APOSTILA DE LGEBRA

LINEAR
Prof. Dr Rogrio de Aguiar
Chefe do Departamento de Matemtica
CCT - UDESC - JOINVILLE
Email: dma2ra@joinville.udesc.br
Home Page: www.joinville.udesc.br/dmat/rogerio
Professores Integrantes do Projeto de lgebra II
Graciela Moro - Coordenadora
Ivanete Zucki
Joo de Azevedo
Jorge Mota
Marnei Luis Mandler
Milton Procpio de Borba

Rogrio de Aguiar

25 de Maro de 2008
Sumrio

1 MATRIZES E SISTEMAS 3
1.1 Tipos de matrizes . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2 Operaes com matrizes . . . . . . . . . . . . . . . . . . . . . . . 6
1.3 Matriz escalonada . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.4 Clculo da inversa . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.5 Determinantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.6 Sexta lista de exerccios . . . . . . . . . . . . . . . . . . . . . 14
1.7 Sistema de equaes lineares . . . . . . . . . . . . . . . . . . . . . 16
1.7.1 Introduo . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.7.2 Sistemas e matrizes. . . . . . . . . . . . . . . . . . . . . . 17
1.7.3 Soluo de um sistema por matriz inversa . . . . . . . . . 20
1.8 Stima lista de exerccios . . . . . . . . . . . . . . . . . . . . 21
1.9 Apndice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
1.9.1 Clculo da inversa por adjunta . . . . . . . . . . . . . . . 24
1.9.2 Regra de Cramer . . . . . . . . . . . . . . . . . . . . . . . 25

2 ESPAOS VETORIAIS 29
2.1 Introduo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.2 Subespaos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.3 Interseco de dois Subespaos Vetoriais . . . . . . . . . . . . . . 38
2.4 Combinao Linear . . . . . . . . . . . . . . . . . . . . . . . . . . 40
2.5 Dependncia e Independncia Linear . . . . . . . . . . . . . . . . 41
2.6 Subespaos Gerados . . . . . . . . . . . . . . . . . . . . . . . . . 43
2.7 Soma de Subespaos . . . . . . . . . . . . . . . . . . . . . . . . . 45
2.8 Base e Dimenso de um Espao Vetorial . . . . . . . . . . . . . 46
2.8.1 Base . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
2.8.2 Dimenso . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
2.8.3 Dimenso da Soma de Subespaos Vetoriais . . . . . . . . 50
2.8.4 Coordenadas . . . . . . . . . . . . . . . . . . . . . . . . . 50
2.9 Mudana de Base . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
2.10 A Inversa da Matriz de Mudana de Base . . . . . . . . . . . . . 56
2.11 Oitava lista de exerccios . . . . . . . . . . . . . . . . . . . . . 57

1
3 TRANSFORMAES LINEARES 62
3.1 Propriedades das Transformaes Lineares . . . . . . . . . . . . . 66
3.2 Transformaes Lineares e Matrizes . . . . . . . . . . . . . . . . . 72
3.2.1 Transformao linear associada a uma matriz . . . . . . . 72
3.2.2 Matriz de uma transformao linear . . . . . . . . . . . . 74
3.3 Composio de transformaes lineares . . . . . . . . . . . . . . 79
3.4 A Inversa de uma transformao linear . . . . . . . . . . . . . . . 79
3.5 Nona lista de exerccios . . . . . . . . . . . . . . . . . . . . . . . 82

4 OPERADORES LINEARES 87

4.1 Transformaes especiais no plano e no espao . . . . . . . . . . 87

4.2 Propriedades dos operadores inversveis . . . . . . . . . . . . . . 109
4.2.1 Matrizes Semelhantes . . . . . . . . . . . . . . . . . . . . 111
4.3 Operadores autoadjuntos e ortogonais . . . . . . . . . . . . . . . 112
4.4 Dcima lista de exerccios . . . . . . . . . . . . . . . . . . . . . . 113

4.5 Autovalores e Autovetores . . . . . . . . . . . . . . . . . . . . . . 115

4.5.1 Autovalores e autovetores de uma matriz . . . . . . . . . 116
4.5.2 Polinmio Caracterstico. . . . . . . . . . . . . . . . . . . 117
4.6 Dcima primeira lista de exerccios . . . . . . . . . . . . . . . . . 123

5 APLICAES 126

5.1 Aplicaes da lgebra Linear na Engenharia Cartogrca . . . . 126

5.2 Aplicaes de espaos vetoriais na computao grca . . . . . . 127
5.3 Aplicaes de autovalores e autovetores na engenharia civil . . . 133
5.3.1 O Problema de autovalor na avaliao de modelos estru-
turais de edicaes . . . . . . . . . . . . . . . . . . . . . 133

2
Captulo 1

MATRIZES E SISTEMAS

1.1 Tipos de matrizes

Denio: Chama-se matriz de ordem m n a uma tabela de m n elementos
dispostos em m linhas e n colunas:
2 3
a11 a12 :::::::: a1n
6 a21 a22 :::::::: a2n 7
6 7
A=6 . .. 7
4 .. . 5
am1 am2 :::::::: amn
Notao: Costumamos denotar as matrizes por letras latinas maisculas:A;
B; C; ......
Matriz coluna: a matriz de ordem m 21: 3
1
2 3 6 2 7
1 6 7
6 2 7 6 3 7
6 7
A = [1]1 1 ; B=6 7
4 3 5 ; C=6 . 7
6 .. 7
6 7
4 4 1 4 999 5
1000 1000 1
Matriz linha: a matriz de ordem 1 n:

Exemplo 1 :

A = [1]1 1 ; D = 1 2 3 4 5 6 7 10 1 8
Matriz nula: a matriz A = [aij ]m n onde aij = 0; para 1 i me
1 j n:

Exemplo 2 :

3
 2 3
0 0 0 0 0 0
6 0 0 0 0 0 0 7
6
M =4 7 ; N = [0]
0 0 0 0 0 0 5
0 0 0 0 0 0
Observao: Denotaremos freqentemente a matriz nula por 0:
Matriz quadrada: a matriz de ordem n n:
2 3
a11 a1n
6 .. 7
A = 4 ... ..
. . 5
an1 ann
Os elementos da forma aii costituem a diagonal principal
Os elementos aij em que i + j = n + 1 constituem a diagonal secundria.

3 3
Exemplo 3 : A = [0]1 1 ; B=
3 3

Matriz diagonal: Matriz diagonal a matriz quadrada A = [aij ] onde

aij = 0 para i 6= j :
2 3
a11 0 0 0
6 7
6 0 ... 0 7
6 7
6 .. 7
A = 6 ... ..
.
..
. . 7
6 7
6 .. .. 7
4 0 . . 0 5
0 0 0 ann
Notao: diag(A) = fa11 ; ; ann g

3 0
Exemplo 4 : A = [0]1 1 , B=
0 3

Matriz identidade: a matriz diagonal I onde diag(I) = f1; ; 1g :

Notao: In representa a matriz identidade de ordem n:

Exemplo 5 :

2 3
1 0 0
6 0 1 0 0 7
6 7
1 0 6 .. .. .. ..7
I2 = ; I100 =6
6 . . . .7
7
0 1 6 7
4 0 ..
0 . 0 5
0 0 0 1

4
 Matriz transposta: Dada uma matriz A = [aij ]m n ; podemos obter uma
outra matriz AT = [bij ]n m ; cujas linhas so as colunas de A; isto , bij = aji :
AT denominada
2 a transposta de A: 3 2 3
a11 a12 :::::::: a1n a11 a21 :::::::: am1
6 a21 a22 :::::::: a2n 7 6 a12 a22 :::::::: am2 7
6 7 6 7
A=6 . . 7 ) AT = 6 . .. 7
4 .. .. 5 4 .. . 5
am1 am2 :::::::: amn m n
a1n a2n :::::::: amn n m

Exemplo 6 :
2 3 2 3
1 2 3 4 5 1 11 21 31 41
6 11 12 13 14 15 7 6 2 12 22 32 42 7
6 7 6 7
A=66 21 22 23 24 25 7 ) AT = 6
7 6 3 13 23 33 43 7 7
4 31 32 33 34 35 5 4 4 14 24 34 44 5
41 42 43 44 45 5 15 25 35 45
2 3
1
6 2 7
6 7
6 3 7
D= 1 2 3 4 5 6 ) DT = 6
6
7
1 6
6 4 7
7
4 5 5
6 6 1
Matriz simtrica: Uma matriz quadrada S = [aij ] simtrica se S T = S

Exemplo 7 :
2 3
1 5 9
0 1
S = 4 5 3 8 5; N=
1 0
9 8 7
Matriz anti-simtrica: Uma matriz quadrada A = [aij ] anti-simtrica
se AT = A:
2 3
0 3 4
Exemplo 8 : A = 4 3 0 6 5
4 6 0

Matriz triangular superior: A matriz quadrada A = [aij ] que tem os

elementos
2 aij = 0 para i >3 j chamada matriz triagular superior.
5 4 7 9
6 0 3 8 4 7
A=6 7 ; B = 0 1 ; I10000
4 0 0 2 3 5 0 0
0 0 0 6
Matriz triangular inferior: A matriz quadrada A = [aij ] que tem os
elementos aij = 0 para i < j chamada matriz triangular inferior.

Exemplo 9 :

5
 2 3 2 3
5 0 0 0 1 0 0 0
6 4 3 0 0 7 6 0 2 0 0 7
B=6
4 7
7; C = 6 7
4 2 0 5 4 0 0 2 0 5
9 1 2 6 0 0 0 2

1.2 Operaes com matrizes

Adio: Dados A = [aij ]m n e B = [bij ]m n denimos A + B por,

A + B = [aij + bij ]m n

Propriedades:
i) A + B = B + A
ii) A + (B + C) = (A + B) + C
iii) A + 0 =A

Multiplicao por escalar: Seja A = [aij ]m n e k um nmero real

denmos k A por

kA = [k aij ]m n

2 10 4 20
Exemplo 10 : 2 =
1 3 2 6

Propriedades:
i) k(A + B) = kA + kB
ii) (k1 + k2 )A = k1 A + k2 A
iii) 0 A = 0
iv) k1 (k2 A) = (k1 k2 )A

Multiplicao de Matrizes: Sejam A = [aij ]m n e B = [bij ]n p ; deni-

mos A B por AB = [cij ]m p ; onde
n
X
cij = aik bkj = ai1 b1j + ::::: + ain bnj
k=1

Observe que o nmero de colunas de A deve ser igual ao nmero de linhas

de B:

Exemplo 11 :

6
 2 3 2 3 2 3
2 1 2 1+1 0 2 ( 1) + 1 4 2 2
4 4 2 5 1 1
=4 4 1+2 0 4 ( 1) + 2 4 5 = 4 4 4 5
0 4 2 2
5 3 3 2 5 1+3 0 5 ( 1) + 3 4 5 7
Propriedades da multiplicao de matrizes:
i) AI = IA = A i v) (AB)C = A(BC)
ii) A(B + C) = AB + AC v) (AB)T = B T AT
iii) (A + B)C = AC + BC vi) 0A = A0 = 0

Propriedades da matriz transposta

i) (A + B)T = AT + B T
ii) ( A)T = AT ; onde um nmerto real
iii) (AT )T = A
iv) (AB)T = B T AT

Matriz inversa: Dada uma matriz quadrada A = [aij ] ; se existir uma

matriz B que satisfaa AB = BA = I diz-se que B a inversa de A e denota-se
B por A 1 ; ou seja, A 1 A = AA 1 = I:

Exemplo 12 :

11 3 2 3
A= ; A 1= :
7 2 7 11
Dizemos que uma matriz A inversvel (no singular) se existe a matriz
inversa A 1 , caso contrrio dizemos que a matriz A no inversvel (singular).
Algumas propriedades importantes:
I) A no singular se o determinante de A diferente de zero. A singular
se determinante de A igual a zero.
ii) Se A admite inversa (det A 6= 0) esta nica
iii) Se A no singular, sua inversa A 1 tambm , isto , se det A 6= 0
ento det A 1 6= 0: A matriz inversa de A 1 A:
iv) A matriz identidade I no singular (pois det I = 1) e I 1 = I
v) Se a matriz A no singular, sua transposta AT tambm . A matriz
inversa de AT (A 1 )T ; isto , (AT ) 1 = (A 1 )T ; dai concluimos que se
det A 6= 0 ento det AT 6= 0:
vi) Se as matrizes A e B so no singulares e de mesma ordem, o produto
AB uma matriz no singular. Vale a relao (AB) 1 = B 1 A 1 :

Exemplo 13 :

2 3 2 3
A= =) det = 2 ) A no singular
2 2 2 2
1 10 1 10
B= ) det = 0 ) A singular
1 10 1 10

Matriz ortogonal: Uma matriz M; quadrada, cuja inversa conicide com

sua transposta denominada matriz ortogonal. Portanto M ortogonal se
M 1 = M T ; ou seja,

7
 MMT = MT M = I
" p #
1 3
Exemplo 14 : M = p2 2 ;
3 1
2 2

Potncia de uma matriz: Dada uma matriz quadrada A a matriz Ap =

A A ::::: A chamada potncia p de A:
p vezes

Exemplo 15 :

1 2 9 8 41 42
A= ; A2 = ; A3 =
4 3 16 17 84 83

1.3 Matriz escalonada

Denio: Uma matriz m n linha reduzida forma escada, ou escalonada,
se:
a) O primeiro elemento no nulo de uma linha no nula 1:
b) Cada coluna que contm o primeiro elemento no nulo de alguma linha
tem todos os seus outros elementos iguais a zero.
c) Toda linha nula ocorre abaixo de todas as linhas no nulas (isto ,. daque-
las que possuem pelo menos um elemento no nulo)
d) Se as linhas 1; :::; p so as linhas no nulas, e se o primeiro elemento no
nulo da linha { ocorre na coluna k1 , ento k1 < k2 < ::::: < kn :

Exemplo 16 :
2 3
1 0 0 0
1) 4 0 1 1 0 5 no forma escada. No vale b).
2 0 0 1 30
0 2 1
2) 4 1 0 3 5 no forma escada. No vale a) e b).
2 1 0 0 3
0 1 3 0 1
3)4 0 0 0 0 0 5 no forma escada. No vale c).
2 0 0 0 1 23
0 1 3 0 1
4)4 0 0 0 1 3 5 forma escada.
0 0 0 0 0
Operaes elementares linha: So trs as operaes elementares sobre
as linhas de uma matriz.
1o ) Permuta da i esima e j esima linha (Li $ Lj ).

Exemplo 17 :

8
 2 3 2 3
1 0 1 0
4 4 1 5L2 $ L3 4 3 4 5
3 4 4 1
2o ) Multiplicao da i esima linha por um escalar no nulo k (Li ! kLi ).
Exemplo 18 .
2 3 2 3
1 0 1 0
4 4 1 5 L2 ! 3L2 4 12 3 5
3 4 3 4
3o ) Substituio da i esima linha pela i esima linha mais k vezes a
j esima linha (Li ! Li + kLj )
Exemplo 19 :
2 3 2 3
1 0 1 0
4 4 1 5 L3 ! L3 + 2L1 4 4 1 5:
3 4 1 4
Se A e B so matrizes m n, dizemos que B linha equivalente a A; se B
for obtida de A atravs de um nmero nito de operaes elementares sobre as
linhas de A: Notao A B:
Exemplo 20 :
2 3 2 3
1 0 1 0
4 4 1 5 linha equivalente a 4 0 1 5 pois,
3 4 0 0
2 3 2 3 2 3
1 0 1 0 1 0
4 4 1 5 L2 ! L2 4L1 4 0 1 5 L3 ! L3 + 3L1 4 0 1 5
3 4 3 4 0 4
2 3 2 3
1 0 1 0
L2 ! L2 4 0 1 5 L3 ! L3 4L2 4 0 1 5
0 4 0 0
Teorema: Toda matriz A de ordem m n linha equivalente a uma nica
matriz linha-reduzida forma escada.
Exemplo 21 : Dada a matriz
2 3
2 1 3
A=4 4 5 6 5
3 1 2
obtenha
2 uma 3
nica matriz2B na forma escada
3 linha equivalente
2 a matriz3 A:
2 1 3 1 12 32 1 21 32
4 4 5 6 5 L1 ! 1 L1 4 4 5 6 5 L2 ! L2 4L1 4 0 3 0 5
2
3 1 2 3 1 2 3 1 2
2 3 2 3
1 12 3
2 1 1
2
3
2
L3 ! L3 3L1 4 0 3 0 5 L2 ! 1 L2 4 0 1
3
0 5 L3 ! L3 +
1 13 1 13
0 2 2 0 2 2
1
2 L2

9
 2 1 3
3 2 1 3
3 2 3
3
1 2 2 1 2 2 1 0 2
4 0 1 0 5 L3 ! 2 L3 4 0 1 0 5 L1 ! L1 1
L2
4 0 1 0 5
13 2
13
0 0 0 0 1 0 0 1
2 2 3
1 0 0
L1 ! L1 32 L3 4 0 1 0 5
0 0 1

Exemplo 22 Dada a matriz A obtenha uma matriz na forma escada equiva-

lente a matriz dada.
2 3 2 3
1 0 0 0 1 0 1 0
6 1 0 1 0 7 6 0 1 0 1 7
a)6
4 0
7
5 b)6
4 0 1 0 1 5
7
1 0 1
1 0 0 1 0 1 1 1
Posto de uma matriz: Dada uma matriz Am n , seja Bm n a matriz linha
reduzida forma escada, linha equivalente matriz A: O posto de A, denotado
por p, o nmero de linhas no nulas de B e a nulidade de A n p, onde n
o nmero de colunas de A e p o posto de A:

Exemplo 23 : Encontrar o posto e a nulidade das matrizes:

2 3
1 2 1 0
a) A = 4 1 0 3 5 5
1 2 1 1
2 7
3
1 0 0 8
Soluo: A matriz A linha equivalente a matriz B = 4 0 1 0 1 5
4
11
0 0 1 8
portanto o posto de A 3 (o nmero de linhas no nulas da matriz B) e a
nulidade n p = 4 3 = 1 (n o numero de colunas da matriz A e p o posto
de A) 2 3
1 0 14 9
6 0 1 1 7
b) A = 6
4 0 0 0 5
4 7

0 0 0
Soluo:2posto A = 23e nulidade2 de A 3 2 3
=1
2 1 10 2 1 10
6 0 1 1 7 6 1 7
c) A = 6 4 7)B = 6 0 1 4 7
4 1 2 0 5 4 0 0 43 5
8
1 3 0 0 0 0
Soluo posto de A = 3 e nulidade de A 0

1.4 Clculo da inversa

Clculo da inversa por escalonamento: Para se determinar a matriz inversa
de uma matriz A, no singular, atravs de operaes elementares entre as linhas
da matriz fazemos o seguinte:

10
 a) Coloca-se ao lado da matriz A a matriz I; separada por um trao vertical
tracejado.
b) Transforma-se por meio de operaes elementares a matriz A na matriz I;
aplicando simultaneamente matriz I colocada ao lado da matriz A as mesmas
operaes elementares aplicadas matriz A:

2 1
Exemplo 24 : Calcular inversa da matriz A = por escalonamento.
4 3

2 1 1 0 1 12 1
0
L1 ! 21 L1 2 L2 ! L2 4L1
4 3 0 1 4 3 0 1
1 12 12 0 1 0 3 1
L1 ! L1 12 L2 2 2
0 1 2 1 0 1 2 1
Logo
3 1
1 2 2
A =
2 1

1.5 Determinantes
Denio: Determinante de uma matriz A um nmero real associado matriz
A: Notao: det A:
Denotamos tambm o determinante da matriz A;
2 3
a11 a12 a1n 1 a1n
6 a21 a22 a2n 1 a2n 7
6 7
6 .. .. . . .
. .
. 7
6
A=6 . . . . . 7
7
6 .. 7
4 an 11 an 12 . an 1n 5
an1 an2 an 1n ann
por

a11 a12 a1n 1 a1n

a21 a22 a2n 1 a2n
.. .. .. .. ..
det A = . . . . .
..
an 11 an 12 . an 1n
an1 an2 an 1n ann

Propriedades do determinante:
1) det A = det AT
2) det(AB) = det A det B
3) Se a matriz A possui uma linha ou coluna nula ento det A = 0
4) Se a matriz A tem duas linhas ou colunas iguais ento det A = 0

11
 5) Se na matriz A uma linha (ou coluna) mltipla de outra linha (coluna)
ento det A = 0
6) Trocando a posio de duas linhas (colunas) o derminante muda de sinal
7) Quando se multiplica uma linha (coluna) de uma matriz A por um nmero
k 6= 0 o determinante ca multiplicado por esse mesmo nmero.
8) O determinante de uma matriz A no se altera quando se faz a seguinte
operao entre linha: Li ! Li + kLj :
9) O determinante de uma matriz triangular superior ( ou inferior) igual
ao produto do elementos da diagonal principal.
10) A partir de det(AB) = det A det B temos
det(AA 1 ) = det I ) det A det A 1 = 1 ) det A = det 1A 1

Clculo do determinante por triangulao. Para se calcular o determi-

nante de uma matriz A usamos as operaes elementares linha de modo a obter
uma matriz triangular superior (ou inferior) observando as propriedades do de-
terminante e fazendo as compensaes necessrias.
2 3
2 1 1
Exemplo 25 A = 4 2 0 1 5
3 1 0

2 1 1
det A = 2 0 1 L2 ! L3 (Quando permutamos as linhas o deter-
3 1 0
minante troca de sinal)
2 1 1
( 1) det A = 3 1 0 L1 ! 12 L1 (Quando multiplicamos uma linha
2 0 1
por um nmero o det. ca multiplicado pelo mesmo nmero)
1 21 12
1
2 ( 1) det A =
3 1 0 L2 ! L2 + ( 3)L1 (Esta operao no al-
2 0 1 L3 ! L3 2L1
tera o determinante)
1 21 21
1
2 ( 1) det A = 0 12 2
3
(Esta operao no altera o
0 1 2 L3 ! L3 2L2
determinante)
1 21 21
1
2 ( 1) det A = 0 12 2
3
(O determinante de uma matriz triangular
0 0 1
superior o produto dos elementos da diagonal principal)
1 1
2 ( 1) det A = 2 ) det A = 1

Clculo do determinante por desenvolvimento de Laplace:

Regra de Chi

12
 Se a matriz A de ordem 2 2 ento:
a11 a12
det = a11 a22 a21 a12
a21 a22
5 1
det = 5 3 2 1 = 13
2 3
Regra de Sarrus
Se A de ordem 3 3
2 3 a11 a12 a13 a11 a12
a11 a12 a13 & &% &% %
A = 4 a21 a22 a23 5 ) a21 a22 a23 a21 a22
a31 a32 a33 % &% &% &
a31 a32 a33 a31 a32
det A = (a11 a22 a33 ) + (a12 a23 a31 ) + (a13 a21 a32 ) (a31 a22 a13 ) (a32 a23 a11 )
(a33 a21 a12 )
Desenvolvimento de Laplace
Para uma matriz de ordem n n usamos o desenvolvimento de Laplace qu
dado pela frmula.
n
X
det An n = aij ( 1)i+j det Aij
j=1

onde Aij a submatriz obtida a partir da matriz A eliminando-se a i esima

linha e a j esima coluna da matriz A: Se chamarmos ij = ( 1)i+j det Aij
ento
n
X
det An n = aij ij
j=1

Exemplo 26 :
2 3
1 2 3 4
6 4 2 0 0 7
A=6 4 1 2
7
3 0 5
2 5 3 1
Vamos calcular o determinante da matriz fazendo o desenvolvimento pela
primeira linha (note que seria mais conveniente desenvolver pela segunda linha,
pois ela possui dois elementos nulos).
2 0 0 4 0 0
det A = 1( 1)1+1 2 3 0 + 2( 1)1+2 1 3 0
5 3 1 2 3 1
4 2 0 4 2 0
+3( 1)1+3 1 2 0 +( 4)( 1)1+4 1 2 3
2 5 1 2 5 3
det A = ( 1)(1)( 6) + 2( 1)( 12) + (3)(1)(10) + ( 4)( 1)(78)
det A = 372:

13
1.6 Sexta lista de exerccios

1. Verique se as armaes abaixo so VERDADEIRAS ou FALSAS.

Se forem verdadeiras, demonstre. Se forem falsas, d um contra-exemplo.

(a) ( ) Se uma matriz quadrada A for ortogonal ento det A = 1:

(b) ( ) det(I + A) = 1 + det A
(c) ( ) Se A uma matriz simtrica ento A + AT tambm simtrica.
(d) ( ) Se A e B so inversveis ento A + B tambm .
(e) ( ) Se A uma matriz anti-simtrica de ordem 3, ento det A = 0
(f) ( ) Se A no-inversvel e AB = 0 ento B = 0

2 x2
2. Seja A =
2x 1 0
Determine o valor de x para que A seja uma matriz simtrica.
3. Mostre que toda matriz quadrada A pode ser escrita como a soma de uma
matriz simtrica com uma matriz anti-simtrica, ou seja, A = S + N onde
S uma matriz simtrica e N uma matriz anti-simtrica. Sugesto:
Determine S e N em funo da matriz A:
4. Suponha que A 6= 0 e AB = AC onde A; B; C so matrizes tais que a
multiplicao esteja denida. Pergunta-se:

(a) B = C?
(b) Se existir uma matriz Y , tal que Y A = I; onde I a matriz identi-
dade, ento B = C?

5. Mostre que a matriz

2 3
cos sin 0
M = 4 sin cos 0 5
0 0 1

uma matriz ortogonal.

6. Sejam P e Q matrizes ortogonais de mesma ordem.

(a) P Q uma matriz ortogonal? Justique sua resposta.

(b) Quais os valores que det Q pode ter?

7. Dada uma matriz A de ordem m n mostre que a matriz AAT uma

matriz simtrica de ordem m m: A matriz AT A simtrica? Qual sua
ordem?

14
 8. Um construtor tem contratos para construir 3 estilos de casa: moderno,
mediterrneo e colonial. A quantidade empregada em cada tipo de casa
dada pela matriz

F erro M adeira V idro T inta T ijolo

2 3
M oderno 5 20 16 7 17
aneo 4
M editerr^ 7 18 12 9 21 5
Colonial 6 25 8 5 13

(a) Se ele vai construir 5,7 e 12 casas dos tipos moderno, mediterrneo
e colonial, respectivamente, quantas unidades de cada material sero
empregadas?
(b) Suponha agora que os preos por unidade de ferro, madeira, vidro,
tinta e tijolo sejam respectivamente, 15, 8, 5, 1 e 10 reais. Qual o
preo unitrio de cada tipo de casa?
(c) Qual o custo total do material empregado?

