Você está na página 1de 197

lgebra Linear

Volume 1
Isabel Lugo Rios
Luiz Manoel Figueiredo
Marisa Ortegoza da Cunha
MATEMTICA
Graduao
9 7 8 8 5 8 9 2 0 0 4 4 8
I SBN 85- 89200- 44- 2
Isabel Lugo Rios
Luiz Manoel Figueiredo
Marisa Ortegoza da Cunha

Volume 1 - Mdulos 1 e 2
3 edio
lgebra Linear l
Apoio:
Material Didtico
Referncias Bibliogrcas e catalogao na fonte, de acordo com as normas da ABNT.
Copyright 2006, Fundao Cecierj / Consrcio Cederj
Nenhuma parte deste material poder ser reproduzida, transmitida e gravada, por qualquer meio
eletrnico, mecnico, por fotocpia e outros, sem a prvia autorizao, por escrito, da Fundao.
972m
Figueiredo, Luiz Manoel.
lgebra linear I. v.1 / Luiz Manoel Figueiredo.
3.ed. Rio de Janeiro : Fundao CECIERJ, 2009.
195p.; 21 x 29,7 cm.
ISBN: 85-89200-44-2
1. lgebra linear. 2. Vetores. 3. Matrizes. 4. Sistemas
lineares. 5. Determinantes. 6. Espaos vetoriais.
7. Combinao lineares. 8. Conjuntos ortogonais e
ortonormais I. Rios, Isabel Lugo II. Cunha, Marisa Ortegoza
da. III. Ttulo.
CDD:512.5
2009/2
ELABORAO DE CONTEDO
Isabel Lugo Rios
Luiz Manoel Figueiredo
Marisa Ortegoza da Cunha
COORDENAO DE DESENVOLVIMENTO
INSTRUCIONAL
Cristine Costa Barreto
DESENVOLVIMENTO INSTRUCIONAL
E REVISO
Alexandre Rodrigues Alves
Carmen Irene Correia de Oliveira
Glucia Guarany
Janaina Silva
Leonardo Villela
COORDENAO DE LINGUAGEM
Maria Anglica Alves
EDITORA
Tereza Queiroz
COORDENAO EDITORIAL
Jane Castellani
REVISO TIPOGRFICA
Equipe CEDERJ
COORDENAO DE
PRODUO
Jorge Moura
PROGRAMAO VISUAL
Marcelo Freitas
ILUSTRAO
Fabiana Rocha
Fabio Muniz
CAPA
Sami Souza
PRODUO GRFICA
Fbio Rapello Alencar
Departamento de Produo
Fundao Cecierj / Consrcio Cederj
Rua Visconde de Niteri, 1364 Mangueira Rio de Janeiro, RJ CEP 20943-001
Tel.: (21) 2334-1569 Fax: (21) 2568-0725
Presidente
Masako Oya Masuda
Vice-presidente
Mirian Crapez
Coordenao do Curso de Matemtica
UFF - Regina Moreth
UNIRIO - Luiz Pedro San Gil Jutuca
Universidades Consorciadas
Governo do Estado do Rio de Janeiro
Secretrio de Estado de Cincia e Tecnologia
Governador
Alexandre Cardoso
Srgio Cabral Filho
UENF - UNIVERSIDADE ESTADUAL DO
NORTE FLUMINENSE DARCY RIBEIRO
Reitor: Almy Junior Cordeiro de Carvalho
UERJ - UNIVERSIDADE DO ESTADO DO
RIO DE JANEIRO
Reitor: Ricardo Vieiralves
UNIRIO - UNIVERSIDADE FEDERAL DO ESTADO
DO RIO DE JANEIRO
Reitora: Malvina Tania Tuttman
UFRRJ - UNIVERSIDADE FEDERAL RURAL
DO RIO DE JANEIRO
Reitor: Ricardo Motta Miranda
UFRJ - UNIVERSIDADE FEDERAL DO
RIO DE JANEIRO
Reitor: Alosio Teixeira
UFF - UNIVERSIDADE FEDERAL FLUMINENSE
Reitor: Roberto de Souza Salles
1 - Vetores, matrizes e sistemas lineares ______________________________7
Aula 1 Matrizes _______________________________________________9
Luiz Manoel Figueiredo
Aula 2 Operaes com matrizes: transposio, adio e
multiplicao por nmero real _____________________________ 17
Luiz Manoel Figueiredo
Aula 3 Operaes com matrizes: multiplicao ______________________ 29
Luiz Manoel Figueiredo
Aula 4 Operaes com matrizes: inverso __________________________ 39
Luiz Manoel Figueiredo
Aula 5 Determinantes_________________________________________ 49
Luiz Manoel Figueiredo
Aula 6 Sistemas lineares_______________________________________ 59
Luiz Manoel Figueiredo
Aula 7 Discusso de sistemas lineares_____________________________ 73
Luiz Manoel Figueiredo
Aula 8 Espaos vetoriais_______________________________________ 83
Luiz Manoel Figueiredo
Aula 9 Subespaos vetoriais ____________________________________ 95
Marisa Ortegoza da Cunha
Aula 10 Combinaes lineares _________________________________ 105
Marisa Ortegoza da Cunha
Aula 11 Base e dimenso_____________________________________ 115
Luiz Manoel Figueiredo
Aula 12 Dimenso de um espao vetorial _________________________ 123
Luiz Manoel Figueiredo
Aula 13 Soma de subespaos__________________________________ 135
Luiz Manoel Figueiredo
Aula 14 Espaos vetoriais com produto interno ____________________ 149
Marisa Ortegoza da Cunha
Aula 15 Conjuntos ortogonais e ortonormais ______________________ 161
Marisa Ortegoza da Cunha
Aula 16 Complemento ortogonal _______________________________ 173
Isabel Lugo Rios
Aula 17 Exerccios resolvidos __________________________________ 181
lgebra Linear l
SUMRIO
Volume 1 - Mdulos 1 e 2
.
1. Vetores, matrizes e sistemas lineares
O que e

Algebra Linear? Por que estud a-la?
A

Algebra Linear e a area da Matem atica que estuda todos os aspectos
relacionados com uma estrutura chamada Espa co Vetorial. Estrutura matem atica e um
conjunto no qual s ao deni-
das opera c oes. As proprie-
dades dessas opera c oes es-
truturamo conjunto. Tal-
vez voce j a tenha ouvido falar
em alguma das principais es-
truturas matem aticas, como
grupo, anel e corpo. Voce
estudar a essas estruturas nas
disciplinas de

Algebra.
Devido ` as suas caractersticas, essa estrutura permite um tratamento
algebrico bastante simples, admitindo, inclusive, uma abordagem computa-
cional. A

Algebra Linear tem aplica c oes em in umeras areas, tanto da mate-
m atica quanto de outros campos de conhecimento, como Computa c ao Gr aca,
Genetica, Criptograa, Redes Eletricas etc.
Nas primeiras aulas deste m odulo estudaremos algumas ferramentas
para o estudo dos Espa cos Vetoriais: as matrizes, suas opera c oes e proprie-
dades; aprenderemos a calcular determinantes e, nalmente, aplicaremos esse
conhecimento para discutir e resolver sistemas de equa c oes lineares. Muitos
dos principais problemas da fsica, engenharia, qumica e, e claro, da ma-
tem atica, recaem (ou procuramos fazer com que recaiam) num sistema de
equa c oes lineares. A partir da Aula 8, estaremos envolvidos com

Algebra Li-
near propriamente dita e esperamos que voce se aperceba, ao longo do curso,
de que se trata de uma das areas mais l udicas da Matem atica!!.
7
CEDERJ
Matrizes
M

ODULO 1 - AULA 1
Aula 1 Matrizes
Objetivos
Reconhecer matrizes reais;
Identicar matrizes especiais e seus principais elementos;
Estabelecer a igualdade entre matrizes.
Consideremos o conjunto de alunos do CEDERJ, ligados ao p olo Lugar
Lindo, cursando a disciplina

Algebra Linear 1. Digamos que sejam 5 alunos
(claro que esperamos que sejam muitos mais!). Ao longo do semestre, eles
far ao 2 avalia c oes a dist ancia e 2 presenciais, num total de 4 notas parciais.
Para representar esses dados de maneira organizada, podemos fazer uso de
uma tabela:
aluno AD1 AD2 AP1 AP2
1. Ana 4,5 6,2 7,0 5,5
2. Beatriz 7,2 6,8 8,0 10,0
3. Carlos 8,0 7,5 5,9 7,2
4. Daniela 9,2 8,5 7,0 8,0
5. Edson 6,8 7,2 6,8 7,5
Se quisermos ver as notas obtidas por um determinado aluno, digamos,
o Carlos, para calcular sua nota nal, basta atentarmos para a linha corres-
pondente (8,0; 7,5; 5,9; 7,2); por outro lado, se estivermos interessados nas
notas obtidas pelos alunos na segunda verica c ao a dist ancia, para calcular
a media da turma, devemos olhar para a coluna correspondente (6,2; 6,8;
7,5; 8,5; 7,2). Tambem podemos ir diretamente ao local da tabela em que
se encontra, por exemplo, a nota de Carlos na segunda avalia c ao a dist ancia
(7,5).

E esse tipo de tratamento que as matrizes possibilitam (por linhas, por


colunas, por elemento) que fazem desses objetos matem aticos instrumentos
valiosos na organiza c ao e manipula c ao de dados.
Vamos, ent ao, ` a deni c ao de matrizes.
9
CEDERJ
Matrizes
Deni cao
Uma matriz real A de ordem m n e uma tabela de mn n umeros reais,
dispostos em m linhas e n colunas, onde m e n s ao n umeros inteiros positivos.
Os elementos de uma ma-
triz podem ser outras enti-
dades, que n ao n umeros re-
ais. Podem ser, por exem-
plo, n umeros complexos, po-
lin omios, outras matrizes etc.
Uma matriz real de m linhas e n colunas pode ser representada por
A
mn
(R). Neste curso, como s o trabalharemos com matrizes reais, usaremos
a nota c ao simplicada A
mn
, que se le A m por n. Tambem podemos
escrever A = (a
ij
), onde i {1, ..., m} e o ndice de linha e j {1, ..., n} e
o ndice de coluna do termo generico da matriz. Representamos o conjunto
de todas as matrizes reais m por npor M
mn
(R). Escrevemos os elementos
de uma matriz limitados por parenteses, colchetes ou barras duplas. As barras simples s ao usadas
para representar determinan-
tes, como veremos na aula 5.
Exemplo 1
1. Uma matriz 3 2 :
_

_
2 3
1 0

2 17
_

_
2. Uma matriz 2 2 :
_
5 3
1 1/2
_
3. Uma matriz 3 1 :

4
0
11

De acordo com o n umero de linhas e colunas de uma matriz, podemos


destacar os seguintes casos particulares:
m = 1: matriz linha
n = 1: matriz coluna
m = n: matriz quadrada. Neste caso, escrevemos apenas A
n
e dizemos
que Ae uma matriz quadrada de ordem n. Representamos o conjunto
das matrizes reais quadradas de ordem n por M
n
(R) (ou, simplesmente,
por M
n
).
Exemplo 2
1. matriz linha 1 4:
_
2 3 4 1/5
_
2. matriz coluna 3 1:
_

_
4
17
0
_

_
CEDERJ
10
Matrizes
M

ODULO 1 - AULA 1
3. matriz quadrada de ordem 2:
_
1 2
5 7
_
Os elementos de uma matriz podem ser dados tambem por f ormulas,
como ilustra o pr oximo exemplo.
Exemplo 3
Vamos construir a matriz A M
24
(R), A = (a
ij
), tal que
a
ij
=
_
i
2
+ j, se i = j
i 2j, se i = j
A matriz procurada e do tipo A =
_
a
11
a
12
a
13
a
14
a
21
a
22
a
23
a
24
_
.
Seguindo a regra de forma c ao dessa matriz, temos:
a
11
= 1
2
+ 1 = 2 a
12
= 1 2(2) = 3
a
22
= 2
2
+ 2 = 6 a
13
= 1 2(3) = 5
a
14
= 1 2(4) = 7
a
21
= 2 2(1) = 0
a
23
= 2 2(3) = 4
a
24
= 2 2(4) = 6
.
Logo, A =
_
2 3 5 7
0 6 4 6
_
.
Igualdade de matrizes
O pr oximo passo e estabelecer um criterio que nos permita decidir se
duas matrizes s ao ou n ao iguais. Temos a seguinte deni c ao:
Duas matrizes A, B M
mn
(R), A = (a
ij
), B = (b
ij
), s ao iguais
quando a
ij
= b
ij
, i {1, ..., m}, j {1, ..., n}.
Exemplo 4
Vamos determinar a, b, c e d para que as matrizes
_
2a 3b
c + d 6
_
e
_
4 9
1 2c
_
sejam iguais. Pela deni c ao de igualdade de matrizes, podemos escrever:
_
2a 3b
c + d 6
_
=
_
4 9
1 2c
_

_
2a = 4
3b = 9
c + d = 1
6 = 2c
11
CEDERJ
Matrizes
Da, obtemos a = 2, b = 3, c = 3 e d = 2.
Numa matriz quadrada A = (a
ij
), i, j {1, ...n}, destacamos os se-
guintes elementos:
diagonal principal: formada pelos termos a
ii
(isto e, pelos termos com
ndices de linha e de coluna iguais).
diagonal secund aria: formada pelos termos a
ij
tais que i + j = n.
Exemplo 5
Seja
A =
_
_
_
_
_
3 2 0 1
5 3 2 7
1/2 3 14
5 0 1 6
_
_
_
_
_
.
A diagonal principal de A e formada por: 3, 3, , 6
A diagonal secund aria de A e formada por: 1, 2, 3, 5
Matrizes quadradas especiais
No conjunto das matrizes quadradas de ordem n podemos destacar
alguns tipos especiais. Seja A = (a
ij
) M
n
(R). Dizemos que A e uma
matriz
triangular superior, quando a
ij
= 0 se i > j (isto e, possui todos os
elementos abaixo da diagonal principal nulos).
triangular inferior, quando a
ij
= 0 se i < j (isto e, possui todos os
elementos acima da diagonal principal nulos).
diagonal, quando a
ij
= 0 se i = j (isto e, possui todos os elementos
fora da diagonal principal nulos). Uma matriz diagonal e, ao mesmo
tempo, triangular superior e triangular inferior.
escalar, quando a
ij
=
_
0, se i = j
k, se i = j
, para algum k R. Isto e, uma
matriz escalar e diagonal e possui todos os elementos da diagonal prin-
cipal iguais a um certo escalar k.
No nosso curso nos referimos
aos n umeros reais como
escalares. Essa denomina c ao
e especca da

Algebra
Linear.
CEDERJ
12
Matrizes
M

ODULO 1 - AULA 1
identidade, quando a
ij
=
_
0, se i = j
1, se i = j
. Isto e, a identidade e uma
matriz escalar e possui todos os elementos da diagonal principal iguais
a 1. Representamos a matriz identidade de ordem n por I
n
.
Exemplo 6
matriz classica c ao
_

_
4 1 2
0 6 3
0 0 9
_

_
triangular superior
_

_
2 0 0
0 0 3
0 0 0
_

_
triangular superior
_

_
1 0 0
0 4 0
0 0 0
_

_
triangular superior, triangular inferior, diagonal
_
0 0
3 0
_
triangular inferior
_
0 0
0 0
_
triangular superior, triangular inferior, diagonal, escalar
_
5 0
0 5
_
triangular superior, triangular inferior, diagonal, escalar
Exemplo 7
S ao matrizes identidade:
I
1
= [1]; I
2
=
_
1 0
0 1
_
; I
3
=
_

_
1 0 0
0 1 0
0 0 1
_

_
; I
4
=
_

_
1 0 0 0
0 1 0 0
0 0 1 0
0 0 0 1
_

_
De modo geral, sendo n um n umero natural maior que 1, a matriz
13
CEDERJ
Matrizes
identidade de ordem n e
I
n
=
_

_
1 0 0 ... 0 0
0 1 0 ... 0 0
0 0 1 ... 0 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0 0 ... 1 0
0 0 0 ... 0 1
_

_
Deni cao
A matriz nula em M
mn
(R) e a matriz de ordem mn que possui todos os
elementos iguais a zero.
Exemplo 8
Matriz nula 2 3:
_
0 0 0
0 0 0
_
Matriz nula 5 2:
_

_
0 0
0 0
0 0
0 0
0 0
_

_
Deni cao
Dada A = (a
ij
) M
mn
(R), a oposta de A e a matriz B = (b
ij
) M
mn
(R)
tal que b
ij
= a
ij
, i {1, ..., m}, j {1, ..., n}. Ou seja, os elemen-
tos da matriz oposta de A s ao os elementos opostos aos elementos de A.
Representamos a oposta de A por A.
Exemplo 9
A oposta da matriz A =
_

_
3 1 0
2

3 4
1 0 8
6 10 2
_

_
e a matriz
A =
_

_
3 1 0
2

3 4
1 0 8
6 10 2
_

_
.
CEDERJ
14
Matrizes
M

ODULO 1 - AULA 1
Resumo
Nesta aula vimos o conceito de matriz e conhecemos seus tipos espe-
ciais. Aprendemos a comparar duas matrizes, a identicar a matriz nula e a
obter a oposta de uma matriz. Tambem vimos algumas matrizes quadradas
que se destacam por suas caractersticas e que ser ao especialmente uteis no
desenvolvimento da teoria.
Exerccios
1. Escreva a matriz A = (a
ij
) em cada caso:
(a) A e do tipo 2 3, e a
ij
=
_
3i + j, se i = j
i 2j, se i = j
(b) A e quadrada de ordem 4 e a
ij
=
_

_
2i, se i < j
i j, se i = j
2j, se i > j
(c) A e do tipo 4 2, e a
ij
=
_
0, se i = j
3, se i = j
(d) A e quadrada terceira ordem e a
ij
= 3i j + 2.
2. Determine x e y tais que
(a)
_
2x + y
2x y
_
=
_
11
9
_
(b)
_
x
2
y
x y
2
_
=
_
1 1
1 1
_
15
CEDERJ
Matrizes
Respostas dos exerccios
1. (a)
_
4 3 5
0 8 4
_
(b)
_

_
0 2 2 2
2 0 4 4
2 4 0 6
2 4 6 0
_

_
(c)
_

_
3 0
0 3
0 0
0 0
_

_
(d)
_

_
4 1 2
7 6 5
10 9 8
_

_
2. (a) x = 5; y = 1
(b) x = y = 1
Auto-avalia cao
Voce n ao deve ter sentido qualquer diculdade para acompanhar esta
primeira aula. S ao apenas deni oes e exemplos. Se achar conveniente, antes
de prosseguir, fa ca uma segunda leitura, com calma, da teoria e dos exemplos.
De qualquer maneira, voce sabe que, sentindo necessidade, pode (e deve!)
entrar em contato com o tutor da disciplina.
Ate a pr oxima aula!!
CEDERJ
16
Opera c oes com matrizes: transposi cao, adi cao e multiplica cao por n umero real
M

ODULO 1 - AULA 2
Aula 2 Opera c oes com matrizes:
transposi cao, adi cao e multiplica cao por
n umero real
Objetivos
Obter a matriz transposta de uma matriz dada;
Identicar matrizes simetricas e anti-simetricas;
Obter a matriz soma de duas matrizes;
Obter o produto de uma matriz por um n umero real;
Aplicar as propriedades das opera c oes nos c alculos envolvendo matrizes.
Na aula passada, denimos matrizes e vimos como vericar se duas
matrizes s ao ou n ao iguais. Nesta aula iniciamos o estudo das opera c oes
com matrizes.

E atraves de opera c oes que podemos obter outras matrizes, a
partir de matrizes dadas. A primeira opera c ao com matrizes que estudaremos
- a transposi c ao - e un aria, isto e, aplicada a uma unica matriz. A se-
guir, veremos a adi c ao, que e uma opera c ao bin aria, ou seja, e aplicada a
duas matrizes. Finalmente, veremos como multiplicar uma matriz por um
n umero real. Por envolver um elemento externo ao conjunto das matrizes,
essa opera c ao e dita ser externa.
Transposi cao
Dada uma matriz A M
mn
(R), A = (a
ij
), a transposta de A e a
matriz B M
nm
(R), B = (b
ji
) tal que b
ji
= a
ij
, i {1, ..., m}, j
{1, ..., n}. Representamos a matriz transposta de A por A
T
.
Note que para obter a transposta de uma matriz A, basta escrever as
linhas de A como sendo as colunas da nova matriz (ou, equivalentemente,
escrever as colunas de A como as linhas da nova matriz.)
Exemplo 10
1. Seja A =
_
3 2 5
1 7 0
_
. A transposta de Ae a matriz A
T
=
_

_
3 1
2 7
5 0
_

_
.
2. Se M =
_
3 4
4 9
_
, ent ao M
T
=
_
3 4
4 9
_
= M.
17
CEDERJ
Opera c oes com matrizes: transposi cao, adi cao e multiplica cao por n umero real
Comparando uma matriz com sua transposta, podemos denir matrizes
simetricas e anti-simetricas, como segue:
Deni cao
Uma matriz A e:
simetrica, se A
T
= A
anti-simetrica, se A
T
= A
Segue da deni c ao acima, que matrizes simetricas ou anti-simetricas
s ao, necessariamente, quadradas.
Exemplo 11
1. As matrizes
_
_
_
3 2

3
2 5 1

3 1 8
_
_
_
,
_
19 3/2
3/2 7
_
, e
_
_
_
_
_
1 2 1/5 0
2 7 9 1
1/5 9 0 8
0 1 8 4
_
_
_
_
_
s ao simetricas.
2. A matriz M, do exemplo 10, e simetrica.
Note que, numa matriz simetrica, os elementos em posi c oes simetricas
em rela c ao ` a diagonal principal s ao iguais.
Exemplo 12
As matrizes
_
0 1
1 0
_
,
_
_
_
0 2 1/2
2 0 5
1/2 5 0
_
_
_
, e
_
_
_
_
_
0 2 1/5 0
2 0 9 1
1/5 9 0 8
0 1 8 0
_
_
_
_
_
s ao anti-simetricas.
Note que uma matriz anti-simetrica tem, necessariamente, todos os
elementos da diagonal principal iguais a zero.
CEDERJ
18
Opera c oes com matrizes: transposi cao, adi cao e multiplica cao por n umero real
M

ODULO 1 - AULA 2
Adi cao
Voce se lembra do exemplo que demos, na Aula 1, com a rela c ao de
nomes e notas da turma de Lugar Lindo? Cada aluno tem seu nome associado
a um n umero (o n umero da linha). Assim, sem perder qualquer informa c ao
sobre os alunos, podemos representar apenas as notas das avalia c oes numa
matriz 5 por 4:
A =
_

_
4, 5 6, 2 7, 0 5, 5
7, 2 6, 8 8, 0 10, 0
8, 0 7, 5 5, 9 7, 2
9, 2 8, 5 7, 0 8, 0
6, 8 7, 2 6, 8 7, 5
_

_
Vamos supor que as provas tenham sido submetidas a uma revis ao e
que as seguintes altera c oes sejam propostas para as notas:
R =
_

_
0, 5 0, 0 0, 0 0, 2
0, 2 0, 5 0, 5 0, 0
0, 0 0, 2 0, 6 0, 1
0, 0 0, 5 0, 0 0, 2
0, 2 0, 0 0, 0 0, 3
_

_
A matriz N, com as notas denitivas, e a matriz soma das matrizes A e
R, formada pelas somas de cada nota com seu fator de corre c ao, isto e, cada
termo de A com seu elemento correspondente em R:
N = A+ R =
_

_
4, 5 + 0, 5 6, 2 + 0, 0 7, 0 + 0, 0 5, 5 + 0, 2
7, 2 + (0, 2) 6, 8 + 0, 5 8, 0 + 0, 5 10, 0 + 0, 0
8, 0 + 0, 0 7, 5 + 0, 2 5, 9 + 0, 6 7, 2 + (0, 1)
9, 2 + 0, 0 8, 5 + 0, 5 7, 0 + 0, 0 8, 0 + 0, 2
6, 8 + 0, 2 7, 2 + 0, 0 6, 8 + 0, 0 7, 5 + 0, 3
_

_
Logo, N =
_

_
5, 0 6, 2 7, 0 5, 7
7, 0 7, 3 8, 5 10, 0
8, 0 7, 7 6, 5 7, 1
9, 2 9, 0 7, 0 8, 2
7, 0 7, 2 6, 8 7, 8
_

_
Deni cao
Dadas as matrizes A = (a
ij
), B = (b
ij
) M
mn
(R), a matriz soma de
A e B e a matriz C = (c
ij
) M
mn
(R) tal que
c
ij
= a
ij
+ b
ij
, i {1, ..., m}, j {1, ..., n}
19
CEDERJ
Opera c oes com matrizes: transposi cao, adi cao e multiplica cao por n umero real
Representamos a matriz soma de A e B por A+B. Em palavras, cada
elemento de A+B e a soma dos elementos correspondentes das matrizes A e
B. A diferen ca de A e B, indicada por AB, e a soma de A com a oposta
de B, isto e: AB = A+ (B).
Exemplo 13
1.
_
5 4
2 1
_
+
_
1 2
0 3
_
=
_
4 2
2 4
_
2.
_

_
3 8
1 4
7 2
_

_
2 1
7 2
3 6
_

_
=
_

_
3 8
1 4
7 2
_

_
+
_

_
2 1
7 2
3 6
_

_
=
_

_
1 9
8 2
10 4
_

_
Multiplica cao por um n umero real
Seja A =
_
3 1
2 4
_
. Queremos obter 2A:
2A = A+ A =
_
3 1
2 4
_
+
_
3 1
2 4
_
=
_
2 3 2 1
2 2 2 (4)
_
.
Em palavras, o produto da matriz A pelo n umero real 2 e a matriz
obtida multiplicando-se cada elemento de A por 2.
Voltemos ` a nossa tabela de notas dos alunos do CEDERJ. Suponhamos
que, para facilitar o c alculo das medias, queiramos trabalhar numa escala de
0 a 100 (em vez de 0 a 10, como agora). Para isso, cada nota dever a ser
multiplicada por 10. Teremos, ent ao, a seguinte matriz:
10N =
_

_
50 62 70 57
70 73 85 100
80 77 65 71
92 90 70 82
70 72 68 78
_

_
Podemos, ent ao, denir a multiplica c ao de uma matriz por um n umero
real (ou, como e usual dizer no ambito da

Algebra Linear, por um escalar).
Voce ver a que, em

Algebra
Linear, lidamos com dois
tipos de objeto matem atico:
os escalares (que, neste
curso, ser ao os n umeros
reais) e os vetores.
CEDERJ
20
Opera c oes com matrizes: transposi cao, adi cao e multiplica cao por n umero real
M

ODULO 1 - AULA 2
Deni cao
Dada A = (a
ij
) M
mn
(R) e R, a matriz produto de A por e a
matriz C = (c
ij
) M
mn
(R) tal que
c
ij
= a
ij
, i {1, ..., m}, j {1, ...n}
Representamos a matriz produto de A por por A.
Exemplo 14
Dadas A =
_
5 2
1 4
_
, B =
_
0 6
3 8
_
e C =
_
6 1
3 5
_
, temos:
1. 2A =
_
10 4
2 8
_
2.
1
3
B =
_
0 2
1 8/3
_
3. A+2B3C =
_
5 2
1 4
_
+
_
0 12
6 16
_
+
_
18 3
9 15
_
=
_
23 17
14 5
_
Propriedades das opera c oes com matrizes
Voce talvez j a tenha se questionado quanto ` a necessidade ou utilidade
de se listar e provar as propriedades de uma dada opera c ao. Comutatividade,
associatividade... aparentemente sempre as mesmas palavras, propriedades
sempre v alidas... No entanto, s ao as propriedades que nos permitem esten-
der uma opera c ao que foi denida para duas matrizes, para o caso de somar
tres ou mais. Ela tambem exibilizam e facilitam os c alculos, de modo que
quanto mais as dominamos, menos trabalho mec anicotemos que desenvol-
ver. Veremos agora as propriedades v alidas para as opera c oes j a estudadas.
Propriedade da transposi cao de matrizes
(t1) Para toda matriz A M
mn
(R), vale que A
T
T
= A.
A validade dessa propriedade e clara, uma vez que escrevemos as linhas
de A como colunas e, a seguir, tornamos a escrever essas colunas como linhas,
retornando ` a congura c ao original. Segue abaixo a demonstra c ao formal
dessa propriedade:
Seja A = (a
ij
) M
mn
(R). Ent ao A
T
= B = (b
ji
) M
nm
(R) tal que
b
ji
= a
ij
, ( ou, equivalentemente, b
ij
= a
ji
), i {1, ...m}, j {1, ..., n}.
21
CEDERJ
Opera c oes com matrizes: transposi cao, adi cao e multiplica cao por n umero real
Da, A
T
T
= B
T
= C = (c
ij
) M
mn
(R) tal que c
ij
= b
ji
= a
ij
, i
{1, ...m}, j {1, ..., n}. Logo, C = B
T
= A
T
T
= A.
Propriedades da adi cao de matrizes
Para demonstrar as propriedades da adi c ao de matrizes, usaremos as
propriedades correspondentes, v alidas para a adi c ao de n umeros reais.
SejamA = (a
ij
), B = (b
ij
) e C = (c
ij
) matrizes quaisquer emM
mn
(R).
Valem as seguintes propriedades.
(a1) Comutativa: A + B = B + A
De fato, sabemos que A+B = (s
ij
) e tambem uma matriz mn cujo
elemento generico e dado por: s
ij
= a
ij
+ b
ij
, para todo i = 1, ..., m e todo
j = 1, ..., n. Como a adi c ao de n umeros reais e comutativa, podemos escrever
s
ij
= b
ij
+a
ij
, para todo i = 1, ..., m e todo j = 1, ..., n. Isto e, A+B = B+A.
Em palavras: a ordem como consideramos as parcelas n ao altera a soma de
duas matrizes.
(a2) Associativa: (A+ B) + C = A+ (B + C)
De fato, o termo geral s
ij
de (A+B)+C e dado por s
ij
= (a+b)
ij
+c
ij
=
(a
ij
+ b
ij
) + c
ij
, para todo i = 1, ..., m e todo j = 1, ..., n. Como a adi c ao
de n umeros reais e associativa, podemos escrever s
ij
= a
ij
+ (b
ij
+ c
ij
) =
a
ij
+(b+c)
ij
, para todo i = 1, ..., me todo j = 1, ..., n. Ou seja, s
ij
e tambem o
termo geral da matriz obtida de A+(B+C). Isto e, (A+B)+C = A+(B+C).
Em palavras: podemos estender a adi c ao de matrizes para o caso de tres
parcelas, associando duas delas. A partir dessa propriedade, podemos agora
somar tres ou mais matrizes.
(a3) Existencia do elemento neutro: Existe O M
mn
(R) tal que A+O = A.
De fato, seja O a matriz nula de M
mn
(R), isto e, O = (o
ij
), onde
o
ij
= 0, para todo i = 1, ..., m e todo j = 1, ..., n. Sendo s
ij
o termo geral de
A + O, temos s
ij
= a
ij
+ o
ij
= a
ij
+ 0 = a
ij
, para todo i = 1, ..., m e todo
j = 1, ..., n. Ou seja, A+ O = A.
Em palavras: na adi c ao de matrizes a matriz nula desempenha o mesmo
papel que o zero desempenha na adi c ao de n umeros reais.
(a4) Da existencia do elemento oposto : Existe (A) M
mn
(R) tal que O elemento oposto e tambem
chamado elemento simetrico
ou inverso aditivo.
A + (A) = O.
De fato, sabemos que cada elemento de A e o oposto do elemento
correspondente de A. Ent ao, sendo s
ij
o termo geral de A + (A), temos
CEDERJ
22
Opera c oes com matrizes: transposi cao, adi cao e multiplica cao por n umero real
M

ODULO 1 - AULA 2
s
ij
= a
ij
+ (a
ij
) = 0 = o
ij
, para todo i = 1, ..., m e todo j = 1, ..., n. Isto e,
A+ (A) = O.
Em palavras: Cada matriz possui, em correspondencia, uma matriz de mesma
ordem tal que a soma das duas e a matriz nula dessa ordem.
(a5) Da soma de transpostas: A
T
+ B
T
= (A+ B)
T
De fato, seja s
ij
o termo geral de A
T
+B
T
. Ent ao, para todo i = 1, ..., m
e todo j = 1, ..., n, s
ij
= a
ji
+b
ji
= (a+b)ji, que e o termo geral de (A+B)
T
.
Ou seja, A
T
+ B
T
= (A + B)
T
.
Em palavras: A soma das transpostas e a transposta da soma. Ou, vendo sob
outro angulo: a transposi c ao de matrizes e distributiva em rela c ao ` a adi c ao.
Propriedades da multiplica cao de uma matriz por um escalar
Voce ver a que, tambem neste caso, provaremos a validade dessas propri-
edades usando as propriedades correspondentes da multiplica c ao de n umeros
reais.
Sejam A = (a
ij
), B = (b
ij
) M
mn
(R), , , R. Valem as seguin-
tes propriedades:
(mn1) ()A = (A)
De fato, seja p
ij
o termo geral de ()A, isto e, p
ij
= (()a)
ij
=
()a
ij
= (a
ij
) = ((a))
ij
, para todo i = 1, ..., m e todo j = 1, ..., n. Ou
seja, p
ij
e tambem o termo geral de (A). Logo, ()A = (A).
Exemplo 15
Dada A M
mn
(R), 12A = 3(4A) = 2(6A).
(mn2) ( + )A = A+ A
De fato, seja p
ij
o termo geral de ( +)A, isto e, p
ij
= (( +)a)
ij
=
( + )a
ij
= a
ij
+ a
ij
= (a)
ij
+ (a)
ij
, para todo i = 1, ..., m e todo
j = 1, ..., n. Ou seja, p
ij
e tambem o termo geral de A + A. Logo,
( + )A = A+ A.
Exemplo 16
Dada A M
mn
(R), 12A = 7A+ 5A = 8A+ 4A.
(mn3) (A+ B) = A+ B
De fato, seja p
ij
o termo geral de (A+B). Ent ao, para todo i = 1, ..., m
e todo j = 1, ..., n, temos p
ij
= ((a + b))
ij
= (a + b)
ij
= (a
ij
+ b
ij
) =
23
CEDERJ
Opera c oes com matrizes: transposi cao, adi cao e multiplica cao por n umero real
a
ij
+b
ij
= (a)
ij
+(b)
ij
. Ou seja, p
ij
e tambem o termo geral de A+B.
Logo, (A+ B) = A+ B.
Exemplo 17
Dadas A, B M
mn
(R), 5(A+ B) = 5A+ 5B.
(mn4) 1A = A
De fato, sendo p
ij
o termo geral de 1A, temos p
ij
= (1a)
ij
= 1a
ij
= a
ij
,
para todo i = 1, ..., m e todo j = 1, ..., n. Isto e, 1A = A.
(mn5) A
T
= (A)
T
De fato, seja p
ij
o termo geral de A
T
. Ent ao p
ij
= a
ji
= (a)
ji
, ou
seja, p
ij
e tambem o termo geral de (A)
T
.
Exemplo 18
Dadas A =
_
2 1
0 1
_
e B =
_
4 0
2 6
_
, vamos determinar 3
_
2A
T

1
2
B
_
T
.
Para isso, vamos usar as propriedades vistas nesta aula e detalhar cada passo,
indicando qual a propriedade utilizada.
3
_
2A
T

1
2
B
_
T
a5
= 3
_
_
2A
T
_
T

_
1
2
B
_
T
_
mn5
= 3
_
2
_
A
T
_
T

1
2
B
T
_
t1
= 3
_
2A
1
2
B
T
_
mn3
= 3(2A) 3
_
1
2
B
T
_
mn1
= (3.2)A
_
3.
1
2
_
B
T
= 6A
3
2
B
T
= 6
_
2 1
0 1
_

3
2
_
4 2
0 6
_
=
_
12 6
0 6
_

_
6 3
0 9
_
=
_
6 9
0 15
_
CEDERJ
24
Opera c oes com matrizes: transposi cao, adi cao e multiplica cao por n umero real
M

ODULO 1 - AULA 2
Observa cao.

E claro que voce, ao efetuar opera c oes com matrizes, n ao
precisar a explicitar cada propriedade utilizada (a n ao ser que o enunciado da
quest ao assim o exija!) e nem resolver a quest ao passo-a-passo. O impor-
tante e constatar que s ao as propriedades das opera c oes que nos possibilitam
reescrever a matriz pedida numa forma que nos pare ca mais simp atica.
Resumo
Nesta aula come camos a operar com as matrizes. Vimos como ob-
ter a transposta de uma matriz e a reconhecer matrizes simetricas e anti-
simetricas. A seguir, aprendemos a somar duas matrizes e a multiplicar
uma matriz por um escalar. Finalizamos com o estudo das propriedades das
opera c oes vistas. A aula cou um pouco longa, mas e importante conhecer
as propriedades v alidas para cada opera c ao estudada.
Exerccios
1. Obtenha a transposta da matriz A M
24
(R), A = (a
ij
), tal que
a
ij
=
_
2i + j, se i = j
i
2
j, se i = j
2. Determine a e b para que a matriz
_

_
2 4 2a b
a + b 3 0
1 0 5
_

_
seja simetrica.
3. Mostre que a soma de duas matrizes simetricas e uma matriz simetrica.
4. Determine a, b, c, x, y, z para que a matriz
_

_
2x a + b a 2b
6 y
2
2c
5 8 z 1
_

_
seja
anti-simetrica.
5. Sendo A =
_

_
2 1
0 1
3 2
_

_
e B =
_

_
0 1
7 3
4 5
_

_
, determine A+ B.
6. Determine a, b, e c para que
_
a 3 2a
c 0 2
_
+
_
b 3 1
1 4 3
_
=
_
2 0 5
3 4 1
_
.
25
CEDERJ
Opera c oes com matrizes: transposi cao, adi cao e multiplica cao por n umero real
7. Dada A =
_
3 5
4 2
_
, determine a matriz B tal que A+B e a matriz
nula de M
2
(R).
8. Considere as matrizes A =
_

_
5
1
2
_

_
, B =
_

_
1
2
3
_

_
, e C =
_
0 2 1
_
. Determine a matriz X em cada caso:
(a) X = 2A3B
(b) X + A = B C
T
2X
(c) X + B
T
= 3A
T
+
1
2
C
9. Sendo A =
_
9 4 2
6 12 11
_
e B =
_
8 7 9
12 19 2
_
, determine as
matrizes X e Y tais que
_
2X + Y = A
X 2Y = B
10. Sendo A, B M
mn
(R), use as propriedades vistas nesta aula para
simplicar a express ao 3
_
2A
T
B
_
T
+ 5
_
1
5
B
T
A
T
+
3
5
B
_
T
.
Auto-avalia cao
Voce deve se sentir ` a vontade para operar com matrizes nas formas vis-
tas nesta aula: transpor, somar e multiplicar por um escalar. S ao opera c oes
de realiza c ao simples, que seguem a nossa intui c ao. Alem disso, e importante
que voce reconhe ca a utilidade das propriedades no sentido de nos dar mobi-
lidade na hora de operarmos com matrizes. Propriedades de opera c oes n ao
s ao para serem decoradas, mas apreendidas, assimiladas, utilizadas ao p or a
teoria em pr atica!
Se voce sentiu qualquer diculdade ao acompanhar a aula ou ao resolver
os exerccios propostos, pe ca auxlio ao tutor da teoria. O importante e que
caminhemos juntos nesta jornada!
Ate a pr oxima aula!!
CEDERJ
26
Opera c oes com matrizes: transposi cao, adi cao e multiplica cao por n umero real
M

ODULO 1 - AULA 2
Respostas dos exerccios
1.
_

_
3 3
1 5
2 1
3 0
_

_
2. a = 1; b = 3
4. a =
7
3
; b =
11
3
; c = 4; x = 0; y = 0; z = 1
5.
_

_
2 2
7 2
1 7
_

_
6. a = 3; b = 1; c = 2
7.
_
3 5
4 2
_
8. (a)
_

_
7
8
5
_

_
(b)
_

_
4
1
0
_

_
(c)
_
14 6
7
2
_
9. X =
_
2 3 1
0 1 4
_
; Y =
_
5 2 4
6 10 3
_
10. A+ B
27
CEDERJ
Opera c oes com matrizes: multiplica cao
M

ODULO 1 - AULA 3
Aula 3 Opera c oes com matrizes:
multiplica cao
Objetivos
Reconhecer quando e possvel multiplicar duas matrizes;
Obter a matriz produto de duas matrizes;
Aplicar as propriedades da multipli c ao de matrizes;
Identicar matrizes inversveis.
Se voce j a foi apresentado ` a multiplica c ao de matrizes, pode ter se
perguntado por que a deni c ao foge tanto daquilo que nos pareceria mais
f acil e natural: simplesmente multiplicar os termos correspondentes das
duas matrizes (que, para isso, deveriam ser de mesma ordem).
Poderia ser assim? Poderia!
Ent ao, por que n ao e?
Em Matem atica, cada deni c ao e feita de modo a possibilitar o desen-
volvimento da teoria de forma contnua e coerente.

