Álgebra Linear e Vetorial

Álgebra Linear e Vetorial
Prof.ª Grazielle Jenske

Prof. Leonardo Garcia dos Santos
Prof. Luiz Carlos Pitzer
2016
Copyright © UNIASSELVI 2016
Elaboração:
Prof.ª Grazielle Jenske
Revisão, Diagramação e Produção:

Centro Universitário Leonardo da Vinci – UNIASSELVI
Ficha catalográfica elaborada na fonte pela Biblioteca Dante Alighieri

UNIASSELVI – Indaial.
512
J51a Jenske; Grazielle
Álgebra Linear e Vetorial / Grazielle Jenske; Leonardo

Garcia dos Santos; Luiz Carlos Pitzer : UNIASSELVI, 2016.
245 p. : il.
ISBN 978-85-7830-956-5
1.Álgebra.
I. Centro Universitário Leonardo Da Vinci.
Impresso por:
Apresentação
Prezado(a) acadêmico(a)! Bem-vindo(a) à disciplina de Álgebra Linear
e Vetorial. Este é um ramo da matemática que surgiu do estudo minimalista
de sistemas de equações lineares. Conceitos, definições, propriedades e
representações gráficas farão parte dos seus estudos nesta disciplina, que tem o
intuito de aprimorar seus conhecimentos da matemática algébrica, relembrando
e ampliando os tópicos já vistos em sua vida de estudante do Ensino Médio.
Este caderno de estudos está dividido em três unidades que

contemplam partes importantes da Álgebra Linear e Vetorial, como: matrizes,
determinantes, sistemas de equações lineares, vetores, espaços vetoriais,
transformações lineares e a aplicação destes conteúdos.
Na Unidade 1, você terá acesso aos conceitos iniciais de Matrizes, onde

estudará suas características, propriedades e operações. Aprenderá a representar
e interpretar uma tabela de números como uma matriz e a resolver as operações
possíveis. Irá exercitar técnicas para o cálculo do determinante de uma matriz,
compreendendo seu significado. Também estudará os modelos de resolução de
sistemas lineares, sabendo interpretar dados e sugerindo soluções.
Na unidade seguinte, você terá as primeiras noções de vetores. Estas

noções servirão como base para o estudo mais aprofundado no decorrer desta
unidade e da unidade subsequente. Entre as noções que serão apresentadas
estão as operações de vetores: soma, subtração e multiplicação por escalar.
Após este conhecimento, veremos as operações entre vetores e suas
aplicações na resolução de problemas geométricos que envolve o produto
escalar, vetorial e misto. Por fim, na última parte desta unidade, você estará
estudando sobre os espaços vetores, seus subespaços, base, dimensão, ou
seja, compreendendo todo o universo onde os vetores estão contidos.
Por fim, na Unidade 3, iremos adentrar no universo da Álgebra Linear

e Vetorial aplicada. Você irá conhecer o estudo das transformações lineares,
que servem como referencial teórico para a aplicação das tecnologias gráficas e
computacionais. Através deste conceito, iremos juntos relacionar o estudo das
transformações com sua representação matricial, que irá trazer uma praticidade
maior para o processo de cálculo e que nos permitirá a troca de referencial
de um problema, facilitando sua resolução. Em seguida, discutiremos a
aplicabilidade dos autovalores e autovetores, onde, além de suas aplicações no
estudo das matrizes, você irá descobrir uma forma de relacionar um modelo
analítico com sua caraterização, a partir de sua equação geral.
Queremos lembrar, que este material traz um curso introdutório da

Álgebra Linear e Vetorial. Você deve se sentir curioso e instigado a pesquisar
outros materiais para ampliar e completar seu aprendizado. Durante o texto,
deixamos algumas sugestões e outras podem ser verificadas nas referências
bibliográficas.
III
Você, aluno da Educação a Distância, deve saber que, além da
curiosidade, existem outros fatores importantes para um bom desempenho: a
disciplina, a organização e um horário de estudos predefinido são essenciais
para que se obtenha sucesso nesta trajetória.
Esperamos que, ao término deste estudo, você consiga notar a evolução

da sua matemática, nos seus conceitos e definições, pois a melhoria constante
deve ser o objetivo de todo(a) acadêmico(a). Desta forma, esta disciplina
pretende oportunizar a compreensão da construção dos conhecimentos aqui
trabalhados e servir de subsídio para as próximas disciplinas.
Bons estudos!
Profª Grazielle Jenske

NOTA
Você já me conhece das outras disciplinas? Não? É calouro? Enfim, tanto

para você que está chegando agora à UNIASSELVI quanto para você que já é veterano, há
novidades em nosso material.
Na Educação a Distância, o livro impresso, entregue a todos os acadêmicos desde 2005, é

o material base da disciplina. A partir de 2017, nossos livros estão de visual novo, com um
formato mais prático, que cabe na bolsa e facilita a leitura.
O conteúdo continua na íntegra, mas a estrutura interna foi aperfeiçoada com nova
diagramação no texto, aproveitando ao máximo o espaço da página, o que também
contribui para diminuir a extração de árvores para produção de folhas de papel, por exemplo.
Assim, a UNIASSELVI, preocupando-se com o impacto de nossas ações sobre o ambiente,

apresenta também este livro no formato digital. Assim, você, acadêmico, tem a possibilidade
de estudá-lo com versatilidade nas telas do celular, tablet ou computador.

Eu mesmo, UNI, ganhei um novo layout, você me verá frequentemente e surgirei para
apresentar dicas de vídeos e outras fontes de conhecimento que complementam o assunto
em questão.
Todos esses ajustes foram pensados a partir de relatos que recebemos nas pesquisas
institucionais sobre os materiais impressos, para que você, nossa maior prioridade, possa
continuar seus estudos com um material de qualidade.
Aproveito o momento para convidá-lo para um bate-papo sobre o Exame Nacional de

Desempenho de Estudantes – ENADE.

Bons estudos!
IV
UNI
Olá acadêmico! Para melhorar a qualidade dos

materiais ofertados a você e dinamizar ainda
mais os seus estudos, a Uniasselvi disponibiliza
materiais que possuem o código QR Code, que
é um código que permite que você acesse um
conteúdo interativo relacionado ao tema que
você está estudando. Para utilizar essa ferramenta,
acesse as lojas de aplicativos e baixe um leitor
de QR Code. Depois, é só aproveitar mais essa
facilidade para aprimorar seus estudos!
V
VI
Sumário
UNIDADE 1 – MATRIZES E SISTEMAS LINEARES ................................................................... 1
TÓPICO 1 – MATRIZES ...................................................................................................................... 3

1 INTRODUÇÃO .................................................................................................................................. 3
2 DEFINIÇÃO ........................................................................................................................................ 4
3 MONTAGEM DE UMA MATRIZ .................................................................................................. 5
3.1 REPRESENTAÇÃO GENÉRICA DE UMA MATRIZ .............................................................. 5
3.2 ELEMENTOS CORRESPONDENTES ....................................................................................... 7
3.3 IGUALDADE DE MATRIZES . ................................................................................................... 8
4 TIPOLOGIA DAS MATRIZES ....................................................................................................... 8
5 PROBLEMAS QUE ENVOLVEM A DEFINIÇÃO DE MATRIZES E SUAS
TIPOLOGIAS ..................................................................................................................................... 14
6 OPERAÇÕES ENTRE MATRIZES ................................................................................................. 19
6.1 ADIÇÃO E SUBTRAÇÃO DE MATRIZES . .............................................................................. 19
6.2 MULTIPLICAÇÃO DE UMA MATRIZ POR UM NÚMERO REAL . ................................... 23
6.3 MULTIPLICAÇÃO DE MATRIZES ........................................................................................... 25
6.4 MATRIZ INVERSA . ..................................................................................................................... 27
6.5 OUTROS EXEMPLOS QUE ENVOLVEM OPERAÇÕES COM MATRIZES ....................... 35
RESUMO DO TÓPICO 1 .................................................................................................................... 42
AUTOATIVIDADE .............................................................................................................................. 43
TÓPICO 2 – DETERMINANTES E INVERSÃO DE MATRIZES ............................................... 47

1 INTRODUÇÃO .................................................................................................................................. 47
2 O CÁLCULO DO DETERMINANTE ............................................................................................ 48
2.1 DETERMINANTE DE UMA MATRIZ DE PRIMEIRA ORDEM . ......................................... 48
2.2 DETERMINANTE DE UMA MATRIZ DE SEGUNDA ORDEM .......................................... 48
2.3 DETERMINANTE DE UMA MATRIZ DE TERCEIRA ORDEM – REGRA DE SARRUS .. 49
2.4 COFATOR ...................................................................................................................................... 52
2.5 DETERMINANTE DE ORDEM N > 3 ....................................................................................... 53
2.6 CÁLCULO DA MATRIZ INVERSA UTILIZANDO DETERMINANTE . ............................ 55
2.7 PROPRIEDADES DOS DETERMINANTES ............................................................................. 57
2.8 MATRIZ SINGULAR ................................................................................................................... 60
3 ESCALONAMENTO DE MATRIZES ........................................................................................... 61
3.1 FORMA ESCALONADA DE UMA MATRIZ .......................................................................... 61
3.2 MÉTODO DE ELIMINAÇÃO DE GAUSS . .............................................................................. 62
3.3 O ESCALONAMENTO NO CÁLCULO DO DETERMINANTE .......................................... 67
3.4 O ESCALONAMENTO NO CÁLCULO DA MATRIZ INVERSA ........................................ 69
RESUMO DO TÓPICO 2 .................................................................................................................... 72
AUTOATIVIDADE .............................................................................................................................. 73
TÓPICO 3 – SISTEMAS LINEARES E SEU ENSINO ................................................................... 75

1 INTRODUÇÃO .................................................................................................................................. 75
2 EQUAÇÃO LINEAR ......................................................................................................................... 75
VII
2.1 SISTEMAS DE EQUAÇÕES LINEARES ................................................................................... 76
2.2 FORMA MATRICIAL . ................................................................................................................. 77
2.3 MATRIZES ASSOCIADAS A UM SISTEMA LINEAR . .......................................................... 77
2.4 CLASSIFICAÇÃO DE UM SISTEMA LINEAR . ...................................................................... 78
3 RESOLUÇÃO DE UM SISTEMA LINEAR .................................................................................. 81
3.1 REGRA DE CRAMER .................................................................................................................. 80
3.2 SISTEMAS EQUIVALENTES ...................................................................................................... 84
3.2.1 Propriedades dos sistemas equivalentes . ........................................................................ 84
3.3 SISTEMAS ESCALONADOS – MÉTODO DE GAUSS ........................................................... 85
4 DISCUSSÃO DE UM SISTEMA LINEAR .................................................................................... 91
5 APLICAÇÕES DE SISTEMAS LINEARES ................................................................................... 94
LEITURA COMPLEMENTAR ............................................................................................................ 96
RESUMO DO TÓPICO 3 .................................................................................................................... 99
AUTOATIVIDADE .............................................................................................................................. 100
UNIDADE 2 – ESPAÇOS VETORIAIS ............................................................................................ 105
TÓPICO 1 – VETORES ........................................................................................................................ 107

1 INTRODUÇÃO .................................................................................................................................. 107
2 DEFINIÇÃO DE VETOR .................................................................................................................. 107
2.1 VETOR POR SISTEMA DE COORDENADAS CARTESIANAS ........................................... 109
2.2 REPRESENTAÇÃO GEOMÉTRICA EM R2 E R3 ................................................................... 109
2.3 VETOR DEFINIDO POR DOIS PONTOS ................................................................................. 112
2.4 VETORES NA FORMA MATRICIAL ........................................................................................ 114
2.5 IGUALDADE DE VETORES . ..................................................................................................... 114
2.6 MÓDULO OU NORMA DO VETOR ........................................................................................ 115
2.7 VETOR UNITÁRIO E NORMALIZAÇÃO ............................................................................... 116
3 OPERAÇÕES ENTRE VETORES ................................................................................................... 118
3.1 ADIÇÃO . ....................................................................................................................................... 118
3.2 SUBTRAÇÃO DE VETORES . ..................................................................................................... 121
3.3 MULTIPLICAÇÃO POR UM ESCALAR .................................................................................. 122
RESUMO DO TÓPICO 1 .................................................................................................................... 125
AUTOATIVIDADE .............................................................................................................................. 126
TÓPICO 2 – OPERAÇÕES VETORIAIS .......................................................................................... 127

1 INTRODUÇÃO .................................................................................................................................. 127
2 PRODUTO ESCALAR ...................................................................................................................... 127
2.1 ÂNGULO ENTRE VETORES . .................................................................................................... 128
3 PRODUTO VETORIAL .................................................................................................................... 132
3.1 CÁLCULO DE ÁREA .................................................................................................................. 136
4 PRODUTO MISTO ........................................................................................................................... 142
4.1 CÁLCULO DE VOLUMES .......................................................................................................... 143
5 PARALELISMO DE DOIS VETORES ........................................................................................... 146
RESUMO DO TÓPICO 2 .................................................................................................................... 149
AUTOATIVIDADE .............................................................................................................................. 151
TÓPICO 3 – ESPAÇOS VETORIAIS ................................................................................................ 153

1 INTRODUÇÃO .................................................................................................................................. 153
2 DEFINIÇÃO ........................................................................................................................................ 153
3 SUBESPAÇOS VETORIAIS ............................................................................................................ 158
VIII
4 COMBINAÇÕES LINEARES .......................................................................................................... 161
5 DEPENDÊNCIA E INDEPENDÊNCIA LINEAR ........................................................................ 165
6 SUBESPAÇOS GERADOS ............................................................................................................... 168
7 DIMENSÃO DE UM ESPAÇO VETORIAL ................................................................................. 172
8 BASE ..................................................................................................................................................... 173
8.1 BASE ORTOGONAL . .................................................................................................................. 174
8.2 BASE ORTONORMAL ................................................................................................................ 175
8.3 PROCESSO DE ORTOGONALIZAÇÃO DE GRAM-SCHMIDT . ........................................ 176
RESUMO DO TÓPICO 3 .................................................................................................................... 182
AUTOATIVIDADE .............................................................................................................................. 184
UNIDADE 3 – OPERADORES DE TRANSFORMAÇÃO ............................................................ 187
TÓPICO 1 – TRANSFORMAÇÕES LINEARES ............................................................................. 189

1 INTRODUÇÃO .................................................................................................................................. 189
2 DEFINIÇÃO ........................................................................................................................................ 189
3 LEI DE FORMAÇÃO DE UMA TRANSFORMAÇÃO .............................................................. 191
4 IMAGEM E NÚCLEO DE UMA TRANSFORMAÇÃO LINEAR ............................................ 193
5 TEOREMA DO NÚCLEO E IMAGEM DE UMA TRANSFORMAÇÃO ............................... 197
RESUMO DO TÓPICO 1 .................................................................................................................... 201
AUTOATIVIDADE .............................................................................................................................. 202
TÓPICO 2 – MATRIZ DE UMA TRANSFORMAÇÃO LINEAR ................................................ 203

1 INTRODUÇÃO .................................................................................................................................. 203
2 FORMA MATRICIAL DE UMA TRANSFORMAÇÃO LINEAR ............................................ 203
3 MATRIZ DE UMA TRANSFORMAÇÃO LINEAR .................................................................... 205
4 TRANSFORMAÇÕES PLANAS ESPECIAIS .............................................................................. 207
4.1 TRANSFORMAÇÃO DE REFLEXÃO ....................................................................................... 207
4.1.1 Em torno do eixo X .............................................................................................................. 207
4.1.2 Em torno do eixo Y .............................................................................................................. 208
4.2 TRANSFORMAÇÃO DE PROJEÇÃO ....................................................................................... 209
4.2.1 Projeção sobre o eixo X ....................................................................................................... 209
4.2.2 Projeção sobre o eixo Y ....................................................................................................... 210
4.3 TRANSFORMAÇÕES DE DILATAÇÃO OU CONTRAÇÃO . .............................................. 211
4.3.1 Na direção do vetor (α ∈ R ) ........................................................................................... 212
4.3.2 Na direção do eixo X (horizontal) ..................................................................................... 213
4.3.3 Na direção do eixo Y (vertical) .......................................................................................... 214
4.4 TRANSFORMAÇÕES DE ROTAÇÃO (DE UM ÂNGULO a NO SENTIDO ANTI-
HORÁRIO) . ................................................................................................................................... 216
5 MATRIZ DE MUDANÇA DE BASE .............................................................................................. 218
RESUMO DO TÓPICO 2 .................................................................................................................... 221
AUTOATIVIDADE .............................................................................................................................. 222
TÓPICO 3 – AUTOVALORES E AUTOVETORES ........................................................................ 225

1 INTRODUÇÃO .................................................................................................................................. 225
2 DEFINIÇÃO ........................................................................................................................................ 225
3 AUTOVALORES E AUTOVETORES DE UMA MATRIZ ......................................................... 227
4 MULTIPLICIDADE DOS AUTOVETORES DE UMA TRANSFORMAÇÃO ...................... 232
IX
5 MATRIZES SEMELHANTES E DIAGONALIZAÇÃO DE OPERADORES ......................... 233
5.1 MATRIZES SEMELHANTES ...................................................................................................... 233
5.2 DIAGONALIZAÇÃO .................................................................................................................. 233
RESUMO DO TÓPICO 3 .................................................................................................................... 242
AUTOATIVIDADE .............................................................................................................................. 243
REFERÊNCIAS ...................................................................................................................................... 245
X
UNIDADE 1
MATRIZES E SISTEMAS LINEARES
OBJETIVOS DE APRENDIZAGEM
A partir desta unidade, você será capaz de:
• conceituar, operacionar e interpretar matrizes;
• calcular o determinante de uma matriz;
• utilizar a linguagem matricial e as operações com matrizes como instru-

mento para interpretar dados e soluções;
• utilizar o cálculo de determinantes, a regra de Cramer e o escalonamento

para a resolução e discussão de sistemas lineares;
• entender vetores;
• visualizar as aplicações de vetores;
• compreender a real importância de autovalores e autovetores;
• formalizar o estudo de transformações lineares.
PLANO DE ESTUDOS
Esta unidade está dividida em três tópicos. No final de cada um deles você
encontrará atividades que reforçarão seu aprendizado.
TÓPICO 1 – MATRIZES

TÓPICO 2 – DETERMINANTES E INVERSÃO DE MATRIZES

TÓPICO 3 – SISTEMAS LINEARES E SEU ENSINO
Assista ao vídeo
desta unidade.
1
2
UNIDADE 1
TÓPICO 1
MATRIZES
1 INTRODUÇÃO
A história da matemática retrata que os estudos das matrizes tiveram seu
início por volta do século II a.C., presentes em textos chineses sobre aplicação de
sistemas lineares. O livro chinês intitulado “Nove capítulos da arte matemática”
apresenta, em seu capítulo VII, 19 problemas que apresentam o método de
matrizes para resolver equações lineares.
Ainda nas obras matemáticas de autoria chinesa é possível observar o uso

de diagramas de formato quadrado. Eles também detêm o primeiro registro de
um quadrado mágico. Um quadrado mágico é uma tabela quadrada de n lados,
onde a soma dos números das linhas, das colunas e das diagonais é constante,
sendo que nenhum destes números se repete. Este tipo de quadrado é também
conhecido como Sudoko.
Porém, o nome matriz veio somente no século XIII, com James

Joseph Sylvester. E foi apenas no século XIX que o matemático inglês Arthur Cayley
sistematizou a teoria das matrizes a partir da Teoria das Formas Quadráticas.
Hoje, contudo, o estudo das formas quadráticas é um mero capítulo da Teoria
das Matrizes.
Assim, foi somente há pouco mais de 150 anos que as matrizes tiveram
sua relevância reconhecida. Atualmente, consideramos imprescindível estudar
essas formas através da notação e metodologia matricial e não as encontramos
apenas no estudo da matemática, mas também na engenharia, na informática, em
tabelas financeiras etc.
3
UNIDADE 1 | MATRIZES E SISTEMAS LINEARES
E
IMPORTANT
Arthur Cayley nasceu em 16 de agosto de 1821, em

Richmond, na Inglaterra. Vindo de uma família de comerciantes,
seu pai desejava que continuasse os negócios da família, porém,
em 1835 ele ingressou no Kings College School, onde sua
aptidão para a matemática se tornou mais aparente. Assim, seu
pai resolveu enviá-lo para Cambridge.
Em 1838 ele começou seus estudos no Trinity College, em
Cambridge, onde se graduou em 1842.
Em 1843 trabalhou fundamentalmente em álgebra, mas
também trabalhou em geometrias não euclideanas e geometria
n-dimensional, usando determinantes como elemento essencial.
A partir de 1849 trabalhou durante 14 anos como advogado, e
desistiu da docência, pois continuar nela implicaria em tomar
hábitos religiosos. Embora muito hábil nessa carreira, a considerava apenas como uma
forma de sustento para prosseguir com a matemática. Durante esses 14 anos publicou
aproximadamente 250 trabalhos matemáticos, a maioria sobre a teoria dos invariantes
algébricos.
FONTE: Disponível em: <http://www.matematica.br/historia/cayley.html>. Acesso em: 30

jan. 2016.
É importante destacar que o objetivo deste tópico é dar uma visão geral
do conteúdo de matrizes, ou seja, pretende-se definir o que é uma matriz, alguns
tipos de matrizes, suas operações aritméticas, como também estabelecer algumas
de suas propriedades algébricas.
2 DEFINIÇÃO
Segundo Paiva (2013, p. 95), denomina-se "matriz do tipo m x n (lê-se m
por n) toda tabela de números dispostos em m linhas e n colunas. Tal tabela deve
ser representada entre parênteses ( ) ou colchetes [ ]".
A matriz é representada por uma letra maiúscula do alfabeto e cada item

da matriz é denominado de elemento. Os elementos de uma matriz podem ser
números reais ou complexos ou até mesmo expressões algébricas, e são chamados
de entradas da matriz. Vejamos alguns exemplos:
 1 5 - i
 83 7 - 5 9  cos ( x ) sen ( x )   
A=   B=   C=   D=  4i 1 
 54 6 3 0 - sen ( x ) cos ( x )   - 2 - 5i 
 
4
TÓPICO 1 | MATRIZES
Uma matriz é real se os seus elementos são números reais ou expressões

que assumem valores reais.
3 MONTAGEM DE UMA MATRIZ

Acompanhe a seguir uma situação de montagem de uma matriz.
Um professor de matemática que trabalha de segunda a sexta fez o

seguinte número de aulas por dia em três semanas de trabalho:
• Semana 1 - 5, 2, 7, 8, 6.
• Semana 2 - 10, 7, 6, 8, 9.
• Semana 3 - 4, 7, 3, 8, 6.
Imagine uma matriz que represente nas linhas as semanas de trabalho

e nas colunas as aulas dadas, nos cinco dias da semana em ordem cronológica.
Como são três semanas de trabalho, teremos uma matriz com apenas três linhas.
Já os dias trabalhados são cinco, portanto, o número de colunas será de cinco.
Para tanto, a matriz resultante do fato acima ficará assim:
 5 2 7 8 6
A=  10 7 6 8 9 
 4 7 3 8 6
 3x5
Concluindo, a matriz acima será 3x5, pois tem três linhas e cinco colunas.
É importante lembrar que sempre escrevemos primeiro o número de linhas e
depois o número de colunas.
3.1 REPRESENTAÇÃO GENÉRICA DE UMA MATRIZ

Os números que aparecem na matriz são chamados de elementos da
matriz. Vejamos, por exemplo, a matriz que criamos anteriormente:
 5 2 7 8 6
A=  10 7 6 8 9

 4 7 3 8 6 3x5

5
Nela, podemos observar que:
• O elemento 5 está na primeira linha e na primeira coluna. Indicamos por a11 e

lemos “o elemento a um um é igual a 5”.
• O elemento 10 está na segunda linha e na primeira coluna. Indicamos por a21 e
lemos “o elemento a dois um é igual a 10”.
• O elemento 4 está na terceira linha e na primeira coluna. Indicamos por a31 e
lemos “o elemento a três um é igual a 4”.
• O elemento 2 está na primeira linha e na segunda coluna. Indicamos por a12 e
lemos “o elemento a um dois é igual a 2”.
• O elemento 3 está na terceira linha e na terceira coluna. Indicamos por a33 e
lemos “o elemento a três três é igual a 3”.
Assim, devemos considerar:
• Para representar o elemento de uma matriz usamos uma letra com dois índices: o
primeiro indica em que linha o elemento se encontra, e o segundo, em que coluna.
Por exemplo: a23 é o elemento que está na segunda linha e na terceira coluna.
• O elemento genérico de uma matriz A será indicado por aij, em que i representa
a linha e j representa a coluna na qual o elemento se encontra; ele é chamado de
ij-ésimo elemento da matriz.
A matriz A, do tipo mxn, será escrita, genericamente, do seguinte modo:
 a 11 a 12 a 13 
a 1n 
 
a a 22 a 23 
a 2n 
A =  21
    
 
a am 2 am 3 amn  mxn
 m1
ATENCAO
Os m elementos correspondentes às linhas serão localizados pelo índice i e

os n elementos correspondentes às colunas serão localizados pelo índice j.
A ( a ij )mxn , com1≤i ≤ m, 1≤ j≤ n e i, j∈IN ( Lemos: matriz A, dos

elementos aij do tipo m por n, com i assumindo valores de 1 até m e j assumindo
valores de 1 até n sendo i e j pertencentes ao conjunto dos números naturais).
6
Podemos classificar as matrizes quanto ao seu tipo, ou melhor

dizendo, sua ordem. Generalizando, podemos escrever o tipo, ou ordem,
da matriz por: m x n. Observe a classificação das matrizes utilizadas nos
exemplos do item 2:
 83
A=   matriz de ordem 2x2 ( dois por dois ) .
 54
7 - 5 9
B=   matriz de ordem 2x3 ( dois por três ) .
6 3 0
 cos ( x ) sen ( x ) 
C=   matriz de ordem 2x2 ( dois por dois ) .
- sen ( x ) cos ( x ) 
 1 5 - i
D=  4i 
1  matriz de ordem 3x2 ( três por dois ) .
 - 2 - 5i 
 
3.2 ELEMENTOS CORRESPONDENTES

Dadas duas matrizes de mesma ordem (ou tipo), A e B,
 a11 a12 a13 a1n   b11 b12 b13 b1n 

   
 a 21 a 22 a 23 a 2n  b 21 b 22 b 23 b 2n
eB= 
 … … ……   … … ……  dizemos que os elementos
   
 a m1 a m2 a m3 a mn  mxn  b m1 b m2 b m3 b mn mxn
de mesmo índice (linha e coluna) são correspondentes.
Assim:
a11 e b11 são correspondentes.

amn e bmn são correspondentes.
7
3.3 IGUALDADE DE MATRIZES

Duas matrizes A e B de mesma ordem mxn são iguais quando todos os
seus elementos correspondentes são iguais, isto é, sendo A = (aij)mxn e B = (bij)mxn,
temos A = B quando aij = bij para todo i (i = 1, 2, 3, ..., m) e todo j (j = 1, 2, 3, ..., n).
a 5 - 1 d
Por exemplo, para que as matrizes A=   e B=   sejam iguais,
devemos ter:  3 b   c 4 
a = - 1

b = 4
 .
c = 3
d = 5

4 TIPOLOGIA DAS MATRIZES

Nas representações de matrizes, temos nomenclaturas específicas para
cada tipo de matriz, conforme apresentadas a seguir.
Matriz Coluna
Dizemos que A é uma matriz coluna quando A for de ordem m x 1, ou

seja, quando o n = 1.
 5 
 
Por exemplo: a)  2  é uma matriz coluna de ordem 3x1.
 -1 
 
 3 
 
 2 
b)  - 5  é uma matriz coluna de ordem 5x1.
 
 4 
- 8 
 
E
IMPORTANT
Esse tipo de matriz é importante para o estudo da Álgebra Linear, pois é

comumente utilizada para representar vetores.
8
Matriz Linha
Dizemos que A é uma matriz linha quando A for de ordem 1 x n, ou seja,

quando o m = 1. Por exemplo:
a) [1 3 -2] é uma matriz linha de ordem 1 x 3.
b) [cos x 1 0 sen x] é uma matriz linha de ordem 1 x 4.
Matriz Nula
No conjunto das matrizes, a matriz que tem todos os elementos iguais a

zero é denominada de matriz nula. São exemplos da matriz nula:
0 0 0 0 0
  0 0  
=A =0 0  B = C 0 =
0 0 D (0 0 0 0)
0 0  0 0  0 0 0
   
Matriz Transposta
Dada uma matriz A = (aij)mxn, denominamos transposta de A (e indicamos

A ) a matriz At = (a’ji)nxm, tal que a’ji = aij. Em outras palavras, a matriz At é obtida
t
trocando-se as linhas pelas colunas da matriz A. Exemplos:
 2 4 t 2 8
a) A transposta
= de A =  éaA  .
8 6  4 6
Observe que:
a11 = 2 = a’11
a21 = 8 = a’12
a12 = 4 = a’21
a22 = 6 = a’22
1 4 
 1 2 3  
b) A transposta
= de B =  é B 2 5 .
 4 5 6   3 6 
a b c a d g
   
c) A transposta
= de C =d e f  é Ct  b e h .
g h i  c f i 
   
9
E
IMPORTANT
Acadêmico(a), note que, se A= (aij) é de ordem mxn, então At = (a’ij) é de

ordem nxm.
Matriz Oposta
Dada uma matriz A = (aij)mxn, a sua matriz oposta será definida por – A
= (– aij)mxn. Isso significa que a matriz oposta da matriz A é aquela que possui
elementos opostos correspondentes ao da matriz A. Vejamos os exemplos:
 2 - 4 - 2 4
a) A matriz oposta de A=   é - A=  .
8 6  - 8 - 6
Observe que:
a11 = 2 e é oposto de (-a11) = - 2

a21 = 8 e é oposto de (-a21) = - 8
a12 = - 4 e é oposto de (-a12) = 4
a22 = 6 e é oposto de (-a22) = - 6
1 - 2 3  - 1 2 - 3
b) A matriz oposta de B =   é - B =  .
4 5 - 6 - 4 - 5 6 
a b c - a - d - g
   
c) A matriz oposta de C =  d e f  é - C =  - b - e - h  .
g h i  - c - f - i 
   
Matriz Quadrada
Quando m = n, ou seja, o número de linhas for igual ao número de colunas,

dizemos que a matriz é quadrada de ordem nxn ou simplesmente de ordem n.
Nesse caso, teremos ordem do tipo 1x1, 2x2, 3x3, 4x4, e assim por diante. Como já
sabemos que o número de linhas é igual ao número de colunas, basta informar a
ordem, ou seja, uma matriz 1x1 pode ser simplesmente classificada como matriz
de ordem 1, uma matriz 2x2 de matriz de ordem 2, uma matriz 3x3 de matriz de
ordem 3, uma matriz 4x4 de matriz de ordem 4 e assim sucessivamente. Exemplos:
10
3 5
A=  é uma matriz quadrada de ordem 2 ( m = n = 2)
2 6
 
 5 3 10 
 
B = - 1 -4 6  é uma matriz quadrada de ordem 3 ( m = n = 3)
 1 
 2 0 - 
 2 
E
IMPORTANT
Numa matriz quadrada de ordem n, os elementos a11, a22, a33, ... ann formam a
diagonal principal da matriz, isto é, onde os elementos aij possuem i = j.
 3 2
A=   diagonal principal
- 1 6
 1 3 10 
 
B=  - 3 0 8  diagonal principal
 5 -1 6 
 
A outra diagonal da matriz quadrada é denominada diagonal secundária, que é composta

pelos elementos aij com i + j = n + 1.
 3 2
C =  diagonal secundária
- 1 6 
 1 3 10 
 
D =- 3 0 8 
 5
diagonal secundária
 -1 6 
11
Acadêmico(a), as classificações a seguir são utilizadas somente para

matrizes quadradas, ou seja, matrizes de ordem n.
Matriz Triangular
Em uma matriz quadrada, quando os elementos acima ou abaixo

da diagonal principal são todos nulos (iguais a zero), dizemos que a matriz é
triangular. Exemplos:
7 0 0
 
A = 8 1 0  todos os elementos acima da diagonal principal da matriz A
são nulos.
2 9 - 5 

1 4 76
 
0 3 8 5  todos os elementos abaixo da diagonal principal da matriz B
B=
0 0 0 3  são nulos.
 
0 0 04
ATENCAO
Em uma matriz triangular, temos aij = 0 para i > j ou aij = 0 para i < j.
Matriz Diagonal
Em uma matriz quadrada de ordem n, quando todos os elementos

posicionados acima e abaixo da diagonal principal são nulos, denominamos de
matriz diagonal. Exemplos:
 1 0 00
   2 0 0
 0 5 00   6 0 
A= B = 0 1 0 C = 
 0 0 9 0    0 -3 
  0 0 8
 0 0 0 2
12
ATENCAO
Em uma matriz diagonal, temos aij = 0 para i ≠ j.
Matriz Identidade
Em uma matriz quadrada de ordem n, quando todos os elementos

da diagonal principal são iguais a 1 e os outros elementos são iguais a zero,
denominamos de matriz identidade e seu símbolo é In (onde n representa a ordem
da matriz). Exemplos:
 1 0 00 
  1 0 0
 0 1 00    1 0
=I5 = I =0 1 0  I2  
 0 0 10  3 0 0 1 0 1
   
 0 0 01
ATENCAO
Em uma matriz identidade, temos aij = 1 para i = j e aij= 0 para i ≠ j.
Matriz Simétrica
Em uma matriz quadrada, quando tiver o elemento aij igual ao elemento

aji, a matriz é denominada de simétrica. Exemplos:
 1 2 69 
  1 4 5
2 3 72    a c
=A  = B =4 2 6 C  
 6 7 71   5 6 3 c b
   
 9 2 14
13
ATENCAO
Acadêmico(a), perceba que os termos abaixo da diagonal principal são uma

reflexão dos termos acima da diagonal principal.
5 PROBLEMAS QUE ENVOLVEM A DEFINIÇÃO DE MATRIZES

E SUAS TIPOLOGIAS
Acadêmico(a), neste item vamos resolver algumas situações que envolvem
os conceitos e definições estudadas até aqui.
Exemplo 1: Dada a seguinte matriz quadrada de ordem 2, escreva a matriz

A, com aij assumindo os seguintes valores:
a ij =i + 2 j , para i ≥ j
A= .
= ij a 0, para i < j
Resolução: Como a matriz é 2x2, ela deverá ter quatro elementos, conforme
a matriz genérica:
a a12 
A =  11 
 a 21 a 22 2 x 2
Desta forma, os elementos em que, na sua posição, o número de linhas (i)

for maior ou igual ao número de colunas (j), serão determinados pela fórmula “i +
2j”, que é o que afirma a primeira condição, a ij =i + 2 j, para i ≥ j. Assim,
a11 = 3 (sendo i = 1 e j = 1, então: i + 2j = 1 + 2·1 = 3)

Já os elementos em que na sua posição o número de linhas (i) for menor

que o número de colunas (j), serão determinados pela = "a ij 0, para i < j" fórmula
Neste caso, apenas o elemento de posição a12 obedece este critério, assim: a12 = 0
(neste caso em que i = 1 e j = 2 (i < j), o valor deste elemento é 0).
14
 3 0
Portanto, a matriz A será igual a: A =  
 4 5 2 x 2
Exemplo 2: Construa a matriz quadrada de ordem 3, C= ci j, sendoci j= i 2 + j 2 .
Resolução: Tomemos, inicialmente, a matriz genérica de ordem 3.
 c11 c12 c13 

 
C =  c 21 c 22 c 23 
c c33 3x3
 31 c32
2 2
Agora, basta aplicar a fórmula cij= i + j para definir o valor de cada
elemento, levando em consideração sua posição na matriz. Lembre-se de que o i
representa a posição do elemento em relação à linha e o j representa a posição do
elemento em relação à coluna.
cij= i 2 + j2
c11 = 12 + 12 = 1 + 1 = 2
c 21 = 22 + 12 = 4 + 1 = 5
c31 = 32 + 12 = 9 + 1 = 10
c12 =12 + 22 =1 + 4 =5
c 22 = 22 + 22 = 4 + 4 = 8
c32 = 32 + 22 = 9 + 4 = 13
c13 =12 + 32 =1 + 9 =10
c 23 = 22 + 32 = 4 + 9 = 13
c33 = 32 + 32 = 9 + 9 = 18
Assim, a matriz C será igual a:
 2 5 10 
 
C =  5 8 13 
10 13 18 
 3x3
15
ATENCAO
Acadêmico(a), observe que temos aqui uma matriz simétrica.
1 2 3
 
Exemplo 3: A matriz A = x y z admite a transposta
 
 2 1 z 
 1 x 2

A=  x − 2
t
y 1  . Nestas condições, calcule x, y e z.
 3 y 6 − y z 
Resolução: Denominamos de matriz transposta de A a matriz At = (a’ji)

nxm
, tal que a’ji = aij. Em outras palavras, a matriz At é obtida trocando-se as linhas
pelas colunas da matriz A. Assim, podemos estabelecer a seguinte relação para a
matriz genérica de A:
 a11 a12 a13 

 
A =  a 21 a 22 a 23 
a a 33 3x3
 31 a 32
a11 = a'11
a 21 = a'12
a 31 = a'13
a12 = a'21
a 22 = a'22
a 32 = a'23
a13 = a'31
a 23 = a'32
a 23 = a'33
16
ATENCAO
O elemento aij corresponde à matriz A e o elemento a’ij corresponde à matriz At

(transposta de A). Acadêmico(a), note também que os elementos da diagonal principal não
se alteram, visto que i = j.
Considerando a matriz A e sua transposta At, podemos estabelecer:
a11= a'11 ⇔ 1= 1
a 21 = a'12 ⇔ x = x
a 31 = a'13 ⇔ 2 = 2
a12 = a'21 ⇔ 2 = x − 2 ⇔ x = 4
a 22 = a'22 ⇔ y = y
a 32= a'23 ⇔ 1= 1
a13 = a'31 ⇔ 3 = 3y ⇔ y = 1
a 23 = a'32 ⇔ z = 6 − y Como sabemos que y = 1, então : z = 6 − 1 ⇔ z = 5
a 33 = a'33 ⇔ z= z
Portanto, x = 4, y = 1 e z = 5.
2 1 
Exemplo 4: Dadas as matrizes A =a ij ( ) , a ij =−
3i j e B =
 ,
determine x e y sabendo que A = B.
2x 2
 x x + y
Resolução: Vamos iniciar, determinando os elementos da matriz A.
a ij= 3i − j a a12 
A =  11 
a11 = 3 ⋅1 − 1 = 2  a 21 a 22 2 x 2
a 21 = 3 ⋅ 2 − 1 = 5
a12 = 3 ⋅1 − 2 = 1
a 22 = 3 ⋅ 2 − 2 = 4
17
2 1
Assim, a matriz A é: A =  
 5 4 2 x 2
Sabemos que A = B, para isso, seus elementos também devem ser iguais.
Desta forma, temos que:
a11 = b11 ⇔ 2 = 2
a 21 = b 21 ⇔ 5 = x
a12 = b12 ⇔ 1= 1
a 22 =b 22 ⇔ 4 =x + y Como x =5, então : 4 =5 + y ⇔ y =−1
Exemplo 5: Uma matriz A é simétrica se, e somente se, A = At. Determine

 1 a2 
o valor de a para que A
A ==   seja simétrica.
a 2 
 1 a
Resolução: A matriz transposta de A é: A t =  2  A condição de
a 2
simetria nos garante que A = A e, como vimos no exemplo 3,
t
a11 = a'11
a 21 = a'12
a12 = a'21
a 22 = a'22
Neste caso:
a11= a'11 ⇔ 1= 1
a 21 = a'12 ⇔ a = a 2
a12 = a'21 ⇔ a 2 = a
a 22 = a'22 ⇔ 2= 2
18
Para descobrirmos o valor de a, basta calcular a equação a = a2.
a2 – a = 0 (é uma equação do segundo grau incompleta, pois falta o termo c)

a ( a – 1) = 0
Desta forma a’ = 0 e,
a” – 1 = 0
a” = 1
Portanto, para que as matrizes sejam simétricas, o valor de a deve ser 0 ou 1.
6 OPERAÇÕES ENTRE MATRIZES

No desenvolvimento do cálculo com matrizes realizamos operações
matemáticas seguindo regras específicas. Veremos, a seguir, estas regras, que são
aplicadas na adição, subtração e multiplicação.
6.1 ADIÇÃO E SUBTRAÇÃO DE MATRIZES

3 5 -2 
Inicialmente, consideremos duas matrizes A e B do tipo 2x3: A =  
4 7 -6 
 1 -4 -1 
B = 
6 3 2
Agora vamos determinar uma matriz C, tal que seus elementos sejam
resultantes da soma dos elementos de A com os elementos de B, da seguinte
forma: cij = aij + bij. Portanto, os seis elementos de C (2x3 = 6) serão calculados a
partir da mesma posição dos elementos em A e B. Vejamos como ficará a adição
dessas duas matrizes.
c11 = a11 + b11 = 3 + 1 = 4
c21 = a21 + b21 = 4 + 6 = 10
c12 = a12 + b12 = 5 + ( – 4) = 5 – 4 =1
c22 = a22 + b22 = 7 + 3 = 10 É simples, mas precisamos

ter atenção, principalmente
nos sinais!
c13 = a13 + b13 = ( – 2) + ( – 1) = – 2 – 1 = – 3
c23 = a23 + b23 = ( – 6) + 2 = – 4
19
Portanto: A + B = C e podemos operacionalizar da seguinte maneira:
3 5 -2   1 - 4 - 1   3+1 5+ ( - 4 ) ( - 2 ) + ( - 1)   4 1 -3 
+ = =

4 7 -6   6 3 2   4+6 7+3 ( - 6 ) +2   10 
10 - 4 
E
IMPORTANT
Note, acadêmico(a), que somente é possível somar matrizes que possuem a

mesma ordem, isto é, o mesmo número de linhas e colunas.
Assim podemos concluir:
• Denominamos de matriz C a soma da matriz A com a matriz B ou a soma das

matrizes A e B.
• Dadas duas matrizes A e B do mesmo tipo mxn, a soma da matriz A com a
matriz B, que representamos por A + B, é a matriz C do tipo mxn que é obtida
adicionando cada elemento correspondente de A e B.
Definição: Sejam duas matrizes A = (aij) e B = (bjj) de ordem mxn, a soma

A + B é a matriz C = (cij) de ordem mxn, tal que: cij = aij + bij , para i = 1, 2, 3, ..., m e
j = 1, 2, 3, ..., n.
ATENCAO
Para a subtração de matrizes utilizaremos a ideia de soma com a matriz

oposta. Assim, sendo A e B duas matrizes do tipo mxn, denominamos diferença entre A e B
(representada por A - B) a soma da matriz A com a matriz oposta de B, isto é, A - B = A + (-B).
Vejamos, também, um exemplo de subtração de matrizes. Dadas as matrizes

A e B anteriores e vamos determinar a matriz D resultante da subtração A – B.
 3 5 -2   1 -4 -1 
A =  B = 
 4 7 -6  6 3 2
20
D = A − B = A + ( −B ) ⇔ d ij = aij + ( −bij )
d11 = a11 + ( −b11 ) = 3 + ( – 1) = 3 – 1 = 2
d 21 = a21 + ( −b21 ) = 4 + ( – 6) = 4 – 6 = – 2
d12 = a12 + ( −b12 ) = 5 + ( + 4) = 5 + 4 = 9
d 22 = a22 + ( −b22 ) = 7 + ( – 3) = 7 – 3 = 4
d13= a13 + ( −b13 ) = ( – 2) + ( + 1) = – 2 + 1= – 1
d 23= a23 + ( −b23 ) = ( – 6 ) + ( – 2) = – 6 – 2= – 8
Portanto: D = A + (– B) e podemos operacionalizar da seguinte maneira:
 3 5 - 2   - 1 + 4 + 1   3 + ( - 1) 5 + ( + 4 ) ( - 2 ) + ( + 1) 
D=  + = =
 4 7 - 6   - 6 - 3 - 2   4 + ( - 6 ) 7 + ( - 3) ( - 6 ) + ( - 2 ) 
 3 - 1 5 + 4 - 2 +1   2 9 -1 
 ⇔ÛD =  
 4 - 6 7 - 3 - 6 -2  - 2 4 - 8 
Propriedade da Adição de Matrizes
Assim como os números, as matrizes possuem propriedades operatórias.

Com a definição dada para adição de matrizes é possível verificar que essas
propriedades, utilizadas para a soma de números reais, também são válidas para
a adição de matrizes. Estas propriedades poderão auxiliar nas operações entre
matrizes, pois nos possibilitam resolvê-las mais rapidamente.
Propriedade Associativa: Para quaisquer matrizes A, B e C, de mesma

ordem mxn, vale a igualdade:
(A + B) + C = A + (B + C)
Prova: [A + (B + C)]ij = aij + (B + C)ij = aij + (bij + cij) = (aij + bij) + cij = (A + B)ij + cij =

= [(A + B) + C]ij
Propriedade Comutativa: Para quaisquer matrizes A e B, de mesma

ordem mxn, vale a igualdade:
21
A+B=B+A
Prova: (A + B)ij = aij + bij = bij + aij = (B + A)ij
Propriedade do Elemento neutro: Existe uma matriz nula 0 que somada

com qualquer outra matriz A de mesma ordem fornecerá a própria matriz A, isto é:
0+A=A
Prova: Consideremos que A + U = A, para qualquer matriz A, mxn.

