Material 1566928379786 PDF

ÁLGEBRA LINEAR
E VETORIAL
Professor Me. Alexandre Shuji Suguimoto

Professor Me. Anderson Leandro Zulin
GRADUAÇÃO
Unicesumar
Reitor
Wilson de Matos Silva
Vice-Reitor
Wilson de Matos Silva Filho
Pró-Reitor Executivo de EAD
William Victor Kendrick de Matos Silva
Pró-Reitor de Ensino de EAD
Janes Fidélis Tomelin
Presidente da Mantenedora
Cláudio Ferdinandi
NEAD - Núcleo de Educação a Distância

Diretoria Executiva
Chrystiano Mincoff
James Prestes
Tiago Stachon
Diretoria de Graduação e Pós-graduação
Kátia Coelho
Diretoria de Permanência
Leonardo Spaine
Diretoria de Design Educacional
Débora Leite
Head de Produção de Conteúdos
Celso Luiz Braga de Souza Filho
Head de Curadoria e Inovação
Tania Cristiane Yoshie Fukushima
Gerência de Produção de Conteúdo
Diogo Ribeiro Garcia
Gerência de Projetos Especiais
Daniel Fuverki Hey
Gerência de Processos Acadêmicos
Taessa Penha Shiraishi Vieira
Gerência de Curadoria
Carolina Abdalla Normann de Freitas
Supervisão de Produção de Conteúdo
Coordenador
Nádila Toledo de Conteúdo
Antoneli da Silva Ramos
Projeto Gráfico
Jaime de Marchi Junior
José Jhonny Coelho
Arte Capa
Arthur Cantareli Silva
C397 CENTRO UNIVERSITÁRIO DE MARINGÁ. Núcleo de Educação
a Distância; ANDERSON, Alexandre Shuji Suguimoto; ZULIN,
Leandro.

Álgebra Linear e Vetorial. Alexandre Shuji Suguimoto Anderson;
Leandro Zulin.
Maringá-Pr.: UniCesumar, 2018.
224 p.
“Graduação - EaD”.

1. Álgebra. 2. Linear . 3. Matemática 4. EaD. I. Título.
ISBN 978-85-459-1269-9
CDD - 22 ed. 512.5
CIP - NBR 12899 - AACR/2
Ficha catalográfica elaborada pelo bibliotecário

João Vivaldo de Souza - CRB-8 - 6828
Impresso por:
Em um mundo global e dinâmico, nós trabalhamos
com princípios éticos e profissionalismo, não so-
mente para oferecer uma educação de qualidade,
mas, acima de tudo, para gerar uma conversão in-
tegral das pessoas ao conhecimento. Baseamo-nos
em 4 pilares: intelectual, profissional, emocional e
espiritual.
Iniciamos a Unicesumar em 1990, com dois cursos
de graduação e 180 alunos. Hoje, temos mais de
100 mil estudantes espalhados em todo o Brasil:
nos quatro campi presenciais (Maringá, Curitiba,
Ponta Grossa e Londrina) e em mais de 300 polos
EAD no país, com dezenas de cursos de graduação e
pós-graduação. Produzimos e revisamos 500 livros
e distribuímos mais de 500 mil exemplares por
ano. Somos reconhecidos pelo MEC como uma
instituição de excelência, com IGC 4 em 7 anos
consecutivos. Estamos entre os 10 maiores grupos
educacionais do Brasil.
A rapidez do mundo moderno exige dos educa-
dores soluções inteligentes para as necessidades
de todos. Para continuar relevante, a instituição
de educação precisa ter pelo menos três virtudes:
inovação, coragem e compromisso com a quali-
dade. Por isso, desenvolvemos, para os cursos de
Engenharia, metodologias ativas, as quais visam
reunir o melhor do ensino presencial e a distância.
Tudo isso para honrarmos a nossa missão que é
promover a educação de qualidade nas diferentes
áreas do conhecimento, formando profissionais
cidadãos que contribuam para o desenvolvimento
de uma sociedade justa e solidária.
Vamos juntos!
Seja bem-vindo(a), caro(a) acadêmico(a)! Você está
iniciando um processo de transformação, pois quando
investimos em nossa formação, seja ela pessoal ou
profissional, nos transformamos e, consequentemente,
transformamos também a sociedade na qual estamos
inseridos. De que forma o fazemos? Criando oportu-
nidades e/ou estabelecendo mudanças capazes de
alcançar um nível de desenvolvimento compatível com
os desafios que surgem no mundo contemporâneo.
O Centro Universitário Cesumar mediante o Núcleo de
Educação a Distância, o(a) acompanhará durante todo
este processo, pois conforme Freire (1996): “Os homens
se educam juntos, na transformação do mundo”.
Os materiais produzidos oferecem linguagem dialógica
e encontram-se integrados à proposta pedagógica, con-
tribuindo no processo educacional, complementando
sua formação profissional, desenvolvendo competên-
cias e habilidades, e aplicando conceitos teóricos em
situação de realidade, de maneira a inseri-lo no mercado
de trabalho. Ou seja, estes materiais têm como principal
objetivo “provocar uma aproximação entre você e o
conteúdo”, desta forma possibilita o desenvolvimento
da autonomia em busca dos conhecimentos necessá-
rios para a sua formação pessoal e profissional.
Portanto, nossa distância nesse processo de cresci-
mento e construção do conhecimento deve ser apenas
geográfica. Utilize os diversos recursos pedagógicos
que o Centro Universitário Cesumar lhe possibilita.
Ou seja, acesse regularmente o Studeo, que é o seu
Ambiente Virtual de Aprendizagem, interaja nos fóruns
e enquetes, assista às aulas ao vivo e participe das dis-
cussões. Além disso, lembre-se que existe uma equipe
de professores e tutores que se encontra disponível para
sanar suas dúvidas e auxiliá-lo(a) em seu processo de
aprendizagem, possibilitando-lhe trilhar com tranqui-
lidade e segurança sua trajetória acadêmica.
CURRÍCULO

Possui Licenciatura em Matemática pela UEM - Universidade Estadual de
Maringá (2003), Especialização em Métodos e Técnicas de Ensino pela UTFPR
- Universidade Tecnológica Federal do Paraná (2012), Mestrado em Matemática
pela UEM - Universidade Estadual de Maringá (2013). Atuou na rede Municipal
de Ensino de Maringá de 2005 até 2012 como professor de Matemática de
5a a 8a série do Ensino Fundamental e desde 2005 atua como professor de
Matemática da Rede Estadual de Ensino do Paraná.
http://lattes.cnpq.br/4340960500722471

Possui Licenciatura em Matemática pela FAFIMAN - Fundação Centro
Universitário de Mandaguari (2001), Especialização em Educação Matemática
pela FAFIPA - Faculdade Estadual de Educação, Ciência e Letras de Paranavaí
(2003), Especialização em Educação Profissional e de Jovens e Adultos pela
Faculdade Maringá (2006), Mestrado em Matemática pela UEM - Universidade
Estadual de Maringá (2013). E professor de Matemática da Educação Básica
da rede pública de ensino do Estado do Paraná, professor de Matemática nas
disciplinas de Cálculo, Álgebra Linear e Geometria Analítica nos cursos de
Engenharia Civil, Elétrica e Ciência da Computação em cursos de Graduação.
http://lattes.cnpq.br/9773159625555685
APRESENTAÇÃO
ÁLGEBRA LINEAR E VETORIAL
SEJA BEM-VINDO(A)!
Prezado(a) acadêmico(a), sou professor Alexandre Suguimoto e é com muita satisfação
que apresento este livro sobre Álgebra Linear. Espero que este material possa contribuir
em seu aprendizado e que sirva para enriquecer seus conhecimentos sobre esta disci-
plina. Ele está organizado da seguinte maneira: as duas primeiras unidades tratam de
conceitos fundamentais da álgebra linear, são eles: matrizes, determinantes e sistemas
de equações lineares; nas demais unidades são apresentados conceitos de espaços ve-
toriais, produto interno e transformações lineares.
As unidades foram escritas pelo professor Anderson Leandro Zulin, complementadas e
revisadas por mim e pela nossa equipe de mediadores da EaD. Várias situações-proble-
ma existentes nas ciências exatas podem ser representadas por equações ou sistemas
de equações lineares, e conseguir reconhecê-los, interpretá-los e resolvê-los são alguns
dos nossos principais objetivos nessa disciplina. O leitor perceberá que, por mais sim-
ples ou complexo que seja um problema relacionado à álgebra linear, de maneira geral,
recaímos na busca de solução para determinado sistema de equações lineares, associa-
do ao problema proposto.
Ao revisar e reescrever este livro, procurei apresentar as definições e os conceitos com
exemplos e, sempre que possível, com auxílio de figuras, de maneira a facilitar a compre-
enssão dos assuntos abordados. Para os mais interessados, muitos conteúdos podem
ser aprofundados detalhadamente em livros de álgebra linear e vetorial e álgebra linear
aplicada.
Para todos(as) os(as) cursistas, desejo um ótimo estudo, com muita garra, dedicação e,
consequentemente, muito sucesso.
09
SUMÁRIO
UNIDADE I
MATRIZES
15 Introdução
16 Matrizes
21 Operações com Matrizes
29 Matriz inversa
37 Determinante
48 Considerações Finais
UNIDADE II
SISTEMA DE EQUAÇÕES LINEARES
59 Introdução
60 Sistemas de Equações Lineares
66 Resolução de Sistemas de Equações Lineares
71 Regra de Cramer
76 Posto e Grau de Liberdade
10
SUMÁRIO
UNIDADE III
ESPAÇOS VETORIAIS
95 Introdução
96 Vetores
104 Espaço Vetorial
119 Combinação Linear
132 Base e Dimensão
UNIDADE IV
PRODUTO INTERNO E TRANSFORMAÇÕES LINEARES
163 Introdução
164 Produto Interno
173 Transformação Linear
177 Núcleo e Imagem de uma Transformação Linear

11
SUMÁRIO
UNIDADE V
AUTOVALORES E AUTOVETORES
191 Introdução
192 Autovalores e Autovetores
197 Polinômio Característico
211 Diagonalização de Operadores
224 Conclusão
I
UNIDADE
MATRIZES
Objetivos de Aprendizagem
■■ Conhecer e identificar os diferentes tipos de matrizes.
■■ Definir as operações com matrizes e identicar suas propriedades.
■■ Saber se uma matriz é inversível e como calculá-la.
■■ Definir o conceito de Determinante, apresentar algumas técnicas
para seu cálculo e mostrar suas principais propriedades.
Plano de Estudo
A seguir, apresentam-se os tópicos que você estudará nesta unidade:
■■ Matrizes
■■ Operações com matrizes
■■ Matriz Inversa
■■ Determinante
15
INTRODUÇÃO
INTRODUÇÃO
Prezado(a) alunos(a), iniciamos nossos estudos inserindo o conceito de conjunto de ma-
trizes, definindo as operações sobre este conjunto cujas propriedades (associativa, comutativa e
distributiva) assemelham-se aos dos números reais bem como as propriedade dos vetores. Além
disso, apresentaremos algumas matrizes especiais, tais como matriz nula, matriz oposta, matriz
identidade, matriz triangular, matriz quadrada e matriz inversa − veremos que cada uma delas
tem sua importância no estudo desse conjunto. Ainda sobre matrizes, definiremos de maneira
formal o conceito de determinante de uma matriz quadrada e verificaremos algumas propriedades
Reprodução proibida. Art. 184 do Código Penal e Lei 9.610 de 19 de fevereiro de 1998.
algébricas interessantes acerca dos determinantes.
Na prática, dada uma situação-problema cuja modelagem matemática nos fornece um sis-
tema de equações lineares − a partir desse sistema de equações −, construir uma tabela numérica
(denominada matriz) e, por meio de técnicas convenientes, fica sendo possı́vel obter um conjunto
solução para o sistema, se existir, é claro. Mas, enfim, dado um sistema de equações lineares,
resolver esse sistema é o objetivo principal das Unidades I e II, pois é um pré-requisito para as
Unidades III, IV e V.
Assim, nesta unidade, aprofundaremo-nos nos estudos das matrizes, com as operações de
adição e multiplicação por escalar, em especial, o produto de matrizes e as operações elementares
sobre uma matriz. Finalizaremos definindo formalmente o conceito de determinante associado
a uma matriz quadrada. Esses conceitos, conforme exposto anteriormente, condicionará-nos a
conhecer técnicas para resolução e discussão sobre a existência de solução de sistemas de equações
lineares, tais como o escalonamento, posto de uma matriz e a Regra de Cramer. Portanto, é
importante que o leitor(a) tenha consciência que as teorias referentes aos estudos das matrizes
terão uma aplicação efetiva na próximas unidades.
Introdução
16 UNIDADE I
TÓPICO 1: MATRIZES
MATRIZES
Uma matriz A de ordem m por n é uma tabela formada por termos numéricos dispostos
ordenadamente, denotada conforme tabela a seguir:
⎡ ⎤
⎢ a11 a12 · · · a1n ⎥
⎢ ⎥
⎢ ⎥
⎢ a21 a22 · · · a2n ⎥
A = [aij ]m×n =⎢
⎢ .
⎥ .
⎢ .. .. ... .. ⎥
⎢ . . ⎥
⎥
⎣ ⎦
am1 am2 · · · amn
m×n
Os ı́ndices i e j representam a linha e a coluna, respectivamente, em que cada elemento da matriz

encontra-se, isto é, indicam a posição de cada elemento na matriz. O ı́ndice m × n representa a
ordem da matriz: “m linhas por n colunas”.
Os elementos de uma matriz podem ser outros objetos (não necessariamente só números).
Por exemplo, podemos ter nas matrizes números complexos, polinômios, funções, outras matrizes
etc. Neste livro, representaremos as matrizes por colchetes [ ], mas elas também podem ser
representadas por parênteses ( ) ou até duas barras � �. A seguir, temos alguns exemplos de
matrizes:
⎡ ⎤
√
⎢ 3 2 π ⎥
• Uma matriz 2 × 3 : A = ⎣ ⎦
−5 3
0
Explica ai:
4
⎡ ⎤ Noções de
Matrizes
⎢ 1 2 −3 ⎥
⎢ ⎥
• Uma matriz 3 × 3 : B = ⎢
⎢ −4 5 8 ⎥
⎥
⎣ ⎦
0 9 0
� �
25
• Uma matriz 1 × 4 : C = −1 log 2 sen1 o
3
⎡ ⎤
⎢ i ⎥
⎢ ⎥
• Uma matriz 3 × 1 : D = ⎢
⎢ π ⎥
⎥
⎣ ⎦
e
MATRIZES
17
Tipo de Matrizes
Matriz Nula
Trata-se de uma matriz de qualquer ordem cujos elementos são todos nulos, isto é, aij = 0
para todo i e j.
⎤ ⎡
⎡ ⎤ 0 0 ⎡ ⎤
� � ⎢ ⎥
⎢ 0 0 0 ⎥ ⎢ ⎥ ⎢ 0 0 ⎥
Exemplo 1: A = ⎣ ⎦, B = 0 0 0 , C = ⎢ ⎥
⎢ 0 0 ⎥ e O=⎣ ⎦
0 0 0 ⎣ ⎦ 0 0
0 0
Matriz Quadrada
É aquela cujo número de linhas é igual ao número de colunas, ou seja, se A = [aij ]m×n é
uma matriz quadrada, então, m = n. Neste caso, com respeito à ordem da matriz, podemos dizer
simplesmente matriz de ordem m.
Exemplo 2:
• Matriz de ordem 1: A = [−6]

⎡ ⎤
⎢ −2 3 ⎥
• Matriz de ordem 2: B = ⎣ ⎦
1 5
⎡ ⎤
⎢ −5 0 2 ⎥
⎢ ⎥
• Matriz de ordem 3: C = ⎢
⎢ 3 1 −9 ⎥
⎥
⎣ ⎦
2, 5 5 3
Matriz Linha
É aquela que apresenta uma única linha.

Exemplo 3:
� � � � � �
√
A = 2 −1 3 5 B= 3 1
0 −7 −2 D= 5 0
2
Matrizes
18 UNIDADE I
Matriz Coluna
É aquela que apresenta uma única coluna.

⎡ ⎤
⎡ ⎤
⎡ ⎤ ⎢ 0 ⎥
⎢ ⎥ −2
⎢ ⎥ ⎢ ⎥ � �
⎢ −3 ⎥ ⎢ 2 ⎥ ⎢ ⎥
Exemplo 4: A = ⎣ ⎦ B=⎢
⎢
⎥
⎥ C=⎢ ⎥
⎢ −1 ⎥ D= 1
5 ⎢ −3 ⎥ ⎣ ⎦
⎢ ⎥
⎣ ⎦ 2
5
Matriz Diagonal
É uma matriz quadrada cujos elementos que não estão na diagonal são todos nulos (iguais
a zero), isto é, aij = 0 se i �= j para todo i e j.
⎡ ⎤
⎡ ⎤
⎢ 5 0 0 ⎥
⎢ −3 0 ⎥ ⎢ ⎥
Exemplo 5: A = ⎣ ⎦ B=⎢ ⎢ 0 4 0 ⎥⎥
0 2 ⎣ ⎦
0 0 −1
Nas matrizes diagonais, temos uma que é especial. Mostraremos essa matriz logo a seguir.
Matriz Identidade
É uma matriz quadrada cujos elementos são definidos como segue:
⎧
⎪
⎨ 1, se i = j
aij = para todo i, j
⎪
⎩ 0, se i �= j
Isto é, ⎡ ⎤
⎢ 1 0 0 0 ··· 0 ⎥
⎢ ⎥
⎢ ⎥
⎢ 0 1 0 0 ··· 0 ⎥
⎢ ⎥
⎢ ⎥
A = [aij ]n×n =⎢ 0 0 1 0 ··· 0 ⎥
⎢ ⎥
⎢ . . .. .. . . .. ⎥
⎢ .. ..
⎢ . . . . ⎥
⎥
⎣ ⎦
0 0 0 0 0 1
n×n
MATRIZES
19
Matriz Simétrica
Trata-se de uma matriz quadrada, em que aij = aji .

⎡ ⎤
⎡ ⎤ −2 1 ⎥
⎢ 5
⎢ 2 5 ⎥ ⎢ ⎥
Exemplo 6: A = ⎣ ⎦ B=⎢ ⎢ −2 4 3 ⎥⎥
5 3 ⎣ ⎦
1 3 −1
Matriz Triangular Superior
É uma matriz quadrada, na qual os elementos abaixo da diagonal são nulos, isto é, aij = 0
sempre que i > j.

⎡ ⎤
⎡ ⎤
⎢ 1 −3 −2 −1 ⎥
⎢ ⎥
⎢ −3 2 1 ⎥ ⎢ ⎥
⎢ ⎥ ⎢ 0 2 3 7 ⎥
Exemplo 7: A = ⎢ ⎥
⎢ 0 −1 −5 ⎥ B=⎢
⎢
⎥
⎥
⎣ ⎦ ⎢ 0 0 −2 5 ⎥
⎢ ⎥
0 0 4 ⎣ ⎦
0 0 0 9
Matriz Triangular Inferior
Trata-se de uma matriz quadrada cujos elementos acima da diagonal são nulos, isto é,
aij = 0 sempre que i < j.
⎡ ⎤
⎡ ⎤
⎢ 1 0 0
0 ⎥
⎢ ⎥
⎢ −3 0 0 ⎥ ⎢ ⎥
⎢ ⎥ ⎢ 4 2 0 0 ⎥
Exemplo 8: A = ⎢ ⎥
⎢ 4 −1 0 ⎥ B=⎢
⎢
⎥
⎥
⎣ ⎦ ⎢ 3 1 −2 0 ⎥
⎢ ⎥
3 2 5 ⎣ ⎦
−7 2 7 9
Igualdade de Matrizes
Definição: Considere duas matrizes, A = [aij ]m×n e B = [bij ]p×q . A matriz A será igual à matriz
B, denotada por A = B quando a ordem de ambas for a mesma (m = p), (n = q) e seus elementos
correspondentes iguais, ou seja, elementos que ocupam a mesma posição (linha e coluna) na matriz
A e B serão iguais, isto é, aij = bij para todo i e j.
Matrizes
20 UNIDADE I
⎡ ⎤ ⎡ ⎤
√ o
⎢ 49
sen 30 ⎥ ⎢ 7 1/2 ⎥
Exemplo 9: A matriz A = ⎣ ⎦ é igual a matriz B = ⎣ � � ⎦.
⎡ ⎤ ⎡ −0, 75 √π 0 ⎤
−3/4√ 1
o 7 1/2 ⎥
⎢ 49 sen 30 ⎥ ⎢
Exemplo 9: A matriz A = ⎣ ⎡ ⎦ é igual a matriz ⎤B = ⎣ ⎡ �√⎤�0 ⎦ .
−3/4 1 2 −0, 75 π
⎢ 2x − y w − 3z ⎥ ⎢ −4 0 ⎥
Exemplo 10: Considerando as matrizes C = ⎣ ⎦ eD=⎣ ⎦ , determine
⎡ ⎤ ⎡ ⎤
3y 5w2− 7 12 3
⎢ 2x − y w − 3z ⎥ ⎢ −4 0 ⎥
Exemplo
os valores 10:
de x, y, Considerando
z e w tal que as matrizesCC=e⎣D sejam iguais. ⎦ e D = ⎣
asmatrizes ⎦, determine
3y 5w − 7 12 3
os valores
Solução: pela de x, y, z edevemos
definição w tal que as matrizes C e D sejam iguais.
ter:
Solução: pela definição devemos ter:
C=D
⎡ ⎤ ⎡ ⎤
2
C=D
⎢ 2x − y w − 3z ⎥ ⎢ −4 0 ⎥
⎣⎡ ⎦ ⎤= ⎣⎡ ⎦⎤
3y 5w 2− 7 12 3
⎢ 2x − y w − 3z ⎥ ⎢ −4 0 ⎥
⎣ ⎦=⎣ ⎦
3y 5w − 7 12 3
2x − y = −4 (I)
w22x
−−3zy =
= 0−4 (II)
(I)
3yw=2 −
123z = 0 (III)
(II)
5w3y−=7 12
=3 (III)
(IV )
5w − 7 = 3 (IV )
De (III) obtemos y = 4 e, substituindo esse valor em (I), temos x = 0. Em (IV ) obtemos
4
De (III)esse
w = 2 e trocando obtemos
valor yem
= (II)
4 e, substituindo
teremos z = esse
. valor em (I), temos x = 0. Em (IV ) obtemos
34
w = 2 e trocando esse valor em (II) teremos z = .
3
Em se tratando de Matemática, uma vez definido certo conjunto, neste caso o conjunto das
Em se otratando
matrizes, próximode Matemática,
passo uma vez édefinido
(o que é natural) elaborarcerto
umaconjunto,
teoria na neste casopossı́vel
qual seja o conjunto das
efetuar
matrizes, o próximo passo (o que é natural) é elaborar uma teoria na qual seja possı́vel efetuar
as operações matemáticas mais elementares, tais como a adição e multiplicação. Tente perceber
as operações matemáticas mais elementares, tais como a adição e multiplicação. Tente perceber
esse fato nas disciplinas de Matemática.
esse fato nas disciplinas de Matemática.
MATRIZES
21
TÓPICO 2: OPERAÇÕES COM MATRIZES

OPERAÇÕES COM MATRIZES
Na Matemática, uma vez definido um certo conjunto, nesse caso, o conjunto das matrizes, é
natural tentar definir operações sobre seus elementos. Nesse sentido, definiremos algumas operações
e, como consequência, algumas propriedades.
Adição
Sejam A = [aij ] e B = [bij ] matrizes de mesma ordem, definimos soma das matrizes A com
B denotada por A + B, como sendo
A + B = [aij + bij ]
cuja ordem é a mesma das matrizes A e B. Note que, para somarmos duas ou mais matrizes, basta
somarmos os elementos correspondentes.
⎡ ⎤ ⎡ ⎤
⎢ 1 0 2 ⎥ ⎢ −5 2 4 ⎥
⎢ ⎥ ⎢ ⎥
Exemplo 11: Dados A = ⎢ ⎥
⎢ −5 4 −3 ⎥ e B = ⎢ ⎥
⎢ −3 7 8 ⎥, obtenha a soma A + B.
⎣ ⎦ ⎣ ⎦
7 2 −1 11 9 2
Temos
⎡ ⎤ ⎡ ⎤
⎢ 1 0 2 ⎥ ⎢ −5 2 4 ⎥
⎢ ⎥ ⎢ ⎥
A+B = ⎢ ⎥ ⎢
⎢ −5 4 −3 ⎥ + ⎢ −3 7 8
⎥
⎥
⎣ ⎦ ⎣ ⎦
7 2 −1 11 9 2
⎡ ⎤
⎢ 1 + (−5) 0 + 2 2 + 4 ⎥
⎢ ⎥
A+B = ⎢
⎢ −5 + (−3) 4 + 7 −3 + 8
⎥
⎥
⎣ ⎦
7 + 11 2 + 9 −1 + 2
⎡ ⎤
⎢ −4 2 6 ⎥
⎢ ⎥
A+B = ⎢
⎢ −8 11 5
⎥
⎥
⎣ ⎦
18 11 1
Operações com Matrizes

22 UNIDADE I
Multiplicação por escalar
Seja A = [aij ]m×n uma matriz e k ∈ R um escalar, o produto de k pela matriz A é definido
da seguinte maneira:
k · A = [k · aij ]m×n .
Em outras palavras, para multiplicar um escalar k por uma matriz, basta efetuarmos o produto
de k por todos os elementos dessa matriz.
⎡ ⎤
⎢ −2 5 17 ⎥
⎢ ⎥
Exemplo 12: Se k = 3 e A = ⎢ 11 −3 3 ⎥
⎢
⎥. Determine k.A:
⎣ ⎦
9 2 10
⎡ ⎤
⎢ 3(−2) 3(5) 3(17) ⎥
⎢ ⎥
k·A=3·A=⎢
⎢ 3(11) 3(−3) 3(3) ⎥
⎥
⎣ ⎦
3(9) 3(2) 3(10)
⎤⎡
⎢ −6 15 51 ⎥
⎢ ⎥
k·A=3·A=⎢ ⎥
⎢ 33 −9 9 ⎥ .
⎣ ⎦
27 6 30
Uma vez definida multiplicação de um escalar por uma matriz, podemos definir a diferença entre
matrizes. Assim, dadas duas matrizes A e B de mesma ordem, para efetuarmos a diferença entre
elas, basta proceder da seguinte forma:
� �
A−B =A+ −B
em que a matriz −B corresponde à matriz oposta de B, ou seja, −B pode ser interpretado como
sendo o produto do número −1 pela matriz B.
Agora, em relação à adição de matrizes e multiplicação por escalar, devemos observar as

propriedades que seguem:
MATRIZES
23
Propriedade: Dadas as matrizes A = [aij ]m×n , B = [bij ]m×n , C = [cij ]m×n , todas de mesma
ordem e escalares α e β (números reais), são válidas as seguintes propriedades:
I) A + (B + C) = (A + B) + C (associatividade).
II) A + B = B + A (comutatividade).
III) A + Om×n = A (existência do elemento neutro da adição, em que Om×n representa a matriz
nula de ordem m × n).
� �
IV) A + − A = Om×n (existência da matriz oposta).
V) α(A + B) = αA + αB (distributividade).
VI) (α + β)A = αA + βA.
VII) (αβ)B = α(βB).
VIII) 1 · A = A.
IX) 0 · A = Om×n (neste caso, 0 é um escalar e Om×n é a matriz nula).
É interessante observar que essas propriedades com essas operações também são verificadas
para o conjunto de vetores bem como para o conjunto dos números reais. Veremos, mais adiante,
que conjuntos que satisfazem essas propriedades são chamados de espaços vetoriais.
Matriz transposta
Dada uma matriz A = [aij ]m×n , definimos a matriz transposta de A, uma nova matriz
B = [bij ]n×m cujas linhas são as colunas de A, isto é, bij = aji e será denotada por At .
⎡ ⎤
−1 2 ⎡ ⎤
⎢ ⎥
⎢ ⎥ ⎢ −1 6 4 ⎥
Exemplo 13: Se A = ⎢ ⎢ 6 0 ⎥
t
⎥, então A = ⎣ ⎦.
⎣ ⎦ 2 0 −3
4 −3
⎡ ⎤ ⎡ ⎤
⎢ 6 1 −8 ⎥ ⎢ 6 1 −8 ⎥
⎢ ⎥ ⎢ ⎥
⎢ ⎥
Exemplo 14: Se B = ⎢ 1 −3 2 ⎥, então B = ⎢ 1 −3 2 ⎥ t ⎢
⎥.
⎣ ⎦ ⎣ ⎦
−8 2 0 −8 2 0
No exemplo 14, a matriz transposta coincidiu com a própria matriz, e este é um exemplo
de matriz simétrica. Na sequência, temos outras propriedades relacionadas às matrizes.

24 UNIDADE I
Propriedade: Sejam A = [aij ] e B = [bij ] matrizes de mesma ordem. São válidas as seguintes
afirmações:
I) At = A se, e somente se, a matriz A é simétrica.

t
II) At = A, isto é, a transposta da transposta de A é a própria matriz A.
III) (A + B)t = At + B t .
t
IV) k · A = k · At .
Prova item (I)
(⇒)
Suponha que At = A, logo [aij ] = [aji ], ou seja, A é uma matriz simétrica.
(⇐)
Se A é simétrica, então, [aij ] = [aji ], e, portanto, At = A.
Prova item (II)
(At )t = ([aij ]t )t = ([aji ])t = [aji ]t = [aij ] = A.
Prova item (III)
(A + B)t = ([aij ] + [bij ])t = [cij ]t = [cji ] = [aji + bji ] = [aji ] + [bji ] = [aij ]t + [bij ]t = At + B t .
Prova item (IV)
(kA)t = (k[aij ])t = ([kaij ])t = [kaji ] = k[aji ] = kAt .
Observação: uma matriz é chamada de antissimétrica quando At = −A.
MATRIZES
25
Multiplicação de Matrizes
Para definirmos o produto de matrizes, analisaremos o seguinte exemplo:
Na tabela a seguir, estão registradas as notas bimestrais de 5 alunos de uma determinada

instituição superior, na disciplina de Cálculo, do curso de Matemática.
Primeiro Bimestre Segundo Bimestre Terceiro Bimestre Quarto Bimestre
Aluno A 2,5 5,6 6,1 6,0

Aluno B 2,0 3,5 3,7 5,5
Aluno C 8,0 6,8 7,5 9,0
Aluno D 6,0 6,1 5,5 6,7
Aluno E 4,0 5,0 7,0 7,5
Consideraremos que o primeiro, o segundo, o terceiro e o quarto bimestre tenham, respec-

tivamente, pesos valendo 1, 2, 3 e 4 (a nota do primeiro bimestre multiplicada por 1, a do segundo
por 2 e assim por diante). A média final de cada aluno será calculada da seguinte maneira:
2, 5 · 1 + 5, 6 · 2 + 6, 1 · 3 + 6, 0 · 4 1 2 3 4
Aluno A: = 2, 5 · + 5, 6 · + 6, 1 · + 6, 0 · = 5, 6
10 10 10 10 10
2, 0 · 1 + 3, 5 · 2 + 3, 7 · 3 + 5, 5 · 4 1 2 3 4
Aluno B: = 2, 0 · + 3, 5 · + 3, 7 · + 5, 5 · = 4, 2
10 10 10 10 10
8, 0 · 1 + 6, 8 · 2 + 7, 5 · 3 + 9, 0 · 4 1 2 3 4
Aluno C: = 8, 0 · + 6, 8 · + 7, 5 · + 9, 0 · = 8, 0
10 10 10 10 10
6, 0 · 1 + 6, 1 · 2 + 5, 5 · 3 + 6, 7 · 4 1 2 3 4
Aluno D: = 6, 0 · + 6, 1 · + 5, 5 · + 6, 7 · = 6, 2
10 10 10 10 10
4, 0 · 1 + 5, 0 · 2 + 7, 0 · 3 + 7, 5 · 4 1 2 3 4
Aluno E: = 4, 0 · + 5, 0 · + 7, 0 · + 7, 5 · = 6, 5
10 10 10 10 10
Estas operações podem ser representadas por matrizes. Podemos construir uma matriz N

26 UNIDADE I
contendo as notas de cada aluno, isto é,

⎡ ⎤
⎢ 2, 5 5, 6 6, 1 6, 0 ⎥
⎢ ⎥
⎢ ⎥
⎢ 2, 0 3, 5 3, 7 5, 5 ⎥
⎢ ⎥
⎢ ⎥
⎢ 8, 0 6, 8 7, 5 9, 0 ⎥ .
⎢ ⎥
⎢ ⎥
⎢ 6, 0 6, 1 5, 5 6, 7 ⎥
⎢ ⎥
⎣ ⎦
4, 0 5, 0 7, 0 7, 5
da mesma forma, podemos construir uma matriz P com os valores dos pesos de cada bimestre, isto
é, ⎡ ⎤
⎢ 1/10 ⎥
⎢ ⎥
⎢ ⎥
⎢ 2/10 ⎥
⎢ ⎥
⎢ ⎥
⎢ 3/10 ⎥
⎢ ⎥
⎣ ⎦
4/10
e efetuar a seguinte operação:

⎡ ⎤
1 2 3 4
⎢ 2, 5 · 10 + 5, 6 · + 6, 1 · + 6, 0 ·
⎢ 10 10 10 ⎥
⎥
⎢ ⎥
⎢ ⎥
⎡ ⎤ ⎢ ⎥ ⎡ ⎤
⎡
⎢
⎤ ⎢ 2, 0 · 1 2 3 4 ⎥⎥
+ 3, 5 · + 3, 7 · + 5, 5 · 5, 6 ⎥
⎢ 2, 5 5, 6 6, 1 6, 0 ⎥ ⎢
⎢ 10 10 10 10 ⎥
⎥ ⎢
⎢ ⎥ ⎢ 1/10 ⎥ ⎢ ⎥ ⎢ ⎥
⎢ ⎥ ⎥ ⎢ ⎥
⎢ 2, 0 3, 5 3, 7 5, 5 ⎥ ⎢ ⎥ ⎢
⎥ ⎢ 4, 2 ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎢ ⎥
⎢ ⎥ ⎢ 2/10 ⎥ ⎢
⎥ = ⎢ 8, 0 · 1 2 3 4 ⎥⎥=⎢ ⎥
⎢ 8, 0 6, 8 7, 5 9, 0 ⎥ ·⎢ + 6, 8 · + 7, 5 · + 9, 0 · ⎥ ⎢ 8, 0 ⎥ .
⎢ ⎥ ⎢ ⎥ ⎢ 10 10 10 10 ⎥ ⎢ ⎥
⎢ ⎥ ⎢⎢ 3/10 ⎥ ⎢
⎥ ⎢ ⎥ ⎢ ⎥
⎢ 6, 0 6, 1 5, 5 6, 7 ⎥
⎥ ⎣ ⎦ ⎢ ⎥ ⎢ 6, 2 ⎥
⎢
⎣ ⎦ ⎢ ⎥ ⎢
⎣
⎥
⎦
4/10 ⎢
⎢ 6, 0 · 1 2 3 4 ⎥⎥
4, 0 5, 0 7, 0 7, 5 ⎢ + 6, 1 · + 5, 5 · + 6, 7 · ⎥ 6, 5
⎢ 10 10 10 10 ⎥
⎢ ⎥
⎢ ⎥
⎢ ⎥
⎣ 1 2 3 4 ⎦
4, 0 · + 5, 0 · + 7, 0 · + 7, 5 ·
10 10 10 10
O que fizemos: tomamos duas matrizes tais que o número de termos em cada linha da
primeira é igual ao número de termos de cada coluna da segunda, ou seja, o número de colunas da
primeira coincide com o número de linhas da segunda.
MATRIZES
27
Definição: Sejam A = [aij ]m×n e B = [bij ]n×s matrizes com termos reais, o produto da matriz A
Definição: Sejam A = [aij ]m×n e B = [bij ]n×s matrizes com termos reais, o produto da matriz A
pela matriz B é a matriz A · B = [cij ]m×s cujos termos são:
pela matriz B é a matriz A · B = [cij ]m×s cujos termos são:
�n
n a ·b
cij = � ik kj com i = {1, 2, . . . , m} e j = {1, 2, . . . , s}.
cij = k=1 aik · bkj com i = {1, 2, . . . , m} e j = {1, 2, . . . , s}.
k=1
⎡ ⎤ ⎡ ⎤
⎡ ⎤ ⎡ ⎤
⎢ 1 3 ⎥ ⎢ 2 0 −4 ⎥
Exemplo 15: Considere as matrizes A =⎢⎣ 1 3 ⎥⎦ e B =⎢ ⎣2 0 −4 ⎥ ⎦, como a ordem da
Exemplo 15: Considere as matrizes A = ⎣ ⎦ eB=⎣ , como a ordem da
2 −1 5 −2 6⎦
2 −1 5 −2 6
matriz A é 2 × 2 e da matriz B é 2 × 3, pela definição, podemos realizar o produto A · B resultando
matriz A é 2 × 2 e da matriz B é 2 × 3, pela definição, podemos realizar o produto A · B resultando
em uma matriz de ordem 2 × 3. Por outro lado, o produto B · A não está definido, pois o número de
em uma matriz de ordem 2 × 3. Por outro lado, o produto B · A não está definido, pois o número de
colunas
colunasde
deBBéédiferente
diferente do
do número de linhas
número de linhasde
deA.
A.OOproduto
produtoé sempre
é sempre realizado
realizado tomando-se
tomando-se cada
cada
linha
linhada
damatriz
matriz A A (primeira matriz na
(primeira matriz na ordem
ordemdodoproduto)
produto)por
porcadacada coluna
coluna dada matriz
matriz B (segunda
B (segunda
matriz
matrizna
naordem
ordem do
do produto).
produto).
⎡⎡ ⎤ ⎡ ⎤⎤ ⎡⎡ ⎤ ⎤
⎢⎢ 11 33 ⎥
⎥ ⎢⎢ 2 00 −4
−4 ⎥⎥ ⎢⎢1(2)
1(2)++3(5)
3(5) 1(0) ++
1(0) 3(−2)
3(−2)1(−4) + 3(6)
1(−4) + 3(6)
⎥ ⎥
AA· ·BB == ⎣⎣ ⎦· ⎣
⎦ ⎣ ⎦⎦ == ⎣⎣ ⎦ ⎦
−1
22 −1 5 −2
−2 66 2(2)−−1(5)
2(2) 1(5) 2(0) −−
2(0) 1(−2)
1(−2)2(−4) − 1(6)
2(−4) − 1(6)
. .
⎡⎡ ⎤⎤
⎢ 17 −6 14 ⎥
== ⎣⎢ 17 −6 14⎦ .⎥ .
⎣ ⎦
−1
−1 2 2 −14
−14
Uma maneira de não nos perdermos na multiplicação é colocarmos elementos do produto em al-
Uma maneira de não nos perdermos na multiplicação é colocarmos elementos do produto em al-
guma posição que não seja a dele e encontrarmos uma matriz errada. Assim, basta observarmos
guma posição que não seja a dele e encontrarmos uma matriz errada. Assim, basta observarmos
qual linha da primeira matriz está sendo multiplicada por qual coluna da segunda matriz. No
qual linha da primeira matriz está sendo multiplicada por qual coluna da segunda matriz. No
exemplo anterior, multiplicamos a segunda linha de A pela terceira coluna de B e encontramos
exemplo anterior, multiplicamos a segunda linha de A pela terceira coluna de B e encontramos
o elemento que estará na posição c23 , isto é, c23 = −14.
o elemento que estará na posição c23 , isto é, c23 = −14.
Fonte: o autor.
Fonte: o autor.

28 UNIDADE I
Propriedade: Sejam A, B e C matrizes, sempre que os produtos e somas envolvidos estiverem

Propriedade: Sejam A, B e C matrizes, sempre que os produtos e somas envolvidos estiverem
bem definidos e k ∈ R, são válidas as seguintes afirmações:
bem definidos e k ∈ R, são válidas as seguintes afirmações:
I) (AB)C = A(BC) (associatividade).
I) (AB)C = A(BC) (associatividade).
II) A(B + C) = AB + AC ( distributividade à esquerda).
II) A(B + C) = AB + AC ( distributividade à esquerda).
III) (A + B)C = AC + BC (distributividade à direita).
III) (A + B)C = AC + BC (distributividade à direita).
IV) k(AB) = (kA)B.
IV) k(AB) = (kA)B.
V) A · O = O, em que O é a matriz nula.
V) A · O(AB)
VI) = O,t em tque
= B At . O é a matriz nula.
VI) (AB)t = B t At .
Na Educação Básica, são apresentadas algumas propriedades sobre os números reais (Produtos
Na Educação
Notáveis), Básica, são apresentadas
por exemplo, e b ∈ R, tem-se
para todo a algumas (a + b)2sobre
propriedades = a2 os + b2 . reais
números
+ 2ab Reflita(Produtos
por que,
em geral,
Notáveis), pordadas duas para
exemplo, matrizes R,n×n
todoAae eBb ∈∈ M (R), temos
tem-se 2 + B)
(a + b)(A 2
= a2 + �= A2++b22AB
2ab + B 2por
. Reflita . Reflita
que,
em também, qualduas
geral, dadas a condição
matrizes para
A que
e B a∈igualdade
Mn×n (R),aconteça.
temos (A + B)2 �= A2 + 2AB + B 2 . Reflita
também, qual a condição para que a igualdade aconteça.
MATRIZES
29
MATRIZ
TÓPICO 3:INVERSA
MATRIZ INVERSA
Definição: Seja A = [aij ]n×n uma matriz quadrada, dizemos que essa matriz admite inversa se, e
somente se, existe uma matriz B = [bij ]n×n tal que:
A · B = B · A = In
em que In é a matriz identidade de ordem n. A matriz B é chamada de inversa da matriz A e a

denotada por A−1 , isto é, B = A−1 .
⎡ ⎤ ⎡ ⎤
⎢ 2 −3 ⎥ ⎢ 1/14 3/14 ⎥
Exemplo 16: A matriz A = ⎣ ⎦ admite como inversa a matriz A−1 = ⎣ ⎦,
4 1 −2/7 1/7
pois:
⎡� � ⎤
1 −2 3 1
⎡ ⎤ ⎡ 2 · ⎤
− 3 · 2· −3· ⎡ ⎤
⎢ 14 7 14 7 ⎥
2 −3 1/14 3/14 ⎢ ⎥ 1 0
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
A · A−1 =⎣ ⎦·⎣ ⎦=⎢ ⎥=⎣ ⎦.
⎢ � � ⎥
4 1 −2/7 1/7 ⎣ 1 −2 3 1 ⎦ 0 1
4· +1· 4· +1·
14 7 14 7
⎡ ⎤
⎢ −2 5 ⎥
Exemplo 17: Calcule a matriz inversa da matriz A = ⎣ ⎦, caso exista.
3 9
Solução: pela definição, ⎤ A admite inversa se existir uma matriz B tal que A · B = I2 .
⎡ a matriz
⎢ a b ⎥
Suponhamos que B = ⎣ ⎦ seja a matriz procurada, logo,
c d
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
⎢ −2 5 ⎥ ⎢ a b ⎥ ⎢ 1 0 ⎥
A·B =⎣ ⎦·⎣ ⎦=⎣ ⎦
3 9 c d 0 1
e, efetuando o produto das matrizes A e B, chegamos na seguinte igualdade:

⎡ ⎤ ⎡ ⎤
⎢ −2a + 5c −2b + 5d ⎥ ⎢ 1 0 ⎥
⎣ ⎦=⎣ ⎦.
3a + 9c 3b + 9d 0 1
Matriz Inversa
30 UNIDADE I
Desta igualdade, obtemos os seguintes sistemas:

⎧ ⎧
⎪
⎨ −2a + 5c = 1 ⎪
⎨ −2b + 5d = 0
I e II
⎪
⎩ 3a + 9c = 0 ⎪
⎩ 3b + 9d = 1
3 1 5
Solucionando o sistema (I), chegamos a a = − e c = . Já com o sistema (II), obtemos b =
11 11 33
2
ed= .
33
Portanto, a matriz A admite inversa e sua inversa é a matriz:
⎡ ⎤
⎢ −3/11 5/33 ⎥
B = A−1 = ⎣ ⎦.
1/11 2/33
O exemplo anterior mostrou-nos que, ao tentar inverter uma matriz quadrada de ordem 2,
obtivemos dois sistemas com duas equações e duas incógnitas cuja resolução é bem simples. Agora,
se tentarmos inverter uma matriz quadrada de ordem 3 com essa técnica, obteremos três sistemas
com três equações e três incógnitas cada um, totalizando 9 incógnitas. Assim, se tentarmos inverter
matrizes quadradas de ordem superior a 3, o trabalho que terı́amos que realizar seria imenso. Nesse
sentido, o próximo passo é estabelecer uma técnica melhor para inversão de matrizes quadradas
independentemente da sua ordem.
A seguir, listamos o que vamos denominar de operações elementares de matrizes. Na prática,

uma matriz está associada a um sistema de equações que veremos mais adiante, e essas operações
elementares não interferem no conjunto solução do sistema de equações, por isso, podemos utilizá-
las, pois, ao fazermos essas operações, obtemos matrizes ou sistemas equivalentes, isto é, com as
mesmas soluções, porém mais simples de serem resolvidos.
MATRIZES
31
Operações Elementares sobre Matrizes:
I) Permutar duas filas (o termo fila indica linha ou coluna).

