Introdução A Algebra Linear Barbara Kindle

Introducao à Algebra
Linear
Prof. Barbara Lopes Amaral
Outubro de 2015
Matrizes
Em matematica, uma matriz m n e uma tabela de m linhas e n

colunas de smbolos sobre um conjunto, normalmente o conjunto dos
numeros reais R, representada sob a forma de um quadro. As matrizes
sao utilizadas na resolucao de sistemas de equacoes lineares e no estudo
das transformacoes lineares, assuntos que serao abordados mais a frente
nesse curso.
Aplicacoes de matrizes sao encontrados em inumeras areas da ciencia.
Em todos os ramos da fsica, incluindo a mecanica classica, eletromagnetismo, optica, mecanica quantica, e eletrodinamica quantica, matrizes
sao usadas para estudar fenomenos importantes, tais como o movimento
de corpos rgidos. Matrizes tambem sao utilizadas para representar estados, transformacoes e medicoes realizadas em determinados sistemas.
Em computacao grafica, matrizes sao usadas para projetar uma imagem
tridimensional em uma tela bidimensional. Em teoria de probabilidade e
estatstica, matrizes estocasticas sao usados para descrever conjuntos de
probabilidades. Esse tipo de matriz aparece, por exemplo, no algoritmo
PageRank, que classifica as paginas em uma pesquisa no Google.
Nesse captulo veremos alguns aspectos da algebra matricial. Matrizes de mesmo tamanho podem ser somadas ou subtradas: soma-se
ou subtrai-se cada elemento individualmente. A regra que se aplica à
multiplicacao matricial e diferente: multiplica-se duas matrizes somente
quando o numero de colunas da primeira e igual ao numero de linhas
da segunda. No captulo seguinte, veremos como as matrizes podem

ser utilizadas na resolucao de sistemas de equacoes lineares.
1.1
Definic
ao
Uma matriz A e uma tabela de mn

(horizontais) e n colunas (verticais).
a11 a12
a21 a22
A=
..
...
.
am1 am2
numeros dispostos em m linhas
a1n
a2n
. . . ...
amn
Uma matriz com m linhas e n colunas e chamada de uma matriz

m por n (escreve-se m n) e m e n sao chamadas de suas dimensoes,
tipo ou ordem.
Exemplo 1. A matriz

1 2 3
A=
4 5 6
e uma matriz do tipo 2 3.
Cada um dos smbolos que aparece em uma matriz e chamado de
elemento ou entrada da matriz. Um elemento de uma matriz A que
esta na i-esima linha e na j-esima coluna e chamado de elemento ij
ou (i, j)-esimo elemento de A. Ele e escrito como aij ou A[i, j]. No
exemplo anterior, o elemento a12 e 2, o numero que aparece na primeira
linha e segunda coluna do quadro.
Dizemos que duas matrizes A e B sao iguais se elas tem o mesmo
tamanho e os elementos correspondentes sao iguais, ou seja, se A e B
sao ambas m n e aij = bij para todos os valores de i e j.
Tres tipos de matrizes recebem nomes especiais:
Matriz linha ou vetor linha: matriz do tipo 1 n, ou seja, uma
matriz que possui uma unica linha.
Exemplo 2. A matriz 1 3

3 7 2
e uma matriz linha.
Matriz coluna ou vetor coluna: matriz do tipo n 1, ou seja,
uma matriz que possui uma unica coluna.

4
1
8
e uma matriz coluna.
Matriz quadrada: matriz do tipo n n, ou seja, uma matriz
que tem o mesmo numero de linhas e colunas.
9 13 5
1 11 7
2 6 3
e uma matriz quadrada.
Exemplo 5. Considere as seguintes matrizes:

1 2

1 2
A=
, B = 1 3 , C = 1 2 4
3 4
0 1
1 2 4 1
0 3 1 4

E = 2 , F =
7 3 1 4
2 1 1 0
5 1 2 0

1
0 ,D =
,
3
0
5
4
.
5
1
A e uma matriz quadrada 2 2, B e uma matriz 3 2, C e uma matriz

linha 1 4, D e uma matriz coluna 2 1, E e uma matriz quadrada
1 1 e F e uma matriz quadrada 5 5. Exemplos de elementos dessas
matrizes: a12 = 2, b32 = 1, c13 = 4, d21 = 3, e11 = 2, f54 = 0.
1.2
1.2.1
Operac
oes envolvendo matrizes
Multiplicac
ao de um n
umero real por uma
matriz
A multiplicacao de um numero real por uma matriz e a operacao matricial mais simples que podemos definir. Para multiplicar um numero real
k por uma matriz A do tipo n m, basta multiplicar cada elemento
aij de A por k. Assim, a matriz resultante B sera tambem n m e
bij = k aij .
Pode-se pensar tambem na nocao de dividir uma matriz por um
numero: basta multiplica-la pelo inverso desse numero.
Exemplo 6. Dada a matriz

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

1 8 3
2 1 2 8 2 (3)
2 16 6
2A = 2
=
=
4 2 5
2 4 2 (2) 2 5
8 4 10
1.2.2
Adic
ao e subtrac
ao entre matrizes
Dadas as matrizes A e B do mesmo tipo m n, sua soma A + B e a

matriz m n computada adicionando os elementos correspondentes:
(A + B)[i, j] = A[i, j] + B[i, j].
Exemplo 7. Considere as matrizes
0 0
1 3
A = 1 0 e B = 7 5 .
2 1
1 2
Sua soma e obtida da seguinte maneira:
1 3
0 0
1+0 3+0
1 3
A + B = 1 0 + 7 5 = 1 + 7 0 + 5 = 8 5 .
1 2
2 1
1+2 2+1
3 3
3 1 2
1 0 4
A = 1 1 2 e 2 5 0 .
3 2 2
2 1 1
Sua
3
1
3
soma e obtida da seguinte forma:

4 1 6
3 + 1 1 + 0 2 + 4
1 0 4
1 2
1 2 + 2 5 0 = 1 + 2 1 5 2 + 0 = 3 4 2
1 3 1
32 2+1 21
2 1 1
2 2
Dadas as matrizes A e B do mesmo tipo mn, sua subtracao AB

e a matriz m n computada subtraindo os elementos correspondentes:
(A B)[i, j] = A[i, j] B[i, j].
1 3
0 0
A = 1 0 e B = 7 5 .
1 2
2 1
Sua subtracao e obtida da seguinte maneira:
1 3
0 0
10 30
1 3
A B = 1 0 7 5 = 1 7 0 5 = 6 5 .
1 2
2 1
12 21
1 1
1 0 4
3 1 2
A = 1 1 2 e 2 5 0 .
2 1 1
3 2 2
Sua
3
1
3
subtracao e obtida da seguinte forma:

1 2
1 0 4
31
1 0
24
1 2 2 5 0 = 1 2 1 (5) 2 0 =
2 2
2 1 1
3 (2) 2 1 2 (1)
Observac
ao 1. As operacoes A B e A + (1)B resultam na mesma
matriz.
1.2.3
Multiplicac
ao de matrizes
A multiplicacao de duas matrizes e bem definida apenas se o numero de

colunas da matriz da esquerda e o mesmo numero de linhas da matriz
da direita. Se A e uma matriz m n e B e uma matriz n p, entao
seu produto AB e a matriz m p (m linhas e p colunas) dada por:
(AB)[i, j] = A[i, 1]B[1, j]+A[i, 2]B[2, j]+...+A[i, n]B[n, j] =
A[i,
para cada par i e j.

A expressao acima pode parecer complicada, mas na pratica o calculo
do elemento (AB)[i, j] e bastante simples. Ele e obtido multiplicandose os elementos da linha i de A pelos elementos correspondentes da
coluna j de B e somando os resultados.
Exemplo 11. Dadas a matriz 2 3

1 0 2
A=
1 3 1
e a matriz 3 2
seu produto AB

3
1 0 2
2
1 3 1
1
3 1
B = 2 1
1 0
e calculado da seguinte forma

1
(1 3 + 0 2 + 2 1) (1 1 + 0 1 +
1 =
(1 3 + 3 2 + 1 1) (1 1 + 3 1 +
0
Nesse caso tambem podemos calcular o produto BA:

3 1
(3 1 + 1 (1) 3 0 + 1 3 3 2 +
2 1 1 0 2 = 2 1 + 1 3
20+13 22+
1 3 1
1 0
1 1 + 0 (1) 1 0 + 0 3 1 2 +
2 3 7
= 5 3 5 .
1 0 2
Note que no exemplo acima AB 6= BA, ja que a primeira e uma
matriz 2 2 enquanto a segunda e uma matriz 3 3. Isso mostra que
a multiplicacao de matrizes nao e comutativa, ou seja, a ordem dos
fatores altera o valor do produto. Em alguns casos, pode ser possvel
calcular AB, mas o produto BA pode nem estar definido.
Exemplo 12. Dadas a matriz 1 3

A= 1 0 2
e a matriz 3 2
3 1
B = 2 1
1 0
seu produto AB e calculado da seguinte forma
3
1

1 0 2 2 1 = (1 3 + 0 2 + 2 1) (1 1 + 0 1 + 2 0
1 0
podemos calcular o produto BA, ja que uma matriz

Nesse caso NAO
3 2 nao pode ser multiplicada por uma matriz 1 3.
Observac
ao 2. Nao se define adicao ou subtracao de um numero com
uma matriz, nem divisoes envolvendo matrizes.
Teorema 1. Sejam e constantes reais e A e B matrizes de tamanho
apropriado. As operacos matriciais satisfazem as seguintes propriedades:
1. Comutatividade da soma: A + B = B + A;
2. Associatividade da soma: A + (B + C) = (A + B) + C;
3. Associatividade da multiplicac
ao por constante: (A) =
()A;
4. Distributividade da multiplicac
ao por constante: (+)A =
A + A;
5. Distributividade da multiplicac
ao por constante: (A +
B) = A + B;
6. Associatividade do produto: (AB)C = A(BC);
7. Distributividade do produto de matrizes: A(B +C) = AB +
BC e (A + B)C = AC + BC;
8. Associatividade do produto: (AB) = (A)B = A(B).
Exerccio 1. Prove a validade das propriedades acima.
1.2.4
Transposic
ao
A matriz transposta de uma matriz A do tipo m n e a matriz AT

do tipo n m que se obtem trocando as linhas pelas colunas de A, ou
seja, AT [i, j] = A[j, i].
. . . a1n
a11 a21 . . . am1
a12 a22 . . . am2
. . . a2n
T
.
A
=
.
.. . . . ..
. . . ...
..
.
.
. . . am,n
a1n a2n . . . amn

1
Exemplo 13.
1. Se A = 1 2 , entao AT =
.
2

1 2
1
3
2. Se A =
entao AT =
.
3 4
2 4
a11 a12
a21 a22
A=
..
...
.
am1 am2
Proposic
ao 1. Seja c uma constante real e A e B matrizes de tamanho
adequado. As seguintes propriedades sao validas:
1. AT
T
= A;
2. (A + B)T = AT + B T ;
3. (cA)T = cAT ;
4. (AB)T = B T AT .
Demonstracao.
T
1. AT [i, j] = AT [j, i] = A[i, j];
2.
(A + B)T [i, j] =
(A + B)[j, i]
= A[j, i] + B[j, i]
.
= AT [i, j] + B T [i, j]
= (AT + B T )[i, j];
3. (cA)T [i, j] = (cA)[j, i] = c A[j, i] = c AT [i, j];

P
P
4. (AB)T [i, j] = AB[j, i] = k ajk bki = k bki ajk = B T AT [i, j].
Exerccio 2. Dadas as matrizes

2 1
5 10
A=
eB=
4 2
15 0
calcule A + B, 2A 3B, 12 A + 5B.
Exerccio 3. Utilizando as matrizes do exerccio 2, calcule AB e BA
(utilize um computador para realizar as contas). Conclua que o produto
de matrizes nao e comutativo.
Exerccio 4. ?? Seja

3 0
C=
.
1 2
1. Utilizando as matrizes A e B do exerccio 2, calcule (A+B)+C e
A+(B+C) (efetue primeiro a operacao que esta entre parenteses.
Utilize um computador para realizar as contas). As duas matrizes
obtidas sao iguais? Esse resultado ilustra a propriedade associativa da soma de matrizes.
2. Calcule (AB)C e A(BC) (utilize um computador para realizar as
contas). As duas matrizes obtidas sao iguais? O resultado ilustra
a propriedade associativa do produto de matrizes.
Exerccio 5. Seja

1 0
I=
.
0 1
Utilizando as matrizes dos exerccios 2 e ??, calcule AI, IA, BI, IB,
CI, IC (utilize um computador para realizar as contas). Voce percebe
alguma propriedade interessante ao calcular esses produtos? A matriz
I e chamada matriz identidade. Veremos algumas propriedades dessa
matriz na subsecao 1.3.4.
Exerccio 6. Entre as matrizes abaixo, quais podem ser somadas e

quais podem ser multiplicadas? Justifique. Em caso afirmativo, calcule
a soma ou o produto.

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

2 10 1
2
1
9
;
2. X = 4 3 2 , Y =
4 2 8
3 4 1

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

2 1 9
0 1 3
4. X =
, Y = 4 2 8 .
4 2 2
1 0 1
Exerccio 7. Suponha que A e B sao matrizes 33. Verifique quais das
afirmacoes abaixo sao verdadeiras e quais sao falsas. Se uma afirmativa
for falsa, mostre um contra-exemplo.
1. Se as colunas 1 e 3 de B sao iguais, entao as colunas 1 e 3 de
AB tambem sao;
2. Se as linhas 1 e 3 de B sao iguais, entao as linhas 1 e 3 de AB
tambem sao;
3. Se as linhas 1 e 3 de A sao iguais, entao as linhas 1 e 3 de AB
tambem sao.
Exerccio 8. Seja

2
x2
A=
.
2x 1 2

Se A = AT , encontre o valor de x.
Exerccio 9. Verique se as armativas abaixo sao verdadeiras ou falsas.

Quando uma armativa for falsa, tente conserta-la para que se torne
verdadeira.
1. (A)T = (AT );
2. (A + B)T = B T + AT ;
3. (A)(B) = (AB);
4. Se podemos efetuar o produto AA, entao A e uma matriz quadrada;
5. Se AB e BA sao definidos, entao A e B sao matrizes quadradas;
6. Se AB = B entao A = I;
7. (AB)2 = A2 B 2 ;
8. (A + B)2 = A2 + 2AB + B 2 .
1.3
1.3.1
Algumas matrizes especiais

Matrizes Diagonais
A diagonal principal de uma matriz quadrada corresponde aos elementos

aij com i = j.
a11 a12 a1n

a21 a22 a2n
.
.. . . . ..
..
.
.
an1 an2 ann
Uma matriz diagonal e uma matriz quadrada cujos elementos exteriores à diagonal principal sao nulos.
Exemplo 14. As matrizes

0 0 0
0 0 0
3 0 0
1 0
, 0 2 0 , 0 1 0 , 0 0 0
0 1
0 0 0
0 0 5
0 0 3
sao matrizes diagonais. Observe que a definicao de uma matriz diagonal
permite que o elementos que pertencem à diagonal principal de uma
matriz diagonal sejam nulos.
Varias operacoes matriciais preservam a forma de matrizes diagonais:
O produto de um escalar por uma matriz diagonal e uma matriz
diagonal;
A soma de duas matrizes diagonais e uma matriz diagonal;
O produto de duas matrizes diagonais e uma matriz diagonal.
1.3.2
Matrizes triangulares
Uma matriz quadrada e chamada triangular quando os elementos acima

ou abaixo da diagonal principal sao zero. Mais especificamente, uma
matriz triangular superior e aquela em que os elementos abaixo da diagonal principal sao nulos, ou seja, aij = 0 sempre que i > j; uma
matriz triangular inferior e aquela em que os elementos acima da diagonal principal sao nulos, ou seja, aij = 0 sempre que i < j.
Varias operacoes matriciais preservam a forma de matrizes triangulares:
O produto de uma matriz triangular superior por uma constante
e uma matriz triangular superior;
A soma de duas matrizes triangulares superiores e uma matriz
triangular superior;
O produto de duas matrizes triangulares superiores e uma matriz

triangular superior.
Analogamente, temos que:

O produto de uma matriz triangular inferior por uma constante e
uma matriz triangular inferior;
A soma de duas matrizes triangulares inferiores e uma matriz
triangular inferior;
O produto de duas matrizes triangulares inferiores e uma matriz
triangular inferior.
Exemplo 15. A matriz
1 4 2
A = 0 3 4
0 0 1
e uma matriz triangular superior e a
1
B = 2
4
matriz
0 0
8 0
9 7
e uma matriz triangular inferior.

Exerccio 10. Mostre que se uma matriz e triangular superior e inferior
simultaneamente, entao ela e uma matriz diagonal.
1.3.3
Matrizes Nulas
A matriz nula 0m,n e a matriz m n com todos os elementos iguais a

zero.
Exemplo 16. As matrizes

01,1

0 0 0
0 0
, 02,3 =
= 0 , 02,2 =
0 0 0
0 0
sao matrizes nulas.

Em geral, a matriz nula m n
0
0
0m,n =
...
0
tem a forma
0 0
0 0
.
.. . . . ..
.
.
0 0
A matriz nula m n e o elemento neutro para a soma das matrizes

de tamanho m n, ou seja, para toda matriz A do tipo m n valem
as igualdades
A + 0m,n = 0m,n + A = A.
Em geral, o tamanho da matriz fica claro do contexto e escrevemos
apenas 0 para denotar a matriz nula. Fiquem sempre atentos para
nao confundir com o numero 0 ou as diferentes matrizes nulas entre
si. Sempre que aparecer o smbolo 0, ele representara a matriz nula de
tamanho adequado.
1.3.4
Matrizes Identidade
A matriz identidade n n e uma matriz diagonal, cujos elementos da

diagonal sao todos iguais a 1. e denotada por In ou simplesmente I,
quando o tamanho da matriz for claro do contexto. A matriz identidade
In tem a seguinte forma:
1 0 0
0 1 0
In =
... ... . . . ...
0 0 1
A matriz In e o elemento neutro da multiplicacao de matrizes nn.

Mais precisamente, para qualquer matriz A do tipo n n, as seguintes
igualdades sao validas:
AIn = In A = A.
1.3.5
Matrizes Sim
etricas
Uma matriz e chamada simetrica se A = AT . Como duas matrizes sao

iguais somente se as dimensoes sao iguais, uma matriz so e simetrica
se ela e quadrada.
Proposic
ao 2. Toda matriz simetrica e uma matriz quadrada.
Demonstracao. Seja A uma matriz mn. Sabemos que a transposicao
inverte as linhas e as colunas da matriz, AT e uma matriz n m. Se
A e uma matriz simetrica, A = AT e como duas matrizes sao iguais
somente se as dimenoes sao iguais, temos que m = n.
As entradas de uma matriz simetrica sao simetricas em relacao à
diagonal principal.
Proposic
ao 3. Se A e uma matriz simetrica, entao aij = aji .
Demonstracao. Primeiramente notamos que se B = AT entao bij =
aji , uma vez que a transposicao troca as linhas e colunas de A. Da
igualdade A = AT = B segue que aij = bij = aji e o resultado esta
provado.
1 7 3
7 4 5
3 5 6
e uma matriz simetrica.
1.3.6
Matrizes Anti-sim
etricas
Uma matriz e chamada anti-simetrica se A = AT . Como duas matrizes sao iguais somente se as dimensoes sao iguais, uma matriz so e
anti-simetrica se ela e quadrada.
Exerccio 11. Utilize um argumento semelhante ao utilizado na proposicao 2 para mostrar que toda matriz anti-simetrica e uma matriz
quadrada.
Exerccio 12. Utilize um argumento semelhante ao utilizado na proposicao 3 para mostrar que se A e uma matriz anti-simetrica, entao
aij = aji .
0 2 1
2 0 4
1 4 0
e uma matriz anti-simetrica.
1.3.7
Matrizes Idempotentes
Uma matriz idempotente e uma matriz que, ao ser multiplicada por si

mesma, resulta em si mesma, isto e, AA = A.
Exerccio 13. Mostre que se o produto AA e possvel, A deve necessariamente ser uma matriz quadrada.
Exerccio 14. Mostre que as matrizes

sao idempotentes.
1 0
0 1
2 2 4
e 1 3 4
1 2 3
Exerccio 15. Mostre que uma matriz 2 2 que pode ser escrita na
forma

a
b
c 1a
com a2 + bc = a, em que a, b e c sao numeros reais quaisquer, e
idempotente.
1.3.8
Matrizes Nilpotentes
Uma matriz quadrada A de ordem n diz-se uma matriz nilpotente se

existir um numero natural k tal que Ak = 0, onde 0 representa a matriz
nula de tamanho adequado. O menor numero natural tal que Ak = 0,
e chamado ndice de nilpotencia da matriz A.
Exerccio 16.
1. Mostre que a matriz nula
0 0 0
0 0 0
0 0 0
e uma matriz nilpotente;

2. Mostre que a matriz
0 a 0
0 0 a , a 6= 0
0 0 0
e nilpotente. Encontre seu ndice de nilpotencia.
3. Mostre que a matriz
0 0 0
a 0 0 , a 6= 0
a a 0
e nilpotente. Encontre seu ndice de nilpotencia.
Exerccio 17. Quais sao os valores de a para os quais a matriz
a 0 0
0 a 0
0 0 a
e nilpotente?
1.4
Utilizando o Matlab
Vamos descrever aqui alguns comandos simples que podem ser usados
para a manipulacao de matrizes. Outros comandos serao introduzidos
ao longo do curso a medida que forem necessarios.
A=[a11 a12 ...a1n; a21 a22 ... a2n; ... ; am1 am2 amn]
cria uma matriz m n usando os elementos a11, a12, ..., amn e
a armazena numa matriz de nome A.
Por exemplo, o comando A=[1 2; 4 5] cria a matriz

1 2
A=
4 5
O Matlab possui um comando especial para criar uma matriz
identidade. O comando I=eye(n) cria a matriz identidade n n
e a armazena na matriz I.
Existe tambem um comando especial para matrizes nulas. O comando O=zeros(n) cria a matriz nula quadrada n n e o comando O=zeros(m,n) cria a matriz nula m n e a armazena na
matriz de nome 0.
O comando k*A calcula o produto do n
umero previamente definida
k pela matriz previamente definida A.
A soma de matrizes pode ser facilmente realizada com o comando

A+B, que calcula a soma das matrizes previamente definidas A e
B.
De maneira an
aloga, o comando AB calcula a diferenca das matrizes A e B.
O produto de matrizes e feito atraves do comando A*B, que calcula o produto de duas matrizes previamente definidas A e B.
O comando A.' calcula a transposta da matriz previamente definida A.
O comando Ak calcula o produto da matriz A por ela mesma k
vezes.
O comando
O Matlab e mais adequado para fazer calculos com numeros. Outros

softwares sao mais indicados para fazer calculos com letras, isto e,
com variaveis simbolicas. Ainda assim, o Matlab oferece a possibilidade
de calculos simbolicos. O comando syms x y z diz ao MATLAB que
as variaveis x, y e z sao simbolicas.
Utilizando os comando introduzidos acima, resolva os problemas
abaixo.
Exerccio 18. Utilize o MATLAB para conferir as respostas dos exerccios

numericos enunciados anteriormente.
Exerccio 19. Utilize o MATLAB para calcular a transposta da matriz
F do exemplo 1. Calcule o produto dessa transposta pela propria matriz
F.
Exerccio 20. Utilize o MATLAB para encontrar o menor valor natural

de k para o qual Ak = I, em que
0 1 0 0
1 0 0 0
A=
0 0 0 1 .
0 0 1 0
Exerccio 21. Utilize o MATLAB para encontrar o menor valor natural
de k para o qual Ak = 0, em que
0 1 0 0
0 0 1 0
A=
0 0 0 1 .
0 0 0 0
Sistemas Lineares
A teoria de sistemas lineares e uma parte fundamental da algebra linear,
um tema que e usado na maior parte da matematica moderna, pura ou
aplicada. Podemos encontrar varias areas onde a utilizacao de sistemas
lineares e fundamental, entre elas a fsica, a qumica, a economia, a engenharia, a biologia, a geografia, a navegacao, a aviacao, a cartografia,
a demografia e a astronomia.
Algoritmos computacionais tambem sao importantes para quem utiliza sitemas lineares, uma vez que na grande maioria das aplicacoes os
sistemas que devem ser resolvidos sao enormes, o que inviabiliza qualquer tentativa de solucao analtica. A utilizacao de sistemas cada vez
maiores faz com que a busca por metodos mais eficientes e rapidos de
solucoes dos sistemas.
Alem da importancia intrnseca dos sistemas lineares, em algumas
situacoes possvel substituir ou aproximar um sistema de equacoes naolineares de um sistema linear, uma tecnica util em modelagem matematica ou simulacao computacional de sistemas complexos.
2.1
Equac
oes Lineares
Dizemos que uma equacao envolvendo as variaveis x1 , . . . xn e uma

equacao linear se nela aparecem apenas somas dessas variaveis multi-
plicadas por numeros reais, isto e, se ela pode ser escrita na forma
a1 x1 + a2 x2 + . . . + an xn = b.
Observac
ao 3. Em uma equacao linear nao podem aparecer potencias
das variaveis com expoentes diferentes de 1, ou seja, nao podem aparecer termos da forma x2i , x3i , etc. Tambem nao podem aparecer funcoes
envolvendo as variaveis, como por exemplo cos, sen, exp, log, etc.
Exemplo 19.
1. A equacao x1 + 2x2 4x3 x4 = 1 e uma equacao
linear envolvendo as variaveis x1 , x2 , x3 e x4 ;
2. A equacao x21 + 2x2 4x33 x4 = 1 nao e uma equacao linear
pois aparecem as potencias x21 e x33 ;
3. A equacao cos(x1 )+2x2 4x3 sen(x4 ) = 1 nao e uma equacao
linear pois aparecem os termos cos(x1 ) e sen(x4 );
4. A equacao x1 + 2x2 4x3 x4 = cos(1) e uma equacao linear.
Observe que a funcao cos que a aprece na equacao nao esta sendo
aplicada a nenhuma das variaveis: cos(1) e um numero real como
qualquer outro.
2.2
Sistemas de Equac
oes Lineares
Um sistema de equacoes lineares (abreviadamente, sistema linear) e um

conjunto finito de equacoes lineares aplicadas num mesmo conjunto
finito de variaveis. Por exemplo,
3x + 2y z = 1
2x 2y + 4z = 2
x + 21 y z = 0
e um sistema de tres equacoes com tres variaveis (x, y e z). Uma solucao
para um sistema linear e uma atribuicao de numeros às variaveis que
satisfaz simultaneamente todas as equacoes do sistema. Uma solucao

para o sistema acima e dada por
x = 1
y = 2
z = 2
ja que esses valores tornam validas as tres equacoes do sistema em
questao. A palavra sistemaindica que as equacoes devem ser consideradas em conjunto, e nao de forma individual, ou seja, procuramos
por valores das variaveis que satisfacam, simultaneamente, todas as
equacoes do sistema.
De maneira geral, um sistema linear com m equacoes lineares e n
incognitas pode ser escrito na forma:
a11 x1
a x
21 1
..
am1 x1
+ a12 x2 + + a1n xn = b1
+ a22 x2 + + a2n xn = b2
..
..
..
.
.
.
+ am2 x2 + + amn xn = bm .
onde x1 , x2 , . . . , xn sao as incognitas, a11 , a12 , . . . , amn sao os coeficientes do sistema e b1 , b2 , . . . , bm sao termos constantes.
Muitas vezes, os coeficientes e as incognitas sao numeros reais ou
complexos, mas pode-se encontrar tambem numeros inteiros e racionais
ou elementos de uma estrutura algebrica abstrata. Nesse curso trabalharemos apenas com sistemas lineares com coeficientes e incognitas
reais.
Em geral, as incognitas representam propriedades de um determinado problema real, que devem satisfazer certas condicoes representadas
pelas equacoes do sistema. Encontrar solucoes para o sistema e fundamental para o estudo do problema real em questao. Nesse captulo
veremos algumas estrategias para encontrar essas solucoes. Veremos
mais adiante alguns exemplos de problemas reais que podem ser modelados atraves de sistemas lineares.
2.2.1
M
etodo da substituic
ao
O metodo da substituicao consiste em isolar uma incognita em qualquer uma das equacoes, obtendo uma igualdade com um polinomio que
depende apenas das outras incognitas. Entao deve-se substituir essa
mesma incognita em outra das equacoes pelo polinomio ao qual ela foi
igualada.
Exemplo 20. Vamos ilustrar esse metodo resolvendo um exemplo simples:

2x + 3y = 6
4x + 9y = 15.
Em primeiro lugar, resolvemos a equacao superior para x em termos de

y:
3
x = 3 y.
2
Em seguida, substitumos expressao para x na equacao inferior:

3
4 3 y + 9y = 15.
2
Isto resulta numa unica equacao envolvendo apenas a variavel y. Resolvendo essa equacao obtemos y = 1, e voltando à equacao anterior e
substituindo y por seu valor (isto e, 1), vem que x = 3/2.
Este metodo se generaliza para sistemas com variaveis adicionais.
Vamos resolver o sistema
Exemplo 21.
x + 2y z = 1
y + z = 2
x + 3y
= 0
utilizando o mesmo metodo.
Vamos comecar isolando as variaveis x e z em funcao de y, utilisando

as duas equacoes de baixo que sao mais simples. Assim temos
x = 3y, z = 2 y.
Substituindo na primeira equacao temos
3y + 2y (2 y) = 1 2 = 1
obtemos entao uma contradicao, o que implica que o sistema acima nao
possui solucao. Isso acontece porque as tres equacoes, consideradas
conjuntamente, sao contraditorias. Vejamos porque.
Se supomos que as duas primeiras equacoes sao verdadeiras, temos
que

x + 2y z = 1
y + z = 2.
Temos entao que
(x + 2y z) + (y + z) = 1 + 2 x + 3y = 3
o que contradiz a terceira equacao, que exige que x + 3y = 0.
Exemplo 22. Vamos resolver agora o sistema

x + y z = 1
x 2y + z = 0
Utilizando a segunda equacao e isolando x, temos x = 2y z.
Substituindo na segunda equacao temos
(2y z) + y z = 1 3y 2z = 1 y =
Substituindo na equacao para x temos
x=
2 + 4z
z =
2+z
1 + 2z
.
3
Como nao ha mais equacoes que podem ser utilizadas, nao ha nenhuma
restricao que possa ser feita ao valor de z. Logo, a incognita z pode
assumir qualquer valor real. Assim, vemos que o sistema admite infinitas
solucoes, uma para cada valor especificado de z. Essas solucoes podem
ser agrupadas na forma
x=
2+z
2 + 4z
, y=
, z R.
3
3
No exemplo 20, vemos um sistema que possui uma unica solucao;

no exemplo 21, vemos um sistema que nao possui solucao e no exemplo
22, um sistema que possui infinitas solucoes. Veremos mais adiante que
essas sao as unicas possibilidades.
O metodo de substituicao funciona para qualquer sistema, para qualquer numero de equacoes e de incognitas. No entanto, ele se torna extremamente trabalhoso quando o numero de incognitas passa de tres. Alem
disso, ele nao e adequado para implementacoes computacionais. Na
proxima secao veremos como reescrever um sistema utilizando notacao
matricial e como utilizar as matrizes envolvidas para desenvolver um
metodo mais eficiente para a solucao do sistema.
Exerccio 22. Resolva os sistemas abaixo utilizando o metodo de substituicao:

1.
x + 3y = 4
2x + y = 1;
x + y z = 3
x + 3y 5z = 10
2.
x + 4y 3z = 5.
2.3
Notac
ao matricial de sistemas lineares
Dado o sistema linear
a11 x1 + a12 x2 + + a1n xn = b1
a x + a x ++ a x = b
21 1
22 2
2n n
2
..
..
..
..
.
.
.
.
am1 x1 + am2 x2 + + amn xn = bm

considere as matrizes
a11 a12
a21 a22
A=
..
...
.
am1 am2
a1n
a2n
. . . ...
,
amn
x1
x2
X=
... ,
xn
(2.1)
b1
b2
B=
... .
bm
Observe que A e uma matriz m n, X e uma matriz coluna com n

elementos e B e uma matriz coluna com m elementos, em que m e o
numero de equacoes e n o numero de incognitas.
Com essas definicoes, o sistema linear se torna equivalente à equacao
matricial
AX = B.
(2.2)
De fato, ao efetuar o produto no lado esquerdo da equacao, temos

b1
a11 x1 + a12 x2 + + a1n xn = b1
a21 x1 + a22 x2 + + a2n xn = b2 b2
= . .
.. .. .. ..
..
. . . .
bm
am1 x1 + am2 x2 + + amn xn = bm .
A igualdade matricial acima se verifica se, e somente se, o sistema (2.1)

e satisfeito.
A partir de agora, trabalharemos com a equacao matricial AX = B.
O objetivo e encontrar a matriz de incognitas X. Quanto mais simples
for a matriz A, mais facil sera encontrar X.
Exemplo 23. Resolva os sistema AX = B em que

1
1 0 0
A = 0 1 0 e B = 1 .
2
0 0 1
Solucao. Ao efetuar
AX = B obtemos
1
0
0
o produto no lado esquerdo da equacao matricial

1
x1
0 0 x1
1 0 x2 = x2 = 1
2
x3
0 1 x3
o que implica que x1 = 1, x2 = 1, x3 = 2.