Comparando os elementos correspondentes, temos que aij + uij = aij, ou seja, uij =
0, para i = 1, 2, 3, ..., m e j = 1, 2, 3, ..., n. Portanto, a única matriz que satisfaz
à equação acima é a matriz em que todos os seus elementos são iguais a zero.
Denotamos esta matriz por: matriz nula e representamos por 0.
Propriedade do Elemento oposto: Para cada matriz A existe uma matriz

-A, denominada a oposta de A, cuja soma entre ambas fornecerá a matriz nula de
mesma ordem, isto é:
A + (-A) = 0
Prova: Dada uma matriz A de ordem mxn e seja B uma matriz de ordem

mxn, tal que: A + B = 0.
Comparando os elementos correspondentes, temos que: aij + bij = 0, ou

seja, bij = - aij, para i = 1, 2, 3, ..., m e j = 1, 2, 3, ..., n. Portanto, a única matriz que
satisfaz a equação anterior é a matriz em que todos os seus elementos são iguais
aos opostos dos elementos de A. Denotamos esta matriz por -A.
DICAS
Acadêmico(a), crie matrizes A, B e C de mesma ordem e verifique estas quatro

importantes propriedades.
22
6.2 MULTIPLICAÇÃO DE UMA MATRIZ POR UM NÚMERO

REAL
 5 8 -1 
Dada a matriz A =   vamos determinar A + A.
- 4 3 6
 5 8 -1   5 8 -1   5+5 8+8 ( - 1) + ( - 1) 
A+A=  +  =  -4 + -4 3+3 
- 4 3 6  - 4 3 6  ( ) ( ) 6+6 
 10 16 - 2 
A+A=  .
 - 8 6 12 
Considerando que A + A = 2·A, temos:
5 8 -1   2.5 2 · 8 2 · ( - 1)   10 16 - 2 
2·A=2·   =  2· -4 2·3 2·6  =  
- 4 3 6  ( )   - 8 6 12 
Observamos, então, que o produto de um número real pela matriz A é

uma matriz que se obtém multiplicando-se o número real pelos elementos de A.
Definição: Seja a matriz A = (aij)mxn e k um número real. O produto de K

pela matriz A (indica-se: K·A) é a matriz B = (bij)mxn, em que bij = k·aij, para todo
i (i = 1, 2, 3, ..., m) e para todo j (j = 1, 2, 3, ..., n).
Observe os exemplos a seguir:
1) Se A = ( 2 5 8 ) , então 3 · A = (6 15 24 ) .
 2 4
 4 8 1
2) Se B =   , então ·A= 5 .
 5 10  2  5
2 
 3 -2 3 -6 4 - 2 3
   
3) Se C =  - 1 5 7  , então ( -2 ) · C =  2 - 10 - 14  .
 4 1 0  -8 -2 0 
 
23
Propriedades da Multiplicação de uma Matriz por um Número Real
Sendo A e B matrizes de mesma ordem mxn e x e y números reais

quaisquer, valem as seguintes propriedades:

Propriedade Associativa: x · ( yA ) = ( xy ) · A
Demonstração: sejam A=  aij  e B = bij  , e k ∈ R. Então
x . ( y . A ) = x .  y . (aij )  = x .  y.  aij   = x . y .  aij 

 
Propriedade distributiva de um número real em relação à adição de

matrizes:
x . ( A+B ) = x . (aij + bxij ). =( A+B

x·(A) =+ xB)
. (a=ij +x·A
bij ) =+ x·B
Demonstração: sejam A=  aij  e B = bij  , e x ∈ R. Então x . ( A+B ) = x . (aij + bij ) =
( A+B ) = x . (a ij ) )
+ bij ) =  x . (aij + bij  =  x . aijx+. k(a.ij b+ij bij ==x . xaij. aij+ + xk . bij ] =  x . aij  +  x . bij ]
 
⇒ x.  aij  + x. bij  =
x. A + x.B
)
 x . (aij + bij  =  x . aij + k . bij  =  x

)
. (aij + bij  =  x . aijOnde
+ k . bij foi
=  xutilizada
. aij  +  x . a
bij ]distributividade da multiplicação com relação à
adição dos números reais. c.q.d.
Propriedade distributiva de uma matriz em relação à adição de dois

números reais:
(x + y) · A = x·A + y·A
Demonstração: sejam A=  aij  e k , q ∈ R. Então ( x + y ) . A = ( x+y ) . a ij

 = ( x + y
 
) .A= ( x+y ) .  a ij
 = ( x + y
  ) .  a ij ( )
  = ( x + y ) . aij  =  x . aij + y . aij 
     ( ) ( )
   ( )  ( )
⇒  x . aij  +  y . aij  = x .  aij  + y .  aij  = x . A + y . A
c.q.d.
24
Propriedade do elemento neutro: x·A = A, para x = 1, ou seja, 1 · A = A

1.A=A
( )  ( )
Seja A =  aij  . Então, 1 . A = 1 .  aij  = 1 . aij  =  aij  = A

c.q.d.
UNI
Acadêmico(a), verifique as demonstrações das propriedades da adição de

matrizes e busque demonstrar estas quatro propriedades. A demonstração é um processo
importante da matemática. Vá treinando, você usará muito durante a sua graduação!
6.3 MULTIPLICAÇÃO DE MATRIZES
ATENCAO
Acadêmico(a), a multiplicação de matrizes não é uma operação tão simples como

as outras já estudadas até aqui, pois não basta multiplicar os elementos correspondentes.
Fique atento à explicação!
Vamos iniciar este conceito com uma situação-problema. Observe a tabela

a seguir, ela apresenta as notas obtidas na disciplina de Álgebra Linear e Vetorial
pelos acadêmicos Cristiane, Leonardo e Luiz nas quatro avaliações propostas.
Avaliação 1 Avaliação 2 Avaliação 3 Avaliação 4

Cristiane 7 6 7 8
Leonardo 4 5 5 7
Luiz 8 7 9 10
Para calcular a média final da disciplina, o professor deve fazer uma média
ponderada, onde a avaliação 1 tem peso 1, a avaliação 2 tem peso 1, a avaliação
3 tem peso 4,8 e a avaliação 4 tem peso 3,2. Assim, a média de cada aluno será
determinada pela fórmula:
25
( Avaliação 1×1 ) + ( Avaliação 2×1 ) + ( Avaliação 3×4,8 ) + ( Avaliação 4×3,2 ) o que equivale a escrever:
1 + 1 + 4,8 + 3,2
( Avaliação 1×0,10 ) + ( Avaliação 2×0,10 ) + ( Avaliação 3×0,48 ) + ( Avaliação 4×0,32 ) .

7 6 7 8 
 
A tabela de notas pode ser representada pela matriz: A =  4 5 5 7 
 8 7 9 10 
 3 x 4
 0 ,10 
 
 0 ,10 
E os pesos das avaliações, pela matriz: B =
 0 , 48 
 
 0 , 32  4x1
Agora vamos calcular as médias dos alunos nesta disciplina:
Cristiane: ( 7×0,10 ) + ( 6×0,10 ) + ( 7×0,48 ) + ( 8×0,32 ) = 7,22

Leonardo: ( 4×0,10 ) + ( 5×0,10 ) + ( 5×0,48 ) + ( 7×0,32 ) = 5,54
Luiz: ( 8×0,10 ) + ( 7×0,10 ) + ( 9×0,48 ) + ( 10×0,32 ) = 9,02
Essas médias podem ser registradas em uma matriz C, que é o produto

 7 , 22 
da matriz A (notas) pela matriz B (pesos): C =  5, 54 
 9 , 02 
 3x1
A ideia utilizada para obter a matriz C será usada agora para definirmos
matematicamente a multiplicação de matrizes.
Definição: Dada uma matriz A = (ajj) do tipo mxn e uma matriz B = (bjj)
do tipo nxp, o produto da matriz A pela matriz B é a matriz C = (cij) do tipo
mxp, tal que o elemento cij é calculado multiplicando-se ordenadamente os
elementos da linha i, da matriz A, pelos elementos da coluna j, da matriz B, e
somando-se os produtos obtidos. Para dizer que a matriz C é o produto de A
por B, vamos indicá-la por AB.
26
ATENCAO
Observe que só definimos o produto AB de duas matrizes quando o número

de colunas de A for igual ao número de linhas de B; além disso, notamos que o produto AB
possui o número de linhas de A e o número de colunas de B: Amxn . Bnxp = ABmxp.
Acompanhe a multiplicação das matrizes A de ordem 3x2 e B de ordem 2x4:
1 2
  1 1 2 2
A= 2 3  eB=  
 3 4  2 3 3 2
O primeiro fato a observar é que só podemos multiplicar matrizes quando

o número de colunas da primeira matriz for igual ao número de linhas da segunda
matriz. Note que na definição A tem n colunas e B tem n linhas. Essa igualdade
tem que ocorrer para que a multiplicação possa ser calculada. Como A possui
duas colunas e B possui duas linhas, podemos calcular C = A·B
 1 2  c11 c12 c13 c14 

   1 1 2 2  
C = A ⋅ B =  2 3 ⋅   = c c 22 c 23 c 24 
 2 3 3 2  21
 3 4  c31 c32 c33 c34 
Sabemos que a matriz C terá ordem 3x4 devido à definição, pois a ordem
da matriz é resultado da multiplicação de duas matrizes, onde herda o número
de linhas da primeira e o número de colunas da segunda. Observe:
A 3x2 ⋅ B2x4 = C 3x4
Agora, precisamos definir os elementos cij da matriz resultante C e para

isso é necessário saber que:
• c11 é o resultado da multiplicação dos elementos da 1ª linha da matriz A com os

elementos da 1ª coluna da matriz B.
27

• E assim por diante.
Observe o cálculo de cada elemento da matriz resultante C:
 1
c11 = 1 2 ⋅   = 1 ⋅ 1 + 2 ⋅ 2 = 1 + 4 = 5
 2
1ª Linha A
1ª Coluna B
 1
c12 = 1 2 ⋅   = 1 ⋅ 1 + 2 ⋅ 3 = 1 + 6 = 7
 3
 2
c13 = 1 2 ⋅   = 1 ⋅ 2 + 2 ⋅ 3 = 2 + 6 = 8
 3
 2
c14 = 1 2 ⋅   = 1 ⋅ 2 + 2 ⋅ 2 = 2 + 4 = 6
 2
 1
c 21 =  2 3 ⋅   = 2 ⋅ 1 + 3 ⋅ 2 = 2 + 6 = 8
 2
 1
c22 =  2 3 ⋅   = 2 ⋅ 1 + 3 ⋅ 3 = 2 + 9 = 11
 3
28
 2
c 23 =  2 3 ⋅   = 2 ⋅ 2 + 3 ⋅ 3 = 4 + 9 = 13
 3
 2
c 24 =  2 3 ⋅   = 2 ⋅ 2 + 3 ⋅ 2 = 4 + 6 = 10
 2
 1
c 31 =  3 4  ⋅   = 3 ⋅ 1 + 4 ⋅ 2 = 3 + 8 =11
 2
 1
c 32 =  3 4  ⋅   = 3 ⋅ 1 + 4 ⋅ 3 = 3 + 12 = 15
 3
 2
c 33 =  3 4  ⋅   = 3 ⋅ 2 + 4 ⋅ 3 = 6 + 12 = 18
 3
 2
c34 =  3 4  ⋅   = 3 ⋅ 2 + 4 ⋅ 2 = 6 + 8 = 14
 2
Com isso, finalmente, teremos:
 1 2  c11 c12 c13 c14   5 7 8 6 

   1 1 2 2    
C= A × B =  2 3  ×   = c c22 c23 c24  =  8 11 13 10 
 2 3 3 2  21
 3 4  c 31 c 32 c 33 c 34  11 15 18 14 
E
IMPORTANT
Nunca esqueça: todos os elementos das linhas da primeira matriz multiplicam

todos os elementos das colunas da segunda matriz.
29
6.4 MATRIZ INVERSA

Dada uma matriz quadrada A, de ordem n, se X é uma matriz, tal que AX
= In e XA = In, onde In é a matriz identidade de ordem n, então X é denominada
matriz inversa de A, sendo simbolizada por A −1
ATENCAO
Analisando a definição, é possível perceber que a matriz inversa nem sempre existe.
Quando existir a matriz inversa de A, dizemos que A é uma matriz invertível ou não singular.
 1 -1 
Acadêmico(a), observe que a matriz A =   é invertível e sua matriz
inversa é:  2 0 
 0 1/2   1 - 1   0 1/2   1 0   0 1/2   1 -1   1 0 

A- 1 =   , pois:  . =  e .  = .
- 1 1/2   2 0   - 1 1/2   0 1   - 1 1/2   2 0   0 1 
E
IMPORTANT
Acadêmico(a), observe que a matriz A multiplicada pela inversa nos dá a

matriz identidade.
 1 2 
Exemplo 1: Sendo a matriz A =   ,vamos determinar a matriz
inversa de A, se existir. -2 1  2x2
Resolução: Existindo, a matriz inversa é de mesma ordem de A. Como,

para que exista inversa, é necessário que A∙A-1= A-1∙A = I n , vamos trabalhar em
duas etapas:
Inicialmente, fixamos a condição de que A∙A-1 = I n e determinamos A-1:
 1 2 a b 1 0
A ⋅ A- 1 = In ⇒   ⋅   =   ⇒
 - 2 1  2x2  c d  2x2  0 1  2x2
30
 1.a+2.c 1.b+2.d  1 0
⇒  =   ⇒
- 2 . a + 1 . c - 2 . b + 1 . d  2x2  0 1  2x2
 a+2c b+2d  1 0
⇒   =  
-2a+c - 2 b + d  2x2  0 1  2x2
A partir da igualdade de matrizes, resolvemos o sistema acima pelo

método da adição:


 2a+4c=2
 a + 2 c = 1 ( -2 ) 
 ⇒ - 2 a + c = 0
- 2 a + c = 0 ↵ ⊕ 
__________________
 2
 5c=2 ⇒c=
 5
-2a+c=0
2 1
-2a+ =0 ⇒ a=
5 5


 2b+4d=0
 b+2d=0 (-2) 
 ⇒ -2b+ d=1
 - 2 b + d = 1 ↵⊕ 
__________________
 1
 5d=1 ⇒ d=
 5
-2b+d=1
1 2
-2b+ =1 ⇒ b=-
5 5
Assim temos:
1 - 2 
a b
A -1
=   =  5 5 
 c d  2 x 2  2 1 
 5 5  2 x 2
31
É importante verificarmos se A∙A-1 = I 2 :
 1 - 2 
5 5   1 2
A ⋅ A -1
=  ⋅  
 2 1   - 2 1  2x2
 5 5  2 x 2

= 
1 .1+ -2
5 (
5
. ( -2 ) ) 1 .2+ - 2
5 (
5
..1 ) 
 =
1 +4
 5 5
2
5
5
-2 
 =
2 .1+ 1 . ( -2 ) 2 .2+ 1 .1  2 - 2 4 +1 
 5 5 5 5   5 5 5 5  2 x 2
2x2
 5 0   1 0 
=  5  =   = I2
 0 5   0 1 
 5  2x2
Logo, A-1 é inversa de A e pode ser representada por:
 1 -2 
A- 1 =  5 5
 2 1 
 5 5  2 x 2
Exemplo 2: Verifique se existe e, em caso afirmativo, determine a matriz

 5 8
inversa de A =  .
 2 3
a b
Resolução: Seja X a matriz quadrada de ordem 2 procurada, isto é: X =  .
c d
 5 8  a b   1 0  5a+8c 5
Pela definição, inicialmente devemos ter:  . =  ⇒ 
 2 3  c d  0 1  2a+3c 2
1 0  5a+8c 5b+8d   1 0 
 ⇒  = 
0 1  2a+3c 2b+3d   0 1 
Pela igualdade de matrizes, temos os sistemas:
5a+8c=1
(I) 2 a + 3 c = 0 que resolvido nos dá a = -3 e c = 2.

32
5b+8d=0
( II )  2 b + 3 d = 1 que resolvido nos dá b = 8 e d = - 5.

DICAS
Embora teremos um tópico sobre sistemas lineares, acreditamos que todos

tenham tido contato com esses sistemas pequenos tanto no Ensino Fundamental quanto
no Médio, como também na disciplina de Introdução ao Cálculo. Caso você não entenda a
resolução deste sistema, é importante que retome o material da disciplina de Introdução ao
Cálculo e faça um estudo sobre os sistemas lineares de ordem 2.
Temos para a qual AX = I2

 -3 8   5 8  1 0
A seguir, verificamos se XA = I 2 :  . =  . Então,
 2 -5   2 3  0 1 
- 3 8  5 8  -3 8 
podemos dizer que  é a matriz inversa de  ou seja: A = 
-1
.
 2 -5   2 3  2 -5 
DICAS
Assim, se você quiser ter certeza de que calculou a matriz inversa A - 1

corretamente, basta efetuar a multiplicação . A ⋅ A - 1 Se essa multiplicação resultar na
1 0
identidade I =   , você terá calculado corretamente, caso contrário, refaça os cálculos.
0 1
Propriedades da Multiplicação de matrizes
Como o produto de matrizes é definido de forma diferente do produto de

uma matriz por um número real, as propriedades satisfeitas pela multiplicação
de números reais em geral não valem para a multiplicação de matrizes.
Vamos supor que as matrizes A, B e C sejam de ordens tais que as

operações a seguir sejam possíveis. Assim, são válidas as seguintes propriedades
para a multiplicação de matrizes:
Propriedade Associativa: (A·B) · C = A · (B·C)
33
Demonstração: Suponhamos que as matrizes A, B e C tenham ordens

respectivamente: n × r , r × s e s × m
s s
 r

( )
Temos que: ( ( A.B ) . C )ij = ∑ ( A.B )ik . ckj = ∑  ∑ ( ail blk )  . ckj ( )
=k 1 = 
k 1 =l 1 
r
 s  r
( )
⇒ ∑ ( ail ) .  ∑ bik c kj  = ∑ ( ail ) . ( B.C )lj = A . ( B.C ) ( ) ij
=l 1 = k 1 =  l1
c.q.d.
Propriedade Distributiva à direta em relação à adição: (A + B) ·C = A·C + B·C

n n
Temos que: ( A + B ) . C = ( bik + cik ) .
=k 1=k 1
∑ ( ) ∑ (c )(a
c kj = kj ik
+ bik )
n n n
=k 1
(
⇒ ∑ c kj aik + c kj bik =
=k 1=
) ∑c a + ∑c b
kj ik
k 1
kj ik
=  A.C  ij +  B.C  ij
⇒  A.C + B.C  ij = A.C + B.C

c.q.d.
Propriedade Distributiva à esquerda em relação à adição: A·(B + C) = A·B + A·C

n n
Temos que: A . ( B + C ) =
=
ik
k 1=
kj
k 1
∑ ( a )  B + C  = ∑ (a )(b ik kj
+ c kj )
n n n
=k 1
(
⇒ ∑ aik bkj + aik c kj =
=k 1=
) ∑a b + ∑a c
ik kj
k 1
ik kj
=  A.B  ij +  A.C  ij
⇒  A.B + A.C  ij = A.B + A.C
c.q.d.
Importante:
• Em geral, A·B ≠ B·A, para A e B duas matrizes quaisquer, isto é, não é válida a
propriedade comutativa da multiplicação para matrizes.
34
• A·I = I·A = A, onde I é a matriz identidade de ordem apropriada e A é uma

matriz qualquer.
• (A·B)T = BT·AT , para A e B matrizes.
• 0·A = 0 e A·0 = 0, para toda matriz A (onde 0 é a matriz nula de ordem
apropriada).
E
IMPORTANT
É possível A·B = 0, sem termos A = 0 ou B = 0.
Para exemplificar o que o UNI acabou de informar, considere as matrizes:

 2 0  0 -3
A=  e B=   note que A ≠ 0 e B ≠ 0 (onde 0 é a matriz nula de
 0 5  1 0
ordem apropriada).
 2 0   0 - 3  0 0
Com isso teremos A ⋅ B =   ⋅  = 
0 5  1 0  0 0
6.5 OUTROS EXEMPLOS QUE ENVOLVEM OPERAÇÕES

COM MATRIZES
A seguir veremos mais alguns exemplos de situações que envolvem
matrizes e suas operações.
1 2 3  -2 0 1 
Exemplo 1: Dadas as matrizes: A =  , B =   e D =  2 - 1 
2 1 -1   3 0 1
Calcule D . (2A + 3B).
Resolução: Primeiramente, vamos calcular a prioridade da expressão que

é definida pelos parênteses.
 1 2 3 -2 0 1 
2A + 3B = 2 ⋅   + 3 ⋅ 
 2 1 -1   3 0 1
2 4 6   - 6 0 3   2-6 4+0 6+3   - 4 4 9 

2A + 3B =   +   =   =  
4 2 - 2   9 0 3   4+9 2+0 - 2+3   13 2 1 
35
Agora, resolveremos a multiplicação:

 -4 4 9 
Dn ( 2A + 3B ) =  2 - 1 1x2 n   =  d11 d12 d13  1x3
 13 2 1  2x3
Lembre-se de que é necessário verificar se a multiplicação é possível, ou

seja, se o número de colunas da primeira matriz é igual ao número de linhas da
segunda matriz.
D ⋅ ( 2A + 3B ) =  2 ⋅ ( - 4 ) + ( - 1 ) ⋅ 13 2 ⋅ 4 + ( -1 ) ⋅ 2 2 ⋅ 9+ ( -1 ) ⋅ 1 
1x3
D ⋅ ( 2A + 3B ) =  - 8 - 13 8 - 2 18 - 1  1x3
D ⋅ ( 2A + 3B ) =  - 21 6 17  1x3
Exemplo 2: Sejam as matrizes A = (aij)2x2, com aij = 2i - j2 e B = (bij)2x2, com bij

= aij - 1, encontre a matriz X de modo que: X - 2A + B = 0.
Resolução: Vamos iniciar construindo as matrizes A e B.
Matriz A
a a12 
Como é uma matriz 2x2, sua genérica é: A =  11 
a 21 a 22 
Conforme orienta o enunciado, cada elemento aij será determinado por aij
= 2i – j2.
a ij = 2i - j 2
a 11 = 2 ⋅ 1 - 1 2 = 2 - 1 = 1
a 21 = 2 ⋅ 2 - 1 2 = 4 - 1 = 3
a 12 = 2 ⋅ 1 - 2 2 = 2 - 4 = - 2
 1 -2 
A=  
3 0
2
a 22 = 2 ⋅ 2 - 2 = 4 - 4 = 0
Matriz B
b b12 
Como é uma matriz 2x2, sua genérica é: B =  11 
b21 b22 
36
Conforme orienta o enunciado, cada elemento bij será determinado por

bij = aij - 1.
b ij = a ij - 1
b 11 = 1 - 1 = 0
b 21 = 3 - 1 = 2
Este valor (aij) você irá buscar na
b 12 = - 2 - 1 = - 3 matriz A.
b 22 = 0 - 1 = - 1
0 -3 
B=  
 2 -1 
Determinadas as matrizes A e B, vamos resolver a equação X – 2A + B = 0.
DICAS
Assim como em uma equação do primeiro grau, sugerimos isolar a matriz X

antes de substituir as matrizes.
X – 2A + B =0
X = 2A – B
 1 - 2  0 - 3 
X=2 ⋅   -  
 3 0  2 - 1 
 2 ⋅ 1 2 ⋅ ( - 2 )  0 - 3  Lembre-se: resolvemos
X=   -   a subtração de matrizes
 2 ⋅ 3 2 ⋅ 0   2 - 1  somando a matriz oposta!
2 -4  0 -3 
X=   -  
6 0  2 -1 
 2+0 -4+3 
X=  
 2 -4   0 3 
X=  6 + ( - 2 ) 0+1 
 +  
 6 0  - 2 1 
2 -1 
X=   Essa é a matriz X.
4 1
37
Exemplo 3: Seja A = (aij) a matriz 2x2 real definida por aij = 1 se i ≤ j e aij =
-1 se i > j. Calcule A2.
Resolução: Vamos iniciar construindo a matriz A.

a a12 
Como é uma matriz 2x2, sua genérica é: A =  11 
a 21 a 22 
Conforme orienta o enunciado, cada elemento aij será determinado por aij
= 1 se i ≤ j e aij = -1 se i > j.
a 11 = 1
a 21 = - 1
a 12 = 1  1 1
A=  
a 22 = 1 - 1 1 
Agora, basta calcularmos A2.
ATENCAO
Calcular A2 não é elevar cada um de seus elementos ao quadrado, mas sim

2  1 1  1 1
multiplicar a matriz por ela mesma, ou seja, A2 = A ∙ A . A = A ⋅ A =   ⋅  
- 1 1  - 1 1 
Para resolver esta multiplicação é necessário verificar se o número de

linhas da primeira matriz é igual ao número de colunas da segunda matriz.
A 2x2 ⋅ A 2x2 = A 2 2x2
 1 1   1 1   1 ⋅ 1+1 ⋅ ( -1 ) 1 ⋅ 1+1 ⋅ 1 
A2 =   ⋅   =  
- 1 1  - 1 1  ( - 1 ) ⋅ 1 + 1 ⋅ ( - 1 ) ( -1 ) ⋅ 1 + 1 ⋅ 1 
 1-1 1+1   0 2 
A2 =   =  
- 1 - 1 - 1 + 1  - 2 0 
38
Exemplo 4: (UFRJ) Uma confecção vai fabricar três tipos de roupas

utilizando três materiais diferentes. Considere a matriz A abaixo, onde cada
elemento aij representa quantas unidades de material j serão empregados para
fabricação de roupas do tipo i.
5 0 2
 
A = 0 1 3
 4 2 1 
a) Quantas unidades de material 3 serão empregados na confecção de uma roupa

tipo 2?
b) Calcule o total de unidades do material 1 que será empregado para fabricar

cinco roupas do tipo 1, quatro roupas do tipo 2 e duas roupas do tipo 3.
Resolução: De acordo com o enunciado, temos a tabela:
Material 1 Material 2 Material 3

Roupa tipo 1 5 0 2
Roupa tipo 2 0 1 3
Roupa tipo 3 4 2 1
a) O número de unidades de material j = 3 na confecção de uma roupa tipo i = 2

é o elemento a23 da matriz A, ou melhor, é o elemento da segunda linha com a
terceira coluna a23 = 3 unidades.
b) O valor procurado é 5a11 + 4a21 + 2a31 = 5×5 + 4×0 + 2×4 = 25 + 0 + 8 = 33 unidades.
Exemplo 5: (PUC) Um batalhão do exército resolveu codificar suas

mensagens através da multiplicação de matrizes. Primeiramente, associa as letras
do alfabeto aos números, segundo a correspondência abaixo considerada:
39
Desta forma, supondo que o batalhão em questão deseja enviar a

P A
mensagem "PAZ", pode-se tomar uma matriz 2x2, da forma:   a qual,
Z - 
15 1 
usando-se da tabela acima, será dada por:  
 25 0 
2 3
Tomando-se a matriz-chave C para o código, isto é:   transmite-se a
1 2 
mensagem "PAZ" através da multiplicação das matrizes M e C, ou seja:
15 1   2 3   31 47 
M ⋅ C=   ⋅   =   .
 25 0   1 2   50 75 
Ou através da cadeia de números 31 47 50 75. Desta forma, utilizando-

se a mesma matriz-chave C, a decodificação da mensagem 51 81 9 14 será
compreendida pelo batalhão como a transmissão da palavra:
a) LUTE
b) FOGO
c) AMOR
d) VIDA
e) FUGA
Resolução: Para construir a Matriz D vamos usar o fato de que D é a matriz

inversa de C se, e somente se, C×D = D×C = I, onde I é matriz identidade. Depois,
basta resolvermos os sistemas de equações resultantes.
E
IMPORTANT
Como já falamos, só existe a inversa de matrizes quadradas. E mais do que

isso, a inversa A - 1 terá sempre a mesma ordem da matriz A além disso, a identidade I
também terá essa mesma ordem.
40
a b  2 3 -1
D=   ,C=   e D=C ⇒
c d  1 2 
 2 3  a b   2 a + 3 c 2 b + 3 d  1 0 
  .   =   =  
1 2  c d  a + 2 c b + 2 d  0 1 
2a+3c=1 2 b + 3 d = 0
⇒  e 
a + 2 c = 0 b + 2 d = 1
⇒ a=2;b=-3;c=-1;d=2
Acadêmico(a), veja que a matriz C codificou a mensagem multiplicando a

matriz M pela direita, assim, temos que decifrar a mensagem também pela direita
multiplicando por D = C-1 , pois a propriedade comutativa no produto de matrizes
não é válida. Decodificando a mensagem 51 81 9 14, encontramos:
 51 81   2 -3   102 - 81 - 153 + 162 

  .   =   =
 9 14   -1 2   18 - 14 - 27 + 28 
 21 9 
=  
4 1
Logo, a mensagem 51 81 9 14 será compreendida como 21 9 4 1,

correspondendo à palavra VIDA, e a alternativa (D) é a opção correta.
41
RESUMO DO TÓPICO 1
Neste tópico você viu:
• Uma matriz é uma organização de dados em linhas e colunas e que cada

ente da matriz é denominado elemento. Uma matriz é representada por uma
letra maiúscula e os elementos podem estar dispostos entre parênteses ou
colchetes. A ordem de uma matriz é a informação da quantidade de linhas
(m) e colunas (n).
• Alguns tipos de matrizes: quadrada, nula, coluna, linha, oposta, diagonal,

identidade, triangular, transposta e simétrica.
• Algumas operações: soma de matrizes, multiplicação por um número real e

multiplicação de matrizes. Aqui vale destacar:
o Só podemos somar matrizes de mesma ordem.

o Para multiplicar matrizes o número de colunas da primeira matriz tem que ser
igual ao número de linhas da segunda. Já a matriz resultante (produto) terá o
número de linhas da primeira matriz e o número de colunas da segunda matriz.

o Na multiplicação de matrizes não vale a propriedade comutativa, isto é,
podemos ter A ⋅ B ≠ B ⋅ A para duas matrizes quaisquer A e B.
42
AUTOATIVIDADE
Acadêmico(a), um dos princípios da UNIASSELVI é “Não basta

saber, é preciso saber fazer”. Agora chegou a sua vez de colocar em prática os
conceitos sobre matrizes estudados neste tópico.
1 Sendo dadas as matrizes:
 8 3  1 4  -1 8
     
A=  2 4  , B=  5 3  , C=  -2 -4 
 1 5  8 5  -3 -5 
     
Calcule:
a) A + B d) A + B + C
b) A + C e) A - B - C
c) B + C f) A + C - B
2 Dadas as matrizes:
 2 -3   0 1   -2 8 
A=   , B=   e C=  
 4 -1   2 3  1 -3 
Calcule:
a) 5A + 3B c) A + 5B - 2C
b) 6A - 4B d) 2B - C
3 Calcule os produtos indicados:
 2  2 -3   1 34 5 
  c)  . 
a) (1 -3 4 ) .  1  0 3   -3 21 4 
5
 
 1 0  2 3
d)   .  
 -1 2   3 8 3  0 1   7 0 
b)   .  
 3 -4   1 2 4
43
4 Dada a matriz mostrada adiante:
 1 2 3 
 
A=  0 1 2 
 -1 1 -1 
 
Determine:
a) A 2 b) A . A t c) 2A . 3A t
5 Sejam as matrizes A = (aij)2x2, com aij = i – j2 e B = (bij)2x2, com bij = aij + 1,

encontre a matriz X de modo que: X – At + 2Bt = 0.
 2 1 
6 Dados A = aij ( ) , aij = 3i - j e B =   determine x e y sabendo
que A = B.
2x2
 x x + y
7 Dadas as matrizes
 0 3 
 6 -5 4   
A=  calcule ( A . B ) t e B t . A t .
 e B =  7 10  , calcule
 - 3 2 - 1   8 11 
 
8 A e B são suas matrizes quadradas de ordem 2, cujos elementos são dados

( )
2
por a ij = 3i - 2j e b ij = a ij . Calcule
Calcule A - B.
9 Seja A uma matriz quadrada de ordem 3 cujos elementos são dados por
 0, se i ≠ j
aij =  .
 i + j, se i = j
Calcule:
3 A + I 3 e 2 A - I 3.
10 Determine x, y, z e t sabendo que:
 x  3   10 
     
a)  y  -  - 1 = 2
z  5  5
     
44
 x y   x 3   10 - 1 
b)  + = 
 3 2 z   t z   4 18 
 x -5   1 -1   1 -6 
     
c)  y - 1  +  -3 2 = 2 1 
 z 0   -4 -5   -5 -5 
     
11 (FUNIVERSA) Duas empresas, 1 e 2, são investigadas em três crimes

fiscais, I, II e III. As evidências que relacionam as duas empresas aos
crimes são tais que:
A evidência Relaciona a(s) empresa(s) Ao(s) crime(s)

A 1 I e III
B 1e2 I e II
C 2 II e III
D 1 I e II
E 1e2 I, II e III
F 2 III
G 1 I e II
H 1e2 II e III
I 2 I e III
Para tratar as informações necessárias à investigação desses crimes,

um perito montou uma matriz M na qual cada elemento aij corresponde à
quantidade de evidências que relacionam a empresa i ao crime j.
Com base nessas informações, a matriz M é:
 5 3  3 5  3 5
   5 5 3  3 4 5    
a)  5 4  b)   c)   d)  4 5  e)  5 4 
 3 5  3 4 5  5 5 3  5 3  5 3
     
12 (UFMT) Sejam as matrizes A = (aij)2x3 tal que aij = j – 3i; B = (bij)3x2 tal que
bij = 2i + j2; e C = (cij)2x2 tal que cij = ij. O elemento de maior módulo dentre
os que formam a diagonal principal da matriz P, em que P = AB + 20C, é:
a) 20 d) -12
b) 9 e) 0
c) -16
Assista ao vídeo de
resolução da questão 12
45
13 Leia atentamente as sentenças a seguir:
I- O produto das matrizes A, de ordem 4x2, e B, de ordem 2x2, é uma matriz

de ordem 4 x 2.
II- O produto das matrizes A de ordem 5x4 e B de ordem 5x2 é uma matriz
de ordem 5x2.
III- O produto das matrizes A de ordem 2x3 e B de ordem 3x4 é uma matriz
quadrada.
As sentenças verdadeiras são:
a) ( ) I e III
b) ( ) Apenas I
c) ( ) Apenas III
d) ( ) Apenas II
e) ( ) I e II
( )
14 (UEL-PR) Dadas as matrizes A = a ij 3x2 , definida por a ij = i - j ; B = ( b ij ) 2x3 ,
definida por b ij = j, C = (c ij ) , definida por C = A . B, é correto afirmar que o
elemento c 23 é:
c .
a) ( ) Igual ao elemento 12
b) ( ) Igual ao produto de a 23 por
por b 23 .
c) ( ) O inverso do elemento c 32 .
d) ( ) Igual à soma de a 12 com
com b 11 .
e) ( ) Igual ao produto de a 21 por
por b 13 .
 2 2 1 
 3 - 3 3 
  1 1 0 
 1 2 1  
15 Prove que a matriz A - 1 = - é inversa de A = 0 1 1 
 3 3 3
  1 0 2 
- 1 1 1 
 3 3 3 
1 1 0 
 
16 Determine a matriz inversa da A = 0 1 1  .
1 0 2 
17 Considere a matriz A = (aij)4x4 definida por aij = 1 se i ≥ j e aij = i + j se i < j.

Calcule a soma dos elementos da diagonal secundária.
46
UNIDADE 1
TÓPICO 2
DETERMINANTES E INVERSÃO DE MATRIZES
1 INTRODUÇÃO
Na história da matemática, a ideia de determinante aparece em soluções
de sistemas lineares pelo menos um século antes do matemático inglês Arthur
Cayley criar as teorias das matrizes. Apesar de hoje estudarmos primeiro matrizes,
depois determinantes e, em seguida, sistemas lineares, a ordem histórica foi:
sistemas lineares, determinantes e, somente mais tarde, as matrizes.
Presume-se que a primeira ideia de determinante surgiu na China antiga,

onde os coeficientes de equações lineares eram representados com varetas de
bambu. O qual foi aperfeiçoado pelo matemático japonês Seki Shinsuke Kowa, no
século XVI, e se assemelha ao processo usado hoje para o cálculo de determinantes.
Ainda no século XVI, o matemático alemão Göttfried Wilhelm Leibniz

criou a teoria dos determinantes enquanto buscava soluções para sistemas lineares.
E, no século seguinte, o matemático suíço Gabriel Cramer, por desconhecer os
trabalhos já realizados, reinventou os determinantes ao estabelecer e publicar
uma regra que leva seu nome (a qual estudaremos neste tópico), também na
busca de resoluções de sistemas lineares.
Em 1812, Cauchy sistematizou o estudo dos determinantes em uma

publicação de 84 páginas e, a partir daí, a teoria dos determinantes tornou-se um
ramo da Álgebra, passando, então, a ser largamente utilizada.
NOTA
Até 1858, quando o conceito de matriz aparece pela primeira vez, não se falava
a b  ax + by = e
em determinante de uma matriz   , mas sim em determinante de um sistema cx + dy = f .
 c d  
47
2 O CÁLCULO DO DETERMINANTE
O determinante é um número real associado a uma matriz quadrada. É
importante destacar que cada matriz possui um único determinante.

 a11 a12 a13 a1n 
  
a a 22 a 23 a 2 n
Dada a matriz A =  21  indicaremos o seu determinante
 … … …… 
por



 
 a m1 a m 2 a m 3 a mn  mxn

 a11 a12 a13 a1n 
 
 a 21 a 22 a a 
det A = 23 2 n
 … … …… 



 
 a m1 a m 2 a m 3 a mn  mxn.
O determinante de uma matriz A será denotado por “det A” ou por DA.
2.1 DETERMINANTE DE UMA MATRIZ DE PRIMEIRA ORDEM

O determinante de uma matriz de primeira ordem, A = (a11), é definido
pelo valor do seu elemento único a11, ou seja: det
= A =
a11  a11 .
Exemplos:
1) Se M = (6), então det M = 6.

2) Se Z = - 2  , então det Z = - 2 .
2.2 DETERMINANTE DE UMA MATRIZ DE SEGUNDA ORDEM

a a12 
A matriz quadrada de segunda ordem A =  11  tem como
a 21 a 22 
determinante o número real obtido pela expressão a 11 ⋅ a 22 - a 12 ⋅ a 21 .
a a 12 
Indicamos por: det A =  11  = a 11 ⋅ a 22 - a 12 ⋅ a 21 .
a 21 a 22 
Portanto, o determinante de uma matriz de segunda ordem é dado pela

diferença entre o produto dos elementos da diagonal principal e o produto dos
elementos da diagonal secundária.
48
TÓPICO 2 | DETERMINANTES E INVERSÃO DE MATRIZES
Veja os exemplos a seguir:

2 7 
Exemplo 1: Calcular o determinante da matriz B =   .
4 8 
Resolução: det B = 2·8 - 7·4 ↔ det B = 16 – 28 ↔ det B = -12.
Exemplo 2: (GIOVANNI; BONJORNO; GIOVANNI JR., 2002, p. 314)

Calcule o determinante da matriz A do tipo 2x2, cujos elementos são:
a ij = i + 2j, se i ≥ j
 2
 a ij = i - j, se i < j
a a12 
Resolução: Partimos da matriz genérica A =  11  para determinar
os elementos da matriz. a 21 a 22 
Matriz A
a ij = i + 2j, se i ≥ j
a 11 = 1 + 2 · 1 = 1 + 2 = 3
a 21 = 2 + 2 · 1 = 2 + 2 = 4
a 22 = 2 + 2 · 2 = 2 + 4 = 6
a ij = i 2 - j, se i < j
a 12 = 1 2 – 2 = 1 – 2 = – 1 .
 3 -1 
Logo, A =   .
4 6
Portanto, det A = 3 · 6 - 4 · (-1) ↔ det A = 18 + 4 ↔ det A = 22.
2.3 DETERMINANTE DE UMA MATRIZ DE TERCEIRA ORDEM

– REGRA DE SARRUS
O cálculo do determinante de terceira ordem pode ser feito por meio de
um dispositivo prático, denominado regra de Sarrus.
49
a11 a12 a13 

 
Seja a matriz A = a 21 a 22 a 23  .
a 31 a 32 a 33 
1° passo: Repetimos as duas primeiras colunas ao lado da terceira coluna:

a11 a12 a13  a11 a12
 
a 21 a 22 a 23  a 21 a 22
a 31 a 32 a 33  a 31 a 32
2° passo: Encontramos a soma do produto dos elementos da diagonal

principal com os dois produtos obtidos pela multiplicação dos elementos das
paralelas a essa diagonal:
a 11 a 12 a 13 a 11 a 12
a 21 a 22 a 23 a 21 a 22 = ( a 11a 22 a 33 + a 12 a 23a 33 + a 13a 21a 32 )
a 31 a 32 a 33 a 31 a 32
paralelas
diagonal principal
3° passo: Encontramos a soma do produto dos elementos da diagonal

secundária com os dois produtos obtidos pela multiplicação dos elementos das
paralelas a essa diagonal:
a 11 a 12 a 13 a 11 a 12
a 21 a 22 a 23 a 21 a 22 = ( a 13a 22 a 31 + a 11a 23a 32 + a 12 a 21a 33 )
a 31 a 32 a 33 a 31 a 32
paralelas
diagonal secundária
4° passo: Por fim, devemos operar: a soma do produto da diagonal

principal com suas paralelas, menos a soma do produto da diagonal secundária
com suas paralelas. Desta forma:
det A = ( a 11 a 22 a 33 + a 12 a 23 a 32 + a 13 a 21 a 32 ) - ( a 13 a 22 a 31 + a 11 a 23 a 32 + a 12 a 21 a 33 )
50
ATENCAO
Sempre que tivermos uma matriz dentro de barras simples, estaremos tratando
3 1
de cálculo de determinante. Por exemplo, = 19 estamos indicando que o determinante
da matriz é 19. 5 8
3 4 2
 
Exemplo 1: Calcule o determinante da matriz B =  2 1 5  .
 0 7 4 
Resolução: Iniciamos repetindo as duas primeiras colunas após a terceira.

3 4 2 3 4
 
2 1 5 2 1
 0 7 4  0 7
Det B = (3 · 1 · 4 + 4 · 5 · 0 + 2 · 2 · 7) - ( 2 · 1 · 0 + 3 · 5 · 7 + 4 · 2 · 4)
Det B = (12 + 0 + 28) - (0 + 105 + 32)
Det B = 40 - 137
Det B = - 97
2 3 -2 
 
Exemplo 2: Resolver a equação:  0 1 x  = 2
 2 x - 3 
Resolução: A representação indica que o determinante desta matriz é 2.

Assim, vamos calcular o determinante e igualar a 2.
2 3 -2  2 3
 
0 1 x  0 1 =2
 2 x - 3  2 x
Assim:
51

2·1· ( –3 ) + 3·x·2 + ( – 2 ) · 0 · x  – ( – 2 ) ·1·2 + 2·x·x + 3·0· ( – 3 ) = 2
( –6 + 6x + 0 ) – ( –4 + 2x 2
+ 0 )= 2
– 6 + 6 x + 4 – 2 x2= 2
Não se esqueça de realizar
– 2 x2 + 6 x – 4 = 0 a propriedade distributiva,
devido ao sinal de negativo.
Para simplificarmos a equação, vamos dividir ambos os lados da igualdade

por (-2). x2 – 3x + 2 = 0
Aplicando a fórmula de Bháskara, determinamos os valores para x que

tornam o determinante da matriz igual a 2. Assim, x’ = 1 e x” = 2.
2.4 COFATOR
*
Dada uma matriz A=[aij], quadrada de ordem n ≥ 2 e n ∈ N , denominamos
cofator de aij o produto de (-1) i + j pelo determinante da matriz (Dij) que se obtém
de A, suprimindo a linha de ordem i e a coluna de ordem j. Notação: cij.
( -1 )
i+j
C ij = ⋅ D ij
a 11 a 12 a 13 
 
Assim, se considerarmos a matriz quadrada A = a 21 a 22 a 23  de terceira
ordem, temos: a 31 a 32 a 33 
a 22 a 23
( -1 ) ( -1 )
1+1 1+1
C 11 = ⋅ D 11 = ⋅
a 32 a 33
Neste caso, eliminamos a linha 1 e a coluna 1.
a 11 a 12
( -1 ) ( -1 )
2+3 2+3
C 23 = ⋅ D 23 = ⋅
a 31 a 32
Neste caso, eliminamos a linha 2 e a coluna 3.
52
Exemplos:
 2 3 c 11 = ( - 1 ) 1+1 . 5 = 5
1) A =  
- 1 5  c 12 = ( -1) 1+2 . - 1 = 1
c 21 = ( - 1 ) 2+1 . 3 = - 3
c 22 = ( - 1 ) 2+2 . 2 = 2
 1 3 4
  1 4
2) A = - 2 0 5  c 32 = ( - 1 ) 3+2 . = - 1 . ( 5 + 8 ) = - 13
-2 5
 7 6 8 
2.5 DETERMINANTE DE ORDEM N > 3

Para calcularmos o determinante de matrizes de ordem superior a 3,
usaremos o Teorema de Laplace. Este teorema pode ser utilizado para matrizes de
ordem 2 ou superior, porém, julgamos que os métodos ensinados anteriormente
apresentam resolução mais rápida.
Teorema de Laplace
O determinante de uma matriz quadrada de ordem n ≥ 2 é a soma dos

produtos dos elementos de uma fila (linha ou coluna) pelos respectivos cofatores.
ATENCAO
A resolução se torna mais rápida quando consideramos a fila que contém o

maior número de zeros, pois neste caso não é necessário calcular o determinante.
Exemplos:
 1 3 4
 
1) A = - 2 0 5  det A = 3 . C 12 + 0 . C 22 + 6 . C 32
 7 6 8 
-2 5
c 12 = ( - 1 ) 1+2 . = - 1 . ( - 51 ) = 51
7 8
53
1 4
c 32 = ( - 1 ) 3+2 . = - 1 . ( 5 + 8 ) = - 13
-2 5
det A = 3 . 51 + 6 . ( -13 ) = 153 - 78 = 75
2 3 1 0
0 2 0 3
2) = 0 . c 41 + 0 . c 42 + 0 . c 43 + 6 . c 44 = 6 . 6 = 36
5 -1 4 0
0 0 0 6
2 3 1
4+4
C 44 = ( - 1 ) . 0 2 0 =1.6=6
5 -1 4
E
IMPORTANT
Pierre Simon Marquis de Laplace nasceu

na França, em Beaumont-en-Auge, no dia 23 de março
de 1749, tendo falecido na cidade de Paris, a 5 de março
de 1827. Destacou-se nas áreas da Física, da Astronomia
e da Matemática. Organizou a astronomia matemática,
sumariando e ampliando o trabalho de seus predecessores
nos cinco volumes do seu Mécanique Céleste (Mecânica
Celeste) (1799-1825). Esta obra-prima traduziu o estudo
geométrico da mecânica clássica usada por Isaac Newton
para um estudo baseado em cálculo, conhecido como
mecânica física.
Ele também formulou a equação de Laplace. A transformada

de Laplace aparece em todos os ramos da física matemática,
campo em que teve um papel principal na formação. O
operador diferencial de Laplace, do qual depende muito a
matemática aplicada, também recebe seu nome.
Pierre Laplace era filho de um pequeno trabalhador rural ou talvez um empregado de fazenda
e ficou a dever a sua educação ao interesse de alguns vizinhos abastados, graças às suas
habilidades e presença atrativa. Parece que, de pupilo, se tornou professor-assistente na escola
em Beaumont; mas, tendo procurado uma carta de apresentação a Jean le Rond d’Alembert,
foi a Paris tentar sua sorte. Um artigo sobre os princípios da mecânica instigou o interesse de
d’Alembert e, sob sua recomendação, foi oferecido um lugar na escola militar a Laplace.
Seguro das suas competências, Laplace dedicou-se, então, a pesquisas originais e, nos 17
anos seguintes, entre 1771 e 1787, produziu uma boa parte dos seus trabalhos originais em
astronomia. Tudo começou com uma memória, lida perante a Academia Francesa em 1773,
em que mostrava que os movimentos planetários eram estáveis, levando a prova até ao
54
ponto dos cubos das excentricidades e das inclinações. Isso foi seguido por vários artigos
sobre tópicos em cálculo integral, diferenças finitas, equações diferenciais e astronomia.
Laplace tinha um amplo conhecimento de todas as ciências e dominava todas as discussões
na Académie. De forma razoavelmente única para um prodígio do seu nível, Laplace via
os matemáticos apenas como uma ferramenta para ser utilizada na investigação de uma
averiguação prática ou científica.
Laplace passou a maior parte de sua vida trabalhando na astronomia matemática, que
culminou na sua obra-prima sobre a prova da estabilidade dinâmica do sistema solar, com a
suposição de que ele consistia num conjunto de corpos rígidos movendo-se no vácuo. Ele
formulou independentemente a hipótese nebular e foi um dos primeiros cientistas a postular
a existência de buracos negros e a noção do colapso gravitacional.
Ele é, nos dias de hoje, lembrado como um dos maiores cientistas de todos os tempos (às
vezes, chamado de Newton francês ou Newton da França), com uma fenomenal capacidade
matemática natural sem par entre os seus contemporâneos. Parece que Laplace não era
modesto sobre as suas capacidades e realizações e ele provavelmente não conseguia
reconhecer o efeito de sua atitude sobre seus colegas. Anders Johan Lexell visitou a Académie
des Sciences em Paris, em 1780-81 e relatou que Laplace deixava claro que se considerava o
melhor matemático da França. O efeito sobre os seus colegas só seria relativamente atenuado
pelo fato de que Laplace muito provavelmente estaria correto.
FONTE: Disponível em: <http://www.explicatorium.com/biografias/pierre-laplace.html>.

