lgebra Linear I

Sonia Elena Palomino Castro Bean

Daniel Noberto Kozakevich

2 Edio
Florianpolis, 2011
Governo Federal
Presidente da Repblica: Dilma Vana Rousseff
Ministro de Educao: Fernando Haddad
Coordenador Nacional da Universidade Aberta do Brasil: Celso Costa

Universidade Federal de Santa Catarina

Reitor: Alvaro Toubes Prata
Vice-Reitor: Carlos Alberto Justo da Silva
Secretrio de Educao a Distncia: Ccero Barbosa
Pr-Reitora de Ensino de Graduao: Yara Maria Rauh Mller
Pr-Reitora de Pesquisa e Extenso: Dbora Peres Menezes
Pr-Reitor de Ps-Graduao: Maria Lcia de Barros Camargo
Pr-Reitor de Desenvolvimento Humano e Social: Luiz Henrique Vieira Silva
Pr-Reitor de Infra-Estrutura: Joo Batista Furtuoso
Pr-Reitor de Assuntos Estudantis: Cludio Jos Amante
Centro de Cincias da Educao: Wilson Schmidt
Centro de Cincias Fsicas e Matemticas: Tarciso Antnio Grandi
Centro de Filosofia e Cincias Humanas: Roselane Neckel

Curso de Licenciatura em Matemtica na

Modalidade Distncia
Coordenao de Curso: Neri Terezinha Both Carvalho
Coordenao de Tutoria: Jane Crippa
Coordenao Pedaggica/CED: Roseli Zen Cerny
Coordenao de Ambientes Virtuais/CFM: Nereu Estanislau Burin

Comisso Editorial
Antnio Carlos Gardel Leito
Albertina Zatelli
Elisa Zunko Toma
Igor Mozolevski
Luiz Augusto Saeger
Roberto Corra da Silva
Ruy Coimbra Charo
Laboratrio de Novas Tecnologias - LANTEC/CED
Coordenao Pedaggica
Coordenao Geral: Andrea Lapa, Roseli Zen Cerny
Ncleo de Formao: Nilza Godoy Gomes
Ncleo de Pesquisa e Avaliao: Claudia Regina Flores

Ncleo de Criao e Desenvolvimento de Materiais

Design Grfico
Coordenao: Laura Martins Rodrigues, Thiago Rocha Oliveira
Projeto Grfico Original: Diogo Henrique Ropelato, Marta Cristina Goulart
Braga, Natal Anacleto Chicca Junior
Redesenho do Projeto Grfico: Laura Martins Rodrigues,
Thiago Rocha Oliveira
Diagramao: Kallani Maciel Bonelli, Karina Silveira
Ilustraes: Gabriela Dal To Fortuna, Kallani Maciel Bonelli
Capa: Rafael Naravan Kienen
Design Instrucional
Coordenao: Elizandro Maurcio Brick
Design Instrucional: Maria Carolina Machado Magnus
Reviso Gramatical: Daniela Piantola, Raquel Coelho, Tony Roberson De M.
Rodrigues

Copyright 2011, Universidade Federal de Santa Catarina/CFM/CED/UFSC

Nenhuma parte deste material poder ser reproduzida, transmitida e gravada, por qualquer
meio eletrnico, por fotocpia e outros, sem a prvia autorizao, por escrito, da Coordenao
Acadmica do Curso de Licenciatura em Matemtica na Modalidade Distncia.

Ficha Catalogrfica
K88a Kozakevich, Daniel
lgebra Linear I / Daniel Norberto Kozakevich, Sonia Elena
Palomino Castro Bean. 2. ed. Florianpolis : UFSC/EAD/CED/
CFM, 2011.
250 p. : il. ; grafs. , tabs.

Inclui bibliografia
UFSC. Licenciatura em Matemtica na Modalidade a Distncia
ISBN 978-85-8030-023-9

1. lgebra linear. I. Bean, Sonia Elena P. Castro. II. Ttulo.

CDU 512.64

Catalogao na fonte pela Biblioteca Universitria da UFSC

Sumrio
Apresentao.............................................................................. 7
1. Matrizes.................................................................................. 9
1.1 Matriz . ......................................................................................... 11
1.2 Tipos de Matrizes . ..................................................................... 16
1.3 Operaes com Matrizes............................................................ 24
1.4 Determinantes ............................................................................ 41
1.5 Matriz Adjunta: Adj (A).............................................................. 51
1.6 Inversa de uma Matriz............................................................... 55
Resumo............................................................................................... 71
Bibliografia Comentada.................................................................... 73

2. Sistemas Lineares................................................................ 73
2.1 Preliminares................................................................................. 75
2.2 Sistemas Lineares........................................................................ 80
2.3 Decomposio LU..................................................................... 108
Resumo . ...........................................................................................114
Bibliografia Comentada...................................................................115

3. Espaos Vetoriais............................................................... 117

3.1 Introduo...................................................................................119
3.2 Espaos Vetoriais....................................................................... 124
3.3 Subespaos Vetoriais................................................................. 133
3.4 Espaos Gerados.........................................................................148
3.5 Independncia Linear............................................................... 155
3.6 Bases e Dimenso.......................................................................166
3.7 Subespaos Associados a Matrizes e Computao de
Bases..................................................................................................189
3.8 Espaos Linha/Coluna e os Sistemas Lineares..................... 194
Resumo............................................................................................. 197
Bibliografia Comentada.................................................................. 199
4. Transformaes Linares................................................... 201
4.1 Introduo.................................................................................. 203
4.2 Operaes com Transformaes Lineares..............................216
4.3 A Imagem e o Ncleo de uma Transformao Linear......... 226
4.4 Transformaes Injetoras, Sobrejetoras e Isomorfismos...... 233
4.5 Representao Matricial de Transformaes Lineares........ 239
4.6 Matrizes e Transformaes Lineares, Equivalncias e
Propriedades.................................................................................... 247
Bibliografia Comentada.................................................................. 249
Apresentao
A lgebra Linear o estudo dos espaos vetoriais e das trans-
formaes lineares definidas entre eles. Quando os espaos tm
dimenses finitas, as transformaes lineares podem ser repre-
sentadas por matrizes. Tambm com matrizes podem ser repre-
sentadas as formas bilineares e, mais particularmente, as formas
quadrticas. Assim a lgebra Linear, alm de vetores e transfor-
maes lineares, lida tambm com matrizes e formas quadrticas.
So numerosas e bastante variadas as situaes, em Matemtica
e em suas aplicaes, onde esses objetos se apresentam. Da a im-
portncia central da lgebra Linear no ensino da Matemtica.

Neste livro se introduzem os conceitos da lgebra Linear, desde

os mais simples, que so as matrizes, at os mais abstratos, quan-
do se trata do estudo de espaos vetoriais. Todos esses conceitos
so apresentados, dentro do possvel, de uma forma acessvel, aju-
dando a compreenso com muitos exemplos, exerccios resolvidos
e propostos. Tambm, com o objetivo de facilitar a compreenso
do contedo, colocamos alguns tpicos com detalhes e justifica-
es que usualmente no so expostos nos livros tradicionais.

Este texto pretende fornecer conceitos suficientes para que os

estudantes consigam ter acesso ao nvel dos livros avanados.
Isto no significa deixar para trs as possibilidades que oferece a
utilizao de um software matemtico ou ignorar as aplicaes,
no favor de uma exclusiva e nica compreenso da Matemtica.
Significa que se pretende, principalmente, que o leitor obtenha
uma compreenso global dos conceitos (como por exemplo, que
a multiplicao de uma matriz por um vetor pode ser entendida
como a aplicao de uma transformao linear) e tambm consiga
acompanhar as provas e demonstraes.

O primeiro captulo trata de Matrizes e Aplicaes. No segundo

captulo, se estudam os Sistemas Lineares, comeando com uma
breve reviso dos conceitos da Geometria Analtica, para poder en-
tender em uma forma geomtrica como que tais sistemas podem
ser caracterizados. No terceiro captulo define-se Espao Vetorial,
um conceito bsico da lgebra Linear que proporciona unidade
e preciso aos assuntos essenciais da Matemtica. E finalmente,
o quarto captulo introduz a noo de Transformao Linear e as
relaes que existem entre transformaes lineares e matrizes.

Embora a apresentao esteja focalizada sobre os principais tpi-

cos da lgebra Linear, no pressupe que os estudantes possuam
desde o incio uma prtica em trabalhar com conceitos que de-
mandem certos nveis de abstrao, ainda que desejvel. Em lugar
disso, esta atividade estimulada atravs dos muitos exemplos e
exerccios que diferem das verificaes rotineiras ou uso de tc-
nicas de resoluo. O objetivo est colocado principalmente em
desenvolver, sendo o material usual de um curso de graduao, o
nvel de maturidade matemtica de um estudante da Licenciatu-
ra de Matemtica.

Sonia Elena Palomino Castro Bean

Daniel Noberto Kozakevich

Captulo 1
Matrizes
 Captulo 1
Matrizes

Ao finalizar o estudo deste Captulo voc ser capaz de

identificar alguns tipos de matrizes, fazer operaes e
provar propriedades e teoremas sobre matrizes. Tambm,
ser capaz de compreender e aplicar o conceito de matri-
zes em situaes reais.

1.1 Matriz
As matrizes so estruturas matemticas que podem ser encontra-
das em muitos problemas do nosso dia-a-dia. Por isso, neste cap-
tulo, iniciaremos o estudo das matrizes com um problema vindo
do nosso cotidiano.

Problema 1. J pensou que a temperatura que temos em cada esta-

o do ano pode ser registrada dia a dia e hora a hora (e at minuto
a minuto!), com ajuda de dispositivos especiais? Isso feito pelo
Instituto de Meteorologia de cada uma das regies. Considere a
seguinte situao:

As temperaturas de cinco cidades brasileiras nas primeiras horas da

manh de um determinado dia (durante o inverno) foram registra-
das da forma seguinte:

Cidade n 1: So Joaquim (SC) s 3 horas da manh apresenta

3 graus centgrados;

Cidade n 2: Rio de Janeiro (RJ) s 5 horas da manh apresenta

14 graus centgrados;

Cidade n 3: Turvo (SC) s 7 horas da manh apresenta 5

graus centgrados;

Cidade n 4: Florianpolis (SC) s 9 horas da manh apresenta

16 graus centgrados;
12

Cidade n 5: So Luis (MA) s 11 horas da manh apresenta

20 graus centgrados.

Essas informaes podem ser arranjadas em tabelas de vrias for-

mas, como as que apresentamos a seguir:

Temperatura
Cidade Cidade Hora
(C)
1 -3 1 3
2 14 2 5
3 5 3 7
4 16 4 9
5 20 5 11

Temperatura
Hora Hora Cidade
(C)
3 -3 3 1
5 14 5 2
7 5 7 3
9 16 9 4
11 20 11 5

Observe que dessa forma as informaes esto dispostas em forma

vertical, mas tambm podemos colocar as mesmas informaes em
forma horizontal.

Pergunta 1. De que forma podem ser arranjados os dados acima de

modo a estarem dispostos horizontalmente?

Se considerarmos H como sendo a hora e T a temperatura da cida-

de, ento, a terceira tabela pode ser disposta da seguinte maneira:

H 3 5 7 9 11
T (C) -3 14 5 16 20

Deixamos de atividade para voc completar essa disposio hori-

zontal no caso das outras tabelas.

Continuando com o Problema 1, suponhamos que por algum moti-

vo do nosso interesse os dados do arranjo dado pela ltima tabela.
 13

Assim, podemos formular o seguinte:

Em cinco cidades brasileiras, em determinadas horas, foram regis-

tradas as seguintes temperaturas:

H T (C)
3 -3
5 14
7 5
9 16
11 20

Observao. A mesma informao poderia ter sido colocada da se-

guinte forma:

H 3 5 7 9 11
T (C) -3 14 5 16 20

Os dois jeitos de arranjar os dados esto nos fornecendo o que deno-

minaremos como Matriz.

1.1.1 Definio de matriz

de nosso interesse Uma matriz um arranjo de nmeros, smbolos, letras, etc., dispos-
trabalhar apenas com
tos em linhas e colunas.
nmeros reais neste Livro,
assim sendo tudo o que
ser definido mais adiante,
no caso das matrizes ou 1.1.2 Ordem de uma matriz
vetores, ser com elementos
reais (mais adiante voc
ter a possibilidade de As matrizes geralmente so denotadas por letras maisculas e seus
trabalhar com nmeros elementos por letras minsculas. Se uma matriz possui m linhas e
complexos tambm!). n colunas diremos que a matriz tem ordem m n.

Exemplo 1. Denominemos por A e B as duas matrizes definidas no

Problema 1 e na Pergunta 1, respectivamente. Assim:

3 3
5 14
3 5 7 9 11
A= 7 5 e B= .
3 14 5 16 20
9 16
11 20
14

A matriz A tem 5 linhas e 2 colunas, ou seja, de ordem 5 2; j a

matriz B tem 2 linhas e 5 colunas e de ordem 2 5.

O elemento da 2 linha e 2 coluna da matriz A igual a 14, ou seja:

a22 = 14.

O elemento da 1 linha e 4 coluna da matriz B igual a 9, isto :

b14 = 9.

Quando uma matriz obtida por algum problema especfico (como

o explicitado no Problema 1), possvel fornecer alguma interpreta-
o aos seus elementos.

Por exemplo, as matrizes A e B do Exemplo 1 com elementos

a22 = 14 e b14 = 9 podem ser interpretadas da seguinte forma:

No segundo horrio (5 horas da manh) o segundo valor da temperatura

(no Rio de Janeiro) 14 graus.

So 9 horas da manh quando a temperatura em Florianpolis 16 graus.

E, claro, aps fornecermos todas as interpretaes podemos fazer

algumas concluses:

Eu gosto do frio, portanto irei para So Joaquim no inverno.

No, no gosto de tanto frio, por isso no inverno ficarei no Rio

de Janeiro.

Bom, voc deve estar se perguntando: onde est a matemtica nesse

papo todo? Se estiver fazendo esse tipo de questionamento est indo
por um bom caminho, pois a matemtica, por incrvel que parea,
est presente em muitas situaes! E isso que esperamos mostrar
ao longo deste material!

Lembrete. A partir de agora, sero apresentados vrios exerc-

cios que pediremos para voc resolver.
 15

Agora verifique se voc est acompanhando as discusses que fi-

zemos, resolvendo os seguintes exerccios.

Exerccio 1. Coloque mais alguma condio no Problema 1 para

construir uma matriz de ordem 3 x 5.

Dica: Imagine que os dados so colhidos durante 3 dias.

Exerccio 2. Ser que voc pode imaginar e criar um problema do

seu cotidiano diferente do dado acima para chegar a uma matriz?

Dada uma linha i e uma coluna j de uma matriz A, o elemento

na posio (i, j) ser denotado por aij . Assim, uma matriz com m n
elementos pode ser escrita na seguinte forma estendida:

a11 a12 a1 j a1n

a a22 a2 j a2 n
21

A=
ai1 ai 2 aij ain


am1 am 2 amj amn

Tambm podemos coloc-la na forma abreviada:

A = aij
mn

Assim, a matriz A de ordem m n possui m n elementos da forma

aij com i = 1, , m e j = 1, , n.

Alguns livros denotam a matriz A de elementos aij na forma

A = (aij ) mn .

Muitas vezes fornecida uma lei de formao para obtermos os ele-

mentos de uma matriz. Por exemplo, se A = aij com aij = i + j,
23
com m = 2 e n = 3, estaremos construindo a seguinte matriz A:

1 + 1 1 + 2 1 + 3 2 3 4
A= = .
2 + 1 2 + 2 2 + 3 3 4 5
16

Exemplo 2. Vamos obter a matriz B = (bij )34 , de ordem 3 4, cujos

elementos so da forma

i j , i = 1, 2
bij = .
0, i = 3
Soluo. Observe que no h nenhuma condio para os ndices j,
isto , j est variando conforme o nmero de colunas que a matriz
tem. J na 3 linha (i = 3) todos os elementos sero nulos. Assim
sendo, a matriz B dada por:

11 12 13 14 1 1 1 1

B = 21 22 23 24 = 2 4 8 16 .
0 0 0 0 0 0 0 0

1.2 Tipos de Matrizes

1.2.1 Matriz Retangular
So denominadas assim aquelas matrizes cujo nmero de linhas
diferente do nmero de colunas. Por exemplo:

0 1 2 3 4
1 1 7 2
3 8 0 0 0 1
A = 0 9 B = e C= ,
1 3 3 2 6 1 3 9
5 2
3 5 0 0 9

e podem ser colocadas na forma A = [ ]32 , B = [ ]45 e C = [ ]23. No

que segue podemos omitir a ordem na representao da matriz toda
vez que ela venha dada na forma estendida.

1.2.2 Matriz Linha

A matriz linha uma matriz que tem apenas uma linha. Por exemplo:

L = [1 2 3 4] M = (0 0 1 8).

Observao. comum colocarmos vetores no plano e no espao

como matrizes linha entre parnteses, onde os elementos esto se-
parados por vrgula. Exemplo: (0, 0,1, 8).
 17

1.2.3 Matriz Coluna

A matriz coluna uma matriz que tem apenas uma coluna. Por
exemplo: 0

2 1
B = 2 D = 1 .

2 4
3

Observao. Sabia que um vetor no plano (ou no espao) pode ser

considerado como uma matriz coluna? Mais adiante (captulo de
Sistemas Lineares) usaremos essa forma ao representar a soluo
de um sistema de equaes. Assim, se tivermos duas ou trs incg-
nitas elas podem ser alocadas numa forma vetorial no plano ou no
espao, respectivamente; voc tambm encontrar essa notao no
livro Um curso de geometria analtica e lgebra linear, citado na
bibliografia comentada.

1.2.4 Matriz Nula

A matriz nula uma matriz cujos elementos so todos nulos. Por
exemplo:
0 0 0 0
0 0
O= O = 0 0 0 0 .
0 0 0 0 0 0

Esses tipos de matrizes geralmente so denotados pela letra mais-

cula O e dependendo do problema dever discernir a ordem da ma-
triz no exerccio ou problema em questo. Alguns autores denotam
essa matriz da forma: O = 0ij .
mn

1.2.5 Matriz Quadrada

Uma matriz quadrada uma matriz onde o nmero de linhas
Para facilitar, usamos ape-
igual ao nmero de colunas. Nas seguintes matrizes, A uma ma-
nas a notao A = aij
n triz de ordem n e B uma matriz de ordem 3:
para representar, de forma
abreviada, matrizes qua-
dradas de ordem n.
1 1 1

A = aij B = 1 1 2
n
3 7 0

18

No caso de matrizes quadradas, possvel definir duas diagonais:

A diagonal principal de uma matriz quadrada est dada pe-

los elementos na posio i = j. Por exemplo, os valores 1, 1 e 0
so os elementos da diagonal principal da matriz B.

A diagonal secundria est dada pelos elementos da matriz

cujos ndices contabilizam o valor i + j = n + 1, assim, na mes-
ma matriz B dada acima os elementos 1, 1 e 3 so aqueles
cujos ndices sempre somam i + j = 3 + 1 = 4, esses elementos
so b13 , b22 e b31.

1 1 1
Exemplo 3: Considere a matriz B = 1 1 2 .
3 7 0

Os elementos {1, -1, 0} formam a diagonal principal e os elementos {3,

-1, 1} formam a diagonal secundria.

A partir de agora, falaremos um pouco mais sobre matrizes qua-

dradas.

1.2.6 Matriz Diagonal

A matriz diagonal uma matriz quadrada cujos elementos fora da
diagonal principal so nulos, isto , aij = 0 se i j. Por exemplo:

1 0 0
0 0
D = 0 3 0 E= .
0 0 6 0 1

Pelo fato das matrizes diagonais possurem elementos, quase sem-

pre no nulos. Apenas na posio (i, i ) que elas podem ser deno-
tadas como diag{d1 , d 2 , , d n }, ou ainda na forma diag{d1 , d 2 , , d n }
onde d1 , d 2 , , d n indicam os elementos diagonais. Por exemplo, a
matriz D dada anteriormente pode ser escrita como D = diag{1,3, 6}.

1.2.7 Matriz Identidade

A matriz identidade uma matriz diagonal onde todos os elemen-
tos da diagonal principal so iguais a um. geralmente denotada
 19

com a letra I e com um ndice que denota a ordem, como ilustrado

a seguir:
1 0 0 0

1 0 0 1 0 0
I2 = I4 = .
0 1 0 0 1 0

0 0 0 1

1.2.8 Matriz Triangular Superior

A matriz triangular superior uma matriz quadrada de ordem n
cujos elementos aij so nulos quando i > j. Isto :
a11 a12 a1n
0 a22 a2 n
A= .


0 0 ann

1.2.9 Matriz Triangular Inferior

A matriz triangular inferior uma matriz quadrada de ordem n
cujos elementos aij so nulos quando i < j, ou seja:
a11 0 0
a a22 0
A = 21 .


an1 an 2 ann

1.2.10 Matriz Simtrica

Uma matriz quadrada S , de ordem n, simtrica se aij = a ji , para
quaisquer valores dos ndices i, j. So exemplos de matrizes sim-
tricas:
1 0 1 3

0 1 0 1 4 5
S2 = S4 = .
Quando falamos de
1 0 1 4 0 0
elementos assumindo
qualquer valor real podemos 3 5 0 a
denot-los com a .
Nesse caso, o smbolo Observe que o elemento a na posio (4, 4) da matriz S 4 no tem
lido como pertence a e
denota os nmeros reais. valor numrico, isto , assume qualquer valor real.
20

Exemplo 4. Encontre os valores de t , w, s, z , a, b para obtermos S si-

mtrica:
a 2 0 t
x b w 0
S= .
z z 0 0

1 0 0 0

Soluo. Pela definio de matriz simtrica, todos os elementos sij da

matriz S devem ser tais que sij = s ji. Como a matriz de ordem n = 4
e considerando que i, j variam entre 1 e 4 (ou seja, i, j = 1, , 4 ),
encontramos que:
s21 = x = 2 = s12 .

Tambm:
s31 = z = 0 = s13,

e de forma similar:
s41 = 1 = t = s14 .

Assim,
t = 1.

Tambm,
s32 = z = w = s23 ,

como z = 0 e o oposto de zero ele prprio, ento:

w = 0.

Por ltimo,
s11 = a e s22 = b,

mas no h nenhuma condio para esses valores. Portanto, a e b

so valores reais quaisquer, isto , a, b .

1.2.11 Matriz Anti-simtrica

Uma matriz quadrada A anti-simtrica se aij = a ji . So exemplos
de matrizes anti-simtricas as matrizes:

0 2 6
0 1
A= B = 2 0 4
1 0 6 4 0
 21

Exemplo 5. Considere a matriz S fornecida no Exemplo 3; encontre

os valores de t , w, s, z , a, b para S ser uma matriz anti-simtrica.

Soluo. Usando um raciocnio similar ao usado no Exemplo 3 e con-

siderando que para cada valor de i e j deve se satisfazer aij = a ji ,
encontra-se x = 2, z = 0, t = 1, w = 0, a = 0 e b = 0. Assim:

0 2 0 1
2 0 0 0
S= .
0 0 0 0

1 0 0 0

Voc percebeu que os elementos da diagonal principal das

matrizes anti-simtricas fornecidas so todos nulos? Isso seria
apenas uma coincidncia? No exemplo seguinte, provaremos
que esse resultado vale para qualquer matriz anti-simtrica.

Exemplo 6. Prove que os valores da diagonal principal de uma ma-

triz anti-simtrica qualquer so todos nulos.

Soluo. Se A = aij uma matriz anti-simtrica de ordem n, os seus

n
elementos satisfazem a relao aij = a ji para quaisquer valores i, j.

Os elementos na diagonal principal encontram-se na posio i = j,

ento aii = aii .

Da, 2aii = 0 para qualquer valor de i. Em consequncia, aii = 0 para

qualquer i.

Um exemplo numrico que ilustra o que acabamos de provar foi

dado no Exemplo 4. Nele, voc encontrou que os valores diagonais
so todos nulos!

1.2.12 Matriz Elementar

Uma matriz denominada elementar se for obtida por meio de uma
nica mudana na matriz identidade. Essa mudana pode ser de
um dos seguintes tipos:
22

1) A troca de uma linha (ou coluna) por outra linha (ou coluna);

2) A multiplicao de uma linha (ou coluna) por um valor ;

3) A soma de uma linha (ou coluna), multiplicada pelo valor ,

com outra linha (ou coluna).

Exemplos:

a) A matriz elementar de ordem 2 obtida ao trocarmos a linha 1

pela linha 2 da matriz identidade de ordem 2 dada por:

0 1
E1 = .
1 0

b) A matriz elementar de ordem 4 obtida ao multiplicar na linha 3

da matriz identidade (de ordem 4) por 2 dada por:
1 0 0 0
0 1 0 0
E2 =
0 0 2 0

0 0 0 1

c) A matriz elementar de ordem 3 obtida ao multiplicar a linha 3

por 3 e somar com a linha 2 da matriz identidade (de ordem
3) dada por:
1 0 0
E3 = 0 1 0
0 1 3

Tambm, so matrizes elementares as matrizes:

1 0 0 0

1 0 0 1 0 0
A= B=
0 2 1 0 1 0

0 0 0 1

Agora com voc!

Exerccio 3. Como foram obtidas as matrizes elementares A e B
anteriores?
 23

1.2.13 Igualdade de Matrizes

Duas matrizes A e B, de ordem m n, so ditas serem iguais se
todos os seus elementos so iguais. Isso pode ser expressado com a
seguinte relao de igualdade:

O smbolo matemtico .
lido para todo. Na relao
dada, i, j lido para todo A expresso
i e para todo j.
aij = bij , i, j

tambm pode ser colocada como:

aij = bij , i {1, , m}, j {1, , n}.

Exemplo 7. Fornea condies para estabelecer a igualdade das ma-

trizes A e S dadas a seguir.

0 2 0 1 s11 2 0 1
2 0 2 t 2 y 2 t
A= S=
0 2 0 0 0 2 0 0

1 t 0 0 1 t 0 0

Soluo. Como as matrizes so de ordem 4, teremos i, j {1, , 4}.

Se A = S , ento, aij = sij i, j {1, , 4}, assim:

a11 = 0 = s11

a22 = 0 = s22 = y ,

da resulta:
y = 0.

Tambm,
a24 = t = s24 = t ,

com isso:
t .

Mais,
a42 = t = s42 = t

2t = 0,
24

que implica:
t = 0.

Por ltimo, como t e t = 0, implica t = 0.

1 1 1 1 1
Observao. As matrizes A = e B= possuem os mes-
1 1 1 1 1
mos elementos, mas no so iguais, voc pode justificar o porqu?

Agora com voc!

Exerccio 4. Quais so os valores de b para a matriz

1 1 1 1
b 1 b 1
A= ser simtrica?
1 b 1 1

1 1 b b

1.3 Operaes com Matrizes

A seguir, sero definidas as operaes de adio, produto por um
escalar e produto de matrizes.

1.3.1 Adio de Matrizes

Dadas as matrizes A = aij e B = bij , a adio das matrizes A
mn mn

e B a matriz C = cij , onde cij = aij + bij, i, j.

mn

Notao. C = A + B.

A + B = aij + bij
mn

0 2 0 1 s11 2 0 1
2 0
2 t 2 y 2 t
Exemplo 8. Se A = e S= , calcu-
0 2 0 0 0 2 0 0

1 t 0 0 1 t 0 0
le C = A + S para t , y e s11 quaisquer nmeros reais.
 25

Soluo. Ao aplicarmos a definio de soma de matrizes nas matrizes

A e S , teremos:
s11 4 0 2
0 y 0 2t
C= .
0 4 0 0

2 0 0 0

1.3.2 Produto de uma matriz por um escalar

Escalar
Dado o escalar , o produto da matriz A pelo escalar uma matriz
Na maioria dos casos, um da mesma ordem cujos elementos foram multiplicados pelo valor .
nmero real . pos- Em outras palavras, se A = aij e , o produto de A pelo es-
svel, tambm, tomarmos mn

os escalares como nmeros calar uma matriz C de elementos cij com cij = aij para todos os
complexos, . Os es- valores i, j definidos na matriz A. Isto :
calares podem ser tomados
de qualquer sistema numri- C = cij , tal que cij = aij , i, j.
mn
co no qual podemos somar,
subtrair, multiplicar e dividir
de acordo com as leis habi- Notao. C = A = aij .
mn
tuais da aritmtica.
Exemplo 9. Multiplique a matriz I 4 pelo escalar = 2.

Soluo.
1 0 0 0 2 0 0 0
0 1 0 0 0 2 0 0
C = I 4 = 2 =
0 0 1 0 0 0 2 0

0 0 0 1 0 0 0 2

Nota. Quando = 1, podemos escrever 1 A = A.

1.3.3 Produto de Matrizes

Dadas as matrizes A = [aik ]mt e B = bkj , o produto das matrizes A
t n

e B uma matriz C = cij cujos elementos cij so da forma:

mn

t
cij = aik bkj .
k =1
26

Isto , ao definirmos as matrizes

a11 a12 a1t b11 b12 b1n c11 c12 c1n
a a22
a2t b c c22 c2 n
b b2 n
A = 21 , B = 21 22 e C = 21 ,


am1 am 2 amt mt bt1 bt 2 btn tn cm1 cm 2 cmn mn

os elementos da matriz produto adotam a forma:

cij = ai1b1 j + ai 2b2 j + + ait btj

t
cij = aik bkj .
k =1

Note que o nmero de colunas da matriz A igual ao nmero de

linhas da matriz B.

t
Notao: C = AB = aik bkj .
k =1 34
2 3 4
Exemplo 10. Seja a matriz A = 3 4 5 e a matriz B, de ordem
4 5 6
3 4 com elementos bij = i j. Obter a matriz produto C = AB.

Soluo. Como o nmero de colunas de A igual ao nmero de

linhas de B, o produto pedido possvel. As matrizes explicitadas so
dadas respectivamente por:

2 3 4 1 1 1 1
A = 3 4 5 e B = 2 4 8 16 .

4 5 6 3 9 27 81

Para obtermos a matriz produto C = AB = cij com elementos

34

3
cij = aik bkj , i = 1, ,3, j = 1, , 4.
k =1

Percorrendo cada valor de i e j dado temos os elementos da:

Primeira linha:

c11 = (2)(1) + (3)(2) + (4)(3) = 2 + 6 + 12 = 20

c12 = (2)(1) + (3)(4) + (4)(9) = 2 + 12 + 36 = 50
c13 = (2)(1) + (3)(8) + (4)(27) = 2 + 24 + 108 = 134
c14 = (2)(1) + (3)(16) + (4)(81) = 2 + 48 + 324 = 374
 27

Segunda linha:

c21 = (3)(1) + (4)(2) + (5)(3) = 3 + 8 + 15 = 26

c22 = (3)(1) + (4)(4) + (5)(9) = 3 + 16 + 45 = 64
c23 = (3)(1) + (4)(8) + (5)(27) = 3 + 32 + 135 = 170
c24 = (3)(1) + (4)(16) + (5)(81) = 3 + 64 + 405 = 472

E, por ltimo, os da terceira linha:

c31 = (4)(1) + (5)(2) + (6)(3) = 4 + 10 + 18 = 32;

c32 = (4)(1) + (5)(4) + (6)(9) = 4 + 20 + 54 = 78;
c33 = (4)(1) + (5)(8) + (6)(27) = 4 + 40 + 162 = 206;
c34 = (4)(1) + (5)(16) + (6)(81) = 4 + 80 + 486 = 570 .

Sendo assim, temos a seguinte matriz:

c11 c12 c13 c14 20 50 134 374

C = c21 c22 c23 c24 = 26 64 170 472 .
c31 c32 c33 c34 32 78 206 570

Ao multiplicarmos matrizes devemos tomar cuidado com a or-

dem das linhas e colunas, ou seja, poderemos fazer o produto
de matrizes quando o nmero de colunas da primeira matriz
for igual ao nmero de linhas da segunda. Assim, a matriz
produto C ter um nmero de linhas igual ao nmero de li-
nhas da matriz A e um nmero de colunas igual ao nmero
de colunas de B.

1.3.4 Propriedades das Operaes com Matrizes

Considere A = aij , B = bij e C = cij mn , ento temos as se-
mn mn

guintes propriedades:

1) Propriedades da Adio

A1) Comutatividade: A + B = B + A;

A2) Associatividade: ( A + B) + C = A + ( B + C );

A3) Elemento Neutro da Soma: A + O = A , O = [0] mn ;

A4) Elemento Simtrico: A + ( A) = O ( A A = O).

28

Observao. A = 1 A = 1 (aij ) = aij

mn mn

Prova das Propriedades

A1) Comutatividade: A + B = B + A

Seja A = aij e B = bij

mn mn

A + B = aij + bij
mn mn

= aij + bij
mn

= (aij + bij ) .
mn

Usando a propriedade comutativa dos nmeros reais:

( x + y ) = ( y + x) , com x, y

temos:
= (bij + aij )
mn

= bij + aij
mn

= B + A.
Logo,
A + B = B + A.

A2) Associatividade: ( A + B ) + C = A + ( B + C ).

Consideremos A = aij , B = bij e C = cij .

mn mn mn

Da definio de soma de matrizes,

A + B = aij + bij
mn

e ( A + B) + C = (aij + bij ) + cij mn .

Usando a propriedade associativa dos nmeros reais:

( x + y ) + z = x + ( y + z ) com x, y, z .

Temos, ento:
= aij + (bij + cij ) .
mn

E usando a definio de soma de matrizes:

= aij + bij + cij

mn mn
 29

= A + ( B + C ).
Logo,
( A + B ) + C = A + ( B + C ).

A3) Elemento Neutro da Soma: A + O = A, O = [0] mn .

Seja A = aij e O = [0] mn

mn

A + O = aij + 0 = (aij + 0) .
mn mn

Pela propriedade dos nmeros reais:

x + 0 = x com x .
Ento,
aij + 0 = aij , i, j.

Com isso,
aij + 0 = aij = A.
mn mn

Logo,
A + O = A.

A4) Elemento Simtrico: A + ( A) = O.

Seja A = aij e A = aij . Logo,

mn mn

A + ( A) = aij + (aij ) .
mn

Pela propriedade dos nmeros reais:

x + ( x) = 0 com x .
Ento,
aij + (aij ) = 0, i, j.
Assim,
aij + (aij ) = [0] mn = O.
mn

Logo,
A + ( A) = O.

2) Propriedades do Produto por um Escalar

Sejam A e B duas matrizes da mesma ordem e , dois escalares,

ento:

M1) ( A) = ( ) A;

M2) ( A + B) = A + B;
30

M3) ( + ) A = A + A;

M4) 1 A = A.

Observao. Quando trabalhamos com matrizes, pode acontecer a Voc observou as diferenas
necessidade de multiplic-las pelo escalar zero, dando como resulta- entre o zero escalar e a
matriz zero, denotada pela
do a matriz nula. Isto , . letra O ?

Vejamos: se A = aij , O = [0] mn e o escalar nulo (0):

mn

O A = 0 aij
mn

= 0 aij
mn

= [0] mn
= O.

Prova das Propriedades

M3) ( + ) A = A + A.

Sejam , dois escalares e a matriz A = aij , ento:

mn

( + ) A = ( + ) aij
mn

= ( + ) aij .
mn

Usando a propriedade distributiva dos nmeros reais

( x + y ) z = xz + yz

para cada elemento da matriz, temos:

= ( aij ) + ( aij )
mn

= aij + aij .
mn mn

Pela definio de produto por um escalar,

= aij + aij
mn mn

= A + A.
Logo,
( + ) A = A + A.

M4) 1 A = A.
 31

Seja A = aij e o escalar 1 .

mn

1 A = 1 aij
mn

= 1 aij
mn

= (1 aij ) .
mn

Usando a propriedade do elemento neutro da multiplicao dos n-

meros reais,
1 x = x, x .
Temos:
1 aij mn = aij mn = A.
Logo,
1 A = A.

Agora com voc!

Exerccio 5. Prove as outras propriedades do produto de uma ma-
triz por um escalar.

Ao enunciar as propriedades 3) Propriedades do Produto de Matrizes

do produto de matrizes
no explicitamos a ordem Considere A, B e C matrizes, ento valem as seguintes proprieda-
das mesmas, por exemplo,
des de produto de matrizes:
em P1, ( AB )C = A( BC )
supomos possveis os
P1) Associativa: ( AB ) C = A ( BC );
produtos AB e BC , isto
, o nmero de colunas de
A igual ao nmero de P2) Distributiva: A ( B + C ) = AB + AC ;
linhas de B e o nmero de
colunas de B igual ao P3) ( A + B) C = AC + BC ;
nmero de linhas de C .
P4) ( AB) = ( A) B = A ( B ).

Prova das Propriedades

P3) ( A + B) C = AC + BC ;

Sejam as matrizes A = [aik ] m p, B = [bik ] m p, C = [ckj ] pn, ento:

( A + B) C = [(aik + bik )] m p . ckj .

p n

Usando a definio do produto de matrizes para A + B e C ,

temos:
p
= (aik + bik ) ckj .
k =1 mn
32

Usando a propriedade distributiva dos nmeros reais:

p
= aik ckj + bik ckj .
k =1 mn
Pela propriedade 2 dos somatrios e da definio de adio de ma- A lista de propriedades
encontra-se no final desta
trizes,
Seo.
p p
p p
ik kj ik kj
a c + b c = ik kj
a c + bik ckj
k =1 k =1 mn k =1 mn k =1 mn .

Pela definio do produto de matrizes:

= AC + BC .
Logo,
( A + B) C = AC + BC .

P4) ( AB) = ( A) B = A ( B ).

Seja , A = [aik ] mt e B = [bkj ] tn

t
( AB) = [aik ]mt [bkj ]tn = (aik bkj ) .
k =1 mn
Usando a propriedade do somatrio:
n n
c xi = cxi , c: constante,
i =1 i =1

temos:
t
= (aik bkj ) .
k =1 mn
Da propriedade associativa dos nmeros reais:

( xy ) z = x ( yz ) com x, y, z .

Temos:
t
( aik ) bkj .
k =1 mn
E, pela definio de produto de matrizes e produto de uma matriz
por um escalar,
= ( A) B.
Logo,
( AB) = ( A) B.
 33

Observao. importante observar que em geral AB BA, isso ser

ilustrado com o seguinte exemplo.

1 0 1 1
Exemplo 11. Dadas as matrizes A = e B = 1 0 , a matriz
0 1
1 1 1 1
produto AB = , entretanto BA = , verificando que
1 0 1 0
AB BA.

No ambiente virtual da disciplina voc encontrar algumas

atividades nas quais poder praticar tanto a multiplicao de
matrizes numricas, usando problemas do cotidiano, quanto a
aplicao das propriedades.

Agora com voc!

Exerccio 6. Prove as outras propriedades do produto de
matrizes.

1.3.5 Transposta de uma Matriz

Na literatura tambm Seja A = aij , a matriz transposta de A, denotada por A', aquela
mn
usual encontrarmos a
transposta de uma matriz matriz obtida trocando-se as linhas pelas colunas de A. Isto :
T
denotada como A ou
t
A , mas usaremos tal A = a ji .
n m
notao pelo fato de ser a
forma como trabalharemos
computacionalmente com 1 2 3
Por exemplo, se A = , a matriz transposta uma matriz
alguns softwares como 4 5 6 23
MATLAB ou SCILAB,
durante as nossas aulas ou de ordem 3 2 dada por:
no ambiente virtual.
1 4
A ' = 2 5 .
3 6 32

Observe que na matriz transposta cada elemento na linha i e co-

luna j aparece como sendo um elemento da linha j e coluna i da
matriz A.
34

Exemplo 12. Seja A uma matriz de ordem 2, encontre o valor de x

de modo que A ' = A.
1 x
A= .
1 0
Soluo.
1 1
A' = .
x 0
Como A ' = A uma condio do exerccio, ento:

1 1 1 x
x 0 = 1 0 .

Isso ser vlido apenas se x = 1.

Observao. Outra forma de definirmos a matriz simtrica usan-

do a matriz transposta. Assim, diremos que uma matriz simtrica
se ela coincide com a sua transposta, isto , A ' = A.

1.3.6 Propriedades da Matriz Transposta

Dadas as matrizes A e B, so vlidas as propriedades da matriz
transposta:

1) ( A ') ' = A;

2) ( A + B) ' = A '+ B ';

3) ( AB) ' = B ' A ';

4) ( A) ' = A ', .

