
1
+ . . . + (x
p1
+ c
p1
x
p
)v
p1
.
Portanto, todo x H e combina cao linear dos vetores v
1
, v
2
, . . . , v
p1
.
b) Se o conjunto gerador inicial S e linearmente independente, entao e base
do subespa co H que gera. Caso contrario, e linearmente dependente,
o que implica que algum vetor em S e combina cao linear dos demais.
Excluindo este vetor, obtemos um subconjunto S
1
S, que tambem
gera H. Se S
1
e linearmente independente ent ao e base de H. Caso
contr ario, algum vetor em S
1
e combina cao linear dos outros. Excluindo
este, obtemos S
2
que tambem gera.
Como H = {0} e o conjunto inicial S e nito, ent ao o processo acima
deve parar, isto e, existe um subconjunto S
i
de S, tal que S
i
gera H e
S
i
e linearmente independente.
CEDERJ
130
M
ODULO 2 - AULA 12
Exemplo 8
Determine uma base para o subespaco
H =
_
_
_
_
a + b c
2a + d
b c d
5d
_
_
, tal que a, b, c e d R}
Solu cao:
Claramente H R
4
. Note que
_
_
a + b c
2a + d
b c d
5d
_
_
=
_
_
a
2a
0
0
_
_
+
_
_
b
0
b
0
_
_
+
_
_
c
0
c
0
_
_
+
_
_
0
d
d
5d
_
_
= a
_
_
1
2
0
0
_
_
+ b
_
_
1
0
1
0
_
_
+ c
_
_
1
0
1
0
_
_
+ d
_
_
0
1
1
5
_
_
.
Portanto, H e gerado pelos vetores
v
1
=
_
_
1
2
0
0
_
_
, v
2
=
_
_
1
0
1
0
_
_
, v
3
=
_
_
1
0
1
0
_
_
, v
4
=
_
_
0
1
1
5
_
_
.
Devemos checar se estes vetores formam um conjunto L.I. Claramente,
v
3
e m ultiplo de v
2
. Portanto, podemos excluir v
3
. O conjunto {v
1
, v
2
, v
3
} e,
pelo teorema anterior, gerador de H.
Para checar se {v
1
, v
2
, v
3
} e L.I., vamos resolver a equa cao c
1
v
1
+ c
2
v
2
+
c
4
v
4
= 0
c
1
_
_
1
2
0
0
_
_
c
2
_
_
1
0
1
0
_
_
+ c
4
_
_
0
1
1
5
_
_
=
_
_
0
0
0
0
_
_
.
131
CEDERJ
O que resulta no sistema
_
_
c
1
+ c
2
= 0
2c
1
+ c
4
= 0
c
2
c
4
= 0
5c
4
= 0
,
este sistema implica em c
2
= c
4
= 0 e c
1
= 0 e c
2
= 0, o que mostra que
{v
1
, v
2
, v
4
} e L.I. e, portanto, base de H.
Resumo
Nesta aula vimos a deni cao de dimens ao de um espa co vetorial. A
denicao dada faz sentido apenas porque, como estudamos, se um espa co
vetorial V tem uma base com n elementos, ent ao todas as bases de V tem
tambem n elementos.
Vimos tambem que, dado um conjunto B, linearmente dependente,
gerador de um subespaco H de um espa co vetorial, podemos ir retirando
certos vetores de B ate que o conjunto resultante seja uma base de H.
Exerccios
Para cada subespaco H nos exerccios 1 a 6, determine uma base de H
e sua dimens ao.
1. H = {(s 2t, s + t, 4t); s, t R}.
2. H = {(3s, 2s, t); s, t R}.
3. H = {(a + b, 2a, 3a b, 2b); a, b R}.
4. H = {(a, b, c); a 3b + c = 0, b 2c = 0 e 2b c = 0}.
5. H = {(a, b, c, d); a 3b + c = 0}.
6. H = {(x, y, x); x, y R}.
7. Determine a dimens ao do subespa co de R
3
gerado pelos vetores
_
_
1
0
2
_
_,
_
_
3
1
1
_
_,
_
_
9
4
2
_
_,
_
_
7
3
2
_
_.
CEDERJ
132
M
ODULO 2 - AULA 12
8. Os quatro primeiros polin omios de Hermite s ao 1, 2t, 2 + 4t
2
e
12t + 8t
3
.
Mostre que estes polinomios formam uma base de P
3
.
9. Encontre as coordenadas do polin omio p(t) = 7 12t 8t
2
+ 12t
3
na
base de P
3
formada pelos polin omios de Hermite (ver exerccio 8).
10. Mostre que o espa co C(R) formado por todas as fun coes reais e um
espa co de dimensao innita.
11. Mostre que uma base B de um espaco vetorial de dimens ao nita V e
um conjunto gerador minimal. Em outras palavras, se B tem n vetores
entao nenhum conjunto com menos de n vetores pode gerar V .
Mostre tambem que a base B e um conjunto linearmente independente
maximal, no sentido que qualquer conjunto com mais de n vetores nao
pode ser L.I.
12. Mostre que se H e subespaco de V e dimH = dimV entao H = V .
133
CEDERJ
Soma de subespacos
M
ODULO 2 - AULA 13
Aula 13 Soma de subespa cos
Objetivos
Mostrar um metodo pr atico para obter uma base de um subespaco vetorial
a partir de um conjunto gerador deste subespaco.
Provar o teorema do completamento, que arma que, dado um conjunto L.I.
em um subespaco vetorial V podemos complet a-lo para tornar uma base
de V .
Denir soma de subespa cos e ver o teorema da dimensao da soma.
Como obter uma base a partir de um conjunto gerador
Seja S = {b
1
, b
2
, b
3
, . . . , b
n
} um conjunto e U o subespa co gerado por
S. Seja M a matriz obtida escrevendo os vetores b
1
, . . . , b
n
como linhas de
M, isto e, b
i
e a i-esima linha de M.
M =
_
_
b
1
b
2
.
.
.
b
n
_
_
.
As operacoes elementares nas linhas de M sao:
Multiplica cao de uma linha por uma constante: L
i
.L
i
Troca de uma linha por outra: L
i
L
j
Substituir uma linha por uma combina cao linear dela por outra:
L
i
L
i
+ .L
j
.
Estas operacoes levam os vetores b
1
, . . . , b
n
a vetores b
i
, . . . , b
n
que
pertencem ao espa co gerado por {b
1
, . . . , b
n
}. Como estas opera coes s ao
invertveis, isto e, posso passar de {b
1
, . . . , b
n
} a {b
1
, . . . , b
n
} aplicando
opera coes elementares, entao o espa co gerado por {b
1
, . . . , b
n
} e o mesmo
gerado por {b
1
, . . . , b
n
}.
135
CEDERJ
Soma de subespacos
Podemos usar esta propriedade para reduzir a matriz M =
_
_
b
1
b
2
.
.
.
b
n
_
_
a uma matriz na forma M
=
_
_
b
1
b
2
.
.
.
b
r
0
.
.
.
0
_
_
; onde os b
1
, b
2
, . . . , b
r
sao L.I..
Neste caso, {b
1
, b
2
, . . . , b
r
} e um conjunto L.I. e gera o mesmo subespa co U

gerado por {b
1
, . . . , b
n
}. Em outras palavras, obtivemos uma base a partir
do conjunto gerado.
Exemplo 1
Obtenha uma base do subespa co U do R
4
gerado pelos vetores {(1, 1, 0, 2),
(2, 0, 1, 1), (0, 1, 2, 1), (1, 1, 1, 3)}. Determine a dimensao de U.
Solu cao:
Vamos formar a matriz M dos vetores acima e reduz-la:
M =
_
_
_
_
_
1 1 0 2
2 0 1 1
0 1 2 1
1 1 1 3
_
_
_
_
_
_
_
_
_
_
1 1 0 2
0 2 1 3
0 1 2 1
0 0 1 1
_
_
_
_
_
_
_
_
_
_
1 1 0 2
0 1 2 1
0 2 1 3
0 0 1 1
_
_
_
_
_
_
_
_
_
_
1 1 0 2
0 1 2 1
0 0 5 5
0 0 1 1
_
_
_
_
_
_
_
_
_
_
1 1 0 2
0 1 2 1
0 0 1 1
0 0 5 5
_
_
_
_
_
_
_
_
_
_
1 1 0 2
0 1 2 1
0 0 1 1
0 0 0 0
_
_
_
_
_
.
Vemos que o subespa co U tem base {(1, 1, 0, 2), (0, 1, 2, 1), (0, 0, 1, 1)}.
Portanto, dimU = 3.
Observe que, claramente, vetores na forma
_
_
_
_
_
_
_
_
x
1

0 x
2

0 0 x
3

0 0 0 x
4

.
.
.
_
_
_
_
_
_
_
_
,
onde as entradas marcadas podem ter qualquer valor e x
1
= 0, x
2
= 0 etc.
sao necessariamente L.I.
CEDERJ
136
Soma de subespacos
M
ODULO 2 - AULA 13
Teorema do Completamento
Vimos, na secao anterior, como obter uma base de um conjunto gerador.
Se este conjunto n ao e L.I., temos que diminu-lo para conseguir uma base.
Nesta secao veremos o inverso. Como obter uma base de um conjunto
L.I.. Se este conjunto n ao e gerador, ent ao temos que aument a-lo de forma
que continue L.I. e que se torne gerador.
Teorema 1
Seja {b
1
, . . . , b
r
} um conjunto L.I. em um espa co vetorial de dimens ao nita
V . Ent ao existem b
r+1
, . . . , b
n
, tal que {b
1
, . . . , b
r
, b
r+1
, . . . , b
n
} formam uma
base de V , onde n = dimV .
Demonstracao.
Se {b
1
, . . . , b
r
} gera o espa co V entao nada temos a fazer.
Se {b
1
, . . . , b
r
} nao e gerador ent ao existe b
r+1
V tal que b
r+1
nao e
combinacao linear de b
1
, . . . , b
r
. Portanto,
{b
1
, . . . , b
r
, b
r+1
} e um conjunto L.I.
Se este conjunto agora e gerador, obtivemos uma base. Se n ao, h a um vetor
b
r+2
V tal que b
r+2
nao e combina cao linear de b
1
, . . . , b
r+1
. Portanto,
{b
1
, . . . , b
r
, b
r+1
, b
r+2
} e L.I.
Se este conjunto for gerador, obtivemos uma base, caso contr ario continua-
mos com o processo, obtendo b
r+3
, b
r+4
, etc. Como V tem dimensao nita,
digamos dimV = n, quando chegarmos a {b
1
, . . . , b
n
} teremos obtido uma
base, pois o processo leva sempre a conjuntos L.I. e um conjunto L.I. com
n (= dim(V )) elementos deve ser uma base.
Soma de subespa cos
Dados subespa cos U e V de um espa co vetorial W, podemos obter um
subespa co maior que inclui U e V como subconjuntos (e como subespa cos).
Ja que este subespa co contem todo u U e todo v V , entao deve conter
todos os u +v, com u U e v V . (Lembre-se que subespacos s ao fechados
para a soma de vetores!)
Portanto, qualquer subespa co que contenha U e V deve conter as somas
u + v, com u U e v V . Isto motiva a seguinte deni cao:
137
CEDERJ
Soma de subespacos
Denicao
Sejam U e V subespa cos de um espa co vetorial W. Chamamos de soma
de U e V o conjunto Note que, nesta denicao,
U + V e so um conjunto.
Mostraremos em seguida que
e subespaco de W.
U + V = {u + v; u V e v V }.
Note que U U + V e V U + V .
Na discuss ao acima, vimos que qualquer subespa co que contenha U e
V deve conter o conjunto U + V denido acima.
A pr oxima proposicao mostra que o conjunto U +V ja e um subespaco
vetorial.
A soma de subespa cos e um subespaco
Proposi cao 1
Se U e V sao subespa cos de um espaco vetorial W, entao U +V e subespaco
de W.
Demonstracao.
Basta provar que U +V e nao vazio, fechado para a soma de vetores e
produto por escalar.
U + V = pois U e V sao n ao vazios. Em particular, 0 U + V , pois
0 U e 0 V 0 = 0 + 0 U + V.
Se x
1
, x
2
U + V entao x
1
= u
1
+ v
1
e x
2
= u
2
+ v
2
, para certos
vetores u
1
, u
2
U e v
1
, v
2
V , entao
x
1
+ x
2
= (u
1
+ v
1
) + (u
2
+ v
2
) = (u
1
+ u
2
) + (v
1
+ v
2
).
Como u
1
+ u
2
U e v
1
+ v
2
V entao x
1
+ x
2
U + V .
Se x = u + v U + V , com u U e v V , entao x = (u + v) =
u + v; R. Como u U e v V , entao x U + V .
Como U + V e subespaco e, como observamos acima, todo subespa co

de W que contenha U e V deve conter U+V , entao podemos dizer que U+V
e o menor subespa co de W contendo U e V .
CEDERJ
138
Soma de subespacos
M
ODULO 2 - AULA 13
Exemplos
2. U = U +{0}, onde {0} e o espa co vetorial nulo.
3. Seja U = {(x, 0, 0); x R} e V = {(0, y, z); y, z R}, subespa cos
vetoriais do R
3
. Entao temos que
U + V = {(x, 0, 0) + (0, y, z); x, y, z R}
= {(x, y, z); x, y, z R} = R
3
.
Isto e, a soma de U e V e todo o R
3
.
Agora observe o seguinte: U e uma reta, o eixo OX, enquanto que V
e o plano dado por x = 0.
Neste caso, a soma de um plano e uma reta e o espa co R
3
.
v
U
x
y
z
U + V = R
3
4. Seja U = {(x, 0, 0)} R
3
e V = {(x, y, 0)} R
3
, ent ao U V e
U + V = V .
Neste caso, a soma de um plano e uma reta e o pr oprio plano.
O que diferencia os exemplos 3 e 4?
No exemplo 3, somamos um plano e uma reta n ao contida nele, o que
resulta no espa co, enquanto que no exemplo 4, somamos um plano e
uma reta contida no plano, resultando no pr oprio plano. Voltaremos a
este topico quando falarmos sobre a base da soma.
5. Claramente, se U V entao U + V = V .
139
CEDERJ
Soma de subespacos
Soma direta
Intuitivamente, quanto menor U V , mais ganhamos quando passa-
mos de U e V para U +V . Em um caso extremo, se U V entao U +V = V
e nao ganhamos nada.
Lembre-se que U + V deve sempre conter o vetor nulo 0.
Denicao
Sejam U e V subespa cos vetoriais de W tais que U V = {0}. Entao
dizemos que U + V e a soma direta de U e V .
Denotamos a soma direta por U V .
No caso que U V = W entao dizemos que U e V sao complementares
e dizemos que V e o complementar de U em relacao a W (e vice-versa).
Veremos que dado subespa co U de W, sempre existe o espaco com-
plementar de U em relacao a W, isto e, sempre existe V W tal que
U V = W.
Na pr oxima proposi cao, veremos como a soma direta est a relacionada
à decomposi cao unica de cada vetor como soma de vetores nos subespacos.
Proposi cao 2
Sejam U e V subespa cos vetoriais de um espa co vetorial W. Entao
W = U V se, e somente se, cada vetor w W admite uma unica de-
composi cao w = u + v, com u U e v V .
Demonstracao.
() Suponha, por hip otese, que W = U V . Entao, dado w W,
existem u U e v V , tais que w = u + v. Temos que provar apenas a
unicidade. Suponha que exista outra decomposi cao w = u
+ v, com u
U
e v
V .
Entao
w = u + v
w = u
+ v
(u u
) + (v v
) = 0 u u
= v
v.
Mas uu
U e v
v V . Como U V = {0} (pois a soma e direta),

