Algebra Linear - Ufmg

INTRODUC
AO
`
A

ALGEBRA LINEAR
Reginaldo J. Santos
Departamento de Matem atica-ICEx
Universidade Federal de Minas Gerais
http://www.mat.ufmg.br/regi
Julho 2009
Introduc ao ` a

Algebra Linear
Copyright c 2009 by Reginaldo de Jesus Santos (091118)
E proibida a reproduc ao desta publicac ao, ou parte dela, por qualquer meio, sem a pr evia
autorizac ao, por escrito, do autor.
Editor, Coordenador de Revis ao, Supervisor de Produc ao, Capa e Ilustrac oes:
Reginaldo J. Santos
ISBN 85-7470-018-5
Ficha Catalogr aca
Santos, Reginaldo J.
S237i Introduc ao ` a

Algebra Linear / Reginaldo J. Santos
- Belo Horizonte: Imprensa Universit aria da UFMG, 2009.
1.

Algebra Linear I. Ttulo
CDD: 512.5
Conte udo
Pref acio viii
1 Matrizes e Sistemas Lineares 1
1.1 Matrizes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1.1 Operac oes com Matrizes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.1.2 Propriedades da

Algebra Matricial . . . . . . . . . . . . . . . . . . . . . . . . 10
1.1.3 Aplicac ao: Cadeias de Markov . . . . . . . . . . . . . . . . . . . . . . . . . . 16
Ap endice I: Notac ao de Somat orio . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
1.2 Sistemas de Equac oes Lineares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
1.2.1 M etodo de Gauss-Jordan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
1.2.2 Matrizes Equivalentes por Linhas . . . . . . . . . . . . . . . . . . . . . . . . 50
1.2.3 Sistemas Lineares Homog eneos . . . . . . . . . . . . . . . . . . . . . . . . . 52
1.2.4 Matrizes Elementares (opcional) . . . . . . . . . . . . . . . . . . . . . . . . . 57
iii
iv Conte udo
2 Invers ao de Matrizes e Determinantes 77
2.1 Matriz Inversa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
2.1.1 Propriedades da Inversa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
2.1.2 Matrizes Elementares e Invers ao (opcional) . . . . . . . . . . . . . . . . . . . 82
2.1.3 M etodo para Invers ao de Matrizes . . . . . . . . . . . . . . . . . . . . . . . . 86
2.1.4 Aplicac ao: Interpolac ao Polinomial . . . . . . . . . . . . . . . . . . . . . . . . 96
2.1.5 Aplicac ao: Criptograa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
2.2 Determinantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
2.2.1 Propriedades do Determinante . . . . . . . . . . . . . . . . . . . . . . . . . . 113
2.2.2 Matrizes Elementares e o Determinante (opcional) . . . . . . . . . . . . . . . 127
2.2.3 Matriz Adjunta e Invers ao (opcional) . . . . . . . . . . . . . . . . . . . . . . . 129
Ap endice II: Demonstrac ao do Teorema 2.11 . . . . . . . . . . . . . . . . . . . . . . 144
2.3 Matrizes Particionadas em Blocos (opcional) . . . . . . . . . . . . . . . . . . . . . . 148
2.3.1 Operac oes Matriciais em Blocos . . . . . . . . . . . . . . . . . . . . . . . . . 148
2.3.2 Inversa de Matrizes em Blocos . . . . . . . . . . . . . . . . . . . . . . . . . . 151
2.3.3 Determinante de Matrizes em Blocos . . . . . . . . . . . . . . . . . . . . . . 152
3 Espac os
159
3.1 Vetores no Plano e no Espaco . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 159
3.1.1 Soma de Vetores e Multiplicac ao por Escalar . . . . . . . . . . . . . . . . . . 161
3.1.2 Norma e Produto Escalar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 179
3.2 Equac oes de Retas e Planos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 201
3.2.1 Equac ao do Plano . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 201
3.2.2 Equac oes da Reta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 207
3.3 Os Espacos
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 222
Introduc ao ` a

Algebra Linear Julho 2009
Conte udo v
3.3.1 Combinac ao Linear . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 226
3.3.2 Independ encia Linear . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 231
4 Subespac os 245
4.1 Base e Dimens ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 245
Ap endice III: Outros Resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 270
4.2 Espaco Linha e Espaco Coluna . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 278
4.2.1 Posto e Nulidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 279
4.2.2 Aplicac ao a Sistemas Lineares . . . . . . . . . . . . . . . . . . . . . . . . . . 282
4.2.3 A Imagem de uma Matriz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 287
4.3 Espacos Vetoriais Abstratos (opcional) . . . . . . . . . . . . . . . . . . . . . . . . . 294
5 Ortogonalidade 312
5.1 Produto Escalar em
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 312
5.1.1 Produto Interno . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 312
5.1.2 Bases Ortogonais e Ortonormais . . . . . . . . . . . . . . . . . . . . . . . . 322
5.2 Subespacos Ortogonais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 330
5.2.1 Subespacos Fundamentais . . . . . . . . . . . . . . . . . . . . . . . . . . . . 335
5.2.2 Problema de Quadrados Mnimos . . . . . . . . . . . . . . . . . . . . . . . . 336
5.3 Mudanca de Coordenadas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 349
5.3.1 Rotac ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 355
5.3.2 Translac ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 357
5.3.3 Aplicac ao: Computac ao Gr aca - Projec ao Ortogr aca . . . . . . . . . . . . . 360
6 Transformac oes Lineares (opcional) 371
6.1 Denic ao, Exemplos e Propriedades . . . . . . . . . . . . . . . . . . . . . . . . . . 371
Julho 2009 Reginaldo J. Santos
vi Conte udo
6.1.1 Denic ao e Exemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 371
6.1.2 Propriedades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 376
6.2 A Imagem e o N ucleo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 389
6.2.1 Injetividade e Sobrejetividade . . . . . . . . . . . . . . . . . . . . . . . . . . 394
6.3 Composic ao de Transformac oes Lineares . . . . . . . . . . . . . . . . . . . . . . . . 402
6.3.1 Matriz de uma Transformac ao Linear . . . . . . . . . . . . . . . . . . . . . . . 402
6.3.2 Invertibilidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 408
6.3.3 Semelhanca . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 414
7 Diagonalizac ao 422
7.1 Diagonalizac ao de Matrizes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 422
7.1.1 Motivac ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 422
7.1.2 Autovalores e Autovetores . . . . . . . . . . . . . . . . . . . . . . . . . . . . 425
7.1.3 Diagonalizac ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 434
7.1.4 Diagonalizac ao de Operadores (opcional) . . . . . . . . . . . . . . . . . . . . 445
7.1.5 Forma Can onica de Jordan (opcional) . . . . . . . . . . . . . . . . . . . . . . 447
7.2 Diagonalizac ao de Matrizes Sim etricas . . . . . . . . . . . . . . . . . . . . . . . . . 462
7.2.1 Motivac ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 462
7.2.2 Matrizes Ortogonais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 464
Ap endice IV: Autovalores Complexos . . . . . . . . . . . . . . . . . . . . . . . . . . 474
7.3 Aplicac ao na Identicac ao de C onicas . . . . . . . . . . . . . . . . . . . . . . . . . . 480
Respostas dos Exerccios 496
Bibliograa 679
Introduc ao ` a

Conte udo vii
Indice Alfab etico 683

Pref acio
Este texto cobre o material para um curso de um semestre de Introduc ao ` a

Algebra Linear ou de
Algebra Linear Matricial. O texto pode, mas n ao e necess ario, ser acompanhado um programa como
o MATLAB

, SciLab ou o Maxima.
O conte udo e dividido em sete captulos. O Captulo 1 trata das matrizes e sistemas lineares. Aqui
todas as propriedades da algebra matricial s ao demonstradas. A resoluc ao de sistemas lineares e
feita usando somente o m etodo de Gauss-Jordan (transformando a matriz at e que ela esteja na forma
escalonada reduzida). Este m etodo requer mais trabalho do que o m etodo de Gauss (transformando a
matriz, apenas, at e que ela esteja na forma escalonada). Ele foi o escolhido, por que tamb em e usado
no estudo da invers ao de matrizes no Captulo 2. Neste Captulo e tamb em estudado o determinante,
que e denido usando cofatores. As demonstrac oes dos resultados deste captulo podem ser, a
crit erio do leitor, feitas somente para matrizes 3 3.
O Captulo 3 trata de vetores no plano, no espaco e no
. Os vetores s ao denidos inicialmente
MATLAB
e marca registrada de The Mathworks, Inc.

viii
Conte udo ix
de forma geom etrica, assim como a soma e a multiplicac ao por escalar. S ao provadas algumas
propriedades geometricamente. Depois s ao introduzidos sistemas de coordenadas de forma natural
sema necessidade da denic ao de base. Oproduto escalar e denido tamb emgeometricamente. S ao
estudados tamb em retas e planos no espaco. Depois, o conceito de vetor e generalizado para o
.
O conceito de depend encia e independ encia linear e introduzido de forma alg ebrica, acompanhado
da interpretac ao geom etrica para os casos de
2
e
3
.
No Captulo 4 s ao tratados os conceitos de subespacos e de base de subespacos. S ao estudados
os espacos linha e coluna de uma matriz e o seu posto. Ao nal do captulo os Espacos Vetoriais
Abstratos s ao denidos. No Captulo 5 s ao abordados o produto escalar e bases ortonormais. Al em
de subespacos ortogonais e quadrados mnimos.
Transformac oes Lineares de
em
s ao estudadas no Captulo 6. O Captulo 7 traz um estudo

da diagonalizac ao de matrizes em geral e a diagonalizac ao de matrizes sim etricas atrav es de uma
matriz ortogonal.

E feita uma aplicac ao ao estudo das sec oes c onicas.
Os exerccios est ao agrupados em tr es classes. Os Exerccios Num ericos, que cont em
exerccios que s ao resolvidos fazendo c alculos, que podem ser realizados sem a ajuda de um com-
putador ou de uma m aquina de calcular. Os Exerccios Te oricos, que cont em exerccios que reque-
rem demonstrac oes. Alguns s ao simples, outros s ao mais complexos. Os mais difceis complemen-
tam a teoria e geralmente s ao acompanhados de sugest oes. Os Exerccios usando o MATLAB
,
que cont em exerccios para serem resolvidos usando o MATLAB
ou outro software. Os comandos

necess arios a resoluc ao destes exerccios s ao tamb em fornecidos juntamente com uma explicac ao
r apida do uso. Os exerccios num ericos s ao imprescindveis, enquanto a resoluc ao dos outros, de-
pende do nvel e dos objetivos pretendidos para o curso.
O MATLAB
e um software destinado a fazer c alculos com matrizes (MATLAB
= MATrix LABo-
ratory). Os comandos do MATLAB
s ao muito pr oximos da forma como escrevemos express oes

alg ebricas, tornando mais simples o seu uso. Podem ser incorporados ` as rotinas pr e-denidas, pa-
x Pref acio
cotes para c alculos especcos. Um pacote chamado gaal com func oes que s ao direcionadas para
o estudo de Geometria Analtica e

Algebra Linear pode ser obtido na web na p agina do autor, as-
sim como um texto com uma introduc ao ao MATLAB
e instruc oes de como instalar o pacote gaal.

O MATLAB
n ao e um software gratuito, embora antes a vers ao estudante vinha gr atis ao se com-

prar o guia do usu ario. Atualmente o SciLab e uma alternativa gratuita, mas que n ao faz c alculo
simb olico. O Maxima e um programa de computac ao alg ebrica gratuito. Ambos podem ser usados
como ferramenta auxiliar na aprendizagem de

Algebra Linear. Na p agina do autor na web podem ser
encontrados pacotes de func oes para estes programas al em de links para as p aginas do SciLab e do
Maxima e v arias p aginas interativas que podem auxiliar na aprendizagem.
No m de cada captulo temos um Teste do Captulo, onde o aluno pode avaliar os seus conheci-
mentos. Os Exerccios Num ericos e os Exerccios usando o MATLAB
est ao resolvidos ap os o ultimo

captulo utilizando o MATLAB
. Desta forma o leitor que n ao estiver interessado em usar o software

pode obter apenas as respostas dos exerccios, enquanto aquele que tiver algum interesse, pode car
sabendo como os exerccios poderiam ser resolvidos fazendo uso do MATLAB
e do pacote gaal.
Gostaria de agradecer aos professores que colaboraram apresentando correc oes, crticas e su-
gest oes, entre eles Helder C. Rodrigues e Francisco Satuf, Joana Darc A. S. da Cruz e Lucia Brasil.
Introduc ao ` a

Pref acio xi
Sugest ao de Cronograma para 60 Horas
Captulo 1 Sec oes 1.1 e 1.2 8 aulas
Captulo 3 Sec oes 3.1 a 3.3 12 aulas
Total 60 aulas
Sugest ao de Cronograma para 90 Horas
Total 85 aulas
Hist orico
xii Pref acio
Julho 2009 Algumas correc oes. V arias guras foram refeitas.
Marc o 2008 Foi acrescentada a subsec ao opcional Forma Can onica de Jordan. Foram corrigidos
alguns erros.
Julho 2007 Foi acrescentado o Exemplo 2.16 na sec ao de Determinantes. Foram acrescentados
um exerccio na sec ao de Determinantes, um na de Produto Escalar em
, quatro na de
Diagonalizac ao e um na de Diagonalizac ao de Matrizes Sim etricas. Foram corrigidos alguns
erros.
Marc o 2007 A Sec ao 1.1 de Matrizes e a Sec ao 2.2 de Determinantes foram reescritas. Na sec ao 1.2
o Teorema 1.4 voltou a ser que toda matriz e equivalente por linhas a uma unica matriz na forma
escalonada reduzida. As sec oes 4.1, 5.1 e 5.3 foram reescritas e acrescentada uma aplicac ao
` a computac ao gr aca. Foi acrescentada a sub-sec ao opcional Diagonalizac ao de Operadores
` a sec ao 7.1. Foram acrescentados dois exerccios na sec ao de Matrizes, um na de Invers ao de
Matrizes, um na de Base e Dimens ao, tr es na de Mudanca de Coordenadas. Foram corrigidos
alguns erros.
Maio 2004 Foram acrescentadas aplicac oes ` a criptograa (Exemplo na p agina 98) e a cadeias de
Markov (Exemplos 1.9 na p agina 16, 1.16 na p agina 55 e 7.8 na p agina 441). Foi acrescentado
um exerccio na sec ao 1.1. Foi includa a demonstrac ao de que toda matriz e equivalente por
linhas a uma unica matriz escalonada reduzida. Este resultado era o Teorema 1.4 na p agina 26
que passou para o Ap endice III da sec ao 5.2. O Teorema 1.4 agora cont em as propriedades da
relac ao ser equivalente por linhas com a demonstrac ao. O que antes era Exemplo 1.14 passou
para o lugar do Exemplo 1.10. O Exemplo 2.5 foi modicado. A sec ao Base e Dimens ao foi
reescrita. Foi acrescentada a Proposic ao 4.9 na p agina 273 que e util na obtenc ao de uma base
para um subespaco. O Teorema 4.3 do Ap endice III passou para o texto obrigat orio da sec ao
Introduc ao ` a

Pref acio xiii
4.3 e e agora o Teorema 4.2 na p agina 256. Foram acrescentados alguns exemplos e alguns
exerccios ` a sec ao 4.3. Os exemplos 7.4 na p agina 431 e 7.5 na p agina 438 foram modicados.
A sec ao Diagonalizac ao de Matrizes ganhou mais um exerccio te orico.
Julho 2003 V arias correc oes incluindo respostas de exerccios. A sec ao Base e Dimens ao foi re-
escrita. Foi acrescentada uma sec ao de Espacos Vetoriais Abstratos no Captulo 4. A sec ao
Diagonalizac ao de Matrizes ganhou mais dois exerccios te oricos. A sec ao Diagonalizac ao de
Matrizes Sim etricas ganhou um ap endice sobre Autovalores Complexos.
Julho 2002 Criado a partir do texto Geometria Analtica e

Algebra Linear para ser usado numa
disciplina de Introduc ao ` a

Algebra Linear ou

Algebra Matricial.
xiv Pref acio
Introduc ao ` a

Captulo 1
Matrizes e Sistemas Lineares
1.1 Matrizes
Uma matriz , (por ), e uma tabela de n umeros dispostos emlinhas e colunas
=
11

12
. . .
1
21

22
. . .
2
.
.
. . . .
.
.
.
1

2
. . .
.
A - esima linha de e
_

1

2
. . .
,
1
2 Matrizes e Sistemas Lineares
para = 1, . . . , e a - esima coluna de e
2
.
.
.
,
para = 1, . . . , . Usamos tamb em a notac ao = (
. Dizemos que
ou []
e o elemento
ou a entrada de posic ao , da matriz .
Se = , dizemos que e uma matriz quadrada de ordem e os elementos
11
,
22
, . . . ,
formam a diagonal (principal) de .

Exemplo 1.1. Considere as seguintes matrizes:
=
_
1 2
3 4
_
, =
_
2 1
0 3
_
, =
_
1 3 0
2 4 2
_
,
=
_
1 3 2
, =
1
4
3
e =
_
3
.
As matrizes e s ao 2 2. A matriz e 2 3, e 1 3, e 3 1 e e 1 1. De acordo
com a notac ao que introduzimos, exemplos de elementos de algumas das matrizes dadas acima s ao
12
= 2,
23
= 2,
21
= 4, []
22
= 4, []
12
= 3.
Uma matriz que s o possui uma linha e chamada matriz linha, e uma matriz que s o possui uma
coluna e chamada matriz coluna, No Exemplo 1.1 a matriz e uma matriz linha e a matriz e uma
Introduc ao ` a

1.1 Matrizes 3
matriz coluna. Matrizes linha e matrizes coluna s ao chamadas de vetores. O motivo car a claro na
Sec ao 3.3 na p agina 222.
Dizemos que duas matrizes s ao iguais se elas t em o mesmo tamanho e os elementos correspon-
dentes s ao iguais, ou seja, = (
e = (
s ao iguais se = , = e
para = 1, . . . , e = 1, . . . , .
Vamos denir operac oes matriciais an alogas ` as operac oes com n umeros e provar propriedades
que s ao v alidas para essas operac oes. Veremos, mais tarde, que um sistema de equac oes lineares
pode ser escrito em termos de uma unica equac ao matricial.
Vamos, agora, introduzir as operac oes matriciais.
1.1.1 Operac oes com Matrizes
Denic ao 1.1. A soma de duas matrizes de mesmo tamanho = (
e = (
e
denida como sendo a matriz
= +
obtida somando-se os elementos correspondentes de e , ou seja,
,
para = 1, . . . , e = 1, . . . , . Escrevemos tamb em [ + ]
.
Exemplo 1.2. Considere as matrizes:
=
_
1 2 3
3 4 0
_
, =
_
2 1 5
0 3 4
_
Se chamamos de a soma das duas matrizes e , ent ao
= + =
_
1 + (2) 2 + 1 3 + 5
3 + 0 4 + 3 0 + (4)
_
=
_
1 3 2
3 7 4
_
Introduc ao ` a

1.1 Matrizes 5
Denic ao 1.2. A multiplicac ao de uma matriz = (
por um escalar (n umero) e denida

pela matriz
=
obtida multiplicando-se cada elemento da matriz pelo escalar , ou seja,
,
para = 1, . . . , e = 1, . . . , . Escrevemos tamb em []
. Dizemos que a matriz e

um m ultiplo escalar da matriz .
Exemplo 1.3. O produto da matriz =
2 1
0 3
5 4
pelo escalar 3 e dado por

3 =
(3)(2) (3) 1
(3) 0 (3) 3
(3) 5 (3)(4)
6 3
0 9
15 12
.
Denic ao 1.3. O produto de duas matrizes, tais que o n umero de colunas da primeira matriz e
igual ao n umero de linhas da segunda, = (
e = (
e denido pela matriz

=
obtida da seguinte forma:
=
1
1
+
2
2
+ . . . +
, (1.1)
para = 1, . . . , e = 1, . . . , . Escrevemos tamb em []
=
1
1
+
2
2
+ . . . +
.
A equac ao (1.1) est a dizendo que o elemento , do produto e igual ` a soma dos produtos dos
elementos da - esima linha de pelos elementos correspondentes da - esima coluna de .
11
. . .
1
.
.
.
.
.
.
1
. . .
11

12
. . .
1
.
.
. . . .
.
.
.
1

2
. . .
.
.
. . . .
.
.
.
1

2
. . .
11
21
.
.
.
1
. . .
. . .
. . .
. . .
2
.
.
.
. . .
. . .
. . .
. . .
2
.
.
.
A equac ao (1.1) pode ser escrita de forma compacta usando a notac ao de somat orio.
[]
=
1
1
+
2
2
+ . . . +
=1
Introduc ao ` a

1.1 Matrizes 7
e dizemos somat orio de variando de 1 a de
. O smbolo
=1
signica que estamos fazendo
uma soma em que o ndice est a variando de = 1 at e = . Algumas propriedades da notac ao
de somat orio est ao explicadas no Ap endice I na p agina 33.
Exemplo 1.4. Considere as matrizes:
=
_
1 2 3
3 4 0
_
, =
2 1 0
0 3 0
5 4 0
.
Se chamamos de o produto das duas matrizes e , ent ao
= =
_
1 (2) + 2 0 + (3) 5 1 1 + 2 3 + (3) (4) 0
3 (2) + 4 0 + 0 5 3 1 + 4 3 + 0 (4) 0
_
=
_
17 19 0
6 15 0
_
.
Observac ao. No exemplo anterior o produto n ao est a denido (por que?). Entretanto, mesmo
quando ele est a denido, pode n ao ser igual a , ou seja, o produto de matrizes n ao e comu-
tativo, como mostra o exemplo seguinte.
Exemplo 1.5. Sejam =
_
1 2
3 4
_
e =
_
2 1
0 3
_
. Ent ao,
=
_
2 7
6 15
_
e =
_
1 0
9 12
_
.
Vamos ver no pr oximo exemplo como as matrizes podem ser usadas para descrever quantitativa-
mente um processo de produc ao.
Exemplo 1.6. Uma ind ustria produz tr es produtos, X, Y e Z, utilizando dois tipos de insumo, A e B.
Para a manufatura de cada kg de X s ao utilizados 1 grama do insumo A e 2 gramas do insumo B;
para cada kg de Y, 1 grama de insumo A e 1 grama de insumo B e, para cada kg de Z, 1 grama de
A e 4 gramas de B. Usando matrizes podemos determinar quantos gramas dos insumos A e B s ao
necess arios na produc ao de kg do produto X, kg do produto Y e kg do produto Z.
X Y Z
gramas de A/kg
gramas de B/kg
_
1 1 1
2 1 4
_
= =
kg de X produzidos
kg de Y produzidos
kg de Z produzidos
=
_
+ +
2 + + 4
_
gramas de A usados
gramas de B usados
Introduc ao ` a

1.1 Matrizes 9
Denic ao 1.4. A transposta de uma matriz = (
e denida pela matriz

=
obtida trocando-se as linhas com as colunas, ou seja,
,
para = 1, . . . , e = 1, . . . , . Escrevemos tamb em [
.
Exemplo 1.7. As transpostas das matrizes
=
_
1 2
3 4
_
, =
_
2 1
0 3
_
e =
_
1 3 0
2 4 2
_
s ao
=
_
1 3
2 4
_
,
=
_
2 0
1 3
_
e
1 2
3 4
0 2
.
A seguir, mostraremos as propriedades que s ao v alidas para a algebra matricial. V arias proprie-
dades s ao semelhantes ` aquelas que s ao v alidas para os n umeros reais, mas deve-se tomar cuidado
com as diferencas. Uma propriedade importante que e v alida para os n umeros reais, mas n ao e
v alida para as matrizes e a comutatividade do produto, como foi mostrado no Exemplo 1.5. Por ser
compacta, usaremos a notac ao de somat orio na demonstrac ao de v arias propriedades. Algumas
propriedades desta notac ao est ao explicadas no Ap endice I na p agina 33.
1.1.2 Propriedades da

Algebra Matricial
Teorema 1.1. Sejam , e matrizes com tamanhos apropriados, e escalares. S ao v alidas as
seguintes propriedades para as operac oes matriciais:
(a) (comutatividade) + = + ;
(b) (associatividade) + ( + ) = ( + ) + ;
(c) (elemento neutro) A matriz

0, , denida por [
0]
= 0, para = 1, . . . , , = 1, . . . , e
tal que
+

0 = ,
para toda matriz , . A matriz

0 e chamada matriz nula .
(d) (elemento sim etrico) Para cada matriz , existe uma unica matriz , denida por []
tal que
+ () =

0.
(e) (associatividade) () = ();
(f) (distributividade) ( + ) = + ;
(g) (distributividade) ( + ) = + ;
(h) (associatividade) () = ();
Introduc ao ` a

1.1 Matrizes 11
(i) (elemento neutro) Para cada inteiro positivo a matriz, ,
1 0 . . . 0
0 1 . . . 0
.
.
.
.
.
.
.
.
.
0 0 . . . 1
,
chamada matriz identidade e tal que
= , para toda matriz = (
.
(j) (distributividade) ( + ) = + e ( + ) = + ;
(k) () = () = ();
(l) (
= ;
(m) ( + )
;
(n) ()
;
(o) ()
;
Demonstrac ao. Para provar as igualdades acima, devemos mostrar que os elementos da matriz do
lado esquerdo s ao iguais aos elementos correspondentes da matriz do lado direito. Ser ao usadas
v arias propriedades dos n umeros sem cit a-las explicitamente.
(a) [ + ]
= [ + ]
;
(b) [+ ( +)]
+ [ +]
+ (
) = (
) +
= [+]
=
[( + ) + ]
;
(c) Seja uma matriz tal que
+ = (1.2)
para qualquer matriz A, . Comparando os elementos correspondentes, temos que
,
ou seja,
= 0, para = 1 . . . , e = 1 . . . , . Portanto, a unica matriz que satisfaz (1.2) e

a matriz em que todos os seus elementos s ao iguais a zero. Denotamos a matriz por

0.
(d) Dada uma matriz , , seja uma matriz , tal que
+ =

0 . (1.3)
Comparando os elementos correspondentes, temos que
= 0 ,
ou seja,
, para = 1 . . . , e = 1 . . . , . Portanto, a unica matriz que satisfaz

(1.3) e a matriz em que todos os seus elementos s ao iguais aos sim etricos dos elementos de
. Denotamos a matriz por .
(e) [()]
= []
= (
) = ()
= [()]
.
Introduc ao ` a

1.1 Matrizes 13
(f) [( + )]
= ( + )
= (
) + (
) = []
+ []
= [ + ]
.
(g)
[( + )]
= [ +]
= (
) =
= []
+ []
= [ +]
.
(h) A demonstrac ao deste item e a mais trabalhosa. Sejam , e matrizes , e
respectivamente. A notac ao de somat orio aqui pode ser muito util, pelo fato de ser compacta.
[()]
=1
[]
=1
=1
) =
=1
=1
) =
=
=1
=1
(
=1
=1
(
=1
(
=1
=
=
=1
[]
= [()]
.
(i) Podemos escrever a matriz identidade em termos do delta de Kronecker que e denido por
=
_
1, se =
0, se =
como [
. Assim,
[
=1
=1
.
A outra igualdade e an aloga.
(j) [( + )]
=1
[ + ]
=1
) =
=1
(
) =
=
=1
=1
= []
+ []
= [ + ]
.
A outra igualdade e inteiramente an aloga a anterior e deixamos como exerccio.
(k) [()]
=1
=1
(
= [()]
e
[()]
=1
=1
) = [()]
.
(l) [(
= [
.
(m) [( + )
= [ + ]
= [
+ [
.
(n) [()
= []
= [
= [
.
(o) [()
= []
=1
=1
[
=1
[
= [
A diferenc a entre duas matrizes de mesmo tamanho e e denida por

= + (),
Introduc ao ` a

1.1 Matrizes 15
ou seja, e a soma da matriz com a sim etrica da matriz .
Sejamuma matriz e um inteiro positivo. Denimos a pot encia de , por
= . . .
. .
vezes
.
E para = 0, denimos
0
=
.
Exemplo 1.8. Vamos vericar se para matrizes e , quadradas, vale a igualdade
( + )( ) =
2
2
. (1.4)
Usando a propriedade (i) do teorema anterior obtemos
( + )( ) = ( + ) + ( + )()
= + =
2
+
2
Assim, ( + )( ) =
2

2
se, e somente se, = 0, ou seja, se, e somente se,
= . Como o produto de matrizes n ao e comutativo, a conclus ao e que a igualdade (1.4), n ao
vale para matrizes em geral. Como contra-exemplo basta tomarmos duas matrizes que n ao comutem
entre si. Sejam
=
_
0 0
1 1
_
e =
_
1 0
1 0
_
.
Para estas matrizes
+ =
_
1 0
2 1
_
, =
_
1 0
0 1
_
,
2
= =
_
0 0
1 1
_
,
2
= =
_
1 0
1 0
_
.
Assim,
( + )( ) =
_
1 0
2 1
_
=
_
1 0
0 1
_
=
2
2
.
1.1.3 Aplicac ao: Cadeias de Markov
Exemplo 1.9. Vamos supor que uma populac ao e dividida emtr es estados (por exemplo: ricos, classe
m edia e pobres) e que em cada unidade de tempo a probabilidade de mudanca de um estado para
outro seja constante no tempo, s o dependa dos estados. Este processo e chamado cadeia de Mar-
kov.
Seja
a probabilidade de mudanca do estado para o estado em uma unidade de tempo

(gerac ao). Cuidado com a ordem dos ndices. A matriz
=
1 2 3
11

12

13
21

22

23
31

32

33
1
2
3
e chamada matriz de transic ao. Como exemplo vamos considerar a matriz de transic ao
=
1 2 3
1
2
1
4
0
1
2
1
2
1
2
0
1
4
1
2
1
2
3
(1.5)
A distribuic ao da populac ao inicial entre os tr es estados pode ser descrita pela seguinte matriz:
0
=
est a no estado 1
est a no estado 2
est a no estado 3
Introduc ao ` a

1.1 Matrizes 17
A matriz
0
caracteriza a distribuic ao inicial da populac ao entre os tr es estados e e chamada vetor
de estado. Por exemplo,
0
=
1
3
1
3
1
3
est a no estado 1
est a no estado 2
est a no estado 3
(1.6)
representa uma populac ao dividida de forma que 1/3 da populac ao est a em cada estado. Ap os uma
unidade de tempo a populac ao estar a dividida entre os tr es estados da seguinte forma
1
=
11
1
+
12
2
+
13
21
1
+
22
2
+
23
31
1
+
32
2
+
33
estar a no estado 1
estar a no estado 2
estar a no estado 3
Lembre-se que
e a probabilidade de mudanca do estado para o estado . Assim o vetor de estado

ap os uma unidade de tempo e dada pelo produto de matrizes:
1
=
0
.
Por exemplo se a matriz de transic ao, , e a matriz dada por (1.5) e a matriz de estado inicial,
0
,
e a matriz dada por (1.6), ent ao ap os uma unidade de tempo a matriz de estado ser a dada por
1
=
0
=
1
2
1
4
0
1
2
1
2
1
2
0
1
4
1
2
1
3
1
3
1
3
1
4
1
2
1
4
Como estamos assumindo que em cada unidade de tempo a matriz de transic ao e a mesma,
ent ao ap os unidades de tempo a populac ao estar a dividida entre os tr es estados segundo a matriz
de estado
=
1
=
2
2
= =
0
Assim a matriz
d a a transic ao entre unidades de tempo.

Veremos na Sec ao 7.1 na p agina 422 como calcular rapidamente pot encias de matrizes e assim
como determinar a distribuic ao da populac ao ap os unidades de tempo para um inteiro positivo
qualquer.
Exerccios Num ericos (respostas na p agina 497)
1.1.1. Considere as seguintes matrizes
=
_
2 0
6 7
_
, =
_
0 4
2 8
_
, =
_
6 9 7
7 3 2
_
=
6 4 0
1 1 4
6 0 6
, =
6 9 9
1 0 4
6 0 1
Se for possvel calcule:

(a) ,
(b) 2 ,
(c) (2
,
(d)
2
.
Introduc ao ` a

1.1 Matrizes 19
1.1.2. Conhecendo-se somente os produtos e , como podemos calcular ( + ),
e ()?
1.1.3. Considere as seguintes matrizes
=
_
3 2 1
1 2 1
_
, =
2 1
2 0
0 3
2 1 1
0 1 1
1 0 1
, =
1
0 0
0
2
0
0 0
3
1
=
1
0
0
,
2
=
0
1
0
,
3
=
0
0
1
Verique que:
(a) e diferente de .
(b)
e a - esima coluna de , para = 1, 2, 3 e
e a - esima linha de , para

= 1, 2, 3 (o caso geral est a no Exerccio 1.1.16 na p agina 26).
(c) = [
1
1

2
2

3
3
], em que
1
=
2
0
1
,
2
=
1
1
0
e
3
=
1
1
1
, s ao as
colunas de (o caso geral est a no Exerccio 1.1.17 (a) na p agina 27).
(d) =
, em que
1
=
_
2 1 1
,
2
=
_
0 1 1
3
=
_
1 0 1
s ao as linhas de (o caso geral est a no Exerccio 1.1.17 (b) na

p agina 27).
(e) Escrevendo em termos das suas colunas, = [
1

2
], em que
1
=
2
2
0
2
=
1
0
3
, o produto pode ser escrito como = [

1

2
] = [
1

2
]
(o caso geral est a no Exerccio 1.1.18 (a) na p agina 28).
(f) escrevendo em termos das suas linhas,
1
=
_
3 2 1
e
2
=
_
1 2 1
, o
produto pode ser escrito como =
_

1
2
_
=
_

1
_
(o caso geral est a no
Exerccio 1.1.18 (b) na p agina 28).
1.1.4. Sejam
=
_
1 3 0
0 4 2
_
e =
.
Verique que
1
+
2
+
3
= , em que
e a - esima coluna de , para = 1, 2, 3

(o caso geral est a no Exerccio 1.1.19 na p agina 29).
Introduc ao ` a

1.1 Matrizes 21
1.1.5. Encontre um valor de tal que
= 0, em que
=
_
4 2
e =
_
2 3 5
.
1.1.6. Mostre que as matrizes =
_
1
1
1
_
, em que e uma n umero real n ao nulo, vericam a
equac ao
2
= 2.
1.1.7. Mostre que se e s ao matrizes que comutam com a matriz =
_
0 1
1 0
_
, ent ao =
.
1.1.8. (a) Determine todas as matrizes , 22, diagonais (os elementos que est ao fora da diagonal
s ao iguais a zero) que comutam com toda matriz , 2 2, ou seja, tais que = ,
para toda matriz , 2 2.
(b) Determine todas as matrizes , 2 2, que comutam com toda matriz , 2 2, ou seja,
tais que = , para toda matriz , 2 2.
1.1.9. Verique que
3
=

0, para
=
0 1 0
0 0 1
0 0 0
.
O caso geral est a no Exerccio 1.1.29 na p agina 32.
Exerccios usando o MATLAB

Uma vez inicializado o MATLAB
, aparecer a na janela de comandos um prompt >> ou EDU>>.

O prompt signica que o MATLAB
est a esperando um comando. Todo comando deve ser

nalizado teclando-se Enter. Comandos que foram dados anteriormente podem ser obtidos
novamente usando as teclas e . Enquanto se estiver escrevendo um comando, este pode
ser corrigido usando as teclas , , Delete e Backspace. O MATLAB
faz diferenca entre

letras mai usculas e min usculas.
No MATLAB
, pode-se obter ajuda sobre qualquer comando ou func ao. O comando

>> help
(sem o prompt >>) mostra uma listagem de todos os pacotes disponveis. Ajuda sobre um
pacote especco ou sobre um comando ou func ao especca pode ser obtida com o comando
>> help nome,
(sem a vrgula e sem o prompt >>) em que nome pode ser o nome de um pacote ou o nome de
um comando ou func ao.
Al em dos comandos e func oes pr e-denidas, escrevemos um pacote chamado gaal
com func oes especcas para a aprendizagem de Geometria Analtica e

Algebra Li-
near. Este pacote pode ser obtido gratuitamente atrav es da internet no endereco
http://www.mat.ufmg.br/regi, assim como um texto com uma introduc ao ao MATLAB
e
instruc oes de como instalar o pacote gaal. Depois deste pacote ser devidamente instalado, o
comando help gaal no prompt do MATLAB
d a informac oes sobre este pacote.

Mais informac oes sobre as capacidades do MATLAB
podem ser obtidas em [3, 24].

Vamos descrever aqui alguns comandos que podem ser usados para a manipulac ao de matri-
zes. Outros comandos ser ao introduzidos a medida que forem necess arios.
>> syms x y z diz ao MATLAB
que as vari aveis x y e z s ao simb olicas.

Introduc ao ` a

1.1 Matrizes 23
>> A=[a11,a12,...,a1n;a21,a22,...; ...,amn] cria uma matriz, por , usando os
elementos a11, a12, ..., amn e a armazena numa vari avel de nome A. Por exemplo, >>
A=[1,2,3;4,5,6] cria a matriz =
_
1 2 3
4 5 6
_
;
>> I=eye(n) cria a matriz identidade por e a armazena numa vari avel I;
>> O=zeros(n) ou >> O=zeros(m,n) cria a matriz nula por ou por , respectivamente,
e a armazena numa vari avel O;
>> A+B e a soma de A e B,
>> A*B e o produto de A por B,
>> A. e a transposta de A,
>> A-B e a diferenca A menos B,
>> num*A e o produto do escalar num por A,
>> Ak e a pot encia A elevado a .
>> A(:,j) e a coluna da matriz A, >> A(i,:) e a linha da matriz A.
>> diag([d1,...,dn]) cria uma matriz diagonal, cujos elementos da diagonal s ao iguais aos
elementos da matriz [d1,...,dn], ou seja, s ao d1,...,dn.
>> A=sym(A) converte a matriz A numa matriz em que os elementos s ao armazenados no
formato simb olico. A func ao numeric faz o processo inverso.
>> solve(expr) determina a soluc ao da equac ao expr=0. Por exemplo,
>> solve(x2-4) determina as soluc oes da equac ao
2
4 = 0;
Comando do pacote GAAL:
>> A=randi(n) ou >> A=randi(m,n) cria uma matriz n por n ou m por n, respectivamente,
com elementos inteiros aleat orios entre 5 e 5.
1.1.10. Use o MATLAB
para calcular alguns membros da seq u encia ,

2
, . . . ,
, . . ., para
(a) =
_
1
1
2
0
1
3
_
; (b) =
_
1
2
1
3
0
1
5
_
.
A seq u encia parece estar convergindo para alguma matriz? Se estiver, para qual?
1.1.11. Calcule as pot encias das matrizes dadas a seguir e encontre experimentalmente (por tentativa!)
o menor inteiro > 1 tal que (use o comando >> A=sym(A) depois de armazenar a matriz na
vari avel A):
(a)
=
3
, em que
=
0 0 1
1 0 0
0 1 0
;
(b)
=
4
, em que
=
0 1 0 0
1 0 0 0
0 0 0 1
0 0 1 0
;
(c)
=

0, em que
=
0 1 0 0
0 0 1 0
0 0 0 1
0 0 0 0
.
1.1.12. Vamos fazer um experimento no MATLAB
para tentar ter uma id eia do qu ao comum e encontrar

matrizes cujo produto comuta. No prompt do MATLAB
digite a seguinte linha:

>> c=0; for n=1:1000,A=randi(3);B=randi(3);if(A*B==B*A),c=c+1;end,end,c
Introduc ao ` a

1.1 Matrizes 25
(n ao esqueca das vrgulas e pontos e vrgulas!). O que esta linha est a mandando o MATLAB
fazer e o seguinte:
Criar um contador c e atribuir a ele o valor zero.
Atribuir ` as vari aveis A e B, 1000 matrizes 33 com entradas inteiras e aleat orias entre 5
e 5.
Se AB=BA, ou seja, A e B comutarem, ent ao o contador c e acrescido de 1.
No nal o valor existente na vari avel c e escrito.
Qual a conclus ao que voc e tira do valor obtido na vari avel c?
1.1.13. Faca um experimento semelhante ao anterior, mas para o caso em que cada uma das matrizes
e diagonal, isto e, os elementos que est ao fora da diagonal s ao iguais a zero. Use a seta para
cima para obter novamente a linha digitada e edite a linha no prompt do MATLAB
de forma a
obter algo semelhante ` a linha:
>> c=0; for n=1:1000,A=diag(randi(1,3));B=diag(randi(1,3));if( ....
1.1.14. Faca um experimento semelhante ao anterior, mas para o caso em que uma das matrizes e
diagonal. Use a seta para cima para obter novamente a linha digitada e edite a linha no
prompt do MATLAB
de forma a obter a seguinte linha:

>> c=0; for n=1:1000,A=diag(randi(1,3));B=randi(3);if(A*B==B*A),c=c+1;A,B,end,end,c
Aqui s ao impressas as matrizes A e B quando elas comutarem. Qual a conclus ao que voc e tira
deste experimento? Qual a probabilidade de um tal par de matrizes comutarem?
para resolver os Exerccios Num ericos.

Exerccios Te oricos
1.1.16. Sejam
1
=
1
0
0
.
.
.
0
,
2
=
0
1
0
.
.
.
0
,. . . ,
0
0
.
.
.
0
1
matrizes 1.
(a) Mostre que se
=
11

12
. . .
1
21

22
. . .
2
.
.
. . . .
.
.
.
1

2
. . .
e uma matriz , ent ao
e igual ` a coluna da matriz .

(b) Mostre que se
=
11

12
. . .
1
21

22
. . .
2
.
.
. . . .
.
.
.
1

2
. . .
,
e uma matriz ent ao
e igual ` a linha da matriz .

Introduc ao ` a

1.1 Matrizes 27
1.1.17. Seja
=
1
0 . . . 0
0
2
. . . 0
.
.
.
.
.
.
.
.
.
0 . . . 0
uma matriz diagonal , isto e, os elementos que est ao fora da diagonal s ao iguais a zero.
Seja
=
11

12
. . .
1
21

22
. . .
2
.
.
. . . .
.
.
.
1

2
. . .
.
(a) Mostre que o produto e obtido da matriz multiplicando-se cada coluna por
, ou
seja, se = [
1

2
. . .
], em que
1
.
.
.
e a coluna de , ent ao
= [
1
1

2
2
. . .
].
(b) Mostre que o produto e obtido da matriz multiplicando-se cada linha por
, ou
seja, se =
2
.
.
.
, em que
= [
1
. . .
] e a linha de , ent ao
=
2
.
.
.
.
1.1.18. Sejam e matrizes e , respectivamente.
(a) Mostre que a - esima coluna do produto e igual ao produto
, em que
1
.
.
.
e a - esima coluna de , ou seja, se = [

1
. . .
], ent ao
= [
1
. . .
] = [
1
. . .
];
(b) Mostre que a - esima linha do produto e igual ao produto
, em que
=
Introduc ao ` a

1.1 Matrizes 29
[
1
. . .
] e a - esima linha de , ou seja, se =
2
.
.
.
, ent ao
=
2
.
.
.
.
.
.
.
1.1.19. Seja uma matriz e =
1
.
.
.
uma matriz 1. Prove que

=
=1
, em que
e a - esima coluna de . (Sugest ao: Desenvolva o lado direito e

chegue ao lado esquerdo.)
1.1.20. (a) Mostre que se e uma matriz tal que =

0, para toda matriz , 1, ent ao
=

0. (Sugest ao: use o Exerccio 16 na p agina 26.)
(b) Sejam e matrizes , tais = , para todo , 1. Mostre que = .
(Sugest ao: use o item anterior.)
1.1.21. Mostre que a matriz identidade
e a unica matriz tal que
= para qualquer
matriz , . (Sugest ao: Seja
uma matriz tal que
= . Mostre que
.)
1.1.22. Se = e e um inteiro positivo, mostre que ()
.
1.1.23. Sejam , e matrizes .
(a) ( + )
2
=
2
+ 2 +
2
? E se = ? Justique.
(b) () = ()? E se = e = ? Justique.
(Sugest ao: Veja o Exemplo 1.8 na p agina 15.)
1.1.24. (a) Se e s ao duas matrizes tais que =

0, ent ao =

0 ou =

0? Justique.
(b) Se =

0, ent ao =

0? Justique.
(c) Se e uma matriz tal que
2
=

0, ent ao =

0? Justique.
1.1.25. Dizemos que uma matriz , , e sim etrica se
= e e anti-sim etrica se
= .
(a) Mostre que se e sim etrica, ent ao
, para , = 1, . . . e que se e anti-

sim etrica, ent ao
, para , = 1, . . . . Portanto, os elementos da diagonal

principal de uma matriz anti-sim etrica s ao iguais a zero.
(b) Mostre que se e s ao sim etricas, ent ao + e s ao sim etricas, para todo escalar
.
(c) Mostre que se e s ao sim etricas, ent ao e sim etrica se, e somente se, = .
(d) Mostre que se e s ao anti-sim etricas, ent ao + e s ao anti-sim etricas, para todo
escalar .
(e) Mostre que para toda matriz , , +
e sim etrica e
e anti-sim etrica.
Introduc ao ` a

1.1 Matrizes 31
(f) Mostre que toda matriz quadrada pode ser escrita como a soma de uma matriz sim etrica
e uma anti-sim etrica. (Sugest ao: Observe o resultado da soma de +
com
.)
1.1.26. Para matrizes quadradas = (
denimos o trac o de como sendo a soma dos ele-

mentos da diagonal (principal) de , ou seja, tr() =
=1
.
(a) Mostre que tr( + ) = tr() + tr().
(b) Mostre que tr() = tr().
(c) Mostre que tr(
) = tr().
(d) Mostre que tr() = tr(). (Sugest ao: Prove inicialmente para matrizes 2 2.)
1.1.27. Seja uma matriz . Mostre que se
=

0, ent ao =

0. (Sugest ao: use o traco.) E se
a matriz for , com = ?
1.1.28. J a vimos que o produto de matrizes n ao e comutativo. Entretanto, certos conjuntos de matrizes
s ao comutativos. Mostre que:
(a) Se
1
e
2
s ao matrizes diagonais , ent ao
1
2
=
2
1
.
(b) Se e uma matriz e
=
0
+
1
+
2
2
+ . . . +
,
em que
0
, . . . ,
s ao escalares, ent ao = .
1.1.29. Uma matriz e chamada nilpotente se
=

0, para algum inteiro positivo . Verique que a
matriz
=
0 1 0 0
0 0 1 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0 0 1
0 0 0 0
,
e nilpotente.
Introduc ao ` a

1.1 Matrizes 33
Ap endice I: Notac ao de Somat orio
S ao v alidas algumas propriedades para a notac ao de somat orio:
(a) O ndice do somat orio e uma vari avel muda que pode ser substituda por qualquer letra:
=1
=1
.
(b) O somat orio de uma soma pode ser escrito como uma soma de dois somat orios:
=1
(
) =
=1
=1
.
Pois,
=1
(
) = (
1
+
1
) +. . . +(
) = (
1
+. . . +
) +(
1
+. . . +
) =
=1
=1
.
Aqui foram aplicadas as propriedades associativa e comutativa da soma de n umeros.
(c) Se no termo geral do somat orio aparece um produto, em que um fator n ao depende do ndice
do somat orio, ent ao este fator pode sair do somat orio:
=1
=1
.
Pois,
=1
=
1
+ . . . +
(
1
+ . . . +
) =
=1
. Aqui foram aplicadas as

propriedades distributiva e comutativa do produto em relac ao a soma de n umeros.
(d) Num somat orio duplo, a ordem dos somat orios pode ser trocada:
=1
=1
=1
=1
.
Pois,
=1
=1
=1
(
1
+. . . +
) = (
11
+. . . +
1
) +. . . +(
1
+. . . +
) = (
11
+. . . +
1
) +. . . + (
1
+. . . +
) =
=1
(
1
+. . . +
) =
=1
=1
. Aqui foram aplicadas as

propriedades comutativa e associativa da soma de n umeros.
Introduc ao ` a

1.2 Sistemas de Equac oes Lineares 35
1.2 Sistemas de Equac oes Lineares
Muitos problemas em v arias areas da Ci encia recaem na soluc ao de sistemas lineares. Vamos
ver como a algebra matricial pode simplicar o estudo dos sistemas lineares.
Uma equac ao linear em vari aveis
1
,
2
, . . . ,
e uma equac ao da forma
1
+
2
2
+ . . . +
= ,
em que
1
,
2
, . . . ,
e s ao constantes reais;
Um sistema de equac oes lineares ou simplesmente sistema linear e um conjunto de equac oes
lineares, ou seja, e um conjunto de equac oes da forma
11
1
+
12
2
+ . . . +
1
=
1
21
1
+
22
2
+ . . . +
2
=
2
.
.
.
.
.
. =
.
.
.
1
+
2
2
+ . . . +
em que
s ao constantes reais, para , = 1, . . . , e = 1, . . . , .

Usando o produto de matrizes que denimos na sec ao anterior, o sistema linear acima pode ser
escrito como uma equac ao matricial
= ,
em que
=
11

12
. . .
1
21

22
. . .
2
.
.
. . . .
.
.
.
1

2
. . .
, =
2
.
.
.
e =
2
.
.
.
.
Uma soluc ao de um sistema linear e uma matriz =
2
.
.
.
tal que as equac oes do sistema s ao

satisfeitas quando substitumos
1
=
1
,
2
=
2
, . . . ,
. O conjunto de todas as soluc oes do

sistema e chamado conjunto soluc ao ou soluc ao geral do sistema. A matriz e chamada matriz
do sistema linear.
Exemplo 1.10. O sistema linear de duas equac oes e duas inc ognitas
_
+ 2 = 1
2 + = 0
pode ser escrito como
_
1 2
2 1
_ _

_
=
_
1
0
_
.
A soluc ao (geral) do sistema acima e = 1/3 e = 2/3 (verique!) ou
=
_

1
3
2
3
_
.
Introduc ao ` a

Uma forma de resolver um sistema linear e substituir o sistema inicial por outro que tenha o mesmo
conjunto soluc ao do primeiro, mas que seja mais f acil de resolver. O outro sistema e obtido depois
de aplicar sucessivamente uma s erie de operac oes, que n ao alteram a soluc ao do sistema, sobre as
equac oes. As operac oes que s ao usadas s ao:
Trocar a posic ao de duas equac oes do sistema;
Multiplicar uma equac ao por um escalar diferente de zero;
Somar a uma equac ao outra equac ao multiplicada por um escalar.
Estas operac oes s ao chamadas de operac oes elementares. Quando aplicamos operac oes ele-
mentares sobre as equac oes de um sistema linear somente os coecientes do sistema s ao alterados,
assim podemos aplicar as operac oes sobre a matriz de coecientes do sistema, que chamamos de
matriz aumentada, ou seja, a matriz
[ ] =
11

12
. . .
1

1
21

22
. . .
2

2
.
.
. . . .
.
.
.
.
.
.
1

2
. . .
.
Denic ao 1.5. Uma operac ao elementar sobre as linhas de uma matriz e uma das seguintes
operac oes:
(a) Trocar a posic ao de duas linhas da matriz;
(b) Multiplicar uma linha da matriz por um escalar diferente de zero;
(c) Somar a uma linha da matriz um m ultiplo escalar de outra linha.
O pr oximo teorema garante que ao aplicarmos operac oes elementares ` as equac oes de um sis-
tema o conjunto soluc ao n ao e alterado.
Teorema 1.2. Se dois sistemas lineares = e = , s ao tais que a matriz aumentada
[ ] e obtida de [ ] aplicando-se uma operac ao elementar, ent ao os dois sistemas possuem
as mesmas soluc oes.
Demonstrac ao. A demonstrac ao deste teorema segue-se de duas observac oes:
(a) Se e soluc ao de um sistema, ent ao tamb em e soluc ao do sistema obtido aplicando-se
uma operac ao elementar sobre suas equac oes (verique!).
Introduc ao ` a

(b) Se o sistema = , e obtido de = aplicando-se uma operac ao elementar ` as
suas equac oes (ou equivalentemente ` as linhas da sua matriz aumentada), ent ao o sistema
= tamb em pode ser obtido de = aplicando-se uma operac ao elementar ` as suas
equac oes, pois cada operac ao elementar possui uma operac ao elementar inversa do mesmo
tipo, que desfaz o que a anterior fez (verique!).
Pela observac ao (b), = e = podemser obtidos umdo outro aplicando-se uma operac ao
elementar sobre as suas equac oes. E pela observac ao (a), os dois possuem as mesmas soluc oes.
Dois sistemas que possuem o mesmo conjunto soluc ao s ao chamados sistemas equivalentes.
Portanto, segue-se do Teorema 1.2 que aplicando-se operac oes elementares ` as equac oes de um
sistema linear obtemos sistemas equivalentes.
1.2.1 M etodo de Gauss-Jordan
O m etodo que vamos usar para resolver sistemas lineares consiste na aplicac ao de operac oes
elementares ` as linhas da matriz aumentada do sistema at e que obtenhamos uma matriz numa forma
em que o sistema associado a esta matriz seja de f acil resoluc ao.
Vamos procurar obter uma matriz numa forma em que todas as linhas n ao nulas possuam como
primeiro elemento n ao nulo (chamado piv o) o n umero 1 . Al em disso, se uma coluna cont em um piv o,
ent ao todos os seus outros elementos ter ao que ser iguais a zero. Vamos ver no exemplo seguinte
como conseguimos isso. Neste exemplo veremos como a partir do faturamento e do gasto com
insumos podemos determinar quanto foi produzido de cada produto manufaturado em uma ind ustria.
A e 4 gramas de B. O preco de venda do kg de cada um dos produtos X, Y e Z e R$ 2,00, R$ 3,00
e R$ 5,00, respectivamente. Com a venda de toda a produc ao de X, Y e Z manufaturada com 1 kg
de A e 2 kg de B, essa ind ustria arrecadou R$ 2500,00. Vamos determinar quantos kg de cada um
dos produtos X, Y e Z foram vendidos. Como vimos no Exemplo 1.6 na p agina 8, usando matrizes o
esquema de produc ao pode ser descrito da seguinte forma:
X Y Z
gramas de A/kg
gramas de B/kg
preco/kg
1 1 1
2 1 4
2 3 5
= =
kg de X produzidos
kg de Y produzidos
kg de Z produzidos
=
+ +
2 + + 4
2 + 3 + 5
1000
2000
2500
gramas de A usados
gramas de B usados
arrecadac ao
Assim precisamos resolver o sistema linear
+ + = 1000
2 + + 4 = 2000
2 + 3 + 5 = 2500
cuja matriz aumentada e
1 1 1 1000
2 1 4 2000
2 3 5 2500
Introduc ao ` a

1
a
.
eliminac ao:
Vamos procurar para piv o da 1
a
.
linha um elemento n ao nulo da primeira coluna n ao nula (se for o caso,
podemos usar a troca de linhas para traz e-lo para a primeira linha). Como o primeiro elemento da
primeira coluna e igual a 1 ele ser a o primeiro piv o. Agora, precisamos zerar os outros elementos da
1
a
.
coluna, que e a coluna do piv o, para isto, adicionamos ` a 2
a
.
linha, 2 vezes a 1
a
.
linha e adicionamos
` a 3
a
.
linha, tamb em, 2 vezes a 1
a
.
linha.
21
a
.
linha + 2
a
.
linha 2
a
.
linha
21
a
.
linha + 3
a
.
linha 3
a
.
linha
1 1 1 1000
0 1 2 0
0 1 3 500
2
a
.
eliminac ao:
Olhamos para a sub-matriz obtida eliminando-se a 1
a
.
linha. Escolhemos para piv o um elemento
diferente de zero na 1
a
.
coluna n ao nula desta sub-matriz. Vamos escolher o elemento de posic ao 2,2.
Como temos que fazer o piv o igual a um, vamos multiplicar a 2
a
.
linha por 1.
12
a
.
linha 2
a
.
linha
1 1 1 1000
0 1 2 0
0 1 3 500
Agora, precisamos zerar os outros elementos da 2

a
.
coluna, que e a coluna do piv o, para isto, soma-
mos ` a 1
a
.
linha, 1 vezes a 2
a
.
e somamos ` a 3
a
.
linha, tamb em, 1 vezes a 2
a
.
.
12
a
.
linha + 1
a
.
linha 1
a
.
linha
12
a
.
linha + 3
a
.
linha 3
a
.
linha
1 0 3 1000
0 1 2 0
0 0 5 500
3
a
.
eliminac ao:
a
.
e a 2
a
.
a
.
coluna n ao nula desta sub-matriz. Temos de escolher o elemento de posic ao
3,3 e como temos de fazer o piv o igual a 1, vamos multiplicar a 3
a
.
linha por 1/5.
1
5
3
a
.
linha 3
a
.
linha
1 0 3 1000
0 1 2 0
0 0 1 100

a
.
coluna, que e a coluna do piv o, para isto, soma-
mos ` a 1
a
.
linha, 3 vezes a 3
a
.
e somamos ` a 2
a
.
linha, 2 vezes a 2
a
.
.
33
a
.
linha + 1
a
.
linha 1
a
.
linha
23
a
.
linha + 2
a
.
linha 2
a
.
linha
1 0 0 700
0 1 0 200
0 0 1 100
Portanto o sistema dado e equivalente ao sistema
= 700
= 200
= 100
que possui soluc ao geral dada por
=
700
200
100
.
Portanto, foram vendidos 700 kg do produto X, 200 kg do produto Y e 100 kg do produto Z.
Introduc ao ` a

A ultima matriz que obtivemos no exemplo anterior est a na forma que chamamos de escalonada
reduzida.
Denic ao 1.6. Uma matriz = (
est a na forma escalonada reduzida quando satisfaz as

seguintes condic oes:
(a) Todas as linhas nulas (formadas inteiramente por zeros) ocorrem abaixo das linhas n ao nulas;
(b) O piv o (1
o
.
elemento n ao nulo de uma linha) de cada linha n ao nula e igual a 1;
(c) O piv o de cada linha n ao nula ocorre ` a direita do piv o da linha anterior.
(d) Se uma coluna cont em um piv o, ent ao todos os seus outros elementos s ao iguais a zero.
Se uma matriz satisfaz as propriedades (a) e (c), mas n ao necessariamente (b) e (d), dizemos que
ela est a na forma escalonada.
Exemplo 1.12. As matrizes
1 0 0
0 1 0
0 0 1
1 3 0 2
0 0 1 3
0 0 0 0

s ao escalonadas reduzidas, enquanto
1 1 1
0 1 2
0 0 5
1 3 1 5
0 0 5 15
0 0 0 0
s ao escalonadas, mas n ao s ao escalonadas reduzidas.

Este m etodo de resoluc ao de sistemas, que consiste em aplicar operac oes elementares ` as linhas
da matriz aumentada at e que a matriz do sistema esteja na forma escalonada reduzida, e conhecido
como m etodo de Gauss-Jordan.
Exemplo 1.13. Considere o seguinte sistema
+ 3 + 13 = 9
+ 5 = 2
2 10 = 8
A sua matriz aumentada e

1 3 13 9
0 1 5 2
0 2 10 8
1
a
.
eliminac ao:
Como o piv o da 1
a
.
linha e igual a 1 e os outros elementos da 1
a
.
coluna s ao iguais a zero, n ao h a nada
o que fazer na 1
a
.
eliminac ao.
1 3 13 9
0 1 5 2
0 2 10 8
Introduc ao ` a

2
a
.
eliminac ao:
Olhamos para submatriz obtida eliminando-se a 1
a
.
linha. Escolhemos para piv o um elemento n ao
nulo da 1
a
.
coluna n ao nula da submatriz. Escolhemos o elemento de posic ao 2,2. Como ele e igual a
1, precisamos, agora, zerar os outros elementos da coluna do piv o. Para isto somamos ` a 1
a
.
linha,
3 vezes a 2
a
.
e somamos ` a 3
a
.
linha, 2 vezes a 2
a
.
.
32
a
.
linha + 1
a
.
linha 1
a
.
linha
22
a
.
linha + 3
a
.
linha 3
a
.
linha
1 0 2 3
0 1 5 2
0 0 0 4
Portanto o sistema dado e equivalente ao sistema
2 = 3
+ 5 = 2
0 = 4
que n ao possui soluc ao.
Em geral, um sistema linear n ao tem soluc ao se, e somente se, a ultima linha n ao nula da forma
escalonada reduzida da sua matriz aumentada for da forma [ 0 . . . 0
], com
= 0.
Exemplo 1.14. Considere o seguinte sistema
3 9 = 6
5 + 15 10 + 40 = 45
+ 3 + 5 = 7
A sua matriz aumentada e
0 0 3 9 6
5 15 10 40 45
1 3 1 5 7
1
a
.
eliminac ao:
Como temos que fazer o piv o igual a um, escolhemos para piv o o elemento de posic ao 3,1. Preci-
samos coloc a-lo na primeira linha, para isto, trocamos a 3
a
.
linha com a 1
a
.
.
1
a
.
linha 4
a
.
linha
1 3 1 5 7
5 15 10 40 45
0 0 3 9 6

a
.
coluna, que e a coluna do piv o, para isto, adici-
onamos ` a 2
a
.
linha, 5 vezes a 1
a
.
.
51
a
.
linha + 2
a
.
linha 2
a
.
linha
1 3 1 5 7
0 0 5 15 10
0 0 3 9 6
2
a
.
eliminac ao:
a
.
a
.
coluna n ao nula desta sub-matriz. Escolhemos o elemento de posic ao 2,3.
Como temos que fazer o piv o igual a 1, multiplicamos a 2
a
.
linha por 1/5.
Introduc ao ` a

(1/5)2
a
.
linha 2
a
.
linha
1 3 1 5 7
0 0 1 3 2
0 0 3 9 6

a
.
coluna, que e a coluna do piv o, para isto, adici-
onamos ` a 1
a
.
linha a 2
a
.
e ` a 3
a
.
linha, 3 vezes a 2
a
.
.
2
a
.
linha + 1
a
.
linha 1
a
.
linha
32
a
.
linha + 3
a
.
linha 3
a
.
linha
1 3 0 2 5
0 0 1 3 2
0 0 0 0 0
Esta matriz e escalonada reduzida. Portanto o sistema dado e equivalente ao sistema seguinte
_
+ 3 + 2 = 5
3 = 2.
A matriz deste sistema possui duas colunas sem piv os. As vari aveis que n ao est ao associadas
a piv os podem ser consideradas vari aveis livres, isto e, podem assumir valores arbitr arios. Neste
exemplo as vari aveis e n ao est ao associadas a piv os e podem ser consideradas vari aveis livres.
Sejam = e = . As vari aveis associadas aos piv os ter ao os seus valores dependentes das
vari aveis livres, = 2 + 3, = 5 2 3. Assim, a soluc ao geral do sistema e
=
5 2 3
2 + 3
para todos os valores de e reais.

Em geral, se o sistema linear tiver soluc ao e a forma escalonada reduzida da matriz aumentada
possuir colunas sem piv os, as vari aveis que n ao est ao associadas a piv os podem ser consideradas
vari aveis livres, isto e, podem assumir valores arbitr arios. As vari aveis associadas aos piv os ter ao
os seus valores dependentes das vari aveis livres.
Lembramos que o sistema linear n ao tem soluc ao se a ultima linha n ao nula da forma escalonada
reduzida da matriz aumentada do sistema for da forma [ 0 . . . 0
], com
= 0, como no Exemplo
1.13 na p agina 44.
Observac ao. Para se encontrar a soluc ao de um sistema linear n ao e necess ario transformar a
matriz aumentada do sistema na sua forma escalonada reduzida, mas se a matriz est a nesta forma, o
sistema associado e o mais simples possvel. Um outro m etodo de resolver sistemas lineares consiste
em, atrav es da aplicac ao de operac oes elementares ` a matriz aumentada do sistema, se chegar a uma
matriz que e somente escalonada (isto e, uma matriz que satisfaz as condic oes (a) e (c), mas n ao
necessariamente (b) e (d) da Denic ao 1.6). Este m etodo e conhecido como m etodo de Gauss.
O pr oximo resultado mostra que um sistema linear que tenha mais de uma soluc ao n ao pode ter
um n umero nito de soluc oes.
Proposic ao 1.3. Sejam uma matriz e uma matriz 1. Se o sistema linear =
possui duas soluc oes distintas
0
=
1
, ent ao ele tem innitas soluc oes.
Introduc ao ` a

Demonstrac ao. Seja
= (1 )
0
+
1
, para .
Vamos mostrar que
e soluc ao do sistema = , para qualquer . Para isto vamos

mostrar que
= .
Aplicando as propriedades (i), (j) das operac oes matriciais (Teorema 1.1 na p agina 10) obtemos
= [(1 )
0
+
1
] = (1 )
0
+
1
= (1 )
0
+
1
Como
0
e
1
s ao soluc oes de = , ent ao
0
= e
1
= , portanto
= (1 ) + = [(1 ) + ] = ,
pela propriedade (f) do Teorema 1.1.
Assim o sistema = tem innitas soluc oes, pois para todo valor de ,
e soluc ao e
= (
)(
1
0
), ou seja,
, para =
. Observe que para = 0,
=
0
,
para = 1,
=
1
, para = 1/2,
=
1
2
0
+
1
2
1
, para = 3,
= 2
0
+ 3
1
e para
= 2,
= 3
0
2
1
.
No Exemplo 3.4 na p agina 174 temos uma interpretac ao geom etrica desta demonstrac ao.
Para resolver sistemas lineares vimos aplicando operac oes elementares ` a matriz aumentada do
sistema linear. Isto pode ser feito com quaisquer matrizes.
1.2.2 Matrizes Equivalentes por Linhas
Denic ao 1.7. Uma matriz = (
e equivalente por linhas a uma matriz = (
, se
pode ser obtida de aplicando-se uma seq u encia de operac oes elementares sobre as suas linhas.
Exemplo 1.15. Observando os Exemplos 1.11, 1.14 e 1.13, vemos que as matrizes
1 1 1
2 1 4
2 3 5
0 0 3 9
5 15 10 40
1 3 1 5
1 3 13
0 1 5
0 2 10
s ao equivalentes por linhas ` as matrizes
1 0 0
0 1 0
0 0 1
1 3 0 2
0 0 1 3
0 0 0 0
1 0 2
0 1 5
0 0 0
,
respectivamente. Matrizes estas que s ao escalonadas reduzidas.
Cuidado: elas s ao equivalentes por linhas, n ao s ao iguais!
A relac ao ser equivalente por linhas satisfaz as seguintes propriedades, cuja vericac ao deixa-
mos como exerccio para o leitor:
Toda matriz e equivalente por linhas a ela mesma (reexividade);
Introduc ao ` a

Se e equivalente por linhas a , ent ao e equivalente por linhas a (simetria);
Se e equivalente por linhas a e e equivalente por linhas a , ent ao e equivalente por
linhas a (transitividade).
Toda matriz e equivalente por linhas a uma matriz na forma escalonada reduzida e a
demonstrac ao, que omitiremos, pode ser feita da mesma maneira que zemos no caso particular
das matrizes aumentadas dos Exemplos 1.11, 1.14 e 1.13. No Teorema 4.10 na p agina 276 mostra-
mos que essa matriz escalonada reduzida e a unica matriz na forma escalonada reduzida equivalente
a .
Teorema 1.4. Toda matriz = (
e equivalente por linhas a uma unica matriz escalonada

reduzida = (
.
Opr oximo resultado ser a usado para provar alguns resultados no captulo de invers ao de matrizes.
Proposic ao 1.5. Seja uma matriz , na forma escalonada reduzida. Se =
, ent ao tem
uma linha nula.
Demonstrac ao. Observe que o piv o de uma linha est a sempre numa coluna com . Portanto,
ou a ultima linha de e nula ou o piv o da linha est a na posic ao , . Mas, neste caso todas as
linhas anteriores s ao n ao nulas e os piv os de cada linha est a na coluna , ou seja, =
.
1.2.3 Sistemas Lineares Homog eneos
Um sistema linear da forma
11
1
+
12
2
+ . . . +
1
= 0
21
1
+
22
2
+ . . . +
2
= 0
.
.
.
.
.
. =
.
.
.
1
+
2
2
+ . . . +
= 0
(1.7)
Introduc ao ` a

e chamado sistema homog eneo. O sistema (1.7) pode ser escrito como =

0. Todo sistema
homog eneo admite pelo menos a soluc ao =
2
.
.
.
0
0
.
.
.
0
chamada de soluc ao trivial.

Portanto, todo sistema homog eneo tem soluc ao. Al em disso ou tem somente a soluc ao trivial ou tem
innitas soluc oes
Observac ao. Para resolver um sistema linear homog eneo =

0, basta escalonarmos a matriz
do sistema, j a que sob a ac ao de uma operac ao elementar a coluna de zeros n ao e alterada. Mas, e
preciso car atento quando se escreve o sistema linear associado ` a matriz resultante das operac oes
elementares, para se levar em considerac ao esta coluna de zeros que n ao vimos escrevendo.
Teorema 1.6. Se = (
, e tal que < , ent ao o sistema homog eneo =

0 tem soluc ao
diferente da soluc ao trivial, ou seja, todo sistema homog eneo com menos equac oes do que inc ognitas
tem innitas soluc oes.
Demonstrac ao. Como o sistema tem menos equac oes do que inc ognitas ( < ), o n umero de
linhas n ao nulas da forma escalonada reduzida da matriz aumentada do sistema tamb em e tal que
< . Assim, temos piv os e vari aveis (inc ognitas) livres, que podem assumir todos os valores
reais. Logo, o sistema admite soluc ao n ao trivial e portanto innitas soluc oes.
O conjunto soluc ao de um sistema linear homog eneo satisfaz duas propriedades interessantes.
Estas propriedades ter ao um papel decisivo no estudo de subespacos de
na Sec ao 4.1 na p agina

245.
Proposic ao 1.7. Seja = (
.
(a) Se e s ao soluc oes do sistema homog eneo, =

0, ent ao + tamb em o e.
(b) Se e soluc ao do sistema homog eneo, =

0, ent ao tamb em o e.
Demonstrac ao. (a) Se e s ao soluc oes do sistema homog eneo =

0, ent ao =

0 e
=

0 e portanto + tamb em e soluc ao pois, ( + ) = + =

0 +

0 =

0;
(b) Se e soluc ao do sistema homog eneo =

0, ent ao tamb em o e, pois () =
=
0 =

0.
Introduc ao ` a

Estas propriedades n ao s ao v alidas para sistemas lineares em geral. Por exemplo, considere o
sistema linear = , em que = [1] e = [1]. A soluc ao deste sistema e = [1]. Mas,
+ = 2 = 2, n ao e soluc ao do sistema.
Exemplo 1.16. Vamos retomar a cadeia de Markov do Exemplo 1.9 na p agina 16. Vamos supor que
uma populac ao e dividida em tr es estados (por exemplo: ricos, classe m edia e pobres) e que em cada
unidade de tempo a probabilidade de mudanca de um estado para outro seja constante no tempo, s o
dependa dos estados.
Seja

(gerac ao). A matriz de transic ao e dada por
=
1 2 3
11

12

13
21

22

23
31

32

33
1
2
3
Por exemplo, a matriz de transic ao pode ser dada por
=
1 2 3
1
2
1
4
0
1
2
1
2
1
2
0
1
4
1
2
1
2
3
Vamos descobrir qual distribuic ao inicial da populac ao entre os tr es estados permanece inalterada,
gerac ao ap os gerac ao. Ou seja, vamos determinar tal que
= ou =
3
ou (
3
) =

0.
Assim precisamos resolver o sistema linear homog eneo
1
2
+
1
4
= 0
1
2

1
2
+
1
2
= 0
1
4

1
2
= 0
cuja matriz aumentada e
1
2
1
4
0 0
1
2

1
2
1
2
0
0
1
4

1
2
0
1
a
.
eliminac ao:
21
a
.
linha 2
a
.
linha
1
1
2
0 0
1
2

1
2
1
2
0
0
1
4

1
2
0
1
2
1
a
.
linha + 2
a
.
linha 2
a
.
linha
1
1
2
0 0
0
1
4
1
2
0
0
1
4

1
2
0
2
a
.
eliminac ao:
42
a
.
linha 2
a
.
linha
1
1
2
0 0
0 1 2 0
0
1
4

1
2
0
Introduc ao ` a

1
2
2
a
.
linha + 1
a
.
linha 1
a
.
linha
1
4
2
a
.
linha + 3
a
.
linha 3
a
.
linha
1 0 1 0
0 1 2 0
0 0 0 0
Portanto o sistema dado e equivalente ao sistema seguinte

_
= 0
2 = 0
Seja = . Ent ao = 2 e = . Assim, a soluc ao geral do sistema e
=
1
2
1
, para todo .
Tomando a soluc ao tal que
1
+
2
+
3
= 1 obtemos que se a populac ao inicial for distribuda de
forma que
1
= 1/4 da populac ao esteja no estado 1,
2
= 1/2 da populac ao esteja no estado 2 e
3
= 1/4, esteja no estado 3, ent ao esta distribuic ao permanecer a constante gerac ao ap os gerac ao.
1.2.4 Matrizes Elementares (opcional)
Denic ao 1.8. Uma matriz elementar e uma matriz obtida da matriz identidade
aplicando-se
uma, e somente uma, operac ao elementar.
Vamos denotar por
a matriz elementar obtida trocando-se a linha com a linha da matriz
() a matriz elementar obtida multiplicando-se a linha da matriz
pelo escalar = 0 e
,
()
a matriz elementar obtida da matriz
, somando-se ` a linha , vezes a linha .
,
=
1 0 0
0
.
.
.

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

1

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

1
.
.
.
.
.
.

. . . 1
.
.
.
0
0 0 1
Exemplo 1.17. As matrizes seguintes s ao as matrizes elementares 2 2:
1,2
=
2,1
=
_
0 1
1 0
_
,
1
() =
_
0
0 1
_
,
2
() =
_
1 0
0
_
, com = 0,
1,2
() =
_
1 0
1
_
e
2,1
() =
_
1
0 1
_
.
Introduc ao ` a

Sejam
1
=
1
0
.
.
.
0
,
2
=
0
1
.
.
.
0
,. . . ,
0
0
.
.
.
1
matrizes 1.
As matrizes elementares podem ser escritas em termos das matrizes
como
,
=
1
.
.
.
.
.
.
.
.
.
() =
1
.
.
.
.
.
.
e
,
() =
1
.
.
.
.
.
.
.
.
.
Aplicar uma operac ao elementar em uma matriz, corresponde a multiplicar a matriz ` a esquerda
por uma matriz elementar, como mostra o resultado a seguir.
Teorema 1.8. Sejam uma matriz elementar e uma matriz qualquer . Ent ao, e
igual ` a matriz obtida aplicando-se na matriz a mesma operac ao elementar que originou .
Demonstrac ao. Como a - esima linha de um produto de matrizes e igual a
, em que
e a
- esima linha da matriz (Exerccio 1.1.18 (b) na p agina 28) e
, em que
e a linha da
matriz (Exerccio 16 (b) na p agina 26), ent ao:
,
=

1
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1
.
.
.
.
.
.
.
.
.
() =
1
.
.
.
.
.
.
.
.
.
.
.
.
1
.
.
.
.
.
.
Introduc ao ` a

,
() =

1
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1
.
.
.
.
.
.
.
.
.
Assim, aplicar uma seq u encia de operac oes elementares em uma matriz, corresponde a multipli-
car a matriz ` a esquerda por um produto de matrizes elementares.
Exemplo 1.18. Quando usamos o m etodo de Gauss-Jordan para resolver o sistema do Exemplo 1.11
na p agina 40, aplicamos uma seq u encia de operac oes elementares na matriz aumentada do sistema.
Isto corresponde a multiplicar a matriz aumentada
[ ] =
1 1 1 1000
2 1 4 2000
2 3 5 2500
` a esquerda pelas matrizes elementares
1,2
(2) =
1 0 0
2 1 0
0 0 1
,
1,3
(2) =
1 0 0
0 1 0
2 0 1
,
2
(1) =
1 0 0
0 1 0
0 0 1
,
2,1
(1) =
1 1 0
0 1 0
0 0 1
,
2,3
(1) =
1 0 0
0 1 0
0 1 1
3
(
1
5
) =
1 0 0
0 1 0
0 0
1
5
,
3,1
(3) =
1 0 3
0 1 0
0 0 1
,
3,2
(2) =
1 0 0
0 1 2
0 0 1
,
ou seja,
3,2
(2)
3,1
(3)
3
(
1
5
)
2,3
(1)
2,1
(1)
2
(1)
1,3
(2)
1,2
(2) [ ] =
1 0 0 700
0 1 0 200
0 0 1 100
.
Introduc ao ` a

1.2.1. Quais das seguintes matrizes est ao na forma escalonada reduzida:
=
1 0 0 0 3
0 0 1 0 4
0 0 0 1 2
,
=
1 0 0 0 3
0 0 1 0 0
0 0 0 1 2
0 0 0 0 0
,
=
0 1 0 0 4
0 0 1 0 5
0 0 0 1 2
,
=
0 0 0 0 0
0 0 1 2 4
0 0 0 1 0
0 0 0 0 0
.
1.2.2. Em cada item suponha que a matriz aumentada de um sistema foi transformada usando
operac oes elementares na matriz escalonada reduzida dada. Resolva o sistema correspon-
dente.
(a)
1 0 0 7 8
0 1 0 3 2
0 0 1 1 5
;
(b)
1 6 0 0 3 2
0 0 1 0 4 7
0 0 0 1 5 8
0 0 0 0 0 0
;
(c)
1 0 0 0 6
0 1 0 0 3
0 0 1 1 2
;
(d)
1 7 0 0 8 3
0 0 1 0 6 5
0 0 0 1 3 9
0 0 0 0 0 0
.
1.2.3. Resolva, usando o m etodo de Gauss-Jordan, os seguintes sistemas:
(a)
1
+
2
+ 2
3
= 8
1
2
2
+ 3
3
= 1
3
1
7
2
+ 4
3
= 10
;
(b)
2
1
+ 2
2
+ 2
3
= 0
2
1
+ 5
2
+ 2
3
= 1
8
1
+
2
+ 4
3
= 1
;
(c)
2
2
+ 3
3
= 1
3
1
+ 6
2
3
3
= 2
6
1
+ 6
2
+ 3
3
= 5
.
1.2.4. Os sistemas lineares seguintes possuem a mesma matriz . Resolva-os usando o m etodo de
Gauss-Jordan. Observe que os dois sistemas podem ser resolvidos ao mesmo tempo escalo-
nando a matriz aumentada [
1

2
].
(a)
1
2
2
+
3
= 1
2
1
5
2
+
3
= 2
3
1
7
2
+ 2
3
= 1
; (b)
1
2
2
+
3
= 2
2
1
5
2
+
3
= 1
3
1
7
2
+ 2
3
= 2
.
1.2.5. Seja =
1 0 5
1 1 1
0 1 4
.
(a) Encontre a soluc ao geral do sistema ( + 4
3
) =

0;
(b) Encontre a soluc ao geral do sistema ( 2
3
) =

0.
1.2.6. Para cada sistema linear dado, encontre todos os valores de para os quais o sistema n ao tem
soluc ao, tem soluc ao unica e tem innitas soluc oes:
(a)
+ 2 3 = 4
3 + 5 = 2
4 + + (
2
14) = + 2
;
Introduc ao ` a

(b)
+ + = 2
2 + 3 + 2 = 5
2 + 3 + (
2
1) = + 1
.
1.2.7. Uma ind ustria produz tr es produtos, X, Y e Z, utilizando dois tipos de insumo, A e B. Para a
manufatura de cada kg de X s ao utilizados 2 gramas do insumo A e 1 grama do insumo B; para
cada kg de Y, 1 grama de insumo A e 3 gramas de insumo B e, para cada kg de Z, 3 gramas de A
e 5 gramas de B. O preco de venda do kg de cada um dos produtos X, Y e Z e R$ 3,00, R$ 2,00
e R$ 4,00, respectivamente. Com a venda de toda a produc ao de X, Y e Z manufaturada com
1,9 kg de A e 2,4 kg de B, essa ind ustria arrecadou R$ 2900,00. Determine quantos kg de cada
um dos produtos X, Y e Z foram vendidos. (Sugest ao: veja o Exemplo 1.11 na p agina 40.)
1.2.8. Determine os coecientes , , e da func ao polinomial () =
3
+
2
+ + , cujo
gr aco passa pelos pontos
1
= (0, 10),
2
= (1, 7),
3
= (3, 11) e
4
= (4, 14).
2 1 0 1 2 3 4 5
30
20
10
0
10
20
30
x
y
Introduc ao ` a

1.2.9. Determine coecientes , e da equac ao do crculo,
2
+
2
+ + + = 0, que passa
pelos pontos
1
= (2, 7),
2
= (4, 5) e
3
= (4, 3).
6 4 2 0 2 4 6 8
4
2
0
2
4
6
8
x
y
Introduc ao ` a

1.2.10. Encontre condic oes sobre os
s para que cada um dos sistemas seja consistente (isto e,

tenha soluc ao):
(a)
1
2
2
+ 5
3
=
1
4
1
5
2
+ 8
3
=
2
3
1
+ 3
2
3
3
=
3
; (b)
1
2
2

3
=
1
4
1
+ 5
2
+ 2
3
=
2
4
1
+ 7
2
+ 4
3
=
3
.
1.2.11. (Relativo ` a sub-sec ao 1.2.4) Considere a matriz
=
0 1 7 8
1 3 3 8
2 5 1 8
.
Encontre matrizes elementares , , e tais que = e uma matriz escalonada
reduzida. (Sugest ao: veja o Exemplo 1.18 na p agina 61.)
1.2.12. Resolva, usando o m etodo de Gauss-Jordan, os seguintes sistemas:
(a)
1
+ 2
2
3
4
+
5
= 2
1
+ 2
2
+
3
3
4
+
5
+ 2
6
= 3
1
+ 2
2
3
4
+ 2
5
+
6
= 4
3
1
+ 6
2
+
3
9
4
+ 4
5
+ 3
6
= 9
;
(b)
1
+ 3
2
2
3
+ 2
5
= 0
2
1
+ 6
2
5
3
2
4
+ 4
5
3
6
= 1
5
3
+ 10
4
+ 15
6
= 5
2
1
+ 6
2
+ 8
4
+ 4
5
+ 18
6
= 6
;
1.2.13. Considere a matriz =
1 1 1 1
1 3 2
2 2 2 2 3 1
3 + 2 3 2 + 1
. Determine o conjunto soluc ao do

sistema = , em que = [ 4 3 1 6 ]
, para todos os valores de .

