Apostila de Álgebra Linear

APOSTILA DE
ÁLGEBRA LINEAR
PROFESSORA: MONIQUE SEQUEIRA LEHMANN

APOSTILA DE ÁLGEBRA LINEAR
SUMÁRIO
1 – Matrizes 2
1.1 – Introdução 2
1.2 – Tipos de matrizes 3
1.3 – Operações com matrizes 4
2 – Sistemas de equações lineares 7
2.2 – Sistemas e matrizes 9
2.3 – Operações elementares 10
2.4 – Forma escada 11
2.5 – Soluções de um sistema de equações lineares 13
3 – Determinantes e matriz inversa 15
3.1 – A inversa de uma matriz 15
3.2 – Determinantes 18
3.3 – Regra de Cramer 24
4 – Espaços vetoriais 25
4.2 – Subespaços vetoriais 26
4.3 – Combinação linear 27
4.4 – Subespaços gerados 30
4.5 – Dependência e independência linear 30
4.6 – Base de um espaço vetorial 31
5 – Transformações lineares 35
5.1 – Definição 35
5.2 – Transformação lineares e matrizes 38
6 – Autovalores e autovetores 40
6.1 – Definição 40
6.2 – Determinação dos autovalores e autovetores 40
PROFESSORA MONIQUE SEQUEIRA LEHMANN 1

Capítulo 1
Matrizes
1.1 – Introdução:
• Matriz: é uma tabela de elementos dispostos em linhas e colunas.
Exemplos:
⎡1 0 3⎤ ⎡5⎤
⎡1 3 ⎤ ⎢ 5 − 6 9⎥ ⎢7⎥
⎢8 − 5⎥ ; ⎢ ⎥ ; [2 5 9] ; ⎢ ⎥
⎣ ⎦ ⎢⎣− 2 1 7 ⎥⎦ ⎢⎣− 6⎥⎦
Seus elementos podem ser números reais ou complexos, funções ou ainda outras matrizes.
• Representação: Utiliza-se letras maiúsculas para denotar matrizes e letras minúsculas para
especificar sua ordem, ou seja, o número de linhas e o número de colunas.
Exemplo: Matriz A com m linhas e n colunas ( Amxn).
Para localizar um elemento na matriz, indicamos a linha e a coluna em que ele se encontra, nesta
ordem.
Exemplo:
⎡a a12 a13 ⎤ ⎡3 5 2⎤
A2 x 3 = ⎢ 11 =
⎣a 21 a 22 a 23 ⎥⎦ ⎢⎣1 4 9 ⎥⎦
a11 = 3 ; a21 = 1
a12 = 5 ; a22 = 4
a13 = 2 ; a23 = 9
• Definição: Dizemos que duas matrizes Amxn e Brxs são iguais se elas tem o mesmo
número de linhas (m = r) e colunas (n = s), e se todos os seus elementos correspondentes
são iguais (aij = bij).
Exemplo:
⎡3 2 1 log 1⎤ ⎡9 sen 90 o 0⎤
⎢ 2 ⎥=⎢ ⎥
⎣2 2 5 ⎦ ⎣2 4 5⎦

1.2 – Tipos de matrizes:

• Matriz quadrada: é aquela cujo número de linhas é igual ao número de colunas.
Exemplo:
⎡− 5 2 6 ⎤
⎡5 4⎤ ⎢ 4 1 − 3⎥
⎢1 9⎥ ; ⎢ ⎥
⎣ ⎦ ⎢⎣ 9 5 4 ⎥⎦
• Matriz nula: é aquela em que aij = 0 para qualquer i e j.

Exemplo:
⎡0 0 ⎤
⎢0 0 ⎥
⎣ ⎦
• Matriz coluna: é aquela que possui uma única coluna (n = 1).

Exemplo:
⎡ 2⎤
⎡1⎤ ⎢5 ⎥
⎢5⎥ ; ⎢ ⎥
⎣ ⎦ ⎢⎣4⎥⎦
• Matriz linha: é aquela na qual m = 1, ou seja, possui apenas uma linha.

Exemplo:
[5 3] ; [9 8 4]
• Matriz diagonal: é uma matriz quadrada (m = n) onde aij ≠ 0 para i = j, ou seja, apenas os
elementos da diagonal principal são não-nulos.
Exemplo:
⎡2 0 0⎤
⎡3 0 ⎤ ⎢0 5 0⎥
⎢0 1 ⎥ ; ⎢ ⎥
⎣ ⎦ ⎢⎣0 0 7 ⎥⎦
• Matriz identidade: é aquela matriz quadrada na qual:
⎧ a ij =1 para i = j
⎨ para i ≠ j
⎩ a ij = 0

Exemplo:
⎡1 0 0⎤
⎡1 0⎤ ⎢0 1 0 ⎥
⎢0 1 ⎥ ; ⎢ ⎥
⎣ ⎦ ⎢⎣0 0 1⎥⎦
1.3 – Operações com matrizes:

• Adição: A soma de duas matrizes A e B de mesma ordem, Amxn e Bmxn, é uma matriz cujos
elementos são a soma dos elementos correspondentes de A e B.
Exemplo:
⎡1 3 5⎤ ⎡0 4 2⎤ ⎡ 1 + 0 3+ 4 5 + 2 ⎤ ⎡ 1 7 7⎤
⎢− 4 6 2 ⎥ + ⎢ 2 − 5 3⎥ = ⎢ − 4 + 2 6 + (−5) 2 + 3 ⎥⎥ = ⎢⎢− 2 1 5⎥⎥
⎢ ⎥ ⎢ ⎥ ⎢
⎢⎣ 0 1 − 2⎥⎦ ⎢⎣− 2 5 9⎥⎦ ⎢⎣0 + (−2) 1+ 5 (−2) + 9⎥⎦ ⎢⎣− 2 6 7 ⎥⎦
A subtração de matrizes, é feita da seguinte forma: A – B = A + (– B)

Æ Propriedades:
I. Comutatividade: A + B = B + A
II. Associatividade: A + (B + C) = (A + B) + C
III. A + 0 = A, onde 0 indica a matriz nula
• Multiplicação por escalar: Seja a matriz A = [aij] mxn e um número K , então podemos definir
uma nova matriz dada por:
K . A = [K . aij]mxn
Exemplo:
⎡1 3 9⎤ ⎡ 2 6 18⎤
⎢ ⎥ ⎢
2.⎢− 3 5 4⎥ = ⎢− 6 10 8 ⎥⎥
⎢⎣ 2 − 4 1 ⎥⎦ ⎢⎣ 4 − 8 2 ⎥⎦
Æ Propriedades:
I. K.(A + B) = K.A + K.B
II. (K1 + K2).A = K1.A + K2.A
III. 0.A = 0
IV. K1.(K2.A) = (K1.K2).A

• Matriz transposta: Dada uma matriz A = [aij]mxn, podemos obter uma outra matriz A’ =
[bij]nxm, cujas linhas são as colunas de A Chamamos A’ de matriz transposta de A.
Exemplo:
⎡2 3⎤
⎡ 2 1 6⎤
A = ⎢⎢1 5⎥⎥ ; A' = ⎢ ⎥
⎢⎣6 1⎥⎦ ⎣3 5 1⎦
Æ Propriedades:
I. Uma matriz é simétrica se, e somente se for igual à sua transposta.
⎡1 3⎤ ⎡1 3⎤
Exemplo: A = ⎢ ⎥ ; A' = ⎢ ⎥ ; A e A’ são simétricas.
⎣3 2⎦ ⎣3 2⎦
II. A transposta da transposta (A’’) é a matriz original.

⎡1 5⎤ ⎡1 4⎤ ⎡1 5⎤
Exemplo: A = ⎢ ⎥ ; A' = ⎢ ⎥ ; A' ' = ⎢ ⎥
⎣4 3⎦ ⎣5 3⎦ ⎣4 3⎦
III. A transposta de uma soma é igual à soma das transpostas (A + B)’ = A’ + B’

⎡2 3⎤ ⎡5 4 ⎤
Exemplo: A = ⎢ ⎥ ; B=⎢ ⎥
⎣4 1⎦ ⎣2 9 ⎦
'
( A + B )' = ⎡⎢
7 7 ⎤ ⎡7 6 ⎤
⎥ =⎢ ⎥
⎣6 10⎦ ⎣7 10⎦
⎡ 2 4 ⎤ ⎡ 5 2 ⎤ ⎡7 6 ⎤
A'+ B' = ⎢ ⎥+⎢ ⎥=⎢ ⎥
⎣3 1⎦ ⎣4 9 ⎦ ⎣7 10⎦
IV. (K.A)’ = K.A’, onde K é um escalar.

⎡2 3⎤
Exemplo: A = ⎢ ⎥ eK=2
⎣5 1⎦
'
⎡ 4 6⎤ ⎡4 10⎤
( K . A)' = ⎢ ⎥ =⎢ ⎥
⎣10 2⎦ ⎣6 2 ⎦
⎡2 5⎤ ⎡4 10⎤
K .A' = 2.⎢ ⎥=⎢ ⎥
⎣ 3 1⎦ ⎣6 2 ⎦

• Multiplicação de matrizes: Sejam duas matrizes A = [aij]mxn e B = [bij]nxp. Definimos A.B

= [Cuv]mxp:
n
C uv = ∑ a uk .bkv
k =1
Observações importantes:
I. Só podemos efetuar o produto de duas matrizes o número de colunas de A for igual ao
número de linhas de B (m = r).
II. A matriz resultante da multiplicação de Amxn e Brxp será uma matriz Cmxp.
Exemplos:
⎡ 2 5⎤
⎡1 − 1⎤ ⎢
a) ⎢ ⎥ .⎢4 3⎥⎥ Æ O número de colunas da primeira é diferente do número de
⎣ 0 4 ⎦ 2 x 2 ⎢1 8 ⎥
⎣ ⎦ 3x2
linhas da segunda (2 ≠ 3), logo, não é possível efetuar a multiplicação.
⎡2 1⎤ ⎡ 2.1 + 1.3 2.(−1) + 1.4 ⎤ ⎡5 2⎤

⎢ ⎥ ⎡1 − 1⎤
b) ⎢3 5⎥ .⎢ ⎥ = ⎢3.1 + 5.3 3.(−1) + 5.4⎥ = ⎢⎢18 17 ⎥⎥
⎢ ⎥
3 4 ⎦ 2x2
⎢⎣1 6⎥⎦ 3 x 2 ⎣ ⎢⎣1.1 + 6.3 1.(−1) + 6.4 ⎥⎦ 3 x 2 ⎢⎣19 23⎥⎦ 3 x 2
Æ Propriedades:
I. A.B ≠ B.A
II. A.I = I.A = A, onde I é a matriz identidade.
III. A.(B + C) = A.B + A.C
IV. (A + B).C = A.C + B.C
V. (A.B).C = A.(B.C)
VI. (A.B)’ = B’.A’ Æ Observe a ordem
VII. 0.A = A.0 = 0

Capítulo 2
Sistemas de Equações Lineares
O objetivo deste capítulo é estudar um método para a resolução de sistemas lineares em geral. A
técnica pode não ser a melhor nos casos de sistemas muito simples, mas além de poder ser
empregada em todos os casos, pode ser muito útil em sistemas com grande número de
incógnitas.
Exemplo:
⎧ x + 4 y + 3z = 1 ⎡1 4 3 1⎤
⎪ ⎢2 5
⎨2 x + 5 y + 4 z = 4 Æ ⎢ 4 4⎥⎥
⎪ x − 3 y − 2z = 5 ⎢⎣1 − 3 − 2 5⎥⎦
⎩
1º PASSO: Eliminar x das linhas 2 e 3.

L2 = -2.L1 + L2
L3 = -L1 + L3
⎡1 4 3 1⎤
⎢0 − 3 − 2 2 ⎥
⎢ ⎥
⎢⎣0 − 7 − 5 4⎥⎦
2º PASSO: Tornar y da linha 2 igual a 1.

L2 = (-1/3).L2
⎡1 4 3 1 ⎤
⎢0 1 2 / 3 − 2 / 3⎥
⎢ ⎥
⎢⎣0 − 7 − 5 4 ⎥⎦
3º PASSO: Eliminar y das linhas 1 e 3.