II) Multiplicar uma fila por um número real não nulo.
III) Somar a uma fila outra fila multiplicada por número real não nulo.
⎡ ⎤
⎢ −2 5 1 ⎥
⎢ ⎥
Exemplo 18: Aplicaremos algumas operações elementares às linhas da matriz A = ⎢
⎢ 3 0 8 ⎥
⎥
⎣ ⎦
7 −6 9
I) Permutando a linha 1 com a linha 3 (podemos usar a seguinte notação: L1 ↔ L3 ), obtemos a
matriz: ⎡ ⎤
⎢ 7 −6 9 ⎥
⎢ ⎥
⎢ 3 0 8 ⎥
⎢ ⎥.
⎣ ⎦
−2 5 1
II) Multiplicando a linha 2 por 4 (L2 → 4L2 ), temos:

⎡ ⎤
⎢ −2 5 1 ⎥
⎢ ⎥
⎢ 12 0 32 ⎥ .
⎢ ⎥
⎣ ⎦
7 −6 9
III) Transformando a linha 3 como soma da linha 1 com o dobro da linha 3 (L3 → L1 + 2L3 ),
obtemos: ⎡ ⎤
⎢ −2 5 1 ⎥
⎢ ⎥
⎢ 3 0 8 ⎥.
⎢ ⎥
⎣ ⎦
12 −7 19
Matrizes Equivalentes
Propriedade: Dadas as matrizes A e B, de mesma ordem, a matriz A será equivalente à matriz B,

representado por A ∼ B, se for possı́vel, por meio de uma sucessão finita de operações elementares
em A, obtermos a matriz B.
Teorema: Dizemos A = [aij ]n×n admite inversa se, e somente se, A ∼ In . Além disso, se A é
inversı́vel, então, a mesma sucessão de operações elementares que transformam A em In , convertem
In na inversa de A. A demonstração deste teorema o leitor pode encontrar em Callioli (1990).
Matriz Inversa
32 UNIDADE I
Matriz Inversa - Método Prático
Para determinarmos a inversa de uma matriz A (quando existir), basta seguirmos os se-
guintes passos:
I) Ao lado da matriz A colocamos a matriz identidade com a mesma ordem de A, separada por
uma linha tracejada.
II) Transforma-se, por meio de operações elementares, a matriz A na matriz In , aplicando-se,
simultaneamente, à matriz In , colocada ao lado da matriz A, as mesmas operações elementares.
⎡ ⎤
⎢ −2 1 3 ⎥
⎢ ⎥
⎢
Exemplo 19: Determinaremos a inversa da matriz A = ⎢ 4 2 5 ⎥ ⎥ seguindo os passos descritos
⎣ ⎦
−3 0 1
anteriormente.
Solução: ⎡ ⎤
⎢ −2 1 3 | 1 0 0 ⎥
⎢ ⎥
⎢ 4 2 5 | 0 1 0 ⎥
⎢ ⎥
⎣ ⎦
−3 0 1 | 0 0 1
⎡ ⎤
⎢ 1 −1/2 −3/2 | −1/2 0 0 ⎥
⎢ ⎥
⎢ 4 2 5 | 0 1 0 ⎥ L1 → L1
⎢ ⎥ −2
⎣ ⎦
−3 0 1 | 0 0 1
⎡ ⎤
⎢ 1 −1/2 −3/2 | −1/2 0 0 ⎥
⎢ ⎥
⎢ 0 4 11 | 2 1 0 ⎥ L2 → −4L1 + L2
⎢ ⎥
⎣ ⎦
−3 0 1 | 0 0 1
⎡ ⎤
⎢ 1 −1/2 −3/2 | −1/2 0 0 ⎥
⎢ ⎥
⎢ 0 1 0 ⎥
⎢ 4 11 | 2 ⎥ L3 → 3L1 + L3
⎣ ⎦
0 −3/2 −7/2 | −3/2 0 1
MATRIZES
33
⎡ ⎤
⎢ 1 −1/2 −3/2 | −1/2 0 0 ⎥
⎢ ⎥
⎢ 0 4 11 | 2 1 0 ⎥
⎢ ⎥
⎣ ⎦
0 −3/2 −7/2 | −3/2 0 1
⎡ ⎤
⎢ 1 −1/2 −3/2 | −1/2 0 0 ⎥
⎢ ⎥
⎢ 0 1 11/4 | 1/2 1/4 0 ⎥ L2 → L2
⎢ ⎥ 4
⎣ ⎦
0 −3/2 −7/2 | −3/2 0 1
⎡ ⎤
⎢ 1 0 −1/8 | −1/4 1/8 0 ⎥
⎢ ⎥ 1
⎢ 0 11/4 | 1/2 1/4 0 ⎥
⎢ 1 ⎥ L1 → 2 L2 + L1
⎣ ⎦
0 −3/2 −7/2 | −3/2 0 1
⎡ ⎤
⎢ 1 0 −1/8 | −1/4 1/8 0 ⎥
⎢ ⎥
⎢ 0 1 11/4 | 1/2 1/4 0 ⎥ L3 → 3 L2 + L3
⎢ ⎥ 2
⎣ ⎦
0 0 5/8 | −3/4 3/8 1
⎡ ⎤
⎢ 1 0 −1/8 | −1/4 1/8 0 ⎥
⎢ ⎥
⎢ 0 1 11/4 | 1/2 1/4 0 ⎥ L3 → 8 L3
⎢ ⎥ 5
⎣ ⎦
0 0 1 | −6/5 3/5 8/5
⎡ ⎤
⎢ 1 0 0 | −2/5 1/5 1/5 ⎥
⎢ ⎥
⎢ 0 1 11/4 | 1/2 1/4 0 ⎥ L1 → 1 L3 + L1
⎢ ⎥ 8
⎣ ⎦
0 0 1 | −6/5 3/5 8/5
⎡ ⎤
⎢ 1 0 0 | −2/5 1/5 1/5 ⎥
⎢ ⎥
⎢ 0 1 0 | 19/5 −7/5 −22/5 ⎥ L2 → − 11 L3 + L2
⎢ ⎥ 4
⎣ ⎦
0 0 1 | −6/5 3/5 8/5
Matriz Inversa
34 UNIDADE I
⎡ ⎤
−2/5
⎢ ⎡ 1/5 1/5 ⎥⎤
⎢ ⎥
Portanto, temos A−1 = ⎢
⎢ ⎢19/5 −7/5 −22/5 ⎥
−2/5 1/5 1/5 ⎥.⎥
⎣ ⎢ ⎦⎥
Portanto, temos A−1 = ⎢ −22/5 ⎥
−7/5 8/5
⎢ 19/5 3/5 ⎥.
−6/5
⎣ ⎦
−6/5 Real”,
Note que é possı́vel tirar a “Prova 3/5 para
8/5tanto, basta verificar que A.A−1 = I3 e que
A−1 .A = I3Note que é possı́vel tirar a “Prova Real”, para tanto, basta verificar que A.A−1 = I3 e que
, ou seja,
A−1 .A = I3 , ou seja,
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
⎢ ⎡
−2 1 3 ⎥ ⎢⎤ ⎡
−2/5 1/5 1/5 ⎤
⎥ ⎢ ⎡1 0 0 ⎥⎤
⎢ −2 1 ⎥3 ⎢ −2/5 1/5 1/5 ⎥ ⎢ 1 0 0⎥
⎢ ⎢ 4 2 5 ⎥ ⎥⎢ ⎢ 19/5 −7/5 −22/5 ⎥ ⎥ ⎢⎢ ⎥⎥
⎢ ⎢ ⎥ .⎥⎢ ⎢ ⎥⎥= ⎢⎢0 1 0 ⎥⎥
⎣ ⎢ 4 2 ⎦5 ⎥ ⎣ . ⎢ 19/5 −7/5 −22/5⎦⎥ =⎣⎢ 0 1 0 ⎦⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎣ 0 1
−3 ⎦ −6/5
⎣ 3/5 8/5 ⎦ ⎣0 0 1 ⎦
−3 0 1 −6/5 3/5 8/5 0 0 1
e ⎡ ⎤ ⎡ ⎤ ⎡ ⎤
e ⎡ ⎤ ⎡−2 1 3 ⎤ ⎡1 0 0 ⎤
⎢ −2/5 1/5 1/5 ⎥ ⎢ ⎥ ⎢ ⎥
⎢ ⎢ −2/5 1/5 1/5 ⎥ ⎥⎢ ⎢ −2 1 3⎥⎥ ⎢⎢ 1 0 0 ⎥⎥
⎢ 19/5 −7/5 −22/5 ⎥ .⎥ ⎥ ⎢ ⎥ ⎢
⎥= ⎢ ⎥⎥.
⎢ ⎢ ⎢⎢ ⎢4 2 5 ⎥⎥ ⎢⎢0 1 0 ⎥⎥
⎣ ⎢ ⎢ 19/5 −7/5 −22/5 ⎦⎥⎥⎣. ⎢ 4 2 5⎦⎥ =⎣⎢ 0 1 0 ⎦⎥ .
⎣ ⎦ ⎣ ⎦ ⎣ ⎦
−6/5 3/5 8/5 −3 0 1 0 0 1
−6/5 3/5 8/5 −3 0 1 0 0 1
No aplicativo GeoGebra,
No aplicativo podemos
GeoGebra, utilizar
podemos umum
utilizar recurso muito
recurso muitointeressante,
interessante,que
queééoocálculo
cálculo do
do pro-
pro-
dutoduto
de matrizes. PorPor
de matrizes. exemplo, definimos
exemplo, as as
definimos matrizes dodoexemplo
matrizes exemploanterior
anteriorno
nocampo
campo de
de entrada
entrada
do software da seguinte
do software maneira:
da seguinte A=
maneira: A {{−2, 1, 1,
= {{−2, {4,{4,
3},3}, 2,2, 5},{−3,
5}, {−3,0,0,1}},
1}},depois
depois aa matriz
matriz B (su-
postamente a inversa
postamente de de
a inversa A):A):
B = {{−2/5,
B = 1/5,
{{−2/5, 1/5},
1/5, {19/5,
1/5}, {19/5,−7/5,
−7/5,−22/5},
−22/5},{−6/5,
{−6/5,3/5,
3/5, 8/5}}.
Na sequência,
Na sequência, ainda
ainda no no campo
campo de de entrada,podemos
entrada, podemosusar
usaro ocomando
comando para
para multiplicar
multiplicar essas
matrizes,
matrizes, a saber: A ∗AB.∗ B.
a saber: Obviamente,
Obviamente, se se
B Bforfora ainversa
inversadedeA,
A,deveremos
deveremos ter A ∗∗ B = I33.
ter A
MaisMais ainda,
ainda, podemos
podemos escrever
escrever no no campo
campo dede entradadodoaplicativo:
entrada aplicativo: MatrizInversa[A]
MatrizInversa[A] que
que será
será
fornecido
fornecido a matriz
a matriz inversa
inversa de de
A. A.
Fonte:
Fonte: o autor.
o autor.
MATRIZES
35
Na sequência, verificaremos que existem matrizes quadradas que não admitem inversa.
⎡ ⎤
⎢ 1 2 −3 ⎥
⎢ ⎥
Exemplo 20: Determinaremos a inversa da matriz B = ⎢ 2 4 6 ⎥
⎢
⎥. Solução:
⎣ ⎦
3 6 5
⎡ ⎤
⎢ 1 2 −3 | 1 0 0 ⎥
⎢ ⎥
⎢ 2 4 6 | 0 1 0 ⎥
⎢ ⎥
⎣ ⎦
3 6 5 | 0 0 1
⎡ ⎤
⎢ 1 2 −3 | 1 0 0 ⎥
⎢ ⎥
⎢ 0 0 12 | −2 1 0 ⎥ L2 → −2L1 + L2
⎢ ⎥
⎣ ⎦
3 6 5 | 0 0 1
⎡ ⎤
⎢ 1 2 −3 | 1 0 0 ⎥
⎢ ⎥
⎢ 0 0 12 | −2 1 0 ⎥ L3 → −3L1 + L3
⎢ ⎥
⎣ ⎦
0 0 14 | −3 0 1
⎡ ⎤
⎢ 1 2 −3 | 1 0 0 ⎥
⎢ ⎥
⎢ 0 0 1 | −1/6 1/12 0 ⎥ L2 → L2 /12 e L3 → L3 /14
⎢ ⎥
⎣ ⎦
0 0 1 | −3/14 0 1/14
⎡ ⎤
⎢ 1 2 0 | 1/2 1/4 0 ⎥
⎢ ⎥
⎢ 0 0 1 | −1/6 1/12 0 ⎥ L1 → 3L2 + L1 e L3 → −1L2 + L3 .
⎢ ⎥
⎣ ⎦
0 0 0 | −1/21 −1/12 1/14
Podemos perceber que, se continuarmos tentando transformar a matriz B na matriz identi-

dade, não conseguiremos, justamente porque uma linha foi anulada. Assim, veremos mais adiante
nos estudos dos determinantes um resultado que nos permite saber se uma matriz admite ou não
inversa, evitando desperdı́cio de cálculos como neste exemplo, uma vez que essa matriz B não é
inversı́vel.
Matriz Inversa
36 UNIDADE I
Propriedade: Sejam A = [aij ]n×n e B = [bij ]n×n matrizes inversı́veis, isto é, ambas admitem
inversa, temos:
−1
I) (A−1 ) = A.
II) O produto A · B é inversı́vel e (A · B)−1 = B −1 · A−1 .
−1 t
III) (At ) = (A−1 ) .
Prova do item (II) - parte (i)

Afirmamos que A.B é inversı́vel, de fato, temos, A.B.(B −1 .A−1 ) = A.(B.B −1 ).A−1 = A.In .A−1 =
A.A−1 = In , por outro lado, de modo análogo obtemos que (B −1 .A−1 ).A.B = In , o que mostra
que A.B é inversı́vel.
Prova do item (II) - parte (ii)

Como AB é inversı́vel, logo, existe (AB)−1 tal que
AB.(AB)−1 = In
multiplicando ambos os lados da igualdade por A−1 , pois A é inversı́vel, segue que
A−1 .AB.(AB)−1 = A−1 In
(A−1 A).B.(AB)−1 = A−1
In .B.(AB)−1 = A−1
B.(AB)−1 = A−1
multiplicando ambos os lados da igualdade por B −1 , pois B também é inversı́vel e obtemos
B −1 .B.(AB)−1 = B −1 .A−1
In .(AB)−1 = B −1 .A−1
portanto,
(AB)−1 = B −1 .A−1 .
MATRIZES
37
TÓPICO 4: DETERMINANTE
DETERMINANTE
Toda matriz quadrada pode ser associada a um número (sendo real ou complexo), o qual
chamaremos de Determinante. A ideia sobre os determinantes surgiu na Antiga China, muitos
séculos depois dos chineses, um matemático japonês, Seki Kowa (1642-1708), desenvolveu, em
1683, alguns trabalhos sobre os determinantes, com base em tabelas numéricas.
No Ocidente, a primeira referência ao método dos determinantes é atribuı́da ao matemático

alemão G. W. Leibniz, em 1693. Em 1750, Cramer (1704-1752) reinventa os determinantes e fica
conhecido por isso até hoje. Alguns anos mais tarde, P. S. Laplace (1749-1827) apresenta estudos
sobre algumas propriedades dos determinantes e J. L. Lagrange (1736-1813) aplica a teoria dos
determinantes no cálculo da área de um triângulo e no volume de um tetraedro. Mas o termo
determinante toma um significado somente com Cauchy (1789-1857), em 1812, quando, perante
o instituto francês, lê uma vasta memória sobre o assunto. Em 1815, Cauchy viria a aplicar a
linguagem dos determinantes em várias situações.
A teoria dos determinantes tem importantes aplicações: na computação (programação), na

determinação da matriz inversa, na resolução de alguns tipos de sistemas lineares, entre outros.
Antes de calcularmos o determinante de uma matriz, devemos conhecer um pouco da teoria

que se esconde por trás dos cálculos práticos do determinante. Não vamos nos aprofundar nos
estudos dessa teoria; os mais curiosos podem pesquisar sobre o assunto em livros de Álgebra
Linear.
Na sequência, apresentamos o conceito de “Permutação” para formalizarmos a definição do

determinante de uma matriz, no entanto, é possı́vel omitir todo este formalismo matemático, pois
o fundamental é que o(a) leitor(a) saiba calcular o determinante de uma matriz.
Explica ai:
Noções de
Determinantes
Determinante
38 UNIDADE I
Permutações
Definição: Seja V = {1, . . . , n} o conjunto de todos os inteiros de 1 a n, obedecendo a uma

ordem (crescente). Uma outra ordem {i1 , . . . , in } dos elementos do conjunto V é chamado de
permutação.
Exemplo 21: Considere T = {1, 2, 3, 4, 5}. Então, 42531 é uma permutação de T , que corresponde
à função f : T → T definida por:
f (1) = 4; f (2) = 2; f (3) = 5; f (4) = 3; f (5) = 1.
Podemos representar o conjunto T de 24 maneiras possı́veis, pois 4 · 3 · 2 · 1 = 24. Esse cálculo

deve-se ao princı́pio multiplicativo da análise combinatória. Podemos ainda dizer que temos 24
permutações do conjunto T .
De forma geral, dado um conjunto S contendo n elementos, temos:
n(n − 1)(n − 2) · · · 2 · 1
permutações possı́veis para esse conjunto. Denotaremos por Sn as permutações de S. A expressão

anterior é representada por n! (lê-se: n fatorial ou fatorial de n). Assim:
0! = 1
1! = 1
2! = 2 · 1 = 2
3! = 3 · 2 · 1 = 6
4! = 4 · 3 · 2 · 1 = 24
..
.
n! = n(n − 1)(n − 2) · · · 2 · 1
MATRIZES
39
Exemplo 22: Seja R = {3, 5, 6}, neste caso, R3 tem 3! = 3 · 2 · 1 = 6 permutações do conjunto R:
356, 365, 536, 563, 635 e 653.
Uma permutação i1 , . . . , in do conjunto S = {1, . . . , n} tem uma inversão se um inteiro is precede

um inteiro menor ir . Uma permutação é denominada par (respectivamente ı́mpar) se o número
total de inversão é par (respectivamente ı́mpar).
Exemplo 23: Seja S = (1 2 3), com relação à permutação, temos:
• (1 3 2) é ı́mpar, pois o 3 está antes do 2 (uma inversão).

• (3 1 2) é par, pois o 3 está antes do 2 e do 1 (duas inversões).

n! n!
Generalizando, se n 2, então, Sn terá permutações pares, e permutações ı́mpares.
2 2
No exemplo anterior, temos 6 permutações possı́veis, sendo 3 pares e 3 ı́mpares. De fato:
⎧ ⎧
⎪
⎪ ⎪
⎪
⎪
⎪ (1 2 3) → 0 ⎪
⎪ (1 3 2) → 1
⎨ ⎨
pares (2 3 1) → 2 ı́mpares (2 1 3) → 1
⎪
⎪ ⎪
⎪
⎪
⎪ ⎪
⎪
⎩ (3 1 2) → 2 ⎩ (3 2 1) → 3
Apresentamos, agora, um sı́mbolo muito usado em Matemática e áreas afins, pois o usaremos
�
para definir o determinante de uma matriz. A letra ou caractere sigma ( ) é a décima oitava
letra do alfabeto grego e corresponde ao nosso S e será usada como sı́mbolo de um somatório.
Consideremos a seguinte soma:
12 + 22 + 32 + 42 + 52 + 62 + 72 + 82 + 92 + 102 .
�
Podemos representar essa soma por meio do sı́mbolo da seguinte maneira:
10
�
k2.
k=1
Lê-se: somatório de k 2 quando k varia de 1 até 10. A letra k é chamada de ı́ndice da soma (ou do
somatório) e pode ser substituı́da por qualquer outra (que não intervenha na soma), por exemplo:
i, j, l, m, n, p, etc. Diz-se, assim, que k é um ı́ndice mudo.
Determinante
40 UNIDADE I
Exemplo 24:
6
�
2i2 = 2(32 ) + 2(42 ) + 2(52 ) + 2(62 ) = 172
i=3
Exemplo 25:
5
�
k = 1 + 2 + 3 + 4 + 5 = 15
k=1
Definição: Seja A = [aij ]n×n uma matriz quadrada de ordem n, definimos o determinante de
A, denotado por detA ou |A| o número real dado por:
detA = (−1)J a1j1 a2j2 · · · anjn .
ρ
em que J = J(j1 , j2 , . . . , jn ) é o número de inversões da permutação (j1 j2 . . . jn ) e ρ indica que a

soma é estendida a todas as n! permutações de (1 2 . . . n).
Exemplo 26: Considere a matriz A = [a11 ]. Vemos que A tem ordem 1, logo S1 = (1) tem uma
única permutação, isto é, 1! = 1. Como o número de inversões é zero, o sinal do determinante é
positivo. Logo detA = a11 .
⎡ ⎤
⎢ a11 a12 ⎥
Exemplo 27: Seja A = ⎣ ⎦ uma matriz de ordem 2, para calcular o detA escrevemos os
a21 a22
termos da matriz na forma:
a1 a2 e a1 a2
Os espaços vazios serão preenchidos por todos os elementos de S2 = (1 2). Temos que (1 2) é uma
permutação par (número de inversões é zero) e (2 1) é uma permutação ı́mpar (uma inversão).
Assim o termo a11 a22 tem sinal positivo e o termo a12 a21 tem sinal negativo, logo,
detA = a11 a22 − a12 a21 .
Por simplicidade ou até comodidade, costuma-se dizer que o determinante de uma matriz
de ordem 2 é a diferença entre o produto dos termos da diagonal principal pelo produto dos termos
da diagonal secundária.
⎡ ⎤
⎢ −5 4 ⎥
Exemplo 28: Calcular o determinante da matriz A = ⎣ ⎦.
2 3
MATRIZES
41
Solução: detA = −5(3) − 4(2) = −15 − 8 = −23.

⎡ ⎤
⎢ −3 −2 ⎥
Exemplo 29: Calcular o determinante da matriz B = ⎣ ⎦.
7 −4
Solução: detB = −3(−4) − (−2)(7) = 12 + 14 = 26.
Para matrizes de ordem 3, seguindo a ideia da Definição, apresentamos o seguinte exemplo

para deduzirmos o determinante:
⎡ ⎤
⎢ a11 a12 a13 ⎥
⎢ ⎥
Exemplo 30: Dada a matriz A = ⎢ ⎢ a21 a22 a23 ⎥
⎥, temos uma matriz de ordem 3. Logo, para
⎣ ⎦
a31 a32 a33
calcularmos o determinante, escrevemos os seis (3! = 6) termos da matriz.
a1 a2 a3 a1 a2 a3 a1 a2 a3
a1 a2 a3 a1 a2 a3 a1 a2 a3
Os espaços vazios serão preenchidos por todos os elementos de S3 . Antes de preenchermos os

espaços vazios, analisaremos as permutações em uma tabela para melhor compreensão.
Principal Permutação Inversões Classe Sinal
123 123 0 par +
123 132 1 ı́mpar −
123 312 2 par +
123 213 1 ı́mpar −
123 231 2 par +
123 321 3 ı́mpar −
Com isso, temos:

detA = +a11 a22 a33 − a11 a23 a32 + a13 a21 a32
−a12 a21 a33 + a12 a23 a31 − a13 a22 a31
Determinante
42 UNIDADE I
Podemos, ainda, escrever, como segue:
detA = (a11 a22 a33 + a13 a21 a32 + a12 a23 a31 )
−(a11 a23 a32 + a12 a21 a33 + a13 a22 a31 )
Regra de Sarrus
Uma regra prática para calcular o determinante de uma matriz A de ordem 3 é dada a
seguir:
1. Repita as duas primeiras colunas ao lado direito da matriz A.
2. Multiplicam-se os elementos da diagonal principal e, na mesma direção da diagonal principal,

multiplicam-se os elementos das outras duas filas à sua direita.
3. Multiplicam-se os elementos da diagonal secundária e, na mesma direção, os elementos das

outras duas filas à sua direita.
4. O determinante da matriz é a diferença entre os produtos obtidos em (2) e (3).
Isto é:
Figura 1
Logo, detA = I − II, esta técnica é conhecida como Regra de Sarrus, que nos permite
calcular determinantes de matrizes de ordem 3 × 3.
MATRIZES
43
⎤ ⎡
⎢ −1 2 0 ⎥
⎢ ⎥
Exemplo 31: Calcule o determinante da matriz A = ⎢ ⎥
⎢ 5 3 −4 ⎥ por meio da Regra de
⎣ ⎦
7 1 −6
Sarrus.
Solução: primeiramente, repetimos as duas primeiras colunas ao lado direito da matriz.

⎡ ⎤
⎢ −1 2 0 ⎥ −1 2
⎢ ⎥
⎢ 5 3 −4 ⎥ 5 3
⎢ ⎥
⎣ ⎦
7 1 −6 7 1
Depois, multiplicamos as diagonais:
Figura 2
Portanto, temos que detA = −38 − (−56) = −38 + 56 = 18.
Agora, para matrizes quadradas de ordem maior ou igual a 4, a Regra de Sarrus não é
válida. Logo, somos motivados a deduzirmos outras técnicas para calcularmos o determinante de
matrizes quadradas cuja ordem seja maior que 4.
Desenvolvimento de Laplace
Vimos que dada uma matriz de ordem 3, seu determinante é obtido por:
detA = a11 a22 a33 − a11 a23 a32 + a13 a21 a32 − a12 a21 a33 + a12 a23 a31 − a13 a22 a31 .
De uma outra forma, temos que:
detA = a11 (a22 a33 − a23 a32 ) − a21 (a12 a33 − a13 a32 ) + a31 (a12 a23 − a13 a22 ).
Determinante
44 UNIDADE I
Ou ainda

a a a
22 a23 12 a13 12 a13
detA = a11 − a21 + a31 .

a32 a33 a32 a33 a22 a23
Podemos observar que o determinante de uma matriz quadrada de ordem 3 pode ser expresso
em função de matrizes quadradas de ordem 2. No caso anterior, repare que escolhemos a primeira
coluna para calcularmos o determinante, mas podemos fazê-lo em qualquer fila da matriz. Com
relação a esta última igualdade, podemos escrever:

detA = a11 A11 − a21 A21 + a31 A31 .

Em que Aij é o determinante da matriz que sobra, extraindo-se a i-ésima linha e a j-ésima coluna.
Definiremos, agora, o cofator de cada elemento de uma matriz. O cofator é dado como
segue:

Δij = (−1)i+j Aij .
Logo, podemos ter a seguinte igualdade:
detA = a11 Δ11 + a21 Δ21 + a31 Δ31 .
De uma forma geral, dada uma matriz A = [aij ]n×n , pelo desenvolvimento de Laplace, o
determinante da matriz A é calculado pela fórmula
n

detA = aij Δij .
i=1
Observe que, nessa fórmula, o determinante foi desenvolvido pela j-ésima coluna. Da mesma
forma, podemos desenvolver o determinante utilizando uma determinada linha.
MATRIZES
45
⎡ ⎤
⎢ −1 0 5 ⎥
⎢ ⎥
Exemplo 32: Calcule o determinante da matriz A = ⎢ ⎢ 2 −2 3 ⎥.
⎥
⎣ ⎦
1 2 4
Solução: escolheremos uma fila (linha ou coluna) que possui um ou mais zeros (isso facilitará nossos
cálculos), por exemplo, a primeira linha. Assim, temos:
detA = −1 · Δ11 + 0 · Δ12 + 5 · Δ13
= −1 · Δ11 + 5 · Δ13
� � � �
� � � �
� −2 3 � � 2 −2 �
1+1 � � 1+3 � �
= −1 · (−1) ·� � + 5 · (−1) ·� �
� � � �
� 2 4 � � 1 2 �
= −1(1)(−14) + 5(1)(6)
= 44
⎡ ⎤
⎢ 1 −2 0 1 ⎥
⎢ ⎥
⎢ ⎥
⎢ −2 5 17 9 ⎥
⎢
Exemplo 33: Calcular o determinante da matriz B = ⎢ ⎥.
⎥
⎢ 0 2 −3 0 ⎥
⎢ ⎥
⎣ ⎦
1 2 3 4
Solução: escolhendo a terceira linha, obtemos:
detB = 0 · Δ31 + 2 · Δ32 − 3 · Δ33 + 0 · Δ34
= 2 · Δ32 − 3 · Δ33
� � � �
� � � �
� 1 0 1 � � 1 −2 1 �
� � � �
� � � �
= 2(−1)3+2 �� −2 17 9 �� − 3(−1)3+3 �� −2 5 9 ��
� � � �
� � � �
� 1 3 4 � � 1 2 4 �
= 2(−1)5 (18) − 3(−1)6 (−41)
= −36 + 123
= 87
Determinante
46 UNIDADE I
Propriedade: Propriedades dos Determinantes
P1 . O determinante de uma matriz é único, ou seja, não importa qual método se utilize para
calcular o determinante, ele terá o mesmo valor.
P2 . Dada a matriz A = [aij ]n×n , temos que detA = detAt .
P3 . Se uma matriz quadrada A possuir uma fila nula, então detA = 0.
P4 . O determinante de uma matriz triangular é igual ao produto dos elementos da diagonal prin-
cipal.
P5 . Se multiplicamos uma fila de uma matriz quadrada A por β, obtemos outra matriz B tal que
detB = βdetA.
P6 . Se permutamos duas filas de uma matriz quadrada A, temos detA = −detA.
P7 . Se uma matriz quadrada A possuir duas filas iguais (ou proporcionais), então, detA = 0.
P8 . Considere a matriz A = [aij ]n×n , se, por meio de operações elementares, somamos a uma linha
(ou coluna) de A um múltiplo de outra linha (ou coluna) de A e transformando esta matriz
em outra matriz B = [bij ]n×n , temos que detA = detB.
P9 . Teorema (Binet): Se A e B são matrizes de ordem n, então, det(A · B) = detA · detB.
As propriedades que acabamos de apresentar são resultados bastantes interessante que nos
auxiliam no cálculo dos determinantes, evitando, muitas vezes, um número exagerado de cálculos
desnecessários. Veremos mais adiante na Leitura Complementar desta unidade, um resultado muito
importante em decorrência do Teorema de Binet, que relaciona as matrizes inversı́veis com o valor
do determinante.
MATRIZES
47
⎡ ⎤
⎢ 0 1 5 ⎥
⎢ ⎥
Exemplo 34: Vamos calcular o determinante da matriz A = ⎢
⎢ 3 −6 9
⎥.
⎥
⎣ ⎦
2 6 1
Solução: permutando a primeira linha com a segunda, temos:
⎡ ⎤
⎢ 3 −6 9 ⎥
⎢ ⎥
detA = −det ⎢
⎢ 0 1 5 ⎥
⎥
⎣ ⎦
2 6 1
ou ainda ⎡ ⎤
⎢ 1 −2 3 ⎥
⎢ ⎥
detA = −3det ⎢ ⎥
⎢ 0 1 5 ⎥.
⎣ ⎦
2 6 1
Fazendo a seguinte operação na linha 3 (L3 ), L3 = −2L1 + L3 , obtemos:

⎡ ⎤
⎢ 1 −2 3 ⎥
⎢ ⎥
detA = −3det ⎢
⎢ 0 1 5 ⎥.
⎥
⎣ ⎦
0 10 −5
Agora, na linha 3, fazemos L3 = −10L2 + L3 , e:

⎡ ⎤
⎢ 1 −2 3 ⎥
⎢ ⎥
detA = −3det ⎢
⎢ 0 1 5 ⎥.
⎥
⎣ ⎦
0 0 −55
Assim:
detA = −3(−55) = 165.
Observe que nesse exemplo o objetivo final foi transformar a matriz original em uma ma-
triz triangular, cujo cálculo do determinante é direto; basta multiplicar os elementos da diagonal
principal, sempre se baseando nas propriedades dos determinantes para que não ocorram erros.
Determinante
48 UNIDADE I
CONSIDERAÇÕES FINAIS
CONSIDERAÇÕES FINAIS
Prezados cursistas, finalizamos a primeira unidade que trata o assunto sobre conjunto das
matrizes, num primeiro momento, definimos o que é uma matriz, e a partir daı́ apresentamos
algumas operações sobre esse conjunto, sendo a adição e o produto das matrizes.
É interessante perceber que as propriedades das matrizes, apesar de parecerem óbvias, têm
as mesmas propriedades que a do conjunto de vetores em se tratando de adição e multiplicação por
escalar. Veremos mais adiante que além dos vetores e das matrizes, existem outros conjuntos com
essas mesmas caracterı́sticas. Definimos também a multiplicação de matrizes e podemos destacar
que de um modo geral AB = BA, ou seja, o produto das matrizes não é comutativo como acontece
com o conjunto dos números reais. Uma matriz especial também foi apresentada, a saber, a matriz
inversa, essa matriz pode nos auxiliar na resolução de sistemas lineares de equações lineares, assunto
da próxima unidade.
E, para finalizar esta unidade, definimos o conceito de determinantes, que nada mais é que
um número associado a uma matriz quadrada, esse número pode nos auxiliar na resolução de
sistemas de equações lineares quando ele é um número não nulo, e também permite verificar se
uma matriz admite ou não matriz inversa. Além disso, como veremos mais adiante, por meio do
determinante, podemos discutir sobre a existência do conjunto solução de um sistema equações.
Na sequência, faremos um estudo minucioso sobre os sistemas de equações lineares, assunto

esse que justificará todo conteúdo abordado nesta primeira unidade, a saber, as matrizes e os
determinantes. De um modo geral, no ensino médio, as matrizes, os determinantes e os sistemas
de equações lineares são estudados de maneira independente, no entanto, é muito importante
que fique claro: primeiro é identificado uma situação problema que pode ser representado por
um sistema de equações lineares; na sequência, obtém-se uma tabela numérica denominada de
matriz associada ao sistema, ou simplesmente matriz. Daı́ a importância do estudos das matrizes e
determinantes, que nos auxiliam na resolução e discussão de um determinado sistema de equações
lineares.
MATRIZES
49
ATIVIDADE DE ESTUDO
⎡ ⎤ ⎡ ⎤
⎢ x+y 9 ⎥ ⎢ 30 9 ⎥
1) Sejam as matrizes A = ⎣ ⎦eB=⎣ ⎦, calcule os valores de x e y para
−2 x − y −2 16
que se tenha A = B.
⎧
⎪
⎨ i − 3j se i < j
2) Obtenha a transposta da matriz A = [aij ]3×2 tal que aij =
⎪
⎩ 2i + 2j se i j
⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤
⎢ 1 8 ⎥ ⎢ 0 −5 ⎥ ⎢ 7 3 ⎥ ⎢ 0 9 ⎥
3) Dadas as matrizes A = ⎣ ⎦, B = ⎣ ⎦, C = ⎣ ⎦eD=⎣ ⎦, cal-
−3 6 4 2 −2 4 11 1
cule:
a) A + B
b) B + C − A
c) 2A − C + 5D − B
d) (A + B) − (C + D)
⎤ ⎡
⎡ ⎤ 5 −2 −4 ⎡ ⎤
⎢ ⎥
⎢ 2 1 −3 ⎥ ⎢ ⎥ ⎢ 1 2 ⎥
4) Dadas as matrizes A = ⎣ ⎦, B = ⎢
⎢ 0 3 2 ⎥
⎥eC=⎣ ⎦, calcule:
0 2 5 ⎣ ⎦ −3 4
1 7 11
a) A · B
b) C · A · B
⎡ ⎤
⎢ −7 0 ⎥
5) Dada a matriz A = ⎣ ⎦, escreva a matriz B tal que se tenha A + B = 02 , em que 02 é
2 −5
a matriz nula de ordem 2.
⎡ ⎤ ⎡ ⎤
⎢ −1 2 ⎥ ⎢ 0 3 −4 ⎥
6) Sejam as matrizes A = ⎣ ⎦eB=⎣ ⎦, determine
5 4 1 −7 6
a) A · B
b) B · A
50
7) Verifique em cada caso se a matriz B é a inversa da matriz A.

⎡ ⎤ ⎡ ⎤
⎢ 5/39 −2/39 ⎥ ⎢ 7 2 ⎥
a) B = ⎣ ⎦eA=⎣ ⎦
2/39 7/39 −2 5
⎡ ⎤ ⎡ ⎤
⎢ 0 1 ⎥ ⎢ −3 4 ⎥
b) B = ⎣ ⎦eA=⎣ ⎦
1/4 1/12 9 0
8) Encontre a inversa de cada matriz a seguir, caso exista.

⎡ ⎤
⎢ 5 3 ⎥
a) A = ⎣ ⎦
4 2
⎡ ⎤
⎢ 2 −3 ⎥
b) B = ⎣ ⎦
1 3
⎡ ⎤
⎢ −2 6 ⎥
c) C = ⎣ ⎦
3 −9
⎡ ⎤
⎢ 1 1 1 ⎥
⎢ ⎥
⎢
d) D = ⎢ 0 1 2 ⎥ ⎥
⎣ ⎦
1 2 4
⎡ ⎤
⎢ 1 2 1 ⎥
⎢ ⎥
⎢
e) E = ⎢ 3 5 2 ⎥ ⎥
⎣ ⎦
−1 4 7
⎡ ⎤
⎢ −3 0 1 ⎥
⎢ ⎥
f) F = ⎢
⎢ 2 2 −1 ⎥
⎥
⎣ ⎦
1 4 9
9) Calcule os determinantes das seguintes matrizes.

⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤
⎢ 2 6 ⎥ ⎢ 5 1 ⎥ ⎢ −2 8 ⎥ ⎢ 4 9 ⎥
a) A = ⎣ ⎦ b) B = ⎣ ⎦ c) C = ⎣ ⎦ d) D = ⎣ ⎦
4 1 3 −2 −5 −3 1 −3
51
⎡ ⎤ ⎡ ⎤
⎡ ⎤ 2 1 1 3 −2 −4
⎢ ⎥ ⎢ ⎥
⎢ a+b a ⎥ ⎢ ⎥ ⎢ ⎥
e) E = ⎣ ⎦ f) F = ⎢ ⎥
⎢ 0 5 −2 ⎥ g) G = ⎢
⎢ 2 5 −1 ⎥
⎥
b a+b ⎣ ⎦ ⎣ ⎦
1 −3 4 0 6 1
⎡ ⎤
⎡ ⎤
⎢ 2 −3 1 7 ⎥
−2 −1 4 ⎢ ⎥
⎢ ⎥ ⎢ ⎥
⎢ ⎥ ⎢ −2 3 0 4 ⎥
h) H = ⎢ ⎥
⎢ 6 −3 −2 ⎥ i) I = ⎢
⎢
⎥
⎥
⎣ ⎦ ⎢ −1 5 4 −3 ⎥
⎢ ⎥
4 1 2 ⎣ ⎦
2 4 −5 0
⎡ ⎤
⎢ 3 0 0 0 0 ⎥
⎢ ⎥
⎢ ⎥
⎢ 15 13 0 0 0 ⎥
⎢ ⎥
⎢ ⎥
j) J = ⎢ −5 π −3 0 0 ⎥
⎢ ⎥
⎢ √ √ ⎥
⎢
⎢ 7 5 7 0 0 ⎥⎥
⎣ ⎦
1 2 −3 8 −1
⎡ ⎤
⎢ x 1 2x ⎥
⎢ ⎥
10) Dada a matriz A = ⎢
⎢ 0 1 0 ⎥⎥, seu determinante é negativo sempre que:
⎣ ⎦
3 7 x
a) −6 < x < 0
b) 0 < x < 6
c) x < 0
d) x > 6
e) −6 < x < 6
52
LEITURA COMPLEMENTAR
Como saber se uma matriz quadrada é inversı́vel?
Vimos na proposição P9 , ou Teorema de Binet, que dadas duas matrizes A e B, tem-se que
det(A.B) = detA.detB
Assim, supondo que A seja inversı́vel, temos
det(A.A−1 ) = detA.detA−1 (∗)
Como A admite inversa, logo A · A−1 = In , além disso, detIn = 1. Segue em (∗) que
det(A.A−1 ) = detA.detA−1
det(In ) = detA.detA−1
1 = detA.detA−1
e, isolando detA−1 obtemos

1
detA−1 = .
detA
Essa última igualdade nos fornece um resultado muito importante, isto é, se A admite in-
versa, então detA �= 0. A recı́proca também é verdadeira, ou seja, se detA �= 0, então A é inversı́vel.
Portanto, antes de tentar calcular a matriz inversa, verifique primeiro seu determinante, ou seja, se
detA = 0, então A não admite inversa. Uma matriz cujo determinante é zero, também é conhecido
por Matriz Singular, ou seja, matrizes singulares, são aquelas matrizes que não têm inversa.
Fonte: o autor.
MATERIAL COMPLEMENTAR
O link a seguir é um simulador online na qual você poderá manipular matrizes identificando
conceitos, poderá ainda interpretar matrizes bem como utilizá-las na resolução de problemas.
<http://www.igm.mat.br/mpd/a linear/mpd1.htm>.
Fonte: o autor.
Neste endereço você encontrará algumas formas de operações com matrizes com auxı́lio de um
software.
<http://portaldoprofessor.mec.gov.br/fichaTecnicaAula.html?aula=1675>.
Fonte: o autor.
Aqui você encontrará um aplicativo que servirá no emprego dos conceitos de Matrizes na reso-
lução de Quadrados Mágicos.
<https://jogosboole.com.br/blogs/tutoriais/os-quadrados-magicos>.
Fonte: o autor.
Material Complementar
REFERÊNCIAS
Referências
ANTON, H.; RORRES, C. Álgebra linear com aplicações. Porto Alegre: Bookman, 2008.
BOLDRINI, J. M. et al. Álgebra linear. 3. ed. São Paulo: Harper & Row do Brasil, 1980.
CALLIOLI, C. A. et al. Álgebra linear e aplicações. 6. ed. São Paulo: Atual, 1990.
FERNANDES, D. B. Álgebra Linear: São Paulo: Pearson Education do Brasil, 2014.- (Coleção
Bibliografia Universitária Pearson).
FERNANDES, L. F. D. Álgebra Linear [livro eletrônico] 2. ed. rev. e atual. Curitiba:

InterSaberes, 2017. 2Mb; PDF.
FRANCO, N. Álgebra Linear – São Paulo. Pearson Education do Brasil, 2016.
HOFFMAN, K.; KUNZE, R. Álgebra linear. Traduzido por Adalberto P. Bergamasco. São
Paulo: Polı́gono, 1970.
LIMA, E. L. Álgebra linear. 8. ed. Rio de Janeiro: Impa, 2009.
LIPSCHUTZ, S. Álgebra linear. 4. ed. Traduzido por Dr. Carlos Ivo Doering. Porto Alegre:
Bookman, 2011. Tradução da 4. ed. norte-americana - All Tasks. (Coleção Schaum)
STEINBRUCH, A.; WINTERLE, P. Álgebra linear. 2. ed. São Paulo: Makron Books, 1987.
STRANG, G. Álgebra linear e suas aplicações. São Paulo: Cengage Learning, 2013. Tradução
da 4. ed. norte-americana - All Tasks.
55
GABARITO
GABARITO
Unidade I
1) x = 23 e y = 7
⎡ ⎤
⎢ 4 6 8 ⎥
2) At = ⎣ ⎦
−5 8 10
⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤
⎢ 1 3 ⎥ ⎢ 6 −10 ⎥ ⎢ −5 63 ⎥ ⎢ −6 −9 ⎥
3) a) ⎣ ⎦ b) ⎣ ⎦ c) ⎣ ⎦ d) ⎣ ⎦
1 8 5 0 47 11 −8 3
⎡ ⎤ ⎡ ⎤
⎢ 7 −22 −39 ⎥ ⎢ 17 60 79 ⎥
4) a) ⎣ ⎦ b) ⎣ ⎦
5 41 59 −1 230 353
⎡ ⎤
⎢ 7 0 ⎥
5) ⎣ ⎦
−2 5
⎡ ⎤
⎢ 2 −17 16 ⎥
6) a) ⎣ ⎦ b) não existe
4 −13 4
7) a) sim b) não é inversa
⎡ ⎤
⎡ ⎤ ⎡ ⎤ 0 −2 1
⎢ ⎥
⎢ −1 3/2 ⎥ ⎢ 1/3 1/3 ⎥ ⎢ ⎥
8) a) A−1 = ⎣ ⎦ b) B −1 = ⎣ ⎦ c) não existe d) D−1 ⎢
=⎢ 2 3 −2 ⎥
⎥
2 −5/2 −1/9 2/9 ⎣ ⎦
−1 −1 1
⎡ ⎤ ⎡ ⎤
⎢ −27/2 5 1/2 ⎥ ⎢ −11/30 −1/15 1/30 ⎥
⎢ ⎥ ⎢ ⎥
e) E −1 =⎢ ⎥
⎢ 23/2 −4 −1/2 ⎥ f ) F −1
= ⎢
⎢ 19/60 14/30 1/60 ⎥
⎥
⎣ ⎦ ⎣ ⎦
−17/2 3 1/2 −1/10 −1/5 1/10
9)
a) −22 e) a2 + ab + b2 i) −1099
b) −13 f ) 21 j) 0
c) 46 g) −11
d) −21 h) 100
10) 0 < x < 6

SISTEMA DE
II
UNIDADE
EQUAÇÕES LINEARES
■■ Definir o que é um sistema formado por equações lineares.
■■ Resolver sistema de equações lineares por escalonamento.
■■ Utilizar a Regra de Cramer para resolver/discutir sistemas quadrados.
■■ Reconhecer o posto e o grau de liberdade de um sistema linear
qualquer.
Plano de Estudo
■■ Sistemas de equações lineares
■■ Resolução de sistemas de equações lineares
■■ Regra de Cramer
■■ Posto e grau de liberdade
59
INTRODUÇÃO
INTRODUÇÃO
Muitos problemas em várias áreas da ciências exatas podem ser representadas por um con-
junto de equações lineares denominadas de sistema de equações lineares, essa teoria é introduzida
na educação básica, no cálculo algébrico, particularmente
⎧ no estudo de sistemas de duas equações e
⎪
⎨ ax + by = c
duas incógnitas, por exemplo, considere o sistema , em que o x e y são incógnitas,
⎪
⎩ dx + ey = f
a, b, c, d, e e f são seus coeficientes numéricos. Nesse perı́odo (8o ano do ensino fundamental) são
estudados duas técnicas para resolução desse tipo sistema, são elas: Método da Adição e Método
da Substituição.
Lembremos que resolver um sistema linear, nesse caso, é obter um par ordenado (x, y) que
satisfaça ambas as equações do sistema. Uma interpretação geométrica é que, como cada equação
linear representa uma reta no plano xy, logo, resolver um sistema é obter o conjunto interseção
dessas retas. Sabemos da geometria euclidiana que dadas duas retas num plano (cartesiano), essas
retas podem se encontrar num único ponto; ou serem coincidentes; ou serem paralelas, no caso em
que as retas se intersectam num único ponto, o conjunto solução (x, y) corresponde as coordenadas
desse ponto no plano, mas como exposto anteriormente, nem sempre isso acontece. O mesmo
raciocı́nio se estende em situações que envolve equações nas incógnitas x, y e z, no entanto, neste
caso, a interpretação geométrica está relacionada à posição relativa entre planos, uma vez que
equações do tipo ax + by + cz = d representa uma plano no espaço tridimensional xyz, ou seja, no
caso de sistemas com três equações e três incógnitas, resolver sistemas desse tipo, geometricamente,
é obter a interseção entre três planos, que no caso, pode ser: um ponto; uma reta; um plano; ou
até mesmo um conjunto vazio (planos paralelos por exemplo).
Nesta unidade, apresentaremos várias técnicas que nos permitem resolver, analisar ou ape-
nas discutir se um sistema linear dado admite ou não solução. A princı́pio, apresentamos a técnica
do escalonamento estudado no Ensino Médio, bem como a Regra de Cramer para sistemas “qua-
drados” (número de incógnitas igual ao número de equações) com auxı́lio dos determinantes e, para
finalizar, apresentamos o conceito de Posto e Grau de Liberdade, estes conceitos são de extrema
utilidade uma vez que nos permite resolver todo e qualquer tipo de sistema de equações lineares.
Introdução
60 UNIDADE II
SISTEMAS DE EQUAÇÕES LINEARES

TÓPICO 1: SISTEMAS DE EQUAÇÕES LINEARES
Definição: Equação Linear: Uma equação linear nas variáveis x1 , x2 , x3 , . . . , xn , isto é, em várias
variáveis, é uma equação da forma:
a1 x1 + a2 x2 + a3 x3 + . . . + an xn = b,
em que a1 , a2 , a3 , . . . , an−1 e an são constantes reais denominados coeficientes da equação linear e

b é o termo independente.
Exemplo 1: São equações lineares:
Explica ai:
• 2x1 − x3 + 8x4 − x5 = 3
Princípios de
Sistemas de
• x + y − 3z = −8 equações line-
ares
• a+b−c+d=0
Exemplo 2: São equações não lineares:
• 2x2 − 5x + 7 = 0
• −3xy + yz − y 3 = −3
√
• x − 3 + 2y = 1
2
• − 3w + 7y = 0
x
Dizemos que uma sequência ordenada de números reais (β1 , β2 , β3 , . . . , βn ) é solução da

equação a1 x1 + a2 x2 + a3 x3 + . . . + an xn = b quando a expressão a1 β1 + a2 β2 + a3 β3 + . . . + an βn = b
for verdadeira.

61
Exemplo 3: A 5-upla (0, −1, 2, −3, 1) é solução para da equação
2x1 − x2 + 4x3 − x4 − 3x5 = 9,
pois
2(0) − (−1) + 4(2) − (−3) − 3(1) = 0 + 1 + 8 + 3 − 3 = 9.
No entanto, podemos ter outras soluções para equação, por exemplo, a 5-upla (0, −1, 2, 0, 0)
é solução, pois 2(0) − (−1) + 4(2) − 0 − 3(0) = 0 + 1 + 8 − 0 − 0 = 9. Se continuarmos a investigação
para encontrar outras soluções para esta equação, vamos perceber que não terá fim. Isto é, uma
equação linear em várias variáveis admite infinitas soluções.
Definição: Sistemas de Equações Lineares: Um conjunto de m equações lineares nas variáveis

x1 , x2 , . . . , xn é dito sistema de equações lineares ou simplesmente sistema linear, de m equações e
n variáveis (incógnitas). Simbolicamente representada por:
⎧
⎪
⎪
⎪
⎪ a11 x1 + a12 x2 + . . . + a1n xn = b1
⎪
⎪
⎪
⎪
⎨ a x + a22 x2 + . . . + a2n xn = b2
21 1
⎪
⎪ .. .. .. .
⎪
⎪ . + . + ... + . = ..
⎪
⎪
⎪
⎪
⎩ am1 x1 + am2 x2 + . . . + amn xn = bm
Exemplo 4: São sistemas de equações lineares:

⎧
⎪
⎨ x + x = 20
1 2
•
⎪
⎩ 2x1 − x2 = 7
⎧
⎪
⎪
⎪
⎪ 2x − y + 5z = 0
⎨
• x − 4y + z = −1
⎪
⎪
⎪
⎪
⎩ −3x + y + 2z = −6
⎧
⎪
⎨ 2a − 3b + c + 5d = 1
•
⎪
⎩ a + b + c − d = −2
Sistemas de Equações Lineares

62 UNIDADE II
Resolver um sistema de equações lineares é determinar o conjunto formado por todas as

soluções, chamado conjunto-solução do sistema. Assim, uma solução do sistema é solução de cada
equação linear que o compõe. E, para resolvermos um sistema linear, devemos encontrar uma
n-upla ordenada de números reais que satisfazem simultaneamente todas as equações do sistema,
porém isso nem sempre é possı́vel. Com relação ao conjunto solução de um sistema, pode ocorrer
uma e somente uma, das três possibilidades abaixo:
• Sistema Possı́vel e Determinado (SPD) é aquele que possui uma única solução.
• Sistema Possı́vel e Indeterminado (SPI) é aquele que possui infinitas soluções.
• Sistema Impossı́vel (SI) é aquele que não admite solução, isto é nenhuma solução.
Exemplo 5: Nos sistemas a seguir, sem a utilização de regras para solução, vemos que:
⎧
⎪
⎨ x + y = 10
• O sistema possui uma única solução, a saber, o par (7, 3). Logo, classificamos
⎪
⎩ 2x − y = 11
esse sistema como SPD.
⎧
⎪
⎨ 2x − 3y = 1
• O sistema possui infinitas soluções. Os pares (−1, −1), (1/2, 0) (0, −1/3)
⎪
⎩ 4x − 6y = 2
são algumas de suas soluções. Assim, classificamos esse sistema como SPI.
⎧
⎪
⎨ 3x + 4y = 1
• O sistema não admite solução, logo, temos um sistema SI.
⎪
⎩ 6x + 8y = 11
Geometricamente, quando o sistema linear é formado por duas equações com duas variáveis
em x e y, isto é, no plano cartesiano, estamos lidando com retas e suas posições relativas. No
caso SPD, essas retas se interceptam em um único ponto, enquanto que no SPI as duas retas são
coincidentes e, finalmente, no caso SI, significa que essas retas são paralelas e não coincidentes, ou
seja, não têm ponto em comum.
Veremos a seguir um tipo de sistema linear de equações particulares que sempre terão
solução, isto é, podendo ser SPD ou SPI.

63
Sistemas Lineares Homogêneos
Dizemos que um sistema linear é homogêneo quando os termos independentes (b1 , b2 , . . . , bn )

são todos nulos, isto é, b1 = b2 = . . . = bn = 0.
Exemplo 6: A seguir, listamos alguns exemplos de sistemas lineares homogêneos:

⎧
⎪
⎨ 2x + x = 0
1 2
•
⎪
⎩
x1 − 5x2 = 0
⎧
⎪
⎪
⎪
⎪ x+y+z =0
⎨
• 2x − y + 3z = 0
⎪
⎪
⎪
⎪
⎩ x − 2y − 4z = 0
⎧
⎪
⎨ 3w − w + 7x = 0
1 2 3
•
⎪
⎩ w1 − 2w2 + 4w3 = 0
⎧
⎪
⎪
⎪
⎪ 2x + y = 0
⎨
• x−y =0
⎪
⎪
⎪
⎪
⎩ −x + 4y = 0
⎧
⎪
⎨ x+y+z−w =0
•
⎪
⎩ x−y−z+w =0
Note que um sistema linear homogêneo com n incógnitas sempre admite a solução (0, 0, 0, . . . ,
com n elementos, a qual é chamada de solução trivial. Por exemplo, no caso de sistemas homo-
gêneos nas variáveis x e y, as retas que representam suas equações sempre passam pela origem,
ou seja, pelo ponto (0, 0). Portanto, um sistema linear homogêneo poderá ter infinitas soluções ou
apenas a solução trivial.

64 UNIDADE II
Matrizes Associadas a Um Sistema Linear
Dado um sistema linear com m equações e n incógnitas

⎧
⎪
⎪
⎪
⎪ a11 x1 + a12 x2 + . . . + a1n xn = b1
⎪
⎪
⎪
⎪
⎨ a x + a22 x2 + . . . + a2n xn = b2
21 1
⎪
⎪ .. .. .. .
⎪
⎪ . + . + ... + . = ..
⎪
⎪
⎪
⎪
⎩ am1 x1 + am2 x2 + . . . + amn xn = bm
podemos destacar as seguintes matrizes
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
⎢ a11 a12 . . . a1n ⎥ ⎢ x1 ⎥ ⎢ b1 ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢ a21 a22 . . . a2n ⎥ ⎢ x2 ⎥ ⎢ b2 ⎥
A=⎢
⎢ .
⎥ X=⎢ ⎥ e B=⎢ ⎥,
⎢ .. .. .. ⎥ ⎢ .. ⎥ ⎢ .. ⎥
⎢ . ... . ⎥
⎥
⎢
⎢ . ⎥
⎥
⎢
⎢ . ⎥
⎥
⎣ ⎦ ⎣ ⎦ ⎣ ⎦
am1 am2 . . . amn xn bm
em que a matriz A é chamada matriz dos coeficientes, a matriz B é a matriz dos termos indepen-
dentes e a matriz X é a matriz das incógnitas.
Com a notação de matrizes, podemos escrever o sistema linear da seguinte forma:

⎡ ⎤ ⎡ ⎤ ⎡ ⎤
⎢ a11 a12 . . . a1n ⎥ ⎢ x1 ⎥ ⎢ b1 ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢ a21 a22 . . . a2n ⎥ ⎢ x2 ⎥ ⎢ b2 ⎥
⎢ ⎥·⎢ ⎥=⎢ ⎥.
⎢ . .. .. ⎥ ⎢ .. ⎥ ⎢ .. ⎥
⎢ .. . ... . ⎥ ⎢ . ⎥ ⎢ . ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎣ ⎦ ⎣ ⎦ ⎣ ⎦
am1 am2 . . . amn xn bm
E mais, podemos ainda representar um sistema linear por meio da matriz ampliada (ou aumentada),

65
a qual nos ajudará na resolução de sistemas lineares. Isto é:

⎡ ⎤
⎢ a11 a12 . . . a1n b1 ⎥
⎢ ⎥
⎢ ⎥
⎢ a21 a22 . . . a2n b2 ⎥
⎢ ⎥ (matriz ampliada).
⎢ . .. ... .. .. ⎥
⎢ .. . . . ⎥
⎢ ⎥
⎣ ⎦
am1 am2 . . . amn bm
Exemplo 7: Dado o sistema linear

⎧
⎪
⎪
⎪
⎪ x + 4y + 3z = 1
⎨
⎪ 2x + 5y + 4z = 4
⎪
⎪
⎪
⎩ x − 3y − 2z = 5
temos a forma matricial ⎡ ⎤ ⎡ ⎤

⎢ x + 4y + 3z ⎥ ⎢ 1 ⎥
⎢ ⎥ ⎢ ⎥
⎢ 2x + 5y + 4z ⎥=⎢ 4 ⎥
⎢ ⎥ ⎢ ⎥
⎣ ⎦ ⎣ ⎦
x − 3y − 2z 5
em forma de produto de matrizes

⎡ ⎤ ⎡ ⎤ ⎡ ⎤
⎢ 1 4 3 x
⎥ ⎢ ⎥ ⎢ 1 ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢ 2 5 4 ⎥·⎢ y ⎥=⎢ 4 ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎣ ⎦ ⎣ ⎦ ⎣ ⎦
1 −3 −2 z 5
e, em termos de matriz ampliada, temos:

⎡ ⎤
⎢ 1 4 3 1 ⎥
⎢ .. ⎥
⎢ 2 5 4 . 4 ⎥
⎢ ⎥.
⎣ ⎦
1 −3 −2 5
Assim, o sistema dado pode ser representado por essa matriz ampliada. Na realidade, todo
sistema linear de equações pode ser representado por uma matriz ampliada e, reciprocamente, cada
matriz ampliada pode ser representada por um um sistema linear de equações.