entao
u u
= v
v u u
= v
v = 0 u = u
e v = v
.
Portanto a decomposi cao e unica.
CEDERJ
140
Soma de subespacos
M
ODULO 2 - AULA 13
() Suponha que exista decomposi cao unica.
Como todo w W se escreve como w = u + v, com u U e v V ,
entao W = U + V . Resta provar que a soma e direta.
Seja x U V . Ent ao podemos escrever
x = x + 0 = 0 + x
U V U V
A unicidade da decomposicao implica em que x = 0, ou seja,
U V = {0}.
Exemplo 6
Seja {b
1
, . . . , b
n
} uma base para um espaco vetorial. Vimos que todo v V
tem uma unica decomposi cao na forma
v =
1
b
1
+ . . . +
n
b
n
.
Cada
i
b
i
pertence ao subespa co [b
i
] gerado pelo vetor b
i
. Portanto,
vale que
V = [b
1
] [b
2
] . . . [b
n
].
O exemplo anterior leva ` a questao de como obter uma base de uma
soma U V , tendo a base de U e de V .
Base e dimensao da soma de subespacos
Seja W um espa co vetorial de dimens ao nita, e sejam U e V subespa cos
de W. Vimos que U V e U + V sao subespa cos de W. A proposi cao a
seguir relaciona a dimensao destes subespacos.
Proposi cao 3
dim(U + V ) + dim(U V ) = dimU + dimV
Demonstracao.
Seja B
1
= {x
1
, ..., x
r
} uma base de U V , onde r = dim(U V ).
Vamos agora completar esta base B
1
de forma a criar uma base de U e
uma base de V .
141
CEDERJ
Soma de subespacos
Pelo teorema do completamento, existem vetores u
1
, . . . , u
s
em U e
v
1
, . . . , v
t
em V tais que
B
2
= {x
1
, . . . , x
r
, u
1
, . . . , u
s
} e uma base de U e
B
3
= {x
1
, . . . , x
r
, v
1
, . . . , v
t
} e uma base de V.
Note que r + s = dimU e r + t = dimV . Mostraremos, a seguir, que
B = {x
1
, . . . , x
r
, u
1
, . . . , u
s
, v
1
, . . . , v
t
} e uma base de U + V.
a) o conjunto B gera U + V .
Seja w U + V . Ent ao w = u + v, para certos u U e v V . Como
B
2
e B
3
sao bases de U e V , respectivamente, ent ao podemos escrever,
u =
1
x
1
+ . . . +
r
x
r
+
1
u
1
+ . . . +
s
u
s
v =
1
x
1
+ . . . +
r
x
r
+
1
v
1
+ . . . +
t
v
t
onde as letras gregas s ao escalares. Somando u e v encontramos
w = u+v = (
1
+
1
)x
1
+. . .+(
r
+
r
)x
r
+
1
u
1
+. . .+
s
u
s
+
1
v
1
+. . .+
t
v
t
.
Portanto, o conjunto B gera U + V .
b) o conjunto B e linearmente independente. Suponhamos que
(1)
1
x
1
+ . . . +
r
x
r
+
1
u
1
+ . . . +
s
u
s
+
1
v
1
+ . . . +
t
v
t
= 0
entao,
1
x
1
+ . . . +
r
x
r
+
1
u
1
+ . . . +
s
u
s
=
1
v
1
. . .
t
v
t
.
O vetor do lado esquerdo da igualdade est a em U, logo
1
v
1
. . .
t
v
t
U. Mas v
1
, . . . , v
t
est ao em V , logo
1
v
1
. . .
t
v
t
U V.
Como x
1
, . . . , x
r
formam uma base de U V , segue-se que existem
escalares
1
, . . . ,
r
tais que
1
v
1
. . .
t
v
t
=
1
x
1
+ . . . +
r
x
r
1
x
1
+ . . . +
r
x
r
+
1
v
1
+ . . . +
t
v
t
= 0.
CEDERJ
142
Soma de subespacos
M
ODULO 2 - AULA 13
A equacao anterior e uma combinacao linear dos vetores em B
3
, que e
base de V , portanto L.I.. Segue-se que
1
= . . . =
r
=
1
= . . . =
t
= 0.
Substituindo
1
= ... =
t
= 0 em (1), obtemos
1
x
1
+ . . . +
r
x
r
+
1
u
1
+ . . . +
s
u
s
= 0
que e uma combinacao linear nos vetores em B
1
, que e base de U, logo
1
= . . . =
r
=
1
= . . . =
s
= 0.
Com isto, provamos que todos os coecientes em (1) s ao nulos, ou seja,
o conjunto B e L.I.
Conclumos que B e base de U + V . Como B tem r + s + t vetores,
entao dim(U + V ) = r + s + t, segue-se que
dim(U + V ) + dim(U V )
= r + s + t + r = (r + s) + (r + t) = dimU + dimV
No caso em que a soma e direta, U V = {0}, logo dimU V = 0 e

dim(U V ) = dimU + dimV.
Alem disso, na demonstra cao do teorema acima, vimos que, no caso de
soma direta, se B
1
e base de U e B
2
e base de V , entao B
1
B
2
e base de
U V .
Em geral, se U V = {0}, entao B
1
B
2
e um conjunto gerador de
U + V , mas n ao e L.I.
Exemplo 7
Seja U = {(0, y, z); y, z R} e V = [(1, 1, 0)]. O subespaco U de R
3
tem
base {(0, 1, 0), (0, 0, 1)}, portanto dimU = 2. Claramente dimV = 1. Vamos
determinar U V .
Se w U V , entao w = (1, 1, 0) , logo
(0, y, z) = .(1, 1, 0) = (, , 0)
_
_
= 0
= y
0 = z
143
CEDERJ
Soma de subespacos
Portanto = 0 w = 0.
Assim U V = {0}. Segue-se que a soma e direta e
dim(U V ) = dimU + dimV = 2 + 1 = 3.
Como U + V e subespaco de R
3
e dim(U + V ) = 3 ent ao
U + V = R
3
.
r
Se uma reta r nao esta con-
tida em um plano , entao
r pode ser vazio (reta pa-
ralela) ou um ponto, quando
a reta corta o plano (ver -
gura acima).
Temos entao a situa cao em que a soma de um plano (U e o plano x = 0)
e uma reta n ao contida no plano e todo o espa co R
3
. Se a reta estiver contida
no plano, ent ao V U U + V = U.
Exemplo 8
Seja U subespa co de R
4
gerado por {(1, 1, 0, 0), (0, 0, 1, 0)} e
V = {(x, y, z, t); y + z = 0}.
E facil ver que o conjunto {(1, 1, 0, 0), (0, 0, 1, 0)} e linearmente inde-
pendente, logo dimU = 2.
Vamos determinar uma base de V .
v = (x, y, z, t) V y + z = 0 z = y, logo,
v = (x, y, y, t) = x(1, 0, 0, 0) + y(0, 1, 1, 0) + t(0, 0, 0, 1).
Segue-se que V e gerado por {(1, 0, 0, 0), (0, 1, 1, 0), (0, 0, 0, 1)}.
E facil ver que este conjunto e L.I., logo dimV = 3.

Podemos agora proceder de duas maneiras, determinar U + V ou de-
terminar U V . Vamos determinar U + V . Sabemos que a uni ao das bases
de U e de V e um conjunto gerador de U + V . Vamos encontrar uma base
de U + V a partir deste conjunto gerador:
base de U
base de V
_
_
_
_
_
_
_
_
_
_
1 1 0 0
0 0 1 0