L1 = -4.L2 + L1
L3 = 7.L2 + L3

⎡1 0 1 / 3 11 / 3 ⎤
⎢0 1 2 / 3 − 2 / 3⎥
⎢ ⎥
⎢⎣0 0 − 1 / 3 − 2 / 3⎥⎦
4º PASSO: Tornar z da linha 3 igual a 1.

L3 = -3.L3
⎡1 0 1 / 3 11 / 3 ⎤
⎢0 1 2 / 3 − 2 / 3⎥
⎢ ⎥
⎢⎣0 0 1 2 ⎥⎦
5º PASSO: Eliminar z das linhas 1 e 2.

L1 = (-1/3).L3 + L1
L2 = (-2/3).L3 + L2
⎡1 0 0 3 ⎤ ⎧ x + 0 y + 0z = 3
⎢0 1 0 − 2 ⎥ ⎪
⎢ ⎥ Æ ⎨0 x + y + 0 z = −2
⎢⎣0 0 1 2 ⎥⎦ ⎪ 0x + 0 y + z = 2
⎩
Sendo assim, pode-se obter x, y e z:

⎧ x=3
⎪
⎨ y = −2
⎪ z=2
⎩
Cada sistema do exemplo foi obtido a partir do sistema anterior a ele através de operações que
preservam as igualdades. As únicas operações efetuadas no problema foram:
Æ Multiplicar a equação por um número diferente de zero;
Æ Adicionar a equação a outra.
Porém, existe ainda uma outra operação que às vezes será necessária:
Æ Permutar duas equações.

2.2 – Sistemas e matrizes:

Um sistema de equações lineares com m equações e n incógnitas é um conjunto de equações do
tipo:
⎧ a11 .x1 + a12 .x 2 + ... + a1n .x n = b1

⎪ a .x + a .x + ... + a .x = b
⎪ 21 1 22 2 2n n 2
⎨
⎪ ...
⎪⎩a m1 .x1 + a m 2 .x 2 + ... + a mn .x n = bm
com aij, 1 ≤ i ≤ m , 1 ≤ j ≤ n.
Uma solução do sistema acima é uma n-upla de números (x1, x2, ..., xn) que satisfaça
simultaneamente estas m equações.
Podemos escrever o sistema acima na forma matricial:
⎡ a11 a12 ... a1n ⎤ ⎡ x1 ⎤ ⎡ b1 ⎤

⎢a a 22 ... a2 n ⎥⎥ ⎢⎢ x2 ⎥⎥ ⎢⎢ b2 ⎥⎥
⎢ 21 . =
⎢ ... ... ... ... ⎥ ⎢ ... ⎥ ⎢ ... ⎥
⎢ ⎥⎢ ⎥ ⎢ ⎥
⎣am1 am 2 ... a mn ⎦ ⎣ xn ⎦ ⎣bm ⎦
Ou seja A.X = B, onde:
⎡ a11 a12 ... a1n ⎤

⎢a a 22 ... a 2 n ⎥⎥
A = ⎢ 21
⎢ ... ... ... ... ⎥ Æ Matriz dos coeficientes
⎢ ⎥
⎣a m1 am 2 ... a mn ⎦
⎡ x1 ⎤
⎢x ⎥
X = ⎢ 2⎥ Æ Matriz das incógnitas
⎢ ... ⎥
⎢ ⎥
⎣ xn ⎦
⎡ b1 ⎤
⎢b ⎥
B=⎢ 2⎥ Æ Matriz dos termos independentes
⎢ ... ⎥
⎢ ⎥
⎣bm ⎦

Uma outra matriz, chamada matriz ampliada do sistema, é representada da seguinte forma:
⎡ a11 a12 ... a1n b1 ⎤

⎢a a 22 ... a 2 n b 2 ⎥⎥
⎢ 21
⎢ ... ... ... ... ... ⎥
⎢ ⎥
⎣am1 am 2 ... a mn bm ⎦
2.3 – Operações elementares:

Conforme já explicitado anteriormente, existem três operações elementares que podem ser
efetuadas sobre as linhas de uma matriz:
Æ Permuta da i-ésima e j-ésima linhas (Li ↔ Lj)
⎡1 5 4 ⎤ ⎡1 5 4 ⎤
Exp: ⎢3 5 1 ⎥ ⎯⎯⎯→⎢⎢2 3 7 ⎥⎥
⎢ ⎥ L2 = L3
⎢⎣2 3 7 ⎥⎦ ⎢⎣3 5 1 ⎥⎦
Æ Multiplicação da i-ésima linha por um escalar não nulo k (Li ↔ k.Li)

⎡2 8 6⎤ 1 ⎡1 4 3⎤
Exp: ⎢4 7 1⎥ ⎯⎯2⎯→⎢⎢4 7 1⎥⎥
⎢ ⎥ L1 = L1
⎢⎣2 4 3⎥⎦ ⎢⎣2 4 3⎥⎦
Æ Substituição da i-ésima linha pela i-ésima linha mais k vezes a j-ésima linha (Li ↔ Li + k.Lj)
⎡1 0 2⎤ ⎡1 0 2⎤
⎢ ⎥ ⎯→⎢ 0 − 1 − 3⎥⎥
L2 = −4. L1 + L2
Exp: ⎢ 4 − 1 5⎥ ⎯⎯ ⎯ ⎯ ⎢
⎢⎣− 3 4 2⎥⎦ ⎢⎣− 3 4 2 ⎥⎦
Se A e B são matrizes m x n, dizemos que B é linha equivalente a A, se for obtida de A através

de um número finito de operações elementares sobre as linhas de A.
• Teorema:
Dois sistemas que possuem matrizes ampliadas equivalentes são equivalentes.

2.4 – Forma escada:

Uma matriz m x n é linha reduzida à forma escada (ou escalonada) se:
i. O primeiro elemento não nulo de uma matriz não nula é 1;
ii. Cada coluna que contém o primeiro elemento não nulo de alguma linha tem todos os seus
outros elementos iguais a zero;
iii. Toda linha nula ocorre abaixo de todas as linhas não nulas (isto é, daquelas que possuem
pelo menos uma elemento não nulo);
iv. Se as linhas 1, ..., r são as linhas não nulas, e se o primeiro elemento não nulo da linha i
ocorre na coluna Ki, então K1 < K2 < ... < Kr. Ou seja, o número de zeros precedendo o
primeiro elemento não nulo de cada linha aumenta a cada linha, até que sobrem somente
linhas nulas, se houver.
• Teorema:
Toda matriz m x n é linha equivalente a uma única matriz-linha reduzida à forma escada.
• Teorema:
Dada uma matriz Amxn, seja Bmxn a matriz linha reduzida à forma escada linha equivalente a A.
O “posto” de A, denotado por “p”, é o número de linhas não nulas de B. A “nulidade”de A,
denotada por “N” é o número n – p, onde “n”é o número de colunas da matriz dos coeficientes.
Exp1: Encontrar o posto e a nulidade da matriz abaixo:
⎡1 2 1 0⎤
A = ⎢− 1 0 3 5⎥⎥
⎢
⎢⎣ 1 − 2 1 1⎥⎦
⎡1 2 1 0⎤ ⎡1 2 1 0⎤ 1
⎡1 2 1 0 ⎤
⎢− 1 0 3 5⎥⎥ → LL 32==−L1L+1+LL23
⎢0 2 ⎥
4 5⎥ ⎯⎯ ⎯ 2
⎯→ ⎢⎢0 1 2 5 2⎥⎥ → LL13==−42LL22++LL31
L 2= L 2
⎢ ⎢
⎢⎣ 1 − 2 1 1⎥⎦ ⎢⎣0 − 4 0 1⎥⎦ ⎢⎣0 − 4 0 1 ⎥⎦
⎡1 0 − 3 − 5⎤ 1 ⎡1 0 −3 −5 ⎤ ⎡1 0 0 − 7 8 ⎤
⎢0 1 2 ⎥
5 2⎥ ⎯⎯8⎯→ ⎢⎢0
L 3= L 3
1 2 5 2 ⎥ → LL12==3−L23L+3L+1L 2 ⎢⎢0 1 0 − 1 4 ⎥⎥
⎥
⎢
⎢⎣0 0 8 11 ⎥⎦ ⎢⎣0 0 1 11 8⎥⎦ ⎢⎣0 0 1 11 8 ⎥⎦
p=3;n=3;N=0

Exp2: Encontrar o posto e a nulidade da matriz abaixo:

⎡2 − 1 3⎤
⎢1 4 2⎥⎥
A=⎢
⎢1 − 5 1⎥
⎢ ⎥
⎣4 16 8⎦
⎡2 − 1 3⎤ ⎡1 4 2⎤ ⎡1 4 2⎤
⎢1 4 2⎥ L1= L 2 ⎢⎢2 − 1
⎥ 3⎥ L 2=−2 L1+ L 2 L 3=− L1+ L 3 ⎢0 − 9 − 1⎥⎥ L 2= −91 L 2
⎥ ⎢
⎢ ⎯⎯⎯→ ⎯⎯ ⎯ ⎯ ⎯→ L 4=−4 L1+ L 4 ⎯⎯ ⎯ ⎯→
⎢1 − 5 1⎥ ⎢1 − 5 1⎥ ⎢0 − 9 − 1⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎣4 16 8⎦ ⎣4 16 8⎦ ⎣0 0 0⎦
⎡1 4 2⎤ ⎡1 0 14 9⎤
⎢0 1 1 9 ⎥ ⎢0 1 1 9 ⎥⎥
⎢ ⎥ → L1=−4 L 2+ L1 ⎢
⎢ 0 − 9 − 1 ⎥ L 3= 9 L 2 + L 3 ⎢0 0 0 ⎥
⎢ ⎥ ⎢ ⎥
⎣0 0 0⎦ ⎣0 0 0 ⎦
p=2;n=2;N=0
⎡ 2 − 1 3⎤
Repare que a matriz A1 = ⎢ ⎥ tem o mesmo posto e nulidade que a matriz A.
⎣1 4 2 ⎦
Reinterpretando as matrizes A e A1 como sistema de equações, diremos que o sistema de quatro
equações associado à matriz A inicial é equivalente ao sistema de duas equações:
⎧ 2x − y = 3
⎪ x + 4y = 2
⎪ ⎧ x + 0 y = 14 9
⎨ é equivalente a ⎨ .
⎪ x − 5y = 1 ⎩ 0x + y = 1 9
⎪⎩4 x + 16 y = 8
Este é um sistema com equações redundantes. A 3ª e a 4ª linha podem ser desprezadas. O

sistema inicial é equivalente ao sistema:
⎧2 x − y = 3
⎨
⎩x + 4 y = 2
É importante observar que o posto da matriz ampliada de um sistema representa o número de

equações independentes deste.
Uma linha será dependente de outras (igual a zero no final do processo) se ela puder ser escrita
como a soma de produtos destas outras linhas por constantes.