66 UNIDADE II
TÓPICO
O 2: RESOLU 2: RESOLU
ÇÃO DE ÇÃODE
SISTEMAS DEEQUA
SISTEMAS
ÇÕES DE EQUAÇÕES LINEARES
LINEARES
RESOLUÇÃO DE SISTEMAS DE EQUAÇÕES LINEARES
TÓPICO 2: RESOLUÇÃO DETÓPICO
SISTEMAS2: RESOLU ÇÃO
DE EQUA DE LINEARES
ÇÕES SISTEMAS DE EQUAÇÕES LIN
DE EQUAÇÕES LINEARES
ado um sistema linear DadoS, um sistema
podemos linearmodificações
realizar S, podemos realizar
nesse modificações
sistema utilizandonesse sistema
opera- utilizando as opera-
Dado um sistema linear S, podemosDado um
realizar sistema
modificações S, as
linearnesse podemos
sistema realizar
utilizandomodificações
as opera- nesse siste
mentares ções elementares
descritas anteriormente. descritas
Assim,anteriormente.
se um ções
sistema Assim,
linear Sse1 um sistemadelinear
for obtido S1 for obtido de um sistema
um sistema
modificações nesseelementares
ções sistema utilizando
descritasasanteriormente.
opera- elementares
Assim, se descritas
um sistema anteriormente. Assim, de
linear S1 for obtido se um
um sistema
sistema linear S1 fo
por sistema linear
meio delinear S
um númeropor meio
finito dede um número
operações finito de operações elementares, dizemos que S é equivalente a
sistemaelementares, pordizemos que
umSnúmero
1 é equivalente a operações elementares,
1
um linear SS1 por
for obtido
meio de deumum número linearde
finito S operações
meio de elementares, finito de
dizemos que S1 é equivalente a dizemos
S. Sistemas
possuemequivalentes possuemsolução.
o mesmoE conjunto solução. E que
serávamos
dessa maneira que vamos
smas equivalentes
elementares, S. dizemos
Sistemasque
oS mesmo conjunto
1 é equivalente
equivalentes possuema S.o mesmo
Sistemas será
conjunto
dessa
equivalentes maneira
possuem
solução. E seráo dessa
mesmomaneira
conjunto quesolução.
vamos E será des
o primeiro conhecerdeo resolução
método primeiro método
de de resolução
sistemas lineares. de sistemas lineares.
to solução. conhecer
E será dessa maneira
o primeiro que vamos
método conhecer
de resolução deosistemas
primeirolineares.
método de resolução de sistemas lineares.
ara resolução de umPara
s lineares. resolução
sistema linear,deprimeiramente
um sistema linear, primeiramente
escrevemos
Para o sistema
resolução
escrevemos
na forma
sistemade
de escrevemos
um
o ma-
sistema na forma de ma-
Para resolução de um sistema linear, primeiramente olinear,
sistemaprimeiramente
na forma de ma- escrevemos o si
liada e depois triz ampliada
utilizamos e depois
o processo utilizamos o processo
de escalonamento. de escalonamento.
Mas o eque vemutilizamos Mas o que
a ser esse processo? vem a ser esse processo?
amente escrevemos o sistema
triz ampliada na forma
e depois de ma-o triz
utilizamos ampliada
processo depois
de escalonamento. Mas oo que
processo
vem adeserescalonamento.
esse processo?Mas o que v
ara algumas Vamos para
definições algumas
que definições
respondam essa que respondam
pergunta. essa pergunta.
onamento. Mas Vamos o que vem
para a ser esse
algumas processo?
definições queVamos para algumas
respondam definições que respondam essa pergunta.
essa pergunta.
pergunta.
Definição: (Forma
ão: (Forma Escalonada) Escalonada)
Diz-se que Diz-se
uma matriz está que
(na uma matriz
forma) está (na
escalonada forma)trian-
(matriz escalonada (matriz trian-
Definição:
Definição: (Forma Escalonada) Diz-se que uma(Forma
matrizEscalonada) Diz-se
está (na forma) que uma matriz
escalonada (matrizestá (na forma) es
trian-
perior) gular superior) se:
se:(na forma) escalonada (matriz triangular superior) se:
atriz está gular superior) se:
mento que ocupa I) O aelemento
primeiraque ocupa
linha a primeira
e primeira linha
coluna nãoe for
primeira
nulo, coluna
isto é, aanão
11 �=for
0. nulo, isto é, a11 �= 0.
I) O elemento que ocupa a primeira I) linha
O elemento que coluna
e primeira ocupa primeira
não for nulo,linha
istoe é,
primeira
a11 �= 0.coluna não for nulo, i
mero de II)
zeros noOinı́cio
número
de de zeros
cada linhanoaumenta
inı́cio deestritamente
cada linha aumenta
de uma estritamente
linha para de uma
outra linha para outra exceto
exceto
a coluna nãoII) forOnulo, isto de
número a11 �= no
é, zeros II) Olinha
0. inı́cio de cada número de zeros
aumenta no inı́cio dedecada
estritamente umalinha
linhaaumenta
para outraestritamente
exceto de uma
se a linha é toda nula.
aa éestritamente
toda nula.
se adelinha
uma élinha nula.outra exceto se a linha é toda nula.
todapara
III) As linhas
inhas nulas, caso existam, forem asnulas, caso existam,
últimas forem as últimas da matriz.
da matriz.
III) As linhas nulas, caso existam, III) foremAsaslinhas nulas,
últimas da caso
matriz.existam, forem as últimas da matriz.
da matriz.
ara escrevermos uma Para escrevermos
matriz na formauma matriz na
escalonada, forma
basta escalonada,
utilizarmos basta utilizarmos
as operações elemen- as operações elemen-
Para escrevermos uma matriz na forma Para escrevermos
escalonada, uma matriz
basta na forma
utilizarmos escalonada,
as operações basta utilizarmo
elemen-
tares.
onada, bastatares.utilizarmos as operações elementares.
o 8: A matriz Exemplo
a seguir 8: A matriz
é um exemplo a seguir é umescalonada.
de matriz exemplo de matriz escalonada.
Exemplo 8: A matriz a seguir é um Exemplo
exemplo8:deAmatriz
matrizescalonada.
a seguir é um exemplo de matriz escalonada.
⎡ ⎡ ⎤ ⎤
atriz escalonada. ⎡ 4 −7 0 ⎤ ⎡ ⎤
4 −7 0 8 ⎢3 ⎥ 8 3 ⎥
⎤ ⎢ ⎢ 4⎥ −7 0 8 3 ⎥ ⎥ ⎢ 4 −7 0 8 3 ⎥
⎢ ⎢⎢ 0⎥ 3 ⎥ ⎢ ⎥
⎢ 0 3 0 −2 −1 ⎢⎢ ⎥ 0 −2 −1 ⎥ ⎥ ⎢ 0 3 ⎥
8 3 ⎥ ⎢ ⎢⎣ ⎥⎦ ⎢ 0 −2 −1 ⎥
⎥ ⎣ ⎢ 0⎦ 3 0 −2 −1 ⎥
⎣ ⎦
−2 −1 ⎥ ⎥ 0 0 −2 7
⎣
2 0 0 −2 7 2 ⎦ Explica
0 0 −2 7
ai: 2
⎦ 0 0 −2 7 2
Escalonamento
7 2
bserve que abaixo do Observe
termo que
4 sóabaixo do termo
há termos nulos4e,sódahámesma
termosforma,
nulos abaixo
e, da mesma forma, abaixo do número
do número
Observe que abaixo do termo 4 só Observe quenulos
há termos abaixo do mesma
e, da termo 4forma,
só há abaixo
termos do
nulos e, da mesma for
número
mnulos
só tem 3 também
ummesma só tem um zero.
zero. forma, abaixo do número 3 também só tem um zero.
e, da 3 também só tem um zero.

67
Exemplo 9: Matriz não escalonada:

⎡ ⎤
⎢ 4 −7 0 −14 4 ⎥
⎢ ⎥
⎢ 3 0 4 0 −1 ⎥ .
⎢ ⎥
⎣ ⎦
0 0 0 −13 6
Observemos o sistema a seguir: ⎧

⎪
⎪
⎪
⎪ 2x + y − z = 3
⎨
⎪ 3y + z = −1 (∗).
⎪
⎪
⎪
⎩ 2z = 4
Em termos de matriz ampliada, temos

⎡ ⎤
⎢ 2 1 −1 3 ⎥
⎢ ⎥
⎢ 0 3 1 ... −1 ⎥ .
⎢ ⎥
⎣ ⎦
0 0 2 4
Podemos observar que essa matriz está na forma escalonada. E, para resolver o sistema,
basta encontrarmos o valor de z na última equação, isto é, como 2z = 4, logo, z = 2, substituindo
este valor na segunda equação, obtemos que 3y + 2 = −1, ou seja, y = −1. Assim, encontrados os
valores de x e de y, substituı́mos esses valores no resultado da primeira equação (2x − 1 − 2 = 3)
e, isolando nossa incógnita, concluı́mos que x = 3. Portanto, o conjunto solução do sistema (∗) é
o terno ordenado (3, −1, 2).
É importante ressaltar que, para resolver o sistema, podemos escalonar diretamente no sis-
tema de equações, ou seja, sem ter que montar a matriz ampliada, pois essa matriz é apenas uma
tabela formada pelos seus coeficientes.
⎧
⎪
⎪
⎪
⎪ x + 2y − 3z = 2
⎨
Exemplo 10: Resolveremos o sistema linear −x + 5y − z = 1 .
⎪
⎪
⎪
⎪
⎩ 2x + 3y − 5z = 0
Resolução de Sistemas de Equações Lineares

68 UNIDADE II
Solução: Escrevendo esse sistema linear em termos de matriz ampliada, obtemos:

⎡ ⎤
⎢ 1 2 −3 2 ⎥
⎢ ⎥
⎢ −1 5 −1 ... 1 ⎥ .
⎢ ⎥
⎣ ⎦
2 3 −5 0
Acompanhe a sequência de operações elementares que aplicaremos para escalonar a matriz

ampliada. ⎡ ⎤ ⎡ ⎤
⎢ 1 2 −3 2 ⎥ ⎢ 1 2 −3 2 ⎥
⎢ ⎥ L → L2 + L1 ⎢ ⎥
⎢ −1 5 −1 ... 1 ⎥ 2 ⎢ .
⇒ ⎢ 0 7 −4 .. 3 ⎥
⎢ ⎥ ⎥
⎣ ⎦ L3 → L3 − 2L1 ⎣ ⎦
2 3 −5 0 0 −1 1 −4
⎡ ⎤ ⎡ ⎤
⎢ 1 2 −3 2 ⎥ ⎢ 1 2 −3 2 ⎥
⎢ . ⎥ ⎢ . ⎥
⎢
⇒ ⎢ 0 7 −4 .. 3 ⎥ L → 7L + L ⎢
⇒ ⎢ 0 7 −4 .. 3 ⎥.
⎥ 3 3 2 ⎥
⎣ ⎦ ⎣ ⎦
0 −1 1 −4 0 0 3 −25
Com isso, obtemos o sistema linear

⎧
⎪
⎪
⎪
⎪ x + 2y − 3z = 2 (I)
⎨
⎪ 7y − 4z = 3 (II) .
⎪
⎪
⎪
⎩ 3z = −25 (III)
25
Em (III) obtemos z = − , substituindo esse valor para z em (II), temos:
3
� �
25 100 91 91 13
7y − 4 − =3 ⇒ 7y + =3 ⇒ 7y = − ⇒ y=− =− .
3 3 3 21 3
Agora, com os valores de y e z definidos, substituı́mos esses valores em (I):

� � � �
13 25 26 75 49 43
x+2 − −3 − =2 ⇒ x− + =2 ⇒ x+ =2 ⇒ x=− .
3 3 3 3 3 3
� �
43 13 25
Portanto, o sistema em questão é SPD cuja solução é o terno − ,− ,− .
3 3 3

69
⎧
⎪
⎪
⎪
⎪ x + 2y − 3z = −1
⎨
Exemplo 11: Agora, resolveremos o sistema linear −3x + y − 2z = −7 .
⎪
⎪
⎪
⎪
⎩ 5x + 3y − 4z = 2
Solução: Em termos de matriz ampliada, temos:

⎡ ⎤
⎢ 1 2 −3 −1 ⎥
⎢ ⎥
⎢ −3 1 −2 ... −7 ⎥ .
⎢ ⎥
⎣ ⎦
5 3 −4 2
Escalonando:
⎡ ⎤ ⎡ ⎤
⎢ 1 2 −3 −1 ⎥ ⎢ 1 2 −3 −1 ⎥
⎢ ⎥ L → L2 + 3L1 ⎢ ⎥
⎢ −3 1 −2 ... −7 ⎥ 2 ⇒ ⎢ 0 7 −11 ... −10 ⎥
⎢ ⎥ ⎢ ⎥
⎣ ⎦ L3 → L3 − 5L1 ⎣ ⎦
5 3 −4 2 0 −7 11 7
⎡ ⎤ ⎡ ⎤
⎢ 1 2 −3 −1 ⎥ ⎢ 1 2 −3 −1 ⎥
⎢ . ⎥ ⎢ . ⎥
⇒ ⎢ 0 7 −11 .. −10 ⎥ L3 → L3 + L2 ⇒ ⎢ 0 7 −11 .. −10 ⎥
⎢ ⎥ ⎢
⎥.
⎣ ⎦ ⎣ ⎦
0 −7 11 7 0 0 0 −3
Assim, teremos o sistema linear a seguir, equivalente ao sistema em questão:

⎧
⎪
⎪
⎪
⎪ x + 2y − 3z = −1
⎨
⎪ 7y − 11z = −10 .
⎪
⎪
⎪
⎩ 0 = −3
Observe que chegamos ao resultado 0 = −3, o que é um absurdo. Portanto, trata-se de um sistema
impossı́vel (SI) cuja solução é um conjunto vazio, isto é, S = ∅.
No caso de equações lineares nas variáveis x, y e z, a representação geométrica de cada

equação corresponde a um plano no espaço, e o conjunto solução é a interseção entre esses planos.
Assim, quando temos SPD, a interseção desses planos é um único ponto (única solução), enquanto
que no SPI a interseção pode ser uma reta ou um plano (infinitas soluções) e, para finalizar, no
caso SI, esses planos não têm ponto em comum.
Resolução de Sistemas de Equações Lineares

70 UNIDADE II
⎧
⎪
⎪
⎪
⎪ x + 2y − 3z = 1
⎨
Exemplo 12: Resolveremos o sistema 2x + 5y − 8z = 4 .
⎪
⎪
⎪
⎪
⎩ 3x + 8y − 13z = 7
Solução: em termos de matriz ampliada, temos:

⎡ ⎤
⎢ 1 2 −3 1 ⎥
⎢ ⎥
⎢ 2 5 −8 ... 4 ⎥ ,
⎢ ⎥
⎣ ⎦
3 8 −13 7
escalonando, temos:
⎡ ⎤ ⎡ ⎤
⎢ 1 2 −3 1 ⎥ ⎢ 1 2 −3 1 ⎥
⎢ ⎥ L → L2 − 2L1 ⎢ ⎥
⎢ 2 5 −8 ... 4 ⎥ 2 ⇒ ⎢ 0 1 −2 ... 2 ⎥ ,
⎢ ⎥ ⎢ ⎥
⎣ ⎦ L3 → L3 − 3L1 ⎣ ⎦
3 8 −13 7 0 2 −4 4
segue que ⎡ ⎤ ⎡ ⎤
⎢ 1 2 −3 1 ⎥ ⎢ 1 2 −3 1 ⎥
⎢ .. ⎥ ⎢ .. ⎥
⇒⎢ ⎥
⎢ 0 1 −2 . 2 ⎥ L3 → L3 − 2L2 ⇒ ⎢ ⎥
⎢ 0 1 −2 . 2 ⎥ ,
⎣ ⎦ ⎣ ⎦
0 2 −4 4 0 0 0 0
isto é, ⎧
⎪
⎨ x + 2y − 3z = 1
.
⎪
⎩ y − 2z = 2
Neste exemplo, temos infinitas soluções (SPI). Assim, tomando z = t, obtemos y = 2 + 2t

e x = −3 − t. Ainda podemos escrever a solução geral deste sistema como sendo o conjunto
{(−3 − t, 2 + 2t, t); t ∈ R}; essas três expressões que aparecem em cada coordenada correspondem
às equações paramétricas de uma reta com parâmetro t, ou seja, a interseção entre esses dois planos
determinada pelas duas equações resulta numa reta.

71
TÓPICO 3: REGRA DE CRAMER

REGRA DE CRAMER
Apresentaremos uma técnica para resolução de sistemas cuja matriz dos coeficientes é qua-
drada, isto é, o número de linhas é igual ao número de colunas. Ou seja, essa técnica é válida para
resolver sistemas lineares quando o número de equações é o mesmo que o número de incógnitas.
Considere o sistema ⎧
⎪
⎨ a x+a y =b
11 12 1
.
⎪
⎩ a21 x + a22 y = b2
Podemos representá-lo por ⎡ ⎤ ⎡ ⎤

⎢ a11 x + a12 y ⎥ ⎢ b1 ⎥
⎣ ⎦=⎣ ⎦,
a21 x + a22 y b2
ou, ainda, ⎡ ⎤ ⎡ ⎤ ⎡ ⎤
⎢ a11 a12 ⎥ ⎢ x ⎥ ⎢ b1 ⎥
⎣ ⎦.⎣ ⎦ = ⎣ ⎦.
a21 a22 y b2
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
⎢ a11 a12 ⎥ ⎢ x ⎥ ⎢ b1 ⎥
Assim, se A = ⎣ ⎦, X = ⎣ ⎦ e B = ⎣ ⎦ , temos
a21 a22 y b2
AX = B.
Suponhamos que A tenha inversa, isto é, que detA = 0, segue que
A−1 .AX = A−1 .B
(A−1 .A)X = A−1 B
I2 .X = A−1 B
X = A−1 B
⎡ ⎤ ⎡ ⎤−1 ⎡ ⎤
⎢ x ⎥ ⎢ a11 a12 ⎥ ⎢ b1 ⎥
⎣ ⎦=⎣ ⎦ .⎣ ⎦
y a21 a22 b2
Regra de Cramer
72 UNIDADE II
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
⎢ x ⎥ 1 ⎢ Δ11 Δ21 ⎥ ⎢ b1 ⎥
⎣ ⎦= ⎣ ⎦.⎣ ⎦
detA
y Δ12 Δ22 b2
⎡ ⎤
⎡ b1 Δ11 + b2 Δ21
⎤
⎢ detA ⎥
⎢ ⎥
⎢ x ⎥ ⎢ ⎥
⎣ ⎦=⎢ ⎥
⎢ ⎥
y ⎣ b1 Δ12 + b2 Δ22 ⎦
detA
⎡ ⎡ ⎤ ⎤
⎢ ⎢ b1 a12 ⎥ ⎥
⎢ det ⎣ ⎦ ⎥
⎢ ⎥
⎢ b2 a22 ⎥
⎡ ⎤ ⎢ ⎥
⎢ detA ⎥
⎢ ⎥
⎢ x ⎥ ⎢ ⎥
⎣ ⎦=⎢ ⎥.
⎢ ⎡ ⎤ ⎥
y ⎢ ⎥
⎢ a11 b1 ⎥ ⎥
⎢ ⎢ ⎥
⎢ det ⎣ ⎦ ⎥
⎢ ⎥
⎣ a21 b2 ⎦
detA
Desta última igualdade concluı́mos que o conjunto solução do sistema é dado por
⎡ ⎤ ⎡ ⎤
⎢ b1 a12 ⎥ ⎢ a11 b1 ⎥
det ⎣ ⎦ det ⎣ ⎦
b2 a22 a21 b2
x= ⎡ ⎤ ey= ⎡ ⎤.
⎢ a11 a12 ⎥ ⎢ a11 a12 ⎥
det ⎣ ⎦ det ⎣ ⎦
a21 a22 a21 a22
Ou seja,
detAx detAy
x= ey= .
detA detA
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
⎢ a11 a12 ⎥ ⎢ b1 a12 ⎥ ⎢ a11 b1 ⎥
em que A = ⎣ ⎦, Ax = ⎣ ⎦ e Ay = ⎣ ⎦.
a21 a22 b2 a22 a21 b2

73
⎧
⎪
⎨ 3x + y = 5
Exemplo 13: Resolva o sistema pela Regra de Cramer.
⎪
⎩ x − 2y = −3
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
⎢ 3 1 ⎥ ⎢ 5 1 ⎥ ⎢ 3 5 ⎥
Sejam A = ⎣ ⎦, Ax = ⎣ ⎦ e Ay = ⎣ ⎦,
1 −2 −3 −2 1 −3
detAx −7 detAy −14

logo, detA = −7, detAx = −7 e detAy = −14. Assim, x = = =1ey = = =2

detA −7 detA −7
Portanto, o conjunto solução é o par ordenado (1, 2).
Esse exemplo serviu apenas de ilustração, pois, na prática, essa Regra é mais utilizada em
matrizes de ordem 3 ou superior.
De modo análogo ao visto anteriormente, podemos deduzir a Regra de Cramer para um

sistema com 3 equações e 3 incógnitas. Assim, considere o sistema
⎧
⎪
⎪
⎪
⎪ a11 x + a12 y + a13 z = b1
⎨
⎪ a21 x + a22 y + a23 z = b2 ,
⎪
⎪
⎪
⎩ a x+a y+a z =b
31 32 33 3
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
⎢ a11 a12 a13 ⎥ ⎢ b1 a12 a13 ⎥ ⎢ a11 b1 a13 ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎥
se denotarmos por A = ⎢ a21 a22 a23 ⎥, Ax = ⎢ b2 a22 a23 ⎥, Ay = ⎢
⎢ ⎢ ⎥
⎢ a21 b2 a23 ⎥
⎥ e
⎣ ⎦ ⎣ ⎦ ⎣ ⎦
a31 a32 a33 b3 a32 a33 a31 b3 a33
⎡ ⎤
⎢ a11 a12 b1 ⎥
⎢ ⎥
Az = ⎢ ⎥
⎢ a21 a22 b2 ⎥. Supondo que a matriz A possua inversa, isto é, que detA �= 0, então, seu
⎣ ⎦
a31 a32 b3
conjunto solução é dado por
detAx detAy detAz

x= , y= ez= .
detA detA detA
Regra de Cramer
74 UNIDADE II
⎧
⎪
⎪
⎪
⎪ x+y+z =6
⎨
Exemplo 14: Resolva o sistema 2x + y + z = 7 .
⎪
⎪
⎪
⎪
⎩ 3x + 2y = 7
⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤
⎢ 1 1 1 ⎥ ⎢ 6 1 1 ⎥ ⎢ 1 6 1 ⎥ ⎢ 1 1 6 ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
Temos que A = ⎢
⎢
⎥ , A = ⎢ ⎥
2 1 1 ⎥ x ⎢ 7 1 1 ⎥ y ⎢ 2 7 1 ⎥, A = ⎢ ⎥ e A z = ⎢ ⎥
⎢ 2 1 7 ⎥.
⎣ ⎦ ⎣ ⎦ ⎣ ⎦ ⎣ ⎦
3 2 0 7 2 0 3 7 0 3 2 7
Utilizando a Regra Sarrus ou o desenvolvimento de Laplace, podemos obter os determinantes
de cada uma dessas matrizes, a saber, detA = 2, detAx = 2, detAy = 4 e detAz = 6. Logo, pela
Regra de Cramer obtemos que
detAx 2 detAy 4 detAz 6

x= = = 1, y = = =2ez= = = 3.
detA 2 detA 2 detA 2
Portanto, a solução do sistema é o terno (1, 2, 3).
Agora, generalizaremos a Regra de Cramer. Assim, dado um sistema linear com n-equações
e n-incógnitas ⎧
⎪
⎪
⎪
⎪ a11 x1 + ... + a1n xn = b1
⎨
.. ... ,
⎪ .
⎪
⎪
⎪
⎩ a x + ... + a x = b
n1 1 nn n n
⎡ ⎤
⎢ a11 . . . a1n ⎥
⎢ .. . . . ⎥ = 0, então, o conjunto solução é obtido calculando as seguintes
supondo que det ⎢
⎢ . . .. ⎥⎥
⎣ ⎦
an1 . . . ann
razões ⎡ ⎤ ⎡ ⎤
⎢
⎢ b1 a12 . . . a1n ⎥
⎥
⎢
⎢ a11 b1 . . . a1n ⎥
⎥
⎢ ⎥ ⎢ ⎥
⎢ ⎥ ⎢ ⎥
⎢
det⎢ ... .. ... ⎥
⎥
⎢
det⎢ ... .. ... ⎥
⎥
⎢ . ⎥ ⎢ . ⎥
⎢ ⎥ ⎢ ⎥
⎢ ⎥ ⎢ ⎥
⎣ ⎦ ⎣ ⎦
bn an2 . . . ann an1 bn . . . ann
x1 = ⎡ ⎤, x2 = ⎡ ⎤, assim sucessivamente, ou seja,
⎢
⎢ a11 a12 . . . a1n ⎥
⎥
⎢
⎢ a11 a12 . . . a1n ⎥
⎥
⎢ ⎥ ⎢ ⎥
⎢ ⎥ ⎢ ⎥
⎢
det⎢
.. .. .. ⎥
⎥
⎢
det⎢
.. .. .. ⎥
⎥
⎢ . . . ⎥ ⎢ . . . ⎥
⎢ ⎥ ⎢ ⎥
⎢ ⎥ ⎢ ⎥
⎣ ⎦ ⎣ ⎦
an1 an2 . . . ann an1 an2 . . . ann

75
generalizando, concluı́mos que

generalizando, concluı́mos que
generalizando, concluı́mos que⎡ ⎤
⎡a ⎤
⎢ a11 .. .. .. bb1 .. .. .. aa1n⎤⎥
⎡
⎢⎢ a .11 . . . b 1 . . . a 1n ⎥⎥
⎢⎢ 11
det ⎢ ... 1 1n.. ⎥⎥ ⎥
⎢
⎢⎢ . .
.. ⎥⎥⎥
det⎢
⎣ . . . . ⎥⎦
det ⎢⎢
⎣ .. .. ⎥ ⎥⎦
⎣ an1 . . . bn . . . ann⎦
xi = ⎡aan1n1 . .. .. . bbnn . .. .. . aannnn⎤ com i = 1, 2, . . . , n.
x = ⎡ ⎤ com i = 1, 2, . . . , n.
xi i= ⎡ a11 a12 . . . a1n⎤ com i = 1, 2, . . . , n.
⎢⎢ a11 a12 . . . a1n ⎥⎥
⎢⎢ a11 ⎥⎥
det ⎢⎢ .... a12... . . . a1n.... ⎥
⎢ ⎥
det⎢
⎢
det ⎢
⎣⎢ .. . . .
. . .
. . ⎥⎥
. ⎥
⎥⎥
⎢⎣ . . . ⎥⎦⎦
⎣ a a . . . a ⎦
an1 an2 . . . a nn
an1n1 an2n2 . . . annnn
Se
AAA
SeSe ééaéamatriz
a matrizdos
dos coeficientesdo
dosistema
sistema de equações lineares e eAA
i a amatriz cuja i-ésima coluna
matriz dos coeficientes
coeficientes do sistema equaçõeslineares
de equações lineares
eA matriz
ai matriz
i
cuja
cuja i-ésima
i-ésima coluna
coluna
é formadapelos
é éformada pelos termosindependentes,
independentes, com
com ii = 1, 2, . . . , ,n, temos os seguintes resultados:
formada pelos termos
termos independentes, com i ==1,1,2,2,. ....,.n,n,temos
temos
os os seguintes
seguintes resultados:
resultados:
• Se
• •Se detA �= 0,então,
então, temosum
um SPD.
SPD.
detA�=�=0,
SedetA 0, então, temos
temos um SPD.
• Se detA = 0 e detA1 = detA2 = · · · = detAn = 0, então temos um SPI, mas esse resul-
• •Se
SedetA
detA == 00 ee detA
detA11 = detA = ····· · ==detA
detA22 = detAn n==0,0,então
entãotemos
temos
umum SPI,
SPI, masmas
esseesse resul-
resul-
tado só será válido se não houver equações cujos coeficientes das incógnitas respectivamente
tado
tadosósóserá
será válido
válido se
se não houver
houver equações
equaçõescujos
cujoscoeficientes
coeficientesdas
das incógnitas
incógnitas respectivamente
respectivamente
proporcionais e termos independentes não proporcionais.
proporcionais
proporcionais ee termos
termos independentes nãoproporcionais.
independentes não proporcionais.
• Se detA = 0 e detAk �= 0 para algum k entre 1 e n, então, temos um SI.
• •SeSedetA
detA==00 ee detA
detAkk �= 0 para
para algum
algumkkentre
entre11e en,n,então,
então,temos umum
temos SI.SI.
Fonte: o autor.
Fonte:ooautor.
Fonte: autor.
Apesar de a Regra de Cramer ter sua eficácia, esta técnica não é a mais indicada para resolver
Apesar de a Regra de Cramer ter sua eficácia, esta técnica não é a mais indicada para resolver
Apesar de a Regra
um sistema de Cramer
de equações ter sua
lineares. eficácia,
Reflita sobre esta técnica não
as limitações é a mais
referentes indicada
a essa para resolver
técnica.
um sistema de equações lineares. Reflita sobre as limitações referentes a essa técnica.
um sistema de equações lineares. Reflita sobre as limitações referentes a essa técnica.
Regra de Cramer
76 UNIDADE II
TÓPICO 4: POSTO E GRAU DE LIBERDADE

POSTO E GRAU DE LIBERDADE
Apresentamos, agora, uma técnica que permite resolver (ou discutir) sistemas de equações
lineares que não sejam necessariamente aqueles cujo número de equações coincida com o número
de incógnitas, como visto anteriormente. Para tanto, precisaremos definir alguns conceitos.
Forma Escada
Definição: Uma matriz de ordem m × n é linha reduzida à forma escada se:

I) o 1o elemento não nulo de uma linha não nula é 1, chamado de pivô.
II) cada coluna que contém o 1o elemento não nulo de alguma linha tem todos os seus outros iguais
a zero, isto é, acima e abaixo de cada pivô, só temos valores iguais a zero.
III) toda linha nula ocorre abaixo de todas as linhas não nulas.
IV) se as linhas 1, . . . , r são as linhas não nulas, e se o primeiro elemento não nulo da linha i ocorre
na coluna ki então k1 < k2 < · · · < kr , isto é, forma uma “escada”.
Exemplo 15:
⎡ ⎤
⎢ 1 0 7 0 ⎥
⎢ ⎥
⎢ ⎥
⎢ 0 1 0 0 ⎥
a) ⎢
⎢
⎥ não está na forma escada, pois acima do número 1 da terceira linha não poderia
⎥
⎢ 0 0 1 0 ⎥
⎢ ⎥
⎣ ⎦
0 0 0 0
estar o 7, pois não satisfaz o item (II). Mas para transformá-la basta multiplicar a terceira linha
por −7 e somar o resultado com a primeira, isto é, L1 → L1 − 7L3 .
⎡ ⎤
⎢ 1 0 0 ⎥
⎢ ⎥
b) ⎢ ⎥
⎢ 0 0 1 ⎥ não está na forma escada, pois o primeiro elemento não nulo da segunda coluna
⎣ ⎦
0 1 0

77
ocorre na terceira linha, enquanto que o primeiro elemento não nulo da terceira coluna ocorre na se-
gunda linha, isto é, k2 = 3 e k3 = 2, ou seja, k3 < k2 , logo, o item (IV) não é verificado. Assim, para
deixá-la na forma escada, basta trocar as posições entre a segunda e terceira linha, isto é, L2 ↔ L3 .
⎡ ⎤
⎢ 0 1 0 ⎥
⎢ ⎥
⎢
c) ⎢ 0 0 0 ⎥ ⎥ não está na forma escada, pois temos uma linha não nula abaixo de uma linha nula,
⎣ ⎦
0 0 1
não satisfazendo o item (III). Assim, para transformá-la numa matriz reduzida à forma escada,
basta permutar as duas últimas linhas, ou seja, L2 ↔ L3 .
⎡ ⎤
⎢ 1 0 0 0 ⎥
d) ⎣ ⎦ não está na forma escada, mas basta dividir a segunda linha por 3 que se torna
0 0 3 6
1
reduzida à forma escada, isto é, L2 → L2 .
3
⎡ ⎤
⎢ 0 1 2 0 1 ⎥
⎢ ⎥
e) ⎢
⎢ 0 0 0 1 5 ⎥
⎥ está na forma escada.
⎣ ⎦
0 0 0 0 0
⎡ ⎤
⎢ 1 0 5 0 0 1 1 0 ⎥
⎢ ⎥
⎢ ⎥
⎢ 0 1 0 3 0 4 0 0 ⎥
⎢ ⎥
⎢ ⎥
f) ⎢ 0 0 0 0 1 −1 3 0 ⎥ está na forma escada.
⎢ ⎥
⎢ ⎥
⎢ 0 0 0 0 0 0 0 1 ⎥
⎢ ⎥
⎣ ⎦
0 0 0 0 0 0 0 0
Neste último exemplo, os termos a11 , a22 , a35 e a48 são os pivô. Note que todos os termos
nas colunas dos pivôs (acima e abaixo) são iguais a zero. Assim, se “riscarmos” cada linha a partir
do pivô (da esquerda para direita) formaremos uma escada cujos termos abaixo da escada são
todos iguais a zero.
Posto e Grau de Liberdade

78 UNIDADE II
Definição: Dada uma matriz Am×n , seja Bm×n a matriz linha reduzida à forma escada equivalente
a Am×n :
I) o posto da matriz A, denotado por p, é o número de linhas não nulas da matriz B.
II) a nulidade de A é o número n − p.
⎡ ⎤
⎢ 1 1 1 6 ⎥
⎢ ⎥
Exemplo 16: Dada a matriz A = ⎢ ⎢ 2 1 1 7
⎥ , obtenha o posto e a nulidade dessa matriz.
⎥
⎣ ⎦
3 2 0 7
Utilizaremos as operações elementares para obter uma matriz na forma escada, isto é,
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
⎢ 1 1 1 6 ⎥ ⎢ 1 1 1 6 ⎥ ⎢ 1 1 1 6 ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢ 2 1 1 7 ⎥ → ⎢ 0 −1 −1 −5 ⎥→⎢ 0 1 1 5 ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎣ ⎦ ⎣ ⎦ ⎣ ⎦
3 2 0 7 0 −1 −3 −11 0 1 3 11
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
⎢ 1 0 0 1 ⎥ ⎢ 1 0 0 1 ⎥ ⎢ 1 0 0 1 ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
→⎢ ⎥ ⎢ ⎥ ⎢
⎢ 0 1 1 5 ⎥→⎢ 0 1 1 5 ⎥→⎢ 0 1 0 2
⎥.
⎥
⎣ ⎦ ⎣ ⎦ ⎣ ⎦
0 0 2 6 0 0 1 3 0 0 1 3
Nesse exemplo, o posto da matriz é p = 3 e a nulidade é n − p = 4 − 3 = 1. Na sequência,

daremos sentido para o cálculo do posto da matriz.
Teorema: Considere um sistema S com m equações e n incógnitas, sejam pA o posto da matriz

ampliada e pC o posto da matriz dos coeficientes:
I) O sistema S admite solução se, e somente se, pA = pC , isto é, o número de linhas não nulas da
matriz ampliada é o mesmo que o número de linhas não nulas da matriz dos coeficientes.
II) Se pA = pC = p e n = p, isto é, o número de linhas não nulas coincide com o número de
incógnitas, então, o sistema possui única solução (SPD).
III) Se pA = pC = p e p < n, isto é, o número de linhas não nulas é menor que número de incógnitas,
então, o sistema possui infinitas soluções (SPI). Neste caso, a diferença n − p é chamada de grau
de liberdade e significa que o conjunto solução pode ser expresso em função de n − p variáveis.
OBS: contrapondo o item (I), se pA �= pC , então, o sistema não tem solução (SI).

79
Esse teorema dá-nos indı́cios de que, num sistema em que o número de equações é o mesmo
que o número de incógnitas, a chance de esse sistema ter uma única solução é grande. Agora,
quando o número de incógnitas é maior que o número de equações, provavelmente, esse sistema
terá infinitas soluções. Por outro lado, quando o número de equações supera o de incógnitas, a
probabilidade de esse sistema não ter solução aumenta. Mas são apenas indı́cios, o correto é fazer
os cálculos, como veremos nos exemplos a seguir.
Exemplo 17: Discuta e resolva, quando possı́vel, os seguintes sistemas de equações lineares:
⎧
⎧ ⎪
⎪
⎪
⎪ x+y+z =6
⎪
⎪ ⎧ ⎪
⎪
⎪
⎪ x + y + z = 6 ⎪ � ⎪
⎪
⎨ ⎨ x+y+z =6 ⎨ 2x + y + z = 7
a) 2x + y + z = 7 b) c) x + y + z = 6 d)
⎪
⎪ ⎪
⎩ 2x + y + z = 7 ⎪
⎪
⎪
⎪ ⎪
⎪ 3x + 2y = 7
⎩ 3x + 2y = 7 ⎪
⎪
⎪
⎪
⎩ x+y−z =6
a) A matriz ampliada é formada pela matriz dos coeficientes, acrescida de uma coluna formada
pelos termos independentes:
⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤
⎢ 1 1 1 6 ⎥ ⎢ 1 1 1 6 ⎥ ⎢ 1 1 1 6 ⎥ ⎢ 1 1 1 6 ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢ 2 1 1 ... 7 ⎥ → ⎢ 0 −1 −1 ... −5 ⎥ → ⎢ 0 1 1 ... 5 ⎥ → ⎢ 0 1 1 ... 5 ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎣ ⎦ ⎣ ⎦ ⎣ ⎦ ⎣ ⎦
3 2 0 7 0 −1 −3 −11 0 1 3 11 0 0 2 6
⎡ ⎤ ⎡ ⎤
⎢ 1 1 1 6 ⎥ ⎢ 1 0 0 1 ⎥
⎢ ⎥ ⎢ ⎥
⎢ 0 1 1 ... 5 ⎥ → ⎢ 0 1 0 ... 2 ⎥ . Como pA = pC = 3 e n = 3, logo, temos o caso SPD.
⎢ ⎥ ⎢ ⎥
⎣ ⎦ ⎣ ⎦
0 0 1 3 0 0 1 3
Lembremos que ao efetuarmos as operações elementares, obtemos matrizes equivalentes, ou seja,
matrizes associadas a sistemas com mesmo conjunto solução do sistema inicial. Assim, partimos
da matriz na forma escada e obtemos o seguinte sistema linear:
⎧ ⎧
⎪
⎪ ⎪
⎪
⎪
⎪ 1x + 0y + 0z = 1 ⎪
⎪ x=1
⎨ ⎨
⎪ 0x + 1y + 0z = 2 → ⎪ y = 2 .
⎪
⎪ ⎪
⎪
⎪
⎩ 0x + 0y + 1z = 3 ⎪
⎩ z=3
Portanto, o conjunto solução é S = {(1, 2, 3)}.

80 UNIDADE II
⎧
⎪
⎨ x+y+z =6
b)
⎪
⎩ 2x + y + z = 7
Temos
⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤
⎢ 1 1 1 | 6 ⎥ ⎢ 1 1 1 | 6 ⎥ ⎢ 1 1 1 | 6 ⎥ ⎢ 1 0 0 | 1 ⎥
⎣ ⎦→⎣ ⎦→⎣ ⎦→⎣ ⎦.
2 1 1 | 7 0 −1 −1 | −5 0 1 1 | 5 0 1 1 | 5
Assim, pA = pC = 2 e n = 3, logo, temos um SPI com n − p = 1 (grau de liberdade).

Reescrevendo o sistema a partir da matriz na forma escada
⎧ ⎧ ⎧
⎪
⎨ 1x + 0y + 0z = 1 ⎪
⎨ x=1 ⎪
⎨ x=1
→ → .
⎪
⎩ 0x + 1y + 1z = 5 ⎪
⎩ y+z =5 ⎪
⎩ y =5−z
Portanto, o conjunto solução é S = {(1, 5 − z, z); z ∈ R}. Esse conjunto solução também
pode ser escrito em função da variável y, ou seja S = {(1, y, 5 − y); y ∈ R}. Observe que, pelo fato
de o grau de liberdade ser 1, o conjunto solução ficará em função de uma única incógnita.
�
c) x+y+z =6
Este exemplo é apenas para ilustrar o conjunto solução com grau de liberdade 2. A matriz
escada é a própria matriz ampliada, isto é,
� �
.
1 1 1 .. 6 .
Assim, pA = pC = 1, como n = 3, então, temos SPI com grau de liberdade n − p = 2, ou seja,

podemos escrever o conjunto solução em função de duas variável. Segue que
{x + y + z = 6 → x = 6 − y − z
portanto, um conjunto solução é S = {(6 − y − z, y, z); y e z ∈ R}. Existem mais duas formas
para escrever o conjunto solução, em termos de x e y, ou em termos de x e z.

81
⎧
⎪
⎪
⎪
⎪ x+y+z =6
⎪
⎪
⎪
⎪
⎨ 2x + y + z = 7
d)
⎪
⎪
⎪
⎪ 3x + 2y = 7
⎪
⎪
⎪
⎪
⎩ x+y−z =6
Temos
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
⎢ 1 1 1 | 6 ⎥ ⎢ 1 1 1 | ⎥ 6
⎢ 1 1 1 | 6 ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢ 2 1 1 | 7 ⎥ ⎢ 0 −1 −1 | −5 ⎥ ⎢ 0 1 1 | 5 ⎥
⎢ ⎥→⎢ ⎥→⎢ ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢ 3 2 0 | 7 ⎥ ⎢ ⎥ ⎢ 0 1 3 | 11 ⎥
⎢ ⎥ ⎢ 0 −1 −3 | −11 ⎥ ⎢ ⎥
⎣ ⎦ ⎣ ⎦ ⎣ ⎦
1 1 −1 | 6 0 0 −2 | 0 0 0 2 | 0
⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤
⎢ 1 0 0 | 1 ⎥ ⎢ 1 0 0 | 1 ⎥ ⎢ 1 0 0 | 1 ⎥ ⎢ 1 0 0 | 1 ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢ 0 1 1 | 5 ⎥ ⎢ 0 1 1 | 5 ⎥ ⎢ 0 1 0 | 2 ⎥ ⎢ 0 1 0 | 2 ⎥
→⎢
⎢
⎥→⎢
⎥ ⎢
⎥→⎢
⎥ ⎢
⎥→⎢
⎥ ⎢
⎥.
⎥
⎢ 0 0 2 | 6 ⎥ ⎢ 0 0 1 | 3 ⎥ ⎢ 0 0 1 | 3 ⎥ ⎢ 0 0 1 | 3 ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎣ ⎦ ⎣ ⎦ ⎣ ⎦ ⎣ ⎦
0 0 2 | 0 0 0 1 | 0 0 0 0 | −3 0 0 0 | 1
Note que pA = 4, mas pC = 3, como pA �= pC , então, o sistema é impossı́vel (SI) e, portanto, não
admite solução. Observe que se tentássemos resolver o sistema, terı́amos o seguinte resultado,
⎧
⎪
⎪
⎪
⎪ x=1
⎪
⎪
⎪
⎪
⎨ y=2
⎪
⎪
⎪
⎪ z=3
⎪
⎪
⎪
⎪
⎩ 0=1
ou seja, a última linha nos fornece que 0 = 1 (o que é um absurdo). Portanto, a solução é um
conjunto vazio, isto é, S = ∅.

82 UNIDADE II
Na Unidade I, iniciamos nossos estudos sobre as matrizes com as operações de adição e
multiplicação, na sequência, definimos o conceito de determinante de uma matriz. É interes-
sante perceber que, apesar da ordem em que foram apresentados os conteúdos, na prática, várias
situações-problema, como na Fı́sica, na Quı́mica, nas Engenharias e na própria Matemática, recaem
em sistema de equações lineares − e esses sistemas podem ser representados por tabelas numéri-
cas denominadas matrizes cuja estrutura é muito semelhante a dos números reais bem como dos
vetores. Além disso, cada matriz quadrada está associada a um número chamado determinante, e
tal número permite-nos resolver e/ou discutir sobre seu conjunto solução; o valor do determinante
também nos dá condições para saber se uma matriz admite ou não matriz inversa.
Nesta unidade, estudamos o método de escalonamento para resolver sistemas lineares.

Trata-se de um método seguro, que “revela” a estrutura do sistema, explicitando as redundân-
cias ou incongruências das equações. Após o escalonamento, as equações que não acrescentam
informação ao sistema têm seus termos todos anulados, e aquelas que são incompatı́veis com as
demais transformam-se numa sentença matemática falsa (algo como 0 = a, com a diferente de
zero).
Justificando o estudo dos determinantes, apresentamos a Regra de Cramer, técnica essa

eficaz na resolução de sistema cujo número de equações coincide com o número de incógnitas,
porém, apesar de a técnica ser bem simples de ser calculada, na prática restringe-se a resolver
casos particulares.
Finalizamos o estudo de sistemas lineares definindo o conceito de posto e grau de liberdade

de um sistema, que permite resolver ou discutir qualquer tipo de sistema de equações lineares,
utilizando apenas as operações elementares sobre as matrizes. O(A) leitor(a) perceberá, nas pró-
ximas unidades, como é importante conhecer toda essa teoria que envolve resolução e discussão
de sistemas equações lineares. Caberá a cada um decidir se utilizará a regra de Cramer, o posto
e o grau de liberdade, escalonamento, enfim, independentemente da técnica, o objetivo é que se
consiga de alguma forma, uma vez identificado um sistema de equações lineares, exibir o conjunto
solução, caso exista.

83
ATIVIDADE DE ESTUDO
1) Resolva os sistemas de equações lineares a seguir:
⎧
⎧ ⎧ ⎧ ⎪
⎪
⎪ ⎪ ⎪ ⎪
⎪ x+y−z =1
⎨ 2x + 3y = 1 ⎨ 4x − 2y = 5 ⎨ 2x − 4 = 3y ⎨
a) b) c) d) 2x + 2y − 2z = 2
⎪
⎩ 5x + 7y = 3 ⎪
⎩ −6x + 3y = 1 ⎪
⎩ 5y − x = 5 ⎪
⎪
⎪
⎪
⎩ 5x + 5y − 5z = 7
⎧ ⎧ ⎧
⎪
⎪ ⎪
⎪ ⎪
⎪
⎪
⎪ 2x − y = −7 ⎪
⎪ 2x + y − z = −6 ⎪
⎪ 3x − y + z = 0
⎨ ⎨ ⎨
e) −3x + 4y = 13 f) x − y + 3z = 21 g) x + y − 2z = 0
⎪
⎪ ⎪
⎪ ⎪
⎪
⎪
⎪ ⎪
⎪ ⎪
⎪
⎩ x + 2y = −1 ⎩ 3x + 2z = 15 ⎩ 5x − 3y + 4z = 0
2) Obtenha o posto das matrizes (ampliada e dos coeficientes), classifique o sistema como SPD,
SPI ou SI e exiba o conjunto solução,⎧caso exista: ⎧
⎧ ⎪
⎪ ⎪
⎪
⎪ ⎪
⎪ −x + y − z = 5 ⎪
⎪ x+y−z =1
⎨ x+y+z =7 ⎨ ⎨
a) b) 2x + y = 1 c) 2x + y − 4z = 5
⎪
⎩ x + y − z = 10 ⎪
⎪ ⎪
⎪
⎪
⎪ ⎪
⎪
⎩ x + y + z = −3 ⎩ 3x + 2y − 5z = 2
⎧ ⎧ ⎧
⎪
⎪ ⎪
⎪ ⎪
⎪
⎪
⎪ x+y−z =1 ⎪
⎪ x+y =9 ⎪
⎪ x + y − z + t = 12
⎨ ⎨ ⎨
d) 2x + y − 4z = 5 e) f)
⎪
⎪ ⎪ x−y =5
⎪ ⎪
⎪
x − y + z − t = 10
⎪
⎪ ⎪
⎪ ⎪
⎪
⎩ 3x + 2y − 5z = 6 ⎩ 2x − y = 13 ⎩ −x − 3y + 3z − 3t = −14
3) Considere o seguinte sistema de equações lineares:

⎧
⎪
⎪
⎪
⎪ x + y − kz = 0
⎨
⎪ x+y−z =2−k
⎪
⎪
⎪
⎩ x + ky − z = −k
Discuta o sistema em função da constante k.

84
4) Considere o sistema S de equações lineares nas incógnitas reais x, y, e z, dado por

⎧
⎪
⎪
⎪
⎪ x+y =3
⎨
S: x+z =0 ,
⎪
⎪
⎪
⎪
⎩ y + kz = 1
em que k é uma constante real. Analise as seguintes asserções:
I) Se k = 1, então (1, 2, −1) é a solução única do sistema S.

II) Se k = 1, a matriz ampliada é
⎡ ⎤
⎢ 1 1 0 3 ⎥
⎢ . ⎥
⎢
A = ⎢ 1 0 1 .. 0 ⎥
⎥.
⎣ ⎦
0 1 1 1
III) Se k = −1, então, o sistema é impossı́vel.

