Apostilaial

Introduo lgebra Linear
Prof. Brbara Lopes Amaral
Outubro de 2015
1
1
Matrizes
Em matemtica, uma matriz m n uma tabela de m linhas e n colunas

de smbolos sobre um conjunto, normalmente o conjunto dos nmeros reais R,
representada sob a forma de um quadro. As matrizes so utilizadas na resolu-
o de sistemas de equaes lineares e no estudo das transformaes lineares,
assuntos que sero abordados mais a frente nesse curso.
Aplicaes de matrizes so encontrados em inmeras reas da cincia. Em to-
dos os ramos da fsica, incluindo a mecnica clssica, eletromagnetismo, ptica,
mecnica quntica, e eletrodinmica quntica, matrizes so usadas -
para estudar fenmenos importantes, tais como o movimento de corpos rgidos.
Matrizes tambm so utilizadas para representar estados, transformaes e me-
dies realizadas em determinados sistemas. Em computao grfica, matrizes
so usadas para projetar uma imagem tridimensional em uma tela bi-
dimensional. Em teoria de probabilidade e estatstica, matrizes estocsticas so
usados para descrever conjuntos de probabilidades. Esse tipo de matriz
aparece, por exemplo, no algoritmo PageRank, que classifica as pginas em uma
pesquisa no Google.
Nesse captulo veremos alguns aspectos da lgebra matricial. Matrizes de
mesmo tamanho podem ser somadas ou subtradas: soma-se ou subtrai-se cada
elemento individualmente. A regra que se aplica multiplicao matricial
3
4 Introduo lgebra Linear
diferente: multiplica-se duas matrizes somente quando o nmero de colunas da

primeira igual ao nmero de linhas da segunda. No captulo seguinte, veremos
como as matrizes podem ser utilizadas na resoluo de sistemas de equaes
lineares.
1.1 Definio
Uma matriz A uma tabela de mn nmeros dispostos em m linhas (horizontais)
e n colunas (verticais).

a
11
a12 a1n
a21 a22

a2n
A = .. .. . . . ...
. .

am1 am2 amn
Uma matriz com m linhas e n colunas chamada de uma matriz m por n
(escreve-se m n) e m e n so chamadas de suas dimenses, tipo ou ordem.
Exemplo 1. A matriz
1 2 3
A=
4 5 6
uma matriz do tipo 2 3.
Cada um dos smbolos que aparece em uma matriz chamado de elemento
ou entrada da matriz. Um elemento de uma matriz A que est na i-sima linha
e na j-sima coluna chamado de elemento ij ou (i, j)-simo elemento de A.
Ele escrito como aij ou A[i, j]. No exemplo anterior, o elemento a12 2, o
nmero que aparece na primeira linha e segunda coluna do quadro.
Dizemos que duas matrizes A e B so iguais se elas tm o mesmo tamanho
e os elementos correspondentes so iguais, ou seja, se A e B so ambas m n
e aij = bij para todos os valores de i e j.
Trs tipos de matrizes recebem nomes especiais:
Prof. Brbara Amaral - UFOP 5
Matriz linha ou vetor linha: matriz do tipo 1 n, ou seja, uma matriz

que possui uma nica linha.
Exemplo 2. A matriz 1 3
h i
3 7 2
uma matriz linha.
Matriz coluna ou vetor coluna: matriz do tipo n 1, ou seja, uma

matriz que possui uma nica coluna.
4

1

8
uma matriz coluna.
Matriz quadrada: matriz do tipo n n, ou seja, uma matriz que tem o

mesmo nmero de linhas e colunas.
9 13 5

1 11 7

2 6 3
uma matriz quadrada.
Exemplo 5. Considere as seguintes matrizes:
1 2

1 2 ,B = 1
h i 1
A= 3 , C = 1 2 4 0 , D = ,

3 4
3
0 1
1 2 4 1 0

1 5

0 3 4
h i
E = 2 , F = 7 3 1 4 4 .

2 1 1 0 5

5 1 2 0 1
A uma matriz quadrada 2 2, B uma matriz 3 2, C uma matriz linha
1 4, D uma matriz coluna 2 1, E uma matriz quadrada 1 1 e F
uma matriz quadrada 5 5. Exemplos de elementos dessas matrizes: a12 = 2,
b32 = 1, c13 = 4, d21 = 3, e11 = 2, f54 = 0.
1.2 Operaes envolvendo matrizes

1.2.1 Multiplicao de um nmero real por uma matriz
A multiplicao de um nmero real por uma matriz a operao matricial mais
simples que podemos definir. Para multiplicar um nmero real k por uma matriz
A do tipo n m, basta multiplicar cada elemento aij de A por k. Assim, a
matriz resultante B ser tambm n m e bij = k aij .
Pode-se pensar tambm na noo de dividir uma matriz por um nmero:
basta multiplic-la pelo inverso desse nmero.
Exemplo 6. Dada a matriz

1 8 3
A= ,
4 2 5
ao multiplic-la pelo escalar 2 obtemos

1 8 3 2 1 2 8 2 (3) 2 16 6
2A = 2 = = .
4 2 5 2 4 2 (2) 2 5 8 4 10
1.2.2 Adio e subtrao entre matrizes

Dadas as matrizes A e B do mesmo tipo m n, sua soma A + B a matriz
m n computada adicionando os elementos correspondentes:
(A + B)[i, j] = A[i, j] + B[i, j].

Exemplo 7. Considere as matrizes
1 3 0 0

A = 1 0 e B = 7 5 .

1 2 2 1
Sua soma obtida da seguinte maneira:
1 3 0 0 1+0 3+0 1 3

A + B = 1 0 + 7 5 = 1 + 7 0 + 5 = 8 5 .

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

A = 1 1 2 e 2 5 0 .

3 2 2 2 1 1
Sua soma obtida da seguinte forma:
3 1 2 1 0 4 3 + 1 1 + 0 2 + 4 4 1 6

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

3 2 2 2 1 1 32 2+1 21 1 3 1
Dadas as matrizes A e B do mesmo tipo m n, sua subtrao A B a

matriz m n computada subtraindo os elementos correspondentes:
(A B)[i, j] = A[i, j] B[i, j].

1 3 0 0

A = 1 0 e B = 7 5 .

1 2 2 1
Sua subtrao obtida da seguinte maneira:
1 3 0 0 10 30 1 3

A B = 1 0 7 5 = 1 7 0 5 = 6 5 .

1 2 2 1 12 21 1 1
3 1 2 1 0 4

A = 1 1 2 e 2 5 0 .

3 2 2 2 1 1
Sua subtrao obtida da seguinte forma:
3 1 2 1 0 4 31 1 0 24 2 1 2

1 1 2 2 5 0 = 1 2 1 (5) 2 0 = 1 6 2 .

3 2 2 2 1 1 3 (2) 2 1 2 (1) 5 1 3
Observao 1. As operaes A B e A + (1)B resultam na mesma matriz.
1.2.3 Multiplicao de matrizes

A multiplicao de duas matrizes bem definida apenas se o nmero de colunas
da matriz da esquerda o mesmo nmero de linhas da matriz da direita. Se A
uma matriz m n e B uma matriz n p, ento seu produto AB a matriz
m p (m linhas e p colunas) dada por:
X
(AB)[i, j] = A[i, 1]B[1, j]+A[i, 2]B[2, j]+...+A[i, n]B[n, j] = A[i, k]B[k, j]
k
para cada par i e j.

A expresso acima pode parecer complicada, mas na prtica o clculo do ele-
mento (AB)[i, j] bastante simples. Ele obtido multiplicando-se os elementos
da linha i de A pelos elementos correspondentes da coluna j de B e somando
os resultados.
Exemplo 11. Dadas a matriz 2 3

1 0 2
A=
1 3 1
e a matriz 3 2
3 1

B = 2 1

1 0
seu produto AB calculado da seguinte forma
3 1

1 0 22 1 =
(1 3 + 0 2 + 2 1) (1 1 + 0 1 + 2 0) =
5 1 .
1 3 1
(1 3 + 3 2 + 1 1) (1 1 + 3 1 + 1 0) 4 2
1 0
Nesse caso tambm podemos calcular o produto BA:
3 1 (3 1 + 1 (1) 3 0 + 1 3 3 2 + 1 1

1 0 2 21+13
2 1 = 2 0 + 1 3 2 2 + 1 1

1 3 1
1 0 1 1 + 0 (1) 1 0 + 0 3 1 2 + 0 1
2 3 7

= 5 3 5 .

1 0 2
Note que no exemplo acima AB 6= BA, j que a primeira uma matriz

2 2 enquanto a segunda uma matriz 3 3. Isso mostra que a multiplicao
de matrizes no comutativa, ou seja, a ordem dos fatores altera o valor do
produto. Em alguns casos, pode ser possvel calcular AB, mas o produto BA
pode nem estar definido.
Exemplo 12. Dadas a matriz 1 3
h i
A= 1 0 2
e a matriz 3 2
3 1

B = 2 1

1 0
seu produto AB calculado da seguinte forma
3 1

h i h i h i
1 0 2 2 1 = (1 3 + 0 2 + 2 1) (1 1 + 0 1 + 2 0) = 5 1 .

1 0
Nesse caso NO podemos calcular o produto BA, j que uma matriz 3 2

no pode ser multiplicada por uma matriz 1 3.
Observao 2. No se define adio ou subtrao de um nmero com uma
matriz, nem divises envolvendo matrizes.
Teorema 1. Sejam e constantes reais e A e B matrizes de tamanho apro-
priado. As operas matriciais satisfazem as seguintes propriedades:
1. Comutatividade da soma: A + B = B + A;
2. Associatividade da soma: A + (B + C) = (A + B) + C;
3. Associatividade da multiplicao por constante: (A) = ()A;

4. Distributividade da multiplicao por constante: ( + )A = A +

A;
5. Distributividade da multiplicao por constante: (A + B) = A +

B;
6. Associatividade do produto: (AB)C = A(BC);
7. Distributividade do produto de matrizes: A(B + C) = AB + BC e

(A + B)C = AC + BC;
8. Associatividade do produto: (AB) = (A)B = A(B).
Exerccio 1. Prove a validade das propriedades acima.
1.2.4 Transposio
A matriz transposta de uma matriz A do tipo mn a matriz AT do tipo nm
que se obtm trocando as linhas pelas colunas de A, ou seja, AT [i, j] = A[j, i].

a
11
a12 . . . a1n a a21
11
. . . am1
a21 a22 . . . a2n a12 a22 . . . am2

T
A = .. .. . . . ... A = ... .. . . . ... .
. . .

am1 am2 . . . am,n a1n a2n . . . amn

1
1. Se A = 1 2 , ento AT =
h i
Exemplo 13. .
2

1 2 1 3
2. Se A = ento AT = .
3 4 2 4
Proposio 1. Seja c uma constante real e A e B matrizes de tamanho ade-
quado. As seguintes propriedades so vlidas:
T
1. AT = A;
2. (A + B)T = AT + B T ;
3. (cA)T = cAT ;
4. (AB)T = B T AT .
Demonstrao.
T
1. AT

[i, j] = AT [j, i] = A[i, j];
2.
(A + B)T [i, j] = (A + B)[j, i]
= A[j, i] + B[j, i]
.
= AT [i, j] + B T [i, j]
= (AT + B T )[i, j];
3. (cA)T [i, j] = (cA)[j, i] = c A[j, i] = c AT [i, j];
4. (AB)T [i, j] = AB[j, i] = ajk bki = k bki ajk = B T AT [i, j].

P P
k
Exerccio 2. Dadas as matrizes

2 1 5 10
A= eB=
4 2 15 0
calcule A + B, 2A 3B, 12 A + 5B.

Exerccio 3. Utilizando as matrizes do exerccio 2, calcule AB e BA (utilize
um computador para realizar as contas). Conclua que o produto de matrizes
no comutativo.
Exerccio 4. ?? Seja
3 0
C= .
1 2
1. Utilizando as matrizes A e B do exerccio 2, calcule (A + B) + C e A +
(B + C) (efetue primeiro a operao que est entre parnteses. Utilize um
computador para realizar as contas). As duas matrizes obtidas so iguais?
Esse resultado ilustra a propriedade associativa da soma de matrizes.
2. Calcule (AB)C e A(BC) (utilize um computador para realizar as contas).
As duas matrizes obtidas so iguais? O resultado ilustra a propriedade
associativa do produto de matrizes.
Exerccio 5. Seja
1 0
I= .
0 1
Utilizando as matrizes dos exerccios 2 e ??, calcule AI, IA, BI, IB, CI,
IC (utilize um computador para realizar as contas). Voc percebe alguma
propriedade interessante ao calcular esses produtos? A matriz I chamada
matriz identidade. Veremos algumas propriedades dessa matriz na subseo
1.3.4.
Exerccio 6. Entre as matrizes abaixo, quais podem ser somadas e quais podem
ser multiplicadas? Justifique. Em caso afirmativo, calcule a soma ou o produto.

0 1 2 1 9
1. X = ,Y = ;
4 2 4 72 8
2 10 1

2 1 9
2. X = 4 3 2 , Y = ;

4 2 8
3 4 1

0 1 3 2 1 9
3. X = ,Y = ;
4 2 2 4 2 8
2 1 9

0 1 3
4. X = , Y = 4 2 8 .

4 2 2
1 0 1
Exerccio 7. Suponha que A e B so matrizes 3 3. Verifique quais das

afirmaes abaixo so verdadeiras e quais so falsas. Se uma afirmativa for
falsa, mostre um contra-exemplo.
1. Se as colunas 1 e 3 de B so iguais, ento as colunas 1 e 3 de AB tambm

so;
2. Se as linhas 1 e 3 de B so iguais, ento as linhas 1 e 3 de AB tambm

so;
3. Se as linhas 1 e 3 de A so iguais, ento as linhas 1 e 3 de AB tambm

so.
Exerccio 8. Seja
2 x2
A= .
2x 1 2
Se A = AT , encontre o valor de x.
Exerccio 9. Verique se as armativas abaixo so verdadeiras ou falsas. Quando
uma armativa for falsa, tente consert-la para que se torne verdadeira.
1. (A)T = (AT );
2. (A + B)T = B T + AT ;
3. (A)(B) = (AB);
4. Se podemos efetuar o produto AA, ento A uma matriz quadrada;
5. Se AB e BA so definidos, ento A e B so matrizes quadradas;

6. Se AB = B ento A = I;
7. (AB)2 = A2 B 2 ;
8. (A + B)2 = A2 + 2AB + B 2 .
1.3 Algumas matrizes especiais

1.3.1 Matrizes Diagonais
A diagonal principal de uma matriz quadrada corresponde aos elementos aij com
i = j.

a 11 a 12 a 1n
a21 a22 a2n

.. .. . . . ..

. . .

an1 an2 ann
Uma matriz diagonal uma matriz quadrada cujos elementos exteriores
diagonal principal so nulos.
Exemplo 14. As matrizes
0 0 0 3 0 0 0 0 0

1 0 , 0 2 0 , 0 1 0 , 0 0 0

0 1
0 0 3 0 0 5 0 0 0
so matrizes diagonais. Observe que a definio de uma matriz diagonal permite

que o elementos que pertencem diagonal principal de uma matriz diagonal
sejam nulos.
Vrias operaes matriciais preservam a forma de matrizes diagonais:
O produto de um escalar por uma matriz diagonal uma matriz diagonal;

A soma de duas matrizes diagonais uma matriz diagonal;
O produto de duas matrizes diagonais uma matriz diagonal.
1.3.2 Matrizes triangulares

Uma matriz quadrada chamada triangular quando os elementos acima ou
abaixo da diagonal principal so zero. Mais especificamente, uma matriz trian-
gular superior aquela em que os elementos abaixo da diagonal principal so
nulos, ou seja, aij = 0 sempre que i > j; uma matriz triangular inferior aquela
em que os elementos acima da diagonal principal so nulos, ou seja, aij = 0
sempre que i < j.
Vrias operaes matriciais preservam a forma de matrizes triangulares:
O produto de uma matriz triangular superior por uma constante uma

matriz triangular superior;
A soma de duas matrizes triangulares superiores uma matriz triangular

superior;
O produto de duas matrizes triangulares superiores uma matriz triangular

superior.
Analogamente, temos que:
O produto de uma matriz triangular inferior por uma constante uma

matriz triangular inferior;
A soma de duas matrizes triangulares inferiores uma matriz triangular

inferior;
O produto de duas matrizes triangulares inferiores uma matriz triangular

inferior.
Exemplo 15. A matriz

1 4 2

A = 0 3 4

0 0 1
uma matriz triangular superior e a matriz
1 0 0

B = 2 8 0

4 9 7
uma matriz triangular inferior.
Exerccio 10. Mostre que se uma matriz triangular superior e inferior simul-
taneamente, ento ela uma matriz diagonal.
1.3.3 Matrizes Nulas

A matriz nula 0m,n a matriz m n com todos os elementos iguais a zero.
Exemplo 16. As matrizes

h i 0 0 0 0 0
01,1 = 0 , 02,2 = , 02,3 =
0 0 0 0 0
so matrizes nulas.
Em geral, a matriz nula m n tem a forma

0 0 0
0

0 0
0m,n = .. .. ... .. .
. . .

0 0 0
A matriz nula m n o elemento neutro para a soma das matrizes de
tamanho m n, ou seja, para toda matriz A do tipo m n valem as igualdades
A + 0m,n = 0m,n + A = A.
Em geral, o tamanho da matriz fica claro do contexto e escrevemos apenas

0 para denotar a matriz nula. Fiquem sempre atentos para no confundir com
o nmero 0 ou as diferentes matrizes nulas entre si. Sempre que aparecer o
smbolo 0, ele representar a matriz nula de tamanho adequado.
1.3.4 Matrizes Identidade

A matriz identidade n n uma matriz diagonal, cujos elementos da diagonal
so todos iguais a 1. denotada por In ou simplesmente I, quando o tamanho
da matriz for claro do contexto. A matriz identidade In tem a seguinte forma:

1 0 0
0

1 0
In = .. .. ... ..
. . .

0 0 1
A matriz In o elemento neutro da multiplicao de matrizes n n. Mais
precisamente, para qualquer matriz A do tipo n n, as seguintes igualdades so
vlidas:
AIn = In A = A.
1.3.5 Matrizes Simtricas

Uma matriz chamada simtrica se A = AT . Como duas matrizes so iguais
somente se as dimenses so iguais, uma matriz s simtrica se ela quadrada.
Proposio 2. Toda matriz simtrica uma matriz quadrada.
Demonstrao. Seja A uma matriz mn. Sabemos que a transposio inverte

as linhas e as colunas da matriz, AT uma matriz n m. Se A uma matriz
simtrica, A = AT e como duas matrizes so iguais somente se as dimenes so

iguais, temos que m = n.
As entradas de uma matriz simtrica so simtricas em relao diagonal
principal.
Proposio 3. Se A uma matriz simtrica, ento aij = aji .
Demonstrao. Primeiramente notamos que se B = AT ento bij = aji ,

uma vez que a transposio troca as linhas e colunas de A. Da igualdade
A = AT = B segue que aij = bij = aji e o resultado est provado.

1 7 3

7 4 5

3 5 6
uma matriz simtrica.
1.3.6 Matrizes Anti-simtricas

Uma matriz chamada anti-simtrica se A = AT . Como duas matrizes so
iguais somente se as dimenses so iguais, uma matriz s anti-simtrica se ela
quadrada.
Exerccio 11. Utilize um argumento semelhante ao utilizado na proposio 2
para mostrar que toda matriz anti-simtrica uma matriz quadrada.
Exerccio 12. Utilize um argumento semelhante ao utilizado na proposio 3
para mostrar que se A uma matriz anti-simtrica, ento aij = aji .
0 2 1

2 0 4

1 4 0
uma matriz anti-simtrica.
1.3.7 Matrizes Idempotentes

Uma matriz idempotente uma matriz que, ao ser multiplicada por si mesma,
resulta em si mesma, isto , AA = A.
Exerccio 13. Mostre que se o produto AA possvel, A deve necessariamente
ser uma matriz quadrada.
Exerccio 14. Mostre que as matrizes
2 2 4

1 0 e 1 3 4

0 1
1 2 3
so idempotentes.
Exerccio 15. Mostre que uma matriz 2 2 que pode ser escrita na forma

a b
c 1a
com a2 + bc = a, em que a, b e c so nmeros reais quaisquer, idempotente.
1.3.8 Matrizes Nilpotentes

Uma matriz quadrada A de ordem n diz-se uma matriz nilpotente se existir um
nmero natural k tal que Ak = 0, onde 0 representa a matriz nula de tamanho
adequado. O menor nmero natural tal que Ak = 0, chamado ndice de
nilpotncia da matriz A.
Exerccio 16. 1. Mostre que a matriz nula
0 0 0

0 0 0

0 0 0
uma matriz nilpotente;
2. Mostre que a matriz

0 a 0

0 0 a , a 6= 0

0 0 0
nilpotente. Encontre seu ndice de nilpotncia.
3. Mostre que a matriz

0 0 0

a 0 0 , a 6= 0

a a 0
nilpotente. Encontre seu ndice de nilpotncia.
Exerccio 17. Quais so os valores de a para os quais a matriz
a 0 0

0 a 0

0 0 a
nilpotente?
1.4 Utilizando o Matlab

Vamos descrever aqui alguns comandos simples que podem ser usados para a
manipulao de matrizes. Outros comandos sero introduzidos ao longo do
curso a medida que forem necessrios.
A=[a11 a12 ...a1n; a21 a22 ... a2n; ... ; am1 am2 amn] cria uma
matriz m n usando os elementos a11, a12, ..., amn e a armazena numa
matriz de nome A.
Por exemplo, o comando A=[1 2; 4 5] cria a matriz

1 2
A=
4 5
O Matlab possui um comando especial para criar uma matriz identidade.

O comando I=eye(n) cria a matriz identidade n n e a armazena na
matriz I.
Existe tambm um comando especial para matrizes nulas. O comando

O=zeros(n) cria a matriz nula quadrada nn e o comando O=zeros(m,n)
cria a matriz nula m n e a armazena na matriz de nome 0.
O comando k*A calcula o produto do nmero previamente definida k pela

matriz previamente definida A.
A soma de matrizes pode ser facilmente realizada com o comando A+B,

que calcula a soma das matrizes previamente definidas A e B.
De maneira anloga, o comando AB calcula a diferena das matrizes A

e B.
O produto de matrizes feito atravs do comando A*B, que calcula o

produto de duas matrizes previamente definidas A e B.
O comando A.' calcula a transposta da matriz previamente definida A.
O comando A^k calcula o produto da matriz A por ela mesma k vezes.
O comando
O Matlab mais adequado para fazer clculos com nmeros. Outros softwa-
res so mais indicados para fazer clculos com letras, isto , com variveis
simblicas. Ainda assim, o Matlab oferece a possibilidade de clculos simb-

licos. O comando syms x y z diz ao MATLAB que as variveis x, y e z so
simblicas.
Utilizando os comando introduzidos acima, resolva os problemas abaixo.
Exerccio 18. Utilize o MATLAB para conferir as respostas dos exerccios n-
mericos enunciados anteriormente.
Exerccio 19. Utilize o MATLAB para calcular a transposta da matriz F do
exemplo 1. Calcule o produto dessa transposta pela prpria matriz F .
Exerccio 20. Utilize o MATLAB para encontrar o menor valor natural de k
para o qual Ak = I, em que

0 1 0 0
1

0 0 0
A=
.
0 0 0 1

0 0 1 0
Exerccio 21. Utilize o MATLAB para encontrar o menor valor natural de k

para o qual Ak = 0, em que

0 1 0 0

0 0 1 0
A=
.
0 0 0 1

0 0 0 0
2
Sistemas Lineares
A teoria de sistemas lineares uma parte fundamental da lgebra linear, um tema

que usado na maior parte da matemtica moderna, pura ou aplicada. Podemos
encontrar vrias reas onde a utilizao de sistemas lineares fundamental, entre
elas a fsica, a qumica, a economia, a engenharia, a biologia, a geografia, a
navegao, a aviao, a cartografia, a demografia e a astronomia.
Algoritmos computacionais tambm so importantes para quem utiliza si-

temas lineares, uma vez que na grande maioria das aplicaes os sistemas que
devem ser resolvidos so enormes, o que inviabiliza qualquer tentativa de soluo
analtica. A utilizao de sistemas cada vez maiores faz com que a busca por
mtodos mais eficientes e rpidos de solues dos sistemas.
Alm da importncia intrnseca dos sistemas lineares, em algumas situaes

possvel substituir ou aproximar um sistema de equaes no-lineares de um
sistema linear, uma tcnica til em modelagem matemtica ou simulao com-
putacional de sistemas complexos.
25
2.1 Equaes Lineares

Dizemos que uma equao envolvendo as variveis x1 , . . . xn uma equao
linear se nela aparecem apenas somas dessas variveis multiplicadas por nmeros
reais, isto , se ela pode ser escrita na forma
a1 x1 + a2 x2 + . . . + an xn = b.
Observao 3. Em uma equao linear no podem aparecer potncias das va-

riveis com expoentes diferentes de 1, ou seja, no podem aparecer termos da
forma x2i , x3i , etc. Tambm no podem aparecer funes envolvendo as variveis,
como por exemplo cos, sen, exp, log, etc.
Exemplo 19. 1. A equao x1 + 2x2 4x3 x4 = 1 uma equao linear
envolvendo as variveis x1 , x2 , x3 e x4 ;
2. A equao x21 +2x2 4x33 x4 = 1 no uma equao linear pois aparecem

as potncias x21 e x33 ;
3. A equao cos(x1 ) + 2x2 4x3 sen(x4 ) = 1 no uma equao linear

pois aparecem os termos cos(x1 ) e sen(x4 );
4. A equao x1 +2x2 4x3 x4 = cos(1) uma equao linear. Observe que

a funo cos que a aprece na equao no est sendo aplicada a nenhuma
das variveis: cos(1) um nmero real como qualquer outro.
2.2 Sistemas de Equaes Lineares

Um sistema de equaes lineares (abreviadamente, sistema linear) um conjunto
finito de equaes lineares aplicadas num mesmo conjunto finito de variveis.
Por exemplo,
3x + 2y z = 1

2x 2y + 4z = 2
x + 21 y z = 0

um sistema de trs equaes com trs variveis (x, y e z). Uma soluo
para um sistema linear uma atribuio de nmeros s variveis que satisfaz
simultaneamente todas as equaes do sistema. Uma soluo para o sistema
acima dada por

x = 1

y = 2
z = 2

j que esses valores tornam vlidas as trs equaes do sistema em questo. A

palavra "sistema"indica que as equaes devem ser consideradas em conjunto,
e no de forma individual, ou seja, procuramos por valores das variveis que
satisfaam, simultaneamente, todas as equaes do sistema.
De maneira geral, um sistema linear com m equaes lineares e n incgnitas
pode ser escrito na forma:

a11 x1 + a12 x2 + + a1n xn = b1
a21 x1 + a22 x2 + + a2n xn = b2

.. .. .. ..

. . . .
m1 1 + am2 x2 + + amn xn = bm .

a x

onde x1 , x2 , . . . , xn so as incgnitas, a11 , a12 , . . . , amn so os coeficientes do

sistema e b1 , b2 , . . . , bm so termos constantes.
Muitas vezes, os coeficientes e as incgnitas so nmeros reais ou comple-
xos, mas pode-se encontrar tambm nmeros inteiros e racionais ou elementos
de uma estrutura algbrica abstrata. Nesse curso trabalharemos apenas com
sistemas lineares com coeficientes e incgnitas reais.
Em geral, as incgnitas representam propriedades de um determinado pro-
blema real, que devem satisfazer certas condies representadas pelas equaes
do sistema. Encontrar solues para o sistema fundamental para o estudo

do problema real em questo. Nesse captulo veremos algumas estratgias para
encontrar essas solues. Veremos mais adiante alguns exemplos de problemas
reais que podem ser modelados atravs de sistemas lineares.
2.2.1 Mtodo da substituio

O mtodo da substituio consiste em isolar uma incgnita em qualquer uma
das equaes, obtendo uma igualdade com um polinmio que depende apenas
das outras incgnitas. Ento deve-se substituir essa mesma incgnita em outra
das equaes pelo polinmio ao qual ela foi igualada.
Exemplo 20. Vamos ilustrar esse mtodo resolvendo um exemplo simples:

2x + 3y = 6
4x + 9y = 15.
Em primeiro lugar, resolvemos a equao superior para x em termos de y:
3
x = 3 y.
2
Em seguida, substitumos expresso para x na equao inferior:
3
!
4 3 y + 9y = 15.
2
Isto resulta numa nica equao envolvendo apenas a varivel y. Resolvendo
essa equao obtemos y = 1, e voltando equao anterior e substituindo y
por seu valor (isto , 1), vem que x = 3/2.
Este mtodo se generaliza para sistemas com variveis adicionais. Vamos
resolver o sistema
Exemplo 21.
x + 2y z = 1

y + z = 2
x + 3y = 0

utilizando o mesmo mtodo.

Vamos comear isolando as variveis x e z em funo de y, utilisando as
duas equaes de baixo que so mais simples. Assim temos
x = 3y, z = 2 y.
Substituindo na primeira equao temos
3y + 2y (2 y) = 1 2 = 1
obtemos ento uma contradio, o que implica que o sistema acima no possui
soluo. Isso acontece porque as trs equaes, consideradas conjuntamente,
so contraditrias. Vejamos porqu.
Se supomos que as duas primeiras equaes so verdadeiras, temos que

x + 2y z = 1
y + z = 2.
Temos ento que
(x + 2y z) + (y + z) = 1 + 2 x + 3y = 3
o que contradiz a terceira equao, que exige que x + 3y = 0.

Exemplo 22. Vamos resolver agora o sistema

x + y z = 1
x 2y + z = 0
Utilizando a segunda equao e isolando x, temos x = 2y z. Substituindo

na segunda equao temos
1 + 2z
(2y z) + y z = 1 3y 2z = 1 y = .
3
Substituindo na equao para x temos
2 + 4z 2+z
x= z = .
3 3
Como no h mais equaes que podem ser utilizadas, no h nenhuma restrio
que possa ser feita ao valor de z. Logo, a incgnita z pode assumir qualquer
valor real. Assim, vemos que o sistema admite infinitas solues, uma para cada
valor especificado de z. Essas solues podem ser agrupadas na forma
2+z 2 + 4z
x= , y= , z R.
3 3
No exemplo 20, vemos um sistema que possui uma nica soluo; no exemplo
21, vemos um sistema que no possui soluo e no exemplo 22, um sistema
que possui infinitas solues. Veremos mais adiante que essas so as nicas
possibilidades.
O mtodo de substituio funciona para qualquer sistema, para qualquer
nmero de equaes e de incgnitas. No entanto, ele se torna extremamente
trabalhoso quando o nmero de incgnitas passa de trs. Alm disso, ele no
adequado para implementaes computacionais. Na prxima seo veremos
como reescrever um sistema utilizando notao matricial e como utilizar as ma-
trizes envolvidas para desenvolver um mtodo mais eficiente para a soluo do
sistema.
Exerccio 22. Resolva os sistemas abaixo utilizando o mtodo de substituio:

x + 3y = 4
1.

2x + y = 1;
x + y z = 3

2.

x + 3y 5z = 10
x + 4y 3z = 5.

2.3 Notao matricial de sistemas lineares

Dado o sistema linear

a11 x1 + a12 x2 + + a1n xn = b1
a21 x1 + a22 x2 + + a2n xn = b2

.. .. .. .. (2.1)

. . . .
am1 x1 + am2 x2 + + amn xn = bm

considere as matrizes

a
11
a12 a1n x
1
b
1
a21 a22

a2n x2

b2

A = .. .. . . . ... , X = .. , B = .. .

. . . .

am1 am2 amn xn bm
Observe que A uma matriz m n, X uma matriz coluna com n elementos

e B uma matriz coluna com m elementos, em que m o nmero de equaes
e n o nmero de incgnitas.
Com essas definies, o sistema linear se torna equivalente equao matri-
cial
AX = B. (2.2)
De fato, ao efetuar o produto no lado esquerdo da equao, temos

a11 x1 + a12 x2 + + a1n xn
b
1

a21 x1 + a22 x2 + + a2n xn
b

= 2.

.. .. .. .. ..

. . . . .

am1 x1 + am2 x2 + + amn xn bm
A igualdade matricial acima se verifica se, e somente se, o sistema (2.1)

satisfeito.
A partir de agora, trabalharemos com a equao matricial AX = B. O
objetivo encontrar a matriz de incgnitas X. Quanto mais simples for a
matriz A, mais fcil ser encontrar X.
Exemplo 23. Resolva os sistema AX = B em que
1 0 0 1

A = 0 1 0 e B = 1 .

0 0 1 2
Soluo. Ao efetuar o produto no lado esquerdo da equao matricial AX = B

obtemos
1 0 0 x1 1

0 1 0 x = 1

2
0 0 1 x3 2
o que implica que x1 = 1, x2 = 1, x3 = 2.
No exemplo anterior, a resoluo da equao matricial pode ser feita de

forma trivial. Nem sempre esse o caso. Vamos agora descrever um mtodo que
pode ser utilizado para resolver qualquer equao matricial da forma (2.2). Esse
mtodo consite, essencialmente, em aplicar equao operaes que simplificam
a forma da matriz A sem alterar o conjunto de solues do sistema. O objetivo
final obter uma matriz o mais parecida possvel com a matriz do exemplo 23.
2.4 Mtodo de eliminao de Gauss

O mtodo de eliminao de Gauss (tambm conhecido como mtodo do es-
calonamento) um importante algoritmo para resolver sistemas de equaes
lineares. Esse algoritmo consiste da aplicao de uma sequncia de operaes
realizadas sobre a matriz associada ao sistema, afim de transform-lo num sis-

tema de mais fcil resoluo que possui as mesmas solues que o original. Este
mtodo tambm pode ser utilizado para vrios outros objetivos, como veremos
melhor mais adiante. O mtodo recebeu o nome do matemtico Carl Friedrich
Gauss (1777-1855), apesar de j ser conhecido por matemticos chineses j em
179 dC.
As operaes que podem ser utilizadas para simplificar o sistema sem alterar
seu conjunto de solues so chamadas operaes elementares. So elas:
1. Trocar duas equaes de lugar;

2. Multiplicar uma equao por um nmero qualquer diferente de 0;
3. Substituir uma equao pela sua soma com um mltiplo de outra equao.
Quando aplicamos operaes elementares sobre as equaes de um sistema

linear, somente os coeficientes do sistema so alterados, assim podemos aplicar
as operaes sobre a matriz de coeficientes do sistema

a
11
a12 a1n | b1
a21 a22

a2n | b2
.. .. . . . ... .
| ..

. .

am1 am2 amn | bm
que chamamos de matriz aumentada do sistema.
Exerccio 23. Encontre a matriz aumentada dos sitemas abaixo:
2x + 3y z = 1

1.

5x + y + 10z = 2
x y + z = 3.

x + 2y z + w = 3

2.

2x + 3y 5z + 2w = 10
x + 4y 3z + 4w = 5.


x + 3y 2z = 4
3.

2x + y z = 1.
O resultado das operaes elementares sobre a matriz aumentada so:
1. Trocar duas linhas da matriz [A|B];

Exemplo 24. Troca da primeira com a terceira linha:
1 2 3

7 8 9
4 5 6 4 5 6 .

7 8 9 1 2 3
2. Multiplicar uma linha da matriz [A|B] por um nmero qualquer diferente

de 0;
Exemplo 25. Multiplicao da segunda linha por 2:

1 2 3 1 2 3
4 5 6 | 2 8 10 12 .

7 8 9 7 8 9
3. Substituir uma linha pela sua soma com um mltiplo de outra linha da
matriz [A|B].
Exemplo 26. Somar terceira linha 1 vezes a segunda linha:

1 2 3 1 2 3
4 5 6 4 5 6 .

(1)
7 8 9 + 3 3 3
Toda operao elementar possui uma operao elementar inversa, isto ,

uma operao elementar que disfaz o que a primeira fez. Se trocamos a linha
k pela linha l, a operao elementar inversa trocar novamente a linha k pela
linha l. Se multiplicamos uma linha por um nmero 6= 0, a operao elementar

inversa multiplicar a mesma linha por 1 . Se somamos um mltiplo de uma linha
outra, a operao elementar inversa subtrair dessa mesma linha o mesmo
mltiplo da linha que somamos.
Teorema 2. Se dois sistemas lineares AX = B e CX = D, so tais que a matriz
aumentada [C|D] obtida de [A|B] aplicando-se uma operao elementar,
ento os dois sistemas possuem as mesmas solues.
Demonstrao. A demonstrao deste teorema segue de duas observaes:
1. Se X soluo de um sistema, ento X tambm soluo do sistema

obtido aplicando-se uma operao elementar sobre suas equaes. claro
que alterar a ordem de duas equao no altera a soluo; multiplicar
ambos os lados de uma equao pelo mesmo nmero no nulo tambm no
altera a validade da equao; finalmente, se duas equaes so satisfeitas,
a soma delas tambm ser.
Isso mostra que toda soluo de [A|B] tambm soluo de [C|D].
2. Se o sistema CX = D obtido de AX = B aplicando-se uma operao

elementar, ento o sistema AX = B tambm pode ser obtido de CX = D
aplicando-se uma operao elementar s suas equaes, pois cada opera-
o elementar possui uma operao elementar inversa do mesmo tipo,
como comentado anteriormente.
Essa afirmao combinada com a observao 1 mostra que qualquer soluo

de [C|D] tambm soluo de [A|B]. Podemos concluir que ambos os sistemas
possuem exatamente as mesmas solues.
Exemplo 27. Vamos resolver o sistema linear
z = 1

x +

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

utilizando operaes elementares.