Prova da Propriedade 3

( AB ) ' = B ' A '.

Sejam A = [aik ] m p , B = [bkj ] pn

p
AB = aik bkj
k =1 mn
= [cij ] mn .
 35

Assim:
p
cij = aik bkj .
k =1

Pela definio de transposta de uma matriz,

( AB) ' = [c ji ] nm

p
= a jk bki (1)
k =1 n m
Pode-se verificar que:
p p

b
k =1
jk aki = a jk bki .
k =1
(2)

Por outro lado:

BB' '==[[bbjkjk]]nnpp, , AA' '==[[aakiki]]ppmm .

Observe que k {1, , p}, e

p
B ' A ' = b jk aki
k =1 n m
(deixamos a voc a tarefa de pesquisar a propriedade do somatrio
usado), substituindo (2) e (1):

p
( AB) ' = b jk aki .
k =1 nm

Logo,
( AB) ' = B ' A '.

Agora com voc!

Exerccio 7. Prove as demais propriedades, justificando todos os

passos do seu procedimento.

Exerccio 8. Prove que se A ' = A, ento A anti-simtrica.

Exerccio 9. Dado um escalar no nulo , prove que, se A uma

1
matriz simtrica e B uma matriz anti-simtrica, ento, A si-

1
mtrica e B anti-simtrica.

36

Exemplo 13. Prove que toda matriz quadrada pode ser colocada
como a soma de uma matriz simtrica com outra anti-simtrica.

Soluo. Seja A = aij . Em primeiro lugar, vejamos que A + A '

n
uma matriz simtrica.

Seja A = aij e A = B + C com B simtrica e C anti-simtrica (am-

n

bas de ordem n). Isto , B ' = B e C ' = C .

Transpondo, A ' = B '+ C '.

Somando a ltima expresso na equao A = B + C , temos:

A '+ A = ( B '+ B ) + (C '+ C ).

Sendo B simtrica e C anti-simtrica:

A '+ A = 2 B .

Ento,
A + A'
B= .
2

Como C anti-simtrica, ao substituirmos as equaes:

A A ' = B + C B ' C '
= B B '+ (C C ')
= 2C

Ento:
A A'
C= .
2

Assim,
A + A' A A'
A= + .
2 2

1.3.7 Potncia de uma Matriz: Ap

Seja A uma matriz quadrada e p um nmero inteiro positivo, a
potncia p da matriz A, denotada por A p est definida por:

Ap =
A

A

p vezes
 37

Exemplo 14. Seja A = [aij ]n, com aij = i j, calcule A3, para p = 2,3, 4.

Soluo. Pela lei de formao fornecida obtemos facilmente o valor

de A:

Se n = 2,
0 1
A= .
1 0
Assim,

0 1 0 1 1 0
A2 = AA = = .
1 0 1 0 0 1
Se p = 3 ,

1 0 0 1 0 1
A3 = AAA = A2 A = = .
0 1 1 0 1 0
Deixamos como exerccio calcular A4.

Observaes:

1) Calcular A p equivale a calcular A p 1 A. Assim, se quiser encon-

trar A50, calcule A49 e multiplique o resultado por A (para o que
previamente calculou o valor de A48 e assim por diante).

2) Por definio, se p = 0 e A O, ento A0 = I .

1.3.8 Trao de uma Matriz

Dada A = aij , o trao de A, denotado por Tr ( A), o nmero dado

n
pela soma dos elementos da diagonal principal. Isto :
n
Tr ( A) = aii .
i =1

Por exemplo, se

1 1 1 0
0 0 2 5
A= Tr ( A) = 1 + 0 + 7 + 5 = 13.
3 4 7 1

0 0 0 5
38

1.3.9 Propriedades do Trao

Dados A = aij e B = bij , so verdadeiras as seguintes proprie-

n n
dades:

1) Tr ( A + B) = Tr ( A) + Tr ( B);

2) Tr ( A) = Tr ( A);

3) Tr ( A ') = Tr ( A);

4) Tr ( AB) = Tr ( BA).

Prova da Propriedade 1

Tr ( A + B) = Tr ( A) + Tr ( B)

Sejam A = aij e B = bij duas matrizes quadradas.

n n

Pela definio do trao,

n
Tr ( A + B ) = (aii + bii ),
i =1

e pela propriedade do somatrio:

n n
= aii + bii
i =1 i =1

= Tr ( A) + Tr ( B ).

Agora com voc!

Exerccio 10. Prove as outras propriedades.

Exerccios Resolvidos
1 1 7
1) Dada a matriz A = , encontre a sua transposta.
0 5 2 23
Soluo.
1 0
A ' = 1 5 .
7 2 32
 39

2) Encontre o trao de matriz identidade.

Soluo. Seja I n a matriz identidade de ordem n.

n
Tr ( I n ) = 1 = n.
i =1

3) Encontre o trao de uma matriz diagonal e de uma matriz

triangular de qualquer ordem.

Soluo. Usando a notao simplificada, temos a matriz diagonal

D = diag {d1 , d 2 , , d n }. Assim:
n
Tr ( D) = di .
i =1

Deixamos para voc o clculo do trao no caso de se ter uma ma-

triz triangular.

1.3.10 Propriedades de Somatrios

Os seguintes itens fornecem algumas propriedades de somatrios
teis para a prova das propriedades listadas anteriormente.
n n
a) b = b ;
i =1
i
j =1
j

n n n
b) (ai + bi ) = ai + bi ;
i =1 i =1 i =1

n n
c) bi ak = ak bi ;
i =1 i =1

n m m n
d) bij = bij .
i =1 j =1 j =1 i =1

Observao. No final deste Captulo voc encontrar um resumo de

todas as propriedades at aqui utilizadas, que servir de ajuda ao
resolver exerccios de demonstrao.
40

Agora com voc!

Exerccio 11. Dadas as matrizes:

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

1 4 5 3 1 17
encontre:

a) C = A + 2 B;

b) C = B 2;

c) tr ( A), tr ( B) e tr ( AB);

Expresse as matrizes A e B como somas de uma matriz simtrica

com outra anti-simtrica.

Exerccio 12. Sejam as matrizes A e B, de ordem 4, A = aij com

4
j i se i j
aij = , e B uma matriz simtrica com bij = i + j se i j.
0 se i < j
Encontre:

a) C = 2 A 3B.

b) C = B 2. C uma matriz simtrica?

Exerccio 13. Sejam A e B matrizes simtricas, justifique se os enun-

ciados a seguir so falsos ou verdadeiros:

A + B uma matriz simtrica.

AB uma matriz simtrica.

Nota. Se sua resposta for verdade, prove. Se for falsa, apresente um

contraexemplo.

Exerccio 14. Imagine uma situao cotidiana e procure problemati-

z-la de tal forma que voc possa fazer uso:

da soma de matrizes;
 41

da subtrao de matrizes;

do produto de matrizes.

1.4 Determinantes
1.4.1 Menor de uma Matriz: Mij
Dada uma matriz quadrada, A = [aij ] n , o menor da matriz A, deno-
tado por M ij, uma submatriz de ordem (n 1) obtida ao cancelar-
mos a linha i e a coluna j.

Assim, se:

a11 a12 a1 j a1n

a a22 a2 j a2 n
21

A= M ij = aij ( n 1).
ai1 ai 2 aij ain


an1 an 2 anj ann

Com:

a11 a1( j 1) a1( j +1) a1n

a(i 1)1 a(i 1)( j 1) a(i 1)( j +1) a(i 1) n
M ij = .
a(i +1)1 a(i +1)( j 1) a(i +1)( j +1) a(i +1) n


an1 an ( j 1) an ( j +1) ann

Exemplo:
2 3 4 5 6
0 0 1 3 4

Se A = 2 1 3 2 0 ,

0 0 0 1 0
1 1 1 1 1
42

ento, o menor M 34 obtido ao eliminarmos a linha 3 e a coluna 4,

isto :
2 3 4 6
0 0 1 4
M 34 = .
0 0 0 0

1 1 1 1

Similarmente, ao eliminarmos a linha 1 e a coluna 1, obtemos o

menor M 11.
0 1 3 4
1 3 2 0
M 11 = .
0 0 1 0

1 1 1 1

Agora com voc!

Exerccio 15. Verifique que A = aij (com n 2 elementos) possui n 2

n
menores.

Nessa parte da teoria assumimos que voc est familiarizado(a)

com o clculo de determinantes de matrizes de ordem 2 e 3. O valor
do determinante de uma matriz A denotado nas formas det ( A),
det A ou A . Por exemplo, se:

0 1
A= , ento det ( A) = (0)(0) (1)(1) = 1.
1 0
Similarmente, se:
1 2 3
B = 4 5 6 , ento:
7 8 9

det ( B) = (1)(5)(9) + (2)(6)(7) + (3)(4)(8) (3)(5)(7) (1)(6)(8) (2)(4)(9) =

= 45 + 84 + 96 105 48 72 = 0.

Com esses exemplos, estamos relembrando de forma rpida que o

determinante de uma matriz de ordem 2 calculado de uma nica Para lembrar esta regra
maneira: o produto dos elementos da diagonal principal menos o pesquise na Internet
ou em algum material
produto dos elementos da diagonal secundria. E o determinante de matemtica do
de uma matriz de ordem 3 calculado pela Regra de Sarrus. ensino mdio.
 43

1.4.2 Cofator de uma Matriz: Aij

O cofator Aij do elemento na posio (i, j ) de uma matriz A dado pelo
valor do determinante M ij , multiplicado pelo valor (1)i + j. Isto :

Aij = (1) i + j det ( M ij ).

Ou:
Aij = (1) i + j M ij .

2 3 4 6
0 0 1 4
Exemplo 15. Se A = , calcule A44, A11, A31, A33, A14, A23 e A32.
0 0 0 0

1 1 1 1

Soluo.
2 3 4
4+ 4
A44 = (1) M 44 = (+1) 0 0 1 = 0
0 0 0

0 1 4
1+1
A11 = (1) M 11 = (+1) 0 0 0 = 0
1 1 1

3 4 6
3+1
A31 = (1) M 31 = (+1) 0 1 4 = 19 18 = 1
1 1 1

2 3 6
3+ 3
A33 = (1) M 33 = (+1) 0 0 4 = 12 8 = 4
1 1 1

0 0 1
A14 = (1)1+ 4 M 14 = (1) 0 0 0 = 0
1 1 1

2 3 6
2+3
A23 = (1) M 23 = (1) 0 0 0 = 0
1 1 1
44

2 4 6
3+ 2
A32 = (1)
M 32 = (1) 0 1 4 = (18 14) = 4
1 1 1

Observe as mudanas de sinais dos elementos nas posies (i, j ),

isto , (1) i + j:
+ +
+ +
+ +
+ +

Em geral, para uma matriz de qualquer ordem, as mudanas de si-

nais dos elementos nas posies (i, j ) ((1)i + j ) so:

+ +
+
+ +

1.4.3 Determinante de A usando Cofatores

Dada A uma matriz de ordem n, A = aij .
n

Se n = 2, os menores e os cofatores da linha um da matriz de ordem

dois so dados respectivamente por:

M 11 = [a22 ], A11 = a22,

M 12 = [a21 ], A12 = a21.

E o valor do determinante ser:

a11 a12
det ( A) = = a11 a22 a21 a12
a21 a22
= a11 | M 11| + a12 ( | M 12 |)

= a11 A11 + a12 A12 .

Se n = 3, o valor do determinante da matriz (colocado em funo dos

cofatores relativos primeira linha) ser:
 45

a11 a12 a13

det ( A) = a21 a22 a23
a31 a32 a33
= a11a22 a33 + a12 a23 a31 + a13 a21a32 a31a22 a13 a32 a23 a11 a33 a21a12

= a11 (a22 a33 a32 a23 ) + a12 (a23 a31 a33 a21 ) + a13 (a21 a32 a31 a22 )

= a11 (+ | M 11|) + a12 ( | M 12 |) + a13 (+ | M 13 |)

3
= a11 A11 + a12 A12 + a13 A13 = a1 j A1 j .
j =1

Note que calculamos o determinante de A usando cofator onde i = 1.

Podemos usar qualquer linha da matriz. Por exemplo, com i = 2:

| A | = a21 ( | M 21|) + a22 (+ | M 22 |) + a23 ( | M 23 |)

3
= a21 A21 + a22 A22 + a23 A23 = a2 j A2 j
j =1

1 2 3
Por exemplo, se A = 4 5 6 o determinante usando a segunda
7 8 9
linha dado por:

| A | = 4 A21 + 5 A22 + 6 A23

= 4( M 21 ) + 5(+ M 22 ) + 6( M 23 )

= 4 (18 24) + 5(9 21) 6 (8 14)

= 24 60 + 36 = 0.

No caso geral de uma matriz de ordem n, o clculo do determinante

da matriz referido linha 1 (ou a qualquer linha k ) dado por:

| A | = a11 A11 + a12 A12 + + a1n A1n

n n
= a1i A1i = a1 j A1 j .
i =1 j =1

Se o desenvolvimento do determinante for referido a qualquer linha

k , temos: n
A = akj Akj ,
j =1

onde k um valor fixo.

46

Por exemplo, na matriz do Exemplo 14, calculamos o determinante

pelo desenvolvimento de cofatores referido linha 3 (pois tendo todos
seus elementos nulos evitaremos clculos desnecessrios). Assim:

A = 0 A31 + 0 A32 + 0 A33 + 0 A34 = 0.

Nota. Fica como regra: ao calcular o determinante usando cofatores,

escolha a linha (ou coluna) da matriz que tiver o maior nmero de
elementos nulos.

Similarmente, possvel fazer o desenvolvimento por colunas. Veja:

Astrnomo e matemtico
1) Usando a primeira coluna: francs, Marqus de Pierre
Simon de Laplace (1749-
A = a11 A11 + a21 A21 + + an1 An1. 1827) ficou conhecido
como o Newton francs.
Sua carreira foi importante
2) Deixamos para voc chegar ao seguinte desenvolvimento para por suas contribuies
uma coluna k qualquer: tcnicas para as cincias
n exatas, tanto pelo ponto
A = aik Aik . de vista filosfico que ele
i =1 desenvolveu durante sua
vida, quanto pela parcela
O desenvolvimento dado acima para encontrarmos o valor do deter- que tomou parte na
minante (usando linhas ou colunas) comumente conhecido como formao das modernas
disciplinas cientficas.
o desenvolvimento de Laplace.

1.4.4 Definio Geral do Determinante de uma

Matriz

Permutao
Dados os n nmeros (ou n objetos distintos) uma permutao des-
ses nmeros (ou objetos) consiste em disp-los em uma determina-
da ordem.

Exemplo 16. Considere os nmeros 1, 2 e 3, podemos orden-los de

vrias formas, por exemplo: (1 2 3), (3 2 1), etc.

O mesmo acontece quando escolhemos 4 nmeros, como 1, 2, 3 e 4.

Podemos orden-los, por exemplo: (1 2 3 4), (2 1 3 4), etc.

Notao. Uma permutao de n nmeros denotada por ( j1 j2 jn ).

 47

Nmero de Permutaes
Dados os nmeros 1 e 2 h duas permutaes, (1 2) e (2 1), ou seja, 2!
permutaes.

No caso dos nmeros 1, 2 e 3 as permutaes (1 2 3) e (3 2 1) so dois

exemplos, no total existem 3! permutaes. Quais so?

Dado n nmeros, 1, 2, , n , existem n ! permutaes.

Agora com voc!

Exerccio 16. Calcule o nmero de permutaes possveis de 4 n-

meros.

Inverso
o nmero de mudanas necessrias em uma permutao para vol-
t-la sua posio ordenada inicial.

Notao. Uma inverso de n nmeros ser denotada por:

J = J ( j1 j2 jn ).

Por exemplo, nas permutaes dadas acima:

J (1 2 3) = 0, J (1 2 3 4) = 0 e J (3 2 1) = 3.

No ltimo caso, embora o nmero 2 esteja na posio que lhe cor-

responde, para colocarmos os nmeros 3 e 1 nos seus lugares ser
necessrio fazermos assim:

(3 2 1) (2 3 1) (2 1 3) e por ltimo (1 2 3).

Ou (3 2 1) (3 1 2) (1 3 2) e por ltimo (1 2 3).

Em ambos os casos haver 3 inverses.

Exemplo 17. Construir uma tabela do nmero de inverses poss-

veis de 2 e 3 nmeros.

Soluo. Se n = 2 , considere os nmeros 1 e 2.

Permutao N de inverses
12 J (1 2) = 0

21 J (2 1) = 1
48

Se n = 3, considere os nmeros 1, 2 e 3.

Permutao N de inverses
123 J (1 2 3) = 0

132 J (1 3 2) = 1

213 J (2 1 3) = 1

231 J (2 3 1) = 2

312 J (3 1 2) = 2

321 J (3 2 1) = 3

Agora com voc!

Exerccio 17. Verifique que o nmero de inverses da permutao J

(4 3 2 1) igual a 6.

Exemplo 18. Construir uma tabela do nmero de inverses de 4

nmeros.

Soluo. Neste caso o nmero de inverses para cada permutao

( j1 j2 j3 j4 ) ser dado por J = J ( j1 j2 j3 j4 ) . O resultado ser co-
locado na segunda coluna da tabela.

Permutao N de inverses
1234 0
1243 1
1324 1
1342 2
1432 3
1423 2
2134 1
2143 :
2314 :
2341 :
2431 :
: :

Deixamos para voc completar a tabela.

 49

Determinante
Definio. Dada a matriz de ordem n, A = aij , o determinante de
n
A definido por:

det ( A) = (1) J a1 j1 a2 j2 anjn.

Onde J = J ( j1 j2 jn ) indica o nmero de inverses da permutao

( j1 j2 jn ), indica que o somatrio estendido a todas as n ! per-
mutaes dos nmeros 1, 2, , n.

Exemplo 19. Verifique o uso da definio nos casos dos determinan-

tes de ordem 2 e 3.

Soluo. Na soluo deste exemplo sero usados os resultados obti-

dos no Exemplo 15.

Se n = 2, ento = 2, assim:

det ( A) = (1) J ( j1 j2 )
a1 j1 a2 j2 = (1)0 a11 a22 + (1)1 a12 a21 = a11 a22 a12 a21.

Se n = 3 , = 6 e, assim:

det ( A) = (1) J ( j1 j2 j3 ) a1 j1 a2 j2 a3 j3

= (1)0 a11a22 a32 + (1)1 a11a23 a32 + (1)1 a12 a22 a33 + (1) 2 a12 a23a31 + (1) 2 a13a21a32 + (1)3 a13a22 a31

= a11a22 a33 + a12 a23 a31 + a13 a21a32 a13 a22 a31 a11a23 a33 a12 a21a33

Agora com voc!

Exerccio 18.

a) Obtenha o desenvolvimento para o caso de um determinante

de ordem 4.

b) Verifique a relao desse desenvolvimento com o desenvolvi-

mento dos cofatores.

Propriedades do Determinante

Considere A e B matrizes quadradas. Ento, valem as propriedades

dos determinantes.

1) Se A possui uma linha (ou colunas) de zeros, ento, det ( A) = 0;

50

2) Se A possui duas linhas (ou colunas) iguais, ento,

det ( A) = 0;

3) Se B obtida de A multiplicando-se uma linha (ou coluna) por

um escalar , ento, det ( B) = det ( A);

4) Se B obtida por troca das posies relativas de duas linhas

(ou colunas) da matriz A, ento, det ( B) = det ( A);

5) Se B obtida de A, substituindo-se a linha i (ou coluna) por

ela somada a um mltiplo escalar de outra linha j (ou coluna)
( j i ) ento, det ( B) = det ( A);

6) det ( A) = det ( A ');

7) det ( AB) = det ( A) det ( B).

Observaes. No objetivo do presente material didtico fazer as Mais detalhes a respeito

demonstraes das propriedades anteriores, porm as mesmas po- dessas demonstraes
podem ser encontrados no
dem ser provadas a partir da definio do determinante. livro de lgebra Linear, de
Callioli (1993), citado no
Na Seo 1.4.3, ao calcularmos o determinante usando cofatores, final deste Captulo.

usamos o desenvolvimento (referentes s linhas) dado por

n
det ( A) = aki Aki ,
i =1

onde k a k-sima linha escolhida.

Podemos enunciar uma oitava propriedade usando desenvolvimen-

tos similares.
n
8) aki Ali = 0 , l k , k , l valores fixos.
i =1

Verifiquemos a propriedade com o seguinte exemplo.

Se k = 1 , l = 2 e n = 2:
2

a
i =1
1i A2i = a11 A21 + a12 A22 .
 51

Assim, se
1 2
A= ,
3 4
ento:
A21 = 2 e A22 = 1,

dessa forma:
2

a
i =1
1i A2i = 1(2) + 2 (1) = 0.

Tambm, ao usarmos o desenvolvimento pelas colunas e escolhen-

do l = 2 , k = 1 , encontramos tambm que:
2 2

ail Aik = ai 2 Ai1 =2(4) + 4(2) = 0.

i =1 i =1

Agora com voc!

Exerccio 19. Use as operaes elementares e o Mtodo de Laplace

para encontrar o determinante das matrizes:

2 1 3 4 1 1 2 1
3 2 1 0 3
2 4 5 3 0 2
A= , B= , C = 2 1 4 .

2 2 1 0 1 1 2 2

6 1 17
2 1 3 1 1 2 1 1

Exerccio 20. Usando apenas as propriedades dos determinantes

mostre que det ( A) = det ( B) . Das matrizes,

a c + 2a a c
A= , B= .
b d + 2b b d

1.5 Matriz Adjunta: Adj (A)

Dada A = aij , a matriz adjunta de A dada por
n

Adj ( A) = (Cof ( A)) ',

onde Cof ( A) a matriz cujos elementos so os cofatores Aij da ma-

triz A, ou seja, a matriz onde cada elemento aij igual ao cofator
Aij da matriz A. Um exemplo para essa definio o seguinte:
52

1 2
Se B = , ento, os cofatores so:
2 4

A11 = (1)1+1 det[4] = 4

A12 = (1)1+ 2 det[2] = 2 4 2
Cof ( B ) = .
2 1
2 +1
A21 = (1) det[2] = 2
A22 = (1) 2+ 2 det[1] = 1

Assim,
4 2 4 2
Adj ( B ) = = .
2 1 2 1

Exemplo 20. Calcule a matriz adjunta de A dada por:

2 1 0
A = 3 1 4 .
1 6 5

Soluo. A matriz de cofatores de A dada por:

A11 A12 A13 19 19 19

Cof ( A) = A21 A22 A23 = 5 10 11 ,
A31 A32 A33 4 8 5

pois:
1 4
A11 = (1)1+1 det = 5 24 = 19
6 5
3 4
A12 = (1)1+ 2 det = (15 4) = 19
1 5
3 1
A13 = (1)1+3 det = 18 1 = 19
1 6
1 0
A21 = (1) 2+1 det = (5 + 0) = 5
6 5
2 0
A22 = (1) 2+ 2 det = 10 0 = 10
1 5
2 1
A23 = (1) 2+3 det = (12 1) = 11
1 6
 53

1 0
A31 = (1)3+1 det = 40 = 4
1 4
2 0
A32 = (1)3+ 2 det = (8 0) = 8
3 4
2 1
A33 = (1)3+3 det = 2+3= 5
3 1

Assim,
Adj ( A) = Cof ( A) '
19 19 19
= 5 10 11
4 8 5
19 5 4
= 19 10 8 .
19 11 5

Tambm, o determinante da matriz A det ( A) = 19 , pois

det( A) = a11 A11 + a12 A12 + a13 A13
= 2(19) + 1(19) + 0(19)
= 38 + 19 = 19

Observe que Adj ( A) A = det( A) I 3 ; considerando A do exerccio ante-

rior, temos:

19 5 4 2 1 0
Adj ( A) A = 19 10 8 3 1 4
19 11 5 1 6 5

(19) 2 + (5) (3) + 4 1 (19) 1 + (5) 1 + 4 6 ( 19) 0 + ( 5) 4 + 4 5

= 19 2 + 10 (3) + (8) 1 19 1 + 10 1 + (8) 6 19 0 + 10 4 + (8) 5
(19) 2 + (11) (3) + 5 1 (19) 1 + (11) 1 + 5 6 ( 19) 0 + ( 11) 4 + 5 5

19 0 0
= 0 19 0
0 0 19
1 0 0
= 19 0 1 0
0 0 1
= det( A) I 3
54

O prximo teorema mostra que essa afirmao vlida para qual-

quer matriz quadrada.

Teorema. Se A uma matriz de ordem n,

Adj ( A) A = A Adj ( A) = det ( A) I n .

Demonstrao.

a11 a1n A11 An1

A Adj ( A) =
an1 ann A1n Ann

n n n n n

a1 j A1 j a 1j A2 j a 1j A3 j a 1j A(n 1) j a 1j Anj
j =1 j =1 j =1 j =1 j =1

n n n n n
a2 j A1 j a 2 j A2 j a 2 j A3 j a 2j A(n 1) j a2 j Anj
j =1 j =1 j =1 j =1 j =1
n n n n n
a3 j A1 j a3 j A2 j a3 j A3 j a 3j A(n 1) j a A
3 j nj
= j =1 j =1 j =1 j =1 j =1


n n n n n

a(n 1) j A1 j a( n 1) j
A2 j a( n 1) j
A3 j a( n 1) j
A(n 1) j a(n 1) j Anj
j =1 j =1 j =1 j =1 j =1

n n n n n
anj A1 j anj A2 j anj A3 j a nj A(n 1) j anj Anj
j =1 j =1 j =1 j =1 j =1
Usando a Propriedade 8 dos determinantes nos elementos fora da
diagonal principal, temos:

n
a1 j A1 j 0 0 0
j =1
n
0 a 2j A2 j 0 0
j =1
A Adj ( A) = n
0 0 a 3j A3 j 0
j =1


n

0 0 0 anj Anj
j =1

Pelo desenvolvimento de Laplace (por linhas) temos o valor do deter-

minante:
 55

n
det ( A) = akj Akj , para cada k = 1, 2, , n,
j =1
isto :

det ( A) 0 0 0
0 det ( A) 0 0

A Adj ( A) = 0 0 det ( A) 0 ,


0 0 0 det ( A)

= det ( A) I n .

De forma similar, podemos encontrar

Adj ( A) A = det ( A) I n .

Assim, temos demonstrado que

Adj ( A) A = A Adj ( A) = det ( A) I n .

1.6 Inversa de uma Matriz

1.6.1 Matriz Singular
Definio. Uma matriz dita singular se o seu determinante nulo.
Caso contrrio, dizemos que a matriz no singular.

Por exemplo, a matriz

1 2
B=
2 4
uma matriz singular, pois

det( B) = 1 (4) [2 (2)] = 4 (4) = 4 + 4 = 0.

J a matriz identidade de ordem 3 no singular, pois det ( I 3 ) = 1.

Voc saberia dizer por qu?
Pense a respeito! Em geral, uma matriz identidade de ordem qualquer no singular.
56

1.6.2 Matriz Inversa

Definio. Seja A uma matriz quadrada de ordem n. Dizemos que A

inversvel se existe uma nica matriz B (da mesma ordem) tal que:

AB = BA = I n .

B denominada matriz inversa de A.

Notao. B = A1.
1 1
2 1 2 6
Por exemplo, se A = , a matriz B = a respectiva
0 3 0 1
3
matriz inversa, pois:

1 0
AB = BA = .
0 1

Propriedade. Se A inversvel, ento, A no singular.

Prova. Ser suficiente encontrar que o det ( A) no nulo. Demons-

trando por absurdo, supomos o contrrio, isto , det ( A) = 0, e deve-
mos chegar a uma contradio.

Assim, usando a Propriedade 7 dos determinantes:

det ( AB) = det ( A) det ( B)

= 0 det ( B) = 0.

Por outro lado, temos por hiptese que A inversvel, ento existe
B tal que AB = I, assim:

det ( AB) = det ( I )

= 1.

Assim, 0 = 1, impossvel, uma contradio!

Uma vez que a contradio foi encontrada, ento o enunciado verda-

Geralmente uma
deiro. Assim, a propriedade fica demonstrada. Logo, A no singular. contradio denotada
pelo smbolo .
O mesmo poder ser usado
Conhecendo que det ( A) 0, para A inversvel, uma forma de ve-
nas prximas provas.
rificar a existncia da matriz inversa ser encontrar o valor do de-
terminante da matriz. Aps essa verificao, o passo seguinte ser

encontrarmos a matriz inversa, A1. Como exemplo, nos casos das

 57

2 1 1 2
matrizes A = e B= , podemos afirmar que apenas
0 3 2 4
A possui inversa.

Como obtermos A1 ?

1.6.3 Clculo da Matriz Inversa usando a Matriz

Adjunta
Sabendo que existe A1, ento:

AA1 = A1 A = I .

Observe pela propriedade da matriz adjunta que

Adj ( A) Adj ( A)
A = A = I n.
det ( A) det ( A)

Assim, a nica possibilidade ser:

Adj ( A)
A1 = .
det ( A)

2 1 1
Exemplo 21. Se A = , encontre A .
0 3

Soluo. Encontramos facilmente que det ( A) = 6, e tambm a ma-

triz adjunta
3 0
Adj ( A) = .
1 2
Assim,
1 1
1 Adj ( A) 2 6 .
A = =
det ( A) 0 1
3
Agora com voc!
2 1 0
Exerccio 21. Seja A = 3 1 4 , verifique se sua matriz inversa
1 6 5
58

1 5 4
19 19
A = 1 10
1 8 .
19 19
1 11 5
19 19

1.6.4 Propriedades da Inversa de uma Matriz

Se A e B so inversveis, ento:

1) ( AB ) 1 = B 1 A1;

2) ( A1 ) 1 = A;

3) ( At ) 1 = ( A1 )t ;
1
4) det ( A1 ) = .
det ( A)

Prova da Propriedade 1
( AB) 1 = B 1 A1

Em primeiro lugar, vejamos se existe ( AB ) 1. Calculando det ( AB):

det ( AB) = det ( A) det ( B).

Por hiptese existem as inversas das matrizes A e B ( A1 , B 1 ), isto

, det ( A) 0 e det ( B) 0. Assim, det ( AB) 0 e com isso (AB) 1,
isto ,
( AB) ( AB ) 1 = I . (1)

Como:

A A1 = I e B B 1 = I .

Na segunda parte dessa ltima relao, multiplicamos em ambos os

lados pela inversa de A (pela direita):

( B B 1 ) A1 = I A1.

Associando e multiplicando por I, temos

B ( B 1 A1 ) = A1,
e multiplicando esquerda por A:

A ( B ( B 1 A1 )) = A A1.
 59

Voc tambm pode Associando novamente e, sabendo que AA1 = I , temos

considerar os seguintes
passos aps a expresso (2):
. (2)

Sendo que a existncia da matriz inversa nica e comparando as

expresses (1) e (2) conclumos que

( AB) 1 = ( B 1 A1 ).

Agora com voc!

Exerccio 22. Prove as propriedades 2, 3 e 4, justificando o seu pro-

cedimento.

Ao calcular a matriz inversa de A, usando a matriz adjunta, vimos

Adj ( A)
que A1 = , e nos exemplos aplicamos essa relao para ma-
det ( A)
trizes de ordem 2 e 3. E se a matriz for de ordem maior ou igual
a 4? O procedimento acaba sendo mais trabalhoso nesses casos.
Vejamos agora como podemos obter a matriz inversa sem usar
a matriz adjunta.

1.6.5 Clculo da Matriz Inversa por

Operaes Elementares
Seja A uma matriz no singular, portanto existe A1 e det ( A) 0.
Por definio, sabemos que

AA1 = A1 A = I .

Ento, a ideia encontrarmos uma matriz que ao ser multiplicada

por A ( direita ou esquerda) resulte na matriz identidade. Para
tal necessrio conhecer o que so aperaes elementares e fazer
uso das matrizes elemetares.

Operaes Elementares

Operaes elementares so realizadas na matriz com o objetivo de

invert-la, reduzi-la ou simplesmente coloc-la num formato especi-
ficado previamente. Elas podem ser de trs tipos:
60

1) A troca de uma linha (ou coluna) por outra linha (ou coluna);

2) A multiplicao de uma linha (ou coluna) por um valor

, com 0;

3) A soma de uma linha (ou coluna) multiplicada pelo valor ,

( 0) numa outra linha (ou coluna).

Se li e l j representam a linhas i e j da matriz e o escalar citado

anteriormente, ento, as operaes elementares dadas acima sero
denotadas respectivamente por:

a) li l j ;

b) li ;

c) l j li + l j .

Seja A uma matriz, se uma (ou vrias) operao elementar for efetu-
ada nessa matriz, obteremos uma matriz diferente, a qual denotare-
mos por . Assim, o processo efetuado ser denotado por:

operao ( es )
A
elementar ( es )

Exemplos:

Se realizarmos uma operao elementar na matriz identidade de or-

dem 2, I 2 , e trocarmos a linha 1 pela linha 2 da matriz, obteremos a
seguinte matriz elementar:

0 1
= .
1 0

A operao efetuada denotada por

l1 l2
I 2 .

Dada a matriz de ordem 4,

1 0 6 1
0 1 0 0
A= ,
3 0 2 0

0 1 0 1
 61

ao fazermos a operao elementar que multiplica a linha 3 da matriz

por 2, obtemos a seguinte matriz:

1 0 6 1
0 1 0 0
= .
6 0 4 0

0 1 0 1

Indicamos isso com:

1 0 6 1
0 1 0 0
(2 )I3
A .
6 0 4 0

0 1 0 1

Dada a matriz de ordem 3,

1 8 2
B = 0 1 0 ,
5 1 3

ao fazermos duas operaes elementares, obtemos a seguinte ma-

triz B :

3 24 6
15 2 9 = B
l2 (3)l3 + l2
B 3l1
5 1 3

Assim, a matriz B foi obtida:

1) multiplicando-se a linha 3 por 3 e somando-a linha 2 da

matriz B,

2) multiplicando a linha 1 por 3.

Observao. A operao elementar l2 (3) l3 + l2 indica a linha

onde a soma das linhas est acontecendo. No caso, a soma ser efe-
tuada na linha 2 da matriz.
62

Agora com voc!

1 0 0 0
0 0
2 0 1 0
Exerccio 23. Dadas as matrizes A = e B = 1 ,
0 2 0 1 0

0 0 0 1

encontre e B , aps as operaes elementares efetuadas em A e

l1 l2
B respectivamente. As operaes so indicadas por: A 2 l1
e
l4 2 l3 + l4
B 5l2
B .
l1 l2

Exerccio 24. Quais operaes elementares devem ser feitas de modo

a transformar a matriz C na sua forma triangular superior?

1 3 3
C = 0 1 1 .
1 2 0

Forma Escada de uma Matriz

Aps efetuarmos operaes elementares por linhas, na matriz inicial,

dizemos que ela est na forma escada se a matriz resultante obter:

a) O primeiro elemento no nulo de uma linha no nula deve ser

igual a 1;

b) A coluna que contm o primeiro elemento no nulo de alguma

linha tem todos os seus outros elementos (da coluna) iguais
zero;

c) Toda linha nula ocorre abaixo de todas as linhas no nulas (isto

, daquelas que possuem pelo menos um elemento no nulo);

d) Se as linhas 1, , r so linhas no nulas, e se o primeiro ele-

mento no nulo da linha i ocorre na coluna ki (a coluna k
referida linha i ), ento, k1 < k2 < < kr . (Exemplo: se i = 1 e
k1 = 3, ento, para i = 2, k1 < k2 significa que k2 ser maior que
3, e assim por diante).
 63

Exemplos:

As seguintes matrizes encontram-se na forma escada:

0 1 5 0 3
0 1 0
A1 = , A2 = 0 0 0 1 2 .
0 0 0 0 0 0 0 0

J as seguintes matrizes no esto na forma escada:

1 1 0 0 1 1 0 0
1 1 0 0 0 1 0 0
1 1 0 1 1 0
B = 0 1 0 , C = , D = 1 0 0 , E = .
0 0 1 3 0 1 1 1
0 0 1
0 0 1
0 0 0 1 0 0 0 0

Agora com voc!

Exerccio 25.

a) Observe as matrizes B e C. Que elementos devem ser trocados

para que elas fiquem na forma escada?

b) Justifique quais condies da forma escada de uma matriz no

so satisfeitas no caso das matrizes C e D.

Observaes:

1) Na prtica, a forma escada serve para transformar uma matriz

quadrada na sua forma triangular, na qual os elementos da
diagonal principal sejam uns ou zeros.

2) A prtica de reduzir uma matriz usando operaes elemen-

tares um exerccio muito til para obter a inversa de uma
matriz e resolver sistemas lineares.

Operaes Elementares versus Matrizes Elementares

Cada operao elementar representada por uma matriz elementar

(como definido na Seo 1.2) e o produto de sucessivas matrizes ele-
mentares pode nos conduzir matriz inversa. Veremos isso com os
seguintes exemplos e exerccios.
64

Exemplo 22. Dada a matriz A , converta-a numa matriz triangular

superior.

1 2 3 4
0 0 1 1
A=
1 2 0 0

1 1 9 3
Soluo.

1 2 3 4 1 2 3 4 1 2 34
0 0 7
0 1 1 l3 l1 + l3 0 1 1 l2 l4 0 1 4
l2 3
1 2 0 0 l4 l1 + l4
0 0 3 4

3 0 0 3 4
1 1 9 3 0 3 12 7
0 0 1 1
1 2 3
4 1 2 3 4
7 7
l4 l3
0 1 4 l4 3l3 + l4
0 1 4
3 l4 3 = .
0 0 1 1 7 0 0 1 1

0 0 3 4 0 0 0 1

Assim, uma matriz triangular superior.

Exemplo 23. Encontre matrizes elementares que representam as

quatro primeiras operaes elementares efetuadas no Exemplo 22.

Soluo. No Exemplo 22, foram efetuadas sete operaes elementa-

res. Cada uma delas representar, respectivamente, as matrizes ele-
mentares E1 , , E7. Assim, a primeira operao l3 l1 + l3 d ori-
gem matriz elementar:
1 0 0 0
0 1 0 0
E1 = .
1 0 1 0

0 0 0 1

Tambm, a operao elementar l4 l1 + l4 origina a matriz elementar:

1 0 0 0
0 1 0 0
E2 = .
0 0 1 0

1 0 0 1
 65

l
Similarmente, as operaes elementares l2 l4 e 2 originam as ma-
3
trizes elementares:

1 0 0 0
1 0 0 0 1
0 0 0
1 0 0 0
E3 = , E4 = 3 .
0 0 1 0 0 0
1 0
0 1 0 0
0 0 0 1

Agora com voc!

Exerccio 26. Quais foram as matrizes E5 , E6 , E7 no exemplo ante-

rior?

Observe que, nas matrizes do Exemplo 23,

1 2 3 4 1 2 3 4
0 0 1 1 0 0 1 1
E1 A = e E2 ( E1 A) = E2 ,
0 0 3 4 0 0 3 4

1 1 9 3 1 1 9 3
isto ,
1 2 3 4
0 0 1 1
E2 E1 A = .
0 0 3 4

0 3 12 7

Similarmente,
1 2 3 4 1 2 3 4
0 0 1 1 0 3 12 7
E3 ( E2 E1 A) = E3 =
0 0 3 4 0 0 3 4

0 3 12 7 0 0 1 1

1 2 3
4
7
0 1 4
e E4 E3 E2 E1 A = 3 .
0 0 3 4

0 0 1 1
66

Repetindo o processo, chegamos ao seguinte resultado:

1 2 3 4
7
0 1 4
E7 E6 E5 E4 E3 E2 E1 A = 3 ,
0 0 1 1

0 0 0 1

que a matriz triangular superior obtida no Exemplo 22.

Agora usaremos os conceitos anteriores para aprender a calcular

a matriz inversa usando operaes elementares.

O Exemplo 23 mostrou como ocorre o processo de reduo de uma

matriz de ordem 4 na sua forma triangular superior. Em geral esse
ser o processo para reduzir matrizes de ordem superior. Assim, se
A uma matriz no singular, encontraremos as matrizes elementa-
res que transformam a matriz na forma de uma matriz identidade,
isto , encontraremos as matrizes elementares E1 , E2 , , Ek tais que

Ek E3 E2 E1 A = I.

Assim, se B = Ek E3 E2 E1 estaremos afirmando que BA = I.

Com isso, e usando a definio de matriz inversa, a inversa da ma-

triz ser dada por

A1 = Ek E3 E2 E1.