IV) Se k = −1, então, pA = 3 e pC = 2.
V) Se k = 0, temos um sistema possı́vel e determinado (SPD).
Com base nessas informações, podemos afirmar que:

a) Apenas as asserções I e II estão corretas.
b) Apenas as asserções III e IV estão corretas.
c) Apenas as asserções I, II e III estão corretas.
d) Apenas as asserções III, IV e V estão corretas.
e) Todas as asserções estão corretas.
5) Dado um sistema de equações lineares de incógnitas reais x, y e z

⎧
⎪
⎪
⎪
⎪ x+y−z =2
⎨
⎪ 2x − y + z = 4
⎪
⎪
⎪
⎩ 4x + y − z = 8
analise as seguintes afirmações:

85
I) O sistema é possı́vel e determinado.

II) O sistema é impossı́vel.
III) O terno ordenado (2, −3, −3) é uma solução desse sistema.
IV) O sistema admite infinitas soluções.
V) Seu conjunto solução é S = {(2, z, z) ∈ R3 ; z ∈ R}.
Assinale a alternativa correta:

a) Apenas as afirmações I, II e III estão corretas.
b) Apenas as afirmações II, III e IV estão corretas.
c) Apenas as afirmações III, IV e V estão corretas.
d) Apenas as afirmações I, III e V estão corretas.
e) Todas as afirmações estão corretas.
6) Dona Josefina confecciona tapetes artesanais de dois modelos, pentagonal e retangular. Num
certo mês, ela confeccionou 60 tapetes e teve um lucro lı́quido de R$ 500,00. Sabendo que cada
tapete retangular foi vendido por R$ 10,00, cada tapete pentagonal por R$ 12,00, e que dona
Josefina gastou R$ 160,00 em materiais, quantos tapetes de cada modelo ela confeccionou nesse
mês?
7) (ENADE - 2008) Considere o sistema de equações a seguir:

⎧
⎪
⎪
⎪
⎪ x+y+z =1
⎨
⎪ 2x + 2y + 2z = 4
⎪
⎪
⎪
⎩ 3x + 3y + 4z = 5
Analise as asserções seguintes relativas à resolução desse sistema de equações lineares:
O sistema não tem solução
porque
o determinante da matriz dos coeficientes é igual a zero.
A respeito dessa afirmação, assinale a opção correta:

86
a) As duas asserções são proposições verdadeiras, e a segunda é justificativa correta da primeira.

b) As duas asserções são proposições verdadeiras, mas a segunda não é justificativa correta da
primeira.
c) A primeira asserção é proposição verdadeira, e a segunda é falsa.
d) A primeira asserção é proposição falsa, e a segunda é verdadeira.
e) Ambas as asserções são proposições falsas.
8) (Provão - MEC - 2001) O número de soluções do sistema de equações

⎧
⎪
⎪
⎪
⎪ x+y−z =1
⎨
⎪ 2x + 2y − 2z = 2
⎪
⎪
⎪
⎩ 5x + 5y − 5z = 7
é:
a) 0.
b) 1.
c) 2.
d) 3.
e) Infinito.
⎧
⎪
⎨ ax + 3y = a
9) (Provão - MEC - 1998) O sistema não tem solução se, e só se,
⎪
⎩ 3x + ay = −a
a) a �= −3.
b) a �= 3.
c) a = 0.
d) a = −3.
e) a = 3.
87
10) (ENADE - 2014) Em uma loja de material escolar, as mercadorias caneta, lápis e borracha,
de um único tipo cada uma, são vendidas para três estudantes. O primeiro comprou uma caneta,
três lápis e duas borrachas, pagando R$ 10,00; o segundo adquiriu duas canetas, um lápis e uma
borracha, pagando R$ 9,00; o terceiro comprou três canetas, quatro lápis e três borrachas, pagando
R$ 19,00.
Os estudantes, após as compras, sem verificarem os valores de cada mercadoria, procuraram resolver
o problema: A partir das compras efetuadas e dos respectivos valores totais pagos por eles, qual
o preço da caneta, do lápis e da borracha? Para isso, montaram um sistema de equações lineares
cujas incógnitas são os preços das mercadorias.
Esse sistema de equações é:
a) Possı́vel determinado, sendo o preço da borracha mais caro que o do lápis.

b) Impossı́vel, pois saber os totais das compras não garante a existência de solução.
c) Possı́vel determinado, podendo admitir como solução o valor do preço da caneta, do lápis e da
borracha.
d) Possı́vel indeterminado, de forma que a soma dos valores possı́veis da caneta, do lápis e da
borracha é igual a cinco vezes o preço do lápis subtraı́do de R$ 9,00.
e) Possı́vel indeterminado, de forma que a soma dos valores possı́veis da caneta, do lápis e da
borracha é igual a 1/5 da adição do preço da borracha com R$ 28,00.
88
Matrizes e algumas aplicações
Os sistemas de equações lineares e as matrizes têm vasta aplicação em várias situações-

problema, principalmente, nas áreas de Engenharia. Entre vários exemplos práticos, podemos
citar: a obtenção da frequência natural de um eixo traseiro em carro, devido a inúmeros fatores
e variáveis que influenciam no desgaste e causando um alto custo financeiro. Nesse sentido, uma
aplicação matemática bem simples, mas eficaz, é o Método das Matrizes de Transferência que
auxilia nos cálculos a fim de minimizar o custo.
Além disso, temos também outras aplicações, como em projetos de estruturas composta por
vigas metálicas, que exigem a resolução de um sistema de equações lineares, no qual o número
de equações e variáveis cresce à medida que se torna mais complexa a estrutura. Situações como
essas podem ser representadas por sistemas de equações nas quais são analisada a singularidade da
matriz dos coeficientes do sistema e a matriz coluna das forças externas cujo objetivo é encontrar
a matriz coluna das forças que atuam sobre as vigas.
Outra aplicação é o Método dos Elementos Finitos, com grande aplicação em problemas
de Engenharia, especialmente em problemas de Engenharia Civil e Mecânica, nas quais utilizam-
se de sistemas lineares com inúmeras variáveis, que são resolvidos com auxı́lio computacional,
trabalhando-se com as matrizes dos sistemas.
As matrizes já eram conhecidas, estudadas e apreciadas pelos matemáticos desde o século
XVIII, devido à sua estrutura algébrica e sua estrita relação com os sistemas lineares, no entanto,
com o desenvolvimento da Matemática, suas aplicações têm se tornado bem mais ampla.
Para saber mais sore a matrizes e algumas aplicações, acesse o link:

<http://wwwp.fc.unesp.br/∼lfcruz/AL CAP 01.pdf>.
Aqui você tem um pouco da história das matrizes, produto de matrizes e sistemas lineares. É
um material disponı́vel no portal do professor e que será de grande valia.
<http://portal.mec.gov.br/seb/arquivos/pdf/EnsMed/expensmat3 1 2.pdf>.
Neste site, você encontrará sugestão para aula sobre cálculo de Matriz inversa, Conhecimento
de Criptografia e como as Matrizes são utilizadas para criptografar mensagens e construir
mensagens criptografadas.
<http://portaldoprofessor.mec.gov.br/fichaTecnicaAula.html?aula=45417>.
REFERÊNCIAS
Referências
91
GABARITO
GABARITO
Unidade II
1)
−2z + 15 7z − 48
a) S = {(2, −1)} d) S = ∅ f) S = , ,z ;z ∈ R
3 3
b) S = ∅ e) S = {(−3, 1)}
z 7z
c) S = {(5, 2)} g) S = , ,z ;z ∈ R
4 4
2)
a) pA = pC = 2 e n = 3 (SPI) d) pA = pC = 2 e n = 3 (SPI)
S = {(3z + 4, −2z − 3, z) ; z ∈ R}
−2y + 17 3
S= , y, − ;y ∈ R
2 2
e) pA = 3 e pC = 2 (SI)
b) pA = pC = 3 = n (SPD)
S=∅
S = {(0, 1, −4)}
f ) pA = pC = 2 e n = 4 (SPI)
c) pA = 3 e pC = 2 (SI)
S = {(11, z − t + 1, z, t) ; z e t ∈ R}
S=∅
3) Verifique quando o determinante é nulo, conclua que se k �= 1, o sistema é do tipo SPD, mas se
k = 1, o caso é SI.
4) Alternativa (E)
5) Alternativa (C)
6) Foram vendidos 30 tapetes pentagonais e 30 retangulares.
7) Alternativa (B)
8) Alternativa (A)
9) Alternativa (E)
10) Alternativa (E)

III
UNIDADE
ESPAÇOS VETORIAIS
■■ Formalizar os conceitos elementares dos vetores.
■■ Definir os conceitos de espaços e subespaços vetoriais.
■■ Apresentar o conceito de combinação linear, dependência e
independência linear.
■■ Definir os conceitos de base e dimensão para um espaço vetorial.
Plano de Estudo
■■ Vetores
■■ Espaço Vetorial
■■ Combinção Linear
■■ Base e Dimensão
95
INTRODUÇÃO
INTRODUÇÃO
No Ensino Médio, particularmente na disciplina Fı́sica, os conceitos de vetores ou grandezas
vetoriais são introduzidos de maneira intuitiva, com as operações de adição e multiplicação por
escalar cujas propriedades assemelham-se com as propriedades dos números reais. Essas proprie-
dades ou caracterı́sticas dos vetores, seja no plano seja no espaço, não são exclusividades desses
conjuntos, na verdade, existem outros com as mesmas propriedades. Nesta unidade, apresentare-
mos alguns conjuntos que têm a mesma estrutura algébrica que a dos vetores, chamados Espaços
Vetoriais; apresentaremos também as condições para que um determinado conjunto munido de
algumas operações possa ser considerado um espaço vetorial.
Seja E um conjunto no qual podemos somar seus elementos e multiplicar esses elementos
por números reais, e que a soma e a multiplicação resultem em subconjuntos ainda pertencentes à
E. Consideremos ainda que essas operações gozem das propriedades de soma e multiplicação dos
números reais, a saber, comutatividade; associatividade; distributividade; existência do elemento
neutro da adição; existência do oposto; existência do elemento neutro da multiplicação. É possı́vel
exibir, encontrar ou até mesmo definir vários conjuntos que gozam dessas propriedades (ou axio-
mas). Citaremos alguns exemplos já bem familiarizados por vocês, como os conjuntos R, R2 e R3 ,
os mais simples e conhecidos; os conjuntos de matrizes de mesma ordem, isto é, M3,2 (R), M2,4 (R),
Mm,n (R); o conjunto dos polinômios com coeficientes reais, de grau menor ou igual a n, E = Pn ,
entre outros.
Todos estes casos (e outros que não mencionamos aqui), que possuem uma mesma estrutura,
são denotados como espaços vetoriais. Veremos também que diversas vezes o objeto de interesse
não é exatamente o espaço vetorial, mas sim um subconjunto dele, denominado de subespaço
vetorial. Para finalizar os estudos desta unidade, definiremos o conceito de base para um espaço
vetorial bem como o conceito de dimensão de um espaço vetorial.
Iniciaremos essa unidade relembrando o conceito dos vetores, suas propriedades algébricas
e geométricas, pois, partindo dessas ideias é que podemos formalizar a definição ou axiomas para
um Espaço Vetorial.
Introdução
96 UNIDADE III
TÓPICO 1: VETORES
VETORES
A noção de vetor pode ser motivada por uma lista de números e ı́ndices ou por meio de certos
objetos da Fı́sica. Os vetores no plano e no espaço são representados por segmentos orientados.
Todos os segmentos que possuem mesma direção, mesmo sentido e mesmo tamanho (comprimento)
são denominados segmentos equipolentes e representam um mesmo vetor. Por exemplo, vejamos
a lista de alguns segmentos orientados a seguir.
Figura 1 - Segmentos Equipolentes
Podemos perceber que todos são seguimentos equipolentes, isto é, têm mesma direção,
−→
sentido e comprimento. Assim, todos são “cópias” idênticas do vetor �v = AB. Esse fato é análogo
ao que ocorre com os números racionais e as frações. Duas frações representam o mesmo número
racional se o numerador e o denominador de cada uma delas estiverem na mesma proporção. Por
2 8 6 −→
exemplo, as frações , e representam o mesmo número racional. Ao escrever �v = AB,
5 20 15
estamos considerando que o vetor é determinado pelo segmento orientado AB com origem no
−→
ponto A e extremidade no ponto B, em que AB é um dos representantes do vetor �v . Obviamente
que existem infinitos segmentos equipolentes ao segmento orientado AB, logo, podemos tomar
qualquer um desses representantes para indicar o vetor �v , o importante é escolhermos o segmento
que seja o mais conveniente para facilitar nosso trabalho.
ESPAÇOS VETORIAIS
97
Vetores no plano
Consideremos, inicialmente, o plano cartesiano, o qual consiste em um sistema de coor-

denadas representadas em um par de retas orientadas e ortogonais. Escolhida uma unidade de
comprimento, um ponto P do plano pode ser representado como o par ordenado (x, y) de números
reais, isto é, suas coordenadas, ou simplesmente P (x, y).
Figura 2 - Ponto P localizado no Plano cartesiano
Dados dois pontos P e Q do plano, podemos considerar o segmento de reta orientado P Q,

−→
com ponto inicial P e ponto final Q. O vetor P Q é um representante do vetor �v .
Figura 3 - Representação de vetor no plano
Podemos escolher um representante para o vetor �v com origem no ponto (0, 0). Com isso,
temos uma correspondência biunı́voca entre pontos do plano e vetores. Ou seja, cada ponto P (x, y)
−→
do plano é associado a um único vetor �v = OP , em que O = (0, 0) e, reciprocamente, cada vetor
do plano pode estar associado a um único ponto P (x, y).
Vetores
98 UNIDADE III
Soma de vetores
Sejam �u e �v vetores do plano, definimos a soma �v + �u da seguinte forma:
• Tome um segmento orientado que representa �v .
• Tome um segmento orientado que representa �u, com origem na extremidade de �v .
• O vetor �v +�u é representado pelo segmento orientado que vai da origem de �v até a extremidade
de �u.
Figura 4 - Soma de vetores
Podemos usar a chamada regra do paralelogramo.
Figura 5 - Regra do Paralelogramo
Para qualquer vetor �v , o simétrico de �v , denotado por −�v , é o vetor que tem mesmo
comprimento, mesma direção e sentido contrário ao de �v .
Figura 6 - Vetores Opostos
ESPAÇOS VETORIAIS
99
Dados os vetores �u e �v , definimos a diferença de �u por �v como sendo a soma do vetor �u com
o vetor −�v , isto é:
�u − �v = �u + (−�v ).
Assim, geometricamente, a diferença de vetores pode ser representada, conforme figura a seguir:
Figura 7 - Diferença de Vetores
Para definirmos a soma de vetores em termos de coordenadas, analisaremos a figura a seguir,

na qual indicamos os vetores �u e �v e o vetor soma �u + �v .
Figura 8
Pelo gráfico, podemos perceber que os segmentos orientados OP e QR são equipolentes. Assim,
obtemos, por meio de análise geométrica, que a − x2 = x1 − 0 e b − y1 = y2 − 0, logo, a = x1 + x2
e b = y1 + y2 . Portanto, se �u = (x1 , y1 ) e �v = (x2 , y2 ) temos que a soma do vetor �u com o vetor �v
é definida como segue:
�u + �v = (x1 + x2 , y1 + y2 ).
Vetores
100 UNIDADE III
Propriedades: (Propriedades da adição): Dados os vetores �u, �v e w,

� temos:
I) (�u + �v ) + w
� = �u + (�v + w)
� - associativa.
II) �u + �v = �v + �u - comutativa.
→
−
III) Existe um único vetor nulo, indicado por 0 , tal que para todo vetor �v tem-se:
→
−
�v + 0 = �v
IV) Para todo vetor �v , existe um único vetor −�v , simétrico a ele (ou oposto) tal que:
→
−
�v + (−�v ) = 0
Exemplo 1: Sejam �u = (1, −3) e �v = (2, 5) vetores de R2 , determine �u + �v e �u − �v .
Temos
�u + �v = (1 + 2, −3 + 5) = (3, 2) e
�u − �v = �u + (−�v ) = (1, −3) + (−2, −5) = (1 − 2, −3 − 5) = (−1, −8).
Multiplicação por escalar
A multiplicação de um vetor �v por um escalar α, indicado por α�v , é definida por:

⎧
⎪
⎪ −
→
⎪
⎪ 0 , se α = 0.
⎨
α�v = α vezes o comprimento de �v , com mesma direção e sentido de �v se α > 0.
⎪
⎪
⎪
⎪
⎩ α vezes o comprimento de �v , com mesma direção e sentido contrário de �v se α < 0.
Figura 9 - Multiplicação de Vetor por Escalar
Em termos de coordenadas, dados �v = (x, y) e α ∈ R, seu produto é α�v = (αx, αy).
ESPAÇOS VETORIAIS
101
Propriedades: (Propriedades da multiplicação por um escalar): Sejam �u e �v vetores quaisquer

com α e β números reais, são válidos os seguintes resultados:
I) α(β�u) = (αβ)�u.
II) (α + β)�u = α�u + β�u.
III) α(�u + �v ) = α�u + α�v .
IV) 1 · �u = �u.
Prova do item I):

α(β�u) = α(β(x, y)) = α(βx, βy) = (αβx, αβy) = (αβ)(x, y) = (αβ)�u
Prova do item II):

(α + β)�u = (α + β)(x, y) = ((α + β)x, (α + β)y) = (αx + βx, αy + βy) = (αx, αy) + (βx, βy) =
α(x, y) + β(x, y) = α�u + β�u
Prova do item III): Dados �u = (x, y) e �v = (z, t), temos

α(�u + �v ) = α((x, y) + (z, t)) = α(x + z, y + t) = (α(x + z), α(y + t)) = (αx + αz, αy + αt) =
(αx, αy) + (αz, αt) = α(x, y) + α(z, t) = α�u + α(v)
Prova do item IV):

1�u = 1(x, y) = (1x, 1y) = (x, y) = �u
Exemplo 2: Considere �u = (3, −2) um vetor do plano cartesiano e α ∈ R. Calcule αu nos casos
1
em que, α = 4, α = −2 e α =
3
Se α = 4, temos

4�u = 4 · 3, 4 · (−2) = (12, −8)
Se α = −2, temos

−2�u = − 2 · 3, −2 · (−2) = (−6, 4)
1
Se α = , temos
3
1 1 1 2
�u = · 3, · (−2) = 1, − .
3 3 3 3
Vetores
102 UNIDADE III
Vetores no Espaço
Inicialmente, introduziremos um sistema de coordenadas retangulares no espaço. Para isso,

escolhemos um ponto como origem, o qual denotamos por O, e, como eixos coordenados, três
retas orientadas que se interceptam no ponto O, ortogonais entre si. A cada ponto P do espaço,
associamos um terno ordenado de números (x1 , y1 , z1 ), chamado de coordenadas do ponto P , como
exposto a seguir:
Figura 10 - Representação de um ponto P no espaço
Como no caso dos vetores no plano, definimos as componentes de um vetor �v como sendo
as coordenadas (x1 , y1 , z1 ) do ponto final do representante de �v que tem ponto inicial na origem.
Escrevemos simplesmente:
�v = (x1 , y1 , z1 )
Figura 11 - Representação de vetor no espaço
ESPAÇOS VETORIAIS
103
Assim como fizemos para vetores no plano, a soma de dois vetores e o produto de um vetor
por um escalar (número real) também são definidas da mesma forma, isto é, dados �u = (x1 , y1 , z1 )
e �v = (x2 , y2 , z2 ), a soma �u + �v é definida por
�u + �v = (x1 + x2 , y1 + y2 , z1 + z2 ).
Além disso, dados �u = (x1 , y1 , z1 ) e α ∈ R, o produto por escalar α�u é definido por
α�u = (αx1 , αy1 , αz1 ).

As propriedades de soma de dois vetores e multiplicação de vetor por um escalar, descritas

para vetores no plano, continuam valendo para vetores no espaço. Na verdade, podemos ampliar
nossos estudos para espaços com dimensões maiores que três, no entanto, não conseguimos enxer-
gar ou dar uma interpretação geométrica, porém, todas as 8 propriedades verificadas no plano e
no espaço também são validadas para esses espaços denominados hiperespaços.
Exemplo 3: Sejam �u = (1, −3, 2) e �v = (4, 2, 1) vetores de R3 , determinaremos �u + �v , �u − �v e 3�u:
a) �u + �v = (1, −3, 2) + (4, 2, 1)
= (1 + 4, −3 + 2, 2 + 1)
= (5, −1, 3)
b) �u − �v = �u + (−�v )
= (1, −3, 2) + (−4, −2, −1)

Explica ai:
= (1 − 4, −3 − 2, 2 − 1) Sistema de
Coordenadas
= (−3, −5, 1) Cartesianas
c) 3�u = 3(1, −3, 2)
= (3 · 1, 3 · (−3), 3 · 2)
= (3, −9, 6)
Vetores
104 UNIDADE III
ESPAÇO
TÓPICO 2:VETORIAL
ESPAÇO VETORIAL
Definição: (Espaço Vetorial) Considere um conjunto V no qual estão definidas duas operações:
• Adição de vetores: que a cada par de elementos u e v de V associa um elemento u + v de V ,

chamado soma de u com v.
• Multiplicação por escalar: que a cada número real α e a cada elemento v de V associa um
elemento αv de V , chamado produto de α por v.
Dizemos que o conjunto V munido dessas operações é um espaço vetorial real se são satisfeitas
as seguintes condições (Axiomas), para cada u, v e w de V e para α e β reais:
I) u + v = v + u (comutatividade).
II) u + (v + w) = (u + v) + w (associatividade).
III) Existe 0 ∈ V tal que u + 0 = u (existência de elemento neutro da adição).
IV) Para cada v ∈ V , existe um elemento de V , o qual denotamos de −v tal que v + (−v) = 0
(existência do elemento oposto aditivo).
V) α(βv) = (αβ)v (associatividade).
VI) (α + β)v = αv + βv (distributividade).
VII) α(u + v) = αu + αv (distributividade).
VIII) 1 · u = u (existência do elemento neutro multiplicativo).
Os vetores no plano cartesiano bem como vetores no espaço tridimensional, como visto
anteriormente, formam um espaço vetorial, o conjunto dos números reais também é um espaço
vetorial. Existem vários conjuntos que têm as mesmas caracterı́sticas dos vetores no plano ou
no espaço, tais conjuntos têm grande aplicação na matemática. Na sequência, listaremos alguns
exemplos de conjuntos que são e outros que não são espaços vetoriais. Para saber se um conjunto
V é um espaço vetorial, é necessário verificar todos os 8 itens da definição de Espaço Vetorial, se
um deles não for satisfeito, então, V não será um espaço vetorial.
ESPAÇOS VETORIAIS
105
Exemplo 4: Verifique se o conjunto V = {(x, y) ∈ R2 ; x, y ∈ R} é um espaço vetorial sobre R.

Exemplo 4: Verifique se o conjunto V = {(x, y) ∈ R2 ; x, y ∈ R} é um espaço vetorial sobre R.
, y) ∈ R2 ; x,Com
y ∈ R} é um definida,
a adição espaço vetorial sobre R.
como segue
Com a adição definida, como segue
(x1 , y1 ) + (x2 , y2 ) = (x1 + x2 , 0),

(x1 , y1 ) + (x2 , y2 ) = (x1 + x2 , 0),
y2 ) = (x1 + x2 , 0),
e multiplicação por escalar, como no R2 , isto é, para cada α ∈ R, temos
e multiplicação por escalar, como no R2 , isto é, para cada α ∈ R, temos
para cada α ∈ R, temos
α(x, y) = (αx, αy).
α(x, y) = (αx, αy).
= (αx, αy).
Tentaremos verificar cada item do I) ao VIII), no entanto, se algum item não for satisfeito,
Tentaremos verificar cada item do I) ao VIII), no entanto, se algum item não for satisfeito,
VIII), no entanto,
podemos se interromper
algum item não for satisfeito,
a verificação. Assim, sejam u = (x1 , y1 ), v = (x2 , y2 ) e w = (x3 , y3 ) elementos
podemos interromper a verificação. Assim, sejam u = (x1 , y1 ), v = (x2 , y2 ) e w = (x3 , y3 ) elementos
m u = (x1 , yde
1 ), V
v .=Temos
(x2 , y2 ) e w = (x3 , y3 ) elementos
de V . Temos
I) u + v = (x1 , y1 ) + (x2 , y2 ) = (x1 + x2 , 0) = (∗), por outro lado, temos

I) u + v = (x1 , y1 ) + (x2 , y2 ) = (x1 + x2 , 0) = (∗), por outro lado, temos
), por outrov lado,
+ u =temos
(x2 , y2 ) + (x1 , y1 ) = (x2 + x1 , 0) = (x1 + x2 , 0) = (∗), logo, u + v = v + u.
v + u = (x2 , y2 ) + (x1 , y1 ) = (x2 + x1 , 0) = (x1 + x2 , 0) = (∗), logo, u + v = v + u.
+ x2 , 0) = (∗), logo, u + v = v + u.
II) u + (v + w) = (x1 , y1 ) + [(x2 , y2 ) + (x3 , y3 )] = (x1 , y1 ) + (x2 + x3 , 0) = (x1 + x2 + x3 , 0) = (∗∗),
II) u + (v + w) = (x1 , y1 ) + [(x2 , y2 ) + (x3 , y3 )] = (x1 , y1 ) + (x2 + x3 , 0) = (x1 + x2 + x3 , 0) = (∗∗),
= (x1 , y1 ) +além
(x2 +disso,
x3 , 0) = (x1 + x2 + x3 , 0) = (∗∗),
além disso,
(u + v) + w = [(x1 , y1 ) + (x2 , y2 )] + (x3 , y3 ) = (x1 + x2 , 0) + (x3 , y3 ) = (x1 + x2 + x3 , 0) = (∗∗), assim
(u + v) + w = [(x1 , y1 ) + (x2 , y2 )] + (x3 , y3 ) = (x1 + x2 , 0) + (x3 , y3 ) = (x1 + x2 + x3 , 0) = (∗∗), assim
1 + x2 , 0) + (x , y(v
u 3+ 3) +
= w)(x1=+ (u
x2 +
+xv)3 ,+
0)w.
= (∗∗), assim
u + (v + w) = (u + v) + w.
III) u + O = (x1 , y1 ) + (0, 0) = (x1 + 0, 0) = (x1 , 0) �= u, ou seja, não existe o elemento neutro tal
III) u + O = (x1 , y1 ) + (0, 0) = (x1 + 0, 0) = (x1 , 0) �= u, ou seja, não existe o elemento neutro tal
1 , 0) �
= u, ou seja,
que u+ não
O= existe o elemento
u. Como neutro
esse item nãotal
é verificado, logo, o conjunto V não é um espaço vetorial.
que u + O = u. Como esse item não é verificado, logo, o conjunto V não é um espaço vetorial.
o, logo, o conjunto V não é um espaço vetorial.
Exemplo 5: O conjunto W = {(x, 2x, 3x); x ∈ R} com as operações usuais é um espaço vetorial.
Exemplo 5: O conjunto W = {(x, 2x, 3x); x ∈ R} com as operações usuais é um espaço vetorial.
R} com as operações usuais é um espaço vetorial.
Sejam u = (a, 2a, 3a), v = (b, 2b, 3b), w = (c, 2c, 3c) com u, v, w ∈ R3 e α, β ∈ R, assim
Sejam u = (a, 2a, 3a), v = (b, 2b, 3b), w = (c, 2c, 3c) com u, v, w ∈ R3Explica
e α, β ∈ R,ai:
assim
= (c, 2c, 3c) com u, v, w ∈ R3 e α, β ∈ R, assim
I) u + v = (a, 2a, 3a) + (b, 2b, 3b) Vetorial
I) u + v = (a, 2a, 3a) + (b, 2b, 3b)
= (a + b, 2a + 2b, 3a + 3b)
= (a + b, 2a + 2b, 3a + 3b)
= (b + a, 2b + 2a, 3b + 3a)
= (b + a, 2b + 2a, 3b + 3a)
= (b, 2b, 3b) + (a, 2a, 3a)
= (b, 2b, 3b) + (a, 2a, 3a)
= v+u
= v+u
Espaço Vetorial
106 UNIDADE III
II) u + (v + w) = (a, 2a, 3a) + [(b, 2b, 3b) + (c, 2c, 3c)]
= (a, 2a, 3a) + (b + c, 2b + 2c, 3b + 3c)
= (a + b + c, 2a + 2b + 2c, 3a + 3b + 3c)
= (a + b, 2a + 2b, 3a + 3b) + (c, 2c, 3c)
= [(a, 2a, 3a) + (b, 2b, 3b)] + (c, 2c, 3c)
= (u + v) + w
III) u + 0 = (a, 2a, 3a) + (0, 0, 0)
= (a + 0, 2a + 0, 3a + 0)
= (a, 2a, 3a)
= u
IV) u + (−u) = (a, 2a, 3a) + (−a, −2a, −3a)
= (a − a, 2a − 2a, 3a − 3a)
= (0, 0, 0)
= 0
V) α(βv) = α(β(b, 2b, 3b))
= α(βb, β2b, β3b)
= (αβb, αβ2b, αβ3b)
= αβ(b, 2b, 3b)
= (αβ)v
VI) (α + β)v = (α + β)(b, 2b, 3b)
= ((α + β)b, (α + β)2b, (α + β)3b)
= (αb + βb, α2b + β2b, α3b + β3b)
= (αb, α2b, α3b) + (βb, β2b, β3b)
= α(b, 2b, 3b) + β(b, 2b, 3b)
= αv + βv
ESPAÇOS VETORIAIS
107
VII) α(u + v) = α[(a, 2a, 3a) + (b, 2b, 3b)]
= α(a + b, 2a + 2b, 3a + 3b)
= (α(a + b), α(2a + 2b), α(3a + 3b))
= (αa + αb, α2a + α2b, α3a + α3b)
= (αa, α2a, α3a) + (αb, α2b, α3b)
= α(a, 2a, 3a) + α(b, 2b, 3b)
= αu + αv
VIII) 1 · u = 1(a, 2a, 3a)
= (1 · a, 1 · 2a, 1 · 3a)
= (a, 2a, 3a)
= u
Portanto, o conjunto W é um espaço vetorial.
⎧⎡ ⎤ ⎫
⎪
⎨ 0 a ⎪
⎬
⎢ ⎥
Exemplo 6: Verifique se o conjunto A = ⎣ ⎦ ∈ M2×2 ; a, b ∈ R com as operações usuais
⎪
⎩ b 0 ⎪
⎭
é um espaço vetorial.
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
⎢ 0 a1 ⎥ ⎢ 0 a2 ⎥ ⎢ 0 a3 ⎥
Sejam A1 = ⎣ ⎦ , A2 = ⎣ ⎦ e A3 = ⎣ ⎦ matrizes de A, α, β e γ
b1 0 b2 0 b3 0
números reais.
⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤
⎢ 0 a1 ⎥ ⎢ 0 a2 ⎥ ⎢ 0 + 0 a1 + a2 ⎥ ⎢ 0 + 0 a2 + a1 ⎥ ⎢ 0 a2 ⎥
I) A1 +A2 = ⎣ ⎦+⎣ ⎦=⎣ ⎦=⎣ ⎦=⎣ ⎦+
b1 0 b2 0 b 1 + b2 0 + 0 b 2 + b1 0 + 0 b2 0
⎡ ⎤
⎢ 0 a1 ⎥
⎣ ⎦ = A2 + A1
b1 0
⎛⎡ ⎤ ⎡ ⎤⎞ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤
⎜⎢ 0 a1 ⎥ ⎢ 0 a2 ⎥⎟ ⎢ 0 a3 ⎥ ⎢ 0 + 0 a1 + a2 ⎥ ⎢ 0 a3 ⎥
II) (A1 +A2 )+A3 = ⎝⎣ ⎦+⎣ ⎦⎠+⎣ ⎦=⎣ ⎦+⎣ ⎦
b1 0 b2 0 b3 0 b 1 + b2 0 + 0 b3 0
⎡ ⎤ ⎡ ⎤ ⎛⎡ ⎤⎞
⎢ 0 + 0 + 0 a1 + a2 + a3 ⎥ ⎢ 0 a1 ⎥ ⎜⎢ 0 + 0 a2 + a3 ⎥⎟
= ⎣ ⎦=⎣ ⎦+⎝⎣ ⎦⎠ = A1 +(A2 +A3 )
b 1 + b2 + b 3 0+0+0 b1 0 b 2 + b3 0 + 0
Espaço Vetorial
108 UNIDADE III
⎡ ⎤ ⎡ ⎤
⎢ 0 a1 ⎥ ⎢ 0 0 ⎥
III) Dada a matriz A1 = ⎣ ⎦, tome O = ⎣ ⎦ e obtemos que
b1 0 0 0
⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤
⎢ 0 a1 ⎥ ⎢ 0 0 ⎥ ⎢ 0 + 0 a 1 + 0 ⎥ ⎢ 0 a 1 ⎥
A1 + O = ⎣ ⎦+⎣ ⎦=⎣ ⎦=⎣ ⎦ = A1
b1 0 0 0 b1 + 0 0 + 0 b1 0
⎡ ⎤ ⎡ ⎤
⎢ 0 a1 ⎥ ⎢ 0 −a1 ⎥
IV) Dada a matriz A1 = ⎣ ⎦, basta tomar −A1 = ⎣ ⎦ e obtemos
b1 0 −b1 0
⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤
⎢ 0 a1 ⎥ ⎢ 0 −a1 ⎥ ⎢ 0+0 a1 + (−a1 ) ⎥ ⎢ 0 a 1 − a1 ⎥
A1 + (−A1 ) = ⎣ ⎦+⎣ ⎦=⎣ ⎦=⎣ ⎦
b1 0 −b1 0 b1 + (−b1 ) 0+0 b1 − b 1 0 + 0
⎡ ⎤
⎢ 0 0 ⎥
=⎣ ⎦=O
0 0
⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤
⎢ 0 a1 ⎥ ⎢ (αβ)0 (αβ)a1 ⎥ ⎢ αβ0 αβa1 ⎥ ⎢ β0 βa1 ⎥
V) (αβ)A1 = (αβ) ⎣ ⎦=⎣ ⎦=⎣ ⎦ = α⎣ ⎦
b1 0 (αβ)b1 (αβ)0 αβb1 αβ0 βb1 β0
⎛⎡ ⎤⎞ ⎛ ⎡ ⎤⎞
⎜⎢ β0 βa1 ⎥⎟ ⎜ ⎢ 0 a1 ⎥⎟
= α ⎝⎣ ⎦⎠ = α ⎝β ⎣ ⎦⎠ = α(βA1 )
βb1 β0 b1 0
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
⎢ 0 a1 ⎥ ⎢ (α + β)0 (α + β)a1 ⎥ ⎢ α0 + β0 αa1 + βa1 ⎥
VI) (α + β)A1 = (α + β) ⎣ ⎦=⎣ ⎦=⎣ ⎦
b1 0 (α + β)b1 (α + β)0 αb1 + βb1 α0 + β0
⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤
⎢ α0 αa1 ⎥ ⎢ β0 βa1 ⎥ ⎢ 0 a1 ⎥ ⎢ 0 a1 ⎥
=⎣ ⎦+⎣ ⎦ = α⎣ ⎦+β⎣ ⎦ = αA1 + βA1
αb1 α0 βb1 β0 b1 0 b1 0
⎛⎡ ⎤ ⎡ ⎤⎞ ⎡ ⎤ ⎡
⎜⎢ 0 a1 ⎥ ⎢ 0 a2 ⎥⎟ ⎢ 0 + 0 a1 + a2 ⎥ ⎢ α(0 + 0) α(a1 +
VII) α(A1 +A2 ) = α ⎝⎣ ⎦+⎣ ⎦⎠ = α ⎣ ⎦=⎣
b1 0 b2 0 b 1 + b2 0 + 0 α(b1 + b2 ) α(0 +
⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤
⎢ α0 + α0 αa1 + αa2 ⎥ ⎢ α0 αa1 ⎥ ⎢ α0 αa2 ⎥ ⎢ 0 a1 ⎥ ⎢ 0 a2
=⎣ ⎦=⎣ ⎦+⎣ ⎦ = α⎣ ⎦+α ⎣ ⎦
αb1 + αb2 α0 + α0 αb1 α0 αb2 α0 b1 0 b2 0
= αA1 + αA2
ESPAÇOS VETORIAIS
109
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
⎢ 0 a1 ⎥ ⎢ 1.0 1.a1 ⎥ ⎢ 0 a1 ⎥
VIII) 1.A1 = 1. ⎣ ⎦=⎣ ⎦=⎣ ⎦ = A1
b1 0 1.b1 1.0 b1 0
Portanto, como os 8 itens estão satisfeitos, logo, o conjunto A é um espaço vetorial. Os
elementos de um espaço vetorial são chamados vetores. O elemento neutro da soma é chamado ve-
tor nulo e denotado por 0 ou �0. Nesse sentido, vetores podem ser polinômios, matrizes, funções, etc.
Exemplo 7: Verifique se P3 (R) = {P (x) ∈ P3 (x); p(x) = a0 + a1 x + a2 x2 + a3 x3 com p̄(x) ≡ 0} é

um espaço vetorial.
Sejam f (x) = b0 +b1 x+b2 x2 +b3 x3 , g(x) = c0 +c1 x+c2 x2 +c3 x3 e h(x) = d0 +d1 x+d2 x2 +d3 x3
polinômios de grau 3, α e β escalares reais. Temos:
(I) f (x) + g(x) = b0 + b1 x + b2 x2 + b3 x3 + c0 + c1 x + c2 x2 + c3 x3 = c0 + c1 x + c2 x2 + c3 x3 + b0 +

b1 x + b2 x2 + b3 x3 = g(x) + f (x)
(II) f (x) + (g(x) + h(x)) = b0 + b1 x + b2 x2 + b3 x3 + (c0 + c1 x + c2 x2 + c3 x3 + d0 + d1 x + d2 x2 + d3 x3 ) =

b0 + b1 x + b2 x2 + b3 x3 + c0 + c1 x + c2 x2 + c3 x3 + d0 + d1 x + d2 x2 + d3 x3 = (b0 + b1 x + b2 x2 + b3 x3 +
c0 + c1 x + c2 x2 + c3 x3 ) + d0 + d1 x + d2 x2 + d3 x3 = (f (x) + g(x)) + h(x)
(III) f (x) + p̄(x) = b0 + b1 x + b2 x2 + b3 x3 + 0 = b0 + b1 x + b2 x2 + b3 x3 = f (x)
(IV) f (x) + (−f (x)) = b0 + b1 x + b2 x2 + b3 x3 + (−b0 − b1 x − b2 x2 − b3 x3 ) = b0 + b1 x + b2 x2 + b3 x3 −

b0 − b1 x − b2 x2 − b3 x3 = 0 = p̄(x)
(V) α(βf (x)) = α(β(b0 + b1 x + b2 x2 + b3 x3 )) = α(βb0 + βb1 x + βb2 x2 + βb3 x3 ) = αβb0 + αβb1 x +
αβb2 x2 + αβb3 x3 = (αβ)(b0 + b1 x + b2 x2 + b3 x3 ) = (αβ)f (x)
(VI) (α+β)f (x) = (α+β)(b0 +b1 x+b2 x2 +b3 x3 ) = (α+β)b0 +(α+β)b1 x+(α+β)b2 x2 +(α+β)b3 x3 =
αb0 + αb1 x + αb2 x2 + αb3 x3 + βb0 + βb1 x + βb2 x2 + βb3 x3 = α(b0 + b1 x + b2 x2 + b3 x3 ) + β(c0 +
c1 x + c2 x2 + c3 x3 ) = αf (x) + βg(x)
(VII) α(f (x)+g(x)) = α(b0 +b1 x+b2 x2 +b3 x3 +c0 +c1 x+c2 x2 +c3 x3 ) = αb0 +αb1 x+αb2 x2 +αb3 x3 +
αc0 + αc1 x + αc2 x2 + αc3 x3 = α(b0 + b1 x + b2 x2 + b3 x3 ) + α(c0 + c1 x + c2 x2 + c3 x3 ) = αf (x) + αg(x)
(VIII) 1.f (x) = 1(b0 +b1 x+b2 x2 +b3 x3 ) = 1.b0 +1.b1 x+1.b2 x2 +1.b3 x3 = b0 +b1 x+b2 x2 +b3 x3 = f (x)
Portanto, P3 (R) é um espaço vetorial. É possı́vel provar de modo genérico, que o espaço
dos polinômios Pn (R) com grau menor ou igual a n acrescentado do polinômio nulo é um espaço
vetorial.
Espaço Vetorial
110 UNIDADE III
Exemplo 8: Seja F (X, R) o conjunto das funções reais, f : X → R. Para f e g funções reais de
F (X, R) e α um escalar, definimos a soma f + g por
(f + g)(x) = f (x) + g(x), para todo x ∈ R
e a multiplicação de f pelo escalar α por
(αf )(x) = αf (x) para todo x ∈ R.
Vamos mostrar que o conjunto F (X, R) é um espaço vetorial sobre R.
Sejam f, g, h ∈ F (X, R) e α, β escalares. Assim:
(I) (f + g)(x) = f (x) + g(x)
= g(x) + f (x)
= (g + f )(x)
(II) [f + (g + h)](x) = f (x) + (g + h)(x)
= f (x) + g(x) + h(x)
= (f + g)(x) + h(x)
= [(f + g) + h](x)
(III) Seja 0 a função identicamente nula, assim:
(f + 0)(x) = f (x) + 0(x)
= f (x)
(IV) Dada a função f definimos a função −f por (−f )(x) = −f (x), para todo x ∈ R, logo:
[f + (−f )](x) = f (x) + (−f )(x)
= f (x) − f (x)
= 0
= 0(x)
ESPAÇOS VETORIAIS
111
(V) α[(βf )(x)] = α[βf (x)]
= αβf (x)
(V) α[(βf )(x)] = α[βf (x)]
= (αβ)f (x)
= αβf (x)
= [(αβ)f ](x)
= (αβ)f (x)
= =
(VI) [(α + β)f ](x) [(αβ)f
(α ](x)
+ β)f (x)
(VI) [(α + β)f ](x) = αf +

= (α (x)β)f
+ (x)
βf (x)
= (αf(x)
= αf )(x) + (βf
+ βf (x) )(x)
= (αf )(x) + (βf )(x)

(VII) [α(f + g)](x) = α(f + g)(x)
(VII) [α(f + g)](x) = α(f

α(f (x) + g(x))
+ g)(x)
= α(f (x) +
αf (x) + αg(x)
g(x))
= αf
= (αf(x) + αg(x)
)(x) + (αg)(x)
= (αf )(x) + (αg)(x)
(VIII) (1 · f )(x) = 1 · f (x)
(VIII) (1 · f )(x) = 1 · f (x)
= f (x)
= f (x)
A reta R (eixo x) é um espaço vetorial sobre R, bem como o plano cartesiano xy e o espaço
A reta R (eixo x) é um espaço vetorial sobre R, bem como o plano cartesiano xy e o espaço
tridimensional xyz. É possı́vel generalizar e provar que o espaço Rn formado pelas n-uplas
tridimensional xyz. É possı́vel generalizar e provar que o espaço Rn formado pelas n-uplas
sequência de números reais (a1 , a2 , ..., an ) definida por
sequência de números reais (a1 , a2 , ..., an ) definida por
(a1 , a2 , ..., an ) + (b1 , b2 , ..., bn ) = (a1 + b1 , a2 + b2 , ..., an + bn ) e
(a1 , a2 , ..., an ) + (b1 , b2 , ..., bn ) = (a1 + b1 , a2 + b2 , ..., an + bn ) e
α(a1 , a2 , ..., an ) = (αa1 , αa2 , ..., αan ) é um subespaço vetorial sobre R.
α(a1 , a2 , ..., an ) = (αa1 , αa2 , ..., αan ) é um subespaço vetorial sobre R.
Outros conjuntos ou espaços vetoriais que merecem nossa atenção:
Outros conjuntos ou espaços vetoriais que merecem nossa atenção:
- -OOconjunto
conjunto dos
dos números C.
complexosC.
números complexos
- -OOconjunto
conjunto das
das matrizes Mm×n
matrizes M (R).
m×n(R).
- -OOconjunto
conjunto das
das funções contı́nuas.
funções contı́nuas.
Fonte:
Fonte: ooautor.
autor.
Espaço Vetorial
112 UNIDADE III
Subespaço Vetorial
Sejam V um espaço vetorial e W um subconjunto não vazio de V , dizemos que W é um

subespaço vetorial de V , ou simplesmente um subespaço de V , se W , com as operações de adição
em V e de multiplicação de vetores de V por escalares, é um espaço vetorial.
É interessante observar que não precisamos provar todas as propriedades de espaço vetorial.
Como o subconjunto W é parte de V o qual é, por definição, espaço vetorial, basta observarmos as
condições necessárias para que um subconjunto W seja um subespaço vetorial na definição seguinte.
Definição: Sejam V um espaço vetorial e W um subconjunto não vazio de V . Então, W é um
subespaço de V se, e somente se, as seguintes condições são satisfeitas:
I) Se u, v ∈ W , então, u + v ∈ W .
II) Se α ∈ R e u ∈ W , então, αu ∈ W .
Exemplo 9: Seja V um espaço vetorial, o conjunto {�0} constituı́do apenas do vetor nulo, e
também o próprio espaço V são subespaços vetoriais de V . O conjunto {�0} é chamado de espaço
vetorial nulo.
De fato, se u e v pertencem ao conjunto {�0} e α ∈ R, logo:
(i) u + v = �0 + �0 = �0 ∈ {�0}.
(ii) α�0 = �0 ∈ {�0}
Para verificar que V é subespaço vetorial de V , basta aplicar diretamente a definição de

subespaço vetorial e observar que V ∩ V é obviamente um espaço vetorial com respeito às mesmas
operações. Por serem os subespaços mais simples do espaço vetorial V , {0} e V são chamados
subespaços triviais de V .
Exemplo 10: Seja V = R3 , os conjuntos W1 = {(x, y, 0); x, y ∈ R} e W2 = {(x, 0, 0); x ∈ R} são

subespaços vetoriais de V .
Vamos mostrar primeiramente que W1 é subespaço vetorial de V . De fato, sejam u =

(x1 , y1 , 0), v = (x2 , y2 , 0) vetores de W1 e α ∈ R, temos
ESPAÇOS VETORIAIS
113
(i) u + v = (x1 , y1 , 0) + (x2 , y2 , 0) = (x1 + x2 , y1 + y2 , 0 + 0) = (x1 + x2 , y1 + y2 , 0) ∈ W1 , pois a

terceira coordenada é zero.
(ii) αw1 = α(x1 , y1 , 0) = (αx1 , αy1 , α0) = (αx1 , αy1 , 0) ∈ W1 .
Assim, como esses dois itens são verificados, logo, W1 é um subespaço vetorial de V . Geome-
tricamente, W1 é um plano que contém os eixos x, y e passa pela origem (0, 0, 0) do sistema
tridimensional.
De modo análogo, vamos mostrar que W2 é um subespaço vetorial de R3 . Sejam w1 =

(x1 , 0, 0), w2 = (x2 , 0, 0) vetores de W2 e α ∈ R. Temos
(i) w1 +w2 = (x1 , 0, 0)+(x2 , 0, 0) = (x1 +x2 , 0+0, 0+0) = (x1 +x2 , 0, 0) ∈ W2 , pois as coordenadas
em y e z são iguais a zero.

(ii) αw = (x, 0, 0) = (αx, α0, α0) = (αx, 0, 0) ∈ W2 .
Portanto, como (i) e (ii) são verificados, podemos concluir que W2 é um subespaço de V = R3 .
Nesse caso, W2 é a reta contida em R3 que coincide com o eixo x.
Exemplo 11: Considere S = {(x, 2x); x ∈ R}, o conjunto S é um subespaço vetorial de R2 .
De fato, sejam u = (x1 , 2x1 ) e v = (x2 , 2x2 ) vetores de S, temos

(i) u + v = (x1 , 2x1 ) + (x2 , 2x2 ) = (x1 + x2 , 2x1 + 2x2 ) = (x1 + x2 , 2(x1 + x2 )), logo, u + v ∈ S.
Agora, dados α ∈ R e u = (x, 2x) ∈ S, temos
(ii) αu = α(x, 2x) = (αx, α2x) = (αx, 2(αx)) ∈ S.
Portanto, de (i) e (ii) podemos concluir que S é um subespaço vetorial de R2 (reta y = 2x).
Exemplo 12: Considere o espaço vetorial V = M (n, n) formado pelo conjunto das matrizes qua-
dradas de ordem n; o subconjunto W das matrizes triangulares superiores é um subespaço vetorial,
pois a soma de matrizes triangulares superiores ainda é uma matriz triangular superior, assim como
o produto de uma matriz triangular superior por um escalar.
Exemplo 13: Considere o espaço vetorial V = R2 e o subconjunto W = {(x, x2 ); x ∈ R}.
O conjunto W não é um subespaço vetorial, pois u = (1, 1) e v = (2, 4) pertencem a W ,

mas u + v = (3, 5) �∈ W. Pois um vetor w ∈ W com abscissa x = 3 tem a forma w = (3, 9).
Espaço Vetorial
114 UNIDADE III
Acabamos de apresentar o que chamamos de contraexemplo, ou seja, tomamos dois vetores

u e v de W e mostramos que soma desses vetores não estavam em W . Assim, um contraexemplo é
suficiente para mostrarmos quando um conjunto não é um subespaço vetorial. No entanto, vamos
verificar os itens (i) e (ii) da definição na tentativa de provar que W é um subespaço de R2 .
(i) sejam u e v vetores de W , logo, esses vetores têm a forma u = (a, a2 ) e v = (b, b2 ) com a e b
números reais, assim, temos
u + v = (a, a2 ) + (b, b2 ) = (a + b, a2 + b2 ).
Mas u + v = (a + b, a2 + b2 ) ∈
/ W , uma vez que um vetor de W cuja abscissa é a + b tem a
forma (a + b, (a + b)2 ), ou ainda, (a + b, a2 + 2ab + b2 ). Portanto, como o item (i) não é satisfeito,
concluı́mos que W não é um subespaço vetorial de W .
Exemplo 14: Seja Ω = {(x, y); x + y = 3 com x e y ∈ R}, verifique se Ω é um subespaço vetorial
de V = R2 .
Primeiramente, note que a condição do conjunto Ω é que satisfaça a relação x + y = 3, ou

seja, y = −x + 3. Assim, Ω = {(x, −x + 3); x ∈ R}, logo, se u e v pertencem a Ω, esses vetores
têm a forma u = (a, −a + 3) e v = (b, −b + 3). Segue que
u + v = (a, −a + 3) + (b, −b + 3) = (a + b, −(a + b) + 6).
Mas um vetor de Ω com abscissa a + b deve ter a seguinte forma (a + b, −(a + b) + 3), logo,
/ Ω. Portanto, Ω não é um subespaço vetorial de R2 . Vejamos outra maneira de mostrar
u+v ∈
esse resultado apresentando um contraexemplo: sejam u = (0, 3) e v = (1, 2) vetores de Ω, logo,
u + v = (1, 5) ∈
/ Ω, pois um vetor de Ω cuja abscissa é 1 tem a seguinte forma (1, 2).
No exemplo 13, o conjunto W é uma parábola no plano cartesiano, ou seja, é uma curva que
não é linear, enquanto que no exemplo 14, apesar do conjunto Ω representar uma reta decrescente,
essa reta não corta o ponto (0, 0) (a origem do plano cartesiano), mas sim no ponto (0, 3). Nesse
sentido, a grosso modo, subespaços não triviais de R2 têm necessariamente que passar pela origem
(0, 0), isto é, deve conter o vetor nulo, e também ser linear, ou seja, uma reta.
ESPAÇOS VETORIAIS
115
Considerando o espaço vetorial V = R2 , existem três possibilidades para seus subespaços, a

Considerando
saber, o espaço
o vetor nulo vetorial
(ponto (0, 0)), R2 , reta
V =uma existem
do três
tipo possibilidades
(x, ax) com apara R e subespaços,
∈ seus a
o próprio plano
saber, o vetor
cartesiano. nulo
Agora, se V = R3(0,
(ponto 0)), uma
reflita sobrereta
seusdopossı́veis
tipo (x,subespaços ∈ R e o próprio plano
ax) com a vetoriais.
cartesiano. Agora, se V = R3 reflita sobre seus possı́veis subespaços vetoriais.
Exemplo 15: Mostre que o plano W = {(x, y, z) ∈ R3 ; x + y − 4z = 0} é um subespaço de R3 .