Soluo. Primeiramente, escrevemos a matriz aumentada do sistema
1 0 1 | 1

1 2 1 | 1 .

3 1 0 | 0
Vamos aplicar agora uma srie de operaes elementares com o objetivo de sim-
plificar ao mximo a matrix A que est do lado esquerdo da matriz aumentada.
O objetivo deixar apenas um elemento no nulo em cada coluna. Veremos ao
final desse exemplo que quando isso acontece a resoluo do sistema trivial.
Vamos comear com a primeira coluna. Na primeira linha aparece o ele-
mento a11 = 1. Ele ser o nico elemento no nulo da primeira coluna ao final
do processo. Devemos agora zerar os outros elementos da primeira coluna. Para
zerar o elemento a21 , multiplicamos a primeira linha por 1 e somamos se-
gunda linha. Para zerar o elemento a31 multiplicamos a primeira linha por 3 e
somamos terceira linha.
1 0 1 | 1 1 0 1 | 1 1 0 1 | 1

(1) (3)
1 2 1 | 1
+ 0 2 2 | 2 0 2 2 | 2 .

3 1 0 | 0 3 1 0 | 0 + 0 1 3 | 3
Com essas operaes, levamos a primeira coluna ao formato desejado. Vamos
agora trabalhar com a segunda coluna. O primeiro elemento da segunda coluna
igual a zero. Vamos ento trabalhar com o elemento a22 . Para facilitar os
clculos, vamos dividir a segunda linha por 2 para que a22 seja igual a 1.
1 0 1 | 1 1 0 1 | 1

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

0 1 3 | 3 0 1 3 | 3
Vamos agora zerar o elemento a32 para que a22 seja o nico elemento no
nulo nessa coluna. Para isso, multiplicamos a linha 2 por 1 e somamos linha
3.
1 0 1 | 1 1 0 1 | 1

0 1 1 | 1 0 1 1 | 1 .

(1)
0 1 3 | 3 + 0 0 2 | 2
Observe que as operaes realizadas para simplificar a segunda coluna NO
alteraram a primeira coluna. Essa propriedade crucial para o funcionamento
do mtodo.
Para simplificar as contas, dividimos a terceira coluna por 2.
1 0 1 | 1 1 0 1 | 1

0 1 1 | 1 0 1 1 | 1

.

0 0 2 | 2 | 12 0 0 1 | 1
Vamos agora zerar os elementos a13 e a23 para que o elemento a33 seja o
nico elemento no nulo da terceira coluna. Para isso somamos a terceira linha
primeira e em seguida multiplicamos a terceira linha por 1 e somamos
segunda.
1 0 1 | 1 + 1 0 0 | 0

0 1 1 | 1
+ 0 1 0 | 0 .

0 0 1 | 1 1 (1) 0 0 1 | 1
A matriz acima no pode ser mais simplificada atravs de operaes ele-
mentares. Quando chegamos a esse ponto transformamos a matriz aumentada
novamente em um sistema. Nesse caso temos
+ 0y + 0z = 0

x

0x + y + 0z = 0
0x + 0y + z = 1

cuja soluo nica , obviamente, x = 0, y = 0 e z = 1.
Nem sempre possvel levar a matriz de coeficientes do sistema a uma forma

anloga do exemplo anterior. A forma mais simples que podemos obter atravs
de operaes elementares chamada forma escalonada reduzida da matriz.
Definio 1. Dada uma matriz A, chamamos de piv de uma linha i de A o
primeiro elemento no nulo dessa linha.
Definio 2. Dizemos que uma matriz est na sua forma escalonada reduzida
quando ela satisfaz as seguintes condies:
1. Todas as linhas no-nulas esto acima de qualquer linha composta s de
zeros;
2. O piv de cada linha igual a 1 e est numa coluna direita do piv da
linha acima;
3. Todos os elementos de uma coluna que contm um piv so zero.
1 0 2 1 0 0 1 0 2

0 0 0 1 0 , C = 0 1 1 , D = 0 1 0 , E = 0 1 1 .
A= , B =

4 5 1 1 2
0 0 1 0 0 1 0 0 0
A matriz A no est na forma escalonada reduzida porque no satisfaz a condio
1. A matriz B no est na forma escalonada reduzida porque no satisfaz
a condio 2. A matriz C no est na forma escalonada reduzida porque no
satisfaz a condio 3. J as matrizes D e E esto na forma escalonada reduzida,
uma vez que satisfazem todas as condies exigidas.
Proposio 4. Dada uma matriz qualquer A, possvel lev-la a uma matriz C

na forma escalonada reduzida aplicando operaes elementares sobre as linhas de
A. A matriz C nica, ou seja, no depende da ordem ou do tipo de operaes
elementares aplicadas matriz A.
Considere um sistema com matriz de coeficientes [A|B]. Para transformar
esse sistema em outro mais simples que tenha o mesmo conjunto de solues,
aplicamos operaes elementares matriz de coeficientes [A|B] at que a matriz
A esteja na forma escalonada reduzida.
z = 2

x

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

Soluo. Escrevendo a matriz aumentada do sistema e escalonando temos:

1 0 1 | 2 0 1 |

(2) (3) 1 2
2 2 1 | 1
+ 0 2 3 | 3 | 12

3 2 0 | 4 + 0 2 3 | 2
0 1 |

1 2
3
0 1 | 32

2
2
0 2 3 | 2 +
0 1 |

1 2
0 1 23 | 32 .

0 0 0 | 1
A matriz do lado esquerdo j est na forma escalonada reduzida e portanto
no pode ser simplificada. Transformando novamente a matriz em um sistema
obtemos

x z = 2
3z

y + 2 = 32
0x + 0y + 0z = 1

que um sistema sem soluo, uma vez que a terceira equao implica que
0 = 1, o que obviamente no uma igualdade verdadeira.
Observe que nesse caso no necessrio completar todo o escalonamento
para ver que o sistema no possui soluo. Aps a primeira etapa do escalo-
namento a segunda equao equivale a 2x + 3y = 3 enquanto a terceira
equao equivale a 2x + 3y = 2 que claramente no podem ser satisfeitas
simultaneamente.

z = 2

x

2x 2y + z = 1
3x 2y = 3


1 0 1 | 2 0 1 |

(2) (3) 1 2
2 2 1 | 1 + 0 2 3 | 3 | 21

3 2 0 | 3 + 0 2 3 | 3
0 1 |

1 2
3
0 1 | 32

2
2
0 2 3 | 3 +
0 1 |

1 2
0 1 32 | 23 .

0 0 0 | 0
obtemos

x z = 2
3z

y + 2 = 23
0x + 0y + 0z = 0

Observe que a ltima equao se reduz a 0 = 0 e portanto pode ser descartada.

Ficamos ento com o sistema

x z = 2
y + 3z2 = 32
que implica que x = 2 z e y = 32 (1 + z). Como no h outra equao

que possa ser utilizada para determinar o valor de z, essa vriavel pode assumir
qualquer valor real. Logo o sistema possui infinitas solues, uma para cada
valor real da varivel z.
Observe que a terceira equao do sistema inicial obtida somando-se as

duas primeiras. Isso quer dizer que a equao no fornece nenhuma informao
adicional sobre as variveis e portanto pode ser eliminada.
z + w = 2

x

2x y + z + 2w = 0
2x 2y + 5z + w = 3

1 0 1 1 | 2 0 1 1 | 2

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

2 2 5 1 | 3 + 0 2 7 1 | 1
0 1 1 | 2

1
0 1 3 0 | 4

2
0 2 7 1 | 1 +
0 1 1 | 2 +

1
0 1 3 0 | 4 +

0 0 1 1 | 7 3
0 0 0 | 9

1
0 1 0 3 | 25 .

0 0 1 1 | 7

obtemos
x

= 9

y 3w = 25
z w = 7

o que implica que x = 9 e y = 25 + 3w e z = 7 + w. Como no h outra

equao que possa ser utilizada para determinar o valor de w, essa vriavel pode
assumir qualquer valor real. Logo o sistema possui infinitas solues, uma para
cada valor real da varivel w.
z + w = 2

x

2x y + z + 2w = 0
3x y + 3w = 3

1 0 1 1 | 2 1 0 1 1 | 2

(2) (3)
2 1 1 2 | 0
+ 0 1 3 0 | 4 .

3 1 0 3 | 3 + 0 1 3 0 | 3
A matriz do lado esquerdo ainda no est na forma escalonada reduzida, mas

nesse estgio j podemos perceber que o sistema no possui soluo, uma vez
que a segunda equao implica que y + 3z = 4 e a terceira equao implica
que y + 3z = 3, condies que no podem ser simultaneamente satisfeitas.
z + w = 2

x

2x y + z + 2w = 0
3x y + 3w = 2

1 0 1 1 | 0 1 1 | 2

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

3 1 0 3 | 2 + 0 1 3 0 | 4
1 1 | 2 0 1 1 |

1 0 1 2
0 1 3 0 | 4 0 1 3 0 | 4 .

0 1 3 0 | 4 + 0 0 0 0 | 0

obtemos

x z + w = 2

y 3z + = 4
0x + 0y + 0z + 0w = 0

Observe que a ltima equao se reduz a 0 = 0 e portanto pode ser descartada.

Ficamos ento com o sistema

x z + w = 2
y 3z + = 4
que implica que x = 2 + z w e y = 4 + 3z. Como no h outra equao que

possa ser utilizada para determinar os valores de z e w, essas vriaveis podem
assumir qualquer valor real. Logo o sistema possui infinitas solues, uma para
cada par de valores reais de z e w.
Observe que a terceira equao do sistema inicial obtida somando-se as

duas primeiras. Isso quer dizer que a equao no fornece nenhuma informao
adicional sobre as variveis e portanto pode ser eleminada.

2x + y = 3

x y = 0

x + 2y = 3
3x + 3y = 6

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

(2) (1) (3)
1 1 | 0
1 | 3 + 3 | 3 | 13

2
0

1 2 | 3 1 2 | 3 + 0 3 | 3

3 3 | 6 3 3 | 6 + 0 6 | 6
1 1 | 0 1 1 | 0 +

1 | 1 1 | 1

0 (3) (6) 0

0 3 | 3 + 0 0 | 0

0 6 | 6 + 0 0 | 0
1 0 | 1

0 1 | 1

.

0 0 | 0

0 0 | 0

obtemos

x = 1

y = 1

0x + 0y = 0
0x + 0y = 0

Observe que as duas ltimas equaes se reduzem a 0 = 0 e portanto podem

ser descartadas. J as duas primeiras implicam que x = 1 e y = 1 e portanto o
sistema possui soluo nica.
Observe que a terceira equao do sistema inicial obtida subtraindo a se-
gunda equao da primeira, enquanto a quarta equao pode ser obtida subtraindo-
se a segunda equao do dobro da primeira. Isso quer dizer que essas equa-
es no fornecem nenhuma informao adicional sobre as variveis e portanto
podem ser eleminadas.

2x + y = 3

x y = 0

x + 2y = 2
3x + 3y = 6

2 1 | 3 1 1 | 0

(2) (1) (3)
1 1 | 0
1 | 3 +

2

1 2 | 2 1 2 | 2 +

3 3 | 6 3 3 | 6 +
1 1 | 0

3 | 3

0

.
0 3 | 2

0 6 | 6
A matriz do lado esquerdo ainda no est na forma escalonada reduzida,

mas j podemos perceber que o sistema no possui soluo, uma vez que a
segunda equao implica que 3y = 3 enquanto a terceira implica que 3y = 2,
duas condies que nunca podem ser satisfeitas simultaneamente.

x + y + z = 1
x y + z

= 3

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


1 1 1 | | 1

1 (1) (2) (3) 1 1 1
1 1 1 | 3 + 2 0 | 2 | 21

0

2 0 2 | 4 + 0 2 0 | 2

3 1 3 | 5 + 0 2 0 | 2
1 1 | 1 1 1 | 1 +

1 1
1 0 | 1 1 0 |

0 2 2 0 1 (1)

0 2 0 | 2 + 0 0 0 | 0

0 2 0 | 2 + 0 0 0 | 0
0 1 |

1 2
1 0 |

0 1
.
0 0 0 | 0
0 0 0 | 0
obtemos

x + z = 2
= 1

y

0x + 0y + 0z = 0
0x + 0y + 0z = 0

Observe que as duas ltimas equaes se reduzem a 0 = 0 e portanto podem

ser descartadas. J as duas primeiras implicam que x = 2 z e y = 1. Como
no h mais equaes para determinar o valor de z, segue que o sistema tem
infinitas solues, uma para cada valor real de z.
Observe que a terceira equao do sistema inicial obtida somando-se a
segunda equao com primeira, enquanto a quarta equao pode ser obtida
somando-se segunda 2 vezes a primeira. Isso quer dizer que essas equaes
no fornecem nenhuma informao adicional sobre as variveis e portanto podem
ser eleminadas.
Observe dos exemplos acima que um piv sozinho em uma linha determina
unicamente o valor da varivel correspondente. Uma linha de zeros corresponde
a uma equao que no fornece nenhuma informao relevante sobre o sistema
e pode ser descartada. Equaes contraditrias implicam que sistema no tem
soluo. Linhas com duas entradas no nulas geram uma dependncia entre as
respectivas variveis.
Exerccio 24. Utilizando o mtodo de Gauss-Jordan, encontre as solues dos
sistemas lineares abaixo:

x + y = 3
1.

x y = 1

x + 2y = 5
2.

2x + 5y = 12

x + y = 4
3.

x 2y = 1
2x y = 4

x + y = 2
4.

3x + y = 5
5x + 3y = 9

x + 2y z = 3
5.

x y + z = 1

x + y + 2z = 3
6.

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

2x + 3y z + w = 1

7.

5x + y + 10z + 2w = 2
3x 2y + 11z + w = 3

Exerccio 25. Verdadeiro ou falso:
1. Se a terceira equao de um sistema linear comea com um coeficiente

nulo (0x), ento nenhum mltiplo da primeria equao ser subtrado da
terceira equao durante o processo de escalonamento;
2. Se a terceira equao de um sistema linear possui o segundo coeficiente

nulo (0y), ento nenhum mltiplo da segunda equao ser subtrado da
terceira equao durante o processo de escalonamento;
3. Se a terceira equao de um sistema linear possui os dois primeiros coe-

ficientes nulos (0x e 0y), ento nenhum mltiplo da primeria equao ou
da segunda equao ser subtrado da terceira equao durante o processo
de escalonamento.
Observao 4. Quando dois sitemas AX = B1 e AX = B2 possuem a mesma

matriz de coeficientes do lado esquerdo, podemos resolv-lo simultneamente
escalonando a matriz aumentada
[A|B1 |B2 ].
Exemplo 37. Suponhamos que precisamos resolver os sistemas
x 2y 2z = 2 x 2y 2z = 2

2x 4y 3z = 7 ,
2x 4y 3z = 5 .
x 2y + z = 4 x 2y + z = 0

Como ambos possuem a mesma matriz de coeficientes
1 2 2

A = 2 4 3 ,

1 2 1
podemos construir a matriz aumentada
1 2 2 | 2 | 2

2 4 3 | 7 | 5

1 2 1 | 4 | 0
e resolver os sistemas simultaneamente. Aps escalonamento obtemos
1 2 0 | 0 | 34

0 0 1 | 0 | 0 ,

0 0 0 | 1 | 31
o que implica que nenhum dos sistemas acima possui soluo.
2.5 Comportamento de sistemas lineares

Proposio 5. Se um sistema linear possui duas solues distintas, ento ele
possui infinitas solues.
Demonstrao. Suponhamos que X1 e X2 sejam solues do sistema AX = B.

Ento X = X1 + (1 )X2 tambm soluo para qualquer valor real de ,
uma vez que
A (X1 + (1 )X2 ) = AX1 + (1 )AX2 = B + (1 )B = B.
Temos ento trs opes para o comportamento de um sistema linear.
1. Um sistema possvel determinado um sistema que possui uma nica

soluo. Nesse caso, a forma escalonada reduzida de A sempre igual
matriz identidade (com, possivelmente, algumas linhas nulas abaixo).
2. Um sistema possvel indeterminado um sistema que possui infinitas

solues. Nesse caso, a forma escalonada reduzida sempre tem alguma
linha nula que levar a uma varivel indeterminada.
3. Um sistema impossvel um sistema que no possui soluo. Nesse
caso, sempre aparece uma linha com zeros em todos os elementos do lado
correspondente matriz A, enquanto o elemento correspondente matriz
B diferente de zero.
Nos dois ltimos casos, a forma escalonada reduzida da matriz A possui uma
linha de zeros. Quando isso acontece dizemos que o sistema singular.
Exerccio 26. Explique por que o sistema

x + y + z = 2

x y +z = 1
2x + 2z = 2

impossvel, encontrando uma combinao das trs equaes que leve equao
0 = 1. Que valor deve substituir o ltimo zero do lado direito para permitir que
o sistema tenha infinitas solues? Nesse caso, qual o conjunto de solues?
Exerccio 27. Para qual valor de a R o sistema

3x + 2y = 10
6x + 4y = a
impossvel? Por qu? Para quais valores de a o mesmo sistema possui infinitas
solues? Por qu? Nesse caso encontre o conjunto de solues. Existe algum
valor de a para o qual o sistema acima possui uma nica soluo?
Exerccio 28. Verifique se existe algum valor de a para o qual o sistema

ax + y = 1
4x + ay = 2
se torna singular. Nesse caso, o sistema possvel ou impossvel?
Exerccio 29. Escolha o valor do coeficiente b para o qual o sistema

2x + by = 16
4x + 8y = g
singular. A seguir, escolha o valor de g para o qual o sistema possui soluo.

Nesse caso, encontre o conjunto de solues.
Exerccio 30. Qual a condio que b1 e b2 devem satisfazer para que o sistema

3x 2y = b1
9x 6y = b2
possua soluo? Nesse caso, encontre o conjunto de solues.

Exerccio 31. Estude o comportamento do sistema abaixo, em funo dos va-
lores de a, b1 , b2 , b3 .

ax + 2y + 3z = b1

ax + ay + 4z = b2
ax + ay + az = b3

2.6 Interpretao geomtrica de sistemas

lineares
2.6.1 Sistemas com duas incgnitas
Voc aprendeu em seu curso de Geometria Anlitica e Clculo Vetorial que
qualquer reta r em R2 pode ser descrita utilizando uma equao linear
r = {(x, y) | ax + by = c},
ou seja, o ponto (x, y) pertence reta r se, e somente se, a equao ax+by = c
satisfeita. Um conjunto de equaes lineares com duas incgnitas representa,
portanto, um conjunto de retas no plano. Um ponto satisfaz todas as equaes

do sistema se, e somente se, pertence todas essas retas. Isso quer dizer que
(x, y) ser uma soluo do sistema se, e somente se, pertencer todas as retas
definidas pelas equaes do sistema.
Essa ligao entre equaes lineares e retas permite resolver sistemas lineares
e interpretar suas solues de forma puramente geomtrica.
Exemplo 38. Resolva o sistema

x + y = 1
.
x y = 2
Soluo. Para encontrar a soluo do sistema, basta plotar as retas determi-

nadas pelas duas equaes e verificar qual a sua interseo.
Figura 2.1: Retas x + y = 1 e x y = 2 e sua interseo.
Da figura 2.1 vemos que as retas se cruzam em um nico ponto e portanto

o sistema possui soluo nica x = 1.5 e y = 0.5.
Exemplo 39.

x + y = 1

x y = 2 .
3x + y = 0


nadas pelas duas equaes e verificar qual a sua interseo.
Figura 2.2: Retas x + y = 1, x y = 2 e 3x + y = 0. Observe que as retas

no se interceptam.
Da figura 2.2 vemos que as retas no se cruzam em portanto o sistema no

possui soluo.
Exemplo 40.

x + y = 1

x y = 2 .
3x + y = 4


nadas pelas trs equaes e verificar qual a sua interseo.
Figura 2.3: Retas x + y = 1, x y = 2 e 3x + y = 4. Observe que as retas

no se interceptam.
Da figura 2.3 vemos que as retas se cruzam em um nico ponto e portanto

o sistema possui soluo nica x = 1.5 e y = 0.5.
Exerccio 32. Resolva os sistemas abaixo e faa um esboo da interpretao

geomtrica da soluo.

2x + y = 3
1.

x 2y = 1

2x + y = 3
2.

x 2y = 1
3x y = 3

2x + y = 3
3.

x 2y = 1
3x y = 2


2x + y = 3
4.

x + 2y = 1
3x y = 4

2.6.2 Sistemas com trs incgnitas

Voc aprendeu em seu curso de Geometria Anlitica e Clculo Vetorial que
qualquer plano em R3 pode ser descrita utilizando uma equao linear
= {(x, y) | ax + by + cz = d},
ou seja, o ponto (x, y, z) pertence ao plano se, e somente se, a equao

ax + by + cz = d satisfeita. Um conjunto de equaes lineares com trs
incgnitas representa, portanto, um conjunto de planos no espao. Um ponto
satisfaz todas as equaes do sistema se, e somente se, pertence a todos esses
planos. Isso quer dizer que (x, y, z) ser uma soluo do sistema se, e somente
se, pertencer a todos os planos definidos pelas equaes do sistema.
Essa ligao entre equaes lineares e planos permite resolver sistemas line-
ares e interpretar suas solues de forma puramente geomtrica.
Exemplo 41.
z = 1

x

y z = 2 .
x + y 2z = 3

Soluo. Para encontrar a soluo do sistema, basta plotar os planos determi-

nadas pelas trs equaes e verificar qual a sua interseo.
Figura 2.4: Os planos determinados pelas equaes x z = 1, y z =

2, x y z = 3 e sua interseo.
Da figura 2.4 vemos que os planos se cruzam em uma reta e portanto o sis-
tema possui infinitas solues. Essa reta pode ser parametrizada pelas equaes
x = z + 1 e y = z + 2, z R.
Exemplo 42.
z = 1

x

y z = 2 .
x + y 2z = 4


nados pelas trs equaes e verificar qual a sua interseo.
Da figura 2.5 vemos que os planos no se interceptam em nenhum ponto e
portanto o sistema no possui soluo.
Exemplo 43.
z = 1

x

y z = 2 .
x y z = 1


Figura 2.5: Os planos determinados pelas equaes x z = 1, y z = 2 e

x + 2y 2z = 4. Observe que os planos no se interceptam.
nados pelas trs equaes e verificar qual a sua interseo.

Das figuras 2.6, 2.7 e 2.8 vemos que os planos se interceptam em um nico
ponto e portanto o sistema possui soluo soluo nica x = 1, y = 2, z = 0.

Exerccio 33. Considere o sistema

ax + 2y = 0
2x + ay = 0
em que a R.
1. Mostre que o sistema abaixo possui pelo menos uma soluo para qualquer
valor de a;
2. Encontre o valor de a para que o sistema possua infinitas solues. Nesse
caso, qual a representao geomtrica do conjunto de solues? Faa
um esboo.
Exerccio 34. Descreva a interseo dos trs planos x+y +z = 3, x+y z = 1
e 3x + 3y + z = 7. uma reta, um ponto, ou um conjunto vazio? Como ser
a interseo se o plano x = 1 for adicionado? Encontre uma quinta equao
que deixe o sistema sem soluo.
Figura 2.8: Cada reta representa a interseo de dois dos planos determi-
nados pelas equaes do sistema. A interseo das trs retas corresponde
soluo do sistema.
Exerccio 35. Encontre dois pontos sobre a reta de interseo dos hiperplanos
w = 0, z = 0 e x + y + z + w = 1 em um espao quadridimensional.
Exerccio 36. Em que condies sobre os nmeros l, m e n os pontos (0, l),
(1, m) e (2, n) se localizam em uma linha reta?
Exerccio 37. Se trs planos se cruzam em dois pontos, onde mais eles se
cruzam?
2.7 Sistemas lineares homogneos

Um sistema da forma

a11 x1 + a12 x2 + + a1n xn = 0
a21 x1 + a22 x2 + + a2n xn = 0

.. .. .. ..

. . . .
+ am2 x2 + + amn xn = 0

am1 x1

chamado sistema linear homogneo, que pode ser escrito na forma matricial
como
AX = 0
em que
a
11
a12 a1n x
1
0

a21 a22

a2n x2

0

A = .. .. . . . ... , X = .. , 0= ..
.
. . . .

am1 am2 amn xn 0
Observe que todo sistema homogneo possui a soluo

0

0

X= ..
,
.

0
chamada soluo trivial. Portanto, no existe sistema homogneo impossvel.

Geometricamente, isso significa que o conjunto soluo de qualquer sistema
homogneo contm a origem.
Observe tambm que para resolver um sistema linear homogneo basta es-
calonarmos a matriz A, uma vez que as operaes elementares no alteram a
coluna de zeros da matriz aumentada [A|0].
Sabemos que um sistema com n incgnitas ter soluo nica quando a
forma escalonada da matriz A possui n pivs e nenhuma outra linha de zeros que
possa levar a uma contradio. Para sistemas lineares homogneos, como o lado
direito da matriz aumenta [A|0] sempre 0, linhas que levam a contradies no
existem e por isso sempre que encontrarmos n pivs o sistema possuir soluo
nica, ou seja, somente a soluo trivial. Se no for possvel encontrar n pivs,
o sistema ter infinitas solues.
Exerccio 38. Utilizando o mtodo de Gauss-Jordan, encontre as solues dos
sistemas lineares homogneos abaixo:

x + y = 0
1.

x y = 0

x + 2y = 0
2.

2x + 5y = 0

x + y = 0
3.

x 2y = 0
2x y = 0

x + y = 0
4.

3x + y = 0
5x + 3y = 0

x + 2y z = 0
5.

x y + z = 0

x + y + 2z = 0
6.

2x + 4y 3z = 0
x + 3y 5z = 0

2x + 3y z + w = 0

7.

5x + y + 10z + 2w = 0
3x 2y + 11z + w = 0

DICA: observe que voc j tem as formas escalonadas reduzidas das matrizes A
do exercco 24. No necessrio escalonar todas as matrizes novamente.
Teorema 3. Todo sistema homogneo com menos equaes que incgnitas
possui infintas solues.
Demonstrao. Suponhamos que o sistema tenha n incgnitas. Como o

sistema tem menos equaes que incgnitas, o nmero r de linhas no nulas da
forma escalonada reduzida da matriz aumentada [A|0] tambm menor que n e

portanto no possvel encontrar n pivs. Assim temos r pivs e n r variveis
livres, que podem assumir todos os valores reais, o que implica que o sistema
possui infinitas solues.
Teorema 4. Sejam X1 e X2 solues do sistema AX = 0. Ento valem as

seguintes propriedades:
1. X3 = X1 + X2 tambm soluo de AX = 0;
2. X4 = X1 tambm soluo de AX = 0 para qualquer R.
Demonstrao. Sabemos que AX1 = 0 e AX2 = 0, uma vez que X1 e X2 so

solues de AX = 0. Assim temos:
1. AX3 = A(X1 + X2 ) = AX1 + AX2 = 0 + 0 = 0;
2. AX4 = A(X1 ) = AX1 = 0 = 0.
Exerccio 39. Mostre que as propriedades acima no so verdadeiras se o sis-

tema no for homogneo.
2.8 Utilizando o MATLAB

o MATLAB no possui comandos pr-definidos para operaes elementares. No
entanto, elas podem ser facilmente realizadas com os comandos abaixo:
1. O comando A([i j],:) = A([j i],:) troca as linhas i e j da matriz

A;
2. O comando A(i,:) = k*A(i,:) multiplica a linha i da matriz A pelo

escalar k;
3. O comando A(i,:) = A(i,:) +k*A(j,:) soma linha i de A a linha j

vezes k.
Alguns pacotes adicionais podem ser encontrados em que os comandos para

realizar essas operaes esto definidos. Veja, por exemplo, o pacote GAAL do
professor Reginaldo Santos da UFMG.
O comando rref pode ser utilizado para encontrar a forma escalonada redu-
zida de uma matriz no MATLAB. Veja abaixo os passos que devem ser seguidos
para chegar forma escalonada reduzida da matriz aumentada de um sistema:
A=[ ] % declarar a matriz dos coeficientes $A$;

B=[ ] % declarar o vetor coluna dos coeficientes $b$;
M=[A B] % definir k como a matriz aumentada do sistema;
S=rref(M) % escalonar a matriz.
Exerccio 40. Utilize o MATLAB para refazer os exerccios nmericos desse

captulo.
3
Inverso de Matrizes
Sabemos que todo nmero real no nulo a possui um inverso multiplicativo

a1 = a1 tal que a a1 = a1 a = 1. Quando temos uma equao do tipo
ax = b em que a e b so nmeros reais conhecidos e x uma incgnita que deve
ser encontrada, basta dividirmos a equao por a para encontrar sua soluo
b
x= .
a
Esse procedimento possvel sempre que a 6= 0.
Sabemos que para matrizes a diviso no est definida e portanto o mesmo
procedimento no pode ser aplicado equao matricial AX = B para encon-
trar a soluo de um sistema linear. No entanto, em alguns casos possvel
definir o que chamamos de matriz inversa da matriz A, denotada por A1 , de
modo que A1 A = AA1 = I. Assim, o sistema AX = B pode ser resolvido
multiplicando-se a equao matricial por A1 :
A1 (AX) = A1 B
A1 A X = A1 B

IX = A1 B
X = A1 B.
67
Desse modo, sempre que possvel inverter a matriz A, o sistema pode ser
facilmente resolvido multiplicando-se B por A1 . Veremos em breve que apenas
as matrizes quadradas podem ser invertidas e que, alm disso, calcular a inversa
de uma matriz no uma tarefa trivial.
3.1 Definio e propriedades

Definio 3. Uma matriz quadrada A n n dita invertvel quando existe
outra matriz A1 n n tal que
A1 A = I e A A1 = I
onde I a matriz identidade n n.

Caso a inversa de A no exista, dizemos que A uma matriz singular.
Se A uma matriz invertvel, valem as seguintes propriedades:
1. A matriz inversa nica. De fato, supondo que A1 e B sejam duas

inversas para a matriz A temos
B = IB = A1 A B = A1 (AB) = A1 I = A1 .

2. A matriz inversa de uma matriz invertvel tambm invertvel, sendo que

a inversa da inversa de uma matriz igual prpria matriz, ou seja,
1
A = (A1 ) .
3. A matriz transposta de uma matriz invertvel tambm invertvel, e a

inversa da transposta a transposta da inversa, ou seja, (AT )1 = (A1 )T .
De fato
AT (A1 )T = (A1 A)T = I T = I e (A1 )T AT = (AA1 )T = I T = I.

4. A inversa de uma matriz multiplicada por um nmero (diferente de zero)

igual matriz inversa multiplicada pelo inverso desse nmero, ou seja
(A)1 = 1 A1
5. O inverso do produto de matrizes invertveis igual aos produtos das

inversas dessas matrizes com a ordem trocada, ou seja,
(A1 A2 A3 ...An )1 = A1 1 1 1
n ...A3 A2 A1 .
6. A matriz inversa de uma matriz identidade sempre igual prpria matriz

identidade, ou seja, I 1 = I. Essa propriedade decorre da igualdade
I I = I.
Exerccio 41. Dada uma matriz A, suponha que B a matriz inversa de A2 .

Mostre que a matriz C = AB a inversa de A.
Exerccio 42. Utilizando o exerccio anterior, mostre que A invertvel se, e
somente se, A2 invertvel.
3.2 Determinao da inversa

3.2.1 Aplicao da definio de inversa
Este mtodo de clculo da inversa consiste em partir de uma matriz quadrada
genrica, com incgnitas em vez de valores e aplicar a condio
A A1 = I.
Exemplo 44. Vamos calcular a inversa da matriz

2 1
A= .
4 3
Soluo. Sabemos que a matriz inversa tem que ser tambm uma matriz 2 2
e portanto da forma
a b
A1 = .
c d
O objectivo determinar os valores de a, b, c e d. Para isso aplicaremos a
definio de inversa:

2 1
a b =
1 0 .
4 3 c d 0 1
Resolvendo essa multiplicao de matrizes obtemos:

2a + c 2b + d 1 0
=
4a + 3c 4b + 3d 0 1
o que nos leva ao sistema de equaes:

2a + c = 1

2b + d = 0

4a + 3c = 0
4b + 3d = 1

Observe que temos dois sistemas

2a + c = 1 2b + d = 0
e

4a + 3c = 0 4b + 3d = 1
com a mesma matriz de coeficientes do lado direito, igual matriz original
A. Esses sistemas podem ser resolvidos escalonando simultaneamente a matriz
aumentada
2 1 | 1 | 0
A= .
4 3 | 0 | 1
Escalonando obtemos a matriz
1 0 | 32 | 1

A= 2 .
0 1 | 2 | 1
o que implica a = 23 , b = 1
2 ,c = 2 e d = 1. Assim, temos
1

3
A1 = 2 2 .
2 1
Caso a matriz que queremos inverter no fosse invertvel, chegaramos a um

sistema impossvel.
Esse mtodo se torna bastante trabalhoso para matrizes 3 3 e impraticvel
para matrizes maiores.
Exerccio 43. Encontre, se possvel, as inversas das matrizes abaixo utilizando
o mtodo mostrado no exemplo acima. Utilize um computador para escalonar
as matrizes envolvidas.

0 2
1. A = ;
3 0

2 0
2. A = ;
4 2

1 1
3. A = .
2 2
Exerccio 44. Encontre quatro matrizes 2 2 distintas de modo que cada uma
delas seja sua prpria inversa, ou seja, A2 = I.
3.2.2 Aplicao da eliminao de Gauss-Jordan

Uma outra forma de determinar a inversa de uma matriz utilizando a eliminao
de Gauss-Jordan. Esse mtodo uma maneira prtica de aplicar o mtodo
anterior.
Para entender o mtodo, vamos novamente analizar o que acontece no exem-

plo 44. Nesse exemplo, escrevemos a inversa na forma

a b
A1 = .
c d
e aplicamos a definio de inversa para encontrar os valores de a, b, c e d.

2 1 a b 2a + c 2b + d 1 0
= = .
4 3 c d 4a + 3c 4b + 3d 0 1
Observe que a primeira coluna de AA1 equivale a AX1 , em que

a
X1 =
c
a primeira coluna de A1 . Essa coluna deve ser igual primeira coluna da

matriz identidade, ou seja
AX1 = E1
em que
1
E1 =
0
a primeira coluna da matriz identidade. De maneira anloga, a segunda coluna
de AA1 equivale a AX2 , em que

b
X2 =
d
a segunda coluna de A1 . Essa coluna deve ser igual segunda coluna da

matriz identidade, ou seja
AX2 = E2
em que
0
E2 =
1
a segunda coluna da matriz identidade. Obtemos assim dois sistemas com a
mesma matriz de coeficientes A. Podemos ento resolv-los simultneamente
escalonando a matriz aumentada
[A|E1 |E2 ].
Observe que do lado esquerdo as colunas E1 e E2 geram a matriz identidade, e

portanto basta escalonar a matriz
[A|I].
Aps o escalonamento, obtemos a matriz aumentada
1 0 | 23 1

2
0 1 | 2 1
que nos leva a

a = 32
c = 1
2
para o primeiro sistema e

b = 2
d=1
para o segundo sistema. Veja que a matriz inversa aparece do lado esquerdo
aps o processo de escalonamento.
De maneira geral, para verificarmos se uma matriz A nn invertvel, basta
verificarmos se existe uma matriz B, tal que AB = I. Vamos denotar as colunas
da inversa B por X1 , X2 , . . . , Xn , ou seja, B = [X1 . . . Xn ], e as colunas da
matriz identidade I , por E1 , E2 , . . . , En , ou seja, I = [E1 . . . En ] , em que

1

0

0

0 1 0

E1 = 0 , E2 = 0 , . . . , En = 0 .

.. .. ..
. . .