1 0 0 0
0 1 1 0
0 0 0 1
_
_
_
_
_
_
_
_
_
_
L
3
L
3
L
1
_
_
_
_
_
_
_
_
1 1 0 0
0 0 1 0
0 1 0 0
0 1 1 0
0 0 0 1
_
_
_
_
_
_
_
_
L
2
L
4
_
_
_
_
_
_
_
_
1 1 0 0
0 1 1 0
0 1 0 0
0 0 1 0
0 0 0 1
_
_
_
_
_
_
_
_
L
3
L
3
+ L
2
_
_
_
_
_
_
_
_
1 1 0 0
0 1 1 0
0 0 1 0
0 0 1 0
0 0 0 1
_
_
_
_
_
_
_
_
CEDERJ
144
Soma de subespacos
M
ODULO 2 - AULA 13
L
3
L
3
L
4
L
5
_
_
_
_
_
_
_
_
1 1 0 0
0 1 1 0
0 0 1 0
0 0 0 1
0 0 1 0
_
_
_
_
_
_
_
_
L
5
L
5
L
3
_
_
_
_
_
_
_
_
1 1 0 0
0 1 1 0
0 0 1 0
0 0 0 1
0 0 0 0
_
_
_
_
_
_
_
_
Isto mostra que a uni ao das bases de U e V pode ser transformada em
um conjunto que contem {(1, 1, 0, 0), (0, 1, 1, 0), (0, 0, 1, 0), (0, 0, 0, 1)}, que
e uma base de R
4
, isto e,
U + V = R
4
dim(U + V ) = 4.
Sendo assim,
dim(U + V ) + dim(U V ) = dimU + dimV = 2 + 3 = 5
dim(U V ) = 1.
Resumo
Iniciamos esta aula vendo um processo de obter uma base a partir de
um conjunto gerador para um espa co vetorial, usando opera coes elementares
nas linhas da matriz formada pelos vetores deste conjunto gerador.
Em seguida, vimos o teorema do complemento, que arma que dado
um conjunto L.I., em um espa co vetorial V se ele nao for uma base de V ,
nos acrescentamos vetores ate que se torne uma base de V .
Passemos ent ao ao estudo da soma U +V dos subespa cos U e V de um
espa co vetorial W. Quando U V = {0} entao a soma e chamada direta e
denota por U V .
O conjunto uni ao das bases de U e V forma um conjunto gerador de
U + V que, no caso de soma direta, e uma base de U V . A dimens ao de
U + V e dada por:
dim(U + V ) = dim(U) + dim(V ) dim(U V ).
145
CEDERJ
Soma de subespacos
Exerccios
1. Seja U R
4
o subespaco gerado pelo conjunto
{(1, 1, 2, 0), (0, 1, 3, 1), (2, 1, 5, 3)}.
Encontre uma base de U e determine dimU.
2. Para os subespa cos U e V de R
3
nos itens abaixo, determine U V e
U + V .
a) U = [(1, 0, 1), (0, 1, 1) e V = [(1, 1, 1)].
b) U = [(1, 0, 1), (0, 1, 1) e V = [(1, 2, 3)].
c) U = {(x, y, z) R
3
| z = 0} e V = [(0, 0, 1)].
d) U = {(x, y, z) R
3
| x + y = 0} e V = [(2, 2, 1)].
3. Em qual dos itens do exerccio 2 a soma e direta?
4. Se U e V sao subespa cos vetoriais do R
4
, dimU = 2 e dimV = 3,
determine o menor e o maior valor possvel para dimU V e para
dimU + V .
5. Seja M
2x2
o espa co vetorial das matrizes reais de ordem 2x2. Seja U o
subespa co de M
2x2
dado por U =
__
0 b
c 0
_
; b, c R
_
. Determine
um subespa co V M
2x2
tal que M
2x2
= U V .
1. Base de U e B = {(1, 1, 2, 0), (0, 1, 3, 1)}, dimU = 2.
2. a) U V = {0} e U + V = R
3
.
b) V U, logo U V = V e U + V = U.
c) U V = {0} e U + V = R
3
.
d) V U, logo U V = V e U + V = R
3
.
CEDERJ
146
Soma de subespacos
M
ODULO 2 - AULA 13
3. A soma e direta nos itens a e c.
4. Temos max{dimU, dimV } dim(U + V ) dim(R
4
),
3 dim(U + V ) 4.
Como dim(U V ) = dimU + dimV dim(U + V )
dim(U V ) = 5 dim(U + V )
entao
1 dimU V 2.
5. V =
__
a 0
0 d
_
; a, d R
_
.
147
CEDERJ
Espa cos Vetoriais com Produto Interno
M
ODULO 2 - AULA 14
Aula 14 Espa cos Vetoriais com Produto
Interno
Objetivos
Pre-requisitos: aulas 8, 11 e
12.
Reconhecer produtos internos;
Determinar a norma de um vetor e o angulo entre dois vetores;
Identicar vetores ortogonais;
Aplicar as propriedades dos produtos internos na resolu cao de exerccios.
Nesta aula deniremos uma opera cao entre vetores cujo resultado e um
n umero real: o produto interno. Veremos v arios exemplos, com destaque para Neste curso trabalhamos pe-
nas com espacos vetoriais re-
ais, isto e, considerando o
conjunto dos n umeros reais
como o conjunto de escala-
res. Poderamos, no entanto,
considerar o conjunto dos
n umeros complexos. Nesse
caso, o resultado do pro-
duto interno seria um n umero
complexo, e a denicao, ligei-
ramente diferente.
o chamado produto interno; estudaremos as principais propriedades dos pro-
dutos internos e suas aplica coes na determina cao de grandezas geometricas
associadas a vetores de R
2
e R
3
.
Produto interno
Seja V um espaco vetorial (real). Um produto interno denido em V e
uma rela cao
< ., . >: V V R
que, a cada par de vetores (u, v) V V , associa um n umero real represen-
tado por < u, v >, e que satisfaz as seguintes condicoes:
(i) < u, v >=< v, u >
(ii) < u, v + w >=< u, v > + < u, w >
(iii) < u, v >= < u, v >
(iv) < u, u > 0 e < u, u >= 0 u = o
V
, u, v, w V, R.
Chamamos de espaco euclidiano a um espa co vetorial real munido de
produto interno.
Podemos denir diferentes produtos internos num mesmo espa co veto-
rial. Vamos ver alguns exemplos.
149
CEDERJ
Espacos Vetoriais com Produto Interno
Exemplo 1
Vamos mostrar que a rela cao < u, v >= 2x
1
x
2
+ 3y
1
y
2
, onde u = (x
1
, y
1
)
e v = (x
2
, y
2
), e um produto interno denido em R
2
. Para isso, temos que
mostrar a validade das quatro condi coes da deni cao de produto interno:
(i) < u, v >= 2x
1
x
2
+ 3y
1
y
2
= 2x
2
x
1
+ 3y
2
y
1
=< v, u >.
(ii) Seja w = (x
3
, y
3
) R
2
. Entao
< u, v + w >= 2x
1
(x
2
+ x
3
) + 3y
1
(y
2
+ y
3
) = 2x
1
x
2
+ 2x
1
x
3
+ 3y
1
y
2
+
3y
1
y
3
= (2x
1
x
2
+ 3y
1
y
2
) + (2x
1
x
3
+ 3y
1
y
3
) =< u, v > + < u, w >.
(iii) Seja R. Ent ao
< u, v >= 2x
1
x
2
+ 3y
1
y
2
= (2x
1
x
2
+ 3y
1
y
2
) = < u, v >.
(iv) < u, u >= 2x
2
1
+ 3y
2
1
0. Alem disso, se < u, u >= 0 ent ao
2x
2
1
+ 3y
2
1
= 0, que implica x
2
1
= 0 e y
2
1
= 0. Da, x
1
= 0 e y
1
= 0,
isto e, u = (0, 0) = v
R
2. Finalmente, se u = v
R
2 = (0, 0), segue que
< u, u >= 2.0 + 3.0 = 0.
Exemplo 2
Na aula 12, voce determinou o vetor-coordenadas de um vetor em rela cao a
uma certa base. Viu que, xados a base e o vetor, as coordenadas s ao unicas.
Sejam V , um espa co vetorial real de dimens ao n, e B = {u
1
, u
2
, ..., u
n
}, uma
base de V .
A relacao denida em V V que, a cada par de vetores u e v, de V ,
associa o n umero real a
1
b
1
+ a
2
b
2
+ ... + a
n
b
n
, onde u]
B
= (a
1
, a
2
, ..., a
n
) e
v]
B
= (b
1
, b
2
, ..., b
n
) sao os vetores-coordenadas dos vetores u e v, de V , em
rela cao ` a base B, respectivamente, e um produto interno em V .
Importante: Tendo em vista o exemplo anterior, podemos concluir
que TODO espa co vetorial admite produto interno. Assim, quando nos re-
ferimos a um espa co vetorial munido de produto interno, n ao signica que
existem espacos que nao satisfazem essa propriedade, mas sim que estamos
querendo enfatizar o fato de que usaremos o produto interno na argumenta cao
ou nas aplica coes que forem o objeto de estudo, naquele instante.
Quando a base considerada e a can onica, o produto interno assim de-
nido chama-se produto interno usual. Particularmente, nos espacos vetoriais
R
2
e R
3
, o produto interno usual e tambem conhecido como produto escalar.
Voce j a estudou o produto es-
calar na disciplina de Geome-
tria Analtica.
CEDERJ
150
M
ODULO 2 - AULA 14
Exemplo 3
Em M
2
(R), sendo u =
_
u
1
u
2
u
3
u
4
_
e v =
_
v
1
v
2
v
3
v
4
_
, a rela cao < u, v >=
u
1
v
1
+u
2
v
2
+u
3
v
3
+u
4
v
4
e um produto interno (e produto interno usual em
M
2
). Voce pode vericar isso, como exerccio. Segundo esse produto interno,
sendo u =
_
2 1
5 1
_
e v =
_
3 6
0 2
_
, temos < u, v >= 2.3 + 1.6 + 5.0 +
(1).2 = 10.
Exemplo 4
Dados p = a
0
+ a
1
t + a
2
t
2
+ a
3
t
3
e q = b
0
+ b
1
t + b
2
t
2
+ b
3
t
3
, a rela cao
< p, q >= a
0
b
0
+ a
1
b
1
+ a
2
b
2
+ a
3
b
3
dene um produto interno em P
3
(e o
produto interno usual em P
3
). Dados p = 2 + 3t t
2
e q = 2t + t
2
5t
3
,
temos < p, q >= 2.0 + 3.2 + (1).1 + 0.(5) = 5.
Propriedades do Produto Interno
Seja V um espa co vetorial real e < ., . >: V V R um produto
interno. Valem as seguintes propriedades:
1. < o
V
, v >=< v, o
V
>= 0, v V
De fato, como 0v = o
V
, para todo vetor v em V, podemos escrever
< o
V
, v >=< 0v, v >
(iii)
= 0 < v, v >= 0. Alem disso, por (i), temos
< o
V
, v >=< v, o
V
>= 0. Logo, < o
V
, v >=< v, o
V
>= 0.
2. < v, u >= < v, u >, R, v, u V .
De fato, < v, u >
(i)
=< u, v >
(iii)
= < u, v >
(i)
=< v, u >.
3. =< u, w > + < v, w >, u, v, w V .
De fato, 
(i)
=< w, u + v >
(ii)
=< w, u > + < w, v >
(i)
=< u, w >
+ < v, w > .
4. <
1
u
1
+
2
u
2
+ ... +
n
u
n
, v >=<
1
u
1
, v > + <
2
u
2
, v > +...
+ <
n
u
n
, v >, n inteiro , n 1, u, v
i
V, i = 1, ..., n.
A prova desta propriedade usa inducao e as condi coes (ii) e (iii) da
denicao de produto interno. De modo mais suscinto, podemos escreve-
la usando o smbolo de somat orio:
_
n
i=1
i
u
i
, v
_
=
n
i=1
i
 .
151
CEDERJ
5.
_
u,
n
i=1
i
v
i
_
=
n
i=1
< u, v
i
>.
A prova desta propriedade usa indu cao e as propriedades 2 e 3 j a vistas.
6. Generalizando, podemos provar que
_
n
i=1
i
u
i
,
m
j=1
j
v
j
_
=
n
i=1
m
j=1
j
.
Veremos a seguir aplicacoes praticas do produto interno.
Aplica coes do produto interno
Norma de vetor
Sejam V um espa co euclidiano e v V . Chama-se norma de v o n umero
real
||v|| =
< v, v >.
Note que, pela condi cao (iv) da denicao de produto interno, esse
n umero esta bem denido, pois < v, v > e nao negativo, para qualquer
vetor v considerado. Assim, a norma de um vetor e sempre um n umero real
nao negativo e o vetor nulo e o unico vetor de V que tem norma igual a zero.
Exemplo 5
Em R
2
, com o produto interno usual, a norma de um vetor v = (x
1
, x
2
) e
dada por ||v|| =
_
x
2
1
+ x
2
2
. Assim, temos:
||(3, 4)|| =
_
(3)
2
+ 4
2
=
9 + 16 =
25 = 5.
||(
1
2
,
3
2
)|| =
_
1
4
+
3
4
=
1 = 1.
Exemplo 6
Em R
3
, com o produto interno usual, a norma de um vetor v = (x
1
, x
2
, x
3
) e
||v|| =
_
x
2
1
+ x
2
2
+ x
2
3
. Por exemplo:
||(1, 2, 3)|| =
_
(1)
2
+ 2
2
+ 3
2
=
1 + 4 + 9 =
14.
||(2, 2, 1)|| =
4 + 4 + 1 =
9 = 3.
Na gura 1 podemos ver que, no plano, a norma do vetor v coincide
com a medida da hipotenusa do triangulo ret angulo determinado por x
1
e x
2
CEDERJ
152
M
ODULO 2 - AULA 14
(compare a express ao a norma com a conhecida f ormula de Pitagoras...). No
espa co, a norma de v coincide com a medida da diagonal do paraleleppedo
formado por x
1
, x
2
e x
3
.
Devido a essa interpretacao geometrica que podemos dar ` a norma de
um vetor de R
2
ou R
3
, a norma de um vetor v e tambem conhecida como
sendo o m odulo, tamanho, ou ainda, comprimento de v.
Fig. 1: Norma de vetores em R
3
e R
2
.
Observa cao: A n ao ser que se diga algo em contr ario, o produto interno
considerado sera sempre o usual.
Exemplo 7
Em M
2
(R), com o produto interno denido no exemplo 3, a norma da matriz
v =
_
3 6
0 2
_
e ||v|| =
< v, v > =
9 + 36 + 4 =
49 = 7.
Exemplo 8
Usando o produto interno de P
3
, denido no exemplo 4, a norma do polin omio
p = 2 + 3t t
2
e ||p|| =
< p, p > =
4 + 9 + 1 =
14.
A norma de vetores possui importantes propriedades que listamos a
seguir; suas demonstra coes sao propostas como exerccios, ao nal da aula.
Propriedades da norma de vetores
Seja V um espaco euclidiano. Entao:
1. ||v|| = || ||v||, R, v V .
153
CEDERJ
2. ||v|| 0, v V e ||v|| = 0 v = o
V
.
3. | < u, v > | ||u|| ||v||, u, v V . (Desigualdade de Cauchy Schwarz)
4. ||u + v|| ||u|| +||v||, u, v V . (Desigualdade triangular)
Usando o conceito de norma de vetor, podemos tambem denir a distancia
entre dois vetores: dados u e v em um espa co euclidiano V , a dist ancia entre
eles, representada por d(u, v), e dada por:
d(u, v) = ||u v||.
A gura 2 ilustra o caso em que V = R
2
.
Fig. 2: Distancia em R
2
.
Exemplo 9
Em R
3
, a distancia entre u = (3, 2, 1) e v = (4, 1, 3) e d(u, v) = ||uv|| =
||(1, 3, 4)|| =
1 + 9 + 16 =
26.
Angulo de dois vetores

Sejam V , um espaco vetorial euclidiano, e u, v V , nao nulos. A
desigualdade de Cauchy Schwarz: | < u, v > | ||u|| ||v||, sendo modular, se
desdobra na dupla desigualdade:
||u|| ||v|| < u, v > ||u|| ||v||.
Como os vetores u e v sao n ao nulos, suas normas s ao n umeros reais
positivos e podemos dividir cada termo dessa desigualdade por ||u|| ||v||:
1
< u, v >
||u|| ||v||
1.
CEDERJ
154
M
ODULO 2 - AULA 14
Na disciplina de pre-calculo, voce estudou as funcoes trigonometricas.
Deve se lembrar, entao que, a cada n umero real a no intervalo [1, 1] cor-
responde um unico arco , 0 , tal que cos = a, conforme ilustra a
gura 3.
Fig. 3:

Angulo entre dois vetores de R
2
.
Podemos, entao, denir o angulo entre os vetores u e v como sendo
tal que
cos =
< u, v >
||u|| ||v||
.
Em R
2
e R
3
, e, de fato, o angulo geometrico determinado pelos vetores
u e v. A formula fornece o cosseno do angulo. Ao nal da aula, h a uma tabela
com os cossenos dos angulos not aveis no intervalo [0, ].
Exemplo 10
Vamos determinar o angulos entre os vetores u = (4, 2) e v = (3, 1), de R
2
:
cos =
< u, v >
||u|| ||v||
=
12 2
16 + 4
9 + 1
=
10
20
10
=
10
200
=
10
10
2
=
1
2
=
2
2
.
Um caso particularmente interessante e quando = 90
0
, ou seja, quando
os vetores formam um angulo reto, ou, em outras palavras, quando sao or-
togonais. Como cos 90
0
= 0 =
< u, v >
||u|| ||v||
, concluimos que
u e v sao ortogonais < u, v >= 0.
Exemplo 11
Em M
2
(R), com o produto interno denido no exemplo 3, as matrizes
u =
_
2 0
1 5
_
e v =
_
3 5
4 2
_
sao ortogonais, pois < u, v >= 2.3 + 0.5 +
1.4 + 5.(2) = 0.
155
CEDERJ
Resumo
Nesta aula denimos produto interno: uma importante rela cao denida
em espa cos vetoriais, que associa um n umero real a cada par de vetores do
espa co. A partir da deni cao de produto interno, podemos determinar a
norma de um vetor e o angulo denido por dois vetores. Podemos denir
diferentes produtos internos em um mesmo espa co vetorial; cada um deles
determinar a uma norma e um angulo entre vetores. O produto interno mais
estudado, mais util para n os, e o usual; a partir dele, a norma de um vetor
do plano ou do espa co corresponde ao seu comprimento geometrico, o mesmo
acontecendo com o angulo entre eles. Vimos, tambem, o conceito de ortogo-
nalidade de vetores. Na pr oxima aula retomaremos esse assunto, estudando
importantes subespacos de um espaco euclidiano.
Exerccios
1. Prove a validade das propriedades do produto interno, isto e, sendo V
um espaco euclidiano,
a) ||v|| = || ||v||, R, v V .
b) ||v|| 0, v V e ||v|| = 0 v = o
V
c) (Desigualdade de Cauchy Schwarz) | < u, v > | ||u|| ||v||,
u, v V .
Sugestao: Primeiramente, mostre que no caso em que v e o vetor nulo,
vale a igualdade. Suponha, ent ao, v = o. Nesse caso, sendo um real
qualquer, e verdade que ||u + v||
2
0. Desenvolva essa expressao,
obtendo um trin omio do segundo grau, em , sempre positivo. Entao
seu discriminante tem que ser menor ou igual a zero. Da segue a
desigualdade procurada.
d) (Desigualdade triangular) ||u + v|| ||u|| +||v||, u, v V .
Sugestao: Desenvolva a expressao ||u + v||
2
e use a desigualdade de
Cauchy Schwarz.
2. Considerando o espa co euclidiano R
3
, calcule < u, v > em cada caso:
a) u = (2, 1, 0) e v = (3, 4, 1)
b) u = (1/2, 3, 2) e v = (1, 1, 5)
CEDERJ
156
M
ODULO 2 - AULA 14
3. Seja o espaco euclidiano R
2
. Determine o vetor w tal que < u, w >= 8
e < v, w >= 10, dados u = (2, 1) e v = (1, 3).
Sugestao: Represente o vetor w pelo par (x, y).
4. Calcule a norma de v V , em cada caso:
a) v = (3, 4), V = R
2
b) v = (1, 1, 1), V = R
3
c) v = (1, 0, 4,
19), V = R
4
5. Em um espa co euclidiano, um vetor e dito ser unitario quando sua
norma e igual a 1.
a) Entre os seguintes vetores de I!R
2
, quais s ao unit arios:
u = (1, 1) v = (1, 0) w = (1/2, 1/2) t = (1/2,
3/2)
b) Determine a R
2
tal que o vetor u = (a, 1/2), de I!R
2
seja
unit ario.
6. Obtenha o angulo entre os seguintes pares de vetores de R
2
:
a) u = (3, 1) e v = (6, 2)
b) u = (1, 2) e v = (1, 3)
c) u = (3, 1) e v = (2, 2)
d) u = (0, 2) e v = (1, 1)
7. Considere o espaco euclidiano M
2
(R).
a) Quais das matrizes abaixo s ao ortogonais a M =
_
2 1
1 3
_
:
A =
_
1 2
4 0
_
B =
_
1 1
1 1
_
C =
_
0 0
0 0
_
D =
_
3 2
1 3
_
b) Calcule a norma da matriz M, do item anterior.
c) Determine o angulo entre as matrizes M
1
=
_
2 4
1 3
_
e
M
2
=
_
3 1
4 2
_
d) Calcule a distancia entre as matrizes M
1
e M
2
do item anterior.
157
CEDERJ
8. No espa co vetorial P
2
,
a) Dena o produto interno usual (an alogo ao denido em P
3
, no
exemplo 4 da aula).
b) Calcule a norma do polin omio p = 3 4t + 2t
2
, de P
2
.
Auto-avalia cao
O assunto tratado nesta aula e muito importante, no desenvolvimento
de toda a teoria. Note que os conceitos de norma, dist ancia, angulo, ortogo-
nalidade, tao naturais quando pensamos em vetores do plano ou do espa co,
foram estendidos para espa cos vetoriais quaisquer. Express oes como norma
de polinomio, dist ancia entre matrizes, polin omios ortogonais, n ao de-
vem mais causar estranheza. Voce n ao deve car com nenhuma d uvida, antes
de seguir em frente. Refa ca os exemplos, se julgar necessario. E lembre-se:
encontrando qualquer obst aculo, pe ca ajuda ao tutor da disciplina. Ate a
pr oxima aula!!
1. a) ||v|| =
< v, v > =
_
2
< v, v > =
_
2
||v||
2
= ||.||v||. Note que, dado a R,
a
2
=
|a|.
b) ||v|| 0, pela pr opria deni cao de norma. ||v|| = 0
< v, v > =
0 < v, v >= 0 v = o
V
. Finalmente, v = o
V
< v, v >= 0
< v, v > = 0 ||v|| = 0.

