Anda di halaman 1dari 252

lgebra Linear I

Sonia Elena Palomino Castro Bean


Daniel Noberto Kozakevich

2 Edio
Florianpolis, 2011

Governo Federal
Presidente da Repblica: Dilma Vana Rousseff
Ministro de Educao: Fernando Haddad
Coordenador Nacional da Universidade Aberta do Brasil: Celso Costa

Universidade Federal de Santa Catarina


Reitor: Alvaro Toubes Prata
Vice-Reitor: Carlos Alberto Justo da Silva
Secretrio de Educao a Distncia: Ccero Barbosa
Pr-Reitora de Ensino de Graduao: Yara Maria Rauh Mller
Pr-Reitora de Pesquisa e Extenso: Dbora Peres Menezes
Pr-Reitor de Ps-Graduao: Maria Lcia de Barros Camargo
Pr-Reitor de Desenvolvimento Humano e Social: Luiz Henrique Vieira Silva
Pr-Reitor de Infra-Estrutura: Joo Batista Furtuoso
Pr-Reitor de Assuntos Estudantis: Cludio Jos Amante
Centro de Cincias da Educao: Wilson Schmidt
Centro de Cincias Fsicas e Matemticas: Tarciso Antnio Grandi
Centro de Filosofia e Cincias Humanas: Roselane Neckel

Curso de Licenciatura em Matemtica na


Modalidade Distncia
Coordenao de Curso: Neri Terezinha Both Carvalho
Coordenao de Tutoria: Jane Crippa
Coordenao Pedaggica/CED: Roseli Zen Cerny
Coordenao de Ambientes Virtuais/CFM: Nereu Estanislau Burin

Comisso Editorial
Antnio Carlos Gardel Leito
Albertina Zatelli
Elisa Zunko Toma
Igor Mozolevski
Luiz Augusto Saeger
Roberto Corra da Silva
Ruy Coimbra Charo

Laboratrio de Novas Tecnologias - LANTEC/CED


Coordenao Pedaggica
Coordenao Geral: Andrea Lapa, Roseli Zen Cerny
Ncleo de Formao: Nilza Godoy Gomes
Ncleo de Pesquisa e Avaliao: Claudia Regina Flores

Ncleo de Criao e Desenvolvimento de Materiais


Design Grfico
Coordenao: Laura Martins Rodrigues, Thiago Rocha Oliveira
Projeto Grfico Original: Diogo Henrique Ropelato, Marta Cristina Goulart
Braga, Natal Anacleto Chicca Junior

Redesenho do Projeto Grfico: Laura Martins Rodrigues,


Thiago Rocha Oliveira

Diagramao: Kallani Maciel Bonelli, Karina Silveira


Ilustraes: Gabriela Dal To Fortuna, Kallani Maciel Bonelli
Capa: Rafael Naravan Kienen

Design Instrucional
Coordenao: Elizandro Maurcio Brick
Design Instrucional: Maria Carolina Machado Magnus
Reviso Gramatical: Daniela Piantola, Raquel Coelho, Tony Roberson De M.
Rodrigues
Copyright 2011, Universidade Federal de Santa Catarina/CFM/CED/UFSC
Nenhuma parte deste material poder ser reproduzida, transmitida e gravada, por qualquer
meio eletrnico, por fotocpia e outros, sem a prvia autorizao, por escrito, da Coordenao
Acadmica do Curso de Licenciatura em Matemtica na Modalidade Distncia.

Ficha Catalogrfica
K88a






Kozakevich, Daniel
lgebra Linear I / Daniel Norberto Kozakevich, Sonia Elena
Palomino Castro Bean. 2. ed. Florianpolis : UFSC/EAD/CED/
CFM, 2011.
250 p. : il. ; grafs. , tabs.
Inclui bibliografia
UFSC. Licenciatura em Matemtica na Modalidade a Distncia
ISBN 978-85-8030-023-9


1. lgebra linear. I. Bean, Sonia Elena P. Castro. II. Ttulo.

CDU 512.64
Catalogao na fonte pela Biblioteca Universitria da UFSC

Sumrio
Apresentao.............................................................................. 7
1. Matrizes.................................................................................. 9
1.1 Matriz . ......................................................................................... 11
1.2 Tipos de Matrizes . ..................................................................... 16
1.3 Operaes com Matrizes............................................................ 24
1.4 Determinantes ............................................................................ 41
1.5 Matriz Adjunta: Adj (A).............................................................. 51
1.6 Inversa de uma Matriz............................................................... 55
Resumo............................................................................................... 71
Bibliografia Comentada.................................................................... 73

2. Sistemas Lineares................................................................ 73
2.1 Preliminares................................................................................. 75
2.2 Sistemas Lineares........................................................................ 80
2.3 Decomposio LU..................................................................... 108
Resumo . ...........................................................................................114
Bibliografia Comentada...................................................................115

3. Espaos Vetoriais............................................................... 117


3.1 Introduo...................................................................................119
3.2 Espaos Vetoriais....................................................................... 124
3.3 Subespaos Vetoriais................................................................. 133
3.4 Espaos Gerados.........................................................................148
3.5 Independncia Linear............................................................... 155
3.6 Bases e Dimenso.......................................................................166
3.7 Subespaos Associados a Matrizes e Computao de
Bases..................................................................................................189
3.8 Espaos Linha/Coluna e os Sistemas Lineares..................... 194
Resumo............................................................................................. 197
Bibliografia Comentada.................................................................. 199

4. Transformaes Linares................................................... 201


4.1 Introduo.................................................................................. 203
4.2 Operaes com Transformaes Lineares..............................216
4.3 A Imagem e o Ncleo de uma Transformao Linear......... 226
4.4 Transformaes Injetoras, Sobrejetoras e Isomorfismos...... 233
4.5 Representao Matricial de Transformaes Lineares........ 239
4.6 Matrizes e Transformaes Lineares, Equivalncias e
Propriedades.................................................................................... 247
Bibliografia Comentada.................................................................. 249

Apresentao
A lgebra Linear o estudo dos espaos vetoriais e das transformaes lineares definidas entre eles. Quando os espaos tm
dimenses finitas, as transformaes lineares podem ser representadas por matrizes. Tambm com matrizes podem ser representadas as formas bilineares e, mais particularmente, as formas
quadrticas. Assim a lgebra Linear, alm de vetores e transformaes lineares, lida tambm com matrizes e formas quadrticas.
So numerosas e bastante variadas as situaes, em Matemtica
e em suas aplicaes, onde esses objetos se apresentam. Da a importncia central da lgebra Linear no ensino da Matemtica.
Neste livro se introduzem os conceitos da lgebra Linear, desde
os mais simples, que so as matrizes, at os mais abstratos, quando se trata do estudo de espaos vetoriais. Todos esses conceitos
so apresentados, dentro do possvel, de uma forma acessvel, ajudando a compreenso com muitos exemplos, exerccios resolvidos
e propostos. Tambm, com o objetivo de facilitar a compreenso
do contedo, colocamos alguns tpicos com detalhes e justificaes que usualmente no so expostos nos livros tradicionais.
Este texto pretende fornecer conceitos suficientes para que os
estudantes consigam ter acesso ao nvel dos livros avanados.
Isto no significa deixar para trs as possibilidades que oferece a
utilizao de um software matemtico ou ignorar as aplicaes,
no favor de uma exclusiva e nica compreenso da Matemtica.
Significa que se pretende, principalmente, que o leitor obtenha
uma compreenso global dos conceitos (como por exemplo, que
a multiplicao de uma matriz por um vetor pode ser entendida
como a aplicao de uma transformao linear) e tambm consiga
acompanhar as provas e demonstraes.
O primeiro captulo trata de Matrizes e Aplicaes. No segundo
captulo, se estudam os Sistemas Lineares, comeando com uma
breve reviso dos conceitos da Geometria Analtica, para poder entender em uma forma geomtrica como que tais sistemas podem
ser caracterizados. No terceiro captulo define-se Espao Vetorial,
um conceito bsico da lgebra Linear que proporciona unidade
e preciso aos assuntos essenciais da Matemtica. E finalmente,

o quarto captulo introduz a noo de Transformao Linear e as


relaes que existem entre transformaes lineares e matrizes.
Embora a apresentao esteja focalizada sobre os principais tpicos da lgebra Linear, no pressupe que os estudantes possuam
desde o incio uma prtica em trabalhar com conceitos que demandem certos nveis de abstrao, ainda que desejvel. Em lugar
disso, esta atividade estimulada atravs dos muitos exemplos e
exerccios que diferem das verificaes rotineiras ou uso de tcnicas de resoluo. O objetivo est colocado principalmente em
desenvolver, sendo o material usual de um curso de graduao, o
nvel de maturidade matemtica de um estudante da Licenciatura de Matemtica.

Sonia Elena Palomino Castro Bean


Daniel Noberto Kozakevich

Captulo 1
Matrizes

Captulo 1
Matrizes
Ao finalizar o estudo deste Captulo voc ser capaz de
identificar alguns tipos de matrizes, fazer operaes e
provar propriedades e teoremas sobre matrizes. Tambm,
ser capaz de compreender e aplicar o conceito de matrizes em situaes reais.

1.1 Matriz
As matrizes so estruturas matemticas que podem ser encontradas em muitos problemas do nosso dia-a-dia. Por isso, neste captulo, iniciaremos o estudo das matrizes com um problema vindo
do nosso cotidiano.
Problema 1. J pensou que a temperatura que temos em cada estao do ano pode ser registrada dia a dia e hora a hora (e at minuto
a minuto!), com ajuda de dispositivos especiais? Isso feito pelo
Instituto de Meteorologia de cada uma das regies. Considere a
seguinte situao:
As temperaturas de cinco cidades brasileiras nas primeiras horas da
manh de um determinado dia (durante o inverno) foram registradas da forma seguinte:
Cidade n 1: So Joaquim (SC) s 3 horas da manh apresenta
3 graus centgrados;
Cidade n 2: Rio de Janeiro (RJ) s 5 horas da manh apresenta
14 graus centgrados;
Cidade n 3: Turvo (SC) s 7 horas da manh apresenta 5
graus centgrados;
Cidade n 4: Florianpolis (SC) s 9 horas da manh apresenta
16 graus centgrados;

12

Cidade n 5: So Luis (MA) s 11 horas da manh apresenta


20 graus centgrados.
Essas informaes podem ser arranjadas em tabelas de vrias formas, como as que apresentamos a seguir:
Cidade
1
2
3
4
5

Hora
3
5
7
9
11

Temperatura
(C)
-3
14
5
16
20
Temperatura
(C)
-3
14
5
16
20

Cidade

Hora

1
2
3
4
5

3
5
7
9
11

Hora

Cidade

3
5
7
9
11

1
2
3
4
5

Observe que dessa forma as informaes esto dispostas em forma


vertical, mas tambm podemos colocar as mesmas informaes em
forma horizontal.
Pergunta 1. De que forma podem ser arranjados os dados acima de
modo a estarem dispostos horizontalmente?
Se considerarmos H como sendo a hora e T a temperatura da cidade, ento, a terceira tabela pode ser disposta da seguinte maneira:
H
T (C)

3
-3

5
14

7
5

9
16

11
20

Deixamos de atividade para voc completar essa disposio horizontal no caso das outras tabelas.
Continuando com o Problema 1, suponhamos que por algum motivo do nosso interesse os dados do arranjo dado pela ltima tabela.

13
Assim, podemos formular o seguinte:
Em cinco cidades brasileiras, em determinadas horas, foram registradas as seguintes temperaturas:
H
3
5
7
9
11

T (C)
-3
14
5
16
20

Observao. A mesma informao poderia ter sido colocada da seguinte forma:


H
T (C)

3
-3

5
14

7
5

9
16

11
20

Os dois jeitos de arranjar os dados esto nos fornecendo o que denominaremos como Matriz.

1.1.1 Definio de matriz


de nosso interesse
trabalhar apenas com
nmeros reais neste Livro,
assim sendo tudo o que
ser definido mais adiante,
no caso das matrizes ou
vetores, ser com elementos
reais (mais adiante voc
ter a possibilidade de
trabalhar com nmeros
complexos tambm!).

Uma matriz um arranjo de nmeros, smbolos, letras, etc., dispostos em linhas e colunas.

1.1.2 Ordem de uma matriz


As matrizes geralmente so denotadas por letras maisculas e seus
elementos por letras minsculas. Se uma matriz possui m linhas e
n colunas diremos que a matriz tem ordem m n.
Exemplo 1. Denominemos por A e B as duas matrizes definidas no
Problema 1 e na Pergunta 1, respectivamente. Assim:
3
5

A= 7

9
11

3
14
3 5 7 9 11
5 e B=
.

3
14
5
16
20

16
20

14
A matriz A tem 5 linhas e 2 colunas, ou seja, de ordem 5 2; j a
matriz B tem 2 linhas e 5 colunas e de ordem 2 5.
O elemento da 2 linha e 2 coluna da matriz A igual a 14, ou seja:
a22 = 14.
O elemento da 1 linha e 4 coluna da matriz B igual a 9, isto :
b14 = 9.
Quando uma matriz obtida por algum problema especfico (como
o explicitado no Problema 1), possvel fornecer alguma interpretao aos seus elementos.
Por exemplo, as matrizes A e B do Exemplo 1 com elementos
a22 = 14 e b14 = 9 podem ser interpretadas da seguinte forma:
No segundo horrio (5 horas da manh) o segundo valor da temperatura
(no Rio de Janeiro) 14 graus.
So 9 horas da manh quando a temperatura em Florianpolis 16 graus.
E, claro, aps fornecermos todas as interpretaes podemos fazer
algumas concluses:
Eu gosto do frio, portanto irei para So Joaquim no inverno.
No, no gosto de tanto frio, por isso no inverno ficarei no Rio
de Janeiro.
Bom, voc deve estar se perguntando: onde est a matemtica nesse
papo todo? Se estiver fazendo esse tipo de questionamento est indo
por um bom caminho, pois a matemtica, por incrvel que parea,
est presente em muitas situaes! E isso que esperamos mostrar
ao longo deste material!

Lembrete. A partir de agora, sero apresentados vrios exerccios que pediremos para voc resolver.

15

Agora verifique se voc est acompanhando as discusses que fizemos, resolvendo os seguintes exerccios.
Exerccio 1. Coloque mais alguma condio no Problema 1 para
construir uma matriz de ordem 3 x 5.
Dica: Imagine que os dados so colhidos durante 3 dias.
Exerccio 2. Ser que voc pode imaginar e criar um problema do
seu cotidiano diferente do dado acima para chegar a uma matriz?
Dada uma linha i e uma coluna j de uma matriz A, o elemento
na posio (i, j) ser denotado por aij . Assim, uma matriz com m n
elementos pode ser escrita na seguinte forma estendida:
a11
a
21

A=
ai1

am1

a12
a22

ai 2

am 2

a1 j
a2 j

aij

amj

a1n
a2 n

ain

amn

Tambm podemos coloc-la na forma abreviada:


A = aij

mn

Assim, a matriz A de ordem m n possui m n elementos da forma


aij com i = 1, , m e j = 1, , n.
Alguns livros denotam a matriz A de elementos aij na forma
A = (aij ) mn .
Muitas vezes fornecida uma lei de formao para obtermos os elementos de uma matriz. Por exemplo, se A = aij com aij = i + j,
23
com m = 2 e n = 3, estaremos construindo a seguinte matriz A:
1 + 1 1 + 2 1 + 3 2 3 4
A=
=
.
2 + 1 2 + 2 2 + 3 3 4 5

16
Exemplo 2. Vamos obter a matriz B = (bij )34 , de ordem 3 4, cujos
elementos so da forma
i j , i = 1, 2
.
bij =
0, i = 3
Soluo. Observe que no h nenhuma condio para os ndices j,
isto , j est variando conforme o nmero de colunas que a matriz
tem. J na 3 linha (i = 3) todos os elementos sero nulos. Assim
sendo, a matriz B dada por:
11 12

B = 21 22
0 0

14 1 1 1 1

24 = 2 4 8 16 .
0 0 0 0 0

13
23
0

1.2 Tipos de Matrizes


1.2.1 Matriz Retangular
So denominadas assim aquelas matrizes cujo nmero de linhas
diferente do nmero de colunas. Por exemplo:
0 1
1 1
7 2

A = 0 9 B =
1 3

5 2
3 5

2
3
3
0

3
8
2
0

4
0
0 0 1
e C=
,
6
1 3 9

e podem ser colocadas na forma A = [ ]32 , B = [ ]45 e C = [ ]23. No


que segue podemos omitir a ordem na representao da matriz toda
vez que ela venha dada na forma estendida.

1.2.2 Matriz Linha


A matriz linha uma matriz que tem apenas uma linha. Por exemplo:
L = [1 2 3 4]

M = (0 0 1 8).

Observao. comum colocarmos vetores no plano e no espao


como matrizes linha entre parnteses, onde os elementos esto separados por vrgula. Exemplo: (0, 0,1, 8).

17

1.2.3 Matriz Coluna


A matriz coluna uma matriz que tem apenas uma coluna. Por
0
exemplo:

2
1
D = 1 .
B = 2

2
4
3

Observao. Sabia que um vetor no plano (ou no espao) pode ser
considerado como uma matriz coluna? Mais adiante (captulo de
Sistemas Lineares) usaremos essa forma ao representar a soluo
de um sistema de equaes. Assim, se tivermos duas ou trs incgnitas elas podem ser alocadas numa forma vetorial no plano ou no
espao, respectivamente; voc tambm encontrar essa notao no
livro Um curso de geometria analtica e lgebra linear, citado na
bibliografia comentada.

1.2.4 Matriz Nula


A matriz nula uma matriz cujos elementos
exemplo:
0 0
0 0
O=
O = 0 0

0 0
0 0

so todos nulos. Por


0 0
0 0 .
0 0

Esses tipos de matrizes geralmente so denotados pela letra maiscula O e dependendo do problema dever discernir a ordem da matriz no exerccio ou problema em questo. Alguns autores denotam
essa matriz da forma: O = 0ij .
mn

1.2.5 Matriz Quadrada


Para facilitar, usamos apenas a notao

A = aij

para representar, de forma


abreviada, matrizes quadradas de ordem n.

Uma matriz quadrada uma matriz onde o nmero de linhas


igual ao nmero de colunas. Nas seguintes matrizes, A uma matriz de ordem n e B uma matriz de ordem 3:
A = aij

1 1 1

B = 1 1 2
3 7 0

18

No caso de matrizes quadradas, possvel definir duas diagonais:


A diagonal principal de uma matriz quadrada est dada pelos elementos na posio i = j. Por exemplo, os valores 1, 1 e 0
so os elementos da diagonal principal da matriz B.
A diagonal secundria est dada pelos elementos da matriz
cujos ndices contabilizam o valor i + j = n + 1, assim, na mesma matriz B dada acima os elementos 1, 1 e 3 so aqueles
cujos ndices sempre somam i + j = 3 + 1 = 4, esses elementos
so b13 , b22 e b31.
1 1 1
Exemplo 3: Considere a matriz B = 1 1 2 .
3 7 0
Os elementos {1, -1, 0} formam a diagonal principal e os elementos {3,
-1, 1} formam a diagonal secundria.
A partir de agora, falaremos um pouco mais sobre matrizes quadradas.

1.2.6 Matriz Diagonal


A matriz diagonal uma matriz quadrada cujos elementos fora da
diagonal principal so nulos, isto , aij = 0 se i j. Por exemplo:
1 0 0
D = 0 3 0
0 0 6

0 0
E=
.
0 1

Pelo fato das matrizes diagonais possurem elementos, quase sempre no nulos. Apenas na posio (i, i ) que elas podem ser denotadas como diag{d1 , d 2 , , d n }, ou ainda na forma diag{d1 , d 2 , , d n }
onde d1 , d 2 , , d n indicam os elementos diagonais. Por exemplo, a
matriz D dada anteriormente pode ser escrita como D = diag{1,3, 6}.

1.2.7 Matriz Identidade


A matriz identidade uma matriz diagonal onde todos os elementos da diagonal principal so iguais a um. geralmente denotada

19
com a letra I e com um ndice que denota a ordem, como ilustrado
a seguir:
1 0 0 0

0 1 0 0
1 0

I2 =
I4 =
.

0 0 1 0
0 1

0 0 0 1

1.2.8 Matriz Triangular Superior


A matriz triangular superior uma matriz quadrada de ordem n
cujos elementos aij so nulos quando i > j. Isto :
a11
0
A=

a12 a1n
a22 a2 n
.

0 ann

1.2.9 Matriz Triangular Inferior


A matriz triangular inferior uma matriz quadrada de ordem n
cujos elementos aij so nulos quando i < j, ou seja:
a11
a
A = 21

an1

0 0
a22 0
.

an 2 ann

1.2.10 Matriz Simtrica

Quando falamos de
elementos assumindo
qualquer valor real podemos
denot-los com a .
Nesse caso, o smbolo
lido como pertence a e
denota os nmeros reais.

Uma matriz quadrada S , de ordem n, simtrica se aij = a ji , para


quaisquer valores dos ndices i, j. So exemplos de matrizes simtricas:
1 0 1 3

0 1 4 5
0 1

S2 =
S4 =
.

1 4 0 0
1 0

3 5 0 a
Observe que o elemento a na posio (4, 4) da matriz S 4 no tem
valor numrico, isto , assume qualquer valor real.

20
Exemplo 4. Encontre os valores de
mtrica:
a 2
x b
S=
z z

1 0

t , w, s, z , a, b para obtermos S si0 t


w 0
.
0 0

0 0

Soluo. Pela definio de matriz simtrica, todos os elementos sij da


matriz S devem ser tais que sij = s ji. Como a matriz de ordem n = 4
e considerando que i, j variam entre 1 e 4 (ou seja, i, j = 1, , 4 ),
encontramos que:
s21 = x = 2 = s12 .
Tambm:
s31 = z = 0 = s13,
e de forma similar:
s41 = 1 = t = s14 .
Assim,

t = 1.

Tambm,
s32 = z = w = s23 ,
como z = 0 e o oposto de zero ele prprio, ento:
w = 0.

Por ltimo,
s11 = a e s22 = b,
mas no h nenhuma condio para esses valores. Portanto, a e b
so valores reais quaisquer, isto , a, b .

1.2.11 Matriz Anti-simtrica


Uma matriz quadrada A anti-simtrica se aij = a ji . So exemplos
de matrizes anti-simtricas as matrizes:
0 1
A=

1 0

0 2 6
B = 2 0 4
6 4 0

21

Exemplo 5. Considere a matriz S fornecida no Exemplo 3; encontre


os valores de t , w, s, z , a, b para S ser uma matriz anti-simtrica.
Soluo. Usando um raciocnio similar ao usado no Exemplo 3 e considerando que para cada valor de i e j deve se satisfazer aij = a ji ,
encontra-se x = 2, z = 0, t = 1, w = 0, a = 0 e b = 0. Assim:
0
2
S=
0

2
0
0
0

0 1
0 0
.
0 0

0 0

Voc percebeu que os elementos da diagonal principal das


matrizes anti-simtricas fornecidas so todos nulos? Isso seria
apenas uma coincidncia? No exemplo seguinte, provaremos
que esse resultado vale para qualquer matriz anti-simtrica.

Exemplo 6. Prove que os valores da diagonal principal de uma matriz anti-simtrica qualquer so todos nulos.
Soluo. Se A = aij uma matriz anti-simtrica de ordem n, os seus
n
elementos satisfazem a relao aij = a ji para quaisquer valores i, j.
Os elementos na diagonal principal encontram-se na posio i = j,
ento aii = aii .
Da, 2aii = 0 para qualquer valor de i. Em consequncia, aii = 0 para
qualquer i.
Um exemplo numrico que ilustra o que acabamos de provar foi
dado no Exemplo 4. Nele, voc encontrou que os valores diagonais
so todos nulos!

1.2.12 Matriz Elementar


Uma matriz denominada elementar se for obtida por meio de uma
nica mudana na matriz identidade. Essa mudana pode ser de
um dos seguintes tipos:

22

1) A troca de uma linha (ou coluna) por outra linha (ou coluna);
2) A multiplicao de uma linha (ou coluna) por um valor ;
3) A soma de uma linha (ou coluna), multiplicada pelo valor ,
com outra linha (ou coluna).
Exemplos:
a) A matriz elementar de ordem 2 obtida ao trocarmos a linha 1
pela linha 2 da matriz identidade de ordem 2 dada por:
0 1
E1 =
.
1 0
b) A matriz elementar de ordem 4 obtida ao multiplicar na linha 3
da matriz identidade (de ordem 4) por 2 dada por:
1
0
E2 =
0

0 0
1 0
0 2
0 0

0
0
0

c) A matriz elementar de ordem 3 obtida ao multiplicar a linha 3


por 3 e somar com a linha 2 da matriz identidade (de ordem
3) dada por:
1 0 0
E3 = 0 1 0
0 1 3
Tambm, so matrizes elementares as matrizes:

1 0
A=

0 2

0
B=
1

0
1
0
0

0
0
1
0

0
0

Agora com voc!


Exerccio 3. Como foram obtidas as matrizes elementares A e B
anteriores?

23

1.2.13 Igualdade de Matrizes


Duas matrizes A e B, de ordem m n, so ditas serem iguais se
todos os seus elementos so iguais. Isso pode ser expressado com a
seguinte relao de igualdade:
O smbolo matemtico
lido para todo. Na relao
dada, i, j lido para todo
i e para todo j.

.
A expresso
aij = bij , i, j
tambm pode ser colocada como:
aij = bij , i {1, , m}, j {1, , n}.
Exemplo 7. Fornea condies para estabelecer a igualdade das matrizes A e S dadas a seguir.
0 2
2 0
A=
0 2

t
1

0 1
2 t
0 0

0 0

s11 2
2 y
S=
0 2

1 t

0 1
2 t
0 0

0 0

Soluo. Como as matrizes so de ordem 4, teremos i, j {1, , 4}.


Se A = S , ento, aij = sij i, j {1, , 4}, assim:
a11 = 0 = s11
a22 = 0 = s22 = y ,
da resulta:
y = 0.
Tambm,
a24 = t = s24 = t ,
com isso:
t .

Mais,
a42 = t = s42 = t
2t = 0,

24

que implica:
t = 0.

Por ltimo, como t e t = 0, implica t = 0.


1 1
1 1 1
Observao. As matrizes A =
e B=

possuem os mes1 1
1 1 1
mos elementos, mas no so iguais, voc pode justificar o porqu?

Agora com voc!


Exerccio 4. Quais so os valores de b para a matriz
1
b
A=
1

1
1
b
1

1
b
1
b

1
1
ser simtrica?
1

1.3 Operaes com Matrizes


A seguir, sero definidas as operaes de adio, produto por um
escalar e produto de matrizes.

1.3.1 Adio de Matrizes


Dadas as matrizes A = aij
e B = bij , a adio das matrizes A
mn
mn
e B a matriz C = cij

mn

, onde cij = aij + bij, i, j.

Notao. C = A + B.
A + B = aij + bij
0 2
2 0
Exemplo 8. Se A =
0 2

t
1

mn

0 1
s11

2
2 t
e S=
0
0 0

0 0
1

2 0 1
y 2 t
, calcu2 0 0

t 0 0

le C = A + S para t , y e s11 quaisquer nmeros reais.

25
Soluo. Ao aplicarmos a definio de soma de matrizes nas matrizes
A e S , teremos:
s11
0
C=
0

4
y
4
0

0 2
0 2t
.
0 0

0 0

1.3.2 Produto de uma matriz por um escalar


Escalar
Na maioria dos casos, um
nmero real . possvel, tambm, tomarmos
os escalares como nmeros
complexos, . Os escalares podem ser tomados
de qualquer sistema numrico no qual podemos somar,
subtrair, multiplicar e dividir
de acordo com as leis habituais da aritmtica.

Dado o escalar , o produto da matriz A pelo escalar uma matriz


da mesma ordem cujos elementos foram multiplicados pelo valor .
Em outras palavras, se A = aij
e , o produto de A pelo esmn
calar uma matriz C de elementos cij com cij = aij para todos os
valores i, j definidos na matriz A. Isto :
C = cij
Notao. C = A = aij

mn

, tal que cij = aij , i, j.

mn

Exemplo 9. Multiplique a matriz I 4 pelo escalar = 2.


Soluo.
1
0
C = I 4 = 2
0

0
1
0
0

0
0
1
0

0 2 0 0 0
0 0 2 0 0
=
0 0 0 2 0

1 0 0 0 2

Nota. Quando = 1, podemos escrever 1 A = A.

1.3.3 Produto de Matrizes


Dadas as matrizes A = [aik ]mt e B = bkj , o produto das matrizes A
t n

e B uma matriz C = cij

mn

cujos elementos cij so da forma:


t

cij = aik bkj .


k =1

26
Isto , ao definirmos as matrizes
a11
a
A = 21

am1

a12
a22

am 2

a1t
b11 b12

b
a2t
b
, B = 21 22

amt mt
bt1 bt 2

b1n
c11 c12
c

c22
b2 n
e C = 21

btn tn
cm1 cm 2

os elementos da matriz produto adotam a forma:


cij = ai1b1 j + ai 2b2 j + + ait btj
t

cij = aik bkj .


k =1

Note que o nmero de colunas da matriz A igual ao nmero de


linhas da matriz B.
t

Notao: C = AB = aik bkj .


k =1
34
2 3 4
Exemplo 10. Seja a matriz A = 3 4 5 e a matriz B, de ordem
4 5 6
3 4 com elementos bij = i j. Obter a matriz produto C = AB.
Soluo. Como o nmero de colunas de A igual ao nmero de
linhas de B, o produto pedido possvel. As matrizes explicitadas so
dadas respectivamente por:
2 3 4
1 1 1 1

A = 3 4 5 e B = 2 4 8 16 .
4 5 6
3 9 27 81
Para obtermos a matriz produto C = AB = cij

34

com elementos

cij = aik bkj , i = 1, ,3, j = 1, , 4.


k =1

Percorrendo cada valor de i e j dado temos os elementos da:


Primeira linha:
c11 = (2)(1) + (3)(2) + (4)(3) = 2 + 6 + 12 = 20
c12 = (2)(1) + (3)(4) + (4)(9) = 2 + 12 + 36 = 50
c13 = (2)(1) + (3)(8) + (4)(27) = 2 + 24 + 108 = 134
c14 = (2)(1) + (3)(16) + (4)(81) = 2 + 48 + 324 = 374

c1n
c2 n
,

cmn mn

27

Segunda linha:
c21 = (3)(1) + (4)(2) + (5)(3) = 3 + 8 + 15 = 26
c22 = (3)(1) + (4)(4) + (5)(9) = 3 + 16 + 45 = 64
c23 = (3)(1) + (4)(8) + (5)(27) = 3 + 32 + 135 = 170
c24 = (3)(1) + (4)(16) + (5)(81) = 3 + 64 + 405 = 472
E, por ltimo, os da terceira linha:
c31 = (4)(1) + (5)(2) + (6)(3) = 4 + 10 + 18 = 32;
c32 = (4)(1) + (5)(4) + (6)(9) = 4 + 20 + 54 = 78;
c33 = (4)(1) + (5)(8) + (6)(27) = 4 + 40 + 162 = 206;
c34 = (4)(1) + (5)(16) + (6)(81) = 4 + 80 + 486 = 570 .
Sendo assim, temos a seguinte matriz:
c11 c12
C = c21 c22
c31 c32

c13
c23
c33

c14 20 50 134 374


c24 = 26 64 170 472 .
c34 32 78 206 570

Ao multiplicarmos matrizes devemos tomar cuidado com a ordem das linhas e colunas, ou seja, poderemos fazer o produto
de matrizes quando o nmero de colunas da primeira matriz
for igual ao nmero de linhas da segunda. Assim, a matriz
produto C ter um nmero de linhas igual ao nmero de linhas da matriz A e um nmero de colunas igual ao nmero
de colunas de B.

1.3.4 Propriedades das Operaes com Matrizes


Considere A = aij , B = bij
e C = cij mn , ento temos as semn
mn
guintes propriedades:
1) Propriedades da Adio
A1) Comutatividade: A + B = B + A;
A2) Associatividade: ( A + B) + C = A + ( B + C );
A3) Elemento Neutro da Soma: A + O = A , O = [0] mn ;
A4) Elemento Simtrico: A + ( A) = O

( A A = O).

28

Observao. A = 1 A = 1 (aij )

mn

= aij

mn

Prova das Propriedades


A1) Comutatividade: A + B = B + A
Seja A = aij
e B = bij
mn
mn
A + B = aij

mn

+ bij

= aij + bij

mn

mn

= (aij + bij )

mn

Usando a propriedade comutativa dos nmeros reais:


( x + y ) = ( y + x) , com x, y
temos:
= (bij + aij )
= bij + aij

mn

mn

= B + A.
Logo,
A + B = B + A.
A2) Associatividade: ( A + B ) + C = A + ( B + C ).
Consideremos A = aij , B = bij
e C = cij .
mn
mn
mn
Da definio de soma de matrizes,
A + B = aij + bij

mn

e ( A + B) + C = (aij + bij ) + cij mn .


Usando a propriedade associativa dos nmeros reais:
( x + y ) + z = x + ( y + z ) com x, y, z .
Temos, ento:
= aij + (bij + cij )

mn

E usando a definio de soma de matrizes:


= aij

mn

+ bij + cij

mn

29

= A + ( B + C ).
Logo,
( A + B ) + C = A + ( B + C ).
A3) Elemento Neutro da Soma: A + O = A, O = [0] mn .
Seja A = aij
e O = [0] mn
mn
A + O = aij + 0

mn

= (aij + 0)

mn

Pela propriedade dos nmeros reais:


x + 0 = x com x .

Ento,
aij + 0 = aij , i, j.
Com isso,
aij + 0 = aij = A.
mn
mn
Logo,
A + O = A.

A4) Elemento Simtrico: A + ( A) = O.


Seja A = aij
e A = aij . Logo,
mn
mn
A + ( A) = aij + (aij )

mn

Pela propriedade dos nmeros reais:


x + ( x) = 0 com x .
Ento,
aij + (aij ) = 0, i, j.

Assim,

aij + (aij )
= [0] mn = O.
mn
Logo,
A + ( A) = O.
2) Propriedades do Produto por um Escalar
Sejam A e B duas matrizes da mesma ordem e , dois escalares,
ento:
M1) ( A) = ( ) A;
M2) ( A + B) = A + B;

30

M3) ( + ) A = A + A;
M4) 1 A = A.
Observao. Quando trabalhamos com matrizes, pode acontecer a
necessidade de multiplic-las pelo escalar zero, dando como resultado a matriz nula. Isto ,
.
Vejamos: se A = aij , O = [0] mn e o escalar nulo (0):
mn
O A = 0 aij

mn

= 0 aij

mn

= [0] mn
= O.
Prova das Propriedades
M3) ( + ) A = A + A.
Sejam , dois escalares e a matriz A = aij , ento:
mn
( + ) A = ( + ) aij

mn

= ( + ) aij

mn

Usando a propriedade distributiva dos nmeros reais


( x + y ) z = xz + yz
para cada elemento da matriz, temos:
= ( aij ) + ( aij )
= aij

mn

mn

+ aij

mn

Pela definio de produto por um escalar,


= aij

mn

+ aij

mn

= A + A.
Logo,
( + ) A = A + A.
M4) 1 A = A.

Voc observou as diferenas


entre o zero escalar e a
matriz zero, denotada pela
letra O ?

31

Seja A = aij
e o escalar 1 .
mn
1 A = 1 aij

mn

= 1 aij

mn

= (1 aij )

mn

Usando a propriedade do elemento neutro da multiplicao dos nmeros reais,


1 x = x, x .
Temos:
1 aij mn = aij mn = A.
Logo,
1 A = A.

Agora com voc!


Exerccio 5. Prove as outras propriedades do produto de uma matriz por um escalar.
Ao enunciar as propriedades
do produto de matrizes
no explicitamos a ordem
das mesmas, por exemplo,
em P1, ( AB )C = A( BC )
supomos possveis os
produtos AB e BC , isto
, o nmero de colunas de
A igual ao nmero de
linhas de B e o nmero de
colunas de B igual ao
nmero de linhas de C .

3) Propriedades do Produto de Matrizes


Considere A, B e C matrizes, ento valem as seguintes propriedades de produto de matrizes:
P1) Associativa: ( AB ) C = A ( BC );
P2) Distributiva: A ( B + C ) = AB + AC ;
P3) ( A + B) C = AC + BC ;
P4) ( AB) = ( A) B = A ( B ).
Prova das Propriedades
P3) ( A + B) C = AC + BC ;
Sejam as matrizes A = [aik ] m p, B = [bik ] m p, C = [ckj ] pn, ento:
( A + B) C = [(aik + bik )] m p . ckj

p n

Usando a definio do produto de matrizes para A + B e C ,


temos:
p

= (aik + bik ) ckj .


k =1
mn

32

Usando a propriedade distributiva dos nmeros reais:


p

= aik ckj + bik ckj .


k =1
mn
Pela propriedade 2 dos somatrios e da definio de adio de matrizes,
p
p

+
=
+
a
c
b
c
a
c
ik kj ik kj
ik kj
bik ckj
k =1
k =1
mn k =1
mn k =1
mn .

Pela definio do produto de matrizes:


= AC + BC .

Logo,
( A + B) C = AC + BC .
P4) ( AB) = ( A) B = A ( B ).
Seja , A = [aik ] mt e B = [bkj ] tn
t

( AB) = [aik ]mt [bkj ]tn = (aik bkj ) .


k =1
mn
Usando a propriedade do somatrio:
n

i =1

i =1

c xi = cxi , c: constante,
temos:

= (aik bkj ) .
k =1
mn

Da propriedade associativa dos nmeros reais:


( xy ) z = x ( yz ) com x, y, z .
Temos:

( aik ) bkj .
k =1
mn

E, pela definio de produto de matrizes e produto de uma matriz


por um escalar,
= ( A) B.
Logo,
( AB) = ( A) B.

A lista de propriedades
encontra-se no final desta
Seo.

33
Observao. importante observar que em geral AB BA, isso ser
ilustrado com o seguinte exemplo.
1 0
1 1
B
=
Exemplo 11. Dadas as matrizes A =
e

1 0 , a matriz
0 1

1 1
1 1
produto AB =
, entretanto BA =

, verificando que
1 0
1 0
AB BA.

No ambiente virtual da disciplina voc encontrar algumas


atividades nas quais poder praticar tanto a multiplicao de
matrizes numricas, usando problemas do cotidiano, quanto a
aplicao das propriedades.

Agora com voc!


Exerccio 6. Prove as outras propriedades do produto de
matrizes.

1.3.5 Transposta de uma Matriz


Na literatura tambm
usual encontrarmos a
transposta de uma matriz
T
denotada como A ou
t
A , mas usaremos tal
notao pelo fato de ser a
forma como trabalharemos
computacionalmente com
alguns softwares como
MATLAB ou SCILAB,
durante as nossas aulas ou
no ambiente virtual.

Seja A = aij , a matriz transposta de A, denotada por A', aquela


mn
matriz obtida trocando-se as linhas pelas colunas de A. Isto :
A = a ji

n m

1 2 3
Por exemplo, se A =
, a matriz transposta uma matriz
4 5 6 23
de ordem 3 2 dada por:
1 4
A ' = 2 5 .
3 6 32
Observe que na matriz transposta cada elemento na linha i e coluna j aparece como sendo um elemento da linha j e coluna i da
matriz A.

34

Exemplo 12. Seja A uma matriz de ordem 2, encontre o valor de x


de modo que A ' = A.
1 x
A=
.
1 0
Soluo.
1 1
A' =
.
x 0
Como A ' = A uma condio do exerccio, ento:
1 1 1 x
x 0 = 1 0 .

Isso ser vlido apenas se x = 1.


Observao. Outra forma de definirmos a matriz simtrica usando a matriz transposta. Assim, diremos que uma matriz simtrica
se ela coincide com a sua transposta, isto , A ' = A.

1.3.6 Propriedades da Matriz Transposta


Dadas as matrizes A e B, so vlidas as propriedades da matriz
transposta:
1) ( A ') ' = A;
2) ( A + B) ' = A '+ B ';
3) ( AB) ' = B ' A ';
4) ( A) ' = A ', .
Prova da Propriedade 3
( AB ) ' = B ' A '.
Sejam A = [aik ] m p , B = [bkj ] pn
p

AB = aik bkj
k =1
mn
= [cij ] mn .

35

Assim:
p

cij = aik bkj .


k =1

Pela definio de transposta de uma matriz,


( AB) ' = [c ji ] nm
p

= a jk bki
k =1
n m

(1)

aki = a jk bki .

(2)

Pode-se verificar que:


p

b
k =1

jk

k =1

Por outro lado:


BB' '==[[bbjkjk]]nnpp, , AA' '==[[aakiki]]ppmm .
Observe que k {1, , p}, e
p

B ' A ' = b jk aki


k =1
n m
(deixamos a voc a tarefa de pesquisar a propriedade do somatrio
usado), substituindo (2) e (1):
p

( AB) ' = b jk aki .


k =1
nm
Logo,
( AB) ' = B ' A '.

Agora com voc!


Exerccio 7. Prove as demais propriedades, justificando todos os
passos do seu procedimento.
Exerccio 8. Prove que se A ' = A, ento A anti-simtrica.
Exerccio 9. Dado um escalar no nulo , prove que, se A uma
1
matriz simtrica e B uma matriz anti-simtrica, ento, A si
1
mtrica e B anti-simtrica.

36

Exemplo 13. Prove que toda matriz quadrada pode ser colocada
como a soma de uma matriz simtrica com outra anti-simtrica.
Soluo. Seja A = aij . Em primeiro lugar, vejamos que A + A '
n
uma matriz simtrica.
Seja A = aij e A = B + C com B simtrica e C anti-simtrica (amn
bas de ordem n). Isto , B ' = B e C ' = C .
Transpondo, A ' = B '+ C '.
Somando a ltima expresso na equao A = B + C , temos:
A '+ A = ( B '+ B ) + (C '+ C ).
Sendo B simtrica e C anti-simtrica:
A '+ A = 2 B .

Ento,
B=

A + A'
.
2

Como C anti-simtrica, ao substituirmos as equaes:


A A ' = B + C B ' C '
= B B '+ (C C ')
= 2C
Ento:
C=

Assim,

A A'
.
2

A + A' A A'
A=
+
.
2 2

1.3.7 Potncia de uma Matriz: Ap


Seja A uma matriz quadrada e p um nmero inteiro positivo, a
potncia p da matriz A, denotada por A p est definida por:
Ap =
A

p vezes

37
Exemplo 14. Seja A = [aij ]n, com aij = i j, calcule A3, para p = 2,3, 4.
Soluo. Pela lei de formao fornecida obtemos facilmente o valor
de A:
Se n = 2,
0 1
A=
.
1 0

Assim,

0 1 0 1 1 0
A2 = AA =

=
.
1 0 1 0 0 1
Se p = 3 ,
1 0 0 1 0 1
A3 = AAA = A2 A =

=
.
0 1 1 0 1 0
Deixamos como exerccio calcular A4.
Observaes:
1) Calcular A p equivale a calcular A p 1 A. Assim, se quiser encontrar A50, calcule A49 e multiplique o resultado por A (para o que
previamente calculou o valor de A48 e assim por diante).
2) Por definio, se p = 0 e A O, ento A0 = I .

1.3.8 Trao de uma Matriz


Dada A = aij , o trao de A, denotado por Tr ( A), o nmero dado
n
pela soma dos elementos da diagonal principal. Isto :
n

Tr ( A) = aii .
i =1

Por exemplo, se
1
0
A=
3

1 1
0 2
4 7
0 0

0
5
Tr ( A) = 1 + 0 + 7 + 5 = 13.
1

38

1.3.9 Propriedades do Trao


Dados A = aij e B = bij , so verdadeiras as seguintes proprien
n
dades:
1) Tr ( A + B) = Tr ( A) + Tr ( B);
2) Tr ( A) = Tr ( A);
3) Tr ( A ') = Tr ( A);
4) Tr ( AB) = Tr ( BA).
Prova da Propriedade 1
Tr ( A + B) = Tr ( A) + Tr ( B)
Sejam A = aij e B = bij duas matrizes quadradas.
n
n
Pela definio do trao,
n

Tr ( A + B ) = (aii + bii ),
i =1

e pela propriedade do somatrio:


n

i =1

i =1

= aii + bii
= Tr ( A) + Tr ( B ).