0 0 1
Assim, a equao AB = I pode ser escrita como
A[X1 . . . Xn ] = [AX1 . . . AXn ] = [E1 . . . En ],
pois a j-sima coluna do produto AB igual A vezes a j-sima coluna da

matriz B. Analisando coluna a coluna a equao anterior, vemos que encontrar
B equivalente a resolver n sistemas lineares
AXj = Ej
para j = 1, . . . , n. Cada um dos sistemas pode ser resolvido usando o mtodo

de Gauss-Jordan. Como as matrizes dos coeficietes esquerda so todas iguais
A, podemos resolver todos os sistemas simultaneamente formando a matriz
aumentada
[A|E1 E2 . . . En ] = [A|I].
Aps escalonamento, chegamos a uma matriz do tipo [R|S], em que R a
forma escalonada reduzida da matriz A. Temos duas possibilidades:
1. Se R = I, ento a forma escalonada reduzida da matriz [A|I] da

forma [I|S]. Se escrevemos a matriz S em termos das suas colunas
S = [S1 S2 . . . Sn ], ento as solues dos sistemas AXj = Ej so
X = Sj e assim B = S e A invertvel;
2. Se R 6= I, ento a matriz A no equivalente por linhas matriz identi-
dade I. Ento a matriz R tem uma linha nula, o que implica que cada um
dos sistemas AXj = Ej ou tem infinitas solues ou no tem soluo. Se

todos os sistemas possurem infinitas solues, teramos infinitas opes
para B, o que no possvel pois sabemos que a inversa nica. Assim,
pelo menos um dos sistemas no possui soluo, o que quer dizer que a
matriz A no tem inversa.
Com esse raciocnio, provamos o seguinte resultado:
Teorema 5. Uma matriz A n n possui inversa se, e somente se, equivalente
por linhas matriz identidade I n n.
Alm de provar o teorema acima, o raciocnio anterior mostra tambm uma
maneira prtica de calcular a inversa de uma matriz A. Escrevemos lado a lado a
matriz que queremos inverter e a matriz identidade [A|I]. Em seguida, aplicam-
se sucessivas operaes elementares sobre as linhas da matriz a inverter, de
modo a transform-la em sua forma escalonada reduzida, aplicando as mesmas
operaes matriz identidade, obtendo a matriz [R|S]. Se R = I, A invertvel
e A1 = S. Se R 6= I a matriz A no invertvel.
Exemplo 45. Encontre, caso exista, a inversa da matriz

2 1
.
4 3
Soluo. Escrevendo a matriz aumentada e escalonando

2 1 | 1 0 (2) 2 1 | 1 0
+

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

2 0 | 3 1 | 21 1 0 | 23 12

0 1 | 2 1 0 1 | 2 1
Como a forma escalonada reduzida de A igual a I, A invertvel e a inversa
a matriz que aparece do lado direito:

3
12
A1 = 2 .
2 1

1 2 0

0 1 1 .

1 1 1

1 2 0 | 1 0 0 |

1 2 0 1 0 0
0 1 1 | 0 1 0 0 1 1 | 0 1 0

3
1 1 1 | 0 0 1 + 0 3 1 | 1 0 1 +
1 2 0 | 1 0 0 1 2 0 | 1 0 0

0 1 1 | 0 1 0 0 1 1 | 0 1 0 +

0 0 2 | 1 3 1 | 12 0 0 1 | 12 3
2 2
1 1
1 2 0| 1 0 0 + 1 0 0| 0 1 1

1 1 1
0 1 0 | 2 2 2 0 1 0 | 21 12 12 .

2
1 3 1
0 0 1 | 2 2 2 0 0 1 | 21 32 21
Como a forma escalonada reduzida de A igual a I, A invertvel e a inversa
a matriz que aparece do lado direito:
0 1 1

A1 = 12 12 12 .

12 3
2 12

1 2 0

0 1 1 .

1 1 1

1 2 0 | 1 0 0 |

1 2 0 1 0 0
0 1 1 | 0 1 0 0 1 1 | 0 1 0

1
1 1 1 | 0 0 1 + 0 1 1 | 1 0 1 +
|

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

0 0 0 | 1 1 1
Como temos uma linha de zeros do lado esquerdo, podemos parar o processo de
escalonamento: a forma escalonada reduzida de A no igual a I e portanto A
no uma matriz invertvel.
Exerccio 45. Utilizando o mtodo de Gauss-Jordan, encontre, caso exista, a

inversa das matrizes abaixo:
1 0 0

1. A = 1 1 0 ; Faa essa letra sem o auxlio do computador!

0 0 1
2 1 0

2. A = 1 2 1 ;

0 1 12
0 0 1

3. A = 0 1 1 ;

1 1 1

1 0 0 0
1
4 1 0 0
4. A = 1 1

.
3 3 1 0

1 1 1
2 2 2 1
Exerccio 46. D exemplos de matrizes A e B de modo que:

1. A e B sejam invertveis mas A + B seja singular;

2. A e B sejam singulares mas A + B seja invertvel;
3. A, B e A + B sejam invertveis;
4. A, B e A + B sejam singulares.
Exerccio 47. Suponhamos que A seja uma matriz 3 3 tal que a terceira linha
obtida somando-se as duas primeiras.
1. Explique porque o sistema
1

AX = 0

0
no possui soluo;
2. Descubra quais so as condies sobre b1 , b2 e b3 para que o sistema

b1

AX = b2

b3
possua soluo;
3. Mostre que A no invertvel.
Exerccio 48. Verdadeiro ou falso:
1. Se A invertvel, A1 tambm .
2. Se A invertvel ento AT tambm .
3. Uma matriz com uma linha de zeros pode ser invertvel.
4. Uma matriz com uma coluna de zeros pode ser invertvel.
Quando a matriz A de coeficientes de um sistema linear invertvel e sua

inversa conhecida, a resoluo do sistema trivial, como mostra o resultado
abaixo.
Teorema 6. Seja A uma matriz n n. O sistema associado AX = B tem
soluo nica se, e somente se, A invertvel. Neste caso a soluo X =
A1 B.
Demonstrao. Se a matriz A invertvel, ento multiplicando ambos os lados

da equao AX = B esquerda por A1 obtemos
A1 (AX) = A1 B
A1 A X = A1 B

IX = A1 B
X = A1 B.
Portanto, X = A1 B a nica soluo do sistema AX = B.

Por outro lado, se o sistema AX = B possui soluo nica, ento a forma
escalonada reduzida da matriz aumentada do sistema [A|B] da forma [I|C],
pois se a forma escalonada reduzida de A fosse diferente da identidade haveria
uma linha de zeros, e o sistema AX = B ou no possuiria soluo ou possuiria
infinitas solues. Logo, a matriz A equivalente por linhas matriz identidade,
o que implica que A invertvel.
Como consequncia do teorema anterior, vale a seguinte propriedade para
sistemas homogneos:
Corolrio 1. O sistema homogneo AX = 0 tem soluo no trivial se, e
somente se, A singular.
Demonstrao. Todo sistema homogneo possui pelo menos a soluo tri-

vial. Pelo teorema anterior, esta ser a nica soluo se, e somente se, A
invertvel. Assim, para que hajam solues alm da soluo trivial, A no

pode ser invertvel.
Exerccio 49. Resolva o sistema AX = B em que A e B so dadas abaixo:

0 2 1
1. A = ;B = ;
3 0 1

2 0 1
2. A = ;B = ;
4 2 1

1 1 1
3. A = ;B = ;
2 2 1
1 0 0 1

4. A = 1 1 0 ; B = 1 ;

0 0 1 1
2 1 0 1

5. A = 1 2 1 ; B = 1 ;

0 1 12 1
0 0 1 1

6. A = 0 1 1 ; B = 1 ;

1 1 1 1

1 0 0 0 1
1
1 0 0 1
7. A = 41 1

;B = .

3 3 1 0
1

1 1 1
2 2 2 1 1
Exerccio 50. Resolva o sistema homogneo AX = 0 em que A a matriz

dada abaixo:

0 2
1. A = ;
3 0

2 0
2. A = ;
4 2

1 1
3. A = .
2 2
1 0 0

4. A = 1 1 0 ; Faa essa letra sem o auxlio do computador!

0 0 1
2 1 0

5. A = 1 2 1 ;

0 1 12
0 0 1

6. A = 0 1 1 ;

1 1 1

1 0 0 0
1
4 1 0 0
7. A = 1 1

.
3 3 1 0

1 1 1
2 2 2 1
Observao 5. No necessrio escalonar as matrizes novamente. Observe

que essas matrizes j apareceram em exerccios anteriores.

Podemos calcular facilmente a inversa de uma matriz utilizando o mtodo de
Gauss-Jordan no MATLAB. Para isso, basta utilizar os comandos abaixo:
A=[ ] % declarar a matriz $A$ $n \times n$;
I= eye(n) % define I como a matriz identidade de tamanho adequado;
M=[A I] % definir M como a matriz aumentada justapondo A e I;
rref(M) % escalonar a matriz.
O MATLAB tambm possui um comando que calcula a inversa diretamente:

o comando inv(A). Para calcular a inversa, basta usar os comando abaixo:
A=[ ] % declarar a matriz $A$ $n \times n$;
B=inv(A) % define B como a inversa de A, caso exista.
No captulo 5 veremos algumas aplicaes de matrizes e sistemas e utilizare-

mos esse comando para calcular a inversa. No utilize o comando inv(A) para
calcular as inversas dos exerccios nmericos acima, mesmo que voc utilize um
computador para fazer o escalonamento das matrizes. O processo de escalo-
namento importante para entender o que acontece quando uma matriz tem
inversa e quando ela no tem. Utilizando o comando inv(A) diretamente essa
intuio perdida, uma vez que os clculo realizados para obter a inversa no
so mostrados pelo MATLAB.
Exerccio 51. Defina A= ones(4,4) e B=rand(4,1). Resolva o sistema AX =
B.
Exerccio 52. Defina A= ones(4,4) e B=ones(4,1). Resolva o sistema AX =
B.
Exerccio 53. Defina A= rand(4,4) e B=rand(4,1). Verifique se A possui
inversa. Resolva o sistema AX = B.
Exerccio 54. Encontre a inversa de A=5*eye(4)ones(4,4).
Exerccio 55. Encontre a inversa de A=6*eye(5)ones(5,5).
Exerccio 56. Mostre que A=4*eye(4)ones(4,4) no invertvel.

Exerccio 57. Utilize o comando inv(A) para calcular a inversa da matriz
A=pascal(4). O que faz o comando pascal?
Exerccio 58. Utilizando os comandos rand e inv, tente encontrar matrizes de

vrios tamanhos que no sejam invertveis. Depois de vrias tentativas, voc
acha que mais fcil encontrar matrizes invertveis ou matrizes singulares?
4
Determinantes
Em matemtica, determinante uma funo matricial que associa a cada matriz

quadrada um escalar. Esta funo fornece vrias informaes sobre a matriz A,
como veremos mais adiante.
Seja M(n) o conjunto das matrizes n n. Pode-se provar que existe uma
nica funo
f : M(n) R
com as seguintes propriedades:
1. Suponhamos que uma matriz A esteja escrita em termos de suas linhas

A1 , . . . , An

A 1
A2

A = ..

.

An
e que a linha Ak possa ser escrita em termos de outras duas matrizes linha
X e Y na forma
Ak = X + Y.
85
Ento

A1 A1
A1
A1
A A2 A2 A2

2
.. .. .. ..

. . . .

Ak1 Ak1 Ak1 Ak1

f (A) = det = = det + det

.
Ak X + Y X Y

Ak+1 Ak+1 Ak+1 Ak+1

.. .. .. ..

. . . .

An An An An
2. f (In ) = 1, onde In a matriz identidade n n.
Esta funo f denomina-se de determinante e representado por |A| ou por

det(A).
4.1 Clculo do determinante

Calcular o determinante de matrizes grandes um processo extremamente traba-
lhoso. Para encontrar uma maneira de fazer esse clculo procederemos recursiva-
mente: calcularemos o determinante de matrizes 1 1, em seguida calcularemos
o determinante de matrizes 2 2. Utilizando esses determinates calcularemos o
determinante de matrizes 33 e assim sucessivamente. Para calcular o determi-
nante de matrizes nn utilizaremos o determinante de matrizes (n1)(n1).
4.1.1 Matrizes 1 1
Se A = a11 ento
h i
det(A) = a11 .
Exemplo 48. Se A = 3 , ento det(A) = 3.
h i
4.1.2 Matrizes 2 2
O determinante de uma matriz 2 2 a diferena entre o produto dos termos
da diagonal principal e o produto dos termos da diagonal secundria.

a b
det = ad bc.
c d
Exemplo 49. O determinante da matriz

0 2
A=
1 1
dado por det(A) = 0 (1) 2 1 = 0 2 = 2.
4.1.3 Cofatores
Para calcular o determinate de matrizes maiores, vamos precisar da definio de
cofator.
Definio 4. Dada uma matriz n n, a matriz menor Aij relativa ao elemento
Aij a matriz (n 1) (n 1) obtida de A eliminando-se a linha i e a coluna
j, ou seja, a linha e a coluna do elemente Aij .
1 1 0

A = 1 3 1 ,

2 2 1
a matriz menor A11 obtida de A eleiminando-se a primeira linha e a primeira

coluna:
1 1 0

3 1
1 3 1 A11 =

.

2 1
2 2 1
A matriz menor A12 obtida de A eleiminando-se a primeira linha e a segunda

coluna:
1 1 0

1 1
1 3 1 A12 =

.

2 1
2 2 1
A matriz menor A31 obtida de A eleiminando-se a terceira linha e a primeira

coluna:
1 1 0

1 0
1 3 1 A31 =

.

3 1
2 2 1
A matriz menor A33 obtida de A eleiminando-se a terceira linha e a terceira

coluna:
1 1 0

1 1
1 3 1 A33 =

.

1 3
2 2 1
Definio 5. Dada uma matriz A, o cofator associado ao elemento Aij
Cij = (1)i+j det Aij .

1 1 0

A = 1 3 1 ,

2 2 1
temos que

3 1
1+1
det A11 1+1

C11 = (1) = (1) det = 5;
2 1

1 1
1+2
det A12 1+2

C12 = (1) = (1) det = 3;
2 1

1 0
3+1
det A31 3+1

C31 = (1) = (1) det = 1;
3 1

1 1
C33 = (1)3+3 det A33 = (1)3+3 det

= 3.
1 3
Observe que na definio dos cofatores de uma matriz n n, so utilizados

determinantes de matrizes (n 1) (n 1). Com o que temos at aqui s
conseguimos calcular cofatores de matrizes 33. Veremos agora que os cofatores
de uma matriz 3 3 nos permitem calcular o determinante dessa matriz. Com
isso poderemos calcular os cofatores de matrizes 4 4. Os cofatores de uma
matriz 4 4, por sua vez, nos permitem calcular o determinante dessa matriz.
Podemos ento calcular os cofatores de matrizes 5 5 e assim sucessivamente.
4.1.4 Clculo do determinante atravs de cofatores

Para calcular o determinante de uma matriz qualquer, escolhemos uma linha
qualquer i e somamos os elementos dessa linha multiplicados pelos seus cofato-
res:
n
X
det(A) = ai1 Ci1 + ai2 Ci2 + ai3 Ci3 + ... + ain Cin = aij Cij .
j=1
Observe que na soma acima o coeficiente i permanece fixo, enquanto o coefici-

ente j percorre todos os valroes possveis: a linha i fica fixa enquanto a soma
percorre todas as colunas da matriz A.
Podemos calcular o determinante escolhendo uma coluna qualquer j e so-

mando os elementos dessa coluna multiplicados pelos seus cofatores
n
X
det(A) = a1j C1j + a2j C2j + a3j C3j + ... + anj Cnj = aij Cij .
i=1
Observe que na soma acima o coeficiente j permanece fixo, enquanto o coefici-

ente i percorre todos os valore s possveis: a coluna j fica fixa enquanto a soma
percorre todas as linhas da matriz A.
Observao 6. 1. A escolha da linha ou da coluna que utilizaremos para

calcular o determinante arbitrria. Qualquer escolha dever produzir o
mesmo valor para det(A). Escolha sempre a linha ou coluna que simplifique
as contas o mximo possvel. Quanto mais zeros, melhor.
2. A equao para o clculo do determinante atravs de cofatores parece

simples, mas na verdade ela no . Ao utilizar essa equao trocamos o
problema de calcular o determinante de uma matriz n n pelo clculo
de n determinantes (n 1) (n 1). Cada um desses determinantes,
por sua vez, se transforma em (n 1) determinantes (n 2) (n 2) e
esse processo deve ser repetido at que os cofatores possam ser calculados
atravs de determinantes de matrizes 2 2. De forma geral, o nmero
de operaes necessrias para calcular o determinante por esse mtodo
maior que n!, o que extremamente ineficiente, mesmo em computadores
muito rpidos. Veremos que o mtodo de Gauss-Jordan pode ser utilizado
para calcular o determinante com aproximadamente n3 operaes.
Antes de introduzir o novo mtodo para o clculo do determinante, vejamos

algumas propriedades. A demonstrao dessas propriedades depende do Mtodo
de Induo Matemtica, que ser brevimente apresentado na prxima seo.
4.2 Induo
Induo um mtodo de demonstrao usado para demonstrar a validade de
um nmero infinito de proposies. A forma mais simples e mais comum de
induo prova que uma certa afirmao vale para todos os nmeros naturais n
e consiste de dois passos:
1. A base: mostrar que a afirmao vale para n = 1;
2. O passo indutivo: mostrar que, se a afirmao vale para n = k, ento a

afirmao vale para n = k + 1.
Se ambos os passos anteriores forem vlidos, ento a afirmao ser vlida

para qualquer nmero natural n. Para entender por que esses dois passos so
suficientes, til pensar no efeito domin. Suponha que voc tem uma longa
fila de domins em p e que voc pode assegurar que:
1. O primeiro domin cair;
2. Sempre que um domin cair, seu prximo vizinho tambm cair.
Ento voc pode concluir que todos os domins cairo, j que o primeiro derru-
bar o segundo, o segundo derrubar o terceiro e assim sucessivamente.
Exemplo 52. Prove que para qualquer n natural vale
n(n + 1)
1 + 2 + 3 + ... + n = .
2
Soluo. O primeiro passo consiste em determinar a base da prova por induo:
provar que a afirmao vlida para n = 1. Para esse valor de n o lado esquerdo
igual a 1, pois h um nico termo na soma, e o lado direito igual a 1(1+1)
2 = 1.
Isso mostra que a afirmao verdadeira para n = 1.
O prximo passo provar que se a afirmao verdadeira para n = k 1,

ela ser tambm verdadeira para n = k. A suposio de que a afirmao
verdadeira para k 1 o que chamamos de hiptese de induo.
No nosso exemplo, a hiptese de induo significa que a equao
(k 1)((k 1) + 1)
1 + 2 + ... + (k 1) =
2
verdadeira.
Assumindo a equao acima devemos provar que a afirmao vlida para
n = k. Nesse caso, basta somar k a ambos os lados.
(k 1)((k 1) + 1)
1 + 2 + . . . + (k 1) + k = +k
2
(k 1)((k 1) + 1) 2k
= +
2 2
k(k 1) + 2k
=
2
k(k + 1)
=
2
Logo vale a afirmao para n = k:
k(k + 1)
1 + 2 + . . . + (k 1) + k = .
2
Podemos concluir ento que a afirmao verdadeira para qualquer n natu-
ral.
4.2.1 Generalizao: comeando com b > 1

A induo pode ser generalizada de vrias maneiras. Por exemplo, se quisermos
provar uma afirmao para todos os nmeros naturais maiores que ou iguais a
um determinado nmero b, seguimos os seguintes passos:
1. Mostrar que o enunciado vale quando n = b;
2. Mostrar que se o enunciado vale para n = k b, ento o mesmo enunci-

ado tambm vale para n = k + 1.
Exemplo 53. Prove que n2 > 2n para n 3.

Soluo. O primeiro passo consiste em determinar a base da prova por induo:
provar que a afirmao vlida para n = 3. Para esse valor de n o lado esquerdo
igual a 32 = 9 e o lado direito igual a 23 = 6. Logo a afirmao verdadeira
para n = 3, j que 9 > 6.
O prximo passo provar que se a afirmao verdadeira para n = k1 > 3,
ela ser tambm verdadeira para n = k.
Nesse exemplo, a hiptese de induo significa que a desigualdade
(k 1)2 > 2(k 1)
verdadeira para k 1 3.
Assumindo a equao acima devemos provar que a afirmao vlida para
n = k. Abrindo ambos os lados da desigualdade acima temos que
k 2 2k + 1 > 2k 2.
Como k 3 sabemos que 2k 1 > 2, o que implica que
(k 2 2k + 1) + (2k 1) > (2k 2) + 2
ou seja
k 2 > 2k.
Assim provamos que se vale a afirmao para n = k 1, ento a afirmao
vale para n = k. Podemos concluir ento que a afirmao verdadeira para
qualquer n natural.
Exerccio 59. Prove que 2n + 1 < 2n para n 3.

Exerccio 60. Prove que n2 < 2n para n 5.
Exerccio 61. Prove que 3n < 2n para n 4.
4.3 Propriedades do determinante

Proposio 6. Se A uma matriz quadrada triangular inferior, ento det(A)
o produto dos elementos da diagonal principal.
Demonstrao. Para provar essa propriedade, vamos utilizar um processo de

induo em que n o tamanho da matriz. Primeiro provamos a propriedade
para n = 2.

a 0
det 11 = a11 a22 0 a21 = a11 a22 .
a21 a22
Por hiptese de induo, assumimos que a propriedade vlida para n =

k 1, ou seja,

a11 0 0 ... 0

a21 a22 0 ... 0
det .. .. .. .. .. = a a ... a

11 22 (k1)(k1) .
. . . . .

a(k1)1 a(k1)2 a(k1)3 . . . a(k1)(k1)
Devemos agora provar a propriedade para n = k. Dada uma matriz ktimesk

triangular inferior qualquer

a
11
0 0 ... 0
a21 a22

0 . . . 0
.. .. .. .. ..

. . . . .

ak1 ak2 ak3 . . . akk
calculamos seu determinante fazendo a expanso em cofatores da primeira linha,

que s possui o elemento a11 possivlemente no nulo. Assim

a
11
0 0 ... 0 a
22
0 0 ... 0
a21 a22

0 . . . 0
1+1 a32 a33

0 . . . 0
det ..

.. .. .. .. = a11 C11 = a11 (1) det ..
.. .. .. ..
. . . . .
. . . . .
ak1 ak2 ak3 . . . akk ak2 ak3 ak4 . . . akk
= a11 (a22 a33 . . . akk ) = a11 a22 a33 . . . akk .
Mostramos assim que a propriedade vale para qualquer n natural.
Teorema 7. Se uma matriz A possui duas linhas iguais, ento det(A) = 0.
Demonstrao. Vamos provar esse resultado atravs de induo. Primeira-

mente provamos que o resultado verdadeiro para matrizes 2 2. Se as duas
linhas de A so iguais, ento
a b
A=
a b
e det(A) = ab ba = 0.
Suponhamos agora o resultado vlido para matrizes de tamanho (n 1)
(n 1). Devemos provar que o resultado vlido para matrizes n n.
Seja A uma matriz n n qualquer. Expandindo o determinante utilizando
a primeira linha temos
a1j (1)1+j det A1j .

X X
det(A) = a1j C1j =
j j
Como A possui duas linhas iguais, todas as matrizes menores A1j possuem duas
linhas iguais. Como a afirmao vlida para matrizes (n 1) (n 1) temos

que det A1j = 0 para todo j e portanto det(A) = 0.

4.3.1 Operaes elementares

Teorema 8. Suponhamos que uma matriz A esteja escrita em termos de suas
linhas A1 , . . . , An
A
1
A2

A = ..

.

An
e que a linha Ak possa ser escrita em termos de outras duas matrizes linha X e
Y na forma
Ak = X + Y.
Ento

A1 A1
A1
A1
A A2 A2 A2

2
.. .. .. ..

. . . .

Ak1 Ak1 Ak1 Ak1

det(A) = det = = det + det

.
Ak X + Y X Y

Ak+1 Ak+1 Ak+1 Ak+1

.. .. .. ..

. . . .

An An An An
Demonstrao. Vamos utilizar induo para provar esse resultado. Primeiro

vamos provar que a afirmao verdadeira para matrizes 2 2. Dada a matriz

a a
A = 11 12
a21 a22
suponhamos que A2 = X + Y, ou seja,

h i h i h i
a21 a22 = x1 x2 + y1 y2 .
Ento
det(A) = a11 a22 a12 a21 = a11 (x2 + y2 ) a12 (x1 + y1 )

= (a11 x2 a12 x1 ) + (a11 y2 a12 y1 )

a a a a
= det 11 12 + 11 12 .
x1 x2 y1 y 2
De maneira anloga a afirmao verdadeira se A1 = X + Y.

Por hiptese de induo, vamos supor que a afirmao verdadeira para
qualquer matriz (n 1) (n 1) e provar que a afirmao verdadeira para
matrizes n n.
Seja A uma matriz n n qualquer, tal que Ak = X + Y, com k 6= 1.
Sejam

A1
A1
A A
2 2
.. ..

. .

Ak1 Ak1

M = e N =
.
X Y

Ak+1 Ak+1

.. ..

. .

An An
O que queremos provar que det(A) = det(M ) + det(N ). Vamos fazer a

expanso em linhas do determinante utilizando a primeira linha
a1j (1)1+j det A1j .

X X
det(A) = a1j C1j =
j j
Como
A1
2
A
A2 ..

.

.

.

.

k1

A

Ak1

temos que A

A = =

1j X + Y
X + Y

k+1

A

Ak+1 ..

.. .

.

An

An
em que cada linha Ak , X
e Y so obtidas de Ak , X e Y , respectivamente,
eliminando-se o elemento da coluna j. Como a afirmao vlida para matrizes
(n 1) (n 1) temos
A2 A2 A2

.. .
.
.
.
. . .

k1 k1

A A Ak1

det A1j = det X

+ Y = det X + det Y = det M 1j + det N1j .

k+1

A Ak+1 Ak+1

..
.

.

.

.

. . .

An An An
Substituindo na expreso para det(A) temos
a1j (1)1+j det A1j 1j + det N
a1j (1)1+j det M 1j
X X
det(A) = =
j j
1j + X a1j (1)1+j det N
a1j (1)1+j det M
X
=
j j
= det (M ) + det (N ) .
Resta provar a afirmao para k = 1. Isso pode ser feito de maneira an-
loga a anterior expandindo o determinante utilizando qualquer linha diferente da
primeira.
O teorema acima permite verificar o que acontece com o determinante aps

aplicarmos matriz uma operao elementar.
Corolrio 2. Se a matriz B obtida da matriz A multiplicando-se uma linha
de A por , ou seja,

A1
A
2
..

.

Ak1

B=

Ak

Ak+1

..

.

An
ento det(B) = det(A).
Demonstrao. Basta utilizar o teorema anterior com = 0.
Exerccio 62. Utilizando o corolrio 2, mostre que se B = A, em que A

uma matriz n n, ento
det(B) = n det(A).
Corolrio 3. Se a matriz B obtida a partir da matriz A trocando duas linhas

entre si, ento
det(B) = det(A).
Demonstrao. Suponhamos que B obtida de A trocando as linhas Ak e Al

entre si:

A
1
A
1
. .
.. ..

Ak Al

. .
. .

A = . , B = . .

A A
l k
. .
. .
. .

An An
Seja

A1

..
.

Ak + Al

.
.

C= .

.

A + A
k l
..
.

An
Aplicando o teorema 8 e o teorema 7 temos

A1 A1

.
..

..
.

A A

k l
.
. .
.

0 = det(C) = det . + det . =

A + A A + A
k l k l
.. ..
. .

An An

A
1
A
1
A
1
A
1
. . . .
.. .. .. ..

Ak Ak Al Al

. . . .
. . . .

det . + det . + det . + det . = 0 + det(A) + det(B) + 0.

A A A A
k l k l
. . . .
. . . .
. . . .

An An An An
Temos ento que
0 = det(A) + det(B) det(B) = det(A).
Exerccio 63. Utilizando o corolrio 3, mostre que se B, obtida de A permu-

tando vrias linhas de A entre si, ento
det(B) = (1)k det(A)
em que k o nmero de permutaes realizadas.

Corolrio 4. Se a matriz B obtida a partir da matriz A somando-se a linha
k um mltiplo da linha l ento
det(B) = det(A).
Demonstrao. Suponhamos que

A
1
A1
. ..
..

.

Ak Ak

A = ... , B = ..

.

.

A A + A
l l k
. ..
.
. .

An An
Pelo teorema 8

A
1
A
1
. .
.. ..

Ak Ak

det(B) = det ... + det ... = det(A) + 0 = det(A).

A A
l k
. .
. .
. .

An An
Com os trs corolrios provados acima, podemos utilizar o mtodo de esca-

lonamento de Gauss-Jordan para calcular o determinante. O mtodo consiste
de aplicar operaes elementares at que a matriz seja triangular (inferior ou
superior). A relao entre o determinante original e o determinante da matriz
triangular (que pode ser facilmente calculado pela proposio 6), encontrada
utilizando os corolrios 2, 3 e 4.
Exemplo 54. Vamos calcular o determinante da matriz
1 1 0

A = 1 1 3

2 1 1
utilizando escalonamento. Para isso, vamos aplicar operaes elementares at

que a matriz se torne triangular superior.
1 1 0 1 1 0

1 2
1 1 3 + 0 2 3

12
2 1 1 + 0 1 1 +
1 1 0

0 2 3 .

0 0 12
Como a ltima matriz triangular, seu determinante o produto dos elementos

da diagonal principal e portanto igual a 1. Essa matriz obtida a partir
de A somando a uma linha um mltiplo de outra, operao que no altera o
determinante da matriz pelo corolrio 4. Logo podemos concluir que det(A) =
1.
0 1 1

A = 3 6 6

1 2 1

0 1 1 1

1 2 3
3 6 6 3 6 6 +

1 2 1 0 1 1
1

1 2
0 0 3

0 1 1
1

1 2
0 1 1 .

0 0 3

da diagonal principal e portanto igual a 1 1 (3) = 3. Essa matriz
obtida a partir de A somando a uma linha um mltiplo de outra, operao que
no altera o determinante da matriz, pelo corolrio 4 e trocando duas linhas entre
si, operao que troca o sinal do determinante, pelo corolrio 3. Como so feitas
duas trocas de linhas, podemos concluir que det(A) = (1)(1)(3) = 3.
0 1 1

A = 3 6 6

3 7 7

0 1 1 | 13 1

0 1
3 6 6 1 2 2

3 7 7 3 7 7
1

1 2 3
0 1 1

3 7 7
+
1

1 2
0 1 1

1
0 1 1
+
1

1 2
0 1 1

0 0 0

da diagonal principal e portanto igual a 1 1 0 = 0. Essa matriz obtida
a partir de A, multiplicando uma das linhas por 13 , o que multiplica o deter-
minante por 13 , pelo corolrio 4; somando a uma linha um mltiplo de outra,
operao que no altera o determinante da matriz, pelo corolrio 4; trocando
duas linhas entre si, operao que troca o sinal do determinante, pelo corolrio
3. Assim podemos concluir que det(A) = (3) (1) 0 = 0.
Observao 7. 1. Poderamos continuar o escalonamento at que a forma
escalonada reduzida de A seja obtida e proceder de maneira anloga, mas
isso no necessrio. Basta que a matriz esteja em forma triangular para
que o clculo do determinante seja possvel.
2. Com esse mtodo, o nmero de operaes necessrias para calcular o

determinante de cerca de n3 , em que n o tamanho da matriz. Isso
mostra que esse mtodo bem mais eficiente que o anterior, em que o
nmero de operaes crescia fatorialmente com n.
4.3.2 Propriedades adicionais

Teorema 9. Para qualquer matriz A vale det(AT ) = det(A).
Exerccio 64. Prove o resultado acima utilizando induo. Dica: faa a expan-
so de det(A) pela primeira linha e de det(AT ) pela primeira coluna. Observe
que as matrizes menores de AT so iguais s transpostas das matrizes menores
de A.
Teorema 10. Se A e B so duas matrizes n n quaisquer, ento
det(AB) = det(A) det(B).
A prova desse teorema requer alguns resultados que no sero abordados

nesse texto.
Exerccio 65. Utilizando o teorema 10, mostre que se A uma matriz invertvel
ento

1
1
det A = .
det(A)
Exerccio 66. Se det(A) = 3 encontre
1. det(A2 );
2. det(A4 );
3. det (A1 ) ;
4. det AT .

possvel calcular det(2A)?

Exerccio 67. Suponha que B seja uma matriz invertvel. Prove que para qual-
quer matriz A vale
det B 1 AB = det(A).

4.4 Relao entre determinantes, inversas e

sistemas lineares
Teorema 11. Uma matriz A n n invertvel se, e somente se, det(A) 6= 0.
Demonstrao. Esse resultado uma consequncia dos teoremas 5 e 8 .

Sabemos que ao aplicar uma operao elementar a uma matriz, temos trs
opes:
1. Se uma linha da matriz multiplicada por uma constante 6= 0, o deter-

minante da matriz multiplicado pela mesma constante ;
2. Se trocamos duas linhas da matriz, o determinante troca de sinal;
3. Se somarmos a uma linha um mltiplo de outra, o determinante no se

altera.
Suponhamos ento que B uma matriz obtida a partir de A atravs de

operaes elementares. Ento det(B) = det(A), em que uma constante
no nula que depende das operaes elementares aplicadas. Isso quer dizer que
det(B) ser zero se, e somente se, det(A) o for.
Seja R a forma escalonada reduzida de A. Temos duas opes para R:
1. R = I. Nesse caso A invertvel;
2. R possui uma linha de zeros. Nesse caso A no possui inversa.
Como R obtida de A atravs de operaes elementares, det(R) ser zero

se, e somente se, det(A) o for. No caso em que R = I, det(R) = 1 6= 0 e
portanto det(A) 6= 0. Nesse caso A possui inversa. No caso em que R possui
uma linha de zeros, det(R) = 0 e portanto det(A) = 0. Nesse caso A no
possui inversa.
Corolrio 5. Se det(A) 6= 0, o sistema AX = B possui soluo nica.
Demonstrao. Se det(A) =6 0, A possui inversa e pelo teorema 6 sabemos

que AX = B possui soluo nica.
Corolrio 6. O sistema homogneo AX = 0 possui soluo no trivial se, e

somente se, det(A) = 0.
Demonstrao. O sistema homogneo AX = 0 possui soluo no trivial se, e

somente se, A no possui inversa, o que acontece se, e somente se, det(A) = 0.
A tabela abaixo resume a relao entre forma escalonada reduzida, determi-

nante, inversa e comportamento de sistemas lineares para matrizes quadradas.
R det(A) A1 AX = 0 AX = B
6= I =0 No existe Possui soluo no trivial Possui infinitas solues
ou no possui soluo.
=I 6= 0 Existe Possui apenas a soluo trivial Possui soluo nica.
Exerccio 68. Mostre que se det(AB) = 0, ou A singular ou B singular.
Exerccio 69. Seja A uma matriz invertvel tal que A2 = A. Calcule det(A).
Exerccio 70. Seja A uma matriz tal que Ak = 0 para algum k N. Mostre
que A uma matriz singular.
Observao 8. Esse resultado mostra uma maneira de provar que uma matriz
no nilpotente: se seu determinante diferente de zero, essa matriz com cer-
teza no nilpotente. ATENO: a recproca dessa afirmao no verdadeira,
ou seja, o fato de que det(A) = 0 no implica que A seja nilpotente. Veja por
exemplo a matriz
1 0
.
0 0
Exerccio 71. Suponhamos que A seja uma matriz tal que AT = A1 . Verifique
quais so os possveis valores de det(A).