c) Se v = o
V
, entao ||v|| = 0 e < u, v >= 0 = ||u ||v||. Portanto,
vale a igualdade (e, em conseq uencia, a desigualdade). Supondo
v = o
V
, e sendo R, arbitr ario, podemos armar que ||u +
v||
2
0. Desenvolvendo essa express ao (usando a deni cao de
norma), chegamos a ||v||
2
2
+ 2 < u, v > + ||u||
2
0, para
todo real. Isto e, obtemos um trinomio do segundo grau, em ,
sempre positivo. Entao seu discriminante tem que ser menor ou
igual a zero, isto e: 4 < u, v >
2
4||v||
2
||u||
2
0. Separando os
termos da desigualdade, simplicando e extraindo a raiz quadrada
de cada termo, concluimos que | < u, v > | ||u|| ||v||.
CEDERJ
158
M
ODULO 2 - AULA 14
d) ||u + v||
2
==< u, u > + < u, v > + < v, u >
+ < v, v >= ||u||
2
+2 < u, v > +||v||
2
. Usando a desigualdade de
Cauchy Schwarz, ||u + v||
2
||u||
2
+ 2||u|| ||v|| + ||v||
2
= (||u|| +
||v||)
2
. Logo, ||u + v|| ||u|| +||v||, u, v V .
2. a) 10
b) 25/2
3. w = (2, 4)
4. a) 5
b)
3
c) 6
5. a) v, t
b) ||u|| = 1 ||u||
2
= 1 a
2
+ 1/4 = 1 a =
3/2
6. a) 0
0
b) 45
0
c) arccos 2
5/5
d) 135
0
7. a) A, C, D
b) ||M|| = 15
c) 90
o
- as matrizes M
1
e M
2
sao ortogonais.
d) d(M
1
, M
2
) = ||M
1
M
2
|| =
60 = 2
15.
8. a) Sendo p = a
0
+ a
1
t + a
2
t
2
e q = b
0
+ b
1
t + b
2
t
2
, em P
2
, o produto
interno usual e dado por: < p, q >= a
0
b
0
+ a
1
b
1
+ a
2
b
2
.
b)
29
Tabela do cosseno:
: 0 (0
o
) /6 (30
o
) /4 (45
o
) /3 (60
o
) /2 90
o
)
cos : 1
3/2
2/2 1/2 0
Para os angulos do segundo quadrante (compreendidos no intervalo
[/2, ], basta lembrar que cos ( ) = cos (ou: cos (180 ) =
cos ). Por exemplo, cos 120
0
= cos (180
0
120
0
) = cos 60
0
= 1/2.
159
CEDERJ
Conjuntos ortogonais e ortonormais
M
ODULO 2 - AULA 15
Aula 15 Conjuntos ortogonais e
ortonormais
Objetivos
Pre-requisitos: aulas
11 (independencia linear),
12 (base), e
14 (ortogonalidade).
Reconhecer conjuntos ortogonais e ortonormais;
Aplicar o metodo de ortogonaliza cao de Gram-Schmidt;
Reconhecer bases ortonormais;
Projetar vetores ortogonalmente em subespa cos.
Nesta aula vamos caracterizar subconjuntos especiais de espa cos eu-
clidianos. Na aula 14 vimos que, num espa co euclidiano, dois vetores sao Espacos vetoriais reais, com
produto interno e dimensao
nita.
ortogonais quando o produto interno deles se anula. Isto e, sendo V um
espa co euclidiano,
u v < u, v >= 0, u, v V.
Vejamos, agora, as duas deni coes importantes desta aula:
Seja V um espaco euclidiano. Um subconjunto S = {v
1
, ..., v
n
} V e
ortogonal, quando seus elementos sao ortogonais dois a dois, isto e:
< v
i
, v
j
>= 0, i, j {1, ..., n}, i = j.
ortonormal quando e ortogonal e todos os seus elementos s ao unit arios,
isto e:
S e ortogonal e ||v
i
|| = 1, i {1, ..., n}.
Exemplo 1
a) O conjunto S = {2, 3, 1), (5, 4, 2)} R
3
e ortogonal. De fato,
< (2, 3, 1), (5, 4, 2) >= 10 12 +2 = 0. S n ao e ortonormal pois, por
exemplo, ||(2, 3, 1)|| =
4 + 9 + 1 =
14 = 1.
b) O conjunto S = {(1, 0, 0), (0,
3/2, 1/2)} R
3
e ortonormal, pois
< (1, 0, 0), (0,
3/2, 1/2) >= 0,

||(1, 0, 0)|| =
1 = 1 e
||(0,
3/2, 1/2)|| =
_
3/4 + 1/4 =
1 = 1.
161
CEDERJ
c) Se S e um conjunto ortogonal num espa co euclidiano V , entao o con-
junto resultante da uni ao S {o
V
} tambem e ortogonal pois o vetor
nulo e ortogonal a qualquer outro vetor.

E claro, tambem, que nenhum
conjunto em que o vetor nulo comparece e ortonormal, pois a condi cao
de todos os vetores serem unit arios n ao e satisfeita.
Na aula 14, vimos que, num espa co euclidiano, o cosseno do angulo ,
formado por dois vetores u e v, n ao nulos, e:
cos =
< u, v >
||u|| ||v||
.
No caso de os dois vetores serem unitarios, a f ormula se resume a
cos =< u, v > .
Agora, num conjunto ortornomal S, s o h a duas possibilidades para a
medida do angulo formado por quaisquer dois de seus vetores:
- se os vetores sao distintos, entao formam angulo reto e, ent ao, o
produto interno e igual a zero (pois vimos acima que o cosseno do angulo se
iguala ao produto interno);
- se consideramos duas vezes o mesmo vetor, ent ao o angulo e nulo e
seu cosseno e igual a 1; logo, o produto interno tambem e 1.
Da, podemos concluir que:
Sendo S = {v
1
, v
2
, ..., v
n
} um subconjunto ortonormal de um espa co
euclidiano, ent ao
i = j = 90
o
cos = 0 =< v
i
, v
j
> .
i = j = 0
o
cos = 1 =< v
i
, v
j
> .
Podemos, ent ao, caracterizar um conjunto ortonormal {v
1
, v
2
, ..., v
n
}
usando o smbolo de Kronecker: Lembrando: A funcao delta
de Kronecker nos ndices i
e j e denida por:
ij
=
(
0, se i = j
1, se i = j
.
< v
i
, v
j
>= ij, i, j {1, ..., n}.
Veremos, a seguir, um importante resultado envolvendo conjuntos or-
tonormais.
CEDERJ
162
M
ODULO 2 - AULA 15
Proposi cao 1
Um conjunto ortonormal e linearmente independente.
Lembrando: um conjunto de
vetores e LI quando, ao es-
crevermos o vetor nulo como
uma combinacao linear deles,
obtemos todos os coecientes
nulos.
Demonstracao.
Sejam V um espa co euclidiano e S = {v
1
, ..., v
n
} V , ortonormal.
Sejam
1
, ...,
n
R tais que
1
v
1
+
2
v
2
... +
n
v
n
= o
V
. Como o produto
interno de qualquer vetor pelo vetor nulo e igual a zero, podemos escrever:
0 =< o
V
, v
1
>=
=<
1
v
1
+
2
v
2
+ ... +
n
v
n
, v
1
>=
=
1
< v
1
, v
1
>
. .
1
+
2
< v
2
, v
1
>
. .
0
+... +
n
< v
n
, v
1
>
. .
0
=
=
1
.
Logo,
1
= 0. Procedendo de forma an aloga com os vetores v
2
, ..., v
n
, iremos
concluir que
1
=
2
= ... =
n
= 0. Logo, o conjunto S e LI.
J a vimos, na aula 10, que todo subconjunto de um espa co vetorial V
gera um subespa co de V . Quando o conjunto considerado e LI, alem de
gerar, ele forma uma base do subespa co gerado. Assim, a Proposi cao 1
permite concluir que um conjunto ortonormal e uma base do subespa co que
ele gera. Nesse caso, dizemos que a base e ortonormal. Bases ortonormais
sao particularmente interessantes por simplicarem os calculos e permitirem
uma representa cao gr aca mais clara e f acil de se construir. Surge, entao, a
questao: como obter bases ortonormais de subespa cos dados?
Mas vamos com calma. O primeiro passo para chegar ` a resposta pro-
curada e saber obter a proje cao de um vetor na direcao de outro.
Projecao de um vetor na dire cao de outro
Sejam V um espaco euclidiano, u, v V, v = o
V
. Vamos obter o vetor
projecao de u na direcao de v. Em outras palavras, vamos decompor u em
duas componentes: uma na direcao de v - que sera a proje cao mencionada,
e outra, ortogonal a v, como mostra a gura 1.
Fig. 1: Projetando u na direcao de v.
163
CEDERJ
Os calculos cam mais simples se o vetor sobre o qual se projeta e
unit ario. Caso ele nao seja, podemos troc a-lopor outro, de mesma dire cao
e sentido, e de tamanho 1. Esse vetor se chama versor do vetor dado. Para
isso, basta dividir o vetor v pelo seu modulo:
versor de v =
v
||v||
.
E facil vericar que, de fato, o versor de v e unit ario:
v
||v||
=
_
<
v
||v||
,
v
||v||
> =
1
||v||
2
< v, v > =
||v||
2
||v||
2
= 1.
Exemplo 2
Consideremos o vetor v = (3, 4), de R
2
. Seu modulo e ||v|| =
9 + 16 =
25 = 5. Seu versor e o vetor

v
||v||
=
(3,4)
5
= (3/5, 4/5). Vamos vericar
que esse vetor e realmente unitario:
_
(3/5)
2
+ (4/5)
2
=
_
9/25 + 16/25 =
_
25/25 = 1. A gura 2 ilustra esse caso.
Fig. 2: O vetor (3, 4) de R
2
e seu versor.
Assim, ao projetar um vetor na dire cao de v, n ao nulo, podemos sempre
considera-lo unit ario. Na gura 3 vemos que a proje cao de u na direcao de
v e um vetor paralelo a v e, portanto, pode ser escrito como um m ultiplo de
v, isto e,
proj
v
u = kv, para algum k R.
Fig. 3:
CEDERJ
164
M
ODULO 2 - AULA 15
Entao ||proj
v
u|| = ||kv|| = |k| ||v|| = |k|, uma vez que estamos supondo
||v|| = 1. Para conhecer o vetor proje cao, ent ao, temos que determinar k.
No triangulo ret angulo da gura 3, o vetor proje cao e o cateto adjacente
ao angulo , formado pelos vetores u e v, e a hipotenusa mede ||u||. Logo, Num triangulo retangulo, o
cosseno de um angulo agudo e
igual à medida do cateto ad-
jacente dividida pela medida
da hipotenusa.
lembrando da expressao do cosseno do angulo formado por dois vetores e
usando o fato de v ser unit ario, temos:
||proj
v
u|| = |cos .||u||| =
< u, v >
||u|| ||v||
||u||
= | < u, v > |.
Assim, ||proj
v
u|| = | < u, v > | = |k|, donde podemos concluir que
k = < u, v >. Ocorre, porem, que k e < u, v > tem o mesmo sinal, como
indica a gura 3. No caso em que = 90
o
, temos k = 0, ou seja, a proje cao
e o vetor nulo (a proje cao reduz-se a um ponto).
Concluimos, ent ao, que
proj
v
u =< u, v > v.
Nesse processo, a partir de um vetor u, qualquer, de um espa co euclidi-
ano V , obtivemos a componente u proj
v
u, que e ortogonal ` a direcao de v.
Isso ca claro na gura 1, mas podemos vericar algebricamente, calculando
o produto interno dos vetores u proj
v
u e v:
 v, v > =< u, v > << u, v > v, v >=
=< u, v > < u, v >< v, v >=
=< u, v > (1 < v, v >) =
=< u, v > (1 ||v||
2
) =
=< u, v > .(1 1) = 0.
Exemplo 3
No espa co euclidiano R
3
, a proje cao ortogonal do vetor u = (0, 1, 4) na
dire cao do vetor v = (1/2, 0,
3/2) e o vetor < u, v > v (note que v e

unit ario). Ou seja, e o vetor 2
3v = (
3, 0, 3). ) vetor u
= u
proj
v
u = (0, 1, 4) (
3, 0, 3) = (
3, 1, 1) e ortogonal a v. (Verique!)
Ao projetar u na direcao de v, o que zemos foi projeta-lo ortogonal-
mente no subespaco de V gerado pelo vetor v (a reta suporte de v). Vamos
estender esse metodo para o caso em que o subespa co sobre o qual projetamos
e gerado por n vetores:
165
CEDERJ
Sejam V , um espa co euclidiano, S = {v
1
, v
2
, ..., v
n
} V , ortonormal, e
v V . A projecao ortogonal de u sobre o subespaco gerado por S e
o vetor
< v, v
1
> v
1
+ < v, v
2
> v
2
+ ...+ < v, v
n
> v
n
.
Exemplo 4
Seja S = {(1, 0, 0), (0, 1, 0)} no espa co euclidiano R
3
. Vamos projetar o
vetor v = (5, 2, 3), ortogonalmente, sobre o plano [S]. Primeiramente,
notamos que os vetores de S sao ortogonais e unit arios. Podemos, ent ao,
usar a expressao da proje cao:
proj
v
1
v =< v, v
1
> v = 5v
1
= (5, 0, 0).
proj
v
2
v =< v, v
2
> v = 2v
2
= (0, 2, 0). Ent ao proj
[S]
v = (5, 0, 0) +
(0, 2, 0) = (5, 2, 0).
Alem disso, de forma analoga ` a que ocorre quando projetamos sobre a
direcao de um unico vetor, a diferen ca entre o vetor projetado e a projecao
e um vetor orgogonal ao subespa co de projecao, como mostramos na
Proposi cao 2
Sejam V um espaco euclidiano, S = {v
1
, v
2
, ..., v
n
} V , um conjunto orto-
normal, e v V . O vetor
u = v < v, v
1
> v
1
< v, v
2
> v
2
... < v, v
n
> v
n
e ortogonal a todo vetor de S.
Demonstracao.
Vamos mostrar que u e ortogonal a v
1
:
< u, v
1
>=
=< v < v, v
1
> v
1
< v, v
2
> v
2
... < v, v
n
> v
n
, v
1
>=
=< v, v
1
> << v, v
1
> v
1
, v
1
> << v, v
2
> v
2
, v
1
> ... << v,
v
n
> v
n
, v
1
>=
=< v, v
1
> < v, v
1
> < v
1
, v
1
>
. .
1
< v, v
2
> < v
2
, v
1
>
. .
0
... < v, v
n
>
< v
n
, v
1
>
. .
0
=
=< v, v
1
> < v, v
1
>= 0.
Procedendo de maneira an aloga, com os demais vetores de S, concluiremos
que
u v
1
, u v
2
, ..., u v
n
.
CEDERJ
166
M
ODULO 2 - AULA 15
Exemplo 5
No exemplo anterior, o vetor v proj
[S]
v = (5, 2, 3) (5, 2, 0) = (0, 0, 3)
e ortogonal a (1, 0, 0) e a (0, 1, 0), vetores de S.
Proposi cao 3
Sejam V um espaco euclidiano, S = {v
1
, v
2
, ..., v
n
} V , um conjunto orto-
normal e v V . O vetor
u = v < v, v
1
> v
1
< v, v
2
> v
2
... < v, v
n
> v
n
e ortogonal a todo vetor do subespa co de V gerado por S. Ou seja, u e
ortogonal a todo vetor de V que pode ser escrito como uma combina cao
linear dos vetores de S.
Demonstracao.
Pela Proposi cao 2, j a sabemos que u e ortogonal a cada vetor de S, ou
seja,
< u, v
1
>=< u, v
2
>= ... =< u, v
n
>= 0.
Vamos calcular o produto interno de u por um vetor generico do subespa co
gerado por S:
Sejam
1
,
2
, ...,
n
R e w =
1
v
1
+
2
v
2
+ ... +
n
v
n
V . Entao
< u, w > =< u,
1
v
1
+
2
v
2
+ ... +
n
v
n
>=
=
1
< u, v
1
>
. .
0
+
2
< u, v
2
>
. .
0
+... +
n
< u, v
n
>
. .
0
= 0.
Logo, u e ortogonal a w.
Exemplo 6
Retomando o exemplo anterior, podemos armar que o vetor v proj
[S]
v =
(5, 2, 3) (5, 2, 0) = (0, 0, 3) e ortogonal ao plano [S].
Estamos, agora, em condi coes de responder à pergunta: uma vez que
temos que ter bases ortonormais para poder efetuar a projecao, como obter
bases ortonormais para espa cos dados? Vamos fazer isso usando o chamado
Metodo de ortonormaliza cao de Gram-Schmidt, que nada mais e do que a
aplica cao do resultado demonstrado na proposi cao 3. Vamos a ele:
167
CEDERJ
Metodo de ortonormaliza cao de Gram-Schmidt
Todo espaco euclidiano admite uma base ortonormal
Demonstracao.
dimV = 1: Seja {v} uma base de V . Entao o conjunto {u} = {
v
||v||
} e
uma base ortonormal de V .
dimV = 2: Seja {v
1
, v
2
} uma base de V . Seja u
1
=
v
1
||v
1
||
. Pela pro-
posi cao 3, o vetor g
2
= v
2
proj
u
1
v
2
= v
2
< v
2
, u
1
> u
1
e ortogonal a u
1
.
Entao o vetor u
2
= versor de g
2
=
g
2
||
2
||
e unit ario e tambem e ortogonal a
u
1
. Logo, o conjunto {u
1
, u
2
} e uma base ortonormal de V , pois possui dois
vetores ortogonais e unit arios e a dimensao de V e dois.
dimV = n: Prosseguindo de forma analoga, dada uma base de V ,
vamos construindo, um a um, os vetores de uma outra base, esta sim, or-
tonormal. O primeiro e, simplesmente, o versor do primeiro vetor da base
original. A partir do segundo, a ideia e decompor cada vetor em duas com-
ponentes: uma na direcao do subespa co gerado pelos vetores j a obtidos e
outra ortogonal ` a primeira.