No exemplo anterior, a resolucao da equacao matricial pode ser feita
de forma trivial. Nem sempre e esse o caso. Vamos agora descrever um
metodo que pode ser utilizado para resolver qualquer equacao matricial
da forma (2.2). Esse metodo consite, essencialmente, em aplicar à
equacao operacoes que simplificam a forma da matriz A sem alterar o
conjunto de solucoes do sistema. O objetivo final e obter uma matriz o
mais parecida possvel com a matriz do exemplo 23.
2.4
M
etodo de eliminac
ao de Gauss
O metodo de eliminacao de Gauss (tambem conhecido como metodo

do escalonamento) e um importante algoritmo para resolver sistemas
de equacoes lineares. Esse algoritmo consiste da aplicacao de uma
sequencia de operacoes realizadas sobre a matriz associada ao sistema,
afim de transforma-lo num sistema de mais facil resolucao que possui as
mesmas solucoes que o original. Este metodo tambem pode ser utilizado
para varios outros objetivos, como veremos melhor mais adiante. O
metodo recebeu o nome do matematico Carl Friedrich Gauss (17771855), apesar de ja ser conhecido por matematicos chineses ja em 179
dC.
As operacoes que podem ser utilizadas para simplificar o sistema sem

alterar seu conjunto de solucoes sao chamadas operacoes elementares.
Sao elas:
1. Trocar duas equacoes de lugar;
2. Multiplicar uma equacao por um numero qualquer diferente de 0;
3. Substituir uma equacao pela sua soma com um multiplo de outra
equacao.
Quando aplicamos operacoes elementares sobre as equacoes de um
sistema linear, somente os coeficientes do sistema sao alterados, assim
podemos aplicar as operacoes sobre a matriz de coeficientes do sistema
a11 a12 a1n | b1

a21 a22 a2n | b2
.
.. . . . ..
.
..
.
. | ..
am1 am2 amn | bm
que chamamos de matriz aumentada do sistema.
Exerccio 23. Encontre a matriz aumentada dos sitemas abaixo:
2x + 3y z = 1
5x + y + 10z = 2
1.
x y + z = 3.
x + 2y z + w = 3
2x + 3y 5z + 2w = 10
2.
x + 4y 3z + 4w = 5.

x + 3y 2z = 4
3.
2x + y z = 1.
O resultado das operacoes elementares sobre a matriz aumentada
sao:
1. Trocar duas linhas da matriz [A|B];

Exemplo 24. Troca
1 2
4 5
7 8
da primeira com a terceira linha:
7 8 9
6 2
4 5 6 .
9 3
1 2 3
2. Multiplicar uma linha da matriz [A|B] por um numero qualquer

diferente de 0;
Exemplo 25. Multiplicacao da segunda linha por 2:
1 2 3
1 2 3
4 5 6 | 2 8 10 12 .
7 8 9
7 8 9
3. Substituir uma linha pela sua soma com um multiplo de outra
linha da matriz [A|B].
Exemplo 26. Somar à terceira linha 1 vezes a segunda linha:
1 2 3
1 2 3
4 5 6
(1) 4 5 6 .
7 8 9
+
3 3 3
Toda operacao elementar possui uma operacao elementar inversa,
isto e, uma operacao elementar que disfaz o que a primeira fez. Se
trocamos a linha k pela linha l, a operacao elementar inversa e trocar
novamente a linha k pela linha l. Se multiplicamos uma linha por um
numero 6= 0, a operacao elementar inversa e multiplicar a mesma
linha por 1 . Se somamos um multiplo de uma linha à outra, a operacao
elementar inversa e subtrair dessa mesma linha o mesmo multiplo da
linha que somamos.
Teorema 2. Se dois sistemas lineares AX = B e CX = D, sao tais que
a matriz aumentada [C|D] e obtida de [A|B] aplicando-se uma operacao
elementar, entao os dois sistemas possuem as mesmas solucoes.
Demonstracao.
servacoes:
A demonstracao deste teorema segue de duas ob-
1. Se X e solucao de um sistema, entao X tambem e solucao do

sistema obtido aplicando-se uma operacao elementar sobre suas
claro que alterar a ordem de duas equacao nao altera
equacoes. E
a solucao; multiplicar ambos os lados de uma equacao pelo mesmo
numero nao nulo tambem nao altera a validade da equacao; finalmente, se duas equacoes sao satisfeitas, a soma delas tambem
sera.
Isso mostra que toda solucao de [A|B] e tambem solucao de
[C|D].
2. Se o sistema CX = D e obtido de AX = B aplicando-se uma
operacao elementar, entao o sistema AX = B tambem pode ser
obtido de CX = D aplicando-se uma operacao elementar às suas
equacoes, pois cada operacao elementar possui uma operacao elementar inversa do mesmo tipo, como comentado anteriormente.
Essa afirmacao combinada com a observacao 1 mostra que qualquer
solucao de [C|D] e tambem solucao de [A|B]. Podemos concluir que
ambos os sistemas possuem exatamente as mesmas solucoes.
Exemplo 27. Vamos resolver o sistema linear
z = 1
x +
x + 2y + z = 1
3x + y
= 0
utilizando operacoes elementares.
Solucao. Primeiramente, escrevemos
1 0 1 |
1 2 1 |
3 1 0 |
a matriz aumentada do sistema
1
1 .
0
Vamos aplicar agora uma serie de operacoes elementares com o objetivo

de simplificar ao maximo a matrix A que esta do lado esquerdo da matriz
aumentada. O objetivo e deixar apenas um elemento nao nulo em cada
coluna. Veremos ao final desse exemplo que quando isso acontece a
resolucao do sistema e trivial.
Vamos comecar com a primeira coluna. Na primeira linha aparece
o elemento a11 = 1. Ele sera o unico elemento nao nulo da primeira
coluna ao final do processo. Devemos agora zerar os outros elementos
da primeira coluna. Para zerar o elemento a21 , multiplicamos a primeira
linha por 1 e somamos à segunda linha. Para zerar o elemento a31
multiplicamos a primeira linha por 3 e somamos à terceira linha.
1 0 1 | 1
1 2 1 | 1
+
3 1 0 | 0
(1)
1 0 1 | 1
0 2 2 | 2
3 1 0 | 0
(3)
0
0
Com essas operacoes, levamos a primeira coluna ao formato desejado. Vamos agora trabalhar com a segunda coluna. O primeiro
elemento da segunda coluna e igual a zero. Vamos entao trabalhar com
o elemento a22 . Para facilitar os calculos, vamos dividir a segunda linha
por 2 para que a22 seja igual a 1.
1 0 1 | 1
1 0 1 | 1
0 2 2 | 2 | 1 0 1 1 | 1 .
2
0 1 3 | 3
0 1 3 | 3
Vamos agora zerar o elemento a32 para que a22 seja o unico elemento
nao nulo nessa coluna. Para isso, multiplicamos a linha 2 por 1 e
somamos à linha 3.
1 0 1 | 1
0 1 1 | 1
0 1 3 | 3
+
(1)
1 0 1 | 1
0 1 1 | 1 .
0 0 2 | 2
Observe que as operacoes realizadas para simplificar a segunda co alteraram a primeira coluna. Essa propriedade e crucial para
luna NAO
o funcionamento do metodo.
Para simplificar as contas, dividimos a terceira coluna por 2.
1 0 1 | 1
1 0 1 | 1
0 1 1 | 1
0 1 1 | 1 .
0 0 2 | 2 | 12
0 0 1 | 1
Vamos agora zerar os elementos a13 e a23 para que o elemento a33
seja o unico elemento nao nulo da terceira coluna. Para isso somamos
a terceira linha à primeira e em seguida multiplicamos a terceira linha
por 1 e somamos à segunda.
1 0 1 | 1
+
0 1 1 | 1
+
1
0 0 1 | 1
(1)
1 0 0 | 0
0 1 0 | 0 .
0 0 1 | 1
A matriz acima nao pode ser mais simplificada atraves de operacoes

elementares. Quando chegamos a esse ponto transformamos a matriz
aumentada novamente em um sistema. Nesse caso temos
x
+ 0y + 0z = 0
0x +
y
+ 0z = 0
0x + 0y +
z
= 1
cuja solucao unica e, obviamente, x = 0, y = 0 e z = 1.
Nem sempre e possvel levar a matriz de coeficientes do sistema
a uma forma analoga à do exemplo anterior. A forma mais simples
que podemos obter atraves de operacoes elementares e chamada forma
escalonada reduzida da matriz.
Definic
ao 1. Dada uma matriz A, chamamos de pivo de uma linha i
de A o primeiro elemento nao nulo dessa linha.
Definic
ao 2. Dizemos que uma matriz esta na sua forma escalonada
reduzida quando ela satisfaz as seguintes condicoes:
1. Todas as linhas nao-nulas estao acima de qualquer linha composta
so de zeros;
2. O pivo de cada linha e igual a 1 e esta numa coluna à direita do
pivo da linha acima;
3. Todos os elementos de uma coluna que contem um pivo sao zero.

1 0 0
1 0 2
0 0
0 1 0
A=
,B=
, C = 0 1 1 , D = 0 1 0 , E =
4 5
1 1 2
0 0 1
0 0 1
A matriz A nao esta na forma escalonada reduzida porque nao satisfaz a
condicao 1. A matriz B nao esta na forma escalonada reduzida porque
nao satisfaz a condicao 2. A matriz C nao esta na forma escalonada
reduzida porque nao satisfaz a condicao 3. Ja as matrizes D e E
estao na forma escalonada reduzida, uma vez que satisfazem todas as
condicoes exigidas.
Proposic
ao 4. Dada uma matriz qualquer A, e possvel leva-la a uma
matriz C na forma escalonada reduzida aplicando operacoes elementares
sobre as linhas de A. A matriz C e unica, ou seja, nao depende da ordem
ou do tipo de operacoes elementares aplicadas à matriz A.
Considere um sistema com matriz de coeficientes [A|B]. Para transformar esse sistema em outro mais simples que tenha o mesmo conjunto
de solucoes, aplicamos operacoes elementares à matriz de coeficientes
[A|B] ate que a matriz A esteja na forma escalonada reduzida.
z = 2
x
2x 2y + z = 1
3x 2y
= 4
Solucao. Escrevendo a matriz aumentada do

temos:
(2) (3)
1 0 1 | 2
1
2 2 1 | 1
0
+
3 2 0 | 4 +
0
1
0
0
1
0
0
sistema e escalonando
0 1
2 3
2 3
0 1
3
1
2
2 3
0 1 |
1 23 |
0 0 |
2
3 | 21
2
32
2
+
2
23 .
1
|
|
|
|
|
|
A matriz do lado esquerdo ja esta na forma escalonada reduzida e

portanto nao pode ser simplificada. Transformando novamente a matriz
em um sistema obtemos
z
= 2
x
3z
y
+
= 32
2
0x + 0y + 0z = 1
que e um sistema sem solucao, uma vez que a terceira equacao implica
que 0 = 1, o que obviamente nao e uma igualdade verdadeira.
Observe que nesse caso nao e necessario completar todo o escalonamento para ver que o sistema nao possui solucao. Apos a primeira
etapa do escalonamento a segunda equacao equivale a 2x + 3y = 3
enquanto a terceira equacao equivale a 2x + 3y = 2 que claramente
nao podem ser satisfeitas simultaneamente.
z = 2
x
2x 2y + z = 1
3x 2y
= 3
Solucao. Escrevendo a matriz aumentada do

temos:
(2) (3)
1 0 1 | 2
1
2 2 1 | 1
+
0
3 2 0 | 3 +
0
0
0
0
0
sistema e escalonando
0 1
2 3
2 3
0 1
3
1
2
2 3
0 1 |
1 23 |
0 0 |
2
3 | 21
3
32
+
3
2
23 .
0
|
|
|
|
|
|

z
= 2
x
3z
y
+
= 32
2
0x + 0y + 0z = 0
Observe que a ultima equacao se reduz a 0 = 0 e portanto pode ser
descartada. Ficamos entao com o sistema

x
z = 2
y + 3z2 = 32
que implica que x = 2z e y = 32 (1+z). Como nao ha outra equacao
que possa ser utilizada para determinar o valor de z, essa variavel pode
assumir qualquer valor real. Logo o sistema possui infinitas solucoes,
uma para cada valor real da variavel z.
Observe que a terceira equacao do sistema inicial e obtida somandose as duas primeiras. Isso quer dizer que a equacao nao fornece nenhuma
informacao adicional sobre as variaveis e portanto pode ser eliminada.
z + w = 2
x
2x y + z + 2w = 0
2x 2y + 5z + w = 3
Solucao. Escrevendo a matriz aumentada do sistema e escalonando

temos:
(2) (2)
1 0 1 1 | 2
1 0 1 1 | 2
2 1 1 2 | 0
+
0 1 3 0 | 4
2 2 5 1 | 3 +
0 2 7 1 | 1
1 0 1 1 | 2
0 1 3 0 | 4
0 2 7 1 | 1
1 0 1 1 | 2
0 1 3 0 | 4
0 0 1 1 | 7
1 0 0 0 | 9
0 1 0 3 | 25 .
0 0 1 1 | 7
= 9
x
y
3w = 25
z w = 7
o que implica que x = 9 e y = 25 + 3w e z = 7 + w. Como nao
ha outra equacao que possa ser utilizada para determinar o valor de w,
essa variavel pode assumir qualquer valor real. Logo o sistema possui
infinitas solucoes, uma para cada valor real da variavel w.
z + w = 2
x
2x y + z + 2w = 0
3x y
+ 3w = 3
Solucao. Escrevendo a matriz aumentada do sistema e
temos:
(2) (3)
1 0 1 1 | 2
1 0 1
2 1 1 2 | 0
+
0 1 3
3 1 0 3 | 3 +
0 1 3
escalonando
1 | 2
0 | 4 .
0 | 3
A matriz do lado esquerdo ainda nao esta na forma escalonada reduzida, mas nesse estagio ja podemos perceber que o sistema nao possui
solucao, uma vez que a segunda equacao implica que y + 3z = 4 e a
terceira equacao implica que y + 3z = 3, condicoes que nao podem
ser simultaneamente satisfeitas.
z + w = 2
x
2x y + z + 2w = 0
3x y
+ 3w = 2
Solucao. Escrevendo
temos:
1 0 1 1 | 2
2 1 1 2 | 0
3 1 0 3 | 2
1 0 1
0 1 3
0 1 3
a matriz aumentada do sistema e escalonando

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

z
+
w
= 2
y
3z +
= 4
0x + 0y + 0z + 0w = 0
x
Observe que a ultima equacao se reduz a 0 = 0 e portanto pode ser

descartada. Ficamos entao com o sistema

z + w = 2
y 3z +
= 4
que implica que x = 2 + z w e y = 4 + 3z. Como nao ha outra

equacao que possa ser utilizada para determinar os valores de z e w,
essas variaveis podem assumir qualquer valor real. Logo o sistema possui
infinitas solucoes, uma para cada par de valores reais de z e w.
Observe que a terceira equacao do sistema inicial e obtida somandose as duas primeiras. Isso quer dizer que a equacao nao fornece nenhuma
informacao adicional sobre as variaveis e portanto pode ser eleminada.
2x
x
x
3x
+
+
y
y
2y
3y
=
=
=
=
3
0
3
6
temos:
2 1 | 3
1 1 | 0
1 1 | 0
2 1 | 3
1 2 | 3
1 2 | 3
3 3 | 6
3 3 | 6
1 1
0 1
0 3
0 6
(2)
(1)
(3)
+
+
| 0
(3) (6)
| 1
| 3
+
| 6 +
1 0 | 1
0 1 | 1
0 0 | 0 .
0 0 | 0

=
y
=
0x + 0y =
0x + 0y =
1
1
0
0
Observe que as duas ultimas equacoes se reduzem a 0 = 0 e portanto

podem ser descartadas. Ja as duas primeiras implicam que x = 1 e
y = 1 e portanto o sistema possui solucao unica.
Observe que a terceira equacao do sistema inicial e obtida subtraindo
a segunda equacao da primeira, enquanto a quarta equacao pode ser
obtida subtraindo-se a segunda equao do dobro da primeira. Isso quer
dizer que essas equacoes nao fornecem nenhuma informacao adicional
sobre as variaveis e portanto podem ser eleminadas.
2x
x
x
3x
Solucao.
temos:
2 1
1 1
1 2
3 3
+
+
y
y
2y
3y
=
=
=
=
3
0
2
6
Escrevendo a matriz aumentada do sistema e escalonando

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

0 3 | 2
0 6 | 6
(2)
(1)
(3)
+
+
+
.
A matriz do lado esquerdo ainda nao esta na forma escalonada reduzida, mas ja podemos perceber que o sistema nao possui solucao, uma
vez que a segunda equacao implica que 3y = 3 enquanto a terceira
implica que 3y = 2, duas condicoes que nunca podem ser satisfeitas
simultaneamente.
x + y + z
x y + z
2x
+ 2z
3x + y + 3z
=
=
=
=
1
3
4
5
temos:
1 1
1 1
2 0
3 1
|
|
|
|
1
0
0
0
1
1
2
3
(1) (2) (3)

1
3
+
4 +
5 +
1 1 | 1
2 2
1 0 | 1
2 0 | 2
+
2 0 | 2
+
1
0

0
0
1
0

0
0
1
0

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

x
+
z
= 2
y
= 1
0x + 0y + 0z = 0
0x + 0y + 0z = 0
Observe que as duas ultimas equacoes se reduzem a 0 = 0 e portanto
podem ser descartadas. Ja as duas primeiras implicam que x = 2 z
e y = 1. Como nao ha mais equacoes para determinar o valor de z,
segue que o sistema tem infinitas solucoes, uma para cada valor real de
z.
Observe que a terceira equacao do sistema inicial e obtida somandose a segunda equacao com primeira, enquanto a quarta equacao pode
ser obtida somando-se à segunda 2 vezes a primeira. Isso quer dizer
que essas equacoes nao fornecem nenhuma informacao adicional sobre
as variaveis e portanto podem ser eleminadas.
Observe dos exemplos acima que um pivo sozinho em uma linha determina unicamente o valor da variavel correspondente. Uma linha de
zeros corresponde a uma equacao que nao fornece nenhuma informacao
relevante sobre o sistema e pode ser descartada. Equacoes contraditorias implicam que sistema nao tem solucao. Linhas com duas entradas nao nulas geram uma dependencia entre as respectivas variaveis.
Exerccio 24. Utilizando o metodo de Gauss-Jordan, encontre as solucoe

dos sistemas lineares abaixo:

x + y = 3
1.
x y = 1

x + 2y = 5
2.
2x + 5y = 12
x + y = 4
x 2y = 1
3.
2x y = 4
x + y = 2
3x + y = 5
4.
5x + 3y = 9

x + 2y z = 3
5.
x y + z = 1
x + y + 2z = 3
2x + 4y 3z = 4
6.
x + 3y 5z = 2
2x + 3y z + w = 1
5x + y + 10z + 2w = 2
7.
3x 2y + 11z + w = 3
Exerccio 25. Verdadeiro ou falso:
1. Se a terceira equacao de um sistema linear comeca com um coeficiente nulo (0x), entao nenhum multiplo da primeria equacao
sera subtrado da terceira equacao durante o processo de escalonamento;
2. Se a terceira equacao de um sistema linear possui o segundo coeficiente nulo (0y), entao nenhum multiplo da segunda equacao
sera subtrado da terceira equacao durante o processo de escalonamento;
3. Se a terceira equacao de um sistema linear possui os dois primeiros coeficientes nulos (0x e 0y), entao nenhum multiplo da
primeria equacao ou da segunda equacao sera subtrado da terceira equacao durante o processo de escalonamento.
Observac
ao 4. Quando dois sitemas AX = B1 e AX = B2 possuem
a mesma matriz de coeficientes do lado esquerdo, podemos resolve-lo
simultaneamente escalonando a matriz aumentada
[A|B1 |B2 ].
Exemplo
x
2x
37. Suponhamos que precisamos
2y 2z = 2
x
4y 3z = 7 ,
2x
2y + z = 4
x
resolver os sistemas
2y 2z = 2
4y 3z = 5 .
2y + z = 0
Como ambos possuem a mesma matriz de coeficientes
1 2 2
A = 2 4 3 ,
1 2 1
podemos construir a matriz aumentada
1 2 2 | 2 | 2
2 4 3 | 7 | 5
1 2 1 | 4 | 0
e resolver os sistemas simultaneamente. Apos escalonamento obtemos
1 2 0 | 0 | 34
0 0 1 | 0 | 0 ,
0 0 0 | 1 | 13
o que implica que nenhum dos sistemas acima possui solucao.
2.5
Comportamento de sistemas lineares
Proposic
ao 5. Se um sistema linear possui duas solucoes distintas,
entao ele possui infinitas solucoes.
Demonstracao. Suponhamos que X1 e X2 sejam solucoes do sistema
AX = B. Entao X = X1 + (1 )X2 tambem e solucao para
qualquer valor real de , uma vez que
A (X1 + (1 )X2 ) = AX1 + (1 )AX2 = B + (1 )B = B.
Temos entao tres opcoes para o comportamento de um sistema
linear.
1. Um sistema possvel determinado e um sistema que possui
uma unica solucao. Nesse caso, a forma escalonada reduzida
de A e sempre igual à matriz identidade (com, possivelmente,
algumas linhas nulas abaixo).
2. Um sistema possvel indeterminado e um sistema que possui infinitas solucoes. Nesse caso, a forma escalonada reduzida
sempre tem alguma linha nula que levara a uma variavel indeterminada.
3. Um sistema impossvel e um sistema que nao possui solucao.
Nesse caso, sempre aparece uma linha com zeros em todos os elementos do lado correspondente à matriz A, enquanto o elemento
correspondente à matriz B e diferente de zero.
Nos dois ultimos casos, a forma escalonada reduzida da matriz A

possui uma linha de zeros. Quando isso acontece dizemos que o sistema
e singular.
Exerccio 26. Explique por que o
x + y
x y
2x
sistema
+ z = 2
+z = 1
+ 2z = 2
e impossvel, encontrando uma combinacao das tres equacoes que leve

à equacao 0 = 1. Que valor deve substituir o ultimo zero do lado direito
para permitir que o sistema tenha infinitas solucoes? Nesse caso, qual
e o conjunto de solucoes?
Exerccio 27. Para qual valor de a R o sistema

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

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

2x + by = 16
4x + 8y = g
e singular. A seguir, escolha o valor de g para o qual o sistema possui
solucao. Nesse caso, encontre o conjunto de solucoes.
Exerccio 30. Qual e a condicao que b1 e b2 devem satisfazer para que

o sistema

3x 2y = b1
9x 6y = b2
possua solucao? Nesse caso, encontre o conjunto de solucoes.
Exerccio 31. Estude o comportamento do sistema abaixo, em funcao
dos valores de a, b1 , b2 , b3 .
ax + 2y + 3z = b1
ax + ay + 4z = b2
ax + ay + az = b3
2.6
2.6.1
Interpretac
ao geom
etrica de sistemas
lineares
Sistemas com duas inc
ognitas
Voce aprendeu em seu curso de Geometria Analitica e Calculo Vetorial

que qualquer reta r em R2 pode ser descrita utilizando uma equacao
linear
r = {(x, y) | ax + by = c},
ou seja, o ponto (x, y) pertence à reta r se, e somente se, a equacao
ax + by = c e satisfeita. Um conjunto de equacoes lineares com duas
incognitas representa, portanto, um conjunto de retas no plano. Um
ponto satisfaz todas as equacoes do sistema se, e somente se, pertence
à todas essas retas. Isso quer dizer que (x, y) sera uma solucao do
sistema se, e somente se, pertencer à todas as retas definidas pelas
equacoes do sistema.
Essa ligacao entre equacoes lineares e retas permite resolver sistemas
lineares e interpretar suas solucoes de forma puramente geometrica.
Exemplo 38. Resolva o sistema

x + y = 1
.
x y = 2
Solucao. Para encontrar a solucao do sistema, basta plotar as retas
determinadas pelas duas equacoes e verificar qual e a sua intersecao.
Figura 2.1: Retas x + y = 1 e x y = 2 e sua intersecao.
Da figura 2.1 vemos que as retas se cruzam em um unico ponto e

portanto o sistema possui solucao unica x = 1.5 e y = 0.5.
Exemplo 39.
x + y = 1
x y = 2 .
3x + y = 0
determinadas pelas duas equacoes e verificar qual e a sua intersecao.
Figura 2.2: Retas x + y = 1, x y = 2 e 3x + y = 0. Observe que as

retas no se interceptam.
Da figura 2.2 vemos que as retas nao se cruzam em portanto o
sistema nao possui solucao.
Exemplo 40.
x + y = 1
x y = 2 .
3x + y = 4
determinadas pelas tres equacoes e verificar qual e a sua intersecao.
Figura 2.3: Retas x + y = 1, x y = 2 e 3x + y = 4. Observe que as

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

portanto o sistema possui solucao unica x = 1.5 e y = 0.5.
Exerccio 32. Resolva os sistemas abaixo e faca um esboco da interpretacao geometrica da solucao.

2x + y = 3
1.
x 2y = 1
2x + y = 3
x 2y = 1
2.
3x y = 3
2x + y = 3
x 2y = 1
3.
3x y = 2
2x + y = 3
x + 2y = 1
4.
3x y = 4
2.6.2
Sistemas com tr
es inc
ognitas
Voce aprendeu em seu curso de Geometria Analitica e Calculo Vetorial

que qualquer plano em R3 pode ser descrita utilizando uma equacao
linear
= {(x, y) | ax + by + cz = d},
ou seja, o ponto (x, y, z) pertence ao plano se, e somente se, a
equacao ax+by +cz = d e satisfeita. Um conjunto de equacoes lineares
com tres incognitas representa, portanto, um conjunto de planos no
espaco. Um ponto satisfaz todas as equacoes do sistema se, e somente
se, pertence a todos esses planos. Isso quer dizer que (x, y, z) sera
uma solucao do sistema se, e somente se, pertencer a todos os planos
definidos pelas equacoes do sistema.
Essa ligacao entre equacoes lineares e planos permite resolver sistemas lineares e interpretar suas solucoes de forma puramente geometrica.
Exemplo 41.
z = 1
y z = 2 .
x + y 2z = 3
Solucao. Para encontrar a solucao do sistema, basta plotar os planos
determinadas pelas tres equacoes e verificar qual e a sua intersecao.
Figura 2.4: Os planos determinados pelas equacoes xz = 1, yz =

2, x y z = 3 e sua intersecao.
Da figura 2.4 vemos que os planos se cruzam em uma reta e portanto
o sistema possui infinitas solucoes. Essa reta pode ser parametrizada
pelas equacoes x = z + 1 e y = z + 2, z R.
Exemplo 42.
z = 1
y z = 2 .
x + y 2z = 4
determinados pelas tres equacoes e verificar qual e a sua intersecao.
Da figura 2.5 vemos que os planos nao se interceptam em nenhum
ponto e portanto o sistema nao possui solucao.
Exemplo 43.
z = 1
y z = 2 .
x y z = 1
determinados pelas tres equacoes e verificar qual e a sua intersecao.

2 e x + 2y 2z = 4. Observe que os planos nao se interceptam.

Das figuras 2.6, 2.7 e 2.8 vemos que os planos se interceptam em um

unico ponto e portanto o sistema possui solucao solucao unica x = 1,
y = 2, z = 0.