9. Calcule o determinante de A onde

2 3
3 1 5 0
6 0 2 0 1 7
(a) A = 64 2 0
7;
1 3 5
1 1 2 0
2 3
3 0 0 0 0
6 19 18 0 0 0 7
6 7
(b) A = 66 6 5 0 0 7
p p 7
4 4 2 3 0 0 5
8 3 5 6 1
2 3
1 1 1
10. Mostre que det4 a b c 5 = (a b)(b c)(c a)
a2 b2 c2
1
11. Encontre A ; onde
2 3
4 1 2 2
6 3 1 0 0 7
(a) A = 6
4 2 3 1
7;
0 5
0 7 1 1
2 3
1 0 x
(b) A = 4 1 1 x2 5
2 2 x2

15
 12. Encontre os valores d k para os quais a matriz
2 3
k 3 0 3
A=4 0 k+2 0 5
5 0 k+5

no inversvel.
13. Existe alguma matriz "inversvel"X tal que X 2 = 0? Justique sua re-
sposta.
14. Encontre todos os valores de para os quais a matriz A I4 tem inversa,
em que
2 3
2 0 0 0
62 0 0 07
6 7
41 2 1 05
3 2 1 2

15. Para a matriz A = (aij )de ordem 2 denida por aij = i + j, calcular
f (t) = det(A tI2 ) e resolver a equao do segundo grau f (t) = 0.
16. Para a matriz denida por:

a b
M=
c d

calcular f (t) = det(A tI2 ) e resolver a equao do segundo grau f (t) = 0.

1.7 Sistema de equaes lineares

1.7.1 Introduo
Uma equao linear uma equao da forma

a1 x1 + a2 x2 + a3 x3 + :::::: + an xn = b
na qual a1 ; a2 ; a3 ; ::::; an so os respectivos coecientes das variveies x1 ; x2 ; x3 ; ::::; xn
e b o termo independente. Os nmeros a1 ; a2 ; a3 ; ::::; an e o termo indepen-
dente b geralmente so nmeros conhecidos e as variveis x1 ; x2 ; x3 ; ::::; xn so
as incgnitas.
Os valores das variveis que transformam uma equao linear em uma iden-
tidade, isto , que satisfazem a equao, constituem sua soluo. Esses valores
so denominados razes das equaes lineares.
A um conjunto de equaes lineares se d o nome de sistema de equaes
lineares e tem a seguinte representao:

16
 a11 x1 + a12 x2 + a13 x3 + :::::: + a1n xn = b1
a21 x1 + a22 x2 + a23 x3 + :::::: + a2n xn = b2
.. .. .. .. .. ..
. . . . . .
am1 x1 + am2 x2 + am3 x3 + :::::: + amn xn = bm
Os valores das variveis que transformam simultaneamente as equaes de
um sistema de equaes lineares em uma identidade, isto , que satisfazem a
equao constituem sua soluo.
Diz-se que dois sistemas de equaes lineares so equivalentes quando ad-
mitem a mesma soluo.
Exemplo 27 Os sistemas
2x + 3y = 11 10x 2y = 38
e
x+y = 3 3x + 5y = 7
so equivalentes pois possuem as mesmas solues, x = 4 e y = 1
Quanto as solues, trs casos podem ocorrer:
1) O sistema possui uma nica soluo. Neste caso dizemos que os sistema
compatvel e determinado
2) O sistema possui innitas solues. Neste caso dizemos que o sistema
compatvel e indeterminado.
3) O sistema no possui nenhuma soluo. Neste caso dizemos que o sistema
incompatvel.

1.7.2 Sistemas e matrizes.

Dado um sistema linear na forma,
a11 x1 + a12 x2 + a13 x3 + :::::: + a1n xn = b1
a21 x1 + a22 x2 + a23 x3 + :::::: + a2n xn = b2
.. .. .. .. .. .. (1.1)
. . . . . .
am1 x1 + am2 x2 + am3 x3 + :::::: + amn xn = bm
podemos representa-lo matricialmente utilizando as notaes da teoria de ma-
trizes da seguinte maneira:
Se 2 3
a11 a12 a1n
6 a21 a22 a2n 7
6 7
A=6 . . . . . . 7
4 .. .. ...... .. 5
am1 am2 amn
2 3 2 3
x1 b1
6 x2 7 6 b2 7
6 7 6 7
X=6 .. 7 B=6 .. 7
4 . 5 4 . 5
xn bm

17
podemos escrever o sistema (1.1) na forma matricial:

AX = B
onde A a matriz dos coecientes, B a matriz coluna dos termos indepen-
dentes e X a matriz coluna das incgnitas.
Ao sistema (1.1) associamos a seguinte matriz:
2 3
a11 a12 a1n j b1
6 a21 a22 a j b2 7
6 2n 7
6 .. .. .. .. 7
4 . . . j . 5
am1 am2 amn j bm
que chamamos matriz ampliada do sistema.
Teorema: Dois sistemas que possuem matrizes ampliadas equivalentes so
equivalentes.
Dada a matriz ampliada do sistema de equaes lineares consideramos a
matriz linha reduzida a forma escada obtida a partir da matriz ampliada do
sistema:
Teorema:
1) Um sistema de m equaes e n incgnitas admite soluo se, e somente
se, o posto da matriz ampliada igual ao posto da matriz dos coecientes.
2) Se as duas matrizes tem o mesmo posto p e p = n (nmero de colunas da
matriz dos coecientes, ou nmeros de variveis) a soluo nica.
3) Se as duas matrizes tem o mesmo posto e p 6= n podemos escolher n p
incgnitas e as outras incgnitas sero dadas em funo destas. O nmero n p
chamado grau de liberdade do sistema.
Resumo: Dado um sistema de m equaes e n incgnitas seja Aa a matriz
ampliada do sistema e seja Ae a matriz linha equivalente a matriz Aa onde
a matriz dos coecientes esto na forma escada. Seja pa o posto da matriz
ampliada e pc o posto da matriz dos coecientes obtidos a partir da matriz Ae :
Se pa 6= pc ento o sistema incompatvel ( no possui soluo)
Se pa = pc ento o sistema compatvel (possui soluo). Seja p = pa = pc ,
se p = n ento o sistema compatvel e determinado (possui uma nica
soluo). Se p < n o sistema compatvel e indeterminado (possui inni-
tas solues). Sempre que um sistema possuir innitas solues deveremos
atribuir valores a algumas variveis e determinar o valor das outras var-
iveis em funo destas. O nmero de variveis as quais deveremos atribuir
valor o grau de liberdade do sistema, dado pelo nmero n p:

1) Classicar e resolver o sistema:

8
< 2x1 + x2 + 3x3 = 8
4x1 + 2x2 + 2x3 = 4 (1.2)
:
2x1 + 5x2 + 3x3 = 12

18
 Soluo:
Matriz2Ampliada 3
2 1 3 j 8
Aa = 4 4 2 2 j 4 5
2 5 3 j 12
Matriz linha equivalente a matriz ampliada, onde a parte da matriz dos
coecientes
2 est na forma escada
3
1 0 0 j 2
Ae = 4 0 1 0 j 5 5
0 0 1 j 3
De Ae obtemos: pc = 3; pa = 3 e n = 3:
p = pc = pa = 3 ) sistema compatvel
p = n ) sistema compatvel e determinado (possui uma nica soluo)
A
8 matriz Ac a matriz ampliada do seguinte sistema:
< x1 = 2
x2 = 5
:
x3 = 3
Como sistemas equivalentes tem a mesma soluo, a soluo do sistema (1.2)

x1 = 2
x2 = 5
x3 = 3
2) Classicar e resolver o sistema:
8
< 4y + 2x + 6z = 6
4z 2y + 3x = 38
:
x + 3z + 2y = 3
8
< 2x + 4y + 6z = 6
3x 2y 4z = 38 (1.3)
:
x + 2y + 3z = 3
2 3
2 4 6 j 6
Aa = 4 3 2 4 j 38 5
1 2 3 j 3
2 1 41
3
1 0 4 j 4
Ae = 4 0 1 13 8 j 298
5
0 0 0 j 0
Neste caso temos:
n=3
pa = 2
pc = 2 ) p = 2
p < n )sistema compatvel e indeterminado (innitas solues)
grau de liberdade = n p = 1
O sistema (1.3) equivalente ao sistema

19
 1 41
x 4z = 2
13 29
y + 8z = 8
Para encontrar uma soluo (note que existem innitas solues) devemos
atribuir valor a uma das variveis (pois o grau de liberdade 1) e determinar as
outras. Note que ca mais fcil se atribuirmos valor a varivel z : Por exemplo
41
fazendo z = 0 temos e x = 4 e y = 29 8 ( Poderamos atribuir outro
valor qualquer a z; e para cada valor de z teremos os valores correspondentes
de x e y, da temos innitas solues)
3) Classicar e resolver o sistema:
8
< 6x 4y 2z = 3
x+y+z = 1
:
3x 2y z = 1
2 3
6 4 2 j 3
Aa = 4 1 1 1 j 1 5
3 2 1 j 1
2 3
1 0 51 j 10 7

Ae = 4 0 1 45 j 10 3 5
1
0 0 0 j 2
Neste caso:
n=3
pc = 2
pa = 3 ) pa 6= pc )sistema incompatvel (no possui soluo)

1.7.3 Soluo de um sistema por matriz inversa

Usando a notao matricial para sistemas lineares temos

CX = B (supondo que existe C 1 )

1
C CX = C 1 B (observe que estamos multiplicando C 1
pela esquerda)
IX = C 1B
X = C 1B

Logo para se determinar a soluo basta multiplicar a matriz inversa dos

coecientes pela matriz dos termos independentes (pela esquerda, j que a mul-
tiplicao de matrtizes no comutativa). Se a matriz C no tem inversa ento
ou o sistema no possui soluo ou possui innitas solues.

Exemplo 28 :

8
< 2x + 3y z = 1
x 3y + z = 1
:
x + 2y z = 1

20
 2 3 2 3 23
2 3 1 1 x
C=4 1 3 1 5 B=4 1 5 X=4 y 5
1 2 1 1 z
2 3
1 1 0
C =4 0
1
1 1 5
1 1 3
CX = B
X=3
2 C 1B
2 32 3 2 3
x 1 1 0 1 2
4 y 5=4 0 1 1 54 1 5 = 4 2 5
z 1 1 3 1 3

1.8 Stima lista de exerccios

1. Resolva o sistema de equaes, escrevendo a matriz ampliada do sistema
inicial e escrevendo o sistema nal do qual se obter a soluo do sistema
original:
8
>
> 2x y + 3z = 11
<
4x 3y + 2z = 0
>
> x+y+z = 6
:
3x + y + z = 4
8
< x + y + 3z = 2
2. Considere o sitema linear x + 2y + 4z = 3 : Para que valores de a e b
:
x + 3y + az = b
o sistema

(a) tem uma innidade de solues?

(b) tem nica soluo?
(c) impossvel?

3. Reduza as matrizes forma escada atravs de operaes linhas:

2 3
1 2 3 1
(a) 4 2 1 2 3 5
3 1 2 3
2 3
0 2 2
6 1 1 3 7
(b) 64 3
7
4 2 5
2 3 1

4. Determine k para que o sistema admita soluo

8
< 4x + 3y = 2
5x 4y = 0
:
2x y = k

21
 5. Encontre todas as solues do sistema
8
< x1 + 3x2 + 2x3 + 3x4 7x5 = 14
2x1 + 6x2 + x3 2x4 + 5x5 = 2
:
x1 + 3x2 x3 + 2x5 = 1
6. Apresente todos os possveis resultados na discusso de um sistema no-
homogneo de 6 equaes lineares com 4 incgnitas.
7. Se A uma matriz 3 5; quais so os possveis valores da nulidade de A?
E se A for 4 2?

8. Explique por que a nulidade de uma matriz nunca negativa.

9. Chamamos de sistema homogneo de n equaes e m incgnitas aquele
sistema cujos termos independentes so todos nulos.

(a) Um sistema homogneo admite pelo menos uma soluo. Qual ela?
(b) Encontre os valores de k 2 R, tais que o sistema homogneo
8
< 2x 5y + 2z = 0
x+y+z = 0
:
2x + kz = 0
tenha uma soluo distinta da soluo trivial.

10. Se det A = 0, ento o sistema homogneo AX = 0 tem innitas solues

? Justique sua resposta.
11. Podemos resolver um sistema usando matriz inversa da seguinte forma:

AX = B
1 1
A AX = A B
1
X = A B

Isto til quando desejamos resolver vrios sistemas lineares que possuem
a mesma matriz dos coecientes.
2 3
1 2 2
Usando a teoria acima resolva os sistema AX = B onde A = 4 2 5 4 5
3 7 5
e
2 3 2 3 2 3 2 3
1 1 1000 111
a) B = 4 2 5 b) B = 4 3 5 c) 4 10 5 d) 4 311 5
3 100 100 511
1
12. Resolva o sistema matricial D X = A onde D = diag(1; 2; 3; 4; 5; 6)

22
 2 3
1 0 0 0 1 1
6 0 1 2 2 2 2 7
6 7
6 0 0 1 1 1 1 7
A=6
6
7
7
6 0 0 0 1 1 1 7
4 0 0 0 0 1 0 5
0 0 0 0 0 1
13. Classique o sistema e exiba uma soluo, caso ela exista:
8
< 2x + 4y + 6z = 6
3x 2y 4z = 38
:
x + 2y + 3z = 3
14. Uma editora publica um best-seller potencial com trs encadernaes difer-
entes: capa mole, capa dura e encardenao de luxo. cada exemplar ne-
cessita de um certo tempo para costura e cola conforme mostra a tabela
abaixo:
Se o local onde so feitas as costuras ca disponvel 6 horas por dia e o
local onde se cola, 11 horas por dia, quantos livros de cada tipo devem
ser feitos por dia, de modo que os locais de trabalho sejam plenamente
utilizados?
15. Num grande acampamento militar h 150 blindados dos tipos BM3, BM4 e
BM5, isto , equipados com 3, 4 e 5 canhes do tipo MX9 respectivamente.
O total de canhes disponveis igual a 530. A soma dos BM4 com os BM5
corresponde aos 2 / 3 dos BM3. Se para o incio de uma manobra militar,
cada canho carrega 12 projteis, quantos projteis sero necessrios para
o grupo dos BM4 no incio da operao?
16. a) Em cada parte, use a informao da tabela para determinar se o sistema
AX = B possvel. Se for, determine o nmero de variveis livres
da soluo geral. Justique sua resposta.

(a) (b) (c) (d)

Tamanho de A 3 3 9 5 4 4 3 3
(a) i.
Posto de A 2 3 0 3
Posto de [A jB ] 3 2 0 3

b) Para cada uma das matrizes da tabela acima determine se o sistema

homogneo AX = B; possvel. Indique a quantidade de solues
para cada caso.

23
1.9 Apndice
1.9.1 Clculo da inversa por adjunta
Dada uma matriz , lembramos que o cofator dij do elemento aij da matriz A
o elemento ( 1)i+j det Aij , onde Aij a submatriz de A obtida extraindo-se a
i esima linha e a j esima coluna. Com estes cofatores forma-se uma nova
matriz A; denomindada matriz dos cofatores denotada por A: Portanto
A = [dij ]
onde dij = ( 1)i+j det Aij
Exemplo 29 :
2 3
2 1 0
A=4 3 1 4 5
1 6 5
1 4
a11 = 2 ) d11 = ( 1)1+1 det = 1 ( 19) = 19
6 5
3
4
a12 = 1 ) d12 = ( 1)1+2 det = 1 ( 19) = 19
1 5
3 1
a13 = 0 ) d13 = ( 1)1+3 det = 1 ( 19) = 19
1 6
1 0
a21 = 3 ) d21 = ( 1)2+1 det = 1 (5) = 5
6 5
2 0
a22 = 1 ) d22 = ( 1)2+2 det = 1 (10) = 10
1 5
2 1
a23 = 4 ) d23 = ( 1)2+3 det = 1 (11) = 11
1 6
1 0
a31 = 1 ) d31 = ( 1)3+1 det = 1 (4) = 4
1 4
2 0
a32 = 6 ) d32 = ( 1)3+2 det = 1 (8) = 8
3 4
2 1
a33 = 5 ) d33 = ( 1)3+3 det = 1 (5) = 5
3 1
2 3
19 19 19
A=4 5 10 11 5
4 8 5
Denio: Dada uma matriz quadrada A, chamaremos de matriz adjunta de
A transposta da matriz dos cofatores de A e denotaremos adj A: Portanto adj
T
A=A :
Teorema: Uma matriz quadrada A admite inversa se e somente se det A 6= 0:
Neste caso
1
A 1= (adjA)
det A

24
1.9.2 Regra de Cramer
Um outro mtodo de resoluo de sistemas lineares de ordem n n a Regra
de Cramer onde as solues do sistema linear so calculadas usando o deter-
minante. Justamente por usar o determinante este mtodo torna-se invivel
computacionalmente, mas bastante prtico em certas questes tericas.

a11 x1 + a12 x2 + a13 x3 + :::::: + a1n xn = b1

a21 x1 + a22 x2 + a23 x3 + :::::: + a2n xn = b2
.. .. .. .. .. ..
. . . . . .
an1 x1 + an2 x2 + an3 x3 + :::::: + ann xn = bn

Na forma matricial este sistema escrito da seguinte maneira:

2 32 3 2 3
a11 a12 a1n x1 b1
6 a21 a22 a2n 7 6 7 6 7
6 7 6 x2 7 6 b2 7
6 .. .. ...... .. 7 6 . 7 = 6 . 7
4 . . ... . 5 4 .. 5 4 .. 5
an1 an2 ann xn bn
1
Supondo que det C 6= 0 e portanto que C tenha inversa C obtemos

CX = B
1 1 1
C CX = C B (observe que estamos multiplicando C pela esquerda)
1
IX = C B
1
X = C B

usando a relao
1 1
C = (adjC)
det C
temos
1
X= (adjC)B
det C

25
 2 3 02 31 2 3
x1 a11 a12 a1n b1
6 x2 7 1 B6 a21 a22 a2n 7C 6 b2 7
6 7 B6 7C 6 7
6 .. 7 = adj B6 .. .. ...... .. 7C 6 .. 7
4 . 5 det C @4 . . ... . 5A 4 . 5
xn an1 an2 ann bn
2 3 02 31 2 3
x1 D11 Da12 Da1n b1
6 x2 7 1 B6 Da21 Da22 Da2n 7C 6 b2 7
6 7 B6 7C 6 7
6 .. 7 = B6 .. .. ...... .. 7C 6 .. 7
4 . 5 det C @4 . . ... . 5A 4 . 5
xn Dan1 Dan2 Dann bn
2 3 2 3
x1 b1 D11 + b2 Da12 + + bn Da1n
6 x2 7 1 6 b1 Da21 + b2 Da22 + + bn Da2n 7
6 7 6 7
6 .. 7 = 6 .. .. ...... .. 7
4 . 5 det C 4 . . ... . 5
xn b1 Dan1 b2 Dan2 bn Dann

1
x1 = (b1 D11 + b2 Da12 + + bn Da1n )
det C
2 3
b1 a12 a1n
1 6 b2 a22 a2n 7
6 7
x1 = det 6 . . . 7
det C 4 .. .. ...... ...
. .
5
bn an2 ann
2 3
b1 a12 a1n
6 b2 a22 a2n 7
6 7
det 6 . . . 7
4 .. .. ...... ...
. .
5
bn an2 ann
x1 = 2 3
a11 a12 a1n
6 a21 a22 a2n 7
6 7
det 6 . . . 7
4 .. .. ...... ...
. .
5
an1 an2 ann
Analogamente 2 3
a11 b1 a1n
6 a21 b2 a2n 7
6 7
det 6 .. .. .. 7
4 . . . 5
an1 bn ann
xi = 2 3
a11 a12 a1n
6 a21 a22 a2n 7
6 7
det 6 . .. ...... .. 7
4 .. . ... . 5
an1 an2 ann
i = 2; 3; :::::; n
Podemos escrever esta relao na forma

26
 Di
xi =
D
onde 2 3
a11 b1 a1n
6 a21 b2 a2n 7
6 7
Di = det 6 .. .. .. 7
4 . . . 5
an1 bn ann
e 2 3
a11 a12 a1n
6 a21 a22 a2n 7
6 7
D = det 6 .. .. ...... .. 7
4 . . ... . 5
an1 an2 ann
Usando a Regra de Cramer podemos classicar um sistema n n:
Se D 6= 0 ento o sistema possui uma nica soluo (compatvel e determi-
nado)
Se D = 0 e algum dos Di 6= 0 ento o sistema incompatvel
Se D = 0 e todos os Di = 0, para i = 1; :::; n ento o sistema possui innitas
solues. Note que no podemos determinar o grau de liberdade pela Regra de
Cramer.

Exemplo 30 Resolver o sistema

x+y =2
10x + 10y = 20

1 1
D = det =0
10 10

2 1
D1 = det =0
20 10

1 2
D2 = det =0
10 20
Logo o sistema possui innitas solues.

Exemplo 31 Resolver o sistema

8
< 2x + y z = 0
20x + 20y 20z = 1
:
x+y z =0
2 3
2 1 1
D = det 4 20 20 20 5 = 0
1 1 1

27
 2 3
0 1 1
D1 = det 4 1 20 20 5 = 0
0 1 1
2 3
2 1 1
D2 = det 4 20 0 20 5 = 20
1 1 1
2 3
2 1 0
D3 = det 4 20 20 1 5= 1
1 1 0
Como D2 = 20 e D3 = 1 o sistema incompatvel

Exemplo 32 Resolva o sistema

8
< x+y z =0
x y z=1
:
x+y+z =1
2 3
1 1 1
D = det 4 1 1 1 5= 4
1 1 1
Logo o sistema tem uma nica soluo
2 3
0 1 1
D1 = det 4 1 1 1 5= 4
1 1 1
2 3
1 0 1
D2 = det 4 1 1 1 5=2
1 1 1
2 3
1 1 0
D3 = det 4 1 1 1 5= 2
1 1 1
A soluo

D1 4
x1 = = =1
D 4
D2 2 1
x2 = = =
D 4 2
D 2 1
x3 = = =
D3 4 2
Exerccio: Usando a Regra de Cramer faa a classicao de um sistema
homogneo AX = 0

28
Captulo 2

ESPAOS VETORIAIS

2.1 Introduo
lgebra linear uma parte da lgebra que, por sua vez, um ramo da Matemtica
na qual so estudados matrizes, espaos vetoriais e transformaes lineares.
Todos esses itens servem para um estudo detalhado de sistemas lineares de
equaes. um fato histrico que a inveno da lgebra Linear ser um campo
abstrato da Matemtica, ela tem um grande nmero de aplicaes dentro e fora
da matemtica.
Tanto a lgebra Linear como a Geometria Analtica aplicam-se a vrias reas,
em especial s Engenharias. Citamos, a seguir, alguma delas. claro que
neste curso no conseguiremos aborda-las todas. Contudo, nosso objetivo no
momento que o estudante tome contato com o que representa o estado da arte
neste contexto.

Jogos de Estratgia: no jogo de roleta o jogador d seu lance com uma

aposta e o cassino responde com o giro da roleta; o lucro para o jogador ou
para o cassino determinado a partir destes dois movimentos. Esses so os
ingredientes bsicos de uma variedade de jogos que contm elementos tanto
de estratgia quanto de acaso. Os mtodos matriciais podem ser usados para
desenvolver estratgias otimizadas para os jogadores.

Administrao de Florestas: o administrador de uma plantao de r-

vores de Natal quer plantar e cortar as rvores de uma maneira tal que a con-
gurao da oresta permanea inalterada de um ano para outro. O admin-
istrador tambm procura maximizar os rendimentos, que dependem de nmero
e do tamanho das rvores cortadas. Tcnicas matriciais podem quanticar este
problema e auxiliar o administrador a escolher uma programao sustentvel de
corte.

Computao grca: uma das aplicaes mais teis da computao gr-

29
ca a do simulador de vo. As matrizes fornecem uma maneira conveniente
de lidar com a enorme quantidade de dados necessrios para construir e animar
os objetos tridimensionais usados por simuladores de vo para representar um
cenrio em movimento. Outras aplicaes mais simples em computao grca
so: vetores e matrizes so utilizados em espaos de cores(RGB, HSV, etc), em
coordenadas e transformaes geomtricas em duas e trs dimenses, em combi-
naes convexas e lineares de pontos( curvas e superfcies spline), em represen-
tao compacta de sesses cnicas, etc.; coordenadas homogneas e geometria
projetiva utilizando comumente para representar consistentemente transfor-
maes ans e processos de projeo( paralela, perspectiva, modelos de cmera
virtual): nmeros complexos em rotao no plano e tambm em processa-
mento de imagens, incluindo transformadas de co-seno, Fourier, etc.; quatrnios
rotao espaciais e implementao de cinemtica inversa( resolver problemas
de posicionamento de juntas articuladas).

Redes Eltricas: circuitos eltricos que contenham somente resistncias

e geradores de energia podem se analisados usando sistemas lineares derivados
das leias bsicas da teoria de circuitos.

Distribuio de Temperatura de Equilbrio: uma tarefa bsica da cin-

cia e da engenharias, que pode se reduzida a resolver um sistema de equaes
lineares atravs de tcnicas matriciais interativas, determinar a distribuio
de temperatura de objetos tais como a do ao saindo da fornalha.

Cadeias de Markov: os registros meteorolgicos de uma localidade es-

pecca podem ser usados para estimar a probabilidade de que v chover em
um certo dia a partir da informao de que choveu ou no no dia anterior. A
teoria das cadeias de Markov pode utilizar tais dados para prever, com muita
antecedncia, a probabilidade de um dia chuvoso na localidade.

Gentica: os mandatrios do Egito recorriam a casamentos entre irmos

para manter a pureza da linhagem real. Este costume propagou e acentuou
certos traos genticos atravs de muitas geraes. A teoria das matrizes fornece
um referencial matemtico para examinar o problema geral da propagao de
traos genticos.

Crescimento Populacional p Faixa Etria: a congurao popula-

cional futura pode ser projetada aplicando lgebra matricial s taxas, especi-
cas por faixas etrias, de nascimento e mortalidade da populao. A evoluo
a longo prazo da populao depende das caractersticas matemticas de uma
matriz de projeo que contm os parmetros demogrcos da populao.

Colheita de Populaes Animais: a colheita sustentada de uma criao

de animais requer o conhecimento da demograa da populao animal. Para

30
maximizar o lucro de uma colheita peridica, podem ser comparadas diversas
estratgias de colheita sustentada utilizando tcnicas matriciais que descrevem
a dinmica do crescimento populacional.

Criptograa: durante a Segunda Guerra Mundial, os decodicadores

norte americanos e britnicos tiveram xito em quebrar o cdigo militar inimigo
usando tcnicas matemticas e mquinas sosticadas (por exemplo, a Enigma).
Hoje me dia, o principal impulso para o desenvolvimento de cdigos seguros
dado pelas comunicaes condencias entre computadores e em telecomuni-
caes.

Construo de Curvas e Superfcies p Pontos Especcos: em seu tra-

balho Principia Mathematica ( os princpios matemticos da Filosoa Nat-
ural) I. Newton Abordou o problema da construo de uma elipse por cinco
pontos dados. Isto ilustraria como encontrar a rbita de um cometa ou de
um planeta atravs da anlise de cinco observaes. Ao invs de utilizarmos o
procedimento geomtrico de Newton, podemos utilizar os determinantes para
resolver o problema analiticamente.

Programao Linear Geomtrica: um problema usual tratado na rea

de programao linear o da determinao de propores dos ingredientes em
uma mistura com o objetivo de minimizar seu custo quando as propores
variam dentro de certos limites. Um tempo enorme do uso de computadores
na administrao e na indstria dedicado a problemas de programao linear.

O problema na Alocao de Tarefas: um problema importante na in-

dstria o do deslocamento de pessoal e de recursos de uma maneira eciente
quanto ao custo. Por exemplo, uma construtora pode querer escolher rotas para
movimentar equipamento pesado de seus depsitos para os locais de construo
de maneira a minimizar a distncia total percorrida.