1.2.14. Resolva os sistemas lineares cujas matrizes aumentadas s ao:
(a)
1 2 3 1 8
1 3 0 1 7
1 0 2 1 3
;
(b)
1 1 3 3 0
0 2 1 3 3
1 0 2 1 1
;
(c)
1 2 3 0
1 1 1 0
1 1 2 0
1 3 3 0
;
Comandos do MATLAB
:
>> A=[A1,...,An] cria uma matriz A formada pelas matrizes, denidas anteriormente, A1,
..., An colocadas uma ao lado da outra;
>> expr=subs(expr,x,num) substitui na express ao expr a vari avel x por num.
>> p=poly2sym([an,...,a0],x) armazena na vari avel p o polin omio
+ . . . +
0
.
>> clf limpa a gura ativa.
Introduc ao ` a

Comandos do pacote GAAL:
>> B=opel(alpha,i,A) ou >> oe(alpha,i,A)faz a operac ao elementar
alphalinha i ==> linha i da matriz A e armazena a matriz resultante em B.
>> B=opel(alpha,i,j,A) ou >> oe(alpha,i,j,A) faz a operac ao elementar
alphalinha i + linha j ==> linha j da matriz A e armazena em B.
>> B=opel(A,i,j) ou >> oe(A,i,j) faz a troca da linha com a linha da matriz A e arma-
zena a matriz resultante em B.
>> B=escalona(A) calcula passo a passo a forma escalonada reduzida da matriz A e arma-
zena a matriz resultante na vari avel B.
>> matvand(P,k) obt em a matriz de Vandermonde de ordemk, se P=[x1;...;xn] e a matriz
de Vandermonde generalizada no caso em que P=[x1,y1;...;xn,yn].
>> po([x1,y1;x2,y2;...xk,yk]) desenha os pontos (x1,y1),...,(xk,yk).
>> plotf1(f,[a,b]) desenha o gr aco da func ao dada pela express ao simb olica f no inter-
valo [a,b].
>> plotci(f,[a,b],[c,d]) desenha o gr aco da curva dada implicitamente pela express ao
f(x,y)=0 na regi ao do plano [a,b]x[c,d].
>> p=poly2sym2([a,b,c,d,e,f],x,y) armazena na vari avel p o polin omio em duas
vari aveis
2
+ +
2
+ + +.
>> eixos desenha os eixos coordenados.
1.2.15. (a) Use o comando P=randi(4,2), para gerar 4 pontos com entradas inteiras e aleat orias
entre 5 e 5. Os pontos est ao armazenados nas linhas da matriz P.
(b) Use o MATLAB
para tentar encontrar os coecientes , , e da func ao polinomial

() =
3
+
2
+ + cujo gr aco passa pelos pontos dados pelas linhas da matriz
P. A matriz A=matvand(P(:,1),3) pode ser util na soluc ao deste problema, assim como
a matriz B=P(:,2). Se n ao conseguiu, repita o passo anterior. Por que pode n ao ser
possvel?
(c) Desenhe os pontos e o gr aco do polin omio com os comandos
clf, po(P), syms x, p=poly2sym(R(:,5),x), plotf1(p,[-5,5]), em que R e forma
escalonada reduzida da matriz [A,B].
(d) Desenhe os eixos coordenados com o comando eixos.
(b) Use o MATLAB
para tentar encontrar os coecientes , , , , e da c onica, curva de

equac ao
2
+ +
2
+ + + = 0, cujo gr aco passa pelos pontos cujas
coordenadas s ao dadas pelas linhas da matriz P. A matriz A=matvand(P,2) pode ser util
na soluc ao deste problema. Se n ao conseguiu, repita o passo anterior. Por que pode n ao
ser possvel?
(c) Desenhe os pontos e a c onica com os comandos
clf, po(P), syms x y, p=poly2sym2([-R(:,6);1],x,y),
plotci(p,[-5,5],[-5,5]), em que R e a forma escalonada reduzida da matriz
A.
(d) Desenhe os eixos coordenados com o comando eixos.
e resolva os Exerccios Num ericos a partir do Exerccio 1.2.3.

Introduc ao ` a

Exerccios Te oricos
1.2.18. Mostre que toda operac ao elementar possui inversa, do mesmo tipo, ou seja, para cada
operac ao elementar existe uma outra operac ao elementar do mesmo tipo que desfaz o que
a operac ao anterior fez.
1.2.19. Prove que:
(a) Toda matriz e equivalente por linhas a ela mesma (reexividade);
(b) Se e equivalente por linhas a , ent ao e equivalente por linhas a (simetria);
(c) Se e equivalente por linhas a e e equivalente por linhas a , ent ao e equivalente
por linhas a (transitividade).
1.2.20. (a) Sejam
1
e
2
soluc oes do sistema homog eneo =

0. Mostre que
1
+
2
e
soluc ao, para quaisquer escalares e . (Sugest ao: veja o Exemplo 1.7.)
(b) Sejam
1
e
2
soluc oes do sistema = . Mostre que se
1
+
2
e soluc ao,
para quaisquer escalares e , ent ao =

0. (Sugest ao: faca = = 0.)
1.2.21. Sejam uma matriz e =

0 uma matriz 1.
(a) Mostre que se
1
e uma soluc ao do sistema = e
1
e uma soluc ao do sistema
homog eneo associado =

0, ent ao
1
+
1
e soluc ao de = .
(b) Seja
0
soluc ao particular do sistema = . Mostre que toda soluc ao do sistema
= , pode ser escrita como =
0
+ , em que e uma soluc ao do sistema
homog eneo associado, =

0. Assim, a soluc ao geral do sistema = e a soma
de uma soluc ao particular de = com a soluc ao geral do sistema homog eneo
associado =

0. (Sugest ao: Escreva =
0
+ (
0
) e mostre que
0
e
soluc ao do sistema homog eneo =

0.)
Introduc ao ` a

Teste do Captulo
1. Para o sistema linear dado, encontre todos os valores de para os quais o sistema n ao tem
soluc ao, tem soluc ao unica e tem innitas soluc oes:
+ 2 + = 3
+ = 2
+ + (
2
5) =
2. Se possvel, encontre os valores de , e tais que:
1 2 3
2 5 3
1 0 8
40 16
13 5
5 2
1 0 0
0 1 0
0 0 1
3. Sejam
=
_
1 0
0 1
_
. e =
_
cos sen
sen cos
_
.
Sabendo-se que =
, calcule
2
,
e
2
.
4. Responda Verdadeiro ou Falso, justicando:
(a) Se
2
= 2
4
, ent ao (
+
2
)(
2
2
) =
;
(b) Se =
, onde e uma matriz diagonal, ent ao
= ;
(c) Se e uma matriz diagonal, ent ao = , para toda matriz , ;
(d) Se =
, ent ao =
.
(e) Se e s ao tais que =
e =
, ent ao = , e tal que
= .
Introduc ao ` a

Captulo 2
Invers ao de Matrizes e Determinantes
2.1 Matriz Inversa
Todo n umero real , n ao nulo, possui um inverso (multiplicativo), ou seja, existe um n umero , tal
que = = 1. Este n umero e unico e o denotamos por
1
. Apesar da algebra matricial ser
semelhante ` a algebra dos n umeros reais, nem todas as matrizes n ao nulas possuem inversa, ou
seja, nem sempre existe uma matriz tal que = =
. De incio, para que os produtos

e estejam denidos e sejam iguais e preciso que as matrizes e sejam quadradas. Portanto,
somente as matrizes quadradas podem ter inversa, o que j a diferencia do caso dos n umeros reais,
pois todo n umero n ao nulo tem inverso. Mesmo entre as matrizes quadradas, muitas n ao possuem
inversa, apesar do conjunto das que n ao tem inversa ser bem menor do que o conjunto das que tem
(Exerccio 2.2.9 na p agina 140).
77
78 Invers ao de Matrizes e Determinantes
Denic ao 2.1. Uma matriz quadrada = (
e invertvel ou n ao singular, se existe uma

matriz = (
tal que
= =
, (2.1)
em que
e a matriz identidade. A matriz e chamada de inversa de . Se n ao tem inversa,

dizemos que e n ao invertvel ou singular.
Exemplo 2.1. Considere as matrizes
=
_
2 1
0 3
_
e =
_
1/2 1/6
0 1/3
_
.
A matriz e a inversa da matriz , pois = =
2
.
Teorema 2.1. Se uma matriz = (
possui inversa, ent ao a inversa e unica.

Introduc ao ` a

2.1 A Inversa de uma Matriz 79
Demonstrac ao. Suponhamos que e sejam inversas de . Ent ao, = =
= =
e assim,
=
= () = () =
= .
Denotamos a inversa de , quando ela existe, por

1
. Devemos chamar atenc ao para o fato de
que o ndice superior 1, aqui, n ao signica uma pot encia, t ao pouco uma divis ao. Assim como no
caso da transposta, em que
signica a transposta de , aqui,

1
signica a inversa de .
2.1.1 Propriedades da Inversa
Teorema 2.2. (a) Se e invertvel, ent ao
1
tamb em o e e
(
1
)
1
= ;
(b) Se = (
e = (
s ao matrizes invertveis, ent ao e invertvel e

()
1
=
1
1
;
(c) Se = (
e invertvel, ent ao
tamb em e invertvel e
(
)
1
= (
1
)
.
Demonstrac ao. Se queremos mostrar que uma matriz e a inversa de uma outra, temos que mostrar
que os produtos das duas matrizes s ao iguais ` a matriz identidade.
(a) Uma matriz e a inversa de
1
se
1
=
1
=
.
Mas, como
1
e a inversa de , ent ao
1
=
1
=
.
Como a inversa e unica, ent ao = e a inversa de
1
, ou seja, (
1
)
1
= .
(b) Temos que mostrar que a inversa de e
1
1
, ou seja, mostrar que os produtos
()(
1
1
) e (
1
1
)() s ao iguais ` a matriz identidade. Mas, pelas propriedades
(h) e (i) do Teorema 1.1 na p agina 10:
()(
1
1
) = (
1
)
1
=
1
=
1
=
,
(
1
1
)() =
1
(
1
) =
1
=
1
=
.
(c) Queremos mostrar que a inversa de
e (
1
)
. Pela propriedade (o) do Teorema 1.1 na

p agina 10:
(
1
)
= (
1
)
,
(
1
)
= (
1
)
Introduc ao ` a

O teorema seguinte, cuja demonstrac ao ser a omitida no momento (Subsec ao 2.1.2), garante que
basta vericarmos uma das duas igualdades em (2.1) para sabermos se uma matriz e a inversa de
outra.
Teorema 2.3. Sejam e matrizes .
(a) Se =
, ent ao =
;
(b) Se =
, ent ao =
;
Assim, para vericar que uma matriz e invertvel, quando temos uma matriz que e candidata a
inversa de , basta fazer um dos produtos ou e vericar se um deles e igual a
. O pr oximo
exemplo ilustra este fato.
Exemplo 2.2. Seja = (
uma matriz tal que

3
=

0 ( pode n ao ser a matriz nula!). Vamos
mostrar que a inversa de
++
2
. Para provar isto, devemos multiplicar a matriz
,
pela matriz que possivelmente seja a inversa dela, aqui ++
2
, e vericar se o produto das duas
e igual a matriz identidade
.
(
)(
++
2
) =
++
2
) (
++
2
) =
++
2
3
=
.
Aqui foram usadas as propriedades (i) e (j) do Teorema 1.1 na p agina 10.
2.1.2 Matrizes Elementares e Invers ao (opcional)
As matrizes elementares t em um papel importante no estudo da invers ao de matrizes e da soluc ao
de sistemas lineares.
Proposic ao 2.4. Toda matriz elementar e invertvel e sua inversa e tamb em uma matriz elementar.
Usando a notac ao introduzida na p agina 57, temos:
(a)
1
,
=
,
=
,
;
(b)
()
1
=
(1/), para = 0;
(c)
,
()
1
=
,
().
Demonstrac ao. Seja uma matriz elementar. Esta matriz e obtida de
aplicando-se uma operac ao

elementar. Seja a matriz elementar correspondente a operac ao que transforma de volta em
.
Agora, pelo Teorema 1.8 na p agina 59, temos que = =
. Portanto, e a inversa de
.
Introduc ao ` a

Teorema 2.5. Seja uma matriz . As seguintes armac oes s ao equivalentes:
(a) Existe uma matriz , , tal que =
.
(b) A matriz e equivalente por linhas ` a matriz identidade
.
(c) A matriz e invertvel.
Demonstrac ao. (a)(b) Se =
, ent ao o sistema =

0 tem somente a soluc ao trivial,
pois =
= =
0 =

0. Isto implica que a matriz e equivalente por linhas ` a
matriz identidade
, pois caso contr ario a forma escalonada reduzida de teria uma linha nula
(Proposic ao 1.5 na p agina 52).
(b)(c) A matriz ser equivalente por linhas ` a
signica, pelo Teorema 1.8 na p agina 59, que

existem matrizes elementares
1
, . . . ,
, tais que
. . .
1
=
(2.2)
(
1
1
. . .
1
. . .
1
=
1
1
. . .
1
=
1
1
. . .
1
. (2.3)
Aqui, usamos o fato de que as matrizes elementares s ao invertveis (Proposic ao 2.4). Portanto,
e invertvel como o produto de matrizes invertveis.
(c)(a) Claramente.

Se e invertvel, ent ao multiplicando-se ambos os membros de (2.2) ` a direita por
1
obtemos
. . .
1
=
1
.
Assim, a mesma seq u encia de operac oes elementares que transforma a matriz na matriz identidade
transforma tamb em
em
1
.
A demonstrac ao do Teorema 2.3 na p agina 81, agora, e uma simples conseq u encia do Teorema
anterior.
Demonstrac ao do Teorema 2.3. (a) Vamos mostrar que se =
, ent ao e invertvel e =
1
. Se =
, ent ao pelo Teorema 2.5, e invertvel e =
=
1
=
1
=
1
. Logo, = =
.
(b) Se =
, ent ao pelo item anterior e invertvel e

1
= . Portanto = =
Segue da demonstrac ao, do Teorema 2.5 (equac ao (2.3)) o resultado seguinte.

Teorema 2.6. Uma matriz e invertvel se, e somente se, ela e um produto de matrizes elementares.
Introduc ao ` a

Exemplo 2.3. Vamos escrever a matriz do Exemplo 2.5 na p agina 89 como o produto de matrizes
elementares. Quando encontramos a inversa da matriz , aplicamos uma seq u encia de operac oes
elementares em [
3
] at e que encontramos a matriz [
3

1
]. Como as operac oes s ao por linha,
esta mesma seq u encia de operac oes elementares transforma em
. Isto corresponde a multiplicar

a matriz =
1 1 1
2 1 4
2 3 5
` a esquerda pelas matrizes elementares
1,2
(2) =
1 0 0
2 1 0
0 0 1
,
1,3
(2) =
1 0 0
0 1 0
2 0 1
2
(1) =
1 0 0
0 1 0
0 0 1
,
2,1
(1) =
1 1 0
0 1 0
0 0 1
,
2,3
(1) =
1 0 0
0 1 0
0 1 1
3
(
1
5
) =
1 0 0
0 1 0
0 0
1
5
,
3,1
(3) =
1 0 3
0 1 0
0 0 1
,
3,2
(2) =
1 0 0
0 1 2
0 0 1
,
ou seja,
3,2
(2)
3,1
(3)
3
(
1
5
)
2,3
(1)
2,1
(1)
2
(1)
1,3
(2)
1,2
(2) =
3
.
Multiplicando ` a esquerda pelas inversas das matrizes elementares correspondentes obtemos
=
1,2
(2)
1,3
(2)
2
(1)
2,1
(1)
2,3
(1)
3
(5)
3,1
(3)
1,2
(2).
2.1.3 M etodo para Invers ao de Matrizes
O exemplo seguinte mostra, para matrizes 2 2, n ao somente uma forma de descobrir se uma
matriz tem inversa mas tamb em, como encontrar a inversa, no caso em que ela exista. Ou seja,
escalonamos a matriz [
2
] e encontramos a sua forma escalonada reduzida [ ]. Se =
2
,
ent ao a matriz e invertvel e a inversa
1
= . Caso contr ario, a matriz n ao e invertvel.
Exemplo 2.4. Seja =
_

_
. Devemos procurar uma matriz =
_

_
tal que =
2
,
ou seja,
+ = 1
+ = 0
+ = 0
+ = 1
Este sistema pode ser desacoplado em dois sistemas independentes que possuem a mesma matriz,
que e a matriz . Podemos resolv e-los simultaneamente. Para isto, basta escalonarmos a matriz
aumentada
_
1 0
0 1
_
= [
2
].
Os dois sistemas t em soluc ao unica se, e somente se, a forma escalonada reduzida da matriz [
2
]
for da forma [
2
] =
_
1 0
0 1
_
(verique, observando o que acontece se a forma escalonada
reduzida da matriz n ao for igual a
2
). Neste caso, = , = e = , = , ou seja, a matriz
possuir a inversa,
1
= = =
_

_
.
Introduc ao ` a

Para os leitores da Subsec ao 2.1.2 o pr oximo teorema e uma simples conseq u encia do Teorema
2.5 na p agina 83. Entretanto a demonstrac ao que daremos a seguir fornece umm etodo para encontrar
a inversa de uma matriz, se ela existir.
Teorema 2.7. Uma matriz , , e invertvel se, e somente se, e equivalente por linhas ` a matriz
identidade
.
Demonstrac ao. Pelo Teorema 2.3 na p agina 81, para vericarmos se uma matriz , , e in-
vertvel, basta vericarmos se existe uma matriz , tal que
=
. (2.4)
Vamos denotar as colunas de por
1
,
2
, . . . ,
, ou seja, = [
1
. . .
], em que
1
=
11
21
.
.
.
,
2
=
12
22
.
.
.
, . . . ,
2
.
.
.
e as colunas da matriz identidade
, por
1
,
2
, . . . ,
, ou seja,
= [
1
. . .
], em que
1
=
1
0
.
.
.
0
,
2
=
0
1
.
.
.
0
, . . . ,
0
0
.
.
.
1
.
Assim a equac ao (2.4) pode ser escrita como
[
1
. . .
] = [
1
. . .
] = [
1
. . .
],
pois a - esima coluna do produto e igual a vezes a - esima coluna da matriz (Exerccio 18
na p agina 28). Analisando coluna a coluna a equac ao anterior vemos que encontrar e equivalente
a resolver sistemas lineares
para = 1 . . . , .
Cada um dos sistemas pode ser resolvido usando o m etodo de Gauss-Jordan. Para isso, formaramos
as matrizes aumentadas [
1
], [
2
], . . . , [
]. Entretanto, como as matrizes dos sistemas

s ao todas iguais ` a , podemos resolver todos os sistemas simultaneamente formando a matriz 2
[
1
2
. . .
] = [
].
Transformando [
] na sua forma escalonada reduzida, que vamos denotar por [ ], vamos

chegar a duas situac oes possveis: ou a matriz e a matriz identidade, ou n ao e.
Se =
, ent ao a forma escalonada reduzida da matriz [
] e da forma [
]. Se
escrevemos a matriz em termos das suas colunas = [
1
2
. . .
], ent ao as soluc oes dos

sistemas
s ao
e assim = e tal que =
e pelo Teorema 2.3 na

p agina 81 e invertvel.
Se =
, ent ao a matriz n ao e equivalente por linhas ` a matriz identidade
. Ent ao, pela

Proposic ao 1.5 na p agina 52 a matriz tem uma linha nula. O que implica que cada um dos
sistemas
ou n ao tem soluc ao unica ou n ao tem soluc ao. Isto implica que a matriz
n ao tem inversa, pois as colunas da ( unica) inversa seriam
, para = 1, . . . .
Introduc ao ` a

Observac ao. Da demonstrac ao do Teorema 2.7 obtemos n ao somente uma forma de descobrir se
uma matriz tem inversa mas tamb em, como encontrar a inversa, no caso em que ela exista. Ou
seja, escalonamos a matriz [
] e encontramos a sua forma escalonada reduzida [ ]. Se

=
, ent ao a matriz e invertvel e a inversa

1
= . Caso contr ario, a matriz n ao e invertvel.
Vejamos os exemplos seguintes.
Exemplo 2.5. Vamos encontrar, se existir, a inversa de
=
1 1 1
2 1 4
2 3 5
1
a
.
eliminac ao:
21
a
.
linha + 2
a
.
linha 2
a
.
linha
21
a
.
linha + 3
a
.
linha 3
a
.
linha
1 1 1 1 0 0
0 1 2 2 1 0
0 1 3 2 0 1
2
a
.
eliminac ao:
12
a
.
linha 2
a
.
linha
1 1 1 1 0 0
0 1 2 2 1 0
0 1 3 2 0 1

12
a
.
linha + 1
a
.
linha 1
a
.
linha
12
a
.
linha + 3
a
.
linha 3
a
.
linha
1 0 3 1 1 0
0 1 2 2 1 0
0 0 5 4 1 1
3
a
.
eliminac ao:
1
5
3
a
.
linha 3
a
.
linha
1 0 3 1 1 0
0 1 2 2 1 0
0 0 1
4
5
1
5
1
5
33
a
.
linha + 1
a
.
linha 1
a
.
linha
23
a
.
linha + 2
a
.
linha 2
a
.
linha
1 0 0
7
5
2
5

3
5
0 1 0
2
5

3
5
2
5
0 0 1
4
5
1
5
1
5
Assim, a matriz [
3
] e equivalente por linhas ` a matriz acima, que e da forma [
3
], portanto a
matriz e invertvel e a sua inversa e a matriz , ou seja,
1
=
7
5
2
5

3
5
2
5

3
5
2
5
4
5
1
5
1
5
.
Exemplo 2.6. Vamos determinar, se existir, a inversa da matriz
=
1 2 3
1 1 2
0 1 1
.
Introduc ao ` a

Para isso devemos escalonar a matriz aumentada
[
3
] =
1 2 3 1 0 0
1 1 2 0 1 0
0 1 1 0 0 1
1
a
.
eliminac ao:
11
a
.
linha + 2
a
.
linha 2
a
.
linha
1 2 3 1 0 0
0 1 1 1 1 0
0 1 1 0 0 1
2
a
.
eliminac ao:
12
a
.
linha 2
a
.
linha
1 2 3 1 0 0
0 1 1 1 1 0
0 1 1 0 0 1
22
a
.
linha + 1
a
.
linha 1
a
.
linha
12
a
.
linha + 3
a
.
linha 3
a
.
linha
1 0 1 1 2 0
0 1 1 1 1 0
0 0 0 1 1 1
Assim, a matriz [
3
] e equivalente por linhas ` a matriz acima, que e da forma [ ], com =
3
.
Assim, a matriz n ao e equivalente por linhas ` a matriz identidade e portanto n ao e invertvel.
Se um sistema linear = tem o n umero de equac oes igual ao n umero de inc ognitas,
ent ao o conhecimento da inversa da matriz do sistema
1
, reduz o problema de resolver o sistema
a simplesmente fazer um produto de matrizes, como est a enunciado no pr oximo teorema.
Teorema 2.8. Seja uma matriz .
(a) O sistema associado = tem soluc ao unica se, e somente se, e invertvel. Neste caso
a soluc ao e =
1
;
(b) O sistema homog eneo =

0 tem soluc ao n ao trivial se, e somente se, e singular (n ao
invertvel).
Demonstrac ao. (a) Se a matriz e invertvel, ent ao multiplicando = por
1
` a esquerda
em ambos os membros obtemos
1
() =
1
(
1
) =
1
=
1
=
1
.
Aqui foram usadas as propriedades (h) e (i) do Teorema 1.1 na p agina 10. Portanto, =
1
e a unica soluc ao do sistema = . Por outro lado, se o sistema = possui soluc ao

unica, ent ao a forma escalonada reduzida da matriz aumentada do sistema [ ] e da forma
[ ], em que =
. Pois a matriz e quadrada e caso fosse diferente da identidade

possuiria uma linha de zeros (Proposic ao 1.5 na p agina 52) o que levaria a que o sistema
= ou n ao tivesse soluc ao ou tivesse innitas soluc oes. Logo, a matriz e equivalente
por linhas ` a matriz identidade o que pelo Teorema 2.7 na p agina 87 implica que e invertvel.
Introduc ao ` a

(b) Todo sistema homog eneo possui pelo menos a soluc ao trivial. Pelo item anterior, esta ser a a
unica soluc ao se, e somente se, e invertvel.
Vamos ver no pr oximo exemplo que se conhecemos a inversa de uma matriz, ent ao a produc ao
de uma ind ustria em v arios perodos pode ser obtida apenas multiplicando-se a inversa por matrizes
colunas que contenham a arrecadac ao e as quantidades dos insumos utilizados em cada perodo.
A e 4 gramas de B. O preco de venda do kg de cada um dos produtos X, Y e Z e R$ 2,00, R$ 3,00 e
R$ 5,00, respectivamente. Como vimos no Exemplo 1.6 na p agina 8, usando matrizes o esquema de
produc ao pode ser descrito da seguinte forma:
X Y Z
gramas de A/kg
gramas de B/kg
preco/kg
1 1 1
2 1 4
2 3 5
= =
kg de X produzidos
kg de Y produzidos
kg de Z produzidos
=
+ +
2 + + 4
2 + 3 + 5
gramas de A usados
gramas de B usados
arrecadac ao
No Exemplo 2.5 na p agina 89 determinamos a inversa da matriz
=
1 1 1
2 1 4
2 3 5

que e
1
=
7
5
2
5

3
5
2
5

3
5
2
5
4
5
1
5
1
5
.
Sabendo-se a inversa da matriz podemos saber a produc ao da ind ustria sempre que soubermos
quanto foi gasto do insumo A, do insumo B e a arrecadac ao.
(a) Se em um perodo com a venda de toda a produc ao de X, Y e Z manufaturada com 1 kg de A
e 2 kg de B, essa ind ustria arrecadou R$ 2500, 00, ent ao para determinar quantos kg de cada
um dos produtos X, Y e Z foram vendidos simplesmente multiplicamos
1
pela matriz
=
1000
2000
2500
gramas de A usados
gramas de B usados
arrecadac ao
ou seja,
kg de X produzidos
kg de Y produzidos
kg de Z produzidos
==
1
=
7
5
2
5

3
5
2
5

3
5
2
5
4
5
1
5
1
5
1000
2000
2500
700
200
100
Portanto, foram produzidos 700 kg do produto X, 200 kg de Y e 100 kg de Z.

(b) Se em outro perodo com a venda de toda a produc ao de X, Y e Z manufaturada com 1 kg de
A e 2, 1 kg de B, essa ind ustria arrecadou R$ 2900, 00, ent ao para determinar quantos kg de
Introduc ao ` a

cada um dos produtos X, Y e Z foram vendidos simplesmente multiplicamos
1
pela matriz
=
1000
2100
2900
gramas de A usados
gramas de B usados
arrecadac ao
ou seja,
kg de X produzidos
kg de Y produzidos
kg de Z produzidos
= =
1
=
7
5
2
5

3
5
2
5

3
5
2
5
4
5
1
5
1
5
1000
2100
2900
500
300
200
Portanto, foram produzidos 500 kg do produto X, 300 kg de Y e 200 kg de Z.

Vamos mostrar a recproca do item (b) do Teorema 2.2 na p agina 79. Este resultado ser a util
na demonstrac ao de que o determinante do produto de matrizes e o produto dos determinantes
(Subsec ao 2.2.2 na p agina 127).
Proposic ao 2.9. Se e s ao matrizes , com invertvel, ent ao e s ao invertveis.
Demonstrac ao. Considere o sistema () =

0. Se n ao fosse invertvel, ent ao existiria =

0,
tal que =

0 (Teorema 2.8 na p agina 92). Multiplicando-se por , teramos =

0, o que,
novamente pelo Teorema 2.8 na p agina 92, contradiz o fato de ser invertvel. Portanto, e
invertvel. Agora, se e s ao invertveis, ent ao tamb em e invertvel, pois = ()
1
, que
e o produto de duas matrizes invertveis.
2.1.4 Aplicac ao: Interpolac ao Polinomial
Sejam
1
= (
1
,
1
), . . . ,
= (
), com
1
, . . . ,
n umeros distintos. Considere o pro-

blema de encontrar um polin omio de grau 1
() =
1
1
+
2
2
+ +
1
+
0
,
que interpola os dados, no sentido de que (
) =
, para = 1, . . . , .
Por exemplo se os pontos s ao
1
= (0, 10),
2
= (1, 7),
3
= (3, 11),
4
= (4, 14) ent ao
o problema consiste em encontrar um polin omio de grau 3 que interpola os pontos dados (veja o
Exerccio 1.2.8 na p agina 65).
Introduc ao ` a

2 1 0 1 2 3 4 5
30
20
10
0
10
20
30
x
y
Vamos mostrar que existe, um e somente um, polin omio de grau no m aximo igual a 1, que
interpola pontos, com abscissas distintas. Substituindo os pontos no polin omio (), obtemos um
sistema linear = , em que
=
2
.
.
.
, =
2
.
.
.
e =
1
1

2
1
. . .
1
1
1
2

2
2
. . .
2
1
.
.
.
.
.
.
.
.
.
. . .
.
A matriz e chamada matriz de Vandermonde.
Vamos mostrar que = tem somente uma soluc ao. Pelo Teorema 2.8 na p agina 92, um
sistema de equac oes e inc ognitas = tem soluc ao unica se, e somente se, o sistema
homog eneo associado, =

0, tem somente a soluc ao trivial. = [
1

0
] e soluc ao do
sistema homog eneo se, e somente se, o polin omio de grau 1, () =
1
1
+ +
0
, se
anula em pontos distintos. O que implica que o polin omio () e o polin omio com todos os seus
coecientes iguais a zero. Portanto, o sistema homog eneo =

0 tem somente a soluc ao trivial.
Isto prova que existe, um e somente um, polin omio de grau no m aximo igual a 1, que interpola
pontos, com abscissas distintas.
Assim a soluc ao do sistema linear e =
1
. Como a matriz depende apenas das abs-
cissas dos pontos, tendo calculado a matriz
1
podemos determinar rapidamente os polin omios
que interpolam v arios conjuntos de pontos, desde que os pontos de todos os conjuntos tenham as
mesmas abscissas dos pontos do conjunto inicial.
2.1.5 Aplicac ao: Criptograa
Vamos transformar uma mensagem em uma matriz da seguinte forma. Vamos quebrar a men-
sagem em pedacos de tamanho 3 e cada pedaco ser a convertido em uma matriz coluna usando a
Tabela 2.1 de convers ao entre caracteres e n umeros.
Introduc ao ` a

Considere a seguinte mensagem criptografada
1ydobbr,? (2.5)
Quebrando a mensagem criptografada em pedacos de tamanho 3 e convertendo cada pedaco para
uma coluna de n umeros usando a Tabela 2.1 obtemos a matriz
=
80 15 18
25 2 107
4 2 94
Sabendo-se que esta mensagem foi criptografada fazendo o produto da mensagem inicial pela matriz
=
1 1 0
0 1 1
0 0 1
ent ao
=
1
ser a a mensagem inicial convertida para n umeros, ou seja,

=
1
=
1 1 1
0 1 1
0 0 1
80 15 18
25 2 107
4 2 94
59 15 5
21 0 13
4 2 94
Convertendo para texto usando novamente a Tabela 2.1 obtemos que a mensagem que foi criptogra-
fada e
Tudo bem? (2.6)
2.1.1. Seja uma matriz 3 3. Suponha que =
1
2
3
e soluc ao do sistema homog eneo

=

0. A matriz e singular ou n ao? Justique.
2.1.2. Se possvel, encontre as inversas das seguintes matrizes:
(a)
1 2 3
1 1 2
0 1 2
;
(b)
1 2 2
1 3 1
1 3 2
;
(c)
1 1 1 1
1 2 1 2
1 1 2 1
1 3 3 2
;
(d)
1 2 3
0 2 3
1 2 4
;
(e)
1 2 3
1 1 2
0 1 1
;
(f)
1 1 1 1
1 3 1 2
1 2 1 1
5 9 1 6
;
2.1.3. Encontre todos os valores de para os quais a matriz =
1 1 0
1 0 0
1 2
tem inversa.
2.1.4. Se
1
=
_
3 2
1 3
_
e
1
=
_
2 5
3 2
_
,
Introduc ao ` a

encontre ()
1
.
2.1.5. Resolva o sistema = , se
1
=
_
2 3
4 1
_
e =
_
5
3
_
.
2.1.6. Seja
=
_
1 1
4 1
_
.
mostraremos no Exemplo 7.6 na p agina 439 que
=
_
1 1
2 2
_
e =
_
3 0
0 1
_
s ao tais que
=
1
.
Determine
, para = 1, 2, 3, . . .
2.1.7. (Relativo ` a Subsec ao 2.1.2) Encontre matrizes elementares
1
, . . . ,
tais que =
1
. . .
,
para
=
1 2 3
2 1 2
0 1 2
.
Comandos do MATLAB
:
>> M=[A,B] atribui ` a matriz M a matriz obtida colocando lado a lado as matrizes A e B.
>> M=A(:,k:l) atribui ` a matriz M a submatriz da matriz A obtida da coluna l ` a coluna k da
matriz A.
>> B=opel(alpha,i,A) ou B=oe(alpha,i,A)faz a operac ao elementar
alpha*linha i ==> linha i da matriz A e armazena a matriz resultante em B.
>> B=opel(alpha,i,j,A) ou B=oe(alpha,i,j,A) faz a operac ao elementar
alpha*linha i + linha j ==> linha j da matriz A e armazena a matriz resultante na
vari avel B.
>> B=opel(A,i,j) ou B=oe(A,i,j) faz a troca da linha com a linha da matriz A e arma-
>> B=escalona(A) calcula passo a passo a forma escalonada reduzida da matriz A e arma-
2.1.8. O pacote GAAL cont em alguns arquivos com mensagens criptografadas e uma chave para de-
cifr a-las. Use os comandos a seguir para ler dos arquivos e atribuir ` as vari aveis corresponden-
tes, uma mensagem criptografada e a uma chave para decifr a-la.
>> menc=lerarq(c:/matlab/toolbox/gaal/menc1.txt)
>> key=lerarq(c:/matlab/toolbox/gaal/key.txt)
Com estes comandos foram lidos os arquivos menc1.txt e key.txt e atribudos os resultados
` as vari aveis menc e key respectivamente. Para converter a mensagem criptografada e a chave
Introduc ao ` a

para matrizes num ericas use os comandos do pacote gaal:
>> y=char2num(menc), M=char2num(key)
Sabendo-se que a mensagem criptografada (convertida para n umeros), y, foi originalmente
obtida multiplicando-se a matriz M pela mensagem original (convertida para n umeros), x, de-
termine x. Descubra a mensagem usando o comando do pacote gaal, num2char(x), que
converte a matriz para texto. Decifre as mensagens que est ao nos arquivos menc2.txt e
menc3.txt. Como deve ser a matriz M para que ela possa ser uma matriz chave na criptogra-
a?
2.1.9. Resolva os Exerccios Num ericos a partir do Exerccio 2.1.2 usando o MATLAB
.
Exerccios Te oricos
2.1.10. (a) Mostre que a matriz =
_

_
e invertvel se, e somente se, = 0 e neste
caso a inversa e dada por
1
=
1

_

_
.
(Sugest ao: encontre a forma escalonada reduzida da matriz [
2
], para = 0 e para
= 0.)
(b) Mostre que se = 0, ent ao o sistema linear
_
+ =
+ =
tem como soluc ao
=

, =

Sugest ao para os pr oximos 4 exerccios: Para vericar que uma matriz e a inversa de uma
matriz , basta fazer um dos produtos ou e vericar que e igual a
.
2.1.11. Se e uma matriz e
=

0, para um inteiro positivo, mostre que
(
)
1
=
+ +
2
+. . . +
1
.
2.1.12. Seja uma matriz diagonal, isto e, os elementos que est ao fora da diagonal s ao iguais a zero
(
= 0, para = ). Se
= 0, para = 1, . . . , , mostre que e invertvel e a sua inversa

e tamb em uma matriz diagonal com elementos na diagonal dados por 1/
11
, 1/
22
, . . . , 1/
.
2.1.13. Sejam e matrizes quadradas. Mostre que se + e forem invertveis, ent ao
( + )
1
=
1
(
+
1
)
1
.
2.1.14. Seja
a matriz , cujas entradas s ao iguais a 1. Mostre que se > 1, ent ao

(
)
1
=
1
1
.
(Sugest ao: observe que
2
.)
2.1.15. Mostre que se e uma matriz invertvel, ent ao
1
=
1
se, e somente se, = .
(Sugest ao: multiplique a equac ao = por
1
.)
Introduc ao ` a

2.1.16. Mostre que se e uma matriz invertvel, ent ao + e
+
1
s ao ambas invertveis ou
ambas n ao invertveis. (Sugest ao: multiplique + por
1
.)
2.1.17. Sejam e matrizes . Mostre que se n ao e invertvel, ent ao tamb em n ao o e.
2.1.18. Mostre que se e s ao matrizes , invertveis, ent ao e s ao equivalentes por linhas.
2.1.19. Sejamuma matriz e uma matriz , com < . Mostre que n ao e invertvel.
(Sugest ao: Mostre que o sistema () =

0 tem soluc ao n ao trivial.)
a b c d e f g h i j k l m n
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14
o p q r s t u v w x y z ` a a a
15 16 17 18 19 20 21 22 23 24 25 26 27 28 29
a c e e o o o u u A B C D E
30 31 32 33 34 35 36 37 38 39 40 41 42 43 44
F G H I J K L M N O P Q R S T
45 46 47 48 49 50 51 52 53 54 55 56 57 58 59
U V W X Y Z
`
A

A

A

A C

E

E

I

O
60 61 62 63 64 65 66 67 68 69 70 71 72 73 74
O

O

U

U 0 1 2 3 4 5 6 7 8 9 :
75 76 77 78 79 80 81 82 83 84 85 86 87 88 89
; < = > ? @ ! " # $ % & ( )
90 91 92 93 94 95 96 97 98 99 100 101 102 103 104
* + , - . / [ \ ] _ { | }
105 106 107 108 109 110 111 112 113 114 115 116 117
Tabela 2.1: Tabela de convers ao de caracteres em n umeros
Introduc ao ` a

2.2 Determinantes 107
2.2 Determinantes
Vamos inicialmente denir o determinante de matrizes 1 1. Para cada matriz = [] denimos
o determinante de , indicado por det(), por det() = . Vamos, agora, denir o determinante de
matrizes 22 e a partir da denir para matrizes de ordem maior. A cada matriz , 22, associamos
um n umero real, denominado determinante de , por:
det() = det
_

11

12
21

22
_
=
11
22
12
21
.
Para denir o determinante de matrizes quadradas maiores, precisamos denir o que s ao os
menores de uma matriz. Dada uma matriz = (
, o menor do elemento
, denotado por
, e a submatriz ( 1) ( 1) de obtida eliminando-se a - esima linha e a - esima coluna

de , que tem o seguinte aspecto:
11
. . .
. . .
1
.
.
.
.
.
.
.
.
.
.
.
.
1
. . .
. . .

Exemplo 2.8. Para uma matriz = (
)
33
,
23
=
11

12

13
21

22

23
31

32

33
=
_

11

12
31

32
_
Agora, vamos denir os cofatores de uma matriz quadrada = (
)
33
. O cofator do elemento
, denotado por
, e denido por

= (1)
+
det(

),
ou seja, o cofator
, do elemento
e igual a mais ou menos o determinante do menor

, sendo
o mais e o menos determinados pela seguinte disposic ao:
+ +
+
+ +
Exemplo 2.9. Para uma matriz = (
)
33
,

23
= (1)
2+3
det(

23
) = det
11

12

13
21

22

23
31

32

33
= det
_

11

12
31

32
_
=
31
12
11
32
Introduc ao ` a

Vamos, agora, denir o determinante de uma matriz 3 3. Se
=
11

12

13
21

22

23
31

32

33
,
ent ao, o determinante de e igual ` a soma dos produtos dos elementos da 1
a
.
linha pelos seus cofa-
tores.
det() =
11

11
+
12

12
+
13

13
=
11
det
_

22

23
32

33
_
12
det
_

21

23
31

33
_
+
13
det
_

21

22
31

32
_
=
11
(
22
33
32
23
)
12
(
21
33
31
23
) +
13
(
21
32
31
22
).
Da mesma forma que a partir do determinante de matrizes 2 2, denimos o determinante de
matrizes 33, podemos denir o determinante de matrizes quadradas de ordem maior. Supondo que
sabemos como calcular o determinante de matrizes ( 1) ( 1) vamos denir o determinante
de matrizes .
Vamos denir, agora, os cofatores de uma matriz quadrada = (
. O cofator do elemento
, denotado por
, e denido por

= (1)
+
det(

),
ou seja, o cofator
, do elemento
e igual a mais ou menos o determinante do menor

, sendo
o mais e o menos determinados pela seguinte disposic ao:
+ + . . .
+ + . . .
+ + . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Denic ao 2.2. Seja = (
. O determinante de , denotado por det(), e denido por

det() =
11

11
+
12

12
+ . . . +
1

1
=
=1
1

1
, (2.7)
em que
1
= (1)
1+
det(

1
) e o cofator do elemento
1
. A express ao (2.8) e chamada desen-
volvimento em cofatores do determinante de em termos da 1
a
.
linha.
Introduc ao ` a

Exemplo 2.10. Seja
=
0 0 0 3
1 2 3 4
1 3 2 5
2 1 2 0
.
Desenvolvendo-se o determinante de em cofatores, obtemos
det() = 0
11
+ 0
12
+ 0
13
+ (3)(1)
1+4
det(), em que =
1 2 3
1 3 2
2 1 2
.
Mas o det() tamb em pode ser calculado usando cofatores,
det() = 1
11
+ 2
12
+ 3
13
= 1(1)
1+1
det(

11
) + 2(1)
1+2
det(

12
) + 3(1)
1+3
det(

13
)
= det
_
3 2
1 2
_
2 det
_
1 2
2 2
_
+ 3 det
_
1 3
2 1
_
= 8 2 (2) + 3 (7)
= 25
Portanto,
det() = 3 det() = 75.
Exemplo 2.11. Usando a denic ao de determinante, vamos mostrar que o determinante de uma ma-
triz triangular inferior (isto e, os elementos situados acima da diagonal principal s ao iguais a zero) e
o produto dos elementos da diagonal principal. Vamos mostrar inicialmente para matrizes 3 3. Seja
=
11
0 0
21

22
0
31

32

33

det() =
11
det
_

22
0
32

33
_
=
11
22
33
.
Vamos supor termos provado que para qualquer matriz ( 1) ( 1) triangular inferior, o deter-
minante e o produto dos elementos da diagonal principal. Ent ao vamos provar que isto tamb em vale
para matrizes . Seja
=
11
0 . . . . . . 0
21

22
0
.
.
.
.
.
.
.
.
.
0
1
. . .

det() =
11
det
22
0 . . . . . . 0
32

33
0
.
.
.
.
.
.
.
.
.
0
2
. . .
=
11
22
. . .
,
Introduc ao ` a

pois o determinante acima e de uma matriz ( 1) ( 1) triangular inferior. Em particular, para
a matriz identidade,
,
det(
) = 1.
2.2.1 Propriedades do Determinante
Vamos provar uma propriedade importante do determinante. Para isso vamos escrever a matriz
= (
em termos das suas linhas

=
1
.
.
.
+1
.
.
.
,
em que
e a linha da matriz , ou seja,
= [
1
2
. . .
]. Se a linha
e escrita na forma
= + , em que e s ao matrizes linha 1, ent ao o determinante pode ser decomposto

como mostra o resultado seguinte.
Teorema 2.10. Seja = (
escrita em termos das suas linhas, denotadas por
, ou seja,
= [
1
2
. . .
]. Se para algum , a linha
= + , em que = [
1
. . .
], =
[
1
. . .
] e e s ao escalares, ent ao:

det
1
.
.
.
1
+
+1
.
.
.
= det
1
.
.
.
+1
.
.
.
+ det
1
.
.
.
+1
.
.
.
.
Aqui,
= + = [
1
+
1
. . .
].
Demonstrac ao. Vamos provar aqui somente para = 1. Para > 1 e demonstrado no Ap endice III
na p agina ??. Se
1
= + , em que = [
1
. . .
], = [
1
. . .
] e e s ao escalares,
Introduc ao ` a

ent ao:
det
2
.
.
.
=1
(1)
1+
(
) det(

1
)
=
=1
det(

1
) +
=1
det(

1
)
= det
2
.
.
.
+ det
2
.
.
.
Exemplo 2.12. O c alculo do determinante da matriz a seguir pode ser feito da seguinte forma:
det
_
cos sen
2 cos 3 sen 2 sen + 3 cos
_
= 2 det
_
cos sen
cos sen
_
+ 3 det
_
cos sen
sen cos
_
= 3
Pela denic ao de determinante, o determinante deve ser calculado fazendo-se o desenvolvimento
em cofatores segundo a 1
a
.
linha. O pr oximo resultado, que n ao vamos provar neste momento
(Ap endice II na p agina 144), arma que o determinante pode ser calculado fazendo-se o desen-
volvimento em cofatores segundo qualquer linha ou qualquer coluna.
Teorema 2.11. Seja uma matriz . O determinante de pode ser calculado fazendo-se o
desenvolvimento em cofatores segundo qualquer linha ou qualquer coluna.
det() =
1

1
+
2

2
+ . . . +
=1
, para = 1, . . . , , (2.8)
=
1

1
+
2

2
+ . . . +
=1
, para = 1, . . . , , (2.9)
em que
= (1)
+
det(

. A express ao (2.8) e chamada desen-

volvimento em cofatores do determinante de em termos da - esima linha e (2.9) e chamada
desenvolvimento em cofatores do determinante de em termos da - esima coluna.
Introduc ao ` a

Temos a seguinte conseq u encia deste resultado.
Corol ario 2.12. Seja uma matriz . Se possui duas linhas iguais, ent ao det() = 0.
Demonstrac ao. O resultado e claramente verdadeiro para matrizes 2 2. Supondo que o resultado
seja verdadeiro para matrizes ( 1) ( 1), vamos provar que ele e verdadeiro para matrizes
. Suponhamos que as linhas e sejam iguais, para = . Desenvolvendo o determinante de
em termos de uma linha , com = , , obtemos
det() =
=1
=1
(1)
+
det(

).
Mas, cada

e uma matriz (1) (1) com duas linhas iguais. Como estamos supondo que o
resultado seja verdadeiro para estas matrizes, ent ao det(

) = 0. Isto implica que det() = 0.

No pr oximo resultado mostramos como varia o determinante de uma matriz quando aplicamos
operac oes elementares sobre suas linhas.
(a) Se e obtida de multiplicando-se uma linha por um escalar , ent ao
det() = det() ;
(b) Se resulta de pela troca da posic ao de duas linhas = , ent ao
det() = det() ;
(c) Se e obtida de substituindo a linha por ela somada a um m ultiplo escalar de uma linha ,
= , ent ao
det() = det() .
Demonstrac ao. (a) Segue diretamente do Teorema 2.10 na p agina 113.
(b) Sejam
=
1
.
.
.
.
.
.
.
.
.
e =
1
.
.
.
.
.
.
.
.
.
.
Introduc ao ` a

Agora, pelo Teorema 2.10 na p agina 113 e o Corol ario 2.12, temos que
0 = det
1
.
.
.
.
.
.
.
.
.
= det
1
.
.
.
.
.
.
.
.
.
+ det
1
.
.
.
.
.
.
.
.
.
+ det
1
.
.
.
.
.
.
.
.
.
+ det
1
.
.
.
.
.
.
.
.
.
= 0 + det() + det() + 0.
Portanto, det() = det().
(c) Novamente, pelo Teorema 2.10 na p agina 113, temos que
det
1
.
.
.
.
.
.
.
.
.
= det
1
.
.
.
.
.
.
.
.
.
+ det
1
.
.
.
.
.
.
.
.
.
= det
1
.
.
.
.
.
.
.
.
.

Exemplo 2.13. Vamos calcular o determinante da matriz
=
0 1 5
3 6 9
2 6 1
usando operac oes elementares para transform a-la numa matriz triangular superior e aplicando o Te-
orema 2.13.
det() = det
3 6 9
0 1 5
2 6 1
1
a
.
linha 2
a
.
linha
= 3 det
1 2 3
0 1 5
2 6 1
1/31
a
.
linha 1
a
.
linha
= 3 det
1 2 3
0 1 5
0 10 5
21
a
.
linha+3
a
.
linha 3
a
.
linha
= 3 det
1 2 3
0 1 5
0 0 55
102
a
.
linha+3
a
.
linha 3
a
.
linha
= (3)(55) = 165
Quando multiplicamos uma linha de uma matriz por um escalar o determinante da nova matriz e
igual a multiplicado pelo determinante da matriz antiga. Mas o que estamos calculando aqui e o
determinante da matriz antiga, por isso ele e igual a 1/ multiplicado pelo determinante da matriz
nova.
Introduc ao ` a

Para se calcular o determinante de uma matriz pela expans ao em cofatores, precisamos
fazer produtos e calcular determinantes de matrizes ( 1) ( 1), que por sua vez vai
precisar de 1 produtos e assim por diante. Portanto, ao todo s ao necess arios da ordem de !
produtos. Para se calcular o determinante de uma matriz 20 20, e necess ario se realizar 20! 10
18
produtos. Os computadores pessoais realizam da ordem de 10
8
produtos por segundo. Portanto, um
computador pessoal precisaria de cerca de 10
10
segundos ou 10
3
anos para calcular o determinante
de uma matriz 2020 usando a expans ao em cofatores. Entretanto usando o m etodo apresentado no
exemplo anterior para o c alculo do determinante, e necess ario apenas da ordem de
3
produtos. Ou
seja, para calcular o determinante de uma matriz 20 20 usando o m etodo apresentado no exemplo
anterior um computador pessoal gasta muito menos de um segundo.
A seguir estabelecemos duas propriedades do determinante que ser ao demonstradas somente
na Subsec ao 2.2.2 na p agina 127.
(a) O determinante do produto de por e igual ao produto dos seus determinantes,
det() = det() det() .
(b) Os determinantes de e de sua transposta
s ao iguais,
det() = det(
) ;
Observac ao. Como o determinante de uma matriz e igual ao determinante da sua transposta (Teo-
rema 2.14 (b)), segue-se que todas as propriedades que se referem a linhas s ao v alidas com relac ao
` as colunas.
. Vamos mostrar que se e invertvel, ent ao

det(
1
) =
1
det()
.
Como
1
=
, aplicando-se o determinante a ambos os membros desta igualdade e usando

o Teorema 2.14, obtemos
det() det(
1
) = det(
).
Mas, det(
) = 1 (Exemplo 2.11 na p agina 112, a matriz identidade tamb em e triangular inferior!).

Logo, det(
1
) =
1
det()
.
Exemplo 2.15. Se uma matriz quadrada e tal que
2
=
1
, ent ao vamos mostrar que det() =
1. Aplicando-se o determinante a ambos os membros da igualdade acima, e usando novamente o
Teorema 2.14 e o resultado do exemplo anterior, obtemos
(det())
2
=
1
det()
.
Logo, (det())
3
= 1. Portanto, det() = 1.
Introduc ao ` a

O resultado seguinte caracteriza em termos do determinante as matrizes invertveis e os sistemas
lineares homog eneos que possuem soluc ao n ao trivial.
(a) A matriz e invertvel se, e somente se, det() = 0.
(b) O sistema homog eneo =

0 tem soluc ao n ao trivial se, e somente se, det() = 0.
Demonstrac ao. (a) Seja a forma escalonada reduzida da matriz .
A demonstrac ao deste item segue-se de tr es observac oes:
Pelo Teorema 2.13 na p agina 117, det() = 0 se, e somente se, det() = 0.
Pela Proposic ao 1.5 da p agina 52, ou =
ou a matriz tem uma linha nula. Assim,

det() = 0 se, e somente se, =
.
Pelo Teorema 2.7 na p agina 87, =
se, e somente se, e invertvel.

(b) Pelo Teorema 2.8 na p agina 92, o sistema homog eneo =

0 tem soluc ao n ao trivial se, e
somente se, a matriz n ao e invertvel. E pelo item anterior, a matriz e n ao invertvel se, e
somente se, det() = 0.

Exemplo 2.16. Considere a matriz
=
2 2 2
0 2 0
0 1 3
.
(a) Determinar os valores de tais que existe =
=

0 que satisfaz = .
(b) Para cada um dos valores de encontrados no item anterior determinar todos =
tais
que = .
Soluc ao:
(a) Como a matriz identidade
3
e o elemento neutro do produto, ent ao
= =
3
.
Subtraindo-se
3
obtemos

3
=

0 (
3
) =

0.
Agora, este sistema homog eneo tem soluc ao n ao trivial ( =

0) se, e somente se,
det(
3
) = 0.
Introduc ao ` a

Mas
det
2 2 2
0 2 0
0 1 3
= ( 2)
2
( 3) = 0
se, e somente se, = 2 ou = 3. Assim, somente para = 2 e = 3 existem vetores
=
=

0 tais que = .
(b) Para = 2:
( 2
3
) =

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

_
2 + 2 = 0
+ = 0
que tem soluc ao o conjunto dos =
, para todos os valores de , .

Para = 3:
(3
3
) =

0
1 2 2
0 1 0
0 1 0
0
0
0
+ 2 + 2 = 0
= 0
= 0
que tem soluc ao o conjunto dos =
2
0
, para todos os valores de .

Exemplo 2.17. A matriz =
_

_
e invertvel se, e somente se, det() = = 0. Neste
caso a inversa de e dada por
1
=
1
det()
_

_
,
como pode ser vericado multiplicando-se a candidata a inversa pela matriz .
Observe que este exemplo fornece uma regra para se encontrar a inversa de uma matriz 2 2:
troca-se a posic ao dos elementos da diagonal principal, troca-se o sinal dos outros elementos e
divide-se todos os elementos pelo determinante de .
Exemplo 2.18. Considere o sistema linear de 2 equac oes e 2 inc ognitas
_
+ =
+ =
A matriz deste sistema e
=
_

_
.
Se det() = 0, ent ao a soluc ao do sistema e
=
1
=
1
det()
_

_ _

_
=
1
det()
_

+
_
=
1
det()
det
_

_
det
_

_
Introduc ao ` a

ou seja,
=
det
_

_
det
_

_, =
det
_

_
det
_

_
esta e a chamada Regra de Cramer para sistemas de 2 equac oes e 2 inc ognitas. A Regra de Cramer
para sistemas de equac oes e inc ognitas ser a apresentada na Subsec ao 2.2.3.
2.2.2 Matrizes Elementares e o Determinante (opcional)
Relembramos que uma matriz elementar e uma matriz que se obt em aplicando-se uma operac ao
elementar na matriz identidade. Assim, aplicando-se o Teorema 2.13 na p agina 117 obtemos o resul-
tado seguinte.
Proposic ao 2.16. (a) Se
,
e a matriz elementar obtida trocando-se as linhas e da matriz
identidade, ent ao det(
,
) = 1.
(b) Se
() e a matriz elementar obtida da matriz identidade, multiplicando-se a linha por ,

ent ao det(
()) = .
(c) Se
,
() e a matriz elementar obtida da matriz identidade, somando-se ` a linha , vezes a
linha , ent ao det(
,
()) = 1.
Lembramos tamb em que uma matriz e invertvel se, e somente se, ela e o produto de matrizes
elementares (Teorema 2.6 na p agina 84). Al em disso, o resultado da aplicac ao de uma operac ao
elementar em uma matriz e o mesmo que multiplicar a matriz ` a esquerda pela matriz elementar
correspondente.
Usando matrizes elementares podemos provar o Teorema 2.14 na p agina 121.
Demonstrac ao do Teorema 2.14.
(a) Queremos provar que det() = det() det(). Vamos dividir a demonstrac ao deste item em
tr es casos:
Caso 1: Se = e uma matriz elementar. Este caso segue-se diretamente da proposic ao anterior
e do Teorema 2.13 na p agina 117.
Caso 2: Se e invertvel, ent ao pelo Teorema 2.6 na p agina 84 ela e o produto de matrizes elemen-
tares, =
1
. . .
. Aplicando-se o caso anterior sucessivas vezes, obtemos

det() = det(
1
) . . . det(
) det() = det(
1
. . .
) det() = det() det().

Caso 3: Se e singular, pela Proposic ao 2.9 na p agina 95, tamb em e singular. Logo,
det() = 0 = 0 det() = det() det().
(b) Queremos provar que det() = det(
). Vamos dividir a demonstrac ao deste item em dois

casos.
Introduc ao ` a

Caso 1: Se e uma matriz invertvel, pelo Teorema 2.6 na p agina 84 ela e o produto de matrizes
elementares, =
1
. . .
.

E f acil ver que se e uma matriz elementar, ent ao det() = det(
)
(verique!). Assim,
det(
) = det(
) . . . det(
1
) = det(
) . . . det(
1
) = det(
1
. . .
) = det().
Caso 2: Se n ao e invertvel, ent ao
tamb em n ao o e, pois caso contr ario, pelo Teorema 2.2 na

p agina 79, tamb em = (
seria invertvel. Assim neste caso, det(
) = 0 = det().
2.2.3 Matriz Adjunta e Invers ao (opcional)
Vamos denir a adjunta de uma matriz quadrada e em seguida enunciar e provar um teorema
sobre a adjunta que permite provar v arios resultados sobre matrizes, entre eles um que fornece uma
f ormula para a inversa de uma matriz e tamb em a regra de Cramer. Tanto a adjunta quanto os
resultados que vem a seguir s ao de import ancia te orica.
Denic ao 2.3. Seja uma matriz . Denimos a matriz adjunta (cl assica) de , denotada por
adj(), como a transposta da matriz formada pelos cofatores de , ou seja,
adj() =

11

12
. . .
1

21

22
. . .
2
.
.
. . . .
.
.
.

1

2
. . .

11

21
. . .
1

12

22
. . .
2
.
.
. . . .
.
.
.

1

2
. . .
,
em que,
= (1)
+
det(

, para , = 1, . . . , .
Introduc ao ` a

Exemplo 2.19. Seja
=
1 2 3
0 3 2
0 0 2
.
Vamos calcular a adjunta de .
11
= (1)
1+1
det
_
3 2
0 2
_
= 6,

12
= (1)
1+2
det
_
0 2
0 2
_
= 0,
13
= (1)
1+3
det
_
0 3
0 0
_
= 0,

21
= (1)
2+1
det
_
2 3
0 2
_
= 4,
22
= (1)
2+2
det
_
1 3
0 2
_
= 2,

23
= (1)
2+3
det
_
1 2
0 0
_
= 0,
31
= (1)
3+1
det
_
2 3
3 2
_
= 5,

32
= (1)
3+2
det
_
1 3
0 2
_
= 2,
33
= (1)
3+3
det
_
1 2
0 3
_
= 3,
Assim, a adjunta de e
adj() =
6 0 0
4 2 0
5 2 3
6 4 5
0 2 2
0 0 3
Na denic ao do determinante s ao multiplicados os elementos de uma linha pelos cofatores da

mesma linha. O teorema seguinte diz o que acontece se somamos os produtos dos elementos de
uma linha com os cofatores de outra linha ou se somamos os produtos dos elementos de uma coluna
com os cofatores de outra coluna.
Lema 2.17. Se e uma matriz , ent ao
1

1
+
2

2
+. . . +
= 0 se = ; (2.10)
1

1
+
2

2
+ . . . +
= 0 se = ; (2.11)
em que,
= (1)
+
det(

, para , = 1, . . . , .
Demonstrac ao. Para demonstrar a equac ao (2.10), denimos a matriz
como sendo a matriz

obtida de substituindo a - esima linha de por sua - esima linha, ou seja,
=
1
.
.
.
.
.
.
.
.
.
1
.
.
.
.
.
.
.
.
.
.
Assim,
possui duas linhas iguais e pelo Corol ario 2.12 na p agina 117, det(
) = 0. Mas, o
determinante de
desenvolvido segundo a sua - esima linha e exatamente a equac ao (2.10).

A demonstrac ao de (2.11) e feita de forma an aloga, mas usando o item (d) do Teorema 2.13, ou seja,
que det() = det(
).
Introduc ao ` a

Teorema 2.18. Se e uma matriz , ent ao
(adj()) = (adj()) = det()
Demonstrac ao. O produto da matriz pela matriz adjunta de e dada por
11

12
. . .
1
.
.
. . . .
.
.
.
1

2
. . .
.
.
. . . .
.
.
.
1

2
. . .

11

12
.
.
.

1
. . .
. . .
. . .
. . .

1

2
.
.
.

. . .
. . .
. . .
. . .

1

2
.
.
.

O elemento de posic ao , de adj() e

( adj())
=1
=
1

1
+
2

2
+ . . .
.
Pelo Lema 2.17, equac ao (2.10) e do Teorema 2.11 na p agina 116 segue-se que
( adj())
=
_
det() se =
0 se = .
Assim,
adj() =
det() 0 . . . 0
0 det() . . . 0
.
.
. . . .
.
.
.
0 0 . . . det()
= det()
.
Analogamente, usando Lema 2.17, equac ao (2.11), se prova que adj() = det()
.
Exemplo 2.20. Vamos mostrar que se uma matriz e singular, ent ao adj() tamb em e singular.
Vamos separar em dois casos.
(a) Se =

0, ent ao adj() tamb em e a matriz nula, que e singular.
(b) Se =

0, ent ao pelo Teorema 2.18 na p agina 133, adj() =

0. Mas, ent ao, se adj() fosse
invertvel, ent ao seria igual ` a matriz nula (por que?), que estamos assumindo n ao ser este o
caso. Portanto, adj() tem que ser singular.
Corol ario 2.19. Seja uma matriz . Se det() = 0, ent ao
1
=
1
det()
adj() ;
Introduc ao ` a

Demonstrac ao. Se det() = 0, ent ao denindo =
1
det()
adj(), pelo Teorema 2.18 temos que
= (
1
det()
adj()) =
1
det()
( adj()) =
1
det()
det()
.
Aqui, usamos a propriedade (j) do Teorema 1.1 na p agina 10. Portanto, e invertvel e e a inversa
de .
Exemplo 2.21. No Exemplo 2.17 na p agina 126 mostramos como obter rapidamente a inversa de ma
matriz 2 2. Usando o Corol ario 2.19 podemos tamb em obter a inversa de uma matriz 2 2,
=
_

_
,
1
=
1
det()
adj() =
1
det()
_

_
, se det() = 0
Ou seja, a inversa de uma matriz 2 2 e facilmente obtida trocando-se a posic ao dos elementos da
diagonal principal, trocando-se o sinal dos outros elementos e dividindo-se todos os elementos pelo
determinante de .
Exemplo 2.22. Vamos calcular a inversa da matriz
=
1 2 3
0 3 2
0 0 2
.
A sua adjunta foi calculada no Exemplo 2.19 na p agina 131. Assim,
1
=
1
det()
adj() =
1
6
6 4 5
0 2 2
0 0 3
1
2
3
5
6
0
1
3
1
3
0 0
1
2
.
Corol ario 2.20 (Regra de Cramer). Se o sistema linear = e tal que a matriz e e
invertvel, ent ao a soluc ao do sistema e dada por
1
=
det(
1
)
det()
,
2
=
det(
2
)
det()
, . . . ,
=
det(
)
det()
,
em que
e a matriz que se obtem de substituindo-se a sua - esima coluna por , para =

1, . . . , .
Introduc ao ` a

Demonstrac ao. Como e invertvel, pelo Corol ario 2.19
=
1
=
1
det()
adj().
A entrada
e dada por
=
1
det()
(
1
1
+ . . . +
) =
det(
)
det()
,
em que
e a matriz que se obt em de substituindo-se a sua - esima coluna por , para =

1, . . . , e det(
) foi calculado fazendo o desenvolvimento emcofatores emrelac ao a - esima coluna

de
.
Se a matriz n ao e invertvel, ent ao a regra de Cramer n ao pode ser aplicada. Pode ocorrer que
det() = det(
) = 0, para = 1, . . . , e o sistema n ao tenha soluc ao (verique!). A regra de

Cramer tem um valor te orico, por fornecer uma f ormula para a soluc ao de um sistema linear, quando
a matriz do sistema e quadrada e invertvel.
Existem sistemas = de equac oes e inc ognitas, com > 2, em que det() =
det(
1
) = = det(
) = 0 e o sistema n ao tem soluc ao. Por exemplo o sistema
+ 2 + 3 = 1
2 + 4 + 6 = 3
3 + 6 + 9 = 2
e tal que
det() = det(
1
) = det(
2
) = det(
3
) = 0,
mas ele n ao tem soluc ao (verique!).
2.2.1. Se det() = 3, encontre
(a) det(
2
); (b) det(
3
); (c) det(
1
); (d) det(
);
2.2.2. Se e s ao matrizes tais que det() = 2 e det() = 3, calcule det(
1
).
2.2.3. Seja = (
)
33
tal que det() = 3. Calcule o determinante das matrizes a seguir:
(a)
11

12

13
+
12
21

22

23
+
22
31

32

33
+
32
(b)
11
+
12

11
12

13
21
+
22

21
22

23
31
+
32

31
32

33
2.2.4. Calcule o determinante das matrizes a seguir:

(a)
_

(1 + )
_
(b)
_
cos sen
cos sen sen + cos
_
2.2.5. Calcule o determinante de cada uma das matrizes seguintes usando operac oes elementares
para transform a-las em matrizes triangulares superiores.
(a)
1 2 3 1
5 9 6 3
1 2 6 2
2 8 6 1
(b)
2 1 3 1
1 0 1 1
0 2 1 0
0 1 2 3
.
2.2.6. Determine todos os valores de para os quais det(
) = 0, em que
Introduc ao ` a

(a) =
0 1 2
0 0 3
0 0 0
(b) =
1 0 0
1 3 0
3 2 2
(c) =
2 2 3
0 3 2
0 1 2
(d) =
2 2 3
1 2 1
2 2 1
2.2.7. Determine os valores de tais que existe =
1
.
.
.
=

0 que satisfaz = .
(a) =
2 0 0
3 1 0
0 4 3
; (b) =
2 3 0
0 1 0
0 0 2
;
(c) =
1 2 3 4
0 1 3 2
0 0 3 3
0 0 0 2
; (d) =
2 2 3 4
0 2 3 2
0 0 1 1
0 0 0 1
.
2.2.8. Para as matrizes do exerccio anterior, e os valores de encontrados, encontre a soluc ao geral
do sistema = , ou equivalentemente, do sistema homog eneo (
) =

0.
Comandos do MATLAB
:
>> det(A) calcula o determinante da matriz A.
Comando do pacote GAAL:
>> detopelp(A) calcula o determinante de A aplicando operac oes elementares at e que a
matriz esteja na forma triangular superior.
2.2.9. Vamos fazer um experimento no MATLAB
para tentar ter uma id eia do qu ao comum e encontrar

matrizes invertveis. No prompt do MATLAB
digite a seguinte linha:

>> c=0; for n=1:1000,A=randi(2);if(det(A)=0),c=c+1;end,end,c
(n ao esqueca das vrgulas e pontos e vrgulas!). O que esta linha est a mandando o MATLAB
fazer e o seguinte:
Criar um contador c e atribuir a ele o valor zero.
Atribuir ` a vari avel A, 1000 matrizes 2 2 com entradas inteiras aleat orias entre 5 e 5.
Se det(A) = 0, ent ao o contador c e acrescido de 1.
No nal o valor existente na vari avel c e escrito.
2.2.10. Resolva, com o MATLAB
, os Exerccios Num ericos a partir do Exerccio 4.

Exerccios Te oricos
Introduc ao ` a

2.2.11. Mostre que se det() = 0, ent ao ou e singular ou e singular.
2.2.12. O determinante de e igual ao determinante de ? Justique.
2.2.13. Mostre que se e uma matriz n ao singular tal que
2
= , ent ao det() = 1.
2.2.14. Mostre que se
=

0, para algum inteiro positivo, ent ao e singular.
=
1
, ent ao det() = 1;
2.2.16. Mostre que se e um escalar e e uma matriz , ent ao det() =
det().
2.2.17. Mostre que , , e invertvel se, e somente se,
e invertvel.
2.2.18. Sejam e matrizes , sendo invertvel. Mostre que det(
1
) = det().
2.2.19. Mostre que se uma matriz = (
e triangular superior, (isto e, os elementos situados

abaixo da diagonal s ao iguais a zero) ent ao det() =
11
22
. . .
.
2.2.20. (a) Mostre que se =
_

_
, ent ao det() = 0 se, e somente se, uma linha e m ultiplo
escalar da outra. E se for uma matriz ?
(b) Mostre que se uma linha
de uma matriz = (
, e tal que
, para
e escalares e = , , ent ao det() = 0.
(c) Mostre que se uma linha
de uma matriz = (
, e tal que
, para
1
, . . . ,
escalares, ent ao det() = 0.

2.2.21. Mostre que o determinante de Vandermonde e dado por
= det
1
1

2
1
. . .
1
1
1
2

2
2
. . .
1
2
.
.
.
.
.
.
.
.
.
1
. . .
1
>
(
).
A express ao ` a direita signica o produto de todos os termos
tais que > e , =

1, . . . , . (Sugest ao: Mostre primeiro que
3
= (
3

2
)(
2

1
)(
3

1
). Suponha que o
resultado e verdadeiro para matrizes de Vandermonde de ordem 1, mostre que o resultado
e verdadeiro para matrizes de Vandermonde de ordem . Faca as seguintes operac oes nas
colunas da matriz,
1
1
+
, para = , . . . , 2. Obtenha
= (

1
) . . . (
2
1
)
1
.)
2.2.22. Sejam , e matrizes , ( ) e ( ) ( ), respectivamente. Mostre que
det
_

0
_
= det() det().
(Sugest ao: O resultado e claramente verdadeiro para = 2. Suponha que o resultado seja
verdadeiro para matrizes de ordem 1. Desenvolva o determinante da matriz em termos da
1
a
.
coluna, escreva o resultado em termos de determinantes de ordem 1 e mostre que o
resultado e verdadeiro para matrizes de ordem .)
2.2.23. Dado um polin omio
() = (1)
+
1
1
+ +
0
)
Introduc ao ` a

Verique que a matriz
=
0 1 0 0
0 0 1 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0 0 1
0

1

2

1
,
e tal que det(
) = (). Esta matriz e chamada matriz companheira do polin omio

(). (Sugest ao: verique para = 2 e depois supondo que seja verdade para matrizes
( 1) ( 1) mostre que e verdade para matrizes expandindo em cofatores em
relac ao a primeira coluna)
Ap endice II: Demonstrac ao do Teorema 2.11 na p agina 116
Demonstrac ao do Teorema 2.10 na p agina 113 para > 1. Deixamos como exerccio para o leitor
a vericac ao de que para matrizes 2 2 o resultado e verdadeiro. Supondo que o resultado seja
verdadeiro para matrizes ( 1) ( 1), vamos provar para matrizes . Sejam
=
1
.
.
.
1
+
+1
.
.
.
, =
1
.
.
.
+1
.
.
.
e =
1
.
.
.
+1
.
.
.
.
Suponha que = 2, . . . , . As matrizes

1
,

1
e

1
s o diferem na ( 1)- esima linha (lembre-se
que a primeira linha e retirada!). Al em disso, a ( 1)- esima linha de

1
e igual a vezes a linha
correspondente de

1
mais vezes a linha correspondente de

1
(esta e a relac ao que vale para a
- esima linha de ). Como estamos supondo o resultado verdadeiro para matrizes (1) (1),
Introduc ao ` a

ent ao det(

1
) = det(

1
) + det(

1
). Assim,
det() =
=1
(1)
1+
1
det(

1
)
=
=1
(1)
1+
1
_
det(

1
) + det(

1
)
_
=
=1
(1)
1+
1
det(

1
) +
=1
(1)
1+
1
det(

1
)
= det() + det(),
pois
1
=
1
=
1
, para = 1, . . . , .
Lema 2.21. Sejam
1
= [ 1 0 . . . 0 ],
2
= [ 0 1 0 . . . 0 ], . . . ,
= [ 0 . . . 0 1 ]. Se e uma matriz
, cuja - esima linha e igual a
, para algum (1 ), ent ao

det() = (1)
+
det(

).
Demonstrac ao.

E f acil ver que para matrizes 2 2 o lema e verdadeiro. Suponha que ele seja
verdadeiro para matrizes (1) (1) e vamos provar que ele e verdadeiro para matrizes .
Podemos supor que 1 < .
Seja
a matriz ( 2) ( 2) obtida de eliminando-se as linhas 1 e e as colunas e ,

para 1 .
Para < , a matriz

1
e uma matriz ( 1) ( 1) cuja ( 1)- esima linha e igual a
1
.
Para > , a matriz

1
e uma matriz ( 1) ( 1) cuja ( 1)- esima linha e igual a
. Como
estamos supondo o lema verdadeiro para estas matrizes e como pelo Teorema 2.10 na p agina 113 se
uma matriz tem uma linha nula o seu determinante e igual a zero, ent ao det(

1
) = 0, segue-se que
det(

1
) =
(1)
(1)+(1)
det(
) se < ,
0 se = ,
(1)
(1)+
det(
) se > .
(2.12)
Usando (2.12), obtemos
det() =
=1
(1)
1+
1
det(

)
=
<
(1)
1+
1
(1)
(1)+(1)
det(
) +
>
(1)
1+
1
(1)
(1)+
det(
)
Por outro lado, temos que
(1)
+
det(

) = (1)
+
_

<
(1)
1+
1
det(
) +
>
(1)
1+(1)
1
det(
)
_
E simples a vericac ao de que as duas express oes acima s ao iguais.

Introduc ao ` a

Demonstrac ao do Teorema 2.11 na p agina 116.
Pelo Teorema 2.14 na p agina 121 basta provarmos o resultado para o desenvolvimento em termos
das linhas de . Sejam
1
= [1 0 . . . 0],
2
= [0 1 0 . . . 0], . . . ,
= [0 . . . 0 1]. Observe que a

linha de pode ser escrita como
=1
. Seja
a matriz obtida de substituindo-se a

linha por
. Pelo Teorema 2.10 na p agina 113 e o Lema 2.21 segue-se que

det() =
=1
det(
) =
=1
(1)
+
det(

).