Exemplo 15: Mostre que o plano W = {(x, y, z) ∈ R3 ; x + y − 4z = 0} é um subespaço de R3 .
De fato, sejam w1 = (x1 , y1 , z1 ) e w2 = (x2 , y2 , z2 ) vetores de W , logo, x1 + y1 − 4z1 = 0 (*)

De fato, sejam w1 = (x1 , y1 , z1 ) e w2 = (x2 , y2 , z2 ) vetores de W , logo, x1 + y1 − 4z1 = 0 (*)
e x2 + y2 − 4z2 = 0 (**). Segue que
e x2 + y2 − 4z2 = 0 (**). Segue que
(i) w1 + w2 = (x1 , y1 , z1 ) + (x2 , y2 , z2 ) = (x1 + x2 , y1 + y2 , z1 + z2 ).
(i) w1 + w2 = (x1 , y1 , z1 ) + (x2 , y2 , z2 ) = (x1 + x2 , y1 + y2 , z1 + z2 ).
Agora, precisamos verificar se suas coordenadas satisfazem a condição do conjunto W . Usando os
Agora, precisamos verificar se suas coordenadas satisfazem a condição do conjunto W . Usando os
fatos (*) e (**), obtemos que
fatos (*) e (**), obtemos que
(x1(x
+x+x
2 )+(y1 +y
)+(y +y2 )−4(z
)−4(z1 +z
+z2 ))=
= xx1 +x
+x2 +y −4z1−4z
+y2−4z
+y 1+y −4z2==(x(x+y 1 −4z
1 +y−4z 1 )+(x
)+(x +y2 +y 2 −4z
−4z )= 2 ) 0+0
= 0+0
= 0= 0
1 2 1 2 1 2 1 2 1 2 1 2 1 1 1 2 2 2
ouou
seja, w1w+
seja, w2 2pertence
1+w pertenceW
W.. Além
Além disso, se w
disso, se w= (x,y,y,z)z)∈∈WW, então,
=(x, , então,x +
x+ − 4z
y 4z
y− = 0=(***),
0 (***), logo,
logo,
(ii)(ii)
αwαw==α(x,
α(x,y,y,z)z)==(αx,
(αx,αy,
αy,αz).
αz).
Como
Como ++αyαy−−4αz
αxαx 4αz==α(x +yy −
α(x+ − 4z)
4z) = α.0
α.0 =
= 0,0, conforme
conforme(***),
(***),logo,
logo,
αwαw
∈W∈W
. .
Portanto,WWé éum
Portanto, umsubespaço
subespaço vetorial de RR33. .
vetorial de
Noteque
Note vetor�0�0== (0,
queo ovetor (0,0,
0, 0)
0) pertence
pertence aa W pois00++0 0−−4.0
W, ,pois 4.0= =0. 0.Geometricamente,
Geometricamente,esseesse
subespaçoé éum
subespaço umplano
planoque
quepassa
passa pela
pela origem
origem (0,
(0,0,0,0)
0)do
dosistema
sistemadedecoordenadas tridimensional.
coordenadas tridimensional.
Podemos mostrar que W = {(x, y, z) ∈ R33; x + y − 4z = 0} é subespaço de R3 usando uma
Podemos mostrar que W = {(x, y, z) ∈ R ; x + y − 4z = 0} é subespaço de R3 usando uma
outra técnica. Assim, se w = (x, y, z) ∈ W , então, w deve satisfazer a relação x + y − 4z = 0, ou
outra técnica. Assim, se w = (x, y, z) ∈ W , então, w deve satisfazer a relação x + y − 4z = 0, ou
equivalentemente, x = −y + 4z, logo, w = (−y + 4z, y, z). Assim, se w1 , w2 são vetores de W e
equivalentemente, x = −y + 4z, logo, w = (−y + 4z, y, z). Assim, se w1 , w2 são vetores de W e
α ∈ R, temos
α ∈ R, temos
(i) w1 + w2 = (−y1 + 4z1 , y1 , z1 ) + (−y2 + 4z2 , y2 , z2 )
(i) w1 + w2 = (−y1 + 4z1 , y1 , z1 ) + (−y2 + 4z2 , y2 , z2 )
= (−y1 + 4z1 − y2 + 4z2 , y1 + y2 , z1 + z2 )
= (−y1 + 4z1 − y2 + 4z2 , y1 + y2 , z1 + z2 )
= (−y1 − y2 + 4z1 + 4z2 , y1 + y2 , z1 + z2 )
= (−y1 − y2 + 4z1 + 4z2 , y1 + y2 , z1 + z2 )
= (−(y1 + y2 ) + 4(z1 + z2 ), y1 + y2 , z1 + z2 ) ∈ W
= (−(y1 + y2 ) + 4(z1 + z2 ), y1 + y2 , z1 + z2 ) ∈ W
Espaço Vetorial
116 UNIDADE III
(ii) αw = α(−y + 4z, y, z)

= (α(−y + 4z), αy, αz)
= (−αy + 4αz, αy, αz) ∈ W .
Portanto, W é subespaço de R3 .
Exemplo 16: O conjunto Θ = {(x, y, z) ∈ R3 ; x − 3z = 0} é um subespaço vetorial de V = R3 .
De fato, se w = (x, y, z) ∈ Θ, se e somente se, x − 3z = 0. Assim, sejam u = (x1 , y1 , z1 ) e

v = (x2 , y2 , z2 ) vetores de Θ, logo, x1 − 3z1 = 0 e x2 − 3z2 = 0. Segue que,
(i) u + v = (x1 , y1 , z1 ) + (x2 , y2 , z2 )
= (x1 + x2 , y1 + y2 , z1 + z2 ),
como x1 + x2 − 3(z1 + z2 ) = x1 + x2 − 3z1 − 3z2 = (x1 − 3z1 ) + (x2 − 3z2 ) = 0 + 0 = 0, logo u + v ∈ Θ.
Além disso, dado α ∈ R e w = (x, y, z) ∈ Θ, como x − 3z = 0, temos

(ii) αw = α(x, y, z)
= (αx, αy, αz)
mas αx − 3αz = α(x − 3z) = α.0 = 0, logo, αw ∈ Θ. Portanto, Θ é um subespaço do R3 .
De outro modo, se w = (x, y, z) ∈ Θ, então x − 3z = 0, isto é, x = 3z, logo, w = (3z, y, z).
Assim
(i) u + v = (3z1 , y1 , z1 ) + (3z2 , y2 , z2 )
= (3z1 + 3z2 , y1 + y2 , z1 + z2 )
= (3(z1 + z2 ), y1 + y2 , z1 + z2 ) ∈ Θ.
(ii) αw = α(3z, y, z)
= (α3z, αy, αz)
= (3αz, αy, αz) ∈ Θ.
Assim, provamos que Θ é subespaço de R3 . (Use a técnica que achar mais conveniente, ou fácil!).
ESPAÇOS VETORIAIS
117
Exemplo 17: O conjunto Π = {(x, y, z) ∈ R3 ; x − 5z = 4} não é um subespaço vetorial de R3 .
De fato, v = (x, y, z) ∈ Π se e somente se, x − 5z = 4, ou seja, x = 5z + 4, logo, um vetor

de Π tem a forma v = (5z + 4, y, z). Assim, se v1 , v2 ∈ Π, temos
(i) v1 + v2 = (5z1 + 4, y1 , z1 ) + (5z2 + 4, y2 , z2 ) = (5(z1 + z2 ) + 8, y1 + y2 , z1 + z2 ) ∈
/ Π.
Geometricamente, Π é um plano, e portanto linear, no entanto, esse plano não passa pela
origem, ou seja, não passa pelo ponto (0, 0, 0), por isso não é uma subespaço vetorial. Observe
também que o vetor (0, 0, 0) não pertence ao plano Π, pois 0 − 5.0 �= 4, isto é, não satisfaz a
condição para estar no conjunto Π.
Operações com subespaços
Como espaços vetoriais são conjuntos, um questionamento pertinente seria sobre a união e
a interseção de conjuntos. Será que essas operações (união/interseção) preservam a propriedade
de espaço vetorial? Ao longo desta subseção, teremos material para responder a essa pergunta.
Exemplo 18: Considere os conjuntos U = {(x, y) ∈ R2 ; x+y = 0} e W = {(x, y) ∈ R2 ; x−y = 0}.
É fácil verificar que esses conjuntos são subespaços do R2 , mas o conjunto U ∪ W não é
subespaço do R2 .
Vamos apresentar um contraexemplo, mas primeiro, precisamos recordar o conceito de

união de conjuntos, ou seja, se w ∈ X ∪ Y , então, w ∈ X ou w ∈ Y (ou estão em ambos
conjuntos). Assim, sejam u = (1, −1) ∈ U e v = (1, 1) ∈ W , logo, u, v ∈ U ∪ W , no entanto, note
que u + v = (2, 0) �∈ U ∪ W , pois 2 + 0 �= 0 e 2 − 0 �= 0 (não satisfazem as condições dos conjuntos
U nem de W ).
Esse exemplo mostra que a união de dois subespaços de um espaço vetorial V não é ne-
cessariamente um subespaço de V . O próximo teorema mostra que a interseção de subespaços é
sempre um subespaço.
Espaço Vetorial
118 UNIDADE III
Teorema: A interseção de dois subespaços de um espaço vetorial V é um subespaço de V .
Prova: Para verificarmos que U ∩ W é também um subespaço de V , primeiramente vamos relem-

brar o conceito de interseção de conjuntos, isto é, se w ∈ X ∩ Y , então, w ∈ X e w ∈ Y . Assim,
sejam U e W subespaços de V :
(i) dados u, v ∈ U ∩ W , como u, v ∈ U e u, v ∈ W , sendo U e W subespaços de V , segue que
u + v ∈ U e u + v ∈ W , ou seja, u + v ∈ U ∩ W .
(ii) sejam α ∈ R e u ∈ U ∩ W , logo, u ∈ U e u ∈ W , como U e W são subespaços, segue αu ∈ U e
αu ∈ W , ou seja, αu ∈ U ∩ W . Portanto, U ∩ W é um subespaço vetorial de V .
É interessante observar o seguinte fato, se U e W são subespaços de V , então, �0 ∈ U e
�0 ∈ W , logo, �0 ∈ U ∩ W , ou seja, podemos concluir que U ∩ W �= ∅, uma vez que o vetor nulo
sempre pertence ao subespaço.
Exemplo 19: Considere o espaço vetorial V = R3 , Π1 e Π2 planos distintos passando pela origem.
Note que a interseção Π1 ∩ Π2 é uma reta que também é um subespaço de R3 .
Exemplo 20: Considere o espaço vetorial V = R3 e as retas concorrente r1 e r2 que passam pela
origem. Assim, r1 ∩ r2 = {�0} é um subespaço vetorial de R3 , mas r1 ∪ r2 é o feixe formado pelas
duas retas, que não é subespaço vetorial de R3 .
Um problema surge neste momento. Quando consideramos a união de subespaços e se

tomarmos um vetor de cada subespaço, a soma desses vetores pode não pertencer à união. No
entanto, e motivados pela união de subespaços, temos a seguinte definição, também conhecida
como soma de subespaços.
Definição: Dados U e W subespaços de um espaço vetorial V , definimos a soma de U e W ,

denotada por U + W , ao seguinte conjunto
U + W = {v ∈ V ; v = u + w, com u ∈ U e w ∈ W }.
ESPAÇOS VETORIAIS
119
Exemplo 21: Considere os mesmos conjuntos U e W definidos no exemplo 18, isto é, U =
Exemplo
{(x, y) ∈ R21:
2
; x +Considere
y = 0} e os
W mesmos
= {(x, y)conjuntos
∈ R2 ; x −Uy =
e W
0}. definidos
Afirmamosno que
exemplo 18,Uisto
a soma + Wé, =UR=
2
,
{(x, y)
pois ∈ R2 ; xvetor
qualquer +y = 0}(x,
v= eW = R{(x,
y) ∈ 2
pode R2escrito
y) ∈ser ; x − y como
= 0}.v Afirmamos que
= u + w, em au
que soma
∈ U Ue +
wW =. R2 ,
∈W
pois qualquer vetor v = (x, y) ∈ R2 pode ser escrito como v = u + w, em que u ∈ U e w ∈ W .
Figura 12 - Soma de subespaços

Figura 12 - Soma de subespaços
Esse resultado sobre soma de subespaços, nos inspira a definirmos um dos conceitos mais
Esse resultado
importantes sobre
sobre espaços soma deque
vetoriais, subespaços, nos
é o conceito deinspira a definirmos
combinação linear. Éum dos conceitos
interessante mais
perceber,
importantes sobre das
que grande parte espaços vetoriais,
definições que é o conceito
e resultados de combinação
na álgebra linear.
linear, surgem de É interessante
premissas perceber,
da geometria
que grande parte das definições e resultados na álgebra linear, surgem de premissas da geometria
analı́tica.
analı́tica.
TÓPICO 3: COMBINAÇÃO LINEAR
COMBINAÇÃO LINEAR
TÓPICO 3: COMBINAÇÃO LINEAR
Seja V um espaço vetorial, considere os vetores v1 , v2 , . . . , vn ∈ V , um vetor v ∈ V poderá ser

escrito Seja
comoVcombinação
um espaço vetorial,
linear considere os vvetores
dos vetores v , v , . . . , vn ∈ V ,números
1 , v2 , . . . 1, vn2 se existirem
v ∈ aV1 ,poderá
um vetorreais a2 , . . . ,ser
an
escrito
tal que como combinação linear dos vetores v1 , v2 , . . . , vn se existirem números reais a1 , a2 , . . . , an
se tenha
tal que se tenha v = a1 v1 + a2 v2 + · · · + an vn
v = a1 v1 + a2 v2 + · · · + an vn
Exemplo 22: O vetor v = (7, 3, 16) do R3 é uma combinação linear dos vetores u1 = (1, 2, 3),
Exemplo
u 22: O vetor v = (7, 3, 16) do R3 é uma combinação linear dos vetores u1 = (1, 2,
2 = (1, 0, 1) e u3 = (2, 1, 5). Para verificarmos essa afirmação, temos que encontrar números
3),
reais
u
a12, =a2(1,
e a0,3 1) e uque
tais 3 = (2, 1, 5). Para verificarmos essa afirmação, temos que encontrar números reais
a1 , a2 e a3 tais que v = a1 u1 + a2 u2 + a3 u3
v = a1 u1 + a2 u2 + a3 u3
substituindo,
substituindo, (7, 3, 16) = a1 (1, 2, 3) + a2 (1, 0, 1) + a3 (2, 1, 5)
(7, 3, 16) = a1 (1, 2, 3) + a2 (1, 0, 1) + a3 (2, 1, 5)
Combinação Linear
120 UNIDADE III
(7, 3, 16) = (a1 + a2 + 2a3 , 2a1 + a3 , 3a1 + a2 + 5a3 )
dessa igualdade, obtemos o seguinte sistema linear

⎧
⎪
⎪
⎪
⎪ a1 + a2 + 2a3 = 7
⎨
⎪ 2a1 + a3 = 3
⎪
⎪
⎪
⎩ 3a + a + 5a = 16
1 2 3
resolvendo esse sistema, temos

⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡
⎢ 1 1 2 7 ⎥ ⎢ 1 1 2 7 ⎥ ⎢ 1 1 2 7 ⎥ ⎢ 1 1 2 7
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢
⎢ 2 0 1 ... 3 ⎥ → ⎢ 0 −2 −3 ... −11 ⎥ → ⎢ 0 −2 −3 ... −11 ⎥ → ⎢ 0 1 3/2 ... 11
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢
⎣ ⎦ ⎣ ⎦ ⎣ ⎦ ⎣
3 1 5 16 0 −2 −1 −5 0 0 2 6 0 0 1 3
⎡ ⎤ ⎡ ⎤ ⎧
⎪
⎪
⎢ 1 1 0 1 ⎥ ⎢ 1 0 0 0 ⎥ ⎪
⎪ a1 = 0
⎢ ⎥ ⎢ ⎥ ⎨
. .
⎢ 0 1 0 .. 1 ⎥ → ⎢ 0 1 0 .. 1 ⎥ → SPD →
⎢ ⎥ ⎢ ⎥ ⎪ a2 = 1 .
⎣ ⎦ ⎣ ⎦ ⎪
⎪
⎪
⎩ a =3
0 0 1 3 0 0 1 3 3
Logo, a1 = 0, a2 = 1 e a3 = 3. Portanto, temos
(7, 3, 16) = 0.u1 + 1.u2 + 3u3 .
Agora, uma vez fixados vetores u1 , u2 , . . . , un pertencentes ao espaço vetorial V , o conjunto

W de todas as combinações lineares de u1 , u2 , . . . , un é um subespaço vetorial. Chamaremos o
conjunto W de subespaço gerado por u1 , u2 , . . . , un o qual denotamos por
W = [u1 , u2 , . . . , un ].
Exemplo 23: O espaço gerado pelo vetor u = (2, −1, 1) em R3 é o conjunto W = {α(2, −1, 1); α ∈
R}. Geometricamente, esse espaço vetorial é uma reta que passa pela origem e tem a direção do
vetor u = (2, −1, 1), por exemplo, o vetor w = (10, −5, 5) pertence a W , uma vez que w = 5.u, isto
é, w é combinação linear de u, em termos de notação de subespaço gerado, temos W = [(2, −1, 1)].
ESPAÇOS VETORIAIS
121
Exemplo 24: Se v1 , v2 ∈ R3 são tais que βv1 �= v2 para todo β ∈ R, então o espaço gerado por
esses vetores será o plano que passa pela origem e contém v1 e v2 . Neste exemplo, a condição que
βv1 �= v2 , significa geometricamente que os vetores v1 e v2 são não colineares, nem paralelos, ou
seja, são coplanares. Assim, se θ é o ângulo formado por esses vetores, então, 0 < θ < 180◦ . Logo,
se Π é o plano que passa por esse dois vetores, então, qualquer vetor deste plano pode ser escrito
como combinação linear de v1 e v2 , ou seja, se w ∈ Π, algebricamente, existem escalares reais a e b
tais que w = av1 + bv2 , em termos geométricos, o vetor w é a diagonal do paralelogramo, formado
pelos vetores av1 e bv2 contidos em Π.
Figura 13 - Π subespaço gerado
Exemplo 25: O subespaço de R3 gerado pelos vetores u1 = (1, 2, 0), u2 = (3, 0, 1) e u3 = (2, −2, 1)
é o plano Ω de equação 2x − y − 6z = 0. Note que as coordenadas dos vetores dados satisfazem a
equação obtida para o subespaço gerado por eles.
Figura 14 - Ω subespaço gerado de R3
Combinação Linear
122 UNIDADE III
Vimos que, dado um conjunto de vetores de um espaço vetorial V , o conjunto de todas suas
combinações lineares é um subespaço vetorial de V . Por outro lado, será que todo subespaço S
de V é gerado por um conjunto de vetores? A resposta para essa pergunta é sim. Na sequência,
apresentamos alguns exemplos sobre esse questionamento.
Exemplo 26: Considere o conjunto S = {(x, 2x) ∈ R2 ; x ∈ R}. Note que todos os elementos de
S são da forma (x, 2x) = x(1, 2). Variando o valor de x obtemos diversos elementos do conjunto
S. Ora, se x(1, 2) é a expressão de uma combinação linear do vetor (1, 2), logo, todos os elementos
de S são combinações lineares de (1, 2) e portanto, S = [(1, 2)]. Graficamente, esse subespaço é
uma reta crescente de equação y = 2x, ou equivalentemente, é a reta com direção do vetor (1, 2)
que passa pela origem do plano cartesiano.
Figura 15 - S subespaço de R2
Exemplo 27: Considere o conjunto W = {(x, x + y, y) ∈ R3 ; x, y ∈ R}. Assim, se w ∈ W , então,

w = (x, x + y, y), mas podemos reescrever w de outra maneira, isto é,
(x, x + y, y) = (x, x, 0) + (0, y, y) = x(1, 1, 0) + y(0, 1, 1).
Assim, os elementos do conjunto W são combinações lineares dos vetores (1, 1, 0) e (0, 1, 1). Geo-
metricamente, W é o plano gerado por esses vetores, portanto, W = [(1, 1, 0), (0, 1, 1)].
ESPAÇOS VETORIAIS
123
Exemplo 28: Seja S = {(x, y, z) ∈ R3 ; x + y − z = 0} um plano contido em R3 . Encontre um

conjunto que gera esse subespaço.
Vamos encontrar um conjunto gerador para esse subespaço de R3 . Assim, da igualdade

x + y − z = 0 obtemos z = x + y, logo, se v = (x, y, z) ∈ S, então, v = (x, y, x + y). Segue que,
v = (x, y, x + y) = (x, 0, x) + (0, y, y) = x(1, 0, 1) + y(0, 1, 1).
Portanto, S é gerado pelos vetores (1, 0, 1) e (0, 1, 1), ou seja, S = [(1, 0, 1), (0, 1, 1)].
Ainda neste exemplo, partindo da equação x + y − z = 0, poderı́amos ter isolado x, isto é,
x = −y + z, logo, se v = (x, y, z) ∈ S, então, v = (−y + z, y, z), ou seja,
v = (−y + z, y, z) = (−y, y, 0) + (z, 0, z) = y(−1, 1, 0) + z(1, 0, 1).
Assim, outro conjunto que gera esse subespaço é S = [(−1, 1, 0), (1, 0, 1)]. De modo análogo,
se tivéssemos isolado y, obterı́amos um outro conjunto gerador, a saber, S = [(1, −1, 0), (0, 1, 1)].
Isso mostra que é possı́vel exibir vários conjuntos que geram o mesmo subespaço.
Figura 16 - S subespaço gerado de R3
Neste exemplo, qualquer conjunto formado por dois vetores (não nulos) que estejam no
plano S e que não sejam colineares, formarão um conjunto gerador para esse subespaço. Daı́ nos
deparamos com a seguinte questão, será que existe um conjunto gerador mais “simples” para um
determinado subespaço vetorial? Veremos a resposta para essa questão na próxima seção.
Combinação Linear
124 UNIDADE III
Dependência e Independência Linear
Vimos na seção anterior que um conjunto finito de vetores {v1 , v2 , ..., vn } gera um espaço
vetorial V , se cada vetor em V pode ser escrito como uma combinação linear dos vetores de
v1 , v2 , ..., vn . Em geral, pode haver mais de uma maneira de expressar um vetor em V como uma
combinação linear de vetores de um conjunto gerador. Num curso de Álgebra Linear, é essencial
sabermos se um vetor é uma combinação linear de outros. Nesta seção, vamos estudar as condi-
ções com as quais cada vetor de um espaço vetorial V possa ser escrito de maneira única como
combinação linear de um conjunto gerador de vetores. Conjuntos geradores com essa propriedade
desempenham um papel fundamental no estudo de espaços vetoriais.
Definição: Seja V um espaço vetorial e v1 , v2 , . . . , vn vetores de V , dizemos que o conjunto

{v1 , v2 , . . . , vn } é linearmente independente (LI) quando a equação vetorial
a1 v1 + a2 v2 + · · · + an vn = �0
implicar que a1 = a2 = · · · = an = 0. No caso em que exista algum ai �= 0, dizemos que

{v1 , v2 , . . . , vn } é linearmente dependente (LD). Como consequência, temos o teorema a seguir.
Teorema: O conjunto de vetores {v1 , v2 , . . . , vn } é LD se, e somente se, um desses vetores for uma
combinação linear dos outros, isto é, existe k ∈ N, com 1 ≤ k ≤ n tal que
a1 a2 an
vk = − v1 − v2 − ... − vn , com ak �= 0.
ak ak ak
Exemplo 29: Os vetores canônicos e1 = (1, 0, . . . , 0), . . . e en = (0, . . . , 0, 1) em Rn são LI. De

fato, a equação a1 e1 + · · · + an en = �0 significa (a1 , . . . , an ) = (0, . . . , 0), logo, a1 = · · · = an = 0.
Exemplo 30: Os monômios 1, x, . . . , xn em Pn (polinômios de grau n) são LI, pois a0 + a1 x +

· · · + an xn = p(x) é o vetor nulo em Pn somente quando p(x) é a função identicamente nula, isto
é, p(x) = 0 para todo x ∈ R. Isso obrigaria a ser a0 = · · · = an = 0, pois um polinômio não nulo
de grau k tem no máximo k raı́zes reais.
ESPAÇOS VETORIAIS
125
Exemplo 31: Verifique se os vetores u = (1, 2, 3), v = (4, 5, 6) e w = (7, 8, 9) pertencentes a R3

formam um conjunto LI ou LD.
Sejam a1 , a2 e a3 números reais tais que
a1 u + a2 v + a3 w = �0, (∗)
isto é,
a1 (1, 2, 3) + a2 (4, 5, 6) + a3 (7, 8, 9) = (0, 0, 0)
ou ainda,
(a1 + 4a2 + 7a3 , 2a1 + 5a2 + 8a3 , 3a1 + 6a2 + 9a3 ) = (0, 0, 0),
o que resulta no sistema linear homogêneo

⎧
⎪
⎪
⎪
⎪ a1 + 4a2 + 7a3 = 0
⎨
⎪ 2a1 + 5a2 + 8a3 = 0 .
⎪
⎪
⎪
⎩ 3a + 6a + 9a = 0
1 2 3
Resolvendo esse sistema, temos

⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤
⎢ 1 4 7 0 ⎥ ⎢ 1 4 7 0 ⎥ ⎢ 1 4 7 0 ⎥ ⎢ 1 0 −1 0 ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢ 2 5 8 ... 0 ⎥ → ⎢ 0 3 6 ... 0 ⎥ → ⎢ 0 1 2 ... 0 ⎥ → ⎢ 0 1 2 ... 0 ⎥ ,
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎣ ⎦ ⎣ ⎦ ⎣ ⎦ ⎣ ⎦
3 6 9 0 0 6 12 0 0 0 0 0 0 0 0 0
como pA = pC = 2 e n = 3, logo, temos SPI com infinitas soluções, ou seja, esse sistema homogêneo
admite uma solução além da trivial (0, 0, 0). E reescrevendo, temos
⎧
⎪
⎨ a −a =0
1 3
⎪
⎩ a2 + 2a3 = 0
em particular, se a1 = 1, temos a3 = 1 e a2 = −2, ou seja, o terno (1, −2, 1) é uma solução do

sistema, logo, na equação inicial (∗) temos 1u − 2v + 1w = �0. Portanto, pela definição concluı́mos
que o conjunto {u, v, w} é LD. Note ainda que w = 2v − u, ou seja, w pode ser escrito como
combinação linear dos outros vetores, e pela definição, o conjunto {u, v, w} é LD.
Combinação Linear
126 UNIDADE III
Exemplo 32: Sejam v1 = (−2, 5), v2 = (6, −15) e v3 = (3, 3) vetores do espaço vetorial R2 .
Verifique quais conjuntos a seguir são LI ou LD:
a) {v1 , v2 }
Sejam a e b números reais tais que
av1 + bv2 = �0 (∗)
logo, substituindo, temos
a(−2, 5) + b(6, −15) = (0, 0)
(−2a + 6b, 5a − 15b) = (0, 0)
segue que ⎧
⎪
⎨ −2a + 6b = 0
⎪
⎩ 5a − 15b = 0
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
⎢ −2 6 | 0 ⎥ ⎢ −1 3 | 0 ⎥ ⎢ 1 −3 | 0 ⎥
⎣ ⎦→⎣ ⎦→⎣ ⎦
5 −15 | 0 1 −3 | 0 0 0 | 0
como pA = pC = 1 e n = 2, logo, temos SPI com infinitas soluções. Reescrevendo o sistema,
{a − 3b = 0
Em particular, quando a = 3, temos b = 1, ou seja, (3, 1) é uma solução não trivial do sistema.
Assim, em (∗) temos 3v1 + 1v2 = �0, portanto, o conjunto {v1 , v2 } é LD.
Geometricamente, dois vetores formam um conjunto LD, quando esses vetores são colineares
(estão sobre uma mesma reta) ou são paralelos, isto é, quando esses vetores têm a mesma direção.
Algebricamente, dois vetores são LD quando um é múltiplo do outro, ou seja, quando um vetor
1
pode ser escrito como combinação linear do outro vetor, neste exemplo, temos v1 = v2 , em
3
1
que é a constante de proporcionalidade. Note que os conceitos de conjuntos LI ou LD têm
3
origem geométrica. Aqui apresentamos uma definição algébrica, pois essas definições precisaram
ser válidas para quaisquer que sejam os espaço vetoriais, a saber, matrizes, polinômios, funções,
etc.
ESPAÇOS VETORIAIS
127
b) {v1 , v3 }
Sejam c e d números reais tais que
cv1 + dv3 = �0 (∗∗)
c(−2, 5) + d(3, 3) = (0, 0)
(−2c + 3d, 5c + 3d) = (0, 0)

⎧
⎪
⎨ −2c + 3d = 0
⎪
⎩ 5c + 3d = 0
segue que ⎡ ⎤ ⎡ ⎤ ⎡ ⎤
⎢ −2 3 | 0 ⎥ ⎢ −10 15 | 0 ⎥ ⎢ −10 15 | 0 ⎥
⎣ ⎦→⎣ ⎦→⎣ ⎦
5 3 | 0 10 6 | 0 0 21 | 0
⎡ ⎤ ⎡ ⎤
⎢ 1 −3/2 | 0 ⎥ ⎢ 1 0 | 0 ⎥
→⎣ ⎦→⎣ ⎦
0 1 | 0 0 1 | 0
Temos um caso SPD com solução única, pois pA = pC = n = 2, logo reescrevendo o sistema,
⎧
⎪
⎨ c=0
⎪
⎩ d=0
Assim, o sistema possui apenas a solução trivial (0, 0), ou seja, de (∗∗) temos que a equação vetorial
cv1 + dv2 = �0 se e somente se, c = d = 0. Portanto, o conjunto {v1 , v2 } é LI.
Geometricamente, dois vetores formam um conjunto LI quando o ângulo formado por eles
é estritamente maior que zero e estritamente menor que 180 graus, neste caso, existe um único
plano que passa por esses vetores, assim, qualquer vetor que estiver nesse plano pode ser escrito
como combinação linear dos outros vetores, por isso, dizemos que dois vetores LI geram um plano.
Veremos isso mais detalhadamente na próxima seção.
É interessante lembrar, como o sistema linear desse exemplo é homogêneo, bastava verificar
o valor do determinante da matriz formada por seus coeficientes, uma vez que seu determinante
é diferente de zero, logo o sistema possui solução única, que é o par ordenado (0, 0), daı́ concluir
que c = d = 0, ou seja, o conjunto é LI.
Combinação Linear
128 UNIDADE III
Exemplo 33: Considere o conjunto S = {v1 , v2 }, em que v1 = (1, 0, 1) e v2 = (0, 1, 1). Prove que
esse conjunto é LI.
Sejam a e b números reais tais que
av1 + bv2 = �0
a(1, 0, 1) + b(0, 1, 1) = (0, 0, 0)
(a, b, a + b) = (0, 0, 0)
logo, a = 0 e b = 0. Portanto, o conjunto {v1 , v2 } é LI.
Uma outra forma para provar esse resultado é utilizando a técnica de redução ao absurdo
ou prova por absurdo, que consiste em: - negar a tese, ou seja, negar o que se quer provar; -
e utilizando argumentos matemáticos chega-se em um absurdo. Assim, suponhamos por absurdo
que esse conjunto seja LD, ou seja, v1 é múltiplo de v2 (combinação linear). Logo, existe k ∈ R tal
que
v1 = kv2
ou ainda
(1, 0, 1) = k(0, 1, 1)
(1, 0, 1) = (0, k, k)
daı́, obtemos 1 = 0, k = 1 e k = 0, o que é um absurdo. Com essa análise verificamos que esses
vetores não são múltiplos, isto é, v1 não é combinação linear de v2 . Essa prova também é conhecida
como prova por contradição.
Apresentamos duas técnicas para verificar quando um conjunto é LI, a primeira é mostrar
que todos os coeficientes reais são nulos, e a outra que é por redução ao absurdo. Na sequência,
vamos mostrar mais uma técnica bem simples para verificar se um conjunto é LI ou LD, que utiliza
as operações elementares sobre as matrizes formada pelos coeficientes dos vetores.
ESPAÇOS VETORIAIS
129
Exemplo 34 (Processo Prático): Considere o conjunto {(2, 1, 1, 0), (1, 0, 1, 2), (0, −1, 1, 4)} de
vetores contidos em R4 , verifique se esse conjunto é LD ou LI.
Vamos apresentar uma técnica para identificar se um conjunto de vetores é LI ou LD, esse
processo também pode ser aplicado para vetores de R2 e R3 . Para tanto, devemos listar de forma
ordenada (neste caso) as coordenadas dos vetores formandos linhas de uma matriz simbólica
⎡ ⎤
⎢ 2 1 1 0 ⎥
⎢ ⎥
⎢ 1 0 1 2 ⎥.
⎢ ⎥
⎣ ⎦
0 −1 1 4
Em seguida, escalonamos essa matriz na tentativa de “zerar” alguma linha (ou mais),
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
⎢ 2 1 1 0 ⎥ ⎢ 1 1/2 1/2 0 ⎥ ⎢ 1 1/2 1/2 0 ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢ 1 0 1 2 ⎥→⎢ 1 0 1 2 ⎥ → ⎢ 0 −1/2 1/2 2 ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎣ ⎦ ⎣ ⎦ ⎣ ⎦
0 −1 1 4 0 1 −1 −4 0 1 −1 −4
⎡ ⎤ ⎡ ⎤
⎢ 1 1/2 1/2 0 ⎥ ⎢ 1 0 1 2 ⎥
⎢ ⎥ ⎢ ⎥
→⎢
⎢ 0 1 −1 −4 ⎥
⎥ → ⎢ ⎥
⎢ 0 1 −1 −4 ⎥ .
⎣ ⎦ ⎣ ⎦
0 1 −1 −4 0 0 0 0
Neste caso, como apareceu uma linha toda nula, dizemos que o conjunto dado é LD. Caso não
apareça uma linha nula após o escalonamento, o conjunto será LI.
A justificativa para esse processo prático é que o terceiro vetor (linha que anulou) pode ser
escrito como combinação linear dos outros dois vetores, isto é, ele “depende” dos outros vetores, e
algebricamente,
(0, −1, 1, 4) = −1.(2, 1, 1, 0) + 2.(1, 0, 1, 2).
Este exemplo nos mostra uma técnica fácil e rápida para verificar a dependência e inde-
pendência linear para um conjunto de vetores em Rn , apesar de ser possı́vel utilizá-la no caso de
conjunto formado por matrizes ou polinômios, o importante e escrever cada linha da matriz de
forma ordenada e completa.
Combinação Linear
130 UNIDADE III
Exemplo 35: Vamos verificar se o conjunto {1, x − 1, x2 + 2x + 1, x2 } de P2 (R) é LD ou LI.
Sejam a, b, c, d ∈ R, tais que
a.1 + b(x − 1) + c(x2 + 2x + 1) + d(x2 ) = �0.
Desenvolvendo, obtemos
a + bx − b + cx2 + 2cx + c + dx2 = 0
a − b + c + (b + 2c)x + (c + d)x2 = 0 + 0x + 0x2 (∗).
Pela identidade de polinômios, obtemos
⎧
⎪
⎪
⎪
⎪ a−b+c=0
⎨
⎪ b + 2c = 0 .
⎪
⎪
⎪
⎩ c+d=0
Resolvendo esse sistema, temos

⎡ ⎤ ⎡ ⎤ ⎡ ⎤
⎢ 1 −1 1 0 | 0 ⎥ ⎢ 1 0 3 0 | 0 ⎥ ⎢ 1 0 0 −3 | 0 ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢ 0 1 2 0 | 0 ⎥ → ⎢ 0 1 2 0 | 0 ⎥ → ⎢ 0 1 0 −2 | 0 ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎣ ⎦ ⎣ ⎦ ⎣ ⎦
0 0 1 1 | 0 0 0 1 1 | 0 0 0 1 1 | 0
Como pA = pC = 3 e n = 4, temos um caso SPI com infinitas soluções. Reescrevendo esse sistema
⎧
⎪
⎪
⎪
⎪ a − 3d = 0
⎨
⎪ b − 2d = 0
⎪
⎪
⎪
⎩ c+d=0
Em particular, se d = 1, temos a = 3, b = 2 e c = −1, ou seja, temos uma solução (3, 2, −1, 1) que
não é a solução trivial, logo, a equação (*) pode ser escrita como
3.1 + 2(x − 1) − 1(x2 + 2x + 1) + 1.x2 = 0
sem necessariamente que a = b = c = d = 0. Portanto, o conjunto é LD.
ESPAÇOS VETORIAIS
131
Vamos resolver esse mesmo exemplo pelo método prático, ou seja, mostrar que {1, x −
1, x + 2x + 1, x2 } é LD. Assim, sejam p1 = 1, p2 = x − 1, p3 = x2 + 2x + 1 e p4 = x2 , para
2
utilizarmos essa técnica, precisamos escrever esses polinômios na forma ordenada e completa, ou
seja, p1 = 0x2 + 0x + 1, p2 = 0x2 + 1x − 1, p3 = 1x2 + 2x + 1 e v4 = 1x2 + 0x + 0, logo, a matriz
auxiliar é
⎡ ⎤
⎢ 0 0 1 ⎥
⎢ ⎥
⎢ ⎥
⎢ 0 1 −1 ⎥
⎢ ⎥.
⎢ ⎥
⎢ 1 2 1 ⎥
⎢ ⎥
⎣ ⎦
1 0 0
Escalonando, temos
⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤
⎢ 0 0 1 ⎥ ⎢ 0 0 1 ⎥ ⎢ 0 0 1 ⎥ ⎢ 0 0 1 ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢ 0 1 −1 ⎥ ⎢ 0 1 0 ⎥ ⎢ 0 1 0 ⎥ ⎢ 0 1 0 ⎥
⎢ ⎥→⎢ ⎥→⎢ ⎥→⎢ ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢ 1 2 1 ⎥ ⎢ 1 2 0 ⎥ ⎢ 1 0 0 ⎥ ⎢ 1 0 0 ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎣ ⎦ ⎣ ⎦ ⎣ ⎦ ⎣ ⎦
1 0 0 1 0 0 1 0 0 0 0 0
Portanto, como a quarta linha “zerou”, logo esse conjunto é LD. A interpretação algébrica
para essa situação é que o quarto polinômio pode ser escrito como combinação linear dos outros
polinômios, isto é,
p4 = −3p1 − 2p2 + p3 .
Combinação Linear
132 UNIDADE III
TÓPICO 4: BASE E DIMENSÃO

BASE E DIMENSÃO
Vamos introduzir nesta seção dois conceitos essenciais no estudo de Espaços Vetoriais: Base
e Dimensão. Com esses dois conceitos, podemos esclarecer as estruturas desses espaços.
Definição: Seja B = {v1 , v2 , . . . , vn } um conjunto ordenado de vetores de um espaço vetorial V ,

dizemos que B é uma base de V se as seguintes condições são verificadas:
I) V = [v1 , v2 , . . . , vn ].
II) B é LI.
Assim, o item (I) diz que uma base deve gerar o espaço vetorial, e o item (II) diz que esses vetores
devem necessariamente ser formado por um conjunto LI.
Vimos na seção anterior que a base canônica α = {e1 , e2 , e3 } com e1 = (1, 0, 0), e2 = (0, 1, 0)
e e3 = (0, 0, 1) é LI. Esse conjunto também gera R3 , pois qualquer vetor de R3 pode ser repre-
sentado como combinação linear da base canônica, isto é, seja u = (x, y, z) ∈ R3 , temos que
u = xe1 + ye2 + ze3 .
Exemplo 36: Considere as seguintes matrizes de ordem 2 por 2

⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤
⎢ 1 0 ⎥ ⎢ 0 5 ⎥ ⎢ 0 0 ⎥ ⎢ 0 0 ⎥
M1 = ⎣ ⎦ , M2 = ⎣ ⎦ , M3 = ⎣ ⎦ e M4 = ⎣ ⎦.
0 0 0 0 4 0 0 7
Mostre que o conjunto {M1 , M2 , M3 , M4 } forma uma base para o espaço vetorial das matrizes
quadradas de ordem 2, isto é, para V = M2×2 (R).
Primeiramente, vamos verificar que toda matriz de ordem 2 por 2 pode ser escrito como
combinação linear dessas quatro matrizes. De fato, seja M uma matriz qualquer de V = M2×2 (R)
⎡ ⎤
⎢ x y ⎥
M =⎣ ⎦.
z w
Assim, devemos mostrar que existem escalares a, b, c e d tais que
M = aM1 + bM2 + cM3 + dM4 (∗)
ESPAÇOS VETORIAIS
133
⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤
⎢ x y ⎥ ⎢ 1 0 ⎥ ⎢ 0 5 ⎥ ⎢ 0 0 ⎥ ⎢ 0 0 ⎥
⎣ ⎦ = a⎣ ⎦ + b⎣ ⎦ + c⎣ ⎦ + d⎣ ⎦
z w 0 0 0 0 4 0 0 7
⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤
⎢ x y ⎥ ⎢ a 0 ⎥ ⎢ 0 5b ⎥ ⎢ 0 0 ⎥ ⎢ 0 0 ⎥
⎣ ⎦=⎣ ⎦ + b⎣ ⎦ + c⎣ ⎦ + d⎣ ⎦
z w 0 0 0 0 4c 0 0 7d
⎡ ⎤ ⎡ ⎤
⎢ x y ⎥ ⎢ a 5b ⎥
⎣ ⎦=⎣ ⎦
z w 4c 7d
y z w
Logo, tome a = x, b = , c= ed= que a igualdade (∗) é verificada. Portanto, o
5 4 7
conjunto {M1 , M2 , M3 , M4 } gera o espaço vetorial M2×2 (R), ou seja, V = [M1 , M2 , M3 , M4 ].
Agora, precisamos mostrar que o conjunto {M1 , M2 , M3 , M4 } é LI. De fato, sejam a1 , a2 , a3

e a4 escalares reais tais que
a1 M1 + a2 M2 + a3 M3 + a4 M4 = �0
ou ainda ⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤
⎢ 1 0 ⎥ ⎢ 0 5 ⎥ ⎢ 0 0 ⎥ ⎢ 0 0 ⎥ ⎢ 0 0 ⎥
a1 ⎣ ⎦ + a2 ⎣ ⎦ + a3 ⎣ ⎦ + a4 ⎣ ⎦=⎣ ⎦
0 0 0 0 4 0 0 7 0 0
⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤
⎢ a1 0 ⎥ ⎢ 0 5a2 ⎥ ⎢ 0 0 ⎥ ⎢ 0 0 ⎥ ⎢ 0 0 ⎥
⎣ ⎦+⎣ ⎦+⎣ ⎦+⎣ ⎦=⎣ ⎦
0 0 0 0 4a3 0 0 7a4 0 0
⎡ ⎤ ⎡ ⎤
⎢ a1 5a2 ⎥ ⎢ 0 0 ⎥
⎣ ⎦=⎣ ⎦
4a3 7a4 0 0
Da última igualdade temos, a1 = 0, 5a2 = 0, 4a3 = 0 e 7a4 = 0, o que resulta em a1 = a2 = a3 =

a4 = 0. Logo, as matrizes M1 , M2 , M3 e M4 formam um conjunto é LI.
Portanto, como o conjunto {M1 , M2 , M3 , M4 } gera o espaço V e também é LI, então, po-
demos concluir que esse conjunto forma uma base para o espaço das matrizes de ordem 2 por
2.
Base e Dimensão
134 UNIDADE III
Exemplo 37: Verifique se o conjunto B = {(0, 1), (0, 3)} é uma base de R2 .
Vamos primeiramente verificar se B gera R2 . Assim, seja w = (x, y) um vetor qualquer de

R2 , logo, devemos mostrar que w pode ser escrito como combinação linear dos vetores u = (0, 1) e
v = (0, 3). Algebricamente precisamos exibir escalares a e b tais que
w = au + bv (∗)
(x, y) = a(0, 1) + b(0, 3)
(x, y) = (0, a) + (0, 3b)
(x, y) = (0, a + 3b)

⎧ ⎡ ⎤ ⎡ ⎤
⎪
⎨ 0=x ⎢ 0 0 | x ⎥ ⎢ 1 3 | y ⎥
→⎣ ⎦→⎣ ⎦.
⎪
⎩ a + 3b = y 1 3 | y 0 0 | x
Note que, para todo x �= 0, tem-se pA = 2 e pC = 1, logo, temos um tipo SI (sem solução). Ou
seja, neste caso, não existem escalares a e b tais que a equação (∗) é verificado, portanto, u e v
não geram R2 . Geometricamente, os vetores u e v geram apenas o eixo da ordenada y, pois são
colineares, ou seja, LD.
Uma outra forma de mostrar que o conjunto B = {(0, 1), (0, 3)} não forma uma base, é
verificando que esses vetores não formam um conjunto LI. Assim, sejam c, d ∈ R tais que
cu + dv = �0 (∗∗)
c(0, 1) + d(0, 3) = (0, 0)
(0, c + 3d) = (0, 0)

⎧ ⎡ ⎤
⎪
⎨ 0=0 ⎢ 0 0 | 0 ⎥
→⎣ ⎦.
⎪
⎩ c + 3d = 0 1 3 | 0
Como pA = pC = 1 e n = 2, logo, temos SPI (infinitas soluções), por exemplo, para d = 1, tem-se
c = −3, ou seja, a equação (∗∗) admite uma solução além da trivial, por exemplo, −3u + 1v = �0,
isso significa que o conjunto B é LD, e portanto, não pode ser base para R2 .
ESPAÇOS VETORIAIS
135
Exemplo 38: Determine uma base para o espaço solução do seguinte sistema:
⎧
⎪
⎪
⎪
⎪ x−y−z−t=0
⎨
2x + y + t = 0 .
⎪
⎪
⎪
⎪
⎩ z−t=0
Vamos obter o conjunto solução para esse sistema. Assim, sua matriz ampliada é dada por
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
⎢ 1 −1 −1 −1 | 0 ⎥ ⎢ 1 −1 −1 −1 | 0 ⎥ ⎢ 1 −1 −1 −1 | 0 ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢ 2 1 ⎥ ⎢
1 | 0 ⎥→⎢ 0 3 3 | 0 ⎥→⎢
⎥ ⎥
⎢ 0 2 ⎢ 0 1 2/3 1 | 0 ⎥
⎣ ⎦ ⎣ ⎦ ⎣ ⎦
0 0 1 −1 | 0 0 0 1 −1 | 0 0 0 1 −1 | 0
⎡ ⎤ ⎡ ⎤
⎢ 1 0 −1/3 0 | 0 ⎥ ⎢ 1 0 0 −1/3 | 0 ⎥
⎢ ⎥ ⎢ ⎥
⎢
→ ⎢ 0 1 2/3 ⎥
1 | 0 ⎥→⎢ ⎥
⎢ 0 1 0 5/3 | 0 ⎥
⎣ ⎦ ⎣ ⎦
0 0 1 −1 | 0 0 0 1 −1 | 0
Como pA = pC = 3 e n = 4, logo, temos SPI, com grau de liberdade n − p = 1, segue que

⎧ ⎧
⎪
⎪ t ⎪
⎪ t
⎪
⎪ x− =0 ⎪
⎪ x=
⎪
⎨ 3 ⎪
⎨ 3
5t 5t .
⎪ y+ =0 →⎪ y=−
⎪
⎪ 3 ⎪
⎪ 3
⎪
⎪ ⎪
⎪
⎩ z−t=0 ⎩ z=t
��
t 5t
Portanto, seu conjunto solução é S = , − , t, t ; t ∈ R , logo, se v ∈ S, então,
3 3
� �
t 5t
v= , − , t, t
3 3
� �
1 5
v=t , − , 1, 1 .
3 3
��
1 5
Assim, S = , − , 1, 1 é um conjunto gerador das soluções. Além disso, se a ∈ R, temos
3 3
� �
1 5
a , − , 1, 1 = �0
3 3
Base e Dimensão
136 UNIDADE III
� �
a 5a
, − , a, a = (0, 0, 0, 0).
3 3
��
1 5
Dessa igualdade obtemos que a = 0, ou seja, o conjunto , − , 1, 1 é LI. Portanto, como
3 3
este último conjunto gera e LI, concluı́mos que uma base para o conjunto solução S é
��
1 5
, − , 1, 1 .
3 3
Neste último exemplo, poderı́amos verificar que esse conjunto unitário é LI por meio do
método prático, ou seja, escalonando a matriz linha
� �
1 5
− 1 1 .
3 3
Obviamente que essa matriz não é nula, logo, esse conjunto é LI. Dessa forma, podemos concluir
que todo conjunto formado por um único vetor não nulo é obrigatoriamente LI.
Exemplo 39: Encontre uma base para o subespaço W de R4 , em que W = {(x, y, z, t) ∈ R4 ; x−y =
y e x − 3y + t = 0}.
Seja w = (x, y, z, t) ∈ W , logo, x − 2y = 0 e x − 3y + t = 0, isso equivale ao sistema

⎧ ⎡ ⎤ ⎡ ⎤
⎪
⎨ x − 2y = 0 ⎢ 1 −2 0 0 | 0 ⎥ ⎢ 1 −2 0 0 | 0 ⎥
→⎣ ⎦→⎣ ⎦
⎪
⎩ x − 3y + t = 0 1 −3 0 1 | 0 0 1 0 −1 | 0
⎡ ⎤ ⎧ ⎧
⎪
⎨ ⎪
⎨ x = 2t
⎢ 1 0 0 −2 | 0 ⎥ pA = pC = 2 e n = 4 x − 2t = 0
→⎣ ⎦→ → →
⎪
⎩ y−t=0 ⎪
⎩ y=t
0 1 0 −1 | 0 SPI com n − p = 2.
Logo, w ∈ W , se e somente se, w = (2t, t, z, t), segue que
w = (2t, t, z, t)
= (2t, t, 0, t) + (0, 0, z, 0)
= t(2, 1, 0, 1) + z(0, 0, 1, 0),
assim, W = [(2, 1, 0, 1), (0, 0, 1, 0)].
ESPAÇOS VETORIAIS
137
O próximo passo é mostrar que esse conjunto é LI. De fato, sejam α, β ∈ R, tais que
α(2, 1, 0, 1) + β(0, 0, 1, 0) = (0, 0, 0, 0)
ou ainda,
(2α, α, 0, α) + (0, 0, β, 0) = (0, 0, 0, 0)
(2α, α, β, α) = (0, 0, 0, 0)
e com isso obtemos α = β = 0, logo, o conjunto é LI. Portanto, {(2, 1, 0, 1), (0, 0, 1, 0)} forma uma
base para o subespaço W .
Teorema: Sejam v1 , v2 , . . . , vn vetores não nulos que geram um espaço vetorial V , então, dentre
esses vetores podemos extrair uma base de V .
Teorema: Considere V um espaço vetorial gerado por um conjunto finito de vetores v1 , v2 , . . . , vn .

Então, qualquer conjunto com mais de n vetores é necessariamente LD e, portanto, qualquer con-
junto LI de V tem no máximo n vetores. As demonstrações desses teoremas podem ser encontradas
em Boldrini (1980).
Uma consequência desses teoremas é que qualquer base de um espaço vetorial finitamente
gerado tem sempre o mesmo número de elementos. Esse número é chamado dimensão de V (e é
denotado por dim V ), assunto para próxima subseção.
Teorema: Dada uma base B = {v1 , v2 , . . . , vn } de um espaço vetorial V , cada vetor de V é escrito
de maneira única como combinação linear de v1 , v2 , . . . , vn .
Definição: Considere B = {v1 , v2 , . . . , vn } base de V e v ∈ V em que v = a1 v1 + a2 v2 + . . . + an vn .

Os números a1 , . . . , an são chamados de coordenadas de v em relação à base B e escrevemos
⎡ ⎤
⎢ a1 ⎥
⎢ ⎥
[v]β = ⎢
⎢ ... ⎥.
⎥
⎣ ⎦
an
Base e Dimensão
138 UNIDADE III
Exemplo 40: Seja v = (2, 6) ∈ R2 , obtenha suas coordenadas em relação a base B = {(1, 1), (0, 1)}.
Sejam a e b escalares tais que
(2, 6) = a(1, 1) + b(0, 1)
(2, 6) = (a, a) + (0, b)
(2, 6) = (a, a + b)
dessa igualdade, obtemos ⎧
⎪
⎨ a=2
→ a = 2 e b = 4.
⎪
⎩ a+b=6
Portanto, ⎡ ⎤
⎢ 2 ⎥
[v]B = ⎣ ⎦ .
4
Generalizando, se u = (x, y) é um vetor qualquer de R2 , utilizando a mesma técnica do

inı́cio deste exemplo, podemos concluir que suas coordenadas em relação à base B tem a seguinte
forma ⎡ ⎤
⎢ x ⎥
[u]β = ⎣ ⎦.
y−x
Obviamente, quando trabalhamos com espaços vetoriais, a ideia é trabalhar com uma base o mais
“simples” possı́vel, no caso de R2 , usamos a base canônica C = {(1, 0), (0, 1)}. Por exemplo, o
vetor v = (2, 6) na base canônica é escrito assim v = 2(1, 0) + 6(0, 1), portanto, suas coordenadas
são ⎡ ⎤
⎢ 2 ⎥
[v]C = ⎣ ⎦ .
6
O problema, é que de um modo geral, as situações-problema envolvendo espaços vetoriais surgem

de maneira não tão simples, por isso a necessidade em se conhecer e determinar outros tipos de
base além das canônicas.
ESPAÇOS VETORIAIS
139
Exemplo 41: Considere a base Ω = {(1, 1), (0, 2)} para R2 :

⎡ ⎤
⎢ 1 ⎥
a) se u ∈ R2 e [u]Ω = ⎣ ⎦ determine as coordenadas do vetor u
3
b) se v = (2, 5), determine [v]Ω
⎡ ⎤
⎢ 1 ⎥
a) Seja u = (x, y) ∈ R2 , como [u]Ω = ⎣ ⎦, logo
3
u = 1(1, 1) + 3(0, 2)
portanto
u = (1, 7).
b) Temos u = (2, 5) ∈ R2 , como Ω é base, logo, existem escalares reais a e b tais que
u = a(1, 1) + b(0, 2)
(2, 5) = (a, a) + (0, 2b)
(2, 5) = (a, a + 2b)
ou seja,
⎧ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤
⎪
⎨ a=2 ⎢ 1 0 | 2 ⎥ ⎢ 1 0 | 2 ⎥ ⎢ 1 0 | 2 ⎥ pA = pC = 2 e
→⎣ ⎦→⎣ ⎦→⎣ ⎦→
⎪
⎩ a + 2b = 5 1 2 | 5 0 2 | 3 0 1 | 3/2 n = 2, logo, SPD
3
segue que a = 2 e b = , portanto,
2 ⎡ ⎤
⎢ 2 ⎥
[u]Ω = ⎣ ⎦.
3/2
Base e Dimensão
140 UNIDADE III
Exemplo 42: Seja B = {2, 1 − t, 1 + t + t2 } uma base para o espaço dos polinômios em uma
variável de grau menor ou igual a 2. Determine as coordenadas do polinômio u = t2 − 1 em relação
a base B.
⎤ ⎡
a
⎢ ⎥
⎢ ⎥
Sejam p1 = 2, p2 = 1 − t, p3 = 1 + t + t2 e [u]B = ⎢ ⎥
⎢ b ⎥, em que a, b e c são as coordenadas
⎣ ⎦
c
de u em relação a base B. Temos
u = ap1 + bp2 + cp3 ,
isto é,
t2 − 1 = a(2) + b(1 − t) + c(1 + t + t2 ),
o que resulta
t2 − 1 = 2a + b − bt + c + ct + ct2
ou ainda
t2 − 1 = ct2 + (−b + c)t + 2a + b + c.
Da igualdade de polinômios, obtemos:

⎧ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤
⎪
⎪
⎪
⎪ 2a + b + c = −1 ⎢ 2 1 1 | −1 ⎥ ⎢ 2 0 2 | −1 ⎥ ⎢ 2 0 0 | −3 ⎥
⎨ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
−b + c = 0 → ⎢ 0 −1 1 | 0 ⎥ → ⎢ 0 1 −1 | 0 ⎥ → ⎢ 0 1 0 | 1 ⎥
⎪ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎪
⎪ ⎣ ⎦ ⎣ ⎦ ⎣ ⎦
⎪
⎩ c=1 0 0 1 | 1 0 0 1 | 1 0 0 1 | 1
⎡ ⎤ ⎧
⎪
⎪
⎢ 1 0 0 | −3/2 ⎥ ⎪
⎪ a = −3/2
⎢ ⎥ como pA = pC = 3 e ⎨
→⎢
⎢ 0 1 0 | 1 ⎥ ⎥→ → b=1 .
⎣ ⎦ ⎪
⎪
n = 3, logo, temos SPD ⎪
⎪
0 0 1 | 1 ⎩ c=1
⎡ ⎤
⎢ 3/2 ⎥
⎢ ⎥
Portanto, [u]B = ⎢
⎢ 1 ⎥.
⎥
⎣ ⎦
1
ESPAÇOS VETORIAIS
141
Dimensão
Seja V um espaço vetorial e B = {v1 , v2 , ..., vn } uma base para esse conjunto, a quantidade
de elementos que formam essa base é chamado de dimensão de V e denotado por dim V = n. Em
particular, se V é um espaço vetorial nulo, então, convencionamos dim V = 0, cuja base é {}.
Exemplo 43: Os espaços vetoriais Rn e Mm×n são espaços vetoriais de dimensão finita. A
dimensão de Rn é n, já que a base canônica de Rn tem n elementos. Por essa razão, Rn é
chamado de espaço n-dimensional. Os espaço vetoriais R2 e R3 são chamados usualmente de
espaços bidimensional e tridimensional, respectivamente. Já a dimensão de Mm×n é m · n, uma

vez que a base canônica de Mm×n é formada por m · n matrizes distintas, cada uma das quais
possuindo uma única entrada igual a 1 e todas as demais entradas iguais a 0.
Exemplo 44: Os monômios 1, x, x2 , . . . , xn constituem uma base do espaço vetorial Pn dos po-
linômios de grau menor ou igual a n, com dimensão dim Pn = n + 1, uma vez que sua base tem
n + 1 elementos.
Teorema (Completamento): Qualquer conjunto LI de um espaço vetorial V com dimensão

finita pode ser completado de modo a formar uma base para V .
Em consequência deste teorema, temos que se dim V = n, qualquer conjunto de n vetores

LI formará uma base de V . A justificativa dessa consequência é simples, se não formasse uma base,
poderı́amos, pelo teorema anterior, completar o conjunto até formá-la e dessa forma terı́amos uma
base com mais do que n vetores em V , o que é absurdo. Além disso, se dim V = n, então, qualquer
conjunto com mais de n elementos é necessariamente LD. Outro fato importante é que se B e Ω
são base de V , então dim B = dim Ω.
Exemplo 45: Seja W = {(x, y, z, t) ∈ R4 ; x + 2y − 3z + t = 0}. Determine a dimensão desse

subespaço de R4 .
Vamos encontrar uma base para W , assim, se w ∈ W , se e somente se, x + 2y − 3z + t = 0,

isso equivale a resolver o sistema

como pA = pC = 1 e n = 4, logo,
{x + 2y − 3z + t = 0 → 1 2 −3 1 | 0 →
temos SPI com n − p = 3 segue que
Base e Dimensão
142 UNIDADE III
{x + 2y − 3z + t = 0 → {x = −2y + 3z − t
Ou seja,
w = (−2y + 3z − t, y, z, t)
w = (−2y, y, 0, 0) + (3z, 0, z, 0) + (−t, 0, 0, t)
w = y(−2, 1, 0, 0) + z(3, 0, 1, 0) + t(−1, 0, 0, 1).
Logo, W = [(−2, 1, 0, 0), (3, 0, 1, 0), (−1, 0, 0, 1)]. Além disso,
⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤
⎢ −2 1 0 0 ⎥ ⎢ −1 0 0 1 ⎥ ⎢ 1 0 0 −1 ⎥ ⎢ 1 0 0 −1 ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢ 3 0 1 0 ⎥→⎢ 3 0 1 0 ⎥→⎢ 0 0 1 3 ⎥ → ⎢ 0 1 0 −2 ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎣ ⎦ ⎣ ⎦ ⎣ ⎦ ⎣ ⎦
−1 0 0 1 −2 1 0 0 0 1 0 −2 0 0 1 3
isso, mostra que o conjunto {(−2, 1, 0, 0), (3, 0, 1, 0), (−1, 0, 0, 1)} é LI. Portanto, esses vetores for-
mam uma base para W , com dim W = 3.
Generalizando, se W é um subespaço qualquer de R4 , então, sua dimensão só poderá ser