O comando det(A) calcula o determinante de uma matriz previamente definida
A.
Exerccio 72. Utilizando os comandos rand e det, calcule o determinante de
vrias matrizes quadradas de tamanhos diferentes. Depois de vrias tentativas,
voc acha que mais fcil encontrar matrizes com o determinante nulo ou no
nulo? Compare com o exerccio 58.
5
Aplicaes de Sistemas Lineares
5.1 O Algoritmo Page Rank

Vivemos na era do computador. A Internet faz parte de nossas vidas cotidianas
e informao sobre ABSOLUTAMENTE TUDO que voc procura est a apenas
um clique de distncia. Basta abrir o seu buscador favorito, como Google,
AltaVista, Yahoo, digitar as palavras-chave, e o buscador ir exibir as pginas
relevantes para a sua pesquisa. Faa um teste e pense nas mais variadas palavras;
ao pesquisar cada palavra no Google, ALTAMENTE provvel que o que voc
procura esteja em uma das primeiras pginas relacionadas. Como que um
buscador desse tipo realmente funciona?
primeira vista, parece razovel imaginar que o que o buscador faz
manter um ndice de todas as pginas da web, e quando um usurio digita
uma consulta de pesquisa, o buscador navega atravs desse ndice e conta as
ocorrncias das palavras-chave em cada arquivo web. Os vencedores so as
pginas com o maior nmero de ocorrncias das palavras-chave. Estes so
exibidas para o usurio, na ordem decrescente do nmero de ocorrncias da
palavra pesquisada.
Isto costumava ser a imagem correta no incio dos anos 90, quando os bus-
cadores usavam um sistema de ranking baseado em texto para escolher al clas-
111
sificao das pginas mais relevantes dada uma consulta. Entretanto, h uma
srie de problemas com esta abordagem. Um termo de pesquisa comum, como
a Internet era problemtico. A primeira pgina exibida por um dos busca-
dores era uma pgina escrita em chins, com repetidas ocorrncias da palavra
Internet e que no continha nenhuma informao relevante sobre a Internet.
Alm disso, suponha que voc queria encontrar alguma informao sobre
a UFOP. Ao digitar a palavra UFOP, esperamos que www.ufop.br seja a
primeira pgina a aparecer na lista, j que ela a pgina mais relevante para a
nossa consulta. Contudo, pode haver milhes de pginas na web no mundo em
que aparece a palavra UFOP e a pgina www.ufop.br pode no ser a pgina
em que ela aparea mais vezes. Suponha que decidimos escrever um web site
que contm a palavra UFOP um bilho de vezes e nada mais. Ento no faria
sentido o nosso web site para o primeiro exibido por um buscador. No entanto,
se tudo que o buscador faz contar as ocorrncias de palavras na consulta feita,
este exatamente o que poderia acontecer.
A utilidade de um buscador depende da relevncia do conjunto de resultados
que ele fornece. Evidentemente, vo haver milhes de pginas da Web que
incluem uma palavra ou frase especial; no entanto algumas delas vo ser mais
relevantes, populares, ou de autoridade do que outras. impraticvel que um
usurio abra todas as pginas que contm as palavras da consulta feita para
verificar se aquela pgina relevante.. Ele espera que as pginas relevantes
sero exibidas dentro do top 20 a 30 pginas listadas pelo buscador.
Buscadores modernos empregam mtodos de classificar os resultados para
fornecer os "melhores"resultados primeiro que so bem mais elaboradas do que
classificao utilizando apenas texto. Um dos algoritmos mais conhecidos e
influentes para computar a relevncia das pginas da Web o algoritmo Page
Rank usado pelo Google. Foi inventado por Larry Page e Sergey Brin enquanto
eram estudantes de ps-graduao em Stanford, e tornou-se uma marca Google
em 1998.
A noo que Page Rank introduziu foi que a importncia de qualquer pgina
da web pode ser julgado ao olharmos para as pginas que apontam para ela.
Se criarmos uma pgina da web i e incluirmos um link para a pgina web j,

isto significa que ns consideramos j importante e relevante para o nosso tema.
Se h um monte de pginas que apontam para j, isto significa que a crena
comum de que a pgina j importante. Se, por outro lado, j tem apenas
um backlink, mas isso vem de uma autoridade local k, (como www.google.com,
www.cnn.com, www.ufop.br) Que dizer que k transfere sua autoridade para j;
Por outras palavras, uma pgina importante k afirma que j importante. Inde-
pendentemente de considerarmos popularidade ou autoridade, podemos atribuir
uma classificao a cada pgina web, com base no nmero e na importncia das
pginas que apontam para ela.
Para este objetivo, comeamos imaginando a rede web como um grafo dire-
cionado, com vrtices representando pginas web e arestas representando links
entre elas.
Suponha, por exemplo, que temos uma pequena Internet composta de ape-
nas 4 pginas www.page1.com sites, www.page2.com, www.page3.com,
www.page4.com, referenciando umas s outras da maneira sugerida pela ima-
gem :
Ns podemos "traduzir"a imagem em um grafo direcionado com 4 vtices,

um para cada pgina. Quando a pgina i referencia a pgina j, ns adicionamos
uma aresta dirigida de i para j. Depois de analisar cada pgina da web, ns
temos o seguinte grafo
Em nosso modelo, cada pgina deve transferir sua importncia uniforme-

mente para as pginas relacionadas a ela. A pgina 1 tem 3 arestas de sada,
por isso vai passar 13 da sua importncia para cada uma das outras 3 pginas.
A pgina 3 tem apenas uma aresta de sada, por isso vai passar toda sua im-
portncia para a pgina 1. Em geral, se um vrtice tem k arestas de sada, ele
vai passar k1 de sua importncia para cada um dos vrtices que ele referencia.
Vamos visualizar melhor o processo atribuindo pesos a cada aresta.
Denote por x1 , x2 , x3 e x4 a importncia das quatro pginas. Analisando a

situao em cada vrtice temos o sistema:
1
= 1 x3 + x4

x1 2
= 13 x1

x2

x3 = 31 x1 + 1
2 x1 + 1
2 x4
= 13 x1 + 1

x4 x2

2
cuja soluo x2 = 32 x4 , x3 = 23 x4 , x1 = 2x4 . Como o valor exato de cada xi

no interessa, o que importa qual deles maior, podemos fazer x4 = 1 obtendo
x4 = 1, x2 = 32 , x3 = 32 , x1 = 2. Assim conclumos que em uma pesquisa as
pginas apareceriam ordenadas da seguinte forma:
1. Pgina 1;
2. Pgina 3;
3. Pgina 4;
4. Pgina 2.
5.2 Circuitos Eltricos

O fluxo da corrente num circuito eltrico governado por trs princpios bsicos:
1. A lei do Ohm: A diferena de potencial atravs de um resistor o produto

da corrente que passa por ele e a resistncia, ou seja,
V = Ri.
2. A Lei de Corrente de Kirchhoff: A soma algbrica das correntes fluindo

para dentro de qualquer ponto de um circuito eltrico igual soma
algbrica das correntes fluindo para fora do ponto.
3. A Lei de Voltagem de Kirchhoff: Em torno de qualquer circuito fechado

(tambm chamado de malha), a soma algbrica das diferenas de potencial
zero.
Utilizando os trs princpios acima, podemos encontrar o valor da corrente
que passa em cada parte do circuito utilizando sistemas lineares.
Exemplo 57. Encontre as correntes i1 , i2 e i3 no circuito abaixo.
As direes dos fluxos para as correntes i1 , i2 e i3 (marcadas por flechas)

foram tomadas arbitrariamente. Se alguma destas correntes for negativa por
que, na realidade, flui no sentido oposto ao selecionado.
Aplicando a Lei de Corrente de Kirchhoff aos pontos A e B, obtemos o
sistema:
i1 = i 2 + i3 .
Precisamos de mais duas equaes para determinar unicamente i1 , i2 e i3 .
Estas equaes sero obtidas com a Lei de Voltagem de Kirchhoff. Para aplicar
a Lei de Voltagem de Kirchhoff a um circuito fechado, selecione um sentido

positivo em torno do circuito (digamos, sentido horrio) e faa a seguinte con-
veno de sinais: uma corrente passando por um resistor produz uma diferena
de potencial positiva se flui no sentido positivo do circuito e uma diferena de
potencial negativa se flui no sentido negativo do circuito.
Aplicando a Lei de Voltagem de Kirchhoff e a Lei de Ohm malha interna
1 e 2 da figura, obtemos respectivamente
7i1 + 3i3 30 = 0
11i2 3i3 50 = 0.
Combinando estas equaes obtemos o sistema linear:

i1 i3 = 0

i2

7i1 + 3i3 = 30
11i2 3i3 = 50.

cuja soluo
570 590 20
i1 = , i2 = , i3 = .
131 131 131
Observe que i3 negativo, o que significa que esta corrente flui no sentido oposto
ao indicado na figura.
5.3 Balanceamento de Reaes Qumicas

Numa equao qumica sempre importante verificar se o nmero de tomos de
cada elemento o mesmo em ambos os lados da equao, ou seja, se ela est
balanceada. Os nmeros que colocamos antes dos smbolos so denominados
coeficientes estequiomtricos . Esses coeficientes devem ser os menores inteiros
possveis, pois no d para imaginar 12 molcula de algum elemento qu-
mico. Note que nunca haver uma nica equao balanceada para uma reao,
j que todo mltiplo inteiro positivo de uma equao balanceada ser tambm
uma equao balanceada. Assim, usualmente procuramos a equao balance-

ada mais simples para uma reao. Para isso vamos analisar a combusto da
gasolina. A gasolina uma mistura de elementos qumicos chamados hidrocar-
bonetos, mas o composto predominante o f g h g , a combusto completa da
gasolina acontece quando reage com o gs oxignio resultando em gs carbnico
e gua, ento,
C8 H18 + O2 CO2 + H2 O.
Agora, precisamos balancear a equao, e para isso vamos utilizar sistemas de
equaes lineares. Chamando as quantidades de cada molcula da frmula de
x, y, w e z, temos:
xC8 H18 + yO2 wCO2 + zH2 O.
Agora precisamos analisar quantos tomos de cada elemento qumico temos de

um lado e do outro da equao. Esses nmeros tm que ser os mesmos para
todos os elementos! Para os tomos de carbono:
8x = w.
Para os tomos de hidrognio:
18x = 2z 9x = z.
Para os tomos de oxignio:
2y = 2w + z.
Obtemos ento o seguinte sistema de equaes lineares:
w = 0

8x

9x z = 0
2y z 2w = 0.

Note que temos 3 equaes e 4 variveis, o que implica que o sistema pos-
svel e indeterminado, ou seja, admite infinitas solues. Resolvendo o sistema
obtemos:
1 25 9
x = w, y = w, z = w, w R.
8 16 8
Para a soluo mais simples os coeficientes estequiomtricos devem ser os me-

nores inteiros que satisfazem todas as equaes portanto, temos que
x = 2, y = 25, z = 18ew = 16
a soluo da equao e, consequentemente, a equao balanceada :
2C8 H18 + 25O2 16CO2 + 18H2 O.
5.4 Trnsito
Durante o dia fcil observar que h vrios fluxos de veculos em determinados

pontos da cidade.
Vejamos um exemplo. Suponha que uma determinada cidade tem dois con-
juntos de ruas de mo nica que se cruzam como mostra a figura abaixo:
Queremos determinar a mdia do nmero de veculos por hora que entram e

saem dessa seo durante o horrio do rush. Para tanto necessitamos determinar
a quantidade de veculos entre cada um dos quatro cruzamentos. Observando
que o nmero de entrada de veculos igual ao nmero de sada e que o fluxo
tem o mesmo sentido das setas indicadas na figura, obtemos:
360 + x = 488 + y, Cruzamento A

416 + y = 384 z, Cruzamento B
312 + z = 480 + t, Cruzamento C
512 + t = 248 + x. Cruzamento D
A soluo desse sistema
x = 264 + t, y = 136 + t, z = 168 + t, t N.
Sabendo o valor de t, que pode por exemplo ser medido atravs de radares
ou outros mecanismos semelhantes, conseguimos encontrar o nmero de carros
entre cada trecho da malha viria.
6
Provas anteriores
7 de abril de 2011
1. (1 pt) Seja A uma matriz 4 4 tal que det(A) = 2. Seja B a matriz

obtida de A seguindo a seguinte sequncia de operaes elementares:
Somar linha 1 duas vezes a linha 2;

Multiplicar a linha 3 por -2;
Trocar a linha 1 com a linha 2;
Multiplicar a matriz inteira por -1.
Responda:
a) Qual o valor de det(B)?
1 0 0 0

3 2 0 0
b) Calcule det(BC 1 B T ) em que C =

.

4 1 5 0

1 1 2 8
2. (1 pt) Dado o sistema abaixo, em que a e b so nmeros reais
123

x + y + 2z = 3

2x + 2y + 4z = 2a
4x + 4y + 8z = 4b

a) determine os valores de a e b para que o sistema possua alguma soluo.

b) possvel que o sistema possua soluo nica?
3. (1pt) a) Mostre que a matriz abaixo invertvel independente do valor do

escalar a
1 0 2

1 1 0 .

5a + 10 0 5a
b) Calcule a inversa para a = 2.

c) Resolva o sistema AX = 0 para a = 2.
9 de dezembro de 2010
1. (1 pt)
a) Mostre que a matriz abaixo invertvel independente do valor do escalar
a
1 0 2

1 1 0 .

2a + 4 0 4a
1 0 1

2. (1 pt) Seja A = 0 1 0 , em que uma constante real.

1 0 1
a) Encontre os valores de para os quais o sistema AX = B possui

soluo nica, em que B uma matriz 3 1 qualquer.
b) Resolva o sistema AX = 0 para = 2.
3

c) Resolva o sistema AT X = 2 para = 1.

1
3. (1,2 pt) Seja A uma matriz 3 3 tal que detA = 2. Seja B a matriz

Trocar a linha 1 com a linha 2.
Responda:
a) Qual o valor de det(B)?
1 0 0 0

3 2 0 0
b) Calcule det(BC 1 B T ) em que C =

.

4 1 5 0

1 1 2 18
09 de setembro de 2010
Respostas sem justificativa no sero consideradas!
1. (1 pt) Dado o sistema abaixo, em que a e b so nmeros reais

x + 3y + 4z = 3

2x + 6y + 8z = a
4x + 12y + 24z = b

Calcule os valores de a e b para que o sistema acima possua alguma

soluo. possvel que o sistema tenha soluo nica?
2. (1 pt) Seja
x2 2 x

A = 3 1 1 .

0 1 0
Determine os valores de x para os quais a matriz A invertvel. Calcule
a inversa para x = 1.
3. (1pt)
Sejam as matrizes
2 4

3 40 5 6

1 0 1 0 7 8 8 67

1 2
A= , B = 1 0 1 , C = 0 0 6 1 2 ,

2 4
0 1 0 0 0 0 5 3

0 0 0 0
Em que um nmero real.

a) Calcule o determinante das matrizes acima.
b) Quais dos sistemas AX = 0 e BX = 0 possuem soluo no trivial?
c) Para que valores de a matriz D invertvel?
4. (0.5 pt) V ou F
a) Seja uma constante qualquer. det(A) = det(A) para toda matriz
A.
b) (AB 1 A1 )T = (AT )1 (B T )1 AT
1. (1 pt) Dado o sistema abaixo, em que a um nmero real


x+y+z = 3

2x + 3y + 2z = 5
2
x + y + (a 8)z = a + 6

determine os valores de a para que o sistema

a) possua soluo nica;
b) possua infinitas solues;
c) no possua soluo.
2. (1 pt) Seja
x2 x 2

A = 3 1 1 .

0 1 0
3. (1pt)
Sejam as matrizes
2 4

3 40 5 6

1 0 1 0 7 8 8 67

1 2
A= , B = 1 0 1 , C = 0 0 6 1 2 ,

2 4
0 1 0 0 0 0 5 3

0 0 0 0

4. (0.5 pt) V ou F
a) det(A) = det(A) para toda matriz A.
b) (A + B)(A B) = A2 B 2 .
1. (1,2 pt) a) Seja
1 0 1

A = 1 1 0 .

5a + 4 0 5a
a) Mostre que a matriz acima invertvel para qualquer valor de a.
2. (1,2 pt) Seja
1 0 1

A = 0 1 0 ,

1 0 1
em que uma constante real.
a) Encontre os valores de para os quais o sistema acima possui soluo
nica.
b) Faa = 0 e encontre os valores de a e b para os quais o sistema
AX = B possui infinitas solues, sendo
1

B = a .


Responda:
a) Qual o valor de detB?

1 0 0 0

15 3 0 0
b) Seja C = . Calcule det(BC) e det(B 1 C 1 B T ).

2 1 6 0

0 3 1 1
1. (1 pt) Dado o sistema abaixo, em que a um nmero real

x+y+z = 3

2x + 3y + 2z = 5
2
x + y + (a 8)z = a + 6

determine os valores de a para que o sistema

a) possua soluo nica;
b) possua infinitas solues;
c) no possua soluo.
2. (1 pt) Seja
x2 x 2

A = 3 1 1 .

0 1 0
3. (1pt)
Sejam as matrizes
2 4

3 40 5 6

1 0 1 0 7 8 8 67

1 2
A= , B = 1 1 1 , C = 0 0 6 1 2 ,

2 1
2 1 0 0 0 0 2 3

0 0 0 0 1

4. (0.5 pt) V ou F
a) det(A) = det(A) para toda matriz A.
b) (A + B)(A B) = A2 B 2 .
1. (1,2) a) Seja
1 0 1

A = 1 1 0 .

5a + 4 0 5a
a) Mostre que a matriz acima invertvel para qualquer valor de a.

2. (1,2) Seja
1 0 1

A = 0 1 0 ,

1 0 1
em que uma constante real.
a) Encontre os valores de para os quais o sistema acima possui soluo
nica.
b) Faa = 0 e encontre os valores de a e b para os quais o sistema
AX = B possui infinitas solues, sendo
B = a .


Responda:
a) qual o valor de detB?

1 0 0 0

15 3 0 0
b)Seja C = . Calcule det(BC) e det(B 1 C 1 B T ).

2 1 6 0

0 3 1 1
7
Espaos Vetoriais
Em vrios conjuntos podemos definir uma operao envolvendo os elementos

do prprio conjunto, que chamaremos genericamente de soma, e uma opera-
o envolvendo elementos do conjunto e nmeros reais, que chamaremos de
multiplicao por escalar. Quando essas operaes satisfazem um conjunto de
propriedades importantes para sua utilidade na descrio de problemas reais,
dizemos que esse conjunto um espao vetorial sobre R.
A noo de espao vetorial extremamente geral e pode ser aplicada a situ-
aes totalmente diferentes, em que a nica coisa em comum a existncia das
operaes mencionadas. A generalidade com que espaos vetoriais so definidos
nos leva a uma teoria bastante abstrata, mas justamente essa abstrao que
possibilita o tratamento simultneo de objetos de natureza to distinta.
Apesar da generalidade com que pretendemos tratar o assunto, devemos
sempre nos lembrar dos espaos vetoriais R2 e R3 onde toda a a teoria pode ser
traduzida de maneira geomtrica, fazendo com que todos os resultados enunci-
ados possam ser compreendidos de maneira intuitiva. Vamos sempre trabalhar
com as duas abordagens: a abordagem algbrica e abstrata, que pode ser apli-
cada igualmente a todos os espaos vetoriais, e a abordagem geomtrica que
possibilita a vizualizao dos conceitos da lgebra linear nos espaos R2 e R3 .
133
7.1 Definio e Propriedades

Definio 6. Um espao vetorial V sobre R um conjunto de vetores ~v munido
de uma soma vetorial
+ : V V V
(~u, ~v ) 7 ~u + ~v
e de um produto por escalar
: R V V
(, ~u) 7 ~u
tais que para todos ~u, ~v , w
~ V e , R temos
1. (Associatividade) ~u + (~v + w)
~ = (~u + ~v ) + w;
~
2. (Comutatividade) ~u + ~v = ~v + ~u;
3. (Existncia de zero) Existe um vetor 0 V tal que ~u + 0 = ~u;
4. (Existncia de inverso aditivo) Dado ~u V existe vetor ~u V tal que
~u + (~u) = 0;
5. (Associatividade) (~u) = ()~u;
6. (Distributividade) (~u + ~v ) = ~u + ~v ;
7. (Distributividade) ( + )~u = ~u + ~u;
8. 1~u = ~u.
Exemplo 58 (Rn um espao vetorial sobre R). Rn o conjunto das n-uplas
ordenadas (x1 , . . . , xn ), xi R. Podemos definir a soma e produto por escalar,
respectivamente, por
(x1 , . . . , xn ) + (y1 , . . . , yn ) = (x1 + y1 , . . . , xn + yn )
(x1 , . . . , xn ) = (x1 , . . . , xn ).
Ser til posteriormente identificar vetores em Rn e matrizes coluna n 1:

x
1
..
(x1 , . . . , xn ) . .
xn
Exemplo 59 (O conjunto dos polinmios um espao vetorial sobre R). Seja
P = {an xn + an1 xn1 + . . . + a1 x + a0 ; ai R}
o conjunto de todos os polinmios com coeficientes em R. Esse conjunto um

espao vetorial com a soma
(an xn + an1 xn1 + . . . + a1 x + a0 ) + (bn xn + bn1 xn1 + . . . + b1 x + b0 ) =

= (an + bn )xn + (an1 + bn1 )xn1 + . . . + (a1 + b1 )x + (a0 + b0 )
e o produto por escalar
an xn + an1 xn1 + . . . + a1 x + a0 = (an )xn +(an1 )xn1 +. . .+(a1 )x+(a0 ).

Exemplo 60 (O conjunto das matrizes m n um espao vetorial sobre R).

Seja Mmn o conjunto de todas as matrizes m n. Esse conjunto um espao
vetorial com a soma de matrizes e produto de matriz por escalar usuais.
Exemplo 61 (O conjunto de solues de um sistema homogneo um espao
vetorial sobre R). De acordo com o teorema 4, se X1 e X2 so solues do
sistema AX = 0, valem as seguintes propriedades:
1. X3 = X1 + X2 tambm soluo de AX = 0;
2. X4 = X1 tambm soluo de AX = 0 para qualquer R.

Esse espao vetorial chamado espao nulo da matriz A.

Exemplo 62 (O conjunto das funes um espao vetorial sobre R). Seja
FR [0, 1] o conjunto formado pelas funes do intervalo [0, 1] com valores em R.
A soma e o produto podem ser definidos como
(f + g)(x) = f (x) + g(x)
(f )(x) = f (x).
Exemplo 63. Mostre que os exemplos acima so de fato espaos vetoriais com
as operaes indicadas.
Exerccio 73. Seja I um conjunto qualquer. Mostre que o conjunto das funes
f : I R um espao vetorial sobre R.
Exemplo 64. Suponhamos que no conjunto R2 seja definida a soma
(x1 , y1 ) (x2 , y2 ) = (x1 + x2 + 1, y1 + y2 + 1).
Com a soma definida acima e com o produto por escalar usual, R2 no um
espao vetorial sobre R. De fato, a propriedade 6
(~u + ~v ) = ~u + ~v
no satisfeita por essa soma. Veja, por exemplo, que
3 [(1, 1) (2, 2)] = 3 (4, 4) = (12, 12)
enquanto
3 (1, 1) 3 (2, 2) = (3, 3) + (6, 6) = (10, 10.)
Exemplo 65. O conjunto dos nmeros no-negativos R+ no um espao
vetorial com a soma usual e o produto por nmeros reais usual. De fato, ao
multiplicar qualquer elemento no nulo de R+ por qualquer nmero real negativo
obtemos um nmero negativo, que portanto est fora de R+ .
Exerccio 74. Mostre que o conjunto R+ de todos os nmeros reais no nulos

um espao vetorial sobre R com a soma definida por
x y = xy
e o produto por escalar definido por
x = x .
Qual o vetor nulo desse espao vetorial?
O exemplo 65 e o exerccio 74 mostram que a definio de espao vetorial no

depende apenas do conjunto V , depende do conjunto e tambm das operaes
de soma e multiplicao definidas nesse conjunto.
7.2 A geometria dos espaos vetoriais R2 e R3

Os espaos vetorias R2 e R3 se destacam entre os exemplos mencionados an-
teriormente por vrios motivos. Eles so os espaos vetoriais ustilizados para
representar posio, velocidade, acelerao e por isso aparecem sempre na des-
crio de sistemas fsicos. Alm disso, as operaes de soma e multiplicao
por escalar nos espaos vetoriais R2 e R3 podem ser representados geometrica-
mente, o que faz com que eles sejam importantes tambm do ponto de vista
pedaggico.
Em R2 cada vetor ~u = (x, y) representado por um segmeto orientado que
liga origem do plano cartesiano ao ponto com coordenadas (x, y). A figura
abaixo mostra a representao geomtrica do vetor ~u = (3, 4) R2 .
Em R3 cada vetor ~u = (x, y, z) representado por um segmento orientado

que liga origem do plano cartesiano ao ponto com coordenadas (x, y, z). A
figura abaixo mostra a representao geomtrica do vetor ~u = (3, 4, 4) R3 .
A soma de dois vetores tambm pode ser representada geometricamente.

Dados dois vetores ~u e ~v , sua soma igual ao vetor obtido da seguinte forma:
tomamos o segmento orientado que representa ~u; em seguida, tomamos o seg-
mento orientado que representa ~v com origem na extremidade de ~u; o vetor ~u +~v
representado pelo segmento oriendado que vai da origem at a extremidade de
~v . A soma dos vetores ~u = (3, 4) e ~v = (6, 2) ilustrada na figura abaixo.
A multiplicao de um vetor por um escalar tambm pode ser representada

geometricamente. Dado um vetor ~v R2 e R, o vetor ~v encontrado da
seguinte forma: se = 0 ento ~v = 0; caso contrrio, ~v tem comprimento
|| vezes o comprimento de ~v e mesma direo de ~v (dizemos que eles so
paralelos); ~v tem o mesmo sentido de ~v se > 0 e sentido oposto se < 0.
A figura abaixo ilustra os vetores ~v = (3, 4), 2~v , ~v2 , ~v , 2~v , ~v2 .
Em R3 a soma e a multiplicao por escalar podem ser representadas de

maneira anloga. A figura abaixo mostra a soma dos vetores (3, 4, 4) e (2, 2, 1)
que resulta no vetor (5, 6, 5).
A figura abaixo mostra o vetor ~u = (3, 4, 4) (preto), assim como seus ml-
tiplos ~u2 (rosa), 2~u (verde), ~u (roxo), ~u2 (azul) e 2~u (amarelo).
7.3 Subespaos Vetoriais

Definio 7. Um subespao vetorial S do espao vetorial V um subconjunto
de V que , ele mesmo, um espao vetorial com as operaes de soma e mul-
tiplicao por escalar definidas em V . Para isso, precisamos que as seguintes
propriedades sejam satisfeitas:
1. ~x + ~y S para todo par ~x e ~y S;
2. ~x S para todo C e todo ~x S.
Quando S um subespao vetorial de V , podemos eliminar todos os ele-

mentos de V fora de S e continuaremos com um espao vetorial com as mesmas
operaes. Essa uma restrio muito forte: pouqussimos subconjuntos de V
possuem essa propriedade.
Para verificar se S um subespao vetorial de V no necessrio verificar
a validade das oito propriedades enunciadas na definio 6. Essas propriedades
so vlidas automaticamente pelo fato de que V um espao vetorial e S V .
O que devemos verificar se as operaes de soma e multiplicao por escalar
preservam S: ao somar dois elementos de S devemos permanecer em Se ao
multiplicar um elementos de S por um escalar devemos permanecer em S.
Exemplo 66. Considere em R2 o conjunto de vetores cujas extremidades per-

tencem ao conjunto S ilustrado abaixo.
Observe que ao somar dois vetores de S o resultado pode estar fora de S.

Isso quer dizer que S no um subespao de R2 .

tencem reta S ilustrada abaixo.


Observe que ao somar dois vetores de S o resultado est sempre em S. O

mesmo acontece com a multiplicao por escalar. Isso quer dizer que S um
subespao de R2 .
tencem ao plano S ilustrado abaixo.

subespao de R3 .

tencem ao plano S ilustrado abaixo.

subespao de R3 .
Observao 9. Os desenhos acima foram gerados utilizando o software livre
Geogebra. Para instalar o programa basta acessar o site. Vocs podem encontrar
os arquivos .ggb que geraram os desenhos apresentados na apostila no site.
Exemplo 72. Em R2 , os subespaos correspondem a retas passando pela ori-
gem. Em R3 , os subespaos correspondem a retas passando pera origem ou
planos passando pela origem.
Exemplo 73. O subconjunto
S = {(t, 0, . . . , 0) Rn ; t R}
um subespao vetorial de Rn .
Soluo. Nos exemplos anteriores, utilizamos a geometria de R2 e R3 para
entender se o subconjunto S ou no um subespao vetorial. Em espaos
vetoriais mais gerais, em que a geometria no est disponvel, devemos utilizar
a lgebra para fazer essa verificao.
A soluo de um problema como esse passa sempre por trs passos. O
primeiro deles verificar qual a propriedade que define o subconjunto S. Nesse
exemplo, o subconjunto S o conjunto de todos os vetores de Rn que possuem
todas as coordenadas iguais a zero a partir da segunda. A primeira coordenada
pode assumir qualquer valor.
O segundo passo verificar se a soma de quaisquer elementos de S per-
manece em S. Suponhamos ento que ~x e ~y S, ento ~x = (t1 , 0, . . . , 0) e
~y = (t2 , 0, . . . , 0) com t1 e t2 R. Assim
~x + ~y = (t1 + t2 , 0, . . . , 0)
tambm pertence a S.
O terceiro passo verificar se a multiplicao de elementos de S por cons-
tante permanece em S. Tomando ~x = (t1 , 0, . . . , 0) S qualquer e R
temos
~x = (t, 0, . . . , 0)
que tambm pertence a S. Como as propriedades 1 e 2 so satisfeitas, S um
subespao de Rn .
Observe que em R2 e R3 esse subespao corresponde aos vetores sobre o
eixo x e portanto S uma reta passando pela origem, o que coincide com o que
j havamos visto anteriormente utilizando a geometria desses espaos.
Exemplo 74. O subconjunto
S = {f CR [0, 1]; f (0) = 0}.

um subespao vetorial de CR [0, 1].

Soluo. O subconjunto S o conjunto de todas as funes
f : [0, 1] R
que se anulam na origem.
Para mostrar que S um subespao, devemos mostrar que a soma de duas
funes em S permanece em S e que a multiplicao de uma funo em S por
um escalar permanece em S. Suponhamos ento que f, g S. Isso implica que
f (0) = 0 e que g(0) = 0. Ento
(f + g) (0) = f (0) + g(0) = 0 + 0 = 0
(f ) (0) = f (0) = 0 = 0.
logo f + g S e f S e as propriedades 1 e 2 so satisfeitas. podemos
concluir ento que S um subespao de CR [0, 1].
Exemplo 75. Seja CR [0, 1] o conjunto formado pelas funes contnuas do

intervalo [0, 1] com valores em R. A soma de duas funes contnuas e o
produto de uma funo contnua por escalar resultam tambm em uma funo
contnua. Logo CR [0, 1] um subespao vetorial de FR [0, 1].
Exemplo 76. Considere o subconjunto
S = {(1, t) R2 ; t R}.
O subconjunto S no um subespao vetorial de R2 . De fato, temos que (1, 1)
pertence S, mas 2 (1, 1) = (2, 2) no pertence a S. Observe que S uma
reta que no passa pela origem, o que coincide com o que j havamos visto
anteriormente utilizando a geometria desses espaos.
Exemplo 77. Considere o subconjunto
S = {f CR [0, 1]; f (1) = 1}.
O subconjunto S no um subespao vetorial de CR [0, 1]. De fato f (x) = x S

e g(x) = x2 S, mas f (x) + g(x) = x + x2 / S.
Exemplo 78. Seja A uma matriz m n. O conjunto de solues do sistema
AX = 0 um subespao do conjunto de matrizes m1, como mostra o teorema
4. Observe que com a identificao

x
1
..
(x1 , . . . , xn ) .
xn
esse conjunto tambm pode ser visto como um subespao de Rn .
Exerccio 75. Mostre que o subconjunto
S = {f CR [0, 1]; f (0) = f (1) = 0}.
um subespao vetorial de CR [0, 1].

Exerccio 76. Mostre que o conjunto das matrizes 3 3 triangulares inferiores
um subespao vetorial de M33 .
Exerccio 77. Verifique quais so, dentre os subconjuntos de R3 abaixo, quais
so subespaos vetoriais.
1. O subconjunto de vetores que possuem primeira coordenada igual a zero;
2. O subconjunto de vetores que possuem primeira coordenada igual a 1;
3. O subconjunto de vetores (x, y, z) tais que xy = 0;
4. O subconjunto de vetores (x, y, z) tais que z y + 3x = 0.
Exerccio 78. Descreva o espao nulo das matrizes abaixo

1 1
1. A = ;
0 0

0 0 3
2. A = ;
1 2 3

0 0
3. A = .
0 0
Exerccio 79. Se S1 e S2 so subespaos de um espao vetorial V , mostre que

S1 S2 tambm um subespao de V . O mesmo acontece com S1 S2 ?
T S
Exerccio 80. Mostre que se um subespao de M22 contm as matrizes

1 0 0 0
A= , B=
0 0 0 1
ento esse subespao tambm deve conter a matriz identidade.
7.4 Combinaes Lineares

Um espao vetorial um conjunto onde os elementos podem ser combinados
livremente atravs da soma e da multiplicao por escalar.
Definio 8. Dizemos que ~v uma combinao linear de u~1 , . . . , u~k se existem
constantes a1 , . . . , ak tais que
~v = a1 u~1 + . . . + ak u~k .
Com essa definio, podemos dizer que um espao vetorial um conjunto

no qual podemos fazer combinaes lineares.
Exemplo 79. O vetor (7, 2, 9) R3 uma combinao linear dos vetores
(2, 1, 3) e (1, 0, 1) porque
(7, 2, 9) = 2(2, 1, 3) + 3(1, 0, 1).

Exemplo 80. No espao vetorial P, todo polinmio de grau 2 combinao

linear dos polinmios {1, x, x2 }, uma vez que qualquer polinmio de grau 2 pode
ser escrito na forma
p(x) = a2 x2 + a1 x1 + a0 = a2 x2 + a1 x1 + a0 1.
De maneira geral, fixado n N, qualquer polinmio de grau n uma combinao

linear dos polinmios {1, x, x2 , . . . , xn }.
Exemplo 81. O vetor nulo 0 sempre combinao linear de qualquer conjunto
de vetores v~1 , . . . , v~k . De fato,
0 = 0v~1 + . . . + 0v~k .
Exemplo 82. Considere os vetores e~1 = (1, 0, 0), e~2 = (0, 1, 0) e e~3 = (0, 0, 1).
Qualquer vetor em R3 combinao linear desses trs vetores. De fato, dado
~v = (a1 , a2 , a3 ) podemos escrever
(a1 , a2 , a3 ) = (a1 , 0, 0) + (0, a2 , 0) + (0, 0, a3 )

= a1 (1, 0, 0) + a2 (0, 1, 0) + a3 (0, 0, 1)
= a1 e~1 + a2 e~2 + a3 e~3 .
De maneira geral, qualquer vetor de Rn pode ser escrito como uma com-
binao linear dos vetores e~1 = (1, 0, . . . , 0), e~2 = (0, 1, . . . , 0), . . . , e~n =
(0, 0, . . . , 1)
Exemplo 83. Se um vetor ~v combinao linear de um vetor ~u ento
~v = ~u
ou seja, ~v mltiplo de ~u.

Vejamos agora em detalhes o que acontece quando V = Rn .
Exemplo 84. Considere os vetores u~1 = (1, 0, 0) e u~2 = (1, 1, 0). O vetor
~v = (4, 2, 0) combinao linear de u~1 e u~2 . Para provar esse fato, suponhamos
inicialmente que ~v possa ser escrito como combinao de u~1 e u~2 . Isso quer
dizer que existem a1 , a2 R tais que
~v = a1 u~1 + a2 u~2 (7.1)

(4, 2, 0) = a1 (1, 0, 0) + a2 (1, 1, 0)
Utilizando a identificao entre vetores de Rn e matrizes coluna, podemos es-

crever
4 1 1 a1 + a2 1 1

a
2 = a 0 + a 1 = a2 = 0 1 1 .

1 2

a2
0 0 0 0 0 0
Para encontrar as constantes a1 e a2 devemos ento resolver o sistema de trs
equaes e duas incgnitas
1 1 4

a1
0 1 = 2 .

a2
0 0 0
Esse sistema possui soluo nica a1 = 2 e a2 = 2. Logo ~v combinao de u~1

e u~2 . De fato,
(4, 2, 0) = 2(1, 0, 0) + 2(1, 1, 0).
Exemplo 85. Considere os vetores u~1 = (1, 0, 0) e u~2 = (1, 1, 0). O vetor
~v = (1, 2, 1) no combinao linear de u~1 e u~2 . Para provar esse fato,
suponhamos inicialmente que ~v possa ser escrito como combinao de u~1 e u~2 .
Isso quer dizer que existem a1 , a2 R tais que
~v = a1 u~1 + a2 u~2
(1, 2, 1) = a1 (1, 0, 0) + a2 (1, 1, 0)

crever
1 1 1 a1 + a2 1 1

a
2 = a 0 + a 1 = a2 = 0 1 1 .

1 2

a2
1 0 0 0 0 0
Para encontrar as constantes a1 e a2 devemos ento resolver o sistema de trs
equaes e duas incgnitas
1 1 1

a
0 1 1 = 2 .

a2
0 0 1
Esse sistema no possui soluo, uma vez que a ltima equao equivale a
0 = 1.
De fato, qualquer combinao linear desses vetores da forma
a1 (1, 0, 0) + a2 (1, 1, 0) = (a1 + a2 , a2 , 0)
que nunca pode ser igual ao vetor (1, 2, 1).