Agora com voc!


Exerccio 10. Prove as outras propriedades.

Exerccios Resolvidos
1 1 7
1) Dada a matriz A =
, encontre a sua transposta.
0 5 2 23
Soluo.

1 0
A ' = 1 5 .
7 2 32

39

2) Encontre o trao de matriz identidade.


Soluo. Seja I n a matriz identidade de ordem n.
n

Tr ( I n ) = 1 = n.
i =1

3) Encontre o trao de uma matriz diagonal e de uma matriz


triangular de qualquer ordem.
Soluo. Usando a notao simplificada, temos a matriz diagonal
D = diag {d1 , d 2 , , d n }. Assim:
n

Tr ( D) = di .
i =1

Deixamos para voc o clculo do trao no caso de se ter uma matriz triangular.

1.3.10 Propriedades de Somatrios


Os seguintes itens fornecem algumas propriedades de somatrios
teis para a prova das propriedades listadas anteriormente.
a)

b = b ;
i =1

j =1

i =1

i =1

i =1

b) (ai + bi ) = ai + bi ;
c)

i =1

i =1

bi ak = ak bi ;
n

d) bij = bij .
i =1 j =1

j =1 i =1

Observao. No final deste Captulo voc encontrar um resumo de


todas as propriedades at aqui utilizadas, que servir de ajuda ao
resolver exerccios de demonstrao.

40

Agora com voc!


Exerccio 11. Dadas as matrizes:
1 2 1
A = 2 3 2 ,
1 4 5

3
1 0

B = 2 1 4 ,
3 1 17

encontre:

a) C = A + 2 B;
b) C = B 2;
c) tr ( A), tr ( B) e tr ( AB);
Expresse as matrizes A e B como somas de uma matriz simtrica
com outra anti-simtrica.
Exerccio 12. Sejam as matrizes A e B, de ordem 4, A = aij com
4
j i se i j
, e B uma matriz simtrica com bij = i + j se i j.
aij =
0 se i < j
Encontre:
a) C = 2 A 3B.
b) C = B 2. C uma matriz simtrica?
Exerccio 13. Sejam A e B matrizes simtricas, justifique se os enunciados a seguir so falsos ou verdadeiros:
A + B uma matriz simtrica.
AB uma matriz simtrica.
Nota. Se sua resposta for verdade, prove. Se for falsa, apresente um
contraexemplo.
Exerccio 14. Imagine uma situao cotidiana e procure problematiz-la de tal forma que voc possa fazer uso:
da soma de matrizes;

41

da subtrao de matrizes;
do produto de matrizes.

1.4 Determinantes
1.4.1 Menor de uma Matriz: Mij
Dada uma matriz quadrada, A = [aij ] n , o menor da matriz A, denotado por M ij, uma submatriz de ordem (n 1) obtida ao cancelarmos a linha i e a coluna j.
Assim, se:
a11
a
21

A=
ai1

an1

a12 a1 j
a22 a2 j

ai 2 aij

an 2 anj

a1n
a2 n

M ij = aij ( n 1).
ain

ann

Com:
a11

a(i 1)1
M ij =
a(i +1)1

an1

a1( j 1)

a(i 1)( j 1)
a(i +1)( j 1)

an ( j 1)

a1( j +1)

a(i 1)( j +1)


a(i +1)( j +1)

an ( j +1)

a1n


a(i 1) n
.
a(i +1) n

ann

Exemplo:
2 3
0 0

Se A = 2 1

0 0
1 1

4 5
1 3
3 2
0 1
1 1

6
4
0 ,

0
1

42
ento, o menor M 34 obtido ao eliminarmos a linha 3 e a coluna 4,
isto :
2
0
M 34 =
0

3
0
0
1

4
1
0
1

6
4
.
0

Similarmente, ao eliminarmos a linha 1 e a coluna 1, obtemos o


menor M 11.
0
1
M 11 =
0

1 3
3 2
0 1
1 1

4
0
.
0

Agora com voc!


Exerccio 15. Verifique que A = aij (com n 2 elementos) possui n 2
n
menores.
Nessa parte da teoria assumimos que voc est familiarizado(a)
com o clculo de determinantes de matrizes de ordem 2 e 3. O valor
do determinante de uma matriz A denotado nas formas det ( A),
det A ou A . Por exemplo, se:
0 1
A=
, ento det ( A) = (0)(0) (1)(1) = 1.
1 0
Similarmente, se:

1 2 3
B = 4 5 6 , ento:
7 8 9

det ( B) = (1)(5)(9) + (2)(6)(7) + (3)(4)(8) (3)(5)(7) (1)(6)(8) (2)(4)(9) =


= 45 + 84 + 96 105 48 72 = 0.
Com esses exemplos, estamos relembrando de forma rpida que o
determinante de uma matriz de ordem 2 calculado de uma nica
maneira: o produto dos elementos da diagonal principal menos o
produto dos elementos da diagonal secundria. E o determinante
de uma matriz de ordem 3 calculado pela Regra de Sarrus.

Para lembrar esta regra


pesquise na Internet
ou em algum material
de matemtica do
ensino mdio.

43

1.4.2 Cofator de uma Matriz: Aij


O cofator Aij do elemento na posio (i, j ) de uma matriz A dado pelo
valor do determinante M ij , multiplicado pelo valor (1)i + j. Isto :
Aij = (1) i + j det ( M ij ).
Ou:
Aij = (1) i + j M ij .
2
0
Exemplo 15. Se A =
0

3
0
0
1

4
1
0
1

6
4
, calcule A44, A11, A31, A33, A14, A23 e A32.
0

Soluo.
A44 = (1)

4+ 4

1+1

A11 = (1)

A31 = (1)

3+1

A33 = (1)

3+ 3

M 44

M 11

0 1 4
= (+1) 0 0 0 = 0
1 1 1

M 31

3 4 6
= (+1) 0 1 4 = 19 18 = 1
1 1 1

M 33

2 3 6
= (+1) 0 0 4 = 12 8 = 4
1 1 1

A14 = (1)1+ 4 M 14

A23 = (1)

2+3

2 3 4
= (+1) 0 0 1 = 0
0 0 0

M 23

0 0 1
= (1) 0 0 0 = 0
1 1 1
2 3 6
= (1) 0 0 0 = 0
1 1 1

44

A32 = (1)

3+ 2

M 32

2 4 6
= (1) 0 1 4 = (18 14) = 4
1 1 1

Observe as mudanas de sinais dos


isto , (1) i + j:
+ +
+
+ +
+

elementos nas posies (i, j ),

Em geral, para uma matriz de qualquer ordem, as mudanas de sinais dos elementos nas posies (i, j ) ((1)i + j ) so:
+ +
+
+ +

1.4.3 Determinante de A usando Cofatores


Dada A uma matriz de ordem n, A = aij .
n
Se n = 2, os menores e os cofatores da linha um da matriz de ordem
dois so dados respectivamente por:
M 11 = [a22 ], A11 = a22,
M 12 = [a21 ], A12 = a21.
E o valor do determinante ser:
det ( A) =

a11
a21

a12
= a11 a22 a21 a12
a22

= a11 | M 11| + a12 ( | M 12 |)


= a11 A11 + a12 A12 .
Se n = 3, o valor do determinante da matriz (colocado em funo dos
cofatores relativos primeira linha) ser:

45

a11
det ( A) = a21
a31

a12
a22
a32

a13
a23
a33

= a11a22 a33 + a12 a23 a31 + a13 a21a32 a31a22 a13 a32 a23 a11 a33 a21a12
= a11 (a22 a33 a32 a23 ) + a12 (a23 a31 a33 a21 ) + a13 (a21 a32 a31 a22 )
= a11 (+ | M 11|) + a12 ( | M 12 |) + a13 (+ | M 13 |)
3

= a11 A11 + a12 A12 + a13 A13 = a1 j A1 j .


j =1

Note que calculamos o determinante de A usando cofator onde i = 1.


Podemos usar qualquer linha da matriz. Por exemplo, com i = 2:
| A | = a21 ( | M 21|) + a22 (+ | M 22 |) + a23 ( | M 23 |)
3

= a21 A21 + a22 A22 + a23 A23 = a2 j A2 j


j =1

1 2 3
Por exemplo, se A = 4 5 6 o determinante usando a segunda
7 8 9
linha dado por:
| A | = 4 A21 + 5 A22 + 6 A23
= 4( M 21 ) + 5(+ M 22 ) + 6( M 23 )

= 4 (18 24) + 5(9 21) 6 (8 14)


= 24 60 + 36 = 0.

No caso geral de uma matriz de ordem n, o clculo do determinante


da matriz referido linha 1 (ou a qualquer linha k ) dado por:
| A | = a11 A11 + a12 A12 + + a1n A1n
n

i =1

j =1

= a1i A1i = a1 j A1 j .
Se o desenvolvimento do determinante for referido a qualquer linha
k , temos:
n
A = akj Akj ,
j =1

onde k um valor fixo.

46
Por exemplo, na matriz do Exemplo 14, calculamos o determinante
pelo desenvolvimento de cofatores referido linha 3 (pois tendo todos
seus elementos nulos evitaremos clculos desnecessrios). Assim:
A = 0 A31 + 0 A32 + 0 A33 + 0 A34 = 0.
Nota. Fica como regra: ao calcular o determinante usando cofatores,
escolha a linha (ou coluna) da matriz que tiver o maior nmero de
elementos nulos.
Similarmente, possvel fazer o desenvolvimento por colunas. Veja:
1) Usando a primeira coluna:
A = a11 A11 + a21 A21 + + an1 An1.
2) Deixamos para voc chegar ao seguinte desenvolvimento para
uma coluna k qualquer:
n

A = aik Aik .
i =1

O desenvolvimento dado acima para encontrarmos o valor do determinante (usando linhas ou colunas) comumente conhecido como
o desenvolvimento de Laplace.

1.4.4 Definio Geral do Determinante de uma


Matriz
Permutao
Dados os n nmeros (ou n objetos distintos) uma permutao desses nmeros (ou objetos) consiste em disp-los em uma determinada ordem.
Exemplo 16. Considere os nmeros 1, 2 e 3, podemos orden-los de
vrias formas, por exemplo: (1 2 3), (3 2 1), etc.
O mesmo acontece quando escolhemos 4 nmeros, como 1, 2, 3 e 4.
Podemos orden-los, por exemplo: (1 2 3 4), (2 1 3 4), etc.
Notao. Uma permutao de n nmeros denotada por ( j1 j2 jn ).

Astrnomo e matemtico
francs, Marqus de Pierre
Simon de Laplace (17491827) ficou conhecido
como o Newton francs.
Sua carreira foi importante
por suas contribuies
tcnicas para as cincias
exatas, tanto pelo ponto
de vista filosfico que ele
desenvolveu durante sua
vida, quanto pela parcela
que tomou parte na
formao das modernas
disciplinas cientficas.

47

Nmero de Permutaes
Dados os nmeros 1 e 2 h duas permutaes, (1 2) e (2 1), ou seja, 2!
permutaes.
No caso dos nmeros 1, 2 e 3 as permutaes (1 2 3) e (3 2 1) so dois
exemplos, no total existem 3! permutaes. Quais so?
Dado n nmeros, 1, 2, , n , existem n ! permutaes.

Agora com voc!


Exerccio 16. Calcule o nmero de permutaes possveis de 4 nmeros.

Inverso
o nmero de mudanas necessrias em uma permutao para volt-la sua posio ordenada inicial.
Notao. Uma inverso de n nmeros ser denotada por:
J = J ( j1 j2 jn ).
Por exemplo, nas permutaes dadas acima:
J (1 2 3) = 0, J (1 2 3 4) = 0 e J (3 2 1) = 3.
No ltimo caso, embora o nmero 2 esteja na posio que lhe corresponde, para colocarmos os nmeros 3 e 1 nos seus lugares ser
necessrio fazermos assim:
(3 2 1) (2 3 1) (2 1 3) e por ltimo (1 2 3).
Ou (3 2 1) (3 1 2) (1 3 2) e por ltimo (1 2 3).
Em ambos os casos haver 3 inverses.
Exemplo 17. Construir uma tabela do nmero de inverses possveis de 2 e 3 nmeros.
Soluo. Se n = 2 , considere os nmeros 1 e 2.
Permutao

N de inverses

12

J (1 2) = 0

21

J (2 1) = 1

48

Se n = 3, considere os nmeros 1, 2 e 3.
Permutao

N de inverses

123

J (1 2 3) = 0

132

J (1 3 2) = 1

213

J (2 1 3) = 1

231

J (2 3 1) = 2

312

J (3 1 2) = 2

321

J (3 2 1) = 3

Agora com voc!


Exerccio 17. Verifique que o nmero de inverses da permutao J
(4 3 2 1) igual a 6.
Exemplo 18. Construir uma tabela do nmero de inverses de 4
nmeros.
Soluo. Neste caso o nmero de inverses para cada permutao
( j1 j2 j3 j4 ) ser dado por J = J ( j1 j2 j3 j4 ) . O resultado ser colocado na segunda coluna da tabela.
Permutao
1234
1243
1324
1342
1432
1423
2134
2143
2314
2341
2431
:

N de inverses

Deixamos para voc completar a tabela.

0
1
1
2
3
2
1
:
:
:
:
:

49

Determinante
Definio. Dada a matriz de ordem n, A = aij , o determinante de
n
A definido por:
det ( A) = (1) J a1 j1 a2 j2 anjn.

Onde J = J ( j1 j2 jn ) indica o nmero de inverses da permutao


( j1 j2 jn ), indica que o somatrio estendido a todas as n ! permutaes dos nmeros 1, 2, , n.
Exemplo 19. Verifique o uso da definio nos casos dos determinantes de ordem 2 e 3.
Soluo. Na soluo deste exemplo sero usados os resultados obtidos no Exemplo 15.
Se n = 2, ento = 2, assim:
det ( A) = (1) J ( j1

j2 )

a1 j1 a2 j2 = (1)0 a11 a22 + (1)1 a12 a21 = a11 a22 a12 a21.

Se n = 3 , = 6 e, assim:
det ( A) = (1) J ( j1 j2 j3 ) a1 j1 a2 j2 a3 j3

= (1)0 a11a22 a32 + (1)1 a11a23 a32 + (1)1 a12 a22 a33 + (1) 2 a12 a23a31 + (1) 2 a13a21a32 + (1)3 a13a22 a31

= a11a22 a33 + a12 a23 a31 + a13 a21a32 a13 a22 a31 a11a23 a33 a12 a21a33

Agora com voc!


Exerccio 18.
a) Obtenha o desenvolvimento para o caso de um determinante
de ordem 4.
b) Verifique a relao desse desenvolvimento com o desenvolvimento dos cofatores.

Propriedades do Determinante
Considere A e B matrizes quadradas. Ento, valem as propriedades
dos determinantes.
1) Se A possui uma linha (ou colunas) de zeros, ento, det ( A) = 0;

50

2) Se A possui duas linhas (ou colunas) iguais, ento,


det ( A) = 0;
3) Se B obtida de A multiplicando-se uma linha (ou coluna) por
um escalar , ento, det ( B) = det ( A);
4) Se B obtida por troca das posies relativas de duas linhas
(ou colunas) da matriz A, ento, det ( B) = det ( A);
5) Se B obtida de A, substituindo-se a linha i (ou coluna) por
ela somada a um mltiplo escalar de outra linha j (ou coluna)
( j i ) ento, det ( B) = det ( A);
6) det ( A) = det ( A ');
7) det ( AB) = det ( A) det ( B).
Observaes. No objetivo do presente material didtico fazer as
demonstraes das propriedades anteriores, porm as mesmas podem ser provadas a partir da definio do determinante.
Na Seo 1.4.3, ao calcularmos o determinante usando cofatores,
usamos o desenvolvimento (referentes s linhas) dado por
n

det ( A) = aki Aki ,


i =1

onde k a k-sima linha escolhida.


Podemos enunciar uma oitava propriedade usando desenvolvimentos similares.
n

8) aki Ali = 0 , l k , k , l valores fixos.


i =1

Verifiquemos a propriedade com o seguinte exemplo.


Se k = 1 , l = 2 e n = 2:
2

a
i =1

1i

A2i = a11 A21 + a12 A22 .

Mais detalhes a respeito


dessas demonstraes
podem ser encontrados no
livro de lgebra Linear, de
Callioli (1993), citado no
final deste Captulo.

51
Assim, se

1 2
A=
,
3 4

ento:

A21 = 2 e A22 = 1,
dessa forma:
2

a
i =1

1i

A2i = 1(2) + 2 (1) = 0.

Tambm, ao usarmos o desenvolvimento pelas colunas e escolhendo l = 2 , k = 1 , encontramos tambm que:


2

i =1

i =1

ail Aik = ai 2 Ai1 =2(4) + 4(2) = 0.


Agora com voc!
Exerccio 19. Use as operaes elementares e o Mtodo de Laplace
para encontrar o determinante das matrizes:
2
3
A=
2

1
2
2
1

3
4
1
3

4
1

2
5
, B=
0
1

1
1

1
3
1
2

2 1
3
1 0
0 2

, C = 2 1 4 .

2 2

17

1 1

Exerccio 20. Usando apenas as propriedades dos determinantes


mostre que det ( A) = det ( B) . Das matrizes,
a c + 2a
a c
A=
, B=

.
b d + 2b
b d

1.5 Matriz Adjunta: Adj (A)


Dada A = aij , a matriz adjunta de A dada por
n
Adj ( A) = (Cof ( A)) ',
onde Cof ( A) a matriz cujos elementos so os cofatores Aij da matriz A, ou seja, a matriz onde cada elemento aij igual ao cofator
Aij da matriz A. Um exemplo para essa definio o seguinte:

52
1 2
Se B =
, ento, os cofatores so:
2 4
A11 = (1)1+1 det[4] = 4
A12 = (1)1+ 2 det[2] = 2
A21 = (1)

2 +1

det[2] = 2

4 2
Cof ( B ) =
.
2 1

A22 = (1) 2+ 2 det[1] = 1


Assim,
4 2 4 2
Adj ( B ) =
=
.
2 1 2 1
Exemplo 20. Calcule a matriz adjunta de A dada por:
2 1 0
A = 3 1 4 .
1 6 5
Soluo. A matriz de cofatores de A dada por:
A11
Cof ( A) = A21
A31
pois:

A12
A22
A32

A13 19 19 19
A23 = 5 10 11 ,
A33 4 8 5

1 4
A11 = (1)1+1 det
= 5 24 = 19
6 5
3 4
A12 = (1)1+ 2 det
= (15 4) = 19
1 5
3
A13 = (1)1+3 det
1
1
A21 = (1) 2+1 det
6
2
A22 = (1) 2+ 2 det
1
2
A23 = (1) 2+3 det
1

1
= 18 1 = 19
6
0
= (5 + 0) = 5
5
0
= 10 0 = 10
5
1
= (12 1) = 11
6

53
1 0
A31 = (1)3+1 det
= 40 = 4
1 4
2 0
A32 = (1)3+ 2 det
= (8 0) = 8
3 4
2 1
A33 = (1)3+3 det
= 2+3= 5
3 1
Assim,
Adj ( A) = Cof ( A) '
19 19 19
= 5 10 11
4 8 5
19 5 4
= 19 10 8 .
19 11 5
Tambm, o determinante da matriz A det ( A) = 19 , pois
det( A) = a11 A11 + a12 A12 + a13 A13
= 2(19) + 1(19) + 0(19)
= 38 + 19 = 19
Observe que Adj ( A) A = det( A) I 3 ; considerando A do exerccio anterior, temos:
19 5 4 2 1 0
Adj ( A) A = 19 10 8 3 1 4
19 11 5 1 6 5
(19) 2 + (5) (3) + 4 1 (19) 1 + (5) 1 + 4 6 ( 19) 0 + ( 5) 4 + 4 5
= 19 2 + 10 (3) + (8) 1
19 1 + 10 1 + (8) 6
19 0 + 10 4 + (8) 5
(19) 2 + (11) (3) + 5 1 (19) 1 + (11) 1 + 5 6 ( 19) 0 + ( 11) 4 + 5 5
19
= 0
0
1
= 19 0
0

0
0
19 0
0 19

= det( A) I 3

0 0
1 0
0 1

54
O prximo teorema mostra que essa afirmao vlida para qualquer matriz quadrada.
Teorema. Se A uma matriz de ordem n,
Adj ( A) A = A Adj ( A) = det ( A) I n .
Demonstrao.
a11 a1n A11 An1
A Adj ( A) =
an1 ann A1n Ann
n
a1 j A1 j
j =1
n
a2 j A1 j
j =1
n
a3 j A1 j
= j =1

a(n 1) j A1 j
j =1
n
anj A1 j
j =1

a
j =1
n

2 j A2 j

a
j =1

A2 j

1j

a3 j A2 j
j =1

2 j A3 j

a3 j A3 j

j =1
n

j =1
n

j =1

a(
j =1

n 1) j

A2 j

A3 j

1j

a(

n 1) j

j =1

A3 j

anj A2 j

anj A3 j

j =1

j =1

1j

j =1
n

2j

j =1
n

3j

j =1

A(n 1) j
A(n 1) j
A(n 1) j

a(
j =1

n 1) j

a
j =1

nj

A(n 1) j

A(n 1) j

Anj
j =1

a2 j Anj

j =1

a
A

3 j nj
j =1

a(n 1) j Anj

j =1

anj Anj

j =1

1j

Usando a Propriedade 8 dos determinantes nos elementos fora da


diagonal principal, temos:
n
a1 j A1 j
j =1

A Adj ( A) =
0

0
n

a
j =1

2j

A2 j

A3 j

j =1

3j

anj Anj

j =1

Pelo desenvolvimento de Laplace (por linhas) temos o valor do determinante:

55

det ( A) = akj Akj , para cada k = 1, 2, , n,


j =1

isto :
0
0
det ( A)
0
det ( A)
0

A Adj ( A) = 0
0
det ( A)


0
0
0

0 ,


det ( A)

= det ( A) I n .
De forma similar, podemos encontrar
Adj ( A) A = det ( A) I n .
Assim, temos demonstrado que
Adj ( A) A = A Adj ( A) = det ( A) I n .

1.6 Inversa de uma Matriz


1.6.1 Matriz Singular
Definio. Uma matriz dita singular se o seu determinante nulo.
Caso contrrio, dizemos que a matriz no singular.
Por exemplo, a matriz
1 2
B=

2 4
uma matriz singular, pois
det( B) = 1 (4) [2 (2)] = 4 (4) = 4 + 4 = 0.
Voc saberia dizer por qu?
Pense a respeito!

J a matriz identidade de ordem 3 no singular, pois det ( I 3 ) = 1.


Em geral, uma matriz identidade de ordem qualquer no singular.

56

1.6.2 Matriz Inversa


Definio. Seja A uma matriz quadrada de ordem n. Dizemos que A
inversvel se existe uma nica matriz B (da mesma ordem) tal que:
AB = BA = I n .
B denominada matriz inversa de A.
Notao. B = A1.
1
2 1
2
Por exemplo, se A =
,
a
matriz
B
=

0
0 3

matriz inversa, pois:

1
6
a respectiva
1
3

1 0
AB = BA =
.
0 1
Propriedade. Se A inversvel, ento, A no singular.
Prova. Ser suficiente encontrar que o det ( A) no nulo. Demonstrando por absurdo, supomos o contrrio, isto , det ( A) = 0, e devemos chegar a uma contradio.
Assim, usando a Propriedade 7 dos determinantes:
det ( AB) = det ( A) det ( B)
= 0 det ( B) = 0.
Por outro lado, temos por hiptese que A inversvel, ento existe
B tal que AB = I, assim:
det ( AB) = det ( I )
= 1.
Assim, 0 = 1, impossvel, uma contradio!
Uma vez que a contradio foi encontrada, ento o enunciado verdadeiro. Assim, a propriedade fica demonstrada. Logo, A no singular.
Conhecendo que det ( A) 0, para A inversvel, uma forma de verificar a existncia da matriz inversa ser encontrar o valor do determinante da matriz. Aps essa verificao, o passo seguinte ser
encontrarmos a matriz inversa, A1. Como exemplo, nos casos das

Geralmente uma
contradio denotada
pelo smbolo .
O mesmo poder ser usado
nas prximas provas.

57

2 1
1 2
matrizes A =
e B=

, podemos afirmar que apenas


0 3
2 4
A possui inversa.
Como obtermos A1 ?

1.6.3 Clculo da Matriz Inversa usando a Matriz


Adjunta
Sabendo que existe A1, ento:
AA1 = A1 A = I .
Observe pela propriedade da matriz adjunta que
Adj ( A) Adj ( A)
A
=
A = I n.
det ( A) det ( A)
Assim, a nica possibilidade ser:
A1 =

Adj ( A)
.
det ( A)

2 1
1
Exemplo 21. Se A =
, encontre A .
0
3

Soluo. Encontramos facilmente que det ( A) = 6, e tambm a matriz adjunta


3 0
Adj ( A) =
.
1 2
Assim,
1
Adj ( A) 2
=
A =
det ( A) 0

1
6 .
1
3

Agora com voc!


2 1 0
Exerccio 21. Seja A = 3 1 4 , verifique se sua matriz inversa
1 6 5

58

5
4
1
19
19

1
8 .
A = 1 10
19
19

1
5
11

19
19

1.6.4 Propriedades da Inversa de uma Matriz


Se A e B so inversveis, ento:
1) ( AB ) 1 = B 1 A1;
2) ( A1 ) 1 = A;
3) ( At ) 1 = ( A1 )t ;
4) det ( A1 ) =

1
.
det ( A)

Prova da Propriedade 1
( AB) 1 = B 1 A1
Em primeiro lugar, vejamos se existe ( AB ) 1. Calculando det ( AB):
det ( AB) = det ( A) det ( B).
Por hiptese existem as inversas das matrizes A e B ( A1 , B 1 ), isto
, det ( A) 0 e det ( B) 0. Assim, det ( AB) 0 e com isso (AB) 1,
isto ,
( AB) ( AB ) 1 = I .
(1)
Como:
A A1 = I e B B 1 = I .
Na segunda parte dessa ltima relao, multiplicamos em ambos os
lados pela inversa de A (pela direita):
( B B 1 ) A1 = I A1.
Associando e multiplicando por I, temos
B ( B 1 A1 ) = A1,
e multiplicando esquerda por A:
A ( B ( B 1 A1 )) = A A1.

59

Voc tambm pode


considerar os seguintes
passos aps a expresso (2):

Associando novamente e, sabendo que AA1 = I , temos


.

(2)

Sendo que a existncia da matriz inversa nica e comparando as


expresses (1) e (2) conclumos que
( AB) 1 = ( B 1 A1 ).

Agora com voc!


Exerccio 22. Prove as propriedades 2, 3 e 4, justificando o seu procedimento.
Ao calcular a matriz inversa de A, usando a matriz adjunta, vimos
Adj ( A)
que A1 =
, e nos exemplos aplicamos essa relao para madet ( A)
trizes de ordem 2 e 3. E se a matriz for de ordem maior ou igual
a 4? O procedimento acaba sendo mais trabalhoso nesses casos.
Vejamos agora como podemos obter a matriz inversa sem usar
a matriz adjunta.

1.6.5 Clculo da Matriz Inversa por


Operaes Elementares
Seja A uma matriz no singular, portanto existe A1 e det ( A) 0.
Por definio, sabemos que
AA1 = A1 A = I .
Ento, a ideia encontrarmos uma matriz que ao ser multiplicada
por A ( direita ou esquerda) resulte na matriz identidade. Para
tal necessrio conhecer o que so aperaes elementares e fazer
uso das matrizes elemetares.
Operaes Elementares
Operaes elementares so realizadas na matriz com o objetivo de
invert-la, reduzi-la ou simplesmente coloc-la num formato especificado previamente. Elas podem ser de trs tipos:

60

1) A troca de uma linha (ou coluna) por outra linha (ou coluna);
2) A multiplicao de uma linha (ou coluna) por um valor
, com 0;
3) A soma de uma linha (ou coluna) multiplicada pelo valor ,
( 0) numa outra linha (ou coluna).
Se li e l j representam a linhas i e j da matriz e o escalar citado
anteriormente, ento, as operaes elementares dadas acima sero
denotadas respectivamente por:
a) li l j ;
b) li ;
c) l j li + l j .
Seja A uma matriz, se uma (ou vrias) operao elementar for efetuada nessa matriz, obteremos uma matriz diferente, a qual denotaremos por . Assim, o processo efetuado ser denotado por:
operao ( es )
A

elementar ( es )

Exemplos:
Se realizarmos uma operao elementar na matriz identidade de ordem 2, I 2 , e trocarmos a linha 1 pela linha 2 da matriz, obteremos a
seguinte matriz elementar:
0 1
=
.
1 0
A operao efetuada denotada por
l1 l2
I 2
.

Dada a matriz de ordem 4,


1 0 6
0 1 0
A=
3 0 2

0 1 0

1
0
,
0

61

ao fazermos a operao elementar que multiplica a linha 3 da matriz


por 2, obtemos a seguinte matriz:
1 0
0 1
=
6 0

0 1

6
0
4
0

1
0
.
0

Indicamos isso com:


1 0
0 1
(2 )I3

A
6 0

0 1

6
0
4
0

1
0
.
0

Dada a matriz de ordem 3,


1 8 2
B = 0 1 0 ,
5 1 3
ao fazermos duas operaes elementares, obtemos a seguinte matriz B :
3 24 6
B
15 2 9 = B
5
1 3
l2 (3)l3 + l2
3l1

Assim, a matriz B foi obtida:


1) multiplicando-se a linha 3 por 3 e somando-a linha 2 da
matriz B,
2) multiplicando a linha 1 por 3.
Observao. A operao elementar l2 (3) l3 + l2 indica a linha
onde a soma das linhas est acontecendo. No caso, a soma ser efetuada na linha 2 da matriz.

62

Agora com voc!


1
0
2 0

Exerccio 23. Dadas as matrizes A =


e B = 1
0

0
1
0
0

0
0
1
0

0
0
,
0

encontre e B , aps as operaes elementares efetuadas em A e


l1 l2
B respectivamente. As operaes so indicadas por: A
e
2 l1
l4 2 l3 + l4
B
B .
5l2
l1 l2

Exerccio 24. Quais operaes elementares devem ser feitas de modo


a transformar a matriz C na sua forma triangular superior?
1 3 3
C = 0 1 1 .
1 2 0
Forma Escada de uma Matriz
Aps efetuarmos operaes elementares por linhas, na matriz inicial,
dizemos que ela est na forma escada se a matriz resultante obter:
a) O primeiro elemento no nulo de uma linha no nula deve ser
igual a 1;
b) A coluna que contm o primeiro elemento no nulo de alguma
linha tem todos os seus outros elementos (da coluna) iguais
zero;
c) Toda linha nula ocorre abaixo de todas as linhas no nulas (isto
, daquelas que possuem pelo menos um elemento no nulo);
d) Se as linhas 1, , r so linhas no nulas, e se o primeiro elemento no nulo da linha i ocorre na coluna ki (a coluna k
referida linha i ), ento, k1 < k2 < < kr . (Exemplo: se i = 1 e
k1 = 3, ento, para i = 2, k1 < k2 significa que k2 ser maior que
3, e assim por diante).

63
Exemplos:
As seguintes matrizes encontram-se na forma escada:
0 1 5 0 3
0 1 0
A1 =
, A2 = 0 0 0 1 2 .

0 0 0
0 0 0 0 0
J as seguintes matrizes no esto na forma escada:
1
1 1 0
0
B = 0 1 0 , C =
0
0 0 1

1 0
1 1
0 1
0 0

0
1
0 1 0

0
0
, D = 1 0 0 , E =

0
3

0
0
1

1
0

1 0
1 1
1 1
0 0

Agora com voc!


Exerccio 25.
a) Observe as matrizes B e C. Que elementos devem ser trocados
para que elas fiquem na forma escada?
b) Justifique quais condies da forma escada de uma matriz no
so satisfeitas no caso das matrizes C e D.
Observaes:
1) Na prtica, a forma escada serve para transformar uma matriz
quadrada na sua forma triangular, na qual os elementos da
diagonal principal sejam uns ou zeros.
2) A prtica de reduzir uma matriz usando operaes elementares um exerccio muito til para obter a inversa de uma
matriz e resolver sistemas lineares.
Operaes Elementares versus Matrizes Elementares
Cada operao elementar representada por uma matriz elementar
(como definido na Seo 1.2) e o produto de sucessivas matrizes elementares pode nos conduzir matriz inversa. Veremos isso com os
seguintes exemplos e exerccios.

0
0
.
1

64
Exemplo 22. Dada a matriz A , converta-a numa matriz triangular
superior.
1
0
A=
1

2
0
2
1

3 4
1 1
0 0

9 3

Soluo.
1
0

2
0
2
1

3 4
1

0
1 1
l3 l1 + l3

l4 l1 + l4
0
0 0

9 3
0

0
l4 l3

1
2 3 4

0 1 1
0
l2 l4

l2
0 3 4
3
0

3 12 7
0

4
1 2

7
0 1
1 4
l4 3l3 + l4

3
l4
7
0 0
0 1 1

0 3 4
0 0
2

4
7
4
3 = .
1 1

0 1

Assim, uma matriz triangular superior.


Exemplo 23. Encontre matrizes elementares que representam as
quatro primeiras operaes elementares efetuadas no Exemplo 22.
Soluo. No Exemplo 22, foram efetuadas sete operaes elementares. Cada uma delas representar, respectivamente, as matrizes elementares E1 , , E7. Assim, a primeira operao l3 l1 + l3 d origem matriz elementar:
1
0
E1 =
1

0
1
0
0

0
0
1
0

0
0
.
0

Tambm, a operao elementar l4 l1 + l4 origina a matriz elementar:


1
0
E2 =
0

0
1
0
0

0
0
1
0

0
0
.
0

4
7
1 4
3
0 3 4

0 1 1

65

l
Similarmente, as operaes elementares l2 l4 e 2 originam as ma3
trizes elementares:
1
0
E3 =
0

0
0
0
1

0
0
1
0

1 0
0
1

0
1
, E4 =
3
0
0 0

0
0 0

0 0

0 0
.
1 0

0 1

Agora com voc!


Exerccio 26. Quais foram as matrizes E5 , E6 , E7 no exemplo anterior?
Observe que, nas matrizes do Exemplo 23,
1
0
E1 A =
0

2 3 4
1

0
0 1 1
e E2 ( E1 A) = E2
0
0 3 4

1 9 3
1

2 3 4
0 1 1
,
0 3 4

1 9 3

isto ,
1
0
E2 E1 A =
0

2 3 4
0 1 1
.
0 3 4

3 12 7

Similarmente,
1
0

E3 ( E2 E1 A) = E3
0

2 3 4 1
0 1 1 0
=
0 3 4 0

3 12 7 0

0
e E4 E3 E2 E1 A =
0

2 3 4
3 12 7
0 3 4

0 1 1

4
7
1 4
3 .
0 3 4

0 1 1

66
Repetindo o processo, chegamos ao seguinte resultado:
1

0
E7 E6 E5 E4 E3 E2 E1 A =
0

2 3

4
7
1 4
3 ,
0 1 1

0 0 1

que a matriz triangular superior obtida no Exemplo 22.


Agora usaremos os conceitos anteriores para aprender a calcular
a matriz inversa usando operaes elementares.
O Exemplo 23 mostrou como ocorre o processo de reduo de uma
matriz de ordem 4 na sua forma triangular superior. Em geral esse
ser o processo para reduzir matrizes de ordem superior. Assim, se
A uma matriz no singular, encontraremos as matrizes elementares que transformam a matriz na forma de uma matriz identidade,
isto , encontraremos as matrizes elementares E1 , E2 , , Ek tais que
Ek E3 E2 E1 A = I.
Assim, se B = Ek E3 E2 E1 estaremos afirmando que BA = I.
Com isso, e usando a definio de matriz inversa, a inversa da matriz ser dada por
A1 = Ek E3 E2 E1.
A matriz inversa no mais do que o produto de matrizes elementares!
Ilustremos esse processo com o seguinte exemplo:
Exemplo 24. Usando matrizes elementares, vamos obter a matriz
inversa da matriz A :
1
0
A=
1

2
0
2
1

3 4
1 1
.
0 0

9 3

67
Soluo. Usando os resultados obtidos no Exemplo 23 (onde se encontraram 7 matrizes elementares, E1 , , E7 ,para reduzir a matriz na
forma triangular superior) obtivemos que
1
0
A=
1

2
0
2
1

3 4
1 1
operaes

elementares
0 0

9 3

2 3

4
7
1 4
3 .
0 1 1

0 0 1

Como E7 E6 E5 E4 E3 E2 E1 A = , ento
det ( E7 E6 E5 E4 E3 E2 E1 ) det ( A) = det ( ).
Assim, det ( A) = 0 (por qu?) e A no singular ( A1 ). Continuando o processo:
1

2 3

4
1
7
0
1 4
l3 l4 + l3

3
7 l
l2 4 + l2
0
3
0 1 1

0
0 0 1
1
0

2
1
0
0

3
0
1
0

2
1
0
0

3
4
1
0

4
0 l1 4l4 +l1

0 l2 4l3 +l2

0
1

0 l1 3l3 +l1 0

0 l1 2l2 +l1 0

1
0

0
1
0
0

0
0
1
0

0
0
= I.
0

Sero construdas mais 6 matrizes elementares E8 , E9 , , E13 , e


deixamos para voc a tarefa de explicit-las!
Temos, ento:
E13 E12 E8 E7 E1 A = I,
e, assim,
B = E13 E12 E8 E7 E1.
Isto ,
BA = I A1 = B.

68
Aps fazermos o produto, a matriz pedida :
8
7

4
7
A1 = E13 ...E8 ...E1 =
1
7
1

18
7
9
7
4
7
3
7

17
21
19
21
1
7
1
7

2
3

1
3 .

Observaes:
Ao tentar resolver o exemplo, voc pode verificar que o
conjunto de matrizes elementares encontradas no processo de escalonamento no ser o nico, pois depender da escolha das operaes elementares efetuadas, no
obstante a matriz inversa ser a mesma.
Fizemos questo de apresentar um exemplo com uma
matriz de ordem 4, com o objetivo de facilitar a compreenso do mtodo, alm de colocar uma prtica que usualmente no se expe em livros da literatura disponvel.

Um Mtodo Prtico
O processo anterior foi explicado para que voc entenda, passo-apasso, como uma matriz reduzida at ser convertida matriz identidade. Na prtica, toda vez que queiramos obter a matriz inversa de
uma matriz no singular, procedemos da seguinte forma:
operaes
[ A I ]
[ I A1 ],
elementares

ou seja, acrescentamos direita uma matriz identidade da mesma ordem da matriz e fazemos o processo de reduo. O ltimo resultado
ter uma matriz identidade esquerda, e direita a inversa da matriz
dada. Visto de outra forma, a matriz identidade da direita estar armazenando todas as operaes elementares efetuadas no processo.

69
Exemplo 25. Use o mtodo prtico para obter a matriz inversa do
Exemplo 24.
Soluo.

8
7

4
7
assim: A1 =
1
7
1

18
7
9
7
4
7
3
7

17
21
19
21
1
7
1
7

2
3

1
3
.
0

70

Agora com voc!


Exerccio 27. Use o mtodo prtico para encontrar as matrizes inversas:
2 1
a) da matriz A =
.
0 3
1
0
1 0

B
=
b) das matrizes A =
e

1
0 2

0
1
0
0

0
0
1
0

0
0
.
0

Exerccio 28. Considerando as matrizes A, B e C, encontre a matriz


inversa, se possvel.
2
3
A=
2

2
1
2
B=
1

1
2
2
1
1
3
1
2

3
4
1
3

4
5
.
0

2 1
0 2
.
2 2

1 1

3
1 0

C = 2 1 4 .
6 1 17

71

Resumo
Neste Captulo inserimos os conceitos bsicos que serviro de base
para o estudo dos prximos Captulos deste Livro. Em particular,
quando falamos de matrizes voc, alm de lembrar alguns conceitos
j aprendidos no ensino mdio, foi levado reflexo e observao de
propriedades antes desconhecidas, com a inteno de despertar a
sua capacidade lgica e, por que no dizer, a sua capacidade de abstrao, uma preparao aos conceitos que sero vistos no captulo
dos espaos vetoriais.
Voc poder encontrar tambm muita informao dos contedos
aqui fornecidos (e tambm os contedos dos prximos captulos) ao
navegar por stios com contedos matemticos (confiveis) da internet. Um exemplo, entre outros, que lhe pode ser til dado ao acessar o link:
<http://pt.wikibooks.org/wiki/Matem%C3%A1tica_Elementar:_Matrizes>.
Esse material de apoio,
bem como algumas
atividades, pode ser
encontrado no ambiente
virtual de aprendizagem.

Ainda, julgamos importante fornecer voc um resumo simplificado


das propriedades estudadas at o momento. Ele poder servir como
material de apoio para o desenvolvimento dos exerccios de prova.

Propriedades das Matrizes


Adio de Matrizes
Sejam A = aij , B = bij
e C = cij , ento:
mn
mn
mn
Comutatividade: A + B = B + A;
Associatividade: A + ( B + C ) = ( A + B ) + C ;
Elemento neutro: A + O = A ;
Elemento oposto: A + ( A) = O.

Produto de uma Matriz por um Escalar

72

Dados A = aij , B = bij


e (um escalar real), ento:
mn
mn
Distributividade: ( A + B) = A + B;
Distributividade: ( + ) A = A + A;
Associatividade: ( A) = ( ) A;
0 A = O.

Produto de Matrizes
Dados A = [aik ]m p , B = bkj

p n

e C = c jl (ordem conveniente), ento:

A ( BC ) = ( AB) C ;
A ( B + C ) = AB + AC ;
( A + B) C = AC + BC ;
( AB) = ( A) B = A ( B), . (Um escalar real).
Observe que em geral AB BA. Tambm, AB = O, no implica A = O
ou B = O.

Transposta de uma Matriz


Dados A = aij e B = bij , ento:
mn
mn
( A ') ' = A;
( A + B) ' = A '+ B '
se B = bij

n p

( AB) ' = B ' A ';


( A) ' = A ',, .

Trao de uma Matriz


Tr ( A + B) = Tr ( A) + Tr ( B);
Tr ( A) = Tr ( A);
Tr ( A) = Tr ( A ');
Tr ( AB) = Tr ( BA).

73

Inversa de uma matriz


( AB) 1 = B 1 A1;
( A1 ) 1 = A;
( At ) 1 = ( A1 )t ;
det ( A1 ) =

1
.
det ( A)

Bibliografia Comentada
BOLDRINI, Jos et al. lgebra linear. 3. ed. So Paulo: Harbra, 1980.
Essa referncia auxiliar para complementar e estender alguns conceitos
no apresentados, nos quais voc possa estar interessado(a) em conhecer
e se aprofundar.

CALLIOLI, C. A. et al. lgebra linear e aplicaes. 6. ed. [S.l.]: Atual


Editora, 1993.
Nesse livro, alm de contar com os contedos da lgebra Linear e Aplicaes,
voc encontrar as provas das propriedades do determinante de uma matriz
usando a definio.

KHLKAMP, Nilo. Matrizes e sistemas de equaes lineares. Florianpolis: Ed. UFSC, 2005.
Esse livro possui mltiplos exemplos e problemas prticos que voc pode
resolver e, assim, acrescentar sua prtica. Tambm, so apresentados
algumas aplicaes e problemas de matrizes e sistemas lineares.

SANTOS, Reginaldo. Um curso de geometria analtica e lgebra linear.