Modelos Econmicos de Leontief : num sistema econmico simplicado,

uma mina de carvo, uma ferrovia e uma usina de energia necessitam cada uma
de uma parte da produo das outras para sua manuteno e para suprir outros
consumidores de seu produto. Os Modelos de produo de Leontief podem ser
usados para determinar o nvel de produo necessrio s trs indstrias para
manter o sistema econmico.

Interpolao Spline Cbica: as fontes tipogrcas PostScript e True-

Type usadas em telas de monitores e por impressoras so denidas por curvas
polinomiais por partes denominadas splines. Os parmetros que os determinam
esto armazenados na memria do computador, um conjunto de parmetros
para cada um dos caracteres de uma particular fonte.

31
 Teoria de Grafos: a classicao social num grupo de animais uma
relao que pode ser descrita e analisada com a teoria de grafos, Esta teoria
tambm tem aplicaes a problemas to distintos como a determinao de rotas
de companhias areas e a anlise de padres de votao.

Tomograa Computadorizada: um dos principais avanos no diagns-

tico mdico o desenvolvimento de mtodos no invasivos para obter imagens
de sees transversais do corpo humano, como a tomograa computadorizada
e a ressonncia magntica. Os mtodos da lgebra Linear podem ser usados
para reconstruir imagens a partir do escaneamento por raios X da tomograa
computadorizada.

Conjuntos Fractais: conjuntos que podem ser repartidos em verses

congruentes proporcionalmente reduzidas do conjunto original so denominadas
fractais. Os fractais so atualmente aplicados compactao de dados com-
putacionais. Os mtodos de lgebra Linear podem ser usados para construir e
classicar fractais

Teoria do Caos: os pixels que constituem ema imagem matricial podem

ser embaralhados repetidamente de uma mesma maneira, na tentativa de torna-
los aleatrios. Contudo, padres indesejados podem continuar aparecendo no
processo. A aplicao matricial que descreve o processo de embaralhar ilustra
tanto a ordem quanto a desordem que caracterizam estes processos caticos.

Um Modelo de Mnimos Quadrados para a Audio Humana: o ouvido

interno contm uma estrutura com milhares de receptores sensoriais ciliares.
Estes receptores, movidos pelas vibraes do tmpano, respondem a freqncias
diferentes de acordo com sua localizao e produzem impulsos eltricos que
viajam at o crebro atravs do nervo auditivo. Desta maneira, o ouvido interno
age como um processador de sinais que decompe uma onda sonora complexa
em um espectro de freqncias distintas.

Deformaes e Morsmos: voc j deve ter visto em programas de

televiso ou clips musicais imagens mostrando rapidamente o envelhecimento
de uma mulher ao longo do tempo, ou a transformao de um rosto de mul-
her no de uma pantera, a previso de como seria hoje o rosto de uma criana
desaparecida h 15 anos atrs, etc. Estes processos so feitos a partir de al-
gumas poucas fotos. A idia de continuidade, de evoluo do processo, feita
atravs do computador.Este processo de deformao chamado de morsmo,
que se caracteriza por misturas de fotograas reais com fotograas modicadas
pelo computador. Tais tcnicas de manipulao de imagens tm encontrado
aplicaes na indstria mdica, cientica e de entretenimento.

Produto de dez anos de intensa pesquisa e desenvolvimento, o primeiro

32
nibus espacial dos EUA (lanado em 1981) foi uma vitria da engenharia de
controle de sistemas, envolvendo muitas reas da engenharia - aeronutica,
qumica , eltrica, hidrulica e mecnica. Os sistemas de controle de nibus
espacial so absolutamente crticos para vo. Ele requer um constante moni-
toramento por computador durante o vo atmosfrico. O sistema de vo en-
via uma sequncia de comandos para a superfcie de controle aerodinmico.
Matematicamente , os sinais de entrada e sada de um sistema de Engenharia
so funes. importante para as aplicaes que essas funes possam ser
somadas e multiplicadas por escalares. Essas duas operaes em funes tem
propriedades algbricas que so completamente anlogas s operaes de soma
de vetor e multiplicao de vetor por escalar no Rn : Por esse motivo, o conjunto
de todas as entradas possveis (funes) chamado de um espao vetorial.
A fundamentao matemtica para a engenharia de sistemas repousa sobre es-
paos vetoriais de funes, portanto precisamos estender a teoria de vetores do
Rn de modo a incluir tais funes.
Antes de apresentarmos a sua denio, analisaremos em paralelo dois
objetos: o conjunto formado pelas funes f : R ! R, denotado por F (R)
e o conjunto das matrizes quadradas de ordem n com coecientes reais que
denotaremos por Mn (R).
A soma de duas funes f e g de F (R) denida como:

(f + g)(x) = f (x) + g(x):

Note tambm que se 2 R podemos multiplicar o escalar pela funo

f ; da seguinte forma:
( f ) (x) = (f (x))
resultando num elemento de F (R):
Com relao a Mn (R) podemos somar duas matrizes quadradas de
ordem n,
A + B = (aij + bij )nxn
que um elemento de Mn (R):
Com relao multiplicao do escalar pela matriz A 2 R

A = ( aij )nxn

o qual tambm 2 Mn (R):

O que estes dois exemplos acima, com a adio de seus elementos e
multiplicao de seus elementos por escalares, tm em comum?
Verca-se facilmente a partir das propriedades dos nmeros reais que,
com relao a quaisquer funes f , g e h em F (R) e para ; 2 R, so vlidos
os seguintes resultados:

1. f + g = g + f
2. f + (g + h) = (f + g) + h
3. Se g representa a funo nula ento f + g = f

33
 4. f + ( f ) = 0
5. ( f) = ( )f
6. ( + )f = f + f
7. (f + g) = f + g

8. 1f = f

Agora, com relao a quaisquer matrizes A; B; e C em Mn e para todo

; 2 R, tambm so vlidos os seguintes resultados:

1. A + B = B + A
2. A + (B + C) = (A + B) + C
3. Se 0 representa a matriz nula ento A + 0 = A
4. A + ( A) = 0
5. ( A) = ( )A
6. ( + )A = A + A
7. (A + B) = A + B
8. 1A = A

Observamos que o conjunto das funes bem como o das matrizes, quando
munidos de soma e multiplicao por escalar, apresentam propriedades algbri-
cas comuns. Existem muitos outros exemplos de conjuntos que apresentam as
mesmas propriedades acima. Para no estudarmos separadamente cada con-
junto, estudaremos um conjunto genrico e no vazio, V , sobre o qual supomos
estar denidas as operaes de adio e multiplicao por escalar.

Denio 33 Um espao vetorial V um conjunto, cujos elementos so chama-

dos vetores, no qual esto denidas duas operaes: a adio, que a cada par
de vetores, u e v 2 V faz corresponder um novo vetor denotado por u + v 2 V ,
chamado a soma de u e v, e a multiplicao por um nmero real, que a cada 2
R e a cada vetor v 2 V faz corresponder um vetor denotado por v, chamado
produto de por v. Estas operaes devem satisfazer, para quaisquer ; 2 R
e u, v e w 2 V as seguintes propriedades:

1. Comutatividade: u + v = v + u
2. Associatividade: (u + v) + w = u + (v + w)
3. Vetor nulo: existe um vetor nulo 0 2 V tal que v + 0 = v para todo v 2 V

4. Inverso aditivo: Para cada v 2 V existe v 2 V tal que v+v =0

34
 5. Distributividade: ( + )v = v + v
6. ( )v = ( v)
7. (u + v) = u + v
8. Multiplicao por 1: 1:u = u

Exemplo 34 Para todo nmero natural n, o smbolo Rn representa o espao

vetorial euclidiano n-dimensional. Os elementos de Rn so as listas ordenadas
(chamadas n-uplas) u = (x1; x2; x3;:::::::; xn ); v = (y1 ; y2; y3 ; ::::::yn ) de nmeros
reais. Por denio a igualdade vetorial u = v signica as n igualdades numri-
cas
x1 = y1; x2 = y2 ; :::::xn = yn :

Em Rn denimos as operaes:

u + v = (x1 + y1 ; x2 + y2; ::::xn + yn )

e
u = ( x1; x2 ; ::::: xn )
Verica-se sem diculdades, que estas denies fazem do Rn um E. V. (veri-
que).

Exemplo 35 O conjunto dos polinmios em x; de grau menor ou igual a n

denido por :
n 1
Pn = p(x) = ao + a1 x + ::::: + an 1x + an xn ao ; a1 ; ::::; an 1 ; an 2R

com as operaes de adio de polinmios e multiplicao de um polinmio por

um escalar um espao vetorial. Note que cada elemento de Pn uma funo
p:R!R

Exemplo 36 O conjunto das matrizes denido por

M (m; n) = fAm n = faij g aij 2 R; i = 1; ::; m e j = 1; ::; ng

com a soma usual de matrizes e multiplicao usual de um escalar por uma

matriz um espao vetorial.

No caso particular das matrizes quadradas de ordem n denotaremos

M (n; n) por Mn :

Exemplo 37 Seja o conjunto R2 = f(x; y) x; y 2 Rg com as operaes assim

denidas:

35
 (x1 ; y1 ) + (x2 ; y2 ) = (x1 + x2 ; y1 + y2 )

(x; y) = ( x; y)
2
O conjunto R com estas operaes no um espao vetorial, de fato:
Vamos mostrar que falha a propriedade 5) do E.V.

( + )u = ( + )(x1 ; y1 ) = (( + )x1 ; y1 ) = ( x1 + x1 ; y1 )

u+ u = = (x1 ; y1 ) + (x1 ; y1 ) = ( x1 ; y1 ) + ( x1 ; y1 ) = ( x1 + x1 ; 2y1 )

) ( + )u 6= u + u

2.2 Subespaos
Denio 38 Seja V um espao vetorial. Dizemos que W V um subespao
vetorial de V se forem satisfeitas as seguintes condies:

1. se u , v 2 W ento u + v 2 W
2. se u 2 W ento u 2 W para todo 2 R:

Podemos fazer trs observaes:

as condies da denio garantem que ao operarmos em W (soma e mul-

tiplicao por escalar) no obteremos um vetor fora de W: Isto suciente
para armar que W ele prprio um E.V.
Qualquer subespao W de V precisa conter o vetor nulo.
Todo espao vetorial admite pelo menos dois subespaos: o conjunto for-
mado pelo vetor nulo e o prprio E.V.

Exemplo 39 Seja V = R5 e W = f0; x2; x3 ; x4 ; x5 ) , W um subespao veto-

rial?

Resoluo:
vericamos as condies de subespao: seja u = (0; x2; x3 ; x4 ; x5 ) 2 W e
v = (0; y2; y3 ; y4 ; y5 ) 2 W

1. u + v = (0; x2 + y2; x3 + y3 ; x4 + y4 ; x5 + y5 ) 2 W

2. u = (0; x2; x3 ; x4 ; x5 ) = (0; x2; x3 ; x4 ; x5 ) 2 W

logo W um subespao vetorial.

36
Exemplo 40 Seja S = f(x; y; z) 2 R3 x + y + z = 0g, S um subespao de
R3 ?

Resoluo:
Dados u = (x1 ; y1 ; z1 ) 2 S e v = (x2 ; y2 ; z2 ) 2 S

1. u + v = (x1 ; y1 ; z1 ) + (x2 ; y2 ; z2 ) = (x1 + x2 ; y1 + y2 ; z1 + z2 )

Como u = (x1 ; y1 ; z1 ) 2 S ) x1 + y1 + z1 = 0: Analogamente x2 + y2 + z2 =

0; e podemos concluir que (x1 + x2 ) + (y1 + y2 ) + (z1 + z2 ) = 0 ) u + v 2 S

2. u = (x1 ; y1 ; z1 ) = ( x1 ; y1 ; z1 ) para todo ) x1 + y1 + z1 =

(x1 + y1 + z1 ) = 0 = 0 e dai u 2 S

Portanto, S um subespao vetorial de R3 :

Exemplo 41 V = Mn e W o subconjunto das matrizes triangulares superi-

ores. W subespao de V , pois a soma das matrizes triangulares superiores
ainda uma matriz triangular superior, assim como o produto de uma matriz
triangular por um escalar (Verique).

Exemplo 42 Uma situao importante em que aparece um subespao obtida

ao resolvermos um sistema linear homogneo. Considere o sistema homogneo
AX = O, onde A uma matriz m n e X uma matriz coluna n 1:Se X1 e
X2 so duas solues do sistema AX = O ento tem-se AX1 = O e AX2 = O:
Mas A(X1 + X2 ) = AX1 + AX2 = O + O = O, logo X1 + X2 uma soluo do
sistema AX = O: Tambm, A(kX1 ) = kAX1 = O; portanto kX1 uma soluo
do sistema AX = O:
Como o conjuntos das matrizes Xn 1 uma espao vetorial temos que o
subconjunto de todas as matrizes de ordem n 1 que so solues do sistema
AX = O uma subespao vetorial do espao vetorial formadso por todas as
matrizes de ordem n 1

Exemplo 43 Seja V = R2 e W = f(x; x2 ) 2 R2 x 2 R). Se escolhermos

u = (1; 1) e v = (2; 4) 2 W , temos: u + v = (3; 5) 2
= W , portanto W no
subespao vetorial de R2 :

Exemplo 44 Seja V = R2 e W = f(x; y) 2 R2 y = 2xg, W subespao

vetorial de R2 ; pois temos:

1. Para u = (x1 ; 2x1 ) e v = (x2 ; 2x2 ) 2 W tem-se u + v = (x1 + x2 ; 2(x1 +

x2 )) 2 W , pois a segunda componente de u + v igual ao dobro da
primeira.

2. u = (x1 ; 2x1 ) = ( x1 ; 2( x1 )) 2 W , pois a segunda componente de u

igual ao dobro da primeira.

37
 0 1
Exemplo 45 Considere o espao vetorial M2 e a matriz B = 2
1 0
M2 :Seja W = fA 2 M2 AB = BAg. Verique se W um espao vetorial
de M2 :

1a Soluo: Sejam A1 ; A2 petencente a M2 :

(A1 + A2 ) B = A1 B+A2 B = BA1 +BA2 = B (A1 + A2 ) ) (A1 + A2 ) 2 M2
(kA1 ) B = k (A1 B) = k (BA1 ) = B (kA1 ) ) (kA1 ) 2 M2
Logo W um subespao vetorial de W:

a b
2a Soluo: Tomando A = 2 W; sabe-se que a matriz A deve satis-
c d
fazer a relao AB = BA:Portanto

a b 0 1 0 1 a b
=
c d 1 0 1 0 c d
b a c d
=
d c a b
b = c
a = d)a=d
a = d
c = b)b= c

a b a b
Logo A = )W = 2 M2 a; b 2 R
b a b a
a b x y
Sejam u = ev=
b a y x
a b x y a+x b+y a+x b+y
u+v = + = = 2W
b a y x b y a+x (b + y) a + x
a b ka kb
ku = k = 2W
b a kb ka
Como u + v 2 W e ku 2 W ) W um subespao vetorial de M2

2.3 Interseco de dois Subespaos Vetoriais

Denio 46 Dados W1 e W2 subespaos de um espao vetorial V , a inter-
seco W1 \ W2 ainda um subespao de V .

Exemplo 47 V = R3 : Seja W1 = f(x; y; z) 2 R3 = y = 0) e W2 = f(x; y; z) 2

R3 = x = 0): W1 \ W2 a reta de interseco dos planos W1 e W2 ; ou seja
W1 \ W2 = f(x; y; z) 2 R3 = x = 0 e y = 0)

Exemplo 48 V = R3 : Seja W1 = f(x; y; z) 2 R3 = x + y + z = 0) e W2 =

f(x; y; z) 2 R3 = x + y z = 0):

38
 Para encontrarmos a interseco dos dois subespaos
devemos resolver o sistema
x+y+z =0
x+y z =0

A soluo desse sistema z = 0; y = x: Portanto W1 \ W2 = f(x; y; z) 2

R3 = z = 0 e y = x)

Exemplo 49 V = P3 : Seja W1 = fp 2 P3 p0 (1) = 0g e W2 = fp 2 P3

p00 (1) = 0g

Como p 2 P3 ento p = a + bx + cx2 + dx3 ; com

a; b; c; d 2 R: Se p 2 W1 ento p0 (1) = 0 ) b + 2c + 3d = 0: Se p 2 W2 ento
p00 (1) = 0 ) 2c + 6d = 0: Para que p pertena a W1 \ W2 devemos resolver o
sistema
b + 2c + 3d = 0
2c + 6d = 0

c = 3d
b = 3d

Portanto W1 \ W2 = fp 2 P3 p = a + 3dx 3dx2 + dx3 g

Exemplo 50 V = M (n; n); W1 = fmatrizes triangulares superiores}; W2 =

fmatrizes triangulares inferiores}. Ento W1 \ W2 = fmatrizes diagonais}.

a b
Exemplo 51 Seja V = M2 = e
c d

a b
W1 = ; a; b 2 R
0 0

a 0
W2 = ; a; c 2 R
c 0
W = W1 \ W2 um subespao de V , pois

a 0
W = ;a 2 R
0 0

Exemplo 52 Sejam W1 e W2 dados por:

W1 = f(x; y) 2 R2 ; x + y = 0g

e
W2 = (x; y) 2 R2 ; x y = 0g

39
 ser que W1 [ W2 um subespao vetorial de V ?
Soluo :

No. Basta considerar V = R2 ;

u = (1; 1) 2 W2
v = (1; 1) 2 W1
mas u + v = (1; 1) + (1; 1) = (2; 0) 2
= W1 [ W2 (represente gracamente
esta soma de vetores)

2.4 Combinao Linear

Denio 53 Seja V um espao vetorial real, v1 ; v2 ; ::::::; vn 2 V e a1 ; a2;::::::::: an 2
R. Ento, o vetor
v = a1 v1 + a2 v2 + ::::: + an vn
um elemento de V ao que chamamos de combinao linear de v1 ; v2 ; ::::::; vn :

Exemplo 54 Em R2 os vetor v = (10; 16) uma combinao linear dos

vetores

v1 = (1; 2) v2 = (3; 4) pois v = 4v1 + 2v2 :

Exemplo 55 Verique se o vetor v = (3; 2; 1) pode ser escrito como uma com-
binao linear dos vetores v1 = (1; 1; 1); v2 = (1; 1; 1); v3 = (1; 1; 1):

Devemos vericar se existem nmeros a; b; c tais que v = av1 +bv2 +cv3 ;

ou seja,
(3; 2; 1) = a(1; 1; 1) + b(1; 1; 1) + c(1; 1; 1):
devemos ento resolver o sistema
2 32 3 2 3
1 1 1 a 3
41 1 1 5 4 b 5 = 425
1 1 1 c 1
Mas esse sistema tem uma nica soluo a = 23 ; b = 12 e c = 1; portanto
v pode realmente ser escrito como combinao de v1 ; v2 e v3 ; da forma v =
3 1
2 v1 + 2 v2 + v3 :

Exemplo 56 No espao vetorial P2 o polinmio p = 7x2 + 11x 26 combi-

nao linear dos polinmios: q1 = 5x2 3x + 2 e q2 = 2x2 + 5x 8; de fato
p = 3q1 + 4q2 (conra).

Exemplo 57 Verique que em P2 o polinmio p(x) = 1+x2 uma combinao

dos polinmios q(x) = 1, r(x) = 1 + x e s(x) = 1 + x + x2 :

40
 Resoluo:
Precisamos encontrar nmeros reais, a1 ; a2 e a3 tais que:
p(x) = a1 q(x) + a2 r(x) + a3 s(x)
Ou seja, precisamos encontrar a1 ; a2 e a3 satisfazendo:
1 + x2 = a1 + a2 (1 + x) + a3 (1 + x + x2 )
1:1 + 0x + 1:x2 = (a1 + a2 + a3 ) + (a2 + a3 ) x + a3 x3
que equivalente ao sistema:
8
< a1 + a2 + a3 = 1
a2 + a3 = 0 :, a1 = 1; a2 = 1 e a3 = 1:
:
a3 = 1

Exemplo 58 Consideremos , no R3 , os seguintes vetores: v1 = (1; 3; 2) e

v2 = (2; 4; 1): Escreva o vetor v = ( 4; 18; 7) como combinao linear dos
vetores v1 e v2 :
Resoluo:

v = a1 v1 + a2 v2
( 4; 18; 7) = a1 (1; 3; 2)+a2 (2; 4; 1) = (1a1 ; 3a1 ; 2a1 )+(2a2 ; 4a2 ; 1a2 ) =
= (a1 + 2a2 ; 3a1 + 4a2; 2a1 a2 ) que equivalente ao sistema:
8
< a1 + 2a2 = 4
3a1 + 4a2 = 18 , a1 = 2; a2 = 3:
:
2a1 a2 = 7
Portanto, v = 2v1 3v2 : Agora mostre que o vetor v = (4; 3; 6) no
combinao linear dos vetores v1 = (1; 3; 2) e v2 = (2; 4; 1):

2.5 Dependncia e Independncia Linear

Denio 59 Seja V um espao vetorial e v1 ; v2 ; ::::::; vn 2 V: Dizemos que o
conjunto fv1 ; v2 ; ::::::; vn g linearmente independente (LI), se a equao:
a1 v1 + a2 v2 + :::: + an vn = 0
implica que
a1 = a2 = ::: = an = 0:
No caso, em que exista algum ai 6= 0 dizemos que fv1 ; v2 ; ::::::; vn g linear-
mente dependente (LD).
Para determinarmos se um conjunto L.I. ou L.D. devemos fazer a
combinao linear do conjunto de vetores e igualar esta combinao linear ao
vetor nulo do espao. Portanto muito importante ter conhecimento do vetor
nulo do espao em que estamos trabalhando.

41
Denio 60 Considere o espao vetorial R3 e os conjunto de vetores:

= f(1; 2; 3) ; (1; 1; 1); (1; 0; 0)g

= f(1; 2; 3) ; (1; 1; 1); (3; 5; 7)g
Os conjuntos e acima so L.I ou L.D?
Soluo:
Fazendo a combinao linear
a (1; 2; 3) + b(1; 1; 1) + c(1; 0; 0) = (0; 0; 0)
temos o sistema homogneo:
82 3
< a+b+c = 0
4 2a + b = 05
:
3a + b = 0
cuja nica soluo a = b = c = 0. Portanto o conjunto L.I
Fazendo a combinao linear
a (1; 2; 3) + b(1; 1; 1) + c(3; 5; 7) = (0; 0; 0)
temos o sistema homogneo:
82 3
< a + b + 3c = 0
42a + b + 5c = 05
:
3a + b + 7c = 0
que possui innitas solues ( grau de liberdade 1). Portanto alm da soluo
nula ( que todo sistema homogneo tem) este sistema possui outras solues
diferentes da soluo nula, logo o conjunto L.D.
Teorema 61 O conjunto fv1 ; v2 ; ::::::; vn g LD se, e somente se um dos vetores
do conjunto for uma combinao linear dos outros.
Exemplo 62 a) Seja V = R3 . Sejam v1 ; v2 2 V:O conjunto fv1 ; v2 g LD se e
somente se v1 e v2 estiverem na mesma reta que passa pela origem (um vetor
mltiplo do outro), v1 = v2 :
b) Em V = R2 ; e1 = (1; 0) e e2 = (0; 1) so LI, pois:
a1 e1 + a2 e2 = 0 =) a1 (1; 0) + a2 (0; 1) = (0; 0) =) (a1; a2 ) = (0; 0)
logo a1 = 0 e a2 = 0 portanto, e1 e e2 so LI.
Exemplo 63 No espao Vetorial M2 o conjunto:
1 2 2 3 3 4
A= ; ;
3 1 3 0 3 1
LD. Examinemos a equao: a1 v1 + a2 v2 + a3 v3 = 0

42
 1 2 2 3 3 4 0 0
a1 + a2 + a3 =
3 1 3 0 3 1 0 0
cuja soluo a1 = a3 e a2 = 2a3. :Como existem solues ai 6= 0; o conjunto
LD.

Propriedades da Dependncia e da Independncia Linear

Seja V um E.V
!
1. Se A = fvg V e v 6= 0 , ento A LI.

2. Se um conjunto A V contm o vetor nulo, ento A LD

3. Se um conjunto A V LI, qualquer parte de A1 de A tambm LI.

2.6 Subespaos Gerados

Denio 64 Seja V um espao vetorial. Consideramos um subconjunto A =
fv1 ; v2 ; ::::::; vn g V; A 6= ?:O conjunto W de todos os vetores de V que so
combinaes lineares dos vetores de A um subespao de V: Simbolicamente, o
subespao W :

W = fv 2 V v = a1 v1 + a2 v2 + :::: + an vn g

O subespao W diz-se gerado pelos vetores v1 ; v2 ; :::vn :; ou gerado pelo con-

junto A, e representa-se por:

W = [v1 ; v2 ; :::vn :] ou W = G(A)

Os vetores v1 ; v2 ; :::vn :so chamados geradores do sube-

spao W; enquanto A o conjunto gerador de W:
!
Para o caso particular de A = ?; dene-se [?] = f 0 g
A G(A), ou seja, f v1 ; v2 ; :::vn g [v1 ; v2 ; :::vn ]
Todo conjunto A V gera um subespao vetorial de V , podendo ocorrer
G(A) = V . Nesse caso, A um conjunto gerador de V:

Exemplo 65 Os vetores i = (1; 0) e j = (0; 1) geram o espao vetorial R2 ,

pois, qualquer (x; y) 2 R2 combinao linear de i e j :

(x; y) = xi + yj = x(0; 1) + y(0; 1) = (x; 0) + (0; y) = (x; y)

Ento: [i; j] = R2 .

Exemplo 66 Seja V = R3 . Determinar o subespao gerado pelo vetor v1 =

(1; 2; 3):

43
 Soluo: Temos:

[v1 ] = f(x; y; z) 2 R3 =(x; y; z) = a(1; 2; 3); a 2 Rg

Da igualdade: (x; y; z) = a(1; 2; 3) vem: x = a; y = 2a; z = 3a donde:

y = 2x e z = 3x logo ,

[v] = f(x; y; z) 2 R3 =y = 2x e z = 3xg ou [v1 ] = f(x; 2x; 3x); x 2 Rg:

Exemplo 67 Encontre o subespao vetorial de P3 gerado por U = f1; t; t2 ; 1 +

t3 g

Resoluo:
note que t3 = (t3 + 1) 1. Assim, dado p(t) = ao + a1 t + a2 t2 + a3 t3 2 P3
podemos escrever

p(t) = (a0 a3 ) + a1 t + a2 t2 + a3 (t3 + 1) 2 U

Ou seja, qualquer vetor (polinmio) de P3 pode ser escrito como uma combi-
nao linear dos vetores do conjunto U . Logo P3 = [U ]:

Exemplo 68 Encontre o subespao vetorial gerado de M2 gerado por

0 1 0 0
G= ;
0 0 1 0

Resoluo: Temos que A 2 [G] se e somente se existirem a e b 2 R tais que

0 1 0 0 0 a
A=a +b =
0 0 1 0 b 0

ou seja, A 2 [G] se e somente se os elementos da diagonal principal de A so

nulos.