0, 1, 2, 3 ou no máximo 4. Desse modo, temos as seguintes possibilidades, se dim W = 0, então
W = {�0} é a origem; se dim W = 1, então W é uma reta que passa pela origem; se dim W = 2,
então W é um plano que passa pela origem; se dim W = 3, então W é um espaço tridimensional
em R4 e, se dim W = 4, neste caso, W é chamado de hiperespaço de R4 .
⎧⎡ ⎤ ⎫
⎪
⎪ ⎪
⎪
⎪
⎪ a ⎪
⎨⎢⎢
⎥
⎥
⎪
⎬
Exemplo 46: Seja M = ⎢ ⎢ a+b
⎥ ∈ M3×1 ∈ (R); a, b ∈ R . Determine uma base e a dimensão
⎥
⎪
⎪ ⎣ ⎦ ⎪
⎪
⎪
⎪ ⎪
⎪
⎩ b ⎭
para o subespaço M .
Primeiramente, vamos encontrar um conjunto gerador para M . Assim, seja, X ∈ M , logo,

⎡ ⎤
⎢ a1 ⎥
⎢ ⎥
X=⎢
⎢ a1 + b1
⎥
⎥
⎣ ⎦
b1
ESPAÇOS VETORIAIS
143
⎤ ⎡ ⎡ ⎤
a
⎢ 1 ⎥ ⎢ 0 ⎥
⎢ ⎥ ⎢ ⎥
X=⎢ ⎥ + ⎢
⎢ a1 ⎥ ⎢ b1 ⎥
⎥
⎣ ⎦ ⎣ ⎦
0 b1
⎤⎡ ⎡ ⎤
1
⎢ ⎥ ⎢ 0 ⎥
⎢ ⎥ ⎢ ⎥
X = a1 ⎢ ⎥ ⎢ ⎥
⎢ 1 ⎥ + b1 ⎢ 1 ⎥
⎣ ⎦ ⎣ ⎦
0 1
ou seja, toda matriz de M é combinação linear das matrizes

⎡ ⎤ ⎡ ⎤
⎢ ⎥ ⎢ 0
1 ⎥
⎢ ⎥ ⎢ ⎥
⎢ 1 ⎥ e ⎢ 1 ⎥.
⎢ ⎥ ⎢ ⎥
⎣ ⎦ ⎣ ⎦
0 1
Logo, o conjunto formado por essas matrizes gera o espaço M . Falta verificar se esse conjunto é
LI. Assim, sejam α, β ∈ R, tais que
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
⎢ 1 ⎥ ⎢ 0 ⎥ ⎢ 0 ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢ ⎥
α⎢ 1 ⎥+β⎢ ⎥ ⎢
⎢ 1 ⎥=⎢ 0
⎥
⎥
⎣ ⎦ ⎣ ⎦ ⎣ ⎦
0 1 0
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
α
⎢ ⎥ ⎢ 0 ⎥ ⎢ 0 ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢ α ⎥+⎢ β ⎥=⎢ 0 ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎣ ⎦ ⎣ ⎦ ⎣ ⎦
0 β 0
⎡ ⎤ ⎤ ⎡
⎢ α 0
⎥ ⎢ ⎥
⎢ ⎥ ⎢ ⎥
⎢ α+β ⎥ ⎢ ⎥
⎢ ⎥=⎢ 0 ⎥
⎣ ⎦ ⎣ ⎦
β 0
Dessa última igualdade, resulta que α = 0 e β = 0, logo, essas duas matrizes são LI, portanto,
formam uma base para M , cuja dimensão é dim M = 2.
Base e Dimensão
144 UNIDADE III
⎧⎡ ⎤ ⎫
⎪
⎨ x y ⎪
⎬
⎢ ⎥
Exemplo 47: Seja V = ⎣ ⎦ ∈ M2×2 (R); x, y, z, t ∈ R e x = t um subespaço vetorial de
⎪
⎩ z t ⎪
⎭
M2×2 (R). Obtenha uma base e a dimensão para esse conjunto.
⎡ ⎤
⎢ x y ⎥
Temos que M = ⎣ ⎦ ∈ V , se e somente se, x = t, logo,
z t
⎡ ⎤
⎢ x y ⎥
M =⎣ ⎦
z x
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
⎢ x 0 ⎥ ⎢ 0 y ⎥ ⎢ 0 0 ⎥
M =⎣ ⎦+⎣ ⎦+⎣ ⎦
0 x 0 0 z 0
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
⎢ 1 0 ⎥ ⎢ 0 1 ⎥ ⎢ 0 0 ⎥
M = x⎣ ⎦+y⎣ ⎦+z⎣ ⎦.
0 1 0 0 1 0
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
⎢ 1 0 ⎥ ⎢ 0 1 ⎥ ⎢ 0 0 ⎥
Ou seja, M é combinação linear das matrizes ⎣ ⎦, ⎣ ⎦e⎣ ⎦, portanto, o espaço
0 1 0 0 1 0
vetorial M é gerado por essas matrizes. Precisamos verificar se esse conjunto é LI. Assim, sejam
α, β e γ números reais tais que
⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤
⎢ 1 0 ⎥ ⎢ 0 1 ⎥ ⎢ 0 0 ⎥ ⎢ 0 0 ⎥
α⎣ ⎦+β⎣ ⎦+γ⎣ ⎦=⎣ ⎦
0 1 0 0 1 0 0 0
⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤
⎢ α 0 ⎥ ⎢ 0 β ⎥ ⎢ 0 0 ⎥ ⎢ 0 0 ⎥
⎣ ⎦+⎣ ⎦+⎣ ⎦=⎣ ⎦
0 α 0 0 γ 0 0 0
⎡ ⎤ ⎡ ⎤
⎢ α β ⎥ ⎢ 0 0 ⎥
⎣ ⎦=⎣ ⎦.
γ α 0 0
Da igualdade de matrizes, obtemos que α = 0, β = 0 e γ = 0, ou seja, o conjunto

⎧⎡ ⎤ ⎡ ⎤ ⎡ ⎤⎫
⎪
⎨ 1 0 ⎪
⎬
⎢ ⎥ ⎢ 0 1 ⎥ ⎢ 0 0 ⎥
⎣ ⎦,⎣ ⎦,⎣ ⎦
⎪
⎩ 0 1 ⎪
0 0 1 0 ⎭
é LI e portanto base para V , em que dim V = 3.
ESPAÇOS VETORIAIS
145
Exemplo 48: Seja W um subespaço de R3 gerado pelos vetores u = (1, 2, 3), v = (0, −1, 4) e
w = (1, 1, 0).
a) Verifique se σ = (3, 4, 3) ∈ W
b) Mostre que {u, v, w} é base para R3
a) O vetor σ pertence a W se existem escalares a, b e c tais que
σ = au + bv + cw
(3, 4, 3) = a(1, 2, 3) + b(0, −1, 4) + c(1, 1, 0)

(3, 4, 3) = (a + c, 2a − b + c, 3a + 4b)
⎧ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤
⎪
⎪
⎪
⎪ a+c=3 ⎢ 1 0 1 | 3 ⎥ ⎢ 1 0 1 | 3 ⎥ ⎢ 1 0 1 | 3 ⎥
⎨ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢ ⎥ ⎢
2a − b + c = 4 → ⎢ 2 −1 1 | 4 ⎥ → ⎢ 0 −1 −1 | −2 ⎥→⎢ 0 1 1 | 2 ⎥
⎪ ⎥ ⎢ ⎥
⎪
⎪ ⎣ ⎦ ⎣ ⎦ ⎣ ⎦
⎪
⎩ 3a + 4b = 3 3 4 0 | 3 0 4 −3 | −6 0 0 −7 | −14
⎡ ⎤ ⎡ ⎤ ⎧
⎪
⎪ a=1
⎢ 1 0 1 | 3 ⎥ ⎢ 1 0 0 | 1 ⎥ temos SPD, pois ⎪
⎪
⎨
⎢ ⎥ ⎢ ⎥
→⎢
⎢ 0 1 1 | 2
⎥→⎢ 0 1 0 | 0
⎥ ⎢
⎥ , p = p = n = 3,
⎥ b=0
⎣ ⎦ ⎣ ⎦
A C ⎪
⎪
⎪
⎪
0 0 1 | 2 0 0 1 | 2 segue que ⎩ c=2
Portanto, σ é combinação linear dos vetores u, v e w, em que σ = 1u + 0v + 2w.
b) Para mostrarmos que {u, v, w} é base, precisamos primeiramente verificar se o conjunto formado
por esses três vetores gera o espaço R3 . Assim, seja δ = (x, y, z) um vetor qualquer de R3 , logo,
devemos exibir escalares reais α, β e γ tais que
δ = αu + βv + γw
(x, y, z) = α(1, 2, 3) + β(0, −1, 4) + γ(1, 1, 0)
(x, y, z) = (α + γ, 2α − β + γ, 3α + 4β)
⎧ ⎡ ⎤
⎪
⎪
⎪
⎪ α+γ =x ⎢ 1 0 1 | x ⎥
⎨ ⎢ ⎥
⎪
⎢
2α − β + γ = y → ⎢ 2 −1 1 | y ⎥ ⎥
⎪
⎪ ⎣ ⎦
⎪
⎩ 3α + 4β = z 3 4 0 | z
Base e Dimensão
146 UNIDADE III
Note que queremos apenas saber se esse sistema tem solução, assim, vamos analisar o determi-
nante da matriz formada por seus coeficientes, uma vez que esse sistema tem três equações e três
incógnitas. Assim, temos � �
� �
� 1 0 1 �
� �
� �
� 2 −1 1 � = 7,
� �
� �
� �
� 3 4 0 �
como seu determinante é diferente de zero, logo, temos SPD com única solução, ou seja, qualquer
que seja o vetor dado (x, y, z) ∈ R3 , sempre poderemos encontrar escalares α, β e γ de maneira que
(x, y, z) = αu + βv + γw, e portanto, R3 = [u, v, w]. Falta mostrar que esses três vetores formam
um conjunto LI. De fato, temos
⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤
⎢ 1 2 3 ⎥ ⎢ 1 2 3 ⎥ ⎢ 1 2 3 ⎥ ⎢ 1 0 11 ⎥ ⎢ 1 0 0 ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢ 0 −1 4 ⎥ → ⎢ 0 1 −4 ⎥ → ⎢ 0 1 −4 ⎥ → ⎢ 0 1 −4 ⎥ → ⎢ 0 1 0 ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎣ ⎦ ⎣ ⎦ ⎣ ⎦ ⎣ ⎦ ⎣ ⎦
1 1 0 0 1 3 0 0 7 0 0 1 0 0 1
Como nenhuma linha ficou nula, podemos concluir que os vetores {u, v, w} são LI e portanto,
foram uma base para R3 .
Exemplo 49: Sobre base de espaço vetorial, faça uma análise para cada caso:
a) Dados v1 = (1, −1, 1, 2) e v2 = (−1, 1, −1, 0), forme uma base para o espaço R4 .
Note que o conjunto {v1 , v2 } pode gerar no máximo um espaço de dimensão 2, como
dim R = 4, uma base para esse espaço precisa ser formado por quatro vetores LI. Assim, fal-
4
tam dois vetores, logo, basta escolhermos dois vetores de R4 os quais não sejam combinação linear
dos vetores v1 nem v2 , e que também não sejam múltiplos entre si. Para tanto, observe a seguinte
matriz auxiliar formada pelas coordenadas desses vetores
⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤
⎢ 1 −1 1 2 ⎥ ⎢ 1 −1 1 2 ⎥ ⎢ 1 −1 1 0 ⎥ ⎢ 1 −1 1 0 ⎥
⎣ ⎦→⎣ ⎦→⎣ ⎦→⎣ ⎦.
−1 1 −1 0 0 0 0 2 0 0 0 2 0 0 0 1
Assim, uma possibilidade é acrescentar os vetores v3 = (0, 1, 0, 0) e v4 = (0, 0, 1, 0), consequente-
ESPAÇOS VETORIAIS
147
mente, temos
⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤
⎢ 1 −1 1 0 ⎥ ⎢ 1 0 1 0 ⎥ ⎢ 1 0 0 0 ⎥ ⎢ 1 0 0 0 ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢ 0 0 0 1 ⎥ ⎢ 0 0 0 1 ⎥ ⎢ 0 0 0 1 ⎥ ⎢ 0 1 0 0 ⎥
⎢ ⎥→⎢ ⎥→⎢ ⎥→⎢ ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢ 0 1 0 0 ⎥ ⎢ 0 1 0 0 ⎥ ⎢ 0 1 0 0 ⎥ ⎢ 0 0 1 0 ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎣ ⎦ ⎣ ⎦ ⎣ ⎦ ⎣ ⎦
0 0 1 0 0 0 1 0 0 0 1 0 0 0 0 1
Como nenhuma linha “zerou”, logo, o conjunto {(1, −1, 1, 2), (−1, 1, −1, 0), (0, 1, 0, 0), (0, 0, 1, 0)} é
LI e portanto, uma base de R4 . É interessante observar que neste caso, não há necessidade de
mostrar que esse conjunto gera R4 , uma vez que temos 4 vetores LI em R4 .
b) Dados u1 = (1, 3), u2 = (−2, 4) e u3 = (1, −1), obtenha uma base para o espaço gerado por
esses vetores.
Temos que u1 , u2 e u3 são vetores de R2 , vamos verificar eles geram esse espaço. Assim,
seja w = (x, y) um vetor qualquer do plano cartesiano, logo, devemos exibir escalares α, β e γ tais
que
w = αu1 + βu2 + γu3
substituindo,
(x, y) = α(1, 3) + β(−2, 4) + γ(1, −1)
(x, y) = (α, 3α) + (−2β, 4β) + (γ, −γ)
(x, y) = (α − 2β + γ, 3α + 4β − γ)
segue que,
⎧ ⎡ ⎤ ⎡ ⎤
⎪
⎨ α − 2β + γ = x
⎢ 1 −2 1 | x ⎥ ⎢ 1 −2 1 | x ⎥
→⎣ ⎦→⎣ ⎦
⎪
⎩ 3α + 4β − γ = y 3 4 −1 | y 0 10 −4 | −3x + y
⎡ ⎤ ⎡ ⎤
1 2x + y
⎢ 1 −2 1 | x ⎥ ⎢ 1 0 | ⎥
→⎣ →⎣ 5 5
2 −3x + y ⎦ 2 −3x + y
⎦
0 1 − | 0 1 − |
5 10 5 10
como pA = pC = 2 e n = 3, logo, temos SPI, ou seja, esse sistema tem solução, assim, w pode ser
Base e Dimensão
148 UNIDADE III
escrito como combinação linear dos vetores u1 , u2 e u3 , portanto, R2 = [u1 , u2 , u3 ].
Agora, vamos verificar se esse conjunto de vetores geradores é LI. Pelo processo prático
temos ⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤
⎢ 1 3 ⎥ ⎢ 1 3 ⎥ ⎢ 1 3 ⎥ ⎢ 1 0 ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢ −2 4 ⎥ → ⎢ 0 10 ⎥ → ⎢ 0 1 ⎥ → ⎢ 0 1 ⎥ .
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎣ ⎦ ⎣ ⎦ ⎣ ⎦ ⎣ ⎦
1 −1 0 4 0 1 0 0
Note que a terceira linha “zerou”, isso significa que {u1 , u2 , u3 } é LD, daı́ descartamos o terceiro
vetor, restando o conjunto {u1 , u2 }, que é LI. Portanto, uma base para R2 é o conjunto formado
por u1 e u2 , cuja dimensão é igual a 2.
Neste exemplo, esses 3 vetores geram o plano cartesiano, no entanto, está “sobrando” um
vetor, pois bastavam u1 e u2 para gerar esse espaço vetorial. Nesse sentido, uma base é o conjunto
que gera o espaço vetorial, com o menor número possı́vel de vetores, em particular, neste exemplo,
o vetor u3 pode ser escrito como combinação linear dos vetores u1 e u2 .
Teorema: Se U e W são subespaços de um espaço vetorial V que tem dimensão finita, então
dim U dim V e dim W dim V . Além disso,
dim(U + W ) = dim U + dim W − dim(U ∩ W )
Exemplo 50: Sejam U e W os seguintes subespaços de R3 , U = {(x, y, z) ∈ R3 ; x = z} e

W = {(x, y, z) ∈ R3 ; x + y + z = 0}. Determine uma base e a dimensão para os conjuntos:
a) U + W
b) U ∩ W
a) O primeiro passo é encontrar uma base para U e outra para W .

Base para U
Temos que u = (x, y, z) ∈ U , se e somente se, x = z, ou seja,
u = (z, y, z)
u = (0, y, 0) + (z, 0, z)
u = y(0, 1, 0) + z(1, 0, 1),
ESPAÇOS VETORIAIS
149
logo, U = [(0, 1, 0), (1, 0, 1)]. Além disso,

⎡ ⎤ ⎡ ⎤
⎢ 0 1 0 ⎥ ⎢ 1 0 1 ⎥
⎣ ⎦→⎣ ⎦ conjunto LI.
1 0 1 0 1 0
Portanto, uma base para U é {(0, 1, 0), (1, 0, 1)} e dim U = 2.

Base para W
Agora, w = (x, y, z) ∈ W , se e somente se, x + y + z = 0, ou seja, x = −y − z, assim
w = (−y − z, y, z)
w = (−y, y, 0) + (−z, 0, z)
w = y(−1, 1, 0) + z(−1, 0, 1),
ou seja, W = [(−1, 1, 0), (−1, 0, 1)]. Na sequência temos
⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤
⎢ −1 1 0 ⎥ ⎢ 1 −1 0 ⎥ ⎢ 1 −1 0 ⎥ ⎢ 1 −1 0 ⎥ ⎢ 1 0 −1 ⎥
⎣ ⎦→⎣ ⎦→⎣ ⎦→⎣ ⎦→⎣ ⎦
−1 0 1 −1 0 1 0 −1 1 0 1 −1 0 1 −1
o que mostra que esse conjunto é LI, logo, {(−1, 1, 0), (−1, 0, 1)} é base e dim W = 2.
Base para soma U + W
Vamos obter uma base para soma desses subespaços, note que o conjunto gerador de U + W
é formado pelos vetores das bases de U e também de W , ou seja,
U + W = [(0, 1, 0), (1, 0, 1), (−1, 1, 0), (−1, 0, 1)] .
Assim, precisamos verificar se esse conjunto é LI. Pelo método prático temos
⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤
⎢ 0 1 0 ⎥ ⎢ 0 1 0 ⎥ ⎢ 0 1 0 ⎥ ⎢ 0 1 0 ⎥ ⎢ 0 1 0 ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢ 1 0 1 ⎥ ⎢ 1 0 1 ⎥ ⎢ 1 0 1 ⎥ ⎢ 1 0 1 ⎥ ⎢ 1 0 0 ⎥
⎢ ⎥→⎢ ⎥→⎢ ⎥→⎢ ⎥→⎢ ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢ −1 1 0 ⎥ ⎢ 0 1 1 ⎥ ⎢ 0 0 1 ⎥ ⎢ 0 0 1 ⎥ ⎢ 0 0 1 ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎣ ⎦ ⎣ ⎦ ⎣ ⎦ ⎣ ⎦ ⎣ ⎦
−1 0 1 0 0 2 0 0 1 0 0 0 0 0 0
Note que a última linha “zerou”, logo o vetor (−1, 0, 1) é combinação linear dos outros vetores, ou
seja, devemos eliminá-lo, restando o conjunto de vetores {(0, 1, 0), (1, 0, 1), (−1, 1, 0)} que é LI, e
Base e Dimensão
150 UNIDADE III
portanto uma base soma desses subespaços, em que dim (U + W ) = 3.
b) Base para dim (U ∩ W )
Seja v = (x, y, z) ∈ U ∩ W , se e somente se, x = z e x + y + z = 0, isso equivale a obter o

espaço solução do sistema
⎧ ⎧ ⎡ ⎤ ⎡ ⎤
⎪
⎨ x=z ⎪
⎨ x−z =0
⎢ 1 0 −1 | 0 ⎥ ⎢ 1 0 −1 | 0 ⎥
→ →⎣ ⎦→⎣ ⎦
⎪
⎩ x+y+z =0 ⎪
⎩ x+y+z =0 1 1 1 | 0 0 1 2 | 0
Como pA = pC = 2 e n = 3, temos SPI, com grau de liberdade n − p = 1, segue da última matriz

que ⎧ ⎧
⎪
⎨ x−z =0 ⎪
⎨ x=z
→ ,
⎪
⎩ y + 2z = 0 ⎪
⎩ y = −2z
logo,
v = (z, −2z, z)
v = z(1, −2, 1),
ou seja, U ∩ W = [(1, −2, 1)]. Além disso, como todo conjunto unitário não nulo é LI, podemos
concluir que {(1, −2, 1)} é base e dim(U ∩ W ) = 1. Note que pelo Teorema devemos ter
dim(U + W ) = dim U + dim W − dim(U ∩ W ),
isto é,
3 = 2 + 2 − 1.
A verificação dessa igualdade é um indı́cio de que fizemos o correto, uma espécie de “Prova Real”
em relação as dimensões.
Exemplo 51: Obtenha uma base e a dimensão para o subespaço U de R4 gerado pelos vetores
{(1, 1, 0, −2), (2, 0, −1, −1), (0, 1, −2, 1), (1, 1, 1, −3)}.
Vamos montar uma matriz auxiliar para extrair um conjunto LI a partir desses vetores, ou
ESPAÇOS VETORIAIS
151
seja,
⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤
⎢ 1 1 0 −2 ⎥ ⎢ 1 1 0 −2 ⎥ ⎢ 1 1 0 −2 ⎥ ⎢ 1 1 0 −2 ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢ 2 0 −1 −1 ⎥ ⎢ 0 −2 −1 3 ⎥ ⎢ 0 −2 −1 3 ⎥ ⎢ 0 −2 −1 3 ⎥
⎢ ⎥→⎢ ⎥→⎢ ⎥→⎢ ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢ 0 1 −2 1 ⎥ ⎢ 0 1 −2 1 ⎥ ⎢ 0 0 −5 5 ⎥ ⎢ 0 0 −5 5 ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎣ ⎦ ⎣ ⎦ ⎣ ⎦ ⎣ ⎦
1 1 1 −3 0 0 1 −1 0 0 1 −1 0 0 0 0
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
⎢ 1 1 0 −2 ⎥ ⎢ 1 0 −1/2 −1/2 ⎥ ⎢ 1 0 0 −1 ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢ 0 1 1/2 −3/2 ⎥ ⎢ 0 1 0 −1 ⎥ ⎢ 0 1 0 −1 ⎥
⎢
→⎢ ⎥ ⎢ ⎥ ⎢ ⎥.
⎥→⎢ ⎥→⎢ ⎥
⎢ 0 0 1 −1 ⎥⎥ ⎢ −1 ⎥⎥ ⎢ 0 0 1 −1 ⎥
⎢ ⎢ 0 0 1 ⎢ ⎥
⎣ ⎦ ⎣ ⎦ ⎣ ⎦
0 0 0 0 0 0 0 0 0 0 0 0
Como a quarta linha “zerou”, descartamos o vetor (1, 1, 1, −3) restando um conjunto LI
{(1, 1, 0, −2), (2, 0, −1, −1), (0, 1, −2, 1)}
cuja dimensão é dim U = 3.
Observe que, se quiséssemos completar esse conjunto de maneira a obtermos uma base
para R4 , seria conveniente incluirmos o vetor v = (0, 0, 0, 1), basta observar a última matriz do
escalonamento, a quarta linha e sua última coordenada. Dessa forma, o conjunto
{(1, 1, 0, −2), (2, 0, −1, −1), (0, 1, −2, 1), (0, 0, 0, 1)}.
formaria uma base para R4 .
Base e Dimensão
152 UNIDADE III
Exemplo 52: Sendo W e U subespaço do R4 de dimensão 3, qual a dimensão de U + W se o

conjunto {(1, 2, 1, 0), (−1, 1, 0, 1), (1, 5, 2, 1)} forma um conjunto de geradores de W ∩ U ?
Para respondermos essa pergunta, vamos, em primeiro lugar, escrever esses vetores em forma
de matriz e reduzi-la:
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
⎢ 1 2 1 0 ⎥ ⎢ 1 2 1 0 ⎥ ⎢ 1 2 1 0 ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢ −1 1 0 1 ⎥ ∼ ⎢ 0 3 1 1 ⎥ ∼ ⎢ 0 3 1 1 ⎥.
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎣ ⎦ ⎣ ⎦ ⎣ ⎦
1 5 2 1 0 3 1 1 0 0 0 0
Temos que W ∩ U = [(1, 2, 1, 0), (0, 3, 1, 1)] e dim(W ∩ U ) = 2. Logo, como
dim(W + U ) = dim W + dim U − dim(W ∩ U )
segue
dim(W + U ) = 3 + 3 − 2 = 4.
Portanto, a dimensão de U + W é igual a 4.
ESPAÇOS VETORIAIS
153
Nesta unidade, fizemos uma breve revisão sobre os vetores, com suas caracterı́sticas geo-
métricas e também com suas propriedades algébricas. Motivados pela estrutura do conjunto dos
vetores e as operações usuais, foi possı́vel apresentar a definição de espaço vetorial bem como a de
subespaço vetorial, o qual se trata de subconjuntos de espaços vetoriais que são, por si mesmos,
espaços vetoriais também, considerando as mesmas operações definidas no espaço que os contém.
Vimos que, para comprovar que um subconjunto de um espaço vetorial é um subespaço, basta
verificar três condições: ser não vazio, ser fechado para as operações de adição e multiplicação por
número real.
Além disso, outro ponto abordado nesta unidade foi a forma de determinar um subespaço
gerado por um conjunto de vetores. Nesse caso, escrevemos um vetor genérico do espaço como
combinação linear dos vetores geradores.
Estudamos também as condições para que um conjunto seja linearmente independente (LI)
ou linearmente dependente (LD). Diferente da forma em que é apresentada nos livros de Geometria
Analı́tica, no qual trata esses conceito em sua essência geométrica, nesta unidade, o foco foi no
aspecto algébrico. Na sequência vimos que um conjunto B gerador de um subespaço W e linear-
mente independente é por definição uma base de W . As bases são conjuntos geradores “mı́nimos”
para um subespaço, no sentido de que se um conjunto tem mais elementos que uma base, então ele
é LD, e se tem menos elementos que uma base de W , então não gera W . Essa quantidade mı́nima
de vetores que compõe a base é chamado de dimensão do espaço ou subespaço em questão. Além
disso, vimos também que qualquer conjunto LI de um espaço V , com dimensão finita, pode ser
completado de maneira a se tornar uma base para V .
Finalizando esta unidade, enunciamos um teorema de grande importância, pois serve de

“Prova Real”. O teorema garante que a dimensão da soma de subespaços é igual à soma das
dimensões desses subespaços, subtraı́da da dimensão da interseção dos subespaços, isto é, dim(U +
W ) = dim U + dim W − dim(U ∩ W ). Esse teorema é uma consequência direta da teoria dos
conjuntos e tem vasta aplicação nas diversas teorias envolvendo a matemática.
Considerações Finais
154
ATIVIDADE DE ESTUDO
Nos problemas de 1 a 5, verificar quais deles são espaços vetoriais; para aqueles que não
são, citar qual axioma que não se verifica.
1) R3 = {(x, y, z); x, y, z ∈ R}, com a adição e a multiplicação por escalar definidas por:
(i) (x1 , y1 , z1 ) + (x2 , y2 , z2 ) = (x1 + x2 , y1 + y2 , z1 + z2 ).
(ii) k(x, y, z) = (0, 0, 0).
2) U = {(x, 2x, 3x); x ∈ R} com as operações usuais.
3) R2 = {(x, y); x, y ∈ R}, com as seguintes operações:

(i) (a, b) + (c, d) = (a, b).
(ii) α(a, b) = (αa, αb).
4) R2 = {(x, y); x, y ∈ R}, com as seguintes operações:

(i) (x1 , y1 ) + (x2 , y2 ) = (x1 + x2 , y1 + y2 ).
(ii) α(x, y) = (α2 x, α2 y).
⎧⎡ ⎤ ⎫
⎪
⎨ 0 a ⎪
⎬
⎢ ⎥
5) A = ⎣ ⎦ ∈ M2×2 (R); a, b ∈ R com as operações usuais.
⎪
⎩ b 0 ⎪
⎭
6) Verifique, em cada caso, se o conjunto W é um subespaço vetorial de R2 :
a) W = {(x, y); x + y = 0}
b) W = {(x, y); x + y = 1}
c) W = {(x, y); x2 = y}
d) W = {(x, y); −x + 3y = 0}
7) Determine, em cada caso, uma base e a dimensão de V , W , V + W e V ∩ W :
a) V = {(x, y, z)R3 ; x = y} e W = {(x, y, z) ∈ R3 ; x = y = z}
b) V = {[aij ]2×2 ; a11 = a22 e a12 = a21 } e W = {[aij ]2×2 ; a11 = a21 e a12 = a22 }
c) V = {(x, y, −x − 3y); x, y ∈ R} e W = {(0, 0, z); z ∈ R}
d) V = {(x, y, z, w) ∈ R4 ; x + 2y − w = 0} e W = {(x, x, x, x); x ∈ R}

155
e) V = {(x, x, x); x ∈ R} e W = {(0, 0, z); z ∈ R}
8) Considere o espaço vetorial P3 (R). Determine se os polinômios f (x) = x3 + 4x2 − 2x + 3,

g(x) = x3 + 6x2 − x + 4 e h(x) = 2x3 + 8x2 − 8x + 7 são linearmente dependentes.
9) Verifique, em cada caso, se o conjunto de vetores de R3 indicado é linearmente dependente:
a) {(2, −1, 4), (−4, 10, 2)}
b) {(−3, 0, 4), (5, −1, 2), (1, 1, 3)}
c) {(1, 0, 2), (3, 1, 5), (−1, 2, 1), (4, 0, 1)}
⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤
⎢ 1 1 ⎥ ⎢ 0 1 ⎥ ⎢ 0 0 ⎥ ⎢ 0 0 ⎥
10) Determine se as matrizes A = ⎣ ⎦, B = ⎣ ⎦, C = ⎣ ⎦eD=⎣ ⎦
0 0 1 0 −1 −1 0 −1
formam uma base de M2×2 (R).
156
Mudanças de Coordenadas em Sistemas de Cores
Uma aplicação da Álgebra Linear e Geometria Analı́tica se dá na Computação Gráfica: o

espaço espectral de cores é um espaço vetorial com 3 dimensões formadas a partir de três cores
primárias. Diferentes sistemas de coordenadas, também conhecidos por sistemas de cores, são
considerados nesse espaço, de acordo com a aplicação ou o dispositivo de saı́da gráfica, como tela
do computador, impressora, saı́da VGA ou HDMI.
Em vários casos, é necessário passar de um sistema de coordenadas para outro, e isso é

feito utilizando uma matriz de mudança de coordenadas. Por exemplo, a matriz de mudança de
coordenadas do sistema RGB para o sistema XY Z é uma matriz 3 × 3 obtida quando se considera
a cor branca como um ponto fixo da transformação. Nessa aplicação, estão envolvidos conceitos
de espaços vetoriais vistos nesta unidade e também o conceito de transformações lineares, assunto
na próxima unidade.
O Artigo completo você pode encontrar em:
<http://www.mat.ufmg.br/gaal/aplicacoes/sistemas de coordenadas de cores.pdf>.

Acesso em: 17 maio 2018.
O Romance das Equações Algébricas – A his-

tória da Álgebra
Autor: Gilberto G. Garbi
Editora: Makron Books

Sinopse: a obra representa algo inovador no Brasil
e há de exercer duradoura influência nos métodos de
ensino da Matemática em nosso paı́s. Sem dúvida,
trata-se de uma obra que será muito bem recebida
por professores, alunos e aficionados e está destinada
a despertar em muitos jovens vocações até então des-
conhecidas para uma ciência que, ainda hoje, injusti-
ficadamente, costuma ser envolta em um manto de mistério e encarada com infundado
temor. Em poucas palavras, um livro fascinante.
REFERÊNCIAS
Referências
GABARITO 159
GABARITO
Unidade III
1) Não é um espaço vetorial, pois o item VIII) não é verificado.
2) O conjunto é um espaço vetorial.
3) Não é uma espaço vetorial, devido ao item I).
4) Não é um espaço vetorial, pois não satisfaz o item VI).
5) A é um espaço vetorial.
6)
a) é subespaço vetorial de R2
b) não é subespaço vetorial de R2
c) não é subespaço vetorial de R2
d) é subespaço vetorial de R2
7)
a) Base para V é {(1, 1, 0), (0, 0, 1)} e dim V = 2
Base para W é {(1, 1, 1)} e dim W = 1
Base para V + W é {(1, 1, 0), (0, 0, 1)} e dim(V + W ) = 2
Base para V ∩ W é {(1, 1, 1)} e dim(V ∩ W ) = 1
⎧⎡ ⎤ ⎡ ⎤⎫
⎪ ⎪
⎨ 1
⎢ 0 ⎥ ⎢ 0 1 ⎥⎬
b) Base para V é ⎣ ⎦,⎣ ⎦ e dim V = 2
⎪ ⎪
⎩ 0 1 1 0 ⎭
⎧⎡ ⎤ ⎡ ⎤⎫
⎪
⎨ 1 ⎪
⎢ 0 ⎥ ⎢ 0 1 ⎥⎬
Base para é W é ⎣ ⎦,⎣ ⎦ com dim W = 2
⎪
⎩ 1 ⎪
0 0 1 ⎭
⎧⎡ ⎤ ⎡ ⎤ ⎡ ⎤⎫
⎪ ⎪
⎨
⎢ 1 0 ⎥ ⎢ 0 1 ⎥ ⎢ 1 0 ⎥⎬
Base para V + W é ⎣ ⎦,⎣ ⎦,⎣ ⎦ com dim(V + W ) = 3
⎪ ⎪
⎩ 0 1 1 0 1 0 ⎭
⎧⎡ ⎤⎫
⎪
⎨ ⎪
⎢ 1 1 ⎥⎬
Base para V ∩ W é ⎣ ⎦ com dim(V ∩ W ) = 1
⎪
⎩ ⎪
1 1 ⎭
GABARITO
c) Base para V é {(1, 0, −1), (0, 1, −3)} e dim V = 2

Base para V + W é {(1, 0, −1), (0, 1, −3), (0, 0, 1)} e dim(V + W ) = 3
Base para V ∩ W é {} e dim(V ∩ W ) = 0
d) Base para V é {(−2, 1, 0, 0), (0, 0, 1, 0), (1, 0, 0, 1)} e dim V = 3

Base para W é {(1, 1, 1, 1)} e dim W = 1
Base para V + W é {(−2, 1, 0, 0), (0, 0, 1, 0), (1, 0, 0, 1), (1, 1, 1, 1)} e dim(V + W ) = 4
e) Base para V é
{(1, 1, 1)} e dim V = 1
Base para V + W é {(1, 1, 1), (0, 0, 1)} e dim(V + W ) = 2
8) {f, g, h} é LI
9)
a) LI
b) LI
c) LD
10) Basta verificar que esse conjunto gera o espaço das matrizes M2×2 (R) e também que é LI.
IV
PRODUTO INTERNO E
UNIDADE
TRANSFORMAÇÕES
LINEARES
■■ Apresentar os axiomas do produto interno.
■■ Definir o conceito de transformação linear.
■■ Formalizar os conceitos de núcleo e imagem de uma transformação
linear.
Plano de Estudo
■■ Produto Interno
■■ Transformação Linear
■■ Núcleo e Imagem de uma Transformação Linear
163
INTRODUÇÃO
INTRODUÇÃO
Na disciplina de Fı́sica, bem como na Geometria Analı́tica é definido uma aplicação binária
denominada produto escalar (produto interno), que associava a cada par de vetores um número real
(�u.�v = ||�u||.||�v ||.cosθ), mas essa definição só poderia ser aplicada nos seguintes espaços vetoriais:
reta real (eixo x), plano cartesiano e no espaço tridimensional (R3 ), uma vez que seu cálculo
depende do valor do cosseno do ângulo formado por esses vetores. No entanto, por exemplo, dados
os vetores u = (x1 , y1 , z1 ) e v = (x2 , y2 , z2 ) tal resultado pode ser obtido facilmente por uma
fórmula matemática (teorema) que nos dá como resultado �u.�v = x1 x2 + y1 y2 + z1 z2 , ou seja, que
não depende do ângulo θ.
Motivados pelo resultado do teorema citado anteriormente, nesta unidade, apresentamos,

de maneira algébrica, alguns axiomas para definir o produto interno (que não depende do ângulo
formado pelos vetores). Tal definição pode ser generalizada para vetores de qualquer dimensão,
por exemplo, para vetores de R4 (espaço vetorial no qual não temos condições de medir ângulos).
Assim, definiremos o produto interno que pode ser aplicado para vetores de qualquer dimensão.
Na verdade, quando os espaços considerados são espaços euclidianos, o produto interno e o produto
escalar são aplicações coincidentes, mas, como veremos, o produto interno pode ser definido para
qualquer espaço vetorial, seja das matrizes, dos polinômios etc.
O(a) leitor(a) deve se lembrar do conteúdo “funções”, estudado no Ensino Médio bem como
na disciplina de Cálculo I, assunto esse que, em sua essência, é uma aplicação (relação binária)
que para cada elemento x de um conjunto (chamado domı́nio) associa-se um outro elemento y de
outro conjunto (contradomı́nio), e é denotado por y = f (x). Este último é chamado de imagem
de x pela aplicação f . De maneira análoga, apresentaremos as “transformações lineares”, que são
aplicações que relacionam dois conjuntos, mas nesse caso, esses conjuntos são espaços vetoriais. E,
assim como no estudo das funções, abordaremos alguns casos especiais, a saber, conjuntos que são
associados ao vetor nulo (raı́zes das funções) e o conjunto imagem de uma transformação.
Introdução
164 UNIDADE IV
TÓPICO 1: PRODUTO INTERNO

PRODUTO INTERNO
Definição: Considere V um espaço vetorial, o produto interno em V é uma função que a cada
par de vetores u e v em V associa um número real, denotado por �u, v�, que satisfaz as seguintes
propriedades ou axiomas.
Para quaisquer vetores u, v e w de V e qualquer número real λ,
I) �u, u� 0.
II) �u, u� = 0 se, e somente se, u = �0.
III) �u, v� = �v, u�.
IV) �u + v, w� = �u, w� + �v, w�.
V) �λu, v� = λ�u, v�.
Vejamos um exemplo clássico de produto interno. Sejam u = (x1 , y1 , z1 ) e v = (x2 , y2 , z2 )

vetores de R3 . O produto escalar em R3 definido por:
�u, v� = x1 x2 + y1 y2 + z1 z2
é um produto interno.
De fato, temos
I) �u, u� = x1 x1 + y1 y1 + z1 z1 = x21 + y12 + z12 0
II) �u, u� = 0 ⇔ x21 + y12 + z12 = 0 ⇔ x1 = y1 = z1 = 0 ⇔ u = (0, 0, 0) ⇔ u = �0
III) �u, v� = x1 x2 + y1 y2 + z1 z2 = x2 x1 + y2 y1 + z2 z1 = �v, u�
IV) �u + v, w� = �(x1 + x2 , y1 + y2 , z1 + z2 ), (x3 , y3 , z3 )�
= (x1 + x2 )x3 + (y1 + y2 )y3 + (z1 + z2 )z3
= x 1 x 3 + x2 x 3 + y1 y 3 + y2 y 3 + z 1 z 3 + z 2 z 3
= x 1 x 3 + y1 y 3 + z 1 z 3 + x2 x 3 + y2 y 3 + z 2 z 3
= �u, w� + �v, w�
V) �λu, v� = �(λx1 , λy1 , λz1 ), (x2 , y2 , z2 )�
= λx1 x2 + λy1 y2 + λz1 z2
= λ(x1 x2 + y1 y2 + z1 z2 )
= λ�u, v�
Portanto, como os 5 axiomas são verificados, logo, essa aplicação é um produto interno.

165
Generalizando, sejam u = (x1 , x2 , . . . , xn ) e v = (y1 , y2 , . . . , yn ) vetores em Rn , definimos o

produto interno usual (produto escalar) para Rn da seguinte maneira:
(i) �u, v� = x1 y1 + x2 y2 + · · · + xn yn .
(ii) a norma de um vetor u de V , ou comprimento de u, denotado por �u�, como o número
real:
�
�u� = �u, u�,
ou ainda
�
�u� = x21 + x22 + x23 + ... + x2n .
Essa fórmula para o cálculo da norma de um vetor é uma consequência direta do Teorema
de Pitágoras. Quando �u� = 1, dizemos que u ∈ V é um vetor unitário. Além disso, todo vetor
v �= 0 pode ser escrito como v = �v�w e, para que isto ocorra, w tem que ser um vetor unitário,
v
basta colocar w = .
�v�
Observe que dado um vetor qualquer v �= 0, não unitário, se quisermos encontrar um vetor
1
unitário de mesma direção e sentido que v, basta multiplicarmos v por ; a esse processo cha-
�v�
mamos normalização do vetor v.
⎡ ⎤ ⎡ ⎤
⎢ a1 a2 ⎥ ⎢ b 1 b2 ⎥
Exemplo 1: Sejam A = ⎣ ⎦ e B = ⎣ ⎦ matrizes de M2×2 (R), definimos como
a3 a4 b3 b4
produto interno usual para esse espaço a relação
�A, B� = a1 b1 + a2 b2 + a3 b3 + a4 b4 .
⎡ ⎤ ⎡ ⎤
⎢ 1 2 ⎥ ⎢ 2 0 ⎥
Assim, se X = ⎣ ⎦eY =⎣ ⎦, calcule o produto interno �X, Y �.
3 −4 −3 5
Temos
�X, Y � = 1 · 2 + 2 · 0 + 3 · (−3) + (−4) · 5

= 2 + 0 − 9 − 20
= −27.
Produto Interno
166 UNIDADE IV
Exemplo 2: Sejam p = a0 + a1 t + a2 t2 + a3 t3 e q = b0 + b1 t + b2 t2 + b3 t3 polinômios de grau 3.

Definimos o produto interno usual para o espaço vetorial dos polinômios P3 (R) a relação
�p, q� = a0 b0 + a1 b1 + a2 b2 + a3 b3
Assim, se p = 2 + 3t − t2 e q = 2t + t2 − 5t3 , determine o produto �p, q�.
Temos
�p, q� = 2 · 0 + 3 · 2 + (−1) · 1 + 0 · (−5) = 0 + 6 − 1 + 0 = 5.
Exemplo 3: Considere o vetor v = (−2, 3) ∈ R2 , a norma do vetor v é dada por
� √ √
�v� = (−2)2 + 32 = 4+9= 13
Exemplo 4: Considere o vetor u = (1, −2, −1) ∈ R3 , sua norma é dada por
� √ √
�u� = 12 + (−2)2 + (−1)2 = 1+4+1= 6
⎡ ⎤
⎢ 0 −1 ⎥
Exemplo 5: Seja o vetor w = ⎣ ⎦ ∈ M2 (R) com produto interno definido no exemplo 1.
2 5
Assim, a norma de w é obtida da seguinte maneira:
� � √ √
�w� = �w, w� = 02 + (−1)2 + 22 + 52 = 0 + 1 + 4 + 25 = 30
Exemplo 6: Usando o produto interno de P3 , definido no exemplo 2, a norma do polinômio

p = 3 + 6t − 2t2 é
� � √ √
�p� = �p, p� = 32 + 62 + (−2)2 = 9 + 36 + 4 = 49 = 7
Definição: Considere V um espaço vetorial com produto interno. Diz-se que dois vetores v e w
de V são ortogonais (em relação a esse produto interno) quando �v, w� = 0. No caso em que v e
w são ortogonais, escrevemos v ⊥ w.

167
Exemplo 7: Sejam u = (1, 5, −3, 2) e v = (−1, 3, 10, 8) vetores de R4 .

a) Mostre que esse vetores são ortogonais:
b) Obtenha um vetor unitário na direção do vetor u:
Solução:
a) Do produto interno temos,
< u, v >= 1.(−1) + 5.3 − 3.10 + 2.8
< u, v >= −1 + 15 − 30 + 16
< u, v >= 0.
Portanto, u e v são ortogonais.

√
b) Temos que ||u|| = 12 + 52 + (−3)2 + 22 = 39, segue que o vetor procurado é
1
w= u
||u||
1
w = √ (1, 5, −3, 2)
39
1 5 −3 2
w= √ , √ , √ , √
√39 √ 39 39√ 39 √
39 5 39 −3 39 2 39
w= , , , .
39 39 39 39
Portanto, o vetor w é o vetor unitário com a mesma direção do vetor u.
Propriedade: Vejamos as propriedades a seguir sobre vetores ortogonais.
I) 0 ⊥ v para todo v ∈ V .
II) v ⊥ w implica que w ⊥ v.
III) v ⊥ w para todo w ∈ V , então, v = 0.
IV) Se v1 ⊥ w e v2 ⊥ w, então (v1 + v2 ) ⊥ w.
V) Se v ⊥ w e λ é um escalar, então λv ⊥ w.
Prova item (IV):

Por hipótese, temos < v1 , w >= 0 e < v2 , w >= 0, logo,
< v1 + v2 , w >=< v1 , w > + < v2 , w >
< v1 + v2 , w >= 0 + 0
< v1 + v2 , w >= 0
Portanto, (v1 + v2 ) ⊥ w.
Produto Interno
168 UNIDADE IV
Ângulos entre vetores
Partindo dos conceitos geométricos dos vetores, o produto interno pode ser calculado por
meio da equação
�u, v� = �u� · �v� · cos θ,
em que u e v são vetores e θ é o ângulo entre esses vetores.
Mas a igualdade anterior pode ser vista de outra forma, isto é,
�u, v�
cos θ = .
�u� · �v�
Esta última igualdade fornece a nós uma maneira de calcularmos o ângulo entre vetores. E
para que esse processo faça sentido, devemos assegurar que
�u, v�
−1 1
�u� · �v�
ou, ainda,
|�u, v�|
1.
�u� · �v�
O próximo teorema garante que isso sempre ocorre.
Teorema: (Desigualdade de Cauchy-Schwarz) Se u e v são vetores de um espaço com produto

interno V , então:
|�u, v�| �u� · �v�.
Prova:
Se u = 0, isto é, se u é o vetor nulo, a desigualdade é clara. Suponhamos, então, u �= 0. Para
qualquer t ∈ R, temos que
�tu + v, tu + v� 0,

169
mas
�tu + v, tu + v� = �tu, tu + v� + �v, tu + v�
= �tu + v, tu� + �tu + v, v�
= �tu, tu� + �v, tu� + �tu, v� + �v, v�
= t2 �u, u� + t�v, u� + t�u, v� + �v, v�
= �u, u�t2 + 2�u, v�t + �v, v�.

Logo,
�tu + v, tu + v� = �u, u�t2 + 2�u, v�t + �v, v� 0.
Definamos p(t) = �u, u�t2 + 2�u, v�t + �v, v�, t ∈ R. Pelo que vimos anteriormente, p(t) é
uma função polinomial não negativa. Além disso, como o coeficiente do termo quadrático é não
negativo, segue que o discriminante Δ de p(t) é um número real não positivo. Portanto,
Δ = 4�u, v�2 − 4�u, u��u, v�
Δ = 4�u, v�2 − 4�u�2 �v�2 0,

logo,
4�u, v�2 4�u�2 �v�2 ,
ou seja,
�u, v�2 �u�2 �v�2 .
Extraindo a raiz quadrada em ambos os lados da desigualdade, obtemos

�u, v�2 �u�2 �v�2
ou, ainda,
|�u, v�| �u� · �v�,
como querı́amos demonstrar.
Produto Interno
170 UNIDADE IV
Proposição: Se u e v são vetores em um espaço V com produto interno e k ∈ R, então,
I) �v� 0.
II) �v� = 0 se, e somente se, u = 0.
III) �kv� = |k|�v�.
IV) �u + v� �u� + �v� (desigualdade triangular).
Agora que sabemos trabalhar com produto interno e norma de um vetor, podemos falar
mais sobre o ângulo entre vetores. Como já foi visto em disciplinas anteriores, ou até mesmo
no Ensino Médio, temos que cada número real λ ∈ [−1, 1] corresponde a um único arco θ, onde
0 θ π, tal que cos θ = λ, conforme ilustra a Figura 1:
Figura 1 - Ângulo entre vetores
E como já foi visto anteriormente, podemos definir o ângulo entre os vetores �v e w
� como
sendo θ tal que
��v , w�
�
cos θ = .
��v ��w��
Em R2 e R3 , θ é, de fato, o ângulo geométrico determinado pelos vetores �v e w.

� A fórmula
anterior fornece o cosseno do ângulo.
Exemplo 8: Determinaremos o ângulo entres os vetores �u = (1, 2, 0) e �v = (−2, 2, 3). Primeira-

mente, calculamos de forma separada, para melhor organização, o produto interno dos dois vetores
e, em seguida, a norma de cada um. Isto é,
��u, �v � = 1(−2) + 2(2) + 0(3) = −2 + 4 + 0 = 2
√ √
��u� = 1+4+0= 5
√ √
��v � = 4+4+9= 17.

171
Assim, substituindo na fórmula, obtemos
2 2
cos θ = √ √ = √ .
5 17 85
Logo,
2
θ = arccos √ ≈ 1, 35 radianos ≈ 77, 47o .
85
Considerando u e v dois vetores não nulos de um espaço vetorial V = R3 com produto

interno e seja θ o ângulo entre eles, temos, pelo exposto até o momento, cos θ = 0 se, e somente
se, �u, v� = 0. Equivalentemente, θ = 90o = π/2 se, e somente se, �u, v� = 0. Quando o ângulo
formado por dois vetores é de 90o ou π/2 rad (podemos falar ainda em ângulo reto), dizemos que
esses vetores são ortogonais. No entanto, V pode ser um espaço vetorial, por exemplo, formado por
matrizes, logo, podemos calcular o ângulo formado por matrizes conforme a definição, porém não
conseguimos ter uma interpretação geométrica para ângulos neste caso, apenas o conceito algébrico.
Definição: Sejam v um vetor de V e W um subespaço de V , dizemos que v é ortogonal a W se

v é ortogonal a cada vetor de W . O conjunto de todos os vetores de V que são ortogonais a W é
chamado complemento ortogonal de W e é denotado por W ⊥ .
Exemplo 9: Considere R3 com produto interno usual e seja W o plano de equação cartesiana
x + y + z = 2.
O vetor u = (1, 1, 1) é ortogonal a W , pois u é um vetor normal a esse plano. Para determinarmos
W ⊥ , devemos encontrar um vetor v que seja ortogonal a todo vetor de W . Uma maneira fácil de
encontrar esse vetor é observar que se o vetor u = (1, 1, 1) é ortogonal a W , temos que v = k(1, 1, 1)
também será, pois serão múltiplos. Logo, obtemos o vetor v = (k, k, k) ortogonal a todo vetor de
W , com k ∈ R. Portanto,
W ⊥ = {(k, k, k); k ∈ R}.
Produto Interno
172 UNIDADE IV
Conjuntos Ortogonais
Um conjunto de vetores em V é chamado conjunto ortogonal se quaisquer dois vetores dis-

tintos do conjunto são ortogonais.
Definição: Dizemos que uma base {v1 , . . . , vn } de um espaço vetorial V é base ortogonal se
�vi , vj � = 0 para i �= j, ou seja, se os vetores dessa base forem dois a dois ortogonais.
Definição: Dizemos que uma base {v1 , . . . , vn } de um espaço vetorial V é base ortonormal
quando for ortogonal e se cada vetor vi é unitário, isto é,
I) < vi , vj >= 0 sempre que i �= j.
II) ||vi || = 1 para todo 1 ≤ i ≤ n.
Exemplo 10: O conjunto V = {(1, 2, 1), (2, 1, −4), (3, −2, 1)} é uma base ortogonal para R3 com
produto interno usual.
√ √
3 1 1 3
Exemplo 11: O conjunto W = , , − , é uma base ortonormal para R2 .
2 2 2 2
Proposição: Todo conjunto ortogonal de vetores não nulos de V é linearmente independente.
A recı́proca do resultado apresentado é obviamente falsa, pois, por exemplo, o conjunto

{(1, 1), (0, 1)} de vetores em R2 com o produto interno usual é linearmente independente, mas não
é um conjunto ortogonal.
Quando trabalhamos no espaço R3 , em geral, é mais conveniente usarmos a base canônica

{�i, �j, �k}, em que �i = (1, 0, 0), �j = (0, 1, 0) e �k = (0, 0, 1). Isso se deve, em grande parte, à caracte-
rı́stica desses vetores serem dois a dois ortogonais, e cada vetor ser unitário.