E o versor desa segunda componente que ir a se
reunir aos vetores j a obtidos, para formar a base ortonormal.
Exemplo 7
Vamos aplicar o metodo de Gram-Schmidt para obter uma base ortonormal
de R
3
, a partir da base B = {v
1
, v
2
, v
3
}, com v
1
= (1, 1, 1); v
2
= (1, 1, 1) e
v
3
= (0, 1, 1). Seja B
= {u
1
, u
2
, u
3
} a base ortonormal procurada. Ent ao
u
1
=
v
1
||v
1
||
=
(1,1,1)
3
= (1/
3, 1/
3, 1/
3).
g
2
= v
2
proj
u
1
v
2
=
= v
2
< v
2
, u
1
> u
1
=
= (1, 1, 1) < (1, 1, 1), (1/
3, 1/
3, 1/
3) > (1/
3, 1/
3, 1/
3) =
= (1, 1, 1) 1/
3(1/
3, 1/
3, 1/
3) =
= (1, 1, 1) (1/3, 1/3, 1/3) =
= (2/3, 4/3, 2/3).
O vetor g
2
e ortogonal a u
1
. De fato, < g
2
, u
1
>= 2/3
3 4/3
3 +
2/3
3 = 0. Ent ao o segundo vetor da nova base e o versor de g

2
, isto e:
u
2
=
g
2
||g
2
||
=
=
(2/3,4/3,2/3)
4/9+16/9+4/9
=
=
(2/3,4/3,2/3)
24/9
=
=
(2/3,4/3,2/3)
2
6
3
=
= 3/2
6(2/3, 4/3, 2/3) =

= (1/
6, 2/
6, 1/
6).
CEDERJ
168
M
ODULO 2 - AULA 15
g
3
= v
3
proj
u
1
v
3
proj
u
2
v
3
=
= v
3
< v
3
, u
1
> u
1
< v
3
, u
2
> u
2
=
= v
3
2/
3u
1
(1/
6)u
2
=
= (0, 1, 1) 2/
3(1/
3, 1/
3, 1/
3) (1/
6)(1/
6, 2/
6, 1/
6) =
= (0, 1, 1) (2/3, 2/3, 2/3) + (1/6, 2/6, 1/6) =
= (1/2, 0, 1/2).
Logo, o terceiro vetor da base B
e o versor de g
3
, isto e:
u
3
=
g
3
||g
3
||
=
(1/2,0,1/2)
2
4
=
2
2
(1/2, 0, 1/2) = (1/
2, 0, 1/
2).
Logo, a base ortonormal de R
3
e
B
= {(1/
3, 1/
3, 1/
3), (1/
6, 2/
6, 1/
6), (1/
2, 0, 1/
2)}.
Exemplo 8
Em R
3
, vamos projetar o vetor u = (1, 2, 3), ortogonalmente, na dire cao do
vetor v = (1, 2, 2).
Observe, primeiramente, que v nao e unit ario, pois ||v|| =
1 + 4 + 4 =
3. O seu versor e o vetor v
=
v
3
= (1/3, 2/3, 2/3). O vetor proje cao e
proj
v
u = proj
v
u =< u, v
> v
= (1/3)(1/3, 2/3, 2/3) = (1/9, 2/9, 2/9).

Alem disso, o vetor u proj
v
u = (1, 2, 3) (1/9, 2/9, 2/9) =
(10/9, 20/9, 25/9) e ortogonal a v.
Exemplo 9
Vamos projetar o vetor u = (1, 2, 3), do exemplo anterior, sobre o plano P
de R
3
gerado pelos vetores v
1
= (1, 0, 2) e v
2
= (0, 1, 0). Precisamos de uma
base ortonormal do subespa co gerado por v
1
e v
2
. Note que esses dois vetores
sao ortogonais; precisamo, apenas, tomar o versor de v
1
, uma vez que v
2
ja e
unit ario:
v
1
=
(1,0,2)
5
= (1/
5, 0, 2/
5) Ent ao
proj
P
u = proj
v
1
u + proj
v
2
u =
=< u, v
1
> v
1
+ < u, v
2
> v
2
=
= (5/
5)(1/
5, 0, 2/
5) + 2(0, 1, 0) = (1, 2, 2).

Note que a proje cao e um vetor de P. Por outro lado, a diferen ca:
u (1, 2, 1) = (2, 0, 1) e um vetor ortogonal a P.
Exemplo 10
Vamos obter uma base ortonormal do subespa co de R
3
: U = {(x, y, z)
R
3
|xy+z = 0} e, em seguida, projetar o vetor u = (5, 3, 2), ortogonalmente,
sobre U.
169
CEDERJ
Primeiramente, vamos obter uma base para U. Note que um vetor de
U e da forma (x, x + z, z) = x(1, 1, 0) + z(0, 1, 1). Logo, v
1
= (1, 1, 0) e
v
2
= (0, 1, 1) formam uma base de U. Precisamos ortonormalizar essa base.
Seja B = {u
1
, u
2
} a base ortonormal procurada. Ent ao:
u
1
=
v
1
||v
1
||
=
(1,1,0)
2
= (1/
2, 1/
2, 0)
g
2
= v
2
proj
u
1
v
2
= v
2
< v
2
, u
1
> u
1
=
= (0, 1, 1) 1/
2(1/
2, 1/
2, 0) = (1/2, 1/2, 1).

Logo,
u
2
=
g
2
||g
2
||
= 2/
6(1/2, 1/2, 1) = (1/
6, 1/
6, 2/
6).
Entao B
= {(1/
2, 1/
2, 0), (1/
6, 1/
6, 2/
6)}.
Agora podemos obter a proje cao de u sobre U:
proj
U
u = proj
u
1
u + proj
u
2
u =< u, u
1
> u
1
+ < u, u
2
> u
2
=
= 8/
2(1/
2, 1/
2, 0) + 2/
6(1/
6, 1/
6, 2/
6) = (11/3, 13/3, 2/3).

Resumo
Nesta aula voce aprendeu um metodo pr atico de obter uma base or-
tonormal, a partir de outra base dada. Isso e necessario pois aprendemos
como projetar ortogonalmente um vetor sobre um subespa co, desde que co-
nhecamos uma base ortornormal desse subespa co. Vimos, tambem, que a di-
ferenca entre o vetor projetado e sua proje cao ortogonal sobre um subespa co
e um vetor ortogonal ao subespa co.
Exerccios
1. Em R
2
, obtenha o vetor proje cao ortogonal de u = (4, 5) na dire cao de
v = (1, 2).
2. Em R
3
, obtenha o vetor proje cao ortogonal de u = (1, 1, 3) na dire cao
de v = (0, 1, 1).
3. De a componente de u = (2, 1, 1), em R
3
, ortogonal ao vetor
v = (1, 2, 1).
4. Determine a proje cao ortogonal do vetor u = (2, 1, 3) sobre o
subespa co de R
3
gerado por S = {(1, 0, 1), (2, 1, 2)}.
5. Projete, ortogonalmente, o vetor u = 3, 2, 1) sobre o subespa co
W = {(x, y, z) R
3
; x + y z = 0}.
CEDERJ
170
M
ODULO 2 - AULA 15
6. Use o metodo de ortonormaliza cao de Gram-Schmidt para obter uma
base ortonormal de R
3
, a partir da base B = {(1, 0, 0), (0, 1, 1), (0, 1, 2)}.
7. Obtenha uma base ortornormal de R
2
, a partir da base B = {(1, 2),
(1, 3)}.
8. Obtenha uma base ortornormal para o seguinte subespa co vetorial de
R
4
: U = {(x, y, z, t) R
4
|x y = 0 e z = 2t}. A seguir, projete o
vetor u = (1, 3, 4, 2) ortogonalmente sobre U.
Auto-avalia cao
Voce deve estar familiarizado com a expressao que fornece a proje cao
ortogonal de um vetor sobre um subespa co. Lembre-se que isso so pode ser
feito quando temos uma base ortonormal. Entao, o que devemos fazer e:
Vericar se a base do subespa co sobre o qual vamos projetar e ortonor-
mal:
Se sim, usar a f ormula da projecao ortogonal;
Se nao, usar primeiramente o Metodo de ortonormaliza cao de Gram-
Schmidt para obter uma base ortonormal e a sim, aplicar a f ormula da
projecao.
Nao resta d uvida de que e um metodo trabalhoso, envolvendo muitos
calculos, mas o importante e que voce compreenda o signicado geometrico
do que o processo realiza. A ideia e desentortaros vetores, trocando cada
um deles pela sua componente que e ortogonal ` a direcao de cada subespa co
gerado pelos anteriores. Ao nal do metodo, obtemos vetores ortogonais,
dois a dois, todos unitarios. A utilidade de se lidar com bases ortonormais
car a mais evidente quando estudarmos representa coes matriciais de trans-
forma coes lineares. Nao se assuste com o nome - tudo a seu tempo!!! Ate la!
Em tempo: havendo qualquer d uvida, procure o tutor da disciplina!!
171
CEDERJ
1. (14/5, 28/5)
2. (0, 2, 2)
3. (11/6, 8/6, 5/6)
4. Observe, primeiramente, que os vetores geradores sao ortogonais.A resposta
e (11/6, 1/3, 19/6).
5. Veja o exemplo feito em aula: primeiramente obtenha uma base de W; em
seguida, aplique o metodo de Gram-Schmidt para obter uma base ortonor-
mal. A, sim, use a expressao que fornece a proje cao ortogonal. A resposta
e (5/3, 2/3, 7/3).
6. {(1, 0, 0), (0, 1/
2, 1/
2), (0, 1/
2, 1/
2)}
7. (
5/5, 2
5/5), (2
5/5,
5/5)}
8. {(1/
2, 1/
2, 0, 0), (0, 0, 2/
5, 1/
5)}; (2, 2, 4, 2)
CEDERJ
172
Complemento Ortogonal
M
ODULO 2 - AULA 16
Aula 16 Complemento Ortogonal
Objetivo
Pre-requisitos: aulas
13 (Soma de subespacos);
14 (Espacos euclidianos) e
15 (Conjuntos ortonor-
mais/projecao ortogonal).
Obter o complemento ortogonal de um subespa co.
Esta aula e curta - nela completaremos a teoria iniciada na aula an-
terior. Destacaremos um subespaco especial, que e denido a partir de um
outro subespa co, usando a no cao de ortogonalidade. Recordaremos tambem
o conceito de soma direta de subespa cos. Iniciamos com a principal deni cao
desta aula.
Complemento ortogonal
Sejam V um espaco euclidiano e U V um subespa co vetorial de V .
Vamos representar por U
o subconjunto formado pelos vetores de V que

sao ortogonais a todo vetor de U, isto e:
U
= {v V | < v, u >= 0, u U}
O subconjunto U
e chamado complemento ortogonal de U e e tambem

um subespa co vetorial de V .
De fato,
(i) U
= , pois < o
V
, u >= 0, u V ; logo, o
V
U
.
(ii) Sejam v
1
, v
2
U
, isto e, < v
1
, u >= 0 e < v
2
, u >= 0, u U. Entao
< v
1
+ v
2
, u >=< v
1
, u > + < v
2
, u >= 0 + 0 = 0, u U.
Logo, v
1
+ v
2
U
.
(iii) Sejam R e v U
, isto e, < v, u >= 0, u U. Ent ao

< v, u >= < v, u >= .0 = 0, u U. Logo, v U
.
173
CEDERJ
Exemplo 1
Em R
2
, o complemento ortogonal do subespa co gerado pelo vetor (3, 0) e o
subespa co gerado pelo vetor (0, 1). De fato, sendo U = [(3, 0)], um vetor
u U e da forma (3, 0), para algum R. Queremos identicar os
vetores de R
2
que s ao ortogonais a todo vetor de U. Isto e, os vetores
v = (x, y) R
2
tais que < v, u >= 0, u U. Ou seja, queremos (x, y) tais
que 3x = 0. Como essa igualdade tem que se vericar para qualquer real,
conclumos que x = 0. Logo, todo vetor de U
e da forma (0, y), com y R.