Exemplo 69 Encontre um conjunto de geradores para W = fX 2 M (4; 1)

AX = 0g onde 0 1
1 1 1 0
B 2 0 1 1 C
A=B @ 3
C
1 0 1 A
0 2 3 1

Resoluo:

01 0 10 1 10
a 1 1 1 0 a 0
B b C B 2 0 1 1 C B b C B 0 C
X=B C B
@ c A 2 W () @ 3
CB C = B C ,;
1 0 1 A@ c A @ 0 A
d 0 2 3 1 d 0

44
 0 10 1 0 1
1 1 1 0 a 0
B 0 2 3 1 C B b C B 0 C
B CB C=B C,
@ 0 0 0 0 A@ c A @ 0 A
0 0 0 0 d 0
0 10 1 0 1
1 1 1 0 a 0
B 0 1 3=2 1=2 C B b C B 0 C a= c d
B CB C=B C, 2 2
@ 0 0 0 0 A@ c A @ 0 A b= 3c d
2 + 2
0 0 0 0 d 0

isto , 0 1 0 1 0 1
c d 1 1
2 2 2 2
B 3c
+ d C B C B
3 C 1
X=B
@
2 2 C = cB
A
C B
2 C
@ 1 A + d@ 0 A
2
c
d 0 1
20 1 1 0 1 13
2 2
6B 3 C B 1 C7
portanto; W = 6B 2 C B 2 C7
4@ 1 A ; @ 0 A5
0 1

2.7 Soma de Subespaos

Denio 70 Sejam W1 e W2 dois subespaos vetoriais de V: Ento o conjunto

W1 + W2 = fv 2 V v = w1 + w2 ; w1 2 W1 e w2 2 W2 g

um subespao de V:

a b 0 0
Exemplo 71 W1 = e W2 = ;onde a; b; c; d 2 R.
0 0 c d
a b
Ento W1 + W2 = = M2 :
c d

Exemplo 72 Sejam os subespaos vetoriais

W1 = f(a; b; 0); a; b 2 Rg e W2 = f(0; 0; c); c 2 Rg

do espao vetorial R3 : A soma W1 + W2 = f(a; b; c); a; b; c 2 Rg subespao

vetorial, que nesse caso o prprio R3 :
!
Proposio 73 Quando W1 \ W2 = f 0 g, ento W1 + W2 chamado soma
direta de W1 com W2 ; e denotado por W1 W2 :

Observao 74 Usando os geradores podemos obter uma caracterizao da

soma de dois subespaos: Sejam W e U subespaos de V; se W = [u1 ; :::; un ] e
U = [w1 ; :::; wm ] ento W + U = [u1 ; :::; un ; w1 ; :::; wm ]

45
Exemplo 75 Verique que R3 a soma direta de

W1 = f(x; y; z) 2 R3 ; x + y + z = 0g

e
W2 = f(x; y; z) 2 R3 ; x = y = 0g

Resoluo:
Note que W2 de fato um subespao vetorial de R3 (Verique)
Dado v 2 W1; v = (x; y; x y) e u 2 W2 ; u = (0; 0; z)

u + v = (x; y; x y + z) = R3
n!o
vamos mostrar que W1 \ W2 = 0 . Seja (x; y; z) 2 W1 \ W2 temos:
8
< x y+z =0
x=0 () (x; y; z) = (0; 0; 0)
:
y=0
Exemplo 76 Encontre os geradores do subespao U + W onde

U = (x; y; z) 2 R3 x + y + z = 0 ; e
W = (x; y; z) 2 R3 x + y = 0 e x z=0

Resoluo: Se v 2 U ) v = (x; y; x y) = x(1; 0; 1) + y(0; 1; 1) logo

U = [(1; 0; 1); (0; 1; 1)]
Se v 2 W ) v = (x; x; x) = x(1; 1; 1) logo W = [(1; 1; 1)]
Usando a teoria acima explicada temos que

U + W = [(1; 0; 1); (0; 1; 1); (1; 1; 1)]

2.8 Base e Dimenso de um Espao Vetorial

2.8.1 Base
Um conjunto = fv1 ; v2 ; ::::::; vn g V uma base do E.V se:

1. LI
2. gera V

Exemplo 77 = f(1; 1); ( 1; 0)g base de R2 . De fato:

1. LI pois a(1; 1) + b( 1; 0) = (0; 0) =) a = b = 0

2. gera R2 , pois para todo (x; y) 2 R2 , tem-se :

(x; y) = y(1; 1) + (y x)( 1; 0)

Realmente , a igualdade (x; y) = a(1; 1) + b( 1; 0) =) a = y e b = y x:

46
Exemplo 78 O conjunto f(0; 1); (0; 2)gno base de R2 pois um conjunto
LD. Se
(0; 0) = a(0; 1) + b(0; 2)
temos a = 2b. Assim para cada valor de b conseguimos um valor para a; ou
seja, temos innitas solues.
Exemplo 79 Seja V = R3 ento = f(1; 0; 0); (0; 1; 0); (0; 0; 1)g uma base
do R3 (verique!).
Exemplo 80 O conjunto = f1; x; x2 ; :::; xn g uma base do espao vetorial
Pn : De fato:

ao + a1 x + a2 x2 + ::::: + an xn = 0
ao + a1 x + a2 x2 + ::::: + an xn = 0 + 0x + 0x2 + ::::: + 0xn
=) a0 = a1 = ::::: = an = 0
portanto, LI.
gera o espao vetorial Pn, pois qualquer polinmio p 2 Pn pode ser escrito
assim:
p = ao + a1 x + a2 x2 + ::::: + an xn
que uma combinao linear de 1; x; x2 ; :::; xn .
Logo, uma base de Pn :Essa a base cannica de Pn e tem n + 1 vetores.
Exemplo 81 Encontre uma base para U + W onde
U = (x; y; z) 2 R3 x + y + z = 0 e
3
W = (x; y; z) 2 R x+y =0 e x z=0
Resoluo: U = [(1; 0; 1); (0; 1; 1)] e W = [(1; 1; 1)] ( J vimos este
exemplo)

U + W = [(1; 0; 1); (0; 1; 1); (1; 1; 1)]:

J temos um conjunto que gera a soma, se este conjunto for L.I. ento ele
ser uma base.
a(1; 0; 1) + b(0;
2 321; 31) +
2 b(1;
3 1; 1) = (0; 0; 0)
1 0 1 a 0
40 1 15 4 b 5 = 405
12 1 1 c3 0 2 3
1 0 1 0 1 1
A=4 0 1 15 ) A 1 = 41 2 15
2 3 2 1 1 1 32 3 2 3 1 1 1
a 0 1 1 0 0
4 b 5 = 41 2 1 5 405 = 405
c 1 1 1 0 0
logo o conjunto L.I e portanto. = f(1; 0; 1); (0; 1; 1); (1; 1; 1)g uma
base de U + W

47
Exemplo 82 Encontre uma base para U + W onde

U = (x; y; z) 2 R3 x y+z =0 e x y=0 ; e

3
W = (x; y; z) 2 R x+y z=0ex z=0

x y+z =0
Se v = (x; y; z) 2 U ) ) v = (x; x; 0) = x(1; 1; 0);
x y=0
portanto U = [(1; 1; 0)] :
x+y z =0
Se u = (x; y; z) 2 W ) ) u = (x; 0; x) = x(1; 0; 1);portanto
x z=0
W = [(1; 0; 1)]
Assim U +W = [(1; 1; 0; ); (1; 0; 1)] : Como o conjunto = f(1; 1; 0; ); (1; 0; 1)g
L.I ento ele uma base para U + W:
Como o conjunto = f(1; 0; 1); (0; 1; 1); (1; 1; 1)g LI (verique isto) e
gera o espao U + W ento ele uma base do espao U + W:

Exemplo 83 Dados:
1 1
U = fA 2 M2 (R); A = At g e W = em M2
0 1
encontre uma base para U; W; U \ W; W + U

Resoluo:
a b
Para U : A = , c = b portanto, A 2 U se existirem a1 ; a2 ; a3 2
c d
R tais que
1 0 0 1 0 0
A = a1 + a2 + a3
0 0 1 0 0 1
pode-se vericar facilmente que as matrizes
1 0 0 1 0 0
; ;
0 0 1 0 0 1
so L.I e portanto, como geram U , formam uma base de U:
Para W : Como a matriz
1 1
0 1
gera W , ela serve para base de W
Para U \ W :
A 2 U \ W , A = At e existe 2 R tal que

A=
0
, isto , se e somente se existir 2 R tal que
0
=
0

48
que satisfeita quando = 0 , ou seja, A = 0:Desse modo U \ W = f0g: Uma
base para U \ W = : Veja a observao a seguir para elucidar esse fato.
!
Observao: nSeja V um espao vetorial e 0 2 V o vetor nulo de V: Como
!o
o conjunto = 0 LD (mostre isto) temos que este conjunto no pode ser
n!o
uma base do conjunto N = 0 : Este um caso patolgico e para que no seja
contrariada a denio de
n!base
o tomamos = (conjunto vazio) como sendo
base para o espao N = 0
Para U + W : Como U \ W = f0g temos U + W soma direta e, portanto,
uma base :
1 0 0 1 0 0 1 1
; ; ;
0 0 1 0 0 1 0 1

Proposio 84 "Todo conjunto LI de um espao vetorial V base do subespao

por ele gerado ".

Exemplo 85 O conjunto = f(1; 2; 1); ( 1; 3; 0)g R3 LI e gera o sube-

spao
_
W = f(x; y; z) 2 R3 =3x y z = 0g:
Ento, base de W , pois LI e gera W:

Teorema 86 Sejam v1 ; v2 ; :::vn , vetores no nulos que geram um espao veto-

rial V . Ento, dentre estes vetores podemos extrair uma base de V .

Proposio 87 Seja um E.V V gerado por um conjunto nito de vetores

v1 ; v2 ; :::vn . Ento qualquer conjunto com mais de n vetores necessariamente
LD (e, portanto, qualquer conjunto LI tem no mximo n vetores).

2.8.2 Dimenso
Seja V um Espao Vetorial.
Se V possui uma base com n vetores, ento V tem dimenso n e anota-se
dim V = n:
Se V no possui uma base, ou seja, a base = ento dimV = 0
Se V possui uma base com innitos vetores, ento dimV innita e anota-se
dim V = 1

Exemplo 88 dim R2 = 2 pois toda base de R2 tem 2 vetores

Exemplo 89 dim M (2; 2) = 4

Exemplo 90 dim M (m; n) = m:n

Exemplo 91 dim Pn = n + 1

Proposio 92 Seja V um E. V. tal que dim V = n

49
 Se W um subespao de V ento dim W n. No caso de dim W = n ,
tem-se W = V . Para permitir uma interpretao geomtrica, consideremos o
espao tridimensional R3 (dim R3 = 3):
A dimenso de qualquer subespao W do R3 s poder ser 0; 1; 2 ou 3.
Portanto, temos os seguintes casos:
1. dim W = 0, ento W = f0) a origem
2. dim W = 1, ento W uma reta que passa pela origem
3. dim W = 2, ento W um plano que passa pela origem
4. dim W = 3 ento W = R3 :
Proposio 93 Seja V um E. V de dimenso n. Ento, qualquer subconjunto
de V com mais de n vetores Linearmente Dependente (LD).
Proposio 94 Sabemos que o conjunto base de um espao vetorial se
for LI e gera V . No entanto, se soubermos que dim V = n , para obtermos uma
base de V basta que apenas uma das condies de base esteja satisfeita.
Exemplo 95 O conjunto = f(2; 1); ( 1; 3)g uma base do R2 . De fato, como
dim R2 = 2 e os dois vetores dados so LI (pois nenhum vetor mltiplo escalar
do outro), eles formam uma base do R2 .

2.8.3 Dimenso da Soma de Subespaos Vetoriais

Proposio 96 Seja V um espao vetorial de dimenso nita. Se U e W so
subespaos vetoriais de V ento dim(U + W ) = dim U + dim W dim(U \ W ):
No exemplo (83 ) de base , para encontrar a base de U + W podemos usar
esta proposio: dim(U + W ) = dim U + dim W dim(U \ W ) = 3 + 1 0 =
4 = dim M2 , portanto, U + W = M2 e uma base pode ser dada por:
1 0 0 1 0 0 0 0
; ; ;
0 0 0 0 1 0 0 1

2.8.4 Coordenadas
Seja V um espao vetorial gerado e uma base de V formada pelos vetores
u1 ; u2 :::: un .
v 2 V sendo
v = x1 u1 + x2 u2 + ::: + xn un
Os coecientes x1 ; x2 ; :::xn so chamados componentes ou coordenadas de v em
relao a base e se representa por :
0 1
x1
B x2 C
[v] = B
@ : A
C

xn

50
Exemplo 97 No R2 consideremos as bases = f(1; 0); (0; 1)g; = f(2; 0); (1; 3)g
e = f(1; 3); (2; 4)g: Dado o vetor v = (8; 6) tem-se:

(8; 6) = 8(1; 0) + 6(0; 1)

(8; 6) = 3(2; 0) + 2(1; 3)
(8; 6) = 2(1; 3) + 3(2; 4)

8 3 2
temos: [v] = ; [v] = e [v] = .
6 2 3

Exemplo 98 Mostre que os vetores (1; 1; 1); (0; 1; 1) e (0; 0; 1) formam uma
base de R3 . Encontre as coordenadas de (1; 2; 0) 2 R3 com relao base
formada pelos vetores acima.

Resoluo:
J sabemos que dim R3 = 3:Ento vericamos se os vetores acima so LI.
Os vetores so LI se a1 v1 + a2 v2 + a3 v3 = 0 , a1 = a2 = a3 = 0: Isto
equivalente a que o sistema:
8
< a1 = 0
a1 + a2 = 0
:
a1 + a2 + a3 = 0

cuja soluo a1 = a2 = a3 = 0 , portanto, os vetores v1 ; v2 e v3 so LI.

(1; 2; 0) = a(1; 1; 1) + b(0; 1; 1) + c(0; 0; 1) = (a; a + b; a + b + c)

que equivalente ao sistema:
8
< a=1
a+b=2 , a = 1; b = 1 e c = 2
:
a+b+c=0

. Desse
0 modo,
1 as coordenadas de (1; 2; 0) em relao base dado por
1
[v] = @ 1 A
2

2.9 Mudana de Base

Muitos problemas aplicados podem ser simplicados mudando-se de um sistema
de coordenadas para outro. Mudar sistemas de coordenadas em um espao
vetorial , essencialmente, a mesma coisa que mudar de base. Por exemplo,
num problema em que um corpo se move no plano xy, cuja trajetria uma
elipse de equao x2 + xy + y 2 3 = 0 (ver gura), a descrio do moviemnto
torna-se muito simplicada se ao invs de trabalharmos com os eixos x e y
utilizamos um referencial que se apia nos eixos principais da elipse. Neste
novo referencial, a equao da trajetria ser mais simples: 3u2 + 2v 2 = 6:

51
i

52
 Nesta seo, vamos discutir o problema de mudar de um sistema de coorde-
nadas para outro.

Sejam = fu1;:::; un g e 0 = fw1; :::::; wn g duas bases ordenadas de um

mesmo espao vetorial V . Dado um vetor v 2 V , podemos escrev-lo como:

v = x1 u1 + :::: + xn un (2.1)
v = y1 w1 + :::: + yn wn

Como podemos relacionar as coordenadas de v em relao base

2 3
x1
6 x2 7
[v] = 64 : 5
7

xn
0
com as coordenadas do mesmo vetor v em relao base
2 3
y1
6 y2 7
[v] ;0 = 6
4 : 5
7

yn
j que fu1;:::; un g base de V; podemos escrever os vetores wi como combinao
linear dos uj , isto :

53
 8
>
> w1 = a11 u1 + a21 u2 + :::: + an1 un
<
w2 = a12 u1 + a22 u2 + :::: + an2 un
(2.2)
>
> :
:
wn = a1n u1 + a2n u2 + :::: + ann un
Substituindo em (2.1) temos:
v = y1 w1 + ::: + yn wn = y1 (a11 u1 + a21 u2 + :::: + an1 un ) + ::: + yn (a1n u1 +
a2n u2 + :::: + ann un ) =
= (a11 y1 + ::: + a1n yn )u1 + ::::: + (an1 y1 + ::: + ann yn )un
Mas v = x1 u1 + :::: + xn un , e como as coordenadas em relao a uma base
so nicas, temos:

x1 = a11 y1 + a12 y2 + ::: + a1n yn

x2 = a21 y1 + a22 y2 + ::: + a2n yn
: : :
xn = an1 y1 + an2 y2 + ::: + ann yn

Em forma matricial
2 3 2 32 3
x1 a11 : a1n y1
4 : 5=4 : : : 54 : 5
xn an1 an2 ann yn
Logo ,se usarmos a notao
2 3
0
a11 : a1n
[I] =4 : : : 5
an1 an2 ann
temos a relao
0
[v] = [I] [v] 0

0
0
A matriz [I] chamada matriz mudana de base para a base .
0
Compare [I] com (2.2) e observe que esta matriz obtida, colocando as
coordenadas em relao a de wi na i-sima coluna. Note que uma vez obtida
0
[I] podemos encontrar as coordenadas de qualquer vetor v em relao base
, multiplicando a matriz pelas coordenadas de v na base 0 (supostamente
conhecida).

Exemplo 99 Sejam = f(2; 1); (3; 4)g e 0 = f(1; 0); (0; 1)g bases de R2 .
0
Procuremos inicialmente [I]
w1 = (1; 0) = a11 (2; 1) + a21 (3; 4) = (2a11 + 3a21 ; a11 + 4a21 )
4 1
Isto implica que a11 = 11 e a21 = 11
w2 = (0; 1) = a12 (2; 1) + a22 (3; 4)
Resolvendo, a12 = 113 e a22 = 112

54
 2 4 3
3
0 11 11
Portanto, [I] =4 5
1 2
11 11
Podemos usar esta matriz para2encontrar por3 exemplo,
2 3 [v]2 para 3v = (5; 8)
4 3
0 11 11 5 4
[(5; 8)] = [I] [(5; 8)] 0 = 4 54 5=4 5
1 2
11 11 8 1
Isto , (5; 8) = 4(2; 1) 1(3; 4)
Exemplo 100 Considere as bases em R3
= f(1; 0; 1); (1; 1; 1); (1; 1; 2)g e = f(1; 0; 0); (0; 1; 0); (0; 0; 1)g :
0

Encontre[I] :
Resoluo:
(1; 0; 0) = a11 (1; 0; 1) + a21 (1; 1; 1) + a31 (1; 1; 2)
(0; 1; 0) = a12 (1; 0; 1) + a22 (1; 1; 1) + a32 (1; 1; 2) ,
(0; 0; 1) = a31 (1; 0; 1) + a23 (1; 1; 1) + a33 (1; 1; 2)

(a11 + a21 + a31; a21 + a31 ; a11 + a21 + 2a31 ) = (1; 0; 0)

(a12 + a22 + a32; a22 + a32 ; a12 + a22 + 2a32 ) = (0; 1; 0)
(a13 + a23 + a33; a23 + a33 ; a13 + a23 + 2a33 ) = (0; 0; 1)
Note que cada linha acima representa um sistema de trs equaes com trs
incgnitas e que a matriz associada a cada um destes sistemas a mesma e o
que muda so os nomes das variveis e o segundo membro. Utilizando como
variveis x; y e z ; basta resolvermos o seguinte sistema:
0 10 1 0 1
1 1 1 x a
@ 0 1 1 A@ y A = @ b A
1 1 2 z c
onde a; b; c 2 R. O sistema acima equivalente a
0 10 1 0 1
1 1 1 x a
@ 0 1 1 A@ y A = @ b A
0 0 1 z c a
cuja soluo dada por x = a b; y = a + b c e z = c a
Tomando (a; b; c) = (1; 0; 0);obtemos (a11 ; a21 ; a31 ) = (1; 1; 1)
Tomando (a; b; c) = (0; 1; 0);obtemos (a12 ; a22 ; a32 ) = ( 1; 1; 0)
Tomando (a; b; c) = (0; 0; 1);obtemos (a13 ; a23 ; a33 ) = (0; 1; 1). Desta forma
obtemos:
0 1
0
1 1 0
[I] = @ 1 1 1 A
1 0 1

55
2.10 A Inversa da Matriz de Mudana de Base
Se em (2.1 )comearmos escrevendo os ui em funo dos wj , chegaremos
relao:

[v] 0 = [I] 0 [v]

0
Um fato importante que as matrizes [I] e [I] 0 so inversveis e

0 1
[I] = [I] 0

0
Exemplo 101 No exemplo (99 ) anterior podemos obter [I] a partir de [I] 0

0
Note que [I] 0 fcil de ser calculada , pois a base cannica

(2; 1) = 2(1; 0) 1(0; 1) 2 3

) [I] 0 =
(3; 4) = 3(1; 0) + 4(0; 1) 1 4

Ento 2 3
4 3
1 11 11
0 2 3
[I] = =4 5
1 4 1 2
11 11

56
2.11 Oitava lista de exerccios
1. Verique se R2 com as operaes denidas por:

i. (x; y) + (s; t) = (s; y + t); onde u = (x; y) e v = (s; t) pertencem a R2

ii. (x; y) = ( x; y); onde 2 R e u = (x; y) 2 R2 :

um espao vetorial.
2. Moste que R2 com as operaes denidas por:

i. (x; y) + (s; t) = (x + s; y + t); onde u = (x; y) e v = (s; t) pertencem a

R2
ii. (x; y) = ( x; y); onde 2 R e u = (x; y) e v = (s; t) pertencem a
R2 :

um espao vetorial .
3. Verique se em cada um dos itens abaixo o subconjunto W um subespao
do espao vetorial V:

(a) V = R3 e W = f(x; y; z) 2 R3 : 2x + 3y z = 0g
3 3
(b) V = R e W = f(x1 ; x2 ; x3 ) 2 R : x1 + x2 = 1g
(c) V = Pn e W = fp 2 Pn : p(0) = p(1)g
(d) V = M (n; n) e W = fA 2 M (n; n) : BA = 0g
(e) V = M (2; 2) e S = fX 2 M2 det(X) = 0g (S o conjunto das
matrizes singulares)
(f) V = M (2; 2) e F = fX 2 Mn AX = XAg (F o conjunto das
matrizes que comutam com a matriz A)
(g) V = P3 e W o conjunto dos polinmios de grau 3 que passam
pelo ponto P (0; 0):

4. Verique se o conjunto W = f(1; 2; 3); (1; 3; 1); (0; 3; 1); (1; 4; 5)g R3
L.I ou L.D.
5. Dado o conjunto W = f(1; 1; 3); (1; 2; 1); (0; 1; 3); (1; 4; 5)g R3 , extrair
um subconjunto de vetores L.I.
6. a) Se o conjunto = fv1 ; v2 ; :::;nvn g um conjunto
o Linearmente Indepen-
!
dente ento o o conjunto = v1 ; 0 ; v2 ; :::; vn LI ou LD? Justique
sua resposta.
n!o
b) Considere o subespao N = 0 : Qual a base e a dimenso de
N:

57
 7. a) Verique se o conjunto S = fA 2 M (3; 3); A e uma matriz anti
simetricag um subespao vetorial de M (3; 3):
b) Considere o subconjunto de M2 ; dado por
a b
W = 2 M2 b=aed= a : Verique se o subconjunto
c d
W um espao vetorial.
8. Considere o subespao de R4 gerado pelos vetores v1 = (1; 1; 0; 0); v2 =
(0; 0; 1; 1); v3 = ( 2; 2; 1; 1) e v4 = (1; 0; 0; 0):

(a) O vetor (2; 3; 2; 2) 2 [v1 ; v2 ; v3 ; v4 ]? Justique.

(b) Exiba uma base para [v1 ; v2 ; v3 ; v4 ] : Qual a dimenso deste espao?
(c) [v1 ; v2 ; v3 ; v4 ] = R4 ? Por qu?

9. Considere o espao vetorial P3 e o conjunto W = fp(x) 2 P3 ; p00 (1) = 0g :

(a) Verique se W um subespao vetorial de P3 :

(b) Obtenha os geradores de W:

10. a) Encontre as coordenadas do vetor p = 1 + t + t2 + t3 em relao base

= 2; 1 + t; t + t2 ; t2 + t3 de P3
b) O conjunto = 2; t2 ; t + t2 LI ou LD? Justique sua resposta

1 1 0 0 0 2
11. Qual o subespao gerado pelas matrizes ; e ?
1 0 1 1 0 1
12. Mostre com um exemplo que a unio de dois subespaos vetoriais de um
mesmo espao vetorial no precisa ser um subespao vetorial desse espao.
13. Responda se os subconjuntos abaixo so subespaos de M (2; 2):

a b
(a) V = com a; b; c; d 2 R e b = c e a = b
c d
a b
(b) V = com a; b; c; d 2 R e b 1=c+1
c d
Em caso armativo, determine:
i) uma base para W1 \ W2

ii) W1 + W2 soma direta?

iii) W1 + W2 = M (2; 2)?
14. Considere os subespaos de R5 ; W1 = f(x; y; z; t; w) x + z + w = 0; x + w = 0g ;
W2 = f(x; y; z; t; w) y + z + t = 0g e W3 = f(x; y; z; t; w) 2x + t + 2w = 0g.

(a) Determine uma base para o subespao W1 \ W2 \ W3 :

(b) Determine uma base e a dimenso de W1 + W3 :

58
 (c) W1 + W2 soma direta? Justique.
(d) W1 + W2 = R5 ?

15. Considere os seguintes subespaos de P3 :

n 00
o
U = p 2 P3 : p (t) = 0
n 0
o
e W = p 2 P3 : p (t) = 0

Determine dim(U + W ) e dim(U \ W ) :

16. Sejam U = [(1; 0; 0); (1; 1; 1)] e V = [(0; 1; 0); (0; 0; 1)] subespaos gerados
do R3 : Determine:

(a) uma base e a dimenso de U \ W:

(b) U + W = R3 ?

17. Considere o seguinte subespao de M (2; 2)

a b
S= 2 M (2; 2) : a + b = c + d = 0
c d

(a) Determine uma base e indique a dimenso de S:

(b) Construa uma base de M (2; 2) que contenha a base de S obtida no
tem a).

18. Determine a dimenso e encontre uma base do espao-soluo do sistema

8
< x 3y + z = 0
2x 6y + 2z = 0
:
3x 9y + 3z = 0

19. Sejam U e W subespaos de R4 de dimenso 2 e 3; respectivamente.

Mostre que a dimenso de U \ W pelo menos 1: O que ocorre se a
dimenso de U \ W for 2 ? Pode ser 3 ? Justique sua resposta.
p p
20. Sejam = f(1; 0); (0; 1)g; 1 = f( 1; 1); (1; 1)g; 2 = f 3; 1); ( 3; 1)g
e 3 = f(2; 0); (0; 2)g bases ordenadas de R2 :

(a) Encontre a matrizes mudana de base:

i. [I] 1
ii. [I] 1
iii. [I] 2
iv. [I] 3
:
(b) Quais so as coordenadas do vetor v = (3; 2) em relao base
i. ii. 1 iii. 2 iv. 3:

59
 (c) As coordenadas de um vetor u em relao base 1 so dadas por
4
[u] 1 =
0
Quais as coordenadas do vetor u em relao base: i. ii.
2 iii. 3

21. Sejam P4 = p = a0 + a1 x + a2 x2 + a3 x3 + a4 x4 a0 ; a1 ; a2 ; a3 ; a4 2 R ; =
1; x; x2 ; x3 ; x4 e = 2; 2x; 4x2 ; 8x3 ; 16x4 .