E por essa raz ao que
denimos, por exemplo, 0! = 1 e a
0
= 1, (a = 0).
O caso 0
0
e mais delicado do
que parece. Se voce tem
interesse nesse problema, vai
gostar de ler o artigo de
Elon Lages Lima, na Revista
do Professor de Matem atica
(RPM), n. 7.
N ao iramos muito longe, no estudo das matrizes, caso a multiplica c ao
fosse denida nos moldes da adi c ao. Voce ver a, nesta aula, o signicado
dessa opera c ao, no modo como e denida. Mais tarde, quando estudar-
mos transforma c oes lineares (no M odulo 2), car a ainda mais evidente a
import ancia de multiplicarmos matrizes da maneira como veremos a seguir.
Venha conosco!
Vamos voltar aos nossos alunos de Lugar Lindo. J a e tempo de calcular
suas notas nais!
A ultima matriz obtida (na Aula 2) fornecia as notas numa escala de 0
a 100:
N

=
_

_
50 62 70 57
70 73 85 100
80 77 65 71
92 90 70 82
70 72 68 78
_

_
Lembrando: as duas primeiras colunas indicam as notas das avalia c oes
29
CEDERJ
Opera c oes com matrizes: multiplica cao
` a dist ancia e as duas ultimas, as notas das avalia c oes presenciais dos alunos
Ana, Beatriz, Carlos, Daniela e Edson, nessa ordem.
Vamos supor que as avalia c oes ` a dist ancia tenham, cada uma, peso 1,
num total de 10. Isto e, cada uma colabora com
1
10
(ou 10%) da nota nal.
Para completar, cada avalia c ao presencial ter a peso 4, ou seja, repre-
sentar a
4
10
(ou 40%) da nota nal.
Ent ao, a nota nal de cada aluno ser a dada por:
NF =
10
100
AD1 +
10
100
AD2 +
40
100
AP1 +
40
100
AP2
Em vez de escrever uma express ao como essa para cada um dos 5 alunos,
podemos construir uma matriz-coluna P contendo os pesos das notas, na
ordem como aparecem no c alculo de NF:
P =
_

_
10/100
10/100
40/100
40/100
_

_
e efetuar a seguinte opera c ao:
N

.P =
_

_
50 62 70 57
70 73 85 100
80 77 65 71
92 90 70 82
70 72 68 78
_

_
.
_

_
10/100
10/100
40/100
40/100
_

_
=
=
_

_
10
100
.50 +
10
100
.62 +
40
100
.70 +
40
100
.57
10
100
.70 +
10
100
.73 +
40
100
.85 +
40
100
.100
10
100
.80 +
10
100
.77 +
40
100
.65 +
40
100
.71
10
100
.92 +
10
100
.90 +
40
100
.70 +
40
100
.82
10
100
.70 +
10
100
.72 +
40
100
.68 +
40
100
.78
_

_
=
_

_
62
88
70
79
73
_

_
O que zemos: tomamos duas matrizes tais que o n umero de termos
em cada linha da primeira e igual ao n umero de termos de cada coluna da
segunda. Ou seja, o n umero de colunas da primeira coincide com o n umero
de linhas da segunda (4, no nosso exemplo).
Dessa forma, podemos multiplicar os pares de elementos, varrendo,
simultaneamente, uma linha da 1
a.
matriz e uma coluna da 2
a.
. Depois,
somamos os produtos obtidos.
CEDERJ
30
Opera c oes com matrizes: multiplica cao
M

ODULO 1 - AULA 3
Note que, ao considerarmos a i-esima linha (da 1
a.
matriz) e a j-esima
coluna (da 2
a.
), geramos o elemento na posi c ao ij da matriz produto.
Formalmente, temos a seguinte deni c ao:
Multiplica cao de matrizes
Sejam A = (a
ik
) M
mp
(R) e B = (b
kj
) M
pn
(R). A matriz produto
de A por B e a matriz AB = (c
ij
) M
mn
(R) tal que
c
ij
=
p

k=1
a
ik
.b
kj
, i = 1, ..., m; j = 1, ..., n
Exemplo 19
Sejam A =
_
3 2 1
4 0 7
_
e B =
_

_
1 3 10 2
1 5 0 5
2 6 4 2
_

_
. Como A e do tipo
2 3 e B e do tipo 3 4, existe a matriz AB e e do tipo 2 4:
AB =
_
3 2 1
4 0 7
_
_

_
1 3 10 2
1 5 0 5
2 6 4 2
_

_
=
=
_
3 2 2 9 + 10 6 30 + 0 4 6 + 10 + 2
4 + 0 + 14 12 + 0 + 42 40 + 0 + 28 8 + 0 14
_
=
_
1 13 26 18
18 54 68 6
_
Observe que, neste caso, n ao e possvel efetuar BA.
A seguir, veremos alguns exemplos e, a partir deles, tiraremos algumas
conclus oes interessantes a respeito da multiplica c ao de matrizes.
Exemplo 20
Sejam A =
_
2 4
3 1
_
e B =
_
3 2
5 6
_
. Ent ao
AB =
_
2 4
3 1
__
3 2
5 6
_
=
_
6 + 20 4 + 24
9 5 6 6
_
=
_
26 28
4 0
_
e
BA =
_
3 2
5 6
__
2 4
3 1
_
=
_
6 + 6 12 2
10 + 18 20 6
_
=
_
12 10
28 14
_
.
Note que o produto de duas matrizes quadradas de mesma ordem n
existe e e tambem uma matriz quadrada de ordem n. Assim, a multiplica c ao
p ode ser efetuada nos dois casos, isto e, nas duas ordens possveis, mas as
matrizes AB e BA s ao diferentes.
31
CEDERJ
Opera c oes com matrizes: multiplica cao
Exemplo 21
Sejam A =
_
1 2
3 4
_
e B =
_
1 4
6 7
_
. Temos que:
AB =
_
1 2
3 4
__
1 4
6 7
_
=
_
1 + 12 4 + 14
3 + 24 12 + 28
_
=
_
13 18
27 40
_
e
BA =
_
1 4
6 7
__
1 2
3 4
_
=
_
1 + 12 2 + 16
6 + 21 12 + 28
_
=
_
13 18
27 40
_
Neste caso, AB = BA. Quando isso ocorre, dizemos que as matrizes A
e B comutam.
Exemplo 22
Consideremos as matrizes A =
_
3 2 1
4 6 5
_
e B =
_

_
4
19
26
_

_
.
Efetuando AB, obtemos a matriz
_
0
0
_
.
Note que, diferentemente do que ocorre com os n umeros reais, quando
multiplicamos matrizes, o produto pode ser a matriz nula, sem que qualquer
dos fatores seja a matriz nula.
Exemplo 23
Vamos calcular AB, sendo A =
_
1 2
3 4
_
e B =
_
2 1
3/2 1/2
_
.
Temos que AB =
_
2 + 3 1 1
6 + 6 3 2
_
=
_
1 0
0 1
_
= I
2
.
Quando isso ocorre, isto e, quando o produto de duas matrizes A e
B quadradas, e a identidade (obviamente, de mesma ordem das matrizes),
dizemos que A e inversvel e que B e a sua inversa. Uma matriz inversvel
Matrizes inversveis tambem
s ao chamadas de invertveis
ou de n ao-singulares.
sempre comuta com sua inversa. Voce pode vericar isso, calculando BA. Na
pr oxima aula, estudaremos um metodo bastante eciente para determinar,
caso exista, a matriz inversa de uma matriz dada.
Propriedades da multiplica cao de matrizes
i (AB)C = A(BC), A M
mn
(R), B M
np
(R), C M
pq
(R).
Isto e, a multiplica c ao de matrizes e associativa.
De fato, sejam A = (a
ij
), B = (b
jk
) e C = (c
kl
). O termo de ndices
ik da matriz AB e dado pela express ao

n
j=1
a
ij
b
jk
. Ent ao o termo
CEDERJ
32
Opera c oes com matrizes: multiplica cao
M

ODULO 1 - AULA 3
de ndices il da matriz (AB)C e dado por

p
k=1
_

n
j=1
a
ij
b
jk
_
c
kl
=

n
j=1
a
ij
(

p
k=1
b
jk
c
kl
), que e o termo de ndices il da matriz A(BC),
pois

p
k=1
b
jk
c
kl
e o termo de ndices jl da matriz BC. Logo, (AB)C =
A(BC).
ii A(B + C) = AB + AC, A M
mn
(R), B, C M
np
(R).
Isto e, a multiplica c ao de matrizes e distributiva em rela c ao ` a adi c ao
de matrizes.
De fato, sejam A = (a
ij
), B = (b
jk
) e C = (c
jk
). O termo de ndices jk
de B+C e dado por (b
jk
+c
jk
). Ent ao o de ndices ik da matriz A(B+
C) e

n
j=1
a
ij
(b
jk
+ c
jk
) =

n
j=1
[(a
ij
b
jk
) + (a
ij
c
jk
)] =

n
j=1
(a
ij
b
jk
) +

n
j=1
(a
ij
c
jk
), que e o termo de ndices ik da matriz dada por AB+AC.
Isto e, A(B + C) = AB + AC.
De forma an aloga, prova-se que (A+ B)C = AC + BC.
iii (AB) = (A)B = A(B), R, A M
mn
(R), B M
np
(R).
De fato, sejam A = (a
ij
) e B = (b
jk
). O termo de ndices ik de (AB)
e dado por
_

n
j=1
a
ij
b
jk
_
=

n
j=1
(a
ij
b
jk
) =

n
j=1
(a
ij
)b
jk
, que e
o termo de ndices ik de (A)B. Isto e, (AB) = (A)B. De forma
an aloga, prova-se que (AB) = A(B). Logo, (AB) = (A)B =
A(B).
iv Dada A M
mn
(R), I
m
A = AI
n
= A.
De fato, sejam A = (a
ij
) e I
m
=
ij
, onde
ij
=
_
1, se i = j
0, se i = j
. Ent ao A fun c ao
ij
assim denida e
chamada delta de Kronecker
nos ndices i e j.
o termo de ndices ij de I
m
A e dado por

n
k=1

ik
a
kj
=
i1
a
1j
+
i2
a
2j
+
... +
ii
a
ij
+... +
in
a
nj
= 0.a
1j
+0.a
2j
+... +1.a
ij
+... +0a
nj
= a
ij
, que
e o termo de ndices ij de A. Logo, I
m
A = A. Analogamente, prova-se
que AI
n
= A. Isto e, I
m
A = AI
n
= A.
v Dadas A M
mn
(R), B M
np
(R), (AB)
T
= B
T
A
T
.
De fato, sejam A = (a
ij
) e B = (b
jk
). O termo de ndices ik de
AB e dado por

n
j=1
a
ij
b
jk
, que e, tambem, o termo de ndices ki da
33
CEDERJ
Opera c oes com matrizes: multiplica cao
matriz (AB)
T
. Sendo B
T
= (b

kj
) e A
T
= (a

ji
), onde b

kj
= b
jk
e
a

ji
= a
ij
, i = 1, ..., m; j = 1, ..., n, podemos escrever

n
j=1
a
ij
b
jk
=

n
j=1
b

kj
a

ji
, que e o termo de ndices ki da matriz B
T
A
T
. Logo,
(AB)
T
= B
T
A
T
.
Potencias de matrizes
Quando multiplicamos um n umero real por ele mesmo, efetuamos uma
potencia c ao. Se a e um n umero real, indicamos por a
n
o produto aa...a,
onde consideramos n fatores iguais a a.
Analogamente, quando lidamos com matrizes, denimos a potencia de
expoente n (ou a n-esima potencia) de uma matriz quadrada A como sendo
o produto AA... A, onde h a n fatores iguais a A.
Exemplo 24
Dada
A =
_
5 4
3 1
_
, temos
A
2
= AA =
_
5 4
3 1
__
5 4
3 1
_
=
_
13 24
18 11
_
e
A
3
= A
2
A =
_
13 24
18 11
__
5 4
3 1
_
=
_
7 76
57 83
_
Quando calculamos sucessivas potencias de uma matriz, podem ocorrer
os seguintes casos especiais:
A
n
= A, para algum n natural.
Nesse caso, dizemos que a matriz A e peri odica. Se p e o menor natural
para o qual A
p
= A, dizemos que A e peri odica de perodo p. Particu-
larmente, se p = 2, a matriz A e chamada idempotente.
A
n
= O, para algum n natural.
Nesse caso, dizemos que a matriz A e nihilpotente. Se p e o menor Le-se nilpotente. A palavra
nihil signica nada, em latim.
natural para o qual A
p
= O, a matriz A e dita ser nihilpotente de
ndice p.
Exemplo 25
Efetuando a multiplica c ao de A por ela mesma, voce poder a constatar que a
matriz A, em cada caso, e idempotente:
CEDERJ
34
Opera c oes com matrizes: multiplica cao
M

ODULO 1 - AULA 3
A =
_
1/2 1/2
1/2 1/2
_
A =
_
0 5
0 1
_
.
Exemplo 26
Seja A =
_
5 1
25 5
_
. Calculando A
2
, temos AA =
_
5 1
25 5
__
5 1
25 5
_
=
_
0 0
0 0
_
. Ou seja, A e nihilpotente de ndice 2.
Resumo
Nesta aula vimos como multiplicar duas matrizes. Trata-se de uma
opera c ao que se distingue das que vimos anteriormente, tanto pela maneira
pouco intuitiva pela qual e denida, quanto pelo fato de n ao ser comuta-
tiva. Ela representa um papel muito importante no desenvolvimento de toda
a

Algebra Linear, permitindo, por exemplo, uma representa c ao simples da
composi c ao de fun c oes especiais, que estudaremos no M odulo 2. Alem disso,
fomos apresentados ` as matrizes inversveis e vimos que estas sempre comutam
com suas matrizes inversas.
Exerccios
1. Calcule AB, em cada caso abaixo:
(a) A =
_
1 2 4
5 0 1
_
, B =
_

_
2
6
10
_

_
(b) A =
_
4 6
2 3
_
, B =
_
2 0
1 4
_
(c) A =
_

_
3
1
2
_

_
, B =
_
6 5 3
_
35
CEDERJ
Opera c oes com matrizes: multiplica cao
2. Determine AB
T
2C, dadas A =
_

_
1 2
2 5
0 3
_

_
, B =
_

_
4 2
2 1
1 7
_

_
,
C =
_

_
7 9 1
6 4 2
8 10 3
_

_
.
3. Verique, em caso, se B e a matriz inversa de A:
a) A =
_
2 3
1 6
_
e B =
_
2/3 1/3
1/9 2/9
_
b) A =
_
1 5
3 2
_
e B =
_
6 5
1 1
_
4. Resolva a equa c ao matricial
_
3 1
2 5
__
a b
c d
_
=
_
5 15
8 7
_
.
5. Determine a e b para que as matrizes A =
_
2 3
9 5
_
e B =
_
a 1
3 b
_
comutem.
6. Determine todas as matrizes que comutam com A, em cada caso:
a) A =
_
1 2
4 5
_
b) A =
_
0 1
3 1
_
7. Dadas as matrizes A =
_
1 3
2 5
_
e B =
_
1 4
0 2
_
, calcule:
a) A
2
b) B
3
c) A
2
B
3
8. As matrizes A =
_

_
0 1 0
0 0 1
0 0 0
_

_
e B =
_
3 9
1 3
_
s ao nihilpotentes.
Determine o ndice de cada uma.
CEDERJ
36
Opera c oes com matrizes: multiplica cao
M

ODULO 1 - AULA 3
Auto-avalia cao

E muito importante que voce se sinta bem ` a vontade diante de duas ma-
trizes a multiplicar. Assimilada a deni c ao, repita os exemplos e os exerccios
que tenham deixado alguma d uvida. Caso haja alguma pendencia, n ao hesite
em contactar o tutor da disciplina.

E essencial que caminhemos juntos!! Ate
a pr oxima aula.
Respostas dos exerccios
1. a) AB =
_
30
70
_
b)AB =
_
14 24
7 12
_
c)AB =
_

_
18 15 9
6 5 3
12 10 6
_

_
.
2.
_

_
6 14 11
6 1 29
10 17 27
_

_
3. a) sim (pois AB = I
2
); b) n ao
4.
_
1 4
2 3
_
5. a = 1; b = 0
6. a)
_
x z/2
z x z
_
, x, z R b)
_
x y
3y x + y
_
, x, y R.
7. a)
_
5 18
12 19
_
b)
_
1 12
0 4
_
c)
_
1 28
0 8
_
8. a) 3; b) 2
37
CEDERJ
Opera c oes com matrizes: inversao
M

ODULO 1 - AULA 4
Aula 4 Opera c oes com matrizes: inversao
Objetivos
Obter a matriz inversa (caso exista), pela deni c ao;
Aplicar opera c oes elementares ` as linhas de uma matriz;
Obter a matriz inversa (caso exista), por opera c oes elementares;
Reconhecer matrizes ortogonais.
Na aula 3 vimos que, dada uma matriz A M
n
(R), se existe uma
matriz B M
n
(R), tal que AB = I
n
, a matriz A e dita inversvel e a matriz
B e a sua inversa, e podemos escrever B = A
1
. Uma matriz inversvel
sempre comuta com sua inversa; logo, se AB = I
n
ent ao BA = I
n
e A e a
inversa de B.
Dada uma matriz quadrada A, n ao sabemos se ela e ou n ao inversvel
ate procurar determinar sua inversa e isso n ao ser possvel. Para descobrir se
uma matriz e ou n ao inversvel e, em caso armativo, determinar sua inversa,
s o contamos, ate o momento, com a deni c ao. Assim, dada uma matriz A de
ordem n, escrevemos uma matriz tambem de ordem n, cujos elementos s ao
inc ognitas a determinar, de modo que o produto de ambas seja a identidade
de ordem n. Vamos a um exemplo:
Exemplo 27
Em cada caso, vamos determinar, caso exista, a matriz inversa de A:
1. A =
_
2 5
1 3
_
. Seja B =
_
x y
z t
_
a matriz inversa de inversa de A,
ent ao
AB = I
2

_
2 5
1 3
__
x y
z t
_
=
_
1 0
0 1
_

_
2x + 5z 2y + 5t
x + 3z y + 3t
_
=
_
1 0
0 1
_
Essa igualdade gera um sistema de 4 equa c oes e 4 inc ognitas:
_

_
2x + 5z = 1
2y + 5t = 0
x + 3z = 0
y + 3t = 1
39
CEDERJ
Opera c oes com matrizes: inversao
Note que esse sistema admite dois subsistemas de 2 equa c oes e 2 inc ognitas:
_
2x + 5z = 1
x + 3z = 0
e
_
2y + 5t = 0
y + 3t = 1
Resolvendo cada um deles, obtemos x = 3, y = 5, z = 1, t = 2.
Logo, a matriz A e inversvel e sua inversa e A
1
=
_
3 5
1 2
_
2. A =
_
6 3
8 4
_
. Procedendo com no item anterior, escrevemos:
A =
_
6 3
8 4
__
x y
z t
_
=
_
1 0
0 1
_

_
6x + 3z 6y + 3t
8x + 4z 8y + 4t
_
=
_
1 0
0 1
_
.
Obtemos ent ao os sistemas
_
6x + 3z = 1
8x + 4z = 0
e
_
6y + 3t = 1
8y + 4t = 1
Ao resolver esses sistemas, porem, vemos que n ao admitem solu c ao
(tente resolve-los, por qualquer metodo!). Conclumos, ent ao, que a
matriz A n ao e inversvel.
Voce viu que, ao tentar inverter uma matriz de ordem 2, recaimos em
dois sistemas, cada um de duas equa c oes e duas inc ognitas. Se a matriz
a ser invertida for de ordem 3, ent ao o problema recair a em tres sistemas,
cada um com tres equa c oes e tres inc ognitas. J a d a pra perceber o trabalho
que teramos para inverter uma matriz de ordem superior (nem precisamos
pensar numa ordem muito grande: para inverter uma matriz 5 5, teramos
que resolver 5 sistemas, cada um de 5 equa c oes e 5 inc ognitas!).
Temos, ent ao, que determinar uma outra maneira de abordar o pro-
blema. Isso ser a feito com o uso de opera c oes que ser ao realizadas com as
linhas da matriz a ser invertida. Essas opera c os tambem poderiam ser de-
nidas, de forma an aloga, sobre as colunas da matriz. Neste curso, como
s o usaremos opera c oes elementares aplicadas ` as linhas, n os nos referiremos a
elas, simplesmente, como opera c oes elementares (e n ao opera c oes elementares
sobre as linhas da matriz). Vamos ` a caracteriza c ao dessas opera c oes.
Opera c oes elementares
Dada A M
mn
(R), chamam-se opera c oes elementares as seguintes
a c oes:
CEDERJ
40
Opera c oes com matrizes: inversao
M

ODULO 1 - AULA 4
1. Permutar duas linhas de A.
Indicamos a troca das linhas L
i
e L
j
por L
i
L
j
.
2. Multiplicar uma linha de A por um n umero real n ao nulo.
Indicamos que multiplicamos a linha L
i
de A pelo n umero real escre-
vendo L
i
L
i
.
3. Somamos a uma linha de A uma outra linha, multiplicada por um
n umero real.
Indicamos que somamos ` a linha L
i
a linha L
j
multiplicada pelo n umero
real por: L
i
L
i
+ L
j
.
Exemplo 28
Vamos aplicar algumas opera c oes elementares ` as linhas da matriz A =
_

_
3 2 5
0 1 6
8 4 2
_

_
:
1.
_

_
3 2 5
0 1 6
8 4 2
_

_
L
1
L
3

_
8 4 2
0 1 6
3 2 5
_

_
2.
_

_
3 2 5
0 1 6
8 4 2
_

_ L
2
3L
2

_

_
3 2 5
0 3 18
8 4 2
_

_
3.
_

_
3 2 5
0 1 6
8 4 2
_

_ L
2
L
2
+ 2L
3

_

_
3 2 5
16 9 2
8 4 2
_

_
Consideremos o conjunto M
mn
(R). Se, ao aplicar uma seq uencia de
opera c oes elementares a uma matriz A, obtemos a matriz B, dizemos que B
e equivalente a A e indicamos por B A. Fica denida, assim, uma rela c ao
no conjunto M
mn
(R), que e:
1. reexiva: A A
2. simetrica: se A B ent ao B A
3. transitiva: se A B e B C ent ao A C
Isto e, a rela c ao e uma rela c ao de equivalencia no conjunto M
mn
(R).
Assim, se A B ou se B A podemos dizer, simplesmente, que A e B s ao
equivalentes.
41
CEDERJ
Opera c oes com matrizes: inversao
Lembremos que nosso objetivo e determinar um metodo para encontrar
a inversa de uma matriz, caso ela exista, que seja mais r apido e simples do
que o uso da deni c ao. Para isso, precisamos do seguinte resultado:
Teorema 1
Seja A M
n
(R). Ent ao A e inversvel se, e somente se, A I
n
. Se A e
inversvel, a mesma sucess ao de opera c oes elementares que transformam A
em I
n
, transformam I
n
na inversa de A.
Voce poder a encontrar a
demonstra c ao desse teorema
no livro

Algebra Linear e
Aplica c oes, de Carlos
Callioli, Hygino Domingues e
Roberto Costa, da Atual
Editora, (Apendice do
Captulo 1).
Este metodo permite determinar, durante sua aplica c ao, se a matriz e
ou n ao inversvel. A ideia e a seguinte:
1. Escrevemos, lado-a-lado, a matriz que queremos inverter e a matriz
identidade de mesma ordem, segundo o esquema:
A I
2. Por meio de alguma opera c ao elementar, obtemos o n umero 1 na posi c ao
11.
3. Usando a linha 1 como linha-piv o, obtemos zeros nas outras posi c oes
da coluna 1 (para isso, fazemos uso da terceira opera c ao elementar).
4. Por meio de uma opera c ao elementar, obtemos o n umero 1 na posi c ao
22.
5. Usando a linha 2 como linha-piv o, obtemos zeros nas outras posi c oes
da coluna 2 (para isso, fazemos uso da terceira opera c ao elementar).
6. Passamos para a terceira coluna e assim por diante.
7. Se, em alguma etapa do procedimento, uma linha toda se anula, po-
demos concluir que a matriz em quest ao n ao e inversvel - nesse caso,
nenhuma opera c ao elementar igualaria essa linha a uma linha da matriz
identidade!
8. Se chegarmos ` a matriz identidade, ent ao a matriz ` a direita, no esquema,
ser a a matriz inversa procurada.
Veja os dois exemplos a seguir:
CEDERJ
42
Opera c oes com matrizes: inversao
M

ODULO 1 - AULA 4
Exemplo 29
1.
A =
_

_
3 1 2
1 0 3
4 2 5
_

_
. Escrevemos na forma esquem atica:
3 1 2 | 1 0 0
1 0 3 | 0 1 0
4 2 5 | 0 0 1
L
2
L
2
3 1 2 | 1 0 0
1 0 3 | 0 1 0
4 2 5 | 0 0 1
L
1
L
2
1 0 3 | 0 1 0
3 1 2 | 1 0 0
4 2 5 | 0 0 1
L
2
L
2
3L
1
L
3
L
3
4L
1
1 0 3 | 0 1 0
0 1 11 | 1 3 0
0 2 7 | 0 4 1 L
3
L
3
2L
2
1 0 3 | 0 1 0
0 1 11 | 1 3 0
0 0 15 | 2 2 1 L
3

1
15
L
3
1 0 3 | 0 1 0
0 1 11 | 1 3 0
0 0 1 | 2/15 2/15 1/15
L
1
L
1
+ 3L
3
L
2
L
2
11L
3
1 0 0 | 6/15 9/15 3/15
0 1 0 | 7/15 23/15 11/15
0 0 1 | 2/15 2/15 1/15
Logo, a matriz A e inversvel e A
1
=
1
15
_

_
6 9 3
7 23 11
2 2 1
_

_
. Voce
poder a vericar que essa e, realmente, a inversa de A, efetuando a
multiplica c ao dela por A e constatando que o produto e I
3
.
2. A =
_

_
2 4 1
0 3 2
4 11 4
_

_
. Escrevendo na forma esquem atica:
2 4 1 | 1 0 0
0 3 2 | 0 1 0
4 11 4 | 0 0 1
L
1

1
2
L
1
43
CEDERJ
Opera c oes com matrizes: inversao
1 2 1/2 | 1/2 0 0
0 3 2 | 0 1 0
4 11 4 | 0 0 1 L
3
L
3
4L
1
1 2 1/2 | 1/2 0 0
0 3 2 | 0 1 0
0 3 2 | 2 0 1
L
2

1
3
L
2
1 2 1/2 | 1/2 0 0
0 1 2/3 | 0 1/3 0
0 3 2 | 2 0 1
L
1
L
1
2L
2
L
3
L
3
3L
2
1 2 1/2 | 1/2 0 0
0 1 2/3 | 0 1/3 0
0 0 0 | 2 1 1
Como a terceira linha se anulou, podemos parar o processo e concluir
que a matriz A n ao e inversvel.
Propriedades da inversao de matrizes
1. Se A M
n
(R) e inversvel, ent ao (A
1
)
1
= A
De fato, como A
1
A = I
n
, temos que A e a inversa de A
1
.
2. Se A, B M
n
(R) s ao inversveis, ent ao AB e inversvel e (AB)
1
=
B
1
A
1
.
De fato, temos (AB)(B
1
A
1
) = A(BB
1
)A
1
= AI
n
A
1
= AA
1
=
I
n
. Logo, B
1
A
1
e a inversa de AB.
3. Se A M
n
(R) e inversvel, ent ao (A
T
)
1
= (A
1
)
T
.
De fato, como A
T
(A
1
)
T
= (A
1
A)
T
= (I
n
)
T
= I
n
, temos que (A
1
)
T
e a inversa de A
T
.
Exemplo 30
Supondo as matrizes A e B inversveis, vamos obter a matriz X nas equa c oes
abaixo:
1. AX = B
Multiplicando os dois membros da igualdade, ` a esquerda, por A
1
,
temos:
A
1
(AX) = A
1
B
CEDERJ
44
Opera c oes com matrizes: inversao
M

ODULO 1 - AULA 4
ou:
(A
1
A)X = A
1
B,
IX = A
1
B
Logo, X = A
1
B.
2. (AX)
T
= B
Temos:
(AX)
T
= B [(AX)
T
]
T
= B
T
AX = B
T
A
1
(AX) =
A
1
B
T
(A
1
A)X = A
1
B
T
IX = A
1
B
T
X = A
1
B
T
.
Para nalizar esta aula, vamos denir um tipo especial de matriz qua-
drada inversvel, que e aquela cuja inversa coincide com sua transposta.
Matrizes ortogonais
Dizemos que uma matriz A M
n
(R), inversvel, e ortogonal, quando
A
1
= A
T
.
Para vericar se uma matriz A e ortogonal, multiplicamos A por A
T
e
vemos se o produto e a identidade.
Exemplo 31
A matriz
_
1/2

3/2

3/2 1/2
_
e ortogonal. De fato, multiplicando essa matriz
pela sua transposta, temos:
_
1/2

3/2

3/2 1/2
__
1/2

3/2

3/2 1/2
_
=
_
1 0
0 1
_
Veremos mais tarde que as matrizes ortogonais representam um pa-
pel importante na representa c ao de fun c oes especiais, chamadas operadores
ortogonais. Chegaremos l a!!!!
Resumo
O ponto central desta aula e inverter matrizes, quando isso e possvel.
Como a deni c ao, embora simples, n ao fornece um metodo pr atico para
a invers ao de matrizes, denimos as opera c oes elementares, que permitem
passar, gradativamente, da matriz inicial, a ser invertida, para outras,
numa sucess ao que nos leva ` a matriz identidade. Trata-se de um metodo
45
CEDERJ
Opera c oes com matrizes: inversao
r apido e eciente, que resolve tanto o problema de decidir se a inversa existe
ou n ao, como de obte-la, no caso de existir. Esse e o metodo implementado
pelos pacotescomputacionais - aqueles programas de computador que nos
d ao, em quest ao de segundos, a inversa de uma matriz.
Exerccios
1. Em cada caso, verique se a matriz B e a inversa de A.
(a) A =
_
3 4
2 3
_
e B =
_
3 4
2 3
_
(b) A =
_

_
7 3 28
2 1 8
0 0 1
_

_
e B =
_

_
1 3 4
2 7 0
0 0 1
_

_
(c) A =
_
1 3
1 4
_
e B =
_
4 3
1 1
_
2. Dadas A =
_
3 1
5 2
_
e B =
_
4 7
1 2
_
, determine: A
1
, B
1
e (AB)
1
.
3. Supondo as matrizes A, B e C inversveis, determine X em cada equa c ao.
(a) AXB = C
(b) AB = CX
(c) (AX)
1
B = BC
(d) [(AX)
1
B]
T
= C
4. Determine, caso exista, a inversa da matriz A, em cada caso:
(a) A =
_
3 2
1 4
_
(b) A =
_

_
1 2 3
10 6 10
4 5 2
_

_
(c) A =
_

_
2 0 0
4 1 0
2 3 1
_

_
CEDERJ
46
Opera c oes com matrizes: inversao
M

ODULO 1 - AULA 4
(d) A =
_

_
1 0 0 0
2 1 0 0
3 2 1 0
4 3 2 1
_

_
5. Que condi c oes R deve satisfazer para que a matriz
_

_
1 1 1
2 1 2
1 2
_

_
seja inversvel?
Auto-avalia cao
Voce dever a treinar bastante a aplica c ao do metodo estudado. Fa ca
todos os exerccios e, se possvel, resolva outros mais - voce mesmo(a) poder a
criar matrizes a inverter e descobrir se s ao ou n ao inversveis.

E f acil, ao nal
do processo, vericar se a matriz obtida e, de fato, a inversa procurada (isto
e, se n ao houve erros nas contas efetuadas): o produto dela pela matriz dada
tem que ser a identidade. Caso haja alguma d uvida, em rela c ao ` a teoria ou
aos exerccios, entre em contato com o tutor da disciplina.
47
CEDERJ
Opera c oes com matrizes: inversao
Respostas dos exerccios
1. (a) sim
(b) sim
(c) n ao
2. A
1
=
_
2 1
5 3
_
; B
1
=
_
2 7
1 4
_
; (AB)
1
=
_
39 23
22 13
_
.
3. (a) X = A
1
CB
1
(b) X = C
1
AB
(c) X = A
1
BC
1
B
1
(d) X = A
1
B(C
T
)
1
4. (a) A
1
=
_
2/7 1/7
1/14 3/14
_
(b) N ao existe a inversa de A
(c) A
1
=
_

_
1/2 0 0
2 1 0
7 3 1
_

_
(d) A
1
=
_

_
1 0 0 0
2 1 0 0
1 2 1 0
0 1 2 1
_

_
5. = 1
CEDERJ
48
Determinantes
M

ODULO 1 - AULA 5
Aula 5 Determinantes
Objetivo
Calcular determinantes pelo metodo da triangulariza c ao.
Pre-requisitos: Aulas 1 a 4.
Determinante e um n umero associado a uma matriz quadrada. Como
estamos lidando, neste curso, apenas com matrizes reais, os determinantes
que calcularemos ser ao todos n umeros reais. Os determinantes tem in umeras
aplica c oes, na Matem atica e em outras areas. Veremos, por exemplo, que o
determinante fornece uma informa c ao segura a respeito da inversibilidade ou
n ao de uma matriz. A enfase desta aula est a na aplica c ao de um metodo
r apido para calcular determinantes, fazendo uso de algumas das suas pro-
priedades e de opera c oes elementares, j a estudadas na Aula 4. Antes, porem,
de nos convencermos de quanto o metodo que estudaremos e mais eciente
do que o uso direto da deni c ao, vamos recordar a deni c ao de determinante,
devida a Laplace.
Determinante
Dada uma matriz A = (a
ij
) M
n
(R), representamos o determinante
de A por det A ou escrevendo os elementos de A limitados por barras simples:
Se A =
_

_
a
11
a
12
... a
1n
a
21
a
22
... a
2n
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
a
n1,1
a
n1,2
... a
n1,n
a
n1
a
n2
... a
nn
_

_
,
representamos o determinante de A por:
det
_

_
a
11
a
12
... a
1n
a
21
a
22
... a
2n
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
a
n1,1
a
n1,2
... a
n1,n
a
n1
a
n2
... a
nn
_

_
ou

a
11
a
12
... a
1n
a
21
a
22
... a
2n
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
a
n1,1
a
n1,2
... a
n1,n
a
n1
a
n2
... a
nn

.
A deni c ao de determinante e dada de maneira recorrente, em rela c ao
` a ordem da matriz. Assim, denimos o determinante de ordem 1, a seguir,
49
CEDERJ
Determinantes
o de ordem 2 e, a partir da ordem 3, recamos em c alculos de determinantes
de ordens menores. Vamos ver como isso e feito:
Seja A = (a
ij
) M
n
(R).
n=1
Neste caso, A = [a
11
] e det A = a
11
.
n=2 Note que o determinante de
uma matriz de ordem 2 e a
diferen ca entre o produto dos
termos da diagonal principal
e o produto dos termos da
diagonal secund aria. Esses
produtos se chamam, respec-
tivamente, termo principal e
termo secund ario da matriz.
Neste caso, A =
_
a
11
a
12
a
21
a
22
_
e seu determinante e dado por:
det A = a
11
a
22
a
12
a
21
Exemplo 32
Vamos calcular os determinantes das matrizes abaixo:
1. A =
_
3 4
6 8
_
det A = 3.8 4.6 = 24 24 = 0
2. A =
_
2 5
3 4
_
det A = 8 (15) = 23
3. A =
_
sen cos
cos sen
_
det A = sen
2
+ cos
2
= 1
4. A =
_
6 4
3 1
_
det A = 6 12 = 6
n=3
Seja A =
_

_
a
11
a
12
a
13
a
21
a
22
a
23
a
31
a
32
a
33
_

_
. Neste caso, escolhemos uma linha (ou
uma coluna) para desenvolver o determinante.
Desenvolvendo o determinante pela 1
a.
linha, obtemos:
det A = a
11
.(1)
1+1
.

a
22
a
23
a
32
a
33

+a
12
.(1)
1+2
.

a
21
a
23
a
31
a
33

+a
13
.(1)
1+3
.

a
21
a
22
a
31
a
32

.
CEDERJ
50
Determinantes
M

ODULO 1 - AULA 5
Exemplo 33
det
_

_
2 5 3
0 4 5
3 1 2
_

_
= 2(1)
1+1

4 5
1 2

+ 5(1)
1+2

0 5
3 2

+ (3)(1)
1+3

0 4
3 1

= 2(8 5) 5(0 15) 3(0 12) = 85 .


Observa cao: Existe uma regra pr atica para o c alculo do determinante de
ordem 3, conhecida como Regra de Sarrus. Ela arma que: Le-se Sarr.

a
11
a
12
a
13
a
21
a
22
a
23
a
31
a
32
a
33

=
= (a
11
a
22
a
33
+ a
12
a
23
a
31
+ a
13
a
21
a
32
) (a
13
a
22
a
31
+ a
11
a
23
a
32
+ a
12
a
21
a
33
).
Desenvolvendo os produtos indicados na deni c ao de determinante de
ordem 3, voce poder a ver que as express oes coincidem.
Exemplo 34
Vamos calcular, novamente, o determinante do exemplo anterior, agora usando
a Regra de Sarrus:

2 5 3
0 4 5
3 1 2

= [2.4.(2)+(5.5.3)+(3.0.1)][(3.4.3)+(2.5.1)+(5.0.(2))] =
= (16 + 75) (36 + 10) = 85.
n=4
Seja A =
_

_
a
11
a
12
a
13
a
14
a
21
a
22
a
23
a
24
a
31
a
32
a
33
a
34
a
41
a
42
a
43
a
44
_

_
.
Desenvolvendo o determinante pela 1
a.
linha, obtemos:
51
CEDERJ
Determinantes
det A = a
11
.(1)
1+1
. det A
1,1
+
a
12
.(1)
1+2
. det A
1,2
+
a
13
.(1)
1+3
. det A
1,3
+
a
14
.(1)
1+4
. det A
1,4
,
onde A
i,j
representa a matriz obtida a partir de A, com a retirada da
i-esima linha e da j-esima coluna. Observe que recamos no c alculo de 4
determinantes, cada um de ordem 3.
Para n = 5, a deni c ao e an aloga: iremos recair no c alculo de 5 de-
terminantes, cada um de ordem 4. Logo, teremos que calcular 5 4 = 20
determinantes de ordem 3. Como voce pode ver, os c alculos envolvidos na
Um determinante de ordem
10 exige a realiza c ao de
9.234.099 opera c oes!
obten c ao de determinantes crescem rapidamente, ` a medida que a ordem do
determinante aumenta.
Temos, ent ao, que encontar um metodo alternativo para calcular deter-
minantes: a deni c ao n ao fornece uma sada r apida para isso. Antes, porem,
de estudarmos um metodo mais eciente para aplicar, usando as proprie-
dades dos determinantes e, mais uma vez, opera c oes elementares, damos a
deni c ao do determinante de ordem n, desenvolvido pela i-esima linha:
det
_

_
a
11
a
12
... a
1n
a
21
a
22
... a
2n
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
a
n1,1
a
n1,2
... a
n1,n
a
n1
a
n2
... a
nn
_

_
=
n

j=1
a
ij
(1)
i+j
. det A
i,j
Propriedades dos determinantes
Na medida do possvel, daremos uma ideia da demonstra c ao dessas pro-
priedades. Para vericar a validade de cada uma delas, precisaramos denir
determinantes pelo uso de permuta c oes, o que alongaria demais a nossa aula.
Caso voce tenha interesse em conhecer essa abordagem, ir a encontr a-la em

Algebra Linear e Aplica c oes, de Carlos Callioli, Hygino Domingues e Roberto


Costa.
D1 O determinante de uma matriz e unico. Isto e, n ao importa por qual
linha ou coluna o determinante seja desenvolvido, o resultado nal e sempre
o mesmo.
CEDERJ
52
Determinantes
M

ODULO 1 - AULA 5
D2 Dada A M
n
(R), det A = det A
T
Em palavras: o determinante da transposta e igual ao determinante da
matriz.
De fato, a express ao do determinante de A, desenvolvido pela i-esima
linha, coincidir a, termo a termo, com a express ao de det A
T
, desenvolvido
pela i-esima coluna.
D3 Se A M
n
(R) possui uma linha (ou uma coluna) nula, ent ao det A = 0.
De fato, basta desenvolver det A por essa linha (ou coluna) nula.
D4 Se escrevemos cada elemento de uma linha (ou coluna) de A M
n
(R)
como soma de 2 parcelas, ent ao det A e a soma de dois determinantes de
ordem n, cada um considerando como elemento daquela linha (ou coluna)
uma das parcelas, e repetindo as demais linhas (ou colunas).
D5 O determinante de uma matriz triangular e o seu termo principal. Lembrando: o termo princi-
pal de uma matriz quadrada
e o produto dos elementos de
sua diagonal principal.
D6 Se multiplicamos uma linha (ou coluna) de A M
n
(R) por um n umero
real , o determinante de A ca multiplicado por .
D7 Se permutamos duas linhas (ou colunas) de A M
n
(R), ent ao o deter-
minante de A ca multiplicado por 1.
D8 Se A M
n
(R) tem duas linhas (ou colunas) iguais ent ao det A = 0.
D9 Se A M
n
(R) possui uma linha (ou coluna) que e soma de m ultiplos de
outras linhas (ou colunas), ent ao det A = 0.
D10 Se somamos a uma linha (ou coluna) de A M
n
(R) um m ultiplo de
outra linha (ou coluna), o determinante de A n ao se altera.
D11 Se A, B M
n
(R), ent ao det(AB) = det A. det B.
D12 Se A M
n
(R) e inversvel, ent ao det A
1
= (det A)
1
.
De fato, se A e inversvel, existe A
1
tal que A.A
1
= I.
Ent ao det(A.A
1
) = det I.
Pela propriedade D11, det A. det A
1
= det I, e pela propriedade D5,
temos que det I = 1. Logo, det A
1
=
1
det A
= (det A)
1
.
Uma conclus ao importante pode ser tirada a partir da propriedade D12:
uma matriz e inversvel se, e somente se, seu determinante e diferente de zero.
Destaquemos esse resultado:
Seja A M
n
(R).
A e inversvel det A = 0
53
CEDERJ
Determinantes
D13 Se A M
n
(R) e ortogonal, ent ao det A
1
= 1 ou 1.
De fato, se A e ortogonal, A
1
= A
T
. Pela propriedade D2, det A =
det A
T
= det A
1
. Ent ao, pela propriedade D12, det A. det A
1
= 1
det A. det A
T
= 1 det A. det A = 1 (det A)
2
= 1 det A = 1.
Calculo de determinantes por triangulariza cao
Observe o que diz a propriedade D5. Calcular o determinante de uma
matriz triangular e, praticamente, imediato. Dado um determinante, a ideia,
ent ao, e aplicar opera c oes elementares sobre suas linhas, de modo a triangula-
riz a-lo. Para isso, temos que observar os efeitos que cada opera c ao elementar
pode ou n ao causar no valor do determinante procurado. Vejamos:
1. Permutar duas linhas.
Pela propriedade D7, essa opera c ao troca o sinal do determinante.
2. Multiplicar uma linha por um n umero real n ao nulo.
A propriedade D6 nos diz que essa opera c ao multiplica o determinante
por .
3. Somar a uma linha um m ultiplo de outra.
Pela propriedade D10, essa opera c ao n ao altera o determinante.
Diante disso, para triangularizar um determinante, basta que quemos
atentos para compensarpossveis altera c oes provocadas pelas opera c oes ele-
mentares utilizadas. Vamos a um exemplo.
Exemplo 35
Calcular, por triangulariza c ao, det
_

_
2 5 1 3
0 1 4 2
6 2 5 1
1 3 3 0
_

_
.