Belo Horizonte: Ed. UFMG, 2001.
Essa referncia muito til para aplicar os conceitos usando alguns recursos
computacionais, assim como os detalhes de algumas provas teis de seu
interesse.

Captulo 2
Sistemas Lineares

Captulo 2
Sistemas Lineares

A regra de Cramer um
teorema em lgebra linear
que d a soluo de um
sistema de equaes
lineares em termos de
determinantes. Recebe esse
nome em homenagem a
Gabriel Cramer
(1704-1752).

Neste captulo, voc estudar conceitos e mtodos de resoluo de sistemas lineares que sero usados nos prximos
captulos. Para tal, como motivao lembraremos de algumas questes da Geometria Analtica que nos ajudaro na
visualizao de certos casos que conduziram caracterizao de sistemas lineares no plano e no espao. Tambm,
consideramos que voc conhea os mtodos convencionais
de resoluo de duas ou trs equaes com duas ou trs
incgnitas e a aplicao a regra de Cramer nesses casos.
A partir disso, levamos ao questionamento de o que fazer
em casos onde esses mtodos no so aplicveis.

2.1 Preliminares
Antes de iniciarmos, lembraremos de alguns conceitos de geometria
analtica que sero importantes para entender melhor o contedo
que ser dado neste captulo.
Uma vez que retas e planos so subconjuntos de 3, forneceremos
as notaes das retas dadas pelos eixos coordenados e dos planos
dados pelos planos coordenados.
Lembremos da notao de um ponto P qualquer do espao com
coordenadas x, y e z:
P = P ( x, y, z ) 3.
J a notao de um vetor a com componentes a1 , a2 , a3 dada por:
a = (a1 , a2 , a3 ).
z
P(x, y,z)

a=OP(x,y, z)
0
x

Figura 2.1. O ponto P e o vetor a.

76

2.1.1 Eixos coordenados


Os eixos coordenados so denotados na seguinte forma vetorial:
Eixo x
x = {x 3 / x = (1, 0, 0), }
z

y
a = (1,0,0)

Figura 2.2. O eixo coordenado x.

Eixo y
y = {y 3 / y = (0,1, 0), }
z

y
a = (0,1,0)

Figura 2.3. O eixo coordenado y.

Eixo z
z = {z 3 / z = (0, 0,1), }
z
a

y
a = (0,0,1)

Figura 2.4. O eixo coordenado z.

77

2.1.2 Planos Coordenados


As formas vetoriais e cartesianas dos planos coordenados so dadas, respectivamente, da seguinte maneira:
Plano XY
xy = {x 3 / x = (1, 0, 0) + (0,1, 0), , }
ou xy = {(x, y, z) / z = 0}
z

xy
x
Figura 2.5. O plano

xy .

Plano YZ
yz = {x 3 / x = (0,1, 0) + (0, 0,1), , }
ou yz = {(x, y, z) / x = 0}
z
yz

y
x
Figura 2.6. O plano

yz .

78

Plano XZ
xz = {x 3 / x = (1, 0, 0) + (0, 0,1), , }
ou xz = {(x, y, z) / y = 0}
z
xz
y
x
Figura 2.7. O plano

xz .

No espao, seja uma reta qualquer que passa pelo ponto


P0 (x 0 , y 0 , z 0 ) com vetor diretor a = (a1 , a2 , a3 ). Ento, se t um
parmetro, um ponto P(x, y, z) de dado por:

O vetor diretor, como o


nome j diz, determina a
direo da reta.

x = x 0 + ta1;
y = y 0 + ta2 ;
z = z 0 + ta3.
Essa equao conhecida como a equao paramtrica da reta.
Exemplo 1. Seja uma reta que passa pelo ponto (1,1, 2) e vetor
diretor a = (1, 1, 0). Encontre uma forma de equacionar que no
envolva o parmetro t.
Soluo. A equao paramtrica de :
x = 1 + t t = x 1
y = 1 t

y = 1 (x 1) = 2 x

z = 2 + 0t = 2 z = 2

So equaes equivalentes
equao geral da reta, da
forma x = f(t), y = g(t) e
z = h(t) , que relacionam as
coordenadas x, y e z dos
pontos da reta com um
parmetro t.
Lembre dos contedos
da disciplina de
Geometria Analtica.

79

Assim, t implica x . Isto , a reta pode ser equacionada na


forma:
y = 2 x
:
z = 2
z
z=2

x
Figura 2.8. Grfico da reta

do Exemplo 1.

A equao cartesiana (ou geral) do plano que passa pelo ponto


P0 (x 0 , y 0 , z 0 ) e vetor normal n = (a, b, c) dada por:
: ax + by + cz = d
Exemplo 2. Dado o tetraedro que passa pela origem e pelos pontos
(0, 0,1) , (1, 0, 0) e (0,1, 0) como indicado na Figura 2.9, considere a
face desse tetraedro no octante X + Y + Z+. Ento, o plano determinado por essa face tem equao:
: x + y + z =1
z
(0,0,1)

(1,0,0)

(0,1,0)

: x+y+z=1
Figura 2.9. Plano definido pela face de tetraedro com vrtice na origem.

80

Agora sua vez!


Verifique se voc est acompanhando as discusses que fizemos.
Resolva o exerccio que deixamos a seguir:
Exerccio 1. Encontre dois vetores do plano , mostrado na Figura
2.9 do Exemplo 2, e verifique que a equao dada por x + y + z = 1.
Exemplo 3. A reta do Exemplo 1 pode ser considerada como sendo a interseco do plano 1 : x + y = 2 e o plano 2 : z = 2, paralelo
ao plano cartesiano xy , conforme ilustrado na figura.
z
1

2
y

x
Figura 2.10. A reta

obtida como interseo de dois planos.

Com o desenvolvimento desta seo e antes de iniciarmos a formulao algbrica dos sistemas lineares, colocaremos as vrias possibilidades de posies relativas entre retas e planos e os respectivos
conjuntos soluo. Logo depois, veremos a conexo desta seo com a
formulao algbrica a ser fornecida neste captulo.

2.2 Sistemas Lineares


Retas em 2
Em 2, uma reta com os seus infinitos pares de pontos (x, y) equacionada na forma
ax + by = c

(1)

As posies relativas entre duas retas no plano so:


a) Concorrentes, isto , a interseco um ponto. Assim, dadas
duas equaes, existe uma nica soluo;

81
b) Coincidentes, isto , as retas so iguais. Isso equivale a dizer que
h muitas solues (ou, mais apropriadamente falando, infinitas!) ou, ao resolver duas equaes, existem infinitas solues;
c) Paralelas, isto , no h interseco entre elas. Quer dizer que
a soluo dada por duas equaes o conjunto vazio (ou no
existe soluo).
y

1
P

1= 2

1
2

a)

12= P

b)

1= 2

c)

1//2

Figura 2.11. Posies relativas de retas no plano.

De forma similar, vejamos o que pode acontecer no caso de termos


planos em 3.

Planos em 3
Um plano
Dado um plano , os seus infinitos pontos (x, y, z) satisfazem a
equao linear:
ax + by + cz = d

(2)

Dito de outra forma, o conjunto de pontos de um plano qualquer


dado pela soluo de uma equao linear com trs incgnitas.
z

y
x
Figura 2.12. O plano

no espao.

82

Dois planos
As posies relativas entre dois planos, dados por duas equaes
lineares, so as seguintes:
a) Coincidentes, se cada ponto P(x, y, z) do conjunto soluo satisfaz ambas as equaes, ento, existiro infinitas solues;
b) Paralelos, isto , no existem pontos P(x, y, z) que satisfaam
simultaneamente as equaes de cada um dos planos, isto ,
no existem solues;
c) Concorrentes numa reta. Neste caso, a nica possibilidade
que a interseo dos planos seja uma reta de pontos P(x,y,z)
que satisfaz ambas as equaes. Dessa forma, haver infinitas solues.
z

z
1=2

1//2

y
x

z
2

y
x

x
a)

1= 2

b)

yz

12=

c)

xy

yzxy= y

Figura 2.13. Posies relativas de dois planos no espao.

Trs Planos
As posies relativas entre trs planos so as seguintes:
a) Concorrentes num ponto. Existe uma nica possibilidade
para que as equaes dos planos sejam satisfeitas simultaneamente, isto , existe uma nica soluo. Observe na Figura
2.14 a interseco dada pelos trs planos coordenados. Uma
forma prtica de visualizar essa situao olharmos para uma
esquina qualquer de uma sala de aula, na qual as paredes so
consideradas como trs pedaos de planos;
b) Interseo vazia. No h pontos (x, y, z) satisfazendo simultaneamente as equaes dos planos e dito que a interseo
vazia; assim, no existe soluo. Nessa situao, um exemplo

83
prtico olhar trs faces quaisquer de um tijolo (cuja forma
um paraleleppedo), como indicado na Figura 2.15.
z

z
yz

xz
xy

x
xyxzyz={0}

x
123=

Figura 2.14. Planos concorrentes num ponto.

No ambiente virtual sero


exibidas essas e outras
situaes prticas do nosso
cotidiano que ilustram
as posies relativas
de retas e planos.

Figura 2.15. Planos no concorrentes.

c) Concorrentes numa reta, isto , a interseo dos planos


uma reta; portanto, existem infinitas solues. Nesse caso, um
exemplo prtico observarmos um livro aberto em que as folhas representam pedaos de planos que se interceptam na
lombada (e claro, teremos que imaginar uma lombada muito
fina!). Assim, a lombada seria um pedao da reta interseo.
z xz x
3
2
1

xy

xy123xz= x

x
Figura 2.16. Planos concorrentes numa reta.

Em cada uma das situaes dadas anteriormente, procura-se o


conjunto soluo de equaes com duas ou trs incgnitas (1) e (2).
Com o objetivo de generalizar, denotamos (x1 , x 2 ) as incgnitas da
equao (1) e (x1 , x 2 , x 3 ) as incgnitas da equao (2). Nesses casos,
escrevemos:

84

a11x1 + a12 x 2 = b1
a21x1 + a22 x 2 = b2 ,
no caso da interseo de duas retas em 2. Ou, na forma:
a11 x1
a 21 x1

+ a12 x2
+ a 22 x2

+ a13 x3
+ a 23 x3

= b1
= b2

no caso da interseo de dois planos.


Dadas m equaes com n incgnitas, um sistema linear, em geral,
apresentado na seguinte forma:
a11x1 + a12 x 2 + + a1n x n = b1
a21x1 + a22 x 2 + + a2 n x n = b2

am1x1 + am 2 x 2 + + amn x n = bm

(SLg),

em que SLg indica um Sistema Linear geral.


Assim, se
A mn = [a ij ]mn , X n1 = [x ij ]n1 e Bn1 = [bij ]n1,
o sistema dado pode ser representado matricialmente por
A mn X n1 = Bm1,
ou, simplesmente,
AX = B

(SLm),

em que SLm indica um Sistema Linear na forma matricial.


A matriz A conhecida como matriz de coeficientes, X a matriz
das incgnitas e B, a matriz dos termos independentes.
Observao. A ordem da matriz de coeficientes define a ordem do
sistema. No caso, o sistema AX = B de ordem m n.
So exemplos de sistemas lineares:
i) 9 x y = 2 ,
x + 4y = 0

ii) 2 x y + 3 z = 1,

iii) x + y + z = 1
xz =0
y + 7z = 2

85

onde (i) um sistema de duas equaes com duas incgnitas e (ii)


um sistema de uma equao com trs incgnitas. J o sistema (iii)
possui trs equaes e trs incgnitas.

Agora com voc!


Exerccio 2. Com o intuito de verificar se voc lembra do contedo
da Seo anterior, fornea uma interpretao geomtrica dos sistemas lineares dados nos exemplos (i), (ii) e (iii).
Voc lembra de ter estudado a soluo de sistemas de ordem dois
ou trs (e com duas ou trs incgnitas), no Ensino Mdio? Nesses
casos os mtodos convencionais ou a regra de Cramer sempre eram
possveis de serem aplicados. Existem sistemas onde isso pode no
acontecer, por exemplo:
Exemplo 4. Resolver o seguinte sistema linear de equaes de ordem 3:
3x y + z = 4
x + 7 y 2z = 1
2x + 6 y z = 5
Soluo. Usaremos mtodos convencionais para resolver o sistema.
Enumerando cada equao:
3x y + z = 4
x + 7 y 2z = 1
2x + 6 y z = 5

(1)
(2)
(3)

Isolando z de (3), z = 2 x + 6 y 5, e substituindo em (1) e (2), obtemos:


3x y + 2 x + 6 y 5 = 4

x + 7 y 2(2 x + 6 y 5) = 1

5x + 5 y = 9

5 x 5 y = 9

(4)

Na ltima expresso, a primeira equao igual segunda, com


exceo do sinal. Ento, qual a soluo de (4), onde 5 x + 5 y = 9?
Os mtodos convencionais nesse caso no fornecem uma resposta.
3 1 1
Tambm, se A = 1 7 2 , observamos que det (A) = 0, ento o

2 6 1
mtodo de Cramer no pode ser usado! Voc sabe por qu?

86
Uma interpretao geomtrica do sistema dado corresponde a termos
trs planos se intersectando. A equao (4) junto (3) fazem-nos
obter a seguinte resposta:
5x + 5 y = 9
5x + 5 y = 9
ou

z = 2x + 6 y 5
2x + 6 y z = 5

(5)

A expresso (5) corresponde a uma reta onde o parmetro t no aparece explicitamente. Por exemplo, ao considerarmos z = t e uma manipulao algbrica simples no sistema (5), poderemos obter os valores
x, y, z em funo do parmetro t, da seguinte forma:
29 5
t
4 4
7 1
y=
+ t, t
20 4
z = 0+t
x=

Essa forma similar ao que foi trabalhado no Exemplo 1, no ?


E, lembrando a Figura 2.16, estamos numa situao em que temos
infinitas solues!
Observe que a resposta do Exemplo 4 foi fornecida com uma
caracterizao da soluo e os conceitos aprendidos na Geometria Analtica, mas... como podemos resolver esse exemplo
analiticamente?
Exemplos como o anterior, em que os mtodos convencionais ou a regra de Cramer no podem ser usados, sero o
foco principal para o desenvolvimento dos conceitos nas
prximas Sees. Uma forma de contornarmos situaes
como as mostradas anteriormente nos conduzir ao uso do
escalonamento de matrizes. Assim, esses sistemas sero caracterizados e as solues sero facilmente encontradas.

2.2.1 Posto e Nulidade de uma Matriz


Posto de uma Matriz
Definio. Dada uma matriz A de ordem m n, o posto da matriz
dado pela ordem da maior submatriz no singular da matriz dada.

87
Notao: p(A)
Exemplo 5. Encontre o posto da matriz
1 3 5
A = 0 1 2 .
0 2 4
Soluo. Vejamos as submatrizes que podemos encontrar nesse caso.
Se n = 1,
[a 21 ] = 0 e h outras no nulas.
Se n = 2,
3 5
0 1
A
=
escolhemos A1 =
e
2

0 2 dentre outras possveis.


1 2

Calculamos agora os respectivos determinantes:


3 5
0 1
det
= 11, det

= 0.
1 2
0 2
Se n = 3, nesse caso a nica submatriz a matriz dada com
det(A) = 0.
Dessa forma, 2 a maior ordem da submatriz no singular, isto , o
posto de A igual a 2.
Observao. O mtodo no prtico para matrizes de ordem maior,
pois nesse caso teremos que calcular determinantes de matrizes
de ordem maior que 3 ou 4. Por exemplo, se A de ordem 7 com
determinante nulo, estaremos obrigados a calcular determinantes
de matrizes de ordem 5 ou 6! Logo depois de definir a nulidade
de uma matriz, apresentaremos uma forma prtica de calcular o
posto de uma matriz.

Nulidade de uma Matriz


Definio. Dada uma matriz A de ordem m n, a nulidade da matriz dada pela diferena entre o nmero de colunas e o seu posto.
Notao: nul(A)
nul(A) = n p.

88

Exemplo 6. Encontrar a nulidade da matriz dada no Exemplo 5.


Soluo. No Exemplo 5, obtivemos que p(A) = 2 e, como n = 3,
temos:
nul(A) = 3 2 = 1.
Observaes:
O posto e a nulidade de uma matriz so utilizados na resoluo de sistemas lineares.
O posto e a nulidade de uma matriz esto associados dimenso do espao linha e o espao coluna da mesma. Esses conceitos sero vistos posteriormente.
As linhas no nulas obtidas ao reduzir uma matriz na sua forma
escada so ditas linhas linearmente independentes.
Teorema. Se A uma matriz de ordem m n , o posto da matriz determinado pelo nmero de linhas linearmente independentes da matriz.
suas respec, B
eC
Por exemplo, sejam A, B e C trs matrizes e A
tivas formas reduzidas:
1

0 1 0 0

A=
, B = 0
0 0 0

1 0
1 1
0 0
0 0

0
1 0 0
0
= 0 1 2 ,
e C

0
0
1

linearmente independentes. Ento, a matriz A s tem uma linha linearmente independente, a matriz B tem duas linhas linearmente
independentes, e a matriz C trs linhas linearmente independentes.
Assim, os postos das matrizes A, B e C so respectivamente 1, 2 e 3.
Exemplo 7. Use o teorema anterior para encontrar o posto das matrizes A e B :
1 3 5
a) A = 0 1 2 ,

0 2 4 33

1
1

B
=
b)
0

2 2 0 1
1 0 1 0
.
0 1 1 1

5 4 1 2 45

O conceito de
independncia linear
ser estudado no
prximo captulo.

89

Soluo.
1 3 5
a) A = 0 1 2 ; aps escalonamento, obtemos a matriz

0 2 4
1 3 5
= 0 1 2 .
A

0 0 0
Essa matriz tem as duas primeiras linhas linearmente independentes.
Assim, p(A) = 2 e, em consequncia, nul(A) = 1.
b) Similarmente, no caso da matriz B, aps operaes elementares,
chegamos forma:
1

= 0
B
0

2 2 0 1
3 2 1 1
.
0 1 1 1

0 0 0 0

Assim,
p(B) = 3 e nul(B) = 5 3 = 2.

Agora sua vez!


Exerccio 3. Considerando a matriz B do Exemplo 7, use operaes
elementares para reduzi-la e obtenha o posto e a nulidade. Observe
que os valores do posto e da nulidade no mudam ao obtermos matrizes reduzidas diferentes.
Propriedade. Se A uma matriz de ordem m n, ento
p(A) mn{m, n}.
Para exibir esse resultado, usaremos como exemplo a matriz B do
Exemplo 7, em que m = 4, n = 5, assim,
p(B) mn{4,5} = 4 p(B) 4.
De fato, p(A) = 3.

90

Observao. Usando a propriedade, observe que:


Se m < n, ento p(A) m.
Se m > n, ento p(A) n.

Como tarefa, faa uma pesquisa sobre a prova dessa propriedade.

2.2.2 Matrizes Equivalentes e Sistemas


Equivalentes
Matrizes Equivalentes
so ditas matrizes equivalentes se
Definio. Duas matrizes A e A
uma delas obtida ao fazermos operaes elementares na outra.
operaes
so equi , dizemos que as matrizes A e A
Assim, se A
A
elementares
valentes. Por exemplo, se

1 2 3
1 2 3

= 0 0 1 e
A = 0 0 1 , A

1 2 0
0 0 0
2
3 24 6 1 8
B=
, B=

,
15 2 9
0 118 39
e B, B
e
so equivalentes, pois A
ento, as duplas de matrizes A, A
foram obtidas aps um processo de operaes elementares.
B

Agora sua vez!


Exerccio 4. Quais operaes elementares foram realizadas nas matri eB
, citadas anteriormente?
zes A e B para obtermos as matrizes A
Propriedade. Matrizes equivalentes possuem o mesmo posto.
Um modo de exemplificar essa ltima propriedade observarmos
que uma matriz elementar, E , sempre equivalente matriz identi-

91

dade, I. Saberia dizer por qu? Sabendo-se que a matriz identidade


possui n linhas linearmente independentes, ento o seu posto ser
igual a n, p(I) = n , assim, p(E) = n.

Matriz Aumentada ou Ampliada


Dado o sistema (SLm), AX = B, a matriz aumentada ou ampliada do
sistema, denotada por A u , dada ao acrescentarmos na matriz de
coeficientes, A, a matriz dos termos independentes, B.
Notao: A u = [A B].
A u uma matriz de ordem m (n + 1), onde as n primeiras colunas
so dadas pela matriz A e a ltima coluna a matriz coluna dada
por B. Por exemplo, a matriz aumentada do sistema
x + 3 y + 5z = 1
x + 2 y + 7z = 2
2y + z = 3
dada por:
1 3 51
A u = 1 2 7 2 .
0 2 1 3
Ao fazermos operaes elementares na matriz A u , estaremos mudando simultaneamente os elementos de B, ou seja, obtemos uma
= [A
B]
. Com isso, podemos dizer que o sistema inicial
matriz A
u
foi mudado para um sistema da forma:
=B
.
AX

Sistemas Equivalentes
=B
, so ditos equivalentes se as matriDois sistemas, AX = B e AX
= [A
B]
, so matrizes
zes aumentadas dos mesmos, A u = [A B] e A
u
equivalentes.

92

Exemplo 8. Encontre as matrizes aumentadas dos sistemas lineares


(SLg1) e (SLg2) dados abaixo e verifique se eles so equivalentes.
x + 3 y + 5z = 1
x + 2 y + 7 z = 2 (SLg1)
2y + z = 3

x + 3 y + 5z = 1
y + 2 z = 1 (SLg2).
z =1

Soluo. As matrizes aumentadas dos sistemas (SLg1) e (SLg2) so, respectivamente, dados por:
1 3 51
1 3 51

A u1 = 1 2 7 2 e A u2 = 0 1 21 .
0 2 1 3
0 0 11
Veja que, fazendo as trs operaes elementares, l2 l1 + l2,
l
l3 l3 + 2l2 e l3 3 sobre a matriz A u1, obtemos facilmente a ma5
operaes
triz A u2 , isto , A u1
A u 2. Assim, A u1 e A u2 so matrizes
elementares
equivalentes.
Propriedade. Sistemas equivalentes possuem a mesma soluo.
Assim, se a forma reduzida da matriz aumentada muito parecida
com a forma triangular ou diagonal, a propriedade sugere que ao
resolver um sistema linear suficiente resolver o sistema equivalente obtido aps o escalonamento.
Dessa forma, usando mtodos convencionais nos sistemas dados no
Exemplo 8, verificamos que a soluo, em ambos os casos, x = 7,
7
y = 1, z = 1. Isto , X = 1 , agora pedimos que voc verifique o

1
resultado!
Com o contedo terico dado nas sees j apresentadas, estamos
prontos para apresentar o mtodo de soluo usando escalonamento. Para isso, precisamos caracterizar os sistemas lineares!

93

2.2.3 Caracterizao dos Sistemas Lineares


Um sistema linear pode ser:
a) Possvel (compatvel, consistente), se possui soluo.
Determinado: quando a soluo nica;
Indeterminado: quando h infinitas solues.
b) Impossvel (incompatvel, inconsistente), se no possui soluo.
Seja o sistema linear de m equaes com n incgnitas da forma:
AX = B.
Usando o conceito de posto no caso das matrizes A e A u ( p(A)
e p(A u ) ) caracterizamos as solues do sistema linear da seguinte
forma:
a) O sistema possvel se p(A) = p(A u ).
Se p = p(A), ento o sistema :
Determinado, se p = n .
Indeterminado, se p < n.
b) O sistema impossvel se p(A) p(A u ).
Exemplo 9. Caracterize os sistemas abaixo.
a) x + y = 1
x + y = 2

b) x + y = 1
x + y = 1

Soluo.
a) Considerando m = 2 e n = 2, o sistema pode ser colocado na seguinte forma matricial:
A

X = B

1 1 x 1
1 1 y = 2


1 11 l2 l2 +l1 1 11
A u = [A B] =


= Au
1 1 2
0 0 1

94

Pela propriedade do posto de matrizes equivalentes, temos que


p(A) = 1 e p(A u ) = 2. Como p(A u ) p(A), ento, o sistema impossvel.
b) Com m = 2 e n = 2, o sistema AX = B da forma:
1 1 x 1
1 1 y = 1


1 1 1 op. elem. 1 1 1
A u = [A B] =
0 2 0 = A u .
1 1 1

Assim, p(A) = 2 e p(A u ) = 2, por serem iguais ( p = 2 ), o sistema


possvel. Como n = 2 = p teremos, ento, um sistema possvel
e determinado.
O sistema equivalente ao sistema dado :
x + y = 1
.
2y = 0
Assim,
x = 1
.
y=0
Portanto,
x 1
X= =
y 0
a soluo do sistema dado.

Agora sua vez!


Exerccio 5. Com auxlio do contedo fornecido na Seo 2.2, interprete geometricamente os sistemas (a) e (b) dados no Exemplo 9.

Graus de Liberdade de um Sistema Linear


Quando um sistema linear caracterizado como indeterminado,
usa-se o conceito de graus de liberdade. O mesmo ser denotado
pela letra g.

95

Assim, se um sistema de m equaes com n incgnitas da forma


AX = B indeterminado, e se o posto da matriz de coeficientes p,
ento p(A) = p(A u ) = p < n, isto , n p > 0.
Dessa forma, definimos g = n p.
Observaes:
Os graus de liberdade do sistema, g, so sempre um valor positivo.
O valor de g ser associado ao nmero de variveis livres do
sistema.
Exemplo 10. Dado o sistema
x + y = 1,
encontre os graus de liberdade, indique as variveis livres e encontre a soluo.
Soluo. A representao matricial do sistema
x
[1 1] = [1].
y
Nesse caso, m = 1, n = 2 e p(A) = p(A u ) = 1. Voc saberia dizer por
qu?
O sistema possvel e indeterminado; assim, g = 2 1 = 1. Isto , temos uma varivel livre. Essa varivel pode ser escolhida como sendo
qualquer uma das incgnitas do sistema x ou y. Sem perda de generalidade, escolheremos a segunda, y.
Quais so as solues do sistema? Como o sistema possui infinitas
solues, consideramos y = r . Encontraremos todas as solues
por substituio direta:
x = 1 + y = 1 + r
y=r
Representando matricialmente:
x 1 + r 1 1
X= =
= + r , r .
y r 0 1

96

Assim, o conjunto de solues do sistema dado :


x

1 1
2 x
/ = + r , r .
y 0 1
y

Observao. Fazendo r = 0 ou r = 2, no sistema dado no Exemplo


10, teremos, respectivamente:
1
1
X1 = ou X 2 = .
2
0
Assim, X1 e X 2 so duas solues particulares do sistema dado.

Exerccio Resolvido
1) Dado o sistema:
x1 + x2 x4 = 0
x1 x3 + x4 = 2
x2 + x3 x4 = 3
x1 + x2 2 x4 = 1
2 x1 + x2 x3 x4 = 3
Encontre:
a) A forma matricial do sistema;
b) O posto e a nulidade da matriz de coeficientes;
c) Os graus de liberdade do sistema;
d) A caracterizao do sistema;
e) Calcular a soluo (se existir).
Soluo.
a) Considerando m = 5 e n = 4, o sistema na forma AX = B dado
por:
1 1 0 1
0
1 0 1 1 x1 2

x
0 1 1 1 2 = 3

x3

1
1
0
2

x 1
2 1 1 1 4 3

97

b) Escalonando Au = [A B],
1

1
0

1
2

1 0
0 1
1 1
1 0
1 1

1
1
1
2
1

0
1 1 0 1

0 1 1 2
2 l l +l

2
1 2
l4 l1 + l4
0 1 1 1

3
l 2 l + l
5 1 5
1
0 0 0 1
3
0 1 1 1

1 1 0 1
0 1 1 2

0 0 0 1

0 0 0 1
0 0 0 1

0
1 1

0 1
2

l4 l3 + l4
1
0 0
l5 ll24 +l5
1
0 0
0 0
1

0
2
l3 l2 + l3

3
l5 l2 + l5

1
3
0 1
1 2
0 1
0 0
0 0

0
2
1 ,

0
0

assim:
p = p(A) = 3 e nul(A) = 1;
c) g(A) = n p = 4 3 = 1;
d) Como p(A) = p(A u ) = 3 < 4, ento o sistema indeterminado e
possui 1 varivel livre;
e) O sistema equivalente
x1 + x2 x4 = 0
x2 + x3 2 x4 = 2
x4 = 1
e, considerando x3 como sendo a varivel livre, isto , x3 = r ,
temos:
x4 = 1
x2 = 2 r + 2(1) = 4 r
.

x3 = r
x1 = x2 + x4 = 3 + r
Assim, a soluo X igual a:
3+ r
4 r
, r ,
X=
r

98
e o conjunto soluo, S , pode ser colocado na seguinte forma:

3 1

3+ r

4 r

4 1

S = X =
, r =
r , r .
+
r

0 1

1
0

A soluo do exerccio nos fornece o mtodo comumente conhecido


como o mtodo de Gauss .

2.2.4 Mtodo de Gauss para Soluo de Sistemas


Lineares
Ao resolvermos os sistemas no Exemplo 10 e o exerccio resolvido
(1), optamos por escolher uma varivel livre (ou vrias, se fosse o
caso) e, por substituio a partir dela (ou delas), encontramos as outras variveis, usando o sistema equivalente. Esse mtodo conhecido como o mtodo de Gauss para sistemas lineares.
Observemos com detalhes o que foi feito no exerccio resolvido (1).
Aps o escalonamento, chegamos ao seguinte sistema equivalente,
onde a quarta incgnita, x4 , ficou dada em forma explcita:
x1 + x2 x4 = 0
(1)
x2 + x3 2 x4 = 2 (2)
x4 = 1
(3)

(1)
(2)
(3)

Com a equao (3), resolvemos x1 e x2 , e considerando a varivel


livre:
x3 = r
(4)
(4)
Assim, substituindo (3) e (4) em (1) e (2), conseguimos o seguinte
resultado:
x1 + x2 (1) = 0
x1 + x2 = 1
x2 + r 2(1) = 2
x2 + r = 4

(5)

x2 = 4 r
x1 + x2 = 1
x1 4 r = 1
x1 = 3 + r

(6)

99

Considerando que X = [ x1 x2 x3 x4 ]t e os resultados dados em


(6), (5), (4) e (3), temos a soluo geral:
x1 3 + r
x 4 r
, r .
X = 2 =
x3 r

x4 1

Agora sua vez!


Exerccio 6. Duas solues do sistema no exerccio resolvido so
5
4
6
5

X1 =
e X 2 = . Para quais valores de r isso acontece?
2
1


1
1
Observao. possvel escolher qualquer uma das incgnitas como
varivel livre.
No exerccio resolvido, nada impede de escolhermos x1 ou x2 como
variveis livres. Vejamos, como exemplo:
Se a varivel livre escolhida for x1 = s , teremos
em (1)

x1 + x2 x4 = 0
s + x2 (1) = 0
x2 = 1 s

em (2)
x2 + x3 2 x4 = 2
s 1 + x3 2(1) = 2
x3 = s + 1 4
x3 = 3 s
Assim, obtemos a seguinte soluo geral:
x1 s
x 1 s
, s .
X = 2 =
x3 3 + s

x4 1

100

O conjunto soluo, nesse caso, :


0

1
1

S =
, s .
+s
1
3

0

4
5
Considerando s = 4, obtemos a soluo particular X1 = , ob1

1
serve que a mesma soluo encontrada anteriormente, em X1, do
Exerccio 6.

Agora sua vez!


Exerccio 7. Qual o valor de s para encontrarmos a outra soluo,
X 2 , do Exerccio 6?

Solues como Combinao Linear de Vetores


Agora, suponha um sistema indeterminado AX = B, onde n = 4 e
p = 2, que tenha duas variveis livres (g = 2) e cuja soluo geral fique explicitada como sendo, por exemplo:
1
1
0
1
1
1
X = + r + s , r , s .
0
0
2



1
0
0
A soluo desse exemplo hipottico colocada como a soma de uma
soluo particular no nula e uma combinao linear de dois vetores. Isso indica que, em geral, podemos expressar a soluo de
um sistema linear indeterminado qualquer como uma soma de uma
soluo particular e uma combinao linear de vetores (essa combinao ter ter um nmero de vetores igual ao nmero de variveis
livres). Ou seja, toda vez que o sistema for indeterminado, a soluo
geral pode ser caracterizada por:
X = X p + t1X1 + t2 X 2 + + t g X g ,

101
em que as solues X1, X2, ..., Xg sero denominadas solues bsicas e Xp a soluo particular.
Exemplificaremos esse resultado nos dois exerccios seguintes, sendo que o primeiro ser resolvido detalhadamente.

Exerccios Resolvidos
2) Verifique que o seguinte sistema indeterminado e que a soluo pode ser colocada como a soma de uma soluo particular
e uma combinao linear de solues bsicas:
10 x2 4 x3 + x4 = 1
x1 + 4 x2 x3 + x4 = 2
3 x1 + 2 x2 + x3 + 2 x4 = 5
2 x1 8 x2 + 2 x3 2 x4 = 4
x1 6 x2 + 3 x3 = 1
Soluo. Considerando m = 5 e n = 4 , expressamos o sistema na
seguinte forma matricial:
0 10 4 1
1
1

2
4 1 1


3 2 1
2 X = 5 .


2 8 2 2
4
1 6 3 0
1
Usando o mtodo de Gauss,

1 1
1 4
0 10 4 1

l3 l3 3l1
0 10 4 1

l4 l4 + 2 l1
l5 l5 l1

0 0
0 0
0 10 4 1

1
2

0
1

l3 l2 + l3

1
l5 l2 + l5
0

l2

0
10
0
1
0

4
1
0
0
0

1 1 2
2 1
1

5 10
10
= Au
0
0 0

0
0 0
0
0 0

102

Como p = p(A) = p(A u ) = 2 < 4, ento o sistema indeterminado.


Os graus de liberdade do sistema so g = 2. Assim sendo, haver duas
variveis livres.
O sistema equivalente dado por:
x1 + 4 x2 x3 + x4 = 2
2
1
1
x2 x3 + x4 =
5
10
10

(1)

(1)

(2)

(2)

Sejam x3 e x4 as variveis livres, isto ,


x3 = s , x4 = r com s, r . (3)

(3)

Substituindo (3) em (2), obtemos:


2 3 1
1
x + x4 =
5
10
10
1 2
1
x2 = + s r
10 5
10
x2

(4)

Similarmente, substituindo (3) e (4) em (1):


x1 + 4 x2 x3 + x4 = 2
(5)

A soluo geral :
8
3
3
5
5
5



1
1
2

X = + s + r , s, r
10
5
10



0
1
0
0
0
1
Dessa forma, a soluo geral apresentada como a soma de uma
soluo particular,

103

8
5

1 , e uma combinao linear dos vetores (matrizes) coluna
10

0
0

3 3
5 5

2 1
5 e 10 .

1 0
0 1

3) Verifique se o sistema dado a seguir indeterminado e encontre a soluo geral.


x1 + 4 x2 6 x3 = 1
2 x1 8 x2 + 12 x3 = 2
2 x1 3 x2 + x3 = 0
Soluo. O sistema possui m = 3 equaes e n = 3 incgnitas e a
representao matricial dele dada por:
1 4 6
1
2 8 12 X = 2


2 3 1
0
Aps escalonamento (usando o mtodo de Gauss), obtemos que g = 1,
e considerando x3 como varivel livre, encontramos a seguinte soluo geral:
3 14
11 11

X = 2 + t 13 , t .
11 11
0 1

2.2.5 Sistemas Homogneos


Quando B = O no sistema dado por AX = B, o sistema dito ser
homogneo. Isto , um sistema homogneo um sistema linear da
forma:
AX = O, (SLh)
onde SLh indica ser um Sistema Linear homogneo.

104

Observe que, nesse caso, o posto da matriz igual ao posto da matriz aumentada, uma vez que a ltima coluna da matriz aumentada nula e permanecer inalterada aps as operaes elementares.
Dessa forma, o sistema sempre possvel!
Consideremos que A possua n linhas, ento, se o sistema for determinado ( p = n ), haver n linhas linearmente independentes e obteremos a soluo nula, conhecida como soluo trivial. Voc pode
verificar, ao fazer substituio direta, aps o escalonamento, que
X = O. J no caso do sistema ser indeterminado, haver pelo menos uma soluo bsica diferente da trivial a partir da qual (ou das
quais) todas as outras solues so geradas.
Observao: Observe que, pelo desenvolvido na Seo anterior, a
soluo particular nesse caso ser sempre nula.
Vejamos os seguintes exemplos.
Exemplo 11. Encontre a soluo do seguinte sistema homogneo:
x1 + 2 x2 x3 = 0
x1 + 3 x2 = 0
x1 x2 x3 = 0
Soluo. Aps escalonamento, temos o seguinte sistema equivalente:
x1 + 2 x2 x3 = 0
x2 + x3 = 0
x3 = 0
Sendo que n = 3 e p = 3, ento, o sistema determinado. Assim, a
soluo a soluo trivial. Confirmamos isso resolvendo por substituio direta a partir da ltima equao, conseguindo:
0
X = 0 .
0
Voc pode facilmente verificar esse resultado.

Poderia justificar por qu?

105

Exemplo 12. Encontre as solues bsicas do sistema homogneo


dado por:
1 4 6
2 8 12 X = O.

2 3 1
Soluo. Voc pode observar que o sistema dado corresponde parte homognea do sistema dado no ltimo exerccio resolvido. Nesse
exerccio, obtivemos um sistema indeterminado com um grau de liberdade, isto , o sistema homogneo possui uma soluo bsica da
forma:
14
11

X 1 = 13 .
11
1

Podemos expressar a soluo geral na forma:
14
11

X = tX1 = t 13 , t .
11
1

Propriedades
Dado o sistema linear AX = B com parte homognea AX = O, listamos a seguir as seguintes propriedades.
Propriedade 1. A soluo de um sistema linear a soma da soluo
da parte homognea, X h, com uma soluo particular, X p , do sistema no homogneo.
Prova. Por hiptese, X h soluo do sistema homogneo, isto ,
AX h = O e X p uma soluo particular do sistema no homogneo,
ou seja, AX p = B.
Vejamos se X p + X h soluo do sistema linear:
A(X p + X h ) = AX p + AX h.

106

Sendo que
AX h = O e AX p = B,
ento,
A(X p + X h ) = O + B
=B
Da que X p + X h soluo do sistema linear.
Exemplo 13. Agora vamos verificar a propriedade no sistema a seguir:
x1 + 2x 2 - x 3 = 1
x1 + 3x 2 = 0
x1 - x 2 - x 3 = 0
Soluo. A forma matricial do sistema dado :

1 2A 1 xX1 1B
1 3 0 x = 0

2
1 1 1 x3 0
A

(1)

O respectivo sistema homogneo


AX = O , (2)
cujo sistema foi fornecido no Exemplo 11.
Ao resolvermos (2), obtemos:
0
x1 = x2 = x3 = 0 X h = 0 .
0
Ao resolvermos (1), temos

1
X p = 1 3 .
4 3

(2)

107

Assim,
1
X = X p + X1 = 1 3 .
4 3
e a propriedade fica satisfeita.

Agora sua vez!


Exerccio 8. Anteriormente, resolvemos o sistema AX = B da forma:
0 10 4 1
1
x1
1

4 1 1 2

x2
3 2 1
2 = 5

x3

2
8
2
2

x 4
1 6 3 0 4 1

(1)

Com soluo geral:


8
3 3
5
5 5


1
1
2

X = + s + t , s, t .
10
5
10


0
1 0
0
0 1
A soluo do sistema homogneo respectivo, AX = O, da forma:
3 3
5 5

2
1

X h = s + t , s, t .
(2)
5
10

1 0
0 1

(2)

108

a) Obtenha:
i) X n para t = s = 1.
ii) X h para t = 2 e s = 1.
b) Verifique a Propriedade 1 usando as solues obtidas nos itens
(i) e (ii). Utilize o mesmo conjunto de parmetros em cada caso.
Propriedade 2. Dado um sistema homogneo com soluo diferente
da trivial:
a) Se X e Y so solues, ento X + Y tambm soluo.
b) Se X soluo, ento X tambm soluo, para qualquer
escalar real.
Prova. Como exerccio, demonstre a Propriedade 2.
Observao. A Propriedade 2 tambm pode ser formulada da seguinte forma:
Se X e Y so solues do sistema AX = O, ento, X + Y tambm uma soluo do sistema.

2.3 Decomposio LU
Algumas vezes, muito til fatorar um nmero natural em um produto de outros nmeros naturais (por exemplo, 6 = 2 3 , 45 = 3 3 5
etc.). Dessa mesma forma, pode ser muito til fatorar ou decompor
uma matriz como o produto de duas ou mais matrizes. Um exemplo
disso o seguinte:
3 1 1 0 3 1
9 5 = 3 1 0 2 .

O que voc observa? H alguma caracterstica especial em cada uma


das matrizes da fatorao dada?
A decomposio de matrizes geralmente usada na resoluo de sistemas de equaes lineares pelo mtodo da eliminao de Gauss, e
particularmente adequada para implementao em computadores.

Embora o escopo desse


texto aborde apenas a
decomposio LU, voc
deve saber que existem
outros tipos de fatorao de
matrizes, igualmente teis:
fatorao QR, fatorao de
Cholesky etc. Esses tpicos
so muito ricos e existem
vrias referncias que
apresentam esses assuntos.

109

Vejamos como podemos realizar tal fatorao, seja qual for a ordem
da matriz. Para tal, considere um sistema de equaes lineares da
forma AX = B, em que A uma matriz de ordem n.
Exemplo 14. Seja A uma matriz de ordem n = 3 da forma:
2 1 3
A = 4 1 3 ,
2 5 5
escalone-a at obter uma matriz triangular superior.
Soluo. O escalonamento pedido pode seguir o seguinte processo:
2 1 3
2 1 3
2 1 3

A = 4 1 3
0 3 3
0 3 3 = U.
2 5 5
0 6 8
0 0 2
Lembra-se, no captulo anterior, do desenvolvimento realizado para
calcularmos a matriz inversa? Pois bem, desta vez, um procedimento similar servir para decompormos uma matriz qualquer.
Seguindo com o exemplo dado acima, podemos observar que no
processo de decomposio podem ser associadas trs matrizes elementares E1 , E 2 , E 3 tais que
E 3 E 2 E1A = U.
Voc pode verificar que essas matrizes elementares so dadas por:
1 0 0
1 0 0
1 0 0

E1 = 2 1 0 , E 2 = 0 1 0 , E 3 = 0 1 0 .
0 0 1
1 0 1
0 2 1

Agora sua vez!


Exerccio 9. a) Verifique se o produto E 3 E 2 E1A = U.
b) Considere L1 = E 3 E 2 E1, verifique matricialmente que A = LU,
tambm encontre L - a mesma ser uma matriz triangular
inferior com elementos diagonais iguais a 1.

110

Voc observar que o mtodo est sendo introduzido numa forma


muito prtica, ao estudar o Exemplo 14 e resolver o Exerccio 9. Pois
bem, essa prtica fornecer a metodologia para calcular a decomposio de uma matriz quadrada qualquer.
Suponha que A uma matriz de ordem n que permite ser escalonada sem precisar da permutao das suas linhas:
operaes
A
U,
elementares

isto , existem matrizes elementares E1 , E 2 , , E k tais que:


E k E 2 E1A = U.
Como visto anteriormente, cada matriz E i no singular; assim, o
produto E k E 2 E1 tambm no singular, isto , existe (E k E 2 E1 ) 1,
tal que
A = (E k E 2 E1 ) 1 U.
A matriz L = (E k E 2 E1 ) 1 uma matriz triangular inferior com elementos diagonais iguais a um (poderia dizer por qu?).
Dessa forma, obtemos a decomposio da matriz A como o produto de uma matriz triangular inferior L por uma matriz triangular
superior U , isto ,
A = LU.
importante ressaltar que o procedimento mostrado anteriormente
foi desenvolvido sem a permutao das linhas da matriz. Em geral, ao escalonarmos uma matriz, poderemos precisar desse tipo de
operao elementar. Nesse caso, voc pode recorrer leitura das referncias dadas pelos livros de Leon ou Poole.
A decomposio LU serve para calcular a matriz inversa, o determinante de uma matriz e para resolver sistemas lineares. neste
ltimo ponto, a resoluo de sistemas lineares, que enfocaremos a
praticidade desse mtodo no contedo desta Seo.
Dado o sistema linear
AX = B,

Mais detalhes da
metodologia, assim como
um cdigo computacional
da mesma, podem ser
encontrados no ambiente
de aprendizagem da nossa
disciplina.