2.3 Matrizes Particionadas em Blocos (opcional)
2.3.1 Operac oes Matriciais em Blocos
As matrizes podem ser subdivididas em blocos, por exemplo a matriz
=
5 4 3 4 4
3 3 1 2 4
1 0 1 3 1
0 5 3 1 4
pode ser dividida em quatro submatrizes,

11
,
12
,
21
e
22
,
=
_

11

12
21

22
_
=
5 4 3 4 4
3 3 1 2 4
1 0 1 3 1
0 5 3 1 4
.
Dependendo das subdivis oes feitas, as matrizes podem ser operadas em termos dos seus blocos.
Com relac ao ` a soma, duas matrizes podem ser somadas por blocos se os blocos correspondentes
nas matrizes forem do mesmo tamanho, ou seja, se os blocos correspondentes podem ser somados.
Vamos analisar a seguir quando podemos fazer o produto de matrizes em termos dos seus blocos.
Seja uma matriz e uma matriz . Podemos particionar e em blocos e
expressar o produto em termos de submatrizes de e . Considere os seguintes casos:
Caso 1:
Introduc ao ` a

2.3 Matrizes Particionadas em Blocos 149
Se = [
1

2
], em que
1
e uma matriz e
2
e uma matriz ( ), ent ao
= [
1

2
] = [
1

2
].
Caso 2:
Se =
_

1
2
_
, em que
1
e uma matriz e
2
e uma matriz () , ent ao
=
_

1
2
_
=
_

1
_
.
Caso 3:
Se = [
1

2
], em que
1
e uma matriz e
2
e uma matriz ( ) e =
_

1
2
_
,
em que
1
e uma matriz e
2
e uma matriz ( ) , ent ao
[]
=1
=1
=+1
= [
1
1
]
+ [
2
2
]
.
Portanto,
= [
1

2
]
_

1
2
_
=
1
1
+
2
2
.
Caso 4:
Sejam as matrizes e particionadas em blocos como segue:
=
_

11

12
21

22
_

, =
_

11

12
21

22
_

Sejam
1
=
_

11
21
_
,
2
=
_

12
22
_
,
1
= [
11

12
] e
2
= [
21

22
].
Segue do Caso 3 que
= [
1

2
]
_

1
2
_
=
1
1
+
2
2
.
Agora, segue-se dos Casos 1 e 2, que
1
=
_

11
21
_
1
=
_

11
21
1
_
=
_

11
11

11
12
21
11

21
12
_
2
=
_

12
22
_
2
=
_

12
22
2
_
=
_

12
21

12
22
22
21

22
22
_
.
Portanto,
=
_

11

12
21

22
_ _

11

12
21

22
_
=
_

11
11
+
12
21

11
12
+
12
22
21
11
+
22
21

21
12
+
22
22
_
.
Observe que para que seja possvel fazer o produto por blocos e necess ario que o n umero de
colunas dos blocos da primeira matriz seja igual ao n umero de linhas dos blocos correspondentes da
Introduc ao ` a

segunda matriz. O que zemos acima pode ser generalizado para um n umero qualquer de blocos.
Se os blocos possuem os tamanhos adequados, a multiplicac ao por blocos pode ser feita da mesma
forma como e feita a multiplicac ao usual de matrizes.
Exemplo 2.23. Sejam
=
0 0 1 0
0 0 0 1
1 0 0 0
0 1 0 0
e =
2 1
3 4
5 0
2 1
.
Usando o particionamento das matrizes em blocos e mais simples fazer o produto .
=
0
2
_
2
3
_
+
2
_
5
2
_

0
2
_
1
4
_
+
2
_
0
1
_
2
_
2
3
_
+

0
2
_
5
2
_

2
_
1
4
_
+

0
2
_
0
1
_
5 0
2 1
2 1
3 4
.
2.3.2 Inversa de Matrizes em Blocos
Proposic ao 2.22. Sejam e matrizes e ( ) ( ), respectivamente. A matriz
=
_

0
0
_
e invertvel se, e somente se, e s ao invertveis. No caso em que e invertvel, ent ao
1
=
_

1

0
0
1
_
(2.13)
Demonstrac ao. Se e s ao invertveis e f acil vericar que a matriz dada em (2.13) e a inversa de
.
Reciprocamente, suponha que e invertvel. Seja =
1
. Vamos particionar a matriz da
mesma maneira que , ou seja,
=
_

_
.
Como = =
, ent ao
_

0
0
_ _

_
=
_

_
=
_

_ _

0
0
_
.
De em que segue-se que, =
= e assim e invertvel. Al em disso, =
= e
portanto e invertvel.
2.3.3 Determinante de Matrizes em Blocos
Proposic ao 2.23. Sejam , e matrizes , () e () (), respectivamente.
Seja =
_

0
_
. Ent ao,
det() = det
_

0
_
= det() det().
Introduc ao ` a

Demonstrac ao. O resultado e claramente verdadeiro para = 4. Supondo que o resultado seja
verdadeiro para matrizes ( 1) ( 1), vamos provar para matrizes . Expandindo o
determinante em termos da 1
a
.
coluna da matriz
=
_

0
_
,
obtemos
det() =
=1
(1)
+1
1
det(

1
)
Como estamos supondo o resultado verdadeiro para matrizes ( 1) ( 1), ent ao
det() =
=1
(1)
+1
1
(det(

1
) det())
=
_

=1
(1)
+1
1
det(

1
)
_
det() = det() det().
Exerccios Num ericos

2.3.1. Sejam
=
_
0 1
1 0
_
, =
_
1 0
1 1
_
e =
_

11

12
21

22
_
=
1 1 1 1
1 2 1 1
3 1 1 1
3 2 1 2
Realize os seguintes produtos em blocos:

(a)
_

0
2

2
2

0
2
_ _

11

12
21

22
_
; (b)
_

0
2
0
2

2
_ _

11

12
21

22
_
;
(c)
_

2

0
2

2
_ _

11

12
21

22
_
; (d)
_

2

0
2

2
_ _

11

12
21

22
_
.
Exerccios Te oricos
2.3.2. Seja uma matriz invertvel . Faca os seguintes produtos:
(a)
1
_

(b)
_

(c)
_

(d)
_

1
(e)
_

1
_
_

.
2.3.3. Seja uma matriz , e suponha que =
, em que e uma matriz e e

uma matriz . Escreva = [
1
. . .
] e = [
1
. . .
]. Escreva como uma soma

de matrizes denidas em termos das colunas de e de .
Introduc ao ` a

2.3.4. Sejam , e matrizes , ( ) e ( ) ( ), respectivamente. Mostre que
a matriz
=
_

0
_
e invertvel se, e somente se, e s ao invertveis. No caso em que e invertvel, ent ao
1
=
_

1
0
1
_
(Sugest ao: mostre que
_

0
_ _

1
0
1
_
=
_

_
.)
2.3.5. Sejam , e matrizes , ( ) e ( ) ( ), respectivamente. Seja
=
_

_
,
em que e invertvel. Mostre que pode ser fatorada no produto
=
_

_ _

_
,
em que

=
1
e

=
1
.
(Sugest ao: faca o produto e verique que e igual a .)
2.3.6. Sejam , , e matrizes , com invertvel. Seja
=
_

_
.
(a) Mostre que
det() = det(
1
).
(Sugest ao: use a Proposic ao 2.23 na p agina 152 e o exerccio anterior.)
(b) Se = , mostre que
det() = det( )
(c) Em [23] Exerccio 7.77 na p agina 396 e pedido para provar que se = , ent ao
det() = det() det() det() det().
Mostre que este resultado e falso. Sugest ao: use o item anterior, tome = e ,
tais que det( ) = det() det().
Introduc ao ` a

Teste do Captulo
1. Calcule o determinante da matriz seguinte usando operac oes elementares para transform a-la
em uma matriz triangular superior.
1 3 9 7
2 3 2 5
0 3 4 1
4 6 9 1
2. Se possvel, encontre a inversa da seguinte matriz:
1 0 0 2
0 1 0 0
0 0 1 0
2 0 0 2
3. Encontre todos os valores de para os quais a matriz

4
tem inversa, em que
=
2 0 0 0
2 0 0 0
1 2 1 0
3 2 1 2

4. Responda Verdadeiro ou Falso, justicando:
(a) Se
2
= 2
4
, ent ao ( +
2
)
1
= 2
2
;
(b) Se
=
2
e e n ao singular, ent ao determinante de e -1;
(c) Se =
1
, ent ao det() = det().
(d) det( + ) = det + det
Introduc ao ` a

Captulo 3
Espac os
3.1 Vetores no Plano e no Espac o

Muitas grandezas fsicas, como velocidade, forca, deslocamento e impulso, para serem comple-
tamente identicadas, precisam, al em da magnitude, da direc ao e do sentido. Estas grandezas s ao
chamadas grandezas vetoriais ou simplesmente vetores.
Geometricamente, vetores s ao representados por segmentos (de retas) orientados (segmentos
de retas com um sentido de percurso) no plano ou no espaco. A ponta da seta do segmento orientado
e chamada ponto nal ou extremidade e o outro ponto extremo e chamado de ponto inicial ou
origem do segmento orientado. A direc ao e o sentido do segmento orientado identica a direc ao e o
sentido do vetor. O comprimento do segmento orientado representa a magnitude do vetor.
159
160 Espac os
Figura 3.1: Segmentos orientados representando o mesmo vetor

Introduc ao ` a

3.1 Vetores no Plano e no Espac o 161
Um vetor poder ser representado por v arios segmentos orientados. Este fato e an alogo ao que
ocorre com os n umeros racionais e as frac oes. Duas frac oes representam o mesmo n umero racional
se o numerador e o denominador de cada uma delas estiverem na mesma proporc ao. Por exemplo, as
frac oes 1/2, 2/4 e 3/6 representam o mesmo n umero racional. De forma an aloga, dizemos que dois
segmentos orientados representam o mesmo vetor se possuem o mesmo comprimento, a mesma
direc ao e o mesmo sentido. A denic ao de igualdade de vetores tamb em e an aloga a igualdade de
n umeros racionais. Dois n umeros racionais / e / s ao iguais, quando = . Analogamente,
dizemos que dois vetores s ao iguais se eles possuem o mesmo comprimento, a mesma direc ao e o
mesmo sentido.
Na Figura 3.1 temos 4 segmentos orientados, com origens em pontos diferentes, que representam
o mesmo vetor, ou seja, s ao considerados como vetores iguais, pois possuem a mesma direc ao,
mesmo sentido e o mesmo comprimento.
Se o ponto inicial de um representante de um vetor e e o ponto nal e , ent ao escrevemos
=
3.1.1 Soma de Vetores e Multiplicac ao por Escalar

A soma, + , de dois vetores e e determinada da seguinte forma:
tome um segmento orientado que representa ;
tome um segmento orientado que representa , com origem na extremidade de ;
o vetor + e representado pelo segmento orientado que vai da origem de at e a extremi-
dade de .
162 Espac os
Figura 3.2: + = +
+
(
)
(
)
+
Figura 3.3: + ( + ) = ( + ) +
Introduc ao ` a

Da Figura 3.2, deduzimos que a soma de vetores e comutativa, ou seja,
+ = + , (3.1)
para quaisquer vetores e . Observamos tamb em que a soma + est a na diagonal do
paralelogramo determinado por e , quando est ao representados com a mesma origem.
Da Figura 3.3, deduzimos que a soma de vetores e associativa, ou seja,
+ ( + ) = ( +) + , (3.2)
para quaisquer vetores , e .
O vetor que tem a sua origem coincidindo com a sua extremidade e chamado vetor nulo e deno-
tado por

0. Segue ent ao, que
+

0 =

0 + = , (3.3)
para todo vetor .
Para qualquer vetor , o sim etrico de , denotado por , e o vetor que tem mesmo compri-
mento, mesma direc ao e sentido contr ario ao de . Segue ent ao, que
+ ( ) =

0. (3.4)
Denimos a diferenc a menos , por
= + ( ).
Segue desta denic ao, de (3.1), (3.2), (3.4) e de (3.3) que
+ ( ) = ( ) + = + ( + ) = +

0 = .
164 Espac os
Assim, a diferenca e um vetor que somado a d a , portanto ele vai da extremidade de

at e a extremidade de , desde que e estejam representados por segmentos orientados com a
mesma origem.
A multiplicac ao de um vetor por um escalar , , e determinada pelo vetor que possui as
seguintes caractersticas:
(a) e o vetor nulo, se = 0 ou =

0,
(b) caso contr ario,
i. tem comprimento vezes o comprimento de ,
ii. a direc ao e a mesma de (neste caso, dizemos que eles s ao paralelos),
iii. tem o mesmo sentido de , se > 0 e
tem o sentido contr ario ao de , se < 0.
As propriedades da multiplicac ao por escalar ser ao apresentadas mais a frente. Se = ,
dizemos que e um m ultiplo escalar de .

E f acil ver que dois vetores n ao nulos s ao paralelos
(ou colineares) se, e somente se, um e um m ultiplo escalar do outro.
As operac oes com vetores podem ser denidas utilizando um sistema de coordenadas retangu-
lares. Em primeiro lugar, vamos considerar os vetores no plano.
Seja um vetor no plano. Denimos as componentes de como sendo as coordenadas (
1
,
2
)
do ponto nal do representante de que tem ponto inicial na origem. Escrevemos simplesmente
= (
1
,
2
).
Assim, as coordenadas de um ponto s ao iguais as componentes do vetor
, que vai da
origem do sistema de coordenadas ao ponto . Em particular, o vetor nulo,

0 = (0, 0). Em termos
Introduc ao ` a


Figura 3.4: A diferenca
2
3
1
2
Figura 3.5: Multiplicac ao de vetor por escalar

166 Espac os
x
y
= (
1
,
2
)

1
Figura 3.6: As componentes do vetor no
plano
x
y
= (, )

Figura 3.7: As coordenadas de s ao
iguais as componentes de
Introduc ao ` a

das componentes, podemos realizar facilmente as operac oes: soma de vetores e multiplicac ao de
vetor por escalar.
Como ilustrado na Figura 3.8, a soma de dois vetores = (
1
,
2
) e = (
1
,
2
) e dada por
+ = (
1
+
1
,
2
+
2
);
Como ilustrado na Figura 3.9, a multiplicac ao de um vetor = (
1
,
2
) por um escalar e
dada por
= (
1
,
2
).
Denimos as componentes de um vetor no espac o de forma an aloga a que zemos com vetores
no plano. Vamos inicialmente introduzir um sistema de coordenadas retangulares no espaco. Para
isto, escolhemos um ponto como origem e como eixos coordenados, tr es retas orientadas (com
sentido de percurso denido), passando pela origem, perpendiculares entre si. Estes ser ao os eixos
, e . O eixo e o eixo vertical. Os eixos e s ao horizontais e satisfazem a seguinte propriedade.
Suponha que giramos o eixo pelo menor angulo at e que coincida com o eixo . Se os dedos da
m ao direita apontam na direc ao do semi-eixo positivo de forma que o semi-eixo positivo esteja do
lado da palma da m ao, ent ao o polegar aponta no sentido do semi-eixo positivo. Cada par de eixos
determina um plano chamado de plano coordenado. Portanto os tr es planos coordenados s ao: ,
e .
A cada ponto no espaco associamos um terno de n umeros (, , ), chamado de coordenadas
do ponto como segue.
168 Espac os
x
y
2
+
2
1

1

1
+
1
+
Figura 3.8: A soma de dois vetores no
plano
x
y
1

1
Figura 3.9: A multiplicac ao de vetor por es-

calar no plano
Introduc ao ` a

Passe tr es planos por paralelos aos planos coordenados.
A intersec ao do plano paralelo ao plano , passando por , com o eixo determina a coorde-
nada .
nada
nada .
Alternativamente, podemos encontrar as coordenadas de um ponto como segue.
Trace uma reta paralela ao eixo , passando por ;
A intersec ao da reta paralela ao eixo , passando por , com o plano e o ponto
. As
coordenadas de
, (, ), no sistema de coordenadas s ao as duas primeiras coordenadas

de .
A terceira coordenada e igual ao comprimento do segmento
, se estiver acima do plano

e ao comprimento do segmento
com o sinal negativo, se estiver abaixo do plano .

Agora, estamos prontos para utilizarmos um sistema de coordenadas cartesianas tamb em nas
operac oes de vetores no espaco. Seja um vetor no espaco. Como no caso de vetores do plano,
denimos as componentes de como sendo as coordenadas (
1
,
2
,
3
) do ponto nal do repre-
sentante de que tem ponto inicial na origem. Escrevemos simplesmente
= (
1
,
2
,
3
).
170 Espac os
Assim, as coordenadas de um ponto s ao iguais as componentes do vetor
que vai da
origem do sistema de coordenadas ao ponto . Em particular, o vetor nulo,

0 = (0, 0, 0). Assim como
zemos para vetores no plano, para vetores no espaco a soma de vetores e a multiplicac ao de vetor
por escalar podem ser realizadas em termos das componentes.
Se = (
1
,
2
,
3
) e = (
1
,
2
,
3
), ent ao a adic ao de com e dada por
+ = (
1
+
1
,
2
+
2
,
3
+
3
);
Se = (
1
,
2
,
3
) e e um escalar, ent ao a multiplicac ao de por e dada por
= (
1
,
2
,
3
).
Exemplo 3.1. Se = (1, 2, 3), = (2, 4, 1), ent ao
+ = (1 + 2, 2 + 4, 3 + (1)) = (3, 2, 2), 3 = (3 1, 3 (2), 3 3) = (3, 6, 9).
Quando umvetor est a representado por umsegmento orientado componto inicial fora da origem
(Figura 3.13), digamos em = (
1
,
1
,
1
), e ponto nal em = (
2
,
2
,
2
), ent ao as componentes
do vetor s ao dadas por
=
= (
2
1
,
2
1
,
2
1
).
Introduc ao ` a

Portanto, as componentes de s ao obtidas subtraindo-se as coordenadas do ponto (extremi-
dade) das do ponto (origem). O mesmo se aplica a vetores no plano.
Exemplo 3.2. As componentes do vetor que tem um representante com ponto inicial =
(5/2, 1, 2) e ponto nal = (0, 5/2, 5/2) s ao dadas por
=
= (0 5/2, 5/2 1, 5/2 2) = (5/2, 3/2, 1/2).

172 Espac os
Observac ao. O vetor e livre, ele n ao tem posic ao xa, ao contr ario do ponto e do segmento orien-
tado. Por exemplo, o vetor = (5/2, 3/2, 1/2), no exemplo acima, estava representado por um
segmento orientado com a origem no ponto = (5/2, 1, 2). Mas, poderia ser representado por um
segmento orientado cujo ponto inicial poderia estar em qualquer outro ponto.
Um vetor no espaco = (
1
,
2
,
3
) pode tamb em ser escrito na notac ao matricial como uma
matriz linha ou como uma matriz coluna:
=
ou =
_

1

2

3
.
Estas notac oes podem ser justicadas pelo fato de que as operac oes matriciais
+ =
1
+
1
2
+
2
3
+
3
, =
ou
+ =
_

1

2

3
+
_

1

2

3
=
_

1
+
1

2
+
2

3
+
3
,
=
_

1

2

3
=
_

1

2

3
produzem os mesmos resultados que as operac oes vetoriais

+ = (
1
,
2
,
3
) + (
1
,
2
,
3
) = (
1
+
1
,
2
+
2
,
3
+
3
),
= (
1
,
2
,
3
) = (
1
,
2
,
3
).
Introduc ao ` a

O mesmo vale, naturalmente, para vetores no plano.
No teorema seguinte enunciamos as propriedades mais importantes da soma de vetores e
multiplicac ao de vetores por escalar.
Teorema 3.1. Sejam , e vetores e e escalares. S ao v alidas as seguintes propriedades:
(a) + = + ;
(b) ( + ) + = + ( + );
(c) +

0 = ;
(d) + () =

0;
(e) () = ();
(f) ( + ) = + ;
(g) ( +) = + ;
(h) 1 = .
Demonstrac ao. Segue diretamente das propriedades da algebra matricial (Teorema 1.1 na p agina
10).
Exemplo 3.3. Vamos usar vetores e as suas propriedades para provar um resultado conhecido de
geometria plana. Seja um tri angulo e sejam e os pontos m edios de e , respecti-
vamente. Vamos provar que e paralelo a e tem comprimento igual a metade do comprimento
de .
Devemos provar que
=
1
2

174 Espac os
Agora, a partir da gura ao lado temos que
.
Como e ponto m edio de e e ponto m edio de , ent ao
=
1
2
=
1
2
.
Logo,
=
1
2
+
1
2
=
1
2
(
) =
1
2
.
Exemplo 3.4. Dados quatro pontos , , e tais que
, vamos escrever
como
uma soma de m ultiplos escalares de
, que e chamada combinac ao linear de
.
Como
, ent ao os vetores
s ao paralelos e portanto o ponto s o pode estar

na reta denida por e . Vamos desenh a-lo entre e , mas isto n ao vai representar nenhuma
restric ao.
O vetor que vai de para , pode ser
escrito como uma soma de um vetor que
vai de para com um vetor que vai de
para ,
Agora, por hip otese
, o que implica que
.
Mas,
, portanto
+(
). Logo,
= (1 )
.
Introduc ao ` a

Observe que para = 0,
, para = 1,
, para = 1/2,
=
1
2
+
1
2
,
para = 1/3,
=
2
3
+
1
3
.
Exemplo 3.5. Vamos mostrar, usando vetores, que o ponto m edio de umsegmento que une os pontos
= (
1
,
1
,
1
) e = (
2
,
2
,
2
) e =
_
1
+
2
2
,

1
+
2
2
,

1
+
2
2
_
.
O ponto e o ponto m edio de se, e somente se,
=
1
2
. Ent ao, aplicando o exemplo

anterior (com o ponto sendo a origem ),
=
1
2
+
1
2
. Como as coordenadas de
um ponto s ao iguais as componentes do vetor que vai da origem at e aquele ponto, segue-se que
=
1
2
(
1
,
1
,
1
) +
1
2
(
2
,
2
,
2
) e =
_
1
+
2
2
,

1
+
2
2
,

1
+
2
2
_
.
176 Espac os
x y
z
= (, , )

x y
z
= (, , )

Figura 3.10: As coordenadas de um ponto no espaco

Introduc ao ` a

x y
z
= (
1
,
2
,
3
)
3
Figura 3.11: As componentes de um vetor
no espaco
x y
z
= (, , )
Figura 3.12: As coordenadas de s ao

iguais as componentes de

178 Espac os
x y
z
Figura 3.13: =
Introduc ao ` a

3.1.2 Norma e Produto Escalar
J a vimos que o comprimento de um vetor e denido como sendo o comprimento de qualquer
um dos segmentos orientados que o representam. O comprimento do vetor tamb em e chamado de
norma de e e denotado(a) por . Segue do Teorema de Pit agoras que a norma de um vetor e
dada por
=
2
1
+
2
2
,
no caso em que = (
1
,
2
) e um vetor no plano, e por
=
2
1
+
2
2
+
2
3
,
no caso em que = (
1
,
2
,
3
) e um vetor no espaco (verique usando as Figuras 3.14 e 3.15).
Um vetor de norma igual a 1 e chamado vetor unit ario.
A dist ancia entre dois pontos = (
1
,
1
,
1
) e = (
2
,
2
,
2
) e igual ` a norma do vetor
(Figura 3.13 na p agina 178). Como
= (
2

1
,
2

1
,
2

1
), ent ao a dist ancia
de a e dada por
dist(, ) =
(
2
1
)
2
+ (
2
1
)
2
+ (
2
1
)
2
.
Analogamente, a dist ancia entre dois pontos = (
1
,
1
) e = (
2
,
2
) no plano e igual ` a
norma do vetor
, que e dada por

dist(, ) =
(
2
1
)
2
+ (
2
1
)
2
.
180 Espac os
x
y
= (
1
,
2
)
Figura 3.14: A norma de um vetor no

plano
x y
z
= (
1
,
2
,
3
)
2
1
Figura 3.15: A norma de um vetor no

espaco
Introduc ao ` a

Exemplo 3.6. A norma do vetor = (1, 2, 3) e
=
1
2
+ (2)
2
+ 3
2
=
14.
A dist ancia entre os pontos = (2, 3, 1) e = (1, 4, 5) e
dist(, ) =
= (1 2, 4 (3), 5 1) = (3, 7, 4) =
(3)
2
+ 7
2
+ 4
2
=
74.
Se = (
1
,
2
,
3
) e e um escalar, ent ao da denic ao da multiplicac ao de vetor por escalar e
da norma de um vetor segue-se que
= (
1
,
2
,
3
) =
(
1
)
2
+ (
2
)
2
+ (
3
)
2
=
2
(
2
1
+
2
2
+
2
3
),
ou seja,
= . (3.5)
Dado um vetor n ao nulo, o vetor
=
_
1

_
.
e um vetor unit ario na direc ao de , pois por (3.5), temos que
=
= 1.
182 Espac os
Exemplo 3.7. Um vetor unit ario na direc ao do vetor = (1, 2, 3) e o vetor

=
_
1

_
=
_
1
14
_
(1, 2, 3) = (
1
14
,
2
14
,
3
14
).
O angulo entre dois vetores n ao nulos, e , e denido pelo angulo determinado por e
que satisfaz 0 , quando eles est ao representados com a mesma origem.
Quando o angulo entre dois vetores e e reto ( = 90
o
), ou um deles e o vetor nulo, dizemos
que os vetores e s ao ortogonais ou perpendiculares entre si.
Vamos denir, agora, um produto entre dois vetores, cujo resultado e um escalar. Por isso ele e
chamado produto escalar. Este produto tem aplicac ao, por exemplo, em Fsica: o trabalho realizado
por uma forca e o produto escalar do vetor forca pelo vetor deslocamento, quando a forca aplicada e
constante.
Introduc ao ` a

Denic ao 3.1. O produto escalar ou interno de dois vetores e e denido por
=
_
0, se ou e o vetor nulo,
cos , caso contr ario,
em que e o angulo entre eles.
Quando os vetores s ao dados em termos das suas componentes n ao sabemos diretamente o
angulo entre eles. Por isso, precisamos de uma forma de calcular o produto escalar que n ao necessite
do angulo entre os vetores.
Se e s ao dois vetores n ao nulos e e o angulo entre eles, ent ao pela lei dos cossenos,

2
=
2
+
2
2 cos .
Assim,
= cos =
1
2
_

2
+
2

2
_
. (3.6)
J a temos ent ao uma f ormula para calcular o produto escalar que n ao depende diretamente do angulo
entre eles. Substituindo-se as coordenadas dos vetores em (3.6) obtemos uma express ao mais sim-
ples para o c alculo do produto interno.
Por exemplo, se = (
1
,
2
,
3
) e = (
1
,
2
,
3
) s ao vetores no espaco, ent ao substituindo-
se
2
=
2
1
+
2
2
+
2
3
,
2
=
2
1
+
2
2
+
2
3
e
2
= (
1
1
)
2
+(
2
2
)
2
+(
3
3
)
2
em (3.6) os termos
2
e
2
s ao cancelados e obtemos
=
1
1
+
2
2
+
3
3
.
184 Espac os
Figura 3.16:

Angulo entre dois vetores, agudo ( ` a esquerda) e obtuso ( ` a direita)

Figura 3.17: Tri angulo formado por representantes de , e .
`
A esquerda o angulo entre
e e agudo e ` a direita e obtuso.
Introduc ao ` a

Teorema 3.2. O produto escalar ou interno, , entre dois vetores e dado por
=
1
1
+
2
2
,
se = (
1
,
2
) e = (
1
,
2
) s ao vetores no plano e por
=
1
1
+
2
2
+
3
3
,
se = (
1
,
2
,
3
) e = (
1
,
2
,
3
) s ao vetores no espaco.
Exemplo 3.8. Sejam = (0, 1, 0) e = (2, 2, 3). O produto escalar de por e dado por
=
1
1
+
2
2
+
3
3
= 0 2 + 1 2 + 0 3 = 2 .
Podemos usar o Teorema 3.2 para determinar o angulo entre dois vetores n ao nulos, e . O
cosseno do angulo entre e e, ent ao, dado por
cos =

.
Se e s ao vetores n ao nulos e e o angulo entre eles, ent ao
(a) e agudo (0 < 90
o
) se, e somente se, > 0,
186 Espac os
(b) e reto ( = 90
o
) se, e somente se, = 0 e
(c) e obtuso (90
o
< 180
o
) se, e somente se, < 0.
Exemplo 3.9. Vamos determinar o angulo entre uma diagonal de um cubo e uma de suas arestas.
Sejam
1
= (1, 0, 0),
2
= (0, 1, 0) e
3
= (0, 0, 1) (Figura 3.18). Uma diagonal do cubo e represen-
tada pelo vetor dado por
=
1
+
2
+
3
= (1, 1, 1) .
Ent ao o angulo entre e
1
satisfaz
cos =

1
=
1.1 + 0.1 + 0.1
(
1
2
+ 1
2
+ 1
2
)(
1
2
+ 0
2
+ 0
2
)
=
1
3
ou seja,
= arccos(
1
3
) 54
o
.
Introduc ao ` a

x
y
z
(0, 0, 1)
(0, 1, 0)
(1, 0, 0)
(1, 1, 1)
Figura 3.18:

Angulo entre a diagonal de um cubo e uma de suas arestas
188 Espac os
Teorema 3.3. Sejam , e vetores e um escalar. S ao v alidas as seguintes propriedades:

(a) (comutatividade) = ;
(b) (distributividade) ( + ) = + ;
(c) (associatividade) ( ) = () = ( );
(d) =
2
0, para todo e = 0 se, e somente se, =

0.
Demonstrac ao. Sejam = (
1
,
2
,
3
), = (
1
,
2
,
3
) e = (
1
,
2
,
3
).
(a) =
1
1
+
2
2
+
3
3
=
1
1
+
2
2
+
3
3
= ;
(b) ( +) = (
1
,
2
,
3
)(
1
+
1
,
2
+
2
,
3
+
3
) =
1
(
1
+
1
)+
2
(
2
+
2
)+
3
(
3
+
3
) =
(
1
1
+
1
1
)+(
2
2
+
2
2
)+(
3
3
+
3
3
) = (
1
1
+
2
2
+
3
3
)+(
1
1
+
2
2
+
3
3
) =
+ ;
(c) ( ) = (
1
1
+
2
2
+
3
3
) = (
1
)
1
+ (
2
)
2
+ (
3
)
3
= () ;
(d) =
2
e uma soma de quadrados, por isso e sempre maior ou igual a zero e e zero se,
e somente se, todas as parcelas s ao iguais a zero.
Introduc ao ` a

Projec ao Ortogonal
Dados dois vetores e a projec ao ortogonal de sobre denotada por
proj

e o vetor que e paralelo a tal que proj
seja ortogonal a (Figura 3.19).

190 Espac os
Proposic ao 3.4. Seja um vetor n ao nulo. Ent ao, a projec ao ortogonal de um vetor em e
dada por
proj
=
_

2
_
.
Demonstrac ao. Sejam
1
= proj
e
2
= proj
. Como
1
e paralelo a , ent ao
1
= . (3.7)
Assim,
2
= .
Multiplicando-se escalarmente
2
por e usando o Teorema 3.3 (d) obtemos
2
= ( ) =
2
. (3.8)
Mas,
2
e ortogonal a , ent ao
2
= 0. Portanto, de (3.8) obtemos
=

2
.
Substituindo este valor de na equac ao (3.7) segue-se o resultado.
Exemplo 3.10. Sejam = (2, 1, 3) e = (4, 1, 2). Vamos encontrar dois vetores
1
e
2
tais
que =
1
+
2
,
1
e paralelo a e
2
e perpendicular a (Figura 3.19). Temos que
= 2 4 + (1)(1) + 3 2 = 15
Introduc ao ` a

2
= 4
2
+ (1)
2
+ 2
2
= 21 .
1
= proj
=
_
)
2
_
=
_
15
21
_
(4, 1, 2) = (
20
7
,
5
7
,
10
7
)
2
=
1
= (2, 1, 3) (
20
7
,
5
7
,
10
7
) = (
6
7
,
2
7
,
11
7
) .
192 Espac os

3.1.1. Determine o vetor , tal que 3 2 = 15( ).
3.1.2. Determine o vetor , tal que
_
6 2 =
3 + = +
3.1.3. Determine as coordenadas da extremidade do segmento orientado que representa o vetor =
(3, 0, 3), sabendo-se que sua origem est a no ponto = (2, 3, 5).
3.1.4. Quais s ao as coordenadas do ponto
, sim etrico do ponto = (1, 0, 3) em relac ao ao ponto

= (1, 2, 1)? (Sugest ao: o ponto
e tal que o vetor
)
3.1.5. Verique se os pontos dados a seguir s ao colineares, isto e, pertencem a uma mesma reta:
(a) = (5, 1, 3), = (0, 3, 4) e = (0, 3, 5);
(b) = (1, 1, 3), = (4, 2, 3) e = (14, 4, 15);
3.1.6. Dados os pontos = (1, 2, 3), = (5, 2, 1) e = (4, 0, 1). Determine o ponto
tal que , , e sejam v ertices consecutivos de um paralelogramo.
3.1.7. Verique se o vetor e combinac ao linear (soma de m ultiplos escalares) de e :
(a) = (9, 12, 6), = (1, 7, 1) e = (4, 6, 2);
(b) = (5, 4, 3), = (2, 1, 1) e = (3, 4, 1);
3.1.8. Sejam = (1, 2, 3) e = (2, 1, 2). Determine vetores unit arios paralelos aos vetores
(a) + ; (b) ; (c) 2 3.
Introduc ao ` a

3.1.9. Ache o vetor unit ario da bissetriz do angulo entre os vetores = (2, 2, 1) e = (6, 2, 3).
(Sugest ao: observe que a soma de dois vetores est a na direc ao da bissetriz se, e somente se,
os dois tiverem o mesmo comprimento. Portanto, tome m ultiplos escalares de e de forma
que eles tenham o mesmo comprimento e tome o vetor unit ario na direc ao da soma deles.)
3.1.10. Determine o valor de para o qual os vetores = (, 3, 4) e = (3, 1, 2) s ao perpendicula-
res.
3.1.11. Demonstre que n ao existe tal que os vetores = (, 2, 4) e = (, 2, 3) s ao perpendi-
culares.
3.1.12. Ache o angulo entre os seguintes pares de vetores:
(a) (2, 1, 0) e (0, 1, 1); (b) (1, 1, 1) e (0, 2, 2); (c) (3, 3, 0) e (2, 1, 2).
3.1.13. Decomponha = (1, 3, 2) como a soma de dois vetores
1
e
2
, com
1
paralelo ao
vetor (0, 1, 3) e
2
ortogonal a este ultimo. (Sugest ao: revise o Exemplo 3.10 na p agina 190)
3.1.14. Sabe-se que o vetor e ortogonal a (1, 1, 0) e a (1, 0, 1), tem norma
3 e sendo o angulo
entre e (0, 1, 0), tem-se cos > 0. Ache .
3.1.15. Mostre que = (3, 0, 2), = (4, 3, 0) e = (8, 1, 1) s ao v ertices de um tri angulo ret angulo.
Em qual dos v ertices est a o angulo reto?
Comandos do MATLAB
:
194 Espac os
>> V=[v1,v2,v3] cria um vetor V, usando as componentes num ericas v1, v2, v3. Por
exemplo >> V=[1,2,3] cria o vetor = (1, 2, 3);
>> V+W e a soma de V e W; >> V-W e a diferenca V menos W; >> num*V e o produto do vetor V
pelo escalar num;
>> subs(expr,x,num) substitui x por num na express ao expr;
>> solve(expr) determina a soluc ao da equac ao expr=0;
Comandos num ericos do pacote GAAL:
>> V=randi(1,3) cria um vetor aleat orio com componentes inteiras;
>> no(V) calcula a norma do vetor V.
>> pe(V,W) calcula o produto escalar do vetor V pelo vetor W.
Comandos gr acos do pacote GAAL:
>> desvet(P,V) desenha o vetor V com origem no ponto P e >> desvet(V) desenha o vetor
V com origem no ponto = (0, 0, 0).
>> po([P1;P2;...;Pn]) desenha os pontos P1, P2, ..., Pn.
>> lineseg(P1,P2,cor) desenha o segmento de reta P1P2.
>> eixos desenha os eixos coordenados.
>> box desenha uma caixa em volta da gura.
>> axiss reescala os eixos com a mesma escala.
>> rota faz uma rotac ao em torno do eixo .
Introduc ao ` a

>> zoom3(fator) amplica a regi ao pelo fator.
>> tex(P,texto) coloca o texto no ponto P.
3.1.16. Digite no prompt
demog21,
(sem a vrgula!). Esta func ao demonstra as func oes gr acas para vetores.
3.1.17. Coloque em duas vari aveis e dois vetores do plano ou do espaco a seu crit erio
(a) Use a func ao ilsvw(V,W) para visualizar a soma dos dois vetores.
(b) Coloque em uma vari avel a um n umero e use a func ao ilav(a,V) para visualizar a
multiplicac ao do vetor V pelo escalar a.
(c) Use a func ao ilpv(V,W) para visualizar o produto vetorial .
(d) Use a func ao ilproj(W,V) para visualizar a projec ao de em .
para resolver os Exerccios Num ericos a partir do Exerccio 1.3.

Exerccios Te oricos
3.1.19. Demonstre que o segmento que une os pontos m edios dos lados n ao paralelos de um trap ezio
e paralelo ` as bases, e sua medida e a m edia aritm etica das medidas das bases. (Sugest ao:
mostre que
=
1
2
(
) e depois conclua que
e um m ultiplo escalar de
.
Revise o Exemplo 3.3 na p agina 173)
196 Espac os

3.1.20. Demonstre que as diagonais de um paralelogramo se cortam ao meio. (Sugest ao: Sejam e
os pontos m edios das duas diagonais do paralelogramo. Mostre que o vetor
=

0, ent ao
conclua que = .)
3.1.21. Sejam , e pontos quaisquer com = . Prove que:
(a) Um ponto pertence a reta determinada por e (
) se, e somente se,
, com + = 1.
(b) Um ponto pertence ao interior do segmento (
, com 0 < < 1) se, e

somente se,
, com > 0, > 0 e + = 1.

(c) Um ponto e um ponto interior ao tri angulo (
, com 0 < < 1,

em que
e um ponto interior ao segmento e
e interior ao segmento ) se, e

somente se,
, com > 0, > 0 e + < 1.

Introduc ao ` a

A
B
C
3.1.22. Mostre que se =

0, ent ao = 0 ou =

0.
3.1.23. Se = , ent ao = ? E se = 0 ?
198 Espac os
3.1.24. Se = , ent ao = ? E se =

0 ?
3.1.25. Mostre que 2 = + .
3.1.26. Se = , ent ao = ?
3.1.27. Mostre que se e ortogonal a
1
e
2
, ent ao e ortogonal a
1
1
+
2
2
.
3.1.28. Demonstre que as diagonais de um losango s ao perpendiculares. (Sugest ao: mostre que
= 0, usando o fato de que
.)
3.1.29. Demonstre que, se e s ao vetores quaisquer, ent ao:
(a) =
1
4
_
+
2

2
_
;
(b)
2
+
2
=
1
2
_
+
2
+
2
_
.
(Sugest ao: desenvolva os segundos membros das igualdades acima observando que
+
2
= ( + ) ( + ) e
2
= ( ) ( ))
3.1.30. Demonstre que se e s ao vetores quaisquer, ent ao:
(a) ;
(b) + +;
(Sugest ao: mostre que +
2
= ( + ) ( + ) ( +)
2
, usando o
item anterior)
Introduc ao ` a

(c)
.
(Sugest ao: dena = e aplique o item anterior a e )
3.1.31. Sejam
1
,
2
e
3
tr es vetores unit arios mutuamente ortogonais. Se = [
1

2

3
] e
uma matriz 3 3 cujas colunas s ao os vetores
1
,
2
e
3
, ent ao e invertvel e
1
=
.
(Sugest ao: mostre que
=
3
.)
200 Espac os
p
r
o
j
proj
p
r
o
j
proj

Figura 3.19: Projec ao ortogonal do vetor sobre o vetor
Introduc ao ` a

3.2 Equac oes de Retas e Planos 201
3.2 Equac oes de Retas e Planos
3.2.1 Equac ao do Plano
Existe uma analogia entre uma reta no plano e um plano no espaco. No plano, a equac ao de uma
reta e determinada se forem dados sua inclinac ao e um de seus pontos. No espaco, a inclinac ao de
um plano e dada por um vetor perpendicular a ele e a equac ao de um plano e determinada se s ao
dados um vetor perpendicular a ele e um de seus pontos.
Proposic ao 3.5. A equac ao de um plano que passa por um ponto
0
= (
0
,
0
,
0
) e e perpendi-
cular ao vetor = (, , ) e
+ + + = 0 , (3.9)
onde = (
0
+
0
+
0
). A equac ao (3.9) e chamada equac ao geral do plano e o vetor e
chamado vetor normal do plano.
Demonstrac ao. Um ponto = (, , ) pertence ao plano se, e somente se, o vetor
0
for
perpendicular ao vetor , ou seja,
0
= 0 . (3.10)
Como,
0
= (
0
,
0
,
0
), a equac ao (3.10) pode ser reescrita como
(
0
) + (
0
) + (
0
) = 0,
ou seja,
+ + (
0
+
0
+
0
) = 0 .
202 Espac os
= (, , )
0
= (
0
,
0
,
0
)
= (, , )
Figura 3.20: Plano perpendicular a = (, , ) e que passa por

0
= (
0
,
0
,
0
)
Introduc ao ` a

Exemplo 3.11. Vamos encontrar a equac ao do plano que passa pelo ponto
0
= (3, 1, 7) e e
perpendicular ao vetor = (4, 2, 5). Da proposic ao anterior, a equac ao do plano e da forma
+ + + = 0 ,
onde os coecientes de , e s ao as componentes do vetor normal, ou seja, = 4, = 2 e = 5.
Assim, a equac ao de e da forma
4 + 2 5 + = 0 .
Para determinar o coeciente , basta usarmos o fato de que
0
= (3, 1, 7) pertence a . Mas, o
ponto
0
pertence a se, e somente se, as suas coordenadas satisfazem a equac ao de , ou seja,
4 3 + 2(1) 5 7 + = 0 .
De onde tiramos que = 12 + 2 + 35 = 25. Finalmente, a equac ao do plano e
4 + 2 5 + 25 = 0 .
No plano, a equac ao de uma reta e determinada se forem dados dois pontos da reta. Analoga-
mente, no espaco, a equac ao de um plano e determinada se s ao dados tr es pontos
1
,
2
e
3
n ao
colineares (isto e, n ao pertencentes a uma mesma reta). Com os tr es pontos podemos formar os
vetores =
2
e =
3
(Figura 3.25).
204 Espac os
x
y
z
x
y
z
x
y
z
Figura 3.21: Planos = 0, + = 0 e + = 0

x
y
z
x
y
z
x
y
z
Figura 3.22: Planos + + = 0, + + = 0 e + + = 0

Introduc ao ` a

x
y
z
=
0
=
0
x
y
z
=
0
=
0
x
y
z
=
0
=
0
Figura 3.23: Planos + + = 0
x
y
z
=
0
,
=
0
=
0
x
y
z
Figura 3.24: Planos + + = 0 e + + + = 0

206 Espac os
Exemplo 3.12. Vamos encontrar a equac ao do plano que passa pelos pontos
1
= (1, 2, 1),
2
= (2, 3, 1) e
3
= (3, 1, 2). Com os tr es pontos podemos formar os vetores =
2
=
(
1
,
2
,
3
) e =
3
= (
1
,
2
,
3
). O vetor normal do plano, = (, , ), e ortogonal a estes
tr es vetores. De onde obtemos umsistema homog eneo comtr es equac oes (
1
= 0,
2
= 0
e
3
= 0) e tr es inc ognitas (, e ), que tem soluc ao n ao trivial se, e somente se, o determi-
nante da matriz do sistema e igual a zero (Teorema 2.15 na p agina 123), ou seja, se, e somente
se,
det

1

1

1
1

2

3
1

2

3
= 0 . (3.11)
Mas,
1
= ( 1, 2, (1)),
=
2
= (1, 1, 2),
=
3
= (2, 3, 3).
Ent ao, a equac ao do plano e
det
1 2 + 1
1 1 2
2 3 3
= 9( 1) + ( 2) 5( + 1) = 9 + 5 16 = 0 .
A equac ao do plano tamb em e determinada se ao inv es de serem dados tr es pontos, forem dados
um ponto
1
do plano e dois vetores paralelos ao plano, = (
1
,
2
,
3
) e = (
1
,
2
,
3
), desde
Introduc ao ` a

que eles sejam n ao colineares. Ou ainda se forem dados dois pontos
1
e
2
do plano e um vetor pa-
ralelo ao plano = (
1
,
2
,
3
), j a que neste caso podemos formar o vetor =
2
= (
1
,
2
,
3
)
que e tamb em paralelo ao plano.
Temos tr es vetores paralelos ao plano:
1
= (
1
,
1
,
1
), e . O vetor normal do
plano, = (, , ), e ortogonal a estes tr es vetores. De onde obtemos um sistema homog eneo com
tr es equac oes (
1
= 0, = 0 e = 0) e tr es inc ognitas (, e ), que tem soluc ao n ao
trivial se, e somente se, o determinante da matriz do sistema e igual a zero (Teorema 2.15 na p agina
123), ou seja, se, e somente se,
det

1

1

1
1

2

3
1

2

3
= 0 . (3.12)
Assim, um ponto = (, , ) pertence a um plano que passa pelo ponto
1
= (
1
,
1
,
1
)
e e paralelo aos vetores = (
1
,
2
,
3
) e = (
1
,
2
,
3
) (n ao paralelos) se, e somente se, a
equac ao (3.12) e verdadeira.
Observac ao. N ao faz sentido dizer que um vetor pertence a um plano. Pois, por um lado, um plano e
um conjunto de pontos e por outro, os vetores s ao livres, podem ser colocados em qualquer ponto.
O correto e dizer que um vetor e paralelo a um plano.
3.2.2 Equac oes da Reta
Vamos supor que uma reta e paralela a um vetor = (, , ) n ao nulo e que passa por um
ponto
0
= (
0
,
0
,
0
). Um ponto = (, , ) pertence a reta se, e somente se, o vetor
0
e
208 Espac os
paralelo ao vetor , isto e, se o vetor
0
e um m ultiplo escalar de , ou seja,
0
= . (3.13)
Em termos de componentes, (3.13) pode ser escrito como
(
0
,
0
,
0
) = (, , ) ,
de onde segue-se que
0
= ,
0
= e
0
= . Isto prova o resultado seguinte.
Proposic ao 3.6. As equac oes
=
0
+
=
0
+
=
0
+
para todo (3.14)
s ao de uma reta que passa por um ponto
0
= (
0
,
0
,
0
) e e paralela ao vetor = (, , ). As
equac oes (3.14) s ao chamadas equac oes param etricas da reta . O vetor = (, , ) e chamado
vetor diretor da reta .
O par ametro pode ser interpretado como o instante de tempo, se o ponto = (, , ) descreve
o movimento de uma partcula em movimento retilneo uniforme com vetor velocidade = (, , ).
Observe que para = 1, = (, , ) = (
0
+ ,
0
+ ,
0
+ ), para = 2, = (, , ) =
(
0
+ 2,
0
+ 2,
0
+ 2) e assim por diante.
Introduc ao ` a

1
= (
1
,
1
,
1
)
= (, , )
2
= (
2
,
2
,
2
)
3
= (
3
,
3
,
3
)
= (, , )
Figura 3.25: Plano que passa por tr es pontos

x y
z
= (, , )
0
= (
0
,
0
,
0
)
= (, , )
x y
z
Figura 3.26: Reta paralela ao vetor = (, , )

210 Espac os
As equac oes (3.14), podem ser reescritas como (, , ) = (

0
+,
0
+ ,
0
+ ).
Observac ao. N ao faz sentido dizer que o vetor est a contido na reta. Por um lado, a reta e um conjunto
de pontos e por outro um vetor n ao tem posic ao xa.
Exemplo 3.13. A reta que passa por
0
= (3, 3/2, 4) e e paralela ao vetor = (6, 1, 4) tem
equac oes param etricas
:
= 3 6
=
3
2
+
= 4 + 4
para
Podemos encontrar a intersec ao da reta com os planos coordenados , e . A equac ao
do plano e = 0, do plano e = 0 e do plano e = 0. Substituindo = 0 nas equac oes
de , obtemos = 2, = 3 e = 1/2, ou seja, o ponto de intersec ao de com o plano e
(, , ) = (3,
1
2
, 0).
De forma an aloga obtemos o ponto de intersec ao de com o plano e (, , ) = (0, 1, 2), o ponto
de intersec ao de com o plano (, , ) = (6, 0, 2).
Exemplo 3.14. Vamos encontrar as equac oes param etricas da reta que passa pelos pontos
1
=
(3, 0, 2) e
2
= (0, 3, 3). O vetor
2
= (0 3, 3 0, 3 2) = (3, 3, 1)
Introduc ao ` a

x y
z
3
1/2
1
2
Figura 3.27: Reta que passa pelo ponto
0
= (3, 3/2, 4) paralela ao vetor = (6, 1, 4)
212 Espac os
x y
z
3
2
3
3
Figura 3.28: Reta que passa pelos pontos

1
= (3, 0, 2) e
2
= (0, 3, 3)
Introduc ao ` a

e paralelo a e o ponto
1
= (3, 0, 2) pertence a . Portanto, as equac oes param etricas de s ao
= 3 3
= 3
= 2 +
para .
Exemplo 3.15. Vamos encontrar as equac oes param etricas da reta , intersec ao dos planos
1
: 2 + + 4 4 = 0
2
: 2 + 2 = 0.
(3.15)
Podemos encontrar as equac oes param etricas de determinando a soluc ao geral do sistema
(3.15). Para isto devemos escalonar a matriz do sistema (3.15):
_
2 1 4 4
2 1 2 0
_
Precisamos zerar o outro elemento da 1
a
.
coluna, que e a coluna do piv o, para isto, adicionamos ` a
2
a
.
linha, menos a 1
a
.
linha.
-1
a
.
linha + 2
a
.
linha 2
a
.
linha
_
2 1 4 4
0 2 2 4
_
Agora, j a podemos obter facilmente a soluc ao geral do sistema dado, j a que ele e equivalente ao
sistema
_
2 + + 4 = 4
2 2 = 4
214 Espac os
Figura 3.29:
1
: 2 + + 4 4 = 0
Introduc ao ` a

Figura 3.30:
2
: 2 + 2 = 0
216 Espac os
Figura 3.31:
1
,
2
e
1

2
Introduc ao ` a

A vari avel e uma vari avel livre. Podemos dar a ela um valor arbitr ario, digamos , para
qualquer. Assim, a soluc ao geral do sistema dado e
= 1
3
2
= 2
=
para todo . (3.16)
218 Espac os

3.2.1. Ache a equac ao do plano paralelo ao plano 2+53 = 0 e que passa por = (1, 2, 1).
3.2.2. Encontre a equac ao do plano que passa pelo ponto = (2, 1, 0) e e perpendicular aos planos
+ 2 3 + 2 = 0 e 2 + 4 1 = 0.
3.2.3. Encontrar a equac ao do plano que passa pelos pontos = (1, 0, 0) e = (1, 0, 1) e e
perpendicular ao plano = .
3.2.4. Dadas as retas : (, , ) = (2 + 2, 2, ) e : (, , ) = (2 +, , ) obtenha uma equac ao
geral para o plano determinado por e .
3.2.5. Sejam = (4, 1, 1) e : (, , ) = (2, 4, 1) + (1, 1, 2).
(a) Mostre que ;
(b) Obtenha uma equac ao geral do plano determinado por e .
3.2.6. Dados os planos
1
: + + 1 = 0 e
2
: + 1 = 0, determine o plano que
cont em
1

2
e e ortogonal ao vetor (1, 1, 1).
3.2.7. Quais dos seguintes pares de planos se cortam segundo uma reta?
(a) + 2 3 4 = 0 e 4 + 2 + 1 = 0;
(b) 2 + 4 + 3 = 0 e 4 2 + 8 = 0;
(c) = 0 e + = 0.
Introduc ao ` a

3.2.8. Encontre as equac oes da reta que passa pelo ponto = (1, 2, 1) e e perpendicular ao plano
+ 2 1 = 0.
3.2.9. Ache a equac ao da reta que passa pelo ponto = (1, 0, 1) e e paralela aos planos 2 + 3 +
+ 1 = 0 e + = 0.
3.2.10. Seja a reta determinada pela intersec ao dos planos + = 0 e 2 + 3 1 = 0.
Ache a equac ao do plano que passa por = (1, 0, 1) e cont em a reta .
Comandos do MATLAB
:
>> V=[v1,v2,v3] cria um vetor V, usando as componentes num ericas v1, v2, v3. Por
exemplo >> V=[1,2,3] cria o vetor = (1, 2, 3);
>> V+W e a soma de V e W; >> V-W e a diferenca V menos W; >> num*V e o produto do vetor V
pelo escalar num;
>> subs(expr,x,num,) substitui x por num na express ao expr;
>> solve(expr) determina a soluc ao da equac ao expr=0;
Comandos num ericos do pacote GAAL:
>> no(V) calcula a norma do vetor V.
>> pe(V,W) calcula o produto escalar do vetor V pelo vetor W.
>> pv(V,W) calcula o produto vetorial do vetor V pelo vetor W.
Comandos gr acos do pacote GAAL:
>> lin(P,V) desenha a reta que passa por P com direc ao V.
220 Espac os
>> lin(P1,V1,P2,V2) desenha retas que passam por P1, P2, direc oes V1, V2.
>> plan(P,N) desenha o plano que passa por P com normal N.
>> plan(P1,N1,P2,N2) desenha planos que passam por P1, P2, normais N1, N2.
>> plan(P1,N1,P2,N2,P3,N3) desenha planos que passam por P1, P2 e P3 com normais
N1, N2 e N3.
>> poplan(P1,P2,N2) desenha ponto P1 e plano passando por P2 com normal N2.
>> poline(P1,P2,V2) desenha ponto P2 e reta passando por P2 com direc ao V2.
>> lineplan(P1,V1,P2,N2) desenha reta passando por P1 com direc ao V1 e plano pas-
sando por P2 com normal N2.
>> axiss reescala os eixos com a mesma escala.
>> rota faz uma rotac ao em torno do eixo .
3.2.11. Digite no prompt demog22, (sem a vrgula!). Esta func ao demonstra as func oes gr acas para
visualizac ao de retas e planos.
para resolver os Exerccios Num ericos

Exerccio Te orico
3.2.13. Seja + + + = 0 a equac ao de um plano que n ao passa pela origem e corta os
tr es eixos.
(a) Determine a intersec ao de com os eixos;
Introduc ao ` a

(b) Se
1
= (
1
, 0, 0),
2
= (0,
2
, 0) e
3
= (0, 0,
3
) s ao as intersec oes de com os eixos,
a equac ao de pode ser posta sob a forma
1
+

2
+

3
= 1 .
222 Espac os
3.3 Os Espac os
J a vimos que os vetores no plano s ao identicados com os pares ordenados de n umeros reais
e que vetores no espaco s ao identicados com ternos ordenados de n umeros reais. Muito do que
estudamos sobre vetores no plano e no espaco pode ser estendido para - uplas de n umeros reais,
em que pode ser um n umero inteiro positivo.
Denic ao 3.2. Para cada inteiro positivo , o espac o (vetorial)
e denido pelo conjunto de todas

as - uplas ordenadas = (
1
, . . . ,
) de n umeros reais.
O conjunto
1
e simplesmente o conjunto dos n umeros reais. O conjunto
2
e o conjunto dos
pares de n umeros reais e o
3
e o conjunto dos ternos de n umeros reais.
No
3
o terno de n umeros (
1
,
2
,
3
) pode ser interpretado geometricamente de duas maneiras:
pode ser visto como um ponto, neste caso
1
,
2
e
3
s ao as coordenadas do ponto (Figura 3.32),
ou como um vetor, neste caso
1
,
2
e
3
s ao as componentes do vetor (Figura 3.33). Tamb em
no
uma - upla pode ser pensada como um vetor ou como um ponto. Por exemplo, a quint upla
= (1, 2, 3, 5, 4) pode ser pensada como um ponto no
5
, quando consideramos como um
elemento do conjunto
5
, ou como um vetor do
5
, quando fazemos operac oes com , como as que
iremos denir adiante. Vamos chamar os elementos do
de pontos ou de vetores dependendo da

situac ao.
Dois vetores = (
1
, . . . ,
) e = (
1
, . . . ,
) no
s ao considerados iguais se
1
=
1
, . . . ,
. As operac oes de soma de vetores e multiplicac ao de vetor por escalar

no
s ao denidas de maneira an aloga ao que zemos no plano e no espaco.

Introduc ao ` a

3.3 Os Espac os
223
x y
z
(, , )

Figura 3.32: Ponto (, , )

3
x y
z
(, , )
Figura 3.33: Vetor (, , )

3
224 Espac os
Denic ao 3.3. (a) A soma de dois vetores = (

1
, . . . ,
) e = (
1
, . . . ,
) do
e denida
por
+ = (
1
+
1
, . . . ,
); (3.17)
(b) A multiplicac ao de um vetor = (
1
, . . . ,
) do
por um escalar e denida por

= (
1
, . . . ,
). (3.18)
O vetor nulo do
e denotado por

0 e e denido por

0 = (0, . . . , 0). Se = (
1
, . . . ,
) e um
vetor do
, ent ao o sim etrico de e denotado por e e denido por = (

1
, . . . ,
). A
diferenc a de dois vetores no
e denida por = + (). Se e s ao vetores do
tais que = , para algum escalar , ent ao dizemos que e um m ultiplo escalar de .
Um vetor = (
1
, . . . ,
) do
pode tamb em ser escrito na notac ao matricial como uma matriz

linha ou como uma matriz coluna:
=
1
.
.
.
ou =
_

1
. . .
.
Estas notac oes podem ser justicadas pelo fato de que as operac oes matriciais
+ =
1
.
.
.
1
.
.
.
1
+
1
.
.
.
, =
1
.
.
.
1
.
.
.
Introduc ao ` a

3.3 Os Espac os
225
ou
+ =
_

1
. . .
+
_

1
. . .
=
_

1
+
1
. . .
,
=
_

1
. . .
=
_

1
. . .
produzem os mesmos resultados que as operac oes vetoriais

+ = (
1
, . . . ,
) + (
1
, . . . ,
) = (
1
+
1
, . . . ,
)
= (
1
, . . . ,
) = (
1
, . . . ,
).
No teorema seguinte enunciamos as propriedades mais importantes da soma de vetores e
multiplicac ao de vetores por escalar no
.
Teorema 3.7. Sejam = (
1
, . . . ,
), = (
1
, . . . ,
) e = (
1
, . . . ,
) vetores do
e e
escalares. S ao v alidas as seguintes propriedades:
(a) + = + ;
(b) ( + ) + = + ( + );
(c) +

0 = ;
(d) + () =

0;
(e) () = ();
(f) ( + ) = + ;
(g) ( +) = + ;
(h) 1 = .
226 Espac os
Demonstrac ao. Segue diretamente das propriedades da algebra matricial (Teorema 1.1 na p agina
10).
O conceito de vetores pode ser generalizado ainda mais. Um conjunto n ao vazio onde est ao
denidas as operac oes de soma e multiplicac ao por escalar e chamado espac o vetorial se satisfaz
as oito propriedades do Teorema 3.7 (Sec ao 4.3 na p agina 294).
3.3.1 Combinac ao Linear
Uma combinac ao linear de vetores
1
, . . . ,
, e simplesmente uma soma de m ultiplos escalares

de
1
, . . . ,
.
Denic ao 3.4. Um vetor
e uma combinac ao linear dos vetores

1
, . . . ,
, se existem
escalares
1
, . . . ,
que satisfazem a equac ao
1
+
2
2
+ . . . +
= (3.19)
ou seja, se a equac ao vetorial (3.19) possui soluc ao. Neste caso, dizemos tamb em que pode ser
escrito como uma combinac ao linear de
1
, . . . ,
.
Se = 1, ent ao a equac ao (3.19) se reduz a
1
1
= , ou seja, e uma combinac ao linear de
1
se, e somente se, e um m ultiplo escalar de
1
.
Introduc ao ` a

3.3 Os Espac os
227
Exemplo 3.16. Sejam
1
= (1, 0, 0) e
2
= (1, 1, 0), vetores de
3
. O vetor = (2, 3, 2) n ao e
uma combinac ao linear de
1
e
2
, pois a equac ao
1
+
2
2
= , (3.20)
que pode ser escrita como
1
(1, 0, 0) +
2
(1, 1, 0) = (2, 3, 2),
ou ainda,
(
1
+
2
,
2
, 0) = (2, 3, 2),
e equivalente ao sistema
1
+
2
= 2
2
= 3
0 = 2
que n ao possui soluc ao.
Exemplo 3.17. O vetor = (2, 3, 0) e uma combinac ao linear de
1
= (1, 0, 0) e
2
= (1, 1, 0), pois
a equac ao
1
+
2
2
= (3.21)
ou
1
(1, 0, 0) +
2
(1, 1, 0) = (2, 3, 0)
ou ainda,
(
1
+
2
,
2
, 0) = (2, 3, 0),
228 Espac os
x y
z
1
= (1, 0, 0)
2
= (1, 1, 0)
= (2, 3, 2)
Figura 3.34: O vetor n ao e combinac ao
linear de
1
e
2
x y
z
1
= (1, 0, 0)
2
= (1, 1, 0)
= (2, 3, 0)
Figura 3.35: O vetor e combinac ao linear
de
1
e
2
e equivalente ao sistema
1
+
2
= 2
2
= 3
0 = 0
que possui soluc ao.
Exemplo 3.18. O vetor nulo

0 e sempre combinac ao linear de quaisquer vetores
1
, . . . ,
,
pois
0 = 0
1
+ . . . + 0
.
Introduc ao ` a

3.3 Os Espac os
229
Exemplo 3.19. Todo vetor = (, , ) do
3
e uma combinac ao linear de
= (1, 0, 0),

= (0, 1, 0) e

= (0, 0, 1).
Pois,
(, , ) = (1, 0, 0) + (0, 1, 0) + (0, 0, 1) =
.
Para vericarmos se um vetor e combinac ao linear de um conjunto de vetores {
1
, . . . ,
},
escrevemos a equac ao vetorial
1
+
2
2
+ . . . +
= , (3.22)
e vericamos se ela tem soluc ao. Se
1
, . . . ,
s ao vetores do
, a equac ao (3.22), pode ser

escrita como
11
.
.
.
+ . . . +
1
.
.
.
1
.
.
.
que e equivalente ao sistema linear

= ,
em que as colunas de s ao os vetores
escritos como matrizes colunas, ou seja, = [

1
. . .
]
e =
1
.
.
.
. Isto prova o seguinte resultado.

230 Espac os
x y
z
Figura 3.36: Vetores
x y
z
= (, , )
Figura 3.37: = (, , ) =
Introduc ao ` a

3.3 Os Espac os
231
Proposic ao 3.8. Sejam uma matriz e uma matriz 1. O vetor e combinac ao linear
das colunas de se, e somente se, o sistema = tem soluc ao.
3.3.2 Independ encia Linear
Denic ao 3.5. Dizemos que um conjunto = {
1
, . . . ,
} de vetores do
e linearmente inde-
pendente (L.I.) se a equac ao vetorial
1
+
2
2
+ . . . +
=

0 (3.23)
s o possui a soluc ao trivial, ou seja, se a unica forma de escrever o vetor nulo como combinac ao linear
dos vetores
1
, . . . ,
e aquela em que todos os escalares s ao iguais a zero. Caso contr ario, isto e,
se (3.23) possui soluc ao n ao trivial, dizemos que o conjunto e linearmente dependente (L.D.).
232 Espac os
Exemplo 3.20. Um conjunto nito de vetores do
que cont em o vetor nulo e L.D., pois se

{
1
, . . . ,
} e tal que
=

0, para algum , ent ao 0
1
+. . . +0
1
+1
+0
+1
+. . . +0
=

0.
Exemplo 3.21. Um conjunto formado por um unico vetor do
, {
1
}, n ao nulo e L.I., pois
1
1
=

0
e equivalente a
1
= 0 ou
1
=

0. Mas,
1
=

0; portanto
1
= 0.
Exemplo 3.22. Se {
1
, . . . ,
} e um conjunto de vetores L.D., ent ao qualquer conjunto nito de

vetores que contenha
1
, . . . ,
e tamb em L.D., pois a equac ao
1
+ . . . +
+ 0
1
+ . . . + 0
=

0
admite soluc ao n ao trivial.
Exemplo 3.23. Um conjunto formado por dois vetores do
, {
1
,
2
} e L.D. se, e somente se, a
equac ao
1
1
+
2
2
=

0 possui soluc ao n ao trivial. Mas se isto acontece, ent ao um dos escalares
1
ou
2
pode ser diferente de zero. Se
1
= 0, ent ao
1
= (
2
/
1
)
2
e se
2
= 0, ent ao
2
= (
1
/
2
)
1
. Ou seja, se {
1
,
2
} e L.D., ent ao um dos vetores e m ultiplo escalar do outro.
Reciprocamente, se um vetor e m ultiplo escalar do outro, digamos se
1
=
2
, ent ao 1
1

2
=

0 e assim eles s ao L.D. Portanto, podemos dizer que dois vetores s ao L.D. se, e somente se,
um e um m ultiplo escalar do outro.
Por exemplo, o conjunto = {
1
,
2
}, em que
1
= (1, 0, 1) e
2
= (0, 1, 1), e L.I., pois um vetor
n ao e m ultiplo escalar do outro.
Introduc ao ` a

3.3 Os Espac os
233
x
y
z
2
Figura 3.38: Dois vetores linearmente de-
pendentes
x
y
z
2
Figura 3.39: Dois vetores linearmente inde-
pendentes
234 Espac os
x
y
z
3
Figura 3.40: Tr es vetores linearmente de-
pendentes (paralelos)
x
y
z
3
pendentes (dois paralelos)
Introduc ao ` a

3.3 Os Espac os
235
x
y
z
2
pendentes (coplanares)
x
y
z
2
Figura 3.43: Tr es vetores linearmente inde-
pendentes
236 Espac os
Exemplo 3.24. Um conjunto formado por tr es vetores de
, {
1
,
2
,
3
} e L.D. se, e somente se,
a equac ao
1
1
+
2
2
+
3
3
=

0 possui soluc ao n ao trivial. Mas se isto acontece, ent ao um
dos escalares
1
ou
2
ou
3
pode ser diferente de zero. Se
1
= 0, ent ao
1
= (
2
/
1
)
2
+
(
3
/
1
)
3
, ou seja, o vetor
1
e combinac ao linear de
2
e
3
. De forma semelhante, se
2
= 0,
ent ao
2
1
e
3
e se
3
= 0, ent ao
3
1
e
2
.
Assim, se tr es vetores
1
,
2
e
3
do
s ao L.D., ent ao um deles e uma combinac ao linear dos

outros dois, ou seja, em deles e uma soma de m ultiplos escalares dos outros dois. No
3
temos que
se tr es vetores n ao nulos s ao L.D., ent ao ou os tr es s ao paralelos (Figura 3.40), ou dois deles s ao
paralelos (Figura 3.41) ou os tr es s ao coplanares, isto e, s ao paralelos a um mesmo plano (Figura
3.42).
Reciprocamente, se um vetor e uma combinac ao linear dos outros dois, digamos se
1
=
2
+
3
, ent ao 1
1
3
=

0 e assim eles s ao L.D. Portanto, podemos dizer que tr es vetores s ao
L.D. se, e somente se, um deles e uma combinac ao linear dos outros dois. No
3
, se tr es vetores s ao
L.I., ent ao eles n ao s ao coplanares (Figura 3.43).
Exemplo 3.25. Vamos mostrar que os vetores
1
= (1, 0, . . . , 0),
2
= (0, 1, 0, . . . , 0), . . . ,
=
(0, . . . , 0, 1) s ao L.I. em particular os vetores
= (1, 0, 0),

= (0, 1, 0) e

= (0, 0, 1) s ao L.I. A
equac ao
1
+ . . . +
=

0
pode ser escrita como
1
(1, 0, . . . , 0) + . . . +
(0, . . . , 0, 1) = (0, . . . , 0) .
Logo, (
1
, . . . ,
) = (0, . . . , 0), que e equivalente ao sistema
1
= 0, . . . ,
= 0 .
Introduc ao ` a

3.3 Os Espac os
237
Para descobrir se um conjunto de vetores {
1
, . . . ,
} e L.I. precisamos saber se a equac ao

vetorial
1
+
2
2
+ . . . +
=

0 (3.24)
tem somente a soluc ao trivial. Se
1
, . . . ,
s ao vetores do
, a equac ao (3.24), pode ser escrita

como
11
.
.
.
+ . . . +
1
.
.
.
0
.
.
.
0
que e equivalente ao sistema linear homog eneo =

0, em que as colunas de s ao os vetores
escritos como matrizes colunas, ou seja, = [

1
. . .
] e =
1
.
.
.
. Isto prova o seguinte

resultado.
Proposic ao 3.9. Seja uma matriz .
(a) As colunas de s ao linearmente independentes se, e somente se, o sistema =

0 tem
somente a soluc ao trivial.
(b) Se = , ent ao as colunas de s ao linearmente independentes se, e somente se,
det() = 0.
238 Espac os
Tr es ou mais vetores no
2
, assim como quatro ou mais vetores no
3
e mais de vetores no
s ao sempre L.D. Pois, nestes casos, o problema de vericar se eles s ao ou n ao L.I. leva a um sistema
linear homog eneo com mais inc ognitas do que equac oes, que pelo Teorema 1.6 na p agina 53 tem
sempre soluc ao n ao trivial.
Corol ario 3.10. Em
um conjunto com mais de vetores e L.D.

Exemplo 3.26. Considere os vetores
1
= (1, 0, 1),
2
= (0, 1, 1) e
3
= (1, 1, 1) de
3
. Para
sabermos se eles s ao L.I. ou L.D. escrevemos a equac ao
1
+
2
2
+
3
3
=

0.
Esta equac ao vetorial e equivalente ao sistema linear =

0, em que
= [
1

2

3
] =
1 0 1
0 1 1
1 1 1
.
Escalonando a matriz [
0 ] podemos obter a sua forma escalonada reduzida

[
0 ] =
1 0 0 0
0 1 0 0
0 0 1 0
.
Introduc ao ` a

3.3 Os Espac os
239
Concluimos, ent ao que o sistema =

0 possui somente a soluc ao trivial
1
=
2
=
3
= 0.
Portanto os vetores
1
,
2
e
3
s ao L.I.
Exemplo 3.27. Sejam
1
= (1, 2, 5),
2
= (7, 1, 5) e
3
= (1, 1, 1) vetores do
3
. Para
sabermos se eles s ao L.I. ou L.D. escrevemos a equac ao
1
+
2
2
+
3
3
=

0. (3.25)
Esta equac ao vetorial e equivalente ao sistema linear =

0, em que
= [
1

2

3
] =
1 7 1
2 1 1
5 5 1
.
A matriz [
0 ] e equivalente por linhas ` a matriz escalonada reduzida

[
0 ] =
1 0 2/5 0
0 1 1/5 0
0 0 0 0
. (3.26)
Assim a vari avel
3
pode ser uma vari avel livre que pode, portanto, assumir qualquer valor. Conclui-
mos que o sistema =

0 e a equac ao vetorial (3.25) t em soluc ao n ao trivial. Portanto,
1
,
2
e
3
s ao L.D.
A express ao linearmente dependente sugere que os vetores dependemuns dos outros emalgum
sentido. O teorema seguinte mostra que este realmente e o caso.
240 Espac os
Teorema 3.11. Um conjunto ={

1
, . . . ,
} ( > 1) de vetores de
e linearmente dependente
(L.D.) se, e somente se, pelo menos um dos vetores,
, for combinac ao linear dos outros vetores de

.
Introduc ao ` a

3.3 Os Espac os
241
Demonstrac ao. Vamos dividir a demonstrac ao em duas partes:
(a) Se
e uma combinac ao linear dos demais vetores do conjunto , isto e, se existem escalares
1
, . . . ,
1
,
+1
, . . . ,
tais que
1
+ . . . +
1
1
+
+1
+1
+ . . . +
,
ent ao somando-se
a ambos os membros camos com
1
+ . . . +
1
+
+1
+1
+. . . +
=

0. (3.27)
Isto implica que a equac ao
1
1
+. . . +
=

0 admite soluc ao n ao trivial, pois o coeciente
de
em (3.27) e 1. Portanto, e L.D.

(b) Se e L.D., ent ao a equac ao
1
+
2
2
+ . . . +
=

0 (3.28)
admite soluc ao n ao trivial, o que signica que pelo menos um
e diferente de zero. Ent ao,

multiplicando-se a equac ao (3.28) por 1/
e subtraindo-se (
)
1
+ . . . + (
obtemos
=
_
1
. . .
_
+1
+1
. . .
_
.
Portanto, um vetor
e combinac ao linear dos outros vetores de .

Observac ao. Na demonstrac ao da segunda parte, vemos que o vetor, cujo escalar na combinac ao
linear, puder ser diferente de zero, pode ser escrito como combinac ao linear dos outros.
242 Espac os
Exemplo 3.28. Sejam

1
= (1, 2, 5),
2
= (7, 1, 5) e
3
= (1, 1, 1) vetores do
3
. Vamos
escrever um dos vetores como combinac ao linear dos outros dois. Vimos no Exemplo 3.27 que estes
vetores s ao L.D. De (3.26) segue-se que
1
+
2
2
+
3
3
=

0
se, e somente se,
1
= (2/5),
2
= (1/5) e
3
= , para todo . Substituindo-se os
valores de
1
,
2
e
3
na equac ao acima, camos com
(2/5)
1
(1/5)
2
+
3
=

0
Tomando-se = 1, obtemos
(2/5)
1
(1/5)
2
+
3
=

0
multiplicando-se por 5 e somando-se 2
1
+ 5
3
, temos que
2
= 2
1
+ 5
3
. Observe que, neste
exemplo, qualquer dos vetores pode ser escrito como combinac ao linear dos outros. O pr oximo exem-
plo mostra que isto nem sempre acontece.
Exemplo 3.29. Sejam
1
= (2, 2, 2),
2
= (3, 3/2, 0) e
3
= (2, 1, 0). {
1
,
2
,
3
} e L.D.,
mas
1
n ao e combinac ao linear de
2
e
3
(Figura 3.41 na p agina 234).
Introduc ao ` a

3.3 Os Espac os
243
3.3.1. Quais dos seguintes vetores s ao combinac ao linear de
1
= (4, 2, 3),
2
= (2, 1, 2) e
3
= (2, 1, 0)?
(a) (1, 1, 1);
(b) (4, 2, 6);
(c) (2, 1, 1);
(d) (1, 2, 3).
3.3.2. Quais dos seguintes conjuntos de vetores s ao linearmente dependentes?
(a) {(1, 1, 2), (1, 0, 0), (4, 6, 12)};
(b) {(1, 2, 3), (2, 4, 6)};
(c) {(1, 1, 1), (2, 3, 1), (3, 1, 2)};
(d) {(4, 2, 1), (6, 5, 5), (2, 1, 3)}.
3.3.3. Para quais valores de o conjunto de vetores {(3, 1, 0), (
2
+ 2, 2, 0)} e L.D.?
3.3.4. Suponha que {
1
,
2
,
3
} e um conjunto linearmente independente de vetores de
. Res-
ponda se {
1
,
2
,
3
} e linearmente dependente ou independente nos seguintes casos:
(a)
1
=
1
+
2
,
2
=
1
+
3
e
3
=
2
+
3
;
(b)
1
=
1
,
2
=
1
+
3
e
3
=
1
+
2
+
3
.
Exerccio usando o MATLAB
3.3.5. (a) Dena os vetores V1=[1;2;3], V2=[3;4;5] e V3=[5;6;7]. Dena o vetor aleat orio
V=randi(3,1). Verique se V e combinac ao linear de V1, V2 e V3.
(b) Dena a matriz aleat oria M=randi(3,5). Verique se os vetores denidos pelas colunas
de M s ao combinac ao linear de V1, V2 e V3. Tente explicar o resultado.
244 Espac os
(c) Verique se V1, V2 e V3 s ao linearmente independentes. Se eles forem linearmente de-

pendentes, escreva um deles como combinac ao linear dos outros e verique o resultado.
Exerccios Te oricos
3.3.6. Suponha que {
1
,
2
, . . . ,
}, com , e um conjunto de vetores do
linearmente
independente. Mostre que se e uma matriz n ao singular, ent ao {
1
,
2
, . . . ,
}
tamb em e um conjunto linearmente independente.
3.3.7. Se os vetores n ao nulos , e s ao L.D., ent ao e uma combinac ao linear de e ?
Introduc ao ` a

Captulo 4
Subespac os
4.1 Base e Dimens ao
Sejam uma matriz e
o conjunto soluc ao do sistema linear homog eneo =

0.
J a vimos na Proposic ao 1.7 na p agina 54 que o conjunto satisfaz as seguintes propriedades:
(a) Se e pertencem a , ent ao + tamb em pertence a .
(b) Se pertence a , ent ao tamb em pertence a para todo escalar .
Revise como foi feita a demonstrac ao dos itens (a) e (b) acima na Proposic ao 1.7 na p agina 54.
Assim, se e s ao soluc oes de um sistema homog eneo, ent ao + e tamb em o s ao.
Portanto, combinac oes lineares de soluc oes de =

0 s ao tamb em soluc oes de =

0.
245
246 Subespac os
O conjunto soluc ao de um sistema homog eneo =

0 e chamado de espac o soluc ao do
sistema homog eneo =

0. Ele se comporta como se fosse um espaco, no sentido de que
fazendo soma de vetores do conjunto ou multiplicando vetores do conjunto por escalar n ao samos
dele.
Um subconjunto n ao vazio de
que satisfaz as propriedades (a) e (b) acima e chamado de

subespac o de
. Com relac ao as operac oes de soma e multiplicac ao por escalar podemos viver
nele sem termos que sair. Assim o espaco soluc ao do sistema homog eneo =

0 e um subespaco
de
. Vale tamb em a recproca, todo subespaco e o espaco soluc ao de um sistema homog eneo
(Exerccio 4.1.18 na p agina 268).
Exemplo 4.1. Os exemplos mais triviais de subespacos de
s ao o subespaco formado somente

pelo vetor nulo, = {
0} e =
. Mas cuidado, o
2
n ao e subespaco de
3
, pois o
2
(conjunto
de pares de n umeros reais) n ao e um subconjunto do
3
(conjunto de ternos de n umeros reais). O
plano = {(, , )
3
= 0} e um subespaco de
3
mas ele n ao e o
2
.
Exemplo 4.2. Considere o sistema linear
1
+
1
+
1
= 0
2
+
2
+
2
= 0
3
+
3
+
3
= 0
Cada equac ao deste sistema e representada por umplano que passa pela origem. Oconjunto soluc ao
e um subespaco de
3
e e a intersec ao dos planos denidos pelas equac oes, podendo ser:
(a) Somente um ponto que e a origem.
Introduc ao ` a

4.1 Base e Dimens ao 247
x
y
z
1
+
2
Figura 4.1: Soma de vetores do plano +
+ = 0
x
y
z
Figura 4.2: Multiplicac ao de vetor por esca-

lar do plano + + = 0
248 Subespac os
x
y
z
1
+
2
Figura 4.3: Soma de vetores da reta
(, , ) = (, , )
x
y
z
Figura 4.4: Multiplicac ao de vetor por esca-

lar da reta (, , ) = (, , )
Introduc ao ` a

(b) Uma reta que passa pela origem.
(c) Um plano que passa pela origem.
Vamos escrever toda soluc ao do sistema linear homog eneo =

0 como uma combinac ao
linear de um n umero nito de vetores
1
, . . . ,
que s ao tamb em soluc ao do sistema.

Exemplo 4.3. Considere o sistema linear homog eneo =

0, em que
=
1 1 0 0 1
2 2 1 1 1
1 1 1 1 0
.
Escalonando a matriz aumentada do sistema acima, obtemos a matriz escalonada reduzida
1 1 0 0 1 0
0 0 1 1 1 0
0 0 0 0 0 0
.
E assim a soluc ao geral do sistema pode ser escrita como
1
= ,
2
= ,
3
= + ,
4
=
5
=
para todos os valores de , , , ou seja, o conjunto soluc ao do sistema =

0 e
= {(
1
,
2
,
3
,
4
,
5
) = ( , , + , , ) , , } .
250 Subespac os
Agora, um elemento qualquer de pode ser escrito como uma combinac ao linear de vetores de :
( , , + , , ) = (, 0, , 0, ) + (0, 0, , , 0) + (, , 0, 0, 0)
= (1, 0, 1, 0, 1) + (0, 0, 1, 1, 0) + (1, 1, 0, 0, 0)
Assim, todo vetor de pode ser escrito como combinac ao linear dos vetores
1
= (1, 0, 1, 0, 1),
2
= (0, 0, 1, 1, 0) e
3
= (1, 1, 0, 0, 0) pertencentes a (
1
e obtido fazendo-se = 1 e = =
0,
2
fazendo-se = = 0 e = 1 e
3
fazendo-se = = 0 e = 1).
Neste caso dizemos que
1
= (1, 0, 1, 0, 1),
2
= (0, 0, 1, 1, 0) e
3
= (1, 1, 0, 0, 0) geram
o subespaco . Em geral temos a seguinte denic ao.
Denic ao 4.1. Seja um subespaco de
(por exemplo, o espaco soluc ao de um sistema linear

homog eneo =

0). Dizemos que os vetores
1
, . . . ,
pertencentes a , geram ou que

{
1
, . . . ,
} e um conjunto de geradores de , se qualquer vetor de e combinac ao linear de
1
, . . . ,
. Dizemos tamb em que e o subespac o gerado por

1
, . . . ,
.
Uma quest ao importante e encontrar o maior n umero possvel de vetores linearmente indepen-
dentes em um subespaco. O resultado a seguir responde a esta quest ao.
Teorema 4.1. Seja subespaco de
(por exemplo, o espaco soluc ao de um sistema linear ho-

mog eneo =

0). Seja {
1
, . . . ,
} um conjunto de vetores de
Introduc ao ` a

(a) linearmente independente (L.I.),
(b) que gera (ou seja, todo vetor de e combinac ao linear de
1
, . . . ,
).
Ent ao, um conjunto com mais de vetores em e linearmente dependente (L.D.).
Demonstrac ao. Seja {
1
, . . . ,
} um subconjunto de , com > . Vamos mostrar que

{
1
, . . . ,
} e L.D. Vamos considerar a combinac ao linear nula de

1
, . . . ,
1
+
2
2
+ . . . +
=

0. (4.1)
Como qualquer elemento de pode ser escrito como combinac ao linear de
1
, . . . ,
, emparticular,
=
1
1
+
2
2
+ . . . +
=1
, para = 1, . . . , . (4.2)
Assim, substituindo (4.2) em (4.1) e agrupando os termos que cont em
, para = 1, . . . , , obtemos
(
11
1
+ . . . +
1
)
1
+ . . . + (
1
1
+ . . . +
=

0. (4.3)
Como {
1
, . . . ,
} e L.I., ent ao os escalares na equac ao (4.3) s ao iguais a zero. Isto leva ao sistema
linear
=

0,
emque = (
. Mas, este e umsistema homog eneo que temmais inc ognitas do que equac oes,
portanto possui soluc ao n ao trivial, (Teorema 1.6 na p agina 53), como queramos provar.
252 Subespac os
O resultado anterior mostra que se podemos escrever todo elemento do subespaco como uma
combinac ao linear de vetores
1
, . . . ,
L.I. pertencentes a , ent ao e o maior n umero possvel

de vetores L.I. em .
No Exemplo 4.3 os vetores
1
= (1, 0, 1, 0, 1),
2
= (0, 0, 1, 1, 0) e
3
= (1, 1, 0, 0, 0)
geram . Al em disso de
(1, 0, 1, 0, 1) + (0, 0, 1, 1, 0) +(1, 1, 0, 0, 0) = ( , , + , , )
segue-se que
1
,
2
e
3
s ao L.I. (por que?)
Assim pelo Teorema 4.1 n ao podemos obter um n umero maior de vetores em L.I. Neste caso
dizemos que {
1
,
2
,
3
} e uma base de . Em geral temos a seguinte denic ao.
Denic ao 4.2. Seja um subespaco de
(por exemplo, o espaco soluc ao de um sistema linear

homog eneo =

0). Dizemos que um subconjunto {
1
, . . . ,
} de e uma base de , se
(a) {
1
, . . . ,
} e um conjunto de geradores de (ou seja, todo vetor de e combinac ao linear

de
1
, . . . ,
) e
(b) {
1
, . . . ,
} e L.I.
Exemplo 4.4. Os vetores
1
= (1, 0, . . . , 0),
2
= (0, 1, 0, . . . , 0), . . . ,
= (0, . . . , 0, 1) formam
uma base do
. Pois, um vetor qualquer do
e da forma = (
1
, . . . ,
) e pode ser escrito

Introduc ao ` a

como uma soma de vetores, sendo um vetor para cada par ametro e cada vetor dependendo apenas
de um par ametro, obtendo
= (
1
, . . . ,
) = (
1
, 0, . . . , 0) + (0,
2
, 0, . . . , 0) + . . . + (0, . . . , 0,
)
=
1
(1, 0, . . . , 0) +
2
(0, 1, 0, . . . , 0) +. . . +
(0, . . . , 0, 1).
Assim, os vetores
1
= (1, 0, . . . , 0),
2
= (0, 1, 0, . . . , 0), . . . ,
= (0, . . . , 0, 1) geram o
.
Vimos no Exemplo 3.25 na p agina 236 que
1
,
2
, . . .
s ao L.I. Esses vetores formam a chamada

base can onica de
. No caso do
3
,
1
=
,
2
=
e
3
=

.
Exemplo 4.5. Seja = {(, , ) = (, , ) } uma reta que passa pela origem. Como o
vetor diretor = (, , ) e n ao nulo e gera a reta, ent ao { } e uma base de .
Exemplo 4.6. Seja = {(, , )
3
+ + = 0} um plano que passa pela origem.
Vamos supor que = 0. Um ponto (, , ) satisfaz a equac ao + + = 0 se, e somente se,
= , = , =
1
( + ), para todos , .
Assim, o plano pode ser descrito como = {(
, , ) , }. Assim, todo vetor

de pode ser escrito como uma soma de vetores, sendo um para cada par ametro, obtendo
(
, , ) = (
, 0, ) + (
, , 0) = (
, 0, 1) + (
, 1, 0).
254 Subespac os
x
y
z
1
Figura 4.5:
1
e
2
que formam uma base para
o plano
x
y
z
= (, , )
Figura 4.6: Vetor = (, , ) que e base para
a reta (, , ) = (, , )
Introduc ao ` a

Assim, todo vetor de pode ser escrito como uma combinac ao linear dos vetores
1
= (
, 0, 1) e
2
= (
, 1, 0) pertencentes a (
1
e obtido fazendo-se = 1 e = 0 e
2
, fazendo-se = 0
e = 1). Portanto,
1
= (
, 0, 1) e
2
= (
, 1, 0) geram o plano . Como

1
e
2
s ao L.I.,
pois um n ao e m ultiplo escalar do outro, ent ao {
1
,
2
} e uma base do plano . Deixamos como
exerccio para o leitor encontrar uma base de para o caso em que = 0 e tamb em para o caso em
que = 0.
Segue do Teorema 4.1 na p agina 250 que se = {
0} e um subespaco, ent ao qualquer base de

tem o mesmo n umero de elementos e este e o maior n umero de vetores L.I. que podemos ter em
. O n umero de elementos de qualquer uma das bases de e chamado de dimens ao de . Se
= {
0} dizemos que tem dimens ao igual a 0.