2 5 1 3
0 1 4 2
6 2 5 1
1 3 3 0

L
1
L
4
=

1 3 3 0
0 1 4 2
6 2 5 1
2 5 1 3

L
3
L
3
6L
1
L
4
L
4
2L
1
=
=

1 3 3 0
0 1 4 2
0 20 23 1
0 1 7 3

L
3
L
3
20L
2
L
4
L
4
L
2
=

1 3 3 0
0 1 4 2
0 0 57 39
0 0 3 1

L
3
1/57L
3
=
CEDERJ
54
Determinantes
M

ODULO 1 - AULA 5
= (57)

1 3 3 0
0 1 4 2
0 0 1 39/57
0 0 3 1

L
4
L
4
3L
3
= (57)

1 3 3 0
0 1 4 2
0 0 1 39/57
0 0 0 20/19

=
= (57).1.(1).1.(20/19) = 60.
Observa c oes.
1. N ao h a uma unica maneira de se triangularizar um determinante: as
opera c oes elementares escolhidas podem diferir, mas o resultado e unico.
2. O metodo de triangulariza c ao e algortmico, ou seja, e constitudo de
um n umero nito de passos simples: a cada coluna, da primeira ` a
pen ultima, devemos obter zeros nas posi c oes abaixo da diagonal prin-
cipal.
Calcule o determinante do pr oximo exemplo e compare com a nossa
resolu c ao: dicilmente voce optar a pela mesma seq uencia de opera c oes ele-
mentares, mas (se todos tivermos acertado!) o resultado ser a o mesmo.
Exemplo 36
Vamos calcular

2 4 8
5 4 6
3 0 2

por triangulariza c ao:

2 4 8
5 4 6
3 0 2

L
1

1
2
L
1
= 2

1 2 4
5 4 6
3 0 2

L
2
L
2
5L
1
L
3
L
3
+3L
1
=
= 2

1 2 4
0 14 14
0 6 14

L
2

1
14
L
2
= 2.14

1 2 4
0 1 1
0 6 14

L
3
L
3
+6L
2
=
= 2.14

1 2 4
0 1 1
0 0 8

= 2.14.1.1.8 = 224.
Exemplo 37
Vamos aplicar as propriedades estudadas nesta aula para dar os determinan-
tes de A
T
, A
1
e 3A, sabendo que A e uma matriz quadrada inversvel de
ordem 2 e que det A = D.
1. det A
T
= D, pois o determinante da matriz transposta e igual ao de-
terminante da matriz dada.
55
CEDERJ
Determinantes
2. det A
1
=
1
D
, pois o determinante da matriz inversa e o inverso do
determinante da matriz dada.
3. det 3A = 3
2
D = 9D, pois A possui 2 linhas e cada linha multiplicada
por 3 implica multiplicar o determinante por 3.
Exemplo 38
Determine x tal que

2x x + 2
4 x

= 14
Temos 2x.x(4)(x+2) = 14 2x
2
+4x6 = 0 x = 1 ou x = 3.
Exemplo 39
Determine x para que a matriz A =
_
x 1
20 x x
_
seja inversvel.
Sabemos que A e inversvel se, e somente se, det A = 0. Queremos,
ent ao, x
2
(20 x) = 0 x
2
+ x 20 = 0 x = 4 e x = 5.
Resumo
Nesta aula recordamos a deni c ao de determinante e vimos que n ao
se trata de um metodo pr atico para calcular determinantes de ordens al-
tas. Vimos as propriedades dos determinantes e, com o uso de quatro delas,
pudemos facilitar o c alculo de determinantes, aplicando opera c oes elementa-
res e transformandoo determinante original num triangular. Tal metodo,
chamado triangulariza c ao, permite que determinantes de ordens altas sejam
obtidos sem que tenhamos que recair numa seq uencia enorme de determinan-
tes de ordens menores a serem calculados. Veja que esta aula n ao apresentou
nenhuma grande novidade em termos de teoria: foi uma aula mais pr atica,
que apresentou uma tecnica util de c alculo.
Exerccios
1. Calcule, por triangulariza c ao, os seguintes determinantes:
a)

3 2 4
1 0 2
5 6 2

b)

2 3 1 7
2 3 0 4
1 5 4 3
2 4 5 0

c)

10 2 6
2 1 6
5 4 2

CEDERJ
56
Determinantes
M

ODULO 1 - AULA 5
2. Dada A M
n
(R), tal que det A = D, determine:
a) det A
T
b) det A
1
c) det 2A
3. Seja det A =
_

_
a b c
d e f
g h i
_

_
= 10. Calcule, usando as propriedades dos
determinantes:
a)

a b c
d e f
g h i

b)

a b c
g h i
d e f

c)

a b c
d/2 e/2 f/2
g h i

d)

a d g
b e h
c f i

e)

2a 2b 2c
g h i
d e f

f)

a b c
g + d h + e i + f
d e f

4. Calcule x para que

x + 2 2 x
4 0 5
6 2x x

= 14
5. Sejam A, B M
n
(R) tais que det A = 4 e det B = 5. Determine:
a) det AB
b) det 3A
c) det(AB)
1
d) det(A)
e) det A
1
B
6. Determine x para que a matriz A =
_
x x + 2
1 x
_
seja inversvel.
57
CEDERJ
Determinantes
Auto-avalia cao
Voce deve estar bem treinado para calcular determinantes pelo metodo
da triangulariza c ao. Veja que se trata de um c alculo ingrato: n ao h a como
vericar se estamos certos, a n ao ser refazendo e comparando os resultados.
Por isso, embora se trate de uma tecnica simples, algortmica, exige aten c ao.
Caso voce tenha sentido d uvidas, procure o tutor da disciplina.
Respostas dos exerccios
1. a) 84 b)1.099 c) 266
2. a)D b)1/D c)2
n
.D
3. a) 10 b) 10 c)5 d)10 e) 20 f)10
4. x = 1 ou x =
23
9
5. Sejam A, B M
n
(R) tais que det A = 4 e det B = 5. Determine:
a) det AB = det A. det B = 4 5 = 20
b) det 3A = 3
4
. det A = 3
n
4 = 4.3
n
c) det(AB)
1
= [det(AB)]
1
= 20
1
= 1/20
d) det(A) = (1)
n
4 (ser a 4, se n for par e -4, se n for mpar)
e) det A
1
B = det A
1
. det B = 1/4 5 = 5/4
6. x = 1 e x = 2
CEDERJ
58
Sistemas lineares
M

ODULO 1 - AULA 6
Aula 6 Sistemas lineares
Objetivo
Resolver e classicar sistemas lineares, usando o metodo do escalonamento. Pre-requisitos: Aulas 1 a 4.
Grande parte dos problemas estudados em

Algebra Linear recaem na
resolu c ao ou discuss ao de sistemas de equa c oes lineares. O mesmo acon-
tece com muitos problemas das demais areas da Matem atica, da Fsica e
da Engenharia. Voce, com certeza, j a tomou conhecimento de diferentes
tecnicas de resolu c ao desses sistemas - substitui c ao, adi c ao, compara c ao, en-
tre outras. Nesta aula e na pr oxima estudaremos um metodo que permite
um tratamento eciente de sistemas de equa c oes lineares, seja para obter
seu conjunto-solu c ao, seja para classic a-lo ou mesmo para impor condi c oes
quanto ` a existencia ou quantidade de solu c oes.
Equa c oes lineares
Uma equa c ao linear e uma equa c ao do tipo
Uma equa c ao e uma
senten ca matem atica aberta,
isto e, com vari aveis, onde
duas express oes s ao ligadas
pelo sinal =.
Ex: 2x 1 = 0; x
2
2x = 6
etc.
a
1
x
1
+ a
2
x
2
+ ... + a
n
x
n
= b
Isto e, trata-se de uma equa c ao na qual cada termo tem grau, no
m aximo, igual a 1. Os elementos de uma equa c ao linear s ao:
O grau de um termo - ou
mon omio - e a soma dos
expoentes das vari aveis.
Ex: xy tem grau 2; x
2
y
3
tem
grau 5; 16 tem grau zero.
vari aveis (ou inc ognitas): x
1
, ..., x
n
coecientes: a
1
, ..., a
n
R
termo independente: b R
Exemplo 40
S ao equa c oes lineares:
3x
1
2x
2
+ 17 = 0
2x 3y + 4z = 1
4a 5b + 4c d = 10
x = 2
S ao equa c oes n ao-lineares:
59
CEDERJ
Sistemas lineares
x
2
5x + 6 = 0
3xy x + 4 = 0
2

x 3y = 1

3
x
9 = 0
Uma solu c ao de uma equa c ao com n vari aveis e uma n-upla ordenada de
n umeros reais os quais, quando substitudos no lugar das vari aveis respectivas
na equa c ao, fornecem uma senten ca matem atica verdadeira.
Resolver uma equa c ao e encontrar o conjunto de todas as suas solu c oes,
chamado conjunto-solu c ao da equa c ao.
Exemplo 41
1. O par ordenado (3, 2) e uma solu c ao da equa c ao (n ao linear) x
2
4y = 1,
pois 3
2
4(2) = 9 8 = 1.
2. O conjunto-solu c ao da equa c ao linear 3x 1 = 5 e {2}.
3. A equa c ao linear x + y = 10 possui innitas solu c oes. Os pares orde-
nados (2, 8), (3, 13), (0, 10), (1/5, 49/5) s ao apenas algumas delas.
Sistemas de equa c oes lineares
Um sistema de equa c oes lineares (ou, simplesmente, um sistema linear)
e um conjunto de equa c oes lineares que devem ser resolvidas simultanea-
mente. Isto e, uma solu c ao do sistema e solu c ao de cada equa c ao linear que
o comp oe. Resolver um sistema de equa c oes lineares e determinar o conjunto
formado por todas as suas solu c oes, chamado conjunto-solu c ao do sistema.
Um sistema linear, com m equa c oes e n inc ognitas, tem a seguinte
forma:
_

_
a
11
x
1
+ a
12
x
2
+ ... + a
1n
x
n
= b
1
a
21
x
1
+ a
22
x
2
+ ... + a
2n
x
n
= b
2
.
.
.
a
m1
x
1
+ a
m2
x
2
+ ... + a
mn
x
n
= b
m
Exemplo 42
S ao sistemas de equa c oes lineares:
CEDERJ
60
Sistemas lineares
M

ODULO 1 - AULA 6
_
2x y = 3
4x + 5y = 0
_

_
x + 2y 3z = 1
2x + 5y z = 5
3x 6y = 10
4x y + 2z = 1
_

_
2a 3b = 1
a + b = 5
5a 2b = 8
_
x
1
2x
2
+ 5x
3
= 0
2x
1
+ x
2
= 2
Classica cao de um sistema linear quanto `a solu cao
Um sistema linear pode ter ou n ao solu c ao. Se tem solu c ao, pode ter
uma s o ou mais de uma. Podemos, ent ao, classicar um sistema linear,
quanto ` a existencia e quantidade de solu c oes, em tres tipos:
Compatvel (ou possvel) e determinado: quando possui uma unica
solu c ao.
Compatvel e indeterminado: quando possui mais de uma solu c ao.
Incompatvel (ou impossvel): quando n ao possui solu c ao.
Podemos pensar num sistema de equa c oes lineares como sendo um con-
junto de perguntas a responder (qual o valor de cada inc ognita?). Cada
equa c ao fornece uma informa c ao, uma dicaa respeito dessas inc ognitas. Se
tivermos informa c oes coerentes e em quantidade suciente, encontraremos
uma solu c ao, que ser a unica. Se essas informa c oes forem coerentes entre si,
mas em quantidade insuciente, n ao conseguiremos determinar, uma-a-uma,
cada solu c ao, mas poderemos caracterizar o conjunto delas. Finalmente, se
as informa c oes n ao forem coerentes entre si, ou seja, se forem incompatveis,
o sistema n ao ter a solu c ao. Resolver um sistema e um
pouco como brincar de dete-
tive...
Exemplo 43
Sem ter que aplicar regras de resolu c ao, podemos ver que
1. O sistema
_
x + y = 3
x y = 1
possui uma unica solu c ao: o par (2, 1);
2. O sistema
_
x + y = 3
2x + 2y = 6
possui mais de uma solu c ao;
os pares (1, 2), (0, 3), (3, 0), (2, 1), (3/2, 3/2) s ao algumas delas;
3. O sistema
_
x + y = 3
x + y = 4
n ao possui solu c ao (A soma de dois n umeros
reais e unica!).
61
CEDERJ
Sistemas lineares
Sistemas lineares homogeneos
Dizemos que um sistema linear e homogeneo quando os termos inde-
pendentes de todas as equa c oes que o comp oem s ao iguais a zero.
Exemplo 44
S ao sistemas lineares homogeneos:
_
2x 3y = 0
x + 5y = 0
_
3x
1
x
2
+ 7x
3
= 0
x
1
2x
2
+ 3x
3
= 0
_

_
2x 5y = 0
x + 5y = 0
x + 4y = 0
Observe que um sistema linear homogeneo em n inc ognitas sempre
admite a solu c ao
(0, 0, ..., 0)
. .
n elementos,
chamada solu c ao trivial. Logo, um sistema linear homogeneo e sempre com-
A solu c ao trivial tambem e
conhecida como solu c ao nula
ou ainda solu c ao impr opria.
patvel. Quando e determinado, possui somente a solu c ao trivial. Quando
e indeterminado, possui outras solu c oes, alem da trivial, chamadas (obvia-
mente!) solu c oes n ao-triviais.
J a e hora de resolvermos sistemas lineares. Dissemos, no incio da
aula, que faramos isso usando um metodo eciente. Esse metodo lida com
matrizes asociadas ao sistema a ser tratado. Vamos, ent ao, caracterizar essas
matrizes.
Matrizes associadas a um sistema linear
Dado um sistema linear com m equa c oes e n inc ognitas:
_

_
a
11
x
1
+ a
12
x
2
+ ... + a
1n
x
n
= b
1
a
21
x
1
+ a
22
x
2
+ ... + a
2n
x
n
= b
2
.
.
.
a
m1
x
1
+ a
m2
x
2
+ ... + a
mn
x
n
= b
m
destacamos as seguintes matrizes:
CEDERJ
62
Sistemas lineares
M

ODULO 1 - AULA 6
matriz (mn) dos coecientes:
_

_
a
11
a
12
... a
1n
a
21
a
22
... a
2n
.
.
.
.
.
.
.
.
.
.
.
.
a
m1
a
m2
... a
mn
_

_
matriz (ou vetor) (m1) dos termos independentes:
_

_
b
1
b
2
.
.
.
b
m
_

_
matriz aumentada (ou ampliada) (m(n + 1)) do sistema:
_

_
a
11
a
12
... a
1n
b
1
a
21
a
22
... a
2n
b
2
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
a
m1
a
m2
... a
mn
b
m
_

_
Exemplo 45
O sistema linear
_

_
2x 3y + 4z = 18
x + y 2z = 5
x + 3z = 4
possui
matriz de coecientes: matriz de termos independentes: matriz aumentada:
_

_
2 3 4
1 1 2
1 0 3
_

_
_

_
18
5
4
_

_
_

_
2 3 4 18
1 1 2 5
1 0 3 4
_

_
Resolu cao de sistemas lineares por escalonamento
Observe o sistema linear a seguir:
_

_
2x +y z = 3
+3y +z = 1
2z = 4
Note que, para resolve-lo, basta:
63
CEDERJ
Sistemas lineares
determinar o valor de z na terceira equa c ao
substituir o valor de z na segunda equa c ao e obter y
substituir y e z na primeira equa c ao e obter x
num processo chamado metodo das substitui c oes regressivas.
A resolu c ao do sistema cou bastante facilitada. Vejamos a matriz
aumentada desse sistema:
_

_
2 1 1 3
0 3 1 1
0 0 2 4
_

_
Observe que, a partir da segunda linha, o n umero de zeros iniciais sem-
pre aumenta. Quando isso acontece, dizemos que a matriz est a escalonada.
Sistemas com matrizes associadas na forma escalonada podem ser resolvidos
pelo metodo das substitui c oes regressivas, como vimos acima. O problema,
ent ao, e:
Dado um sistema linear, como transformar sua matriz associada em
uma escalonada?
E como fazer isso sem alterar seu conjunto-solu c ao?
Dizemos que dois sistemas lineares s ao equivalentes quando possuem o
mesmo conjunto-solu c ao. Nosso objetivo, portanto, e migrar de um sistema
para outro que lhe seja equivalente, e de resolu c ao mais simples.
N os j a estudamos, na aula 4, as opera c oes elementares que podemos
efetuar sobre as linhas de uma matriz. Vamos recordar quais s ao elas:
1. Permutar duas linhas.
Nota c ao: L
i
L
j
2. Multiplicar uma linha por um n umero real n ao nulo.
Nota c ao: L
i
L
i
3. Somar a uma linha um m ultiplo de uma outra.
Neste caso, dizemos que L
j
e
a linha piv o.
Nota c ao: L
i
L
i
+ L
j
Pode-se mostrar que:
Voce pode encontrar essas
passagens, em detalhes, no
livro

Algebra Linear e
Aplica c os, de Collioli,
Domingues e Costa, da
Atual Editora.
Seja S um sistema linear com matriz aumentada A. Se aplicamos ` as
linhas de A opera c oes elementares, obtemos uma matriz A

, tal que o sistema


linear S

, de matriz aumentada A

, e equivalente a S.
CEDERJ
64
Sistemas lineares
M

ODULO 1 - AULA 6
A ideia, ent ao e: dado um sistema S de matriz aumentada A, aplicar
opera c oes elementares ` as linhas de A, obtendo uma matriz escalonada A

, e
resolver o sistema associado S

, conforme mostra o esquema a seguir:


Sistema linear S
equivalentes
Sistema linear S


matriz A
opera c oes elementares
matriz escalonada A

Vamos ver uma serie de exemplos para voce se familiarizar com o


metodo. Em vez de, simplesmente, ler o exemplo, efetue cada opera c ao
elementar indicada, para depois comparar com a matriz apresentada na
seq uencia:
Exemplo 46
Vamos resolver, por escalonamento, o sistema linear
S :
_

_
x +2y +5z = 28
2x +3y z = 1
4y +z = 13
Vamos escrever a matriz aumentada desse sistema:
A =
_

_
1 2 5 28
2 3 1 1
0 4 1 13
_

_
Vamos obter zerosna primeira coluna, da segunda linha em diante.
Para isso, aplicaremos a terceira opera c ao elementar, usando a primeira linha
como piv o. Note que, neste caso, como o elemento da terceira linha j a e zero,
precisamos apenas obter zero na segunda linha. Para isso, vamos multiplicar
a primeira linha por 2 e somar o resultado com a segunda linha:
_

_
1 2 5 28
2 3 1 1
0 4 1 13
_

_
L
2
L
2
2L
1

_

_
1 2 5 28
0 1 11 57
0 4 1 13
_

_
Passemos, agora, para a segunda coluna (n ao usaremos mais a primeira
linha - ela est a pronta). Queremos obter zero abaixo da segunda linha.
Para isso, multiplicamos a segunda linha por 4 e somamos ` a terceira:
_

_
1 2 5 28
0 1 11 57
0 4 1 13
_

_
L
3
L
3
+ 4L
2

_

_
1 2 5 28
0 1 11 57
0 0 43 215
_

_
65
CEDERJ
Sistemas lineares
Pronto: a matriz est a escalonada. Vamos, agora, escrever o sistema S

,
associado a ela:
S

:
_

_
x +2y +5z = 28
y 11z = 57
43z = 215
Da terceira equa c ao, obtemos z = (215)/(43) = 5.
Substituindo na segunda, obtemos y = 2.
Finalmente, substituindo os valores j a obtidos na primeira equa c ao,
temos x = 1.
Como S

e S s ao sistemas lineares equivalentes, essa tambem e a solu c ao


do sistema S dado. Logo, o conjunto-solu c ao procurado e {(1, 2, 5)}. Alem
disso, podemos classicar o sistema S: ele e compatvel e determinado.
Exemplo 47
Vamos resolver o sistema linear:
S :
_

_
2x +y +5z = 1
x +3y +4z = 7
5y z = 15
x +2y +3z = 8
Sua matriz aumentada e:
_

_
2 1 5 1
1 3 4 7
0 5 1 15
1 2 3 8
_

_
Voce deve ter notado que, quando o elemento na linha piv o, na coluna
em que estamos trabalhando, e 1 (ou -1), os c alculos cam facilitados. Ent ao,
vamos aproveitar o fato de ter 1 na primeira posi c ao da segunda linha, e
permutar as linhas 1 e 2:
_

_
2 1 5 1
1 3 4 7
0 5 1 15
1 2 3 8
_

_
L
1
L
2

_

_
1 3 4 7
2 1 5 1
0 5 1 15
1 2 3 8
_

_
Vamos obter zeros na primeira coluna, abaixo da primeira linha, usando
a primeira linha como piv o:
CEDERJ
66
Sistemas lineares
M

ODULO 1 - AULA 6
_

_
1 3 4 7
2 1 5 1
0 5 1 15
1 2 3 8
_

_
L
2
L
2
2L
1

L
4
L
4
+ L
1
_

_
1 3 4 7
0 5 3 15
0 5 1 15
0 5 7 15
_

_
Passemos para a segunda coluna. Para obter 1 na posi c ao piv o, dividi-
mos toda a segunda linha por -5:
_

_
1 3 4 7
0 5 3 15
0 5 1 15
0 5 7 15
_

_
L
2
1/5L
2

_

_
1 3 4 7
0 1 3/5 3
0 5 1 15
0 5 7 15
_

_
Agora, usando a linha 2 como liha piv o, vamos obter zeros na segunda
coluna, abaixo da segunda linha:
_

_
1 3 4 7
0 1 3/5 3
0 5 1 15
0 5 7 15
_

L
3
L
3
5L
2
L
4
L
4
5L
2
_

_
1 3 4 7
0 1 3/5 3
0 0 4 0
0 0 4 0
_

_
Para nalizar o escalonamento, precisamos obter tres zeros inicias na
quarta linha, ou seja, obter um zero na posi c ao i = 4, j = 3. Nas passagens
acima, usamos a segunda opera c ao elementar par obter 1 na posi c ao piv o e,
com isso, ter os c alculos facilitados na obten c ao dos zeros. Devemos, porem,
estar atentos ` a posssveis vantagens que um sistema em particular pode ofere-
cer. Neste exemplo, se simplesmente somarmos a linha 3 ` a linha 4, j a obtere-
mos o zero procurado:
_

_
1 3 4 7
0 1 3/5 3
0 0 4 0
0 0 4 0
_

L
4
L
4
+ L
3
_

_
1 3 4 7
0 1 3/5 3
0 0 4 0
0 0 0 0
_

_
A matriz est a escalonada. Vamos escrever o sistema associado:
S

:
_

_
x +3y +4z = 7
y +3z/5 = 3
4z = 0
Resolvendo por substitui c oes regressivas, obtemos: z = 0, y = 3, x =
2. Logo, o sistema S e compatvel e determinado e seu conjunto-solu c ao e
{(2, 3, 0)}.
Exemplo 48
Vamos resolver o sistema linear S :
_

_
3a +2b +c +2d = 3
a 3c +2d = 1
a +5b +4c = 4
Acompanhe a seq uencia de opera c oes elementares que aplicremos para
67
CEDERJ
Sistemas lineares
escalonar a matriz aumentada de S:
_

_
3 2 1 2 3
1 0 3 2 1
1 5 4 0 4
_

_
L
1
L
3

_
1 0 3 2 1
3 2 1 2 3
1 5 4 0 4
_

_ L
2
L
2
3L
1

L
3
L
3
+ L
1

_
1 0 3 2 1
0 2 10 4 6
0 5 1 2 3
_

_
L
2
1/2L
2

_

_
1 0 3 2 1
0 1 5 2 3
0 5 1 2 3
_

L
3
L
3
5L
2

_
1 0 3 2 1
0 1 5 2 3
0 0 24 12 12
_

_
S

:
_

_
a 3c +2d = 1
b +5c 2d = 3
24c +12d = 12
Na terceira equa c ao, vamos escrever d em fun c ao de c : d = 1 + 2c.
Substituindo na segunda equa c ao, obtemos b = 1c. E na primeira equa c ao:
a = 1 c. Temos, neste caso, um sistema compatvel, porem indeterminado:
ele possui innitas solu c oes.
Fazendo c = k, seu conjunto-solu c ao e {(1k, 1k, k, 1+2k); k R}.
Exemplo 49
Vamos resolver o sistema S :
_

_
2x +y 3z = 3
x y +z = 1
3x +3y 7z = 2
_

_
2 1 3 3
1 1 1 1
3 3 7 2
_

_
L
1
L
2

_
1 1 1 1
2 1 3 3
3 3 7 2
_

_ L
2
L
2
2L
1

L
3
L
3
3L
1

_
1 1 1 1
0 3 5 1
0 6 10 1
_

_
L
3
L
3
2L
2
_

_
1 1 1 1
0 3 5 1
0 0 0 3
_

_
Observe que, ao escrever o sistema associado a essa matriz, a terceira
equa c ao ser a: 0x+0y+0z = 3, ou seja, 0 = 3, o que e falso, para quaisquer
valores de x, y e z. Logo, o sistema S e impossvel e seu conjunto-solu c ao e
.
Exemplo 50
Vamos resolver o sistema linear homogeneo S :
_

_
a b +c = 0
a +b = 0
2b c = 0
_

_
1 1 1 0
1 1 0 0
0 2 1 0
_

_ L
2
L
2
L
1
_

_
1 1 1 0
0 2 1 0
0 2 1 0
_

_
L
3
L
3
L
2
CEDERJ
68
Sistemas lineares
M

ODULO 1 - AULA 6
_

_
1 1 1 0
0 2 1 0
0 0 0 0
_

_
S

:
_
a b +c = 0
2b c = 0
O sistema e compatvel (TODO SISTEMA HOMOG

ENEO

E COM-
PAT

IVEL!!) e indeterminado. Resolvendo a segunda equa c ao para c, substi-


tuindo na primeira, e fazendo b = k, voce poder a conferir que o conjunto-
solu c ao e {(k, k, 2k)k R}.
Resumo
Nesta aula estudamos o metodo de escalonamento para resolver e clas-
sicar sistemas lineares. Trata-se de um metodo seguro, que revelaa estru-
tura do sistema, explicitando as redund ancias ou incongruencias das equa c oes.
Ap os o escalonamento, as equa c oes que n ao acrescentam informa c ao ao sis-
tema, tem seus termos todos anulados e auqelas que s ao incompatveis com as
demais se transformam numa senten ca matem atica falsa (algo como 0 = a,
com a diferente de zero). Continuaremos a usar esse metodo, na pr oxima
aula, para discutir sistemas lineares, isto e, para impor ou identicar condi c oes
sobre seu conjunto-solu c ao.
69
CEDERJ
Sistemas lineares
Exerccios
1. (Prov ao - MEC - 2001)
O n umero de solu c oes do sistema de equa c oes
_

_
x +y z = 1
2x +2y 2z = 2
5x +5y 5z = 7
e (A) 0 (B) 1 (C) 2 (D) 3 (E) innito
2. Classique e resolva os seguintes sistemas lineares:
a)
_

_
2x y = 7
3x +4y = 13
x +2y = 1
b)
_

_
3x y = 1
2y 5z = 11
z t = 1
x +y +z +t = 10
c)
_
2a b c = 4
a +b 2c = 1
d)
_

_
2x +y z = 6
x y +3z = 21
3x +2z = 15
e)
_

_
x y = 3
2x +3y = 16
x +2y = 9
5x 4y = 17
f)
_

_
x y = 3
2x +3y = 16
x +2y = 8
5x 4y = 17
g)
_

_
3x y +z = 0
x +y 2z = 0
5x 3y +4z = 0
h)
_

_
a +2b = 0
3a b = 0
5a +3b = 0
Auto-avalia cao
N ao se preocupe se voce ainda hesita sobre qual opera c ao linear usar,
no processo de escalonamento. A familiariza c ao vem com a pr atica. Se
necess ario, refa ca os exemplos e exerccios. Se sentir d uvidas, procure a
tutoria. Os sistemas lineares aparecer ao ao longo de todo o curso e e bom
que voce esteja agil no processo de escalonamento, para n ao perder muito
tempo com eles!!
CEDERJ
70
Sistemas lineares
M

ODULO 1 - AULA 6
Respostas dos exerccios
1. (A) 0 (Ao escalonar, conclumos que o sistema e incompatvel)
2. a) Sistema compatvel determinado. Conjunto-solu c ao = {(3, 1)}
b) Sistema compatvel determinado. Conjunto-solu c ao = {(1, 2, 3, 4)}
c) Sistema compatvel indeterminado.
Conjunto-solu c ao = {(1 + k, 2 + k, k); k R}
d) Sistema compatvel indeterminado.
Conjunto-solu c ao = {(5 2k/3, 16 + 7k/3, k); k R}
e) Sistema compatvel determinado. Conjunto-solu c ao = {(5, 2)}
f) Sistema incompatvel. Conjunto-solu c ao =
g) Sistema compatvel indeterminado.
Conjunto-solu c ao = {(k/4, 7k/4, k); k R}.
h) Sistema compatvel determinado. Conjunto-solu c ao = {(0, 0)}
71
CEDERJ
Discussao de sistemas lineares
M

ODULO 1 - AULA 7
Aula 7 Discussao de sistemas lineares
Objetivo
Discutir sistemas lineares, usando o metodo do escalonamento. Pre-requisito: Aula 6.
Discutir um sistema e analisar sob quais condi c oes ele admite solu c oes
e, quando estas existem, quantas s ao. Na aula passada vimos que, ao nal do
processo de escalonamento da matriz associada a um sistema linear, excluindo
as equa c oes do tipo 0 = 0, chegamos a uma entre tres situa c oes possveis:
1. Existe alguma equa c ao do tipo 0 = a, com a = 0. Isto e, uma equa c ao
impossvel de ser satisfeita.
Nesse caso, o sistema e incompatvel e, portanto, seu conjunto solu c ao
e vazio.
2. N ao h a equa c oes impossveis mas obtemos uma quantidade de equa c oes
menor do que o n umero de inc ognitas.
Nesse caso, o sistema e compatvel e indeterminado e seu conjunto-
solu c ao admite innitas solu c oes.
Pode-se provar que um
sistema linear que possui
mais de uma solu c ao possui,
de fato, innitas solu c oes.
Note que o mesmo pode n ao
ocorrer com um sistema n ao
linear. Por exemplo, o
sistema
(
x y = 0
x
2
= 4
possui exatamente duas
solu c oes, a saber, os pares
ordenados (2, 2) e (2, 2).
3. N ao h a equa c oes impossveis e obtemos uma quantidade de equa c oes
igual ao de inc ognitas.
Nesse caso, o sistema e compatvel e determinado e seu conjunto-
solu c ao e unit ario.
Nesta aula, iremos analisar sistemas lineares segundo os valores assu-
midos por par ametros presentes nas equa c oes, assim como impor valores a
esses par ametros para que uma desejada situa c ao ocorra.
A seguir, para formalizar os procedimentos explorados ao longo dos
exerccios, deniremos a caracterstica de uma matriz e apresentaremos o
Teorema de Rouche-Capelli.
Finalmente, veremos a Regra de Cramer, que se aplica a sistemas line-
ares com quantidade de equa c oes igual ` a de inc ognitas.
Acompanhe os exemplos a seguir.
Exemplo 51
Vamos discutir o o sistema
_

_
x + y + z = 6
x + 2y z = 4
x + 3z = a
, segundo os valores do
73
CEDERJ
Discussao de sistemas lineares
par ametro a.
Escalonando sua matriz aumentada, obtemos:
_

_
1 1 1 | 6
1 2 1 | 4
1 0 3 | a
_

_
1 1 1 | 6
0 1 2 | 10
0 1 2 | a 6
_

_
1 1 1 | 6
0 1 2 | 10
0 0 0 | a 16
_

_
Assim, o sistema dado e equivalente ao sistema
_

_
x + y + z = 6
y 2z = 10
0 = a 16
,
cuja terceira equa c ao s o ser a satisfeita se o segundo membro tambem for igual
a zero. Logo, temos:
a = 16 sistema incompatvel.
a = 16 sistema compatvel e indeterminado, pois possui tres inc ognitas
e apenas duas equa c oes.
Exemplo 52
Vamos discutir o sistema
_
x + ay = 2
ax + 2ay = 4
.
Temos:
_
1 a | 2
a 2a | 4
_

_
1 a | 2
0 2a a
2
| 4 2a
_
.
Vamos determinar os valores de a para os quais o primeiro lado da se-
gunda equa c ao se anula:
2a a
2
= 0 a(2 a) = 0 a = 0 ou a = 2. Ent ao h a as seguintes
possibilidades:
a = 0 o sistema ca
_
x = 2
0 = 4
incompatvel.
a = 2 o sistema ca
_
x + 2y = 2
0 = 0
compatvel e indeterminado.
a = 0 e a = 2 o sistema ca
_
x + ay = 2
by = c
, com b = 2a a
2
=
0 e c = 4 2a compatvel e indeterminado.
CEDERJ
74
Discussao de sistemas lineares
M

ODULO 1 - AULA 7
Exemplo 53
Vamos analisar o sistema
_

_
x + y + z = 0
x + 2y + kz = 2
kx + 2y + z = 2
, segundo os valores do
par ametro k:
_

_
1 1 1 | 0
1 2 k | 2
k 2 1 | 2
_

_
1 1 1 | 0
0 1 k 1 | 2
0 2 k 1 k | 2
_

_
1 1 1 | 0
0 1 k 1 | 2
0 2 k (1 k) (k 1)(2 k) | 2 2(2 k)
_

_
1 1 1 | 0
0 1 k 1 | 2
0 0 (k 1)(k 3) | 2(k 3)
_

_
.
Da, temos (k1)(k3) = 0 k = 1 ou k = 3. H a, ent ao, as seguintes
possibilidades:
k = 1
_

_
x + y + z = 0
y = 2
0 = 4
sistema incompatvel.
k = 3
_

_
x + y + z = 0
y + 2z = 2
0 = 0
sistema compatvel e indeterminado.
k = 1 e k = 3
_

_
x + y + z = 0
y + az = 2
b = c
, com a = k 1,
b = (k 1)(k 3) = 0 e c = 2(k 3) sistema compatvel e determi-
nado.
Exemplo 54
Vamos determinar para que valores de a e b o sistema
_

_
x y + z = a
2x y + 3z = 2
x + y + bz = 0
admite innitas solu c oes. Temos:
_

_
1 1 1 | a
2 1 3 | 2
1 1 b | 0
_

_
1 1 1 | a
0 1 1 | 2 2a
0 2 b 1 | a
_

_
1 1 1 | a
0 1 1 | 2 2a
0 0 b 3 | 3a 4
_

_
.
Para que o sistema admita innitas solu c oes (isto e, seja compatvel e
indeterminado), devemos ter b 3 = 0 e 3a 4 = 0. Isto e, b = 3 e a = 4/3.
75
CEDERJ
Discussao de sistemas lineares
Exemplo 55
Que condi c oes a, b e c devem satisfazer para que o sistema
_

_
3x 2y = a
4x + y = b
x = c
admita solu c ao?
Solu c ao:
_

_
3 2 | a
4 1 | b
1 0 | c
_

_
1 0 | c
4 1 | b
3 2 | a
_

_
1 0 | c
0 1 | b 4c
0 2 | a 3c
_

_
1 0 | c
0 1 | b 4c
0 0 | (a 3c) + 2(b 4c)
_

_
.
Logo, o sistema ter a solu c ao apenas se (a 3c) + 2(b 4c) = 0, isto e,
se a + 2b 11c = 0.
Exemplo 56
Vamos discutir o sistema homogeneo
_
x + 2y = 0
3x + ky = 0
, segundo o par ametro
k.
Temos:
_
1 2 | 0
3 k | 0
_

_
1 2 | 0
0 k 6 | 0
_
.
Ent ao:
k = 6 sistema compatvel e indeterminado.
k = 6 sistema compatvel e indeterminado.
Vamos, agora, formalizar o procedimento que vimos adotando para re-
solver e discutir sistemas lineares. Para isso, precisamos da seguinte deni c ao:
Caracterstica de uma matriz
Na Aula 4 vimos que, ao passar de uma matriz para outra, por meio de
uma seq uencia de opera c oes elementares, denimos uma rela c ao de equiva-
lencia no conjunto dessas matrizes. Assim, se podemos obter a matriz B, a
partir da matriz A, pela aplica c ao de uma seq uencia de opera c oes elementa-
res, dizemos que A e B s ao matrizes equivalentes. Nos exemplos anteriores
usamos esse fato e indicamos que A e B s ao equivalentes escrevendo A B
(ou B A).
Seja A uma matriz qualquer e A

uma matriz escalonada, equivalente


a A. Chamamos de caracterstica de A, e indicamos por c(A), ao n umero de
linhas n ao nulas de A

.
CEDERJ
76
Discussao de sistemas lineares
M

ODULO 1 - AULA 7
Exemplo 57
1. Seja A =
_
1 5
2 3
_
. Ent ao A

=
_
1 5
0 7
_
e c(A) = 2.
2. Se A =
_

_
2 5 1
2 3 0
6 13 2
_

_
, ent ao A

=
_

_
2 5 1
0 2 1
0 0 0
_

_
e c(A) = 2.
3. Sendo A =
_

_
1 1 1 1
2 2 2 2
5 5 5 5
_

_
, temos A

=
_

_
1 1 1 1
0 0 0 0
0 0 0 0
_

_
e c(A) = 1.
O raciocnio que usamos para resolver ou classicar os sistemas lineares
se constitui num resultado conhecido como Teorema de Rouche-Capelli. N os
o enunciamos a seguir.
Teorema 1 (Teorema de Rouche-Capelli)
Seja um sistema linear S de representa c ao matricial AX = b, com A M
mn
.
Indiquemos por A|b a matriz aumentada de S. Ent ao S ser a compatvel se,
e somente se, c(A) = c(A|b). Quando for compatvel, ser a determinado se
c(A) = n e indetermindado, se c(A) < n.
Quando um sistema linear S : AX = b possui n umero de equa c oes
igual ao n umero de inc ognitas, a matriz A e quadrada e podemos calcular
seu determinante, que vamos representar por D. Neste caso, vale o seguinte
teorema:
As demonstra c oes dos
teoremas de Rouche-Capelli
e de Cramer podem ser
encontradas, por exemplo,
em Fundamentos de
Matem atica Elementar, vol.
4, dos autores Gelson Iezzi e
Samuel Hazzan, editado pela
Atual.
Teorema 2 (Teorema de Cramer)
Seja S um sistema linear com n umero de equa c oes igual ao de inc ognitas.
Se D = 0 ent ao o sistema e compatvel e determinado e sua unica solu c ao
(
1
,
2
, ...,
n
) e dada por

i
=
D
i
D
, i = 1, ..., n,
onde D
i
e o determinante da matriz que se obtem, a partir de A, substituindo-
se a i-esima coluna pela coluna dos termos independentes do sistema.
Quando D = 0 (isto e, quando a matriz A e inversvel), o sistema e
chamado sistema de Cramer.
Exemplo 58
Seja o sistema
_

_
x + 2y 3z = 15
2x y + z = 10
3x z = 1
.
77
CEDERJ
Discussao de sistemas lineares
Temos D =

1 2 3
2 1 1
3 0 1

= 2 = 0. Logo, o sistema tem solu c ao unica.