2.5 – Soluções de um sistema de equações lineares:

Se tivermos um sistema de uma equação e uma incógnita, ax = b, existirão três possibilidades:
a) a ≠ 0 Æ Neste caso a equação tem uma única solução:
b
x=
a
b) a = 0 e b = 0 Æ Temos 0x = 0 e qualquer número real será solução da equação.
c) a = 0 e b ≠ 0 Æ Temos 0x = b, logo, não existe solução para esta equação.
Exemplos:
⎧2 x + y = 5
1- ⎨
⎩x − 3y = 6
⎡2 1 5⎤ L1= L 2 ⎡1 − 3 6⎤ L 2 = −2 L1+ L 2 ⎡1 − 3 6 ⎤ L 2 = 17 L 2
⎢1 − 3 6⎥ ⎯⎯⎯→⎢2 1 5⎥⎦
⎯⎯⎯⎯ ⎯→⎢ ⎥ ⎯⎯ ⎯ ⎯→
⎣ ⎦ ⎣ ⎣0 7 − 7 ⎦
⎡1 − 3 7 ⎤ L1=3 L 2 + l1 ⎡1 0 3⎤
⎢0 1 − 1⎥ ⎯⎯ ⎯⎯→⎢0 1 − 1⎥⎦
⎣ ⎦ ⎣
Neste caso, temos: pa = pc = 2 e N = 2 – 2 = 0

E o sistema tem uma única solução: x = 3 e y = - 1.
⎧ 2x + y = 5
2 - ⎨
⎩6 x + 3 y = 15
1
⎡2 1 5 ⎤ L1= 2 L1 ⎡1 1 2 5 2⎤ L 2 = −6 L1+ L 2 ⎡1 1 2 5 2⎤
⎢6 3 15⎥ ⎯⎯ ⎯→⎢6 3 15 ⎥ ⎯⎯ ⎯ ⎯⎯→ ⎢0 0 0 ⎥⎦
⎣ ⎦ ⎣ ⎦ ⎣
Observamos que pa = pc = 1 e N = 2 – 1 = 1.
A nulidade de um sistema, também chamada de grau de liberdade do sistema, significa o número
de variáveis livres no dado sistema.
Neste caso, observamos que N = 1, logo, o sistema tem 1 variável livre, ou seja, o conjunto
solução será dado atribuindo-se valores a uma das variáveis para chegar à outra. O sistema
inicial é equivalente à:
{2 x + y = 5 → y = 5 − 2 x
Sendo assim, o sistema admite infinitas soluções.

⎧ 2x + y = 5
3 - ⎨
⎩6 x + 3 y = 10
1
⎡2 1 5 ⎤ L1= 2 L1 ⎡1 1 2 5 2⎤ L 2 = −6 L1+ L 2 ⎡1 1 2 5 2⎤
⎢6 3 10⎥ ⎯⎯ ⎯→ ⎢ ⎥ ⎯⎯ ⎯ ⎯⎯→ ⎢0 0 − 5 ⎥
⎣ ⎦ ⎣ 6 3 10 ⎦ ⎣ ⎦
Neste caso, o sistema inicial é equivalente à:
⎧ 2x + y = 5
⎨
⎩0 x + 0 y = −5
Não existe nenhum valor de x ou y que satisfaça a 2ª equação. O sistema não tem solução.
Observamos que: pa = 2 e pc = 1.
CASO GERAL:
Considere um sistema de m equações lineares com n incógnitas x1, x2, ..., xn:
⎧ a11 .x1 + a12 .x2 + ... + a1n .xn = b1

⎪
⎨ ...
⎪a .x + a .x + ... + a .x = b
⎩ m1 1 m2 2 mn n m
cujos coeficientes aij e termos independentes bi são números reais ou complexos.

Esse sistema poderá ter:
Æ Uma única solução Æ Possível e determinado;
Æ Infinitas soluções Æ Possível e indeterminado;
Æ Nenhuma solução Æ Impossível.
• Teorema:
- Um sistema de m equações e n incógnitas admite solução se, e somente se, o posto da
matriz ampliada é igual ao posto da matriz dos coeficientes;
- Se as duas matrizes têm o mesmo posto e p = n, a solução será única;
- Se as duas matrizes têm o mesmo posto e p < n, podemos escolher n – p incógnitas
(Nulidade = n – p), e as outras p incógnitas serão dadas em função destas. Neste caso
existirão infinitas soluções.

Capítulo 3
Determinantes e Matriz Inversa
3.1 – A inversa de uma matriz:

Uma matriz Anxn é dita invertível (ou não-singular) se existe uma matriz Bnxn tal que:
AB = BA = In
A matriz B é chamada de matriz inversa de A. Se não existir uma tal matriz B, dizemos que A é
não-invertível ou singular.
⎡ 2 3⎤ ⎡ − 1 3 2⎤
Exp: Sejam A = ⎢ ⎥ e B=⎢ ⎥ , vamos provar que B é inversa de A.
⎣ 2 2⎦ ⎣ 1 −1 ⎦
⎡2 3⎤ ⎡− 1 3 2⎤ ⎡ − 2 + 3 3 − 3⎤ ⎡1 0⎤
A.B = ⎢ ⎥.⎢ ⎥=⎢ ⎥=⎢ ⎥
⎣ 2 2 ⎦ ⎣ 1 − 1 ⎦ ⎣ − 2 + 2 3 − 2 ⎦ ⎣0 1 ⎦
⎡− 1 3 2⎤ ⎡2 3⎤ ⎡− 2 + 3 3 − 3⎤ ⎡1 0⎤
B. A = ⎢ ⎥.⎢ ⎥=⎢ ⎥=⎢ ⎥
⎣ 1 − 1 ⎦ ⎣ 2 2 ⎦ ⎣ 2 − 2 3 − 2 ⎦ ⎣0 1 ⎦
Logo, como AB = BA = In, B é a inversa de A.
• Teorema:
Se uma matriz tem uma inversa, essa inversa, é única. Vamos denotar a inversa de A, se existir,
por A-1, logo:
A. A −1 = A −1 . A = I n
⎡1 2⎤
Exp: Seja A = ⎢ ⎥ , vamos encontrar A-1:
⎣3 4⎦
⎡a b ⎤
Vamos chamar a matriz A-1 de: A −1 = ⎢ ⎥
⎣c d ⎦
⎡1 2⎤ -1
Exp: Seja A = ⎢ ⎥ , encontrar A :
⎣3 4 ⎦
⎡1 2⎤ ⎡a b ⎤ ⎡1 0⎤ ⎡ a + 2c b + 2d ⎤ ⎡1 0⎤
A. A −1 = I n → ⎢ ⎥.⎢ ⎥=⎢ ⎥→⎢ ⎥=⎢ ⎥
⎣3 4⎦ ⎣ c d ⎦ ⎣0 1⎦ ⎣3a + 4c 3b + 4d ⎦ ⎣0 1⎦

⎧ a + 2c = 1 ⎧ b + 2d = 0
⎨ e ⎨
⎩3a + 4c = 0 ⎩3b + 4d = 1
Resolvendo o sistema: a = –2, b = 1, c = 3/2, d = –1/2.
⎡− 2 1 ⎤
Logo: A −1 = ⎢ ⎥.
⎣3 2 − 1 2⎦
⎡1 2⎤
Exp: Seja A = ⎢ ⎥ , encontrar A-1:
⎣ 2 4⎦
⎡1 2⎤ ⎡a b ⎤ ⎡1 0⎤ ⎡ a + 2c b + 2d ⎤ ⎡1 0⎤
A. A −1 = I n → ⎢ ⎥.⎢ ⎥=⎢ ⎥→⎢ ⎥=⎢ ⎥
⎣2 4⎦ ⎣ c d ⎦ ⎣0 1⎦ ⎣2a + 4c 2b + 4d ⎦ ⎣0 1⎦
⎧ a + 2c = 1 ⎧ b + 4d = 0
⎨ e ⎨
⎩2a + 4c = 0 ⎩2b + 4d = 1
Esse sistema não tem solução (Sistema Impossível), logo, A não tem inversa.
• Propriedades da inversa:
- Se A é invertível, então A-1 é invertível e (A-1)-1 = A.
- Se A e B são matrizes invertíveis, então AB é invertível e (A.B)-1 = B-1.A-1.
- Se A é invertível, então (AT)-1 = (A-1)T.
• Um método prático para encontrar A-1:

Se a matriz Anxn é dada, procuramos uma matriz B tal que: AB = BA = In .
O método prático para encontrar a inversa da matriz é o seguinte:
- Etapa 1: Forme a matriz [A I n ]nx 2 n juntando a matriz identidade In à matriz A.
- Etapa 2: Faça a redução em forma escada na matriz A encontrada na etapa 1. É importante

lembrar que qualquer operação feita em uma linha de A deve ser feita também na linha
correspondente de In.
- Etapa 3: Suponha que a etapa 2 produziu a matriz [C D ] em forma escada reduzida por
linhas:
Æ Se C = In, então D = A-1;
Æ Se C ≠ In, então C tem uma linha nula. Neste caso, não existe A-1.

⎡1 1 1⎤
Exp: Encontrar a inversa da matriz A = ⎢⎢0 2 3⎥⎥ .
⎢⎣5 5 1⎥⎦
⎡1 1 1 1 0 0 ⎤
[A I ] n nx 2n
⎢
= ⎢0 2 3 0 1 0 ⎥
⎥
⎢⎣5 5 1 0 0 1 ⎥⎦
⎡1 1 1 1 0 0 ⎤ ⎡1 1 1 1 0 0⎤ 1
⎢ ⎥ L 3= −5 L1+ L 3 ⎢ ⎥ L 2= 2 L 2
⎢ 0 2 3 0 1 0 ⎥ ⎯⎯ ⎯ ⎯⎯ → ⎢ 0 2 3 0 1 0 ⎥ ⎯⎯ ⎯ ⎯→
⎢⎣5 5 1 0 0 1⎥⎦ ⎢⎣0 0 − 4 − 5 0 1⎥⎦
⎡1 1 1 1 0 0⎤ ⎡1 0 − 1 2 1 − 1 2 0⎤ −1
⎢ ⎥ L1= − L 2+ L1 ⎢ ⎥ L 3= 4 L 3
⎢ 0 1 3 2 0 1 2 0 ⎥ ⎯⎯ ⎯ ⎯ → ⎢ 0 1 3 2 0 1 2 0 ⎥ ⎯⎯ ⎯ ⎯→
⎢⎣0 0 − 4 − 5 0 1⎥⎦ ⎢⎣0 0 − 4 − 5 0 1⎥⎦
⎡1 0 − 1 2 1 − 1 2 0 ⎤ −3
⎡1 0 0 13 8 − 1 2 − 1 8⎤
⎢ ⎥ L 2 = 2 L 3+ L 2 ⎢ ⎥
⎢0 1 3 2 0 12 0 ⎥ ⎯⎯ ⎯ ⎯⎯→⎢0 1 0 − 15 8 1 2 38⎥
1
L1= L 3+ L1
⎢⎣0 0 1 54 0 − 1 4⎥⎦ 2 ⎢⎣0 0 1 5 4 0 − 1 4⎥⎦
Como C = In, concluímos que D = A-1, logo:
⎡ 13 8 − 1 2 − 1 8 ⎤
A −1 = ⎢⎢− 15 8 1 2 3 8 ⎥⎥
⎢⎣ 5 4 0 − 1 4⎥⎦
• Teorema:
Uma matriz n x n é invertível se, e somente se é equivalente por linhas a In.
• Sistemas lineares e inversas:

Se A é uma matriz n x n, então o sistema linear Ax = b é um sistema de n equações e n
incógnitas. Supondo que A é invertível, então, existe A-1 e podemos multiplicar Ax = b por A-1 e
obter:
A −1 .( A.x ) = A −1 .b
( A −1 . A). x = A −1 .b
I n .x = A −1 .b
x = A −1 .b
−1
Sendo assim, x = A .b é uma solução do sistema linear.

⎡1 1 1⎤
Exp: Considere um processo industrial cuja matriz A é A = ⎢⎢0 2 3⎥⎥ . Se b é a matriz resposta e
⎢⎣5 5 1⎥⎦
⎡8⎤
b = ⎢⎢24⎥⎥ . A solução do sistema pode ser dada da seguinte forma:
⎢⎣ 8 ⎥⎦
⎡ 13 8 − 1 2 − 1 8⎤ ⎡ 8 ⎤ ⎡0⎤
−1 ⎢
x = A .b → x = ⎢− 15 8 1 2 ⎥ ⎢ ⎥
3 8 ⎥.⎢24⎥ → x = ⎢⎢0⎥⎥
⎢⎣ 5 4 0 − 1 4⎥⎦ ⎢⎣ 8 ⎥⎦ ⎢⎣8⎥⎦
3.2 – Determinantes:
É possível associar a cada matriz n x n um escalar, det (A), cujo valor vai nos dizer se a
matriz é ou não invertível.
Considerando primeiramente os casos particulares, temos:
• Caso 1: Matrizes 1 x 1:
Se A = (a) é uma matriz 1 x 1, então A tem uma inversa se e somente se a ≠ 0. Logo, se det (A) =
a, a matriz será invertível se e somente se det (a) ≠ 0.
⎡a a12 ⎤
Seja A = ⎢ 11 . Para encontrar o determinante de A, devemos formar o produto dos
⎣a 21 a 22 ⎥⎦
elementos da esquerda para a direita e subtrair deste o produto dos elementos da direita para a
esquerda.
a11 a12
det( A) = = a11 .a 22 − a12 .a 21
a 21 a 22
A matriz será invertível se e somente se:
det( A) ≠ 0 → a11 .a 22 − a12 .a 21 ≠ 0
Para encontrar o determinante de matrizes 3 x 3, podemos utilizar a Regra de Sarrus:
“Repita as duas primeiras colunas de A; forme as somas dos produtos dos elementos da esquerda
para a direita e subtrai deste número a soma dos produtos dos elementos da direita para a
esquerda”.