Acesso em: 22 fev. 2016.
2.6 CÁLCULO DA MATRIZ INVERSA UTILIZANDO

DETERMINANTE
No tópico anterior vimos como calcular a matriz inversa de uma matriz
de ordem 2 utilizando a definição e resolvendo o sistema linear. Agora, veremos
como utilizar o determinante da matriz para determinar sua inversa.
a b
Definição: Seja uma matriz A=   onde a, b, c e d são números reais
c d  d -b 
 
 det ( A ) det ( A ) 
tais que det (A) ≠ 0. Então a inversa de A será dada por A = -1
 -c a 
 
 det ( A ) det ( A ) 
 
- 2 4 
Exemplo 1: Calcule a inversa de A =  .
 5 -1 
55
 d -b 
 
det ( A ) det ( A ) 
Resolução: Pela definição, temos: A - 1 =
 -c a 
 
 det ( A ) det ( A ) 

Assim, precisamos calcular det ( A ) , ou seja:
det ( A ) = ( - 2 ) ⋅ ( - 1 ) - 5 ⋅ 4 
det ( A ) = 2 - 20
det ( A ) = - 18
Substituindo os valores de a, b, c, d e do det (A) na definição:
 -1 -4 
 
A -1 =  - 18 - 18 
 -5 -2 
 
 - 18 - 18 
 1 4 
 
A- 1 =  18 18 
 5 2 
 
 18 18 
ATENCAO
Veja como é rápido efetuar essa inversa, porém a generalização é difícil. Portanto,
é importante aprender os outros métodos.
- 2 9 
Exemplo 2: Calcule a inversa da matriz A =  
 1 3
 d -b 
 
det ( A ) det ( A ) 
Resolução: Novamente, pela definição, temos: A - 1 =
 -c a 
 
 det ( A ) det ( A ) 

56
Assim, precisamos calcular det ( A ) , ou seja:
det ( A ) = ( - 2 ) ⋅ 3 - 1 ⋅ 9 
det ( A ) = - 6 - 9
det ( A ) = - 15
Então, da matriz A, sabemos que a = - 2, b = 9, c = 1 e d = 3. Usando a

definição da inversa, basta efetuar as devidas substituições.
 d -b 
 
det ( A ) det ( A ) 
A- 1 =
 -c a 
 
 det ( A ) det ( A ) 

 3 -9 
 
A- 1 =  - 15 - 15 
 -1 -2 
 
 - 15 - 15 
 3 9 
- 
A- 1 =  15 15 
 1 2 
 
 15 15 
2.7 PROPRIEDADES DOS DETERMINANTES

Acadêmico(a), assim como vimos no estudo das propriedades das matrizes,
as propriedades dos determinantes facilitam certos cálculos, sendo possível fazer
com que economizemos tempo na resolução desses cálculos. Vejamos, a seguir,
quais são estas propriedades:
P1: Se os elementos de uma linha (ou uma coluna) de uma matriz quadrada
forem todos iguais a zero, seu determinante será zero.
Exemplos:
4 9 -8 7
3 0 15
0 0 0 0
1) =0 2) 2 0 -3 =0
3 2 -1 3
-1 0 7
18 12 9 3
57
P2: Se os elementos de duas linhas ou colunas de uma matriz forem iguais,

seu determinante será nulo.
Exemplo:
2 5 3 5
4 2 9 8
1) =0 pois, L1 = L 3
2 1 3 5
9 7 4 3
P3: Se uma matriz possui duas linhas (ou colunas) proporcionais, então
seu determinante será nulo.
Exemplo:
1 4 2
1) 2 1 4 = 0 pois C 3 = 2C 1a
3 2 6
P4: Se trocarmos de posição, entre si, duas linhas (ou colunas) de uma
matriz quadrada, o determinante da nova matriz é o anterior com o sinal trocado.
Exemplo:
1 2 3
2 1 -1 =-4
3 2 1
Trocando as posições de L1 e L2, por exemplo, temos:
2 1 -1
1 2 3 =+4
3 2 1
P5: Se multiplicarmos todos os elementos de uma linha (ou coluna) por

um número real α , então o determinante da nova matriz é o anterior multiplicado
pelo número α .
Exemplos:
58
1 2 3 2 2 3
1) 2 1 -1 = - 4 Multiplicando C 1 por 2, temos: 4 1 -1 =2 ⋅ ( -4 ) =-8
3 2 1 6 2 1
5 - 10 0
1
2) 3 7 4 = - 145 Multiplicando L 1 por , temos:
5
2 0 -1
1 -2 0
1
3 7 4 =
5
⋅ ( - 145 ) = - 29
2 0 -1
P6: O determinante de uma matriz quadrada A é igual ao determinante de

sua transposta AT.
Exemplo:
1 2 3 1 2 2
t
Det A = 2 1 2 = 9 Det A = 2 1 4 =9
2 4 3 3 2 3
P7: Teorema de Jacobi: o determinante de uma matriz não se altera quando

somamos aos elementos de uma linha (ou coluna) uma combinação linear dos
elementos correspondentes de linhas ou colunas paralelas.
Exemplo:
1 2 3
1) 2 1 2 =9
2 4 3
Substituindo a 1ª coluna pela soma dessa mesma coluna com o dobro da

2ª, temos:
C1 + 2C2

1+2×2 2 3 5 2 3
2+1×2 1 2 = 4 1 2 =9
2+4×2 4 3 10 4 3
59
P8: O determinante associado a uma matriz triangular é igual ao produto

da diagonal principal.
Exemplos:
a 0 0 x g h
1) d b 0 =a ⋅ b ⋅ c 2) 0 y i =x ⋅ y ⋅ z
e f c 0 0 z
P9: Teorema de Binet: se A e B são matrizes quadradas, então Det (AB) =

Det A∙Det B
Exemplo:
2 1 1 0 4 2
Se A = , B= e A ⋅ B= , então: det ( AB ) = det A ⋅ det B
3 4 2 2 11 8    5

2
10
P10: Matriz inversa: seja M uma matriz inversível de ordem n, temos:

1
Det M - 1 =
Det M
Exemplo:
5 8 -3 8 1
Seja: A = = - 1, então A - 1 = = =-1.
2 3 2 -5 -1
DICAS
Crie outras matrizes e verifique passo a passo a validade de cada uma destas
propriedades.
2.8 MATRIZ SINGULAR

Uma matriz é denominada singular quando o seu determinante é nulo.
Por exemplo, se uma matriz quadrada tiver pelo menos uma linha ou coluna
nula, terá determinante zero (0), o que caracteriza uma matriz singular.
60
Existem nove matrizes singulares com dimensão 2x2 compostas dos

números 0 e 1:
0 0 0 0 0 0 0 0 0 1 0 1 1 0 1 0 1 1 1 1
  ,   ,   ,   ,   ,   ,   ,   ,   ,  
0 0 0 1 1 0 1 1 0 0 0 1 0 0 1 0 0 0 1 1
DICAS
Descubra quantas matrizes singulares existem de dimensão 3x3.
3 ESCALONAMENTO DE MATRIZES
O escalonamento de matrizes nos auxilia no cálculo de determinantes
de qualquer ordem, no cálculo da inversa de uma matriz de qualquer ordem e
também na resolução de sistemas lineares (tema do próximo tópico). Preste muita
atenção em cada etapa, pois usaremos muito este método!
3.1 FORMA ESCALONADA DE UMA MATRIZ

Uma matriz é denominada de forma escalonada quando o número de zeros
no lado esquerdo do primeiro elemento não nulo da linha aumenta a cada linha.
 1 56 4 
 
0 20 1
Exemplo 1: A matriz   é uma matriz escalonada.

0 01 0
 
 0 00 3 
 1 56 4 
 
0 02 1
Exemplo 2: A matriz   não é uma matriz escalonada.

0 11 0
 
 0 00 3 
Exemplo 3: No caso de uma linha se tornar nula, todas as linhas seguintes

devem ser linhas nulas para manter a qualidade de matriz escalonada.
61
 1 56 4 
 
 0 20
A matriz
1  é uma matriz escalonada.
 0 00 0 
 
 0 0 0 0 
3.2 MÉTODO DE ELIMINAÇÃO DE GAUSS

O método de eliminação de Gauss, também conhecido como escalonamento,
é utilizado para converter uma matriz qualquer na forma de matriz escalonada,
aplicando uma sequência de operações, denominadas operações elementares.
As operações elementares se constituem de três operações básicas:
• Multiplicar: podemos multiplicar uma linha inteira por uma constante não
nula. Simbolizamos por: L i = a . L i ( a ∈ � * ) .
• Trocar ou permutar: podemos trocar duas linhas inteiras entre si. Simbolizamos
por: L i = LK .
• Somar ou subtrair: um múltiplo de uma linha a outra linha. Simbolizamos por:
L i = L i + a . L k ( a ∈ � * ).
ATENCAO
Preste bem atenção nas operações permitidas, pois não é qualquer operação
que não altera os conjuntos relacionados às matrizes.
Acadêmico(a), todo o escalonamento é efetuado em etapas, escolhendo

as linhas de cima para baixo, ou seja, na primeira etapa inicia-se pela linha 1, na
segunda etapa escolhe-se a linha 2 e assim por diante.
Após determinarmos a linha, teremos o olhar voltado para um elemento

especial denominado pivô. O pivô, na primeira linha é o elemento a11, na segunda
linha é o elemento a22, na terceira linha é o elemento a33 e assim sucessivamente.
Ele deverá ter seu valor transformado em 1 e tem a função de nos auxiliar a
anular os elementos abaixo dele, isto é, transformá-los em zero utilizando as três
operações básicas entre linhas de matrizes.
A melhor forma de compreender o processo de eliminação de Gauss é

através de exemplos. Vamos a eles:
62
ATENCAO
Acadêmico(a), observe que para anular o elemento de uma linha, só poderemos

usar ele e o múltiplo da linha pivô.
 1 2 2 3 
 
Exemplo 1: Escalonar a seguinte matriz. A =  3 7 5 1 
 2 4 4 4 
O primeiro pivô será o elemento a11 que, no nosso exemplo, já é 1. Desta

forma, vamos para o próximo passo, que é zerar os elementos abaixo de a11=1, ou
seja, a21=3 e a31=2.
Como o pivô está na linha 1, esta linha será usada de base e, nesta primeira
etapa, usaremos ela para zerar os elementos abaixo do pivô.
Lembre-se de que somente podemos fazer as operações permitidas.

Assim, é possível somar a linha 2 (que contém o elemento 3 que queremos zerar)
com a linha 1 (do pivô) multiplicada por algum número não nulo k. Vejam que
esta é a terceira operação entre linhas de matrizes.
Todo o esforço se reduz a determinar qual o número k que, multiplicado

com a linha do pivô (no caso a linha 1) e somado com a linha do elemento a zerar
(no caso, a linha dois), consegue zerar o elemento efetivamente.
Para determinar esse escalar k basta dividir o elemento que se deseja zerar
3
pelo oposto do pivô. Ou seja: k = =-3
( - 1)
E
IMPORTANT
Note que dividimos o 3 (elemento que queremos zerar) pelo (-1), que é o oposto
de 1. Essa “troca” de sinal é o que caracteriza o oposto do pivô, e sempre terá que ocorrer para
determinar o escalar c.
63
Definido o escalar k, a “nova” linha 2 será a soma entre a “atual” linha 2

com a linha do pivô multiplicado por K (ou seja, com a linha 1 multiplicado por -3).
Teremos então:
1 2 2 3  1 2 2 3   1 2 2 3 
     
3 7 5 1  ~  3 - 3 ⋅ 1 7 - 3 ⋅ 2 5 - 3 ⋅ 2 1 - 3 ⋅ 3  ~  0 1 - 1 -8 
 2 4 4 4   2 4 4 4   2 4 4 4 

L2→ L2 + ( - 3 ) × L1
Conseguimos zerar o elemento 3 da linha 2. Agora, repetiremos o processo

para zerar o elemento a 31 = 2 . Ainda usaremos como base a linha 1, pois o pivô
pertence a esta linha.
2
Determinando o c: k = =-2
( - 1)
Continuando o processo:
1 2 2 3   1 2 2 3  1 2 2 3
     
0 1 - 1 - 8  ~  0 1 -1 -8  ~ 0 1 -1 -8 
 2 4 4 4   2-2 ⋅ 1 4-2×2 4-2 ⋅ 2 4-2 ⋅ 3  0 0 0 - 2 
 
L 3 →L 3 + ( - 2 ) × L 1
Assim, já obtemos a matriz na forma escalonada.

 2 5 1
 
Exemplo 2: Escalonar a matriz A, determinada a seguir: A =  - 5 1 6 
 2 2 0 
Como, para determinar o escalar k devemos dividir o elemento que

queremos zerar pelo pivô, se o pivô for igual a 1, o trabalho será reduzido. Com
isso, sempre que possível, fazemos o pivô “virar” 1 multiplicando a linha por um
número (segunda operação).
Nesse caso, ficaria ainda mais fácil se nós permutarmos a linha 3 com a
linha 1, antes de nos preocuparmos em transformar o pivô em valor 1. Isso porque
todos os elementos da linha 3 são pares, enquanto o mesmo não ocorre com os
elementos da linha 1. Logo,
64
 2 5 1  2 2 0  1 1 0
     
A = - 5 1 6  ~ - 5 1 6  ~ - 5 1 6 
 2 2 0   2 5 1   2 5 1 
 
  

L 1 ↔ L3  1
L1 →   ⋅ L1
 2
Observe que trocamos a linha 1

pela linha 3 (L1↔L3) e, após isso,
multiplicamos a linha 1 por ½.
Nosso primeiro pivô então será o elemento a11=1, e teremos que zerar os
elementos a21= -5 e a31= 2.
Para zerar a21= -5, determinamos o k: k =

( -5 ) =5
( -1 )
Então:
 1 1 0   1 1 0  1 1 0
     
A ~ - 5 1 6  ~  - 5 + 5 ⋅ 1 1 + 5 ⋅ 1 6 + 5 ⋅ 0  ~  0 6 6 
 2 5 1   2 5 1   2 5 1 
 
L 2 →L 2 + 5 ⋅ L 1
2
Para zerar a31= 2, determinamos o k: k = =-2
( - 1)
Então:
 1 1 0   1 1 0   1 1 0 
     
A~  0 6 6  ~  0 6 6  ~  0 6 6 
 2 5 1   2 - 2 ⋅ 1 5 - 2 ⋅ 1 1 - 2 ⋅ 0   0 3 1 
 
L 3 →L 3 + ( - 2 ) ⋅ L1
A matriz ainda não está escalonada, pois abaixo do pivô a22 = 6 temos um
elemento diferente de zero. Temos que zerá-lo, mas antes podemos fazer nosso
pivô se transformar em 1. Essa transformação é feita no intuito de facilitar os
próximos cálculos. Logo,
65
 1 1 0   1 1 0 
   
A~  0 6 6  ~  0 1 1 
 0 3 1   0 3 1 
 
 1
L 2 →  ⋅ L 2
6
Temos agora o pivô a22 = 1. Portanto, o escalar k necessário para zerar o

3
elemento a32=3 será dado por: k = =-3
( -1 )
Então,
1 1 0  1 1 0  1 1 0 
     
A~ 0 1 1  ~  0 1 1  ~ 0 1 1 
 0 3 1   0 - 3 ⋅ 0 3 - 3 ⋅ 1 1 - 3 ⋅ 1   0 0 -2 

L 3 →L 3 + ( - 3 ) ⋅ L2
E
IMPORTANT
Note que a linha base nesta última etapa é a segunda. Isso ocorre porque o pivô
está nesta linha. Note também que não utilizamos o sinal de = entre as matrizes, simplesmente
porque as matrizes não são iguais, apenas conservam propriedades importantes entre si.
 1 -1 2 0 1 
Exemplo 3: Seja a matriz A =  2 2 5 4 0  , escreva na forma
escalonada.  1 1 3 2 2 
Neste exemplo só colocaremos os cálculos. Veja se você consegue

acompanhá-lo. Para isso, preste atenção na representação das operações que
estamos fazendo abaixo da matriz.
66
1 - 1 2 0 1   1 -1 2 0 1 
   
A = 2 2 5 4 0  ~ 2-2 ⋅ 1 2-2 ⋅ ( -1 ) 5 - 2 ⋅ 2 4 - 2 ⋅ 0 0 - 2 ⋅ 1 ~
 1 1 3 2 2   1 1 3 2 2 

 
L 2 →L 2 + ( - 2 ) ⋅ L1
 1 -1 2 0 1   1 -1 2 0 1 
   
~ 0 4 1 4 -2  ~  0 4 1 4 -2  ~
 1 1

3 2 2   1 - 1 ⋅ 1 1 - 1 ⋅

( -1 ) 3 - 1 ⋅ 2 2 - 1 ⋅ 0 2 - 1 ⋅ 1
L 3 →L 3 + ( - 1 ) ⋅ L1
1 - 1 2 0 1   1 -1 2 0 1
   
~ 0 4 1 4 - 2  ~  0 2 1 2 1 ~
0 2 1 2 1   0 4 1 4 - 2 
   
L 2 ↔L 3 L 3 →L 3 + ( - 2 ) ⋅ L2
 1 -1 2 0 1   1 -1 2 0 1 
   
~  0 2 1 2 1  ~  0 2 1 2 1 
 0 4 - 2 ⋅ 2 1 - 2 ⋅ 1 4 - 2 ⋅ 2 - 2 - 2 ⋅ 1  0 0 -1 0 -4 
Pronto, a matriz está escalonada.
3.3 O ESCALONAMENTO NO CÁLCULO DO DETERMINANTE

A propriedade oito dos determinantes afirma que “O determinante
associado a uma matriz triangular é igual ao produto da diagonal principal”.
Assim, quando temos uma matriz em sua forma escalonada, basta multiplicarmos
os elementos da diagonal principal para obtermos seu determinante.
É necessário lembrar que, para escalonar uma matriz, usamos três

operações:
• Multiplicar: podemos multiplicar uma linha inteira por uma constante não nula.
• Trocar ou permutar: podemos trocar duas linhas inteiras entre si.
• Somar ou subtrair: um múltiplo de uma linha a outra linha.
Confrontando estas operações com as propriedades quatro, cinco e sete,

dos determinantes, podemos concluir que ao multiplicarmos uma linha por uma
constante não nula, o determinante da nova matriz é o anterior multiplicado pela
constante. Quando trocamos a posição de uma linha, o determinante da nova
matriz é o anterior com o sinal trocado. E, ao somarmos o múltiplo de uma linha
a outra, o determinante de uma matriz não se altera.
67
Pelas afirmações e propriedades citadas, note que devemos tomar

cuidados e lembrar de fazermos as devidas correções ao final do cálculo, para
assim reduzir o determinante a um produto dos termos da diagonal principal.
Vejamos como calcular o determinante por meio do escalonamento.
1 1 2
Exemplo 1: Dada a matriz A = - 2 5 1 , calcular o determinante.
2 2 1
1 1 2 1 1 2 1 1 2
-2 5 1 � 0 7 5 � 0 7 5
2 2 1 2 2 1 0 0 -3

 
L 2 →L 2 + 2 ⋅ L 1 L 3 →L 3 + ( - 2 ) ⋅ L1
Chegamos em uma matriz triangular, assim, para calcular o determinante,

basta multiplicarmos os termos da diagonal principal: 1·7·(-3) = -21. Portanto, o
determinante da matriz é igual a -21.
Veja que, nesse caso, não foi necessário fazer nenhuma correção sobre o
valor encontrado, pois não multiplicamos nenhuma linha por uma constante e
nem permutamos duas linhas.
Exemplo 2: Por escalonamento, calcule o determinante da matriz
 1 2 3 
 
B=  2 2 3  .
 - 2 5 0 
1 2 3 1 2 3 1 2 3 1 2 3 1 2 3
A= 2 2 3 ~ 0 -2 -3 ~ 0 -2 -3 ~ ( -2 ) . 0 1 32 ~ ( -2 ) . 0 1 3
2
-2 5 0 -2 5 0 0 9 6 0 9 6 0 0 - 15
2

   
 
L 2 →L 2 + ( - 2 ) ⋅ L1 L 3 →L 3 + 2 ⋅ L 1  1 L 3 →L 3 + ( - 9 ) ⋅ L2
L 2 → -  × L 2
 2
1 2 3
 15  15
Da última matriz, temos que: 0 1 3
2 = 1 ⋅ 1 ⋅ -  =-
 2 2
0 0 - 15
2
68
Porém, para chegarmos à última matriz, multiplicamos a linha dois

por -½. Assim, o determinante da última matriz deve ser multiplicado por (-2):
 15 
det ( A ) = ( -2 ) ⋅ -  = 15
 2 
3.4 O ESCALONAMENTO NO CÁLCULO DA MATRIZ

INVERSA
No tópico anterior aprendemos a calcular a matriz inversa de matrizes
de segunda ordem. Porém, para matrizes de ordem maiores, os sistemas se
tornam mais complexos, por isso estudaremos o método de escalonamento para
o cálculo da matriz inversa. Esse método é de fácil generalização, portanto vale a
pena aprender a fazê-lo de maneira correta, para utilizar quando for necessário
determinar matrizes de ordem grande.
Iniciaremos com exemplos de matrizes de ordem 2, depois faremos um de

ordem 3 para que você perceba que o processo é o mesmo.
1 4 
Exemplo 1: Determine a inversa da matriz, A =  .
 3 11 
Resolução: O primeiro passo será escalonar A. Para isso, vamos escrever

1 4 1 0
a matriz estendida de A da seguinte maneira  | 
 3 11 0 1 
Veja que essa matriz estendida possui a matriz A do lado esquerdo do

traço vertical e a matriz identidade do lado direito do traço vertical.
O objetivo agora é fazer operações sobre as linhas da matriz (as mesmas

utilizadas no escalonamento) para transformar a matriz A que aparece no lado
esquerdo do traço vertical em uma matriz identidade.
1 4 1 0  1 4 1 0 
 |  ~  |  ~
3 11 0 1   - 3 + 3 - 12 + 11
 -3+0 0+1 

 3 
L 2 →L 2 +   ⋅ L 1
 - 1
1 4 1 0  1 4 1 0   0 + 1 - 4 + 4 - 12 + 1 4 + 0 
~  | ~ |  ~  |  ~
0 -1
 - 3 1  0 1 3 -1   0 1 3 -1 
   
L2→ - 1 ⋅ L2  4 
L 1 →L 1 +   ⋅ L 2
 - 1
69

 3 
L 2 →L 2 +   ⋅ L 1
 - 1
1 4 1 0  1 4 1 0   0 + 1 - 4 + 4 - 12 + 1 4 + 0 
~ | ~ | ~ | ~
0 - 1 - 3 1  0 1
 3 -1   0 1 3 -1 
   
L2→ - 1 ⋅ L2  4 
L 1 →L 1 +   ⋅ L 2
 - 1
 1 0 -11 4 
~ | 
 0 1 3 -1 
No lado esquerdo do traço está a matriz identidade. Nesse momento, a

matriz inversa de A aparece do lado direito do traço direito, ou seja,
 - 11 4 
A- 1 =  .
 3 -1 
UNI
Viu como não é difícil? Basta utilizar operações sobre linhas de matrizes para
chegar na matriz inversa.
Exemplo 2: Dada a matriz A, determine a sua inversa.
 1 2 2 
 
A=  3 7 4 
 1 5 -3 
 
Resolução: Iniciamos escrevendo a matriz expandida:

 1 2 2 1 0 0
 
 3 7 4 | 0 1 0
 1 5 -3 0 0 1 

Agora, vamos utilizar as operações sobre linhas de matrizes para chegar à

matriz identidade do lado esquerdo do traço vertical da matriz expandida:
70
1 2 2 1 0 0  1 2 2 1 0 0 
   
3 7 4 | 0 1 0 ~ - 3 + 3 - 6 + 7 - 6 + 4 | - 3 + 0 0 + 1 0 + 0 ~
1 5 - 3 0 0 1   - 1 + 1 - 2 + 5 - 2 - 3 - 1 + 0 0 + 0 0 + 1 
 
 3 
L 2 →L 2 +   ⋅ L 1
 - 1
 1 
L 3 →L 3 +   ⋅ L 1
 - 1
1 2 2 1 0 0   0+1 -2+2 4+2 6+1 -2+0 0+0 

   
~ 0 1 - 2 | - 3 1 0  ~  0 1 -2 | -3 1 0 
0 3 - 5 - 1 0 1   0 + 0 - 3 + 3 6 - 5 9-1 -3+0 0+1 
  
 2 
L 1 →L 1 +   ⋅ L 2
 - 1
 3 
L 3 →L 3 +   ⋅ L 2
 - 1
 1 0 6 7 -2 0   0 + 1 0+0 -6+6 - 48 + 7 18 - 2 - 6 + 0 
   
~  0 1 -2 | -3 1 0  ~  0+0 0+1 2-2 | 16 - 3 -6+1 2+0 
 0 0 1 8 -3 1   0 0 1 8 -3 1 
   
 6 
L 1 →L 1 +   ⋅ L 3
 - 1
-2
L 2 →L 2 +   ⋅ L 3
 - 1
 1 0 0 - 41 16 - 6 
 
~  0 1 0 | 13 -5 2 
 0 0 1 8 -3 1 

Pronto, chegamos à matriz inversa do lado direito do traço vertical da

matriz expandida.
 - 41 16 - 6 
-1  
A =  13 -5 2 
 8 -3 1 

E
IMPORTANT
Refaça os cálculos do escalonamento num rascunho para entender bem

o procedimento. É muito importante que você não continue sem ter certeza de que
compreendeu o processo.
71
RESUMO DO TÓPICO 2
Neste tópico você aprendeu que:
• Toda matriz quadrada A tem um número relacionado a ela denominado

determinante de A.
• O determinante da matriz de ordem 1 é igual ao elemento da matriz.
• Para calcular o determinante da matriz de ordem 2, fazemos o produto dos

elementos da diagonal principal menos o produto dos elementos da diagonal
secundária.
• A regra de Sarrus é utilizada para calcular o determinante de matrizes de

ordem 3.
• Ao escalonar uma matriz, mantemos propriedades importantes e facilitamos

alguns cálculos, como o cálculo do determinante e da matriz inversa.
• As operações elementares entre linhas de matrizes se constituem de três

operações básicas:
o Multiplicar: podemos multiplicar uma linha inteira por uma constante não
nula. Simbolizamos por: L i = α . L i ( α ∈ � * ) .
o Trocar ou permutar: podemos trocar duas linhas inteiras entre si.
Simbolizamos por: Li = Lk.
o Somar ou subtrair: um múltiplo de uma linha a outra linha. Simbolizamos
por: L i = Li + α . L k (α ∈ � * ) .
 a b
• A matriz inversa da matriz A =   pode ser obtida utilizando
determinante. Assim,  c d
 d -b 
 
det ( A ) det ( A ) 
A- 1 =
 -c a .
 
 det ( A ) det ( A ) 

72
AUTOATIVIDADE
Prezado(a) acadêmico(a), chegou a hora de você testar seus

conhecimentos sobre o cálculo dos determinantes e suas propriedades. Lápis e
borracha em mãos e boa atividade!
1 Se A = ( aij ) é matriz quadrada de ordem 3 tal que aij = i - j então podemos

afirmar que o seu determinante é igual a:
a) 0 b) 1 c) 2 d) 3 e) - 4
2 1 3
2 Encontre a solução da equação 4 -1 n - 1 = 12 .
n 0 n
 1 0 2 -1 
 
2 1 3 -2 
3 (UFBA-90) Calcule o determinante da matriz: A = 
 0 0 2 3 
 
 1 -1 0 2 
4 Dadas as matrizes:
 1, se i + j ≠ 4  1, se i + j ≠ 4
( )
A = a ij , com a ij =  ( )
e B = b ij , com b ij = 
3x4
 -1, se i + j = 4
4x3
- 1, se i + j = 4
Calcule o determinante de AB.
5 Aplicando a regra da Sarrus, calcule os determinantes:

 3 2 -1   2 1 -2 
   
a)  5 0 4  b)  3 -1 0 
 2 -3 1   4 1 - 3 
 
 2 3 -2 
 
6 Resolva a equação  0 1 x  =2.
 2 x -3 
 
 x+1 3 x 
 
7 Seja a matriz quadrada A =  3 x 1  Calcule x de modo que det
A=0  x 2 x-1 
 
73
8 (Esam-RN) Assinale a proposição verdadeira:
a) ( ) Se M e N são matrizes quadradas de mesma ordem, então det(M·N)= det

M·det N.
b) ( ) Se A é uma matriz quadrada de segunda ordem e k ∈ R * , então det (kA)
= k·det A.
c) ( ) Se det A = 0, então a matriz A é nula.
d) ( ) Se det A = 0, então qualquer que seja a matriz X, de mesma ordem que A,
tem-se AX = 0.
e) ( ) O determinante da matriz resultante da soma de duas matrizes de mesma
ordem é igual à soma dos determinantes dessas matrizes.
1 2   3 -1 
9 Dadas as matrizes A =   eB=   ,calcule det A + det B e det ( A + B ).
1 0   0 1 
10 O valor de um determinante é 42. Se dividirmos a primeira linha por 7 e

multiplicarmos a primeira coluna por 3, qual será o valor do novo determinante?
11 Calcule os determinantes, utilizando o Teorema de Laplace.

Obs.: Se aplicar as propriedades dos determinantes, justifique a resposta.
 6 3 -9 4   1 1 3 1 
   
6 5 -9 2 2 6 6 4
a)   b)  
 6 2 -9 -1   2 5 3 3 
   
 6 0 -9 3   1 1 1 1 
 1 1 0 3  1 0 0 0 
   
0 -2 1 -2   -1 -2 0 0 
12 Sejam as matrizes: A =  e B=
 0 0 1 0  2 1 51 103
   
 0 0 0 3   - 3 c) 5 3 4x 0 31 = 100
7x 2 1
Então, calcule o det (A B).
x+3 x+1 x+4

13 Resolva as equações:
d) 4 5 3 =-7
4 6 x 5 1 3 9 10 7
a) 5 2 - x = - 128 c) 3 x 0 1 = 100
74 2x 7x 2 1 2 0 0
2
e) 0 x -1 0 =0
3 5 7 x+3 x+1 x+4 0 0 5x+1
b) 2 x x 3 x = 39 d) 4 5 3 =-7
4 6 7 9 10 7
2 0 0
74
2
UNIDADE 1
TÓPICO 3
SISTEMAS LINEARES E SEU ENSINO
1 INTRODUÇÃO
Você já iniciou os estudos sobre sistemas lineares no Ensino Fundamental
e no Ensino Médio. Reviu estes conceitos na disciplina de Introdução ao Cálculo
e agora vamos ampliá-los, buscando resolvê-los através do escalonamento e dos
determinantes. Saiba que a solução de equações lineares é o problema central da
álgebra linear.
Em todas as disciplinas específicas do seu curso, os autores buscaram

apresentar problemas práticos no intuito de mostrar a aplicabilidade dos conceitos.
Desta forma, se pensarmos na matemática como uma ciência a ser aplicada em
problemas práticos, os sistemas lineares são a chave para as soluções desses
problemas. Então, todos os problemas são resolvidos por um sistema linear?
Claro que não, mas boa parte deles sim. Assim, sua importância é gigantesca.
2 EQUAÇÃO LINEAR
É toda equação da forma: a1 x1 + a 2 x 2 +  + a n x n = b , onde a1 , a 2 ,  , a n

são números reais que recebem o nome de coeficientes das incógnitas x1 , x 2 ,  x n
e b é um número real chamado termo independente.
E
IMPORTANT
Quando b = 0, a equação recebe o nome de linear homogênea.
75
São exemplos de equações lineares:
1) 5 x - 2 y + 8 z = 9
2) x + y - 3 z - 2t = 0 ( equação linear homogênea )
3) 3 x + 2 z = 5 t - y + 6
São exemplos de equações não lineares:
1) x y + 2 z - t = 4
2) x 2 - 2 y = 4 t - 5
3) x -2z=y+7
2.1 SISTEMAS DE EQUAÇÕES LINEARES

Um sistema de equações lineares pode ser definido como um conjunto de
n equações com n variáreis independentes entre si, na forma genérica como:
a11 x1 + a12 x2 + a13 x3 + ... + a1n xn = b1

a21 x1 + a22 x2 + a33 x3 + ... + a2n xn = b2
a31 x1 + a32 x2 + a33 x3 + ... + a3n xn = b3
    
an1 x1 + an2 x2 + an3 x3 + ... + ann xn = bn
na qual aij (i, j = 1, 2, 3, 4, ..., n) são os coeficientes do sistema de equações xi (i = 1,

2, 3, 4, ..., n) são as n incógnitas de bi (i = 1, 2, 3, 4, ..., n) os termos independentes.
E
IMPORTANT
Dois sistemas de equações são equivalentes se, e somente se, toda a solução de
qualquer um dos sistemas também é solução do outro.
Uma solução de um sistema é uma sequência de (α 1

,α 2 ,α 3 , … ,α n )
números que satisfaz as equações simultaneamente.
76
TÓPICO 3 | SISTEMAS LINEARES E SEU ENSINO
2.2 FORMA MATRICIAL

As equações lineares podem ser descritas na forma matricial como A·X =
B, na qual:
 a 11 a 12 a 13 a 1n  X 1  b1 
     
a a 22 a 23 a 2n X 2  e B =  b 2  para o qual:
A =  21  ,X=
 … … … …     
     
 a m1 a m2 a m3 a mn  X n  bn 
 a 11 a 12 a 13 a 1n  X 1  b 1 
     
 a 21 a 22 a 23 a 2n  ⋅ X 2  = b 2 
 … … … …  …  … 
     
 a m1 a m2 a m3 a mn  X n  b n 
Matriz dos resultados ou

Matriz dos coeficientes. Matriz das incógnitas. dos termos independentes.
2.3 MATRIZES ASSOCIADAS A UM SISTEMA LINEAR

A um sistema linear podemos associar as seguintes matrizes:
Matriz incompleta: é a matriz formada apenas pelos coeficientes das

incógnitas do sistema. Em relação ao sistema:
2x+3y-z=0  2 3 -1 
  
 4 x + y + z = 7 a matriz incompleta é: A =  4 1 1
-2x+y+z=4 - 2 1 1 

Matriz completa: é a matriz que se obtém acrescentando à matriz

incompleta uma última coluna formada pelos termos independentes das equações
do sistema. Assim, para o mesmo sistema acima, a matriz completa é:
 2 3 -1 0 
 
B=  4 1 1 7 
 - 2 1 1 4 
77
2.4 CLASSIFICAÇÃO DE UM SISTEMA LINEAR

Acadêmico(a), ao longo de sua jornada você já estudou por diversas vezes
a classificação de um sistema linear, mas vale lembrar que um sistema linear
pode ser classificado como sendo de possível ou impossível solução. No caso
de ser um sistema linear de possível solução, ele ainda pode ser: determinado
ou solução única ou então, indeterminado ou de infinitas soluções. E, no caso de
ser um sistema linear impossível, ele não terá solução. Assim, temos três tipos de
sistemas lineares:
Sistemas Possíveis e Determinados (SPD)
Quando só há uma possibilidade de resposta para x1, x2, x3,…, xn de modo

a satisfazer o sistema. Por esse motivo, dizemos que é determinado: há uma única
solução.
Um sistema apresentar uma única solução significa que as equações que o

compõem são retas concorrentes cujo ponto de intersecção é a solução do sistema.
a 21 x 1 + a 22 x 2 = b 2
a 11 x 1 + a 12 x 2 = b 1
 a 11 x 1 + a 12 x 2 = b 1
Solução (x 1
, x2)
 ⇒
 a 21 x 1 + a 22 x 2 = b 2
Sistemas Possíveis e Indeterminados (SPI)
Nesse tipo de sistemas há infinitas possibilidades de combinações para x1,

x2, x3,…, xn que satisfazem o sistema linear. Logo, este sistema é possível, mas é
indeterminado, pois não há uma única e determinada solução, mas infinitas.
As equações que compõem o sistema representam duas retas coincidentes,

ou seja, estão uma “em cima” da outra. Como todos os pontos de uma também
são pontos da outra, isso acarreta em todos os pontos de uma das retas (que são
infinitos) serem soluções do sistema.
78
a 21 x 1 + a 22 x 2 = b 2
Qualquer ponto
da reta é solução
 a 11 x 1 + a 12 x 2 = b 1 do sistema
 ⇒
 a 21 x 1 + a 22 x 2 = b 2
a 11 x 1 + a 12 x 2 = b 1
Sistemas Impossíveis (SI)
Como o próprio nome diz, são os sistemas que não têm soluções, ou
seja, não há combinação possível para x1, x2, x3,…, xn de modo a satisfazer,
simultaneamente, todas as m equações do sistema.
As retas que compõem o sistema são paralelas entre si, ou seja, não há
ponto em comum entre elas. Logo, não há solução possível.
a 11 x 1 + a 12 x 2 = b 1
a 21 x 1 + a 22 x 2 = b 2
 a 11 x 1 + a 12 x 2 = b 1 Não há solução
 ⇒
 a 21 x 1 + a 22 x 2 = b 2
x+y=8
Exemplo 1: O sistema  tem solução única: o par ordenado (3,5).
2x-y=1
Portanto, o sistema linear é possível e determinado.
79
x+y=8
Exemplo 2: O sistema  tem infinitas soluções. Algumas são
 2 x + 2 y = 16
dadas pelos pares ordenados: (0, 8), (1, 7), (2, 6), (3, 5), (4, 4), (5, 3),.... Portanto, o
sistema é possível e indeterminado.
 x + y = 10
Exemplo 3: O sistema  não tem um par ordenado que satisfaz
 - x - y = 10
simultaneamente as equações. Portanto, o sistema é impossível.
3 RESOLUÇÃO DE UM SISTEMA LINEAR

As técnicas de adição e substituição não serão abordadas aqui, pois já
foram estudadas detalhadamente na disciplina de Introdução ao Cálculo. Caso
restem dúvidas, retome esse material.
Neste momento ampliaremos esse estudo, conhecendo a Regra de Cramer

e o Método de Gauss-Jordan para resolver sistemas lineares.
3.1 REGRA DE CRAMER

A Regra de Cramer afirma que todo sistema normal tem uma única
Dxi
solução dada por: Xi = em que i∈{ 1,2,3,...,n}, D = det A é o determinante
D
da matriz incompleta associada ao sistema, e Dxi é o determinante obtido pela
substituição, na matriz incompleta, da coluna i pela coluna formada pelos termos
independentes.
Vejamos alguns exemplos:
Exemplo 1: Resolver, com o auxílio da Regra de Cramer, o sistema:

2 x + y = 7

2 x - 3 y = 3
Resolução: Iniciamos calculando o determinante da matriz D, que é

2 1
formada pelos coeficientes das incógnitas. D = =-6-2=-8 ≠ 0
2 -3
80
Agora, para determinarmos o valor da incógnita x, devemos

primeiramente calcular o determinante da matriz Dx, que é a matriz D com a
coluna dos coeficientes da incógnita x substituídos pelos termos independentes
7 1
(coluna dos resultados). D x = = - 21 - 3 = - 24
3 -3
Dx - 24
Obtemos o valor da incógnita x dividindo Dx por D . x = = =3
D -8
Para determinarmos o valor da incógnita y, o processo é igual. Começamos

2 7
calculando o determinante D y . D y = = 6 - 14 = - 8
2 3
Dy -8
E agora, obtemos o valor da incógnita y dividindo Dy por D . y = = =1
D -8
Desta forma, o sistema linear tem como solução {(3, 1)}, sendo um sistema
possível determinado (SPD) e tem como representação geométrica duas retas
concorrentes.
2x+3y=5
Exemplo 2: Resolver o sistema  utilizando a regra de Cramer:
3x -2y=1
Resolução:
2 3
D= = ( - 4 ) - ( 9 ) = -13
3 -2
5 3
Dx = = ( - 10 ) - ( 3 ) = - 13
1 -2
2 5
Dy = = ( 2 ) - ( 15 ) = -13
3 1
Dx - 13
x= = =1
D - 13
Dy - 13
y= = =1
D - 13
81
Desta forma, o sistema linear tem como solução {(1, 1)}, sendo um sistema
possível determinado (SPD) e tem como representação geométrica duas retas
concorrentes.
x-y=3
Exemplo 3: Resolver o sistema  , utilizando a regra de Cramer:
3 x - 3 y = 6
Resolução:
1 -1
D= =(-3)-(-3)=0
3 -3
3 -1
Dx = =(-9)-(-6)=-3
6 -3
1 3
Dy = =(6)-(9)=-3
3 6
Dx -3
x= = → SI
D 0
Dy -3
y= = → SI
D 0
Desta forma, o sistema linear não tem solução, sendo um sistema

impossível (SI) e tem como representação geométrica duas retas paralelas.
x+2y-z=2

Exemplo 4: Calcular os valores de x, y e z, no sistema  2 x - y + 3 z = 9 .
3x+3y-2z=3

Resolução: O processo é igual ao sistema 2x2, o que aumenta é a dificuldade

para calcular o determinante, que agora será 3x3. Vamos iniciar calculando
o determinante da matriz D, depois Dx, Dy e Dz e os respectivos valores das
incógnitas.
82
1 2 -1 1 2
D= 2 -1 3 2 -1 = ( 2 + 18 - 6 ) - ( 3 + 9 - 8 ) = 14 - 4 = 10
3 3 -2 3 3
2 2 -1 2 2
Dx = 9 -1 3 9 -1 = ( 4 + 18 - 27 ) - ( 3 + 18 - 36 ) = - 5 + 15 = 10
3 3 -2 3 3
Dx 10
x= = =1
D 10
1 2 -1 1 2
Dy = 2 9 3 2 9 = ( - 18 + 18 - 6 ) - ( - 27 + 9 - 8 ) = - 6 + 26 = 20
3 3 -2 3 3
Dy 20
y= = =2
D 10
1 2 2 1 2
Dz = 2 -1 9 2 -1 = ( - 3 + 54 + 12 ) - ( - 6 + 27 + 12 ) = 63 - 33 = 30
3 3 3 3 3
Dz 30
z= = =3
D 10
Desta forma, a solução deste sistema é {(1, 2, 3)}.
TURO S
ESTUDOS FU
A representação em R3 será abordada na próxima unidade.
83
3.2 SISTEMAS EQUIVALENTES

Dois sistemas são ditos equivalentes quando possuem o mesmo conjunto
 x+y=3 x+y=3
solução. Exemplo: Sendo S 1 =  e S2 =  o par ordenado (x,
2 x + 3 y = 8 x + 2 y = 5
y) = (1, 2) satisfaz ambos e é único. Logo, S1 e S2 são equivalentes: S1 ~ S2 .
3.2.1 Propriedades dos sistemas equivalentes

A seguir, apresentamos as propriedades que irão nos auxiliar a trabalhar
com sistemas equivalentes.
Propriedade 1: Trocando de posição as equações de um sistema, obtemos

um outro sistema equivalente.
 x + y + 2 z = 1 (I) x - z = 3 (II)
 
Exemplo: Sendo, S 1 =  x - z = 3 (II) e S2 =  y + z = 2 (III)
 y + z = 2 (III)  x + y + 2 z = 1 (I)
 
temos, S 1 ~ S 2 .
Propriedade 2: Multiplicando uma ou mais equações de um sistema por

um número real não nulo k, obtemos um sistema equivalente ao anterior.
 x + 2 y = 3 ( I )
Exemplo: Dado S 1 =  , multiplicando a equação (II) por
 x - y = 0 ( II )
 x+ 2y=3  x+2y=3
3, obtemos: S 2 =  ⇒ S2 = 
(x- y=0) ⋅ 3 3 x - 3 y = 0
Propriedade 3: Adicionando a uma das equações de um sistema o produto

de outra equação desse mesmo sistema por um número real não nulo k, obtemos
um sistema equivalente ao anterior.
 x + 2 y = 4 ( I )
Exemplo: Dado S 1 =  substituindo neste sistema a
 x - y = 1 ( II )
equação (II) pela soma da equação (I), multiplicada por (-1), com a equação (II),
obtemos:
84
-x-2y=-4
' ( x + 2 y = 4) ⋅ (-1) '  x+2y=4
S1 =  ⇒ S1 =  x-y=1 . Logo: S 2 = 
x- y=1 -3y=-3  -3y=-3

Assim, S1 ~ S2, pois (x, y) = (2, 1) é solução de ambos os sistemas.
3.3 SISTEMAS ESCALONADOS – MÉTODO DE GAUSS

Você deve ter percebido que a Regra de Cramer não nos permite
determinar soluções para sistemas que não tenham o mesmo número de equações
e incógnitas. Para estes casos e quando queremos resolver sistemas lineares cujo
número de equações (e de incógnitas) excede três, é indicado que utilizemos o
Método de Gauss, que utiliza o escalonamento de matrizes na sua resolução.
Para escalonar o sistema, vamos utilizar as três operações sobre linhas de

matrizes já conhecidas, visto que verificamos, com as Propriedades de Sistemas
Equivalentes, que ao realizar estas operações obtemos sistemas equivalentes.
Vejamos alguns exemplos:
Exemplo 1: Dê a solução do sistema linear a seguir, utilizando o

escalonamento de matrizes.
4x-8y+z=-5

x-y+2z=-2
2x-3y+3z=-4

Resolução: Escrevendo a matriz completa relacionada ao sistema, temos:
 4 -8 1 -5 
 
 1 -1 2 | -2 
 2 -3 3 -4 
 
A seguir, vamos escalonar a matriz utilizando as operações sobre linhas

da matriz para deixá-la escrita sob forma de escada:
 4 -8 1 -5   1 -1 2 -2 
   
 1 -1 2 | -2  ~  4 -8 1 | -5 
 2 -3 3 - 4   2 - 3 3 -4 
  
L 1↔ L 2
85
Utilizando o elemento a 11 = 1 como pivô para zerar os elementos abaixo

dele.
 1 -1 2 -2   1 -1 2 -2 
   
 4 -8 1 | -5  ~  0 -4 -7 | 3 
 2 -3 3 - 4   0 - 1 - 1 0 
  
L 2 →L 2 + ( - 4 ) ⋅ L1
L 3 →L 3 + ( - 2 ) ⋅ L1
 1 -1 2 -2   1 -1 2 - 2
   
Permutando as linhas 2 e 3:  0 - 4 - 7 | 3  ~  0 -1 -1 | 0
 0 -1 -1 0   0 -4 -7 3 
 
L2 ↔ L3
Agora, usaremos o elemento a 22 = - 1 como pivô para zerar o elemento

a 31 abaixo dele.
 1 -1 2 -2   1 -1 2 -2 
   
 0 -1 -1 | 0  ~  0 -1 -1 | 0 
 0 -4 -7 3   0 0 -3 3 
  
L 3 →L 3 + ( - 4 ) ⋅ L2
Por fim, façamos a leitura das linhas das matrizes, iniciando pela última linha:
3ª linha:
-3z=3
3
z=
-3
z=-1
2ª linha:
z=-1
-y-z=0
-y- ( -1 ) =0
-y+1=0 -y = - 1
y=1
86
1ª linha:
x-y+2z=-2
x- ( 1 ) +2 ⋅ ( -1 ) =-2
x-1-2=-2
x=-2+1+2
x=1
Portanto, a solução do sistema linear dado é S = {( 1 , 1 , - 1 )}
ATENCAO
Veja que, quando representamos a solução do sistema linear, respeitamos a

ordem das incógnitas, x, y, z (em ordem alfabética). Essa ordem é importante e não pode ser
mudada ao escrevermos a solução nessa representação.
 3 x 1 - 2 x 2 + 5 x 3 = 10
Exemplo 2: Resolva o sistema:  x 1 + x 2 + 2 x 3 = 12
 - 4 x - 3 x + x = - 34
 1 2 3
Resolução: Escrevendo a matriz completa do sistema, temos:

 3 -2 5 10 
 
 1 1 2 | 12 
 -4 -3 1 - 34 
 
Para escalonar essa matriz, podemos utilizar todas as operações sobre

linhas de matriz. Como é sempre útil deixar o pivô valer 1, vamos permutar
(trocar) a linha 1 pela linha 2:
 3 -2 5 10   1 1 2 12 
   
 1 1 2 | 12  �  3 - 2 5 | 10 
 - 4 - 3 1 - 34  - 4 - 3 1 - 34 
    
L 1 ↔L 2
87
Usando o elemento a11 = 1 como pivô para zerar os elementos a21 = 3 e a31
= -4, teremos:
 1 1 2 12   1 1 2 12 
   
 3 - 2 5 | 10  ~  3 - 3 -2-3 5 - 6 | 10 - 36 
- 4 - 3 1 - 34   - 4 + 4 -3+4 1+8 - 34 + 48 
  
 3 
L2 →L2 +   ⋅ L1
 - 1
-4
L3 → L3 +   ⋅ L1
 - 1
 1 1 2 12 
 
Logo,  0 - 5 - 1 | - 26 
 0 1 9 14 
 
Permutando a linha 2 com a linha 3, para ficarmos com o pivô a22 = 1,

teremos:
 1 1 2 12   1 1 2 12 
    .
 0 - 5 - 1 | - 26  ~  0 1 9 | 14 
 0 1 9 14   0 - 5 - 1 - 26 
   
L 2 ↔L 3
Utilizando o pivô a22 = 1 para zerar o elemento a32 = -5:
1 1 2 12   1 1 2 12 
   
0 1 9 | 14  ~  0 1 9 | 14 
0 - 5 - 1 - 26   0 + 0 - 5 + 5 - 1 + 45 - 26 + 70 
  
- 5
L 3 →L 3 +   ⋅ L 2
 - 1
 1 1 2 12 
 
Efetuando as operações chegamos à matriz escalonada:  0 1 9 | 14 
 0 0 44 44 

88
Lendo as linhas da matriz escalonada:
3ª Linha:
1 y + 9 z = 14
1y+9 ⋅ ( 1 ) = 14
1 y + 9 = 14
y = 14 - 9
y=5
2ª Linha:
1 y + 9 z = 14
1y+9 ⋅ ( 1 ) = 14
1 y + 9 = 14
y = 14 - 9
y=5
1ª Linha:
x + y + 2 z = 12
x+ ( 5 ) + 2 ⋅ ( 1 ) = 12
x + 5 + 2 = 12
x + 7 = 12
x = 12 - 7
x=5
Portanto, a solução do sistema é S = {( 5 , 5 , 1 )}
3 x - y + z = - 1
Exemplo 3: Resolver o sistema 
x + 2 z = 0
89
Resolução: Acadêmico(a), perceba que essa matriz tem duas equações e três
incógnitas, logo, a matriz A será de ordem 2x3. Como a matriz completa tem uma
coluna a mais (a coluna dos resultados), teremos uma matriz 2x4 como ampliada.
3x-y+z=-1  3 -1 1 -1 
 ⇒  
x+2z=0  1 0 2 0 
Note que na segunda linha não aparece incógnita y. Como a segunda

coluna representa os coeficientes da incógnita y e ela não aparece na segunda
linha, basta acrescentar o coeficiente zero como elemento correspondente.
Escalonando a matriz:
3 -1 1 -1   1 0 2 0   1 0 2 0 
  ~   ~   ~
1 0
 2 0 3 -1 1 -1 3-3 ⋅ 1 -1-3 ⋅ 0 1-3 ⋅ 2 - 1 - 3 ⋅ 0
  
L 1 ↔L 2 L 2 →L 2 + ( - 3 ) ⋅ L1
1 0 2 0 
~  
0 -1 -5 -1 
Notem que esta matriz já está escalonada e lendo as linhas dessa matriz
teremos duas equações:
1 0 2 0  x+2z=0
  ⇒ 
0 -1 -5 -1  -y-5z=-1
Isolando x na primeira equação e y na segunda, obteremos o resultado

x+2z=0 x=-2z
de x e y em função de z, ou seja,  ⇒
-y-5z=-1 y=1-5z
Portanto, existem infinitas soluções para esse sistema: para cada valor de
z que considerarmos, teremos valores x e y diferentes associados a ele, a solução
geral é representada por um ponto de três coordenadas (-2z, 1-5z, z) ou por um
 -2z 
vetor  1 - 5 z  .
 z 
Como, por exemplo:
90
para z = 0 teremos ( 0 , 1 , 0 )
para z = 1 teremos ( - 2 , - 4 , 1)
Os valores de x e y foram obtidos usando os resultados do sistema acima.