A matriz inversa no mais do que o produto de matrizes elemen-

tares!

Ilustremos esse processo com o seguinte exemplo:

Exemplo 24. Usando matrizes elementares, vamos obter a matriz

inversa da matriz A :
1 2 3 4
0 0 1 1
A= .
1 2 0 0

1 1 9 3
 67

Soluo. Usando os resultados obtidos no Exemplo 23 (onde se en-

contraram 7 matrizes elementares, E1 , , E7 ,para reduzir a matriz na
forma triangular superior) obtivemos que

1 2 3 4
1 2 3 4
0 7
0 1 1 0 1 4
A= operaes
3 .
1 2 0 0 elementares
0
0 1 1
1 1 9 3
0 0 0 1

Como E7 E6 E5 E4 E3 E2 E1 A = , ento

det ( E7 E6 E5 E4 E3 E2 E1 ) det ( A) = det ( ).

Assim, det ( A) = 0 (por qu?) e A no singular ( A1 ). Continu-

ando o processo:

1 2 3 4
1 2 3 4
7 0
0 1 4 l3 l4 + l3 1 4 0 l1 4l4 +l1
3 7 l
0 l2 4 + l2 0 0 1 0 l2 4l3 +l2
0 1 1 3

0 0 0 1
0 0 0 1

1 2 3 0 1 0 0 0
0
0 l1 3l3 +l1 0
1 0 1 0 0
= I.
0 0 1 0 l1 2l2 +l1 0 0 1 0

0 0 0 1 0 0 0 1

Sero construdas mais 6 matrizes elementares E8 , E9 , , E13 , e

deixamos para voc a tarefa de explicit-las!

Temos, ento:

E13 E12 E8 E7 E1 A = I,

e, assim,

B = E13 E12 E8 E7 E1.

Isto ,

BA = I A1 = B.
68

Aps fazermos o produto, a matriz pedida :

8 18 17 2
7 7 21 3

4 9 19 1
7 7 21 3 .
A1 = E13 ...E8 ...E1 =
1 4 1
0
7 7 7
1 3 1
0
7 7 7

Observaes:

Ao tentar resolver o exemplo, voc pode verificar que o

conjunto de matrizes elementares encontradas no pro-
cesso de escalonamento no ser o nico, pois depende-
r da escolha das operaes elementares efetuadas, no
obstante a matriz inversa ser a mesma.

Fizemos questo de apresentar um exemplo com uma

matriz de ordem 4, com o objetivo de facilitar a compre-
enso do mtodo, alm de colocar uma prtica que usual-
mente no se expe em livros da literatura disponvel.

Um Mtodo Prtico

O processo anterior foi explicado para que voc entenda, passo-a-

passo, como uma matriz reduzida at ser convertida matriz iden-
tidade. Na prtica, toda vez que queiramos obter a matriz inversa de
uma matriz no singular, procedemos da seguinte forma:
operaes
[ A I ]
elementares
[ I A1 ],

ou seja, acrescentamos direita uma matriz identidade da mesma or-

dem da matriz e fazemos o processo de reduo. O ltimo resultado
ter uma matriz identidade esquerda, e direita a inversa da matriz
dada. Visto de outra forma, a matriz identidade da direita estar ar-
mazenando todas as operaes elementares efetuadas no processo.
 69

Exemplo 25. Use o mtodo prtico para obter a matriz inversa do

Exemplo 24.

Soluo.

8 18 17 2
7 7 21 3

4 9 19 1
7 7 21 3
assim: A1 = .
1 4 1
0
7 7 7
1 3 1
0
7 7 7
70

Agora com voc!

Exerccio 27. Use o mtodo prtico para encontrar as matrizes in-

versas:

2 1
a) da matriz A = .
0 3
1 0 0 0
0 0
1 0 1 0
b) das matrizes A = e B = .
0 2 1 0 1 0

0 0 0 1

Exerccio 28. Considerando as matrizes A, B e C, encontre a matriz

inversa, se possvel.
2 1 3 4
3 2 4 5
A= .
2 2 1 0

2 1 3 1

1 1 2 1
2 3 0 2
B= .
1 1 2 2

1 2 1 1

1 0 3
C = 2 1 4 .

6 1 17
 71

Resumo
Neste Captulo inserimos os conceitos bsicos que serviro de base
para o estudo dos prximos Captulos deste Livro. Em particular,
quando falamos de matrizes voc, alm de lembrar alguns conceitos
j aprendidos no ensino mdio, foi levado reflexo e observao de
propriedades antes desconhecidas, com a inteno de despertar a
sua capacidade lgica e, por que no dizer, a sua capacidade de abs-
trao, uma preparao aos conceitos que sero vistos no captulo
dos espaos vetoriais.

Voc poder encontrar tambm muita informao dos contedos

aqui fornecidos (e tambm os contedos dos prximos captulos) ao
navegar por stios com contedos matemticos (confiveis) da inter-
net. Um exemplo, entre outros, que lhe pode ser til dado ao aces-
sar o link:

<http://pt.wikibooks.org/wiki/Matem%C3%A1tica_Elementar:_Matrizes>.
Esse material de apoio,
bem como algumas Ainda, julgamos importante fornecer voc um resumo simplificado
atividades, pode ser
encontrado no ambiente das propriedades estudadas at o momento. Ele poder servir como
virtual de aprendizagem. material de apoio para o desenvolvimento dos exerccios de prova.

Propriedades das Matrizes

Adio de Matrizes

Sejam A = aij , B = bij e C = cij , ento:

mn mn mn

Comutatividade: A + B = B + A;

Associatividade: A + ( B + C ) = ( A + B ) + C ;

Elemento neutro: A + O = A ;

Elemento oposto: A + ( A) = O.

Produto de uma Matriz por um Escalar

72

Dados A = aij , B = bij e (um escalar real), ento:

mn mn

Distributividade: ( A + B) = A + B;

Distributividade: ( + ) A = A + A;

Associatividade: ( A) = ( ) A;

0 A = O.

Produto de Matrizes

Dados A = [aik ]m p , B = bkj e C = c jl (ordem conveniente), ento:

p n

A ( BC ) = ( AB) C ;

A ( B + C ) = AB + AC ;

( A + B) C = AC + BC ;

( AB) = ( A) B = A ( B), . (Um escalar real).

Observe que em geral AB BA. Tambm, AB = O, no implica A = O

ou B = O.

Transposta de uma Matriz

Dados A = aij e B = bij , ento:

mn mn

( A ') ' = A;

( A + B) ' = A '+ B '

se B = bij ;
n p

( AB) ' = B ' A ';

( A) ' = A ',, .

Trao de uma Matriz

Tr ( A + B) = Tr ( A) + Tr ( B);

Tr ( A) = Tr ( A);

Tr ( A) = Tr ( A ');

Tr ( AB) = Tr ( BA).
 73

Inversa de uma matriz

( AB) 1 = B 1 A1;

( A1 ) 1 = A;

( At ) 1 = ( A1 )t ;
1
det ( A1 ) = .
det ( A)

Bibliografia Comentada
BOLDRINI, Jos et al. lgebra linear. 3. ed. So Paulo: Harbra, 1980.

Essa referncia auxiliar para complementar e estender alguns conceitos

no apresentados, nos quais voc possa estar interessado(a) em conhecer
e se aprofundar.

CALLIOLI, C. A. et al. lgebra linear e aplicaes. 6. ed. [S.l.]: Atual

Editora, 1993.

Nesse livro, alm de contar com os contedos da lgebra Linear e Aplicaes,

voc encontrar as provas das propriedades do determinante de uma matriz
usando a definio.

KHLKAMP, Nilo. Matrizes e sistemas de equaes lineares. Florian-

polis: Ed. UFSC, 2005.

Esse livro possui mltiplos exemplos e problemas prticos que voc pode
resolver e, assim, acrescentar sua prtica. Tambm, so apresentados
algumas aplicaes e problemas de matrizes e sistemas lineares.

SANTOS, Reginaldo. Um curso de geometria analtica e lgebra linear.

Belo Horizonte: Ed. UFMG, 2001.

Essa referncia muito til para aplicar os conceitos usando alguns recursos
computacionais, assim como os detalhes de algumas provas teis de seu
interesse.
Captulo 2
Sistemas Lineares

A regra de Cramer um
teorema em lgebra linear
que d a soluo de um
sistema de equaes
lineares em termos de
determinantes. Recebe esse
nome em homenagem a
Gabriel Cramer
(1704-1752).
Captulo 2
Sistemas Lineares
Neste captulo, voc estudar conceitos e mtodos de reso-
luo de sistemas lineares que sero usados nos prximos
captulos. Para tal, como motivao lembraremos de algu-
mas questes da Geometria Analtica que nos ajudaro na
visualizao de certos casos que conduziram caracteri-
zao de sistemas lineares no plano e no espao. Tambm,
consideramos que voc conhea os mtodos convencionais
de resoluo de duas ou trs equaes com duas ou trs
incgnitas e a aplicao a regra de Cramer nesses casos.
A partir disso, levamos ao questionamento de o que fazer
em casos onde esses mtodos no so aplicveis.

2.1 Preliminares
Antes de iniciarmos, lembraremos de alguns conceitos de geometria
analtica que sero importantes para entender melhor o contedo
que ser dado neste captulo.

Uma vez que retas e planos so subconjuntos de 3, forneceremos

as notaes das retas dadas pelos eixos coordenados e dos planos
dados pelos planos coordenados.

Lembremos da notao de um ponto P qualquer do espao com

coordenadas x, y e z:
P = P ( x, y, z ) 3.

J a notao de um vetor a com componentes a1 , a2 , a3 dada por:

a = (a1 , a2 , a3 ).

z
P(x, y,z)
a=OP(x,y, z)

0 y
x
Figura 2.1. O ponto P e o vetor a.
76

2.1.1 Eixos coordenados

Os eixos coordenados so denotados na seguinte forma vetorial:

Eixo x
x = {x 3 / x = (1, 0, 0), }

x a = (1,0,0)

Figura 2.2. O eixo coordenado x.

Eixo y
y = {y 3 / y = (0,1, 0), }

x a = (0,1,0)

Figura 2.3. O eixo coordenado y.

Eixo z
z = {z 3 / z = (0, 0,1), }

a
y

a = (0,0,1)
x
Figura 2.4. O eixo coordenado z.
 77

2.1.2 Planos Coordenados

As formas vetoriais e cartesianas dos planos coordenados so da-
das, respectivamente, da seguinte maneira:

Plano XY

xy = {x 3 / x = (1, 0, 0) + (0,1, 0), , }

ou xy = {(x, y, z) / z = 0}

y
xy

x
Figura 2.5. O plano xy .

Plano YZ

yz = {x 3 / x = (0,1, 0) + (0, 0,1), , }

ou yz = {(x, y, z) / x = 0}

yz

Figura 2.6. O plano yz .

78

Plano XZ

xz = {x 3 / x = (1, 0, 0) + (0, 0,1), , }

ou xz = {(x, y, z) / y = 0}

xz

Figura 2.7. O plano xz .

No espao, seja uma reta qualquer que passa pelo ponto O vetor diretor, como o
P0 (x 0 , y 0 , z 0 ) com vetor diretor a = (a1 , a2 , a3 ). Ento, se t um nome j diz, determina a
direo da reta.
parmetro, um ponto P(x, y, z) de dado por:

x = x 0 + ta1;

y = y 0 + ta2 ;

z = z 0 + ta3.

Essa equao conhecida como a equao paramtrica da reta. So equaes equivalentes

equao geral da reta, da
forma x = f(t), y = g(t) e
Exemplo 1. Seja uma reta que passa pelo ponto (1,1, 2) e vetor z = h(t) , que relacionam as
diretor a = (1, 1, 0). Encontre uma forma de equacionar que no coordenadas x, y e z dos
pontos da reta com um
envolva o parmetro t. parmetro t.
Lembre dos contedos
Soluo. A equao paramtrica de : da disciplina de
Geometria Analtica.
x = 1 + t t = x 1
y = 1 t y = 1 (x 1) = 2 x

z = 2 + 0t = 2 z = 2
 79

Assim, t implica x . Isto , a reta pode ser equacionada na

forma:
y = 2 x
:
z = 2

z=2

x y
Figura 2.8. Grfico da reta do Exemplo 1.

A equao cartesiana (ou geral) do plano que passa pelo ponto

P0 (x 0 , y 0 , z 0 ) e vetor normal n = (a, b, c) dada por:

: ax + by + cz = d

Exemplo 2. Dado o tetraedro que passa pela origem e pelos pontos

(0, 0,1) , (1, 0, 0) e (0,1, 0) como indicado na Figura 2.9, considere a
face desse tetraedro no octante X + Y + Z+. Ento, o plano determina-
do por essa face tem equao:

: x + y + z =1

(0,0,1)

(0,1,0) y
x (1,0,0)

: x+y+z=1
Figura 2.9. Plano definido pela face de tetraedro com vrtice na origem.
80

Agora sua vez!

Verifique se voc est acompanhando as discusses que fizemos.

Resolva o exerccio que deixamos a seguir:

Exerccio 1. Encontre dois vetores do plano , mostrado na Figura

2.9 do Exemplo 2, e verifique que a equao dada por x + y + z = 1.

Exemplo 3. A reta do Exemplo 1 pode ser considerada como sen-

do a interseco do plano 1 : x + y = 2 e o plano 2 : z = 2, paralelo
ao plano cartesiano xy , conforme ilustrado na figura.

1
2

x
Figura 2.10. A reta obtida como interseo de dois planos.

Com o desenvolvimento desta seo e antes de iniciarmos a formu-

lao algbrica dos sistemas lineares, colocaremos as vrias possi-
bilidades de posies relativas entre retas e planos e os respectivos
conjuntos soluo. Logo depois, veremos a conexo desta seo com a
formulao algbrica a ser fornecida neste captulo.

2.2 Sistemas Lineares

Retas em 2

Em 2, uma reta com os seus infinitos pares de pontos (x, y) equa-

cionada na forma

ax + by = c (1)

As posies relativas entre duas retas no plano so:

a) Concorrentes, isto , a interseco um ponto. Assim, dadas

duas equaes, existe uma nica soluo;
 81

b) Coincidentes, isto , as retas so iguais. Isso equivale a dizer que

h muitas solues (ou, mais apropriadamente falando, infini-
tas!) ou, ao resolver duas equaes, existem infinitas solues;

c) Paralelas, isto , no h interseco entre elas. Quer dizer que

a soluo dada por duas equaes o conjunto vazio (ou no
existe soluo).

y y y
1

P 1= 2 1
2 2
x x x

a) 12= P b) 1= 2 c) 1//2

Figura 2.11. Posies relativas de retas no plano.

De forma similar, vejamos o que pode acontecer no caso de termos

planos em 3.

Planos em 3

Um plano

Dado um plano , os seus infinitos pontos (x, y, z) satisfazem a

equao linear:

ax + by + cz = d (2)

Dito de outra forma, o conjunto de pontos de um plano qualquer

dado pela soluo de uma equao linear com trs incgnitas.

x
Figura 2.12. O plano no espao.
82

Dois planos

As posies relativas entre dois planos, dados por duas equaes

lineares, so as seguintes:

a) Coincidentes, se cada ponto P(x, y, z) do conjunto soluo sa-

tisfaz ambas as equaes, ento, existiro infinitas solues;

b) Paralelos, isto , no existem pontos P(x, y, z) que satisfaam

simultaneamente as equaes de cada um dos planos, isto ,
no existem solues;

c) Concorrentes numa reta. Neste caso, a nica possibilidade

que a interseo dos planos seja uma reta de pontos P(x,y,z)
que satisfaz ambas as equaes. Dessa forma, haver infini-
tas solues.

z
z z yz
1//2

1=2 2
1 y
y y

x x xy
x
a) 1= 2 b) 12= c) yzxy= y

Figura 2.13. Posies relativas de dois planos no espao.

Trs Planos

As posies relativas entre trs planos so as seguintes:

a) Concorrentes num ponto. Existe uma nica possibilidade

para que as equaes dos planos sejam satisfeitas simultane-
amente, isto , existe uma nica soluo. Observe na Figura
2.14 a interseco dada pelos trs planos coordenados. Uma
forma prtica de visualizar essa situao olharmos para uma
esquina qualquer de uma sala de aula, na qual as paredes so
consideradas como trs pedaos de planos;

b) Interseo vazia. No h pontos (x, y, z) satisfazendo simul-

taneamente as equaes dos planos e dito que a interseo
vazia; assim, no existe soluo. Nessa situao, um exemplo
 83

prtico olhar trs faces quaisquer de um tijolo (cuja forma

um paraleleppedo), como indicado na Figura 2.15.

z z

yz
1
2
0
y y
xz 3
xy
x x

xyxzyz={0} 123=

Figura 2.14. Planos concorrentes num ponto. Figura 2.15. Planos no concorrentes.

c) Concorrentes numa reta, isto , a interseo dos planos

No ambiente virtual sero
exibidas essas e outras
situaes prticas do nosso
cotidiano que ilustram
as posies relativas
de retas e planos.
uma reta; portanto, existem infinitas solues. Nesse caso, um
exemplo prtico observarmos um livro aberto em que as fo-
lhas representam pedaos de planos que se interceptam na
lombada (e claro, teremos que imaginar uma lombada muito
fina!). Assim, a lombada seria um pedao da reta interseo.

z xz x
3

1
xy
xy123xz= x
y

Figura 2.16. Planos concorrentes numa reta.

Em cada uma das situaes dadas anteriormente, procura-se o

conjunto soluo de equaes com duas ou trs incgnitas (1) e (2).
Com o objetivo de generalizar, denotamos (x1 , x 2 ) as incgnitas da
equao (1) e (x1 , x 2 , x 3 ) as incgnitas da equao (2). Nesses casos,
escrevemos:
84

a11x1 + a12 x 2 = b1
a21x1 + a22 x 2 = b2 ,

no caso da interseo de duas retas em 2. Ou, na forma:

a11 x1 + a12 x2 + a13 x3 = b1
a 21 x1 + a 22 x2 + a 23 x3 = b2

no caso da interseo de dois planos.

Dadas m equaes com n incgnitas, um sistema linear, em geral,

apresentado na seguinte forma:

a11x1 + a12 x 2 + + a1n x n = b1

a21x1 + a22 x 2 + + a2 n x n = b2
(SLg),
am1x1 + am 2 x 2 + + amn x n = bm

em que SLg indica um Sistema Linear geral.

Assim, se
A mn = [a ij ]mn , X n1 = [x ij ]n1 e Bn1 = [bij ]n1,

o sistema dado pode ser representado matricialmente por

A mn X n1 = Bm1,

ou, simplesmente,

AX = B (SLm),

em que SLm indica um Sistema Linear na forma matricial.

A matriz A conhecida como matriz de coeficientes, X a matriz

das incgnitas e B, a matriz dos termos independentes.

Observao. A ordem da matriz de coeficientes define a ordem do

sistema. No caso, o sistema AX = B de ordem m n.

So exemplos de sistemas lineares:

i) 9 x y = 2 , ii) 2 x y + 3 z = 1, iii) x + y + z = 1
x + 4y = 0 xz =0
y + 7z = 2
 85

onde (i) um sistema de duas equaes com duas incgnitas e (ii)

um sistema de uma equao com trs incgnitas. J o sistema (iii)
possui trs equaes e trs incgnitas.

Agora com voc!

Exerccio 2. Com o intuito de verificar se voc lembra do contedo
da Seo anterior, fornea uma interpretao geomtrica dos siste-
mas lineares dados nos exemplos (i), (ii) e (iii).

Voc lembra de ter estudado a soluo de sistemas de ordem dois

ou trs (e com duas ou trs incgnitas), no Ensino Mdio? Nesses
casos os mtodos convencionais ou a regra de Cramer sempre eram
possveis de serem aplicados. Existem sistemas onde isso pode no
acontecer, por exemplo:

Exemplo 4. Resolver o seguinte sistema linear de equaes de or-

dem 3:
3x y + z = 4
x + 7 y 2z = 1
2x + 6 y z = 5

Soluo. Usaremos mtodos convencionais para resolver o sistema.

Enumerando cada equao:

3x y + z = 4 (1)
x + 7 y 2z = 1 (2)
2x + 6 y z = 5 (3)

Isolando z de (3), z = 2 x + 6 y 5, e substituindo em (1) e (2), obtemos:

3x y + 2 x + 6 y 5 = 4 5x + 5 y = 9 (4)

x + 7 y 2(2 x + 6 y 5) = 1 5 x 5 y = 9

Na ltima expresso, a primeira equao igual segunda, com

exceo do sinal. Ento, qual a soluo de (4), onde 5 x + 5 y = 9?
Os mtodos convencionais nesse caso no fornecem uma resposta.

3 1 1
Tambm, se A = 1 7 2 , observamos que det (A) = 0, ento o

2 6 1
mtodo de Cramer no pode ser usado! Voc sabe por qu?
86

Uma interpretao geomtrica do sistema dado corresponde a termos

trs planos se intersectando. A equao (4) junto (3) fazem-nos
obter a seguinte resposta:

5x + 5 y = 9 5x + 5 y = 9
ou (5)
z = 2x + 6 y 5 2x + 6 y z = 5

A expresso (5) corresponde a uma reta onde o parmetro t no apa-

rece explicitamente. Por exemplo, ao considerarmos z = t e uma ma-
nipulao algbrica simples no sistema (5), poderemos obter os valores
x, y, z em funo do parmetro t, da seguinte forma:
29 5
x= t
4 4
7 1
y= + t, t
20 4
z = 0+t

Essa forma similar ao que foi trabalhado no Exemplo 1, no ?

E, lembrando a Figura 2.16, estamos numa situao em que temos
infinitas solues!

Observe que a resposta do Exemplo 4 foi fornecida com uma

caracterizao da soluo e os conceitos aprendidos na Geo-
metria Analtica, mas... como podemos resolver esse exemplo
analiticamente?

Exemplos como o anterior, em que os mtodos convencio-

nais ou a regra de Cramer no podem ser usados, sero o
foco principal para o desenvolvimento dos conceitos nas
prximas Sees. Uma forma de contornarmos situaes
como as mostradas anteriormente nos conduzir ao uso do
escalonamento de matrizes. Assim, esses sistemas sero ca-
racterizados e as solues sero facilmente encontradas.

2.2.1 Posto e Nulidade de uma Matriz

Posto de uma Matriz

Definio. Dada uma matriz A de ordem m n, o posto da matriz

dado pela ordem da maior submatriz no singular da matriz dada.
 87

Notao: p(A)

Exemplo 5. Encontre o posto da matriz

1 3 5
A = 0 1 2 .
0 2 4

Soluo. Vejamos as submatrizes que podemos encontrar nesse caso.

Se n = 1,
[a 21 ] = 0 e h outras no nulas.

Se n = 2,
3 5 0 1
escolhemos A1 = e A 2 = 0 2 dentre outras possveis.
1 2
Calculamos agora os respectivos determinantes:
3 5 0 1
det = 11, det = 0.
1 2 0 2
Se n = 3, nesse caso a nica submatriz a matriz dada com

det(A) = 0.

Dessa forma, 2 a maior ordem da submatriz no singular, isto , o

posto de A igual a 2.

Observao. O mtodo no prtico para matrizes de ordem maior,

pois nesse caso teremos que calcular determinantes de matrizes
de ordem maior que 3 ou 4. Por exemplo, se A de ordem 7 com
determinante nulo, estaremos obrigados a calcular determinantes
de matrizes de ordem 5 ou 6! Logo depois de definir a nulidade
de uma matriz, apresentaremos uma forma prtica de calcular o
posto de uma matriz.

Nulidade de uma Matriz

Definio. Dada uma matriz A de ordem m n, a nulidade da ma-

triz dada pela diferena entre o nmero de colunas e o seu posto.

Notao: nul(A)

nul(A) = n p.
88

Exemplo 6. Encontrar a nulidade da matriz dada no Exemplo 5.

Soluo. No Exemplo 5, obtivemos que p(A) = 2 e, como n = 3,

temos:
nul(A) = 3 2 = 1.

Observaes:

O posto e a nulidade de uma matriz so utilizados na resolu-

o de sistemas lineares.

O posto e a nulidade de uma matriz esto associados dimen-

so do espao linha e o espao coluna da mesma. Esses concei-
tos sero vistos posteriormente.
O conceito de
independncia linear
As linhas no nulas obtidas ao reduzir uma matriz na sua forma ser estudado no
escada so ditas linhas linearmente independentes. prximo captulo.

Teorema. Se A uma matriz de ordem m n , o posto da matriz determi-

nado pelo nmero de linhas linearmente independentes da matriz.

, B
Por exemplo, sejam A, B e C trs matrizes e A suas respec-
eC
tivas formas reduzidas:
1 1 0 0
1 0 0
0 1 0 0 1 1 0 = 0 1 2 ,
A= , B = 0 e C
0 0 0 0 0 0

0 0 1
0 0 0 0

linearmente independentes. Ento, a matriz A s tem uma linha li-

nearmente independente, a matriz B tem duas linhas linearmente
independentes, e a matriz C trs linhas linearmente independentes.

Assim, os postos das matrizes A, B e C so respectivamente 1, 2 e 3.

Exemplo 7. Use o teorema anterior para encontrar o posto das ma-

trizes A e B :

1 2 2 0 1
1 3 5 1 1 0 1 0
a) A = 0 1 2 , b) B = .
0 0 1 1 1
0 2 4 33
1 5 4 1 2 45
 89

Soluo.

1 3 5
a) A = 0 1 2 ; aps escalonamento, obtemos a matriz

0 2 4
1 3 5
= 0 1 2 .
A
0 0 0

Essa matriz tem as duas primeiras linhas linearmente indepen-

dentes.

Assim, p(A) = 2 e, em consequncia, nul(A) = 1.

b) Similarmente, no caso da matriz B, aps operaes elementares,

chegamos forma:
1 2 2 0 1
3 2 1 1
= 0
B .
0 0 1 1 1

0 0 0 0 0

Assim,
p(B) = 3 e nul(B) = 5 3 = 2.

Agora sua vez!

Exerccio 3. Considerando a matriz B do Exemplo 7, use operaes

elementares para reduzi-la e obtenha o posto e a nulidade. Observe
que os valores do posto e da nulidade no mudam ao obtermos ma-
trizes reduzidas diferentes.

Propriedade. Se A uma matriz de ordem m n, ento

p(A) mn{m, n}.

Para exibir esse resultado, usaremos como exemplo a matriz B do

Exemplo 7, em que m = 4, n = 5, assim,

p(B) mn{4,5} = 4 p(B) 4.

De fato, p(A) = 3.
90

Observao. Usando a propriedade, observe que:

Se m < n, ento p(A) m.

Se m > n, ento p(A) n.

Como tarefa, faa uma pesquisa sobre a prova dessa proprie-

dade.

2.2.2 Matrizes Equivalentes e Sistemas

Equivalentes
Matrizes Equivalentes
Definio. Duas matrizes A e A so ditas matrizes equivalentes se
uma delas obtida ao fazermos operaes elementares na outra.

Assim, se A operaes
A so equi-
, dizemos que as matrizes A e A
elementares
valentes. Por exemplo, se

1 2 3 1 2 3
= 0 0 1 e
A = 0 0 1 , A
1 2 0 0 0 0

3 24 6 1 8 2
B= , B= ,
15 2 9 0 118 39

e B, B
ento, as duplas de matrizes A, A e
so equivalentes, pois A
B foram obtidas aps um processo de operaes elementares.

Agora sua vez!

Exerccio 4. Quais operaes elementares foram realizadas nas matri-

zes A e B para obtermos as matrizes A eB , citadas anteriormente?

Propriedade. Matrizes equivalentes possuem o mesmo posto.

Um modo de exemplificar essa ltima propriedade observarmos

que uma matriz elementar, E , sempre equivalente matriz identi-
 91

dade, I. Saberia dizer por qu? Sabendo-se que a matriz identidade

possui n linhas linearmente independentes, ento o seu posto ser
igual a n, p(I) = n , assim, p(E) = n.

Matriz Aumentada ou Ampliada

Dado o sistema (SLm), AX = B, a matriz aumentada ou ampliada do

sistema, denotada por A u , dada ao acrescentarmos na matriz de
coeficientes, A, a matriz dos termos independentes, B.

Notao: A u = [A B].

A u uma matriz de ordem m (n + 1), onde as n primeiras colunas

so dadas pela matriz A e a ltima coluna a matriz coluna dada
por B. Por exemplo, a matriz aumentada do sistema

x + 3 y + 5z = 1
x + 2 y + 7z = 2
2y + z = 3
dada por:

1 3 51
A u = 1 2 7 2 .
0 2 1 3

Ao fazermos operaes elementares na matriz A u , estaremos mu-

dando simultaneamente os elementos de B, ou seja, obtemos uma
= [A
matriz A B]
. Com isso, podemos dizer que o sistema inicial
u
foi mudado para um sistema da forma:
=B
AX .

Sistemas Equivalentes

=B
Dois sistemas, AX = B e AX , so ditos equivalentes se as matri-
= [A
zes aumentadas dos mesmos, A u = [A B] e A B]
, so matrizes
u
equivalentes.
92

Exemplo 8. Encontre as matrizes aumentadas dos sistemas lineares

(SLg1) e (SLg2) dados abaixo e verifique se eles so equivalentes.

x + 3 y + 5z = 1 x + 3 y + 5z = 1
x + 2 y + 7 z = 2 (SLg1) e y + 2 z = 1 (SLg2).
2y + z = 3 z =1

Soluo. As matrizes aumentadas dos sistemas (SLg1) e (SLg2) so, res-

pectivamente, dados por:
1 3 51 1 3 51
A u1 = 1 2 7 2 e A u2 = 0 1 21 .

0 2 1 3 0 0 11

Veja que, fazendo as trs operaes elementares, l2 l1 + l2,

l
l3 l3 + 2l2 e l3 3 sobre a matriz A u1, obtemos facilmente a ma-
5
triz A u2 , isto , A u1
operaes
elementares
A u 2. Assim, A u1 e A u2 so matrizes

equivalentes.

Propriedade. Sistemas equivalentes possuem a mesma soluo.

Assim, se a forma reduzida da matriz aumentada muito parecida

com a forma triangular ou diagonal, a propriedade sugere que ao
resolver um sistema linear suficiente resolver o sistema equivalen-
te obtido aps o escalonamento.

Dessa forma, usando mtodos convencionais nos sistemas dados no

Exemplo 8, verificamos que a soluo, em ambos os casos, x = 7,

7
y = 1, z = 1. Isto , X = 1 , agora pedimos que voc verifique o

1
resultado!

Com o contedo terico dado nas sees j apresentadas, estamos

prontos para apresentar o mtodo de soluo usando escalonamen-
to. Para isso, precisamos caracterizar os sistemas lineares!
 93

2.2.3 Caracterizao dos Sistemas Lineares

Um sistema linear pode ser:

a) Possvel (compatvel, consistente), se possui soluo.

Determinado: quando a soluo nica;

Indeterminado: quando h infinitas solues.

b) Impossvel (incompatvel, inconsistente), se no possui soluo.

Seja o sistema linear de m equaes com n incgnitas da forma:

AX = B.

Usando o conceito de posto no caso das matrizes A e A u ( p(A)

e p(A u ) ) caracterizamos as solues do sistema linear da seguinte
forma:

a) O sistema possvel se p(A) = p(A u ).

Se p = p(A), ento o sistema :

Determinado, se p = n .

Indeterminado, se p < n.

b) O sistema impossvel se p(A) p(A u ).

Exemplo 9. Caracterize os sistemas abaixo.

a) x + y = 1 b) x + y = 1
x + y = 2 x + y = 1

Soluo.

a) Considerando m = 2 e n = 2, o sistema pode ser colocado na se-

guinte forma matricial:

A X = B
1 1 x 1
1 1 y = 2

1 11 l2 l2 +l1 1 11
A u = [A B] = = Au
1 1 2 0 0 1
94

Pela propriedade do posto de matrizes equivalentes, temos que

p(A) = 1 e p(A u ) = 2. Como p(A u ) p(A), ento, o sistema im-
possvel.

b) Com m = 2 e n = 2, o sistema AX = B da forma:

1 1 x 1
1 1 y = 1

1 1 1 op. elem. 1 1 1
A u = [A B] = 0 2 0 = A u .
1 1 1

Assim, p(A) = 2 e p(A u ) = 2, por serem iguais ( p = 2 ), o sistema

possvel. Como n = 2 = p teremos, ento, um sistema possvel
e determinado.

O sistema equivalente ao sistema dado :

x + y = 1
.
2y = 0
Assim,
x = 1
.
y=0

Portanto,

x 1
X= =
y 0
a soluo do sistema dado.

Agora sua vez!

Exerccio 5. Com auxlio do contedo fornecido na Seo 2.2, inter-
prete geometricamente os sistemas (a) e (b) dados no Exemplo 9.

Graus de Liberdade de um Sistema Linear

Quando um sistema linear caracterizado como indeterminado,

usa-se o conceito de graus de liberdade. O mesmo ser denotado
pela letra g.
 95

Assim, se um sistema de m equaes com n incgnitas da forma

AX = B indeterminado, e se o posto da matriz de coeficientes p,
ento p(A) = p(A u ) = p < n, isto , n p > 0.

Dessa forma, definimos g = n p.

Observaes:

Os graus de liberdade do sistema, g, so sempre um valor po-

sitivo.

O valor de g ser associado ao nmero de variveis livres do

sistema.

Exemplo 10. Dado o sistema

x + y = 1,

encontre os graus de liberdade, indique as variveis livres e encon-

tre a soluo.

Soluo. A representao matricial do sistema

x
[1 1] = [1].
y
Nesse caso, m = 1, n = 2 e p(A) = p(A u ) = 1. Voc saberia dizer por
qu?

O sistema possvel e indeterminado; assim, g = 2 1 = 1. Isto , te-

mos uma varivel livre. Essa varivel pode ser escolhida como sendo
qualquer uma das incgnitas do sistema x ou y. Sem perda de gene-
ralidade, escolheremos a segunda, y.

Quais so as solues do sistema? Como o sistema possui infinitas

solues, consideramos y = r . Encontraremos todas as solues
por substituio direta:
x = 1 + y = 1 + r
y=r

Representando matricialmente:

x 1 + r 1 1
X= = = + r , r .
y r 0 1
96

Assim, o conjunto de solues do sistema dado :

x 2 x 1 1
/ = + r , r .
y y 0 1

Observao. Fazendo r = 0 ou r = 2, no sistema dado no Exemplo

10, teremos, respectivamente:

1 1
X1 = ou X 2 = .
0 2

Assim, X1 e X 2 so duas solues particulares do sistema dado.

Exerccio Resolvido
1) Dado o sistema:

x1 + x2 x4 = 0
x1 x3 + x4 = 2
x2 + x3 x4 = 3
x1 + x2 2 x4 = 1
2 x1 + x2 x3 x4 = 3

Encontre:

a) A forma matricial do sistema;

b) O posto e a nulidade da matriz de coeficientes;

c) Os graus de liberdade do sistema;

d) A caracterizao do sistema;

e) Calcular a soluo (se existir).

Soluo.

a) Considerando m = 5 e n = 4, o sistema na forma AX = B dado

por:
1 1 0 1 0
1 0 1 1 x1 2
x
0 1 1 1 2 = 3
x3
1 1 0 2 x 1
2 1 1 1 4 3
 97

b) Escalonando Au = [A B],

1 1 0 1 0 1 1 0 1 0
0 1 1 2 2
1 0 1 1 2 l l +l
2 1 2
l4 l1 + l4 l3 l2 + l3
0 1 1 1 3
l 2 l + l
0 1 1 1 3
l5 l2 + l5

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

1 1 0 1 0 1 1 0 1 0
0 1 1 2 2 0 1 1 2 2

0 0 0 1 1
l4 l3 + l4
0 0 0 1 1 ,
l5 ll24 +l5
0 0 0 1 1 0 0 0 0 0
0 0 0 1 1 0 0 0 0 0

assim:
p = p(A) = 3 e nul(A) = 1;

c) g(A) = n p = 4 3 = 1;

d) Como p(A) = p(A u ) = 3 < 4, ento o sistema indeterminado e

possui 1 varivel livre;

e) O sistema equivalente
x1 + x2 x4 = 0
x2 + x3 2 x4 = 2
x4 = 1

e, considerando x3 como sendo a varivel livre, isto , x3 = r ,

temos:
x4 = 1 x2 = 2 r + 2(1) = 4 r
.
x3 = r x1 = x2 + x4 = 3 + r

Assim, a soluo X igual a:

3+ r
4 r
X= , r ,
r

1
98

e o conjunto soluo, S , pode ser colocado na seguinte forma:

3+ r 3 1
4 r
4 1
S = X = , r = + r , r .
r 0 1

1 1
0

A soluo do exerccio nos fornece o mtodo comumente conhecido

como o mtodo de Gauss .

2.2.4 Mtodo de Gauss para Soluo de Sistemas

Lineares
Ao resolvermos os sistemas no Exemplo 10 e o exerccio resolvido
(1), optamos por escolher uma varivel livre (ou vrias, se fosse o
caso) e, por substituio a partir dela (ou delas), encontramos as ou-
tras variveis, usando o sistema equivalente. Esse mtodo conhe-
cido como o mtodo de Gauss para sistemas lineares.

Observemos com detalhes o que foi feito no exerccio resolvido (1).

Aps o escalonamento, chegamos ao seguinte sistema equivalente,
onde a quarta incgnita, x4 , ficou dada em forma explcita:
x1 + x2 x4 = 0 (1) (1)
x2 + x3 2 x4 = 2 (2) (2)
x4 = 1 (3) (3)

Com a equao (3), resolvemos x1 e x2 , e considerando a varivel

livre:
x3 = r
(4) (4)

Assim, substituindo (3) e (4) em (1) e (2), conseguimos o seguinte

resultado:
x1 + x2 (1) = 0
x1 + x2 = 1

x2 + r 2(1) = 2 (5)

x2 + r = 4
x2 = 4 r

x1 + x2 = 1 (6)

x1 4 r = 1
x1 = 3 + r
 99

Considerando que X = [ x1 x2 x3 x4 ]t e os resultados dados em

(6), (5), (4) e (3), temos a soluo geral:

x1 3 + r
x 4 r
X = 2 = , r .
x3 r

x4 1

Agora sua vez!

Exerccio 6. Duas solues do sistema no exerccio resolvido so
4 5
5 6
X1 = e X 2 = . Para quais valores de r isso acontece?
1 2

1 1

Observao. possvel escolher qualquer uma das incgnitas como

varivel livre.

No exerccio resolvido, nada impede de escolhermos x1 ou x2 como

variveis livres. Vejamos, como exemplo:

Se a varivel livre escolhida for x1 = s , teremos

em (1)
x1 + x2 x4 = 0
s + x2 (1) = 0
x2 = 1 s
em (2)
x2 + x3 2 x4 = 2
s 1 + x3 2(1) = 2
x3 = s + 1 4
x3 = 3 s

Assim, obtemos a seguinte soluo geral:

x1 s
x 1 s
X = 2 = , s .
x3 3 + s

x4 1
100

O conjunto soluo, nesse caso, :

0 1

1 1
S = +s , s .
3 1

1
0

4
5
Considerando s = 4, obtemos a soluo particular X1 = , ob-
1

1
serve que a mesma soluo encontrada anteriormente, em X1, do
Exerccio 6.

Agora sua vez!

Exerccio 7. Qual o valor de s para encontrarmos a outra soluo,

X 2 , do Exerccio 6?

Solues como Combinao Linear de Vetores

Agora, suponha um sistema indeterminado AX = B, onde n = 4 e

p = 2, que tenha duas variveis livres (g = 2) e cuja soluo geral fi-
que explicitada como sendo, por exemplo:

1 1 0
1 1 1
X = + r + s , r , s .
0 0 2

1 0 0

A soluo desse exemplo hipottico colocada como a soma de uma

soluo particular no nula e uma combinao linear de dois ve-
tores. Isso indica que, em geral, podemos expressar a soluo de
um sistema linear indeterminado qualquer como uma soma de uma
soluo particular e uma combinao linear de vetores (essa combi-
nao ter ter um nmero de vetores igual ao nmero de variveis
livres). Ou seja, toda vez que o sistema for indeterminado, a soluo
geral pode ser caracterizada por:

X = X p + t1X1 + t2 X 2 + + t g X g ,
 101

em que as solues X1, X2, ..., Xg sero denominadas solues bsi-

cas e Xp a soluo particular.

Exemplificaremos esse resultado nos dois exerccios seguintes, sen-

do que o primeiro ser resolvido detalhadamente.