Assim, qualquer vetor dessa forma, n ao nulo, gera U
, e podemos escrever
U
= [(0, 1)]. Note que U e o eixo das abscissas e U
, o eixo das ordenadas,

como indica a gura 1.
Fig. 1: Um subespaco de R
2
e seu complemento ortogonal.
Na aula 13, voce estudou soma e soma direta de subespacos.
Recordando:
Sendo U e W subespa cos vetoriais de um mesmo espa co vetorial V , a
soma de U e W e o subconjunto de V formado pelos vetores que podem
ser escritos como a soma de um vetor de U com um de W, isto e:
U + W = {v V |v = u + w; u U e w W}.
A soma de dois subespa cos de V e tambem um subespaco de V .
A soma direta de U e W, representada por U W, e a soma de U e
W no caso em que U W = {o
V
}.
Sendo V de dimensao nita, a dimens ao da soma direta de U e W e a
soma das dimensoes de U e W e a uniao de uma base de U com uma
base de W e uma base da soma direta.
CEDERJ
174
M
ODULO 2 - AULA 16
Alem disso, quando a soma e direta, s o existe uma maneira de decompor
cada vetor de V numa soma de um vetor de U com um vetor de U
, o
que signica dizer que esses dois vetores sao unicos.
Proposi cao 1
Sejam V um espaco euclidiano e U, subespaco de V . Entao V = U U
.
Demonstracao.
Temos que mostrar duas coisas: (i) V e soma de U e do complemento
ortogonal de U, e (ii) essa soma e direta.
(i) Queremos mostrar que, v V, v = u + w, para algum u U e algum
w U
.
Sejam B = {u
1
, ..., u
m
} uma base ortonormal de U, e v V . Pela Vimos, na aula 15, que
todo espaco euclidiano ad-
mite uma base ortonormal.
proposi cao 3 da aula 15, o vetor
w = v < v, u
1
> u
1
< v, u
2
> u
2
... < v, u
m
> u
m
e ortogonal a todo vetor de B e, assim, ortogonal a todo elemento de
U. Logo, w U
. Podemos, ent ao, escrever

v = w
..
U
+( < v, u
1
> u
1
< v, u
2
> u
2
... < v, u
m
> u
m
)
. .
U
,
o que prova que V = U + U
.
(ii) Seja v U U
. Como v U
, < v, u >= 0, u U
. Em particular,
como v U, temos < v, v >= 0, o que implica v = o
V
.
Logo, U U
= {o
V
}.
Como j a vimos na aula 15, todo vetor v V pode ser decomposto em
duas parcelas, uma sendo a proje cao ortogonal do vetor sobre um subespa co
de V e a outra, um vetor ortogonal a esse subespa co. Considerando os
subespa cos U e U
, podemos ent ao, decompor cada vetor v de V , de forma

unica, na soma:
v = w + u,
onde
u U: u e a proje cao ortogonal de v sobre o subespa co U, e
w U
: w e ortogonal a U.
175
CEDERJ
E importante lembrar que para determinar a proje cao de um vetor v

de V sobre U, e necessario conhecer uma base ortonormal de U. Para isso,
estudamos o metodo de Gram-Schmidt.
Em resumo:
Sendo
- U um subespa co vetorial do espaco euclidiano V ;
- {v
1
, ..., v
m
} base ortonormal de U
- v V ,
entao v = w + u, onde
u = proj
U
v =
m
i=1
< v, v
i
> v
i
Exemplo 2
Seja W o eixo z de R
3
, isto e,
W = {(x, y, z) R
3
|x = y = 0} = {(0, 0, z); z R}.
W
e o plano xy, isto e:

W
= {(x, y, z) R
3
|z = 0} = {(x, y, 0); x, y R}.
Temos, entao, que R
3
= WW
, pois, dado (x, y, z) R

3
, podemos escrever
(x, y, z) = (x, y, 0)
. .
W
+(0, 0, z)
. .
W
e
W W
= {(0, 0, z); z R}} = {(x, y, 0); x, y R} = {(0, 0, 0)} = o

R
3.
Essa situacao est a ilustrada na gura 2.
Fig. 2: Um subespaco de R
3
e seu complemento ortogonal.
CEDERJ
176
M
ODULO 2 - AULA 16
Exemplo 3
Seja W o subespa co de R
4
gerado por u = (1, 2, 3, 1) e w = (2, 4, 7, 2).
Vamos encontrar uma base para W
.
Para um vetor v = (x, y, z, t) de R
4
pertencer a W
, deve ser ortogonal a u

e a w, simultaneamente, isto e:
_
< v, u >= 0
< v, w >= 0
_
x + 2y + 3z t = 0
2x + 4y + 7z + 2t = 0
_
x + 2y + 3z t = 0
z + 4t = 0
.
Um vetor de R
4
e solu cao desse sistema quando e da forma
(2y+13t, y, 4t, t), com y, t R. Como (2y+13t, y, 4t, t) = y(2, 1, 0, 0, )+
t(13, 0, 4, 1), temos que o subespaco W
e gerado pelos vetores (2, 1, 0, 0, )

e (13, 0, 4, 1), que sao LI . Logo, {(2, 1, 0, 0, ), (13, 0, 4, 1)} e uma base Voce se lembra? Este metodo
para determinar um conjunto
de geradores sempre fornece
uma base do subespaco.
de W
.
Exemplo 4
Dado U = {(x, y, z) R
3
; x + y + z = 0}, vamos
a) escrever o vetor (3, 2, 5), de R
3
como uma soma de um vetor de U e um
de U
;
b) obter o vetor proje cao ortogonal de v = (a, b, c) R
3
sobre U e
c) escrever o vetor v = (a, b, c), de R
3
, como soma de um vetor de U e um
ortogonal a U.
Vamos obter uma base para U: um vetor de U pode ser escrito na
forma (x, y, x y) = x(1, 0, 1) + y(0, 1, 1). Logo, os vetores (1, 0, 1)
e (0, 1, 1) geram U e sao LI. Logo, formam uma base de U. Precisamos
ortonormalizar essa base. Para isso, aplicamos o metodo de Gram-Schmidt:
Sejam v
1
= (1, 0, 1) e v
2
= (0, 1, 1). Seja {u
1
, u
2
} a base ortonormal
procurada. Ent ao:
u
1
=
v
1
||v
1
||
= (
1
2
, 0,
1
2
).
w
2
= v
2
< v
2
, u
1
> u
1
= (0, 1, 1)
1
2
(
1
2
, 0,
1
2
) = (
1
2
, 1,
1
2
).
u
2
=
w
2
||w
2
||
=
2
6
(
1
2
, 1,
1
2
) = (
1
6
,
2
6
,
1
6
).
Podemos, agora, resolver o exerccio:
a) proj
U
(3, 2, 5) = proj
u
1
(3, 2, 5) + proj
u
2
(3, 2, 5) =
=
2
2
u
1
6
u
2
=
= (1, 0, 1) + (
2
3
,
4
3
,
2
3
) =
= (
1
3
,
4
3
,
5
3
).
177
CEDERJ
Da, temos
(3, 2, 5) proj
U
(3, 2, 5) = (3, 2, 5) (
1
3
,
4
3
,
5
3
) = (
10
3
,
10
3
,
10
3
).
Entao
(3, 2, 5) = (
1
3
,
4
3
,
5
3
)
. .
U
+(
10
3
,
10
3
,
10
3
)
. .
U
.
b) proj
U
(a, b, c) = proj
u
1
(a, b, c) + proj
u
2
(a, b, c) =
=
ac
2
u
1
+
_
a+2bc
6
_
u
2
=
=
_
2abc
3
,
a+2bc
3
,
ab+2c
3
_
.
c) (a, b, c) = (
2a b c
3
,
a + 2b c
3
,
a b + 2c
3
)
. .
U
+
(
a + b + c
3
,
a + b + c
3
,
a + b + c
3
)
. .
U
.
Exemplo 5
Em P
2
(R), denimos o produto interno
< f(t), g(t) >=
_
1
0
f(t) g(t)dt.
Vamos obter uma base ortonormal do subespa co [3, 1 t]
.
Seja p(t) = at
2
+ bt + c [3, 1 t]
. Ent ao
< f(t), p(t) >=
_
1
0
3(at
2
+ bt + c)dt = 0 2a + 3b + 6c = 0 (1).
< g(t), p(t) >=
_
1
0
(1 t)(at
2
+ bt + c)t = 0 a + 2b + 6c = 0 (2).
O sistema linear formado pelas equa coes (1) e (2) possui solu coes (a, b, c) tais
que a = b; c = b/6. Logo, p(t) = 6bt
2
6bt + b = b(6t
2
6t + 1), b R.
Ou seja, o vetor 6t
2
6t + 1 gera o complemento ortogonal do subespa co
[3, 1 t]. Assim, {6t
2
6t + 1} e uma base de [3, 1 t]
.
CEDERJ
178
M
ODULO 2 - AULA 16
Resumo
Nesta aula estudamos o subespaco que e o complemento ortogonal de
um outro. Na verdade, podemos denir o complemento ortogonal de qual-
quer subconjunto de um espaco euclidiano e provar que e um subespaco, mas
quando partimos de um subsconjunto U que e, ele pr oprio, um subespa co,
o caso ca muito mais interessante porque podemos escrever o espaco como
soma direta de U e seu complemento ortogonal. Podemos, tambem, decom-
por um vetor do espa co em duas parcelas, sendo cada uma delas a proje cao
ortogonal do vetor em um dos subespa cos: U e U
.
Exerccios
1. Dado U = {(x, y, z) R
3
; y 2z = 0},
a) Escreva o vetor (1, 2, 4), de R
3
como uma soma de um vetor de U
e um de U
.
b) Obtenha o vetor proje cao ortogonal de v = (a, b, c) R
3
sobre U.
2. Seja W o subespa co de R
4
gerado por u = (1, 2, 3, 1), v = (2, 4, 7, 2)
e = (1, 1, 1, 1). Encontre uma base ortonormal para W
.
3. Considere o seguinte produto interno em R
4
:
< (a, b, c, d), (x, y, z, w) >= 2ax + by + cz + dw,
para (a, b, c, d), (x, y, z, w) R
4
. Determine uma base do subespa co
ortogonal de U = [(1, 2, 0, 1), (2, 0, 1, 1)].
4. Em M
2
(R), a rela cao
< A, B >= a
11
b
11
+ a
12
b
12
+ a
21
b
21
+ a
22
b
22
,
onde A = (a
1j
), B = (b
ij
), i, j = 1, 2, e um produto interno. Considere
o seguinte subespaco de M
2
(R):
W =
__
x y
z w
_
; x y + z = 0
_
.
a) Determine uma base de W.
b) Determine uma base de W
.
5. Sejam R
4
e U = {(x, y, z, w) R
4
; x + y z + 2w = 0}. Determine
uma base ortonormal de U de uma de U
.
179
CEDERJ
Auto-avalia cao
Bem, chegamos ao nal do primeiro m odulo. A pr oxima aula reve a
teoria apresentada ao longo das 16 primeiras aulas, em forma de exerccios.
Antes de partir para ela, porem, certique-se de ter apreendido a tecnica e,
principalmente, o signicado do que estudamos nesta aula. Se sentir qualquer
diculdade ao resolver os exerccios ou ao estudar os exemplos, entre em
contato com o tutor da disciplina.
1. a) (1, 2, 4) = (1,
16
5
,
8
5
) + (0,
6
5
,
12
5
)
b) proj
U
(a, b, c) = (a,
4a+2c
5
,
2b+c
5
)
2. Uma base de W
: {
(7,10,4,1)
166
}
3. (Aten cao para o produto interno, diferente do usual!!)
Uma base de U
: {(1, 1, 4, 0), (1, 0, 6, 2)}