(a) Determine [I] ::

2 3
1
627
6 7
(b) Se [p] = 6 7
637 ;determinar [p]
445
5
(c) Determine o polinmio p cujas coordenadas so dadas no item b)
acima.
a b
22. Considere o seguinte subespao de M2 : W = d = 0 . Sejam
c d

1 1 1 1 1 1
= ; ;
1 0 1 0 11 0
1 0 1 1 1 0
= ; ;
1 0 0 0 0 0

(a) Detemine [I]

2 3

(b) Se [v] = 4 e 5 ; determine [v] :

0

23. Sejam e bases de R3 : Determine a base sabendo que = f(1; 1; 0); (0; 1; 0); (0; 0; 1)g
e a matriz mudana de base de para
2 3
1 0 0
[I] = 4 0 2 15
1 1 1

24. Seja E um espao vetorial qualquer e fu1 ; u2 ; u3 g uma base de E. Con-

sidere ainda os vetores v1 = u1 + u2 ; v2 = 2u1 + u2 u3 e v3 = u2 :

(a) Determine a matriz S de mudana da base fv1 ; v2 ; v3 g para a base

fu1 ; u2 ; u3 g:
(b) Calcule as coordenadas do vetor w = v1 +v2 v3 na base fu1 ; u2 ; u3 g:

60
25. Sejam e bases de um espao vetorial V

(a) Mostre que det [I] [I] =1

(b) Determine [I]

26. Verique se as armaes abaixo so VERDADEIRAS ou FALSAS.

Se forem verdadeiras, demonstre. Se forem falsas, d um contra-exemplo.

1 2 1 1 0 0 0 2
(a) ( )A matriz pertence ao subespao W = ; ; :
0 3 1 0 1 1 0 1
(b) ( ) Se os vetores !u;!v e!w so LI ento os vetores !
u ! !
v; v !
w
!
e u ! 0
w so LI s.

61
Captulo 3

TRANSFORMAES
LINEARES

Denio 102 Sejam V e W dois espaos vetoriais. Uma Transformao Lin-

ear (aplicao linear) uma funo de V em W; T : V ! W; que satisfaz as
seguintes condies:

Qualquer que sejam u e v em V ,

T (u + v) = T (u) + T (v)

Qualquer que sejam k 2 R e v em V ,

T (kv) = kT (v)

Exemplo 103 : Um agricultor planta e comercializa trs tipos de verduras:

Tomate, Batata, Cenoura. Sejam x1 ; x2 ; x3 as quantidades em quilos de To-
mate, Batata, Cenoura respectivamente. Se o agricultor vende o quilo do to-
mate a R$ 2; 00;da batata a R$ 1; 50 e da cenoura a R$ 1; 90 ento o total de
vendas (TV ) dado por 2x1 + 1; 5x2 + 1; 9x3 . A aplicao que a cada tripla
(x1 ; x2 ; x3 ) 2 R3 associa o total de vendas TV (x1 ; x2 ; x3 ) uma aplicao linear.
Matematicamente temos uma transformao linear do E.V R3 no E.V R :

TV : R3 ! R
TV (x1 ; x2 ; x3 ) = 2x1 + 1; 5x2 + 1; 9x3

Vamos agora mostrar que de fato esta aplicao uma transformao linear
Chamando u = (x1 ; x2 ; x3 ) 2 R3 ; v = (y1 ; y2 ; y3 ) 2 R3 e k 2 R temos:

62
 i)

TV (u + v) = TV ((x1 ; x2 ; x3 ) + (y1 ; y2 ; y3 ))
= TV (x1 + y1 ; x2 + y2 ; x3 + y3 )
= 2(x1 + y1 ) + 1; 5(x2 + y2 ) + 1; 9(x3 + y3 )
= 2x1 + 1; 5x2 + 1; 9x3 + 2y1 + 1; 5y2 + 1; 9y3
= (2x1 + 1; 5x2 + 1; 9x3 ) + (2y1 + 1; 5y2 + 1; 9y3 )

TV (u) = T (x1 ; x2 ; x3 ) = 2x1 + 1; 5x2 + 1; 9x3

TV (v) = T (y1 ; y2 ; y3 ) = 2y1 + 1; 5y2 + 1; 9y3
TV (u) + TV (v) = (2x1 + 1; 5x2 + 1; 9x3 ) + (2y1 + 1; 5y2 + 1; 9y3 )

Logo TV (u + v) = TV (u) + TV (v):

ii)

TV (ku) = TV (k(x1 ; x2 ; x3 ))
= TV (kx1 ; kx2 ; kx3 )
= 2kx1 + 1; 5kx2 + 1; 9kx3
= k (2x1 + 1; 5x2 + 1; 9x3 )
= kT (u)

Logo TV (ku) = kTV (u): De i) e ii) vemos que TV uma transformao linear.

Exemplo 104 . Sejam V = R; W = R e F : R ! R dado F (u) = u2 . A

aplicao F no uma transformao linear pois:

F (u + v) = (u + v)2 = u2 + 2uv + v 2
F (u) + F (v) = u2 + v 2
F (u + v) 6= F (u) + F (v)

Exemplo 105 T : R2 ! R3 ; T (x; y) = (2x; 0; x + y)

T uma transformao linear pois,

i)

T (u + v) = T ((x1 ; y1 ) + (x2 ; y2 ))
= T (x1 + x2 ; y1 + y2 )
= (2(x1 + x2 ); 0; (x1 + x2 ) + (y1 + y2 ))
= (2x1 + 2x2 ; 0 + 0; (x1 + y1 ) + (x2 + y2 ))
= (2x1 ; 0; x1 + y1 ) ; (2x2 ; 0; x2 + y2 )
= T (u) + T (v)

63
ii)

T (ku) = T (k(x1 ; y1 ))
= T (kx1 ; ky1 )
= (2kx1 ; 0; kx1 + ky1 )
= k (2x1 ; 0; x1 + y1 )
kT (u)

Portanto T uma transformao linear.

Exemplo 106 . V = W = Pn e

D : Pn ! Pn 1
D(f ) = f0

a aplicao derivada que a cada polinmio associa sua derivada, a qual tambm
um polinmio uma aplicao linear. De fato, para quaisquer f; g 2 Pn e
k 2 R;
i)
0
D(f + g) = (f + g)
= f 0 + g0
= D(f ) + D(g)

ii)

D(kf ) = (kf )0
= kf 0
= kD(f )

Exemplo 107 V = Pn ; W = Pn+1 ; p(x) = a0 + a1 x + a2 x2 + : : : + an xn

T : Pn ! Pn+1
T (p(x)) = xp(x) = a0 x + a1 x2 + a2 x3 + : : : + an xn+1

A aplicao T uma transformao linear pois

T (kp) = x(kp)(x) = xkp(x) = kxp(x) = kT (p)

T (p + q) = x(p + q)(x) = x(p(x) + q(x)) = xp(x) + xq(x) = T (p) + T (q)

Exemplo 108 V = W = Pn , p(x) = a0 + a1 x + a2 x2 + : : : + an xn ; a; b 2 R e

T : Pn ! Pn
2 n
T (p(x)) = p(ax + b) = a0 + a1 (ax + b) + a2 (ax + b) + : : : + an (ax + b)

64
 Esta aplicao tambm linear pois,

T (kp) = (kp)(ax + b) = kp(ax + b) = kT (p)

T (p + q) = (p + q)(ax + b) = p(ax + b) + q(ax + b) = T (p) + T (q)
Exemplo 109 Uma transformao linear inportante aquela que se obtm
usando-se o produto escalar. Seja Rn com o produto escalar usual h:; :i e v0 2
Rn um vetor qualquer xado. Seja,
T : Rn ! R
T (v) = hv; v0 i
T uma aplicao linear (mostre isso, use as propriedades do produto escalar)
Exemplo 110 : Sejam C(R) = ff : R ! R = f contnuag : Considere
J : C(R) ! R
J(f ) = f (0)
Por exemplo se f (t) = t2 ento

J(f ) = f (0) = 02 = 0
J uma aplicao linear pois, se f; g 2 C(R) e k 2 R ento

J(f + g) = (f + g)(0) = f (0) + g(0) = J(f ) + J(g)

J(kf ) = (kf ) (0) = kf (0) = kJ(f )
Exemplo 111 : Seja,

T : M2 ! M2
a b a+b b+c
T =
c d c+d d+a
Esta aplicao uma transformao linear, pois

a1 b1 a2 b2 a1 + a2 b1 + b 2
T + = T
c1 d1 c2 d2 c1 + c2 d1 + d2
a1 + a2 + b1 + b2 b1 + b2 + c1 + c2
=
c1 + c2 + d1 + d2 d1 + d2 + a1 + a2
a1 + b1 b1 + c1 a2 + b2 b2 + c2
= +
c1 + d1 d1 + a1 c2 + d2 d2 + a1 + a2
a1 b1 a2 b2
= T +T
c1 d1 c2 d2

65
 a b ka kb
T k = T k
c d kc kd
ka + kb kb + kc
=
kc + kd kd + ka
a+b b+c
= k
c+d d+a
a b
= kT
c d

Exemplo 112 : Seja,

T : Mn ! R
T (A) = det(A)

Esta aplicao no uma transformao linear, pois, em geral

det(A1 + A2 ) 6= det(A1 ) + det(A2 )

3.1 Propriedades das Transformaes Lineares

Teorema 113 Dados dois espaos vetoriais reais V e W e uma base de V; =
fv1 ; ; vn g ; sejam w1 ; ; wn elementos arbitrrios de W . Ento existe uma
aplicao linear T : V ! W tal que T (v1 ) = w1 ; ; T (vn ) = wn : Esta aplicao
dada por: Se v = a1 v1 + + an vn ;

T (v) = a1 T (v1 ) + an T (vn ) = a1 w1 + an wn

Exemplo 114 Qual a transformao linear T : R2 ! R3 tal que T (1; 0) =

(2; 1; 0) e T (0; 1) = (0; 0; 1)?

Soluo: Temos neste caso v1 = (1; 0) e v2 = (0; 1) base de R2 e w1 =

(2; 1; 0) e w2 = (0; 0; 1):
Dado v = (x; y) arbitrrio,

v = xv1 + yv2
T (v) = T (xv1 + yv2 )
T (v) = xT (v1 ) + yT (v2 )
T (v) = x(2; 1; 0) + y(0; 0; 1)
T (v) = (2x; x; y)

66
Exemplo 115 Qual a transformao linear T : M2 ! P4 tal que

1 0
T = x4 + x
0 0
0 1
T = x3 + x2
0 0
0 0
T = x2 + x3
1 0
0 0
T = x + x4
0 1

Soluo
a b
Uma matriz A 2 M2 da forma A = : Podemos escrever:
c d
a b 1 0 0 1 0 0 0 0
=a +b +c +d , portanto
c d 0 0 0 0 1 0 0 1

a b 1 0 0 1 0 0 0 0
T =T a +b +c +d
c d 0 0 0 0 1 0 0 1

1 0 0 1 0 0 0 0
= aT + bT + cT + dT
0 0 0 0 1 0 0 1

a b
T = a x4 + x + b x3 + x2 + c x2 + x3 + d x + x4
c d
a b
T = (a + d)x + (b + c)x2 + (b + c)x3 + (a + d)x4
c d

Denio 116 : Seja T : V ! W uma transformao linear. A imagem de

T o conjunto de vetores w 2 W tais que existe um vetor v 2 V , que satisfaz
T (v) = w: Ou seja

Im(T ) = fw 2 W / T (v) = w para algum v 2 V g

Observao 117 Note que Im(T ) um subconjunto de W e, alm disso, um

subespao vetorial de W:

Exemplo 118 Seja T : R2 ! R2 a transformao linear dada por T (x; y) =

(2x y; 10x + y): Qual dos vetores abaixo pertence a imagem de T

a) u = (1; 2)
b) w = ( 1; 2)

67
 Soluo: a) Para que u 2 Im(T ) deve existir algum v = (x; y) tal que
T (v) = u, ou seja, T (x; y) = (1; 2); temos ento:

T (x; y) = (1; 2)
(2x y; 10x + y) = (1; 2)

2x y = 1
10x + y = 2
Resolvendo o sistema temos x = 83 e y = 47 ; logo u pertence a imagem de T
pois T ( 38 ; 74 ) = u:
b) Analogamente deve existir algum v = (x; y) tal que T (v) = w; ou seja

T (x; y) = ( 1; 2)
(2x y; 10x + y) = ( 1; 2)

2x y = 1
10x + y = 2
1 3
Resolvendo o sistema temos x = 8 ey= 4 logo w pertence a imagem de T
pois T ( 18 ; 34 ) = w

Exemplo 119 Determine a imagem da transformao linear T : R3 ! R3 ;

T (x; y; z) = (2x y z; x y z; x + y z):

Soluo: Se w 2 Im(T ) ento w = T (x; y; z); ou seja,

w = (2x y z; x y z; x + y z)
= x(2; 1; 1) + y( 1; 1; 1) + z( 1; 1; 1)

Logo todo vetor que pertence a imagem de T gerado pelos vetores v1 =

(2; 1; 1); v2 = ( 1; 1; 1) e v3 = ( 1; 1; 1). Podemos ento escrever que
Im(T ) = [(2; 1; 1); ( 1; 1; 1); ( 1; 1; 1)] :
Como o conjunto = f(2; 1; 1); ( 1; 1; 1); ( 1; 1; 1)g LI ( verique
isto) temos que uma base para a Im(T ); mas base para R3 , logo
3
concluimos que Im(T ) = R :

Denio 120 Seja T : V ! W; uma transformao linear. O conjunto de

!
todos os vetores v 2 V tais que T (v) = 0 chamado ncleo de T , sendo
denotado por Ker(T ): Isto ,
n !o
Ker(T ) = v 2 V T (v) = 0

Observao 121 Observe que Ker(T ) V um subconjunto de V e, ainda

mais, um subespao vetorial de V: Alguns autores denotam o ncleo de T por
N (T ):

68
 !
Exemplo 122 Seja T : V ! W , dada por T (v) = 0 : Neste caso todo vetor de
V levado no vetor nulo pela transformao T; assim temos que Ker(T ) = V

Exemplo 123 Seja T : R3 ! R3 a projeo ortogonal sobre o plano xy:

Neste caso temos T (x; y; z) = (x; y; 0): Se T (x; y; z) = (0; 0; 0) ) (x; y; z) =
(0; 0; 0) ) x = 0 e y = 0: Como nada dito sobre a varivel z, temos que z
qualquer, logo Ker(T ) = (0; 0; z) 2 R3 z 2 R ; ou seja o ncleo de T so
todos os vetores que esto sobre o eixo z:

Exemplo 124 Encontre o ncleo da transformao linear:

T : R4 ! R3
T (x; y; z; t) = (x + y + z t; 2x + z t; 2y t)

Soluo: Devemos encontrar os vetores v = (x; y; z; t) 2 R4 tais que T (v) =

T (x; y; z; t) = (0; 0; 0): Neste caso temos que resolver o sistema homogneo:
8
< x+y+z t=0
2x + z t = 0
:
2y t = 0
A
2 matriz ampliada do sistema
3 2 : 3
.. ..
6 1 1 1 1 . 0 7 6 1 1 1 1 . 0 7
6 .. 7 6 . 7
6 2 0 1
4 1 . 0 7 5
)6 0
4 2 1 1 .. 0 7 5
.. ..
0 2 0 1 . 0 0 0 1 0 . 0
pa = pc = 3 e p = 3 < n = 4 logo o sistema compatvel e indeterminado
com grau de liberdade 1.
Logo,

69
 8
< x+y+z t=0
2y z + t = 0
:
z=0
o que nos fornece,

x = y
z = 0
t = 2y

Portanto Ker(T ) = (y; y; 0; 2y) 2 R4 y 2 R = [(1; 1; 0; 2)]

Exemplo 125 Seja T : R3 ! R3 a transformao linear que a projeo

ortogonal sobre a reta cujas equaes paramtricas so:

8
< x = 2t
y = 2t
:
z=t
Encontre o Ncleo de T:
Soluo: Projetar um vetor sobre uma reta o mesmo que encontrar a
projeo ortogonal sobre o vetor diretor dessa mesma reta. No nosso caso, o
vetor diretor u = (2; 2; 1); logo

v:u
T (v) = proju v = u
u:u
(x; y; z):(2; 2; 1)
T (x; y; z) = (2; 2; 1)
(2; 2; 1):(2; 2; 1)
2x 2y + z
T (x; y; z) = (2; 2; 1)
9
4x 4y + 2z 4x + 4y 2z 2x 2y + z
T (x; y; z) = ; ;
9 9 9

Para encontrar o ncleo devemos ter,

4x 4y + 2z 4x + 4y 2z 2x 2y + z
T (x; y; z) = ; ; = (0; 0; 0)
9 9 9

4x 4y + 2z = 0
4x + 4y 2z = 0
2x 2y + z = 0

70
 2 3 2 3
4 4 2 4 4 2
4 4 4 2 5 , fazendo o escalonamento temos 4 0 0 0 5 ; assim
2 2 1 0 0 0

4x 4y + 2z = 0
0 = 0
0 = 0

2z = 4x + 4y
z = 2x + 2y

Portanto Ker(T ) = (x; y; 2x + 2y) 2 R3 x 2 R = [(1; 0; 2); (0; 1; 2)]

Denio 126 Dada uma aplicao T : V ! W , diremos que T injetora

se dados u; v 2 V com T (u) = T (v) tivermos u = v: Ou equivalentemente, T
injetora se dados u; v 2 V com u 6= v, ento T (u) 6= T (v):

Denio 127 Uma aplicao T : V ! W ser sobrejetora se a imagem de

T coincidir com W; ou seja, T (V ) = W:

Observao 128 Da denio acima vemos que uma funo ser sobrejetora
se dado w 2 W , existir v 2 V tal que T (v) = w:
n!o
Teorema 129 Seja T : V ! W , uma aplicao linear. ento Ker(T ) = 0 ;
se e somente se T injetora.

Teorema 130 Seja T : V ! W , uma aplicao linear. Ento

dim Ker(T ) + dim Im(T ) = dim V

Corolrio 131 Se dim V = dim W , ento T linear injetora se e somente se

T sobrejetora.

Corolrio 132 Seja T : V ! W , uma aplicao linear injetora. Se dim V =

dim W , ento T leva base em base.

Exemplo 133 Seja T : Pn ! Pn+1 , dada por T (p(x)) = xp(x):Verique se T

bijetora.

Soluo: Devemos vericar se T injetora e sobrejetora ao mesmo tempo.

Usando o teorema (129) devemos apenas calcular o ncleo de T :

T (p(x)) = xp(x)
T (a0 + a1 x + : : : + an xn ) = x(a0 + a1 x + : : : + an xn )
T (a0 + a1 x + : : : + an xn ) = (a0 x + a1 x2 + : : : + an xn+1 )

71
Se

T (p(x)) = 0
a0 x + a1 x2 + : : : + an xn+1 = 0 = 0 + 0x + 0x2 + : : : + 0xn+1

logo
n!oa0 = a1 = : : : = an = 0 ) p(x) = 0 (p(x) o polinmio nulo) ) Ker(T ) =
0 (observe que neste caso o vetor nulo de Pn o polinmio nulo de grau n).
Portanto T injetora.
Como dim Pn = n + 1; dim Pn+1 = n + 2 e dim Ker(T ) = 0; temos que

dim Ker(T ) + dim Im(T ) = n + 1

0 + dim Im(T ) = n + 1
dim Im(T ) = n + 1

Note que dim Im(T ) = n+1 6= n+2 = dim Pn+1 ) Im(T ) 6= Pn+1 : Portanto
T no sobrejetora e assim T no bijetora

3.2 Transformaes Lineares e Matrizes

3.2.1 Transformao linear associada a uma matriz
Seja A uma matriz m n. Associada a matriz A denimos a transformao
linear:

LA : Rn ! Rm
v ! A:v
onde v tomado como vetor coluna,
2 3
x1
6 7
v = 4 ... 5
xn

LA (v) = A:v
2 32 3
a11 a1n x1
6 .. .. .. 7 6 .. 7
LA (v) = 4 . . . 54 . 5
am1 amn xn
02 31 2 3
x1 a11 x1 + a1n xn
B6 .. 7C 6 .
.. 7
LA @4 . 5A = 4 5
xn am1 x1 + + amn xn

Das propriedades de operaes de matrizes:

72
 LA (u + v) = A:(u + v) = A:u + A:v = LA (u) + LA (v)
LA (ku) = A:(ku) = kA:u = kLA (u)

e portanto LA uma transformao linear.

Exemplo 134 Seja 2 3

1 1 1 1
A=4 2 0 1 1 5
0 2 0 1
Observe que a matriz A tem ordem 3 4 e portanto ela induzir uma transfor-
mao linear de R4 para R3 , denida por:

LA R4 ! R3
:
02 31 2 3
x 2 3 x
B6 y 7C 1 1 1 1 6 7
LA B6 7C = 4 2 0 1 1 56 y 7
@4 z 5A 4 z 5
0 2 0 1
t t
2 3
x+y+z t
= 4 2x + z t 5
2y t

Note que a transformao acima est escrita em forma matricial, mas podemos
escreve-la tambm na forma vetorial que estamos acostumados:

LA (x; y; z; t) = (x + y + z t; 2x + z t; 2y t)

Surpresa!! Esta a mesma transformao do exemplo (124)

Exemplo 135 Dada a transformao linear:

T : R3 ! R2
T (x; y; z) = (10x 20y 30z; x 2y 3z)

Encontre a matriz da transformao T (Isto , encontre a matriz A cuja trans-

formao associada a ela exatamente a transformao T )
Soluo: Passando da forma vetorial para a forma matricial temos:

02 31
x
10x 20y 30z
T @4 y 5A =
x 2y 3z
z
2 3
x
10 20 30 4 y 5
=
1 2 3
z

73
 Portanto a matriz de T; que denotaremos por [T ]
10 20 30
[T ] =
1 2 3
Observao 136 Ao obtermos a transformao associada a uma matriz A (ou,
caso contrrio, a matriz de uma transformao T ), no mencionamos as bases
dos espaos envolvidos. De fato, ao obtermos a matriz de uma transformao
estamos levando em conta as bases associadas aos espaos Rn e Rm mas neste
caso em particular estamos considerando as bases cannicas. Isto car claro
na exposio a seguir.
0
De um modo geral, xadas as bases = fv1 ; v2 ; ; vn g e = fw1 ; w2 ; ; wm g ;
matriz
2 3
a11 a1n
6 .. . .. .. 7
Am n = 4 . . 5
am1 amn
podemos associar
TA : R n ! Rm
v ! TA (v)
da seguinte maneira: Seja
3 2
x1
6 7
X = [v] = 4 ... 5
xn
2 32 3 2 3
a11 a1n x1 y1
6 .. 7 6 .. 7 = 6 .. 7
A:X = 4 ... ..
. . 54 . 5 4 . 5
am1 amn xn ym
ento
TA (v) = y1 w1 + + ym wm
onde yi = Ai :X e Ai a i-sima linha de A:
Em geral, dada uma matriz Am n , ela encarada como uma aplicao linear
TA : Rn ! Rm em relao s bases cannica de Rn e Rm :

3.2.2 Matriz de uma transformao linear

Agora iremos encontrar a matriz associada a uma transformao linear. Seja
T : V ! W linear; = fv1 ; ; vn g base de V e 0 = fw1 ; ; wm g base de W:
Ento T (v1 ); : : : ; T (vn ) so vetores de W e portanto
T (v1 ) = a11 w1 + + am1 wm
.. .. ..
. . .
T (vn ) a1n w1 + + amn wm

74
A transposta da matriz dos coecientes deste sistema, denotada por [T ] 0
chamada matriz de T em relao s bases e 0 :
2 3
a11 a1n
6 .. 7
[T ] 0 = 4 ... . 5
am1 amn
2 3
a11 a1n
6 .. 7 a transfor-
Observao 137 Note que se A = [T ] 0 = 4 ... . 5
am1 amn
mao linear T passa a ser a transformao linear associada matriz A e
bases e 0 , iste , T = TA

Exemplo 138 Seja T : R3 ! R2 tal que T (x; y; z) = (2x + y z; 3x 2y + 4z):

0
Sejam = f(1; 1; 1; ); (1; 1; 0); (1; 0; 0)g e = f(1; 3); (1; 4)g :
Procuremos [T ] 0
T (x; y; z) = (2x + y z; 3x 2y + 4z)

T (1; 1; 1) = (2; 5) = a(1; 3) + b(1; 4)

T (1; 1; 0) = (3; 1) = c(1; 3) + d(1; 4)
T (1; 0; 0) = (2; 3) = e(1; 3) + f (1; 4)

Portanto temos os sistemas:

a+b=2 c+d=3 e+f =2
; ; ;
3a + 4b = 5 3c + 4d = 1 3e + 4f = 3

Resolvendo os sistemas temos:

a=3 b= 1 ; c = 11 ; d= 8 e=5 f= 3

3 11 5
[T ] 0 =
1 8 3

Teorema 139 : Sejam V e W espaos vetoriais, base de V , base de W e

T : V ! W uma aplicao linear. Ento, para todo v 2 V vale:

Teorema 140
[T (v)] = [T ] [v]

Denio 141 Dada uma base e tranformao linear T : V ! V denotare-

mos a matriz [T ] apenas por [T ] e ela ser chamada de matriz de T em relao
a base :

75
Denio 142 Seja T : Rn ! Rn uma transformao linear e a base
cannica de Rn ; ento a matriz de T em relao a base cannica ; [T ] ; ser
denotada simplesmente por [T ] :

Exemplo 143 Seja T : P2 ! P2 denido por T (p(x)) = p(3x 5): Determine

a matriz de T em relao a base = 1; x; x2

Devemos calcular [T ] = [T ]

T (p) = p(3x 5)
T (a0 + a1 x + a2 x2 ) = a0 + a1 (3x 5) + a2 (3x 5)2
T (a0 + a1 x + a2 x2 ) = a0 + 3a1 x 5a1 + a2 (9x2 30x + 25)
T (a0 + a1 x + a2 x2 ) = (a0 5a1 + 25a2 ) + (3a1 30a2 )x + 9a2 x2

T (1) = T (1 + 0x + 0x2 ) = 1 = 1 + 0x + 0x2

T (x) = T (0 + 1x + 0x2 ) = 5 + 3x = 5 + 3x + 0x2
T (x2 ) = T (0 + 0x + 1x2 ) = 25 30x + 9x2

2 3
1 5 25
[T ] = 4 0 3 30 5
0 0 9

Exemplo 144 Seja T : R3 ! R3 dada por T (x; y; z) = (2x 3y 2z; x y

z; 2x y+z) e sejam = f(1; 0; 0); (1; 1; 0); (1; 1; 1)g e = f( 1; 1; 0); ( 1; 0; 1); (0; 1; 1)g
bases do R3

a) Determine [T ] , [T ]
2 3
1
b) Se [v] = 4 1 5 determine [T (v)] :
1
c) Calcule a multiplicao das matrizes: [T ] [T ] : Que concluso voc pode
tirar em relao as duas matrizes, ou que relao h entre as duas matrizes?
Soluo: a) Clculo de [T ]

T (x; y; z) = (2x 3y 2z; x y z; 2x y + z)

T (1; 0; 0) = 2; 1; 2 = a1 ( 1; 1; 0) + b1 ( 1; 0; 1) + c1 (0; 1; 1)
T (1; 1; 0) = 1; 0; 1 = a2 ( 1; 1; 0) + b2 ( 1; 0; 1) + c2 (0; 1; 1)
T (1; 1; 1) = 3; 1; 2 = a3 ( 1; 1; 0) + b3 ( 1; 0; 1) + c3 (0; 1; 1)
Devemos resolver os tres sistemas resultantes: Denotando por A a matriz
dos coecientes do sistema,temos:

76
 2 3 2 1 1 1
3
1 1 0 2 2 2
A=4 1 0 1 5 ) A 1 = 4 12 1
2
1 5
2
1 1 1
0 1 1 2 2 2
Vamos
2 3resolver 2 3 2 por
os sistemas matriz inversa:
3 2 3 2 3
1 1 1 1
a1 2 2 2 2 2 2
4 b1 5 = A 1 4 1 5 = 4 1 1 1 54
1 5=4 3 5
2 2 2 2
1 1 1 1
c1 2 2 2 2
2 2
2 3 2 3 2 1 1 1
32 3 2 3
a2 1 2 2 2 1 1
4 b2 5 = A 1 4 0 5=4 1 1 1 54 0 5=4 0 5
2 2 2
1 1 1
c2 1 2 2 2
1 1
2 3 2 3 2 1 1 1
32 3 2 3
a3 3 2 2 2 3 3
4 b3 5 = A 1 4 1 5=4 1 1 1 54 1 5 = 4 0 5
2 2 2
1 1 1
c3 2 2 2 2
2 2

Logo 2 3
1
2 1 3
[T ] = 4 3
2 0 0 5
1
2 1 2
Agora voce j est em condies de calcular [T ] : Faa esse clculo como
exerccio
b) Vamos usar a relao [T (v)] = [T ] [v]

[T (v)] = [T ] [v]
2 1
32 3
2 1 3 1
[T (v)] = 4 3
2 0 0 54 1 5
1
2 1 2 1
2 7
3
2
[T (v)] = 4 3
2
5
7
2

c) Faa voc este item e tire suas concluses. Mais adiante voce poder
vericar se suas concluses estavam corretas.
Teorema 145 Seja T : V ! W uma transformao linear e e bases de V
e W respectivamente. Ento
dim Im(T ) = posto de [T ]
dim Ker(T ) = nulidade de [T ] = nmero de colunas de [T ] posto [T ]
0
p (0) 2p(1)
Exemplo 146 Seja T : P2 ! Mt (2; 2) denida por T (p(x)) = 00
0 p (3)
0 1 1 0 1 0 0 1 0
onde p a derivada de p: Sejam . = ; ; ; uma
0 0 0 0 1 1 0 1
base para M (2; 2) e = 1; x; x2 base para P2 :

77
 a) Determine [T ] :
b) Determine uma base para N (T ):
c) Determine uma base para Im(T ):
d) T injetora? E sobrejetora? Justique.