Exerccios Resolvidos
2) Verifique que o seguinte sistema indeterminado e que a solu-
o pode ser colocada como a soma de uma soluo particular
e uma combinao linear de solues bsicas:

10 x2 4 x3 + x4 = 1
x1 + 4 x2 x3 + x4 = 2
3 x1 + 2 x2 + x3 + 2 x4 = 5
2 x1 8 x2 + 2 x3 2 x4 = 4
x1 6 x2 + 3 x3 = 1

Soluo. Considerando m = 5 e n = 4 , expressamos o sistema na

seguinte forma matricial:
0 10 4 1 1
1
4 1 1 2

3 2 1 2 X = 5 .

2 8 2 2 4
1 6 3 0 1

Usando o mtodo de Gauss,

1 4 1 1 2
1 4 1 1 2
0 10 4 1 2 1 1
1 0 1
l3 l3 3l1 l3 l2 + l3 5 10 10
0 10 4 1 1 = Au
l4 l4 + 2 l1

l5 l2 + l5 0 0 0 0 0
l5 l5 l1 l2

0 0 0 0 0 10
0 0 0 0 0
0 10 4 1 1 0
0 0 0 0
102

Como p = p(A) = p(A u ) = 2 < 4, ento o sistema indeterminado.

Os graus de liberdade do sistema so g = 2. Assim sendo, haver duas

variveis livres.

O sistema equivalente dado por:

x1 + 4 x2 x3 + x4 = 2 (1) (1)
2 1 1
x2 x3 + x4 = (2) (2)
5 10 10

Sejam x3 e x4 as variveis livres, isto ,

x3 = s , x4 = r com s, r . (3) (3)

Substituindo (3) em (2), obtemos:

2 3 1 1
x2 x + x4 =
5 10 10
(4)
1 2 1
x2 = + s r
10 5 10

Similarmente, substituindo (3) e (4) em (1):

x1 + 4 x2 x3 + x4 = 2

(5)

A soluo geral :

8 3 3
5 5 5

1 2 1
X = + s + r , s, r

10 5 10

0 1 0
0 0 1

Dessa forma, a soluo geral apresentada como a soma de uma

soluo particular,
 103

8 3 3
5 5 5

1 , e uma combinao linear dos vetores (matrizes) coluna 2 1
10 5 e 10 .

0 1 0
0 0 1

3) Verifique se o sistema dado a seguir indeterminado e encon-

tre a soluo geral.
x1 + 4 x2 6 x3 = 1
2 x1 8 x2 + 12 x3 = 2
2 x1 3 x2 + x3 = 0

Soluo. O sistema possui m = 3 equaes e n = 3 incgnitas e a

representao matricial dele dada por:

1 4 6 1
2 8 12 X = 2

2 3 1 0

Aps escalonamento (usando o mtodo de Gauss), obtemos que g = 1,

e considerando x3 como varivel livre, encontramos a seguinte solu-
o geral:
3 14
11 11

X = 2 + t 13 , t .
11 11
0 1

2.2.5 Sistemas Homogneos

Quando B = O no sistema dado por AX = B, o sistema dito ser
homogneo. Isto , um sistema homogneo um sistema linear da
forma:
AX = O, (SLh)

onde SLh indica ser um Sistema Linear homogneo.

104

Observe que, nesse caso, o posto da matriz igual ao posto da ma-

triz aumentada, uma vez que a ltima coluna da matriz aumenta-
da nula e permanecer inalterada aps as operaes elementares.
Dessa forma, o sistema sempre possvel!

Consideremos que A possua n linhas, ento, se o sistema for deter-

minado ( p = n ), haver n linhas linearmente independentes e obte-
remos a soluo nula, conhecida como soluo trivial. Voc pode
verificar, ao fazer substituio direta, aps o escalonamento, que
X = O. J no caso do sistema ser indeterminado, haver pelo me-
nos uma soluo bsica diferente da trivial a partir da qual (ou das Poderia justificar por qu?
quais) todas as outras solues so geradas.

Observao: Observe que, pelo desenvolvido na Seo anterior, a

soluo particular nesse caso ser sempre nula.

Vejamos os seguintes exemplos.

Exemplo 11. Encontre a soluo do seguinte sistema homogneo:

x1 + 2 x2 x3 = 0
x1 + 3 x2 = 0
x1 x2 x3 = 0

Soluo. Aps escalonamento, temos o seguinte sistema equivalente:

x1 + 2 x2 x3 = 0
x2 + x3 = 0
x3 = 0

Sendo que n = 3 e p = 3, ento, o sistema determinado. Assim, a

soluo a soluo trivial. Confirmamos isso resolvendo por substi-
tuio direta a partir da ltima equao, conseguindo:

0
X = 0 .
0

Voc pode facilmente verificar esse resultado.

 105

Exemplo 12. Encontre as solues bsicas do sistema homogneo

dado por:
1 4 6
2 8 12 X = O.

2 3 1

Soluo. Voc pode observar que o sistema dado corresponde par-

te homognea do sistema dado no ltimo exerccio resolvido. Nesse
exerccio, obtivemos um sistema indeterminado com um grau de li-
berdade, isto , o sistema homogneo possui uma soluo bsica da
forma:
14
11

X 1 = 13 .
11
1

Podemos expressar a soluo geral na forma:

14
11

X = tX1 = t 13 , t .
11
1

Propriedades

Dado o sistema linear AX = B com parte homognea AX = O, lista-

mos a seguir as seguintes propriedades.

Propriedade 1. A soluo de um sistema linear a soma da soluo

da parte homognea, X h, com uma soluo particular, X p , do siste-
ma no homogneo.

Prova. Por hiptese, X h soluo do sistema homogneo, isto ,

AX h = O e X p uma soluo particular do sistema no homogneo,
ou seja, AX p = B.

Vejamos se X p + X h soluo do sistema linear:

A(X p + X h ) = AX p + AX h.
106

Sendo que

AX h = O e AX p = B,

ento,
A(X p + X h ) = O + B
=B

Da que X p + X h soluo do sistema linear.

Exemplo 13. Agora vamos verificar a propriedade no sistema a seguir:

x1 + 2x 2 - x 3 = 1
x1 + 3x 2 = 0
x1 - x 2 - x 3 = 0

Soluo. A forma matricial do sistema dado :

1 2A 1 xX1 1B
1 3 0 x = 0
2 (1)
1 1 1 x3 0
A X B

O respectivo sistema homogneo

AX = O , (2) (2)

cujo sistema foi fornecido no Exemplo 11.

Ao resolvermos (2), obtemos:

0
x1 = x2 = x3 = 0 X h = 0 .
0

Ao resolvermos (1), temos

1
X p = 1 3 .
4 3
 107

Assim,

1
X = X p + X1 = 1 3 .
4 3

e a propriedade fica satisfeita.

Agora sua vez!

Exerccio 8. Anteriormente, resolvemos o sistema AX = B da forma:

0 10 4 1 1
1 x1
4 1 1 2
x2
3 2 1 2 = 5 (1)
x3
2 8 2 2 x 4
1 6 3 0 4 1

Com soluo geral:

8 3 3
5 5 5

1 2 1
X = + s + t , s, t .

10 5 10

0 1 0
0 0 1

A soluo do sistema homogneo respectivo, AX = O, da forma:

3 3
5 5

2 1
X h = s + t , s, t .
(2) (2)
5 10

1 0
0 1
108

a) Obtenha:

i) X n para t = s = 1.

ii) X h para t = 2 e s = 1.

b) Verifique a Propriedade 1 usando as solues obtidas nos itens

(i) e (ii). Utilize o mesmo conjunto de parmetros em cada caso.

Propriedade 2. Dado um sistema homogneo com soluo diferente

da trivial:

a) Se X e Y so solues, ento X + Y tambm soluo.

b) Se X soluo, ento X tambm soluo, para qualquer

escalar real.

Prova. Como exerccio, demonstre a Propriedade 2.

Observao. A Propriedade 2 tambm pode ser formulada da se-

guinte forma:

Se X e Y so solues do sistema AX = O, ento, X + Y tam-

bm uma soluo do sistema.

2.3 Decomposio LU
Algumas vezes, muito til fatorar um nmero natural em um pro-
duto de outros nmeros naturais (por exemplo, 6 = 2 3 , 45 = 3 3 5
etc.). Dessa mesma forma, pode ser muito til fatorar ou decompor
uma matriz como o produto de duas ou mais matrizes. Um exemplo
disso o seguinte:

3 1 1 0 3 1
9 5 = 3 1 0 2 . Embora o escopo desse
texto aborde apenas a
decomposio LU, voc
O que voc observa? H alguma caracterstica especial em cada uma deve saber que existem
das matrizes da fatorao dada? outros tipos de fatorao de
matrizes, igualmente teis:
fatorao QR, fatorao de
A decomposio de matrizes geralmente usada na resoluo de sis- Cholesky etc. Esses tpicos
so muito ricos e existem
temas de equaes lineares pelo mtodo da eliminao de Gauss, e vrias referncias que
particularmente adequada para implementao em computadores. apresentam esses assuntos.
 109

Vejamos como podemos realizar tal fatorao, seja qual for a ordem
da matriz. Para tal, considere um sistema de equaes lineares da
forma AX = B, em que A uma matriz de ordem n.

Exemplo 14. Seja A uma matriz de ordem n = 3 da forma:

2 1 3
A = 4 1 3 ,
2 5 5

escalone-a at obter uma matriz triangular superior.

Soluo. O escalonamento pedido pode seguir o seguinte processo:

2 1 3 2 1 3 2 1 3

A = 4 1 3 0 3 3 = U.
0 3 3
2 5 5 0 6 8 0 0 2

Lembra-se, no captulo anterior, do desenvolvimento realizado para

calcularmos a matriz inversa? Pois bem, desta vez, um procedimen-
to similar servir para decompormos uma matriz qualquer.

Seguindo com o exemplo dado acima, podemos observar que no

processo de decomposio podem ser associadas trs matrizes ele-
mentares E1 , E 2 , E 3 tais que

E 3 E 2 E1A = U.

Voc pode verificar que essas matrizes elementares so dadas por:

1 0 0 1 0 0 1 0 0
E1 = 2 1 0 , E 2 = 0 1 0 , E 3 = 0 1 0 .

0 0 1 1 0 1 0 2 1

Agora sua vez!

Exerccio 9. a) Verifique se o produto E 3 E 2 E1A = U.

b) Considere L1 = E 3 E 2 E1, verifique matricialmente que A = LU,

tambm encontre L - a mesma ser uma matriz triangular
inferior com elementos diagonais iguais a 1.
110

Voc observar que o mtodo est sendo introduzido numa forma

muito prtica, ao estudar o Exemplo 14 e resolver o Exerccio 9. Pois
bem, essa prtica fornecer a metodologia para calcular a decompo-
sio de uma matriz quadrada qualquer.

Suponha que A uma matriz de ordem n que permite ser escalona-

da sem precisar da permutao das suas linhas:
operaes
A
elementares
U,

isto , existem matrizes elementares E1 , E 2 , , E k tais que:

E k E 2 E1A = U.

Como visto anteriormente, cada matriz E i no singular; assim, o

produto E k E 2 E1 tambm no singular, isto , existe (E k E 2 E1 ) 1,
tal que
A = (E k E 2 E1 ) 1 U.

A matriz L = (E k E 2 E1 ) 1 uma matriz triangular inferior com ele-

mentos diagonais iguais a um (poderia dizer por qu?).

Dessa forma, obtemos a decomposio da matriz A como o produ-

to de uma matriz triangular inferior L por uma matriz triangular Mais detalhes da
metodologia, assim como
superior U , isto , um cdigo computacional
A = LU. da mesma, podem ser
encontrados no ambiente
de aprendizagem da nossa
importante ressaltar que o procedimento mostrado anteriormente disciplina.
foi desenvolvido sem a permutao das linhas da matriz. Em ge-
ral, ao escalonarmos uma matriz, poderemos precisar desse tipo de
operao elementar. Nesse caso, voc pode recorrer leitura das re-
ferncias dadas pelos livros de Leon ou Poole.

A decomposio LU serve para calcular a matriz inversa, o deter-

minante de uma matriz e para resolver sistemas lineares. neste
ltimo ponto, a resoluo de sistemas lineares, que enfocaremos a
praticidade desse mtodo no contedo desta Seo.

Dado o sistema linear

AX = B,
 111

e usando a decomposio A = LU, temos:

LUX = B.

Encontraremos X ao inserirmos uma nova varivel vetorial Y que

resolva o sistema
LY = B.

Assim, ao termos encontrado Y , resolvemos:

Y = UX ou UX = Y.

Nas duas situaes, voc pode reparar que foram resolvidos dois sis-
temas numa forma recursiva. Vejamos isso com o seguinte exemplo.

Exemplo 15. Resolver o sistema AX = B usando decomposio LU

2 1 3 2

de matrizes. Use a matriz A = 4 1 3 e B = 0 .

2 5 5 5

Soluo. Com o mtodo acima descrito e sabendo que

A = LU,

isto :
1 0 0 2 1 3
A = 2 1 0 0 3 3 ,
1 2 1 0 0 2
temos LY = B ou

1 0 0 2 y1
2 1 0 Y = 0 , onde Y = y .
2
1 2 1 5 y3

Assim,
y1 = 2 2
y2 = 4 Y = 4
y3 = 5 + y1 + 2 y2 = 11 11

Agora, resolvendo UX = Y,
112

2 1 3 2
0 3 3 X = 4

0 0 2 11

11
2 x3 = 11 x3 =
2 35
6

41 41
3x2 = 4 + 3x3 x2 = X=
6 6

11
70 35 2
2 x1 = 2 x2 3 x3 = x1 =
6 6 35
6

41
A soluo do sistema dada pelo vetor X = .
6

11
2

Pratique agora!

Exerccio 10. Verifique a resposta do Exemplo 15 usando outro m-

todo.

Observaes:

1) A decomposio LU muito til para resolver sistemas de or-

dem n 4 , em que ser necessrio fazer muitos clculos.

2) Uma forma de reduzir os clculos mo usar um Sistema

Algbrico Computacional, conhecido na literatura como CAS
(Computational Algebric System). Os softwares livres mais co-
muns so Scilab e Octave. Dentre os comerciais, podemos citar
o Matlab (ou Matrix Laboratory), Maple e Mathematica.

Exerccios Propostos
1) Para cada sistema dado, encontre:

i) a forma matricial do sistema;

ii) o posto e a nulidade da matriz de coeficientes;

 113

iii) os graus de liberdade do sistema;

iv) a caracterizao do sistema;

v) a soluo, se existir.

a) 2 x + y + 3 z + 4 w = 1 b) x1 + x2 + 2 x3 x4 = 0
3 x + 2 y + 4 z + 5w = 1 2 x1 + 3 x2 2 x4 = 0
2x + 2 y + z = 0 x1 + x2 + 2 x3 + 2 x4 = 0
2 x + y + 3 z + w = 1 x1 + 2 x2 + x3 + x4 = 0

c) x + 3z = 1
2x y + 4z = 1
6 x y 17 z = 1

2) Quais dos sistemas dados so possveis ou impossveis? Se for

o caso, obtenha a soluo geral e explicite as solues bsicas
dos sistemas homogneos relativos aos sistemas.

a) 2 x + y - 2 z + 3 w = 1 b) x1 -2 x 2 +3 x 3 - 2x 4 = 0
3 x + 2 y- z +2 w = 4 3 x1 - 7 x 2 -2 x 3 + 4x 4 = 0
3x+3y+3z-3w=5 4 x1 +3 x 2 + 5 x 3 +2 x 4 =0

c) x + 2 y - 3 z = -1 d) x+2y-3z=0
3 x -y +2 z = 7 2 x + 5 y +2 z = 0
5 x + 3 y -4 z = 2 3x-y-4z=0

3) Dado o sistema
x+y-z=1
2 x + 3 y +a z = 3
x + a y +3 z = 2

Determine os valores de a para termos um sistema incompa-

tvel ou compatvel (determinado ou indeterminado).

4) Se possvel, faa a decomposio LU de cada uma das matrizes

de coeficientes dos sistemas dados no Exerccio 1. Resolva os
sistemas usando o mtodo de decomposio LU para sistemas
lineares.
114

5) Aplique a decomposio LU para resolver os sistemas da for-

ma AX = B dados a seguir.

2 1 5
A= , B = 1 .
2 5

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

1 1 1 0 1

Resumo
Neste captulo, trabalhamos conceitos e mtodos fundamentais para
resolver sistemas lineares de tipo retangular, isto , aqueles em que a
matriz de coeficientes tem um nmero de linhas no necessariamente
igual ao nmero de colunas. Fornecemos os conceitos que podem ser
aplicados em sistemas de ordem maior ou igual a quatro, onde os m-
todos convencionais ficam difceis de serem aplicados.

Os conceitos foram trabalhados em paralelo com exemplos e exerc-

cios resolvidos e propostos. Para entendimento do contedo, neces-
sria a prtica da soluo dos exerccios e a persistncia nos detalhes
da teoria fornecida nocaptulo anterior e neste prprio. Mais adiante,
voc poder perceber quanto do aprendido ser resgatado no captulo
que segue. Esperamos que voc tenha entendido tudo quanto foi for-
necido neste captulo, empolgando-se na metodologia utilizada!
 115

Bibliografia Comentada
BOLDRINI, Jos et. al. lgebra linear. 3. ed. So Paulo: Harbra, 1980.

Com esse livro, voc pode pesquisar e aprofundar alguns dos contedos
aqui fornecidos.

LEON, Steven J. lgebra linear com aplicaes. 4. ed. Rio de Janeiro:

LTC, 1999.

POOLE, David. lgebra linear. So Paulo: Pioneira Thomson

Learning, 2004.

Nessa referncia, voc encontrar exerccios da ltima Seo deste

Captulo e aplicaes muito interessantes dos Captulos aqui apresentados.
Comentamos, por exemplo, o uso do cdigo de barras, que uma dessas
aplicaes em nosso cotidiano encontradas nesse livro. Fica, ento, como
convite, fazer uma leitura a respeito.

RORRES, Anton. lgebra linear com aplicaes. 8. ed. Porto Alegre:

Bookman, 2001.

Nesse livro, voc pode encontrar uma gama de exerccios para acrescentar
sua prtica.

SANTOS, Reginaldo. Um curso de geometria analtica e lgebra linear.

Belo Horizonte: Ed. UFMG, 2001.

Essa referncia muito til para aplicar os conceitos usando alguns recursos
computacionais.
Captulo 3
Espaos Vetoriais
 Captulo 3
Espaos Vetoriais

A estrutura de espao vetorial, que ser tratada neste ca-

ptulo, o conceito bsico da lgebra Linear. Um espao
vetorial no outra coisa que um conjunto de vetores que
satisfazem um conjunto de regras (axiomas). Este conceito
proporciona unidade e preciso aos assuntos essenciais
da Matemtica. Aps introduzir o sistema axiomtico e
as propriedades fundamentais, estaremos em condies
de entender as idias mais importantes que se derivam
deste conceito.

3.1 Introduo
3.1.1 Definio
Seja V um conjunto no vazio, K um corpo + e , duas opera-
Em lgebra abstrata, um
es que chamaremos soma e produto por escalar, respectivamente.
corpo uma estrutura
algbrica na qual esto Dizemos que o objeto (V , K, '+ ', ' ') um espao vetorial (EV) (ou que
definidas as operaes de V um espao vetorial sobre o corpo K ) se, e somente se, verifi-
adio e multiplicao,
que cumprem com as pro-
cam-se os seguintes axiomas:
priedades associativa, co-
mutativa e distributiva. EV1) A soma uma composio interna em V , isto , se u, v V ,
ento u + v V .

EV2) A multiplicao de u V por um escalar uma composi-

o externa em V , isto , se um escalar em K e u V ,
ento u V .

EV3) ...

A esta lista segue uma srie de propriedades que completam a defi-

nio de espao vetorial, que omitiremos por enquanto (no se pre-
ocupem, elas sero relacionadas depois).
120

Isto o que voc pode esperar, em geral, quando se procura por O matemtico Hermann
Grassmann (1809-1877)
uma definio de espao vetorial nos textos de lgebra Linear.
geralmente creditado como
o primeiro a introduzir
Para o leitor, que est comeando com AL, esta definio pode ser a idia de EV, em 1844.
Porm, uma pessoa que
formal demais para introduzir a idia de EV. Em algum momento, realmente o estudou foi
dever valorizar o rigor matemtico da forma como a definio est o matemtico italiano
sendo colocada acima, e gradativamente adot-lo. Giuseppe Peano (1852-
1932), que em seu livro
Clculo Geomtrico, tornou
Agora, tomaremos um caminho alternativo para entender este con- claro o trabalho anterior
ceito com maior facilidade. Valer-nos-emos, para isso, de exemplos de Grassmann e descreveu
as propriedades para um
de conjuntos (que so espaos vetoriais) com os quais voc j tem EV da maneira como hoje
alguma familiaridade. o conhecemos. O livro de
Peano tambm digno
de nota por introduzir
Consideremos os seguintes conjuntos: o conjunto de vetores operaes em conjuntos,
no plano 2 , o conjunto formado pelas funes f : , cujas anotaes so: , e
(que ainda usamos).
denotado por F () , e o conjunto das matrizes quadradas de ordem
m com coeficientes reais, que denotaremos por M mm .

3.1.2 Vetores no Plano

Vetores no-nulos no plano podem ser representados geometrica-
mente por segmentos orientados. Essa representao geomtrica
nos ajudaram a visualizar como as operaes de multiplicao de
um vetor por um escalar e de soma de vetores funcionam em 2 .
Consideremos um ponto ( x1 , x2 ) no plano, que no esteja situado na
origem. possvel associar-lhe um segmento orientado com origem
em (0, 0) e extremo em ( x1 , x2 ) , que representamos como sendo o
vetor x 2 , onde x1 e x2 so as respectivas componentes.

Vamos ao que nos interessa. Consideremos agora dois vetores x e y ,

x
e um escalar . Sabemos que para cada vetor x = 1 e para
cada escalar , o produto x definido por: x2

x
x = 1 ,
x2
que um outro vetor que possui a mesma direo que x e que pode
ter o sentido e comprimento mudado dependendo do valor de .
 121

Por outro lado, a soma de dois vetores x e y definida como:

x y x +y
x+y = 1 + 1 = 1 1 .
x2 y2 x2 + y2

Esta operao pode ser resolvida graficamente, utilizando a regra

do paralelogramo, ento x + y (o segmento orientado sobre a diago-
nal do paralelogramo) representado por outro vetor, cuja origem
coincide com a origem de x e extremo com o de y .

2
Salientamos o fato de que x 2 e x + y .

< x1+y1, x2+y2 >

y
< x1,x2 >

x x+y

(0,0)

Figura 3.1 - A soma de x e y e o produto x .

3.1.3 Funes Reais

A soma de duas funes f e g de F () (funes com domnio nos
reais) definida como sendo a funo ( f + g ) F () dada por:

( f + g )( x) = f ( x) + g ( x).

Note tambm que, se , podemos multiplicar a funo f pelo

escalar , da seguinte forma:

( f )( x) = ( f ( x)),

resultando, por sua vez, num elemento de F () . Mais uma vez, a

soma e o produto por escalar originam funes de F () .
122

y y
3f (x,2f(x)) (x, f(x)+g(x))
(x, f(x)) g
f+g
(x, g(x))
(x,0)
f (x, f(x))
x
(x,0)
2f f
(x,3f(x))
Figura 3.2 - A soma de funes e o produto por escalar.

3.1.4 Matrizes
Podemos somar duas matrizes quadradas de ordem n ( M nn )
(as quais denotamos como A = (aij ) nn e B = (bij ) nn ), colocando
A + B = (aij + bij ) nn , que tambm uma matriz de M nn .

Com relao multiplicao de A = (aij ) nn por um escalar ,

natural definirmos A = ( aij ) nn , que tambm pertence a M nn .

Voc saberia dizer o que estes conjuntos citados anteriormente, com

as operaes de adio entre seus prprios elementos, por um lado,
e a multiplicao de seus elementos por escalares, tm em comum?

Para comear, voc pode ter percebido que: em todos os casos, a soma de um
par de elementos do conjunto e/ou a multiplicao de qualquer elemento por
um escalar resulta em outro elemento do mesmo conjunto.

Para continuar, vejamos se conseguimos encontrar outras proprie-

dades em comum que poderiam ser aplicadas a esses conjuntos.

Vetores no Plano - Lembrando do estudado na disciplina Geometria

Analtica, no ser difcil entender o significado das seguintes igual-
dades, (aqui , e x, y , z so vetores no plano).

1) x + y = y + x ;

2) x + (y + z ) = (x + y ) + z ;
 123

3) se 0 representa o vetor nulo, ento x + 0 = 0 ;

4) o vetor x ( o oposto de x ) tal que x + (x) = 0 ;

5) ( x) = ( )x ;

6) ( + )x = x + x ;

7) (x + y ) = x + y ;

8) 1 x = x .

Sugesto. Reproduza estes itens fazendo um esboo dos vetores resultantes

em ambos os lados das igualdades e formule as propriedades algbricas cor-
respondentes.

Funes reais - Verifica-se facilmente, a partir das propriedades dos

nmeros reais, que, com relao a quaisquer funes f , g e h em
F () e para todo , , so vlidos os seguintes resultados:

1) f + g = g + f ;

2) f + ( g + h) = ( f + g ) + h;

3) se 0 representa a funo nula, isto , 0( x) = 0 para todo x,

ento 0 + f = 0 ;

4) a funo f definida por ( f ( x)) = f ( x) para todo x

tal que ( f ) + f = 0 ;

5) ( f ) = ( ) f ;

6) ( + ) f = f + f ;

7) ( f + g ) = f + g ;

8) 1 f = f .

Matrizes - Agora, com relao a quaisquer matrizes A , B e C em

M nn e para todo , , tambm so vlidos os seguintes resulta-
dos:

1) A + B = B + A ;

2) A + ( B + C ) = ( A + B ) + C ;

3) se O representa o funo nula, isto , O = (0ij ) nn , ento

A+O = A;
124

4) se A = (aij ) nn , ento a matriz A definida por A = (aij ) nn

tal que A + ( A) = O ;

5) ( A) = ( ) A ;

6) ( + ) A = A + A ;

7) ( A + B) = A + B ;

8) 1 A = A .

Observamos que os conjuntos considerados, quando munidos das

operaes de soma e multiplicao por escalares, apresentam pro-
priedades algbricas comuns.

Na verdade, muitos outros conjuntos munidos das operaes, de

soma e multiplicao por escalar, apropriadas apresentam proprie-
dades semelhantes s anteriores.

Em vez de investigar as propriedades de cada conjunto em parti-

cular, consideraremos um conjunto qualquer (desconsiderando a
natureza de seus elementos) no vazio, V ( cujos elementos cha-
maremos genericamente de vetores), sobre o qual supomos esta-
rem definidas uma operao de adio, isto , para cada u, v V ,
existe um nico elemento de V associado, chamado a soma entre
u e v e denotado por u + v , e uma multiplicao por escalar, isto ,
para cada u V e , existe um nico vetor associado, chamado
de o produto de u pelo escalar e denotado por u .

Estamos agora em condies de introduzir o conceito de espao

vetorial.

O termo axioma origi-

3.2 Espaos Vetoriais nado da palavra grega
(axioma), que
significa algo que con-
siderado, ajustado ou
3.2.1 Definio adequado, ou que tem
um significado eviden-
Diremos que um conjunto V , munido de duas operaes: uma de te. Entre os filsofos dos
gregos antigos, um axio-
adio entre quaisquer elementos do comjunto e outra de multipli- ma era uma reivindicao
cao de quaisquer elemento do conjunto por escalar, um espao que podia ser vista para
ser verdade sem nenhuma
vetorial, se para quaisquer u, v, w V , e para todo escalar , , necessidade de prova.
so vlidos os seguintes axiomas:
 125

Existe a operao de adio: u + v est em V (fechado sob adio).

Isto significa que a soma de dois elementos quaisquer de V um
nico elemento em V .

EV1) u + v = v + u para quaisquer u, v V . A soma comutativa

em V .

EV2) u + ( v + w ) = (u + v ) + w para quaisquer u, v, w V . A soma

associativa em V .

EV3) Existe um elemento 0 V , chamado vetor nulo tal que 0 + u = u

para todo u V .

EV4) Para cada u V existe -u V tal que u + (u) = 0; todo elemen-

to de V admite o inverso aditivo ou oposto em V .

Existe a operao de multiplicao por escalar: u est em V (fecha-

do sob multiplicao por escalar).

EV5) ( u) = ( )u para quaisquer u V e , .

EV6) ( + )u = u + u para quaisquer u V e , .

EV7) (u + v ) = u + v para quaisquer u, v V e ;

distributividade em relao soma em V .

EV9) lu = u para qualquer u V .

Observaes:

1) Os elementos de V so chamados de vetores.

2) Na maioria dos casos, os escalares sero os nmeros reais. Des-

sa maneira, nos referiremos a V como um espao vetorial real
(ou espao vetorial sobre os nmeros reais). possvel tambm
tomarmos os escalares como nmeros complexos ou perten-
centes a . Os nossos exemplos sero de espaos vetoriais re-
ais. Os escalares podem ser tomados de qualquer sistema nu-
mrico no qual podemos somar, subtrair, multiplicar e dividir
de acordo com as leis habituais da aritmtica.

3) A definio de espao vetorial no especifica quais elemen-

tos formam o conjunto V . Tambm no especifica o que as
operaes chamadas adio e multiplicao por escalar
devem ser.
126

4) O elemento 0 , o vetor nulo , na propriedade EV3 nico, pois

se existisse qualquer outro 0 ' V satisfazendo a EV3, teramos:
( por EV3) ( por EV1)
0' = 0 '+ 0 = 0 + 0 ' = 0 , isto , 0 = 0 ' .

5) + e soma e produto de escalares, respectivamente;

u + v a soma de dois vetores em V ; u o produto de um
escalar por um vetor.

Outro exemplo de espao vetorial, alm dos apresentados no incio

do texto, o conjunto dos vetores de 3 (vetores do espao tridi-
mensional), como foram apresentados em Geometria Analtica, mu-
nidos da adio e da multiplicao por escalar.

O adjetivo vetorial utilizado na definio acima deve ser entendido

de uma forma mais ampla, sendo uma referncia aos elementos de
V , independentemente de serem ou no vetores 2 ou 3.

3.2.2 Propriedades
Dos oito axiomas que definem um espao vetorial, podemos deduzir
vrias outras propriedades. Alguma delas so relacionadas a seguir:

Seja u V um espao vetorial. Temos que:

1) O produto de qualquer escalar pelo vetor nulo o vetor nulo,

isto , para qualquer , 0 = 0 .

2) O produto do escalar 0 por qualquer vetor o vetor nulo, isto

, para qualquer u V , 0u = 0 .

3) Se o produto de um escalar por um vetor o vetor nulo, ento

o escalar 0 ou o vetor o vetor nulo, isto , se u = 0 , ento
= 0 ou u = 0.

4) O produto do oposto de um escalar por um vetor igual ao

oposto de seu produto, isto , para quaisquer e u V ,
( )u = ( u) .

5) Para quaisquer , e u V , ( )u = u u .

6) Para quaisquer e u, v V , (u v ) = u v .
 127

7) Para quaisquer , 1 , 2 , , n e u1 , u 2 , , u n V
n n
j u j = ( j )u j .
j =1 j =1

8) Para qualquer u V , (u) = u .

9) Se u + w = v + w, ento u = v.

10) Se u, v V , ento existe um nico w V tal que u + w = v .

A prova de algumas destas propriedades podem ser encontra-

das na bibliografia. Qualquer dvida, procure o tutor de seu
plo!

3.2.3 Exemplos
Talvez o exemplo mais simples de espao vetorial seja o conjun-
to dos nmeros reais com a adio e multiplicao por escalar em
forma usual.

Mas geralmente, para cada n , podemos transformar o conjun-

to das n -uplas ordenadas de nmeros reais n (um vetor de n e
uma matriz n 1 com componentes reais) em um espao vetorial,
definindo a adio de duas n -uplas ordenadas x = ( x1 , x2 , , xn )T e
y = ( y1 , y2 , , yn )T adicionando-se componente a componente, isto
, x + y = ( x1 + y1 , x2 + y2 , , xn + yn )T e o produto de uma n -upla
u = (u1 , u2 , , un )T por um escalar por u = ( u1 , u2 , un )T .

Exemplo 1. Consideremos V = n com a soma e a multiplicao

por escalar, definidas como anteriormente (as usuais). Para veri-
ficarmos os oito axiomas de EV, consideremos x = ( x1 , x2 , , xn )T ,
y = ( y1 , y2 , , yn )T e z = ( z1 , z2 , , zn ) . Tem-se que:

EV1) x + y = ( x1 + y1 , x2 + y2 , , xn + yn )T
= ( y1 + x1 , y2 + x2 , , yn + xn )T
=y+x
128

EV2) x + (y + z ) = ( x1 + ( y1 + z1 ), x2 + ( y2 + z2 ), , xn + ( yn + zn ))T
= ( x1 + y1 + z1 , x2 + y2 + z2 , , xn + yn + zn )T
= (( x1 + y1 ) + z1 , ( x2 + y2 ) + z2 , , ( xn + yn ) + zn )T
= (x + y ) + z

EV3) 0 + x = (0, 0, , 0)T + ( x1 , x2 , , xn )T

= (0 + x1 , 0 + x2 , , 0 + xn )T
= ( x1 , x2 , , xn )T
=x

EV4) x + (x) = ( x1 , x2 , , xn )T + (( x1 , x2 , xn )T )
= ( x1 , x2 , , xn )T + ( x1 , x2 , , xn )T
= ( x1 x1 , x2 x2 , , xn xn )T
= (0, 0, 0)T
=0

EV5) ( x) = ( ( x1 , x2 , , xn )T )
= (( x1 , x2 , , xn )T )
= ( x1 , x2 , , xn )T
= ( x1 , x2 , , xn )T
= ( )x

EV6) ( + )x = ( + )( x1 , x2 , , xn )T
= (( + ) x1 , ( + ) x2 , , ( + ) xn )T
= (( x1 + x1 ), ( x2 + x2 ), , ( xn + xn ))T
= ( x1 , x2 , , xn )T + ( x1 , x2 , , xn )T
= x + x

EV7) (x + y ) = (( x1 , x2 , , xn )T + ( y1 , y2 , yn )T )
= ( x1 + y1 , x2 + y2 , , xn + yn )T
= ( ( x1 + y1 ), ( x2 + y2 ), , ( xn + yn ))T
= x + y

EV8) 1 x = 1 ( x1 , x2 , xn )T
= (1 x1 ,1 x2 ,1 xn )T
= ( x1 , x2 , , xn )T
=x
 129

Nos seguintes exemplos deve-se conferir que os conjuntos so espa-

os vetoriais.

Exemplo 2. Seja V = P2 () o conjunto formado por todos os polin-

mios de grau menor ou igual a 2 com coeficientes reais. Definimos a
adio e a multiplicao por escalar da seguinte maneira:

Se p ( x) = a0 + a1 x + a2 x 2 e q ( x) = b0 + b1 x + b2 x 2 esto em P2 , ento
p ( x) + q ( x) = (a0 + b0 ) + (a1 + b1 ) x + (a2 + b2 ) x 2 outro polinmio
que tem grau no mximo 2 e, portanto, est em P2 . Aqui dize-
mos que a soma entre vetores, ou a soma vetorial uma ope-
rao fechada.

Se c um escalar, ento cp ( x) = ca0 + ca1 x + ca2 x 2 tambm est

em P2 . Tambm o produto por escalar uma operao fechada.

Os dois primeiros axiomas so fceis de verificar. Proceda como foi

feito no exemplo anterior.

Voc saberia dizer qual o vetor nulo em P2 ?

Existe um polinmio cujo valor seja sempre igual a 0 para todo x ?

O vetor nulo 0 o polinmio zero, isto , o polinmio cujos coefi-
cientes so todos nulos: a0 = 0 , a1 = 0 e a2 = 0 .

Confiramos EV4: o oposto de um polinmio p ( x) = a0 + a1 x + a2 x 2 o

polinmio p ( x) = (a0 + a1 x + a2 x 2 ) = a0 a1 x a2 x 2 .

A satisfao dos axiomas EV5 ao EV8 se segue das propriedades dos

nmeros reais.

Observe que, se mudarmos o enunciado neste exemplo para: Seja

V = P2 () o conjunto formado por todos os polinmios de grau igual
a 2 (e no menor ou igual a 2) com coeficientes reais, no temos um
espao vetorial. Quais axiomas no so satisfeitos?

Confira se os conjuntos dos seguintes exemplos so espaos

vetoriais.

Exemplo 3. O conjunto das funes contnuas definidas num inter-

valo I munido das operaes de adio e multiplicao usuais.
130

Exemplo 4. O conjunto das matrizes m n com coeficientes reais:

M mn () munido de operaes anlogas quelas definidas para ma-
trizes quadradas.

Os espaos vetoriais acima citados envolvem operaes com as quais

voc j deve estar familiarizado. O prximo exemplo um pouco
mais sofisticado do que os anteriores, no sentido de que definiremos
as operaes de adio e multiplicao por escalar em uma forma
um pouco artificial (porm, que pode ser apropriada em situaes
particulares), e por isso mostraremos as oito propriedades.

Exemplo 5. Como conjunto objeto de estudo, escolheremos o inter-

valo semi-infinito V = (0, ) , (o semi-eixo positivo da reta real). Este
conjunto, quando agregado s operaes de soma e multiplicao
usuais, no um espao vetorial, visto que no possui elemento
neutro para a adio: 0 V (0 no pertence ao conjunto), logo, EV3
no satisfeita. No entanto, se para x, y V e , definirmos
a soma entre x e y por x y = xy (o produto usual entre x e y )
e o produto de x pelo escalar como x = x , ento V se tor-
na um espao vetorial. De fato, verifiquemos uma a uma as oito
propriedades:

EV1) temos x y = xy = yx = y x para quaisquer x, y V ;

EV2) x (y z ) = x(yz ) = (xy )z = (x y ) z para quaisquer

x, y , z V ;

EV3) se x V , ento como 1 V , temos 1 x = 1x = x ; observe que,

neste caso, 1 o elemento neutro da adio, o qual denotare-
mos por o;

EV4) se x V , isto , x > 0 , ento x 1 V e x x 1 = xx 1 = 1 = o ;

EV5) ( x) = x = (x ) = x = x = ( ) x para quais-

quer x V e , ;

EV6) ( + ) x = x ( + ) = x x = ( x) ( x) para quaisquer

x V e + ;

EV7) (x y ) = (xy ) = (xy )

= x y = x y = ( x) ( y )

para quaisquer x, y V e ;
 131

EV8) 1x = x 1 = x para qualquer x V .

3.2.4 Uma Definio Mais Formal

Voc deve lembrar-se de que no incio deste captulo deixamos a
definio de espao vetorial, que chamamos de um tanto formal ou
rigorosa em forma incompleta. Como prometido, essa definio
colocada em forma ntegra.

Um conjunto V um espao vetorial sobre um corpo K , que deno-

tamos como (V , K, +, ) , se dadas duas operaes: a soma vetorial
definida em V , que denotamos como v + w para todo v, w V , e o
produto escalar em V , que denotamos como v para todo v V e
K , se cumpre as seguintes 10 propriedades (5 propriedades para
a soma e 5 para o produto escalar).

Para a Soma
1) v + w V . A soma vetorial uma operao fechada em V .

2) u + ( v + w ) = (u + v ) + w . Associatividade da soma vetorial

em V .

3) Existe um elemento 0 V , tal que para todo v V , v + 0 = v .

Existncia do elemento neutro da soma vetorial em V .

4) Para todo v V , existe um elemento v V , tal que v + ( v ) = 0 .

Existncia do elemento oposto respeito soma vetorial em V .

5) v + w = w + v . Comutatividade da soma vetorial em V .

Para o Produto por Escalar

1) v V . O produto por escalar uma operao fechada em V .

2) ( v ) = ( ) v . Associatividade do produto entre escalares em

V.

3) Se 1 denota o elemento neutro da multiplicao do campo es-

calar K , ento 1v = v . Neutralidade do um do campo escalar.

4) ( v + w ) = v + w . Distributividade com respeito soma

vetorial.
132

5) ( + ) v = v + v . Distributividade com respeito soma

escalar.