De maneira geral, dados vetores u~1 , . . . , u~m Rn , um vetor ~v ser combi-
nao linear de u~1 , . . . , u~m se existirem constantes a1 , . . . , am tais que
~v = a1 u~1 + . . . + am u~m .

crever essa equao na forma
AX = B
em que A a matriz n m cujas colunas so dadas pelos vetores u~1 , . . . , u~m ,
X a matriz de incgnitas a1 , a2 , . . . , an e B a matriz coluna correspondente
a ~v .
Teorema 12. Seja A uma matriz n m e B uma matriz n 1. O vetor B

combinao linear das colunas de A se, e somente se, o sistema AX = B possui
soluo. A soluo do sistema X fornece as constantes utilizadas na combinao
linear.
Exemplo 86. Verifique se o vetor (2, 3, 4) combinao linear de (1, 0, 2) e
(0, 1, 0).
Soluo. Devemos resolver o sistema linear AX = B em que
1 0 2

a
A = 0 1 , X = e B = 3 .
1

a2
2 0 4
Esse sistema possui soluo nica a1 = 2 e a2 = 3. De fato,
(2, 3, 4) = 2(1, 0, 2) + 3(0, 1, 0).
Exemplo 87. Verifique se o vetor (2, 3, 4) combinao linear de (1, 0, 0) e

(0, 1, 0).
Soluo. Devemos resolver o sistema linear AX = B em que
1 0 2

a1
A = 0 1 , X = e B = 3 .

a2
0 0 4
Esse sistema no possui soluo e portanto o vetor (2, 3, 0) no combinao

linear de (1, 0, 2) e (0, 1, 0). De fato, qualquer combinao linear desses vetores
da forma
a1 (1, 0, 0) + a2 (0, 1, 0) = (a1 , a2 , 0)
que nunca pode ser igual ao vetor (2, 3, 4).
Exerccio 81. Verifique se o vetor ~v combinao linear dos vetores u~1 , . . . , u~n
dados abaixo. Em caso afirmativo, encontre a combinao linear desses vetores
que gera ~v .
1. ~v = (1, 1); u~1 = (1, 0);
2. ~v = (2, 2); u~1 = (1, 1);
3. ~v = (2, 3); u~1 = (1, 0), u~2 = (0, 1);
4. ~v = (2, 3); u~1 = (1, 0), u~2 = (1, 1);
5. ~v = (1, 1, 1); u~1 = (1, 0, 0), u~2 = (0, 1, 0);
6. ~v = (2, 2, 2); u~1 = (1, 0, 1), u~2 = (0, 1, 0);
7. ~v = (2, 2, 2); u~1 = (1, 0, 1), u~2 = (0, 1, 0), u~3 = (1, 1, 1);
8. ~v = (2, 3, 1); u~1 = (1, 0, 0), u~2 = (0, 1, 0), u~3 = (0, 0, 1);
9. ~v = (2, 3, 1); u~1 = (1, 1, 0), u~2 = (0, 1, 0), u~3 = (0, 1, 1);
10. ~v = (2, 3, 1, 1); u~1 = (1, 0, 0, 0), u~2 = (0, 1, 0, 0), u~3 = (0, 0, 1, 0);
11. ~v = (2, 3, 1, 1); u~1 = (1, 0, 0, 0), u~2 = (0, 1, 0, 0), u~3 = (0, 0, 1, 0), u~4 =
(0, 0, 0, 1);
12. ~v = (2, 3, 1, 1); u~1 = (1, 1, 0, 0), u~2 = (0, 1, 0, 0), u~3 = (0, 0, 1, 0), u~4 =
(0, 0, 1, 1);
13. ~v = (2, 3, 1, 1); u~1 = (1, 1, 0, 0), u~2 = (0, 1, 0, 0), u~3 = (0, 0, 1, 0), u~4 =
(0, 0, 1, 1), u~5 = (1, 1, 1, 1).
Observao 10. Cada item do exerccio anterior leva a um sistema linear. Re-
solva os sistemas com o auxlio de um computador.
Queremos encontrar condies que informem se dentre um conjunto de ve-

tores, algum deles pode ser escrito como combinao linear dos outros. Para
isso definimos a noo de dependncia linear.
Definio 9. Dizemos que um conjunto de vetores {u~1 , . . . , u~k } V linear-
mente independente (LI) se a equao
a1 u~1 + + ak u~k = 0
s admite a soluo trivial a1 = . . . = ak = 0, ou seja, se a nica combinao

linear dos vetores que gera o vetor nulo aquela em que todas as constantes
so nulas.
Caso contrrio, dizemos que os vetores so linearmente dependentes (LD).
Um conjunto de vetores LD se existe uma combinao linear deles que gera o
vetor nulo em que pelo menos uma das constantes no-nula.
Exemplo 88. Um conjunto de vetores que contm o vetor nulo sempre LD.
De fato, tomando o conjunto {u~1 , . . . , u~k , 0} podemos escrever a combinao
linear
0 u~1 + + 0 u~k + 1 0 = 0.
Temos ento uma combinao linear dos vetores que gera o vetor nulo em que
a ltima constante utilizada diferente de zero. Isso implica que esses vetores
so LD.
Exemplo 89. Um conjunto formado por um nico vetor no nulo ~u sempre
LI. Nesse caso, as nicas combinaes lineares possveis so mltiplos de ~u e
para que um desses mltiplos seja o vetor nulo temos que
~u = 0
o que implica que = 0 uma vez que ~u 6= 0.

Como corolrio do teorema 12 temos o seguinte resultado:
Corolrio 7. Seja {u~1 , . . . , u~k } um conjunto de vetores em Rn e A a matriz

construda utilizando esses vetores como colunas. Esse conjunto de vetores LI
se, e somente se, o sistema AX = 0 possui apenas a soluo trivial.
Exemplo 90. Os vetores (1, 0), (1, 1) e (3, 2) so LD. De fato, a matriz obtida
usando esses vetores como colunas

1 1 3
A= .
0 1 2
O sistema AX = 0 possui soluo no-trivial j que possui mais incgnitas que

equaes.
Exemplo 91. Os vetores (1, 1, 0), (1, 0, 0) so LI. De fato, a matriz obtida
usando esses vetores como colunas
1 1

A = 1 0 .

0 0
O sistema AX = 0 possui soluo apenas a soluo trivial, como pode ser
facilmente verificado.
Se k = n, A uma matriz quadrada e o sistema AX = 0 possui soluo
nica se, e somente se, det(A) 6= 0.
Corolrio 8. Um conjunto de n vetores em Rn LI se, e somente se, a matriz
A construda utilizando esses vetores como colunas tem determinante diferente
de zero.
Exemplo 92. 1. Os vetores

u~1 = 1, 0, 1 , u~2 = 1, 0, 1 , u~3 = 0, 1, 0
so LI . Para vermos isso devemos mostrar que a nica possibilidade para

escrevermos o vetor nulo como combinao linear de u~1 , u~2 e u~3 com
todas as constantes iguais a zero. Para mostrar que isso de fato acontece,
devemos resolver o sistema AX = 0, em que A a matriz formada
colocando u~1 , u~2 e u~3 como colunas:
1 1 0

A = 0 0 1 .

1 1 0
Como o determinante de A diferente de zero, o sistema AX = 0 possui

apenas a soluo trivial e isso quer dizer que a nica combinao linear
de u~1 , u~2 e u~3 que resulta o vetor nulo aquela em que as constantes so
todas nulas o que implica que esses vetores so LI.
2. Do mesmo modo mostramos que os vetores

1, 0, 0 , 0, 1, 0 , 0, 0, 1
so LI.
3. Mais geralmente os vetores

1, 0, . . . 0 , 0, 1, . . . 0 , . . . , 0, 0, . . . 1
so LI.
4. Os vetores

u~1 = 1, 0, 1 , u~2 = 1, 0, 1 , u~3 = 1, 0, 0
so LD . Para vermos isso devemos mostrar que podemos escrever o vetor

nulo como combinao linear de u~1 , u~2 e u~3 com as constantes no todas
nulas. Para mostrar que isso de fato acontece, devemos resolver o sistema
AX = 0, em que A a matriz formada colocando u~1 , u~2 e u~3 como

colunas:
1 1 1

A = 0 0 0 .

1 1 0
Como o determinante de A igual zero, o sistema AX = 0 possui apenas
a soluo trivial e isso quer dizer que podemos encontrar uma combinao
linear de u~1 , u~2 e u~3 que resulta o vetor nulo sem que as constantes sejam
todas nulas o que implica que esses vetores so LD.
Exemplo 93. Os vetores (1, 1) e (3, 2) so LI. De fato, a matriz obtida usando
esses vetores como colunas

1 3
A=
1 2
que tem determinante igual a 5.

Exemplo 94. Os vetores (1, 3, 1) (1, 0, 0) e (1, 2, 1) so LI. De fato, a matriz
obtida usando esses vetores como colunas
1 1 1

A = 3 0 2

1 0 1
Exemplo 95. Os vetores (1, 3, 1) (1, 1, 1) e (1, 2, 1) so LD. De fato, a matriz
obtida usando esses vetores como colunas
1 1 1

A = 3 1 2

1 1 1
Trs ou mais vetores em R2 , assim como quatro ou mais vetores em R3 , assim

como mais de n vetores em Rn so sempre LD. Isso acontece porque o problema
de identificar se esses vetores so ou no LI leva a um sistema homogneo com
mais incgnitas que equaes, que sempre possui soluo no trivial.
Teorema 13. O nmero mximo de vetores LI em Rn igual a n.
A definio de depedncia linear importante porque ela permite identificar
se dentro de um conjunto de vetores, um deles pode ser escrito como combinao
linear dos outros ou no. De fato, as duas propriedades so equivalentes.
Teorema 14. Um conjunto de vetores LD se e somente se podemos expressar
ao menos um dos vetores como combinao linear dos outros.
Demonstrao. Suponhamos que {v~1 , . . . , v~k } seja um conjunto LI. Ento

existe uma combinao linear desses vetores que resulta no vetor nulo
a1 v~1 + + ak v~k = 0
com pelo menos uma das constantes ai 6= 0. Suponhamos que a1 6= 0. Podemos

ento escrever
a2 ak
v~1 = v~2 v~k = 0.
a1 a1
Exemplo 96. Um conjunto com dois vetores LD se, e somente se, um deles
mltiplo do outro. De fato, se dois vetores so LD, um deles pode ser escrito
como combinao linear do outro.
Exemplo 97. Em R3 trs vetores so LD apenas em trs casos: ou os trs so
paralelos, ou dois deles so paralelos, ou os trs vetores so coplanares.
Exerccio 82. Verifique se os conjuntos de vetores abaixo so LI ou LD.
1. (1, 1);
2. (1, 2), (3, 6);
3. (1, 2), (3, 1);
4. (1, 2), (3, 10, (1, 1);
5. (1, 1, 2), (1, 0, 0), (4, 6, 12);
6. (1, 1, 1), (2, 3, 1), (3, 1, 2);
7. (1, 2, 3), (2, 4, 6);
8. (4, 2, 1), (6, 5, 5), (2, 1, 3).
9. (1, 1, 2, 0), (1, 1, 0, 1);
10. (1, 1, 0, 2), (1, 1, 0, 0), (1, 0, 1, 0) ;
11. (1, 1, 0, 0), (1, 2, 0, 0), (1, 0, 1, 1) , (0, 0, 1, 1);
12. (1, 1, 0, 0, 2), (1, 1, 0, 0, 0), (1, 0, 1, 0, 0) , (0, 0, 1, 2, 0);
13. (1, 1, 0, 0, 3), (1, 1, 0, 0, 0), (2, 0, 1, 0, 0) , (0, 0, 1, 1, 0), (0, 0, 0, 0, 1).
Exerccio 83. Em cada item do exerccio anterior em que os vetores so LD,
escreva uma combinao linear dos vetores que resulta o vetor nulo em que pelo
menos uma das constantes usadas seja diferente de zero. Escreva um dos vetores
como combinao linear dos outros.
Exerccio 84. Suponhamos que u~1 , u~2 , . . . , u~n em Rn , escritos como matrizes
coluna, sejam linearmente independentes. Se A uma matriz invertvel n n,
mostre que Au~1 , Au~2 , . . . Au~n tambm so linearmente independentes. Podemos
afirmar a mesma coisa se A no invertvel?
Exerccio 85. Se os vetores ~u, ~v , w

~ so linearmente dependentes ento w
~ uma
combinao linear de ~u e ~v ?
7.4.1 Subespaos gerados

Definio 10. Dado um espao vetorial V e um conjunto de vetores u~1 , . . . , u~k ,
o subespao gerado por esses vetores o conjunto de todas as suas combinaes
lineares:
hu~1 , . . . , u~k i = {a1 u~1 + . . . + ak u~k ; ai R} .
Exerccio 86. Prove que hu~1 , . . . , u~k i de fato um subespao de V .
Exemplo 98. O vetor (7, 2, 9) R3 uma combinao linear dos vetores
(2, 1, 3) e (1, 0, 1) porque
(7, 2, 9) = 2(2, 1, 3) + 3(1, 0, 1).
Portanto (7, 2, 9) h(2, 1, 3), (1, 0, 1)i .
Exemplo 99. O subespao gerado por um vetor no nulo ~v R2 ou R3 uma
reta passando pela origem. De fato
h~v i = {t~v ; t R}
que corresponde justamente reta passando pela origem com vetor diretor ~v .
Exemplo 100. O subespao gerado pelos vetores (1, 0, 0) e (0, 1, 0) em R3
corresponde ao plano xy. De fato, as combinaes lineares de (1, 0, 0) e (0, 1, 0)
so vetores da forma
a1 (1, 0, 0) + a2 (0, 1, 0) = (a1 , a2 , 0)
que correspondem justamente aos vetores pertencentes ao plano xy
De forma anloga, o subespao gerado pelos vetores (1, 0, 0) e (0, 0, 1) cor-
responde ao plano xz e o subespao gerado pelos vetores (0, 1, 0) e (0, 0, 1)
corresponde ao plano yz.
Exemplo 101. O subespao gerado por dois vetores ~u e ~v no paralelos em R3

um plano passando pela origem perpendicular ao vetor N~ = ~u ~v .
7.4.2 Base e Dimenso

Podemos nos perguntar se existe um conjunto de vetores LI de forma que todo
elemento do espao V possa ser escrito como combinao linear dos elementos
desse conjunto. possvel mostrar que todo espao vetorial possui um conjunto
LI com essa propriedade.
Definio 11. Uma base para um espao vetorial V um conjunto LI
B = {u~1 , . . . , u~k }
tal que todo vetor de V combinao linear de u~1 , . . . , u~k , ou seja
hu~1 , . . . , u~k i = V.
Observao 12. Uma base para um espao vetorial V nunca nica. De fato,
para qualquer espao vetorial V existem infinitas bases, como veremos adiante.
Exemplo 102. Os vetores u~1 = (1, 0) e u~2 = (0, 1) formam uma base para
R2 . De fato, esses vetores so LI e qualquer vetor de R2 pode ser escrito como
combinao linear de u~1 e u~2 . Isso pode ser facilmente provado: um vetor
qualquer de R2 da forma
~v = (a1 , a2 ) = (a1 , 0) + (0, a2 ) = a1 (1, 0) + a2 (0, 1) = a1 u~1 + a2 u~2 .
De maneira anloga, como mostrado no exemplo 82, os vetores u~1 = (1, 0, 0), u~2 =
(0, 1, 0) e u~3 = (0, 0, 1) formam uma base para R3 . De maneira geral, os ve-
tores u~1 = (1, 0, 0, . . . , 0, 0), u~2 = (0, 1, 0, . . . , 0, 0), . . . , u~n = (0, 0, 0, . . . , 0, 1)
formam uma base para Rn , como pode ser verificado de maneira anloga aos
casos de R2 e R3 .
Em geral, fcil provar que um conjunto de vetores LI, pois isso equi-
valente a resolver um sistema linear homogneo. Com o que temos at agora,
o difcil provar se um conjunto de vetores gera ou no todo o espao vetorial
V . Antes de vermos mais exemplos, vamos provar mais resultados que facilitam
essa tarefa.
Teorema 15. Se {u~1 , . . . , u~k } uma base para o espao vetorial V , ento
qualquer conjunto com mais de k vetores LD.
Demonstrao. Seja {v~1 , . . . , v~m } um conjunto qualquer com m > k. Seja

b1 v~1 + b2 v~2 + . . . + bm v~m = 0 (7.2)
uma combinao linear desses vetores que gera o vetor nulo. Nosso objetivo
provar que possvel escolher os valores das constantes bi na equao acima
sem que todas elas sejam nulas.
Utilizando o fato de que o conjunto {u~1 , . . . , u~k } uma base, vamos rees-
crever a equao acima em termos dos vetores u~i . Isso possvel porque todo
vetor v~j pode ser escrito como combinao linear de {u~1 , . . . , u~k }:
v~1 = x11 u~1 + x12 u~2 + . . . + x1k u~k (7.3)
v~2 = x21 u~1 + x22 u~2 + . . . + x2k u~k (7.4)
.. .
. = .. (7.5)
v~m = xm1 u~1 + xm2 u~2 + . . . + xmk u~k (7.6)
Substituindo as igualdades acima na equao (??), temos
b1 (x11 u~1 + x12 u~2 + . . . + x1k u~k ) + b2 (x21 u~1 + x22 u~2 + . . . + x2k u~k ) + . . . +
bm (xm1 u~1 + xm2 u~2 + . . . + xmk u~k ) = 0
Colocando em evidncia os vetores u~i na equao acima chegamos
(b1 x11 + b2 x21 + . . . + bm xm1 ) u~1 + (b1 x12 + b2 x22 + . . . + bm xm2 ) u~2 +
+ . . . + (b1 x1k + b2 x2k + . . . + bm xmk ) u~k = 0.
A equao acima fornece uma combinao linear dos vetores u~1 , . . . , u~k que
resulta no vetor nulo. Como esses vetores so LI, isso s pode acontecer se
todas as constantes forem zero, o que implica que
b1 x11 + b2 x21 + . . . + bm xm1 = 0

b1 x12 + b2 x22 + . . . + bm xm2 = 0
... = ...
b1 x1k + b2 x2k + . . . + bm xmk = 0.
Esse um sistema linear nas variveis bi que possui k equaes e m incgnitas,

ou seja, mais incgnitas que equaes, e portanto possui soluo no-trivial. Isso
quer dizer que possvel encontrar constantes b1 , . . . , bm , no todas nulas, tais
que a equao (7.2) seja verdadeira. Isso implica que os vetores {v~1 , . . . , v~m }
so LD.
O teorema acima permite provar que duas bases de um mesmo espao vetorial
V , ento elas possuem o mesmo nmero de elementos. De fato, suponhamos
que {u~1 , . . . , u~k } e {v~1 , . . . , v~m } sejam bases para V . Se m > k, o teorema
anterior implica que o conjunto {v~1 , . . . , v~m } LD, e portanto no poderia ser
uma base, o que uma contradio. Se m < k, o teorema anterior implica que
{u~1 , . . . , u~k } LD, o que tambm uma contradio. Logo k = m.
Definio 12. A dimenso de V o nmero de vetores em uma base.
Observao 13. A definio de dimenso acima vale para espaos vetoriais que
podem ser gerados por um nmero finito de vetores, como o caso dos exemplos
58 e 60. Em outros casos, como no exemplo 59 e 75, o espao vetorial no pode
ser gerado por nenhum conjunto finito e dizemos que a dimenso infinita.
Nesse texto, nos concentraremos em espaos vetoriais de dimenso finita.
Exemplo 103. O espao vetorial R2 tem dimenso 2; O espao vetorial R3 tem
dimenso 3; Em geral, o espao vetorial Rn tem dimenso n.
Teorema 16. Seja V um espao vetorial de dimenso n. Ento qualquer con-

junto LI {u~1 , . . . , u~n } com n vetores uma base para V .
Demonstrao. Para provar que um conjunto uma base para V , devemos

provar que, alm de ser LI, esse conjunto gera V , ou seja, qualquer vetor ~v V
pode ser escrito como combinao linear de {u~1 , . . . , u~n }.
Sabemos pelo teorema 15 que o conjunto {u~1 , . . . , u~n , ~v } LD. Isso quer
dizer que existe uma combinao linear
a1 u~1 + a2 u~2 + . . . + an u~n + b~v = 0 (7.7)
que gera o vetor nulo em que pelo menos uma das constantes no nula.
Afirmamos que b 6= 0. Se b fosse igual a 0, poderamos eliminar o vetor ~v da
equao acima e teramos
a1 u~1 + a2 u~2 + . . . + an u~n = 0
em que pelo menos uma das constantes no nula. Como {u~1 , . . . , u~n } uma
base, em particular LI, e portanto isso no pode acontecer. Logo conclumos
que b 6= 0.
Podemos ento isolar ~v na equao (7.7), o que nos leva a
a1 a2 an
~v = u~1 u~2 . . . u~n .
b b b
Isso mostra que, independente de quem seja o vetor ~v , ele pode ser escrito como
combinao linear de {u~1 , . . . , u~n }. Logo esse conjunto uma base para V .
Assim, para verificar se um conjunto de vetores ou no uma base para um

espao vetorial V , basta verificarmos se ele possui o nmero correto de vetores
e se esses vetores so LI. O teorema acima garante que nessas condies, o
conjunto gera V e portanto uma base. Podemos resumir esse resultado da
seguinte forma:
Uma base para um espao vetorial de dimenso n um conjunto LI com

exatamente n vetores.
Exemplo 104. Verifique se os vetores abaixo formam uma base para o espao
vetorial ao qual pertencem.
1. (1, 1);
2. (1, 2), (1, 0);
3. (1, 2), (1, 0), (0, 1);
4. (1, 0, 0) , (0, 1, 1) ;
5. (1, 0, 0) , (0, 1, 1) , (0, 1, 1) ;
6. (0, 1, 0) , (0, 1, 1) , (0, 1, 1) ;
7. (2, 1, 1) , (3, 1, 2) , (1, 0, 1) , (1, 0, 1) ;
8. (3, 1, 2) , (1, 0, 1) , (1, 0, 1) ;
9. (2, 1, 1) , (3, 1, 2) , (1, 0, 1) ;
10. (2, 1, 1) , (3, 1, 2) , (1, 0, 2) ;
11. (1, 1, 0, 0), (1, 1, 0, 0);
12. (1, 1, 0, 0), (1, 1, 0, 0), (1, 0, 1, 0) ;
13. (1, 1, 0, 0), (1, 1, 0, 0), (1, 0, 1, 0) , (0, 0, 1, 1);
14. (1, 1, 0, 0, 1), (1, 1, 0, 0, 0), (1, 0, 1, 0, 0) , (0, 0, 1, 1, 0);
15. (1, 1, 0, 0, 1), (1, 1, 0, 0, 0), (1, 0, 1, 0, 0) , (0, 0, 1, 1, 0), (0, 0, 0, 0, 1).
Exerccio 87. Dados u~1 = (2, 1, 3) e u~2 = (2, 6, 4), responda:
1. O conjunto {v~1 , v~2 } uma base para R3 ? Descreva geometricamente o

subespao gerado por esses vetores.
2. Quais so as condies sobre v~3 para que {v~1 , v~2 , v~3 } seja uma base de
R3 ?
3. Encontre um vetor v~3 de modo que {v~1 , v~2 , v~3 } seja uma base de R3 .
Da existncia de uma base B = {u~1 , . . . , u~n } do espao V surge a notao

para vetores mais utilizada: dado um vetor ~v podemos escrev-lo como ~v =
a1 u~1 + + an u~n e de forma nica. De fato, se temos ~v = b1 u~1 + . . . + bn u~n
ento
(a1 b1 )u~1 + . . . + (an bn )u~n = 0
e da condio LI temos ai = bi . Assim podemos representar o vetor por meio
de seus coeficientes na base dada: ~v = (a1 , . . . , an )B . Quando no houver
confuso a respeito da base que est sendo utilizada denotaremos apenas por
~v = [v]B = (a1 , . . . , an ).
Isso mostra que, fixada uma base, qualquer espao vetorial de dimenso finita
n equivalente a Rn .
7.4.3 Subespaos
Sabemos que um supespao vetorial S V tambm um espao vetorial com as
operaes se soma e multiplicao por constante utilizadas em V . Dessa forma,
todas os resultados anteriores se aplicam tambm para subespaos. Vamos
enunci-los novamente para esse caso particular e em seguida analisar alguns
exemplos.
Definio 13. Uma base para um subespao vetorial S V um conjunto LI

B = {u~1 , . . . , u~k }
tal que todo vetor de S combinao linear de u~1 , . . . , u~k , ou seja,
hu~1 , . . . , u~k i = S.
Exemplo 105. Os vetores u~1 = (1, 0, 0) e u~2 = (0, 1, 0) formam uma base para
o plano xy em R3 . De fato, esses vetores so LI e qualquer vetor do plano xy
pode ser escrito como combinao linear de u~1 e u~2 . Isso pode ser facilmente
provado: um vetor qualquer nesse plano da forma
~v = (a1 , a2 , 0) = (a1 , 0) + (0, a2 ) = a1 (1, 0, 0) + a2 (0, 1, 0) = a1 u~1 + a2 u~2 .
A figura abaixo mostra esse subespao e os vetores u~1 e u~2 .
Teorema 17. Se {u~1 , . . . , u~k } uma base para o subespao vetorial S V ,

ento qualquer conjunto com mais de k vetores em S LD.
Como vimos anteriormente, uma consequncia do teorema acima que todas

as bases para S possuem o mesmo nmero de vetores. Esse fato motiva a
definio de dimenso do subespao S.
Definio 14. A dimenso de um subespao S V o nmero de vetores em
uma base de S.
Teorema 18. Seja S V um subespao vetorial de dimenso n. Ento qual-
quer conjunto LI {u~1 , . . . , u~n } com n vetores em S uma base para S.
importante notar que um conjunto com k vetores em um espao vetorial V
de dimenso k necessariamente uma base para V . Como os subespaos V so
subconjuntos de V , suas bases no podem ter mais que k vetores, pois k vetores
em V so necessariamente LD. Assim, a dimenso de qualquer subespao de V
menor ou igual a k.
Exemplo 106. O conjunto dado pelas equaes paramtricas
S = {(, , + ) : , R}
um subespao vetorial de R3 (verifique!). Vamos encontrar uma base para

esse subespao.
Inicialmente, encontramos um conjunto de geradores. Para isso, utilizamos
o fato de que qualquer vetor de S da forma
~v = (, , + ).
Vamos reesecrever esse vetor separando os parmetros e :
~v = (1, 0, 1) + (0, 1, 1).
Isso prova que os vetores u~1 = (1, 0, 1) e u~2 = (0, 1, 1) geram S. Para provar
que eles formam uma base, resta mostrar que eles so LI, o que fcil uma vez
que um deles no mltiplo do outro. Logo {u~1 , u~2 } uma base para S.
Esse subespao e a base {u~1 , u~2 } so mostrados na figura abaixo.
S = {( + 3, , 2 + ) : , R}

esse subespao.
Inicialmente, encontramos um conjunto de geradores. Para isso, utilizamos
o fato de que qualquer vetor de S da forma
~v = ( + 3, , 2 + ).
Vamos reesecreve esse vetor separando os parmetros e :
~v = (1, 1, 2) + (3, 1, 1).
Isso prova que os vetores u~1 = (1, 1, 2) e u~2 = (3, 1, 1) geram S. Para
provar que eles formam uma base, resta mostrar que eles so LI, o que fcil
uma vez que um deles no mltiplo do outro. Logo {u~1 , u~2 } uma base para
S.
Esse subespao e os vetores u~1 , u~2 so mostrados na figura abaixo.

S = {( + , + , + + 2) : , , R}
esse subespao.
Inicialmente, encontramos um conjunto de geradores. Para isso, vamos ree-
secreve esse vetor separando os parmetros e :
~v = (1, 0, 1) + (0, 1, 1) + (1, 1, 2).
Isso prova que os vetores u~1 = (1, 0, 1), u~2 = (0, 1, 1), u~3 = (1, 1, 2) geram S.
Vamos agora verificar se eles so LI ou LD calculando o determinante da matriz
1 0 1

A = 0 1 1 .

1 1 2
Temos que det(A) = 0 o que significa que os vetores so LD. Assim, h um

vetor desnecessrio dentro do conjunto. Para descobrir qual dos vetores pode
ser eleminado, temos que descobrir qual deles pode ser escrito como combinao
linear dos outros. Isso pode ser feito resolvendo o sistema AX = 0. A matriz
de incgnitas

1

X = 2

fornece as constantes que devem ser utilizadas na combinao linear para gerar
o vetor nulo. Esse sistema possui infinitas solues dadas por 1 = 3 , 2 =
3 , 3 R. Escolhendo 3 = 1 chegamos combinao linear
u~1 u~2 + u~3 = 0.
Na equao anterior, podemos isolar qualquer um dos trs vetores e escrev-lo

como combinao linear dos outros. Por exemplo, temos
u~3 = u~1 + u~2 .
Como u~3 combinao linear de u~1 e u~2 , o subespao gerado por {u~1 = (1, 0, 1), u~2 = (0, 1,
igual ao subespao gerado por {u~1 = (1, 0, 1), u~2 = (0, 1, 1)}. Como os vetores
u~1 e u~2 so LI, eles formam uma base para S.
Nesse caso, o vetor eliminado pode ser qualquer um dos trs. Com a nossa
escolha, construmos a base {u~1 , u~2 }. Com escolhas diferentes chegaramos s
bases {u~1 , u~u } (eliminando o vetor u~2 ) e {u~2 , u~3 } (eliminando o vetor u~1 ).
Esse subespao e os vetores u~1 , u~2 , u~3 so mostrados na figura abaixo.
Observao 15. O subespao S do exemplo 108 o mesmo subespao do

exemplo 106, escrito de maneira diferente. Observe que a diferena entre as
parametrizaes dadas a constante , que pode ser eliminada uma vez que o
vetor (1, 1, 2) combinao linear de (1, 1, 0) e (0, 1, 1).
Exemplo 109. Vamos encontrar uma base para o plano dado pela equao
x y + z = 0 em R3 . Para isso, escrevemos o plano atravs de equaes
paramtricas y = , z = , x = com , R. Assim, os elementos de
so vetores de R3 da forma
( , , ).
O prximo passo encontrar um conjunto de geradores para , separando

as partes que dependem de e :
( , , ) = (1, 1, 0) + (1, 0, 1).

Isso prova que os vetores u~1 = (1, 1, 0) e u~2 = (1, 0, 1) geram . Como esses
vetores so LI, uma vez que um no mltiplo do outro {u~1 , u~2 } uma base
para S.
Esse subespao e a base {u~1 , u~2 } so mostrados na figura abaixo.
Exemplo 110. Considere o plano 1 dado pela equao x + y + z = 0 e o

plano 2 dado pela equao 4x 2y + z = 0. Ambos passam pela origem e
por isso so subespaos de R3 . A interseo de 1 e 2 uma reta r passando
pela origem. Como vimos no exerccio ??, a interseo de subespaos tambm
um subespao. Vamos encontrar uma base para r.
O vetor normal ao plano 1 N1 = (1, 1, 1). O vetor normal ao plano 2
N2 = (4, 2, 1). O vetor diretor de r
~v = N1 N2 = (1, 3, 2).
Logo r corresponde ao conjunto de pontos
{(t, 3t, 2t); t R} .
Todos os vetores em r so mltiplos de ~v , o prova que o vetor ~v gera r. Como

um conjunto com apenas um vetor no nulo LI, {~v } uma base para r.
A figura abaixo mostra os dois planos e seus vetores normais e a reta r.
Exemplo 111. Vamos encontrar uma base para o conjunto de solues do sis-
tema
x+yz

= 0

x 2y z = 0
2x y 2z = 0.

Inicialmente, devemos caracterizar o conjunto de solues. Para isso, devemos

resolver o sistema linear. A matriz de coeficientes
1 1 1

A = 1 2 1 .

2 1 2
Escalonando essa matriz obtemos

1 0 1

0 1 0 .

0 0 0
Logo as solues do sistema linear so dadas por x = z, y = 0, z R. Assim,
fazendo z = , o conjunto de solues do sistema pode ser escrito na forma
S = {(, 0, ); R} .
Qualquer vetor em S da forma
(1, 0, 1),
o que prova que o vetor u~1 = (1, 0, 1) gera S. Como um conjunto com apenas
um vetor no nulo LI, {u~1 } uma base para S.
Observao 16. Observe que esse subespao a reta passando pela origem
com vetor diretor (1, 0, 1), ilustrada na figura abaixo.
Observao 17. O subespao S o que chamamos de espao nulo da matriz

A.
Exemplo 112. Vamos encontrar uma base para o conjunto de solues do sis-
tema
2x1 + 2x2 x3 + x4 = 0

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

Inicialmente, devemos caracterizar o conjunto de solues. Para isso, devemos

resolver o sistema linear. A matriz de coeficientes
2 2 1 1

A = 1 1 2 1 .

1 1 2 1
Escalonando essa matriz obtemos
1 1 0 1

0 0 1 1 .

0 0 0 0
Logo as solues do sistema linear so dadas por x1 = x2 x4 , x3 = x4 , x2 , x4
R. Assim, fazendo x2 = e x4 = , o conjunto de solues do sistema pode
ser escrito na forma
S = {( , , , ); , R} .
Vamos agora encontrar um conjunto de geradores para esse subespao. Isso pode
ser feito de maneira anloga utilizada nos exemplos anteriores, separando nos
vetores de S a parte que depende apenas de e a parte que depende apenas de
:
( , , , ) = (1, 1, 0, 0) + (1, 0, 1, 1).
Isso prova que os vetores u~1 = (1, 1, 0, 0) e u~2 = (1, 0, 1, 1) geram S.
Como esses vetores so LI, {u~1 , u~2 } uma base para S.
Observao 18. O subespao S o que chamamos de espao nulo da matriz

A.
Exemplo 113. Vamos encontrar uma base para o espao nulo da matriz

1 1 0 1 5

1 0 0 2 2
A = .
0 0 1 4 1
0 0 0 0 0
Esse o subespao de R5 formado pelas solues do sistema AX = 0. Inicial-

mente, devemos caracterizar o conjunto de solues. Para isso, devemos resolver
o sistema linear. Escalonando a matriz A obtemos

1 0 0 2 2
0 1 3

0 1
.

0 0 1 4 1

0 0 0 0 0
Logo as solues do sistema linear so dadas por x1 = 2x4 2x5 , x2 =

x4 3x5 , x3 = x5 4x4 , x4 , x5 R. Assim, fazendo x4 = e x5 = , o
conjunto de solues do sistema pode ser escrito na forma
S = {(2 2, 3, 4, , ); , R} .
Vamos agora encontrar um conjunto de geradores para esse subespao. Isso

pode ser feito separando nos vetores de S a parte que depende apenas de e a
parte que depende apenas de :
(2 2, 3, 4, , ) = (2, 1, 4, 1, 0) + (2, 3, 1, 0, 1).
Isso prova que os vetores u~1 = (2, 1, 4, 1, 0) e u~2 = (2, 3, 1, 0, 1) geram

S. Como esses vetores so LI, {u~1 , u~2 } uma base para S.
Exemplo 114. Vamos encontrar uma base para o espao nulo da matriz

1 1 0 1 5

1 0 0 2 2
A = .
2 1 0 3 7
0 0 0 0 0
Esse o subespao de R5 formado pelas solues do sistema AX = 0. Inicial-
mente, devemos caracterizar o conjunto de solues. Para isso, devemos resolver
o sistema linear. Escalonando a matriz A obtemos

1 0 0 2 2
0 1 3

0 1
.