SOLUO:
a)

b 2a + 2b + 2c
Note que T (a + bx + cx2 ) =
0 2c
Determinando [T ] :
0 2 1 1 0 1 0 0 1 0
T (1) = =a +b +c +d
0 0 0 0 0 0 1 1 0 1
1 2 1 1 0 1 0 0 1 0
T (x) = =e +f +g +h
0 0 0 0 0 0 1 1 0 1
0 2 1 1 0 1 0 0 1 0
T (x2 ) = =i +j +l +m
0 2 0 0 0 0 1 1 0 1
2 3
0 1 2
62 1 4 7
Logo, [T ] = 6
40 0 0 5
7

0 0 2

b)

0 0
Seja p(x) 2 N (T ) ) T (p(x)) =
0 0
b 2a + 2b + 2c 0 0
= )a=b=c=0
0 2c 0 0
Logo, p(x) = 0 + 0x + 0x2 2 N (T ) ) N (T ) = f0g

b 2a + 2b + 2c 0 2 1 2
c) Seja A 2 Im(T ) ) A = = a +b +
0 2c 0 0 0 0
0 2
c
0 2
Portanto,
0 2 1 2 0 2
Im(T ) = ; ;
0 0 0 0 0 2
Como os geradores da Im(T ) formam um conjunto L:I: (Verique!) tem-se
que
0 2 1 2 0 2
; ; uma base para Im(T ):
0 0 0 0 0 2
d) T injetora pois N (T ) = f0g; mas no sobrejetora pois dim Im(T ) =
3 6= dim M (2; 2)

78
3.3 Composio de transformaes lineares
Denio 147 Se T1 : V ! W e T2 : W ! U so duas transformaes
lineares a composta das duas transformaes lineares denida do mesmo modo
que a composio de funces ( lembre-se que um transformao linear uma
funo com a propriedade adicional de ser linear) da seguinte forma

T2 T1 : V !U
(T2 T1 )(v) = T2 (T1 (v))

Exemplo 148 Se T1 : R2 ! R3 ; T1 (x; y) = (x y; y x; y x) e T2 : R3 ! R;

T (x; y; z) = x y z ento T2 T1 : R2 ! R e

(T2 T1 ) (x; y) = T2 (T1 (x; y))

= T2 (x y; y x; y x)
= (x y) (y x) (y x)
= x y y+x y+x
= 3x 3y

Teorema 149 Sejam T1 : V ! W e T2 : W ! U transformaes lineares e ;

; bases de V; W; U respectivamente. Ento a composta de T2 com T1 ; T2 T1 :
V ! U linear e
[T2 T1 ] = [T2 ] [T1 ]
0
Proposio 150 Seja T : V ! W uma transformao linear . Sejam e
bases de V e e 0 bases de W: Ento vale a relao:

0 0 0
[T ] 0 = [IW T IV ] 0 = [IW ] 0 [T ] [IV ]
onde IW e IV so as aplicaes identidades de W e V respectivamente.

3.4 A Inversa de uma transformao linear

Denio 151 D-se o nome de isomorsmo a uma transformao linear
T : V ! W que injetora e sobrejetora ao mesmo tempo. Quando h um
isomorsmo entre dois espaos vetoriais dizemos que estes so Isomorfos.

Denio 152 Seja T : V ! W uma transformao linear. Se existe uma

transformao linear S : W ! V tal que T S = IW , onde IW : W ! W
a identidade em W; dizemos que S a inversa a direita de T: Se existe uma
transformao R : W ! V , tal que R T = IV , onde IV : V ! V a identidade
em V , dizemos que R a inversa a esquerda de T:

79
Denio 153 Seja T : V ! W uma transformao linear. Se existe uma
aplicao T 1 : W ! V; tal que T T 1 = IW e T 1 T = IV ento dizemos
que T inversvel e que T 1 a inversa de T

Proposio 154 Seja T : V ! W uma transformao linear. Se existe a

inversa de T; T 1 ; ento T 1 uma transformao linear

Proposio 155 Se T : V ! W um isomomorsmo, ento T inversvel e

alm disso T 1 tambm um isomorsmo.

Proposio 156 Se T : V ! W uma transformao linear invertvel (T um

isomorsmo) e e so bases de V e W; ento:

1
1
T = [T ]

Observao: Quando estamos trabalhando com o espao Rn e a base cannica

de Rn por simplicidade omitimos as bases e a matriz de T : Rn ! Rn ;em relao
a base cannica, denotada simplesmente por [T ] : Neste caso a proposio
acima escrita na forma mais conveniente: "Se T : Rn ! Rn inversvel ento
1
T 1 = [T ] "

Proposio 157 Seja T : V ! W uma transformao linear, com dim V =

dim W; e e bases de V e W respectivamente: Ento T inversvel se, e
somente se det [T ] 6= 0:

Observao 158 Se na proposio acima tivermos V = W = Rn podemos

escrever: Seja T : Rn ! Rn uma transformao linear, ento T invertvel se
det [T ] 6= 0

Exemplo 159 Seja T : R3 ! R3 ; dada por T (x; y; z) = (x + 2y + 2z; x + y +

3z; x + 2y + z); determine a transformao inversa T 1 :

Soluo: Facilmente podemos ver que

2 3 2 3
1 2 2 5 2 4
1
[T ] = 4 1 1 3 5 ) T 1 = [T ] =4 2 1 1 5
1 2 1 1 0 1
logo T 1 (x; y; z) = ( 5x + 2y + 4z; 2x y z; x z): Como exerccio verique
que vale T T 1 (x; y; z) = (x; y; z)
Podemos tambm neste caso calcular a inversa usando diretamente a dinio
de transformao inversa da seguinte forma
Sabemos que T 1 : R3 ! R3 uma transformao linear tal que T 1 T = I
ou T T 1 = I: Suponhamos que T 1 (x; y; z) = (m; n; s); devemos encontrar

80
m; n e s tais que T T 1 = I (devemos usar esta igualdade pois com a outra
no funciona, tente e veja o que acontece). Portanto
1
T T (x; y; z) = I(x; y; z) = (x; y; z)
1
T (T
(x; y; z)) = (x; y; z)
T (m; n; s) = (x; y; z)
(m + 2n + 2s; m + n + 3s; m + 2n + s) = (x; y; z)

m + 2n + 2s = x
m + n + 3s = y
m + 2n + s = z
2 3 2 3
1 2 2 x 1 2 2 x
41 escalonando
1 3 y5 40 1 1 x y5
=)
1 2 1 z 0 0 1 x z

s = x z
n = x y + x z = 2x y z
m = x 2(2x y z) 2(x z) = 5x + 2y + 4z

Logo
1
T (x; y; z) = ( 5x + 2y + 4z; 2x y z; x z)

81
3.5 Nona lista de exerccios

1. Verique se as funes dadas abaixo so transformaes lineares. Em

cada caso, justique sua armao:

(a) T : <4 ! <3 dada por T (x; y; z; t) = (x + y; 0; z + t)

(b) L : <2 ! < dada por L(x; y) = xy
a b
(c) S : M (2; 2) ! <2 , S = (a + b; 0)
c d
(d) G : M (5; 5) ! M (5; 5); G(A) = AB+I5 ; onde B = diag(d1 ; d2 ; d3 ; d4 ; d5 )
uma matriz diagonal e I5 a matriz identidade de ordem 5:
(e) F : P2 ! P2 tal que T (p) = p + q; p 2 P2 e q(t) = t2 + 1; t 2 <

(f) S : R2 ! R2 dada por S(x; y) = (x + y; x y)

a b a b
(g) T : M (2; 2) ! R dada por ! det
c d c d
(h) T : R ! R; T (x) = jxj :
a b
(i) T : M2 ! P1 ; T = a + dt
c d
(j) S : R3 ! R3 tal que S(x; y; z) = (3x; a; 5z); onde a 2 R uma
constante.
0 00
(k) T : Pn ! Pn tal que T (p(x)) = p (x) + x2 p (x)

2. Seja T : P2 ! P2 um operador linear tal que

T (p0 )(t) = 1+t, T (p1 )(t) = t+t2 ; T (p2 )(t) = 1+t 2t2 onde pi (t) = ti ;
i = 0; 1; 2:

(a) Encontre T (p)

(b) T injetora? Justique sua resposta.
(c) T sobrejetora? Justique sua resposta.
(d) T bijetora? Justique sua resposta.

3. a) Encontre a transformao T : <2 ! M (2; 2) tal que

1 1 1 1
T ( 1; 0) = ; T (0; 1) =
1 1 1 1
b) Usando a transformao T encontrada no item a) , calcule T (1000; 999)
c) A transformao bijetora? Justique sua resposta.
4. Sejam F; G : R3 ! R3 transformaes lineares dadas por F (x; y; z) =
(x + y; z + y; z) e G(x; y; z) = (x + 2y; y z; x + 2z):

82
 (a) Determine F G
(b) Determine uma base para N (F G)
(c) Determine uma base para Im(F G)
(d) F G isomorsmo? Justique sua resposta.

5. Seja T : <3 ! <3 uma transformao linear denida por T (1; 0; 0) =

(1; 1; 0); T (0; 1; 0) = (1; 1; 2) e T (0; 0; 1) = (0; 0; 2): Determinar uma base
de cada um dos seguintes subespaos:

(a) N (T )
(b) N (T ) \ Im(T )
(c) N (T ) + Im(T )

6. Sejam = f(1; 1); (0; 2)g e = f(1; 0; 1); (0; 1; 2); (1; 2; 0)g bases de <2
e <3 ; respectivamente e
2 3
1 0
[T ] = 41 1 5
0 1

(a) Encontre a transformao linear T:

(b) Enconte uma base para Ker(T ) e uma base para Im(T ):
2 3
1 0
(c) Encontre uma base de <3 tal que [T ] = 40 05
0 1

7. Encontre a transformao linear T : <2 ! <2 que a projeo sobre a

x = 2t
reta dada por
y=t
Determine dim Im(t) e dim Ker(T ): T inversvel ? Se for, determine
T 1:
8. Considere o operador linear em <3 tal que T (1; 0; 0) = (1; 1; 1); T (0; 0; 1) =
(1; 0; 1), T (0; 1; 2) = (0; 0; 4):

T isomorsmo? Em caso armativo, determine o isomorsmo inverso.

9. Seja T : <3 ! <3 o operador linear denido por T (x; y; z) = (3x; x
y; 2x + y + z): Mostre que (T 2 I) (T 2 3I) = 0:
10. Seja T : P2 ! P3 a transformao denida por T (p(x)) = xp(x 3):
Encontre [T ] em relao s bases = f1; x; x2 ; x3 g e = f1; x; x2 g:

11. Encontre a transformao linear T : <3 ! <3 cujo ncleo gerado por
(1; 1; 0) e (0; 0; 1) e a imagem gerada pelo vetor (1; 1; 1):

83
12. Encontre a transformao linear T : <4 ! <4 cujo ncleo gerado por
(1; 1; 0; 0) e (0; 0; 1; 0):
13. Sejam R; S; T tres transformaes lineares de R3 em R3 : Se
2 3 2 3
1 0 1 2 1 1
[R] = 4 2 1 1 5 e [S] = 4 3 1 2 5;
0 1 1 1 2 0
encontre T tal que R = S T:
14. Suponhamos T : V ! W linear e V tem dimenso nita. Mostre que V e
a Im(T ) tm a mesma dimenso se e somente se T inversvel. Determine
todas as transformaes lineares no inversveis T : <4 ! <3 :
!
15. Mostre que se a matriz transformao [T ] inversvel ento N (T ) = f 0 g:
16. Seja T : V ! W uma transformao linear.

(a) Mostre que o ncleo de T um subespao de V:

(b) Mostre que a imagem de T um subespao de V:
0
17. Seja T : P2 ! P2 a transformao linear denida por T (p(x)) = xp (x)

(a) Quais dos seguintes polinmios pertencem ao N (T )?

i. 2
ii. x2
iii. 1 x
(b) Quais dos polinmios do item a) pertencem a Im(T )?
(c) Descreva N (T ) e Im(T ):

18. Quando possvel, d exemplos de transformaes lineares satisfazendo:

(a) T : R3 ! R3 tal que dim N (T ) = 1

(b) T : R3 ! R3 tal que N (T ) = f(0; 0; 0)g
(c) T : R3 ! R3 tal que Im(T ) = f(0; 0; 0)g
(d) T : R3 ! R3 tal que N (T ) = f(x; y; z) 2 <3 : z = xg
3 3 3
(e) T : R ! R tal que Im(T ) = (x; y; z) 2 R y = 2x z :
0
19. Seja T : P3 ! P2 denida por T (p) = p . Determine a matriz T em
relao s bases 1; t; t2 ; t3 e 1; 1 + t; 1 + t2 :
!
20. Mostre que se uma transfomao linear injetora ento N (T ) = f 0 g:
a b
21. Seja a base cannica de M2 : Se T : M2 ! P3 dada por T =
c d
a + (b + c)x + (c d)x2 + dx3

84
 (a) Encontre [T ] onde = 2; 2 + x; 2 + x2 ; 2 + x3 base de P3
(b) Faa o escalonamento da matriz [T ]
(c) Detemine dim Ker(T )
(d) Determine dim Im(T ):

22. Se A 2 Rn n
inversvel ento:

(a) dim N (A) = ______

(b) dim Im(T ) = ______

23. Determine dim N (T ) sabendo que:

(a) T : R6 ! R8 com dim(Im(T )) = 3;

(b) T : V ! W com T sobrejetiva, dim V = 5; dim W = 3;
(c) T : V ! W com T injetiva;
(d) T : R4 ! R4 sabendo que existe a inversa de T:

24. Explique em cada caso abaixo porque no existe uma transformao lin-
ear:

(a) T : R4 ! R2 cujo ncleo seja a origem;

(b) T : R5 ! R6 que seja sobrejetiva;
(c) T : R3 ! R2 que seja injetiva;
(d) T : R7 ! R6 tal que dim N (T ) = dim Im(T );
(e) T : R4 ! R3 com N (T ) = [(1; 0; 0; 0); (0; 1; 0; 0)] e Im(T ) = [(1; 1; 2); (2; 2; 4)]:

25. Responda as seguintes questes:

(a) Se T : R5 ! R6 uma transformao linear, podemos ter dim

Im(T ) > 6? Justique sua resposta
(b) Existe alguma transformao linear T : R2 ! R2 tal que T (1; 1) =
(2; 2) e T (2; 2) = (3; 1)? Justique sua resposta.

2 1
26. Seja T : R2 ! R2 tal que [T ] = : Encontre os vetores u e v tais
0 1
que

(a) T (u) = 2u
(b) T (v) = v

27. Sejam as transformaes lineares S : P1 ! P2 e T : P2 ! P1 denidas

por

S(a + bx) = a + (a + b)x + 2bx2

T (a + bx + cx2 ) = b + 2cx

85
 (a) Determine (S T )(3 + 2x x2 )
(b) possvel calcular (T S)(a + bx)? Em caso armativo calcule (T
S)( + x):

ALGUMAS SUGESTES

1. j) Sugesto: analise os casos a = 0 e a 6= 0

21. c) A dimenso de Ker(T ) a nulidade de [T ]
21. d) A dimenso de Im(T ) o posto de [T ]

86
Captulo 4

OPERADORES
LINEARES

Denio 160 Uma transformao linear T : V ! V chamada de operador

linear.

Observao 161 Todas as propriedades j vistas para transformaes lineares

em geral vale para um operador linear

4.1 Transformaes especiais no plano e no es-

pao
Os operadores lineares que veremos a seguir so chamados de transformaes
especiais do plano e do espao por serem bastantes usados em aplicaes prticas
e tambm em aplicaes numricas.

Transformaes no Plano
a) Dilatao ou contrao

T : R2 ! R2
T (x; y) = (x; y)

Se j j < 1, T contrai o vetor

Se j j > 1, T dilata o vetor
Se = 1, T a identidade
Se < 0, T inverte o sentido do vetor
Se > 0, T mantm o mesmo sentido do vetor
Matricialmente
x 0 x
!
y 0 y

87
Geometricamente, para > 0 temos:

b) Cisalhamento na direo do eixo dos x

T : R2 ! R 2
T (x; y) = (x + y; y)

Matricialmente
x 1 x
!
y 0 1 y
Geometricamente:

c) Cisalhamento na direo do eixo dos y

88
 T : R2 ! R2
T (x; y) = (x; x + y)

Matricialmente
x 1 0 x
!
y 1 y
Geometricamente:

d) Reexo na origem

T : R2 ! R2
T (x; y) = ( x; y)

Matricialmente
x 1 0 x
!
y 0 1 y
Geometricamente:

89
Observao 162 Observe que este um caso particular da contrao quando
= 1

e) Projeo sobre uma reta no plano

Denio 163 Denimos como sendo Projeo sobre uma reta r, que
passa pela origem, no plano o operador linear T : R2 ! R2 denido por T (v) =
proju v, onde u o vetor diretor da reta r:

Denio 164 Exemplo 165 Determinar o operdor linear que a projeo so-
bre a reta y = 6x

90
 A reta y = 6x pode ser parametrizada por

x = t
y = 6t

logo um vetor diretor da reta u = (1; 6):

T (v) = proju v
u v
T (v) = u
u u
(1; 6) (x; y)
T (x; y) = (1; 6)
(1; 6) (1; 6)
x 6y 6x + 36y
T (x; y) = ;
37 37

f ) Reexo atravs de uma reta no plano

Denio 166 Denimos como sendo Reexo atravs da reta r; que

passa pela origem, a transformao linear T : R2 ! R2 tal que jT (v)j = jvj e
proju v = proju T (v) onde u o vetor diretor da reta r:

91
 Para obter a expresso pata a traformao T , considere a gura abaixo
que representa a reexo em torno de uma reta no plano onde esto mostrados
o vetor diretor diretor, u ; da reta, o vetor p, a projeo de v na direo do vetor
u,e o vetor T (v):

Da denio de reexo podemos observar que

T (v) + v = 2p
T (v) = 2p v
T (v) = 2proju v v
Portanto a reexo em torno de uma reta no plano dada por

T (v) = 2proju v v
onde proju v a projeo do vetor v na direo do vetor u
Casos Particulares
f.1) Reexo em torno do eixo dos x

T : R2 ! R2
T (x; y) = (x; y)
Matricialmente
x 1 0 x
!
y 0 1 y
Geometricamente:

92
f.2) Reexo em torno do eixo dos y

T : R2 ! R2
T (x; y) = ( x; y)

Matricialmente
x 1 0 x
!
y 0 1 y
Geometricamente:

93
f.3) Reexo em torno da reta y = x

T : R2 ! R2
T (x; y) = (y; x)

Matricialmente
x 0 1 x
!
y 1 0 y
Geometricamente:

94
f.4) Reexo em torno da reta y = x

T : R2 ! R2
T (x; y) = ( y; x)

Matricialmente
x 0 1 x
!
y 1 0 y
Geometricamente:

95
 g) Rotao de um ngulo
Denimos Rotao no plano de um ngulo a transformao T : R2 ! R2
tal que jT (v)j = jvj e o ngulo entre os vetores T (v) e v :
Geometricamente

96
 Vamos agora determinar a matriz da transformao linear rotao de um
ngulo e a expresso de R em funo de x e y: Seja

R : R2 ! R2
R (x; y) = (x0 ; y 0 )

Quando rotacionamos um vetor, pela prpria denio de rotao, o com-

primento (mdulo) do vetor no se altera. Seja r = jvj ; onde v = (x; y):
Da gura acima e usando relaes trigonomtricas temos;

x0 = r cos( + ) = r cos cos r sin sin

Mas

r cos = x
r sin = y

ento
x0 = x cos y sin
Analogamente

y0 = r sin( + ) = r sin cos + r cos sin

y0 = y cos + x sin = x sin + y cos

Assim

97
 R (x; y) = (x cos y sin ; x sin + y cos )
Matricialmente
x cos sin x
!
y sin cos y
Podemos ver neste caso que matriz de uma rotao :

cos sin
[R ] =
sin cos

Transformaes no Espao
a) Reexo atravs de uma reta no espao

Denio 167 Denimos como sendo Reexo atravs da reta r; que passa
pela origem, no espao a transformao linear T : R3 ! R3 tal que jT (v)j = jvj
e proju v = proju T (v) onde u o vetor diretor da reta r:

Geometricamente

Para obter a expresso pata a traformao T , considere a gura abaixo

que representa a reexo em torno de uma reta no plano onde esto mostrados
o vetor diretor diretor, u ; da reta, o vetor p, a projeo de v na direo do vetor
u,e o vetor T (v):

98
 Da denio de reexo podemos observar que

T (v) + v = 2p
T (v) = 2p v
T (v) = 2proju v v

Portanto a reexo em torno de uma reta no espao dada por

T (v) = 2p v
ond p = proju v a projeo do vetor v na direo do vetor u
Casos Particulares: Reexo em relao aos eixos coordenados
a.1) Reexo atravs do eixo x

T : R3 ! R3
T (x; y; z) = (x; y; z)

Matricialmente
2 3 2 32 3
x 1 0 0 x
4 y 5 !4 0 1 0 54 y 5
z 0 0 1 z

99
 a.2) Reexo atravs do eixo y

T : R3 ! R3
T (x; y; z) = ( x; y; z)

Matricialmente
2 3 2 32 3
x 1 0 0 x
4 y 5 !4 0 1 0 54 y 5
z 0 0 1 z

a.3) Reexo atravs do eixo z

T : R3 ! R3
T (x; y; z) = ( x; y; z)

Matricialmente
2 3 2 32 3
x 1 0 0 x
4 y 5 !4 0 1 0 54 y 5
z 0 0 1 z

b) Reexo atravs de um plano

Denio 168 Denimos Reexo atravs de um plano, que passa pela origem,
no espao ao operador linear T : R3 ! R3 tal que jT (v)j = jvj e projn v =
projn T (v); onde n o vetor normal do plano.

100
 Para obter a expresso para a transformao T , considere a gura abaixo
que representa a reexo em torno de um plano no espao onde esto mostrados
o vetor normal do plano, vetor n ; o vetor projeo de v na direo do vetor n,
vetor p, o vetor projeo sobre o plano, vetor m; e o vetor T (v):

101
 Da denio de Reexo atravs de uma plano podemos deduzir que

p+m=v
m p = T (v)

Portanto
T (v) = v 2p
onde p = projn v a projeo de v na direo do vetor normal n do plano.
Casos particulares: Reexo atravs dos planos coordenados
b.1) Reexo atravs do plano xy

T : R3 ! R3
T (x; y; z) = (x; y; z)

Matricialmente
2 3 2 32 3
x 1 0 0 x
4 y 5 !4 0 1 0 54 y 5
z 0 0 1 z

Geometricamente

102
b.2) Reexo atravs do plano xz

T : R3 ! R3
T (x; y; z) = (x; y; z)
2 3 2 32 3
x 1 0 0 x
Matricialmente4 y 5 ! 4 0 1 0 54 y 5
z 0 0 1 z
b.3) Reexo atravs do plano yz

T : R3 ! R3
T (x; y; z) = ( x; y; z)

Matricialmente
2 3 2 32 3
x 1 0 0 x
4 y 5 !4 0 1 0 54 y 5
z 0 0 1 z

c) Reexo no origem

T : R3 ! R3
T (x; y; z) = ( x; y; z)

Matricialmente
2 3 2 32 3
x 1 0 0 x
4 y 5 !4 0 1 0 54 y 5
z 0 0 1 z

Geometricamente

103
 d) Rotao no Espao.