Exerccios Propostos
1) Considere os vetores x1 = (8, 6)T e x 2 = (4, 1)T em 2 .

a) Encontre o comprimento de cada vetor.

b) Seja x 3 = x1 + x 2 . Determine o comprimento de x 3 . Qual a

relao entre seu comprimento e a soma dos comprimentos
de x1 e x 2?

c) Desenhe um grfico ilustrando como x 3 pode ser constru-

do geometricamente usando x1 e x 2 . Use esse grfico para
dar uma interpretao geomtrica da sua resposta em (b).

2) Repita o exerccio 1 para os vetores x1 = (2,1)T e x 2 = (6,3)T .

3) Seja C o conjunto dos nmeros complexos. Defina a soma em

C por (a + bi ) + (c + di ) = (a + c) + (b + d )i e defina a multiplica-
o por um escalar por (a + bi ) = a + bi , para todos os n-
meros reais . Mostre que C um espao vetorial em relao
a essas operaes.

4) Mostre que mn , com as operaes usuais de soma e multi-

plicao por um escalar, satisfaz os oito axiomas de espaos
vetoriais.

5) Mostre que C[a, b] , com as operaes usuais de soma e mul-

tiplicao por um escalar, satisfaz os oito axiomas de espaos
vetoriais.

6) Seja P o conjunto de todos os polinmios. Mostre que P , com

as operaes usuais de soma e multiplicao por um escalar
para funes, forma um espao vetorial.

7) Sejam x, y e z vetores de um espao vetorial V . Mostre que, se

x + y = x + z , ento y = x .

8) Seja S o conjunto de todos os pares ordenados de nmeros re-

ais. Defina a multiplicao por um escalar e a soma em S por
( x1 , x2 ) = ( x1 , x2 )
( x1 , x2 ) ( y1 , y2 ) = ( x1 + y1 , 0),
 133

usando o smbolo para denotar a soma nesse sistema, para

evitar confuso com a soma usual de x + y de vetores linhas.
Mostre que S , junto com a multiplicao usual por um escalar
e a operao , no um espao vetorial. Quais dos oito axio-
mas no so vlidos?

9) Seja V o conjunto de todos os pares ordenados de nmeros reais

com a soma definida por ( x1 , x2 ) + ( y1 , y2 ) = ( x1 + y1 , x2 + y2 ) e a
multiplicao por um escalar definida por ( x1 , x2 ) = ( x1 , x2 ) .
Como a multiplicao por um escalar definida de maneira
diferente da usual, usamos um smbolo diferente para evitar
confuso com a multiplicao usual de um vetor linha por um
escalar. V um espao vetorial em relao a essas operaes?
Justifique sua resposta.

10) Denote por + o conjunto dos nmeros reais positivos. Defina

a operao de multiplicao por um escalar por x = x para
cada x + e para cada nmero real . Defina a operao de
soma por x y = x y para todos x, y + .
1
Ento, para esse sistema, o produto do escalar 3 por
2
3
1 1
dado por 3 = = 8 e a soma de 2 com 5 dada por
2 2
2 5 = 2 5 = 10 . + um espao vetorial em relao a essas
operaes? Justifique sua resposta.

3.3 Subespaos Vetoriais

Ateno: aqui mudamos Considere o espao vetorial 2 formado por todos os pontos ,
levemente a notao com x, y .
introduzida num exemplo
no inicio deste captulo, e,
que um ponto de 2 foi guisa de exemplo, consideremos dois subconjuntos de 2 : uma
denotado por (x1, x2). reta que passa pela origem e o primeiro quadrante.

Reta que passa pela origem. Definimos L como sendo um subconjunto

de 2 formado pelos pontos de uma reta que passa pela origem (0, 0) ,
2
com equao x + y = 0 , ou seja, L = {( x, y ) / x + y = 0}.
134

Observe que se ( x, y )(u, v) L (dois pontos quaisquer da reta), temos

que x + y = 0 e u + v = 0 , ento ( x + u ) + ( y + v) = 0 , desde que
( x, y ) + (u , v) = (( x + u ), ( y + v)) L . Portanto, a soma fechada.

Vamos para os axiomas de espao vetorial.

Note, primeiro de tudo, que 0 = (0, 0) L ; assim, os axiomas do

nulo e oposto so claramente satisfeitos em L . Tambm fcil ver
os de associatividade e comutatividade em relao soma. Agora,
se ( x, y ) L , ento x + y = 0 e (cx, cy ) L tambm, desde que
(cx) + (cy ) = 0 . Podemos concluir que L satisfaz todos os axiomas
de espao vetorial? Confira. De fato, qualquer reta que passe pela
origem um espao vetorial sobre 2 .

O que fizemos neste exemplo foi extrair de um espao vetorial

2 outro espao vetorial L menor e dizemos: L um subespao
de 2 . Logo, L fechado em relao soma e multiplicao por
escalar, isto , a soma de dois elementos em L um elemento de
L e a multiplicao de um elemento de L por um escalar tambm
pertence a L .

O primeiro quadrante. Quando analisamos o conjunto do segundo

caso, o procedimento aparece equivalente ao anterior, no sentido
de extrair um subconjunto de 2. Porm, agora ns afirmamos
que este conjunto Q = {( x, y ) 2 , x, y 0} no um espao vetorial.
Qual axioma no satisfeito?

Na prxima seo introduziremos um outro conceito que nos per-

mitir entendermos quando um subconjunto um espao vetorial.

Esta seo introduz uma das idias mais importantes desta disci-
plina. Comeamos com um exemplo, vendo que h uma interao
entre geometria e lgebra e que freqentemente pode ser usada a
intuio geomtrica e lgica para introduzir propriedades e resolver
problemas. Agora, necessrio tornar-nos mais formais, estenden-
do este conceito para espaos vetoriais gerais. A noo de subespao
simplesmente uma generalizao algbrica de retas e planos que
passam pela origem.
 135

Dado o espao vetorial V e o conjunto no vazio W V , se W um

espao vetorial sobre o mesmo corpo K e com as mesmas leis de
composio que em V , diremos que W um subespao de V .

3.3.1 Definio
Seja V um espao vetorial. Dizemos que W V , no vazio, um
subespao vetorial de V se forem satisfeitas as seguintes condies:

SE1) 0 W , o vetor nulo est em W .

SE2) Se u, v W , ento u + v W .

SE3) Se u W , ento u W para todo .

Alternativamente, poderamos dizer tambm que W um subespa-

o de V se, e somente se, W um espao vetorial.

Observaes:

1) Note que todo subespao vetorial W de um espao vetorial V

, ele prprio, um espao vetorial.

2) O conjunto que consiste apenas no vetor nulo {0} e o prprio

V so chamados de subespaos vetoriais triviais.

Note que SE2 e SE3 podem ser reescritas equivalentemente como:

se u, v W e , ento u + v W . Assim, as condies para ser
subespao podem ser resumidas em:

i) 0 W , o vetor nulo est em W .

ii) Se u, v W e ento u + v W .

Comentrio. De fato, esta definio de subespao vetorial um re-

sultado bastante til para mostrar que um conjunto um espao
vetorial.

3) Observe que SE3 implica diretamente que W

( W no vazio).
136

Portanto, todo subespao um espao vetorial e todo espao vetorial

um subespao (dele mesmo e, possivelmente, de outros espaos
vetoriais maiores). O termo subespao usado quando pelo menos
dois espaos vetoriais esto sendo considerados, um deles includo
no outro.

Desse modo, o problema dos subespaos consiste em determinar

quando um subconjunto de um espao vetorial continua satisfazen-
do todos os axiomas de espao vetorial. O procedimento padro
para resolver este problema utiliza simplesmente a verificao das
regras , dadas anteriormente.

Assim, na prtica voc deve responder as seguintes questes:

i) o vetor nulo de V est em W ?

ii) W fechado em relao a soma de vetores? Isto , para cada

u e v W , a soma u + v est em W ?

iii) W fechado em relao a multiplicao por escalar? Isto ,

para cada v W e cada escalar , o vetor v est em W ?

3.3.2 Exemplos
Vejamos alguns exemplos:

Exemplo 6. Seja o espao vetorial V = 3 e o conjunto W formado pe-

las triplas ordenadas de V = 3 , tais que a terceira componente igual
soma das duas primeiras, isto , W = {( x1 , x2 , x3 ) 3 / x3 = x2 + x1} .

Afirmamos que W um subespao de V , desde que:

i) O vetor nulo x = ( x1 , x2 , x3 ) = (0, 0, 0) esteja em W :

x = ( x1 , x2 , x3 ) = (0, 0, 0) 3 e a condio x3 = x2 + x1 seja satis-

feita para este vetor (0 = 0 + 0) .

ii) Sejam x = ( x1 , x2 , x3 ) e y = ( y1 , y2 , y3 ) vetores de W , tais

que x3 = x2 + x1 e y3 = y2 + y1 ; ou seja, x = ( x1 , x2 , x2 + x1 ) e
y = ( y1 , y2 , y2 + y1 ) ; com calculamos x + y e temos que
 137

x + y = ( x1 , x2 , x2 + x1 ) + ( y1 , y2 , y2 + y1 )
= ( x1 + y1 , x2 + y2 , x2 + y2 + x1 + y1 )
= ( z1 , z2 , z2 + z1 ) W.

Ento W subespao e a equao x1 + x2 x3 = 0 define um plano

que passa pela origem.

Exemplo 7. Seja S o conjunto de todos os polinmios de grau menor

ou igual a n , com a propriedade p (0) = 0 . Verifiquemos se S , de
fato, um subespao vetorial de Pn .

1) Se a j = 0, j = 1 (todos os coeficientes nulos), ento p ( x) = 0 e

p (0) = 0 .

2) Se um escalar e p ( x) S , ento p (0) = 0 = 0 e p S .

3) Se p ( x) S e q ( x) S , ento ( p + q )(0) = p (0) + q (0) = 0 + 0 = 0

e, portanto, p + q S .

Exemplo 8. Em qualquer espao vetorial V , o vetor nulo forma o

subespao zero {0}.

Exemplo 9. C () (o espao das funes contnuas) um subespao

de F () porque a adio e multiplicao por escalar de funes
contnuas so ainda contnuas. Em geral, C k () (o espao das fun-
es com k -sima derivada contnua) tambm um subespao de
F () .

Exemplo 10. O subconjunto H = { f F () : f (2) = 0} tambm um

subespao de F () ; se f (2) = g (2) = 0 , ento:

( f + g )(2) = f (2) + g (2) = 0 e (cf )(2) = c( f (2)) = 0 .

Exemplo 11. O subconjunto K = { f F () : f (t ) = f (t )} das fun-

es pares tambm um subespao de F () ; se f (t ) = f (t ) e
g (t ) = g (t ) , ento:

( f + g )(t ) = f (t ) + g (t ) = f (t ) + g (t ) = ( f + g )(t ) e
(cf )(t ) = c( f (t )) = c( f (t )) = cf (t ) .
138

Por outro lado, o subconjunto H = { f F () : f (2) = 1} no um su-

bespao de F () pois no contm a funo nula, que o vetor zero
do espao vetorial F () .

Exemplo 12. P3 um subespao de P5 . Por outro lado, H (conjunto

de polinmios de grau maior ou igual a 3 e menor ou igual a 5) no
um subespao de P5 . Um contra-exemplo servir para mostrar que
no subespao. Sejam p (t ) = 1 + t 4 e q (t ) = t 4 . Temos que p, q H ,
porm ( p + q )(t ) = 1 H .

Exemplo 13. As solues T = {( x1 , x2 , x3 ) / x1 + x2 + x3 = 0} da equao

homognea so um subespao de 3 . Se ( x1 , x2 , x3 ) e ( y1 , y2 , y3 ) T ,
ento x1 + x2 + x3 = 0 e y1 + y2 + y3 = 0 ; somando ambas igualdades,
temos ( x1 + y1 ) + ( x2 + y2 ) + ( x3 + y3 ) = 0 , que satisfaz a equao homo-
gnea e, ento, pertencem a T . E tambm temos que

( x1 , x2 , x3 ) = ( x1 , x2 , x3 ) x1 + x2 + x3 = ( x1 ) + ( x2 ) + ( x3 ) = 0

que satisfaz a equao homognea e, portanto, pertence a T .

As solues de T = {( x1 , x2 , x3 ) / x1 + x2 + x3 = 1} (os pontos de um pla-

no que no passam pela origem) da equao no-homognea no
um subespao de 3 , j que no contm o zero (0, 0, 0).

O primeiro quadrante T = {( x1 , x2 ) / x1 0, x2 0} de 2 no um
subespao, desde que (1,1) T , porm (1)(1,1) = (1, 1) T .

Os seguintes casos mostram outros conjuntos que no so subespa-

os de 2 .

T T
S
1 vS
2
u
v vS

u+v
u

u+vT T
uT
Figura 3.3 - No so subespaos.
 139

O grfico seguinte mostra uma reta passando pela origem como

sendo um subespao; entretanto, uma reta que no passa pela ori-
gem no um subespao.

x+v
v
2x
x
x
0
T 0.5x
x+v No subespao
S v subespao

Figura 3.4 - Retas no plano.

Exemplo 14. 2 no um subespao de 3. Em verdade, 2 est

definido por uma dupla de nmeros reais, sendo que 3 so triplas
de nmeros, assim 2 no est contido em 3 . Defina um plano
coordenado do espao tridimensional como sendo um subespao
de 3 .

Exemplo 15. O conjunto Sym(n) das matrizes simtricas um su-

bespao do espao vetorial M 22 das matrizes n n . A matriz que
resulta da soma de matrizes simtricas simtrica. Por outro lado, a
matriz nula simtrica e ento pertence a Sym(n).

Exemplo 16. Seja V = M 22 e W = {matrizes inversveis 2 2}. Deter-

mine se W um subespao de M 22 . Se W fosse um subespao, a
0 0
matriz nula deveria estar nele. Porm, 0 = no inversvel e,
0 0
por isso, no pode estar em W . Logo, W no um subespao.

Em alguns dos nossos exemplos, vimos que subespaos aparecem

como sendo exemplos de espaos vetoriais. De fato, temos que um
subespao, com as operaes herdadas da soma e multiplicao
por escalar, um espao vetorial. A prova consiste em conferir as
oito propriedades, a maior parte destas so herdadas de um espa-
o vetorial maior.
140

3.3.3 Soma e Interseco de Subespaos

Sejam H e K subespaos de um espao vetorial V . Definimos a
soma de dois subespaos como H + K = {u + v / u H , v K } e a in-
terseco como H K = {u / u H v K } .

K
K
H
HK
H+K
H

Soma Interseco A soma e a interseco de

subespaos so subespaos
Figura 3.5 - Soma e interseco de subespaos. vetoriais.

Observamos que a soma e a interseco de espaos vetoriais so

adaptaes da unio e interseco de subconjuntos de espaos veto-
riais. Enquanto a interseco permanece sendo a mesma, a soma
diferente da unio, j que, em geral, a unio de dois subespaos no
um subespao.

3.3.3.1 Interseco de dois Subespaos Vetoriais

Sejam H e K dois subespaos vetoriais de V . A interseco S de
H e K , que se representa por S = H K , o conjunto de todos os
vetores v V tais que v H e v K .

Teorema

A interseco S de dois subespaos vetoriais H e K de V um su-

bespao vetorial de V . De fato:

1) Se u, v H , ento u + v H
Se u, v K , ento u + v K
Logo:
u+ vS = H K
 141

2) Para qualquer :
Se v H , ento v H ;
Se v K , ento v K .
Logo:
v S = H K.

Exemplo 17. Seja V o espao vetorial das matrizes quadradas de

ordem 2:
a b
V = ; a, b, c, d .
c d
Considere:
a b
H = ; a , b
0 0
a 0
K = ; a, c .
c 0

Ento, S = H K:
a 0
S = ; a .
0 0

Exemplo 18. Seja o espao vetorial 3 = {(a, b, c); a, b, c } e os su-

bespao H = {(a, b, c); a, b, c } e K = {(0, 0, c); c }. A intersec-
o H K o subespao vetorial S = {(0, 0, 0)} = {0}.

3.3.3.2 Soma de dois subespaos vetoriais

Sejam H e K dois subespaos vetoriais de V . A soma S de H e K ,
que se representa por S = H + K , o conjunto de todos os vetores
u + v de V tais que u H e v K .

Teorema

A soma S de dois subespaos vetoriais H e K de V um subespa-

o vetorial de V . De fato:

1) Se u1 , u 2 H , ento u1 + u 2 H
Se v1 , v 2 K , ento v1 + v 2 K
 142

Por outro lado:

u1 + v 1 S
u2 + v2 S .

Logo:

(u1 + v1 ) + (u 2 + v 2 ) = (u1 + u 2 ) + ( v1 + v 2 ) H + K = S .

2) Para qualquer ;
Se u1 H , ento u1 H
Se v1 K , ento v1 K .

Por outro lado:

u1 + v 1 S .

Logo:

(u1 + v1 ) = u1 + v1 H + K = S .

Exemplo 19. Sejam os subespaos vetoriais H = {(a, b, 0); a, b } ee K = {(0, 0, c); c }

3
); a, b } e K = {(0, 0, c); c } do espao vetorial = {(a, b, c);a, b, c }.

A soma H + K o subespao vetorial S = {(a, b, c); a, b, c }, que

no caso, o prprio 3 .

3.3.3.3 Soma direta de dois subespaos vetoriais

Sejam H e K dois subespaos vetoriais de V .

Diz-se que V a soma direta de H e K e representa-se por V = H K .

Se V = H + K e H K = {0}.

Isto , se o nico vetor comum a ambos os subespaos H e K for o

vetor nulo.

Os smbolos e so utilizados para indicar que a adio e a mul-

tiplicao por escalar no so as usuais.
 143

Exemplo:

H = {(a, 0, c, 0);a, c }

K = {(0, b, 0, d); b, d }

Ento:
H + K = {(a, b, c, d); a, b, c, d } = 4

H K = {(0, 0, 0, 0) = 0}

Logo H K .

Exerccios Propostos
1) Considere os subconjuntos de 3 :

F = {(x1 , x 2 , x 3 ); x1 + x 2 = 0 = x 3 } e G = {(x1 , x 2 , x 3 ); x1 + x 2 = 0}.

a) Prove que os conjuntos so subespaos vetoriais.

b) Diga, justificando, se a unio dos conjuntos um espao

vetorial.

c) Determine F + G e F G . Diga se a soma direta.

2) Se um sistema linear no for homogneo, o que acontece com

seu conjunto soluo? Considere o exemplo:
2 x + 4 y + z = 1

A = x + y + 2z = 1 .
x + 3y z = 0

Provar que a soma de dois vetores soluo nem sempre um vetor

soluo, e assim o conjunto soluo no um subespao vetorial.

A soma direta de subespaos tem conseqncias importantes, uma

vez que nos permite decompor os espaos vetoriais em termos de
subespaos, dos quais se espera que sejam de natureza mais sim-
ples. De fato, a maioria dos teoremas de decomposio tem suas ra-
zes conceituais nesta idia.
144

3.3.4 O espao Nulo de A

Introduziremos agora um dos mais importantes subespaos de Outros subespaos
associados a uma matriz
associado a uma matriz.
sero estudados em sees
posteriores.
Suponhamos que A seja uma matriz m n . As solues do sistema
Ax = 0 determinam um subespao de n chamado de espao nulo
de A , que denotaremos por espnul ( A) = {x n / Ax = 0} .

Consideremos agora alguns exemplos que so de fcil resoluo.

Exemplo 20. Determine espnul ( A) para cada uma das seguintes ma- Veremos outros exemplos
de espaos nulos na seo
trizes.
de Bases de um espao
vetorial.
2 0
a) A =
4 10
1 7
b) B =
3 21

Soluo. a) Para achar o espao nulo de A , podemos escalonar a

matriz ou resolver um sistema de duas equaes com duas incgnitas.
Neste caso, a ltima opo a mais direta e temos que x1 = x2 = 0 a
soluo. Em termos de vetores, a nossa soluo consiste em um nico
vetor {0}, e ento espnul ( A) = {0}.

b) Aqui temos infinitas solues da forma x1 = 7 , x2 = , onde

um escalar. Assim, j que o espao nulo de B est formado por todas
as solues de Bx = 0 da forma x = (7 , )T = (7,1)T , sendo um
7
nmero real, ento espnul ( B) = .
1
Veremos na prxima seo uma forma mais adequada de escrever
este ltimo resultado.

Podemos observar que o espao nulo est descrito por todos os veto-
res associados aos pontos localizados na reta que passa pela origem
com equao x1 7 x2 = 0 .

Voltemos agora aos nossos exemplos anteriores. O espao nulo para

a primeira matriz foi {0}. Para a segunda matriz, o espao nulo foi
uma reta passando pela origem. Lembrando os conceitos menciona-
dos previamente, podemos ver que em ambos os casos, obtiveram-
se subespaos de 2 .
 145

De fato, isso acontecer sempre, como estabelece o teorema a seguir.

Teorema. Seja A uma matriz m n, ento o espao nulo de A ser um

subespao de n .

Prova. Sabemos que este subespao est formado por todas as solu-
es do sistema homogneo Ax = 0 . Primeiro, deveramos conferir
que o vetor zero ( 0 ), que est em n soluo do sistema, e ento
deduziremos que o espao nulo no vazio, o que, neste caso, tri-
vial (qual o produto que deve ser feito para mostrar isto?). Logo, ao
saber que o espao nulo tem, no mnimo, um vetor, escolheremos dois
vetores x e y do espao nulo e um escalar , e conferiremos as leis
de composio interna.

Comeamos pela soma.

A(x + y ) = Ax + Ay = 0 + 0 = 0

A soma z = x + y a soluo para Az = 0 , ento a soma est no

espao nulo. Portanto, o espao nulo fechado sob a soma.

Logo, testamos a multiplicao por escalar.

A( x) = Ax = 0 = 0

Se x est no espao nulo, todo mltiplo de x tambm est e o espa-

o nulo fechado sob multiplicao por escalar.

Ento o espao nulo um subespao de n . Para verificar se um

vetor de V est no espao nulo de A , basta calcular Ax e ver se
Ax = 0 .

Exerccios Propostos
1) Determine se cada conjunto a seguir ou no um subespao
de 2.

a) {( x1 , x2 )T / x1 + x2 = 0}

b) {( x1 , x2 )T / x1 x2 = 0}

c) {( x1 , x2 )T / x1 = 3 x2 }

d) {( x1 , x2 )T / x1 = 3 x2 + 1}
146

2) Determine se cada conjunto a seguir ou no um subespao

de 3.

a) {( x1 , x2 , x3 )T / x1 + x3 = 1}

b) {( x1 , x2 , x3 )T / x1 = x2 = x3 }

c) {( x1 , x2 , x3 )T / x3 = x1 + x2 }

d) {( x1 , x2 , x3 )T / x3 = x12 + x2 2 }

3) Determine se cada conjunto a seguir ou no um subespao

de 22 .

a) O conjunto de todas as matrizes diagonais 2 2 .

b) O conjunto de todas as matrizes triangulares inferiores a

2 2 .

c) O conjunto de todas as matrizes 2 2 , tais que a12 = 1 .

d) O conjunto de todas as matrizes 2 2 , tais que b11 = 0 .

e) O conjunto de todas as matrizes simtricas 2 2 .

f) O conjunto de todas as matrizes singulares 2 2 .

4) Determine o ncleo de cada uma das matrizes a seguir.

1 3 4
2 1
a) c) 2 1 1
3 2 1 3 4

1 1 1 2
1 2 3 1
b) d) 2 2 3 1
2 4 6 3 1 1 0 5

5) Determine se cada conjunto a seguir ou no um subespao

de P4 . (Cuidado!)

a) O conjunto dos polinmios em P4 de grau par.

b) O conjunto dos polinmios de grau 3.

c) O conjunto dos polinmios p ( x) em P4 , tais que p (0) = 0 .

d) O conjunto dos polinmios em P4 que tem pelo menos uma

raiz real.
 147

6) Determine se cada conjunto a seguir ou no um subespao

de C[1,1] .

a) O conjunto das funes f em C[1,1] , tais f (1) = f (1) .

b) O conjunto das funes mpares em C[1,1] .

c) O conjunto das funes no decrescentes em [1,1] .

d) O conjunto das funes em f em C[1,1], tais f (1) = 0 e

f (1) = 0.
e) O conjunto das funes f em C[1,1] , tais f (1) = 0 ou
f (1) = 0 .

7) Determine se cada conjunto a seguir ou no um conjunto

gerador para 2 .
2 3 1 1 2
a) , d) , ,
1 2 2 2 4

2 4 1 1
b) , e) ,
3 6 2 1

2 1 2
c) , ,
1 3 4

8) Quais dos conjuntos a seguir so ou no conjuntos geradores

para 3 ? Justifique suas respostas.

a) {(1, 0, 0)T , (0,1,1)T , (1, 0,1)T }

b) {(1, 0, 0)T , (0,1,1)T , (1, 0,1)T , (1, 2,3)T }

c) {(2,1, 2)T , (3, 2, 2)T , (2, 2, 0)T }

d) {(2 , 1 , -2)T, (-2 , -1 , 2 )T, (4 , 2 , -4)T}

e) {(1,1,3)T , (0, 2,1)T }

1 3 2 9

9) Sejam x1 = 2 , x2 = 4 , x = 6 , y = 2 .
3 2 6 5

a) x [{x1 , x2 }] ?

b) y [{x1 , x2 }] ?
148

10) Quais dos conjuntos a seguir so conjuntos geradores para P3 ?

Justifique suas respostas.

a) {1, x 2 , x 2 2}

b) {2, x 2 , 2 x + 3}

c) {x + 2, x + 1, x 2 1}

d) {x + 2 x, x 2 1}

11) Em 22 , sejam
1 00 0 11
E = 1
E11 = E = 0
E12 =
11 0 00 12 0 00
0 0
00 00 00 00
E
E21 =
= E
E =
=
21 1 00
22
22
00 11
1
Mostre que E11 , E12 , E21 , E22 geram 22 .

3.4 Espaos Gerados

O tpico da seo anterior nos permite introduzir um conceito cha-
ve desta disciplina. Voltemos para o item (b) do exemplo 20. Neste
exemplo, vimos que o espao nulo est formado por todos os vetores
da forma x = (7 , )T = (7,1)T (onde um nmero real).

Para expressar este resultado em uma forma mais compacta e ade-

quada, revisaremos um conceito que foi introduzido em um cap-
tulo anterior. Quando foram estudadas as operaes com matrizes,
calculamos combinaes lineares de linhas das matrizes e combina-
es lineares das colunas de uma matriz.

Podemos tambm considerar uma combinao linear de vetores.

Definio. Dizemos que o vetor w de um espao vetorial V

uma combinao linear dos vetores v1 , v 2 , , v n V se exis-
tirem escalares c1 , c2 , , cn , tal que w possa ser escrito como
w = c1 v1 + c2 v 2 + + cn v n .

Podemos observar que o espao nulo mencionado acima pode ser

visto, de fato, como todas as combinaes lineares do vetor (7,1)T .
At pode parecer estranho falar de uma combinao linear de um
 149

nico vetor, porm, de acordo com a definio, no h impedimento

para consider-lo desta forma.

Provavelmente, no a primeira vez que tenha encontrado uma

combinao linear de vetores. Na disciplina Geometria Analtica,
foi introduzido o espao euclidiano junto com o que chamamos de
vetores cannicos. O conjunto de vetores cannicos para n foi de-
T
finido como e1 = (1, 0, , 0) , e 2 = (0,1, , 0)T , , en = (0, 0, ,1)T .

Vimos que qualquer vetor u = (u1 , u2 , , un )T n pode ser escrito

como u = u1e1 + u2e 2 + + unen .

Em outras palavras, poderamos ver o vetor u como uma combina-

o linear dos vetores da base cannica e1 , e 2 , , en .

Exemplo 21. Determine, em cada caso, se o vetor w uma combina-

o linear dos vetores v1 e v 2 .

a) w = (12, 20)T , v1 = (1, 2)T , v 2 = (4, 6)T

b) w = (4, 20)T , v1 = (2,10)T , v 2 = (3, 15)T

c) w = (1, 4)T , v1 = (2,10)T , v 2 = (3, 15)T

Soluo. Em cada um destes casos, precisamos resolver w = c1 v1 + c2 v 2 ,

isto , achar c1 e c2 .

c + 4c2 = 12
a) w = (12, 20)T = c1 (1, 2)T + c2 (4, 6)T 1 .
2c1 6c2 = 20
Se o sistema for consistente (isto , possuir no mnimo uma soluo),
ento w uma combinao linear de dois vetores; se no existir so-
luo, ento w no uma combinao linear.

Deixamos para voc verificar que a soluo do sistema c1 = 4 e

c2 = 2 .

Logo, w uma combinao linear de v1 e v 2 e pode ser escrito

como w = 4 v1 2 v 2 .

b) Repetindo o procedimento que fizemos no item anterior e resol-

3
vendo o sistema, obtemos como soluo c1 = 2 + t e c2 = t , onde t
2
um escalar. Isto significa que w uma combinao linear de v1 e
150

v 2 e pode ser escrita em um nmero infinito de diferentes combina-

es lineares. Algumas delas so, por exemplo:
4
w = 2v1 + (0)v2 , w = 8v1 + 4v2 , w = (0)v1 v2 , w = v1 2v2 .
3
c) Neste ltimo caso, no temos soluo, e ento w no pode ser
escrito como uma combinao linear de v1 e v 2 .

Embora estes exemplos sejam muito simples, o procedimento para

um nmero maior de vetores continua sendo o mesmo.

Neste ponto, podemos dizer que sabemos como funciona uma com-
binao linear e responder quando um vetor combinao linear de
outro conjunto de vetores, e dessa forma, estamos em condies de
avanar para o principal conceito desta seo.

Definio. Seja S = {v1 , v 2 , , v n } um conjunto de vetores em

um espao vetorial V e seja W o conjunto de todas as combina-
es lineares dos vetores v1 , v 2 , , v n . Dizemos que W o espa-
o gerado pelos vetores v1 , v 2 , , v n e escrevemos W = span( S ) ou
W = span{v1 , v 2 , , v n } ou W = [{v1 , v 2 , , v n }] . Tambm dizemos
que v1 , v 2 , , v n gera W .

Com esta notao, voltando ao exemplo do espao nulo, temos sim-

7
plesmente que espnul ( A) = .
1
Temos o seguinte teorema:

Teorema. Sejam v1 , v 2 , , v n vetores de um espao vetorial V e

W = [{v1 , v 2 , , v n }] o espao gerado, ento temos que:

a) W um subespao de V.

b) W o menor subespao de V que contm todos os vetores

v1 , v 2 , , v n .

Exemplo 22. Descreva o espao gerado pelos seguintes conjuntos de

vetores.

a) v1 = (1, 0, 0)T , v 2 = (0,1, 0)T

T T
b) v1 = (1, 0,1, 0) , v 2 = (0,1, 0, 1)
 151

1 0 0 0
c) v1 = , v2 =
0 0 0 1
d) v1 = 1, v 2 = x, v 3 = x3

Soluo. a) O espao gerado, [v1 , v 2 ] o conjunto de todas as

combinaes lineares de v1 , v 2 que podem ser escritas como:
av1 + bv 2 = (a, 0, 0)T + (0, b, 0)T , sendo a e b escalares.

Logo, o espao gerado so todos os vetores da forma (a, b, 0)T 3 ,

sendo a e b escalares arbitrrios.

b) Este caso muito similar ao anterior. A combinao linear geral :

av1 + bv 2 = (a, 0, a, 0)T + (0, b, 0, b)T = (a, b, a, b)T .

Assim, [ v1 , v 2 ] so todos os vetores de 4 da forma (a, b, a, b)T

para quaisquer escalares a e b .

Ateno! Neste item, c) Escrevemos a combinao linear destes vetores

o procedimento a 0 0 0 a 0
anlogo aos itens a) e b), av 1 + bv 2 = + = .
apenas com a diferena que 0 0 0 b 0 b
no estamos trabalhando
em .
O espao gerado, W = span{v1 , v 2 } , o subespao das matrizes dia-
gonais das matrizes M 22 .

d) A combinao linear geral, neste caso, av1 + bv 2 + cv3 = a + bx + cx3

av1 + bv 2 + cv3 = a + bx + cx3 . Aqui, [{v1 , v 2 , v 3 }] o subespao dos polinmios de P3
que no tm o termo quadrtico.

Vejamos agora se conseguimos determinar o conjunto de vetores

que geram os espaos dos exemplos anteriores, de tal forma que
qualquer vetor possa ser escrito como uma combinao linear dos
vetores do conjunto.

Exemplo 23. Determine um conjunto de vetores que gerem exata-

mente cada um dos seguintes espaos vetoriais.

a) V = n

b) V = M 22

c) V = Pn

Pense no que realmente Soluo. Necessitamos achar um conjunto de vetores, tal que o es-
precisa ser verificado! pao gerado por este conjunto seja exatamente o espao dado. Em
outras palavras, devemos mostrar que o espao gerado do nosso con-
junto seja, de fato, o mesmo que o espao vetorial dado.
152

O que deve ser feito para mostrar isso? Suponhamos que queremos
mostrar que A e B so dois conjuntos iguais. Para isto, primeiro de-
vemos mostrar que cada a em A tambm est em B, e ento mostra-
remos que B, no mnimo, conter totalmente o A. Analogamente, se
cada b em B est em A, B est contido em A. Portanto, se temos que
A contm B e B contm A, podemos concluir que A e B so o mesmo
conjunto.

Assim, para os nossos exemplos, em cada caso, necessitamos exibir

um conjunto de vetores geradores, tal que cada vetor do espao ve-
torial dado V esteja nesse conjunto, para depois mostrar que cada
vetor do conjunto gerador deve estar no espao vetorial dado.

a) J mostramos que cada vetor de n pode ser escrito como uma

combinao linear dos vetores cannicos, e1 , e 2 , , en, e assim os ve-
tores cannicos geram um espao que, no mnimo, contm todo n .
Por outro lado, j que qualquer combinao linear dos vetores can-
nicos deve ser um vetor de n, podemos concluir que n deve conter
o espao gerado pelos vetores cannicos.

Logo, o espao gerado pelo conjunto de vetores cannicos deve ser

n.

b) Em um exemplo anterior, vimos que um conjunto de matrizes gera

o espao das matrizes diagonais de M 22 . H uma extenso natural
para que este conjunto gere o espao de todas as matrizes 2 2 ,
acrescentando mais dois vetores ao conjunto dado. De fato, o seguin-
te conjunto faz isso.

1 0 0 1 0 0 0 0
v1 = , v2 = , v3 = , v4 = .
0 0 0 0 1 0 0 1
Claramente, qualquer combinao linear destas quatro matrizes ser
uma matriz 2 2 , e ento o espao gerado por estas matrizes deve
estar contido em M 22 .
a b
Por outro lado, dada qualquer matriz de M 22 , M 22
c d
pode ser escrita como uma combinao linear destes vetores.
a b
A= = av1 + bv 2 + cv 3 + dv 4 , e assim, todo M 22 deve estar
c d
contido no espao gerado por estes vetores, de tal forma que estes
vetores geram M 22 .
 153

c) Lembremos que Pn o conjunto de todos os polinmios de

grau menor ou igual a n . Usando um dos exemplos anterio-
res como guia, estendemos o conjunto em forma natural para
v1 = 1, v 2 = x, v 3 = x 2 , , v n+1 = x n . Uma combinao linear desses
vetores um polinmio de grau: n ou menor, e ento estar em Pn .
Logo, o espao gerado estar em Pn . Agora, podemos escrever qual-
quer polinmio de grau n ou menor,

p = a0 + a1 x + a2 x 2 + + an x n

como a seguinte combinao linear:

p = a0 v1 + a1 v 2 + a2 v 3 + + an v n+1 .

Ento, todo Pn est contido no espao gerado por estes vetores, o

que significa que [{1, x, x 2 , , x n }] exatamente Pn .

Ainda necessrio discutir um ltimo assunto sobre espaos gera-

dos, e uma boa forma de fazer isso atravs de um exemplo.

Exemplo 24. Determine se os seguintes conjuntos geram 3 .

a) v1 = (2, 0,1)T , v 2 = (1,3, 4)T , v 3 (1,1, 2)T

b) v1 = (1, 2, 1)T , v 2 = (3, 1,1)T , v 3 (3,8, 5)T

Soluo. a) Claramente, o espao gerado por esses vetores estar em

3 . O problema agora determinar se 3 estar contido no espao
gerado por esses vetores.

No exemplo anterior, conseguimos responder com facilidade a esta

questo. Entretanto, neste caso, no parece ser to evidente.

Para resolver este problema, consideremos o seguinte procedimento:

Escolhamos arbitrariamente um vetor de 3 , u = (u1 , u2 , u3 )T , e ten-

temos encontrar escalares c1 , c2 , c3 , de tal forma que seja possvel es-
crever u como uma combinao linear dos vetores dados v1 , v 2 , v 3 .
Ou seja,
u = (u1 , u2 , u3 ) = c1 v1 + c2 v 2 + c3 v 3 = c1 (2, 0,1)T + c2 (1,3, 4)T + c3 (1,1, 2)T .

Igualando os respectivos componentes, obtemos o seguinte sistema

de equaes:
2c1 c2 + c3 = u1
3c2 + c3 = u2
3c1 + 4c2 2c3 = u3
154

Que podemos escrever em forma matricial como:

2 1 1 c1 u1

0 3 1 c2 = u2 .
1 4 2 c u
3 3
Agora precisamos saber se o sistema consistente (isto , se possui
ao menos uma soluo) para cada escolha de u = (u1 , u2 , u3 )T . Se de-
notarmos a matriz dos coeficientes como A e calcularmos o deter-
Ateno: deixamos para
minante, temos que . voc conferir!

Como o det(A) no nulo, ento a matriz dos coeficientes inver-

svel, e assim o sistema possui sempre soluo independentemente
da escolha de u = (u1 , u2 , u3 )T . Isto equivale a dizer que possvel
determinar escalares c1 , c2 , c3 , de tal forma que u (um vetor gen-
rico que representa qualquer vetor de 3 ) pode ser escrito como
uma combinao linear dos vetores dados v1 , v 2 , v 3 , o que nos diz
que 3 est contido no [{v1 , v 2 , v 3 }] , e assim temos mostrado que
[{v1 , v 2 , v 3 }] 3 .

b) Faremos este exemplo rapidamente, pois o procedimento anlogo

Observe que, de fato,

existiro infinitas escolhas
ao anterior. A matriz correspondente ,
para as quais o sistema no
ter soluo!

cujo determinante nulo e, ento, singular. Isso significa que existe,

no mnimo, algum u = (u1 , u2 , u3 )T para o qual o sistema no ter
soluo, e ento u = (u1 , u2 , u3 )T no poder ser escrito como uma
combinao linear destes trs vetores.

Resumindo, sabemos que [{v1 , v 2 , v 3 }] est contido em 3 , porm,

temos mostrado que existe pelo menos um vetor (em verdade infini-
tos) de 3 que no est contido em [{v1 , v 2 , v 3 }] e, ento, o espao
gerado por estes trs vetores no todo 3 .

Este exemplo nos mostra dois pontos principais.

Em primeiro lugar, nos mostra que nem sempre podemos esperar Esta idia ser explorada na
que quaisquer trs vetores de 3 gerem todo 3. prxima seo.

O segundo ponto observado que dois diferentes conjuntos de ve-

tores podem gerar todo 3 .
 155

Temos os trs vetores do primeiro item do exemplo anterior, como

tambm o conjunto de vetores cannicos de 3 , gerando 3 . Con-
clumos que o conjunto de vetores que geram um espao no ni-
co. Em outras palavras, podemos ter mais de um conjunto de veto-
res gerando o mesmo espao.

3.5 Independncia Linear

O conceito de gerao de um espao est relacionado com o problema
da existncia da soluo da equao vetorial v = c1 v1 + c2 v 2 + + cn v n ,
onde c1 , c2 , , cn so as incgnitas. Existir uma nica soluo
c = (c1 , c2 , , cn )T se, e somente se, a correspondente equao homo-
Voc pode lembrar de uma gnea , possuir unicamente a soluo trivial,
equivalncia idntica c = 0 . Este novo problema conduz introduo do conceito de inde-
para a soluo da
equao Ax = b . O que pendncia linear, intimamente relacionado com o conceito de gera-
seriam A, x e b ? o de espaos.