Vamos determinar essa solu c ao.
D
1
=

15 2 3
10 1 1
1 0 1

= 4
D
2
=

1 15 3
2 10 1
3 1 1

= 2
D
3
=

1 2 15
2 1 10
3 0 1

= 10.
Logo,
x =
D
1
D
=
4
2
= 2, y =
D
2
D
=
2
2
= 1, z =
D
3
D
=
10
2
= 5
Portanto, a unica solu c ao do sistema e (2, 1, 5).
Do teorema de Cramer, podemos concluir que:
D = 0 sistema compatvel determinado.
D = 0 sistema incompatvel ou compatvel indeterminado.
J a vimos que um sistema linear homogeneo sempre admite solu c ao, isto
e, e sempre compatvel. No caso particular de S ser homogeneo, podemos
concluir, ent ao, que:
D = 0 sistema compatvel determinado.
D = 0 sistema compatvel indeterminado.
Exemplo 59
Vamos discutir o sistema
_
ax + 2ay = 0
4x + ay = 12
, usando o teorema de Cramer.
Sabemos que se D =

a 2
4 a

= 0, o sistema tem solu c ao unica. Assim,


os valores de a para os quais D = 0 tornam o sistema indeterminado ou
impossvel. Esses valores s ao:
D = 0 a
2
8a = 0 a(a 8) = 0 a = 0 ou a = 8.
CEDERJ
78
Discussao de sistemas lineares
M

ODULO 1 - AULA 7
Se a = 0, o sistema ca:
_
0 = 0
4x = 12
x = 3 e y pode assumir
qualquer valor real. Logo, o sistema admite innitas solu c oes.
Se a = 8, o sistema ca:
_
8x + 16y = 0
4x + 8y = 12
. Escalonando, obtemos
o sistema
_
4x + 8y = 12
0 = 24
, que e incompatvel.
Resumindo, temos:
a = 0 e a = 8 sistema compatvel e determinado.
a = 0 sistema compatvel indeterminado.
a = 8 sistema incompatvel.
Exemplo 60
Vamos determinar o valor de k para o qual o sistema
_

_
x y z = 0
2x + ky + z = 0
x 2y 2z = 0
admite solu c ao pr opria.
Trata-se de um sistema homogeneo, de matriz de coecientes quadrada.
Pelo teorema de Cramer, para que existam solu c oes n ao-triviais (ou seja, para
que o sistema seja indeterminado), o determinante dessa matriz deve ser igual
a zero. Isto e,

1 1 1
2 k 1
1 2 2

= 0 k = 1.
Resumo
Esta foi uma aula pr atica: discutimos sistemas lineares usando os re-
sultados dos teoremas de Rouche-Capelli e de Cramer. Note que a regra de
Cramer s o se aplica a sistemas lineares cuja matriz dos coecientes e qua-
drada e inversvel. (Voce se lembra? Uma matriz quadrada e inversvel se,
e somente se, seu determinante e diferente de zero.) Com esta aula, encer-
ramos a parte introdut oria do curso. Voce aplicar a os conceitos e tecnicas
vistos ate aqui ao longo das pr oximas aulas. A partir da Aula 8, voce estar a
em contato com os conceitos da

Algebra Linear, propriamende dita. Seja
bem-vindo!!!
79
CEDERJ
Discussao de sistemas lineares
Exerccios
1. (Prov ao - MEC - 1998)
O sistema
_
ax + 3y = a
3x + ay = a
n ao tem solu c ao se e s o se
(A) a = 3 (B) a = 3 (C) a = 0 (D) a = 3 (E) a = 3
2. Discuta o sistema
_
x + ky = 2
kx + y = 2
, segundo os valores de k.
3. Para que valores de mo sistema
_

_
x + y + mz = 2
3x + 4y + 2z = m
2x + 3y + z = 1
admite solu c ao?
4. Determine os valores de a e b que tornam o sistema
_

_
3x 7y = a
x + y = b
x + 2y = a + b 1
5x + 3y = 5a + 2b
compatvel e determinado. Em seguida, resolva o sistema.
5. Determine os valores de a e b que tornam o sistema
_
6x + ay = 12
4x + 4y = b
indeterminado.
6. Discuta o sistema
_

_
mx + y z = 4
x + my + z = 0
x y = 2
7. Para que valores de k o sistema
_

_
x + ky + 2z = 0
2x + my 4z = 0
x 3y kz = 0
admite
solu c oes n ao triviais (ou seja, e indeterminado)?
8. Determine k, para que o sistema
_

_
4x + 3y = 2
5x 4y = 0
2x y = k
admita solu c ao.
9. Encontre os valores de p R tais que o sistema homogeneo
_

_
2x 5y + 2z = 0
x + y + z = 0
2x + pz = 0
tenha solu c oes distintas da solu c ao trivial.
CEDERJ
80
Discussao de sistemas lineares
M

ODULO 1 - AULA 7
10. Que condi c oes a e b devem satisfazer para que o sistema abaixo seja de
Cramer?
_
ax + by = 0
a
2
x + b
2
y = 0
Auto-avalia cao
Embora a teoria usada resolver e discutir sistemas lineares seja simples
e pouca extensa, cada sistema e um sistema! Quanto mais exerccios voce
puder resolver, melhor ser a, no sentido de deix a-lo mais seguro e r apido nesse
tipo de opera c ao. Se possvel, consulte outros livros de

Algebra Linear para
obter mais op c oes de exerccios. E n ao deixe de trazer suas d uvidas para o
tutor da disciplina.
Respostas dos exerccios
1. (E) a = 3
2. k = 1 e k = 1 sistema compatvel e determinado;
k = 1 sistema compatvel e indeterminado;
k = 1 sistema incompatvel.
3. Para m = 1. Neste caso, o sistema e compatvel e determinado.
4. a = 2, b = 4; {(3, 1)}
5. a = 6 e b = 8
6. m = 1 sistema compatvel e determinado;
m = 1 sistema incompatvel.
7. k = 2 ou k = 0
8. k = 6
9. p = 2
10. ab = 0 e a = b
81
CEDERJ
Espa cos vetoriais
M

ODULO 2 - AULA 8
Aula 8 Espa cos vetoriais
Objetivos
Denir espa cos vetoriais, e estudar alguns dos principais exemplos dessa es-
trutura.
Identicar propriedades dos espa cos vetoriais.
Introdu cao
Imagine um conjunto V onde seja possvel somar elementos e multipli-
car os elementos por n umeros reais, e que o resultado dessas opera c oes esteja
no conjunto V . Imagine ainda que essas opera c oes tem boaspropriedades,
aquelas que estamos acostumados a usar quando somamos e quando multi-
plicamos por n umeros reais:
podemos somar os elementos trocando a ordem, ou agrupando-os como
quisermos, sem que o resultado seja alterado;
existe um elemento que quando somado a outro resulta sempre nesse
outro;
feita uma soma, e possvel desfaze-la com uma subtra c ao, e todo ele-
mento de V pode ser subtrado de outro;
multiplicar por um n ao faz efeito;
multiplicar seguidamente por v arios reais e o mesmo que multiplicar
pelo produto deles;
multiplicar o resultado de uma soma por um n umero real e o mesmo
que multiplicar cada parcela e depois somar;
multiplicar por um elemento de V uma soma de reais e o mesmo que
multiplicar cada real pelo elemento em quest ao e depois somar os re-
sultados.
Existem v arios conjuntos onde a adi c ao e a multiplica c ao por n umeros
reais que fazemos usualmente gozam dessas propriedades. Os conjuntos R,
R
2
e R
3
s ao exemplos. Os conjuntos de matrizes de mesma ordem (M
23
(R),
M
34
(R) etc.) tambem s ao exemplos (veja Aula 3). Na verdade, h a mui-
tos exemplos de conjuntos com essa mesma estrutura. Chamamos a esses
conjuntos, munidos dessas opera c oes com as propriedades acima de espa cos
vetoriais.
83
CEDERJ
Espa cos vetoriais
A vantagem de se estudar os espa cos vetoriais de forma mais abstrata,
como faremos a partir de agora, e que estaremos estudando propriedades e
leis que s ao v alidas em qualquer espa co vetorial, em particular nos exemplos
que acabamos de destacar. Ou seja, veremos o que existe de comum entre
conjuntos de matrizes, R, R
2
, R
3
e v arios outros espa cos vetoriais.
Deni cao de espa co vetorial
Considere um conjunto V no qual est ao denidas duas opera c oes: uma
adi c ao, que a cada par de elementos u e v de V associa um elemento u + v
de V , chamado soma de u e v, e uma multiplica c ao por escalar, que a cada
n umero real e a cada elemento v de V associa um elemento v de V ,
chamado produto de por v. Dizemos que o conjunto V munido dessas
opera c oes e um espa co vetorial real (ou um espa co vetorial sobre R, ou ainda,
um R-espa co vetorial) se s ao satisfeitas as seguintes condi c oes, para todos os
elementos de V , aqui designados pelas letras u, v e w, e todos os n umeros
reais, aqui designados pelas letras e :
u + v = v + u (comutatividade);
u + (v + w) = (u + v) + w (associatividade);
existe um elemento em V , que designaremos por e, que satisfaz v+e = v
para qualquer v em V (existencia de elemento neutro para a adi c ao);
para cada v V , existe um elemento de V , que designaremos por
v, que satisfaz v + (v) = e (existencia de inverso aditivo, tambem
chamado de simetrico ou oposto);
(v) = ()v (associatividade);
( + )v = v + v (distributividade);
(u + v) = u + v (distributividade);
1 v = v (multiplica c ao por 1).
De acordo com essa deni c ao, podemos concluir que nao sao espa cos
vetoriais o conjunto N dos n umeros naturais, e o conjunto Z dos n umeros
inteiros, para come car. Em nenhum dos dois, por exemplo, a opera c ao mul-
tiplica c ao por escalar est a bem denida: ao multiplicar um n umero inteiro
n ao nulo por

2, que e um n umero real, a resposta certamente n ao ser a um


n umero inteiro.
CEDERJ
84
Espa cos vetoriais
M

ODULO 2 - AULA 8
Isso nos diz que alguns dos conjuntos que conhecemos n ao s ao espa cos
vetoriais. Para nos certicarmos que um determinado conjunto e de fato um
espa co vetorial, e necess ario vericar se as opera c oes est ao bem denidas, e
se valem todas as condi c oes da deni c ao! Qualquer uma que n ao se verique
indica que o conjunto em quest ao n ao e um espa co vetorial.
Exemplos de espa cos vetoriais
Para vericar se um conjunto e ou n ao um exemplo de espa co vetorial,
partimos do princpio que no conjunto dos n umeros reais a adi c ao e a mul-
tiplica c ao tem todas as propriedades dadas na deni c ao de espa co vetorial
(na verdade, estaremos usando o fato de que R e um Corpo, que e uma outra
estrutura estudada nos cursos de algebra). S ao v arios os exemplos de espa cos
vetoriais. Listamos alguns deles a seguir.
1. R
2
e R
3
Provaremos que R
2
e espa co vetorial, sendo que a prova para R
3
e
an aloga. Aqui as opera c oes consideradas s ao as usuais, ou seja, aquelas
que estamos acostumados a fazer: se (x
1
, x
2
) e (y
2
, y
2
) s ao elementos
de R
2
, e e um n umero real, (x
1
, x
2
) + (y
1
, y
2
) = (x
1
+ y
1
, x
2
+ y
2
) e
(x
1
, x
2
) = (x
1
, x
2
).
Considere u = (x
1
, x
2
), v = (y
1
, y
2
) e w = (z
1
, z
2
), todos em R
2
, e
n umeros reais. Ent ao temos:
u + v = (x
1
+ y
1
, x
2
+ y
2
) = (y
1
+ x
1
, y
2
+ x
2
) = u + v;
u+(v +w) = (x
1
+(y
1
+z
1
), x
2
+(y
2
+z
2
)) = ((x
1
+y
1
) +z
1
, (x
2
+
y
2
) + z
2
) = (u + v) + w;
o par e = (0, 0) satisfaz u + e = (x
1
+ 0, x
2
+ 0) = (x
1
, x
2
) = u;
tomando u = (x
1
, x
2
), temos u+(u) = (x
1
x
1
, x
2
x
2
) =
(0, 0) = e;
(u) = (x
1
, x
2
) = (x
1
, x
2
) = ()u;
( + )u = (( + )x
1
, ( + )x
2
) = (x
1
+ x
1
, x
2
+ x
2
) =
u + u;
(u+v) = (x
1
+y
1
, x
2
+y
2
) = ((x
1
+y
1
), (x
2
+y
2
)) = (x
1
+
y
1
, x
2
+ y
2
) = u + v;
1u = (1x
1
, 1x
2
) = (x
1
, x
2
) = u.
85
CEDERJ
Espa cos vetoriais
2. R
n
, com n natural n ao nulo qualquer
O conjunto R
n
e formado pelas n-uplas (le-se enuplas) de n umeros
reais:
R
n
= {(x
1
, x
2
, . . . , x
n
) : x
1
, x
2
, . . . , x
n
R} .
Em R
n
, as opera c oes usuais s ao denidas da seguinte maneira: consi-
derando u = (x
1
, x
2
, . . . , x
n
) e v = (y
1
, y
2
, . . . , y
n
) elementos de R
n
,
e em R, temos u + v = (x
1
+ y
1
, x
2
+ y
2
, . . . , x
n
+ y
n
) e u =
(x
1
, x
2
, . . . , x
n
). A prova de que R
n
e um espa co vetorial e an aloga
` as provas para R
2
e R
3
, que s ao casos particulares onde se considera
n = 2 e n = 3.
3. M
nm
(R)
J a vimos na Aula 3 que o conjunto M
nm
(R) com as opera c oes denidas
na Aula 2, satisfazem a todas as condi c oes dadas na deni c ao de espa co
vetorial real.
4. C
Aqui apenas recordaremos as opera c oes de soma e produto por esca-
lar no conjunto dos n umeros complexos (conceitos vistos no curso de
Pre-C alculo), deixando a prova como exerccio. Considere os n umeros
complexos z
1
= a
1
+ b
1
i e z
2
= a
2
+ b
2
i, e o n umero real . Temos
ent ao z
1
+ z
2
= (a
1
+ a
2
) + (b
1
+ b
2
)i e z
1
= a + b
1
i.
5. Polin omios de grau n (n natural n ao nulo), com coecientes reais, a
uma vari avel, acrescidos do polin omio nulo O grau do polin omio nulo n ao
est a denido.
Os polin omios s ao muito estudados em diversos ramos da

Algebra.
Os conjuntos de polin omios de grau n (acrescidos do polin omio nulo),
para os diversos valores de n, tem estrutura muito rica (no sentido da
quantidade de opera c oes e propriedades que s ao v alidas nesses conjun-
tos), e o fato de serem espa cos vetoriais e apenas uma de suas carac-
tersticas. Vamos fazer a prova para o conjunto dos polin omios de grau
2, sendo que a prova para o caso geral e inteiramente an aloga.
Usaremos a nota c ao P
2
(t, R) para indicar o conjunto dos polin omios de
grau 2 a uma vari avel t, com coecientes reais, acrescido do polin omio
nulo. Nesse caso,
P
2
(t, R) = {at
2
+ bt + c : a, b, c R}.
CEDERJ
86
Espa cos vetoriais
M

ODULO 2 - AULA 8
A express ao grau 2 e traduzida matematicamente pelo fato de que
a pode ser qualquer n umero real, inclusive zero: caso a seja 0, e b = 0,
o polin omio em quest ao tem grau 1. Para o polin omio nulo, temos
a = b = c = 0.
Lembre-se de que um polin omio e um objeto abstrato, ao trabalhar
com uma express ao do tipo 2t
2
+ t + 1 n ao estamos interessados em
encontrar t(nem seria possvel, pois n ao se trata de uma equa c ao).
No nosso curso estaremos interessados em somar tais express oes, ou
multiplic a-las por escalares, obtendo outras do mesmo tipo. Para isso,
sejam p
1
= a
1
t
2
+ b
1
t + c
1
e p
2
= a
2
t
2
+ b
2
t + c
2
elementos de P
2
(t, R),
e R. Ent ao
p
1
+ p
2
= (a
1
+ a
2
)t
2
+ (b
1
+ b
2
)t + (c
1
+ c
2
),
p
1
= a
1
t
2
+ b
1
+ c
1
.
Vamos ` as propriedades das opera c oes:
p
1
+ p
2
= (a
1
+a
2
)t
2
+ (b
1
+ b
2
)t + (c
1
+c
2
) = (a
2
+a
1
)t
2
+ (b
2
+
b
1
)t + (c
2
+ c
1
) = p
2
+ p
1
;
p
1
+(p
2
+p
3
) = (a
1
+(a
2
+a
3
))t
2
+(b
1
+(b
2
+b
3
))t+(c
1
+(c
2
+c
3
)) =
((a
1
+a
2
)+a
3
)t
2
+((b
1
+b
2
)+b
3
)t+((c
1
+c
2
)+c
3
) = (p
1
+p
2
)+p
3
;
o polin omio 0 = 0t
2
+ 0t + 0 satisfaz p
1
+ 0 = (a
1
+ 0)t
2
+ (b
1
+
0)t + (c
1
+ 0) = a
1
t
2
+ b
1
t + c
1
;
tomando p
1
= (a
1
)t
2
+ (b
1
)t + (c
1
), temos p
1
+ (p
1
) =
(a
1
a
1
)t
2
+ (b
1
b
1
)t + (c
1
c
1
) = 0t
2
+ 0t + 0 = 0;
(p
1
) = (a
1
t
2
+b
1
t+c
1
) = a
1
t
2
+b
1
t+c
1
= ()p
1
;
(+)p
1
= (+)a
1
t
2
+(+)b
1
t +(+)c
1
= a
1
t
2
+a
1
t
2
+
b
1
t + b
1
t + c
1
+ c
1
= p
1
+ p
1
;
(p
1
+ p
2
) = (a
1
+ a
2
)t
2
+ (b
1
+ b
2
)t + (c
1
+ c
2
) = a
1
t
2
+
a
2
t
2
+ b
1
t + b
2
t + c
1
+ c
2
= p
1
+ p
2
;
1p
1
= 1a
1
t
2
+ 1b
1
t + 1c
1
= a
1
t
2
+ b
1
t + c
1
= p
1
.
O conjunto dos polin omios de grau exatamente 2 n ao e um espa co ve-
torial. De fato, a soma n ao est a bem denida nesse conjunto: somando
t
2
+ t + 1 e t
2
+ 2t 3, que tem grau 2, obtemos o polin omio 3t 2,
que tem grau 1.
87
CEDERJ
Espa cos vetoriais
6. Polin omios de qualquer grau, com coecientes reais, a uma vari avel
Considerando o conjunto de todos os polin omios a uma vari avel, com
coecientes reais, as opera c oes soma e produto por escalar usuais
(an alogas ` as que denimos para P
2
(t, R)) est ao bem denidas e sa-
tisfazem a todas as propriedades que caracterizam os espa cos vetoriais,
tratando-se, portanto, de um exemplo de espa co vetorial.
Observa c oes: Os elementos de um espa co vetorial s ao chamados
vetores. O elemento neutro da soma e chamado vetor nulo, e denotado por
0 ou

0. Note que, segundo essa conven c ao, vetores podem ser polin omios,
matrizes, etc, e o smbolo 0 ser a usado tambem para matrizes nulas, n-uplas
de zeros, etc.
Veremos ao longo deste m odulo que muitos dos conceitos aplic aveis aos
antigos vetores (como m odulo, angulo, etc) tambem fazem sentido para os
vetores da forma que estamos denindo agora.
Propriedades dos espa cos vetoriais
Vamos considerar um espa co vetorial V , e usar as letras u, v e w para
designar elementos desse espa co. Usaremos as letras gregas (, , , etc) para
designar n umeros reais. Para facilitar as referencias futuras ` as propriedades,
vamos numer a-las.
1. Existe um unico vetor nulo em V , que e o elemento neutro da adi c ao.
Em todos os exemplos que listamos na ultima aula, e bastante claro que
existe apenas um elemento neutro em cada espa co, mas existem v arios
outros espa cos vetoriais que n ao vimos ainda. Vamos ent ao provar
que a existencia de um unico elemento neutro e um fato que decorre
apenas da deni c ao de espa co vetorial (e, portanto, vale em qualquer
um). Vamos ent ao provar essa propriedade, e todas as outras, usando
a deni c ao e as propriedades que j a tenhamos provado.
J a sabemos da deni c ao que existe um elemento neutro no espa co V .
Suponhamos que 0 e 0

sejam elementos neutros de V , e vamos mostrar


que 0 = 0

.
De fato, temos que ter 0 + 0

= 0

, pois 0 e elemento neutro, mas


tambem temos 0 + 0

= 0, pois 0

tambem e elemento neutro. Logo


tem-se 0 = 0

.
CEDERJ
88
Espa cos vetoriais
M

ODULO 2 - AULA 8
2. Para cada v V , existe um unico simetrico v V .
De novo, suponhamos que algum v de V admitisse dois simetricos, v
e v

. Nesse caso, teramos


v + (v) = v + (v

),
pois os dois lados da igualdade resultam no vetor nulo. Somando (v)
aos dois membros, obtemos
(v) + (v + (v)) = (v) + (v + (v

)).
Pela associatividade da soma, podemos escrever
((v) + v) + (v) = ((v) + v) + (v

).
Usando o fato de que v e simetrico de v, e 0 e o elemento neutro da
soma, obtemos
0 + (v) = 0 + (v

)
v = v

.
3. Se u + w = v + w ent ao u = v.
Somando w aos dois membros da equa c ao u + w = v + w, obtemos
(u + w) + (w) = (v + w) + (w).
Pela associatividade da soma e pelo fato de que w e o simetrico de w
e 0 e o neutro da soma, obtemos
u + (w + (w)) = v + (w + (w))
u +0 = v +0
u = v.
4. (v) = v (ou seja, o simetrico do vetor v e o vetor v).
Como o simetrico de um vetor qualquer de V e unico (propriedade 2),
e como v + (v) = 0, ent ao o simetrico de v s o pode ser v.
89
CEDERJ
Espa cos vetoriais
5. Fixados u e v em V , existe uma unica solu c ao para a equa c ao u+x = v.
Somando u aos dois membros da equa c ao u + x = v, obtemos
(u) + (u + x) = (u) + v
((u) + u) + x = (u) + v
0 + x = (u) + v
x = (u) + v,
ou seja, a equa c ao u + x = v tem pelo menos uma solu c ao, que e
(u) + v. Supondo que x e x

sejam solu c oes da referida equa c ao, ou


seja, que u + x = v e u + x

= v, teremos
u + x = u + x

,
e, pela propriedade 3,
x = x

.
6. Se v V satisfaz v +v = v, ent ao v = 0 (s o o elemento neutro satisfaz
a essa equa c ao).
Note que, se v +v = v, ent ao v e solu c ao da equa c ao v +x = v. Como
0 tambem e solu c ao, visto que v + 0 = v, pela propriedade anterior,
tem-se v = 0.
7. 0v = 0
Basta vericar que, pela propriedade distributiva,
0v + 0v = (0 + 0)v = 0v.
Pela propriedade anterior, 0v = 0.
8. 0 = 0, qualquer que seja o real considerado.
De novo usando a propriedade distributiva da adi c ao, e o fato de que
0 +0 = 0, temos
0 = (0 +0) = 0 + 0.
Pela propriedade 6, 0 = 0
9. Se v = 0 ent ao = 0 ou v = 0
Note que essa propriedade nos diz que a equa c oes das propriedades 7
e 8 representam as unicas formas de obter o vetor nulo como produto
CEDERJ
90
Espa cos vetoriais
M

ODULO 2 - AULA 8
de escalar por vetor. Para prov a-la, vamos supor que v = 0 e = 0
(o caso = 0 j a nos d a a conclus ao desejada). Nesse caso, podemos
multiplicar os dois membros da igualdade v = 0 por
1
, obtendo

1
(v) =
1
0.
Usando a propriedade associativa da multiplica c ao por escalar, e a pro-
priedade 8, obtemos
(
1
)v = 0
1v = 0
v = 0
onde a ultima passagem utiliza a propriedade da multiplica c ao por 1
dos espa cos vetoriais.
10. (1)v = v
Como 1v = v, podemos escrever
(1)v + v = (1)v + 1v = (1 + 1)v = 0v = 0,
considerando a propriedade distributiva e a propriedade 7. Da, con-
clumos que (1)v e o simetrico de v, ou seja, (1)v = v.
11. ()v = (v) = (v)
Na prova dessa propriedade, deixaremos como exerccio a identica c ao
das propriedades utilizadas em cada passagem. Siga o raciocnio das
provas das propriedades anteriores.
()v + v = ( + )v = 0v = 0,
portanto ()v = (v).
(v) + v = (v + v) = 0 = 0,
portanto (v) = (v).
Com essas propriedades que demonstramos, podemos concluir que grande
parte das contas que fazemos com vetores de R
2
e R
3
s ao v alidas em qualquer
espa co vetorial.
A partir de agora, escreveremos u v no lugar de u + (v), u +v +w
no lugar de u + (v + w) ou (u + v) + w e v no lugar de (v) ou ()v.
91
CEDERJ
Espa cos vetoriais
Exerccios
1. Verdadeiro ou falso? Justique!
a- O conjunto Q dos n umeros racionais e um espa co vetorial real.
b- O conjunto Q
2
= {(a, b) : a, b Q}, com as opera c oes usuais, e
um espa co vetorial real.
c- O conjunto unit ario {0}, com as opera c oes usuais, e um espa co
vetorial real.
d- R
+
= {x R : x > 0} com as opera c oes usuais n ao e espa co
vetorial real.
e- O conjunto dos n umeros complexos com parte real n ao negativa e
um espa co vetorial real.
2. Mostre que R
3
com as opera c oes usuais e um espa co vetorial real (siga
os passos da demonstra c ao para R
2
feita no exemplo 1).
3. Mostre que C
2
= {(z
1
, z
2
) : z
1
, z
2
C} e um espa co vetorial real, com
as opera c oes denidas abaixo:
Adi cao: (z
1
, z
2
) + (z

1
, z

2
) = (z
1
+ z

1
, z
2
+ z

2
)
Multiplica cao por escalar: (z
1
, z
2
) = (z
1
, z
2
)
onde (z
1
, z
2
) e (z

1
, z

2
) s ao elementos de C
2
e R.
4. Mostre que, no conjunto A = {0, 1}, as opera c oes denidas abaixo sa-
tisfazem a todas as condi c oes da deni c ao de espa co vetorial real, exceto
` a lei associativa para a multiplica c ao por escalar e ` as leis distributivas.
Adi cao: 0 0 = 0, 0 1 = 1, 1 0 = 1 e 1 1 = 0
Multiplica cao por escalar: x = x se > 0 e x = 0 se 0,
onde R e x A.
5. Tambem denem-se espa cos vetoriais sobre o conjunto dos n umeros
racionais (o corpo dos racionais), apenas fazendo com que a opera c ao
multiplica c ao por escalar considere apenas escalares racionais, e man-
tendo o restante da deni c ao inalterado. Mostre que o conjunto Q
2
e
um espa co vetorial sobre os racionais.
CEDERJ
92
Espa cos vetoriais
M

ODULO 2 - AULA 8
Auto-avalia cao
O conte udo desta aula envolve conceitos muito abstratos. Para obter
alguma seguran ca nesses conceitos, talvez seja necess ario reler v arias vezes
algumas partes. N ao se preocupe se voce n ao conseguiu fazer alguns dos
exerccios de imediato, retorne a esta aula depois de estudar a pr oxima,
que trata dos Subespa cos Vetoriais, e voce estar a mais familiarizado com os
conceitos aqui apresentados.
Respostas dos exerccios
1. a- Falso.
b- Falso.
c- Verdadeiro.
d- Verdadeiro.
e- Falso.
93
CEDERJ
Subespa cos vetoriais
M

ODULO 2 - AULA 9
Aula 9 Subespa cos vetoriais
Objetivos
Pre-requisito: Aula 8.
Caracterizar subespacos vetoriais;
Identicar subespa cos vetoriais, demonstrando que atende ` as condi c oes de
subespa co.
Introdu cao
Nesta aula veremos um tipo muito importante de subconjuntos de
espa cos vetoriais: os subespa cos vetoriais. Nem todo subconjunto S de um
espa co vetorial V e um seu subespa co: e necess ario que o subconjunto em
quest ao tenha a mesma estrutura de V , como estabelece a deni c ao a seguir.
Deni cao
Considere um espa co vetorial V . Um subconjunto S de V e dito um
subespa co vetorial de V se S for um espa co vetorial com respeito ` as mesmas
opera c oes que tornam V um espa co vetorial.
Como primeira conseq uencia dessa deni c ao, um subespa co vetorial S
deve ser n ao vazio, j a que uma das condi c oes que devem ser satisfeitas para
que S seja um subespa co vetorial de V e a existencia em S de um elemento
neutro para a adi c ao de vetores: com isso, obrigatoriamente 0 S.
De acordo tambem com a deni c ao acima, para vericar se um dado
subconjunto S de um espa co vetorial V e um subespa co vetorial de V , deve-
se checar se as opera c oes de adi c ao e multiplica c ao por escalar est ao bem
denidas em S, e se elas satisfazem a todas as condi c oes dadas na deni c ao
de espa co vetorial.
Se observarmos melhor, no entanto, veremos que n ao e necess ario ve-
ricar cada uma das condi c oes: uma vez que a adi c ao em S esteja bem
denida (ou seja, que a soma de dois elementos quaisquer de S seja tambem
um elemento de S), ela n ao deixar a de ser comutativa (por exemplo) apenas
porque estamos considerando elementos de S, pois a adi c ao em V tem essa
propriedade. O mesmo se verica para a multiplica c ao por escalar.
95
CEDERJ
Subespa cos vetoriais
A seguir, ent ao, listamos tres condi c oes que, se satisfeitas, garantem
que um subconjunto S de um espa co vetorial V e um subespa co vetorial
de V :
S = .
Dados u e v quaisquer em S, a soma u + v est a em S.
Dados u S e R, o produto u est a em S.
Uma vez que S V satisfa ca tais requisitos, todas as outras proprie-
dades listadas na deni c ao de espa co vetorial ser ao automaticamente her-
dadas pelo conjunto S.
Exemplos
1. Dado um espa co vetorial V qualquer, os conjuntos {0} (conjunto cujo
unico elemento e o vetor nulo) e V s ao subespa cos vetoriais de V .
De fato, e claro que {0} = . Alem disso, dados dois elementos de
{0}, a soma deles pertence a {0} (o unico elemento que existe para
considerarmos e 0!) e o produto de um n umero real qualquer por um
elemento de {0} resulta no vetor nulo, pertencendo, portanto, a {0}.
Para vericar que V e subspa co vetorial de V , basta aplicar diretamente
a deni c ao de subespa co vetorial, e observar que V V e e obviamente
um espa co vetorial com respeito ` as mesmas opera c oes.
Por serem os subespa cos mais simples do espa co vetorial V , {0} e V
s ao chamados subespa cos triviais de V .
2. Seja S = {(x, 2x) : x R}. O conjunto S e um subespa co vetorial de
R
2
.
Nota: Na se c ao seguinte, veremos quais s ao todos os subespa cos de R
2
.
Neste momento, estudaremos este exemplo particular, para nos famili-
arizarmos com o procedimento de verica c ao de que um dado conjunto
e um subespa co vetorial. Ao nos confrontarmos com um candidato
S a subespa co, temos que nos fazer tres perguntas:
i- S = ?
ii- Se u S e v S ent ao u + v S (a adi c ao est a bem denida
em S)?
iii- Se R e u S ent ao u S (a multiplica c ao por escalar est a
bem denida em S)?
CEDERJ
96
Subespa cos vetoriais
M

ODULO 2 - AULA 9
Vamos ent ao responder a essas perguntas para o caso de S = {(x, 2x) :
x R}:
i- S = , porque (0, 0) S, por exemplo. Basta considerar x = 0.
ii- Se u S e v S, digamos que u = (x, 2x) e v = (y, 2y) com
x, y R (precisamos usar letras diferentes para designar elementos
diferentes!), ent ao u + v = (x + y, 2x + 2y) = (x + y, 2(x + y)).
Logo, u+v S, pois e um par ordenado de n umeros reais onde a
segunda coordenada e o dobro da primeira, que e precisamente a
regra que dene os elementos de S neste exemplo.
iii- Se R e u = (x, 2x) S ent ao u = (x, 2x) = (x, 2x) S,
pois 2x = 2x e o dobro de x.
Como a resposta ` as tres perguntas formuladas foi positiva, podemos
concluir que S e um subespa co vetorial de R
2
.
Observe que, para responder ` a primeira pergunta, exibimos um ele-
mento de S, concluindo que S = . Escolhemos exibir o vetor nulo de
R
2
, embora qualquer outro elemento servisse para esse prop osito. Tal
escolha n ao foi por acaso: se o vetor nulo n ao fosse um elemento de S,
ent ao S n ao seria um subespa co vetorial (pois n ao seria ele mesmo um
espa co vetorial). Sempre que tivermos ` a nossa frente um candidato a
subespa co vetorial, podemos vericar se o vetor nulo do espa co vetorial
que o contem pertence ao candidato, para responder ` a primeira das
perguntas. Caso a resposta seja armativa, passamos a vericar as ou-
tras duas perguntas e, se a resposta for negativa, j a podemos concluir
que o candidato n ao e um subespa co vetorial, sem nenhum trabalho
adicional.
3. Seja V = R
2
e S = {(x, x + 1) : x R}. Observe que (0, 0) / S. Logo,
S nao e um subespa co vetorial de V .
4. Seja V um espa co vetorial e w um elemento de V . Ent ao o conjunto
S = {w : R} e um subespa co vetorial de V .
Nota: Neste exemplo, os elementos de S s ao caracterizados por serem
todos produto de um n umero real qualquer por um elemento xo de V .
No caso desse elemento ser o vetor nulo, temos um subespa co trivial.
i- S = , pois 0 = 0w S;
ii- se u S e v S, digamos, u =
1
w e v =
2
w com
1
,
2
R,
ent ao u + v =
1
w +
2
w = (
1
+
2
)w S;
iii- se R e u =
1
w S ent ao u = (
1
)w = (
1
)w S
97
CEDERJ
Subespa cos vetoriais
5. O conjunto solu c ao do sistema
_

_
x + 2y 4z + 3t = 0
x + 4y 2z + 3t = 0
x + 2y 2z + 2t = 0
e o subconjunto de R
4
dado por {(2y 2z, y, z, 2z); y, z R}. Voce
pode vericar que esse conjunto satisfaz ` as tres condi c oes de subespa co.
6. O conjunto-solu c ao de um sistema linear homogeneo de m equa c oes e
n inc ognitas e um subespa co vetorial de R
n
.
O exemplo anterior e um caso particular deste. Considere o sistema
escrito na forma matricial,
AX = 0 (1)
onde A M
mn
(R), X e o vetor-coluna (de n linhas) das inc ognitas
do sistema, e 0 e o vetor nulo de R
m
representado como coluna. Va-
mos vericar que o conjunto S de todos os vetores X de R
n
que, se
representados por vetores-coluna, satisfazem ` a equa c ao matricial (1),
formam um subespa co vetorial de R
n
:
i- S = ?
Como sabemos, um sistema homogeneo qualquer tem sempre a
solu c ao trivial, portanto (0, 0, . . . , 0) R
n
e um elemento de S
(podemos tambem vericar que A0 = 0, tomando o cuidado de
notar que o smbolo 0 representa uma coluna de n zeros do lado
direito da equa c ao, e uma coluna de m zeros do lado esquerdo da
equa c ao).
ii- Se U S e V S ent ao U + V S (a adi c ao est a bem denida
em S)?
Sejam U e V duas solu c oes do sistema (1), ou seja, vetores-coluna
de R
n
qe satisfazem ` aquela equa c ao matricial. Ent ao temos
A(U + V ) = AU + AV = 0 +0 = 0
onde a primeira igualdade vem da propriedade distributiva da
adi c ao de matrizes, e a segunda do fato de que, como U e V s ao
solu c oes do sistema (1), AU = 0 e AV = 0. Vemos, portanto, que
U + V satisfaz ` a equa c ao matricial (1), representando, portanto,
uma solu c ao do sistema.
CEDERJ
98
Subespa cos vetoriais
M

ODULO 2 - AULA 9
iii- Se R e U S ent ao U S (a multiplica c ao por escalar est a
bem denida em S)?
Novamente, considere U um vetor coluna de R
n
que satisfaz ` a
equa c ao (1). Seja R. Ent ao temos
A(U) = AU = 0 = 0.
A primeira igualdade utiliza a propriedade mn1, de multiplica c ao
de matrizes por n umeros reais, vista na Aula 2.
Acabamos de vericar, usando representa c oes matriciais, que a soma
de duas solu c oes de um sistema linear homogeneo tambem e solu c ao
desse sistema e que qualquer m ultiplo real de uma solu c ao tambem o
e. Logo, o conjunto-solu c ao de um sistema linear homogeneo com n
inc ognitas e um subespa co vetorial de R
n
.
7. O conjunto
S =
__
a 0
c d
_
; a + c = d
_
e subespa co vetorial de M
22
(R).
8. O conjunto S = {a + bx + cx
2
; a, b, c R e a = b + c} e subespa co
vetorial de V = P
2
. Lembrando: P
2
e o con-
junto de todos os polin omios
a vari avel e coecientes reais,
de grau menor ou igual a 2,
acrescido do polin omio iden-
ticamente nulo.
Observe que R e R
2
s ao espa cos vetoriais, e R nao e um subespa co
vetorial de R
2
. Isso porque R nao esta contido em R
2
, assim como R
2
n ao
est a contido em R
3
. A confus ao costuma acontecer, em parte, porque a repre-
senta c ao geometrica de R
2
(plano cartesiano) parece incluir a representa c ao
geometrica de R (reta). Na verdade, porem, R e um conjunto de n umeros,
enquanto R
2
e um conjunto de pares ordenados de n umeros, e esses dois
objetos s ao completamente distintos. Veremos mais tarde que R
2
contem
apenas c opias de R, assim como R
3
contem c opias tanto de R como de
R
2
.
Os subespa cos vetoriais de R
2
Ja conhecemos alguns dos subespa cos de R
2
:
{(0, 0)} e R
2
, que s ao os subespa cos triviais;
{w : R}, onde w R e um elemento de R
2
.
99
CEDERJ
Subespa cos vetoriais
Esses subespa cos foram vistos nos exemplos anteriores. Note que, vari-
ando w no segundo item, existem innitos exemplos de subespa cos. Veremos
nesta se c ao que esses s ao os unicos subespa cos de R
2
: s ao em n umero in-
nito, mas s ao todos de algum dos tipos acima. Para isso, vamos considerar
o plano cartesiano, que e a representa c ao geometrica do conjunto R
2
. Cada
elemento (x, y) R
2
e representado como um vetor com origem no ponto
(0, 0) e extremidade no ponto (x, y). A cada vetor do plano com
origem no ponto (0, 0) e ex-
tremidade no ponto (x, y) fa-
zemos corresponder o ponto
(x, y) de R
2
, e vice-versa.
Considere um subespa co S de R
2
que n ao seja {(0, 0)}. Ent ao nesse
subespa co existe um vetor w que n ao e o vetor nulo. Como S e fechado para
a multiplica c ao por escalar, todos os m ultiplos de w tambem s ao elementos
de S. Com isso, como vemos na Figura 9.1, a reta que contem w deve
estar toda contida em S. Ou seja, se S e n ao trivial, ele contem pelo menos
uma reta (innitos pontos!). Observe que essa mesma reta tambem contem
a origem.
w
Figura 9.1: Reta que contem w.
Suponhamos agora que, alem de conter w, S tambem contenha algum
outro vetor v de R
2
, que n ao esteja na reta que contem w. Nesse caso, S
tambem deve conter a reta dos m ultiplos de v. Observe as duas retas na
Figura 9.2.
v
w
Figura 9.2: Retas contidas em S.
CEDERJ
100
Subespa cos vetoriais
M

ODULO 2 - AULA 9
Note que o subespa co S n ao pode consistir apenas das duas retas da
Figura 9.2. Isso porque a adi c ao n ao est a bem denida no conjunto formado
pela uni ao das duas retas; se considerarmos, por exemplo, o vetor w + v,
veremos que ele n ao pertence a nenhuma das duas retas. Lembre-se de como somar
vetores geometricamente no
plano!
w
v
v + w
Figura 9.3: Soma de w e v.
Observe, agora, que qualquer vetor de R
2
(com origem em 0 = (0, 0))
pode ser obtido pela soma de vetores das duas retas, e isso signica que, nesse
caso, S = R
2
. Na Figura 9.4, vemos alguns exemplos de vetores em diversas
posi c oes, obtidos como soma de vetores das retas, e voce pode procurar mais
exemplos para se convencer desse fato.
w
v
2w - v
- v - 2w
v - w
3w + v 1
2
Figura 9.4: Vetores de R
2
.
101
CEDERJ
Subespa cos vetoriais
Ate agora, resumindo, temos os seguintes fatos para um subespa co S
de R
2
:
se S n ao contem vetores n ao nulos, S = {0};
se S contem um vetor n ao nulo, S tambem contem a reta que contem
esse vetor;
se S contem dois vetores n ao nulos, que n ao estejam sobre uma mesma
reta, ent ao S = R
2
.
Com isso, os unicos subespa cos vetoriais de R
2
s ao {0}, R
2
e as retas
de R
2
que passam pela origem. Uma reta de R
2
que n ao
contem a origem (ponto
(0, 0)) pode ser um subespa co
vetorial de R
2
? Por que?
Os subespa cos vetoriais de R
3
Os subespa cos vetoriais de R
3
s ao do seguinte tipo:
{0} e R
3
(triviais);
retas do R
3
que contem a origem (0 = (0, 0, 0) neste caso);
planos de R
3
que contem a origem.
N ao faremos aqui uma demonstra c ao desse fato, como zemos na se c ao
passada. Os motivos que fazem com que esses sejam os unicos possveis
subespa cos s ao inteiramente an alogos ao caso de R
2
. Nas pr oximas aulas
estudaremos conceitos que permitir ao uma demonstra c ao bem simples desse
fato.
Resumo
Nesta aula vimos a deni c ao de subespa co: trata-se de subconjuntos
de espa cos vetoriais que s ao, por si mesmos, espa cos vetoriais tambem, con-
siderando as mesmas opera c oes denidas no espa co que os contem. Vimos
que, para comprovar que um subconjunto de um espa co vetorial e um su-
bespa co, basta vericar tres condi c oes: ser n ao-vazio, e ser fechado para as
opera c oes de adi c ao e multiplica c ao por n umero real. Vimos tambem que,
embora sejam em n umero innito, os subespa cos de R
2
e R
3
s ao facilmente
identicados.
CEDERJ
102
Subespa cos vetoriais
M

ODULO 2 - AULA 9
Exerccios
1. Verique quais dos seguintes subconjuntos s ao subespa cos de R
3
:
a) todos os vetores da forma (a, 0, 0).
b) todos os vetores da forma (a, 1, 0).
c) todos os vetores da forma (a, b, c), com c = a + b.
d) todos os vetores da forma (a, b, c), com a + b + c = 1.
2. Verique quais dos seguintes subconjuntos s ao subespa cos de M
22
(R):
a) todas as matrizes 2 2 com elementos inteiros.
b) todas as matrizes da forma
_
a b
c d
_
, com a + b + c + d = 0.
c) todas as matrizes 2 2 inversveis. Lembrando: uma matriz e
inversvel se, e somente se,
seu deteminante e diferente
de zero.
d) todas as matrizes da forma
_
a 0
0 b
_
.
3. Verique quais dos seguintes subconjuntos s ao subespa cos de P
3
(R):
a) todos os polin omios da forma a
1
x + a
2
x
2
+ a
3
x
3
, onde a
1
, a
2
e a
3
s ao n umeros reais quaisquer.
b) todos os polin omios da forma a
0
+a
1
x+a
2
x
2
+a
3
x
3
, onde a soma
dos coecientes e igual a zero.
c) todos os polin omios da forma a
0
+a
1
x+a
2
x
2
+a
3
x
3
para os quais
a soma dos coecientes e um n umero inteiro.
d) todos os polin omios da forma a
0
+ a
1
x, a
0
e a
1
reais quaisquer.
Auto-avalia cao
Voce dever a ter seguran ca quanto a conferir se um subconjunto e ou
n ao subespa co de um espa co que o contenha. Lembre-se de que o primeiro
passo e vericar se o elemento nulo do espa co pertence ao subconjunto: a res-
posta negativa j a garante que nao se trata de um subespa co, mas a resposta
armativa s o mostra que o subconjunto n ao e vazio.