0 0 0 0 0

0 0 0 0 0
Logo as solues do sistema linear so dadas por x1 = 2x4 2x5 , x2 =
x4 3x5 , x3 , x4 , x5 R. Assim, fazendo x3 = , x4 = e x5 = , o conjunto
de solues do sistema pode ser escrito na forma
S = {(2 2, 3, , , ); , , R} .
Vamos agora encontrar um conjunto de geradores para esse subespao. Isso
pode ser feito separando nos vetores de S a parte que depende apenas de e a
parte que depende apenas de :
(22, 3, , , ) = (2, 1, 4, 1, 0)+(2, 3, 1, 0, 1)+(0, 0, 1, 0, 0).
Isso prova que os vetores u~1 = (2, 1, 4, 1, 0), u~2 = (2, 3, 1, 0, 1) e u~3 =
(0, 0, 1, 0, 0) geram S. Como esses vetores so LI, {u~1 , u~2 , u~3 } uma base para
S.
Exerccio 88. Verifique se os subconjuntos abaixo so subespaos do espao
vetorial apropriado. Em caso afirmativo, encontre uma base para esse subespao.
Quando possvel, caracterize geometricamente o conjunto.
1. W = {(x, y, z) R3 ; x + 2y + z = 0} ;
2. W = {(x, y, z) R3 ; 3x + 2y + z = 2} ;
3. W = {(x, y, z, w) R4 ; x + 2y + z w = 0} ;
4. W = {(x, y, z, w) R4 ; x + y = 0} ;
5. W = {(a + b, a b, 2a 3b) R3 ; a, b R} ;
6. W = {(a + b + 2c, a b, 2a 3b c) R3 ; a, b, c R} ;
7. W = {(a b + c, 0, a + b) R3 ; a, b, c R} ;
8. W = {(a b + c, 2a + 3b 2c, 5c, a + b) R4 ; a, b, c R} .
Exerccio 89. Encontre uma base para o conjunto de solues dos sistema
lineares abaixo. Quando possvel, descreva o subespao obtido geometricamente.
2x + 3y z + w = 0

1. 5x + y + 10z + 2w = 0 ;

3x 2y + 11z + w = 0

x + 2y z = 0
2. ;

xy+z = 0

x + 2y z w = 0
3. .

x + y + z + 2w = 0
Resultados adicionais
Veremos agora alguns resultados que podem ser teis em vrias situaes.
Teorema 19. Um conjunto {u~1 , . . . , u~k } em um espao vetorial V uma base
se, e somente se, todo vetor de V pode ser escrito de maneira nica como
combinao linear de u~1 , . . . , u~k .
Demonstrao. Primeiramente, suponhamos que todo vetor de V pode ser

escrito como combinao linear dos vetores {u~1 , . . . , u~k }. Vamos mostrar que
esse conjunto uma base.
J sabemos que esse conjunto gera V , ento resta mostrar que LI. Se esse
conjunto fosse LD, seria possvel escrever o vetor nulo como combinao linear
deles sem que todas as constantes sejam nulas, o que no pode acontecer uma
vez que todo vetor escrito como combinao linear de {u~1 , . . . , u~k } de maneira
nica. Logo a nica forma de escrever o vetor nulo como combinao linear de
{u~1 , . . . , u~k } utilizando todas as constantes iguais a zero e os vetores so LI.
Suponhamos agora que {u~1 , . . . , u~k } uma base de V . Vamos mostrar que
todo vetor escrito de maneira nica como combinao linear desses vetores.
Suponhamos que
~v = 1 u~1 + . . . + k u~k
~v = 1 u~1 + . . . + k u~k
sejam duas formas de escrever o mesmo vetor ~v como combinao linear de

{u~1 , . . . , u~k }. Subtraindo as duas equaes temos
0 = (1 1 ) u~1 + . . . + (k k ) .
Como {u~1 , . . . , u~k } uma base, em particular LI e portanto a nica forma

de escrever o vetor nulo como combinao linear deles com todas as constantes
iguais a zero. Isso implica que i = i e as duas formas de escrever ~v so iguais.
Teorema 20. Seja C = {u~1 , . . . , u~k } um conjunto de vetores que gera um

espao vetorial V . Ento existe um subconjunto de C que base de V .
Demonstrao. Se C no LI, possvel eliminar um vetor sem alterar o subes-

pao gerado por C. Assim, aps eliminar esse vetor, obtemos um subconjunto
menor de C que continua gerando V . Se esse conjunto for LI, obtivemos uma
base. Se no repetimos o processo e continuamos retirando vetores at que no

seja possvel retirar nenhum sem alterar o fato quemque o subespao gerado pelo
conjunto de vetores V . Nesse ponto obtivemos um conjunto LI e, portanto,
uma base.
Provamos anteriormente que se um conjunto LI tem k vetores em um espao
vetorial de dimenso k, ento esse conjunto automaticamente gera V e portanto
uma base de V . Vamos provar agora que se um conjunto com k vetores gera
o espao vetorial V de dimenso k, ento ele automaticamente LI e portanto
uma base de V .
Corolrio 9. Se V um espao vetorial de dimenso k e {u~1 , . . . , u~k } um
conjunto que gera V , ento esse conjunto uma base.
Demonstrao. Como o conjunto {u~1 , . . . , u~k } gera V , resta provar que ele
LI. Se esse conjunto no fosse LI, seria possvel eliminar pelo menos um vetor
e assim obter um conjunto LI que gera V , com menos de k vetores. Como a
dimenso de V k isso uma contradio.
Corolrio 10. Se V um espao vetorial de dimenso k, um conjunto com

menos que k vetores no gera V .
Demonstrao. Se houvesse um conjunto com menos que k vetores que gerasse

V , o corolrio 9 implica que seria possvel encontrar uma base com menos de k
vetores, o que uma contradio j que V tem dimenso k.
Teorema 21. Seja {u~1 , . . . , u~k } um conjunto LI em um espao vetorial V .

Ento possvel completar esse conjunto de forma a obter uma base de V ,
ou seja, existem vetores {uk+1
~ , . . . , u~k+l } tais que
{u~1 , . . . , u~k , uk+1

~ , . . . , u~k+l }
uma base de V .
Demonstrao. Suponhamos que {u~1 , . . . , u~k } seja um conjunto LI que no

gera V . Seja uk+1 ~ um vetor que no pode ser escrito como combinao linear
de {u~1 , . . . , u~k }. Consideremos agora o conjunto u~1 , . . . , u~k , uk ~+ 1 . Esse
n o
um conjunto LI. De fato, considere a combinao linear
1 u~1 + . . . + k u~k + k+1 uk ~+ 1 = 0.
Na equao acima, necessariamente k + 1 = 0. Se esse no fosse o caso

poderamos isolar uk+1 ~ e escrev-lo como combinao linear dos outros, o que
no pode acontecer. Mas se k + 1 = 0 temos uma combinao linear dos
vetores ketu1 , . . . , u~k que gera o vetor nulo, o que s acontece se todas as
constantes so nulas, j que esse conjunto LI. Assim a nica combinao linear
dos vetores u~1 , . . . , u~k , uk ~+ 1 que gera o vetor nulo aquela em que todas as
constantes so nulas e esses vetores so LI.
Se os vetores u~1 , . . . , u~k , uk ~+ 1 geram V , obtivemos uma base. Se no,
repetimos o processo, adicionando vetores de forma que o conjunto permanea
LI at que o conjunto de vetores obtido gere V . Nesse ponto obtivemos uma
base para V .
7.5 Produto Interno

Dado um espao vetorial V , um produto interno uma aplicao
: V V R
(~u, ~v ) 7 ~u ~v
satisfazendo as seguintes propriedades
1. (~u + ~v ) w
~ = (~u w)
~ + (~v w);
~
2. ~u ~v = ~v ~u;
3. ~u ~u 0;
4. Se ~u ~u = 0 ento ~u = 0.
Exerccio 90. Considere o espao vetorial Rn . Mostre que a aplicao

n
X
(x1 , . . . , xn ) (y1 , . . . , yn ) = x i yi
i=1
um produto interno, conhecido como produto interno cannico de Rn .

Exemplo 115. O produto interno entre os vetores (1, 3, 5) e (4, 2, 1)
em R3 igual a
(1, 3, 5) (4, 2, 1) = (1)(4) + (3)(2) + (5)(1) = 4 6 + 5 = 3.
Exerccio 91. Mostre que CR [0, 1], o conjunto de funes contnuas do intervalo
[0, 1] com valores em R, um espao vetorial sobre R com soma e produto,
respectivamente, definidos como sendo
(f + g)(x) = f (x) + g(x),

(f )(x) = f (x).
Mostre que Z
f~ ~g = f (x)g(x)dx
[0,1]
um produto interno em CR [0, 1].

Exemplo 116. Sabemos que o conjunto Mmn formado pelas matrizes m n
um espao vetorial com a soma e o produto por escalar usuais. Considere o
produto
A B = Tr AT B

em que X
Tr(M ) = mi i
i
o trao da matriz quadrada M , definido como a soma dos elementos da
diagonal principal. O produto definida acima um produto interno em Mmn .
Exerccio 92. Mostre que o produto
(x1 , y1 ) (x2 , y2 ) = 2x1 x2 + 3y1 y2
um produto interno em R2 .
Exerccio 93. Mostre que o produto
(x1 , y1 ) (x2 , y2 ) = x1 x2 y1 y2
no um produto interno em R2 . Quais propriedades no so satisfeitas com

essa definio?
Com um espao vetorial V munido de um produto interno podemos definir
uma aplicao
k k: V R
escrevendo
kvk = ~v ~v .
Essa funo chamada norma sobre V .

O produto interno nos permite introduzir uma noo que generaliza a um
espao vetorial qualquer a ideia de perpendicularidade nos espaos R2 e R3 , com
a qual j estamos familiarizados.
Definio 15. Dizemos que dois vetores ~u e ~v so ortogonais se ~u ~v = 0.
Dizemos que um conjunto E = {v~1 , . . . , v~k } ortogonal se seus elementos so
dois a dois ortogonais. Dizemos que um conjunto E = {v~1 , . . . , v~k } ortonormal
se ortogonal e v~i v~i = 1 para todo i.
Exerccio 94. Mostre que se u e v so ortogonais, ento
ku + vk2 = kuk2 + kvk2 .
Exerccio 95. Mostre que as funes f (x) = cos e g(x) = sen so

x

x

2 2
ortogonais com o produto interno
Z
f~ ~g = f (x)g(x)dx
[0,1]
definido em CR [0, 1].

No caso do espao ser R3 com o produto interno cannico, ou seja,
(x1 , x2 , x3 ) (y1 , y2 , y3 ) = x1 y1 + x2 y2 + x3 y3
a ortogonalidade significa exatamente perpendicularidade no sentido geomtrico
usual.
Teorema 22. Se {v~1 , . . . , v~k } um conjunto ortogonal, ento valem as seguin-
tes propriedades:
1. O conjunto {v~1 , . . . , v~k } LI;
2. Se V = 1 v~1 + . . . + k v~k , ento
~v v~i
i = .
vi ||2
||~
Demonstrao.
1. Suponhamos que
V = 1 v~1 + 2 v~2 + . . . + k v~k = 0. (7.8)
Fazendo o produto interno por v~i em ambos os lados da equao acima,

temos que
(1 v~1 + 2 v~2 + . . . + k v~k ) v~i = 0 v~i
1 (v~1 v~i ) + 2 (v~2 v~i ) + . . . + k (v~k v~i ) = 0
vi v~i )
i (~ = 0
v i k2
i k~ = 0.
Como k~ vi k 6= 0, a equao acima implica que i = 0. Logo a equao
(7.9) s pode ser verdadeira se todas as constantes i so nulas e portanto
o conjunto {v~1 , . . . , v~k } LI.
2. Suponhamos que
1 v~1 + 2 v~2 + . . . + k v~k = 0. (7.9)
Para provar que o conjunto {v~1 , . . . , v~k } LI, devemos mostrar que a
nica possibilidade para as constantes i na equao acima que todas
elas sejam nulas.
Fazendo o produto interno por v~i em ambos os lados da equao acima,
temos que
(1 v~1 + 2 v~2 + . . . + k v~k ) v~i = ~v v~i
1 (v~1 v~i ) + 2 (v~2 v~i ) + . . . + k (v~k v~i ) = ~v v~i
i (~vi v~i ) = ~v v~i
i k~v i k2 = ~v v~i .
A equao acima implica que i = v i k2 ,
~v ~
k~
vi
como queramos provar.
Definio 16. Dizemos que uma base B = {v~1 , . . . , v~k } para o espao vetorial
V uma base ortogonal se seus elementos so dois a dois ortogonais. Dizemos
uma base B = {v~1 , . . . , v~k } uma base ortonormal se ortogonal e v~i v~i = 1
para todo i.
Exemplo 117. A base cannica B = {~ e1 = (1, 0, . . . , 0), e~2 = (0, 1, . . . , 0), . . . , e~n = (0, 0
de R uma base ortonormal. De fato, fcil mostrar que o produto interno
n
e~i e~j igual a zero se i 6= j e igual a 1 se i = j.

Exemplo 118. Mostre que o conjunto
1 1 1 1
! !
B = {v~1 = , 0, , v~2 = , 0, , v~3 = (0, 1, 0)}
2 2 2 2
uma base ortonormal de R3 .

Soluo. Calculando os produtos internos temos
v~1 v~2 = v~1 v~3 = v~2 v~3 = 0, v~1 v~1 = v~2 v~2 = v~3 v~3 = 1
o que mostra que B um conjunto ortonormal. Pelo teorema 22, B um

conjunto LI e portanto uma base, j que possui trs vetores.
Outra consequncia do teorema 22 que dado um vetor qualquer ~v e uma

base ortogonal B = {v~1 , . . . , v~k } de V , fcil encontrar as constantes que
devemos usar para escrever ~v como cominao linear de v~1 , . . . , v~k .
Exemplo 119. Escreva ~v = (2, 1, 1) como combinao linear dos vetores
1 1 1 1
! !
v~1 = , 0, , v~2 = , 0, , v~3 = (0, 1, 0).
2 2 2 2
Soluo. Pelo teorema 22, sabemos que se
~v = 1 v~1 + 2 v~2 + 3 v~3

ento cada constante i dada por
~v v~i
i = = ~v v~i .
vi ||2
||~
Observe que a expresso se simplifica ainda mais, j que os vetores tem norma
igual a 1. Calculando os produtos internos, temos
2 1 1
1 = ~v v~1 = + 0 =
2 2 2
2 1 3
2 = ~v v~2 = + 0 + =
2 2 2
3 = ~v v~3 = 0 + 1 + 0.
Temos ento que
1 3
~v = v~1 + v~2 + v~3 .
2 2
Exerccio 96. Verifique se os conjuntos de vetores abaixo so ortogonais. Ve-

rifique quais deles so ortonormais. Verifique quais deles constituem bases de
R3 .
1. {(1, 2, 1), (1, 0, 1)} ;

2. 3 3
1
1 , 1 ,
3
, 1 , 0, 1
2 2
;
3. {(1, 2, 2), (1, 2, 1), (0, 0, 1)} ;

4. 1 , 1 , 1
3 3 3
, 1

6
, 16 , 26 2
1
1 ,
2
,0 ;
Exerccio 97. Considere os conjuntos acima que so bases de R3 . Escreva o

vetor (1, 1, 1) como combinao linear dos elementos dessas bases.
Exerccio 98. Sejam ~v = (1, 1, 2) e ~u = (a, 1, 2). Para quais valores da

constante a os vetores ~v e ~u so ortogonais?

Exerccio 99. Sejam ~v = 1 , 0, 1
2 2
e ~u = a, 1 , b .
3
Para quais valores de a
e b o conjunto {~u, ~v } ortonormal?
Exerccio 100. Mostre que se ~u ortogonal a ~v ento ~u ortogonal a ~v para

todo valor de R.
Exerccio 101. Mostre que se ~v ortogonal a v~1 , . . . , v~k ento ~v ortogonal a

qualquer combinao linear de v~1 , . . . , v~k .
7.5.1 Projeo e o Mtodo Ortogonalizao de

Gram-Schmidt
Definio 17. A projeo de um vetor ~v sobre um vetor no nulo ~u o vetor

~v ~u
proj~u~v = ~u.
k~uk2
Observe que proj~u~v um mltiplo de ~u.

Significado geomtrico da projeo de v~2 sobre v~1 .
~ = ~v proj~u~v ento w
Teorema 23. Seja w ~ ortogonal a ~u.
Demonstrao. De fato,

~v ~u
~ ~u = (~v proj~u~v ) ~u = ~v ~u proj~u~v ~u = ~v ~u
w ~u ~u = 0.
k~uk2
Aplicando repetidamente o teorema acima, obtemos o seguinte resultado:

Teorema 24. Sejam u~1 , u~2 , . . . , u~k vetores no nulos em Rn . Ento para qual-
quer ~v V w ~ = ~v proju~1~v proju~2~v . . . proju~k ~v ortogonal a u~i para
todo i = 0, . . . , k.
Mtodo Ortogonalizao de Gram-Schmidt

Se assumimos a existncia de uma base qualquer para o espao V ento pode-
mos nos perguntar se h uma base ortonormal de V e a resposta afirmativa.
Dada uma base qualquer {v~1 , v~2 , . . . , v~n } de V ento podemos obter uma base
ortonormal {u~1 , u~2 , . . . , u~n } por meio de um procedimento conhecido como or-
togonalizao de Gram-Schmidt que passamos a descrever.
Primeiro passo: Para construir o vetor u~1 basta tomarmos
v~1
u~1 = .
kv1 k
Segundo passo: Para construir u~2 devemos ter em mente duas coisas:
queremos que u~2 tenha norma unitria e que seja ortogonal ao vetor j construdo
u~1 . Para satisfazer essa essa segunda condio vamos substituir o vetor ketv2
pelo vetor
w~2 = v~2 proju~1 v~2
que, pelo teorema 23 ortogonal a u~1 . Para satisfazer a primeira condio,
basta definir
w~2
u~2 = .
kw2 k
Construmos assim dois vetores ortogonais entre si e de norma um.

Terceiro passo: Para construir u~3 devemos ter em mente duas coisas:
queremos que u~3 tenha norma unitria e que seja ortogonal aos dois vetores j
construdos u~1 e u~2 .
Para satisfazer essa essa segunda condio vamos substituir o vetor ketv2
pelo vetor
w~3 = v~3 proju~1 v~3 proju~2 v~3
que, pelo teorema 24 ortogonal a u~1 e a u~2 . Para satisfazer a primeira condio,
basta definir
w~3
u~3 = .
kw3 k
Construmos assim trs vetores ortogonais entre si e de norma um.
Prximos passos: Seguindo dessa maneira no difcil ver que o vetor
auxiliar w~k ser dado pela expresso
w~k = v~k v~k u~1 u~1 v~k uk1

~ uk1
~ ,
sendo pelo teorema 24 ortogonal a todos os vetores u~1 , . . . , uk1

~ contrudos
anteriormente. Definimos ento
wk
u~k = .
kwk k
Dessa forma podemos exibir todos os vetores u~1 , . . . , u~n ; por construo eles
geram o mesmo espao que v~1 , . . . , v~n . So tambm ortonormais, sendo assim
a base ortonormal procurada do espao V .
Observao 19. No processo que mostramos acima, a cada passo normalizamos
o vetor para j chegar a um vetor de norma um. Podemos primeiramente ignorar
a normalizao e encontrar um conjunto de vetores ortogonais entre si e no final
dividir cada um deles pela sua norma.
Exemplo 120. Considere a base de R2

3 2
S = v~1 = , v~2 = .
1 2
Agora , aplicamos Gram-Schmidt para obter um conjunto ortonormal de

vetores:

3
w~1 = v~1 =
1

v~2 v~1 2 8 3 2/5
w~2 = v~2 proju~1 (v~2 ) = v~2 v
~ 1 = .
kv~1 k2 2 10 1 6/5
Verificamos que os vetores w~1 e w~2 so, de fato, ortogonais:
* +
3 2/5 6 6
w~1 w~2 = , = + = 0.
1 6/5 5 5
Vamos agora normaliza-los dividindo pela norma de cada um dos vetores:

1 3
u~1 =
10 1

1 2/5 1 1
u~2 = q
40
= .
6/5 10 3
25
7.5.2 Subespaos Ortogonais

Definio 18. Dizemos que dois subespaos S1 e S2 so ortogonais se sempre
que v~1 S1 e v~2 S2 , v~1 v~2 = 0.
Exemplo 121. A figura abaixo mostra duas retas passando pela origem em R2 ,
perpendiculares entre si. Essas retas so subespaos ortogonais.
Observe que qualquer vetor pertencente reta a ortogonal qualquer vetor

pertencente reta b.
Exemplo 122. As retas passando pela origem mostradas na figura abaixo so

subespaos ortogonais de R3 .
Exemplo 123. As retas passando pela origem mostradas na figura abaixo so

subespaos ortogonais de R3 .
Exemplo 124. A reta e o plano passando pela origem mostrados na figura

abaixo so subespaos ortogonais de R3 .
Exemplo 125. Mostre que os subespaos

S1 = (a + b, a b, a, b) R4 ; a, b R
n o
S2 = (x, y, x y, x + y) R4 ; x, y R
n o
so subespaos ortogonais.
Soluo. Fazendo o produto interno entre dois elementos quaisquer de S1 e
S2 temos
(a + b, a b, a, b) (x, y, x y, x y) = (a + b)x + (a b)y + a(x y) + b(x + y)
= ax + bx + ay by ax ay bx + by
= 0.
Logo S1 e S2 so subespaos ortogonais.

8
Provas antigas
I. 9 de dezembro de 2010
1. (1 pt) Dados os conjuntos de vetores em R3

a) {(1/ 2, 0, 1/ 2), (1/ 2, 0, 1/ 2), (0, 1, 0)}

b) {(1/ 3, 1/ 3, 1 3), (1/ 2, 0, 1/ 2)}
c) {(1, 1, 1), (1, 1, 2), (1, 1, 0)},
d) {(1, 0, 2), (1, 1, 0), (0, 0, 1), (1, 2, 3)}
a) diga quais deles formam bases para R3 ;

b) diga quais deles so conjuntos ortogonais;
c) diga quais deles so conjuntos ortonormais;
d) diga quais deles so bases ortogonais para R3 ;
e) diga quais deles so bases ortonormais para R3 .
2. (1 pt)
a) Mostre que
{(x, y, z) R3 |x 3z = 5}
203
NO um subespao de R3 .
b) Mostre que o vetor nulo combinao linear de qualquer conjunto de
vetores V1 , . . . , Vn .
3. (1,5 pt) Seja o subconjunto
W = {(x, y, z, w) R4 |x z = 0}
a) Mostre que W um subespao de R4 .

b) Encontre uma base para W e sua dimenso.
c) Mostre que os vetores V1 = (1, 0, 1, 0), V2 = (2, 1, 2, 0), V3 =
(0, 2, 0, 1) pertencem a W .
d) Mostre que {V1 , V2 , V3 } uma base de W .
II. 19 de outubro de 2010
a) {(1, 1, 1), (1, 1, 2), (1, 1, 0)},

b) {(1/ 3, 1/ 3, 1 3), (1/ 2, 0, 1/ 2)}
c) {(1, 0, 2), (1, 1, 0), (0, 0, 1), (1, 2, 3)}

d) {(1/ 2, 0, 1/ 2), (1/ 2, 0, 1/ 2), (0, 1, 0)}

2. (1 pt)
a) Mostre que
{(x, y, z) R3 |X + 2y 3z = 4}
3. (1,5 pt) Considere o sistema homogneo abaixo

x1 x2 = 0

x3 + x6 = 0

x4 = 0
x5 = 0

x7 = 0

que possui 7 incgnitas x1 , x2 , x3 , x4 , x5 , x6 , x7 .

a) Seja W o conjunto de solues desse sistema. W subespao de qual
Rn ?
c) Mostre que V1 = (1, 1, 2, 0, 0, 2, 0), V2 = (2, 2, 1, 0, 0, 1, 0) perten-
cem a W .
d) Mostre que {V1 , V2 } formam uma base de W .
III. 19 de outubro de 2010

a) {(1/ 2, 0, 1/ 2), (1/ 2, 0, 1/ 2), (0, 1, 0)}

b) {(1/ 3, 1/ 3, 1 3), (1/ 2, 0, 1/ 2)}
c) {(1, 1, 1), (1, 1, 2), (1, 1, 0)},
d) {(1, 0, 2), (1, 1, 0), (0, 0, 1), (1, 2, 3)}

2. (1 pt)
a) Mostre que
{(x, y, z) R3 |X 3z = 5}
W = {(x, y, z, w) R4 |x z = 0}

(0, 2, 0, 1) pertencem a W .
IV. 19 de outubro de 2010

a) {(1/ 2, 0, 1/ 2), (1/ 2, 0, 1/ 2), (0, 1, 0)}

b) {(1/ 3, 1/ 3, 1 3), (1/ 2, 0, 1/ 2)}
c) {(1, 1, 1), (1, 1, 2), (1, 1, 0)},

d) {(1, 0, 2), (1, 1, 0), (0, 0, 1), (1, 2, 3)}

2. (1 pt)
a) Mostre que
{(x, y, z) R3 |X 3z = 5}
W = {(x, y, z, w) R4 |x z = 0}

(0, 2, 0, 1) pertencem a W .
V. 31 de maio de 2011
1. (0,9 pt)
a)Mostre que os subconjuntos

x y mtiplo de I

W1 = (x, y, z, w) R4 ;
z w

x y
1 0
mtiplo de

4
W2 = (x, y, z, w) R ;
z w 0 1
so subespaos de R4 .
b) Encontre bases para eles e suas dimenses.
c) Mostre que esses subespaos so ortogonais.
2. (0,9 pt) Considere o sistema homogneo abaixo
x1 x2 + x3 + x4 = 0

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

que possui 4 incgnitas x1 , x2 , x3 , x4 .

c) Mostre que V1 = (0, 1, 1, 2), V2 = (0, 2, 2, 0) pertencem a W .
d) Mostre que {V1 , V2 } formam uma base para W .
3. a) Para quais valores de a R o conjunto B = {(a, 1, 0), (1, a, 1)} uma

base de R3 ?
b) a R o conjunto B = {(a, 1), (1, a)} uma base de R3 ?
c) Faa a = 2 no conjunto da letra b e encontre uma base ortonormal
para R2 a partir dessa utilizando o processo de ortogonalizao de Gram-
Schmidt.
4. ( 0,9 pt) Dados os vetores

B = {(1/ 5, 2/ 5, 0), (2/ 5, 1/ 5, 0), (0, 0, 1)}
a) mostre que B uma base ortonormal para R3 ;

b) encontre a matriz de mudana de coordenadas da base B para a base
cannica;
c) encontre a matriz de mudana de coordenadas da base cannica para
a base B;
d) se o vetor V possui coordenadas (5, 1, 0) na base B, quais so suas
coordenadas na base cannica?
e) se o vetor V possui coordenadas (1, 5, 1) na base cannica, quais
so suas coordenadas na B?
9
Mudana de Base
Vimos nos captlos anteriores que uma base para um espao vectorial V de
dimenso k um conjunto de k vetores LI {u~1 , . . . , u~k } com a propriedade de
que cada vetor no espao pode ser expresso unicamente como uma combinao
linear dos vetores de u~1 , . . . , u~k . Uma vez que muitas vezes desejvel trabalhar
com mais dee uma base para um espao vetorial , de importncia fundamental
que sejamos capazes de transformar representaes de vetores em relao a uma
base para as suas representaes equivalentes com relao a outra base. Essa
transformao chamada uma mudana de coordenadas ou mudana de base.
Definio 19. Seja B = {u~1 , . . . , u~k } uma base para um espao vetorial V .
Dado ~v V , as constantes 1 , . . . , k R tais que
~v = 1 u~1 + . . . + k u~k
so chamadas coordenadas do vetor ~v em relao base B.
Quando a base B est fixa, podemos trabalhar somente com as coordenadas
211
dos vetores em relao a essa base. Nesse caso, utilizamos a notao

1
2

~v = .. . (9.1)
.

k B
Observe que o nmero de coordenadas sempre igual dimenso de V .

Observao 20. Muito cuidado para no confundir a notao introduzida na
equao (9.1) com as coordenadas de um vetor em Rn . As duas noes coinci-
dem somente quando estamos trabalhando com a base cannica do Rn , como
mostra o exemplo abaixo.
Exemplo 126 (Base cannica do Rn .). Seja ~v = (a1 , a2 , . . . , an ) Rn . Ento
~v = a1 (1, 0, . . . , 0) + a2 (0, 1, . . . , 0) + . . . + an (0, 0, . . . , 1)
e portanto a1 , a2 , . . . , an so as coordenadas de ~v na base cannica C do Rn .
Logo podemos escrever
a
1
a2

~v = .. .
.

ak C
Exemplo 127. Encontre as coordenadas do vetor ~v = (3, 1) R2 na base B
formada pelos vetores u~1 = (1, 2) e u~2 = (1, 1).
Soluo. As coordenadas de ~v na base B so as constantes 1 , 2 R tais
que
(3, 1) = 1 (1, 2) + 2 (1, 1),
que podem ser encontradas resolvendo-se o sistema linear

1 1 1 3
= .
2 1 2 1
Resolvendo o sistema obtemos 1 = 4 e 2 = 7. De fato
(3, 1) = 4(1, 2) + (7(1, 1).
Assim, as coordenadas de ~v na base B so 4 e 7 e podemos escrever

4
~v = .
7 B
O fato de que as coordenadas de ~v na base B so 4 e 7 significa que para

chegar ao vetor ~v devemos somar 4 vezes o vetor u~1 e 7 vezes o vetor u~2 . A
interpretao geomtrica desse fato mostrada na figura abaixo.
A
figura acima mostra os vetores u~1 = (1, 2) e u~2 = (1, 1) (em preto), os vetores
4u~1 = (4, 8) e 7u~2 = (7, 7) (em vermelho), e o vetor ~v (em azul).
Observe que o vetor em azul a soma dos vetores em vermelho.
Exerccio 102. Encontre as coordenadas do vetor ~v = (1, 1) em relao as

bases abaixo. Utilize um computador para resolver os sistemas lineares.
1. B = {(1, 1), (1, 1)} ;
2. B = {(1, 2), (3, 1)} ;
3. B = {(1, 0), (1, 2)} .
Exerccio 103. Encontre as coordenadas do vetor ~v = (1, 1, 1) em relao as

bases abaixo. Utilize um computador para resolver os sistemas lineares.
1. B = {(1, 1, 0), (1, 1, 1), (1, 1, 0)} ;
2. B = {(1, 2, 0), (3, 1, 1), (4, 1, 1)} ;
3. B = {(1, 0, 0), (1, 1, 0), (1, 2, 1)} .
Exemplo 128. Seja P2 o conjunto de todos os polinmios com coeficientes

reais de grau menor ou igual a 2. Sabemos que o conjunto B1 = {1, x, x2 }
uma base para P2 . Dado um polinmio qualquer
p(x) = a2 x2 + a1 x + a0 ,
as constantes a0 , a1 , a2 so as coordenadas de p(x) na base B1 . Logo podemos

escrever
a0
p(x) = a1 .

a2 B
1
Observe que, com essa notao, o conjunto P2 se assemelha muito a R3 . De

fato, uma vez fixada a base, todos os espaos vetoriais de dimenso trs sero
descritos de maneira semelhante.
Exemplo 129. Encontre as coordenadas de p(x) = x2 x + 2 P2 em relao

base B2 = {x2 1, x + 2, 1} .
Soluo. Precisamos encontrar constantes 1 , 2 , 3 tais que
x2 x + 2 = 1 (x2 1) + 2 (x + 2) + 3 (1).
Expandindo o polinmio do lado direito e colocando em evidncia os termos de
mesmo grau temos
x2 x + 2 = 1 x2 1 + 2 x + (1 + 22 3 )
o que implica que 1 = 1, 2 = 1 e 3 = 5. De fato
x2 x + 2 = (x2 1) (x + 2) 5(1).
Assim, podemos escrever
1

p(x) = 1 .

5 B
2
Exerccio 104. Considere a base B1 = {1, x, x2 , x3 } de P3 . Encontre as coor-

denadas de um polinmio qualquer p(x) P3 em relao base B1 .
Exerccio 105. 1. Mostre que B2 = {1, x + 1, x2 x + 1, x3 x2 } base
de P3 .
2. Encontre as coordenadas de p(x) = x3 2x2 + 4x + 3 em relao base
B2
A definio anterior tambm vale para subespaos de um espao vetorial V .
Definio 20. Seja B = {u~1 , . . . , u~k } uma base para um subespao S de um
espao vetorial V . Dado ~v S, as constantes 1 , . . . , k R tais que
~v = 1 u~1 + . . . + k u~k
so chamadas coordenadas do vetor ~v em relao base B.

Observe que, independente de quem seja o espao vetorial V e de como seus
elementos so inicialmente representados, o nmero de coordenadas de um vetor
~v S em relao a qualquer uma das bases de S sempre igual dimenso
do subespao S.
Exemplo 130 (Um subespao de dimenso 2 em R3 .). Considere o subespao
S = (a, b, a + b) R3 ; a, b R
n o
Encontre as coordenadas do vetor (2, 3, 5) em relao base B = {(1, 0, 1), (0, 1, 1)} .
Soluo. Devemos encontrar constantes 1 e 2 tais que
(2, 3, 5) = 1 (1, 0, 1) + 2 (0, 1, 1).
Essas constantes podem ser encontradas resolvendo-se o sistema linear

1 0 2

0 1 1 = 3 .

2
1 1 5
Resolvendo o sistema obtemos 1 = 2 e 2 = 3. De fato
(2, 3, 5) = 2(1, 0, 1) + 3(0, 1, 1).
Assim, as coordenadas de ~v na base B so 2 e 3 e podemos escrever

2
~v = .
3 B
Observe que temos duas coordenadas, uma vez que S um subespao de di-
menso 2.
Exerccio 106. 1. Encontre uma base para os subespaos abaixo:

a) S1 = {(a, a + b, a b) R3 ; a, b R};
b) S2 = {(x, y, z) R3 ; x + y 2z = 0 R};
c) S3 = {(x, y, z) R3 ; 3x 2y z = 0 R}.
2. Verifique que o vetor ~v = (1, 1, 1) pertence a todos os subespaos do item
anterior;
3. Encontre as coordenadas do vetor ~v = (1, 1, 1) em relao s bases
encontradas no item 1.
Encontrar as coordenadas de um vetor em relao a uma base mais fcil
quando essa base ortogonal, uma vez que podemos utilizar o resultado
Se {v~1 , . . . , v~k } um conjunto ortogonal e
~v = 1 v~1 + . . . + k v~k ,
ento
~v v~i
i = .
vi ||2
||~
Observe que a expresso acima se simplifica ainda mais quando a base

ortonormal.
Exemplo 131. Encontre as coordenadas do vetor ~v = (2, 1, 1) em relao
base
1 1 1 1
( ! ! )
B = v~1 = , 0, , v~2 = , 0, , v~3 = (0, 1, 0) .
2 2 2 2
Soluo. Pelo resultado acima, sabemos que se
~v = 1 v~1 + 2 v~2 + 3 v~3

ento cada constante i dada por

~v v~i
i = = ~v v~i .
vi ||2
||~
Observe que a expresso se simplifica ainda mais, j que os vetores tem norma
igual a 1. Calculando os produtos internos, temos
2 1 1
1 = ~v v~1 = + 0 =
2 2 2
2 1 3
2 = ~v v~2 = + 0 + =
2 2 2
3 = ~v v~3 = 0 + 1 + 0.
Temos ento que

1 3
~v = v~1 + v~2 + v~3
2 2
e portanto temos 1

2
3
~v =
2
.
1 B
Vamos agora considerar a questo de como escrever um certo vetor em bases

distintas. Consideremos duas bases, B1 = {u~1 , . . . , u~k } e B2 = {v~1 , . . . , v~k }.
Dado um vetor ~v , sabemos que existem constantes 1 , . . . , k tais que
~v = 1 u~1 + + k u~k ,
ou seja, temos

1
..
~v = . ,
k B
1
e as constantes i so as coordenadas de ~v em relao base B1 . Por outro

lado, tambm sabemos que existem constantes 1 , . . . , k tais que
~v = 1 v~1 + + k v~k ,
ou seja, temos

1
~v = ... ,
k B
2
e as constantes i so as coordenadas de ~v em relao base B2 . Queremos

obter a relao entre as constantes i e i .
Como o conjunto B2 = {v~1 , . . . , v~k } uma base para V , podemos escrever
u~1 = M11 v~1 + M21 v~2 + + Mk1 v~k (9.2)

u~2 = M12 v~1 + M22 v~2 + + Mk2 v~k (9.3)
.. ..
. . (9.4)
u~i = M1i v~1 + M2i v~2 + + Mki v~k (9.5)
.. ..
. . (9.6)
u~k = M1k v~1 + M2k v~2 + + Mkk v~k (9.7)
As constantes Mij so as coordenadas dos vetores u~j em relao base B2 .

Teorema 25. Considere a matriz

M M12
11
. . . M1k
M21 M22 . . . M2k

M = .. .. .
.
. . . . ..
Mk1 Mk2 . . . Mkk
a matriz obtida utilizando as coordenadas dos vetores da base B1 em relao

base B2 como colunas. Ento a matriz M faz a mudana de coordenadas
da base B1 para a base B2 , ou seja

M M12
11
. . . M1k

1

.. M21 M22

. . . M2k .1
. = .. .. . .. .
. . . . . ..
k k B
B2 Mk1 Mk2 . . . Mkk 1
A matriz M chamada matriz de mudana de coordenadas ou matriz de mu-

dana de base de B1 para B2
Demonstrao. De fato, note que
~v = 1 u~1 + + k u~k
k
X k
X k
X
= 1 Mi1 v~i + 2 Mi2 v~i + + k Mik v~i
i=1 i=1 i=1
Colocando em evidncia os termos que multiplicam cada v~i na equao acima
temos
~v = (M11 1 + M12 2 + + M1k k ) v~1
+ (M21 1 + M22 2 + + M2k k ) v~2
.
+ ..
+ (Mk1 1 + Mk2 2 + + Mkk k ) v~k .
Temos ento que
1 = M11 1 + M12 2 + + M1k k
2 = M21 1 + M22 2 + + M2k k
.. ..
. .
k = Mk1 1 + Mk2 2 + + Mkk k

1
..
e portanto as coordenadas na base B2 so as componentes do vetor M . .
k B
1
Para fazer a mudana de base inversa, ou seja, da base B2 para a base B1 ,

utilizamos a matrix M 1 . De fato, se

1

1
..
.

= M ...
k B k B
2 1
multiplicando ambos os lados da equao por M 1 obtemos

1

1
..
.