Assim, nesta seo vamos olhar mais de perto a estrutura de um

espao vetorial. Para comear, vamos restringir a espaos vetoriais
que podem ser gerados por um nmero finito de elementos. Cada
vetor no espao pode ser construdo a partir dos elementos nesse
conjunto gerado, usando-se apenas as operaes de soma e multi-
plicao por um escalar. desejvel encontrar um conjunto gerador
mnimo, vamos dizer que por economia. Por mnimo, queremos di-
zer um conjunto gerador sem elementos desnecessrios, isto , para
o qual todos os elementos no conjunto so necessrios para se gerar
o espao vetorial. Para encontrar um conjunto gerador mnimo,
preciso considerar como os vetores no conjunto dependem um do
outro. Esses conceitos simples vo nos dar a chave para entender a
estrutura dos espaos vetoriais.

3
Vamos considerar os seguintes vetores em
1 2 1

x1 = 1 , x 2 = 3 , x 3 = 3 .
2 1 8

Seja S o subespao gerado por x1 , x 2 , x 3 . Observe que S pode ser.

representado, de fato, pelos vetores x1 e x 2 , j que x 3 pertence ao es-
156

pao gerado por x1 e x 2 , ou seja, x 3 = 3x1 + 2x 2 . Qualquer combina-

o linear de x1 , x 2 , x 3 pode ser reduzida a uma combinao linear
de x1 e x 2 :

1x1 + 2 x 2 + 3 x 3 = 1x1 + 2 x 2 + 3 (3x1 + 2x 2 ) = ( 1 + 33 )x1 + ( 2 + 2 3 )x 2 .

Logo, S = [{x1 , x 2 , x 3 }] = [{x1 , x 2 }] .

.
A equao x 3 = 3x1 + 2x 2 pode ser reescrita na forma 3x1 + 2x 2 x 3 = 0 .
Como os trs coeficientes so diferentes de zero, podemos resolver
para qualquer um dos vetores em funes dos outros dois:

2 1
x1 = x 2 + x 3
3 3
3 1
x 2 = x1 + x 3
2 2
x 3 = 3x1 + 2x 2 .

Temos, ento, que [{x1 , x 2 , x 3 }] = [{x 2 , x 3 }] = [{x1 , x 3 }] = [{x1 , x 2 }] .

Por causa da relao de dependncia, o subespao S pode ser gera-

do por qualquer dos dois vetores dados.

Por outro lado, no existe nenhuma relao de dependncia entre

x1 e x 2 . De fato, se c1 e c2 forem escalares, tais que um deles dife-
rente de 0, e se c1x1 + c2 x 2 = 0 , ento poderamos resolver para um
vetor em funo do outro como:

c2 c
x1 = x 2 (c1 0) ou x 2 = 2 x1 (c2 0) .
c1 c1
No entanto, nenhum dos dois vetores em pauta mltiplo de outro.
Logo, [{x1 }] e [{x 2 }] so subespaos prprios de S e a equao
c1x1 + c2 x 2 = 0 s ser satisfeita se c1 = c2 = 0 .

Podemos generalizar esses exemplos fazendo as seguintes observa-

es:

i) Se v1 , v 2 , , v n gera um espao vetorial V e um desses vetores

pode ser escrito como um combinao linear dos outros n 1
vetores, ento esses outros n 1 vetores geram V .
 157

ii) Dados n vetores v1 , v 2 , , v n , possvel escrever um dos veto-

res como uma combinao linear de outros n 1 vetores se, e
somente se, existem escalares c1 , c2 , , cn nem todos nulos, tais
que c1 v1 + c2 v 2 + + cn v n = 0 .

Definio. Os vetores v1 , v 2 , , v n , em um espao vetorial V , so

ditos linearmente independentes se a combinao linear dos vetores
v1 , v 2 , , v n for igual ao vetor nulo, isto : c1 v1 + c2 v 2 + + cn v n = 0 .
Isto implica, necessariamente, que todos os escalares c1 , c2 , , cn de-
vem ser iguais a zero.

Como conseqncia de (i) e (ii), vemos que se {v1 , v 2 , , v n } um

conjunto gerador mnimo, ento v1 , v 2 , , v n so linearmente inde-
pendentes. Em contrapartida, se v1 , v 2 , , v n so linearmente inde-
O conceito de base ser
estudado com mais detalhes pendentes e geram V , ento {v1 , v 2 , , v n } um conjunto gerador
logo adiante. mnimo para V . Um conjunto gerador mnimo chamado de base.

1 1
Exemplo 25. Os vetores e so linearmente independentes,
1 2
1 1 0 c + c = 0
pois se c1 + c2 = , ento 1 2 . E a nica soluo
1 2 0 c
1 + 2 c2 = 0
desse sistema c1 = c2 = 0 .

Definio. Os vetores v1 , v 2 , , v n , em um espao vetorial V , so

ditos linearmente dependentes se existem escalares c1 , c2 , , cn
nem todos nulos (pelo menos um deles diferente de zero), tais que
c1 v1 + c2 v 2 + ... + cn v n = 0.

Exemplo 26. Seja x = (1, 2,3)T . Os vetores x, e1 , e 2 , e 3 so linearmente

dependentes, j que a combinao linear nula e1 + e 2 + e 3 x = 0 no
implica que todos os coeficientes c1 , c2 , , cn sejam nulos. (De fato,
veja que neste caso c1 = 1, c2 = 2, c3 = 3, c4 = 1 ).

Definio. Seja S = {v1 , v 2 ,..., v n } um conjunto de no mnimo dois

vetores (n 2) em um espao vetorial V . Ento S linearmente de-
pendente se, e somente se, um desses vetores pode ser escrito como
uma combinao linear dos restantes.

As duas ltimas definies estabelecem diferentes formas de carac-

terizar um conjunto linearmente dependente.
158

Veja, no exemplo anterior, que imediato escrever x como uma

combinao linear de e1 , e 2 , e 3 .

Dado um conjunto de vetores {v1 , v 2 , , v n } , em um espa-

o vetorial V , trivial encontrar escalares c1 , c2 , , cn , tais que
c1 v1 + c2 v 2 + ... + cn v n = 0 . Basta definir c1 = c2 = = cn = 0 .

Se existem escolhas no-triviais de escalares (quer dizer, es-

calares diferentes de zero) para os quais a combinao linear
c1 v1 + c2 v 2 + ... + cn v n igual ao vetor nulo, ento o conjunto
v1 , v 2 , , v n linearmente dependente.

Se a nica maneira de a combinao linear dos vetores

v1 , v 2 , , v n ser igual ao vetor nulo for quando todos os es-
calares forem iguais a zero, ento v1 , v 2 , , v n so
linearmente independentes.

Uma Interpretao Geomtrica da Independncia

Linear
Um vetor u linearmente independente se a combinao linear
nula cu = 0 implica necessariamente que c = 0 . Esta implicao se
cumpre se, e somente se, u 0 . Ento podemos concluir que u
linearmente independente, ou seja, u 0 .

u
u=0
0
independente dependente

Figura 3.6 - Independente e dependente.

O espao gerado por um nico vetor uma reta passando pela ori-
gem. Span{v} est formado por todos os mltiplos de v , que tm a
mesma direo de v . Os pontos extremos desses vetores esto sobre
uma reta cuja equao vetorial r = tv + r0 , onde t um escalar.
 159

Dois vetores u, v so linearmente dependentes se existem e ,

ambos no nulos, tais que u + v = 0 . Se a 0 , ento temos
u = ( / ) v . Se 0 , ento temos v = ( / )u . Assim, podemos
concluir que:

Dois vetores so linearmente dependentes se um deles mltiplo

escalar do outro. Em outras palavras, os vetores so paralelos.

Poderia enunciar qual a equivalncia contrria?

Dois vetores so linearmente independentes se os vetores no so

paralelos e, ento, no so mltiplos entre si.

v
w
v
w

independente dependente

Figura3.7 - Vetores linearmente independentes e dependentes.

O espao gerado por dois vetores linearmente independentes um

plano contendo a origem. Para ver isto em 3 , sejam v e w dados
por v = (v1 , v2 , v3 )T e w = ( w1 , w2 , w3 )T , respectivamente. O plano ge-
Isto , produto vetorial rado por v e w tem um vetor normal dado por , cuja equao
de v e w. T
vetorial (v w) ( x1 0, x2 0, x3 0) = 0 , onde x = ( x1 , x2 , x3 )T um
.
vetor que pertence ao plano gerado por v e w . Esta equao, em ter-
mos das componentes dos vetores, dada por:

(v2 w3 v3 w2 ) x1 + (v3 w1 v1w3 ) x2 + (v1w2 v2 w1 ) x3 = 0 (1) (1)

Entretanto, se por outro lado escrevemos x = ( x1 , x2 , x3 )T como uma

combinao linear de v e w, (x = v + w) , temos:
x1 = v1 + w1
x 2 = v2 + w2
x 3 = v3 + w3 .

Que pode ser reescrito em forma matricial como, e aps escalona-

mento, como:
160

Que possui soluo se, e somente se,

(v1 x3 v2 x1 )(v1w2 v2 w1 ) (v1 x2 v2 x1 )(v1w3 v3 w1 ) = 0 .

Que no outra coisa que a equao vetorial (1) anterior. Assim, ve-
mos que dois vetores linearmente independentes geram um plano
contendo esses vetores.

Para trs vetores u, v, w serem linearmente dependentes, , , ,

em todos zeros, ficam u + v + w = 0 . Se 0 , ento
u = ( / ) v + ( / )w est em um plano, em uma reta ou ainda
em um ponto, (dependendo do grau de dependncia dos trs veto-
res) gerado por v e w . Em particular, os trs vetores esto no mesmo
plano (coplanares). Argumentos similares podem ser colocados nos
casos que outros coeficientes sejam zero. Coloque trs lpis em uma
mesa com os extremos das borrachas juntos para ter um exemplo
grfico de vetores coplanares. Assim:

Trs vetores so linearmente dependentes se estes vetores es-

to no mesmo plano.

A independncia linear de trs vetores pode ser entendida pela pro-

posio contrria.

w
v v w
u u

independente dependente

Figura3.8 - Independncia linear.

Estas idias podem ser estendidas para o caso de vrios vetores. As

seguintes equivalncias podem ser teis para a compreenso dos
conceitos.
 161

Vetores linearmente dependentes: significa que um deles

uma combinao dos outros.

Investiguemos a relao entre independncia linear e gerao

de espaos.

A independncia linear de um conjunto de vetores pode ser vi-

sualizada geometricamente como um espao se expandindo na
medida em que cada um dos vetores acrescenta uma nova dire-
o, aumentando a dimenso do espao. Isto pode ser pensado
em termos de mxima eficincia na gerao do espao, desde
que todos os vetores sejam aproveitados. Ou seja, a eliminao
de qualquer vetor produzir um espao gerado menor.

3.5.1 Propriedades da Independncia Linear

A primeira propriedade est relacionada com a permanncia da in-
dependncia linear quando eliminamos vetores.

Ateno: compare com Se o conjunto linearmente independente.

o efeito na gerao linearmente independente.
de um espao.
fcil entender esta propriedade da independncia linear, no sen-
tido que no h desperdcio: se uma equipe de cinco pessoas im-
prescindvel para realizar uma determinada tarefa, ento qualquer
subgrupo de quatro (ou trs, duas ou uma delas) tambm necess-
rio, porm, no ser capaz de realizar a tarefa em forma completa.

Formulemos a propriedade recproca da propriedade acima:

Se v1 , v 2 , , v k so linearmente independentes e v k +1 pertence

ao espao gerado por {v1 , v 2 , , v k } , ento v1 , v 2 , , v k , v k +1 so li-
nearmente dependentes, de forma similar gerao de espaos.

Os procedimentos mostrados nos exemplos seguintes so teis para

determinar a independncia linear de um conjunto de vetores.

Exemplo 27. Neste exemplo, mostraremos que os vetores

v1 = (1, 1, 0,1) , v 2 = (3, 1, 4,3) , v 3 = (2, 1, 2, 2) , v 4 = (0,1, 4, 2) e
v 5 = (1, 0,3, 0) so linearmente dependentes, utilizando operaes
elementares sobre a matriz:
162

1 3 2 0 1

1 1 1 1 0
AT = [ v1 v2 v3 v4 v5 ] = .
0 4 2 4 3

1 3 2 2 0

As colunas de A so os vetores [ v1 v 2 v 3 v 4 v 5 ] . Podemos

usar as operaes elementares por colunas sobre A (ou por linhas
sobre AT ) para simplificar os vetores e obter a resposta. A forma
escalonada por colunas :

1 0 0 0 0

1 1 0 0 0
.
0 2 1 0 0

1 0 1 0 0

Observamos agora que os cinco vetores da forma escalonada so

claramente linearmente dependentes. Por exemplo, a combinao
linear com coeficientes c1 = 0 , c 2 = 0 , c 3 = 0 , c4 = 0 , c5 = 0 (nem
todos nulos) com as colunas da forma escalonada igual ao vetor
zero, e ento o conjunto das colunas linearmente dependente.
Desde que a propriedade de independncia linear de um conjunto
de vetores no mude pelas operaes elementares, conclumos que
v1 , v 2 , v 3 , v 4 , v 5 so linearmente dependentes.

O exemplo anterior nos conduz a observaes interessantes. Primei-

ro, para vetores euclidianos, a preservao da independncia linear
sob operaes elementares pode ser revista em termos de operaes
por colunas.

Se A equivalente a B por operaes por colunas, ento colunas

de B linearmente independentes correspondem a colunas de A ,
tambm linearmente independentes.

Em segundo lugar, observamos uma propriedade do tipo numrico

dimensional.

n
e v1 , v 2 , , v n so linearmente independentes, ento
S
k n.
 163

Aproveitemos este exemplo para introduzir o seguinte teorema. Se

considerarmos apenas os vetores v1 , v 2 , v 3 , v 4 , teremos:

1 3 2 0
.
1 1 1 1
A = [ v1 v2 v3 v4 ] = .
0 4 2 4

1 3 2 2
E agora a sua respectiva forma escalonada por colunas :

1 0 0 0

1 1 0 0
.
0 2 1 0

1 0 1 0

Claramente esta matriz singular.

Teorema. Sejam x1 , x 2 , , xn , n vetores em n, com x = ( x1 , x2 , , xn )T

para i = 1, , n . Se A = [x1 , x 2 , , xn ] , ento os vetores x1 , x 2 , , xn so
linearmente dependentes se, e somente se, A singular.

Demonstrao. A combinao linear nula c1x1 + c2 x 2 + + cn x n = 0

equivalente ao sistema de equaes:
c1x11 + c2 x12 + + cn x1n = 0
c1x 21 + c2 x 22 + + cn x 2 n = 0

c1x n1 + c2 x n 2 + + cn x nn = 0 .
Definido c = (c1 , c2 ,..., cn )T , o sistema pode ser escrito em forma ma-
tricial como Ac = 0 .

Essa equao tem uma soluo no trivial se, e somente se, a A

singular. Portanto, x1 , x 2 , , xn so linearmente dependentes se, e
somente se, A singular.

Podemos usar o teorema anterior para testar se n vetores so li-

nearmente independentes em n . Basta formar a matriz A , cujas
colunas so os vetores a serem testados. Para determinar se A
ou no singular, basta calcular o valor do determinante de A . Se
det(A) = 0 , os vetores so linearmente dependentes. Se det(A) 0 ,
os vetores so linearmente independentes.

164

Voltando ao exemplo anterior, temos que:

1 3 2 0
1 1 1 1
det(A) = =0
0 4 2 4
1 3 2 2
e ento os vetores so linearmente dependentes.

Na prtica, para determinar se um conjunto de vetores ou no

linearmente independente em n , precisamos resolver um sistema
homogneo de equaes lineares.

Exemplo 28. Determine se S = {1 + x, x + x 2 ,1 + x 2 } linearmente in-

dependente em P2 .

Soluo. Considere a seguinte combinao linear:

(1 + x) + ( x + x 2 ) + (1 + x 2 ) = 0 .

Reagrupando convenientemente os termos do lado esquerdo da equa-

o, podemos escrever
( + ) + ( + ) x + ( + ) x 2 = 0
0 1 + 0 x + 0 x 2 = 0 .
Sabemos que um polinmio identicamente nulo quando todos os
seus coeficientes so zero. Assim, igualando os respectivos coefi-
cientes das potncias de x , temos: + = 0 , + = 0 , + = 0 ,
que possui apenas a soluo trivial = = = 0 .

Logo, S linearmente independente.

Exemplo 29. Mostre que o conjunto de M 22 , formado por

1 1 1 0 1 2
S = , , , um conjunto linearmente depen-
0 3 2 1 6 9
dente e, em seguida, escreva um destes vetores como uma combina-
o linear dos outros.

Soluo. Considere a seguinte cominao linear nula

1 1 1 0 1 2 0 0
+ + = .
0 3 2 1 6 9 0 0
Esta equao equivalente ao sistema:
 165

= 0
2 = 0
2 + 6 = 0
3 + + 9 = 0 ,

Ateno: verifique onde , , soluo, sendo k arbitrrio.

essa soluo!
Logo, S linearmente dependente. Por exemplo, se escolhermos
k = 1 , temos que:
1 1 1 0 1 2 0 0
2 3 + = ,
0 3 2 1 6 9 0 0
e assim, podemos escrever

1 1 3 1 0 1 1 2
= + ,
0 3 2 2 1 2 6 9
ou tambm

1 2 1 1 1 0
= 2 + 3 ,
6 9 0 3 2 1
ou ainda

1 0 2 1 1 1 1 2
= + .
2 1 3 0 3 3 6 9

Exerccios Propostos
1) Determine se os vetores dados so ou no linearmente inde-
pendentes em 2 .

2 3 1 1 2
a) , d) , ,
1 2 2 2 4
2 4 1 1
b) , e) ,
3 6 2 1
2 1 2
c) , ,
1 3 4
2) Determine se os vetores so ou no linearmente independen-
3
tes em .

1 0 1 2 2 4
a) 0 , 1 , 0 d) 1 , 1 , 2
0 1 1 2 2 4

166

1 0 1 1 1 0
b) 0 , 1 , 0 , 2 e) 1 , 2
0 1 1 3 3 1

2 3 4

c) 1 , 2 , 2
2 2 4

3) Descreva geometricamente o espao gerado por cada um dos

seguintes vetores no exerccio 2.

4) Determine se os vetores dados so ou no linearmente inde-

pendente em 22 .

1 0 0 1
a) ,
1 1 0 0
1 0 0 1 0 0
b) , ,
0 1 0 0 0 1
1 0 0 1 2 3
c) , ,
0 1 0 0 0 2

5) Determine se os vetores dados so ou no linearmente inde-

pendentes em P3 .

a) 1, x 2 , x 2 2 c) x + 2, x + 1, x 2 1

b) 2, x 2 , x, 2 x + 3 d) x + 2, x 2 1

3.6 Bases e Dimenso

O conjunto de vetores S = {(1,1)T , (1, 1)T } gera 2 , isto , qualquer
vetor em 2 pode ser obtido como uma combinao linear de (1,1)T
e (1, 1)T .

O conjunto de vetores T = {(1,1)T , (1, 1)T , (1, 0)T } tambm gera 2 .

Os conjuntos S e T diferem entre si: S linearmente independente,
enquanto T linearmente dependente, o que faz diferena quando
escrevemos um vetor como uma combinao linear dos vetores de
cada um dos conjuntos.

Por exemplo, para escrevermos (2, 4)T em termos dos vetores de S ,

conseguimos de uma nica maneira: (2, 4)T = 3(1,1)T (1, 1)T .
 167

Entretanto, em termos dos vetores de T , temos vrias possibilidades:

(2, 4)T = 3(1,1)T (1, 1)T + 0(1, 0)T

(2, 4)T = 0(1,1)T 4(1, 1)T + 6(1, 0)T
(2, 4)T = 4(1,1)T + 0(1, 1)T 2(1, 0)T

ou, em geral, (2, 4)T = (k + 4)(1,1)T + k (1, 1)T + (2 2k )(1, 0)T .

O ponto chave : se um conjunto de vetores gera V e esse conjunto

for linearmente dependente, ento a representao de um vetor x
em termos dos vetores desse conjunto no nica.

Para se ter unicidade, o conjunto gerador deve ser tambm linear-

mente independente. Um conjunto assim chamado de uma base
para V .

Em geral, considere a equao vetorial c1 v1 + c2 v 2 + + cn v n = v em

um espao vetorial V , onde c1 , c2 , , cn so as incgnitas. A existn-
cia de solues para todo v V equivalente a ter V gerado pelos
vetores v1 , v 2 , , v n . Entretanto, a propriedade de independncia li-
near sobre v1 , v 2 , , v n garantir a unicidade da soluo.

Definio. Os vetores v1 , v 2 , , v n formam uma base para o espao

vetorial V se, e somente se, v1 , v 2 , , v n so linearmente indepen-
dentes e geram V .

Assim, para determinar se um conjunto de vetores uma base para

V , suficiente verificar se o conjunto gera V e linearmente inde-
pendente.

Exemplo 30. Mostre que o conjunto S = {(1, 2)T , (3, 1)T } uma base
para 2 .

Soluo. Devemos mostrar que S linearmente independente, o que

equivale a mostrar que (1, 2)T + (3, 1)T = (0, 0)T tem como nica
soluo = = 0 , ou que (1, 2)T + (3, 1)T = (a, b)T tem uma
nica soluo para qualquer (a, b)T .

Estas equaes podem ser escritas matricialmente (em sua forma au-
mentada) como:

1 3 a 1 3 0
e .
2 1 b 2 1 0
168

Em vez de resolver ambos os sistemas separadamente, (por economia)

o resolvemos simultaneamente, trabalhando com uma matriz dupla-
mente aumentada:
1 3 a 0
.
2 1 b 0
Escalonando, obtemos:

gereo

1 3 a 0
.
1 (b + 2a ) 7 0
0

independncia linear

Achamos, para gerao, que = (a + 3b) 7 , = (2a b) 7 e, para

independncia linear, que = = 0 . J que S linearmente inde-
pendente e gera 2 , uma base para 2 .

Neste exemplo, os coeficientes da combinao linear so nicos para

um vetor (a, b)T dado. O que verdade, em geral.

Teorema. Seja S = {v1 , v 2 , , v n } uma base para um espao ve-

torial V . Seja v um vetor em V . Os coeficientes na representao
v = c1 v1 + c2 v 2 + + cn v n so nicos.

Prova. Suponhamos que temos duas representaes para v :

v = a1 v1 + a2 v 2 + + an v n e v = b1 v1 + b2 v 2 + + bn v n . Mostrare-
mos que os coeficientes so iguais.

Para isto, formamos a soma v + ( v ) , que igual a 0 . Recombinando

os diferentes termos, obtemos

0 = v + ( v ) = (a1 b1 ) v1 + (a2 b2 ) v 2 + + (an bn ) v n .

Desde que S seja uma base com um conjunto de vetores linearmente

independentes, os coeficientes da combinao linear devem ser to-
dos iguais a zero. Isto , a1 = b1 , a2 = b2 , , an = bn , os coeficientes da
combinao linear original so os mesmos.

Exemplo 31. Os vetores cannicos e1 = (1, 0, 0) , e 2 = (0,1, 0) e

e 3 = (0, 0,1) geram 3 e so linearmente independentes. Logo, o
conjunto {e1 , e 2 , e 3 } uma base para 3 . Este fato se estende natu-
ralmente para os vetores cannicos de n .

Exemplo 32. Os monmios 1, t , , t n geram Pn e so linearmente

independentes. Logo, so uma base para Pn .
 169

Exemplo 33. As seguintes igualdades:

a b 1 0 0 1 0 0 0 0
A= = a + b + c +d = aE11 + bE12 + cE 21 + dE 22
c d 0 0 0 0 1 0 0 1

tm duas implicaes. Qualquer matriz 2 2 uma combinao li-

near de E11 , E12 , E 21 , E 22 . Se a combinao linear de E11 , E12 , E 21 , E 22
(com a, b, c, d como coeficientes) a matriz nula, ento todos os coe-
ficientes de A (que so a, b, c, d ) devem ser zero.

A primeira implicao significa exatamente que M 22 gerado por

E11 , E12 , E 21 , E 22 e a segunda que E11 , E12 , E 21 , E 22 so linearmente in-
dependentes. Logo, {E11 , E12 , E 21 , E 22 } uma base para M 22 .

Em geral, seja E ij uma matriz m n , cujas entradas so todas iguais

a zero, exceto na entrada correspondente a i, j , que igual a um
para qualquer vetor b = (b1 , b1 , b1 )T . Ento, {E ij :1 i m, 1 j n}
uma base para M mn .

Exemplo 34. O sistema

3x1 + x2 x3 = 2
x1 x2 + x3 = 2
2 x1 + 2 x2 + x3 = 6
tem uma nica soluo (confira!). J que o nmero de linhas e colu-
nas igual, sabemos que o sistema mais geral:
3 x1 + x2 x3 = b1
x1 x2 + x3 = b2
2 x1 + 2 x2 + x3 = b3
possui uma nica soluo para qualquer vetor b = (b1 , b1 , b1 )T (por
qu?). J que esse sistema a mesma coisa que a equao vetorial:

x1 (3,1, 2) + x 2 (1, 1, 2) + x 3 (1,1,1) = (b1 , b2 , b3 )

e isto implica que os vetores (3,1, 2) , (1, 1, 2) , (1,1,1) geram 3 ,

e a unicidade implica que os trs vetores so linearmente indepen-
dentes. Conclumos, ento, que os trs vetores formam uma base
para 3 .
170

Os argumentos utilizados neste ltimo exemplo se aplicam, em ge-

ral, a conjuntos de vetores euclidianos. Uma base para n sempre
significa a existncia de n vetores linearmente independentes.

Se as colunas de uma matriz A formam uma base para n , ento A

deve ser uma matriz n n . Voc precisa de n vetores de n linear-
mente independentes para gerar todo n . interessante a seguinte
equivalncia:

Colunas de A formam uma base de n Ax = b tem uma

nica soluo para qualquer b .

Exemplo 35. Em muitas aplicaes, necessrio encontrar um su-

bespao particular de um espao vetorial. Isto pode ser feito encon-
trando-se os elementos de uma base para o subespao. Por exemplo,
para encontrar todas as solues do sistema
x1 + x2 + x3 = 0
2 x1 + x2 + x4 = 0
1 1 1 0
precisamos encontrar o ncleo da matriz A = , que o
2 1 0 1
subespao de 4 gerado pelos vetores:
1 1

1
2 e .
1 0

0 1
Como esses dois vetores so linearmente independentes, eles for-
mam uma base para 4 .

T T T
Exemplo 36. Mostre que o conjunto S = {(1, 2) , (3, 1) , (1, 0) } no
uma base para 2 .

Soluo. O conjunto S linearmente dependente, j que, por exem-

plo, (1, 2)T + 2(3, 1)T 7(1, 0)T = (0, 0)T . Ento S no pode ser uma
base para 2 .

Comentrio. Apenas temos que mostrar que uma das condies

dadas na definio de base no satisfeita, neste caso a indepen-
dncia linear.
 171

Exemplo 37. O espao vetorial formado apenas pelo vetor zero no

possui uma base porque qualquer subconjunto de vetores, incluin-
do o vetor zero, linearmente dependente.

Para mostrar que nem todo espao possui uma base, precisamos de-
cidir sob quais condies um espao vetorial dado possui uma base
ou no. O conceito de conjuntos de vetores geradores nos ajudar a
responder essa questo.

Teorema. Se S = {v1 , v 2 , , v n } um conjunto de vetores no nulos que

geram um subespao W de um espao vetorial V , ento algum subconjunto
de S uma base para W (que pode ser o prprio S ).

Prova. Se S for um conjunto linearmente independente, ento, por

definio, S uma base para W . Se S for linearmente dependente,
ento, no mnimo, um dos vetores pode ser escrito como uma com-
binao linear dos outros. Suponhamos que v n seja tal vetor (se no
for o caso, role os vetores em S at que isto seja verdade). Postula-
mos que S ' = {v1 , v 2 , , v n-1 } continua gerando W .

Para ver isto, seja um vetor x em W que escrevemos como:

x = c1 v1 + c2 v 2 + + cn 1 v n-1 + cn v n .

Agora, como v n = d1 v1 + d 2 v 2 + + d n 1 v n-1 ( o vetor que estamos

supondo ser uma combinao linear dos outros), substituindo na ex-
presso anterior e remanejando a equao, temos:

x = (c1 cn d1 ) v1 + (c2 cn d 2 ) v 2 + + (cn 1 cn d n 1 ) .

Logo, S ' gera W .

Se S ' linearmente independente, S ' uma base de W . Se S '

linearmente dependente, um dos vetores de S ' uma combinao
linear dos outros.

Agora, podemos argumentar como antes e repetir o processo, eli-

minando vetores at encontrar fatalmente um conjunto linearmente
independente que gere W . (Se reduzirmos o conjunto a um nico
vetor, esse conjunto linearmente independente, j que S foi defini-
do como um conjunto de vetores no nulos). O conjunto resultante
uma base para W .
172

Ento, temos um resultado fundamental:

Qualquer espao vetorial finito gerado por um conjunto de ve-

tores no nulos possui uma base.

Exemplo 38. Seja V o conjunto de todos os polinmios munido com

as operaes usuais. O espao vetorial gerado V no finito. De fato,
se tomamos qualquer subconjunto finito S de V , ento haver um
termo de grau mximo, digamos t p , no conjunto. O polinmio t p +1
no est agora no espao gerado S , e ento S no pode gerar V .

Restringiremos o nosso estudo s bases de espaos vetoriais

finitos.

No Exemplo 36, mostramos que qualquer conjunto de trs ou mais

vetores de 2 no pode ser uma base para 2 . Esses vetores pode-
riam ser coplanares e formar um conjunto linearmente dependente.
Um conjunto de apenas um vetor (trs demais, um pouco) tam-
pouco pode ser uma base para 2 , j que gera apenas uma reta atra-
vs da origem. Podemos concluir, ento, que qualquer base para 2
deve conter exatamente dois vetores. Veja o seguinte teorema.

Teorema. Se S = {v1 , v 2 , , v n } uma base para V , ento qualquer con-

junto de n + 1 (ou mais) vetores linearmente dependente, e ento, no
uma base para V . Por outro lado, qualquer conjunto de n 1 (ou menos)
vetores no suficiente para gerar V , e ento, no uma base para V .

Prova. i) Seja T = {c1w 1 + c2 w 2 + + cn w n + cn +1w n+1 } , isto , T

contm exatamente n + 1 vetores. Mostraremos que T no pode ser
uma base, evidenciando que T linearmente dependente. Para isso,
consideremos

c1w 1 + c2 w 2 + + cn w n + cn +1w n+1 = 0 (1)

Cada w k pode ser escrito como

w k = a1k v1 + a2 k v 2 + + ank v n , k = 1, 2, , n + 1 ,

desde que S gera V . Substituindo cada w k na equao (1), temos:

n +1 n +1 n n
n +1

k =1
ck w k =
k =1
ck jk j
j =1
a v = a jk ck v j = 0 .
j =1 k =1
 173

J que S linearmente independente.

n +1

a
k =1
c = 0 , j = 1, , n
jk k

Este um sistema de equaes homogneo que tem menos equaes

(n) que incgnitas (n + 1) ; de tal forma, existe uma soluo distinta
da trivial para c1 , c2 , , cn , cn +1 . Isto significa que T linearmente
dependente.

Agora, suponhamos que T contenha mais que (n + 1) vetores. Seja

T um subconjunto de (n + 1) vetores, que deve ser linearmente de-
pendente (como acabamos de mostrar). Como T T , o conjunto T
contm um subconjunto linearmente dependente, e ento deve ser
linearmente dependente.

ii) Suponhamos agora que T contm n 1 vetores e gera V .

Ento, por um teorema anterior, T deve possuir uma base para V .

Se contm r vetores, devemos ter que r n 1 . J que uma
base e S tem r + 1 ou mais vetores, devemos concluir, levando em
considerao o item i, que S linearmente dependente. Isto contra-
diz o fato que S uma base.

Neste ponto, sabemos que um espao vetorial finito gerado por um

conjunto de vetores no nulos tem uma base e de dimenso finita.

O teorema diz que o nmero de vetores em uma base nico. Se

acharmos uma base S para V e S tiver sete vetores, ento qualquer
base dever ter sete vetores. Podemos ter infinitas bases para V ,
porm cada uma delas ter apenas sete vetores. Este fato nos leva a
definir a dimenso de um espao vetorial como sendo o nmero de
vetores que formam a base para V .

Definio. Se uma base S tem n vetores, a dimenso de V n ,

e escrevemos dim(V ) = n , e dizemos V de dimenso finita. Em par-
ticular, V chamado como um espao vetorial n -dimensional quando
a base para V tem n vetores.

A dimenso do espao vetorial contendo o vetor zero, unicamente,

est definida como sendo zero. Agora vamos aos exemplos. Esta-
remos interessados em determinar uma base e sua dimenso para
diferentes espaos vetoriais. Veja que o procedimento ser repetido
174

em cada caso: propor uma base (a partir de uma heurstica) e testar

gerao e independncia linear. Nos seguintes exemplos, mostram-
se as bases cannicas de diferentes espaos vetoriais.

Exemplo 39. Mostre que n tem a base (cannica) {e1 , e 2 ,..., en } ,

onde
T

e j = 0, , 1 , , 0 .
j esima
componente

Soluo. Para testar gerao, consideremos qualquer vetor

x = ( x1 , x2 , , xn )T n e observemos que x = x1e1 + x2e 2 + + xn en .

Para testar independncia linear, consideremos a combinao li-

near nula c1e1 + c2e 2 + + cnen = 0 . Logo, encontramos que
c1 = c2 = = cn = 0 . Assim, {e1 , e 2 , , en } uma base para n ,
e dim( n ) = n .

natural associar a base cannica com alguns espaos que nos so

familiares:

1 um objeto unidimensional

2
um objeto bidimensional

3 um objeto tridimensional

Comentrio. Observando alguns dos exemplos anteriores, vemos que

existem diversas bases possveis para 2 . Em geral, para um espao
vetorial finito, no nulo, existe um nmero infinito de bases. Entre-
tanto, o nmero de elementos, em qualquer uma dessas bases, sem-
pre o mesmo, e lembre-se que este nmero a dimenso do espao.

Exemplo 40. Mostre que M 23 tem dimenso 6.

Soluo. A base cannica

1 0 0 0 1 0 0 0 1 0 0 0 0 0 0 0 0 0
S = , , , , , .
0 0 0 0 0 0 0 0 0 1 0 0 0 1 0 0 0 1

Assim, dim (M 23 ) = 6 , igual ao nmero de vetores em S .

Exemplo 41. O espao vetorial Pn , polinmios de grau n , tem di-

menso n + 1 .
 175

Soluo. Uma base S = {1, x, , x n } . Confiramos primeiro a inde-

pendncia linear. A equao a01 + a1 x + + an 1 x n = 0 se satisfaz so-
mente se o polinmio do lado esquerdo for zero para todo nmero
real x . E isto acontece somente se todos os coeficientes so nulos,
isto , somente se a1 = a2 = = an = 0 . Logo, S linearmente inde-
pendente. Pode ser visto que S gera Pn pelo fato de que qualquer
polinmio em Pn da forma a01 + a1 x + + an 1 x n .

Agora que sabemos o que base de um espao vetorial, iremos

colocar o que se conhece como o segundo problema fundamental da
lgebra linear.

O Problema das Bases

Seja V um espao vetorial. O problema das bases (PB) pode ser co-
locado de duas maneiras:

Problema 1. Construir uma base para V , selecionando vetores de V .

Problema 2. Dado um conjunto S de vetores em V , construir uma

base para V acrescentando ou eliminando alguns (mas no todos)
vetores de S , ou algumas vezes ambas as coisas.

Antes de comear a resolver estes problemas, poderamos nos per-

guntar se h alguma garantia de que realmente exista resposta para
eles. Lembre-se do Teorema da pgina 172, que nos diz: jogue fora
os vetores dependentes para obter um conjunto gerador e assim ob-
ter uma base, o qual poder nos ajudar nesse momento.

Exemplo 42. (Problema 2 do PB). Seja S = {(1, 0,3)T , (2,1, 4)T }. Ache
uma base T para 3 que contenha S .

Soluo 1. J que 3 tem dimenso 3, sabemos que T deve conter

exatamente trs vetores. O conjunto S j linearmente independente,
assim, devemos acrescentar somente um vetor a este conjunto. O novo
vetor que juntaremos aos do conjunto S deve ser tal que o conjunto
T seja linearmente independente. Isto significa que o novo vetor no
deve pertencer ao espao gerado pelos vetores que j estavam em S .

Ento, primeiro determinamos o espao gerado pelos vetores:

Deixamos pra
voc conferir! .
176

E agora o que devemos garantir que o novo vetor no seja da forma

( + 2 , ,3 + 4 )T .

Vejamos como fazer isto. Suponhamos que o nos-

so novo vetor seja x = (x1 , x2 , x3 ) , e foramos a equao
T

( + 2 , ,3 + 4 )T = ( x1 , x2 , x3 )T para no ter soluo para e

. Isto nos leva, resolvendo esse sistema, a escolher x , de tal forma
que x3 3x1 + 2 x2 0 , para conseguirmos ter um vetor que no per-
tena [(1, 0,3)T , (2,1, 4)T ] . Logo, (0,1, 0)T funciona (de fato, existem
infinitas escolhas), e ento o conjunto {(1, 0,3)T , (2,1, 4)T , (0,1, 0)T }
uma base para 3 .

Soluo 2. Se o terceiro vetor x = ( x1 , x2 , x3 )T fosse escolhido de tal

forma que {(1, 0,3)T , (2,1, 4)T , ( x1 , x2 , x3 )T } seja linearmente depen-
dente, ento:
1 0 3
2 1 4 =0
x1 x2 x3
devido a uma das linhas ser uma combinao linear das outras. Como
o nosso propsito justamente o contrrio, se requerermos que
1 0 3
2 1 4 0,
x1 x2 x3
obtemos novamente x3 3x1 + 2 x2 0 , que a mesma condio ob-
tida na Soluo 1.

Soluo 3. (Tentativa e erro)

Chutaremos como candidato ao terceiro vetor os vetores cannicos,

at que algum deles funcione. Tentaremos inicialmente com Ateno: Tente voc com
e conferiremos a independncia linear. Para isso, formamos a seguinte outro vetor cannico!

combinao linear nula:

(1, 0,3)T + (2,1, 4)T + (1, 0, 0)T = (0, 0, 0)T ,

o que nos leva a resolver

1 2 1 0 1 2 1 0

0 1 0 0 0 1 0 0 .
3 4 0 0 0 0 1 0

 177

Nossa primeira tentativa teve sucesso, os vetores so linearmente in-

dependentes e formam a base {(1, 0,3)T , (2,1, 4)T , (1, 0, 0)T } .

Neste exemplo usamos implicitamente o seguinte teorema.

Teorema: Seja e S = {v1 , v 2 ,..., v n } um subconjunto

de V. As seguintes afirmativas so equivalentes:

1) O conjunto S uma base para V,

2) O conjunto S linearmente independente,

3) O conjunto S gera V.

Observe que, se tivssemos disposto deste teorema, os exemplos

anteriores teriam sido resolvidos com a metade do trabalho. Seria
suficiente mostrar independncia linear.

Exemplo 43. (Problema 1 do PB). Ache uma base para o espao

soluo de:
x1 + x2 x3 + 2 x4 = 0
x2 + x3 x4 = 0
3 x1 + 4 x2 2 x3 + 5 x4 = 0 .

Soluo: Resolvendo o sistema, temos que x3 = , x4 = , e ento

Deixamos pra .
voc conferir!

J que S = {(2, 1, 0,1)T + (3,1,1, 0)T } gera o espao soluo e li-

nearmente independente, S uma base para o espao soluo.

Estes dois ltimos exemplos mostram que resolver o PB no segue

um procedimento padro ou a utilizao de uma frmula. Requer
habilidade, versatilidade e uma familiaridade com vrios conceitos
anteriores.

Exemplo 44. O conjunto

span( S ) = [(1, 1, 2)T , (0,5, 8)T , (3, 2, 2)T , (8, 2, 0)T ]

um espao vetorial. Ache uma base para esse espao.

178

Soluo. Devemos eliminar os vetores que so combinao linear dos

outros. Para descobrir essa dependncia, consideremos a seguinte
combinao linear:

a (1, 1, 2)T + b(0,5, 8)T + c(3, 2, 2)T + d (8, 2, 0)T = (0, 0, 0)T (1)(1)

Se escrevemos esse sistema em forma matricial e escalonamos por

linhas, temos:

1 0 3 8 0 1 0 3 8 0

1 5 2 2 0 0 1 1 2 0 .