E preciso, ainda, veri-
car se a soma de dois vetores quaisquer, genericos, do subconjunto, tambem
pertence a ele, e se um m ultiplo real qualquer de um vetor generico do sub-
conjunto tambem pertence ao subconjunto. Procure fazer essa verica c ao
103
CEDERJ
Subespa cos vetoriais
nos exemplos da aula. Quando o espa co vetorial for R
2
ou R
3
, basta vericar
se o candidato a subespa co e uma reta passando pela origem ou, no caso do
espa co, um plano passando pela origem. Alem desses, apenas o subespa co
nulo e todo o espa co dado s ao subconjuntos tambem. Se voce tiver qualquer
d uvida na resolu c ao dos exerccios ou na compreens ao dos exemplos, procure
o tutor da disciplina.
Respostas dos exerccios
1. S ao subespe cos a), c).
2. S ao subespe cos b), d).
3. S ao subespa cos a), b), d).
CEDERJ
104
Combina c oes lineares
M

ODULO 2 - AULA 10
Aula 10 Combina c oes lineares
Objetivos
Caracterizar combina c ao linear e subespa co gerado por um conjunto de ve-
tores;
Determinar o subespa co gerado por um conjunto de vetores;
Encontrar geradores para um subespa co vetorial dado. Pre-requisitos: Aulas 6 e 7,
sobre resolu c ao de sistemas li-
neares por escalonamento, e
Aulas 8 e 9.
Introdu cao
Iniciaremos o estudo do importante conceito de combina c ao linear.
Atraves das propriedades das combina c oes lineares, e possvel dar uma des-
cri c ao simples e completa de cada espa co vetorial, como veremos a partir
desta aula.
Deni cao
Considere um espa co vetorial V , e v
1
, v
2
, . . . , v
n
elementos de V . Uma
combina c ao linear desses vetores e uma express ao do tipo
a
1
v
1
+ a
2
v
2
+ . . . + a
n
v
n
,
onde a
1
, a
2
, . . . , a
n
s ao n umeros reais.
Se e possvel descrever um vetor v V atraves de uma express ao como
essa, dizemos que v e combina c ao linear de v
1
, v
2
, . . . , v
n
, ou que v se escreve
como combina c ao linear de v
1
, v
2
, . . . , v
n
.
Exemplo 1
a) O vetor v = (2, 4) R
2
e combina c ao linear de v
1
= (1, 1) e
v
2
= (1, 1), pois v = 1v
1
+ 3v
2
.
b) O vetor v = 2 + 3t P
2
(t, R) e combina c ao linear dos vetores
v
1
= t + 2t
2
, v
2
= 1 + t
2
e v
3
= 2t
2
, pois v = 3v
1
+ 2v
2
4v
3
.
c) O vetor v =
_

_
2 3 4
1 1 2
1 0 3
_

_
M
33
(R) e combina c ao linear dos
105
CEDERJ
Combina c oes lineares
vetores
v
1
=
_

_
2 3 4
1 1 2
1 0 3
_

_
, v
2
=
_

_
4 6 8
2 2 4
2 0 6
_

_
e v
3
=
_

_
0 0 0
0 0 0
0 0 0
_

_
,
pois v = v
1
+ 0v
2
+ 257v
3
. Temos ainda que v = 3v
1
v
2
+ v
3
, ou
ainda, v = 5v
1
+3v
2
+

2v
3
, ou seja, v e combina c ao linear de v
1
, v
2
e v
3
de v arias maneiras diferentes.
d) Para que o vetor (0, m) de R
2
seja combina c ao linear dos vetores (1, 2)
e (2, 4) e necess ario que existam a e b em R tais que
(0, m) = a(1, 2) + b(2, 4). Para isso devemos ter (0, m) = (a 2b,
2a + 4b), ou seja, a 2b = 0 e 2a + 4b = m simultaneamente. Tal
sistema de duas equa c oes nas vari aveis a e b tem solu c ao apenas para
o caso em que m = 0.
Subespa cos gerados
No exemplo 4 da Aula 9, vimos que, se V e um espa co vetorial e w um
elemento de V , ent ao o conjunto S = {w : R} e um subespa co vetorial
de V . Agora que denimos combina c ao linear, podemos observar que tal S
e o conjunto formado por todas as combina c oes lineares do vetor w.
Esse exemplo pode ser generalizado para um n umero qualquer de ve-
tores da seguinte maneira: se w
1
, w
2
, . . . , w
n
s ao vetores do espa co veto-
rial V , ent ao o conjunto de todas as combina c oes lineares desses vetores e
um subespa co vetorial de V (vamos provar isso!), chamado subespa co ge-
rado pelos vetores w
1
, w
2
, . . . , w
n
, ou ainda subespa co gerado pelo conjunto
{w
1
, w
2
, . . . , w
n
}. Denotamos esse espa co por [w
1
, w
2
, . . . , w
n
], ou [{w
1
, w
2
, . . . ,
w
n
}], e dizemos que w
1
, w
2
, . . . , w
n
s ao geradores de [w
1
, w
2
, . . . , w
n
]. Assim
temos
[w
1
, w
2
, . . . , w
n
] = {a
1
w
1
+ a
2
w
2
+ + a
n
w
n
: a
1
, a
2
, . . . , a
n
R}.
Vamos agora mostrar que [w
1
, w
2
, . . . , w
n
] e um subespa co vetorial de V .
CEDERJ
106
Combina c oes lineares
M

ODULO 2 - AULA 10
(i) S = , pois 0 = 0w
1
+ 0w
2
+ + 0w
n
[w
1
, w
2
, . . . , w
n
];
Observe que se os gera-
dores w
1
, w
2
, . . . , wn n ao
s ao todos nulos, o conjunto
[w
1
, w
2
, . . . , wn] e innito. J a
o conjunto {w
1
, w
2
, . . . , wn}
e nito: possui, exatamente,
n elementos.
(ii) se u S e v S, digamos,
u = a
1
w
1
+ a
2
w
2
+ + a
n
w
n
e
v = b
1
w
1
+ b
2
w
2
+ + b
n
w
n
com a
1
, a
2
, . . . , a
n
R e b
1
, b
2
, . . . , b
n
R, ent ao
u + v = (a
1
w
1
+ a
2
w
2
+ + a
n
w
n
) + (b
1
w
1
+ b
2
w
2
+ + b
n
w
n
)
= (a
1
+ b
1
)w
1
+ (a
2
+ b
2
)w
2
+ + (a
n
+ b
n
)w
n
,
ou seja, u+v e tambem uma combina c ao linear dos vetores w
1
, w
2
, . . . , w
n
,
sendo, portanto, um elemento de [w
1
, w
2
, . . . , w
n
];
(iii) se R e u = a
1
w
1
+ a
2
w
2
+ + a
n
w
n
S ent ao
u = (a
1
w
1
+ a
2
w
2
+ + a
n
w
n
)
= (a
1
)w
1
+ (a
2
)w
2
+ + (a
n
)w
n
,
ou seja u [w
1
, w
2
, . . . , w
n
].
De acordo com os itens i, ii e iii, [w
1
, w
2
, . . . , w
n
] e um subespa co
vetorial de V .
Exemplo 2
Veremos agora alguns exemplos de subespa cos gerados.
a) No exemplo 2 da Aula 9, S = {(x, 2x) : x R} R
2
e o subespa co
gerado pelo vetor (1, 2) R
2
, ou seja, S = [(1, 2)].
b) O subespa co de R
3
gerado pelos vetores u = (1, 2, 0), v = (3, 0, 1) e
w = (2, 2, 1) e o plano de equa c ao 2x y 6z = 0. Note que os
vetores dados satisfazem a equa c ao obtida para o subespa co gerado
por eles.
c) O conjunto {at +bt
2
: a, b R} e o subespa co de P
2
(R, t) gerado pelos
vetores t e t
2
. Lembre-se de que os vetores
de P
2
(R, t) s ao polin omios!
d) O conjunto R
3
e o (sub)espa co gerado pelos vetores i = (1, 0, 0),
j = (0, 1, 0) e k = (0, 0, 1) de R
3
. Os vetores (1, 2, 0), (0, 1, 2) e
(1, 1, 3), juntos, tambem geram o R
3
.
107
CEDERJ
Combina c oes lineares
e) O conjunto de todos os polin omios (de qualquer grau) com coecientes
reais, a uma vari avel t, denotado por P(t, R), e gerado pelo conjunto
innito de vetores {1, t, t
2
, t
3
. . .}
Ao longo deste curso ser ao dados in umeros outros exemplos de su-
bespa cos gerados. Nas pr oximas se c oes veremos como determinar o su-
bespa co gerado por um conjunto de vetores, e como encontrar geradores
para um subespa co vetorial dado.
Determina cao do subespa co gerado por um conjunto de
vetores
H a v arias maneiras de se descrever um mesmo subespa co vetorial S de
um espa co V . Eis algumas delas:
atraves de um conjunto de geradores (ex: S = [(1, 1), (1, 2)] R
2
);
atraves de uma equa c ao ou conjunto de equa c oes (ex: S e o plano de
equa c ao x + y z = 0 em R
3
);
atraves de uma propriedade de seus elementos (ex: S = {a +bt +ct
2

P
2
(t, R) : a + b c = 0}.
No exemplo 2 da se c ao anterior, cada subespa co foi descrito por duas
dessas formas. Determinar o subespa co gerado por um conjunto de vetores
signica passar da descri c ao por geradores (a primeira acima) para outras
descri c oes qua permitam melhor entendimento do subespa co. Veremos como
isso e feito atraves de alguns exemplos.
Exemplo 3
Considere o subespa co de R
3
gerado pelos vetores u = (1, 2, 0), v = (3, 0, 1)
e w = (2, 2, 1). A descri c ao de S como espa co gerado n ao deixa claro, por
exemplo, se S e trivial, ou uma reta que passa pela origem, ou um plano
que passa pela origem. Ajuda bastante saber que S e o plano de equa c ao
2x y 6z = 0. Como fazer para encontrar essa outra descri c ao?
Como S = [u, v, w], cada elemento de S e uma combina c ao linear de u,
v e w. Se denotarmos por (x, y, z) um elemento generico de S, teremos ent ao
que (x, y, z) = au + bv + cw, onde a, b e c s ao n umeros reais. Da temos
(x, y, z) = a(1, 2, 0) + b(3, 0, 1) + c(2, 2, 1),
ou seja,
(x, y, z) = (a + 3b + 2c, 2a 2c, b + c).
CEDERJ
108
Combina c oes lineares
M

ODULO 2 - AULA 10
Para que a igualdade anterior se verique, e necess ario que as coordena-
das correspondentes dos ternos ordenados de cada lado da equa c ao coincidam,
ou seja, devemos ter
x = a + 3b + 2c
y = 2a 2c
z = b + c
Para que um dado vetor (x, y, z) R
3
seja um elemento de S, e preciso
que existam valores para a, b e c de forma que as tres equa c oes acima se
veriquem simultaneamente (compare com o exemplo 2-d) desta aula).
Vamos ent ao, resolver, por escalonamento, o sistema linear (nas vari aveis
a, b e c)
S :
_

_
a +3b +2c = x
2a 2c = y
b +c = z
Passando ` a matriz ampliada, e escalonando, temos
_

_
1 3 2 x
2 0 2 y
0 1 1 z
_

_
L
2
L
2
2L
1

_

_
1 3 2 x
0 6 6 y 2x
0 1 1 z
_

_
L
2
1/6L
2

_

_
1 3 2 x
0 1 1
y+2x
6
0 1 1 z
_

_
L
3
L
3
L
2

_

_
1 3 2 x
0 1 1
y+2x
6
0 0 0 z +
y2x
6
_

_
O sistema em quest ao tem solu c ao se, e somente se, os valores de x, y e
z s ao tais que se tenha z +
y2x
6
= 0, ou, equivalentemente, se 2xy6z = 0.
Essa e precisamente a equa c ao de um plano em R
3
contendo a origem.
Os c alculos para determinar o subespa co gerado s ao sempre an alogos
ao que acabamos de fazer. Sempre que ocorrerem linhas de zeros, podemos
obter equa c oes que descrevem o espa co. Quando tais linhas n ao ocorrerem,
isso signica que n ao existem restri c oes para que o elemento generico esteja
no subespa co gerado, ou seja, o subespa co em quest ao coincide com o espa co
todo. Isso e o que acontece no pr oximo exemplo.
109
CEDERJ
Combina c oes lineares
Exemplo 4
Considere o subespa co de R
2
gerado pelos vetores (1, 1) e (1, 1). Para que
(x, y) seja combina c ao desses vetores, devem existir a e b em R tais que
a(1, 1) + b(1, 1) = (x, y). Isso signica que o sistema
S :
_
a +b = x
a b = y
deve ter solu c ao. Escalonando, obtemos
_
1 0
yx
2
0 1
xy
2
_
que tem sempre solu c ao, para quaisquer valores de x e y (n ao h a restri c oes
sobre x e y para que (x, y) esteja no espa co gerado pelos vetores em quest ao).
Da [(1, 1), (1, 1)] = R
2
.
Exemplo 5
Considere o subespa co S, de P
3
, gerado pelos polin omios p
1
= 2 t + t
2
e
p
2
= t + 3t
3
. Um polin omio x + yt + zt
2
+ wt
3
, para pertencer a S, deve
poder ser escrito como uma combina c ao linear de p
1
e p
2
, isto e, quere-
mos que existam escalares a e b tais que x + yt + zt
2
+ wt
3
= a(2 t +
t
2
) + b(t + 3t
3
). Ou seja, queremos que o sistema linear
_

_
2a = x
a + b = y
a = z
3b = w
possua solu c ao. Escalonando esse sistema, chegamos ao sistema equivalente
_

_
a = z
b = y + z
0 = z 2x
0 = w 3y 3z
. Logo, para que o sistema seja compatvel, devemos
ter z 2x = 0 e w3y 3z = 0, ou seja, z = 2x e w = 3y +6x. Concluimos,
ent ao, que S = {x + yt + zt
2
+ wt
3
P
3
|z = 2x e w = 3y + 6x}.
CEDERJ
110
Combina c oes lineares
M

ODULO 2 - AULA 10
Determina cao de geradores de um subespa co vetorial
Vimos que, dado um conjunto de vetores de um espa co vetorial V , o
conjunto de todas as suas combina c oes lineares e um subespa co vetorial de
V .

E natural pensarmos se o contr ario tambem acontece: ser a que todo
subespa co S de V e gerado por um conjunto de vetores? A resposta ` a per-
gunta nesses termos e simples: e claro que S e o subespa co gerado por S
(verique!).
Fa camos a pergunta de outro modo: ser a que todo subespa co S de
V , incluindo o pr oprio V , e gerado por um conjunto nito de vetores?
A resposta e sim para alguns espa cos, entre eles R
n
, ou M
mn
(R). Existem
tambem espa cos que n ao tem essa propriedade, como e o caso do exemplo
1-l) de subespa cos gerados. Em nosso curso, estudaremos mais a fundo os
espa cos que s ao nitamente gerados, ou seja, que admitem um conjunto nito
de geradores, o mesmo acontecendo para todos os seus subespa cos.
Veremos agora como encontrar geradores para subespa cos atraves do
estudo de alguns exemplos.
Exemplo 6
Retornemos ao exemplo 2 da Aula 9, S = {(x, 2x) : x R} R
2
. Para
vericar que de fato S e o subespa co gerado pelo vetor (1, 2) R
2
, basta
notar que os elementos de S s ao todos da forma (x, 2x) = x(1, 2): variando
o valor de x, obtemos diferentes elementos de S. Ora, x(1, 2) e a express ao
de uma combina c ao linear de (1, 2), portanto todos os elementos de S s ao
combina c oes lineares de (1, 2).
Exemplo 7
Seja S = {(x, x + y, y) : x, y R} R
3
. Raciocinando como anteriormente,
vemos que o elemento generico de S e da forma (x, x + y, y) = (x, x, 0) +
(0, y, y) = x(1, 1, 0) + y(0, 1, 1), ou seja, e combina c ao linear dos vetores
(1, 1, 0) e (0, 1, 1). Podemos escrever, ent ao, S = [(1, 1, 0), (0, 1, 1)].
Exemplo 8
Seja S = {(x, y, z) R
3
: x + y z = 0}. Para encontrar geradores para
esse subespa co do R
3
, devemos procurar escreve-lo na forma do exemplo
acima, colocando nas coordenadas do vetor generico a(s) equa c ao( oes) que
dene(m) o espa co. No caso em quest ao, como temos uma equa c ao e tres
vari aveis, podemos escrever o conjunto solu c ao da equa c ao (que e exatamente
111
CEDERJ
Combina c oes lineares
o subespa co S!) em fun c ao de duas vari aveis livres. Nesse caso, temos
S = {(y +z, y, z) : y, z R} (apenas escrevemos a vari avel x em fun c ao de
y e z). Assim, como no exemplo anterior, temos (y +z, y, z) = y(1, 1, 0)+
z(1, 0, 1), ou seja, S = [(1, 1, 0), (1, 0, 1)].
Exemplo 9
Seja S = {a + bt + ct
2
P
2
; a b 2c = 0}. A condi c ao que dene S pode
ser escrita como a = b + 2c. Inserindo essa condi c ao na express ao do vetor
generico de P
2
, temos: a +bt +ct
2
= b + 2c +bt +ct
2
= b(1 +t) +c(2 +t
2
).
Logo, escrevemos o polin omio de S como combina c ao linear dos polin omios
1 + t e 2 + t
2
, que s ao, assim, os geradores de S.
Exemplo 10
Seja
S =
__
a b
c d
_
M
2
R; a + b c = 0 e c + d = 0
_
. As equa c oes que de-
nem S podem ser escritas como c = d e a = b d. Logo, uma matriz
de S e do tipo
_
b d b
d d
_
= b
_
1 1
0 0
_
+ d
_
1 0
1 1
_
, e o conjunto
gerador de S e formado por essas duas ultimas matrizes.
Resumo
Nesta aula vimos duas importantes tecnicas envolvendo subespa cos ge-
rados:
1. Como determinar o subespa co gerado por um conjunto de vetores:
Neste caso, escrevemo um vetor generico do espa co como combina c ao
linear dos vetores geradores. Isso fornece um sistema linear o qual que-
remos que seja compatvel. Assim, ap os o escalonamento, se alguma
equa c ao tiver o primeiro membro nulo, o segundo membro tambem ter a
que se anular, fornecendo uma equa c ao do subespa co. Caso nenhuma
equa c ao tenha seu primeiro lado anulado, signica que o subespa co
gerado e todo o espa co.
2. Como determinar os geradores de um subespa co dado: embutimosas
condi c oes dadas pelas equa c oes do subespa co num vetor generico do
espa co e o decompomos como uma combina c ao linear.
CEDERJ
112
Combina c oes lineares
M

ODULO 2 - AULA 10
Exerccios
1. Em cada caso, escreva o vetor v como combina c ao linear de v
1
, . . . , v
n
.
a) Em R
2
, v = (1, 3), v
1
= (1, 2) e v
2
= (1, 1).
b) Em R
3
, v = (2, 1, 4), v
1
= (1, 0, 0), v
2
= (1, 1, 0) e v
3
= (1, 1, 1).
c) Em R
2
, v = (1, 3), v
1
= (0, 0) e v
2
= (3, 9).
d) Em R
3
, v = (2, 1, 6), v
1
= (1, 0, 2) e v
2
= (1, 1, 0).
e) Em P
2
(t, R), v = t
2
2t, v
1
= t + 1, v
2
= t
2
e v
3
= 2t.
2. Determine m R tal que o vetor v = (1, m, 3) seja combina c ao linear
dos vetores v
1
= (1, 0, 2), v
2
= (1, 1, 1) e v
3
= (2, 1, 5).
3. No exerccio anterior, substituindo o valor de m que voce encontrou,
escreva v como combina c ao linear de v
1
, v
2
e v
3
.
4. Determine o subespa co S do espa co V , gerado pelos vetores de A, em
cada caso.
a) V = R
3
, A = {(1, 2, 1), (2, 1, 2)}.
b) V = M
22
(R), A = {v
1
, v
2
, v
3
}, onde
v
1
=
_
2 3
1 1
_
, v
2
=
_
4 6
2 2
_
e v
3
=
_
0 2
1 0
_
.
c) V = P
2
(t, R), v
1
= t + 1 e v
2
= t
2
.
5. Determine um conjunto de geradores para os seguintes subespa cos:
a) S = {(x, y, z) R
3
; x = 5y e z = 2y}
b) S = {(x, y, z) R
3
; x y + z = 0}
c) S =
__
a b
c d
_
M
22
(R); a = d e c = 2b
_
d) S = {at
2
+ at + b : a, b R} P
2
(t, R)
113
CEDERJ
Combina c oes lineares
Auto-avalia cao
Ao nal desta aula voce dever a estar dominando as duas tecnicas estu-
dadas: (i) como determinar o subespa co gerado por um conjunto de vetores e
(ii) como determinar um conjunto de geradores de um subespa co dado. Este
segundo tipo de problema e resolvido rapidamente, enquanto que o primeiro
sempre recai num sistema linear sobre o qual imporemos a condi c ao de ser
compatvel. Os vetores geradores n ao s ao unicos, por isso, as respostas da-
das aqui podem n ao coincidir com as suas. Para vericar se acertou, basta
testar se cada vetor, candidato a gerador, satisfaz a condi c ao do subespa co.
Se houver qualquer d uvida, consulte o tutor da disciplina... e vamos em
frente!!!!
Respostas dos exerccios
1. a) v = 4/3v
1
+ 1/3v
2
.
b) v = v
1
3v
2
+ 4v
3
.
c) V arias respostas possveis. Uma delas e v = 45v
1
+ 1/3v
2
.
d) v = 3v
1
v
2
.
e) v = 0v
1
+ v
2
v
3
.
2. m = 1
3. v = (1, 1, 3) = (2 3a)v
1
+ (a 1)v
2
+ av
3
, onde a R.
4. a) [A] = {(x, y, z) R
3
; 5x 4y + 3z = 0}
b) [A] =
__
2a 2b 5a
b a
_
M
22
(R)
_
c) [A] = {a + at + bt
2
P
2
(t, R)}
5. a) {(5, 1, 2)}
b) {(1, 1, 0), (1, 0, 1)}
c)
__
0 1
2 0
_
,
_
1 0
0 1
__
d) {t + t
2
, 1}.
CEDERJ
114
Base e dimensao
M

ODULO 2 - AULA 11
Aula 11 Base e dimensao
Objetivos
Denir independencia linear e mostrar como vericar se um conjunto e line-
armente independente;
Denir base de um espa co vetorial e dar alguns exemplos;
Mostrar a base can onica do R
n
.
Introdu cao
Na Aula 10 estudamos subespa cos gerados por um conjunto de vetores
em um espa co vetorial V .
Veremos agora que alguns conjuntos de vetores geram um subespa co
de maneira mais eciente. Vamos come car com um exemplo.
Exemplo 1
O subespa co de R
3
gerado pelos vetores u = (1, 2, 0), v = (3, 0, 1) e No exemplo 3 da Aula 10 vi-
mos, com detalhes, a deter-
mina c ao do subespa co de R
3
gerado por u, v, e w.
w = (2, 2, 1) e o plano de equa c ao S = 2x y 6z = 0. Dizemos que
{u, v, w} e um conjunto de geradores para o plano S. No entanto, como ve-
remos a seguir, os vetores u = (1, 2, 0) e s = (12, 6, 5) juntos geram o plano
S.
Para ver isto, vamos usar o metodo explicado no exemplo 3 da Aula
10.
Se W e o subespa co gerado por u e s, ent ao (x, y, z) W quando
existem a, b R tais que (x, y, z) = a.u + b.s. Mas
au + bs = a(1, 2, 0) + b(12, 6, 5) = (a + 12b, 2a 6b, 5b).
Assim, (x, y, z) W, quando existe solu c ao para o sistema
_

_
a + 12b = x
2a 6b = y
5b = z
115
CEDERJ
Base e dimensao
Vamos colocar este sistema em forma matricial e resolve-lo:
_

_
1 12 | x
2 6 | y
0 5 | z
_

_ L
2
L
2
2L
1
L
3

1
5
.L
3
_

_
1 12 | x
0 30 | y 2x
0 1 |
z
5
_

_
L
1
L
1
12L
3
L
2
L
2
+ 30L
3
_

_
1 0 | x
12z
5
0 0 | y 2x +
30z
5
0 1 |
z
5
_

_
_

_
1 0 | x
12z
5
0 1 |
z
5
0 0 | y 2x + 6z
_

_
Isto mostra que o sistema tem solu c ao se, e somente se, 2x+y+6z = 0
(linha nula) e que, neste caso, a solu c ao e a = x
12z
5
e b =
z
5
.
Como 2x + y + 6z e a equa c ao do plano S, ent ao u e s geram o
plano S.
Portanto, o conjunto {u, v, w} gera o plano S e o conjunto {u, s}
tambem gera o mesmo plano S.
O segundo conjunto gera o mesmo subespa co com um n umero menor
de vetores geradores.
Independencia linear
A chave para entendermos o que est a acontecendo no exemplo anterior
est a no conceito de independencia linear.
Um conjunto de vetores {v
1
, v
2
, . . . , v
n
} em um espa co vetorial V e
chamado linearmente independente se a equa c ao vetorial
c
1
v
1
+ c
2
v
2
+ . . . + c
n
v
n
= 0 (1)
admite apenas a solu c ao trivial c
1
= c
2
= . . . = c
n
= 0.
O conjunto {v
1
, v
2
, . . . , v
n
} e chamado linearmente dependente quando
a equa c ao (1) admite alguma solu c ao n ao trivial, isto e, se existem escalares
c
1
, . . . , c
n
, n ao todos iguais a zero, tais que (1) seja v alido.

E comum usar a abrevia c ao L.I. para conjuntos linearmente indepen-


dentes e L.D. para os linearmente dependentes.
CEDERJ
116
Base e dimensao
M

ODULO 2 - AULA 11
Exemplo 2
Um conjunto contendo um unico vetor v e linearmente independente se, e
somente se, v = 0.
Exemplo 3
O conjunto {v
1
, v
2
} contendo apenas dois vetores v
1
, v
2
n ao-nulos e linear-
mente dependente quando um e m ultiplo do outro, pois, se c
1
v
1
+ c
2
v
2
= 0
possui solu c ao n ao trivial ent ao c
1
= 0 e c
2
= 0 (pois c
1
= 0 c
2
= 0 e
c
2
v
2
= 0 v
2
= 0, analogamente, c
2
= 0 v
1
= 0).
c
1
v
1
+ c
2
v
2
= 0 v
1
=
c
2
c
1
v
2
.
Portanto v
1
e m ultiplo de v
2
.
Exemplo 4
Seja C[0, 1] o conjunto das fun c oes reais, contnuas com domnio [0, 1]. Este
conjunto forma um espa co vetorial com as opera c oes usuais de soma de
fun c oes e multiplica c ao por escalar.
O conjunto {sen t, cos t} e linearmente independente em C[0, 1], j a que
sen t e cos t s ao n ao-nulos e n ao s ao m ultiplos um do outro enquanto vetores
de C[0, 1].
Isto e, n ao h a c R tal que sen t = c cos t, para todo t [0, 1]. Para
ver isso, basta comparar os gr acos de sen t e cos t.
O conjunto {sen 2t, sen t cos t} e linearmente dependente emC[0, 1],pois
sen 2t = 2 sen t cos t, t [0, 1].
Exemplo 5
Seja P
2
o espa co vetorial formado por polin omios de grau 2. Sejam
p
1
= 1, p
2
= x 1, p
3
= 5 x, ent ao {p
1
, p
2
, p
3
} forma um conjunto
linearmente dependente, pois
4p
1
+ p
2
+ p
3
= 0.
Como determinar se um conjunto e L.I.
Para determinarmos se um conjunto de vetores {v
1
, v
2
, ..., v
n
} e li-
nearmente independente em um espa co vetorial V , devemos vericar se a
equa c ao c
1
v
1
+ . . . + c
n
v
n
= 0 possui ou n ao solu c ao n ao-trivial.
117
CEDERJ
Base e dimensao
Exemplo 6
Mostre que o conjunto {(1, 0, 0), (0, 1, 0), (0, 0, 1)} e L.I. em R
3
Solu c ao:
Vamos resolver a equa c ao,
c
1
(1, 0, 0) + c
2
(0, 1, 0) + c
3
(0, 0, 1) = (0, 0, 0)
(c
1
, 0, 0) + (0, c
2
, 0) + (0, 0, c
3
) = (0, 0, 0)
(c
1
, c
2
, c
3
) = (0, 0, 0)
c
1
= c
2
= c
3
= 0
Portanto, a unica solu c ao e a trivial, c
1
= c
2
= c
3
= 0, o que mostra
que o conjunto e L.I.
Exemplo 7
Determine se o conjunto {u, v, w}, onde u = (1, 2, 0), v = (3, 0, 1) e
w = (2, 2, 1) e L.I. em R
3
.
Solu c ao:
Voltamos aos vetores do exemplo 1 que, como vimos, geram o plano S
dado por 2x y 6z = 0.
Vamos resolver a equa c ao
c
1
u + c
2
v + c
3
w = (0, 0, 0) (2)
Substituindo os valores de u, v e w :
c
1
(1, 2, 0) + c
2
(3, 0, 1) + c
3
(2, 2, 1) = (0, 0, 0)
(c
1
, 2c
1
, 0) + (3c
2
, 0, c
2
) + (2c
3
, 2c
3
, c
3
) = (0, 0, 0)
(c
1
+ 3c
2
+ 2c
3
, 2c
1
2c
3
, c
2
+ c
3
) = (0, 0, 0)
o que leva ao sistema
_

_
c
1
+ 3c
2
+ 2c
3
= 0
2c
1
2c
3
= 0
c
2
+ c
3
= 0
CEDERJ
118
Base e dimensao
M

ODULO 2 - AULA 11
Colocando na forma matricial e reduzindo:
_

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

_ L
2
L
2
2L
1
_

_
1 3 2 | 0
0 6 6 | 0
0 1 1 | 0
_

_ L
2
L
2
+ 6L
3
_

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

_
L
1
L
1
3L
3
L
2
L
3
L
3
L
2
_

_
1 0 1 | 0
0 1 1 | 0
0 0 0 | 0
_

_
_
c
1
c
3
= 0
c
2
+ c
3
= 0
Este sistema possui solu c ao c
1
= c
3
, c
2
= c
3
e c
3
= c
3
, para qualquer
valor de c
3
.
Ou seja, a equa c ao (2) possui innitas solu c oes n ao triviais.
Por exemplo, c
3
= 1 resulta em c
1
= 1, c
2
= 1 e c
3
= 1. Verique
que, com estes valores, c
1
u + c
2
v + c
3
w = 0.
Exemplo 8
Determine se o conjunto {u, s}, onde u = (1, 2, 0) e s = (12, 6, 5) e L.I. Ver exemplo 1.
Solu c ao:
Como o conjunto {u, s} tem dois vetores, ele e L.D. apenas quando um
dos vetores e m ultiplo do outro. Claramente, este n ao e o caso de {u, s}.
Portanto, {u, s} e L.I.
Comparando os exemplos 7 e 8, vemos que os conjuntos {u, v, w} e
{u, s} geraram o mesmo subespa co S. No entanto, {u, v, w} e L.D., enquanto
que {u, s} e L.I.
Veremos posteriormente que se um subespa co W e gerado por um con-
junto de n elementos, ent ao qualquer conjunto de m elementos, onde m > n,
e necessariamente linearmente dependente.
No exemplo acima, como {u, s} gera o subespa co S, ent ao qualquer
conjunto com mais de 2 elementos e L.D.
119
CEDERJ
Base e dimensao
Base de um subespa co vetorial
Seja W um subespa co de um espa co vetorial V . Um conjunto de vetores
B = {v
1
, ..., v
n
} e uma base de W se
(i) B e um conjunto linearmente independente.
(ii) O subespa co gerado por B e W.
Observe que a deni c ao de base se aplica tambem ao pr oprio espa co
vetorial V , pois todo espa co vetorial e subespa co de si mesmo.
Observe tambem que se B = {v
1
, ..., v
n
} e base de W, ent ao v
1
, ..., v
n
pertencem a W.
Exemplo 9
Sejam os vetores i
1
= (1, 0, 0), i
2
= (0, 1, 0) e i
3
= (0, 0, 1). Considere o
conjunto {i
1
, i
2
, i
3
}, j a vimos que o conjunto e L.I. e claramente gera R
3
, pois
(x, y, z) R
3
(x, y, z) = xi
1
+ yi
2
+ zi
3
. Logo {i
1
, i
2
, i
3
} e base de R
3
.
Esta base e chamada base can onica do R
3
.
x
1
i
1
x
2
x
3
i
2
i
3
Base can onica do R
3
Exemplo 10
Sejam os vetores:
i
1
= (1, 0, ..., 0)
i
2
= (0, 1, ..., 0)
.
.
.
i
n
= (0, 0, ..., 1)
O conjunto {i
1
, ..., i
n
} e uma base do R
n
, chamada base can onica.
CEDERJ
120
Base e dimensao
M

ODULO 2 - AULA 11
Exemplo 11
O conjunto {u, s}, onde u = {1, 2, 0} e s = {12, 6, 5}, e uma base do su-
bespa co S, onde S : 2x y 6z = 0. (Veja os exemplos 7 e 8.)
Exemplo 12
Seja P
n
o espa co dos polin omios de grau n. Ent ao o conjunto
B = {1, t, ..., t
n
} forma uma base de P
n
. Esta base e chamada can onica
de P
n
.
De fato, B claramente gera P
n
. Para provar que B e L.I., sejam
c
0
, . . . , c
n
tais que
c
0
.1 + c
1
.t + c
2
.t
2
+ ... + c
n
.t
n
= 0.
A igualdade signica que o polin omio da esquerda tem os mesmos coe-
cientes que o polin omio da direita, que e o polin omio nulo. Mas o polin omio
da esquerda deve ter innitas solu c oes, pois seu valor e zero t R, logo
deve ser nulo. Portanto, c
0
= c
1
= ... = c
n
= 0 e assim, {1, t
1
, ..., t
n
} e L.I.
Resumo
Nesta aula estudamos conjuntos linearmente independentes (L.I.) e li-
nearmente dependentes (L.D.). Vimos que um conjunto B gerador de um
subespa co W e linearmente independente e uma base de W. Vimos alguns
exemplos.
As bases s ao conjuntos geradores mnimos para um subespa co, no
sentido de que se um conjunto tem mais elementos que uma base ent ao ele
e L.D., e se tem menos elementos que uma base de W ent ao n ao gera W.
Estas propriedades das bases ser ao vistas na pr oxima aula.
121
CEDERJ
Base e dimensao
Exerccios
1. Determine uma base para o espa co das matrizes
M
2x2
(R) =
__
a b
c d
_
| a, b, c, d R}.
2. Sejam u, v e w os vetores do exemplo 7. Vimos que {u, v, w} e
L.D. Mostre que os conjuntos {u, v}, {u, w} e {v, w} s ao linearmente
independentes.
3. Determine uma base para o subespa co
S = {(x, x + y, 2y)| x, y R} R
3
.
4. Sejam v
1
=
_

_
1
2
3
_

_
, v
2
=
_

_
1
2
3
_

_
e v
3
=
_

_
1
10
3
_

_
. Seja H o
subespa co de R
3
gerado por {v
1
, v
2
, v
3
}. Mostre que {v
1
, v
2
, v
3
} e line-
armente dependente e que {v
1
, v
2
} e uma base para H.
5. No espa co vetorial de todas as fun c oes reais, mostre que
{t, sen t, cos 2t, sen t cos t} e um conjunto linearmente independente.
6. Determine uma base para os subespa cos a seguir (veja exerccio 5 da
Aula 10).
(a) S = {(x, y, z) R
3
; x = 5y e z = 2y} .
(b) S = {(x, y, z) R
3
; x y + z = 0} .
(c) S =
__
a b
c d
_
M
2X2
(R); a = d e c = 2b}.
(d) S = {at
2
+ at + b; a, b R} P
2
(t, R) .
CEDERJ
122
Dimensao de um espa co vetorial
M

ODULO 2 - AULA 12
Aula 12 Dimensao de um espa co vetorial
Objetivo
Apresentar o sistema de coordenadas determinado por uma base em um
espa co vetorial V ;
Mostrar que se um espa co vetorial V tem uma base com n elementos ent ao
todas as bases de V tem n elementos;
Denir dimens ao.
Introdu cao
Uma vez que esteja especicada uma base B para um espa co vetorial V ,
podemos representar um vetor v V por suas coordenadas na base B. Por
isso, dizemos que uma base B de V estabelece um sistema de coordenadas
em V .
Veremos, com mais detalhes, o que isso tudo quer dizer mais adiante.
Veremos que, se a base B tem n vetores, ent ao um vetor v V ca repre-
sentado por uma n-upla (a
1
, a
2
, . . . , a
n
). Isto faz o espa co vetorial V se
parecer com R
n
. Exploraremos esta rela c ao para mostrar que todas as bases
de um mesmo espa co vetorial V tem o mesmo n umero de elementos.
Sistema de coordenadas
A existencia de um sistema de coordenadas est a baseada no seguinte
teorema.
Teorema 1 (Representa cao unica)
Seja B = {b
1
, . . . , b
n
} uma base para um espa co vetorial V . Ent ao, para
cada x V , existe um unico conjunto de escalares c
1
, . . . , c
n
, tal que
x = c
1
b
1
+ . . . + c
n
b
n
.
123
CEDERJ
Dimensao de um espa co vetorial
Demonstra c ao.
Como B = {b
1
, . . . , b
n
} e uma base de V , ent ao gera V , logo todo
x V e combina c ao linear dos vetores em B. Portanto, existem
c
1
, . . . , c
n
R tais que:
x = c
1
b
1
+ . . . + c
n
b
n
. (1)
Vamos agora provar a unicidade. Suponha que x tambem tenha a
representa c ao
x = d
1
b
1
+ . . . + d
n
b
n
. (2)
Subtraindo (1) e (2), obtemos:
0 = x x = (c
1
d
1
)b
1
+ . . . + (c
n
d
n
)b
n
. (3)
Como B e linearmente independente, os coecientes c
1
d
1
,
c
2
d
2
, . . . , c
n
d
n
, na equa c ao (3), devem ser todos nulos, logo
c
i
= d
i
, i = 1, . . . , n, o que mostra que a representa c ao e unica.
Deni cao
Seja x V e seja B = {b
1
, . . . , b
n
} uma base de V . Se
x = c
1
b
1
+ . . . + c
n
b
n
,
ent ao os escalares c
1
, . . . , c
n
s ao chamados coordenadas de x na base B e
escrevemos
[x]
B
=
_

_
c
1
.
.
.
c
n
_

_
.
Exemplo 1
Seja a base B = {b
1
, b
2
} do R
2
dada por b
1
=
_
1
1
_
e b
2
=
_
0
2
_
. Sejam
x, y R
2
. Se [x]
B
=
_
1
3
_
, determine x e, se y =
_
2
5
_
, determine [y]
B
.
CEDERJ
124
Dimensao de um espa co vetorial
M

ODULO 2 - AULA 12
Solu c ao:
Como x
B
=
_
1
3
_
, ent ao
x = 1.b
1
+ 3b
2
= 1.
_
1
1
_
+ 3.
_
0
2
_
=
_
1
7
_
.
Se y =
_
2
5
_
e [y]
B
=
_
y
1
y
2
_
, ent ao,
_
2
5
_
= y
1
b
1
+ y
2
b
2
= y
1
_
1
1
_
+ y
2
_
0
2
_
_
2
5
_
=
_
y
1
y
1
+ 2y
2
_
,
o que resulta em
_
y
1
= 2
y
1
+ 2y
2
= 5 2 + 2y
2
= 5 y
2
=
3
2
.
Portanto, [y]
B
=
_
2
3
2
_
.
Exemplo 2
A base can onica b = {i
1
, i
2
} e a base em que x = [x]
B
, para todo x R
2
,
pois, se [x]
B
=
_
a
b
_
, ent ao
x = a.i
1
+ b.i
2
= a.
_
1
0
_
+ b.
_
0
1
_
=
_
a
b
_
= [x]
B
.
Exemplo 3
Seja B = {2, 1t, 1+t +t
2
} uma base de P
2
[t], o espa co dos polin omios em
uma vari avel de grau 2 (verique que B e uma base de P
2
[t]). Determine
as coordenadas de x = t
2
1 na base B.
125
CEDERJ
Dimensao de um espa co vetorial
Solu c ao:
Se B = {b
1
, b
2
, b
3
} e [x]
B
=
_

_
c
1
c
2
c
3
_

_
, ent ao
x = c
1
b
1
+ c
2
b
2
+ c
3
b
3
, isto e
1 + t
2
= c
1
.2 + c
2
.(1 t) + c
3
.(1 + t + t
2
)
1 + t
2
= 2c
1
+ c
2
c
2
t + c
3
+ c
3
t + c
3
t
2
1 + t
2
= (2c
1
+ c
2
+ c
3
) + t(c
2
+ c
3
) + c
3
t
2
Comparando os coecientes, obtemos
_

_
2c
1
+ c
2
+ c
3
= 1
c
2
+ c
3
= 0
c
3
= 1
, o que leva a
_

_
c
1
=
3
2
c
2
= 1
c
3
= 1
.
Portanto, [x]
B
=
_

3
2
1
1
_

_
.
Exemplo 4
Seja V um espa co vetorial e B = {b
1
, . . . , b
n
} uma base de V . A repre-
senta c ao do vetor nulo em B e [0]
B
=
_

_
0
.
.
.
0
_

_
, pois, se [v]
B
=
_

_
0
.
.
.
0
_

_
, ent ao
v = 0.b + . . . + 0.b
n
= 0.
Base de um espa co vetorial
Nesta se c ao, provaremos que todas as bases de um espa co vetorial V
tem o mesmo n umero de elementos. Vamos iniciar com o R
n
.
O conjunto B = {i
1
, i
2
, ..., i
n
} e uma base de R
n
(ver exemplo 10 da
aula 11). Esta e a base can onica do R
n
. No teorema a seguir, veremos que
qualquer conjunto com mais de n elementos e L.D.
Teorema 2
Seja S = {u
1
, ..., u
p
} um subconjunto do R
n
. Se p > n, ent ao S e linear-
mente dependente.
CEDERJ
126
Dimensao de um espa co vetorial
M