Exemplo 4.7. A dimens ao do
e , pois como foi mostrado no Exemplo 4.4 na p agina 252,

1
=
(1, 0, . . . , 0),
2
= (0, 1, 0, . . . , 0), . . . ,
= (0, . . . , 0, 1) formam uma base do
.
Exemplo 4.8. Pelo Exemplo 4.5 na p agina 253 uma reta que passa pela origem tem dimens ao 1 e
pelo Exemplo 4.6 na p agina 253 um plano que passa pela origem tem dimens ao 2.
Vamos mostrar a seguir que se a dimens ao de um subespaco e > 0, ent ao basta conse-
guirmos vetores L.I. em , que teremos uma base.
256 Subespac os
Teorema 4.2. Seja um subespaco de dimens ao > 0. Se vetores,
1
, . . . ,
, s ao L.I.,
ent ao eles geram o subespaco e portanto formam uma base de .
1
, . . . ,
vetores L.I. e seja um vetor qualquer do subespaco . Vamos

mostrar que e combinac ao linear de
1
, . . . ,
. Considere a equac ao vetorial
1
+
2
2
+ . . . +
+
+1
=

0 (4.4)
Pelo Teorema 4.1 na p agina 250,
1
, . . . ,
, s ao L.D., pois s ao + 1 vetores em um subespaco

de dimens ao . Ent ao a equac ao (4.4) admite soluc ao n ao trivial, ou seja, pelo menos um
= 0.
Mas,
+1
= 0, pois caso contr ario,
1
, . . . ,
seriam L.D. Ent ao, multiplicando-se a equac ao (4.4)

por 1/
+1
e subtraindo (
1
/
+1
)
1
+ (
2
/
+1
)
2
+ . . . + (
/
+1
)
, obtemos
=
_

1
+1
_
1
. . .
_

+1
_
Dos resultados anteriores, vemos que se a dimens ao de um subespaco, , e > 0, ent ao basta
conseguirmos vetores L.I. em , que teremos uma base (Teorema 4.2) e n ao podemos conseguir
mais do que vetores L.I. (Teorema 4.1 na p agina 250).
Exemplo 4.9. Do Teorema 4.2 segue-se que vetores L.I. do
formam uma base de
. Por
exemplo, 3 vetores L.I. do
3
formam uma base de
3
.
Introduc ao ` a

Figura 4.7: O subespaco do Exemplo 4.10
258 Subespac os
Figura 4.8: O subespaco do Exemplo 4.10
Introduc ao ` a

Figura 4.9: Os subespacos , e do Exemplo 4.10
260 Subespac os
Exemplo 4.10. Sejam o plano + + = 0 e o plano 4 2 + = 0. Assim, o plano
tem vetor normal
1
= (1, 1, 1) e o plano tem vetor normal
2
= (4, 2, 1). A intersec ao
e a reta cujo vetor diretor e =
1

2
= (3, 3, 6) (revise o Exemplo 3.15 na p agina 213) e que
passa pela origem. Assim, a reta que e a intersec ao, , tem equac ao (, , ) = (3, 3, 6),
para todo . Portanto, o vetor = (3, 3, 6) gera a intersec ao . Como um vetor n ao nulo
e L.I. o conjunto { = (3, 3, 6)} e uma base da reta que e a intersec ao .
Alternativamente, podemos encontrar as equac oes param etricas da reta , intersec ao dos
planos determinando a soluc ao geral do sistema (4.5)
: + + = 0 ,
: 4 2 + = 0 .
(4.5)
Para isto devemos escalonar a matriz do sistema (4.5):
_
1 1 1 0
4 2 1 0
_
Precisamos zerar o outro elemento da 1
a
.
coluna, que e a coluna do piv o, para isto, adicionamos ` a
2
a
.
linha, 4 vezes a 1
a
.
linha.
41
a
.
linha + 2
a
.
linha 2
a
.
linha
_
1 1 1 0
0 6 3 0
_
Agora, j a podemos obter facilmente a soluc ao geral do sistema dado, j a que ele e equivalente ao
sistema
_
+ + = 0
6 3 = 0
A vari avel e uma vari avel livre. Podemos dar a ela um valor arbitr ario, digamos , para
Introduc ao ` a

qualquer. Assim, a soluc ao geral do sistema (4.5) e
=
1
2

=
1
2

=
para todo .
A reta que e a intersec ao, , tem equac ao (, , ) = (1/2, 1/2, 1), para todo (revise
o Exemplo 3.15 na p agina 213). Portanto, o vetor = (1/2, 1/2, 1) gera a intersec ao .
Como um vetor n ao nulo e L.I. o conjunto { = (1/2, 1/2, 1)} e uma base do subespaco que e a
reta intersec ao de com .
Observac ao. Como no exemplo anterior, em geral, o espaco soluc ao de um sistema linear ho-
mog eneo pode ser visto como uma intersec ao de subespacos que s ao as soluc oes de sistemas
formados por subconjuntos de equac oes do sistema inicial.
Exemplo 4.11. Considere o subespaco = {( +, +, + + 2) , , } de
3
. Vamos
encontrar um conjunto de geradores e uma base para .
Qualquer elemento de pode ser escrito como uma soma de vetores, sendo um vetor para
cada par ametro e cada vetor dependendo apenas de um par ametro, obtendo
= ( + , + , + + 2) = (, 0, ) + (0, , ) + (, , 2)
= (1, 0, 1) + (0, 1, 1) + (1, 1, 2).
Logo, denindo
1
= (1, 0, 1),
2
= (0, 1, 1) e
3
= (1, 1, 2), temos que {
1
,
2
,
3
} gera . Para
sabermos se {
1
,
2
,
3
} e base de , precisamos vericar se
1
,
2
e
3
s ao L.I. Para isto temos
que saber se a equac ao vetorial
1
+
2
+
3
=

0 (4.6)
262 Subespac os
ou equivalentemente,
=

0, em que = [
1

2

3
]
s o possui a soluc ao trivial. Escalonando a matriz , obtemos
=
1 0 1
0 1 1
0 0 0
.
Logo 4.6 tem soluc ao n ao trivial. Assim os vetores
1
,
2
e
3
s ao L.D. A soluc ao de (4.6) e dada por
= , = e = , para todo . Substituindo-se esta soluc ao em (4.6) obtemos
2
+
3
=

0
Tomando-se = 1 obtemos
3
=
2
+
1
. Assim o vetor
3
pode ser descartado na gerac ao de
, pois ele e combinac ao linear dos outros dois. Logo, apenas
1
e
2
s ao sucientes para gerar .
Como al em disso, os vetores
1
e
2
s ao tais que um n ao e m ultiplo escalar do outro, ent ao eles s ao
L.I. e portanto {
1
,
2
} e uma base de . Observe que a mesma relac ao que vale entre as colunas
de vale entre as colunas de (por que?).
Exemplo 4.12. Considere os vetores
1
= (1, 1, 0, 3) e
2
= (3, 3, 2, 1) linearmente inde-
pendentes de
4
. Vamos encontrar vetores
3
e
4
tais que {
1
,
2
,
3
,
4
} formam uma base de
4
.
Escalonando a matriz cujas linhas s ao os vetores
1
e
2
,
=
_
1 1 0 3
3 3 2 1
_
, obtemos =
_
1 1 0 3
0 0 1 4
_
Vamos inserir linhas que s ao vetores da base can onica na matriz at e conseguir uma matriz 4 4
triangular superior com os elementos da diagonal diferentes de zero. Neste caso acrescentando as
Introduc ao ` a

linhas
3
= [ 0 1 0 0 ] e
4
= [ 0 0 0 1 ] em posic oes adequadas obtemos a matriz
1 1 0 3
0 1 0 0
0 0 1 4
0 0 0 1
Vamos vericar que

1
,
2
,
3
e
4
s ao L.I.
1
+
2
2
+
3
3
+
4
4
=

0
e equivalente ao sistema linear
=

0, em que = [
1

2

3

4
].
Mas como det(

) = 0, ent ao det() = 0, pelo Teorema 2.13 na p agina 117, pois

pode ser obtida
de
aplicando-se operac oes elementares. Logo {

1
,
2
,
3
,
4
} e L.I. Como a dimens ao do
4
e
igual a 4 , ent ao pelo Teorema 4.2 na p agina 256, {
1
,
2
,
3
,
4
} e uma base de
4
.
264 Subespac os
4.1.1. Encontre um conjunto de geradores para o espaco soluc ao do sistema homog eneo =

0,
em que
(a) =
1 0 1 0
1 2 3 1
2 1 3 1
; (b) =
1 1 2 1
2 3 6 2
2 1 2 2
.
4.1.2. Encontre os valores de tais que o sistema homog eneo (
) =

0 tem soluc ao n ao
trivial e para estes valores de , encontre uma base para o espaco soluc ao, para as matrizes
dadas:
(a) =
0 0 1
1 0 3
0 1 3
;
(b) =
2 2 3 4
0 2 3 2
0 0 1 1
0 0 0 1
;
(c) =
1 1 2
1 2 1
0 1 1
;
(d) =
1 2 2 0
1 2 1 0
1 1 2 0
0 0 0 1
.
(e) =
2 3 0
0 1 0
0 0 2
;
(f) =
2 3 0
0 2 0
0 0 2
;
4.1.3. Determine uma base para a reta intersec ao dos planos 7 + 5 = 0 e 3 + = 0.
4.1.4. Sejam
1
= (4, 2, 3),
2
= (2, 1, 2) e
3
= (2, 1, 0).
(a) Mostre que
1
,
2
e
3
s ao L.D.
Introduc ao ` a

(b) Mostre que
1
e
2
s ao L.I.
(c) Qual a dimens ao do subespaco gerado por
1
,
2
e
3
, ou seja, do conjunto das
combinac oes lineares de
1
,
2
e
3
.
(d) Descreva geometricamente o subespaco gerado por
1
,
2
e
3
4.1.5. Dados
1
= (2, 1, 3) e
2
= (2, 6, 4):
(a) Os vetores
1
e
2
geram o
3
? Justique.
(b) Seja
3
um terceiro vetor do
3
. Quais as condic oes sobre
3
, para que {
1
,
2
,
3
} seja
uma base de
3
?
(c) Encontre um vetor
3
que complete junto com
1
e
2
uma base do
3
.
4.1.6. Seja o plano + 2 + 4 = 0. Obtenha uma base {
1
,
2
,
3
} de
3
tal que
1
e
2
pertencam a .
4.1.7. Considere os seguintes subespacos de
3
:
= [(1, 2, 3), (1, 3, 4)] e = [(1, 2, 1), (0, 1, 1)].
Encontre as equac oes param etricas da reta e uma base para o subespaco .
A notac ao [
1
,
2
] signica o subespaco gerado por
1
e
2
, ou seja, o conjunto de todas as
combinac oes lineares de
1
e
2
.
4.1.8. Seja = {(3 + 4 4, 2 4 6, 2 4 + 2) , , } um subespaco de
3
.
(a) Determine um conjunto de geradores para .
266 Subespac os
(b) Determine uma base para .
4.1.9. Dados
1
= (3, 5, 2, 1) e
2
= (1, 2, 1, 2):
(a) Os vetores
1
e
2
geram o
4
? Justique.
(b) Sejam
3
e
4
vetores do
4
. Quais as condic oes sobre
3
e
4
para que {
1
,
2
,
3
,
4
}
seja uma base de
4
?
(c) Encontre vetores
3
e
4
que complete junto com
1
e
2
uma base do
4
.
4.1.10. D e exemplo de:
(a) Tr es vetores:
1
,
2
e
3
, sendo {
1
} L.I., {
2
,
3
} L.I.,
2
e
3
n ao s ao m ultiplos de
1
e
{
1
,
2
,
3
} L.D.
(b) Quatro vetores:
1
,
2
,
3
e
4
, sendo {
1
,
2
} L.I., {
3
,
4
} L.I.,
3
e
4
n ao s ao
combinac ao linear de
1
e
2
e {
1
,
2
,
3
,
4
} L.D.
Exerccio usando o MATLAB
4.1.11. Dena a matriz aleat oria A=triu(randi(4,4,3)). Encontre os valores de tais que o sistema
homog eneo (
4
) =

0 tem soluc ao n ao trivial e para estes valores de , encontre uma
base para o espaco soluc ao.
Exerccios Te oricos
4.1.12. Seja uma matriz . Mostre que se o conjunto soluc ao do sistema linear = e um
subespaco, ent ao =

0, ou seja, o sistema linear e homog eneo. (Sugest ao: se e soluc ao
de = , ent ao = 0 tamb em o e.)
Introduc ao ` a

4.1.13. Determine uma base para o plano + + = 0 no caso em que = 0 e no caso em que
= 0.
4.1.14. Sejam e vetores do
. Mostre que o conjunto dos vetores da forma + e um

subespaco do
.
4.1.15. Mostre que se uma reta em
2
ou em
3
n ao passa pela origem, ent ao ela n ao e umsubespaco.
(Sugest ao: se ela fosse um subespaco, ent ao ...)
2 1 0 1 2 3 4
1
0
1
2
3
4
5
x
y
4.1.16. Sejam uma matriz e uma matriz 1. Mostre que o conjunto dos vetores para
os quais o sistema = tem soluc ao e um subespaco de
. Ou seja, mostre que o

conjunto
() = {
= , para algum
}
e um subespaco de
.
268 Subespac os
4.1.17. Sejam
1
e
2
dois subespacos.
(a) Mostre que
1

2
e um subespaco.
(b) Mostre que
1

2
e um subespaco se, e somente se,
1

2
ou
2

1
.
(c) Denimos a soma dos subespac os
1
e
2
por
1
+
2
= {
1
+
2

1

1
e
2

2
}.
Mostre que
1
+
2
e um subespaco que cont em
1
e
2
.
4.1.18. Sejam um subespaco de
e {
1
, . . . ,
} uma base de . Dena a matriz =

[
1
. . .
, com
1
, . . . ,
escritos como matrizes colunas. Sejam
o espaco

0 e {
1
, . . . ,
} uma base de
. Dena a ma-
triz = [
1
. . .
, com
1
, . . . ,
escritos como matrizes colunas. Mostre que e o

espaco soluc ao do sistema homog eneo =

0, ou seja,
= {
=

0}.
4.1.19. Sejamuma matriz e uma matriz 1. Seja
0
uma soluc ao (particular) do sistema
linear = . Mostre que se {
1
, . . . ,
} e uma base para o espaco soluc ao do sistema

homog eneo =

0, ent ao toda soluc ao de = pode ser escrita na forma
=
0
+
1
1
+ . . . +
,
em que
1
, . . . ,
s ao escalares. (Sugest ao: use o Exerccio 1.2.21 na p agina 73)

4.1.20. Mostre que a dimens ao do subespaco gerado pelas linhas de uma matriz escalonada reduzida
e igual a dimens ao do subespaco gerado pelas suas colunas.
Introduc ao ` a

4.1.21. Mostre que a dimens ao do subespaco gerado pelas linhas de uma matriz e igual a dimens ao
do subespaco gerado pelas suas colunas. (Sugest ao: Considere a forma escalonada reduzida
da matriz e use o exerccio anterior.)
270 Subespac os
Ap endice III: Outros Resultados
Teorema 4.3. Um subconjunto {
1
,
2
, . . . ,
} de um subespaco e uma base para se, e

somente se, todo vetor de e escrito de maneira unica como combinac ao linear de
1
,
2
, . . . ,
.
Demonstrac ao. Em primeiro lugar, suponha que todo vetor de e escrito de maneira unica
como combinac ao linear de
1
, . . . ,
. Vamos mostrar que {

1
,
2
, . . . ,
} e uma base de .
Como todo vetor e escrito como combinac ao linear de
1
, . . . ,
, basta mostrarmos que

1
, . . . ,
s ao L.I. Considere a equac ao
1
+ . . . +
=

0.
Como todo vetor e escrito de maneira unica como combinac ao linear de
1
, . . . ,
, em particular
temos que para =

0,
1
+ . . . +
=

0 = 0
1
+ . . . + 0
,
o que implica que
1
= 0, . . . ,
= 0, ou seja,
1
, . . . ,
s ao linearmente independentes. Portanto,

{
1
,
2
, . . . ,
} e base de .
Suponha, agora, que {
1
,
2
, . . . ,
} e base de . Seja um vetor qualquer de . Se
1
+ . . . +
= =
1
1
+ . . . +
,
ent ao
(
1
1
)
1
+ . . . + (
=

0.
Introduc ao ` a

Como
1
, . . . ,
formam uma base de , ent ao eles s ao L.I., o que implica que

1
=
1
, . . . ,
. Portanto, todo vetor de e escrito de maneira unica como combinac ao linear de

1
, . . . ,
Teorema 4.4. Se = {
1
, . . . ,
} e um conjunto de vetores que gera um subespaco , ou seja,

= [] = [
1
, . . . ,
], ent ao existe um subconjunto de que e base de .

Demonstrac ao. Se e L.I., ent ao e uma base de . Caso contr ario, e L.D. e pelo Teorema
3.11 na p agina 240, um dos vetores de e combinac ao linear dos outros. Assim, o subconjunto de
obtido retirando-se este vetor continua gerando . Se esse subconjunto for L.I., temos uma base
para , caso contr ario, continuamos retirando vetores do subconjunto at e obtermos um subconjunto
L.I. e a neste caso temos uma base para .
Vamos mostrar que se a dimens ao de um subespaco e , ent ao vetores que geram o
subespaco, , formam uma base (Corol ario 4.5) e que n ao podemos ter menos que vetores
gerando o subespaco (Corol ario 4.6).
S ao simples as demonstrac oes dos seguintes corol arios, as quais deixamos como exerccio.
272 Subespac os
Corol ario 4.5. Em um subespaco, , de dimens ao > 0, vetores que geram o subespaco, s ao
L.I. e portanto formam uma base.
Corol ario 4.6. Em um subespaco, , de dimens ao > 0, um conjunto com menos de vetores
n ao gera o subespaco.
Teorema 4.7. Se = {
1
, . . . ,
} e um conjunto de vetores L.I. em um subespaco de
,
ent ao o conjunto pode ser completado at e formar uma base de , ou seja, existe um conjunto
= {
1
, . . . ,
,
+1
. . . ,
} ( ), que e uma base de .

Demonstrac ao. Se {
1
, . . . ,
} gera , ent ao {
1
, . . . ,
} e uma base de . Caso contr ario, seja
+1
um vetor que pertence a , mas n ao pertence ao subespaco gerado por {
1
, . . . ,
}. Ent ao,
o conjunto {
1
, . . . ,
,
+1
} e L.I., pois caso contr ario
1
1
+ . . . +
+1
+1
=

0, implicaria que
+1
= 0 (por que?) e assim,
+1
seria combinac ao linear de
1
, . . . ,
, ou seja,
+1
pertenceria
ao subespaco
. Se {
1
, . . . ,
+1
} gera , ent ao {
1
, . . . ,
+1
} e uma base de . Caso
contr ario, o mesmo argumento e repetido para o subespaco gerado por {
1
, . . . ,
,
+1
}.
Pelo Corol ario 3.10 na p agina 238 este processo tem que parar, ou seja, existe um inteiro positivo
tal que {
1
, . . . ,
,
+1
, . . . ,
} e L.I., mas {
1
, . . . ,
,
+1
, . . . ,
, } e L.D. para
qualquer vetor de . O que implica que e combinac ao linear de {
1
, . . . ,
,
+1
, . . . ,
} (por
que?). Portanto, {
1
, . . . ,
,
+1
, . . . ,
} e uma base de .
Introduc ao ` a

Corol ario 4.8. Todo subespaco de
diferente do subespaco trivial {
0} tem uma base e a sua

dimens ao e menor ou igual a .
Os pr oximos resultados s ao aplicac oes ` as matrizes.
Proposic ao 4.9. Sejam e matrizes equivalentes por linhas. Sejam
1
, . . . ,
as colunas
1, . . . , , respectivamente, da matriz e
1
, . . . ,
as colunas 1, . . . , , respectivamente, da matriz

.
(a)
1
, . . . ,
s ao L.I. se, e somente se,
1
, . . . ,
tamb em o s ao.
(b) Se existem escalares
1
, . . . ,
tais que
1
+ +
,
ent ao
1
+ +
,
(c) O subespaco gerado pelas linhas de e igual ao subespaco gerado pelas linhas de .
274 Subespac os
Demonstrac ao. Se e equivalente por linhas a , ent ao pode ser obtida de aplicando-se uma
seq u encia de operac oes elementares. Aplicar uma operac ao elementar a uma matriz corresponde
a multiplicar a matriz ` a esquerda por uma matriz invertvel (Teorema 1.8 na p agina 59). Seja o
produto das matrizes invertveis correspondentes ` as operac oes elementares aplicadas na matriz
para se obter a matriz . Ent ao e invertvel e = .
(a) Vamos supor que
1
, . . . ,
s ao L.I. e vamos mostrar que
1
, . . . ,
tamb em o s ao. Se
1
+ +
=

0,
ent ao multiplicando-se ` a esquerda pela matriz obtemos
1
+ +
=

0.
Como
, para = 1, . . . , (Exerccio 1.1.18 (a) na p agina 28), ent ao
1
+ +
=

0.
Assim, se
1
, . . . ,
s ao L.I., ent ao
1
= . . . =
= 0. O que implica que
1
, . . . ,
tamb em s ao L.I.
Trocando-se por o argumento acima mostra que se
1
, . . . ,
s ao L.I., ent ao
1
, . . . ,
tamb em o s ao.
(b) Sejam
1
, . . . ,
escalares tais que
1
+ +
,
ent ao multiplicando-se ` a esquerda pela matriz obtemos
1
+ +
.
Introduc ao ` a

Como
, para = 1, . . . , (Exerccio 1.1.18 (a) na p agina 28), ent ao
1
+ +
.
(c) A matriz e obtida de aplicando-se uma seq u encia de operac oes elementares ` as linhas de
. Assim, toda linha de e uma combinac ao linear das linhas de . Logo, o espaco gerado
pelas linhas de est a contido no espaco gerado pelas linhas de . Como toda operac ao
elementar tem uma operac ao elementar inversa, o argumento anterior tamb em mostra que o
espaco gerado pelas linhas de est a contido no espaco gerado pelas linhas de . Portanto,
eles s ao iguais.

276 Subespac os
Somente agora podemos provar a unicidade da forma escalonada reduzida.
Teorema 4.10. Se = (
e = (
s ao matrizes escalonadas reduzidas equivalentes

por linhas a uma matriz = (
, ent ao = .
Demonstrac ao. Sejam e matrizes escalonadas reduzidas equivalentes a . Sejam
1
, . . . ,
as colunas de e
1
, . . . ,
as colunas de . Seja o n umero de linhas n ao nulas de . Sejam
1
, . . . ,
as colunas onde ocorrem os piv os das linhas 1, . . . , , respectivamente, da matriz . Ent ao

e s ao equivalentes por linha, ou seja, existe uma seq u encia de operac oes elementares que po-
demos aplicar em para chegar a e uma outra seq u encia de operac oes elementares que podemos
aplicar a e chegar a .
Assim, como as colunas 1, . . . ,
1
1 de s ao nulas o mesmo vale para as colunas 1, . . . ,
1
1
de . Logo o piv o da 1
a
.
linha de ocorre numa coluna maior ou igual a
1
. Trocando-se por e
usando este argumento chegamos a conclus ao que
1
=
1
e assim
1
=
1
, . . . ,
1
=
1
.
Vamos supor que
1
=
1
, . . . ,
e vamos mostrar que
+1
=
+1
, . . . ,
+1
=
+1
, se < ou
+1
=
+1
, . . . ,
, se = .
Observe que para =
+1, . . . ,
+1
1, se < , ou para =
+1, . . . , , se = , temos
que
= (
1
, . . . ,
, 0, . . . , 0) =
1
1
+ . . . +
,
Introduc ao ` a

o que implica pela Proposic ao 4.9 (b) na p agina 273 que
=
1
1
+ . . . +
.
Mas por hip otese
1
=
1
, . . . ,
, ent ao,
=
1
1
+ . . . +
,
para =
+ 1, . . . ,
+1
1, se < ou para =
+ 1, . . . , , se = .
Logo, se < , o piv o da ( + 1)- esima linha de ocorre numa coluna maior ou igual a
+1
.
Trocando-se por e usando o argumento anterior chegamos a conclus ao que
+1
=
+1
e
assim
1
=
1
, . . . ,
. E se = , ent ao
1
=
1
, . . . ,
.
Portanto = .
278 Subespac os
4.2 Espac o Linha e Espac o Coluna
Denic ao 4.3. Seja uma matriz .
(a) O subespaco de
gerado pelas linhas de e chamado espac o linha de , ou seja, o

conjunto de todas as combinac oes lineares das linhas de .
(b) O subespaco de
gerado pelas colunas de e chamado espac o coluna de , ou seja, o

conjunto de todas as combinac oes lineares das colunas de .
Os espacos linha e coluna de uma matriz s ao diferentes, em geral, mesmo se a matriz e quadrada,
como mostra o pr oximo exemplo.
=
_
1 1
0 0
_
.
O espaco linha de e o subespaco gerado pelo vetor (1, 1), enquanto o espaco coluna de e o
subespaco gerado pelo vetor (1, 0).
Apesar dos espacos linha e coluna de uma matriz serem diferentes, em geral, eles possuem
sempre a mesma dimens ao.
Introduc ao ` a

4.2 Espac o Linha e Espac o Coluna 279
Teorema 4.11. Seja uma matriz . O espaco linha e o espaco coluna de possuem a mesma
dimens ao.
Demonstrac ao. Seja uma matriz escalonada reduzida equivalente a matriz .
(a) Pela Proposic ao 4.9 (c) na p agina 273 os espacos linha de e de s ao iguais.
(b) Pela Proposic ao 4.9 (a) na p agina 273 as colunas
1
, . . . ,
da matriz s ao L.I. se, somente

se, as colunas
1
, . . . ,
da matriz tamb em o s ao.

Pelo item (a) a dimens ao do espaco linha de e igual a dimens ao do espaco linha de e pelo item
(b) a dimens ao do espaco coluna de e igual a dimens ao do espaco coluna de . Portanto, basta
provarmos o teorema para a matriz escalonada reduzida . Agora, a dimens ao do espaco linha de
e igual ao n umero de linhas n ao nulas, pois estas s ao linearmente independentes (verique!). A
dimens ao do espaco coluna de e igual ao n umero de piv os, pois as outras colunas s ao combinac ao
linear das colunas dos piv os e podem, portanto, ser descartadas para gerar o espaco coluna de .
Portanto, a dimens ao dos dois espacos s ao iguais.
4.2.1 Posto e Nulidade
Denic ao 4.4. Seja uma matriz .
(a) O posto de e a dimens ao do espaco linha ou do espaco coluna de , ou seja, e o n umero
m aximo de linhas e colunas L.I. da matriz .
280 Subespac os
(b) A nulidade de e a dimens ao do espaco soluc ao de =

0.
Exemplo 4.14. Considere a matriz =
1 2 1 1
2 4 3 0
1 2 1 5
.
A forma escalonada reduzida da matriz e a matriz =
1 2 0 3
0 0 1 2
0 0 0 0
. As linhas n ao nulas de
,
1
= (1, 2, 0, 3) e
2
= (0, 0, 1, 2), formam uma base para o espaco linha de . Portanto, o posto
de e igual a 2.
Quanto ao espaco coluna, sejam
1
,
2
,
3
e
4
as colunas de . Sejam
1
,
2
,
3
e
4
as colunas de . As colunas sem piv os podem ser descartadas na gerac ao do espaco coluna de ,
pois elas s ao combinac ao linear das colunas dos piv os. As colunas correspondentes de podem,
tamb em, ser descartadas na gerac ao do espaco coluna de , pois os mesmos escalares que fazem
a combinac ao linear nula de
1
,
2
,
3
e
4
, fazem a combinac ao linear nula de
1
,
2
,
3
e
4
.
Assim,
1
= (1, 2, 1) e
3
= (1, 3, 1) formam uma base para o espaco coluna de .
Vamos apresentar a seguir uma outra forma de calcular o posto de uma matriz. Uma submatriz de
uma matriz e a pr opria matriz ou qualquer matriz obtida de retirando-se linha(s) e/ou coluna(s).
(a) O posto de e igual a = min{, } se, e somente se, o determinante de uma submatriz
e diferente de zero.
Introduc ao ` a

(b) O posto de e igual ao maior inteiro positivo tal que alguma submatriz de possui
determinante n ao nulo.
Demonstrac ao. (a) Podemos supor que , j a que o posto de e igual ao posto de
.
Neste caso, = e o posto de e se, e somente se, existem colunas linearmente
independentes. Mas existem colunas linearmente independentes se, e somente se, existe
uma submatriz cujas colunas s ao linearmente independentes, ou seja, com o seu de-
terminante diferente de zero.
(b) Se as colunas de s ao L.I., ent ao posto() = min{, } e o resultado decorre do item
anterior. Caso contr ario, existe uma coluna de que e combinac ao linear das outras e o posto
de e igual ao posto da submatriz obtida de retirando-se esta coluna. Este processo pode
ser continuado at e se obter uma submatriz cujas colunas s ao linearmente independentes e cujo
posto e igual ao de . O posto desta submatriz e igual ao mnimo entre o seu n umero de linhas
e o seu n umero de colunas e e tamb em igual ao posto de . Aplicando-se o item anterior a
esta submatriz obtemos o resultado.
Exemplo 4.15. Considere a seguinte matriz =

_
3
3
_
. Se det
_
3
3
_
=
2
9 =
( 3)( + 3) = 0, det
_

3
_
=
2
3 = ( + 3) = 0 e det
_
3

_
=
2
+ 3 =
( + 3) = 0, ent ao o posto de e igual a 1. Assim, posto() = 1 se, e somente se, = 3. Caso
contr ario, o posto de e igual a 2.
282 Subespac os
4.2.2 Aplicac ao a Sistemas Lineares
Os conceitos de espaco linha e espaco coluna s ao uteis no estudo de sistemas lineares. Osistema
= e equivalente a equac ao
11
21
.
.
.
+
2
12
22
.
.
.
+ . . . +
2
.
.
.
2
.
.
.
.
Assim, o sistema = tem soluc ao se, e somente se, e uma combinac ao linear das colunas
de , ou seja, se, e somente se, pertence ao espaco coluna de .
Proposic ao 4.13. Sejam uma matriz e uma matriz 1. O sistema linear =
tem soluc ao se, e somente se, pertence ao espaco coluna de .
O espaco soluc ao do sistema =

0 e chamado de n ucleo de e e denotado por ().
Proposic ao 4.14. Seja uma matriz . O sistema linear = , para todo
,
(a) tem soluc ao se, e somente se, as colunas de geram o
(posto() = );
(b) tem no m aximo uma soluc ao se, e somente se, as colunas de s ao linearmente independentes
(() = {
0}).
Introduc ao ` a

Demonstrac ao. (a) Pela Proposic ao 4.13, o sistema temsoluc ao para todo
se, e somente
se, o espaco coluna de e igual ao
, da decorre o resultado.
(b) Se o sistema = tem no m aximo uma soluc ao para todo
, ent ao o sistema
homog eneo =

0 tem somente a soluc ao trivial, da segue-se que as colunas de s ao
linearmente independentes e () = {
0}. Se por outro lado, () = {
0}, ou seja, a unica


0 e a soluc ao trivial, e
1
e
2
s ao soluc oes de
= , ent ao
1

2
e soluc ao de =

0 (verique!). Assim,
1

2
=

0, ou
seja,
1
=
2
.
Segue do item (a) da proposic ao anterior que um sistema linear = com mais inc ognitas
do que equac oes n ao pode ter soluc ao para todo . Segue tamb em da proposic ao anterior, que o
sistema = tem exatamente uma soluc ao para todo
se, e somente se, as colunas

de formam uma base do
. E isto ocorre se, e somente se, = e uma das duas condic oes
ocorre: ou () = {
0} ou posto() = = .
Teorema 4.15. Sejam uma matriz e uma matriz 1. O sistema linear = ,
(a) tem soluc ao se, e somente se, posto([ ]) = posto();
(b) tem soluc ao unica se, e somente se, posto([ ]) = posto() = .
284 Subespac os
Demonstrac ao. (a) Suponha, em primeiro lugar, que o sistema = tem soluc ao. Ent ao,
e combinac ao linear das colunas de . Portanto, o espaco coluna de [ ] e igual ao espaco
coluna de , ou seja, posto([ ]) = posto().
Por outro lado, se posto([ ]) = posto(), ent ao pertence ao espaco coluna de , ou
seja, e combinac ao linear das colunas de . Portanto, o sistema = tem soluc ao.
(b) Do item anterior podemos assumir que = tem soluc ao. Seja
0
uma soluc ao particular
de = . Ent ao, = +
0
e soluc ao de = se, e somente se, e soluc ao
do sistema homog eneo =

0. Assim, = tem soluc ao unica se, e somente se, o
sistema homog eneo =

0, tem somente a soluc ao trivial. E isto acontece se, e somente se,
as colunas de s ao linearmente independentes, ou seja, as colunas de formam uma base
para o seu espaco coluna ou equivalentemente posto() = .
Exemplo 4.16. Considere o sistema

_
+ 3 =
3 + =
.
Para este sistema, =
_
3
3
_
e =
_

_
.
O sistema tem soluc ao unica se, e somente se, posto() = 2 (neste caso, posto() = 2 implica
que posto([]) = 2). Agora, posto() = 2 se, e somente se, det() = 0. Como det() =
2
9,
ent ao o sistema tem soluc ao unica se, e somente se, = 3.
O sistema tem innitas soluc oes se, e somente se, posto([]) = 1 (neste caso,
posto([]) = 1 implica que posto() = 1). Agora, posto([]) = 1 se, e somente se,
det() = 0, det(
1
) = 0 e det(
2
) = 0, em que
1
=
_
3

_
e
2
=
_

3
_
. Como
det(
1
) =
2
+ 3 = ( + 3) e det(
2
) =
2
3 = ( + 3), ent ao o sistema tem innitas
Introduc ao ` a

soluc oes se, e somente se, = 3.
O sistema n ao tem soluc ao se, e somente se, posto() = 1 e posto([]) = 2. Agora,
posto() = 1 se, e somente se, det() = 0. E posto([]) = 2 se, e somente se, det() = 0, ou
det(
1
) = 0 ou det(
2
) = 0. Assim o sistema n ao tem soluc ao se, e somente se, = 3.
Proposic ao 4.16. Sejamuma matriz e uma matriz 1. Seja
0
uma soluc ao (particular)
do sistema linear = . Se
1
, . . . ,
formam uma base para o n ucleo de , ent ao toda soluc ao

de = pode ser escrita na forma
=
0
+
1
1
+ . . . +
, (4.7)
em que
1
, . . . ,
s ao escalares. Reciprocamente, para todos os escalares

1
, . . . ,
a express ao
(4.7) e soluc ao do sistema = .
Demonstrac ao. Seja uma soluc ao qualquer do sistema = . Ent ao,
0
e soluc ao do
sistema homog eneo, pois (
0
) =
0
= =

0. Como
1
, . . . ,
formam uma
base para o n ucleo de , existem escalares
1
, . . . ,
tais que

0
=
1
1
+ . . . +
.
Da segue-se a equac ao (4.7). Por outro lado, se
1
, . . . ,
s ao escalares, ent ao
(
0
+
1
1
+ . . . +
) =
0
+
1
1
+ . . . +
= +

0 + . . . +

0 = ,
ou seja, a express ao (4.7) e soluc ao de = .
286 Subespac os
x
y
0
+

0
()
Figura 4.10: Soluc ao de = e de
=

0, se () = {
0}
x
y
0
=
0
+

0
0
Figura 4.11: Soluc ao de = e de
=

0, se () = {
0}
Introduc ao ` a

4.2.3 A Imagem de uma Matriz
Seja uma matriz . Pela Proposic ao 4.13 na p agina 282, o espaco coluna de e igual
ao conjunto dos vetores
tais que o sistema linear = tem soluc ao, ou seja, e igual ao

conjunto
() = {
= para algum
},
chamado de imagem de , por que e a imagem da func ao :
que associa a cada vetor

o vetor
, () = . De forma an aloga, se v e que o espaco linha de e igual a

imagem de
. A func ao :
denida por () = , para uma matriz e chamada

transformac ao linear associada ` a matriz .
Proposic ao 4.17. Seja uma matriz . O espaco coluna de e igual a () e o espaco linha
e igual a (
).
A dimens ao do n ucleo de (nulidade), e a dimens ao da imagem de (posto) n ao s ao indepen-
dentes um do outro, como mostra o pr oximo resultado.
Teorema 4.18 (da Dimens ao do N ucleo e da Imagem). Seja uma matriz . A soma da
dimens ao do n ucleo de (nulidade) com a dimens ao da imagem de (posto) e igual ao n umero de
colunas da matriz , ou seja,
dim(()) + dim(()) = ou nulidade() + posto() = .
288 Subespac os
() =
(
0) =

0
Figura 4.12: A func ao :
dada por () =
Introduc ao ` a

Demonstrac ao. Seja =
. Sejam
1
, . . . ,
vetores de , que formam uma base para o n ucleo

de . Vamos estend e-la a uma base de . Sejam
+1
, . . . ,
vetores de tais que

1
, . . . ,
formam uma base de . Vamos mostrar que

+1
, . . . ,
formam uma base da imagem de .

Para isso, precisamos mostrar que eles geram a imagem de e que eles s ao L.I.
Vamos mostrar, em primeiro lugar, que
+1
, . . . ,
geram a imagem de . Seja ().

Ent ao existe tal que = . Como
1
, . . . ,
e base de , existem escalares

1
, . . . ,
tais que =
1
1
+. . .+
. Multiplicando ` a esquerda por e usando que

1
= . . . =
=

0,
obtemos que
+1
+1
+ . . . +
= , ou seja,
+1
, . . . ,
geram a imagem de .
Vamos mostrar, agora, que
+1
, . . . ,
s ao linearmente independentes. Se
+1
+1
+
. . . +
=

0, ent ao (
+1
+1
+. . . +
) =

0. Mas, isto implica que
+1
+1
+. . . +
pertence ao n ucleo de , ou seja, existem escalares

1
, . . . ,
tais que
+1
+1
+ . . . +
1
+ . . . +
. Da segue-se que
1
1
+ . . . +

+1
+1
. . .
=

0. Como
1
, . . . ,
e base, ent ao
1
= . . . =
=
+1
= . . . =
= 0, ou seja,
+1
, . . . ,
s ao L.I.
Portanto, a dimens ao da imagem de e igual a diferenca entre e a dimens ao do n ucleo de .
Da segue-se o resultado.
Segue do Teorema da Dimens ao do N ucleo e da Imagem que o n umero de vari aveis livres na
soluc ao geral de um sistema linear = e igual a dimens ao do n ucleo de .
290 Subespac os
4.2.1. Para cada uma das seguintes matrizes, encontre uma base para o espaco linha e para o espaco
coluna.
(a)
1 4 5 2
2 1 3 0
1 3 2 2
(b)
1 4 5 4
1 4 4 5
0 0 2 0
4.2.2. Determine a dimens ao do subespaco de

3
gerado pelos vetores:
(a) (1, 2, 2), (2, 2, 4), (3, 3, 6)
(b) (1, 3, 4), (6, 2, 1), (2, 2, 3), (4, 8, 9)
4.2.3. Seja =
1 2 2 3 1 4
2 4 5 5 4 9
3 6 7 8 5 9
.
(a) Determine a forma escalonada reduzida da matriz . Quais as colunas de que cor-
respondem ` as vari aveis livres. Escreva cada uma destas colunas como uma combinac ao
linear das colunas correspondentes aos piv os.
(b) Quais as colunas de que correspondem aos piv os de ? Estas colunas formam
uma base para o espaco coluna de . Escreva cada uma das colunas restantes como
combinac ao linear das colunas da base.
4.2.4. Determine o posto e a nulidade das seguintes matrizes:
(a)
_
1 2 0
2 4 1
_
(b)
_
1 2 3
2 4 6
_
(c)
1 0 1
2 1 3
3 1 4
(d)
1 1 2 0
3 1 0 0
1 2 4 0
Introduc ao ` a

4.2.5. Discuta como o posto de varia com .
(a) =
1 1
1 1
1 1
(b) =
3 1
3 6 2
1 3
4.2.6. Encontre o maior valor possvel para posto() e o menor valor possvel para nulidade().
(a) e 2 3 (b) e 3 2 (c) e 3 3 (d) e .
4.2.7. Seja uma matriz n ao nula. Encontre os valores de posto() e de posto([]) para os quais
o sistema linear = tem soluc ao unica, n ao tem soluc ao e tem innitas soluc oes.
(a) e 2 3 (b) e 3 2 (c) e 3 3 (d) e
Exerccios Te oricos
4.2.8. Seja uma matriz .
(a) A matriz e invertvel se, e somente se, () = {
0}.
(b) Mostre que posto() = se, e somente se, as colunas de s ao linearmente indepen-
dentes.
(c) Mostre que o sistema homog eneo =

0 tem soluc ao n ao trivial se, e somente se, o
posto() < .
(d) Mostre que o posto de e se, e somente se, det() = 0.
4.2.9. Sejam = [
1
. . .
] e = [
1
. . .
] matrizes 1 e 1 , respectivamente. Seja

=
. Mostre que {} e uma base para o espaco coluna de e que { } e uma base
para o espaco linha. Qual e a dimens ao do ()?
292 Subespac os
4.2.10. Mostre que se e uma matriz, , de posto igual a 1, ent ao existem matrizes =
[
1
. . .
] e = [
1
. . .
], 1 e 1 , respectivamente, tais que =
. (Su-
gest ao: Tome tal que {} e uma base para o espaco coluna de .)
4.2.11. Sejam e matrizes e , respectivamente. Mostre que pode ser escrita como
uma soma de matrizes de posto igual a 1.
4.2.12. Sejam e matrizes e , respectivamente. Seja = . Mostre que:
(a) O espaco coluna de est a contido no espaco coluna de .
(b) O espaco linha de est a contido no espaco linha de .
(c) posto() min(posto(), posto()).
(d) Se as colunas de e s ao linearmente independentes, ent ao as colunas de tamb em
s ao linearmente independentes.
(e) Se as linhas de e s ao linearmente independentes, ent ao as linhas de tamb em s ao
linearmente independentes.
(f) Se as colunas de s ao linearmente dependentes, ent ao as colunas de tamb em s ao
linearmente dependentes.
(g) Se as linhas de s ao linearmente dependentes, ent ao as linhas de tamb em s ao line-
armente dependentes.
(h) O n ucleo de est a contido no n ucleo de .
4.2.13. Seja uma matriz . Se e s ao matrizes invertveis e , respectivamente,
ent ao , e possuem o mesmo posto.
Introduc ao ` a

4.2.14. Sejam e matrizes . Mostre que =

0 se, e somente se, o espaco coluna de
est a contido no n ucleo de .
4.2.15. Seja uma matriz e uma matriz 1. Para cada , dena a matriz
como sendo a
matriz que se obtem de substituindo-se a - esima coluna por .
(a) Mostre que se para algum , det(
) = 0, ent ao posto([]) = .
(b) Suponha que o det() = 0. Mostre que se para algum , det(
) = 0, ent ao o sistema
= n ao tem soluc ao.
(c) Mostre que se det(
) = 0 para = 1, . . . , e det() = 0, ent ao tanto pode ocorrer

que o sistema = tenha innitas soluc oes, como pode ocorrer que ele n ao tenha
soluc ao.
294 Espac os Vetoriais
4.3 Espac os Vetoriais Abstratos (opcional)
Podemos generalizar o conceito de vetores ainda mais. Vamos estabelecer um conjunto de axio-
mas, os quais se forem satisfeitos por um conjunto de elementos, estes ser ao chamados de vetores.
Os axiomas ser ao escolhidos abstraindo-se as propriedades mais importantes de vetores no
.
Assim, os vetores do
satisfar ao automaticamente estes axiomas.

Denic ao 4.5. Dizemos que um conjunto = , munido de duas operac oes, uma soma e uma
multiplicac ao por escalar:
(0) Se , , ent ao + ;
(0) Se e (ou ), ent ao ;
e um espac o vetorial sobre (ou ) se satisfaz os seguintes axiomas:
(1) Para todos os , , + = + ;
(2) Para todos os , , , + ( + ) = ( +) + ;
(3) Existe um elemento

0 , tal que +

0 =

0 + = , para todo ;
(4) Para cada , existe um elemento tal que + ( ) = ( ) + =

0;
(5) Para todo e todos os escalares e , ( ) = () ;
(6) Para todos os , e todo escalar , ( + ) = + ;
Introduc ao ` a

4.3 Espac os Vetoriais Abstratos 295
(7) Para todo e todos os escalares e , ( + ) = + ;
(8) Para todo , 1 = .
Os elementos de s ao chamados vetores. O vetor

0 e chamado vetor nulo e para cada
o vetor e chamado o sim etrico ou inverso aditivo de . A diferenc a de dois vetores e denida
por = + (). Se e s ao vetores tais que = , para algum escalar , ent ao
dizemos que e um m ultiplo escalar de .
Exemplo 4.17. Para um n umero inteiro positivo, o conjunto =
com as operac oes de soma e

multiplicac ao por escalar denidas em (3.17) e (3.18) e um espaco vetorial sobre , pelo Teorema 3.7
na p agina 225. Em particular e um espaco vetorial sobre ele mesmo.
Exemplo 4.18. O conjunto dos n umeros complexos, , com as operac oes usuais e um espaco veto-
rial sobre ele mesmo, mas e tamb em um espaco vetorial sobre .
Exemplo 4.19. Segue das propriedades da algebra matricial, Teorema 1.1 na p agina 10, que o con-
junto
de todas as matrizes com entradas que s ao n umeros reais (n umeros complexos)

com as operac oes usuais de soma e multiplicac ao por escalar e um espaco vetorial sobre (sobre
).
Exemplo 4.20. Seja um conjunto n ao vazio qualquer. Seja (; ) o conjunto das func oes reais,
: . Para e func oes de (; ) e um escalar denimos a soma + por
( + )() = () + (), para todo
e a multiplicac ao de pelo escalar por
()() = (), para todo .
Vamos mostrar que o conjunto (; ) e um espaco vetorial sobre . Sejam , , (; ) e
, escalares.
(1) ( + )() = () + () = () + () = ( + )(), para todo ;
(2) [ + ( + )]() = () + ( + )() = () + (() + ()) = (() + ()) + () =
( + )() + () = [( + ) + ](), para todo ;
(3) Seja

0 a func ao identicamente nula. ( +

0)() = () +

0() = (), para todo ;
(4) Dada a func ao denimos a func ao por ()() = (), para todo . [ +
()]() = () + (() = 0 =

0(), para todo ;
(5) [()]() = ()() = (()) = ()() = [()](), para todo ;
(6) [( + )]() = ( + )() = (() + ()) = () + () = ()() + ()() =
( +)(), para todo ;
(7) [( + )]() = ( + )() = () + () = ()() + ()() = [ + ](), para
todo ;
Introduc ao ` a

(8) (1)() = 1() = (), para todo ;
Variando o conjunto obtemos v arios exemplos de espaco vetorial.
Se e igual a {1, . . . , }, ent ao (; ) =
, pois podemos identicar cada vetor (

1
, . . . ,
)
de
com a func ao : {1, . . . , } denida por (1) =

1
, . . . , () =
.
Se e igual ao produto cartesiano {1, . . . , } {1, . . . , }, ent ao (; ) =
, pois po-
demos identicar cada matriz (
com a func ao : {1, . . . , } {1, . . . , } denida por

(1, 1) =
11
, . . . , (1, ) =
1
, . . . , (, 1) =
1
, . . . , (, ) =
.
Exemplo 4.21. O conjunto
das seq u encias de n umeros reais, ou seja, o conjunto das listas in-
nitas (
1
,
2
, . . . ,
, . . .) tais que
, para = 1, 2, 3, . . ., com as operac oes

(
1
,
2
, . . . ,
, . . .) + (
1
,
2
, . . . ,
, . . .) = (
1
+
1
,
2
+
2
, . . . ,
, . . .)
(
1
,
2
, . . . ,
, . . .) = (
1
,
2
, . . . ,
, . . .)
e um espaco vetorial sobre . Pois
= ({1, 2, 3, . . .}; ), j a que podemos identicar cada

seq u encia (
), com a func ao : {1, . . . , , . . .} denida por (1) =

1
, . . . , () =
, . . ..
Exemplo 4.22. Seja = [ ] o conjunto dos polin omios sobre em uma vari avel , ou seja, o
conjunto das express oes da forma
() =
0
+
1
+
2
2
+ +
+ . . . =
,
em que existe um inteiro positivo tal que
= 0, para todo inteiro > e

0
,
1
, . . . ,
. O
polin omio identicamente nulo e aquele em que
= 0, para todo .
Sejam() =
0
+
1
+ +
+. . . =
e () =
0
+
1
+ +
+. . . =
dois polin omios quaisquer. A soma e denida por

() + () = (
0
+
0
) + (
1
+
1
) + + (
+ . . . =
.
A multiplicac ao por um escalar e denida por
() = (
0
) + (
1
) + + (
+. . . =
.
Vamos mostrar que o conjunto = [ ] e um espaco vetorial sobre .
Sejam () =
, () =
, () =
e , escalares.
(1) () + () =
= () + ().
(2) () + (() +()) =
+
_
_
=
+ (
)]
[(
) +
=
_
_
+
= (() +()) + ().

Introduc ao ` a

(3) Seja

0() o polin omio nulo.
() +

0() =
+ 0)
= ().
(4) Dena o polin omio ()() =
.
() + (()) =
+ (
))
=

0().
(5) (()) = (
) =
= ()().
(6) (() + ()) =
[(
)]
= () + ().
(7) (+)() =
(+)
= ()+().
(8) 1() =
(1
= ().
Proposic ao 4.19. S ao v alidas as seguintes propriedades em um espaco vetorial :
(a) 0 =

0, para todo em ;
(b)
0 =

0, para todo escalar ;
(c) Se =

0, ent ao = 0 ou =

0;
(d) (1) = , para todo pertencente a .
Demonstrac ao. (a) Usando-se o axioma (2) de espaco vetorial, temos que
0 + 0 = (0 + 0) = 0 .
Somando-se o sim etrico de 0 ao primeiro e ao ultimo membro e usando os axiomas (2) e (4)
temos que
((0 ) + 0 ) + 0 = 0 + 0 =

0.
Aplicando-se novamente o axioma (4) no primeiro membro, chegamos a 0 =

0.
(b) Este item se prova de forma inteiramente an aloga ao anterior, mas a partir de
0 +
0.
(c) Se = 0, ent ao pelos axiomas (8) e (5) e pelo item (b), temos que
= 1 =
_
1
_
=
1
( ) =
1
0 =

0.
(d) Usando-se os axiomas (8) e (7) e o item (a) temos que
(1) + = (1) + 1 = (1 + 1) = 0 =

0
Somando-se ao primeiro e ao ultimo membro e usando os axiomas (2), (4), (3) temos que
(1) =

0 + ( ) = .
Introduc ao ` a

Denic ao 4.6. Seja um espaco vetorial. Dizemos que um subconjunto = , de e um
subespac o de , se ele tamb em e um espaco vetorial com relac ao ` as mesmas operac oes deni-
das em .
Para vericarmos se um subconjunto de um espaco vetorial e um subespaco n ao e necess aria a
vericac ao dos oito axiomas al em dos dois que denem a soma e a multiplicac ao por escalar.
Teorema 4.20. Seja um espaco vetorial. Um subconjunto n ao vazio, , e um subespaco de
se, e somente se, as operac oes de soma e multiplicac ao por escalar est ao bem denidas, ou seja,
se
(0) Se , , ent ao + ;
(0) Se e e um escalar, ent ao ;
Demonstrac ao. Se e um subespaco, ent ao obviamente as (0) e (0) s ao satisfeitas. Suponha,
agora, que as condic oes (0) e (0) s ao vericadas para . Como e um subconjunto de , ent ao os
Axiomas (1), (2), (5), (6), (7) e (8) da Denic ao 4.5 na p agina 294 s ao satisfeitos para os elementos
de , pois s ao satisfeitos para todos os elementos de .
Vamos mostrar que os Axiomas (3) e (4) s ao tamb em satisfeitos, se (0) e (0) s ao vericados. Para
qualquer elemento de , pela Proposic ao 4.19, 0 =

0 e = (1) , ou seja, o vetor nulo

0 e
o sim etrico de s ao m ultiplos escalares de , que por (0) pertence a .
Exemplo 4.23. Se e um espaco vetorial, ent ao e um subespaco dele mesmo. E o subconjunto
formado apenas pelo vetor nulo, = {
0}, e claramente um subespaco de . Assim, todo espaco

vetorial = {
0} possui pelo menos dois subespacos.

2
n ao e um subespaco de
3
, pois
2
n ao e um subconjunto de
3
.
Exemplo 4.25. Os subconjuntos = {(, )
2
0, 0} e = {(, )
2
0}
n ao s ao subespacos de
2
. Pois, para o primeiro, enquanto = (1, 1) , = (1) =
(1, 1) . Enquanto para o segundo, = (1, 0), = (0, 1) , + = (1, 1) .
Exemplo 4.26. Seja = {
0} um espaco vetorial. Seja um vetor n ao nulo de . Vamos mostrar

que o conjunto dos m ultiplos escalares de ,
= { e um escalar},
e um subespaco de .
(0) Sejam
1
e
2
elementos de . Ent ao existem escalares
1
e
2
tais que
1
=
1
e
2
=
2
. Logo
1
+
2
=
1
+
2
= (
1
+
2
).
Assim,
1
+
2
e um m ultiplo escalar de e portanto pertence a .
Introduc ao ` a

x
y
(1)
Figura 4.13: ={(, )
2
0, 0}
x
y
+
Figura 4.14: = {(, )
2
0}
x
y
z
1
+
2
Figura 4.15: Soma de vetores da reta =
x
y
z
Figura 4.16: Multiplicac ao de vetor por es-

calar da reta =
Introduc ao ` a

x
y
z
1
+
2
Figura 4.17: Soma de vetores do plano
1
+
2
+
3
= 0
x
y
z
Figura 4.18: Multiplicac ao de vetor por es-

calar do plano
1
+
2
+
3
= 0
(0) Seja um elemento de e um escalar. Ent ao existe um escalar tal que = . Logo
= ( ) = ().
Assim, e um m ultiplo escalar de e portanto pertence a .
1
, . . . ,
) um vetor de
xo. O conjunto denido por

= {(
1
, . . . ,
1
+ . . . +
= 0}
e um subespaco de
.
(0) Se = (
1
, . . . ,
) e = (
1
, . . . ,
) pertencem a , ent ao
1
1
+ . . . +
= 0 e
1
+ . . . +
= 0 e portanto
+ = (
1
+
1
, . . . ,
)
tamb em pertence a , pois
1
(
1
+
1
) + . . . +
) = (
1
1
+ . . . +
) + (
1
1
+ . . . +
) = 0 + 0 = 0.
(0) Se = (
1
, . . . ,
) pertence a , ent ao
= (
1
, . . . ,
)
tamb em pertence a , pois
1
(
1
) + . . . +
) = (
1
1
+ . . . +
) = 0 = 0 .
Introduc ao ` a

Por outro lado, suponha que o conjunto denido por
= {(
1
, . . . ,
1
+ . . . +
= }
seja um subespaco de
, em que e um n umero real xado.

Se e um subespaco e , ent ao 0 =

0 tamb em pertence a , ou seja, o subespaco
tem que conter a origem. Substituindo-se

0 = (0, . . . , 0) na equac ao que dene o conjunto, obtemos
que
1
0 + . . . +
0 = , ou seja, = 0.
Se = (
1
, . . . ,
) =

0, ent ao e chamado um hiperplano de
. Para = 3 os hiperplanos
s ao planos e para = 2 os hiperplanos s ao retas.
Exemplo 4.28. O conjunto das matrizes sim etricas :
1
= {
= }
e o conjunto das matrizes anti-sim etricas :
2
= {
= }
s ao subespacos do espaco
das matrizes , pois a soma de matrizes (anti-)sim etricas e uma

matriz (anti-)sim etrica (verique!). O mesmo ocorre com a multiplicac ao por escalar.
dos polin omios de grau (o maior ndice tal que
= 0) menor ou
igual a juntamente com o polin omio nulo e um subespaco do espaco dos polin omios . Pois, a soma
de polin omios de grau menor ou igual a e um polin omio de grau menor ou igual a e a multiplicac ao
de um polin omio por escalar e um polin omio de mesmo grau.
Exemplo 4.30. Seja
()
o conjunto das listas innitas (
1
,
2
, . . . ,
, . . .) de n umeros reais tais

que
= 0 apenas para um n umero nito de ndices .

()
e um subespaco de
, pois a soma de
duas listas com um n umero nito de componentes n ao nulas e uma lista que tamb em tem somente
um n umero nito de componentes n ao nulas. O mesmo ocorre com a multiplicac ao por escalar.
Exemplo 4.31. Seja um conjunto n ao vazio. O conjunto
1
= { (; ) () = () para todo }
das func oes, : , pares e o conjunto
2
= { (; ) () = () para todo }
das func oes, : , mpares s ao subespacos, pois a soma de func oes (m)pares e a
multiplicac ao de uma func ao (m)par por um escalar s ao tamb em func oes (m)pares (verique!).
0
() das func oes reais contnuas, que s ao denidas no intervalo , e um
subespaco do espaco das func oes reais (; ). Pois, a soma de func oes contnuas e uma func ao
contnua e o mesmo acontece com a multiplicac ao de uma func ao contnua por um escalar.
Exemplo 4.33. Seja
(), para inteiro positivo, o conjunto das func oes reais que possuem a -
esima derivada contnua no intervalo .
() e um subespaco de
(), para 0 . E
(),
o conjunto das func oes que possuem todas as derivadas, e um subespaco de
(), para todo

inteiro positivo.
Introduc ao ` a

4.3.1. Determine o vetor , tal que 3 2 = 15( ), para vetores e xos dados.
4.3.2. Determine o vetor , tal que
_
6 2 =
3 + = +
, para vetores e xos dados.
4.3.3. Verique que o polin omio
2
+ 2 + 7 e combinac ao linear (soma de m ultiplos escalares) de
2
+ 1 e + 3.
4.3.4. Verique que a func ao constante igual a 3 e combinac ao linear de () = 5 tan
2
e () =
2
cos
2
.
4.3.5. Quais dos seguintes vetores s ao combinac ao linear de
1
= (4, 2, 3),
2
= (2, 1, 2) e
3
= (2, 1, 0)?
(a) (1, 1, 1);
(b) (4, 2, 6);
(c) (2, 1, 1);
(d) (1, 2, 3).
4.3.6. Verique se s ao espacos vetoriais os seguintes conjuntos:
(a) O
2
com a adic ao usual e a multiplicac ao por escalar denida por (, ) = (, 0).
(b) O
2
com (
1
,
1
) + (
2
,
2
) = (
1
+ 2
2
,
1
+ 2
2
) e a multiplicac ao por escalar usual.
(c) O
2
com (
1
,
1
) + (
2
,
2
) = (
1
+
2
,
1
+
2
) e a multiplicac ao por escalar usual.
(d) O conjunto dos n umeros reais positivos, com + = e =
. Qual e o vetor nulo?

Exerccios Te oricos
4.3.7. Sejamum conjunto n ao vazio e um espaco vetorial. Mostre que, com as denic oes naturais
de soma e multiplicac ao por escalar de func oes, o conjunto das func oes de em , (; ),
e um espaco vetorial.
4.3.8. Mostre que em um espaco vetorial o vetor nulo e unico e para cada vetor o sim etrico
tamb em e unico.
4.3.9. Prove que em um espaco vetorial , + = + implica que = .
4.3.10. Em um espaco vetorial, = implica que = ? E se =

0?
4.3.11. Mostre que se pertence a um espaco vetorial e e um inteiro positivo, ent ao =
+ . . . + ( parcelas).
Introduc ao ` a

Teste do Captulo
Considere a matriz
=
0 0 0
0 2 1
0 4 2
1. Encontre os valores de tais que o sistema homog eneo (

3
) =

0 tem soluc ao n ao
trivial.
2. Para os valores de encontrados no item anterior, encontre uma base para o espaco soluc ao
de (
3
) =

0.
3. Determine o espaco linha, o espaco coluna e o posto de .
Captulo 5
Ortogonalidade
5.1.1 Produto Interno

Vimos que podemos estender a soma e a multiplicac ao de vetores por escalar para o
. Pode-
mos estender tamb em os conceitos de produto escalar e ortogonalidade.
312
313
Denic ao 5.1. (a) Denimos o produto escalar ou interno de dois vetores = (
1
, . . . ,
) e
= (
1
, . . . ,
por
=
1
1
+
2
2
+ . . . +
=1
.
(b) Denimos a norma de um vetor = (
1
, . . . ,
por
=
2
1
+ . . . +
2
=1
.
Escrevendo os vetores como matrizes colunas, o produto interno de dois vetores
=
1
.
.
.
e =
1
.
.
.
pode ser escrito em termos do produto de matrizes como

=
.
314 Ortogonalidade
Exemplo 5.1. Sejam = (1, 2, 4, 3, 5) e = (5, 3, 1, 2, 1) vetores do
5
. O produto escalar
entre e e dado por
= (1)(5) + (2)(3) + (4)(1) + (3)(2) + (5)(1) = 6.
As normas de e s ao dadas por
=
1
2
+ (2)
2
+ 4
2
+ 3
2
+ 5
2
=
55,
=
5
2
+ 3
2
+ (1)
2
+ (2)
2
+ 1
2
=
40.
S ao v alidas as seguintes propriedades para o produto escalar e a norma de vetores do
.
Proposic ao 5.1. Se , e s ao vetores de
e e um escalar, ent ao
(a) = (comutatividade);
(b) ( + ) = + (distributividade em relac ao ` a soma);
(c) () = ( ) = ( );
(d) =
2
0 e = 0 se, e somente se, =

0;
(e) = ;
(f) (desigualdade de Cauchy-Schwarz);
Introduc ao ` a

315
(g) + + (desigualdade triangular).
Demonstrac ao. Sejam, ,
e . Usando o fato de que se os vetores s ao escritos como

matrizes colunas, ent ao o produto escalar pode ser escrito como o produto de matrizes, =
,
e as propriedades da algebra matricial (Teorema 1.1 na p agina 10), temos que
(a) =
1
1
+ +
=
1
1
+ +
= .
(b) ( + ) =
( + ) =
= + .
(c) ( ) = (
) = (
) = ()
= () . A outra igualdade e inteiramente

an aloga.
(d) e uma soma de quadrados, por isso e sempre maior ou igual a zero e e zero se, e somente
se, todas as parcelas s ao iguais a zero.
(e)
2
= (
1
)
2
+ + (
)
2
=
2
(
2
1
+ +
2
) =
2
2
. Tomando a raiz quadrada,
segue-se o resultado.
(f) A norma de + e maior ou igual a zero, para qualquer real. Assim,
0 +
2
= ( + ) ( + ) = (
2
)
2
+ (2 ) +
2
,
para qualquer real. Logo, o discriminante deste trin omio tem que ser menor ou igual a zero.
Ou seja, = 4( )
2
4
2

2
0. Logo, .
316 Ortogonalidade
(g) Pelo item anterior temos que
+
2
= ( + ) ( + ) =
2
+ 2 +
2

2
+ 2 +
2

2
+ 2 +
2
= ( + )
2
.
Tomando a raiz quadrada, segue-se o resultado.
Dizemos que dois vetores e s ao ortogonais se = 0. As propriedades do produto
escalar permitem introduzir o conceito de bases ortogonais no
. Antes temos o seguinte resultado.

Proposic ao 5.2. Se
1
, . . . ,
s ao vetores n ao nulos de
ortogonais, isto e,
= 0, para
= , ent ao
(a) O conjunto {
1
, . . . ,
} e L.I.
(b) Se =
=1
, ent ao
2
.
Demonstrac ao. (a) Considere a equac ao vetorial
1
+ . . . +
=

0 . (5.1)
Introduc ao ` a

317
Fazendo o produto escalar de ambos os membros de (5.1) com
, = 1, . . . , e aplicando as
propriedades do produto escalar, obtemos
1
(
1

) + . . . +
) + . . . +
) = 0 . (5.2)
Mas,
= 0, se = . Assim, de (5.2) obtemos que
2
= 0 .
Mas, como
=

0, ent ao
= 0 e
= 0, para = 1 . . . , .
(b) Seja
=
=1
. (5.3)
Fazendo o produto escalar de com
, para = 1, . . . , , obtemos que

=
_

=1
=1
(
) =
2
.
Assim,
2
, para = 1, . . . , .
Denimos a projec ao ortogonal de um vetor sobre um vetor n ao nulo por

318 Ortogonalidade
proj
=
_

2
_
.
Observe que a projec ao ortogonal de um vetor sobre um vetor n ao nulo e um m ultiplo escalar
do vetor . Al em disso temos o seguinte resultado.
Proposic ao 5.3. Seja
um vetor n ao nulo. Ent ao, proj
e ortogonal a , para
qualquer vetor
.
Demonstrac ao. Precisamos calcular o produto escalar de com proj
:
( proj
) =
_

2
_
= 0.
Portanto, proj
e ortogonal a .
O pr oximo resultado e uma generalizac ao da Proposic ao 5.3.
Introduc ao ` a

319
p
r
o
j
proj
p
r
o
j
proj

Figura 5.1: Projec ao ortogonal do vetor sobre o vetor
proj
1
+proj
proj
proj
p
r
o
j
p
r
o
j
2
Figura 5.2: proj
1
proj
2
e ortogonal a
1
e a
2
320 Ortogonalidade
Proposic ao 5.4. Sejam
1
,
2
, . . . ,
vetores n ao nulos do
, ortogonais entre si, ent ao para

qualquer vetor , proj
1
. . . proj
e ortogonal a
, para = 1, . . . , .
Demonstrac ao. Vamos calcular o produto interno de proj
1
. . . proj
com
, para
= 1, . . . , .
_

=1
proj
=1
_

2
_
2
_
= 0,
pois
= 0, se = e
2
.
Exemplo 5.2. Considere o sistema linear homog eneo =

0, em que
=
1 1 0 0 1
2 2 1 1 1
1 1 1 1 0
.
Escalonando a matriz aumentada do sistema acima, obtemos a matriz escalonada reduzida
1 1 0 0 1 0
0 0 1 1 1 0
0 0 0 0 0 0
.
Introduc ao ` a

321
E assim a soluc ao geral do sistema pode ser escrita como
1
= ,
2
= ,
3
= + ,
4
=
5
=
para todos os valores de , , , ou seja, o conjunto soluc ao do sistema =

0 e
= {(
1
,
2
,
3
,
4
,
5
) = ( , , + , , ) , , } .
Agora, um elemento qualquer de pode ser escrito como uma combinac ao linear de vetores de :
( , , + , , ) = (, 0, , 0, ) + (0, 0, , , 0) + (, , 0, 0, 0)
= (1, 0, 1, 0, 1) + (0, 0, 1, 1, 0) + (1, 1, 0, 0, 0)
Assim, todo vetor de pode ser escrito como combinac ao linear dos vetores
1
= (1, 0, 1, 0, 1),
2
= (0, 0, 1, 1, 0) e
3
= (1, 1, 0, 0, 0) pertencentes a (
1
e obtido fazendo-se = 1 e =
= 0,
2
fazendo-se = = 0 e = 1 e
3
fazendo-se = = 0 e = 1). Al em disso segue da
equac ao anterior que
1
,
2
e
3
s ao L.I. Logo {
1
,
2
,
3
} e uma base de .
Vamos, agora, encontrar uma base ortonormal para . Para isso vamos aplicar a Proposic ao 5.3
na p agina 318.
1
=
1
= (1, 0, 1, 0, 1);
2
=
2
proj
1

2
= (0, 0, 1, 1, 0) +
1
3
(1, 0, 1, 0, 1) =
1
3
(1, 0, 2, 3, 1)
3
=
3
proj
1

3
proj
2

3
= (1, 1, 0, 0, 0)
1
3
(1, 0, 1, 0, 1)
1
15
(1, 0, 2, 3, 1)
=
1
5
(3, 5, 1, 1, 2)
322 Ortogonalidade
Agora, vamos dividir cada vetor pela sua norma para obtermos vetores de norma igual a 1
(unit arios).
1
=
_
1
1
= (
1
3
, 0,
1
3
, 0,
1
3
)
2
=
_
1
2
= (
1
15
, 0,
2
15
,
3
15
,
1
15
)
3
=
_
1
3
= (
3
2
10
,
5
2
10
,
1
2
10
,
1
2
10
,
1
10
)
5.1.2 Bases Ortogonais e Ortonormais
Denic ao 5.2. Seja {
1
, . . . ,
} uma base de um subespaco de
.
(a) Dizemos que {
1
, . . . ,
} e uma base ortogonal, se
= 0, para = , ou seja, se
quaisquer dois vetores da base s ao ortogonais;
(b) Dizemos que {
1
, . . . ,
} e uma base ortonormal, se al em de ser uma base ortogonal,
= 1, ou seja, o vetor
e unit ario, para = 1, . . . .

Introduc ao ` a

323
Exemplo 5.3. A base can onica de
, que e formada pelos vetores
1
= (1, 0, . . . , 0),
2
= (0, 1, 0, . . . , 0), . . .
= (0, . . . , 0, 1)
e uma base ortonormal de
.
Exemplo 5.4. No Exemplo 5.2, {
1
,
2
,
3
} e uma base ortogonal de e {
1
,
2
,
3
} e uma
base ortonormal de .
O resultado a seguir mostra que o procedimento usado no Exemplo 5.2 conhecido como processo
de ortogonalizac ao de Gram-Schmidt pode ser aplicado a qualquer subespaco de
. Nas Figuras
5.3 e 5.4 vemos como isto e possvel no caso em que o subespaco e o
3
, j a que o
3
e subespaco
dele mesmo.
Teorema 5.5. Seja {
1
, . . . ,
} uma base de um subespaco de
. Ent ao, existe uma base

{
1
, . . . ,
} de que e ortonormal e tal que o subespaco gerado por

1
, . . . ,
e igual ao
subespaco gerado por
1
, . . . ,
para = 1, . . . , .
Demonstrac ao. (a) Sejam
1
=
1
,
2
=
2
proj
2
,
3
=
3
proj
3
proj
3
,
. . .
proj
proj
. . . proj
.
324 Ortogonalidade
1
=
1
2
proj
2
=
2
proj
2
Figura 5.3:
1
=
1
e
2
=
2
proj
1
proj
3
=
3
proj
3
proj
3
proj
3
proj
3
+proj
3
Figura 5.4:
3
=
3
proj
3
proj
3
Introduc ao ` a

325
Pela Proposic ao 5.3, segue-se que
2
e ortogonal a
1
e
2
=

0, pois
1
e
2
s ao L.I. Assim,
1
e
2
formam uma base ortogonal do subespaco gerado por
1
e
2
. Agora, supondo
que
1
, . . . ,
1
seja uma base ortogonal do subespaco gerado por
1
, . . . ,
1
, segue-
se da Proposic ao 5.4, que
e ortogonal a
1
, . . . ,
1
.
=

0, pois caso contr ario,
pertenceria ao subespaco gerado por

1
, . . . ,
1
que e igual ao subespaco gerado por
1
, . . . ,
1
e assim
1
, . . . ,
seriam L.D. Como

1
, . . . ,
s ao ortogonais n ao nulos, pela

Proposic ao 5.2 na p agina 316, eles s ao L.I. e portanto formam uma base do subespaco .
(b) Sejam, agora
1
=
_
1
1
,
2
=
_
1
2
, . . . ,
=
_
1
.
Assim, {
1
, . . . ,
} e uma base ortonormal para o subespaco .

326 Ortogonalidade
5.1.1. Sejam = (1, 1, 2) e = (, 1, 2). Para quais valores de , e s ao ortogonais?
5.1.2. Sejam = (1/
2, 0, 1/
2) e = (, 1/
2, ). Para quais valores de e , o conjunto

{, } forma uma base ortonormal do subespaco gerado por eles?
5.1.3. Use o processo de ortogonalizac ao de Gram-Schmidt para encontrar uma base ortonormal para
o subespaco de
4
que tem como base {(1, 1, 1, 0), (0, 2, 0, 1), (1, 0, 0, 1)}.
5.1.4. Use o processo de ortogonalizac ao de Gram-Schmidt para transformar a base do
3
{(1, 1, 1), (0, 1, 1), (1, 2, 3)} em uma base ortonormal do
3
.
5.1.5. Encontre uma base ortonormal para o subespaco de
3
que consiste de todos os vetores
(, , ) tais que + + = 0.
5.1.6. Encontre uma base ortonormal para o subespaco do
4
que consiste de todos os vetores
(, , , ) tais que 2 + = 0.
5.1.7. Encontre uma base ortonormal para o espaco soluc ao do sistema homog eneo
_
+ = 0
2 + + 2 = 0.
5.1.8. Considere as retas (, , ) = (1, 2, 3) e (, , ) = (0, 1, 2) + (2, 4, 6) em
3
. Encontre
a equac ao geral do plano que cont em estas duas retas e ache uma base ortonormal para este
plano. Complete esta base a uma base ortonormal de
3
.
Exerccios Te oricos
Introduc ao ` a

327
5.1.9. Mostre que para todo vetor
e todo escalar , = .
5.1.10. Mostre que se e ortogonal a , ent ao e ortogonal a , para todo escalar .
5.1.11. Mostre que se e ortogonal a
1
, . . . ,
, ent ao e ortogonal a qualquer combinac ao linear

de
1
, . . . ,
.
5.1.12. Sejam , e vetores do
. Prove que se = , ent ao e ortogonal a .

1
, . . . ,
s ao vetores n ao nulos ortogonais entre si e =

1
1
+. . .+
,
ent ao = proj
1
+. . . + proj
.
5.1.14. Sejam
1
, . . . ,
vetores linearmente dependentes. Mostre que, aplicando-se o processo de

ortogonalizac ao de Gram-Schmidt aos vetores
1
, . . . ,
, se obt em um vetor
que e nulo,
para algum = 1, . . . , . (Sugest ao: Seja
o primeiro vetor tal que
[
1
, . . . ,
1
] =
[
1
, . . . ,
1
] e use o exerccio anterior.)
5.1.15. Seja = {
1
, . . . ,
} uma base ortogonal de um subespaco de
. Mostre que um todo

vetor de pode ser escrito como
=

1
1
+

2
2
+ . . . +

.
(Sugest ao: escreva =
1
1
+ . . . +
, faca o produto escalar de com
e conclua
que
2
, para = 1, . . . , .)
5.1.16. Mostre que o conjunto de todos os vetores do
ortogonais a um dado vetor = (

1
, . . . ,
),
= { = (
1
, . . . ,
= 0} e um subespaco do
.
328 Ortogonalidade
5.1.17. Demonstre que, se e s ao vetores quaisquer do
, ent ao:
(a) =
1
4
[ +
2

2
] (identidade polar);
(b)
2
+
2
=
1
2
( +
2
+
2
) (lei do paralelogramo).
(Sugest ao: desenvolva os segundos membros das igualdades acima observando que
+
2
= ( + ) ( + ) e
2
= ( ) ( ))
5.1.18. Seja {
1
, . . . ,
} uma base ortonormal de
. Se = [
1
. . .
] e uma matriz
cujas colunas s ao os vetores
1
, . . . ,
, ent ao e invertvel e
1
=
. (Sugest ao: mostre

que
, usando o fato de que
.)
5.1.19. Mostre que o angulo entre dois vetores n ao nulos = (
1
, . . . ,
) e = (
1
, . . . ,
) de
,
que e denido como sendo o n umero real entre 0 e tal que
cos =

,
est a bem denido, ou seja, que existe um tal n umero real e e unico. (Sugest ao: mostre,
usando a desigualdade de Cauchy-Schwarz, que
1

1.)
5.1.20. Seja um subespaco de
. Mostre que o conjunto de todos os vetores ortogonais a todos os

vetores de e um subespaco de
. Este subespaco e chamado de complemento ortogonal

de e denotado por
, ou seja,
= {
= 0, para todo }.
Introduc ao ` a

329
5.1.21. Mostre que todo subespaco de
e o espaco soluc ao de um sistema linear homog eneo.

(Sugest ao: seja {
1
, . . . ,
} uma base de
tome = [
1
. . .
.)
5.1.22. Embora n ao exista o produto vetorial de dois vetores em
, para > 3, podemos denir o

produto vetorial de 1 vetores,
1
= (
11
, . . . ,
1
), . . . ,
1
= (
(1)1
, . . . ,
(1)
)
como
2

1
=
_
(1)
+1
det(
)
=1
, (1)
+2
det(
)
=2
, . . . , (1)
2
det(
)
=
_
.
Mostre que:
(a)
1
2

1
e ortogonal a
1
, . . . ,
1
.
(b) (
1
2

1
) =
1

1
330 Produto Escalar em
5.2 Subespac os Ortogonais

Se = (, , ) e um vetor n ao nulo de
3
, o conjunto dos vetores que s ao ortogonais a , e
um plano que passa pela origem e tem como vetor normal. Neste caso dizemos que o plano e o
subespaco ortogonal ao conjunto {}.
Denic ao 5.3. Seja um subconjunto n ao vazio de
. O complemento ortogonal de , denotado

por
, e o conjunto de todos os vetores de
que s ao ortogonais a todo vetor de . Ou seja,
= {
= 0 para todo }.
Mesmo quando n ao e um subespaco,
e um subespaco.
Proposic ao 5.6. Seja um subconjunto de
. Ent ao, o conjunto
e um subespaco.
Demonstrac ao. Vamos vericar as propriedades (a) e (b) na p agina 245 que denem um subespaco.
(a) Sejam
1
e
2
vetores de
. Ent ao,
(
1
+
2
) =
1
+
2
= 0 + 0 = 0, para todo .
Introduc ao ` a

5.2 Subespac os Ortogonais 331
(b) Seja
e um escalar. Ent ao,

() = ( ) = 0 = 0, para todo .
Exemplo 5.5. Se = {
0}
, ent ao
. Se =
, ent ao
= {
0}.
Exemplo 5.6. Seja = { = (
1
, . . . ,
)}
. Ent ao,
= { = (
1
, . . . ,
1
+. . . +
= 0}.
Exemplo 5.7. Seja = {
1
, . . . ,
, em que
1
= (
11
, . . . ,
1
), . . . ,
= (
1
, . . . ,
).
Ent ao,
= {
=

0}, em que = (
.
Se = e um subespaco, al em de
ser um subespaco, s ao v alidas as propriedades a seguir.

Proposic ao 5.7. Sejam um subespaco de
o seu complemento ortogonal. Ent ao:

(a) Todo vetor de
se decomp oe de maneira unica como uma soma de dois vetores

1
e
2
, sendo
1
pertencente a e
2
pertencente a
, ou seja, para todo
existe um
unico
1
e um unico
2

tal que
=
1
+
2
.
(b) O subespaco ortogonal de
e , ou seja,
(
= .
Demonstrac ao. (a) Seja um vetor qualquer de . Seja
1
, . . . ,
uma base ortogonal de .

Dena
1
= proj
1
+. . .+proj
. Pela Proposic ao 5.4 na p agina 320, o vetor

2
=
1
e ortogonal a
, para = 1, . . . , . Logo,
2
e ortogonal a todo vetor de e portanto
. Assim, =
1
+
2
, com
1
e
2

.
Sejam e
tais que = + . Ent ao,
1
= proj
1
+ . . . + proj
= proj
1
( + ) + . . . + proj
( + )
= proj
1
+ . . . + proj
= ,
pois como
, proj
( + ) = proj
, para = 1, . . . , e como , pela

Proposic ao 5.2 na p agina 316, = proj
1
+ . . . + proj
.
E
= =
1
=
2
.
Introduc ao ` a

(b) Todo elemento de claramente pertence a (
. Assim, (
. Falta mostrar que

(
. Seja (
. Ent ao, = + , em que e
. Assim,
0 = = ( + ) = + = =
2
.
Conseq uentemente, =

0. Assim, e (
. Portanto, (
= .
Seja um subespaco do
. Dado um vetor
, em virtude da Proposic ao 5.7 existe uma

unica decomposic ao =
1
+
2
, com
1
e
2

. O vetor
1
e chamado projec ao
ortogonal de no subespac o e e denotado por proj
.
Se {
1
, . . . ,
} e uma base ortogonal de , ent ao decorre da demonstrac ao da Proposic ao

5.7 que
proj
= proj
1
+ . . . + proj
.
Exemplo 5.8. Seja o subespaco gerado pelos vetores
1
= (1, 0, 0, 0),
2
= (1, 1, 0, 0),
3
=
(4, 4, 1, 1). Seja = (2, 4, 0, 2). Vamos encontrar e
tais que = + .
Basta tomarmos = proj
e = .
Para encontrar esta decomposic ao vamos aplicar o processo de ortogonalizac ao de Gram-
Schmidt aos vetores
1
,
2
e
3
obtendo
1
,
2
e
3
uma base ortogonal de .
1
=
1
,
2
=
2
proj
2
= (0, 1, 0, 0),
3
=
3
proj
3
proj
3
= (0, 0, 1, 1).
Assim,
= proj
= proj
1
+proj
2
+proj
3
= (2, 4, 1, 1) e = = (0, 0, 1, 1)
2
=
1
=
0
Figura 5.5: Complementos ortogonais
= proj
=
1
+
2
0
Figura 5.6: Decomposic ao de um ponto
=
1
+
2
, com
1
,
2

Introduc ao ` a

5.2.1 Subespac os Fundamentais
Lembramos que a imagem de uma matriz , , e o subespaco denido por
() = {
= para algum
},
que e igual ao espaco coluna de (Proposic ao 4.17 na p agina 287). Lembramos tamb em que o
n ucleo de e denido por
() = {
=

0 }.
J a vimos que dim(()) + dim(()) = (Teorema 4.18 na p agina 287). Observe que enquanto
() e um subespaco do
, () e um subespaco do
. Mas, (
) e tamb em um subespaco de
e (
) e um subespaco do
. Assim, () e (
) s ao subespacos do
e (
) e ()
s ao subespacos do
e s ao v alidas as seguintes relac oes de ortogonalidade.