4. a)
__
1 1
0 0
_
,
_
0 1
1 0
_
,
_
0 0
0 1
__
b)
__
1 1
1 0
__
5. Uma base de U : {(
1
2
, 0,
1
2
, 0), (
1
6
,
2
6
,
1
6
, 0), (
2
21
,
2
21
,
2
21
,
3
21
)}.
Uma base de U
: {
1
7
,
1
7
,
1
7
,
2
7
)}
CEDERJ
180
Exerccios Resolvidos
M
ODULO 2 - AULA 17
Aula 17 Exerccios Resolvidos
Objetivo
Pre-requisito:
aulas 1 a 16.
Fazer uma revis ao do primeiro m odulo, atraves da resolucao de exerccios
variados.
Nesta aula, damos uma pequena pausa na apresenta cao da teoria para
exercitar o conte udo j a estudado. Voce tem uma lista de exerccios para
tentar resolver e conferir com as resolu coes, que se encontram apos os enun-
ciados.
A ideia e que voce primeiro tente resolve-los, recorrendo, se necessario,
às anota coes de aula, e s o depois de resolver, compare sua solu cao com a que
apresentamos aqui.
Caso haja alguma discord ancia ou d uvida, procure o tutor. O objetivo
principal e que voce siga em frente, iniciando o segundo modulo bem seguro
do conte udo estudado no primeiro.
Exerccios
1. Sendo A
32
=
_
_
_
1 1
2 0
3 1
_
_
_
, B
32
=
_
_
_
0 2
3 4
5 1
_
_
_
,
C
24
=
_
2 a 3 2
0 1 b 6
_
, determine a e b para que a matriz
(2A + B)C seja igual a
_
_
_
4 2 6 4
14 3 1 38
2 0 2 8
_
_
_
.
2. Dada A =
_
1 2
4 3
_
, calcule:
a) A
2
b) A
T
c) det A d) det A
T
e) A
1
f) (A
T
)
1
g) det A
1
h) f(A), onde f(x) = x
2
+ 2x 11
181
CEDERJ
3. Classique em V (verdadeira) ou F (Falsa) cada sentenca abaixo:
a) (A + B)
T
= A
T
+ B
T
b) (AB)
T
= A
T
B
T
c) (A + B)
1
= A
1
B
1
d) (AB)
1
= B
1
A
1
e) det A = det A
T
f) det A
1
= det A
g) Se A M
n
(R), R, det A = ndet A
4. Determine a Rpara que exista a inversa da matriz A =
_
_
1 0 2
4 1 a
2 1 3
_
_
.
Caso exista, calcule A
1
, para a = 8.
5. (Prov ao - MEC - 2002)
A e B sao matrizes reais n n, sendo n 2 e , um n umero real. A
respeito dos determinantes dessas matrizes, e correto armar que:
(a) det (AB) = det A.det B
(b) det (A + B) = det A + det B
(c) det (A) = det A
(d) det A 0, se todos os elementos de A forem positivos
(e) se det A = 0 ent ao A possui duas linhas ou colunas iguais
6. Calcule det
_
_
2 1 3 0
2 1 3 5
2 0 4 5
1 0 1 3
_
_
por triangulariza cao.
7. Classique e resolva, por escalonamento, cada um dos sistemas lineares
abaixo:
S
1
:
_
_
x + y z = 0
2x + 4y z = 0
3x + 2y + 2z = 0
S
2
:
_
_
2x y + z = 0
x + 2y z = 0
3x + y = 0
S
3
:
_
_
x y + 3z = 2
x + y + z = 1
x 3y + 5z = 5
8. Discuta o sistema linear
_
_
2x + 3y + az = 3
x + y z = 1
x + ay + 3z = 2
par ametro real a.
CEDERJ
182
M
ODULO 2 - AULA 17
9. Determine as condi coes sobre a, b e c que tornam compatvel o sistema
_
_
x 2y + 7z = a
x + 2y 3z = b
2x + 6y 11z = c
.
10. Dado um espa co vetorial V , mostre que W V , n ao vazio, e subespaco
vetorial de V se, e somente se, au + bv W, u, v W, a, b R.
11. Verique se os seguintes vetores de R
3
sao LD ou LI:
a) (1, 1, 1), (2, 1, 0) e (1, 1, 2)
b) (1, 2, 0), (3, 1, 2) e (2, 1, 2)
12. Obtenha um conjunto de geradores do subespa co U, de V , em cada
caso:
a) V = R
2
; U = {(x, y) R
2
; x = 3y}
b) V = R
3
; U = {(x, y, z) R
3
; x = 3y}
c) V = R
4
; U = {(x, y, z, t) R
4
; x = 3y e z t = 0}
13. Determine o subespa co de R
3
1
= (1, 1, 1),
v
2
= (2, 3, 1) e v
3
= (0, 1, 1).
14. Encontre uma base e de a dimensao do subespa co de M
2
(R) gerado por
u =
_
1 2
3 1
_
, v =
_
3 2
1 5
_
e w =
_
3 10
11 7
_
.
15. Dados U = {(x, x, z); x, z R} e W = {(x, 0, x); x R}, suespa cos de
R
3
, encontre uma base e determine a dimens ao dos subespa cos U W
e U + W, de R
3
.
16. Determine a sabendo que o vetor v = (1, 2, a, 4) R
4
tem m odulo
igual a
30.
17. Considere os vetores u = (1, 2, 1) e v = (0, 3, 4), de R
3
. Determine:
a) 2u v
b) ||u||
c) o versor de v
d) < u, v >
e) d(u, v) (a dist ancia de u e v)
183
CEDERJ
18. Determine a R tal que os vetores u = (a, a + 2, 1) e v = (a + 1, 1, a),
de R
3
, sejam ortogonais.
19. Dadas as matrizes u =
_
a
1
b
1
c
1
d
1
_
e v =
_
a
2
b
2
c
2
d
2
_
, em M
2
(R), a
expressao < u, v >= a
1
a
2
+b
1
b
2
+c
1
c
2
+d
1
d
2
dene um produto interno
no espa co M
2
(R).
Dados os vetores u =
_
1 2
1 3
_
e v =
_
2 1
3 4
_
, determine
a) ||u + v||
b) o angulo entre u e v
20. Em P
2
(R), denimos o produto interno de dois vetores p(t) = a
1
t
2
+
b
1
t + c
1
e q(t) = a
2
t
2
+ b
2
t + c
2
como < p, t >= a
1
a
2
+ b
1
b
2
+ c
1
c
2
+
d
1
d
2
. Calcule < p(t), q(t) > no caso em que p(t) = 2t
2
3t + 1 e
q(t) = t
2
+ 5t 2.
21. Determinar o versor de um vetor v e um processo tambem conhecido
por normaliza c ao de v. Normalize cada um dos vetores abaixo, no
espa co euclidiano R
3
:
a) u = (1, 2, 1)
b) v = (1/2, 2/3, 1/2)
22. Em P
3
(R), considere o produto interno
< f(t), g(t) >=
_
1
0
f(t)g(t)dt.
a) Calcule o produto interno de f(t) = t 1 por g(t) = 3t
3
+ 2t + 1.
b) Calcule ||p(t)||, onde p(t) = t
2
t.
c) Determine a R para que f(t) = at
2
+ 1 e g(t) = t 2 sejam
ortogonais.
23. Mostre que se u e ortogonal a v entao todo m ultiplo escalar de u
tambem e ortogonal a v.
24. Encontre um vetor unit ario, ortogonal, simultaneamente, a v
1
= (2, 1, 1)
e v
2
= (1, 3, 0), em R
3
.
CEDERJ
184
M
ODULO 2 - AULA 17
25. Sejam u, v vetores de um espa co euclidiano V , com v nao nulo. Mostre
que o vetor w = u
< u, v >
||v||
2
v e ortogonal a v. (O vetor w e a proje cao
ortogonal de u na direcao de v, obtido sem a hip otese de v ser unit ario.)
26. Determine a R tal que os vetores u = (a, a + 2, 1) e v = (a + 1, 1, a),
de R
3
, sejam ortogonais.
27. Obtenha uma base ortonormal de R
3
a partir da base B = {v
1
, v
2
, v
3
},
onde v
1
= (1, 1, 1), v
2
= (1, 1, 0), v
3
= (1, 1, 1).
28. EmR
3
, com o produto interno usual, determine a proje cao ortogonal do
vetor u = (1, 2, 3) sobre o subespa co gerado pelos vetores v
1
= (1, 0, 2)
e v
2
= (0, 1, 0).
29. Considere U = {(x, y, z) R
3
; x y z = 0}, subespaco de R
3
.
a) Determine uma base ortonormal de U.
b) Determine uma base ortonormal de U
.
c) Escreva o vetor v = (a, b, c) R
3
como soma de um vetor de U e
um de U
.
Resolu cao dos exerccios
R1. (2A + B)C) =
_
_
_
_
_
2 2
4 0
6 2
_
_
_
+
_
_
_
0 2
3 4
5 1
_
_
_
_
_
_
2 a 3 2
0 1 b 6
_
=
=
_
_
_
2 0
7 4
1 1
_
_
_
_
2 a 3 2
0 1 b 6
_
=
_
_
_
4 2a 6 4
14 7a 4 21 + 4b 38
2 a 1 3 + b 8
_
_
_
.
Entao,
_
_
2a = 2
7a 4 = 3
a 1 = 0
21 + 4b = 1
3 + b = 2
_
a = 1
b = 5
R2. a) A
2
=
_
1 2
4 3
__
1 2
4 3
_
=
_
1 + 8 2 6
4 12 8 + 9
_
=
_
9 4
8 17
_
.
b) A
T
=
_
1 4
2 3
_
185
CEDERJ
c) det A = 3 8 = 11
d) det A
T
= det A = 11
e) A
1
:
1 2 | 1 0
4 3 | 0 1 L
2
L
2
4L
1
|
1 2 | 1 0
0 11 | 4 1 L
2
1/11L
2
|
1 2 | 1 0 L
1
L
1
2L
2
0 1 | 4/11 1/11
|
1 0 | 3/11 2/11
0 1 | 4/11 1/11
.
Logo, A
1
=
_
3/11 2/11
4/11 1/11
_
.
f) (A
T
)
1
= (A
1
)
T
=
_
3/11 4/11
2/11 1/11
_
g) det A
1
= (det A)
1
= (11)
1
= 1/11
h) f(A) = A
2
+2A11I
2
=
_
9 4
8 17
_
+
_
2 4
8 6
_
_
11 0
0 11
_
=
_
0 0
0 0
_
. Neste caso, dizemos que a matriz A e um zero da
funcao f.
R3. a) (V)
b) (F): (AB)
T
= B
T
A
T
c) (F): nao h a formula para a inversa da soma
d) (V)
e) (V)
f) (F): det A
1
= (det A)
1
=
1
det A
. Justamente porque o deter-
minante da matriz A aparece no denominador e que so existe a
inversa de A se seu determinante for diferente de zero.
CEDERJ
186
M
ODULO 2 - AULA 17
g) (F): A cada linha de A que e multiplicada pelo escalar , o deter-
minante ca multiplicado por . Uma matriz quadrada de ordem
n possui n linhas. Logo, o determinante de A multiplicada por
e igual ao determinante de A multiplicado por , n vezes. Ou
seja, det A =
n
det A.
R4. Para que exista a inversa de A, o seu determinante nao pode ser nulo.
Vamos calcular det A, pelo metodo de Sarrus:
1 0 2
4 1 a
2 1 3
= (3 8) (4 a) = a 9. Queremos det A = 0, isto e,

a 9 = 0 a = 9.
Podemos calcular a inversa de A para a = 8:
1 0 2 | 1 0 0
4 1 8 | 0 1 0 L
2
L
2
4L
1
2 1 3 | 0 0 1 L
3
L
3
2L
1
|
1 0 2 | 1 0 0
0 1 0 | 4 1 0
0 1 1 | 2 0 1 L
3
L
3
+ L
2
|
1 0 2 | 1 0 0
0 1 0 | 4 1 0
0 0 1 | 6 1 1 L
3
L
3
|
1 0 2 | 1 0 0 L
1
L
1
2L
3
0 1 0 | 4 1 0
0 0 1 | 6 1 1
|
1 0 0 | 11 2 2
0 1 0 | 4 1 0
0 0 1 | 6 1 1
Logo, A
1
=
_
_
_
11 2 2
4 1 0
6 1 1
_
_
_.
R5. A op cao correta e a letra (a).
187
CEDERJ
R6.
2 1 3 0
2 1 3 5
2 0 4 5
1 0 1 3
L
1
L
4
= ()
1 0 1 3
2 1 3 5
2 0 4 5
2 1 3 0
L
2
L
2
2L
1
L
3
L
3
+ 2L
1
L
4
L
4
2L
1
=
= ()
1 0 1 3
0 1 1 1
0 0 6 11
0 1 1 6
L
4
L
4
+ L
2
= ()
1 0 1 3
0 1 1 1
0 0 6 11
0 0 2 7
L
3

1
6
L
3
=
= ()(6)
1 0 1 3
0 1 1 1
0 0 1
11
6
0 0 2 7
L
4
L
4
2L
3
= ()(6)
1 0 1 3
0 1 1 1
0 0 1
11
6
0 0 0
64
6
=
= ()(6)(1)(1)(1)
_
64
6
_
= 64.
R7. a)
_
_
1 1 1
2 4 1
3 2 2
_
_ L
2
L
2
2L
1
L
3
L
3
3L
1
_
1 1 1
0 2 1
0 1 5
_
_ L
2
L
2
L
3

_
1 1 1
0 1 5
0 2 1
_
_
L
3
L
3
+ 2L
2
_
1 1 1
0 1 5
0 0 11
_
_
. Obte-
mos o sistema equivalente:
_
_
x + y z = 0
y + 5z = 0
11z = 0
, que e compatvel determinado, com conjunto-
solucao {(0, 0, 0)}.
b)
_
_
2 1 1
1 2 1
3 1 0
_
_
L
1
L
2
_
1 2 1
2 1 1
3 1 0
_
_ L
2
L
2
2L
1
L
3
L
3
3L
1
_
1 2 1
0 5 3
0 5 3
_
_
L
3
L
3
L
2
_
1 2 1
0 5 3
0 0 0
_
_
. Obte-
mos o sistema equivalente:
_
x + 2y z = 0
5y + 3z = 0
, que e compatvel
e indeterminado. Fazendo y =
3
5
z, na segunda equa cao, e subs-
tituindo na primeira, obtemos x =
1
5
z. Logo, as solu coes do
sistema sao os vetores de R
3
da forma (z/5, 3z/5, z), para z R.
CEDERJ
188
M
ODULO 2 - AULA 17
c)
_
_
1 1 3 | 2
1 1 1 | 1
1 3 5 | 5
_
_ L
2
L
2
L
1
L
3
L
3
L
1
_
1 1 3 | 2
0 2 2 | 1
0 2 2 | 3
_
_
L
3
L
3
+ L
2
_
1 1 3 | 2
0 2 2 | 1
0 0 0 | 2
_
_
. Obtemos o sistema
equivalente
_
_
x y + 3z = 2
2y 2z = 1
0 = 2
, que e incompatvel. Logo, o
conjunto-solucao do sistema dado e vazio.
R8.
_
_
2 3 a | 3
1 1 1 | 1
1 a 3 | 2
_
_
L
1
L
2
_
1 1 1 | 1
2 3 a | 3
1 a 3 | 2
_
_ L
2
L
2
2L
1
L
3
L
3
L
1
_
1 1 1 | 1
0 1 a + 2 | 1
0 a 1 4 | 1
_
_
L
3
L
3
(a 1)L
2
_
1 1 1 | 1
0 1 a + 2 | 1
0 0 4 (a 1)(a + 2) | 1 (a 1)
_
_
.
A terceira equa cao pode ser escrita (a 2)(a +3)z = (a 2). Note
que a expressao do primeiro membro se anula para a = 2 ou a = 3.
Entao,
Se a = 2, a terceira equa cao ca 0 = 0 e o sistema e, nesse caso,
compatvel e indeterminado.
Se a = 3, a terceira equa cao ca 0z = 5, o que torna o sistema
incompatvel.
Finalmente, se a = 2 e a = 3, a terceira equa cao nem e eliminada
nem e impossvel. Nesse caso, o sistema e compatvel e determinado.
R9.
_
_
1 2 7 | a
1 2 3 | b
2 6 11 | c
_
_ L
2
L
2
L
1
L
3
L
3
2L
1
_
1 2 7 | a
0 4 10 | b a
0 10 25 | c 2a
_
_
L
2
1/4L
2
_
1 2 7 | a
0 1 5/2 | (b a)/4
0 10 25 | c 2a
_
_
L
3
L
3
10L
2
189
CEDERJ
_
1 2 7 | a
0 1 5/2 | (b a)/4
0 0 0 | c 2a 10(
ba
4
)
_
_
. Para que o sistema seja
compatvel e necessario ter c2a10(
ba
4
) = 0, ou seja, a5b+2c = 0.
R10. Vimos que um subconjunto W de um espaco vetorial V e subespaco ve-
torial de V se (i) W = ; (ii) av W, v W, a R e
(iii) u + v W, u, v W.
() Vamos supor que W e subespaco. Entao W e nao-vazio. Alem
disso, dados a, b R, u, v W, por (ii), temos que au W e bv W.
Por (iii), au + bv W.
() Vamos supor, agora, que W e nao-vazio e au + bv V, u, v
V, a, b R. Fazendo b = 0, temos a validade da propriedade (ii) da
denicao de subespa co. Fazendo a = b = 1, temos a validade de (iii).
R11. a) a
1
(1, 1, 1) + a
2
(2, 1, 0) + a
3
(1, 1, 2) = o
R
3 = (0, 0, 0)
_
a
1
+ 2a
2
a
3
= 0
a
1
+ a
2
+ a
3
= 0
a
1
+ 2a
3
= 0
_
1 2 1
1 1 1
1 0 2
_
_ L
2
L
2
L
1
L
3
L
3
+ L
1
_
1 2 1
0 1 2
0 2 1
_
_
L
3
L
3
+ 2L
2
_
1 2 1
0 1 2
0 0 5
_
_
.
Obtemos, assim, o sistema equivalente:
_
_
a
1
+ 2a
2
a
3
= 0
a
2
+ 2a
3
= 0
5a
3
= 0
, cuja solucao e dada por a
1
= a
2
= a
3
= 0.
Logo, os vetores v
1
, v
2
, e v
3
sao LI.
b) a
1
(1, 2, 0) + a
2
(3, 1, 2) + a
3
(2, 1, 2) = o
R
3 = (0, 0, 0)
_
a
1
+ 3a
2
+ 2a
3
= 0
2a
1
+ a
2
a
3
= 0
2a
2
+ 2a
3
= 0
_
1 3 2
2 1 1
0 2 2
_
_ L
2
L
2
2L
1