ODULO 2 - AULA 12
Demonstra c ao.
Seja u
1
=
_

_
x
11
x
12
.
.
.
x
1n
_

_
, . . . , u
p
=
_

_
x
p1
x
p2
.
.
.
x
pn
_

_
.
A equa c ao
c
1
u
1
+ . . . + c
p
u
p
= 0 (1)
pode ser escrita como
c
1
_

_
x
11
x
21
.
.
.
x
n1
_

_
+ + c
p
_

_
x
1p
x
2p
.
.
.
x
np
_

_
=
_

_
0
0
.
.
.
0
_

_
vetor nulo doR
n
o que resulta no sistema
_

_
x
11
c
1
+ + x
1p
c
p
= 0
x
21
c
1
+ + x
2p
c
p
= 0
.
.
. (2)
x
n1
c
1
+ + x
2p
c
p
= 0
O sistema (2) e um sistema homogeneo, nas vari aveis c
1
, . . . , c
p
, com
n equa c oes. Como p > n, ent ao trata-se de um sistema homogeneo com mais
vari aveis que equa c oes. Segue-se que h a solu c oes n ao-triviais de (2), logo
(1) tem solu c oes n ao-triviais e, portanto S = {u
1
, . . . , u
p
} e linearmente
dependente.
O pr oximo teorema, generaliza este resultado para qualquer espa co ve-
torial.
Teorema 3
Se um espa co vetorial V tem base B = {b
1
, . . . , b
n
}, ent ao todo subconjunto
de V com mais de n vetores e linearmente dependente.
Demonstra c ao.
Seja {u
1
, . . . , u
p
} um subconjunto de V , com p > n. Os vetores das
coordenadas [u
1
]
B
, [u
2
]
B
, . . . , [u
p
]
B
formam um subconjunto do R
n
com
p > n vetores. Pelo teorema anterior este e um conjunto L.D.
127
CEDERJ
Dimensao de um espa co vetorial
Portanto, existem escalares c
1
, . . . , c
p
, nem todos iguais a zero, tais
que
c
1
[u
1
]
B
+ . . . + c
p
[u
p
]
B
=
_

_
0
.
.
.
0
_

_
Como a transforma c ao de coordenadas e uma transforma c ao linear, Verique que se B e uma
base de um espa co veto-
rial V, a, b V e
c
1
e c
2
s ao escalares, ent ao
[c
1
a+c
2
b]
B
= c
1
[a]
B
+c
2
[b]
B
.
Isto mostra que a trans-
forma c ao de coordenadas e
uma transforma c ao linear.
temos
[c
1
u
1
+ . . . + c
p
u
p
]
B
=
_

_
0
.
.
.
0
_

_
Portanto, a representa c ao do vetor c
1
u
1
+ . . . + c
p
u
p
, na base B e
[0 0], isto e,
c
1
u
1
+ ... + c
p
u
p
= 0.b
1
+ ... + 0.b
n
= 0 (3)
A equa c ao (3) mostra que u
1
, . . . , u
p
e um conjunto linearmente de-
pendente.
Teorema 4
Se um espa co vetorial V tem uma base com n vetores, ent ao toda base de V
tambem tem exatamente n vetores.
Demonstra c ao.
Seja B
1
uma base com n vetores e seja B
2
uma outra base de V .
Como B
1
e base e B
2
e linearmente independente, ent ao B
2
n ao tem
mais que n vetores, pelo teorema anterior.
Por outro lado, como B
2
e base e B
1
e linearmente independente, ent ao
B
2
n ao tem menos que n vetores. Disto resulta que B
2
tem exatamente n
vetores.
Um espa co vetorial pode n ao ter uma base com um n umero nito de ve-
tores. Por exemplo, o espa co vetorial dos polin omios na vari avel t, denotado
R[t], n ao tem base nita. Uma base para este espa co e
{1, t, t
2
, t
3
, ...}.
Como este conjunto e innito, ent ao R[t] n ao pode ter base nita (se tivesse
uma base com d elementos, ent ao qualquer conjunto com mais de d elementos
seria L.D., logo n ao poderia ter uma base innita).
CEDERJ
128
Dimensao de um espa co vetorial
M

ODULO 2 - AULA 12
O teorema anterior mostra que, se um espa co vetorial V tem base nita,
ent ao todas as bases tem o mesmo n umero de elementos. Isto motiva a
seguinte deni c ao:
Deni cao
Se V tem uma base nita, ent ao V e chamado espa co vetorial de di-
mens ao nita e chamamos de dimens ao de V , denotada dim V , o n umero de
vetores de uma base de V . Caso V n ao tenha uma base nita, dizemos que
V e um espa co vetorial de dimens ao innita. A dimens ao do espa co vetorial
trivial [0] e denida como sendo igual a zero.
Exemplo 5
dim R
n
= n. Basta notar que a base can onica do R
n
tem n vetores.
Exemplo 6
dim P
n
= n + 1, onde o P
n
e o espa co vetorial dos polin omios de grau n.
Uma base de P
n
e o conjunto
{1, t, t
2
, . . . , t
n
},
que tem n + 1 vetores.
Exemplo 7
Determine a dimens ao do subespa co H de R
3
geral do pelos vetores
v
1
=
_

_
1
2
1
_

_
e v
2
=
_

_
0
1
1
_

_
.
Solu c ao:
Como v
1
e v
2
n ao s ao m ultiplos um do outro, ent ao o conjunto {v
1
, v
2
}
e L.I, portanto e uma base de H. Logo dim H = 2.
Teorema do conjunto gerador
Um problema comum e o de encontrar uma base para um subespa co
gerado por um certo conjunto de vetores. Se este conjunto e L.I., ent ao e
base do subespa co que ele gera, se n ao for L.I., ent ao possui excesso de
vetores, como mostra o teorema a seguir.
129
CEDERJ
Dimensao de um espa co vetorial
Teorema 5 (Teorema do Conjunto Gerador)
Seja S = {v
1
, ..., v
p
} um conjunto em V e seja H o conjunto gerado por
{v
1
, ..., v
p
}
a) Se um dos vetores de S, digamos v
k
, e combina c ao linear dos outros,
ent ao S {v
k
} ainda gera o subespa co H.
b) Se H = {0}, ent ao algum subconjunto se S e uma base de H.
Demonstra c ao.
a) Reordenando os vetores, se necess ario, suponha que v
p
e combina c ao
linear dos vetores v
1
, ..., v
p1
. Ent ao existem escalares c
1
, ..., c
p1
tais
que
v
p
= c
1
v
1
+ . . . + c
p1
v
p1
. (1)
Seja x um vetor em H. Ent ao existem x
1
, ..., x
p
tais que
x = x
1
v
1
+ . . . + x
p1
v
p1
+ x
p
v
p
. (2)
Substituindo o valor de v
p
de (1) em (2) resulta que
x = x
1
v
1
+ . . . + x
p1
v
p1
+ x
p
.(c
1
v
1
+ . . . + c
p1
v
p1
)
= (x
1
+ c
1
x
p
)v
1
+ . . . + (x
p1
+ c
p1
x
p
)v
p1
.
Portanto, todo x H e combina c ao linear dos vetores v
1
, v
2
, . . . , v
p1
.
b) Se o conjunto gerador inicial S e linearmente independente, ent ao e base
do subespa co H que gera. Caso contr ario, e linearmente dependente,
o que implica que algum vetor em S e combina c ao linear dos demais.
Excluindo este vetor, obtemos um subconjunto S
1
S, que tambem
gera H. Se S
1
e linearmente independente ent ao e base de H. Caso
contr ario, algum vetor em S
1
e combina c ao linear dos outros. Excluindo
este, obtemos S
2
que tambem gera.
Como H = {0} e o conjunto inicial S e nito, ent ao o processo acima
deve parar, isto e, existe um subconjunto S
i
de S, tal que S
i
gera H e
S
i
e linearmente independente.
CEDERJ
130
Dimensao de um espa co vetorial
M

ODULO 2 - AULA 12
Exemplo 8
Determine uma base para o subespa co
H =
_

_
_

_
a + b c
2a + d
b c d
5d
_

_
, tal que a, b, c e d R}
Solu c ao:
Claramente H R
4
. Note que
_

_
a + b c
2a + d
b c d
5d
_

_
=
_

_
a
2a
0
0
_

_
+
_

_
b
0
b
0
_

_
+
_

_
c
0
c
0
_

_
+
_

_
0
d
d
5d
_

_
= a
_

_
1
2
0
0
_

_
+ b
_

_
1
0
1
0
_

_
+ c
_

_
1
0
1
0
_

_
+ d
_

_
0
1
1
5
_

_
.
Portanto, H e gerado pelos vetores
v
1
=
_

_
1
2
0
0
_

_
, v
2
=
_

_
1
0
1
0
_

_
, v
3
=
_

_
1
0
1
0
_

_
, v
4
=
_

_
0
1
1
5
_

_
.
Devemos checar se estes vetores formam um conjunto L.I. Claramente,
v
3
e m ultiplo de v
2
. Portanto, podemos excluir v
3
. O conjunto {v
1
, v
2
, v
3
} e,
pelo teorema anterior, gerador de H.
Para checar se {v
1
, v
2
, v
3
} e L.I., vamos resolver a equa c ao c
1
v
1
+ c
2
v
2
+
c
4
v
4
= 0
c
1
_

_
1
2
0
0
_

_
c
2
_

_
1
0
1
0
_

_
+ c
4
_

_
0
1
1
5
_

_
=
_

_
0
0
0
0
_

_
.
131
CEDERJ
Dimensao de um espa co vetorial
O que resulta no sistema
_

_
c
1
+ c
2
= 0
2c
1
+ c
4
= 0
c
2
c
4
= 0
5c
4
= 0
,
este sistema implica em c
2
= c
4
= 0 e c
1
= 0 e c
2
= 0, o que mostra que
{v
1
, v
2
, v
4
} e L.I. e, portanto, base de H.
Resumo
Nesta aula vimos a deni c ao de dimens ao de um espa co vetorial.
A deni c ao dada faz sentido apenas porque, como estudamos, se um espa co
vetorial V tem uma base com n elementos, ent ao todas as bases de V tem
tambem n elementos.
Vimos tambem que, dado um conjunto B, linearmente dependente,
gerador de um subespa co H de um espa co vetorial, podemos ir retirando
certos vetores de B ate que o conjunto resultante seja uma base de H.
Exerccios
Para cada subespa co H nos exerccios 1 a 6, determine uma base de H
e sua dimens ao.
1. H = {(s 2t, s + t, 4t); s, t R}.
2. H = {(3s, 2s, t); s, t R}.
3. H = {(a + b, 2a, 3a b, 2b); a, b R}.
4. H = {(a, b, c); a 3b + c = 0, b 2c = 0 e 2b c = 0}.
5. H = {(a, b, c, d); a 3b + c = 0}.
6. H = {(x, y, x); x, y R}.
7. Determine a dimens ao do subespa co de R
3
gerado pelos vetores
_

_
1
0
2
_

_,
_

_
3
1
1
_

_,
_

_
9
4
2
_

_,
_

_
7
3
2
_

_.
CEDERJ
132
Dimensao de um espa co vetorial
M

ODULO 2 - AULA 12
8. Os quatro primeiros polin omios de Hermite s ao 1, 2t, 2 + 4t
2
e
12t + 8t
3
.
Mostre que estes polin omios formam uma base de P
3
.
9. Encontre as coordenadas do polin omio p(t) = 7 12t 8t
2
+ 12t
3
na
base de P
3
formada pelos polin omios de Hermite (ver exerccio 8).
10. Mostre que o espa co C(R) formado por todas as fun c oes reais e um
espa co de dimens ao innita.
11. Mostre que uma base B de um espa co vetorial de dimens ao nita V e
um conjunto gerador minimal. Em outras palavras, se B tem n vetores
ent ao nenhum conjunto com menos de n vetores pode gerar V .
Mostre tambem que a base B e um conjunto linearmente independente
maximal, no sentido que qualquer conjunto com mais de n vetores n ao
pode ser L.I.
12. Mostre que se H e subespa co de V e dimH = dimV ent ao H = V .
133
CEDERJ
Soma de subespa cos
M

ODULO 2 - AULA 13
Aula 13 Soma de subespa cos
Objetivos
Mostrar um metodo pr atico para obter uma base de um subespa co vetorial
a partir de um conjunto gerador deste subespa co.
Provar o teorema do completamento, que arma que, dado um conjunto L.I.
em um subespa co vetorial V podemos complet a-lo para tornar uma base
de V .
Denir soma de subespa cos e ver o teorema da dimens ao da soma.
Como obter uma base a partir de um conjunto gerador
Seja S = {b
1
, b
2
, b
3
, . . . , b
n
} um conjunto e U o subespa co gerado por
S. Seja M a matriz obtida escrevendo os vetores b
1
, . . . , b
n
como linhas de
M, isto e, b
i
e a i-esima linha de M.
M =
_

_
b
1
b
2
.
.
.
b
n
_

_
.
As opera c oes elementares nas linhas de M s ao:
Multiplica c ao de uma linha por uma constante: L
i
.L
i
Troca de uma linha por outra: L
i
L
j
Substituir uma linha por uma combina c ao linear dela por outra:
L
i
L
i
+ .L
j
.
Estas opera c oes levam os vetores b
1
, . . . , b
n
a vetores b
i

, . . . , b
n

que
pertencem ao espa co gerado por {b
1
, . . . , b
n
}. Como estas opera c oes s ao
invertveis, isto e, posso passar de {b
1

, . . . , b
n

} a {b
1
, . . . , b
n
} aplicando
opera c oes elementares, ent ao o espa co gerado por {b
1
, . . . , b
n
} e o mesmo
gerado por {b
1

, . . . , b
n

}.
135
CEDERJ
Soma de subespa cos
Podemos usar esta propriedade para reduzir a matriz M =
_

_
b
1
b
2
.
.
.
b
n
_

_
a uma matriz na forma M

=
_

_
b
1

b
2

.
.
.
b
r

0
.
.
.
0
_

_
; onde os b
1

, b
2

, . . . , b
r

s ao L.I..
Neste caso, {b
1

, b
2

, . . . , b
r

} e um conjunto L.I. e gera o mesmo subespa co U


gerado por {b
1
, . . . , b
n
}. Em outras palavras, obtivemos uma base a partir
do conjunto gerado.
Exemplo 1
Obtenha uma base do subespa co U do R
4
gerado pelos vetores {(1, 1, 0, 2),
(2, 0, 1, 1), (0, 1, 2, 1), (1, 1, 1, 3)}. Determine a dimens ao de U.
Solu c ao:
Vamos formar a matriz M dos vetores acima e reduz-la:
M =
_
_
_
_
_
1 1 0 2
2 0 1 1
0 1 2 1
1 1 1 3
_
_
_
_
_

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

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

_
_
_
_
_
1 1 0 2
0 1 2 1
0 0 5 5
0 0 1 1
_
_
_
_
_

_
_
_
_
_
1 1 0 2
0 1 2 1
0 0 1 1
0 0 5 5
_
_
_
_
_

_
_
_
_
_
1 1 0 2
0 1 2 1
0 0 1 1
0 0 0 0
_
_
_
_
_
.
Vemos que o subespa co U tem base {(1, 1, 0, 2), (0, 1, 2, 1), (0, 0, 1, 1)}.
Portanto, dimU = 3.
Observe que, claramente, vetores na forma
_
_
_
_
_
_
_
_
x
1

0 x
2

0 0 x
3

0 0 0 x
4

.
.
.
_
_
_
_
_
_
_
_
,
onde as entradas marcadas podem ter qualquer valor e x
1
= 0, x
2
= 0 etc.
s ao necessariamente L.I.
CEDERJ
136
Soma de subespa cos
M

ODULO 2 - AULA 13
Teorema do Completamento
Vimos, na se c ao anterior, como obter uma base de um conjunto gerador.
Se este conjunto n ao e L.I., temos que diminu-lo para conseguir uma base.
Nesta se c ao veremos o inverso. Como obter uma base de um conjunto
L.I.. Se este conjunto n ao e gerador, ent ao temos que aument a-lo de forma
que continue L.I. e que se torne gerador.
Teorema 1
Seja {b
1
, . . . , b
r
} um conjunto L.I. em um espa co vetorial de dimens ao nita
V . Ent ao existem b
r+1
, . . . , b
n
, tal que {b
1
, . . . , b
r
, b
r+1
, . . . , b
n
} formam uma
base de V , onde n = dimV .
Demonstra c ao.
Se {b
1
, . . . , b
r
} gera o espa co V ent ao nada temos a fazer.
Se {b
1
, . . . , b
r
} n ao e gerador ent ao existe b
r+1
V tal que b
r+1
n ao e
combina c ao linear de b
1
, . . . , b
r
. Portanto,
{b
1
, . . . , b
r
, b
r+1
} e um conjunto L.I.
Se este conjunto agora e gerador, obtivemos uma base. Se n ao, h a um vetor
b
r+2
V tal que b
r+2
n ao e combina c ao linear de b
1
, . . . , b
r+1
. Portanto,
{b
1
, . . . , b
r
, b
r+1
, b
r+2
} e L.I.
Se este conjunto for gerador, obtivemos uma base, caso contr ario continua-
mos com o processo, obtendo b
r+3
, b
r+4
, etc. Como V tem dimens ao nita,
digamos dimV = n, quando chegarmos a {b
1
, . . . , b
n
} teremos obtido uma
base, pois o processo leva sempre a conjuntos L.I. e um conjunto L.I. com
n (= dim(V )) elementos deve ser uma base.
Soma de subespa cos
Dados subespa cos U e V de um espa co vetorial W, podemos obter um
subespa co maior que inclui U e V como subconjuntos (e como subespa cos).
J a que este subespa co contem todo u U e todo v V , ent ao deve conter
todos os u +v, com u U e v V . (Lembre-se que subespa cos s ao fechados
para a soma de vetores!)
Portanto, qualquer subespa co que contenha U e V deve conter as somas
u + v, com u U e v V . Isto motiva a seguinte deni c ao:
137
CEDERJ
Soma de subespa cos
Deni cao
Sejam U e V subespa cos de um espa co vetorial W. Chamamos de soma
de U e V o conjunto Note que, nesta deni c ao,
U + V e s o um conjunto.
Mostraremos em seguida que
e subespa co de W.
U + V = {u + v; u V e v V }.
Note que U U + V e V U + V .
Na discuss ao acima, vimos que qualquer subespa co que contenha U e
V deve conter o conjunto U + V denido acima.
A pr oxima proposi c ao mostra que o conjunto U +V j a e um subespa co
vetorial.
A soma de subespa cos e um subespa co
Proposi cao 1
Se U e V s ao subespa cos de um espa co vetorial W, ent ao U +V e subespa co
de W.
Demonstra c ao.
Basta provar que U +V e n ao vazio, fechado para a soma de vetores e
produto por escalar.
U + V = pois U e V s ao n ao vazios. Em particular, 0 U + V , pois
0 U e 0 V 0 = 0 + 0 U + V.
Se x
1
, x
2
U + V ent ao x
1
= u
1
+ v
1
e x
2
= u
2
+ v
2
, para certos
vetores u
1
, u
2
U e v
1
, v
2
V , ent ao
x
1
+ x
2
= (u
1
+ v
1
) + (u
2
+ v
2
) = (u
1
+ u
2
) + (v
1
+ v
2
).
Como u
1
+ u
2
U e v
1
+ v
2
V ent ao x
1
+ x
2
U + V .
Se x = u + v U + V , com u U e v V , ent ao x = (u + v) =
u + v; R. Como u U e v V , ent ao x U + V .

Como U + V e subespa co e, como observamos acima, todo subespa co


de W que contenha U e V deve conter U+V , ent ao podemos dizer que U+V
e o menor subespa co de W contendo U e V .
CEDERJ
138
Soma de subespa cos
M

ODULO 2 - AULA 13
Exemplos
2. U = U +{0}, onde {0} e o espa co vetorial nulo.
3. Seja U = {(x, 0, 0); x R} e V = {(0, y, z); y, z R}, subespa cos
vetoriais do R
3
. Ent ao temos que
U + V = {(x, 0, 0) + (0, y, z); x, y, z R}
= {(x, y, z); x, y, z R} = R
3
.
Isto e, a soma de U e V e todo o R
3
.
Agora observe o seguinte: U e uma reta, o eixo OX, enquanto que V
e o plano dado por x = 0.
Neste caso, a soma de um plano e uma reta e o espa co R
3
.
v
U
x
y
z
U + V = R
3
4. Seja U = {(x, 0, 0)} R
3
e V = {(x, y, 0)} R
3
, ent ao U V e
U + V = V .
Neste caso, a soma de um plano e uma reta e o pr oprio plano.
O que diferencia os exemplos 3 e 4?
No exemplo 3, somamos um plano e uma reta n ao contida nele, o que
resulta no espa co, enquanto que no exemplo 4, somamos um plano e
uma reta contida no plano, resultando no pr oprio plano. Voltaremos a
este t opico quando falarmos sobre a base da soma.
5. Claramente, se U V ent ao U + V = V .
139
CEDERJ
Soma de subespa cos
Soma direta
Intuitivamente, quanto menor U V , mais ganhamos quando passa-
mos de U e V para U +V . Em um caso extremo, se U V ent ao U +V = V
e n ao ganhamos nada.
Lembre-se que U + V deve sempre conter o vetor nulo 0.
Deni cao
Sejam U e V subespa cos vetoriais de W tais que U V = {0}. Ent ao
dizemos que U + V e a soma direta de U e V .
Denotamos a soma direta por U V .
No caso que U V = W ent ao dizemos que U e V s ao complementares
e dizemos que V e o complementar de U em rela c ao a W (e vice-versa).
Veremos que dado subespa co U de W, sempre existe o espa co com-
plementar de U em rela c ao a W, isto e, sempre existe V W tal que
U V = W.
Na pr oxima proposi c ao, veremos como a soma direta est a relacionada
` a decomposi c ao unica de cada vetor como soma de vetores nos subespa cos.
Proposi cao 2
Sejam U e V subespa cos vetoriais de um espa co vetorial W. Ent ao
W = U V se, e somente se, cada vetor w W admite uma unica de-
composi c ao w = u + v, com u U e v V .
Demonstra c ao.
() Suponha, por hip otese, que W = U V . Ent ao, dado w W,
existem u U e v V , tais que w = u + v. Temos que provar apenas a
unicidade. Suponha que exista outra decomposi c ao w = u

+v, com u

U
e v

V .
Ent ao
w = u + v
w = u

+ v

(u u

) + (v v

) = 0 u u

= v

v.
Mas uu

U e v

v V . Como U V = {0} (pois a soma e direta),


ent ao
u u

= v

v u u

= v

v = 0 u = u

e v = v

.
Portanto a decomposi c ao e unica.
CEDERJ
140
Soma de subespa cos
M

ODULO 2 - AULA 13
() Suponha que exista decomposi c ao unica.
Como todo w W se escreve como w = u + v, com u U e v V ,
ent ao W = U + V . Resta provar que a soma e direta.
Seja x U V . Ent ao podemos escrever
x = x + 0 = 0 + x
U V U V
A unicidade da decomposi c ao implica em que x = 0, ou seja,
U V = {0}.
Exemplo 6
Seja {b
1
, . . . , b
n
} uma base para um espa co vetorial. Vimos que todo v V
tem uma unica decomposi c ao na forma
v =
1
b
1
+ . . . +
n
b
n
.
Cada
i
b
i
pertence ao subespa co [b
i
] gerado pelo vetor b
i
. Portanto,
vale que
V = [b
1
] [b
2
] . . . [b
n
].
O exemplo anterior leva ` a quest ao de como obter uma base de uma
soma U V , tendo a base de U e de V .
Base e dimensao da soma de subespa cos
Seja W um espa co vetorial de dimens ao nita, e sejam U e V subespa cos
de W. Vimos que U V e U + V s ao subespa cos de W. A proposi c ao a
seguir relaciona a dimens ao destes subespa cos.
Proposi cao 3
dim(U + V ) + dim(U V ) = dimU + dimV
Demonstra c ao.
Seja B
1
= {x
1
, ..., x
r
} uma base de U V , onde r = dim(U V ).
Vamos agora completar esta base B
1
de forma a criar uma base de U e
uma base de V .
141
CEDERJ
Soma de subespa cos
Pelo teorema do completamento, existem vetores u
1
, . . . , u
s
em U e
v
1
, . . . , v
t
em V tais que
B
2
= {x
1
, . . . , x
r
, u
1
, . . . , u
s
} e uma base de U e
B
3
= {x
1
, . . . , x
r
, v
1
, . . . , v
t
} e uma base de V.
Note que r + s = dimU e r + t = dimV . Mostraremos, a seguir, que
B = {x
1
, . . . , x
r
, u
1
, . . . , u
s
, v
1
, . . . , v
t
} e uma base de U + V.
a) o conjunto B gera U + V .
Seja w U + V . Ent ao w = u + v, para certos u U e v V . Como
B
2
e B
3
s ao bases de U e V , respectivamente, ent ao podemos escrever,
u =
1
x
1
+ . . . +
r
x
r
+
1
u
1
+ . . . +
s
u
s
v =
1

x
1
+ . . . +
r

x
r
+
1
v
1
+ . . . +
t
v
t
onde as letras gregas s ao escalares. Somando u e v encontramos
w = u+v = (
1
+
1

)x
1
+. . .+(
r
+
r

)x
r
+
1
u
1
+. . .+
s
u
s
+
1
v
1
+. . .+
t
v
t
.
Portanto, o conjunto B gera U + V .
b) o conjunto B e linearmente independente. Suponhamos que
(1)
1
x
1
+ . . . +
r
x
r
+
1
u
1
+ . . . +
s
u
s
+
1
v
1
+ . . . +
t
v
t
= 0
ent ao,

1
x
1
+ . . . +
r
x
r
+
1
u
1
+ . . . +
s
u
s
=
1
v
1
. . .
t
v
t
.
O vetor do lado esquerdo da igualdade est a em U, logo

1
v
1
. . .
t
v
t
U. Mas v
1
, . . . , v
t
est ao em V , logo

1
v
1
. . .
t
v
t
U V.
Como x
1
, . . . , x
r
formam uma base de U V , segue-se que existem
escalares
1
, . . . ,
r
tais que

1
v
1
. . .
t
v
t
=
1
x
1
+ . . . +
r
x
r

1
x
1
+ . . . +
r
x
r
+
1
v
1
+ . . . +
t
v
t
= 0.
CEDERJ
142
Soma de subespa cos
M

ODULO 2 - AULA 13
A equa c ao anterior e uma combina c ao linear dos vetores em B
3
, que e
base de V , portanto L.I.. Segue-se que

1
= . . . =
r
=
1
= . . . =
t
= 0.
Substituindo
1
= ... =
t
= 0 em (1), obtemos

1
x
1
+ . . . +
r
x
r
+
1
u
1
+ . . . +
s
u
s
= 0
que e uma combina c ao linear nos vetores em B
1
, que e base de U, logo

1
= . . . =
r
=
1
= . . . =
s
= 0.
Com isto, provamos que todos os coecientes em (1) s ao nulos, ou seja,
o conjunto B e L.I.
Conclumos que B e base de U + V . Como B tem r + s + t vetores,
ent ao dim(U + V ) = r + s + t, segue-se que
dim(U + V ) + dim(U V )
= r + s + t + r = (r + s) + (r + t) = dimU + dimV

No caso em que a soma e direta, U V = {0}, logo dimU V = 0 e


dim(U V ) = dimU + dimV.
Alem disso, na demonstra c ao do teorema acima, vimos que, no caso de
soma direta, se B
1
e base de U e B
2
e base de V , ent ao B
1
B
2
e base de
U V .
Em geral, se U V = {0}, ent ao B
1
B
2
e um conjunto gerador de
U + V , mas n ao e L.I.
Exemplo 7
Seja U = {(0, y, z); y, z R} e V = [(1, 1, 0)]. O subespa co U de R
3
tem
base {(0, 1, 0), (0, 0, 1)}, portanto dimU = 2. Claramente dimV = 1. Vamos
determinar U V .
Se w U V , ent ao w = (1, 1, 0) , logo
(0, y, z) = .(1, 1, 0) = (, , 0)
_

_
= 0
= y
0 = z
143
CEDERJ
Soma de subespa cos
Portanto = 0 w = 0.
Assim U V = {0}. Segue-se que a soma e direta e
dim(U V ) = dimU + dimV = 2 + 1 = 3.
Como U + V e subespa co de R
3
e dim(U + V ) = 3 ent ao
U + V = R
3
.
r
Se uma reta r n ao est a con-
tida em um plano , ent ao
r pode ser vazio (reta pa-
ralela) ou um ponto, quando
a reta corta o plano (ver -
gura acima).
Temos ent ao a situa c ao em que a soma de um plano (U e o plano x = 0)
e uma reta n ao contida no plano e todo o espa co R
3
. Se a reta estiver contida
no plano, ent ao V U U + V = U.
Exemplo 8
Seja U subespa co de R
4
gerado por {(1, 1, 0, 0), (0, 0, 1, 0)} e
V = {(x, y, z, t); y + z = 0}.

E f acil ver que o conjunto {(1, 1, 0, 0), (0, 0, 1, 0)} e linearmente inde-
pendente, logo dimU = 2.
Vamos determinar uma base de V .
v = (x, y, z, t) V y + z = 0 z = y, logo,
v = (x, y, y, t) = x(1, 0, 0, 0) + y(0, 1, 1, 0) + t(0, 0, 0, 1).
Segue-se que V e gerado por {(1, 0, 0, 0), (0, 1, 1, 0), (0, 0, 0, 1)}.

E f acil ver que este conjunto e L.I., logo dimV = 3.


Podemos agora proceder de duas maneiras, determinar U + V ou de-
terminar U V . Vamos determinar U + V . Sabemos que a uni ao das bases
de U e de V e um conjunto gerador de U + V . Vamos encontrar uma base
de U + V a partir deste conjunto gerador:
base de U

base de V
_
_
_
_
_
_
_
_
_
_
1 1 0 0
0 0 1 0

1 0 0 0
0 1 1 0
0 0 0 1
_
_
_
_
_
_
_
_
_
_
L
3
L
3
L
1

_
_
_
_
_
_
_
_
1 1 0 0
0 0 1 0
0 1 0 0
0 1 1 0
0 0 0 1
_
_
_
_
_
_
_
_
L
2
L
4

_
_
_
_
_
_
_
_
1 1 0 0
0 1 1 0
0 1 0 0
0 0 1 0
0 0 0 1
_
_
_
_
_
_
_
_
L
3
L
3
+ L
2

_
_
_
_
_
_
_
_
1 1 0 0
0 1 1 0
0 0 1 0
0 0 1 0
0 0 0 1
_
_
_
_
_
_
_
_
CEDERJ
144
Soma de subespa cos
M

ODULO 2 - AULA 13
L
3
L
3
L
4
L
5

_
_
_
_
_
_
_
_
1 1 0 0
0 1 1 0
0 0 1 0
0 0 0 1
0 0 1 0
_
_
_
_
_
_
_
_

L
5
L
5
L
3
_
_
_
_
_
_
_
_
1 1 0 0
0 1 1 0
0 0 1 0
0 0 0 1
0 0 0 0
_
_
_
_
_
_
_
_
Isto mostra que a uni ao das bases de U e V pode ser transformada em
um conjunto que contem {(1, 1, 0, 0), (0, 1, 1, 0), (0, 0, 1, 0), (0, 0, 0, 1)}, que
e uma base de R
4
, isto e,
U + V = R
4
dim(U + V ) = 4.
Sendo assim,
dim(U + V ) + dim(U V ) = dimU + dimV = 2 + 3 = 5
dim(U V ) = 1.
Resumo
Iniciamos esta aula vendo um processo de obter uma base a partir de
um conjunto gerador para um espa co vetorial, usando opera c oes elementares
nas linhas da matriz formada pelos vetores deste conjunto gerador.
Em seguida, vimos o teorema do complemento, que arma que dado
um conjunto L.I., em um espa co vetorial V se ele n ao for uma base de V ,
n os acrescentamos vetores ate que se torne uma base de V .
Passemos ent ao ao estudo da soma U +V dos subespa cos U e V de um
espa co vetorial W. Quando U V = {0} ent ao a soma e chamada direta e
denota por U V .
O conjunto uni ao das bases de U e V forma um conjunto gerador de
U + V que, no caso de soma direta, e uma base de U V . A dimens ao de
U + V e dada por:
dim(U + V ) = dim(U) + dim(V ) dim(U V ).
145
CEDERJ
Soma de subespa cos
Exerccios
1. Seja U R
4
o subespa co gerado pelo conjunto
{(1, 1, 2, 0), (0, 1, 3, 1), (2, 1, 5, 3)}.
Encontre uma base de U e determine dimU.
2. Para os subespa cos U e V de R
3
nos itens abaixo, determine U V e
U + V .
a) U = [(1, 0, 1), (0, 1, 1) e V = [(1, 1, 1)].
b) U = [(1, 0, 1), (0, 1, 1) e V = [(1, 2, 3)].
c) U = {(x, y, z) R
3
| z = 0} e V = [(0, 0, 1)].
d) U = {(x, y, z) R
3
| x + y = 0} e V = [(2, 2, 1)].
3. Em qual dos itens do exerccio 2 a soma e direta?
4. Se U e V s ao subespa cos vetoriais do R
4
, dimU = 2 e dimV = 3,
determine o menor e o maior valor possvel para dimU V e para
dimU + V .
5. Seja M
2x2
o espa co vetorial das matrizes reais de ordem 2x2. Seja U o
subespa co de M
2x2
dado por U =
__
0 b
c 0
_
; b, c R
_
. Determine
um subespa co V M
2x2
tal que M
2x2
= U V .
Respostas dos exerccios
1. Base de U e B = {(1, 1, 2, 0), (0, 1, 3, 1)}, dimU = 2.
2. a) U V = {0} e U + V = R
3
.
b) V U, logo U V = V e U + V = U.
c) U V = {0} e U + V = R
3
.
d) V U, logo U V = V e U + V = R
3
.
CEDERJ
146
Soma de subespa cos
M

ODULO 2 - AULA 13
3. A soma e direta nos itens a e c.
4. Temos max{dimU, dimV } dim(U + V ) dim(R
4
),
3 dim(U + V ) 4.
Como dim(U V ) = dimU + dimV dim(U + V )
dim(U V ) = 5 dim(U + V )
ent ao
1 dimU V 2.
5. V =
__
a 0
0 d
_
; a, d R
_
.
147
CEDERJ
Espa cos vetoriais com produto interno
M

ODULO 2 - AULA 14
Aula 14 Espa cos vetoriais com produto
interno
Objetivos
Pre-requisitos: Aulas 8, 11 e
12.
Reconhecer produtos internos;
Determinar a norma de um vetor e o angulo entre dois vetores;
Identicar vetores ortogonais;
Aplicar as propriedades dos produtos internos na resolu c ao de exerccios.
Nesta aula deniremos uma opera c ao entre vetores cujo resultado e um
n umero real: o produto interno. Veremos v arios exemplos, com destaque para Neste curso trabalhamos pe-
nas com espa cos vetoriais re-
ais, isto e, considerando o
conjunto dos n umeros reais
como o conjunto de escala-
res. Poderamos, no entanto,
considerar o conjunto dos
n umeros complexos. Nesse
caso, o resultado do pro-
duto interno seria um n umero
complexo, e a deni c ao, ligei-
ramente diferente.
o chamado produto interno; estudaremos as principais propriedades dos pro-
dutos internos e suas aplica c oes na determina c ao de grandezas geometricas
associadas a vetores de R
2
e R
3
.
Produto interno
Seja V um espa co vetorial (real). Um produto interno denido em V e
uma rela c ao
< ., . >: V V R
que, a cada par de vetores (u, v) V V , associa um n umero real represen-
tado por < u, v >, e que satisfaz as seguintes condi c oes:
(i) < u, v >=< v, u >
(ii) < u, v + w >=< u, v > + < u, w >
(iii) < u, v >= < u, v >
(iv) < u, u > 0 e < u, u >= 0 u = o
V
, u, v, w V, R.
Chamamos de espa co euclidiano a um espa co vetorial real munido de
produto interno.
Podemos denir diferentes produtos internos num mesmo espa co veto-
rial. Vamos ver alguns exemplos.
149
CEDERJ
Espa cos vetoriais com produto interno
Exemplo 1
Vamos mostrar que a rela c ao < u, v >= 2x
1
x
2
+ 3y
1
y
2
, onde u = (x
1
, y
1
)
e v = (x
2
, y
2
), e um produto interno denido em R
2
. Para isso, temos que
mostrar a validade das quatro condi c oes da deni c ao de produto interno:
(i) < u, v >= 2x
1
x
2
+ 3y
1
y
2
= 2x
2
x
1
+ 3y
2
y
1
=< v, u >.
(ii) Seja w = (x
3
, y
3
) R
2
. Ent ao
< u, v + w >= 2x
1
(x
2
+ x
3
) + 3y
1
(y
2
+ y
3
) = 2x
1
x
2
+ 2x
1
x
3
+ 3y
1
y
2
+
3y
1
y
3
= (2x
1
x
2
+ 3y
1
y
2
) + (2x
1
x
3
+ 3y
1
y
3
) =< u, v > + < u, w >.
(iii) Seja R. Ent ao
< u, v >= 2x
1
x
2
+ 3y
1
y
2
= (2x
1
x
2
+ 3y
1
y
2
) = < u, v >.
(iv) < u, u >= 2x
2
1
+ 3y
2
1
0. Alem disso, se < u, u >= 0 ent ao
2x
2
1
+ 3y
2
1
= 0, que implica x
2
1
= 0 e y
2
1
= 0. Da, x
1
= 0 e y
1
= 0,
isto e, u = (0, 0) = v
R
2. Finalmente, se u = v
R
2 = (0, 0), segue que
< u, u >= 2.0 + 3.0 = 0.
Exemplo 2
Na Aula 12, voce determinou o vetor-coordenadas de um vetor em rela c ao a
uma certa base. Viu que, xados a base e o vetor, as coordenadas s ao unicas.
Sejam V , um espa co vetorial real de dimens ao n, e B = {u
1
, u
2
, ..., u
n
}, uma
base de V .
A rela c ao denida em V V que, a cada par de vetores u e v, de V ,
associa o n umero real a
1
b
1
+ a
2
b
2
+ ... + a
n
b
n
, onde u]
B
= (a
1
, a
2
, ..., a
n
) e
v]
B
= (b
1
, b
2
, ..., b
n
) s ao os vetores-coordenadas dos vetores u e v, de V , em
rela c ao ` a base B, respectivamente, e um produto interno em V .
Importante: Tendo em vista o exemplo anterior, podemos concluir
que TODO espa co vetorial admite produto interno. Assim, quando nos re-
ferimos a um espa co vetorial munido de produto interno, n ao signica que
existem espa cos que n ao satisfazem essa propriedade, mas sim que estamos
querendo enfatizar o fato de que usaremos o produto interno na argumenta c ao
ou nas aplica c oes que forem o objeto de estudo, naquele instante.
Quando a base considerada e a can onica, o produto interno assim de-
nido chama-se produto interno usual. Particularmente, nos espa cos vetoriais
R
2
e R
3
, o produto interno usual e tambem conhecido como produto escalar.
Voce j a estudou o produto es-
calar na disciplina de Geome-
tria Analtica.
CEDERJ
150
Espa cos vetoriais com produto interno
M

ODULO 2 - AULA 14
Exemplo 3
Em M
2
(R), sendo u =
_
u
1
u
2
u
3
u
4
_
e v =
_
v
1
v
2
v
3
v
4
_
, a rela c ao < u, v >=
u
1
v
1
+u
2
v
2
+u
3
v
3
+u
4
v
4
e um produto interno (e produto interno usual em
M
2
). Voce pode vericar isso, como exerccio. Segundo esse produto interno,
sendo u =
_
2 1
5 1
_
e v =
_
3 6
0 2
_
, temos < u, v >= 2.3 + 1.6 + 5.0 +
(1).2 = 10.
Exemplo 4
Dados p = a
0
+ a
1
t + a
2
t
2
+ a
3
t
3
e q = b
0
+ b
1
t + b
2
t
2
+ b
3
t
3
, a rela c ao
< p, q >= a
0
b
0
+ a
1
b
1
+ a
2
b
2
+ a
3
b
3
dene um produto interno em P
3
(e o
produto interno usual em P
3
). Dados p = 2 + 3t t
2
e q = 2t + t
2
5t
3
,
temos < p, q >= 2.0 + 3.2 + (1).1 + 0.(5) = 5.
Propriedades do Produto Interno
Seja V um espa co vetorial real e < ., . >: V V R um produto
interno. Valem as seguintes propriedades:
1. < o
V
, v >=< v, o
V
>= 0, v V
De fato, como 0v = o
V
, para todo vetor v em V, podemos escrever
< o
V
, v >=< 0v, v >
(iii)
= 0 < v, v >= 0. Alem disso, por (i), temos
< o
V
, v >=< v, o
V
>= 0. Logo, < o
V
, v >=< v, o
V
>= 0.
2. < v, u >= < v, u >, R, v, u V .
De fato, < v, u >
(i)
=< u, v >
(iii)
= < u, v >
(i)
=< v, u >.
3. < u + v, w >=< u, w > + < v, w >, u, v, w V .
De fato, < u +v, w >
(i)
=< w, u +v >
(ii)
=< w, u > + < w, v >
(i)
=< u, w >
+ < v, w > .
4. <
1
u
1
+
2
u
2
+ ... +
n
u
n
, v >=<
1
u
1
, v > + <
2
u
2
, v > +...
+ <
n
u
n
, v >, n inteiro , n 1, u, v
i
V, i = 1, ..., n.
A prova desta propriedade usa indu c ao e as condi c oes (ii) e (iii) da
deni c ao de produto interno. De modo mais suscinto, podemos escreve-
la usando o smbolo de somat orio:
_
n

i=1

i
u
i
, v
_
=
n

i=1

i
< u
i
, v > .
151
CEDERJ
Espa cos vetoriais com produto interno
5.
_
u,
n

i=1

i
v
i
_
=
n

i=1
< u, v
i
>.
A prova desta propriedade usa indu c ao e as propriedades 2 e 3 j a vistas.
6. Generalizando, podemos provar que
_
n

i=1

i
u
i
,
m

j=1

j
v
j
_
=
n

i=1
m

j=1

j
< u
i
, v
j
>.
Veremos a seguir aplica c oes pr aticas do produto interno.
Aplica c oes do produto interno
Norma de vetor
Sejam V um espa co euclidiano e v V . Chama-se norma de v o n umero
real
||v|| =

< v, v >.
Note que, pela condi c ao (iv) da deni c ao de produto interno, esse
n umero est a bem denido, pois < v, v > e n ao negativo, para qualquer
vetor v considerado. Assim, a norma de um vetor e sempre um n umero real
n ao negativo e o vetor nulo e o unico vetor de V que tem norma igual a zero.
Exemplo 5
Em R
2
, com o produto interno usual, a norma de um vetor v = (x
1
, x
2
) e
dada por ||v|| =
_
x
2
1
+ x
2
2
. Assim, temos:
||(3, 4)|| =
_
(3)
2
+ 4
2
=

9 + 16 =

25 = 5.
||(
1
2
,

3
2
)|| =
_
1
4
+
3
4
=

1 = 1.
Exemplo 6
Em R
3
, com o produto interno usual, a norma de um vetor v = (x
1
, x
2
, x
3
) e
||v|| =
_
x
2
1
+ x
2
2
+ x
2
3
. Por exemplo:
||(1, 2, 3)|| =
_
(1)
2
+ 2
2
+ 3
2
=

1 + 4 + 9 =

14.
||(2, 2, 1)|| =

4 + 4 + 1 =

9 = 3.
Na Figura 14.1 podemos ver que, no plano, a norma do vetor v coin-
cide com a medida da hipotenusa do tri angulo ret angulo determinado por x
1
CEDERJ
152
Espa cos vetoriais com produto interno
M

ODULO 2 - AULA 14
e x
2
(compare a express ao a norma com a conhecida f ormula de Pit agoras...).
No espa co, a norma de v coincide com a medida da diagonal do paraleleppedo
formado por x
1
, x
2
e x
3
.
Devido a essa interpreta c ao geometrica que podemos dar ` a norma de
um vetor de R
2
ou R
3
, a norma de um vetor v e tambem conhecida como
sendo o m odulo, tamanho, ou ainda, comprimento de v.
Figura 14.1: Norma de vetores em R
3
e R
2
.
Observa cao: A n ao ser que se diga algo em contr ario, o produto interno
considerado ser a sempre o usual.
Exemplo 7
Em M
2
(R), com o produto interno denido no exemplo 3, a norma da matriz
v =
_
3 6
0 2
_
e ||v|| =

< v, v > =

9 + 36 + 4 =

49 = 7.
Exemplo 8
Usando o produto interno de P
3
, denido no exemplo 4, a norma do polin omio
p = 2 + 3t t
2
e ||p|| =

< p, p > =

4 + 9 + 1 =

14.
A norma de vetores possui importantes propriedades que listamos a
seguir; suas demonstra c oes s ao propostas como exerccios, ao nal da aula.
Propriedades da norma de vetores
Seja V um espa co euclidiano. Ent ao:
1. ||v|| = || ||v||, R, v V .
153
CEDERJ
Espa cos vetoriais com produto interno
2. ||v|| 0, v V e ||v|| = 0 v = o
V
.
3. | < u, v > | ||u|| ||v||, u, v V . (Desigualdade de Cauchy Schwarz)
4. ||u + v|| ||u|| +||v||, u, v V . (Desigualdade triangular)
Usando o conceito de norma de vetor, podemos tambem denir a dist ancia
entre dois vetores: dados u e v em um espa co euclidiano V , a dist ancia entre
eles, representada por d(u, v), e dada por:
d(u, v) = ||u v||.
A Figura 14.2 ilustra o caso em que V = R
2
.
Figura 14.2: Dist ancia em R
2
.
Exemplo 9
Em R
3
, a dist ancia entre u = (3, 2, 1) e v = (4, 1, 3) e d(u, v) = ||uv|| =
||(1, 3, 4)|| =

1 + 9 + 16 =

26.