⎡ a11 a12 a13 ⎤

Se A = ⎢⎢a21 a22 a23 ⎥⎥ , então:
⎢⎣ a31 a21 a33 ⎥⎦
⎡ a11 a12 a13 a11 a12 ⎤ ⎡ a11 a12 a13 a11 a12 ⎤
det( A) = ⎢⎢a21 a22 a23 a21 a22 ⎥⎥ − ⎢⎢a21 a22 a23 a21 a22 ⎥⎥
⎢⎣ a31 a32 a33 a31 a32 ⎥⎦ ⎢⎣a31 a32 a33 a31 a32 ⎥⎦
det( A) = a11.a22 .a33 + a12 .a23 .a31 + a13 .a21.a32 − (a12 .a21.a33 + a11.a23 .a31 + a13 .a22 .a31 )
Se det (A) ≠ 0, A é invertível.
OBS: Costuma-se representar o determinante de uma matriz da seguinte forma:

det( A) = A
⎡1 5⎤ 1 5
Exp: A = ⎢ ⎥ Æ representa o determinante de A
⎣2 3⎦ 2 3
• Propriedades dos determinantes:

I. Os determinantes de uma matriz e de sua transposta são iguais, isto é det(AT) = det (A);
II. Se uma matriz B é obtida de uma matriz A trocando-se duas linhas (ou colunas) de A,
então, det (B) = - det (A);
2 −1 3 2
III. Exp: =7 = −7
3 2 2 −1
IV. Se duas linhas (ou colunas) de A são iguais, então det (A) = 0;
V. Se A tem uma linha (ou coluna) nula, então det (A) =0;
VI. Se B é obtida de A multiplicando-se uma linha (ou coluna) de A por um número real C,
então, det (B) = C . det (A);
2 6 4 12
VII. Exp: = −2 = −4
1 2 1 2
VIII. O determinante de um produto de matrizes é igual ao produto de seus determinantes, isto
é, det (A.B) = det (A) . det (B)

• Importante:
Supondo uma matriz Anxn invertível:
A. A −1 = I n
det( A. A −1 ) = det( I n )
det( A). det( A −1 ) = det( I n )
det( A). det( A −1 ) = 1
1
det( A −1 ) =
det( A)
• Expansão em cofatores:
O método dos cofatores para calcular o determinante de uma matriz Anxn, torna-se
interessante quando trabalhamos com matrizes de grandes ordens, já que ele reduz o problema ao
cálculo de determinantes de matrizes de ordem (n-1)x(n-1) até obter matrizes 2x2.
DEFINIÇÃO: Seja A = [aij] uma matriz nxn. Seja Mij a submatriz (n-1)x(n-1) de A obtida
através da eliminação da iésima linha e a j-ésima coluna de A. O determinante det (Mij) é
chamado de determinante menor de A. O cofator Aij de aij é dado por:
Aij = (− 1) . det (M ij )
i+ j
⎡ 3 − 1 2⎤
Exp: Seja A = ⎢⎢4 5 6⎥⎥ , vamos encontrar os cofatores da matriz A.
⎢⎣7 1 2⎥⎦
2+3 3 −1
A23 = (− 1) . = (−1).10 = −10
7 1
−1 2
A31 = (− 1) .
3+1
= −16
5 6
3 2
A32 = (− 1) .
3+ 2
= (−1).10 = −10
4 6
3 −1
A33 = (− 1) .
3+3
= 19
4 5

5 6
A11 = (− 1) .
1+1
=4
1 2
4 6
A12 = (− 1) .
1+ 2
= (−1).(−34) = 34
7 2
4 5
A13 = (− 1) .
1+3
= −31
7 1
−1 2
A21 = (− 1) .
2 +1
= (−1).0 = 0
1 2
3 2
A22 = (− 1)
2+ 2
. = −8
7 2
• Teorema:
Seja A uma matriz nxn. Então, para cada 1 ≤ i ≤ n, det( A) = ai1 . Ai1 + ai 2 . Ai 2 + ... + ain . Ain que é a
expansão do det (A) em relação à i-ésima linha. E também, para cada 1 ≤ j ≤ n,
det( A) = a1 j . A1 j + a2 j . A2 j + ... + anj . Anj que é a expansão do det (A) em relação à j-ésima coluna.
Exp: Calcular o determinante da matriz A4x4:

⎡1 2 −3 4 ⎤
⎢− 4 2 1 3 ⎥⎥
A=⎢
⎢3 0 0 − 3⎥
⎢ ⎥
⎣2 0 −2 3 ⎦
Como visto, no método da expansão em cofatores para cálculo de determinante, devemos
escolher uma linha ou coluna da matriz para expandir em relação à ela. Para realizar os cálculos,
fazemos um somatório do produto termos pelos seus cofatores da linha ou coluna escolhida.
Notemos que no exemplo acima é melhor expandir em relação à 2ª coluna ou à 3ª linha, já que
elas tem dois zeros. Neste caso, os cofatores destes termos nulos não precisam ser calculados,
uma vez que se aij = 0, teremos aij . Aij = 0.
Vamos expandir em relação à 3ª linha:
1 2 −3 4
2 −3 4 1 2 −3
−4 2 1 3
= (− 1) .3. 2 1 3 + 0 + 0 + (− 1) .(− 3) − 4 2 1
3+1 3+ 4
3 0 0 −3
0 −2 3 2 0 −2
2 0 −2 3

Agora, temos que calcular o determinante das matrizes 3x3. Podemos fazê-lo através da
expansão em cofatores ou pelo método de Sarrus. Vamos fazer através da expansão em cofatores
a fim de exemplificar melhor.
2 −3 4
1 3 −3 4
2 1 3 = (− 1) .2. + (− 1) .2. + 0 = 1.2.9 + (− 1).2.(− 1) = 20
1+1 2+1
−2 3 −2 3
0 −2 3
1 2 −3
2 −3 1 2
− 4 2 1 = (− 1) .2. + 0 + (− 1) .(− 2). = 1.2.8 + 1.(− 2).10 = −4
3+1 3+3
2 1 −4 2
2 0 −2
Sendo assim:
det( A) = 1.3.20 + 0 + 0 + (− 1)(
. − 3)(
. − 4 ) = 48
• Matriz Adjunta:
DEFINIÇÃO: Seja A = [aij] uma matriz nxn. A matriz adjunta de A, denotada por adj (A), é a
matriz nxn cujo elemento (i, j) é o cofator Aij de aij, ou seja:
⎡ A11 A21 ... An1 ⎤
⎢A A22 ... An 2 ⎥⎥
adj ( A) = ⎢ 12 Æ É a matriz formada pelos cofatores de A, transposta.
⎢ ... ... ... ... ⎥
⎢ ⎥
⎣ A1n A2 n ... Ann ⎦
• Teorema:
Se A = [aij] é uma matriz nxn, então, A.(adj ( A)) = (adj ( A)). A = det( A).I n
Se det (A) ≠ 0, então:
1 1
A.(adj ( A)) = det( A).I n → A. .(adj ( A)) = I n → .[A.(adj ( A))] = I n
det( A) det( A)
1 I 1 In
.(adj ( A)) = n → A−1 = .(adj ( A)) A. A −1 = I n → A−1 =
det( A) A det( A) A

⎡3 − 2 1 ⎤
Exp: Vamos calcular a matriz inversa de A = ⎢⎢5 6 2 ⎥⎥ .
⎢⎣1 0 − 3⎥⎦
1º Passo: Calcular a matriz adjunta de A:
−2 −2 1
6 2 1 A31 = (− 1) .
3+1
A11 = (− 1) .
1+1
= −18 A21 = (− 1) .
2 +1
= −6 = −10
0 3 0 −3 6 2
3 1
5 2 3 1 A32 = (− 1) .
3+ 2
A12 = (− 1) .
1+ 2
= 17 A22 = (− 1)
2+ 2
. = −10 = −1
1 −3 1 −3 5 2
3 −2 3 −2
5 6 A33 = (− 1) .
3+ 3
A13 = (− 1) .
1+ 3
= −6 A23 = (− 1) .
2+3
= −2 = 28
1 0 1 0 5 6
⎡− 18 17 − 6⎤ ⎡− 18 − 6 − 10⎤
T
Logo, adj ( A) = ⎢ − 6 − 10 − 2⎥ = ⎢⎢ 17 − 10 − 1 ⎥⎥
⎢ ⎥
⎢⎣− 10 − 1 28 ⎥⎦ ⎢⎣ − 6 − 2 28 ⎥⎦
2º Passo: Calcular o determinante de A:

det( A) = −94
3º Passo: Calcular a inversa de A:

1
Como A −1 = .(adj ( A)) :
det( A)
⎡− 18 − 6 − 10⎤
1 ⎢
−1
A = .⎢ 17 − 10 − 1 ⎥⎥
− 94
⎢⎣ − 6 − 2 28 ⎥⎦
⎡ 18 6 10 ⎤
⎢ 94 94 94 ⎥
A −1 = ⎢− 17 10 1 ⎥
⎢ 6 94 94 94 ⎥
− 28 ⎥
⎢⎣ 94 2
94 94⎦

3.3 – Regra de Cramer:

⎧ a11 .x1 + a12 .x 2 + ... + a1n .xn = b1
⎪a .x + a .x + ... + a .x = b
⎪
Seja ⎨ 21 1 22 2 2n n 2
um sistema linear com n equações e n incógnitas e A =
⎪ ...
⎪⎩a n1 .x1 + a n 2 .x 2 + ... + a nn .x n = bn
[aij] a matriz dos coeficientes, de modo que podemos escrever o sistema na forma Ax = b, onde
⎡ b1 ⎤
⎢b ⎥
b = ⎢ 2⎥ .
⎢ ... ⎥
⎢ ⎥
⎣bn ⎦
Se det (A) ≠ 0, então o sistema tem uma única solução dada por:
det( A1 ) det( A2 ) det( A3 )
x1 = ; x2 = ; x3 =
det( A) det( A) det( A)
onde Ai é a matriz obtida de A trocando-se sua i-ésima coluna por b.
Exp: Vamos encontrar a solução do sistema linear abaixo:

⎧ − 2x + 3y − z = 1
⎪
⎨ x + 2y − z = 4
⎪− 2 x − y + z = −3
⎩
−2 3 −1
A= 1 2 − 1 = −2
− 2 −1 1
1 3 −1
−4
Ax = 4 2 − 1 = −4 Æ x= =2
−2
− 3 −1 1
−2 1 −1
−6
Ay = 1 4 − 1 = −6 Æ y= =3
−2
−2 −3 1
−2 3 1
−8
Az = 1 2 4 = −8 Æ z= =4
−2
− 2 −1 − 3