173
TÓPICO 2: TRANSFORMAÇÃO LINEAR

TRANSFORMAÇÃO LINEAR
As funções em que a Álgebra Linear está interessada são aquelas cujos domı́nios e contra-
domı́nios são espaços vetoriais e que, além disso, preservam as operações de adição de vetores e de
multiplicação de um vetor por um escalar.
Definição: Sejam V e W espaços vetoriais, uma transformação linear de V em W é uma função

T : V → W que possui as seguintes propriedades:
I) T (v1 + v2 ) = T (v1 ) + T (v2 ), para quaisquer v1 e v2 em V .

II) T (av) = aT (v), para quaisquer v em V e a em R.
Exemplo 12: A função T : R2 → R, dada por T (x, y) = x + y, é uma transformação linear.
De fato:
I) Se v1 = (x1 , y1 ) ∈ R2 , v2 = (x2 , y2 ) ∈ R2 , temos que
T (v1 + v2 ) = T ((x1 , y1 ) + (x2 , y2 ))
= T ((x1 + x2 , y1 + y2 ))
= x 1 + x2 + y1 + y 2
= x 1 + y 1 + x2 + y 2
= T ((x1 , y1 )) + T ((x2 , y2 ))
= T (v1 ) + T (v2 ).
II) Agora, se v = (x, y) ∈ R2 e a ∈ R, temos
T (av) = T (a(x, y))
= T ((ax, ay))
= ax + ay
= a(x + y)
= aT (x, y)
= aT (v).
Portanto, T é uma transformação linear de R2 em R.
Transformação Linear
174 UNIDADE IV
Proposição: Em consequência da definição de transformação linear, as propriedades I) e II) são

equivalentes à seguinte propriedade, isto é, T : V → W é uma transformação linear se
T (v1 + av2 ) = T (v1 ) + aT (v2 )
para quaisquer v1 e v2 em V e para qualquer a em R.
Em particular, quando V = W , uma transformação linear T : V → V também é chamada

de operador linear.
Exemplo 13: A função T : R3 → R2 , dada por T (x, y, z) = (x − y, y − z) é uma transformação
linear. De fato, se v1 = (x1 , y1 , z1 ) ∈ R3 , v2 = (x2 , y2 , z2 ) ∈ R3 e a ∈ R, temos que
T (v1 + av2 ) = T ((x1 , y1 , z1 ) + a(x2 , y2 , z2 ))
= T ((x1 , y1 , z1 ) + (ax2 , ay2 , az2 ))
= T (x1 + ax2 , y1 + ay2 , z1 + az2 )
= (x1 + ax2 − (y1 + ay2 ), y1 + ay2 − (z1 + az2 ))
= (x1 + ax2 − y1 − ay2 , y1 + ay2 − z1 − az2 ))
= (x1 − y1 + a(x2 − y2 ), y1 − z1 + a(y2 − z2 ))
= (x1 − y1 , y1 − z1 ) + (a(x2 − y2 ), a(y2 − z2 ))
= (x1 − y1 , y1 − z1 ) + a(x2 − y2 , y2 − z2 )
= T (x1 , y1 , z1 ) + aT (x2 , y2 , z2 )
= T (v1 ) + aT (v2 ).
Isso mostra que T é uma transformação linear de R3 em R2 .
Exemplo 14: A função T : R → R, dada por T (x) = 7x é uma transformação linear. De fato,
sejam v1 = x1 e v2 = x2 vetores de R e a ∈ R, temos que
T (v1 +av2 ) = T (x1 +ax2 ) = 7(x1 +ax2 ) = 7x1 +7ax2 = 7x1 +a7x2 = T (x1 )+aT (x2 ) = T (v1 )+aT (v2 )
Exemplo 15: A função T : R2 → R2 , dada por T (x, y) = (x2 , y) não é uma transformação linear.

175
De fato, se tomarmos v1 = (1, 0), v2 = (2, −1) e a = 3 temos
T (v1 + av2 ) = T ((1, 0) + 3(2, −1))
= T ((1, 0) + (6, −3))
= T (7, −3)
= (49, −3)
e
T (v1 ) + aT (v2 ) = T (1, 0) + 3T (2, −1)
= (1, 0) + 3(4, −1)
= (1, 0) + (12, −3)
= (13, −3).
Esse contraexemplo mostra que T (v1 + av2 ) �= T (v1 ) + aT (v2 ).
Teorema: Seja α = {v1 , . . . , vn } uma base de um espaço vetorial V ; sejam w1 , . . . , wn vetores

de um espaço vetorial W . Então, existe uma única transformação linear T : V → W tal que
T (vj ) = wj para todo 1 j n.
Exemplo 16: Determine a transformação linear T : R2 → R3 tal que T (1, 1) = (0, 2, 1) e

T (0, 2) = (1, 0, 1).
Primeiramente, o conjunto α = {(1, 1), (0, 2)} deve formar uma base de R2 . Ora, como α
é linearmente independente e dim R2 = 2, temos que α é uma base de R2 . Assim, se (x, y) ∈ R2 ,
existem escalares reais a1 e a2 tais que
(x, y) = a1 (1, 1) + a2 (0, 2) (∗)
(x, y) = (a1 , a1 ) + (0, 2a2 )
(x, y) = (a1 , a1 + 2a2 )

⎧
⎪
⎨ a1 = x
⎩ a1 + 2a2 = y → 2a2 = y − a1 → a2 = y − x
⎪
2
Transformação Linear
176 UNIDADE IV
y−x
Logo, a1 = x e a2 = . Como T é linear, segue de (*) que
2
y −Tx(x, y) = T [a1 (1, 1) + a2 (0, 2)]

Logo, a1 = x e a2 = . Como T é linear, segue de (*) que
2
= T [a1 (1, 1)] + T [a2 (0, 2)]
T (x, y)= =a1 TT (1,

[a11)
(1,+
1)a+
2 Ta(0,
2 (0,2)
2)]
y−x
= =xTT(1, (1,+1)] + T [a
[a11) (0,2)
T2(0, 2)]
2
y − x 2)
= =x(0, T (1,
a12, 1) 1)
+ + a2 T (0,
(1, 0, 1)
y2− x
= xT (1, 1) + y − xT (0, y2)− x
= (0, 2x, x) + 2 , 0,
y− 2 x 2
= yx(0,
−x 2, 1) + x +2y (1, 0, 1)
= , 2x, .
2
= (0, 2x, x) +
2y − x , 0, y − x
2 2
y−x x+y
= , 2x, . y−x x+y
2 2
Portanto, a transformação procurada é dada por T (x, y) = , 2x, . É inte-
2 2
ressante observar que essa transformação satisfaz a condição inicial, ou seja, T (1, 1) = (0, 2, 1) e
y−x x+y
Portanto,
T (0, 2) = (1, 0, 1). a transformação procurada é dada por T (x, y) = , 2x, . É inte-
2 2
ressante observar que essa transformação satisfaz a condição inicial, ou seja, T (1, 1) = (0, 2, 1) e
T (0, 2) = (1, 0, 1).
Quando estudamos as funções polinomiais do 1o grau, podemos determinar a expressão algébrica

da função f (x) = ax + b conhecendo as coordenadas de 2 pontos distintos, por exemplo, se
Quando estudamos as funções polinomiais do 1o grau, podemos determinar a expressão algébrica
A(x1 , y1 ) e B(x2 , y2 ) são pontos distintos com x1 �= x2 , primeiramente, obtemos seu coeficiente
da função f (x) = ax + b conhecendo as coordenadas de 2 pontos distintos, por exemplo, se
angular a e, na sequência, seu coeficiente linear b. Em particular, quando b = 0, essa função é
A(x1 , y1 ) e B(x2 , y2 ) são pontos distintos com x1 �= x2 , primeiramente, obtemos seu coeficiente
linear, logo, basta obter a inclinação desta reta que passa pela origem para obter sua expressão
angular a e, na sequência, seu coeficiente linear b. Em particular, quando b = 0, essa função é
algébrica. Assim, quando se deparar com funções do tipo f (x) = ax, lembre-se de que estamos
linear, logo, basta obter a inclinação desta reta que passa pela origem para obter sua expressão
manipulando
algébrica. transformações
Assim, quando se lineares,
depararou seja,
com para do
funções todo x1f, (x)
tipo x2 e=αax,
reais, são satisfeitos:
lembre-se de que estamos
I) f (x 1 + x2 ) = f (x
manipulando 1 ) + f (x2 ). lineares, ou seja, para todo x1 , x2 e α reais, são satisfeitos:
transformações
II) fI)
(αx)
f (x=
1+αf
x2(x).
) = f (x1 ) + f (x2 ).
II) f (αx) = αf (x).
Fonte: o autor.
Fonte: o autor.

177
NÚCLEO
TÓPICO 3: E IMAGEM
NÚCLEO DE UMA
E IMAGEM DETRANSFORMAÇÃO LINEAR
UMA TRANSFORMAÇÃO LINEAR
Definição: Considere T : V → U uma transformação linear, a imagem de T , denotada por

Im(T ), é o conjunto formado pelos elementos u ∈ U tais que T (v) = u. Na forma de conjunto é
denotado por
Im(T ) = {u ∈ U ; T (v) = u para algum v ∈ V }.
Definição: Seja T : V → U uma transformação linear, o núcleo de T denotado por N uc(T ) (ou
Ker(T )) é o conjunto dos elementos v em V , que são associados ao 0 ∈ U
N uc(T ) = {v ∈ V ; T (v) = 0}.
É interessante observar que, conforme a teoria dos conjuntos, temos os seguintes resultados:
Im(T ) ⊂ U e N uc(T ) ⊂ V . E, por consequência, temos o teorema a seguir, que relaciona as
dimensões dos subespaços envolvidos pela aplicação T .
Teorema: Se V é um espaço vetorial de dimensão finita, e T : V → U uma transformação linear,

então:
dim(V ) = dim(N uc(T )) + dim(Im(T )).
Exemplo 17: Considere T : R4 → R3 a transformação linear definida por
T (x, y, z, t) = (x − y + z + t, x + 2z − t, x + y + 3z − 3t).
Determine uma base para os conjuntos Im(T ) e N uc(T ):
a) Seja T (x, y, z, t) ∈ Im(T ), logo,
T (x, y, z, t) = (x − y + z + t, x + 2z − t, x + y + 3z − 3t)
= (x, x, x) + (−y, 0, y) + (z, 2z, 3z) + (t, −t, −3t)
= x(1, 1, 1) + y(−1, 0, 1) + z(1, 2, 3) + t(1, −1, −3).
Ou seja, Im(T ) é gerado pelo conjunto {(1, 1, 1), (−1, 0, 1), (1, 2, 3), (1, −1, −3)}. Agora, obteremos
Núcleo e Imagem de uma Transformação Linear

178 UNIDADE IV
uma base para este subespaço,

⎡ ⎤ ⎡ ⎤ ⎡ ⎤
⎢ 1 1 1 ⎥ ⎢ 1 1 1 ⎥ ⎢ 1 0 −1 ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢ −1 0 1 ⎥ ⎢ 0 1 2 ⎥ ⎢ 0 1 2 ⎥
⎢ ⎥⇒⎢ ⎥⇒⎢ ⎥ (∗).
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢ 1 2 3 ⎥ ⎢ 0 1 2 ⎥ ⎢ 0 0 0 ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎣ ⎦ ⎣ ⎦ ⎣ ⎦
1 −1 −3 0 −2 −4 0 0 0
Assim, {(1, 1, 1), (−1, 0, 1)} é uma base para imagem de T com dim(Im(T )) = 2.
b) Agora, um vetor v = (x, y, z, t) de R4 pertence ao N uc(T ) se
T (v) = �0
T (x, y, z, t) = (0, 0, 0)
(x − y + z + t, x + 2z − t, x + y + 3z − 3t) = (0, 0, 0).
Segue que o núcleo de T é o conjunto solução do sistema a seguir:

⎧
⎪
⎪
⎪
⎪ x−y+z+t=0
⎨
x + 2z − t = 0 .
⎪
⎪
⎪
⎪
⎩ x + y + 3z − 3t = 0
Resolvendo, temos
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
⎢ 1 −1 1 1 0 ⎥ ⎢ 1 −1 1 1 0 ⎥ ⎢ 1 0 2 −1 0 ⎥ (SPI)
⎢ . ⎥ ⎢ . ⎥ ⎢ . ⎥
⎢ 1 0 2 −1 .. 0 ⎥ ⇒ ⎢ 0 1 1 −2 .. 0 ⎥ ⇒ ⎢ 0 1 1 −2 .. 0 ⎥ p = p = 2
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ A C
⎣ ⎦ ⎣ ⎦ ⎣ ⎦
1 1 3 −3 0 0 2 2 −4 0 0 0 0 0 0 e n = 4.
⎧ ⎧
⎪
⎨ x + 2z − t = 0 ⎪
⎨ x = −2z + t
⇒ ⇒ ,
⎪
⎩ ⎪
⎩
y + z − 2t = 0 y = −z + 2t
assim,
N uc(T ) = {(−2z + t, −z + 2t, z, t); s, t ∈ R}.

179
Agora, como v ∈ N uc(T ), logo,
v = (−2z + t, −z + 2t, z, t)
= (−2z, −z, z, 0) + (t, 2t, 0, t)
= z(−2, −1, 1, 0) + t(1, 2, 0, 1),

Agora, como v ∈ N uc(T ), logo,
ou seja, N uc(T ) = [(−2, −1, 1, 0), (1, 2, 0, 1)], isto é, os vetores (−2, −1, 1, 0) e (1, 2, 0, 1) geram o
núcleo de T . Falta verificar que vesse
= conjunto
(−2z + t,é −z
LI.+De2t,fato,
z, t) pelo método prático temos
⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤
= (−2z, −z, z, 0) + (t, 2t, 0, t)
⎢ −2 −1 1 0 ⎥ ⎢ 1 2 0 1 ⎥ ⎢ 1 2 0 1 ⎥ ⎢ 1 2 0 1 ⎥
⎣ ⎦⇒⎣ ⇒0)⎣+ t(1, 2, 0, 1), ⎦ ⇒ ⎣

⎦ 1,
= z(−2, −1, ⎦.
1 2 0 1 −2 −1 1 0 0 3 1 2 0 1 1/3 2/3
ou seja, N uc(T ) = [(−2, −1, 1, 0), (1, 2, 0, 1)], isto é, os vetores (−2, −1, 1, 0) e (1, 2, 0, 1) geram o
Como nenhuma
núcleo linha
de T . Falta zerou,que
verificar podemos concluir
esse conjunto queDe{(−2,
é LI. fato, −1,
pelo1,método
0), (1, 2, 0, 1)} temos
prático é uma base para
N uc(T ),⎡ com dim(N uc(T
⎤)) =⎡ 2. É interessante
⎤ observar
⎡ que, de
⎤ acordo
⎡ com o último
⎤ teorema,
devemos⎢ter −2 −1 1 0 ⎥ ⎢ 1 2 0 1 ⎥ ⎢ 1 2 0 1 ⎥ ⎢ 1 2 0 1 ⎥
⎣ ⎦⇒⎣ ⎦⇒⎣ ⎦⇒⎣ ⎦.
4
1 2 0 1 dim(R
−2 )−1
= dim(N
1 0 uc(T )) 0+ dim(Im(T
3 1 2 )), 0 1 1/3 2/3
deComo
fato, nenhuma linha zerou, podemos concluir que {(−2, −1, 1, 0), (1, 2, 0, 1)} é uma base para
4
dim(R ) = observar
N uc(T ), com dim(N uc(T )) = 2. É interessante 2 + 2 = 4.
que, de acordo com o último teorema,
devemos ter
Esse teorema serve para verificarmos se as bases obtidas ao juntarmos suas dimensões correspon-
dim(R4 ) = dim(N uc(T )) + dim(Im(T )),
dem à dimensão do espaço vetorial, onde T está definida, seria uma “Prova Real” em relação às
de fato, dos espaços vetoriais envolvidos.
dimensões
dim(R4 ) = 2 + 2 = 4.
Esse teorema serve para verificarmos se as bases obtidas ao juntarmos suas dimensões correspon-
dem à dimensão do espaço vetorial, onde T está definida, seria uma “Prova Real” em relação às
dimensões dos espaços vetoriais envolvidos.
Vimos que funções lineares do tipo f (x) = ax são transformações lineares mais “primitivas”.
Sendo assim, reflita sobre o seu núcleo, ou seja, qual a única possibilidade para N uc(f ), e qual
sua dimensão?
Vimos que funções lineares do tipo f (x) = ax são transformações lineares mais “primitivas”.
Sendo assim, reflita sobre o seu núcleo, ou seja, qual a única possibilidade para N uc(f ), e qual
sua dimensão?
Núcleo e Imagem de uma Transformação Linear

180 UNIDADE IV
Nesta unidade, a partir de 5 axiomas, definimos produto interno: uma importante relação
definida em espaços vetoriais, que associa um número real a cada par de vetores de um espaço
vetorial, e muitas de suas aplicações estão associadas à fı́sica mecânica e elétrica. Além disso,
a partir da definição de produto interno, pudemos determinar a norma de um vetor e o ângulo
definido por dois vetores. Apesar da noção de ângulo ter origem geométrica, na álgebra linear esse
conceito pode ser estendido a qualquer espaço vetorial munido do produto interno, nesse sentido,
podemos calcular ângulos entre matrizes, polinômios etc.
Vimos, também, o conceito de ortogonalidade de vetores que sua importância está na busca
de bases ortonormais uma vez que base com essas caracterı́sticas são mais fáceis e simples de se
manipular algebricamente. Outro aspecto interessante foi o conceito de normalização de vetor, uma
vez que vetores unitários são as formas mais simples e convenientes para se trabalhar dada uma
direção e dado um sentido. Claro que esse conceito, assim como os outros citados anteriormente
estendem-se para outros espaços vetoriais. É muito importante que o leitor tenha em mente que
a maioria das teorias apresentadas na álgebra linear têm origem na Geometria Analı́tica, seja nas
caracterı́sticas, propriedades, definições e nos teoremas relacionados aos vetores e nas equações
lineares cujas representações são subespaços vetoriais.
Na sequência, definimos uma função especial chamada Transformação Linear, que é uma
aplicação que relaciona dois conjuntos, ou mais especificamente, espaços vetoriais, e assim como no
estudo das funções, alguns elementos são de grande interesse para esse estudo, que são os conjuntos:
imagem e núcleo de uma transformação. O fato mais relevante é que podemos determinar uma
transformação linear a partir da sua aplicação nos vetores de uma base apenas. Assim, o número
de informações necessárias a respeito de uma transformação linear, para que a conheçamos com-
pletamente, é igual à dimensão do espaço vetorial no qual ela é definida. Isso é uma especificidade
das transformações lineares: nenhuma outra função permite manipulação tão simples. É por essa
qualidade, em particular, que as transformações lineares são, por excelência, as funções usadas na
computação em geral.

181
ATIVIDADE DE ESTUDO
1) Determine o ângulo θ formado pelos vetores em cada caso:

a) u = (0, 3, 0) e v = (−2, 2, 0)
b) w1 = (1, 1, 1, 1) e w2 = (−1, −1, −1, −1)
⎡ ⎤ ⎡ ⎤
⎢ 1 0 ⎥ ⎢ 0 −1 ⎥
c) A = ⎣ ⎦eB=⎣ ⎦
0 1 −1 0
d) P1 (x) = 1 + 2x + x2 e P2 (x) = −x + x2
2) Sejam u = (x1 , y1 ) e v = (x2 , y2 ) vetores de R2 , prove que o produto escalar euclidiano
< u, v >= x1 x2 + y1 y2
é um produto interno, isto é, que esta definição satisfaz os 5 axiomas do produto interno.
3) Verifique em cada caso se os vetores são ortogonais com o produto interno usual.
a) u = (1, 1, 1) e v = (0, −2, 2)
⎡ ⎤ ⎡ ⎤
⎢ π 1 ⎥ ⎢ −1 0 ⎥
b) A = ⎣ ⎦eB=⎣ ⎦
π −1 0 −π
� �
�√ � √ 5
c) w1 = 18, senx, cosx, π e w2 = − 2, senx, cosx,
π
d) P1 (x) = 11 + 2x − 3x2 + x3 e P1 (x) = 1 − 4x + x2
4) Normalize cada um dos seguintes vetores no espaço euclidiano R3 , ou seja, obtenha um vetor
unitário com a mesma direção de cada vetor a seguir:
a) u = (2, 1, −1)
b) v = (1/2, 2/3, −1/4)
5) Verifique em cada caso se T é uma transformação linear:

a) T : R3 → R2 definida por T (x, y, z) = (x, 3x − y)
b) T : R2 → R definida por T (x, y) = 5x − 2y
c) T : R2 → R2 definida por T (x, y) = (x + y, x − 1)
d) T : R2 → R2 definida por T (x, y) = (y, x2 )
182
6) Seja T : R3 → R3 dada por T (x, y, z) = (−z, x + y, z), obtenha uma base para:
a) N uc(T )
b) Im(T )
c) Conclua que dim N uc(T ) + dim Im(T ) = dim R3
7) Para cada caso, determine a transformação linear T .

a) T (x, y), sabendo-se que T : R2 → R, T (1, 1) = 3 e T (0, 1) = −2.
b) T (x, y), sabendo-se que T : R2 → R2 , T (1, 1) = (3, 0) e T (−1, 1) = (1, −2).
8) Verifique se o vetor v ∈ V pertence ao núcleo da transformação linear T : V → W , em cada

caso:
a) V = R3 , W = R2 , T (x, y, z) = (x + y − z, 3y + z), v = (4, −1, 3)
b) V = R3 , W = R2 , T (x, y, z) = (x + y − z, 3y + z), v = (1, −1, 2)
⎛ ⎞ ⎡ ⎤
⎜ a11 a12 ⎟ ⎢ 1 −3 ⎥
c) V = M2 (R), W = R, T ⎝ ⎠ = a11 + a12 + 2a21 + 2a22 , v = ⎣ ⎦
a21 a22 5 2
⎛ ⎞ ⎡ ⎤
⎜ a11 a12 ⎟ ⎢ 1 3 ⎥
d) V = M2 (R), W = R, T ⎝ ⎠ = a11 + a12 + 2a21 + 2a22 , v = ⎣ ⎦
a21 a22 3 −5
9) Determine a dimensão e uma base para o núcleo, a dimensão e uma base da imagem da trans-
formação linear T : R3 → R2 dada por T (x, y, z) = (y − 2z, x − y − z).
10) Obtenha uma base e a dimensão para o núcleo e para imagem da transformação linear T :
R3 → R3 definida por T (x, y, z) = (x, y + z, −x).
183
Cálculo dos dı́gitos verificadores do CPF
Aqui no Brasil, cada pessoa fı́sica tem um único número de inscrição no CPF, que o identi-
fica perante a secretaria da Receita Federal. Esse número de inscrição é composto por nove dı́gitos,
agrupados de três em três, mais dois dı́gitos verificadores, por exemplo 643.433.327-72, que têm
por finalidade comprovar a validade do número do CPF informado. Tais dı́gitos são obtidos das
seguintes operações envolvendo produto interno:
Cálculo do primeiro dı́gito verificador: tomamos um vetor u ∈ R9 cujos componentes são os

dı́gitos que compõem o número do CPF na ordem dada. Para o CPF anterior, temos o vetor:
u = (6, 4, 3, 4, 3, 3, 3, 2, 7).
Determinamos o produto interno desse vetor com o vetor (padrão)
w1 = (10, 9, 8, 7, 6, 5, 4, 3, 2),
isto é,
�u, w1 � = 6(10) + 4(9) + 3(8) + 4(7) + 3(6) + 3(5) + 3(4) + 2(3) + 7(2) = 213.
A seguir, tomamos o resto da divisão inteira desse produto interno por 11. Se o resto dessa
divisão inteira é 0 ou 1, então o primeiro dı́gito verificador é 0. Caso contrário (resto entre 2 e 10),
o primeiro dı́gito verificador é dado por 11 − resto.
Para o exemplo em questão, a divisão inteira de 213 por 11 resulta em quociente 19 e resto
4. Sendo assim, o primeiro dı́gito verificador é 11 − 4 = 7.
184
Cálculo do segundo dı́gito verificador: Tomamos um vetor v ∈ R10 cujos nove primeiros
componentes são os dı́gitos que compõem o número do CPF na ordem dada, e o último componente
é o primeiro dı́gito verificador encontrado. Para o exemplo em questão, temos:
v = (6, 4, 3, 4, 3, 3, 3, 2, 7, 7).
Determinamos o produto interno desse vetor com o vetor (padrão)
w2 = (11, 10, 9, 8, 7, 6, 5, 4, 3, 2),
isto é,
�v, w2 � = 6(11) + 4(10) + 3(9) + 4(8) + 3(7) + 3(6) + 3(5) + 2(4) + 7(3) + 7(2) = 262.
Em seguida, o procedimento é o mesmo para encontrar o segundo dı́gito. Dividindo 262 por 11,
obtemos quociente 23 e resto 9, então, o segundo dı́gito é 11 − 9 = 2.
Este é um ótimo vı́deo do professor Elon Lages Lima sobre o estudo de Matrizes. Além das ope-
rações fundamentais de matrizes, Lima aborda algumas aplicações das matrizes. Tais aplicações
foram abordadas no decorrer deste livro. O vı́deo enriquecerá bastante o assunto tratado.
<https://www.youtube.com/watch?v=eEbp3aKFoIA>.
O link a seguir dá-nos acesso a uma página com vários exemplos de aplicações de Geometria
Analı́tica e Álgebra Linear às mais diversas áreas cientı́ficas e tecnológicas. Ela está aberta a
contribuições de professores, alunos, ex-alunos e profissionais.
<http://www.mat.ufmg.br/gaal/aplicacoes/aplicacoes.html>.
187
REFERÊNCIAS
Referências
#Referência on-line#
1 Em: <http://mat.ufg.br/bienal/2006/mini/polcino.pdf>. Acesso em: 21 maio 2018.
#Referência on-line#
GABARITO
GABARITO
Unidade IV
1) 2) Verifique os itens: 3)
π
a) θ = ou 45◦ I) �u, u� 0. a) < u, v >= 0
4
b) θ = π ou 180◦ II) �u, u� = 0 se, e somente se, u = �0. b) < A, B >= 0
c) θ = 0 ou 0◦ III) �u, v� = �v, u�. c) < w1 , w2 >= 0
√
3 IV) �u + v, w� = �u, w� + �v, w�. d) < P1 (x), P2 (x) >= 0
d) θ = arccos −
6
V) �λu, v� = λ�u, v�.
4) √ 5)
√ √
6 6 6 a) T é uma transformação linear
a) w1 = , ,−
3 6 6
√ b) T é uma transformação linear
√ √
6 109 8 109 3 109 c) T não é uma transformação linear
b) w2 = , ,−
109 109 109
d) T não é uma transformação linear
6) 8) 9)
a) {(−1, 1, 0)} a) v ∈ nuc(T ) Base para o Núcleo: {(3, 2, 1)}
b) {(−1, 0, 1), (0, 1, 0)} b) v ∈
/ nuc(T ) dim N uc(T ) = 1
7) c) v ∈
/ nuc(T ) Base para Imagem: {(0, 1), (1, −1)}
a) T (x, y) = 5x − 2y d) v ∈ nuc(T ) dim Im(T ) = 2
b) T (x, y) = (x + 2y, x − y)
10) Base para o Núcleo: {(0, −1, 1)}

dim N uc(T ) = 1
Base para Imagem: {(1, 0, −1), (0, 1, 0)}
dim Im(T ) = 2
AUTOVALORES E
V
UNIDADE
AUTOVETORES
■■ Compreender o conceito de autovalor e autovetor de uma
transformação linear.
■■ Dado um operador linear, identificar seu polinômio característico.
■■ Determinar matrizes mais “simples” associadas a um operador linear.
Plano de Estudo
■■ Autovalores e Autovetores
■■ Polinômio Característico
■■ Diagonalização de Operadores
191
INTRODUÇÃO
INTRODUÇÃO
Caro(a) aluno(a),
Na Análise Matemática, ou mesmo na disciplina de Cálculo, dada uma situação problema

representada por uma função real f , a primeira pergunta que se faz (naturalmente) é: Será que
esse problema tem solução? Em muitos casos, para responder a essa pergunta, basta mostrar a
existência de um número x0 tal que f (x0 ) = x0 , número esse denominado de ponto fixo pela
aplicação f . Por exemplo, considere a função real f : [0, 1] → [0, 1] definida por f (x) = x2 , assim,
será que existe algum valor x0 ∈ [0, 1] tal que f (x0 ) = x0 ? Neste caso, a resposta é sim, pois
f (0) = 0 e f (1) = 1, ou seja, x = 0 e x = 1 são pontos fixos da aplicação f .
De maneira geral, se f é uma função contı́nua definida num intervalo fechado [a, b] ⊂ R, isto
é, f : [a, b] → [a, b], então, existe um Teorema que garante a existência de um ponto fixo x0 ∈ [a, b]
tal que f (x0 ) = x0 . Motivados por esse importante resultado da matemática, na Álgebra Linear,
dada uma transformação linear T e um espaço vetorial V , queremos saber se existe um vetor v não
nulo e um número λ ∈ R tal que T (v) = λv, isto é, se existe T (v), que é múltiplo de v. Em caso
afirmativo, o valor λ é chamado de autovalor (valor próprio) e v é chamado de autovetor (vetor
próprio) associado ao autovalor λ.
Assim, nesta última unidade, apresentaremos os conceitos fundamentais de autovalor e

autovetor de uma transformação linear. Esses conceitos são de fundamental importância nas
áreas de ciências exatas e aparecem em situações tais como mecânica quântica, processamento de
imagens, mecânica dos sólidos, estatı́stica, análise de vibrações etc. Além disso, são usados no
estudo das equações diferenciais e sistemas dinâmicos, fornecendo informações crı́ticas em projetos
de Engenharia, surgindo de forma natural em áreas como a Fı́sica e Quı́mica.
Investigaremos a teoria de um único operador linear T num espaço vetorial V de dimensão

finita. Também associaremos certos polinômios a um operador T na qual chamaremos de polinômio
caracterı́stico, esses polinômios e suas raı́zes desempenham um papel importante na investigação
de T . Resumindo, dado um operador linear T : V → V , queremos determinar quais vetores seriam
levados em múltiplos deles mesmos por esse operador linear. Isto é, dado T : V → V , quais os
vetores v ∈ V tais que T (v) = λv?
Introdução
192 UNIDADE V
TÓPICO 1: AUTOVALORES E AUTOVETORES

TÓPICO 1: AUTOVALORES E AUTOVETORES
Antes de definir os conceitos fundamentais desta unidade, apresentaremos alguns exemplos
ilustrativos que dão ideia do que acontece, geometricamente, com estes vetores. Além disso, usa-
Antes de definir os conceitos fundamentais desta unidade, apresentaremos alguns exemplos
remos uma notação matricial para vetores, por exemplo, um vetor v = (x, y) ∈ R2 é representado
ilustrativos que dão ideia do que acontece, geometricamente, com estes vetores. Além disso, usa-
na forma de matriz por ⎡ ⎤
remos uma notação matricial para vetores, por exemplo, um vetor v = (x, y) ∈ R2 é representado
⎢ x ⎥
na forma de matriz por ⎡ ⎤ v=⎣ ⎦
y.
⎢ x ⎥
v=⎣ ⎦
e dado um vetor w = (ax + by, cx +y.dy) podemos reescrevê-lo da seguinte maneira,
e dado um vetor w = (ax + by, cx + dy) podemos⎡reescrevê-lo⎤da seguinte
⎡ ⎡ ⎤
⎤maneira,
⎡ ⎢ ax + by ⎤ ⎥
⎡=⎤ ⎢ a b ⎥ ⎢ x ⎥
w⎤= ⎣⎡ ⎦ ⎣ ⎦.⎣ ⎦.
⎢ ax + by ⎥ ⎢ cx
a +b dy x
⎥ ⎢ ⎥ c d y
w=⎣ ⎦=⎣ ⎦.⎣ ⎦.
cx + dy c d y
Nos próximos dois exemplos, apresentaremos casos particulares em que T (v) = 1v.
Nos próximosExemplo
dois exemplos,
1: O apresentaremos
operador T : Rcasos
2
→ Rparticulares
2
é definidoem
porque T (v)
T (x, y) =
= 1v.
(x, y) e também é conhecido como
Exemplo 1:Aplicação
O operador T : R2 → Rque
Identidade, 2
é definido
podemospor T (x, y) = (x,escrever
simplesmente y) e também é conhecido
I(x, y) = (x, y). como
Nesse caso, todo vetor
v ∈ R2 é que
Aplicação Identidade, fixo podemos
uma vez simplesmente
que I(x, y) =escrever I(x, y)
(x, y) para = (x,
todo (x,y). R2 . caso, todo vetor
Nesse
y) ∈
v ∈ R2 é fixo uma vez que I(x, y) = (x, y) para todo (x, y) ∈ R2 .
Exemplo 2: Considere a transformação linear “Reflexão em relação ao eixo x”, isto é, rx : R2 → R2
Exemplo 2: tal Considere a transformação
que rx (x, y) = (x, −y), linear “Reflexão
ou ainda, rx (x,em
y) relação
= (1x +ao0y,
eixo
0xx”,
− isto
1y).é,Na : R2 →matricial,
rx forma R2 fica
tal que rx (x, y) = (x, −y), ou ainda, rx (x, y) = (1x + 0y, 0x − 1y). Na forma matricial, fica
⎤ ⎡ ⎡ ⎤ ⎡ ⎤
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
x
⎢ ⎥ ⎢ 1 0 ⎥ ⎢ x ⎥
⎢ x ⎥ ⎢ 1 ⎣0 ⎥⎦ �→⎢ ⎣
x ⎥ ⎦ · ⎣ ⎦.
⎣ ⎦ �→ ⎣ y ⎦ · ⎣ ⎦0 . −1 y
y 0 −1 y
Geometricamente:
Geometricamente:
Explica ai:
Produtos
Notáveis
Figurade1um
Figura 1 - Reflexão - Reflexão de umo vetor
vetor u sobre eixo x u sobre o eixo x
193
Podemos notar, neste exemplo, que o vetor sobre o eixo x se manteve inalterado. De fato,
vetores sobre a abscissa têm a forma v = (x, 0), assim, note que
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
⎢ 1 0 ⎥ ⎢ x ⎥ ⎢ x ⎥
⎣ ⎦ · ⎣ ⎦ = ⎣ ⎦.
0 −1 0 0
Ainda mais, podemos verificar que esses vetores são os únicos com essa propriedade, de fato,
suponhamos que v = (x, y) seja um vetor tal que rx (v) = v, na forma matricial temos
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
⎢ 1 0 ⎥ ⎢ x ⎥ ⎢ x ⎥
⎣ ⎦ · ⎣ ⎦ = ⎣ ⎦.
0 −1 y y
Reescrevendo em forma de sistema, temos:

⎧
⎪
⎨ 1x + 0y = x
⎪
⎩ 0x − 1y = y
e resolvendo esse sistema, segue que

⎧ ⎡ ⎤ ⎡ ⎤
⎪
⎨ 0=0
⎢ 0 0 0 ⎥ ⎢ 0 0 0 ⎥
→⎣ ⎦→⎣ ⎦ → pA = pC = 1 e n = 2 (SPI)
⎪
⎩ −2y = 0 0 −2 0 0 1 0
logo, �
y=0
cujas soluções são vetores do tipo v = (x, 0), ou seja, são os vetores sobre o eixo x. Assim,
qualquer vetor v = (x, 0) é “levado” ao próprio vetor v = (x, 0) pelo operador linear rx . Portanto,
o subespaço vetorial X = {v = (x, 0); x ∈ R∗ } é o conjunto dos autovetores associados ao
autovalor λ = 1, ou seja, X = [(1, 0)]. Assim, qualquer múltiplo do vetor (1, 0) também é
autovetor dessa transformação linear.
Na sequência, formalizaremos o conceito de autovalor e autovetor de uma transformação

linear.
Autovalores e Autovetores
194 UNIDADE V
Autovalor e Autovetor de uma Transformação
Seja T : V → V um operador linear, um número real c será dito um autovalor de T se

existir um vetor não nulo v em V tal que: T (v) = cv, o vetor v é chamado de autovetor de T
associado a c. Além disso, se v é um autovetor de um operador T associado a um autovalor c,
então, todo múltiplo por escalar de v é também um autovetor de T associado a c. Mais ainda, se
A(c) = {v ∈ V ; T (v) = cv}, então, A(c) é um subespaço vetorial de V chamado autoespaço de
T associado a c. Note que A(c) é formado pelo vetor nulo de V e por todos os autovetores de T
associados a c.
Exemplo 3: Considere T : R2 → R2 o operador linear dado por T (x, y) = (4x−y, 2x+y), queremos
determinar c ∈ R e v = (x, y) não nulo tais que T (x, y) = c(x, y), ou seja, (4x − y, 2x + y) = c(x, y).
Equivalentemente, queremos determinar c ∈ R e v = (x, y) não nulo tais que
⎧
⎪
⎨ 4x − y = cx
(∗)
⎪
⎩ 2x + y = cy
Da primeira equação do sistema, isolamos y obtendo y = 4x − cx e substituı́mos este

resultado na segunda equação, isto é,
2x + y = cy ⇒ 2x + 4x − cx = c(4x − cx)
⇒ 6x − cx = 4cx − c2 x
⇒ 6x − 5cx + c2 x = 0
⇒ x(6 − 5c + c2 ) = 0.
Esta última igualdade é satisfeita se x = 0 ou 6 − 5c + c2 = 0. Assim, se x = 0, temos que y = 0,

mas v é um vetor não nulo, logo, devemos ter 6 − 5c + c2 = 0. Resolvendo essa equação, obtemos
c = 2 ou c = 3. Portanto, c = 2 e c = 3 são os autovalores de T . Na sequência, determinaremos
os autovetores de T .
195
Para o autovalor c = 2, substituindo em (*) obtemos

⎧
⎪
⎨ 4x − y = 2x
⎪
⎩ 2x + y = 2y
⎧ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤
⎪
⎨ 2x − y = 0
⎢ 2 −1 | 0 ⎥ ⎢ 2 −1 | 0 ⎥ ⎢ 1 −1/2 | 0 ⎥ pA = pC = 1
→⎣ ⎦→⎣ ⎦→⎣ ⎦→
⎪
⎩ 2x − y = 0 2 −1 | 0 0 0 | 0 0 0 | 0 en=2
neste caso, temos um SPI, logo,

� y � y
x− =0 → x=
2 2
�� y � �
cuja solução é dada por , y ; y ∈ R . Assim, os autovetores de T associados a c = 2 são os
� y 2� ��
1
��
vetores da forma v = , y , com y ∈ R e y �= 0, ou simplesmente, A(2) = , 1 . Por
2 2
exemplo, se v = (5, 10), temos T (v) = T (5, 10) = (4.5 − 10, 2.5 + 10) = (10, 20) = 2(5, 10)� = 2v.
�
1
Geometricamente, todos autovetores associados a c = 2 têm a mesma direção do vetor v = ,1 ,
2
ou seja, são vetores situados sobre a reta de equação y = 2x.
Figura 2 - Subespaço dos autovetores associados ao autovalor c = 2.
De forma análoga, para c = 3, temos o seguinte sistema

⎧
⎪
⎨ 4x − y = 3x
,
⎪
⎩ 2x + y = 3y
⎧ ⎡ ⎤ ⎡ ⎤
⎪
⎨ x−y =0
⎢ 1 −1 | 0 ⎥ ⎢ 1 −1 | 0 ⎥ pA = pC = 1
→⎣ ⎦→⎣ ⎦→ → {x − y = 0
⎪
⎩ 2x − 2y = 0 2 −2 | 0 0 0 | 0 e n = 2 (SPI)
logo, x = y. Portanto, o conjunto solução é dado por {(y, y); y ∈ R}. Assim, os autovetores de T
associados a c = 3 são vetores na forma v = (y, y), com y ∈ R∗ , ou seja, A(3) = {(1, 1)}.
Autovalores e Autovetores
196 UNIDADE V
Exemplo 4: Se I é matriz identidade de ordem n, então, o único autovalor é c = 1. Qualquer

vetor não nulo v de Rn é um autovetor de I associado ao autovalor c = 1, pois
Iv = v = 1v.
Exemplo 5: Considere T : R2 → R2 o operador linear dado por T (x, y) = (−y, x). Se c ∈ R,

v = (x, y) ∈ R2 e v �= 0, são tais que T (x, y) = c(x, y), então,
(−y, x) = c(x, y) (∗)
equivalentemente, ⎧
⎪
⎨ −y = cx
,
⎪
⎩ x = cy
resolvendo esse sistema, temos, na segunda equação, que x = cy, substituindo na primeira equação,
obtemos
−y = c(cy)
c2 y + y = 0
(c2 + 1).y = 0
mas y �= 0, pois v é não nulo, logo,

c2 + 1 = 0
isso implica que

√
c = ± −1,
mas c deve ser um número real, logo, não existe c ∈ R que satisfaça a equação vetorial (*).
Portanto, concluı́mos que T não tem autovalores e, consequentemente, não tem autovetores. Nesse
exemplo, o único vetor que é fixo pela aplicação T é o vetor nulo, ou seja, v = (0, 0) é o único vetor
tal que T (0, 0) = (0, 0), nenhum outro vetor tem esta propriedade.
197
TÓPICO 2: POLINÔMIO CARACTERÍSTICO

POLINÔMIO CARACTERÍSTICO
Apresentaremos uma fórmula sistemática para calcular os autovalores de uma matriz qua-
drada de ordem n. A cada matriz A ∈ Mn (R) associaremos um polinômio cuja propriedade de
suas raı́zes são exatamente os autovalores de A. Mas lembremos que dada uma transformação
linear T (x, y) = (ax + by, cx + dy), podemos reescrever essa transformação em forma de produto
de matrizes, ou seja,
(x, y) �→ (ax + by, cx + dy)
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
⎢ x ⎥ ⎢ a b ⎥ ⎢ x ⎥
⎣ ⎦→ � ⎣ ⎦.⎣ ⎦
y c d y
⎡ ⎤
⎢ a b ⎥
A matriz A = ⎣ ⎦ é denominada matriz da transformação linear T uma vez que T (v) = λv
c d
é equivalente a Av = λv.
⎛ ⎞
⎜ −3 1 ⎟
Exemplo 6: Verificaremos se os vetores u e v são autovetores de A, em que A = ⎝ ⎠,
−5 3
⎛ ⎞ ⎛ ⎞
⎜ 1 ⎟ ⎜ 1 ⎟
u = ⎝ ⎠ e v = ⎝ ⎠.
1 2
Para identificarmos se u é um autovetor de A, devemos verificar se existe um escalar λ ∈ R

tal que Au = λu. Temos ⎛ ⎞⎛ ⎞ ⎛ ⎞
⎜ −3 1 ⎟ ⎜ 1 ⎟ ⎜ 1 ⎟
⎝ ⎠⎝ ⎠ = λ⎝ ⎠
−5 3 1 1
⎛ ⎞ ⎛ ⎞
⎜ −2 ⎟ ⎜ λ ⎟
⎝ ⎠ = ⎝ ⎠,
−2 λ
logo, λ = −2, ou seja, ⎛ ⎞⎛ ⎞ ⎛ ⎞

⎜ −3 1 ⎟ ⎜ 1 ⎟ ⎜ 1 ⎟
⎝ ⎠ ⎝ ⎠ = −2 ⎝ ⎠ .
−5 3 1 1
Assim, u = (1, 1) é um autovetor de A com autovalor correspondente λ = −2.
Polinômio Característico
198 UNIDADE V
Para o vetor v = (1, 2), temos

⎛ ⎞⎛ ⎞ ⎛ ⎞
⎜ −3 1 ⎟ ⎜ 1 ⎟ ⎜ 1 ⎟
⎝ ⎠⎝ ⎠ = λ⎝ ⎠.
−5 3 2 2
⎛ ⎞ ⎛ ⎞
⎜ −1 ⎟ ⎜ λ ⎟
⎝ ⎠=⎝ ⎠.
1 2λ
Segue que
⎧ ⎡ ⎤ ⎡ ⎤
⎪
⎨ λ = −1 1 | −1 1 | −1
⎢ ⎥ ⎢ ⎥
→⎣ ⎦→⎣ ⎦ → pA = 2 e pC = 1 → SI.
⎪
⎩ 2λ = 1 2 | 1 0 | 3
Assim, como esse sistema não tem solução, logo, não existe escalar λ ∈ R tal que Av = λv, e,
consequentemente, v = (1, 2) não é um autovetor da matriz A.
Agora, para formalizarmos o conceito de polinômio caracterı́stico associado à matriz da

transformação linear, vejamos, por meio de um exemplo, como ele surge naturalmente.
⎡ ⎤
⎢ 1 1 ⎥
Exemplo 7: Determinaremos os autovalores de A = ⎣ ⎦ e seus respectivos autovetores
−2 4
associados.
Vejamos, queremos encontrar números reais λ e todos os vetores não nulos v = (x, y) ∈ R2
satisfazendo a equação
Av = λv,
ou seja, ⎡ ⎤⎡ ⎤ ⎡ ⎤
⎢ 1 1 ⎥⎢ x ⎥ ⎢ x ⎥
⎣ ⎦⎣ ⎦ = λ⎣ ⎦
−2 4 y y
a qual podemos representar pelo seguinte sistema:

⎧
⎪
⎨ x + y = λx
(∗)
⎪
⎩ −2x + 4y = λy
199
ou ainda, ⎧
⎪
⎨ (1 − λ)x + y = 0
(∗∗).
⎪
⎩ −2x + (4 − λ)y = 0
Esse sistema com duas equações e duas incógnitas é homogêneo e, escalonando, obtemos
⎧
⎪
⎨ (1 − λ)x + y = 0
⎪
⎩ [(1 − λ)(4 − λ) + 2] y = 0
que terá solução não nula se, e somente se, (1 − λ)(4 − λ) + 2 = 0, que é equivalente a
⎡ ⎤
⎢ 1−λ 1 ⎥
det ⎣ ⎦ = 0.
−2 4 − λ
Observe que a matriz desse determinante é formada pelos coeficientes do sistema homogêneo (**).
Portanto, para obtermos seus autovalores, podemos recorrer ao cálculo das raı́zes da equação
det(A − λI2 ) = 0, que equivale a
(1 − λ)(4 − λ) + 2 = 0
λ2 − 5λ + 6 = 0
cujas raı́zes são λ1 = 2 e λ2 = 3. Logo, λ1 = 2 e λ2 = 3 são os autovalores da matriz A.
Assim, para o autovalor λ1 = 2 substituı́mos em (*) e obtemos

⎧
⎪
⎨ x + y = 2x
.
⎪
⎩ −2x + 4y = 2y
Resolvendo esse sistema, segue que

⎧ ⎡ ⎤ ⎡ ⎤
⎪
⎨ −x + y = 0
⎢ −1 1 | 0 ⎥ ⎢ 1 −1 | 0 ⎥ pA = pC = 1
→⎣ ⎦→⎣ ⎦→ → {x − y = 0 .
⎪
⎩ −2x + 2y = 0 −2 2 | 0 0 0 | 0 e n = 2, SPI
Da última equação, resulta que x = y, logo, a solução geral do sistema é o conjunto {(y, y); y ∈ R}.
Portanto, os vetores da forma v = (y, y) com y �= 0 são os autovetores da matriz A associados ao
autovalor λ1 = 2, ou simplesmente, o autoespaço gerado pela base {(1, 1)}.
200 UNIDADE V
Para encontrarmos os autovetores da matriz A associados ao autovalor λ2 = 3, temos que
Av = λv
Av = 3v
⎡ ⎤⎡ ⎤ ⎡ ⎤
⎢ 1 1 ⎥⎢ x ⎥ ⎢ x ⎥
⎣ ⎦⎣ ⎦ = 3⎣ ⎦
−2 4 y y
⎡ ⎤ ⎡ ⎤
⎢ x+y ⎥ ⎢ 3x ⎥
⎣ ⎦=⎣ ⎦.
−2x + 4y 3y
Ou simplesmente substituindo λ2 = 3 em (*), segue que
⎧
⎪
⎨ x + y = 3x
⎪
⎩ −2x + 4y = 3y
⎧ ⎡ ⎤ ⎡ ⎤
⎪
⎨ −2x + y = 0 �
⎢ −2 1 | 0 ⎥ ⎢ 1 −1/2 | 0 ⎥ pA = pC = 1 y
→⎣ ⎦→⎣ ⎦→ → x− =0.
⎪
⎩ 2
−2x + y = 0 −2 1 | 0 0 0 | 0 e n = 2 (SPI)
y �� y � �
Da última equação, obtemos x = , logo, a solução geral desse sistema é , y ; y ∈ R . Por-
2 �y � 2
tanto, os vetores não nulo cuja forma é , y são os autovetores da matriz A associados ao
�� 2
1
autovalor λ2 = 3, ou seja, A(3) = ,1 .
2
Algebricamente, partimos da seguinte situação:
Av = λv
Av − λv = 0
(A − λI2 )v = 0.
E para resolver essa equação matricial, caı́mos, naturalmente, na resolução da equação det (A − λI2 )
0. Assim, generalizando, os autovalores de uma matriz An×n são as raı́zes do polinômio
P (λ) = det(A − λIn ).
201
Definição: Considere A uma matriz quadrada de ordem n, a matriz A − λIn , em que λ é uma
Definição: Considere A uma matriz quadrada de ordem n, a matriz A − λIn , em que λ é uma
Definição: Considere
indeterminada, A uma
é chamada matriz
matriz quadrada de de
caracterı́stica ordem a matriz A −dessa
A. On,determinante λIn , matriz
em queéλum é uma
po-
indeterminada, é chamada matriz caracterı́stica de A. O determinante dessa matriz é um po-
indeterminada,
linômio em λ, é chamada matriz caracterı́stica de A. O determinante dessa matriz é um po-
linômio emchamado polinômio
λ, chamado caracterı́stico
polinômio dada
caracterı́stico matriz
matrizAAe edenotado
denotadopor
porPPAA(λ).
(λ).
linômio em λ, chamado polinômio caracterı́stico da matriz A e denotado por PA (λ).
De acordo comcom
De acordo a definição anterior,
a definição o polinômio
anterior, caracterı́stico
o polinômio caracterı́sticoé éPP
A (λ) det(A−−λI
A (λ)==det(A λInn),), no
no en-
en-
De acordo
tanto,
tanto, com
alguns alivros
definição
livros
alguns adotam anterior,
porpor
adotam o polinômio
definição caracterı́stico
o polinômio
definição caracterı́stico
o polinômio caracterı́stico (λ)
é PAcomo
como=PPA
det(A
A(λ) −det(λI
(λ)== λIn ), nnno
det(λI en-
−A),
−A),
tanto,
em emalguns
ambas
ambas livros adotam
situações,
situações, por(autovalores)
as raı́zes definição
as raı́zes o polinômio
(autovalores) serão
serão caracterı́stico
asas mesmas,não
mesmas, como PA (λ) no
nãointerferindo
interferindo =nodet(λI n −A),
cálculo
cálculo para
para
os os autovetores.
emautovetores.
ambas Apenas
situações,
Apenas atente-se
as raı́zes que, para
(autovalores)
atente-se que, para matrizes
serão dedeordem
ordem
as mesmas,
matrizes nãoı́mpar, vocêpoderá
interferindo
ı́mpar, você poderá encontrar
no cálculo para
encontrar
dois dois
tipostipos
os autovetores. de Apenas
polinômio
de polinômio caracterı́stico
atente-se (opostos
que,(opostos
caracterı́stico para ouou simétrico),
matrizes de ordem
simétrico), dependendo dequal
ı́mpar, você
dependendo de qualdefinição
definição
poderá encontrarfoi
foi
doisusada.
usada.tipos de polinômio caracterı́stico (opostos ou simétrico), dependendo de qual definição foi
usada.
Fonte: o autor.
Fonte: o autor.
Fonte: o autor.
⎛ ⎞
⎛ ⎞
⎜ 4 −1 ⎟
Exemplo 8: Considere a matriz A ⎜ =⎝
⎛ 4 −1 ⎟ ⎞⎠. A matriz caracterı́stica de A é
Exemplo 8: Considere a matriz A = ⎝ 3 1⎠. A matriz caracterı́stica de A é
⎜ 4 −1 ⎟
Exemplo 8: Considere a matriz A = ⎝ 3 1 ⎠. A matriz caracterı́stica de A é
3 ⎛ 1 ⎛ ⎞
⎞
⎜ 4 − λ −1 ⎟
A − λI2 ⎜ =
⎛⎝ 4 − λ −1 ⎟ ⎞⎠
A − λI2 = ⎝ 3 1 − λ⎠
⎜ 4 − λ 1 −1 −λ ⎟
A − λI2 = ⎝ 3 ⎠
e o polinômio caracterı́stico é � 3 1−λ �
e o polinômio caracterı́stico é � �
� � 4 − λ −1 � �
� � � �
e o polinômio caracterı́stico é PA (λ) �= � � ��
�� 4�� − λ3 −1 ��
1 − λ��
PA (λ) = ��
�� 4 − λ −1 ��
�� 3 1 − λ ��
PA (λ)
PA= (λ)�� = λ2 − 5λ + 7.��
� 23 1−λ �
P⎛A (λ) = λ ⎞ − 5λ + 7. ⎛ ⎞
⎛P⎜ A (λ)
0 = −1 λ2⎟− 5λ + 7.
⎞ ⎛⎜ −λ −1 ⎞
⎟
Exemplo 9: Dada a matriz A = ⎝ ⎠, sua matriz caracterı́stica é ⎝ ⎠ e o
⎜⎛ 0 1−1 0⎟ ⎞ ⎛ −λ
⎜ 1 −1 ⎞
−λ ⎟ e o
Exemplo 9: Dada a matriz A = ⎝ ⎠, sua matriz caracterı́stica é ⎝ ⎠
polinômio caracterı́stico de A é ⎜ 10 −1 0 ⎟, sua matriz caracterı́stica é ⎜ 1 −λ −1 ⎟
−λ
Exemplo 9: Dada a matriz A = ⎝ ⎠ 2
⎝ ⎠ e o
polinômio caracterı́stico de A é P
1 0A (λ) = λ + 1. 1 −λ
polinômio caracterı́stico de A é PA (λ) = λ2 + 1.
PA (λ) = λ2 + 1.
202 UNIDADE V
⎛ ⎞
⎜ 0 0 0 ⎟
⎜ ⎟
Exemplo 10: Dada a matriz A = ⎜ ⎟
⎜ 0 1 0 ⎟, obtenha seu polinômio caracterı́stico.
⎝ ⎠
0 0 2
Temos
⎛ ⎞
⎜ −λ 0 0 ⎟
⎜ ⎟
P (λ) = det(A − λI3 ) = det ⎜
⎜ 0 1−λ 0 ⎟ = −λ3 + 3λ2 − 2λ,
⎟
⎝ ⎠
0 0 2−λ
por outro lado, temos
⎛ ⎞
⎜ λ 0 0 ⎟
⎜ ⎟
⎜
P (λ) = det(λI3 − A) = det ⎜ 0 λ − 1 0 ⎟ = λ3 − 3λ2 + 2λ.
⎟
⎝ ⎠
0 0 λ−2
Note que esses polinômios são simétricos, mas suas raı́zes são as mesmas.
⎛ ⎞
⎜ 0 1 ⎟
Exemplo 11: Dada a matriz A = ⎝ ⎠, obtenha seus autovalores e autovetores.
3 2
Temos que
P (λ) = det(A − λI2 )