Figura 2.8: Cada reta representa a intersecao de dois dos planos

determinados pelas equacoes do sistema. A intersecao das tres retas
corresponde à solucao do sistema.
Exerccio 33. Considere o sistema

ax + 2y = 0
2x + ay = 0
em que a R.
1. Mostre que o sistema abaixo possui pelo menos uma solucao para
qualquer valor de a;
2. Encontre o valor de a para que o sistema possua infinitas solucoes.
Nesse caso, qual e a representacao geometrica do conjunto de
solucoes? Faca um esboco.
Exerccio 34. Descreva a intersecao dos tres planos x + y + z = 3,
uma reta, um ponto, ou um conjunto
x+y z = 1 e 3x+3y +z = 7. E
vazio? Como sera a intersecao se o plano x = 1 for adicionado?
Encontre uma quinta equacao que deixe o sistema sem solucao.
Exerccio 35. Encontre dois pontos sobre a reta de intersecao dos hiperplanos w = 0, z = 0 e x + y + z + w = 1 em um espaco quadridimensional.
Exerccio 36. Em que condicoes sobre os nmeros l, m e n os pontos
(0, l), (1, m) e (2, n) se localizam em uma linha reta?
Exerccio 37. Se tres planos se cruzam em dois pontos, onde mais eles
se cruzam?
2.7
Sistemas lineares homog

eneos
Um sistema da forma
a11 x1
a x
21 1
..
am1 x1
+ a12 x2 + + a1n xn = 0
+ a22 x2 + + a2n xn = 0
..
..
..
.
.
.
+ am2 x2 + + amn xn = 0
e chamado sistema linear homogeneo, que pode ser escrito na forma

matricial como
AX = 0
em que
a11 a12
a21 a22
A=
..
...
.
am1 am2
a1n
a2n
. . . ...
,
amn
x1
x2
X=
... ,
xn

0
0
0=
... .
0
Observe que todo sistema homogeneo possui a solucao

0
0
X=
... ,
0
chamada solucao trivial. Portanto, nao existe sistema homogeneo impossvel. Geometricamente, isso significa que o conjunto solucao de
qualquer sistema homogeneo contem a origem.
Observe tambem que para resolver um sistema linear homogeneo
basta escalonarmos a matriz A, uma vez que as operacoes elementares
nao alteram a coluna de zeros da matriz aumentada [A|0].
Sabemos que um sistema com n incognitas tera solucao unica quando
a forma escalonada da matriz A possui n pivos e nenhuma outra linha
de zeros que possa levar a uma contradicao. Para sistemas lineares homogeneos, como o lado direito da matriz aumenta [A|0] e sempre 0,
linhas que levam a contradicoes nao existem e por isso sempre que encontrarmos n pivos o sistema possuira solucao unica, ou seja, somente
a solucao trivial. Se nao for possvel encontrar n pivos, o sistema tera
infinitas solucoes.
Exerccio 38. Utilizando o metodo de Gauss-Jordan, encontre as solucoe

dos sistemas lineares homogeneos abaixo:

x + y = 0
1.
x y = 0

x + 2y = 0
2.
2x + 5y = 0
3.
4.
5.
6.
7.
x + y = 0
x 2y = 0
2x y = 0
x + y = 0
3x + y = 0
5x + 3y = 0

x + 2y z = 0
x y + z = 0
x + y + 2z = 0
2x + 4y 3z = 0
x + 3y 5z = 0
2x + 3y z + w = 0
5x + y + 10z + 2w = 0
3x 2y + 11z + w = 0
DICA: observe que voce ja tem as formas escalonadas reduzidas das

matrizes A do exercco 24. Nao e necessario escalonar todas as matrizes
novamente.
Teorema 3. Todo sistema homogeneo com menos equacoes que incognit

possui infintas solucoes.
Demonstracao. Suponhamos que o sistema tenha n incognitas. Como
o sistema tem menos equacoes que incognitas, o numero r de linhas
nao nulas da forma escalonada reduzida da matriz aumentada [A|0]
tambem e menor que n e portanto nao e possvel encontrar n pivos.
Assim temos r pivos e n r variaveis livres, que podem assumir todos
os valores reais, o que implica que o sistema possui infinitas solucoes.
Teorema 4. Sejam X1 e X2 solucoes do sistema AX = 0. Entao

valem as seguintes propriedades:
1. X3 = X1 + X2 tambem e solucao de AX = 0;
2. X4 = X1 tambem e solucao de AX = 0 para qualquer R.
Demonstracao. Sabemos que AX1 = 0 e AX2 = 0, uma vez que X1
e X2 sao solucoes de AX = 0. Assim temos:
1. AX3 = A(X1 + X2 ) = AX1 + AX2 = 0 + 0 = 0;
2. AX4 = A(X1 ) = AX1 = 0 = 0.
Exerccio 39. Mostre que as propriedades acima nao sao verdadeiras

se o sistema nao for homogeneo.
2.8
Utilizando o MATLAB
o MATLAB nao possui comandos pre-definidos para operacoes elementares. No entanto, elas podem ser facilmente realizadas com os comandos abaixo:
1. O comando A([i j],:) = A([j i],:) troca as linhas i e j da
matriz A;
2. O comando A(i,:) = k*A(i,:) multiplica a linha i da matriz A
pelo escalar k;
3. O comando A(i,:) = A(i,:) +k*A(j,:) soma à linha i de A
a linha j vezes k.
Alguns pacotes adicionais podem ser encontrados em que os comandos para realizar essas operacoes estao definidos. Veja, por exemplo, o
pacote GAAL do professor Reginaldo Santos da UFMG.
O comando rref pode ser utilizado para encontrar a forma escalonada reduzida de uma matriz no MATLAB. Veja abaixo os passos que
devem ser seguidos para chegar à forma escalonada reduzida da matriz
aumentada de um sistema:
A=[ ]
% declarar a matriz dos coeficientes $A$;
B=[ ]
% declarar o vetor coluna dos coeficientes $b$;
M=[A B]
% definir k como a matriz aumentada do sistema;
S=rref(M) % escalonar a matriz.
Exerccio 40. Utilize o MATLAB para refazer os exerccios numericos

desse captulo.
Inversao de Matrizes
Sabemos que todo numero real nao nulo a possui um inverso multiplicativo a1 = a1 tal que a a1 = a1 a = 1. Quando temos uma
equacao do tipo ax = b em que a e b sao numeros reais conhecidos e x
e uma incognita que deve ser encontrada, basta dividirmos a equacao
por a para encontrar sua solucao
b
x= .
a
Esse procedimento e possvel sempre que a 6= 0.
Sabemos que para matrizes a divisao nao esta definida e portanto o
mesmo procedimento nao pode ser aplicado à equacao matricial AX =
B para encontrar a solucao de um sistema linear. No entanto, em alguns
casos e possvel definir o que chamamos de matriz inversa da matriz A,
denotada por A1 , de modo que A1 A = AA1 = I. Assim, o sistema
AX = B pode ser resolvido multiplicando-se a equacao matricial por
A1 :
A1 (AX)

A1 A X
IX
X
=
=
=
=
A1 B
A1 B
A1 B
A1 B.
Desse modo, sempre que e possvel inverter a matriz A, o sistema

pode ser facilmente resolvido multiplicando-se B por A1 . Veremos em
breve que apenas as matrizes quadradas podem ser invertidas e que,
alem disso, calcular a inversa de uma matriz nao e uma tarefa trivial.
3.1
Definic
ao e propriedades
Definic
ao 3. Uma matriz quadrada A n n e dita invertvel quando
existe outra matriz A1 n n tal que
A1 A = I e A A1 = I
onde I e a matriz identidade n n.
Caso a inversa de A nao exista, dizemos que A e uma matriz singular.
Se A uma matriz invertvel, valem as seguintes propriedades:
1. A matriz inversa e unica. De fato, supondo que A1 e B sejam
duas inversas para a matriz A temos

B = IB = A1 A B = A1 (AB) = A1 I = A1 .
2. A matriz inversa de uma matriz invertvel e tambem invertvel,
sendo que a inversa da inversa
de uma matriz e igual à propria

1 1
matriz, ou seja, A = A
.
3. A matriz transposta de uma matriz invertvel e tambem invertvel,
e a inversa da transposta e a transposta da inversa, ou seja,
(AT )1 = (A1 )T . De fato
AT (A1 )T = (A1 A)T = I T = I e (A1 )T AT = (AA1 )T = I T =

4. A inversa de uma matriz multiplicada por um numero (diferente
de zero) e igual à matriz inversa multiplicada pelo inverso desse
numero, ou seja
(A)1 = 1 A1
5. O inverso do produto de matrizes invertveis e igual aos produtos

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

matriz identidade, ou seja, I 1 = I. Essa propriedade decorre da
igualdade I I = I.
Exerccio 41. Dada uma matriz A, suponha que B e a matriz inversa
de A2 . Mostre que a matriz C = AB e a inversa de A.
Exerccio 42. Utilizando o exerccio anterior, mostre que A e invertvel
se, e somente se, A2 e invertvel.
3.2
3.2.1
Determinac
ao da inversa
Aplicac
ao da definic
ao de inversa
Este metodo de calculo da inversa consiste em partir de uma matriz

quadrada generica, com incognitas em vez de valores e aplicar a condicao
A A1 = I.
Exemplo 44. Vamos calcular a inversa da matriz

2 1
A=
.
4 3
Solucao. Sabemos que a matriz inversa tem que ser tambem uma
matriz 2 2 e portanto e da forma

a
b
A1 =
.
c d
O objectivo e determinar os valores de a, b, c e d. Para isso aplicaremos

a definicao de inversa:

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

2a + c 2b + d
1 0
=
4a + 3c 4b + 3d
0 1
o que nos leva ao sistema de equacoes:
2a + c = 1
2b + d = 0
4a + 3c = 0
4b + 3d = 1
Observe que temos dois sistemas

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

2 1 | 1 | 0
A=
.
4 3 | 0 | 1
Escalonando obtemos a matriz

1 0 | 23 | 1
2
A=
.
0 1 | 2 | 1
o que implica a = 23 , b =
1
2 ,c
= 2 e d = 1. Assim, temos
3 1
2
A1 = 2
.
2 1
Caso a matriz que queremos inverter nao fosse invertvel, chegaramos

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

0 2
1. A =
;
3 0

2 0
2. A =
;
4 2

1 1
3. A =
.
2 2
Exerccio 44. Encontre quatro matrizes 2 2 distintas de modo que
cada uma delas seja sua propria inversa, ou seja, A2 = I.
3.2.2
Aplicac
ao da eliminac
ao de Gauss-Jordan
Uma outra forma de determinar a inversa de uma matriz e utilizando

a eliminacao de Gauss-Jordan. Esse metodo e uma maneira pratica de
aplicar o metodo anterior.
Para entender o metodo, vamos novamente analizar o que acontece
no exemplo 44. Nesse exemplo, escrevemos a inversa na forma

a
b
A1 =
.
c d
e aplicamos a
d.

2
4
definicao

1
a
3
c
de inversa para encontrar os valores de a, b, c e

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

a
X1 =
c
e a primeira coluna de A1 . Essa coluna deve ser igual à primeira coluna
da matriz identidade, ou seja
AX1 = E1
em que

1
E1 =
0
e a primeira coluna da matriz identidade. De maneira analoga, a segunda coluna de AA1 equivale a AX2 , em que

b
X2 =
d
e a segunda coluna de A1 . Essa coluna deve ser igual à segunda coluna
da matriz identidade, ou seja
AX2 = E2
em que

0
E2 =
1
e a segunda coluna da matriz identidade. Obtemos assim dois sistemas
com a mesma matriz de coeficientes A. Podemos entao resolve-los
simultaneamente escalonando a matriz aumentada
[A|E1 |E2 ].
Observe que do lado esquerdo as colunas E1 e E2 geram a matriz
identidade, e portanto basta escalonar a matriz
[A|I].
Apos o escalonamento, obtemos a matriz aumentada

1 0 | 23 1
2
0 1 | 2 1
que nos leva a

a = 32
c = 21
para o primeiro sistema e

b = 2
d=1
para o segundo sistema. Veja que a matriz inversa aparece do lado

esquerdo apos o processo de escalonamento.
De maneira geral, para verificarmos se uma matriz A n n e invertvel, basta verificarmos se existe uma matriz B, tal que AB = I. Vamos
denotar as colunas da inversa B por X1 , X2 , . . . , Xn , ou seja, B =
[X1 . . . Xn ], e as colunas da matriz identidade I , por E1 , E2 , . . . , En
, ou seja, I = [E1 . . . En ] , em que

1
0
0
0
1
0

, E2 = 0 , . . . , En = 0 .
0
E1 =
.
.
.
..
..
..
0
0
1
Assim, a equacao AB = I pode ser escrita como
A[X1 . . . Xn ] = [AX1 . . . AXn ] = [E1 . . . En ],
pois a j-esima coluna do produto AB e igual à A vezes a j-esima coluna
da matriz B. Analisando coluna a coluna a equacao anterior, vemos
que encontrar B e equivalente a resolver n sistemas lineares
AXj = Ej
para j = 1, . . . , n. Cada um dos sistemas pode ser resolvido usando o

metodo de Gauss-Jordan. Como as matrizes dos coeficietes à esquerda
sao todas iguais à A, podemos resolver todos os sistemas simultaneamente formando a matriz aumentada
[A|E1 E2 . . . En ] = [A|I].
Apos escalonamento, chegamos a uma matriz do tipo [R|S], em que R
e a forma escalonada reduzida da matriz A. Temos duas possibilidades:
1. Se R = I, entao a forma escalonada reduzida da matriz [A|I] e
da forma [I|S]. Se escrevemos a matriz S em termos das suas
colunas S = [S1 S2 . . . Sn ], entao as solucoes dos sistemas
AXj = Ej sao X = Sj e assim B = S e A e invertvel;
2. Se R 6= I, entao a matriz A nao e equivalente por linhas à matriz
identidade I. Entao a matriz R tem uma linha nula, o que implica
que cada um dos sistemas AXj = Ej ou tem infinitas solucoes
ou nao tem solucao. Se todos os sistemas possurem infinitas
solucoes, teramos infinitas opcoes para B, o que nao e possvel
pois sabemos que a inversa e unica. Assim, pelo menos um dos
sistemas nao possui solucao, o que quer dizer que a matriz A nao
tem inversa.
Com esse raciocnio, provamos o seguinte resultado:
Teorema 5. Uma matriz A n n possui inversa se, e somente se, e
equivalente por linhas à matriz identidade I n n.
Alem de provar o teorema acima, o raciocnio anterior mostra tambem

uma maneira pratica de calcular a inversa de uma matriz A. Escrevemos lado a lado a matriz que queremos inverter e a matriz identidade
[A|I]. Em seguida, aplicam-se sucessivas operacoes elementares sobre
as linhas da matriz a inverter, de modo a transforma-la em sua forma
escalonada reduzida, aplicando as mesmas operacoes à matriz identidade, obtendo a matriz [R|S]. Se R = I, A e invertvel e A1 = S. Se
R 6= I a matriz A nao e invertvel.
Exemplo 45. Encontre, caso exista, a inversa da matriz

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

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

1
2 0 | 3 1 | 2
1 0 | 23 12
0 1 | 2 1
0 1 | 2 1
(1)
Como a forma escalonada reduzida de A e igual a I, A e invertvel e a

inversa e a matriz que aparece do lado direito:

3
1
1
2 .
A = 2
2 1
Exemplo 46. Encontre, caso exista,
1 2
0 1
1 1
a inversa da matriz
0
1 .
1
Solucao. Escrevendo a matriz aumentada e
1 2 0 | 1 0 0
0 1 1 | 0 1 0
+
1 1 1 | 0 0 1
1 2 0 | 1 0 0
0 1 1 | 0 1 0
1
0 0 2 | 1 3 1 | 2
1 2 0| 1 0 0
+
1
1
1
2
0 1 0 | 2 2 2
1
3
1
0 0 1 |
escalonando
1 2 0 | 1 0
0 1 1 | 0 1
0 3 1 | 1 0
1 2 0 | 1
0 1 1 | 0
0 0 1 | 12
1 0 0| 0 1
0 1 0 | 1
2
0 0 1 | 1
0
0
1
0 0
1 0
3
1
2 2
1
12
3
1
2
Como a forma escalonada reduzida de A e igual a I, A e invertvel e a

inversa e a matriz que aparece do lado direito:
0 1 1
A1 = 21 12 12 .
12 32 12
Exemplo 47. Encontre, caso exista, a inversa da matriz
1 2 0
0 1 1 .
1 1 1
Solucao. Escrevendo
1 2 0 | 1 0
0 1 1 | 0 1
1 1 1 | 0 0
a matriz aumentada e
0
1 2
0
0 1
1
0 1
+
1 2
0 1
0 0
escalonando
0
1
1
0
1
0
|
|
|
|
|
|
1
0
1
1
0
1
0 0
1
1 0
0 1
+
0 0
1 0 .
1 1
Como temos uma linha de zeros do lado esquerdo, podemos parar o

processo de escalonamento: a forma escalonada reduzida de A nao e
igual a I e portanto A e nao e uma matriz invertvel.
Exerccio 45. Utilizando o metodo de Gauss-Jordan, encontre, caso
exista, a inversa das matrizes abaixo:
1 0 0
1. A = 1 1 0 ; Faca essa letra sem o auxlio do computador!
0 0 1
2 1 0
2. A = 1 2 1 ;
0 1 12

0
3. A = 0
1
1
1
4
4. A =
1
3
1
2
0 1
1 1 ;
1 1
0 0 0
1 0 0
.
1
1
0
3
1 1
2 2 1
Exerccio 46. De exemplos de matrizes A e B de modo que:

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

1
AX = 0
0
nao possui solucao;
2. Descubra quais sao as condicoes sobre b1 , b2 e b3 para que o
sistema

b1
AX = b2
b3
possua solucao;
3. Mostre que A nao e invertvel.
Exerccio 48. Verdadeiro ou falso:

1. Se A e invertvel, A1 tambem e.
2. Se A e invertvel entao AT tambem e.
3. Uma matriz com uma linha de zeros pode ser invertvel.
4. Uma matriz com uma coluna de zeros pode ser invertvel.
Quando a matriz A de coeficientes de um sistema linear e invertvel
e sua inversa e conhecida, a resolucao do sistema e trivial, como mostra
o resultado abaixo.
Teorema 6. Seja A uma matriz n n. O sistema associado AX = B
tem solucao unica se, e somente se, A e invertvel. Neste caso a solucao
e X = A1 B.
Demonstracao. Se a matriz A e invertvel, entao multiplicando ambos
os lados da equacao AX = B à esquerda por A1 obtemos
A1 (AX)

A1 A X
IX
X
=
=
=
=
A1 B
A1 B
A1 B
A1 B.
Portanto, X = A1 B e a unica solucao do sistema AX = B.

Por outro lado, se o sistema AX = B possui solucao unica, entao a
forma escalonada reduzida da matriz aumentada do sistema [A|B] e da
forma [I|C], pois se a forma escalonada reduzida de A fosse diferente
da identidade haveria uma linha de zeros, e o sistema AX = B ou
nao possuiria solucao ou possuiria infinitas solucoes. Logo, a matriz
A e equivalente por linhas à matriz identidade, o que implica que A e
invertvel.
Como consequencia do teorema anterior, vale a seguinte propriedade
para sistemas homogeneos:
Corolrio 1. O sistema homogeneo AX = 0 tem solucao nao trivial se,

e somente se, A e singular.
Demonstracao. Todo sistema homogeneo possui pelo menos a solucao
trivial. Pelo teorema anterior, esta sera a unica solucao se, e somente
se, A e invertvel. Assim, para que hajam solucoes alem da solucao
trivial, A nao pode ser invertvel.
Exerccio 49. Resolva o sistema AX = B em que A e B sao dadas
abaixo:

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

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

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

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

2 1 0
1
5. A = 1 2 1 ; B = 1 ;
0 1 12
1

0 0 1
1
6. A = 0 1 1 ; B = 1 ;
1 1 1
1
1 0 0 0
1
1
1
1 0 0
4
.
;
B
=
7. A =
1
1 1 1 0
3 3
1 1 1
1
1
Exerccio 50. Resolva o sistema homogeneo AX = 0 em que A e a

matriz dada abaixo:

0 2
;
1. A =
3 0

2 0
2. A =
;
4 2

1 1
3. A =
.
2 2
1 0 0
4. A = 1 1 0 ; Faca essa letra sem o auxlio do computador!
0 0 1
2 1 0
5. A = 1 2 1 ;
0 1 12
0 0 1
6. A = 0 1 1 ;
1 1 1
1 0 0 0
1 1 0 0
4
7. A =
1 1 1 0 .
3 3
1 1 1
2 2 2 1
Observac
ao 5. Nao e necessario escalonar as matrizes novamente. Observe que essas matrizes ja apareceram em exerccios anteriores.
3.3
Utilizando o MATLAB
Podemos calcular facilmente a inversa de uma matriz utilizando o metodo

de Gauss-Jordan no MATLAB. Para isso, basta utilizar os comandos
abaixo:
A=[
$A$ $n \times n$;
% declarar a matriz
I= eye(n) % define I como a matriz identidade de tamanho adequad

M=[A
I]
rref(M)
% definir M como a matriz aumentada justapondo A e I;

% escalonar a matriz.
O MATLAB tambem possui um comando que calcula a inversa diretamente: o comando inv(A). Para calcular a inversa, basta usar os
comando abaixo:
A=[
% declarar a matriz
$A$ $n \times n$;
B=inv(A) % define B como a inversa de A, caso exista.
No captulo 5 veremos algumas aplicacoes de matrizes e sistemas

e utilizaremos esse comando para calcular a inversa. Nao utilize o comando inv(A) para calcular as inversas dos exerccios numericos acima,
mesmo que voce utilize um computador para fazer o escalonamento das
matrizes. O processo de escalonamento e importante para entender o
que acontece quando uma matriz tem inversa e quando ela nao tem.
Utilizando o comando inv(A) diretamente essa intuicao e perdida, uma
vez que os calculo realizados para obter a inversa nao sao mostrados
pelo MATLAB.
Exerccio 51. Defina A= ones(4,4) e B=rand(4,1). Resolva o sistema AX = B.
Exerccio 52. Defina A= ones(4,4) e B=ones(4,1). Resolva o sistema AX = B.
Exerccio 53. Defina A= rand(4,4) e B=rand(4,1). Verifique se A
possui inversa. Resolva o sistema AX = B.
Exerccio 54. Encontre a inversa de A=5*eye(4)ones(4,4).
Exerccio 55. Encontre a inversa de A=6*eye(5)ones(5,5).
Exerccio 56. Mostre que A=4*eye(4)ones(4,4) nao e invertvel.
Exerccio 57. Utilize o comando inv(A) para calcular a inversa da

matriz A=pascal(4). O que faz o comando pascal?
Exerccio 58. Utilizando os comandos rand e inv, tente encontrar
matrizes de varios tamanhos que nao sejam invertveis. Depois de varias
tentativas, voce acha que e mais facil encontrar matrizes invertveis ou
matrizes singulares?
Determinantes
Em matematica, determinante e uma funcao matricial que associa a

cada matriz quadrada um escalar. Esta funcao fornece varias informacoes
sobre a matriz A, como veremos mais adiante.
Seja M(n) o conjunto das matrizes nn. Pode-se provar que existe
uma unica funcao
f : M(n) R
com as seguintes propriedades:
1. Suponhamos que uma matriz A esteja escrita em termos de suas
linhas A1 , . . . , An

A1
A2
A=
...
An
e que a linha Ak possa ser escrita em termos de outras duas
matrizes linha X e Y na forma
Ak = X + Y.
Entao
A1
A1
A1
A
A2
A2
A2
A
..
..
..
.
.

Ak1 Ak1
Ak1
Ak
f (A) = det
=
= det
+ det
Ak X + Y
X
Y
Ak+1
Ak
Ak+1 Ak+1
.
.
..
..
..
An
An
An
A
2. f (In ) = 1, onde In e a matriz identidade n n.
Esta funcao f denomina-se de determinante e e representado por
|A| ou por det(A).
4.1
C
alculo do determinante
Calcular o determinante de matrizes grandes e um processo extremamente trabalhoso. Para encontrar uma maneira de fazer esse calculo
procederemos recursivamente: calcularemos o determinante de matrizes 1 1, em seguida calcularemos o determinante de matrizes 2 2.
Utilizando esses determinates calcularemos o determinante de matrizes
3 3 e assim sucessivamente. Para calcular o determinante de matrizes
n n utilizaremos o determinante de matrizes (n 1) (n 1).
4.1.1
Matrizes 1 1

Se A = a11 entao
det(A) = a11 .

Exemplo 48. Se A = 3 , entao det(A) = 3.
4.1.2
Matrizes 2 2
O determinante de uma matriz 2 2 e a diferenca entre o produto

dos termos da diagonal principal e o produto dos termos da diagonal
secundaria.

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

0 2
A=
1 1
e dado por det(A) = 0 (1) 2 1 = 0 2 = 2.
4.1.3
Cofatores
Para calcular o determinate de matrizes maiores, vamos precisar da

definicao de cofator.
Definic
ao 4. Dada uma matriz n n, a matriz menor Aij relativa ao
elemento Aij e a matriz (n 1) (n 1) obtida de A eliminando-se a
linha i e a coluna j, ou seja, a linha e a coluna do elemente Aij .
1 1 0
A = 1 3 1 ,
2 2 1
a matriz menor A11 e obtida de A eleiminando-se a primeira linha e a
primeira coluna:

1 1 0
3
1
1 3 1 A11 =
.
2 1
2 2 1
A matriz menor A12 e obtida de A eleiminando-se a primeira linha e a

segunda coluna:

1 1 0
1
1
1 3 1 A12 =
.
2 1
2 2 1
A matriz menor A31 e obtida de A eleiminando-se a terceira linha e a
primeira coluna:

1 1 0
1
0
1 3 1 A31 =
.
3 1
2 2 1
A matriz menor A33 e obtida de A eleiminando-se a terceira linha e a
terceira coluna:

1 1 0
1
1
1 3 1 A33 =
.
1 3
2 2 1
Definic
ao 5. Dada uma matriz A, o cofator associado ao elemento Aij
e

i+j
Cij = (1) det Aij .
1 1 0
A = 1 3 1 ,
2 2 1
temos que
C11 = (1)
1+1
det A11
C12 = (1)
1+2
det A12
C31 = (1)
3+1
det A31
C33 = (1)
3+3
det A33

3 1
= 5;
(1) det
2 1

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

1
0
(1)3+1 det
= 1;
3 1

1 1
3+3
(1) det
= 3.
1 3
1+1
Observe que na definicao dos cofatores de uma matriz n n, sao

utilizados determinantes de matrizes (n 1) (n 1). Com o que
temos ate aqui so conseguimos calcular cofatores de matrizes 3 3.
Veremos agora que os cofatores de uma matriz 3 3 nos permitem
calcular o determinante dessa matriz. Com isso poderemos calcular os
cofatores de matrizes 4 4. Os cofatores de uma matriz 4 4, por
sua vez, nos permitem calcular o determinante dessa matriz. Podemos
entao calcular os cofatores de matrizes 5 5 e assim sucessivamente.
4.1.4
C
alculo do determinante atrav
es de cofatores
Para calcular o determinante de uma matriz qualquer, escolhemos uma

linha qualquer i e somamos os elementos dessa linha multiplicados pelos
seus cofatores:
det(A) = ai1 Ci1 + ai2 Ci2 + ai3 Ci3 + ... + ain Cin =
n
X
aij Cij .
j=1
Observe que na soma acima o coeficiente i permanece fixo, enquanto

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

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

o coeficiente i percorre todos os valore s possveis: a coluna j fica fixa
enquanto a soma percorre todas as linhas da matriz A.
Observac
ao 6.
1. A escolha da linha ou da coluna que utilizaremos
para calcular o determinante e arbitraria. Qualquer escolha devera
produzir o mesmo valor para det(A). Escolha sempre a linha ou
coluna que simplifique as contas o maximo possvel. Quanto mais
zeros, melhor.
2. A equacao para o calculo do determinante atraves de cofatores
parece simples, mas na verdade ela nao e. Ao utilizar essa equacao
trocamos o problema de calcular o determinante de uma matriz
n n pelo calculo de n determinantes (n 1) (n 1). Cada
um desses determinantes, por sua vez, se transforma em (n 1)
determinantes (n 2) (n 2) e esse processo deve ser repetido
ate que os cofatores possam ser calculados atraves de determinantes de matrizes 2 2. De forma geral, o numero de operacoes
necessarias para calcular o determinante por esse metodo e maior
que n!, o que e extremamente ineficiente, mesmo em computadores muito rapidos. Veremos que o metodo de Gauss-Jordan pode
ser utilizado para calcular o determinante com aproximadamente
n3 operacoes.
Antes de introduzir o novo metodo para o calculo do determinante,
vejamos algumas propriedades. A demonstracao dessas propriedades
depende do Metodo de Inducao Matematica, que sera brevimente apresentado na proxima secao.
4.2
Induc
ao
Inducao e um metodo de demonstracao usado para demonstrar a validade de um numero infinito de proposicoes. A forma mais simples e
mais comum de inducao prova que uma certa afirmacao vale para todos
os numeros naturais n e consiste de dois passos:
1. A base: mostrar que a afirmacao vale para n = 1;
2. O passo indutivo: mostrar que, se a afirmacao vale para n = k,
entao a afirmacao vale para n = k + 1.
Se ambos os passos anteriores forem validos, entao a afirmacao sera
valida para qualquer numero natural n. Para entender por que esses dois
passos sao suficientes, e util pensar no efeito domino. Suponha que voce
tem uma longa fila de dominos em pe e que voce pode assegurar que:
1. O primeiro domino caira;
2. Sempre que um domino cair, seu proximo vizinho tambem caira.
Entao voce pode concluir que todos os dominos cairao, ja que o primeiro
derrubara o segundo, o segundo derrubara o terceiro e assim sucessivamente.
Exemplo 52. Prove que para qualquer n natural vale
1 + 2 + 3 + ... + n =
n(n + 1)
.
2
Solucao. O primeiro passo consiste em determinar a base da prova por

inducao: provar que a afirmacao e valida para n = 1. Para esse valor
de n o lado esquerdo e igual a 1, pois ha um unico termo na soma,
e o lado direito e igual a 1(1+1)
= 1. Isso mostra que a afirmacao e
2
verdadeira para n = 1.
O proximo passo e provar que se a afirmacao e verdadeira para
n = k 1, ela sera tambem verdadeira para n = k. A suposicao de que
a afirmacao e verdadeira para k 1 e o que chamamos de hipotese de

inducao.
No nosso exemplo, a hipotese de inducao significa que a equacao
1 + 2 + ... + (k 1) =
(k 1)((k 1) + 1)
2
e verdadeira.
Assumindo a equacao acima devemos provar que a afirmacao e valida
para n = k. Nesse caso, basta somar k a ambos os lados.
(k 1)((k 1) + 1)
+k
2
(k 1)((k 1) + 1) 2k
=
+
2
2
k(k 1) + 2k
=
2
k(k + 1)
=
2
1 + 2 + . . . + (k 1) + k =
Logo vale a afirmacao para n = k:

1 + 2 + . . . + (k 1) + k =
k(k + 1)
.
2
Podemos concluir entao que a afirmacao e verdadeira para qualquer

n natural.
4.2.1
Generalizac
ao: comecando com b > 1
A inducao pode ser generalizada de varias maneiras. Por exemplo, se

quisermos provar uma afirmacao para todos os numeros naturais maiores
que ou iguais a um determinado numero b, seguimos os seguintes passos:
1. Mostrar que o enunciado vale quando n = b;
2. Mostrar que se o enunciado vale para n = k b, entao o mesmo

enunciado tambem vale para n = k + 1.
Exemplo 53. Prove que n2 > 2n para n 3.
Solucao. O primeiro passo consiste em determinar a base da prova
por inducao: provar que a afirmacao e valida para n = 3. Para esse
valor de n o lado esquerdo e igual a 32 = 9 e o lado direito e igual a
2 3 = 6. Logo a afirmacao e verdadeira para n = 3, ja que 9 > 6.
O proximo passo e provar que se a afirmacao e verdadeira para
n = k 1 > 3, ela sera tambem verdadeira para n = k.
Nesse exemplo, a hipotese de inducao significa que a desigualdade
(k 1)2 > 2(k 1)
e verdadeira para k 1 3.
Assumindo a equacao acima devemos provar que a afirmacao e valida
para n = k. Abrindo ambos os lados da desigualdade acima temos que
k 2 2k + 1 > 2k 2.
Como k 3 sabemos que 2k 1 > 2, o que implica que
(k 2 2k + 1) + (2k 1) > (2k 2) + 2
ou seja
k 2 > 2k.
Assim provamos que se vale a afirmacao para n = k 1, entao a
afirmacao vale para n = k. Podemos concluir entao que a afirmacao e
verdadeira para qualquer n natural.
Exerccio 59. Prove que 2n + 1 < 2n para n 3.
Exerccio 60. Prove que n2 < 2n para n 5.
Exerccio 61. Prove que 3n < 2n para n 4.
4.3
Propriedades do determinante
Proposic
ao 6. Se A e uma matriz quadrada triangular inferior, entao
det(A) e o produto dos elementos da diagonal principal.
Demonstracao. Para provar essa propriedade, vamos utilizar um processo de inducao em que n e o tamanho da matriz. Primeiro provamos
a propriedade para n = 2.

a11 0
det
= a11 a22 0 a21 = a11 a22 .
a21 a22
Por hipotese de inducao, assumimos que a propriedade e valida para

n = k 1, ou seja,
a11
0
0
...
0
a21
a22
0
...
0
= a11 a22 . . .a(k1)(k
det
.
.
.
.
.
..
..
..
..
..
a(k1)1 a(k1)2 a(k1)3 . . . a(k1)(k1)
Devemos agora provar a propriedade para n = k. Dada uma matriz
ktimesk triangular inferior qualquer
a11 0 0 . . . 0
a21 a22 0 . . . 0
.
..
..
..
..
..
.
.
.
.
ak1 ak2 ak3 . . . akk
calculamos seu determinante fazendo a expansao em cofatores da primeira linha, que so possui o elemento a11 possivlemente nao nulo. Assim
a11 0 0 . . . 0
a22 0
a21 a22 0 . . . 0
a32 a33
1+1
.
det
=
a
C
=
a
(1)
det
..
..
..
..
..
11 11
11
...
..
.
.
.
.
.
ak2 ak3 a
ak1 ak2 ak3 . . . akk
= a11 (a22 a33 . . . akk ) = a11
Mostramos assim que a propriedade vale para qualquer n natural.
Teorema 7. Se uma matriz A possui duas linhas iguais, entao det(A) =

0.
Demonstracao. Vamos provar esse resultado atraves de inducao. Primeiramente provamos que o resultado e verdadeiro para matrizes 2 2.
Se as duas linhas de A sao iguais, entao

a b
A=
a b
e det(A) = ab ba = 0.
Suponhamos agora o resultado valido para matrizes de tamanho
(n 1) (n 1). Devemos provar que o resultado e valido para
matrizes n n.
Seja A uma matriz n n qualquer. Expandindo o determinante
utilizando a primeira linha temos
det(A) =
X
j
a1j C1j =
a1j (1)
1+j
det A1j .
Como A possui duas linhas iguais, todas as matrizes menores

suem duas linhas iguais. Como a afirma
cao e valida para
(n 1) (n 1) temos que det A1j = 0 para todo j e
det(A) = 0.
A1j posmatrizes
portanto
4.3.1
Operac
oes elementares
Teorema 8. Suponhamos que uma matriz A esteja escrita em termos

de suas linhas A1 , . . . , An
A1
A2
A=
...
An
e que a linha Ak possa ser escrita em termos de outras duas matrizes
linha X e Y na forma
Ak = X + Y.
Entao
A1
A1
A1
A1
A2
A2
A2
A2

..
..
..
..
.
.
.
.
Ak1 Ak1
Ak1
Ak1
det(A) = det
=
= det
+ det
Ak X + Y
X
Y
Ak+1 Ak+1
Ak+1
Ak+1
.
.
.
..
..
..
..
.
An
An
An
An
Demonstracao. Vamos utilizar inducao para provar esse resultado.

Primeiro vamos provar que a afirmacao e verdadeira para matrizes 22.
Dada a matriz

a11 a12
A=
a21 a22
suponhamos que A2 = X + Y, ou seja,

a21 a22 = x1 x2 + y1 y2 .
Entao
det(A) = a11 a22 a12 a21 = a11 (x2 + y2 ) a12 (x1 + y1 )

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

a11 a12
a11 a12
= det
+
.
x1 x2
y1 y2
De maneira analoga a afirmacao e verdadeira se A1 = X + Y.