_
1 3 2
0 5 5
0 2 2
_
_ L
2
1/5L
2

_
_
1 3 2
0 1 1
0 2 2
_
L
3
L
3
2L2
_
1 3 2
0 1 1
0 0 0
_
_
. Obtemos, assim, o sistema
equivalente
_
a
1
+ 3a
2
+ 2a
3
= 0
a
2
+ a
3
= 0
, que e indeterminado. Logo,
os vetores v
1
, v
2
e v
3
sao LD.
CEDERJ
190
M
ODULO 2 - AULA 17
R12. a) v U v = (3y, y) = y(3, 1); y R. Um conjunto gerador de U
e {(3, 1)}.
b) v U v = (3y, y, z) = y(3, 1, 0) + z(0, 0, 1); y, z R. Um
conjunto gerador de U e {(3, 1, 0), (0, 0, 1)}.
c) v U v = (3y, y, t, t) = y(3, 1, 0, 0) + t(0, 0, 1, 1); y, t R. Um
conjunto gerador de U e {(3, 1, 0, 0), (0, 0, 1, 1)}.
R13. Um vetor v = (x, y, z) de R
3
pertence ao subespaco gerado pelos ve-
tores v
1
, v
2
e v
3
se v pode ser escrito como uma combina cao linear
desses vetores. Isto e, queremos que existam a, b, c reais tais que
(x, y, z) = a(1, 1, 1) + b(2, 3, 1) + c(0, 1, 1). Em outras palavras,
queremos que o sistema linear
_
_
a + 2b = x
a 3b + c = y
a + b + c = z
seja compatvel.
Vamos escalonar o sistema:
_
_
1 2 0 | x
1 3 1 | y
1 1 1 | z
_
_ L
2
L
2
+ L
1
L
3
L
3
L
1
_
1 2 0 | x
0 1 1 | y + x
0 1 1 | z x
_
L
3
L
3
L
2
_
1 2 0 | x
0 1 1 | y + x
0 0 0 | z x (y + x)
_
_
. Para que o sis-
tema admita solucao devemos ter zx(y+x) = 0, isto e, o subespa co
de R
3
1
, v
2
e v
3
e {(x, y, z) R
3
; 2x+y z = 0}.
R14. Queremos caracterizar as matrizes de M
2
(R) que podem ser escritas
como combinacao linear de u, v e w:
_
x y
z t
_
= au + bv + cw =
_
a + 3b + 3c 2a + 2b + 10c
3a b 11c a + 5b + 7c
_
. Em
outras palavras, queremos que seja compatvel o sistema:
_
_
a + 3b + 3c = x
2a + 2b + 10c = y
3a b 11c = z
a + 5b + 7c = t
. Escalonando esse sistema temos:
_
_
1 3 3 | x
2 2 10 | y
3 1 11 | z
1 5 7 | t
_
_
L
2
L
2
+ 2L
1
L
3
L
3
3L
1
L
4
L
4
L
1
191
CEDERJ
_
1 3 3 | x
0 8 16 | y + 2x
0 10 20 | z 3x
0 2 4 | t x
_
_
L
2
L
4
_
1 3 3 | x
0 2 4 | t x
0 10 20 | z 3x
0 8 16 | y + 2x
_
_ L
3
L
3
+ 5L
2
L
4
L
4
4L
2
_
1 3 3 | x
0 2 4 | t x
0 0 0 | z 3x + 5(t x)
0 0 0 | y + 2x 4(t x)
_
_
.
Temos que ter, entao:
z 3x + 5(t x) = 0 e y + 2x 4(t x) = 0. Escrevendo y e z em
funcao das vari aveis livres x e t, temos:
y = 6x+4t e z = 8x5t. Logo, uma matriz do subespa co procurado
e da forma
_
x 6x + 4t
8x 5t t
_
= x
_
1 6
8 0
_
+ t
_
0 4
5 1
_
; x, t R.
Concluimos, ent ao, que
__
1 6
8 0
_
,
_
0 4
5 1
__
e uma base do
subespa co e sua dimensao e 2.
R15. Seja v = (a, b, c) U W. Entao
_
_
a = b
a = c
b = 0
Logo, a = b = c = 0, o que
implica UW = {(0, 0, 0)}. Entao dim(UW) = 0. Como dimU = 2,
pois {(1, 1, 0), (0, 0, 1)} e uma base de U e dimW = 1, pois {(1, 0, 1)}
e uma base de W, temos dimU + dimW = 3 = dimR
3
. Logo, R
3
e a soma direta dos subespa cos U e W. Como base de R
3
podemos
considerar a can onica ou a uni ao das bases mencionadas acima, de U
e W.
R16. ||v|| =

< v, v > =
30
1 + 4 + a
2
+ 16 =
30 21 + a
2
=
30 a
2
= 9 a = 9.
R17. a) 2u v = (2, 4, 2) (0, 3, 4) = (2, 1, 2).
b) ||u|| =
1 + 4 + 1 =
6.
c) versor de v =
v
||v||
=
(0,3,4)
9+16
=
_
0,
3
5
,
4
5
_
.
CEDERJ
192
M
ODULO 2 - AULA 17
d) < u, v >= 0 + 6 + 4 = 10.
e) d(u, v) = ||u v|| = ||(1, 1, 3)|| =
1 + 1 + 9 =
11.
R18. < u, v >= 0 a(a + 1) + (a + 2) + a = 0 a
2
+ 3a + 2 = 0
a = 1 ou a = 2.
R19. a) ||u + v|| =
_
1 3
4 7
_
1 + 9 + 16 + 49 =
75 = 5
3.
b) cos =
<u,v>
||u||.||v||
=
2+2+3+12
1+4+1+9
4+1+9+16
=
15
15
30
=
2
2
= 45
o
.
R20. < p(t), q(t) >= 2 15 2 = 15.
R21. a)
u
||u||
=
(1,2,1)
6
=
_
1
6
,
2
6
,
1
6
_
.
b)
v
||v||
=
(1/2,2/3,1/2)
17/18
=
3
17
(
1
2
,
2
3
,
1
2
) =
_
3
2
2
17
,
2
17
,
3
2
2
17
_
.
R22. a)
_
1
0
(t 1)(3t
3
+ 2t + 1)dt =
_
1
0
(3t
4
3t
3
+ 2t
2
t 1)dt =
3t
5
5

3t
4
4
+
2t
3
3

t
2
2
t
_
1
0
=
3
5

3
4
+
2
3

1
2
1 =
59
60
.
b) ||p(t)|| =
_
< p(t), p(t) > =
_
_
1
0
(p(t))
2
dt =
_
_
1
0
(t
2
t)
2
dt =
_
_
1
0
(t
4
2t
3
+ t
2
)dt =
_
_
t
5
5

2t
4
4
+
t
3
3
_
1
0
=
_
1
30
.
c) < f(t), g(t) >= 0
_
1
0
(f(t).g(t))dt = 0
_
1
0
(at
3
2at
2
+ t
2)dt = 0
_
at
4
4

2at
3
3
+
t
2
2
2t
__
1
0
= 0
a
4

2a
3
+
1
2
2 = 0
a =
18
5
.
R23. Se u e ortogonal a v entao < u, v >= 0. Seja R. Ent ao
< u, v >= < u, v >= .0 = 0. Logo, u tambem e ortogonal
a v, para qualquer escalar .
R24. Queremos um vetor v = (a, b, c) tal que < v, v
1
>= 0 =< v, v
2
>. Isto
leva a
_
2a + b + c = 0
a + 3b = 0
. A solucao desse sistema e qualquer vetor de
R
3
da forma (3b, b, 5b), para b R.
R25.
_
u
<u,v>
||v||
2
v, v
_
=< u, v >
_
<u,v>
||v||
2
v, v
_
=< u, v >
<u,v>
||v||
2
||v||
2
=
=< u, v > < u, v >= 0.
R26. a(a + 1) + (a + 2) + a = 0 a
2
+ 3a + 2 = 0 a = 1 ou a = 2.
193
CEDERJ
R27. Seja {u
1
, u
2
, u
3
} a base ortonormal procurada. Ent ao:
u
1
=
v
1
||v
1
||
=
(1,1,1)
3
.
w
2
= v
2
proj
u
1
v
2
=< v
2
, u
1
> u
1
= 0.u
1
, o que indica que os vetores
u
1
e v
2
sao ortogonais. Basta normalizar o vetor v
2
:
u
2
=
v
2
||v
2
||
=
(1,1,0)
2
.
w
3
= v
3
proj
u
1
v
3
proj
u
2
v
3
= v
3
< v
3
, u
1
> u
1
< v
3
, u
2
> u
2
=
(1, 1, 1)
_
3
__
1
3
,
1
3
,
1
3
_
2
__
1
2
,
1
2
, 0
_
=
_
1
3
,
1
3
,
2
3
_
.
u
3
=
w
3
||w
3
||
=
3
6
_
1
3
,
1
3
,
2
3
_
=
_
1
6
,
1
6
,
2
6
_
.
Resposta:
__
1
3
,
1
3
,
1
3
_
,
_
1
2
,
1
2
, 0
_
,
_
1
6
,
1
6
,
2
6
__
.
R28. Sendo S o subespaco de R
3
1
e v
2
, sabemos que
proj
S
u = proj
u
1
u + proj
u
2
u, onde {u
1
, u
2
} e uma base ortonormal de
S. Vericamos que os vetores v
1
e v
2
sao LI (um n ao e m ultiplo do
outro) e, portanto, formam uma base de S. Alem disso, o produto
interno deles e zero, logo, formam uma base ortogonal. Precisamos
apenas normaliz a-la. Logo, u
1
=
v
1
||v
1
||
=
(1,0,2)
5
e u
2
= v
2
, pois vetor v
2
e unit ario.
Entao:
proj
S
u =< u, u
1
> u
1
+ < u, u
2
> u
2
=
5
5
_
1
5
, 0,
2
5
_
+ 2(0, 1, 0) =
(1, 0, 2) + (0, 2, 0) = (1, 2, 2).
R29. a) Um vetor de U e da forma (y + z, y, z) = y(1, 1, 0) + z(1, 0, 1).
Assim, {v
1
, v
2
} com v
1
= (1, 1, 0) e v
2
= (1, 0, 1) e uma base de U.
Vamos aplicar o metodo de Gram-Schmidt para ortonormalizar
essa base. Seja {u
1
, u
2
} a base ortonormal procurada. Ent ao
u
1
=
v
1
||v
1
||
=
_
1
2
,
1
2
, 0
_
.
w
2
= v
2
< v
2
, u
1
> u
1
= (1, 0, 1)
1
2
_
1
2
,
1
2
, 0
_
= (
1
2
,
1
2
, 0) =
(
1
2
,
1
2
, 1).
u
2
=
w
2
||w
2
||
=
2
6
_
1
2
,
1
2
, 1
_
=
_
1
6
,
1
6
,
2
6
_
.
Logo, {
_
1
2
,
1
2
, 0
_
,
_
1
6
,
1
6
,
2
6
_
} e uma base ortonormal de U.
b) Um vetor v = (x, y, z) de R
3
pertence a U
se
< v, v
1
>=< v, v
2
>= 0. Isto leva a
_
x + y = 0
x + z = 0
. Logo,
v = (x, x, x) = x(1, 1, 1), para x R. Vamos normali-
zar o vetor (1, 1, 1), obtendo o vetor u
3
=
_
1
3
,
1
3
,
1
3
_
.
Entao, {
_
1
3
,
1
3
,
1
3
_
} e uma base ortonormal de U
.
CEDERJ
194
M
ODULO 2 - AULA 17
c) Queremos escrever (a, b, c) = u + w, com u U e w U
. Para
isso, temos que determinar o vetor u, projecao ortogonal de v =
(a, b, c) sobre o subespa co U:
u = proj
U
v = proj
u
1
v + proj
u
2
v =< v, u
1
> u
1
+ < v, u
2
>
u
2
=
a+b
2
_
1
2
,
1
2
, 0
_
+
ab+2c
6
_
1
6
,
1
6
,
2
6
_
=
_
a+b
2
,
a+b
2
, 0
_
+
_
ab+2c
6
,
a+b2c
6
,
2a2b+4c
6
_
=
_
2a+b+c
3
,
a+2bc
3
,
ab+2c
3
_
.
Calculando v proj
v
U = (a, b, c)
_
2a+b+c
3
,
a+2bc
3
,
ab+2c
3
_
=
_
abc
3
,
a+b+c
3
,
a+b+c
3
_
.
Logo, a decomposi cao do vetor (a, b, c) numa soma de um vetor
de U com um de U
e dada por
(a, b, c) =
_
2a + b + c
3
,
a + 2b c
3
,
a b + 2c
3
_
. .
U
+
_
a b c
3
,
a + b + c
3
,
a + b + c
3
_
. .
U
.
195
CEDERJ

AlgLinI - Mod Quimica

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

AlgLinI - Mod Quimica

Diunggah oleh

Hak Cipta:

Format Tersedia

Luiz Manoel Figueiredo

Marisa Ortegoza da Cunha

E esse tipo de tratamento que as matrizes possibilitam (por linhas, por

De acordo com o n umero de linhas e colunas de uma matriz, podemos

= 2(8 5) 5(0 15) 3(0 12) = 85 .

Algebra Linear e Aplica coes, de Carlos Callioli, Hygino Domingues e Roberto

por triangulariza cao:

4. Calcule x para que

, tal que o sistema

, conforme mostra o esquema a seguir:

Vamos ver uma serie de exemplos para voce se familiarizar com o

e S sao sistemas lineares equivalentes, essa tambem e a solu cao

IVEL!!) e indeterminado. Resolvendo a segunda equa cao para c, substi-

uma matriz escalonada, equivalente

= 2 = 0. Logo, o sistema tem solu cao unica.

= 0, o sistema tem solucao unica. Assim,

2, que e um n umero real, a resposta certamente n ao ser a um

sejam elementos neutros de V , e vamos mostrar

, pois 0 e elemento neutro, mas

tambem e elemento neutro. Logo

. Nesse caso, teramos

sejam solucoes da referida equacao, ou

E comum usar a abrevia cao L.I. para conjuntos linearmente indepen-

} e um conjunto L.I. e gera o mesmo subespa co U

Como U + V e subespaco e, como observamos acima, todo subespa co

v V . Como U V = {0} (pois a soma e direta),

No caso em que a soma e direta, U V = {0}, logo dimU V = 0 e

E facil ver que este conjunto e L.I., logo dimV = 3.

Angulo de dois vetores

< v, v > = 0 ||v|| = 0.

3/2, 1/2) >= 0,

E facil vericar que, de fato, o versor de v e unit ario:

25 = 5. Seu versor e o vetor

3/2) e o vetor < u, v > v (note que v e

3 = 0. Ent ao o segundo vetor da nova base e o versor de g

6(2/3, 4/3, 2/3) =

= (1/3)(1/3, 2/3, 2/3) = (1/9, 2/9, 2/9).

5) + 2(0, 1, 0) = (1, 2, 2).

2, 0) = (1/2, 1/2, 1).

6(1/2, 1/2, 1) = (1/

6) = (11/3, 13/3, 2/3).

o subconjunto formado pelos vetores de V que

e chamado complemento ortogonal de U e e tambem

, isto e, < v, u >= 0, u U. Ent ao

e da forma (0, y), com y R.

= [(0, 1)]. Note que U e o eixo das abscissas e U

, o eixo das ordenadas,

. Podemos, ent ao, escrever

, podemos ent ao, decompor cada vetor v de V , de forma

E importante lembrar que para determinar a proje cao de um vetor v

e o plano xy, isto e:

, pois, dado (x, y, z) R

= {(0, 0, z); z R}} = {(x, y, 0); x, y R} = {(0, 0, 0)} = o

, deve ser ortogonal a u

e gerado pelos vetores (2, 1, 0, 0, )

: {(1, 1, 4, 0), (1, 0, 6, 2)}

= (3 8) (4 a) = a 9. Queremos det A = 0, isto e,

Anda mungkin juga menyukai