⎛ ⎞
⎜ −λ 1 ⎟
P (λ) = det ⎝ ⎠
3 2−λ
P (λ) = λ2 − 2λ − 3
Agora, para obtermos seus autovalores, devemos calcular as raı́zes do polinômio caracterı́s-
tico, isto é:
Autovalores (P (λ) = 0)
λ2 − 2λ − 3 = 0
cujas raı́zes são λ1 = 3 e λ2 = −1 (Fórmula de Bhaskara).
203
Autovetores
Para λ1 = 3 e v = (x, y) temos

Av = λv
⎛ ⎞ ⎛ ⎞ ⎛ ⎞
⎜ 0 1 ⎟ ⎜ x ⎟ ⎜ x ⎟
⎝ ⎠.⎝ ⎠ = 3⎝ ⎠
3 2 y y
⎛ ⎞ ⎛ ⎞
⎜ y ⎟ ⎜ 3x ⎟
⎝ ⎠=⎝ ⎠.
3x + 2y 3y
Segue que
⎧ ⎧ ⎡ ⎤ ⎡ ⎤
⎪
⎨ ⎪
⎨ −3x + y = 0
y = 3x ⎢ −3 1 0 ⎥ ⎢ 1 −1/3 0 ⎥ pA = pC = 1
→ →⎣ ⎦→⎣ ⎦→
⎪
⎩ 3x + 2y = 3y ⎪
⎩ 3x − y = 0 3 −1 0 0 0 0 e n = 2 (SPI).
Da última matriz temos

� y � y
x− =0 → x= ,
3 3
�y �
logo, v = , y é o autovetor associado ao autovalor λ1 = 3, com y �= 0, ou seja, A(3) =
�� 3
1
,1 .
3
Para λ2 = −1 e v = (x, y), temos
Av = λv
⎛ ⎞ ⎛ ⎞ ⎛ ⎞
⎜ 0 1 ⎟ ⎜ x ⎟ ⎜ x ⎟
⎝ ⎠ . ⎝ ⎠ = (−1). ⎝ ⎠
3 2 y y
⎛ ⎞ ⎛ ⎞
⎜ y ⎟ ⎜ −x ⎟
⎝ ⎠=⎝ ⎠.
3x + 2y −y
⎧ ⎧ ⎡ ⎤ ⎡ ⎤
⎪
⎨ ⎪
⎨
y = −x x+y =0 ⎢ 1 1 | 0 ⎥ ⎢ 1 1 | 0 ⎥ pA = pC = 1,
→ →⎣ ⎦→⎣ ⎦→
⎪
⎩ 3x + 2y = −y ⎪
⎩ 3x + 3y = 0 3 3 | 0 0 0 | 0 e n = 2 (SPI).
Da última matriz, tem-se que x + y = 0, logo, x = −y, e portanto, v = (−y, y) é o autovetor

associado a λ2 = −1, com y �= 0, isto é, A(−1) = {(−1, 1)}.
204 UNIDADE V
Exemplo 12: Determine os autovalores e os autovetores da transformação linear T : R2 → R2

dada por T (x, y) = (y, −x + 2y).
⎛ T (x, y)⎞= (y, −x+2y) = (0x+1y, −1x+2y), logo, a matriz dessa transformação
Sabemos que
⎜ 0 1 ⎟
é dada por A = ⎝ ⎠. Sua matriz caracterı́stica é
−1 2
⎛ ⎞
⎜ 0−λ 1 ⎟
A − λI2 = ⎝ ⎠.
−1 2 − λ
Segue que ⎛ ⎞
⎜ 0−λ 1 ⎟
P (λ) = det ⎝ ⎠
−1 2 − λ
P (λ) = λ2 − 2λ + 1.
Autovalor
P (λ) = 0
λ2 − 2λ + 1 = 0
cuja raiz é λ = 1.
Autovetor
Sejam v = (x, y) um vetor não nulo e λ = 1 tais que
Av = λv
⎛ ⎞ ⎛ ⎞ ⎛ ⎞
⎜ 0 1 ⎟ ⎜ x ⎟ ⎜ x ⎟
⎝ ⎠.⎝ ⎠ = ⎝ ⎠
−1 2 y y
⎧ ⎧ ⎡ ⎤ ⎡ ⎤
⎪
⎨ ⎪
⎨ −x + y = 0
y=x ⎢ −1 1 | 0 ⎥ ⎢ 1 −1 | 0 ⎥ pA = pC = 1
→ →⎣ ⎦→⎣ ⎦
⎪
⎩ ⎪
⎩
−x + 2y = y −x + y = 0 −1 1 | 0 0 0 | 0 e n = 2 (SPI).
Da última matriz, concluı́mos que x − y = 0, logo, x = y. Portanto, seus autovetores são vetores
v = (y, y) com y �= 0, ou seja, é o subespaço gerado pela base {(1, 1)}.
205
Exemplo 13: Seja T : R3 → R3 uma transformação linear definida por
T (x, y, z) = (3x − 4z, 3y + 5z, −z),
determine:
I) A matriz da transformação.
II) Seus autovalores.
III) Seus autovetores.
Note que
T (x, y, z) = (3x − 4z, 3y + 5z, −z)
pode ser reescrita como
T (x, y, z) = (3x + 0y − 4z, 0x + 3y + 5z, 0x + 0y − 1z),
logo, a matriz da transformação é

⎛ ⎞
⎜ 3 0 −4 ⎟
⎜ ⎟
A=⎜ ⎟
⎜ 0 3 5 ⎟.
⎝ ⎠
0 0 −1
Seu polinômio caracterı́stico é dado por

⎛ ⎞
⎜ 3−λ 0 −4 ⎟
⎜ ⎟
P (λ) = det ⎜
⎜ 0 3−λ 5 ⎟ = (3 − λ).(3 − λ).(−1 − λ).
⎟
⎝ ⎠
0 0 −1 − λ
Assim, seus autovalores são λ1 = 3 e λ2 = −1.
Para λ1 = 3, temos
⎛ ⎞ ⎛ ⎞ ⎛ ⎞
⎜ 3 0 −4 ⎟ ⎜ ⎟x ⎜ x ⎟
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎜ 0 3 5 ⎟ . ⎜ y ⎟ = 3. ⎜ y ⎟
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎝ ⎠ ⎝ ⎠ ⎝ ⎠
0 0 −1 z z
206 UNIDADE V
⎛ ⎞ ⎛ ⎞
⎜ 3x − 4z ⎟ ⎜ 3x ⎟
⎜ ⎟ ⎜ ⎟
⎜ 3y + 5z ⎟ = ⎜ 3y ⎟ ,
⎜ ⎟ ⎜ ⎟
⎝ ⎠ ⎝ ⎠
−z 3z
logo,
⎧ ⎧
⎪
⎪ ⎪
⎪
⎪
⎪ 3x − 4z = 3x ⎪
⎪ −4z = 0
⎨ ⎨
⎪ 3y + 5z = 3y → ⎪ 5z = 0
⎪
⎪ ⎪
⎪
⎪
⎩ −z = 3z ⎪
⎩ −4z = 0
⎛ ⎞ ⎛ ⎞
⎜ 0 0 −4 0 ⎟ ⎜ 0 0 1 0 ⎟
⎜ ⎟ ⎜ ⎟
⎜ 0 0 5 ... 0 ⎟ → ⎜ 0 0 0 ... 0 ⎟ .
⎜ ⎟ ⎜ ⎟
⎝ ⎠ ⎝ ⎠
0 0 −4 0 0 0 0 0
Como pA = pC = 1, logo, o sistema possui solução, mas sendo n = 3 > 1 = p, temos um SPI
(infinitas soluções) com grau de liberdade n − p = 3 − 1 = 2 (variáveis livres). Assim,
⎛ ⎞ ⎧
⎪
⎪
⎜ 0 0 1 0 ⎟ ⎪
⎪ z=0
⎜ ⎟ ⎨
⎜ 0 0 0 ... 0 ⎟ → 0=0 .
⎜ ⎟ ⎪
⎝ ⎠ ⎪
⎪
⎪
⎩ 0=0
0 0 0 0
Portanto, seus autovetores são da forma v1 = (x, y, 0) com x �= 0 ou y �= 0.
Agora, para λ2 = −1, temos

⎛ ⎞ ⎛ ⎞ ⎛ ⎞
⎜ 3 0 −4 ⎟ ⎜ ⎟x ⎜ x ⎟
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎜ 0 3 5 ⎟ . ⎜ y ⎟ = −1. ⎜ y ⎟
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎝ ⎠ ⎝ ⎠ ⎝ ⎠
0 0 −1 z z
⎛ ⎞ ⎛ ⎞
⎜ 3x − 4z ⎟ ⎜ −x ⎟
⎜ ⎟ ⎜ ⎟
⎜ 3y + 5z ⎟ = ⎜ −y ⎟ ,
⎜ ⎟ ⎜ ⎟
⎝ ⎠ ⎝ ⎠
−z −z
logo,
207
⎧ ⎧
⎪
⎪ ⎧ ⎪
⎪⎧4x − 4z = 0
⎪
⎪ 3x − 4z = −x ⎪
⎪
⎨⎪ ⎪ − −x ⎨⎪
⎪
⎪
⎪
⎨
3x 4z = ⎪ 4x − 4z = 0
⎪
⎪ 3y + 5z = −y → ⎪⎨4y + 5z = 0
⎪
⎪ →⎪ 4y + 5z = 0
⎪⎪
⎩ ⎪ 3y + 5z = −y ⎪ ⎪⎪
⎩⎪
⎪
⎪ −z = −z ⎪
⎪ 0=0
⎩ −z = −z ⎩ 0=0
⎛ ⎞ ⎛ ⎞
⎛ ⎞ ⎛1 0 −1 0 ⎞
⎜ 4 0 −4 0 ⎟ ⎜ 1 0 −1 ⎟
⎜ ⎜ 4 0 −4 0
⎟⎟ ⎜⎜ 0⎟⎟
⎜ . 5 ..
⎜ 0 4 5 .. ..0 ⎟
⎜
⎜ ⎟⎟⎟
→⎜⎜⎜⎜0 1 ⎟.
5 . .. 0 ⎟⎟
⎝ ⎜ 0 4 5 . 0⎠⎟ ⎝⎜ 0 1 4→ . 0⎠⎟⎟.
⎝ ⎠ ⎝ 4 ⎠
0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0
Nesse sistema, temos pA = pC = 2, mas sendo n = 3 > 2 = p, logo, temos um caso SPI (infinitas
Nesse sistema, temos pA = pC = 2, mas sendo n = 3 > 2 = p, logo, temos um caso SPI (infinitas
soluções) comcom
grau de de
liberdade n− n p−= 3− 2= 1.1.Assim,
Assim,dadaúltima
últimamatriz,
matriz, resulta
resulta que
soluções) grau liberdade p= 3− 2= que

⎧⎧
⎪
⎨⎪⎨x −x−z=z =0 0
⎪
⎩⎪ 5z5z
y +4 ==0 0
⎩y +
4
ou seja,
ou seja, ⎧⎧
⎪
⎨⎪⎨xx
= =z z
. .
⎪
⎩⎪⎩y = 5z5z
y=−−
44
� � 5z�
�
Portanto, v = 5z
z, − , z , com z �= −1.
Portanto, v2 = z, − ,4z , com
2 z �= 0 é0 oé oautovetor
autovetorassociado
associadoao
aoautovalor
autovalor λλ22 =
= −1.
4
No exemplo 13, seu polinômio caracterı́stico era, na verdade, p(λ) = −λ3 + 5λ2 − 3λ − 9, no
No exemplo 13, seu polinômio caracterı́stico era, na verdade, p(λ) = −λ3 + 5λ2 − 3λ − 9, no
entanto deixamos na forma fatorada, isto é, p(λ) = (3 − λ)(3 − λ)(−1 − λ). Reflita a respeito
entanto deixamos na forma fatorada, isto é, p(λ) = (3 − λ)(3 − λ)(−1 − λ). Reflita a respeito
da vantagem em se trabalhar com o polinômio na forma fatorada.
da vantagem em se trabalhar com o polinômio na forma fatorada.
Fonte: o autor.
Fonte: o autor.
208 UNIDADE V
Exemplo 14: Determinaremos os autovalores e autovetores da matriz

⎛ ⎞
⎜ 5 −2 1 2 ⎟
⎜ ⎟
⎜ ⎟
⎜ 0 3 −6 3 ⎟
A=⎜
⎜
⎟.
⎟
⎜ 0 0 5 −5 ⎟
⎜ ⎟
⎝ ⎠
0 0 0 0
O polinômio caracterı́stico dessa matriz é

� �
� �
� 5 − λ −2 1 2 ��
�
� �
� �
� 0 3 − λ −6 3 �
PA (λ) = det(A − λI4 ) = �� = (5 − λ)2 (3 − λ)(−λ)
�
� 0 0 5 − λ −5 �
� �
� �
� �
� 0 0 0 −λ �
cujas raı́zes são 0, 3, 5 e 5. Portanto, os autovalores da matriz A são 0, 3, 5 e 5. Na sequência,

calcularemos os autovetores associados em cada caso.
Para o autovalor λ = 0 e v = (x, y, z, w) não nulo, temos
Av = 0v,
isto é, ⎛ ⎞⎛ ⎞ ⎛ ⎞
⎜ 5 −2 1 2 ⎟⎜ x ⎟ ⎜ x ⎟
⎜ ⎟⎜ ⎟ ⎜ ⎟
⎜ ⎟⎜ ⎟ ⎜ ⎟
⎜ 0 3 −6 3 ⎟ ⎜ y ⎟ ⎜ y ⎟
⎜ ⎟⎜ ⎟ = 0⎜ ⎟
⎜ ⎟⎜ ⎟ ⎜ ⎟
⎜ 0 0 5 −5 ⎟ ⎜ z ⎟ ⎜ z ⎟
⎜ ⎟⎜ ⎟ ⎜ ⎟
⎝ ⎠⎝ ⎠ ⎝ ⎠
0 0 0 0 t t
ou, ainda,
⎧ ⎡ ⎤ ⎡ ⎤
⎪
⎪
⎪
⎪ 5x − 2y + z + 2t = 0 ⎢ 5 −2 1 2 0 ⎥ ⎢ 1 −2/5 1/5 2/5 0 ⎥
⎨ ⎢ ⎥ ⎢ ⎥
⎢ . ⎥ ⎢ .
⎪
.
3y − 6z + 3t = 0 → ⎢ 0 3 −6 3 . 0 ⎥ → ⎢ 0 1 −2 1 . 0 ⎥
. ⎥
⎪
⎪ ⎣ ⎦ ⎣ ⎦
⎪
⎩ 5z − 5t = 0 0 0 5 −5 0 0 0 1 −1 0
209
⎡ ⎤ ⎡ ⎤
⎢ 1 0 −3/5 4/5 0 ⎥ ⎢ 1 0 0 1/5 0 ⎥
⎢ .. ⎥ ⎢ .. ⎥
→⎢
⎢ 0 1 0 −1 . 0 ⎥ ⎥ → ⎢ ⎥
⎢ 0 1 0 −1 . 0 ⎥ ,
⎣ ⎦ ⎣ ⎦
0 0 1 −1 0 0 0 1 −1 0
como pA = pC = 3 e n = 4, temos um caso do tipo SPI, segue dessa última matriz que
⎧ ⎧
⎪ t ⎪ t
⎪
⎪ x + = 0 ⎪
⎪ x=−
⎪
⎨ 5 ⎪
⎨ 5
⎪ y−t=0 →⎪ y =t .
⎪
⎪ ⎪
⎪
⎪
⎩ ⎪
⎩
z−t=0 z=t
��
t
Assim, a solução geral do sistema é − , t, t, t , com t �= 0. Portanto, os autovetores associados
5 ��
1
ao autovalor λ = 0 é o subespaço gerado pela base A(0) = − , 1, 1, 1 .
5
Analogamente, para λ = 3 e v = (x, y, z, t) não nulo temos
Av = λv
⎛ ⎞⎛ ⎞ ⎛ ⎞
⎜ 5 −2 1 2 ⎟⎜ x ⎟ ⎜ x ⎟
⎜ ⎟⎜ ⎟ ⎜ ⎟
⎜ ⎟⎜ ⎟ ⎜ ⎟
⎜ 0 3 −6 3 ⎟ ⎜ y ⎟ ⎜ y ⎟
⎜ ⎟⎜ ⎟ = 3⎜ ⎟
⎜ ⎟⎜ ⎟ ⎜ ⎟
⎜ 0 0 5 −5 ⎟ ⎜ z ⎟ ⎜ z ⎟
⎜ ⎟⎜ ⎟ ⎜ ⎟
⎝ ⎠⎝ ⎠ ⎝ ⎠
0 0 0 0 t t
logo,
⎧ ⎧ ⎡ ⎤
⎪
⎪ ⎪
⎪
⎪
⎪ 5x − 2y + z + 2t = 3x ⎪
⎪ 2x − 2y + z + 2t = 0 ⎢ 2 −2 1 2 0 ⎥
⎨ ⎨ ⎢ ⎥
.
⎪ 3y − 6z + 3t = 3y → ⎪ −6z + 3t = 0 → ⎢ 0 0 −6 3 . 0 ⎥
⎢ . ⎥
⎪
⎪ ⎪
⎪ ⎣ ⎦
⎪
⎩ ⎪
⎩
5z − 5t = 3z 2z − 5t = 0 0 0 2 −5 0
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
⎢ 1 −1 1/2 1 0 ⎥ ⎢ 1 −1 0 5/4 0 ⎥ ⎢ 1 −1 0 0 0 ⎥
⎢ . ⎥ ⎢ . ⎥ ⎢ . ⎥
⎢
→⎢ 0 0 ⎥ ⎢
1 −1/2 .. 0 ⎥ → ⎢ 0 0 1 −1/2 .. 0 ⎥ → ⎢ 0 0 1 0 .. 0 ⎥
⎥ ⎢
⎥
⎣ ⎦ ⎣ ⎦ ⎣ ⎦
0 0 1 −5/2 0 0 0 0 1 0 0 0 0 1 0
210 UNIDADE V
⎧ ⎧
⎪
⎪ ⎪
⎪
⎪
⎪ x−y =0 ⎪
⎪ x=y
pA = pC = 3 ⎨ ⎨
→ → z=0 → z=0 .
⎪
⎪ ⎪
⎪
n = 4 (SPI) ⎪
⎪ ⎪
⎪
⎩ t=0 ⎩ t=0
Logo, o conjunto solução desse sistema é {(y, y, 0, 0); y ∈ R} e, portanto, seus autovetores são da
forma v = (y, y, 0, 0) com y ∈ R∗ . Observe que para v = (y, y, 0, 0) tem-se Av = 3v (Verifique!).
Finalmente, para o autovalor λ = 5 e v = (x, y, z, t) não nulo temos
Av = λv
isto é, ⎛ ⎞⎛ ⎞ ⎛ ⎞
⎜ 5 −2 1 2 ⎟⎜ x ⎟ ⎜ x ⎟
⎜ ⎟⎜ ⎟ ⎜ ⎟
⎜ ⎟⎜ ⎟ ⎜ ⎟
⎜ 0 3 −6 3 ⎟ ⎜ y ⎟ ⎜ y ⎟
⎜ ⎟⎜ ⎟ = 5⎜ ⎟
⎜ ⎟⎜ ⎟ ⎜ ⎟
⎜ 0 0 5 −5 ⎟⎜ z ⎟ ⎜ z ⎟
⎜ ⎟⎜ ⎟ ⎜ ⎟
⎝ ⎠⎝ ⎠ ⎝ ⎠
0 0 0 0 t t
equivalente a
⎧ ⎧ ⎡ ⎤
⎪
⎪ ⎪
⎪
⎪
⎪ 5x − 2y + z + 2t = 5x ⎪
⎪ −2y + z + 2t = 0 ⎢ 0 −2 1 2 0 ⎥
⎨ ⎨ ⎢ ⎥
→ → ⎢ .. ⎥
⎪ 3y − 6z + 3t = 5y ⎪ −2y − 6z + 3t = 0 ⎢ 0 −2 −6 3 . 0 ⎥
⎪
⎪ ⎪
⎪ ⎣ ⎦
⎪
⎩ ⎪
⎩
5z − 5t = 5z −5t = 0 0 0 0 −5 0
⎡ ⎤ ⎡ ⎤
⎢ 0 1 −1/2 −1 0 ⎥ ⎢ 0 1 −1/2 −1 0 ⎥
⎢ .. ⎥ ⎢ .. ⎥
→⎢
⎢ 0 1 3 −3/2 . 0 ⎥⎥ → ⎢
⎢ 0 0 7/2 −1/2 . 0 ⎥
⎥
⎣ ⎦ ⎣ ⎦
0 0 0 1 0 0 0 0 1 0
⎡ ⎤ ⎡ ⎤ ⎧
⎪
⎪
⎢ 0 1 −1/2 0 0 ⎥ ⎢ 0 1 0 0 0 ⎥ pA = pC = 3 ⎪ y=0
⎪
⎨
⎢ . ⎥ ⎢ . ⎥
⎢
→⎢ 0 0 1 −1/7 .. 0 ⎥ → ⎢ 0 0 1 0 .. 0 ⎥
⎥ ⎢ en=4 → z=0 .
⎥ ⎪
⎣ ⎦ ⎣ ⎦ ⎪
⎪
⎪
⎩ t=0
0 0 0 1 0 0 0 0 1 0 (SPI)
Assim, a solução deste sistema é {(x, 0, 0, 0) ; x ∈ R}, e, portanto, seu autovetor é v = (x, 0, 0, 0)
com x �= 0.
211
TÓPICO 3: DIAGONALIZAÇÃO DE OPERADORES

DIAGONALIZAÇÃO DE OPERADORES
Vimos, nas primeiras unidades, que dado um sistema de equações lineares, podemos utilizar
algumas operações elementares sobre esse sistema, de maneira a obtermos sistemas equivalentes,
no entanto mais simples, facilitando a obtenção de sua solução. De forma análoga, partindo da
matriz ampliada de um sistema, é possı́vel transformá-la na forma escada, o que facilita muito na
discussão ou resolução do sistema inicial. Agora, lembremos que dada uma transformação linear
T : V → V , podemos representar essa aplicação por meio de uma matriz A, assim, uma pergunta
que se faz: Será que, dada uma matriz A, podemos obter outra equivalente a essa matriz, no
entanto de forma mais simples, como uma matriz diagonal? Veremos que, em alguns casos, isso é
possı́vel.
Definição: Seja T : V → V um operador linear, dizemos que T é diagonalizável se existe uma

base de V cujos elementos são autovetores de T .
Exemplo 15: Seja T : R2 → R2 definida por T (x, y) = (y, x), verifique se T é diagonalizável.
⎡ ⎤
⎢ 0 1 ⎥
Temos que T pode ser representada pela matriz A = ⎣ ⎦ cujo polinômio caracterı́stico
1 0
p(λ) = λ2 − 1, com autovalores λ1 = −1, λ2 = 1, autovetores não nulo v1 = (−y, y) e v2 = (x, x).
Assim, temos as seguintes bases para esses autoespaços, A(−1) = {(−1, 1)} e A(1) = {(1, 1)}.
Agora, note que o conjunto B = {(−1, 1), (1, 1)} é linearmente independente, e portanto, uma
base formada pelos autovetores de T . Além disso, elementos da imagem B pelo operador linear
podem ser escritos como combinação desses vetores, isto é,
T (−1, 1) = (1, −1) = −1(−1, 1) + 0(1, 1)
T (1, 1) = (1, 1) = 0(−1, 1) + 1(1, 1).
Neste caso, a matriz ⎡ ⎤

⎢ −1 0 ⎥
[T ]B = ⎣ ⎦
0 1
em relação a base B é diagonal e portanto, T é diagonalizável.
Diagonalização de Operadores
212 UNIDADE V
Teorema: Dado um operador linear T : V → V , se seus autovalores são distintos, então, seus
autovetores associados formam um conjunto LI.
O teorema enunciado anteriormente garante que se V é finitamente gerado, com dim(V ) = n

e T : V → V é um operador linear com n autovalores distintos, então, é possı́vel exibir uma base
com n autovetores LI.
Exemplo 16: Seja T : R2 → R2 uma transformação linear definida por T (x, y) = (x, 4x − 2y),
verifique se T é diagonalizável.
⎡ ⎤
⎢ 1 0 ⎥
Temos que A = ⎣ ⎦, logo, p(λ) = (1 − λ)(−2 − λ). Como λ1 = −2 e λ2 = 1
4 −2
� �
3y
são autovalores distintos, então, seus autovetores v1 = (0, y) e v2 = , y são LI, ou seja,
� � �� 4
3
B = (0, 1), ,1 é base. Assim, fazendo a combinação linear, temos:
4
� �
3
T (0, 1) = (0, −2) = −2(0, 1) + 0 ,1
4
� � � � � �
3 3 3
T ,1 = ,1 = 0 (0, 1) + 1 ,1 .
4 4 4
Portanto, a matriz T em relação a base B é
⎡ ⎤
⎢ −2 0 ⎥
[T ]B = ⎣ ⎦.
0 1
É interessante observar que essa é uma matriz diagonal e que os elementos da sua diagonal principal
são os autovalores do operador T .
Até o momento, analisamos operadores com autovalores distintos, na sequência, faremos

um estudo de caso em que os autovalores se repetem. Para tanto, introduziremos dois conceitos,
a saber: - chamamos de multiplicidade algébrica de um autovalor λ a quantidade de vezes
que essa raiz se repete; - chamamos de multiplicidade geométrica de um autovalor o grau
de liberdade do seu autovetor, ou seja, a quantidade de parâmetros livres desse autovetor e que
corresponde à dimensão do autoespaço A(λi ).
213
Exemplo 17: Seja T : R2 → R2 um operador linear definido por T (x, y) = (x, 2x + y), verifique
se T é diagonalizável.
⎛ ⎞
⎜ 1 0 ⎟
Sua matriz é dada por A = ⎝ ⎠ cujo polinômio caracterı́stico é p(λ) = (1 − λ)2 , logo,
2 1
seu autovalor é λ = 1 com multiplicidade algébrica igual a 2. Agora, seu autovetor é v = (0, y),
ou seja, v = y(0, 1), logo, sua multiplicidade geométrica é igual a 1. Assim, uma base para esse
autoespaço A(1) = {(0, 1)}, com dimensão igual a 1. Como dim V = dim R2 = 2, logo, precisamos
de dois vetores LI para formar uma base para R2 , portanto, T não é diagonalizável.
Teorema: Uma matriz quadrada A de ordem n é diagonalizável se, e somente se existem n

autovetores linearmente independentes.
Corolário: Uma matriz quadrada A de ordem n é diagonalizável se, e somente se a soma das mul-
tiplicidades algébricas dos autovalores de A é igual a n, e as multiplicidades algébrica e geométrica
de cada autovalor de A coincidem.
Exemplo 18: Seja T : R3 → R3 um operador linear definido por T (x, y, z) = (x + y, −y, z),
verifique se T é diagonalizável.
⎡ ⎤
⎢ 1 1 0 ⎥
⎢ ⎥
A matriz dessa transformação é dada por A = ⎢ 0 −1 0 ⎥
⎢
⎥, segue que seu polinômio
⎣ ⎦
0 0 1
caracterı́stico é p(λ) = (1−λ)2 (−1−λ), logo, temos que λ1 = −1 é um autovalor com multiplicidade
algébrica igual a 1, e λ2 = 1 é um autovalor com multiplicidade algébrica igual a 2. Como a soma
das suas multiplicidades é igual a 3 e coincide com a ordem dessa matriz, conforme corolário, só
falta verificar se as multiplicidades algébricas e geométricas coincidem para cada autovalor.
� y �
Para o autovalor λ1 = −1 (multiplicidade 1), temos o autovetor v1 = − , y, 0 =
� � 2
1
y − , 1, 0 cuja multiplicidade geométrica é igual a 1 (dimensão da base desse autovetor). Assim,
2
para esse autovalor, suas multiplicidades são iguais (*).
Para o autovalor λ2 = 1 (multiplicidade 2), temos o autovetor v2 = (x, 0, z) = x(1, 0, 0) +

z(0, 0, 1), ou seja, com multiplicidade geométrica igual a 2, pois a base para esse autoespaço é
A(1) = {(1, 0, 0), (0, 0, 1)}. Assim, a multiplicidade geométrica (dimensão da base desse autoes-
paço) coincide com sua multiplicidade algébrica. Portanto, combinando esse último resultado com
(*), podemos concluir que T é diagonalizável.
Diagonalização de Operadores
214 UNIDADE V
��
� �
1
É fácil verificar que o conjunto dos autovetores B = − , 1, 0 , (1, 0, 0), (0, 0, 1) é
2
linearmente independente, logo, é uma base para R . Escreveremos as imagens desses vetores pela
3
transformação linear T como combinação linear desses autovetores que compõem essa base B, ou
seja, � � � � � �
1 1 1
T − , 1, 0 = , −1, 0= −1 − , 1, 0 + 0(1, 0, 0) + 0(0, 0, 1)
2 2 2
� �
1
T (1, 0, 0) = (1, 0, 0) = 0 − , 1, 0 + 1(1, 0, 0) + 0(0, 0, 1)
2
� �
1
T (0, 0, 1) = (0, 0, 1) = 0 − , 1, 0 + 0(1, 0, 0) + 1(0, 0, 1)
2
Portanto, a matriz diagonal procurada é
⎡ ⎤
⎢ −1 0 0 ⎥
⎢ ⎥
[T ]B = ⎢ ⎥
⎢ 0 1 0 ⎥.
⎣ ⎦
0 0 1
Assim, aqui, concluı́mos nosso estudo sobre os autovalores, autovetores e a diagonalização

de operadores.
215
Nesta unidade, definimos conceitos essenciais para o estudo da Álgebra Linear. As noções
de autovetor e autovalor de uma transformação linear (ou matriz) são fundamentais, por exemplo,
em Fı́sica Atômica, porque os nı́veis de energia dos átomos e moléculas são dados por autovalores
de determinadas matrizes. Também o estudo dos fenômenos de vibração, análise de estabilidade
de um avião e muitos outros problemas de Fı́sica levam à procura de autovalores e autovetores de
matrizes. Autovalores e autovetores também são utilizados na resolução de sistemas de equações
diferenciais, e muitas situações fı́sicas são descritas por um sistema de equações diferenciais. Você
terá conhecimento de equações diferenciais mais adiante no curso, nas disciplinas de Cálculo. Outra
aplicação importante desses conceitos é a classificação de cônicas e quádricas em que autovalores e
autovetores são usados para normalizar formas quadráticas. Mais especificamente, elas são usadas
para encontrar mudanças de referencial que permitem identificar quais as figuras geométricas que
representam certas equações no plano e no espaço.
Podemos ver que os conteúdos estudados neste curso são aplicados em diversas áreas da ciên-
cia. Procuramos formalizar os conceitos matemáticos e sugerimos ao(à) leitor(a) que, na sequência
de seus estudos, quando se deparar com situações-problema envolvendo a Álgebra Linear. Lembre-
se de que existe todo um embasamento teórico para justificar e resolvê-las quando possı́vel.
Aos mais interessados, no Material Complementar, disponibilizamos alguns endereços que

exemplificam aplicações relacionadas aos autovalores, autovetores e diagonalização de uma trans-
formação linear, que vão desde simples aplicações, por exemplo, no estudo das curvas cônicas, até
na programação em sites de buscas na internet.
Assim, finalizamos nosso estudo da Álgebra Linear. Perceba que em todo nosso estudo, ao
tentar resolver os problemas, recaı́mos na resolução de sistemas de equações lineares, homogêneo
ou não. Portanto, é nessa disciplina que formalizamos esses conceitos, no entanto suas aplicações
abrangem outras disciplinas, tais como geometria analı́tica, cálculo, análise, linguagem computa-
cional, fı́sica, entre outros.
Considerações Finais
216
ATIVIDADE DE ESTUDO
⎡ ⎤
⎢ 1 0 ⎥
1) Dada a matriz A = ⎣ ⎦, assinale qual dos vetores a seguir é um autovetor associado ao
3 4
autovalor λ = 4.
a) v = (3, 2).
b) v = (1, 1).
c) v = (0, π).
d) v = (−1, 2).
e) v = (0, 0).
⎡ ⎤
⎢ 0 1 ⎥
2) Se v = (3, 6) é um autovetor da matriz A = ⎣ ⎦, então, o autovalor correspondente a
−2 3
ele é:
a) λ = 0
b) λ = 1
c) λ = 2
d) λ = 3
e) λ = 4
3) Para cada operador linear a seguir, obtenha sua matriz da transformação:

a) T (x, y) = (x, −x + 2y)
b) T (x, y) = (x + y, y)
c) T (x, y, z) = (x, y + z, −x + 3z)
d) T (x, y, z) = (2y, x − z, x − y)
e) T (x, y, z, t) = (2x, −y + z, x + y, t)
4) Seja T : R2 → R2 uma transformação linear definida por T (x, y) = (x, 3x + 4y). Dentre os
vetores a seguir, o único vetor que não é autovetor desse operador linear é:
a) v = (2, −2).
b) v = (−10, 10).
c) v = (0, π).
d) v = (0, 5).
e) v = (3, 3).
217
5) Para cada matriz a seguir, exiba seu polinômio caracterı́stico:
⎡ ⎤
⎡ ⎤
⎡ ⎤ ⎢ 1 0 0 0 ⎥
1 0 2 ⎢ ⎥
⎢ ⎥ ⎢ ⎥
⎢ 2 1 ⎥ ⎢ ⎥ ⎢ 0 2 0 7 ⎥
a) A = ⎣ ⎦ b) B = ⎢ ⎥
⎢ −5 0 1 ⎥ c) C = ⎢
⎢
⎥
⎥
0 −3 ⎣ ⎦ ⎢ 0 0 −3 0 ⎥
⎢ ⎥
0 3 4 ⎣ ⎦
0 0 π 2
6) Para cada transformação linear, exiba seu polinômio caracterı́stico:

a) T (x, y) = (3x + y, x − y)
b) T (x, y) = (x − y, 2y)
c) T (x, y, z) = (2x, y − z, z)
d) T (x, y, z, t) = (2x, −3y + t, x + 4z, z + 4t)
7) Determine os autovalores e os autovetores das seguintes transformações lineares:
a) T : R2 → R2 dada por T (x, y) = (x + 2y, x)
b) T : R3 → R3 dada por T (x, y, z) = (x, −2x − y, 2x + y + 2z)
c) T : R2 → R2 dada por T (x, y) = (2x + y, 4x + 5y)
d) T : R2 → R2 dada por T (x, y) = (2x − y, 4x + 3y)
8) Determine os autovalores e os autovetores dos seguintes operadores cujas matrizes na base

canônica são:
⎛ ⎞
⎛ ⎞
⎛ ⎞ ⎜ 4 0 2 0 ⎟
⎜ ⎟
⎜ 1 0 0 ⎟ ⎜ ⎟
⎜ 2 2 ⎟ ⎜ ⎟ ⎜ 0 2 0 0 ⎟
a) A = ⎝ ⎠ b) A = ⎜ ⎟
⎜ −1 0 −2 ⎟ c) A = ⎜
⎜
⎟
⎟
2 2 ⎝ ⎠ ⎜ 0 0 2 0 ⎟
⎜ ⎟
1 1 3 ⎝ ⎠
0 −1 0 0
9) Os autovalores e autovetores de um operador linear T : R3 → R3 são λ1 = 1, λ2 = 2 e
λ3 = −1, sendo v1 = (1, 1, 1), v2 = (0, 1, 1) e v3 = (−1, 1, 0) seus respectivos autovetores associados.
Determine T (x, y, z):
218
10) (ENADE 2008) Uma transformação linear T : R2 → R2 faz uma reflexão em relação ao eixo
horizontal, conforme mostrado na figura a seguir:
Essa transformação T
(a) é dada por T (x, y) = (−x, y).
(b) tem autovetor (0, −1) com autovalor associado igual a 2.
(c) tem autovetor (2, 0) com autovalor associado igual a 1.
(d) tem autovalor de multiplicidade 2.
(e) não é inversı́vel.
219
A MATEMÁTICA DOS CÓDIGOS DE BARRAS
Um código de barras não é mais do que um número assinado ao produto para sua iden-
tificação, escrito de forma a permitir leitura rápida no caixa. Imediatamente abaixo das barras,
aparece o mesmo número escrito em algoritmos correntes, de forma que o leitor humano também
possa ler o número.
Faremos algumas considerações sobre a leitura de um código de barras: primeiro que o

desenho das barras é totalmente simétrico para a máquina, que o lê usando um feixe de luz
transversal. Ao passá-lo de ponta cabeça, ela não deveria ler o número na ordem contrária? E, o
que é pior, o operador do caixa, ao digitar o número rapidamente, não poderia cometer um erro
fazendo com que paguemos por um produto muito mais caro do que aquele que estamos comprando?
Na verdade, isso não ocorre. Tanto quando lido numa ordem, como na ordem contrária, o código
sempre é interpretado de forma correta. Mais ainda, quando o operador comete algum erro de
digitação - e todos nós já vimos isso acontecer alguma vez - a máquina simplesmente emite um
som, para avisar que houve um erro.
Se observamos um código de barras, notamos, imediatamente, que ele é formado por listras
brancas e pretas alternadas, de espessura variável. Há, na verdade, quatro espessuras possı́veis para
essas listras, que podem ser classificadas como finas, médias, grossas ou muito grossas. Utilizaremos
o sı́mbolo 0 para indicar uma listra branca fina, o sı́mbolo 00 para uma listra branca média, 000 para
uma listra branca grossa e 0000 para uma muito grossa. Da mesma forma, representaremos por
1, 11, 111 e 1111 uma listra preta fina, média, grossa ou muito grossa, respectivamente. Assim,
as primeiras quatro listras da figura (sem contar, é claro, as listras que servem de limite e que
aparecem mais compridas na figura), que são uma listra branca grossa, uma preta média, uma
branca fina e uma preta fina, respectivamente, podem ser representadas pela sequência 0001101.
Há dois tipos de códigos, o UPC-A e EAN-13. No código EAN, há um dı́gito a cada código,
de modo a permitir a identificação do paı́s de origem do produto. Por exemplo, o código de barras
de todos os produtos produzidos no Brasil começa com a sequência 789, que é a que identifica o
paı́s.
A detecção de erros - aplicação
Para compreender como funciona o processo de detecção de erros, precisamos enten

220
A detecção de erros - aplicação
Para compreender como funciona o processo de detecção de erros, precisamos entender,

inicialmente, como se atribui a cada produto o dı́gito de verificação. Suponhamos que um de-
terminado produto está identificado, no sistema EAN-13, por uma dada sequência de dı́gitos
a1 a2 . . . a12 a13 . Como os primeiros dı́gitos identificam o paı́s de origem, o fabricante e o pro-
duto especı́fico, os primeiros doze dı́gitos da sequência estão determinados naturalmente por um
método padrão, a cargo de uma autoridade classificadora em cada paı́s. Denotaremos o décimo
terceiro dı́gito, de verificação, por x. Para facilitar nossa exposição, escreveremos essa sequên-
cia como um vetor: α = (a1 , a2 , . . . , a11 , a12 , x). O sistema EAN-13 utiliza-se de um vetor fixo,
que chamaremos vetor de pesos, que é w = (1, 3, 1, 3, 1, 3, 1, 3, 1, 3, 1, 3, 1). Calcula-se, então, o
“produto escalar” de ambos vetores: �α, w� = �(a1 , . . . , a12 , x), (1, 3, 1, 3, 1, 3, 1, 3, 1, 3, 1, 3, 1)� =
= a1 + 3a2 + a3 + 3a4 + a5 + 3a6 + a7 + 3a8 + a9 + 3a10 + a11 + 3a12 + x. Agora, o dı́gito de
verificação x se escolhe de forma tal que a soma anterior seja múltipla de 10, isto é, tal que
�α, w� = 0(mod10). Por exemplo, no caso do código da figura anterior, os números que indicam
o paı́s de origem, o fabricante e o produto são 789500026624. Veremos como foi determinado o
dı́gito de verificação. Chamando esse dı́gito de x e fazendo o “produto escalar” com o vetor de
pesos, temos: 7 + 3 × 8 + 9 + 3 × 5 + 0 + 3 × 0 + 0 + 3 × 2 + 6 + 3 × 6 + 2 + 3 × 4 + x = 99 + x.
Consequentemente, deve-se tomar x = 1.
Vejamos, agora, um exemplo de como funciona a detecção de erros. Um livro do autor

recebeu o código de barras 9781402002380. Suponhamos que, por um erro de digitação no quarto
dı́gito, esse número é transmitido como α = 9782402002380. Ao fazer a verificação de leitura, o
computador que recebeu a informação faz a operação �α, w� e obtém: 9 + 3 × 7 + 8 + 3 × 2 + 4 +
3 × 0 + 2 + 3 × 0 + 0 + 3 × 2 + 3 + 3 × 8 + 0 = 73. Como o resultado não é um múltiplo de 10, ele
avisa que foi cometido algum erro.
Assim, o sistema detecta todo erro de transposição cometido.
Leia o artigo na ı́ntegra em: <http://mat.ufg.br/bienal/2006/mini/polcino.pdf>.
Fonte: adaptado por Milies (2006, on-line)1 .

No material disponibilizado neste link, são apresentadas duas aplicações de autovalores e au-
tovetores. A primeira surge naturalmente, na “Sequência de Fibonacci”, e a segunda aplicação
está relacionada ao site de busca da empresa Google.
<https://repositorio.ufsc.br/bitstream/handle/123456789/107651/302312.pdf?sequence=1>.
O link a seguir dá-nos acesso a uma página com vários exemplos de aplicações de Geometria
Analı́tica e Álgebra Linear às mais diversas áreas cientı́ficas e tecnológicas. Ela está aberta a
contribuições de professores, alunos, ex-alunos e profissionais.
<http://www.mat.ufmg.br/gaal/aplicacoes/aplicacoes.html>.
No próximo site, é apresentado uma aplicação da diagonalização de matrizes, que pode ser
usada na “Identificação das Cônicas” cujas equações não estão na forma padrão.
<http://www.alexbrasil.com.br/ upload/660b7516b36f7b0a5dd315f120544dad.pdf>.
REFERÊNCIAS
Referências
#Referências on-line#
1 Em <http://mat.ufg.br/bienal/2006/mini/polcino.pdf>. Acesso em: 21 maio 2018.
#Referências on-line#
GABARITO 223
GABARITO
Unidade V
1) Alternativa (c) 7)
2) Alternativa (c) a) Para λ1 = −1, temos v1 = (−y, y) com y �= 0,
3) ⎡ ⎤ ⎡ ⎤ para λ2 = 2, temos v2 = (2y, y) com y �= 0.
⎢ 1 0 ⎥ ⎢ 1 1 ⎥ b) Para λ1 = −1, temos v1 = (0, −3z, z) com z �= 0,

a) ⎣ ⎦ b) ⎣ ⎦
−1 2 0 1 para λ2 = 1, temos v2 = (−y, y, y) com y �= 0, e
⎡ ⎤ ⎡ ⎤
para λ3 = 2, temos v3 = (0, 0, z) com z �= 0.
⎢ 1 0 0 ⎥ ⎢ 0 2 0 ⎥
⎢ ⎥ ⎢ ⎥ c) Para λ1 = 1, temos v1 = (−y, y) com y �= 0,
c) ⎢
⎢ 0
⎥
1 1 ⎥ d) ⎢
⎢ 1 0 −1 ⎥
⎥ �y �
⎣ ⎦ ⎣ ⎦ para λ2 = 6 e v2 = , y com y �= 0.
4
−1 0 3 1 −1 0
⎡ ⎤ d) Não existem autovalores nem autovetores.
⎢ 2 0 0 0 ⎥ 8)
⎢ ⎥
⎢ ⎥ a) Para λ1 = 0, temos v1 = (−y, y) com y �= 0 e para
⎢ 0 −1 1 0 ⎥
e) ⎢
⎢
⎥
⎥
⎢ 1 1 0 0 ⎥ λ2 = 4, temos v2 = (y, y) com y �= 0.
⎢ ⎥
⎣ ⎦ b) Para λ1 = 1, temos v1 = (−y − 2z, y, z) com y =
� 0
0 0 0 1
ou z �= 0 e para λ2 = 2, temos v2 = (0, −z, z) com
4) Alternativa (b) z �= 0.
5) c) Para λ1 = 0, temos v1 = (0, 0, 0, t) com t �= 0, para
2
a) p(λ) = λ + λ − 6 λ2 = 2, temos v2 = (−z, −2t, z, t), com z �= 0 ou t =
� 0
b) p(λ) = −λ3 + 5λ2 − λ − 3 e para λ3 = 4, temos v3 = (x, 0, 0, 0) com x �= 0.
c) p(λ) = (2 − λ)2 (1 − λ)(−3 − λ) 9) T (x, y, z) = (x + 2y − 2z, −x − 2y + 4z, −x − y + 3z)
6) 10) Alternativa (c)
2
a) p(λ) = λ − 2λ − 4
b) p(λ) = λ2 − 3λ + 2
c) p(λ) = −λ3 + 4λ2 − 5λ + 2
d) p(λ) = (2 − λ)(−3 − λ)(4 − λ)2
CONCLUSÃO
CONCLUSÃO
Caro(a) leitor(a), escrever esse livro sobre Álgebra Linear foi um grande desafio, visto a
enorme responsabilidade, por se tratar de uma das bases da matemática do Ensino Superior, e
também de extrema importância para as mais diversas áreas de conhecimento, das ciências exatas
e engenharias.
Na primeira unidade, formalizamos o conceito de matrizes, como uma tabela numérica

ordenada, e partindo daı́, foi possı́vel definir uma estrutura algébrica com operações de adição,
multiplicação por escalar e a multiplicação de matrizes cujas propriedades e resultados matemáticos
assemelham-se aos números reais bem como a estrutura dos vetores. Vimos, também, uma matriz
especial denominada matriz inversa, de fundamental importância na resolução ou discussão de
sistemas de equações. Na sequência, apresentamos o conjunto formado por várias equações lineares,
denominado sistema de equações lineares, que dá origem às matrizes. Apresentamos um número
associado a uma matriz quadrada chamado determinante, que nos possibilita resolver ou discutir
sobre o conjunto solução de um sistema, por meio da Regra de Cramer. Na Unidade II, vimos uma
técnica que nos permite analisar um sistema de equações lineares que relaciona o posto de uma
matriz ampliada, com o posto da matriz dos seus coeficientes e o número de incógnitas, técnica
essa muito útil, pois nos possibilita resolver todo e qualquer tipo de sistema de equações lineares.
Na Unidade III fizemos um estudo dos espaços vetoriais, combinação lineares (LI e LD)
e subespaços vetoriais. Assim, quando estudamos situações envolvendo equações e sistemas line-
ares, na realidade, estamos procurando espaços ou subespaços vetoriais, que são conjuntos com
caracterı́sticas próprias. E sobre esse subespaço, na Unidade IV definimos uma função especial
chamada transformação linear, que é simplesmente uma aplicação que associa dois conjuntos, mais
especificamente, espaços vetoriais. Consequentemente, assim como nos estudos das funções (con-
junto imagem e raı́zes), as transformações também têm conjuntos especiais, denominados núcleo
e imagem de uma transformação. Finalizamos nossos estudos com os autovalores, autovetores e
diagonalização de matrizes cujas aplicações surgem naturalmente em diversas áreas das ciências
exatas.
Espero que o livro apresentado aqui possa, de alguma maneira, ter contribuı́do para seu
aprendizado e, principalmente, tenha dado uma base sólida para continuidade dos seus estudos.

Material 1566928379786 PDF

Enviado por

Direitos autorais:

Formatos disponíveis

Material 1566928379786 PDF

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Material 1566928379786 PDF

Enviado por

Direitos autorais:

Formatos disponíveis

ÁLGEBRA LINEAR

Professor Me. Alexandre Shuji Suguimoto

NEAD - Núcleo de Educação a Distância

Ficha catalográfica elaborada pelo bibliotecário

Professor Me. Alexandre Shuji Suguimoto

Professor Me. Anderson Leandro Zulin

ÁLGEBRA LINEAR E VETORIAL

21 Operações com Matrizes

SISTEMA DE EQUAÇÕES LINEARES

60 Sistemas de Equações Lineares

66 Resolução de Sistemas de Equações Lineares

76 Posto e Grau de Liberdade

104 Espaço Vetorial

119 Combinação Linear

132 Base e Dimensão

153 Considerações Finais

PRODUTO INTERNO E TRANSFORMAÇÕES LINEARES

164 Produto Interno

173 Transformação Linear

177 Núcleo e Imagem de uma Transformação Linear

180 Considerações Finais

192 Autovalores e Autovetores

197 Polinômio Característico

211 Diagonalização de Operadores

215 Considerações Finais

algébricas interessantes acerca dos determinantes.

Os ı́ndices i e j representam a linha e a coluna, respectivamente, em que cada elemento da matriz

• Matriz de ordem 1: A = [−6]

É aquela que apresenta uma única linha.

É aquela que apresenta uma única coluna.

É uma matriz quadrada cujos elementos são deﬁnidos como segue:

Trata-se de uma matriz quadrada, em que aij = aji .

Matriz Triangular Superior

sempre que i > j.

Matriz Triangular Inferior

TÓPICO 2: OPERAÇÕES COM MATRIZES

Operações com Matrizes

Multiplicação por escalar

Agora, em relação à adição de matrizes e multiplicação por escalar, devemos observar as

VI) (α + β)A = αA + βA.

VII) (αβ)B = α(βB).

IX) 0 · A = Om×n (neste caso, 0 é um escalar e Om×n é a matriz nula).

Operações com Matrizes

I) At = A se, e somente se, a matriz A é simétrica.

Prova item (I)

Prova item (II)

(At )t = ([aij ]t )t = ([aji ])t = [aji ]t = [aij ] = A.

Prova item (III)

Prova item (IV)

(kA)t = (k[aij ])t = ([kaij ])t = [kaji ] = k[aji ] = kAt .

Observação: uma matriz é chamada de antissimétrica quando At = −A.

Para deﬁnirmos o produto de matrizes, analisaremos o seguinte exemplo:

Na tabela a seguir, estão registradas as notas bimestrais de 5 alunos de uma determinada

Primeiro Bimestre Segundo Bimestre Terceiro Bimestre Quarto Bimestre

Aluno A 2,5 5,6 6,1 6,0

Aluno B 2,0 3,5 3,7 5,5

Aluno C 8,0 6,8 7,5 9,0

Aluno D 6,0 6,1 5,5 6,7

Aluno E 4,0 5,0 7,0 7,5

21 Operações com Matrizes

60 Sistemas de Equações Lineares

66 Resolução de Sistemas de Equações Lineares

76 Posto e Grau de Liberdade

104 Espaço Vetorial

119 Combinação Linear

132 Base e Dimensão

153 Considerações Finais

164 Produto Interno

173 Transformação Linear

177 Núcleo e Imagem de uma Transformação Linear

180 Considerações Finais

192 Autovalores e Autovetores

197 Polinômio Característico

211 Diagonalização de Operadores

215 Considerações Finais