Por hipotese de inducao, vamos supor que a afirmacao e verdadeira
para qualquer matriz (n 1) (n 1) e provar que a afirmacao e
verdadeira para matrizes n n.
Seja A uma matriz n n qualquer, tal que Ak = X + Y, com
k 6= 1. Sejam
A1
A1
A2
A2
..
..
.
.
Ak1
Ak1
M =
e N =
.
X
Y
Ak+1
Ak+1
.
.
..
..
An
An
O que queremos provar e que det(A) = det(M ) + det(N ). Vamos

fazer a expansao em linhas do determinante utilizando a primeira linha
det(A) =
X
j
a1j C1j =
X
j
a1j (1)
1+j
det A1j .
Como
A1
2
A
A2
..
.
..
k1
Ak1
+ Y
A=
temos que A1j = X

X + Y
Ak+1
Ak+1
..
.
.
..
An
An
e Y sao obtidas de Ak , X e Y , respectivaem que cada linha Ak , X

mente, eliminando-se o elemento da coluna j. Como a afirmacao e
valida para matrizes (n 1) (n 1) temos
A2
A2
A2
..
...
...
.
A
A
k1
k1

k1

det A1j = det X + Y = det X + det Y = det

Ak+1
Ak+1
Ak+1
.
.
.
..
..
..
An
An
An
Substituindo na expresao para det(A) temos

X
X
1+j
1+j
det(A) =
a1j (1) det A1j =
a1j (1)
det M1j +
j
1+j
a1j (1)
det M1j +
= det (M ) + det (N ) .
Resta provar a afirmacao para k = 1. Isso pode ser feito de maneira
analoga a anterior expandindo o determinante utilizando qualquer linha
diferente da primeira.
O teorema acima permite verificar o que acontece com o determinante apos aplicarmos à matriz uma operacao elementar.
Corolrio 2. Se a matriz B e obtida da matriz A multiplicando-se uma
linha de A por , ou seja,
A1
A2
..
.
Ak1
B=
Ak
Ak+1
.
..
An
entao det(B) = det(A).
Demonstracao. Basta utilizar o teorema anterior com = 0.
Exerccio 62. Utilizando o corolario 2, mostre que se B = A, em que
A e uma matriz n n, entao
det(B) = n det(A).
Corolrio 3. Se a matriz B e obtida a partir da matriz A trocando duas
linhas entre si, entao
det(B) = det(A).
Demonstracao. Suponhamos que B e obtida de A trocando as linhas
Ak e Al entre si:

A1
A1
.
...
..

A
A
l
k

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

Ak
Al
.
.
..
..
An
An
Seja
A1
..
A + A
l
k
.
..
C=
.
Ak + Al
..
.
An
Aplicando o teorema 8 e o teorema 7 temos
A1
A1
..
..
.
.
A
k
l
.
.
..
..
0 = det(C) = det
+ det
=
Ak + Al
Ak + Al
..
..
.
.
An
An
A1
A1
A1
A1
.
.
.
..
..
..
...

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

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

Ak
Al
Ak
Al
.
.
.
.
..
..
..
..
An
An
An
An
Temos entao que
0 = det(A) + det(B) det(B) = det(A).
Exerccio 63. Utilizando o corolario 3, mostre que se B, e obtida de

A permutando varias linhas de A entre si, entao
det(B) = (1)k det(A)
em que k e o numero de permutacoes realizadas.
Corolrio 4. Se a matriz B e obtida a partir da matriz A somando-se a
linha k um multiplo da linha l entao
det(B) = det(A).
Demonstracao. Suponhamos que

A1
A1
..
...
A
A
k
k
..
.
..
A = . , B =
.

Al
Al + Ak
.
..
..
.
An
An
Pelo teorema 8

A1
A1
.
...
..

A
A
k
k

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

Ak
Al
.
.
..
..
An
An
Com os tres corolarios provados acima, podemos utilizar o metodo

de escalonamento de Gauss-Jordan para calcular o determinante. O
metodo consiste de aplicar operacoes elementares ate que a matriz seja
triangular (inferior ou superior). A relacao entre o determinante original
e o determinante da matriz triangular (que pode ser facilmente calculado
pela proposicao 6), e encontrada utilizando os corolarios 2, 3 e 4.
Exemplo 54. Vamos calcular o determinante da matriz
1 1 0
A = 1 1 3
2 1 1
utilizando escalonamento. Para isso, vamos aplicar operacoes elementares ate que a matriz se torne triangular superior.
1 2
1 1 0
1 1 3
+
2 1 1 +
1 1 0
12
0 2 3
0 1 1
+
1 1 0
0 2 3 .
0 0 21
Como a ultima matriz e triangular, seu determinante e o produto dos

elementos da diagonal principal e portanto e igual a 1. Essa matriz
e obtida a partir de A somando a uma linha um multiplo de outra,

operacao que nao altera o determinante da matriz pelo corolario 4.
Logo podemos concluir que det(A) = 1.
0 1 1
A = 3 6 6
1 2 1
0 1 1
1
3 6 6
3
1 2 1
1
0
0
0
0
2
6
1
2
0
1
2
1
0
3
1
6
+
1
1
3
1
1
1 .
3

elementos da diagonal principal e portanto e igual a 1 1 (3) =
3. Essa matriz e obtida a partir de A somando a uma linha um
multiplo de outra, operacao que nao altera o determinante da matriz,
pelo corolario 4 e trocando duas linhas entre si, operacao que troca o
sinal do determinante, pelo corolario 3. Como sao feitas duas trocas de
linhas, podemos concluir que det(A) = (1) (1) (3) = 3.
0 1 1
A = 3 6 6
3 7 7
0 1 1 | 31
3 6 6
3 7 7
0
1
3
1
0
3
1
0
0
1
0
0
1
2
7
2
1
7
2
1
1
2
1
0
1
2
7
1
1
7
1
1
1
1
1
0
+
1

elementos da diagonal principal e portanto e igual a 1 1 0 = 0. Essa
matriz e obtida a partir de A, multiplicando uma das linhas por 13 ,
o que multiplica o determinante por 31 , pelo corolario 4; somando a
uma linha um multiplo de outra, operacao que nao altera o determinante
da matriz, pelo corolario 4; trocando duas linhas entre si, operacao que
troca o sinal do determinante, pelo corolario 3. Assim podemos concluir
que det(A) = (3) (1) 0 = 0.
Observac
ao 7.
1. Poderamos continuar o escalonamento ate que a
forma escalonada reduzida de A seja obtida e proceder de maneira
analoga, mas isso nao e necessario. Basta que a matriz esteja em
forma triangular para que o calculo do determinante seja possvel.
2. Com esse metodo, o numero de operacoes necessarias para calcular o determinante e de cerca de n3 , em que n e o tamanho da
matriz. Isso mostra que esse metodo e bem mais eficiente que
o anterior, em que o numero de operacoes crescia fatorialmente

com n.
4.3.2
Propriedades adicionais
Teorema 9. Para qualquer matriz A vale det(AT ) = det(A).

Exerccio 64. Prove o resultado acima utilizando inducao. Dica: faca
a expansao de det(A) pela primeira linha e de det(AT ) pela primeira coluna. Observe que as matrizes menores de AT sao iguais às transpostas
das matrizes menores de A.
Teorema 10. Se A e B sao duas matrizes n n quaisquer, entao
det(AB) = det(A) det(B).
A prova desse teorema requer alguns resultados que nao serao abordados nesse texto.
Exerccio 65. Utilizando o teorema 10, mostre que se A e uma matriz
invertvel entao

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

3. det A1 ;

4. det AT .
possvel calcular det(2A)?
E
Exerccio 67. Suponha que B seja uma matriz invertvel. Prove que
para qualquer matriz A vale

det B 1 AB = det(A).
4.4
Relac
ao entre determinantes, inversas
e sistemas lineares
Teorema 11. Uma matriz A n n e invertvel se, e somente se,

det(A) 6= 0.
Demonstracao. Esse resultado e uma consequencia dos teoremas 5
e 8 . Sabemos que ao aplicar uma operacao elementar a uma matriz,
temos tres opcoes:
1. Se uma linha da matriz e multiplicada por uma constante 6= 0,
o determinante da matriz e multiplicado pela mesma constante
;
2. Se trocamos duas linhas da matriz, o determinante troca de sinal;
3. Se somarmos a uma linha um multiplo de outra, o determinante
nao se altera.
Suponhamos entao que B e uma matriz obtida a partir de A atraves
de operacoes elementares. Entao det(B) = det(A), em que e uma
constante nao nula que depende das operacoes elementares aplicadas.
Isso quer dizer que det(B) sera zero se, e somente se, det(A) o for.
Seja R a forma escalonada reduzida de A. Temos duas opcoes para
R:
1. R = I. Nesse caso A e invertvel;
2. R possui uma linha de zeros. Nesse caso A nao possui inversa.
Como R e obtida de A atraves de operacoes elementares, det(R)

sera zero se, e somente se, det(A) o for. No caso em que R = I,
det(R) = 1 6= 0 e portanto det(A) 6= 0. Nesse caso A possui inversa.
No caso em que R possui uma linha de zeros, det(R) = 0 e portanto
det(A) = 0. Nesse caso A nao possui inversa.
Corolrio 5. Se det(A) 6= 0, o sistema AX = B possui solucao unica.
Demonstracao. Se det(A) 6= 0, A possui inversa e pelo teorema 6
sabemos que AX = B possui solucao unica.
Corolrio 6. O sistema homogeneo AX = 0 possui solucao nao trivial
se, e somente se, det(A) = 0.
Demonstracao. O sistema homogeneo AX = 0 possui solucao nao
trivial se, e somente se, A nao possui inversa, o que acontece se, e
somente se, det(A) = 0.
A tabela abaixo resume a relacao entre forma escalonada reduzida,
determinante, inversa e comportamento de sistemas lineares para matrizes quadradas.
R det(A)
6= I
=0
A1
AX = 0
AX = B
N
ao existe
Possui soluc
ao n
ao trivial
Possui infinitas soluc

oes
ou n
ao possui soluc
ao.
=I
6= 0
Existe
Possui apenas a soluc

ao trivial
Possui soluc
ao u
nica.
Exerccio 68. Mostre que se det(AB) = 0, ou A e singular ou B e

singular.
Exerccio 69. Seja A uma matriz invertvel tal que A2 = A. Calcule
det(A).
Exerccio 70. Seja A uma matriz tal que Ak = 0 para algum k N.
Mostre que A e uma matriz singular.
Observac
ao 8. Esse resultado mostra uma maneira de provar que uma
matriz nao e nilpotente: se seu determinante e diferente de zero, essa
matriz com certeza nao e nilpotente. ATENC

AO:
a recproca dessa
afirmacao nao e verdadeira, ou seja, o fato de que det(A) = 0 nao
implica que A seja nilpotente. Veja por exemplo a matriz

1 0
.
0 0
Exerccio 71. Suponhamos que A seja uma matriz tal que AT = A1 .
Verifique quais sao os possveis valores de det(A).
4.5
Utilizando o MATLAB
O comando det(A) calcula o determinante de uma matriz previamente

definida A.
Exerccio 72. Utilizando os comandos rand e det, calcule o determinante de varias matrizes quadradas de tamanhos diferentes. Depois de
varias tentativas, voce acha que e mais facil encontrar matrizes com o
determinante nulo ou nao nulo? Compare com o exerccio 58.
Aplicacoes de Sistemas Lineares
5.1
O Algoritmo Page Rank
Vivemos na era do computador. A Internet faz parte de nossas vidas

cotidianas e informacao sobre ABSOLUTAMENTE TUDO que voce
procura esta a apenas um clique de distancia. Basta abrir o seu buscador
favorito, como Google, AltaVista, Yahoo, digitar as palavras-chave, e o
buscador ira exibir as paginas relevantes para a sua pesquisa. Faca um
teste e pense nas mais variadas palavras; ao pesquisar cada palavra no
Google, e ALTAMENTE provavel que o que voce procura esteja em uma
das primeiras paginas relacionadas. Como e que um buscador desse tipo
realmente funciona?
primeira vista, parece razoavel imaginar que o que o buscador faz e
manter um ndice de todas as paginas da web, e quando um usuario digita uma consulta de pesquisa, o buscador navega atraves desse ndice
e conta as ocorrencias das palavras-chave em cada arquivo web. Os
vencedores sao as paginas com o maior numero de ocorrencias das
palavras-chave. Estes sao exibidas para o usuario, na ordem decrescente do numero de ocorrencias da palavra pesquisada.
Isto costumava ser a imagem correta no incio dos anos 90, quando
os buscadores usavam um sistema de ranking baseado em texto para
escolher al classificacao das paginas mais relevantes dada uma consulta.
Entretanto, ha uma serie de problemas com esta abordagem. Um termo

de pesquisa comum, como a Internet era problematico. A primeira
pagina exibida por um dos buscadores era uma pagina escrita em chines,
com repetidas ocorrencias da palavra Internet e que nao continha
nenhuma informacao relevante sobre a Internet.
Alem disso, suponha que voce queria encontrar alguma informacao
sobre a UFOP. Ao digitar a palavra UFOP, esperamos que www.ufop.b
seja a primeira pagina a aparecer na lista, ja que ela e a pagina mais
relevante para a nossa consulta. Contudo, pode haver milhoes de
paginas na web no mundo em que aparece a palavra UFOP e a pagina
www.ufop.br pode nao ser a pagina em que ela apareca mais vezes.
Suponha que decidimos escrever um web site que contem a palavra
UFOP um bilhao de vezes e nada mais. Entao nao faria sentido o
nosso web site para o primeiro exibido por um buscador. No entanto, se
tudo que o buscador faz e contar as ocorrencias de palavras na consulta
feita, este e exatamente o que poderia acontecer.
A utilidade de um buscador depende da relevancia do conjunto de resultados que ele fornece. Evidentemente, vao haver milhoes de paginas
da Web que incluem uma palavra ou frase especial; no entanto algumas
delas vao ser mais relevantes, populares, ou de autoridade do que outras. impraticavel que um usuario abra todas as paginas que contem as
palavras da consulta feita para verificar se aquela pagina e relevante..
Ele espera que as paginas relevantes serao exibidas dentro do top 20 a
30 paginas listadas pelo buscador.
Buscadores modernos empregam metodos de classificar os resultados para fornecer os melhoresresultados primeiro que sao bem mais
elaboradas do que classificacao utilizando apenas texto. Um dos algoritmos mais conhecidos e influentes para computar a relevancia das
paginas da Web e o algoritmo Page Rank usado pelo Google. Foi inventado por Larry Page e Sergey Brin enquanto eram estudantes de
pos-graduacao em Stanford, e tornou-se uma marca Google em 1998.
A nocao que Page Rank introduziu foi que a importancia de qualquer
pagina da web pode ser julgado ao olharmos para as paginas que apon-
tam para ela. Se criarmos uma pagina da web i e incluirmos um link para
a pagina web j, isto significa que nos consideramos j importante e relevante para o nosso tema. Se ha um monte de paginas que apontam para
j, isto significa que e a crenca comum de que a pagina j e importante.
Se, por outro lado, j tem apenas um backlink, mas isso vem de uma autoridade local k, (como www.google.com, www.cnn.com, www.ufop.br)
Que dizer que k transfere sua autoridade para j; Por outras palavras,
uma pagina importante k afirma que j e importante. Independentemente de considerarmos popularidade ou autoridade, podemos atribuir
uma classificacao a cada pagina web, com base no numero e na importancia das paginas que apontam para ela.
Para este objetivo, comecamos imaginando a rede web como um
grafo direcionado, com vertices representando paginas web e arestas
representando links entre elas.
Suponha, por exemplo, que temos uma pequena Internet composta

de apenas 4 paginas www.page1.com sites, www.page2.com, www.
www.page4.com, referenciando umas às outras da maneira sugerida
pela imagem :
Nos podemos traduzira imagem em um grafo direcionado com 4

vetices, um para cada pagina. Quando a pagina i referencia a pagina
j, nos adicionamos uma aresta dirigida de i para j. Depois de analisar
cada pagina da web, nos temos o seguinte grafo
Em nosso modelo, cada pagina deve transferir sua importancia uniformemente para as paginas relacionadas a ela. A pagina 1 tem 3 arestas
de sada, por isso vai passar 31 da sua importancia para cada uma das
outras 3 paginas. A pagina 3 tem apenas uma aresta de sada, por
isso vai passar toda sua importancia para a pagina 1. Em geral, se
um vertice tem k arestas de sada, ele vai passar k1 de sua importancia
para cada um dos vertices que ele referencia. Vamos visualizar melhor
o processo atribuindo pesos a cada aresta.
Denote por x1 , x2 , x3 e x4 a importancia das quatro paginas. Analisando a situacao em cada vertice temos o sistema:
x1 = 1 x3 + 21 x4
x2 = 13 x1
x3 = 31 x1 + 21 x1 + 12 x4
x4 = 13 x1 + 21 x2
cuja solucao e x2 = 23 x4 , x3 = 32 x4 , x1 = 2x4 . Como o valor exato de
cada xi nao interessa, o que importa e qual deles e maior, podemos fazer
x4 = 1 obtendo x4 = 1, x2 = 32 , x3 = 32 , x1 = 2. Assim conclumos que
em uma pesquisa as paginas apareceriam ordenadas da seguinte forma:
1. Pagina 1;
2. Pagina 3;
3. Pagina 4;
4. Pagina 2.
5.2
Circuitos El
etricos
O fluxo da corrente num circuito eletrico e governado por tres princpios

basicos:
1. A lei do Ohm: A diferenca de potencial atraves de um resistor

e o produto da corrente que passa por ele e a resistencia, ou seja,
V = Ri.
2. A Lei de Corrente de Kirchhoff: A soma algebrica das correntes fluindo para dentro de qualquer ponto de um circuito eletrico
e igual à soma algebrica das correntes fluindo para fora do ponto.
3. A Lei de Voltagem de Kirchhoff: Em torno de qualquer circuito fechado (tambem chamado de malha), a soma algebrica das
diferencas de potencial e zero.
Utilizando os tres princpios acima, podemos encontrar o valor da
corrente que passa em cada parte do circuito utilizando sistemas
lineares.
Exemplo 57. Encontre as correntes i1 , i2 e i3 no circuito abaixo.
As direcoes dos fluxos para as correntes i1 , i2 e i3 (marcadas por

flechas) foram tomadas arbitrariamente. Se alguma destas correntes for
negativa e por que, na realidade, flui no sentido oposto ao selecionado.
Aplicando a Lei de Corrente de Kirchhoff aos pontos A e B, obtemos
o sistema:
i1 = i2 + i3 .
Precisamos de mais duas equacoes para determinar unicamente i1 , i2
e i3 . Estas equacoes serao obtidas com a Lei de Voltagem de Kirchhoff.
Para aplicar a Lei de Voltagem de Kirchhoff a um circuito fechado,
selecione um sentido positivo em torno do circuito (digamos, sentido
horario) e faca a seguinte convencao de sinais: uma corrente passando
por um resistor produz uma diferenca de potencial positiva se flui no
sentido positivo do circuito e uma diferenca de potencial negativa se
flui no sentido negativo do circuito.
Aplicando a Lei de Voltagem de Kirchhoff e a Lei de Ohm à malha
interna 1 e 2 da figura, obtemos respectivamente
7i1 + 3i3 30 = 0
11i2 3i3 50 = 0.
Combinando estas equacoes obtemos o
i1 i2 i3
7i1
+ 3i3
11i2 3i3
sistema linear:
= 0
= 30
= 50.
cuja solucao e
570
590
20
, i2 =
, i3 =
.
131
131
131
Observe que i3 e negativo, o que significa que esta corrente flui no
sentido oposto ao indicado na figura.
i1 =
5.3
Balanceamento de Reac
oes Qumicas
Numa equacao qumica e sempre importante verificar se o numero de

atomos de cada elemento e o mesmo em ambos os lados da equacao,
ou seja, se ela esta balanceada. Os numeros que colocamos antes dos
smbolos sao denominados coeficientes estequiometricos . Esses coeficientes devem ser os menores inteiros possveis, pois nao da para imaginar
12 molecula de algum elemento qumico. Note que nunca havera uma
unica equacao balanceada para uma reacao, ja que todo multiplo inteiro positivo de uma equacao balanceada sera tambem uma equacao
balanceada. Assim, usualmente procuramos a equacao balanceada mais
simples para uma reacao. Para isso vamos analisar a combustao da gasolina. A gasolina e uma mistura de elementos qumicos chamados
hidrocarbonetos, mas o composto predominante e o f g h g , a combustao completa da gasolina acontece quando reage com o gas oxigenio
resultando em gas carbonico e agua, entao,
C8 H18 + O2 CO2 + H2 O.
Agora, precisamos balancear a equacao, e para isso vamos utilizar sistemas de equacoes lineares. Chamando as quantidades de cada molecula
da formula de x, y, w e z, temos:
xC8 H18 + yO2 wCO2 + zH2 O.
Agora precisamos analisar quantos atomos de cada elemento qumico

temos de um lado e do outro da equacao. Esses numeros tem que ser
os mesmos para todos os elementos! Para os atomos de carbono:
8x = w.
Para os atomos de hidrogenio:
18x = 2z 9x = z.
Para os atomos de oxigenio:
2y = 2w + z.
Obtemos entao o seguinte sistema de equacoes lineares:
w = 0
8x
9x
z
= 0
2y z 2w = 0.
Note que temos 3 equacoes e 4 variaveis, o que implica que o sistema e
possvel e indeterminado, ou seja, admite infinitas solucoes. Resolvendo
o sistema obtemos:
1
25
9
x = w, y = w, z = w, w R.
8
16
8
Para a solucao mais simples os coeficientes estequiometricos devem ser
os menores inteiros que satisfazem todas as equacoes portanto, temos
que
x = 2, y = 25, z = 18ew = 16
e a solucao da equacao e, consequentemente, a equacao balanceada e:
2C8 H18 + 25O2 16CO2 + 18H2 O.
5.4
Tr
ansito
Durante o dia e facil observar que ha varios fluxos de veculos em determinados pontos da cidade.
Vejamos um exemplo. Suponha que uma determinada cidade tem
dois conjuntos de ruas de mao unica que se cruzam como mostra a
figura abaixo:
Queremos determinar a media do numero de veculos por hora que

entram e saem dessa secao durante o horario do rush. Para tanto
necessitamos determinar a quantidade de veculos entre cada um dos
quatro cruzamentos. Observando que o numero de entrada de veculos
e igual ao numero de sada e que o fluxo tem o mesmo sentido das setas
indicadas na figura, obtemos:

360 + x = 488 + y, Cruzamento A
416 + y = 384 z, Cruzamento B
312 + z = 480 + t, Cruzamento C
512 + t = 248 + x. Cruzamento D
A solucao desse sistema e
x = 264 + t, y = 136 + t, z = 168 + t, t N.
Sabendo o valor de t, que pode por exemplo ser medido atraves de
radares ou outros mecanismos semelhantes, conseguimos encontrar o
numero de carros entre cada trecho da malha viaria.
Provas anteriores
7 de abril de 2011
1. (1 pt) Seja A uma matriz 4 4 tal que det(A) = 2. Seja B a
matriz obtida de A seguindo a seguinte sequencia de operacoes
elementares:
Somar `
a linha 1 duas vezes a linha 2;
Multiplicar a linha 3 por -2;
Trocar a linha 1 com a linha 2;
Multiplicar a matriz inteira por -1.
Responda:
a) Qual e o valor de det(B)?
1 0 0 0
3 2 0 0
b) Calcule det(BC 1 B T ) em que C =

4 1 5 0 .
1 1 2 8
2. (1 pt) Dado o sistema abaixo, em que a e b sao numeros reais

x + y + 2z = 3
2x + 2y + 4z = 2a
4x + 4y + 8z = 4b
a) determine os valores de a e b para que o sistema possua alguma
solucao.
b) possvel que o sistema possua solucao unica?
3. (1pt) a) Mostre que a matriz abaixo e invertvel independente do
valor do escalar a
1
0 2
1
1 0 .
5a + 10 0 5a
b) Calcule a inversa para a = 2.
c) Resolva o sistema AX = 0 para a = 2.
9 de dezembro de 2010
1. (1 pt)
a) Mostre que a matriz abaixo e invertvel independente do valor
do escalar a
1
0 2
1
1 0 .
2a + 4 0 4a
b) Calcule a inversa para
1
2. (1 pt) Seja A = 0
1
real.
a = 2.
0
1
1
0 , em que e uma constante
0 1
a) Encontre os valores de para os quais o sistema AX = B

possui solucao unica, em que B e uma matriz 3 1 qualquer.
b) Resolva o sistema AX = 0 para = 2.
3
c) Resolva o sistema AT X = 2 para = 1.
1
3. (1,2 pt) Seja A uma matriz 3 3 tal que detA = 2. Seja B a
elementares:
Somar `
Trocar a linha 1 com a linha 2.
Responda:
a) Qual e o valor de det(B)?
1 0 0 0
3 2 0 0
b) Calcule det(BC 1 B T ) em que C =

4 1 5 0 .
1 1 2 18
09 de setembro de 2010
Respostas sem justificativa nao serao consideradas!
1. (1 pt) Dado o sistema abaixo, em que a e b sao numeros reais
x + 3y + 4z = 3
2x + 6y + 8z = a
4x + 12y + 24z = b
Calcule os valores de a e b para que o sistema acima possua
alguma solucao. possvel que o sistema tenha solucao unica?
2. (1 pt) Seja
x2 2 x
A = 3 1 1 .
0 1 0
Determine os valores de x para os quais a matriz A e invertvel.

Calcule a inversa para x = 1.
3. (1pt)
Sejam as matrizes

A=
1 2
2 4
1 0 1
, B = 1 0 1 , C =
0 1 0
2 4
0
0
0
0
3
7
0
0
0
40
5
8
8
6 1
0 5
0
0
Em que e um numero real.

a) Calcule o determinante das matrizes acima.
b) Quais dos sistemas AX = 0 e BX = 0 possuem solucao nao
trivial?
c) Para que valores de a matriz D e invertvel?
4. (0.5 pt) V ou F
a) Seja uma constante qualquer. det(A) = det(A) para
toda matriz A.
b) (AB 1 A1 )T = (AT )1 (B T )1 AT
1. (1 pt) Dado o sistema abaixo, em que a e um numero real
x+y+z
=
3
2x + 3y + 2z
=
5
2
x + y + (a 8)z = a + 6
determine os valores de a para que o sistema

a) possua solucao unica;
b) possua infinitas solucoes;
c) nao possua solucao.
2. (1 pt) Seja
x2 x 2
A = 3 1 1 .
0 1 0

3. (1pt)
Sejam as matrizes

A=
1 2
2 4
1 0 1
, B = 1 0 1 , C =
0 1 0
2 4
0
0
0
0
3
7
0
0
0
40
5
8
8
6 1
0 5
0
0

trivial?
4. (0.5 pt) V ou F
a) det(A) = det(A) para toda matriz A.
b) (A + B)(A B) = A2 B 2 .
1. (1,2 pt) a) Seja
1
0 1
1 0 .
A= 1
5a + 4 0 5a
a) Mostre que a matriz acima e invertvel para qualquer valor de

a.
2. (1,2 pt) Seja
1 0 1
1
0 ,
A= 0
1 0 1
em que e uma constante real.
a) Encontre os valores de para os quais o sistema acima possui
solucao unica.
b) Faca = 0 e encontre os valores de a e b para os quais o
sistema AX = B possui infinitas solucoes, sendo

1
B = a .
b
elementares:
Somar `
Responda:
a) Qual e o valor de detB?
1 0 0
15 3 0
b) Seja C =
2 1 6
0 3 1
0
0
. Calcule det(BC) e det(B 1 C 1
0
1
1. (1 pt) Dado o sistema abaixo, em que a e um numero real
x+y+z
=
3
2x + 3y + 2z
=
5
2
x + y + (a 8)z = a + 6
determine os valores de a para que o sistema
a) possua solucao unica;
b) possua infinitas solucoes;
c) nao possua solucao.
2. (1 pt) Seja
x2 x 2
A = 3 1 1 .
0 1 0
3. (1pt)
Sejam as matrizes

1 0 1
1 2
A=
, B = 1 1 1 , C =
2 1
2 1 0
2 4
0
0
0
0
3
7
0
0
0
40
5
8
8
6 1
0 2
0
0

trivial?
4. (0.5 pt) V ou F
a) det(A) = det(A) para toda matriz A.
b) (A + B)(A B) = A2 B 2 .
1. (1,2) a) Seja
1
0 1
1 0 .
A= 1
5a + 4 0 5a
a) Mostre que a matriz acima e invertvel para qualquer valor de
a.
2. (1,2) Seja
1 0 1
1
0 ,
A= 0
1 0 1
em que e uma constante real.
a) Encontre os valores de para os quais o sistema acima possui
solucao unica.
b) Faca = 0 e encontre os valores de a e b para os quais o

sistema AX = B possui infinitas solucoes, sendo

1
B = a .
b
elementares:
Somar `
Responda:
a) qual e o valor de detB?
1 0 0
15 3 0
b)Seja C =
2 1 6
0 3 1
0
0
. Calcule det(BC) e det(B 1 C 1 B
0
1
Espacos Vetoriais
Em varios conjuntos podemos definir uma operacao envolvendo os elementos do proprio conjunto, que chamaremos genericamente de soma,
e uma operacao envolvendo elementos do conjunto e numeros reais,
que chamaremos de multiplicacao por escalar. Quando essas operacoes
satisfazem um conjunto de propriedades importantes para sua utilidade
na descricao de problemas reais, dizemos que esse conjunto e um espaco
vetorial sobre R.
A nocao de espaco vetorial e extremamente geral e pode ser aplicada
a situacoes totalmente diferentes, em que a unica coisa em comum e a
existencia das operacoes mencionadas. A generalidade com que espacos
vetoriais sao definidos nos leva a uma teoria bastante abstrata, mas e
justamente essa abstracao que possibilita o tratamento simultaneo de
objetos de natureza tao distinta.
Apesar da generalidade com que pretendemos tratar o assunto, devemos sempre nos lembrar dos espacos vetoriais R2 e R3 onde toda a
a teoria pode ser traduzida de maneira geometrica, fazendo com que
todos os resultados enunciados possam ser compreendidos de maneira
intuitiva. Vamos sempre trabalhar com as duas abordagens: a abordagem algebrica e abstrata, que pode ser aplicada igualmente a todos
os espacos vetoriais, e a abordagem geometrica que possibilita a vizualizacao dos conceitos da algebra linear nos espacos R2 e R3 .
6.1
Definic
ao e Propriedades
Definic
ao 6. Um espaco vetorial V sobre R e um conjunto de vetores
~v munido de uma soma vetorial
+ : V V V
(~u, ~v ) 7 ~u + ~v
e de um produto por escalar
: R V V
(, ~u) 7 ~u
tais que para todos ~u, ~v , w
~ V e , R temos
1. (Associatividade) ~u + (~v + w)
~ = (~u + ~v ) + w;
~
2. (Comutatividade) ~u + ~v = ~v + ~u;
3. (Existencia de zero) Existe um vetor 0 V tal que ~u + 0 = ~u;
4. (Existencia de inverso aditivo) Dado ~u V existe vetor ~u V
tal que ~u + (~u) = 0;
5. (Associatividade) (~u) = ()~u;
6. (Distributividade) (~u + ~v ) = ~u + ~v ;
7. (Distributividade) ( + )~u = ~u + ~u;
8. 1~u = ~u.
Exemplo 58 (Rn e um espaco vetorial sobre R). Rn e o conjunto das
n-uplas ordenadas (x1 , . . . , xn ), xi R. Podemos definir a soma e
produto por escalar, respectivamente, por
(x1 , . . . , xn ) + (y1 , . . . , yn ) = (x1 + y1 , . . . , xn + yn )
(x1 , . . . , xn ) = (x1 , . . . , xn ).
Sera util posteriormente identificar vetores em Rn e matrizes coluna
n 1:

x1
(x1 , . . . , xn ) ... .
xn
Exemplo 59 (O conjunto dos polinomios e um espaco vetorial sobre
R). Seja
P = {an xn + an1 xn1 + . . . + a1 x + a0 ; ai R}
o conjunto de todos os polinomios com coeficientes em R. Esse conjunto e um espaco vetorial com a soma
(an xn + an1 xn1 + . . . + a1 x + a0 ) + (bn xn + bn1 xn1 + . . . + b1 x +
= (an + bn )xn + (an1 + bn1 )xn1 + . . . + (a1 + b1 )x + (a0 +
e o produto por escalar

an xn + an1 xn1 + . . . + a1 x + a0 = (an )xn +(an1 )xn1 +. . .+(
Exemplo 60 (O conjunto das matrizes m n e um espaco vetorial
sobre R). Seja Mmn o conjunto de todas as matrizes m n. Esse
conjunto e um espaco vetorial com a soma de matrizes e produto de
matriz por escalar usuais.
Exemplo 61 (O conjunto de solucoes de um sistema homogeneo e um
espaco vetorial sobre R). De acordo com o teorema 4, se X1 e X2 sao
solucoes do sistema AX = 0, valem as seguintes propriedades:
1. X3 = X1 + X2 tambem e solucao de AX = 0;
2. X4 = X1 tambem e solucao de AX = 0 para qualquer R.
Esse espaco vetorial e chamado espaco nulo da matriz A.
Exemplo 62 (O conjunto das funcoes e um espaco vetorial sobre R).