Teorema 5.8. Se e uma matriz , ent ao

(a) () = (
.
(b) (
) = ()
.
Demonstrac ao. (a) Um vetor pertence ao n ucleo de se, e somente se, =

0. Isto acon-
tece se, e somente se, e ortogonal a todo vetor
, ou seja, se, e somente se,
= 0 para todo vetor
. Esta equac ao e equivalente a sua transposta, ou seja,
= 0. Variando-se em
percorre toda a imagem de
. Assim,
= 0,
para todo
se, e somente se, (
. Portanto, () se, e somente se,

(
.
(b) Basta aplicar o item anterior a
5.2.2 Problema de Quadrados Mnimos

Muitos problemas, quando modelados, levam a sistemas lineares = , que s ao inconsisten-
tes (isto e, n ao possuem soluc ao), apesar dos problemas que os originaram requererem soluc ao. A
inconsist encia vem com freq u encia devido a erros experimentais na matriz . Uma forma de resolver
esta inconsist encia e resolver o problema de quadrados mnimos associado, ou seja,
min
2
.
Introduc ao ` a

() (
0
(
0
()
Figura 5.7: Subespacos (), (
),
() e (
0
Figura 5.8: Ponto em um subespaco mais
pr oximo do ponto
Apesar de n ao ser esta a unica forma de resolver a inconsist encia, pode-se mostrar que se os erros
em forem n ao viciados e os
tiverem a mesma vari ancia (xa), ent ao a soluc ao do problema de

quadrados mnimos e a que tem a menor vari ancia dentro de um certo conjunto de soluc oes.
O teorema seguinte e a chave para a soluc ao do problema de quadrados mnimos.
Teorema 5.9. Seja uma matriz . O problema de quadrados mnimos:
min
2
e equivalente a resolver o sistema linear consistente
,
chamado de sistema de equac oes normais.
Demonstrac ao. O problema de quadrados mnimos
min
2
min
()

2
e = . (5.4)
Seja = (). Segue da Proposic ao 5.7 na p agina 331 que existe uma unica decomposic ao de
como
= + ,
Introduc ao ` a

em que e
. Vamos mostrar que

min

= .
Seja um vetor qualquer de . Temos que

2
= ( ) + ()
2
=
2
+ 2( ) () +
2
.
Mas,
( ) () = ( ) ( ) = 0,
pois , e =
. Logo,

2
= ( ) + ()
2
=
2
+
2
. (5.5)
Variando em , vemos de (5.5) que o mnimo de ocorre somente para = , j a que

2
permanece xo em (5.5) quando variamos em . Portanto,
min

= ,
em que o ponto e tal que
. Assim, a soluc ao do problema (5.4) e um ponto
tal que ()
. Mas, Pelo Teorema 5.8 ()
= (
). Assim, e tal que
( ) =

0.
Ou seja, a soluc ao do problema de quadrados mnimos e a soluc ao do sistema linear

Figura 5.9: A soluc ao de quadrados

mnimos
4 3 2 1 0 1 2 3 4
1
0
1
2
3
4
5
6
7
x
y
Figura 5.10: Reta que melhor se ajusta
a quatro pontos
Introduc ao ` a

Exemplo 5.9. Vamos determinar a reta de equac ao = + que melhor se ajusta aos pontos
1
= (3, 6),
2
= (0, 4),
3
= (1, 0) e
4
= (2, 2) no sentido de quadrados mnimos, ou seja, tal
que
4
=1
(
)
2
seja mnimo. Substituindo-se estes pontos na equac ao da reta obtemos o
seguinte sistema
3 + = 6
= 4
+ = 0
2 + = 2
Para este sistema temos que =
3 1
0 1
1 1
2 1
e =
6
4
0
2
. Para encontrar a soluc ao de quadrados

mnimos deste sistema temos que resolver as equac oes normais
. Neste caso,
=
_
14 0
0 4
_
e
=
_
14
12
_
Assim a soluc ao de quadrados mnimos e = [1 3]
, ou = 1, = 3. A reta = + 3 e a
reta procurada.
Exemplo 5.10. Vamos determinar a par abola de equac ao =
2
++ que melhor se ajusta aos
pontos
1
= (2, 0),
2
= (1, 2),
3
= (1, 2) e
4
= (2, 10) no sentido de quadrados mnimos,
ou seja, tal que
4
=1
(
)
2
seja mnimo. Substituindo-se estes pontos na equac ao da
par abola obtemos o seguinte sistema
4 2 + = 0
+ = 2
+ + = 2
4 + 2 + = 10
4 2 1
1 1 1
1 1 1
4 2 1
e =
0
2
2
10
. Para encontrar a soluc ao de

quadrados mnimos deste sistema temos que resolver as equac oes normais
. Aqui,
34 0 10
0 10 0
10 0 4
44
20
14
Escalonando a matriz aumentada [
] obtemos que a soluc ao de quadrados mnimos e =

[1 2 1]
, ou = 1, = 2 e = 1. E =
2
+ 2 + 1 e a equac ao da par abola procurada.
Exemplo 5.11. Vamos determinar o crculo de equac ao
2
+
2
= + + que melhor se ajusta
aos pontos
1
= (2, 0),
2
= (0, 2),
3
= (1, 3) e
4
= (3, 1) no sentido de quadrados mnimos,
ou seja, tal que
4
=1
(
2
+
2
)
2
seja mnimo. Substituindo-se estes pontos na equac ao
Introduc ao ` a

8 6 4 2 0 2 4 6 8
2
0
2
4
6
8
10
12
14
x
y
Figura 5.11: Par abola que melhor se
ajusta a quatro pontos
2 1 0 1 2 3 4
4
3
2
1
0
1
2
3
x
y
Figura 5.12: Crculo que melhor se
ajusta a quatro pontos
do crculo obtemos o seguinte sistema
2 + = 4
+ 2 + = 4
3 + = 10
3 + + = 10
2 0 1
0 2 1
1 3 1
3 1 1
e =
4
4
10
10
. Para encontrar a soluc ao de

quadrados mnimos deste sistema temos que resolver as equac oes normais
. Aqui,
14 0 2
0 14 0
2 0 4
44
20
14
Escalonando a matriz aumentada [
] obtemos que a soluc ao de quadrados mnimos e =

[18/13 6/7 82/13]
, ou = 18/13, = 6/7 e = 82/13. A equac ao do crculo procurado e
2
+
2
(18/13) +(6/7) = 82/13. O centro do crculo
0
= (
0
,
0
) e o raio s ao obtidos pelas
equac oes = 2
0
, = 2
0
e
2
= +
2
0
+
2
0
. Assim,
0
= 9/13,
0
= 3/7 e =
57724
8281
2, 6.
Introduc ao ` a

5.2.1. Para cada uma das seguintes matrizes determine uma base para cada um dos seguintes
subespacos (
), (), () e (
).
(a)
4 2
1 3
2 1
3 4
(b)
1 0 0 0
0 1 1 1
0 0 1 1
1 1 2 2
5.2.2. Seja o subespaco de

3
gerado por = (1, 1, 1). Encontre uma base para
e d e uma
interpretac ao geom etrica para e
.
5.2.3. Seja o subespaco do
4
gerado pelos vetores
1
= (1, 0, 2, 1) e
2
= (0, 1, 3, 2).
Encontre uma base para
.
5.2.4. Encontre a equac ao da par abola que melhor se ajusta aos pontos dados no sentido de quadra-
dos mnimos, ou seja, tal que
4
=1
(
)
2
seja mnimo:
(a)
1
= (2, 1),
2
= (1, 2),
3
= (1, 0) e
4
= (2, 7).
(b)
1
= (2, 1),
2
= (1, 3),
3
= (1, 3) e
4
= (2, 11).
5.2.5. Encontre a equac ao do crculo que melhor se ajusta aos pontos dados no sentido de quadrados
mnimos, ou seja, tal que
4
=1
(
2
+
2
)
2
seja mnimo:
(a)
1
= (2, 0),
2
= (0, 1),
3
= (1, 2) e
4
= (2, 1).
(b)
1
= (2, 1),
2
= (1, 2),
3
= (0, 1) e
4
= (2, 0).
5.2.6. Encontre a soluc ao de quadrados mnimos dos seguintes sistemas:

(a)
+ 2 = 3
2 + 4 = 2
2 = 1
(b)
+ = 10
2 + = 5
2 = 20
(c)
+ + = 4
+ + = 2
+ = 1
+ = 2
(b) Use o MATLAB
para encontrar os coecientes , , e da func ao polinomial () =
3
+
2
+ + que melhor se ajusta aos pontos dados pelas linhas da matriz P, no
sentido de quadrados mnimos, ou seja, tal que
)
2
seja mnimo.
A matriz A=matvand(P(:,1),3) pode ser util na soluc ao deste problema, assim como a
matriz B=P(:,2).
(c) Desenhe os pontos e o gr aco do polin omio com os comandos
clf,po(P), syms x, plotf1(a*x3+b*x2+c*x+d,[-5,5]), em que a,b,c e d s ao os
coecientes j a encontrados. Desenhe os eixos coordenados com o comando eixos.
(b) Use o MATLAB
para encontrar os coecientes , , , e da c onica de equac ao

2
+
+
2
++ + = 0, cujo gr aco melhor se ajusta aos pontos dados pelas linhas
da matriz P, no sentido de quadrados mnimos, ou seja, tal que

(
2
)
2
seja mnimo. As matrizes M=matvand(P,2), B=-M(:,1) e A=M(:,2:6)
podem ser uteis na soluc ao deste problema.
Introduc ao ` a

(c) Desenhe os pontos e a c onica com os comandos
clf,po(P), syms x y, plotci(x2+a*x*y+b*y2+c*x+d*y+e,[-5,5],[-5,5]), em
que a,b,c,d e e s ao os coecientes encontrados no item anterior. Desenhe os eixos
coordenados com o comando eixos.
Exerccios Te oricos
5.2.9. Seja
uma coluna n ao nula de uma matriz , .

E possvel que
pertenca ao (
)?
5.2.10. Seja um subespaco de
gerado pelos vetores

1
, . . . ,
. Mostre que
se, e
somente se, e ortogonal a
, para = 1, . . . , .
5.2.11. Sejam
1
e
2
subespacos de
. Mostre que (
1
+
2
)
2
e que (
1
2
)
1
+
2
.
5.2.12. Sejam e
0
subconjuntos de
. Mostre que
0
implica que
0
.
5.2.13. Se e uma matriz de posto igual a , quais as dimens oes de () e (
)?
(a) Mostre que se =

0, ent ao
=

0;
(b) Mostre que se
=

0, ent ao =

0; (Sugest ao: Use o fato de que
=

0 se,
e somente se, (
).)
(c) Mostre que (
) = ().
(d) Mostre que se
e invertvel, ent ao as colunas de s ao linearmente independentes.

(e) Mostre que se e uma matriz cujas colunas s ao linearmente independentes, ent ao
e uma matriz invertvel. Por que neste caso, ?

(f) Mostre que posto() = posto(
).
5.2.15. Sejam uma matriz com colunas linearmente independentes e uma matriz 1.
Mostre que neste caso, a matriz
e invertvel e que vale a seguinte f ormula para a soluc ao

do problema de quadrados mnimos, min
2
,
= (
)
1
.
Introduc ao ` a

5.3 Mudanc a de Coordenadas 349
5.3 Mudanc a de Coordenadas
Se as coordenadas de um ponto no espaco s ao (, , ), ent ao as componentes do vetor
tamb em s ao (, , ) e ent ao podemos escrever
= (, , ) = (, 0, 0) + (0, , 0) + (0, 0, )
= (1, 0, 0) + (0, , 0) + (0, 0, 1) =
,
em que
= (1, 0, 0),

= (0, 1, 0) e

= (0, 0, 1). Ou seja, as coordenadas de um ponto s ao
iguais aos escalares que aparecem ao escrevermos
como uma combinac ao linear dos vetores

can onicos. Assim, o ponto = (0, 0, 0) e os vetores
,

e

determinam um sistema de coor-
denadas ortogonal, {,
}. Para resolver alguns problemas geom etricos e necess ario usarmos

um segundo sistema de coordenadas ortogonal determinado por uma origem
e por 3 veto-
res
1
,
2
e
3
ortonormais de
3
.
Por exemplo, se
= (2, 3/2, 3/2),

1
= (
3/2, 1/2, 0),
2
= (1/2,
3/2, 0) e
3
= (0, 0, 1) =

, ent ao {
,
1
,
2
,
3
} determina um novo sistema de
coordenadas: aquele com origem no ponto
, cujos eixos
s ao retas que passam por
orientadas com os sentidos e direc oes de

1
,
2
e
3
, respectivamente (Figura 5.14).
As coordenadas de um ponto no sistema de coordenadas {
,
1
,
2
,
3
} e denido como
sendo os escalares que aparecem ao escrevermos
como combinac ao linear dos vetores

1
,
2
e
3
, ou seja, se
1
+
2
+
3
,
Em geral, um sistema de coordenadas (n ao necessariamente ortogonal) e denido por um ponto
e tr es vetores
1
,
2
e
3
L.I. de
3
(n ao necessariamente ortonormais) (veja o Exerccio 5.3.9 na p agina 369).
350 Ortogonalidade
x y
z
= (, , )
Figura 5.13:
x y
z
x
y
z
1
Figura 5.14: Dois sistemas de coordenadas
ortogonais {,
} e {
,
1
,
2
,
3
}
Introduc ao ` a

ent ao as coordenadas de no sistema {
,
1
,
2
,
3
} s ao dadas por
[]
{
,
1
,
2
,
3
}
=
.
Vamos considerar inicialmente o caso em que =
. Assim, se
= (, , ), ent ao
1
+
2
+
3
=
e equivalente ao sistema linear
= , em que = [
1

2

3
],
, =
.
Como a matriz e invertvel (por que?) a soluc ao e dada por
=
1
.
Mas, como
1
,
2
e
3
formam uma base ortonormal de
3
, ent ao
[
1

2

3
] =
1

1

1

2

1

3
2

1

2

2

2

3
3

1

3

2

3

3
=
3
Assim, a matriz = [
1
3
] e invertvel e
1
=
. Desta forma as coordenadas de um ponto

no espaco em relac ao ao sistema {,
1
,
2
,
3
},
est ao unicamente determinados e

[]
{,
1
,
2
,
3
}
=
[]
{,
}
ou
.
352 Ortogonalidade
Tamb em no plano temos o mesmo tipo de situac ao que e tratada de forma inteiramente an aloga.
As coordenadas de um ponto no plano em relac ao a um sistema de coordenadas {
,
1
,
2
},
em que
1
e
2
s ao vetores que formam uma base ortonormal do
2
, e denido como sendo os
escalares que aparecem ao escrevermos
como combinac ao linear de

1
e
2
, ou seja, se
1
+
2
,
,
1
,
2
} s ao dadas por
[]
{
,
1
,
2
}
=
_

_
.
As coordenadas de um ponto no plano em relac ao ao sistema {,
1
,
2
,
3
} est ao bem
denidas, ou seja,
est ao unicamente determinados e s ao dados por

[]
{,
1
,
2
}
=
[]
{,
1
,
2
}
ou
_

_
=
_
,
em que
1
= (1, 0) e
2
= (0, 1). Observe que, tanto no caso do plano quanto no caso do espaco, a
matriz satisfaz,
1
=
. Uma matriz que satisfaz esta propriedade e chamada matriz ortogonal.

Exemplo 5.12. Considere o sistema de coordenadas no plano em que
= e
1
= (
3/2, 1/2)
e
2
= (1/2,
3/2). Se = (2, 4), vamos determinar as coordenadas de em relac ao ao novo

sistema de coordenadas.
= [
1

2
] =
_
3/2 1/2
1/2
3/2
_
.
Introduc ao ` a

Assim as coordenadas de em relac ao ao novo sistema de coordenadas s ao dadas por
[]
{,
1
,2}
=
_
2
4
_
=
_

2
_ _
2
4
_
=
_
3/2 1/2
1/2
3/2
_ _
2
4
_
=
_
2 +
3
2
3 1
_
.
Exemplo 5.13. Considere o mesmo sistema de coordenadas do exemplo anterior, mas agora seja
= (, ) um ponto qualquer do plano. Vamos determinar as coordenadas de em relac ao ao
novo sistema de coordenadas.
As coordenadas de em relac ao ao novo sistema de coordenadas s ao dadas por
[]
{,
1
,2}
=
_
=
_

2
_ _

_
=
_
3/2 1/2
1/2
3/2
_ _

_
=
_
(
3 +)/2
( +
3 )/2
_
.
Exemplo 5.14. Vamos agora considerar um problema inverso ` aqueles apresentados nos exemplos
anteriores. Suponha que sejam v alidas as seguintes equac oes
_
=
1
+
2
=
2
,
ou equivalentemente
_

_
=
_
1
5
2
5
2
5

1
5
_
_

_
354 Ortogonalidade
x
y
x
y
Figura 5.15: Coordenadas de um ponto em dois sistemas

Introduc ao ` a

entre as coordenadas
_

_
de um ponto em relac ao a um sistema de coordenadas {,
1
,
2
}
e as coordenadas de ,
_

_
, em relac ao ao sistema de coordenadas original
{,
1
= (1, 0),
2
= (0, 1)}.
Queremos determinar quais s ao os vetores
1
e
2
.
Os vetores
1
e
2
da nova base possuem coordenadas
_
1
0
_
e
_
0
1
_
, respectivamente, em
relac ao ao novo sistema de coordenadas, {,
1
,
2
}. Pois,
1
= 1
1
+ 0
2
e
2
= 0
1
+
1
2
. Queremos saber quais as coordenadas destes vetores em relac ao ao sistema de coordenadas
original, {,
1
= (1, 0),
2
= (0, 1)}. Logo,
1
=
_
1
5
2
5
2
5

1
5
_
_
1
0
_
=
_
1
5
2
5
_
2
=
_
1
5
2
5
2
5

1
5
_
_
0
1
_
=
_
2
5
_
Ou seja,
1
e
2
s ao as colunas da matriz =
_
1
5
2
5
2
5

1
5
_
.
5.3.1 Rotac ao
Suponha que o novo sistema de coordenadas {,
1
,
2
} seja obtido do sistema original
{,
1
= (1, 0),
2
= (0, 1)} por uma rotac ao de um angulo . Observando a Figura 5.16, ob-
356 Ortogonalidade
x
y
x
y
cos
s
e
n
c
o
s
sen
Figura 5.16: Rotac ao de um angulo
Introduc ao ` a

temos
1
= (cos , sen )
2
= (sen , cos )
seja = (, ) um ponto qualquer do plano. Vamos determinar as coordenadas de em relac ao
ao novo sistema de coordenadas.
A matriz
= [
1

2
] =
_
cos sen
sen cos
_
=
e chamada matriz de rotac ao.

As coordenadas de em relac ao ao novo sistema de coordenadas s ao dadas por
_

_
=
_
=
_
cos sen
sen cos
_ _

_
.
O sistema de coordenadas que aparece nos dois primeiros exemplos desta sec ao podem ser
obtidos por uma rotac ao de um angulo = /6 em relac ao ao sistema original.
5.3.2 Translac ao
Vamos considerar, agora, o caso em que
= , ou seja, em que ocorre uma translac ao dos

eixos coordenados.
Observando a Figura 5.17, obtemos
. (5.6)
Assim, se
= (, ), ent ao
= (
) = (, ) (, ) = ( , )
358 Ortogonalidade
x
y
x
y
Figura 5.17: Coordenadas de um ponto em dois sistemas (translac ao)

Introduc ao ` a

Logo, as coordenadas de em relac ao ao novo sistema s ao dadas por
[]
{
,
1
,
2
}
=
_

_
=
_

_
. (5.7)
O eixo x
tem equac ao
= 0, ou seja, = e o eixo y
= 0, ou seja, = .
360 Ortogonalidade
5.3.3 Aplicac ao: Computac ao Gr aca - Projec ao Ortogr aca
Esta projec ao e usada para fazer desenhos de objetos tridimensionais no papel ou na tela do
computador. Com esta projec ao os pontos no espaco s ao projetados ortogonalmente ao plano do
desenho.
Para encontrar a projec ao de um ponto podemos encontrar as coordenadas de em relac ao
ao sistema
= {
,
1
,
2
,
3
} e tomar as duas primeiras coordenadas.
Como a projec ao em qualquer plano paralelo ao plano do desenho fornece as mesmas coordena-
das podemos supor que
= , ou seja, que os dois sistemas t em a mesma origem.

A relac ao entre as coordenadas de um ponto nos dois sistemas
= {,
1
,
2
,
3
} e = {,
}
e dada por
, em que = [
1
3
]
Vamos encontrar os vetores
1
,
2
e
3
em func ao dos angulos e . O vetor
1
e paralelo ao plano
xy e e perpendicular ao vetor (cos , sen , 0), ou seja,
1
= (sen , cos , 0).
Os vetores
2
e
3
est ao no plano denido por
e (cos , sen , 0).
2
= cos (cos , sen , 0) + sen
= (cos cos , cos sen , sen )
3
= cos
+ sen (cos , sen , 0) = (sen cos , sen sen , cos )

Assim a relac ao entre as coordenadas de um ponto nos dois sistemas
= {,
1
,
2
,
3
} e = {,
}
Introduc ao ` a

x
Figura 5.18: Projec ao ortogr aca de um cubo

362 Ortogonalidade
Figura 5.19: sistemas de coordenadas relacionados ` a projec ao ortogr aca

Introduc ao ` a

3
(cos , sen , 0)
Figura 5.20: Bases relacionadas ` a projec ao ortogr aca

364 Ortogonalidade
(cos , sen , 0)
3
(cos , sen , 0)
1
Figura 5.21: Relac ao entre os vetores das bases {
1
,
2
,
3
} e {
}
Introduc ao ` a

e dada por
sen cos 0
cos cos cos sen sen
sen cos sen sen cos
e a projec ao e dada por

_

_
=
_
sen cos 0
cos cos cos sen sen
_
.
Por exemplo para = 30
e = 60
temos que
_

_
=
_

1
2
3
2
0
3
4

1
4
3
2
_

_
0.50 0.87 0
0.43 0.25 0.87
_
.
Usando esta projec ao os vetores
s ao desenhados como na gura abaixo.

Experimente desenhar o cubo que tem a origem = (0, 0, 0) como um dos v ertices e como
v ertices adjacentes ` a origem (1, 0, 0), (0, 1, 0) e (0, 0, 1). Observe que n ao e necess ario calcular a
projec ao dos outros pontos (por que?)
366 Ortogonalidade
1 0.8 0.6 0.4 0.2 0 0.2 0.4 0.6 0.8 1
1
0.8
0.6
0.4
0.2
0
0.2
0.4
0.6
0.8
1
Figura 5.22: Vetores
desenhados usando projec ao ortogr aca

Introduc ao ` a

5.3.1. Encontre as coordenadas do ponto com relac ao ao sistema de coordenadas , nos seguintes
casos:
(a) = {, (1/
2, 1/
2), (1/
2, 1/
2)} e = (1, 3);

(b) = {, (1/
2, 1/
2, 0), (0, 0, 1), (1/
2, 1/
2, 0)} e = (2, 1, 2);

5.3.2. Encontre o ponto , se as coordenadas de em relac ao ao sistema de coordenadas , []
,
s ao:
(a) []
=
_
2
1
_
, em que = {, (1/
2, 1/
2), (1/
2, 1/
2)}. (b) []
1
1
2
, em
que = {, (0, 1/
2, 1/
2), (1, 0, 0), (0, 1/
2, 1/
2)};
5.3.3. Sejam []
as coordenadas de um ponto em relac ao ao sistema de coordenadas

= {,
} e []
, emrelac ao ao sistema de coordenadas = {,

1
,
2
,
3
}.
Suponha que temos a seguinte relac ao:
1 0 0
0 1/2
3/2
0
3/2 1/2
.
Quais s ao os vetores
1
,
2
e
3
?
368 Ortogonalidade
5.3.4. Determine qual a rotac ao do plano em que as coordenadas do ponto = (
3, 1) s ao
_
3
1
_
.
5.3.5. Considere o plano : 3
3 + 2 = 0.
(a) Determine uma base ortonormal para o plano em que o primeiro vetor esteja no plano xy.
(b) Complete a base encontrada para se obter uma base ortonormal {
1
,
2
,
3
} de
3
.
(c) Determine as coordenadas dos vetores
no sistema {,
1
,
2
,
3
}.
5.3.6. Considere dois sistemas de coordenadas = {,
} e = {,
,
2
,
3
}, em que o
sistema e obtido do sistema por uma rotac ao do angulo em torno do eixo x. Determine
a relac ao entre as coordenadas, (
), em relac ao ao sistema e (, , ), em relac ao ao

sistema
Introduc ao ` a

Exerccios Te oricos
5.3.7. Mostre que
(a)
2
=
1
+
2
.
(b)
1
.
5.3.8. Seja uma matriz quadrada 2 2.
(a) Verique que
e a matriz obtida girando as colunas de de .

(b) Verique que
e a matriz obtida girando as linhas de de .

(c) Quais as condic oes sobre e para que
. D e um exemplo.
5.3.9. Denimos coordenadas de pontos no espaco em relac ao a um sistema de coordenadas deter-
minado por um ponto
e tr es vetores
1
,
2
e
3
L.I. n ao necessariamente ortonormais do
3
da mesma forma como zemos quando os vetores formam uma base ortonormal. As co-
ordenadas de um ponto no sistema de coordenadas {
,
1
,
2
,
3
} e denido como sendo
os escalares que aparecem ao escrevermos
como combinac ao linear dos vetores

1
,
2
e
3
, ou seja, se
1
+
2
+
3
,
,
1
,
2
,
3
} s ao dadas por
[]
{
,
1
,
2
,
3
}
=
.
370 Ortogonalidade
Assim, se
= (, , ), ent ao
1
+
2
+
3
=

[
1

2

3
]
(a) Mostre que a matriz = [

1
3
] e invertvel.
(b) Mostre que as coordenadas de um ponto no espaco em relac ao ao sistema
{
,
1
,
2
,
3
} est ao bem denidas, ou seja,
est ao unicamente determinados

e s ao dados por
[]
{
,
1
,
2
,
3
}
=
=
1
=
1
[]
{
}
.
Introduc ao ` a

Captulo 6
Transformac oes Lineares (opcional)
6.1 Denic ao, Exemplos e Propriedades
6.1.1 Denic ao e Exemplos
Lembramos que uma func ao de um conjunto em um conjunto , : , e uma
regra que associa a cada elemento do conjunto , um unico elemento do conjunto . O conjunto
e chamado domnio e o conjunto e chamado contradomnio. O subconjunto de formado pelos
elementos tais que () = , para algum e chamado (conjunto) imagem de . Para
todo elemento , () e chamado a imagem de por . Dizemos tamb em que leva em
371
372 Transformac oes Lineares
().
Denic ao 6.1. Uma func ao :
e uma transformac ao linear se

() = () e ( + ) = () +( ), (6.1)
para todos ,
e todos os escalares .
Introduc ao ` a

6.1 Denic ao, Exemplos e Propriedades 373
Exemplo 6.1. A func ao , que leva todo vetor de
no vetor nulo de
, ou seja,
() =

0, para todo
e claramente uma transformac ao linear e e chamada a transformac ao linear nula. Tamb em a

transformac ao identidade, , de
em
que leva todo vetor de
nele mesmo, ou seja,

() = , para todo
e claramente uma transformac ao linear.

Exemplo 6.2. Sejam
:
2

2
as func oes que levam todo vetor nas suas projec oes nos
eixos e , respectivamente, ou seja,
(, ) = (, 0) e
(, ) = (0, ), para todo par (, )
2
. Deixamos para o leitor a vericac ao de que
s ao transformac oes lineares.

Exemplo 6.3. Sejam
:
2

2
as func oes que levam todo vetor nas suas reex oes em
relac ao aos eixos e , respectivamente, ou seja,
(, ) = (, ) e
(, ) = (, ), para
todo par (, )
2
. Deixamos para o leitor a vericac ao de que
s ao transformac oes
lineares.
Exemplo 6.4. Considere a func ao,
, que faz a projec ao ortogonal de todo vetor do plano numa reta

que passa pela origem : (, ) = (, ), ou seja,
:
2
2
dada por
(, ) = proj
(,)
(, ) =
(, ) (, )
(, )
2
(, ).
Ou seja,
(, ) =
_

2
2
+
2
+

2
+
2
,

2
+
2
+

2
2
+
2
_
.
Esta transformac ao e um caso particular daquela que e tratada no Exemplo 6.6.
Exemplo 6.5. Considere a func ao,
, que faz a reex ao de todo vetor do plano em relac ao a uma

reta que passa pela origem : (, ) = (, ), ou seja,
(, ) e tal que 2
(, ) = (, ) +
(, ). Assim,
(, ) = 2
(, ) (, )
=
_
2
+
2
+
2
2
+
2
,
2
2
+
2
+

2
2
+
2
_
.
Esta transformac ao e um caso particular daquela que e tratada no Exemplo 6.6.
Os quatro ultimos exemplos s ao um caso particular do que e apresentado no pr oximo exemplo.
Exemplo 6.6. Considere a transformac ao :
, dada por
() =
2
.
.
.
11
1
+ . . . +
1
21
1
+ . . . +
2
.
.
.
1
+ . . . +
, para todo
,
Introduc ao ` a

que pode ser escrita como
() =
11

12

1
21

22

2
.
.
.
.
.
.
1

2

2
.
.
.
= ,
em que = (
. Segue das propriedades da algebra matricial, Teorema 1.1 na p agina 10, que
e uma transformac ao linear. Pois,
( + ) = ( + ) = + = () + ( ),
() = () = = (),
para todos ,
e escalares .
Em termos de matrizes, as projec oes nos eixos e podem ser escritas como
_
=
_
1 0
0 0
_ _

_
,
_
=
_
0 0
0 1
_ _

_
,
as reex oes em relac ao aos eixos e , como
_
=
_
1 0
0 1
_ _

_
,
_
=
_
1 0
0 1
_ _

_
,
a projec ao ortogonal e a reex ao em relac ao a uma reta : (, ) = (, ), como
_
=
_

2
2
+
2
2
+
2
2
+
2
2
+
2
_
_

_
,
_
=
_

2
2
+
2
2
2
+
2
2
2
+
2
2
+
2
_
_

_
6.1.2 Propriedades
Segue da Denic ao 6.1 que toda transformac ao linear :
leva o vetor nulo de
no
vetor nulo de
. Pois, se e um vetor qualquer de
, ent ao
(
0) = (0 ) = 0 () =

0.
Segue tamb em da Denic ao 6.1 que uma func ao :
e uma transformac ao linear se, e

somente se, (+ ) = ()+( ), para todos os vetores ,
e todos os escalares
e . Pois, se e linear, ent ao
( + ) = () + ( ) = () + ( ).
Por outro lado, se e uma func ao tal que ( + ) = () + ( ), para todos os vetores
,
e todos os escalares e , ent ao fazendo = 1, = 1 e depois = 0 segue-se que

e uma transformac ao linear.
Se :
e uma transformac ao linear e = {

1
, . . . ,
} e uma base de
, ent ao todo
vetor
pode ser escrito como combinac ao linear de vetores de , ou seja, existem escalares
1
, . . . ,
tais que
=
1
1
+ . . . +
=1
.
Ent ao
( ) =
_

=1
_
=
=1
(
) =
=1
).
Introduc ao ` a

Por outro lado, se :
e outra transformac ao linear tal que (
) = (
) para =
1, . . . , , ent ao aplicando-se o raciocnio acima, temos que
( ) = ( ), para todo
.
Ou seja, = . Isto prova o seguinte teorema.
Teorema 6.1. Uma transformac ao linear :
e totalmente caracterizada pelos seus valores

em uma base de
. Ou seja, se = {
1
, . . . ,
} e uma base de
e uma func ao est a denida

para valores em ,
(
) =
, para = 1, . . . , .
Ent ao, existe um unica transformac ao linear denida em todo espaco
, :
, tal que
(
) =
, para = 1, . . . , .
Exemplo 6.7. Seja
:
2
2
a transformac ao linear denida na base can onica por (Figura 6.9)
(
1
) = cos
1
+ sen
2
= (cos , sen )
(
2
) = sen
1
+ cos
2
= (sen , cos ).
Assim, como (, ) = (1, 0) +(0, 1) =
1
+
2
, ent ao
_
=
(
1
) +
(
2
) =
_
cos
sen
_
+
_
sen
cos
_
=
_
cos sen
sen
_ _

_
Se escrevemos = (, ) = ( cos , sen ), ent ao
() =
( cos , sen ) =
(cos , sen )
= (cos cos sen sen , cos sen + sen cos )
= (cos( +), sen ( + )) = ( cos( + ), sen ( + )).
Assim, segue-se da linearidade, que
faz uma rotac ao de um angulo em todo vetor = (, )
2
.
Seja :
uma transformac ao linear tal que
1
0
.
.
.
0
11
21
.
.
.
0
1
.
.
.
0
12
22
.
.
.
, . . . ,
0
.
.
.
0
1
2
.
.
.
.
Sejam = (
1
, . . . ,
) um vetor qualquer do
1
= (1, 0, . . . , 0),
2
= (0, 1, 0, . . . , 0), . . . ,
= (0, . . . , 0, 1).
Introduc ao ` a

Como =
1
1
+ . . . +
, ent ao
() =
1
(
1
) + . . . +
) =
1
11
21
.
.
.
+ . . . +
2
.
.
.
11

12

1
21

22

2
.
.
.
.
.
.
1

2

2
.
.
.
= ,
em que as colunas de s ao (
1
), . . . , (
), ou seja, = [ (
1
) . . . (
) ], com (
), para
= 1, . . . , escritos como matrizes colunas. Isto prova o seguinte resultado.
Proposic ao 6.2. Seja :
uma transformac ao linear. Ent ao, e dada por

() = , para todo
,
em que = (
= [ (
1
) . . . (
) ], com (
), para = 1, . . . , , escritos como matrizes

colunas e
1
= (1, 0, . . . , 0),
2
= (0, 1, 0, . . . , 0), . . . ,
= (0, . . . , 0, 1). A matriz e chamada

matriz da transformac ao (em relac ao ` as bases can onicas).
Exemplo 6.8. A matrizes de uma transformac ao linear pode ser obtida rapidamente aplicando-se a
transformac ao nos vetores da base can onica. Por exemplo, as matrizes das projec oes nos eixos e
podem ser obtidas
_

(
1
)
(
2
)
=
_
1 0
0 0
_
,
_

(
1
)
(
2
)
=
_
0 0
0 1
_
,
as matrizes das reex oes em relac ao aos eixos e ,
_

(
1
)
(
2
)
=
_
1 0
0 1
_
,
_

(
1
)
(
2
)
=
_
1 0
0 1
_
,
as matrizes da projec ao ortogonal e da reex ao em relac ao a uma reta : (, ) = (, ), como
_

(
1
)
(
2
)
=
_

2
2
+
2
2
+
2
2
+
2
2
+
2
_
_

(
1
)
(
2
)
=
_

2
2
+
2
2
2
+
2
2
2
+
2
2
+
2
_
e a matriz da rotac ao de um angulo ,
_

(
1
)
(
2
)
=
_
cos sen
sen
_
.
Introduc ao ` a

6.1.1. Seja :
2

2
uma transformac ao linear para a qual sabemos que (1, 1) = (2, 3) e
(0, 1) = (1, 2).
(a) Determine (3, 2);
(b) Determine (, ).
6.1.2. Determine a transformac ao :
2

3
tal que (1, 1) = (3, 2, 1) e (0, 2) = (0, 1, 0).
Encontre (1, 0) e (0, 1).
6.1.3. Determine express oes para as transformac oes lineares
:
3

3
, que s ao
projec oes nos planos , e , respectivamente.
6.1.4. Considere o plano : +2 +3 = 0. Encontre express oes para as seguintes transformac oes
lineares:
(a) A projec ao ortogonal no plano ,
:
3
3
.
(b) A reex ao em relac ao ao plano ,
:
3
3
.
/3,
,
/3,
e
/3,
que s ao rotac oes
de /3 em relac ao aos eixos , e respectivamente.
6.1.6. Considere a reta : (, , ) = (1, 1, 1).
(a) Seja
:
3

3
a projec ao ortogonal na reta . Encontre uma express ao para
(, , ).
(b) Seja
:
3

3
a reex ao em relac ao ` a reta . Encontre uma express ao para
(, , ).
6.1.7. Existe uma unica reex ao do plano que transforma o ponto (5, 0) no ponto (3, 4). Determine
a equac ao para o eixo da reex ao . Verique que ele passa pela origem. Calcule a matriz (em
relac ao ` a base can onica de
2
) da reex ao .
Exerccios Te oricos
6.1.8. Considere o plano : ++ = 0. Encontre express oes para as seguintes transformac oes
lineares:
(a) A projec ao ortogonal no plano ,
:
3
3
.
(b) A reex ao em relac ao ao plano ,
:
3
3
.
,
,
,
,
,
:
3

3
, que s ao
rotac oes de em relac ao aos eixos , e , respectivamente.
6.1.10. Considere a reta : (, , ) = (, , ). Encontre express oes para as seguintes
transformac oes lineares:
(a) A projec ao ortogonal na reta ,
:
3
3
.
(b) A reex ao em relac ao ` a reta ,
:
3
3
.
6.1.11. Seja = (, , )
3
. Determine a matriz do operador linear :
3
3
, denido por
() = (, , ) = =
_
det
_

_
, det
_

_
, det
_

__
,
Introduc ao ` a

em relac ao ` a base can onica.
6.1.12. Seja uma constante diferente de zero. Uma transformac ao linear :
2

2
dada por
(, ) = (, ), para todo (, )
2
e chamada expans ao ao longo do eixo se > 1
e contrac ao ao longo do eixo se 0 < < 1. Uma transformac ao linear :
2

2
dada
por (, ) = (, ), para todo (, )
2
e chamada expans ao ao longo do eixo se
> 1 e contrac ao ao longo do eixo se 0 < < 1.
Uma transformac ao linear :
2
2
dada por (, ) = ( + , ), para todo (, )
2
e chamada cisalhamento ao longo do eixo . Uma transformac ao linear :
2

2
dada
por (, ) = (, + ), e chamada cisalhamento ao longo do eixo .
(a) Mostre que a matriz elementar que corresponde a trocar duas linhas e a matriz de uma
reex ao em relac ao ` a reta = .
(b) Mostre que a matriz elementar que corresponde a multiplicar uma linha por um escalar
n ao nulo e a matriz de uma expans ao, ou a matriz de uma contrac ao, ou a matriz de uma
reex ao em relac ao a um dos eixos coordenados, ou um produto de uma matriz de uma
reex ao em relac ao a um dos eixos coodenados por uma matriz de uma expans ao ou
contrac ao.
(c) Mostre que a matriz elementar que corresponde a somar a uma linha um m ultiplo escalar
de outra e a matriz de um cisalhamento ao longo de um dos eixos coordenados.
(Sugest ao: veja no Exemplo 1.17 na p agina 58 as matrizes elementares 2 2 e compare com
as matrizes das transformac oes denidas acima.)
()
(
0) =

0
( )
+ ()+( )
Figura 6.1: Transformac ao Linear :
Introduc ao ` a

x
y
()
Figura 6.2: Projec ao no eixo

x
y
()
Figura 6.3: Projec ao no eixo
x
y
()
Figura 6.4: Reex ao em relac ao ao eixo

x
y
()
Figura 6.5: Reex ao em relac ao ao eixo
Introduc ao ` a

x
y
()
Figura 6.6: Projec ao na reta

x
y
2
()=
+
()
()
Figura 6.7: Reex ao em relac ao a reta
x
y
()
Figura 6.8: Transformac ao rotac ao de um

angulo
x
y
(
1
)
(
2
)
cos
s
e
n
c
o
s
sen
Figura 6.9: Transformac ao rotac ao sobre os
vetores
1
e
2
Introduc ao ` a

6.2 A Imagem e o N ucleo 389
6.2 A Imagem e o N ucleo
Denic ao 6.2. Seja :
uma transformac ao linear.

(a) O n ucleo de e denido pelo conjunto
() = {
() =

0}.
(b) A imagem de e denida pelo conjunto
() = {
= (), para algum
}
(c) A dimens ao do n ucleo de e chamada de nulidade de e a dimens ao da imagem de e
chamada posto de .
Exemplo 6.9. Sejam :
a transformac ao linear nula e :
a transformac ao
identidade. Ent ao () =
, () = {
0}, () = {
0} e () =
.
Teorema 6.3. Seja :
uma transformac ao linear. O n ucleo, (), e a imagem, () s ao

subespacos de
e de
, respectivamente.
()
()
0

0

Figura 6.10: () = {
0}
()
0
()

Figura 6.11: () = {
0}
Introduc ao ` a

Demonstrac ao. Para mostrar que um conjunto e um subespaco precisamos mostrar as propriedades
(a) e (b) da p agina 245, ou seja, que com relac ao ` as operac oes de soma de vetores e multiplicac ao
por escalar podemos viver nele sem termos que sair. Vamos mostrar em primeiro lugar que o n ucleo
de e um subespaco.
(a) Se
1
,
2
(), ent ao (
1
) = (
2
) =

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

0 +

0 =

0,
ou seja,
1
+
2
();
(b) Se () e e um escalar, ent ao () = () =
0. Logo, ();
Vamos mostrar, agora, que a imagem de e um subespaco.
(a) Se
1
,
2
(), ent ao existem
1
,
2

tais que (
1
) =
1
e (
2
) =
2
. Seja
=
1
+
2
. Ent ao, () = (
1
+
2
) = (
1
)+(
2
) =
1
+
2
. Logo,
1
+
2
().
(b) Se () e e um escalar, ent ao existe
tal que () = . Como e linear,

ent ao () = () = . Logo, ().
Exemplo 6.10. A imagem de uma transformac ao linear de
em n ao nula, :
, e o
conjunto , pois {
0} e s ao os unicos subespacos do espaco vetorial .

uma transformac ao linear. Se {

1
, . . . ,
} e uma base de
,
ent ao a imagem de e gerada por (
1
), . . . , (
).
Demonstrac ao. Seja (). Ent ao, existe
tal que ( ) = . Como {

1
, . . . ,
} e
base de
, existem esclares
1
, . . . ,
tais que =
1
1
+ . . . +
. Assim,
= ( ) =
_

=1
_
=
=1
).
Ou seja, (
1
), . . . , (
) geram ().
Exemplo 6.11. Vamos considerar as projec oes nos eixos e (Figuras 6.2 e 6.3 na p agina 385)
_
=
_
1 0
0 0
_ _

_
,
_
=
_
0 0
0 1
_ _

_
.
Geometricamente vemos que o n ucleo de
e o eixo , o n ucleo de
e o eixo , que s ao os pontos

que s ao levados pelas transformac oes na origem. Vemos tamb em que a imagem de
e o eixo ,
pois todos os pontos s ao levados por
no eixo . Analogamente, a imagem de
e o eixo .
Introduc ao ` a

Exemplo 6.12. Vamos considerar as reex oes em relac ao aos eixos e (Figuras 6.4 e 6.5 na
p agina 386)
_
=
_
1 0
0 1
_ _

_
,
_
=
_
1 0
0 1
_ _

_
,
e o n ucleo de
s ao iguais a origem, pois e o unico

ponto que e levado na origem pelas transformac oes. Vemos tamb em que as imagens de
e de
s ao iguais a
2
, pois todo ponto (, ) e imagem do ponto (, ) reetido pelas respectivas
transformac oes.
Exemplo 6.13. Consideremos a projec ao ortogonal e a reex ao em relac ao a uma reta
: (, ) = (, )
(Figuras 6.6 e 6.7 na p agina 387)
_
=
_

2
2
+
2
2
+
2
2
+
2
2
+
2
_
_

_
,
_
=
_

2
2
+
2
2
2
+
2
2
2
+
2
2
+
2
_
_

_
.
e a reta : (, ) = (, ), perpendicular ` a reta que

passa pela origem, pois os pontos sobre a reta s ao exatamente os pontos que s ao levados por
na origem. Vemos tamb em que a imagem de
e a pr opria reta , pois todos os pontos do

2
s ao
levados na reta . Geometricamente vemos que o n ucleo de
e a origem, pois e o unico ponto do
2
que e levado na origem. Vemos tamb em que a imagem de
e o
2
, pois todo ponto (, ) e a
imagem do ponto (, ) reetido por .
Exemplo 6.14. Geometricamente vemos que a rotac ao de um angulo (Figura 6.8 na p agina 388)
_
=
_
cos sen
sen
_ _

_
tem n ucleo igual a origem, pois e o unico ponto que e levado na origem por
. Vemos tamb em que

a imagem de
e igual ao
2
, pois todo ponto (, ) e a imagem do ponto (, ) girado de .
Seja :
uma transformac ao linear. Pela Proposic ao 6.2 na p agina 379 a transformac ao

e dada por
() = , para todo
,
onde = (
= [ (
1
) . . . (
) ], com (
), para = 1, . . . , escritos como matrizes

colunas e
1
= (1, 0, . . . , 0),
2
= (0, 1, 0, . . . , 0), . . . ,
= (0, . . . , 0, 1). Assim, o n ucleo de e

o espaco soluc ao do sistema homog eneo =

0 e a imagem de e o subespaco gerado pelas
colunas de , ou seja, e o espaco coluna de .
6.2.1 Injetividade e Sobrejetividade
Dizemos que uma func ao : e sobrejetiva se, para todo existe tal que
() = , ou seja, se a imagem de e igual a . No caso em que e uma transformac ao linear,
obtemos como conseq u encia da Proposic ao 6.4 o seguinte resultado.
Corol ario 6.5. Seja :
uma transformac ao linear. Seja {

1
, . . . ,
} base de
. e
sobrejetiva se, e somente se, (
1
), . . . , (
) geram o
.
Introduc ao ` a

Exemplo 6.15. Toda transformac ao linear de
em n ao nula, :
e sobrejetiva, pois {
0}
e s ao os unicos subespacos do espaco vetorial .
Exemplo 6.16. A reex ao em relac ao a uma reta que passa pela origem e a rotac ao s ao sobrejetivas
enquanto a projec ao ortogonal em uma reta que passa pela origem n ao e sobrejetiva (Exemplos 6.13
e 6.14 na p agina 393).
Dizemos que uma func ao : e injetiva, se () = () implica que = .
Teorema 6.6. Seja :
uma transformac ao linear. Ent ao, e injetiva se, e somente se,

() = {
0}.
Demonstrac ao. Suponha que e injetiva. Seja (). Ent ao, como e injetiva, () = (
0)
implica que =

0.
Agora, suponha que () = {
0}. Se () = ( ), ent ao ( ) =

0, ou seja,
().
Como, () = {
0}, ent ao =

0, ou seja, = .
Exemplo 6.17. A reex ao em relac ao a uma reta que passa pela origem e a rotac ao s ao injetivas
enquanto a projec ao ortogonal em uma reta que passa pela origem n ao e injetiva (Exemplos 6.13 e
6.14 na p agina 393).
Teorema 6.7 (da Dimens ao do N ucleo e da Imagem). Seja :
uma transformac ao li-

near. Ent ao a soma da dimens ao do n ucleo de com a dimens ao da imagem de e igual a dimens ao
de
, ou seja,
dim(()) + dim(()) = dim(
) = .
Introduc ao ` a

()
0

0
Figura 6.12: Transformac ao linear injetiva

(() = {
0})
()
0
()
Figura 6.13: Transformac ao linear n ao inje-

tiva (() = {
0})
Demonstrac ao. Vamos supor que 1 dim(()) < . Sejam
1
, . . . ,
vetores de
, que for-
mam uma base para o n ucleo de . Vamos estend e-la a uma base de
. Sejam
+1
, . . . ,
vetores de
tais que
1
, . . . ,
,
+1
, . . . ,
formam uma base de
. Vamos mostrar que

(
+1
), . . . , (
) formam uma base da imagem de . Para isso, precisamos mostrar que eles
geram a imagem de e que s ao L.I.
Pela Proposic ao 6.4 na p agina 392, (
+1
), . . . , (
) geram a imagem de , pois

(
1
) = . . . = (
) =

0. Vamos mostrar que (
+1
), . . . , (
) s ao linearmente inde-
pendentes. Considere a combinac ao linear nula:
+1
(
+1
) + . . . +
) =

0.
Pela linearidade de segue-se que
(
+1
+1
+. . . +
) =

0.
Mas isto implica que
+1
+1
+ . . . +
(). Assim, existem escalares

1
, . . . ,
tais que
+1
+1
+ . . . +
=
1
1
+. . . +
. De onde segue-se que
1
+ . . . +
+1
+1
. . .
=

0.
Como
1
, . . . ,
e base de
, ent ao
1
= . . . =
=
+1
= . . . =
= 0, ou seja,
(
+1
), . . . , (
) s ao L.I.
Portanto, a dimens ao da imagem de e igual a diferenca entre a dimens ao de
e a dimens ao
do n ucleo de , de onde segue-se o resultado.
Em geral, uma transformac ao linear pode ser injetiva sem ser sobrejetiva e sobrejetiva sem ser
injetiva. Entretanto, se a dimens ao do domnio for igual a dimens ao do contradomnio temos o seguinte
resultado, que e uma conseq u encia imediata do Teorema 6.7 da Dimens ao do N ucleo e da Imagem.
Introduc ao ` a

uma transformac ao linear. Suponha que = .

(a) Se e sobrejetiva, ent ao e injetiva.
(b) Se e injetiva, ent ao e sobrejetiva.
Se uma transformac ao linear :
e injetiva e sobrejetiva, ent ao e chamada isomor-

smo.
6.2.1. Seja a transformac ao de
3
em
3
, denida por (, , ) = (, , 0). Se a imagem de uma
reta , por , e um ponto, ent ao quais s ao as equac oes param etricas da reta ?
6.2.2. Seja :
3
3
uma transformac ao linear dada por (, , ) = (, , ).
(a) Encontre uma base para o n ucleo de .
(b) Encontre uma base para a imagem de .
(c) Descreva geometricamente o n ucleo e a imagem de .
6.2.3. Seja :
5
(a) Se e sobrejetiva e dim(()) = 2, qual o valor de ?
(b) Se e sobrejetiva e injetiva, qual o valor de ?
6.2.4. D e exemplos de transformac oes lineares :
3
3
tais que
(a) () = {(, , )
3
= },
(b) () = {(, , )
3
= }.
6.2.5. D e um exemplo de uma transformac ao linear :
2
2
tal que () = ().
Exerccios Te oricos
6.2.6. Determine o n ucleo e a imagem do operador linear denido no Exerccio 6.1.11 na p agina 382.
6.2.7. Considere o plano : + + = 0.
(a) Determine o n ucleo e a imagem da projec ao ortogonal no plano ,
. Responda se
e
sobrejetiva e se e injetiva.
(b) Determine o n ucleo e a imagem da reex ao em relac ao ao plano ,
. Responda se
e sobrejetiva e se e injetiva.
6.2.8. Considere a reta : (, , ) = (, , ).
(a) Determine o n ucleo e a imagem da projec ao ortogonal na reta ,
. Responda se
e
(b) Determine o n ucleo e a imagem da reex ao em relac ao ` a reta ,
. Responda se
e
Introduc ao ` a

6.2.9. Seja :
3
(a) Mostre que existem escalares , , tais que (, , ) = + + .
(b) Descreva geometricamente todas as possibilidades para o n ucleo de .
6.2.10. Sejam :
uma transformac ao linear e = {

1
, . . . ,
} um conjunto de vetores de
. Mostre que se = {(
1
), . . . , (
)} e L.I., ent ao tamb em o e.

6.2.11. Seja :
uma transformac ao linear. Mostre que e injetiva se, e somente se,

dim(()) = .
6.2.12. Seja :
uma transformac ao linear. Mostre que e injetiva se, e somente se,

a imagem de todo conjunto de vetores linearmente independente e um conjunto de vetores
linearmente independente.
6.2.13. Sejam :
uma transformac ao linear. Mostre que e injetiva se, e somente se, a

imagem por de uma base de
e uma base de
.
6.3 Composic ao de Transformac oes Lineares
Sejam :
e :
transformac oes lineares. A composic ao de com ,

denotada por e a func ao de
em
denida por
()() = (()), para todo
.
Proposic ao 6.9. Se :
e :
s ao transformac oes lineares, ent ao a composic ao

:

1
,
2

e , escalares.
()(
1
+
2
) = ((
1
+
2
)) = ((
1
) +(
2
))
= ((
1
)) + ((
2
)) = ()(
1
) + ()(
2
)
6.3.1 Matriz de uma Transformac ao Linear

Denic ao 6.3. Seja = {
1
, . . . ,
} uma base de
. Todo vetor
se escreve de maneira
unica como combinac ao linear de
1
, . . . ,
(Teorema 4.3 na p agina 270), ou seja, existem escalares

Introduc ao ` a

6.3 Composic ao de Transformac oes Lineares 403
1
, . . . ,
tais que =
1
1
+ . . . +
. Denimos o vetor de coordenadas de em relac ao

` a base (ordenada) = {
1
, . . . ,
}, por
[ ]
2
.
.
.
.
As coordenadas de um vetor em relac ao ` a base s ao os escalares que aparecem quando
escrevemos como combinac ao linear dos vetores da base . Por exemplo, para os vetores da
base , [
1
]
=
1
, [
2
]
=
2
, . . . , [
, em que
1
, . . . ,
s ao os vetores da base
can onica do
. Pois,
= 0
1
+ . . . + 1
+ . . . + 0
, para = 1, . . . , .
Sejam = {
1
, . . . ,
} e = {
1
, . . . ,
} bases de
, respectivamente. Seja
:
uma transformac ao linear. Sejam

[ ]
2
.
.
.
, [(
1
)]
11
21
.
.
.
, [(
2
)]
12
22
.
.
.
, . . . , [(
)]
2
.
.
.
.
Ent ao,
( ) = (
1
1
+ . . . +
) =
1
(
1
) +. . . +
)
=
1
(
11
1
+ . . .
1
) + . . . +
(
1
1
+ . . . +
)
= (
1
11
+ . . . +
1
)
1
+ . . . + (
1
1
+ . . . +
.
Como escrevemos o vetor ( ) como combinac ao linear dos vetores da base , ent ao os escalares
s ao as coordenadas de ( ) em relac ao ` a base , ou seja,
[( )]
11
1
+ . . . +
1
21
1
+ . . . +
2
.
.
.
1
+ . . . +
11

12

1
21

22

2
.
.
.
.
.
.
1

2

2
.
.
.
= [ ]
,
Introduc ao ` a

em que = [ [(
1
)]
. . . [(
)]
]. Esta matriz e chamada matriz da transformac ao linear

em relac ao ` as bases e e e denotada por []
, ou seja,
[]
= [ [(
1
)]
. . . [(
)]
].
Isto prova o seguinte resultado, que e uma generalizac ao da Proposic ao 6.2 na p agina 379.
Teorema 6.10. Sejam = {
1
, . . . ,
} e = {
1
, . . . ,
} bases de
, respectivamente.
Seja :
uma transformac ao linear. Ent ao, a matriz

[]
= [ [(
1
)]
. . . [(
)]
],
e tal que
[( )]
= []
[ ]
, para todo vetor
.
Aqui [ ]
e o vetor de coordenadas de em relac ao ` a base , [( )]
e o vetor de coordenadas de
( ) em relac ao ` a base e a matriz []
= [ [(
1
)]
. . . [(
)]
] e a matriz da transformac ao
linear em relac ao ` as bases e .
Quando a transformac ao linear e a transformac ao identidade :
, denida por () =
, para todo
, ent ao aplicando o resultado anterior (Teorema 6.10) a esta transformac ao,

obtemos uma relac ao entre os vetores de coordenadas de um vetor em relac ao ` a duas bases.
[]
= [()]
= []
[]
= []
,
em que = [ [
1
]
. . . [
] e chamada matriz mudanc a de base de para .

Corol ario 6.11. Sejam = {
1
, . . . ,
} e = {
1
, . . . ,
} bases de
. Ent ao, Para todo

,
[]
= []
[]
,
em que = []
= [ [
1
]
. . . [
] e a matriz da transformac ao linear identidade :
em
relac ao ` as bases e .
Exemplo 6.18. Sejam = {
1
= (1, 0),
2
= (0, 1)} e = {
1
= (1, 1),
2
= (1, 1)} bases do
2
. Como e a base can onica, temos que [(, )]
=
_

_
. Vamos encontrar [(, )]
.
[(, )]
= [
2]
[(, )]
Para determinarmos [
2]
= [ [
1
]
[
2
]
] diretamente precisamos saber escrever

1
e
2
em
termos da base . Para isto precisamos resolver as equac oes:
1
=
1
1
+
1
2
e
2
=
2
1
+
2
2
.
Introduc ao ` a

Temos que resolver dois sistemas lineares que t em a mesma matriz = [
1

2
]. Como a matriz
e invertvel e e f acil encontrar a inversa de uma matriz 22 (ver por exemplo Exemplo 2.17 na p agina
126), podemos obter as soluc oes dos sistemas como
1
1
e
1
2
. Como
1
=
__
1 1
1 1
__
1
=
_
1/2 1/2
1/2 1/2
_
,
ent ao
[]
= [ [
1
]
[
2
]
] = [
1
1

1
2
] =
_
1/2 1/2
1/2 1/2
_
.
Portanto
[(, )]
= []
[(, )]
=
_
1/2 1/2
1/2 1/2
_ _

_
=
_
( + )/2
( )/2
_
.
Teorema 6.12. Sejam :
e :
transformac oes lineares. Sejam =

{
1
, . . . ,
}, = {
1
, . . . ,
} e = {
1
, . . . ,
} bases de
respectivamente.
Ent ao,
[]
= []
[]
.
Ou seja, a matriz da composic ao de duas transformac oes lineares e o produto das matrizes das
transformac oes lineares.
Demonstrac ao. Sejam = []
, = []
e = []
. Vamos mostrar que = .

()(
) = ((
)) =
_

=1
_
=
=1
)
=
=1
=1
=1
=1
=1
_

=1
Mas, por denic ao da matriz de uma transformac ao linear

()(
) =
=1
.
Como os vetores
1
, . . . ,
s ao L.I., ent ao
=1
, ou seja, = , como queramos

provar.
6.3.2 Invertibilidade
Dizemos que uma transformac ao linear :
e invertvel se, existe uma func ao

:
tal que =
e =
. A func ao e unica (verique!) e denotada

por
1
.
uma transformac ao linear invertvel. Ent ao,

1
:
e
tamb em uma transformac ao linear.
Introduc ao ` a

1
,
2

e , escalares. Sejam
1
=
1
(
1
) e
2
=
1
(
2
).
Ent ao,
1
(
1
+
2
) =
1
((
1
) + (
2
) =
1
((
1
+
2
))
=
1
+
2
=
1
(
1
) +
1
(
2
)
o que prova que
1
Lembramos que uma func ao : e invertvel se, e somente se, e injetiva e sobrejetiva.
Teorema 6.14. Sejam = {
1
, . . . ,
} e = {
1
, . . . ,
} bases dos espacos vetoriais
, respectivamente. Uma transformac ao linear :
e invertvel se, e somente se, []
e
invertvel. Al em disso, se e invertvel, ent ao [
1
]
= ([]
)
1
.
Demonstrac ao. Suponha, em primeiro lugar, que e invertvel. Ent ao e injetiva e sobrejetiva, o
que implica, pelo Teorema da Dimens ao do N ucleo e da Imagem 6.7 na p agina 396, que = .
Al em disso, existe uma transformac ao linear,
1
, tal que
1
=
e
1
=
. Assim,
= [
= [
1
]
= [
1
]
[]
.
Portanto, a matriz []
e invertvel e ([]
)
1
= [
1
]
.
Suponha, agora, que = []
e uma matriz invertvel. Ent ao, e uma matriz quadrada e

= . Vamos mostrar que () = {
0}. Seja (). Ent ao, [( )]
= [ ]
=

0. Como
e invertvel, ent ao [ ]
=

0. O que implica que =

0. Assim e injetiva (Teorema 6.6 na p agina
395) e como = , ent ao pelo Corol ario 6.8 na p agina 399 segue-se que e tamb em sobrejetiva e
portanto invertvel.
Exemplo 6.19. Seja :
3

3
denida por (, , ) = ( + + 2, + 2, ), para todo
(, , )
3
. Vamos vericar se e invertvel. Seja = {
1
,
2
,
3
}. Vamos determinar a matriz
de em relac ao a . Para isto, vamos escrever o resultado da aplicac ao em cada elemento de
como combinac ao linear dos elementos de .
(
1
) =
1
= 1
1
+ 0
2
+ 0
3
(
2
) =
1
+
2
= 1
1
+ 1
2
+ 0
3
(
3
) = 2
1
+ 2
2
+
3
= 2
1
+ 2
2
+ 1
3
Assim, a matriz de em relac ao a e
[]
=
_
[(
1
)]
[(
2
)]
[(
3
)]
1 1 2
0 1 2
0 0 1
.
Esta matriz e invertvel (verique!) e assim pelo Teorema 6.14 a transformac ao linear e invertvel e
[
1
]
= ([]
)
1
=
1 1 0
0 1 2
0 0 1
.
Introduc ao ` a

Vamos determinar uma express ao para
1
. Pelo Teorema 6.10 na p agina 405, temos que
[
1
(, , )]
= [
1
]
[(, , )]
1 1 0
0 1 2
0 0 1
.
Portanto,
1
(, , ) = ( , 2, ).
Quando a transformac ao linear e a transformac ao identidade
:
, denida por () = , para todo
,
ent ao aplicando o resultado anterior (Teorema 6.14) a esta transformac ao, obtemos o seguinte resul-
tado.
1
, . . . ,
} e = {
1
, . . . ,
} bases de
. A matriz mudanca de
base = []
e invertvel e
1
= ([]
)
1
= []

Exemplo 6.20. Vamos determinar a express ao da transformac ao linear que faz uma rotac ao de um
angulo no sentido anti-hor ario em torno de um eixo que passa pela origem e tem a direc ao e o
sentido dados por um vetor unit ario = (, , ). Seja = {
1
,
2
,
3
}, em que
1
= = (, , )
2
= (

2
+
2
,

2
+
2
, 0)
3
= (

2
+
2
,

2
+
2
,
2
+
2
)
E f acil vericar que esta e uma base ortonormal, ou seja, uma base em que os seus vetores s ao
unit arios mutuamente ortogonais. Al em disso, temos que
(
1
) =
1
= (, , )
(
2
) = cos
2
+ sen
3
= (
cos sen
2
+
2
,
cos sen
2
+
2
,
2
+
2
sen )
(
3
) = sen
2
+ cos
3
= (
sen cos
2
+
2
,
sen cos
2
+
2
,
2
+
2
cos ).
Se = {
1
,
2
,
3
} e a base can onica de
3
, ent ao
,
() = [
,
()]
= [
,
]
[]
Podemos escrever
,
=
,
e assim
[
,
]
= [
,
]
= [
,
]
[]
Introduc ao ` a

Agora,
[
,
]
= [ [
,
(
1
)]
[
,
(
2
)]
[
,
(
3
)]
] = [
,
(
1
)
,
(
2
)
,
(
3
) ],
e
[]
= ([]
)
1
= [ [
1
]
[
2
]
[
3
]
]
1
= [
1

2

3
]
,
pois e a base can onica e os vetores
1
,
2
e
3
s ao unit arios mutuamente ortogonais. Assim,
,
() = [
,
]
[]
= [
,
(
1
)
,
(
2
)
,
(
3
) ][
1

2

3
]
.
Mas,
[
,
(
1
)
,
(
2
)
,
(
3
) ][
1

2

3
]
cos sen
2
+
2
sen cos
2
+
2
cos sen
2
+
2
sen cos
2
+
2
2
+
2
sen
2
+
2
cos
2
+
2
2
+
2
0
2
+
2
2
+
2
2
+
2
2
(1 cos ) + cos (1 cos ) sen (1 cos ) + sen
(1 cos ) + sen
2
(1 cos ) + cos (1 cos ) sen
(1 cos ) sen (1 cos ) + sen
2
(1 cos ) + cos
que e a matriz de
,
em relac ao ` a base can onica. Finalmente,
2
(1 cos ) + cos (1 cos ) sen (1 cos ) + sen
(1 cos ) + sen
2
(1 cos ) + cos (1 cos ) sen
(1 cos ) sen (1 cos ) + sen
2
(1 cos ) + cos

6.3.3 Semelhanc a
1
, . . . ,
} e = {
1
, . . . ,
} bases do
. Se :
e
uma transformac ao linear, ent ao
[]
=
1
[]
.
Demonstrac ao. Pelo Teorema 6.12 na p agina 407 temos que
[]
= []
[]
[]
.
Mas pelo Corol ario 6.15 na p agina 411 a matriz = []
e invertvel e
1
= []
. De onde segue-se
o resultado.
Uma transformac ao linear do
nele mesmo e chamada um operador linear. Sejam e

matrizes . Dizemos que e semelhante a se existe uma matriz invertvel tal que =
1
. Observe que com esta terminologia o Corol ario 6.16 pode ser estabelecido da seguinte
forma:
Introduc ao ` a

Se :
e uma transformac ao linear, = {

1
, . . . ,
} e = {
1
, . . . ,
} s ao bases de
, ent ao []
e semelhante a []
.
O traco de uma matriz quadrada , denotado por tr(), e denido como sendo a soma dos
elementos da sua diagonal principal. Como tr() = tr() (Exerccio 1.1.26 na p agina 31), ent ao
tr(
1
) = tr().
Assim, em virtude do Corol ario 6.16, se
e um espaco vetorial de dimens ao nita, podemos denir

o trac o de um operador linear :
como sendo
tr() = tr([]
),
onde e uma base de
.
De forma an aloga, como det() = det() det() = det() (Teorema 2.13 na p agina 117),
ent ao
det(
1
) = det().
Assim, em virtude do Corol ario 6.16, se
e um espaco vetorial de dimens ao nita, podemos denir

o determinante de um operador linear :
como sendo
det() = det([]
),
onde e uma base de
qualquer.
Exemplo 6.21. Vamos obter uma express ao para a reex ao na reta : = 2,
:
2

2
,
usando o Corol ario 6.16. Vamos escolher uma base do
2
, tal que a avaliac ao de
nos elementos
desta base seja f acil de se obter. Por exemplo, = {
1
= (1, 2),
2
= (2, 1)}.
(
1
) =
(1, 2) = (1, 2) = 1
1
+ 0
2
(
2
) =
(2, 1) = (2, 1) = 0
1
1
2
.
Assim,
= [
=
_
1 0
0 1
_
.
A matriz mudanca de base, da base para a base can onica = {(1, 0), (0, 1)} e dada por
= [
2]
=
_
1 2
2 1
_
.
Pelo Corol ario 6.16, a matriz = [
e obtida atrav es da equac ao matricial

= [
= [
2]
2]
=
1
.
Vamos enunciar uma vers ao mais geral do Corol ario 6.16, cuja demonstrac ao e inteiramente
an aloga e deixamos como exerccio para o leitor.
Introduc ao ` a

uma transformac ao linear. Sejam = {

1
, . . . ,
} e
=
{
1
, . . . ,
} bases de
e = {
1
, . . . ,
} e
= {
1
, . . . ,
} bases de
. Ent ao,
[]
=
1
[]
,
onde e a matriz mudanca de base de
para e , de
para .
6.3.1. Seja :
2

2
a transformac ao linear dada por (, ) = (2 + , 3), para todo
(, )
2
. Seja = {(1, 1), (1, 2)}. Determine []
.
6.3.2. Seja :
3
3
denida por () = , para todo
3
, onde
=
3 1 2
0 0 2
0 0 1
.
Sejam
1
= (1, 0, 0),
2
= (1, 2, 0) e
3
= (0, 2, 1).
(a) Encontre a matriz mudanca de base de = {
1
,
2
,
3
} para a base can onica =
{
1
,
2
,
3
};
(b) Use a matriz obtida no item anterior para determinar a matriz que representa com
relac ao ` a base {
1
,
2
,
3
}.
6.3.3. Considere a reta : (, , ) = (1, 1, 1). Sejam = {
1
,
2
,
3
} a base can onica do
3
e = {
1
,
2
,
3
} a base ortonormal de
3
denida por
1
= 1/
3(1, 1, 1),
2
=
1/
2(1, 1, 0) e
3
= 1/
6(1, 1, 2).
(a) Seja
:
3
3
a projec ao ortogonal na reta . Encontre [
e [
.
(b) Seja
:
3
3
a reex ao em relac ao ` a reta . Encontre [
e [
.
6.3.4. Considere a reta : (, , ) = (1, 1, 0). Sejam = {
1
,
2
,
3
} a base can onica do
3
e
= {
1
,
2
,
3
} a base ortonormal de
3
denida por
1
= 1/
2(1, 1, 0),
2
= (0, 0, 1) e
3
= 1/
2(1, 1, 0). Seja

/2,
:
3

3
a transformac ao linear, que e uma rotac ao de
um angulo de /2 em torno da reta . Determine [
/2,
]
e [
/2,
]
.
6.3.5. Para cada uma das transformac oes lineares verique se e invertvel e calcule a inversa,
1
, se ela existe.
(a) :
3
3
denida por (, , ) = ( + 2 +, + 2, ).
(b) :
3
3
denida por (, , ) = (, 2 + , 2 4 + ).
(c) :
3
3
denida por (, , ) = ( + + , + 2 + , + 2).
(d) :
3
3
denida por (, , ) = ( + + , +, + ).
Introduc ao ` a

Exerccios Te oricos
6.3.6. Mostre que se :
2
2
e uma transformac ao linear invertvel, ent ao e uma composic ao
de expans oes, compress oes, cisalhamentos e reex oes. (Sugest ao: use o fato de que toda
matriz invertvel e o produto de matrizes elementares e o Exerccio 6.1.12 na p agina 383.)
6.3.7. Seja uma matriz triangular superior com todos os elementos da diagonal iguais a zero.
Mostre que
=

0. (Sugest ao: considere o operador :
cuja matriz na base

can onica e igual a e determine a matriz de
.)
6.3.8. Seja :
uma transformac ao linear. Sejam = {

1
, . . . ,
} e
= {
1
, . . . ,
}
bases de
e = {
1
, . . . ,
} e
= {
1
, . . . ,
} bases de
. Mostre que
[]
=
1
[]
,
onde e a matriz mudanca de base de
para e , de
para . (Sugest ao: siga a

demonstrac ao do Corol ario 6.16 na p agina 414.)
6.3.9. Seja = {
1
, . . . ,
} uma base de um espaco vetorial
. Seja uma matriz invertvel.