2 8 2 0 0 0 0 0 0 0
As solues so d = d , c = c, b = c 2d , a = 3c 8d . Temos duas
variveis livres.

Escolhendo d = 1 , c = 0 , temos (8, 2, 0)T = 8(1, 1, 2)T + 2(0,5, 8)T .

Escolhendo d = 0 , c = 1 , temos (3, 2, 2)T = 3(1, 1, 2)T + (0,5, 8)T .
T
Logo, (8, 2, 0)T e (3, 2, 2)T dependem de (1, 1, 2)T e (0,5, 8) ,
e ento o span( S ) = [(1, 1, 2)T , (0,5, 8)T ] . A dimenso de S dois.

No exemplo anterior, as colunas da matriz aumentada que cor-

respondem ao lado esquerdo da equao (1) so os vetores de S .
Alm disso, o nmero de linhas (duas) no nulas da forma escalona-
da igual dimenso do span( S ) .

Em geral, para problemas em n , como no caso do exemplo 43, con-

tamos com a ajuda de um teorema. Observamos que, para uma ma-
triz A , m n , se considerarmos as linhas como vetores de n , ento
o espao gerado por esses vetores chamado o espao linha de A .

Teorema. Se S = {v1 , v 2 , , v n } um conjunto de vetores de n e A a

matriz construda pondo v1 na linha 1, v 2 na linha 2, e assim por diante;
e se B a matriz que resulta reduzindo A forma escalonada por linhas,
ento as linhas no nulas de B formam uma base para o espao linha de A .
Isto , as linhas no nulas de B formam uma base para span( S ) .
v1T
T
v
Prova. Seja a matriz A = 2 .

T
vn
No processo de escalonar uma matriz por linhas, usamos as operaes
elementares por linhas. Lembrando do procedimento para realizar es-
 179

sas operaes, temos que, se forem obtidas linhas de zeros, essas li-
nhas devem ser combinaes lineares das outras linhas do conjunto.
As linhas restantes (no nulas) resultam das combinaes lineares dos
vetores linearmente independentes do conjunto original. Ento, o es-
pao gerado pelas linhas no nulas o mesmo que o gerado por S .
Assim, as linhas no nulas, sendo independentes, formam uma base
para span( S ) e dim(span( S )) nmero de linhas no nulas.

Exemplo 45. Resolver novamente o Exemplo 43 usando o teorema

anterior.

Soluo. Construimos A e a escalonamos por linhas,

1 1 2
1 1 2
8
0 5 8 0 1 5
3 2 2
0 0 0

8 2 0 0 0 0

8
T

Pelo teorema, span( S ) = (1, 1, 2)T , 0,1, e

5
dim(span( S )) = 2 .

3.6.2 Mudana de Bases

Muitos problemas aplicados podem ser simplificados mudando-se
de um sistema de coordenadas para outro. Mudar sistemas de co-
ordenadas em um espao vetorial , essencialmente, a mesma coisa
que mudar de base. Por exemplo, ao descrever o movimento de uma
partcula no plano muitas vezes conveniente usar uma base de 2
formada por um vetor tangente unitrio T e um vetor normal unit-
rio N , associado curva, em vez da base cannica {e1 , e 2 }.

Nesta seo, vamos discutir o problema de mudar de um sistema de

coordenadas para outro.

Vamos mostrar que isso pode ser feito multiplicando-se um vetor de

coordenadas dado x por uma matriz inversvel S .
180

O produto y = Sx vai ser o vetor de coordenadas para o novo

sistema.

3.6.3 Mudanas de Coordenadas em

A base cannica para 2 [e1 , e 2 ] . Qualquer vetor x em 2
pode ser escrito como uma combinao linear dessa base
x = ( x1 , x2 )T = x1e1 + x2e 2 .

Os escalares x1 e x2 so as coordenadas de x em relao base ca-

nnica. De fato, para qualquer base {u1 , u 2 } para 2 , um dado vetor
x pode ser representado de maneira nica como uma combinao
linear x = 1u1 + 2u 2 .

Os escalares 1, 2 so as coordenadas de x em relao base {u1 , u 2 } .

Vamos ordenar os elementos da base, de modo que u1 seja o primei-
ro vetor da base e u 2 seja o segundo, e vamos denotar a base orde-
nada por [u1 , u 2 ] . Podemos, ento, nos referir ao vetor ( 1 , 2 )T como
sendo o vetor de coordenadas de x em relao base {u1 , u 2 }.

T T
Exemplo 46. Sejam u1 = (2,1) e u1 = (1, 4) . Os vetores so line-
amente independentes, e portanto, formam uma base para 2 .
O vetor x = (7, 7)T pode se escrito como uma combinao linear
x = 3u1 + u 2 .

Logo, o vetor de coordenadas de x em relao a [u1 , u 2 ] (3,1)T .

Geometricamente, esse vetor no diz como sair da origem e chegar

ao ponto (7, 7) , movendo-nos primeiro na direo de u1 , e depois
na direo de u 2 .

O vetor de coordenadas de x em relao base ordenada [u1 , u 2 ]

(1,3)T . Geometricamente, esse vetor nos diz como sair da origem
e chegar a (7, 7) , movendo-nos primeiro na direo de u 2 , e depois
na direo de u1 .
 181

7
3u1
u2
4 x
u2 3u1

u1
2 4 6 7

Figura 3.9 - Combinao linear

Uma vez decididos a trabalhar com uma nova base, temos o proble-
ma de encontrar as coordenadas em relao a essa nova base. Por
exemplo, em vez de usarmos a base cannica para o 2 , usarmos
uma base diferente,

3 1
u1 = , u 2 = .
2 1
De fato, podemos mudar nos dois sentidos entre os dois sistemas de
coordenadas. Vamos considerar os dois problemas seguintes:

1) Dada um vetor x = ( x1 , x2 )T , encontre suas coordenas em rela-

o a u1 e u 2 .

2) Dado um vetor x = 1u1 + 2u 2 , encontre suas coordenadas em

relao a e1 e e 2 .

Vamos resolver o item 2 primeiro (mais fcil). Para mudar da base

[u1 , u 2 ] para a base [e1 , e 2 ] , precisamos expressar os elementos da base
antiga, u1 e u 2 , em termos dos elementos da nova base, e1 e e 2 .
u1 = 3e1 + 2e 2
u 2 = e1 + e 2 .
Temos, ento, que

1u1 + 2u 2 = (31e1 + 2 1e 2 ) + ( 2e1 + 2e 2 )

= (31 + 2 )e1 + (2 1 + 2 )e 2.
 182

Logo, o vetor de coordenadas de 1u1 + 2u 2 em relao a [e1 , e 2 ]

3 + 2 3 1 1 3 1
x= 1 = , definindo U = (u1 , u 2 ) = .
2
1 + 2 2 1 2 2 1
Temos que, dado qualquer vetor de coordenadas = ( 1 , 2 )T em
relao a [u1 , u 2 ] , para encontrar o vetor de coordenadas x corres-
pondentes em relao a [e1 , e 2 ] , basta multiplicar U e .

x =U (1)

A matriz U chamada de matriz de mudana de base de [u1 , u 2 ]

para [e1 , e 2 ] .

Para resolver o problema 1, precisamos encontrar a matriz de mu-

dana de base de [e1 , e 2 ] para [u1 , u 2 ] . A matriz U inversvel, j
que suas colunas so vetores linearmente independentes.

Da equao (1), temos que: = U 1x .

Logo, dado um vetor: x = ( x1 , x2 )T = x1e1 + x2e 2 , basta multiplic-lo por

U 1 para encontrar seu vetor de coordenadas em relao a [u1 , u 2 ]. U 1
[u1 , u 2 ] U 1 a matriz de mudana de base de [e1 , e 2 ] para [u1 , u 2 ] .

3 1 7
Exemplo 47. Sejam u1 = , u 2 e x = . Encontre as coordena-
2 1 4
das de x em relao a [u1 , u 2 ] .

Soluo. Pela discusso precedente, a matriz de mudana de base de

3 1
[e1 , e 2 ] para [u1 , u 2 ] a inversa de U = (u1 , u 2 ) = .
2 1
1 1 7 3
Logo, = U 1x = = .
2 3 4 2
O vetor de coordenadas desejado x = 3u1 2u 2 .

Exemplo 48. Seja b1 = (1, 1)T e b1 = (2,3)T . Encontre a matriz de

mudana de base de [e1 , e 2 ] para [b1 , b 2 ] e determine as coordena-
das de x = (1, 2)T em relao a [b1 , b 2 ] .

Soluo. A matriz de mudana de base de [b1 , b 2 ] para [e1 , e 2 ]

1 2
B = (b1 , b 2 ) = .
1 3
 183

Logo, a matriz de mudana de base de [e1 , e 2 ] para [b1 , b 2 ]

3 2
B 1 = .
1 1
O vetor de coordenadas de x em relao a [b1 , b 2 ]
3 2 1 7
= B 1x = = .
1 1 2 3
E, portanto, x = 7b1 + 3b2 .

s s12
Se S = 11 a matriz de mudana de base de uma base or-
s21 s22
denada [ v1 , v 2 ] em 2 para outra base ordenada [u1 , u 2 ] , ento

v1 = 1v1 + 0 v 2 . O vetor de coordenadas de v1 em relao a [u1 , u 2 ]

s s 1 s
dado por S1 = 11 12 = 11 .
s21 s22 0 s21
Analogamente, para v 2 , v 2 = 0 v1 + 1v 2 .

E seu vetor de coordenadas em relao a [u1 , u 2 ] dado por

s s 0 s
S 2 = 11 12 = 12 .
s21 s22 1 s22
Logo,
v1 = s11u1 + s21u 2
(1)
v 2 = s12u1 + s22u 2 .
Em geral, se os elementos da base antiga v1 e v 2 so escritos em
termos da nova base [u1 , u 2 ] , o vetor de coordenadas s1 = ( s11 , s21 )
correspondente a v1 a primeira coluna da matriz mudana de base
S e o vetor de coordenadas s 2 = ( s12 , s22 ) correspondente a v 2 a
segunda coluna de S . Logo, S a transposta da matriz de coeficien-
tes em (1).

Exemplo 49. Encontre a matriz de mudana de base de [ v1 , v 2 ] para

[u1 , u 2 ] , onde

5 7 3 1
v 1 = , v 2 = , u1 = , u 2 = .
2 3 2 1
Soluo. Precisamos escrever v1 e v 2 em termos dos elementos da
nova base u1 e u 2 ,
v1 = s11u1 + s21u 2
v 2 = s12u1 + s22u 2 .
184

5 3s + s
A primeira equao pode ser escrita como = 11 21 .
2 2 s11 + s21
A soluo desse sistema ( s11 , s21 )T = (3, 4)T . Analogamente, a se-

gunda equao nos leva ao sistema 7 = 3s12 + s22 , cuja soluo

2s + s
( s , s )T = (4, 5)T . 3 12 22
12 22

3 4
Portanto, S = a matriz de mudana de base de [ v1 , v 2 ]
4 5
para [u1 , u 2 ] .

Um mtodo alternativo para mudar de uma base [ v1 , v 2 ] para ou-

tra base [u1 , u 2 ] mudar primeiro de [ v1 , v 2 ] para a base cannica
[e1 , e 2 ] e depois mudar para [u1 , u 2 ] .

Dado um vetor x 2 , se c o vetor de coordenadas de x em

relao a [ v1 , v 2 ] e d o vetor de coordenadas de x em relao a
[u1 , u 2 ] , ento

c1 v1 + c2 v 2 = x1e1 + x2e 2 = d1u1 + d 2u 2 .

Como V a matriz de mudana de base de [ v1 , v 2 ] para [e1 , e 2 ] e

U 1 a matriz mudana de base de [e1 , e 2 ] para [u1 , u 2 ] , tem-se que
Vc = x e U 1x = d .

E, portanto, U 1Vc = U 1x = d .

Logo , U 1V a matriz mudana de base de [ v1 , v 2 ] para [u1 , u 2 ] .

[v1,v2] V [e1,e2]

U1
U1V

[u1,u2]

Figura 3.10 - Mudana de base

Exemplo 50. Sejam [ v1 , v 2 ] e [u1 , u 2 ] as bases ordenadas do exem-

plo anterior. A matriz de mudana de base de [ v1 , v 2 ] para [u1 , u 2 ]
dada por:
1 1 5 7 3 4
U 1V = = .
2 3 2 3 4 5
 185

3.6.4 Mudana de Base em um Espao Vetorial

Geral
Tudo que fizemos at agora pode ser generalizado facilmente para
qualquer espao vetorial de dimenso finita. Vamos comear definin-
do vetores de coordenadas em um espao vetorial de dimenso n .

Definio. Seja V um espao vetorial com base ordenada

E = [ v1 , v 2 , , v n ] . Se v um elemento qualquer de V , ento v pode
ser escrito na forma v = c1 v1 + c2 v 2 + + cn v n , na qual c1 , c2 , , cn so
escalares. Podemos associar, ento, a cada vetor v um nico vetor
c = (c1 , c2 ,..., cn )T em n. O vetor c , assim definido, chamado de
vetor de coordenadas de v em relao base ordenada E e deno-
tado por [ v ]E . Os ci so as coordenadas de v em relao a E.

Os exemplos considerados at agora trataram apenas de mudanas

de coordenadas em 2 . Tcnicas anlogas podem ser usadas em
n , cujas matrizes de mudana de base sero n n .

Exemplo 51. Sejam

E = [ v1 , v 2 , v 3 ] = [(1,1,1)T , (2,3, 2)T , (1,3, 4)T ]

F = [u1 , u 2 , u 3 ] = [(1,1, 0)T , (1, 2, 0)T , (1, 2,1)T ] .

Encontre a matriz de mudana de base de E para F . Sejam

3 1

x = 3v1 + 2 v 2 v 3 e y = v1 3v 2 + 2 v 3 ou [x]E = 2 e [y ]E = 3 .
1 2

Determine as coordenadas de x e y em relao base ordenada F.

Soluo. Como no ltimo exemplo, a matriz mudana de base dada

por:
2 1 0 1 2 1 1 1 3
1
U V = 1 1 11 3 5 = 1 1 0 .
0 0 1 1 2 4 0 0 4

Os vetores de coordenadas de x e y em relao base ordenada F
so dados por:
186

1 1 3 3 8

[x]E = 1 1 0 2 = 5 e
0 0 1 1 3

1 1 3 1 8

[y ]F = 1 1 0 3 = 2 .
0 0 1 2 3

Voc pode verificar que

8u1 5u 2 + 3u 3 = 3v1 + 2 v 2 v 3
8u1 + 2u 2 + 3u 3 = v1 3v 2 + 2 v 2 .
Exemplo 52. Suponha que queremos mudar, em P2 , da base ordena-
da [1, x, x 2 ] para a base ordenada [1, 2 x, 4 x 2 2] .

Soluo. Como [1, x, x 2 ] a base cannica para P2 , mais fcil en-

contrar a matriz mudana de base de [1, 2 x, 4 x 2 2] para [1, x, x 2 ] .

Como
1 = 1 (1) + 0 ( x) + 0 ( x 2 )
2 x = 0 (1) + 2 ( x) + 0 ( x 2 )
4 x 2 2 = 2 (1) + 0 ( x) + 4 ( x 2 ) ,

a matriz mudana de base

1 0 2

S = 0 2 0 .
0 0 4

A inversa de S vai ser a matriz que muda da base [1, x, x 2 ] para a
base [1, 2 x, 4 x 2 2] ,
1 0 1 2
1
S = 0 1 2 0 .
0 0 1 4

Dado qualquer p (x ) = ax 2 + bx + c em P2 , para encontrar as coorde-
nadas de p ( x) em relao a [1, 2 x, 4 x 2 2] , basta multiplicar

1 0 1 2 a a + c 2

0 1 2 0 b = b 2 .
0 0 1 4 c c 4

Logo, p ( x) = (c 4) ( x 2 ) + (b 2) ( x) + (a + c 2) (1) . Vimos que a ma-

triz de mudana de base inversvel. De fato, podemos pensar em
qualquer matriz inversvel como uma matriz de mudana de base.
 187

Em muitos problemas de aplicao, importante usar o tipo certo

de base para o caso em questo. Veremos, em lgebra Linear II, que
a chave para a resoluo de quadrados mnimos usar um tipo es-
pecial de base: a base ortonormal. Tambm vamos considerar um
nmero de aplicaes envolvendo autosistemas (autovalores e auto-
vetores) associados a uma matriz n n . A chave para resolver esse
tipo de problema mudar para uma base para n , formada pelos
autovetores da matriz.

Exerccios Propostos
1) Indique se os vetores dados no Exerccio 1 da pgina 165 for-
mam ou no base para 2 .

2) Indique se os vetores dados no Exerccio 2 da pgina 165 for-

mam ou no uma base para 3 .

2 4 7
3) Considere os vetores x1 = , x 2 = , x 3 =
1 3 3
a) Mostre que x1 e x 2 formam uma base para 2 .

b) Por que x1 , x 2 , x 3 tm que ser linearmente dependente?

c) Qual a dimenso de [{x1 , x 2 , x 3 }] ?

3 3 6

4) Considere os vetores x1 = 2 , x 2 = 2 , x 3 = 4 . Qual a di-
4 4 8

menso de [{x1 , x 2 , x 3 }] ?

2 3 2

5) Considere x1 = 1 , x 2 = 1 , x 3 = 6
3 4 4

a) Mostre que x1 , x 2 , x 3 so linearmente dependentes.

b) Mostre que x1 , x 2 so linearmente independentes.

c) Qual a dimenso de [{x1 , x 2 , x 3 }] ?

d) Descreva geometricamente [{x1 , x2 , x3 }] .

6) Alguns dos conjuntos do exerccio 2 da pgina 145 e 146 for-

mam subespaos de 3 . Em cada um desses casos, encontre
uma base para o subespao e determine sua dimenso.
188

7) Encontre uma base para o subespao S de 4 formado por

todos os vetores da forma (a + b, a b + 2c, b, c)T , onde a , b , c
so nmeros reais. Qual a dimenso de S ?

8) Considere os vetores x1 = (1,1,1)T e x 2 = (3, 1, 4)T .

a) x1 e x 2 geram 3 ? Explique.

b) Seja x 3 um terceiro vetor em 3. Defina X = {x1 , x 2 , x 3 } .

Que condio (ou condies) X tem que satisfazer para que
x1 , x 2 , x 3 formem uma base para 3 ?

c) Encontre um terceiro vetor x 3 que estenda o conjunto

{x1 , x 2 } a uma base para 3 .

1 2 1 2 1

9) Os vetores x1 = 2 , x 2 = 5 , x 3 = 3 , x 4 = 7 , x 5 = 1 geram
2 4 2 4 0
3 .

Retire algum (ou alguns) elemento de {x1 , x 2 , x 3 , x 4 , x 5 } de

modo a obter uma base para 3 .

10) Seja S o subespao de P3 formado por todos os polinmios da

forma ax 2 + bx + 2a + 3b . Encontre uma base para S .

11) Alguns dos conjuntos do exerccio 3 da pgina 146 formavam

subespaos de 22 . Em cada um desses casos, encontre uma
base para o subespao e determine sua dimenso.

12) Para um dos itens a seguir, encontre a matriz que corresponde

mudana de base [u1 , u 2 ] para a base [e1 , e 2 ] .

a) u1 = (1,1)T , u 2 = (1,1)T

b) u1 = (1, 2)T , u 2 = (2,5)T

c) u1 = (0,1)T , u 2 = (1, 0)T

13) Para cada uma das bases coordenadas [u1 , u 2 ] no exerccio 1,

encontre a matriz mudana de base de [e1 , e 2 ] para [u1 , u 2 ] .

14) Sejam v1 = (3, 2)T e v 2 = (4,3)T para cada uma das bases orde-
nadas [u1 , u 2 ] no exerccio 1, encontre a matriz mudana de
base de [ v1 , v 2 ] para [u1 , u 2 ] .
 189

15) Seja E = [(5,3)T , (3, 2)T ] e sejam x = (1,1)T , y = (1, 1)T e

z = (10, 7)T . Encontre os vetores de coordenadas [x]E , [y ]E e
[ z ]E .

16) Sejam u1 = (1,1,1)T , u 2 = (1, 2, 2)T e u 3 = (2,3, 4)T .

a) Encontre a matriz mudana de base de [e1 , e 2 , e 3 ] para

[u1 , u 2 , u 3 ] .

b) Encontre as coordenadas de cada um dos vetores a seguir,

em relao a [u1 , u 2 , u 3 ] .

i) (3, 2,5)T ii) (1,1, 2)T iii) (2,3, 2)T

17) Sejam v1 = (4, 6, 7)T , v 2 = (0,1,1)T e v 3 = (0,1, 2)T e sejam u1 , u 2

e u 3 os vetores dados no exerccio 16.

a) Encontre a matriz mudana de base de [ v1 , v 2 , v 3 ] para

[u1 , u 2 , u 3 ] .

b) Se x = 2v1 + 3v 2 4 v 3 , determine as coordenadas de x em

relao a [u1 , u 2 , u 3 ] .

1 2 3 5
18) Considere v1 = , v 2 = , S = . Encontre vetores
2 3 1 2
w 1 e w 2 tais que S a matriz mudana de base de [w 1 , w 2 ]
para [ v1 , v 2 ] .

2 1 4 1
19) Considere v1 = , v 2 = , S = . Encontre vetores u1
6 4 2 1
e u 2 , tais que S a matriz mudana de base de [ v1 , v 2 ] para
[u1 , u 2 ] .

3.7 Subespaos Associados a Matrizes

e Computao de Bases
Formalizaremos alguns dos conceitos colocados em sees anterio-
res, acrescentando outros subespaos associados com uma matriz.

Definio. Seja A uma matriz m n .

1) O espao nulo de A , espnul ( A) o subespao de n que con-

siste nas solues do sistema linear homogneo Ax = 0 .
190

2) O espao linha de A , esplin( A) o subespao de n gerado

pelas linhas de A .

3) O espao coluna de A , espcol ( A) o subespao de m gerado

pelas colunas de A .
n
4) O espao nulo esquerda espnul ( AT ) o subespao de que
consiste nas solues do sistema linear homogneo A T x = 0 .

Os quatro espaos definidos acima so classificados os espaos

fundamentais da matriz A .

3.7.1 Uma Base para o Espao Nulo

Exemplo 53. O espao nulo da matriz
1 3 2 0 1

1 1 1 1 0
A=
0 4 2 4 3

1 3 2 2 0
est formado por todas as solues do sistema homogneo Ax = 0 .
Reduzindo esta matriz a sua forma escalonada por linhas, temos:
1 0 1 2 0 1 4

0 1 12 0 14
.
0 0 0 1 12

0 0 0 0 0
Daqui, fica fcil derivar as solues do sistema homogneo:

1 1
x1 = x3 x5
2 4
1 1
x 2 = x3 x5
2 4
x 3 qualquer um
1
x 4 = x5
2
x 5 qualquer um .

Logo, espnul ( A) consiste de vetores da forma:

 191

1
x3 x5 1
4
x1 2 4 2
1
x2 x3 x5 1
4
x = x3 = 2 4 = x3 2 + x5 = x u + x5 v .
0 3
1
x4 x5 1
x 2 0
5
x5 2
0
1
J que x 3 e x 5 so arbitrrios, temos que espnul ( A) = span{u, v} .
Alm disso, os seguintes argumentos mostram que u e v so line-
armente independentes. Para ter x3u + x5 v = 0 , a terceira e a quinta
coordenadas devem ser nulas, isto , x3 = x5 = 0 . Em conseqncia,
u e v formam uma base de espnul ( A) .

O que temos feito neste exemplo se aplica ao caso mais geral. Pode-
mos esboar um procedimento para achar a base do espao nulo.

Definio. Chamamos a nulidade de A a dimenso do espao nulo

de A , isto , nulidade de A = dim(espnul ( A)) .

Para o exemplo anterior, a dim(espnul ( A)) = 2 .

Se a soluo geral de Ax = 0 x = c1 v 2 + c2 v 2 + + ck v k , onde

c1 , c2 , , ck so as variveis livres, temos que v1 , v 2 , , v k formam
uma base para espnul ( A) .

As bases dos ncleos das transformaes lineares podem ser acha-

das de uma maneira similar a nulidade. Isto um assunto a ser
tratado no prximo captulo.

3.7.2 Uma Base para o Espao Linha

A partir do seguinte teorema, teremos um procedimento padro
para determinar a base do espao linha de uma matriz.

Teorema. Duas matrizes equivalentes por linhas tm o mesmo espao linha.

Logo, a forma escalonada por linhas de uma matriz fornece-nos o

espao linha.
192

Do exemplo anterior, temos que a forma escalonada por linhas:

1 0 1 2 0 1 4

0 1 12 0 14
.
0 0 0 1 12

0 0 0 0 0
Logo, como os vetores linha (no nulos) so linearmente indepen-
dentes, formam uma base e
0
1 0
0 1 0

esplin( A) = span 1 , 1 , 0 .
2 2
1
0 0
1 1 1

4 4 2

Definio. O posto de uma matriz A , posto( A) , a dimenso de seu

espao linha.

No exemplo anterior, temos que dim(esplin( A)) = posto( A) = 3 .

3.7.3 Uma Base para o Espao Coluna

Exemplo 54. O espao coluna da matriz
1 3 2 0 1

1 1 1 1 0
A=
0 4 2 4 3

1 3 2 2 0
gerado pelos cinco vetores coluna. Levando forma escalonada
por linhas, temos:
1 3 2 0 1

0 2 1 1 0
A= .
0 0 0 2 1

0 0 0 0 0
J que [col 3] e [col 5] no tm piv, a [col 5] uma combinao linear
de [col 1] e [col 4], e a [col 3] a uma combinao linear de [col 1] e
[col 2], temos que o espao coluna de A:
 193

Col[A] = span{[col 1], [col 2], [col 3], [col 4], [col 5]}
= span{[col 1], [col 2], [col 3], [col 4]}
= span{[col 1], [col 2], [col 4]}.

Por outro lado, se mantemos apenas [col 1], [col 2], [col 4], ento
1 3 0

1 1 1 ,
0 4 4

1 3 2
cuja forma escalonada
1 3 0

0 2 1
,
0 0 2

0 0 0
onde todas as colunas possuem piv. Ento, j que essas trs colunas
so linearmente independentes e geram col( A), conclumos que
1 3 0

1 1 1
espcol ( A) = span , , .
0 4 4
1 3 2

O que temos neste exemplo pode ser aplicado a qualquer matriz.

1) As colunas sem piv so combinao linear das colunas que

a precedem. Assim, elas podem ser eliminadas sem afetar o
espao coluna.

2) As colunas com piv so linearmente independentes.

E nos conduz a um procedimento padro para determinar uma

base para o espao coluna. Para uma matriz A, as colunas pivs de
A formam uma base de espcol ( A) .

Frisamos que so as colunas de A , e no as colunas da forma es-

calonada por linhas, que formam a base.
Veja como este teorema se
aplica no exemplo anterior,
Teorema. Seja A uma matriz m n , ento a dimenso do espao linha
comparando as dimenses
dos espaos envolvidos. igual dimenso do espao coluna.
194

3.8 Espaos Linha/Coluna e os

Sistemas Lineares
Os conceitos de espao linha e espao coluna so teis no estudo de
sistemas lineares. O sistema Ax = b pode se escrito na forma
a11 x1 + a12 x2 + + a1n xn a11 a12 a11
a11 x1 + a12 x2+ + a1n xn a11 a12 a11
a x + a x + +
a x a a a
Ax = 21 1 22 2
2n n
a21 x1 + a=22xx12+ 21
++ax2 n2 xn 22 +
a+
21 x

21 a
22 a
Ax = b = x1 n
+ x2 + + xn 21

am1 x1 + am 2 x2 + +aamnxxn+a x +a m1
+ amn xn
am 2 am1
m1 1 m 2 2 am1 am 2 am1
b1

b
= x1a1 + x2 a 2 + + xn a n = 2 .


bm

Segue-se que o sistema Ax = b compatvel se, e somente se, b pode

ser escrito como uma combinao linear dos vetores colunas de A .
Temos, ento, as seguintes caracterizaaes de sistemas compatveis:

Ax = b compatvel se, e somente se, b pertence ao espao

coluna de A.

Fazendo b = 0 , temos que Ax = 0 , ento temos:

O sistema Ax = 0 tem apenas a soluo trivial x = 0 se, e

somente se, os vetores colunas de A so linearmente inde-
pendentes.

Podemos inferir que, para uma matriz n n :

Uma matriz A inversvel se, e somente se, os vetores colu-

nas de A formam uma base para n.

Se A uma matriz m n , ento a soma do posto de A com a nuli-

dade de A igual a n .

posto( A) + dim(espnul ( A)) = n .

 195

Exemplo 55. O espao coluna de

1 3 2 0 1

1 1 1 1 0
A= a
0 4 2 4 3

1 3 2 2 0
gerado pelos cinco vetores coluna. Os cinco vetores geradores po-
dem ser simplificados utilizando as operaes elementares por colu-
na para produzir a forma escalonada por colunas:
1 0 0 0 0

1 1 0 0 0
B= .a
0 2 1 0 0

1 0 1 0 0
J que as colunas nulas no contribuem para gerar o espao, temos:
espcol ( A) = espcol ( B ) = span (primeiras trs colunas de B ).

Alm disso, as trs primeiras colunas de B so linearmente inde-

pendentes. Logo, as colunas no nulas de B so:

[col 1] de B = (1, 1, 0,1)

[col 2] de B = (0,1, 2, 0)

[col 3] de B = (0, 0,1, 1)

e formam uma base de espcol ( A) . Agora espcol ( B) = espcol ( A) .

O que temos feito pode ser aplicado a qualquer matriz A . Em resu-

mo, temos:

1) Se B a forma escalonada de A , ento espcol ( B) = espcol ( A) .

2) As colunas no nulas de B so linearmente independentes e

Ateno: frisamos que
geram col( B) .
so as colunas da forma
escalonada por colunas as
Para uma matriz A , as colunas no nulas da forma escalonada
que determinam esta base,
e no as colunas de A. por colunas formam uma base para espcol ( B ) .

Sugesto. Refaa o exemplo 55 utilizando esta tcnica.

196

Exerccios Propostos
1) Para cada uma das matrizes a seguir, encontre uma base para
o espao linha, uma base para o espao coluna e uma base
para o ncleo.

1 3 2 1 3 2 1
a) 2 1 4 c) 2 1 3 2
4 7 8 3 4 5 6

3 1 3 4
b) 1 2 1 2

3 8 4 2

2) Em cada um dos itens a seguir, determine a dimenso do su-

3
bespao de gerado pelos vetores dados.

1 2 3 1 2 3 2
a) 2 , , 3 c) 1 , ,
2 2 2 , 1
2 4 6 2 4 5 3

1 1 2

b) 1 , 2, 3
1 3 1

1 2 2 3 1 4
3) Seja A = 2 4 5 5 4 9 .
3 6 7 8 5 9

a) Calcule a forma escalonada reduzida por linhas U de A .
Quais os vetores colunas de U que correspondem s vari-
veis livres? Escreva cada um desses vetores colunas como
uma combinao linear dos vetores colunas corresponden-
tes s variveis lderes.

b) Quais os vetores colunas de A que correspondem s variveis

lderes de U ? Esses vetores colunas formam uma base para o
espao coluna de A. Escreva cada um dos vetores colunas de
A como uma combinao linear dos vetores dessa base.

4) Para cada uma das escolhas de A e b a seguir, determine se

b pertence ao espao coluna de A e diga se o sistema Ax = b
ou no compatvel.
 197

1 1 2 1
1 2 4
a) A = , b = d) A = 1 ,
1 2 b = 2

2 4 8 1 1 2 3

0 1 2
3 6 1
b) A = , b = e) A = 1 0 , b = 5
1 2 1
0 1 2

1 2 5
2 1 4
c) A = , b = f) A = 2 4 , b = 10
3 4 6 1 2 5

5) Para cada um dos sistemas compatveis no Exerccio 4, examine

os vetores colunas da matriz de coeficientes para determinar
se o sistema tem uma soluo ou uma infinidade de solues.

6) Quantas solues o sistema Ax = b vai ter se b pertencer ao

espao coluna de A e se os vetores colunas de A forem linear-
mente independentes? Explique.

7) Seja A uma matriz m n com m > n . Seja b m e suponha

que espnul ( A) = {0} .

a) O que voc pode concluir sobre os vetores colunas de A?

Eles so linearmente independentes? Eles geram m ?
Explique.

b) Quantas solues o sistema Ax = b vai ter se b no perten-

cer ao espao coluna de A? Quantas solues o sistema vai
ter se b pertencer ao espao coluna de A? Explique.

8) Sejam A e B matrizes 6 5. Se dim(espnul ( A)) = 2 , qual o pos-

to de A ? Se o posto de B for 4, qual vai ser a dim(espnul ( B)) ?

Resumo
O conceito e as principais propriedades dos espaos vetoriais foram
definidos e desenvolvidos ao longo deste captulo.

Alguns, tais como E n (espao euclidiano, n -dimensional), foram

obtidos como generalizaes diretas de espaos de duas e trs di-
menses; entretanto, outros, tais como espaos dos polinmios, das
funes, ou das matrizes, surgiram por problemas que aparecem
198

em clculo, equaes diferenciais e na matemtica aplicada. No Tpicos que sero estudados

futuramente.
obstante que, nos exemplos, cada um dos conjuntos considerados
tenha diferente natureza, os espaos de dimenso finita tm carac-
tersticas comuns, tais como as propriedades, a estrutura dos subes-
paos, bases, dimenso, etc.

O problema da determinao da base de um espao vetorial poder

ser visto como um dos problemas fundamentais da lgebra linear.
A compreenso deste conceito se tornar extremamente importan-
te quando for discutido o problema de diagonalizao das matri-
zes. Sua importncia prtica encontra-se na anlise de problemas
aplicados.

O teorema fundamental deste captulo garantiu a existncia de uma

base para todo espao de dimenso finita. De fato, a prova demons-
trou que uma base pode ser construda por qualquer conjunto de
vetores que gerassem V .

Para uma base dada, a representao de um vetor x em V nica;

os coeficientes da combinao linear de vetores da base so chama-
dos as coordenadas de x nessa base.

As bases ortonormais tm boas propriedades, que sero exploradas

na disciplina lgebra Linear II.

As bases para um espao vetorial no so nicas. Se forem dadas

duas bases para um mesmo espao vetorial V e para um vetor x
que est em V , as coordenadas de x, em relao a ambas as bases,
esto relacionadas pela matriz de mudana de base. As matrizes de
mudana de base sero usadas nas representaes de funes im-
portantes, chamadas transformaes lineares.

Em Clculo, foi necessrio introduzir a estrutura dos nmeros reais

antes de desenvolver o conceito de uma funo (domnios e imagens
eram subconjuntos de ).

J que as aplicaes lineares que estudaremos no prximo captulo

possuem seus respectivos domnios e imagens como sendo espaos
vetoriais, os assuntos estudados neste captulo so indispensveis
para introduzir o conceito de transformao linear.
 199

Bibliografia Comentada
LAY, David C. lgebra linear e suas aplicaes. 2. ed. [S.l]: LTC, [200-?].

O texto fornece uma introduo elementar e moderna da lgebra linear

e algumas de suas aplicaes interessantes, acessvel a alunos com a
maturidade que dois semestres completos de matemtica em nvel de terceiro
grau, em disciplinas de clculo em geral, lhes conferem. O objetivo ajudar
os alunos a dominar os conceitos e habilidades bsicos que usaro mais
tarde em suas carreiras. Os tpicos escolhidos seguem as recomendaes
do Linear Algebra Curriculum Study Group, que, por sua vez, baseiam-
se em uma cuidadosa pesquisa sobre as necessidades reais dos alunos e
em um consenso entre os profissionais dos muitos campos que usam a
lgebra Linear.

POOLE, David. lgebra linear. So Paulo: Pioneira Thomson

Learning, 2004.

Este livro foi estruturado de forma bastante flexvel, com a preocupao

central de que a lgebra linear constitua um assunto estimulante o suficiente
e de fcil aprendizado, tornando-a mais acessvel ao estudante. Escrito
de forma clara, direta e objetiva, aborda temas como Vetores, Matrizes,
Autovalores e Autovetores, Ortogonalidade, Espaos Vetoriais, e Distncia
e Aproximao. A apresentao de conceitos-chave com antecedncia, a
nfase em vetores e geometria e os inmeros exerccios e exemplos que
reforam o fato de a lgebra Linear ser uma ferramenta valiosa para a
modelagem de problemas da vida real consistem no principal diferencial
deste livro. A apresentao de pequenos esboos biogrficos de muitos dos
matemticos que contriburam para o desenvolvimento da lgebra Linear
outro diferencial, valorizando a histria da matemtica.

STEVE, Leon J. lgebra linear com aplicaes. 4. ed. [S.l.]: LTC, [200-?].

Este livro apropriado para alunos que tenham conceitos bsicos de matrizes
e tenham passado por um curso de Geometria Analtica. O estudante deve
estar tambm familiarizado com as noes bsicas de Clculo Diferencial
e Integral. Esta nova edio, ao mesmo tempo que mantm a essncia
das edies anteriores, incorpora uma srie de melhorias substanciais: -
Conjunto de Exerccios Computacionais em cada Captulo; - Mais Motivao
Geomtrica; - Nova Aplicao Envolvendo Teoria dos Grafos e Redes; -
Motivao Adicional para a Definio de Determinantes; - A seo sobre
Mudana de Base foi transferida para o Cap. 3; - Revises Importantes na
seo sobre Espaos Munidos de Produto Interno; - A seo sobre Normas
Matriciais foi transferida para o Cap. 7; - Nova Aplicao: Aproximao de
Funes por Polinmios Trigonomtricos; - Revises no Cap. 6.
Captulo 4
Transformaes Lineares
202
 Captulo 4
Transformaes Linares

Este captulo tem como objetivos principais introduzir a

noo de transformao linear e mostrar as relaes que
existem entre as transformaes lineares e as matrizes.

Comeamos introduzindo a definio de transformao linear e

apresentando exemplos que ilustram os efeitos geomtricos de al-
gumas transformaes no plano. A seguir, mostramos a associao
que existe entre matrizes e transformaes lineares, isto , que toda
transformao linear T de um espao vetorial V de dimenso n
num espao vetorial W de dimenso m pode ser representada por
uma matriz Amn . Esta ltima ideia nos permite considerar a relao
entre as diferentes matrizes que representam o mesmo operador li-
near. Em muitas aplicaes desejvel uma base especfica de modo
que a matriz que representa a transformao linear seja diagonal ou
tenha alguma outra forma simples.

4.1 Introduo
Uma transformao linear uma aplicao que leva vetores de um
espao vetorial em outro espao vetorial.

Denotaremos uma transformao linear como T : V W , onde T

a transformao linear (uma aplicao, mapeamento, funo, etc.) de
V em W , onde V (um espao vetorial) o domnio e W (um espao
vetorial) o contradomnio. Para x m , o vetor T (x) m chama-
do de imagem de x (sob a ao de T).

(x)
x

Figura 4.1 - Domnio, contradomnio e imagem de T : n m

204

J encontramos uma ferramenta matemtica que nos permitiu con-

verter vetores. Se considerarmos a matriz Amn e x n , ento fa-
zendo o produto Ax obtemos um novo vetor y m, definido como
y = Ax.

Multiplicao por A

x y=Ax

Multiplicao por A
0
0

Figura 4.2 - Transformando vetores via multiplicao de matrizes

Definio. Sejam V e W dois espaos vetoriais. Uma Transforma-

o Linear (TL) uma funo de V em W que satisfaz as seguintes
condies:

1) Quaisquer que sejam u e v em V , T (u + v ) = T (u) + T ( v ) ;

2) Quaisquer que sejam e u em V , T ( v ) = T ( v ) ;

3) Ou equivalentemente (1) e (2) podem ser resumidas com

, T ( u + v ) = T (u) + T ( v ) .

T (u) W
u
v T (v)
V u+v T (u+v) = T(u)+T(v)
u T (u) = T(u)

Figura 4.3 - Definio de uma Transformao Linear

Observamos da definio que uma TL preserva as operaes de

adio entre vetores e a multiplicao por escalar.
 205

Exemplo 1. Seja V = W = , isto , T : , onde a transformao

est definida como T ( x) = x .