= M 1 ... .
k B k B
1 2
Teorema 26. Se M a matriz de mudana de base de B1 para B2 , ento M 1

a matriz de mudana de base de B2 para B1 .
Exemplo 132. Cosidere a base B de R2 formada pelos vetores u~1 = (1, 2) e
u~2 = (1, 1). Encontre a matriz de mudana de coordenadas da base cannica
C do R2 para a base B.
Soluo. Sempre que a base cannica estiver envolvida, o melhor a fazer
encontrar a matriz de mudana de base de B para C e em seguida utilizar a
inverso de matrizes para encontrar a matriz de mudana de coordenadas de C
para B.
Se queremos passar da base B para a base C devemos encontrar as coorde-
nadas dos vetores da base B em relao base C e utiliz-las como colunas
da matriz M . Em relao base cannica C, fcil encontrar as coordenadas:

1 1
u~1 = , u~2 = .
2 C 1 C
Assim, a matriz M que faz a mudana de coordenadas da base B para a base
C
1 1
M = .
2 1
A matriz que faz a mudana de base de C para B ento

1 1 1
M = .
2 1
Com o resultado do exemplo anterior, podemos refazer o exemplo 127.

Exemplo 133. Encontre as coordenadas do vetor ~v = (3, 1) R2 na base B
formada pelos vetores u~1 = (1, 2) e u~2 = (1, 1).
Soluo. As coordenadas de ~v na base cannica so

3
~v = .
1 C
As coordenadas de ~v na base B so

1 1 3 4
= ,
2 1 1 C 7 B
exatamente como mostrado no exemplo 127.
Exerccio 107. Utilize as matrizes encontradas no exemplo 134 para calcular

as coordenadas dos vetores abaixo em relao base B formada pelos vetores
u~1 = (1, 2) e u~2 = (1, 1).
1. (1, 2); 2. (2, 4); 3. (1, 1).
Exerccio 108. Os vetores abaixo esto escritos em termos de suas coordenadas

em relao base B formada pelos vetores u~1 = (1, 2) e u~2 = (1, 1). Utilize
as matrizes encontradas no exemplo 134 para calcular as coordenadas desses
vetores em relao base cannica de R2 .

4 1 1
1. ; 2. ; 3. .
7 B 1 B 1 B
Exerccio 109. Encontre a matriz de mudana de base da base cannica de R2

para as bases abaixo. Utilize um computador para calcular as inversas.
1. B = {(1, 1), (1, 1)} ;
2. B = {(1, 2), (3, 1)} ;
3. B = {(1, 0), (1, 2)} .
Exerccio 110. Encontre a matriz de mudana de base da base cannica de R3

para as bases abaixo. Utilize um computador para calcular as inversas.
1. B = {(1, 1, 0), (1, 1, 1), (1, 1, 0)} ;
2. B = {(1, 2, 0), (3, 1, 1), (4, 1, 1)} ;
3. B = {(1, 0, 0), (1, 1, 0), (1, 2, 1)} .
Exerccio 111. Considere os vetores u~1 = (2, 1) e u~2 = (0, 3).
1. Mostre que B = {u~1 , u~2 } uma base para R2 ;
2. Encontre a matriz de mudana de coordenadas da base B para a base

cannica;
3. Encontre a matriz de mudana de coordenadas da base cannica para a

base B;

1
4. Se o vetor ~v possui coordenadas na base B, quais so suas coor-
1 B
denadas na base cannica?

2
5. Se o vetor ~v possui coordenadas na base cannica, quais so suas
1 C
coordenadas na B?
Exerccio 112. Considere os vetores u~1 = (1, 1, 0), u~2 = (1, 1, 0) e u~3 =
(0, 0, 1).
1. Mostre que B = {u~1 , u~2 , u~3 } uma base para R3 ;

cannica;
base B;
1

4. Se o vetor ~v possui coordenadas 1 na base B, quais so suas coor-

2 B
0

5. Se o vetor ~v possui coordenadas 1 na base cannica, quais so suas

1 C
coordenadas na B?
Quando as bases envolvidas so ambas ortonormais, o clculo de M 1 se

simplifica enormemente.
Teorema 27. Sejam B1 e B2 duas bases ortonormais de um espao vetorial V .
Se M a matriz de mudana de coordenadas de B1 para B2 , ento a matriz de
mudana de coordenadas de B2 para B1 igual a M T .
Demonstrao. Sabemos que a matriz de mudana de coordenadas De B2
para B1 M 1 . Nesse caso, M uma matriz cujas colunas so vetores de
norma 1 e portanto M 1 = M T .

Exemplo 134. Cosidere a base B de R2 formada pelos vetores u~1 = 1 , 2
3 3

e u~2 = 3, 3 .
2 1
Encontre a matriz de mudana de coordenadas da base
cannica C do R para a base B.
2
Soluo. Sempre que a base cannica estiver envolvida, o melhor a fazer

encontrar a matriz de mudana de base de B para C e em seguida utilizar a
inverso de matrizes para encontrar a matriz de mudana de coordenadas de C
para B.
Se queremos passar da base B para a base C devemos encontrar as coorde-
nadas dos vetores da base B em relao base C e utiliz-las como colunas
da matriz M . Em relao base cannica C, fcil encontrar as coordenadas:

1

2
3 3
u~1 = 2 , u~2 = .
1

3 C 3 C
Assim, a matriz M que faz a mudana de coordenadas da base B para a base

C
1 2
3 3
M = 2 1
.

3 3
A matriz que faz a mudana de base de C para B ento

1 2
M 1 = 3 3.
23 1

3
Exemplo 135. Utilize as matrizes encontradas no exemplo anterior para en-

contrar
as coordenadas
do

vetor ~v = (0, 1) na base formada pelos vetores
u~1 = 3 , 3 e u~2 = 3 , 13 .
1 2 2
Soluo. As coordenadas de ~v na base cannica so:

2
~v = .
1 C
As coordenadas de ~v na base B so

1 2 2

3 3 0 3

= .
23 1 1 C 13

3 B

Exerccio 113. Considere os vetores u~1 = 1 , 1
2 2
e u~2 = 1 , 1
2 2
.
1. Mostre que B = {u~1 , u~2 } uma base ortonormal para R2 ;

cannica;

base B;

1
4. Se o vetor ~v possui coordenadas na base B, quais so suas coor-
1 B

2
1 C
coordenadas na B?

5 5
e u~2 = 2 1

5
, 5 .
1. Mostre que B = {u~1 , u~2 } uma base ortonormal para R2 ;


cannica;

base B;

1
4. Se o vetor ~v possui coordenadas na base B, quais so suas coorde-
2 B
nadas na base cannica?

5
1 C
coordenadas na B?

2 2
, 0, u~2 = 1 , 1
2 2,0
e
u~3 = (0, 0, 1).
1. Mostre que B = {u~1 , u~2 , u~3 } uma base ortonormal para R3 ;

cannica;

base B;
1


0 B
2


1 C
coordenadas na B?

Exerccio 116. Considere os vetores u~1 = 1 , 1 , 0
2 2
, u~2 = 1 , 1 , 0
2 2
e
u~3 = (0, 0, 1).

cannica;

base B;

0 B
2


1 C
coordenadas na B?

Exerccio 117. Considere os vetores u~1 = 1 , 1 , 0
2 2
, u~2 = 1 , 1 , 1
3 3 3
e

u~3 = 1 , 1 , 2
6 6 6
.

cannica;

base B;
4. Se o vetor ~v possui coordenadas 1 na base B, quais so suas coorde-

0 B
nadas na base cannica?
1


1 C
coordenadas na B?
Exerccio 118. Seja B = {u~1 , u~2 } uma base de R2 tal que a mudana de
coordenadas da base cannica para B seja dada por:

3 1
1 = 1 2
2 2
1 3
2 = 1 + 2 .
2 2
cannica.
2. Encontre as coordenadas dos vetores da base B na base cannica. A base

B uma base ortonormal?
Exerccio 119. Seja B = {u~1 , u~2 , u~3 } uma base de R3 tal que a mudana de
coordenadas da base cannica para B seja dada por:
1 1
1 = 1 2
2 2

1 1 3
2 = 1 + 2 3
5 5 5

3 3 2
3 = 1 + 2 3 .
10 10 10

cannica.
2. Encontre as coordenadas dos vetores da base B na base cannica. A base

B uma base ortonormal?
10
Transformaes Lineares
Uma transformao linear um tipo particular de funo entre dois espaos

vetoriais que preserva as estruturas de espao vetorial de cada um deles, isto ,
uma funo que preserva as operaes de adio vetorial e multiplicao por
escalar. Do ponto de vista da lgebra Linear, que se preocupa apenas com a
estrutura matemtica dada por essas duas operaes, somente so consideradas
transformaes que sejam lineares.
10.1 Definio
Definio 21. Sejam U e V espaos vetoriais. Uma aplicao T : U V
dita uma transformao linear se dados u~1 , u~2 U e R temos
T (u~1 ) = T (u~1 )
T (u~1 + u~2 ) = T (u~1 ) + T (u~2 )

Exemplo 136. A funo
T : R R
x 7 2x
231
uma transformao linear de R em R. De fato, dados x1 , x2 R e R

temos
T (x1 + x2 ) = 2(x1 + x2 ) = 2x1 + 2x2 = T (x1 ) + T (x2 )
T (x1 ) = 2(x1 ) = (2x1 ) = T (x1 ).
Exemplo 137. A funo
T : R R
x 7 x2
no uma transformao linear de R em R. De fato, dados x1 , x2 R temos
T (x1 + x2 ) = (x1 + x2 )2 6= x21 + x22 = T (x1 ) + T (x2 ).
Exemplo 138. A funo
T : R2 R
(x, y) 7 x + y
uma transformao linear de R2 em R. De fato, dados u~1 = (x1 , y1 ), u~2 =

(x2 , y2 ) R2 e R temos
T (u~1 + u~2 ) = T (x1 + x2 , y1 + y2 )

= (x1 + x2 ) + (y1 + y2 )
= (x1 + y1 ) + (x2 + y2 )
= T (u~1 ) + T (u~2 ).
T (u~1 ) = T (x1 , y1 ))
= x1 + y1
= (x1 + y1 )
= T (x1 , y1 ) = T (u~1 ).
Exemplo 139. Dados dois espaos vetoriais quaisquer U e V , a transformao
T : U V
~u 7 0
uma transformao linear entre U e V . De fato
T (u~1 + u~2 ) = 0 = 0 + 0 = T (u~1 ) + T (u~2 )
T (u~1 ) = 0 = 0 = T (u~1 ).
Essa transformao linear chamada transformao nula.
Exemplo 140. Dado um espao vetorial qualquer U , a transformao identidade
T : U U
~u 7 ~u
uma transformao linear entre U e V . De fato
T (u~1 + u~2 ) = u~1 + u~2 = T (u~1 ) + T (u~2 )
T (u~1 ) = 0 = u~1 = T (u~1 ).

Exemplo 141. A funo
T : R2 R2
(x, y) 7 (2x + y, x 3y)
uma transformao linear de R2 em R. A verificao de que T de fato linear

simples, mas trabalhosa. Veremos no prximo exemplo uma maneira mais
simples de faz-la.
Exemplo 142. Representemos ~u = (a1 , . . . , an ) Rn em termos de suas coor-

denadas em relao base cannica C:

a
1
..
~u = .
an C
Dada uma matriz m n qualquer A A funo
T : Rn Rm
~u 7 A~u
uma transformao linear de Rn em Rn . Esse fato uma consequncia da

linearidade da multiplicao de matrizes. Com efeito, dados u~1 , u~2 Rn e
R temos
T (u1 + u2 ) = A (u~1 + u~2 ) = Au~1 + Au~2 = T (u~1 ) + T (u~2 ).
T (u1 ) = A (u~1 ) = Au~1 = T (u~1 ).

Exemplo 143. O exemplo 141 um caso particular do exemplo 142. De fato,
a transformao T do exemplo 141 pode ser escrita na forma

2 1 x
T (x, y) = .
1 3 y C
Veremos mais adiante que todas as transformaes lineares podem ser escritas
de maneira semelhante mostrada no exemplo 142.
Exemplo 144. Seja Pn o espao vetorial formado pelos polinmios com coefi-
cientes reais de grau no mximo n. Seja T a transformao derivada:
T : Pn Pn1
d
p(x) 7 dx p(x).
A transformao T uma transformao linear. Esse fato uma consequncia

da linearidade da derivada. Com efeito, dados p1 (x), p2 (x) Pn e R temos
d
T (p1 (x) + p2 (x)) = (p1 (x) + p2 (x))
dx
d d
= p1 (x) + p2 (x)
dx dx
= T (p1 (x)) + T (p2 (x)) ,
d d
T (p1 (x)) = (p1 (x)) = p1 (x) = T (p1 (x)) .
dx dx
Exerccio 120. Verifique quais das transformaes abaixo so lineares:
1.
T1 : R2 R
(x, y) 7 yex .
2.
T2 : R2 R
(x, y) 7 x y
3.
T3 : R2 R
(x, y) 7 ax + by
em que a e b so nmeros reais quaisquer.
4.
T4 : R3 R2
(x, y, z) 7 (xy, yz)
5.
T5 : Rn R
T3 (v) 7 kvk
6.
T6 : R3 R2
(x, y, z) 7 (x, y)
7.
T7 : R3 R2
(x, y) 7 (ax + by, cx + dy)
em que a, b, c e d so nmero reais quaisquer.
10.2 Propriedades
Teorema 28. Se T uma transformao linear entre dois espaos vetoriais U
e V , ento T (0) = 0.
Demonstrao. De fato, dado ~u U qualquer, temos

T (0) = T (0 ~u) = 0 T (~u) = 0.
Exemplo 145. A transformao

T : R2 R2
(x, y) 7 (2x + 1, 3 3y)
no uma transformao linear. De fato, T (0) = (1, 3) 6= 0, contrariando o
teorema 28.
Teorema 29. Seja T uma transformao linear entre dois espaos vetoriais
U e V e { u~1 , . . . , u~m } uma base qualquer de U . Se conhecermos as imagens
T (u~1 ) , . . . T (u~m ) ento possvel calcular T (~u) para qualquer ~u U .
Demonstrao. Como { u~1 , . . . , u~m } uma base de U , dado ~u U qualquer

sabemos que existem constantes 1 , . . . m tais que
~u = 1 u~1 + . . . + m u~m .
Pela linearidade de T temos
(~u) = T (1 u~1 + . . . + m u~m ) = 1 T (u~1 ) + . . . + m T (u~m ) .
Exerccio 121. Seja T : R2 R2 uma transformao linear tal que T (1, 1) =

(2, 4) e T (0, 1) = (1, 1). Encontre T (x, y) para todo (x, y) R2 .
Exerccio 122. Seja T : R3 R2 uma transformao linear tal que T (1, 1, 1) =
(1, 0), T (1, 0, 1) = (1, 1) e T (0, 0, 1) = (0, 0). Encontre T (x, y, z) para todo
(x, y, z) R3 .
Teorema 30. Sejam U, V e w espaos vetoriais e T1 : U V e T2 : V W
transformaes lineares. Ento a composio
T2 T1 : U W
tambm uma transformao linear.

Teorema 31. Sejam U e V espaos vetoriais e T : U V uma transformao
linear que possui inversa. Ento a inversa
T 1 : V U
tambm uma transformao linear.

10.3 A matriz de uma transformao linear

Fixemos uma base B1 = { u~1 , . . . , u~m } de U e uma base B2 = {v~1 , . . . , v~n } de
V . Podemos escrever um vetor ~u V na forma ~u = 1 u~1 + . . . + m u~m , que
tambm podemos representar na forma matricial em termos das coordenadas
em relao base B1

1

2
~u = .. .

.

m B
1
Vamos agora analisar a imagem de cada vetor da base B1 por uma trans-
formao linear T : U V . Como B2 uma base para V e cada T (~ui ) V ,
existem constantes que denotaremos por Tji R tais que
T (u~1 ) = T11 v~1 + T21 v~2 + + Tn1 v~k

T (u~2 ) = T12 v~1 + T22 v~2 + + Tn2 v~k
.. ..
. .
T (~ui ) = T1i v~1 + T2i v~2 + + Tni v~k
.. ..
. .
T (u~m ) = T1m v~1 + T2m v~2 + + Tnm v~k
Da temos que

m
X m
X
T (~u) = T i u~i = i T (~
ui )
i=1 i=1
Xm X n
= i Tji v~j
i=1 j=1

Xn m
X
= Tji i v~j
j=1 i=1
Assim, as coordenadas de T (~u) em relao base B2 so

m
X
Tji i ,
i=1
o que equivale a equao matricial

T T12
11
. . . T1m

1

.. T21 T22 . . . T2m .1
. ..

[T (~u)]B2 = . = .. .. (10.1)
. . . . . ..
n m B
B2 Tn1 Tn2 . . . Tnm 1
em que [T (~u)]B2 denota as coordenadas de T (~u) em relao base B2 .
Provamos assim que, dada uma transformao linear T : U V , fixadas

as bases para U e V , podemos represent-la em forma matricial.
Utilizaremos a notao

T T12
11
. . . T1m
T21 T22 . . . T2m

[T ]B 2
= .. .. .
B1 .
. . . . ..
Tn1 Tn2 . . . Tnm
para indicar a matriz que representa a transformao linear T em relao s
bases B1 e B2 . Observe que a matriz que representa a transformao linear T
depende das bases escolhidas para U e V .
As colunas da matriz [T ]B
B1 so as coordenadas dos vetores T (~
2
ui ) em
relao base B2 .
A multiplicao pela matriz [T ]B

B1 equivale a tomar um vetor de U escrito
2
em relao base B1 , aplicar a transformao T e retornar o resultado T (~u)

escrito em relao base B2 .
Exemplo 146. Encontre a matriz que representa a transformao linear

T : R2 R2
(x, y) 7 (2x + y, x 3y)
em relao base cannica.
Soluo. Queremos encontrar a matriz [T ]CC . Para isso devemos encontrar
a imagem dos elementos da base cannica e escrev-los em termos de suas
coordenadas em relao base cannica.
T (1, 0) = (2, 1)
T (0, 1) = (1, 3).
Utilizando essas coordenadas como colunas encontramos a matriz desejada:

2 1
[T ]CC = .
1 3
Observe que a multiplicao

2 1 x 2x + y
=
1 3 y C x 3y C
corresponde justamente transformao linear T .
Exemplo 147. Considere a base B = {(1, 1), (0, 1)} e a transformao linear
T : R2 R2
(x, y) 7 (2x + y, x 3y)
Encontre a matriz [T ]CB que representa essa transformao linear em relao

base B no domnio e no contradomnio.
Soluo. Queremos encontrar a matriz [T ]B
B . Para isso devemos encontrar a
imagem dos elementos da base B e escrev-los em termos de suas coordenadas
em relao base B.
T (1, 1) = (3, 2) = 3(1, 1) 5(0, 1)
T (0, 1) = (1, 3) = (1, 1) 4(0, 1).

Temos ento
3 1
T (1, 1) = , T (0, 1) = .
5 B 4 B

3 1
[T ]CC = .
5 4
A multiplicao por essa matriz leva um vetor ~u U escrito em suas co-

ordenadas na base B ao vetor T (~u) escrito em suas coordenadas na base B.
Exemplo 148. Encontre a matriz que representa a transformao linear
T : R2 R3
(x, y) 7 (x + 2y, 3x, x + 5y)

Soluo. Queremos encontrar a matriz [T ]CC . Para isso devemos encontrar
a imagem dos elementos da base cannica e escrev-los em termos de suas
coordenadas em relao base cannica.
T (1, 0) = (1, 3, 1)
T (0, 1) = (2, 0, 5).

1 2

C
[T ]C = 3 0 .

1 5
Observe que a multiplicao
1 2 x + 2y

x
3 0 = 3x

y C
1 5 x + 5y C
corresponde justamente transformao linear T .
Exemplo 149. Considere a base B = {(1, 1), (1, 1)} de R2 e a transformao

linear
T : R2 R3
(x, y) 7 (x + 2y, 3x, x + 5y).
Encontre a matriz [T ]CB que representa essa transformao linear em relao
base B no domnio e em relao base cannica no contradomnio.
Soluo. Queremos encontrar a matriz [T ]CB . Para isso devemos encontrar a
imagem dos elementos da base B e escrev-los em termos de suas coordenadas
T (1, 1) = (3, 3, 4)
T (1, 1) = (1, 1, 6).
3 1

C
[T ]B = 3 1 .

4 6
A multiplicao por essa matriz leva um vetor ~u U escrito em suas coordenadas

na base B ao vetor T (~u) escrito em suas coordenadas na base cannica.
Exerccio 123. Seja T : R2 R2 uma transformao linear tal que T (1, 1) =

(2, 4) e T (0, 1) = (1, 1).
1. Encontre [T ]CB em que B a base formada pelos vetores (1, 1) e (0, 1).
2. Encontre [T ]CC .
Exerccio 124. Seja T : R3 R2 uma transformao linear tal que T (1, 1, 1) =
(1, 0), T (1, 0, 1) = (1, 1) e T (0, 0, 1) = (0, 0).
1. Encontre [T ]CB em que B a base formada pelos vetores (1, 1, 1) (1, 0, 1)
e (0, 0, 1).
2. Encontre [T ]CC .
Exemplo 150. Consideremos a transformao identidade I : U U que leva
cada vetor de U em si mesmo. A matriz [I]B B1 que representa I em relao s
2
bases B1 e B2 para U matriz que leva um vetor escrito em relao base B1 e

retorna esse mesmo vetor escrito em relao base B2 . No captulo anterior j
estudamos essa matriz: a matriz de mudana de coordenadas entre as bases
B1 e B2 .
A matriz de mudana de coordenadas da base B1 para a base B2 igual

a [I]B
B1 .
2
Exemplo 151. Para encontrar a matriz [T ]B B1 quando B1 e B2 no so a base

2
cannica, podemos utilizar a matriz [T ]CC e as mudanas de coordenadas ade-

quadas:
[T ]B B2 C C
B1 = [I]C [T ]C [I]B1 .
2
Teorema 32. Sejam U, V e W espaos vetoriais e T1 : U V e T2 : V W

transformaes lineares. Dadas bases B1 , B2 e B3 para U, V e W , respectiva-
mente,
[T2 T1 ]B B3 B2
B1 = [T2 ]B2 [T1 ]B1 ,
3
ou seja, a matriz que representa a composio de T2 e T1 o produto da matriz

que representa T2 com a matriz que representa T1 .
Exemplo 152. Sejam
T1 : R2 R2
(x, y) 7 (2x + y, x 3y)
T2 : R2 R2
(x, y) 7 (y, x)
Encontre a matriz que representa T2 T1 em relao base cannica.
Soluo. A matriz que representa T1

2 1
[T1 ]CC =
1 3
e a matriz que representa T2

0 1
[T2 ]CC = .
1 0
Assim, a matriz que representa T2 T1

0 1 2 1 1 3
[T2 T1 ]CC = = .
1 0 1 3 2 1
Observe que a representao matricial encontrada acima est de acordo com o
que esperamos, uma vez que
T2 T1 (x, y) = T2 (2x + y, x 3y) = (x + 3y, 2x + y).
Teorema 33. Sejam U e V espaos vetoriais e T : U V uma transformao

linear que possui inversa. Ento, dadas bases B1 e B2 para U e V respectiva-
mente, temos
B2 1
[T 1 ]B

B2
1
= [T ]B1 ,
ou seja, a matriz que representa a transformao T 1 a inversa da matriz que
representa T nas mesmas bases.
Teorema 34. Uma transformao linear T : U V invertvel se, e somente
se, a matriz [T ]B
B1 invertvel.
2
Uma matriz s pode ser invertvel se for quadrada. Isso implica que uma
transformao linear entre dois espaos vetoriais de dimenses distintas nunca
ser invertvel.
Exemplo 153. Verifique se a transformao linear
T : R2 R2
(x, y) 7 (2x + y, x 3y)
invertvel. Em caso afirmativo, encontre a inversa.

Soluo. A matriz que representa T em relao base cannica

2 1
[T ]CC = .
1 3
Essa uma matriz invertvel e portanto T uma transformao linear invertvel.

A matriz que representa a inversa em relao base cannica

1 3 1
[T ]CC

= 7 7 .
1
7 27
Assim
3x y x 2y
!
T 1 (x, y) = + , .
7 7 7 7
Exerccio 125. Dadas as transformaes lineares abaixo, verifique quais so

invertveis. Em caso afirmativo, encontre a transformao inversa.
1.
T1 : R2 R2
(x, y) 7 (x y, x)
2.
T2 : R3 R3
(x, y, z) 7 (x + 2y + z, y + 2z, z)
3.
T3 : R3 R3
(x, y, z) 7 (x, 2x + y, 2x 4y + z)
4.
T4 : R3 R3
(x, y, z) 7 (x + y + z, x + 2y + z, 2z)
5.
T5 : R3 R3
(x, y, z) 7 (x + y + z, x + z, x + z)
6.
T6 : R2 R2
(x, y) 7 (x y, 0)
7.
T7 : R2 R2
(x, y) 7 (ax + by, cx + dy)
10.4 Ncleo e Imagem

Nessa seo vamos estudar elementos que nos permitem verificar se uma trans-
formao linear T injetiva, sobrejetiva e bijetiva. Isso pode ser feito analisando
o ncleo e a imagem de T .
Definio 22. O ncleo de uma transformao linear T : U V o conjunto
de todos os vetores de U que so levados ao vetor nulo de V :
N (T ) = {~u U | T (~u) = 0} .
Teorema 35. O ncleo de uma transformao linear T : U V um subes-
pao vetorial de U .
Demonstrao. De fato, dados u~1 , u~2 N (T ) e R temos

T (u~1 + u~2 ) = T (u~1 ) + T (u~2 ) = 0 + 0 = 0,
T (u~1 ) = T (u~1 ) = 0 = 0.
Isso implica que tanto u~1 + u~2 quanto u~1 pertencem a N (T ) e portanto N (T )
um subespao de U .
Observao 21. Se lembramos que, fixadas bases no domnio e na imagem, a

ao de T sempre dada pela multiplicao por uma matriz M , N (T ) corres-
ponde ao conjunto de solues do sistema M X = 0, que j sabemos ser um
subespao de U .
Exemplo 154. Encontre o ncleo da transformao linear
T : R3 R3
3z
!
(x, y, z) 7 2x z, 2z + y, x + y +
2
Soluo. O ncleo de T corresponde ao conjunto de vetores (x, y, z) que

levado ao vetor nulo por T . Devemos ento encontrar o conjunto de vetores que
satisfaz
3z
!
2x z, 2z + y, x + y + = (0, 0, 0)
2
que corresponde ao conjunto de solues do sistema
2x z

= 0
2z + y = 0
3z

x+y+ 2 = 0

Esse sistema possui infinitas solues, dadas por x = z/2 e y = 2z.

z
( ! )
N (T ) = , 2z, z | z R .
2
Observe que N (T ) de fato um subespao de R3 .
Exemplo 155. Encontre o ncleo da transformao linear
T : R2 R2
(x, y) 7 (2x + y, x 3y)
Soluo. O ncleo de T corresponde ao conjunto de vetores (x, y, z) que

levado ao vetor nulo por T . Devemos ento encontrar o conjunto de vetores que
satisfaz
(2x + y, x 3y) = (0, 0)
que corresponde ao conjunto de solues do sistema

2x + y = 0
x 3y = 0
Esse sistema possui somente a soluo trivial x = y = 0. Logo
N (T ) = {0}
o subespao que s contm o vetor nulo.
O ncleo de uma transformao linear T est relacionado injetividade de

T.
Definio 23. Dizemos que uma funo f : X Y injetiva se dados x1 6=
x2 X f (x1 ) 6= f (x2 ), ou seja, elementos distintos no domnio so levados a
elementos distintos no contradomnio.
Teorema 36. Uma transformao linear T injetiva se, e somente se, N (T ) =
{0}.
Demonstrao. Suponhamos que T seja injetiva. Ento N (T ) = {0} uma vez

que T (0) = 0 e, portanto, pela injetividade de T , o nico vetor ~u U tal que
T (~u) = 0 o vetor nulo 0.
Por outro lado, suponhamos que N (T ) = {0}. Vamos mostrar que T
injetiva. Suponhamos que u~1 , u~2 U so tais que T (u~1 ) = T (u~2 ) . Temos
ento
T (u~1 ) = T (u~2 )
= T (u~1 ) T (u~2 ) = 0
= T (u~1 u~2 ) = 0
= u~1 u~2 N (T )
= u~1 u~2 = 0
= u~1 = u~2 .
Isso prova que T injetiva.
Teorema 37. Uma transformao linear T injetiva se, e somente se, dim N (T ) =
0.
Exemplo 156. A transformao linear do exemplo 154 no injetiva, j que
N (T ) 6= {0}. J no exemplo 159 a transformao linear injetiva uma vez que
N (T ) = {0} .
Vamos agora analisar a sobrejetividade de uma transformao linear T . Para
isso precisamos da imagem de T .
Definio 24. A imagem de uma transformao linear T : U V o subcon-
junto de V obtido aplicando-se T ao espao vetorial U :
I(T ) = {~v V | existe ~u U tal que T (~u) = ~v } .
Teorema 38. A imagem de uma tranformao linear T : U V um subes-
pao de V .
Demonstrao. Sejam v~1 , v~2 dois elementos de I(T ) e R. Ento, como

v~1 , v~2 esto na imagem de T , existem vetores u~1 , u~2 U tais que v~1 = T (u~1 ) e
que v~2 = T (u~2 ), o que implica que
v~1 + v~2 = T (u~1 ) + T (u~2 ) = T (u~1 + u~2 ) ,
v~1 = T (u~1 ) = T (u~1 )

o que implica que tanto v~1 + v~2 e v~1 pertencem a I(T ). Logo I(T ) um
subespao de V .
Definio 25. Dizemos que uma funo f : X Y sobrejetiva se dado

y Y existe x X tal que f (x) = y, ou seja, I(f ) = Y .
Pela prpria definio de sobrejetividade, temos o seguinte resultado:
Teorema 39. Uma transformao linear sobrejetiva se, e somente se, I(T ) =
V.
Teorema 40. Uma transformao linear T sobrejetiva se, e somente se,
dim I(T ) = dim V .
O resultado abaixo essencial para a verificao da injetividade, sobrejetivi-
dade e bijetividade de uma transformao linear. A prova desse resultado est
fora do escopo desse texto.
Teorema 41 (Teorema do Ncleo e da Imagem). Dada uma transformao
linear T : U V vale
dim U = dim N (T ) + dim I(T ).
10.4.1 Injetividade, sobrejetividade e bijetividade de uma

transformao linear
Definio 26. Dizemos que uma funo f : X Y bijetiva se ela for
simultaneamente injetiva e sobrejetiva.
Uma transformao linear ser injetiva quando dim N (T ) = 0;
Uma transformao linear ser sobrejetiva quando dim I(T ) = dim V ;

Uma transformao linear ser bijetiva quando dim N (T ) = 0 e dim I(T ) =

dim V . Pelo teorema do ncleo e da imagem, isso implica que dim U =
dim V.
Definio 27. Se T : U V uma transformao linear bijetiva, T chamada

de isomorfismo entre U e V .
T : R3 R3
3z
!
(x, y, z) 7 2x z, 2z + y, x + y +
2
injetiva, sobrejetiva e bijetiva.
Soluo. Como visto no exemplo 154, o ncleo de T N (T ) = z2 , 2z, z | z R
n o
um subespao de dimenso um. Isso implica que T no injetivae portanto

tambm no pode ser bijetiva. Pelo teorema do ncleo e da imagem temos
dim R3 = dim N (T ) + dim I(T )
3 = 1 + dim I(T )
e portanto dim I(T ) = 2, o que implica que T no sobrejetiva.

T : R2 R2
(x, y) 7 (2x + y, x 3y)
Soluo. Como visto no exemplo 159, o ncleo de T N (T ) = {0}. Isso
implica que T injetiva. Pelo teorema do ncleo e da imagem temos
2 = 0 + dim I(T )
o que implica que dim I(T ) = 2, o que implica que T sobrejetiva. Logo T
bijetiva, e portanto um isomorfismo de R2 em R2 .
T : R2 R2
(x, y) 7 (x + y, 0)

Soluo. O ncleo de T N (T ) = {(x, x, 0) | x R}, que um subespao
de dimenso um. Isso implica que T no injetiva e portanto tambm no pode
ser bijetiva. Pelo teorema do ncleo e da imagem temos

2 = 1 + dim I(T )
o que implica que dim I(T ) = 1, o que implica que T tambm no sobrejetiva.
Observao 22. A verificao de que uma transformao linear T um iso-

morfismo tambm pode ser feita atravs da matriz que representa essa trans-
formao em relao a alguma escolha de bases. T ser um isomorfismo se, e
somente se, a matriz que o representa for invertvel, ou seja, se essa matriz tiver
o determinante diferente de zero.
Exerccio 126. Seja
T : R3 R2
(x, y, z) 7 (x z, y + z)
1. Mostre que T uma transformao linear;

2. Encontre o ncleo de T . Mostre que o ncleo um subespao e encontre

uma base e sua dimenso;
3. Encontre a imagem de T . Mostre que a imagem um subespao e en-
contre uma base e sua dimenso;
4. Verifique se T injetiva, sobrejetiva e bijetiva. T um isomorfismo?
Exerccio 127. Seja
T : R3 R3
(x, y, z) 7 (x y, 0, x z)
1. Mostre que T uma transformao linear;

2. Encontre o ncleo de T . Mostre que o ncleo um subespao e encontre
uma base e sua dimenso;
3. Encontre a imagem de T . Mostre que a imagem um subespao e en-
contre uma base e sua dimenso;
4. Verifique se T injetiva, sobrejetiva e bijetiva. T um isomorfismo?
Exerccio 128. Encontre a dimenso do ncleo da transformao linear
T : R3 R3
(x, y, z) 7 (x y, 2x + y)
. Use o teorema do ncleo e da imagem para mostrar que T um isomorfismo.

Exerccio 129. Seja T : Rn R5 uma transformao linear.
1. Se T sobrejetiva e a dimenso do ncleo 2, qual o valor de n?

2. Se T injetiva e a dimenso da imagem 3, qual o valor de n?
3. Se a dimenso do ncleo 4 e a dimenso da imagem 2, qual o valor

de n?
4. Se T bijetiva qual o valor de n?
5. Se n = 8 e a dimenso da imagem 4 qual a dimenso do ncleo?
Exerccio 130. Dadas as transformaes lineares abaixo, encontre o ncleo e a

imagem de cada uma delas. Verifique quais so injetivas, sobrejetivas e bijetivas.
1.
T1 : R2 R2
(x, y) 7 (x y, x)
2.
T2 : R3 R3
(x, y, z) 7 (x + 2y + z, y + 2z, z)
3.
T3 : R3 R3
(x, y, z) 7 (x, 2x + y, 2x 4y + z)
4.
T4 : R3 R3
(x, y, z) 7 (x + y + z, x + 2y + z, a + 2z)
5.
T5 : R3 R3
(x, y, z) 7 (x + y + z, x + z, x + z)
6.
T6 : R2 R2
(x, y) 7 (x y, 0)
7.
T7 : R2 R2
(x, y) 7 (ax + by, cx + dy)
Exemplo 160. A transformao linear
T : P2 R3
a2 x2 + a1 x + a0 7 (a2 , a1 , a0 )
um isomorfismo.
De fato, se T (p(x)) = (0, 0, 0) ento a2 = a1 = a0 = 0, e portanto o ncleo
de T N (T ) = {0}. Isso implica que T injetiva. Pelo teorema do ncleo e
da imagem temos
dim P2 = dim N (T ) + dim I(T )
3 = 0 + dim I(T )
e portanto dim I(T ) = 3, o que implica que T sobrejetiva. Logo T bijetiva,
e portanto um isomorfismo de P2 em R3 .
Exemplo 161. Utilize um raciocnio semelhante ao utilizado no exemplo acima
para mostrar que P3 e R4 so isomorfos. Em seguida, faa o mesmo para Pn e
Rn+1
11
Diagonalizao de Matrizes
11.1 Autovetores e Autovalores

Se T : Rn Rn uma transformao linear, ento podemos procurar vetores
no nulos satisfazendo a equao
T (~u) = ~u para algum R.
As solues ~u so conhecidas como autovetores e o respectivo como autovalor
de T relativo ao autovetor ~u.
Definio 28. Um vetor ~u 6= 0 U chamado de autovetor de uma transfor-
mao linear T : Rn Rn se existe R tal que
T (~u) = ~u.
O escalar R chamado autovalor de T associado ao autovetor ~u.
Fixadas bases B1 e B2 para Rn no domnio e no contradomnio, respecti-
vamente, podemos representar a transformao linear T em termos da matriz
nn
A = [T ]B
B1 .
2
Podemos reescrever a definio 28 em termos da matriz A.
257
Definio 29. Um vetor ~u 6= 0 Rn chamado de autovetor de uma matriz

n n A se existe R tal que
A~u = ~u.
O escalar R chamado autovalor de A associado ao autovetor ~u.
Observao 23. Sempre que possvel vamos utilizar a matriz que representa T
em relao base cannica tanto no domnio como no contradmnio.
Exemplo 162. O vetor u~1 = (1, 1) autovetor da transformao linear
T : R2 R2
(x, y) 7 (2x + y, x + 2y).
De fato T (1, 1) = (3, 3) = 3(1, 1).
Exemplo 163. O vetor
1
u~1 =
1
autovetor da matriz
2 1
A=
1 2
com autovalor 3. De fato

2 1 1 3 1
= = 3 .
1 2 1 3 1
Exerccio 131. Mostre que (1, 1) tambm autovetor da matriz A dada no
exemplo anterior. Calcule o autovalor associado.
11.1.1 Como encontrar os autovalores e autovetores

Suponhamos que ~u seja um autovetor da matriz A com autovalor associado .
Ento
A~u = ~u.
Como I~u = ~u, podemos reescrever a equao acima na forma
A~u = ~u = I~u
A~u I~u = 0
(A I) ~u = 0.
Isso implica que ~u um autovetor de A se , e somente se,
(A I) ~u = 0.
Como os autovetores de A so vetores no nulos, isso quer dizer que o sistema

homogneo
(A I) X = 0
possui soluo no trivial, o que acontece se, e somente se, det (A I) = 0.
Provamos assim o seguinte resultado:
Teorema 42. Seja A uma matriz n n.
1. Os autovalores de A so os valores de para os quais
det (A I) = 0.
2. Os autovetores de A associados ao autovalor so as solues no nulas

do sistema homogneo
(A I) X = 0.
Observao 24. Podemos observar que para cada autovalor de uma matriz
A, o conjunto dos autovetores associados mais o vetor nulo um subespao, j
que o conjunto de solues do sistema linear homogneo
(A I) X = 0.
Esse subespao chamado autoespao de A associado ao autovalor .