Denio 169 Denimos Rotao de um ngulo em torno de um eixo coor-

denado c ao operador linear T : R3 ! R3 tal que jT (v)j = jvj e o ngulo
entre a projeo de v no plano ortogonal a c e a projeo de T (v) no plano
ortogonal a c o ngulo medido no sentido anti-horrio a partir da projeo
de v no plano ortogonal a c:

104
 d.1) Rotao em torno do eixo z
Para obter a expresso da transformao que uma rotao em torno
do eixo z vamos considerar:

p = projeo de v no plano xy
q = projeo de T (v) no plano xy

105
 T (x; y; z) = (x0 ; y 0 ; z 0 )
Observe que z 0 = z

Como jT (v)j = jvj ento jpj = jqj : Alm disso o vetor q obtido pela
rotao do ngulo do vetor p no plano xy, ou seja, q = R (p). Como j visto
em rotao no plano ( item g) de Transformaes no plano) temos que

x0 = x cos y sin
y0 = x sin + y cos

Portanto

T : R3 ! R3
T (x; y; z) = (x cos y sin ; x sin + y cos ; z)

106
 Matricialmente
2 3 2 32 3
x cos sin 0 x
4 y 5 = 4 sin cos 0 54 y 5
z 0 0 1 z
2 3
cos sin 0
[T ]Z = 4 sin cos 0 5
0 0 1
d.2) Rotao em torno do eixo y

T (x; y; z) = (x0 ; y 0 ; z 0 )
Como a rotao em torno do eixo y temos y 0 = y: No plano xz vemos que
o vetor q obtido a partir do vetor p pela rotao do ngulo no SENTIDO
HORRIO. Portanto podemos considerar o vetor p obtido a partir do vetor
q por uma rotao no sentido anti-horrio, ou seja, R (p) = q: Logo,

x cos sin x0
=
z sin cos z0
1
x0 cos sin x
=
z0 sin cos z

107
 x0 cos sin x
=
z0 sin cos z

x0 = x cos + z sin
z0 = z cos x sin

T (x; y; z) = (x0 ; y 0 ; z 0 )
T (x; y; z) = (x cos + z sin ; y; x sin + z cos )

Matricialmente: 2 3
cos 0 sin
[T ]Y = 4 0 1 0 5
sin 0 cos
d.3) Rotao em torno do eixo x
A matriz da Rotao em torno do eixo x dada por
2 3
1 0 0
[T ]X = 40 cos sin 5
0 sin cos

Exemplop p
170p Determinar o ngulo formado entre v e T (v) quando o vetor
v = ( 2p32 ; 42 ; 22 ) gira em torno do eixo z de um ngulo 2 rad

Soluo:
2 32 p
p3
30
cos 2 sin 2 0 2p 2
6 7
[T (v)] = 4 sin 2 cos 2 0 54 2 5
p4
0 0 1 2
2
2 32 p p3
30
0:0 1:0 0:0 2p 2
6 7
[T (v)] = 4 1:0 0:0 0:0 5 4 2 5
p4
0:0 0:0 1:0 2
2
2 p 30
2
p4
6 3 7
[T (v)] = 4 p
2p 2
5
2
2

Como desejamos o ngulo entre v e T (v);vamos usar afrmula do cosseno do

ngulo entre dois vetores:

v T (v) 1
cos = =
jvj jT (v)j 2
Portanto o ngulo entre v e T (v) = arccos 12 = 1
3

108
4.2 Propriedades dos operadores inversveis
Denio 171 Seja T : V ! V um operador linear. Se existir um operador
T 1 : V ! V tal que T T 1 = T 1 T = I ( neste caso I : V ! V
a identidade em V ) ento dizemos que o operador T inversvel e T 1 o
operador inverso de T:

Observao 172 Um operador inversvel se, e somente se, ele um isomor-

smo

Seja T : V ! V um operador linear:

1 1
I) Se T inversvel e T =T 1 T =I
sua inversa, ento T T
n!o
II) O operador T inversvel se, e somente se, Ker(T ) = 0 :

III) O operador T inversvel se, e somente se, det [T ] 6= 0

IV) Se T inversvel, T transforma base em base, isto , se = fv1 ; : : : ; vn g
base de V ento = fT (v1 ); : : : ; T (vn )g base de V:

1 1
Se T inversvel e uma base de V ento T : V ! V linear T =
1
1
[T ] : Quando a base cannica temos a forma mais simples T =
1 1
[T ] e portanto T 1 [T ] = T 1
T = [I] : Com isso vemos que T
inversvel se e somente se det [T ] 6= 0.

Exemplo 173 Considere o operador R : R2 ! R2 ; dado por

R (x; y) = (x cos y sin ; x sin + y cos )

1
verique se T inversvel e em caso armativo encontre T

Soluo: Como det [R ] = cos2 + sin2 = 1 6= 0; temos que R inversvel.

1
Como R 1 = [R ] ; basta calcular a inversa da matriz deR

cos sin
[R ] =
sin cos

cos sin
cos2 +sin2 cos2 +sin2
1
[R ] =
sin cos
cos2 +sin2 cos2 +sin2

1 cos sin
[R ] =
sin cos

109
 1 T 1
Note que [R ] = [R ] ; ou seja, [R ] uma matriz ortogonal, logo R :
R 2 ! R2
x cos sin x x cos + y sin
! =
y sin cos y y cos x sin
1
R (x; y) = (x cos + y sin ; y cos x sin )

Exemplo 174 Seja T o operador T : R3 ! R3 que a projeo ortogonal do

vetor v = (x; y; z) na direo da reta dada pela interseo dos planos y = x e
z = y:Verique se T inversvel e em caso armativo determine T 1 :

Soluo: Para determinar a projeo na direo da reta basta determi-

nar a projeo ortogonal sobre o vetor diretor da reta. Devemos inicialmente
determinar o vetor diretor da reta:

y=x
z=y
Para obter a equaes paramtricas fazemos x = t; logo
8
< x=t
y=t
:
z=t
portando o vetor diretor da reta u = (1; 1; 1):
v u
T (v) = proju v = u
u u
(x; y; z) (1; 1; 1)
T (x; y; z) = (1; 1; 1)
(1; 1; 1) (1; 1; 1)
x+y+z
T (x; y; z) = (1; 1; 1)
3
x+y+z x+y+z x+y+z
T (x; y; z) = ; ;
3 3 3
2 1 1 1
3
3 3 3
6 7
6 7
[T ] = 6
6
1
3
1
3
1
3
7
7
4 5
1 1 1
3 3 3
det [T ] = 0

Como det [T ] = 0 temos que T no inversvel.

Exemplo 175 Seja T : R2 ! R2 a transformao que uma rotao de 4 rad

e S : R2 ! R2 a transformao que uma reexo em torno da reta y = 2x:
Determine a transformao R = S T:

110
 Soluo

R = S T
[R] = [S] [T ]

cos 4 sin 4
[T ] =
sin 4 cos 4
1
p 1
p
[T ] = 2 p2 2p 2
1 1
2 2 2 2

S(v) = 2p v
(x; y) (1; 2)
S(x; y) = 2 (1; 2) (x; y)
(1; 2) (1; 2)
3x 4y 4x + 3y
S(x; y) = ;
5 5

3 4
[S] = 5 5
4 3
5 5

[R] = [S] [T ]
3 4 1
p 1
p
[R] = 5 5 2 p2 2p 2
4 3 1 1
5 5 2 2 2 2
7
p 1
p
[R] = 10 p2 10p 2
1 7
10 2 10 2

p p p p !
7 2 2 2 7 2
R(x; y) = x y; x+ y
10 10 10 10

4.2.1 Matrizes Semelhantes

Seja T : V ! V um operador linear. Sejam e bases de V e [T ] ; [T ]
matrizes de T em relao as bases e respectivamente, ento:

[T ] = [I] [T ] [I]
1
Lembrando que [I] = [I] temos que

1
[T ] = [I] [T ] [I]

111
 Chamando [I] = A :
1
[T ] = A [T ] A
Denio 176 Dadas as matrizes A e B, se existe uma matriz P inversvel tal
que
A = P BP 1
ento dizemos que as matrizes A e B so semelhantes.
Observao 177 Se A e B so semelhantes ento detA = detB; mas no vale
a recproca.

4.3 Operadores autoadjuntos e ortogonais

Denio 178 Seja V um espao vetorial com produto interno, uma base
ortonormal e T : V ! V um operador linear. Ento:
a) T chamado um operador auto-adjunto se [T ] uma matriz simtrica
b) T chamado um operador ortogonal se [T ] uma matriz ortogonal
Observao 179 Consideraremos aqui apenas os operadores T : Rn ! Rn ;
com o produto escalar usual (que um produto interno no espao Rn ):
Observao 180 Uma base = fv1 ; v2 ; ; vn g ortonormal se vi vj =
1; i = j
0; i 6= j
Portanto podemos dizer que um operador T : Rn ! Rn um operador
auto-adjunto se [T ] (a matriz de T em relao a base cannica) uma matriz
simtrica. T : Rn ! Rn um operador ortogonal se [T ] (a matriz de T em
relao a base cannica) uma matriz ortogonal.
Exemplo 181 Consideremos a transformao : R3 ! R3 , a rotao de um
ngulo em torno do eixo z:
T (x; y; z) = (x cos y sin ; x sin + y cos ; z)
A matriz da transformao T
2 3
cos sin 0
[T ] = 4 sin cos 05
0 0 1
Como esta uma matriz ortogonal, T um operador ortogonal
Exemplo 182 Seja T : R2 ! R2 onde T (x; :y) = (2x 2y; 2x + 5y): A matriz
de T
2 2
[T ] =
2 5
Como a matriz de T simtrica, ento T um operador auto-adjunto.

112
Teorema 183 Seja T : Rn ! Rn linear. Se T um operador auto-adjunto
ento
T (v) w = v T (w); 8v; w 2 Rn

Teorema 184 Seja T : Rn ! Rn linear. Ento so equivalentes as seguintes

armaes

a) T ortogonal
b) T preserva o produto escalar, isto , T (v) T (w) = v w; 8v; w 2 R
c) T preserva o mdulo, isto , jT (v)j = jvj
d) T transforma bases ortonornais em bases ortonormais. Isto , se
fv1; v2 ; : : : ; vn g uma base ortonornal ento fT (v1 ); T (v2 ); : : : ; T (vn )g uma
base ortonornal

4.4 Dcima lista de exerccios

1 2 4 0
1. A matriz A = semelhante matriz B = : Deter-
3 2 0 1
mine uma matriz P que realiza esta semelhana.
2. Encontre a transformao linear T : R3 ! R3 tal que os vetores u =
(1; 2; 0) e v = (0; 1; 1) pertenam ao ncleo de T e que T (1; 0; 0) =
(1; 1; 1)
3. Seja T a reexo no origem dada por

T : R3 ! R3
T (x; y; z) = ( x; y; z)

1
Determine a inversa T da transformao T:
4. Dena operador simtrico e operador ortogonal. D um exemplo para
cada um dos casos, justicando sua escolha.
5. Seja A : R3 ! R3 ; dada por A = G L onde G a rotao de 3 do em
torno do eixo y e L a rotao de 2 em torno do eixo z.: Determine a
matriz de A em relao a base cannica ; isto , determine [A] : O operador
A ortogonal? E auto-adjunto?
6. Determine a transformao linear de R2 em R2 que representa uma re-
exo da reta y = x;seguida de uma dilatao de fator 2 na direo ox
e, um cisalhamento de fator 3 na direo vertical.
7. Usando inverso matricial mostre o seguinte:

113
 (a) A transformao inversa de uma reexo em torno da reta y = x a
reexo em torno da reta y = x:
(b) A transformao inversa de uma reexo em torno de um eixo coor-
denado a reexo em torno daquele eixo.

8. a) Encontre a transformao T do plano no plano que uma reexo em

torno da reta y = 6x:
b) Escreva-a em forma matricial.
plano, uma rotao anti-horria de 450 seguida por uma dilatao
9. No p
de 3: Ache a aplicao A que representa esta transformao do plano.
10. Seja T : R3 ! R3 a projeo de vetor v no plano x + y + z = 0: Encontre
T (x; y; z):
11. Seja L : R3 ! R3 onde L a reexo atravs do plano x + y + z = 0:
Encontre L(x; y; z):
12. Seja A : R3 ! R3 onde L a rotao de 2 em torno do eixo z seguida de
uma rotao de 3 do em torno do eixo y: Encontre A(x; y; z):
13. Verique se as matrizes dadas so semelhantes

1 1 2 1
(a) e
1 4 1 3
3 1 1 2
(b) e
6 2 1 0

14. Sejam A e B matrizes semelhantes. Prove que:

(a) A I eB I so semelhantes.
k k
(b) A e B so semelhantes, para cada inteiro positivo k:
1 1
(c) Se A e B so inversveis, ento A eB so semelhantes.

15. Seja T o operador linear em R3 denido por T (x; y; z) = (2y+z; x 4y; 3x)
e considere a base usual do R3 e a base = f(1; 1; 1); (1; 1; 0); (1; 0; 0)g:

(a) Mostre que as matrizes [T ] e [T ] so semelhantes.

1
(b) T inversvel? Se for determine a lei que dene T :

16. Seja A uma matriz de ordem n xada. Seja T : Mn ! Mn denida por

T (N ) = AN N A: Mostre que T no inversvel.
17. Sejam T : V ! V um operador linear e e bases distintas de V:
Mostre que det [T ] = det [T ]

18. Encontre a transformao linear T : R3 ! R3 tal que Ker(T ) =

(x; y; z) 2 R3 y = 2x z

114
 p p
19. Determine se a transformao T (x; y) = ( 23 x 1 1 3
2 y; 2 x + 2 y) uma
transformao auto-adjunta ou ortogonal. Justique sua resposta.
p p p p
20. O operador linear T (x; y; z) = ( 21 2x 1 1
2 2z; y; 2 2x
1
2 2z) a
rotao de um ngulo em torno do eixo y. Determine o valor do ngulo
:
21. Seja o operador T : P3 ! P3 denido por T (p) = x3 p( x1 ) :

(a) Mostre T inversvel.

1
(b) Calcule a inversa T do operador T

22. Seja T : M (2; 2) ! M (2; 2) um operador linear tal que T (A) = A + AT :

Verique se o operador T inversvel.

SUGESTES
15) Utilize as matrizes mudana de base
16) Sugesto: Mostre que T no injetora.

4.5 Autovalores e Autovetores

Dado um operador linear T : V ! V; estamos interessados em saber quais
vetores so levados em um mltiplo de si mesmo; isto , procuramos um vetor
v 2 V e um escalar 2 R tais que T (v) = v: Neste caso T (v) ser um vetor
de mesma direo que v: Por vetor de mesma direo estaremos entendendo
!
vetores sobre a mesma reta suporte. Como v = 0 satisfaz a equao para todo
!
; estaremos interessados em determinar vetores v 6= 0 satisfazendo a condio
acima.

Denio 185 Seja T : V ! V , um operador linear. Se existirem v 2 V;

!
v 6= 0 ; e 2 R tais que T (v) = v, um autovalor de T e v um autovetor
de T associado a :

Observe que pode ser o nmero 0; embora v no possa ser o vetor nulo.

Exemplo 186 T : V ! V dado por T (v) = kv, onde k uma constante

Neste caso todo vetor de V um autovetor associado ao autovalor =k

Exemplo 187

T : R2 ! R2 (Reexo no eixo x)
T (x; y) = (x; y)

Neste caso observamos que os vetores que sero levados em mltiplos dele
mesmo sero os vetores que esto no eixo x, pois v = (x; 0) ) T (v) = T (x; 0) =
(x; 0) = v: Os vetores que esto no eixo y tambm so levados em mltiplos

115
de si mesmo pois estes vetores tem a forma w = (0; y) ) T (w) = T (0; y) =
(0; y) = 1(0; y): Podemos concluir ento que os vetores do tipo v = (x; 0) so
autovetores associados ao autovalor 1 = 1 e os vetores da forma w = (0; y) so
autovetores associados a 2 = 1, da tranformao linear reexo no eixo x:

Exemplo 188

R 2 : R2 ! R2 (Rotao de um ngulo 2)
R 2 (x; y) = ( y; x)

Observe que na rotao de 2 nenhum vetor levado em um mltiplo de si

mesmo, a direo de todos vetores de R2 so alterados pela rotao. Portanto
a rotao de um ngulo 2 no possui autovetores e autovalores.

Teorema 189 Dada uma transformao linear T : V ! V e um autovetor

v associado a um autovalor , qualquer vetor w = v ( 6= 0) tambm um
autovetor de T associado a :

Observao 190 Note que se um vetor v autovetor de uma transformao T

associado ao autovalor ento todos os mltiplos de v tambm sero autovetores
associados a : O Conjunto formado por todos os autovetores associados a um
mesmo autovalor um conjunto innito.

Teorema 191 Seja T : Rn ! Rn um operador auto-adjunto e 1 ; 2 autoval-

ores distintos de T e v1 e v2 os autovetores associados a 1 e 2 ; respectivamente.
Ento v1 perpendicular a v2 :

Denio 192 O subespao V = fv 2 V T (v) = vg chamado o subespao

associado ao autovalor :

Como vimos na nota acima o conjunto V contm todos os autovetores de

!
T associados ao autovalor ; contm tambm o vetor nulo 0 de V j que o
! ! !
vetor 0 satifaz a relao T ( 0 ) = 0 : O conjunto
n! V o pode ser escrito como V
= fTodos os autovetores de T associados a g [ 0 :

4.5.1 Autovalores e autovetores de uma matriz

Agora vamos obter uma forma de calcular os autovalores e autovetores de uma
transformao usando sua matriz em relao as bases cannicas. Inicialmente
deniremos autovalores e autovetores de uma matriz A:
Dada uma matriz quadrada, A; de ordem n; estaremos entendendo por auto-
valor e autovetor de A o autovalor e autovetor da transformao TA : Rn ! Rn ;
associada a matriz A em relao a base cannica de Rn ; isto TA (v) = A v (na
forma coluna). Assim, um autovalor 2 R de A, e um autovetor v 2 Rn ; so
!
solues da equao A v = v; v 6= 0 :

116
4.5.2 Polinmio Caracterstico.
Seja a matriz
2 3 2 3
a11 a12 :::::::: a1n x1
6 a21 a22 :::::::: a2n 7 6 x2 7
6 7 6 7
A=6 .. .. 7 e v=6 .. 7
4 . . 5 4 . 5
am1 am2 :::::::: amn x3
Para encontrar os autovalores e autovetores de A, devemos resolver a equao:

Av = v
Av = Iv
!
Av Iv = 0
!
(A I)v = 0

Escrevendo esta equao explicitamente,temos

2 32 3 2 3
a11 a12 :::::::: a1n x1 0
6 a21 a :::::::: a2n 76 x2 7 6 0 7
6 22 76 7 6 7
6 .. .. 76 .. 7=6 .. 7
4 . . 54 . 5 4 . 5
am1 am2 :::::::: amn x3 0
Fazendo 2 3
a11 a12 :::::::: a1n
6 a21 a22 :::::::: a2n 7
6 7
B=6 .. .. 7
4 . . 5
am1 am2 :::::::: amn
temos o sistema
!
B v= 0
!
Este sistema um sistema homogneo e possui ao menos a soluo v = 0 : Mas
!
como estamos procurando autovetores, queremos encontrar vetores v 6= 0 que
! !
satisfaam a equao B v = 0 : Sendo assim queremos que o sistema B v = 0
seja compatvel e indeterminado ( tenha alm da soluo trivial, outras solues
no triviais). Pela regra de Cramer se det B = 0 ento o sistema homogneo
ter innitas solues. Assim, a nica maneira de encontrarmos autovetores v
!
(solues no nulas da equao B v = 0 ) termos det B = 0; ou seja,

det(A I) = 0
Impondo esta condio determinamos primeiramente os autovalores que
satisfazem a equao e depois os autovetores a eles associados. Observamos que

117
 a11 a12 :::::::: a1n
a21 a22 :::::::: a2n
p( ) = det(A I) = .. ..
. .
am1 am2 :::::::: amn
um polinmio em de grau n:

Denio 193 O polinmio p( ) = det(A I) chamado polinmio carac-

terstico da matriz A

Observe que as razes do polinmio caracterstico so os autovalores da

matriz A: Note tambm que o autovalor pode ser o nmero zero (quando o
polinmio caracterstico tem razes zero), embora o autovetor v associado a /
no possa ser o vetor nulo.

Exemplo 194 Vamos agora calcular os autovetores e autovalores da matriz

3 4
A=
1 2

Soluo
3 4
p( ) = det(A I) = det = (2 )( 3 )+4 =
1 2
2
+ 2
p( ) = 0 ) 2 + 2 = 0 ) 1 = 1 e 2 = 2:
Necessitamos calcular os autovetores de A e para isso basta resolvermos o
sistema:
Av = v
x
onde v = e cada um dos autovalores j encontrados.
y
Para 1 = 1 temos

3 4 x x
= 1
1 2 y y
3 1 4 x 0
=
1 2 1 y 0
4 4 x 0
=
1 1 y 0

Temos um sistema homogneo cuja matriz ampliada

4 4 j 0 escalonando 4 4 j 0
1 1 j 0 ) 0 0 j 0

4x + 4y = 0 ) y = x

118
Portando os autovalores associados ao autovalor 1 = 1 so da forma v =
(x; x) = x(1; 1) e assim podemos concluir que o subespao associado ao autovalor
1 = 1 V1 = [(1; 1)] :
Para 1 = 2 temos

3 4 x x
= 2
1 2 y y
3 ( 2) 4 x 0
=
1 2 ( 2) y 0
1 4 x 0
=
1 4 y 0

Temos um sistema homogneo cuja matriz ampliada

1 4 j 0 escalonando 1 4 j 0
1 4 j 0 ) 0 0 j 0

x
x + 4y = 0 ) y =
4
Portando os autovalores associados ao autovalor 1 = 2 so da forma v =
(x; x4 ) = x(1; 14 ) e assim podemos concluir que o subespao associado ao auto-
valor 2 = 2 V 2 = (1; 14 ) :

Exemplo 195 Encontre os autovalores e autovetores da transformao linear

que a cada vetor v 2 R3 associa a sua projeo ortogonal no plano x + y z = 0:

Soluo: Devemos encontrar a transformao linear T : R3 ! R3 tal que

T (v) = projeo de v no plano x + y z = 0:

119
 Da gura acima vemos que para obtermos a projeo sobre o plano devemos
inicialmente fazer a projeo do vetor v na direo do vetor normal n para obter
o vetor p = projn v:Com isso temos,

T (v) + p = v
T (v) = v p
T (v) = v projn v

Um vetor normal do plano x+ y z = 0 n = (1; 1; 1); logo, como v = (x; y; z)

temos

p = projn v
v n
p = n
n n
(x; y; z) (1; 1; 1)
p = (1; 1; 1)
(1; 1; 1) (1; 1; 1)
x+y z
p = (1; 1; 1)
3
x+y z x+y z x+y z
p = ; ;
3 3 3

T (v) = v p
x+y z x+y z x+y z
T (x; y; z) = (x; y; z) ; ;
3 3 3
2x y + z x + 2y + z x + y + 2z
T (x; y; z) = ; ;
3 3 3
Para calcular os autovalores de T devemos encontrar a matriz de T: Neste
caso,
2 2 1 1
3
3 3 3
6 7
6 7
[T ] = 6
6 3
1 2
3
1
3
7
7
4 5
1 1 2
3 3 3
p( ) = det([T ] I) = 0
22 1 1
3
3 3 3
6 7
6 7
det 6
6 3
1 2
3
1
3
7=0
7
4 5
1 1 2
3 3 3

120
 3 2
p( ) = +2 =0
As raizes de p( ) so 1 = 2 = 0 e 3 = 1:
Para 1 = 0 vamos calcular os autovalores associados resolvendo o sistema.
2 2 1 1
32 3 2 3
3 3 3 x 0
4 1 2 1 54
y 5=4 0 5
3 3 3
1 1 2
3 3 3
z 0
cuja matriz ampliada ,
2 2 1 1
3 2 2 1 1
3
3 3 3 j 0 3 3 3 j 0
4 escalonando
3
1 2
3
1
3 j 0 5 4 0 1
2
1
2 j 0 5
1 1 2 =)
3 3 3 j 0 0 0 0 j 0

2 1
3x 3y+ 13 z = 0
1 1
2y + 2z
=0
2x y+z =0
y+z =0

y = z
x = z

Portanto os autovalores associados ao autovalor 1 = 0 so da forma v =

( z; z; z)

Observao 196 Note que acima damos a forma geral dos autovetores, no
caso acima temos v = x( 1; 1; 1) assim um autovetor v = ( 1; 1; 1) como
todo autovetor um mltiplo de v = ( 1; 1; 1) temos que V0 = [( 1; 1; )],
isto , o subespao associado ao autovalor 1 = 0 gerado pelo vetor v =
( 1; 1; 1): Note que geometricamente o subespao V0 = [( 1; 1; 1)] formado
pelos vetores que so mltiplos do vetor normal ao plano, ou seja, por todos os
vetores ortogonais ao plano.

Para 1 = 1 temos vamos calular os autovalores associados resolvendo o

sistema.

2 2 1 1
32 3 2 3
3 1 3 3 x 0
4 1 2
1 1 54 y 5 = 4 0 5
3 3 3
1 1 2
3 3 3 1 z 0
2 1 1 1
32 3 2 3
3 3 3 x 0
4 1 1 1 54
y 5 = 4 0 5
3 3 3
1 1 1
3 3 3
z 0

121
 2 1 1 1
3
3 3 3
4 1 1 1 5
3 3 3
1 1 1
3 3 3
2 1 1 1
3 2 1 1 1
3
3 3 3 3 3 3
4 1 1 1 5 escalonando 4 0 1 0 5
3 3 3 =)
1 1 1
3 3 3 0 0 0

1 1
3x + 13 z = 0
3y
y=0
0 x y+z =0
y=0

y = 0
z = x

Portanto os autovalores associados ao autovalor 3 = 1 so da forma v =

(x; 0; x) = x(1; 0; 1): Logo V1 = [(1; 0; 1)] : Note que geometricamente os autove-
tores da forma v = x(1; 0; 1) so aqueles vetores que esto sobre o plano ( pois
para v = (1; 0; 1) temos v n = (1; 0; 1) ( 1; 1; 1) = 0).

Exemplo 197 Encontre todos os autovalores e autovetores do operador linear

T : P2 ! P2 denido por T (a + bx + cx2 ) = 2c + (a + 2b + c)x + (a + 3c)x2 .