Capítulo 4
Espaços Vetoriais
Seja um conjunto V, não vazio, sobre o qual estão definidas as operações adição e multiplicação
por escalar, isto é:
∀ u, v ∈ V Æ u + v ∈ V
∀ α ∈ ℜ; ∀ u ∈ V Æ α. u ∈ V
onde,
u e v são vetores;
V é espaço vetorial;
α é escalar.
O conjunto V com essas duas operações é chamado Espaço Vetorial se forem verificados os
seguintes axiomas:
A) Em relação à adição:
A1) (u + v) + w = u + (v + w) ; ∀ u, v, w ∈ V
A2) u + v = v + u ; ∀ u, v ∈ V
A3) u + 0 = u ; ∀ u ∈ V
A4) u + (-u) = 0 ; ∀ u ∈ V
M) Em relação à multiplicação por escalar:
M1) (α.β).u = α.(β.u) ; ∀ u ∈ V ; ∀ α, β ∈ ℜ
M2) (α + β).u = α.u + β.u ; ∀ u ∈ V ; ∀ α, β ∈ ℜ
M3) α.(u + v) = α.u + α.v ; ∀ u, v ∈ V ; ∀ α ∈ ℜ
M4) 1.u = u ; ∀ u ∈ V
Observações: Os elementos do espaço vetorial V serão chamados de vetores, independente de

sua natureza. Podemos chamar de vetores:
- Polinômios;
- Matrizes;
- Números, etc.
• Propriedades dos Espaços Vetoriais:
Da definição de Espaços Vetoriais decorrem as seguintes propriedades:
i. Existe um único vetor nulo em V (elemento nulo da adição);

ii. Cada vetor u ∈ V admite apenas um simétrico (-u) ∈ V;

iii. Para quaisquer u, v, w ∈ V, se u + w = v + w, então u = v;
iv. Qualquer que seja v ∈ V, tem-se: -(-v) = v, isto é, o oposto de (-v) é v;
v. Quaisquer que sejam u, v ∈ V existe um e somente um x ∈ V tal que: u + x = v.
Esse vetor será representado por x = v – u;
vi. Qualquer que seja v ∈ V, tem-se: 0.v = 0;
vii. Qualquer que seja λ ∈ ℜ, tem-se λ.0 = 0, onde λ é um escalar;
viii. Qualquer que seja v ∈ V, tem-se: (-1).v = -v;
ix. λ.v = 0 implica que λ = 0 ou v = 0;
x. Quaisquer que sejam v ∈ V e λ ∈ ℜ, tem-se: (-λ).v = λ.(-v) = -(λ.v)
4.2 – Subespaços Vetoriais:

Sejam V um espaço vetorial e S um subconjunto não vazio de V. o subconjunto S é um
subespaço vetorial de V se S é um espaço vetorial em relação à adição e à multiplicação por
escalar definidas em V.
• Teorema:
Um subconjunto S, não vazio, de um espaço vetorial V é um subespaço vetorial de V se
estiverem satisfeitas as condições:
I. Para quaisquer u, v ∈ S, tem-se, u + v ∈ S;
II. Para quaisquer α ∈ ℜ, u ∈ S, tem-se, α.u ∈ S.
Todo espaço vetorial V admite pelo menos dois subespaços: o conjunto {0}, chamado subespaço
zero ou nulo, e o próprio espaço vetorial V. Esses dois são os subespaços triviais de V. Os
demais subespaços são denominados subespaços próprios de V.
Portanto, qualquer subconjunto S, não vazio, que contenha o subespaço {0} e atenda às
condições I e II acima, será um subespaço vetorial.
Exp:Verificar se os conjuntos abaixo são subespaços vetoriais:
a) S = {(x, y) ∈ ℜ2 / x + 3y = 0}
Æ (0, 0) ∈ S, pois 0 + 3.0 = 0
u = (3, -1) ; v = (-9, 3) ; α = -1
Æ u + v = (-6, 2) ∈ S
Æ α.u = (-3, 1) ∈ S
Logo, o subconjunto S é subespaço vetorial do ℜ2.

b) S = {(x, y, z) ∈ ℜ3 / x = 0 e y = ⎢z ⎢}
Æ (0, 0, 0) ∈ S, pois x = 0 e 0 = ⎢0 ⎢
u = (0, 1, -1) ; v = (0, 3, 3) ; α = 2
Æ u + v = (0, 4, 2) ∉ S
Logo, o subconjunto S não é subespaço vetorial do ℜ3.
⎧⎡a b ⎤ ⎫
c) S = ⎨⎢ ⎥ ∈ M (2,2) / c = a + b, d = 0⎬
⎩⎣ c d ⎦ ⎭
⎡0 0 ⎤
Æ ⎢ ⎥ ∈ S , pois 0 = 0 + 0 e d = 0
⎣0 0 ⎦
⎡1 1 ⎤ ⎡3 − 1⎤
u=⎢ ⎥ ; v=⎢ ⎥ ; α = -1
⎣ 2 0⎦ ⎣2 0 ⎦
⎡ 4 0⎤
Æ u+v = ⎢ ⎥∈S
⎣ 4 0⎦
⎡ − 1 − 1⎤
Æ α .u = ⎢ ⎥∈S
⎣− 2 0 ⎦
Logo, o subconjunto S é subespaço vetorial de M(2, 2).
⎧⎡ a b c⎤ ⎫
d) S = ⎨⎢ ⎥ ∈ M (2,3) / a = b − c, d = 0, e = a + d , f ≥ 0⎬
⎩⎣d e f⎦ ⎭
⎡0 0 0⎤
Æ ⎢ ∈S
⎣0 0 0⎥⎦
⎡1 3 2⎤ ⎡2 5 3⎤
u=⎢ ⎥ ; v=⎢ ⎥ ; α = -1
⎣0 1 4⎦ ⎣0 2 1⎦
⎡3 8 5⎤
Æ u+v = ⎢ ⎥∈S
⎣0 3 5⎦
⎡ − 1 − 3 − 2⎤
Æ α .u = ⎢ ⎥∉S
⎣ 0 − 1 − 4⎦
Logo, o subconjunto S não é subespaço vetorial de M(3, 2).
4.3 – Combinação Linear:

Sejam os vetores v1, v2, ..., vn do espaço vetorial V, e os escalares a1, a2, ..., an. Qualquer vetor v
∈ V da forma:
v = a1 . v1 + a2 . v2 + ... + an . vn
é uma combinação linear dos vetores v1, v2, ..., vn.

Exp: No espaço vetorial P2 dos polinômios de grau 2, vamos verificar se o polinômio v = 7x2 +
11x – 26 é uma combinação linear dos polinômios v1 = 5x2 – 3x + 2 e v2 = -2x2 + 5x – 8
7x2 + 11x – 26 = a(5x2 – 3x + 2) + b(-2x2 + 5x – 8)
(7, 11, -26) = a(5, -3, 2) + b(-2, 5, -8)
⎧ 5a − 2b = 7 .3
⎪ ⎧ 15a − 6b = 21
⎨− 3a + 5b = 11 .5 Æ ⎨ Æ 19b = 76 Æ b = 4
⎪2a − 8b = −26 ⎩− 15a + 25b = 55
⎩
5a − 2b = 7 Æ 5a = 7 + 8 Æ a = 3
conferindo: 2a − 8b = −26 → 6 − 32 = −26
Logo, o polinômio v é combinação linear de v1 e v2: v = 3 v1 + 4 v2
Exp1: Consideremos os seguintes vetores no ℜ3: v1 = (1, -3, 2) e v2 = (2, 4, -1).

a) Escrever o vetor v = (-4, -18, 7) como CL de v1 e v2:
v = a.v1 + b.v2
(-4, -18, 7) = a(1, -3, 2) + b(2, 4, -1)
⎧ a + 2b = −4 .3
⎪ ⎧ 3a + 6b = −12
⎨− 3a + 4b = −18 Æ ⎨ Æ 10b = −30 Æ b = −3
⎪ 2a − b = 7 ⎩ − 3a + 4b = −18
⎩
a + 2b = −4 Æ a = −4 + 6 Æ a = 2
conferindo: 2a - b = 7 Æ 4 – (-3) = 7
Logo, v = 2v1 – 3 v2
b) Mostrar que o vetor v = (4, 3, -6) não é combinação linear dos vetores v1 e v2.
v = a.v1 + b.v2
(4, 3, -6) = a(1, -3, 2) + b(2, 4, -1)
⎧ a + 2b = 4 .3
⎪ ⎧ 3a + 6b = 12 15
⎨− 3a + 4b = 3 Æ ⎨ Æ 10b = 15 Æ b =
⎪ 2a − b = −6 ⎩− 3a + 4b = 3 10
⎩
a + 2b = 4 Æ a = −4 − 3 Æ a = −7
15
conferindo: 2a − b = −6 → −14 − ≠ −6
10
O sistema é impossível, logo o vetor v não é combinação linear de v1 e v2.

c) Determinar o valor de k para que o vetor v = (-1, k, -7) seja combinação linear de v1 e v2.
v = a.v1 + b.v2
(-1, k, -7) = a(1, -3, 2) + b(2, 4, -1)
⎧ a + 2b = −1
⎪ ⎧ a + 2b = −1
⎨− 3a + 4b = k → ⎨ → 5a = −15 → a = −3
⎪ 2a − b = −7 ⎩4a − 2b = −14
⎩
a + 2b = −1 → 2b = −1 + 3 → 2b = 2 → b = 1
− 3a + 4b = k → k = 9 + 4 → k = 13
d) Determinar uma condição para x, y e z de modo que o vetor v = (x, y, z) seja combinação
linear de v1 e v2.
( x, y, z ) = a(1,−3,2) + b(2,4,−1)
⎧ a + 2b = x ⎡1 2 x⎤ ⎡1 2 x ⎤ 1
⎡1 2 x ⎤
⎪ ⎢ ⎥ L 2 =3 L1+ L 2 ⎢ ⎥ L 2= L 2 ⎢ 3x + y ⎥
⎨− 3a + 4b = y → ⎢− 3 4 y ⎥ ⎯⎯ ⎯ ⎯→⎢0 10 3x + y ⎥ ⎯⎯ ⎯ 10
⎯→⎢0 1
⎪ 2a − b = z
L 3= −2 L1+3
⎢ 10 ⎥⎥
⎢⎣ 2 − 1 z ⎥⎦ ⎢⎣0 − 5 − 2 x + z ⎥⎦
⎩ ⎣0 − 5 − 2 x + z ⎦
⎡ ⎤
⎢1 2 x ⎥
L 3= 5 L 2 + L 3
⎢ 3x + y ⎥
⎯⎯ ⎯ ⎯→⎢0 1 ⎥
⎢ 10 ⎥
⎢0 0 − x + y + 2z ⎥
⎣⎢ 2 ⎦⎥
− x + y + 2z
O sistema só será possível se: = 0 → −x + y + 2z = 0 .
2
A condição é: x = y + 2 z . Ou seja, todos os vetores (x, y, z) ∈ ℜ3, que são CL de v1 e v2, têm a
forma (y + 2z, y, z).
Exp2: Mostrar que o vetor v = (3, 4) ∈ ℜ2 pode ser escrito de infinitas maneiras como
combinação linear dos vetores v1 = (1, 0), v2 = (0, 1) e v3 = (2, -1).
(3,4) = a(1,0) + b(0,1) + c(2,−1)
⎧ a + 2c = 3
⎨ → SPI
⎩ b−c = 4
Como o sistema é possível e indeterminado (infinitas soluções), o vetor v pode ser escrito de
infinitas maneiras como CL de v1, v2 e v3.

4.4 – Subespaços Gerados:

Seja V um espaço vetorial. Consideremos um subconjunto A ={v1, v2, ..., vn} ⊂ V, A ≠ ∅.
O conjunto S de todos os vetores de V que são combinação linear dos vetores de A é um
subespaço vetorial de V. Simbolicamente, o subespaço S é:
S = {v ∈ V / v = a 1 .v 1 + a 2 .v 2 + ... + a n .v n } , onde a1, a2, ..., an ∈ ℜ.
O subespaço S diz-se “gerado” pelos vetores v1, v2, ..., vn, ou gerado pelo conjunto A. É
representado por:
S = [v1 , v2 ,..., vn ] ou S = G ( A)
Os vetores v1, v2, ..., vn são chamados geradores do subespaço S, enquanto A é o conjunto
gerador de S.
Exp1: Os vetores i = (1, 0) e j = (0, 1) geram o espaço vetorial ℜ2, pois qualquer (x, y) ∈ ℜ2 é
combinação linear de i e j.
(x, y ) = x.i + y. j
(x, y ) = x(1,0) + y(0,1)
( x , y ) = ( x, y )
Exp2: Seja V = ℜ3. Determinar o subespaço gerado pelo vetor v = (1, 2, 3):
(x, y, z ) = a(1,2,3)
⎧ x=a
⎪
⎨ y = 2a = 2 x
⎪ z = 3a = 3 x
⎩
[v1 ] = {(x, y, z ) ∈ ℜ3 / y = 2 x; z = 3x}
[v1 ] = {(x, y, z ) ∈ ℜ3 / (x,2 x,3x )}
4.5 – Dependência e Independência Linear:

Sejam V um espaço vetorial e A = {v1, v2, ..., vn} ⊂ V.
Consideremos a equação: a1 .v1 + a 2 .v2 + ... + a n .vn . Sabemos que essa equação admite apenas
uma solução: a1 = 0, a2 = 0, ..., an = 0, chamada solução trivial.
O conjunto A diz-se linearmente independente (LI), ou os vetores v1, v2, ..., vn são LI, caso a
equação mostrada admita apenas a solução trivial.
Se existirem soluções ai ≠ 0, dizemos que o conjunto A é linearmente dependentes (LD), ou os
vetores v1, v2, ..., vn são LD.