Mostre que = {
1
, . . . ,
} e uma base de
, onde
=1
, para = 1, . . . , .
Assim, e a matriz mudanca de base de para .
6.3.10. Um operador :
e chamado nilpotente se
= , a transformac ao linear nula,

para algum . Seja um operador nilpotente. Mostre que existe um vetor =

0 tal que
( ) =

0.
() (())
((
0)) =

0
0
(
0)
Figura 6.14: Composic ao das Transformac oes Lineares :
e :
Introduc ao ` a

y
z
x
,
()
Figura 6.15: Rotac ao de um angulo em

torno de um eixo determinado pelo vetor
y
z
x
,
(
3
)
,
(
2
)
,
(
1
) =
1
Figura 6.16:
,
(
1
),
,
(
2
) e
,
(
3
)
Captulo 7
Diagonalizac ao
7.1 Diagonalizac ao de Matrizes
7.1.1 Motivac ao
Certos processos s ao descritos em cada est agio por uma matriz quadrada e em est agios pela
pot encia da matriz ,
, em que e um n umero inteiro positivo. Suponha que desejamos saber a

422
7.1 Diagonalizac ao de Matrizes 423
matriz que corresponde a est agios, para um inteiro positivo qualquer. Se a matriz e diagonal,
=
1
0 . . . 0
0
2
. . . 0
.
.
.
.
.
.
.
.
.
0 . . . 0
, ent ao
1
0 . . . 0
0
2
. . . 0
.
.
.
.
.
.
.
.
.
0 . . . 0
.
Se a matriz n ao e diagonal, mas existe uma matriz tal que
=
1
, em que =
1
0 . . . 0
0
2
. . . 0
.
.
.
.
.
.
.
.
.
0 . . . 0
,
ent ao
2
= (
1
)(
1
) = (
1
)
1
=
2
1
.
Agora, supondo que
1
=
1
1
, temos que
=
1
= (
1
)
1
(
1
)
= (
1
1
)(
1
) =
1
(
1
)
1
=
1
=
1
0 . . . 0
0
2
. . . 0
.
.
.
.
.
.
.
.
.
0 . . . 0
1
.
Assim, podemos facilmente encontrar a - esima pot encia de .
424 Diagonalizac ao
Exemplo 7.1. Seja
=
_
1 1
4 1
_
.
mostraremos no Exemplo 7.6 na p agina 439 que
=
_
1 1
2 2
_
e =
_
3 0
0 1
_
s ao tais que
=
1
.
Assim,
1
=
_
1 1
2 2
_ _
3
0
0 (1)
_ _
1 1
2 2
_
1
=
_
3
(1)
2 3
2(1)
_
1
4
_
2 1
2 1
_
=
1
4
_
2(3
+ (1)
) (1)
4((1)
) 2(3
+ (1)
)
_
Vamos descobrir, a seguir, como podemos determinar matrizes e , quando elas existem, tais
que =
1
, ou multiplicando ` a esquerda por
1
e ` a direita por , =
1
, com
sendo uma matriz diagonal. Chamamos diagonalizac ao ao processo de encontrar as matrizes e
.
Introduc ao ` a

7.1.2 Autovalores e Autovetores
Denic ao 7.1. Dizemos que uma matriz , , e diagonaliz avel, se existem matrizes e tais
que =
1
, ou equivalentemente, =
1
, em que e uma matriz diagonal.
Exemplo 7.2. Toda matriz diagonal
=
1
0 . . . 0
0
2
. . . 0
.
.
.
.
.
.
.
.
.
0 . . . 0
e diagonaliz avel, pois

= (
)
1
.
Vamos supor inicialmente que a matriz seja diagonaliz avel. Ent ao existe uma matriz tal que
1
= , (7.1)
em que e uma matriz diagonal. Vamos procurar tirar conclus oes sobre as matrizes e .
Multiplicando ` a esquerda por ambos os membros da equac ao anterior, obtemos
= . (7.2)
426 Diagonalizac ao
Sejam
=
1
0 . . . 0
0
2
. . . 0
.
.
.
.
.
.
.
.
.
0 . . . 0
e =
_

1

2
. . .
,
em que
e a coluna de . Por um lado

=
_

1

2
. . .
=
_

1

2
. . .
(Exerccio 1.1.18 na p agina 28) e por outro lado

=
_

1

2
. . .
1
0 . . . 0
0
2
. . . 0
.
.
.
.
.
.
.
.
.
0 . . . 0
=
_

1
1

2
2
. . .
(Exerccio 1.1.17 na p agina 28) Assim, (7.2) pode ser reescrita como,
_

1

2
. . .
=
_

1
1

2
2
. . .
.
Logo,
,
para = 1, . . . . Ou seja, as colunas de ,
, e os elementos da diagonal de ,
, satisfazem a
equac ao
= ,
Introduc ao ` a

em que e s ao inc ognitas. Isto motiva a seguinte denic ao.
Denic ao 7.2. Seja uma matriz . Um n umero real e chamado autovalor (real) de , se
existe um vetor n ao nulo =
1
.
.
.
de
, tal que
= . (7.3)
Um vetor n ao nulo que satisfaca (7.3), e chamado de autovetor de .
428 Diagonalizac ao
> 1
=
0 < < 1
=
< 0
Observe que, usando o fato de que a matriz identidade
1 0 . . . 0
0 1 . . . 0
.
.
.
.
.
.
.
.
.
0 . . . 0 1
e tal que
= , a equac ao (7.3) pode ser escrita como

=
ou
(
) =

0 . (7.4)
Como os autovetores s ao vetores n ao nulos, os autovalores s ao os valores de , para os quais o
sistema (
) =

0 tem soluc ao n ao trivial. Mas, este sistema homog eneo tem soluc ao n ao
trivial se, e somente se, det(
) = 0 (Teorema 2.15 na p agina 123). Assim temos um m etodo

para encontrar os autovalores e os autovetores de uma matriz .
Introduc ao ` a

Proposic ao 7.1. Seja uma matriz .
(a) Os autovalores (reais) de s ao as razes reais do polin omio
() = det(
) (7.5)
(b) Para cada autovalor , os autovetores associados a s ao os vetores n ao nulos da soluc ao do
sistema
(
) =

0 . (7.6)
Denic ao 7.3. Seja uma matriz . O polin omio
() = det(
) (7.7)
e chamado polin omio caracterstico de .
430 Diagonalizac ao
Assim, para determinarmos os autovalores de uma matriz precisamos determinar as razes
reais do seu polin omio caracterstico, que tem a forma () = (1)
+
1
1
+ . . . +
1
+
0
.
Um resultado sobre polin omios que muitas vezes e util, e o que diz que se
0
,
1
, . . . ,
1
s ao
inteiros, ent ao as suas razes racionais (se existirem) s ao n umeros inteiros e divisores do coeciente
do termo de grau zero
0
. Por exemplo, se () =
3
+ 6
2
11 + 6, ent ao as possveis razes
racionais s ao 1, 2, 3 e 6. Substituindo estes valores em (), vemos que (1) = 0, ou seja, 1
e uma raz de (). Finalmente, dividindo () por 1, obtemos que () = ( 1)(
2
+ 5 6).
Como as razes de
2
+ 5 6 s ao 2 e 3, ent ao as razes de (), s ao 1, 2 e 3.
Exemplo 7.3. Vamos determinar os autovalores e autovetores da matriz
=
_
1 1
4 1
_
Para esta matriz o polin omio caracterstico e
() = det(
2
) = det
_
1 1
4 1
_
= (1 )
2
4 =
2
2 3 .
Como os autovalores de s ao as razes de (), temos que os autovalores de s ao
1
= 3 e
2
= 1.
Agora, vamos determinar os autovetores associados aos autovalores
1
= 3 e
2
= 1. Para
isto vamos resolver os sistemas (
1
2
) =

0 e (
2
2
) =

0. Como

1
2
=
_
2 1
4 2
_
,
Introduc ao ` a

ent ao
(
1
2
) =

0
e
_
2 1
4 2
_ _

_
=
_
0
0
_
ou
_
2 = 0
4 2 = 0
cuja soluc ao geral e
1
= {(, 2) }.
que e o conjunto de todos os autovetores associados a
1
= 3 acrescentado o vetor nulo. Agora,
(
2
2
) =

0
e
_
2 1
4 2
_ _

_
=
_
0
0
_
2
= {(, 2) },
2
= 1 acrescentado o vetor nulo.
Exemplo 7.4. Vamos determinar os autovalores e autovetores da matriz
=
4 2 2
2 4 2
2 2 4

432 Diagonalizac ao
Para esta matriz o polin omio caracterstico e
() = det(
3
) = det
4 2 2
2 4 2
2 2 4
= (4 ) det
_
4 2
2 4
_
2 det
_
2 2
2 4
_
+ 2 det
_
2 4
2 2
_
= (4 ) det
_
4 2
2 4
_
4 det
_
2 2
2 4
_
= (4 )[(4 )
2
4] 8(2 ) =
3
+ 12
2
36 + 32
Substituindo-se = 1 obtemos
(1) = 1 + 12 36 + 32 > 0, (1) = 1 + 12 + 36 + 32 > 0.
Substituindo-se = 2 obtemos (2) = 0. Dividindo-se () por 2 obtemos que
() = ( 2)(
2
+ 10 16) = ( 2)
2
(8 ).
Portanto os autovalores de s ao
1
= 2 e
2
= 8. Agora, vamos determinar os autovetores
associados aos autovalores
1
e
2
. Para isto vamos resolver os sistemas (
1
3
) =

0 e
(
2
3
) =

0. Como
(
1
3
) =

0 e
2 2 2
2 2 2
2 2 2
0
0
0
Introduc ao ` a

A forma escalonada reduzida da matriz aumentada do sistema e
1 1 1 0
0 0 0 0
0 0 0 0
Assim, a soluc ao geral do sistema (

1
3
) =

0 e
1
= {( , , ) , } ,
1
= 2 acrescentado o vetor nulo.
Com relac ao ao autovalor
2
= 8, o sistema (
2
3
) =

0 e
4 2 2
2 4 2
2 2 4
0
0
0
1 0 1 0
0 1 1 0
0 0 0 0

2
3
) =

0 e
2
= {(, , ) }.
Nos exemplos anteriores, para cada autovalor encontramos todos os autovetores associados a
ele. Podemos observar que para cada autovalor , o conjunto dos autovetores associados a ele
acrescentado o vetor nulo e um subespaco, j a que e o conjunto soluc ao de um sistema linear ho-
mog eneo (
) =

0. Este subespaco recebe o nome de autoespac o associado ao autovalor
.
434 Diagonalizac ao
7.1.3 Diagonalizac ao
Vamos enunciar e demonstrar o resultado principal deste captulo. J a vimos que se uma matriz
e diagonaliz avel, ent ao as colunas da matriz , que faz a diagonalizac ao, s ao autovetores associados
a autovalores, que por sua vez s ao elementos da matriz diagonal . Como a matriz e invertvel,
estes autovetores s ao L.I. Vamos mostrar, a seguir, que se a matriz tem autovetores L.I., ent ao
ela e diagonaliz avel.
Teorema 7.2. Seja uma matriz que tem autovetores L.I.
1
, . . . ,
associados a
1
, . . . ,
,
respectivamente. Ent ao as matrizes
=
_

1

2
. . .
e =
1
0 . . . 0
0
2
. . . 0
.
.
.
.
.
.
.
.
.
0 . . . 0
.
s ao tais que
=
1
,
ou seja e diagonaliz avel. Reciprocamente, se e diagonaliz avel, ent ao ela possui autovetores
linearmente independentes.
Introduc ao ` a

Demonstrac ao. Suponha que
1
, . . . ,
s ao autovetores linearmente independentes associados

a
1
, . . . ,
, respectivamente. Vamos denir as matrizes

=
_

1

2
. . .
e =
1
0 . . . 0
0
2
. . . 0
.
.
.
.
.
.
.
.
.
0 . . . 0
.
Como
, para = 1, . . . , , ent ao
=
_

1

2
. . .
=
_

1

2
. . .
=
_

1
1

2
2
. . .
=
_

1

2
. . .
1
0 . . . 0
0
2
. . . 0
.
.
.
.
.
.
.
.
.
0 . . . 0
= .
Como
1
, . . . ,
s ao L.I., a matriz e invertvel. Assim, multiplicando a equac ao anterior por

1
` a
esquerda obtemos
=
1
.
Ou seja, a matriz e diagonaliz avel.
Vamos, agora, provar que se e diagonaliz avel, ent ao ela possui autovetores L.I. Se a matriz
e diagonaliz avel, ent ao existe uma matriz tal que
1
= , (7.8)
436 Diagonalizac ao
em que e uma matriz diagonal. Multiplicando ` a esquerda por ambos os membros da equac ao
anterior, obtemos
= . (7.9)
Sejam
=
1
0 . . . 0
0
2
. . . 0
.
.
.
.
.
.
.
.
.
0 . . . 0
e =
_

1

2
. . .
,
em que
e a coluna de . Usando as denic oes de e temos que

=
_

1

2
. . .
=
_

1

2
. . .
=
_

1

2
. . .
1
0 . . . 0
0
2
. . . 0
.
.
.
.
.
.
.
.
.
0 . . . 0
=
_

1
1

2
2
. . .
Assim, de (7.9) segue-se que
,
para = 1, . . . . Como a matriz e invertvel, pela Proposic ao 3.9 na p agina 237, os autovetores
1
, . . . ,
s ao L.I.
Assim, se uma matriz e diagonaliz avel e =

1
, ent ao os autovalores de formam a
diagonal de e autovetores linearmente independentes associados aos autovalores formam as
colunas de .
Introduc ao ` a

O resultado que vem a seguir, garante que se conseguirmos para cada autovalor, autovetores L.I.,
ent ao ao juntarmos todos os autovetores obtidos, eles continuar ao sendo L.I.
Proposic ao 7.3. Seja uma matriz . Se
(1)
1
, . . . ,
(1)
1
s ao autovetores L.I. associados a
1
,
(2)
1
, . . . ,
(2)
2
2
, . . .,
()
1
, . . . ,
()
s ao autovetores L.I. associa-

dos a
, com
1
. . .
distintos, ent ao {
(1)
1
, . . . ,
(1)
1
, . . . ,
()
1
, . . . ,
()
} e um conjunto L.I.
Demonstrac ao. Vamos demonstrar apenas para o caso em que temos dois autovalores diferen-
tes. O caso geral e inteiramente an alogo. Sejam
(1)
1
, . . . ,
(1)
1
autovetores L.I. associados a
1
e
(2)
1
, . . . ,
(2)
2
2
. Precisamos mostrar que a unica soluc ao da equac ao
(1)
1

(1)
1
+ . . . +
(1)
(1)
1
+
(2)
1

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

0 (7.10)
e a soluc ao trivial. Multiplicando a equac ao (7.10) por e usando o fato de que os
()
s ao autove-
tores, obtemos
(1)
1

1
(1)
1
+ . . . +
(1)
(1)
1
+
(2)
1

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

0 (7.11)
Multiplicando a equac ao (7.10) por
1
, obtemos
(1)
1

1
(1)
1
+ . . . +
(1)
(1)
1
+
(2)
1

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

0 . (7.12)
Subtraindo a equac ao (7.11) da equac ao (7.12), obtemos
(2)
1
(
2
1
)
(2)
1
+ . . . +
(2)
2
(
2
1
)
(2)
2
=

0 .
438 Diagonalizac ao
Como
(2)
1
, . . . ,
(2)
2
s ao L.I., temos que
(2)
1
= . . . =
(2)
2
= 0. Agora, multiplicando a equac ao
(7.10) por
2
e subtraindo da equac ao (7.12) obtemos
(1)
1
(
2
1
)
(1)
1
+ . . . +
(1)
1
(
2
1
)
(1)
1
=

0 .
Como
(1)
1
, . . . ,
(1)
1
s ao L.I., temos que
(1)
1
= . . . =
(1)
1
= 0. O que prova que todos os autovetores
juntos s ao L.I.
=
4 2 2
2 4 2
2 2 4
J a vimos no Exemplo 7.4 na p agina 431 que seu polin omio caracterstico e () = (2)(
2
+10
16) = ( 2)
2
(8 ), os seus autovalores s ao
1
= 2 e
2
= 8 e os autoespacos correspondentes
s ao
1
= {( , , ) , },
2
= {(, , ) },
respectivamente. Vamos encontrar, para cada autoespaco, o maior n umero possvel de autovetores
L.I., ou seja, vamos encontrar uma base para cada autoespaco. E o teorema anterior garante que se
juntarmos todos estes autovetores eles v ao continuar sendo L.I.
Para
1
, temos que
( , , ) = (1, 0, 1) +(1, 1, 0).
Introduc ao ` a

Assim, os vetores
1
= (1, 0, 1) e
2
= (1, 1, 0) geram
1
. Como al em disso, eles s ao L.I. (um
n ao e m ultiplo escalar do outro), ent ao eles formam uma base para
1
. Assim, n ao podemos ter um
n umero maior de autovetores L.I. associados a
1
= 2 (Teorema 4.1 na p agina 250).
Para
2
, temos que o conjunto {
3
= (1, 1, 1)} e uma base para
2
, pois como
(, , ) = (1, 1, 1),
3
gera
2
e um vetor n ao nulo e L.I. Assim, n ao podemos ter um n umero maior de autovetores L.I.
associados a
2
= 8 (Teorema 4.1 na p agina 250).
Como
1
e
2
1
e
3
e um autovetor L.I. associado a
2
, ent ao
pela Proposic ao 7.3 na p agina 437 os autovetores juntos
1
,
2
e
3
s ao L.I. Assim, a matriz e
diagonaliz avel e as matrizes
=
1
0 0
0
1
0
0 0
2
2 0 0
0 2 0
0 0 8
e = [
1

2

3
] =
1 1 1
0 1 1
1 0 1
s ao tais que
=
1
.
=
_
1 1
4 1
_
J a vimos no Exemplo 7.3 na p agina 430 que o seu polin omio caracterstico e () = det(
2
) =
2
2 3, que os seus autovalores s ao
1
= 3 e
2
= 1 e que os autoespacos correspondentes
s ao
1
= {(, 2) } e
2
= {(, 2) },
440 Diagonalizac ao
respectivamente.
Para
1
= 3, temos que {
1
= (1, 2)} e uma base de
1
. Assim, n ao podemos ter mais
1
. De forma an aloga para
2
= 1, {
2
= (1, 2)} e um conjunto com
o maior n umero possvel de autovetores L.I. associados a
2
. Assim, a matriz e diagonaliz avel e as
matrizes
= [
1

2
] =
_
1 1
2 2
_
e =
_

1
0
0
2
_
=
_
3 0
0 1
_
s ao tais que
=
1
.
=
_
0 1
0 0
_
O seu polin omio caracterstico e () = det(
2
) =
2
, assim possui um unico autovalor:
1
= 0. Agora, vamos determinar os autovetores associados ao autovalor
1
= 0. Para isto vamos
resolver o sistema (
1
2
) =

0. Como

1
2
= =
_
0 1
0 0
_
,
ent ao
(
1
2
) =

0
e
_
0 1
0 0
_ _

_
=
_
0
0
_
Introduc ao ` a

ou
_
= 0
0 = 0
1
= {(, 0) } .
que e o autoespaco correspondente a
1
= 0. Assim, para
1
= 0, temos que {
1
= (1, 0)} e uma
base de
1
. Portanto, n ao podemos ter mais autovetores L.I. associados a
1
e como s o temos um
autovalor n ao podemos ter mais autovetores L.I. Portanto, pelo Teorema 7.2 na p agina 434, a matriz
n ao e diagonaliz avel, ou seja, n ao existem matrizes e tais que =
1
.
Exemplo 7.8. Vamos retomar a cadeia de Markov do Exemplo 1.9 na p agina 16. Vamos supor que
uma populac ao e dividida em tr es estados (por exemplo: ricos, classe m edia e pobres) e que em cada
unidade de tempo a probabilidade de mudanca de um estado para outro seja constante no tempo, s o
dependa dos estados.
Seja

(gerac ao). A matriz de transic ao e dada por
=
1 2 3
11

12

13
21

22

23
31

32

33
1
2
3
Vamos considerar a matriz de transic ao
442 Diagonalizac ao
=
1 2 3
1
2
1
4
0
1
2
1
2
1
2
0
1
4
1
2
1
2
3
Vamos calcular pot encias de , para um inteiro positivo qualquer. Para isto vamos diagonalizar
a matriz . Para isso precisamos determinar seus os autovalores e autovetores. Para esta matriz o
polin omio caracterstico e
() = det(
3
) = det
1
2

1
4
0
1
2
1
2

1
2
0
1
4
1
2

= (
1
2
) det
_
1
2

1
2
1
4
1
2

_
1
4
det
_
1
2
1
2
0
1
2

_
= (
1
2
)
_
(
1
2
)
2
1
8
_
1
8
(
1
2
)
=
3
+
3
2
1
2
= (
2
+
3
2

1
2
) = ( 1)(
1
2
)
1
= 0,
2
= 1/2 e
3
= 1. Agora, vamos determinar
os autovetores associados aos autovalores
1
,
2
e
3
. Para isto vamos resolver os sistemas
(
1
3
) =

0, (
2
3
) =

0 e (
3
3
) =

0. Como
(
1
3
) = =

0 e
1
2
1
4
0
1
2
1
2
1
2
0
1
4
1
2
0
0
0
Introduc ao ` a

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

1
3
) =

0 e
1
= {(, 2, ) } ,
1
= 0 acrescentado o vetor nulo. O conjunto
{
1
1
, pois como (, 2, ) = (1, 2, 1),
1
gera
1
e um
vetor n ao nulo e L.I.
2
= 1/2, o sistema (
2
3
) =

0 e
0
1
4
0
1
2
0
1
2
0
1
4
0
0
0
0
1 0 1 0
0 1 0 0
0 0 0 0

2
3
) =

0 e
2
= {(, 0, ) }.
444 Diagonalizac ao
O conjunto {
2
2
, pois como (, 0, ) = (1, 0, 1),
3
gera
2
e um
vetor n ao nulo e L.I.
3
= 1, o sistema (
3
3
) =

0 e
1
2
1
4
0
1
2

1
2
1
2
0
1
4

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

3
3
) =

0 e
3
= {(, 2, ) } ,
3
= 1 acrescentado o vetor nulo. O conjunto
{
1
1
, pois como (, 2, ) = (1, 2, 1),
1
gera
1
e um vetor n ao
nulo e L.I.
Como
1
,
2
e
3
s ao autovetores associados a
1
,
2
e
3
, respectivamente, ent ao pela
Proposic ao 7.3 na p agina 437 os autovetores juntos
1
,
2
e
3
s ao L.I. Assim, a matriz e dia-
gonaliz avel e as matrizes
=
1
0 0
0
2
0
0 0
3
0 0 0
0
1
2
0
0 0 1
e = [
1

2

3
] =
1 1 1
2 0 2
1 1 1
Introduc ao ` a

s ao tais que
=
1
ou =
1
.
Assim,
1
=
1 1 1
2 0 2
1 1 1
0 0 0
0 (
1
2
)
0
0 0 1
1
4

1
4
1
4
1
2
0
1
2
1
4
1
4
1
4
1
4
+ (
1
2
)
+1 1
4
1
4
(
1
2
)
+1
1
2
1
2
1
2
1
4
(
1
2
)
+1 1
4
1
4
+ (
1
2
)
+1
Esta e a matriz que d a a transic ao entre unidades de tempo (gerac oes).

7.1.4 Diagonalizac ao de Operadores (opcional)
Denic ao 7.4. Dizemos que um operador linear :
e diagonaliz avel, se existe uma base

de
tal que []
e uma matriz diagonal.

446 Diagonalizac ao
O pr oximo resultado mostra que um operador linear e diagonaliz avel se, e somente se, a matriz
dele em relac ao a uma base e diagonaliz avel.
um operador linear. Seja = {

1
, . . . ,
} a base can onica

de
. e um operador diagonaliz avel se, e somente se, []
e uma matriz diagonaliz avel.

Demonstrac ao. Se um operador linear :
e diagonaliz avel, ent ao existe uma base de
tal que []
e diagonal. Ent ao, pelo Corol ario 6.16 na p agina 414 existe uma matriz tal que
[]
=
1
[]
,
ou seja, a matriz = []
e diagonaliz avel.
Reciprocamente, se a matriz = []
e diagonaliz avel, em que = {

1
, . . . ,
}, ent ao existe
uma matriz tal que
=
1
e uma matriz diagonal. Seja = {

1
, . . . ,
}, em que
=1
, para = 1, . . . , . e
uma base de
(Exerccio 6.3.9 na p agina 419) e

[]
=
1
[]
= .
Portanto, e um operador diagonaliz avel.
Introduc ao ` a

7.1.5 Forma Can onica de Jordan (opcional)
J a vimos (Exemplo 7.7 na p agina 440) que nem todo operador :
e diagonaliz avel,
ou seja, nem sempre existe uma base de
tal que a matriz []
e diagonal. Entretanto, para

v arias aplicac oes, e suciente que exista uma base tal que a matriz []
tenha uma forma bastante

pr oxima da forma diagonal chamada forma can onica de Jordan.
Denic ao 7.5. Uma matriz , , est a na forma can onica de Jordan, se ela e da forma
=
0

0
2

0
.
.
.
.
.
.
.
.
.
.
.
.
0

0
, em que
0 0 0
1
0 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0
0
0 0 1
,
para = 1, . . . , .
e chamado bloco de Jordan.

448 Diagonalizac ao
Exemplo 7.9. As matrizes
2 0 0 0
1 2 0 0
0 1 2 0
0 0 0 2
5 0 0 0
1 5 0 0
0 0 3 0
0 0 1 3
4 0 0 0
1 4 0 0
0 1 4 0
0 0 1 4
7 0 0 0
0 7 0 0
0 0 7 0
0 0 0 7
est ao na forma can onica de Jordan. A primeira e formada de dois blocos de Jordan, o primeiro sendo
3 3 e o segundo 1 1. A segunda matriz e formada de dois blocos de Jordan 2 2. A terceira, por
somente um bloco e a ultima por 4 blocos 1 1. A matriz
2 0 0 0
1 2 0 0
0 1 2 0
0 0 1 1
n ao est a na forma can onica de Jordan. Pois como os elementos da diagonal n ao s ao iguais, ela teria
que ser formada por pelo menos dois blocos de Jordan e [1] deveria ser um bloco de Jordan 1 1.
Entretanto, a entrada imediatamente acima de 1 n ao e igual a 0.
Autoespac o Generalizado
Introduc ao ` a

Vamos supor que exista uma base = {
(1)
1
, . . . ,
(1)
1
, . . . ,
()
1
, . . . ,
()
} de
(
1
+ . . . +
= ) tal que a matriz do operador linear :
, esteja na forma can onica de Jordan

[]
= =
0 . . .

0
2
. . .

0
.
.
.
.
.
.
.
.
.
0 . . .

0
em que
0 0 0 0
1
0 0 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0 0
0
0 0 0 1
.
Assim,
(
()
) =
()
+
()
+1
ou (
)(
()
) =
()
+1
e (7.13)
(
()
) =
()
para = 1, . . . ,
1 e = 1, . . . , . Ou seja,
(
)(
()
) =

0,
(
)
2
(
()
1
) = (
)(
()
) =

0, (7.14)
.
.
.
.
.
.
(
(
()
1
) = (
1
(
()
2
) =

0.
Portanto, os vetores da base ,
()
, e os elementos da diagonal de ,
, satisfazem as equac oes

( )
( ) =

0,
para = 1, . . . ,
. Isto motiva a seguinte denic ao.

450 Diagonalizac ao
Denic ao 7.6. Seja :
um operador linear. Um vetor
n ao nulo e chamado
autovetor generalizado de associado ao escalar se
( )
( ) =

0, para algum inteiro positivo .
Observe que se e um autovetor generalizado associado a e e o menor inteiro positivo tal
que ( )
( ) =

0, ent ao ( )
1
( ) e um autovetor de associado a . Portanto, e um
autovalor de . Al em disso, ( )
( ) =

0, para todo .
Denic ao 7.7. Seja um autovalor de um operador :
. O autoespac o generalizado
associado a , e o subconjunto denido por
= {
( )
( ) =

0, para algum inteiro > 0}.
Observe que
consiste dos autovetores generalizados acrescentado o vetor nulo e cont em o

autoespaco associado a . Al em disso
e um subespaco (verique!) . Assim, temos a seguinte

seq u encia de subespacos encaixados:
(
) (
)
2

.
O seguinte resultado e muito util na determinac ao das possveis formas can onicas de Jordan de
um operador. A demonstrac ao pode ser encontrada por exemplo em [26].
Introduc ao ` a

Teorema 7.5. Seja : um operador tal que seu polin omio caracterstico e da forma () =
(1)
(
1
)
1
. . . (
, com
1
, . . . ,
distintos. Ent ao, dim(
) =
, para = 1, . . . , .
3
3
o operador denido por () = , para todo
3
, em que
=
5 1 0
4 1 0
2 1 3
.
O polin omio caracterstico de e dado por () = det(
3
) = ( 3)
3
. Assim, o unico
autovalor de e = 3. A forma escalonada reduzida de
3
3
=
2 1 0
4 2 0
2 1 0
1 1/2 0
0 0 0
0 0 0
Assim, ( 3) = {(, 2, ) , }.
Agora, ( 3)
2
= , a transformac ao linear nula. Portanto,
3
= ( 3
3
)
2
=
3
.
Assim existe uma matriz invertvel tal que
1
=
3 0 0
1 3 0
0 0 3
,
que est a na forma can onica de Jordan, ou seja, a menos de ordenac ao dos blocos esta e a unica
forma can onica de Jordan do operador .
452 Diagonalizac ao
4
4
o operador denido por () = , para todo
4
, em que
=
2 1 0 1
0 3 1 0
0 1 1 0
0 1 0 3
.
O polin omio caracterstico de e dado por () = det(
4
) = ( 3)( 2)
3
. Assim os
autovalores de s ao
1
= 3 e
2
= 2. A forma escalonada reduzida de
3
4
=
1 1 0 1
0 0 1 0
0 1 2 0
0 1 0 0
1 0 0 1
0 1 0 0
0 0 1 0
0 0 0 0
Assim, pelo Teorema 7.5,

3
= ( 3) = {(, 0, 0, ) }. A forma escalonada reduzida
de
2
4
=
0 1 0 1
0 1 1 0
0 1 1 0
0 1 0 1
0 1 0 1
0 0 1 1
0 0 0 0
0 0 0 0
Assim, ( 2) = {(, , , ) , }. A forma escalonada reduzida de

( 2
4
)
2
=
0 2 1 1
0 0 0 0
0 0 0 0
0 2 1 1
0 1 1/2 1/2
0 0 0 0
0 0 0 0
0 0 0 0
Introduc ao ` a

Assim, pelo Teorema 7.5,
2
= ( 2)
2
= {(, +, 2, 2) , , }. Assim existe uma
matriz tal que
1
=
3 0 0 0
0 2 0 0
0 1 2 0
0 0 0 2
,
que est a na forma can onica de Jordan. E a menos da ordem dos blocos esta e a unica forma can onica
de Jordan possvel do operador .
454 Diagonalizac ao
7.1.1. Ache o polin omio caracterstico, os autovalores e os autovetores de cada matriz:
(a)
_
1 1
1 1
_
(b)
_
1 1
2 4
_
(c)
0 1 2
0 0 3
0 0 0
(d)
1 0 0
1 3 0
3 2 2
(e)
2 2 3
0 3 2
0 1 2
(f)
2 2 3
1 2 1
2 2 1
7.1.2. Ache bases para os auto-espacos associados a cada autovalor

(a)
2 0 0
3 1 0
0 4 3
(b)
2 3 0
0 1 0
0 0 2
(c)
1 2 3 4
0 1 3 2
0 0 3 3
0 0 0 2
(d)
2 2 3 4
0 2 3 2
0 0 1 1
0 0 0 1
7.1.3. Verique quais das matrizes s ao diagonaliz aveis:

(a)
_
1 4
1 2
_
(b)
_
1 0
2 1
_
(c)
1 1 2
4 0 4
1 1 4
(d)
1 2 3
0 1 2
0 0 2
Introduc ao ` a

7.1.4. Ache para cada matriz , se possvel, uma matriz n ao-singular tal que
1
seja diagonal:
(a)
1 1 2
0 1 0
0 1 3
(b)
4 2 3
2 1 2
1 2 0
(c)
1 2 3
0 1 0
2 1 2
(d)
3 2 1
0 2 0
0 0 0
7.1.5. Sabendo-se que

1
= (4, 4, 1),
2
= (5, 4, 1) e
3
= (5, 3, 1) s ao autovetores da matriz
=
1
3

5
6
20
3
2
3

1
6
16
3
1
6

1
6
11
6
(a) Sem obter o polin omio caracterstico determine os autovalores correspondentes a estes
autovetores.
(b) A matriz e diagonaliz avel? Justique?
7.1.6. D e exemplo de:
(a) Uma matriz que n ao tem autovalor (real) (Sugest ao: use o Exerccio 29 na p agina 460).
(b) Uma matriz que tem um autovalor e n ao e diagonaliz avel (em
).
(c) Uma matriz que tem dois autovalores e n ao e diagonaliz avel (em
).
7.1.7. (Relativo a subsec ao 7.1.5) Quais das seguintes matrizes est ao na forma can onica de Jordan.
456 Diagonalizac ao
(a)
2 1 0 0 0
0 2 0 0 0
0 0 1 1 0
0 0 0 1 0
0 0 0 0 1
(b)
2 1 0 0 0 0
0 2 1 0 0 0
0 0 2 1 0 0
0 0 0 2 0 0
0 0 0 0 2 0
0 0 0 0 0 1
7.1.8. (Relativo a subsec ao 7.1.5) Determine as possveis formas can onicas de Jordan.
(a)
2 5 0 0 0
0 2 0 0 0
0 0 1 0 1
0 0 0 1 0
0 0 0 0 1
(b)
2 0 0 0 0 0
1 2 0 0 0 0
1 0 2 0 0 0
0 1 0 2 0 0
1 1 1 1 2 0
0 0 0 0 1 1
(c)
1 1 1 3 1 7
0 1 1 2 3 2
0 0 1 0 2 1
0 0 0 1 1 2
0 0 0 0 1 3
0 0 0 0 0 4
(d)
1 1 0 0 1 0 4 0
0 1 1 1 1 3 3 4
0 0 1 0 1 1 2 1
0 0 0 1 1 1 4 5
0 0 0 0 1 0 1 5
0 0 0 0 0 1 1 1
0 0 0 0 0 0 1 2
0 0 0 0 0 0 0 3
Introduc ao ` a

>> solve(expr) determina a soluc ao da equac ao expr=0. Por exemplo,
>> solve(x2-4) determina as soluc oes da equac ao
2
4 = 0;
>> subs(expr,x,num) substitui na express ao expr a vari avel x por num.
>> [P,D]=eig(A) determina matrizes P e D (diagonal) tais que AP=PD.
inv(A) calcula a inversa da matriz A.
A=sym(A) converte a matriz A numa matriz em que os elementos s ao armazenados no formato
simb olico. A func ao numeric faz o processo inverso.
>> A=randi(n) ou >> A=randi(m,n) cria uma matriz n por n ou m por n, respectivamente,
com elementos inteiros aleat orios.
>> escalona(A) calcula passo a passo a forma reduzida escalonada da matriz A.
>> null(A) determina uma base para o espaco soluc ao do sistema homog eneo =

0.
7.1.9. Dena as matrizes B=sym(randi(2)) e A=[B-B,zeros(2,1);zeros(1,2),randi]. A ma-
triz A e diagonaliz avel? Por que?
7.1.10. Dena as matrizes L=[eye(2),zeros(2,1);randi(1,2),0] e A=sym(L*L). Determine o
polin omio caracterstico de A, os autovalores e um conjunto de autovetores linearmente inde-
pendentes com o maior n umero possvel de vetores. Encontre matrizes P e D (diagonal) tais que
inv(P)*A*P=D, se possvel. Verique o resultado. Use o comando [P,D]=eig(A) e compare
com as matrizes que voc e encontrou.
458 Diagonalizac ao
7.1.11. Dena a=randi,b=randi e A=sym([2*a,a-b,a-b;0,a+b,b-a;0,b-a,a+b]). Determine o
polin omio caracterstico de A, os autovalores e um conjunto de autovetores linearmente inde-
pendentes com o maior n umero possvel de vetores. Encontre matrizes P e D (diagonal) tais que
7.1.12. Dena a=randi,b=randi e A=sym([a,0,b;2*b,a-b,2*b;b,0,a]). Determine o polin omio
caracterstico de A, os autovalores e um conjunto de autovetores linearmente independen-
tes com o maior n umero possvel de vetores. Encontre matrizes P e D (diagonal) tais que
Exerccios Te oricos
7.1.13. Dizemos que uma matriz , , e semelhante a uma matriz , , se existir uma matriz
n ao singular tal que =
1
. Demonstre:
(a) e semelhante a ;
(b) Se e semelhante a , ent ao e semelhante a ;
(c) Se e semelhante a e e semelhante a , ent ao e semelhante a .
7.1.14. Seja um autovalor (xo) de . Demonstre que o conjunto formado por todos os autovetores de
associados a , juntamente com o vetor nulo, e um subespaco de
. Este subespaco e cha-

mado de autoespac o associado a . Em outras palavras, combinac ao linear de autovetores
associados a um mesmo autovalor e um autovetor associado a esse mesmo autovalor.
Introduc ao ` a

7.1.15. Demonstre que se e s ao semelhantes, ent ao possuem os mesmos polin omios carac-
tersticos e portanto os mesmos autovalores.
7.1.16. Demonstre que se e uma matriz triangular superior, ent ao os autovalores de s ao os ele-
mentos da diagonal principal de .
7.1.17. Demonstre que e
possuem os mesmos autovalores. O que podemos dizer sobre os

autovetores de e
?
7.1.18. Seja um autovalor de com autovetor associado . Demonstre que
e um autovalor de
= . . . associado a , em que e um inteiro positivo.

7.1.19. Uma matriz e chamada nilpotente se
=

0, para algum inteiro positivo . Demonstre que
se e nilpotente, ent ao o unico autovalor de e 0. (Sugest ao: use o exerccio anterior)
(a) Mostre que o determinante de e o produto de todas as razes do polin omio caracterstico
de ; (Sugest ao: () = det(
) = (1)
(
1
) . . . (
).)
(b) Mostre que e singular se, e somente se, 0 for um autovalor de .
7.1.21. Seja um autovalor da matriz n ao-singular com autovetor associado . Mostre que 1/ e
um autovalor de
1
com autovetor associado .
7.1.22. Seja =
_

_
. Ache as condic oes necess arias e sucientes para que seja diagona-
liz avel.
460 Diagonalizac ao
7.1.23. Se e s ao autovetores associados a um autovalor , ent ao proj
e tamb em um
autovetor associado a ? E se e forem autovetores associados a autovalores diferentes?
7.1.24. Sejam e matrizes . Mostre que e possuem os mesmos autovalores. (Su-
gest ao: Separe em dois casos: = 0 e = 0. No segundo caso, mostre que se e autovetor
de , ent ao e autovetor de .)
7.1.25. Seja uma matriz diagonaliz avel. Mostre que o traco de e igual a soma das razes
do seu polin omio caracterstico, incluindo as multiplicidades. (Sugest ao: use o fato de que
tr() = tr().)
7.1.26. Suponha que duas matrizes e s ao tais que = , para um escalar = 0. Mostre
que se e autovalor de uma matriz , ent ao e autovalor de .
7.1.27. Seja uma matriz com autovalores diferentes. Mostre que e diagonaliz avel.
7.1.28. (a) Mostre que se e autovetor de , ent ao e autovetor de
. Com qual autovalor?

(b) E se e autovetor de
, ent ao e autovetor de ? (Sugest ao: veja o que acontece

com uma matriz nilpotente)
7.1.29. Dado um polin omio
() = (1)
+
1
1
+ +
0
)
Introduc ao ` a

Verique que a matriz
=
0 1 0 0
0 0 1 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0 0 1
0

1

2

1
,
e tal que o seu polin omio caracterstico e (). Esta matriz e chamada matriz companheira
do polin omio (). (Sugest ao: verique para = 2 e depois supondo que seja verdade para
matrizes (1) (1) mostre que e verdade para matrizes expandindo em cofatores
em relac ao a primeira coluna)
462 Diagonalizac ao
7.2 Diagonalizac ao de Matrizes Sim etricas
7.2.1 Motivac ao
O problema da identicac ao de uma c onica (curva no plano descrita por uma equac ao de 2
o
.
grau
em e ) atrav es da sua equac ao e facilmente resolvido se a equac ao n ao possui um termo em que
aparece o produto . Mas, ao contr ario, se aparece este termo misto, temos que fazer uma mudanca
de coordenadas de forma que nas novas coordenadas ele n ao apareca. Vejamos o exemplo seguinte.
Exemplo 7.12. Considere o problema de identicar uma c onica representada pela equac ao
3
2
+ 2 + 3
2
= 4 . (7.15)
Usando matrizes, esta equac ao pode ser escrita como
[3 + + 3]
_

_
= 4
ou
[ ]
_
3 1
1 3
_ _

_
= 4
ou ainda,
= 4 , (7.16)
em que
=
_
3 1
1 3
_
e =
_

_
.
Introduc ao ` a

7.2 Diagonalizac ao de Matrizes Sim etricas 463
Como veremos adiante (Exemplo 7.14 na p agina 469), podemos escrever
=
em que
=
_
1
2
1
2
1
2
_
e =
_
2 0
0 4
_
.
Assim, a equac ao (7.16) pode ser escrita como
(
)(
) = (
) = 4 .
Se fazemos a mudanca de vari aveis (ou de coordenadas) =
, ent ao como
=
2
, a
equac ao (7.16) se transforma em
= 4
ou
[
]
_
2 0
0 4
_ _

_
= 4
que pode ser reescrita como,
2
2
+ 4
2
= 4 ,
ou dividindo por 4, como
2
2
+

2
1
= 1
que e a equac ao da elipse mostrada na Figura 7.2. Veremos na pr oxima sec ao como tracar esta
elipse.
464 Diagonalizac ao
A matriz , tem a propriedade de que a sua inversa e simplesmente a sua transposta,
1
=
.
Uma matriz que satisfaz esta propriedade e chamada de matriz ortogonal. O que possibilitou a
identicac ao da c onica, no exemplo anterior, foi o fato de que a matriz e diagonaliz avel atrav es de
uma matriz ortogonal . Ou seja, existe uma matriz tal que =
1
e
1
=
.
J a vimos que nem toda matriz e diagonaliz avel (Exemplo 7.7 na p agina 440). Vamos ver que se
uma matriz e sim etrica, ent ao ela e diagonaliz avel, isto e, existe uma matriz diagonal e uma
matriz invertvel tal que =
1
. Al em disso, para matrizes sim etricas, existe uma matriz
tal que =
. Isto porque existe uma matriz ortogonal que faz a diagonalizac ao, ou seja,
que tem a propriedade
1
=
. Em algumas aplicac oes a diagonalizac ao com uma tal matriz e

necess aria, como por exemplo na identicac ao de c onicas.
Vamos em primeiro lugar, caracterizar as matrizes ortogonais.
7.2.2 Matrizes Ortogonais
Uma matriz tal que
1
=
e chamada de matriz ortogonal.

Proposic ao 7.6. Uma matriz e ortogonal se, e somente se, as suas colunas formam um conjunto
ortonormal de vetores.
Introduc ao ` a

Demonstrac ao. Vamos escrever = [
1
. . .
]. Ou seja,
1
, . . . ,
s ao as colunas de . A
inversa de e
se, e somente se,
. Mas,
1
.
.
.
[
1
. . .
] =
2
. . .
2
. . .
.
.
.
.
.
.
.
.
.
2
. . .
Logo,
se, e somente se,
= 0 para = e
= 1 para
= 1, . . . . Ou seja,
se, e somente se,

1
, . . . ,
s ao ortonormais.
Vamos supor que uma matriz e diagonaliz avel atrav es de uma matriz ortogonal, ou seja, que
existe uma matriz tal que =
e uma matriz diagonal. Como a matriz e uma matriz cujas

colunas s ao autovetores de , deduzimos da proposic ao anterior que uma matriz e diagonaliz avel
atrav es de uma matriz ortogonal se, e somente se, ela possui um conjunto ortonormal de autovetores.
Como veremos, as matrizes sim etricas possuem esta caracterstica.
Proposic ao 7.7. Para uma matriz sim etrica, os autovetores associados a autovalores diferentes
s ao ortogonais.
1
e
2
autovetores de associados aos autovalores
1
e
2
, respectiva-
mente, com
1
=
2
. Ent ao,
1
=
1
1
e
2
=
2
2
.
466 Diagonalizac ao
Agora, se escrevemos os vetores como matrizes colunas, o produto escalar e simplesmente o
produto matricial da transposta da primeira matriz pela segunda. Assim,
1

2
= (
1
)
2
=
2
=
1

2
. (7.17)
Como e sim etrica
= e como
1
e
2
s ao autovetores de , temos de (7.17) que
1

2
=
2
1

2
ou
(
1
2
)
1

2
= 0 .
Como
1
=
2
, conclumos que
1

2
= 0, ou seja,
1
,
2
s ao ortogonais.
Como autovetores associados a autovalores diferentes j a s ao ortogonais, para diagonalizarmos
uma matriz sim etrica atrav es de uma matriz ortogonal, precisamos encontrar, para cada au-
tovalor, autovetores ortonormais associados a eles. Para isso, podemos aplicar o processo de
ortogonalizac ao de Gram-Schmidt a cada conjunto de autovetores L.I. associados a cada um dos
autovalores.
=
4 2 2
2 4 2
2 2 4
Esta e a matriz do Exemplo 7.5 na p agina 438. Para esta matriz o polin omio caracterstico e
() = det(
3
) = ( 2)
2
(8 )
Introduc ao ` a

Portanto os autovalores de (razes reais do polin omio caracterstico) s ao
1
= 2 e
2
= 8.
Os autovetores associados aos autovalores
1
= 2 e
2
= 8 s ao as soluc oes de (
1
3
) =

0
e (
2
3
) =

0 respectivamente.
A forma escalonada reduzida de
2
3
=
2 2 2
2 2 2
2 2 2
1 1 1
0 0 0
0 0 0
.
Portanto o autoespaco associado a
1
= 2 e
1
= {( , , ) , } ,
Agora, ( , , ) = (1, 0, 1) + (1, 1, 0). Assim, os vetores
1
= (1, 0, 1) e
2
=
(1, 1, 0) geram
1
. Como al em disso, eles s ao L.I. (um n ao e m ultiplo escalar do outro), ent ao eles
formam uma base para
1
.
Para encontrar dois autovetores ortonormais associados a
1
= 2 vamos aplicar o processo de
ortogonalizac ao de Gram-Schmidt aos vetores
1
e
2
.
1
=
1
= (1, 0, 1);
2
=
2
proj
2
= (
1
2
, 1,
1
2
)
1
=
_
1
1
= (
1
2
, 0,
1
2
)
2
=
_
1
2
= (
1
6
,
2
6
,
1
6
)
468 Diagonalizac ao
2
= 8, temos que a forma escalonada reduzida da matriz
8
3
=
4 2 2
2 4 2
2 2 4
1 0 1
0 1 1
0 0 0
.
Assim, o autoespaco associado a
2
= 8 e
2
= {(, , ) }.
O conjunto {
3
2
, pois como (, , ) = (1, 1, 1),
3
gera
2
e
um vetor n ao nulo e L.I. Assim, o vetor
3
=
_
1
3
= (
1
3
,
1
3
,
1
3
)
forma uma base ortonormal para
2
.
Como a matriz e sim etrica, autovetores associados a autovalores diferentes s ao ortogonais.
Portanto,
1
,
2
e
3
s ao ortonormais e assim a matriz
= [
1
3
] =
2

1
6
1
3
0
2
6
1
3
1
2

1
6
1
satisfaz =
, em que
=
2 0 0
0 2 0
0 0 8
Introduc ao ` a

=
_
3 1
1 3
_
.
O seu polin omio caracterstico e
() = det(
2
) =
2
6 + 8 = ( 2)( 4).
1
= 2 e
2
= 4. Os autovetores associados aos autovalores
1
= 2 e
2
= 4 s ao as soluc oes de (
1
2
) =

0 e (
2
2
) =

0 respectivamente.
A soluc ao geral do sistema ( 2
2
) =

0 e o autoespaco
1
= {(, ) }.
Como (, ) = (1, 1), ent ao
1
= (1, 1) gera
1
e como um vetor n ao nulo e L.I., {
1
} e
uma base de
1
. Assim,
1
=
_
1
_
=
_
1
2
,
1
2
_
1
.
A soluc ao geral do sistema ( 4
2
) =

0 e o autoespaco
2
= {(, ) }.
Como (, ) = (1, 1), ent ao
2
= (1, 1) gera
2
e como um vetor n ao nulo e L.I., {
2
} e uma base
de
2
. Assim,
2
=
_
1
_
=
_
1
2
,
1
2
_
470 Diagonalizac ao
2
.
Como a matriz e sim etrica, autovetores associados a autovalores diferentes s ao ortogonais.
Portanto
=
_
1
2
1
2
1
2
_
e =
_
2 0
0 4
_
.
s ao tais que =
.
O pr oximo resultado, que n ao ser a demonstrado no momento (Ap endice IV na p agina 474), ga-
rante que o procedimento seguido nos dois exemplos anteriores sempre funciona, ou seja, que toda
matriz sim etrica e diagonaliz avel atrav es de uma matriz ortogonal.
Teorema 7.8. Se e uma matriz sim etrica, ent ao existe uma matriz ortogonal e uma matriz dia-
gonal tal que
=
.
Assim, se e sim etrica, ent ao ela e diagonaliz avel.
Introduc ao ` a

7.2.1. Diagonalize cada matriz dada por meio de uma matriz ortogonal, ou seja, ache uma matriz
ortogonal tal que
seja diagonal:
(a)
_
2 2
2 2
_
(b)
_
2 1
1 2
_
(c)
0 0 1
0 0 0
1 0 0
(d)
0 0 0
0 2 2
0 2 2
(e)
1 1 0
1 1 0
0 0 1
(f)
2 1 1
1 2 1
1 1 2
(g)
1 2 0 0
2 1 0 0
0 0 1 2
0 0 2 1
(h)
0 0 0 0
0 0 0 0
0 0 0 1
0 0 1 0
7.2.2. Seja uma matriz sim etrica. Sabendo-se que
1
= (0, 2, 2, 1) e
2
= (2, 1, 2, 3)
s ao autovetores de associados a
1
= 2 e
3
= (2, 0, 1, 2) e
4
= (3, 2, 1, 2)
s ao autovetores associados a
2
= 4 determine, se possvel, uma matriz e uma matriz
diagonal tais que =
.
Exerccios Te oricos
472 Diagonalizac ao
7.2.3. Mostre que se e uma matriz ortogonal, ent ao det() = 1.
7.2.4. Mostre que se e s ao matrizes ortogonais, ent ao e ortogonal.
7.2.5. (a) Verique se a matriz
_
cos sen
sen cos
_
e ortogonal;
(b) Mostre que = (, ) e ortogonal a = (, ) =

0 com = se, e somente se,
= (, ) ou = (, ).
(c) Mostre que se e uma matriz ortogonal 2 2, ent ao existe um n umero real tal que
=
_
cos sen
sen cos
_
ou =
_
cos sen
sen cos
_
.
A primeira matriz tem determinante igual a 1 e e chamada matriz de rotac ao.
(Sugest ao: Comece com uma matriz (
)
22
e use o fato de que as colunas s ao ortonor-
mais. Uma das equac oes ser a
2
11
+
2
21
= 1. Faca
11
= cos e
21
= sen . Use o item
anterior.)
7.2.6. Mostre que se uma matriz e diagonaliz avel por uma matriz ortogonal (isto e, existem e ,
com
1
=
e diagonal, tais que =
), ent ao e uma matriz sim etrica.

7.2.7. Dizemos que uma matriz sim etrica , , e (denida) positiva se
> 0, para todo

, =

0, escrito como matriz coluna. Mostre que s ao equivalentes as seguintes
armac oes:
(a) A matriz e denida positiva.
(b) e sim etrica e todos os autovalores de s ao positivos.
Introduc ao ` a

(c) Existe uma matriz denida positiva tal que =
2
. A matriz e chamada a raiz
quadrada de .
(Sugest ao: Mostre que (a)(b)(c)(a). Na parte (b)(c) faca primeiro o caso em que e
uma matriz diagonal)
7.2.8. Seja uma matriz invertvel . Mostre que existe uma matriz sim etrica denida positiva
e uma matriz ortogonal , tal que = . Esta decomposic ao e unica chamada de
decomposic ao polar de . (Sugest ao: Sejam = (
)
1
2
e =
1
. Mostre que
.)
7.2.9. Seja uma matriz . Para = 1, . . . , , seja
a submatriz obtida de eliminando-se as

ultimas linhas e colunas.
e chamada submatriz principal de de ordem . Mostre

que se e uma matriz sim etrica denida positiva , ent ao
(a) e n ao singular;
(b) det() > 0;
(c) as submatrizes principais
1
, . . . ,
s ao todas denidas positivas. (Sugest ao: considere

vetores
tais que os ultimos elementos s ao nulos.)

474 Diagonalizac ao
Ap endice IV: Autovalores Complexos
Vamos provar que toda matriz sim etrica e diagonaliz avel atrav es de uma matriz ortogonal. Para
isto, precisamos trabalhar com matrizes cujas entradas s ao n umeros complexos. Vamos chamar o
conjunto das matrizes cujas entradas s ao n umeros complexos de
().
Para uma matriz = (
(), denimos o conjugado da matriz , denotado por

como sendo a matriz = (
() dada por
, em que, se
, ent ao

.
Para as matrizes de
() al em das propriedades que j a foram demonstradas no Teorema 1.1

na p agina 10 s ao v alidas as seguintes propriedades, cuja demonstrac ao deixamos a cargo do leitor:
(p) Se
() e
(), ent ao
= .
(q) Se
() e , ent ao
= .
Proposic ao 7.9. Seja uma matriz com entradas reais. Se
1
(), e um autovetor de
associado a um autovalor complexo = + com = 0, ou seja, se = , ent ao tamb em
e um autovetor de associado a = .
Introduc ao ` a

Demonstrac ao.
= = () = =

.
Teorema 7.10. Toda matriz sim etrica, cujas entradas s ao n umeros reais, possui autovalor real.
Demonstrac ao. Seja uma matriz sim etrica, cujas entradas s ao n umeros reais. Vamos mostrar que
as razes do seu polin omio caracterstico s ao reais. Seja uma raiz do polin omio caracterstico de .
Ent ao o sistema linear (
) =

0 tem soluc ao n ao trivial
1
(). O que implica que
= .
Como e uma matriz cujas entradas s ao n umeros reais, pela Proposic ao 7.9 temos que =

.
Por um lado,
=1
2
.
Por outro lado
= ()
=1
2
.
Logo, = , ou seja, e um n umero real.
476 Diagonalizac ao
Demonstrac ao do Teorema 7.8 na p agina 470. O resultado e obvio se = 1. Vamos supor que
o resultado seja verdadeiro para matrizes ( 1) ( 1) e vamos provar que ele e verdadeiro
para matrizes . Pelo Teorema 7.10 a matriz tem um autovalor
1
. Isto signica que existe
autovetores associados a
1
. Seja
1
um autovetor de norma igual a 1 associado a
1
. Sejam
2
, . . . ,
vetores tais que {

1
, . . . ,
} e uma base ortonormal de
(isto pode ser conseguido

aplicando-se o processo de ortogonalizac ao de Gram-Schmidt a uma base de
que contenha
1
.)
Seja
1
= [
1
. . .
]. Como
1
=
1
1
e
2
, . . . ,
s ao combinac oes lineares de

1
, . . . ,
,
temos que
1
= [
1
. . .
] = [
1
. . .
] =
1
, (7.18)
em que =
. . .
0
.
.
.
. Multiplicando-se ` a esquerda (7.18) por
1
obtemos =
1
. Mas,
= (
1
)
1
=
1
= , ou seja, a matriz e sim etrica. Portanto,
=
0 . . . 0
0
.
.
.
com uma matriz sim etrica ( 1) ( 1). Como estamos supondo o resultado verdadeiro para
matrizes (1)(1), ent ao existe uma matriz ortogonal

2
, (1)(1), tal que
2
=

2
Introduc ao ` a

e diagonal. Seja
2
=
0 . . . 0
0
.
.
.
2
0
. Seja =
1
2
. e ortogonal (verique!) e pela
equac ao (7.18)
= (
1
)
2
=
1
2
=
1
0 . . . 0
0
.
.
.
2
0
Mas,

2
=

2
e assim,
=
1
0 . . . 0
0
.
.
.

2
0
= ,
em que =
0 . . . 0
0
.
.
.

2
0
. Multiplicando-se ` a esquerda por
obtemos o resultado.
478 Diagonalizac ao
6 4 2 0 2 4 6
6
4
2
0
2
4
6
x
y
1
6 4 2 0 2 4 6
6
4
2
0
2
4
6
x
y
= (1, 2)
= (1, 2)
Figura 7.1: Autovetores associados a
1
= 3 e a
2
= 1 da matriz do Exemplo 7.3
Introduc ao ` a

x
y
x
y
2
Figura 7.2: Elipse do Exemplo 7.12
480 Diagonalizac ao
7.3 Aplicac ao na Identicac ao de C onicas
Uma equac ao quadr atica nas vari aveis e tem a forma
2
+ +
2
+ + + = 0,
em que , , , , e s ao n umeros reais, com , e n ao simultaneamente nulos. Esta equac ao
representa uma (sec ao) c onica, por poder ser obtida da intersec ao de umcone circular comumplano.
As c onicas mais importantes s ao elipses, hip erboles e par abolas, que s ao chamadas de c onicas n ao
degeneradas. As outras que incluem um unico ponto, um par de retas, s ao chamadas c onicas
degeneradas.
Dizemos que a equac ao de uma c onica n ao degenerada est a na forma padr ao se ela tem uma
das formas dadas na Figura 7.3 na p agina 482.
Nesta sec ao veremos como a diagonalizac ao de matrizes sim etricas pode ser usada na
identicac ao das c onicas cujas equac oes n ao est ao na forma padr ao.
Vamos estudar alguns exemplos.
Exemplo 7.15. Considere a c onica cuja equac ao e
5
2
4 + 8
2
36 = 0.
Esta equac ao pode ser escrita como
36 = 0 , (7.19)
em que
=
_
5 2
2 8
_
.
Introduc ao ` a

7.3 Aplicac ao na Identicac ao de C onicas 481
O polin omio caracterstico de e
() = det(
2
) = det
_
5 2
2 8
_
=
2
13 + 36 .
Logo, os autovalores de s ao
1
= 4 e
2
= 9. Os autovetores associados a
1
= 4 s ao as soluc oes
n ao nulas do sistema
( 4
2
) =

0
ou
_
1 2
2 4
_ _

_
=
_
0
0
_
,
cuja soluc ao e
1
= {(2, ) } .
Assim,
1
= (2, 1) e uma base para
1
, pois gera
1
e e L.I. E
1
=

1
= (
2
5
,
1
5
) e uma base
ortonormal para
1
.
Os autovetores associados a
2
= 9 s ao as soluc oes n ao nulas do sistema
( 9
2
) =

0
482 Diagonalizac ao
2
+

2
2
= 1, > Elipse

2
2
+

2
2
= 1, >
x
y
(, 0)
(, 0)
(, 0) (, 0)
x
y
(, 0) (, 0)
(0, )
(0, )
2

2
2
= 1 Hip erbole

2
2

2
2
= 1
x
y
(, 0) (,0)
x
y
(0, )
(0, )
2
= 4, > 0 Par abola
2
= 4, > 0
y
y
Introduc ao ` a

ou
_
4 2
2 1
_ _

_
=
_
0
0
_
,
cuja soluc ao e
2
= {(, 2) } .
Assim,
2
= (1, 2) e uma base para
2
, pois gera
2
e e L.I. E
2
=

2
= (
1
5
,
2
5
) e uma base
ortonormal para
2
. Portanto,
=
em que,
=
_
4 0
0 9
_
, e = [
1

2
] =
_
2
5
1
5
1
5
2
5
_
.
Vamos fazer a mudanca de vari aveis =
, em que
=
_

_
na equac ao (7.19).
Substituindo =
na equac ao (7.19), obtemos
36 = 0,
ou
36 = 0,
ou
4
2
+ 9
2
36 = 0,
ou ainda
2
9
+

2
4
= 1 (7.20)
484 Diagonalizac ao
que e a equac ao de uma elipse cujo esboco e mostrado na Figura 7.4. Para fazer o esboco do gr aco,
em primeiro lugar temos que tracar os eixos x
e y
. O eixo x
passa pela origem, e paralelo e possui

o mesmo sentido do vetor
1
, que tem coordenadas
_
1
0
_
em relac ao ao sistema de coordenadas
x
. Assim,
1
=
_
1
0
_
, que e a primeira coluna de . O eixo y
passa pela origem, e paralelo e

possui o mesmo sentido de
2
que tem coordenadas
_
0
1
_
em relac ao ao sistema de coordenadas
x
. Assim,
2
=
_
0
1
_
, que e a segunda coluna de . Depois, a partir da equac ao (7.20),
vericamos na Figura 7.3 na p agina 482 a forma da curva em relac ao aos eixos x
e y
.
Exemplo 7.16. Considere a c onica cuja equac ao e dada por
5
2
4 + 8
2
+
20
5

80
5
+ 4 = 0 .
Esta equac ao pode ser escrita como
+ + 4 = 0 , (7.21)
em que
=
_
5 2
2 8
_
e =
_
20
5

80
5
_
.
A matriz e a mesma do exemplo anterior. Assim, temos que
=
Introduc ao ` a

4 3 2 1 0 1 2 3 4
4
3
2
1
0
1
2
3
4
x
y
x
y
2
486 Diagonalizac ao
em que,
=
_
4 0
0 9
_
, e = [
1

2
] =
_
2
5
1
5
1
5
2
5
_
.
Vamos fazer a mudanca de vari aveis =
, em que
=
_

_
.
Substituindo =
na equac ao (7.21), obtemos
+ 4 = 0
ou
+ 4 = 0,
ou
4
2
+ 9
2
8
36
+ 4 = 0 .
ou ainda,
4(
2
2
) + 9(
2
4
) + 4 = 0
Completando os quadrados, obtemos
4[(
2
2
+ 1) 1] + 9[(
2
4
+ 4) 4] + 4 = 0
ou
4(
1)
2
+ 9(
2)
2
36 = 0.
Fazendo mais uma mudanca de vari aveis
1 e (7.22)
2 (7.23)
Introduc ao ` a

obtemos
4
2
+ 9
2
36 = 0
ou
2
9
+

2
4
= 1 (7.24)
que e a equac ao de uma elipse cujo esboco e mostrado na Figura 7.5. Para fazer o esboco do gr aco,
em primeiro lugar temos que tracar os eixos x
e y
, que por sua vez s ao translac oes dos eixos x
e
y
. O eixo x
tem a direc ao e o sentido do vetor

1
=
_
1
0
_
(a primeira coluna de ). O eixo y
tem a direc ao e o sentido do vetor

2
=
_
0
1
_
(a segunda coluna de ). O eixo x
tem equac ao
= 0. Usando a equac ao (7.22) obtemos
= 2. O eixo y
tem equac ao
= 0. Usando a
equac ao (7.23) obtemos
= 1. Depois, a partir da equac ao (7.24), vericamos na Figura 7.3 na

p agina 482 a forma da curva em relac ao aos eixos x
e y
.
Os exemplos anteriores s ao casos particulares do pr oximo teorema, cuja demonstrac ao e feita da
mesma forma que zemos com os exemplos e por isso deixamos para o leitor a tarefa de escrev e-la.
488 Diagonalizac ao
4 3 2 1 0 1 2 3 4
1
0
1
2
3
4
5
6
7
x
y
x"
y"
x
y
2
Introduc ao ` a

Teorema 7.11. Considere a equac ao
2
+ +
2
+ + + = 0, (7.25)
com , , , , , , sendo , e n ao simultaneamente nulos. Ent ao existe um sistema de
coordenadas ortogonal x
, em que a equac ao (7.25) tem a forma
2
+
2
2
+
+ = 0 ,
em que
1
,
2
s ao os autovalores de
=
_
/2
/2
_
.
Mais ainda,
=
,
em que
=
_

_
, =
_

_
e e uma matriz ortogonal (
1
=
).
490 Diagonalizac ao
Identicar a c onica, achar a equac ao no ultimo sistema de coordenadas utilizado e fazer um esboco
do gr aco.
7.3.1. 9
2
4 + 6
2
= 30;
7.3.2. 3
2
8 12
2
+ 81 = 0;
7.3.3. 2
2
4
2
= 24;
7.3.4. 21
2
+ 6 + 13
2
132 = 0;
7.3.5. 4
2
20 + 25
2
15 6 = 0;
7.3.6. 9
2
+
2
+ 6 10
10 + 10
10 + 90 = 0;
7.3.7. 5
2
+ 5
2
6 30
2 + 18
2 + 82 = 0;
7.3.8. 5
2
+ 12 12
13 = 36;
7.3.9. 6
2
+ 9
2
4 4
5 18
5 = 5;
7.3.10.
2
2
+ 2
3 + 6 = 0;
7.3.11. 8
2
+ 8
2
16 + 33
2 31
2 + 70 = 0;
Introduc ao ` a

7.3.12.
2
6 7
2
+ 10 + 2 + 9 = 0;

>> [P,D]=diagonal(A) diagonaliza a matriz A, de forma que AP=PD, em que D e uma matriz
diagonal e P e uma matriz ortogonal.
>> subst(expr,[x;y],[a;b]) substitui na express ao expr as vari aveis x,y por a,b, res-
pectivamente.
>> elipse(a,b) desenha a elipse

2
2
+

2
2
= 1.
>> elipse(a,b,[U1 U2]) desenha a elipse

2
2
+

2
2
= 1, em que
s ao as coordenadas
em relac ao ` a base ortonormal U1 e U2.
>> elipse(a,b,[U1 U2],X0) desenha a elipse

2
2
+

2
2
= 1, em que
s ao as coor-
denadas em relac ao ao sistema de coordenadas determinado pela base ortonormal U1 e U2 e
pelo ponto X0.
>> hiperbx(a,b) desenha a hip erbole

2
2

2
2
= 1.
>> hiperbx(a,b,[U1 U2]) desenha a hip erbole

2
2

2
2
= 1, em que
s ao as coor-
denadas em relac ao ` a base ortonormal U1 e U2.
>> hiperbx(a,b,[U1 U2],X0) desenha a hip erbole

2
2

2
2
= 1, em que
s ao as
coordenadas em relac ao ao sistema de coordenadas determinado pela base ortonormal U1 e
U2 e pelo ponto X0.
>> hiperby(a,b) desenha a hip erbole

2
2

2
2
= 1.
492 Diagonalizac ao
>> hiperby(a,b,[U1 U2]) desenha a hip erbole

2
2

2
2
= 1, em que
s ao as coor-
denadas em relac ao ` a base ortonormal U1 e U2.
>> hiperby(a,b,[U1 U2],X0) desenha a hip erbole

2
2

2
2
= 1, em que
s ao as
coordenadas em relac ao ao sistema de coordenadas determinado pela base ortonormal U1 e
U2 e pelo ponto X0.
>> parabx(p) desenha a par abola
2
= 4.
>> parabx(p,[U1 U2]) desenha a par abola
2
= 4
, em que
s ao as coordenadas
>> parabx(p,[U1 U2],X0) desenha a par abola
2
= 4
, em que
s ao as coorde-
nadas em relac ao ao sistema de coordenadas determinado pela base ortonormal U1 e U2 e por
X0.
>> paraby(p) desenha a par abola
2
= 4.
>> paraby(p,[U1 U2]) desenha a par abola
2
= 4
, em que
s ao as coordenadas
>> paraby(p,[U1 U2],X0) desenha a par abola
2
= 4
, em que
s ao as coorde-
nadas em relac ao ao sistema de coordenadas determinado pela base ortonormal U1 e U2 e por
X0.
para resolver os Exerccios Num ericos

Exerccios Te oricos
7.3.14. Demonstre o Teorema 7.11 na p agina 489.
Introduc ao ` a

7.3.15. Seja o conjunto dos pontos do plano que satisfazem a equac ao
2
+ +
2
+ + + = 0.
Consideremos a matriz =
_
/2
/2
_
. Sejam e os autovalores de .
(a) Mostre que =
2
/4.
(b) Mostre que se > 0, ent ao e uma elipse, um ponto ou o conjunto vazio.
(c) Mostre que se < 0, ent ao e uma hip erbole, ou um par de retas concorrentes.
(d) Mostre que se = 0, ent ao temos duas possibilidades:
i. Se = 0 ou = 0, ent ao e uma par abola, um par de retas paralelas, uma reta ou
o conjunto vazio.
ii. Se = = 0, ent ao e uma reta. Observe que neste caso n ao e uma c onica
(por que?).
494 Diagonalizac ao
Teste do Captulo
1. (a) Encontre matrizes e tais que
=
,
em que
=
_
8 8
8 8
_
.
(b) Identicar a c onica, achar a equac ao no ultimo sistema de coordenadas utilizado e fazer
um esboco do gr aco.
8
2
+ 8
2
16 + 33
2 31
2 + 70 = 0
2. Verique quais das matrizes seguintes s ao diagonaliz aveis:
(a)
_

3
_
(b)
_

_
3. (a) Seja =
_
1 0
0 1
_
. Calcule
10
.
(b) Sabendo-se que =
1
, calcule
10
.
Introduc ao ` a

4. Diga se e verdadeiro ou falso cada item abaixo, justicando.
(a) Se e uma matriz 2 2 com somente 1 autovalor, ent ao n ao e diagonaliz avel;
(b) Se e s ao autovetores associados a um autovalor , ent ao proj
e tamb em
um autovetor associado a .
(c) Se n ao e singular, ent ao 0 n ao e autovalor de ;
(d) As matrizes e
2
possuem os mesmos autovetores;
Respostas dos Exerccios
1.1. Matrizes (p agina 18)
1.1.1. >> A=[2,0;6,7]; B=[0,4;2,-8]; C=[-6,9,-7;7,-3,-2];
>> D=[-6,4,0;1,1,4;-6,0,6]; E=[6,9,-9;-1,0,-4;-6,0,-1];
>> A*B-B*A
-24 -20
58 24
>> 2*C-D
??? Error using ==> - Matrix dimensions must agree.
>> 2*D-3*E
-30 -19 27
5 2 20
6 0 15
>> D*(D-E)
496
Captulo 1. Matrizes e Sistemas Lineares 497
80 34 -22
-10 -4 45
72 30 -12
No item (c) foram usadas as propriedades (l) e (n) do Teorema 1.1 na p agina 10 e no item (d)
foi usada a propriedade (i).
1.1.2. ( + ) = +,
= ()
= ()
, () = ()().
1.1.3. (a) >> A=[-3,2,1;1,2,-1];B=[2,-1;2,0;0,3];
>> C=[-2,1,-1;0,1,1;-1,0,1];
>> syms d1 d2 d3
>> D=diag([d1,d2,d3]);
>> E1=[1;0;0];E2=[0;1;0];E3=[0;0;1];
>> B*A
-7 2 3
-6 4 2
3 6 -3
>> A*B
-2 6
6 -4
(b) >> [A*E1-A(:,1),A*E2-A(:,2),A*E3-A(:,3)]
0 0 0
0 0 0
>> E1.*B-B(1,:)
0 0
498 Respostas dos Exerccios
>> E2.*B-B(2,:)
0 0
>> E3.*B-B(3,:)
0 0
(c) >> C1=C(:,1);C2=C(:,2);C3=C(:,3);
>> C*D-[d1*C1,d2*C2,d3*C3]
[ 0, 0, 0]
[ 0, 0, 0]
[ 0, 0, 0]
(d) >> C1=C(1,:);C2=C(2,:);C3=C(3,:);
>> D*C-[d1*C1;d2*C2;d3*C3]
[ 0, 0, 0]
[ 0, 0, 0]
[ 0, 0, 0]
(e) >> B1=B(:,1);B2=B(:,2);
>> A*B-A*[B1,B2]
0 0
0 0
(f) >> A1=A(1,:);A2=A(2,:);
>> A*B-[A1;A2]*B
0 0
0 0
1.1.4. >> syms x y z
>> A=[1,-3,0;0,4,-2]; X=[x;y;z];
Introduc ao ` a

>> A*X
[ x-3*y]
[ 4*y-2*z]
>> x*A(:,1)+y*A(:,2)+z*A(:,3)
[ x-3*y]
[ 4*y-2*z]
1.1.5. >> syms x
>> A=[x,4,-2]; B=[2,-3,5];
>> solve(A*B.)
11
1.1.6. >> syms y
>> A=[1,1/y;y,1];
>> A2-2*A
[ 0, 0]
[ 0, 0]
1.1.7. >> syms x y z w
>> X=[x,y;z,w]; M=[0,1;-1,0];
>> X*M-M*X
[ -y-z, x-w]
[ x-w, z+y]
>> syms a b c d
>> A=[x,y;-y,x]; B=[a,b;-b,a];
>> A*B-B*A
[ 0, 0]
[ 0, 0]
1.1.8. (a) Sejam =
_
0
0
_
e =
_

_
.
>> syms x y z w
>> syms a b c d
>> A=[x,0;0,y];B=[a,b;c,d];
>> A*B
[ x*a, x*b]
[ y*c, y*d]
>> B*A
[ x*a, b*y]
[ c*x, y*d]
Como = , para todo , em particular para = 1, obtemos que = . Assim, a
matriz que al em de ser diagonal tem os elementos da diagonal iguais.
(b) Sejam =
_

_
e =
_

_
.
>> A=[x,y;z,w];B=[a,b;c,d];
>> A*B
[ x*a+y*c, x*b+y*d]
[ z*a+w*c, z*b+w*d]
>> B*A
[ x*a+z*b, a*y+b*w]
[ c*x+d*z, y*c+w*d]
Introduc ao ` a

Comparando os elementos de posic ao 1,1 obtemos que = , para todos os valores
de e . Em particular para = 0 e = 1, obtemos que = 0 e para = 1 e = 0,
obtemos que = 0. Ou seja, a matriz tem que ser diagonal. Assim, pelo item anterior
temos que a matriz tem que ser diagonal com os elementos da diagonal iguais.
1.1.9. >> A=[0,1,0;0,0,1;0,0,0];
>> A2,A3
ans=0 0 1
0 0 0
0 0 0
ans =0 0 0
0 0 0
0 0 0
1.1.10. (a) >> A=[1,1/2;0,1/3]
A =
1.0000 0.5000
0 0.3333
>> A2,A3,A4,A5
ans =
1.0000 0.6667
0 0.1111
ans =
1.0000 0.7222
0 0.0370
ans =
1.0000 0.7407
0 0.0123
ans =
1.0000 0.7469
0 0.0041
>> A6,A7,A8,A9
ans =
1.0000 0.7490
0 0.0014
ans =
1.0000 0.7497
0 0.0005
ans =
1.0000 0.7499
0 0.0002
ans =
1.0000 0.7500
0 0.0001
A seq u encia parece estar convergindo para a matriz
_
1 0.75
0 0
_
.
(b) >> A=[1/2,1/3;0,-1/5]
A =
0.5000 0.3333
0 -0.2000
>> A2,A3,A4,A5
Introduc ao ` a

ans =
0.2500 0.1000
0 0.0400
ans =
0.1250 0.0633
0 -0.0080
ans =
0.0625 0.0290
0 0.0016
ans =
0.0312 0.0150
0 -0.0003
>> A6,A7,A8,A9
ans =
0.0156 0.0074
0 0.0001
ans =
0.0078 0.0037
0 0.0000
ans =
0.0039 0.0019
0 0.0000
ans =
0.0020 0.0009
0 0.0000
A seq u encia parece estar convergindo para a matriz nula
_
0 0
0 0
_
.
1.1.11. (a) >> A=[0,0,1;1,0,0;0,1,0];
>> A=sym(A)
[ 0, 0, 1]
[ 1, 0, 0]
[ 0, 1, 0]
>> A2
[ 0, 1, 0]
[ 0, 0, 1]
[ 1, 0, 0]
>> A3
[ 1, 0, 0]
[ 0, 1, 0]
[ 0, 0, 1]
Para = 3,
=
3
.
(b) >> A=[0,1,0,0;-1,0,0,0;0,0,0,1;...
0,0,1,0];
>> A=sym(A)
[ 0, 1, 0, 0]
[ -1, 0, 0, 0]
[ 0, 0, 0, 1]
[ 0, 0, 1, 0]
>> A2
[ -1, 0, 0, 0]
Introduc ao ` a

[ 0, -1, 0, 0]
[ 0, 0, 1, 0]
[ 0, 0, 0, 1]
>> A3
[ 0, -1, 0, 0]
[ 1, 0, 0, 0]
[ 0, 0, 0, 1]
[ 0, 0, 1, 0]
>> A4
[ 1, 0, 0, 0]
[ 0, 1, 0, 0]
[ 0, 0, 1, 0]
[ 0, 0, 0, 1]
Para = 4,
=
4
.
(c) >> A=[0,1,0,0;0,0,1,0;0,0,0,1;0,0,0,0];
>> A=sym(A)
[ 0, 1, 0, 0]
[ 0, 0, 1, 0]
[ 0, 0, 0, 1]
[ 0, 0, 0, 0]
>> A2
[ 0, 0, 1, 0]
[ 0, 0, 0, 1]
[ 0, 0, 0, 0]
[ 0, 0, 0, 0]
>> A3
[ 0, 0, 0, 1]
[ 0, 0, 0, 0]
[ 0, 0, 0, 0]
[ 0, 0, 0, 0]
>> A4
[ 0, 0, 0, 0]
[ 0, 0, 0, 0]
[ 0, 0, 0, 0]
[ 0, 0, 0, 0]
Para = 4,
=

0.
1.1.12. Conclumos que e muito raro encontrar matrizes cujo produto comute.
1.1.13. Conclumos que matrizes diagonais em geral comutam. Pode-se mostrar que elas sempre
comutam (Exerccio 28 na p agina 31).
1.1.14. Se a matriz A for diagonal, ent ao o produto comuta, se os elementos da diagonal de A s ao
iguais. (ver Exerccio 17 na p agina 27). A probabilidade de um tal par de matrizes comute e
aproximadamente igual a probabilidade de que a primeira matriz tenha os elementos da sua
diagonal iguais, ou seja, 11/11
3
= 1/11
2
1%.
Introduc ao ` a

1.2. Sistemas Lineares (p agina 63)
1.2.1. As matrizes que est ao na forma reduzida escalonada s ao e .
1.2.2. (a) =
8 + 7
2 3
5
, .
(b) =
2 3 + 6
7 4
8 5
, , .
(c) =
6
3
2
, .
(d) =
3 + 8 7
5 6
9 3
, , .
1.2.3. (a) >> A=[1,1,2,8;-1,-2,3,1;3,-7,4,10];
>> escalona(A)
eliminacao 1:
1*linha 1 + linha 2 ==> linha 2
-3*linha 1 + linha 3 ==> linha 3
[ 1, 1, 2, 8]
[ 0, -1, 5, 9]
[ 0, -10, -2, -14]
eliminacao 2:
-1*linha 2 ==> linha 2
[ 1, 1, 2, 8]
[ 0, 1, -5, -9]
[ 0, -10, -2, -14]
[ 1, 0, 7, 17]
[ 0, 1, -5, -9]
[ 0, 0, -52, -104]
eliminacao 3:
-1/52*linha 3 ==> linha 3
[ 1, 0, 7, 17]
[ 0, 1, -5, -9]
[ 0, 0, 1, 2]
[ 1, 0, 0, 3]
[ 0, 1, 0, 1]
Introduc ao ` a

[ 0, 0, 1, 2]
=
3
1
2
.
(b) >> A=[2,2,2,0;-2,5,2,1;8,1,4,-1];
>> escalona(A)
eliminacao 1:
1/2*linha 1 ==> linha 1
[ 1, 1, 1, 0]
[ -2, 5, 2, 1]
[ 8, 1, 4, -1]
[ 1, 1, 1, 0]
[ 0, 7, 4, 1]
[ 0, -7, -4, -1]
eliminacao 2:
[ 1, 1, 1, 0]
[ 0, 1, 4/7, 1/7]
[ 0, -7, -4, -1]
[ 1, 0, 3/7, -1/7]
[ 0, 1, 4/7, 1/7]
[ 0, 0, 0, 0]
=
1
7

3
7
1
7

4
7
, .
(c) >> A=[0,-2,3,1;3,6,-3,-2;6,6,3,5]
>> escalona(A)
eliminacao 1:
linha 2 <==> linha 1
[ 3, 6, -3, -2]
[ 0, -2, 3, 1]
[ 6, 6, 3, 5]
[ 1, 2, -1, -2/3]
[ 0, -2, 3, 1]
[ 6, 6, 3, 5]
[ 1, 2, -1, -2/3]
[ 0, -2, 3, 1]
[ 0, -6, 9, 9]
eliminacao 2:
[ 1, 2, -1, -2/3]
[ 0, 1, -3/2, -1/2]
[ 0, -6, 9, 9]
Introduc ao ` a

[ 1, 0, 2, 1/3]
[ 0, 1, -3/2, -1/2]
[ 0, 0, 0, 6]
O sistema n ao tem soluc ao!
1.2.4. >> A=[1,-2,1;2,-5,1;3,-7,2];
>> B1=[1;-2;-1];B2=[2;-1;2];
>> escalona([A,B1,B2])
eliminacao 1:
[ 1, -2, 1, 1, 2]
[ 0, -1, -1, -4, -5]
[ 0, -1, -1, -4, -4]
eliminacao 2:
[ 1, -2, 1, 1, 2]
[ 0, 1, 1, 4, 5]
[ 0, -1, -1, -4, -4]
[ 1, 0, 3, 9, 12]
[ 0, 1, 1, 4, 5]
[ 0, 0, 0, 0, 1]
(a) =
9 3
4
, .
(b) O sistema n ao tem soluc ao!
1.2.5. (a) >> A=[1,0,5;1,1,1;0,1,-4];
>> B=A+4*eye(3);
>> escalona([B,zeros(3,1)])
eliminacao 1:
[ 1, 5, 1, 0]
[ 5, 0, 5, 0]
[ 0, 1, 0, 0]
(-5)*linha 1 + linha 2 ==> linha 2
[ 1, 5, 1, 0]
[ 0, -25, 0, 0]
[ 0, 1, 0, 0]
eliminacao 2:
[ 1, 5, 1, 0]
[ 0, 1, 0, 0]
[ 0, -25, 0, 0]
(25)*linha 2 + linha 3 ==> linha 3
[ 1, 0, 1, 0]
[ 0, 1, 0, 0]
Introduc ao ` a

[ 0, 0, 0, 0]
=
, .
(b) >> B=A-2*eye(3);
>> escalona([B,zeros(3,1)])
eliminacao 1:
(-1)*linha 1 ==> linha 1
[ 1, 0, -5, 0]
[ 1, -1, 1, 0]
[ 0, 1, -6, 0]
[ 1, 0, -5, 0]
[ 0, -1, 6, 0]
[ 0, 1, -6, 0]
eliminacao 2:
[ 1, 0, -5, 0]
[ 0, 1, -6, 0]
[ 0, 1, -6, 0]
[ 1, 0, -5, 0]
[ 0, 1, -6, 0]
[ 0, 0, 0, 0]
=
5
6
, .
1.2.6. (a) >> syms a
>> A=[1,2,-3,4;3,-1,5,2;4,1,a2-14,a+2];
>> escalona(A)
eliminacao 1:
[ 1, 2, -3, 4]
[ 0, -7, 14, -10]
[ 0, -7, a2-2, a-14]
eliminacao 2:
[ 1, 2, -3, 4]
[ 0, 1, -2, 10/7]
[ 0, -7, a2-2, a-14]
1 0 1 8/7
0 1 2 10/7
0 0
2
16 4
i. Se
2
16 = 0 e 4 = 0, ent ao o sistema tem innitas soluc oes. Neste caso,
= 4;
ii. Se
2
16 = 0 e 4 = 0, ent ao o sistema n ao tem soluc ao. Neste caso, = 4;
Introduc ao ` a

iii. Se
2
16 = 0, ent ao o sistema tem soluc ao unica. Neste caso, = 4;
(b) >> A=[1,1,1,2;2,3,2,5;2,3,a2-1,a+1];
>> escalona(A)
eliminacao 1:
[ 1, 1, 1, 2]
[ 0, 1, 0, 1]
[ 0, 1, a2-3, a-3]
eliminacao 2:
1 0 1 1
0 1 0 1
0 0
2
3 4
i. Se
2
3 = 0 e 4 = 0, ent ao o sistema tem innitas soluc oes. Este caso n ao
pode ocorrer;
ii. Se
2
3 = 0 e 4 = 0, ent ao o sistema n ao tem soluc ao. Neste caso, =
3;
iii. Se
2
3 = 0, ent ao o sistema tem soluc ao unica. Neste caso, =
3;
1.2.7.
X Y Z
gramas de A/kg
gramas de B/kg
preco/kg
2 1 3
1 3 5
3 2 4

kg de X
kg de Y
kg de Z
1900
2400
2900
gramas de A
gramas de B
arrecadac ao
2 1 3
1 3 5
3 2 4
1900
2400
2900
>> A=[2,1,3,1900;1,3,5,2400;3,2,4,2900];
>> escalona(A)
eliminacao 1:
[ 1, 3, 5, 2400]
[ 2, 1, 3, 1900]
[ 3, 2, 4, 2900]
[ 1, 3, 5, 2400]
[ 0, -5, -7, -2900]
[ 0, -7, -11, -4300]
eliminacao 2:
(-1/5)*linha 2 ==> linha 2
[ 1, 3, 5, 2400]
[ 0, 1, 7/5, 580]
[ 0, -7, -11, -4300]
Introduc ao ` a

[ 1, 0, 4/5, 660]
[ 0, 1, 7/5, 580]
[ 0, 0, -6/5, -240]
eliminacao 3:
(-5/6)*linha 3 ==> linha 3
[ 1, 0, 4/5, 660]
[ 0, 1, 7/5, 580]
[ 0, 0, 1, 200]
(-4/5)*linha 3 + linha 1 ==> linha 1
[ 1, 0, 0, 500]
[ 0, 1, 0, 300]
[ 0, 0, 1, 200]
Foram vendidos 500 kg do produto X, 300 kg do produto Y e 200 kg do produto Z.
1.2.8. Substituindo os pontos na func ao obtemos:
= 10
+ + + = 7
27 + 9 + 3 + = 11
64 + 16 + 4 + = 14
.
Substituindo = 10 nas outras equac oes e escalonando a matriz aumentada do sistema cor-
respondente:
>> escalona([1,1,1,-3;27,9,3,-21;64,16,4,-24])
eliminacao 1:
[ 1, 1, 1, -3]
[ 0, -18, -24, 60]
[ 0, -48, -60, 168]
eliminacao 2:
[ 1, 1, 1, -3]
[ 0, 1, 4/3, -10/3]
[ 0, -48, -60, 168]
[ 1, 0, -1/3, 1/3]
[ 0, 1, 4/3, -10/3]
[ 0, 0, 4, 8]
eliminacao 3:
[ 1, 0, -1/3, 1/3]
[ 0, 1, 4/3, -10/3]
[ 0, 0, 1, 2]
1/3*linha 3 + linha 1 ==> linha 1
-4/3*linha 3 + linha 2 ==> linha 2
[ 1, 0, 0, 1]
[ 0, 1, 0, -6]
Introduc ao ` a

[ 0, 0, 1, 2]
Assim, os coecientes s ao = 1, = 6, = 2 e = 10 e o polin omio () =
3
6
2
+
2 + 10.
1.2.9. Substituindo os pontos na equac ao do crculo obtemos:
2 + 7 + = [(2)
2
+ 7
2
] = 53
4 + 5 + = [(4)
2
+ 5
2
] = 41
4 3 + = [4
2
+ 3
2
] = 25
.
>> A=[-2,7,1,-53;-4,5,1,-41;4,-3,1,-25];
>> escalona(A)
eliminacao 1:
[ 1, -7/2, -1/2, 53/2]
[ -4, 5, 1, -41]
[ 4, -3, 1, -25]
[ 1, -7/2, -1/2, 53/2]
[ 0, -9, -1, 65]
[ 0, 11, 3, -131]
eliminacao 2:
[ 1, -7/2, -1/2, 53/2]
[ 0, 1, 1/9, -65/9]
[ 0, 11, 3, -131]
[ 1, 0, -1/9, 11/9]
[ 0, 1, 1/9, -65/9]
[ 0, 0, 16/9, -464/9]
eliminacao 3:
[ 1, 0, -1/9, 11/9]
[ 0, 1, 1/9, -65/9]
[ 0, 0, 1, -29]
-1/9*linha 3 + linha 2 ==> linha 2
[ 1, 0, 0, -2]
[ 0, 1, 0, -4]
[ 0, 0, 1, -29]
Os coecientes s ao = 2, = 4 e = 29 e a equac ao do crculo e
2
+
2
2429 =
0.
1.2.10. (a) >> syms b1 b2 b3
>> A=[1,-2,5,b1;4,-5,8,b2;-3,3,-3,b3];
>> escalona(A)
eliminacao 1:
Introduc ao ` a

[ 1, -2, 5, b1]
[ 0, 3, -12, b2-4*b1]
[ 0, -3, 12, b3+3*b1]
eliminacao 2:
[ 1, -2, 5, b1]
[ 0, 1, -4, 1/3*b2-4/3*b1]
[ 0, -3, 12, b3+3*b1]
[ 1, 0, -3, -5/3*b1+2/3*b2]
[ 0, 1, -4, 1/3*b2-4/3*b1]
[ 0, 0, 0, b3-b1+b2]
O sistema e consistente se, e somente se,
3
1
+
2
= 0.
(b) >> syms b1 b2 b3
>> A=[1,-2,-1,b1;-4,5,2,b2;-4,7,4,b3];
>> escalona(A)
eliminacao 1:
[ 1, -2, -1, b1]
[ 0, -3, -2, b2+4*b1]
[ 0, -1, 0, b3+4*b1]
eliminacao 2:
[ 1, -2, -1, b1]
[ 0, -1, 0, b3+4*b1]
[ 0, -3, -2, b2+4*b1]
[ 1, -2, -1, b1]
[ 0, 1, 0, -b3-4*b1]
[ 0, -3, -2, b2+4*b1]
[ 1, 0, -1, -7*b1-2*b3]
[ 0, 1, 0, -b3-4*b1]
[ 0, 0, -2, b2-8*b1-3*b3]
O sistema e consistente para todos os valores reais de
1
,
2
e
3
.
1.2.11. >> A=[0,1,7,8;1,3,3,8;-2,-5,1,-8];
>> escalona(A)
eliminacao 1:
[ 1, 3, 3, 8]
[ 0, 1, 7, 8]
[ -2, -5, 1, -8]
[ 1, 3, 3, 8]
[ 0, 1, 7, 8]
[ 0, 1, 7, 8]
eliminacao 2:
Introduc ao ` a