Dizemos então que z é a variável independente do sistema.
3x+y=2

Exemplo 4: Resolver o sistema  x - y = 4 .
2x-3y=6

Resolução: Iniciamos escrevendo a matriz ampliada e escalonando.
3 1 2   1 -1 4   1 -1 4   1 -1 4 
       
 1 - 1 4 ~
  3 1 2 ~
  3 - 3 ⋅ 1 1 - 3 ⋅ (-1) 2-3 ⋅ 4  ~  0 4 10  ~
 2 - 3 6   2 - 3 6   2 - 2 ⋅ 1 - 3 - 2 ⋅ ( - 1 ) 6 - 2 ⋅ 4   0 - 1 - 2 
    
L 1 ↔L 2 L 2 →L 2 + ( - 3 ) ⋅ L1 L2 ↔ L3
L 3 →L 3 + ( - 2 ) ⋅ L1
1 - 1 4   1 -1 4   1 -1 4 
     
~ 0 - 1 -2  ~  0 -1 -2  ~  0 -1 -2 
0 4 10   0 4 + 4 ⋅ ( - 1 ) 10 + 4 ⋅ ( - 2 )   0 0 2 
 
L 3 →L 3 + 4 ⋅ L 2
Pronto! A matriz já está escalonada. Lendo a última linha da matriz

escalonada, temos a seguinte equação: 0x + 0y = 2, ou seja, estamos procurando
valores de x e valores de y que a soma de seus produtos por 0 resulta em 2.
Isto é impossível, porque todo número x e todo número y multiplicados

por 0 será igual a 0, então teremos sempre, para qualquer x e y, 0 + 0 no lado
esquerdo da igualdade. E 0 + 0 é sempre igual a 0, nunca igual a 2. Portanto, esse
sistema é impossível, ou seja, não há x e y que solucione o sistema. Nesse caso,
representamos a solução como S = { } .
4 DISCUSSÃO DE UM SISTEMA LINEAR

Para discutir um sistema linear de n equações e n incógnitas, calculamos o
determinante D da matriz incompleta. Assim, se:
91
• D ≠ 0 ⇒ O sistema é possível e determinado (SPD), ou seja, tem solução única.

• D ≠ 0 ⇒ O sistema pode ser possível e indeterminado (SPI) (ter infinitas
soluções) ou impossível (SI) (não ter solução).
No caso de Di ' s , o sistema poderá ser SPI ou SI. Para identificarmos se ele
é SPI ou SI teremos que encontrar todos os Di ’s para saber se o sistema é possível
e indeterminado ou impossível. De que forma?
Se todos os Di forem iguais a 0, teremos um SPI.

Se pelo menos um Di diferente de zero, teremos um SI.
 x-y+z=3

Exemplo 1: Discutir o sistema:  2 x + y - 3 z = 4 .
3x-y+2z=6

Resolução: O primeiro passo é sempre calcular o determinante D.
1 -1 1
D= 2 1 -1 =3 ≠ 0
3 -1 2
Logo, o sistema é possível e determinado, apresentando solução única.
 x+2y+z=1

Exemplo 2: Discutir o sistema:  2 x + y - 3 z = 4 .
 3 x + 3 y -2 z = 0

Resolução: Calcular D.
1 2 1
D= 2 1 -3 =0
3 3 -2
Como o valor foi nulo, precisamos verificar se o sistema é SPI ou SI e para

isso devemos calcular os demais determinantes. Lembrando que, se algum for
diferente de zero, teremos um sistema impossível.
92
1 2 1
Dx = 4 1 -3 = 35 ≠ 0
0 3 -2
Sendo D = 0 e Dx ≠ 0 , o sistema é impossível, não apresentando solução.
x+3y+2z=1

Exemplo 3: Discutir o sistema:  - 2 x + y + z = - 2
-x+4y+3z=-1

1 3 2
Resolução: D = -2 1 1 =0
-1 4 3
Novamente, o valor foi nulo e precisamos verificar se o sistema é SPI ou SI

e para isso devemos calcular os demais determinantes.
1 3 2
Dx = -2 1 1 =0
-1 4 3
1 1 2
Dy = -2 -2 1 =0
-1 -1 3
1 3 1
Dz = -2 1 -2 =0
-1 4 -1
Logo, temos, D = 0 , D x = 0 , D y = 0 , D z = 0 . Portanto, o sistema é possível

e indeterminado, apresentando infinitas soluções.
k x + y = 3
Exemplo 4: Determinar k ∈ R , de modo que o sistema  tenha
solução. x + k y = 5
k 1
Solução: Condição: det A ≠ 0: =k2 -1 ≠ 0 ⇒ k ≠ ±1.
1 k
93
5 APLICAÇÕES DE SISTEMAS LINEARES

Conforme conversamos na introdução deste tópico, os sistemas lineares
são a chave para resolver diversos problemas nas mais variadas áreas. Desta
forma, trazemos a resolução de algumas aplicações.
Exemplo 1: (FGV-2005) Um motorista abasteceu seu carro Flex num posto

com 10 litros de álcool e 30 litros de gasolina pagando R$ 90,00. Na semana
seguinte, no mesmo posto, abasteceu com 30 litros de álcool e 20 litros de gasolina
pagando R$ 102,00. Se não houve alteração nos preços, calcule o preço do álcool
nesse posto.
Resolução: Utilizando as variáveis “x” e “y” para preços, respectivamente

do álcool e da gasolina, montamos o sistema com as informações:
 10 x + 30 y = 90

 30 x + 20 y = 102
Escalonando o sistema, encontra-se a variável “y” e em seguida “x”.
 10 x + 30 y = 90  10 x + 30 y = 90
 � 
 30 x + 20 y =102  70 y = 168
3 L1 - L2
168
Assim, y = = 2,4 Substituindo na 1ª equação, temos:
70
90 - 30 ( 2,4 ) 18
x= = = 1,8 .
10 10
Resposta: O preço do álcool vale R$ 1,80.
Exemplo 2: Em uma pastelaria, dois pastéis mais três caldos de cana

custam R$ 5,40. Cinco pastéis mais dois caldos custam R$ 9,10. Qual o preço de
quatro pastéis e quatro caldos?
Resolução: Utilizando as variáveis “x” e “y” para preços, respectivamente

do pastel e do caldo, montamos o sistema com as informações:
 2 x + 3 y = 5,40

 5 x + 2 y = 9,10
94
Escalonando o sistema, temos:
 2 x + 3 y = 5,40  2 x + 3 y =5,40
 � 
 5 x + 2 y = 9,10  11 y = 8,80
5 L 1- 2 L 2
8,80 5,40 - 3 (0,80) 3,00

Logo, y = = 0,80 e x = = = 1.50 .
11 2 2
Calculando quatro pastéis e quatro caldos: 4 . ( 0,80 ) + 4 ( 1,50 ) = 3,20 + 6,00 = R$

50 ) = 3,20 + 6,00 = R$9,20 .
Resposta: O preço pedido é R$ 9,20.
Exemplo 3: (UERJ-2004) Um comerciante deseja totalizar a quantia de R$

500,00 utilizando cédulas de um, cinco e dez reais, num total de 92 cédulas, de
modo que as quantidades de cédulas de um e de dez reais sejam iguais. Neste
caso, qual a quantidade de cédulas de cinco reais o comerciante precisará?
Resolução: Considerando “x”, “y” e “z”, respectivamente as quantidades

de moedas e cédulas de R$ 1,00, R$ 5,00 e R$ 10,00, lembrando que x = z, montamos
o sistema:
 x + y + z = 92  2 x + y = 92
 ⇒ 
 x + 5 y + 10 z = 500  11 x + 5 y = 500
Escalonando, temos:
 2 x + y = 92  2 x + y = 92
 � 
 11 x + 5 y = 500  y = 12
11 . L 1 - 2 . L 2
Resposta: Logo, são necessárias 12 cédulas de R$ 5,00.
Exemplo 4: (UNIUBE-MG) Ao descontar um cheque, recebi somente notas

de R$ 10,00 e R$ 50,00 em um total de 14 notas. Quando fui conferir, descobri que
o caixa havia se enganado, pois recebi tantas notas de R$ 50,00 quanto as de R$
10,00 que deveria ter recebido e vice-versa. Percebido o erro, verifiquei que, se
gastasse R$ 240,00 da importância recebida, ainda ficaria com o valor do meu
cheque. Qual era o valor do cheque?
95
Resolução: Considerando “x” as notas de R$ 10,00 e “y” as de R$ 50,00, o

sistema, de acordo com as informações, é:
Escalonando o sistema:
 x + y = 14  x + y = 14
 �  ⇒ x=1
 40 x - 40 y = 240  80 y = 320 ⇒ y = 4
40 . L 1 - L 2
Resposta: Logo, o valor do cheque era (10). (R$ 10,00) + (4). (R$ 50,00) = R$
300,00.
LEITURA COMPLEMENTAR
MATRIZES E CRIPTOGRAFIA
Uma forma bastante interessante de ensinar matrizes inversas e

multiplicação de matrizes é utilizando a criptografia. Vamos utilizar um método
bastante simples que envolve matrizes inversas. Sejam A e B, tal que B é a matriz
inversa de A.
3 1  1 -1 
   
A=   B=  
 2 1  - 2 3 
Logo, podemos verificar que AB = BA = 1.
A criptografia é o estudo dos princípios e técnicas pelas quais a informação

pode ser transformada da sua forma original para outra ilegível, de forma que
possa ser conhecida apenas por seu destinatário. Vamos utilizar essas duas
matrizes como ‘chaves’ para codificar e decodificar a mensagem. O remetente vai
usar a matriz A para codificar a mensagem e o destinatário vai usar a matriz B
para decodificar a mensagem.
Para codificar uma mensagem o primeiro passo é convertê-la da forma

alfabética para uma forma numérica. Então, vamos utilizar a tabela abaixo:
A B C D E F G H I J
1 2 3 4 5 6 7 8 9 10
96
K L M N O P Q R S T
11 12 13 14 15 16 17 18 19 20
U V W X Y Z . ! #
21 22 23 24 25 26 27 28 29 30
O remetente e o destinatário devem conhecer essa tabela alfanumérica e

também podem fazê-la usando outras correspondências entre números e letras.
Vamos codificar a seguinte mensagem: EU ACREDITO NA EDUCAÇÃO. Vamos
fazer a correspondência entre as letras e os números usando a tabela dada.
EU#ACREDITO#NA#EDUCACAO.
5 21 29 1 3 18 5 4 9 20 15 29 14 1 29 5 4 21 3 1 3 1 15 27
Usamos o símbolo # entre as palavras para não causarmos confusão.
Como temos a matriz decodificadora A de ordem 2 (2x2), vamos colocar a

sequência de números dispostos em uma matriz de duas linhas. Se o número de
elementos da mensagem for ímpar, podemos acrescentar um caractere vazio, não
vai alterar a mensagem. No caso o número 30.
 5 21 29 1 3 18 5 4 9 20 15 29 
 
M=  
14 1 29 5 4 21 3 1 3 1 15 27 
Para codificar a mensagem, multiplicamos a matriz A por M, tal que N =

A·M.
 3 1   5 21 29 1 3 18 5 4 9 20 15 29 
   
N=   .  
 2 1   14 1 29 5 4 21 3 1 3 1 15 27 
Assim;
 29 64 116 8 13 75 18 13 30 61 60 114 
 
N=  
 24 43 87 7 10 57 13 9 21 41 45 85 
97
Os elementos de N constituem a mensagem codificada: 29, 64, 116, 8, 13,

75, 18, 13, 30, 61, 60, 114, 24, 43, 87, 7, 10, 57, 13, 9, 21, 41, 45, 85.
Quando a mensagem codificada chegar ao destinatário, ele usará a matriz

B decodificadora para ler a mensagem. Sabendo que B·N= B·A·M = I·M·M, temos:
Multiplicamos a matriz B por N.
 1 -1   29 64 116 8 13 75 18 13 30 61 60 114 
   
BN =   .  
- 2 3   24 43 87 7 10 57 13 9 21 41 45 85 
 5 21 29 1 3 18 5 4 9 20 15 29 
 
BN =  
 14 1 29 5 4 21 3 1 3 1 15 27 
Finalmente, temos a matriz M=BN do remetente que é a mensagem original.
Agora é só reverter os números utilizando novamente a tabela alfanumérica.
5 21 29 1 3 18 5 4 9 20 15 29 14 1 29 5 4 21 3 1 3 1 15 27
EU#ACREDITO#NA#EDUCACAO.
Note que na mensagem inicial revertida em números há várias repetições

de números, enquanto que a mensagem codificada não repete números,
tornando-a mais difícil de ser desvendada. O que precisa ser escondido são
apenas as matrizes A e B.
FONTE: Disponível em: <http://educacaomatematica2010.blogspot.com.br/2011/01/matrizes-e-
criptografia.html>. Acesso em: 16 jan. 2016.
98
RESUMO DO TÓPICO 3
Neste tópico você estudou que:
• Um sistema de equações lineares pode ser definido como um conjunto de n

equações com n variáreis independentes entre si. E que todo sistema pode ser
escrito sob forma matricial A·X = B.
• Um sistema pode ser classificado em: sistema possível determinado (SPD),

sistema possível indeterminado (SPI) e sistema impossível (SI).
• Um sistema linear pode ser resolvido através da regra de Cramer, a qual afirma
que todo sistema normal tem uma única solução dada por:
D xi
Xi =
D
• O método de Gauss, que consiste em escalonar a matriz utilizando as

operações elementares sobre linhas de matrizes.
99
AUTOATIVIDADE
Acadêmico(a), o processo de resolução de sistemas lineares pode

parecer complicado no começo. Porém, não desista! É normal escolhermos
caminhos que não nos levem à resposta esperada nas primeiras tentativas,
mas o importante é reconhecer que a escolha foi errada e recomeçar outra vez.
Lápis, borracha e mãos à obra!
 2x1 + 3x2 - x3 = 0

1 Seja o sistema S1 :  x1 - 2x2 + x3 = 5
-x +x +x =-2
 1 2 3
a) Verifique se (2, -1, 1) é solução de S.

b) Verifique se (0,0,0) é solução de S.
2 Solucione os sistemas a seguir, utilizando a regra de Cramer.
 x + 2y = 5  3x - 4y = 1
a)  b) 
 2x - 3y = - 4  x + 3y = 9
3 Se tivermos o sistema abaixo, então x + y + z + t é igual a:
x+y+z=-1

x+z+t=5

y+z+t=7
 x + y + t = 4
 2x-y+z=1

4 (UFBA) Dado o sistema  x + 2 y - z = - 3 , qual o valor de x + y + z?
3 x + 4 y + 2 z = - 5

 a+y+z=7

5 (ACAFE) Considerando o sistema  2 x + y - z = 9 , qual o valor da
incógnita z? x - 2 y + 2 z = 2

100
 x-y+2z=2

6 O sistema linear  2 x + 3 y + 4 z = 9
 x+4y+2z=7

a) Admite solução única.

b) Admite infinitas soluções.
c) Admite menos de cinco soluções.
d) Não admite soluções.  2x+y+z+w=1

 x+2y+z+w=2
7 Resolva o seguinte sistema de equações: 
 x+y+2z+w=3
 x + y + z + 2 w = 4
 3 x + my = 2
8 Discuta o sistema 
x-y=1
x-y=2

9 Determine m, de modo que o sistema  x + my + z = 0 seja impossível.
-x+y-z=4

3x-2y=0
10 Verifique se o sistema  é determinado ou indeterminado.
x+y=0
2x-y+3z=0

11 Determine m para que o sistema  x + 4 y - 5 z = 0 tenha única solução.
 3 x + my + 2 z = 0

12 Escalone e resolva os sistemas lineares a seguir:
2x+3y+z=1

a)  3 x - 3 y + z = 8
2y+z=0
 x+2y+z=7

c)  2 x + 7 y + z = 21
-3x-5y+2z=-8
x+y+z=6 

b)  4 x + 2 y - z = 5
 x + 3 y + 2 z = 13

101
13 (UERJ) Observe a tabela de compras realizadas por Mariana.
Sabendo que ela adquiriu a mesma quantidade de canetas e cadernos,

além do maior número possível de lapiseiras, o número de corretores
comprados foi igual a:
a) 11 c) 13
b) 12 d) 14
14 (UERJ) No sistema mostrado, x e y são números reais:
 2 x ( x - 1 ) + y ( x - 1 ) = 4 ( x - 1 )
 2
 x + y = 7
A soma de todos os valores de x que satisfazem a esse sistema é igual a:
a) 1 c) 3
b) 2 d) 4
15 (UERJ) Jorge quer distribuir entre seus filhos os ingressos ganhos para um
show. Se cada um de seus filhos ganhar 4 ingressos, sobrarão 5 ingressos; se
cada um ganhar 6 ingressos, ficarão faltando 5 ingressos. Podemos concluir
que Jorge ganhou o número total de ingressos correspondente a:
a) 15 c) 29
b) 25 d) 34
16 (UERJ) Um comerciante deseja totalizar a quantia de R$ 500,00 utilizando

moedas e cédulas de R$ 1,00, R$ 5,00 e R$ 10,00 num total de 92 cédulas,
de modo que as quantidades de moedas de um e cédulas de dez reais
sejam iguais. Neste caso, a quantidade de cédulas de cinco reais de que o
comerciante precisará será igual a:
a) 12 b) 28 c) 40 d) 92
102
17 (UERJ) Numa granja há patos, marrecos e galinhas num total de 50 aves. Os
patos são vendidos a R$ 12,00 a unidade, as galinhas a R$ 5,00 e os marrecos
a R$ 15,00. Considere um comerciante que tenha gastado R$ 440,00 na
compra de aves desses três tipos e que tenha comprado mais patos do que
marrecos. O número de patos que esse comerciante comprou foi igual a:
a) 25 c) 12
b) 20 d) 10
18 (UERJ) Em um restaurante há 12 mesas, todas ocupadas. Algumas, por 4

pessoas; outras, por apenas 2 pessoas, num total de 38 fregueses. O número
de mesas ocupadas por apenas 2 pessoas é:
a) 4 b) 5 c) 6 d) 7
19 (UERJ) Observe os quadros I, II e III, anunciados em uma livraria.
I- Considere os quadros I e II. Supondo que todos os livros A foram vendidos

ao preço regular e todos os livros B foram vendidos ao preço de oferta, a
quantia total arrecadada pela livraria na venda desses livros foi:
a) R$ 1658,00 c) R$ 2340,00
b) R$ 1568,00 d) R$ 1348,00
II- Considere agora o Quadro III, que indica a quantia arrecadada na venda
de certa quantidade dos livros A e B (valores em reais). Utilizando esses
dados e os apresentados no Quadro II, a quantidade vendida do livro A (ao
preço regular, edição de luxo) e a quantidade vendida do livro B (ao preço
de oferta, edição de bolso) foram, respectivamente.
a) 100 e 200 c) 50 e 160

b) 45 e 100 d) 40 e 160
20 (UFF – 2000) As ligações entre as cidades A, B e C figuram num mapa

rodoviário conforme ilustrado. Seguindo esse mapa, uma pessoa que se
deslocar de A para C, passando por B, percorrerá 450km. Caso a pessoa
se desloque de A para B, passando por C, o percurso será de 600km. Para
se deslocar de B para C, passando por A, a pessoa vai percorrer 800km.
Determine quantos quilômetros esta pessoa percorrerá ao se deslocar de
A para B, sem passar por C.
103
104
UNIDADE 2
ESPAÇOS VETORIAIS
A partir desta unidade você estará apto a:
• entender a definição de vetor em suas variadas formas;

• identificar a igualdade de vetores;
• determinar o comprimento de cada vetor;
• desenvolver as operações entre vetores;
• compreender a utilização dos produtos vetoriais;
• determinar ângulo, área e volume com o auxílio de vetores;
• compreender a definição de Espaço Vetorial e como verificar;
• identificar um subespaço vetorial e sua definição;
• verificar combinações lineares;
• identificar a dependência e independência linear;
• determinar subespaços gerados;
• compreender a definição de base e sua dimensão;
• desenvolver o cálculo para a ortogonalização de Espaço Vetorial pelo pro-
cesso de Gram-Schmidt.
PLANO DE ESTUDOS
TÓPICO 1 – VETORES

TÓPICO 2 – OPERAÇÕES VETORIAIS

TÓPICO 3 – ESPAÇO VETORIAL
Assista ao vídeo
desta unidade.
105
106
UNIDADE 2
TÓPICO 1
VETORES
1 INTRODUÇÃO
Caro(a) acadêmico(a), até o momento você desenvolveu conhecimentos
que serão de grande serventia para o nosso estudo de vetores. Por esse motivo,
quando houver necessidade, retorne aos estudos do tópico anterior.
O estudo de vetores neste tópico tratará, nos primeiros instantes, de

defini-los em suas mais variadas formas, bem como demonstrar cálculos de como
verificar sua igualdade, descobrir seu comprimento e modificar seu tamanho,
quando necessário.
As operações entre vetores, como adição, subtração e multiplicação

por um escalar, estão apresentadas logo após, para o fechamento deste tópico,
serviram de base para o aprofundamento futuro dos conhecimentos que neste
caderno serão abordados.
2 DEFINIÇÃO DE VETOR
Geometricamente, vetores são representados por segmentos de retas
orientados no plano ou no espaço. A ponta da seta do segmento orientado é
chamada ponto final ou extremidade (B) e o outro ponto extremo é chamado de
ponto inicial ou origem (A) do segmento orientado. O seu comprimento indica a
magnitude do vetor e sua seta orienta a direção e o sentido.
107
UNIDADE 2 | ESPAÇOS VETORIAIS
FIGURA 1 - VETOR
FONTE: O autor
E
IMPORTANT
Ao referenciar um vetor, devemos representá-lo:
• Utilizando uma letra minúscula do nosso alfabeto. (v)


• Quando for tratado de dois pontos em um plano denotamos por AB
Um exemplo do uso de vetores na física, onde muitas grandezas físicas

podem ser quantificadas por único valor numérico acompanhadas pela sua
respectiva unidade de medida, como massa e temperatura, a elas chamamos de
Grandezas Escalares. Outras grandezas, como força, deslocamento e velocidade,
necessitam, além do valor numérico e sua unidade de medida, outros pontos
adicionais, como direção e sentido para o qual acontecerá o movimento. Para
essas grandezas chamamos Grandezas Vetoriais.
Vendo de forma algébrica, um vetor é uma lista de números reais

ordenados de n elementos que podem ser relacionados com os sistemas de eixos
cartesianos do plano e espaço. A denotação de um vetor pode ser dada por:
v = ( v1 ,v2 , L , vn )
E
IMPORTANT
A quantidade de elementos indica a quantidade de dimensões em que o vetor

está contido.
108
TÓPICO 1 | VETORES
O número de elementos pode ser compreendido com a quantidade de

dimensões onde o vetor está contido. Exemplo: para um vetor v = ( v1 , v2 , v3 )
este, por conter três elementos em sua lista, trata-se de um vetor contido num
plano de três dimensões, ou seja, em R³.
2.1 VETOR POR SISTEMA DE COORDENADAS CARTESIANAS

Quando, no subtópico anterior, comentamos que um vetor pode ser
relacionado com sistemas de eixos cartesianos, referíamos a vetores em R 2 e R 3.
São vetores contidos do plano e no espaço que obedecerão às coordenadas dos
eixos x, y e z nos seus respectivos elementos. As representações destes vetores
devem ser apresentadas por:
Dado um vetor: v = (v 1
, v2 , v3 ) ⇒ v = v1 x + v2 y + v3 z
Na representação acima temos um vetor em R³ que apresenta sempre na

mesma ordem as coordenadas dos eixos x, y e z. O mesmo acontece para um
vetor em R² que apresentará coordenadas nos eixos x e y.
Logo a seguir veremos como deve ser feita a representação geométrica no

plano e espaço destes vetores.
2.2 REPRESENTAÇÃO GEOMÉTRICA EM R 2 E R3

Vimos em definição de vetor que os mesmos podem ser demonstrados
a partir de uma lista de números e que a quantidade de elementos desta lista
indicava a quantidade de dimensões em que o vetor estará contido. Os vetores
que analisaremos geometricamente serão os em duas e três dimensões, já que
acima disso ficaria complexo imaginarmos. A representação cartesiana no plano
( R 2 ) e espaço ( R 3 ) está apresentada a seguir.
FIGURA 2 – REPRESENTAÇÃO CARTESIANA NO PLANO E ESPAÇO
FONTE:O autor
109
Para nos orientarmos, devemos graduar ambos os planos e nos basear no

seguinte:
• Nos casos em R,3 os vetores serão apresentados na forma v = vx + vy , , c o m o

os valores de vx e vy as respectivas coordenadas escalares nos eixos x e y,
respectivamente representados no plano.
• Para um vetor em R 3 teremos v = vx + vy + vz ,com vvxx,,vvyy e vvzz as respectivas

coordenadas escalares nos eixos x, y e z, respectivamente representados no
espaço.
A seguir temos exemplos da demonstração e construção de um vetor em

R 2 e outro R 3 em com o passo a passo necessário para representá-lo. Uma
observação importante é que, como não há um ponto de início para o vetor no
plano, podemos arbitrariamente nos basearmos que um vetor iniciará na origem
do plano.
Exemplo 1: Demonstre geometricamente o vetor z = ( 2, 3) .

Resolução: Primeiramente devemos desenhar o plano graduado e encontrar
os valores para x = 2 e y = 3 ligando-os por linhas tracejadas e perpendiculares aos
eixos do plano.
↑
3
1
↑
0 1 2 3 x
Ligue o ponto inicial com a intersecção do ponto do vetor com uma reta e
uma seta na intersecção.
Com isso, finalizamos a demonstração de um vetor em R².
Exemplo 2: Demonstre geometricamente o vetor v = ( 1, 2, 3) .
110
TÓPICO 1 | VETORES
↑
3
2
↑
z
1
↑
0 1 2 3 x
Resolução: Primeiramente, devemos desenhar o plano graduado e

encontrar os valores para x = 1, y = 2 e z = 3 ligando-os por linhas tracejadas e
perpendiculares aos eixos do plano.
3 ↑
2
1
↑
1 2 3 y
1
↑
2
x
Agora que a ligação dos pontos dados foi encontrada e podemos observar
os três retângulos formados, basta desenhar o restante de um paralelepípedo que
se forma com linhas tracejadas.
111
↑
3
↑
1 2 3 y
1
↑
2
x
Por fim, com o paralelepípedo formado, o vetor já pode ser desenhado

a partir da origem do plano até o vértice oposto do paralelepípedo. Com isso,
finalizamos a demonstração de um vetor em R³.
↑
3
2
υ
↑
1
↑
1 2 3 y
1
↑
2
x
2.3 VETOR DEFINIDO POR DOIS PONTOS

Dados dois pontos distintos no plano ou espaço pelo sistema de
coordenadas cartesianas, podemos definir um vetor para este intervalo. Observe
a ilustração:
112
TÓPICO 1 | VETORES
FIGURA 3 – VETOR DEFINIDO POR DOIS PONTOS
3 ↑
2 B
↑
1
A
↑
0 1 2 3 x
FONTE: O autor
Temos dois pontos na ilustração acima, o ponto A(1, 1) e B(3, 2). Ao

ligarmos estes pontos temos um segmento de reta,
 no qual podemos indicar
como o vetor funciona e representar ele por AB . Esta representação nos
informa que o 
vetor
 tem sua origem no ponto A e extremidade em B. Se
denotássemos BA , este indicaria um vetor inverso do representado acima.
Como já estudamos anteriormente, há infinitos representantes de vetores

iguais
a este, possuindo mesmo módulo, sentido e direção. Podemos escrever o
vetor
 AB como a diferença entre as coordenadas da extremidade pela sua origem:
AB = B - A . Essa diferença é feita subtraindo coordenada por coordenada de cada
elemento. Esta representação de vetor definido por dois pontos está atribuída a
Hermann Grassmann (alemão, 1809/1877), a qual muitos chamam de “A notação
de Grassmann para os vetores”.
Exemplo 3: Dados os pontos a seguir, que representam um triângulo num

plano cartesiano, represente eles por meio de vetores: A ( 1,2) , B ( 3, 1) e C ( 2, 5 )
Resolução:
 
 

  
AB =B-A AC BC =  - B= C - B
C=BC
C=-==C
ACC- -A-A A
AB 
= - A
AB
 AB =BB = -BA- A ACAC =AC
BC BC C
=C - B- B

 = ( 3,1 ) - ( 1,2 )

  

= (=BC 2( ,2=5, ()52-), (-53(),31- , ()13) , 1 )
AB 
=( 3(=3, (1, 31) ,-)1(-)1(-1, (2, 12) , )2 ) ACC=-==C
ACC- -A-A A
AB  BCBC
AB=AB ACAC =AC

   BC = ( 2 , 5 ) - ( 3 , 1 )



 = ( 3-1,1-2 ) AC=2==-((1222,- -1-511,-,,2555- -2-22 ))

BC (= 2( -2(3- ,35, -5)1- )1 ) )
BC = (=BC
AB  
=( 3(=3- (1-31, -1, 11- ,2-12) - )2 )
 
AB 
AB=AB ACAC =AC( (
 ) ) BC
2 - =3 , 52 - 13 , 5 - 1


 = ( 2,-1 )

AC=1==, ((1311, ,,333 ))
 
BC (= -(1-(,1)4, )4 ) )
AB AB
=( 2(=2, (-, 21- ,1) - )1 )

AB=AB ACAC =AC( ( ) ) BCBC = (=BC - 1 =, 4 - 1 , 4
113
2.4 VETORES NA FORMA MATRICIAL

Uma outra forma de representar um vetor é por meio da notação matricial
no formato n × 1 , ou seja, uma matriz coluna com n elementos em sua coluna.
 v1 
 
v
v=  2  ⇒ v=
 
(v ,v
1 2
, , vn )
 
vn 
Podemos constatar, com tudo o que já foi visto, que as principais características
que definem os vetores são: orientação por meio de uma seta, que indicará sua
direção e sentido; comprimento, que mostrará a amplitude de sua magnitude; e
demonstração por meio algébrico, uma matriz ou, ainda, de forma geométrica.
2.5 IGUALDADE DE VETORES

Já vimos que um vetor precisa ter magnitude (comprimento), sentido
e direção; se estes três quesitos forem iguais, teremos vetores equivalentes
ou equipolentes. Observe os exemplos e posteriormente a constatação da
equivalência ou não dos vetores.
FIGURA 4 - VETORES EQUIVALENTES OU EQUIPOLENTES
EXEMPLO 1 EXEMPLO 2 EXEMPLO 3 EXEMPLO 4
FONTE: O autor
• Exemplo 1: podemos notar que os vetores não são iguais, pois possuem mesmo
comprimento, mesma direção, mas em sentidos opostos.
• Exemplo 2: os vetores também não são equivalentes, pois apresentam mesma
direção e mesmo sentido, mas ao verificarmos seu comprimento notamos que
são diferentes.
• Exemplo 3: foge de quase todos os três quesitos que deveriam ser comtemplados.
A única igualdade está em seu comprimento, direção e sentido são diferentes.
Não são iguais.
114
TÓPICO 1 | VETORES
• Exemplo 4: temos dois vetores equivalentes, possuem mesmo comprimento,

mesma direção e sentido iguais. Note que para os vetores terem mesmo sentido,
devem ser paralelos ou colineares (estar presente na mesma reta), ou seja,
vetores equivalentes devem ser paralelos ou colineares, obrigatoriamente.
2.6 MÓDULO OU NORMA DO VETOR

O módulo ou norma de um vetor nada mais é do que o seu comprimento
e é calculado com base nas coordenadas do vetor.
v= v12 + v22 +  + vn2
A dedução desta fórmula se dá através da utilização do Teorema de

Pitágoras, onde, para cada elemento do veto, este indica o comprimento de um
dos lados do triângulo. No caso de um vetor possuir apenas dois elementos, os
mesmos são o comprimento dos catetos, bastando descobrir a hipotenusa. Para
vetores com três elementos, o Teorema de Pitágoras deve ser aplicado duas vezes,
verificando uma simplificação e retornando à fórmula apresentada acima. O
mesmo se aplica para vetores em qualquer dimensão.
E
IMPORTANT
Chamamos de vetor nulo o vetor que apresenta apenas coeficientes zero, e


representamos este vetor por 0 . Um ponto no espaço é um vetor nulo.
Propriedade da norma:
v ≥ 0 (ou não existe comprimento, ou ele será maior que zero).

De fato, por se tratar de comprimento não teremos valores negativos

=v 0= somente se , v 0 (só terá comprimento 0 se o vetor for nulo).
Intuitivamente , o comprimento de um vetor só será zero se ele não possuir comprimento.
α ⋅v = α ⋅ v (multiplicação de um vetor (v) por um número real (α)
α . v = ( α . v ) ( α . v ) = α 2 ( v . v ) = α ( v . v ) = α . v . (ou não
existe comprimento, ou ele será maior que zero).
115
Exemplo 4: Determine a norma para os vetores v = ( 4, 3 ) , z = ( 1, 4 ) e w= ( 1, 3, 5 ) .

1, 4 )e w= ( 1, 3, 5 ) .
Resolução:
v = 4 2 + 32 = 5
z = 1 2 + 42 = 10
w = 1 2 + 3 2 + 52 = 35
2.7 VETOR UNITÁRIO E NORMALIZAÇÃO

São chamados de Vetores Unitários aqueles que apresentam seu
comprimento igual a 1. Três importantes vetores unitários que utilizaremos no
decorrer dos estudos são os presentes sobre os eixos do plano cartesiano,
→ → →
denotados por vetores com base canônica  I , J , k  , veja a demonstração.
 
↑
k
↑
↑
j y
↑
i
↑
Todos com procedência na origem do plano, o vetor i sobre o eixo x

(abscissa), o vetor j sobre o eixo y (ordenadas) e o vetor k sobre o eixo z (cotas). O
sentido das setas indica o positivo de cada eixo. Possuem as seguintes coordenadas:
116
TÓPICO 1 | VETORES
i = (1, 00 ) ,
j = ( 0 ,1, 0 )
k = ( 0 , 0 ,1)
Há casos em que há a necessidade de transformar um vetor (v) em unitário

1
u
(u). Para isso basta aplicar a seguinte fórmula:= ⋅ v (exceto o nulo).
v
Exemplo 5: Determine um vetor unitário que esteja na direção de

v= ( -4,3 ) .
Resolução: A primeira coisa a ser feita é descobrir seu comprimento.
v = ( -4 ) 2
+ 3² = 5
1
Como ele não é unitário, aplicaremos a fórmula: u = ⋅ v
v
1
Trocando os dados: u =
5
⋅ ( -4,3 )
Aplicando a distributiva:
1
u=
5
⋅ ( -4,3 )
1 1 
u=  ⋅ ( -4 ) , ⋅ 3
5 5 
 4 3
Fazendo as multiplicações: u =  - , 
 5 5
Este novo vetor terá mesma direção e sentido com seu comprimento igual
a 1 u.c.
117
3 OPERAÇÕES ENTRE VETORES
3.1 ADIÇÃO
Ao fazer a soma de vetores podemos observar geometricamente de duas
formas o que acontece.
FIGURA 5 - SOMA DE VETORES
FONTE: O autor
Temos acima os dois vetores z e υ que serão somados. Ao juntarmos os dois

vetores (z + υ) o resultado encontrado é um outro vetor, chamado vetor resultante
(z + υ). Podemos notar que na forma Poligonal os vetores são ligados um em
seguida do outro. O vetor resultante terá sua procedência na origem do primeiro
e sua extremidade na extremidade do segundo. Na regra do Paralelogramo os
vetores estão ligados a partir da mesma origem e traçados outros dois vetores iguais
paralelamente para formar o paralelogramo. A diagonal deste paralelogramo é o
vetor resultante.
Essa foi a visão geométrica da soma, quando queremos realizar a soma

algébrica de dois vetores e encontrar o vetor resultante devemos proceder da
seguinte forma:
= z ( z , z ,… , z )
1 2 n
Sendo os vetores:
= v ( v , v ,… , v )
1 2 n
Então: z + v = (z 1
+ v1 ) , ( z2 + v2 ) ,… , ( zn + vn )
Propriedades da soma de vetores:
I . z + v = v + z ( comutativa )
Verifique sua validade no exemplo a seguir:

118
TÓPICO 1 | VETORES
Seja z (=
2 , 3) e v )(1, 5 ) (1, 5)
= 2, 3 e v
Seja z (=
=
z+v=v+z
z+v=v+z
( 2, 3) +((21,,35))+=((11,,55))=+((12, 5, 3))+ ( 2, 3)
( 2 + 1, 3 + 5 = (1 + 2 , 5( + 3)
( 2 + 1, 3 + 5 = 1 + 2 , 5 + 3)
( 3,8) =( (33,8,8))= ( 3,8)

II . z + ( v + t ) = ( z + v ) + t ( associativa )

III . 0 + v = v ( elemento neutro )
 
IV . Dado v , ∃ ( - v ) | ( v ) + ( - v ) = 0 , 0 = ( 0 , 0 ,… , 0 )( elemento oposto )
As propriedades II, III e IV ficam a cargo do leitor verificar.
E
IMPORTANT
A leitura da quarta propriedade é: dado o vetor v existe um vetor −v� tal que
o vetor v somado pelo vetor −v� resulta no vetor nulo.
Exemplo 6: Dados os vetores z = ( 3 , 2 ) , υ = ( 1 , 5 ) e t =( -2 , 3 ) , determine:
a) z + t
Resolução:
z+t= ( 3, 2 ) + ( - 2, 3 )
= ( 3+ ( -2 ) ,2+3 ) Visão geométrica
da soma pela
= ( 1,5 )
z+t
t regra do
Paralelogramo
z
119
b) z + υ + t
t
Visão
z + v + t = ( 3, 2 ) + (1, 5 ) + ( - 2, 3 ) geométrica
= (3 + 1 + ( - 2 ) , 2 + 5 + 3 ) da soma pela
z+υ+t
regra do
= ( 2, 10 ) υ
Poligonal
Exemplo 7: Sendo os vetores z = ( -2 , 2 ) e υ = ( 1 , 3 ), verifique se

z + v = z + v ::
Resolução: Faremos separadamente cada lado da igualdade, começando

com o lado esquerdo:
z + v ⇒ Temos que calcular a norma separadamente de cada uma por

primeiro:
( - 2)
2
z = + 2² = 8= 2 2
v = 1² + 3² = 10
Somando ambos os resultados:
z + v =
2 2 + 10
Agora que encontramos o resultado do lado esquerdo, iremos verificar se

o lado direito condiz:
z + v ⇒ temos que primeiramente somar os vetores
120
TÓPICO 1 | VETORES
( - 2, 2 ) + (1, 3) =
( - 1 + 5)
Calculando a norma da soma dos vetores
( -1+ 5 ) ( -1 )
2
= + 5² = 26
Concluímos que z + v ≠ z + v pois 2 2 + 10 ≠ 26 .
3.2 SUBTRAÇÃO DE VETORES

A subtração acontece analogamente como adição de vetor no que diz
respeito à parte algébrica. Representamos a diferença de vetores de dois vetores
por d = z - υ. Esta definição pode ser representada pela soma do primeiro pelo
oposto do segundo, denotado por z + ( - υ )Acompanhe a definição abaixo:
z = ( z1 , z2 ,… , zn ) ,
v = ( v1 , v2 ,… , vn )
z+ ( - v ) = ( z + ( - v ) ) , ( z + ( - v ) ) ,… , ( z
1 1 2 2 n
+ ( - v ))
n
z + ( - v ) = ( z - v ) , ( z - v ) ,… , ( z - v )
1 1 2 2 n n
Na visão geométrica da subtração temos:
Ao fazer a diferença dos dois vetores, o resultado encontrado é um outro

vetor z - υ ou z +(-υ) . Podemos notar que na forma Poligonal os vetores ligam-se
um em seguida do outro, de forma que o segundo vetor terá seu sentido invertido.
O vetor resultante por esta definição terá sua procedência na origem do primeiro
e sua extremidade na extremidade do segundo, como na adição.
121
Já na forma do Paralelogramo, os vetores estão ligados a partir da mesma

origem e traçados outros dois vetores iguais paralelamente para formar o
paralelogramo. A diagonal das extremidades dos vetores será o vetor resultante.
Exemplo 9: Sendo os vetores z = ( 3, 2) e t = ( - 2 , 3 ) , determine a

subtração entre eles.
Resolução:
z+ ( -v ) = ( z -v ) , ( z -v )
1 1 2 2
z + ( - v ) = (( 3 - ( - 2 )) , ( 2 - 3 )
z+ ( -v ) = ( 5,-1 ) z-t
t
z
3.3 MULTIPLICAÇÃO POR UM ESCALAR

A multiplicação por um escalar nada mais é que a multiplicação de um
vetor por um número real. Na visão algébrica utilizaremos α (alfa) para representar
um número real e υ como um vetor. Acompanhe o processo da multiplicação.
Seja:
= v (v , v
1 2
,… , vn ) e α um escalar
α ⋅ v = α ⋅ ( v1 , v2 ,…,vn )
Fazendo a distributiva em todos os coeficientes do vetor
α ⋅ v = ( α ⋅ v1 , α ⋅ v2 ,…, α ⋅ vn )
Algumas propriedades sendo α e β escalares e z e υ vetores:
I. ( α⋅β ) ⋅ v=α ⋅ (β ⋅ v ) ( associativa )
122
TÓPICO 1 | VETORES
Seja α = 2, β = - 3 e v = ( 1, 2 )
( α ⋅ β ) ⋅ v = α ⋅ ( β ⋅ v)
(2⋅ ( - 3 ) ) ⋅ ( 1, 2 ) = 2 ⋅ ( ( - 3 ) ⋅ ( 1, 2 ) )
( - 6 ) ⋅ ( 1, 2 ) = 2 ⋅ ( - 3 , - 6 )
( - 6 , - 12 ) = ( - 6, - 12 )
II. α . ( z + v) = α. z + α. v (primeira distributiva - escalar nos vetores).