Angulo de dois vetores


Sejam V , um espa co vetorial euclidiano, e u, v V , n ao nulos.
A desigualdade de Cauchy Schwarz: | < u, v > | ||u|| ||v||, sendo modular,
se desdobra na dupla desigualdade:
||u|| ||v|| < u, v > ||u|| ||v||.
Como os vetores u e v s ao n ao nulos, suas normas s ao n umeros reais
positivos e podemos dividir cada termo dessa desigualdade por ||u|| ||v||:
1
< u, v >
||u|| ||v||
1.
CEDERJ
154
Espa cos vetoriais com produto interno
M

ODULO 2 - AULA 14
Na disciplina de pre-c alculo, voce estudou as fun c oes trigonometricas.
Deve se lembrar, ent ao que, a cada n umero real a no intervalo [1, 1] cor-
responde um unico arco , 0 , tal que cos = a, conforme ilustra a
Figura 14.3.

Figura 14.3:

Angulo entre dois vetores de R
2
.
Podemos, ent ao, denir o angulo entre os vetores u e v como sendo
tal que
cos =
< u, v >
||u|| ||v||
.
Em R
2
e R
3
, e, de fato, o angulo geometrico determinado pelos vetores
u e v. A f ormula fornece o cosseno do angulo. Ao nal da aula, h a uma tabela
com os cossenos dos angulos not aveis no intervalo [0, ].
Exemplo 10
Vamos determinar o angulos entre os vetores u = (4, 2) e v = (3, 1), de R
2
:
cos =
< u, v >
||u|| ||v||
=
12 2

16 + 4

9 + 1
=
10

20

10
=
10

200
=
10
10

2
=
1

2
=

2
2
.
Um caso particularmente interessante e quando = 90
0
, ou seja, quando
os vetores formam um angulo reto, ou, em outras palavras, quando s ao or-
togonais. Como cos 90
0
= 0 =
< u, v >
||u|| ||v||
, concluimos que
u e v s ao ortogonais < u, v >= 0.
Exemplo 11
Em M
2
(R), com o produto interno denido no exemplo 3, as matrizes
u =
_
2 0
1 5
_
e v =
_
3 5
4 2
_
s ao ortogonais, pois < u, v >= 2.3 + 0.5 +
1.4 + 5.(2) = 0.
155
CEDERJ
Espa cos vetoriais com produto interno
Resumo
Nesta aula denimos produto interno: uma importante rela c ao denida
em espa cos vetoriais, que associa um n umero real a cada par de vetores do
espa co. A partir da deni c ao de produto interno, podemos determinar a
norma de um vetor e o angulo denido por dois vetores. Podemos denir
diferentes produtos internos em um mesmo espa co vetorial; cada um deles
determinar a uma norma e um angulo entre vetores. O produto interno mais
estudado, mais util para n os, e o usual; a partir dele, a norma de um vetor
do plano ou do espa co corresponde ao seu comprimento geometrico, o mesmo
acontecendo com o angulo entre eles. Vimos, tambem, o conceito de ortogo-
nalidade de vetores. Na pr oxima aula retomaremos esse assunto, estudando
importantes subespa cos de um espa co euclidiano.
Exerccios
1. Prove a validade das propriedades do produto interno, isto e, sendo V
um espa co euclidiano,
a) ||v|| = || ||v||, R, v V .
b) ||v|| 0, v V e ||v|| = 0 v = o
V
c) (Desigualdade de Cauchy Schwarz) | < u, v > | ||u|| ||v||,
u, v V .
Sugest ao: Primeiramente, mostre que no caso em que v e o vetor nulo,
vale a igualdade. Suponha, ent ao, v = o. Nesse caso, sendo um real
qualquer, e verdade que ||u + v||
2
0. Desenvolva essa express ao,
obtendo um trin omio do segundo grau, em , sempre positivo. Ent ao
seu discriminante tem que ser menor ou igual a zero. Da segue a
desigualdade procurada.
d) (Desigualdade triangular) ||u + v|| ||u|| +||v||, u, v V .
Sugest ao: Desenvolva a express ao ||u + v||
2
e use a desigualdade de
Cauchy Schwarz.
2. Considerando o espa co euclidiano R
3
, calcule < u, v > em cada caso:
a) u = (2, 1, 0) e v = (3, 4, 1)
b) u = (1/2, 3, 2) e v = (1, 1, 5)
CEDERJ
156
Espa cos vetoriais com produto interno
M

ODULO 2 - AULA 14
3. Seja o espa co euclidiano R
2
. Determine o vetor w tal que < u, w >= 8
e < v, w >= 10, dados u = (2, 1) e v = (1, 3).
Sugest ao: Represente o vetor w pelo par (x, y).
4. Calcule a norma de v V , em cada caso:
a) v = (3, 4), V = R
2
b) v = (1, 1, 1), V = R
3
c) v = (1, 0, 4,

19), V = R
4
5. Em um espa co euclidiano, um vetor e dito ser unit ario quando sua
norma e igual a 1.
a) Entre os seguintes vetores de I!R
2
, quais s ao unit arios:
u = (1, 1) v = (1, 0) w = (1/2, 1/2) t = (1/2,

3/2)
b) Determine a R
2
tal que o vetor u = (a, 1/2), de I!R
2
seja
unit ario.
6. Obtenha o angulo entre os seguintes pares de vetores de R
2
:
a) u = (3, 1) e v = (6, 2)
b) u = (1, 2) e v = (1, 3)
c) u = (3, 1) e v = (2, 2)
d) u = (0, 2) e v = (1, 1)
7. Considere o espa co euclidiano M
2
(R).
a) Quais das matrizes abaixo s ao ortogonais a M =
_
2 1
1 3
_
:
A =
_
1 2
4 0
_
B =
_
1 1
1 1
_
C =
_
0 0
0 0
_
D =
_
3 2
1 3
_
b) Calcule a norma da matriz M, do item anterior.
c) Determine o angulo entre as matrizes M
1
=
_
2 4
1 3
_
e
M
2
=
_
3 1
4 2
_
d) Calcule a dist ancia entre as matrizes M
1
e M
2
do item anterior.
157
CEDERJ
Espa cos vetoriais com produto interno
8. No espa co vetorial P
2
,
a) Dena o produto interno usual (an alogo ao denido em P
3
, no
exemplo 4 da aula).
b) Calcule a norma do polin omio p = 3 4t + 2t
2
, de P
2
.
Auto-avalia cao
O assunto tratado nesta aula e muito importante, no desenvolvimento
de toda a teoria. Note que os conceitos de norma, dist ancia, angulo, ortogo-
nalidade, t ao naturais quando pensamos em vetores do plano ou do espa co,
foram estendidos para espa cos vetoriais quaisquer. Express oes como norma
de polin omio, dist ancia entre matrizes, polin omios ortogonais, n ao de-
vem mais causar estranheza. Voce n ao deve car com nenhuma d uvida, antes
de seguir em frente. Refa ca os exemplos, se julgar necess ario. E lembre-se:
encontrando qualquer obst aculo, pe ca ajuda ao tutor da disciplina. Ate a
pr oxima aula!!
Respostas dos exerccios
1. a) ||v|| =

< v, v > =
_

2
< v, v > =
_

2
||v||
2
= ||.||v||. Note que, dado a R,

a
2
=
|a|.
b) ||v|| 0, pela pr opria deni c ao de norma. ||v|| = 0

< v, v > =
0 < v, v >= 0 v = o
V
. Finalmente, v = o
V
< v, v >= 0

< v, v > = 0 ||v|| = 0.


c) Se v = o
V
, ent ao ||v|| = 0 e < u, v >= 0 = ||u ||v||. Portanto,
vale a igualdade (e, em conseq uencia, a desigualdade). Supondo
v = o
V
, e sendo R, arbitr ario, podemos armar que ||u +
v||
2
0. Desenvolvendo essa express ao (usando a deni c ao de
norma), chegamos a ||v||
2

2
+ 2 < u, v > + ||u||
2
0, para
todo real. Isto e, obtemos um trin omio do segundo grau, em ,
sempre positivo. Ent ao seu discriminante tem que ser menor ou
igual a zero, isto e: 4 < u, v >
2
4||v||
2
||u||
2
0. Separando os
termos da desigualdade, simplicando e extraindo a raiz quadrada
de cada termo, concluimos que | < u, v > | ||u|| ||v||.
CEDERJ
158
Espa cos vetoriais com produto interno
M

ODULO 2 - AULA 14
d) ||u + v||
2
=< u + v, u + v >=< u, u > + < u, v > + < v, u >
+ < v, v >= ||u||
2
+2 < u, v > +||v||
2
. Usando a desigualdade de
Cauchy Schwarz, ||u + v||
2
||u||
2
+ 2||u|| ||v|| + ||v||
2
= (||u|| +
||v||)
2
. Logo, ||u + v|| ||u|| +||v||, u, v V .
2. a) 10
b) 25/2
3. w = (2, 4)
4. a) 5
b)

3
c) 6
5. a) v, t
b) ||u|| = 1 ||u||
2
= 1 a
2
+ 1/4 = 1 a =

3/2
6. a) 0
0
b) 45
0
c) arccos 2

5/5
d) 135
0
7. a) A, C, D
b) ||M|| = 15
c) 90
o
- as matrizes M
1
e M
2
s ao ortogonais.
d) d(M
1
, M
2
) = ||M
1
M
2
|| =

60 = 2

15.
8. a) Sendo p = a
0
+ a
1
t + a
2
t
2
e q = b
0
+ b
1
t + b
2
t
2
, em P
2
, o produto
interno usual e dado por: < p, q >= a
0
b
0
+ a
1
b
1
+ a
2
b
2
.
b)

29
Tabela do cosseno:
: 0 (0
o
) /6 (30
o
) /4 (45
o
) /3 (60
o
) /2 90
o
)
cos : 1

3/2

2/2 1/2 0
Para os angulos do segundo quadrante (compreendidos no intervalo
[/2, ], basta lembrar que cos ( ) = cos (ou: cos (180 ) =
cos ). Por exemplo, cos 120
0
= cos (180
0
120
0
) = cos 60
0
= 1/2.
159
CEDERJ
Conjuntos ortogonais e ortonormais
M

ODULO 2 - AULA 15
Aula 15 Conjuntos ortogonais e
ortonormais
Objetivos
Pre-requisitos: Aulas
11 (independencia linear),
12 (base), e
14 (ortogonalidade).
Reconhecer conjuntos ortogonais e ortonormais;
Aplicar o metodo de ortogonaliza c ao de Gram-Schmidt;
Reconhecer bases ortonormais;
Projetar vetores ortogonalmente em subespa cos.
Nesta aula vamos caracterizar subconjuntos especiais de espa cos eu-
clidianos. Na Aula 14 vimos que, num espa co euclidiano, dois vetores s ao Espa cos vetoriais reais, com
produto interno e dimens ao
nita.
ortogonais quando o produto interno deles se anula. Isto e, sendo V um
espa co euclidiano,
u v < u, v >= 0, u, v V.
Vejamos, agora, as duas deni c oes importantes desta aula:
Seja V um espa co euclidiano. Um subconjunto S = {v
1
, ..., v
n
} V e
ortogonal, quando seus elementos s ao ortogonais dois a dois, isto e:
< v
i
, v
j
>= 0, i, j {1, ..., n}, i = j.
ortonormal quando e ortogonal e todos os seus elementos s ao unit arios,
isto e:
S e ortogonal e ||v
i
|| = 1, i {1, ..., n}.
Exemplo 1
a) O conjunto S = {2, 3, 1), (5, 4, 2)} R
3
e ortogonal. De fato,
< (2, 3, 1), (5, 4, 2) >= 10 12 +2 = 0. S n ao e ortonormal pois, por
exemplo, ||(2, 3, 1)|| =

4 + 9 + 1 =

14 = 1.
b) O conjunto S = {(1, 0, 0), (0,

3/2, 1/2)} R
3
e ortonormal, pois
< (1, 0, 0), (0,

3/2, 1/2) >= 0,


||(1, 0, 0)|| =

1 = 1 e
||(0,

3/2, 1/2)|| =
_
3/4 + 1/4 =

1 = 1.
161
CEDERJ
Conjuntos ortogonais e ortonormais
c) Se S e um conjunto ortogonal num espa co euclidiano V , ent ao o con-
junto resultante da uni ao S {o
V
} tambem e ortogonal pois o vetor
nulo e ortogonal a qualquer outro vetor.

E claro, tambem, que nenhum
conjunto em que o vetor nulo comparece e ortonormal, pois a condi c ao
de todos os vetores serem unit arios n ao e satisfeita.
Na Aula 14, vimos que, num espa co euclidiano, o cosseno do angulo ,
formado por dois vetores u e v, n ao nulos, e:
cos =
< u, v >
||u|| ||v||
.
No caso de os dois vetores serem unit arios, a f ormula se resume a
cos =< u, v > .
Agora, num conjunto ortornomal S, s o h a duas possibilidades para a
medida do angulo formado por quaisquer dois de seus vetores:
- se os vetores s ao distintos, ent ao formam angulo reto e, ent ao, o
produto interno e igual a zero (pois vimos acima que o cosseno do angulo se
iguala ao produto interno);
- se consideramos duas vezes o mesmo vetor, ent ao o angulo e nulo e
seu cosseno e igual a 1; logo, o produto interno tambem e 1.
Da, podemos concluir que:
Sendo S = {v
1
, v
2
, ..., v
n
} um subconjunto ortonormal de um espa co
euclidiano, ent ao
i = j = 90
o
cos = 0 =< v
i
, v
j
> .
i = j = 0
o
cos = 1 =< v
i
, v
j
> .
Podemos, ent ao, caracterizar um conjunto ortonormal {v
1
, v
2
, ..., v
n
}
usando o smbolo de Kronecker: Lembrando: A fun c ao delta
de Kronecker nos ndices i
e j e denida por:
ij
=
(
0, se i = j
1, se i = j
.
< v
i
, v
j
>= ij, i, j {1, ..., n}.
Veremos, a seguir, um importante resultado envolvendo conjuntos or-
tonormais.
CEDERJ
162
Conjuntos ortogonais e ortonormais
M

ODULO 2 - AULA 15
Proposi cao 1
Um conjunto ortonormal e linearmente independente.
Lembrando: um conjunto de
vetores e LI quando, ao es-
crevermos o vetor nulo como
uma combina c ao linear deles,
obtemos todos os coecientes
nulos.
Demonstra c ao.
Sejam V um espa co euclidiano e S = {v
1
, ..., v
n
} V , ortonormal.
Sejam
1
, ...,
n
R tais que
1
v
1
+
2
v
2
... +
n
v
n
= o
V
. Como o produto
interno de qualquer vetor pelo vetor nulo e igual a zero, podemos escrever:
0 =< o
V
, v
1
>=
=<
1
v
1
+
2
v
2
+ ... +
n
v
n
, v
1
>=
=
1
< v
1
, v
1
>
. .
1
+
2
< v
2
, v
1
>
. .
0
+... +
n
< v
n
, v
1
>
. .
0
=
=
1
.
Logo,
1
= 0. Procedendo de forma an aloga com os vetores v
2
, ..., v
n
, iremos
concluir que
1
=
2
= ... =
n
= 0. Logo, o conjunto S e LI.
J a vimos, na Aula 10, que todo subconjunto de um espa co vetorial
V gera um subespa co de V . Quando o conjunto considerado e LI, alem
de gerar, ele forma uma base do subespa co gerado. Assim, a Proposi c ao 1
permite concluir que um conjunto ortonormal e uma base do subespa co que
ele gera. Nesse caso, dizemos que a base e ortonormal. Bases ortonormais
s ao particularmente interessantes por simplicarem os c alculos e permitirem
uma representa c ao gr aca mais clara e f acil de se construir. Surge, ent ao, a
quest ao: como obter bases ortonormais de subespa cos dados?
Mas vamos com calma. O primeiro passo para chegar ` a resposta pro-
curada e saber obter a proje c ao de um vetor na dire c ao de outro.
Proje cao de um vetor na dire cao de outro
Sejam V um espa co euclidiano, u, v V, v = o
V
. Vamos obter o vetor
proje c ao de u na dire c ao de v. Em outras palavras, vamos decompor u em
duas componentes: uma na dire c ao de v - que ser a a proje c ao mencionada,
e outra, ortogonal a v, como mostra a Figura 15.1.
Figura 15.1: Projetando u na dire c ao de v.
163
CEDERJ
Conjuntos ortogonais e ortonormais
Os c alculos cam mais simples se o vetor sobre o qual se projeta e
unit ario. Caso ele n ao seja, podemos troc a-lopor outro, de mesma dire c ao
e sentido, e de tamanho 1. Esse vetor se chama versor do vetor dado. Para
isso, basta dividir o vetor v pelo seu m odulo:
versor de v =
v
||v||
.

E f acil vericar que, de fato, o versor de v e unit ario:

v
||v||

=
_
<
v
||v||
,
v
||v||
> =

1
||v||
2
< v, v > =

||v||
2
||v||
2
= 1.
Exemplo 2
Consideremos o vetor v = (3, 4), de R
2
. Seu m odulo e ||v|| =

9 + 16 =

25 = 5. Seu versor e o vetor


v
||v||
=
(3,4)
5
= (3/5, 4/5). Vamos vericar
que esse vetor e realmente unit ario:
_
(3/5)
2
+ (4/5)
2
=
_
9/25 + 16/25 =
_
25/25 = 1. A Figura 15.2 ilustra esse caso.
Figura 15.2: O vetor (3, 4) de R
2
e seu versor.
Assim, ao projetar um vetor na dire c ao de v, n ao nulo, podemos sempre
consider a-lo unit ario. Na Figura 15.3 vemos que a proje c ao de u na dire c ao
de v e um vetor paralelo a v e, portanto, pode ser escrito como um m ultiplo
de v, isto e,
proj
v
u = kv, para algum k R.
Figura 15.3
CEDERJ
164
Conjuntos ortogonais e ortonormais
M

ODULO 2 - AULA 15
Ent ao ||proj
v
u|| = ||kv|| = |k| ||v|| = |k|, uma vez que estamos supondo
||v|| = 1. Para conhecer o vetor proje c ao, ent ao, temos que determinar k. No
tri angulo ret angulo da Figura 15.3, o vetor proje c ao e o cateto adjacente
ao angulo , formado pelos vetores u e v, e a hipotenusa mede ||u||. Logo, Num tri angulo ret angulo, o
cosseno de um angulo agudo e
igual ` a medida do cateto ad-
jacente dividida pela medida
da hipotenusa.
lembrando da express ao do cosseno do angulo formado por dois vetores e
usando o fato de v ser unit ario, temos:
||proj
v
u|| = |cos .||u||| =

< u, v >
||u|| ||v||
||u||

= | < u, v > |.
Assim, ||proj
v
u|| = | < u, v > | = |k|, donde podemos concluir que
k = < u, v >. Ocorre, porem, que k e < u, v > tem o mesmo sinal, como
indica a Figura 15.3. No caso em que = 90
o
, temos k = 0, ou seja, a
proje c ao e o vetor nulo (a proje c ao reduz-se a um ponto).
Concluimos, ent ao, que
proj
v
u =< u, v > v.
Nesse processo, a partir de um vetor u, qualquer, de um espa co eucli-
diano V , obtivemos a componente u proj
v
u, que e ortogonal ` a dire c ao de
v. Isso ca claro na Figura 15.1, mas podemos vericar algebricamente,
calculando o produto interno dos vetores u proj
v
u e v:
< u < u, v > v, v > =< u, v > << u, v > v, v >=
=< u, v > < u, v >< v, v >=
=< u, v > (1 < v, v >) =
=< u, v > (1 ||v||
2
) =
=< u, v > .(1 1) = 0.
Exemplo 3
No espa co euclidiano R
3
, a proje c ao ortogonal do vetor u = (0, 1, 4) na
dire c ao do vetor v = (1/2, 0,

3/2) e o vetor < u, v > v (note que v e


unit ario). Ou seja, e o vetor 2

3v = (

3, 0, 3). ) vetor u

= u
proj
v
u = (0, 1, 4) (

3, 0, 3) = (

3, 1, 1) e ortogonal a v. (Verique!)
Ao projetar u na dire c ao de v, o que zemos foi projet a-lo ortogonal-
mente no subespa co de V gerado pelo vetor v (a reta suporte de v). Vamos
estender esse metodo para o caso em que o subespa co sobre o qual projetamos
e gerado por n vetores:
165
CEDERJ
Conjuntos ortogonais e ortonormais
Sejam V , um espa co euclidiano, S = {v
1
, v
2
, ..., v
n
} V , ortonormal, e
v V . A proje cao ortogonal de u sobre o subespa co gerado por S e
o vetor
< v, v
1
> v
1
+ < v, v
2
> v
2
+ ...+ < v, v
n
> v
n
.
Exemplo 4
Seja S = {(1, 0, 0), (0, 1, 0)} no espa co euclidiano R
3
. Vamos projetar o
vetor v = (5, 2, 3), ortogonalmente, sobre o plano [S]. Primeiramente,
notamos que os vetores de S s ao ortogonais e unit arios. Podemos, ent ao,
usar a express ao da proje c ao:
proj
v
1
v =< v, v
1
> v = 5v
1
= (5, 0, 0).
proj
v
2
v =< v, v
2
> v = 2v
2
= (0, 2, 0). Ent ao proj
[S]
v = (5, 0, 0) +
(0, 2, 0) = (5, 2, 0).
Alem disso, de forma an aloga ` a que ocorre quando projetamos sobre a
dire c ao de um unico vetor, a diferen ca entre o vetor projetado e a proje c ao
e um vetor orgogonal ao subespa co de proje c ao, como mostramos na
Proposi cao 2
Sejam V um espa co euclidiano, S = {v
1
, v
2
, ..., v
n
} V , um conjunto orto-
normal, e v V . O vetor
u = v < v, v
1
> v
1
< v, v
2
> v
2
... < v, v
n
> v
n
e ortogonal a todo vetor de S.
Demonstra c ao.
Vamos mostrar que u e ortogonal a v
1
:
< u, v
1
>=
=< v < v, v
1
> v
1
< v, v
2
> v
2
... < v, v
n
> v
n
, v
1
>=
=< v, v
1
> << v, v
1
> v
1
, v
1
> << v, v
2
> v
2
, v
1
> ... << v,
v
n
> v
n
, v
1
>=
=< v, v
1
> < v, v
1
> < v
1
, v
1
>
. .
1
< v, v
2
> < v
2
, v
1
>
. .
0
... < v, v
n
>
< v
n
, v
1
>
. .
0
=
=< v, v
1
> < v, v
1
>= 0.
Procedendo de maneira an aloga, com os demais vetores de S, concluiremos
que
u v
1
, u v
2
, ..., u v
n
.
CEDERJ
166
Conjuntos ortogonais e ortonormais
M

ODULO 2 - AULA 15
Exemplo 5
No exemplo anterior, o vetor v proj
[S]
v = (5, 2, 3) (5, 2, 0) = (0, 0, 3)
e ortogonal a (1, 0, 0) e a (0, 1, 0), vetores de S.
Proposi cao 3
Sejam V um espa co euclidiano, S = {v
1
, v
2
, ..., v
n
} V , um conjunto orto-
normal e v V . O vetor
u = v < v, v
1
> v
1
< v, v
2
> v
2
... < v, v
n
> v
n
e ortogonal a todo vetor do subespa co de V gerado por S. Ou seja, u e
ortogonal a todo vetor de V que pode ser escrito como uma combina c ao
linear dos vetores de S.
Demonstra c ao.
Pela Proposi c ao 2, j a sabemos que u e ortogonal a cada vetor de S, ou
seja,
< u, v
1
>=< u, v
2
>= ... =< u, v
n
>= 0.
Vamos calcular o produto interno de u por um vetor generico do subespa co
gerado por S:
Sejam
1
,
2
, ...,
n
R e w =
1
v
1
+
2
v
2
+ ... +
n
v
n
V . Ent ao
< u, w > =< u,
1
v
1
+
2
v
2
+ ... +
n
v
n
>=
=
1
< u, v
1
>
. .
0
+
2
< u, v
2
>
. .
0
+... +
n
< u, v
n
>
. .
0
= 0.
Logo, u e ortogonal a w.
Exemplo 6
Retomando o exemplo anterior, podemos armar que o vetor v proj
[S]
v =
(5, 2, 3) (5, 2, 0) = (0, 0, 3) e ortogonal ao plano [S].
Estamos, agora, em condi c oes de responder ` a pergunta: uma vez que
temos que ter bases ortonormais para poder efetuar a proje c ao, como obter
bases ortonormais para espa cos dados? Vamos fazer isso usando o chamado
Metodo de ortonormaliza c ao de Gram-Schmidt, que nada mais e do que a
aplica c ao do resultado demonstrado na proposi c ao 3. Vamos a ele:
167
CEDERJ
Conjuntos ortogonais e ortonormais
Metodo de ortonormaliza cao de Gram-Schmidt
Todo espa co euclidiano admite uma base ortonormal
Demonstra c ao.
dimV = 1: Seja {v} uma base de V . Ent ao o conjunto {u} = {
v
||v||
} e
uma base ortonormal de V .
dimV = 2: Seja {v
1
, v
2
} uma base de V . Seja u
1
=
v
1
||v
1
||
. Pela pro-
posi c ao 3, o vetor g
2
= v
2
proj
u
1
v
2
= v
2
< v
2
, u
1
> u
1
e ortogonal a u
1
.
Ent ao o vetor u
2
= versor de g
2
=
g
2
||
2
||
e unit ario e tambem e ortogonal a
u
1
. Logo, o conjunto {u
1
, u
2
} e uma base ortonormal de V , pois possui dois
vetores ortogonais e unit arios e a dimens ao de V e dois.
dimV = n: Prosseguindo de forma an aloga, dada uma base de V ,
vamos construindo, um a um, os vetores de uma outra base, esta sim, or-
tonormal. O primeiro e, simplesmente, o versor do primeiro vetor da base
original. A partir do segundo, a ideia e decompor cada vetor em duas com-
ponentes: uma na dire c ao do subespa co gerado pelos vetores j a obtidos e
outra ortogonal ` a primeira.

E o versor desa segunda componente que ir a se
reunir aos vetores j a obtidos, para formar a base ortonormal.
Exemplo 7
Vamos aplicar o metodo de Gram-Schmidt para obter uma base ortonormal
de R
3
, a partir da base B = {v
1
, v
2
, v
3
}, com v
1
= (1, 1, 1); v
2
= (1, 1, 1) e
v
3
= (0, 1, 1). Seja B

= {u
1
, u
2
, u
3
} a base ortonormal procurada. Ent ao
u
1
=
v
1
||v
1
||
=
(1,1,1)

3
= (1/

3, 1/

3, 1/

3).
g
2
= v
2
proj
u
1
v
2
=
= v
2
< v
2
, u
1
> u
1
=
= (1, 1, 1) < (1, 1, 1), (1/

3, 1/

3, 1/

3) > (1/

3, 1/

3, 1/

3) =
= (1, 1, 1) 1/

3(1/

3, 1/

3, 1/

3) =
= (1, 1, 1) (1/3, 1/3, 1/3) =
= (2/3, 4/3, 2/3).
O vetor g
2
e ortogonal a u
1
. De fato, < g
2
, u
1
>= 2/3

3 4/3

3 +
2/3

3 = 0. Ent ao o segundo vetor da nova base e o versor de g


2
, isto e:
u
2
=
g
2
||g
2
||
=
=
(2/3,4/3,2/3)

4/9+16/9+4/9
=
=
(2/3,4/3,2/3)

24/9
=
=
(2/3,4/3,2/3)
2

6
3
=
= 3/2

6(2/3, 4/3, 2/3) =


= (1/

6, 2/

6, 1/

6).
CEDERJ
168
Conjuntos ortogonais e ortonormais
M

ODULO 2 - AULA 15
g
3
= v
3
proj
u
1
v
3
proj
u
2
v
3
=
= v
3
< v
3
, u
1
> u
1
< v
3
, u
2
> u
2
=
= v
3
2/

3u
1
(1/

6)u
2
=
= (0, 1, 1) 2/

3(1/

3, 1/

3, 1/

3) (1/

6)(1/

6, 2/

6, 1/

6) =
= (0, 1, 1) (2/3, 2/3, 2/3) + (1/6, 2/6, 1/6) =
= (1/2, 0, 1/2).
Logo, o terceiro vetor da base B

e o versor de g
3
, isto e:
u
3
=
g
3
||g
3
||
=
(1/2,0,1/2)

2
4
=
2

2
(1/2, 0, 1/2) = (1/

2, 0, 1/

2).
Logo, a base ortonormal de R
3
e
B

= {(1/

3, 1/

3, 1/

3), (1/

6, 2/

6, 1/

6), (1/

2, 0, 1/

2)}.
Exemplo 8
Em R
3
, vamos projetar o vetor u = (1, 2, 3), ortogonalmente, na dire c ao do
vetor v = (1, 2, 2).
Observe, primeiramente, que v n ao e unit ario, pois ||v|| =

1 + 4 + 4 =
3. O seu versor e o vetor v

=
v
3
= (1/3, 2/3, 2/3). O vetor proje c ao e
proj
v
u = proj
v
u =< u, v

> v

= (1/3)(1/3, 2/3, 2/3) = (1/9, 2/9, 2/9).


Alem disso, o vetor u proj
v
u = (1, 2, 3) (1/9, 2/9, 2/9) =
(10/9, 20/9, 25/9) e ortogonal a v.
Exemplo 9
Vamos projetar o vetor u = (1, 2, 3), do exemplo anterior, sobre o plano P
de R
3
gerado pelos vetores v
1
= (1, 0, 2) e v
2
= (0, 1, 0). Precisamos de uma
base ortonormal do subespa co gerado por v
1
e v
2
. Note que esses dois vetores
s ao ortogonais; precisamo, apenas, tomar o versor de v
1
, uma vez que v
2
j a e
unit ario:
v

1
=
(1,0,2)

5
= (1/

5, 0, 2/

5) Ent ao
proj
P
u = proj
v
1
u + proj
v
2
u =
=< u, v

1
> v

1
+ < u, v

2
> v

2
=
= (5/

5)(1/

5, 0, 2/

5) + 2(0, 1, 0) = (1, 2, 2).


Note que a proje c ao e um vetor de P. Por outro lado, a diferen ca:
u (1, 2, 1) = (2, 0, 1) e um vetor ortogonal a P.
Exemplo 10
Vamos obter uma base ortonormal do subespa co de R
3
: U = {(x, y, z)
R
3
|xy+z = 0} e, em seguida, projetar o vetor u = (5, 3, 2), ortogonalmente,
sobre U.
169
CEDERJ
Conjuntos ortogonais e ortonormais
Primeiramente, vamos obter uma base para U. Note que um vetor de
U e da forma (x, x + z, z) = x(1, 1, 0) + z(0, 1, 1). Logo, v
1
= (1, 1, 0) e
v
2
= (0, 1, 1) formam uma base de U. Precisamos ortonormalizar essa base.
Seja B = {u
1
, u
2
} a base ortonormal procurada. Ent ao:
u
1
=
v
1
||v
1
||
=
(1,1,0)

2
= (1/

2, 1/

2, 0)
g
2
= v
2
proj
u
1
v
2
= v
2
< v
2
, u
1
> u
1
=
= (0, 1, 1) 1/

2(1/

2, 1/

2, 0) = (1/2, 1/2, 1).


Logo,
u
2
=
g
2
||g
2
||
= 2/

6(1/2, 1/2, 1) = (1/

6, 1/

6, 2/

6).
Ent ao B

= {(1/

2, 1/

2, 0), (1/

6, 1/

6, 2/

6)}.
Agora podemos obter a proje c ao de u sobre U:
proj
U
u = proj
u
1
u + proj
u
2
u =< u, u
1
> u
1
+ < u, u
2
> u
2
=
= 8/

2(1/

2, 1/

2, 0) + 2/

6(1/

6, 1/

6, 2/

6) = (11/3, 13/3, 2/3).


Resumo
Nesta aula voce aprendeu um metodo pr atico de obter uma base or-
tonormal, a partir de outra base dada. Isso e necess ario pois aprendemos
como projetar ortogonalmente um vetor sobre um subespa co, desde que co-
nhe camos uma base ortornormal desse subespa co. Vimos, tambem, que a di-
feren ca entre o vetor projetado e sua proje c ao ortogonal sobre um subespa co
e um vetor ortogonal ao subespa co.
Exerccios
1. Em R
2
, obtenha o vetor proje c ao ortogonal de u = (4, 5) na dire c ao de
v = (1, 2).
2. Em R
3
, obtenha o vetor proje c ao ortogonal de u = (1, 1, 3) na dire c ao
de v = (0, 1, 1).
3. De a componente de u = (2, 1, 1), em R
3
, ortogonal ao vetor
v = (1, 2, 1).
4. Determine a proje c ao ortogonal do vetor u = (2, 1, 3) sobre o
subespa co de R
3
gerado por S = {(1, 0, 1), (2, 1, 2)}.
5. Projete, ortogonalmente, o vetor u = 3, 2, 1) sobre o subespa co
W = {(x, y, z) R
3
; x + y z = 0}.
CEDERJ
170
Conjuntos ortogonais e ortonormais
M

ODULO 2 - AULA 15
6. Use o metodo de ortonormaliza c ao de Gram-Schmidt para obter uma
base ortonormal de R
3
, a partir da base B = {(1, 0, 0), (0, 1, 1), (0, 1, 2)}.
7. Obtenha uma base ortornormal de R
2
, a partir da base B = {(1, 2),
(1, 3)}.
8. Obtenha uma base ortornormal para o seguinte subespa co vetorial de
R
4
: U = {(x, y, z, t) R
4
|x y = 0 e z = 2t}. A seguir, projete o
vetor u = (1, 3, 4, 2) ortogonalmente sobre U.
Auto-avalia cao
Voce deve estar familiarizado com a express ao que fornece a proje c ao
ortogonal de um vetor sobre um subespa co. Lembre-se que isso s o pode ser
feito quando temos uma base ortonormal. Ent ao, o que devemos fazer e:
Vericar se a base do subespa co sobre o qual vamos projetar e ortonor-
mal:
Se sim, usar a f ormula da proje c ao ortogonal.
Se n ao, usar primeiramente o Metodo de ortonormaliza c ao de Gram-
Schmidt para obter uma base ortonormal e a sim, aplicar a f ormula da
proje c ao.
N ao resta d uvida de que e um metodo trabalhoso, envolvendo muitos
c alculos, mas o importante e que voce compreenda o signicado geometrico
do que o processo realiza. A ideia e desentortaros vetores, trocando cada
um deles pela sua componente que e ortogonal ` a dire c ao de cada subespa co
gerado pelos anteriores. Ao nal do metodo, obtemos vetores ortogonais,
dois a dois, todos unit arios. A utilidade de se lidar com bases ortonormais
car a mais evidente quando estudarmos representa c oes matriciais de trans-
forma c oes lineares. N ao se assuste com o nome - tudo a seu tempo!!! Ate l a!
Em tempo: havendo qualquer d uvida, procure o tutor da disciplina!!
171
CEDERJ
Conjuntos ortogonais e ortonormais
Respostas dos exerccios
1. (14/5, 28/5)
2. (0, 2, 2)
3. (11/6, 8/6, 5/6)
4. Observe, primeiramente, que os vetores geradores s ao ortogonais.A resposta
e (11/6, 1/3, 19/6).
5. Veja o exemplo feito em aula: primeiramente obtenha uma base de W; em
seguida, aplique o metodo de Gram-Schmidt para obter uma base ortonor-
mal. A, sim, use a express ao que fornece a proje c ao ortogonal. A resposta
e (5/3, 2/3, 7/3).
6. {(1, 0, 0), (0, 1/

2, 1/

2), (0, 1/

2, 1/

2)}
7. (

5/5, 2

5/5), (2

5/5,

5/5)}
8. {(1/

2, 1/

2, 0, 0), (0, 0, 2/

5, 1/

5)}; (2, 2, 4, 2)
CEDERJ
172
Complemento ortogonal
M

ODULO 2 - AULA 16
Aula 16 Complemento ortogonal
Objetivo
Pre-requisitos: Aulas
13 (Soma de subespa cos);
14 (Espa cos euclidianos) e
15 (Conjuntos ortonor-
mais/proje c ao ortogonal).
Obter o complemento ortogonal de um subespa co.
Esta aula e curta - nela completaremos a teoria iniciada na aula an-
terior. Destacaremos um subespa co especial, que e denido a partir de um
outro subespa co, usando a no c ao de ortogonalidade. Recordaremos tambem
o conceito de soma direta de subespa cos. Iniciamos com a principal deni c ao
desta aula.
Complemento ortogonal
Sejam V um espa co euclidiano e U V um subespa co vetorial de V .
Vamos representar por U

o subconjunto formado pelos vetores de V que


s ao ortogonais a todo vetor de U, isto e:
U

= {v V | < v, u >= 0, u U}
O subconjunto U

e chamado complemento ortogonal de U e e tambem


um subespa co vetorial de V .
De fato,
(i) U

= , pois < o
V
, u >= 0, u V ; logo, o
V
U

.
(ii) Sejam v
1
, v
2
U

, isto e, < v
1
, u >= 0 e < v
2
, u >= 0, u U. Ent ao
< v
1
+ v
2
, u >=< v
1
, u > + < v
2
, u >= 0 + 0 = 0, u U.
Logo, v
1
+ v
2
U

.
(iii) Sejam R e v U

, isto e, < v, u >= 0, u U. Ent ao


< v, u >= < v, u >= .0 = 0, u U. Logo, v U

.
173
CEDERJ
Complemento ortogonal
Exemplo 1
Em R
2
, o complemento ortogonal do subespa co gerado pelo vetor (3, 0) e o
subespa co gerado pelo vetor (0, 1). De fato, sendo U = [(3, 0)], um vetor
u U e da forma (3, 0), para algum R. Queremos identicar os
vetores de R
2
que s ao ortogonais a todo vetor de U. Isto e, os vetores
v = (x, y) R
2
tais que < v, u >= 0, u U. Ou seja, queremos (x, y) tais
que 3x = 0. Como essa igualdade tem que se vericar para qualquer real,
conclumos que x = 0. Logo, todo vetor de U

e da forma (0, y), com y R.