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

nao nulos e um espaco vetorial sobre R com a soma definida por
x y = xy
e o produto por escalar definido por
x = x .
Qual e o vetor nulo desse espaco vetorial?
O exemplo 65 e o exerccio 74 mostram que a definicao de espaco
vetorial nao depende apenas do conjunto V , depende do conjunto e
tambem das operacoes de soma e multiplicacao definidas nesse conjunto.
6.2
A geometria dos espacos vetoriais R2

e R3
Os espacos vetorias R2 e R3 se destacam entre os exemplos mencionados

anteriormente por varios motivos. Eles sao os espacos vetoriais ustilizados para representar posicao, velocidade, aceleracao e por isso aparecem
sempre na descricao de sistemas fsicos. Alem disso, as operacoes de
soma e multiplicacao por escalar nos espacos vetoriais R2 e R3 podem
ser representados geometricamente, o que faz com que eles sejam importantes tambem do ponto de vista pedagogico.
Em R2 cada vetor ~u = (x, y) e representado por um segmeto orientado que liga à origem do plano cartesiano ao ponto com coordenadas
(x, y). A figura abaixo mostra a representacao geometrica do vetor
~u = (3, 4) R2 .
Em R3 cada vetor ~u = (x, y, z) e representado por um segmento

orientado que liga à origem do plano cartesiano ao ponto com coordenadas (x, y, z). A figura abaixo mostra a representacao geometrica do
vetor ~u = (3, 4, 4) R3 .
A soma de dois vetores tambem pode ser representada geometricamente. Dados dois vetores ~u e ~v , sua soma e igual ao vetor obtido da
seguinte forma: tomamos o segmento orientado que representa ~u; em

seguida, tomamos o segmento orientado que representa ~v com origem
na extremidade de ~u; o vetor ~u + ~v e representado pelo segmento oriendado que vai da origem ate a extremidade de ~v . A soma dos vetores
~u = (3, 4) e ~v = (6, 2) e ilustrada na figura abaixo.
A multiplicacao de um vetor por um escalar tambem pode ser representada geometricamente. Dado um vetor ~v R2 e R, o vetor ~v
e encontrado da seguinte forma: se = 0 entao ~v = 0; caso contrario,
~v tem comprimento || vezes o comprimento de ~v e mesma direcao
de ~v (dizemos que eles sao paralelos); ~v tem o mesmo sentido de ~v
se > 0 e sentido oposto se < 0. A figura abaixo ilustra os vetores
~v = (3, 4), 2~v , ~v2 , ~v , 2~v , ~v2 .
Em R3 a soma e a multiplicacao por escalar podem ser representadas

de maneira analoga. A figura abaixo mostra a soma dos vetores (3, 4, 4)
e (2, 2, 1) que resulta no vetor (5, 6, 5).
A figura abaixo mostra o vetor ~u = (3, 4, 4) (preto), assim como seus

multiplos ~u2 (rosa), 2~u (verde), ~u (roxo), ~u2 (azul) e 2~u (amarelo).
6.3
Subespacos Vetoriais
Definic
ao 7. Um subespaco vetorial S do espaco vetorial V e um subconjunto de V que e, ele mesmo, um espaco vetorial com as operacoes
de soma e multiplicacao por escalar definidas em V . Para isso, precisamos que as seguintes propriedades sejam satisfeitas:
1. ~x + ~y S para todo par ~x e ~y S;
2. ~x S para todo C e todo ~x S.
Quando S e um subespaco vetorial de V , podemos eliminar todos os
elementos de V fora de S e continuaremos com um espaco vetorial com
as mesmas operacoes. Essa e uma restricao muito forte: pouqussimos
subconjuntos de V possuem essa propriedade.
Para verificar se S e um subespaco vetorial de V nao e necessario

verificar a validade das oito propriedades enunciadas na definicao 6. Essas propriedades sao validas automaticamente pelo fato de que V e um
espaco vetorial e S V . O que devemos verificar e se as operacoes de
soma e multiplicacao por escalar preservam S: ao somar dois elementos
de S devemos permanecer em Se ao multiplicar um elementos de S por
um escalar devemos permanecer em S.
Exemplo 66. Considere em R2 o conjunto de vetores cujas extremidades pertencem ao conjunto S ilustrado abaixo.
Observe que ao somar dois vetores de S o resultado pode estar fora

de S. Isso quer dizer que S nao e um subespaco de R2 .
Exemplo 67. Considere em R2 o conjunto de vetores cujas extremidades pertencem à reta S ilustrada abaixo.

Observe que ao somar dois vetores de S o resultado esta sempre em

S. O mesmo acontece com a multiplicacao por escalar. Isso quer dizer
que S e um subespaco de R2 .
Exemplo 70. Considere em R3 o conjunto de vetores cujas extremidades pertencem ao plano S ilustrado abaixo.

Exemplo 71. Considere em R3 o conjunto de vetores cujas extremidades pertencem ao plano S ilustrado abaixo.

Observac
ao 9. Os desenhos acima foram gerados utilizando o software
livre Geogebra. Para instalar o programa basta acessar o site. Voces podem encontrar os arquivos .ggb que geraram os desenhos apresentados
na apostila no site.
Exemplo 72. Em R2 , os subespacos correspondem a retas passando
pela origem. Em R3 , os subespacos correspondem a retas passando
pera origem ou planos passando pela origem.
Exemplo 73. O subconjunto
S = {(t, 0, . . . , 0) Rn ; t R}
e um subespaco vetorial de Rn .
Solucao. Nos exemplos anteriores, utilizamos a geometria de R2 e R3

para entender se o subconjunto S e ou nao um subespaco vetorial. Em
espacos vetoriais mais gerais, em que a geometria nao esta disponvel,
devemos utilizar a algebra para fazer essa verificacao.
A solucao de um problema como esse passa sempre por tres passos.
O primeiro deles e verificar qual e a propriedade que define o subconjunto
S. Nesse exemplo, o subconjunto S e o conjunto de todos os vetores de
Rn que possuem todas as coordenadas iguais a zero a partir da segunda.
A primeira coordenada pode assumir qualquer valor.
O segundo passo e verificar se a soma de quaisquer elementos de
S permanece em S. Suponhamos entao que ~x e ~y S, entao ~x =
(t1 , 0, . . . , 0) e ~y = (t2 , 0, . . . , 0) com t1 e t2 R. Assim
~x + ~y = (t1 + t2 , 0, . . . , 0)
tambem pertence a S.
O terceiro passo e verificar se a multiplicacao de elementos de S por
constante permanece em S. Tomando ~x = (t1 , 0, . . . , 0) S qualquer
e R temos
~x = (t, 0, . . . , 0)
que tambem pertence a S. Como as propriedades 1 e 2 sao satisfeitas,
S e um subespaco de Rn .
Observe que em R2 e R3 esse subespaco corresponde aos vetores
sobre o eixo x e portanto S e uma reta passando pela origem, o que
coincide com o que ja havamos visto anteriormente utilizando a geometria desses espacos.
Exemplo 74. O subconjunto

S = {f CR [0, 1]; f (0) = 0}.
e um subespaco vetorial de CR [0, 1].
Solucao. O subconjunto S e o conjunto de todas as funcoes
f : [0, 1] R
que se anulam na origem.

Para mostrar que S e um subespaco, devemos mostrar que a soma
de duas funcoes em S permanece em S e que a multiplicacao de uma
funcao em S por um escalar permanece em S. Suponhamos entao que
f, g S. Isso implica que f (0) = 0 e que g(0) = 0. Entao
(f + g) (0) = f (0) + g(0) = 0 + 0 = 0
(f ) (0) = f (0) = 0 = 0.
logo f + g S e f S e as propriedades 1 e 2 sao satisfeitas.
podemos concluir entao que S e um subespaco de CR [0, 1].
Exemplo 75. Seja CR [0, 1] o conjunto formado pelas funcoes contnuas
do intervalo [0, 1] com valores em R. A soma de duas funcoes contnuas
e o produto de uma funcao contnua por escalar resultam tambem
em uma funcao contnua. Logo CR [0, 1] e um subespaco vetorial de
FR [0, 1].
Exemplo 76. Considere o subconjunto
S = {(1, t) R2 ; t R}.
O subconjunto S nao e um subespaco vetorial de R2 . De fato, temos
que (1, 1) pertence à S, mas 2 (1, 1) = (2, 2) nao pertence a S.
Observe que S e uma reta que nao passa pela origem, o que coincide
com o que ja havamos visto anteriormente utilizando a geometria desses
espacos.
Exemplo 77. Considere o subconjunto
S = {f CR [0, 1]; f (1) = 1}.
O subconjunto S nao e um subespaco vetorial de CR [0, 1]. De fato
f (x) = x S e g(x) = x2 S, mas f (x) + g(x) = x + x2
/ S.
Exemplo 78. Seja A uma matriz m n. O conjunto de solucoes do

sistema AX = 0 e um subespaco do conjunto de matrizes m 1, como
mostra o teorema 4. Observe que com a identificacao

x1
(x1 , . . . , xn ) ...
xn
esse conjunto tambem pode ser visto como um subespaco de Rn .
Exerccio 75. Mostre que o subconjunto
S = {f CR [0, 1]; f (0) = f (1) = 0}.
e um subespaco vetorial de CR [0, 1].
Exerccio 76. Mostre que o conjunto das matrizes 3 3 triangulares
inferiores e um subespaco vetorial de M33 .
Exerccio 77. Verifique quais sao, dentre os subconjuntos de R3 abaixo,
quais sao subespacos vetoriais.
1. O subconjunto de vetores que possuem primeira coordenada igual
a zero;
2. O subconjunto de vetores que possuem primeira coordenada igual
a 1;
3. O subconjunto de vetores (x, y, z) tais que xy = 0;
4. O subconjunto de vetores (x, y, z) tais que z y + 3x = 0.
Exerccio 78.

1
1. A =
0

0
2. A =
1
Descreva o espaco nulo das matrizes abaixo

1
;
0

0 3
;
2 3

0 0
.
3. A =
0 0
Exerccio 79.TSe S1 e S2 sao subespacos de um espaco vetorial V ,
mostre que
S S1 S2 tambem e um subespaco de V . O mesmo acontece
com S1 S2 ?
Exerccio 80. Mostre que se um subespaco de M22 contem as matrizes

1 0
0 0
A=
, B=
0 0
0 1
entao esse subespaco tambem deve conter a matriz identidade.
6.4
Combinac
oes Lineares
Um espaco vetorial e um conjunto onde os elementos podem ser combinados livremente atraves da soma e da multiplicacao por escalar.
Definic
ao 8. Dizemos que ~v e uma combinacao linear de u~1 , . . . , u~k se
existem constantes a1 , . . . , ak tais que
~v = a1 u~1 + . . . + ak u~k .
Com essa definicao, podemos dizer que um espaco vetorial e um
conjunto no qual podemos fazer combinacoes lineares.
Exemplo 79. O vetor (7, 2, 9) R3 e uma combinacao linear dos
vetores (2, 1, 3) e (1, 0, 1) porque
(7, 2, 9) = 2(2, 1, 3) + 3(1, 0, 1).
Exemplo 80. No espaco vetorial P, todo polinomio de grau 2 e combinacao linear dos polinomios {1, x, x2 }, uma vez que qualquer polinomio de grau 2 pode ser escrito na forma
p(x) = a2 x2 + a1 x1 + a0 = a2 x2 + a1 x1 + a0 1.
De maneira geral, fixado n N, qualquer polinomio de grau n e uma
combinacao linear dos polinomios {1, x, x2 , . . . , xn }.
Exemplo 81. O vetor nulo 0 e sempre combinacao linear de qualquer

conjunto de vetores v~1 , . . . , v~k . De fato,
0 = 0v~1 + . . . + 0v~k .
Exemplo 82. Considere os vetores e~1 = (1, 0, 0), e~2 = (0, 1, 0) e e~3 =
(0, 0, 1). Qualquer vetor em R3 e combinacao linear desses tres vetores.
De fato, dado ~v = (a1 , a2 , a3 ) podemos escrever
(a1 , a2 , a3 ) = (a1 , 0, 0) + (0, a2 , 0) + (0, 0, a3 )
= a1 (1, 0, 0) + a2 (0, 1, 0) + a3 (0, 0, 1)
= a1 e~1 + a2 e~2 + a3 e~3 .
De maneira geral, qualquer vetor de Rn pode ser escrito como uma

combinacao linear dos vetores e~1 = (1, 0, . . . , 0), e~2 = (0, 1, . . . , 0), . . . , e~
(0, 0, . . . , 1)
Exemplo 83. Se um vetor ~v e combinacao linear de um vetor ~u entao
~v = ~u
ou seja, ~v e multiplo de ~u.
Vejamos agora em detalhes o que acontece quando V = Rn .
Exemplo 84. Considere os vetores u~1 = (1, 0, 0) e u~2 = (1, 1, 0). O
vetor ~v = (4, 2, 0) e combinacao linear de u~1 e u~2 . Para provar esse fato,
suponhamos inicialmente que ~v possa ser escrito como combinacao de
u~1 e u~2 . Isso quer dizer que existem a1 , a2 R tais que
~v = a1 u~1 + a2 u~2
(4, 2, 0) = a1 (1, 0, 0) + a2 (1, 1, 0)
(6.1)
Utilizando a identificacao entre vetores de Rn e matrizes coluna, podemos escrever

4
1
1
a1 + a2
1 1
2 = a1 0 + a2 1 = a2 = 0 1 a1 .
a2
0
0
0
0
0 0
Para encontrar as constantes a1 e a2 devemos entao resolver o sistema

de tres equacoes e duas incognitas

4
1 1
a
1
0 1
= 2 .
a2
0
0 0
Esse sistema possui solucao unica a1 = 2 e a2 = 2. Logo ~v e combinacao
de u~1 e u~2 . De fato,
(4, 2, 0) = 2(1, 0, 0) + 2(1, 1, 0).
Exemplo 85. Considere os vetores u~1 = (1, 0, 0) e u~2 = (1, 1, 0). O
vetor ~v = (1, 2, 1) nao e combinacao linear de u~1 e u~2 . Para provar esse fato, suponhamos inicialmente que ~v possa ser escrito como
combinacao de u~1 e u~2 . Isso quer dizer que existem a1 , a2 R tais que
~v = a1 u~1 + a2 u~2
(1, 2, 1) = a1 (1, 0, 0) + a2 (1, 1, 0)
Utilizando a identificacao entre vetores de Rn e matrizes coluna, podemos escrever

1
1
1
a1 + a2
1 1
2 = a1 0 + a2 1 = a2 = 0 1 a1 .
a2
1
0
0
0
0 0
Para encontrar as constantes a1 e a2 devemos entao resolver o sistema
de tres equacoes e duas incognitas
1
1 1
a
1
0 1
= 2 .
a2
0 0
1
Esse sistema nao possui solucao, uma vez que a ultima equacao equivale
a 0 = 1.
De fato, qualquer combinacao linear desses vetores e da forma
a1 (1, 0, 0) + a2 (1, 1, 0) = (a1 + a2 , a2 , 0)
que nunca pode ser igual ao vetor (1, 2, 1).
De maneira geral, dados vetores u~1 , . . . , u~m Rn , um vetor ~v sera

combinacao linear de u~1 , . . . , u~m se existirem constantes a1 , . . . , am tais
que
~v = a1 u~1 + . . . + am u~m .
Utilizando a identificacao entre vetores de Rn e matrizes coluna, podemos escrever essa equacao na forma
AX = B
em que A e a matriz n m cujas colunas sao dadas pelos vetores
u~1 , . . . , u~m , X e a matriz de incognitas a1 , a2 , . . . , an e B e a matriz
coluna correspondente a ~v .
Teorema 12. Seja A uma matriz nm e B uma matriz n1. O vetor
B e combinacao linear das colunas de A se, e somente se, o sistema
AX = B possui solucao. A solucao do sistema X fornece as constantes
utilizadas na combinacao linear.
Exemplo 86. Verifique se o vetor (2, 3, 4) e combinacao linear de
(1, 0, 2) e (0, 1, 0).
Solucao. Devemos resolver o sistema linear AX = B em que

2
1 0
a1
A= 0 1 , X=
e B = 3 .
a2
2 0
4
Esse sistema possui solucao unica a1 = 2 e a2 = 3. De fato,
(2, 3, 4) = 2(1, 0, 2) + 3(0, 1, 0).
Exemplo 87. Verifique se o vetor (2, 3, 4) e combinacao linear de

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

1 0
2
a1
e B = 3 .
A= 0 1 , X=
a2
0 0
4
Esse sistema nao possui solucao e portanto o vetor (2, 3, 0) nao e combinacao linear de (1, 0, 2) e (0, 1, 0). De fato, qualquer combinacao
linear desses vetores e da forma
a1 (1, 0, 0) + a2 (0, 1, 0) = (a1 , a2 , 0)
que nunca pode ser igual ao vetor (2, 3, 4).
Exerccio 81. Verifique se o vetor ~v e combinacao linear dos vetores
u~1 , . . . , u~n dados abaixo. Em caso afirmativo, encontre a combinacao
linear desses vetores que gera ~v .
1. ~v = (1, 1); u~1 = (1, 0);
2. ~v = (2, 2); u~1 = (1, 1);
3. ~v = (2, 3); u~1 = (1, 0), u~2 = (0, 1);
4. ~v = (2, 3); u~1 = (1, 0), u~2 = (1, 1);
5. ~v = (1, 1, 1); u~1 = (1, 0, 0), u~2 = (0, 1, 0);
6. ~v = (2, 2, 2); u~1 = (1, 0, 1), u~2 = (0, 1, 0);
7. ~v = (2, 2, 2); u~1 = (1, 0, 1), u~2 = (0, 1, 0), u~3 = (1, 1, 1);
8. ~v = (2, 3, 1); u~1 = (1, 0, 0), u~2 = (0, 1, 0), u~3 = (0, 0, 1);
9. ~v = (2, 3, 1); u~1 = (1, 1, 0), u~2 = (0, 1, 0), u~3 = (0, 1, 1);
10. ~v = (2, 3, 1, 1); u~1 = (1, 0, 0, 0), u~2 = (0, 1, 0, 0), u~3 = (0, 0, 1, 0)
11. ~v = (2, 3, 1, 1); u~1 = (1, 0, 0, 0), u~2 = (0, 1, 0, 0), u~3 = (0, 0, 1, 0)
(0, 0, 0, 1);
12. ~v = (2, 3, 1, 1); u~1 = (1, 1, 0, 0), u~2 = (0, 1, 0, 0), u~3 = (0, 0, 1, 0)
(0, 0, 1, 1);
13. ~v = (2, 3, 1, 1); u~1 = (1, 1, 0, 0), u~2 = (0, 1, 0, 0), u~3 = (0, 0, 1, 0)
(0, 0, 1, 1), u~5 = (1, 1, 1, 1).
Observac
ao 10. Cada item do exerccio anterior leva a um sistema
linear. Resolva os sistemas com o auxlio de um computador.
Queremos encontrar condicoes que informem se dentre um conjunto
de vetores, algum deles pode ser escrito como combinacao linear dos
outros. Para isso definimos a nocao de dependencia linear.
Definic
ao 9. Dizemos que um conjunto de vetores {u~1 , . . . , u~k } V
e linearmente independente (LI) se a equacao
a1 u~1 + + ak u~k = 0
so admite a solucao trivial a1 = . . . = ak = 0, ou seja, se a unica
combinacao linear dos vetores que gera o vetor nulo e aquela em que
todas as constantes sao nulas.
Caso contrario, dizemos que os vetores sao linearmente dependentes
(LD). Um conjunto de vetores e LD se existe uma combinacao linear
deles que gera o vetor nulo em que pelo menos uma das constantes e
nao-nula.
Exemplo 88. Um conjunto de vetores que contem o vetor nulo e sempre
LD. De fato, tomando o conjunto {u~1 , . . . , u~k , 0} podemos escrever a
combinacao linear
0 u~1 + + 0 u~k + 1 0 = 0.
Temos entao uma combinacao linear dos vetores que gera o vetor nulo
em que a ultima constante utilizada e diferente de zero. Isso implica
que esses vetores sao LD.
Exemplo 89. Um conjunto formado por um unico vetor nao nulo ~u
e sempre LI. Nesse caso, as unicas combinacoes lineares possveis sao
multiplos de ~u e para que um desses multiplos seja o vetor nulo temos
que
~u = 0
o que implica que = 0 uma vez que ~u 6= 0.

Como corolario do teorema 12 temos o seguinte resultado:
Corolrio 7. Seja {u~1 , . . . , u~k } um conjunto de vetores em Rn e A a
matriz construda utilizando esses vetores como colunas. Esse conjunto
de vetores e LI se, e somente se, o sistema AX = 0 possui apenas a
solucao trivial.
Exemplo 90. Os vetores (1, 0), (1, 1) e (3, 2) sao LD. De fato, a matriz
obtida usando esses vetores como colunas e

1 1 3
A=
.
0 1 2
O sistema AX = 0 possui solucao nao-trivial ja que possui mais incognita

que equacoes.
Exemplo 91. Os vetores (1, 1, 0), (1, 0, 0) sao LI. De fato, a matriz
obtida usando esses vetores como colunas e
1 1
A = 1 0 .
0 0
O sistema AX = 0 possui solucao apenas a solucao trivial, como pode
ser facilmente verificado.
Se k = n, A e uma matriz quadrada e o sistema AX = 0 possui
solucao unica se, e somente se, det(A) 6= 0.
Corolrio 8. Um conjunto de n vetores em Rn e LI se, e somente se, a
matriz A construda utilizando esses vetores como colunas tem determinante diferente de zero.
Exemplo 92.
u~1 =
1. Os vetores

1, 0, 1 , u~2 =

1, 0, 1 , u~3 =
0, 1, 0
sao LI . Para vermos isso devemos mostrar que a unica possibilidade para escrevermos o vetor nulo como combinacao linear de
u~1 , u~2 e u~3 e com todas as constantes iguais a zero. Para mostrar
que isso de fato acontece, devemos resolver o sistema AX = 0,
em que A e a matriz formada colocando u~1 , u~2 e u~3 como colunas:
1 1 0
A = 0 0 1 .
1 1 0
Como o determinante de A e diferente de zero, o sistema AX =
0 possui apenas a solucao trivial e isso quer dizer que a unica
combinacao linear de u~1 , u~2 e u~3 que resulta o vetor nulo e aquela
em que as constantes sao todas nulas o que implica que esses
vetores sao LI.
2. Do mesmo modo mostramos que os vetores

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

1, 0, . . . 0 , 0, 1, . . . 0 , . . . , 0, 0, . . . 1
sao LI.
4. Os vetores
u~1 =

1, 0, 1 , u~2 =

1, 0, 1 , u~3 =
1, 0, 0
sao LD . Para vermos isso devemos mostrar que podemos escrever o vetor nulo como combinacao linear de u~1 , u~2 e u~3 com as
constantes nao todas nulas. Para mostrar que isso de fato acontece, devemos resolver o sistema AX = 0, em que A e a matriz
formada colocando u~1 , u~2 e u~3 como colunas:
1 1 1
A = 0 0 0 .
1 1 0
Como o determinante de A e igual zero, o sistema AX = 0 possui

apenas a solucao trivial e isso quer dizer que podemos encontrar
uma combinacao linear de u~1 , u~2 e u~3 que resulta o vetor nulo
sem que as constantes sejam todas nulas o que implica que esses
vetores sao LD.
Exemplo 93. Os vetores (1, 1) e (3, 2) sao LI. De fato, a matriz obtida
usando esses vetores como colunas e

1 3
A=
1 2
que tem determinante igual a 5.
Exemplo 94. Os vetores (1, 3, 1) (1, 0, 0) e (1, 2, 1) sao LI. De fato,
a matriz obtida usando esses vetores como colunas e
1 1 1
A = 3 0 2
1 0 1
Exemplo 95. Os vetores (1, 3, 1) (1, 1, 1) e (1, 2, 1) sao LD. De fato,
a matriz obtida usando esses vetores como colunas e
1 1 1
A = 3 1 2
1 1 1
Tres ou mais vetores em R2 , assim como quatro ou mais vetores em
R3 , assim como mais de n vetores em Rn sao sempre LD. Isso acontece
porque o problema de identificar se esses vetores sao ou nao LI leva a
um sistema homogeneo com mais incognitas que equacoes, que sempre
possui solucao nao trivial.
Teorema 13. O numero maximo de vetores LI em Rn e igual a n.
A definicao de depedencia linear e importante porque ela permite

identificar se dentro de um conjunto de vetores, um deles pode ser
escrito como combinacao linear dos outros ou nao. De fato, as duas
propriedades sao equivalentes.
Teorema 14. Um conjunto de vetores e LD se e somente se podemos
expressar ao menos um dos vetores como combinacao linear dos outros.
Demonstracao. Suponhamos que {v~1 , . . . , v~k } seja um conjunto LI.
Entao existe uma combinacao linear desses vetores que resulta no vetor
nulo
a1 v~1 + + ak v~k = 0
com pelo menos uma das constantes ai 6= 0. Suponhamos que a1 6= 0.
Podemos entao escrever
v~1 =
a2
ak
v~2 v~k = 0.
a1
a1
Exemplo 96. Um conjunto com dois vetores e LD se, e somente se,

um deles e multiplo do outro. De fato, se dois vetores sao LD, um deles
pode ser escrito como combinacao linear do outro.
Exemplo 97. Em R3 tres vetores sao LD apenas em tres casos: ou os
tres sao paralelos, ou dois deles sao paralelos, ou os tres vetores sao
coplanares.
Exerccio 82. Verifique se os conjuntos de vetores abaixo sao LI ou LD.
1. (1, 1);
2. (1, 2), (3, 6);
3. (1, 2), (3, 1);
4. (1, 2), (3, 10, (1, 1);
5. (1, 1, 2), (1, 0, 0), (4, 6, 12);

6. (1, 1, 1), (2, 3, 1), (3, 1, 2);
7. (1, 2, 3), (2, 4, 6);
8. (4, 2, 1), (6, 5, 5), (2, 1, 3).
9. (1, 1, 2, 0), (1, 1, 0, 1);
10. (1, 1, 0, 2), (1, 1, 0, 0), (1, 0, 1, 0) ;
11. (1, 1, 0, 0), (1, 2, 0, 0), (1, 0, 1, 1) , (0, 0, 1, 1);
12. (1, 1, 0, 0, 2), (1, 1, 0, 0, 0), (1, 0, 1, 0, 0) , (0, 0, 1, 2, 0);
13. (1, 1, 0, 0, 3), (1, 1, 0, 0, 0), (2, 0, 1, 0, 0) , (0, 0, 1, 1, 0), (0, 0, 0, 0

Observac
Exerccio 83. Em cada item do exerccio anterior em que os vetores
sao LD, escreva uma combinacao linear dos vetores que resulta o vetor
nulo em que pelo menos uma das constantes usadas seja diferente de
zero. Escreva um dos vetores como combinacao linear dos outros.
Exerccio 84. Suponhamos que u~1 , u~2 , . . . , u~n em Rn , escritos como
matrizes coluna, sejam linearmente independentes. Se A e uma matriz
invertvel n n, mostre que Au~1 , Au~2 , . . . Au~n tambem sao linearmente
independentes. Podemos afirmar a mesma coisa se A nao e invertvel?
Exerccio 85. Se os vetores ~u, ~v , w
~ sao linearmente dependentes entao
w
~ e uma combinacao linear de ~u e ~v ?
6.4.1
Subespacos gerados
Definic
ao 10. Dado um espaco vetorial V e um conjunto de vetores
u~1 , . . . , u~k , o subespaco gerado por esses vetores e o conjunto de todas
as suas combinacoes lineares:

hu~1 , . . . , u~k i = {a1 u~1 + . . . + ak u~k ; ai R} .
Exerccio 86. Prove que hu~1 , . . . , u~k i e de fato um subespaco de V .
Exemplo 98. O vetor (7, 2, 9) R3 e uma combinacao linear dos
vetores (2, 1, 3) e (1, 0, 1) porque
(7, 2, 9) = 2(2, 1, 3) + 3(1, 0, 1).
Portanto (7, 2, 9) h(2, 1, 3), (1, 0, 1)i .
Exemplo 99. O subespaco gerado por um vetor nao nulo ~v R2 ou
R3 e uma reta passando pela origem. De fato
h~v i = {t~v ; t R}
que corresponde justamente à reta passando pela origem com vetor
diretor ~v .
Exemplo 100. O subespaco gerado pelos vetores (1, 0, 0) e (0, 1, 0)
em R3 corresponde ao plano xy. De fato, as combinacoes lineares de
(1, 0, 0) e (0, 1, 0) sao vetores da forma
a1 (1, 0, 0) + a2 (0, 1, 0) = (a1 , a2 , 0)
que correspondem justamente aos vetores pertencentes ao plano xy
De forma analoga, o subespaco gerado pelos vetores (1, 0, 0) e
(0, 0, 1) corresponde ao plano xz e o subespaco gerado pelos vetores
(0, 1, 0) e (0, 0, 1) corresponde ao plano yz.
Exemplo 101. O subespaco gerado por dois vetores ~u e ~v nao paralelos
~ =
em R3 e um plano passando pela origem perpendicular ao vetor N
~u ~v .
6.4.2
Base e Dimens
ao
Podemos nos perguntar se existe um conjunto de vetores LI de forma

que todo elemento do espaco V possa ser escrito como combinacao
linear dos elementos desse conjunto. e possvel mostrar que todo espaco
vetorial possui um conjunto LI com essa propriedade.
Definic
ao 11. Uma base para um espaco vetorial V e um conjunto LI
B = {u~1 , . . . , u~k }
tal que todo vetor de V e combinacao linear de u~1 , . . . , u~k , ou seja
hu~1 , . . . , u~k i = V.
Observac
ao 12. Uma base para um espaco vetorial V nunca e unica.
De fato, para qualquer espaco vetorial V existem infinitas bases, como
veremos adiante.
Exemplo 102. Os vetores u~1 = (1, 0) e u~2 = (0, 1) formam uma base
para R2 . De fato, esses vetores sao LI e qualquer vetor de R2 pode ser
escrito como combinacao linear de u~1 e u~2 . Isso pode ser facilmente
provado: um vetor qualquer de R2 e da forma
~v = (a1 , a2 ) = (a1 , 0) + (0, a2 ) = a1 (1, 0) + a2 (0, 1) = a1 u~1 + a2 u~2 .
De maneira analoga, como mostrado no exemplo 82, os vetores u~1 =

(1, 0, 0), u~2 = (0, 1, 0) e u~3 = (0, 0, 1) formam uma base para R3 . De
maneira geral, os vetores u~1 = (1, 0, 0, . . . , 0, 0), u~2 = (0, 1, 0, . . . , 0, 0), .
(0, 0, 0, . . . , 0, 1) formam uma base para Rn , como pode ser verificado
de maneira analoga aos casos de R2 e R3 .
Em geral, e facil provar que um conjunto de vetores e LI, pois isso e
equivalente a resolver um sistema linear homogeneo. Com o que temos
ate agora, o difcil e provar se um conjunto de vetores gera ou nao todo
o espaco vetorial V . Antes de vermos mais exemplos, vamos provar
mais resultados que facilitam essa tarefa.
Teorema 15. Se {u~1 , . . . , u~k } e uma base para o espaco vetorial V ,
entao qualquer conjunto com mais de k vetores e LD.
Demonstracao. Seja {v~1 , . . . , v~m } um conjunto qualquer com m > k.