• Teorema:
Um conjunto A = {v1, ..., vn} é LI se, e somente se, nenhum desses vetores for combinação linear
dos outros. Exp: v1 = (1, -2, 3) e v2 = (2, -4, 6) são LD, pois v2 = 2.v1
Exp1: Determinar se no espaço vetorial ℜ3, os vetores v1 = (2, -1, 3), v2 = (-1, 0, -2) e v3 = (2, -3,
1) formam um conjunto LI ou LD.
a(2,−1,3) + b(− 1,0,−2 ) + c(2,−3,1) = (0,0,0 )
⎧ 2 a − b + 2c = 0 ⎡ 2 − 1 2 0 ⎤ ⎡1 0 3 0⎤ ⎡1 0 3 0⎤
⎪ ⎢ ⎥
⎨ − a − 3c = 0 → ⎢− 1 0 − 3 0⎥ ⎯⎯ ⎯→⎢⎢2
L1= − L 2 ⎥ ⎯→ ⎢0 − 1 − 4 0⎥⎥
L 2 = −2 L1+ L 2
− 1 2 0⎥ ⎯⎯ ⎯ ⎯ ⎢
L 2 = L1 L 3= −3 L1+ L 3
⎪3a − 2b + c = 0 ⎢ 3 − 2 1 0⎥ ⎢⎣3 − 2 1 0⎥⎦ ⎢⎣0 − 2 − 8 0⎥⎦
⎩ ⎣ ⎦
⎡1 0 3 0⎤ ⎡1 0 3 0⎤
⎢ ⎥ ⎧a = −3c
⎯⎯ ⎯L 2= − L 2
⎯→⎢0 1 ⎯→⎢⎢0 1 4
L 3= 2 L 2 + L 3
4 0⎥ ⎯⎯ ⎯ ⎯ 0⎥⎥ → SPI → ⎨
⎢⎣0 − 2 − 8 0⎥⎦ ⎢⎣0 0 0 0⎥⎦ ⎩b = −4c
Como existem soluções ai ≠ 0, o conjunto é LD.
Exp2: No espaço vetorial ℜ4, os vetores v1 = (2, 2, 3, 4), v2 = (0, 5, -3, 1) e v3 = (0, 0, 4, -2) são
LI ou LD?
A(2,2,3,4 ) + b(0,5,−3,1) + c(0,0,4,−2 ) = (0,0,0,0)
⎧ 2a = 0
⎪ 2a + 5b = 0 ⎧a = 0
⎪ ⎪
⎨ → ⎨b = 0
⎪3a − 3b + 4c = 0 ⎪c = 0
⎪⎩ 4a + b − 2c = 0 ⎩
O sistema admite apenas a solução trivial, logo, o conjunto é LI.

Já vimos que, em um espaço vetorial V, um conjunto de geradores pode ser linearmente
independente ou linearmente dependente. Se o conjunto de geradores for linearmente
dependente, então existe um vetor no conjunto que é combinação linear de outros elementos do
conjunto. Então este elemento não é necessário na geração do espaço V. Portanto, um conjunto
de geradores linearmente dependente contem vetores que não são necessários para gerar V.
4.6 – Base de um Espaço Vetorial:

Seja V um espaço vetorial, chamamos de base um conjunto de vetores que gere o espaço V e tal
que todos os seus elementos sejam realmente necessários para gerar V.
DEFINIÇÃO: Um conjunto de vetores {v1, v2, ..., vn} ∈ V será uma base de V se:
i. {v1, v2, ..., vn} é LI;
ii. [v1, v2, ..., vn] = V, ou seja, o conjunto gera V.

Importante:
- Uma base contém toda a informação necessária sobre V (ela gera V);
- Uma base não contém informação redundante sobre V (os vetores são independentes).
• Base Padrão do ℜn (Base Canônica)

É uma base que tem como coeficientes da combinação linear os valores dos componentes do
vetor:
ℜ2 ⇒ c1 = (1,0) e c2 = (0,1)
ℜ3 ⇒ c1 = (1,0,0), c2 = (0,1,0) e c3 = (0,0,1)
... ...
ℜn ⇒ c1 = (1,0,0,...,0), c2 = (0,1,0,...,0), ... , ci = (0,0,...,1,0,...,0), cn = (0,0,0,...,1)
• Dimensão:
Diz-se que um espaço vetorial V tem dimensão n (ou que V é n-dimensional) se V tem uma base
consistindo de n vetores. A dimensão de V é denotada por dimV.
• Teorema:
Suponha que V é um espaço vetorial de dimensão n. Então nenhum conjunto com mais de n
vetores em V pode ser linearmente independente e V não pode ser gerado por um conjunto de
vetores com menos de n vetores.
“A dimensão de um espaço vetorial é o número máximo de vetores linearmente independente

em V e também o número mínimo de vetores necessários para gerar V”.
• Mudança de Base
Um mesmo espaço vetorial pode ter várias bases.
Exemplo: Conjunto v1 = (2,3) e v2 = (4,9) é base do ℜ2
É LI:
a(2,3) + b(4,9 ) = (0,0 )
⎧2a + 4b = 0 ⎡2 4 0⎤ L1= 12 L1 ⎡1 2 0⎤ L 2=−3 L1+ L 2 ⎡1 2 0⎤ L 2= 13 L 2
⎨ →⎢ ⎥ ⎯⎯ ⎯→⎢3 9 0⎥ ⎯⎯ ⎯ ⎯ ⎯→⎢ ⎥ ⎯⎯ ⎯ ⎯→
⎩3a + 9b = 0 ⎣3 9 0⎦ ⎣ ⎦ ⎣0 3 0 ⎦
⎡1 2 0⎤ L1=−2 L 2+ L1 ⎡1 0 0⎤ ⎧a = 0
⎢0 1 0⎥ ⎯⎯ ⎯ ⎯ ⎯→ ⎢ ⎥→⎨
⎣ ⎦ ⎣ 0 1 0 ⎦ ⎩b = 0

Gera o ℜ2:
a (2,3) + b(4,9 ) = ( x, y )
⎧2a + 4b = x ⎡2 4 x ⎤ L1= 12 L1 ⎡1 2 x 2⎤ L 2=−3 L1+ L 2 ⎡1 2 x 2 ⎤ L 2= 13 L 2
⎨ →⎢ ⎥ ⎯⎯ ⎯→⎢ ⎥ ⎯⎯ ⎯ ⎯ ⎯→ ⎢ ⎯⎯ ⎯ ⎯→
⎩3a + 9b = y ⎣3 9 y⎦ ⎣3 9 y ⎦ ⎣0 3 (− 3x + 2 y ) 2⎥⎦
⎧ − 3x + 4 y
⎡1 2 x 2 ⎤ L1=−2 L 2+ L1 ⎡1 0 (− 3 x + 4 y ) 6⎤ ⎪a = 6
⎢0 1 (− 3 x + 2 y ) 6⎥ ⎯⎯ ⎯ ⎯ ⎯→⎢ ⎥ →⎨
⎣ ⎦ ⎣0 1 (− 3 x + 2 y ) 6⎦ ⎪b = − 3 x + 2y
⎩ 6
O conjunto v1’ = (0,3) e v2’ = (4,1) também é base do ℜ2, pois é LI e gera o ℜ2.
Pode-se escrever v = (3,1) como uma combinação linear de v1 e v2 e de v1’ e v2’, ou seja:
- Fazendo v como CL de v1 e v2:
(3,1) = a(2,3) + b(4,9)
⎧2a + 4b = 3 23 −7
⎨ → Re solvendo → a = ; b =
⎩ 3a + 9b = 1 6 6
- Fazendo v como CL de v1’ e v2’:

(3,1) = a(0,3) + b(4,1)
⎧ 4b = 3 1 3
⎨ → Re solvendo → a = ; b =
⎩3a + b = 1 12 4
⎛ 23 − 7 ⎞ ⎛ 1 3⎞
Assim, ⎜ , ⎟ na base v1 e v2 é igual a ⎜ , ⎟ na base v1’ e v2’, e os dois são iguais a (3,1)
⎝ 6 6 ⎠ ⎝ 12 4 ⎠
na base canônica (1,0) e (0,1).
A pergunta é: como representar o vetor que está em uma base numa outra base?
Dadas duas bases u = {u1, u2, ... , un} e v = {v1, v2, ... , vn}:
w = x1u1 + x2u2 + ... + xnun (I)
w = y1v1 + y2v2 + ... + ynvn (II)
Como u é base de V, pode-se escrever v como uma combinação linear de u:

v1 = a11u1 + a21u2 + ... + an1un
v2 = a12u1 + a22u2 + ... + an2un
… … … …
vn = a1nu1 + a2nu2 + ... + annun

De (II) tem-se:
w = y1(a11u1 + a21u2 + ... + an1un) + y2(a12u1 + a22u2 + ... + an2un) + ... + yn(a1nu1 + a2nu2 + ... +
annun)
Rearrumando tem-se:
w = (a11y1 + a21y2 + ... + an1yn) u1 + (a12y1 + a22y2 + ... + an2yn) u2 + ... + (a1ny1 + a2ny2 + ... +
annyn) un
De (I) vem que:

x1 = a11y1 + a21y2 + ... + an1yn
x2 = a12y1 + a22y2 + ... + an2yn
… … … …
xn = a1ny1 + a2ny2 + ... + annyn
Ou seja, em forma matricial tem-se:

⎡ a 11 a 12 L a 1n ⎤
⎡ x1 ⎤ ⎡ y1 ⎤ ⎢a
⎢ ⎥ ⎢ ⎥ a 22 L a 2n ⎥⎥
x = Ay, onde x = ⎢ M ⎥, y = ⎢ M ⎥ e A = ⎢ 21
⎢ M M O M ⎥
⎢⎣ xn ⎥⎦ ⎢⎣ yn ⎥⎦ ⎢ ⎥
⎣a n1 a n2 L a nn ⎦
A ⇒ [I]uv é a matriz de mudança da base v para a base u.
Assim, seja [W]u um vetor na base u e [W]v um vetor na base v. Então:
[ W ]u = [I]uv [ W ]v
Exemplo: Dados u = {(2,-1),(3,4)} e v = {(1,0),(0,1)} bases do ℜ2, quem é [I]uv ?
v1 = (1,0) = a11 (2,-1) + a21 (3,4)

v2 = (0,1) = a12 (2,-1) + a22 (3,4)
⎡ 2 3⎤ ⎡ a11 ⎤ ⎡1⎤ ⎡ 2 3⎤ ⎡ a12 ⎤ ⎡0⎤
⎢− 1 4⎥.⎢a ⎥ = ⎢0⎥ e ⎢− 1 4⎥.⎢a ⎥ = ⎢1⎥
⎣ ⎦ ⎣ 21 ⎦ ⎣ ⎦ ⎣ ⎦ ⎣ 22 ⎦ ⎣ ⎦
⎡ 2 3 1 0⎤ ⎡1 3 / 2 1 / 2 0⎤ ⎡1 0 4 / 11 − 3 / 11⎤ 1 ⎡4 − 3⎤
⎢− 1 4 0 1⎥ ⇒ ⎢0 11 / 2 1 / 2 1⎥ ⇒ ⎢0 1 1 / 11 2 / 11 ⎥ ⇒ [I]u = 11 ⎢1 2 ⎥
v
⎣ ⎦ ⎣ ⎦ ⎣ ⎦ ⎣ ⎦