111

e usando a decomposio A = LU, temos:


LUX = B.

Encontraremos X ao inserirmos uma nova varivel vetorial Y que


resolva o sistema
LY = B.
Assim, ao termos encontrado Y , resolvemos:
Y = UX ou UX = Y.

Nas duas situaes, voc pode reparar que foram resolvidos dois sistemas numa forma recursiva. Vejamos isso com o seguinte exemplo.
Exemplo 15. Resolver o sistema AX = B usando decomposio LU
2 1 3
2

de matrizes. Use a matriz A = 4 1 3 e B = 0 .



2 5 5
5
Soluo. Com o mtodo acima descrito e sabendo que
A = LU,

isto :

1 0 0 2 1 3
A = 2 1 0 0 3 3 ,
1 2 1 0 0 2

temos LY = B ou
1 0 0
2
y1
2 1 0 Y = 0 , onde Y = y .


2
1 2 1
5
y3
Assim,
y1 = 2
y2 = 4
y3 = 5 + y1 + 2 y2 = 11
Agora, resolvendo UX = Y,

2
Y = 4
11

112

2 1 3
2
0 3 3 X = 4

0 0 2
11
2 x3 = 11

x3 =

11
2

35
6

41
41

3x2 = 4 + 3x3
x2 =
X=
6
6

11
2
70
35
2 x1 = 2 x2 3 x3 =
x1 =
6
6 35
6

41

A soluo do sistema dada pelo vetor X =


.
6

11
2

Pratique agora!
Exerccio 10. Verifique a resposta do Exemplo 15 usando outro mtodo.
Observaes:
1) A decomposio LU muito til para resolver sistemas de ordem n 4 , em que ser necessrio fazer muitos clculos.
2) Uma forma de reduzir os clculos mo usar um Sistema
Algbrico Computacional, conhecido na literatura como CAS
(Computational Algebric System). Os softwares livres mais comuns so Scilab e Octave. Dentre os comerciais, podemos citar
o Matlab (ou Matrix Laboratory), Maple e Mathematica.

Exerccios Propostos
1) Para cada sistema dado, encontre:
i) a forma matricial do sistema;
ii) o posto e a nulidade da matriz de coeficientes;

113

iii) os graus de liberdade do sistema;


iv) a caracterizao do sistema;
v) a soluo, se existir.
a) 2 x + y + 3 z + 4 w = 1
3 x + 2 y + 4 z + 5w = 1
2x + 2 y + z = 0
2 x + y + 3 z + w = 1
c)

x1 + x2 + 2 x3 x4 = 0

b)

2 x1 + 3 x2 2 x4 = 0
x1 + x2 + 2 x3 + 2 x4 = 0
x1 + 2 x2 + x3 + x4 = 0

x + 3z = 1
2x y + 4z = 1
6 x y 17 z = 1

2) Quais dos sistemas dados so possveis ou impossveis? Se for


o caso, obtenha a soluo geral e explicite as solues bsicas
dos sistemas homogneos relativos aos sistemas.
a) 2 x + y - 2 z + 3 w = 1
3 x + 2 y- z +2 w = 4
3x+3y+3z-3w=5

b)

c) x + 2 y - 3 z = -1
3 x -y +2 z = 7
5 x + 3 y -4 z = 2

d)

x1 -2 x 2 +3 x 3 - 2x 4 = 0
3 x1 - 7 x 2 -2 x 3 + 4x 4 = 0
4 x1 +3 x 2 + 5 x 3 +2 x 4 =0
x+2y-3z=0
2 x + 5 y +2 z = 0
3x-y-4z=0

3) Dado o sistema
x+y-z=1
2 x + 3 y +a z = 3
x + a y +3 z = 2
Determine os valores de a para termos um sistema incompatvel ou compatvel (determinado ou indeterminado).
4) Se possvel, faa a decomposio LU de cada uma das matrizes
de coeficientes dos sistemas dados no Exerccio 1. Resolva os
sistemas usando o mtodo de decomposio LU para sistemas
lineares.

114

5) Aplique a decomposio LU para resolver os sistemas da forma AX = B dados a seguir.


5
2 1
B
=
,
A=
1 .


2 5
0
1
A=
0

0 1
1 3
2 1
1 1

2
1

1
2
, B = .
0
1


0
1

Resumo
Neste captulo, trabalhamos conceitos e mtodos fundamentais para
resolver sistemas lineares de tipo retangular, isto , aqueles em que a
matriz de coeficientes tem um nmero de linhas no necessariamente
igual ao nmero de colunas. Fornecemos os conceitos que podem ser
aplicados em sistemas de ordem maior ou igual a quatro, onde os mtodos convencionais ficam difceis de serem aplicados.
Os conceitos foram trabalhados em paralelo com exemplos e exerccios resolvidos e propostos. Para entendimento do contedo, necessria a prtica da soluo dos exerccios e a persistncia nos detalhes
da teoria fornecida nocaptulo anterior e neste prprio. Mais adiante,
voc poder perceber quanto do aprendido ser resgatado no captulo
que segue. Esperamos que voc tenha entendido tudo quanto foi fornecido neste captulo, empolgando-se na metodologia utilizada!

115

Bibliografia Comentada
BOLDRINI, Jos et. al. lgebra linear. 3. ed. So Paulo: Harbra, 1980.
Com esse livro, voc pode pesquisar e aprofundar alguns dos contedos
aqui fornecidos.

LEON, Steven J. lgebra linear com aplicaes. 4. ed. Rio de Janeiro:


LTC, 1999.
POOLE, David. lgebra linear. So Paulo: Pioneira Thomson
Learning, 2004.
Nessa referncia, voc encontrar exerccios da ltima Seo deste
Captulo e aplicaes muito interessantes dos Captulos aqui apresentados.
Comentamos, por exemplo, o uso do cdigo de barras, que uma dessas
aplicaes em nosso cotidiano encontradas nesse livro. Fica, ento, como
convite, fazer uma leitura a respeito.

RORRES, Anton. lgebra linear com aplicaes. 8. ed. Porto Alegre:


Bookman, 2001.
Nesse livro, voc pode encontrar uma gama de exerccios para acrescentar
sua prtica.

SANTOS, Reginaldo. Um curso de geometria analtica e lgebra linear.


Belo Horizonte: Ed. UFMG, 2001.
Essa referncia muito til para aplicar os conceitos usando alguns recursos
computacionais.

Captulo 3
Espaos Vetoriais

Captulo 3
Espaos Vetoriais
A estrutura de espao vetorial, que ser tratada neste captulo, o conceito bsico da lgebra Linear. Um espao
vetorial no outra coisa que um conjunto de vetores que
satisfazem um conjunto de regras (axiomas). Este conceito
proporciona unidade e preciso aos assuntos essenciais
da Matemtica. Aps introduzir o sistema axiomtico e
as propriedades fundamentais, estaremos em condies
de entender as idias mais importantes que se derivam
deste conceito.

3.1 Introduo
3.1.1 Definio
Em lgebra abstrata, um
corpo uma estrutura
algbrica na qual esto
definidas as operaes de
adio e multiplicao,
que cumprem com as propriedades associativa, comutativa e distributiva.

Seja V um conjunto no vazio, K um corpo + e , duas operaes que chamaremos soma e produto por escalar, respectivamente.
Dizemos que o objeto (V , K, '+ ', ' ') um espao vetorial (EV) (ou que
V um espao vetorial sobre o corpo K ) se, e somente se, verificam-se os seguintes axiomas:
EV1) A soma uma composio interna em V , isto , se u, v V ,
ento u + v V .
EV2) A multiplicao de u V por um escalar uma composio externa em V , isto , se um escalar em K e u V ,
ento u V .
EV3) ...

A esta lista segue uma srie de propriedades que completam a definio de espao vetorial, que omitiremos por enquanto (no se preocupem, elas sero relacionadas depois).

120

Isto o que voc pode esperar, em geral, quando se procura por


uma definio de espao vetorial nos textos de lgebra Linear.
Para o leitor, que est comeando com AL, esta definio pode ser
formal demais para introduzir a idia de EV. Em algum momento,
dever valorizar o rigor matemtico da forma como a definio est
sendo colocada acima, e gradativamente adot-lo.
Agora, tomaremos um caminho alternativo para entender este conceito com maior facilidade. Valer-nos-emos, para isso, de exemplos
de conjuntos (que so espaos vetoriais) com os quais voc j tem
alguma familiaridade.
Consideremos os seguintes conjuntos: o conjunto de vetores
no plano 2 , o conjunto formado pelas funes f : ,
denotado por F () , e o conjunto das matrizes quadradas de ordem
m com coeficientes reais, que denotaremos por M mm .

3.1.2 Vetores no Plano


Vetores no-nulos no plano podem ser representados geometricamente por segmentos orientados. Essa representao geomtrica
nos ajudaram a visualizar como as operaes de multiplicao de
um vetor por um escalar e de soma de vetores funcionam em 2 .
Consideremos um ponto ( x1 , x2 ) no plano, que no esteja situado na
origem. possvel associar-lhe um segmento orientado com origem
em (0, 0) e extremo em ( x1 , x2 ) , que representamos como sendo o
vetor x 2 , onde x1 e x2 so as respectivas componentes.
Vamos ao que nos interessa. Consideremos agora dois vetores x e y ,
x
e um escalar . Sabemos que para cada vetor x = 1 e para
x2
cada escalar , o produto x definido por:
x
x = 1 ,
x2
que um outro vetor que possui a mesma direo que x e que pode
ter o sentido e comprimento mudado dependendo do valor de .

O matemtico Hermann
Grassmann (1809-1877)
geralmente creditado como
o primeiro a introduzir
a idia de EV, em 1844.
Porm, uma pessoa que
realmente o estudou foi
o matemtico italiano
Giuseppe Peano (18521932), que em seu livro
Clculo Geomtrico, tornou
claro o trabalho anterior
de Grassmann e descreveu
as propriedades para um
EV da maneira como hoje
o conhecemos. O livro de
Peano tambm digno
de nota por introduzir
operaes em conjuntos,
cujas anotaes so: , e
(que ainda usamos).

121

Por outro lado, a soma de dois vetores x e y definida como:


x y x +y
x+y = 1 + 1 = 1 1 .
x2 y2 x2 + y2
Esta operao pode ser resolvida graficamente, utilizando a regra
do paralelogramo, ento x + y (o segmento orientado sobre a diagonal do paralelogramo) representado por outro vetor, cuja origem
coincide com a origem de x e extremo com o de y .
2
Salientamos o fato de que x 2 e x + y .

< x1,x2 >

< x1+y1, x2+y2 >

x+y

(0,0)
Figura 3.1 - A soma de x e y e o produto x .

3.1.3 Funes Reais


A soma de duas funes f e g de F () (funes com domnio nos
reais) definida como sendo a funo ( f + g ) F () dada por:
( f + g )( x) = f ( x) + g ( x).
Note tambm que, se , podemos multiplicar a funo f pelo
escalar , da seguinte forma:
( f )( x) = ( f ( x)),
resultando, por sua vez, num elemento de F () . Mais uma vez, a
soma e o produto por escalar originam funes de F () .

122

3f

y
(x,2f(x))

(x, f(x)+g(x))
g

(x, f(x))

(x, g(x))

(x,0)

(x, f(x))
(x,0)

2f
(x,3f(x))

Figura 3.2 - A soma de funes e o produto por escalar.

3.1.4 Matrizes
Podemos somar duas matrizes quadradas de ordem n ( M nn )
(as quais denotamos como A = (aij ) nn e B = (bij ) nn ), colocando
A + B = (aij + bij ) nn , que tambm uma matriz de M nn .
Com relao multiplicao de A = (aij ) nn por um escalar ,
natural definirmos A = ( aij ) nn , que tambm pertence a M nn .
Voc saberia dizer o que estes conjuntos citados anteriormente, com
as operaes de adio entre seus prprios elementos, por um lado,
e a multiplicao de seus elementos por escalares, tm em comum?
Para comear, voc pode ter percebido que: em todos os casos, a soma de um
par de elementos do conjunto e/ou a multiplicao de qualquer elemento por
um escalar resulta em outro elemento do mesmo conjunto.
Para continuar, vejamos se conseguimos encontrar outras propriedades em comum que poderiam ser aplicadas a esses conjuntos.
Vetores no Plano - Lembrando do estudado na disciplina Geometria
Analtica, no ser difcil entender o significado das seguintes igualdades, (aqui , e x, y , z so vetores no plano).
1) x + y = y + x ;
2) x + (y + z ) = (x + y ) + z ;

f+g

x
f

123

3) se 0 representa o vetor nulo, ento x + 0 = 0 ;


4) o vetor x ( o oposto de x ) tal que x + (x) = 0 ;
5) ( x) = ( )x ;
6) ( + )x = x + x ;
7) (x + y ) = x + y ;
8) 1 x = x .
Sugesto. Reproduza estes itens fazendo um esboo dos vetores resultantes
em ambos os lados das igualdades e formule as propriedades algbricas correspondentes.
Funes reais - Verifica-se facilmente, a partir das propriedades dos
nmeros reais, que, com relao a quaisquer funes f , g e h em
F () e para todo , , so vlidos os seguintes resultados:
1) f + g = g + f ;
2) f + ( g + h) = ( f + g ) + h;
3) se 0 representa a funo nula, isto , 0( x) = 0 para todo x,
ento 0 + f = 0 ;
4) a funo f definida por ( f ( x)) = f ( x) para todo x
tal que ( f ) + f = 0 ;
5) ( f ) = ( ) f ;
6) ( + ) f = f + f ;
7) ( f + g ) = f + g ;
8) 1 f = f .
Matrizes - Agora, com relao a quaisquer matrizes A , B e C em
M nn e para todo , , tambm so vlidos os seguintes resultados:
1) A + B = B + A ;
2) A + ( B + C ) = ( A + B ) + C ;
3) se O representa o funo nula, isto , O = (0ij ) nn , ento
A+O = A;

124

4) se A = (aij ) nn , ento a matriz A definida por A = (aij ) nn


tal que A + ( A) = O ;
5) ( A) = ( ) A ;
6) ( + ) A = A + A ;
7) ( A + B) = A + B ;
8) 1 A = A .
Observamos que os conjuntos considerados, quando munidos das
operaes de soma e multiplicao por escalares, apresentam propriedades algbricas comuns.
Na verdade, muitos outros conjuntos munidos das operaes, de
soma e multiplicao por escalar, apropriadas apresentam propriedades semelhantes s anteriores.
Em vez de investigar as propriedades de cada conjunto em particular, consideraremos um conjunto qualquer (desconsiderando a
natureza de seus elementos) no vazio, V ( cujos elementos chamaremos genericamente de vetores), sobre o qual supomos estarem definidas uma operao de adio, isto , para cada u, v V ,
existe um nico elemento de V associado, chamado a soma entre
u e v e denotado por u + v , e uma multiplicao por escalar, isto ,
para cada u V e , existe um nico vetor associado, chamado
de o produto de u pelo escalar e denotado por u .
Estamos agora em condies de introduzir o conceito de espao
vetorial.

3.2 Espaos Vetoriais


3.2.1 Definio
Diremos que um conjunto V , munido de duas operaes: uma de
adio entre quaisquer elementos do comjunto e outra de multiplicao de quaisquer elemento do conjunto por escalar, um espao
vetorial, se para quaisquer u, v, w V , e para todo escalar , ,
so vlidos os seguintes axiomas:

O termo axioma originado da palavra grega


(axioma), que
significa algo que considerado, ajustado ou
adequado, ou que tem
um significado evidente. Entre os filsofos dos
gregos antigos, um axioma era uma reivindicao
que podia ser vista para
ser verdade sem nenhuma
necessidade de prova.

125

Existe a operao de adio: u + v est em V (fechado sob adio).


Isto significa que a soma de dois elementos quaisquer de V um
nico elemento em V .
EV1) u + v = v + u para quaisquer u, v V . A soma comutativa
em V .
EV2) u + ( v + w ) = (u + v ) + w para quaisquer u, v, w V . A soma
associativa em V .
EV3) Existe um elemento 0 V , chamado vetor nulo tal que 0 + u = u
para todo u V .
EV4) Para cada u V existe -u V tal que u + (u) = 0; todo elemento de V admite o inverso aditivo ou oposto em V .
Existe a operao de multiplicao por escalar: u est em V (fechado sob multiplicao por escalar).
EV5) ( u) = ( )u para quaisquer u V e , .
EV6) ( + )u = u + u para quaisquer u V e , .
EV7) (u + v ) = u + v para quaisquer u, v V e ;
distributividade em relao soma em V .
EV9) lu = u para qualquer u V .
Observaes:
1) Os elementos de V so chamados de vetores.
2) Na maioria dos casos, os escalares sero os nmeros reais. Dessa maneira, nos referiremos a V como um espao vetorial real
(ou espao vetorial sobre os nmeros reais). possvel tambm
tomarmos os escalares como nmeros complexos ou pertencentes a . Os nossos exemplos sero de espaos vetoriais reais. Os escalares podem ser tomados de qualquer sistema numrico no qual podemos somar, subtrair, multiplicar e dividir
de acordo com as leis habituais da aritmtica.
3) A definio de espao vetorial no especifica quais elementos formam o conjunto V . Tambm no especifica o que as
operaes chamadas adio e multiplicao por escalar
devem ser.

126

4) O elemento 0 , o vetor nulo , na propriedade EV3 nico, pois


se existisse qualquer outro 0 ' V satisfazendo a EV3, teramos:
0'

( por EV3)

= 0 '+ 0

( por EV1)

= 0 + 0 ' = 0 , isto , 0 = 0 ' .

5) + e soma e produto de escalares, respectivamente;


u + v a soma de dois vetores em V ; u o produto de um
escalar por um vetor.
Outro exemplo de espao vetorial, alm dos apresentados no incio
do texto, o conjunto dos vetores de 3 (vetores do espao tridimensional), como foram apresentados em Geometria Analtica, munidos da adio e da multiplicao por escalar.
O adjetivo vetorial utilizado na definio acima deve ser entendido
de uma forma mais ampla, sendo uma referncia aos elementos de
V , independentemente de serem ou no vetores 2 ou 3.

3.2.2 Propriedades
Dos oito axiomas que definem um espao vetorial, podemos deduzir
vrias outras propriedades. Alguma delas so relacionadas a seguir:
Seja u V um espao vetorial. Temos que:
1) O produto de qualquer escalar pelo vetor nulo o vetor nulo,
isto , para qualquer , 0 = 0 .
2) O produto do escalar 0 por qualquer vetor o vetor nulo, isto
, para qualquer u V , 0u = 0 .
3) Se o produto de um escalar por um vetor o vetor nulo, ento
o escalar 0 ou o vetor o vetor nulo, isto , se u = 0 , ento
= 0 ou u = 0.
4) O produto do oposto de um escalar por um vetor igual ao
oposto de seu produto, isto , para quaisquer e u V ,
( )u = ( u) .
5) Para quaisquer , e u V , ( )u = u u .
6) Para quaisquer e u, v V , (u v ) = u v .

127

7) Para quaisquer , 1 , 2 , , n e u1 , u 2 , , u n V
n
n
j u j = ( j )u j .
j =1
j =1
8) Para qualquer u V , (u) = u .
9) Se u + w = v + w, ento u = v.
10) Se u, v V , ento existe um nico w V tal que u + w = v .

A prova de algumas destas propriedades podem ser encontradas na bibliografia. Qualquer dvida, procure o tutor de seu
plo!

3.2.3 Exemplos
Talvez o exemplo mais simples de espao vetorial seja o conjunto dos nmeros reais com a adio e multiplicao por escalar em
forma usual.
Mas geralmente, para cada n , podemos transformar o conjunto das n -uplas ordenadas de nmeros reais n (um vetor de n e
uma matriz n 1 com componentes reais) em um espao vetorial,
definindo a adio de duas n -uplas ordenadas x = ( x1 , x2 , , xn )T e
y = ( y1 , y2 , , yn )T adicionando-se componente a componente, isto
, x + y = ( x1 + y1 , x2 + y2 , , xn + yn )T e o produto de uma n -upla
u = (u1 , u2 , , un )T por um escalar por u = ( u1 , u2 , un )T .
Exemplo 1. Consideremos V = n com a soma e a multiplicao
por escalar, definidas como anteriormente (as usuais). Para verificarmos os oito axiomas de EV, consideremos x = ( x1 , x2 , , xn )T ,
y = ( y1 , y2 , , yn )T e z = ( z1 , z2 , , zn ) . Tem-se que:
EV1) x + y = ( x1 + y1 , x2 + y2 , , xn + yn )T
= ( y1 + x1 , y2 + x2 , , yn + xn )T
=y+x

128

EV2) x + (y + z ) = ( x1 + ( y1 + z1 ), x2 + ( y2 + z2 ), , xn + ( yn + zn ))T
= ( x1 + y1 + z1 , x2 + y2 + z2 , , xn + yn + zn )T
= (( x1 + y1 ) + z1 , ( x2 + y2 ) + z2 , , ( xn + yn ) + zn )T
= (x + y ) + z

EV3) 0 + x = (0, 0, , 0)T + ( x1 , x2 , , xn )T


= (0 + x1 , 0 + x2 , , 0 + xn )T
= ( x1 , x2 , , xn )T
=x

EV4) x + (x) = ( x1 , x2 , , xn )T + (( x1 , x2 , xn )T )
= ( x1 , x2 , , xn )T + ( x1 , x2 , , xn )T
= ( x1 x1 , x2 x2 , , xn xn )T
= (0, 0, 0)T
=0

EV5) ( x) = ( ( x1 , x2 , , xn )T )
= (( x1 , x2 , , xn )T )
= ( x1 , x2 , , xn )T
= ( x1 , x2 , , xn )T
= ( )x

EV6) ( + )x = ( + )( x1 , x2 , , xn )T
= (( + ) x1 , ( + ) x2 , , ( + ) xn )T
= (( x1 + x1 ), ( x2 + x2 ), , ( xn + xn ))T
= ( x1 , x2 , , xn )T + ( x1 , x2 , , xn )T
= x + x

EV7) (x + y ) = (( x1 , x2 , , xn )T + ( y1 , y2 , yn )T )
= ( x1 + y1 , x2 + y2 , , xn + yn )T
= ( ( x1 + y1 ), ( x2 + y2 ), , ( xn + yn ))T
= x + y

EV8) 1 x = 1 ( x1 , x2 , xn )T
= (1 x1 ,1 x2 ,1 xn )T
= ( x1 , x2 , , xn )T
=x

129

Nos seguintes exemplos deve-se conferir que os conjuntos so espaos vetoriais.


Exemplo 2. Seja V = P2 () o conjunto formado por todos os polinmios de grau menor ou igual a 2 com coeficientes reais. Definimos a
adio e a multiplicao por escalar da seguinte maneira:
Se p ( x) = a0 + a1 x + a2 x 2 e q ( x) = b0 + b1 x + b2 x 2 esto em P2 , ento
p ( x) + q ( x) = (a0 + b0 ) + (a1 + b1 ) x + (a2 + b2 ) x 2 outro polinmio
que tem grau no mximo 2 e, portanto, est em P2 . Aqui dizemos que a soma entre vetores, ou a soma vetorial uma operao fechada.
Se c um escalar, ento cp ( x) = ca0 + ca1 x + ca2 x 2 tambm est
em P2 . Tambm o produto por escalar uma operao fechada.
Os dois primeiros axiomas so fceis de verificar. Proceda como foi
feito no exemplo anterior.
Voc saberia dizer qual o vetor nulo em P2 ?
Existe um polinmio cujo valor seja sempre igual a 0 para todo x ?
O vetor nulo 0 o polinmio zero, isto , o polinmio cujos coeficientes so todos nulos: a0 = 0 , a1 = 0 e a2 = 0 .
Confiramos EV4: o oposto de um polinmio p ( x) = a0 + a1 x + a2 x 2 o
polinmio p ( x) = (a0 + a1 x + a2 x 2 ) = a0 a1 x a2 x 2 .
A satisfao dos axiomas EV5 ao EV8 se segue das propriedades dos
nmeros reais.
Observe que, se mudarmos o enunciado neste exemplo para: Seja
V = P2 () o conjunto formado por todos os polinmios de grau igual
a 2 (e no menor ou igual a 2) com coeficientes reais, no temos um
espao vetorial. Quais axiomas no so satisfeitos?
Confira se os conjuntos dos seguintes exemplos so espaos
vetoriais.
Exemplo 3. O conjunto das funes contnuas definidas num intervalo I munido das operaes de adio e multiplicao usuais.

130

Exemplo 4. O conjunto das matrizes m n com coeficientes reais:


M mn () munido de operaes anlogas quelas definidas para matrizes quadradas.
Os espaos vetoriais acima citados envolvem operaes com as quais
voc j deve estar familiarizado. O prximo exemplo um pouco
mais sofisticado do que os anteriores, no sentido de que definiremos
as operaes de adio e multiplicao por escalar em uma forma
um pouco artificial (porm, que pode ser apropriada em situaes
particulares), e por isso mostraremos as oito propriedades.
Exemplo 5. Como conjunto objeto de estudo, escolheremos o intervalo semi-infinito V = (0, ) , (o semi-eixo positivo da reta real). Este
conjunto, quando agregado s operaes de soma e multiplicao
usuais, no um espao vetorial, visto que no possui elemento
neutro para a adio: 0 V (0 no pertence ao conjunto), logo, EV3
no satisfeita. No entanto, se para x, y V e , definirmos
a soma entre x e y por x y = xy (o produto usual entre x e y )
e o produto de x pelo escalar como x = x , ento V se torna um espao vetorial. De fato, verifiquemos uma a uma as oito
propriedades:
EV1) temos x y = xy = yx = y x para quaisquer x, y V ;
EV2) x (y z ) = x(yz ) = (xy )z = (x y ) z para quaisquer
x, y , z V ;
EV3) se x V , ento como 1 V , temos 1 x = 1x = x ; observe que,
neste caso, 1 o elemento neutro da adio, o qual denotaremos por o;
EV4) se x V , isto , x > 0 , ento x 1 V e x x 1 = xx 1 = 1 = o ;
EV5) ( x) = x = (x ) = x = x = ( ) x para quaisquer x V e , ;
EV6) ( + ) x = x ( + ) = x x = ( x) ( x) para quaisquer
x V e + ;
EV7) (x y ) = (xy ) = (xy )
= x y = x y = ( x) ( y )

para quaisquer x, y V e ;

131

EV8) 1x = x 1 = x para qualquer x V .

3.2.4 Uma Definio Mais Formal


Voc deve lembrar-se de que no incio deste captulo deixamos a
definio de espao vetorial, que chamamos de um tanto formal ou
rigorosa em forma incompleta. Como prometido, essa definio
colocada em forma ntegra.
Um conjunto V um espao vetorial sobre um corpo K , que denotamos como (V , K, +, ) , se dadas duas operaes: a soma vetorial
definida em V , que denotamos como v + w para todo v, w V , e o
produto escalar em V , que denotamos como v para todo v V e
K , se cumpre as seguintes 10 propriedades (5 propriedades para
a soma e 5 para o produto escalar).

Para a Soma
1) v + w V . A soma vetorial uma operao fechada em V .
2) u + ( v + w ) = (u + v ) + w . Associatividade da soma vetorial
em V .
3) Existe um elemento 0 V , tal que para todo v V , v + 0 = v .
Existncia do elemento neutro da soma vetorial em V .
4) Para todo v V , existe um elemento v V , tal que v + ( v ) = 0 .
Existncia do elemento oposto respeito soma vetorial em V .
5) v + w = w + v . Comutatividade da soma vetorial em V .

Para o Produto por Escalar


1) v V . O produto por escalar uma operao fechada em V .
2) ( v ) = ( ) v . Associatividade do produto entre escalares em
V.
3) Se 1 denota o elemento neutro da multiplicao do campo escalar K , ento 1v = v . Neutralidade do um do campo escalar.
4) ( v + w ) = v + w . Distributividade com respeito soma
vetorial.

132

5) ( + ) v = v + v . Distributividade com respeito soma


escalar.

Exerccios Propostos
1) Considere os vetores x1 = (8, 6)T e x 2 = (4, 1)T em 2 .
a) Encontre o comprimento de cada vetor.
b) Seja x 3 = x1 + x 2 . Determine o comprimento de x 3 . Qual a
relao entre seu comprimento e a soma dos comprimentos
de x1 e x 2?
c) Desenhe um grfico ilustrando como x 3 pode ser construdo geometricamente usando x1 e x 2 . Use esse grfico para
dar uma interpretao geomtrica da sua resposta em (b).
2) Repita o exerccio 1 para os vetores x1 = (2,1)T e x 2 = (6,3)T .
3) Seja C o conjunto dos nmeros complexos. Defina a soma em
C por (a + bi ) + (c + di ) = (a + c) + (b + d )i e defina a multiplicao por um escalar por (a + bi ) = a + bi , para todos os nmeros reais . Mostre que C um espao vetorial em relao
a essas operaes.
4) Mostre que mn , com as operaes usuais de soma e multiplicao por um escalar, satisfaz os oito axiomas de espaos
vetoriais.
5) Mostre que C[a, b] , com as operaes usuais de soma e multiplicao por um escalar, satisfaz os oito axiomas de espaos
vetoriais.
6) Seja P o conjunto de todos os polinmios. Mostre que P , com
as operaes usuais de soma e multiplicao por um escalar
para funes, forma um espao vetorial.
7) Sejam x, y e z vetores de um espao vetorial V . Mostre que, se
x + y = x + z , ento y = x .
8) Seja S o conjunto de todos os pares ordenados de nmeros reais. Defina a multiplicao por um escalar e a soma em S por
( x1 , x2 ) = ( x1 , x2 )
( x1 , x2 ) ( y1 , y2 ) = ( x1 + y1 , 0),

133

usando o smbolo para denotar a soma nesse sistema, para


evitar confuso com a soma usual de x + y de vetores linhas.
Mostre que S , junto com a multiplicao usual por um escalar
e a operao , no um espao vetorial. Quais dos oito axiomas no so vlidos?
9) Seja V o conjunto de todos os pares ordenados de nmeros reais
com a soma definida por ( x1 , x2 ) + ( y1 , y2 ) = ( x1 + y1 , x2 + y2 ) e a
multiplicao por um escalar definida por ( x1 , x2 ) = ( x1 , x2 ) .
Como a multiplicao por um escalar definida de maneira
diferente da usual, usamos um smbolo diferente para evitar
confuso com a multiplicao usual de um vetor linha por um
escalar. V um espao vetorial em relao a essas operaes?
Justifique sua resposta.
10) Denote por + o conjunto dos nmeros reais positivos. Defina
a operao de multiplicao por um escalar por x = x para
cada x + e para cada nmero real . Defina a operao de
soma por x y = x y para todos x, y + .
1
Ento, para esse sistema, o produto do escalar 3 por

2
3
1 1
dado por 3 = = 8 e a soma de 2 com 5 dada por
2 2
2 5 = 2 5 = 10 . + um espao vetorial em relao a essas
operaes? Justifique sua resposta.

3.3 Subespaos Vetoriais


Ateno: aqui mudamos
levemente a notao
introduzida num exemplo
no inicio deste captulo, e,
que um ponto de 2 foi
denotado por (x1, x2).

Considere o espao vetorial 2 formado por todos os pontos


com x, y .

guisa de exemplo, consideremos dois subconjuntos de 2 : uma


reta que passa pela origem e o primeiro quadrante.
Reta que passa pela origem. Definimos L como sendo um subconjunto
de 2 formado pelos pontos de uma reta que passa pela origem (0, 0) ,
2
com equao x + y = 0 , ou seja, L = {( x, y ) / x + y = 0}.

134

Observe que se ( x, y )(u, v) L (dois pontos quaisquer da reta), temos


que x + y = 0 e u + v = 0 , ento ( x + u ) + ( y + v) = 0 , desde que
( x, y ) + (u , v) = (( x + u ), ( y + v)) L . Portanto, a soma fechada.
Vamos para os axiomas de espao vetorial.
Note, primeiro de tudo, que 0 = (0, 0) L ; assim, os axiomas do
nulo e oposto so claramente satisfeitos em L . Tambm fcil ver
os de associatividade e comutatividade em relao soma. Agora,
se ( x, y ) L , ento x + y = 0 e (cx, cy ) L tambm, desde que
(cx) + (cy ) = 0 . Podemos concluir que L satisfaz todos os axiomas
de espao vetorial? Confira. De fato, qualquer reta que passe pela
origem um espao vetorial sobre 2 .
O que fizemos neste exemplo foi extrair de um espao vetorial
2 outro espao vetorial L menor e dizemos: L um subespao
de 2 . Logo, L fechado em relao soma e multiplicao por
escalar, isto , a soma de dois elementos em L um elemento de
L e a multiplicao de um elemento de L por um escalar tambm
pertence a L .
O primeiro quadrante. Quando analisamos o conjunto do segundo
caso, o procedimento aparece equivalente ao anterior, no sentido
de extrair um subconjunto de 2. Porm, agora ns afirmamos
que este conjunto Q = {( x, y ) 2 , x, y 0} no um espao vetorial.
Qual axioma no satisfeito?
Na prxima seo introduziremos um outro conceito que nos permitir entendermos quando um subconjunto um espao vetorial.
Esta seo introduz uma das idias mais importantes desta disciplina. Comeamos com um exemplo, vendo que h uma interao
entre geometria e lgebra e que freqentemente pode ser usada a
intuio geomtrica e lgica para introduzir propriedades e resolver
problemas. Agora, necessrio tornar-nos mais formais, estendendo este conceito para espaos vetoriais gerais. A noo de subespao
simplesmente uma generalizao algbrica de retas e planos que
passam pela origem.

135

Dado o espao vetorial V e o conjunto no vazio W V , se W um


espao vetorial sobre o mesmo corpo K e com as mesmas leis de
composio que em V , diremos que W um subespao de V .

3.3.1 Definio
Seja V um espao vetorial. Dizemos que W V , no vazio, um
subespao vetorial de V se forem satisfeitas as seguintes condies:
SE1) 0 W , o vetor nulo est em W .
SE2) Se u, v W , ento u + v W .
SE3) Se u W , ento u W para todo .
Alternativamente, poderamos dizer tambm que W um subespao de V se, e somente se, W um espao vetorial.
Observaes:
1) Note que todo subespao vetorial W de um espao vetorial V
, ele prprio, um espao vetorial.
2) O conjunto que consiste apenas no vetor nulo {0} e o prprio
V so chamados de subespaos vetoriais triviais.
Note que SE2 e SE3 podem ser reescritas equivalentemente como:
se u, v W e , ento u + v W . Assim, as condies para ser
subespao podem ser resumidas em:
i) 0 W , o vetor nulo est em W .
ii) Se u, v W e ento u + v W .
Comentrio. De fato, esta definio de subespao vetorial um resultado bastante til para mostrar que um conjunto um espao
vetorial.
3) Observe que SE3 implica diretamente que W
( W no vazio).

136

Portanto, todo subespao um espao vetorial e todo espao vetorial


um subespao (dele mesmo e, possivelmente, de outros espaos
vetoriais maiores). O termo subespao usado quando pelo menos
dois espaos vetoriais esto sendo considerados, um deles includo
no outro.
Desse modo, o problema dos subespaos consiste em determinar
quando um subconjunto de um espao vetorial continua satisfazendo todos os axiomas de espao vetorial. O procedimento padro
para resolver este problema utiliza simplesmente a verificao das
regras , dadas anteriormente.
Assim, na prtica voc deve responder as seguintes questes:
i) o vetor nulo de V est em W ?
ii) W fechado em relao a soma de vetores? Isto , para cada
u e v W , a soma u + v est em W ?
iii) W fechado em relao a multiplicao por escalar? Isto ,
para cada v W e cada escalar , o vetor v est em W ?

3.3.2 Exemplos
Vejamos alguns exemplos:
Exemplo 6. Seja o espao vetorial V = 3 e o conjunto W formado pelas triplas ordenadas de V = 3 , tais que a terceira componente igual
soma das duas primeiras, isto , W = {( x1 , x2 , x3 ) 3 / x3 = x2 + x1} .
Afirmamos que W um subespao de V , desde que:
i) O vetor nulo x = ( x1 , x2 , x3 ) = (0, 0, 0) esteja em W :
x = ( x1 , x2 , x3 ) = (0, 0, 0) 3 e a condio x3 = x2 + x1 seja satisfeita para este vetor (0 = 0 + 0) .

ii) Sejam x = ( x1 , x2 , x3 ) e y = ( y1 , y2 , y3 ) vetores de W , tais


que x3 = x2 + x1 e y3 = y2 + y1 ; ou seja, x = ( x1 , x2 , x2 + x1 ) e
y = ( y1 , y2 , y2 + y1 ) ; com calculamos x + y e temos que

137

x + y = ( x1 , x2 , x2 + x1 ) + ( y1 , y2 , y2 + y1 )
= ( x1 + y1 , x2 + y2 , x2 + y2 + x1 + y1 )
= ( z1 , z2 , z2 + z1 ) W.
Ento W subespao e a equao x1 + x2 x3 = 0 define um plano
que passa pela origem.
Exemplo 7. Seja S o conjunto de todos os polinmios de grau menor
ou igual a n , com a propriedade p (0) = 0 . Verifiquemos se S , de
fato, um subespao vetorial de Pn .
1) Se a j = 0, j = 1 (todos os coeficientes nulos), ento p ( x) = 0 e
p (0) = 0 .
2) Se um escalar e p ( x) S , ento p (0) = 0 = 0 e p S .
3) Se p ( x) S e q ( x) S , ento ( p + q )(0) = p (0) + q (0) = 0 + 0 = 0
e, portanto, p + q S .
Exemplo 8. Em qualquer espao vetorial V , o vetor nulo forma o
subespao zero {0}.
Exemplo 9. C () (o espao das funes contnuas) um subespao
de F () porque a adio e multiplicao por escalar de funes
contnuas so ainda contnuas. Em geral, C k () (o espao das funes com k -sima derivada contnua) tambm um subespao de
F () .
Exemplo 10. O subconjunto H = { f F () : f (2) = 0} tambm um
subespao de F () ; se f (2) = g (2) = 0 , ento:
( f + g )(2) = f (2) + g (2) = 0 e (cf )(2) = c( f (2)) = 0 .
Exemplo 11. O subconjunto K = { f F () : f (t ) = f (t )} das funes pares tambm um subespao de F () ; se f (t ) = f (t ) e
g (t ) = g (t ) , ento:
( f + g )(t ) = f (t ) + g (t ) = f (t ) + g (t ) = ( f + g )(t ) e
(cf )(t ) = c( f (t )) = c( f (t )) = cf (t ) .

138

Por outro lado, o subconjunto H = { f F () : f (2) = 1} no um subespao de F () pois no contm a funo nula, que o vetor zero
do espao vetorial F () .
Exemplo 12. P3 um subespao de P5 . Por outro lado, H (conjunto
de polinmios de grau maior ou igual a 3 e menor ou igual a 5) no
um subespao de P5 . Um contra-exemplo servir para mostrar que
no subespao. Sejam p (t ) = 1 + t 4 e q (t ) = t 4 . Temos que p, q H ,
porm ( p + q )(t ) = 1 H .
Exemplo 13. As solues T = {( x1 , x2 , x3 ) / x1 + x2 + x3 = 0} da equao
homognea so um subespao de 3 . Se ( x1 , x2 , x3 ) e ( y1 , y2 , y3 ) T ,
ento x1 + x2 + x3 = 0 e y1 + y2 + y3 = 0 ; somando ambas igualdades,
temos ( x1 + y1 ) + ( x2 + y2 ) + ( x3 + y3 ) = 0 , que satisfaz a equao homognea e, ento, pertencem a T . E tambm temos que
( x1 , x2 , x3 ) = ( x1 , x2 , x3 ) x1 + x2 + x3 = ( x1 ) + ( x2 ) + ( x3 ) = 0
que satisfaz a equao homognea e, portanto, pertence a T .
As solues de T = {( x1 , x2 , x3 ) / x1 + x2 + x3 = 1} (os pontos de um plano que no passam pela origem) da equao no-homognea no
um subespao de 3 , j que no contm o zero (0, 0, 0).
O primeiro quadrante T = {( x1 , x2 ) / x1 0, x2 0} de 2 no um
subespao, desde que (1,1) T , porm (1)(1,1) = (1, 1) T .
Os seguintes casos mostram outros conjuntos que no so subespaos de 2 .
T
u

S
v
u+v

uT

u+vT
Figura 3.3 - No so subespaos.

1 vS
2
vS

u
T

139

O grfico seguinte mostra uma reta passando pela origem como


sendo um subespao; entretanto, uma reta que no passa pela origem no um subespao.
x+v
2x

T
S

x+v

0.5x

v
x

0
No subespao
subespao

Figura 3.4 - Retas no plano.

Exemplo 14. 2 no um subespao de 3. Em verdade, 2 est


definido por uma dupla de nmeros reais, sendo que 3 so triplas
de nmeros, assim 2 no est contido em 3 . Defina um plano
coordenado do espao tridimensional como sendo um subespao
de 3 .
Exemplo 15. O conjunto Sym(n) das matrizes simtricas um subespao do espao vetorial M 22 das matrizes n n . A matriz que
resulta da soma de matrizes simtricas simtrica. Por outro lado, a
matriz nula simtrica e ento pertence a Sym(n).
Exemplo 16. Seja V = M 22 e W = {matrizes inversveis 2 2}. Determine se W um subespao de M 22 . Se W fosse um subespao, a
0 0
matriz nula deveria estar nele. Porm, 0 =
no inversvel e,
0 0
por isso, no pode estar em W . Logo, W no um subespao.
Em alguns dos nossos exemplos, vimos que subespaos aparecem
como sendo exemplos de espaos vetoriais. De fato, temos que um
subespao, com as operaes herdadas da soma e multiplicao
por escalar, um espao vetorial. A prova consiste em conferir as
oito propriedades, a maior parte destas so herdadas de um espao vetorial maior.

140

3.3.3 Soma e Interseco de Subespaos


Sejam H e K subespaos de um espao vetorial V . Definimos a
soma de dois subespaos como H + K = {u + v / u H , v K } e a interseco como H K = {u / u H v K } .
K

K
H
HK

H+K

Soma

Interseco
Figura 3.5 - Soma e interseco de subespaos.

Observamos que a soma e a interseco de espaos vetoriais so


adaptaes da unio e interseco de subconjuntos de espaos vetoriais. Enquanto a interseco permanece sendo a mesma, a soma
diferente da unio, j que, em geral, a unio de dois subespaos no
um subespao.

3.3.3.1 Interseco de dois Subespaos Vetoriais


Sejam H e K dois subespaos vetoriais de V . A interseco S de
H e K , que se representa por S = H K , o conjunto de todos os
vetores v V tais que v H e v K .
Teorema
A interseco S de dois subespaos vetoriais H e K de V um subespao vetorial de V . De fato:
1) Se u, v H , ento u + v H
Se u, v K , ento u + v K
Logo:
u+ vS = H K

A soma e a interseco de
subespaos so subespaos
vetoriais.

141

2) Para qualquer :
Se v H , ento v H ;
Se v K , ento v K .
Logo:
v S = H K.
Exemplo 17. Seja V o espao vetorial das matrizes quadradas de
ordem 2:
a b

V =
; a, b, c, d .

c d

Considere:
a b

H =
;
a
,
b

0 0

a 0

K =
; a, c .

c 0

Ento, S = H K:
a 0

S =
; a .