III. ( α + β ) . v = α . v + β . v (segunda distributiva - vetor nos escalares).
IV. 1 . v = v (identidade multiplicativa).
As propriedades II, III e IV ficam a cargo do leitor verificar ou provar.
Podemos notar que para cada coeficiente do vetor, todos os mesmos serão
multiplicados pelo escalar (número real) e, como resultado, um vetor que sempre
apresentará as características geométricas abaixo:
• Sempre terá mesma direção (exceto quando multiplicado por 0, pois teremos
um vetor nulo).
• Pode mudar seu sentido quando multiplicado por um número negativo.
• Será alterado seu comprimento quando multiplicado por um número diferente
de 1 ou -1.
o vetor z
Exemplo 10: Dado= (=
- 2 , 4 ) e v (1, 2 ) , determine:
a) 3 . z ₌
123
Resposta:
= 3 ⋅ ( - 2 , 4)
= ( 3 ⋅ ( - 2 ), 3 ⋅ 4 )
= ( - 6 , 12 )
b) ( z + υ ) . 2 ₌
Resposta:
= ( ( - 2 , 4 ) + ( 1, 2 ) ) ⋅ 2
= (( - 2 ) + 1 , 4 + 2 ) ⋅ 2
= ( -1,6 ) ⋅ 2
= (( - 1 ) ⋅ 2 , 6 ⋅ 2 )
= ( - 2 , 12 )
c) ( -2 ) ⋅ z+v ⋅ z=
Resposta: Já vimos na questão “b” que z + v = ( - 1, 6 ) , portanto sua

norma será:
( -1,6 ) ( -1 )
2
= + 6² = 37
Então z + v = 37
( -2 ) ⋅ z+v ⋅ z

= ( -2 ) ⋅ 37 ⋅ z
-2 37 ⋅ ( -2,4 )
= (( - 2 37 ) ⋅ ( -2 ) , ( -2 37 ) ⋅4)
= (4 37 , ( -8 37 ))
124
RESUMO DO TÓPICO 1
Neste tópico vimos que:
• Vetores podem ser definidos nas seguintes formas:
o Geometricamente: dado que seu comprimento indica a magnitude do vetor

e sua seta orienta a direção e o sentido.
o Por coordenadas cartesianas: seus elementos dão as coordenadas de

localização no plano ou espaço.
o Definido por dois pontos: quando houver a necessidade

 de converter pontos
em vetores do plano ou espaço pela definição AB = B - A .
o Na forma matricial: um vetor pode ser demonstrado por meio de uma
 v1 
 
v
matriz coluna v =  2 
 
 
vn 
o Igualdade de vetores: desde que os vetores possuam mesmo comprimento,
mesmo sentido e mesma direção, serão equipolentes. Concluindo que há
infinitos vetores iguais.
o Para calcular o comprimento do vetor, o qual chamamos de módulo ou

norma do vetor: v = v12 + v22 +  + vn2
o A normalização é pegar um vetor não unitário (que possui comprimento

diferente de uma unidade de comprimento) e transformá-lo em unitário
1
sem alterar seu sentido e direção. u = ⋅ v
v
o A adição ou subtração pode ser vista geometricamente (regra paralelogramo

ou regra poligonal) ou algebricamente e definidas por:
z+v= ( z + v ) , ( z + v ) ,… , ( z + v )
1 1 2 2 n n
z + ( - v ) =( z + ( - v ) ) , ( z + ( - v ) ) ,… , ( z + ( - v ) )
1 1 2 2 n n
o Na multiplicação por um escalar, que nada mais é que pegar todos os

elementos de um vetor e multiplicado por um número real.
α ⋅ v = ( α ⋅ v1 ,α ⋅ v2 ,…, α ⋅ vn )
125
AUTOATIVIDADE
1 Represente os vetores abaixo na forma geométrica, obedecendo ao sistema

de coordenadas cartesianas:
a) v = ( 2,-1 ) c) w = ( 3, 2)
b) t = ( 1, 2, 2 ) d) z = ( 2,1,1 )
2 Dados os pontos A ( 2 , 3 ) , B ( - 1 , 2 ) , C ( 4 , - 2 ) , D ( 1 , - 1 ) e
E ( - 2 , - 1 ) determine os vetores formados pelos segmentos:
 
a) CB = c) EA =
 
b) DB = d) AC =
3 Para os vetores encontrados na questão anterior, determine a norma de

cada um, e, caso não forem unitários, transforme-os.
4 Com v = (1, 2,-2 ) , t= ( 0 ,1 , 3 ) e z= (-2, 2 , -1 ) , determine:
a) 2 z + 3t =
d) -t-v =
b) z - v =
e) 3 t - 2 v =
c) z - v + t =
5 Dado v = ( 1 , 2 , - 2 ) e t = ( m , 1 , 3 ), determine o valor de m para quê:
a) v+t =5
b) t =6
126
UNIDADE 2 TÓPICO 2
OPERAÇÕES VETORIAIS
1 INTRODUÇÃO
Com os conceitos estudados no tópico anterior, começamos agora o
estudo de outras operações envolvendo vetores. Estas operações nos ajudarão
a dar entendimento do comportamento dos vetores no que se refere às suas
relativas posições.
Poderemos notar que para cada operação, a mesma estará ligada a pelo
menos uma aplicação na resolução de problemas, como: o ângulo formado entre
os vetores, se os vetores são paralelos, para o cálculo de área de triângulos e
paralelogramos e o cálculo do volume de tetraedros e paralelepípedos.
2 PRODUTO ESCALAR
O produto escalar (ou produto interno) é a multiplicação entre dois
vetores cujo resultado é um escalar (um número real), podendo ser denotado por:
z ⋅ v ou z , v
Sendo:
z= ( z , z ,… , z )
1 2 n
v = ( v , v ,… , v )
1 2 n
z ⋅ v = z1 ⋅ v1 + z2 ⋅ v2 + … + zn ⋅ vn
Algumas propriedades do produto escalar, sendo α escala e u, υ e t vetores:
I . z ⋅ v = v ⋅ z ( comutativa )
127
Seja os vetores z = ( 2,-1 ) e v= ( 1,3 )

z ⋅ v=v ⋅ z
( 2,-1 ) ⋅ ( 1,3 ) = ( 1,3 ) ⋅ ( 2,-1 )
2 ⋅ 1+ ( -1 ) ⋅ 3=1 ⋅ 2+3 ⋅ ( -1 )
2-3=2-3
-1=-1
II . z ⋅ ( v + t ) = z ⋅ v + z ⋅ t ( distributiva )
III . α ⋅ (z ⋅ v)=(α ⋅ z ) ⋅ v=z ⋅ (α ⋅ v ) ( associativa com escalar )
As propriedades II e III ficam a cargo do leitor verificar ou provar.
Se um vetor υ não for nulo, então temos que:
Uma propriedade que não está presente no produto escalar é associativa

entre vetores.
Seja: z ⋅ (v⋅t)=(z⋅v) ⋅ t
Não faz nenhum sentido multiplicar dois vetores para ter um escalar, o
resultado seria um outro vetor.
Exemplo 11: Dado o vetor z = (1, 2 ) e v= ( - 2 , 3 ) determine z ⋅ v :

Resposta:
z ⋅ v=1 ⋅ ( -2 ) +2 ⋅ 3
z ⋅ v=-2+6=4
2.1 ÂNGULO ENTRE VETORES

A utilização do produto escalar está ligada à parte geométrica dos vetores,
mais precisamente ao cálculo do ângulo formado entre eles.
z ⋅ v= z ⋅ v ⋅ cos θ
128
TÓPICO 2 | OPERAÇÕES VETORIAIS
Para a demonstração da equação acima imaginemos dois vetores não

colineares, representados a seguir:
FIGURA 6 - VETORES NÃO COLINEARES
z-v
θ
z
FONTE: O autor
A figura formada com a inclusão do vetor resultante da subtração dos

vetores é um triângulo. Aplicando a lei do cosseno temos:
2 2 2
z-v = z + v -2 ⋅ z ⋅ v ⋅ cos θ
A utilização da norma se dá pelo motivo de que queremos o comprimento

do vetor. Acompanhe o desenvolvimento imaginando que estamos trabalhando
com dois vetores em R².
Determinando a norma dos vetores:
z- v = ( z ,z ) - ( v , v ) = ( z - v ) , ( z -
1 2 1 2 1 1 2
v2 )
z- v = ( z - v ) + ( z - v )
2 2
1 1 2 2
z = u 12 + u 22
v = v 12 + v 22
Trocando, na expressão, os valores das normas com exceção da parte

ligada ao cosseno:
( ) +( ) -2 ⋅
2 2 2
 
( ) ( )
2 2
 z1 - v1 + z2 - v2  = z12 + z 22 v12 + v 22 z ⋅ v ⋅ cos θ
 
Eliminando os quadrados com a raiz quadrada:
(z - v1 ) + (z - v2 ) = z12 + z22 + v12 + v22 - 2 ⋅

2 2
1 2
z ⋅ v ⋅ cos θ
129
Desenvolvendo os quadrados:
z 12 - 2 ⋅ z 1 ⋅ v 1 + v 12 + z 22 - 2 ⋅ z 2 ⋅ v 2 + v 22 = z 12 + z 22 + v 12 + v 22 - 2 ⋅ z ⋅ v ⋅ cos θ
Eliminando as partes iguais nos dois lados:
- 2 ⋅ z1 ⋅ v1 - 2 ⋅ z2 ⋅ v2 = - 2 ⋅ z ⋅ v ⋅ cos θ
Colocando o - 2 do em evidência: - 2 ⋅ ( z1 ⋅ v1 + z2 ⋅ v2 ) = - 2 ⋅ z ⋅ v ⋅ cos θ
Podemos eliminar o - 2 em ambos os lados e simplificar z1 ⋅ v1 + z2 ⋅ v2

 
p o r produto vetorial z ⋅ v :
z ⋅ v = z ⋅ v ⋅ cos θ
O produto escalar entre vetores pode nos trazer algumas visões

geométricas do seu resultado, analogamente se:
FIGURA 7 - PRODUTO ESCALAR ENTRE VETORES
FONTE: O autor
O ângulo formado entre os vetores sempre será representado pelo menor

ângulo entre eles, sendo compreendido 0° ≤ θ ≤ 180° . Para um eventual cálculo
z ⋅ v
de ângulo podemos isolar o cosseno tendo a expressão: cos θ =
z ⋅ v
Exemplo 12: Calcule o ângulo formado pelos vetores
130
z ⋅ v
cos θ =
z ⋅ v
cos θ =
( 1, 1, 2 ) ⋅ ( 2, - 1, 1 )
( 1, 1, 2 ) ⋅ ( 2, - 1, 1 )
2-1+2
cos θ =
2 2
1 + 1 + 2² ⋅ 22 + ( - 1 ) ² + 1²
3
cos θ =
6 ⋅ 6
3
cos θ =
6
1
cos θ = ⇒ θ = 60°
2
Exemplo 13: Verifique se os vetores z = ( 2 , - 3, 1 ) e v= ( - 2, - 1, 1 ) são

perpendiculares.
Para que dois vetores sejam perpendiculares, basta que o produto escalar
entre eles seja zero.
Resposta:
z ⋅ v= ( 2,-3,1 ) ⋅ ( -2,-1,1 )
z ⋅ v=2 ⋅ ( -2 ) + ( -3 ) ⋅ ( -1 ) +1 ⋅ 1
z ⋅ v= -4+3+1=0
Portanto, os vetores são perpendiculares.
Exemplo 14: Qual o valor que x pode assumir para que o ângulo entre
os vetores z = ( - 1 , 2 ) e v = ( 4 , x ) seja agudo?
131
Resposta:
z ⋅ v= ( -1,2 ) n ( 3,x )
z ⋅ v= ( -1 ) ⋅ 2+2 ⋅ x
Para formar um ângulo agudo, basta que o produto escalar seja maior
que zero.
( -1 ) ⋅ 4+2 ⋅ x>0
-4+2 ⋅ x>0
2 ⋅ x>4
4
x> =2
2
Para que os vetores tenham um ângulo agudo, basta que x > 2 .
3 PRODUTO VETORIAL
O produto vetorial é de grande utilidade para a física para analisar o
comportamento no eletromagnetismo, mecânica de corpos rígidos e dos fluidos.
Na matemática, o produto vetorial aplica-se a vetores em R³ resolvendo problemas
na geometria, onde o produto entre dois vetores tem como solução um novo
vetor, simultaneamente ortogonal aos outros dois. A representação do produto
vetorial entre dois vetores é denotada por z × u , veja a ilustração:
z×u
z×u
z×u
Você pode estar se perguntando por que o produto vetorial entre os

vetores acima resultou em um vetor apontando para cima e não para baixo (estas
seriam as únicas duas soluções possíveis, já que o vetor resultante é ortogonal).
Bem, esta analogia está correta, a resposta para ela é que o vetor resultante no
produto vetorial segue a regra da mão direita.
132
A regra da mão direita é muito importante para determinar o sentido do

vetor resultante e onde ele está localizado geometricamente. Há duas formas de
demonstrar esta técnica, utilizaremos a que tem como base a ilustração a seguir:
Deixe o polegar (“dedão”) formando um ângulo reto em relação aos

demais dedos que devem estar juntos. Aponte os dedos para o primeiro vetor
do produto de modo que ao fechar a mão o sentido deve seguir o segundo vetor.
Para onde o polegar estiver apontando será a direção e sentido do vetor resultante
do produto vetorial.
Utilizando a regra da mão direita teremos o seguinte:
i× j =k i × k =- j j×k =i

j × i =- k k × i =j k × j =- i
i×i = j× j = k×k =0
Isto acontece porque vetores iguais são colineares.
Observe o macete que pode ser utilizado para decorar os produtos entre
os vetores.
133
Colocando as letras i , j e k e repetindo-as novamente, formamos vários

pares de letras que devem estar grudados. O sentido da ligação dos vetores indica
se ele será positivo ou negativo.
Exemplo 15: Para o produto entre k × j temos que o vetor resultante

apontará para:
Resposta: Note que k × j estão ligados da direita para esquerda, sentido

negativo, portanto, a resposta é o vetor – i .
Outra definição importante do produto vetorial é que a norma do produto

vetorial entre vetores é dada por: z × v = z ⋅ v ⋅ sen θ
Nesta definição, um fato muito importante a ser observado é que

podemos encontrar o ângulo formado por dois vetores com a ajuda do produto
z×v
vetorial. sen θ =
z ⋅ v
Agora que já definimos como deve ser o produto vetorial, basta vermos
como se calcula este produto. Uma das formas é por coordenadas cartesianas.
Dados os vetores a seguir, podemos encontrar o valor do produto vetorial

por meio do determinante de uma matriz que terá na primeira linha os vetores
unitários i , j e k nas linhas seguintes os vetores.
Dados dois vetores:
w = ( w1 , w2 ,w3 )
Observe que as coordenadas de x, y e
v = ( v1 , v2 ,v3 ) z foram trocadas pelos vetores unitários (i,j e
k) apresentados na regra da mão direita que
 i j k seguem respectivamente os eixos.
 
w × v = det  w1 w2 w3 
 v1 v2 v3 
134
Podendo ser definido por (aplicando o Teorema de Laplace):
 w w3   w1 w3   w1 w2  
w × v =  det  2  , - det   , det   

  v2 v3   v1 v3   v1 v2  
Podendo ser definido também por (aplicando Sarrus):
i j k i j
w1 w2 w3 w1 w2
v1 v2 v3 v1 v2
- kw2 v1 - iw3 v2 - jw1v3 + iw2 v3 + jw3 v1 + kw1v2

w×v i ( w2 v3 - w3 v2 ) + j ( w3 v1 - w1v3 ) + k ( w1v2 - w2 v1 )
A prova do uso do determinante pode ser demonstrada da seguinte forma:
Dados dois vetores na forma de coordenadas cartesianas:
w = ( w1i + w2 j + w3 k )
v = ( v1i + v2 j + v3 k )
Então: w × v = ( w1i + w2 j + w3 k ) × ( v1i + v2 j + v3 k )
Deve-se fazer a distributiva em todos os elementos de w com todos os


elementos de v :
= w1 ⋅ v1 ( i × i) +w ⋅ v ( i×j ) +w ⋅ v ( i×k ) +
1 2 1 3
w2 ⋅ v1 ( j×i ) +w ⋅ v ( j×j ) +w ⋅ v ( j×k ) +

2 2 2 3
w3 ⋅ v1 ( k×i ) +w ⋅ v ( k×j ) +w ⋅ v ( k×k )

3 2 3 3
Observando a tabela da regra da mão direita para a simplificação dos

produtos de i , j e k
135
= 0 + w1 ⋅ v2 ( k ) +w 1
⋅ v3 ( - j
)+
w2 ⋅ v1 ( - k ) +0+w 2
⋅ v (i)+
3
w3 ⋅ v1 ( j ) +w 3
⋅ v2 ( -i ) +0
Juntando os mesmos valores de i , j e k
w×v= (w 2
⋅ v3 - w 3 ⋅ v2 ) i- (w
1
⋅ v3 - w3 ⋅ v1 ) j+ (w
1
⋅ v2 - w2 ⋅ v1 )k
A seguir, algumas propriedades do produto vetorial:
I . z × v = - v × z ( anticomutativa )
Seja z = ( 2 , 0 ,1) e v = ( 3, 2 , 2 )
z×v = - v× z
i j k i j k
   
det  2 0 1  = - det 3 2 2
 3 2 2   2 0 1 
( 0 - 2 ) i - ( 4 - 3) j + ( 4 - 0 ) k = - ( 2 - 0 ) i- ( 3 - 4 ) j + ( 0 - 4 ) k 
- 2i - j + 4 k = -  2i + j - 4 k 
- 2i - j + 4 k = - 2 i - j + 4 k
II . z×( v + w ) = z × v + z ×w ( distributiva )
III . α ⋅ ( z×v ) = (α ⋅ z ) ×v=z× (α ⋅ v ) ( associativa por escalar )

IV . z × v = 0 ( somente quando z e v forem múltiplo escalar umdo outro )
Exemplo 16: Sejam os vetores z = ( - 1, 0, 2 ) e v = ( 3,1, - 2 ) , determine o

produto vetorial entre eles.
136
 i j k 
 
z × v = det  z1 z2 z3 
 v1 v2 v3 
 i j k 
 
z × v = det  - 1 0 2 
 3 1 -2 
  0 2   -1 2   -1 0  
z × v =  det   , - det   , det   

  1 -2   3 -2   3 1  
z×v = ( -2,4,-1 )
Resolvendo por Sarrus:
 i j k  i j
 
z × v = det  - 1 0 2  -1 0
 3 1 -2  3 1
Fazendo as multiplicações das diagonais:
z×v= ( -2 ) ⋅ 0 ⋅ i + 3 ⋅ 2 ⋅ j+1 ⋅ ( -1 ) ⋅ k- (3⋅0⋅k + 1 ⋅ 2 ⋅ i + ( -2 ) ⋅ ( -1 ) ⋅ j )
Fazendo as multiplicações: z × v = 0 + 6 ⋅ j - k - (0 + 2 ⋅ i + 2 ⋅ j )
z×v=6 ⋅ j - k -2 ⋅ i - 2 ⋅ j
Juntando os termos:
z×v= -2 ⋅ i + 4 ⋅ j-k
z×v= ( -2,4,-1 )
Podemos notar que as duas formas estão corretas.
137
3.1 CÁLCULO DE ÁREA

Uma aplicação do produto vetorial é o cálculo de área de triângulos e
de paralelogramos. A norma do produto vetorial é exatamente a área de um
paralelogramo que tem como medida o comprimento dos vetores. Para o cálculo
da área do triângulo, bastaria apenas dividir o resultado por dois, já que o
paralelogramo tem o dobro da área do triângulo. Observe a imagem:
z z
z . sen θ z
θ θ
v v
A explicação é que uma das formas de se calcular a área de um triângulo

é multiplicando sua base pela sua altura e dividindo por dois. Por outro lado, a
do paralelogramo é simplesmente sua base multiplicada por sua altura. Note que
na imagem acima, a altura do suposto triângulo ou paralelogramo é definida com
a utilização do seno pelo ângulo formado entre os vetores. Com isso podemos
definir o seguinte:
z ⋅ v ⋅ sen θ
A= A= z ⋅ v ⋅ sen θ
2
ou ou
z×v
A= A= z×v
2
Área do Triângulo Área do paralelogramo
Exemplo 17: Calcule a área do paralelogramo definida pelos vetores

z= ( 1,1, 2 )
e v = ( - 2 ,1, 2 ) .
Resposta: A área do paralelogramo é definida: A = z × v
Primeiramente, calculamos o produto vetorial e em seguida a norma.
138
 i j k 
 
z × v = det  1 1 2 
 - 2 1 2 
  1 2   1 2   1 1 
z × v =  det   , - det   , det   

  1 2  - 2 2  - 2 1  
z×v= ( 0, - 6, 3 )
( -6 )
2
z×v = 02 + + 32
z×v = 45
A= 45 u . c .
Exemplo 18: Para um triângulo com lados medidos em centímetros pelos

( )
vetores z = ( 4 , - 5, 0 ) e v = 0 , 4 , - 3 , determine a sua área e a altura relativa ao
lado v.
Resposta: Para melhor compreender o que está acontecendo, desenhamos
o triângulo com os vértices.
z
h
A área do triângulo pode ser encontrada a partir de:
z × v
A=
2
 i j k 
 
z × v = det  4 -5 0 
 0 4 -3 
 139
- 5 0   4 0   4 -5  
z × v =  det , - det , det 
 
z × v = det  4 -5 0 
 0 4 - 3 
 - 5 0   4 0   4 -5  
z × v =  det   , - det   , det   
 4  
  4 -3   0 -3   0
z × v = (15,12 ,16 )
z×v = 152 + 12 2 + 162
Então:
25
A=
2
A = 12 , 5 cm2
Para sua altura podemos desenvolver o cálculo da seguinte forma:

b ⋅ h
Sabemos que: A =
2
Note que temos três incógnitas na fórmula acima: área, base e altura. A
área do triângulo sabemos, a base é possível encontrar a partir do vetor v e
posteriormente encontramos a sua altura. Calculando a norma do vetor v .
( - 3)
2
v = 02 + 42 +
v = 16 + 9
v = 5 cm
Pela fórmula da área do triângulo:

b ⋅ h
A=
b 2⋅ h
A == bb ⋅⋅ hh
A
A= 5 ⋅ h
12 , 5 = 222
5 2⋅ h
12
12 ,, 55 == 55 ⋅⋅ hh
12,5
12 , 5 =⋅ 2 2
=22 h
12,5
12,5 5 ⋅⋅ 22
12,5 ⋅ 2 = h
12,55 ⋅ 2 == hh
55 =h
12,5
12,5 5 ⋅⋅ 22
12,5 ⋅ 2 == hh
h =5 5 cm= h
55
hh == 55 cm
h = 5 cm cm
140
Exemplo 19: Calcular a área do triângulo de vértices A ( 2 , - 1 , 4 ) , B ( -1 , - 3 ,

( 2 , - 1 , 4 ) , B ( -1 , - 3 , 3 ) e C ( 1 , - 2 ,1 ) .
Imaginemos a figura apresentada para visualizar o triângulo:
A C
Para desenvolver o cálculo da área por produto vetorial devemos optar por
dois segmentos que têm o mesmo vértice em comum para transformá-los em vetor.
 
AB = B - A AC = C - A

AB = ( - 1, - 3, 3) - ( 2 , - 1, 4 ) C= ( 1, - 2,1) - ( 2, - 1, 4 )
 
AB = ( - 3, - 2 , - 1) AC = ( - 1, - 1, - 3)
 
AB × AC
A=
2
 i j k 
   
AB × AC = det  - 3 - 2 - 1 
 - 1 - 1 - 3 
    -2 -1  - 3 -1   -3 -2  

AB × AC =  det   , - det   , det   

  -1 -3  -1 - 3   -1 -1  
 
AB × AC = ( 5, - 8,1 )
 
( -8 )
2
AB × AC = 52 + + 12
 
AB × AC = 90
141
 
( -8 )
2
AB × AC = 52 + + 12
 
AB × AC = 90
 
AB × AC = 3 10
Então:
 
AB × AC 3 10
A= = u.a.
2 2
4 PRODUTO MISTO
O produto misto tem este nome por envolver duas operações entre
vetores ao mesmo tempo, o escalar e o vetorial. O resultado obtido sempre será
um número real e a denotação é feita por: z ⋅ ( w × v ) ou ( z , w , v).
 w w3   w1 w3   w1 w2  
Já sabemos que: w × v =  det  2  , - det   , det 
  
  v2 v3   v1 v3   v1 v2  
Então:
 w w3   w1 w3   w1 w2  
z ⋅ ( w×v ) = ( z 1
, z2 ,z3 ) ⋅  det  2
  , - det   , det   
  v2 v3   v1 v3   v1 v2  
w w3   w1 w3   w1 w2 
= det  2  ⋅ z1 - det   ⋅ z2 + det   ⋅ z3
 v2 v3   v1 v3   v1 v2 
 z1 z2 z3 
 
Com isso definimos que: z ⋅ ( w×v ) = det  w1 w2 w3 
 v1 v2 v3 
Exemplo 20: Determine o produto misto formado pelos vetores

z = (1, 2 , 3) , w = ( 2 , 3, - 1) e v = ( 0 , - 2 ,1)
Resposta:
142
 z1 z2 z3 
 
z ⋅ ( w×v ) = det  w1 w2 w3 
 v1 v2 v3 
 1 2 3
 
= det  2 3 --1

 0 -2 1 
Aplicando Sarrus temos:
 1 2 3 1 2 
 
= det  2 3 -1 2 3 
 0 -2 1 0 -2 
 
= 3 + 0 - 12 - ( 0 + 2 + 4 )
z ⋅ ( w × v ) = --15
15
4.1 CÁLCULO DE VOLUMES

Com o auxílio do módulo do produto misto de vetores é possível calcular
o volume de paralelepípedos que terá suas arestas definidas pelos vetores Um
z, w e v .
tetraedro definido pelos mesmos vetores também será possível calcular, j á
que o paralelepípedo é equivalente a dois prismas triangulares iguais e estes
equivalem a três tetraedros.
Seguem as definições dos cálculos dos volumes:
 z1 z2 z3   z1 z2 z3 
  1  
A = det  w1 w2 w3  A= ⋅ det  w1 w2 w3 
6
 v1 v2 v3   v1 v2 v3 
ou ou
1
A= z ⋅ ( w × v) A= ⋅ z ⋅ (w × v)
6
Paralelepípedo Tetraedro
143
Algumas propriedades do produto misto:
I. z ⋅ ( w × v ) = 0 (Se um vetor for nulo, se dois deles são colineares, ou se os três

vetores são coplanares).
De fato: 1° - se o vetor z for nulo, teremos:
zew  z1 z2 z3 
 
det  w1 w2 w3  = 0
 v1 v2 v 3 
2° - se os vetores z e w forem colineares é porque são múltiplos um do

outro, então:
z = aw
então :
aw = az
 aw1 aw2 aw3 
 
det  w1 w2 w3  = 0
 v1 v2 v3 
3° - se os vetores z, w e v forem coplanares, o vetor 3° - se os vetores z, w e

v forem coplanares, o vetor w x v, por ser ortogonal aos vetores w e v , é ortogonal
ao vetor z .
Se z e w x v são ortogonais, o produto escalar z . ( w x v ) é nulo. É fácil

verificar que, reciprocamente, se nenhum dos vetores z, w e z é nulo e se dois
quaisquer deles não são colineares, anulamento de ( z . ( w x v)) significa que z,
w e v são coplanares.
II . z ⋅ ( w × v ) = w ⋅ ( v × z ) = v ⋅ ( z × w ) (Independe da ordem circular dos

vetores).
III . z ⋅ ( w × v + s ) = z ⋅ ( w × v ) + z ⋅ ( w × s ) .
I V. z ⋅ ( w × α ⋅ v ) = z ⋅ ( α ⋅ w × v ) = α ⋅ z ⋅ ( w × v ) = α ⋅  z ⋅ ( w × v ) 
(Multiplicação por escalar).
Exemplo 21: Determine o valor que x deve assumir para que um

paralelepípedo tenha volume de 24 u.v. (unidades de volume). Suas arestas estão
definidas pelos vetores z = ( x , 5 , 0 ) , w = ( 1 , 1 , - 1 ) e v = ( 3 , - 2 , 1 ) .
144
Resposta:
 z1 z2 z3 
 
A = det  w1 w2 w3 
 v1 v2 v3 
 x 5 0 
 
24 = det  1 1 -1 
 3 - 2 1 
24 = - x - 20
Pela definição de módula, admite-se duas hipóteses:
- x - 20 = 24
x = - 44
ou:
- x - 20 = - 24
x=4
Portanto:
x = - 44 ou x = 4
Exemplo 22: Calcular o volume de um tetraedro cujos vértices estão

nos pontos: A (1, 2 ,1) , B ( 7 , 4 , 3) , C ( 4 , 6 , 2 ) e D ( 4 , 3, 4 ) .
Resposta: Para poder transformar os pontos em três vetores, devemos

sempre escolher um dos pontos como fixo. Para o desenvolvimento desta
optaremos por A.
  

AB = B - A AC = C - A AD = D - A
  
AB = ( 7 , 4 , 3) - (1, 2 , 1) AC = ( 4 , 6 , 2 ) - (1, 2 , 1) AD = ( 4 , 3, 4 ) - (1, 2 , 1)
  
AB = ( 6 , 2 , 2 ) AC = ( 3, 4 ,1) AD = ( 3,1, 3)
145
1
A=
6
⋅ z ⋅ (w × v )
6 2 2
 
z ⋅ (w × v ) = det  3 4 1  = 36
 3 1 3 
1
Portanto, temos que o volume é: A = ⋅ 36 = 6 u . v .
6
5 PARALELISMO DE DOIS VETORES

Dois vetores serão paralelos (ou colineares) quando existir um número k
tal que v = k ⋅ w , ou seja:
v = ( v1 , v2 , v3 )
w = ( w1 , w2 , w3 )
Então:
v=k ⋅ w
(v , v
1 2
, v3 ) = k ⋅ ( w1 , w2 , w3 )
(w , w
1 2
, w3 ) = (k ⋅ w1 , k ⋅ w2 , k ⋅ w3 )
Pela definição de igualdade:
v1 = k ⋅ w1
v2 = k ⋅ w 2
v3 = k ⋅ w3
ou temos ainda que:
v1 v v
= 2 = 3 =k
w1 w2 w3
Quando suas coordenadas forem proporcionais, teremos a condição de

paralelismo, que podemos denotar por v � w .
146
Exemplo 23: Verifique se os vetores v = ( 2 , - 3, 4 ) e w = ( 4 , - 6 , 8 )

são paralelos.
Resposta:
v1 v v
= 2 = 3 =k
w1 w2 w3
2 -3 4 1
= = = k ⇒ k =
4 -6 8 2
Ou seja:
1
v= ⋅ w
2
Exemplo 24: Dados os pontos e os A (1, - 1) e B ( 2 , - 3) vetoresverifique


v= ( - 1,1) e w = ( 2 ,1) se existem os números n1 e n2 tais que w = n1 ⋅ AB + n2 ⋅ v

Resposta: Primeiramente encontraremos o vetor AB:

AB = B - A = ( 2 , - 1) - (1, - 3) = (1, 2 )
Trocando os vetores na expressão dada:


w = n1 ⋅ AB + n2 ⋅ v
( 2,1) = n 1
⋅ (1, 2 ) + n2 ⋅ ( - 1,1)
Fazendo as multiplicações pelos escalares n1 e n2 .
( 2,1) = ( n , 2 ⋅ n ) + ( - n , n )
1 1 2 2
Aplicando a soma do lado direito: ( 2 ,1) = (n 1

- n2 , 2 ⋅ n1 + n2 )
 n1 - n2 = 2
Pela igualdade de vetores, teremos o sistema: 
 2 ⋅ n1 + n2 = 1
Resolvendo o sistema obtemos a solução n1 = 1 e n2 = - 1 .
147
Logo, temos:

w = n1 ⋅ AB + n2 ⋅ v

w = AB - v
Exemplo 25: Determine os valores de a e b para que sejam paralelos os

vetores v = ( a -1 , 4 , - 4 ) e w =
( −3, 3, 2b + 2 )
Resposta:
a -1 4 -4
= =
-3 3 2b + 2
Como sabemos, a razão na proporção acima pela coluna do meio podemos

dividir o problema da seguinte forma:
a -1 4
=
-3 3
e
4 -4
=
3 2b + 2
Resolvendo as equações, temos que a solução:
5
−3
a= e b=
−
2
148
RESUMO DO TÓPICO 2
• O produto escalar entre vetores possui este nome, pois após esta operação o
resultado é um escalar, denotado e definido por: z ⋅ v = z1 ⋅ v1 + z2 ⋅ v2 + … + zn ⋅ vn
• O resultado do produto escalar pode ser interpretado como:
oz ⋅ v= 0 (vetores perpendiculares).
o z ⋅ v ≥ 0 (vetores formando um ângulo agudo).
o z ⋅ v ≤ 0 (vetores formando um ângulo obtuso).
• Com o produto escalar é possível encontrar o ângulo entre dois vetores por:
z⋅v
cos θ = .
z ⋅ v
• O produto vetorial possui este nome devido a que o resultado após a operação
é um vetor, ortogonal aos outros dois vetores. É denotação e definido por:
  w2 w3   w1 w3   w1 w2  
w × v =  det   , - det   , det   .
 v2  
  v2 v3   v1 v3   v1
• O sentido e a direção do vetor resultante do produto vetorial são descobertos

pela regra da mão direita.
• Com o auxílio do produto vetorial e entendimento de geometria, podemos

definir que a norma do vetor resultante do produto vetorial é a área de um
paralelogramo, sendo assim, a metade da área de um triângulo.
• Caso o produto vetorial seja igual a zero, então os vetores são colineares.
O produto misto tem este nome, pois envolve as duas operações já

citadas: o produto escalar e o vetorial. É definido e denotado por:
 z1 z2 z3 
 
z ⋅ ( w × v ) = det  w1 w2 w3 
 v1 v2 v3 
149
• A norma do produto misto é o volume de um paralelepípedo definido pelos
vetores do produto. Um sexto deste valor é o volume do tetraedro definido
pelos mesmos.
• Para identificar o paralelismo de dois vetores basta aplicar a definição e verificar se

o resultado encontrado em ambas as razões é uma constante v1 = v2 = v3 = k .
w1 w2 w3
150
AUTOATIVIDADE
1 Considere os vetores v = ( 1, 2, 3 ) , t= ( - 5, 1, 1 ) e w = ( 0, 0, 1), determine:

a) Verifique dois a dois quais vetores são ortogonais.
b) Calcule o ângulo, dois a dois, formado pelos vetores.
c) Sejam estes vetores vértices de um tetraedro, determine o volume do
mesmo.

2 Calcule o valor de m para que o vetor v = ( m , 5, 4 ) seja ortogonal ao vetor AB,
onde A ( 1, 2, - 3 ) e B ( 3, 4 , - 5 ) .
3 Calcule os valores de m e n para que sejam paralelos os vetores: u = ( m + 1 , 3, 1)

e v = ( 10, 4 n - 2 , 2 ) .
4 Determine se o ângulo formado entre os vetores abaixo é agudo, obtuso ou

se eles são ortogonais:
a) u = ( 4i + j +6k ) e v= ( -3j + 2k )
 1  -1 
   
b) u = 1 e u =  0 
 1  0 
   
7 - 8 
   
c) u =  3  e u =  4 
5  2
   
5 No triângulo ABC, com os vértices A (1, 2 ) , B ( – 2 , 3) e C ( 0 , 5 ) , determine:
a) Sua área, colocando como ponto fixo o ponto B .

b) O comprimento dos lados. 
c) A altura relativa ao segmento BA .
6 Determine z sabendo que A ( 2 , 0 , 0 ) , B ( 0 , 2 , 0 ) e C ( 0 , 0 , z ) são vértices de um

triângulo de área 6.
7 Verifique se os = vetores u (=2 , - 1,1) , v (1,=

0 , - 1) e t ( 2 , - 1, 4 )
são coplanares. (Observe a propriedade I do produto misto).
151
8 Determine o volume do paralelepípedo determinado pelos vetores
= u ( 3=
, - 1, 4 ) , v (=
2 , 0 ,1) e w ( - 2 ,1, 5 ) .
9 Calcule o valor de s para que o volume de um tetraedro determinado pelos

vetoresu u= =( (0 0, -, 1- 1, 2, 2) ), , v v= =( (- 4- 4, 2,
, 2,- 1- 1) ) e t =t =( (3,3,s,s,- 2- 2) )seja 11/2.
10 Determine um vetor ortogonal ao plano determinado pelos pontos A , B e C :
a) A ( 3, 0, 0 ) , B ( 0, 3, 0 ) e C ( 0, 0, 2)
b) A ( 2, 3, 0 ) , B ( 0, 2, 1) e C ( 2, 0, 2)

11 O vetor v = ( - 1, - 1 , - 2 ) forma um ângulo de 60° com o vetor AB ,
onde A ( 0, 3, 4 ) .e B ( m, - 1, 2 ) . Calcular o valor de m.
152
UNIDADE 2
TÓPICO 3
ESPAÇOS VETORIAIS
1 INTRODUÇÃO
Neste último tópico da Unidade 2 estudaremos os Espaços e Subespaços
Vetoriais e as bases. Um exemplo simples é o plano em ao traçarmos uma reta
que passa pela origem do plano, esta reta pode ser vista como um Subespaço
Vetorial do � 2 . Para verificar se um conjunto de � 2 vetores é um Espaço
ou Subespaço Vetorial, iremos recorrer a duas operações: a adição de vetores e a
multiplicação por escalar.
A Base de um Espaço Vetorial é um conjunto de vetores que podem

formar qualquer outro vetor contido neste espaço. Para identificar se um conjunto
de vetores é uma base de um Espaço Vetorial, há a necessidade de identificar e
conhecer se os vetores presentes em um conjunto são formados por combinação
linear uns dos outros, concluindo assim se os vetores são independentes ou
dependentes uns dos outros e conhecendo a dimensão deste espaço.
2 DEFINIÇÃO
Espaços como � 2 e � 3 estão bem definidos e podemos facilmente
entender sua dimensão em operações que realizamos. Estas operações, como
igualdade, soma, multiplicação por escalar, se aplicarão também para espaços em
dimensões em � n .
Seja um conjunto V, não vazio, sobre o qual estão definidas duas operações:
adição e multiplicação por escalar, isto é: ∀u, v ∈ V , u + v ∈ V (Para todo vetor
u e v pertencente ao conjunto V, a soma dos vetores u e v deve pertencer ao
conjunto V).
∀α ∈ R , ∀u ∈ V ,α u ∈ V (Para todo escalar pertencente aos números reais,

para todo vetor u pertencente ao conjunto V, o escalar multiplicado pelo vetor
deve pertencer ao conjunto V).
Para os conjuntos que obedecerem a estas duas operações e seus axiomas,

chamaremos de Espaço Vetorial Real.
153
UNI
Axiomas são verdades inquestionáveis universalmente válidas, muitas vezes

utilizadas como princípios na construção de uma teoria ou como base para uma argumentação.
A
A)) Em relação à adição :
A11)) u + ( v + w ) = ( u + v ) + w, ∀u, v , w ∈ V
A
A
A2)
2) u + v = v + u, ∀u, v ∈ V
A
A33)) ∃0 ∈ V, ∀u ∈ V ,u + 0 =u
A 4) ∀u ∈ V, ∃( - u ) ∈ V,u + ( - u ) =
A4) 0
M ) Em relação à multiplicação por escalar:

M 1) (α β ) ⋅ u = α ⋅ ( β ⋅ u )
â 2)u (α + β ) ⋅ u = α ⋅ u +
M ⋅
M 3) α ⋅ ( u + v ) = α ⋅ u + α ⋅ v
M 4) 1 ⋅ u = u
Para ∀u, v ∈ V e ∀ α , β ∈ R
Para verificar se um conjunto é um Espaço Vetorial, deve-se aplicar todos

os oito axiomas acima mencionados. Um exemplo simples de tentar provar um
Espaço Vetorial é o seguinte: dado o conjunto dos números naturais ( 1, 2, 3,...), ao
aplicarmos M1 com um escalar negativo, a resposta será um número negativo, o
qual não está contido nos números naturais. Como encontramos um número real
que contradiz um dos oito axiomas, este basta para identificarmos que o conjunto
dos números naturais não é Espaço Vetorial.
O fato relatado acima foi provado a partir de observações numéricas,

o qual não utilizaremos em nossas demonstrações, pois há a necessidade de
generalizar cada prova para todos os valores possíveis.
Todos os elementos de um Espaço Vetorial serão chamados de vetores,

independentemente se forem polinômios, matrizes ou números. Todos estes estão
relacionados, pois um Espaço Vetorial é um conjunto que possui restrições para
sua definição. Quando falado de números há os complexos, e se usássemos estes
o nome ficaria Espaço Vetorial Complexo. Salvo esta exceção, todos os demais
serão simplesmente chamados de Espaço Vetorial.
154
TÓPICO 3 | ESPAÇOS VETORIAIS
Exemplo 26: O conjunto =

V R= 2
( x , y ) / x , y ∈ R é um Espaço Vetorial { }
com as operações de adição e multiplicação por um número real assim definidas:
• (x ,y ) + (x ,y ) =
1 1 2 2 (x 1
+ x2 , y1 + y2 )
• α ( x , y ) = (α x ,α y )
Prove que V é um Espaço Vetorial, caso contrário, diga qual dos axiomas
não está compreendido.
Resposta: Note que pela primeira definição do problema, sempre que

somarmos o primeiro elemento do vetor com o primeiro do segundo, o resultado
é a soma dos dois. Isso é também verificado com a adição do segundo elemento.
Então, sempre que tiver que realizar o teste nos axiomas da adição, para esta
questão deve-se seguir a regra descrita.
A1) u + ( v + w ) = ( u + v ) + w
u + ( v + w ) = (u + v ) + w
( x , y ) + ( ( x , y ) + ( x , y ) ) =( ( x , y ) + ( x , y ) ) + ( x , y )
1 1 2 2 3 3 1 1 2 2 3 3
( x , y ) + (( x + x ) + ( y + y )) = (( x + x ) + ( y + y )) + ( x , y )
1 1 2 3 2 3 1 2 1 2 3 3
(x + x + x ,y + y + y ) = (x + x + x ,y + y + y )
1 2 3 1 2 3 1 2 3 1 2 3
A1 verificado
A 2) u + v = v + u
u+v =v+u
(x ,y ) + (x ,y ) = (x
1 1 2 2 2
, y2 ) + ( x1 , y1 )
(x + x ) + (y + y ) = (x
1 2 1 2 2
+ x1 ) + ( y2 + y1 )
A2 verificado
A3) u + 0 =u
u+0=u
( x , y ) + ( 0, 0 ) =
1 1 (x ,y ) 1 1
(x ,y ) = (x ,y )
1 1 1 1
A3 verificado
155
A 4) u + ( - u ) =
0
u + ( - u) =
0
( x , y ) + ( - x ,- y ) =
1 1 ( 0, 0 ) 1 1
( x - x , y - y ) = ( 0, 0 )
1 1 1 1
( 0, 0 ) = ( 0, 0 )
A4 verificado
Pela segunda definição do problema, na multiplicação por escalar a regra

também está bem definida. Quando um escalar multiplicar um vetor, este deve
multiplicar ambos os elementos deste vetor.
M1) (αβ ) ⋅ u = α ⋅ ( β ⋅ u )
(α β ) ⋅ u = α ⋅ ( β ⋅ u )
(α β ) ⋅ ( x , y ) = α ⋅ ( β ⋅ ( x , y ) )
1 1 1 1
(α β x , α β y ) = α ⋅ ( β x , β y )
1 1 1 1
(α β x , α β y ) = (α β x , α β y )
1 1 1 1
M1 verificado
M2) (α + β ) ⋅ u = α ⋅ u + β ⋅ u
(α + β ) ⋅ u = α ⋅ u + β ⋅ u
(α + β ) ⋅ ( x , y ) = α ⋅ ( x , y ) + β ⋅ ( x , y )
1 1 1 1 1 1
( (α + β ) x , (α + β ) y ) = (α x , α y ) + ( β x , β y )
1 1 1 1 1 1
(α x + β x ) , (α y + β y ) = (α x + β x ) , ( α y + β y )
1 1 1 1 1 1 1 1
M 2 verificado
M3) α ⋅ ( u + v ) = α ⋅ u + α ⋅ v
α ⋅ (u + v ) = α ⋅ u + α ⋅ v
α ⋅(( x , y ) + ( x , y )) = α ⋅ ( x , y ) + α ⋅ ( x , y )
1 1 2 2 1 1 2 2
α ⋅ (( x + x ) + ( y + y )) = ( α x , α y ) + ( α x , α y )
1 2 1 2 1 1 2 2
α ⋅ (( x + y ) , ( x + y )) = ( α x + α x ) , ( α y + α y )
1 1 2 2 1 2 1 2
( α x1 + α x2 ) , ( α y1 + α y2 ) = ( α x1 + α x2 ) , ( α y1 + α y2 )
M 3 verificado
156
M4) 1 ⋅ u = u
1 ⋅ u=u
1 ⋅ (x 1
, y1 ) = (x 1
, y1 )
(x1
, y1 ) = (x 1
,y1 )
M 4 verificado
Logo, V é Espaço Vetorial
Exemplo 27: O conjunto =V R= 2

{
( a, b ) / a, b ∈ R é um Espaço Vetorial }
com as operações de adição e multiplicação por um número real, assim definidas:
• ( a, b ) + ( c , d ) = ( a + c , b + d )
• β ( a, b ) = ( β a, b )
Prove que V é um Espaço Vetorial, caso contrário diga qual dos axiomas
não está compreendido.
Resolução: Note que a operação de adição é analogamente igual à do

exercício anterior com a mesma regra, por esse motivo não há a necessidade de
provar novamente.
Na multiplicação por escalar não temos a mesma percepção que na

questão anterior. Note que quando um escalar multiplica um vetor, somente
o primeiro elemento é que será multiplicado, o segundo elemento acaba não
sofrendo nenhuma alteração, apenas é copiado novamente.
M1) (α β ) ⋅ u = α ⋅ ( β ⋅ u )
(α β ) ⋅ u = α ⋅ ( β ⋅ u )
(α β ) ⋅ ( a , b ) = α ⋅ ( β ⋅ ( a , b ) )
(α β a , b ) = α ⋅ ( β a , b )
(α β a , b ) = (α β a , b )
M1 verificado
157
M2) (α + β ) ⋅ u = α ⋅ u + β ⋅ u
(α + β ) ⋅ u = α ⋅ u + β ⋅ u
(α + β ) ⋅ ( a , b ) = α ⋅ ( a , b ) + β ⋅ ( a , b )
( (α + β ) a , b ) = (α a , b ) + ( β a , b )
( (α a + β a ) , b ) = ( (α a + β a ) , ( b + b ) )
M 2 não verificado
M3) α ⋅ ( u + v ) = α ⋅ u + α ⋅ v
α ⋅ (u + v ) = α ⋅ u + α ⋅ v
α ⋅ (( a , b) + (c , d )) = α ⋅ ( a , b) + α ⋅ (c , d )
α ⋅ ( ( a + c ) , ( b + d ) ) = (α a , b ) + (α c , d )
α ⋅ ( ( a + c ) , ( b + d ) ) = (α a + α c ) , ( b + d )
( α a + α c ) , ( b + d ) = (α a + α c ) , ( b + d )
M 3 verificado
M4) 1 ⋅ u = u
1 ⋅ u=u
1 ⋅ ( a , b) = ( a , b)
( a , b) = ( a , b)
M 4 verificado
Logo, V não é Espaço Vetorial pelo axioma M2.
3 SUBESPAÇOS VETORIAIS
Podemos pensar nos subespaços vetoriais como os subconjuntos. Os
subconjuntos possuem elementos que estão contidos num determinado conjunto;
por outro lado, subespaços vetoriais são espaços contidos num determinado
espaço. Por esse motivo, os subespaços devem seguir a regra dos oito axiomas
para serem definidos como espaços vetoriais, mas sendo eles Subespaços, haverá
a necessidade de verificar apenas as condições:
158
I . Na adição :
(u + v ) ∈ S
I I. Na multiplicação por escalar ∀α ∈ R :
αu∈S
De fato: Seja u um vetor qualquer em S . Pela condição II, α u ∈ S

para todo α ∈ R . Fazendo α = 0, vem 0u ∈ S , ou seja, 0 ∈ S (axioma A 3 ) .
Fazendo α = - 1, s e g u e ( - 1 ) u = - u ∈ S (axioma A 4 ). Os demais axiomas
A 1 , A 2 , M 1 , M 2 , M 3 e M 4 de espaço vetorial são verificados em S pelo fato de ser
S um subconjunto não vazio de V .
Exemplo 28: Seja= V R= 2

{ }
eS ( x , 2 x )| x ∈ R , isto é, S é o conjunto de
vetores do plano que tem a segunda componente igual a: o dobro da primeira.
Resolução:
I . Na adição : Na adição :
(u + v ) ∈ S (u + v ) ∈ S
(u + v )
( ( x , 2x ) + ( x , 2x ) )
1 1 2 2
( x + x ) , ( 2x + 2x )
1 2 1 2
( x + x ) , ( 2 ( x + x ))
1 2 1 2
I verificado ( a segunda é o dobro da primeira )
II . Na multiplicação por escalar ∀α Na

∈ Rmultiplicação
: por escalar ∀α ∈ R :
αu∈S αu∈S
αu
α ( x1 , 2x1 )
(α x 1
, α 2 x1 )
II verificado ( a segunda é o dobro da primeira )
Logo, S é Subespaço Vetorial de V.
{ }
Exemplo 29: Seja V = R 2 e S = ( x, y ) ∈ R 2 |y = 2 - 2x i s t o é , S é o
conjunto de vetores do plano que tem a segunda componente igual a: duas
unidades menos o dobro da primeira.
159
Resolução:
Na adição :
I . Na adição :
(u + v ) ∈ S
(u + v ) ∈ S (u + v )
( ( x , 2 - 2x ) + ( x , 2 - 2x ) )
1 1 2 2
( x + x ) , ( 2 - 2x + 2 - 2x )
1 2 1 2
( x + x ) ,( 4 - 2 ( x + x ))
1 2 1 2
I não verificado ( a segunda é 4 menos o dobro da primeira )
R :multiplicação por escalar ∀α ∈ R :

II . Na multiplicação por escalar ∀α ∈Na
αu∈S αu∈S
αu
α ( x1 , 2 - 2x1 )
(α x , α 2 - α 2 x )
1 1
II não verificado ( a segunda éα 2 menos o dobro da primeira )
Logo, S não é Subespaço Vetorial de V.

  a b     a b  
Exemplo 30: Seja V = M ( 2, 2 ) =    ; a, b, c , d ∈ R  e S =   ; a, b ∈ R 
  c d     0 0  
isto é, S é uma matriz quadrada de ordem 2, onde os elementos da segunda linha
são nulos.
Resolução:
Na adição :
I . Na adição :
(u + v ) ∈ S
(u + v ) ∈ S (u + v )
 a1 b1   a2 b2 
 + 
0 0  0 0
 a1 + a2 b1 + b2 
 
 0 0 
I verificado ( a segunda linha permanece nula )
160
II . Na multiplicação por escalar ∀α ∈ R :

Na multiplicação por escalar ∀α ∈ R :
β u∈S
αu∈S
βu
 a1 b1 
β  
0 0
 β a1 β b1 
 
 0 0 
II verificado ( a segunda linha permanece nula )
Logo, S é Subespaço Vetorial de V.
Algumas observações importantes:
Todo Espaço Vetorial admite pelo menos dois subespaços vetoriais:
1. O conjunto {0}, Subespaço nulo.