Capítulo 5
Transformações Lineares
5.1 – Definição:
Uma transformação linear de ℜn em ℜm é uma função que associa a cada u em ℜn um único L(u)
em ℜm tal que:
i) L(u + v) = L(u) + L(v) ; para ∀ u e v ∈ ℜn
ii) L(r.u) = r.L(u) ; para ∀ u e v ∈ ℜn e todo escalar r
O vetor L(u) é chamado imagem de u sob L, e o conjunto de todas as imagens de vetores em ℜn
é chamada a imagem de L.
Exemplo: Seja L:ℜ3 Æ ℜ2 definida por L(x, y, z) = (x, y), verificar que L é uma TL.
SOLUÇÃO:
Sendo u = (x1, y1, z1) e v = (x2, y2, z2):
L(u + v) = L((x1, y1, z1) + (x2, y2, z2))
L(u + v) = L(x1 + x2, y1 + y2, z1 + z2) Æ Pela definição L(x, y, z) = (x, y),
L(u + v) = (x1 + x2, y1 + y2)
L(u) + L(v) = (x1, y1) + (x2, y2)

L(u) + L(v) = (x1 + x2, y1 + y2) Logo, L(u + v) = L(u) + L(v)
Além disso, se r é um número real, temos:

L(r.u) = L(r.x1, r.y1, r.z1) = (r x1, r.y1) = r.( x1, y1) = r.L(u)
Sendo assim, L é uma transformação linear, chamada de PROJEÇÃO.
Exemplo: Seja L:ℜ2 Æ ℜ2 definida por L(u) = r.u. Neste caso, dizemos que L é um operador
linear, pois é uma função de ℜn em ℜm onde n = m.

Se r > 1 Æ DILATAÇÃO
Se r < 1 Æ CONTRAÇÃO
Exemplo: Seja L:ℜ2 Æ ℜ2 definida por L(x, y) = (x, -y). Então, L é um operador linear e a TL é
uma REFLEXÃO EM RELAÇÃO AO EIXO X. Também temos o caso em que L(x, y) = (-x, y),
chamada de REFLEXÃO EM RELAÇÃO AO EIXO Y.
• Teorema: Seja L:ℜn Æ ℜm uma transformação linear. Então:
L(a1. u1 + a2. u2 + ...+ ak. uk) = a1. L(u1) + a2. L(u2) + ... + ak. L(uk)
Para quaisquer que sejam os vetores u1, u2, ..., uk em ℜn e os escalares a1, a2, ..., ak.
O teorema pode ser útil para calcular a imagem de um vetor u em ℜ2 ou uma transformação
linear do tipo L:ℜ2 Æ ℜ3 uma vez conhecidos L(i) e L(j), onde i = (1, 0) e j (0, 1).

Analogamente podemos calcular L(u) para u em ℜ3 para uma transformação linear do tipo L:ℜ3
Æ ℜ2 uma vez conhecidos L(i), L(j) e L(k), onde i = (1, 0, 0) e j (0, 1, 0) e k = (0, 0, 1).
Exemplo: Seja L:ℜ3 Æ ℜ2 uma TL tal que:

L(1, 0, 0) = (2, -1)
L(0, 1, 0) = (3, 1)
L(0, 0, 1) = (-1, 2)
Encontrar L(-3, 4, 2).
SOLUÇÃO:
(-3, 4, 2) = -3i + 4j + 2 k
L (-3, 4, 2) = L(-3i + 4j + 2 k)
L (-3, 4, 2) = -3L(i) + 4L(j) + 2 L(k)
L (-3, 4, 2) = -3(2, -1) + 4(3, 1) + 2(-1, 2)
L (-3, 4, 2) = (-6, 3) + (12, 4) + (-2, 4)
L (-3, 4, 2) = (4, 11)
Exemplo: Seja L:ℜ2 Æ ℜ3 uma TL definida por:

⎡1 0 ⎤ ⎡ x ⎤
⎛ ⎡ x⎤ ⎞ ⎢ ⎡ x⎤ ⎢
⎥
L⎜⎜ ⎢ ⎥ ⎟⎟ = ⎢0 1 ⎥.⎢ ⎥ = ⎢ y ⎥⎥
⎝ ⎣ y ⎦ ⎠ ⎢1 − 1⎥ ⎣ y ⎦ ⎢ x − y ⎥
⎣ ⎦ ⎣ ⎦
⎡2⎤
a) Verificar se o vetor v = ⎢⎢ 3 ⎥⎥ pertence à imagem de L:
⎢⎣− 1⎥⎦
SOLUÇÃO:
⎡ x ⎤ ⎡ x ⎤ ⎡2⎤
⎛ ⎡ x⎤ ⎞ ⎢
A imagem de L é L⎜⎜ ⎢ ⎥ ⎟⎟ = ⎢ y ⎥⎥ . Se fizermos ⎢ y ⎥ = ⎢ 3 ⎥ , teremos uma igualdade (x = 2,
⎢ ⎥ ⎢ ⎥
⎝ ⎣ y⎦ ⎠ ⎢ x − y⎥ ⎢⎣ x − y ⎥⎦ ⎢⎣− 1⎥⎦
⎣ ⎦
y = 3 Æ x – y = -1). Logo, o vetor v pertence à imagem de L.
⎡ 3⎤
b) a) Verificar se o vetor w = ⎢⎢5⎥⎥ pertence à imagem de L:
⎣⎢2⎦⎥

SOLUÇÃO:
⎡ x ⎤ ⎡3⎤
⎢ y ⎥ = ⎢5⎥ não é uma igualdade, já que se x = 3, y = 5 Æ x – y = -2. Logo, o vetor w não
⎢ ⎥ ⎢ ⎥
⎢⎣ x − y ⎥⎦ ⎢⎣2⎥⎦
pertence à imagem de L.
5.2 – Transformações Lineares e Matrizes:

Anteriormente, estudamos alguns exemplos de TL’s de ℜn em ℜm. Agora vamos considerar TL’s
de um espaço vetorial V em um espaço vetorial W.
• Definição: Sejam V e W espaços vetoriais. Uma transformação linear L de V em W é uma

função que associa um único vetor L(u) em W à cada vetor u em V tal que:
i) L(u + v) = L(u) + L(v) ; para ∀ u e v ∈ V
ii) L(λ.u) = λ.L(u) ; para ∀ u ∈ V e λ ∈ ℜ
OBS: Na definição, o sinal + em u + v, representa adição em V, enquanto que em L(u) + L(v)

refere-se à adição em W. Analogamente, em ii, o produto à esquerda do sinal de igualdade, λ.u,
está em V, e o produto λ.L(u) está em W.
• Representação: Representamos uma função L de V em W, mesmo que não seja uma TL por
L: V Æ W.
No caso em que V = W, a TL será chamada de operador linear.
• Teorema 1: Se L: V Æ W é uma TL, então:
L(c1. v1 + c2. v2 + ...+ ck. vk) = c1. L(v1) + c2. L(v2) + ... + ck. L(vk)
Quaisquer que sejam os vetores v1, v2, ..., vk e os escalares c1, c2, ..., ck.
• Teorema 2: Seja L: V Æ W uma TL e seja S = {v1, v2, ..., vn} uma base para v. Se u é um
vetor qualquer em V, então L(u) fica determinado por {L(v1), L(v2), ..., L(vn)}.
Exemplo: Seja L: ℜ2 Æ ℜ2 uma TL tal que L(1, 1) = (1, -2) e L(-1 ,1) = (2, 3).
a) Qual o valor de L(-1, 5)?
b) Qual o valor de L(x, y)?

SOLUÇÃO:
a) Primeiro, verificamos que {(1, 1), (-1, 1)} é uma base para ℜ2:
⎧a − b = 0
- São LI, pois se fizermos a(1,1) + b(−1,1) = (0,0) → ⎨ →a =b=0.
⎩a + b = 0
⎧a − b = x x+ y y−x
- Geram ℜ2 pois: a (1,1) + b(−1,1) = ( x, y ) → ⎨ →a= ;b = .
⎩a + b = y 2 2
Logo, o conjunto é base para ℜ2.

a) Teremos que fazer o vetor (-1, 5) como CL de {(1, 1), (-1, 1)}:
(−1,5) = a(1,1) + b(−1,1)
⎧a − b = −1
⎨ → a = 2; b = 3
⎩ a+b =5
(−1,5) = 2(1,1) + 3(−1,1)
L(−1,5) = 2.L(1,1) + 3.L(−1,1)
L(−1,5) = 2.(1,−2) + 3.(2,3)
L(−1,5) = (2,−4) + (6,9)
L(−1,5) = (8,5)
b) Teremos que fazer o vetor (x, y) como CL de {(1, 1), (-1, 1)}:
( x, y ) = a(1,1) + b(−1,1)
⎧a − b = x x+ y y−x
⎨ →a= ;b =
⎩a + b = y 2 2
⎛x+ y⎞ ⎛ y−x⎞
L ( x, y ) = ⎜ ⎟(1,1) + ⎜ ⎟(−1,1)
⎝ 2 ⎠ ⎝ 2 ⎠
⎛x+ y⎞ ⎛ y−x⎞
L ( x, y ) = ⎜ ⎟.L(1,1) + ⎜ ⎟.L(−1,1)
⎝ 2 ⎠ ⎝ 2 ⎠
⎛x+ y⎞ ⎛ y−x⎞
L ( x, y ) = ⎜ ⎟.(1,−2) + ⎜ ⎟.(2,3)
⎝ 2 ⎠ ⎝ 2 ⎠
⎛ x + y − 2 x − 2 y ⎞ ⎛ − 2 x + 2 y − 3x + 3 y ⎞
L ( x, y ) = ⎜ , ⎟+⎜ , ⎟
⎝ 2 2 ⎠ ⎝ 2 2 ⎠
⎛ x + y − 2 x + 2 y − 2 x − 2 y − 3x + 3 y ⎞
L ( x, y ) = ⎜ + , + ⎟
⎝ 2 2 2 2 ⎠
⎛ − x + 3 y − 5x + y ⎞
L ( x, y ) = ⎜ , ⎟
⎝ 2 2 ⎠

Capítulo 6
Autovalores e Autovetores
Seja A uma matriz n x n. Então, a função L: ℜn Æ ℜn definida por L(x) = Ax, para x ∈
ℜn, é uma transformação linear. Uma questão importante em muitos problemas é a determinação
de vetores x, se existirem, tais que x e Ax são paralelos. Tais questões aparecem em aplicações
envolvendo vibrações (aerodinâmica, elasticidade, física nuclear, mecânica, engenharia química,
biologia, equações diferenciais, etc.).
6.1 – Definição:
Seja A uma matriz n x n. O número real λ é um autovalor de A se existe um vetor não nulo x em
ℜn tal que:
Ax = λ.x
Todo vetor não nulo x satisfazendo a equação é chamado autovetor de A associado ao autovalor
λ.
6.2 – Determinação doa autovalores e autovetores:

• Determinação dos autovalores:
Dado um operador linear T: ℜ3 Æ ℜ3, cuja matriz canônica é:
⎡ a11 a12 a13 ⎤
A = ⎢⎢a 21 a22 a 23 ⎥⎥ Æ Dizemos que det(A - λI) = 0
⎢⎣ a31 a32 a33 ⎥⎦
⎛ ⎡ a11 a12 a13 ⎤ ⎡λ 0 0 ⎤ ⎞

⎜ ⎟
det⎜ A = ⎢⎢a 21 a 22 a 23 ⎥⎥ − ⎢⎢ 0 λ 0 ⎥⎥ ⎟ = 0
⎜ ⎢⎣ a31 a32 a33 ⎥⎦ ⎢⎣ 0 0 λ ⎥⎦ ⎟⎠
⎝
⎛ ⎡a11 − λ a12 a13 ⎤ ⎞

⎜ ⎟
det⎜ ⎢⎢ a 21 a 22 − λ a 23 ⎥⎥ ⎟ = 0
⎜⎢ a a33 − λ ⎥⎦ ⎟⎠
⎝ ⎣ 31 a32
Essa equação det(A - λI) = 0 é chamada equação característica do operador T e suas reízes são os
autovalores do operador.