0 0

Exemplo 18. Seja o espao vetorial 3 = {(a, b, c); a, b, c } e os subespao H = {(a, b, c); a, b, c } e K = {(0, 0, c); c }. A interseco H K o subespao vetorial S = {(0, 0, 0)} = {0}.

3.3.3.2 Soma de dois subespaos vetoriais


Sejam H e K dois subespaos vetoriais de V . A soma S de H e K ,
que se representa por S = H + K , o conjunto de todos os vetores
u + v de V tais que u H e v K .
Teorema
A soma S de dois subespaos vetoriais H e K de V um subespao vetorial de V . De fato:
1) Se u1 , u 2 H , ento u1 + u 2 H
Se v1 , v 2 K , ento v1 + v 2 K

142

Por outro lado:

u1 + v 1 S
u2 + v2 S .

Logo:
(u1 + v1 ) + (u 2 + v 2 ) = (u1 + u 2 ) + ( v1 + v 2 ) H + K = S .
2) Para qualquer ;
Se u1 H , ento u1 H
Se v1 K , ento v1 K .
Por outro lado:
u1 + v 1 S .
Logo:
(u1 + v1 ) = u1 + v1 H + K = S .

Exemplo 19. Sejam os subespaos vetoriais H = {(a, b, 0); a, b } ee K = {(0, 0, c); c }


3
); a, b } e K = {(0, 0, c); c } do espao vetorial = {(a, b, c);a, b, c }.
A soma H + K o subespao vetorial S = {(a, b, c); a, b, c }, que
no caso, o prprio 3 .

3.3.3.3 Soma direta de dois subespaos vetoriais


Sejam H e K dois subespaos vetoriais de V .
Diz-se que V a soma direta de H e K e representa-se por V = H K .
Se V = H + K e H K = {0}.
Isto , se o nico vetor comum a ambos os subespaos H e K for o
vetor nulo.
Os smbolos e so utilizados para indicar que a adio e a multiplicao por escalar no so as usuais.

143

Exemplo:
H = {(a, 0, c, 0);a, c }
K = {(0, b, 0, d); b, d }


Ento:

H + K = {(a, b, c, d); a, b, c, d } = 4

H K = {(0, 0, 0, 0) = 0}

Logo H K .

Exerccios Propostos
1) Considere os subconjuntos de 3 :
F = {(x1 , x 2 , x 3 ); x1 + x 2 = 0 = x 3 } e G = {(x1 , x 2 , x 3 ); x1 + x 2 = 0}.
a) Prove que os conjuntos so subespaos vetoriais.
b) Diga, justificando, se a unio dos conjuntos um espao
vetorial.
c) Determine F + G e F G . Diga se a soma direta.
2) Se um sistema linear no for homogneo, o que acontece com
seu conjunto soluo? Considere o exemplo:
2 x + 4 y + z = 1

A = x + y + 2z = 1 .
x + 3y z = 0

Provar que a soma de dois vetores soluo nem sempre um vetor


soluo, e assim o conjunto soluo no um subespao vetorial.
A soma direta de subespaos tem conseqncias importantes, uma
vez que nos permite decompor os espaos vetoriais em termos de
subespaos, dos quais se espera que sejam de natureza mais simples. De fato, a maioria dos teoremas de decomposio tem suas razes conceituais nesta idia.

144

3.3.4 O espao Nulo de A


Introduziremos agora um dos mais importantes subespaos de
associado a uma matriz.
Suponhamos que A seja uma matriz m n . As solues do sistema
Ax = 0 determinam um subespao de n chamado de espao nulo
de A , que denotaremos por espnul ( A) = {x n / Ax = 0} .

Outros subespaos
associados a uma matriz
sero estudados em sees
posteriores.

Consideremos agora alguns exemplos que so de fcil resoluo.


Exemplo 20. Determine espnul ( A) para cada uma das seguintes matrizes.
2 0
a) A =

4 10
1 7
b) B =

3 21
Soluo. a) Para achar o espao nulo de A , podemos escalonar a
matriz ou resolver um sistema de duas equaes com duas incgnitas.
Neste caso, a ltima opo a mais direta e temos que x1 = x2 = 0 a
soluo. Em termos de vetores, a nossa soluo consiste em um nico
vetor {0}, e ento espnul ( A) = {0}.
b) Aqui temos infinitas solues da forma x1 = 7 , x2 = , onde
um escalar. Assim, j que o espao nulo de B est formado por todas
as solues de Bx = 0 da forma x = (7 , )T = (7,1)T , sendo um
7
nmero real, ento espnul ( B) = .
1
Veremos na prxima seo uma forma mais adequada de escrever
este ltimo resultado.
Podemos observar que o espao nulo est descrito por todos os vetores associados aos pontos localizados na reta que passa pela origem
com equao x1 7 x2 = 0 .
Voltemos agora aos nossos exemplos anteriores. O espao nulo para
a primeira matriz foi {0}. Para a segunda matriz, o espao nulo foi
uma reta passando pela origem. Lembrando os conceitos mencionados previamente, podemos ver que em ambos os casos, obtiveramse subespaos de 2 .

Veremos outros exemplos


de espaos nulos na seo
de Bases de um espao
vetorial.

145

De fato, isso acontecer sempre, como estabelece o teorema a seguir.


Teorema. Seja A uma matriz m n, ento o espao nulo de A ser um
subespao de n .
Prova. Sabemos que este subespao est formado por todas as solues do sistema homogneo Ax = 0 . Primeiro, deveramos conferir
que o vetor zero ( 0 ), que est em n soluo do sistema, e ento
deduziremos que o espao nulo no vazio, o que, neste caso, trivial (qual o produto que deve ser feito para mostrar isto?). Logo, ao
saber que o espao nulo tem, no mnimo, um vetor, escolheremos dois
vetores x e y do espao nulo e um escalar , e conferiremos as leis
de composio interna.
Comeamos pela soma.
A(x + y ) = Ax + Ay = 0 + 0 = 0
A soma z = x + y a soluo para Az = 0 , ento a soma est no
espao nulo. Portanto, o espao nulo fechado sob a soma.
Logo, testamos a multiplicao por escalar.
A( x) = Ax = 0 = 0
Se x est no espao nulo, todo mltiplo de x tambm est e o espao nulo fechado sob multiplicao por escalar.
Ento o espao nulo um subespao de n . Para verificar se um
vetor de V est no espao nulo de A , basta calcular Ax e ver se
Ax = 0 .

Exerccios Propostos
1) Determine se cada conjunto a seguir ou no um subespao
de 2.
a) {( x1 , x2 )T / x1 + x2 = 0}
b) {( x1 , x2 )T / x1 x2 = 0}
c) {( x1 , x2 )T / x1 = 3 x2 }
d) {( x1 , x2 )T / x1 = 3 x2 + 1}

146

2) Determine se cada conjunto a seguir ou no um subespao


de 3.
a) {( x1 , x2 , x3 )T / x1 + x3 = 1}
b) {( x1 , x2 , x3 )T / x1 = x2 = x3 }
c) {( x1 , x2 , x3 )T / x3 = x1 + x2 }
d) {( x1 , x2 , x3 )T / x3 = x12 + x2 2 }
3) Determine se cada conjunto a seguir ou no um subespao
de 22 .
a) O conjunto de todas as matrizes diagonais 2 2 .
b) O conjunto de todas as matrizes triangulares inferiores a
2 2 .
c) O conjunto de todas as matrizes 2 2 , tais que a12 = 1 .
d) O conjunto de todas as matrizes 2 2 , tais que b11 = 0 .
e) O conjunto de todas as matrizes simtricas 2 2 .
f) O conjunto de todas as matrizes singulares 2 2 .
4) Determine o ncleo de cada uma das matrizes a seguir.
2 1
a)

3 2

1 3 4

c) 2 1 1
1 3 4

2 3 1
1
b)

2 4 6 3

1 1 1 2

d) 2 2 3 1
1 1 0 5

5) Determine se cada conjunto a seguir ou no um subespao


de P4 . (Cuidado!)
a) O conjunto dos polinmios em P4 de grau par.
b) O conjunto dos polinmios de grau 3.
c) O conjunto dos polinmios p ( x) em P4 , tais que p (0) = 0 .
d) O conjunto dos polinmios em P4 que tem pelo menos uma
raiz real.

147

6) Determine se cada conjunto a seguir ou no um subespao


de C[1,1] .
a) O conjunto das funes f em C[1,1] , tais f (1) = f (1) .
b) O conjunto das funes mpares em C[1,1] .
c) O conjunto das funes no decrescentes em [1,1] .
d) O conjunto das funes em f em C[1,1], tais f (1) = 0 e
f (1) = 0.
e) O conjunto das funes f em C[1,1] , tais f (1) = 0 ou
f (1) = 0 .
7) Determine se cada conjunto a seguir ou no um conjunto
gerador para 2 .
1 1 2
2 3
a) ,
d) , ,
2 2 4
1 2
2 4
b) ,
3 6

1 1
e) ,
2 1

2 1 2
c) , ,
1 3 4
8) Quais dos conjuntos a seguir so ou no conjuntos geradores
para 3 ? Justifique suas respostas.
a) {(1, 0, 0)T , (0,1,1)T , (1, 0,1)T }
b) {(1, 0, 0)T , (0,1,1)T , (1, 0,1)T , (1, 2,3)T }
c) {(2,1, 2)T , (3, 2, 2)T , (2, 2, 0)T }
d) {(2 , 1 , -2)T, (-2 , -1 , 2 )T, (4 , 2 , -4)T}
e) {(1,1,3)T , (0, 2,1)T }
1
9
3
2

9) Sejam x1 = 2 , x2 = 4 , x = 6 , y = 2 .
3
5
2
6




a) x [{x1 , x2 }] ?
b) y [{x1 , x2 }] ?

148

10) Quais dos conjuntos a seguir so conjuntos geradores para P3 ?


Justifique suas respostas.
a) {1, x 2 , x 2 2}
b) {2, x 2 , 2 x + 3}
c) {x + 2, x + 1, x 2 1}
d) {x + 2 x, x 2 1}
11) Em 22 , sejam

1
= 1
E11 =
E
11
0
0
00
=
E

=
E21
21
1
1

00
0
= 0
E12 =
E
12
0
00

0
00
00
=
22
E

=
E
22
00
00

11

00

00

11

Mostre que E11 , E12 , E21 , E22 geram 22 .

3.4 Espaos Gerados


O tpico da seo anterior nos permite introduzir um conceito chave desta disciplina. Voltemos para o item (b) do exemplo 20. Neste
exemplo, vimos que o espao nulo est formado por todos os vetores
da forma x = (7 , )T = (7,1)T (onde um nmero real).
Para expressar este resultado em uma forma mais compacta e adequada, revisaremos um conceito que foi introduzido em um captulo anterior. Quando foram estudadas as operaes com matrizes,
calculamos combinaes lineares de linhas das matrizes e combinaes lineares das colunas de uma matriz.
Podemos tambm considerar uma combinao linear de vetores.
Definio. Dizemos que o vetor w de um espao vetorial V
uma combinao linear dos vetores v1 , v 2 , , v n V se existirem escalares c1 , c2 , , cn , tal que w possa ser escrito como
w = c1 v1 + c2 v 2 + + cn v n .
Podemos observar que o espao nulo mencionado acima pode ser
visto, de fato, como todas as combinaes lineares do vetor (7,1)T .
At pode parecer estranho falar de uma combinao linear de um

149

nico vetor, porm, de acordo com a definio, no h impedimento


para consider-lo desta forma.
Provavelmente, no a primeira vez que tenha encontrado uma
combinao linear de vetores. Na disciplina Geometria Analtica,
foi introduzido o espao euclidiano junto com o que chamamos de
vetores cannicos. O conjunto de vetores cannicos para n foi deT
finido como e1 = (1, 0, , 0) , e 2 = (0,1, , 0)T , , en = (0, 0, ,1)T .
Vimos que qualquer vetor u = (u1 , u2 , , un )T n pode ser escrito
como u = u1e1 + u2e 2 + + unen .
Em outras palavras, poderamos ver o vetor u como uma combinao linear dos vetores da base cannica e1 , e 2 , , en .
Exemplo 21. Determine, em cada caso, se o vetor w uma combinao linear dos vetores v1 e v 2 .
a) w = (12, 20)T , v1 = (1, 2)T , v 2 = (4, 6)T
b) w = (4, 20)T , v1 = (2,10)T , v 2 = (3, 15)T
c) w = (1, 4)T , v1 = (2,10)T , v 2 = (3, 15)T
Soluo. Em cada um destes casos, precisamos resolver w = c1 v1 + c2 v 2 ,
isto , achar c1 e c2 .
c + 4c2 = 12
a) w = (12, 20)T = c1 (1, 2)T + c2 (4, 6)T 1
.
2c1 6c2 = 20
Se o sistema for consistente (isto , possuir no mnimo uma soluo),
ento w uma combinao linear de dois vetores; se no existir soluo, ento w no uma combinao linear.
Deixamos para voc verificar que a soluo do sistema c1 = 4 e
c2 = 2 .
Logo, w uma combinao linear de v1 e v 2 e pode ser escrito
como w = 4 v1 2 v 2 .
b) Repetindo o procedimento que fizemos no item anterior e resol3
vendo o sistema, obtemos como soluo c1 = 2 + t e c2 = t , onde t
2
um escalar. Isto significa que w uma combinao linear de v1 e

150

v 2 e pode ser escrita em um nmero infinito de diferentes combinaes lineares. Algumas delas so, por exemplo:
4
w = 2v1 + (0)v2 , w = 8v1 + 4v2 , w = (0)v1 v2 , w = v1 2v2 .
3
c) Neste ltimo caso, no temos soluo, e ento w no pode ser
escrito como uma combinao linear de v1 e v 2 .

Embora estes exemplos sejam muito simples, o procedimento para


um nmero maior de vetores continua sendo o mesmo.
Neste ponto, podemos dizer que sabemos como funciona uma combinao linear e responder quando um vetor combinao linear de
outro conjunto de vetores, e dessa forma, estamos em condies de
avanar para o principal conceito desta seo.
Definio. Seja S = {v1 , v 2 , , v n } um conjunto de vetores em
um espao vetorial V e seja W o conjunto de todas as combinaes lineares dos vetores v1 , v 2 , , v n . Dizemos que W o espao gerado pelos vetores v1 , v 2 , , v n e escrevemos W = span( S ) ou
W = span{v1 , v 2 , , v n } ou W = [{v1 , v 2 , , v n }] . Tambm dizemos
que v1 , v 2 , , v n gera W .
Com esta notao, voltando ao exemplo do espao nulo, temos sim 7
plesmente que espnul ( A) = .
1
Temos o seguinte teorema:
Teorema. Sejam v1 , v 2 , , v n vetores de um espao vetorial V e
W = [{v1 , v 2 , , v n }] o espao gerado, ento temos que:
a) W um subespao de V.
b) W o menor subespao de V que contm todos os vetores
v1 , v 2 , , v n .
Exemplo 22. Descreva o espao gerado pelos seguintes conjuntos de
vetores.
a) v1 = (1, 0, 0)T , v 2 = (0,1, 0)T
T
T
b) v1 = (1, 0,1, 0) , v 2 = (0,1, 0, 1)

151
1 0
0 0
c) v1 =
, v2 =

0 0
0 1
d) v1 = 1, v 2 = x, v 3 = x3
Soluo. a) O espao gerado, [v1 , v 2 ] o conjunto de todas as
combinaes lineares de v1 , v 2 que podem ser escritas como:
av1 + bv 2 = (a, 0, 0)T + (0, b, 0)T , sendo a e b escalares.
Logo, o espao gerado so todos os vetores da forma (a, b, 0)T 3 ,
sendo a e b escalares arbitrrios.
b) Este caso muito similar ao anterior. A combinao linear geral :
av1 + bv 2 = (a, 0, a, 0)T + (0, b, 0, b)T = (a, b, a, b)T .
Assim, [ v1 , v 2 ] so todos os vetores de 4 da forma (a, b, a, b)T
para quaisquer escalares a e b .
Ateno! Neste item,
o procedimento
anlogo aos itens a) e b),
apenas com a diferena que
no estamos trabalhando
em .

c) Escrevemos a combinao linear destes vetores


a 0 0 0 a 0
av 1 + bv 2 =
+
=
.
0 0 0 b 0 b
O espao gerado, W = span{v1 , v 2 } , o subespao das matrizes diagonais das matrizes M 22 .

d) A combinao linear geral, neste caso, av1 + bv 2 + cv3 = a + bx + cx3


av1 + bv 2 + cv3 = a + bx + cx3 . Aqui, [{v1 , v 2 , v 3 }] o subespao dos polinmios de P3
que no tm o termo quadrtico.
Vejamos agora se conseguimos determinar o conjunto de vetores
que geram os espaos dos exemplos anteriores, de tal forma que
qualquer vetor possa ser escrito como uma combinao linear dos
vetores do conjunto.
Exemplo 23. Determine um conjunto de vetores que gerem exatamente cada um dos seguintes espaos vetoriais.
a) V = n
b) V = M 22
c) V = Pn
Pense no que realmente
precisa ser verificado!

Soluo. Necessitamos achar um conjunto de vetores, tal que o espao gerado por este conjunto seja exatamente o espao dado. Em
outras palavras, devemos mostrar que o espao gerado do nosso conjunto seja, de fato, o mesmo que o espao vetorial dado.

152

O que deve ser feito para mostrar isso? Suponhamos que queremos
mostrar que A e B so dois conjuntos iguais. Para isto, primeiro devemos mostrar que cada a em A tambm est em B, e ento mostraremos que B, no mnimo, conter totalmente o A. Analogamente, se
cada b em B est em A, B est contido em A. Portanto, se temos que
A contm B e B contm A, podemos concluir que A e B so o mesmo
conjunto.
Assim, para os nossos exemplos, em cada caso, necessitamos exibir
um conjunto de vetores geradores, tal que cada vetor do espao vetorial dado V esteja nesse conjunto, para depois mostrar que cada
vetor do conjunto gerador deve estar no espao vetorial dado.
a) J mostramos que cada vetor de n pode ser escrito como uma
combinao linear dos vetores cannicos, e1 , e 2 , , en, e assim os vetores cannicos geram um espao que, no mnimo, contm todo n .
Por outro lado, j que qualquer combinao linear dos vetores cannicos deve ser um vetor de n, podemos concluir que n deve conter
o espao gerado pelos vetores cannicos.
Logo, o espao gerado pelo conjunto de vetores cannicos deve ser
n.
b) Em um exemplo anterior, vimos que um conjunto de matrizes gera
o espao das matrizes diagonais de M 22 . H uma extenso natural
para que este conjunto gere o espao de todas as matrizes 2 2 ,
acrescentando mais dois vetores ao conjunto dado. De fato, o seguinte conjunto faz isso.
1 0
0 1
0 0
0 0
v1 =
, v2 =
, v3 =
, v4 =
.
0 0
0 0
1 0
0 1
Claramente, qualquer combinao linear destas quatro matrizes ser
uma matriz 2 2 , e ento o espao gerado por estas matrizes deve
estar contido em M 22 .
a b
Por outro lado, dada qualquer matriz de M 22 ,
M 22
c d
pode ser escrita como uma combinao linear destes vetores.
a b
A=
= av1 + bv 2 + cv 3 + dv 4 , e assim, todo M 22 deve estar
c d
contido no espao gerado por estes vetores, de tal forma que estes
vetores geram M 22 .

153
c) Lembremos que Pn o conjunto de todos os polinmios de
grau menor ou igual a n . Usando um dos exemplos anteriores como guia, estendemos o conjunto em forma natural para
v1 = 1, v 2 = x, v 3 = x 2 , , v n+1 = x n . Uma combinao linear desses
vetores um polinmio de grau: n ou menor, e ento estar em Pn .
Logo, o espao gerado estar em Pn . Agora, podemos escrever qualquer polinmio de grau n ou menor,
p = a0 + a1 x + a2 x 2 + + an x n
como a seguinte combinao linear:
p = a0 v1 + a1 v 2 + a2 v 3 + + an v n+1 .

Ento, todo Pn est contido no espao gerado por estes vetores, o


que significa que [{1, x, x 2 , , x n }] exatamente Pn .
Ainda necessrio discutir um ltimo assunto sobre espaos gerados, e uma boa forma de fazer isso atravs de um exemplo.
Exemplo 24. Determine se os seguintes conjuntos geram 3 .
a) v1 = (2, 0,1)T , v 2 = (1,3, 4)T , v 3 (1,1, 2)T
b) v1 = (1, 2, 1)T , v 2 = (3, 1,1)T , v 3 (3,8, 5)T
Soluo. a) Claramente, o espao gerado por esses vetores estar em
3 . O problema agora determinar se 3 estar contido no espao
gerado por esses vetores.
No exemplo anterior, conseguimos responder com facilidade a esta
questo. Entretanto, neste caso, no parece ser to evidente.
Para resolver este problema, consideremos o seguinte procedimento:
Escolhamos arbitrariamente um vetor de 3 , u = (u1 , u2 , u3 )T , e tentemos encontrar escalares c1 , c2 , c3 , de tal forma que seja possvel escrever u como uma combinao linear dos vetores dados v1 , v 2 , v 3 .
Ou seja,
u = (u1 , u2 , u3 ) = c1 v1 + c2 v 2 + c3 v 3 = c1 (2, 0,1)T + c2 (1,3, 4)T + c3 (1,1, 2)T .
Igualando os respectivos componentes, obtemos o seguinte sistema
de equaes:
2c1 c2 + c3 = u1
3c2 + c3 = u2
3c1 + 4c2 2c3 = u3

154

Que podemos escrever em forma matricial como:


2 1 1 c1 u1


0 3 1 c2 = u2 .
1 4 2 c u

3 3
Agora precisamos saber se o sistema consistente (isto , se possui
ao menos uma soluo) para cada escolha de u = (u1 , u2 , u3 )T . Se denotarmos a matriz dos coeficientes como A e calcularmos o determinante, temos que
.

Ateno: deixamos para


voc conferir!

Como o det(A) no nulo, ento a matriz dos coeficientes inversvel, e assim o sistema possui sempre soluo independentemente
da escolha de u = (u1 , u2 , u3 )T . Isto equivale a dizer que possvel
determinar escalares c1 , c2 , c3 , de tal forma que u (um vetor genrico que representa qualquer vetor de 3 ) pode ser escrito como
uma combinao linear dos vetores dados v1 , v 2 , v 3 , o que nos diz
que 3 est contido no [{v1 , v 2 , v 3 }] , e assim temos mostrado que
[{v1 , v 2 , v 3 }] 3 .
b) Faremos este exemplo rapidamente, pois o procedimento anlogo
ao anterior. A matriz correspondente

Observe que, de fato,


existiro infinitas escolhas
para as quais o sistema no
ter soluo!

cujo determinante nulo e, ento, singular. Isso significa que existe,


no mnimo, algum u = (u1 , u2 , u3 )T para o qual o sistema no ter
soluo, e ento u = (u1 , u2 , u3 )T no poder ser escrito como uma
combinao linear destes trs vetores.
Resumindo, sabemos que [{v1 , v 2 , v 3 }] est contido em 3 , porm,
temos mostrado que existe pelo menos um vetor (em verdade infinitos) de 3 que no est contido em [{v1 , v 2 , v 3 }] e, ento, o espao
gerado por estes trs vetores no todo 3 .
Este exemplo nos mostra dois pontos principais.
Em primeiro lugar, nos mostra que nem sempre podemos esperar
que quaisquer trs vetores de 3 gerem todo 3.
O segundo ponto observado que dois diferentes conjuntos de vetores podem gerar todo 3 .

Esta idia ser explorada na


prxima seo.

155

Temos os trs vetores do primeiro item do exemplo anterior, como


tambm o conjunto de vetores cannicos de 3 , gerando 3 . Conclumos que o conjunto de vetores que geram um espao no nico. Em outras palavras, podemos ter mais de um conjunto de vetores gerando o mesmo espao.

3.5 Independncia Linear

Voc pode lembrar de uma


equivalncia idntica
para a soluo da
equao Ax = b . O que
seriam A, x e b ?

O conceito de gerao de um espao est relacionado com o problema


da existncia da soluo da equao vetorial v = c1 v1 + c2 v 2 + + cn v n ,
onde c1 , c2 , , cn so as incgnitas. Existir uma nica soluo
c = (c1 , c2 , , cn )T se, e somente se, a correspondente equao homognea
, possuir unicamente a soluo trivial,
c = 0 . Este novo problema conduz introduo do conceito de independncia linear, intimamente relacionado com o conceito de gerao de espaos.
Assim, nesta seo vamos olhar mais de perto a estrutura de um
espao vetorial. Para comear, vamos restringir a espaos vetoriais
que podem ser gerados por um nmero finito de elementos. Cada
vetor no espao pode ser construdo a partir dos elementos nesse
conjunto gerado, usando-se apenas as operaes de soma e multiplicao por um escalar. desejvel encontrar um conjunto gerador
mnimo, vamos dizer que por economia. Por mnimo, queremos dizer um conjunto gerador sem elementos desnecessrios, isto , para
o qual todos os elementos no conjunto so necessrios para se gerar
o espao vetorial. Para encontrar um conjunto gerador mnimo,
preciso considerar como os vetores no conjunto dependem um do
outro. Esses conceitos simples vo nos dar a chave para entender a
estrutura dos espaos vetoriais.
3
Vamos considerar os seguintes vetores em

1
2
1



x1 = 1 , x 2 = 3 , x 3 = 3 .
2
1
8



Seja S o subespao gerado por x1 , x 2 , x 3 . Observe que S pode ser.
representado, de fato, pelos vetores x1 e x 2 , j que x 3 pertence ao es-

156

pao gerado por x1 e x 2 , ou seja, x 3 = 3x1 + 2x 2 . Qualquer combinao linear de x1 , x 2 , x 3 pode ser reduzida a uma combinao linear
de x1 e x 2 :
1x1 + 2 x 2 + 3 x 3 = 1x1 + 2 x 2 + 3 (3x1 + 2x 2 ) = ( 1 + 33 )x1 + ( 2 + 2 3 )x 2 .
Logo, S = [{x1 , x 2 , x 3 }] = [{x1 , x 2 }] .
.
A equao x 3 = 3x1 + 2x 2 pode ser reescrita na forma 3x1 + 2x 2 x 3 = 0 .
Como os trs coeficientes so diferentes de zero, podemos resolver
para qualquer um dos vetores em funes dos outros dois:
2
1
x1 = x 2 + x 3
3
3
3
1
x 2 = x1 + x 3
2
2
x 3 = 3x1 + 2x 2 .

Temos, ento, que [{x1 , x 2 , x 3 }] = [{x 2 , x 3 }] = [{x1 , x 3 }] = [{x1 , x 2 }] .


Por causa da relao de dependncia, o subespao S pode ser gerado por qualquer dos dois vetores dados.
Por outro lado, no existe nenhuma relao de dependncia entre
x1 e x 2 . De fato, se c1 e c2 forem escalares, tais que um deles diferente de 0, e se c1x1 + c2 x 2 = 0 , ento poderamos resolver para um
vetor em funo do outro como:
x1 =

c2
c
x 2 (c1 0) ou x 2 = 2 x1 (c2 0) .
c1
c1

No entanto, nenhum dos dois vetores em pauta mltiplo de outro.


Logo, [{x1 }] e [{x 2 }] so subespaos prprios de S e a equao
c1x1 + c2 x 2 = 0 s ser satisfeita se c1 = c2 = 0 .
Podemos generalizar esses exemplos fazendo as seguintes observaes:
i) Se v1 , v 2 , , v n gera um espao vetorial V e um desses vetores
pode ser escrito como um combinao linear dos outros n 1
vetores, ento esses outros n 1 vetores geram V .

157

ii) Dados n vetores v1 , v 2 , , v n , possvel escrever um dos vetores como uma combinao linear de outros n 1 vetores se, e
somente se, existem escalares c1 , c2 , , cn nem todos nulos, tais
que c1 v1 + c2 v 2 + + cn v n = 0 .
Definio. Os vetores v1 , v 2 , , v n , em um espao vetorial V , so
ditos linearmente independentes se a combinao linear dos vetores
v1 , v 2 , , v n for igual ao vetor nulo, isto : c1 v1 + c2 v 2 + + cn v n = 0 .
Isto implica, necessariamente, que todos os escalares c1 , c2 , , cn devem ser iguais a zero.

O conceito de base ser


estudado com mais detalhes
logo adiante.

Como conseqncia de (i) e (ii), vemos que se {v1 , v 2 , , v n } um


conjunto gerador mnimo, ento v1 , v 2 , , v n so linearmente independentes. Em contrapartida, se v1 , v 2 , , v n so linearmente independentes e geram V , ento {v1 , v 2 , , v n } um conjunto gerador
mnimo para V . Um conjunto gerador mnimo chamado de base.
1 1
Exemplo 25. Os vetores e so linearmente independentes,
1 2
1
1 0
c + c = 0
pois se c1 + c2 = , ento 1 2
. E a nica soluo
c
2
c
0
+
=
1
2 0
2
1
desse sistema c1 = c2 = 0 .
Definio. Os vetores v1 , v 2 , , v n , em um espao vetorial V , so
ditos linearmente dependentes se existem escalares c1 , c2 , , cn
nem todos nulos (pelo menos um deles diferente de zero), tais que
c1 v1 + c2 v 2 + ... + cn v n = 0.
Exemplo 26. Seja x = (1, 2,3)T . Os vetores x, e1 , e 2 , e 3 so linearmente
dependentes, j que a combinao linear nula e1 + e 2 + e 3 x = 0 no
implica que todos os coeficientes c1 , c2 , , cn sejam nulos. (De fato,
veja que neste caso c1 = 1, c2 = 2, c3 = 3, c4 = 1 ).
Definio. Seja S = {v1 , v 2 ,..., v n } um conjunto de no mnimo dois
vetores (n 2) em um espao vetorial V . Ento S linearmente dependente se, e somente se, um desses vetores pode ser escrito como
uma combinao linear dos restantes.
As duas ltimas definies estabelecem diferentes formas de caracterizar um conjunto linearmente dependente.

158

Veja, no exemplo anterior, que imediato escrever x como uma


combinao linear de e1 , e 2 , e 3 .
Dado um conjunto de vetores {v1 , v 2 , , v n } , em um espao vetorial V , trivial encontrar escalares c1 , c2 , , cn , tais que
c1 v1 + c2 v 2 + ... + cn v n = 0 . Basta definir c1 = c2 = = cn = 0 .
Se existem escolhas no-triviais de escalares (quer dizer, escalares diferentes de zero) para os quais a combinao linear
c1 v1 + c2 v 2 + ... + cn v n igual ao vetor nulo, ento o conjunto
v1 , v 2 , , v n linearmente dependente.
Se a nica maneira de a combinao linear dos vetores
v1 , v 2 , , v n ser igual ao vetor nulo for quando todos os escalares
forem iguais a zero, ento v1 , v 2 , , v n so
linearmente independentes.

Uma Interpretao Geomtrica da Independncia


Linear
Um vetor u linearmente independente se a combinao linear
nula cu = 0 implica necessariamente que c = 0 . Esta implicao se
cumpre se, e somente se, u 0 . Ento podemos concluir que u
linearmente independente, ou seja, u 0 .
u
u=0

0
independente

dependente

Figura 3.6 - Independente e dependente.

O espao gerado por um nico vetor uma reta passando pela origem. Span{v} est formado por todos os mltiplos de v , que tm a
mesma direo de v . Os pontos extremos desses vetores esto sobre
uma reta cuja equao vetorial r = tv + r0 , onde t um escalar.

159

Dois vetores u, v so linearmente dependentes se existem e ,


ambos no nulos, tais que u + v = 0 . Se a 0 , ento temos
u = ( / ) v . Se 0 , ento temos v = ( / )u . Assim, podemos
concluir que:
Dois vetores so linearmente dependentes se um deles mltiplo
escalar do outro. Em outras palavras, os vetores so paralelos.
Poderia enunciar qual a equivalncia contrria?
Dois vetores so linearmente independentes se os vetores no so
paralelos e, ento, no so mltiplos entre si.

v
v

w
independente

dependente

Figura3.7 - Vetores linearmente independentes e dependentes.

Isto , produto vetorial


de v e w.

O espao gerado por dois vetores linearmente independentes um


plano contendo a origem. Para ver isto em 3 , sejam v e w dados
por v = (v1 , v2 , v3 )T e w = ( w1 , w2 , w3 )T , respectivamente. O plano gerado por v e w tem um vetor normal dado por
, cuja equao
T
vetorial (v w) ( x1 0, x2 0, x3 0) = 0 , onde x = ( x1 , x2 , x3 )T um
.
vetor que pertence ao plano gerado por v e w . Esta equao, em termos das componentes dos vetores, dada por:
(v2 w3 v3 w2 ) x1 + (v3 w1 v1w3 ) x2 + (v1w2 v2 w1 ) x3 = 0 (1)

(1)

Entretanto, se por outro lado escrevemos x = ( x1 , x2 , x3 )T como uma


combinao linear de v e w, (x = v + w) , temos:
x1 = v1 + w1
x 2 = v2 + w2
x 3 = v3 + w3 .

Que pode ser reescrito em forma matricial como, e aps escalonamento, como:

160

Que possui soluo se, e somente se,


(v1 x3 v2 x1 )(v1w2 v2 w1 ) (v1 x2 v2 x1 )(v1w3 v3 w1 ) = 0 .
Que no outra coisa que a equao vetorial (1) anterior. Assim, vemos que dois vetores linearmente independentes geram um plano
contendo esses vetores.
Para trs vetores u, v, w serem linearmente dependentes, , , ,
em todos zeros, ficam u + v + w = 0 . Se 0 , ento
u = ( / ) v + ( / )w est em um plano, em uma reta ou ainda
em um ponto, (dependendo do grau de dependncia dos trs vetores) gerado por v e w . Em particular, os trs vetores esto no mesmo
plano (coplanares). Argumentos similares podem ser colocados nos
casos que outros coeficientes sejam zero. Coloque trs lpis em uma
mesa com os extremos das borrachas juntos para ter um exemplo
grfico de vetores coplanares. Assim:
Trs vetores so linearmente dependentes se estes vetores esto no mesmo plano.
A independncia linear de trs vetores pode ser entendida pela proposio contrria.
w

v
u

independente

w
u

dependente

Figura3.8 - Independncia linear.

Estas idias podem ser estendidas para o caso de vrios vetores. As


seguintes equivalncias podem ser teis para a compreenso dos
conceitos.

161

Vetores linearmente dependentes: significa que um deles


uma combinao dos outros.
Investiguemos a relao entre independncia linear e gerao
de espaos.
A independncia linear de um conjunto de vetores pode ser visualizada geometricamente como um espao se expandindo na
medida em que cada um dos vetores acrescenta uma nova direo, aumentando a dimenso do espao. Isto pode ser pensado
em termos de mxima eficincia na gerao do espao, desde
que todos os vetores sejam aproveitados. Ou seja, a eliminao
de qualquer vetor produzir um espao gerado menor.

3.5.1 Propriedades da Independncia Linear


A primeira propriedade est relacionada com a permanncia da independncia linear quando eliminamos vetores.
Ateno: compare com
o efeito na gerao
de um espao.

Se o conjunto
linearmente independente.
linearmente independente.
fcil entender esta propriedade da independncia linear, no sentido que no h desperdcio: se uma equipe de cinco pessoas imprescindvel para realizar uma determinada tarefa, ento qualquer
subgrupo de quatro (ou trs, duas ou uma delas) tambm necessrio, porm, no ser capaz de realizar a tarefa em forma completa.
Formulemos a propriedade recproca da propriedade acima:
Se v1 , v 2 , , v k so linearmente independentes e v k +1 pertence
ao espao gerado por {v1 , v 2 , , v k } , ento v1 , v 2 , , v k , v k +1 so linearmente dependentes, de forma similar gerao de espaos.
Os procedimentos mostrados nos exemplos seguintes so teis para
determinar a independncia linear de um conjunto de vetores.
Exemplo 27. Neste exemplo, mostraremos que os vetores
v1 = (1, 1, 0,1) , v 2 = (3, 1, 4,3) , v 3 = (2, 1, 2, 2) , v 4 = (0,1, 4, 2) e
v 5 = (1, 0,3, 0) so linearmente dependentes, utilizando operaes
elementares sobre a matriz:

162

AT = [ v1

v2

v3

v4

1 3 2 0

1 1 1 1
v5 ] =
0 4 2 4

1 3 2 2

0
.
3

As colunas de A so os vetores [ v1 v 2 v 3 v 4 v 5 ] . Podemos


usar as operaes elementares por colunas sobre A (ou por linhas
sobre AT ) para simplificar os vetores e obter a resposta. A forma
escalonada por colunas :
1

1
0

0 0
1 0
2 1
0 1

0
0
0
0

0
.
0

Observamos agora que os cinco vetores da forma escalonada so


claramente linearmente dependentes. Por exemplo, a combinao
linear com coeficientes c1 = 0 , c 2 = 0 , c 3 = 0 , c4 = 0 , c5 = 0 (nem
todos nulos) com as colunas da forma escalonada igual ao vetor
zero, e ento o conjunto das colunas linearmente dependente.
Desde que a propriedade de independncia linear de um conjunto
de vetores no mude pelas operaes elementares, conclumos que
v1 , v 2 , v 3 , v 4 , v 5 so linearmente dependentes.
O exemplo anterior nos conduz a observaes interessantes. Primeiro, para vetores euclidianos, a preservao da independncia linear
sob operaes elementares pode ser revista em termos de operaes
por colunas.
Se A equivalente a B por operaes por colunas, ento colunas
de B linearmente independentes correspondem a colunas de A ,
tambm linearmente independentes.
Em segundo lugar, observamos uma propriedade do tipo numrico
dimensional.
n
S
e v1 , v 2 , , v n so linearmente independentes, ento
k n.

163
Aproveitemos este exemplo para introduzir o seguinte teorema. Se
considerarmos apenas os vetores v1 , v 2 , v 3 , v 4 , teremos:

A = [ v1

v2

v3

1 3 2 0
.

1 1 1 1

v4 ] =
.
0 4 2 4

1 3 2 2

E agora a sua respectiva forma escalonada por colunas :


1

1
0

0 0
1 0
2 1
0 1

0
.
0

Claramente esta matriz singular.


Teorema. Sejam x1 , x 2 , , xn , n vetores em n, com x = ( x1 , x2 , , xn )T
para i = 1, , n . Se A = [x1 , x 2 , , xn ] , ento os vetores x1 , x 2 , , xn so
linearmente dependentes se, e somente se, A singular.
Demonstrao. A combinao linear nula c1x1 + c2 x 2 + + cn x n = 0
equivalente ao sistema de equaes:
c1x11 + c2 x12 + + cn x1n = 0
c1x 21 + c2 x 22 + + cn x 2 n = 0

c1x n1 + c2 x n 2 + + cn x nn = 0 .
Definido c = (c1 , c2 ,..., cn )T , o sistema pode ser escrito em forma matricial como Ac = 0 .
Essa equao tem uma soluo no trivial se, e somente se, a A
singular. Portanto, x1 , x 2 , , xn so linearmente dependentes se, e
somente se, A singular.
Podemos usar o teorema anterior para testar se n vetores so linearmente independentes em n . Basta formar a matriz A , cujas
colunas so os vetores a serem testados. Para determinar se A
ou no singular, basta calcular o valor do determinante de A . Se
det(A) = 0 , os vetores so linearmente dependentes. Se det(A) 0 ,
os vetores so linearmente independentes.

164

Voltando ao exemplo anterior, temos que:


1 3 2 0
1 1 1 1
det(A) =
=0
0 4 2 4
1 3 2 2
e ento os vetores so linearmente dependentes.
Na prtica, para determinar se um conjunto de vetores ou no
linearmente independente em n , precisamos resolver um sistema
homogneo de equaes lineares.
Exemplo 28. Determine se S = {1 + x, x + x 2 ,1 + x 2 } linearmente independente em P2 .
Soluo. Considere a seguinte combinao linear:
(1 + x) + ( x + x 2 ) + (1 + x 2 ) = 0 .
Reagrupando convenientemente os termos do lado esquerdo da equao, podemos escrever
( + ) + ( + ) x + ( + ) x 2 = 0
0 1 + 0 x + 0 x 2 = 0 .
Sabemos que um polinmio identicamente nulo quando todos os
seus coeficientes so zero. Assim, igualando os respectivos coeficientes das potncias de x , temos: + = 0 , + = 0 , + = 0 ,
que possui apenas a soluo trivial = = = 0 .
Logo, S linearmente independente.
Exemplo 29. Mostre que o conjunto de M 22 , formado por
1 1 1 0 1 2
S =
,
,
, um conjunto linearmente depen 0 3 2 1 6 9
dente e, em seguida, escreva um destes vetores como uma combinao linear dos outros.
Soluo. Considere a seguinte cominao linear nula
1 1
1 0
1 2 0 0

+
+
=
.
0 3
2 1
6 9 0 0
Esta equao equivalente ao sistema:

165
= 0
2 = 0
2 + 6 = 0
3 + + 9 = 0 ,
Ateno: verifique
essa soluo!

onde

soluo, sendo k arbitrrio.

Logo, S linearmente dependente. Por exemplo, se escolhermos


k = 1 , temos que:
1 1 1 0 1 2 0 0
2
3
+
=
,
0 3 2 1 6 9 0 0
e assim, podemos escrever
1 1
3 1 0 1 1 2

=
+
,
2 2 1 2 6 9
0 3
ou tambm
1 2
1 1 1 0

= 2
+ 3
,
6 9
0 3 2 1
ou ainda
1 0
2 1 1 1 1 2

=
+
.
3 0 3 3 6 9
2 1

Exerccios Propostos
1) Determine se os vetores dados so ou no linearmente independentes em 2 .
2 3
a) ,
1 2

1 1 2
d) , ,
2 2 4

2 4
b) ,
3 6

1 1
e) ,
2 1

2 1 2
c) , ,
1 3 4
2) Determine se os vetores so ou no linearmente independen3
tes em .
1 0 1
a) 0 , 1 , 0
0 1 1

2 2 4
d) 1 , 1 , 2
2 2 4

166

1 0 1 1
b) 0 , 1 , 0 , 2
0 1 1 3

1 0
e) 1 , 2
3 1

2 3 4

c) 1 , 2 , 2
2 2 4

3) Descreva geometricamente o espao gerado por cada um dos
seguintes vetores no exerccio 2.
4) Determine se os vetores dados so ou no linearmente independente em 22 .
1 0 0 1
a)
,

1 1 0 0
1 0 0 1 0 0
b)
,
,

0 1 0 0 0 1
1 0 0 1 2 3
c)
,
,

0 1 0 0 0 2
5) Determine se os vetores dados so ou no linearmente independentes em P3 .
a) 1, x 2 , x 2 2

c) x + 2, x + 1, x 2 1

b) 2, x 2 , x, 2 x + 3

d) x + 2, x 2 1

3.6 Bases e Dimenso


O conjunto de vetores S = {(1,1)T , (1, 1)T } gera 2 , isto , qualquer
vetor em 2 pode ser obtido como uma combinao linear de (1,1)T
e (1, 1)T .
O conjunto de vetores T = {(1,1)T , (1, 1)T , (1, 0)T } tambm gera 2 .
Os conjuntos S e T diferem entre si: S linearmente independente,
enquanto T linearmente dependente, o que faz diferena quando
escrevemos um vetor como uma combinao linear dos vetores de
cada um dos conjuntos.
Por exemplo, para escrevermos (2, 4)T em termos dos vetores de S ,
conseguimos de uma nica maneira: (2, 4)T = 3(1,1)T (1, 1)T .