2. E o próprio Espaço Vetorial
Alguns Subespaços vetoriais:
2
• Qualquer reta do � 2 que passa pela origem é um Subespaço Vetorial do � .
3 3
• Qualquer reta do � que passa pela origem é um Subespaço Vetorial do � .
• Qualquer plano do � 3 que passa pela origem é um Subespaço Vetorial do � 3 .
4 COMBINAÇÕES LINEARES
Determinar novos vetores a partir de vetores dados é uma das características
mais importantes de um Espaço Vetorial. Para isso, dizemos que um vetor ( v ) é
a combinação linear de outros vetores ( v1 , v2 , , vn ) de um Espaço Vetorial V , se
existem os números reais ( a1 , a2 , , an ) tais que: v = a1 v1 + a2 v2 +  an vn

Exemplo 31: Escrever o vetor v V v = ( - 4, - 18, 7 ) como combinação
linear (CL) dos vetores v1 = (1, - 3, 2 ) e v2 = ( 2 , 4 , - 1) .
Resolução:
161
v = a1 v1 + a2 v2
( - 4, - 18, 7 ) = a (1, - 3, 2 ) + a ( 2, 4, - 1)
1 2
( - 4, - 18, 7 ) = ( a , - 3a , 2a ) + ( 2a , 4a ,
1 1 1 2 2
- a2 )
 - 4 = a1 + 2a2

Pela igualdade de dois vetores temos o seguinte sistema: - 18 = - 3a1 + 4a2
 7 = 2a - a
 1 2
Resolvendo o sistema acima encontramos uma solução:
a1 = 2
a2 = - 3
Portanto: v = 2v1 - 3v2
E
IMPORTANT
Esta solução pode ser encontrada com o auxílio de matrizes, pois fica bem clara
a verificação da existência ou não da combinação linear.
Exemplo 32: Mostre que o vetor v = ( 4 ,1, - 2 ) não é combinação linear

(CL) dos
= vetores v1 (=
2 , - 1, 5 ) e v2 (1, - 2 , - 1) .
Resolução:
v = a1 v1 + a2 v2
( 4,1, - 2 ) = a ( 2, - 1, 5) + a (1, - 2, - 1)
1 2
( 4,1, - 2 ) = ( 2a , - a , 5a ) + ( a , - 2a , - a )
1 1 1 2 2 2
 4 = 2a1 + a2

Pela igualdade de dois vetores temos o seguinte sistema:  1 = - a1 - 2a2
 - 2 = 5a - a
 1 2
162
Observe que este sistema não admite solução, portanto v não pode ser
escrito como combinação linear de vetores.
Exemplo 33: Verifique se um Espaço Vetorial P2 dos polinômios de grau

maior ou igual a 2, o polinômio v = 7 x 2 + 11x - 26 é combinação linear dos
polinômios: vv ==7 x52x 2+ -11
3xx +- 26
2
1
vv1 == 5- x22x-2 3+x5+x 2- 8
2
v2 = - 2 x 2 + 5 x - 8
Resolução:
v = a1 v1 + a2 v2
( )
7 x + 11x - 26 = a1 5x 2 - 3x + 2 + a2 - 2 x 2 + 5x - 8
2
( )
7 x 2 + 11x - 26 = 5x 2 a1 - 3xa1 + 2a1 - 2 x 2 a2 + 5xa2 - 8a2
 7 x 2 = 5x 2 a1 - 2 x 2 a2

Pela igualdade de dois vetores temos o seguinte sistema:  11x = - 3xa1 + 5xa2
 - 26 = + 2a - 8a
 1 2
 7 = 5a1 - 2a2

Eliminando os coeficientes:  11 = - 3a1 + 5a2
 - 26 = + 2a - 8a
 1 2
Resolvendo o sistema acima encontramos uma solução:
a1 = 3
a2 = 4
Portanto: v = 3v1 + 4v2
5 DEPENDÊNCIA E INDEPENDÊNCIA LINEAR

Um Espaço Vetorial em � 3 (por exemplo) pode ser gerado por três,
quatro, cinco ou mais vetores. Para este exemplo o número mínimo de vetores
3
geradores do � seria três, os demais vetores seriam combinações vetoriais
dos outros. É de grande serventia para nossos estudos identificar a quantidade
mínima de geradores. O estudo da dependência ou independência linear nos
ajudará a determinar o menor conjunto gerador de um Espaço Vetorial verificando
a dependência de vetores.
163
Na imagem a seguir está sendo representada de forma geométrica a

dependência linear de dois ou três vetores no � 3
z z
v2 v3
v2
v1 v1
y y
{v1
, v2 } é LD {v 1
, v2 , v3 } é LD
x x
( v1 e v2 estão representados na ( v1 , v2 e v3 estão representados no

mesma reta que passa pela origem ) mesma plano que passa pela origem )
Aqui está sendo representada de forma geométrica a independência linear

de dois ou três vetores no � 3 .
z z
v2
v2
v3
v1 v1
y y
{v 1
, v2 } é LI {v 1
, v 2 , v3 } é LI
x x
Vetorial e A
Definição: Sejam V um Espaço = {v , v
1 2
, , vn } ⊂ V
Considere a equação a1 v1 + a2 v2 +  + an vn =
0
164
Sabemos que essa equação admite pelo menos uma solução:

a1 = 0 , a2 = 0 , , an = 0 chamada solução trivial. (Única resposta possível é zero)
• O conjunto A diz-se linearmente independente ( LI ) , ou os vetores Ŷ1 Ŷ 2  n

são LI caso a equação admita apenas a solução trivial.
• Se existirem soluções an ≠ 0 , diz-se que o conjunto A é linearmente dependente

( LD ), ou que os vetores v1 , v2 , , vn são LD .
Exemplo 34: No Espaço Vetorial , V = R os vetores v1 = ( - 1, 0 , - 2 ) , v2 = (-2

3
- 1, 0 , - 2 ) , v2 = ( - 2 , 1 , - 3 ) e v3 = ( 4 , - 6 , 2 ) - mostre que é um conjunto linearmente

dependente.
Resolução: a1 v1 + a2 v2 +  + an vn = 0
Como já aprendemos em combinação linear, verificamos que há uma

solução além da trivial:
4v1 - 3v2 - v3 = 0
4n ( - 1 , 0 , -2 ) - 3 n ( -2 , 2 , -3 ) - ( 2 , -6 , 1 ) = ( 0 , 0 , 0 )
Portanto, os vetores são LD .
Exemplo 35: No Espaço Vetorial V = R 2, os vetores v1 = ( - 1, 2 ) e v2 = ( 2 , 0 )

formam um conjunto LI ou LD .
Resolução:
a1 v1 + a2 v2 +  + an vn =
0
a1 ( - 1, 2 ) + a2 ( 2 , 0 ) = ( 0 , 0 )
( -a ,1
2a1 ) + ( 2a2 , 0 ) = ( 0 , 0 )
 - a1 + 2a2 = 0

 2a1 = 0
165
Como este sistema admite apenas a solução trivial: a1 = 0 e a2 = 0
Portanto, os vetores são LI .
Exemplo 36: No Espaço Vetorial M ( 2, 2 ) , verifique se os vetores são LI

ou LD .
  1 - 1   2 0   0 1  
A =   ,   ,   
  2 - 3   1 - 1   - 1 2  
Resolução:
a1 v1 + a2 v2 +  + an vn = 0
 1 -1   2 0   0 1  0 0 
a1   + a2   + a3   =  
 2 -3   1 -1   - 1 2  0 0 
 a1 - a1   2a2 0   0 a3  0 0 
  +   +   =  
 2a1 - 3a1   a2 - a2   - a3 2a3  0 0 
 a1 + 2a2 - a1 + a3  0 0 
  =  
 2a1 + a2 - a3 - 3a1 - a2 + 2a3  0 0 
 a1 + 2a2 = 0

 - a1 + a3 = 0

 2a1 + a2 - a3 = 0
- 3a1 - a2 + 2a3 = 0

A única solução possível é a trivial: a=

1
a=
2
a=
3
0
Portanto, é LI .
Exemplo 37: No Espaço Vetorial M ( 2, 2 ) , verifique se os vetores são LI

ou LD .
  1 1   0 1   - 2 - 4  
A=    ,   ,  
  3 0   - 3 1   0 - 2  
166
Resolução:
a1 v1 + a2 v2 +  + an vn = 0
 1 1  0 1  - 2 - 4  0 0 
a1   + a2   + a3   =  
3 0 - 3 1   0 - 2  0 0 
 a1 a1   0 a2   - 2a3 - 4a3  0 0 
  +   +   =  
 3a1 0   - 3a2 a2   0 - 2a3  0 0 
 a1 - 2a3 a1 + a2 - 4a3  0 0 
  =  
 3a1 - 3a2 a2 - 2a3  0 0 
 a1 - 2a3 = 0

 a1 + a2 - 4a3 = 0

 3a1 - 3a2 = 0
 a2 - 2a3 = 0

A única solução possível não é apenas a trivial, admitindo outras respostas:

a1 = 2a3 e a2 = 2a3
Portanto, é LD.
Uma outra forma de verificar a dependência ou não dos vetores é pelo

determinante de uma matriz constituída das coordenadas dos vetores. Esta forma
só é válida para um conjunto de vetores, onde o número de vetores é igual à
dimensão em que ele está contido, ou ainda, só é válido para matrizes quadradas.
Quando o determinante da matriz for zero, temos que os vetores serão LD , caso
possua valor diferente de zero os vetores serão LI.
det= 0 ⇒ LD
det ≠ 0 ⇒ LI
Você pode estar pensando: por que isso funciona? Imagine três vetores no
R 3 , ao calcular o volume do paralelepípedo produzido pelos vetores e obtendo
como resposta zero, é porque há um vetor que é: ou múltiplo escalar do outro ou
está contido no mesmo plano.
Exemplo 38: No Espaço Vetorial V = R 3 , os vetores v1 = ( - 1 , 2 , 3) , v2 = (

= ( - 1 , 2 , 3 ) , v2 = ( 2 , 0 , - 2 ) e v3 = ( 1, 1, - 1) formam um conjunto LI ou LD .
167
-1 2 3 
 
Resposta: det  2 0 - 2  = 10
4
 1 1 - 1 
- 3 ) e v2 = (
Portanto LI
Exemplo 39: No Espaço Vetorial V = R 2 , os vetores v1 =

- 6 , 9 ) formam um conjunto LI ou LD.
( 2 , - 3 ) e v2 = .
( - 6, 9 )
Resposta:
 2 -3
det   =0
- 6 9
Portanto: LD.
6 SUBESPAÇOS GERADOS
Definição: Seja V um Espaço Vetorial e um subconjunto A = {v1 , v2 ,  , vn } ⊂ V , A ≠ 0
 , vn } ⊂ V , A ≠ 0 O conjunto S de todos os elementos de V que são combinação linear
dos vetores de A é um Subespaço Vetorial de V .
  
 v1 , v2 ,  , vn  = {a
1
v1 + a2 v2 +  + an vn ; a1 , a2 ,  an ∈ R }
Geradores Subespaço gerado
Todos os vetores que podem ser escritos como combinação linear dos
vetores v1 , v2 , , vn , formam também um Espaço Vetorial que é chamado
Subespaço gerado. Os vetores v1 , v2 , , vn são chamados geradores do
Subespaço de S , enquanto A é o conjunto gerador de S .
Dois vetores quaisquer de S podem ser escritos por:
    
w + v = ( a1 + b1 ) v1 + ( a2 + b2 ) v2 +  + ( an + bn ) vn
   
α w = ( α a1 ) v1 + ( α a2 ) v2 +  + ( α an ) vn
168
O subespaço S diz-se gerado pelos vetores v1 , v2 , , vn , ou gerado pelo

conjunto A , e representa-se por: S =  v1 , v2 , , vn  ou S = G ( A )
Exemplo 40: Determine um conjunto de geradores para o Subespaço

{ }
Vetorial: W = ( x , y , x ) de R 3 ; x - 3z = 0
Resolução: ( x , y , x ) ∈ W ⇔ x - 3z = 0
Há a necessidade de tentar escrever os vetores na menor quantidade de letras:
x - 3z = 0
x = 3z
Portanto temos:
( x , y , x ) = ( 3z , y , z )
Pode-se perceber que o vetor de W possui duas letras. Por esse motivo
escreveremos ele como sendo a soma de dois vetores, uma em função de z e a
outra em função de y .
( 3z , y , z ) = ( 3z , 0, z ) + ( 0, y , 0 )
Em função de z Em função de y
( 3z , y , z ) = z ( 3, 0,1) + y ( 0,1, 0 )
W = ( 3, 0 ,1) , ( 0 ,1, 0 ) 
Conjunto da combinação linear dos vetores que origina W
Portanto, o conjunto dos vetores geradores {( 3, 0,1) , ( 0,1, 0 )}
ATENCAO
Note a diferença entre escrever os vetores com chaves { } ou com colchetes [ ].
169
Exemplo 41: Determine um conjunto de geradores para o Subespaço

{
Vetorial W = ( x , y , x ) de R 3 ; x = 2 z e x - y = 0 }
Resolução: ( x , y , x ) ∈ W ⇔ x = 2 z e x - y = 0
Há a necessidade de tentar escrever os vetores na menor quantidade de

letras isolando uma delas. Uma dica importante é isolar a letra que aparece igual
em ambos os lados neste caso:
x-y=0
x=y
como:
x = 2z
x-y=0
e x = y , temos:
y = 2z
Portanto temos:
( x , y , x ) = ( 2z , 2z , z )
Pode-se perceber que o vetor de W possui apenas uma letra. Por esse
motivo escreveremos como sendo multiplicação de um escalar por vetor.
( 2z , 2z , z ) = z ( 2, 2,1)
W = ( 2 , 2 ,1) 
Conjunto da combinação linear do vetore que origina W
Portanto, o conjunto do vetor gerador é {( 2, 2,1)}

Exemplo 42: Determine o Subespaço de R 3 gerado pelo conjunto ou vetor
a seguir.
a) v = (1, 2 , 4 )
Resolução:
Temos que:
( x , y , z ) = a (1, 2, 4 )
170
Com isso:
x=a
y = 2a
z = 4a
Donde:
y = 2x
z = 4x
Logo:
= v  {( x, 2x, 4x ) ; x ∈ R}
ou
{
 v  = ( x , y , z ) ; x ∈ R ƒ y =2 x e z =4 x
3
}
{
b) A = (1, - 2 , - 1) , ( 2 ,1,1) }
Resolução: ( x , y , z ) = a1 (1, - 2 , - 1) + a2 ( 2 ,1,1)
 a1 + 2a2 = x

Da igualdade apresentada acima temos:  - 2a1 + a2 = y
 -a +a =z
 1 2
Você notará que a única forma do sistema apresentar uma solução será
quando x + 3y - 5z = 0 . (Exercite para a verificação).
{
Logo:  v  =( x , y , z ) ; x ∈ R ƒ x + 3y - 5z =
3
0 }
  - 1 2  3 - 1 
Exemplo 43: Seja V = M ( 2 , 2 ) e o subconjunto: A =    ,  
  - 2 3  1 1 
Determine o Subespaço G ( A )
x y  - 1 2  3 -1 
Resposta:   = a1   + a2  
z t  - 2 3  1 1 
171
 - a1 + 3a2 = x

 2a1 - a2 = y
Da igualdade apresentada acima temos: 
 - 2a1 + a2 = z
 3a1 + a2 = t
- 2y + t y 
Terá solução: G ( A )  
=  ; y e t ∈ R
  - y t 
E
IMPORTANT
Você deve notar que não há uma única solução possível, pois poderíamos isolar
outras incógnitas que também gerariam o Subespaço.
7 DIMENSÃO DE UM ESPAÇO VETORIAL

Seja V um Espaço Vetorial:
• Se V possui uma base com n vetores, então V tem dimensão n e anota-se

dimV = n .
• Se V não possui base, dim V = 0
• Se V tem base com infinitos vetores, então a dimensão de V é infinita e anota-se
dimV = ∞
Exemplo 44: Determine a quantidade de dimensões para cada item:
a) dim R 2 = 2 , pois toda base de R 2 tem dois vetores

b) dim R n = n
c) dim M ( 2 , 2 ) = 4 ( matrizes )
d) dim M ( m, n= ) m × n( matrizes )
e) dim P = 4 ( polinômios )
3
f) dim Pn= n + 1 ( polinômios )
g) dim {0} = 0
172
8 BASE
Um =
conjunto B {v , v
1 2
, , vn } ⊂ V é uma base do Espaço Vetorial V se:
I . B é LI (linearmente independentes)
II. B gera V
Para então verificar se um conjunto de vetores é base de um Espaço Vetorial,

basta fazer as duas condições apresentadas acima. Um conjunto importante de
vetores que constituem uma base como a apresentada a seguir é chamado de base
canônica:
• {1} é uma base canônica de R

• {(1, 0 ) , ( 0,1)} é uma base canônica de R²
• {(1, 0, 0 ) , ( 0,1, 0 ) , ( 0, 0,1)} é uma base canônica de R 3
 1 0  0 1  0 0  0 0  
•   ,  ,  ,   é uma base canônica de M ( 2 , 2 )
 0 0  0 0  1 0  0 1  
{
Exemplo 45: Verifique se B = (1,1) , ( - 1, 0 ) } é base de R 2
Resposta: Testando as condições:
I . B é LI?
a (1,1) + b ( - 1, 0 ) = ( 0 , 0 )
a - b = 0
Pela igualdade: 
 a=0
Como a única solução possível é a trivial ( a= b= 0 ) então: B é LI
II . B gera R 2 ?
( x , y ) = a (1,1) + b ( - 1, 0 )
173
a - b = x
Pela igualdade:  =
, onde temos: a y=
e b x-y
 a=y
Portanto:
( x , y ) = a (1,1) + b ( - 1, 0 )
( x , y ) = y (1,1) + ( x - y )( - 1, 0 )
Isto é: B gera R 2
Portanto, concluímos que B é base de R 2
{ }
Exemplo 46: Verifique se B = (1, 2 ) , ( 2 , 4 ) é base de R 2
Resposta: Testando as condições:
I . B é LI?
a (1, 2 ) + b ( 2 , 4 ) = ( 0 , 0 )
 a + 2b = 0
Pela igualdade: 
 2 a + 4b = 0
Como os vetores são múltiplos escalares, temos que: B é LD (Linearmente

Dependentes)
Portanto, concluímos que B não é base de R 2
8.1 BASE ORTOGONAL

Diz-se que uma base {v1 , v2 , , vn } de V é ortogonal se os seus vetores são
dois a dois ortogonais.
Exemplo 47: No , R 3 o conjunto {( 1, 2, - 3 ) , ( 3, 0, 1) , ( 1, - 5 , - 3 )} é uma

base. Verifique se é uma base ortogonal.
Resposta:
(1, 2, - 3) ⋅ ( 3, 0,1) =
0
(1, 2, - 3) ⋅ (1, - 5, - 3) =0
(1, 2, - 3) ⋅ (1, - 5, - 3) =0
174
Como todos os vetores são ortogonais uns com os outros, é uma base
ortogonal de R 3 .
8.2 BASE ORTONORMAL

{ }
Uma base B = v1 , v2 , , vn de um Espaço Vetorial euclidiano V é
ortonormal se B é ortogonal e todos os seus vetores são unitários, isto é:
I. Um vetor multiplicado por outro é sempre igual a zero.

II. Um vetor multiplicado por ele mesmo é um.
O nome ortonormal vem da simples combinação de ortogonal com

normalização, duas operações que já foram aprendidas no primeiro e no segundo
tópico desta unidade. Uma base canônica sempre será uma base ortonormal.
 3 1   1 3  
Exemplo 48: Dada uma base: B =  ,  , - , 
 2 2   2 2 
    
Verifique se é uma base ortonormal.
Resposta: Pelo produto interno podemos ver que são ortogonais:

 3 1  1 3
 ,  ⋅ - , =0
 2 2  2 2 
   
Verificando também que os vetores são unitários:
2
 3   1 2 3 1
=v1   += =+ 1
 2   2  4 4
 
2 2
 1  3 1 3
=v2  -  +=
  =+ 1
 2   2  4 4
Com isso, temos uma base que é ortonormal.
175
8.3 PROCESSO DE ORTOGONALIZAÇÃO DE GRAM-SCHMIDT

Dado um Espaço Vetorial euclidiano V e uma base qualquer desse
B = {v1 , v2 , , vn } espaço, é possível, a partir dessa base, determinar uma base
ortogonal de V.
De fato, supondo que v1 , v2 , , vn não são ortogonais, considere-se e

w1 = v1 determine-se o valor de α de modo que o vetor w2 = v2 - α w1 s e j a
ortogonal a w1 :
(v 2
- α w1 ) ⋅ w1 =
0
v2 ⋅ w1 - α w1 ⋅ w1 =
0
v2 ⋅ w1
α=
w1 ⋅ w1
 v ⋅ w1 
Isto é: w2 v2 -  2
=  ⋅ w1
 w1 ⋅ w1 
Assim, os vetores w1 e w2 são ortogonais.
Considere-se o vetor: w3 = v3 - a2 w2 - a1w1 e determina-se os valores de a2

e a1 de maneira que o vetor w3 seja ortogonal aos vetores w1 e w2 :
( v3 - a2 w2 - ca1w1 ) ⋅ w1 =0

 ( v3 - a2 w2 - a1w1 ) ⋅ w2 =
0
 v3 ⋅ w1 - a2 ( w2 ⋅ w1 ) - a1 ( w1 ⋅ w1 ) =
0

 v3 ⋅ w2 - a2 ( w2 ⋅ w2 ) - a1 ( w1 ⋅ w2 ) =0
 v ⋅ w1 - a1 ( w1 ⋅ w1 ) =0
0 , temos :  3
Como w1 ⋅ w2 =
 v3 ⋅ w2 - a2 ( w2 ⋅ w2 ) = 0
v3 ⋅ w1 v3 ⋅ w2
Então: a1
= = ; a2
w1 ⋅ w1 w2 ⋅ w2
Ficando assim:
176
w3 = v3 - a2 w2 - a1 w1
 v ⋅ w2   v3 ⋅ w1 
w3 = v3 -  3  w2 -   w1
w
 2 ⋅ w 2 
w
 1 ⋅ w1 
Assim, os vetores w1 , w2 e w3 são ortogonais.
Os vetores ficaram definidos por:
w1 = v1
 v ⋅ w1 
=w2 v2 -  2  ⋅ w1
 w1 ⋅ w1 
 v ⋅ w2   v3 ⋅ w1 
w3 = v3 -  3  ⋅ w2 -   ⋅ w1
w
 2 ⋅ w 2 
w
 1 ⋅ w1 
} , onde v1 (=
Exemplo 49: Seja uma base B = {v1 , v2 , v3= 0 , 1,1) , v2 (1,1,1)
e v3 = ( 0 , 0 ,1) formam uma base não ortogonal. Usando o processo de Gram-
Schmitd, determine uma base ortogonal de R 3 .
Resposta:
w1 = v1
w1 = ( 0, 1, 1)
 v ⋅ w1 
w 2 = v2 -  2  ⋅ w1
 w1 ⋅ w1 
 ( 1, 1, 1) ⋅ ( 0, 1, 1) 
w 2 = ( 1, 1, 1) -  ⋅ ( 0, 1, 1)
 ( 0, 1, 1) ⋅ ( 0, 1, 1) 

 0 + 1 + 1
w 2 = ( 1, 1, 1) -   ⋅ ( 0, 1, 1)
 0 + 1 + 1
w 2 = ( 1, 1, 1) - 1 ⋅ ( 0, 1, 1)
w 2 = ( 1, 1, 1) + ( 0, - 1 , - 1)
w 2 = ( 1, 0, 0 )
177
w2 = ( 1, 0, 0 )
 v ⋅ w2   v3 ⋅ w1 
w 3 = v3 -  3  ⋅ w2 -   ⋅ w1
 w2 ⋅ w2   w1 ⋅ w1 
 ( 0, 0, 1) ⋅ ( 1, 0, 0 )   ( 0, 0, 1) ⋅ ( 0, 1, 1) 
w3 = ( 0, 0, 1) -   ⋅ ( 1, 0, 0 ) -   ⋅ ( 0, 1, 1)
 ( 1, 0, 0 ) ⋅ ( 1, 0, 0 ) 
 ( 0, 1, 1) ⋅ ( 0, 1, 1) 
 
 
0 + 0 + 0  0 + 0 + 1
w3 = ( 0, 0, 1) -   ⋅ ( 1, 0, 0 ) -   ⋅ ( 0, 1, 1)
1 + 0 + 0  0 + 1 + 1
1
w3 = ( 0, 0, 1) - 0 ⋅ ( 1, 0, 0 ) - ⋅ ( 0, 1, 1)
2
 1 1
w3 = ( 0, 0, 1) +  0, - , - 
 2 2
 1 1
w3 =  0, - , 
 2 2
  1 1 
Com isso nossa base ortogonal ficará: B ' = ( 0 ,1,1) , (1, 0 , 0 ) ,  0 , - ,  
  2 2 
Caso necessitemos que uma base, além de ser ortogonal, seja ortonormal,
basta pegar os vetores encontrados no processo de ortogonalização de Gram-
Schmidt e normalizar.
Exemplo 50: Com a base ortogonal encontrada no exercício 49, normalize

para formar uma base ortonormal.
  1 1 
Resposta: B ' = ( 0 ,1,1) , (1, 0 , 0 ) ,  0 , - ,  
  2 2 
Verificando o comprimento de cada vetor:
v1 = 02 + 12 + 12 = 2
v2 = 12 + 02 + 02 = 1
2 2
 1 1 1 1
v3 = 0 + -  +   =
2
=
 2 2 2 2
178
Normalizando os vetores:
1
u1 = ⋅ v1
v1
1
u1 = ⋅ ( 0 ,1,1)
2
 1 1 
u1 =  0 , , 
 2 2
Como v2 já é unitário, não há a necessidade de normalizar
1
=u3 ⋅ v3
v3
1  1 1
u3
= ⋅  0, - , 
1  2 2
2
 1 1
u3
= 2 ⋅  0, - , 
 2 2
 2 2
u3 =  0 , - , 
 2 2 
 
Com isso nossa base ortonormal ficará:
 1 1   2 2  
=B'  0 , ,  , (1, 0 , 0 ) , 

0 , − , 
2 2  
 2 2 
179
A QUARTA DIMENSÃO QUE NINGUÉM ENXERGA
Nos últimos 100 anos, o conceito de dimensão desenvolveu-se de tal

forma que atualmente é comum aos matemáticos falarem de mundos de infinitas
dimensões e até de objetos com número fracionário de dimensões. É bem verdade
que, há mais de 2.000 anos, os gregos, com base nos sentidos e nos princípios
da Geometria de Euclides, o mais famoso matemático da Antiguidade greco-
romana (século III a.C), viviam num mundo tridimensional. Eles observavam,
como nós hoje, um mundo repleto de objetos com comprimento, largura e
altura – tridimensionais. Natural, portanto, que considerassem o Universo
que contém esses objetos também em três dimensões. Para Euclides, esses
atributos – comprimento, largura e altura – correspondiam ao que chamamos
matematicamente de dimensão. Assim, a linha passa a ser o modelo de objeto
com apenas uma dimensão, pois tem só o comprimento.
Os objetos planos têm comprimentos e largura e, então, o plano

passa a ser o modelo das coisas de duas dimensões. Já os sólidos, além de
comprimento e largura, também têm altura e são os exemplos acabados de
objetos tridimensionais. Dessa maneira, os matemáticos da época de Euclides
concordavam com o senso comum de que o Universo é 3-D (tridimensional).
Essa visão perdurou por séculos e a História registra algumas objeções
célebres à ideia de uma quarta dimensão. Uma delas é atribuída ao astrônomo
Alexandrino Ptolomeu, que ponderava: se é possível desenharmos no espaço
três eixos perpendiculares entre si, não podemos ainda afirmar que o plano do
Universo seja perpendicular aos outros três.
É curioso, mas nem sempre quem especula com ideias consideradas

bizarras, que anos depois acabam se incorporando à ciência, são os cientistas.
Um exemplo dessa visão premonitória aparece no livro Pontes para o infinito,
de Michael Guillem, quando trata do tema dimensões. Ele relata que o
filósofo inglês Henry More (1614-1687) insistia na existência de fantasmas
que habitariam a quarta dimensão, suas ideias foram repelidas nos centros
científicos.
Um caso exemplar desse preconceito é o do matemático e filósofo René

Descartes: expandindo a linguagem da Geometria euclidiana, ele viu surgir a
possibilidade de uma quarta dimensão e prontamente a rejeitou, por julgá-la
irrealista. Na Geometria analítica inventada por Descartes, as dimensões de um
objeto correspondem ao número de coordenadas necessárias para descrever com
clareza seus pontos, o que fica bem determinado pela longitude e latitude. O
plano é bidimensional, isto é, dois números ordenados segundo uma convenção,
determinam um ponto desse plano. Da mesma forma, um sólido é tridimensional
– três números ordenados localizam cada um dos seus pontos. Como destacou
180
Guillem, tratavam-se de dois enfoques diferentes: o de Euclides era qualitativo,

assentado nas qualidades da forma – comprimento, largura e altura; o de
Descartes, quantitativo, importava o número das coordenadas para descrever
bem o objeto. Um interpretou nossas experiências sensoriais; o outro, nossa
compreensão lógica.
Pode parecer pouco, mas tal mudança na visão do conceito de dimensão

ocorreu quando os homens ainda estavam presos ao pensamento euclidiano.
E não foi fácil perceber que um objeto da quarta dimensão não passa de uma
entidade matemática que tem necessidade de quatro coordenadas para ser
descrito adequadamente. Isso pode parecer óbvio ao estudante moderno, mas foi
insuficiente para vencer a resistência dos matemáticos da geração de Descartes e
dos que se seguiram, em aceitar a possibilidade da existência lógica de algo que
não podiam visualizar.
Há menos de um século e meio, no entanto, Bernhard Riemann, jovem

matemático alemão, ao estender a Geometria de Euclides e de Descartes,
desenvolveu em detalhes a ideia de uma Geometria quadridimensional. Mais
que isso: provou que a Geometria euclidiana é uma das muitas igualmente
lógicas e consistentes geometrias que se referem a espaços de quaisquer números
de dimensão, do zero ao infinito. Da semente plantada por Riemann, em 1854,
nasceu um fruto colhido por Albert Einstein, em 1915. Ele mostrou que, embora
nosso universo pareça uma variedade 3-D, é, de fato, 4-D. Ao alargar a noção de
dimensão ele dava o primeiro passo para se perceber a variedade espaçotemporal
que é o Universo. [...] Mas Ptolomeu não estava inteiramente errado: a régua que
mede comprimento, largura e altura não é a mesma que mede o tempo.
Luiz Barco é professor da Escola de Comunicações e Artes da Universidade

de São Paulo.
FONTE: Disponível em: <http://super.abril.com.br/ciencia/a-quarta-dimensao-que-ninguem-

enxerga>. Acesso em: 15 fev. 2016.
181
RESUMO DO TÓPICO 3
• Será Espaço Vetorial se verificarmos os oito axiomas:

o Quatro em relação à adição.

o Quatro em relação à multiplicação por escalar.
• Todo Subespaço Vetorial deve manter:

o Na adição: ( u + v ) ∈ S
o Na multiplicação por escalar ∀α ∈ R : α u ∈ S
• Um vetor será combinação linear de outros se houver números reais tais que:
v = a1v1 + a2 v2 +  + an vn
• Sobre dependência e independência linear a1 v1 + a2 v2 +  + an vn = 0

o O conjunto A diz-se linearmente independente ( LI ) , ou os v1 , v2 , , vn
vetores são LI caso a equação admita apenas a solução trivial.

o Se existirem soluções an ≠ 0 , diz-se que o conjunto A é linearmente
dependente ( LD ) , ou que os v1 , v2 , , vn vetores são LD .
• Subespaços Gerados a partir de um conjunto de vetores ou por uma condição

imposta.
  
 v1 , v2 , , vn  = { a1 v1 + a2 v2 +  + an vn ; a1 , a2 ,  an ∈ R }
• Uma base deve atender a dois critérios:

o B é LI

o B gera V
• Representamos dim por a dimensão de um Espaço Vetorial. São exemplos:

dim R n = n
dim R n = n
dim M ( m , n ) = m × n ( matrizes )
dim Pn = n + 1 ( polinômios )
182
• Uma base ortogonal possui todos os vetores ortogonais entre si.
• Uma base ortonormal possui os vetores ortogonais e unitários.
• O processo de Gram-Schmidt ortogonaliza os vetores de uma base.
w1 = v1
 v ⋅ w1 
=w 2 v2 -  2  ⋅ w1
 w1 ⋅ w1 
 v ⋅ w2   v3 ⋅ w1 
w3 =v3 -  3  ⋅ w2 -   ⋅ w1
 w2 ⋅ w2   w1 ⋅ w1 
183
AUTOATIVIDADE
1 Verifique quais deles são espaços vetoriais. Para aqueles que não são espaços
vetoriais, cite os axiomas que não verificam.
a) R 3
( x,y,z ) + ( a,b,c ) = ( x+a,y+b,z+c )
k ( x , y , z ) = ( 0, 0, 0 )
b) {( x , 2x , 3x ) ; x ∈ R} com as operações usuais
c) R 2
( x,y ) + ( z,w ) = ( x+z,y+w )
β ( a , b ) = ( βa , βb )
d) R 2
( x,y ) + ( z,w ) = ( x+z,y+w )
β ( x , y ) = ( βx , 0 )
2 Verifique quais conjuntos abaixo são subespaço vetorial.
a) S
= {=
( x , y ) / y - x} no R 2
b) S = {( x , x ) ; x ∈ R} no R
2 2
c) S = {( x , y , z ) / z = 2 x - y} no R 3
d) S = {( x , y , z ) / y = x + 2 e z = 0} no R 3
  a b  
e) S =    ; c = a + b e d = 0
  c d  
3
3 Classifique os seguintes subconjuntos do R em LI ou LD
{
a) ( 2 , - 1, 3) }
b) {(1, - 1,1) , ( - 1,1, - 1)}
{
c) ( 2 , - 1, 0 ) , ( - 1, 3, 0 ) , ( 3, 50 )}
d) {(1, 2 , - 1) , ( 2 , 4 , - 2 ) , (1, 3, 0 )}
e) {(1, - 1, - 2 ) , ( 2 ,1,1) , ( - 1, 0 , 3)}
184
4 Seja o Espaço Vetorial M ( 2 , 2 ) e os vetores v1 , v2 e v3 . Escreva o vetor w
como combinação linear dos vetores v1 , v2 e v3 .
1 0  - 1 2   0 -1  1 8 
v1 =   , v2 =   e v3 =   w=  
1 1   0 1   2 1  0 5
5 Determine o valor de r para que seja LI o conjunto: {( - 1, 0, 2 ) , (1,1,1) , ( r , - 2, 0 )}
6 Verifique quais dos conjuntos abaixo formam uma base de R 2 ou R 3
a) {( 0, 0 ) ,( 2,3)}

b) {(1,1, - 1) ,( 2, - 1, 0 ) ,( 3, 2, 0 )}
c) {(1, 2 ) , ( - 1, 3)}
d) {(1, 0 ,1) , ( 0 , - 1, 2 ) , ( - 2 ,1, - 4 )}
e) {( 2 ,1, - 1) , ( - 1, 0 ,1) , ( 0 , 0 ,1)}
f) {( 3, - 6 ) , ( - 4 , 8 )}

7 Considere o conjunto B = {v1 , v2 , v3 } , =

onde v1 (1=
, 2 , 3) , v ( - 5,1,1)
2 e
v3 = ( 0 , 0 ,1) .
3
a) Verifique se B é uma base de R .
b) Usando o processo de Gram-Schmidt, determine uma base ortogonal a
partir de B .
c) Seja B′ o conjunto formado pelos vetores vv1 ,1e,vv2 2 de vv3 3 B substituindo-se o
, v2 v3 pelo vetor v3 = ( 7 , 3, 5 ) . Verifique se o conjunto é LI ou LD .
v1vetor '
d) Mostre que v3' = ( 7 , 3, 5 ) é combinação linear dos vetores e de B .

e) Determine o espaço gerado pelos vetores vv11,e, vv22 de vv33B .
185
186
UNIDADE 3
OPERADORES DE
TRANSFORMAÇÃO
A partir desta unidade você será capaz de:
• compreender o conceito de Transformação Linear;
• determinar a lei de formação de Transformações Lineares;
• definir o núcleo e imagem de uma transformação e suas bases;
• entender o Teorema da Dimensão;
• utilizar transformações lineares com o auxílio de matrizes;
• utilizar transformações lineares para o tratamento gráfico de vetores;
• mudar a base de um espaço vetorial;
• compreender e calcular autovalores e autovetores;
• diferenciar multiplicidade algébrica e geométrica;
• diagonalizar Operadores Lineares.
PLANO DE ESTUDOS
TÓPICO 1 – TRANSFORMAÇÕES LINEARES

TÓPICO 2 – MATRIZ DE UMA TRANSFORMAÇÃO LINEAR

TÓPICO 3 – AUTOVALORES E AUTOVETORES
Assista ao vídeo
desta unidade.
187
188
UNIDADE 3
TÓPICO 1
TRANSFORMAÇÕES LINEARES
1 INTRODUÇÃO
Vimos até então, neste estudo acerca da Álgebra Linear e Vetorial, uma
série de conceitos básicos que culminaram nas ideias de Espaços e Subespaços
Vetoriais. Nestes conceitos podemos perceber que, a partir de conjuntos LI
(linearmente independentes) temos a chance de reescrevê-los de modo mais
elementar a partir de geradores: as bases!
Sendo assim, com estes conceitos bem fixados e com formas diferentes
para representá-los, nosso próximo passo é desenvolver funções que possuem
domínio em um espaço vetorial, e imagem em outro espaço vetorial.
Você já deve estar imaginando que ao invés de números, estas funções irão
ter como valores de entrada e saída, vetores. Elas também devem manter as mesmas
propriedades das funções escalares, ou seja, conservam as operações de soma e de
produto por um escalar, para poderem ser ditas como Transformações Lineares.
2 DEFINIÇÃO
Definição 1: Sejam U e V espaços vetoriais. Definimos a função T : U → V
como sendo uma transformação linear, se, e somente se, forem verdade as
seguintes condições:

a) T ( u + v =
) T ( u) + T ( v ) , ∀u, v ∈U ;
b) T ( k ⋅ u ) = k ⋅ T ( u ) , ∀k ∈ R , ∀u ∈ U .
Exemplo 1: Dada a Transformação T : R ² → R ³ , definida por

( x , y ) ( 2x , 0, x + y ) , informe se ela é classicada como linear.
T=
Inicialmente, temos que compreender o universo que esta transformação

abrange. Percebemos que ela pega vetores de R 2 , ou seja, que possuem duas
coordenadas e os transforma em vetores de R 3 (três coordenadas).
189
UNIDADE 3 | OPERADORES DE TRANSFORMAÇÃO
Resta agora, verificar se a transformação é de fato linear. Para isto,

utilizaremos a Definição 1, lembrando que para verificar matematicamente, não
são aceitos exemplos numéricos, então:
a) Sejam dois vetores

= de u (=
a , b ) e v ( c , d ) , de R ² (vetores do domínio) .
Temos:
( )
T ( u + v )= T ( a , b ) + ( c , d ) = T ( a + c , b + d ) , que utilizando a lei de
formação indicada no
Exemplo 1, segue:
( 2 ⋅ ( a + c ) , 0 , ( a + c ) + (b + d)) =
( 2 a + 2c , 0 , ( a + b ) + ( c + d ) ) =
( 2 a , 0 , ( a + b ) ) + ( 2c , 0 , ( c + d ) ) =
T ( a, b ) + T ( c , d ) =
T (u) + T ( v ) .
Logo a primeira condição é satisfeita. Porém, ainda temos que verificar a

segunda:
b) T ( k ⋅ u ) = T ( k ⋅ ( a , b )) = T ( k ⋅ a , k ⋅ b )
E pela lei de formação, segue:
(2 ⋅ (k ⋅ a ) , 0,k ⋅ a + k ⋅ b = )
k ⋅ (2 ⋅ a , 0 , a + b )=
k ⋅ T (u)
onde a segunda condição também é satisfeita. Assim sendo, podemos

afirmar que T ( x , y ) é linear.
Exemplo 2: Verifique se a transformação T : R → R , definida por T ( x ) = u²

é linear.
Neste exemplo, você já deve estar percebendo que trata-se de um caso

não linear. Ora, verificamos pela estrutura encontrada que a transformação é
associada por um modelo quadrático, certo? Porém, devemos mostrar que isto
é verdade. Primeiramente, devemos mostrar que a transformação, dados os
190
TÓPICO 1 | TRANSFORMAÇÕES LINEARES
vetores u = ( a , b ) e v = ( c , d ) , a transformação conserva a operação de soma:

T ( u + v ) = u2 + 2uv + v² pela definição. Sabemos também que: T ( u ) + T ( v ) =
u2 + v²,
e portanto, T ( u + v ) ≠ T ( u ) + T ( v ) .
Conceitos importantes:

• A Transformação Linear T : U → V , tal que dadou ∈ U ⋅ T ( u ) =0 ∈ V , é dita
Transformação Nula.
• Seja uma Transformação Linear T : U → V . Se U = V , então T é dito um

Operador Linear.
• O Operador Linear é I u : U → U , tal que dadou ∈ U ⋅ I ( u ) =

u dito um Operador
Identidade.
Observação 1: Uma outra forma de detectar que uma transformação não é

linear trata-se de analisar a definição e perceber que dada uma transformação linear
T : U → V , o vetor nulo
 do  domínio, implicará no vetor nulo do contradomínio,
() ()
ou seja, se 0 ∈ U ⋅ T 0 =0 ∈ V . E assim sendo, caso T 0 ≠ 0 , a transformação
não é linear.
NOTA
  Cuidado! Para provar que uma transformação é linear não basta verificar que ,
()
T 0 = 0 deve-se realizar o procedimento tal qual o Exemplo 1. Tente com a transformação
T : R 3 → R 2 , tal qualT ( x , y ) =
( x , y + 4, z ) .
3 LEI DE FORMAÇÃO DE UMA TRANSFORMAÇÃO

Ao falar de Transformações Lineares, uma de suas características é
que elas são ou podem ser encontradas apenas analisando seus coeficientes,
referenciando-se a elementos de uma base.
Teorema 1: Sejam dois espaços vetoriais U e V , e uma base não nula e finita
de U ,{u1 , , un } . Tomemos elementos quaisquer do domínio V . Sendo assim,
que T ( u1 ) v=
existe uma transformação linear T : U → V , tal= 1
, , T ( un ) vn . E ainda
se u = a1 ⋅ u1 +  + an , ⋅podemos
un escrever:
191
T ( u ) = a1 ⋅ T ( u1 ) +  + an ⋅ T ( un ) =
a1 ⋅ v1 +  + an ⋅ vn
Demonstração: Como podemos escrever u = a1 ⋅ u1 +  + an ⋅ un

temos que: T (=
u ) T ( a1 ⋅ u1 +  + an ⋅ un , e utilizando a Definição 1, segue que:
T ( a1 ⋅ u1 +  + an ⋅ un ) =
T ( a1 ⋅ u1 ) +  + T ( an ⋅ un ) =
a1 ⋅ T ( u1 ) +  + an ⋅ T ( un ) =
a1 ⋅ v1 +  + an ⋅ vn
Como queríamos demonstrar.
Exemplo 3: Obtenha a lei de formação de uma Transformação Linear,

T : R ³ → R ² sabendo que: T (1, 0 , 0 ) = (1, 0 ) ,T ( 0 ,1, 0 ) = (1,1) e T ( 0 , 0 ,1) = (1, - 1)
Você deve reparar que os vetores de entrada, na transformação,

{(1, 0, 0 ) , ( 0,1, 0 ) , ( 0, 0,1)} formam
uma base do espaço R 3 (a base canônica,
diga-se de passagem). Logo, para resolver este exemplo, podemos nos basear no
Teorema 1.
Vamos, inicialmente, tomar um vetor genérico do domínio

( R³ ) . Seja ele u = ( x , y , z ) Agora, vamos escrevê-lo como
combinação linear dos vetores da base indicada: ( x , y , z ) = a ⋅ (1, 0 , 0 ) + b ⋅ ( 0 ,1, 0 )
z ) = a ⋅ (1, 0 , 0 ) + b ⋅ ( 0 ,1, 0 ) + c ⋅ ( 0 , 0 ,1) = ( a , 0 , 0 ) + ( 0 , b , 0 ) + ( 0 , 0 , c ) = ( a , b , c )
Logo, temos que: x = a ; y = b ; z = c.