[ 1, 0, -18, -16]
[ 0, 1, 7, 8]
[ 0, 0, 0, 0]
>> I=eye(3);E=oe(-1,2,3,I),...
F=oe(-3,2,1,I),G=oe(2,1,3,I),H=oe(I,1,2)
E =[ 1, 0, 0]F =[ 1, -3, 0]
[ 0, 1, 0] [ 0, 1, 0]
[ 0, -1, 1] [ 0, 0, 1]
G =[ 1, 0, 0]H =[ 0, 1, 0]
[ 0, 1, 0] [ 1, 0, 0]
[ 2, 0, 1] [ 0, 0, 1]
>> E*F*G*H*A
[ 1, 0, -18, -16]
[ 0, 1, 7, 8]
[ 0, 0, 0, 0]
1.2.12. (a) >> A=[1,2,0,-3,1,0,2;1,2,1,-3,1,2,3;...
1,2,0,-3,2,1,4;3,6,1,-9,4,3,9]
>> escalona(A)
[ 1, 2, 0, -3, 0, -1, 0]
[ 0, 0, 1, 0, 0, 2, 1]
[ 0, 0, 0, 0, 1, 1, 2]
[ 0, 0, 0, 0, 0, 0, 0]
1
+ 2
2
3
4

6
= 0
3
+ 2
6
= 1
5
+
6
= 2
= [ + 3 2 1 2 2 ]
,
, ,
(b) >> A=[1,3,-2,0,2,0,0;2,6,-5,-2,4,-3,-1;...
0,0,5,10,0,15,5;2,6,0,8,4,18,6]
>> escalona(A)
[ 1, 3, 0, 4, 2, 0, 0]
[ 0, 0, 1, 2, 0, 0, 0]
[ 0, 0, 0, 0, 0, 1, 1/3]
[ 0, 0, 0, 0, 0, 0, 0]
1
+ 3
2
+ 4
4
+ 2
5
= 0
3
+ 2
4
= 0
6
=
1
3
= [2 4 3 2 1/3]
,
, ,
1.2.13. >> syms a, B=[4,3,1,6];
>> A=[1,1,1,1;1,3,-2,a;
2,2*a-2,-a-2,3*a-1;3,a+2,-3,2*a+1]
>> escalona([A,B])
[ 1, 0, 0, 0, (4*a-11)/(a-5)]
[ 0, 1, 0, 0, -4/(a-5)]
[ 0, 0, 1, 0, -4/(a-5)]
[ 0, 0, 0, 1, -1/(a-5)]
Introduc ao ` a

>> solve(-3/2*a+5/4+1/4*a2,a)
ans = [ 1][ 5]
Se = 1 e = 5, ent ao = [
411
5
4
5
4
5
1
5
]
.
>> C=subs(A,a,1)
>> escalona([C,B])
[ 1, 0, 0, 1, 2]
[ 0, 1, 0, 0, 1]
[ 0, 0, 1, 0, 1]
[ 0, 0, 0, 0, 0]
Se = 1, ent ao = [2 , 1, 1, ]
.
>> D=subs(A,a,5)
>> escalona([D,B])
[ 1, 0, 5/2, -1, 0]
[ 0, 1, -3/2, 2, 0]
[ 0, 0, 0, 0, 1]
[ 0, 0, 0, 0, 0]
Se = 5, ent ao o sistema n ao tem soluc ao.
1.2.14. (a) >> A=[1,2,3,1,8;1,3,0,1,7;1,0,2,1,3];
>> escalona(A)
[ 1, 0, 0, 1, 1]
[ 0, 1, 0, 0, 2]
[ 0, 0, 1, 0, 1]
{(1 , 2, 1, ) }
(b) >> A=[1,1,3,-3,0;0,2,1,-3,3;1,0,2,-1,-1];
>> escalona(A)
[ 1, 0, 0, 1, 1]
[ 0, 1, 0, -1, 2]
[ 0, 0, 1, -1, -1]
{(1 , 2 + , 1 + , ) }
(c) >> A=[1,2,3,0;1,1,1,0;1,1,2,0;1,3,3,0];
>> escalona(A)
[ 1, 0, 0, 0]
[ 0, 1, 0, 0]
[ 0, 0, 1, 0]
[ 0, 0, 0, 0]
{(0, 0, 0)}
1.2.15. >> P=randi(4,2)
P = 5 4
-3 3
1 0
0 -5
Introduc ao ` a

>> A=matvand(P(:,1),3),B=P(:,2)
A =125 25 5 1
-27 9 -3 1
1 1 1 1
0 0 0 1
B = 4
3
0
-5
>> R=escalona([A,B])
R = [ 1, 0, 0, 0, -163/480]
[ 0, 1, 0, 0, 99/80]
[ 0, 0, 1, 0, 1969/480]
[ 0, 0, 0, 1, -5]
>> p=poly2sym(R(:,5),x)
p = -163/480*x3+99/80*x2+1969/480*x-5
>> clf,po(P),syms x,plotf1(p,[-5,5])
>> eixos
Pode n ao ser possvel encontrar o polin omio, se mais de um ponto tiver a mesma abscissa
.
5 4 3 2 1 0 1 2 3 4 5
10
0
10
20
30
40
50
x
y
Observac ao. A sua resposta pode ser diferente da que est a aqui.
1.2.16. >> P=randi(5,2)
P = 3 2
-1 -3
Introduc ao ` a

1 -1
3 4
4 4
>> A=matvand(P,2)
A = 9 6 4 3 2 1
1 3 9 -1 -3 1
1 -1 1 1 -1 1
9 12 16 3 4 1
16 16 16 4 4 1
>> R=escalona([A,zeros(5,1)])
R = [1, 0, 0, 0, 0, -35/8, 0]
[0, 1, 0, 0, 0, 45/8, 0]
[0, 0, 1, 0, 0, -2, 0]
[0, 0, 0, 1, 0, 65/8, 0]
[0, 0, 0, 0, 1, -39/8, 0]
>> p=poly2sym2([-R(:,6);1],x,y)
p =35/8*x2-45/8*x*y-65/8*x+1+2*y2+39/8*y
>> clf,po(P),syms x y,
>> plotci(p,[-5,5],[-5,5])
>> eixos
2 1 0 1 2 3 4 5
3
2
1
0
1
2
3
4
5
x
y
Observac ao. A sua resposta pode ser diferente da que est a aqui.
1.2.17. (a) A inversa da operac ao elementar de trocar duas linhas e ela mesma.
(b) A inversa da operac ao elementar de multiplicar uma linha por um escalar, = 0, e a
operac ao de multiplicar a mesma linha pelo escalar 1/.
Introduc ao ` a

(c) A inversa de somar ` a linha , vezes a linha , e somar ` a linha , vezes a linha .
1.2.18. (a) Basta multiplicar qualquer linha da matriz pelo escalar 1.
(b) Pelo exerccio anterior cada operac ao elementar, , tem uma operac ao elementar inversa,
1
, do mesmo tipo que desfaz o que a operac ao fez. Se aplicando as operac oes ele-
mentares
1
, . . . ,
na matriz chegamos na matriz , ent ao aplicando-se as operac oes

elementares
1
, . . . ,
1
1
na matriz chegamos na matriz .
(c) Se aplicando as operac oes elementares
1
, . . . ,
na matriz chegamos na matriz

e aplicando as operac oes elementares
+1
, . . . ,
na matriz chegamos na matriz ,

ent ao aplicando-se as operac oes elementares
1
, . . . ,
na matriz chegamos na matriz

.
2.1. Matriz Inversa (p agina 100)
2.1.1. A matriz e singular, pois o sistema homog eneo tem soluc ao n ao trivial (Teorema 2.8 na p agina
92).
2.1.2. (a) >> A=[1,2,3;1,1,2;0,1,2];
>> B=[A,eye(3)];
>> escalona(B)
[1, 0, 0, 0, 1,-1]
[0, 1, 0, 2,-2,-1]
[0, 0, 1,-1, 1, 1]
(b) [1, 0, 0, 3, 2,-4]
[0, 1, 0,-1, 0, 1]
[0, 0, 1, 0,-1, 1]
(c) [1, 0, 0, 0, 7/3,-1/3,-1/3,-2/3]
[0, 1, 0, 0, 4/9,-1/9,-4/9, 1/9]
[0, 0, 1, 0,-1/9,-2/9, 1/9, 2/9]
[0, 0, 0, 1,-5/3, 2/3, 2/3, 1/3]
(d) [1, 0, 0, 1, -1, 0]
[0, 1, 0,3/2,1/2,-3/2]
[0, 0, 1, -1, 0, 1]
(e) [ 1 0 1 1 0 -2 ]
[ 0 1 1 0 0 1 ]
[ 0 0 0 -1 1 1 ]
Introduc ao ` a

Captulo 2. Invers ao de Matrizes e Determinantes 533
Continua ? (s/n) n
(f) [1, 0, 0,1/4, 5/4,-3/4, 1/2, 0]
[0, 1, 0,1/2,-1/2, 1/2, 0, 0]
[0, 0, 1,1/4, 1/4, 1/4,-1/2, 0]
[0, 0, 0, 0, -2, -1, -2, 1]
Continua ? (s/n) n
2.1.3. >> syms a
>> A=[1,1,0;1,0,0;1,2,a];
>> escalona(A)
1 0 0
0 1 0
0 0
Continua ? (s/n) n
Para valores de diferentes de zero a matriz tem inversa.
2.1.4. >> invA=[3,2;1,3]; invB=[2,5;3,-2];
>> invAB=invB*invA
invAB = 11 19
7 0
2.1.5. >> invA=[2,3;4,1]; B=[5;3];
>> X=invA*B
X = 19
23
2.1.6.
1
=
_
1 1
2 2
_ _
3
0
0 (1)
_ _
1 1
2 2
_
1
=
_
3
(1)
2 3
2(1)
_
1
4
_
2 1
2 1
_
=
1
4
_
2(3
+ (1)
) (1)
4((1)
) 2(3
+ (1)
)
_
2.1.7. >> A=[1,2,3;2,1,2;0,1,2];
>> escalona([A,eye(3)])
eliminacao 1:
[ 1, 2, 3, 1, 0, 0]
[ 0, -3, -4, -2, 1, 0]
[ 0, 1, 2, 0, 0, 1]
eliminacao 2:
[ 1, 2, 3, 1, 0, 0]
[ 0, 1, 2, 0, 0, 1]
[ 0, -3, -4, -2, 1, 0]
Introduc ao ` a

[ 1, 0, -1, 1, 0, -2]
[ 0, 1, 2, 0, 0, 1]
[ 0, 0, 2, -2, 1, 3]
eliminacao 3:
(1/2)*linha 3 ==> linha 3
[ 1, 0, -1, 1, 0, -2]
[ 0, 1, 2, 0, 0, 1]
[ 0, 0, 1, -1, 1/2, 3/2]
[ 1, 0, 0, 0, 1/2, -1/2]
[ 0, 1, 0, 2, -1, -2]
[ 0, 0, 1, -1, 1/2, 3/2]
>> I=eye(3);E1=oe(2,1,2,I);E2=oe(I,2,3);...
E3=oe(2,2,1,I);E4=oe(-3,2,3,I);...
E5=oe(2,3,I);E6=oe(-1,3,1,I);E7=oe(2,3,2,I);
>> E1*E2*E3*E4*E5*E6*E7
1 2 3
2 1 2
0 1 2
2.1.8. >> menc=lerarq(menc1.txt); key=lerarq(key.txt);
>> y=char2num(menc); M=char2num(key);
>> N=escalona([M,eye(3)])
>> N=N(:,6:10)
>> x=N*y;
>> num2char(x)
ans =
Desejo boa sorte a todos que estudam

Algebra Linear !
>> menc=lerarq(menc2.txt);
>> y=char2num(menc);
>> x=N*y;
>> num2char(x)
ans = Buda tinha este nome por que vivia setado!
Deve ser uma matriz com entradas entre 0 e 118 invertvel de forma que a sua inversa seja uma
matriz com entradas inteiras.
2.2. Determinantes (p agina 138)
2.2.1. det(
2
) = 9; det(
3
) = 27; det(
1
) = 1/3; det(
) = 3.
2.2.2. det(
1
) = det()/ det() = 2/3.
2.2.3. (a) det
11

12

13
+
12
21

22

23
+
22
31

32

33
+
32
=
det
11

12

13
21

22

23
31

32

33
+
det
11

12

12
21

22

22
31

32

32
= det() + 0 = 3
Introduc ao ` a

(b) det
11
+
12

11
12

13
21
+
22

21
22

23
31
+
32

31
32

33
=
det
11

11

13
21

21

23
31

31

33
+
det
11

12

13
21

22

23
31

32

33
+
det
12

11

13
22

21

23
32

31

33
+
det
12

12

13
22

22

23
32

32

33
= 2 det() = 6
2.2.4. (a) det
_

(1 + )
_
=
2
det
_
1
(1 + )
_
=
2
(b) det
_
cos sen
cos sen sen + cos
_
= det
_
cos sen
cos sen
_
+
det
_
cos sen
sen cos
_
=
2.2.5. (a) >> A=[1,-2,3,1;5,-9,6,3;-1,2,-6,-2;2,8,6,1];
>> detopelp(A)
[ 1, -2, 3, 1]
[ 5, -9, 6, 3]
[ -1, 2, -6, -2]
[ 2, 8, 6, 1]
eliminacao 1:
[ 1, -2, 3, 1]
[ 0, 1, -9, -2]
[ 0, 0, -3, -1]
[ 0, 12, 0, -1]
eliminacao 2:
[ 1, -2, 3, 1]
[ 0, 1, -9, -2]
[ 0, 0, -3, -1]
[ 0, 0, 108, 23]
eliminacao 3:
[ 1, -2, 3, 1]
[ 0, 1, -9, -2]
[ 0, 0, 1, 1/3]
[ 0, 0, 108, 23]
Introduc ao ` a

det(A) = -3*det(A)
[ 1, -2, 3, 1]
[ 0, 1, -9, -2]
[ 0, 0, 1, 1/3]
[ 0, 0, 0, -13]
ans = 39
(b) >> A=[2,1,3,1;1,0,1,1;0,2,1,0;0,1,2,3];
>> detopelp(A)
[ 2, 1, 3, 1]
[ 1, 0, 1, 1]
[ 0, 2, 1, 0]
[ 0, 1, 2, 3]
eliminacao 1:
[ 1, 0, 1, 1]
[ 2, 1, 3, 1]
[ 0, 2, 1, 0]
[ 0, 1, 2, 3]
det(A) = (-1)*det(A)
[ 1, 0, 1, 1]
[ 0, 1, 1, -1]
[ 0, 2, 1, 0]
[ 0, 1, 2, 3]
eliminacao 2:
[ 1, 0, 1, 1]
[ 0, 1, 1, -1]
[ 0, 0, -1, 2]
[ 0, 0, 1, 4]
eliminacao 3:
[ 1, 0, 1, 1]
[ 0, 1, 1, -1]
[ 0, 0, 1, -2]
[ 0, 0, 1, 4]
det(A) = (-1)*(-1)*det(A)
[ 1, 0, 1, 1]
[ 0, 1, 1, -1]
[ 0, 0, 1, -2]
[ 0, 0, 0, 6]
ans = 6
2.2.6. (a) >> A=[0,1,2;0,0,3;0,0,0];
>> p=det(A-x*eye(3))
p =-x3
>> solve(p)
[0][0][0]
Introduc ao ` a

(b) p =(1-x)*(3-x)*(-2-x) [ 1][ 3][-2]
(c) p =(2-x)*(4-5*x+x2) [2][4][1]
(d) p =-8-2*x+5*x2-x3 [ 2][ 4][-1]
2.2.7. (a) >> A=[2,0,0;3,-1,0;0,4,3];
>> B=A-x*eye(3);
>> p=det(B)
p =(2-x)*(-1-x)*(3-x)
>> solve(p)
[ 2][-1][ 3]
(b) p =(2-x)2*(1-x) [2][2][1]
(c) p =(1-x)*(2-x)*(-1-x)*(3-x) [ 1][ 2][-1][ 3]
(d) p =(2-x)2*(1-x)2 [2][2][1][1]
2.2.8. (a) >> Bm1=subs(B,x,-1);
>> escalona(Bm1)
[1, 0, 0]
[0, 1, 1]
[0, 0, 0]
1
= {
}.
>> B2=subs(B,x,2);
>> escalona(B2)
[1, 0, 1/4]
[0, 1, 1/4]
[0, 0, 0]
2
= {
}.
>> B3=subs(B,x,3);
>> escalona(B3)
[1, 0, 0]
[0, 1, 0]
[0, 0, 0]
3
= {
0
0
}.
(b) [1, 3, 0]
[0, 0, 1]
[0, 0, 0]
1
= {
}.
Introduc ao ` a

[0, 1, 0]
[0, 0, 0]
[0, 0, 0]
2
= {
, }.
(c) [1, 1, 0, 0]
[0, 0, 1, 0]
[0, 0, 0, 1]
[0, 0, 0, 0]
1
= {
_
0 0
}.
[0, 1, 0, 0]
[0, 0, 1, 0]
[0, 0, 0, 1]
[0, 0, 0, 0]
1
= {
_
0 0 0
}.
[1, 0, 0, 29/3]
[0, 1, 0, 7/3]
[0, 0, 1, 3]
[0, 0, 0, 0]
2
= {
_
29 7 9 3
}.
[1, 0, -9/4, 0]
[0, 1, -3/4, 0]
[0, 0, 0, 1]
[0, 0, 0, 0]
3
= {
_
9 3 4 0
}.
(d) [1, 0, -3, 0]
[0, 1, 3, 0]
[0, 0, 0, 1]
[0, 0, 0, 0]
1
= {
_
3 3 0
}.
[0, 1, 0, 0]
[0, 0, 1, 0]
[0, 0, 0, 1]
[0, 0, 0, 0]
2
= {
_
0 0 0
}.
2.2.9. Concluimos que e muito raro encontrar matrizes invertveis.
Introduc ao ` a

Captulo 3. Espac os Euclidianos 545
3.1. Vetores no Plano e no Espac o (p agina 192)
3.1.1. A equac ao 3 2 = 15( ) e equivalente a 3 2 = 15 15. Somando-se
15 + 2 obtemos 15 + 3 = 2 15 ou 12 = 2 15 multiplicando-se por
1
12
obtemos
=
5
4

1
6
.
3.1.2. Multiplicando-se a segunda equac ao por 2 e somando-se a primeira, obtemos 12 = 3 +2
ou =
1
4
+
1
6
. Substituindo-se na primeira equac ao obtemos,
3
2
+ 2 = ou
2 =
1
2
+ ou =
1
4
+
1
2
.
3.1.3. >> OP=[ 2, 3, -5]; V=[ 3, 0, -3];
>> OQ=OP+V
OQ = 5 3 -8
As coordenadas da extremidade do segmento orientado s ao (5, 3, 8).
3.1.4. >> OP=[1,0,3]; OM=[1,2,-1];
>> MP=OP-OM; OPlinha=OM-MP
OPlinha = 1 4 -5
As coordenadas de
s ao (1, 4, 5).
3.1.5. (a) >> OA=[5,1,-3];OB=[0,3,4];OC=[0,3,-5];
>> AB=OB-OA, AC=OC-OA,
AB = -5 2 7
AC = -5 2 -2
Os pontos n ao s ao colineares, pois
.
(b) >> OA=[-1,1,3];OB=[4,2,-3];OC=[14,4,-15];
>> AB=OB-OA, AC=OC-OA,
AB = 5 1 -6
AC = 15 3 -18
Os pontos s ao colineares, pois
= 3
.
3.1.6. >> OA=[1,-2,-3];OB=[-5,2,-1];OC=[4,0,-1];
>> DC=OB-OA, OD=OC-DC
DC = -6 4 2
OD = 10 -4 -3
O ponto e = (10, 4, 3).
3.1.7. (a) A equac ao + = e equivalente ao sistema
9 = 4
12 + 7 = 6
6 + = 2
, cuja
matriz aumentada e a matriz que tem colunas , e .
>> V=[9,-12,-6];W=[-1,7,1];U=[-4,-6,2];
>> escalona([V;W;U])
[ 1, 0, -2/3]
[ 0, 1, -2]
[ 0, 0, 0]
Assim, = 2/3 2.
(b) >> V=[5,4,-3];W=[2,1,1];U=[-3,-4,1];
>> escalona([V;W;U])
[ 1, 0, -5/3]
Introduc ao ` a

[ 0, 1, 8/3]
[ 0, 0, -20/3]
Assim, n ao e combinac ao linear de e .
3.1.8. >> V=[1,2,-3]; W=[2,1,-2];
>> Va=(V+W)/no(V+W), Vb=(V-W)/no(V-W),...
>> Vc=(2*V-3*W)/no(2*V-3*W)
=
_
3
43
43
3
43
43
5
43
43
=
_

1
3
3
1
3
3
1
3
=
_

4
17
17
1
17
17 0
3.1.9. >> V=[2,2,1]; W=[6,2,-3];

>> X=V/no(V)+W/no(W), U=X/no(X)
X=[32/21, 20/21, -2/21]
_
16
357
17
21
10
357
17
21
1
357
17
21
3.1.10. >> syms x

>> V=[x,3,4];W=[3,1,2];
>> solve(pe(V,W))
-11/3
Para = 11/3, e s ao perpendiculares.
3.1.11. >> V=[x,2,4];W=[x,-2,3];
>> pe(V,W)
x2+8
A equac ao
2
+ 8 n ao tem soluc ao real.
3.1.12. >> Va=[2,1,0];Wa=[0,1,-1];Vb=[1,1,1];
>> Wb=[0,-2,-2];Vc=[3,3,0];Wc=[2,1,-2];
>> cosVaWa=pe(Va,Wa)/(no(Va)*no(Wa)),...
>> cosVbWb=pe(Vb,Wb)/(no(Vb)*no(Wb)),...
>> cosVcWc=pe(Vc,Wc)/(no(Vc)*no(Wc))
cosVaWa=
1
10
2, cosVbWb=
1
3
2, cosVcWc=
1
2
2. O angulo entre e e
arccos(
10/10) entre e e arccos(
6/3) e entre e e arccos(
2/2) = /4.
3.1.13. >> W=[-1,-3,2]; V=[0,1,3];
>> W1=(pe(W,V)/pe(V,V))*V, W2=W-W1
W1 = 0 3/10 9/10
W2 = -1 -33/10 11/10
3.1.14. >> X=[x,y,z]; V=[1,1,0]; W=[-1,0,1]; U=[0,1,0];
>> expr1=pe(X,V), expr2=pe(X,W),...
>> expr3=pe(X,X)-3, expr4=pe(X,U)
expr1=x+y,expr2=z-x,expr3=x2+y2+z2-3,expr4=y
>> solve(expr1,expr2,expr3)
S = x: [2x1 sym] y: [2x1 sym] z: [2x1 sym]
>> S.x, S.y, S.z
ans =[ -1][ 1] ans =[ 1][ -1] ans =[ -1][ 1]
Como tem que ser maior que zero, = (1, 1, 1).
3.1.15. >> A=[3,0,2];B=[4,3,0];C=[8,1,-1];
>> pe(B-A,C-A), pe(A-B,C-B), pe(A-C,B-C)
14,0,21
Portanto o angulo reto est a no v ertice .
Introduc ao ` a

3.2. Equac oes de Retas e Planos (p agina 218)
3.2.1. >> syms x y z
>> N=[2,-1,5]; P=[1,-2,1]; X=[x,y,z];
>> PX=X-P; expr=pe(PX,N)
expr =2*x-9-y+5*z
A equac ao do plano e 2 + 5 9 = 0.
3.2.2. >> X=[x,y,z]; P=[2,1,0]; PX=X-P
PX =[x-2, y-1, z]
>> M=[PX;1,2,-3;2,-1,4], expr=det(M)
M =[x-2, y-1, z]
[ 1, 2,-3]
[ 2, -1, 4] expr = 5*x-10*y-5*z
A equac ao do plano e 5 10 5 = 0.
3.2.3. >> P=[1,0,0]; Q=[1,0,1]; N1=[0,1,-1];
>> X=[x,y,z]; PQ=Q-P, PX=X-P
PQ =[0, 0, 1],PX =[x-1, y, z]
>> M=[PX;PQ;N1], expr=det(M)
M =[x-1, y, z]
[ 0, 0, 1]
[ 0, 1,-1] expr = -x+1
A equac ao do plano e + 1 = 0.
3.2.4. >> V1=[2,2,1]; V2=[1,1,1]; P1=[2,0,0];
>> X=[x,y,z]; P1X=X-P1
P1X =[x-2, y, z]
>> M=[P1X;V1;V2], expr=det(M)
M =[x-2, y, z]
[ 2, 2, 1]
[ 1, 1, 1] expr = x-2-y
A equac ao do plano e 2 = 0.
3.2.5. (a) >> solve(4=2+t), solve(1=4-t),...
>> solve(-1=1+2*t)
ans = 2 ans = 3 ans = -1
Logo n ao existe um valor de tal que = (2, 4, 1) +(1, 1, 2).
(b) >> P=[4,1,-1]; Q=[2,4,1]; V=[1,-1,2];
>> X=[x,y,z];
>> PX=X-P, PQ=Q-P
PX = [x-4, y-1, z+1] PQ = [-2, 3, 2]
>> M=[PX;PQ;V], expr=dete(M)
M =[x-4,y-1,z+1]
[ -2, 3, 2]
[ 1, -1, 2] expr = 8*x-39+6*y-z
3.2.6. Fazendo = 0 nas equac oes dos planos
1
e
2
e resolvendo o sistema resultante, obtemos
>> expr1=x-y+1;expr2=x+y-1;
>> S=solve(expr1,expr2)
Introduc ao ` a

>> S.x, S.y
ans = 0 ans = 1
Portanto, o ponto = (0, 1, 0) pertence a
1
e a
2
.
>> P=[0,1,0]; N=[1,1,1]; X=[x,y,z];
>> PX=X-P, expr=pe(PX,N)
PX =[x, y-1, z] expr = x+y-1+z
A equac ao do plano e + + 1 = 0.
3.2.7. (a) >> N1=[1,2,-3]; N2=[1,-4,2]; V=pv(N1,N2)
V = -8 -5 -6
Os planos se interceptam segundo uma reta cujo vetor diretor e = (8, 5, 6).
(b) >> N1=[2,-1,4]; N2=[4,-2,8]; V=pv(N1,N2)
V = 0 0 0
Os planos s ao paralelos.
(c) >> N1=[1,-1,0]; N2=[1,0,1]; V=pv(N1,N2)
V = -1 -1 1
Os planos se interceptam segundo uma reta cujo vetor diretor e = (1, 1, 1).
3.2.8. (, , ) = (1, 2, 1) + (1, 1, 2).
3.2.9. >> pv([2,3,1],[1,-1,1])
4 -1 -5
(, , ) = (1, 0, 1) + (4, 1, 5).
3.2.10. >> escalona([1,1,-1,0;2,-1,3,1])
1 0 2/3 1/3
0 1 -5/3 -1/3
A reta intersec ao dos planos e (, , ) = (1/3, 1/3, 0) + (2/3, 5/3, 1).
>> A=[1,0,-1]; P=[1/3,-1/3,0];
>> V=[-2/3,5/3,1]; X=[x,y,z];
>> AX=X-A, AP=P-A
AX = [x-1, y, z+1] AP = [-2/3, -1/3, 1]
>> M=[AX;AP;V], expr=dete(M)
M =[ x-1, y, z+1]
[-2/3, -1/3, 1]
[-2/3, 5/3, 1] expr = -2*x+2/3-4/3*z
3.3. Os Espac os
(p agina 243)
3.3.1. >> x1=[4,2,-3];x2=[2,1,-2];x3=[-2,-1,0];
>> x=[1,1,1];
>> A=[x1;x2;x3;x].
4 2 -2 1
2 1 -1 1
-3 -2 0 1
>> R=escalona(A)
Introduc ao ` a

1 0 -2 0
0 1 3 0
0 0 0 1
>> x=[4,2,-6];
>> A=[x1;x2;x3;x].
4 2 -2 4
2 1 -1 2
-3 -2 0 -6
>> R=escalona(A)
1 0 -2 -2
0 1 3 6
0 0 0 0
>> x=[-2,-1,1];
>> A=[x1;x2;x3;x].
4 2 -2 -2
2 1 -1 -1
-3 -2 0 1
>> R=escalona(A)
1 0 -2 -1
0 1 3 1
0 0 0 0
>> x=[-1,2,3];
>> A=[x1;x2;x3;x].
4 2 -2 -1
2 1 -1 2
-3 -2 0 3
>> R=escalona(A)
1 0 -2 0
0 1 3 0
0 0 0 1
Assim, os vetores das letras (b) e (c) s ao combinac ao linear de
1
,
2
e
3
.
3.3.2. (a) >> v1=[1,1,2];v2=[1,0,0];
>> v3=[4,6,12]
>> A=[v1;v2;v3;zeros(1,3)].
1 1 4 0
1 0 6 0
2 0 12 0
>> R=escalona(A)
1 0 6 0
0 1 -2 0
0 0 0 0
Logo, a equac ao (1, 1, 2) + (1, 0, 0) + (4, 6, 12) =

0 admite soluc ao n ao trivial. Isto
implica que os vetores do item (a) s ao L.D.
(b) >> v1=[1,-2,3];v2=[-2,4,-6];
>> A=[v1;v2;zeros(1,3)].
1 -2 0
-2 4 0
3 -6 0
>> R=escalona(A)
Introduc ao ` a

1 -2 0
0 0 0
0 0 0
Logo, a equac ao (1, 2, 3) + (2, 4, 6) =

0 admite soluc ao n ao trivial. Isto implica
que os vetores da item (b) s ao L.D. Observe que o segundo vetor e 2 vezes o primeiro.
(c) >> v1=[1,1,1];v2=[2,3,1];
>> v3=[3,1,2];
>> A=[v1;v2;v3;zeros(1,3)].
1 2 3 0
1 3 1 0
1 1 2 0
>> R=escalona(A)
1 0 0 0
0 1 0 0
0 0 1 0
Logo, a equac ao (1, 1, 1) + (2, 3, 1) + (3, 1, 2) =

0 s o admite a soluc ao trivial. Isto
implica que os vetores do item (c) s ao L.I.
(d) >> v1=[4,2,-1];v2=[6,5,-5];v3=[2,-1,3];
>> A=[v1;v2;v3;zeros(1,3)].
4 6 0
2 5 0
-1 -5 0
>> R=escalona(A)
1 0 2
0 1 -1
0 0 0
Logo, o sistema (4, 2, 1) + (2, 3, 1) + (2, 1, 3) =

0 admite soluc ao n ao trivial. Isto
implica que os vetores da item (d) s ao L.D.
3.3.3. >> syms a
>> A=[3,1,0;a2+2,2,0;0,0,0]
A =
[3, a2+2, 0]
[1, 2, 0]
[0, 0, 0]
>> escalona(A)
eliminacao 1:
[ 1 2 0 ]
[ ]
[ 2 ]
[ 3 a + 2 0 ]
[ ]
[ 0 0 0 ]
Continua ? (s/n) s
-(3)*linha 1 + linha 2 ==> linha 2
[ 1 2 0 ]
[ ]
[ 2 ]
[ 0 a - 4 0 ]
[ ]
Introduc ao ` a

[ 0 0 0 ]
Continua ? (s/n) n
>> solve(a2-4)
ans = [ 2][-2]
Para = 2 o conjunto de vetores e L.D.
3.3.4. (a)
1
1
+
2
2
+
3
3
=
1
(
1
+
2
) +
2
(
1
+
3
) +
3
(
2
+
3
) = (
1
+
2
)
1
+
(
1
+
3
)
2
+ (
2
+
3
)
3
=

0. Como
1
,
2
e
3
s ao por hip otese L.I., os esca-
lares que os est ao multiplicando t em que ser iguais a zero. O que leva ao sistema
1
+
2
= 0
1
+
3
= 0
2
+
3
= 0
>> A=[1,1,0;1,0,1;0,1,1]
>> escalona(A)
[ 1, 1, 0]
[ 1, 0, 1]
[ 0, 1, 1]
[ 1, 0, 0]
[ 0, 1, 0]
[ 0, 0, 1]
Assim, o sistema e a equac ao vetorial inicial t em somente a soluc ao trivial
1
=
2
=
3
= 0. Portanto os vetores
1
,
2
e
3
s ao L.I.
(b)
1
1
+
2
2
+
3
3
=
1
1
+
2
(
1
+
3
) +
3
(
1
+
2
+
3
) = (
1
+
2
+
3
)
1
+
3
2
+ (
2
+
3
)
3
=

0 Como
1
,
2
e
3
s ao por hip otese L.I., os esca-
lares que os est ao multiplicando t em que ser iguais a zero. O que leva ao sistema
1
+
2
+
3
= 0
3
= 0
2
+
3
= 0
Assim, o sistema e a equac ao vetorial inicial t em somente
a soluc ao trivial
1
=
2
=
3
= 0. Portanto os vetores
1
,
2
e
3
s ao L.I.
3.3.5. (a) >> V1=[1;2;3]; V2=[3;4;5]; V3=[5;6;7];
>> V=randi(3,1)
V = 0
4
3
>> escalona([V1,V2,V3,V])
ans = 1 0 -1 0
0 1 2 0
0 0 0 1
Assim, V n ao e combinac ao linear de V1, V2 e V3.
(b) >> M=randi(3,5)
M = -2 -4 1 -5 5
3 -3 -3 3 0
-5 -3 -3 -1 -1
>> escalona([V1,V2,V3,M])
1 0 -1 0 37/13 -101/26 173/26 -96/13
0 1 2 0 -29/13 37/26 -85/26 51/13
0 0 0 1 1/13 -4/13 12/13 -4/13
Introduc ao ` a

Captulo 4. Subespac os Base e Dimens ao 559
Assim, nenhuma das colunas de M e combinac ao linear de V1, V2 e V3. Como as colunas
de M foram geradas aleatoriamente, o mais prov avel e que elas n ao pertencam ao plano
gerado por V1, V2 e V3.
(c) V3=-V1+2V2, que e a mesma relac ao que e v alida entre as colunas de forma escalonada
reduzida da matriz [V1,V2,V3,M].
4.1. Base e Dimens ao (p agina 264)
4.1.1. (a) >> A=[1,0,1,0,0;1,2,3,1,0;2,1,3,1,0]
1 0 1 0 0
1 2 3 1 0
2 1 3 1 0
>> R=escalona(A)
1 0 1 0 0
0 1 1 0 0
0 0 0 1 0
Encontramos a forma reduzida escalonada da matriz [

0], que corresponde ao sistema
1
+
3
= 0
2
+
3
= 0
4
= 0
Este sistema tem como soluc ao geral
= {(, , , 0) } .
Agora, para qualquer elemento de temos:
(, , , 0) = (1, 1, 1, 0) .
Logo, { = (1, 1, 1, 0)} gera .
(b) >> A=[1,1,2,-1,0;2,3,6,-2,0;-2,1,2,2,0]
1 1 2 -1 0
2 3 6 -2 0
-2 1 2 2 0
>> R=escalona(A)
1 0 0 -1 0
0 1 2 0 0
0 0 0 0 0
Encontramos a forma reduzida escalonada da matriz [

0], que corresponde ao sistema
_

1
+
4
= 0
2
+ 2
3
= 0
= {(, 2, , ) , } .
(, 2, , ) =
= (, 0, 0, ) + (0, 2, , 0)
= (1, 0, 0, 1) +(0, 2, 1, 0) .
Logo, = {
1
= (1, 0, 0, 1),
2
= (0, 2, 1, 0)} gera .
Introduc ao ` a

4.1.2. (a) >> syms x
>> A=[0,0,1;1,0,-3;0,1,3];
>> B=A-x*eye(3)
[-x, 0, 1]
[ 1, -x, -3]
[ 0, 1, 3-x]
>> solve(det(B))
ans = [1][1][1]
>> B1=subs(B,x,1)
-1 0 1
1 -1 -3
0 1 2
>> escalona([B1,zeros(3,1)])
1 0 -1 0
0 1 2 0
0 0 0 0
_

1

3
= 0
2
+ 2
3
= 0
= {(, 2, ) } .
(, 2, ) = (1, 2, 1) .
Logo, = { = (1, 2, 1)} gera . Como um conjunto formado por um unico vetor n ao
nulo e sempre L.I., ent ao e base para .
(b) >> A=[2,2,3,4;0,2,3,2;0,0,1,1;0,0,0,1]
>> B=A-x*eye(4)
[2-x, 2, 3, 4]
[ 0, 2-x, 3, 2]
[ 0, 0, 1-x, 1]
[ 0, 0, 0, 1-x]
>> solve(det(B))
ans = [2][2][1][1]
>> B1=subs(B,x,1)
1 2 3 4
0 1 3 2
0 0 0 1
0 0 0 0
1 0 -3 0 0
0 1 3 0 0
0 0 0 1 0
0 0 0 0 0
1
3
3
= 0
2
+ 3
3
= 0
4
= 0
Introduc ao ` a

= {(3, 3, , 0) } .
(3, 3, , 0) = (3, 3, 1, 0) .
Logo, = { = (3, 3, 1, 0)} gera . Como um conjunto formado por um unico vetor
n ao nulo e sempre L.I., ent ao e base para .
>> B2=subs(B,x,2)
0 2 3 4
0 0 3 2
0 0 -1 1
0 0 0 -1
0 1 0 0 0
0 0 1 0 0
0 0 0 1 0
0 0 0 0 0
2
= 0
3
= 0
4
= 0
= {(, 0, 0, 0) } .
(, 0, 0, 0) = (1, 0, 0, 0) .
Logo, = { = (1, 0, 0, 0)} gera . Como um conjunto formado por um unico vetor
n ao nulo e sempre L.I., ent ao e base para .
(c) >> A=[1,1,-2;-1,2,1;0,1,-1]
>> B=A-x*eye(3)
[1-x, 1, -2]
[ -1, 2-x, 1]
[ 0, 1, -1-x]
>> solve(det(B))
ans = [ 1][ 2][-1]
>> Bm1=subs(B,x,-1)
2 1 -2
-1 3 1
0 1 0
>> escalona([Bm1,zeros(3,1)])
1 0 -1 0
0 1 0 0
0 0 0 0
_

1
3
3
= 0
2
= 0
= {(, 0, ) } .
Introduc ao ` a

(, 0, ) = (1, 0, 1) .
>> B1=subs(B,x,1)
0 1 -2
-1 1 1
0 1 -2
1 0 -3 0
0 1 -2 0
0 0 0 0
_

1
3
3
= 0
2
2
3
= 0
= {(3, 2, ) } .
(3, 2, ) = (3, 2, 1) .
>> B2=subs(B,x,2)
-1 1 -2
-1 0 1
0 1 -3
1 0 -1 0
0 1 -3 0
0 0 0 0
_

1

3
= 0
2
3
3
= 0
= {(, 3, ) } .
(, 3, ) = (1, 3, 1) .
(d) >> A=[-1,2,2,0;-1,2,1,0;-1,1,2,0;0,0,0,1];
>> B=A-x*eye(4)
B =
[ -1-x, 2, 2, 0]
Introduc ao ` a

[ -1, 2-x, 1, 0]
[ -1, 1, 2-x, 0]
[ 0, 0, 0, 1-x]
>> solve(det(B))
ans = [ 1][ 1][ 1][ 1]
>> B1=subs(B,x,1);
>> escalona(B1)
[ -2, 2, 2, 0]
[ -1, 1, 1, 0]
[ -1, 1, 1, 0]
[ 0, 0, 0, 0]
eliminacao 1:
[ -1, 1, 1, 0]
[ -2, 2, 2, 0]
[ -1, 1, 1, 0]
[ 0, 0, 0, 0]
[ 1, -1, -1, 0]
[ -2, 2, 2, 0]
[ -1, 1, 1, 0]
[ 0, 0, 0, 0]
[ 1, -1, -1, 0]
[ 0, 0, 0, 0]
[ 0, 0, 0, 0]
[ 0, 0, 0, 0]
_

1

2

3
= 0
= {( + , , , ) , , } .
( +, , , ) = (0, 0, 0, 1) + (1, 0, 1, 0) + (1, 1, 0, 0).
Logo, = {
1
= (0, 0, 0, 1),
2
= (1, 0, 1, 0),
3
= ((1, 1, 0, 0)} gera . Como
(0, 0, 0, 0) = ( + , , , )
= (0, 0, 0, 1) + (1, 0, 1, 0) + (1, 1, 0, 0)
implica que = = = 0, ent ao e base para .
(e) >> A=[2,3,0;0,1,0;0,0,2]
>> B=A-x*eye(3)
B = [ 2-x, 3, 0]
[ 0, 1-x, 0]
[ 0, 0, 2-x]
>> solve(det(B))
[ 2] [ 2] [ 1]
Introduc ao ` a

>> B1=subs(B,x,1)
B1 = [ 1, 3 ,0]
[ 0, 0, 0]
[ 0, 0, 1]
_

1
+ 3
2
= 0
3
= 0
= {(3, , 0) } .
(3, , 0) = (3, 1, 0) .
>> B2=subs(B,x,2)
B2 =[ 0, 3, 0]
[ 0, -1, 0]
[ 0, 0, 0]
_
3
2
= 0
2
= 0
= {(, 0, ) , } .
(, 0, ) = (1, 0, 0) + (0, 0, 1) .
Logo, = {
1
= (1, 0, 0),
2
= (0, 0, 1)} gera . Como um vetor n ao e m ultiplo escalar
do outro, o conjunto e L.I. Assim, e base para .
(f) >> A=[2,3,0;0,2,0;0,0,2]
>> B=A-x*eye(3)
B =[ 2-x, 3, 0]
[ 0, 2-x, 0]
[ 0, 0, 2-x]
>> solve(det(B))
[ 2][ 2][ 2]
>> B2=subs(B,x,2)
B2 =[ 0, 3, 0]
[ 0, 0, 0]
[ 0, 0, 0]
_
3
2
= 0
= {(, 0, ) , } .
(, 0, ) = (1, 0, 0) + (0, 0, 1) .
Introduc ao ` a

Logo, = {
1
= (1, 0, 0),
2
= (0, 0, 1)} gera . Como um vetor n ao e m ultiplo escalar
do outro, o conjunto e L.I. Assim, e base para .
4.1.3. >> N1=[1,-7,5]; N2=[3,-1,1];
>> escalona([N1,0;N2,0])
[ 1, -7, 5, 0]
[ 3, -1, 1, 0]
eliminacao 1:
[ 1, -7, 5, 0]
[ 0, 20, -14, 0]
Continua ? (s/n) s
eliminacao 2:
(1/20)*linha 2 ==> linha 2
[ 1, -7, 5, 0]
[ 0, 1, -7/10, 0]
Continua ? (s/n) s
[ 1, 0, 1/10, 0]
[ 0, 1, -7/10, 0]
Fazendo = 10 obtemos que = 7 e = . Assim a reta intersec ao dos dois subespacos
e (, , ) = (1, 7, 10), para todo . Assim, { = (1, 7, 10)} e uma base para a reta.
4.1.4. (a) >> v1=[4,2,-3];v2=[2,1,-2];v3=[-2,-1,0];
>> escalona([v1;v2;v3;zeros(1,3)])
[ 4, 2, -2, 0]
[ 2, 1, -1, 0]
[ -3, -2, 0, 0]
eliminacao 1:
[ 1, 1/2, -1/2, 0]
[ 2, 1, -1, 0]
[ -3, -2, 0, 0]
[ 1, 1/2, -1/2, 0]
[ 0, 0, 0, 0]
[ 0, -1/2, -3/2, 0]
eliminacao 2:
[ 1, 1/2, -1/2, 0]
[ 0, -1/2, -3/2, 0]
[ 0, 0, 0, 0]
[ 1, 1/2, -1/2, 0]
[ 0, 1, 3, 0]
[ 0, 0, 0, 0]
[ 1, 0, -2, 0]
[ 0, 1, 3, 0]
[ 0, 0, 0, 0]
Introduc ao ` a

Os vetores
1
,
2
e
3
s ao L.D., pois a equac ao
1
+
2
+
3
=

0 admite soluc ao n ao
trivial.
(b) Os vetores
1
e
2
s ao L.I. pois um vetor n ao e m ultiplo escalar do outro.
(c) A dimens ao do subespaco gerado por
1
,
2
e
3
, e 2, pois, pelos itens anteriores,
1
e
2
formam uma base para ele.
(d) Este subespaco e um plano que passa pela origem paralelo aos vetores
1
e
2
.
4.1.5. (a) N ao, pois basta tomarmos um vetor que n ao est a no subespaco gerado por
1
e
2
(plano
que passa pela origem), que ele n ao ser a combinac ao linear de
1
e
2
.
(b) Para que
1
,
2
e
3
formem uma base de
3
basta que
1
,
2
e
3
sejam L.I. Para isso
3
= (, , ) deve ser um vetor que n ao seja combinac ao linear de
1
e
2
.
(c) >> V1=[2,1,3];V2=[2,6,4];
>> escalona([V1;V2])
[ 2, 1, 3]
[ 2, 6, 4]
eliminacao 1:
[ 1, 1/2, 3/2]
[ 2, 6, 4]
[ 1, 1/2, 3/2]
[ 0, 5, 1]
eliminacao 2:
[ 1, 1/2, 3/2]
[ 0, 1, 1/5]
[ 1, 0, 7/5]
[ 0, 1, 1/5]
Pela Proposic ao 4.9 (c) o subespaco gerado pelos vetores
1
e
2
e igual ao subespaco
gerado por
1
= (1, 0, 7/5) e
2
= (0, 1, 1/5) (as linhas da forma escalonada reduzida,
). Inserindo, por exemplo, a linha
3
= (0, 0, 1) na matriz ela continua escalonada
reduzida. Ent ao
3
n ao pertence ao subespaco gerado por
1
,
2
.
1
+
2
2
+
3
3
=

0
ent ao
3
=
1
2
o que implica que
3
= 0 e
1
= 0 e
2
= 0. Ou seja,
1
,
2
e
3
s ao L.I. Como a
dimens ao do
3
e igual a 3, ent ao pelo Teorema 4.2 na p agina 256
3
= (0, 0, 1), e tal
que
1
,
2
e
3
formam uma base de
3
.
4.1.6. Fazendo = e = na equac ao do plano obtemos que
= 2 4.
Assim, os pontos do plano + 2 + 4 = 0 s ao da forma
(, , ) = (2 4, , ), , ,
ou seja, s ao da forma
(, , ) = (4, 0, 1) + (2, 1, 0) =
1
+
2
, ,
Introduc ao ` a

em que
1
= (4, 0, 1) e
2
= (2, 1, 0).
Assim,
1
e
2
formam uma base do plano , pois s ao L.I. (um n ao e m ultiplo escalar do outro)
e geram (todo vetor de e combinac ao linear deles).
Para estender
1
e
2
a uma base de
3
, precisamos acrescentar um vetor que n ao seja
combinac ao linear de
1
e
2
. Uma maneira de se conseguir isso e tomar um vetor que n ao
pertenca ao plano, ou seja, um vetor (, , ) tal que +2+4 = 0. Por exemplo
3
= (1, 0, 0).
4.1.7. Devemos encontrar vetores que s ao s ao combinac oes lineares de
1
= (1, 2, 3) e
2
=
(1, 3, 4) e ao mesmo tempo sejam combinac ao lineares de
3
= (1, 2, 1) e
4
= (0, 1, 1), ou
seja, que satisfacam as equac oes
=
1
2
=
3
3
+
4
4
ou seja,
1
+
2
4
=

0
>> V1=[-1,2,3];V2=[1,3,4];V3=[1,2,-1];V4=[0,1,1];
>> escalona([V1,V2,-V3,-V4,zeros(3,1)])
[ -1, 1, -1, 0, 0]
[ 2, 3, -2, -1, 0]
[ 3, 4, 1, -1, 0]
eliminacao 1:
[ 1, -1, 1, 0, 0]
[ 2, 3, -2, -1, 0]
[ 3, 4, 1, -1, 0]
[ 1, -1, 1, 0, 0]
[ 0, 5, -4, -1, 0]
[ 0, 7, -2, -1, 0]
eliminacao 2:
[ 1, -1, 1, 0, 0]
[ 0, 1, -4/5, -1/5, 0]
[ 0, 7, -2, -1, 0]
[ 1, 0, 1/5, -1/5, 0]
[ 0, 1, -4/5, -1/5, 0]
[ 0, 0, 18/5, 2/5, 0]
eliminacao 3:
(5/18)*linha 3 ==> linha 3
[ 1, 0, 1/5, -1/5, 0]
[ 0, 1, -4/5, -1/5, 0]
[ 0, 0, 1, 1/9, 0]
(4/5)*linha 3 + linha 2 ==> linha 2
[ 1, 0, 0, -2/9, 0]
[ 0, 1, 0, -1/9, 0]
[ 0, 0, 1, 1/9, 0]
Introduc ao ` a

Fazendo
4
= 9, ent ao
3
= ,
2
= ,
1
= 2. Ou seja, =
1
1
+
2
2
= 2
1
+
2
=
2(1, 2, 3) + (1, 3, 4) = (, 7, 10) = (1, 7, 10) A reta intersec ao dos dois subespacos
e (, , ) = (1, 7, 10), para qualquer . Uma base para a reta e { = (1, 7, 10)}.
4.1.8. (a)
= (3 + 4 4, 2 4 6, 2 4 + 2)
= (3, 2, 2) + (4, 4, 4) + (4, 6, 2)
= (3, 2, 2) + (4, 4, 4) + (4, 6, 2).
Logo, denindo
1
= (3, 2, 2),
2
= (4, 4, 4) e
3
= (4, 6, 2), ent ao {
1
,
2
,
3
}
gera .
(b) >> V1=[3,2,-2];V2=[4,-4,-4];V3=[-4,-6,2];
>> escalona([V1;V2;V3])
[ 3, 4, -4]
[ 2, -4, -6]
[ -2, -4, 2]
eliminacao 1:
[ 1, 4/3, -4/3]
[ 2, -4, -6]
[ -2, -4, 2]
[ 1, 4/3, -4/3]
[ 0, -20/3, -10/3]
[ 0, -4/3, -2/3]
eliminacao 2:
(-3/20)*linha 2 ==> linha 2
[ 1, 4/3, -4/3]
[ 0, 1, 1/2]
[ 0, -4/3, -2/3]
(4/3)*linha 2 + linha 3 ==> linha 3
[ 1, 0, -2]
[ 0, 1, 1/2]
[ 0, 0, 0]
Como a terceira coluna da matriz escalonada reduzida equivalente a = [
1

2

3
] e
igual a soma de 2 vezes a primeira com 1/2 vezes a segunda, pela Proposic ao 4.9 (b) a
mesma relac ao vale para as colunas correspondentes da matriz , ou seja,
3
= 2
2
+
1
2
1
. Assim o vetor
3
pode ser descartado na gerac ao de , pois ele e combinac ao linear
dos outros dois. Logo, apenas
1
e
2
s ao sucientes para gerar . Como al em disso,
os vetores
1
e
2
s ao tais que um n ao e m ultiplo escalar do outro, ent ao eles s ao L.I. e
portanto {
1
,
2
} e uma base de .
4.1.9. (a) N ao pois s ao necess arios 4 vetores L.I. para se obter uma base de
4
(Teorema 4.2 na
p agina 256).
(b)
3
e
4
devem ser L.I. e n ao pertencerem ao subespaco gerado por
1
e
2
.
Introduc ao ` a

(c) Escalonando a matriz cujas linhas s ao os vetores
1
e
2
,
=
_
3 5 2 1
1 2 1 2
_
,
obtemos
=
_
1 0 1 12
0 1 1 7
_
Pela Proposic ao 4.9 (c) o subespaco gerado pelos vetores
1
e
2
(as linhas de ) e
igual ao subespaco gerado por
1
= (1, 0, 1, 12) e
2
= (0, 1, 1, 7) (as linhas de
). Vamos inserir linhas na matriz at e conseguir uma matriz 4 4 de forma que ela
continue escalonada reduzida. Por exemplo, podemos obter a matriz
1 0 1 12
0 1 1 7
0 0 1 0
0 0 0 1
Sejam
3
= (0, 0, 1, 0) e
4
= (0, 0, 0, 1). Vamos vericar que
1
= (3, 5, 2, 1),
2
= (1, 2, 1, 2),
3
= (0, 0, 1, 0) e
4
= (0, 0, 0, 1)
s ao L.I.
1
+
2
2
+
3
3
+
4
4
=

0
implica que
1
+
2
2
=
3
4
Como
3
e
4
n ao pertencemao subespaco gerado por
1
e
2
que e o mesmo subespaco
gerado por
1
e
2
, ent ao
1
+
2
2
=

0 e
3
4
=

0
como {
1
,
2
} e L.I. assim como {
3
,
4
} ent ao
1
=
2
=
3
=
4
= 0. Logo
{
1
,
2
,
3
,
4
} e L.I. Assim pelo Teorema 4.2 na p agina 256
1
,
2
,
3
,
4
formam uma
base de
4
.
4.1.10. >> A=triu(randi(4,4,3))
A = -1 -2 1 1
0 2 -2 -2
0 0 -1 2
0 0 0 0
>> B=A-x*eye(4)
B =
[ -1-x, -2, 1, 1]
[ 0, 2-x, -2, -2]
[ 0, 0, -1-x, 2]
[ 0, 0, 0, -x]
>> solve(det(B))
[ -1][ -1][ 2][ 0]
>> Bm1=subs(B,x,-1)
Bm1 =
[ 0, -2, 1, 1]
[ 0, 3, -2, -2]
Introduc ao ` a

[ 0, 0, 0, 2]
[ 0, 0, 0, 1]
>> escalona(Bm1)
[ 0, 1, 0, 0]
[ 0, 0, 1, 0]
[ 0, 0, 0, 1]
[ 0, 0, 0, 0]
2
= 0
3
= 0
4
= 0
= {(, 0, 0, 0) } .
(, 0, 0, 0) = (1, 0, 0, 0) .
Logo, = { = (1, 0, 0, 0)} gera . Como um conjunto formado por um unico vetor n ao nulo
e sempre L.I., ent ao e base para .
>> B2=subs(B,x,2)
B2 =
[ -3, -2, 1, 1]
[ 0, 0, -2, -2]
[ 0, 0, -3, 2]
[ 0, 0, 0, -2]
>> escalona(B2)
[ 1, 2/3, 0, 0]
[ 0, 0, 1, 0]
[ 0, 0, 0, 1]
[ 0, 0, 0, 0]
1
+ 2/3
2
= 0
3
= 0
4
= 0
= {(2, 3, 0, 0) } .
(2, 3, 0, 0) = (2, 3, 0, 0) .
Logo, = { = (2, 3, 0, 0)} gera . Como um conjunto formado por um unico vetor n ao
>> B0=subs(B,x,0)
B0 =
[ -1, -2, 1, 1]
Introduc ao ` a

[ 0, 2, -2, -2]
[ 0, 0, -1, 2]
[ 0, 0, 0, 0]
>> escalona(B0)
[ 1, 0, 0, 3]
[ 0, 1, 0, -3]
[ 0, 0, 1, -2]
[ 0, 0, 0, 0]
1
3
4
= 0
2
3
4
= 0
3
2
4
= 0
= {(3, 3, 2, ) } .
(3, 3, 2, ) =
(3, 3, 2, 1) .
Logo, = { = (3, 3, 2, 1)} gera . Como um conjunto formado por um unico vetor n ao
4.2. Espac o Linha e Espac o Coluna (p agina 290)
4.2.1. (a) >> A=[1,4,5,2;2,1,3,0;-1,3,2,2];
>> escalona(A)
[ 1, 0, 1, -2/7]
[ 0, 1, 1, 4/7]
[ 0, 0, 0, 0]
1
= (1, 0, 1, 2/7),
2
= (0, 1, 1, 4/7) formam uma base para o espaco linha e
1
=
(1, 2, 1),
2
= (4, 1, 3) formam uma base para o espaco coluna de .
(b) >> A=[1,-4,-5,4;-1,4,4,-5;0,0,2,0];
>> escalona(A)
[ 1, -4, 0, 0]
[ 0, 0, 1, 0]
[ 0, 0, 0, 1]
1
= (1, 4, 0, 0),
2
= (0, 0, 1, 0),
3
= (0, 0, 0, 1) formam uma base para o espaco
linha de e
1
= (1, 1, 0),
2
= (5, 4, 2),
3
= (4, 5, 0) formam uma base para
o espaco coluna de .
4.2.2. (a) >> A=[1,-2,2;2,-2,4;-3,3,6];
>> escalona(A)
[ 1, 0, 2]
[ 0, 1, 0]
[ 0, 0, 12]
A dimens ao e 3, ou seja, o subespaco e o
3
.
(b) >> A=[1,-3,4;6,2,-1;2,-2,3;-4,-8,9].
>> escalona(A)
Introduc ao ` a

[ 1, 0, 4/5, 2]
[ 0, 1, 1/5, -1]
[ 0, 0, 0, 0]
A dimens ao e 2.
4.2.3. (a) >> A=[1,2,2,3,1,4;2,4,5,5,4,9;3,6,7,8,5,9]
>> U=escalona(A)
U=[ 1, 2, 0, 5, -3, 0]
[ 0, 0, 1, -1, 2, 0]
[ 0, 0, 0, 0, 0, 1]
As colunas
2
,
4
e
5
correspondem ` as vari aveis livres.
2
= 2
1
,
4
= 5
1
3
,
5
=
3
1
+ 2
3
.
(b) As colunas
1
,
3
e
6
formam uma base para o espaco coluna de .
2
= 2
1
,
4
=
5
1
3
,
5
= 3
1
+ 2
3
.
4.2.4. (a) O posto e 2, pois as duas linhas s ao L.I.
(b) O posto e 1, pois as duas linhas s ao L.D.
(c) O posto e 2, pois o determinante da matriz e igual a zero e existem pelo menos duas linhas
L.I.
(d) O posto e 3, pois o determinante da submatriz formada pelas primeiras tr es colunas da
matriz e diferente de zero.
4.2.5. (a) >> syms t; A=[1,1,t;1,t,1;t,1,1]
>> escalona(A)
[ 1, 1, t]
[ 0, t-1, 1-t]
[ 0, 1-t, 1-t2]
Continua? s
[ 1, 0, t+1]
[ 0, 1, -1]
[ 0, 0, -t2-t+2]
Se = 1, ent ao o posto de e igual a 1. Se = 1, ent ao o posto de e igual a 2 ou 3.
Se al em disso,
2
+ 2 = ( + 2)( 1) = 0, ent ao o posto de e igual a 2, ou
seja, o posto de e igual a 2, se = 2 e e igual a 3, se = 1, 2.
(b) >> A=[t,3,-1;3,6,-2;-1,-3,-t]
>> escalona(A);
[ 1, 0, -2*t-2]
[ 0, 1, 2/3+t]
[ 0, 0, -3+2*t2-t]
O posto de e igual a 2, se 2
2
3 = 0, ou seja, se = 1, 3/2. Caso contr ario, o
posto de e igual a 3.
4.2.6. (a) posto() 2 e nulidade() 1.
(b) posto() 2 e nulidade() 0.
(c) posto() 3 e nulidade() 0.
(d) posto() min{, } e nulidade() min{, }.
4.2.7. (a) Se posto() = posto([]) = 2, ent ao o sistema = tem soluc ao unica. Se
posto() = posto([]) = 1, ent ao o sistema = tem innitas soluc oes. Se
posto() = 1 e posto([]) = 2, ent ao o sistema = n ao tem soluc ao.
Introduc ao ` a

(b) Em nenhuma hip otese o sistema = tem soluc ao unica. Se posto() =
posto([]) = 1, 2, ent ao o sistema = tem innitas soluc oes. Se posto() = 1
e posto([]) = 2, 3, ent ao o sistema = n ao tem soluc ao.
(c) Se posto() = posto([]) = 3, ent ao o sistema = tem soluc ao unica. Se
posto() = posto([]) = 1, 2, ent ao o sistema = tem innitas soluc oes. Se
posto() = 1 e posto([]) = 2, 3 ou se posto() = 2 e posto([]) = 3, ent ao o
sistema = n ao tem soluc ao.
(d) Se posto() = posto([]) = , ent ao o sistema = tem soluc ao unica. Se
posto() = posto([]) = 1, . . . , 1, ent ao o sistema = tem innitas
soluc oes. Se posto() = e posto([]) > , para = 1, . . . , 1, ent ao o sis-
tema = n ao tem soluc ao.
4.3. Espac os Vetoriais (p agina 309)
4.3.1. A equac ao 3 2 = 15( ) e equivalente a 3 2 = 15 15. Somando-se
15 + 2 obtemos 15 + 3 = 2 15 ou 12 = 2 15 multiplicando-se por
1
12
obtemos
=
5
4

1
6
.
4.3.2. Multiplicando-se a segunda equac ao por 2 e somando-se a primeira, obtemos 12 = 3 +2
ou =
1
4
+
1
6
. Substituindo-se na primeira equac ao obtemos,
3
2
+ 2 = ou
2 =
1
2
+ ou =
1
4
+
1
2
.
4.3.3. Vamos vericar que existem escalares e tais que
2
+ 2 + 7 = (
2
+ 1) + ( + 3) =
2
+ + ( + 3)
que e equivalente ao sistema
= 1
= 2
+ 3 = 7
que tem soluc ao = 1 e = 2.
4.3.4. Vamos vericar que existem escalares e tais que 3 = (5 tan
2
) + 2 sec
2
= 5(sec
2

1) + 2 sec
2
= 5 + (5 + 2) sec
2
. Basta tomarmos escalares e tais que 3 = 5 e
5 + 2 = 0, ou seja, basta que = 3/5 e = 3/2.
4.3.5. >> x1=[4,2,-3];x2=[2,1,-2];x3=[-2,-1,0];
>> x=[1,1,1];
>> A=[x1;x2;x3;x].
4 2 -2 1
2 1 -1 1
-3 -2 0 1
>> R=escalona(A)
1 0 -2 0
0 1 3 0
0 0 0 1
>> x=[4,2,-6];
>> A=[x1;x2;x3;x].
4 2 -2 4
2 1 -1 2
-3 -2 0 -6
>> R=escalona(A)
Introduc ao ` a

1 0 -2 -2
0 1 3 6
0 0 0 0
>> x=[-2,-1,1];
>> A=[x1;x2;x3;x].
4 2 -2 -2
2 1 -1 -1
-3 -2 0 1
>> R=escalona(A)
1 0 -2 -1
0 1 3 1
0 0 0 0
>> x=[-1,2,3];
>> A=[x1;x2;x3;x].
4 2 -2 -1
2 1 -1 2
-3 -2 0 3
>> R=escalona(A)
1 0 -2 0
0 1 3 0
0 0 0 1
Assim, os vetores das letras (b) e (c) s ao combinac ao linear de
1
,
2
e
3
.
4.3.6. (a) N ao e espaco vetorial pois 1(1, 1) = (1, 0) = (1, 1), ou seja, o axioma (8) n ao e satisfeito.
(b) N ao e espaco vetorial pois (1, 1) + (2, 2) = (5, 5) = (2, 2) + (1, 1) = (4, 4), ou seja, o
axioma (1) n ao e satisfeito.
(c) N ao e espaco vetorial pois (0, 1) + ((0, 2) + 0, 3)) = (0, 1) + (5, 0) = (1, 5) = ((0, 1) +
(0, 2)) + (0, 3) = (3, 0) + (0, 3) = (3, 3)
(d)

E espaco vetorial, pois:
i. + = = = + ;
ii. + ( +) = () = () = ( + ) + ;
iii. Se

0 = 1, ent ao = 1 =

0 + = +

0;
iv. Se =
1
, ent ao () + = + () =
1
= 1 =

0;
v. () = (
) = (
= ();
vi. ( + ) = ()
= + ;
vii. ( + ) =
(+)
=
= + ;
viii. 1 =
1
= .
4.3.7. (1) ( + )() = () +() = () +() = ( + )(), para todo ;
(2) [ +( +)]() = () +( +)() = () +(() +()) = (() +()) +() =
( + )() + () = [( + ) +](), para todo ;
(3) Seja

0 a func ao identicamente nula. ( +

0)() = () +

0() = (), para todo ;
(4) Dada a func ao denimos a func ao por ()() = (), para todo . [ +
()]() = () + (() = 0 =

0(), para todo ;
(5) [()]() = ()() = (()) = ()() = [()](), para todo ;
(6) [( +)]() = ( +)() = (()+()) = ()+() = ()()+()() =
( + )(), para todo ;
Introduc ao ` a

Captulo 5. Ortogonalidade 591
(7) [( +)]() = ( +)() = () +() = ()() + ()() = [ +](),
para todo ;
(8) (1)() = 1() = (), para todo ;
5.1. Produto Escalar em
(p agina 326)
5.1.1. >> syms a
>> x=[1,1,-2];y=[a,-1,2];
>> solve(pe(x,y))
ans = 5
5.1.2. >> syms a b
>> x=[1/2(1/2),0,1/2(1/2)];y=[a,1/2(1/2),-b];
>> sol=solve(pe(x,y),no(y)-1)
sol =
a: [2x1 sym]
b: [2x1 sym]
>> sol.a, sol.b
ans = [ 1/2] [ -1/2] ans = [ 1/2] [ -1/2]
5.1.3. >> v1=[1,1,-1,0];v2=[0,2,0,1];v3=[-1,0,0,1];
>> w1=v1; w2=v2-proj(w1,v2)
w2 = [-2/3, 4/3, 2/3, 1]
>> w3=v3-proj(w1,v3)-proj(w2,v3)
w3 = [-4/11, -3/11, -7/11, 6/11]
>> u1=w1/no(w1),u2=w2/no(w2),u3=w3/no(w3)
1
=
_
1
3
3
1
3
3
1
3
3 0
2 =
_

2
33
11
3
4
33
11
3
2
33
11
3
1
11
11
3 =
_

2
55
110
3
110
110
7
110
110
3
55
110
5.1.4. >> v1=[1,1,1];v2=[0,1,1];v3=[1,2,3];

>> w1=v1; w2=v2-proj(w1,v2)
w2 = [-2/3, 1/3, 1/3]
w3 = [0, -1/2, 1/2]
1
=
_
1
3
3
1
3
3
1
3
2
=
_

1
3
3
1
6
3
1
6
3
=
_
0
1
2
2
1
2
5.1.5. Este subespaco consiste dos vetores da forma:

( , , ) = (, 0, ) + (, , 0)
= (1, 0, 1) + (1, 1, 0)
>> v1=[-1,0,1];v2=[-1,1,0];
>> w1=v1; w2=v2-proj(w1,v2);
>> u1=w1/no(w1), u2=w2/no(w2)
Introduc ao ` a

1
=
_

1
2
2 0
1
2
2
=
_

1
6
2
1
3
2
1
6

( + 2 + , , , ) =
(, 0, 0, ) + (2, 0, , 0) + (, , 0, 0) =
(1, 0, 0, 1) +(2, 0, 1, 0) +(1, 1, 0, 0)
>> v1=[-1,0,0,1];v2=[2,0,1,0];v3=[1,1,0,0];
>> w1=v1; w2=v2-proj(w1,v2);
>> w3=v3-proj(w1,v3)-proj(w2,v3);
>> u1=w1/no(w1), u2=w2/no(w2), u3=w3/no(w3)
1
=
_

1
2
2 0 0
1
2
2
=
_
1
3
3 0
1
3
3
1
3
3
=
_
1
42
42
1
7
42
1
21
42
1
42
42
5.1.7. >> A=[1,1,-1,0;2,1,2,0];

>> escalona(A)
1 0 3 0
0 1 -4 0
_

1
+ 3
3
= 0
2
4
3
= 0
= {(3, 4, ) } .
(3, 4, ) = (3, 4, 1) .
Logo, = { = (3, 4, 1)} gera . Como um conjunto formado por um unico vetor n ao nulo
>> v=[-3,4,1];
>> u=v/no(v)
=
_

3
26
26
2
13
26
1
26
26
5.1.8. >> V1=[1,2,-3]; P1=[0,0,0];

>> V2=[2,4,-6]; P2=[0,1,2];
>> pv(V1,V2)
ans = 0 0 0
>> syms x y z; X=[x,y,z];
>> M=[X-P1;V1;P2-P1], expr=det(M)
Introduc ao ` a

M =[ x, y, z]
[ 1, 2, -3]
[ 0, 1, 2] expr = 7*x-2*y+z
Como o produto vetorial de
1
e
2
(os dois vetores diretores das retas) e igual ao vetor nulo,
ent ao as retas s ao paralelas. Neste caso, os vetores
1
e
2
s ao n ao colineares e paralelos
ao plano procurado. Assim, 7 2 + = 0 e a equac ao do plano, que passa pela origem,
logo e um subespaco. Este subespaco consiste dos vetores da forma:
(, , 7 + 2) = (, 0, 7) + (0, , 2)
= (1, 0, 7) + (0, 1, 2)
>> V1=[1,0,-7];V2=[0,1,2];
>> W1=V1; W2=V2-proj(W1,V2)
W2 =[ 7/25, 1, 1/25]
>> U1=W1/no(W1), U2=W2/no(W2)
1
=
_
1/10
2 0
7
10
2
=
_
7
45
3 5/9
3 1/45
Para completarmos a uma base ortonormal de

3
, basta acrescentarmos
3
=
1
2
.
>> U3=pv(U1,U2)
3
=
_
7
18
3 1/9
3 1/18

5.2. Subespac os Ortogonais (p agina 345)
5.2.1. >> v1=[1,1,-1,0];v2=[0,2,0,1];v3=[-1,0,0,1];
>> w1=v1; w2=v2-proj(w1,v2)
w2 = [-2/3, 4/3, 2/3, 1]
w3 = [-4/11, -3/11, -7/11, 6/11]
1
=
_
1
3
3
1
3
3
1
3
3 0
2 =
_

2
33
11
3
4
33
11
3
2
33
11
3
1
11
11
3 =
_

2
55
110
3
110
110
7
110
110
3
55
110
5.2.2. >> v1=[1,1,1];v2=[0,1,1];v3=[1,2,3];

>> w1=v1; w2=v2-proj(w1,v2)
w2 = [-2/3, 1/3, 1/3]
w3 = [0, -1/2, 1/2]
1
=
_
1
3
3
1
3
3
1
3
2
=
_

1
3
3
1
6
3
1
6
3
=
_
0
1
2
2
1
2
Introduc ao ` a

( , , ) = (, 0, ) + (, , 0)
= (1, 0, 1) + (1, 1, 0)
>> v1=[-1,0,1];v2=[-1,1,0];
>> w1=v1; w2=v2-proj(w1,v2);
>> u1=w1/no(w1), u2=w2/no(w2)
1
=
_

1
2
2 0
1
2
2
=
_

1
6
2
1
3
2
1
6

( + 2 + , , , ) =
(, 0, 0, ) + (2, 0, , 0) + (, , 0, 0) =
(1, 0, 0, 1) +(2, 0, 1, 0) +(1, 1, 0, 0)
>> v1=[-1,0,0,1];v2=[2,0,1,0];v3=[1,1,0,0];
>> w1=v1; w2=v2-proj(w1,v2);
>> w3=v3-proj(w1,v3)-proj(w2,v3);
>> u1=w1/no(w1), u2=w2/no(w2), u3=w3/no(w3)
1
=
_

1
2
2 0 0
1
2
2
=
_
1
3
3 0
1
3
3
1
3
3
=
_
1
42
42
1
7
42
1
21
42
1
42
42
5.2.5. >> A=[1,1,-1,0;2,1,2,0];

>> escalona(A)
1 0 3 0
0 1 -4 0
_

1
+ 3
3
= 0
2
4
3
= 0
= {(3, 4, ) } .
(3, 4, ) = (3, 4, 1) .
Logo, = { = (3, 4, 1)} gera . Como um conjunto formado por um unico vetor n ao nulo
>> v=[-3,4,1];
>> u=v/no(v)
Introduc ao ` a

=
_

3
26
26
2
13
26
1
26
26
5.2.6. >> V1=[1,2,-3]; P1=[0,0,0];

>> V2=[2,4,-6]; P2=[0,1,2];
>> pv(V1,V2)
ans = 0 0 0
>> syms x y z; X=[x,y,z];
>> M=[X-P1;V1;P2-P1], expr=det(M)
M =[ x, y, z]
[ 1, 2, -3]
[ 0, 1, 2] expr = 7*x-2*y+z
Como o produto vetorial de
1
e
2
(os dois vetores diretores das retas) e igual ao vetor nulo,
ent ao as retas s ao paralelas. Neste caso, os vetores
1
e
2
s ao n ao colineares e paralelos
ao plano procurado. Assim, 7 2 + = 0 e a equac ao do plano, que passa pela origem,
logo e um subespaco. Este subespaco consiste dos vetores da forma:
(, , 7 + 2) = (, 0, 7) + (0, , 2)
= (1, 0, 7) + (0, 1, 2)
>> V1=[1,0,-7];V2=[0,1,2];
>> W1=V1; W2=V2-proj(W1,V2)
W2 =[ 7/25, 1, 1/25]
>> U1=W1/no(W1), U2=W2/no(W2)
1
=
_
1/10
2 0
7
10
2
=
_
7
45
3 5/9
3 1/45
Para completarmos a uma base ortonormal de

3
, basta acrescentarmos
3
=
1
2
.
>> U3=pv(U1,U2)
3
=
_
7
18
3 1/9
3 1/18
5.2.7. >> syms x y z d

>> expr1=2*x+2*y+2*z+d;
>> P1=[0,0,-d/2]; N=[2,2,2]; P=[1,1,1];
>> expr2=abs(pe(P-P1,N))/no(N)
expr2 = 1/6 6 +
3
>> solve(expr2-sqrt(3),d)
ans = [ 0][ -12]
Os planos 2 + 2 + 2 = 0 e 2 + 2 + 2 12 = 0 satisfazem as condic oes do exerccio.
Apenas o primeiro plano e um subespaco. Este subespaco consiste dos vetores da forma:
(, , ) = (, 0, ) + (0, , )
= (1, 0, 1) + (0, 1, 1)
Introduc ao ` a

>> V1=[1,0,-1];V2=[0,1,-1];
>> W1=V1; W2=V2-proj(W1,V2)
W2 = [ -1/2, 1, -1/2]
>> U1=W1/no(W1), U2=W2/no(W2)
1
=
_
1/2
2 0 1/2
2
=
_
1/6
2 1/3
2 1/6
.
5.3. Mudanc a de Coordenadas (p agina 367)
5.3.1. (a) >> v1=sym([1/sqrt(2),-1/sqrt(2)]);
>> v2=sym([1/sqrt(2),1/sqrt(2)]);
>> p=[1,3];
>> A=[v1;v2;p].
>> escalona(A)
[1, 0, -2(1/2)]
[0, 1, 2*2(1/2)]
Assim, as coordenadas de em relac ao ao sistema s ao:
_

2
2
2
_
(b) >> v1=sym([1/sqrt(2),-1/sqrt(2),0]);
>> v2=sym([0,0,1]);
>> v3=sym([1/sqrt(2),1/sqrt(2),0]);
>> p=[2,-1,2]; A=[v1;v2;v3;p].;
>> escalona(A)
[ 1, 0, 0, 3/2*2(1/2)]
[ 0, 1, 0, 2]
[ 0, 0, 1, 1/2*2(1/2)]
Assim, as coordenadas de em relac ao ao sistema s ao:
2/2
2
2/2
5.3.2. (a) >> v1=sym([-1/sqrt(2),1/sqrt(2)]);

>> v2=sym([1/sqrt(2),1/sqrt(2)]);
>> v=2*v1+v2
_

2/2 3
2/2
(b) >> v1=sym([0,1/sqrt(2),-1/sqrt(2)]);

>> v2=sym([1,0,0]);
>> v3=sym([0,1/sqrt(2),1/sqrt(2)]);
>> v=-v1+v2+2*v3
v = 3 1 3
_
1
2/2 3
2/2
5.3.3. As coordenadas de
1
,
2
e
3
em relac ao ao sistema = {,
1
,
2
,
3
}
Introduc ao ` a

s ao dadas por
1
0
0
0
1
0
0
0
1
, respectivamente. Assim,
1
=
1 0 0
0 1/2
3/2
0
3/2 1/2
1
0
0
1
0
0
,
2
=
1 0 0
0 1/2
3/2
0
3/2 1/2
0
1
0
0
1/2
3/2
e
3
=
1 0 0
0 1/2
3/2
0
3/2 1/2
0
0
1
3/2
1/2
5.3.4. >> p=sym([sqrt(3),1]).; pr=sym([sqrt(3),-1]).;

>> A=[cos(th),-sin(th);sin(th),cos(th)];
>> expr=A*pr-p
expr = [ cos(th)*3(1/2)+sin(th)-3(1/2)]
[ sin(th)*3(1/2)-cos(th)-1]
>> solve(expr(1,1),expr(2,1),th)
ans = 1/3*pi
A rotac ao e de /3.
6.1. Denic ao, Exemplos e Propriedades (p agina 381)
6.1.1. (a) >> V1=[1;1];V2=[0;1]; A=[V1,V2];
>> escalona([A,[3;-2]])
[ 1, 0, 3]
[ 0, 1, -5]
(3, 2) = 3
1
5
2
. Assim, (3, 2) = 3(
1
) 5(
2
) = 3(2, 3) 5(1, 2) =
(1, 19).
(b) >> syms a b
>> escalona([A,[a;b]])
[ 1, 0, a]
[ 0, 1, b-a]
(, ) =
1
+ ( )
2
. Assim, (, ) = (
1
) + ( )(
2
) = (2, 3) + (
)(1, 2) = ( + , 5 + 2).
6.1.2. >> V1=[1;1];V2=[0;-2]; A=[V1,V2];
>> escalona([A,[1;0],[0;1]])
[ 1, 0, 1, 0]
[ 0, 1, 1/2, -1/2]
(1, 0) =
1
+ 1/2
2
e (0, 1) = 1/2
2
. Assim, (1, 0) = (
1
) + 1/2(
2
) = (3, 2, 1) +
1/2(0, 1, 0) = (3, 5/2, 1) e (0, 1) = 1/2(
2
) = 1/2(0, 1, 0) = (0, 1/2, 0).
6.1.3.
(, , ) = (, , 0),
(, , ) = (0, , ) e
(, , ) = (, 0, ).
6.1.4. (a)
(, , ) = (, , )
(1,2,3)
(, , ) =
1
14
(13 2 3, 2 + 10 6, 3
6 + 5).
Introduc ao ` a

Captulo 6. Transformac oes Lineares 605
(b)
(, , ) = 2
(, , ) (, , ) = (, , ) 2
(1,2,3)
(, , ) = 1/7(6 2
3, 3 2 6, 2 3 6).
6.1.5.
/3,
(
1
) =
1
,
/3,
(
2
) = 1/2
2
+
3/2
3
,
/3,
(
3
) =
3/2
2
+1/2
3
. Portanto,
/3,
1 0 0
0 1/2
3/2
0
3/2 1/2
/3,
(
2
) =
2
,
/3,
(
1
) = 1/2
1

3/2
3
,
/3,
(
3
) =
3/2
1
+ 1/2
3
. Portanto,
/3,
1/2 0
3/2
0 1 0
3/2 0 1/2
/3,
(
3
) =
3
,
/3,
(
1
) = 1/2
1
+
3/2
2
,
/3,
(
2
) =
3/2
1
+1/2
2
. Portanto,
/3,
1/2
3/2 0
3/2 1/2 0
0 0 1
.
6.1.6. (a)
(, , ) = proj
(1,1,1)
(, , ) =
(,,),(1,1,1)
(1,1,1)
2
=
++
3
(1, 1, 1) =
(
++
3
,
++
3
,
++
3
).
(b)
(, , ) = 2proj
(1,1,0)
(, , ) (, , ) = 2(
++
3
,
++
3
,
++
3
) (, , ) =
(
+2+2
3
,
2+2
3
,
2+2
3
).
6.1.7. Sejam = (5, 0) e = (3, 4). O eixo da reex ao e uma reta , perpendicular ao vetor
= (2, 4) que passa pelo ponto m edio, =

+
2
= (4, 2). Assim, o eixo e uma reta de
equac ao 2 + 4 + = 0. Substituindo-se o ponto na equac ao da reta e 2 + 4 = 0.
(5, 0) = (3, 4) e
(4, 2) = (4, 2).