167
Entretanto, em termos dos vetores de T , temos vrias possibilidades:
(2, 4)T = 3(1,1)T (1, 1)T + 0(1, 0)T
(2, 4)T = 0(1,1)T 4(1, 1)T + 6(1, 0)T
(2, 4)T = 4(1,1)T + 0(1, 1)T 2(1, 0)T
ou, em geral, (2, 4)T = (k + 4)(1,1)T + k (1, 1)T + (2 2k )(1, 0)T .
O ponto chave : se um conjunto de vetores gera V e esse conjunto
for linearmente dependente, ento a representao de um vetor x
em termos dos vetores desse conjunto no nica.
Para se ter unicidade, o conjunto gerador deve ser tambm linearmente independente. Um conjunto assim chamado de uma base
para V .
Em geral, considere a equao vetorial c1 v1 + c2 v 2 + + cn v n = v em
um espao vetorial V , onde c1 , c2 , , cn so as incgnitas. A existncia de solues para todo v V equivalente a ter V gerado pelos
vetores v1 , v 2 , , v n . Entretanto, a propriedade de independncia linear sobre v1 , v 2 , , v n garantir a unicidade da soluo.
Definio. Os vetores v1 , v 2 , , v n formam uma base para o espao
vetorial V se, e somente se, v1 , v 2 , , v n so linearmente independentes e geram V .
Assim, para determinar se um conjunto de vetores uma base para
V , suficiente verificar se o conjunto gera V e linearmente independente.
Exemplo 30. Mostre que o conjunto S = {(1, 2)T , (3, 1)T } uma base
para 2 .
Soluo. Devemos mostrar que S linearmente independente, o que
equivale a mostrar que (1, 2)T + (3, 1)T = (0, 0)T tem como nica
soluo = = 0 , ou que (1, 2)T + (3, 1)T = (a, b)T tem uma
nica soluo para qualquer (a, b)T .
Estas equaes podem ser escritas matricialmente (em sua forma aumentada) como:
1 3 a
1 3 0

e
.
2 1 b
2 1 0

168
Em vez de resolver ambos os sistemas separadamente, (por economia)
o resolvemos simultaneamente, trabalhando com uma matriz duplamente aumentada:
1 3 a 0

.
2 1 b 0
Escalonando, obtemos:
gereo

1 3
a
0

.
1 (b + 2a ) 7 0
0

independncia linear

Achamos, para gerao, que = (a + 3b) 7 , = (2a b) 7 e, para


independncia linear, que = = 0 . J que S linearmente independente e gera 2 , uma base para 2 .
Neste exemplo, os coeficientes da combinao linear so nicos para
um vetor (a, b)T dado. O que verdade, em geral.
Teorema. Seja S = {v1 , v 2 , , v n } uma base para um espao vetorial V . Seja v um vetor em V . Os coeficientes na representao
v = c1 v1 + c2 v 2 + + cn v n so nicos.
Prova. Suponhamos que temos duas representaes para v :
v = a1 v1 + a2 v 2 + + an v n e v = b1 v1 + b2 v 2 + + bn v n . Mostraremos que os coeficientes so iguais.
Para isto, formamos a soma v + ( v ) , que igual a 0 . Recombinando
os diferentes termos, obtemos
0 = v + ( v ) = (a1 b1 ) v1 + (a2 b2 ) v 2 + + (an bn ) v n .

Desde que S seja uma base com um conjunto de vetores linearmente


independentes, os coeficientes da combinao linear devem ser todos iguais a zero. Isto , a1 = b1 , a2 = b2 , , an = bn , os coeficientes da
combinao linear original so os mesmos.
Exemplo 31. Os vetores cannicos e1 = (1, 0, 0) , e 2 = (0,1, 0) e
e 3 = (0, 0,1) geram 3 e so linearmente independentes. Logo, o
conjunto {e1 , e 2 , e 3 } uma base para 3 . Este fato se estende naturalmente para os vetores cannicos de n .
Exemplo 32. Os monmios 1, t , , t n geram Pn e so linearmente
independentes. Logo, so uma base para Pn .

169

Exemplo 33. As seguintes igualdades:


a b
1 0 0 1 0 0
0 0
A=
= a
+ b
+ c
+d
= aE11 + bE12 + cE 21 + dE 22
c d
0 0 0 0 1 0
0 1
tm duas implicaes. Qualquer matriz 2 2 uma combinao linear de E11 , E12 , E 21 , E 22 . Se a combinao linear de E11 , E12 , E 21 , E 22
(com a, b, c, d como coeficientes) a matriz nula, ento todos os coeficientes de A (que so a, b, c, d ) devem ser zero.
A primeira implicao significa exatamente que M 22 gerado por
E11 , E12 , E 21 , E 22 e a segunda que E11 , E12 , E 21 , E 22 so linearmente independentes. Logo, {E11 , E12 , E 21 , E 22 } uma base para M 22 .
Em geral, seja E ij uma matriz m n , cujas entradas so todas iguais
a zero, exceto na entrada correspondente a i, j , que igual a um
para qualquer vetor b = (b1 , b1 , b1 )T . Ento, {E ij :1 i m, 1 j n}
uma base para M mn .
Exemplo 34. O sistema
3x1 + x2 x3 = 2
x1 x2 + x3 = 2
2 x1 + 2 x2 + x3 = 6
tem uma nica soluo (confira!). J que o nmero de linhas e colunas igual, sabemos que o sistema mais geral:
3 x1 + x2 x3 = b1
x1 x2 + x3 = b2
2 x1 + 2 x2 + x3 = b3
possui uma nica soluo para qualquer vetor b = (b1 , b1 , b1 )T (por
qu?). J que esse sistema a mesma coisa que a equao vetorial:
x1 (3,1, 2) + x 2 (1, 1, 2) + x 3 (1,1,1) = (b1 , b2 , b3 )

e isto implica que os vetores (3,1, 2) , (1, 1, 2) , (1,1,1) geram 3 ,


e a unicidade implica que os trs vetores so linearmente independentes. Conclumos, ento, que os trs vetores formam uma base
para 3 .

170

Os argumentos utilizados neste ltimo exemplo se aplicam, em geral, a conjuntos de vetores euclidianos. Uma base para n sempre
significa a existncia de n vetores linearmente independentes.
Se as colunas de uma matriz A formam uma base para n , ento A
deve ser uma matriz n n . Voc precisa de n vetores de n linearmente independentes para gerar todo n . interessante a seguinte
equivalncia:
Colunas de A formam uma base de n Ax = b tem uma
nica soluo para qualquer b .
Exemplo 35. Em muitas aplicaes, necessrio encontrar um subespao particular de um espao vetorial. Isto pode ser feito encontrando-se os elementos de uma base para o subespao. Por exemplo,
para encontrar todas as solues do sistema
x1 + x2 + x3 = 0
2 x1 + x2 + x4 = 0
1 1 1 0
precisamos encontrar o ncleo da matriz A =
, que o
2 1 0 1
subespao de 4 gerado pelos vetores:
1
1


1
2 e .
0
1


1
0
Como esses dois vetores so linearmente independentes, eles formam uma base para 4 .
T
T
T
Exemplo 36. Mostre que o conjunto S = {(1, 2) , (3, 1) , (1, 0) } no
uma base para 2 .

Soluo. O conjunto S linearmente dependente, j que, por exemplo, (1, 2)T + 2(3, 1)T 7(1, 0)T = (0, 0)T . Ento S no pode ser uma
base para 2 .
Comentrio. Apenas temos que mostrar que uma das condies
dadas na definio de base no satisfeita, neste caso a independncia linear.

171

Exemplo 37. O espao vetorial formado apenas pelo vetor zero no


possui uma base porque qualquer subconjunto de vetores, incluindo o vetor zero, linearmente dependente.
Para mostrar que nem todo espao possui uma base, precisamos decidir sob quais condies um espao vetorial dado possui uma base
ou no. O conceito de conjuntos de vetores geradores nos ajudar a
responder essa questo.
Teorema. Se S = {v1 , v 2 , , v n } um conjunto de vetores no nulos que
geram um subespao W de um espao vetorial V , ento algum subconjunto
de S uma base para W (que pode ser o prprio S ).
Prova. Se S for um conjunto linearmente independente, ento, por
definio, S uma base para W . Se S for linearmente dependente,
ento, no mnimo, um dos vetores pode ser escrito como uma combinao linear dos outros. Suponhamos que v n seja tal vetor (se no
for o caso, role os vetores em S at que isto seja verdade). Postulamos que S ' = {v1 , v 2 , , v n-1 } continua gerando W .
Para ver isto, seja um vetor x em W que escrevemos como:
x = c1 v1 + c2 v 2 + + cn 1 v n-1 + cn v n .

Agora, como v n = d1 v1 + d 2 v 2 + + d n 1 v n-1 ( o vetor que estamos


supondo ser uma combinao linear dos outros), substituindo na expresso anterior e remanejando a equao, temos:
x = (c1 cn d1 ) v1 + (c2 cn d 2 ) v 2 + + (cn 1 cn d n 1 ) .

Logo, S ' gera W .


Se S ' linearmente independente, S ' uma base de W . Se S '
linearmente dependente, um dos vetores de S ' uma combinao
linear dos outros.
Agora, podemos argumentar como antes e repetir o processo, eliminando vetores at encontrar fatalmente um conjunto linearmente
independente que gere W . (Se reduzirmos o conjunto a um nico
vetor, esse conjunto linearmente independente, j que S foi definido como um conjunto de vetores no nulos). O conjunto resultante
uma base para W .

172

Ento, temos um resultado fundamental:


Qualquer espao vetorial finito gerado por um conjunto de vetores no nulos possui uma base.

Exemplo 38. Seja V o conjunto de todos os polinmios munido com


as operaes usuais. O espao vetorial gerado V no finito. De fato,
se tomamos qualquer subconjunto finito S de V , ento haver um
termo de grau mximo, digamos t p , no conjunto. O polinmio t p +1
no est agora no espao gerado S , e ento S no pode gerar V .
Restringiremos o nosso estudo s bases de espaos vetoriais
finitos.
No Exemplo 36, mostramos que qualquer conjunto de trs ou mais
vetores de 2 no pode ser uma base para 2 . Esses vetores poderiam ser coplanares e formar um conjunto linearmente dependente.
Um conjunto de apenas um vetor (trs demais, um pouco) tampouco pode ser uma base para 2 , j que gera apenas uma reta atravs da origem. Podemos concluir, ento, que qualquer base para 2
deve conter exatamente dois vetores. Veja o seguinte teorema.
Teorema. Se S = {v1 , v 2 , , v n } uma base para V , ento qualquer conjunto de n + 1 (ou mais) vetores linearmente dependente, e ento, no
uma base para V . Por outro lado, qualquer conjunto de n 1 (ou menos)
vetores no suficiente para gerar V , e ento, no uma base para V .
Prova. i) Seja T = {c1w 1 + c2 w 2 + + cn w n + cn +1w n+1 } , isto , T
contm exatamente n + 1 vetores. Mostraremos que T no pode ser
uma base, evidenciando que T linearmente dependente. Para isso,
consideremos
c1w 1 + c2 w 2 + + cn w n + cn +1w n+1 = 0

(1)

Cada w k pode ser escrito como


w k = a1k v1 + a2 k v 2 + + ank v n , k = 1, 2, , n + 1 ,

desde que S gera V . Substituindo cada w k na equao (1), temos:


n +1
n
n
n +1

c
w
c
a
v
=
=

k
k
k jk j
a jk ck v j = 0 .
k =1
k =1
j =1
j =1 k =1

n +1

173
J que S linearmente independente.
n +1

a
k =1

c = 0 , j = 1, , n

jk k

Este um sistema de equaes homogneo que tem menos equaes


(n) que incgnitas (n + 1) ; de tal forma, existe uma soluo distinta
da trivial para c1 , c2 , , cn , cn +1 . Isto significa que T linearmente
dependente.
Agora, suponhamos que T contenha mais que (n + 1) vetores. Seja
T um subconjunto de (n + 1) vetores, que deve ser linearmente dependente (como acabamos de mostrar). Como T T , o conjunto T
contm um subconjunto linearmente dependente, e ento deve ser
linearmente dependente.
ii) Suponhamos agora que T contm n 1 vetores e gera V .
Ento, por um teorema anterior, T deve possuir uma base para V .
Se contm r vetores, devemos ter que r n 1 . J que uma
base e S tem r + 1 ou mais vetores, devemos concluir, levando em
considerao o item i, que S linearmente dependente. Isto contradiz o fato que S uma base.
Neste ponto, sabemos que um espao vetorial finito gerado por um
conjunto de vetores no nulos tem uma base e de dimenso finita.
O teorema diz que o nmero de vetores em uma base nico. Se
acharmos uma base S para V e S tiver sete vetores, ento qualquer
base dever ter sete vetores. Podemos ter infinitas bases para V ,
porm cada uma delas ter apenas sete vetores. Este fato nos leva a
definir a dimenso de um espao vetorial como sendo o nmero de
vetores que formam a base para V .
Definio. Se uma base S tem n vetores, a dimenso de V n ,
e escrevemos dim(V ) = n , e dizemos V de dimenso finita. Em particular, V chamado como um espao vetorial n -dimensional quando
a base para V tem n vetores.
A dimenso do espao vetorial contendo o vetor zero, unicamente,
est definida como sendo zero. Agora vamos aos exemplos. Estaremos interessados em determinar uma base e sua dimenso para
diferentes espaos vetoriais. Veja que o procedimento ser repetido

174

em cada caso: propor uma base (a partir de uma heurstica) e testar


gerao e independncia linear. Nos seguintes exemplos, mostramse as bases cannicas de diferentes espaos vetoriais.
Exemplo 39. Mostre que n tem a base (cannica) {e1 , e 2 ,..., en } ,
onde

e j = 0, ,

j esima
componente

, , 0 .

Soluo. Para testar gerao, consideremos qualquer vetor


x = ( x1 , x2 , , xn )T n e observemos que x = x1e1 + x2e 2 + + xn en .
Para testar independncia linear, consideremos a combinao linear nula c1e1 + c2e 2 + + cnen = 0 . Logo, encontramos que
c1 = c2 = = cn = 0 . Assim, {e1 , e 2 , , en } uma base para n ,
e dim( n ) = n .
natural associar a base cannica com alguns espaos que nos so
familiares:
1 um objeto unidimensional
2
um objeto bidimensional
3 um objeto tridimensional
Comentrio. Observando alguns dos exemplos anteriores, vemos que
existem diversas bases possveis para 2 . Em geral, para um espao
vetorial finito, no nulo, existe um nmero infinito de bases. Entretanto, o nmero de elementos, em qualquer uma dessas bases, sempre o mesmo, e lembre-se que este nmero a dimenso do espao.
Exemplo 40. Mostre que M 23 tem dimenso 6.
Soluo. A base cannica
1 0 0 0 1 0 0 0 1 0 0 0 0 0 0 0 0 0
S =
,
,
,
,
,
.
0 0 0 0 0 0 0 0 0 1 0 0 0 1 0 0 0 1
Assim, dim (M 23 ) = 6 , igual ao nmero de vetores em S .
Exemplo 41. O espao vetorial Pn , polinmios de grau n , tem dimenso n + 1 .

175

Soluo. Uma base S = {1, x, , x n } . Confiramos primeiro a independncia linear. A equao a01 + a1 x + + an 1 x n = 0 se satisfaz somente se o polinmio do lado esquerdo for zero para todo nmero
real x . E isto acontece somente se todos os coeficientes so nulos,
isto , somente se a1 = a2 = = an = 0 . Logo, S linearmente independente. Pode ser visto que S gera Pn pelo fato de que qualquer
polinmio em Pn da forma a01 + a1 x + + an 1 x n .
Agora que sabemos o que base de um espao vetorial, iremos
colocar o que se conhece como o segundo problema fundamental da
lgebra linear.

O Problema das Bases


Seja V um espao vetorial. O problema das bases (PB) pode ser colocado de duas maneiras:
Problema 1. Construir uma base para V , selecionando vetores de V .
Problema 2. Dado um conjunto S de vetores em V , construir uma
base para V acrescentando ou eliminando alguns (mas no todos)
vetores de S , ou algumas vezes ambas as coisas.
Antes de comear a resolver estes problemas, poderamos nos perguntar se h alguma garantia de que realmente exista resposta para
eles. Lembre-se do Teorema da pgina 172, que nos diz: jogue fora
os vetores dependentes para obter um conjunto gerador e assim obter uma base, o qual poder nos ajudar nesse momento.
Exemplo 42. (Problema 2 do PB). Seja S = {(1, 0,3)T , (2,1, 4)T }. Ache
uma base T para 3 que contenha S .
Soluo 1. J que 3 tem dimenso 3, sabemos que T deve conter
exatamente trs vetores. O conjunto S j linearmente independente,
assim, devemos acrescentar somente um vetor a este conjunto. O novo
vetor que juntaremos aos do conjunto S deve ser tal que o conjunto
T seja linearmente independente. Isto significa que o novo vetor no
deve pertencer ao espao gerado pelos vetores que j estavam em S .
Deixamos pra
voc conferir!

Ento, primeiro determinamos o espao gerado pelos vetores:


.

176

E agora o que devemos garantir que o novo vetor no seja da forma


( + 2 , ,3 + 4 )T .
Vejamos como fazer isto. Suponhamos que o nosT
so novo vetor seja x = (x1 , x2 , x3 ) , e foramos a equao
( + 2 , ,3 + 4 )T = ( x1 , x2 , x3 )T para no ter soluo para e
. Isto nos leva, resolvendo esse sistema, a escolher x , de tal forma
que x3 3x1 + 2 x2 0 , para conseguirmos ter um vetor que no pertena [(1, 0,3)T , (2,1, 4)T ] . Logo, (0,1, 0)T funciona (de fato, existem
infinitas escolhas), e ento o conjunto {(1, 0,3)T , (2,1, 4)T , (0,1, 0)T }
uma base para 3 .
Soluo 2. Se o terceiro vetor x = ( x1 , x2 , x3 )T fosse escolhido de tal
forma que {(1, 0,3)T , (2,1, 4)T , ( x1 , x2 , x3 )T } seja linearmente dependente, ento:
1
2
x1

0
1
x2

3
4 =0
x3

devido a uma das linhas ser uma combinao linear das outras. Como
o nosso propsito justamente o contrrio, se requerermos que
1
2
x1

0
1
x2

3
4 0,
x3

obtemos novamente x3 3x1 + 2 x2 0 , que a mesma condio obtida na Soluo 1.


Soluo 3. (Tentativa e erro)
Chutaremos como candidato ao terceiro vetor os vetores cannicos,
at que algum deles funcione. Tentaremos inicialmente com
e conferiremos a independncia linear. Para isso, formamos a seguinte
combinao linear nula:
(1, 0,3)T + (2,1, 4)T + (1, 0, 0)T = (0, 0, 0)T ,
o que nos leva a resolver
1 2 1 0 1 2 1 0

0 1 0 0 0 1 0 0 .
3 4 0 0 0 0 1 0

Ateno: Tente voc com


outro vetor cannico!

177

Nossa primeira tentativa teve sucesso, os vetores so linearmente independentes e formam a base {(1, 0,3)T , (2,1, 4)T , (1, 0, 0)T } .
Neste exemplo usamos implicitamente o seguinte teorema.

Teorema: Seja
e S = {v1 , v 2 ,..., v n } um subconjunto
de V. As seguintes afirmativas so equivalentes:
1) O conjunto S uma base para V,
2) O conjunto S linearmente independente,
3) O conjunto S gera V.

Observe que, se tivssemos disposto deste teorema, os exemplos


anteriores teriam sido resolvidos com a metade do trabalho. Seria
suficiente mostrar independncia linear.
Exemplo 43. (Problema 1 do PB). Ache uma base para o espao
soluo de:
x1 + x2 x3 + 2 x4 = 0
x2 + x3 x4 = 0
3 x1 + 4 x2 2 x3 + 5 x4 = 0 .
Soluo: Resolvendo o sistema, temos que x3 = , x4 = , e ento
.

Deixamos pra
voc conferir!

J que S = {(2, 1, 0,1)T + (3,1,1, 0)T } gera o espao soluo e linearmente independente, S uma base para o espao soluo.
Estes dois ltimos exemplos mostram que resolver o PB no segue
um procedimento padro ou a utilizao de uma frmula. Requer
habilidade, versatilidade e uma familiaridade com vrios conceitos
anteriores.
Exemplo 44. O conjunto
span( S ) = [(1, 1, 2)T , (0,5, 8)T , (3, 2, 2)T , (8, 2, 0)T ]
um espao vetorial. Ache uma base para esse espao.

178

Soluo. Devemos eliminar os vetores que so combinao linear dos


outros. Para descobrir essa dependncia, consideremos a seguinte
combinao linear:
a (1, 1, 2)T + b(0,5, 8)T + c(3, 2, 2)T + d (8, 2, 0)T = (0, 0, 0)T (1)(1)
Se escrevemos esse sistema em forma matricial e escalonamos por
linhas, temos:
1 0 3 8 0 1 0 3 8 0

1 5 2 2 0 0 1 1 2 0 .

2 8 2 0 0 0 0 0 0 0
As solues so d = d , c = c, b = c 2d , a = 3c 8d . Temos duas
variveis livres.
Escolhendo d = 1 , c = 0 , temos (8, 2, 0)T = 8(1, 1, 2)T + 2(0,5, 8)T .
Escolhendo d = 0 , c = 1 , temos (3, 2, 2)T = 3(1, 1, 2)T + (0,5, 8)T .
T
Logo, (8, 2, 0)T e (3, 2, 2)T dependem de (1, 1, 2)T e (0,5, 8) ,
e ento o span( S ) = [(1, 1, 2)T , (0,5, 8)T ] . A dimenso de S dois.
No exemplo anterior, as colunas da matriz aumentada que correspondem ao lado esquerdo da equao (1) so os vetores de S .
Alm disso, o nmero de linhas (duas) no nulas da forma escalonada igual dimenso do span( S ) .
Em geral, para problemas em n , como no caso do exemplo 43, contamos com a ajuda de um teorema. Observamos que, para uma matriz A , m n , se considerarmos as linhas como vetores de n , ento
o espao gerado por esses vetores chamado o espao linha de A .
Teorema. Se S = {v1 , v 2 , , v n } um conjunto de vetores de n e A a
matriz construda pondo v1 na linha 1, v 2 na linha 2, e assim por diante;
e se B a matriz que resulta reduzindo A forma escalonada por linhas,
ento as linhas no nulas de B formam uma base para o espao linha de A .
Isto , as linhas no nulas de B formam uma base para span( S ) .
v1T
T
v
Prova. Seja a matriz A = 2 .

T
vn
No processo de escalonar uma matriz por linhas, usamos as operaes
elementares por linhas. Lembrando do procedimento para realizar es-

179

sas operaes, temos que, se forem obtidas linhas de zeros, essas linhas devem ser combinaes lineares das outras linhas do conjunto.
As linhas restantes (no nulas) resultam das combinaes lineares dos
vetores linearmente independentes do conjunto original. Ento, o espao gerado pelas linhas no nulas o mesmo que o gerado por S .
Assim, as linhas no nulas, sendo independentes, formam uma base
para span( S ) e dim(span( S )) nmero de linhas no nulas.
Exemplo 45. Resolver novamente o Exemplo 43 usando o teorema
anterior.
Soluo. Construimos A e a escalonamos por linhas,
1 1 2
1 1 2


0 5 8 0 1 5
3 2 2
0

0 0

8 2 0 0 0
0

Pelo teorema, span( S ) = (1, 1, 2)T , 0,1, e


5

dim(span( S )) = 2 .

3.6.2 Mudana de Bases


Muitos problemas aplicados podem ser simplificados mudando-se
de um sistema de coordenadas para outro. Mudar sistemas de coordenadas em um espao vetorial , essencialmente, a mesma coisa
que mudar de base. Por exemplo, ao descrever o movimento de uma
partcula no plano muitas vezes conveniente usar uma base de 2
formada por um vetor tangente unitrio T e um vetor normal unitrio N , associado curva, em vez da base cannica {e1 , e 2 }.
Nesta seo, vamos discutir o problema de mudar de um sistema de
coordenadas para outro.
Vamos mostrar que isso pode ser feito multiplicando-se um vetor de
coordenadas dado x por uma matriz inversvel S .

180

O produto y = Sx vai ser o vetor de coordenadas para o novo


sistema.

3.6.3 Mudanas de Coordenadas em


A base cannica para 2 [e1 , e 2 ] . Qualquer vetor x em 2
pode ser escrito como uma combinao linear dessa base
x = ( x1 , x2 )T = x1e1 + x2e 2 .
Os escalares x1 e x2 so as coordenadas de x em relao base cannica. De fato, para qualquer base {u1 , u 2 } para 2 , um dado vetor
x pode ser representado de maneira nica como uma combinao
linear x = 1u1 + 2u 2 .
Os escalares 1, 2 so as coordenadas de x em relao base {u1 , u 2 } .
Vamos ordenar os elementos da base, de modo que u1 seja o primeiro vetor da base e u 2 seja o segundo, e vamos denotar a base ordenada por [u1 , u 2 ] . Podemos, ento, nos referir ao vetor ( 1 , 2 )T como
sendo o vetor de coordenadas de x em relao base {u1 , u 2 }.
T
T
Exemplo 46. Sejam u1 = (2,1) e u1 = (1, 4) . Os vetores so lineamente independentes, e portanto, formam uma base para 2 .
O vetor x = (7, 7)T pode se escrito como uma combinao linear
x = 3u1 + u 2 .

Logo, o vetor de coordenadas de x em relao a [u1 , u 2 ] (3,1)T .


Geometricamente, esse vetor no diz como sair da origem e chegar
ao ponto (7, 7) , movendo-nos primeiro na direo de u1 , e depois
na direo de u 2 .
O vetor de coordenadas de x em relao base ordenada [u1 , u 2 ]
(1,3)T . Geometricamente, esse vetor nos diz como sair da origem
e chegar a (7, 7) , movendo-nos primeiro na direo de u 2 , e depois
na direo de u1 .

181

7
3u1
u2

x
3u1

u2
u1
2

6 7

Figura 3.9 - Combinao linear

Uma vez decididos a trabalhar com uma nova base, temos o problema de encontrar as coordenadas em relao a essa nova base. Por
exemplo, em vez de usarmos a base cannica para o 2 , usarmos
uma base diferente,
3
1
u1 = , u 2 = .
2
1
De fato, podemos mudar nos dois sentidos entre os dois sistemas de
coordenadas. Vamos considerar os dois problemas seguintes:
1) Dada um vetor x = ( x1 , x2 )T , encontre suas coordenas em relao a u1 e u 2 .
2) Dado um vetor x = 1u1 + 2u 2 , encontre suas coordenadas em
relao a e1 e e 2 .
Vamos resolver o item 2 primeiro (mais fcil). Para mudar da base
[u1 , u 2 ] para a base [e1 , e 2 ] , precisamos expressar os elementos da base
antiga, u1 e u 2 , em termos dos elementos da nova base, e1 e e 2 .
u1 = 3e1 + 2e 2
u 2 = e1 + e 2 .
Temos, ento, que
1u1 + 2u 2 = (31e1 + 2 1e 2 ) + ( 2e1 + 2e 2 )
= (31 + 2 )e1 + (2 1 + 2 )e 2.

182

Logo, o vetor de coordenadas de 1u1 + 2u 2 em relao a [e1 , e 2 ]


3 + 2 3 1 1
3 1
x= 1
=
, definindo U = (u1 , u 2 ) =
.
+
2

2
1
2
1

2
1

2
Temos que, dado qualquer vetor de coordenadas = ( 1 , 2 )T em
relao a [u1 , u 2 ] , para encontrar o vetor de coordenadas x correspondentes em relao a [e1 , e 2 ] , basta multiplicar U e .

x =U

(1)

A matriz U chamada de matriz de mudana de base de [u1 , u 2 ]


para [e1 , e 2 ] .
Para resolver o problema 1, precisamos encontrar a matriz de mudana de base de [e1 , e 2 ] para [u1 , u 2 ] . A matriz U inversvel, j
que suas colunas so vetores linearmente independentes.
Da equao (1), temos que: = U 1x .
Logo, dado um vetor: x = ( x1 , x2 )T = x1e1 + x2e 2 , basta multiplic-lo por
U 1 para encontrar seu vetor de coordenadas em relao a [u1 , u 2 ]. U 1
[u1 , u 2 ] U 1 a matriz de mudana de base de [e1 , e 2 ] para [u1 , u 2 ] .
3
1
7
Exemplo 47. Sejam u1 = , u 2 e x = . Encontre as coordena 2
1
4
das de x em relao a [u1 , u 2 ] .
Soluo. Pela discusso precedente, a matriz de mudana de base de
3 1
[e1 , e 2 ] para [u1 , u 2 ] a inversa de U = (u1 , u 2 ) =
.
2 1
1 1 7 3
Logo, = U 1x =
= .
2 3 4 2
O vetor de coordenadas desejado x = 3u1 2u 2 .
Exemplo 48. Seja b1 = (1, 1)T e b1 = (2,3)T . Encontre a matriz de
mudana de base de [e1 , e 2 ] para [b1 , b 2 ] e determine as coordenadas de x = (1, 2)T em relao a [b1 , b 2 ] .
Soluo. A matriz de mudana de base de [b1 , b 2 ] para [e1 , e 2 ]
1 2
B = (b1 , b 2 ) =
.
1 3

183

Logo, a matriz de mudana de base de [e1 , e 2 ] para [b1 , b 2 ]


3 2
B 1 =
.
1 1
O vetor de coordenadas de x em relao a [b1 , b 2 ]
3 2 1 7
= B 1x =
= .
1 1 2 3

E, portanto, x = 7b1 + 3b2 .


s
Se S = 11
s21

s12
a matriz de mudana de base de uma base ors22

denada [ v1 , v 2 ] em 2 para outra base ordenada [u1 , u 2 ] , ento


v1 = 1v1 + 0 v 2 . O vetor de coordenadas de v1 em relao a [u1 , u 2 ]
s 1 s
s
dado por S1 = 11 12 = 11 .
s21 s22 0 s21

Analogamente, para v 2 , v 2 = 0 v1 + 1v 2 .
E seu vetor de coordenadas em relao a [u1 , u 2 ]
s 0 s
s
S 2 = 11 12 = 12 .
s21 s22 1 s22

dado por

Logo,
v1 = s11u1 + s21u 2
v 2 = s12u1 + s22u 2 .

(1)

Em geral, se os elementos da base antiga v1 e v 2 so escritos em


termos da nova base [u1 , u 2 ] , o vetor de coordenadas s1 = ( s11 , s21 )
correspondente a v1 a primeira coluna da matriz mudana de base
S e o vetor de coordenadas s 2 = ( s12 , s22 ) correspondente a v 2 a
segunda coluna de S . Logo, S a transposta da matriz de coeficientes em (1).
Exemplo 49. Encontre a matriz de mudana de base de [ v1 , v 2 ] para
[u1 , u 2 ] , onde
5
7
3
1
v 1 = , v 2 = , u1 = , u 2 = .
2
3
2
1
Soluo. Precisamos escrever v1 e v 2 em termos dos elementos da
nova base u1 e u 2 ,
v1 = s11u1 + s21u 2
v 2 = s12u1 + s22u 2 .

184
5 3s + s
A primeira equao pode ser escrita como = 11 21 .
2 2 s11 + s21
A soluo desse sistema ( s11 , s21 )T = (3, 4)T . Analogamente, a segunda equao nos leva ao sistema 7 = 3s12 + s22 , cuja soluo
2s + s
3 12 22
( s , s )T = (4, 5)T .
12

22

3 4
Portanto, S =
a matriz de mudana de base de [ v1 , v 2 ]
4 5
para [u1 , u 2 ] .
Um mtodo alternativo para mudar de uma base [ v1 , v 2 ] para outra base [u1 , u 2 ] mudar primeiro de [ v1 , v 2 ] para a base cannica
[e1 , e 2 ] e depois mudar para [u1 , u 2 ] .
Dado um vetor x 2 , se c o vetor de coordenadas de x em
relao a [ v1 , v 2 ] e d o vetor de coordenadas de x em relao a
[u1 , u 2 ] , ento
c1 v1 + c2 v 2 = x1e1 + x2e 2 = d1u1 + d 2u 2 .

Como V a matriz de mudana de base de [ v1 , v 2 ] para [e1 , e 2 ] e


U 1 a matriz mudana de base de [e1 , e 2 ] para [u1 , u 2 ] , tem-se que
Vc = x e U 1x = d .
E, portanto, U 1Vc = U 1x = d .
Logo , U 1V a matriz mudana de base de [ v1 , v 2 ] para [u1 , u 2 ] .
[v1,v2]

[e1,e2]
U1

U1V
[u1,u2]
Figura 3.10 - Mudana de base

Exemplo 50. Sejam [ v1 , v 2 ] e [u1 , u 2 ] as bases ordenadas do exemplo anterior. A matriz de mudana de base de [ v1 , v 2 ] para [u1 , u 2 ]
dada por:
1 1 5 7 3 4
U 1V =

=
.
2 3 2 3 4 5

185

3.6.4 Mudana de Base em um Espao Vetorial


Geral
Tudo que fizemos at agora pode ser generalizado facilmente para
qualquer espao vetorial de dimenso finita. Vamos comear definindo vetores de coordenadas em um espao vetorial de dimenso n .
Definio. Seja V um espao vetorial com base ordenada
E = [ v1 , v 2 , , v n ] . Se v um elemento qualquer de V , ento v pode
ser escrito na forma v = c1 v1 + c2 v 2 + + cn v n , na qual c1 , c2 , , cn so
escalares. Podemos associar, ento, a cada vetor v um nico vetor
c = (c1 , c2 ,..., cn )T em n. O vetor c , assim definido, chamado de
vetor de coordenadas de v em relao base ordenada E e denotado por [ v ]E . Os ci so as coordenadas de v em relao a E.
Os exemplos considerados at agora trataram apenas de mudanas
de coordenadas em 2 . Tcnicas anlogas podem ser usadas em
n , cujas matrizes de mudana de base sero n n .
Exemplo 51. Sejam
E = [ v1 , v 2 , v 3 ] = [(1,1,1)T , (2,3, 2)T , (1,3, 4)T ]
F = [u1 , u 2 , u 3 ] = [(1,1, 0)T , (1, 2, 0)T , (1, 2,1)T ] .
Encontre a matriz de mudana de base de E para F . Sejam
3
1


x = 3v1 + 2 v 2 v 3 e y = v1 3v 2 + 2 v 3 ou [x]E = 2 e [y ]E = 3 .
1
2


Determine as coordenadas de x e y em relao base ordenada F.
Soluo. Como no ltimo exemplo, a matriz mudana de base dada
por:
2 1 0 1 2 1 1 1 3

1
U V = 1 1 11 3 5 = 1 1 0 .
0 0 1 1 2 4 0 0 4

Os vetores de coordenadas de x e y em relao base ordenada F


so dados por:

186
1 1 3 3 8


[x]E = 1 1 0 2 = 5
0 0 1 1 3

1 1 3 1 8


[y ]F = 1 1 0 3 = 2 .
0 0 1 2 3


Voc pode verificar que
8u1 5u 2 + 3u 3 = 3v1 + 2 v 2 v 3
.

8u1 + 2u 2 + 3u 3 = v1 3v 2 + 2 v 2

Exemplo 52. Suponha que queremos mudar, em P2 , da base ordenada [1, x, x 2 ] para a base ordenada [1, 2 x, 4 x 2 2] .
Soluo. Como [1, x, x 2 ] a base cannica para P2 , mais fcil encontrar a matriz mudana de base de [1, 2 x, 4 x 2 2] para [1, x, x 2 ] .
Como

1 = 1 (1) + 0 ( x) + 0 ( x 2 )
2 x = 0 (1) + 2 ( x) + 0 ( x 2 )
4 x 2 2 = 2 (1) + 0 ( x) + 4 ( x 2 ) ,

a matriz mudana de base


1 0 2

S = 0 2 0 .
0 0 4

A inversa de S vai ser a matriz que muda da base [1, x, x 2 ] para a


base [1, 2 x, 4 x 2 2] ,
1 0 1 2

1
S = 0 1 2 0 .
0 0 1 4

Dado qualquer p (x ) = ax 2 + bx + c em P2 , para encontrar as coordenadas de p ( x) em relao a [1, 2 x, 4 x 2 2] , basta multiplicar


1 0 1 2 a a + c 2

0 1 2 0 b = b 2 .
0 0 1 4 c c 4

Logo, p ( x) = (c 4) ( x 2 ) + (b 2) ( x) + (a + c 2) (1) . Vimos que a matriz de mudana de base inversvel. De fato, podemos pensar em
qualquer matriz inversvel como uma matriz de mudana de base.

187
Em muitos problemas de aplicao, importante usar o tipo certo
de base para o caso em questo. Veremos, em lgebra Linear II, que
a chave para a resoluo de quadrados mnimos usar um tipo especial de base: a base ortonormal. Tambm vamos considerar um
nmero de aplicaes envolvendo autosistemas (autovalores e autovetores) associados a uma matriz n n . A chave para resolver esse
tipo de problema mudar para uma base para n , formada pelos
autovetores da matriz.

Exerccios Propostos
1) Indique se os vetores dados no Exerccio 1 da pgina 165 formam ou no base para 2 .
2) Indique se os vetores dados no Exerccio 2 da pgina 165 formam ou no uma base para 3 .
2
4
7
3) Considere os vetores x1 = , x 2 = , x 3 =
1
3
3
a) Mostre que x1 e x 2 formam uma base para 2 .
b) Por que x1 , x 2 , x 3 tm que ser linearmente dependente?
c) Qual a dimenso de [{x1 , x 2 , x 3 }] ?
3
3
6



4) Considere os vetores x1 = 2 , x 2 = 2 , x 3 = 4 . Qual a di 4
4
8



menso de [{x1 , x 2 , x 3 }] ?
2
3
2



5) Considere x1 = 1 , x 2 = 1 , x 3 = 6
3
4
4



a) Mostre que x1 , x 2 , x 3 so linearmente dependentes.
b) Mostre que x1 , x 2 so linearmente independentes.
c) Qual a dimenso de [{x1 , x 2 , x 3 }] ?
d) Descreva geometricamente [{x1 , x2 , x3 }] .
6) Alguns dos conjuntos do exerccio 2 da pgina 145 e 146 formam subespaos de 3 . Em cada um desses casos, encontre
uma base para o subespao e determine sua dimenso.

188
7) Encontre uma base para o subespao S de 4 formado por
todos os vetores da forma (a + b, a b + 2c, b, c)T , onde a , b , c
so nmeros reais. Qual a dimenso de S ?
8) Considere os vetores x1 = (1,1,1)T e x 2 = (3, 1, 4)T .
a) x1 e x 2 geram 3 ? Explique.
b) Seja x 3 um terceiro vetor em 3. Defina X = {x1 , x 2 , x 3 } .
Que condio (ou condies) X tem que satisfazer para que
x1 , x 2 , x 3 formem uma base para 3 ?
c) Encontre um terceiro vetor x 3 que estenda o conjunto
{x1 , x 2 } a uma base para 3 .
1
2
1
2
1





9) Os vetores x1 = 2 , x 2 = 5 , x 3 = 3 , x 4 = 7 , x 5 = 1 geram
2
4
2
4
0





3 .
Retire algum (ou alguns) elemento de {x1 , x 2 , x 3 , x 4 , x 5 } de
modo a obter uma base para 3 .
10) Seja S o subespao de P3 formado por todos os polinmios da
forma ax 2 + bx + 2a + 3b . Encontre uma base para S .
11) Alguns dos conjuntos do exerccio 3 da pgina 146 formavam
subespaos de 22 . Em cada um desses casos, encontre uma
base para o subespao e determine sua dimenso.
12) Para um dos itens a seguir, encontre a matriz que corresponde
mudana de base [u1 , u 2 ] para a base [e1 , e 2 ] .
a) u1 = (1,1)T , u 2 = (1,1)T
b) u1 = (1, 2)T , u 2 = (2,5)T
c) u1 = (0,1)T , u 2 = (1, 0)T
13) Para cada uma das bases coordenadas [u1 , u 2 ] no exerccio 1,
encontre a matriz mudana de base de [e1 , e 2 ] para [u1 , u 2 ] .
14) Sejam v1 = (3, 2)T e v 2 = (4,3)T para cada uma das bases ordenadas [u1 , u 2 ] no exerccio 1, encontre a matriz mudana de
base de [ v1 , v 2 ] para [u1 , u 2 ] .

189
15) Seja E = [(5,3)T , (3, 2)T ] e sejam x = (1,1)T , y = (1, 1)T e
z = (10, 7)T . Encontre os vetores de coordenadas [x]E , [y ]E e
[ z ]E .
16) Sejam u1 = (1,1,1)T , u 2 = (1, 2, 2)T e u 3 = (2,3, 4)T .
a) Encontre a matriz mudana de base de [e1 , e 2 , e 3 ] para
[u1 , u 2 , u 3 ] .
b) Encontre as coordenadas de cada um dos vetores a seguir,
em relao a [u1 , u 2 , u 3 ] .
i) (3, 2,5)T

ii) (1,1, 2)T

iii) (2,3, 2)T

17) Sejam v1 = (4, 6, 7)T , v 2 = (0,1,1)T e v 3 = (0,1, 2)T e sejam u1 , u 2


e u 3 os vetores dados no exerccio 16.
a) Encontre a matriz mudana de base de [ v1 , v 2 , v 3 ] para
[u1 , u 2 , u 3 ] .
b) Se x = 2v1 + 3v 2 4 v 3 , determine as coordenadas de x em
relao a [u1 , u 2 , u 3 ] .
1
2
3 5
18) Considere v1 = , v 2 = , S =
. Encontre vetores
1 2
2
3
w 1 e w 2 tais que S a matriz mudana de base de [w 1 , w 2 ]
para [ v1 , v 2 ] .
2
1
4 1
19) Considere v1 = , v 2 = , S =
. Encontre vetores u1
6
4
2 1
e u 2 , tais que S a matriz mudana de base de [ v1 , v 2 ] para
[u1 , u 2 ] .

3.7 Subespaos Associados a Matrizes


e Computao de Bases
Formalizaremos alguns dos conceitos colocados em sees anteriores, acrescentando outros subespaos associados com uma matriz.
Definio. Seja A uma matriz m n .
1) O espao nulo de A , espnul ( A) o subespao de n que consiste nas solues do sistema linear homogneo Ax = 0 .

190

2) O espao linha de A , esplin( A) o subespao de n gerado


pelas linhas de A .
3) O espao coluna de A , espcol ( A) o subespao de m gerado
pelas colunas de A .
n
4) O espao nulo esquerda espnul ( AT ) o subespao de que
consiste nas solues do sistema linear homogneo A T x = 0 .

Os quatro espaos definidos acima so classificados os espaos


fundamentais da matriz A .

3.7.1 Uma Base para o Espao Nulo


Exemplo 53. O espao nulo da matriz
1 3 2 0

1 1 1 1
A=
0 4 2 4

1 3 2 2

0
3

est formado por todas as solues do sistema homogneo Ax = 0 .


Reduzindo esta matriz a sua forma escalonada por linhas, temos:
1

0
0

0 1 2 0 1 4

1 12 0 14
.
0 0 1 12

0 0 0
0

Daqui, fica fcil derivar as solues do sistema homogneo:


1
1
x1 = x3 x5
2
4
1
1
x 2 = x3 x5
2
4
x 3 qualquer um
1
x 4 = x5
2
x 5 qualquer um .

Logo, espnul ( A) consiste de vetores da forma:

191

1

1
x3 x5

x1 2 4


1
x2 x3 x5
4
x = x3 = 2 4 = x3 2 + x5
= x u + x5 v .
0 3

x4 x5
1
0
x

2

5

2
x5

0
1
J que x 3 e x 5 so arbitrrios, temos que espnul ( A) = span{u, v} .
Alm disso, os seguintes argumentos mostram que u e v so linearmente independentes. Para ter x3u + x5 v = 0 , a terceira e a quinta
coordenadas devem ser nulas, isto , x3 = x5 = 0 . Em conseqncia,
u e v formam uma base de espnul ( A) .
O que temos feito neste exemplo se aplica ao caso mais geral. Podemos esboar um procedimento para achar a base do espao nulo.
Definio. Chamamos a nulidade de A a dimenso do espao nulo
de A , isto , nulidade de A = dim(espnul ( A)) .
Para o exemplo anterior, a dim(espnul ( A)) = 2 .
Se a soluo geral de Ax = 0 x = c1 v 2 + c2 v 2 + + ck v k , onde
c1 , c2 , , ck so as variveis livres, temos que v1 , v 2 , , v k formam
uma base para espnul ( A) .
As bases dos ncleos das transformaes lineares podem ser achadas de uma maneira similar a nulidade. Isto um assunto a ser
tratado no prximo captulo.