Assim, qualquer vetor dessa forma, n ao nulo, gera U

, e podemos escrever
U

= [(0, 1)]. Note que U e o eixo das abscissas e U

, o eixo das ordenadas,


como indica a Figura 16.1.
Figura 16.1: Um subespa co de R
2
e seu complemento ortogonal.
Na Aula 13, voce estudou soma e soma direta de subespa cos.
Recordando:
Sendo U e W subespa cos vetoriais de um mesmo espa co vetorial V , a
soma de U e W e o subconjunto de V formado pelos vetores que podem
ser escritos como a soma de um vetor de U com um de W, isto e:
U + W = {v V |v = u + w; u U e w W}.
A soma de dois subespa cos de V e tambem um subespa co de V .
A soma direta de U e W, representada por U W, e a soma de U e
W no caso em que U W = {o
V
}.
Sendo V de dimens ao nita, a dimens ao da soma direta de U e W e a
soma das dimens oes de U e W e a uni ao de uma base de U com uma
base de W e uma base da soma direta.
CEDERJ
174
Complemento ortogonal
M

ODULO 2 - AULA 16
Alem disso, quando a soma e direta, s o existe uma maneira de decompor
cada vetor de V numa soma de um vetor de U com um vetor de U

, o
que signica dizer que esses dois vetores s ao unicos.
Proposi cao 1
Sejam V um espa co euclidiano e U, subespa co de V . Ent ao V = U U

.
Demonstra c ao.
Temos que mostrar duas coisas: (i) V e soma de U e do complemento
ortogonal de U, e (ii) essa soma e direta.
(i) Queremos mostrar que, v V, v = u + w, para algum u U e algum
w U

.
Sejam B = {u
1
, ..., u
m
} uma base ortonormal de U, e v V . Pela Vimos, na Aula 15, que
todo espa co euclidiano ad-
mite uma base ortonormal.
proposi c ao 3 da Aula 15, o vetor
w = v < v, u
1
> u
1
< v, u
2
> u
2
... < v, u
m
> u
m
e ortogonal a todo vetor de B e, assim, ortogonal a todo elemento de
U. Logo, w U

. Podemos, ent ao, escrever


v = w
..
U

+( < v, u
1
> u
1
< v, u
2
> u
2
... < v, u
m
> u
m
)
. .
U
,
o que prova que V = U + U

.
(ii) Seja v U U

. Como v U

, < v, u >= 0, u U

. Em particular,
como v U, temos < v, v >= 0, o que implica v = o
V
.
Logo, U U

= {o
V
}.
Como j a vimos na Aula 15, todo vetor v V pode ser decomposto em
duas parcelas, uma sendo a proje c ao ortogonal do vetor sobre um subespa co
de V e a outra, um vetor ortogonal a esse subespa co. Considerando os
subespa cos U e U

, podemos ent ao, decompor cada vetor v de V , de forma


unica, na soma:
v = w + u,
onde
u U: u e a proje c ao ortogonal de v sobre o subespa co U, e
w U

: w e ortogonal a U.
175
CEDERJ
Complemento ortogonal

E importante lembrar que para determinar a proje c ao de um vetor v


de V sobre U, e necess ario conhecer uma base ortonormal de U. Para isso,
estudamos o metodo de Gram-Schmidt.
Em resumo:
Sendo
- U um subespa co vetorial do espa co euclidiano V ;
- {v
1
, ..., v
m
} base ortonormal de U
- v V ,
ent ao v = w + u, onde
u = proj
U
v =
m

i=1
< v, v
i
> v
i
Exemplo 2
Seja W o eixo z de R
3
, isto e,
W = {(x, y, z) R
3
|x = y = 0} = {(0, 0, z); z R}.
W

e o plano xy, isto e:


W

= {(x, y, z) R
3
|z = 0} = {(x, y, 0); x, y R}.
Temos, ent ao, que R
3
= WW

, pois, dado (x, y, z) R


3
, podemos escrever
(x, y, z) = (x, y, 0)
. .
W

+(0, 0, z)
. .
W
e
W W

= {(0, 0, z); z R}} = {(x, y, 0); x, y R} = {(0, 0, 0)} = o


R
3.
Essa situa c ao est a ilustrada na Figura 16.2.
Figura 16.2: Um subespa co de R
3
e seu complemento ortogonal.
CEDERJ
176
Complemento ortogonal
M

ODULO 2 - AULA 16
Exemplo 3
Seja W o subespa co de R
4
gerado por u = (1, 2, 3, 1) e w = (2, 4, 7, 2).
Vamos encontrar uma base para W

.
Para um vetor v = (x, y, z, t) de R
4
pertencer a W

, deve ser ortogonal a u


e a w, simultaneamente, isto e:
_
< v, u >= 0
< v, w >= 0

_
x + 2y + 3z t = 0
2x + 4y + 7z + 2t = 0

_
x + 2y + 3z t = 0
z + 4t = 0
.
Um vetor de R
4
e solu c ao desse sistema quando e da forma
(2y+13t, y, 4t, t), comy, t R. Como (2y+13t, y, 4t, t) = y(2, 1, 0, 0, )+
t(13, 0, 4, 1), temos que o subespa co W

e gerado pelos vetores (2, 1, 0, 0, )


e (13, 0, 4, 1), que s ao LI . Logo, {(2, 1, 0, 0, ), (13, 0, 4, 1)} e uma base Voce se lembra? Este metodo
para determinar um conjunto
de geradores sempre fornece
uma base do subespa co.
de W

.
Exemplo 4
Dado U = {(x, y, z) R
3
; x + y + z = 0}, vamos
a) escrever o vetor (3, 2, 5), de R
3
como uma soma de um vetor de U e um
de U

;
b) obter o vetor proje c ao ortogonal de v = (a, b, c) R
3
sobre U e
c) escrever o vetor v = (a, b, c), de R
3
, como soma de um vetor de U e um
ortogonal a U.
Vamos obter uma base para U: um vetor de U pode ser escrito na
forma (x, y, x y) = x(1, 0, 1) + y(0, 1, 1). Logo, os vetores (1, 0, 1)
e (0, 1, 1) geram U e s ao LI. Logo, formam uma base de U. Precisamos
ortonormalizar essa base. Para isso, aplicamos o metodo de Gram-Schmidt:
Sejam v
1
= (1, 0, 1) e v
2
= (0, 1, 1). Seja {u
1
, u
2
} a base ortonormal
procurada. Ent ao:
u
1
=
v
1
||v
1
||
= (
1

2
, 0,
1

2
).
w
2
= v
2
< v
2
, u
1
> u
1
= (0, 1, 1)
1

2
(
1

2
, 0,
1

2
) = (
1
2
, 1,
1
2
).
u
2
=
w
2
||w
2
||
=
2

6
(
1
2
, 1,
1
2
) = (
1

6
,
2

6
,
1

6
).
Podemos, agora, resolver o exerccio:
a) proj
U
(3, 2, 5) = proj
u
1
(3, 2, 5) + proj
u
2
(3, 2, 5) =
=
2

2
u
1

6
u
2
=
= (1, 0, 1) + (
2
3
,
4
3
,
2
3
) =
= (
1
3
,
4
3
,
5
3
).
177
CEDERJ
Complemento ortogonal
Da, temos
(3, 2, 5) proj
U
(3, 2, 5) = (3, 2, 5) (
1
3
,
4
3
,
5
3
) = (
10
3
,
10
3
,
10
3
).
Ent ao
(3, 2, 5) = (
1
3
,
4
3
,
5
3
)
. .
U
+(
10
3
,
10
3
,
10
3
)
. .
U

.
b) proj
U
(a, b, c) = proj
u
1
(a, b, c) + proj
u
2
(a, b, c) =
=
ac

2
u
1
+
_
a+2bc

6
_
u
2
=
=
_
2abc
3
,
a+2bc
3
,
ab+2c
3
_
.
c) (a, b, c) = (
2a b c
3
,
a + 2b c
3
,
a b + 2c
3
)
. .
U
+
(
a + b + c
3
,
a + b + c
3
,
a + b + c
3
)
. .
U

.
Exemplo 5
Em P
2
(R), denimos o produto interno
< f(t), g(t) >=
_
1
0
f(t) g(t)dt.
Vamos obter uma base ortonormal do subespa co [3, 1 t]

.
Seja p(t) = at
2
+ bt + c [3, 1 t]

. Ent ao
< f(t), p(t) >=
_
1
0
3(at
2
+ bt + c)dt = 0 2a + 3b + 6c = 0 (1).
< g(t), p(t) >=
_
1
0
(1 t)(at
2
+ bt + c)t = 0 a + 2b + 6c = 0 (2).
O sistema linear formado pelas equa c oes (1) e (2) possui solu c oes (a, b, c) tais
que a = b; c = b/6. Logo, p(t) = 6bt
2
6bt + b = b(6t
2
6t + 1), b R.
Ou seja, o vetor 6t
2
6t + 1 gera o complemento ortogonal do subespa co
[3, 1 t]. Assim, {6t
2
6t + 1} e uma base de [3, 1 t]

.
CEDERJ
178
Complemento ortogonal
M

ODULO 2 - AULA 16
Resumo
Nesta aula estudamos o subespa co que e o complemento ortogonal de
um outro. Na verdade, podemos denir o complemento ortogonal de qual-
quer subconjunto de um espa co euclidiano e provar que e um subespa co, mas
quando partimos de um subsconjunto U que e, ele pr oprio, um subespa co,
o caso ca muito mais interessante porque podemos escrever o espa co como
soma direta de U e seu complemento ortogonal. Podemos, tambem, decom-
por um vetor do espa co em duas parcelas, sendo cada uma delas a proje c ao
ortogonal do vetor em um dos subespa cos: U e U

.
Exerccios
1. Dado U = {(x, y, z) R
3
; y 2z = 0},
a) Escreva o vetor (1, 2, 4), de R
3
como uma soma de um vetor de U
e um de U

.
b) Obtenha o vetor proje c ao ortogonal de v = (a, b, c) R
3
sobre U.
2. Seja W o subespa co de R
4
gerado por u = (1, 2, 3, 1), v = (2, 4, 7, 2)
e = (1, 1, 1, 1). Encontre uma base ortonormal para W

.
3. Considere o seguinte produto interno em R
4
:
< (a, b, c, d), (x, y, z, w) >= 2ax + by + cz + dw,
para (a, b, c, d), (x, y, z, w) R
4
. Determine uma base do subespa co
ortogonal de U = [(1, 2, 0, 1), (2, 0, 1, 1)].
4. Em M
2
(R), a rela c ao
< A, B >= a
11
b
11
+ a
12
b
12
+ a
21
b
21
+ a
22
b
22
,
onde A = (a
1j
), B = (b
ij
), i, j = 1, 2, e um produto interno. Considere
o seguinte subespa co de M
2
(R):
W =
__
x y
z w
_
; x y + z = 0
_
.
a) Determine uma base de W.
b) Determine uma base de W

.
5. Sejam R
4
e U = {(x, y, z, w) R
4
; x + y z + 2w = 0}. Determine
uma base ortonormal de U de uma de U

.
179
CEDERJ
Complemento ortogonal
Auto-avalia cao
Bem, chegamos ao nal do primeiro m odulo. A pr oxima aula reve a
teoria apresentada ao longo das 16 primeiras aulas, em forma de exerccios.
Antes de partir para ela, porem, certique-se de ter apreendido a tecnica e,
principalmente, o signicado do que estudamos nesta aula. Se sentir qualquer
diculdade ao resolver os exerccios ou ao estudar os exemplos, entre em
contato com o tutor da disciplina.
Respostas dos exerccios
1. a) (1, 2, 4) = (1,
16
5
,
8
5
) + (0,
6
5
,
12
5
)
b) proj
U
(a, b, c) = (a,
4a+2c
5
,
2b+c
5
)
2. Uma base de W

: {
(7,10,4,1)

166
}
3. (Aten c ao para o produto interno, diferente do usual!!)
Uma base de U

: {(1, 1, 4, 0), (1, 0, 6, 2)}


4. a)
__
1 1
0 0
_
,
_
0 1
1 0
_
,
_
0 0
0 1
__
b)
__
1 1
1 0
__
5. Uma base de U : {(
1

2
, 0,
1

2
, 0), (
1

6
,
2

6
,
1

6
, 0), (
2

21
,
2

21
,
2

21
,
3

21
)}.
Uma base de U

: {
1

7
,
1

7
,
1

7
,
2

7
)}
CEDERJ
180
Exerccios resolvidos
M

ODULO 2 - AULA 17
Aula 17 Exerccios resolvidos
Objetivo
Pre-requisito:
Aulas 1 a 16.
Fazer uma revis ao do primeiro m odulo, atraves da resolu c ao de exerccios
variados.
Nesta aula, damos uma pequena pausa na apresenta c ao da teoria para
exercitar o conte udo j a estudado. Voce tem uma lista de exerccios para
tentar resolver e conferir com as resolu c oes, que se encontram ap os os enun-
ciados.
A ideia e que voce primeiro tente resolve-los, recorrendo, se necess ario,
` as anota c oes de aula, e s o depois de resolver, compare sua solu c ao com a que
apresentamos aqui.
Caso haja alguma discord ancia ou d uvida, procure o tutor. O objetivo
principal e que voce siga em frente, iniciando o segundo m odulo bem seguro
do conte udo estudado no primeiro.
Exerccios
1. Sendo A
32
=
_
_
_
1 1
2 0
3 1
_
_
_
, B
32
=
_
_
_
0 2
3 4
5 1
_
_
_
,
C
24
=
_
2 a 3 2
0 1 b 6
_
, determine a e b para que a matriz
(2A+ B)C seja igual a
_
_
_
4 2 6 4
14 3 1 38
2 0 2 8
_
_
_
.
2. Dada A =
_
1 2
4 3
_
, calcule:
a) A
2
b) A
T
c) det A d) det A
T
e) A
1
f) (A
T
)
1
g) det A
1
h) f(A), onde f(x) = x
2
+ 2x 11
3. Classique em V (verdadeira) ou F (Falsa) cada senten ca abaixo:
a) (A+ B)
T
= A
T
+ B
T
181
CEDERJ
Exerccios resolvidos
b) (AB)
T
= A
T
B
T
c) (A+ B)
1
= A
1
B
1
d) (AB)
1
= B
1
A
1
e) det A = det A
T
f) det A
1
= det A
g) Se A M
n
(R), R, det A = ndet A
4. Determine a Rpara que exista a inversa da matriz A =
_

_
1 0 2
4 1 a
2 1 3
_

_
.
Caso exista, calcule A
1
, para a = 8.
5. (Prov ao - MEC - 2002)
A e B s ao matrizes reais n n, sendo n 2 e , um n umero real.
A respeito dos determinantes dessas matrizes, e correto armar que:
(a) det (AB) = det A.det B
(b) det (A+ B) = det A+ det B
(c) det (A) = det A
(d) det A 0, se todos os elementos de A forem positivos
(e) se det A = 0 ent ao A possui duas linhas ou colunas iguais
6. Calcule det
_

_
2 1 3 0
2 1 3 5
2 0 4 5
1 0 1 3
_

_
por triangulariza c ao.
7. Classique e resolva, por escalonamento, cada um dos sistemas lineares
abaixo:
S
1
:
_

_
x + y z = 0
2x + 4y z = 0
3x + 2y + 2z = 0
S
2
:
_

_
2x y + z = 0
x + 2y z = 0
3x + y = 0
S
3
:
_

_
x y + 3z = 2
x + y + z = 1
x 3y + 5z = 5
8. Discuta o sistema linear
_

_
2x + 3y + az = 3
x + y z = 1
x + ay + 3z = 2
, segundo os valores do
par ametro real a.
CEDERJ
182
Exerccios resolvidos
M

ODULO 2 - AULA 17
9. Determine as condi c oes sobre a, b e c que tornam compatvel o sistema
_

_
x 2y + 7z = a
x + 2y 3z = b
2x + 6y 11z = c
.
10. Dado um espa co vetorial V , mostre que W V , n ao vazio, e subespa co
vetorial de V se, e somente se, au + bv W, u, v W, a, b R.
11. Verique se os seguintes vetores de R
3
s ao LD ou LI:
a) (1, 1, 1), (2, 1, 0) e (1, 1, 2)
b) (1, 2, 0), (3, 1, 2) e (2, 1, 2)
12. Obtenha um conjunto de geradores do subespa co U, de V , em cada
caso:
a) V = R
2
; U = {(x, y) R
2
; x = 3y}
b) V = R
3
; U = {(x, y, z) R
3
; x = 3y}
c) V = R
4
; U = {(x, y, z, t) R
4
; x = 3y e z t = 0}
13. Determine o subespa co de R
3
gerado pelos vetores v
1
= (1, 1, 1),
v
2
= (2, 3, 1) e v
3
= (0, 1, 1).
14. Encontre uma base e de a dimens ao do subespa co de M
2
(R) gerado por
u =
_
1 2
3 1
_
, v =
_
3 2
1 5
_
e w =
_
3 10
11 7
_
.
15. Dados U = {(x, x, z); x, z R} e W = {(x, 0, x); x R}, suespa cos de
R
3
, encontre uma base e determine a dimens ao dos subespa cos U W
e U + W, de R
3
.
16. Determine a sabendo que o vetor v = (1, 2, a, 4) R
4
tem m odulo
igual a

30.
17. Considere os vetores u = (1, 2, 1) e v = (0, 3, 4), de R
3
. Determine:
a) 2u v
b) ||u||
c) o versor de v
d) < u, v >
e) d(u, v) (a dist ancia de u e v)
183
CEDERJ
Exerccios resolvidos
18. Determine a R tal que os vetores u = (a, a + 2, 1) e v = (a + 1, 1, a),
de R
3
, sejam ortogonais.
19. Dadas as matrizes u =
_
a
1
b
1
c
1
d
1
_
e v =
_
a
2
b
2
c
2
d
2
_
, em M
2
(R), a
express ao < u, v >= a
1
a
2
+b
1
b
2
+c
1
c
2
+d
1
d
2
dene um produto interno
no espa co M
2
(R).
Dados os vetores u =
_
1 2
1 3
_
e v =
_
2 1
3 4
_
, determine
a) ||u + v||
b) o angulo entre u e v
20. Em P
2
(R), denimos o produto interno de dois vetores p(t) = a
1
t
2
+
b
1
t + c
1
e q(t) = a
2
t
2
+ b
2
t + c
2
como < p, t >= a
1
a
2
+ b
1
b
2
+ c
1
c
2
+
d
1
d
2
. Calcule < p(t), q(t) > no caso em que p(t) = 2t
2
3t + 1 e
q(t) = t
2
+ 5t 2.
21. Determinar o versor de um vetor v e um processo tambem conhecido
por normaliza c ao de v. Normalize cada um dos vetores abaixo, no
espa co euclidiano R
3
:
a) u = (1, 2, 1)
b) v = (1/2, 2/3, 1/2)
22. Em P
3
(R), considere o produto interno
< f(t), g(t) >=
_
1
0
f(t)g(t)dt.
a) Calcule o produto interno de f(t) = t 1 por g(t) = 3t
3
+ 2t + 1.
b) Calcule ||p(t)||, onde p(t) = t
2
t.
c) Determine a R para que f(t) = at
2
+ 1 e g(t) = t 2 sejam
ortogonais.
23. Mostre que se u e ortogonal a v ent ao todo m ultiplo escalar de u
tambem e ortogonal a v.
24. Encontre um vetor unit ario, ortogonal, simultaneamente, a v
1
= (2, 1, 1)
e v
2
= (1, 3, 0), em R
3
.
CEDERJ
184
Exerccios resolvidos
M

ODULO 2 - AULA 17
25. Sejam u, v vetores de um espa co euclidiano V , com v n ao nulo. Mostre
que o vetor w = u
< u, v >
||v||
2
v e ortogonal a v. (O vetor w e a proje c ao
ortogonal de u na dire c ao de v, obtido sem a hip otese de v ser unit ario.)
26. Determine a R tal que os vetores u = (a, a + 2, 1) e v = (a + 1, 1, a),
de R
3
, sejam ortogonais.
27. Obtenha uma base ortonormal de R
3
a partir da base B = {v
1
, v
2
, v
3
},
onde v
1
= (1, 1, 1), v
2
= (1, 1, 0), v
3
= (1, 1, 1).
28. EmR
3
, com o produto interno usual, determine a proje c ao ortogonal do
vetor u = (1, 2, 3) sobre o subespa co gerado pelos vetores v
1
= (1, 0, 2)
e v
2
= (0, 1, 0).
29. Considere U = {(x, y, z) R
3
; x y z = 0}, subespa co de R
3
.
a) Determine uma base ortonormal de U.
b) Determine uma base ortonormal de U

.
c) Escreva o vetor v = (a, b, c) R
3
como soma de um vetor de U e
um de U

.
Resolu cao dos exerccios
R1. (2A+ B)C) =
_

_
_
_
_
2 2
4 0
6 2
_
_
_
+
_
_
_
0 2
3 4
5 1
_
_
_
_

_
_
2 a 3 2
0 1 b 6
_
=
=
_
_
_
2 0
7 4
1 1
_
_
_
_
2 a 3 2
0 1 b 6
_
=
_
_
_
4 2a 6 4
14 7a 4 21 + 4b 38
2 a 1 3 + b 8
_
_
_
.
Ent ao,
_

_
2a = 2
7a 4 = 3
a 1 = 0
21 + 4b = 1
3 + b = 2

_
a = 1
b = 5
R2. a) A
2
=
_
1 2
4 3
__
1 2
4 3
_
=
_
1 + 8 2 6
4 12 8 + 9
_
=
_
9 4
8 17
_
.
b) A
T
=
_
1 4
2 3
_
185
CEDERJ
Exerccios resolvidos
c) det A = 3 8 = 11
d) det A
T
= det A = 11
e) A
1
:
1 2 | 1 0
4 3 | 0 1 L
2
L
2
4L
1
|
1 2 | 1 0
0 11 | 4 1 L
2
1/11L
2
|
1 2 | 1 0 L
1
L
1
2L
2
0 1 | 4/11 1/11
|
1 0 | 3/11 2/11
0 1 | 4/11 1/11
.
Logo, A
1
=
_
3/11 2/11
4/11 1/11
_
.
f) (A
T
)
1
= (A
1
)
T
=
_
3/11 4/11
2/11 1/11
_
g) det A
1
= (det A)
1
= (11)
1
= 1/11
h) f(A) = A
2
+2A11I
2
=
_
9 4
8 17
_
+
_
2 4
8 6
_

_
11 0
0 11
_
=
_
0 0
0 0
_
. Neste caso, dizemos que a matriz A e um zero da
fun c ao f.
R3. a) (V)
b) (F): (AB)
T
= B
T
A
T
c) (F): n ao h a f ormula para a inversa da soma
d) (V)
e) (V)
f) (F): det A
1
= (det A)
1
=
1
det A
. Justamente porque o deter-
minante da matriz A aparece no denominador e que s o existe a
inversa de A se seu determinante for diferente de zero.
CEDERJ
186
Exerccios resolvidos
M

ODULO 2 - AULA 17
g) (F): A cada linha de A que e multiplicada pelo escalar , o deter-
minante ca multiplicado por . Uma matriz quadrada de ordem
n possui n linhas. Logo, o determinante de A multiplicada por
e igual ao determinante de A multiplicado por , n vezes.
Ou seja, det A =
n
det A.
R4. Para que exista a inversa de A, o seu determinante n ao pode ser nulo.
Vamos calcular det A, pelo metodo de Sarrus:

1 0 2
4 1 a
2 1 3

= (3 8) (4 a) = a 9. Queremos det A = 0, isto e,


a 9 = 0 a = 9.
Podemos calcular a inversa de A para a = 8:
1 0 2 | 1 0 0
4 1 8 | 0 1 0 L
2
L
2
4L
1
2 1 3 | 0 0 1 L
3
L
3
2L
1
|
1 0 2 | 1 0 0
0 1 0 | 4 1 0
0 1 1 | 2 0 1 L
3
L
3
+ L
2
|
1 0 2 | 1 0 0
0 1 0 | 4 1 0
0 0 1 | 6 1 1 L
3
L
3
|
1 0 2 | 1 0 0 L
1
L
1
2L
3
0 1 0 | 4 1 0
0 0 1 | 6 1 1
|
1 0 0 | 11 2 2
0 1 0 | 4 1 0
0 0 1 | 6 1 1
Logo, A
1
=
_
_
_
11 2 2
4 1 0
6 1 1
_
_
_.
R5. A op c ao correta e a letra (a).
187
CEDERJ
Exerccios resolvidos
R6.

2 1 3 0
2 1 3 5
2 0 4 5
1 0 1 3

L
1
L
4
= ()

1 0 1 3
2 1 3 5
2 0 4 5
2 1 3 0

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

1 0 1 3
0 1 1 1
0 0 6 11
0 1 1 6

L
4
L
4
+ L
2
= ()

1 0 1 3
0 1 1 1
0 0 6 11
0 0 2 7

L
3

1
6
L
3
=
= ()(6)

1 0 1 3
0 1 1 1
0 0 1
11
6
0 0 2 7

L
4
L
4
2L
3
= ()(6)

1 0 1 3
0 1 1 1
0 0 1
11
6
0 0 0
64
6

=
= ()(6)(1)(1)(1)
_

64
6
_
= 64.
R7. a)
_

_
1 1 1
2 4 1
3 2 2
_

_ L
2
L
2
2L
1
L
3
L
3
3L
1

_
1 1 1
0 2 1
0 1 5
_

_ L
2
L
2
L
3

_
1 1 1
0 1 5
0 2 1
_

_
L
3
L
3
+ 2L
2

_
1 1 1
0 1 5
0 0 11
_

_
. Obte-
mos o sistema equivalente:
_

_
x + y z = 0
y + 5z = 0
11z = 0
, que e compatvel determinado, com conjunto-
solu c ao {(0, 0, 0)}.
b)
_

_
2 1 1
1 2 1
3 1 0
_

_
L
1
L
2

_
1 2 1
2 1 1
3 1 0
_

_ L
2
L
2
2L
1
L
3
L
3
3L
1

_
1 2 1
0 5 3
0 5 3
_

_
L
3
L
3
L
2

_
1 2 1
0 5 3
0 0 0
_

_
. Obte-
mos o sistema equivalente:
_
x + 2y z = 0
5y + 3z = 0
, que e compatvel
e indeterminado. Fazendo y =
3
5
z, na segunda equa c ao, e subs-
tituindo na primeira, obtemos x =
1
5
z. Logo, as solu c oes do
sistema s ao os vetores de R
3
da forma (z/5, 3z/5, z), para z R.
CEDERJ
188
Exerccios resolvidos
M

ODULO 2 - AULA 17
c)
_

_
1 1 3 | 2
1 1 1 | 1
1 3 5 | 5
_

_ L
2
L
2
L
1
L
3
L
3
L
1

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

_
L
3
L
3
+ L
2

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

_
. Obtemos o sistema
equivalente
_

_
x y + 3z = 2
2y 2z = 1
0 = 2
, que e incompatvel. Logo, o
conjunto-solu c ao do sistema dado e vazio.
R8.
_

_
2 3 a | 3
1 1 1 | 1
1 a 3 | 2
_

_
L
1
L
2

_
1 1 1 | 1
2 3 a | 3
1 a 3 | 2
_

_ L
2
L
2
2L
1
L
3
L
3
L
1

_
1 1 1 | 1
0 1 a + 2 | 1
0 a 1 4 | 1
_

_
L
3
L
3
(a 1)L
2

_
1 1 1 | 1
0 1 a + 2 | 1
0 0 4 (a 1)(a + 2) | 1 (a 1)
_

_
.
A terceira equa c ao pode ser escrita (a 2)(a +3)z = (a 2). Note
que a express ao do primeiro membro se anula para a = 2 ou a = 3.
Ent ao,
Se a = 2, a terceira equa c ao ca 0 = 0 e o sistema e, nesse caso,
compatvel e indeterminado.
Se a = 3, a terceira equa c ao ca 0z = 5, o que torna o sistema
incompatvel.
Finalmente, se a = 2 e a = 3, a terceira equa c ao nem e eliminada
nem e impossvel. Nesse caso, o sistema e compatvel e determinado.
R9.
_

_
1 2 7 | a
1 2 3 | b
2 6 11 | c
_

_ L
2
L
2
L
1
L
3
L
3
2L
1

_
1 2 7 | a
0 4 10 | b a
0 10 25 | c 2a
_

_
L
2
1/4L
2

_
1 2 7 | a
0 1 5/2 | (b a)/4
0 10 25 | c 2a
_

_
L
3
L
3
10L
2

189
CEDERJ
Exerccios resolvidos

_
1 2 7 | a
0 1 5/2 | (b a)/4
0 0 0 | c 2a 10(
ba
4
)
_

_
. Para que o sistema seja
compatvel e necess ario ter c2a10(
ba
4
) = 0, ou seja, a5b+2c = 0.
R10. Vimos que um subconjunto W de um espa co vetorial V e subespa co ve-
torial de V se (i) W = ; (ii) av W, v W, a R e
(iii) u + v W, u, v W.
() Vamos supor que W e subespa co. Ent ao W e n ao-vazio. Alem
disso, dados a, b R, u, v W, por (ii), temos que au W e bv W.
Por (iii), au + bv W.
() Vamos supor, agora, que W e n ao-vazio e au + bv V, u, v
V, a, b R. Fazendo b = 0, temos a validade da propriedade (ii) da
deni c ao de subespa co. Fazendo a = b = 1, temos a validade de (iii).
R11. a) a
1
(1, 1, 1) + a
2
(2, 1, 0) + a
3
(1, 1, 2) = o
R
3 = (0, 0, 0)

_
a
1
+ 2a
2
a
3
= 0
a
1
+ a
2
+ a
3
= 0
a
1
+ 2a
3
= 0

_
1 2 1
1 1 1
1 0 2
_

_ L
2
L
2
L
1
L
3
L
3
+ L
1

_
1 2 1
0 1 2
0 2 1
_

_
L
3
L
3
+ 2L
2

_
1 2 1
0 1 2
0 0 5
_

_
.
Obtemos, assim, o sistema equivalente:
_

_
a
1
+ 2a
2
a
3
= 0
a
2
+ 2a
3
= 0
5a
3
= 0
, cuja solu c ao e dada por a
1
= a
2
= a
3
= 0.
Logo, os vetores v
1
, v
2
, e v
3
s ao LI.
b) a
1
(1, 2, 0) + a
2
(3, 1, 2) + a
3
(2, 1, 2) = o
R
3 = (0, 0, 0)

_
a
1
+ 3a
2
+ 2a
3
= 0
2a
1
+ a
2
a
3
= 0
2a
2
+ 2a
3
= 0

_
1 3 2
2 1 1
0 2 2
_

_ L
2
L
2
2L
1

_
1 3 2
0 5 5
0 2 2
_

_ L
2
1/5L
2

_

_
1 3 2
0 1 1
0 2 2
_

L
3
L
3
2L2

_
1 3 2
0 1 1
0 0 0
_

_
. Obtemos, assim, o sistema
equivalente
_
a
1
+ 3a
2
+ 2a
3
= 0
a
2
+ a
3
= 0
, que e indeterminado. Logo,
os vetores v
1
, v
2
e v
3
s ao LD.
CEDERJ
190
Exerccios resolvidos
M

ODULO 2 - AULA 17
R12. a) v U v = (3y, y) = y(3, 1); y R. Um conjunto gerador de U
e {(3, 1)}.
b) v U v = (3y, y, z) = y(3, 1, 0) + z(0, 0, 1); y, z R. Um
conjunto gerador de U e {(3, 1, 0), (0, 0, 1)}.
c) v U v = (3y, y, t, t) = y(3, 1, 0, 0) + t(0, 0, 1, 1); y, t R. Um
conjunto gerador de U e {(3, 1, 0, 0), (0, 0, 1, 1)}.
R13. Um vetor v = (x, y, z) de R
3
pertence ao subespa co gerado pelos ve-
tores v
1
, v
2
e v
3
se v pode ser escrito como uma combina c ao linear
desses vetores. Isto e, queremos que existam a, b, c reais tais que
(x, y, z) = a(1, 1, 1) + b(2, 3, 1) + c(0, 1, 1). Em outras palavras,
queremos que o sistema linear
_

_
a + 2b = x
a 3b + c = y
a + b + c = z
seja compatvel.
Vamos escalonar o sistema:
_

_
1 2 0 | x
1 3 1 | y
1 1 1 | z
_

_ L
2
L
2
+ L
1
L
3
L
3
L
1

_
1 2 0 | x
0 1 1 | y + x
0 1 1 | z x
_

L
3
L
3
L
2

_
1 2 0 | x
0 1 1 | y + x
0 0 0 | z x (y + x)
_

_
. Para que o sis-
tema admita solu c ao devemos ter zx(y+x) = 0, isto e, o subespa co
de R
3
gerado pelos vetores v
1
, v
2
e v
3
e {(x, y, z) R
3
; 2x+y z = 0}.
R14. Queremos caracterizar as matrizes de M
2
(R) que podem ser escritas
como combina c ao linear de u, v e w:
_
x y
z t
_
= au + bv + cw =
_
a + 3b + 3c 2a + 2b + 10c
3a b 11c a + 5b + 7c
_
. Em
outras palavras, queremos que seja compatvel o sistema:
_

_
a + 3b + 3c = x
2a + 2b + 10c = y
3a b 11c = z
a + 5b + 7c = t
. Escalonando esse sistema temos:
_

_
1 3 3 | x
2 2 10 | y
3 1 11 | z
1 5 7 | t
_

_
L
2
L
2
+ 2L
1
L
3
L
3
3L
1
L
4
L
4
L
1

191
CEDERJ
Exerccios resolvidos

_
1 3 3 | x
0 8 16 | y + 2x
0 10 20 | z 3x
0 2 4 | t x
_

_
L
2
L
4

_
1 3 3 | x
0 2 4 | t x
0 10 20 | z 3x
0 8 16 | y + 2x
_

_ L
3
L
3
+ 5L
2
L
4
L
4
4L
2

_
1 3 3 | x
0 2 4 | t x
0 0 0 | z 3x + 5(t x)
0 0 0 | y + 2x 4(t x)
_

_
.
Temos que ter, ent ao:
z 3x + 5(t x) = 0 e y + 2x 4(t x) = 0. Escrevendo y e z em
fun c ao das vari aveis livres x e t, temos:
y = 6x+4t e z = 8x5t. Logo, uma matriz do subespa co procurado
e da forma
_
x 6x + 4t
8x 5t t
_
= x
_
1 6
8 0
_
+ t
_
0 4
5 1
_
; x, t R.
Concluimos, ent ao, que
__
1 6
8 0
_
,
_
0 4
5 1
__
e uma base do
subespa co e sua dimens ao e 2.
R15. Seja v = (a, b, c) U W. Ent ao
_

_
a = b
a = c
b = 0
Logo, a = b = c = 0, o que
implica UW = {(0, 0, 0)}. Ent ao dim(UW) = 0. Como dimU = 2,
pois {(1, 1, 0), (0, 0, 1)} e uma base de U e dimW = 1, pois {(1, 0, 1)}
e uma base de W, temos dimU + dimW = 3 = dimR
3
. Logo, R
3
e a soma direta dos subespa cos U e W. Como base de R
3
podemos
considerar a can onica ou a uni ao das bases mencionadas acima, de U
e W.
R16. ||v|| =

< v, v > =

30

1 + 4 + a
2
+ 16 =

30 21 + a
2
=
30 a
2
= 9 a = 9.
R17. a) 2u v = (2, 4, 2) (0, 3, 4) = (2, 1, 2).
b) ||u|| =

1 + 4 + 1 =

6.
c) versor de v =
v
||v||
=
(0,3,4)

9+16
=
_
0,
3
5
,
4
5
_
.
CEDERJ
192
Exerccios resolvidos
M

ODULO 2 - AULA 17
d) < u, v >= 0 + 6 + 4 = 10.
e) d(u, v) = ||u v|| = ||(1, 1, 3)|| =

1 + 1 + 9 =

11.
R18. < u, v >= 0 a(a + 1) + (a + 2) + a = 0 a
2
+ 3a + 2 = 0
a = 1 ou a = 2.
R19. a) ||u + v|| =

_
1 3
4 7
_

1 + 9 + 16 + 49 =

75 = 5

3.
b) cos =
<u,v>
||u||.||v||
=
2+2+3+12

1+4+1+9

4+1+9+16
=
15

15

30
=

2
2
= 45
o
.
R20. < p(t), q(t) >= 2 15 2 = 15.
R21. a)
u
||u||
=
(1,2,1)

6
=
_
1

6
,
2

6
,
1

6
_
.
b)
v
||v||
=
(1/2,2/3,1/2)

17/18
=
3

17
(
1
2
,
2
3
,
1
2
) =
_
3

2
2

17
,
2

17
,
3

2
2

17
_
.
R22. a)
_
1
0
(t 1)(3t
3
+ 2t + 1)dt =
_
1
0
(3t
4
3t
3
+ 2t
2
t 1)dt =
3t
5
5

3t
4
4
+
2t
3
3

t
2
2
t
_
1
0
=
3
5

3
4
+
2
3

1
2
1 =
59
60
.
b) ||p(t)|| =
_
< p(t), p(t) > =
_
_
1
0
(p(t))
2
dt =
_
_
1
0
(t
2
t)
2
dt =
_
_
1
0
(t
4
2t
3
+ t
2
)dt =
_
_
t
5
5

2t
4
4
+
t
3
3
_
1
0
=
_
1
30
.
c) < f(t), g(t) >= 0
_
1
0
(f(t).g(t))dt = 0
_
1
0
(at
3
2at
2
+ t
2)dt = 0
_
at
4
4

2at
3
3
+
t
2
2
2t
__
1
0
= 0
a
4

2a
3
+
1
2
2 = 0
a =
18
5
.
R23. Se u e ortogonal a v ent ao < u, v >= 0. Seja R. Ent ao
< u, v >= < u, v >= .0 = 0. Logo, u tambem e ortogonal
a v, para qualquer escalar .
R24. Queremos um vetor v = (a, b, c) tal que < v, v
1
>= 0 =< v, v
2
>. Isto
leva a
_
2a + b + c = 0
a + 3b = 0
. A solu c ao desse sistema e qualquer vetor de
R
3
da forma (3b, b, 5b), para b R.
R25.
_
u
<u,v>
||v||
2
v, v
_
=< u, v >
_
<u,v>
||v||
2
v, v
_
=< u, v >
<u,v>
||v||
2
||v||
2
=
=< u, v > < u, v >= 0.
R26. a(a + 1) + (a + 2) + a = 0 a
2
+ 3a + 2 = 0 a = 1 ou a = 2.
193
CEDERJ
Exerccios resolvidos
R27. Seja {u
1
, u
2
, u
3
} a base ortonormal procurada. Ent ao:
u
1
=
v
1
||v
1
||
=
(1,1,1)

3
.
w
2
= v
2
proj
u
1
v
2
=< v
2
, u
1
> u
1
= 0.u
1
, o que indica que os vetores
u
1
e v
2
s ao ortogonais. Basta normalizar o vetor v
2
:
u
2
=
v
2
||v
2
||
=
(1,1,0)

2
.
w
3
= v
3
proj
u
1
v
3
proj
u
2
v
3
= v
3
< v
3
, u
1
> u
1
< v
3
, u
2
> u
2
=
(1, 1, 1)
_

3
__
1

3
,
1

3
,
1

3
_

2
__
1

2
,
1

2
, 0
_
=
_
1
3
,
1
3
,
2
3
_
.
u
3
=
w
3
||w
3
||
=
3

6
_
1
3
,
1
3
,
2
3
_
=
_
1

6
,
1

6
,
2

6
_
.
Resposta:
__
1

3
,
1

3
,
1

3
_
,
_
1

2
,
1

2
, 0
_
,
_
1

6
,
1

6
,
2

6
__
.
R28. Sendo S o subespa co de R
3
gerado pelos vetores v
1
e v
2
, sabemos que
proj
S
u = proj
u
1
u + proj
u
2
u, onde {u
1
, u
2
} e uma base ortonormal de
S. Vericamos que os vetores v
1
e v
2
s ao LI (um n ao e m ultiplo do
outro) e, portanto, formam uma base de S. Alem disso, o produto
interno deles e zero, logo, formam uma base ortogonal. Precisamos
apenas normaliz a-la. Logo, u
1
=
v
1
||v
1
||
=
(1,0,2)

5
e u
2
= v
2
, pois vetor v
2
e unit ario.
Ent ao:
proj
S
u =< u, u
1
> u
1
+ < u, u
2
> u
2
=
5

5
_
1

5
, 0,
2

5
_
+ 2(0, 1, 0) =
(1, 0, 2) + (0, 2, 0) = (1, 2, 2).
R29. a) Um vetor de U e da forma (y + z, y, z) = y(1, 1, 0) + z(1, 0, 1).
Assim, {v
1
, v
2
} com v
1
= (1, 1, 0) e v
2
= (1, 0, 1) e uma base de U.
Vamos aplicar o metodo de Gram-Schmidt para ortonormalizar
essa base. Seja {u
1
, u
2
} a base ortonormal procurada. Ent ao
u
1
=
v
1
||v
1
||
=
_
1

2
,
1

2
, 0
_
.
w
2
= v
2
< v
2
, u
1
> u
1
= (1, 0, 1)
1

2
_
1

2
,
1

2
, 0
_
= (
1
2
,
1
2
, 0) =
(
1
2
,
1
2
, 1).
u
2
=
w
2
||w
2
||
=
2

6
_
1
2
,
1
2
, 1
_
=
_
1

6
,
1

6
,
2

6
_
.
Logo, {
_
1

2
,
1

2
, 0
_
,
_
1

6
,
1

6
,
2

6
_
} e uma base ortonormal de U.
b) Um vetor v = (x, y, z) de R
3
pertence a U

se
< v, v
1
>=< v, v
2
>= 0. Isto leva a
_
x + y = 0
x + z = 0
. Logo,
v = (x, x, x) = x(1, 1, 1), para x R. Vamos normali-
zar o vetor (1, 1, 1), obtendo o vetor u
3
=
_
1

3
,
1

3
,
1

3
_
.
Ent ao, {
_
1

3
,
1

3
,
1

3
_
} e uma base ortonormal de U

.
CEDERJ
194
Exerccios resolvidos
M

ODULO 2 - AULA 17
c) Queremos escrever (a, b, c) = u + w, com u U e w U

. Para
isso, temos que determinar o vetor u, proje c ao ortogonal de v =
(a, b, c) sobre o subespa co U:
u = proj
U
v = proj
u
1
v + proj
u
2
v =< v, u
1
> u
1
+ < v, u
2
>
u
2
=
a+b

2
_
1

2
,
1

2
, 0
_
+
ab+2c

6
_
1

6
,
1

6
,
2

6
_
=
_
a+b
2
,
a+b
2
, 0
_
+
_
ab+2c
6
,
a+b2c
6
,
2a2b+4c
6
_
=
_
2a+b+c
3
,
a+2bc
3
,
ab+2c
3
_
.
Calculando v proj
v
U = (a, b, c)
_
2a+b+c
3
,
a+2bc
3
,
ab+2c
3
_
=
_
abc
3
,
a+b+c
3
,
a+b+c
3
_
.
Logo, a decomposi c ao do vetor (a, b, c) numa soma de um vetor
de U com um de U

e dada por
(a, b, c) =
_
2a + b + c
3
,
a + 2b c
3
,
a b + 2c
3
_
. .
U
+
_
a b c
3
,
a + b + c
3
,
a + b + c
3
_
. .
U

.
195
CEDERJ

Você também pode gostar