Exerccio 132. Sejam u~1 e u~2 autovetores de uma matriz A associados ao

mesmo autovalor. Mostre que qualquer combinao linear de u~1 e u~2 tambm
autovetor de A com mesmo autovalor.
O polinmio
p () = det (A I)
chamado polinmio caracterstico de A. O teorema 42 implica que os autova-
lores de A so as razes do seu polinmio caracterstico.
Exemplo 164. Encontre os autovalores e autovetores da matriz

2 1
A= .
1 2
Soluo. Para encontrar os autovalores de A, precisamos primeiramente en-

contrar o polinmio caracterstico e suas razes. O polinmio caracterstico
p () = det (A I) = 3 4 + 2
cujas razes so 1 = 1 e 2 = 3. Esses so os autovalores de A.

Vamos agora encontrar os autovetores associados ao autovalor 1 = 1. Esses
vetores so as solues no nulas do sistema
(A I) X = 0.
Temos ento o sistema

1 1 x 0
= ,
1 1 y 0
cuja soluo y = x, x R. Isso quer dizer que os autovetores de A
associados ao autovalor 1 = 1 so da forma

x
u~1 = , x 6= 0.
x

(A 3I) X = 0.

1 1 x 0
= ,
1 1 y 0
cuja soluo y = x, x R. Isso quer dizer que os autovetores de A associados
ao autovalor 2 = 3 so da forma

x
u~2 = , x 6= 0.
x
2 0 1

A = 0 2 0 .

1 0 2

p () = det (A I) = 6 11 + 62 3 ,
cujas razes so 1 = 1, 2 = 2 e 3 = 3. Esses so os autovalores de A.

(A I) X = 0.

1 0 1 x 0

0 1 0 y = 0 ,

1 0 1 z 0
cuja soluo y = 0, z = x, x R. Isso quer dizer que os autovetores de A

x

u~1 = 0 , x 6= 0.


(A 2I) X = 0.

0 0 1 x 0

0 0 0 y = 0 ,

1 0 0 z 0
cuja soluo x = z = 0, y R. Isso quer dizer que os autovetores de A
u~2 = y , y 6= 0.

0

(A 3I) X = 0.

1 0 1 x 0

0 1 0 y = 0 ,

1 0 1 z 0
cuja soluo y = 0, z = x, x R. Isso quer dizer que os autovetores de A

x
u~3 = 0 , x 6= 0.

x

1 0 0

A = 1 2 0 .

2 3 3

p () = det (A I) = (1 )(2 )(3 ),
(A I) X = 0.
0 0 0 x 0

1 1 0 y = 0 ,

2 3 2 z 0
cuja soluo y = x, z = x2 , x R. Isso quer dizer que os autovetores de

A associados ao autovalor 1 = 1 so da forma

x

u~1 = x , x 6= 0.

x2

(A 2I) X = 0.

1 0 0 x 0

1 0 0 y = 0 ,

2 3 1 z 0
cuja soluo x = 0, z = 3y, y R. Isso quer dizer que os autovetores de A
u~2 = y , y 6= 0.

3y

(A 3I) X = 0.

2 0 0 x 0

1 1 0 y = 0 ,

2 3 0 z 0
cuja soluo x = y = 0, z R. Isso quer dizer que os autovetores de A

0

u~3 = 0 , z 6= 0.

z

1 0 0

A = 0 2 0 .

0 0 3

p () = det (A I) = (1 )(2 )(3 ),
(A I) X = 0.
0 0 0 x 0

0 1 0 y = 0 ,

0 0 2 z 0
cuja soluo y = z = 0, y R. Isso quer dizer que os autovetores de A

x
u~1 = 0 , x 6= 0.

0

(A 2I) X = 0.
1 0 0 x 0

0 0 0 y = 0 ,

0 0 1 z 0
cuja soluo x = z = 0, y R. Isso quer dizer que os autovetores de A
0

u~2 = y , y 6= 0.

0
(A 3I) X = 0.
2 0 0 x 0

0 1 0 y = 0 ,

0 0 0 z 0
cuja soluo x = y = 0, z R. Isso quer dizer que os autovetores de A
0

u~3 = 0 , z 6= 0.

z
Exemplo 168. Generalizando o exemplo anterior, se

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

D = .. .. . . ..
. .

. .

0 0 . . . k
uma matriz diagonal, ento os vetores da base cannica so autovetores de D
com autovalores i .

0 1
A= .
0 0

p () = det (A I) = 2
cuja raiz nica 1 = 0. Esse o autovalor de A.
Vamos agora encontrar os autovetores associados ao nico autovalor 1 = 0.
Esses vetores so as solues no nulas do sistema
(A 0 I) X = 0.
0 1 x 0
= ,
0 0 y 0
cuja soluo y = 0, x R. Isso quer dizer que os autovetores de A associados

x
u~1 = , x 6= 0.
0

2 2 0 0

2 2 0 0
A = .
0 0 2 2
0 0 2 2

i2
2

p () = det (A I) = [( 2 4 ,
cujas razes so 1 = 0 e 2 = 4. Esses so os autovalores de A.

(A 0 I) X = 0.

2 2 0 0 x 0

2 2 0 0 y 0

= ,

0 0 2 2 z 0

0 0 2 2 w 0
cuja soluo y = x, w = z, x, z R. Isso quer dizer que os autovetores

de A associados ao autovalor 1 = 0 so da forma

x
x

u~1 = ,

(x, z) 6= (0, 0).
z
z

(A 4I) X = 0.

2 2 0 0

x 0
2 0 0 y 0

2
= ,

0 0 2 2 z 0

0 0 2 2 w 0
cuja soluo y = x, w = z, x, z R. Isso quer dizer que os autovetores de A


x

x
u~1 = ,

z
(x, z) 6= (0, 0).

z
Exerccio 133. Encontre o polinmio caracterstico, os autovalores e autoveto-

res das seguintes matrizes:

0 1 2

1 3 0 0
1. A = ; 4. A = ;
7. A = 0 0 3 ;

4 5 1 0
0 0 0

7 1 0 1
2. A = ; 5. A = ;
6 2 0 0
1 0 0

8. A = 1 3 0 ;

5 2 1 0

3. A = 6. A =

; ;
4 4 0 5 3 2 2

0 1 0 1 0 0 0 1 0 0 0 0

9. A = 1 0 0 ; 1

3 0 0 0 3 0 0 0

10. A =

;
0 0 1 3 2 2 011. A = 0 0 2 0 0 .

1 1 2 4 0 0 0 4 0

0 0 0 0 1
Exerccio 134. 1. Demonstre que se A uma matriz triangular ento os

autovalores de A so os elementos da diagonal principal.
2. Demonstre que uma matriz triangular invertvel se, e somente se, seus
autovalores so todos diferentes de zero.
Teorema 43. Seja u~1 autovalor de uma matriz A associado ao autovalor 1 e
u~2 autovalor de A associado ao autovalor 2 , com 1 6= 2 . Ento u~1 e u~2 so
LI.
Demonstrao. Suponhamos que
1 u~1 + 2 u~2 = 0. (11.1)
Aplicando A a ambos os lados da equao e utilizando a linearidade da multi-

plicao por matrizes obtemos
A (1 u~1 + 2 u~2 ) = A 0
1 Au~1 + 2 Au~2 = 0
1 1 u~1 + 2 2 u~2 = 0.
Temos ento que

1 1 u~1 + 2 2 u~2 = 0. (11.2)
Multiplicando a equao (11.1) por 1 obtemos
1 1 u~1 + 2 1 u~2 = 0. (11.3)

Subtraindo as equanes (11.2) e (11.3) obtemos
2 (2 1 )u~2 = 0.
Como u~2 6= 0 e 2 1 6= 0, temos que 2 = 0. Multiplicando a equao (11.1)

por 2 obtemos
1 2 u~1 + 2 1 u~2 = 0. (11.4)
Subtraindo as equaes (11.2) e (11.3) obtemos
1 (1 2 )u~1 = 0.
Como u~1 6= 0 e 1 2 6= 0, temos que 1 = 0. Conclumos ento que u~1 e u~2

so LI.
Procedendo de maneira anloga anterior podemos provar um resultado
ainda mais geral.
Teorema 44. Seja A uma matriz n n e 1 , . . . , m autovalores distintos de
A. Ento se
u~1 1 , u~2 1 , . . . , u~k1 1
so autovetores LI associados ao autovalor 1 ,
u~1 2 , u~2 2 , . . . , u~k2 2
so autovetores LI associados ao autovalor 2 ,
. . . u~1 m , u~2 m , . . . , u~km m
so autovetores LI associados ao autovalor m , o conjunto de vetores
u~1 1 , u~2 1 , . . . , u~k1 1 , u~1 2 , u~2 2 , . . . , u~k2 2 , . . . , u~1 m , u~2 m , . . . , u~km m

n o
LI.
11.2 Diagonalizao
Suponhamos que seja possvel encontrar uma base para o espao vetorial Rn uti-
lizando apenas autovetores de uma transformao linear T : Rn Rn . Vamos
mostrar que a matriz que representa T em relao a essa base a mais simples
possvel.
Teorema 45. Suponhamos que B = {u~1 , u~2 , . . . , u~n } seja uma base para Rn
formada por autovetores de uma transformao linear T : Rn Rn . Ento
[T ]B
B uma matriz diagonal.
Demonstrao. Para encontrar [T ]B B devemos calcular T (~

ui ) para cada u~i e
escrever o resultado em termos de suas coordenadas em relao base B. Mas
T (u~1 ) = 1 u~1 = 1 u~1 + 0u~2 + . . . + 0u~k

T (u~2 ) = 2 u~2 = 0u~1 + 2 u~2 + . . . + 0u~k
.. ..
. .
T (u~k ) = k u~k = 0u~1 + 0u~2 + . . . + k u~k
em que i o autovalor associado ao autovetor u~i . Assim as coordenadas de

cada T (~
ui ) em relao base B so

1
0

0

0 2 0

[T (u~1 )]B = .. , [T (u~2 )]B = .. , [T (u~k )]B = .. .
. . .

0 B 0 B k B
Para construir a matriz [T ]B

B utilizamos essas coordenadas como colunas, o que
nos d
0 ... 0
1
0 2 . . . 0

B
[T ]B = .. .. . . .. .
. .

. .

0 0 . . . k
A matriz anterior e a matriz que representa T na base cannica esto rela-

cionadas pela equao
[T ]CC = [I]CB [T ]B B
B [I]C
em que [I]B C a matriz de mudana de coordenadas da base cannica para B

e [I]B a matriz de mudana de coordenadas de B para a base cannica. Se
C
B diagonal.
for possvel encontrar uma base B de autovetores de T ento [T ]B
Nesse caso dizemos que a matriz [T ]C diagonalizvel.
C
Definio 30. Dizemos que uma matriz A n n diagonalizvel se existirem

uma matriz diagonal D n n e uma base B de Rn tais que
A = [I]CB D[I]B
C,
ou seja, existe uma mudana de base que relaciona as matrizes A e D.

Observao 25. Uma matriz A diagonalizvel se existir uma matriz diagonal
D tal que A e D representam a mesma transformao linear em bases diferentes.
1
Definindo P = [I]BC e lembrando que [I]B = [I]C = P 1 podemos

C B
reescrever o teorema acima:

Definio 31. Dizemos que uma matriz A n n diagonalizvel se existirem
matrizes n n D diagonal e P invertvel tais que
A = P 1 DP.
11.2.1 Mtodo de Diagonalizao de matrizes

Teorema 46. Seja A uma matriz n n. A diagonalizvel se, e somente se,
existe uma base B de Rn formada por autovetores de A. A matriz D contm
na diagonal os autovalores de A e a matriz P = [I]B
C a matriz de mudana de
coordenadas da base cannica para a base B.
Observao 26. A ordem em que os autovalores de A aparecem na diagonal de
D tem que ser a mesma ordem em que os autovetores correspondentes aparecem
na base B.
Exemplo 171. Verifique se a matriz

2 1
A=
1 2
diagonalizvel. Em caso afirmativo encontre as matrizes D e P que diagona-
lizam A.
Soluo. Para que A seja diagonalizvel, precisamos encontrar uma base de
R2 formada por autovetores de A. Os autovetores de A associados ao autovalor
1 = 1 so da forma
x
u~1 = , x 6= 0 (11.5)
x
e os autovetores de A associados ao autovalor 2 = 3 so da forma

x
u~2 = , x 6= 0. (11.6)
x
Observe que cada autoespao tem dimenso 1, de modo que em cada um deles
podemos escolher no mximo um vetor LI. Para encontrar uma base para R2
devemos escolher um autovetor em cada autoespao. O teorema 44 garante que
eles sero LI. Escolhendo x = 1 na equao (11.5), temos

1
u~1 = .
1
Escolhendo x = 1 na equao (11.5), temos

1
u~2 = .
1
Dessa forma, temos que a base B = {(1, 1), (1, 1)} formada por autovetores
de A. Logo A diagonalizvel.
Vamos agora encontrar P e D. Para encontrar D basta colocar os autova-
lores de A na diagonal:
1 0
D= .
0 3
Para encontrar P devemos encontrar a matriz de mudana de base P = [I]B C.
Essa matriz mais difcil de encontrar que P = [I]B . Vamos ento encontrar
1 C
P 1 . Essa matriz obtida utilizando os vetores da base B como colunas:

1 1 1
P = .
1 1
Observe que a ordem utilizada deve concordar com a ordem utilizada para en-
contrar a matriz D. Utilizando a inverso de matrizes encontramos a matriz
restante: 1
1 1
1 1 1
P = P 1

= = 21 1 2 .
1 1 2 2
Assim A diagonalizvel e

1 1 1 0 12 12
A = P 1 DP = 1 1 .
1 1 0 3 2 2

0 1
A=
0 0

lizam A.
R2 formada por autovetores de A. Os autovetores de A associados ao nico
autovalor 1 = 0 so da forma

x
u~1 = , x 6= 0. (11.7)
0
Observe que esse autoespao tem dimenso 1, de modo que podemos escolher
no mximo um vetor LI. Assim no possvel escolher dois autovetores de A
que sejam LI e portanto no possvel encontrar uma base de R2 formada por
autovetores de A. Isso implica que A no diagonalizvel.

1 0 0

A = 1 2 0

2 3 3
lizam A.
1 = 1 so da forma
x

u~1 = x , x 6= 0,

x2
os autovetores de A associados ao autovalor 2 = 2 so da forma
0

u~2 = y , y 6= 0

3y
u~3 = 0 , z 6= 0.

z
eles sero LI. Escolhendo x = 1 na primeira equao, y = 1 na segunda e z = 1
na terceira obtemos os autovetores
1 0 0

1 , 1 , 0

1/2 3 1
que formam uma base B de R3 . Logo A diagonalizvel.

1 0 0

D = 0 2 0 .

0 0 3
1 C

1 0 0

P 1 = 1 1 0 .

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

1
P = P 1

= 1 1 0 = 1 1 0 .

1 5
2 3 1 2 3 1
1 0 0 1 0 0 1 0 0

1
A = P DP = 1 1 0 0 2 0 1 1 0 .

1 5
2 3 1 0 0 3 2 3 1
Exemplo 174. Se
0 ... 0
1
0 2 . . . 0

A = .. .. . . ..
. .

. .

0 0 . . . k
uma matriz diagonal, ento os vetores da base cannica so autovetores de D
com autovalores i . Conclumos ento que toda matriz diagonal diagonalizvel.
Nesse caso, D = A e P = I.

2 2 0 0

2 2 0 0
A =
0 0 2 2

0 0 2 2

lizam A.
1 = 0 so da forma

x
x

u~1 = ,

(x, z) 6= (0, 0).
z
z
Os autovetores de A associados ao autovalor 2 = 4 so da forma

x

x
u~2 = ,

z
(x, z) 6= (0, 0).

z
Observe que cada autoespao possui dimenso 2 e portanto podemos escolher
dois vetores LI dentro de cada um deles. O teorema 44 garante que eles sero
LI. Para escolher os dois primeiros, fazemos x = 1 e z = 0 e depois x = 0 e
z = 1 na primeira equao:
u~1 = (1, 1, 0, 0), u~2 = (0, 0, 1, 1).
1 1
Para escolher os dois que faltam fazemos x = 1 e z = 0 e depois x = 0 e z = 1

na segunda equao:
u~1 = (1, 1, 0, 0), u~1 = (0, 0, 1, 1).
2 2
Temos ento a base de R4

B = {(1, 1, 0, 0), (0, 0, 1, 1), (1, 1, 0, 0), (0, 0, 1, 1)}
formada por autovetores de A. Isso implica que A diagonalizvel.
lores de A correspondentes a cada vetor da base B na diagonal:

0 0 0 0

0 0 0 0
D = .
0 0 4 0
0 0 0 4

1 C

1 0 1 0
1

0 1 0
P 1 = .
0 1 0 1
0 1 0 1
restante:
1 1
12 0 0

1 0 1 0
2
1 0 21 12

1 0 1 0 0
P = P 1

= =
1
1 .
0 1 0 1 0 0

2
2
0 1 0 1 0 0 21 12
1
12 0 0

1 0 1 0 0 0 0 0
2
1 0 0 0 12 12

0 1 0 0 0 0
A = P 1 DP = .
0 1 0 1 0 0 4 0 12 12 0 0
0 1 0 1 0 0 0 4 0 0 12 21
Exerccio 135. Verifique se as matrizes abaixo so diagonalizveis. Em caso

positivo, encontre as matrizes P e D. Dica: lembre-se que voc j calculou os
autovalores e autovetores para a maioria das matrizes abaixo no exerccio 133.

1 3 7 1 5 2
1. A = ; 2. A = ; 3. A = ;
4 5 6 2 4 4

0 1 2 1 0 0 0

0 0
4. A = ;
7. A = 0 0 3 ; 1

3 0 0

1 0
10. A =

;

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

0 1
5. A = ; 8. A = 1 3 0 ;

0 0

3 2 2 1 0 0 0 0

0 3 0 0 0

0 1 0 11. A = 0 0 2 0 0 .

9. A = 1 0 0 ;

1 0 0 0 0 4 0

6. A = ;
0 5 0 0 1 0 0 0 0 1
Exerccio 136. Mostre que se uma matriz n n possui todos os autovalores

distintos ento ela diagonalizvel.
11.3 Diagonalizao de matrizes simtricas

Se uma matriz simtrica, isto , se AT = A, ento os autovalores e autovetores
adquirem propriedades interessantes que investigaremos aqui.
Teorema 47. Se A uma matriz simtrica n n, ento autovetores associados
a autovalores distintos so ortogonais.
Demonstrao. Sejam

1

1
2 2

u~1 = .. , u~2 = ..
. .

n n
vetores de Rn escritos como matrizes coluna em termos de suas coordenadas

em relao base cannica. Ento

T

1

1

1
2 2 2
h i
u~1 u~2 = 1 2 . . . n .. = .. .. .
. . .

n n n
Temos ento que
T T T

1

1

1

1

1

1

A 2 2 = 2 AT 2 = 2 AT 2
~ 1 u~2 =
Au .. .. .. .. .. ..
. . . . . .

n n n n n n
T T

1

1

1

1
2 2 2 2

A .. = u
= .. A .. = .. ~ 2.
~1 Au
. . . .

n n n n
Assim temos que, se A simtrica
~ 1 u~2 = u~1 Au
Au ~ 2.
Se u~1 e u~2 so autovetores associados aos autovalores distintos 1 e 2 respec-

tivamente temos que
~ 1 u~2 = 1~u1 u~2 = 1 u~1 u~2
Au
~ 2 = u~1 2~u2 = 2 u~1 u~2 .
u~1 Au
Temos ento que
1 u~1 u~2 = 2 u~1 u~2 = (1 2 ) u~1 u~2 = 0
o que implica que u~1 u~2 = 0 uma vez que 1 6= 2 .
Teorema 48. Dada uma matriz simtrica A n n, possvel encontrar uma

base ortonormal B = {u~1 , . . . , u~n } para Rn formada por autovetores de A.
Quando existe uma base ortonormal de Rn formada por autovetores de A
a matriz P uma matriz de mudana de base entre duas bases ortonormais.
Nesse caso, P 1 = P T e o processo de diagonalizao de A se simplifica consi-
deravelmente.
Definio 32. Dizemos que P uma matriz ortogonal se P 1 = P T .
Teorema 49. Dada uma matriz simtrica A existem matrizes D diagonal e P
ortogonal tais que
A = P T DP.
Para encontrar as matrizes D e P do teorema anterior, procedemos como
na diagonalizao de matrizes, procurando uma base ortonormal de Rn que seja
formada por autovetores de A.

2 1
A=
1 2
encontre matrizes D diagonal e P ortogonal tais que
A = P T DP.
Soluo. Para escrever A na forma desejada, precisamos encontrar uma base

ortonormal de R2 formada por autovetores de A. Os autovetores de A associados

x
u~1 = , x 6= 0 (11.8)
x

x
u~2 = , x 6= 0. (11.9)
x
eles sero ortogonais. Escolhendo x = 1 na equao (11.8), temos

1
u~1 = .
1
Escolhendo x = 1 na equao (11.9), temos

1
u~2 = .
1
Dessa forma, temos que {(1, 1), (1, 1)} uma base ortogonal formada por
autovetores de A. Para encontrar uma base ortonormal basta dividir cada vetor
pela sua norma. Obtemos assim a base ortonormal
1 1 1 1
( ! !)
B= , , ,
2 2 2 2
formada por autovetores de A.
1 0
D= .
0 3
Vamos ento encontrar P . Essa matriz obtida utilizando os vetores da base
T
B como colunas:
1 1

T 2 2
P = .
12 1

2
contrar a matriz D. Utilizando a transposio de matrizes encontramos a matriz
restante: T
1 1
1
12

T T

2 2 2
P = P = = .
12 1 1 1

2 2 2
1 1 1 12

1 0
A = P T DP = 2 2
2 .
12 1 1 1

2
0 3 2 2

2 2 0 0

2 2 0 0
A =
0 0 2 2

0 0 2 2
encontre matrizes D diagonal e P ortogonal tais que
A = P T DP.
Soluo. Para escrever A na forma desejada, precisamos encontrar uma base
ortonormal de R4 formada por autovetores de A. Os autovetores de A associados

x
x

u~1 = ,

(x, z) 6= (0, 0).
z
z
Os autovetores de A associados ao autovalor 2 = 4 so da forma

x

x
u~2 = ,

z
(x, z) 6= (0, 0).

z
Observe que cada autoespao possui dimenso 2 e portanto podemos escolher

dois vetores ortogonais dentro de cada um deles. O teorema 48 garante que
eles sero ortogonais entre si. Para escolher os dois primeiros, fazemos x = 1 e
z = 0 e depois x = 0 e z = 1 na primeira equao:
u~11 = (1, 1, 0, 0), u~21 = (0, 0, 1, 1).
Observe que esses dois vetores so ortogonais. Para escolher os dois que faltam
fazemos x = 1 e z = 0 e depois x = 0 e z = 1 na segunda equao:
u~12 = (1, 1, 0, 0), u~12 = (0, 0, 1, 1).
Observe que esses dois vetores so ortogonais e tambm so ortogonais aos dois
primeiros. Temos ento a base ortogonal de R4
{(1, 1, 0, 0), (0, 0, 1, 1), (1, 1, 0, 0), (0, 0, 1, 1)}
formada por autovetores de A. Para encontrar uma base ortonormal, basta

dividir cada vetor pela sua norma. Encontramos assim a base ortonormal
1 1 1 1 1 1 1 1
( ! ! ! !)
B= , , 0, 0 , 0, 0, , , , , 0, 0 , 0, 0, , .
2 2 2 2 2 2 2 2
lores de A correspondentes a cada vetor da base B na diagonal:

0 0 0 0

0 0 0 0
D = .
0 0 4 0
0 0 0 4

Vamos encontrar P T . Essa matriz obtida utilizando os vetores da base B como
colunas:
1 1

2
0 2
0
1 0 1 0

PT =
0
2
1
2
1 .

0

2 2
12 1

0 0
2
contrar a matriz D. Utilizando a transposio de matrizes encontramos a matriz
restante:
T
1 1 1 12

2
0 2
0 2
0 0
1 0 1 0 0 0 1
12

T
P = PT

2 2 2
=
0 1 1

=
1
1
.
0 0 0

2 2 2 2
12 1 1 1

0 0
2
0 0 2 2
Assim temos
A = P T DP =
1 1 1 12

2
0 2
0

0 0 0

0 2
0 0
1 0 1 0 0 0 1
12

0
0 0 0
2 2 2

0 1 1

1
1
.
0 0
0 4 0 0 0

2 2 2 2
12 1 0 0 0 4 1 1

0 0
2
0 0 2 2
Exerccio 137. Dadas as matrizes simtricas abaixo, encontre matrizes D dia-

gonal e P ortogonal tais que
A = P T DP.

1 3 7 1
1. A = ; 2. A = ;
3 5 1 2

5 2 2 2 0 0

3. A = ; 2
2 4

2 0 0
7. A =

;
0 0 2 2
0 0 2 2
0 1
4. A = ;
1 0
0 1 0

8. A = 1 0 0 ;

0 0 1

1 0
5. A = ;
0 5
1 0 0 0 0

0 3 0 0 0

0 1 2 9. A = 0 0 2 0 0 .

6. A = 1 2 1 ; 0 0 0 4 0

2 1 0 0 0 0 0 1
12
Provas antigas
12 de julho de 2011
1. (1 pt) Sejam
T1 : R2 R3
(x, y) 7 (2x y, 0, x + y)
T2 : R2 R2
(x, y) 7 (x y, x + 3y)
T3 : R3 R
(x, y, z) 7 x2 + y 2z 2 .
a) Verifique quais das aplicaes acima so lineares.
b) Para as que forem lineares, encontre a matriz da transforma-
o quando fixamos a base cannica tanto no domnio como no
contradomnio.
289
c) Para as que forem lineares, encontre o ncleo e sua dimenso.

Verifique quais so injetivas.
d) Para as que forem lineares, calcule a dimenso da imagem. Ve-
rifique quais so sobrejetivas.
e) Verifique quais so isomorfismos. Explique como obter o iso-
morfismo inverso.
2. Seja T : R2 R2 uma aplicao linear tal que T (1, 0) = (2, 1) e
T (1, 1) = (3, 1). Encontre a matriz de T quando fixamos a base
cannica de R2 tanto no domnio como no contradomnio.
3. Verifique quais das matrizes abaixo so diagonalizveis:

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

2 3 3 1

1 1 1 1 1 1
5 4 1 0 0 ,

, , .

1 1 1 1 1 1 0 2 1 3

1 2 1 3 0

1 1 1 1 1 1

3 1 2 2 2
1 1 1 1 1 1
4. Para as matrizes A abaixo encontre D diagonal e P invertvel tais

que A = P DP T .

5 0 0 0
1 1 0

0 1 0 0

A= 1 1 0 , A =

.

0 0 4 0
0 0 1
0 0 0 3
1. (1,2 pt) Dados os vetores

B = {(1/ 2, 1/ 2, 0), (1/ 2, 1/ 2, 0), (0, 0, 1)}

b) encontre a matriz de mudana de coordenadas da base B para a
base cannica;
c) encontre a matriz de mudana de coordenadas da base cannica
para a base B;
d) se o vetor V possui coordenadas (1, 1, 0) na base B, quais so
suas coordenadas na base cannica?
2. (1,2 pt) Sejam
T1 : R3 R3
(x, y, z) 7 (2x y, x + z, 2x + y).
T2 : R3 R2
(x, y, z) 7 (x y, x + z).
a) Mostre que essas aplicaes so lineares e encontre suas matrizes
na base cannica.
b) Encontre a dimenso do ncleo das aplicaes acima. Elas so
injetivas?
c) Elas so isomorfismos?
d) Se T um isomorfismo, como devemos proceder para encontrar
o isomorfismo inverso? (No precisa fazer conta, s explicar).

B = {(1/ 2, 1/ 2, 0), (1/ 2, 1/ 2, 0), (0, 0, 1)}


base cannica;
para a base B;
4. (1,2 pt) Seja
1 0 1

0 1
A= 0 2 0 , B=

.

0 0
1 0 1
a) Encontre os autovalores e os autovetores das matrizes acima.

b) As matrizes acima so diagonalizveis? Se sim, encontre matrizes
P e D que fazem a diagonalizao.
1. (1,2 pt) Seja

T : R3 R3
(x, y) 7 (x + y, x y, z x).
a) Mostre que T linear e encontre a matriz de T na base cannica.

b) Encontre a dimenso do ncleo de T . A aplicao T injetiva?
c) T um isomorfismo?
d) Se T for um isomorfismo, como podemos encontrar o isomorfismo
inverso? (No precisa fazer conta, s explicar com palavras.)

B = {(1/ 2, 1/ 2, 0), (1/ 2, 1/ 2, 0), (0, 0, 1)}

base cannica;
para a base B;
3. (1,2 pt) Seja
1 0 1

A = 0 2 0 .

1 0 1
a) Encontre os autovalores e os autovetores de A.
b) A matriz A diagonalizvel? Se sim, encontre matrizes P inver-
tvel e D diagonal tais que A = P DP 1 .

B = {(1/ 5, 2/ 5, 0), (2/ 5, 1/ 5, 0), (0, 0, 1)}

base cannica;

para a base B;
e) se o vetor V possui coordenadas (1, 5, 1) na base cannica,
quais so suas coordenadas na B?
2. (1,2 pt) Seja
T : R3 R3
(x, y) 7 (z y, x + y, 2x y).
d) Se T for um isomorfismo, como devemos proceder para encontrar
o isomorfismo inverso? (No precisa fazer contas, s explicar.)
3. (1,2 pt) Seja
1 0 1

A = 0 0 0 .

1 0 1
b) Encontre matrizes P invertvel e D diagonal tais que A = P DP 1 .

B = {(1/ 10, 3/ 10, 0), (3/ 10, 1/ 10, 0), (0, 0, 1)}


base cannica;
para a base B;
e) se o vetor V possui coordenadas (10, 5, 0) na base cannica,
quais so suas coordenadas na B?
2. (1,2 pt) Seja
T : R 3 R3
(x, y) 7= (2x y, x + z, 2x + y).
3. (1,2 pt) Seja
1 0 2

A = 0 1 0 .

2 0 1
b) Encontre matrizes P invertvel e D diagonal tais que A = P DP 1 .
1. (1,2 pt) Sejam

T1 : R3 R3
(x, y, z) 7 (2x y, x + z, 2x + y).
T2 : R3 R2
(x, y, z) 7 (x y, x + z).
a) Mostre que essas aplicaes so lineares e encontre suas matrizes
na base cannica.
b) Encontre a dimenso do ncleo das aplicaes acima. Elas so
injetivas?
c) Elas so isomorfismos?

B = {(1/ 2, 1/ 2, 0), (1/ 2, 1/ 2, 0), (0, 0, 1)}

base cannica;
para a base B;
3. (1,2 pt) Seja
1 0 1

0 1
A= 0 2 0 , B=

.

0 0
1 0 1
a) Encontre os autovalores e os autovetores das matrizes acima.

b) As matrizes acima so diagonalizveis? Se sim, encontre matrizes

P e D que fazem a diagonalizao.

Apostilaial

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Apostilaial

Diunggah oleh

Hak Cipta:

Format Tersedia

Introduo lgebra Linear

Prof. Brbara Lopes Amaral

Em matemtica, uma matriz m n uma tabela de m linhas e n colunas

diferente: multiplica-se duas matrizes somente quando o nmero de colunas da

Matriz linha ou vetor linha: matriz do tipo 1 n, ou seja, uma matriz

uma matriz linha.

Matriz coluna ou vetor coluna: matriz do tipo n 1, ou seja, uma

Matriz quadrada: matriz do tipo n n, ou seja, uma matriz que tem o

uma matriz quadrada.

Exemplo 5. Considere as seguintes matrizes:

1.2 Operaes envolvendo matrizes

ao multiplic-la pelo escalar 2 obtemos

1.2.2 Adio e subtrao entre matrizes

(A + B)[i, j] = A[i, j] + B[i, j].

Exemplo 8. Considere as matrizes

Sua soma obtida da seguinte forma:

Dadas as matrizes A e B do mesmo tipo m n, sua subtrao A B a

(A B)[i, j] = A[i, j] B[i, j].

Exemplo 9. Considere as matrizes

Exemplo 10. Considere as matrizes

Sua subtrao obtida da seguinte forma:

Observao 1. As operaes A B e A + (1)B resultam na mesma matriz.

1.2.3 Multiplicao de matrizes

para cada par i e j.

Nesse caso tambm podemos calcular o produto BA:

Note que no exemplo acima AB 6= BA, j que a primeira uma matriz

Nesse caso NO podemos calcular o produto BA, j que uma matriz 3 2

3. Associatividade da multiplicao por constante: (A) = ()A;

4. Distributividade da multiplicao por constante: ( + )A = A +

5. Distributividade da multiplicao por constante: (A + B) = A +

6. Associatividade do produto: (AB)C = A(BC);

7. Distributividade do produto de matrizes: A(B + C) = AB + BC e

8. Associatividade do produto: (AB) = (A)B = A(B).

Exerccio 1. Prove a validade das propriedades acima.

3. (cA)T [i, j] = (cA)[j, i] = c A[j, i] = c AT [i, j];

4. (AB)T [i, j] = AB[j, i] = ajk bki = k bki ajk = B T AT [i, j].

Exerccio 2. Dadas as matrizes

calcule A + B, 2A 3B, 12 A + 5B.

Exerccio 7. Suponha que A e B so matrizes 3 3. Verifique quais das

1. Se as colunas 1 e 3 de B so iguais, ento as colunas 1 e 3 de AB tambm

2. Se as linhas 1 e 3 de B so iguais, ento as linhas 1 e 3 de AB tambm

3. Se as linhas 1 e 3 de A so iguais, ento as linhas 1 e 3 de AB tambm

4. Se podemos efetuar o produto AA, ento A uma matriz quadrada;

5. Se AB e BA so definidos, ento A e B so matrizes quadradas;

1.3 Algumas matrizes especiais

so matrizes diagonais. Observe que a definio de uma matriz diagonal permite

O produto de um escalar por uma matriz diagonal uma matriz diagonal;

A soma de duas matrizes diagonais uma matriz diagonal;

O produto de duas matrizes diagonais uma matriz diagonal.

1.3.2 Matrizes triangulares

O produto de uma matriz triangular superior por uma constante uma

A soma de duas matrizes triangulares superiores uma matriz triangular

O produto de duas matrizes triangulares superiores uma matriz triangular

Analogamente, temos que:

O produto de uma matriz triangular inferior por uma constante uma

A soma de duas matrizes triangulares inferiores uma matriz triangular

O produto de duas matrizes triangulares inferiores uma matriz triangular

Exemplo 15. A matriz

1.3.3 Matrizes Nulas

Em geral, o tamanho da matriz fica claro do contexto e escrevemos apenas

1.3.4 Matrizes Identidade

1.3.5 Matrizes Simtricas

Demonstrao. Seja A uma matriz mn. Sabemos que a transposio inverte