Seja
b1 v~1 + b2 v~2 + . . . + bm v~m = 0
(6.2)
uma combinacao linear desses vetores que gera o vetor nulo. Nosso
objetivo e provar que e possvel escolher os valores das constantes bi na
equacao acima sem que todas elas sejam nulas.
Utilizando o fato de que o conjunto {u~1 , . . . , u~k } e uma base, vamos reescrever a equacao acima em termos dos vetores u~i . Isso e
possvel porque todo vetor v~j pode ser escrito como combinacao linear
de {u~1 , . . . , u~k }:
v~1 = x11 u~1 + x12 u~2 + . . . + x1k u~k
v~2 = x21 u~1 + x22 u~2 + . . . + x2k u~k
..
.
. = ..
v~m = xm1 u~1 + xm2 u~2 + . . . + xmk u~k
(6.3)
(6.4)
(6.5)
(6.6)
Substituindo as igualdades acima na equacao (??), temos
b1 (x11 u~1 + x12 u~2 + . . . + x1k u~k ) + b2 (x21 u~1 + x22 u~2 + . . . + x2k u~k ) + .
bm (xm1 u~1 + xm2 u~2 + . . . + xmk u~
Colocando em evidencia os vetores u~i na equacao acima chegamos à
(b1 x11 + b2 x21 + . . . + bm xm1 ) u~1 + (b1 x12 + b2 x22 + . . . + bm xm2 ) u~2 +
+ . . . + (b1 x1k + b2 x2k + . . . + bm xmk ) u~k =
A equacao acima fornece uma combinacao linear dos vetores u~1 , . . . , u~k
que resulta no vetor nulo. Como esses vetores sao LI, isso so pode
acontecer se todas as constantes forem zero, o que implica que
b1 x11 + b2 x21 + . . . + bm xm1
b1 x12 + b2 x22 + . . . + bm xm2
...
b1 x1k + b2 x2k + . . . + bm xmk
=
=
=
=
0
0
...
0.
Esse e um sistema linear nas variaveis bi que possui k equacoes e m

incognitas, ou seja, mais incognitas que equacoes, e portanto possui
solucao nao-trivial. Isso quer dizer que e possvel encontrar constantes
b1 , . . . , bm , nao todas nulas, tais que a equacao (6.2) seja verdadeira.
Isso implica que os vetores {v~1 , . . . , v~m } sao LD.
O teorema acima permite provar que duas bases de um mesmo
espaco vetorial V , entao elas possuem o mesmo numero de elementos.
De fato, suponhamos que {u~1 , . . . , u~k } e {v~1 , . . . , v~m } sejam bases para
V . Se m > k, o teorema anterior implica que o conjunto {v~1 , . . . , v~m }
e LD, e portanto nao poderia ser uma base, o que e uma contradicao.
Se m < k, o teorema anterior implica que {u~1 , . . . , u~k } e LD, o que
tambem e uma contradicao. Logo k = m.
Definic
ao 12. A dimensao de V e o numero de vetores em uma base.
Observac
ao 13. A definicao de dimensao acima vale para espacos vetoriais que podem ser gerados por um numero finito de vetores, como e
o caso dos exemplos 58 e 60. Em outros casos, como no exemplo 59 e
75, o espaco vetorial nao pode ser gerado por nenhum conjunto finito
e dizemos que a dimensao e infinita. Nesse texto, nos concentraremos
em espacos vetoriais de dimensao finita.
Exemplo 103. O espaco vetorial R2 tem dimensao 2; O espaco vetorial
R3 tem dimensao 3; Em geral, o espaco vetorial Rn tem dimensao n.
Teorema 16. Seja V um espaco vetorial de dimensao n. Entao qualquer conjunto LI {u~1 , . . . , u~n } com n vetores e uma base para V .
Demonstracao. Para provar que um conjunto e uma base para V ,
devemos provar que, alem de ser LI, esse conjunto gera V , ou seja,
qualquer vetor ~v V pode ser escrito como combinacao linear de
{u~1 , . . . , u~n }.
Sabemos pelo teorema 15 que o conjunto {u~1 , . . . , u~n , ~v } e LD. Isso
quer dizer que existe uma combinacao linear
a1 u~1 + a2 u~2 + . . . + an u~n + b~v = 0
(6.7)
que gera o vetor nulo em que pelo menos uma das constantes e nao
nula. Afirmamos que b 6= 0. Se b fosse igual a 0, poderamos eliminar
o vetor ~v da equacao acima e teramos
a1 u~1 + a2 u~2 + . . . + an u~n = 0
em que pelo menos uma das constantes e nao nula. Como {u~1 , . . . , u~n }
e uma base, e em particular LI, e portanto isso nao pode acontecer.
Logo conclumos que b 6= 0.
Podemos entao isolar ~v na equacao (6.7), o que nos leva a
~v =
a1
a2
an
u~1 u~2 . . . u~n .
b
b
b
Isso mostra que, independente de quem seja o vetor ~v , ele pode ser
escrito como combinacao linear de {u~1 , . . . , u~n }. Logo esse conjunto e
uma base para V .
Assim, para verificar se um conjunto de vetores e ou nao uma base
para um espaco vetorial V , basta verificarmos se ele possui o numero
correto de vetores e se esses vetores sao LI. O teorema acima garante que
nessas condicoes, o conjunto gera V e portanto e uma base. Podemos
resumir esse resultado da seguinte forma:
Uma base para um espaco vetorial de dimensao n e um conjunto LI
com exatamente n vetores.
Exemplo 104. Verifique se os vetores abaixo formam uma base para o
espaco vetorial ao qual pertencem.
1. (1, 1);
2. (1, 2), (1, 0);
3. (1, 2), (1, 0), (0, 1);
4. (1, 0, 0) , (0, 1, 1) ;
5. (1, 0, 0) , (0, 1, 1) , (0, 1, 1) ;

6. (0, 1, 0) , (0, 1, 1) , (0, 1, 1) ;
7. (2, 1, 1) , (3, 1, 2) , (1, 0, 1) , (1, 0, 1) ;
8. (3, 1, 2) , (1, 0, 1) , (1, 0, 1) ;
9. (2, 1, 1) , (3, 1, 2) , (1, 0, 1) ;
10. (2, 1, 1) , (3, 1, 2) , (1, 0, 2) ;
11. (1, 1, 0, 0), (1, 1, 0, 0);
12. (1, 1, 0, 0), (1, 1, 0, 0), (1, 0, 1, 0) ;
13. (1, 1, 0, 0), (1, 1, 0, 0), (1, 0, 1, 0) , (0, 0, 1, 1);
14. (1, 1, 0, 0, 1), (1, 1, 0, 0, 0), (1, 0, 1, 0, 0) , (0, 0, 1, 1, 0);
15. (1, 1, 0, 0, 1), (1, 1, 0, 0, 0), (1, 0, 1, 0, 0) , (0, 0, 1, 1, 0), (0, 0, 0, 0,
Observac
Exerccio 87. Dados u~1 = (2, 1, 3) e u~2 = (2, 6, 4), responda:
1. O conjunto {v~1 , v~2 } e uma base para R3 ? Descreva geometricamente o subespaco gerado por esses vetores.
2. Quais sao as condicoes sobre v~3 para que {v~1 , v~2 , v~3 } seja uma
base de R3 ?
3. Encontre um vetor v~3 de modo que {v~1 , v~2 , v~3 } seja uma base de
R3 .
Da existencia de uma base B = {u~1 , . . . , u~n } do espaco V surge a

notacao para vetores mais utilizada: dado um vetor ~v podemos escrevelo como ~v = a1 u~1 + + an u~n e de forma unica. De fato, se temos
~v = b1 u~1 + . . . + bn u~n entao
(a1 b1 )u~1 + . . . + (an bn )u~n = 0
e da condicao LI temos ai = bi . Assim podemos representar o vetor por
meio de seus coeficientes na base dada: ~v = (a1 , . . . , an )B . Quando nao
houver confusao a respeito da base que esta sendo utilizada denotaremos
apenas por ~v = [v]B = (a1 , . . . , an ).
Isso mostra que, fixada uma base, qualquer espaco vetorial de dimensao finita n e equivalente a Rn .
6.4.3
Subespacos
Sabemos que um supespaco vetorial S V e tambem um espaco vetorial com as operacoes se soma e multiplicacao por constante utilizadas
em V . Dessa forma, todas os resultados anteriores se aplicam tambem
para subespacos. Vamos enuncia-los novamente para esse caso particular e em seguida analisar alguns exemplos.
Definic
ao 13. Uma base para um subespaco vetorial S V e um
conjunto LI
B = {u~1 , . . . , u~k }
tal que todo vetor de S e combinacao linear de u~1 , . . . , u~k , ou seja,
hu~1 , . . . , u~k i = S.
Exemplo 105. Os vetores u~1 = (1, 0, 0) e u~2 = (0, 1, 0) formam uma
base para o plano xy em R3 . De fato, esses vetores sao LI e qualquer
vetor do plano xy pode ser escrito como combinacao linear de u~1 e u~2 .
Isso pode ser facilmente provado: um vetor qualquer nesse plano e da
forma
~v = (a1 , a2 , 0) = (a1 , 0)+(0, a2 ) = a1 (1, 0, 0)+a2 (0, 1, 0) = a1 u~1 +a2 u~2 .
A figura abaixo mostra esse subespaco e os vetores u~1 e u~2 .
Teorema 17. Se {u~1 , . . . , u~k } e uma base para o subespaco vetorial

S V , entao qualquer conjunto com mais de k vetores em S e LD.
Como vimos anteriormente, uma consequencia do teorema acima e
que todas as bases para S possuem o mesmo numero de vetores. Esse
fato motiva a definicao de dimensao do subespaco S.
Definic
ao 14. A dimensao de um subespaco S V e o numero de
vetores em uma base de S.
Teorema 18. Seja S V um subespaco vetorial de dimensao n. Entao
qualquer conjunto LI {u~1 , . . . , u~n } com n vetores em S e uma base para
S.
importante notar que um conjunto com k vetores em um espaco
vetorial V de dimensao k e necessariamente uma base para V . Como os
subespacos V sao subconjuntos de V , suas bases nao podem ter mais
que k vetores, pois k vetores em V sao necessariamente LD. Assim, a

dimensao de qualquer subespaco de V e menor ou igual a k.
Exemplo 106. O conjunto dado pelas equacoes parametricas
S = {(, , + ) : , R}
e um subespaco vetorial de R3 (verifique!). Vamos encontrar uma base
para esse subespaco.
Inicialmente, encontramos um conjunto de geradores. Para isso,
utilizamos o fato de que qualquer vetor de S e da forma
~v = (, , + ).
Vamos reesecrever esse vetor separando os parametros e :
~v = (1, 0, 1) + (0, 1, 1).
Isso prova que os vetores u~1 = (1, 0, 1) e u~2 = (0, 1, 1) geram S. Para
provar que eles formam uma base, resta mostrar que eles sao LI, o que
e facil uma vez que um deles nao e multiplo do outro. Logo {u~1 , u~2 } e
uma base para S.
Esse subespaco e a base {u~1 , u~2 } sao mostrados na figura abaixo.

S = {( + 3, , 2 + ) : , R}
utilizamos o fato de que qualquer vetor de S e da forma
~v = ( + 3, , 2 + ).
Vamos reesecreve esse vetor separando os parametros e :
~v = (1, 1, 2) + (3, 1, 1).
Isso prova que os vetores u~1 = (1, 1, 2) e u~2 = (3, 1, 1) geram S.
Para provar que eles formam uma base, resta mostrar que eles sao LI,
o que e facil uma vez que um deles nao e multiplo do outro. Logo
{u~1 , u~2 } e uma base para S.
Esse subespaco e os vetores u~1 , u~2 sao mostrados na figura abaixo.

S = {( + , + , + + 2) : , , R}
vamos reesecreve esse vetor separando os parametros e :
~v = (1, 0, 1) + (0, 1, 1) + (1, 1, 2).
Isso prova que os vetores u~1 = (1, 0, 1), u~2 = (0, 1, 1), u~3 = (1, 1, 2)
geram S. Vamos agora verificar se eles sao LI ou LD calculando o
determinante da matriz
1 0 1
A = 0 1 1 .
1 1 2
Temos que det(A) = 0 o que significa que os vetores sao LD. Assim,
ha um vetor desnecessario dentro do conjunto. Para descobrir qual
dos vetores pode ser eleminado, temos que descobrir qual deles pode
ser escrito como combinacao linear dos outros. Isso pode ser feito
resolvendo o sistema AX = 0. A matriz de incognitas

1
X = 2
3
fornece as constantes que devem ser utilizadas na combinacao linear
para gerar o vetor nulo. Esse sistema possui infinitas solucoes dadas
por 1 = 3 , 2 = 3 , 3 R. Escolhendo 3 = 1 chegamos à
combinacao linear
u~1 u~2 + u~3 = 0.
Na equacao anterior, podemos isolar qualquer um dos tres vetores e
escreve-lo como combinacao linear dos outros. Por exemplo, temos
u~3 = u~1 + u~2 .
Como u~3 e combinacao linear de u~1 e u~2 , o subespaco gerado por

{u~1 = (1, 0, 1), u~2 = (0, 1, 1), u~3 = (1, 1, 2)} e igual ao subespaco gerado por {u~1 = (1, 0, 1), u~2 = (0, 1, 1)}. Como os vetores u~1 e u~2 sao
LI, eles formam uma base para S.
Nesse caso, o vetor eliminado pode ser qualquer um dos tres. Com
a nossa escolha, construmos a base {u~1 , u~2 }. Com escolhas diferentes chegaramos às bases {u~1 , u~u } (eliminando o vetor u~2 ) e {u~2 , u~3 }
(eliminando o vetor u~1 ).
Esse subespaco e os vetores u~1 , u~2 , u~3 sao mostrados na figura abaixo.
Observac
ao 15. O subespaco S do exemplo 108 e o mesmo subespaco
do exemplo 106, escrito de maneira diferente. Observe que a diferenca
entre as parametrizacoes dadas e a constante , que pode ser eliminada
uma vez que o vetor (1, 1, 2) e combinacao linear de (1, 1, 0) e (0, 1, 1).
Exemplo 109. Vamos encontrar uma base para o plano dado pela
equacao x y + z = 0 em R3 . Para isso, escrevemos o plano atraves de
equacoes parametricas y = , z = , x = com , R. Assim,

os elementos de sao vetores de R3 da forma
( , , ).
O proximo passo e encontrar um conjunto de geradores para ,
separando as partes que dependem de e :
( , , ) = (1, 1, 0) + (1, 0, 1).
Isso prova que os vetores u~1 = (1, 1, 0) e u~2 = (1, 0, 1) geram .
Como esses vetores sao LI, uma vez que um nao e multiplo do outro
{u~1 , u~2 } e uma base para S.
Esse subespaco e a base {u~1 , u~2 } sao mostrados na figura abaixo.
Exemplo 110. Considere o plano 1 dado pela equacao x + y + z = 0

e o plano 2 dado pela equacao 4x 2y + z = 0. Ambos passam pela
origem e por isso sao subespacos de R3 . A intersecao de 1 e 2 e uma
reta r passando pela origem. Como vimos no exerccio ??, a intersecao

de subespacos tambem e um subespaco. Vamos encontrar uma base
para r.
O vetor normal ao plano 1 e N1 = (1, 1, 1). O vetor normal ao
plano 2 e N2 = (4, 2, 1). O vetor diretor de r e
~v = N1 N2 = (1, 3, 2).
Logo r corresponde ao conjunto de pontos
{(t, 3t, 2t); t R} .
Todos os vetores em r sao multiplos de ~v , o prova que o vetor ~v gera
r. Como um conjunto com apenas um vetor nao nulo e LI, {~v } e uma
base para r.
A figura abaixo mostra os dois planos e seus vetores normais e a
reta r.
Exemplo 111. Vamos encontrar uma base para o conjunto de solucoes

do sistema
x+yz = 0
x 2y z = 0
2x y 2z = 0.
Inicialmente, devemos caracterizar o conjunto de solucoes. Para isso,

devemos resolver o sistema linear. A matriz de coeficientes e
1 1 1
A = 1 2 1 .
2 1 2
Escalonando essa matriz obtemos
1 0 1
0 1 0 .
0 0 0
Logo as solucoes do sistema linear sao dadas por x = z, y = 0, z R.

Assim, fazendo z = , o conjunto de solucoes do sistema pode ser
escrito na forma
S = {(, 0, ); R} .
Qualquer vetor em S e da forma
(1, 0, 1),
o que prova que o vetor u~1 = (1, 0, 1) gera S. Como um conjunto com
apenas um vetor nao nulo e LI, {u~1 } e uma base para S.
Observac
ao 16. Observe que esse subespaco e a reta passando pela
origem com vetor diretor (1, 0, 1), ilustrada na figura abaixo.
Observac
ao 17. O subespaco S e o que chamamos de espaco nulo da
matriz A.
Exemplo 112. Vamos encontrar uma base para o conjunto de solucoes
do sistema
2x1 + 2x2 x3 + x4 = 0
x1 x2 + 2x3 + x4 = 0
x1 + x2 2x3 x4 = 0.
devemos resolver o sistema linear. A matriz de coeficientes e
2 2 1 1
A = 1 1 2 1 .
1 1 2 1
Escalonando essa matriz obtemos
1 1 0 1
0 0 1 1 .
0 0 0 0
Logo as solucoes do sistema linear sao dadas por x1 = x2 x4 , x3 =
x4 , x2 , x4 R. Assim, fazendo x2 = e x4 = , o conjunto de
solucoes do sistema pode ser escrito na forma

S = {( , , , ); , R} .
Vamos agora encontrar um conjunto de geradores para esse subespaco.
Isso pode ser feito de maneira analoga à utilizada nos exemplos anteriores, separando nos vetores de S a parte que depende apenas de e a
parte que depende apenas de :
( , , , ) = (1, 1, 0, 0) + (1, 0, 1, 1).
Isso prova que os vetores u~1 = (1, 1, 0, 0) e u~2 = (1, 0, 1, 1) geram
S. Como esses vetores sao LI, {u~1 , u~2 } e uma base para S.
Observac
ao 18. O subespaco S e o que chamamos de espaco nulo da
matriz A.
Exemplo 113. Vamos encontrar uma base para o espaco nulo da matriz
1 1 0 1 5
1 0 0 2 2
A=
0 0 1 4 1 .
0 0 0 0 0
Esse e o subespaco de R5 formado pelas solucoes do sistema AX = 0.
devemos resolver o sistema linear. Escalonando a matriz A obtemos
1 0 0 2 2
0 1 0 1 3
0 0 1 4 1 .
0 0 0 0 0
Logo as solucoes do sistema linear sao dadas por x1 = 2x4 2x5 , x2 =
x4 3x5 , x3 = x5 4x4 , x4 , x5 R. Assim, fazendo x4 = e x5 = ,
o conjunto de solucoes do sistema pode ser escrito na forma
S = {(2 2, 3, 4, , ); , R} .

Isso pode ser feito separando nos vetores de S a parte que depende
apenas de e a parte que depende apenas de :
(22, 3, 4, , ) = (2, 1, 4, 1, 0)+(2, 3, 1, 0, 1).

Isso prova que os vetores u~1 = (2, 1, 4, 1, 0) e u~2 = (2, 3, 1, 0, 1)
geram S. Como esses vetores sao LI, {u~1 , u~2 } e uma base para S.
Exemplo 114. Vamos encontrar uma base para o espaco nulo da matriz
1 1 0 1 5
1 0 0 2 2
A=
2 1 0 3 7 .
0 0 0 0 0
Esse e o subespaco de R5 formado pelas solucoes do sistema AX = 0.
devemos resolver o sistema linear. Escalonando a matriz A obtemos
1 0 0 2 2
0 1 0 1 3
0 0 0 0 0 .
0 0 0 0 0
Logo as solucoes do sistema linear sao dadas por x1 = 2x4 2x5 , x2 =
x4 3x5 , x3 , x4 , x5 R. Assim, fazendo x3 = , x4 = e x5 = , o
conjunto de solucoes do sistema pode ser escrito na forma
S = {(2 2, 3, , , ); , , R} .
Isso pode ser feito separando nos vetores de S a parte que depende
apenas de e a parte que depende apenas de :
(22, 3, , , ) = (2, 1, 4, 1, 0)+(2, 3, 1, 0, 1)+(0

Isso prova que os vetores u~1 = (2, 1, 4, 1, 0), u~2 = (2, 3, 1, 0, 1)
e u~3 = (0, 0, 1, 0, 0) geram S. Como esses vetores sao LI, {u~1 , u~2 , u~3 }
e uma base para S.
Exerccio 88. Verifique se os subconjuntos abaixo sao subespacos do

espaco vetorial apropriado. Em caso afirmativo, encontre uma base
para esse subespaco. Quando possvel, caracterize geometricamente o
conjunto.

1. W = (x, y, z) R3 ; x + 2y + z = 0 ;

2. W = (x, y, z) R3 ; 3x + 2y + z = 2 ;

3. W = (x, y, z, w) R4 ; x + 2y + z w = 0 ;

4. W = (x, y, z, w) R4 ; x + y = 0 ;

5. W = (a + b, a b, 2a 3b) R3 ; a, b R ;

6. W = (a + b + 2c, a b, 2a 3b c) R3 ; a, b, c R ;

7. W = (a b + c, 0, a + b) R3 ; a, b, c R ;

8. W = (a b + c, 2a + 3b 2c, 5c, a + b) R4 ; a, b, c R .
Exerccio 89. Encontre uma base para o conjunto de solucoes dos
sistema lineares abaixo. Quando possvel, descreva o subespaco obtido
geometricamente.
2x + 3y z + w = 0
5x + y + 10z + 2w = 0 ;
1.
3x 2y + 11z + w = 0

x + 2y z = 0
;
xy+z = 0
x + 2y z w = 0
.
x + y + z + 2w = 0
2.
3.
Resultados adicionais
Veremos agora alguns resultados que podem ser uteis em varias situacoes.
Teorema 19. Um conjunto {u~1 , . . . , u~k } em um espaco vetorial V e
uma base se, e somente se, todo vetor de V pode ser escrito de maneira
unica como combinacao linear de u~1 , . . . , u~k .
Demonstracao. Primeiramente, suponhamos que todo vetor de V pode
ser escrito como combinacao linear dos vetores {u~1 , . . . , u~k }. Vamos
mostrar que esse conjunto e uma base.
Ja sabemos que esse conjunto gera V , entao resta mostrar que e
LI. Se esse conjunto fosse LD, seria possvel escrever o vetor nulo como
combinacao linear deles sem que todas as constantes sejam nulas, o que
nao pode acontecer uma vez que todo vetor e escrito como combinacao
linear de {u~1 , . . . , u~k } de maneira unica. Logo a unica forma de escrever
o vetor nulo como combinacao linear de {u~1 , . . . , u~k } e utilizando todas
as constantes iguais a zero e os vetores sao LI.
Suponhamos agora que {u~1 , . . . , u~k } e uma base de V . Vamos
mostrar que todo vetor e escrito de maneira unica como combinacao
linear desses vetores. Suponhamos que
~v = 1 u~1 + . . . + k u~k
~v = 1 u~1 + . . . + k u~k
sejam duas formas de escrever o mesmo vetor ~v como combinacao linear
de {u~1 , . . . , u~k }. Subtraindo as duas equacoes temos
0 = (1 1 ) u~1 + . . . + (k k ) .
Como {u~1 , . . . , u~k } e uma base, em particular e LI e portanto a unica
forma de escrever o vetor nulo como combinacao linear deles com todas
as constantes iguais a zero. Isso implica que i = i e as duas formas
de escrever ~v sao iguais.
Teorema 20. Seja C = {u~1 , . . . , u~k } um conjunto de vetores que gera

um espaco vetorial V . Entao existe um subconjunto de C que e base
de V .
Demonstracao. Se C nao e LI, e possvel eliminar um vetor sem alterar
o subespaco gerado por C. Assim, apos eliminar esse vetor, obtemos um
subconjunto menor de C que continua gerando V . Se esse conjunto for
LI, obtivemos uma base. Se nao repetimos o processo e continuamos
retirando vetores ate que nao seja possvel retirar nenhum sem alterar o
fato quemque o subespaco gerado pelo conjunto de vetores e V . Nesse
ponto obtivemos um conjunto LI e, portanto, uma base.
Provamos anteriormente que se um conjunto LI tem k vetores em um
espaco vetorial de dimensao k, entao esse conjunto automaticamente
gera V e portanto e uma base de V . Vamos provar agora que se um
conjunto com k vetores gera o espaco vetorial V de dimensao k, entao
ele e automaticamente LI e portanto e uma base de V .
Corolrio 9. Se V e um espaco vetorial de dimensao k e {u~1 , . . . , u~k } e
um conjunto que gera V , entao esse conjunto e uma base.
Demonstracao. Como o conjunto {u~1 , . . . , u~k } gera V , resta provar
que ele e LI. Se esse conjunto nao fosse LI, seria possvel eliminar pelo
menos um vetor e assim obter um conjunto LI que gera V , com menos
de k vetores. Como a dimensao de V e k isso e uma contradicao.
Corolrio 10. Se V e um espaco vetorial de dimensao k, um conjunto
com menos que k vetores nao gera V .
Demonstracao. Se houvesse um conjunto com menos que k vetores
que gerasse V , o corolario 9 implica que seria possvel encontrar uma
base com menos de k vetores, o que e uma contradicao ja que V tem
dimensao k.
Teorema 21. Seja {u~1 , . . . , u~k } um conjunto LI em um espaco vetorial
V . Entao e possvel completar esse conjunto de forma a obter uma base

de V , ou seja, existem vetores {uk+1
~ , . . . , u~k+l } tais que
{u~1 , . . . , u~k , uk+1
~ , . . . , u~k+l }
e uma base de V .
Demonstracao. Suponhamos que {u~1 , . . . , u~k } seja um conjunto LI
que nao gera V . Seja uk+1
~ um vetor que nao pode ser escrito como
combina
cao linear o
de {u~1 , . . . , u~k }. Consideremos agora o conjunto
n
u~1 , . . . , u~k , uk ~+ 1 . Esse e um conjunto LI. De fato, considere a
combinacao linear
1 u~1 + . . . + k u~k + k+1 uk ~+ 1 = 0.
Na equacao acima, necessariamente k + 1 = 0. Se esse nao fosse o
caso poderamos isolar uk+1
~ e escreve-lo como combinacao linear dos
outros, o que nao pode acontecer. Mas se k + 1 = 0 temos uma
combinacao linear dos vetores ketu1 , . . . , u~k que gera o vetor nulo, o
que so acontece se todas as constantes sao nulas, ja que esse conjunto e
LI. Assim a unica combinacao linear dos vetores u~1 , . . . , u~k , uk ~+ 1 que
gera o vetor nulo e aquela em que todas as constantes sao nulas e esses
vetores sao LI.
Se os vetores u~1 , . . . , u~k , uk ~+ 1 geram V , obtivemos uma base. Se
nao, repetimos o processo, adicionando vetores de forma que o conjunto
permaneca LI ate que o conjunto de vetores obtido gere V . Nesse ponto
obtivemos uma base para V .
6.5
Produto Interno
Dado um espaco vetorial V , um produto interno e uma aplicacao

: V V R
(~u, ~v ) 7 ~u ~v
satisfazendo as seguintes propriedades
1. (~u + ~v ) w
~ = (~u w)
~ + (~v w);
~
2. ~u ~v = ~v ~u;
3. ~u ~u 0;
4. Se ~u ~u = 0 entao ~u = 0.
Exerccio 90. Considere o espaco vetorial Rn . Mostre que a aplicacao
(x1 , . . . , xn ) (y1 , . . . , yn ) =
n
X
x i yi
i=1
e um produto interno, conhecido como produto interno canonico de Rn .

Exemplo 115. O produto interno entre os vetores (1, 3, 5) e (4, 2, 1)
em R3 e igual a
(1, 3, 5)(4, 2, 1) = (1)(4)+(3)(2)+(5)(1) = 46+5 = 3.
Exerccio 91. Mostre que CR [0, 1], o conjunto de funcoes contnuas
do intervalo [0, 1] com valores em R, e um espaco vetorial sobre R com
soma e produto, respectivamente, definidos como sendo
(f + g)(x) = f (x) + g(x),
(f )(x) = f (x).
Mostre que
f~ ~g =
Z
f (x)g(x)dx
[0,1]
e um produto interno em CR [0, 1].
Exemplo 116. Sabemos que o conjunto Mmn formado pelas matrizes

m n e um espaco vetorial com a soma e o produto por escalar usuais.
Considere o produto

A B = Tr AT B
em que
Tr(M ) =
mi i
e o traco da matriz quadrada M , definido como a soma dos elementos

da diagonal principal. O produto definida acima e um produto interno
em Mmn .
Exerccio 92. Mostre que o produto
(x1 , y1 ) (x2 , y2 ) = 2x1 x2 + 3y1 y2
e um produto interno em R2 .
Exerccio 93. Mostre que o produto
(x1 , y1 ) (x2 , y2 ) = x1 x2 y1 y2
no e um produto interno em R2 . Quais propriedades nao sao satisfeitas
com essa definicao?
Com um espaco vetorial V munido de um produto interno podemos
definir uma aplicacao
k k: V R
escrevendo
kvk =
~v ~v .
Essa funcao e chamada norma sobre V .

O produto interno nos permite introduzir uma nocao que generaliza
a um espaco vetorial qualquer a ideia de perpendicularidade nos espacos
R2 e R3 , com a qual ja estamos familiarizados.
Definic
ao 15. Dizemos que dois vetores ~u e ~v sao ortogonais se ~u
~v = 0. Dizemos que um conjunto E = {v~1 , . . . , v~k } e ortogonal se
seus elementos sao dois a dois ortogonais. Dizemos que um conjunto
E = {v~1 , . . . , v~k } e ortonormal se e ortogonal e v~i v~i = 1 para todo i.
Exerccio 94. Mostre que se u e v sao ortogonais, entao
ku + vk2 = kuk2 + kvk2 .
Exerccio 95. Mostre que as funcoes f (x) = cos
sao ortogonais com o produto interno
Z
f~ ~g =
f (x)g(x)dx
x
2
e g(x) = sen
x
2
[0,1]
definido em CR [0, 1].