>> V1=[5;0];V2=[4;2]; A=[V1,V2];
>> escalona([A,[1;0],[0;1]])
[ 1, 0, 1/5, -2/5]
[ 0, 1, 0, 1/2]
Assim,
(1, 0) = 1/5
(5, 0) = 1/5(3, 4) = (3/5, 4/5) e
(0, 1) = 2/5
(5, 0) +
1/2
(4, 2) = 2/5(3, 4) + 1/2(4, 2) = (4/5, 3/5). A matriz de
em relac ao ` a base
can onica e [
=
_
3/5 4/5
4/5 3/5
_
.
6.2. A Imagem e o N ucleo (p agina 399)
6.2.1. Esta transformac ao e a projec ao no plano . Se a imagem da reta e um ponto, ent ao a
reta e perpendicular ao plano . Assim, as equac oes param etricas da reta s ao da forma
=
0
, =
0
, =
0
+, , em que (
0
,
0
,
0
) = .
6.2.2. (a) Seja = {
1
,
2
,
3
} a base can onica. () = [(
1
)(
2
)(
3
)] =
0 0 1
1 1 0
0 0 1
.
A=[0,0,1;1,-1,0;0,0,-1];
>> escalona(A)
[ 1, -1, 0]
Introduc ao ` a

[ 0, 0, 1]
[ 0, 0, 0]
() = {(1, 1, 0) }. {(1, 1, 0)} e base para o n ucleo de , pois e L.I. e gera o
n ucleo de .
(b) A imagem de e gerada por (
1
), (
2
) e (
3
), ou seja, pelas colunas da matriz
[]
. As colunas associadas aos piv os (primeira e terceira) s ao L.I. Assim, (0, 1, 0) e

(1, 0, 1) formam uma base para a imagem de .
(c) O n ucleo de e uma reta que passa pela origem e tem vetor diretor (1, 1, 0) e a imagem
de e o plano que passa pela origem que e paralelo aos vetores (0, 1, 0) e (1, 0, 1).
6.2.3. (a) = dim(()) + dim(()) = 2 + 5 = 7.
(b) = dim(()) + dim(()) = 0 + 5 = 5.
6.2.4. (a) () = {(, , ) , }. {(1, 0, 1), (0, 1, 0)} e uma base para o n ucleo de .
Seja uma transformac ao linear tal que (1, 0, 1) = (0, 0, 0), (0, 1, 0) = (0, 0, 0).
Seja um vetor que n ao pertence ao espaco gerado por (1, 0, 1) e (0, 1, 0). Dena
( ) = , onde = (0, 0, 0). Por exemplo, tomando = (1, 0, 0) e (1, 0, 0) =
(1, 0, 0). A transformac ao est a totalmente caracterizada por seus valores em uma base
do domnio.
(b) () = {(, , ) , }. {(1, 1, 0), (0, 0, 1)} e uma base para a imagem de . Seja
uma transformac ao linear tal que (
1
) = (1, 1, 0), (
2
) = (0, 0, 1). Seja um
vetor que pertence ao espaco gerado por (1, 1, 0) e (0, 0, 1). Dena (
3
) = . Por
exemplo: =

0, ent ao (
3
) =

0. A transformac ao est a totalmente caracterizada por
seus valores em uma base do domnio.
6.2.5. Seja {
1
,
2
} uma base de
2
. Dena (
1
) =

0 e (
2
) =
1
. Ex.: (1, 0) = (0, 0) e
(0, 1) = (1, 0).
6.3. Composic ao de Transformac oes Lineares (p agina 417)
6.3.1. Seja = {
1
,
2
} a base can onica de
2
. Como = []
=
_
1 1
1 2
_
, = []
=
[(
1
)(
2
)] =
_
2 1
1 3
_
e
1
=
_
2 1
1 1
_
. Ent ao, []
= []
[]
[]
=
1
=
_
8 13
5 9
_
.
6.3.2. (a) = []
1 1 0
0 2 2
0 0 1
.
(b) = []
= []
[]
[]
=
1
. Multiplicando-se ` a esquerda por , = .
Seja = [
1
3
]. Para encontrar basta resolvermos os sistemas lineares
1
=
,
2
= ,
3
= que podem ser resolvidos simultaneamente escalonando a
matriz aumentada [].
>> A=[3,-1,-2;0,0,-2;0,0,-1];
>> P=[1,1,0;0,2,-2;0,0,1];
>> escalona([P,A*P])
[ 1, 1, 0, 3, 1, 0]
[ 0, 2, -2, 0, 0, -2]
[ 0, 0, 1, 0, 0, -1]
eliminacao 2:
Introduc ao ` a

[ 1, 1, 0, 3, 1, 0]
[ 0, 1, -1, 0, 0, -1]
[ 0, 0, 1, 0, 0, -1]
[ 1, 0, 1, 3, 1, 1]
[ 0, 1, -1, 0, 0, -1]
[ 0, 0, 1, 0, 0, -1]
eliminacao 3:
[ 1, 0, 0, 3, 1, 2]
[ 0, 1, 0, 0, 0, -2]
[ 0, 0, 1, 0, 0, -1]
Assim, = [
1
3
] =
3 1 2
0 0 2
0 0 1
.
6.3.3. (a)
(
1
) =
1
= 1
1
+ 0
2
+ 0
3
,
(
2
) =

0 = 0
1
+ 0
2
+ 0
3
e
(
3
) =

0 = 0
1
+ 0
2
+ 0
3
.
Assim, [
1 0 0
0 0 0
0 0 0
.
Seja = []
3/3
6/3 0
3/3
6/6
2/2
3/3
6/3
2/2
(
1
) = proj
(1,1,1)
1
=

1
,(1,1,1)
(1,1,1)
2
(1, 1, 1) = (1/3, 1/3, 1/3) = 1/3
1
+1/3
2
+1/3
3
(
2
) = proj
(1,1,1)
2
=

2
,(1,1,1)
(1,1,1)
2
(1, 1, 1) = (1/3, 1/3, 1/3) = 1/3
1
+1/3
2
+1/3
3
(
3
) = proj
(1,1,1)
3
=

3
,(1,1,1)
(1,1,1)
2
(1, 1, 1) = (1/3, 1/3, 1/3) = 1/3
1
+1/3
2
+1/3
3
Assim,
[
1/3 1/3 1/3

1/3 1/3 1/3
1/3 1/3 1/3
.
(b)
(
1
) =
1
= 1
1
+ 0
2
+ 0
3
,
(
2
) =
2
= 0
1
1
2
+ 0
3
e
(
3
) =
3
= 0
1
+ 0
2
1
3
.
Assim, [
1 0 0
0 1 0
0 0 1
(
1
) = 2proj
(1,1,1)
1

1
= 2
1
,(1,1,1)
(1,1,1)
2
(1, 1, 1) (1, 0, 0) = (1/3, 2/3, 2/3) =
1/3
1
+ 2/3
2
+ 2/3
3
(
2
) = 2proj
(1,1,1)
2

2
= 2
2
,(1,1,1)
(1,1,1)
2
(1, 1, 1) (0, 1, 0) = (2/3, 1/3, 2/3) =
2/3
1
1/3
2
+ 2/3
3
(
3
) = 2proj
(1,1,1)
3

3
= 2
3
,(1,1,1)
(1,1,1)
2
(1, 1, 1) (0, 0, 1) = (2/3, 2/3, 1/3) =
2/3
1
+ 2/3
2
1/3
3
Introduc ao ` a

Assim, [
1/3 2/3 2/3

2/3 1/3 2/3
2/3 2/3 1/3
.
6.3.4.
/2,
(
1
) =
1
= 1
1
+ 0
2
+ 0
3
,
/2,
(
2
) =
3
= 0
1
+ 0
2
+ 1
3
,
/2,
(
3
) =
2
= 0
1
1
2
+ 0
3
.
Assim, [
/2,
]
1 0 0
0 0 1
0 1 0
1
=
1
,
1

1
+
1
,
2

2
+
1
,
3

3
= 1/
2
1
+ 1/
2
3
/2,
(
1
) = 1/
2
/2,
(
1
) + 1/
2
/2,
(
3
) = 1/
2
1
1/
2
2
=
1/
2(1/
2, 1/
2, 0) 1/
2(0, 0, 1) = (1/2, 1/2, 1/
2)
2
=
2
,
1

1
+
2
,
2

2
+
2
,
3

3
= 1/
2
1
1/
2
3
/2,
(
2
) = 1/
2
/2,
(
1
) 1/
2
/2,
(
3
) = 1/
2
1
+ 1/
2
3
=
1/
2(1/
2, 1/
2, 0) + 1/
2(0, 0, 1) = (1/2, 1/2, 1/
2)
3
=
3
,
1

1
+
3
,
2

2
+
3
,
3

3
=
2
/2,
(
3
) =
/2,
(
2
) =
3
= (1/
2, 1/
2, 0)
Assim, [
/2,
]
1/2 1/2 1/
2
1/2 1/2 1/
2
1/
2 1/
2 0
.
6.3.5. (a) A matriz de em relac ao ` a base can onica e =
1 2 1
0 1 2
0 0 1
. Assim,
A=[1,2,1;0,1,2;0,0,1];
escalona([A,eye(3)])
[ 1, 2, 1, 1, 0, 0]
[ 0, 1, 2, 0, 1, 0]
[ 0, 0, 1, 0, 0, 1]
eliminacao 2:
[ 1, 0, -3, 1, -2, 0]
[ 0, 1, 2, 0, 1, 0]
[ 0, 0, 1, 0, 0, 1]
eliminacao 3:
[ 1, 0, 0, 1, -2, 3]
[ 0, 1, 0, 0, 1, -2]
[ 0, 0, 1, 0, 0, 1]
Portanto, a inversa de e dada por
1
(, , ) = ( 2 + 3, 2, ).
(b) A matriz de em relac ao ` a base {
1
,
2
,
3
} e =
1 2 2
0 1 4
0 0 1
. Assim,
A=[1,-2,-2;0,1,-4;0,0,1];
Introduc ao ` a

[ 1, -2, -2, 1, 0, 0]
[ 0, 1, -4, 0, 1, 0]
[ 0, 0, 1, 0, 0, 1]
eliminacao 2:
[ 1, 0, -10, 1, 2, 0]
[ 0, 1, -4, 0, 1, 0]
[ 0, 0, 1, 0, 0, 1]
eliminacao 3:
[ 1, 0, 0, 1, 2, 10]
[ 0, 1, 0, 0, 1, 4]
[ 0, 0, 1, 0, 0, 1]
Assim,
1
(, , ) = ( + 2 + 10, + 4, ).
(c) A matriz de em relac ao ` a base {
1
,
2
,
3
} e
1 1 1
1 2 1
1 0 2
. Assim,
A=[1,1,1;1,2,1;1,0,2];
[ 1, 1, 1, 1, 0, 0]
[ 1, 2, 1, 0, 1, 0]
[ 1, 0, 2, 0, 0, 1]
eliminacao 1:
[ 1, 1, 1, 1, 0, 0]
[ 0, 1, 0, -1, 1, 0]
[ 0, -1, 1, -1, 0, 1]
eliminacao 2:
[ 1, 0, 1, 2, -1, 0]
[ 0, 1, 0, -1, 1, 0]
[ 0, 0, 1, -2, 1, 1]
eliminacao 3:
[ 1, 0, 0, 4, -2, -1]
[ 0, 1, 0, -1, 1, 0]
[ 0, 0, 1, -2, 1, 1]
1
(, , ) = (4 2 , +, 2 + +).
(d) A matriz de em relac ao ` a base {
1
,
2
,
3
} e
1 1 1
1 0 0
1 1 1
. Assim,
A=[1,-1,1;1,0,0;1,1,1];
[ 1, -1, 1, 1, 0, 0]
Introduc ao ` a

[ 1, 0, 0, 0, 1, 0]
[ 1, 1, 1, 0, 0, 1]
eliminacao 1:
[ 1, -1, 1, 1, 0, 0]
[ 0, 1, -1, -1, 1, 0]
[ 0, 2, 0, -1, 0, 1]
eliminacao 2:
[ 1, 0, 0, 0, 1, 0]
[ 0, 1, -1, -1, 1, 0]
[ 0, 0, 2, 1, -2, 1]
eliminacao 3:
[ 1, 0, 0, 0, 1, 0]
[ 0, 1, -1, -1, 1, 0]
[ 0, 0, 1, 1/2, -1, 1/2]
[ 1, 0, 0, 0, 1, 0]
[ 0, 1, 0, -1/2, 0, 1/2]
[ 0, 0, 1, 1/2, -1, 1/2]
1
(, , ) = (, /2 /2, /2 + /2).
7.1. Diagonalizac ao de Matrizes (p agina 454)
7.1.1.
(a) >> A=[1,1;1,1];
>> B=A-x*eye(2)
[1-x, 1]
[ 1, 1-x]
>> p=det(B)
p =-2*x+x2
>> solve(p)
[0][2]
>> B0=subs(B,x,0)
[1, 1]
[1, 1]
>> escalona(B0)
1 1
0 0
>> B2=subs(B,x,2)
[-1, 1]
[ 1, -1]
>> escalona(B2)
1 -1
0 0
0
= {(, ) }
2
= {(, ) }
(b) >> A=[1,-1;2,4];
>> B=A-x*eye(2)
[1-x, -1]
[ 2, 4-x]
>> p=det(B)
p =6-5*x+x2
>> solve(p)
[3][2]
>> B2=subs(B,x,2)
[-1, -1]
[ 2, 2]
>> escalona(B2)
1 1
0 0
>> B3=subs(B,x,3)
[-2, -1]
[ 2, 1]
>> escalona(B3)
1 1/2
0 0
2
= {(, ) }
3
= {(, 2) }
Introduc ao ` a

Captulo 7. Diagonalizac ao 617
(c)
>> A=[0,1,2;0,0,3;0,0,0];
>> B=A-x*eye(3)
[-x, 1, 2]
[ 0, -x, 3]
[ 0, 0, -x]
>> p=det(B)
p=-x3
>> solve(p)
[0][0][0]
>> B0=subs(B,x,0)
[0, 1, 2]
[0, 0, 3]
[0, 0, 0]
>> escalona(B0)
[0, 1, 0]
[0, 0, 1]
[0, 0, 0]
0
= {(, 0, 0) }
(d)
>> A=[1,0,0;-1,3,0;3,2,-2];
>> B=A-x*eye(3)
[1-x, 0, 0]
[ -1, 3-x, 0]
[ 3, 2, -2-x]
>> p=det(B)
p =(1-x)*(3-x)*(-2-x)
>> solve(p)
[ 1][ 3][-2]
>> Bm2=subs(B,x,-2)
[ 3, 0, 0]
[-1, 5, 0]
[ 3, 2, 0]
>> escalona(Bm2)
[1, 0, 0]
[0, 1, 0]
[0, 0, 0]
>> B1=subst(B,x,1)
[ 0, 0, 0]
[-1, 2, 0]
[ 3, 2, -3]
>> escalona(B1)
[1, 0, -3/4]
[0, 1, -3/8]
[0, 0, 0]
>> B3=subs(B,x,3)
[-2, 0, 0]
[-1, 0, 0]
[ 3, 2, -5]
>> escalona(B3)
[1, 0, 0]
[0, 1, -5/2]
[0, 0, 0]
2
= {(0, 0, ) }
1
= {(6, 3, 8) }
3
= {(0, 5, 2) }
(e)
Introduc ao ` a

>> A=[2,-2,3;0,3,-2;0,-1,2];
>> B=A-x*eye(3)
[2-x, -2, 3]
[ 0, 3-x, -2]
[ 0, -1, 2-x]
>> p=det(B)
p =(2-x)*(4-5*x+x2)
>> solve(p)
[2][4][1]
>> B1=subs(B,x,1)
[1, -2, 3]
[0, 2, -2]
[0, -1, 1]
>> escalona(B1)
[1, 0, 1]
[0, 1, -1]
[0, 0, 0]
>> B2=subs(B,x,2)
[0, -2, 3]
[0, 1, -2]
[0, -1, 0]
>> escalona(B2)
[0, 1, 0]
[0, 0, 1]
[0, 0, 0]
>> B4=subs(B,x,4)
[-2, -2, 3]
[ 0, -1, -2]
[ 0, -1, -2]
>> escalona(B4)
[1, 0, -7/2]
[0, 1, 2]
[0, 0, 0]
1
= {(, , ) }
2
= {(, 0, 0) }
4
= {(7, 4, 2) }
(f)
>> A=[2,2,3;1,2,1;2,-2,1];
>> B=A-x*eye(3)
[2-x, 2, 3]
[ 1, 2-x, 1]
[ 2, -2, 1-x]
>> p=det(B)
p =-8-2*x+5*x2-x3
>> solve(p)
[ 2][ 4][-1]
>> Bm1=subs(B,x,-1)
[3, 2, 3]
[1, 3, 1]
[2, -2, 2]
>> escalona(Bm1)
[1, 0, 1]
[0, 1, 0]
[0, 0, 0]
>> B2=subs(B,x,2)
[0, 2, 3]
[1, 0, 1]
[2, -2, -1]
>> escalona(B2)
[1, 0, 1]
[0, 1, 3/2]
[0, 0, 0]
>> B4=subs(B,x,4)
[-2, 2, 3]
[ 1, -2, 1]
[ 2, -2, -3]
>> escalona(B4)
[1, 0, -4]
[0, 1, -5/2]
[0, 0, 0]
1
= {(, 0, ) },
2
= {(2, 3, 2) } e
4
=
{(8, 5, 2) }
7.1.2. (a)
Introduc ao ` a

>> A=[2,0,0;3,-1,0;0,4,3];
>> B=A-x*eye(3)
[2-x, 0, 0]
[ 3, -1-x, 0]
[ 0, 4, 3-x]
>> p=det(B)
p =(2-x)*(-1-x)*(3-x)
>> solve(p)
[ 2][-1][ 3]
>> Bm1=subs(B,x,-1)
[3, 0, 0]
[3, 0, 0]
[0, 4, 4]
>> escalona(Bm1)
[1, 0, 0]
[0, 1, 1]
[0, 0, 0]
>> B2=subs(B,x,2)
[0, 0, 0]
[3, -3, 0]
[0, 4, 1]
>> escalona(B2)
[1, 0, 1/4]
[0, 1, 1/4]
[0, 0, 0]
>> B3=subst(B,x,3)
[-1, 0, 0]
[ 3, -4, 0]
[ 0, 4, 0]
>> escalona(B3)
[1, 0, 0]
[0, 1, 0]
[0, 0, 0]
1
= {(0, , ) }. {(0, 1, 1)} e base para
1
, pois gera
1
((0, , ) =
(0, 1, 1)) e um vetor n ao nulo e L.I.
2
= {(, , 4) }. {(1, 1, 4)} e base para
2
, pois gera
2
((, , 4) = (1, 1, 4)) e um vetor n ao nulo e L.I.
3
= {(0, 0, ) }. {(0, 0, 1)} e base para
3
, pois gera
3
((0, 0, ) = (0, 0, 1))
e um vetor n ao nulo e L.I.
(b)
>> A=[2,3,0;0,1,0;0,0,2];
>> B=A-x*eye(3)
[2-x, 3, 0]
[ 0, 1-x, 0]
[ 0, 0, 2-x]
>> p=det(B)
p =(2-x)2*(1-x)
>> solve(p)
[2][2][1]
>> B1=subs(B,x,1)
[1, 3, 0]
[0, 0, 0]
[0, 0, 1]
>> escalona(B1)
[1, 3, 0]
[0, 0, 1]
[0, 0, 0]
>> B2=subs(B,x,2)
[0, 3, 0]
[0, -1, 0]
[0, 0, 0]
>> escalona(B2)
[0, 1, 0]
[0, 0, 0]
[0, 0, 0]
1
= {(3, , 0) }. {(3, 1, 0)} e base para
1
, pois gera
1
((3, , 0) =
2
= {(, 0, ) , }. {
1
= (1, 0, 0),
2
= (0, 0, 1)} e base para
2
, pois
gera
2
((, 0, ) = (1, 0, 0) + (0, 0, 1)) e e L.I. (
1
+
2
=

0 se, e somente se,
(, 0, ) = (0, 0, 0) ou = 0 e = 0).
(c)
Introduc ao ` a

>> A=[1,2,3,4;0,-1,3,2;0,0,3,3;0,0,0,2];
>> B=A-x*eye(4)
[1-x, 2, 3, 4]
[ 0, -1-x, 3, 2]
[ 0, 0, 3-x, 3]
[ 0, 0, 0, 2-x]
>> p=det(B)
p =(1-x)*(2-x)*(-1-x)*(3-x)
>> solve(p)
[ 1][ 2][-1][ 3]
>> Bm1=subs(B,x,-1)
[2, 2, 3, 4]
[0, 0, 3, 2]
[0, 0, 4, 3]
[0, 0, 0, 3]
>> escalona(Bm1)
[1, 1, 0, 0]
[0, 0, 1, 0]
[0, 0, 0, 1]
[0, 0, 0, 0]
>> B1=subs(B,x,1)
[0, 2, 3, 4]
[0, -2, 3, 2]
[0, 0, 2, 3]
[0, 0, 0, 1]
>> escalona(B1)
[0, 1, 0, 0]
[0, 0, 1, 0]
[0, 0, 0, 1]
[0, 0, 0, 0]
>> B2=subs(B,x,2)
[-1, 2, 3, 4]
[ 0, -3, 3, 2]
[ 0, 0, 1, 3]
[ 0, 0, 0, 0]
>> escalona(B2)
[1, 0, 0, 29/3]
[0, 1, 0, 7/3]
[0, 0, 1, 3]
[0, 0, 0, 0]
>> B3=subst(B,x,3)
[-2, 2, 3, 4]
[ 0, -4, 3, 2]
[ 0, 0, 0, 3]
[ 0, 0, 0, -1]
>> escalona(B3)
[1, 0, -9/4, 0]
[0, 1, -3/4, 0]
[0, 0, 0, 1]
[0, 0, 0, 0]
1
= {(, , 0, 0) }. {(1, 1, 0, 0)} e base para
1
, pois gera
1
((, , 0, 0) = (1, 1, 0, 0)) e um vetor n ao nulo e L.I.
1
= {(, 0, 0, 0) }. {(1, 0, 0, 0)} e base para
1
, pois gera
1
((, 0, 0, 0) =
(1, 0, 0, 0)) e um vetor n ao nulo e L.I.
2
= {(29, 7, 9, 3) }. {(29, 7, 9, 3)} e base para
2
, pois gera
2
((29, 7, 9, 3) = (29, 7, 9, 3)) e um vetor n ao nulo e L.I.
3
= {(9, 3, 4, 0) }. {(9, 3, 4, 0)} e base para
3
, pois gera
3
((9, 3, 4, 0) = (9, 3, 4, 0)) e um vetor n ao nulo e L.I.
(d)
Introduc ao ` a

>> A=[2,2,3,4;0,2,3,2;0,0,1,1;0,0,0,1];
>> B=A-x*eye(4)
[2-x, 2, 3, 4]
[ 0, 2-x, 3, 2]
[ 0, 0, 1-x, 1]
[ 0, 0, 0, 1-x]
>> p=det(B)
p =(2-x)2*(1-x)2
>> solve(p)
[2][2][1][1]
>> B1=subs(B,x,1)
[1, 2, 3, 4]
[0, 1, 3, 2]
[0, 0, 0, 1]
[0, 0, 0, 0]
>> escalona(B1)
[1, 0, -3, 0]
[0, 1, 3, 0]
[0, 0, 0, 1]
[0, 0, 0, 0]
>> B2=subs(B,x,2)
[0, 2, 3, 4]
[0, 0, 3, 2]
[0, 0, -1, 1]
[0, 0, 0, -1]
>> escalona(B2)
[0, 1, 0, 0]
[0, 0, 1, 0]
[0, 0, 0, 1]
[0, 0, 0, 0]
1
= {(3, 3, , 0) }. {(3, 3, 1, 0)} e base para
1
, pois gera
1
((3, 3, , 0) = (3, 3, 1, 0)) e um vetor n ao nulo e L.I.
2
= {(, 0, 0, 0) }. {(1, 0, 0, 0)} e base para
2
, pois gera
2
((, 0, 0, 0) =
(1, 0, 0, 0)) e um vetor n ao nulo e L.I.
7.1.3.
(a) >> A=[1,4;1,-2];
>> B=A-x*eye(2)
[1-x, 4]
[ 1, -2-x]
>> p=det(B)
p =-6+x+x2
>> solve(p)
[ 2][-3]
A matriz possui dois autovalores diferentes, logo possui dois autovetores L.I.
(Proposic ao 7.3 na p agina 437). A matriz e diagonaliz avel pois, e 2 2 e possui dois
autovetores L.I. (Teorema 7.2 na p agina 434).
(b) >> A=[1,0;-2,1];
>> B=A-x*eye(2)
[1-x, 0]
[ -2, 1-x]
>> p=det(B)
p =(1-x)2
>> solve(p)
[1][1]
>> B1=subs(B,x,1)
[ 0, 0]
[-2, 0]
>> escalona(numeric(B1))
[1, 0]
[0, 0]
1
= {(, 0) }
A matriz n ao e diagonaliz avel pois, n ao possui dois autovetores L.I. (Teorema 7.2 na
p agina 434).
(c) >> A=[1,1,-2;4,0,4;1,-1,4]
A = 1 1 -2
4 0 4
1 -1 4
>> B=A-x*eye(3); p=det(B)
p =5*x2-6*x-x3
Introduc ao ` a

>> solve(p)
ans =[0][2][3]
A matriz possui tr es autovalores diferentes, logo possui tr es autovetores L.I. (Proposic ao
7.3 na p agina 437). A matriz e diagonaliz avel pois, e 3 3 e possui tr es autovetores L.I.
(Teorema 7.2 na p agina 434).
(d) >> A=[1,2,3;0,-1,2;0,0,2];
>> B=A-x*eye(3)
[1-x, 2, 3]
[ 0, -1-x, 2]
[ 0, 0, 2-x]
>> p=det(B)
p =(1-x)*(-1-x)*(2-x)
>> solve(p)
[ 1][-1][ 2]
A
matriz possui tr es autovalores diferentes, logo possui tr es autovetores L.I. (Proposic ao
7.3 na p agina 437). A matriz e diagonaliz avel pois, e 3 3 e possui tr es autovetores L.I.
(Teorema 7.2 na p agina 434).
7.1.4.
(a) >> A=[1,1,2;0,1,0;0,1,3];
>> B=A-x*eye(3)
[1-x, 1, 2]
[ 0, 1-x, 0]
[ 0, 1, 3-x]
>> p=det(B)
p =(1-x)2*(3-x)
>> solve(p)
[1][1][3]
>> B1=subs(B,x,1)
[0, 1, 2]
[0, 0, 0]
[1, 1, 2]
>> escalona(B1)
[ 0, 1, 2]
[ 0, 0, 0]
[ 0, 0, 0]
>> B3=subs(B,x,3)
[ -2, 1, 2]
[ 0, -2, 0]
[ 0, 1, 0]
>> escalona(B3)
[ 1, 0, -1]
[ 0, 1, 0]
[ 0, 0, 0]
1
= {(, 2, ) , }. {(1, 0, 0), (0, 2, 1)} e base para
1
, pois gera
1
((, 2, ) = (0, 2, 1) + (1, 0, 0)) e s ao L.I. (um vetor n ao e m ultiplo escalar do
outro)
3
= {((, 0, ) }. {(1, 0, 1)} e base para
3
, pois gera
3
((, 0, ) =
=
1 0 1
0 2 0
0 1 1
e =
1 0 0
0 1 0
0 0 3
(b) >> A=[4,2,3;2,1,2;-1,-2,0];

>> B=A-x*eye(3)
[4-x, 2, 3]
[ 2, 1-x, 2]
[ -1, -2, -x]
>> p=det(B)
p =-7*x+5*x2+3-x3
>> solve(p)
Introduc ao ` a

[3][1][1]
>> B1=subs(B,x,1)
[ 3, 2, 3]
[ 2, 0, 2]
[-1, -2, -1]
>> escalona(B1)
[1, 0, 1]
[0, 1, 0]
[0, 0, 0]
>> B3=subs(B,x,3)
[ 1, 2, 3]
[ 2, -2, 2]
[-1, -2, -3]
>> escalona(B3)
[1, 0, 5/3]
[0, 1, 2/3]
[0, 0, 0]
1
= {(, 0, ) }. {(1, 0, 1)} e base para
1
, pois gera
1
((, 0, ) =
2
= {(5, 2, 3) }. {(5, 2, 3)} e base para
2
, pois gera
2
((5, 2, 3) = (5, 2, 3)) e um vetor n ao nulo e L.I.
A matriz n ao e diagonaliz avel pois s o possui dois autovalores e cada um deles s o possui
um autovetor L.I. associado (Teorema 7.2 na p agina 434).
(c) >> A=[1,2,3;0,1,0;2,1,2];
>> B=A-x*eye(3)
[1-x, 2, 3]
[ 0, 1-x, 0]
[ 2, 1, 2-x]
>> p=det(B)
p =-4+x+4*x2-x3
>> solve(p)
[ 1][ 4][-1]
>> Bm1=subs(B,x,-1)
[2, 2, 3]
[0, 2, 0]
[2, 1, 3]
>> escalona(Bm1)
[1, 0, 3/2]
[0, 1, 0]
[0, 0, 0]
>> B1=subst(B,x,1)
[0, 2, 3]
[0, 0, 0]
[2, 1, 1]
>> escalona(B1)
[1, 0, -1/4]
[0, 1, 3/2]
[0, 0, 0]
>> B4=subs(B,x,4)
[-3, 2, 3]
[ 0, -3, 0]
[ 2, 1, -2]
>> escalona(B4)
[1, 0, -1]
[0, 1, 0]
[0, 0, 0]
1
=
{(3, 0, 2) }. {(3, 0, 2)} e base para
1
, pois gera
1
((3, 0, 2) =
1
= {(, 6, 4) }. {(1, 6, 4)} e base para
1
, pois gera
1
((, 6, 4) = (1, 6, 4)) e um vetor n ao nulo e L.I.
4
= {(, 0, ) }. {(1, 0, 1)} e base para
4
, pois gera
4
((, 0, ) = (1, 0, 1))
=
3 1 1
0 6 0
2 4 1
e =
1 0 0
0 1 0
0 0 4
Introduc ao ` a

(d) >> A=[3,-2,1;0,2,0;0,0,0];
>> B=A-x*eye(3)
[3-x, -2, 1]
[ 0, 2-x, 0]
[ 0, 0, -x]
>> p=det(B)
p =-(3-x)*(2-x)*x
>> solve(p)
[3][2][0]
>> B0=subs(B,x,0)
[3, -2, 1]
[0, 2, 0]
[0, 0, 0]
>> escalona(B0)
[1, 0, 1/3]
[0, 1, 0]
[0, 0, 0]
>> B2=subs(B,x,2)
[1, -2, 1]
[0, 0, 0]
[0, 0, -2]
>> escalona(B2)
[1, -2, 0]
[0, 0, 1]
[0, 0, 0]
>> B3=subs(B,x,3)
[0, -2, 1]
[0, -1, 0]
[0, 0, -3]
>> escalona(B3)
[0, 1, 0]
[0, 0, 1]
[0, 0, 0]
0
= {(, 0, 3) }. {(1, 0, 3)} e base para
0
, pois gera
0
((, 0, 3) =
2
= {(2, , 0) }. {(2, 1, 0)} e base para
2
, pois gera
2
((2, , 0) =
3
= {(, 0, 0) }. {(1, 0, 0)} e base para
3
, pois gera
3
((, 0, 0) = (1, 0, 0))
=
1 2 1
0 1 0
3 0 0
e =
0 0 0
0 2 0
0 0 3
7.1.5. (a) >> V1=[-4,-4,-1];

>> V2=[5,4,1];
>> V3=[5,3,1];
>> A=sym([-1/3,-5/6,20/3;-2/3,-1/6,16/3;-1/6,-1/6,11/6]);
>> [A*V1,A*V2,A*V3]
[ -2, 5/3, 5/2] [ -2, 4/3, 3/2] [ -1/2, 1/3, 1/2]
Se e autovetor de ent ao = , ou seja, e um m ultiplo escalar de .
Assim, conclumos que
1
e autovetor associado a
1
= 1/2,
2
2
= 1/3 e
3
3
= 1/2.
(b)
1
e
3
s ao autovetores associados a 1/2 e
2
associado a 1/3. Como {
1
,
3
} e L.I. (um
n ao e m ultiplo escalar do outro) e ao juntarmos autovetores L.I. associados a diferentes
autovalores eles continuam L.I., ent ao a matriz tem 3 autovetores L.I. Como ela e 3 3,
e portanto diagonaliz avel.
7.1.6.
7.1.7. As matrizes dos tens (a) e (b) est ao na forma can onica de Jordan.
7.1.8. (a) O polin omio caracterstico de e claramente () = ( 2)
2
( + 1)
3
. Assim, os
autovalores da matriz s ao
1
= 2 e
2
= 1.
Introduc ao ` a

>> A=[2,5,0,0,0;0,2,0,0,0;0,0,-1,0,-1;
0,0,0,-1,0;0,0,0,0,-1]; A=sym(A);
>> N21=null(A-2*eye(5))
N21 = -1
0
0
0
0
>> N22=null((A-2*eye(5))2)
N22 =1 0
0 1
0 0
0 0
0 0
>> Nm11=null(A+eye(5))
Nm11 =0 0
0 0
-1 0
0 1
0 0
>> Nm12=null((A+eye(5))2)
Nm12 =0 0 0
0 0 0
1 0 0
0 1 0
0 0 1
A menos da ordem dos blocos a unica forma can onica de Jordan possvel e
2 0 0 0 0
1 2 0 0 0
0 0 1 0 0
0 0 1 1 0
0 0 0 0 1
(b) O polin omio caracterstico de e claramente () = ( 2)

5
( + 1). Assim, os autova-
lores da matriz s ao
1
= 2 e
2
= 1.
>> A=[2,0,0,0,0,0;1,2,0,0,0,0;
-1,0,2,0,0,0;0,1,0,2,0,0;
1,1,1,1,2,0;0,0,0,0,1,-1]; A=sym(A);
>> N21=null(A-2*eye(6))
N21 =[ 0, 0]
[ 0, 0]
[ 0, -1]
[ 0, 1]
[ 3, 0]
[ 1, 0]
>> N22=null((A-2*eye(6))2)
N22 =[ 0, 0, 0]
[ 0, 0, 0]
[ -9, -1, 3]
Introduc ao ` a

[ 0, 1, 0]
[ 0, 0, 1]
[ 1, 0, 0]
>> N23=null((A-2*eye(6))3)
[ 0, 0, 0, 0]
[ -3/2, -27/2, -3/2, 9/2]
[ 0, 0, 1, 0]
[ 1, 0, 0, 0]
[ 0, 0, 0, 1]
[ 0, 1, 0, 0]
>> N24=null((A-2*eye(6))4)
N24 =[ 1, 0, 0, 0, 0]
[ -5/3, 9/2, -27/2, -3/2, -3/2]
[ 0, 0, 0, 0, 1]
[ 0, 0, 0, 1, 0]
[ 0, 1, 0, 0, 0]
[ 0, 0, 1, 0, 0]
A menos da ordem dos blocos a unica forma can onica de Jordan possvel e
2 0 0 0 0 0
1 2 0 0 0 0
0 1 2 0 0 0
0 0 1 2 0 0
0 0 0 0 2 0
0 0 0 0 0 1

(c) O polin omio caracterstico de e claramente () = ( + 1)
5
( + 4). Assim, os autova-
1
= 1 e
2
= 4.
>> A=[-1,1,-1,-3,-1,7;0,-1,1,2,3,2;
0,0,-1,0,-2,1;0,0,0,-1,1,-2;
0,0,0,0,-1,3;0,0,0,0,0,-4]; A=sym(A);
>> Nm11=null(A+eye(6))
[ 0, 1]
[ 1, 0]
[ -2, 0]
[ 1, 0]
[ 0, 0]
[ 0, 0]
[ 0, 1, 0, 0]
[ 0, 0, 1, 0]
[ -2, 0, 0, -2]
[ 1, 0, 0, 0]
[ 0, 0, 0, 1]
[ 0, 0, 0, 0]
[ 0, 0, 0, 0, 1]
[ 0, 0, 1, 0, 0]
[ 0, 1, 0, 0, 0]
[ 0, 0, 0, 1, 0]
[ 1, 0, 0, 0, 0]
Introduc ao ` a

[ 0, 0, 0, 0, 0]
A menos da ordem dos blocos as possveis formas can onicas de Jordan s ao
1 0 0 0 0 0
1 1 0 0 0 0
0 0 1 0 0 0
0 0 1 1 0 0
0 0 0 0 1 0
0 0 0 0 0 4
1 0 0 0 0 0
1 1 0 0 0 0
0 0 1 0 0 0
0 0 0 1 0 0
0 0 0 0 1 0
0 0 0 0 0 4
(d) O polin omio caracterstico de e claramente () = ( 1)

7
( 3). Assim, os autova-
1
= 1 e
2
= 3.
>> A=[1,1,0,0,-1,0,4,0;
0,1,1,-1,-1,-3,3,-4;
0,0,1,0,1,1,-2,1;
0,0,0,1,1,1,-4,-5;
0,0,0,0,1,0,-1,-5;
0,0,0,0,0,1,1,-1;
0,0,0,0,0,0,1,-2;
0,0,0,0,0,0,0,3];A=sym(A);
>> N11=null(A-eye(8))
[ 1, 0, 0]
[ 0, 0, -1]
[ 0, 1, 2]
[ 0, 1, 0]
[ 0, 0, -1]
[ 0, 0, 1]
[ 0, 0, 0]
[ 0, 0, 0]
>> N12=null((A-eye(8))2)
[ 0, 1, 0, 0, 0, 0]
[ 0, 0, 0, 1, 0, 0]
[ 1, 0, 1, 0, 3, -4]
[ 0, 0, 1, 0, 0, 0]
[ 1, 0, 0, 0, 0, 0]
[ 0, 0, 0, 0, 1, 0]
[ 0, 0, 0, 0, 0, 1]
[ 0, 0, 0, 0, 0, 0]
>> N13=null((A-eye(8))3)
[ 0, 0, 0, 1, 0, 0, 0]
[ 0, 1, 0, 0, 0, 0, 0]
[ 0, 0, 0, 0, 0, 1, 0]
[ 0, 0, 0, 0, 1, 0, 0]
[ 1, 0, 0, 0, 0, 0, 0]
[ 0, 0, 0, 0, 0, 0, 1]
[ 0, 0, 1, 0, 0, 0, 0]
[ 0, 0, 0, 0, 0, 0, 0]
Introduc ao ` a

A menos da ordem dos blocos as possveis formas can onicas de Jordan s ao
1 0 0 0 0 0 0 0
1 1 0 0 0 0 0 0
0 1 1 0 0 0 0 0
0 0 0 1 0 0 0 0
0 0 0 0 1 0 0 0
0 0 0 0 0 1 0 0
0 0 0 0 0 0 1 0
0 0 0 0 0 0 0 3
1 0 0 0 0 0 0 0
1 1 0 0 0 0 0 0
0 1 1 0 0 0 0 0
0 0 0 1 0 0 0 0
0 0 0 1 1 0 0 0
0 0 0 0 0 1 0 0
0 0 0 0 0 0 1 0
0 0 0 0 0 0 0 3
1 0 0 0 0 0 0 0
1 1 0 0 0 0 0 0
0 1 1 0 0 0 0 0
0 0 0 1 0 0 0 0
0 0 0 1 1 0 0 0
0 0 0 0 0 1 0 0
0 0 0 0 0 1 1 0
0 0 0 0 0 0 0 3
1 0 0 0 0 0 0 0
1 1 0 0 0 0 0 0
0 1 1 0 0 0 0 0
0 0 0 1 0 0 0 0
0 0 0 1 1 0 0 0
0 0 0 0 1 1 0 0
0 0 0 0 0 0 1 0
0 0 0 0 0 0 0 3
7.1.9. >> B=randi(2), A=[B-B,zeros(2,1);zeros(1,2),randi]

B = 5 -1
3 0
A = 0 -4 0
4 0 0
0 0 -3
>> syms x, p=det(A-x*eye(3)), solve(p)
p = -3*x2-x3-48-16*x
ans = [ -3][ 4*i][ -4*i]
>> escalona(A+3*eye(3))
ans =[ 1, 0, 0]
[ 0, 1, 0]
[ 0, 0, 0]
A matriz n ao e diagonaliz avel pois ela s o tem um autovalor e auto espaco associado a este
autovalor tem dimens ao 2. Assim, n ao e possvel encontrar 3 autovetores L.I.
7.1.10. >> L=[eye(2),zeros(2,1);randi(1,2),0]; A=L*L
A = 1 0 2
0 1 -2
2 -2 8
>> syms x, p=det(A-x*eye(3)), solve(p)
p = -9*x+10*x2-x3
ans = [ 0][ 1][ 9]
>> escalona(A)
ans =[ 1, 0, 2]
[ 0, 1, -2]
[ 0, 0, 0]
O autoespaco associado ao autovalor = 0 e
0
= {(2, 2, ) }.
Assim, {
1
= (2, 2, 1)} e um conjunto com o maior n umero possvel de autovetores L.I.
Introduc ao ` a

associado a = 0.
>> escalona(A-eye(3))
ans =[ 1, -1, 0]
[ 0, 0, 1]
[ 0, 0, 0]
1
= {(, , 0) }.
Assim, {
2
= (1, 1, 0)} e um conjunto com o maior n umero possvel de autovetores L.I. associ-
ado a = 1.
>> escalona(A-9*eye(3))
ans =[ 1, 0, -1/4]
[ 0, 1, 1/4]
[ 0, 0, 0]
9
= {(, , 4) }.
Assim, {
3
= (1, 1, 4)} e um conjunto com o maior n umero possvel de autovetores L.I.
associado a = 9.
>> V1=[-2,2,1];V2=[1,1,0];V3=[1,-1,4];
>> P=[V1,V2,V3], D=diag([0,1,9])
P = -2 1 1
2 1 -1
1 0 4
D = 0 0 0
0 1 0
0 0 9
>> inv(P)*A*P
ans = 0 0 0
0 1 0
0 0 9
>> [P,D]=eig(sym(A))
P =[ -1, -2, 1]
[ 1, 2, 1]
[ -4, 1, 0]
D =[ 9, 0, 0]
[ 0, 0, 0]
[ 0, 0, 1]
Os elementos da diagonal da matriz t em que ser os autovalores de . As matrizes
podem diferir na ordem com que os autovalores aparecem. As colunas de s ao autovetores
associados aos autovalores que aparecem nas colunas correspondentes de . Assim, fazendo
uma reordenac ao das colunas das matrizes e de forma que as matrizes sejam iguais, as
colunas de uma matriz s ao m ultiplos escalares das colunas correspondentes da outra matriz
.
Introduc ao ` a

7.2. Diagonalizac ao de Matrizes Sim etricas (p agina 471)
7.2.1.
(a) >> A=[2,2;2,2];
>> B=A-x*eye(2)
[2-x, 2]
[ 2, 2-x]
>> p=det(B)
p =-4*x+x2
>> solve(p)
[0][4]
>> B0=subs(B,x,0)
[2, 2]
[2, 2]
>> escalona(B0)
[1, 1]
[0, 0]
>> B4=subs(B,x,4)
[-2, 2]
[ 2, -2]
>> escalona(B4)
[1, -1]
[0, 0]
0
= {(, ) }. {
1
= (1, 1)} e base para
0
, pois gera
0
((, ) =
(1, 1)) e um vetor n ao nulo e L.I. Seja
1
= (1/
1
)
1
= (1/
2, 1/
2). {
1
=
(1/
2, 1/
2)} e base ortonormal de

0
.
4
= {(, ) }. {
2
4
, pois gera
4
((, ) =
2
= (1/
2
)
2
= (1/
2, 1/
2). {
2
=
(1/
2, 1/

4
.
=
_
1/
2 1/
2
1/
2 1/
2
_
e =
_
0 0
0 4
_
(b) >> A=[2,1;1,2];
>> B=A-x*eye(2)
[2-x, 1]
[ 1, 2-x]
>> p=det(B)
p =3-4*x+x2
>> solve(p)
[3][1]
>> B1=subs(B,x,1)
[1, 1]
[1, 1]
>> escalona(numeric(B1))
[1, 1]
[0, 0]
>> B3=subs(B,x,3)
[-1, 1]
[ 1, -1]
>> escalona(B3)
[1, -1]
[0, 0]
1
= {(, ) }. {
1
1
, pois gera
1
((, ) =
1
= (1/
1
)
1
= (1/
2, 1/
2). {
1
=
(1/
2, 1/

1
.
3
= {(, ) }. {
2
3
, pois gera
3
((, ) =
2
= (1/
2
)
2
= (1/
2, 1/
2). {
2
=
(1/
2, 1/

3
.
=
_
1/
2 1/
2
1/
2 1/
2
_
e =
_
1 0
0 3
_
Introduc ao ` a

(c) >> A=[0,0,1;0,0,0;1,0,0];
>> B=A-x*eye(3)
[-x, 0, 1]
[ 0, -x, 0]
[ 1, 0, -x]
>> p=det(B)
p =-x3+x
>> solve(p)
[ 0][-1][ 1]
>> B0=subs(B,x,0)
[0, 0, 1]
[0, 0, 0]
[1, 0, 0]
>> escalona(B0)
[1, 0, 0]
[0, 0, 1]
[0, 0, 0]
>> Bm1=subs(B,x,-1)
[1, 0, 1]
[0, 1, 0]
[1, 0, 1]
>> escalona(Bm1)
[1, 0, 1]
[0, 1, 0]
[0, 0, 0]
>> B1=subs(B,x,1)
[-1, 0, 1]
[ 0, -1, 0]
[ 1, 0, -1]
>> escalona(B1)
[1, 0, -1]
[0, 1, 0]
[0, 0, 0]
0
=
{(0, , 0) }. {
1
= (0, 1, 0)} e base para
0
, pois gera
0
((0, , 0) = (0, 1, 0))
e um vetor n ao nulo e L.I. {
1
= (0, 1, 0)} e base ortonormal de
0
, pois
1
= 1.
1
= {(, 0, ) }. {
2
= (1, 0, 1)} e base para
1
, pois gera
1
((, 0, ) = (1, 0, 1)) e um vetor n ao nulo e L.I. Seja
2
= (1/
2
)
2
=
(1/
2, 0, 1/
2). {
2
= (1/
2, 0, 1/

1
.
1
= {(, 0, ) }. {
3
= (1, 0, 1)} e base para
1
, pois gera
1
((, 0, ) =
(1, 0, 1)) e um vetor n ao nulo e L.I. Seja
3
= (1/
3
)
3
= (1/
2, 0, 1/
2). {
3
=
(1/
2, 0, 1/

1
.
Como a matriz e sim etrica, autovetores associados a autovalores diferentes s ao orto-
gonais (Proposic ao 7.7 na p agina 465). Portanto, {
1
,
2
,
3
} e uma base ortonormal
de autovetores de .
=
0 1/
2 1/
2
1 0 0
0 1/
2 1/
e =
0 0 0
0 1 0
0 0 1
(d) >> A=[0,0,0;0,2,2;0,2,2];

>> B=A-x*eye(3)
[-x, 0, 0]
[ 0, 2-x, 2]
[ 0, 2, 2-x]
>> p=det(B)
p =-x*(-4*x+x2)
>> solve(p)
[0][0][4]
>> B0=subs(B,x,0)
[0, 0, 0]
[0, 2, 2]
[0, 2, 2]
>> escalona(B0)
[0, 1, 1]
[0, 0, 0]
[0, 0, 0]
>> B4=subs(B,x,4)
[-4, 0, 0]
[ 0, -2, 2]
[ 0, 2, -2]
>> escalona(B4)
[1, 0, 0]
[0, 1, -1]
[0, 0, 0]
0
= {(, , ) , }. {
1
= (1, 0, 0),
2
= (0, 1, 1)} e base para
0
, pois
gera
0
((, , ) = (1, 0, 0) + (0, 1, 1)) e e L.I. (
1
+
2
=

0 se, e somente
se, (, , ) = (0, 0, 0) ou = 0 e = 0). Sejam
1
=
1
,
2
=
2
proj
2
=
0 =
2
. Sejam
1
= (1/
1
)
1
=
1
=
1
= (1, 0, 0) e
2
= (1/
2
)
2
=
(0, 1/
2, 1/
2). {
1
= (1, 0, 0),
2
= ((0, 1/
2, 1/

0
.
4
= {(0, , ) }. {
3
= (0, 1, 1)} e base para
4
, pois gera
4
((0, , ) =
Introduc ao ` a

3
= (1/
3
)
3
= (0, 1/
2, 1/
2).
{
3
= (0, 1/
2, 1/

4
. Como a matriz e sim etrica, au-
tovetores associados a autovalores diferentes s ao ortogonais (Proposic ao 7.7 na p agina
465). Portanto, {
1
,
2
,
3
} e uma base ortonormal de autovetores de .
=
1 0 0
0 1/
2 1/
2
0 1/
2 1/
e =
0 0 0
0 0 0
0 0 4
(e) >> A=[1,1,0;1,1,0;0,0,1];

>> B=A-x*eye(3)
[1-x, 1, 0]
[ 1, 1-x, 0]
[ 0, 0, 1-x]
>> p=det(B)
p =-2*x+3*x2-x3
>> solve(p)
[0][1][2]
>> B0=subs(B,x,0)
[1, 1, 0]
[1, 1, 0]
[0, 0, 1]
>> escalona(B0)
[1, 1, 0]
[0, 0, 1]
[0, 0, 0]
>> B1=subs(B,x,1)
[0, 1, 0]
[1, 0, 0]
[0, 0, 0]
>> escalona(B1)
[1, 0, 0]
[0, 1, 0]
[0, 0, 0]
>> B2=subs(B,x,2)
[-1, 1, 0]
[ 1, -1, 0]
[ 0, 0, -1]
>> escalona(B2)
[1, -1, 0]
[0, 0, 1]
[0, 0, 0]
0
= {(, , 0) }. {
1
= (1, 1, 0)} e base para
0
, pois gera
0
((, , 0) = (1, 1, 0)) e um vetor n ao nulo e L.I. Seja
1
= (1/
1
)
1
=
(1/
2, 1/
2, 0). {
1
= (1/
2, 1/
2, 0)} e base ortonormal de

0
.
1
= {(0, 0, ) }. {
2
= (0, 0, 1)} e base para
1
, pois gera
1
((0, 0, ) =
2
= (1/
2
)
2
= (0, 0, 1). {
2
= (0, 0, 1)}
e base ortonormal de
1
.
2
= {(, , 0) }. {
3
= (1, 1, 0)} e base para
1
, pois gera
1
((, , 0) =
3
= (1/
3
)
3
= (1/
2, 1/
2, 0). {
3
=
(1/
2, 1/
2, 0)} e base ortonormal de

1
.
Como a matriz e sim etrica, autovetores associados a autovalores diferentes s ao orto-
gonais (Proposic ao 7.7 na p agina 465). Portanto, {
1
,
2
,
3
} e uma base ortonormal
de autovetores de .
=
1/
2 0 1/
2
1/
2 0 1/
2
0 1 0
e =
0 0 0
0 1 0
0 0 2
Introduc ao ` a

(f) >> A=[2,1,1;1,2,1;1,1,2];
>> B=A-x*eye(3)
[2-x, 1, 1]
[ 1, 2-x, 1]
[ 1, 1, 2-x]
>> p=det(B)
p =4-9*x+6*x2-x3
>> solve(p)
[4][1][1]
>> B1=subs(B,x,1)
[1, 1, 1]
[1, 1, 1]
[1, 1, 1]
>> escalona(B1)
[1, 1, 1]
[0, 0, 0]
[0, 0, 0]
>> B4=subst(B,x,4)
[-2, 1, 1]
[ 1, -2, 1]
[ 1, 1, -2]
>> escalona(B4)
[1, 0, -1]
[0, 1, -1]
[0, 0, 0]
1
= {( , , ) , }. {
1
= (1, 1, 0),
2
= (1, 0, 1)} e base
para
1
, pois gera
0
(( , , ) = (1, 1, 0) + (1, 0, 1)) e e L.I.(um ve-
tor n ao e m ultiplo escalar do outro). Sejam
1
=
1
,
2
=
2
proj
2
=
2
(1/2, 1/2, 0) = (1/2, 1/2, 1). Sejam
1
= (1/
1
)
1
= (1/
2, 1/
2, 0)
e
2
= (1/
2
)
2
= (
1
6
,
1
6
,
6
3
). {
1
,
2
} e base ortonormal de
1
.
4
= {(, , ) }. {
3
= (1, 1, 1)} e base para
4
, pois gera
4
((, , ) =
3
= (1/
3
)
3
= (1/
3, 1/
3, 1/
3).
{
3
= (1/
3, 1/
3, 1/

4
. Como a matriz e sim etrica,
autovetores associados a autovalores diferentes s ao ortogonais (Proposic ao 7.7 na p agina
465). Portanto, {
1
,
2
,
3
=
2/2
6/6
3/3
2/2
6/6
3/3
0
6/3
3/3
e =
1 0 0
0 1 0
0 0 4
(g) >> A=[1,2,0,0;2,1,0,0;0,0,1,2;0,0,2,1];

>> B=A-x*eye(4)
[1-x, 2, 0, 0]
[ 2, 1-x, 0, 0]
[ 0, 0, 1-x, 2]
[ 0, 0, 2, 1-x]
>> p=det(B)
p =9+12*x-2*x2-4*x3+x4
>> solve(p)
[-1][-1][ 3][ 3]
>> Bm1=subs(B,x,-1)
[2, 2, 0, 0]
[2, 2, 0, 0]
[0, 0, 2, 2]
[0, 0, 2, 2]
>> escalona(Bm1)
[1, 1, 0, 0]
[0, 0, 1, 1]
[0, 0, 0, 0]
[0, 0, 0, 0]
>> B3=subs(B,x,3)
[-2, 2, 0, 0]
[ 2, -2, 0, 0]
[ 0, 0, -2, 2]
[ 0, 0, 2, -2]
>> escalona(B3)
[1, -1, 0, 0]
[0, 0, 1, -1]
[0, 0, 0, 0]
[0, 0, 0, 0]
Introduc ao ` a

1
= {(, , , ) , }. {
1
= (1, 1, 0, 0),
2
= (0, 0, 1, 1)} e base
para
1
, pois gera
1
((, , , ) = (1, 1, 0, 0) + (0, 0, 1, 1)) e e L.I.(um
vetor n ao e m ultiplo escalar do outro). Sejam
1
=
1
,
2
=
2
proj
2
=
2

0 =
2
. Sejam
1
= (1/
1
)
1
= (1/
2, 1/
2, 0, 0) e
2
= (1/
2
)
2
=
(0, 0, 1/
2, 1/
2). {
1
,
2
1
.
3
= {(, , , ) , }. {
3
= (1, 1, 0, 0),
4
= (0, 0, 1, 1)} e base para
3
,
pois gera
1
((, , , ) = (1, 1, 0, 0) + (0, 0, 1, 1)) e e L.I.(um vetor n ao e m ultiplo
escalar do outro). Sejam
3
=
3
,
4
=
4
proj
4
=
4

0 =
4
. Sejam
3
= (1/
3
)
3
= (1/
2, 1/
2, 0, 0) e
4
= (1/
4
)
4
= (0, 0, 1/
2, 1/
2).
{
1
,
2
3
. Como a matriz e sim etrica, autovetores associa-
dos a autovalores diferentes s ao ortogonais (Proposic ao 7.7 na p agina 465). Portanto,
{
1
,
2
,
3
,
4
=
1/
2 0 1/
2 0
1/
2 0 1/
2 0
0 1/
2 0 1/
2
0 1/
2 0 1/
e =
1 0 0 0
0 1 0 0
0 0 3 0
0 0 0 3

(h) >> A=[0,0,0,0;0,0,0,0;0,0,0,1;0,0,1,0];
>> B=A-x*eye(4)
[-x, 0, 0, 0]
[ 0, -x, 0, 0]
[ 0, 0, -x, 1]
[ 0, 0, 1, -x]
>> p=det(B)
p =x2*(x2-1)
>> solve(p)
[ 0][ 0][ 1][-1]
>> B0=subs(B,x,0)
[0, 0, 0, 0]
[0, 0, 0, 0]
[0, 0, 0, 1]
[0, 0, 1, 0]
>> escalona(B0)
[0, 0, 1, 0]
[0, 0, 0, 1]
[0, 0, 0, 0]
[0, 0, 0, 0]
>> Bm1=subs(B,x,-1)
[1, 0, 0, 0]
[0, 1, 0, 0]
[0, 0, 1, 1]
[0, 0, 1, 1]
>> escalona(Bm1)
[1, 0, 0, 0]
[0, 1, 0, 0]
[0, 0, 1, 1]
[0, 0, 0, 0]
>> B1=subs(B,x,1)
B1 =
[-1, 0, 0, 0]
[ 0, -1, 0, 0]
[ 0, 0, -1, 1]
[ 0, 0, 1, -1]
>> escalona(B1)
[1, 0, 0, 0]
[0, 1, 0, 0]
[0, 0, 1, -1]
[0, 0, 0, 0]
0
= {(, , 0, 0) , }. {
1
= (1, 0, 0, 0),
2
= (0, 1, 0, 0)} e base para
0
,
pois gera
1
((, , 0, 0) = (1, 0, 0, 0) + (0, 1, 0, 0)) e e L.I.(um vetor n ao e m ultiplo
escalar do outro). Claramente
1

2
= 0 e possuem norma igual a 1. Sejam
1
=
1
e
2
=
2
. {
1
,
2
0
.
1
= {(0, 0, , ) }. {
3
= (0, 0, 1, 1)} e base para
1
, pois gera
1
Introduc ao ` a

((0, 0, , ) = (0, 0, 1, 1)) e um vetor n ao nulo e L.I. Seja
3
= (1/
3
)
3
=
(0, 0, 1/
2, 1/
2). {
3
= (0, 0, 1/
2, 1/

1
.
1
= {(0, 0, , ) }. {
4
= (0, 0, 1, 1)} e base para
1
, pois gera
1
((0, 0, , ) = (0, 0, 1, 1)) e um vetor n ao nulo e L.I. Seja
4
= (1/
4
)
4
=
(0, 0, 1/
2, 1/
2). {
4
= (0, 0, 1/
2, 1/

1
. Como a
matriz e sim etrica, autovetores associados a autovalores diferentes s ao ortogonais
(Proposic ao 7.7 na p agina 465). Portanto, {
1
,
2
,
3
,
4
} e uma base ortonormal de
autovetores de .
=
1 0 0 0
0 1 0 0
0 0 1/
2 1/
2
0 0 1/
2 1/
e =
0 0 0 0
0 0 0 0
0 0 1 0
0 0 0 1
7.2.2. Como a matriz e sim etrica ela e diagonaliz avel. Al em disso, tamb em por ser sim etrica, autove-
tores associados a autovalores diferentes s ao ortogonais. Assim basta ortogonalizar dentro de
cada autoespaco.
>> W1=V1;
>> W2=V2-proj(W1,V2)
W2 = [ 2, -1, 0, 2]
>> W3=V3;
>> W4=V4-proj(W3,V4)
W4 = [ -1, -2, -2, 0]
>> U1=W1/no(W1)
U1 = [ 0, 2/3, -2/3, 1/3]
>> U2=W2/no(W2)
U2 = [ 2/3, -1/3, 0, 2/3]
>> U3=W3/no(W3)
U3 = [ -2/3, 0, 1/3, 2/3]
= [
1

2

3

4
] =
0 2/3 2/3 1/3

2/3 1/3 0 2/3
2/3 0 1/3 2/3
1/3 2/3 2/3 0
, =
2 0 0 0
0 2 0 0
0 0 2 0
0 0 0 4
7.3. Aplicac ao ao Estudo de C onicas (p agina 490)

7.3.1. >> A=[9,-2;-2,6];
>> syms x y; X=[x;y];
>> expr=simplify(X.*A*X-30)
9
2
4 + 6
2
30
>> [P,D]=diagonal(A)
=
_
5/5 2
5/5
2
5/5
5/5
_
D=[5, 0]
[0,10]
>> syms x1 y1; X1=[x1;y1];
>> expr=subst(expr,X,P*X1)
Introduc ao ` a

5
1
2
+ 10
1
2
30
>> expr=expr/30
1
2
/6 +
1
2
/3 1
>> elipse(sqrt(6),sqrt(3),P)
4 3 2 1 0 1 2 3
3
2
1
0
1
2
3
4
x
y
x
y
Introduc ao ` a

7.3.2. >> A=[3,-4;-4,-12];
>> expr=simplify(X.*A*X+81)
3
2
8 12
2
+ 81
=
_
17/17 4
17/17
4
17/17
17/17
_
D=[-13,0]
[ 0,4]
13
1
2
+ 4
1
2
+ 81
>> expr=expr/81
13
81

1
2
+
4
81

1
2
+ 1
>> hiperbx(9/sqrt(13),9/2,P)
8 6 4 2 0 2 4 6 8
8
6
4
2
0
2
4
6
8
x
y
x
y
Introduc ao ` a

7.3.3. >> A=[2,-2;-2,-1];
>> expr=simplify(X.*A*X+K*X+24)
2
2
4
2
+ 24
=
_
5/5 2
5/5
2
5/5 1
5/5
_
D =[-2, 0]
[ 0, 3]
2
1
2
+ 3
1
2
+ 24
>> expr=expr/24
1
2
/12 +
1
2
/8 + 1
>> hiperbx(sqrt(12),sqrt(8),P)
8 6 4 2 0 2 4 6 8
8
6
4
2
0
2
4
6
8
x
y
x
y
Introduc ao ` a

7.3.4. >> A=[21,3;3,13];
>> expr=simplify(X.*A*X-132)
21
2
+ 6 + 13
2
132
=
_
10/10 3
10/10
3
10/10
10/10
_
D=[12, 0]
[ 0,22]
12
1
2
+ 22
1
2
132
>> expr=expr/132
1
2
/11 +
1
2
/6 1
>> elipse(sqrt(11),sqrt(6),P)
4 3 2 1 0 1 2 3 4 5
5
4
3
2
1
0
1
2
3
4
x
y
x
y
Introduc ao ` a

7.3.5. >> A=[4,-10;-10,25];
>> K=[-15,-6];
>> expr=simplify(X.*A*X+K*X)
4
2
20 + 25
2
15 6
=
_
5
29
29
2
29
29
2
29
29
5
29
29
_
D =[0, 0]
[0, 29]
29
1
2
3
29
1
>> expr=expr/29
1
2
3
29
29
1
>> parabx(3/(4*sqrt(29)),P)
1 0.5 0 0.5 1 1.5 2 2.5 3
2
1.5
1
0.5
0
0.5
1
1.5
2
x
y
x
y
Introduc ao ` a

7.3.6. >> A=[9,3;3,1]; K=[-10*10(1/2),10*10(1/2)];
9
2
+ 6 +
2
10
10 + 10
10 + 90
=
_
10/10 3
10/10
3
10/10
10/10
_
D =[0, 0]
[0, 10]
10
1
2
20
1
40
1
+ 90
EDU
expr=subst(expr,y1,y2+1)
10
2
2
+ 80 40
1
>> expr=subst(expr,x1,x2+2)
10
2
2
40
2
>> expr=expr/10
2
2
4
2
>> paraby(1,P,[2;1])
6 4 2 0 2 4 6 8
10
8
6
4
2
0
2
4
x
y
x"
y"
x
y
Introduc ao ` a

7.3.7. >> A=[5,-3;-3,5];
>> K=[-30*(2)(1/2),18*(2)(1/2)];
5
2
6 + 5
2
30
2 + 18
2 + 82
=
_
2/2
2/2
2/2
2/2
_
D =[2, 0]
[0, 8]
2
1
2
+ 8
1
2
12
1
+ 48
1
+ 82
>> X0=[3;-3];
>> expr=subst(expr,X1,X2+X0)
2
2
2
8 + 8
2
2
>> expr=expr/8
2
2
/4 1 +
2
2
>> elipse(2,1,P,X0)
2 1 0 1 2 3 4 5 6 7 8
5
4
3
2
1
0
1
2
3
4
5
x
y
x"
y"
x
y
Introduc ao ` a

7.3.8. >> A=[5,6;6,0];
>> K=[-12*(13)(1/2),0];
>> expr=simplify(X.*A*X+K*X-36)
5
2
+ 12 12
13 36
=
_
2/
13 3/
13
3/
13 2/
13
_
D =[-4, 0]
[ 0, 9]
4
1
2
+ 9
1
2
24
1
36
1
36
>> X0=[-3;2];
4
2
2
36 + 9
2
2
>> expr=expr/36
2
2
/9 1 +
2
2
/4
>> hiperby(2,3,P,X0)
6 4 2 0 2 4 6
4
2
0
2
4
6
8
10
x
y
x"
y"
x
y
Introduc ao ` a

7.3.9. >> A=[6,-2;-2,9];
>> K=[-4*5(1/2),-18*5(1/2)];
>> expr=simplify(X.*A*X+K*X-5)
6
2
4 + 9
2
4
5 18
5 5
=
_
2/
5 1/
5
1/
5 2/
5
_
D =[5, 0]
[0, 10]
5
1
2
+ 10
1
2
26
1
32
1
5
>> X0=[26/10;32/20];
5
2
2
322
5
+ 10
2
2
>> expr=expr*5/322
25
322

2
2
1 +
25
161

2
2
>> elipse(sqrt(322)/5,sqrt(161)/5,P,X0)
2 1 0 1 2 3 4 5 6 7 8
2
1
0
1
2
3
4
5
6
7
x
y
x"
y"
x
y
Introduc ao ` a

7.3.10. >> A=[1,3(1/2);3(1/2),-1];
>> K=[6,0];
>> expr=simplify(X.*A*X+K*X)
2
+ 2
3
2
+ 6
=
_
3/2 1/2
1/2
3/2
_
D =[ 2, 0]
[ 0,-2]
2
1
2
2
1
2
+ 3
3
1
3
1
>> X0=[-3*3(1/2)/4;-3/4];
2
2
2
9/4 2
2
2
>> expr=expr*4/9
8
9

2
2
1
8
9

2
2
>> hiperbx(3/sqrt(8),3/sqrt(8),P,X0)
4 3 2 1 0 1 2
4
3
2
1
0
1
2
x
y
x"
y"
x
y
Introduc ao ` a

7.3.11. >> A=[8,-8;-8,8];
>> K=[33*2(1/2),-31*2(1/2)];
8
2
16 + 8
2
+ 33
2 31
2 + 70
=
_
2/2
2/2
2/2
2/2
_
D =[0, 0]
[0, 16]
16
1
2
+ 2
1
64
1
+ 70
>> expr=subst(expr,y1,y2+2)
16
2
2
+ 6 + 2
1
>> expr=subst(expr,x1,x2-3)
16
2
2
+ 2
2
>> expr=expr/16
2
2
+
2
/8
>> parabx(-1/32,P,[-3;2])
10 8 6 4 2 0 2 4
8
6
4
2
0
2
4
x
y
x"
y"
x
y
Introduc ao ` a

7.3.12. >> A=[1,-3;-3,-7];
>> K=[10,2];
2
6 7
2
+ 10 + 2 + 9
=
_
1/
10 3/
10
3/
10 1/
10
_
D =[-8, 0]
[ 0, 2]
8
1
2
+ 2
1
2
+
8
5
10
1
14
5
10
1
+ 9
>> X0=[1/10(1/2);7/10(1/2)];
8
2
2
+ 2
2
2
>> hiperby(4,1,P,X0,d)
Esta e uma c onica degenerada. A equac ao representa as duas retas
2
= 4
2
, ou
=
2
.
8 6 4 2 0 2 4
4
2
0
2
4
6
x
y
x"
y"
x
y
Introduc ao ` a

Bibliograa
[1] Howard Anton e Chris Rorres.

Algebra Linear com Aplicac oes. Bookman, S ao Paulo, 8a. edic ao,
2000.
[2] Jos e L. Boldrini, Sueli I. R. Costa, Vera L. Figueiredo, e Henry G. Wetzler.

Algebra Linear. Ed.
Harbra Ltda., S ao Paulo, 3a. edic ao, 1986.
[3] Frederico F. C., lho. Introduc ao ao MATLAB. Departamento de Ci encia da Computac ao - UFMG,
Belo Horizonte, Fevereiro de 2000.
[4] Carlos A. Callioli, Hygino H. Domingues, e Roberto C. F. Costa.

Algebra Linear e Aplicac oes.
Atual Editora, S ao Paulo, 6a. edic ao, 1995.
[5] Adilson Goncalves e Rita M. L. de Souza. Introduc ao ` a

Algebra Linear. Edgard Bl ucher, Rio de
Janeiro, 1977.
679
[6] Al esio de Caroli, Carlos A. Callioli, e Miguel O. Feitosa. Matrizes, Vetores, Geometria Analtica.
Nobel, S ao Paulo, 1976.
[7] Jo ao Pitombeira de Carvalho.

Algebra Linear - Introduc ao. Livros T ecnicos e Cientcos Editora
S.A., Rio de Janeiro, 2a. edic ao, 1977.
[8] Nathan M. dos Santos. Vetores e Matrizes. Livros T ecnicos e Cientcos Ed. S.A., Rio de Janeiro,
3a. edic ao, 1988.
[9] C. H. Edwards, Jr e D. E. Penney. Introduc ao ` a

Algebra Linear. Livros T ecnicos e Cientcos
Editora S.A., Rio de Janeiro, 2000.
[10] John B. Fraleigh e Raymond A. Beauregard. Linear Algebra. Addison Wesley, Reading, Massa-
chusetts, 3a. edic ao, 1995.
[11] Stephen H. Friedberg, Arnold J. Insel, e Lawrence E. Spence. Linear Algebra. Prentice Hall,
Upper Saddle River, New Jersey, 3a. edic ao, 1997.
[12] G. H. Golub e C. F. Van Loan. Matrix Computations. Johns Hopkins U.P., Baltimore, 3a. edic ao,
1996.
[13] Stanley I. Grossman. Elementary Linear Algebra. Saunders College Publishing, New York, 5a.
edic ao, 1994.
[14] David R. Hill e David E. Zitarelli. Linear Algebra Labs with MATLAB. Macmillan Publishing Com-
pany, New York, 1994.
[15] Kenneth Hoffman e Ray Kunze.

Algebra Linear. Livros T ecnicos e Cientcos Ed. S.A., Rio de
Janeiro, 3a. edic ao, 1979.
Introduc ao ` a

[16] Bernard Kolman. Introduc ao ` a

Algebra Linear com Aplicac oes. Prentice Hall do Brasil, Rio de
Janeiro, 6a. edic ao, 1998.
[17] Serge Lang. Introduction to Linear Algebra. Springer, New York, 2a. edic ao, 1986.
[18] David C. Lay.

Algebra Linear e suas Aplicac oes. Livros T ecnicos e Cientcos Editora S.A., Rio
de Janeiro, 2a. edic ao, 1999.
[19] Steven Leon, Eugene Herman, e Richard Faulkenberry. ATLAST Computer Exercises for Linear
Algebra. Prentice Hall, Upper Saddle River, New Jersey, 1996.
[20] Steven J. Leon.

Algebra Linear com Aplicac oes. Livros T ecnicos e Cientcos Editora S.A., Rio
de Janeiro, 5a. edic ao, 1998.
[21] Emlia Giraldes, Vitor H. Fernandes, e Maria P. M Smith. Curso de

Algebra Linear e Geometria
Analtica. Mc Graw Hill, Lisboa, 1995.
[22] Elon L. Lima.

Algebra Linear. IMPA, Rio de Janeiro, 2a. edic ao, 1996.
[23] Seymour Lipschutz.

Algebra Linear. McGraw-Hill, S ao Paulo, 3a. edic ao, 1994.
[24] Mathworks Inc. Student Edition of MATLAB Version 5 for Windows. Prentice Hall, Upper Saddle
River, New Jersey, 1997.
[25] Ben Noble e James W. Daniel. Applied Linear Algebra. Prentice Hall, Upper Saddle River, New
Jersey, 3a. edic ao, 1988.
[26] Reginaldo J. Santos.

Algebra Linear e Aplicac oes. Imprensa Universit aria da UFMG, Belo Hori-
zonte, 2006.
682 Bibliograa
[27] Shayle R. Searle. Matrix Algebra Useful for Statistics. John Wiley and Sons, New York, 1982.
[28] Carl P. Simon e Lawrence Blume. Mathematics for Economists. W. W. Norton and Co. Inc., New
York, 1994.
[29] Gilbert Strang. Linear Algebra and its Applications. Harcourt Brace Jovanovich, Inc., Orlando,
3a. edic ao, 1988.
[30] Gilbert Strang. Introduction to Linear Algebra. Wellesley-Cambridge Press, Wellesley, 1993.
Introduc ao ` a

Indice Alfab etico

Adjunta de uma matriz, 129
Angulo
entre vetores, 182
Autoespaco, 433
Autoespaco generalizado, 450
Autovalor(es), 427
Autovetor generalizado, 450
Autovetor(es), 427
axiss, 194
Base
can onica, 253, 323
de subespaco, 252
ortogonal, 322
ortonormal, 322
Bloco de Jordan, 447
box, 194
Cadeia de Markov, 16
clf, 70
Cofator de um elemento, 108, 109
Combinac ao linear, 174, 226
Complemento ortogonal, 328
C onicas, 462
(n ao) degeneradas, 480
identicac ao de, 480
Conjugado de uma matriz, 474
Conjunto imagem, 371
Contradomnio, 371
Decomposic ao polar de uma matriz, 473
683
684

Indice Alfab etico
Depend encia linear, 231
Desigualdade de Cauchy-Schwarz, 314
Desigualdade triangular, 315
desvet, 194
det, 140
Determinante, 107
de um operador linear, 415
de Vandermonde, 142
desenvolvimento em cofatores do, 110,
116
propriedades do, 113
detopelp, 140
diag, 23
diagonal, 491
Diagonalizac ao
de matrizes, 424
de matrizes sim etricas, 462
Dimens ao, 255
Dist ancia
entre dois pontos, 179
Domnio, 371
eig, 457
eixos, 71, 194
elipse, 491
Equac ao (equac oes)
da reta, 207
geral do plano, 201
linear, 35
normais, 338
param etricas da reta, 208
quadr atica, 480
Escalar, 5
escalona, 71
Espaco (espacos)
coluna, 278
linha, 278
, 222
soluc ao, 246
vetoriais, 226
vetoriais isomorfos, 399
vetorial, 294
eye, 23
Forma can onica de Jordan, 447
Func ao, 371
Geradores, 250
Gerar, 250
Gram-Schmidt (processo de ortogonalizac ao),
323
Grandezas vetoriais, 159
Grau de um polin omio, 307
hiperbx, 491
Introduc ao ` a


hiperby, 491
Hiperplano, 307
Identidade polar, 327
Identicac ao de c onicas, 480
Imagem, 371, 389
de uma matriz, 287
Independ encia linear, 231
Interpolac ao polinomial, 96
inv, 457
Isomorsmo, 399
Lei do paralelogramo, 327
lin, 219
lineplan, 220
lineseg, 194
Matriz (matrizes), 1
(denida) positiva, 472
escalonada, 43
escalonada reduzida, 43
adjunta (cl assica), 129
anti-sim etrica, 30
aumentada, 37
coluna, 2, 172, 224
coluna de, 1
companheira, 142, 460
conjugado de, 474
da transformac ao linear, 379, 405
de rotac ao, 357, 472
de transic ao, 16
de Vandermonde, 98
decomposic ao polar de, 473
determinante de, 107
diagonal, 26, 104
diagonal (principal) de, 2
diagonaliz avel, 425
diferenca entre, 14
do sistema linear, 36
elementar, 57
elemento de, 2
entrada de, 2
equivalente por linhas, 50
identidade, 11
iguais, 3
Imagem de, 287
inversa de, 78
invertvel, 78
linha, 2, 172, 224
linha de, 1
m ultiplo escalar de, 5
mudanca de base, 402, 406
multiplicac ao por escalar, 5
686

Indice Alfab etico
n ao invertvel, 78
nilpotente, 32, 459
n ucleo de, 282
nula, 10
nulidade, 279
ortogonal, 352, 464
particionada em blocos, 148
posto de, 279
pot encia, 15
produto de, 5
propriedades de, 10
quadrada, 2
raiz quadrada de, 472
semelhantes, 414, 458
sim etrica, 30
singular, 78
soma de, 3
submatriz principal de, 473
traco de, 31
transposta de, 8
triangular inferior, 112
triangular superior, 141
matvand, 71
Menor de um elemento, 107
M etodo de Gauss, 48
M etodo de Gauss-Jordan, 44
Mudanca de coordenadas, 349
M ultiplo escalar, 5, 164, 224, 295
no, 194
Norma de um vetor, 179, 313
Notac ao de somat orio, 6, 9, 33
N ucleo, 389
de uma matriz, 282
Nulidade, 389
de uma matriz, 279
numeric, 23, 457
oe, 71
opel, 71
Operac ao elementar, 37
Operador
diagonaliz avel, 445
linear, 414
parabx, 492
paraby, 492
pe, 194
Piv o, 39
plan, 220
Plano (plano)
vetor normal do, 201
Plano (planos), 201
Introduc ao ` a


equac ao geral do, 201
plotci, 71
plotf1, 71
po, 194
Polin omio caracterstico, 429
poline, 220
poly2sym, 70
poly2sym2, 71
Pontos
colineares, 192
poplan, 220
Posto, 389
de uma matriz, 279
Problema de quadrados mnimos, 338
Processo de ortogonalizac ao de Gram-
Schmidt, 323
Produto
vetorial em
, 329
escalar ou interno, 183, 313
propriedades do, 188
Projec ao ortogonal, 189, 317
Projec ao ortogonal no subespaco, 333
Projec ao Ortogr aca, 360
Raiz quadrada de uma matriz, 472
randi, 23, 457
Regra de Cramer, 126, 136
Reta (retas), 207
equac oes param etricas da, 208
vetor diretor da, 208
rota, 194
Rotac ao, 355
Sec ao c onica, 480
Segmento (de reta) orientado, 159
Sistema de coordenadas, 349
Sistema de coordenadas retangulares, 164
Sistema de equac oes lineares, 35
Sistema homog eneo, 53
soluc ao trivial de, 53
Sistema(s) linear(es), 35
conjunto soluc ao de, 36
consistente, 69
equivalentes, 39
homog eneo, 53
soluc ao (geral) de, 36
Soluc ao
geral de sistema linear, 36
trivial de sistema homog eneo, 53
solve, 23
Soma de subespacos, 268
Subespaco(s), 246, 301
dimens ao de, 255
gerado por, 250
688

Indice Alfab etico
soma de, 268
Submatriz, 280
Submatriz principal, 473
subs, 70, 457
subst, 491
sym, 23, 457
syms, 22
tex, 195
Traco de um operador linear, 415
Transformac ao linear, 287, 372
identidade, 373
injetiva, 396
invertvel, 408
nula, 373
sobrejetiva, 395
Translac ao, 357
Vari aveis livres, 47
Vetor (vetores), 2, 159, 222, 295
angulo entre, 182
colineares, 164
combinac ao linear de, 226
componentes de, 164, 167, 169, 171
comprimento de, 179
de coordenadas em relac ao a uma base,
402
de estado, 17
diferenca de, 163, 224, 295
geradores, 250
iguais, 222
independ encia linear de, 231
inverso aditivo, 295
linearmente (in)dependentes, 231
multiplicac ao por escalar, 164, 167, 170,
224
m ultiplo escalar, 164, 224, 295
norma de, 179, 313
normal do plano, 201
nulo, 163, 224, 295
ortogonais, 182, 316
paralelos, 164
produto escalar ou interno de, 183, 313
sim etrico, 163, 224, 295
soma de, 161, 167, 170, 224
unit ario, 179, 322
unit arios, 322
zeros, 23
zoom3, 194
Introduc ao ` a


Algebra Linear - Ufmg

Diunggah oleh

Informasi Dokumen

Judul Asli

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

Algebra Linear - Ufmg

Diunggah oleh

Hak Cipta:

Format Tersedia

INTRODUC

Indice Alfab etico 683

. Os vetores s ao denidos inicialmente

e marca registrada de The Mathworks, Inc.

s ao estudadas no Captulo 6. O Captulo 7 traz um estudo

ou outro software. Os comandos

e um software destinado a fazer c alculos com matrizes (MATLAB

s ao muito pr oximos da forma como escrevemos express oes

e instruc oes de como instalar o pacote gaal.

n ao e um software gratuito, embora antes a vers ao estudante vinha gr atis ao se com-

est ao resolvidos ap os o ultimo

. Desta forma o leitor que n ao estiver interessado em usar o software

formam a diagonal (principal) de .

por um escalar (n umero) e denida

. Dizemos que a matriz e

pelo escalar 3 e dado por

e denido pela matriz

e denida pela matriz

obtida trocando-se as linhas com as colunas, ou seja,

= , para toda matriz = (

= 0, para = 1 . . . , e = 1 . . . , . Portanto, a unica matriz que satisfaz (1.2) e

, para = 1 . . . , e = 1 . . . , . Portanto, a unica matriz que satisfaz

A diferenc a entre duas matrizes de mesmo tamanho e e denida por

a probabilidade de mudanca do estado para o estado em uma unidade de tempo

e a probabilidade de mudanca do estado para o estado . Assim o vetor de estado

d a a transic ao entre unidades de tempo.

Se for possvel calcule:

e a - esima coluna de , para = 1, 2, 3 e

e a - esima linha de , para

s ao as linhas de (o caso geral est a no Exerccio 1.1.17 (b) na

, o produto pode ser escrito como = [

e a - esima coluna de , para = 1, 2, 3

Julho 2009 Reginaldo J. Santos

, aparecer a na janela de comandos um prompt >> ou EDU>>.

est a esperando um comando. Todo comando deve ser

faz diferenca entre

, pode-se obter ajuda sobre qualquer comando ou func ao. O comando

d a informac oes sobre este pacote.

podem ser obtidas em [3, 24].

que as vari aveis x y e z s ao simb olicas.

para calcular alguns membros da seq u encia ,

para tentar ter uma id eia do qu ao comum e encontrar

digite a seguinte linha:

de forma a obter a seguinte linha:

para resolver os Exerccios Num ericos.

e uma matriz , ent ao

e igual ` a coluna da matriz .

e igual ` a linha da matriz .

e a - esima coluna de , ou seja, se = [

] e a - esima linha de , ou seja, se =

uma matriz 1. Prove que

e a - esima coluna de . (Sugest ao: Desenvolva o lado direito e

e a unica matriz tal que

uma matriz tal que

, para , = 1, . . . e que se e anti-

, para , = 1, . . . . Portanto, os elementos da diagonal

denimos o trac o de como sendo a soma dos ele-

. Aqui foram aplicadas as

. Aqui foram aplicadas as

e uma equac ao da forma

s ao constantes reais, para , = 1, . . . , e = 1, . . . , .

tal que as equac oes do sistema s ao

. O conjunto de todas as soluc oes do