• Determinação dos autovetores:

A substituição de λ pelos seus valores no sistema (A - λI)v = 0 permite determinar os
autovetores associados.
Exp1:
⎡4 5⎤
A=⎢ ⎥
⎣ 2 1⎦
Æ Montar a equação característica:
det(A - λI) = 0
4−λ 5
=0
2 1− λ
(4 − λ )(. 1 − λ ) − 10 = 0
4 − 4λ − λ + λ2 − 10 = 0
λ2 − 5λ − 6 = 0
Δ = 25 + 24 = 49
5±7
λ=
2
λ' = 6
São os autovalores
λ'' = −1
Æ Para determinar os autovetores:

(A - λI)v = 0
⎡x⎤
Considerando v = ⎢ ⎥ :
⎣ y⎦
⎡4 − λ 5 ⎤ ⎡ x ⎤ ⎡0 ⎤
⎢ 2 . =
⎣ 1 − λ ⎥⎦ ⎢⎣ y ⎥⎦ ⎢⎣0⎥⎦
- Para λ = 6:
⎡ − 2 5 ⎤ ⎡ x ⎤ ⎡0 ⎤ ⎧− 2 x + 5 y = 0 2
⎢ 2 − 5⎥.⎢ y ⎥ = ⎢0⎥ Æ ⎨ 2 x − 5 y = 0 Æ SPI Æ y = 5 x
⎣ ⎦⎣ ⎦ ⎣ ⎦ ⎩
⎛ 2 ⎞
Logo, os autovetores associados ao autovalor λ = 6 são do tipo: v = ⎜ x, x ⎟
⎝ 5 ⎠
- Para λ = -1:
⎡5 5⎤ ⎡ x ⎤ ⎡0⎤ ⎧5 x + 5 y = 0
⎢2 1⎥.⎢ y ⎥ = ⎢0⎥ Æ ⎨2 x + 2 y = 0 Æ SPI Æ y = − x
⎣ ⎦⎣ ⎦ ⎣ ⎦ ⎩
Logo, os autovetores associados ao autovalor λ = -1 são do tipo: v = ( x,− x )

Por exemplo o vetor v = (5, 2) é autovetor do operador T: ℜ2 Æ ℜ2 definido por T(x, y) = (4x +
5y, 2x + y) associado ao autovalor λ = 6, pois:
T(v) = T(5, 2) = (4.5 + 5.2, 2.5 + 2) = (30, 12) = 6.(5, 2) = 6v
Exp2:
⎡ 1 1⎤
A=⎢ ⎥
⎣ − 2 4⎦
Æ Montar a equação característica:
det(A - λI) = 0
1− λ 1
=0
−2 4−λ
(1 − λ )(. 4 − λ ) + 2 = 0
4 − λ − 4λ + λ2 + 2 = 0
λ2 − 5λ + 6 = 0
Δ = 25 − 24 = 1
5 ±1
λ=
2
λ' = 3
São os autovalores
λ'' = 2
Æ Para determinar os autovetores:

(A - λI)v = 0
⎡x⎤
Considerando v = ⎢ ⎥ :
⎣ y⎦
⎡1 − λ 1 ⎤ ⎡ x ⎤ ⎡0 ⎤
⎢ −2 . =
⎣ 4 − λ ⎥⎦ ⎢⎣ y ⎥⎦ ⎢⎣0⎥⎦
- Para λ = 3:
⎡− 2 1⎤ ⎡ x ⎤ ⎡0⎤ ⎧− 2 x + y = 0
⎢− 2 1⎥.⎢ y ⎥ = ⎢0⎥ Æ ⎨− 2 x + y = 0 Æ SPI Æ y = 2 x
⎣ ⎦⎣ ⎦ ⎣ ⎦ ⎩
Logo, os autovetores associados ao autovalor λ = 3 são do tipo: v = (x,2 x )
- Para λ = 2:
⎡ − 1 1 ⎤ ⎡ x ⎤ ⎡0 ⎤ ⎧ −x+ y =0
⎢− 2 2⎥.⎢ y ⎥ = ⎢0⎥ Æ ⎨− 2 x + 2 y = 0 Æ SPI Æ y = x
⎣ ⎦⎣ ⎦ ⎣ ⎦ ⎩
Logo, os autovetores associados ao autovalor λ = 2 são do tipo: v = (x, x )

⎡ 3 −1 1 ⎤
Exp3: A = ⎢⎢− 1 5 − 1⎥⎥
⎢⎣ 1 − 1 3 ⎥⎦
3−λ −1 1
−1 5−λ −1 = 0
1 −1 3−λ
− λ3 + 11λ2 − 36λ + 36 = 0
ou
λ3 − 11λ2 + 36λ − 36 = 0
As soluções inteiras, caso existam, são divisoras do termo independente (-36). Por tentativa,
constata-se que λ = 2 é uma delas. Dividindo a equação por λ - 2 tem-se, por Briot-Ruffini:
1-11 36 -36
2 2 -18 36
1 -9 18 0
(
(λ − 2) λ − 9λ + 18 = 0
2
)
As demais raízes são:
λ2 − 9λ + 18 = 0
Δ = 81 − 72 = 9
9±3
λ=
2
λ'= 6
λ''= 3
Æ Determinação dos autovetores:

⎡3 − λ − 1 1 ⎤ ⎡ x ⎤ ⎡0 ⎤
⎢ − 1 5 − λ − 1 ⎥.⎢ y ⎥ = ⎢0⎥
⎢ ⎥⎢ ⎥ ⎢ ⎥
⎢⎣ 1 − 1 3 − λ ⎥⎦ ⎢⎣ z ⎥⎦ ⎢⎣0⎥⎦
- Para λ = 2:
⎡ 1 − 1 1 ⎤ ⎡ x ⎤ ⎡0 ⎤
⎢− 1 3 − 1⎥.⎢ y ⎥ = ⎢0⎥
⎢ ⎥⎢ ⎥ ⎢ ⎥
⎢⎣ 1 − 1 1 ⎥⎦ ⎢⎣ z ⎥⎦ ⎢⎣0⎥⎦
⎧ x− y+z =0
⎪
⎨− x + 3 y − z = 0 → x = − z , y = 0
⎪ x− y+z =0
⎩
v = ( x,0,− x )

- Para λ = 3:
⎡ 0 − 1 1 ⎤ ⎡ x ⎤ ⎡0 ⎤
⎢− 1 2 − 1⎥.⎢ y ⎥ = ⎢0⎥
⎢ ⎥⎢ ⎥ ⎢ ⎥
⎢⎣ 1 − 1 0 ⎥⎦ ⎢⎣ z ⎥⎦ ⎢⎣0⎥⎦
⎧ − y+z =0
⎪
⎨− x + 2 y − z = 0 → x = y = z
⎪ x− y =0
⎩
v = ( x, x, x )
- Para λ = 6:
⎡ − 3 − 1 1 ⎤ ⎡ x ⎤ ⎡0 ⎤
⎢ − 1 − 1 − 1⎥.⎢ y ⎥ = ⎢0⎥
⎢ ⎥⎢ ⎥ ⎢ ⎥
⎢⎣ 1 − 1 − 3⎥⎦ ⎢⎣ z ⎥⎦ ⎢⎣0⎥⎦
⎧− 3 x − y + z = 0
⎪
⎨ − x − y − z = 0 → x = z , y = −2 z = −2 x
⎪ x − y − 3z = 0
⎩
v = ( x,−2 x, x )

Apostila de Álgebra Linear

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

Apostila de Álgebra Linear

Enviado por

Direitos autorais:

Formatos disponíveis

APOSTILA DE

PROFESSORA: MONIQUE SEQUEIRA LEHMANN

PROFESSORA MONIQUE SEQUEIRA LEHMANN 1

PROFESSORA MONIQUE SEQUEIRA LEHMANN 2

1.2 – Tipos de matrizes:

• Matriz nula: é aquela em que aij = 0 para qualquer i e j.

• Matriz coluna: é aquela que possui uma única coluna (n = 1).

• Matriz linha: é aquela na qual m = 1, ou seja, possui apenas uma linha.

• Matriz identidade: é aquela matriz quadrada na qual:

PROFESSORA MONIQUE SEQUEIRA LEHMANN 3

1.3 – Operações com matrizes:

A subtração de matrizes, é feita da seguinte forma: A – B = A + (– B)

PROFESSORA MONIQUE SEQUEIRA LEHMANN 4

II. A transposta da transposta (A’’) é a matriz original.

III. A transposta de uma soma é igual à soma das transpostas (A + B)’ = A’ + B’

IV. (K.A)’ = K.A’, onde K é um escalar.

PROFESSORA MONIQUE SEQUEIRA LEHMANN 5

• Multiplicação de matrizes: Sejam duas matrizes A = [aij]mxn e B = [bij]nxp. Definimos A.B

⎡2 1⎤ ⎡ 2.1 + 1.3 2.(−1) + 1.4 ⎤ ⎡5 2⎤

PROFESSORA MONIQUE SEQUEIRA LEHMANN 6

1º PASSO: Eliminar x das linhas 2 e 3.

2º PASSO: Tornar y da linha 2 igual a 1.

3º PASSO: Eliminar y das linhas 1 e 3.

PROFESSORA MONIQUE SEQUEIRA LEHMANN 7

4º PASSO: Tornar z da linha 3 igual a 1.

5º PASSO: Eliminar z das linhas 1 e 2.

Sendo assim, pode-se obter x, y e z:

PROFESSORA MONIQUE SEQUEIRA LEHMANN 8

2.2 – Sistemas e matrizes:

⎧ a11 .x1 + a12 .x 2 + ... + a1n .x n = b1

⎡ a11 a12 ... a1n ⎤ ⎡ x1 ⎤ ⎡ b1 ⎤

Ou seja A.X = B, onde:

⎡ a11 a12 ... a1n ⎤

PROFESSORA MONIQUE SEQUEIRA LEHMANN 9

⎡ a11 a12 ... a1n b1 ⎤

2.3 – Operações elementares:

Æ Multiplicação da i-ésima linha por um escalar não nulo k (Li ↔ k.Li)

⎢⎣2 4 3⎥⎦ ⎢⎣2 4 3⎥⎦

Se A e B são matrizes m x n, dizemos que B é linha equivalente a A, se for obtida de A através

PROFESSORA MONIQUE SEQUEIRA LEHMANN 10

2.4 – Forma escada:

PROFESSORA MONIQUE SEQUEIRA LEHMANN 11

Exp2: Encontrar o posto e a nulidade da matriz abaixo:

Este é um sistema com equações redundantes. A 3ª e a 4ª linha podem ser desprezadas. O

É importante observar que o posto da matriz ampliada de um sistema representa o número de

PROFESSORA MONIQUE SEQUEIRA LEHMANN 12

2.5 – Soluções de um sistema de equações lineares:

Neste caso, temos: pa = pc = 2 e N = 2 – 2 = 0

PROFESSORA MONIQUE SEQUEIRA LEHMANN 13

⎧ a11 .x1 + a12 .x2 + ... + a1n .xn = b1

cujos coeficientes aij e termos independentes bi são números reais ou complexos.

PROFESSORA MONIQUE SEQUEIRA LEHMANN 14

3.1 – A inversa de uma matriz:

Logo, como AB = BA = In, B é a inversa de A.

PROFESSORA MONIQUE SEQUEIRA LEHMANN 15

• Um método prático para encontrar A-1:

- Etapa 2: Faça a redução em forma escada na matriz A encontrada na etapa 1. É importante

PROFESSORA MONIQUE SEQUEIRA LEHMANN 16

Como C = In, concluímos que D = A-1, logo:

• Sistemas lineares e inversas:

PROFESSORA MONIQUE SEQUEIRA LEHMANN 17

PROFESSORA MONIQUE SEQUEIRA LEHMANN 18

⎡ a11 a12 a13 ⎤

Se det (A) ≠ 0, A é invertível.