No caso do espaco ser R3 com o produto interno canonico, ou seja,
(x1 , x2 , x3 ) (y1 , y2 , y3 ) = x1 y1 + x2 y2 + x3 y3
a ortogonalidade significa exatamente perpendicularidade no sentido
geometrico usual.
Teorema 22. Se {v~1 , . . . , v~k } e um conjunto ortogonal, entao valem
as seguintes propriedades:
1. O conjunto {v~1 , . . . , v~k } e LI;
2. Se V = 1 v~1 + . . . + k v~k , entao
i =
~v v~i
.
||~
vi ||2
Demonstracao.
1. Suponhamos que
V = 1 v~1 + 2 v~2 + . . . + k v~k = 0.
(6.8)
Fazendo o produto interno por v~i em ambos os lados da equacao

acima, temos que
(1 v~1 + 2 v~2 + . . . + k v~k ) v~i
1 (v~1 v~i ) + 2 (v~2 v~i ) + . . . + k (v~k v~i )
i (~
vi v~i )
i k~
vi k2
=
=
=
=
0 v~i
0
0
0.
Como k~
vi k 6= 0, a equacao acima implica que i = 0. Logo a
equacao (6.9) so pode ser verdadeira se todas as constantes i
sao nulas e portanto o conjunto {v~1 , . . . , v~k } e LI.
2. Suponhamos que
1 v~1 + 2 v~2 + . . . + k v~k = 0.
(6.9)
Para provar que o conjunto {v~1 , . . . , v~k } e LI, devemos mostrar

que a unica possibilidade para as constantes i na equacao acima
e que todas elas sejam nulas.
Fazendo o produto interno por v~i em ambos os lados da equacao
acima, temos que
(1 v~1 + 2 v~2 + . . . + k v~k ) v~i
1 (v~1 v~i ) + 2 (v~2 v~i ) + . . . + k (v~k v~i )
i (~
vi v~i )
i k~
vi k2
A equacao acima implica que i =
~v ~
vi
k~
vi k2 ,
=
=
=
=
~v v~i
~v v~i
~v v~i
~v v~i .
como queramos provar.
Definic
ao 16. Dizemos que uma base B = {v~1 , . . . , v~k } para o espaco
vetorial V e uma base ortogonal se seus elementos sao dois a dois
ortogonais. Dizemos uma base B = {v~1 , . . . , v~k } e uma base ortonormal
se e ortogonal e v~i v~i = 1 para todo i.
Exemplo 117. A base cannica B = {~

e1 = (1, 0, . . . , 0), e~2 = (0, 1, . . . , 0
n
de R e uma base ortonormal. De fato, e facil mostrar que o produto
interno e~i e~j e igual a zero se i 6= j e igual a 1 se i = j.
Exemplo 118. Mostre que o conjunto

1
1
1
1
B = {v~1 = , 0, , v~2 = , 0, , v~3 = (0, 1, 0)}
2
2
2
2
e uma base ortonormal de R3 .
Solucao. Calculando os produtos internos temos
v~1 v~2 = v~1 v~3 = v~2 v~3 = 0, v~1 v~1 = v~2 v~2 = v~3 v~3 = 1
o que mostra que B e um conjunto ortonormal. Pelo teorema 22, B e
um conjunto LI e portanto e uma base, ja que possui trs vetores.
Outra consequncia do teorema 22 e que dado um vetor qualquer
~v e uma base ortogonal B = {v~1 , . . . , v~k } de V , e facil encontrar as
constantes que devemos usar para escrever ~v como cominacao linear de
v~1 , . . . , v~k .
Exemplo 119. Escreva ~v = (2, 1, 1) como combinacao linear dos
vetores

1
1
1
1
v~1 = , 0, , v~2 = , 0, , v~3 = (0, 1, 0).
2
2
2
2
Solucao. Pelo teorema 22, sabemos que se
~v = 1 v~1 + 2 v~2 + 3 v~3
entao cada constante i e dada por
i =
~v v~i
= ~v v~i .
||~
v ||2
Observe que a expressao se simplifica ainda mais, ja que os vetores tem

norma igual a 1. Calculando os produtos internos, temos
2
1
1
1 = ~v v~1 = + 0 =
2
2
2
2
1
3
2 = ~v v~2 = + 0 + =
2
2
2
3 = ~v v~3 = 0 + 1 + 0.
Temos entao que
3
1
~v = v~1 + v~2 + v~3 .
2
2
Exerccio 96. Verifique se os conjuntos de vetores abaixo sao ortogonais. Verifique quais deles sao ortonormais. Verifique quais deles
constituem bases de R3 .
1. {(1, 2, 1), (1, 0, 1)} ;

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

1
1
1
1
1
2
1
1
, ,
, ,0
4.
, 6 , 6 , 6
;
3
3
3
2
2
Exerccio 97. Considere os conjuntos acima que sao bases de R3 . Escreva o vetor (1, 1, 1) como combinacao linear dos elementos dessas
bases.
Exerccio 98. Sejam ~v = (1, 1, 2) e ~u = (a, 1, 2). Para quais
valores da constante a os vetores ~v e ~u sao ortogonais?

1
1
1
Exerccio 99. Sejam ~v =

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

a ~v para todo valor de R.
Exerccio 101. Mostre que se ~v e ortogonal a v~1 , . . . , v~k entao ~v e
ortogonal a qualquer combinacao linear de v~1 , . . . , v~k .
6.5.1
Projec
ao e o M
etodo Ortogonaliza
c
ao de
Gram-Schmidt
Definic
ao 17. A projecao de um vetor ~v sobre um vetor nao nulo ~u e
o vetor

~v ~u
proj~u~v =
~u.
k~uk2
Observe que proj~u~v e um multiplo de ~u.
Significado geometrico da projecao de v~2 sobre v~1 .

Teorema 23. Seja w
~ = ~v proj~u~v entao w
~ e ortogonal a ~u.
Demonstracao. De fato,

~v ~u
w
~ ~u = (~v proj~u~v ) ~u = ~v ~u proj~u~v ~u = ~v ~u
k~uk2

~u ~u = 0.
Aplicando repetidamente o teorema acima, obtemos o seguinte resultado:

Teorema 24. Sejam u~1 , u~2 , . . . , u~k vetores nao nulos em Rn . Entao
para qualquer ~v V w
~ = ~v proju~1~v proju~2~v . . . proju~k ~v e
ortogonal a u~i para todo i = 0, . . . , k.
M
etodo Ortogonaliza
c
ao de Gram-Schmidt
Se assumimos a existencia de uma base qualquer para o espaco V entao
podemos nos perguntar se ha uma base ortonormal de V e a resposta
e afirmativa. Dada uma base qualquer {v~1 , v~2 , . . . , v~n } de V entao
podemos obter uma base ortonormal {u~1 , u~2 , . . . , u~n } por meio de um
procedimento conhecido como ortogonalizacao de Gram-Schmidt que
passamos a descrever.
Primeiro passo: Para construir o vetor u~1 basta tomarmos

u~1 =
v~1
.
kv1 k
Segundo passo: Para construir u~2 devemos ter em mente duas

coisas: queremos que u~2 tenha norma unitaria e que seja ortogonal
ao vetor ja construdo u~1 . Para satisfazer essa essa segunda condicao
vamos substituir o vetor ketv2 pelo vetor
w~2 = v~2 proju~1 v~2
que, pelo teorema 23 e ortogonal a u~1 . Para satisfazer a primeira
condicao, basta definir
w~2
.
u~2 =
kw2 k
Construmos assim dois vetores ortogonais entre si e de norma um.
Terceiro passo: Para construir u~3 devemos ter em mente duas
coisas: queremos que u~3 tenha norma unitaria e que seja ortogonal aos
dois vetores ja construdos u~1 e u~2 .
Para satisfazer essa essa segunda condicao vamos substituir o vetor
ketv2 pelo vetor
w~3 = v~3 proju~1 v~3 proju~2 v~3
que, pelo teorema 24 e ortogonal a u~1 e a u~2 . Para satisfazer a primeira
condicao, basta definir
w~3
u~3 =
.
kw3 k
Construmos assim trs vetores ortogonais entre si e de norma um.
Pr
oximos passos: Seguindo dessa maneira nao e difcil ver que o
vetor auxiliar w~k sera dado pela expressao
w~k = v~k v~k u~1 u~1 v~k uk1
~ uk1
~ ,
sendo pelo teorema 24 ortogonal a todos os vetores u~1 , . . . , uk1

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

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

3
w~1 = v~1 =
1

v~2 v~1
8 3
2
2/5
w~2 = v~2 proju~1 (v~2 ) = v~2
v~1
=
.
2
6/5
kv~1 k2
10 1
Verificamos que os vetores w~1 e w~2 sao, de fato, ortogonais:

6 6
3
2/5
w~1 w~2 =
,
= + = 0.
1
6/5
5 5
Vamos agora normaliza-los dividindo pela norma de cada um dos
vetores:

1
3
u~1 =
10 1
1
u~2 = q
40
25
6.5.2

1
1
2/5
.
=
6/5
10 3
Subespacos Ortogonais
Definic
ao 18. Dizemos que dois subespacos S1 e S2 sao ortogonais se
sempre que v~1 S1 e v~2 S2 , v~1 v~2 = 0.
Exemplo 121. A figura abaixo mostra duas retas passando pela origem
em R2 , perpendiculares entre si. Essas retas sao subespacos ortogonais.
Observe que qualquer vetor pertencente à reta a e ortogonal à qualquer vetor pertencente à reta b.
Exemplo 122. As retas passando pela origem mostradas na figura

abaixo sao subespacos ortogonais de R3 .
Exemplo 123. As retas passando pela origem mostradas na figura

abaixo sao subespacos ortogonais de R3 .
Exemplo 124. A reta e o plano passando pela origem mostrados na

figura abaixo sao subespacos ortogonais de R3 .
Exemplo 125. Mostre que os subespacos

S1 = (a + b, a b, a, b) R4 ; a, b R

S2 = (x, y, x y, x + y) R4 ; x, y R
sao subespacos ortogonais.
Solucao. Fazendo o produto interno entre dois elementos quaisquer
de S1 e S2 temos
(a + b, a b, a, b) (x, y, x y, x y) = (a + b)x + (a b)y + a(

= ax + bx + ay by ax
= 0.
Logo S1 e S2 sao subespacos ortogonais.
Mudanca de Base
Vimos nos captlos anteriores que uma base para um espaco vectorial
V de dimensao k e um conjunto de k vetores LI {u~1 , . . . , u~k } com a
propriedade de que cada vetor no espaco pode ser expresso unicamente
como uma combinacao linear dos vetores de u~1 , . . . , u~k . Uma vez que
e muitas vezes desejavel trabalhar com mais dee uma base para um
espaco vetorial , e de importancia fundamental que sejamos capazes
de transformar representacoes de vetores em relacao a uma base para
as suas representacoes equivalentes com relacao a outra base. Essa
transformacao e chamada uma mudanca de coordenadas ou mudanca
de base.
Definic
ao 19. Seja B = {u~1 , . . . , u~k } uma base para um espaco vetorial V . Dado ~v V , as constantes 1 , . . . , k R tais que
~v = 1 u~1 + . . . + k u~k
sao chamadas coordenadas do vetor ~v em relacao base B.

Quando a base B esta fixa, podemos trabalhar somente com as
coordenadas dos vetores em relacao a essa base. Nesse caso, utilizamos
a notacao
1
2
~v =
... .
k B
(7.1)
Observe que o numero de coordenadas e sempre igual dimensao de

V.
Observac
ao 20. Muito cuidado para nao confundir a notacao introduzida na equacao (7.1) com as coordenadas de um vetor em Rn . As
duas nocoes coincidem somente quando estamos trabalhando com a
base canonica do Rn , como mostra o exemplo abaixo.
Exemplo 126 (Base canonica do Rn .). Seja ~v = (a1 , a2 , . . . , an ) Rn .
Entao
~v = a1 (1, 0, . . . , 0) + a2 (0, 1, . . . , 0) + . . . + an (0, 0, . . . , 1)
e portanto a1 , a2 , . . . , an sao as coordenadas de ~v na base canonica C
do Rn . Logo podemos escrever

a1
a2
~v =
... .
ak
Exemplo 127. Encontre as coordenadas do vetor ~v = (3, 1) R2 na

base B formada pelos vetores u~1 = (1, 2) e u~2 = (1, 1).
Solucao. As coordenadas de ~v na base B sao as constantes 1 , 2 R
tais que
(3, 1) = 1 (1, 2) + 2 (1, 1),
que podem ser encontradas

1
2
resolvendo-se o sistema linear

1 1
3
=
.
1 2
1
Resolvendo o sistema obtemos 1 = 4 e 2 = 7. De fato

(3, 1) = 4(1, 2) + (7(1, 1).
Assim, as coordenadas de ~v na base B sao 4 e 7 e podemos escrever

4
~v =
.
7 B
O fato de que as coordenadas de ~v na base B sao 4 e 7 significa
que para chegar ao vetor ~v devemos somar 4 vezes o vetor u~1 e 7
vezes o vetor u~2 . A interpretacao geometrica desse fato e mostrada na
figura abaixo.
A figura acima mostra os vetores u~1 = (1, 2) e u~2 = (1, 1) (em preto),
os vetores 4u~1 = (4, 8) e 7u~2 = (7, 7) (em vermelho), e o vetor ~v
(em azul). Observe que o vetor em azul e a soma dos vetores em
vermelho.
Exerccio 102. Encontre as coordenadas do vetor ~v = (1, 1) em relacao

as bases abaixo. Utilize um computador para resolver os sistemas lineares.
1. B = {(1, 1), (1, 1)} ;
2. B = {(1, 2), (3, 1)} ;
3. B = {(1, 0), (1, 2)} .
Exerccio 103. Encontre as coordenadas do vetor ~v = (1, 1, 1) em
relacao as bases abaixo. Utilize um computador para resolver os sistemas
lineares.
1. B = {(1, 1, 0), (1, 1, 1), (1, 1, 0)} ;
2. B = {(1, 2, 0), (3, 1, 1), (4, 1, 1)} ;
3. B = {(1, 0, 0), (1, 1, 0), (1, 2, 1)} .
Exemplo 128. Seja P2 o conjunto de todos os polinomios com coeficientes
de grau menor ou igual a 2. Sabemos que o conjunto
reais2
B1 = 1, x, x e uma base para P2 . Dado um polinomio qualquer
p(x) = a2 x2 + a1 x + a0 ,
as constantes a0 , a1 , a2 sao as coordenadas de p(x) na base B1 . Logo
podemos escrever

a0
p(x) = a1 .
a2 B
1
Observe que, com essa notacao, o conjunto P2 se assemelha muito a R3 .

De fato, uma vez fixada a base, todos os espacos vetoriais de dimensao
tres serao descritos de maneira semelhante.
Exemplo 129. Encontre

coordenadas de
p(x) = x2 x + 2 P2
as

em relacao base B2 = x2 1, x + 2, 1 .
Solucao. Precisamos encontrar constantes 1 , 2 , 3 tais que
x2 x + 2 = 1 (x2 1) + 2 (x + 2) + 3 (1).
Expandindo o polinomio do lado direito e colocando em evidencia os
termos de mesmo grau temos
x2 x + 2 = 1 x2 1 + 2 x + (1 + 22 3 )
o que implica que 1 = 1, 2 = 1 e 3 = 5. De fato
x2 x + 2 = (x2 1) (x + 2) 5(1).
Assim, podemos escrever
1
p(x) = 1 .
5 B
2

Exerccio 104. Considere a base B1 = 1, x, x2 , x3 de P3 . Encontre
as coordenadas de um polinomio qualquer p(x) P3 em relacao base
B1 .

Exerccio 105.
1. Mostre que B2 = 1, x + 1, x2 x + 1, x3 x2
e base de P3 .
2. Encontre as coordenadas de p(x) = x3 2x2 + 4x + 3 em relacao
base B2
A definicao anterior tambem vale para subespacos de um espaco
vetorial V .
Definic
ao 20. Seja B = {u~1 , . . . , u~k } uma base para um subespaco S
de um espaco vetorial V . Dado ~v S, as constantes 1 , . . . , k R
tais que
~v = 1 u~1 + . . . + k u~k
sao chamadas coordenadas do vetor ~v em relacao base B.
Observe que, independente de quem seja o espaco vetorial V e de
como seus elementos sao inicialmente representados, o numero de coordenadas de um vetor ~v S em relacao a qualquer uma das bases de
S e sempre igual dimensao do subespaco S.
Exemplo 130 (Um subespaco de dimensao 2 em R3 .). Considere o
subespaco

S = (a, b, a + b) R3 ; a, b R
Encontre as coordenadas do vetor (2, 3, 5) em relacao
{(1, 0, 1), (0, 1, 1)} .
base B =
Solucao. Devemos encontrar constantes 1 e 2 tais que

(2, 3, 5) = 1 (1, 0, 1) + 2 (0, 1, 1).
Essas constantes podem ser
1
0
1
encontradas resolvendo-se o sistema linear

0
2
1
1
= 3 .
2
1
5
Resolvendo o sistema obtemos 1 = 2 e 2 = 3. De fato

(2, 3, 5) = 2(1, 0, 1) + 3(0, 1, 1).
Assim, as coordenadas de ~v na base B sao 2 e 3 e podemos escrever

2
~v =
.
3 B
Observe que temos duas coordenadas, uma vez que S e um subespaco
de dimensao 2.
Exerccio 106.
1. Encontre uma base para os subespacos abaixo:

a) S1 = (a, a + b, a b) R3 ; a, b R ;

b) S2 = (x, y, z) R3 ; x + y 2z = 0 R ;

c) S3 = (x, y, z) R3 ; 3x 2y z = 0 R .
2. Verifique que o vetor ~v = (1, 1, 1) pertence a todos os subespacos

do item anterior;
3. Encontre as coordenadas do vetor ~v = (1, 1, 1) em relao às bases
encontradas no item 1.
Encontrar as coordenadas de um vetor em relacao a uma base e
mais facil quando essa base e ortogonal, uma vez que podemos utilizar
o resultado
Se {v~1 , . . . , v~k } e um conjunto ortogonal e
~v = 1 v~1 + . . . + k v~k ,
entao
i =
~v v~i
.
||~
vi ||2
Observe que a expressao acima se simplifica ainda mais quando a

base e ortonormal.
Exemplo 131. Encontre as coordenadas do vetor ~v = (2, 1, 1) em
relacao base

1
1
1
1
B = v~1 = , 0, , v~2 = , 0, , v~3 = (0, 1, 0) .
2
2
2
2
Solucao. Pelo resultado acima, sabemos que se
~v = 1 v~1 + 2 v~2 + 3 v~3
entao cada constante i e dada por

i =
~v v~i
= ~v v~i .
||~
vi ||2
Observe que a expressao se simplifica ainda mais, ja que os vetores tem

norma igual a 1. Calculando os produtos internos, temos
2
1
1
1 = ~v v~1 = + 0 =
2
2
2
1
3
2
2 = ~v v~2 = + 0 + =
2
2
2
3 = ~v v~3 = 0 + 1 + 0.
Temos entao que
1
3
~v = v~1 + v~2 + v~3
2
2
e portanto temos
~v =
1
32
2
Vamos agora considerar a questao de como escrever um certo vetor

em bases distintas. Consideremos duas bases, B1 = {u~1 , . . . , u~k } e
B2 = {v~1 , . . . , v~k }. Dado um vetor ~v , sabemos que existem constantes
1 , . . . , k tais que
~v = 1 u~1 + + k u~k ,
ou seja, temos
1
~v = ...
k
e as constantes i sao as coordenadas de ~v em relacao à base B1 . Por

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

1
~v = ... ,
k B
2
e as constantes i sao as coordenadas de ~v em relacao à base B2 .

Queremos obter a relacao entre as constantes i e i .
Como o conjunto B2 = {v~1 , . . . , v~k } e uma base para V , podemos
escrever
u~1 = M11 v~1 + M21 v~2 + + Mk1 v~k
u~2 = M12 v~1 + M22 v~2 + + Mk2 v~k
..
..
.
.
u~i = M1i v~1 + M2i v~2 + + Mki v~k
..
..
.
.
u~k = M1k v~1 + M2k v~2 + + Mkk v~k
(7.2)
(7.3)
(7.4)
(7.5)
(7.6)
(7.7)
As constantes Mij sao as coordenadas dos vetores u~j em relacao base

B2 .
Teorema 25. Considere a matriz
M11 M12
M21 M22
M =
..
...
.
Mk1 Mk2
. . . M1k
. . . M2k
.
. . . ..
. . . Mkk
a matriz obtida utilizando as coordenadas dos vetores da base B1 em

relacao base B2 como colunas. Entao a matriz M faz a mudanca de
coordenadas da base B1 para

M11
1
M
... = .21
..
k B
2
Mk1
a base B2 , ou seja

M12 . . . M1k
1
M22 . . . M2k
... .
..
..
. ... .
k B
1
Mk2 . . . Mkk
A matriz M e chamada matriz de mudanca de coordenadas ou matriz

de mudanca de base de B1 para B2
Demonstrac
ao. De fato, note que
~v = 1 u~1 + + k u~k
!
!
k
k
X
X
= 1
Mi1 v~i + 2
Mi2 v~i + + k
i=1
i=1
k
X
!
Mik v~i
i=1
Colocando em evidencia os termos que multiplicam cada v~i na equacao

acima temos
~v = (M11 1 + M12 2 + + M1k k ) v~1
+ (M21 1 + M22 2 + + M2k k ) v~2
.
+ ..
+ (Mk1 1 + Mk2 2 + + Mkk k ) v~k .
Temos entao que
1 = M11 1 + M12 2 + + M1k k
2 = M21 1 + M22 2 + + M2k k
..
..
.
.
k = Mk1 1 + Mk2 2 + + Mkk k
e portanto
as coordenadas na base B2 sao as componentes do vetor
1
M ... .
k
Para fazer a mudanca de base inversa, ou seja, da base B2 para a

base B1 , utilizamos a matrix M 1 . De fato, se

1
1
.
.. = M ...
k B
k B
2
multiplicando ambos os lados da equacao por M 1 obtemos

1
1
.
1
.. = M ... .
k B
k B
1
Teorema 26. Se M e a matriz de mudanca de base de B1 para B2 ,

entao M 1 e a matriz de mudanca de base de B2 para B1 .
Exemplo 132. Cosidere a base B de R2 formada pelos vetores u~1 =
(1, 2) e u~2 = (1, 1). Encontre a matriz de mudanca de coordenadas da
base canonica C do R2 para a base B.
Solucao. Sempre que a base canonica estiver envolvida, o melhor a
fazer e encontrar a matriz de mudanca de base de B para C e em seguida
utilizar a inversao de matrizes para encontrar a matriz de mudanca de
coordenadas de C para B.
Se queremos passar da base B para a base C devemos encontrar
as coordenadas dos vetores da base B em relacao base C e utilizalas como colunas da matriz M . Em relacao base canonica C, e facil
encontrar as coordenadas:

1
1
u~1 =
, u~2 =
.
2 C
1 C
Assim, a matriz M que faz a mudanca de coordenadas da base B para
a base C e

1 1
M=
.
2 1
A matriz que faz a mudanca de base de C para B e entao

1 1
1
M =
.
2 1
Com o resultado do exemplo anterior, podemos refazer o exemplo

127.
Exemplo 133. Encontre as coordenadas do vetor ~v = (3, 1) R2 na
base B formada pelos vetores u~1 = (1, 2) e u~2 = (1, 1).
Solucao. As coordenadas de ~v na base canonica sao

3
~v =
.
1 C
As coordenadas de ~v na base B sao

1 1
3
4
=
,
2 1
1 C
7 B
exatamente como mostrado no exemplo 127.
Exerccio 107. Utilize as matrizes encontradas no exemplo 134 para
calcular as coordenadas dos vetores abaixo em relacao base B formada
pelos vetores u~1 = (1, 2) e u~2 = (1, 1).

4
1.
;
7 B

1
2.
;
1 B

1
3.
.
1
Exerccio 108. Os vetores abaixo estao escritos em termos de suas

coordenadas em relacao base B formada pelos vetores u~1 = (1, 2)
e u~2 = (1, 1). Utilize as matrizes encontradas no exemplo 134 para
calcular as coordenadas desses vetores em relacao base canonica de R2
1. (1, 2);
2. (2, 4);
3. (1, 1).
Exerccio 109. Encontre a matriz de mudanca de base da base canonica
de R2 para as bases abaixo. Utilize um computador para calcular as inversas.
1. B = {(1, 1), (1, 1)} ;
2. B = {(1, 2), (3, 1)} ;
3. B = {(1, 0), (1, 2)} .
Exerccio 110. Encontre a matriz de mudanca de base da base canonica
de R3 para as bases abaixo. Utilize um computador para calcular as inversas.
1. B = {(1, 1, 0), (1, 1, 1), (1, 1, 0)} ;
2. B = {(1, 2, 0), (3, 1, 1), (4, 1, 1)} ;
3. B = {(1, 0, 0), (1, 1, 0), (1, 2, 1)} .
Exerccio 111. Considere os vetores u~1 = (2, 1) e u~2 = (0, 3).
1. Mostre que B = {u~1 , u~2 } e uma base para R2 ;
2. Encontre a matriz de mudanca de coordenadas da base B para a
base canonica;
3. Encontre a matriz de mudanca de coordenadas da base canonica

para a base B;

1
4. Se o vetor ~v possui coordenadas
na base B, quais sao
1 B
suas coordenadas na base canonica?

2
na base canonica, quais
1 C
sao suas coordenadas na B?
Exerccio 112. Considere os vetores u~1 = (1, 1, 0), u~2 = (1, 1, 0) e
u~3 = (0, 0, 1).
1. Mostre que B = {u~1 , u~2 , u~3 } e uma base para R3 ;
base canonica;
para a base B;

1
4. Se o vetor ~v possui coordenadas 1 na base B, quais sao
2 B

0
5. Se o vetor ~v possui coordenadas 1 na base canonica, quais
1 C
Quando as bases envolvidas sao ambas ortonormais, o calculo de
M se simplifica enormemente.
1
Teorema 27. Sejam B1 e B2 duas bases ortonormais de um espaco

vetorial V . Se M e a matriz de mudanca de coordenadas de B1 para
B2 , entao a matriz de mudanca de coordenadas de B2 para B1 e igual

a MT.
Demonstrac
ao. Sabemos que a matriz de mudanca de coordenadas
De B2 para B1 e M 1 . Nesse caso, M e uma matriz cujas colunas
sao vetores de norma 1 e portanto M 1 = M T .
Exemplo
134. Cosidere
base B de R2 formada pelos vetores u~1 =
a

1 , 2 e u
~2 = 23 , 13 . Encontre a matriz de mudanca de coor3
3
denadas da base canonica C do R2 para a base B.
Solucao. Sempre que a base canonica estiver envolvida, o melhor a
fazer e encontrar a matriz de mudanca de base de B para C e em seguida
utilizar a inversao de matrizes para encontrar a matriz de mudanca de
coordenadas de C para B.
Se queremos passar da base B para a base C devemos encontrar
as coordenadas dos vetores da base B em relacao base C e utilizalas como colunas da matriz M . Em relacao base canonica C, e facil
encontrar as coordenadas:
"1#
" #
23
3
u~1 =
, u~2 =
.
2
1
3 C
Assim, a matriz M que faz a mudanca de coordenadas da base B para

a base C e
#
"
1
2
3 .
M = 32
1
A matriz que faz a mudanca de base de C para B e entao

#
"
M
1
3
23
2
3
1
3
Exemplo 135. Utilize as matrizes encontradas no exemplo anterior para

encontrar as coordenadas
do vetor

~v = (0,
1) na base formada pelos

vetores u~1 = 13 , 23 e u~2 = 23 , 13 .
Solucao. As coordenadas de ~v na base canonica sao:

2
~v =
.
1 C
As coordenadas de ~v na base B sao
#
"
" #

1
2
23
0
3
3
=
.
1 C
13
23 13
B
Exerccio 113. Considere os vetores u~1 =
1 , 1
2
2
e u~2 =
1 , 1
2
2
1. Mostre que B = {u~1 , u~2 } e uma base ortonormal para R2 ;

base canonica;
para a base B;

1
na base B, quais sao
1 B

2
1 C

1 2
2 1

, 5 e u~2 =
, 5 .
5
5
1. Mostre que B = {u~1 , u~2 } e uma base ortonormal para R2 ;

base canonica;

para a base B;

1
na base B, quais sao suas
2 B
coordenadas na base canonica?

5
1 C

1
1
Exerccio 115. Considere os vetores u~1 = 2 , 2 , 0, u~2 = 12 , 12,0
e u~3 = (0, 0, 1).
1. Mostre que B = {u~1 , u~2 , u~3 } e uma base ortonormal para R3 ;
base canonica;
para a base B;

1

0 B

2

1 C

1
1

, 2 , 0 , u~2 = 12 , 12 ,
2
e u~3 = (0, 0, 1).

base canonica;
para a base B;

1

0 B

2
1 C

1
1
Exerccio 117. Considere os vetores u~1 = 2 , 2 , 0 , u~2 = 13 , 13 ,

1
2
1
e u~3 = 6 , 6 , 6 .
base canonica;
para a base B;

0
4. Se o vetor ~v possui coordenadas 1 na base B, quais sao suas
0 B
coordenadas na base canonica?

1
1 C
Exerccio 118. Seja B = {u~1 , u~2 } uma base de R2 tal que a mudanca
de coordenadas da base canonica para B seja dada por:
1
3
1 =
1 2
2
2
3
1
2 .
2 = 1 +
2
2
1. Encontre as coordenadas dos vetores da base B na base canonica.
A base B e uma base ortonormal?
base canonica.
Exerccio 119. Seja B = {u~1 , u~2 , u~3 } uma base de R3 tal que a mudanca de coordenadas da base canonica para B seja dada por:
1
1
1 = 1 2
2
2
1
1
3
2 = 1 + 2 3
5
5 5
3
3
2
3 = 1 + 2 3 .
10
10
10
1. Encontre as coordenadas dos vetores da base B na base canonica.
A base B e uma base ortonormal?
base canonica.
Provas antigas
I. 9 de dezembro de 2010
1. (1 pt) Dados os conjuntos de vetores em R3
a) {(1/ 2, 0, 1/ 2), (1/ 2, 0, 1/ 2), (0, 1, 0)}
b) {(1/ 3, 1/ 3, 1 3), (1/ 2, 0, 1/ 2)}

c) {(1, 1, 1), (1, 1, 2), (1, 1, 0)},
d) {(1, 0, 2), (1, 1, 0), (0, 0, 1), (1, 2, 3)}
a) diga quais deles formam bases para R3 ;
b) diga quais deles sao conjuntos ortogonais;
c) diga quais deles sao conjuntos ortonormais;
d) diga quais deles sao bases ortogonais para R3 ;
e) diga quais deles sao bases ortonormais para R3 .
2. (1 pt)
a) Mostre que
{(x, y, z) R3 |x 3z = 5}
NO e um subespaco de R3 .
b) Mostre que o vetor nulo e combinacao linear de qualquer conjunto de vetores V1 , . . . , Vn .