Agora, como já provamos que existe um vetor que é combinação linear
dos vetores da base, podemos escrever:
T ( x , y=
, z ) T ( x ⋅ (1, 0 , 0 ) + z ⋅ ( 0 , 0 ,1) 
T ( ) ( ) (
x ⋅ (1, 0 , 0 ) + T ( y ⋅ ( 0 ,1, 0 ) + T z ⋅ ( 0 , 0 ,1) ) =
x ⋅ T (1, 0 , 0 ) + y ⋅ T ( 0 ,1, 0 ) + z ⋅ T ( 0 , 0 ,1) =
x ⋅ (1, 0 ) + y ⋅ (1,1) + z ⋅ (1, - 1)
Que resulta em: T ( x , y , z ) = ( x + y + z , y - z ) . (Lei de formação da

transformação).
192
4 IMAGEM E NÚCLEO DE UMA TRANSFORMAÇÃO LINEAR

O termo “imagem”, apesar de já utilizado ao longo dos conceitos, por já
conhecê-lo do estudo das funções, onde é o valor resultado encontrado a partir da
utilização da função, ainda não foi formalizado. Sabemos que as Transformações
Lineares possuem Espaços Vetoriais como Domínio e Contradomínio, e a partir
disto, a imagem de uma transformação são os vetores do contradomínio que são
resultados da aplicação dos vetores do domínio na Transformação. A seguir,
vamos defini-lo formalmente:
Definição 2: Considerando a transformação linear T : U → V .

A imagem de uma transformação linear é o conjunto de todos os vetores do
contradomínio V que são resultados da aplicação de pelo menos um vetor u ∈ U .
Simbolicamente: Im (T ) = {
v ∈ V , tal queT ( u ) =
v , para algumu ∈ U }.
Exemplo 4: Seja a transformação T : R 2 → R 3dada por: T (= x , y ) ( 2 x , x + y , x - y ),
determine a imagem dos vetores
= u (1=, - 2 ) , v ( 0 , 3) e w = ( - 1,1) , quando
aplicados na transformação indicada.
Perceba que estamos trabalhando com uma transformação que possui

domínio em R 2 e contradomínio em R 3 , ou seja, toma vetores de duas
coordenadas e os transforma em vetores de três coordenadas. Vamos verificar:
• T ( u ) = T (1, - 2 ) = ( 2 ⋅ 1,1 + ( - 2 ) ,1 - ( - 2 ) ) = ( 2, - 1, 3 )
• T ( v ) =T ( 0 , 3) =( 2 ⋅ 0 , 0 + 3, 0 - 3) =( 0 , 3, - 3)
• T ( w ) = T ( - 1,1) = 2 ⋅ ( ( - 1) , - 1 + 1, - 1 - 1) = ( - 2,1, - 2 )
A ideia por detrás do cálculo acima pode ser analisada no diagrama a seguir:
FIGURA 8 - REPRESENTAÇÃO DA INTERAÇÃO ENTRE OS ELEMENTOS

DA TRANSFORMAÇÃO
R2 R3
(1, - 2 ) ( 2, - 1, 3)
( 0 , 3) ( 0 , 3, - 3 )
( - 1,1) ( - 2,1, - 2 )
FONTE: O autor.
193
• Dada a transformação linear T : U → V , a transformação é dita injetora quando

para quaisquer u, v ∈ U , se u ≠ v ⇒ T ( u ) ≠ T ( v ) .
• Dada a transformação linear T : U → V , a transformação é dita sobrejetora

quando o contradomínio é igual ao conjunto imagem, ou seja, Im (T ) = V .
• Uma transformação é dita bijetora, quando ela é injetora e sobrejetora.
NOTA
Quando a tranformação T : U → V , é bijetora, temos um caso de

isomorfismo, ou seja, os Espaços Vetoriais U e V , são ditos isomorfos.
Exemplo 5: Seja a transformação linear T : R ³ → R ³ , dada por

T ( x, y , z ) =
( x + 2y , y - z , x + 2z ) , encontre uma base para a imagem desta
transformação.
Uma das principais aplicações dos conceitos da imagem de uma transformação

é encontrar uma base que gera todos os seus elementos. Isto quer dizer que, a partir
deste subespaço gerado, podemos escrever todos os vetores que pertencem à imagem
através de combinações lineares dos vetores que compõem a base.
{ }
Vejamos: Im (T ) = ( x + 2 y , y - z , x + 2 z ) , x , y , z ∈ R , e este conjunto pode
{ }
ser reescrito da seguinte forma: Im (T ) = x ⋅ (1, 2 , 0 ) + y ⋅ ( 0 ,1, - 1) + z ⋅ (1, 0 , 2 ) , x , y , z ∈ R
}
(1, 0, 2 ) , x , y , z ∈ R .
Porém, note que o vetor (1, 2 , 0 ) = (1, 0 , 2 ) + 2 ⋅ ( 0 ,1, - 1) . Logo, como ele é
combinação linear dos outros componentes, podemos excluí-lo e aferir a seguinte
base geradora para a imagem da transformação: (1, 0 , 2 ) , ( 0 ,1, - 1)  .
Isto significa que todos os vetores da imagem podem ser gerados pela
base acima.
Exemplo 6: Seja a transformação linear T : R ³ → R ² dada por

T ( x , y , z ) = ( x + 2 y - 3z , - 2 x - 4 y + 6 z ) , verifique se existe algum vetor do
domínio que possui como imagem o vetor nulo.
Como já sabemos, o vetor nulo é aquele que possui suas coordenadas

nulas. Sendo assim, para verificar qual o vetor ( x , y , z ) , irá gerar imagem tal que
( x + 2 y - 3z , - 2 x - 4 y + 6 z ) =
( 0, 0 ) , basta resolver o sistema linear homogêneo a
seguir:
194
 x + 2 y - 3z = 0

 - 2x - 4 y + 6z = 0
Agora, conforme visto na Unidade 1, os sitemas homogêneos possuem,

pelo menos, uma solução, e que damos a ela o nome de solução trivial, ou seja,
neste caso, temos o vetor (0,0,0) do domínio que implica na imagem nula. Resta
saber se existem mais vetores que também possuem a mesma característica.
Ora, veja que o sistema acima possui duas linhas de sua matriz aumentada
proporcionais, logo, possuímos um caso de um sistema com infinitas soluções,
vejamos, isolando x na primeira equação (poderia ser a segunda equação): ou
x = - 2 y + 3z seja, o conjunto= { }
S ( - 2 y + 3z , y , z ) , ∀y , z ∈ R é solução para o
sistema. E assim temos, por exemplo, fazendo y = 1 e z = 2 , o vetor (4,1,2) que
também implicará na imagem nula.
Para este conjunto de vetores, que quando aplicados em uma transformação,

geram o vetor nulo na imagem, damos o nome de Núcleo da Transformação.
Definição 3: O núcleo de uma tranformação linear T : U → V , que pode

ser indicado por N (T ) ou ker (T ) , é o conjunto formado por todos os vetores de
U que tem como imagem o vetor nulo de V , ou seja, N (T ) = {
u ∈ U , tal queT ( u ) =
0 . }
FIGURA 9 - REPRESENTAÇÃO DE ELEMENTOS DO NÚCLEO DE UMA

TRANSFORMAÇÃO
T :U → V
U V
u

v 0
w
FONTE: O autor
Exemplo 7: Determine o núcleo da tranformação T : R ² → R ³ , dada por

T ( x=
, y ) ( 0, x + y , 0 ) .
195
Como definido, sabemos que o Núcleo da Transformação são os vetores

( ) tal que ( 0, x + y , 0 ) =
x , y , ( 0, 0, 0 ) . Ora, neste caso, basta resolver: x + y = 0 ⇔ x = - y
y = 0 ⇔ x = - y .
{
N (T ) ( - y , y ) , ∀y ∈ R
Assim sendo, o núcleo da transformação é dado por: = }
}
y , y ) ,∀y ∈ R . Este conjunto também pode ser expresso pelo subespaço gerado pela base
( - 1,1)  .
 
Observação 2: Note que N (T ) ≠ ∅ . Ou seja, existe pelo menos um vetor

do domínio T : U → V possui imagem nula. Pois 0 ∈ N (T ),
 datransformação que
( )
U
já que T 0U = 0V .
NOTA
Por favor, se a Observação 2 não lhe foi clara, reveja a Observação 1.
Exemplo 8: Determine o Núcleo e a Imagem da Transformação Linear

T : R ³ → R ² , tal que T ( x , y , z )= ( 2 x - y + z , 3x + y - 2 z ) .
Como já sabemos, por definição, o núcleo da transformação é o conjunto

N (T ) = {u ∈R 3 ,T ( u ) = ( 0, 0 ) . Para tanto, devemos ter que: T ( x , y , z )= ( 2x - y + z , 3x + y - 2z )= (
- y + z , 3x + y - 2 z )= ( 0 , 0 ) , o que recai no sistema linear homogêneo a seguir:
 2x - y + z =0

3x + y − 2 z =0
Agora, isolando y na segunda equação e fazendo , z = 5x segue que:

y= - 3x + 2 z ⇒ y= - 3x + 2 ⋅ 5x ⇒ y= 7 x , e assim sendo, o núcleo é dado por:
{
N (T ) ( x , 7 x , 5x ) , ∀x ∈ R .
= }
Para finalizar, sabemos que o núcleo de uma transformação é um
subespaço vetorial do domínio. Portanto, reescrevendo-o na forma de combinação
linear temos a forma x ⋅ (1, 7 , 5 ) o que nos permite encontrar uma base para este
subespaço, sendo ela dada por (1, 7 , 5 )  .
Resta realizar o processo para encontrar o conjunto imagem desta

transformação. Para isto, vamos partir da lei de formação, que é dada por
T ( x , y , z )= ( 2 x - y + z , 3x + y - 2 z ) . Verificamos que podemos escrevê-la, também,
na forma de combinação linear: ( 2 x - y + z , 3x + y - 2 z ) = ( 2 x , 3x ) + ( - y , y ) + ( z , - 2 z ) = x ⋅ ( 2 ,
y ) + ( z , - 2 z ) = x ⋅ ( 2 , 3) + y ⋅ ( - 1,1) + z ⋅ (1, - 2 ) .
196
Desta forma, podemos escrever a imagem da transformação como o

conjunto formado a partir desta combinação linear encontrada. Ou seja:
{ }
Im (T ) = x ⋅ ( 2 , 3) + y ⋅ ( - 1,1) + z ⋅ (1, - 2 ) , ∀x , y , z ∈ R .
Observação 3: Note que o contradomínio deste exemplo é o espaço R ,

2
que possui dimensão 2. Portanto, para determinar uma base para a imagem, esta
não pode ser ( 2 , 3) , ( - 1,1) , (1, - 2 )  , pois veja que este conjunto é formado por
três vetores, logo, de dimensão 3. Porém, note que o vetor ( - 1, 2 ) é LD com os
outros dois vetores do conjunto, e, por este fato, podemos descartá-lo e gerar a
base para a imagem tal como: ( 2 , 3) , ( - 1,1)  .
5 TEOREMA DO NÚCLEO E IMAGEM DE UMA

TRANSFORMAÇÃO
Os conceitos de Núcleo e Imagem de uma transformação possuem uma
forte ligação. A partir dele, podemos identificar um teorema que possui uma
grande aplicação dentro da Álgebra Linear e Vetorial. Este teorema se baseia na
análise da dimensão de cada um dos espaços vetoriais gerados por estes conjuntos.
Para entendê-lo melhor, vamos, inicialmente, rever o conceito de dimensão.
Definição
 4: Seja U um espaço vetorial com uma basefinita de elementos.
{} {}
Se U = 0 ,dizemos que a base deste espaço é 0. Se U = 0 ,dizemos que a
dimensão deste espaço é igual à quantidade de elementos de uma base qualquer
de U .
Exemplo 8: Determine a dimensão do Núcleo e da Imagem do Exemplo 7.
Como visto anteriormente, os conjuntos do Núcleo e da Imagem são

subespaços vetoriais do domínio e do contradomínio da transformação. No
Exemplo 7 eles podem ser gerados pelas respectivas bases [( 1 , 7 , 5 )] (para o
núcleo) e [( 2 , 3 ) , ( - 1 , 1 )] (para a imagem). Note que estas bases possuem um
e dois elementos, nesta ordem. Assim sendo, podemos aferir que a dimensão do
núcleo é 1, e a dimensão da imagem é 2.
Simbolicamente:
= dim N (T ) 1=
e dim Im (T ) 2 .
Outros exemplos:
• A dimensão do conjunto dos números reais é 1.

2
• A dimensão do conjunto formado por todos os elementos R de é 2.
• A dimensão do conjunto formado por todos os pontos R 3 de é 3.
• O espaço vetorial formado pelos polinômios de grau n , possuem dimensão n .
• O espaço vetorial formado pelas matrizes de ordem n , tem dimenão n .
197
Agora que você já entendeu qual o conceito de dimensão de um espaço

vetorial, iremos enunciar e demonstrar o Teorema do Núcleo e Imagem. Com
certeza, você necessitará de alguns momentos de raciocínio para compreender
esta demonstração, porém, na prática, seu entendimento é bastante simples, o
veremos na sequência.
Teorema 2: (Teorema de Núcleo e Imagem) Seja uma transformação linear

T : U → V , onde U tem dimensão finita. Então:
= dim U dim N (T ) + dim Im (T )
Demonstração: Seja n = dim N (T ) . Se n ≥ 1 , vamos escrever uma base

B1 de N (T ) formada pelos vetores {u1 , u2 , , un } . Como N (T ) ⊂ U , podemos
completar B1 , com os vetores {u1 , u2 , , un } , de modo que {u1 , u2 , , un , v1 , v2 , , vm }
, forme uma base de U . Visto isto, temos que dim U= n + m . Resta mostrar que
{ }
dim T (U ) = m e, para isto, mostraremos que T ( v1 ) , , T ( vm ) formam uma base
de T (U ) .
0 então T (α1v1 +  + α m vm ) =
Se α1T ( v1 ) +  + α nT ( vm ) = 0 . Isto é
α1v1 +  + α m vm Desta forma, existem β1 , , β m ∈ R , tais que α1v1 +  + α m vm = β1u1 +  + β nun
α m vm = β1u1 +  + β nun isto é, como {u1 , u2 , , un , v1 , v2 , , vm } formam uma base de U,
segue que α= 1
= α m= β= 1
 = β=n
0 e, portanto,T ( v1 ) , , T ( vm ) são linearmente
independentes.
{ }
Mostremos agora que T ( v1 ) , , T ( vm ) geram T (U ) . Seja v ∈ T (U ) .
Logo existe u ∈ U ,tal que T ( u ) = v. Como {u1 , u2 , , un , v1 , v2 , , vm } formam
uma base de U, existem α1 , ,α n , β1 , , β m ∈ R , tais que, u= α1u1 +  + α nun + β1vm +  + β num
+ α nun + β1vm +  + β num e daí, v= T ( u= ) T (α1u1 +  + α nun + β1vm +  + βnum =) α1T ( u1 ) +  + α nT ( un ) +
α1T ( u1 ) +  + α nT ( un ) + β1T ( vm ) +  + β nT ( um =
) β1T ( vm ) +  + βnT ( um ) ,já que u1 , u2 , , un ∈ N (T ) .
u2 , , un ∈ N (T ) . Como queríamos demonstrar.
Na prática, este teorema nos diz que, a soma das dimensões do

núcleo e da imagem de uma transformação é igual à dimensão de seu
domínio. No Exemplo 7 tínhamos uma transformação T : R ³ → R ² , onde
concluímos que dim N (T ) = 1 e dim Im (T ) = 2 . Ora, basta perceber que
o teorema é válido para o caso, pois, = dim R 3 dim N (T ) + dim Im (T )
3=2+1.
Exemplo 9: Determinar uma transformação linear T : R ³ → R 4 , tal que

Im (T ) = (1,1, 2 ,1) , ( 2 ,1, 0 ,1)  .
Podemos, a partir do enunciado, afirmar que o conjunto {(1,1,2,1) ,

(2,1,0,1)} forma uma base de Im (T ) , e como já visto, temos que dim Im (T ) = 2 .
Agora, utilizando o Teorema 2 (Teorema do Núcleo e Imagem), segue que:
198
dim R 3 dim N (T ) + dim Im (T )

=
=3 dim N (T ) + 2
dim N (T ) = 1
{
Escolhendo agora uma base para N (T ) = (1, 0 , 0 ) (note que escolhemos o }
primeiro termo da base canônica, por termos de facilidade), podemos completá-
3
la a fim de atingir uma base de R , como sendo {(1,0,0), (0,1,0), (0,0,1)} (base
canônica).
Descartando-se o elemento do núcleo, percebemos que T ( 0 ,1, 0 ) , T ( 0 , 0 ,1) { }

formam uma base de Im ( T ) , e como já vimos, podemos desta forma escrever:
• T (1,0,0) = (0,0,0,0),pelo fato de pertencer ao núcleo.

• T (0,1,0) = (1,1,2,1)
• T (0,0,1) = (2,1,0,1)
Agora, conforme visto no Exemplo 3, podemos escrever:
T ( x, y, z ) =
x ⋅ T (1, 0 , 0 ) + y ⋅ T ( 0 ,1, 0 ) + z ⋅ T ( 0 , 0 ,1) ⇒
T ( x , y , z ) = x ⋅ ( 0 , 0 , 0 , 0 ) + y ⋅ (1,1, 2 ,1) + z ⋅ ( 2 ,1, 0 ,1) ⇒
T ( x , y , z ) = ( 0, 0, 0, 0 ) + ( y , y , 2y , y ) + ( 2z , z , 0, z ) ⇒
T ( x , y , z ) = ( y + 2z , y + z , 2 y , y + z )
T : R ³ → R ³ , dada porT ( x , y , z ) =
Exemplo 10: Seja ( z, x − y, z ).
a) Indique o núcleo de T, uma base e sua dimensão.
b) Determine a dimensão da imagem da transformação.
a) Para determinar o núcleo da transformação, devemos verificar que teremos

T ( x , y , z ) = ( z , x − y , z ) = ( 0 , 0 , 0 ) . A partir daí, segue que z = 0 e x - y = 0 ⇒ x = y.
Portanto, o conjunto do núcleo é dado por = { }
N (T ) ( x , x , 0 ) , ∀x ∈ R . Note
{
agora, que podemos escrever x ⋅ (1,1, 0 ) , ∀x ∈ R } , ou seja, o conjunto LI
[( 1,1,0 )] é uma base para ( ) , e assim N T dim N ( ) .
T = 1
b) Utilizando o Teorema 2, que diz que:

= dim U dim N (T ) + dim Im (T ) , podemos
assumir:
199
dim R 3 dim N (T ) + dim Im (T )

=
3= 1 + dim Im (T )
dim Im (T ) = 2.
Resultados Importantes:

{}
1) Se uma Transformação T, possui N(T) = 0 , T é injetiva.
2) Se uma Tranformação T : U → V é tal que dim U = dim V , temos que T é
injetiva e sobrejetiva.
= dim R 3 dim N (T ) + dim Im (T )
3= 1 + dim Im (T )
dim Im (T ) = 2.
NOTA
Lembrando que se uma transformação é injetiva e sobrejetiva ao mesmo tempo,

dizemos que ela é bijetiva.
200
RESUMO DO TÓPICO 1
• Para uma transformação ser dita linear, ela necessita conservar as operações de
adição e multiplicação por escalar, tais que:
a) T ( u + v =
) T ( u) + T ( v ) , ∀u, v ∈U ;
b) T ( k ⋅ u ) = k ⋅ T ( u ) , ∀k ∈ R , ∀u ∈ U .

• A Transformação Linear T : U → V , tal que dadou ∈ U ⇒ T ( u ) =0 ∈ V , é dita
Transformação Nula.
V , T então
• Seja uma Transformação Linear T : U → V . Se U = é dito um
Operador Linear.
• O Operador Linear I u : U → U , tal que dadou ∈ U ⇒ I u =( )

u é dito um
Operador Identidade.
• A imagem de uma transformação linear é o conjunto de todos os vetores do

contradomínio V que são resultados da aplicação de pelo menos um vetor
u ∈U .
• O núcleo de uma tranformação linear , que T : U → V pode ser indicado por

N (T ) ou ker (T ) , é o conjunto formado por todos os vetores de U que tem como
imagem o vetor nulo de V , ou seja, N (T ) = { }
u ∈ U , tal queT ( u ) =
0 .
• A soma das dimensões do núcleo e da imagem de uma transformação é igual à

dimensão de seu domínio, ou seja:
= dim U dim N (T ) + dim Im (T ) .
201
AUTOATIVIDADE
1 Verifique quais das transformações a seguir são lineares:
a) T(x,y) = (x – 3y, 2x + 5y)

b) T(x,y) = (x², y²)
c) T(x,y) = (x + 1, y)
d) T(x,y) = (2x + y, 4x + 2y)
2 Seja uma transformação linear tal que T(1,1) = (1,-2) e T(-1,1) = (2,3).
Detemine a lei de formação desta transformação.
3 Determine a transformação linear T: R3→R3 tal que T(1,0,-1) = (1,-1,0) e

T(1,1,1) = (-1,1,0) T(0,1,2) = (2,1,0).
4 Seja a transformação linear T: R2→R2 definida por T(x,y) =(x,0).
a) (0,2) pertence ao N(T)?

b) (2,2) pertence ao N(T)?
5 Determine a imagem dos seguintes vetores, através da transformação

= T ( x , y ) ( 2 x - y , 3x + y , 2 x ) .
a) u = (-1, 2)
b) v = (-3, 2)
c) w = (-2, -1)
6 Seja a transformação linear T: R2→R3 definida por T (x,y) = (x + y, x - y, 2x + y).

Encontre uma base para a Im(T).
7 Seja a transformação linear T : R ³ → R ³ , definida por T ( x , y , z ) = ( x - 2 y - 2z , - x + 2

y,z )=( x - 2 y - 2 z , - x + 2 y + z , x - 3z ) .
a) Determine o núcleo e a imagem de T.

b) Determine bases para o núcleo e para a imagem.
c) Verifique o teorema da dimensão.
8 Determine uma transformação linear T : R ² → R 3 , tal que Im (T ) = (1,1, 2 ) , ( 2 ,1, 0 ) 

(T ) = (1,1, 2 ) , ( 2,1, 0 ) .
202
UNIDADE 3
TÓPICO 2
MATRIZ DE UMA TRANSFORMAÇÃO LINEAR
1 INTRODUÇÃO
Uma alternativa muito importante de se representar uma transformação
linear é a forma matricial. Através dela teremos mais facilidade em compreender
algumas transformações especiais. Iremos verificar que toda matriz m × n e s t á
associada a uma transformação T : R m → R n . A seguir, iremos perceber que boa
parte do estudo das transformações lineares podem ser reduzidos ao estudo das
matrizes, estabelecendo o recíproco da primeira parte, onde fixando bases α e
β , dos espaços vetoriais U e V , respectivamente, a toda transformação linear
T : U → V , estará associada uma única matriz.
2 FORMA MATRICIAL DE UMA TRANSFORMAÇÃO LINEAR

Inicialmente, vamos mostrar como uma matriz está associada a uma
transformação linear a partir da Proposição 1. Para tanto, iremos imaginar uma
tranformação T : R n → R m dada pela multiplicação por uma matriz m × n .
Proposição 1: Seja A uma matriz m × n e T : R n → R m definida por

T ( u=
) A ⋅ u ,onde A ⋅ u é o produto da matriz A m×n pelo vetor coluna un×1 T ( u)
é linear.
Demonstração: Utilizando a Definição 1 (definição de uma tranformação

linear), iremos provar que T ( u ) conserva as operações de soma e de multiplicação
por escalar.
I) Sejam u, v ∈ R n , temos que:
203
T (u + v ) = A ⋅ (u + v ) =
A ⋅ u+ A ⋅ v =
T (u) + T ( v )
II) Sejam u ∈ R n e α ∈ R , temos que:
T (α ) =A (α ⋅ u )
⋅ u
=α ⋅ ( A ⋅ u )
=α ⋅ T ( u )
Logo, T ( u ) é linear. E sendo assim, está provado que toda matriz A m×n
pode ser utilizada para definir uma transformação T : R n → R m , onde a imagem
TA ( u ) é o produto da matriz A , pelo vetor coluna un×1 .
m×n
Exemplo 11: Escreva as transformações TA ,TB ,TC ,TD , determinadas,

lineares respectivamente, pelas matrizes:
 2 -1   1 
   2 3   
=A = 3 1  ,B   , C = 1 2 - 3 0  , D =  0 
 4 - 1 
 2 0   - 5 
Resolução: A matriz A é de ordem 3 x 2, logo, ela está associada a uma

transformação T : R ² → R ³ , onde temos que ela é definida pela multiplicação da
matriz A pelo vetor genérico do domínio ( x , y ) , na forma coluna.
 2 -1 
  x
TA =
 3 1  ⋅   = ( 2 x - y , 3x + y , 2 x )
y
 2 0   
Já por sua vez, a matriz B é de ordem 2 x 2, e está associada à transformação

T : � 2 → � 2 tal que:
 2 3  x
TB =   ⋅   = ( 2 x + 3y , 4 x - y )
 4 - 1  y
204
TÓPICO 2 | MATRIZ DE UMA TRANSFORMAÇÃO LINEAR
Analogamente, note que as transformações resultantes são dadas pela

quantidade de colunas da matriz, que representa o número de componentes da
transformação e onde o valor indicado em cada coluna representa o coeficiente de
( x + 2 y - 3z ) e T=
cada incógnita x , y , z , . Assim sendo: TC = ( x( x, 0, 0,, -−5zx) .
TDD=
3 MATRIZ DE UMA TRANSFORMAÇÃO LINEAR

Nosso próximo estágio é definir a recíproca do item anterior, ou seja,
mostrar que dada uma transformação linear T : U → V , está associada uma única
matriz. Para tanto, devemos fixar uma base α para U e β para V . Sem perda de
generalidade, utilizaremos
= dim Ŷ 2= e dim 3.
• Sabemos também, que um vetor pode u ∈ U ser escrito conforme=

u x1u1 + x2 u2 ,
x 
como combinação linear dos vetores da base α , ou seja: u =  1  .
 x2 
α
• Definimos também T ( u ) , que é um vetor de V , por: T ( u ) =yv1 + y2 v2 + y3 v3 ,
 y1 
 
como: T ( u )  =  y2  .
β
 y3 
• E, a partir disso, definimos a matriz de uma transformação linear como sendo a

matriz que multiplicada por u , resulta em T ( u )  e que será representada
α β
p o r   .
Simbolicamente: T (=
 u )  β T  β ⋅ u α
α

Observações:
α
• A matriz T  β é um operador linear que transforma u α (coordenadas de
u na base α em T ( u )  , coordenadas da imagem de u na base β ).
 β
α
• Sendo T : U → V , com= dim U n= e dim V m , temos T  β com ordem
m×n .
α
• As colunas de T  β são, respectivamente, o vetor das coordenadas das
imagens de T dos vetores da base α em relação a β .
• Fixada a dupla de bases α e β , a matriz de transformação é única.
205
Exemplo 12: Encontre a matriz da tranformação linear T : R ³ → R ² , dada

p o r T ( x , y , z=
) ( x + y , x - z ) , com relação às bases canônicas de R3 e R 2
respectivamente.
Resolução: As bases canônicas de R e R são α = (1, 0 , 0 ) , ( 0 ,1, 0 ) , ( 0 , 0 ,1)

3 2
{ }
{ }
e β = (1, 0 ) , ( 0 ,1) , respectivamente. Sendo assim, temos que:
T (1, 0 , 0 ) = (1,1) = a ⋅ (1, 0 ) + b ⋅ ( 0 ,1)

T ( 0 ,1, 0 ) = (1, 0 ) = c ⋅ (1, 0 ) + d ⋅ ( 0 ,1)
T ( 0 , 0 ,1) =( 0 , - 1) = e ⋅ (1, 0 ) + f ⋅ ( 0 ,1)
ou seja, conforme definido anteriormente, estamos escrevendo a imagem dos

3 2
vetores da base de R , como combinação linear dos vetores da base de R .
Observe que o resultado será:
• ((11,,11)) == aa ⋅⋅ ((11,, 00 )) ++ bb ⇒ ⇒ (( 00 ,,11)) ⇒⇒ ((11,,11)) == (( aa ,, bb )) ⇒⇒ aa == 11 ee bb == 11 ..

((11,,10))== ac ⋅⋅ ((11,,00))++bd ⇒ ( 0 ,1) ⇒ (1,1) = ( a , b ) ⇒ a = 1 e b = 1 .
• ((11,, 00 )) == cc ⋅⋅ ((11,, 00 )) ++ dd ⇒⇒ (( 00 ,,11)) ⇒
⇒ ⇒ ((11,, 00 )) == (( cc ,, dd )) ⇒
⇒ cc == 11 ee dd == 00 ..
(( 00,, -- 11)) == ee ⋅⋅ ((11,, 00 )) ++ ff ⇒( 0 ,1) ⇒ (1, 0 ) = ( c , d ) ⇒ c = 1 e d = 0 .
⇒ ( 00 ,,11) ⇒⇒ ( 00 ,, -- 11) == ( ee ,, ff ) ⇒ ⇒ ee == 00 ee ff == -- 11 ..
• ( 0, - 1) = e ⋅ (1, 0 ) + f ⇒ (( 0,1)) ⇒ (( 0, - 1)) = (( e , f )) ⇒ e = 0 e f = -1.
α 1 1 0 
Assim sendo, T  β =  
1 0 -1 
Exemplo 13: Utilizando a matriz do exemplo anterior, se u = ( 2 ,1 - 3) ,

calcule T ( u )  .
 β
Resolução: Como já visto, sabemos que T ( u )  β = T  β ⋅ u α , ou

α
 2 
1 1 0  
seja: T ( 2,1, - 3)  =   ⋅  1  onde, realizando a multiplicação das
β
1 0 - 1  - 3 
 
3
matrizes chegamos em T ( 2 ,1, - 3)  =  
 β
4
NOTA
α
É importante destacar que em muitos casos procura-se por uma matriz T  β
que represente uma transformação linear T de uma forma simples, tipo diagonal ou triangular.
Com escolhas adequadas das bases α e β isso, em muitos casos, é possível, como veremos
no estudo de diagonalização de operadores, mais adiante.
206
4 TRANSFORMAÇÕES PLANAS ESPECIAIS

Neste momento do nosso estudo, vamos verificar como as representações
matriciais das transformações lineares, vistas no subtópico anterior podem nos
auxiliar no estudo das tranformações planas de vetores. Este estudo irá visualisar
transformações T : R 2 → R 2 que possuem várias aplicações na computação gráfica
e no desenho gráfico, que são fortemente utilizados nos cursos de Engenharia,
Computação, Design, entre outros.
4.1 TRANSFORMAÇÃO DE REFLEXÃO
4.1.1 Em torno do eixo X

Expressão: T ( x , y ) = ( x , - y )
Forma matricial (matriz A): Podemos escrever ( x , - y ) = x ⋅ (1, 0 ) + y ⋅ ( 0 , - 1) ⇒

 1 0 
⋅ (1, 0 ) + y ⋅ ( 0 , - 1) ⇒ A =  .
 0 -1 
Representação Geométrica:
(x,y)
f
0 x
(x,-y)
Exemplo 14: Faça a reflexão em torno do eixo X, do vetor u = (1, 2 ) .
Resolução: Para gerar a reflexão solicitada, basta multiplicar o vetor dado

 1 0  1   1 
 , ou seja, obtemos o vetor u = (1 , - 2 ) ,
pela matriz A :  ′
 ⋅   = 
 0 - 1 2
    - 2 
que é a reflexão em torno do
eixo X, com relação à u .

207
Geometricamente:
2
u
u'
4.1.2 Em torno do eixo Y
Expressão: T ( x , y ) = ( - x , y )

Forma matricial (matriz A): Podemos escrever ( - x , y ) = x ⋅ ( - 1, 0 ) + y ⋅ ( 0,1) ⇒ A= 

−11 00 
1, 0 ) + y ⋅ ( 0 ,1) ⇒ AA ==   .
 00 11 
(-x,y) f (x,y)
0 x
208
Exemplo 15: Faça a reflexão em torno do eixo Y, do vetor u = ( - 2 , 3) .

- 1 0  - 2  2
pela matriz A :   ⋅   =   , ou seja, obtemos o vetor u′ = ( 2 , 3) , que
 0 1   3  3
é a reflexão em torno do eixo X, com relação à u .
Geometricamente:
y
3
u u'
x
-2 2
4.2 TRANSFORMAÇÃO DE PROJEÇÃO
4.2.1 Projeção sobre o eixo X

Expressão: T ( x , y ) = ( x , 0 )
Forma matricial (matriz A): Podemos escrever ( x , 0 ) =x ⋅ (1, 0 ) + y ⋅ ( 0 , 0 ) ⇒ A

1 0 
, 0 ) =x ⋅ (1, 0 ) + y ⋅ ( 0 , 0 ) ⇒ A =  .
0 0
209
v =(x,y)
0 f(v)=(x,0) x
Exemplo 16: Faça a projeção sobre o eixo X, do vetor u = ( 2 , 4 ) .

1 0   2   2 
pela matriz A :   ⋅   =   , ou seja, obtemos o vetor u′ = ( 2 , 0 ) , que é
0 0  4 0 
a projeção sobre o eixo X, com relação à u .
Geometricamente:
y
4
u' x
2
4.2.2 Projeção sobre o eixo Y

Expressão: T ( x , y ) = ( 0 , y )
Forma matricial (matriz A): Podemos escrever ( 0 , y ) = x ⋅ ( 0 , 0 ) + y ⋅ ( 0 ,1) ⇒ A =

0 0 
⋅ ( 0 , 0 ) + y ⋅ ( 0 ,1) ⇒ A =  .
0 1 
210
f(v)=(0,y) v =(x,y)
0 x
Exemplo 17: Faça a projeção em sobre o eixo Y, do vetor u = ( 3, - 4 ) .

0 0   3   0 
pela matriz A:   ⋅   =   , ou seja, obtemos o vetor u′ = ( 0 , - 4 ) ,
0 1   - 4   - 4 
que é a projeção sobre o eixo Y, com relação à u .
Geometricamente:
y
3
x
u' u
-4
4.3 TRANSFORMAÇÕES DE DILATAÇÃO OU CONTRAÇÃO
211
4.3.1 Na direção do vetor (α ∈ R)

Expressão: T ( x , y ) =
(α ⋅ x , α ⋅ y )
Forma matricial (matriz A): Podemos escrever (α ⋅ x , α ⋅ y ) =x ⋅ ( α , 0 ) + y ⋅ ( 0 ,α
α 0 
⋅ y ) =x ⋅ ( α , 0 ) + y ⋅ ( 0 ,α ) ⇒ A = .
0 α
f(v)
v
0 x
Exemplo 18: Faça a ampliação do vetor u = (1, 2 ) utilizando α = 3 . Ou

seja, triplicar o seu módulo.

 3 0  1   3
pela matriz A:   ⋅  =  , ou seja, obtemos o vetor u′ = ( 3, 6 ) , que é a
0 3  2  6 
dilatação em três vezes com relação à u .
Geometricamente:
212
y
6
u'
u
x
1 3
Observações:
a) Quando temos 0 < α < 1 , ocorre uma contração no vetor.

b) Quando temos α < 0 , ocorre uma “inversão” no sentido do vetor.
4.3.2 Na direção do eixo X (horizontal)

Expressão: T ( x , =
y) (α ⋅ x, y )
Forma matricial (matriz A): Podemos escrever (α ⋅ x , y ) = x ⋅ (α , 0 ) + y ⋅ ( 0 ,1) ⇒

α 0
y ) = x ⋅ (α , 0 ) + y ⋅ ( 0 ,1) ⇒ A =   .
0 1
1
Representação Geométrica: (para os casos
= α 2=
eα )
2
1 
 x , y
2  ( x,y ) ( 2x , y )
0 1 x 2x x
x
2
213
Exemplo 19: Faça a ampliação do vetor u = ( 2 , 2 ) na direção do eixo X

1
utilizando α = 2 e α = .
2
pela matriz A:
2 0 2 4
=
Para α 2:     , ou seja, obtemos o vetor u′ = ( 4 , 2 ) , que é
 ⋅=
0 1 2 2
a dilatação em 2 vezes com relação à u , na direção do eixo X.
1 
1 0 2 1 
Para
= α : 2 =
⋅     , ou seja, obtemos o vetor u′′ = (1, 2 ) ,
2   2  2
 0 1 
que é a contração em 2 vezes com relação à u , na direção do eixo X.
Geometricamente:
u' u u'
0 1 2 4 x
4.3.3 Na direção do eixo Y (vertical)

Expressão: T ( x , y ) = ( x , α . y )
Forma matricial (matriz A): Podemos escrever ( x , α ⋅ y ) = x ⋅ (1 , 0 ) + y ⋅ ( 0 , α ) ⇒

1 0 
= x ⋅ (1 , 0 ) + y ⋅ ( 0 , α ) ⇒ A =  
0 α 
 1
Representação Geométrica:  para os casos
= α 2= e α 
 2
214
2y (x,2y)
y (x,y)
1 y 1
2 (x, y)
2
0 x
Exemplo 20: Faça a ampliação do vetor u = (1, 3) na direção do eixo Y

utilizando α = 2

1 0  1 1 
pela matriz A =   ⋅   =   , ou seja, obtemos o vetor u′ = (1, 6 ) , que é a
 0 2   3  6 
dilatação em 2 vezes com relação à u , na direção do eixo X.
Geometricamente:
y
6
u'
3
x
1
215
4.4 TRANSFORMAÇÕES DE ROTAÇÃO (DE UM ÂNGULO

α NO SENTIDO ANTI-HORÁRIO)
Neste caso, iremos partir da representação geométrica para conseguirmos
deduzir a matriz de transformação de rotação. É importante frisar que teremos
que utilizar alguns conceitos importantes de trigonometria, e, por este fato, se
necessário, busque apoio em outras literaturas se os conceitos, aqui, somente
apresentados, não lhe foram claros.
y' Rθ ( v)
y v Rθ y
θ
α α
x
x' x
Observando a representação geométrica, percebemos que os vetores v e

sua rotação R θ ( v ) possuem mesmo módulo. Ou seja: v = R θ ( v ) .
Agora, vamos lembrar algumas identidades trigonométricas que nos

auxiliarão nas deduções:
a) sen ( α + θ ) = senα ⋅ cosθ + senθ ⋅ cosα
b) cos ( α + θ ) = cosα ⋅ cosθ - senα ⋅ senθ
y
c) senα =
v
x
d) cosα =
v
216
E assim sendo, temos que, ao rotacionar o vetor θ unidades, seguem as

seguintes relações:
y′ y′ y′ y′ y′ y′
I) sen (I)α sen
I) sen (+αθ ()+α=θ )+ =vθ ) =v⋅ senv⋅ αsen⋅ αsen
cos⋅θαcos
+⋅θsen
+θθsen
cos +⋅ θcos
⋅α
sen θcos
=⋅ αcos
=α =
v v v
y y y x x yx′ y′ y′
⇒ ⇒ ⇒⋅ cos⋅θcos +θθsen
+⋅θsen
cos +θsenθ= = =
v v v v v v v v
⇒ y⇒ y′ =⋅ yycos
′ = y⇒ ′ =⋅θycos +⋅ θxsen
+⋅θxcos +⋅ θxsen⋅ θsenθ
′ ′ x′ x′ x′ x′
II) cos
II) cos
II) (+αθ (+)αθ=+) θx=v ) x=v⋅ cos
( α cos v
⋅ αcos⋅ αcos⋅α
θcos
-⋅ θsen
-αθsen-⋅αsen
cos ⋅αθsen
sen =⋅ θsen
=θ =
v v v
x x x x xy x ′ x′ x′
⇒ ⇒ ⇒ ⋅ cos⋅ θcos +– θsen
+⋅ θsen
cos +θsenθ= = =
v v v v v vv v v
x′ =⋅ xxcos
⇒ x⇒′ =x⇒ ′ =⋅ θxcos +–⋅ θysen
+⋅ θycos +⋅ θysen
⋅ θsenθ
Como o vetor R θ ( v ) = ( x′, y′ ) , podemos escrevê-lo tal que:

R θ ( v ) = ( x ⋅ cosθ +– y ⋅ senθ , y ⋅ cosθ + x ⋅ senθ ) , e assim, colocando os fatores
x e y em evidência, chegamos à matriz de rotação:
cosθ −senθ 
A=
 senθ cosθ 
Exemplo 21: Tome o vetor do plano u = ( 3, 4 ) e faça nele uma rotação de

30° no sentido anti-horário.
Resolução: Para gerar a rotação solicitada, basta multiplicar o vetor dado

 cosθ - senθ 
pela matriz A dada por A =   :
 senθ cosθ 
 3 1  3 3-4 
 cos30° - sen30°   3   -   3  
⋅ ⇒  2 2  ⋅   ⇒  2  ≈ 0,6 
     
 sen30° cos30°   4   1 3  4 4 3+3   5  ou seja,
   
 2 2   2 
obtemos o vetor u′ = ( 0 , 6; 5 ) , que é o vetor u , após uma rotação de 30o.
217
5 MATRIZ DE MUDANÇA DE BASE

Muitas vezes um problema complicado pode se tornar mais simples se
pudermos utilizar um novo sistema referencial para verificá-lo. Este fato será
chamado de mudança de base.
Por exemplo, ao trabalhar com Geometria Analítica, e, mais

especificadamente ao estudar a trajetória de um corpo que descreve um contorno
elíptico, é muito mais simples descrevê-lo se, ao invés de utilizar o sistema de
coordenadas usual, trabalharmos num sistema onde a base são os próprios eixos
2 2
da elipse. Imagine esta trajetória sendo descrita por x + xy + y - 3 , no sistema
cartesiano (x,y). Ela seria descrita após a mudança de base, agora, de forma mais
2 2
simples por 3u + 2v = 6 . Veja a figura:
FIGURA 10 - REPRESENTAÇÃO DE UMA MUDANÇA DE BASE DE EIXOS DE COORDENADAS
y
v
FONTE: O autor
No problema da mudança de base, o que deve ser descrito é a transformação

dos componentes de um vetor de uma base α , para uma outra base, β . Em
outras palavras, temos que se α e β são bases conhecidas, podemos calcular
α
u α quando conhecido u β , e vice-versa. Esta matriz será indicada por  I 
β
e será dada por:
 a11 a12  a1n 

 
a a22  a2 n 
 I  β =  21
α
    
 
 am1 am 2  amn 
218
α
onde cada elemento aij de  I  β é coordenada de β em relação à α . E, a partir daí,
α
podemos realizar a transformação mencionada, utilizando: u Ʒβ =  I  β ⋅ u α
β
ou ainda, u =  I  ⋅ u
α α β
Exemplo
= 22: Sejam β {=
( 2,1) , ( - 1,1)} e α {(1, 0 ) , ( 0,1)} (base cannônica
do R ).
2
β
a) Determine a matriz de mudança de base  I  .
α
b) Transforme o vetor u = (1, 3) , da base β para a base α .
Resolução:
a) Inicialmente, como queremos tranformar no sentido de β → α , devemos

escrever os vetores da base α como combinação linear dos vetores da base β .
 2a - b = 1 1 1
(1, 0 ) = a ⋅ ( 2 ,1) + b ⋅ ( - 1,1) ⇒  ⇒ a = e b = -
a + b = 0 3 3
2c - d = 0 1 2
( 0,1) = c ⋅ ( 2 ,1) + d ⋅ ( - 1,1) ⇒  ⇒ c = e d=
 c+d= 1 3 3
Os valores de a, b, c e d encontrados são, respectivamente os valores dos

 1 1 
β β  3 -3 
elementos a11 , a21 , a12 e a22 da matriz  I  Logo:  I  α =   .
α
 1 2 
 3 3 
β
b) Para realizar a transformação, basta utilizar a relação, =u α  I  α ⋅ u β
 1 1 
 3 - 3  1
e utilizar o vetor u β na forma matricial, logo:
= u α   ⋅  
 2   1 2   3
-   2 7  3 3 
u α =  3  , ou ainda u α =  - ,  .
 7   3 3
 3 
3
Exemplo 23: Considere R com as operações usuais. Tomemos duas de
{ } {
(1, 0,1) , (1, 2,1) , ( 0, 0,1) e β (1,1,1) ; (1, 0,1) , (1,1, 0 ) .
suas bases, são elas: α =
= }
219
a) Obtenha a matriz de mudança de base de α para β .

b) Calcule as coordenadas do vetor u = ( 2 , 3,1) na base β .
Resolução:
a) Lembrando que como queremos transformar um vetor no sentido α → β ,

devemos escrever os vetores de β como combinação dos de α . Assim, temos:
 a+b=1
(1,1,1) = a ⋅ (1,0,1) + b ⋅ (1,2,1) + c ⋅ ( 0,0,1) ⇒  2b = 1 ⇒ a = 12 , b = 12 e c = 0
a + b + c = 1

 d+e=1
(1,0,1) = d ⋅ (1,0,1) + e ⋅ (1,2,1) + f ⋅ ( 0,0,1) ⇒  2 e = 0 ⇒ d = 1, e = 0 e f = 0
d + e + f = 1

 g+h=1
 1 1
( )
1,1,0 = g ⋅ ( )
1,0,1 + h ⋅ ( )
1,2,1 + i ⋅ ( )
0,0,1 ⇒  2h = 1 ⇒ g= , h=
2 2
e i=-1
g + h + i = 0

 1 1 
 0 
 2 2 
α
e sendo assim, temos que  I  =  1 0 0 
β
 1 1 
 -1 
 2 2 
 1 1  5
 0  2  
 2 2    2
α
u β  I  β ⋅ u α , segue
b) Utilizando = = que u β  1 0 0  ⋅ 3 =  2  .
 1 1  1   3 
5 3  -1     
O que significa que, u =  , 2 ,  .  2 2  2
2 2
β
NOTA
Caro(a) acadêmico(a), essa agora é com você!