3.7.2 Uma Base para o Espao Linha


A partir do seguinte teorema, teremos um procedimento padro
para determinar a base do espao linha de uma matriz.
Teorema. Duas matrizes equivalentes por linhas tm o mesmo espao linha.
Logo, a forma escalonada por linhas de uma matriz fornece-nos o
espao linha.

192

Do exemplo anterior, temos que a forma escalonada por linhas:


1

0
0

0 1 2 0 1 4

1 12 0 14
.
0 0 1 12

0 0 0
0

Logo, como os vetores linha (no nulos) so linearmente independentes, formam uma base e

0
1
0
0
1 0


esplin( A) = span 1 , 1 , 0 .
2
2
1

0
0

1 1 1
4 4 2
Definio. O posto de uma matriz A , posto( A) , a dimenso de seu
espao linha.
No exemplo anterior, temos que dim(esplin( A)) = posto( A) = 3 .

3.7.3 Uma Base para o Espao Coluna


Exemplo 54. O espao coluna da matriz
1 3 2 0

1 1 1 1
A=
0 4 2 4

1 3 2 2
gerado pelos cinco vetores
por linhas, temos:
1

A=
0

0
3

coluna. Levando forma escalonada


3
2
0
0

2 0
1 1
0 2
0 0

0
.
1

J que [col 3] e [col 5] no tm piv, a [col 5] uma combinao linear


de [col 1] e [col 4], e a [col 3] a uma combinao linear de [col 1] e
[col 2], temos que o espao coluna de A:

193

Col[A] = span{[col 1], [col 2], [col 3], [col 4], [col 5]}
= span{[col 1], [col 2], [col 3], [col 4]}
= span{[col 1], [col 2], [col 4]}.
Por outro lado, se mantemos apenas [col 1], [col 2], [col 4], ento
1 3 0

1 1 1 ,
0 4 4

1 3 2
cuja forma escalonada
1

0
0

3 0

2 1
,
0 2

0 0

onde todas as colunas possuem piv. Ento, j que essas trs colunas
so linearmente independentes e geram col( A), conclumos que
1 3 0

1 1 1
espcol ( A) = span , , .
0 4 4
1 3 2
O que temos neste exemplo pode ser aplicado a qualquer matriz.
1) As colunas sem piv so combinao linear das colunas que
a precedem. Assim, elas podem ser eliminadas sem afetar o
espao coluna.
2) As colunas com piv so linearmente independentes.
E nos conduz a um procedimento padro para determinar uma
base para o espao coluna. Para uma matriz A, as colunas pivs de
A formam uma base de espcol ( A) .
Frisamos que so as colunas de A , e no as colunas da forma escalonada por linhas, que formam a base.
Veja como este teorema se
aplica no exemplo anterior,
comparando as dimenses
dos espaos envolvidos.

Teorema. Seja A uma matriz m n , ento a dimenso do espao linha


igual dimenso do espao coluna.

194

3.8 Espaos Linha/Coluna e os


Sistemas Lineares
Os conceitos de espao linha e espao coluna so teis no estudo de
sistemas lineares. O sistema Ax = b pode se escrito na forma
a11 x1 + a12 x2 + + a1n xn
a11
a12
a11
a11 x1 + a12 x2+ + a1n xn a11 a12
a11

a
x
+
a
x
+
+
a
x
a
a
a


2n n
21
21 a
++ax2 n2 xn 22 +
a21
x1 + a=22xx12+
a+
a
Ax = 21 1 22 2
21 x
22
n


= x1
+ x2
+ + xn 21
Ax = b


am 2
am1

m1
am1 x1 + am 2 x2 + +aamnxxn+a x +a

+ amn xn
m1 1 m 2 2
am1
am 2
am1
b1

b
= x1a1 + x2 a 2 + + xn a n = 2 .


bm

Segue-se que o sistema Ax = b compatvel se, e somente se, b pode


ser escrito como uma combinao linear dos vetores colunas de A .
Temos, ento, as seguintes caracterizaaes de sistemas compatveis:
Ax = b compatvel se, e somente se, b pertence ao espao
coluna de A.
Fazendo b = 0 , temos que Ax = 0 , ento temos:
O sistema Ax = 0 tem apenas a soluo trivial x = 0 se, e
somente se, os vetores colunas de A so linearmente independentes.
Podemos inferir que, para uma matriz n n :
Uma matriz A inversvel se, e somente se, os vetores colunas de A formam uma base para n.
Se A uma matriz m n , ento a soma do posto de A com a nulidade de A igual a n .
posto( A) + dim(espnul ( A)) = n .

195

Exemplo 55. O espao coluna de


1 3 2 0

1 1 1 1
A=
0 4 2 4

1 3 2 2

0
a
3

gerado pelos cinco vetores coluna. Os cinco vetores geradores podem ser simplificados utilizando as operaes elementares por coluna para produzir a forma escalonada por colunas:
1

1
B=
0

0 0
1 0
2 1
0 1

0
0
0
0

0
.a
0

J que as colunas nulas no contribuem para gerar o espao, temos:


espcol ( A) = espcol ( B ) = span (primeiras trs colunas de B ).
Alm disso, as trs primeiras colunas de B so linearmente independentes. Logo, as colunas no nulas de B so:
[col 1] de B = (1, 1, 0,1)
[col 2] de B = (0,1, 2, 0)
[col 3] de B = (0, 0,1, 1)
e formam uma base de espcol ( A) . Agora espcol ( B) = espcol ( A) .
O que temos feito pode ser aplicado a qualquer matriz A . Em resumo, temos:
1) Se B a forma escalonada de A , ento espcol ( B) = espcol ( A) .
Ateno: frisamos que
so as colunas da forma
escalonada por colunas as
que determinam esta base,
e no as colunas de A.

2) As colunas no nulas de B so linearmente independentes e


geram col( B) .
Para uma matriz A , as colunas no nulas da forma escalonada
por colunas formam uma base para espcol ( B ) .
Sugesto. Refaa o exemplo 55 utilizando esta tcnica.

196

Exerccios Propostos
1) Para cada uma das matrizes a seguir, encontre uma base para
o espao linha, uma base para o espao coluna e uma base
para o ncleo.
1 3 2
a) 2 1 4
4 7 8

1 3 2 1
c) 2 1 3 2
3 4 5 6

3 1 3 4
b) 1 2 1 2

3 8 4 2

2) Em cada um dos itens a seguir, determine a dimenso do su3


bespao de gerado pelos vetores dados.
2 3
, 3
2
4 6

1 2

2, 3
3 1

1
a) 2 ,
2

1

b) 1 ,
1

1
c) 1 ,
2

2
,
2
4

3

2 ,
5

2

1
3

1 2 2 3 1 4
3) Seja A = 2 4 5 5 4 9 .
3 6 7 8 5 9

a) Calcule a forma escalonada reduzida por linhas U de A .


Quais os vetores colunas de U que correspondem s variveis livres? Escreva cada um desses vetores colunas como
uma combinao linear dos vetores colunas correspondentes s variveis lderes.
b) Quais os vetores colunas de A que correspondem s variveis
lderes de U ? Esses vetores colunas formam uma base para o
espao coluna de A. Escreva cada um dos vetores colunas de
A como uma combinao linear dos vetores dessa base.
4) Para cada uma das escolhas de A e b a seguir, determine se
b pertence ao espao coluna de A e diga se o sistema Ax = b
ou no compatvel.

197

1 2
4
a) A =
, b =
2 4
8
3 6
1
b) A =
, b =
1 2
1
2 1
4
c) A =
, b =
3 4
6

1
d) A = 1
1

e) A = 1
0

1 2
1
,

1 2 b = 2
3
1 2

1
2

0 , b = 5

2
1

1 2
5

f) A = 2 4 , b = 10
1 2
5

5) Para cada um dos sistemas compatveis no Exerccio 4, examine


os vetores colunas da matriz de coeficientes para determinar
se o sistema tem uma soluo ou uma infinidade de solues.
6) Quantas solues o sistema Ax = b vai ter se b pertencer ao
espao coluna de A e se os vetores colunas de A forem linearmente independentes? Explique.
7) Seja A uma matriz m n com m > n . Seja b m e suponha
que espnul ( A) = {0} .
a) O que voc pode concluir sobre os vetores colunas de A?
Eles so linearmente independentes? Eles geram m ?
Explique.
b) Quantas solues o sistema Ax = b vai ter se b no pertencer ao espao coluna de A? Quantas solues o sistema vai
ter se b pertencer ao espao coluna de A? Explique.
8) Sejam A e B matrizes 6 5. Se dim(espnul ( A)) = 2 , qual o posto de A ? Se o posto de B for 4, qual vai ser a dim(espnul ( B)) ?

Resumo
O conceito e as principais propriedades dos espaos vetoriais foram
definidos e desenvolvidos ao longo deste captulo.
Alguns, tais como E n (espao euclidiano, n -dimensional), foram
obtidos como generalizaes diretas de espaos de duas e trs dimenses; entretanto, outros, tais como espaos dos polinmios, das
funes, ou das matrizes, surgiram por problemas que aparecem

198

em clculo, equaes diferenciais e na matemtica aplicada. No


obstante que, nos exemplos, cada um dos conjuntos considerados
tenha diferente natureza, os espaos de dimenso finita tm caractersticas comuns, tais como as propriedades, a estrutura dos subespaos, bases, dimenso, etc.
O problema da determinao da base de um espao vetorial poder
ser visto como um dos problemas fundamentais da lgebra linear.
A compreenso deste conceito se tornar extremamente importante quando for discutido o problema de diagonalizao das matrizes. Sua importncia prtica encontra-se na anlise de problemas
aplicados.
O teorema fundamental deste captulo garantiu a existncia de uma
base para todo espao de dimenso finita. De fato, a prova demonstrou que uma base pode ser construda por qualquer conjunto de
vetores que gerassem V .
Para uma base dada, a representao de um vetor x em V nica;
os coeficientes da combinao linear de vetores da base so chamados as coordenadas de x nessa base.
As bases ortonormais tm boas propriedades, que sero exploradas
na disciplina lgebra Linear II.
As bases para um espao vetorial no so nicas. Se forem dadas
duas bases para um mesmo espao vetorial V e para um vetor x
que est em V , as coordenadas de x, em relao a ambas as bases,
esto relacionadas pela matriz de mudana de base. As matrizes de
mudana de base sero usadas nas representaes de funes importantes, chamadas transformaes lineares.
Em Clculo, foi necessrio introduzir a estrutura dos nmeros reais
antes de desenvolver o conceito de uma funo (domnios e imagens
eram subconjuntos de ).
J que as aplicaes lineares que estudaremos no prximo captulo
possuem seus respectivos domnios e imagens como sendo espaos
vetoriais, os assuntos estudados neste captulo so indispensveis
para introduzir o conceito de transformao linear.

Tpicos que sero estudados


futuramente.

199

Bibliografia Comentada
LAY, David C. lgebra linear e suas aplicaes. 2. ed. [S.l]: LTC, [200-?].
O texto fornece uma introduo elementar e moderna da lgebra linear
e algumas de suas aplicaes interessantes, acessvel a alunos com a
maturidade que dois semestres completos de matemtica em nvel de terceiro
grau, em disciplinas de clculo em geral, lhes conferem. O objetivo ajudar
os alunos a dominar os conceitos e habilidades bsicos que usaro mais
tarde em suas carreiras. Os tpicos escolhidos seguem as recomendaes
do Linear Algebra Curriculum Study Group, que, por sua vez, baseiamse em uma cuidadosa pesquisa sobre as necessidades reais dos alunos e
em um consenso entre os profissionais dos muitos campos que usam a
lgebra Linear.

POOLE, David. lgebra linear. So Paulo: Pioneira Thomson


Learning, 2004.
Este livro foi estruturado de forma bastante flexvel, com a preocupao
central de que a lgebra linear constitua um assunto estimulante o suficiente
e de fcil aprendizado, tornando-a mais acessvel ao estudante. Escrito
de forma clara, direta e objetiva, aborda temas como Vetores, Matrizes,
Autovalores e Autovetores, Ortogonalidade, Espaos Vetoriais, e Distncia
e Aproximao. A apresentao de conceitos-chave com antecedncia, a
nfase em vetores e geometria e os inmeros exerccios e exemplos que
reforam o fato de a lgebra Linear ser uma ferramenta valiosa para a
modelagem de problemas da vida real consistem no principal diferencial
deste livro. A apresentao de pequenos esboos biogrficos de muitos dos
matemticos que contriburam para o desenvolvimento da lgebra Linear
outro diferencial, valorizando a histria da matemtica.

STEVE, Leon J. lgebra linear com aplicaes. 4. ed. [S.l.]: LTC, [200-?].
Este livro apropriado para alunos que tenham conceitos bsicos de matrizes
e tenham passado por um curso de Geometria Analtica. O estudante deve
estar tambm familiarizado com as noes bsicas de Clculo Diferencial
e Integral. Esta nova edio, ao mesmo tempo que mantm a essncia
das edies anteriores, incorpora uma srie de melhorias substanciais: Conjunto de Exerccios Computacionais em cada Captulo; - Mais Motivao
Geomtrica; - Nova Aplicao Envolvendo Teoria dos Grafos e Redes; Motivao Adicional para a Definio de Determinantes; - A seo sobre
Mudana de Base foi transferida para o Cap. 3; - Revises Importantes na
seo sobre Espaos Munidos de Produto Interno; - A seo sobre Normas
Matriciais foi transferida para o Cap. 7; - Nova Aplicao: Aproximao de
Funes por Polinmios Trigonomtricos; - Revises no Cap. 6.

Captulo 4
Transformaes Lineares

202

Captulo 4
Transformaes Linares
Este captulo tem como objetivos principais introduzir a
noo de transformao linear e mostrar as relaes que
existem entre as transformaes lineares e as matrizes.

Comeamos introduzindo a definio de transformao linear e


apresentando exemplos que ilustram os efeitos geomtricos de algumas transformaes no plano. A seguir, mostramos a associao
que existe entre matrizes e transformaes lineares, isto , que toda
transformao linear T de um espao vetorial V de dimenso n
num espao vetorial W de dimenso m pode ser representada por
uma matriz Amn . Esta ltima ideia nos permite considerar a relao
entre as diferentes matrizes que representam o mesmo operador linear. Em muitas aplicaes desejvel uma base especfica de modo
que a matriz que representa a transformao linear seja diagonal ou
tenha alguma outra forma simples.

4.1 Introduo
Uma transformao linear uma aplicao que leva vetores de um
espao vetorial em outro espao vetorial.
Denotaremos uma transformao linear como T : V W , onde T
a transformao linear (uma aplicao, mapeamento, funo, etc.) de
V em W , onde V (um espao vetorial) o domnio e W (um espao
vetorial) o contradomnio. Para x m , o vetor T (x) m chamado de imagem de x (sob a ao de T).
x

(x)

Figura 4.1 - Domnio, contradomnio e imagem de T : n m

204

J encontramos uma ferramenta matemtica que nos permitiu converter vetores. Se considerarmos a matriz Amn e x n , ento fazendo o produto Ax obtemos um novo vetor y m, definido como
y = Ax.
Multiplicao por A

y=Ax
Multiplicao por A

Figura 4.2 - Transformando vetores via multiplicao de matrizes

Definio. Sejam V e W dois espaos vetoriais. Uma Transformao Linear (TL) uma funo de V em W que satisfaz as seguintes
condies:
1) Quaisquer que sejam u e v em V , T (u + v ) = T (u) + T ( v ) ;
2) Quaisquer que sejam e u em V , T ( v ) = T ( v ) ;
3) Ou equivalentemente (1) e (2) podem ser resumidas com
, T ( u + v ) = T (u) + T ( v ) .

u
V

T (u)
v
u+v
u

T (v)
T (u+v) = T(u)+T(v)
T (u) = T(u)

Figura 4.3 - Definio de uma Transformao Linear

Observamos da definio que uma TL preserva as operaes de


adio entre vetores e a multiplicao por escalar.

205

Exemplo 1. Seja V = W = , isto , T : , onde a transformao


est definida como T ( x) = x .
Essa transformao pode ser considerada das mais elementares: T
simplesmente a funo linear f ( x) = x e, neste caso, os vetores de
V e W so escalares. Temos que:
T (u + v ) = T ( x + y ) = ( x + y ) = x + y = T ( x) + T ( y ) = T (u) + T (v ) e
T ( u) = T ( x) = x = ( x) = T ( x) = T (u) ,
que verificam as condies de TL.
O nome transformao linear certamente foi inspirado nesse caso
em que V = W = ; o grfico de f ( x) = x uma reta passando pela
origem.
Exemplo 2. Consideremos V = 2 e w = 3 e T : 2 3 definida
como: ( x, y ) (2 x, 0, x + y ) ou T ( x, y ) (2 x, 0, x + y )
Dados u , v 2 , com u = ( x1 , y1 ) e v = ( x2 , y2 ).
Usaremos a definio para determinar se T uma transformao
linear.
1) T = (u + v ) = T ( x1 , y1 ) + ( x2 , y2 ) =
= T ( x1 , x2 , y1 , y2 ) =
= (2( x1 , x2 ), 0, ( x1 , x2 ) + ( y1 , y2 )) =
= (2 x1 , 0, x1 , x2 ) + 2( x2 , 0, x2 + y2 ) =
T = ( x1 , y1 ) + T ( x2 , y2 ) =
T = (u) + T ( v )
Assim, a primeira condio satisfeita. Continuando, iremos conferir a segunda condio.
T ( u) =
= T ( ( x, y ) =

206
= T ( x, y ) =
= (2 x, 0, x + y ) =
= T ( x + y ) =
= T (u)
Esta tambm satisfeita, ento T uma transformao linear.
Contraexemplo. A aplicao T : , T ( x) = x 2 no uma transformao linear, pois T ( x + y ) = ( x + y ) 2 = x 2 + 2 xy + y 2 e por outro
lado T ( x) + T ( y ) = x 2 + y 2.
Portanto, T uma transformao linear desde que
T ( x + y ) T ( x) + T ( y ).

4.1.1 Transformaes Lineares do Plano no Plano


Agora iremos apresentar uma viso geomtrica das TL, dando alguns exemplos de transformaes no plano, isto , transformaes
do tipo T : 2 2 . Voc ver assim que uma expanso, por exemplo, uma rotao e certas deformaes podem ser descritas por
transformaes lineares.
x2

x1
Figura 4.4 - O quadrado unitrio

a) Expanso (ou Contrao Uniforme)


Uma expanso (dilatao) ou contrao (compresso) uma TL do
tipo T = (u) = ku, k .

207
x 2x
Exemplo 3. Considere a transformao T (x) = 2x = 2 1 = 1 ,
x2 2 x2
para todo x 2.
Como T (x + y) = 2(x + y) = 2x + 2y = T (x) + T (y) e
T ( x) = 2( x) = (2x) = T (x) , assim temos uma TL. Podemos pensar no efeito que T produz, como esticando cada vetor por um
fator de 2, isto , modificando apenas o mdulo.
Expanso ou contrao horizontal

( x1, x2 )T (kx1 , x2 )T

0<k<1

k >1

Expanso ou contrao vertical

( x1, x2 )T ( x1 , kx2 )T

0<k<1

k >1
Figura 4.5 - Expanses e contraes

b) Projeo (sobre o eixo OX )


Exemplo 4. Seja a TL definida por T = (x) = x1e1 .
x
1 x
Se x = 1 , temos T = (x) = x1 = 1 .
0 0
x2

208
Temos uma transformao linear que projeta todos os vetores do
plano sobre o eixo das abscissas.
Projeo no eixo x1 do vetor ( x1 , x2 )T ( x1 , x2 )T ( x1 , 0)T
Projeo no eixo x2 do vetor ( x1 , x2 )T ( x1 , x2 )T (0, x2 )T
x2

x2

x1

x1
Projeo no eixo x2

Projeo no eixo x1

Figura 4.6 - Projees do quadrado unitrio

c) Reflexes

Em relao ao eixo OX

Exemplo 5. Considere a aplicao definida por T = (x) = ( x1 , x2 )T


para todo x 2 .
Este operador reflete um vetor x em relao ao eixo das abscissas.
( x1 , x2 )T ( x1 , x2 )T
x2

x2

x1
1

1
Reflexo no eixo x1

Reflexo no eixo x2

Figura 4.7 - Reflexes

x1

209

Em relao origem
Exemplo 6. A aplicao definida por T (x) = ( x1 , x2 )T para todo
x 2 inverte os vetores em torno da origem.
( x1 , x2 )T ( x1 , x2 )T
x2
1
x1

1
Reflexo em relao
origem
Figura 4.8 - Reflexo em relao origem

Em relao reta y = x ( x2 = x1 )
A aplicao definida por T (x) = ( x2 , x1 )T para todo x 2 inverte
os vetores em torno da reta y = x .
( x1 , x2 )T ( x2 , x1 )T
x2

x2
1

x2= x1

x1
x2= x1

x1

Reflexo na reta x2= x1

Reflexo em relao reta x2= x1

Figura 4.9 - Reflexo em relao s retas x2 = x1 e x2 = x1

210

d) Rotaes
O operador T (x) = ( x2 , x1 )T roda cada vetor x 2 em 90 em
torno da origem, no sentido anti-horrio.
Podemos encontrar uma aplicao que generaliza o caso anterior: a rotao de um vetor em um ngulo qualquer (com o
sentido de rotao predeterminado). A transformao pode ser
conseguida considerando as seguintes relaes:
y1 = r cos( + ) = r (cos cos sen sen) .

Porm, r cos = x1 e r sen = x2 .


Ento, y1 = x1cos x2sen .
Analogamente,
y2 = r sen( + ) = r (sen sen + cos cos ) = x2 cos + x1sen .

x x cos x2 sen
Logo, a aplicao T (x) = 1 = 1
descreve a rotao
x2 x1 sen + x2 cos
de um vetor em um ngulo (nesse caso, no sentido anti-horrio).
sen
cos
cos
sen

Figura 4.10 - Rotao anti-horria em um ngulo

Se considerarmos o caso particular com = , obteremos como re2


sultado novamente T (x) = ( x2 , x1 )T .

211

e) Cisalhamento Horizontal
x + ax2
O cisalhamento horizontal dado pela relao T (x) = 1
.
x2
Ele consiste na modificao da primeira coordenada do vetor
x
x= 1 .
x2
Cisalhamento horizontal

x2

x2

x1

x1

Cisalhamento vertical

x2

x2

x1

x1

Figura: 4.11 - Cisalhamentos

f) Translao

a
Considere o vetor a = 1 e a seguinte aplicao:
a2
x +a
T ( x) = x + a = 1 1 .
x2 + a2
Esta no uma transformao linear a no ser que a seja o vetor
nulo.

212

De fato:
( x + y ) + a1
T (x + y ) = 1 1

( x2 + y2 ) + a2
x +a y
= 1 1 + 1
x2 + a2 y2
= T ( x) + y T ( x) + T ( y ) .

Logo veremos que o uso de uma propriedade das TL simplificar a demonstrao desse ltimo exemplo. (Antecipando: a
imagem do vetor nulo deve ser o vetor nulo).

4.1.2 Transformaes Lineares de

em

Exemplo 7. A aplicao T : 2 3 definida por T (x) = ( x2 , x1 , x1 + x2 )T


linear, pois
T (x + y ) = ( x2 + y2 , x1 + y1 , x1 , y1 , x2 , y2 )T
= ( x2 , x1 , x1 + x2 )T + ( y2 , y1 , y1 + y1 )T
e

= T ( x) + T ( y )
T ( x ) = ( x2 , x1 , x1 , + x2 )T
= ( x2 , x1 , x1 , + x2 )T
= T ( x ) .

Este exemplo nos permite introduzir uma relao entre matrizes e


transformaes lineares.
Se definirmos a matriz A como
temos:

, ento, com x 2

x2
0 1
x1

Ax = 1 0 = x1 = ( x2 , x1 , x1 + x2 )T = T (x) .

x2 x + x
1 1
1 2
Em geral, se A uma matriz m n , podemos definir um Operador
linear T : n m por T (x) = Ax, x n .

Como apareceu essa ltima


matriz? No se preocupe,
logo estudaremos uma
tcnica para encontrar esse
tipo de matrizes, isto ,
matrizes que representam
transformaes lineares. E,
a seguir, veremos que toda
transformao linear tem
uma matriz associada e
vice-versa.

213

De fato,

T ( x + y ) = A( x + y )
= Ax + Ay
= T (x) + T (y )

Podemos, ento, considerar cada matriz Amn como um operador


linear de n em m .
Vimos no exemplo anterior que o operador poderia ter sido definido
em termos de uma matriz.
Voltemos a reconsiderar as transformaes no plano mencionadas
anteriormente, agora como sendo definidas atravs de matrizes:
Expanso
2 x1
2 0 x1
T ( x) = 2 x =
ou T (x) = Ax =

0 2 x2
2 x2
Projeo
x
1 0 x1
T (x) = x1e1 = 1 ou T (x) = Ax =

0 0 x2
0
Reflexes
x
1 0 x1
T (x) = 1 ou T (x) = Ax =

0 1 x2
x2
x1
1 0 x1
e T ( x) =
ou T (x) = Ax =

0 1 x2
x2
Rotaes
x
0 1 x1
T (x) = 2 ou T (x) = Ax =
e
1 0 x2
x1
x1 cos x2 sen
cos sen x1
T ( x) =
ou T (x) = Ax =

sen cos x2
x1 sen + x2 cos

214

Cisalhamento Horizontal
x + ax2
1 a x1
T ( x) = 1
ou T (x) = Ax =

0 1 x2
x2
k 0
Considere a seguinte matriz (sendo k um escalar): A =
.
0 k
Se T (x) = Ax , ento teremos:
uma dilatao se k > 1;
a identidade se k = 1;
uma contrao se 0 < k < 1;
a transformao nula se k = 0 .
Se V um espao vetorial, ento o operador identidade definido
por T (x) = Ix = x . (onde I a matriz identidade). E, desse modo, o
operador leva V em si mesmo.
Reconhecer que uma TL pode ser definida por meio de uma matriz
nos permitir resolver facilmente vrias questes prticas e tericas.
Consideremos uma matriz A mn e a transformao definida como
T (x) = Ax, x n . Se u e y so vetores de n e um escalar, temos
que:
T ( u + y ) =
=
=
=

A( u + y )
A( u) + Ay
Au + Ay
T (u) + T (y ) .

E assim provamos que T (x) = Ax uma TL.


Para obter essas matrizes foi utilizado um procedimento heurstico, surgido da experincia adquirida quando realizamos
produto de matrizes, o que foi possvel devido ao fatp de os espaos e as matrizes resultantes serem de dimenso pequena.

215

Exerccios Propostos
1) Mostre que cada uma das aplicaes seguintes uma transformao linear de 2 em 2 . Descreva geometricamente o que
cada uma delas faz.
1
a) T (x) = ( x1 , x2 )T
d) T (x) = x
2
b) T (x) = x1
e) T (x) = x2e 2
c) T (x) = ( x2 , x1 )T
2) Seja L a transformao linear de 2 em si mesmo definida
por T (x) = ( x1 cos x2sen , x1sen + x2 cos )T . Expresse x1 , x2
e T (x) em coordenadas polares. Descreva geometricamente o
efeito dessa transformao linear.
3) Seja a um vetor fixo no-nulo em 2 . Uma aplicao da forma
T (x) = x + a chamada de translao. Mostre que uma translao no uma transformao linear. Ilustre geometricamente
o efeito de uma translao.
4) Determine se as transformaes de 3 em 2 a seguir so ou
no lineares.
a) T (x) = ( x2 , x3 )T

c) T (x) = (1 + x1 , x2 )T

b) T (x) = (0, 0)T

d) T (x) = ( x3 , x1 + x2 )T

5) Determine se as transformaes de 2 em 3 a seguir so ou


no lineares.
a) T (x) = ( x1 , x2 ,1)T

c) T (x) = ( x1 , 0, 0)T

b) T (x) = ( x1 , x2 , x1 + 2 x2 )T

d) T (x) = ( x1 , x2 , x12 + x2 2 )T

6) Determine se as transformaes de nn em nn a seguir so


ou no lineares.
a) T ( A) = 2 A

c) T ( A) = A + 1

b) T ( A) = AT

d) T ( A) = A AT

7) Determine se as transformaes de P2 em P3 a seguir so ou


no lineares.
a) T ( p ( x)) = xp ( x)

216

b) T ( p ( x)) = x 2 + px
c) T ( p ( x)) = p ( x) + xp ( x) + x 2 p '( x)
8) Seja {v1 , v 2 , , v n } uma base para um espao vetorial V e sejam T1 e T2 duas transformaes lineares de V em um espao
vetorial W . Mostre que, se T1 ( v i ) = T2 ( v i ) para cada i = 1, 2, , n ,
ento T1 = T2 [isto , mostre que T1 ( v ) = T2 ( v ) para todo v V ].
9) Seja T uma transformao linear de 1 em 2 e seja a = T (1) .
Mostre que T ( x) = ax para todo x 1 , a 2 .

4.2 Operaes com Transformaes


Lineares
4.2.1 Soma, Multiplicao por Escalar,
Composio e Inversa
Se aceitarmos que h uma correspondncia entre matrizes e transformaes lineares, possvel indagar sobre as correspondncias
entre as operaes indicadas nas colunas da seguinte tabela.
Matriz

Transformao linear

Multiplicao por escalar: c A

Soma de matrizes: A + B

Produto de matrizes: A B

Inversa de matrizes: A1

As duas primeiras equivalncias podem ser respondidas com


facilidade. Sabemos que de Ax temos que (c A)x = c( A x) e
( A + B)x = Ax + Bx , o que nos induz a introduzir as seguintes
definies:
Para a transformao linear T : n m e o escalar c, a multiplicao por escalar cT est definida como (cT )(x) = c(T (x)) .
E tambm para as transformaes lineares T , S : n m, a adio T + S est definida pela expresso (T + S )(x) = T (x) + S (x).

217

Exemplo 8. Seja T e S uma reflexo em torno do eixo das abscissas e


uma rotao de 90 graus no sentido anti-horrio no plano R 2, respectivamente. A figura seguinte ilustra o efeito da soma T + S .
y
S(x)

)
+S

(T

(x)

x
x
T(x)

Figura. 4.12 - Soma de transformaes

A expresso para a soma


(T + S )(x) = T (x) + S (x) = ( x1 , x2 )T + ( x2 , x1 )T = ( x1 , x2 , x1 , x2 )T .
O que corresponde em termos matriciais a:
rotao
reflexo

1
0
0
1 x1 1 1 x1 x1 x2

+
=
=
0 1 1 0 x2 1 1 x2 x1 x2

Para responder questo qual a operao entre as transformaes


lineares que corresponde ao produto de matrizes?, teremos de ser
um pouco mais cuidadosos.
Se T : m n e S : n p so duas transformaes lineares,
podemos aplicar T e depois S para formar a composta das duas
transformaes, que denotamos por S T . Note que para que S T
faa sentido, o contradomnio de T e o domnio de S devem ser o
mesmo (neste caso n ), e a transformao resultante S T vai do
domnio de T ao contradomnio de S , (neste caso S T : m p ).
A figura mostra esquematicamente como essa composta funciona.
A definio formal da composta de transformaes pode ser obtida lembrando da definio correspondente da composta de funes ordinrias.

218

Figura 4.13 - A composta de transformaes

Claro que gostaramos que S T tambm fosse uma TL. Podemos


demonstrar isso verificando que (a composta de transformaes) satisfaz a definio de transformao linear (TL) (o que ser feito na
prxima seo), mas, como no momento assumimos que transformaes lineares podem ser definidas por meio de matrizes, usaremos esse fato para prov-lo.
Teorema. Sejam T : m n e S : n p duas transformaes lineares e sejam Apn e Bnm as respectivas matrizes de S e T . Ento
S T : m p uma transformao linear e suas matrizes so relacionadas por C pm = Apn Bnm , onde C pm a matriz de S T .
Demonstrao. Se v m , aplicando consecutivamente T e S , temos: T ( v ) n e S (T ( v )) = ( S T )( v ) p .
Assim, temos que:

( S T )( v ) = S (T ( v )) = S ( Bv ) = A( Bv ) = ABv = Cv
Onde A e B so as respectivas matrizes das transformaes S e T .
E ento definir uma nova transformao linear, digamos R : m p
como R( v ) = Cv .
Agora tambm podemos dizer que a matriz da composta o produto das matrizes e para as transformaes lineares T : m n
e S : n p , a composio de S com T est definida como
( S T )( v ) = S (T ( v )) .

Exemplo 9. Considere novamente o exemplo anterior onde


T (x) = ( x1 , x2 )T e S (x) = ( x2 , x1 )T e calculemos S T e T S .
Soluo. ( S T )(x) = S (T (x)) = S ( x1 , x2 )T = ( x2 , x1 )T ou em forma
matricial

219
rotaa

reflexo

0 1 1 0 x1 0 1 x1 x2
( S T )(x) =

=
=
1 0 0 1 x2 1 0 x2 x1

Calculemos agora T S
(T S )(x) = T ( S (x)) = T (( x2 , x1 )T = ( x2 , x1 )T ou
reflexo

rotaa

1 0 0 1 x1 0 1 x1 x2
(T S )(x) =

=
=
0 1 1 0 x2 1 0 x2 x1

A definio da composio de transformaes lineares nos permitir introduzir com facilidade a noo de transformao inversa e completar a equivalncia que fizemos anteriormente.
Considere uma rotao de 90 no sentido horrio em torno da origem,
seguida por uma rotao de 90 no sentido anti-horrio, que denotamos por R90 e R90 , respectivamente. Sem dvida, isso deixa inalterado
qualquer vetor de 2 . Podemos expressar esse efeito atravs de uma
composio de R90 com R90 como ( R90 R90 )( v ) = v .
J definimos uma transformao linear que chamamos identidade
I ( v ) = v de n em n , que possui essa caracterstica. Assim, podemos escrever para este caso em particular I ( v ) = ( R90 R90 )( v ) = v .
Duas transformaes que esto relacionadas desse modo so chamadas de transformaes inversas.
Definio. Considere T e S como transformaes lineares de n em
n . Ento, T e S so transformaes inversas se S T = T S = I .
J que nessa definio h uma simetria na relao T e S , dizemos
que, quando essa situao ocorre, S a inversa de T e T a inversa
de S . Alm disso, dizemos que T e S so inversveis.
Em termos de matrizes, se considerarmos Ann e Bnn as respectivas
matrizes de S e T , vemos imediatamente que, se T e S so transformaes lineares inversas, tais que ( S T )(x) = ABx = Ix = x .
Precisamos ter tambm (T S )(x) = BAx = Ix = x (Verificar!). Isso
mostra que A e B so matrizes inversas.

220

E mostra algo mais: se uma transformao linear T inversvel, sua


matriz cannica tem de ser inversvel, e j que matrizes inversas so
nicas, isso significa que a inversa de T tambm nica. Portanto,
podemos usar a notao de T 1 para nos referirmos inversa de
T . Dessa forma, podemos reescrever as equaes anteriores como
(T 1 T )(x) = B 1 Bx = x = BB 1x = (T T 1 )(x) , a qual mostra que a matriz de T 1 ( B 1 ) a matriz inversa de T ( B 1 ) . Acabamos de provar
o teorema a seguir.
Teorema. Se B uma transformao inversvel, ento sua matriz cannica tambm inversvel e
.

L-se: a matriz da
transformao inversa
a inversa da matriz da
transformao original

Exemplo 10. Determine se a projeo sobre o eixo das abscissas


uma TL inversvel.
1 0
Soluo. A matriz cannica dessa projeo
, a qual no
0 0
inversvel, portanto uma projeo no inversvel. Esse um fato
curioso. Tentemos entender: uma projeo leva (esmaga) todos os
vetores de 2 sobre o eixo x ,
x
T (x) = x1e1 = 1 , x 2 .
0
Para desfazer esse efeito, ou seja, recuperar x = ( x1 , x2 )T precisaramos de uma transformao que leve ( x1 , 0)T para x = ( x1 , x2 )T .
No entanto, existem infinitos candidatos para serem a imagem de
( x1 , 0)T sob essa hipottica transformao inversa, j que no temos
como determinar x2 no vetor imagem para cada ( x1 , 0)T no domnio
de T 1 .
x
1 0 x1
T (x) = x1e1 = 1 ou T (x) = Ax =
.
0
0 0 x2

4.2.2 Transformaes Lineares em Espaos de


Funes
Nos dois exemplos seguintes so usados conceitos de Clculo Diferencial e Integral.
Exemplo 11. Seja o operador derivada de uma funo real f ,
, definida por D( f ) = f ' .

C 1 [a,b] e C [a,b] so
os espaos das funes
com primeira derivada
contnua e das funes
contnuas no intervalo [a,b],
respectivamente.

221

D uma TL, uma vez que


D( f + g ) = ( f + g ) '
= f '+ g '
= D( f ) + D( g ) .
Exemplo 12. Seja T : C[a, b] uma aplicao definida por
b

T ( f ) = f ( x) dx .
a

Se f e g so dois vetores em C[a, b] , ento


b

T ( f + g ) = ( f + g )( x) dx
a

= f ( x) dx + g ( x) dx
= T ( f ) + T ( g ).
T uma TL.
Exemplo 13. Sejam V = Pn , W = Pn +1 espaos de polinmios de grau
n e n + 1 , respectivamente, e a aplicao T : Pn Pn +1 definida por:
T ( p ( x)) = xp ( x) = a0 x + a1 x 2 + + an x n +1 .
Sejam p ( x) e q ( x) vetores de Pn e k um escalar, temos que:
T (kp ) = x(kp )( x) = x(kp ( x)) = kxp ( x) = kT ( p ) e
T ( p + q) = x( p + q)( x) = x( p( x) + q ( x)) = xp ( x) + xq ( x) = T ( p ) + T (q )
Portanto T uma TL.
Exemplo 14. Seja V = C () = { f : / f contnua} . Considere a
aplicao J : C () , onde J ( f ) = f (0) . Com k um escalar, temos:
J ( f + g ) = ( f + g )(0) = f (0) + g (0) = J ( f ) + J ( g ) e
J (kf ) = (kf )(0) = kf (0) = kJ ( f )
e assim J uma TL.

222

Exemplo 15. Seja V = W = Pn , T : Pn Pn e considere a transformao


T ( p ( x)) = p (ax + b) = a0 + a1 (ax + b) + a2 (ax + b) 2 + + an (ax + b) n .
Agora temos
T (kp ) = (kp )(ax + b) = k ( p (ax + b)) = kT ( p ) e
T ( p + q) = ( p + q)(ax + b) = p(ax + b) + q(ax + b) = T ( p) + T (q)
Portanto, T uma TL.
Observao. Note que para provar que estas transformaes so
lineares foram utilizadas propriedades das funes contnuas e
derivveis.
Nas prximas sees sero estabelecidos teoremas, propriedades e alguns resultados que daro uma estrutura muito til
sobre as transformaes lineares.

4.2.3 Propriedades das Transformaes Lineares


Se T uma TL de um espao vetorial V e um espao vetorial W ,
isto , T : V W , temos que:
i) T (0v ) = 0 w (onde 0v e 0 w so os vetores nulos de V e W , respectivamente)
Prova. Esta afirmao segue-se da condio T ( u) = T (u) com
= 0 . Podemos resumir esta propriedade desta maneira: toda transformao linear leva o vetor nulo no vetor nulo.
ii) T ( 1u1 + 2u 2 + ... + nu n ) = 1T (u1 ) + 2T (u 2 ) + ... + nT (u n ) .
Prova. Esta afirmao pode ser provada facilmente usando induo
matemtica.
Veja que esta igualdade bvia para k = 1 , j que T ( 1u1 ) = 1T (u1 )
porque T uma TL. Suponha agora que verdadeira para k :

Com esta propriedade fica


mais fcil verificar que uma
translao no uma TL.
Se T(0) 0, T no uma
TL. Mas, cuidado! T(0) = 0
no suficiente para que T
seja uma TL. Encontre um
contra-exemplo!

223

T ( 1u1 + 2u 2 + ... + k u k ) = 1T (u1 ) + 2T (u 2 ) + ... + k T (u k ) .


E agora queremos provar para k + 1 . Somando k +1T (u k +1 ) a ambos
da ltima igualdade, obtemos:

T ( 1u1 + 2u 2 + ... + k u k ) + k +1T (u k +1 ) = 1T (u1 ) + 2T (u 2 ) + ... + k T (u k ) + k +1T (u k +1 ).


O lado direito j est da forma que queremos. Usando novamente
as condies de TL no termo da esquerda conseguimos escrever esta
igualdade da forma:

T ( 1u1 + 2u 2 + ... + k u k + k +1u k +1 ) = 1T (u1 ) + 2T (u 2 ) + ... + k T (u k ) + k +1T (u k +1 )


que era o que queramos provar. A transformao de uma combinao linear de vetores igual combinao linear dos vetores transformados.
Exemplo 16. Determinar qual a transformao linear T de 2 3,
tal que T = (e1 ) = (2, 1, 0)T e T = (e 2 ) = (0, 0,1)T .
x
Seja x = 1 = x1e1 + x2e 2 um vetor arbitrrio. Pela aplicao da trans x2
formao que estamos procurando sobre este vetor e usando a propriedade anterior temos:

T ( x) = T ( x1e1 + x2e 2 )
= x1T (e1 ) + x2T (e 2 )
= x1 (2, 1, 0)T + x2 (0, 0,1)T
= (2 x1 , x1 , x2 )T.
Exemplo 17. Sejam V = M 22 (espao das matrizes quadradas 2 2)
e W = P4 (espao dos polinmios de grau 4). Qual a transformao
linear T : M 22 P4 , tal que:
1 0
4
T
=x +x

0 0
0 1
3
2
T
=x +x

0 0
0 0
2
3
T
=x +x

1 0
0 0
4
T
= x+x

0 1

224

a b
Uma matriz A M 22 da forma A =
e pode ser escrita
c d

como
a b
1 0
0 1
0 0
0 0
c d = a 0 0 + b 0 0 + c 1 0 + d 0 1 ,

portanto:
a b
1 0
0 1
0 0
0 0
T
+b
+c
+d
=T a

0 0
1 0
0 1
c d
0 0
1 0
0 1
0 0
0 0
=T a
+T b
+T c
+T d

0 0
0 0
1 0
0 1
0 0
1 0
0 1
0 0
= aT
+ bT
+ cT
+ dT

0 0
0 0
1 0
0 1
= a ( x 4 + x ) + b( x 3 + x 2 ) + c ( x 2 + x 3 ) + d ( x + x 4 )
= (a + d ) x + (b + c) x 2 + (b + c) x3 + (a + d ) x .4
Logo, para todo vetor v M 22 (este vetor representa uma matriz), a
nossa transformao fica definida como
T (v) = (a + d ) x + (b + c) x 2 + (b + c) x3 + (a + d ) x 4 ,
um polinmio de grau 4.
iii) T (u) = T (u)
Prova. Para provar esta propriedade observe que:

0 w = T (0v ) = T (u + (u)) = T (u) + T (u)


O que significa que T (u) o inverso aditivo de T (u) , isto ,
T (u) = T (u) .
Exemplo 18. Uma transformao linear importante aquela que se
obtm usando-se o produto escalar. Seja o espao n com o produto escalar usual .,. e v 0 n um vetor qualquer prefixado. Seja a
aplicao T : n definida por T ( v ) = v 0 , v . Mostraremos que
uma TL utilizando as propriedades do produto escalar. Verifiquemos as condies das transformaes lineares. Sejam v, w n e k
um escalar, temos que:

225

T (kv ) = v 0 , kv = k v 0 , v = kT ( v ) e
T ( v + w ) = v 0 , ( v + w ) = v 0 , v + v 0 , w = T ( v) + T (w )

assim, o produto escalar uma TL.