3. (1,5 pt) Seja o subconjunto
W = {(x, y, z, w) R4 |x z = 0}
a) Mostre que W e um subespaco de R4 .
b) Encontre uma base para W e sua dimensao.
c) Mostre que os vetores V1 = (1, 0, 1, 0), V2 = (2, 1, 2, 0), V3 =

(0, 2, 0, 1) pertencem a W .
d) Mostre que {V1 , V2 , V3 } e uma base de W .
II. 19 de outubro de 2010
a) {(1, 1, 1), (1, 1, 2), (1, 1, 0)},
b) {(1/ 3, 1/ 3, 1 3), (1/ 2, 0, 1/ 2)}

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

2. (1 pt)
a) Mostre que
{(x, y, z) R3 |X + 2y 3z = 4}
3. (1,5 pt) Considere o sistema homogeneo abaixo
x1 x2 = 0
x3 + x6 = 0
x4 = 0
x5 = 0
x7 = 0
que possui 7 incognitas x1 , x2 , x3 , x4 , x5 , x6 , x7 .
a) Seja W o conjunto de solucoes desse sistema. W e subespaco
de qual Rn ?
c) Mostre que V1 = (1, 1, 2, 0, 0, 2, 0), V2 = (2, 2, 1, 0, 0, 1, 0)
pertencem a W .
d) Mostre que {V1 , V2 } formam uma base de W .
III. 19 de outubro de 2010
a) {(1/ 2, 0, 1/ 2), (1/ 2, 0, 1/ 2), (0, 1, 0)}
b) {(1/ 3, 1/ 3, 1 3), (1/ 2, 0, 1/ 2)}

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

(0, 2, 0, 1) pertencem a W .
IV. 19 de outubro de 2010
a) {(1/ 2, 0, 1/ 2), (1/ 2, 0, 1/ 2), (0, 1, 0)}
b) {(1/ 3, 1/ 3, 1 3), (1/ 2, 0, 1/ 2)}

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

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

x
y
W1 = (x, y, z, w) R4 ;
e mutiplo de I
z w

x y
1 0
4
W2 = (x, y, z, w) R ;
e mutiplo de
z w
0 1
sao subespacos de R4 .
b) Encontre bases para eles e suas dimensoes.
c) Mostre que esses subespacos sao ortogonais.
2. (0,9 pt) Considere o sistema homogeneo abaixo
x1 x2 + x3 + x4 = 0
x1 + x2 x3 x4 = 0
3x1 + x2 x3 x4 = 0
que possui 4 incognitas x1 , x2 , x3 , x4 .
c) Mostre que V1 = (0, 1, 1, 2), V2 = (0, 2, 2, 0) pertencem a
W.
d) Mostre que {V1 , V2 } formam uma base para W .
3. a) Para quais valores de a R o conjunto B = {(a, 1, 0), (1, a, 1)}
e uma base de R3 ?
b) a R o conjunto B = {(a, 1), (1, a)} e uma base de R3 ?
c) Faca a = 2 no conjunto da letra b e encontre uma base ortonormal para R2 a partir dessa utilizando o processo de ortogonalizacao de Gram-Schmidt.
4. ( 0,9 pt) Dados os vetores
B = {(1/ 5, 2/ 5, 0), (2/ 5, 1/ 5, 0), (0, 0, 1)}

a) mostre que B e uma base ortonormal para R3 ;
b) encontre a matriz de mudanca de coordenadas da base B para
a base canonica;
c) encontre a matriz de mudanca de coordenadas da base canonica
para a base B;
d) se o vetor V possui coordenadas (5, 1, 0) na base B, quais sao
e) se o vetor V possui coordenadas (1, 5, 1) na base canonica,
quais sao suas coordenadas na B?
Transformacoes Lineares
Uma transformacao linear e um tipo particular de funcao entre dois
espacos vetoriais que preserva as estruturas de espaco vetorial de cada
um deles, isto e, e uma funcao que preserva as operacoes de adicao
vetorial e multiplicacao por escalar. Do ponto de vista da Algebra

Linear,
que se preocupa apenas com a estrutura matematica dada por essas
duas operacoes, somente sao consideradas transformacoes que sejam
lineares.
9.1
Definic
ao
Definic
ao 21. Sejam U e V espacos vetoriais. Uma aplicacao T : U
V e dita uma transformacao linear se dados u~1 , u~2 U e R temos
T (u~1 ) = T (u~1 )
T (u~1 + u~2 ) = T (u~1 ) + T (u~2 )
Exemplo 136. A funcao

T : R R
x 7 2x
e uma transformacao linear de R em R. De fato, dados x1 , x2 R e

R temos
T (x1 + x2 ) = 2(x1 + x2 ) = 2x1 + 2x2 = T (x1 ) + T (x2 )
T (x1 ) = 2(x1 ) = (2x1 ) = T (x1 ).
T : R R
x 7 x2
nao e uma transformacao linear de R em R. De fato, dados x1 , x2 R
temos
T (x1 + x2 ) = (x1 + x2 )2 6= x21 + x22 = T (x1 ) + T (x2 ).
T : R2 R
(x, y) 7 x + y
e uma transformacao linear de R2 em R. De fato, dados u~1 = (x1 , y1 ), u~2
(x2 , y2 ) R2 e R temos
T (u~1 + u~2 ) =
=
=
=
T (u~1 ) =
=
=
=
T (x1 + x2 , y1 + y2 )
(x1 + x2 ) + (y1 + y2 )
(x1 + y1 ) + (x2 + y2 )
T (u~1 ) + T (u~2 ).
T (x1 , y1 ))
x1 + y1
(x1 + y1 )
T (x1 , y1 ) = T (u~1 ).
Exemplo 139. Dados dois espacos vetoriais quaisquer U e V , a transformacao

T : U V
~u 7 0
e uma transformacao linear entre U e V . De fato
T (u~1 + u~2 ) = 0 = 0 + 0 = T (u~1 ) + T (u~2 )
T (u~1 ) = 0 = 0 = T (u~1 ).
Essa transformacao linear e chamada transformacao nula.
Exemplo 140. Dado um espaco vetorial qualquer U , a transformacao
identidade
T : U U
~u 7 ~u
e uma transformacao linear entre U e V . De fato
T (u~1 + u~2 ) = u~1 + u~2 = T (u~1 ) + T (u~2 )
T (u~1 ) = 0 = u~1 = T (u~1 ).
T : R2 R2
(x, y) 7 (2x + y, x 3y)
e uma transformacao linear de R2 em R. A verificacao de que T e de
fato linear e simples, mas trabalhosa. Veremos no proximo exemplo
uma maneira mais simples de faze-la.
Exemplo 142. Representemos ~u = (a1 , . . . , an ) Rn em termos de
suas coordenadas em relacao à base canonica C:

a1
~u = ...
an
Dada uma matriz m n qualquer A A funcao

T : Rn Rm
~u 7 A~u
e uma transformacao linear de Rn em Rn . Esse fato e uma consequencia
da linearidade da multiplicacao de matrizes. Com efeito, dados u~1 , u~2
Rn e R temos
T (u1 + u2 ) = A (u~1 + u~2 ) = Au~1 + Au~2 = T (u~1 ) + T (u~2 ).
T (u1 ) = A (u~1 ) = Au~1 = T (u~1 ).
Exemplo 143. O exemplo 141 e um caso particular do exemplo 142.
De fato, a transformacao T do exemplo 141 pode ser escrita na forma

2 1
x
T (x, y) =
.
1 3 y C
Veremos mais adiante que todas as transformacoes lineares podem ser
escritas de maneira semelhante à mostrada no exemplo 142.
Exemplo 144. Seja Pn o espaco vetorial formado pelos polinomios
com coeficientes reais de grau no maximo n. Seja T a transformacao
derivada:
T : Pn Pn1
d
p(x) 7 dx
p(x).
A transformacao T e uma transformacao linear. Esse fato e uma consequencia da linearidade da derivada. Com efeito, dados p1 (x), p2 (x)
Pn e R temos
d
T (p1 (x) + p2 (x)) =
(p1 (x) + p2 (x))
dx
d
d
=
p1 (x) + p2 (x)
dx
dx
= T (p1 (x)) + T (p2 (x)) ,
T (p1 (x)) =
(p1 (x)) =
p1 (x) = T (p1 (x)) .
Exerccio 120. Verifique quais das transformacoes abaixo sao lineares:

1.
T 1 : R2
R
x
(x, y) 7 ye .
2.
T2 : R2 R
(x, y) 7 x y
3.
T3 : R2 R
(x, y) 7 ax + by
em que a e b sao numeros reais quaisquer.
4.
T4 : R3 R2
(x, y, z) 7 (xy, yz)
5.
T5 : Rn R
T3 (v) 7 kvk
6.
T6 : R3 R2
(x, y, z) 7 (x, y)
7.
T7 : R3 R2
(x, y) 7 (ax + by, cx + dy)
em que a, b, c e d sao numero reais quaisquer.
9.2
Propriedades
Teorema 28. Se T e uma transformacao linear entre dois espacos vetoriais U e V , entao T (0) = 0.
Demonstracao. De fato, dado ~u U qualquer, temos
T (0) = T (0 ~u) = 0 T (~u) = 0.
Exemplo 145. A transformacao

T : R2 R2
(x, y) 7 (2x + 1, 3 3y)
nao e uma transformacao linear. De fato, T (0) = (1, 3) 6= 0, contrariando o teorema 28.
Teorema 29. Seja T e uma transformacao linear entre dois espacos
vetoriais U e V e { u~1 , . . . , u~m } uma base qualquer de U . Se conhecermos as imagens T (u~1 ) , . . . T (u~m ) entao e possvel calcular T (~u) para
qualquer ~u U .
Demonstracao. Como { u~1 , . . . , u~m } e uma base de U , dado ~u U
qualquer sabemos que existem constantes 1 , . . . m tais que
~u = 1 u~1 + . . . + m u~m .
Pela linearidade de T temos
(~u) = T (1 u~1 + . . . + m u~m ) = 1 T (u~1 ) + . . . + m T (u~m ) .
Exerccio 121. Seja T : R2 R2 uma transformacao linear tal que

T (1, 1) = (2, 4) e T (0, 1) = (1, 1). Encontre T (x, y) para todo
(x, y) R2 .

T (1, 1, 1) = (1, 0), T (1, 0, 1) = (1, 1) e T (0, 0, 1) = (0, 0). Encontre
T (x, y, z) para todo (x, y, z) R3 .
Teorema 30. Sejam U, V e w espacos vetoriais e T1 : U V e
T2 : V W transformacoes lineares. Entao a composicao
T2 T1 : U W
tambem e uma transformacao linear.
Teorema 31. Sejam U e V espacos vetoriais e T : U V uma
transformacao linear que possui inversa. Entao a inversa
T 1 : V U
tambem e uma transformacao linear.
9.3
A matriz de uma transformac

ao linear
Fixemos uma base B1 = { u~1 , . . . , u~m } de U e uma base B2 = {v~1 , . . . , v~n

de V . Podemos escrever um vetor ~u V na forma ~u = 1 u~1 + . . . +
m u~m , que tambem podemos representar na forma matricial em termos
das coordenadas em relacao à base B1
1
2
~u =
... .
m B
1
Vamos agora analisar a imagem de cada vetor da base B1 por uma

transformacao linear T : U V . Como B2 e uma base para V e cada
T (~
ui ) V , existem constantes que denotaremos por Tji R tais que
T (u~1 ) = T11 v~1 + T21 v~2 + + Tn1 v~k

T (u~2 ) = T12 v~1 + T22 v~2 + + Tn2 v~k
..
..
.
.
T (~
ui ) = T1i v~1 + T2i v~2 + + Tni v~k
..
..
.
.
T (u~m ) = T1m v~1 + T2m v~2 + + Tnm v~k
Da temos que
T (~u) = T
m
X
!
i u~i
m
X
i T (~
ui )
i=1
i=1
n
m X
X
i Tji v~j
i=1 j=1
" m
n
X
X
j=1
#
Tji i v~j
i=1
Assim, as coordenadas de T (~u) em relacao à base B2 sao

m
X
Tji i ,
i=1
o que equivale a equacao matricial

T11 T12
1
T21 T22
[T (~u)]B2 = ... =
..
...
.
n B
2
Tn1 Tn2

. . . T1m
1
. . . T2m
...
..
... .
m B
1
. . . Tnm
(9.1)
em que [T (~u)]B2 denota as coordenadas de T (~u) em relacao à base B2 .
Provamos assim que, dada uma transformacao linear T : U

V , fixadas as bases para U e V , podemos representa-la em forma
matricial.
Utilizaremos a notacao
2
[T ]B
B1
T11 T12
T21 T22
=
..
...
.
Tn1 Tn2
. . . T1m
. . . T2m
.
. . . ..
. . . Tnm
para indicar a matriz que representa a transformacao linear T em relacao

às bases B1 e B2 . Observe que a matriz que representa a transformacao
linear T depende das bases escolhidas para U e V .
2
As colunas da matriz [T ]B
ao as coordenadas dos vetores T (~
ui )
B1 s
em relacao à base B2 .
2
A multiplicacao pela matriz [T ]B
B1 equivale a tomar um vetor de
U escrito em relacao à base B1 , aplicar a transformacao T e retornar
o resultado T (~u) escrito em relacao à base B2 .
Exemplo 146. Encontre a matriz que representa a transformacao linear

T : R2 R2
(x, y) 7 (2x + y, x 3y)
em relacao à base canonica.
Solucao. Queremos encontrar a matriz [T ]CC . Para isso devemos encontrar a imagem dos elementos da base canonica e escreve-los em
termos de suas coordenadas em relacao à base canonica.
T (1, 0) = (2, 1)
T (0, 1) = (1, 3).

Utilizando essas coordenadas como colunas encontramos a matriz desejada:

2
1
[T ]CC =
.
1 3
Observe que a multiplicacao

2 1
x
2x + y
=
1 3
y C
x 3y C
corresponde justamente à transformacao linear T .
Exemplo 147. Considere a base B = {(1, 1), (0, 1)} e a transformacao
linear
T : R2 R2
(x, y) 7 (2x + y, x 3y)
Encontre a matriz [T ]CB que representa essa transformacao linear em
relacao à base B no domnio e no contradomnio.
Solucao. Queremos encontrar a matriz [T ]B
B . Para isso devemos encontrar a imagem dos elementos da base B e escreve-los em termos de
suas coordenadas em relacao à base B.
T (1, 1) = (3, 2) = 3(1, 1) 5(0, 1)
T (0, 1) = (1, 3) = (1, 1) 4(0, 1).
Temos entao

3
T (1, 1) =
,
5 B
1
T (0, 1) =
4

.
B

3
1
[T ]CC =
.
5 4
A multiplicacao por essa matriz leva um vetor ~u U escrito em suas

coordenadas na base B ao vetor T (~u) escrito em suas coordenadas na
base B.
Exemplo 148. Encontre a matriz que representa a transformacao linear
T : R2 R3
(x, y) 7 (x + 2y, 3x, x + 5y)
em relacao à base canonica.
Solucao. Queremos encontrar a matriz [T ]CC . Para isso devemos encontrar a imagem dos elementos da base canonica e escreve-los em
termos de suas coordenadas em relacao à base canonica.
T (1, 0) = (1, 3, 1)
T (0, 1) = (2, 0, 5).
1 2
[T ]CC = 3 0 .
1 5
Observe que a multiplicacao

1 2
x + 2y
3 0 x = 3x
y C
1 5
x + 5y C
corresponde justamente à transformacao linear T .
Exemplo 149. Considere a base B = {(1, 1), (1, 1)} de R2 e a transformacao linear
T : R2 R3
(x, y) 7 (x + 2y, 3x, x + 5y).
Encontre a matriz [T ]CB que representa essa transformacao linear em

relacao à base B no domnio e em relacao à base canonica no contradomnio.
Solucao. Queremos encontrar a matriz [T ]CB . Para isso devemos encontrar a imagem dos elementos da base B e escreve-los em termos de
suas coordenadas em relacao à base canonica.
T (1, 1) = (3, 3, 4)
T (1, 1) = (1, 1, 6).
3 1
[T ]CB = 3 1 .
4 6
A multiplicacao por essa matriz leva um vetor ~u U escrito em suas
coordenadas na base B ao vetor T (~u) escrito em suas coordenadas na
base canonica.
T (1, 1) = (2, 4) e T (0, 1) = (1, 1).
1. Encontre [T ]CB em que B e a base formada pelos vetores (1, 1) e
(0, 1).
2. Encontre [T ]CC .
T (1, 1, 1) = (1, 0), T (1, 0, 1) = (1, 1) e T (0, 0, 1) = (0, 0).
1. Encontre [T ]CB em que B e a base formada pelos vetores (1, 1, 1)
(1, 0, 1) e (0, 0, 1).
2. Encontre [T ]CC .
Exemplo 150. Consideremos a transformacao identidade I : U U

2
que leva cada vetor de U em si mesmo. A matriz [I]B
B1 que representa I
em relacao às bases B1 e B2 para U a matriz que leva um vetor escrito
em relacao à base B1 e retorna esse mesmo vetor escrito em relacao à
base B2 . No captulo anterior ja estudamos essa matriz: e a matriz de
mudanca de coordenadas entre as bases B1 e B2 .
A matriz de mudanca de coordenadas da base B1 para a base B2
2
e igual a [I]B
B1 .
2
Exemplo 151. Para encontrar a matriz [T ]B
ao
B1 quando B1 e B2 n
sao a base canonica, podemos utilizar a matriz [T ]CC e as mudancas de
coordenadas adequadas:
B2
C
C
2
[T ]B
B1 = [I]C [T ]C [I]B1 .
Teorema 32. Sejam U, V e W espacos vetoriais e T1 : U V e

T2 : V W transformacoes lineares. Dadas bases B1 , B2 e B3 para
U, V e W , respectivamente,
B3
B2
3
[T2 T1 ]B
B1 = [T2 ]B2 [T1 ]B1 ,
ou seja, a matriz que representa a composicao de T2 e T1 e o produto

da matriz que representa T2 com a matriz que representa T1 .
Exemplo 152. Sejam
T1 : R2 R2
(x, y) 7 (2x + y, x 3y)
T2 : R2 R2
(x, y) 7 (y, x)
Encontre a matriz que representa T2 T1 em relacao à base canonica.
Solucao. A matriz que representa T1 e

2
1
[T1 ]CC =
1 3
e a matriz que representa T2 e
[T2 ]CC

0 1
=
.
1 0
Assim, a matriz que representa T2 T1 e

0
1
2
1
1
3
[T2 T1 ]CC =
=
.
1 0
1 3
2 1
Observe que a representacao matricial encontrada acima esta de acordo
com o que esperamos, uma vez que
T2 T1 (x, y) = T2 (2x + y, x 3y) = (x + 3y, 2x + y).
Teorema 33. Sejam U e V espacos vetoriais e T : U V uma

transformacao linear que possui inversa. Entao, dadas bases B1 e B2
para U e V respectivamente, temos

1
B2
1 B1
[T ]B2 = [T ]B1
,
ou seja, a matriz que representa a transformacao T 1 e a inversa da
matriz que representa T nas mesmas bases.
Teorema 34. Uma transformacao linear T : U V e invertvel se, e
2
somente se, a matriz [T ]B
e invertvel.
B1
Uma matriz so pode ser invertvel se for quadrada. Isso implica
que uma transformacao linear entre dois espacos vetoriais de dimensoes
distintas nunca sera invertvel.
Exemplo 153. Verifique se a transformacao linear

T : R2 R2
(x, y) 7 (2x + y, x 3y)
e invertvel. Em caso afirmativo, encontre a inversa.
Solucao. A matriz que representa T em relacao à base canonica e

2 1
C
[T ]C =
.
1 3
Essa e uma matriz invertvel e portanto T e uma transformacao linear
invertvel. A matriz que representa a inversa em relacao à base canonica
e
3 1

1
[T ]CC
= 71 7 2 .
7 7
Assim
T

(x, y) =
3x y x 2y
+ ,
7
7 7
7

.
Exerccio 125. Dadas as transformacoes lineares abaixo, verifique quais

sao invertveis. Em caso afirmativo, encontre a transformacao inversa.
1.
T1 : R2 R2
(x, y) 7 (x y, x)
2.
T2 : R3 R3
(x, y, z) 7 (x + 2y + z, y + 2z, z)
3.
T3 : R3 R3
(x, y, z) 7 (x, 2x + y, 2x 4y + z)
4.
T4 : R3 R3
(x, y, z) 7 (x + y + z, x + 2y + z, a + 2z)
5.
T5 : R3 R3
(x, y, z) 7 (x + y + z, x + z, x + z)
6.
T6 : R2 R2
(x, y) 7 (x y, 0)
7.
T7 : R2 R2
(x, y) 7 (ax + by, cx + dy)
9.4
N
ucleo e Imagem
Nessa secao vamos estudar elementos que nos permitem verificar se

uma transformacao linear T e injetiva, sobrejetiva e bijetiva. Isso pode
ser feito analisando o nucleo e a imagem de T .
Definic
ao 22. O nucleo de uma transformacao linear T : U V e o
conjunto de todos os vetores de U que sao levados ao vetor nulo de V :
N (T ) = {~u U | T (~u) = 0} .
Teorema 35. O nucleo de uma transformacao linear T : U V e um
subespaco vetorial de U .
Demonstracao. De fato, dados u~1 , u~2 N (T ) e R temos
T (u~1 + u~2 ) = T (u~1 ) + T (u~2 ) = 0 + 0 = 0,
T (u~1 ) = T (u~1 ) = 0 = 0.
Isso implica que tanto u~1 + u~2 quanto u~1 pertencem a N (T ) e portanto
N (T ) e um subespaco de U .
Observac
ao 21. Se lembramos que, fixadas bases no domnio e na
imagem, a acao de T e sempre dada pela multiplicacao por uma matriz
M , N (T ) corresponde ao conjunto de solucoes do sistema M X = 0,
que ja sabemos ser um subespaco de U .
Exemplo 154. Encontre o nucleo da transformacao linear
3
T : R3 R

3z
(x, y, z) 7 2x z, 2z + y, x + y +
2
Solucao. O nucleo de T corresponde ao conjunto de vetores (x, y, z)

que e levado ao vetor nulo por T . Devemos entao encontrar o conjunto
de vetores que satisfaz

3z
2x z, 2z + y, x + y +
= (0, 0, 0)
2
que corresponde ao conjunto de solucoes do sistema
= 0
2x z
2z + y
= 0
3z
x+y+
= 0
Esse sistema possui infinitas solucoes, dadas por x = z/2 e y = 2z.

o
n z
, 2z, z | z R .
N (T ) =
2
Observe que N (T ) e de fato um subespaco de R3 .
Exemplo 155. Encontre o nucleo da transformacao linear
T : R2 R2
(x, y) 7 (2x + y, x 3y)
Solucao. O nucleo de T corresponde ao conjunto de vetores (x, y, z)
que e levado ao vetor nulo por T . Devemos entao encontrar o conjunto
de vetores que satisfaz
(2x + y, x 3y) = (0, 0)
que corresponde ao conjunto de solucoes do sistema

2x + y = 0
x 3y = 0
Esse sistema possui somente a solucao trivial x = y = 0. Logo
N (T ) = {0}
e o subespaco que so contem o vetor nulo.
O nucleo de uma transformacao linear T esta relacionado à injetividade de T .
Definic
ao 23. Dizemos que uma funcao f : X Y e injetiva se dados
x1 6= x2 X f (x1 ) 6= f (x2 ), ou seja, elementos distintos no domnio
sao levados a elementos distintos no contradomnio.
Teorema 36. Uma transformacao linear T e injetiva se, e somente se,
N (T ) = {0}.
Demonstracao. Suponhamos que T seja injetiva. Entao N (T ) = {0}

uma vez que T (0) = 0 e, portanto, pela injetividade de T , o unico vetor
~u U tal que T (~u) = 0 e o vetor nulo 0.
Por outro lado, suponhamos que N (T ) = {0}. Vamos mostrar que
T e injetiva. Suponhamos que u~1 , u~2 U sao tais que T (u~1 ) = T (u~2 ) .
Temos entao
=
=
=
=
=
T (u~1 ) = T (u~2 )
T (u~1 ) T (u~2 ) = 0
T (u~1 u~2 ) = 0
u~1 u~2 N (T )
u~1 u~2 = 0
u~1 = u~2 .
Isso prova que T e injetiva.

Teorema 37. Uma transformacao linear T e injetiva se, e somente se,
dim N (T ) = 0.
Exemplo 156. A transformacao linear do exemplo 154 nao e injetiva, ja
que N (T ) 6= {0}. Ja no exemplo 159 a transformacao linear e injetiva
uma vez que N (T ) = {0} .
Vamos agora analisar a sobrejetividade de uma transformacao linear
T . Para isso precisamos da imagem de T .
Definic
ao 24. A imagem de uma transformacao linear T : U V e o
subconjunto de V obtido aplicando-se T ao espaco vetorial U :
I(T ) = {~v V | existe ~u U tal que T (~u) = ~v } .
Teorema 38. A imagem de uma tranformacao linear T : U V e um
subespaco de V .
Demonstracao. Sejam v~1 , v~2 dois elementos de I(T ) e R. Entao,
como v~1 , v~2 estao na imagem de T , existem vetores u~1 , u~2 U tais que
v~1 = T (u~1 ) e que v~2 = T (u~2 ), o que implica que

v~1 + v~2 = T (u~1 ) + T (u~2 ) = T (u~1 + u~2 ) ,
v~1 = T (u~1 ) = T (u~1 )
o que implica que tanto v~1 + v~2 e v~1 pertencem a I(T ). Logo I(T ) e
um subespaco de V .
Definic
ao 25. Dizemos que uma funcao f : X Y e sobrejetiva se
dado y Y existe x X tal que f (x) = y, ou seja, I(f ) = Y .
Pela propria definicao de sobrejetividade, temos o seguinte resultado:
Teorema 39. Uma transformacao linear e sobrejetiva se, e somente se,
I(T ) = V.
Teorema 40. Uma transformacao linear T e sobrejetiva se, e somente
se, dim I(T ) = dim V .
O resultado abaixo e essencial para a verificacao da injetividade,
sobrejetividade e bijetividade de uma transformacao linear. A prova
desse resultado esta fora do escopo desse texto.
Teorema 41 (Teorema do Nucleo e da Imagem). Dada uma transformacao linear T : U V vale
dim U = dim N (T ) + dim I(T ).
9.4.1
Injetividade, sobrejetividade e bijetividade de

uma transformac
ao linear
Definic
ao 26. Dizemos que uma funcao f : X Y e bijetiva se ela
for simultaneamente injetiva e sobrejetiva.
Uma transformac
ao linear sera injetiva quando dim N (T ) = 0;
Uma transformac
ao linear sera sobrejetiva quando dim I(T ) =
dim V ;
Uma transformac
ao linear sera bijetiva quando dim N (T ) = 0 e
dim I(T ) = dim V . Pelo teorema do nucleo e da imagem, isso
implica que dim U = dim V.
Definic
ao 27. Se T : U V e uma transformacao linear bijetiva, T
e chamada de isomorfismo entre U e V .
3
T : R3 R

3z
(x, y, z) 7 2x z, 2z + y, x + y +
2
e injetiva, sobrejetiva e bijetiva.

cao. Como visto
Solu
no exemplo 154, o nucleo de T e N (T ) =
z
e um subespaco de dimensao um. Isso implica
2 , 2z, z | z R
que T nao e injetivae portanto tambem nao pode ser bijetiva. Pelo
teorema do nucleo e da imagem temos
dim R3 = dim N (T ) + dim I(T )
3 = 1 + dim I(T )
e portanto dim I(T ) = 2, o que implica que T e sobrejetiva.
T : R2 R2
(x, y) 7 (2x + y, x 3y)
Solucao. Como visto no exemplo 159, o nucleo de T e N (T ) = {0}.
Isso implica que T e injetiva. Pelo teorema do nucleo e da imagem
temos
2 = 0 + dim I(T )
o que implica que dim I(T ) = 2, o que implica que T e sobrejetiva.

Logo T e bijetiva, e portanto e um isomorfismo de R2 em R2 .
T : R2 R2
(x, y) 7 (x + y, 0)
Solucao. O nucleo de T e N (T ) = {(x, x, 0) | x R}, que e um
subespaco de dimensao um. Isso implica que T nao e injetiva e portanto
tambem nao pode ser bijetiva. Pelo teorema do nucleo e da imagem
temos
2 = 1 + dim I(T )
o que implica que dim I(T ) = 1, o que implica que T tambem nao e
sobrejetiva.
Observac
ao 22. A verificacao de que uma transformacao linear T e
um isomorfismo tambem pode ser feita atraves da matriz que representa
essa transformacao em relacao a alguma escolha de bases. T sera um
isomorfismo se, e somente se, a matriz que o representa for invertvel,
ou seja, se essa matriz tiver o determinante diferente de zero.
Exerccio 126. Seja
T : R3 R2
(x, y, z) 7 (x z, y + z)
.
1. Mostre que T e uma transformacao linear;
2. Encontre o nucleo de T . Mostre que o nucleo e um subespaco e
encontre uma base e sua dimensao;
3. Encontre a imagem de T . Mostre que a imagem e um subespaco

e encontre uma base e sua dimensao;
4. Verifique se T e injetiva, sobrejetiva e bijetiva. T e um isomorfismo?
Exerccio 127. Seja
T : R3 R3
(x, y, z) 7 (x y, 0, x z)
.
1. Mostre que T e uma transformacao linear;
2. Encontre o nucleo de T . Mostre que o nucleo e um subespaco e
encontre uma base e sua dimensao;
3. Encontre a imagem de T . Mostre que a imagem e um subespaco
e encontre uma base e sua dimensao;
4. Verifique se T e injetiva, sobrejetiva e bijetiva. T e um isomorfismo?
Exerccio 128. Encontre a dimensao do nucleo da transformacao linear
T : R3 R3
(x, y, z) 7 (x y, 2x + y)
. Use o teorema do nucleo e da imagem para mostrar que T e um
isomorfismo.
Exerccio 129. Seja T : Rn R5 uma transformacao linear.
1. Se T e sobrejetiva e a dimensao do nucleo e 2, qual e o valor de
n?
2. Se T e injetiva e a dimensao da imagem e 3, qual e o valor de n?

3. Se a dimensao do nucleo e 4 e a dimensao da imagem e 2, qual
e o valor de n?
4. Se T e bijetiva qual e o valor de n?
5. Se n = 8 e a dimensao da imagem e 4 qual e a dimensao do
nucleo?
Exerccio 130. Dadas as transformacoes lineares abaixo, encontre o
nucleo e a imagem de cada uma delas. Verifique quais sao injetivas,
sobrejetivas e bijetivas.
1.
T1 : R2 R2
(x, y) 7 (x y, x)
2.
T2 : R3 R3
(x, y, z) 7 (x + 2y + z, y + 2z, z)
3.
T3 : R3 R3
(x, y, z) 7 (x, 2x + y, 2x 4y + z)
4.
T4 : R3 R3
(x, y, z) 7 (x + y + z, x + 2y + z, a + 2z)
5.
T5 : R3 R3
(x, y, z) 7 (x + y + z, x + z, x + z)
6.
T6 : R2 R2
(x, y) 7 (x y, 0)
7.
T7 : R2 R2
(x, y) 7 (ax + by, cx + dy)
Exemplo 160. A transformacao linear
T : P2 R3
a2 x2 + a1 x + a0 7 (a2 , a1 , a0 )
e um isomorfismo.
De fato, se T (p(x)) = (0, 0, 0) entao a2 = a1 = a0 = 0, e portanto
o nucleo de T e N (T ) = {0}. Isso implica que T e injetiva. Pelo
teorema do nucleo e da imagem temos
dim P2 = dim N (T ) + dim I(T )
3 = 0 + dim I(T )
e portanto dim I(T ) = 3, o que implica que T e sobrejetiva. Logo T e
bijetiva, e portanto e um isomorfismo de P2 em R3 .
Exemplo 161. Utilize um raciocnio semelhante ao utilizado no exemplo acima para mostrar que P3 e R4 sao isomorfos. Em seguida, faca o
mesmo para Pn e Rn+1

Introdução A Algebra Linear Barbara Kindle

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Introdução A Algebra Linear Barbara Kindle

Enviado por

Direitos autorais:

Formatos disponíveis

Introducao `a Algebra

Em matematica, uma matriz m n e uma tabela de m linhas e n

da segunda. No captulo seguinte, veremos como as matrizes podem

Uma matriz A e uma tabela de mn

numeros dispostos em m linhas

Uma matriz com m linhas e n colunas e chamada de uma matriz

A e uma matriz quadrada 2 2, B e uma matriz 3 2, C e uma matriz

Dadas as matrizes A e B do mesmo tipo m n, sua soma A + B e a

Exemplo 7. Considere as matrizes

soma e obtida da seguinte forma:

Dadas as matrizes A e B do mesmo tipo mn, sua subtracao AB

Exemplo 10. Considere as matrizes

subtracao e obtida da seguinte forma:

A multiplicacao de duas matrizes e bem definida apenas se o numero de

para cada par i e j.

Nesse caso tambem podemos calcular o produto BA:

podemos calcular o produto BA, ja que uma matriz

A matriz transposta de uma matriz A do tipo m n e a matriz AT

3. (cA)T [i, j] = (cA)[j, i] = c A[j, i] = c AT [i, j];

Exerccio 2. Dadas as matrizes

Exerccio 6. Entre as matrizes abaixo, quais podem ser somadas e

Exerccio 9. Verique se as armativas abaixo sao verdadeiras ou falsas.

Algumas matrizes especiais

A diagonal principal de uma matriz quadrada corresponde aos elementos

a11 a12 a1n

Exemplo 14. As matrizes

Uma matriz quadrada e chamada triangular quando os elementos acima

O produto de duas matrizes triangulares superiores e uma matriz

Analogamente, temos que:

Exemplo 15. A matriz

e uma matriz triangular inferior.

A matriz nula 0m,n e a matriz m n com todos os elementos iguais a

Exemplo 16. As matrizes

sao matrizes nulas.

A matriz nula m n e o elemento neutro para a soma das matrizes

A matriz identidade n n e uma matriz diagonal, cujos elementos da

A matriz In e o elemento neutro da multiplicacao de matrizes nn.

Uma matriz e chamada simetrica se A = AT . Como duas matrizes sao

Uma matriz idempotente e uma matriz que, ao ser multiplicada por si

Uma matriz quadrada A de ordem n diz-se uma matriz nilpotente se

1. Mostre que a matriz nula

e uma matriz nilpotente;

Exerccio 17. Quais sao os valores de a para os quais a matriz

Por exemplo, o comando A=[1 2; 4 5] cria a matriz

A soma de matrizes pode ser facilmente realizada com o comando

O Matlab e mais adequado para fazer calculos com numeros. Outros

Exerccio 18. Utilize o MATLAB para conferir as respostas dos exerccios

Exerccio 20. Utilize o MATLAB para encontrar o menor valor natural

Dizemos que uma equacao envolvendo as variaveis x1 , . . . xn e uma

Um sistema de equacoes lineares (abreviadamente, sistema linear) e um

satisfaz simultaneamente todas as equacoes do sistema. Uma solucao

Em primeiro lugar, resolvemos a equacao superior para x em termos de

Vamos comecar isolando as variaveis x e z em funcao de y, utilisando

No exemplo 20, vemos um sistema que possui uma unica solucao;

Dado o sistema linear

a11 x1 + a12 x2 + + a1n xn = b1

am1 x1 + am2 x2 + + amn xn = bm

Observe que A e uma matriz m n, X e uma matriz coluna com n

A igualdade matricial acima se verifica se, e somente se, o sistema (2.1)

Exemplo 23. Resolva os sistema AX = B em que

o produto no lado esquerdo da equacao matricial

o que implica que x1 = 1, x2 = 1, x3 = 2.

O metodo de eliminacao de Gauss (tambem conhecido como metodo