A partir do Exemplo 15, obtenha a matriz de mudança de base de β para α e faça a
transformação do vetor u = (1,2,-2).
220
RESUMO DO TÓPICO 2
• Toda matriz A m×n poder ser utilizada para definir uma transformação
T : R n → R m , onde a imagem TA ( u ) é o produto da matriz A m×n , pelo vetor
coluna un×1 .
• Dada uma transformação linear T : U → V , está associada uma única

matriz. Onde para transformar um vetor a partir desta matriz, basta utilizar:
T ( u )  = T  ⋅ u
α
 β β α
• As transformações T : R n → R n possuem várias aplicações na computação

gráfica e no desenho gráfico, que são fortemente utilizados nos cursos de
Engenharia, Computação, Design, entre outros. São algumas delas:

o Transformações de Reflexão.
o Transformações de Projeção.
o Transformações de Dilatação ou Contração.
o Transformação de Rotação.
• Se α e β são bases conhecidas, podemos calcular , u α quando conhecido

u β , e vice-versa. Esta matriz será indicada por u α ou  I  β e será dada
 β  α
α β
por: u β =  I  β ⋅ u α ou ainda, u =  I  ⋅ u
α α β
221
AUTOATIVIDADE
1 Escreva as transformações lineares TA ,TB ,TC ,TD , determinadas, respectiv-

amente, pelas matrizes:
- 1 0 
 
a) A =  - 3 - 1 
 0 1 
 1 3 -2 
 
b) B =  2 0 - 1 
 0 1 - 1 
c) C = 0 - 2 3 1
 2 
 
d) D =  1 
 - 1 
2 Considere a transformação linear T : R² → R² definida por

T ( x , y ) = ( 2 x + y , x + 2 y ) . Determine a matriz de transformação linear com
2
relação à base canônica de � .
3 Com relação ao exercício anterior, transforme os vetores, por meio da

matriz encontrada.
a) v1 = ( 2 , - 1)
b) v2 = ( 0 , - 3)
c) v3 = ( - 1, - 2 )
4 Considere a transformação linear T : R³ → R³ definida por

T ( x , y , z ) =( x + y , x + z , y + z ) . Determine a matriz de transformação linear
3
com relação à base canônica de � .
222
5 Com relação ao exercício anterior, transforme os vetores, por meio da
matriz encontrada.
a) v1 = ( - 2 , - 1, 0 )
b) v2 = (1,1, - 4 )
c) v3 = ( - 1, 2 , - 1)
6 Seja T : R 3 → R 2 definida por T ( x , y , z ) =( x + y , x + y - z ) .
a) Calcule a matriz que representa T na base canônica.

b) Calcule o núcleo da transformação. T é injetiva?
c) Calcule a imagem da transformação. T é sobrejetiva?
d) T é bijetiva?
7 Esboce a imagem do vetor v = (2,1), através de:
a) Reflexão em torno do eixo x.

b) Reflexão em torno do eixo y.
8 Esboce a projecão do vetor v = (2,4)
a) Sobre o eixo X:
b) Sobre o eixo Y:
9 Esboce a imagem do vetor v = (6,3), através de:
a) Contração de fator 1/2 na direção x.

b) Dilatação de fator 2 na direção x.
c) Contração de fator 1/3 na direção y.
d) Dilatação de fator 3 na direção y.
10 Esboce a imagem do retângulo de vértices A(0,0) , B(6,0) , C(6,3) e D(0,3) ,

através de:
a) Contração de fator 1/3 na direção x.

b) Dilatação de fator 2 na direção x.
c) Contração de fator 1/2 na direção y.
d) Dilatação de fator 3 na direção y.
223
11 Determine a matriz que gera um ponto do plano em torno da origem um
ângulo de:
a) 450
b) - 600
12 Esboce a imagem do vetor:
a) v = (2,4) através de uma rotação de 900.

b) v = (3, 3 ) através de uma rotação de - 300.
13 Sejam β
= {=
( 4, 2 ) , ( - 2, 2 )} e α {(1, 0 ) , ( 0,1)} 2
(base cannônica do � ).
β
a) Determine a matriz de mudança de base  I  α
b) Transforme o vetor u = (1, - 3) , da base β para a base α .
3
14 Considere � com as operações usuais. Tomemos duas de suas bases, são
elas: α = { } {
( 3, 0, 3) , ( 3, 6, 3) , ( 0, 0, 3) e β (1,1,1) ; (1, 0,1) , (1,1, 0 ) }
a) Obtenha a matriz de mudança de base de α para β .
b) Calcule as coordenadas do vetor u = ( - 2 ,1, 0 ) na base β .
2
15 Sabendo que A = {(1,2),(- 3,- 5)} e B = {(1,1),(1,0)} são base do � , determine:
a) ν B , sabendo que ν A = ( - 1,1)

b) ν A , sabendo que ν B = ( 2 , - 1)
224
UNIDADE 3
TÓPICO 3
AUTOVALORES E AUTOVETORES
1 INTRODUÇÃO
Em muitos problemas, principalmente os encontrados nas áreas de
Mecânica Quântica, Processamento de Imagens, Análise de Vibrações, Mecânica
dos Sólidos e Estatística, onde são apresentados operadores lineares T : V → V ,
para os quais a equação T ( u=) λ ⋅ u , possuem soluções não nulas. O uso dos
autovalores e autovetores é muito importante, por se tratar de uma possibilidade
de encontrar mudanças de referencial que possibilitam identificar a relação entre
figuras geométricas e suas equações no plano e no espaço.
Além disso, as aplicações dos autovalores e autovetores se ampliam para

o estudo das matrizes. Em particular, sabemos que uma das aplicações deste
estudo viabiliza a inversão e a diagonalização de matrizes.
2 DEFINIÇÃO
Seja Ŷ : → , uma transformação linear (operador linear). Se existirem

v ∈ V , com v ≠ 0 e λ ∈ R , tais que T ( u=
) λ ⋅ u , então λ é um autovalor e v é
um autovetor de T associados à λ .
Observação: Note que λ pode ser o número 0, porém v não pode ser o
vetor nulo.
Sendo assim, de acordo com Boldrini (1984, p. 87), no conceito de autovalor

e autovetor estamos interessados em saber que vetores não nulos são levados a
um múltiplo de si mesmo através de uma transformação. Neste caso, teremos
T ( v ) será um vetor na mesma direção de v .
225
T (v)
T (v) = λ ⋅ v
v
Na prática:
I) Seja T : R 2 → R 2 dado por T ( x , y ) = ( 2 x , 2 y ) . Podemos escrevê-lo como

T ( x , y ) = 2 ⋅ ( x , y ) . Ou seja, neste caso λ = 2 é um autovalor de T e qualquer

vetor ( x , y ) ≠ 0 é um autovetor associado à λ = 2 .
II) Seja T : R 2 → R 2 dado por T ( x , y ) = ( x , - y ) . Este caso possui dois autovalores:
a) Note que se T ( 0 , y ) = ( 0 , - y ) = - 1 ⋅ ( 0 , y ) . Portanto, λ 1 = - 1 é um autovalor

de T e todo vetor ( 0 , y ) com y ≠ 0 é um autovetor de T.
b) Veja que se T ( x , 0 ) = ( x , 0 ) = 1 ⋅ ( x , 0 ) . Portanto, λ 2 = 1 é um autovalor de T

e todo vetor ( x, 0 ) com x ≠ 0 é um autovetor de T.
Interpretação Geométrica:
T(v)
T(u) u é autovetor de T, pois ∃ λ ∈ R / T ( u ) = λ u .
v v não é autovetor de T, pois não ∃ λ ∈ R / T ( v ) =
226
TÓPICO 3 | AUTOVALORES E AUTOVETORES
NOTA
Exercício: Quais são as matrizes associadas às transformações lineares dos Itens

I e II acima?
3 AUTOVALORES E AUTOVETORES DE UMA MATRIZ

Inicialmente, devemos lembrar que toda transformação linear T : V → V
está associada a uma matriz quadrada de mesma dimensão de V em relação à base
canônica. Sendo assim, representando a matriz identidade como I , temos que:
T (v) = λ ⋅ v ⇔ A ⋅ v = λ ⋅
⇔A ⋅ v - λ ⋅ v= 0
⇔A ⋅ v - λ ⋅ I ⋅ v= 0
⇔ (A - λ ⋅ I) ⋅ v =
0
A partir daí, sabe-se que o sistema homogêneo acima só admitirá várias

soluções, se: det ( A − λ ⋅ I ) =
0
Esta equação é denominada Polinômio Característico da Transformação.

As raízes desta equação são os autovalores associados à transformação e às
soluções da equação: ( A - λ ⋅ I ) ⋅ v =
0 são os autovetores associados à λ .
Exemplo 24: Encontre os autovalores e autovetores do operador linear:

T : R → R 2 , dada por T ( x , y ) = ( - 3x + 4 y , - x + 2 y )
2
.
Resolução: Utilizando o polinômio característico, vamos encontrar os
autovalores associados à transformação:
det ( A - λ ⋅ I ) = 0 ⇒
 - 3 4 1 0  
det   - λ⋅   = 0 ⇒
 - 1 2
  0 1  
 - 3 4 - λ 0 
det    - =  0 ⇒
 -1 2
   0 - λ 
  - 3 -λ 4 
det   =  0 ⇒
 -1 2 -λ  

( - 3 -λ ) ⋅ ( 2 - λ ) + 4 ⇒
λ 2 + λ - 2 =⇒
0 polinômio característico de T .
227
são λ 1 -=
Cujas raízes (e portanto, os autovalores)= 2 e λ1 1

Agora, para cada um dos autovalores encontrados, existe(m) autovetor(es)
associado(s). Sabemos também que a expressão ( A - λ ⋅ I ) ⋅ v = 0 calcula os
autovetores de uma transformação, então, pelo que foi resolvido antes temos que:
- ü - λ  x  
  ⋅   =   .
 -ü -λ   y   
- 3 - ( - 2) 4   x  0 
a) Substituindo λ 1 = Ŷ 2 na expressão acima, temos que:   ⋅   =   ⇒
 -1 2 - ( - 2 )   y   0 
4   x  0   - 1 4   x  0   - x + 4y =
0
 ⋅   =   ⇒  ⋅   =   ⇒  ⇒x=
4y
- 2 )   y  0   - 1 4   y  0   - x + 4y =
0
ou seja, um sistema possível e indeterminado (infinitas soluções), o que nos faz

concluir que os autovetores associados à λ 1 tem
= a forma: v ( 4 y , y ) , com y ≠ 0 ,
 x
ou ainda v =  x ,  , com x ≠ 0 .
 4
b) Substituindo λ 2 = 1 na expressão acima, temos que:
 - 3 - 1 4   x  0  - 4 4  x  0 - 4x + 4 y = 0
  ⋅   =   ⇒  ⋅   =   ⇒  ⇒x=y
 -1 2 - 1  y  0   - 1 1   y  0   -x +y=0
que também é um sistema possível e indeterminado, o que novamente nos faz

concluir que os autovetores associados à λ 2 tem a forma: v = ( y , y ) , com y ≠ 0 ou=
v ( x , x ) , co
v ( x , x ) , com x ≠ 0.
≠ 0 ou=
Exemplo 25: Determinar os autovalores e autovetores do operador linear:

T : R 3 → R 3 ,T ( x , y , z ) = ( 3x - y + z , - x + 5 y + z , x - y + 3z )
Resolução: Este exemplo é um operador em R 3 , e exigirá um pouco

mais de trabalho do que o exemplo anterior. Inicialmente, vamos representar o
operador (transformação) na forma matricial.
 3 -1 1 
 
A = - 1 5 1 
 1 -1 3 
228
O próximo passo, como já visto, é encontrar o polinômio característico e

encontrar suas raízes (autovalores do operador):
 3 -1 1  1 0 0  
   
det ( A - λ ⋅ I ) = 0 ⇒ det   - 1 5 1  -λ ⋅ 0 1 0   = 0
 1 -1 3  0 0 1  
 
 3 -1 1  - λ 0 0 
   
⇒ det   - 1 5 1 + 0 -λ 0  = 0
 1 -1 3   0 0 - λ  

3 - λ -1 1 
 
⇒ det  - 1 5 - λ 1  =0
 1 - 1 3 - λ 
⇒((33−- λ ) ⋅.( 5
⇒ ( 5−-λλ))⋅ .( 3( 3−-λλ))−-((55−- λλ) +- ((33 −- λ ) −+ ( 3 −- λλ)) ==
00
⇒ (3 − λ ) ⋅ (5 − λ ) ⋅ (3 − λ ) − (5 − λ ) = 0
⇒ - λ + 11λ - 36λ + 36 = 0
3 2
⇒ ( 5 − λ ) ⋅ ( ( 3 − λ ) ⋅ ( 3 − λ ) − 1) =
0
(
⇒ ( 5 − λ ) ⋅ λ 2 − 6λ + 8 =
0 )
⇒ (5 − λ ) ⋅ ( 4 − λ ) ⋅ ( 2 − λ ) =
0
Logo, os autovalores são: λ1 = 2, λ2 = 4 e λ3 = 5. Agora, para encontrar os

autovetores basta substituí-los na expressão ( A - λ ⋅ I ) ⋅ v = 0 .
 1 -1 1   x  0   x -y+z = 0
      
a) Para λ 1 2 :  - 1
= 3 1  ⋅  y  = 0  ⇒  - x + 3y + z = 0 , onde, desta
 1 -1 1   z  0   x -y+z = 0

 1 - 1 1   1 - 1 1  11 0- 1
    
vez, resolvendo por escalonamento recorre que:  - 1 3=1  ~  0 λ21 02 :  -~10 1 3
 1 - 1 1   0 0 0  10 0- 1

⇒ 2 y + 2 z =⇒
0 y= − z;
⇒ x − y − z = 0 ⇒ x = 2 z.
229
Logo, quaisquer vetor que possuir a forma v = (2z, –z, z) é um autovetor de λ1 = 2.

Isto quer dizer que, qualquer vetor múltiplo de (2, –1, 1) é um autovetor associado
ao autovalor 2.
 −1 −1 1   x  0  − x − y + z = 0
    0  ⇒ − x + y + z= 0
b) Para λ2= 4 :  −1 1 1  ⋅  y =    , onde,

 1 −1 −1  z  0   x − y − z = 0
 −1 −1 1   −1 −1 1 
resolvendo por escalonamento recorre que:  −1 1 1  ~  0 2 0 
   
 1 −1 −1  0 0 0 
⇒ 2 y =0 ⇒ y =0;
⇒ − x − y + z = 0 ⇒ x = z.
Logo, quaisquer vetor que possuir a forma v = (z, 0, z) ou v = (x, 0, x) é um
autovetor de λ2 = 4. Isto quer dizer que, qualquer vetor múltiplo de (1, 0 1) é um
autovetor associado ao autovalor 4.
 −2 −1 1   x  0  −2 x − y + z = 0
c) Para onde, desta vez, λ3= 5 :  −1 0 1  ⋅  y = 0  ⇒  − x + z= 0 , onde,
      

 1 −1 −2   z  0   x − y − 2 z =0
 −2 −1 1   −2 −1 1 
resolvendo por escalonamento recorre que:  −1 0 1  ~  0 1 −3
   
 1 −1 −2   0 0 −6 
⇒ x = y = z = 0.
Logo, apenas o vetor nulo v = (0, 0, 0) é um autovetor de λ3 = 5.
5 
26: Se u
Exemplo= (=
- 1,1) e v  ,1 são autovetores de T, com relação
2 
aos autovalores λ 1 = - 1 e λ 2 = 6 respectivamente. Determine T(x,y) e a imagem
do vetor v = (1,4) nesta transformação.
230
Resolução: Inicialmente, neste exemplo, devemos construir a

transformação linear que gera estes resultados citados. Para tanto, iremos
descobrir os coeficientes dos componentes da transformação, e pelo fato de que
trata-se de T(x,y), podemos associá-la com uma matriz 2x2, chamando seus
elementos de a, b, c e d, respectivamente.
Sabemos que ( A - λ ⋅ I ) ⋅ v = 0 , logo:
Para λ 1 = -1 e u = ( - 1,1) , temos :
 a b  1 0   - 1 0 
   - ( - 1) .    .   =   ⇒
 c d 0 1    1  0
  a b   - 1 0   - 1 0 
   -    .   =   ⇒
  c d   0 - 1    1  0
  a + 1 b   - 1 0 
   .   =   ⇒
 c d + 1   1  0 
 - a - 1 + b  0  - a+b= 1
  =   ⇒ ⇒ b = a +1 e d = c - 1
- c + d + 1 0  - c + d = -1
5 
Para
= e u  ,1 , temos:
λ 2 6=
2 
 a b  5
1 0      0 
   - ( 6) .    . =2   ⇒
 c d 0 1    1  0 
 
  a b  6 0    5  0 
   -    .  2  =   ⇒
  c d   0 6    1  0
 
 a - 6 5
b     0 
    . 2 =   ⇒
 c d - 6     0 
 1 
 5a   5a
 2 - 15 + b  0   2 + b = 15 5a 5c
  =  ⇒ ⇒ b= - + 15 e d = - +6
 5c + d - 6  0   5c + d = 6 2 2
 2   2
231
Daí segue que das relações assumidas vêm:
5a 7a
a +1 = - + 15 ⇒ = 14 ⇒ a = 4
2 2
5c 7c
c -1= - +6 ⇒ =7 ⇒ c=2
2 2
Como a = 4 e c = 2, resta calcular que b = 5 e d = 1. Assim sendo, a matriz

 4 5
da transformação é dada por A =   , e por consequência a transformação é
2 1
T ( x , y ) = ( 4x + 5y , 2x + y ) 
.
Porfim,paracalcularaimagemdovetor(1,4)nestatransformação,bastasubstituí-
lo na fórmula encontrada, ou multiplicá-lo pela matriz correspondente. Vamos utilizar
 4 5 1   24 
o segundo processo:   .   =   . O vetor transformado é v’ = ( 24 , 6 ) .
 2 1  4  6 
4 MULTIPLICIDADE DOS AUTOVETORES DE UMA

TRANSFORMAÇÃO
Após entender como se dá o cálculo dos autovalores e autovetores
associados a uma transformação, vamos aproveitar para apresentar dois
conceitos muito importantes: o de multiplicidade algébrica e o de multiplicidade
geométrica.
a) Chamamos de multiplicidade algébrica de um autovalor a quantidade de vezes

que ele aparece como raiz do polinômio característico.
Por exemplo, na transformação T : R 3 → R 3 ,T ( x , y , z ) =( 2 x + y , 2 y + z , 2 z )

recaímos no polinômio característico ( 2 - λ ) = 0 , que gera em três raízes iguais
3
(caro(a) acadêmico(a), por favor, verifique!), sendo ela λ= 1

λ= 2
λ=3
2 onde
podemos dizer que λ = 2 é um autovalor com multiplicidade algébrica igual a 3.
b) Chamamos de multiplicidade geométrica de um autovalor λ , a dimensão do

subespaço gerado pelos autovetores associados à λ .
Por exemplo, na transformação do Exemplo 25, para λ 1 = 2 , encontramos

os autovetores da forma v1 = ( x , 0 ,- x ) = x. (1, 0 ,-1) que pode ser escrito na forma
de uma base [(1,0,-1)], que possui dimensão 1. E, desta forma, dizemos que o
autovalor λ 1 = 2 possui multiplicidade geométrica igual a 1.
232
5 MATRIZES SEMELHANTES E DIAGONALIZAÇÃO

DE OPERADORES
As matrizes triangulares e matrizes diagonais são interessantes, pois
seus autovalores são determinados diretamente. Portanto, seria agradável se
pudéssemos relacionar uma matriz à outra matriz triangular ou diagonal de forma
que ambas tivessem os mesmos autovalores. Sendo assim, vamos ao seu estudo.
5.1 MATRIZES SEMELHANTES

Definição: Sejam A e B, matrizes n × n . Dizemos que A é semelhante a B,
e simbolizamos por A ~ B , se existir P, uma matriz quadrada n × n , que admite
inversa, tal que A . P = P . B
 1 2  1 0 
Exemplo 26: Verifique se as matrizes A =   e B=  
 0 -1  -2 -1 
 1 -1 
são semelhantes. (Dica: utilize a matriz P =   para realizar a verificação).
1 1 
Resolução: Vamos verificar o que foi solicitado, utlizando a definição, que
diz que inicialmente a matriz P deve possuir inversa. Vamos verificar pelo cálculo
de seu determinante.
 1 -1 
det P = det   = 1 + 1 = 2 > 0 logo, a matriz P possui inversa.
1 1 
 1 2   1 -1   1 -1 
Agora, vamos verificar o fato que A . P = P . B :   .   =  
 0 -1   1 1   1 1 
 1 -1   1 -1   1 0   3 -1   3 -1 
  =   ⋅     =  
 1 1   1 1   - 2 - 1  - 1 - 1   - 1 - 1 
Como os resultados foram iguais, constatamos que as matrizes A e B são

semelhantes.
5.2 DIAGONALIZAÇÃO
Para trabalhar com conceitos e aplicações de operadores lineares temos
a melhor situação possível quando uma matriz quadrada é semelhante a uma
matriz diagonal. Para uma matriz ser diagonalizável, como veremos logo a seguir,
a possibilidade de isso ocorrer está fortemente relacionada com a semelhança de
matrizes, bem como com os autovalores e autovetores da matriz.
233
Definição: Uma matriz A é diagonalizável se exite uma matriz diagonal D

tal que A ~ D , ou seja, existe P, uma matriz quadrada n × n , que admite inversa,
tal que A . P = P . D
Exemplo 27: (Caro(a) acadêmico(a), este exemplo é para você verificar!) A

1 3  1 3
matriz A =   é diagonalizável, pois existe P =  1 - 2  invertível
2 2  
 4 0 
(verifique que det P ≠ 0 ) e uma matriz diagonal D =   , tal que
 0 -1 
 4 -3 
A.P=P .D=   (faça as multiplicações e comprove).
 4 2 
NOTA
Lembre-se: O entendimento de todos os exemplos deste caderno exigem uma

verificação dos cálculos por parte do(a) acadêmico(a), mesmo os que já estão resolvidos.
No exemplo anterior, dizemos que P é a matriz que diagonaliza A, e a

matriz D é sua forma diagonal. Vamos agora, apresentar um teorema que nos
permite compreender como podemos encontrar as matrizes citadas.
Teorema: A matriz A n × n é diagonalizável, se, e somente se, a matriz A

tiver n vetores LI.
Para explicar este teorema, temos que imaginar que A só será diagonalizável
se as colunas da matriz P forem compostas por n autovetores linearmente
independentes de A, e os elementos da diagonal de D forem os autovalores
correspondentes aos autovetores.
Exemplo 28: Se possível, encontre a matriz P que diagonaliza os operadores

lineares a seguir, bem como a sua forma diagonal.
a) T : R 3 → R 3 ,T ( x , y , z ) = ( y , z , 2x - 5 y + 4 z )
b) T : R 3 → R 3 ,T ( x , y , z ) = ( - x + z , 3x - 3z , x - z )
Resolução:
a) Primeiramente, vamos verificar se é possível realizar o processo de

diagonalização, a partir do cálculo dos autovalores:
234
ü 
 
Representando o operador na forma matricial, segue: A =  ü 
 ü - 
Após este processo, vamos determinar e resolver o polinômio característico:
 0 1 0 1 0 0 
   
det ( A - λ ⋅ I ) = 0 ⇒ det   0 0 1 - λ ⋅ 0 1 0  = 0
 2 - 5 4  0 0 1  

 0 1 0  - λ 0 0 
   
⇒ det   0 0 1 +  0 -λ 0  =0
 2 - 5 4   0 0 -λ  
 
0 - λ 1 0 
 
⇒ det  0 0-λ 1  =0
 2 - 5 4 - λ 
⇒ ( - λ ) . ( - λ ) . ( 4 - λ ) + 2 - 5λ = 0
⇒ -λ 3 + 4λ 2 - 5λ + 2 = 0
⇒ λ 1= λ 2 = 1 e λ 3 = 2
Vamos, agora, determinar os autovetores, utilizando a relação

( A - λ ⋅ I) ⋅ v = 0 .
- 1 1 0   x  0   -x+y = 0
      
Para λ 1 = λ 2 = 1 :  0 - 1 1  ⋅  y  = 0  ⇒  - y + z = 0 ⇒x=y=z
 2 - 5 3   z  0   2 x - 5 y + 3z = 0

o que implica em autovetores da forma ( x , x , x ) = x . (1,1,1) Ou seja,

vetores múltiplos de (1,1,1).
- 2 1 0   x  0   - 2x + y = 0
      
Para λ 3 = 2 :  0 - 2 1  ⋅  y  = 0  ⇒  - 2 y + =z 0 y 2x e =
⇒ = z 4x
 2x - 5y + 2z =
 2 - 5 2   z  0   0
o que implica em autovetores da forma ( x , 2 x , 4 x ) = x . (1, 2 , 4 ) . Ou seja, vetores
múltiplos de (1,2,4).
Ora, verificamos que não é possível existirem nestas condições três vetores
LI para formarem a matriz P. E pelo teorema anterior, A não é diagonalizável.
235
Observação: λ= 1
λ=2
1 tem multiplicidade algébrica igual a 2 e λ 3 = 2
tem multiplicidade algébrica igual a 1. Cada autovalor gera somente um autovetor,
portanto, a multiplicidade geométrica é 1, para qualquer autovalor.
a) Vamos calcular os autovalores:

- 1 0 1 
 
Representando o operador na forma matricial: A =  3 0 -3 
 1 0 - 1 
Após este processo, vamos determinar e resolver o polinômio característico:
 - 1 0 1  1 0 0 
   
det ( A - λ ⋅ I ) = 0 ⇒ det   3 0 - 3  - λ ⋅ 0 1 0  = 0
 1 0 -1  0 0 1  
 
 - 1 0 1  - λ 0 0 
   
⇒ det   3 0 - 3  +  0 -λ 0  =0
 1 0 -1   -λ  
   0 0 
- 1 - λ 0 1 
 
⇒ det  3 0-λ -3  =0
 1 0 - 1 - λ 
⇒ (1 - λ ) . ( - λ ) . ( - 1 - λ ) + λ = 0
⇒ λ 3 + 2λ 2 = 0
⇒ λ1 = λ 2 = 0 e λ 3 = - 2
Determinando os autovetores, utilizando a relação ( A - λ ⋅ I ) ⋅ v = 0

- 1 0 1   x  0   -x+z= 0
      
Para λ 1 =
λ2 =
0 :  3 0 - 3 ⋅  y  = 0  ⇒  3x - 3z =
0 ⇒ x=z e y=
y.
 1 0 - 1  z  0   x -z=0

o que implica em autovetores da forma= ( x , y , x ) x . (1, 0,1) + y . ( 0,1, 0 ) . Ou seja,

vetores de combinação de (1,1,1) e (0,1,0).
 1 0 1   x  0   x+z= 0
      
Para λ 3 = - 2 :  3 2 - 3  ⋅  y  = 0  ⇒ 3x + 2 y - 3z = 0 ⇒ x = - z e y = - 3z
 1 0 1   z  0   x+z= 0

Ou seja, vetores de combinação de (1, 0, 1) e (0, 1, 0).
236
o que implica em autovetores da forma ( - z , - 3z , z ) = z . ( - 1, - 3,1) . Ou seja,

vetores múltiplos de ( - 1 , - 3 , 1 ).
De fato, percebe-se que encontramos três vetores LI. E assim

sendo, podemos formar a matriz P que diagonaliza A. Basta utilizar os
autovetores encontrados como colunas de P. Os vetores encontrados foram
=v1 (1=
, 01) , v2 ( 0 ,1=
, 0 ) e v3 ( - 1, - 3,1) e assim sendo:
 1 0 -1 
 
P= 0 1 - 3  , onde P é a matriz que diagonaliza A. Agora, a forma diagonal
 1 0 1 
D, como colocado anteriormente, é formada pelos autovalores em sua diagonal.
 0 0 0 
Como λ= λ= 0 e λ= 
2 , segue que: D = 0 
1 2 3  0 0 
 0 0 - 2 
Observação: λ= 1
λ=2
0 tem multiplicidade algébrica igual a 2 e tem
multiplicidade algébrica igual a 1. Temos que, λ=
1
λ=2
0 gera dois autovetores
LI, portanto, possui multiplicidade geométrica igual a 2, enquanto que λ 3 = - 2
que gera apenas um autovetor, tem multiplicidade geométrica 1.
Um resultado importante, que o item b, do exemplo acima nos traz, é

o Teorema da Diagonalização, que formaliza os resultados nele encontrados.
Por favor, caro(a) acadêmico(a), verifique se os itens (a), (b) e (c) do teorema a
seguir condizem com o apresentado neste item b.
Teorema da Diagonalização
Seja A(nxn) com n autovalores distintos (não necessariamente distintos

entre si). São equivalentes os enunciados:
a) A é diagonalizável.
b) A união de todos os autovetores gerados pelos autovalores contém n vetores
LI.
c) A multiplicidade algébrica de cada autovalor é igual a sua multiplicidade
geométrica.
237
Um pouco da história da Álgebra Linear – Contribuição dos grandes

matemáticos
A teoria axiomática dos espaços vetoriais é um desenvolvimento recente na

matemática e teve uma de suas origens na resolução de sistemas lineares. Giuseppe
Peano (1858-1952) deu a primeira definição axiomática de espaço vetorial em 1888,
mas, a teoria de espaços vetoriais não foi desenvolvida antes de 1920. Até a metade
do século XVIII nada de substancial ocorreu com a álgebra linear.
Um assunto relevante cujas questões levaram ao desenvolvimento da

teoria de sistemas lineares que por sua vez levaram ao desenvolvimento da teoria
de espaços vetoriais é o estudo das curvas algébricas. Duas proposições referentes
às curvas algébricas eram bem conhecidas, embora tenham sido provadas somente
parcialmente até o começo do século XVIII:
I) “Duas curvas algébricas distintas de ordens m e n, respectivamente, têm mn

pontos em comum”.
Sabe-se que estes pontos podem ser múltiplos, complexos ou infinitos,

mas, os matemáticos da época também conheciam exemplos em que estes pontos
eram todos simples e reais.
II) “Para determinar uma curva de ordem n são necessários e suficientes n(n +
3)/2 pontos”.
Esta segunda proposição leva a um paradoxo, pois quando n é maior

que 2, n(n + 3)/2 ≤ n², então parece que duas curvas algébricas podem ter mais
pontos em comum do que é suficiente para determinar cada uma delas. Colin
Mclaurin (1698-1746) em 1720 foi o primeiro a identificar este paradoxo e Cramer
o reformulou em 1750.
O ano de 1750 foi a data de publicação de dois dos trabalhos mais

importantes na história do conceito de espaços vetoriais. Gabriel Cramer (1704-
1752), escreveu o primeiro deles, intitulado “Introduction à l’analyse des courbes
algébriques”, onde ele preparou a estrutura para a teoria de determinantes e
Leonhard Euler (1707-1783) escreveu o segundo intitulado “Sur une contradiction
apparente dans la doctrine des lignes curbes”, que tem relação com o paradoxo de
Cramer e também está relacionado com as curvas algébricas. Neste trabalho, Euler
identificou a natureza do problema. Depois de uma análise cuidadosa da situação,
ele explicou que em alguns casos, a proposição (2) pode não ser verdadeira,
quando n equações não são suficientes para determinar n incógnitas. Ele deu
exemplos do que hoje é conhecido como sistemas indeterminados de equações
lineares, ou seja, deu exemplos de sistemas de equações de curvas algébricas que
não possuem solução, pois uma ou mais equações são dependentes das outras.
238
Euler foi um dos primeiros a evidenciar a importância da dependência

linear, embora seu objetivo fosse dar soluções de sistemas lineares através do
processo de substituição e eliminação, que ele ilustrou com exemplos, o que é
diferente da definição moderna de dependência linear. Apesar das ideias de Euler
constituirem as bases para abordar as noções de dependência e posto, porém,
estas foram obscurecidas pelo trabalho de Cramer.
O conceito de dependência de equações num sistema linear foi

rapidamente relacionado à anulação do determinante de um sistema, e foi a
partir daí que se desenvolveu a ideia de “menor” (subdeterminante) e o fato de
que o tamanho de um menor não nulo maximal determina o número Máximo
de soluções independentes. Henry J. S. Smith (1826-1883), em um artigo de 1861,
foi o primeiro a tratar esta ideia e com seu enfoque teórico marcou uma sutil,
mas decisiva mudança, pois ele não queria dar modos de solucionar sistemas de
equações; ele queria estudar as bases teóricas do problema.
Ferdinand Georg Frobenius (1849-1917), em um trabalho de 1875 intitulado

“Über das Pfaffsche Problem” deu uma definição de independência para equações
e n-uplas sem o uso de determinantes que é usada até hoje. Frobemenius também
preparou a base para as noções de dualidade e invariância quando considerou
n-uplas e equações como objetos similares, que podem ser vistos de dois ângulos
diferentes. Dentro da teoria de determinantes, foi com Frobenius que o conceito de
posto alcançou a maturidade (foi ele quem usou o nome posto pela primeira vez).
ÁLGEBRA LINEAR, TRANSFORMAÇÕES LINEARES E MATRIZES
Leonhard Euler (1707-1783) publicou, em 1770, um tratado intitulado

“Problem Algebricum ob Affectiones Prorsus Singulares Memorabile” onde estudava
quadrados de números que similares aos quadrados mágicos. Ele escreveu:
“Sejam A, B, C, D, E, F, G, H, I, que verificam as seguintes condições:
1) A2²+ B² + C² = 1
2) D² + E² + F² = 1
3) G² + H² + I² = 1
4) AB + DE + GH = 0
5) AC + DF + GI = 0
6) AB + DE + GH =0
7) A2 + D2 +G2 = 1
8) B2 + E2 + H2 = 1
9) C2 + F2 + I2 = 1
10) AD + BE + CF = 0
11) AG + BH + CI = 0
12) DG + EH + FI = 0
239
Ele então percebeu que estas 12 condições são equivalentes a seguinte

transformação ortogonal: X = Ax + By + Cz;
Y = Dx + Ey + Fz;
Z = Gx + Hy + Iz;
o que é equivalente à afirmação: X² + Y² + Z² = x² + y² + z²
Então, mostrou que as seis primeiras relações implicam nas seis últimas.
Euler não se preocupou com a questão da independência destas equações, pois seu
raciocínio era intuitivo, mas mostrou que n² coeficientes têm n(n + 1)/2 condições
e que essa transformação ortogonal irá depender de n(n - 1)/2 parâmetros. Assim
sendo, Euler caracterizou as transformações ortogonais para n = 2 e 3, mas, a
principal contribuição de Euler para o avanço deste conceito foi que ele não se
limitou a n = 3. Seu raciocínio puramente algébrico permitiu que ele obtivesse
soluções para n = 4 e 5 e generalizasse para todo valor de n. Isto não ocorria
na geometria, pois resolver essas equações para n maior que três significava se
aventurar por espaços de dimensão maior que três.
Joseph Louis Lagrange (1736-1813) entre 1773 e 1775, em seu “Recherche

d’Arithmétique” enquanto estudava as propriedades dos números, que são a soma
de dois quadrados, foi levado a estudar o efeito de transformações lineares com
coeficientes inteiros numa forma quadrática de duas variáveis. Ele estabeleceu
o fato de que o discriminante da nova forma quadrática é o produto do antigo
discriminante pelo quadrado de uma quantidade que era conhecida como o
determinante da transformação linear.
Johann Carl Friedrich Gauss (1777-1855) publicou, em 1798, “Disquisitiones

Arithmeticae”, estudou a mesma questão com duas e três variáveis. Ele apresentou
uma notação similar a da matriz que caracteriza a transformação linear. Além
disso, estabeleceu a fórmula e uma notação simbólica para a composição de
duas transformações lineares e também para o produto, o que marca um passo
fundamental em direção ao conceito de matriz.
Ferdinand Gotthold Max Eisenstein (1823-1852), em 1844, fez uma das

mudanças mais importantes no tratamento de operações com matrizes, que foi
usar uma letra para se referir a matrizes e para descrever suas relações algébricas.
Além disso, ele assinalou a não comutatividade do produto, que era conhecida,
mas era tratada como um processo local não como uma operação algébrica. O que
permitiu essa mudança foi a conexão das matrizes com vários objetos e também
descobertas recentes como os quatérnios que alargaram o campo da álgebra.
240
Arthur Cayley (1821-1895), em 1858, publicou um tratado famoso intitulado

“Memoir on the Theory of Matrices”, muitos autores atribuem a este trabalho de
Cayley a definição de matriz, mas segundo Jean-Luc Dorier [2], neste trabalho,
Cayley detalha e cuidadosamente reúne todos os resultados descobertos nas duas
décadas anteriores, fazendo assim o estudo das operações algébricas com matrizes
alcançarem o primeiro estágio de amadurecimento. Em 1846, Cayley publicou
um outro tratado, intitulado “Sur Quelques Résultats de Géometrié de Position” onde
ele deu um passo decisivo na direção de generalizar os espaços de dimensão
maior que três, pois neste trabalho ele mostrou que se podem obter resultados
em geometria tridimensional trabalhando-se com espaços de dimensão maior
que três. Esse resultado poderia ter sido obtido por Möbius, mas ele adotou uma
postura comum à sua época e descartou essa possibilidade.
FONTE: Universidade do Estado do Rio de Janeiro, A história da álgebra Linear. Disponível em:
<http://www.fat.uerj.br/intranet/disciplinas/Algebra%20Linear>. Acesso em: 6 fev. 2016.
241
RESUMO DO TÓPICO 3
• No conceito de autovalor e autovetor estamos interessados em saber que

vetores não nulos são levados a um múltiplo de si mesmos através de uma
transformação.
• A equação det ( A - λ ⋅ I ) = 0 , é denominada Polinômio Característico

da Transformação. As raízes desta equação são os autovalores associados à
transformação.
• As soluções da equação ( A - λ ⋅ I ) ⋅ v = 0 , são os autovetores associados à λ.
• Chamamos de multiplicidade algébrica de um autovalor a quantidade de vezes

que ele aparece como raiz do polinômio característico.
• Chamamos de multiplicidade geométrica de um autovalor λ , a dimensão do

subespaço gerado pelos autovetores associados à λ.
• Dizemos que A é semelhante a B, e simbolizamos por A ~ B se existir P, uma

matriz quadrada n × n que admite inversa, tal que A . P = P . B .
• Uma matriz A é diagonalizável se exite uma matriz diagonal D tal que A ~ D

ou seja, existe P, uma matriz quadrada n × n , que admite inversa, tal que
A .P=P .D .
242
AUTOATIVIDADE
1 Determine, se existirem, os autovalores e autovetores das seguintes

transformações lineares:
a) T: R2 → R2, T(x,y) = (x + 2y, -x + 4y)
b) T: R2 → R2, T(x,y) = (2x + 2y, x + 3y)
c) T: R2 → R2, T(x,y) = (5x - y, -x + 3y)
d) T: R2 → R2, T(x,y) = (y, -x)
2 Indique as multiplicidades algébrica e geométrica dos itens da questão 1.
3 Dada a matriz a seguir, ache os autovalores, os autovetores, a multiplicidade

algébrica e geométrica, e verifique se ela pode ser diagonalizável.
1 -3 3
 
A= 3 -5 3 
 6 - 6 4 
4 Demonstre como uma matriz A e sua transposta AT possuem os mesmos

autovalores.
5 Se u (=
= 2 , - 5 ) e v ( - 3, 7 ) , são autovetores de T, com relação aos
autovalores λ 1 = -1 e λ 2 = 0 Determine T(x,y).
6 Os vetores v1 = (1,1) e v2 = (2,-1) são vetores próprios de um operador linear

T: R2 → R2, associados a λ 1 = 5 e λ 2 = - 1 , respectivamente. Determinar a
imagem do vetor v = (4,1) por esse operador.
7 (ENADE) Uma transformação linear T : R 2 → R 2 faz uma reflexão em torno

do eixo X, conforme a figura, podemos afirmar que a transformação T:
243
y
u
x
-2 2 4
T(u)
-2
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 autovetor de multiplicidade 1.
e) ( ) Não é inversível.
8 Determine os autovalores e autovetores, se existirem, do operador linear

T ( x , y ) obtido quando se faz uma reflexão em torno do eixo X, e em seguida
uma dilatação de 2 vezes.
9 Verifique se as matrizes a seguir são diagonalizáveis. Caso forem, determine

a matriz que a diagonaliza e a forma diagonal.
 2 1
a) A =  
 0 1
 1 0 0 
b) B = - 7 1 0


 4 -3 1 
10 Determine uma matriz P invertível, que diagonaliza o operador linear

T ( x , y , z ) = ( 7 x - 2 y , - 2 x + 6 y - 2 z , - 2 y + 5z ) bem como determine sua
forma diagonalizada.
0 -1 
11 Considere a matriz A =   , uma representação de um operador
 m m + 1
linear T, onde m é um número real.
a) Determine a equação que gera o polinômio característico de A.

b) Calcule através deste polinômio característico os autovalores associados.
c) Para quais valores de m, o operador é diagonalizável.
244
REFERÊNCIAS
ANTON, Howard; RORRES, Chris. Álgebra Linear com Aplicações. 8. ed.
Porto Alegre: Bookman, 2001.
BOLDRINI, J. L.; COSTA, S. I. R.; FIGUEIREDO, V. L.; WETZLER, H. G. Álgebra

linear. São Paulo: Harbra, 1980.
BOLDRINI, José Luiz. Álgebra Linear, 3. ed. São Paulo: Harbra, 1984.
CALLIOLI, C. A; COSTA, R. C. F; DOMINGUES, H. H. Álgebra linear e

aplicações. 6. ed. São Paulo: Atual, 1990.
DANTE, Luiz Roberto. Matemática: volume único: contexto & aplicações:

Ensino Médio. 3. ed. São Paulo: Ática, 2005.
FACCHINI, Walter. Matemática para a escola de hoje: volume único. São Paulo:
FTD, 2006.
GIOVANNI, José Ruy; BONJORNO, José Roberto; GIOVANNI JR., José Ruy.
Matemática Fundamental: uma nova abordagem. São Paulo: FTD, 2002.
LIMA, Elon L. Álgebra Linear. Rio de Janeiro: IMPA/CNPq, 1995.
LIPSCHUTZ, Seymour. Álgebra Linear, 3. ed. São Paulo: Makron Books, 1994.
PAIVA, Manoel. Matemática: 2. 2. ed. São Paulo: Moderna, 2013.
STEINBRUCH, Alfredo; WINTERLE, Paulo. Álgebra Linear. 2. ed. São

Paulo: Pearson Makron Books, 1987.
STEINBRUCH, Alfredo; WINTERLE, Paulo. Álgebra Linear. 2. ed. São

Paulo: McGraw-Hill, 1987.
STEINBRUCH, Alfredo; WINTERLE, Paulo. Geometria Analítica I. 2. ed.

São Paulo: Pearson Makron Books, 1987.
245

Álgebra Linear e Vetorial

Enviado por

Dados do documentoclique para ver informações do documentomatematica

Dados do documentoclique para ver informações do documento

Direitos autorais:

Formatos disponíveis

Álgebra Linear e Vetorial

Enviado por

Dados do documento

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

Álgebra Linear e Vetorial

Enviado por

Direitos autorais:

Formatos disponíveis

Álgebra Linear e Vetorial

Prof.ª Grazielle Jenske

Revisão, Diagramação e Produção:

Ficha catalográfica elaborada na fonte pela Biblioteca Dante Alighieri

Álgebra Linear e Vetorial / Grazielle Jenske; Leonardo

Este caderno de estudos está dividido em três unidades que

Na Unidade 1, você terá acesso aos conceitos iniciais de Matrizes, onde

Na unidade seguinte, você terá as primeiras noções de vetores. Estas

Por fim, na Unidade 3, iremos adentrar no universo da Álgebra Linear

Queremos lembrar, que este material traz um curso introdutório da

Esperamos que, ao término deste estudo, você consiga notar a evolução

Profª Grazielle Jenske

Você já me conhece das outras disciplinas? Não? É calouro? Enfim, tanto

Na Educação a Distância, o livro impresso, entregue a todos os acadêmicos desde 2005, é

Assim, a UNIASSELVI, preocupando-se com o impacto de nossas ações sobre o ambiente,

Aproveito o momento para convidá-lo para um bate-papo sobre o Exame Nacional de

Olá acadêmico! Para melhorar a qualidade dos

TÓPICO 1 – MATRIZES ...................................................................................................................... 3

TÓPICO 2 – DETERMINANTES E INVERSÃO DE MATRIZES ............................................... 47

TÓPICO 3 – SISTEMAS LINEARES E SEU ENSINO ................................................................... 75

UNIDADE 2 – ESPAÇOS VETORIAIS ............................................................................................ 105

TÓPICO 1 – VETORES ........................................................................................................................ 107

TÓPICO 2 – OPERAÇÕES VETORIAIS .......................................................................................... 127

TÓPICO 3 – ESPAÇOS VETORIAIS ................................................................................................ 153

UNIDADE 3 – OPERADORES DE TRANSFORMAÇÃO ............................................................ 187

TÓPICO 1 – TRANSFORMAÇÕES LINEARES ............................................................................. 189

TÓPICO 2 – MATRIZ DE UMA TRANSFORMAÇÃO LINEAR ................................................ 203

TÓPICO 3 – AUTOVALORES E AUTOVETORES ........................................................................ 225

REFERÊNCIAS ...................................................................................................................................... 245

MATRIZES E SISTEMAS LINEARES

• conceituar, operacionar e interpretar matrizes;

• calcular o determinante de uma matriz;

• utilizar a linguagem matricial e as operações com matrizes como instru-

• utilizar o cálculo de determinantes, a regra de Cramer e o escalonamento

• visualizar as aplicações de vetores;

• compreender a real importância de autovalores e autovetores;

• formalizar o estudo de transformações lineares.

Ainda nas obras matemáticas de autoria chinesa é possível observar o uso

Porém, o nome matriz veio somente no século XIII, com James

Arthur Cayley nasceu em 16 de agosto de 1821, em

FONTE: Disponível em: <http://www.matematica.br/historia/cayley.html>. Acesso em: 30

A matriz é representada por uma letra maiúscula do alfabeto e cada item

Uma matriz é real se os seus elementos são números reais ou expressões

3 MONTAGEM DE UMA MATRIZ

Um professor de matemática que trabalha de segunda a sexta fez o

Imagine uma matriz que represente nas linhas as semanas de trabalho

Para tanto, a matriz resultante do fato acima ficará assim:

3.1 REPRESENTAÇÃO GENÉRICA DE UMA MATRIZ

Nela, podemos observar que:

• O elemento 5 está na primeira linha e na primeira coluna. Indicamos por a11 e

Assim, devemos considerar:

A matriz A, do tipo mxn, será escrita, genericamente, do seguinte modo:

Os m elementos correspondentes às linhas serão localizados pelo índice i e

A ( a ij )mxn , com1≤i ≤ m, 1≤ j≤ n e i, j∈IN ( Lemos: matriz A, dos

Podemos classificar as matrizes quanto ao seu tipo, ou melhor

3.2 ELEMENTOS CORRESPONDENTES

 a11 a12 a13 a1n   b11 b12 b13 b1n 

3.3 IGUALDADE DE MATRIZES