Soluo: A matriz que representa o operador T dada por:

2 3
0 0 2
[T ] = 41 2 15
1 0 3
Para encontrar os autovetores resolver ([T ] I)v = 0; isto ,
2 32 3 2 3
0 0 2 a 0
4 1 2 1 5 4 b 5 = 405
1 0 3 c 0
Para obtermos uma soluo no nula para este sistema devemos impor:

det([T ] I) = (2 )(3 ) + 2(2 )=0

Obtemos ento os autovalores 1 = 1 e 2 = 3 = 2:
Vamos agora encontrar os autovetores associados aos autovalores 1 = 1 e
2 = 3 = 2:
Para 1 = 1
2 32 3 2 3 2 32 3 2 3
1 0 2 a 0 1 0 2 a 0
4 1 1 1 5 4 b 5 = 405 Escalonando 4 0 1 15 4 b 5 = 405 ) !p = ( 2c; c; c)
)
1 0 2 c 0 0 0 0 c 0

122
 Portanto, !
p = 2c + cx + cx2 autovetor associado a 1 = 1
Para 1 = 1 )
2 32 3 2 3 2 32 3 2 3
2 0 2 a 0 2 0 2 a 0
4 1 0 1 5 4 b 5 = 405 Escalonando 4 0 0 0 5 4 b 5 = 405 ) ! p = (c; b; c)
)
1 0 1 c 0 0 0 0 c 0

Portanto !
p = c + bx + cx2 autovetor associado a 1 = 2:

4.6 Dcima primeira lista de exerccios

1. Construa uma matriz 2x2 no diagonal com autovalores 1 e 1 :
2. Se k um nmero inteiro, um autovalor da matriz A e v um autovetor
de A associado ao autovetor : Mostre que k um autovalor da matriz
Ak associado ao autovetor v:
3. Encontre os autovalores de A9 se
2 3
1 3 7 11
6 0 1 3 8 7
A=6 2
4 0 0
7
0 4 5
0 0 0 2

4. Encontre os autovalores e autovetores das transformaes lineares dadas:

(a) T : R2 ! R2 tal que T (x; y) = (2y; x)

(b) T : R2 ! R2 tal que T (x; y) = (x + y; 2x + y)
(c) T : R3 ! R3 tal que T (x; y; z) = (x + y; x y + 2z; 2x + y z)
2 2
(d) T : P2 ! P2 tal que T (ax + bx + c) = ax + cx + b
(e) T : M (2; 2) ! M (2; 2) tal que A ! AT

5. Encontre a transformao linear T : R2 ! R2 ; tal que T tenha autovalores

2 e 3 associados aos autovetores (3y; y) e ( 2y; y) respectivamente.
6. Encontre os autovalores e autovetores correspondentes das matrizes
2 3
2 3 2 3 2 0 1 0
1 2 3 1 0 2 6 0 2 0 1 7
a) A = 4 0 1 2 5 b) A = 4 1 0 1 5 c) A = 6 4
7:
12 0 3 0 5
0 0 1 1 1 2
0 1 0 0

7. Que vetores no nulos do plano, quando cisalhados por C(x; y) = (y

3x; y) e em seguida girados de 45o (no sentido anti-horrio) cam ampli-
ados / reduzidos (na mesma direo) ? Em quantas vezes ?
8. Seja T : V ! V linear

123
 (a) Se = 0 autovalor de T , mostre que T no injetora.
(b) A recproca verdadeira? Ou seja, se T no injetora, = 0
autovalor de T ?
(c) Quais so os autovalores e autovetores do operador derivao D :
P2 ! P2 ; D(p) = p0 :

9. Determine os autovalores e autovetores, se existirem, do operador linear

T : R3 ! R3 obtido quando se faz uma rotao de rad em torno do eixo
x; seguida de uma contrao de 12 :
10. Seja T : V ! V o operador linear que tem autovalores 1 = 1; 2 =
2; ; n = n associados aos autovetores v1 ; v22 ; 3 ; vn respectivamente.
1
6 2 7
6 7
Sabendo que = fv1 ; v2 ; ; vn g e que [v] = 6 . 7 ; determinar [T (v)] :
4 .. 5
n

11. Seja A uma matriz quadrada e AT sua transposta. As matrizes A e AT

possuem os mesmos autovalores e autovetores? Justique sua resposta.
12. Encontre os autovalores e autovetores da transformao linear que a cada
vetor v 2 R3 associa a sua projeo ortogonal no plano x + y = 0:
13. Sejam A e B matrizes n n: Se B semelhante a A, ento as duas matrizes
tem o mesmo polinmio caracterstico e, portanto, os mesmos autovalores.
14. Seja T : <2 ! <2 um operador linear que dobra o comprimento do vetor
(1; 3) e triplica e muda o sentido do vetor (3; 1):

(a) Determine T (x; y)

(b) Calcule T (0; 2)
(c) Qual a matriz do operador T na base f(2; 1); (1; 2)g

1 0 0 1
15. Seja T : M (2; 2) ! M (2; 2) com autovetores v1 = ; v2 = ,
0 0 0 0
1 0 0 0
v3 = e v4 = associados aos autovalores 1 = 1; 2 = 1;
1 0 1 1
a b
3 = 2; 4 = 0; respectivamente. Determine T :
c d

16. Dada a transformao linear T : <2 ! <2 que a projeo sobre a reta
y = x2 . Encontre os autovalores e autovetores da transformao T:
17. Considere P1 = conjunto dos polinmios de grau 1.
Seja o operador linear D : P1 ! P1 dado por D(p) = x:p0 + p0 .Determine
os autovalores e autovetores de D:

124
 18. Sejam A; B 2 M (n; n) matrizes triangulares com a mesma diagonal prin-
cipal. Existe alguma relao entre seus autovalores? Qual?
19. Mostre que o conjunto de todos os autovetores de um operador linear
T : V ! V associados a um autovalor um subespao vetorial de V:

20. Se B = R 1 AR e ! v um autovetor de B associado a um autovalor

ento R!
v autovetor de A associado a :
21. Discuta a veracidade da armao: Se no um autovalor de A, ento
o sistema linear (A I)v = 0 s tem a soluo trivial.

ALGUMAS RESPOSTAS
10) Para calcular os autovalores de A; basta determinar as razes do polinmio
p( ) = det(A I):Para calcular os autovalores de AT ; basta determinar
as razes do polinmio p( ) = det(AT I): Portanto basta vericar que
det(AT I) = det(A I):

125
Captulo 5

APLICAES

5.1 Aplicaes da lgebra Linear na Engenharia

Cartogrca
Esse trabalho tem como um de seus objetivos, dar uma noo da utilidade
prtica dos assuntos vistos no ciclo bsico, alm de permiti-los conhecer um
pouco o trabalho em uma das engenharias estudadas no Instituto, visando assim
a multidisciplinalidade no curso de Engenharia. Trata-se do estudo da aplicao
de uma disciplina do curso bsico, a lgebra Linear, no ciclo prossional; no
caso, na Engenharia Cartogrca, onde ajustes e organizao de dados, obtidos
seha por satlites (GPS), seja por fotograas ou por qualquer outro meio, se
fazem constantes no trabalho de um engenheiro cartgrafo.
O engenheiro cartgrafo dispe de um mtodo, o mtodo dos mnimos quadra-
dos, para obter informaes relativas a parmetros de correo e ajuste de dados
obtidos em observaes e pesquisas. Para este mtodo os dados obtidos so or-
ganizados matricialmente, de forma que possam ser relacionados com valores
pr-estabelecidos, tais como temperatura, latitude, longitude, altitude, entre
outros. Obtem-se, desta forma, um sistema de n equaes lineares, onde esse n
pode assumir valores realmente grandes, resultando um sistema com milhares
de equaes. Sendo a resoluo de sistemas de equaes lineares um dos campos
de estudo da lgebra Linear.
Na Geodsia, por exemplo, as coordenadas de um ponto podem ser obtidas
na resoluo de um sistema obtido pela sujeio de dados obtidos de observaes
angulares ( tais como azimutes, ngulos e/ou direes ) a um determinado mod-
elo geomtrico.
As coordenadas tambm podem ser obtidas a partir da observao da difer-
ena de fase da portadora L1 e/ou L2, freqncias de operaes do satlite de
GPS.
A lgebra Linear tambm tem aplicaes na Fotogrametria, para a trans-
formao de coordenadas ( espao imagem para espao objeto, que seriam as

126
coordenadas de terreno, obtidas atravs de um sistema deduzido atravs de ob-
servaes nas fotograas e no terreno). Na digitalizao de documentos, por
exemplo, um mapa em papel, aps ser processado, d origem a um mapa digital
armazenado na forma vetorial ( lista de coordenadas ).
Tambm na rea de Sensoreamento Remoto, seja para o processamento dig-
ital de imagens, ou na modicao ou no controle de imagens ( brilho constante
e georeferenciamento ) ou ainda no armazenamento da imagem na forma ma-
tricial; utilzam-se tpicos abordados pela lgebra Linear, como sistemas de
equaes lineares e operaes com matrizes.

5.2 Aplicaes de espaos vetoriais na computao

grca
Autor: Luiz Antnio Pereira
Trabalho publicado na revista MICRO SISTEMAS de Novembro de 1982
Introduo: Uma das aplicaes interessantes em computadores e com
vasta possibilidade de emprego nas reas de engenharia civil, arquitetura, de-
senho industrial, mecnica, etc a representao grca, no plano, de elementos
tridimensionais.
Dentre todos os tipos de perspectivas a que apresenta resultados grco mais
interessantess a perspectiva cnica, posto que que a que simula com maior
perfeio a viso real do objeto. apresentaremos, a seguir, o desenvolvimento
da teoria matemtica e veremos que a ferramenta pricipal a teoria das tran-
formaes lineares.
Caracterizando o Objeto: Inicialmente deve-se informar ao computa-
dor as caractersticas geomtricas do objeto. isto possvel referenciado-se o
elemento a um sistema cartesiano de coordenadas, determinando-se dai as co-
ordenadas x; y e z dos pontos que o formam. Deve-se estabelecer tambm as
ligaes entre esses pontos com o uso de segmentos de retas. Com isso, obtm-se
um poliedro cujos vrtices so os pontos e cujas arestas so os segmentos de re-
tas. O efeito de curvatura pode ser obtido aumentando-se o nmero de vrtices
e arestas (renamento). Dessa forma todos os vrtices Pi , tero coordenadas
xi ; yi e zi , e as arestas akj ligaro dois vrtices genricos Pk e Pj :
De um modo geral, desenhar uma perspectiva consiste em ligar, atravs
de segmentos de retas pontos do plano cujas coordenadas x e y so "transfor-
maes"das coordenadas x; y e z dos pontos do espao. Mais explicitamente fa-
lando para cada ponto Pi (xi ; yi ; zi ) no espao determina-se um ponto P i (xi ; y i )
no plano tal que suas coordenadas xi e y i so funes de xi ; yi e zi e de um
conjunto de parmetros, que chamaremos de de parmetros de localizao do
observador e do plano projetante e que indicaremos por U: Matematicamente

(xi ; y i ) = f (xi ; yi ; zi ; U )

Como se sabe, a perspectiva cnica utiliza - alm das noes de objeto,

plano projetante e linha de visada - um ponto origem ou observador, de ondem

127
 Figura 5.1: Figura 1

partem as linhas de visada e que se localiza uma distncia nita do objeto e do

plano projetante. A projeo P do ponto P no plano a interseo da reta
denida pelo observador V e pelo ponto P (visada) com o plano projetante :
A projeo de uma reta obtida unindo-se as projees de dois de seus pontos
(Fig 1) e, de uma maneira geral, a projeo de um objeto determinada pelas
projees de todos os seus pontos.
No noso caso, o plano projetante a tela do computador. Para chegarmos
s expresses que fornecem x e y de cada ponto vamos estabelecer as seguintes
convenes:
1. O observador V tem coordenadas (xv ; yv ; zv )
2. Os n vrtices do objeto e suas projees so representadas por P1 a Pn e
P 1 a P n ; respectivamente.
3. A tela representa a rea formada por um retngulo de lados L1 e L2
unidades de comprimento. O plano desse retngulo perpendicular
linha que une o observador origem do sistema x; y; z de coordenadas.
4. A distncia R do plano projetante origem do sistema de eixos consider-
ada positiva se o plano se encontra do mesmo lado do observador em rela
origem, e negativa se a origem estiver entre o plano e o o observador.
5. O lado L1 ( maior lado) do retngulo paralelo ao plano z = 0:
6. O sistema xyz de coordenadas, bem comom os outros parmetros se ap-
resentam como mostra a Fig 2.

p
Fazendo A = x2v + yv2 + zv2 ; e se A 6= 0 podemos obter a equao do plano
projetante (segundo as convenes adotadas) da seguinte forma: Da frmula da

128
 Figura 5.2: Figura 2

distncia de ponto a plano temos

jax0 + by0 + cz0 + dj
d( ; P0 ) = p
a2 + b2 c2
onde P (x0 ; y0 ; z0 ) o ponto e !
n = (a; b; c) o vetor normal ao plano.
No nosso caso temos que P0 (0; 0; 0) e ! n = (xv ; yv ; zv ): Chamando R =
d(P0 ; ) ( o plano projetante) temos que R pode ser positivo ou negativo
e por isso dispensamos o mdulo na fmula da distncia, logo, tomando R
escrevemos,
xv 0 + yv 0 + zv 0 + d
R= p
x2v + yv2 + zv2
p
d= R x2v + yv2 + zv2 = RA
Portanto a equao do plano projetante :
xv x + yv y + zv z RA = 0 (5.1)
Para cada ponto Pi (xi ; yi ; zi ) a equao paramtrica da reta que o liga ao
ponto V (xv ; yv ; zv )

x = t(xi xv ) + xv
y = t(yi yv ) + yv (5.2)
z = t(zi zv ) + zv

129
Para determinarmos a interseo entre a reta e o plano projetante colocamos os
valores de (5.2) na equao (5.1) do plano, ou seja:

xv [t(xi xv ) + xv ] + yv [t(yi yv ) + yv ] + zv [t(zi z v ) + zv ] RA = 0 (5.3)

txv (xi xv ) + xv xv + tyv (yi yv ) + yv yv + tzv (zi zv ) + zv zv RA = 0

t [xv (xi xv ) + yv (yi yv ) + zv (zi zv )] + A2 RA = 0
t [xv (xi xv ) + yv (yi yv ) + zv (zi zv )] = RA A2
e dai tiramos o valor do parmetro t :

RA A2
t= (5.4)
xv (xi xv ) + yv (yi yv ) + zv (zi zv )
Com t; xi ; yi ; zi ; xv ; yv e zv conhecidos, e usando novamente as equaes
(5.2) determinamos as coordenadas x; y e z da projeo do ponto P no plano
projetante. Nessa fase estamos exatamente como a Fig 3.

Figura 3

De (5.4) e (5.2) com xi = yi = zi = 0; vem

130
 xv R
x0 =
A
yv R
y0 = (5.5)
A
zv R
z0 =
A
que so as coordenadas da origem do sistema xyz (g 5.2). Esse sistema nos
particularmente interessante pois o plano xy o prprio plano projetante.
O que nos resta a fazer , portanto, uma transformao de coordenandas, ou
seja, determinar as coordenandas dos pontos projees em relao ao novo sis-
tema xyz: Para isso, devemos determinar as componentes dos vetores unitrios
! ! !
i ; j e k no sistema xyz:
A interseo do plano projetante com o plano xy uma reta cuja equao
encontrada fazendo-se z = 0 em (5.1). Isso nos leva a:
RA xv x
y= (5.6)
yv
cujo grco est na Fig 4. O vetor diretor dessa reta tem componentes dadas
por:

! RA RA RA RA
w = (0; ; 0) ( ; 0; 0) = ( ; ; 0) (5.7)
yv ; xv xv yv ;
!
o vetor i um vetor unitrio e portanto
! 1
i = !! w
jwj

! 1 RA RA
i = r ( ; ; 0)
RA
2
RA
2 xv yv ;
xv + yv ;
! 1 1 1
i = q ( ; ; 0)
1
+ 1 xv yv ;
x2v yv2
! 1
i = p ( yv ; xv ; 0) (5.8)
x2v + yv2
! !
O vetor unitrio k tem sua determinao imediata pois o versor do vetor 00

131
(ver Fig 2 e equao 5.5)
!
! 00 1 xv R yv R zv R
k = ! = ; ;
xv R yv R zv R A A A
00 A ; A ; A
! 1
k = p (xv ; yv ; zv )
x2v + yv2 + zv2
! 1
k =(xv ; yv ; zv ) (5.9)
A
! !
Observe que o vetor k exatamente o versor do vetor V = (xv ; yv ; zv ) :
! ! ! !
Como nosso sistema ortogonal, o vetor unitrio j dado por j = k i;
ou seja
2
xv yv zv 3
A A A
! 6 p yv x
p 2v 2 07
j = det 4 x2v +yv2 xv +yv 5 (5.10)
! ! !
i j k
! 1
j = p zv xv ; zv yv ; x2v + yv2 (5.11)
A x2v + yv2
O sistema denido por es vetores unitrios no propriamente o nosso sitema
xyz e sim ele a menos de uma translao (Fig 5). Essa translao dever apenas
anular o vlaor da componente em o que no importa para ns j que estamos
interessados nas componentes x e y apenas.
O que temos que fazer agora determinar a matriz mudana de base da base
n! ! !o ! ! !
= i ; j ; k para a base = i ; j ; k ; ou seja, [I] Esta matriz nos
permitira
n! ! !o
= i ; j ; k = f(1; 0; 0); (0; 1; 0); (0; 0; 1)g

! ! !
= i; j;k

( )
1 1 1
= p ( yv ; xv ; 0) ; p zv xv ; zv yv ; x2v + yv2 ; (xv ; yv ; zv )
x2v + yv2 A x2v + yv2 A

Portanto 2 3
p yv p xv
0
x2v +yv2 x2v +yv2
6 2 7
[I] = 6 pxv 2+yv 2 7
2
zv xv
4 px2 +y2 p z2v yv 2 5
v v xv +yv xv +yv
xv xv zv
A A A

e as coordenadas do novo sistema so

132
 [v] = [I] [v]
2 3
2 3 p 2yv 2 p xv
0 2 3
x 6 xv +yv x2v +yv2
7 x
4y 5 = 6 p zv xv p z2v yv 2 x2v +yv2
p 7 4y 5
4 x2 +y2 xv +yv x2v +yv2 5
z v
xv
v
xv zv z
A A A

Observao 198 Algumas mudanas de notaes foram efetuadas em relao

ao trabalho original. Tambm foram inseridos alguns conceitos matemticos
que o artigo original no fornece mas que para nossa disciplina mostra bem
a utilizao dos conceitos vistos e sua aplicao prtica. No trabalho original
tambm fornecido um programa para a HP-45 onde aplicada toda a teoria
vista acima, mas no dicil fazer um cdigo de modo a gerar guras em 3d
utilizando a teoria vista acima

5.3 Aplicaes de autovalores e autovetores na

engenharia civil
5.3.1 O Problema de autovalor na avaliao de modelos
estruturais de edicaes
Trabalho apresenta no COBENGE 2003 por
Jos Guilherme Santos da Silva - jgss@uerj.br
Pedro Colmar G. da S. Vellasco - vellasco@uerj.br
Rita de Kassia D. Lopes - rita.lopes021@ig.com.br
Universidade do Estado do Rio de Janeiro, UERJ, Faculdade de Engenharia,
FEN
Rua So Francisco Xavier, N0 524, Maracan
CEP: 20550-900, Rio de Janeiro, RJ

Resumo: O presente trabalho apresenta uma contribuio inicial acerca de

dois aspectos: o primeiro diz respeito ao ensino de engenharia, com a aplicao
de conceitos referentes ao problema clssico de autovalores e autovetores na
avaliao de sistemas estruturais. O segundo ponto relevante a ser discutido, diz
respeito ao estudo da inuncia das ligaes entre as vigas e colunas, referentes
a estruturas de ao. Na prtica corrente de projeto, grande parte dessas ligaes
representada por modelos exveis ou rgidos. Todavia, na maioria dos casos
reais, essas ligaes assumem um comportamento intermedirio, ou seja: semi-
rgido. Assim sendo, este trabalho tem por objetivo empregar conceitos bsicos
de lgebra linear, a partir do problema clssico de autovalores e autovetores,
de forma a se analisar modelos estruturais de prticos de ao correspondentes a
uma edicao residencial existente. So investigadas as diferenas, qualitativas
e quantitativas, existentes entre as freqncias naturais e os modos de vibrao

133
dentre os diversos modelos estruturais (exvel, semi-rgido e rgido). Resulta-
dos j obtidos indicam que a variao na rigidez inicial das ligaes provoca
mudanas sensveis no comportamento dinmico da estrutura.
Palavras-chave: Ensino de engenharia, Estruturas de ao, Mtodo dos Ele-
mentos Finitos,
Autovalores, Autovetores.
1. INTRODUO
Sabe-se que o dcit habitacional brasileiro cresce a cada ano, concentrando-
se o problema, principalmente, nas famlias de baixo poder aquisitivo, de forma
que existe uma demanda crescente por estudos sobre as habitaes populares.
Neste sentido, o ao, como material estrutural adequado para a construo in-
dustrializada e pode proporcionar construo civil, perspectivas mais otimistas
para a habitao popular no pas.
Uma das etapas relevantes no projeto de estruturas de ao est relacionada
a uma avaliao coerente acerca dos modelos estruturais que representam o
comportamento real das ligaes existentes entre as vigas e as colunas de ao.
Na prtica corrente de projeto, a grande maioria dessas ligaes representada
por modelos exveis ou rgidos. Todavia, na maior parte dos casos, essas lig-
aes assumem um comportamento intermedirio, ou semi-rgido, o qual pode
ser perfeitamente caracterizado com base em determinadas grandezas associ-
adas ao projeto de uma ligao, tais como: resistncia exo e capacidade de
rotao. No que tange ao estudo do comportamento dinmico de estruturas,
assunto que ser abordado com mais detalhe no presente trabalho, mais especi-
camente no que diz respeito aplicao do problema clssico de autovalores
para determinao e avaliao das freqncias naturais (autovalores) e modos de
vibrao (autovetores) de edicaes residenciais, observase, com clareza, uma
absoluta falta de conhecimento por parte dos alunos de graduao acerca da
importncia do tema e, infelizmente, uma completa indiferena em relao ao
assunto.
Assim sendo, de forma a contribuir no que tange ao ensino de engenharia,
como tambm desmisticar o emprego corrente dos conceitos tericos, princi-
palmente aqueles relacionados ao problema de autovalores, faz-se uma exposio
resumida do referido problema, como tratado no ciclo bsico da engenharia, e de
como o mesmo poderia ser mencionado, de forma a que os alunos de graduao
pudessem ter uma idia bsica da aplicao prtica desses conceitos.
Em seguida, selecionado o projeto de uma edicao residencial de qua-
tro pavimentos, composto por vigas e colunas de ao e lajes lisas de concreto
armado, em todos os nveis da edicao. Tem-se como objetivo proceder a
uma anlise extensa das freqncias naturais (autovalores) e modos de vibrao
(autovetores) dos modelos referentes aos prticos de ao da referida edicao.
Um outro ponto relevante do trabalho diz respeito ao estudo da inuncia das
ligaes entre as vigas e colunas dos prticos de ao.
Neste sentido, o presente trabalho tem por objetivo apresentar uma apli-
cao prtica do problema clssico de autovalores e autovetores, no caso em
questo com respeito ao projeto de edicaes residenciais, alm de reforar a
importncia dos conceitos bsicos da disciplina de lgebra Linear para a soluo

134
deste tipo de problema.
2. O CICLO BSICO NA ENGENHARIA E O PROBLEMA DE
AUTOVALOR
O problema clssico de autovalores e autovetores, principalmente no que
tange a utilizao de operaes matriciais, est diretamente relacionado com
o ensino da disciplina lgebra Linear, oferecida correntemente aos alunos de
graduao no ciclo bsico da Faculdade de Engenharia da UERJ, FEN/UERJ.
O ensino da disciplina lgebra Linear no oferece nenhuma interao com
o ciclo prossional da engenharia e nenhum tipo de recomendao no que diz
respeito a sua extrema relevncia na aplicao prtica desses conceitos sobre os
problemas reais de engenharia. Tal fato no s desestimula o aluno de graduao
em engenharia, como tambm ocasiona um aprendizado de baixa qualidade,
propagando decincias tcnicas que sero sentidas, sem sombra de dvida, no
decorrer do curso.
Ainda hoje, a didtica de ensino adotada nas disciplinas do ciclo bsico sobre
o problema clssico de autovalores e autovetores baseada em mtodos estri-
tamente conceituais e matemticos. Tal metodologia apresentada a seguir,
respaldada por uma breve reviso sobre as denies de autovalor e autove-
tor, como visto tradicionalmente na disciplina de lgebra Linear, LIPSCHUTZ
(1977), NETTO e ADO (1995).
Seno vejamos: Seja T uma transformao linear em um espao vetorial real
V aplicada a um corpo |. Denomina-se autovalor o escalar real pertencente
a | ( 2 |) se, para esta transformao linear T , existe um vetor no-nulo
pertencente a V ( 2 V ) para o qual:

T (v) = (5.12)
Todo vetor no-nulo que satisfaa a equao 5.12 chamado autovetor
de T correspondente ao autovalor . Portanto, sendo A uma matriz quadrada
de ordem nxnsobre um corpo |, existe um autovalor se, para uma matriz
coluna vn 1 , denominada autovetor, A = verdadeiro.
Obs: Nos cursos de engenharia geralmente utilizamos como corpo | o corpo
dos nmeros reais, ou seja, no nosso caso | = RPara a obteno dos autovalores,
reescreve-se a equao 5.12 de modo que ( I A) = 0, que admitir v 6= 0
como soluo se, e somente se, det(A I) = 0: A expresso det(A I) = 0
denominada equao caracterstica, onde I a matriz identidade.
A contribuio mais relevante deste trabalho de pesquisa caracterizar que
o ensino do problema de autovalor como feito no ciclo bsico da engenharia,
de acordo com o exposto acima, absolutamente contrrio ao que se deveria
informar a um futuro engenheiro. No h relao alguma entre os termos espec-
cos (tais como, espao vetorial, corpo, etc.), utilizados no ensino da disciplina
de lgebra Linear e as grandezas empregadas correntemente na engenharia.
Ressalta-se que esses elementos tm o mesmo signicado das grandezas conheci-
das usualmente pelo engenheiro. Alm disso, em nenhum momento existe um
indicativo de onde e como o aluno de graduao, deve utilizar esses conceitos,
extremamente relevantes para a vida prtica de um prossional da rea, SILVA

135
(2001).
Uma sugesto para uma abordagem mais apropriada ao ensino do problema
de autovalor para os alunos de graduao em engenharia seria, inicialmente,
associar o termo autovalor s freqncias naturais e o termo autovetor aos modos
de vibrao de um elemento ou sistema estrutural qualquer, dando nfase ao
signicado fsico dessas grandezas, ROEHL (1981).
Seno vejamos: para um sistema estrutural qualquer sob vibrao livre no
amortecida, com vrios graus de liberdade, pode ser escrita uma equao ma-
tricial de movimento tal que,

M V + KV = 0 (5.13)
onde, M a matriz de massa, K a matriz de rigidez, V o vetor das aceleraes
e V o vetor dos deslocamentos.
As equaes que tornam possvel a resoluo do problema de autovalor, cujo
sistema vibra livremente e sem amortecimento, so as seguintes:
1
M K $20i I i =0 (5.14)
onde i o i-simo modo de vibrao, com i variando de 1 a n. A equao
5.14 verdadeira, para qualquer i , se
1
det M K $20i I = 0 (5.15)
onde I representa a matriz identidade.
A equao 5.15 comumente designada como equao caracterstica e suas
razes so os valores caractersticos, ou autovalores, e correspondem ao quadrado
das freqncias naturais de um sistema estrutural, $20i : A cada uma dessas razes
corresponde um vetor caracterstico, i , ou autovetor, que representa o modo
de vibrao do referido sistema.
Deve-se ressaltar, novamente, que o problema clssico de autovalores ab-
solutamente essencial para a compreenso e anlise de estruturas simples, tais
como trelias, vigas, prticos, placas, etc, como tambm de sistemas estruturais
mais complexos, dentre os quais podem ser citados os seguintes: edicaes res-
idenciais, pontes rodovirias e ferrovirias, torres de ao de telecomunicaes e
de transmisso de energia, estdios de futebol, passarelas de pedestres, edifcios
altos, plataformas o-shore, etc.

Observao 199 Algumas correes e adaptaes a nossa apostila foram necessrias

porm no foi alterado o contedo. Transcrevemos aqui apenas parte do tgra-
balho para ressaltar a aplicao de autovalore e autovetores. Crditos so dados
ao autor e o trabalho original pode ser obtido atravs dos anais do COBENGE
2003 ou me enviando um email solicitando o artigo original que terei a maior
satisfao de envi-lo.

136