4.2.4 Composio de Transformaes Lineares


Em uma seo anterior,
definimos a composio
de transformaes lineares
por matrizes. A definio se
estende de maneira natural
para TL em geral.

Definio. Se T : U V e S : V W so transformaes lineares, a


composio de S com T a aplicao que denotamos por S T (lse S composta com T ) definida por ( S T )(u) = S (T (u)) , onde u
um elemento de U . Observe que S T uma aplicao de U em W .
Note tambm que, para a definio fazer sentido, a imagem de T
deve estar contida no domnio de S .
Exemplo 19. Sejam duas transformaes lineares definidas por:
T : 2 P1 , T (a) = a1 + (a1 + a2 ) x
S : P1 P2 , S ( p ( x)) = xp ( x)

Encontre ( S T )(a) .
Soluo.
( S T )(a) = S (T (a) = S (a1 + (a1 + a2 ) x) = x(a1 + (a1 + a2 ) x) = a1 x + (a1 + a2 ) x 2
Teorema. Se T : U V e S : V W so transformaes lineares, ento
T : U W uma transformao linear.
Demonstrao. Sejam u e v em U e um escalar, iremos
conferir as condies de TL usando o fato de que S e T so transformaes lineares:

( S T )(u + v) = S (T (u + v))
= S (T (u) + T ( v))
= S (T (u)) + S (T ( v))
= ( S T )(u) + ( S T )( v )
( S T )( v ) = S (T ( v ))
= S ( T ( v ))
= S (T ( v ))
= ( S T )( v )

226

As propriedades algbricas das transformaes lineares espelham as das transformaes matriciais, as quais, por sua vez, esto relacionadas com as propriedades algbricas das matrizes. Por
exemplo, a composio das transformaes lineares associativa.
Para ver isto, considere as seguintes transformaes lineares R ,
S e T , ento R ( S T ) = ( R S ) T , desde que essas composies
faam sentido.

4.3 A Imagem e o Ncleo de uma


Transformao Linear
Definio. Seja T : V W uma transformao linear e seja S um
subespao de V ( S V ). A imagem de S , denotada por T ( S ) o
conjunto de vetores w W tais que existe um vetor v W , que satisfaa T ( v ) = w . Ou seja
Im(T ) = T ( S ) = {w W / T ( v ) = w para algum v S } W.

A imagem de todo o espao vetorial V (quando S = V ), Im(T (V )) ,


chamada de imagem de T .
Definio. Seja T : V W uma transformao linear. O conjunto
de todos os vetores v V em que T ( v ) = 0 chamado ncleo de T ,
sendo denotado por Ker(T ) . Isto ,

Ker(T ) = {v V / T ( v) = 0 w } V .
fcil ver que Ker(T ) um subconjunto de V e que, se S um subespao qualquer de V , ento Im(T ( S )) um subconjunto de W .
Imagem

Domnio

Contradomnio

Ncleo

Ncleo um
subespao de V

Imagem um
subespao de W

Figura 4.14 - Subespaos associados a uma transformao linear

A palavra kernel derivada do termo cyrnel, do


ingls antigo, uma forma
da palavra corn, que significa gro. Tal como um
gro, o kernel de uma
transformao linear o
seu ncleo, no sentido de
carregar muitas informaes sobre propriedades
importantes da transformao.

227

Teorema. Se T : V W uma transformao linear e S um subespao


de V , ento:
Ker(T ) um subespao de V
Demonstrao. Vamos mostrar que o ncleo de V fechado sob as
operaes de adio e multiplicao por escalar.
Seja v Ker(T ) , isto , T ( v ) = 0 w , e um escalar, ento:

T ( v ) = T ( v ) = a0 w = 0 w v Ker(T ).
Por outro lado, se
T ( v 2 ) = 0 w , ento:

v1 , v 2 Ker (T ) , isto , T ( v1 ) = 0 w

T ( v1 + v 2 ) = T ( v1 ) + T ( v 2 ) = 0 w + 0 w = 0 w v1 + v 2 Ker(T ).

Im(T ( S )) um subespao de W
Demonstrao. A demonstrao semelhante anterior. Se
w Im(T ( S )) , ento w = T ( v ) para algum v S .
Para qualquer escalar , temos w = T ( v ) = T ( v ). Como v = S ,
aw = Im(T ( S )) e T ( S ) fechado sob a multiplicao por escalar.
Se w1 , w 2 Im(T ( S )) , existem v1 , v 2 V tais que T ( v1 ) = w1 e
T ( v 2 ) = w 2 . Logo, w1 + w 2 = T ( v1 ) + T ( v 2 ) = T ( v1 + v 2 ) e Im(T ( S ))
fechado sob a adio.

Exemplo 20. Seja a transformao T : 2 2 definida por


x
T ( x) = 1 .
0
Um vetor x pertence ao ncleo de T se e somente se x1 = 0, isto ,
x 0
T (x) = 0 1 = x1 = 0.
0 0
Logo, os vetores de Ker(T ) tm primeira componente nula,
0
x = = 0e1 + x2e 2 = x2e 2 , ento Ker(T ) o subespao unidimen x2
sional de 2 gerado por e 2 .

228

Escrevendo y = T (x) , o vetor y estar na imagem de T se e somente


se y um mltiplo de x1 , isto ,
x
y = T (x) = 1 y = x1e1 + 0e2 = x1e1.
0
Logo, Im(T ) = T ( 2 ) = e1 o subespao unidimensional de 2 gerado por e1 .
Exemplo 21. Seja T : 3 2 a transformao linear definida por
T (x) = ( x1 + x2 , x2 +x3 )T .
O ncleo de T pode ser determinado impondo a condio
T (x) = 0 ( x1 + x2 , x2 +x3 )T = (0, 0)T
ou equivalentemente, x Ker(T ) se e somente se
x1 + x2 = 0
( x1 + x2 , x2 + x3 )T = (0, 0)T
.
x2 + x3 = 0
A soluo deste sistema est dada (fazendo a varivel livre x3 = a )
por todos os vetores de 3 da forma a (1, 1,1)T .
Logo, Ker(T ) = {x 3 / x = a (1, 1,1)T , a } .
Agora passemos a determinar a imagem, que deve ser um subespao
x1 + x2
1
1
0
de 2 . Se y Im(T ) , ento y =
= x1 + x2 + x3 .
0
1
1
x2 + x3
Ento os vetores da imagem so gerados pela combinao linear dos
1 1 0
vetores , , , que geram todo 2 , logo Im(T ) = 2 .
0 1 1
Exemplo 22. Seja T : 3 3 a projeo ortogonal sobre o plano
x1 x2 , T (x) = ( x1 , x2 , 0)T .
Temos que ( x1 , x2 , 0)T = (0, 0, 0)T x1 = 0, x2 = 0 . Como nada
dito sobre a varivel x3 , temos que x3 qualquer; logo,
Ker(T ) = {x 3 / x = a (0, 0,1)T , a } , ou seja, o ncleo de T so todos os vetores que esto sobre o eixo x3 .

229

A imagem desta transformao dada diretamente pela sua definio, o plano x1 x2 .


Para determinar o ncleo de uma transformao linear
ser necessrio resolver um sistema homogneo.

Exerccio. Mostre que as transformaes lineares de 3 em 3 ,


T (x) = (0, x2 , x3 )T e S (x) = (0, x2 + x3 , 2 x2 + x3 )T tm os mesmos ncleos e imagens.
Resoluo. O ncleo da transformao de T dado pelo conjunto: ker(T ) = {x 3 : T (x) = 0} ; que equivale a escrever (0, x2 , x3 )T = (0, 0, 0)T assim, determinar o ncleo consiste em resolver o sistema x2 = 0, x3 = 0 cuja soluo da forma
( x1 , x2 , x3 )T = x1 (1, 0, 0)T .
Analogamente, o ncleo da transformao de S dado pelo conjunto:
ker( S ) = {x 3 : S (x) = 0} ; ou seja (0, x2 + x3 , 2 x2 + x3 )T = (0, 0, 0)T
que nos conduz ao sistema x2 + x3 = 0, 2 x2 + x3 = 0 cuja soluo
tambm so os vetores ( x1 , x2 , x3 )T = x1 (1, 0, 0)T .
Logo ker(T ) = ker( S ) .
O contradomnio, ou imagem de T , denotado por Im(T ) ou T ( 3 )
est dado pelo conjunto Im(T ) = {y R 3 : y = T (x), x 3 } , ou
seja ( y1 , y2 , y3 )T = (0, x2 , x3 )T .
Assim os vetores y esto dados por
( y1 , y2 , y3 )T = (0, x2 , x3 )T = x2 (0,1, 0)T + x3 (0, 0,1)T
e ento Im(T ) = {(0,1, 0)T , (0, 0,1)T } .
A Im( S ) est definida como:
Im( S ) = {y 3 : y = T (x), x 3 } ou
( y1 , y2 , y3 )T = (0, x2 + x3 , 2 x2 + x3 )T
que nos leva a
( y1 , y2 , y3 )T = (0, x2 + x3 , 2 x2 + x3 )T = x2 (0,1, 2)T + x3 (0,1,1)T .
Mostrar que T (x) e S (x) possuem a mesma imagem equivalente a
mostrar que os espaos gerados pelas respectivas imagens so iguais.

230

Para isso suficiente mostrar que um mesmo vetor y nestes espaos


pode ser escrito como combinao linear dos vetores em ambas bases: Im(T ) e Im( S ) .
Se y [(0,1, 0)T , (0, 0,1)T ] e y [(0,1, 2)T , (0,1,1)T ] ento
( y1 , y2 , y3 )T = a1 (0,1, 0)T + a2 (0, 0,1)T = b1 (0,1, 2)T + b2 (0,1,1)T ,
usando a segunda igualdade obtemos o seguinte sistema:
a1 = b1 + b2 , a2 = 2b1 + b2
cuja soluo nos permite escrever
( y1 , y2 , y3 )T = a1 (0,1, 0)T + a2 (0, 0,1)T = (a2 a1 )(0,1, 2)T + (2a1 a2 )(0,1,1)T
e assim mostramos que as imagens de ambas transformaes so
iguais.
Exemplo 23. Seja T : 3 3 a transformao linear que a projeo ortogonal sobre a reta cujas equaes paramtricas so:
x1 = 1 + 2t
x2 = 2 2t
x3 = 3 + t .
Ache a transformao linear, seu ncleo e imagem.
Soluo. Estas so as equaes paramtricas de uma reta de 3 que
passa pelo ponto (1, 2,3) na direo do vetor u = (2, 2,1)T (o vetor
diretor da reta). Projetar um vetor sobre uma reta o mesmo que
encontrar a projeo ortogonal sobre o vetor diretor dessa mesma
reta.
u
T (x) = proju x = x, u u onde u = .
u
Para o nosso caso
T (x) = ( x1 , x2 , x3 )T , (2, 2,1)T

(2, 2,1)T
=
9

1
= (4 x1 4 x2 + 2 x3 , 4 x1 + 4 x2 2 x3 , 2 x1 2 x2 + x3 )T = (0, 0, 0)T.
9
Para encontrar o ncleo devemos ter,
1
(4 x1 4 x2 + 2 x3 , 4 x1 + 4 x2 2 x3 , 2 x1 2 x2 + x3 )T = (0, 0, 0).T
9

231

Que leva ao seguinte sistema homogneo


4 x1 4 x2 + 2 x3 = 0
4 x1 + 4 x2 2 x3 = 0
2 x1 2 x2 + x3 )T = 0
cuja soluo (a, b. 2a 2b)T .
Portanto,

Ker (T ) = {x 3 / x = ( x1 , x2 , 2 x1 2 x2 )T } = [(1, 0, 2)T , (0,1 2)T ].


Para determinar a imagem, fazemos
4 x1 4 x2 + 2 x3
4
4
2




4 x1 + 4 x2 2 x3 = x1 4 + x2 4 + x3 2 .
2
2
1
2 x 2 x + x )T



2
3
1

Logo, todo vetor que pertence imagem de T gerado pelos


vetores
2
2
2



y1 = 2 , y2 = 2 , y3 = 2 .
1
1
1



que so linearmente dependentes. Podemos ento escrever que
Im(T ) = [(2, 2,1)T ] (Verificar o porqu!) e um subespao unidimensional de 3 . Veja que este vetor coincide com o vetor diretor da
reta como era de se esperar.

Exerccios
12) Determine o ncleo e a imagem de cada uma das transformaes lineares de 3 em 3 .
a) T (x) = ( x3 , x2 , x1 )T
b) T (x) = ( x1 , x2 , 0)T
c) T (x) = ( x1 , x1 , x1 )T
13) Seja S o subespao de 3 gerado por e1 e e 2 . Para cada um dos
operadores lineares no Exerccio 12, determine L( S ).

232

14) Determine o ncleo e a imagem de cada uma das transformaes lineares de P3 em P3 dadas a seguir.
a) T ( p ( x)) = xp '( x)
b) T ( p ( x)) = p ( x) p '( x)
c) T ( p ( x)) = p ( x) + p (1)
15) Seja L : V W uma transformao linear e seja T um subes1
pao de W . A imagem inversa de T , denotada por L (T ) , de1
finida por L (T ) = {v V | L( v ) T } . Mostre que L1 (T ) um
subespao de W .
16) Uma transformao linear T : V W dita injetora se
T (v1 ) = T (v2 ) implica que v1 = v 2 (isto , dois vetores distintos v1 , v 2 V no podem ser levados no mesmo vetor w W ).
Mostre que T injetora se e somente se Ker(T ) = {0v } .
17) Um operador linear T : V W dito sobrejetora se
T (V ) = W . Mostre que o operador T : 3 3 definido por
T (x) = ( x1 , x1 + x2 , x1 + x2 + x3 )T sobrejetora.
18) Quais dos operadores no Exerccio 15 so injetores? Quais so
sobrejetores?
19) Seja A uma matriz 2 2 e seja TA o operador definido por
TA = Ax . Mostre que:
a) TA leva 2 no espao coluna de A .
b) Se A inversvel, ento TA sobrejetora de 2 em 2 .
20) Seja D o operador derivada em P3 e seja S = { p P3 | p (0) = 0}.
Mostre que:
a) D de P3 em P2 sobrejetora, mas no injetora;
b) D : S P3 injetora, mas no e sobrejetora.

233

4.4 Transformaes Injetoras,


Sobrejetoras e Isomorfismos
Seria conveniente
recordar nesse momento
as noes de funo
injetora e sobrejetora,
pois estenderemos
estes conceitos para
as transformaes
lineares e posteriormente
estabeleceremos a relao
entre estes conceitos e os
de ncleo e imagem.

Definio. Dada uma aplicao T : V W , diremos que T injetora


se dados u, v V com T (u) = T ( v ) tivermos u = v . Ou equivalentemente, com u v , ento T (u) T ( v) . Em outras palavras, T injetora se as imagens de dois vetores distintos so distintas.
T

T no injetora

T injetora

Figura 4.15 - Transformaes injetoras e no injetoras

Definio. Uma aplicao T : V W ser sobrejetora se a imagem de


T coincidir com W , ou seja, T (V ) = W .
Observao. Na definio anterior, vimos que uma funo ser sobrejetora se, dado w W existir v W , tal que T ( v) = w .
T : 2 3

T: 2 2

T no sobrejetora

T sobrejetora

Figura 4.16 - Transformaes sobrejetoras e no sobrejetoras

Este teorema afirma que


uma TL injetora s tem o
vetor nulo no seu ncleo.
E, por outro lado, se uma
TL tiver somente 0 no seu
ncleo, ento quaisquer
dois vetores distintos
devem ter imagens
distintas tambm.

Teorema. Seja T : V W , uma aplicao linear. Ento, Ker(T ) = {0} se e


somente se T injetora.
Ker(T ) = {0} T injetora .
Corolrio. Seja T : V W uma aplicao linear injetora. Ento, T
leva vetores linearmente independentes em vetores linearmente independentes.

234

Teorema. Seja T : V W , uma aplicao linear. Ento,


dim(ker(T )) + dim(Im(T )) = dim(V ).
Corolrio. Se dim V = dim W, ento T injetora se T sobrejetora.
Corolrio. Seja T : V W uma aplicao linear injetora. Se
dim V = dim W , ento T leva base em base.
Exemplo 24. Seja T : Pn Pn , dada por T ( p ( x)) = xp ( x) . Verifique se
T bijetora.
Soluo. Devemos verificar se T injetora e sobrejetora ao mesmo
tempo. Para isso, usaremos os teoremas e corolrios dados anteriormente.
Para ver que injetora, devemos apenas calcular o ncleo de T :
T ( p ( x)) = xp ( x)
T (a0 + a1 x + + an x n ) = x(a0 + a1 x + + an x n )
= a0 x + a1 x 2 + + an x n +1 .
Quais os polinmios tal que T ( p ( x)) = 0 ?
T ( p ( x)) = 0 a0 x + a1 x 2 + + an x n +1 a0 = a1 = = an = 0 p ( x) = 0
p ( x) o polinmio nulo Ker(T ) = { p Pn / p( x) = 0, x } = {0}
(observe que neste caso o vetor nulo de Pn o polinmio nulo de
grau n). Portanto, T injetora.
Como dim Pn = n + 1
temos que:

dim Pn +1 = n + 2

dim(Ker(T )) = 0 ,

dim(ker(T )) + dim(Im(T )) = n + 1
0 + dim(Im(T ) = n + 1
dim(Im(T )) = n + 1
Note que dim(Im(T )) = n + 1 dim Pn +1 = n + 2 , ento:
Im(T ) Pn +1 . Portanto, T no sobrejetora.
Quais so os polinmios que esto faltando na imagem de T ?
Quando uma transformao linear T : V W for injetora e sobrejetora ao mesmo tempo, d-se o nome de isomorfismo.

Estes termos so derivados de dois vocbulos


gregos: iso que significa igual e morfos que
significa forma.

235

Sob o ponto de vista da lgebra Linear, espaos vetoriais isomorfos


so, por assim dizer, idnticos.
Temos ento que espaos isomorfos devem ter a mesma dimenso.
Logo, um isomorfismo leva base em base. Alem disso, um isomorfismo T : V W tem uma aplicao inversa, que linear e tambm um isomorfismo.
De forma anloga ao que fizemos com o conceito de composio
de transformaes lineares, voltamos para as nossas definies das
transformaes inversas definidas por matrizes. Repetiremos estas
definies para as transformaes inversas, num contexto mais geral. Estamos agora em condies de estabelecer relaes e propriedades com maior formalidade.
Definio. Seja T : V W uma transformao linear. Se existe uma
aplicao T 1 : V W tal que T T 1 = I e T 1 T = I , ento dizemos que T inversvel e que T 1 a inversa de T .
Propriedades:
1) Seja T : V W uma transformao linear. Se existe T 1 , a inversa de T , ento T 1 uma transformao linear.
2) Se T um isomomorfismo, ento T inversvel e alm disso,
T 1 tambm um isomorfismo.
Podemos concluir que, se
T : V W uma transformao linear inversvel (um isomorfismo),
E = [v1 , v 2 , , v n ] e
F = [w1 , w 2 , , w m ] so bases para V e W , A a matriz de representao para T , ento A inversvel.
Dois espaos vetoriais so isomorfos se existe uma transformao
linear inversvel entre eles. Uma transformao linear com essa propriedade um isomorfismo.
Em particular, se um espao vetorial tem uma base de dimenso
finita, ento isomorfo com o espao euclidiano. Lembramos que se
um espao vetorial gerado por um nmero finito de vetores, ento
tem uma base de dimenso finita.

236

Exemplo 25. O espao vetorial dos polinmios Pn com coeficientes


reais de grau mximo n, isomorfo com n+1 ?
Soluo. Para prov-lo, devemos construir um isomorfismo, isto ,
uma aplicao linear bijetora Pn n +1 . Para isso consideremos
as bases cannicas de n+1 e Pn , {e1 , e 2 ,..., e n+1} e {1, t , t 2 , , t n } ,
respectivamente, e definimos, T (1) = e1 , T (t ) = e 2 ,..., T (t n ) = e n +1. Con.
sideremos a aplicao linear de T em um vetor de Pn e usemos a
ltima definio dada

T (a0 + a1t + a2t 2 + + ant n ) = a0T (1) + a1T (t ) + + anT (t n )


= a0e1 + a1e 2 + ...ane n +1
= (a0 , a1 , a2 , an )T .
Claramente T linear (pela prpria construo) e Ker(T ) = {0} .
Logo, injetora.
Como dim( n +1 ) = dim( Pn ) = n + 1 sobrejetora, logo um isomorfismo e dado como
a0 + a1t + a2t 2 + + ant n (a0 , a1 , a2 , an )T .
Observao. Este fato pode ser usado na converso de alguns problemas envolvendo polinmios em vetores de espaos euclidianos.
Exemplo 26. O espao vetorial das matrizes M 22 isomorfo com
4 . As coordenadas em relao base
1 0 0 1 0 0 0 0

,
,
,

0 0 0 0 1 0 0 1
a b
T
o isomorfismo
( a , b, c , d ) .
c d
Para ver isto, proceda em forma anloga ao exemplo anterior.
Dado um isomorfismo, resolver uma questo da lgebra Linear
(que pode ser uma definio, um conceito, uma propriedade, um
teorema e sua prova, etc.) em um espao vetorial equivalente a
resolver a mesma questo em um outro espao vetorial, onde tenhamos alguma familiaridade ou facilidade, ou ainda a questo a ser
resolvida seja mais simples. Em particular, para espaos vetoriais
finitos, as coordenadas identificam a lgebra linear de um espao
vetorial mais geral com a lgebra linear de um espao euclidiano.

237

Para uma transformao linear, T : V W as seguintes afirmaes


so equivalentes:
T inversvel.
T bijetora.
Ateno: aproveite a
informao que pode ser
obtida analisando uma
matriz para determinar o
que quer saber de uma TL.

Im(T ) = W , ker(T ) = {0} .


Se T for uma TL definida por uma matriz A, na forma T (x) = Ax ento o ncleo ker(T ) e a imagem Im(T ) de T podem ser determinados
atravs da anlise da matriz A na sua forma reduzida por linhas.
Exemplo 27. Dada a transformao linear T : 3 3, definida por
T (x) = ( x1 + 2 x2 + 2 x3 , x1 + x2 + 3 x3 , x1 + 2 x2 + x3 )T
a) mostre que existe a inversa de T
b) explicite T 1 (x)
Soluo. Veja que dim V = dim W = 3 ( V = W = 3 ); mostraremos
que Ker(T ) = {0} e usaremos o corolrio adequado para concluir
que um isomorfismo.
Sabemos que T 1 : 3 3 uma TL, tal que T T 1 = T 1 T = I .
Uma forma de proceder da seguinte maneira: determinamos a matriz da transformao (no deixe de fazer isso, deve ser 3 3 ) e escrevemos a transformao como T (x) = Ax = y , logo formamos a
matriz aumentada [ A | y] e a levamos na forma escalonada reduzida
por linhas
1 2 2

1 1 3
1 2 1

y1 1 0 0

y2 0 1 0
y3 0 0 1

5 y1 + 2 y2 + 4 y3

2 y1 y2 y3 .

y1 y3

Agora resolveremos praticamente ambos os itens em forma simultnea: para determinar Ker(T ) devemos encontrar a soluo de
T (x) = 0 para o qual fazemos y = 0 ; resolvendo o sistema homogneo temos que Ker(T ) = {0} .
A expresso explcita da inversa est dada pela ltima coluna da forma escalonada reduzida, logo
T 1 (y ) = (5 y1 + 2 y2 + 4 y3 , 2 y1 y2 y3 , y1 y2 )T .

238
Consideremos uma outra tcnica para obter a inversa.
Temos que (T T 1 )(x) = T (T 1 (x)) = I (x) = x . Pondo y = T 1 (x) temos T (y ) = x , ou seja,
T (y ) = ( y1 + 2 y2 + 2 y3 , y1 + y2 + 3 y3 , y1 + 2 y2 + y3 )T = ( x1 , x2 , x3 )T .
Esta equao pode ser reescrita como
y1 + 2 y2 + 2 y3 = x1

y1 + y2 + 3 y3 = x2 e resolvendo para y temos


y + 2y + y = x
2
3
3
1
y1 = x1 x3

, assim
y2 = 2 x1 x2 x3
y = 5 x + 2 x + 4 x
1
2
3
3
T 1 (y ) = (5 y1 + 2 y2 + 4 y3 , 2 y1 y2 y3 , y1 y3 )T
Simplesmente poderamos considerar inverso da matriz da transformao
1 2 2
5 2 4

1
A = 1 1 3 A = 2 1 1 , e escrever
1 2 1
1 0 1

T 1 (T (x)) = T 1 ( Ax) = T 1 (y )
= A1y
5 2 4

= 2 1 1 y

1 0 1
5 y1 + 2 y2 + 4 y3

= 2 y1 y2 y3

y1 y3

Obtendo mais uma vez a expresso da transformao inversa.


Podemos tambm escrever a expresso da inversa obtida em forma
padro, trocando y por x , para obter
T 1 (x) = (5 x1 + 2 x2 + 4 x3 , 2 x1 x2 x3 , x1 x3 )T .
Observaes:
a) Em todos os procedimentos utilizados, o custo computacional
foi praticamente o mesmo. Demandou a resoluo de um sistema linear de equaes ou o clculo da inversa de uma matriz.

239

b) Um resultado que ainda no foi provado formalmente e que


nos permitiria mostrar a existncia da transformao inversa
o seguinte: Se a matriz de representao for inversvel, ento
existe a inversa da transformao.
Por este motivo (e muitos outros que aparecero ainda), a representao matricial de uma transformao linear se torna um dos problemas bsicos da lgebra Linear.

4.5 Representao Matricial de


Transformaes Lineares
Na seo anterior, mostramos que dada uma matriz Amn possvel
definir uma transformao linear T : n m dada por T (x) = Ax
para cada x n .
Agora, mostraremos que para cada transformao linear T : n m
existe uma matriz Amn tal que T (x) = Ax . Veremos tambm que qualquer operador linear definido entre dois espaos vetoriais de dimenso finita pode ser representado por uma matriz.
Teorema. Seja T : n m , ento existe uma matriz Amn tal que
T (x) = Ax para cada x n . De fato, o j-simo vetor coluna da matriz A
dado por

a j = T (e j ),

j = 1, 2, , n

Demonstrao. Seja a matriz Amn (explicitada atravs de suas


colunas):
A = (a1 , a 2 ,..., a j ,...a n ) , onde a j = (a1 j , a 2 j ,..., a mj )T .
A matriz tem n colunas e cada coluna um vetor com m componentes.
Para j = 1, 2, , n definimos cada coluna como
a j = (a1 j , a 2 j ,..., a mj )T = T (e j ) .

E se x n for um vetor arbitrrio escrito na base cannica


x = ( x1e1 + x2 e2 + + xn en ) .

240

Fazendo T (x) temos:

T (x) = x1T (e1 ) + x2T (e 2 ) + ... + xnT (e n )


= x1a1 + x2a 2 + ... + xna n
x1

x
= (a1 , a 2 ,..., a n ) 2


xn
= Ax .

Mostramos que cada transformao linear T : n m pode ser representada em termos de uma matriz. O teorema mostra como construir a matriz que representa um determinado operador linear.
Para obter a primeira coluna de A , aplique o operador linear T ao
primeiro vetor da base de n .
Repita o procedimento at obter todas as colunas de A.
Como usamos os elementos da base cannica de n , e1 , e 2 , , en ,
dizemos que A a representao cannica de T ou a matriz de T
em relao s bases cannicas. Veremos, a seguir, como representar
um operador linear em relao a outras bases.
Exemplo 28. Encontre a transformao T : 3 2 dada por
T (x) = ( x1 + x2 , x2 + x3 )T para cada x n .
Soluo. Queremos encontrar uma matriz A tal que T (x) = Ax .
Para fazer isso, construiremos a matriz obtendo suas colunas consecutivamente calculando a1 = T (e1 ), a 2 = T (e 2 ) e a3 = T (e3 ) .
Como segue

1
a1 = T (e1 ) = ,
0
1
a 2 = T (e 2 ) = ,
1
0
a3 = T (e3 ) = ,
1

241

E ento escolhemos esses vetores como as colunas de A ,


1 1 0
A=
.
0 1 1
Podemos conferir o resultado calculando Ax
x1
1 1 0 x1 + x2
Ax =
.
x2 =
0 1 1 x2 + x3
x3

Acabamos de ver como matrizes representam transformaes lineares de n em m , poderamos perguntar agora se possvel encontrar uma representao anloga para operadores lineares de V em
W , onde V e W so espaos de dimenso n e m , respectivamente.
Veja o seguinte exemplo.
Veremos que em geral a matriz de representao de uma transformao linear depende das bases escolhidas para o domnio e a imagem. Faremos uma generalizao do teorema anterior.
Para fazer isso, consideremos E = [ v1 , v 2 ..., v n ] e F = [w1 , w 2 ..., w m ] bases ordenadas para V e W , respectivamente e uma transformao
linear T : V W .
Se v um vetor arbitrrio em V podemos express-lo em termos da
base E como:
v = x1 v1 + x2 v 2 + ... + xn v n .
Vamos mostrar que existe uma matriz Amn que representa o operador T no seguinte sentido:
Ax = y se e somente se T ( v ) = y1w1 + y2 w 2 + ... + ym w m.

A matriz A deve caracterizar o efeito do operador T .


Prova. Pela linea ridade do nosso operador T , temos:
A notao utilizada aqui
para os coeficientes da
combinao linear aik nos
ajudar a enxergar a matriz
que estamos procurando.

T ( v ) = x1T ( v1 ) + x2T ( v 2 ) + ... + xnT ( v n ).

Para cada k , (1 k n) , T ( v k ) est em W e ento pode ser representado em forma nica em termos dos vetores da base F de W
como:
.

242

Assim,

T ( v) =
= x1 (a11w1 + a21w 2 + ... + am1w m )
+ x2 (a12 w1 + a22 w 2 + ... + am 2 w m )
+
+ xn (a1n w1 + a2 n w 2 + ... + amn w m ) .

Remanejando os termos apropriadamente, temos


T ( v) =
= (a11x1 + a12 x 2 + ... + a1n x n )w1
+ (a21x1 + a22 x 2 + ... + a2 n x n )w 2
+
+ (am1x1 + am 2 x 2 + ... + amn x n )w m.

Podemos enxergar os coeficientes de w1 , w 2 , , w m na ltima expresso, como sendo exatamente o produto das linhas de A pelo
vetor x = ( x1 , x1 ,...xn )T
a11 x1 + a12 x2 + + a1n xn a11


a21 x1 + a22 x2 + + a2 n xn = a21


am1 x1 + am 2 x2 + + amn xn am1

a12
a22

am 2

a1n x1
x1


a2 n x2
x
= A 2 = Ax




amn xn
xn

a coluna de A , (denotada por a k , 1 k n ) exatamente:


x1k

x2 k

.
a k = (T ( v k )) F =

amk
Ento, a matriz A, cujas colunas so as coordenadas dos vetores
T ( v1 ), T ( v 2 ),..., T ( v n ), a matriz desejada. A matriz nica para as
bases escolhidas desde que as coordenadas dos vetores sejam nicas
nessas bases.
Por outro lado tambm temos que o vetor de coordenadas de T ( v ) em
n

relao a [w1 , w 2 ,..., w m ] so da forma yi = aij x j . Logo y = Ax .


j =1

Acabamos de mostrar o seguinte teorema:

243

Teorema. Seja uma transformao linear T : V W e duas bases ordenadas E = [ v1 , v 2 ..., v n ] e F = [w1 , w 2 ..., w m ] para V e W respectivamente,
ento existe uma matriz Amn tal que [T ( v )]F = A[ v ]E . Seja A a matriz de
T (v) em relao as bases ordenadas E e F . De fato, o j-simo vetor coluna
da matriz A dado por a j = [T ( v j )]F .
Se denotarmos por
x = [ v ]E n : vetor de coordenadas de v em relao a E .
y = [w ]F m : vetor de coordenadas de w em relao a F .
Temos que
se e somente se Ax = y.
Mais uma vez as colunas de A so

A = (a1 , a 2 ,..., a n ) = ([T ( v1 )]F ,[T ( v 2 )]F ,...,[T ( v n )]F ).


Para encontrar a representao matricial de uma TL
T : n m em relao s bases ordenadas E = [u1 , u 2 ,..., u n ] e
F = [b1 , b 2 ,..., b m ], precisamos representar cada vetor T (u j ) como
uma combinao linear de b1 , b 2 ,..., b n . O teorema a seguir mostra
que encontrar essa representao equivalente a resolver o sistema
linear Bx = T (u j ) .
Teorema. Sejam E = [u1 , u 2 ,..., u n ] e F = [b1 , b 2 ,..., b m ] bases ordenadas
para n e m , respectivamente. Se T : n m uma transformao
linear e A a matriz de T em relao a E e F , ento a j = B 1T (u j ) , onde
B = (b1 , b 2 ,..., b m ) .
Demonstrao. Se A matriz de representao de T em relao a
E e F , ento para j = 1, 2, , n , temos
T (u j ) = a1 j b1 + a2 j b 2 + ... + amj b m
= Ba j .
A matriz B inversvel, j que suas colunas formam uma base para
m , portanto a j = B 1T (u j ) .

244

Uma conseqncia desse teorema que podemos determinar a


matriz associada a um operador calculando a forma escalonada reduzida por linhas de uma matriz aumentada. O prximo corolrio
mostra como fazer isso.
Corolrio. Se A a matriz de representao de um operador linear
T : n m em relao as bases E = [u1 , u 2 ,..., u n ] e F = [b1 , b 2 ,..., b m ] ,
ento a forma escalonada reduzida por linhas da matriz

(b1 , b 2 ,..., b m ) | T ( v1 ), T ( v 2 ),..., T ( v n )) ( I | A)


Demonstrao. Seja B = (b1 , b 2 ,..., b m ) . A matriz

( B | T ( v1 ), T ( v 2 ),..., T ( v n ))
equivalente por linhas a
B 1 ( B | T ( v1 ), T ( v 2 ),..., T ( v n )) = ( I | B 1T ( v1 ), B 1T ( v 2 ),..., B 1T ( v n ))
= I | a1 , a 2 ,..., a n )
= ( I | A).

Exemplo 29. Seja a TL T : 2 3 definida por


T (x) = ( x2 , x1 + x2 , x1 x2 )T .
Encontre a matriz de T em relao as bases ordenadas
E = [u1 , u 2 ] = [(1, 2)T , (3,1)T e
F = [b1 , b 2b3 ] = [(1, 0, 0)T , (1,1, 0)T , (1,1,1)T ] .
Soluo. O procedimento de soluo consiste em formar a matriz
aumentada e depois lev-la a forma escalonada reduzida por linhas.
Para isso, precisamos calcular previamente T ( v1 ), T ( v 2 ) ; assim temos
que:
1 1 1 | 2 1 1 0 0 | 1 3

(b1 , b 2b3 | T ( v1 ), T ( v 2 )) = 0 1 1 | 3 4 0 1 0 | 4 2
0 0 1 | 1 2 0 0 1 | 1 2

245

1 3

Logo, a matriz procurada A = 4 2


1 2

O leitor pode verificar que


T (u1 ) = b1 + 4b 2 b3
T (u 2 ) = 3b1 + 2b 2 + 2b3

Exerccios
1) Para cada uma das transformaes lineares T no Exerccio 1
da Seo 1, encontre a matriz A que representa T .
2) Para cada uma das transformaes lineares L de 3 em 2 a
seguir, encontre uma matriz A, tal que T (x) = Ax para todo x
em 3 .
a) T (( x1 , x2 , x3 )T ) = ( x1 + x2 , 0)T
b) T (( x1 , x2 , x3 )T ) = ( x1 , x2 )T
c) T (( x1 , x2 , x3 )T ) = ( x2 x1 , x3 x2 )T
3) Para cada uma das transformaes lineares T de 3 em 3 a
seguir, encontre uma matriz A , tal que T (x) = Ax para todo x
em 3 .
a) T (( x1 , x2 , x3 )T ) = ( x3 , x2 , x1 )T
b) T (( x1 , x2 , x3 )T ) = ( x1 , x1 + x2 , x1 + x2 + x3 )T
c) T (( x1 , x2 , x3 )T ) = (2 x3 , x2 + 3 x1 , 2 x1 x3 )T
4) Seja L a transformao linear de 3 em 3 definida por
T ( x) = (2 x1 x2 x3 , 2 x2 x1 x3 , 2 x3 x1 x2 ) . Determine a matriz A de L em relao a base cannica e use-a para encontrar
T (x) para cada um dos vetores x a seguir.
T
a) x = (1,1,1)

b) x = (2,1,1)T
c) x = (5,3, 2)T
5) Encontre a representao matricial cannica para cada um dos
operadores lineares T em 2 descritos a seguir.

246

a) T roda cada vetor x de 45 no sentido anti-horrio.


b) T reflete cada vetor x em relao ao eixo dos x1 e depois
roda o vetor refletido de 90 no sentido trigonomtrico.
c) T dobra o comprimento do eixo, depois roda o vetor obtido
de 30 no sentido trigonomtrico.
d) T reflete cada vetor x em relao a reta x1 = x2 e depois
projeta o vetor refletido sobre o eixo dos x1 .
1
1
0

6) Sejam b1 = 1 , b 2 0 , b3 = 1 e seja T a transformao line0


1
1


ar de 2 em 3 definida por T (x) = x1b1 + x2b2 + ( x1 + b2 )b3 . Encontre a matriz A de T em relao s bases [e1 , e2 ] e [b1 , b2 , b3 ] .
1
1
1

7) Sejam y1 = 1 , y2 = 1 , y3 = 0 e seja I o operador identi1


0
0



dade em 3 .
a) Encontre as coordenadas de I (e1 ), I (e 2 ), I (e3 ) em relao a
[ y1 , y2 , y3 ] .
b) Encontre uma matriz A tal que Ax o vetor de coordenadas de x em relao a [ y1 , y2 , y3 ] .
8) Sejam y1 , y2 , y3 , dados no exerccio anterior e seja T a transformao linear de 3 em 3 definidapor:

T (c1 y1 + c2 y2 + c3 y3 ) = (c1 + c2 + c3 ) y1 + (2c1 + c3 ) y2 (2c2 + c3 ) y3


T (c1 y1 + c2 y2 + c3 y3 ) = (c1 + c2 + c3 ) y1 + (2c1 + c3 ) y2 (2c2 + c3 ) y3
a) Encontre a matriz de T em relao base ordenada
[ y1 , y2 , y3 ] .
b) Escreva cada um dos vetores x a seguir como uma combinao linear de y1 , y2 , y3 e use a matriz encontrada em a)
para determinar T (x) .
i) x = (7,5, 2)T

ii) x = (3, 2,1)T

iii) x = (1, 2,3)T

247

9) Sejam E = [u1 , u 2 , u3 ] e F = [b1 , b 2 ] , onde u1 = (1, 0, 1)T ,


u 2 = (1, 2,1)T , u3 = (1,1,1)T e b1 = (1, 1)T , b 2 = (2, 1)T . Para
cada uma das transformaes lineares T de 3 em 2 a seguir, encontre a matriz de T em relao s bases ordenadas
E e F.
a) T (x) = ( x3 , x1 )T
b) T (x) = ( x1 + x2 , x1 x3 )T
c) T (x) = (2 x2 , x1 )T

4.6 Matrizes e Transformaes


Lineares, Equivalncias e
Propriedades
Seja T uma transformao linear de V em W ( dim(V ) = dim(W ) = n )
e A a matriz de representao de T em relao as bases de V e de
W . As afirmaes a seguir so equivalentes:
i) A inversvel, isto , existe A1
ii) Ax = b tem soluo nica
iii) Ax = 0 s admite a soluo trivial
iv) A forma escalonada reduzida por linhas de A a
matriz identidade
v) A um produto de matrizes elementares
vi) posto( A) = n
vii) nulidade( A) = 0
viii) A tem n vetores coluna linearmente independentes
ix) O espao coluna de A gera n
x) O espao linha de A gera n

248

xi) O espao nulo de A o vetor nulo


xii) det( A) 0
xiii) T inversvel e a matriz associada com a transformao inversa T 1

A1

xiv) T injetora e sobrejetora


xv) T um isomorfismo
xvi) ker(T ) = {0} , Im(T ) = W

O conceito de transformaes lineares, um tpico de extrema importncia da Matemtica, tem sido definido e analisado luz de seu
ncleo (kernel), imagem e tambm atravs da matriz associada
transformao.
Achar a matriz de representao de uma transformao linear pode
ser considerado como um dos principais problemas bsicos da lgebra Linear.
Os conceitos aprendidos nesta primeira disciplina so ferramentas
matemticas bsicas da lgebra Linear. Com uma boa familiaridade em lgebra matricial, transformaes lineares e espaos vetoriais,
estaremos prontos para compreender e enfrentar outros importantes
problemas da lgebra Linear como: o conceito de ortogonalidade, o
estudo de auto-sistemas (autovalores e autovetores de uma matriz) e
o problema de diagonalizao; tpicos correspondentes disciplina
de lgebra Linear II.

249

Bibliografia Comentada
LAY, David C. lgebra linear e suas aplicaes. 2. ed. [S.l]:LTC, [200-?].
O texto fornece uma introduo elementar e moderna da lgebra linear e
algumas de suas aplicaes interessantes, acessvel a alunos com a maturidade
que dois semestres completos de matemtica em nvel de terceiro grau, em
disciplinas de clculo em geral, lhes conferem. O objetivo ajudar os alunos
a dominar os conceitos e habilidades bsicos que usaro mais tarde em suas
carreiras. Os tpicos escolhidos seguem as recomendaes do Linear Algebra
Curriculum Study Group, que, por sua vez, baseiam-se em uma cuidadosa
pesquisa sobre as necessidades reais dos alunos e em um consenso entre os
profissionais dos muitos campos que usam a lgebra Linear.

POOLE, David. lgebra linear. So Paulo: Pioneira Thomson


Learning, 2004.
Este livro foi estruturado de forma bastante flexvel, com a preocupao
central de que a lgebra linear constitua um assunto estimulante o suficiente
e de fcil aprendizado, tornando-a mais acessvel ao estudante. Escrito
de forma clara, direta e objetiva, aborda temas como Vetores, Matrizes,
Autovalores e Autovetores, Ortogonalidade, Espaos Vetoriais, e Distncia
e Aproximao. A apresentao de conceitos-chave com antecedncia, a
nfase em vetores e geometria e os inmeros exerccios e exemplos que
reforam o fato de a lgebra Linear ser uma ferramenta valiosa para a
modelagem de problemas da vida real consistem no principal diferencial
deste livro. A apresentao de pequenos esboos biogrficos de muitos dos
matemticos que contriburam para o desenvolvimento da lgebra Linear
outro diferencial, valorizando a histria da matemtica.

STEVE, Leon J. lgebra linear com aplicaes. 4. ed. [S.l.]: LTC, [200-?].
Este livro apropriado para alunos que tenham conceitos bsicos de matrizes
e tenham passado por um curso de Geometria Analtica. O estudante deve
estar tambm familiarizado com as noes bsicas de Clculo Diferencial
e Integral. Esta nova edio, ao mesmo tempo que mantm a essncia
das edies anteriores, incorpora uma srie de melhorias substanciais: Conjunto de Exerccios Computacionais em cada Captulo; - Mais Motivao
Geomtrica; - Nova Aplicao Envolvendo Teoria dos Grafos e Redes; Motivao Adicional para a Definio de Determinantes; - A seo sobre
Mudana de Base foi transferida para o Cap. 3; - Revises Importantes na
seo sobre Espaos Munidos de Produto Interno; - A seo sobre Normas
Matriciais foi transferida para o Cap. 7; - Nova Aplicao: Aproximao de
Funes por Polinmios Trigonomtricos; - Revises no Cap. 6.