Essa transformao pode ser considerada das mais elementares: T

simplesmente a funo linear f ( x) = x e, neste caso, os vetores de
V e W so escalares. Temos que:

T (u + v ) = T ( x + y ) = ( x + y ) = x + y = T ( x) + T ( y ) = T (u) + T (v ) e

T ( u) = T ( x) = x = ( x) = T ( x) = T (u) ,

que verificam as condies de TL.

O nome transformao linear certamente foi inspirado nesse caso

em que V = W = ; o grfico de f ( x) = x uma reta passando pela
origem.

Exemplo 2. Consideremos V = 2 e w = 3 e T : 2 3 definida

como: ( x, y ) (2 x, 0, x + y ) ou T ( x, y ) (2 x, 0, x + y )

Dados u , v 2 , com u = ( x1 , y1 ) e v = ( x2 , y2 ).

Usaremos a definio para determinar se T uma transformao

linear.

1) T = (u + v ) = T ( x1 , y1 ) + ( x2 , y2 ) =

= T ( x1 , x2 , y1 , y2 ) =

= (2( x1 , x2 ), 0, ( x1 , x2 ) + ( y1 , y2 )) =

= (2 x1 , 0, x1 , x2 ) + 2( x2 , 0, x2 + y2 ) =

T = ( x1 , y1 ) + T ( x2 , y2 ) =

T = (u) + T ( v )

Assim, a primeira condio satisfeita. Continuando, iremos confe-

rir a segunda condio.

T ( u) =

= T ( ( x, y ) =
206

= T ( x, y ) =

= (2 x, 0, x + y ) =

= T ( x + y ) =

= T (u)

Esta tambm satisfeita, ento T uma transformao linear.

Contraexemplo. A aplicao T : , T ( x) = x 2 no uma trans-

formao linear, pois T ( x + y ) = ( x + y ) 2 = x 2 + 2 xy + y 2 e por outro
lado T ( x) + T ( y ) = x 2 + y 2.

Portanto, T uma transformao linear desde que

T ( x + y ) T ( x) + T ( y ).

4.1.1 Transformaes Lineares do Plano no Plano

Agora iremos apresentar uma viso geomtrica das TL, dando al-
guns exemplos de transformaes no plano, isto , transformaes
do tipo T : 2 2 . Voc ver assim que uma expanso, por exem-
plo, uma rotao e certas deformaes podem ser descritas por
transformaes lineares.

x2

x1

Figura 4.4 - O quadrado unitrio

a) Expanso (ou Contrao Uniforme)

Uma expanso (dilatao) ou contrao (compresso) uma TL do
tipo T = (u) = ku, k .
 207

x 2x
Exemplo 3. Considere a transformao T (x) = 2x = 2 1 = 1 ,
x2 2 x2
para todo x 2.

Como T (x + y) = 2(x + y) = 2x + 2y = T (x) + T (y) e

T ( x) = 2( x) = (2x) = T (x) , assim temos uma TL. Podemos pen-
sar no efeito que T produz, como esticando cada vetor por um
fator de 2, isto , modificando apenas o mdulo.

Expanso ou contrao horizontal

( x1, x2 )T (kx1 , x2 )T

0<k<1 k >1

Expanso ou contrao vertical

( x1, x2 )T ( x1 , kx2 )T

0<k<1 k >1

Figura 4.5 - Expanses e contraes

b) Projeo (sobre o eixo OX )
Exemplo 4. Seja a TL definida por T = (x) = x1e1 .

x 1 x
Se x = 1 , temos T = (x) = x1 = 1 .
x2 0 0
208

Temos uma transformao linear que projeta todos os vetores do

plano sobre o eixo das abscissas.

Projeo no eixo x1 do vetor ( x1 , x2 )T ( x1 , x2 )T ( x1 , 0)T

Projeo no eixo x2 do vetor ( x1 , x2 )T ( x1 , x2 )T (0, x2 )T

x2 x2

x1 x1

Projeo no eixo x1 Projeo no eixo x2

Figura 4.6 - Projees do quadrado unitrio

c) Reflexes

Em relao ao eixo OX

Exemplo 5. Considere a aplicao definida por T = (x) = ( x1 , x2 )T

para todo x 2 .

Este operador reflete um vetor x em relao ao eixo das abscissas.

( x1 , x2 )T ( x1 , x2 )T

x2 x2

x1

x1
1
1

Reflexo no eixo x1 Reflexo no eixo x2

Figura 4.7 - Reflexes

 209

Em relao origem

Exemplo 6. A aplicao definida por T (x) = ( x1 , x2 )T para todo

x 2 inverte os vetores em torno da origem.

( x1 , x2 )T ( x1 , x2 )T

x2

1
x1

Reflexo em relao
origem

Figura 4.8 - Reflexo em relao origem

Em relao reta y = x ( x2 = x1 )

A aplicao definida por T (x) = ( x2 , x1 )T para todo x 2 inverte

os vetores em torno da reta y = x .

( x1 , x2 )T ( x2 , x1 )T

x2 x2
x2= x1
1
x1

x2= x1
x1
1

Reflexo na reta x2= x1 Reflexo em relao reta x2= x1

Figura 4.9 - Reflexo em relao s retas x2 = x1 e x2 = x1
210

d) Rotaes
O operador T (x) = ( x2 , x1 )T roda cada vetor x 2 em 90 em
torno da origem, no sentido anti-horrio.

Podemos encontrar uma aplicao que generaliza o caso ante-

rior: a rotao de um vetor em um ngulo qualquer (com o
sentido de rotao predeterminado). A transformao pode ser
conseguida considerando as seguintes relaes:

y1 = r cos( + ) = r (cos cos sen sen) .

Porm, r cos = x1 e r sen = x2 .

Ento, y1 = x1cos x2sen .

Analogamente,

y2 = r sen( + ) = r (sen sen + cos cos ) = x2 cos + x1sen .

x x cos x2 sen
Logo, a aplicao T (x) = 1 = 1 descreve a rotao
x2 x1 sen + x2 cos
de um vetor em um ngulo (nesse caso, no sentido anti-horrio).

sen
cos

cos
sen

Figura 4.10 - Rotao anti-horria em um ngulo

Se considerarmos o caso particular com = , obteremos como re-
2
sultado novamente T (x) = ( x2 , x1 )T .
 211

e) Cisalhamento Horizontal
x + ax2
O cisalhamento horizontal dado pela relao T (x) = 1 .
x2
Ele consiste na modificao da primeira coordenada do vetor
x
x= 1 .
x2
Cisalhamento horizontal

x2 x2

x1 x1

Cisalhamento vertical

x2 x2

x1 x1

Figura: 4.11 - Cisalhamentos

f) Translao
a
Considere o vetor a = 1 e a seguinte aplicao:
a2
x +a
T ( x) = x + a = 1 1 .
x2 + a2
Esta no uma transformao linear a no ser que a seja o vetor
nulo.
212

De fato:
( x + y ) + a1
T (x + y ) = 1 1
( x2 + y2 ) + a2
x +a y
= 1 1 + 1
x2 + a2 y2
= T ( x) + y T ( x) + T ( y ) .

Logo veremos que o uso de uma propriedade das TL simpli-

ficar a demonstrao desse ltimo exemplo. (Antecipando: a
imagem do vetor nulo deve ser o vetor nulo).

4.1.2 Transformaes Lineares de em

Exemplo 7. A aplicao T : 2 3 definida por T (x) = ( x2 , x1 , x1 + x2 )T
linear, pois

T (x + y ) = ( x2 + y2 , x1 + y1 , x1 , y1 , x2 , y2 )T
= ( x2 , x1 , x1 + x2 )T + ( y2 , y1 , y1 + y1 )T
= T ( x) + T ( y )
e
T ( x ) = ( x2 , x1 , x1 , + x2 )T
= ( x2 , x1 , x1 , + x2 )T
= T ( x ) .

Este exemplo nos permite introduzir uma relao entre matrizes e

transformaes lineares. Como apareceu essa ltima
matriz? No se preocupe,
logo estudaremos uma
Se definirmos a matriz A como , ento, com x 2 tcnica para encontrar esse
temos: tipo de matrizes, isto ,
matrizes que representam
0 1 x2 transformaes lineares. E,
x1 a seguir, veremos que toda
Ax = 1 0 = x1 = ( x2 , x1 , x1 + x2 )T = T (x) . transformao linear tem
x2 x + x
1 1 1 2 uma matriz associada e
vice-versa.

Em geral, se A uma matriz m n , podemos definir um Operador

linear T : n m por T (x) = Ax, x n .
 213

De fato,
T ( x + y ) = A( x + y )
= Ax + Ay
= T (x) + T (y )
Podemos, ento, considerar cada matriz Amn como um operador
linear de n em m .

Vimos no exemplo anterior que o operador poderia ter sido definido

em termos de uma matriz.

Voltemos a reconsiderar as transformaes no plano mencionadas

anteriormente, agora como sendo definidas atravs de matrizes:

Expanso

2 x1 2 0 x1
T ( x) = 2 x = ou T (x) = Ax =
2 x2 0 2 x2

Projeo

x 1 0 x1
T (x) = x1e1 = 1 ou T (x) = Ax =
0 0 0 x2

Reflexes

x 1 0 x1
T (x) = 1 ou T (x) = Ax =
x2 0 1 x2
x1 1 0 x1
e T ( x) = ou T (x) = Ax =
x2 0 1 x2

Rotaes

x 0 1 x1
T (x) = 2 ou T (x) = Ax = e
x1 1 0 x2
x1 cos x2 sen cos sen x1
T ( x) = ou T (x) = Ax =
x1 sen + x2 cos sen cos x2
214

Cisalhamento Horizontal

x + ax2 1 a x1
T ( x) = 1 ou T (x) = Ax =
x2 0 1 x2
k 0
Considere a seguinte matriz (sendo k um escalar): A = .
0 k
Se T (x) = Ax , ento teremos:

uma dilatao se k > 1;

a identidade se k = 1;

uma contrao se 0 < k < 1;

a transformao nula se k = 0 .

Se V um espao vetorial, ento o operador identidade definido

por T (x) = Ix = x . (onde I a matriz identidade). E, desse modo, o
operador leva V em si mesmo.

Reconhecer que uma TL pode ser definida por meio de uma matriz
nos permitir resolver facilmente vrias questes prticas e tericas.

Consideremos uma matriz A mn e a transformao definida como

T (x) = Ax, x n . Se u e y so vetores de n e um escalar, temos
que:
T ( u + y ) = A( u + y )
= A( u) + Ay
= Au + Ay
= T (u) + T (y ) .

E assim provamos que T (x) = Ax uma TL.

Para obter essas matrizes foi utilizado um procedimento heu-

rstico, surgido da experincia adquirida quando realizamos
produto de matrizes, o que foi possvel devido ao fatp de os es-
paos e as matrizes resultantes serem de dimenso pequena.
 215

Exerccios Propostos
1) Mostre que cada uma das aplicaes seguintes uma transfor-
mao linear de 2 em 2 . Descreva geometricamente o que
cada uma delas faz.
1
a) T (x) = ( x1 , x2 )T d) T (x) = x
2
b) T (x) = x1 e) T (x) = x2e 2

c) T (x) = ( x2 , x1 )T

2) Seja L a transformao linear de 2 em si mesmo definida

por T (x) = ( x1 cos x2sen , x1sen + x2 cos )T . Expresse x1 , x2
e T (x) em coordenadas polares. Descreva geometricamente o
efeito dessa transformao linear.

3) Seja a um vetor fixo no-nulo em 2 . Uma aplicao da forma

T (x) = x + a chamada de translao. Mostre que uma transla-
o no uma transformao linear. Ilustre geometricamente
o efeito de uma translao.

4) Determine se as transformaes de 3 em 2 a seguir so ou

no lineares.

a) T (x) = ( x2 , x3 )T c) T (x) = (1 + x1 , x2 )T

b) T (x) = (0, 0)T d) T (x) = ( x3 , x1 + x2 )T

5) Determine se as transformaes de 2 em 3 a seguir so ou

no lineares.

a) T (x) = ( x1 , x2 ,1)T c) T (x) = ( x1 , 0, 0)T

b) T (x) = ( x1 , x2 , x1 + 2 x2 )T d) T (x) = ( x1 , x2 , x12 + x2 2 )T

6) Determine se as transformaes de nn em nn a seguir so

ou no lineares.

a) T ( A) = 2 A c) T ( A) = A + 1

b) T ( A) = AT d) T ( A) = A AT

7) Determine se as transformaes de P2 em P3 a seguir so ou

no lineares.

a) T ( p ( x)) = xp ( x)
216

b) T ( p ( x)) = x 2 + px

c) T ( p ( x)) = p ( x) + xp ( x) + x 2 p '( x)

8) Seja {v1 , v 2 , , v n } uma base para um espao vetorial V e se-

jam T1 e T2 duas transformaes lineares de V em um espao
vetorial W . Mostre que, se T1 ( v i ) = T2 ( v i ) para cada i = 1, 2, , n ,
ento T1 = T2 [isto , mostre que T1 ( v ) = T2 ( v ) para todo v V ].

9) Seja T uma transformao linear de 1 em 2 e seja a = T (1) .

Mostre que T ( x) = ax para todo x 1 , a 2 .

4.2 Operaes com Transformaes

Lineares
4.2.1 Soma, Multiplicao por Escalar,
Composio e Inversa
Se aceitarmos que h uma correspondncia entre matrizes e trans-
formaes lineares, possvel indagar sobre as correspondncias
entre as operaes indicadas nas colunas da seguinte tabela.

Matriz Transformao linear

Multiplicao por escalar: c A ?
Soma de matrizes: A + B ?
Produto de matrizes: A B ?
Inversa de matrizes: A1 ?

As duas primeiras equivalncias podem ser respondidas com

facilidade. Sabemos que de Ax temos que (c A)x = c( A x) e
( A + B)x = Ax + Bx , o que nos induz a introduzir as seguintes
definies:

Para a transformao linear T : n m e o escalar c, a multiplica-

o por escalar cT est definida como (cT )(x) = c(T (x)) .

E tambm para as transformaes lineares T , S : n m, a adi-

o T + S est definida pela expresso (T + S )(x) = T (x) + S (x).
 217

Exemplo 8. Seja T e S uma reflexo em torno do eixo das abscissas e

uma rotao de 90 graus no sentido anti-horrio no plano R 2, respec-
tivamente. A figura seguinte ilustra o efeito da soma T + S .

y
S(x)

) (x) x
+S
(T

T(x)
Figura. 4.12 - Soma de transformaes

A expresso para a soma

(T + S )(x) = T (x) + S (x) = ( x1 , x2 )T + ( x2 , x1 )T = ( x1 , x2 , x1 , x2 )T .

O que corresponde em termos matriciais a:

reflexo rotao

1 0 0 1 x1 1 1 x1 x1 x2
+ = =
0 1 1 0 x2 1 1 x2 x1 x2


Para responder questo qual a operao entre as transformaes
lineares que corresponde ao produto de matrizes?, teremos de ser
um pouco mais cuidadosos.

Se T : m n e S : n p so duas transformaes lineares,

podemos aplicar T e depois S para formar a composta das duas
transformaes, que denotamos por S T . Note que para que S T
faa sentido, o contradomnio de T e o domnio de S devem ser o
mesmo (neste caso n ), e a transformao resultante S T vai do
domnio de T ao contradomnio de S , (neste caso S T : m p ).
A figura mostra esquematicamente como essa composta funciona.
A definio formal da composta de transformaes pode ser obti-
da lembrando da definio correspondente da composta de fun-
es ordinrias.
218

Figura 4.13 - A composta de transformaes

Claro que gostaramos que S T tambm fosse uma TL. Podemos

demonstrar isso verificando que (a composta de transformaes) sa-
tisfaz a definio de transformao linear (TL) (o que ser feito na
prxima seo), mas, como no momento assumimos que transfor-
maes lineares podem ser definidas por meio de matrizes, usare-
mos esse fato para prov-lo.

Teorema. Sejam T : m n e S : n p duas transformaes li-

neares e sejam Apn e Bnm as respectivas matrizes de S e T . Ento
S T : m p uma transformao linear e suas matrizes so relacio-
nadas por C pm = Apn Bnm , onde C pm a matriz de S T .

Demonstrao. Se v m , aplicando consecutivamente T e S , te-

mos: T ( v ) n e S (T ( v )) = ( S T )( v ) p .

Assim, temos que:

( S T )( v ) = S (T ( v )) = S ( Bv ) = A( Bv ) = ABv = Cv

Onde A e B so as respectivas matrizes das transformaes S e T .

E ento definir uma nova transformao linear, digamos R : m p

como R( v ) = Cv .

Agora tambm podemos dizer que a matriz da composta o pro-

duto das matrizes e para as transformaes lineares T : m n
e S : n p , a composio de S com T est definida como
( S T )( v ) = S (T ( v )) .

Exemplo 9. Considere novamente o exemplo anterior onde

T (x) = ( x1 , x2 )T e S (x) = ( x2 , x1 )T e calculemos S T e T S .

Soluo. ( S T )(x) = S (T (x)) = S ( x1 , x2 )T = ( x2 , x1 )T ou em forma

matricial
 219

rotaa reflexo
0 1 1 0 x1 0 1 x1 x2
( S T )(x) = = =
1 0 0 1 x2 1 0 x2 x1

Calculemos agora T S

(T S )(x) = T ( S (x)) = T (( x2 , x1 )T = ( x2 , x1 )T ou
reflexo rotaa
1 0 0 1 x1 0 1 x1 x2
(T S )(x) = = =
0 1 1 0 x2 1 0 x2 x1
A definio da composio de transformaes lineares nos permiti-
r introduzir com facilidade a noo de transformao inversa e com-
pletar a equivalncia que fizemos anteriormente.

Considere uma rotao de 90 no sentido horrio em torno da origem,

seguida por uma rotao de 90 no sentido anti-horrio, que denota-
mos por R90 e R90 , respectivamente. Sem dvida, isso deixa inalterado
qualquer vetor de 2 . Podemos expressar esse efeito atravs de uma
composio de R90 com R90 como ( R90 R90 )( v ) = v .

J definimos uma transformao linear que chamamos identidade

I ( v ) = v de n em n , que possui essa caracterstica. Assim, pode-
mos escrever para este caso em particular I ( v ) = ( R90 R90 )( v ) = v .

Duas transformaes que esto relacionadas desse modo so cha-

madas de transformaes inversas.

Definio. Considere T e S como transformaes lineares de n em

n . Ento, T e S so transformaes inversas se S T = T S = I .

J que nessa definio h uma simetria na relao T e S , dizemos

que, quando essa situao ocorre, S a inversa de T e T a inversa
de S . Alm disso, dizemos que T e S so inversveis.

Em termos de matrizes, se considerarmos Ann e Bnn as respectivas

matrizes de S e T , vemos imediatamente que, se T e S so trans-
formaes lineares inversas, tais que ( S T )(x) = ABx = Ix = x .

Precisamos ter tambm (T S )(x) = BAx = Ix = x (Verificar!). Isso

mostra que A e B so matrizes inversas.
220

E mostra algo mais: se uma transformao linear T inversvel, sua

matriz cannica tem de ser inversvel, e j que matrizes inversas so
nicas, isso significa que a inversa de T tambm nica. Portanto,
podemos usar a notao de T 1 para nos referirmos inversa de
T . Dessa forma, podemos reescrever as equaes anteriores como
(T 1 T )(x) = B 1 Bx = x = BB 1x = (T T 1 )(x) , a qual mostra que a ma-
triz de T 1 ( B 1 ) a matriz inversa de T ( B 1 ) . Acabamos de provar
o teorema a seguir.

Teorema. Se B uma transformao inversvel, ento sua matriz canni- L-se: a matriz da
transformao inversa
ca tambm inversvel e .
a inversa da matriz da
transformao original
Exemplo 10. Determine se a projeo sobre o eixo das abscissas
uma TL inversvel.

1 0
Soluo. A matriz cannica dessa projeo , a qual no
0 0
inversvel, portanto uma projeo no inversvel. Esse um fato
curioso. Tentemos entender: uma projeo leva (esmaga) todos os
vetores de 2 sobre o eixo x ,

x
T (x) = x1e1 = 1 , x 2 .
0
Para desfazer esse efeito, ou seja, recuperar x = ( x1 , x2 )T precisa-
ramos de uma transformao que leve ( x1 , 0)T para x = ( x1 , x2 )T .
No entanto, existem infinitos candidatos para serem a imagem de
( x1 , 0)T sob essa hipottica transformao inversa, j que no temos
como determinar x2 no vetor imagem para cada ( x1 , 0)T no domnio
de T 1 .

x 1 0 x1
T (x) = x1e1 = 1 ou T (x) = Ax = .
0 0 0 x2

4.2.2 Transformaes Lineares em Espaos de

Funes
Nos dois exemplos seguintes so usados conceitos de Clculo Dife- C 1 [a,b] e C [a,b] so
rencial e Integral. os espaos das funes
com primeira derivada
contnua e das funes
Exemplo 11. Seja o operador derivada de uma funo real f , contnuas no intervalo [a,b],
, definida por D( f ) = f ' . respectivamente.
 221

D uma TL, uma vez que

D( f + g ) = ( f + g ) '
= f '+ g '
= D( f ) + D( g ) .
Exemplo 12. Seja T : C[a, b] uma aplicao definida por
b
T ( f ) = f ( x) dx .
a

Se f e g so dois vetores em C[a, b] , ento

b
T ( f + g ) = ( f + g )( x) dx
a
b b
= f ( x) dx + g ( x) dx
a a

= T ( f ) + T ( g ).

T uma TL.

Exemplo 13. Sejam V = Pn , W = Pn +1 espaos de polinmios de grau

n e n + 1 , respectivamente, e a aplicao T : Pn Pn +1 definida por:

T ( p ( x)) = xp ( x) = a0 x + a1 x 2 + + an x n +1 .

Sejam p ( x) e q ( x) vetores de Pn e k um escalar, temos que:

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

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

Portanto T uma TL.

Exemplo 14. Seja V = C () = { f : / f contnua} . Considere a

aplicao J : C () , onde J ( f ) = f (0) . Com k um escalar, te-
mos:

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

J (kf ) = (kf )(0) = kf (0) = kJ ( f )

e assim J uma TL.

222

Exemplo 15. Seja V = W = Pn , T : Pn Pn e considere a transformao

T ( p ( x)) = p (ax + b) = a0 + a1 (ax + b) + a2 (ax + b) 2 + + an (ax + b) n .

Agora temos

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

T ( p + q) = ( p + q)(ax + b) = p(ax + b) + q(ax + b) = T ( p) + T (q)

Portanto, T uma TL.

Observao. Note que para provar que estas transformaes so

lineares foram utilizadas propriedades das funes contnuas e
derivveis.

Nas prximas sees sero estabelecidos teoremas, proprieda-

des e alguns resultados que daro uma estrutura muito til
sobre as transformaes lineares.

4.2.3 Propriedades das Transformaes Lineares

Se T uma TL de um espao vetorial V e um espao vetorial W ,
isto , T : V W , temos que:
Com esta propriedade fica
i) T (0v ) = 0 w (onde 0v e 0 w so os vetores nulos de V e W , res- mais fcil verificar que uma
pectivamente) translao no uma TL.
Se T(0) 0, T no uma
Prova. Esta afirmao segue-se da condio T ( u) = T (u) com TL. Mas, cuidado! T(0) = 0
no suficiente para que T
= 0 . Podemos resumir esta propriedade desta maneira: toda trans- seja uma TL. Encontre um
formao linear leva o vetor nulo no vetor nulo. contra-exemplo!

ii) T ( 1u1 + 2u 2 + ... + nu n ) = 1T (u1 ) + 2T (u 2 ) + ... + nT (u n ) .

Prova. Esta afirmao pode ser provada facilmente usando induo

matemtica.

Veja que esta igualdade bvia para k = 1 , j que T ( 1u1 ) = 1T (u1 )

porque T uma TL. Suponha agora que verdadeira para k :
 223

T ( 1u1 + 2u 2 + ... + k u k ) = 1T (u1 ) + 2T (u 2 ) + ... + k T (u k ) .

E agora queremos provar para k + 1 . Somando k +1T (u k +1 ) a ambos

da ltima igualdade, obtemos:
T ( 1u1 + 2u 2 + ... + k u k ) + k +1T (u k +1 ) = 1T (u1 ) + 2T (u 2 ) + ... + k T (u k ) + k +1T (u k +1 ).

O lado direito j est da forma que queremos. Usando novamente

as condies de TL no termo da esquerda conseguimos escrever esta
igualdade da forma:

T ( 1u1 + 2u 2 + ... + k u k + k +1u k +1 ) = 1T (u1 ) + 2T (u 2 ) + ... + k T (u k ) + k +1T (u k +1 )

que era o que queramos provar. A transformao de uma combina-

o linear de vetores igual combinao linear dos vetores trans-
formados.

Exemplo 16. Determinar qual a transformao linear T de 2 3,

tal que T = (e1 ) = (2, 1, 0)T e T = (e 2 ) = (0, 0,1)T .

x
Seja x = 1 = x1e1 + x2e 2 um vetor arbitrrio. Pela aplicao da trans-
x2
formao que estamos procurando sobre este vetor e usando a pro-
priedade anterior temos:

T ( x) = T ( x1e1 + x2e 2 )
= x1T (e1 ) + x2T (e 2 )
= x1 (2, 1, 0)T + x2 (0, 0,1)T
= (2 x1 , x1 , x2 )T.

Exemplo 17. Sejam V = M 22 (espao das matrizes quadradas 2 2)

e W = P4 (espao dos polinmios de grau 4). Qual a transformao
linear T : M 22 P4 , tal que:

1 0 4
T =x +x
0 0
0 1 3 2
T =x +x
0 0
0 0 2 3
T =x +x
1 0
0 0 4
T = x+x
0 1
224

a b
Uma matriz A M 22 da forma A = e pode ser escrita
c d
como

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

portanto:

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
=T a +T b +T c +T 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 ( x 4 + x ) + b( x 3 + x 2 ) + c ( x 2 + x 3 ) + d ( x + x 4 )
= (a + d ) x + (b + c) x 2 + (b + c) x3 + (a + d ) x .4

Logo, para todo vetor v M 22 (este vetor representa uma matriz), a

nossa transformao fica definida como

T (v) = (a + d ) x + (b + c) x 2 + (b + c) x3 + (a + d ) x 4 ,

um polinmio de grau 4.

iii) T (u) = T (u)

Prova. Para provar esta propriedade observe que:

0 w = T (0v ) = T (u + (u)) = T (u) + T (u)

O que significa que T (u) o inverso aditivo de T (u) , isto ,

T (u) = T (u) .

Exemplo 18. Uma transformao linear importante aquela que se

obtm usando-se o produto escalar. Seja o espao n com o produ-
to escalar usual .,. e v 0 n um vetor qualquer prefixado. Seja a
aplicao T : n definida por T ( v ) = v 0 , v . Mostraremos que
uma TL utilizando as propriedades do produto escalar. Verifique-
mos as condies das transformaes lineares. Sejam v, w n e k
um escalar, temos que:

Em uma seo anterior,
definimos a composio
de transformaes lineares
por matrizes. A definio se
estende de maneira natural
para TL em geral.
225
T (kv ) = v 0 , kv = k v 0 , v = kT ( v ) e
T ( v + w ) = v 0 , ( v + w ) = v 0 , v + v 0 , w = T ( v) + T (w )
assim, o produto escalar uma TL.
4.2.4 Composio de Transformaes Lineares
Definio. Se T : U V e S : V W so transformaes lineares, a
composio de S com T a aplicao que denotamos por S T (l-
se S composta com T ) definida por ( S T )(u) = S (T (u)) , onde u
um elemento de U . Observe que S T uma aplicao de U em W .
Note tambm que, para a definio fazer sentido, a imagem de T
deve estar contida no domnio de S .
Exemplo 19. Sejam duas transformaes lineares definidas por:
T : 2 P1 , T (a) = a1 + (a1 + a2 ) x
S : P1 P2 , S ( p ( x)) = xp ( x)
Encontre ( S T )(a) .
Soluo.
( S T )(a) = S (T (a) = S (a1 + (a1 + a2 ) x) = x(a1 + (a1 + a2 ) x) = a1 x + (a1 + a2 ) x 2
Teorema. Se T : U V e S : V W so transformaes lineares, ento
T : U W uma transformao linear.
Demonstrao. Sejam u e v em U e um escalar, iremos
conferir as condies de TL usando o fato de que S e T so trans-
formaes lineares:
( S T )(u + v) = S (T (u + v))
= S (T (u) + T ( v))
= S (T (u)) + S (T ( v))
= ( S T )(u) + ( S T )( v )
( S T )( v ) = S (T ( v ))
= S ( T ( v ))
= S (T ( v ))
= ( S T )( v )
226

As propriedades algbricas das transformaes lineares espe-

lham as das transformaes matriciais, as quais, por sua vez, es-
to relacionadas com as propriedades algbricas das matrizes. Por
exemplo, a composio das transformaes lineares associativa.
Para ver isto, considere as seguintes transformaes lineares R ,
S e T , ento R ( S T ) = ( R S ) T , desde que essas composies
faam sentido.

4.3 A Imagem e o Ncleo de uma

Transformao Linear
Definio. Seja T : V W uma transformao linear e seja S um
subespao de V ( S V ). A imagem de S , denotada por T ( S ) o
conjunto de vetores w W tais que existe um vetor v W , que sa-
tisfaa T ( v ) = w . Ou seja A palavra kernel deri-
vada do termo cyrnel, do
Im(T ) = T ( S ) = {w W / T ( v ) = w para algum v S } W. ingls antigo, uma forma
da palavra corn, que sig-
nifica gro. Tal como um
A imagem de todo o espao vetorial V (quando S = V ), Im(T (V )) ,
gro, o kernel de uma
chamada de imagem de T . transformao linear o
seu ncleo, no sentido de
carregar muitas informa-
Definio. Seja T : V W uma transformao linear. O conjunto
es sobre propriedades
de todos os vetores v V em que T ( v ) = 0 chamado ncleo de T , importantes da transfor-
sendo denotado por Ker(T ) . Isto , mao.

Ker(T ) = {v V / T ( v) = 0 w } V .

fcil ver que Ker(T ) um subconjunto de V e que, se S um su-

bespao qualquer de V , ento Im(T ( S )) um subconjunto de W .

Domnio Imagem

Contradomnio
Ncleo

Ncleo um Imagem um
subespao de V subespao de W

Figura 4.14 - Subespaos associados a uma transformao linear

 227

Teorema. Se T : V W uma transformao linear e S um subespao

de V , ento:

Ker(T ) um subespao de V

Demonstrao. Vamos mostrar que o ncleo de V fechado sob as

operaes de adio e multiplicao por escalar.

Seja v Ker(T ) , isto , T ( v ) = 0 w , e um escalar, ento:

T ( v ) = T ( v ) = a0 w = 0 w v Ker(T ).

Por outro lado, se v1 , v 2 Ker (T ) , isto , T ( v1 ) = 0 w e

T ( v 2 ) = 0 w , ento:

T ( v1 + v 2 ) = T ( v1 ) + T ( v 2 ) = 0 w + 0 w = 0 w v1 + v 2 Ker(T ).

Im(T ( S )) um subespao de W

Demonstrao. A demonstrao semelhante anterior. Se

w Im(T ( S )) , ento w = T ( v ) para algum v S .

Para qualquer escalar , temos w = T ( v ) = T ( v ). Como v = S ,

aw = Im(T ( S )) e T ( S ) fechado sob a multiplicao por escalar.

Se w1 , w 2 Im(T ( S )) , existem v1 , v 2 V tais que T ( v1 ) = w1 e

T ( v 2 ) = w 2 . Logo, w1 + w 2 = T ( v1 ) + T ( v 2 ) = T ( v1 + v 2 ) e Im(T ( S ))
fechado sob a adio.

Exemplo 20. Seja a transformao T : 2 2 definida por

x
T ( x) = 1 .
0
Um vetor x pertence ao ncleo de T se e somente se x1 = 0, isto ,

x 0
T (x) = 0 1 = x1 = 0.
0 0
Logo, os vetores de Ker(T ) tm primeira componente nula,

0
x = = 0e1 + x2e 2 = x2e 2 , ento Ker(T ) o subespao unidimen-
x2
sional de 2 gerado por e 2 .
228

Escrevendo y = T (x) , o vetor y estar na imagem de T se e somente

se y um mltiplo de x1 , isto ,

x
y = T (x) = 1 y = x1e1 + 0e2 = x1e1.
0
Logo, Im(T ) = T ( 2 ) = e1 o subespao unidimensional de 2 ge-
rado por e1 .

Exemplo 21. Seja T : 3 2 a transformao linear definida por

T (x) = ( x1 + x2 , x2 +x3 )T .

O ncleo de T pode ser determinado impondo a condio

T (x) = 0 ( x1 + x2 , x2 +x3 )T = (0, 0)T

ou equivalentemente, x Ker(T ) se e somente se

x1 + x2 = 0
( x1 + x2 , x2 + x3 )T = (0, 0)T .
x2 + x3 = 0
A soluo deste sistema est dada (fazendo a varivel livre x3 = a )
por todos os vetores de 3 da forma a (1, 1,1)T .

Logo, Ker(T ) = {x 3 / x = a (1, 1,1)T , a } .

Agora passemos a determinar a imagem, que deve ser um subespao

x1 + x2 1 1 0
de 2 . Se y Im(T ) , ento y = = x1 + x2 + x3 .
x2 + x3 0 1 1
Ento os vetores da imagem so gerados pela combinao linear dos
1 1 0
vetores , , , que geram todo 2 , logo Im(T ) = 2 .
0 1 1

Exemplo 22. Seja T : 3 3 a projeo ortogonal sobre o plano

x1 x2 , T (x) = ( x1 , x2 , 0)T .

Temos que ( x1 , x2 , 0)T = (0, 0, 0)T x1 = 0, x2 = 0 . Como nada

dito sobre a varivel x3 , temos que x3 qualquer; logo,
Ker(T ) = {x 3 / x = a (0, 0,1)T , a } , ou seja, o ncleo de T so to-
dos os vetores que esto sobre o eixo x3 .
 229

A imagem desta transformao dada diretamente pela sua defini-

o, o plano x1 x2 .

Para determinar o ncleo de uma transformao linear

ser necessrio resolver um sistema homogneo.

Exerccio. Mostre que as transformaes lineares de 3 em 3 ,

T (x) = (0, x2 , x3 )T e S (x) = (0, x2 + x3 , 2 x2 + x3 )T tm os mesmos n-
cleos e imagens.

Resoluo. O ncleo da transformao de T dado pelo con-

junto: ker(T ) = {x 3 : T (x) = 0} ; que equivale a escre-
ver (0, x2 , x3 )T = (0, 0, 0)T assim, determinar o ncleo consis-
te em resolver o sistema x2 = 0, x3 = 0 cuja soluo da forma
( x1 , x2 , x3 )T = x1 (1, 0, 0)T .

Analogamente, o ncleo da transformao de S dado pelo conjunto:

ker( S ) = {x 3 : S (x) = 0} ; ou seja (0, x2 + x3 , 2 x2 + x3 )T = (0, 0, 0)T
que nos conduz ao sistema x2 + x3 = 0, 2 x2 + x3 = 0 cuja soluo
tambm so os vetores ( x1 , x2 , x3 )T = x1 (1, 0, 0)T .

Logo ker(T ) = ker( S ) .

O contradomnio, ou imagem de T , denotado por Im(T ) ou T ( 3 )

est dado pelo conjunto Im(T ) = {y R 3 : y = T (x), x 3 } , ou
seja ( y1 , y2 , y3 )T = (0, x2 , x3 )T .

Assim os vetores y esto dados por

( y1 , y2 , y3 )T = (0, x2 , x3 )T = x2 (0,1, 0)T + x3 (0, 0,1)T

e ento Im(T ) = {(0,1, 0)T , (0, 0,1)T } .

A Im( S ) est definida como:

Im( S ) = {y 3 : y = T (x), x 3 } ou

( y1 , y2 , y3 )T = (0, x2 + x3 , 2 x2 + x3 )T

que nos leva a

( y1 , y2 , y3 )T = (0, x2 + x3 , 2 x2 + x3 )T = x2 (0,1, 2)T + x3 (0,1,1)T .

Mostrar que T (x) e S (x) possuem a mesma imagem equivalente a

mostrar que os espaos gerados pelas respectivas imagens so iguais.
230

Para isso suficiente mostrar que um mesmo vetor y nestes espaos

pode ser escrito como combinao linear dos vetores em ambas ba-
ses: Im(T ) e Im( S ) .

Se y [(0,1, 0)T , (0, 0,1)T ] e y [(0,1, 2)T , (0,1,1)T ] ento

( y1 , y2 , y3 )T = a1 (0,1, 0)T + a2 (0, 0,1)T = b1 (0,1, 2)T + b2 (0,1,1)T ,

usando a segunda igualdade obtemos o seguinte sistema:

a1 = b1 + b2 , a2 = 2b1 + b2

cuja soluo nos permite escrever

( y1 , y2 , y3 )T = a1 (0,1, 0)T + a2 (0, 0,1)T = (a2 a1 )(0,1, 2)T + (2a1 a2 )(0,1,1)T

e assim mostramos que as imagens de ambas transformaes so

iguais.

Exemplo 23. Seja T : 3 3 a transformao linear que a proje-

o ortogonal sobre a reta cujas equaes paramtricas so:
x1 = 1 + 2t
x2 = 2 2t
x3 = 3 + t .

Ache a transformao linear, seu ncleo e imagem.

Soluo. Estas so as equaes paramtricas de uma reta de 3 que

passa pelo ponto (1, 2,3) na direo do vetor u = (2, 2,1)T (o vetor
diretor da reta). Projetar um vetor sobre uma reta o mesmo que
encontrar a projeo ortogonal sobre o vetor diretor dessa mesma
reta.
u
T (x) = proju x = x, u u onde u = .
u
Para o nosso caso
(2, 2,1)T
T (x) = ( x1 , x2 , x3 )T , (2, 2,1)T =
9
1
= (4 x1 4 x2 + 2 x3 , 4 x1 + 4 x2 2 x3 , 2 x1 2 x2 + x3 )T = (0, 0, 0)T.
9
Para encontrar o ncleo devemos ter,

1
(4 x1 4 x2 + 2 x3 , 4 x1 + 4 x2 2 x3 , 2 x1 2 x2 + x3 )T = (0, 0, 0).T
9
 231

Que leva ao seguinte sistema homogneo

4 x1 4 x2 + 2 x3 = 0
4 x1 + 4 x2 2 x3 = 0
2 x1 2 x2 + x3 )T = 0

cuja soluo (a, b. 2a 2b)T .

Portanto,

Ker (T ) = {x 3 / x = ( x1 , x2 , 2 x1 2 x2 )T } = [(1, 0, 2)T , (0,1 2)T ].

Para determinar a imagem, fazemos

4 x1 4 x2 + 2 x3 4 4 2

4 x1 + 4 x2 2 x3 = x1 4 + x2 4 + x3 2 .
2 x 2 x + x )T 2 2 1
1 2 3

Logo, todo vetor que pertence imagem de T gerado pelos

vetores
2 2 2

y1 = 2 , y2 = 2 , y3 = 2 .
1 1 1

que so linearmente dependentes. Podemos ento escrever que
Im(T ) = [(2, 2,1)T ] (Verificar o porqu!) e um subespao unidi-
mensional de 3 . Veja que este vetor coincide com o vetor diretor da
reta como era de se esperar.

Exerccios
12) Determine o ncleo e a imagem de cada uma das transforma-
es lineares de 3 em 3 .

a) T (x) = ( x3 , x2 , x1 )T

b) T (x) = ( x1 , x2 , 0)T

c) T (x) = ( x1 , x1 , x1 )T

13) Seja S o subespao de 3 gerado por e1 e e 2 . Para cada um dos

operadores lineares no Exerccio 12, determine L( S ).
232

14) Determine o ncleo e a imagem de cada uma das transforma-

es lineares de P3 em P3 dadas a seguir.

a) T ( p ( x)) = xp '( x)

b) T ( p ( x)) = p ( x) p '( x)

c) T ( p ( x)) = p ( x) + p (1)

15) Seja L : V W uma transformao linear e seja T um subes-

1
pao de W . A imagem inversa de T , denotada por L (T ) , de-
1
finida por L (T ) = {v V | L( v ) T } . Mostre que L1 (T ) um
subespao de W .

16) Uma transformao linear T : V W dita injetora se

T (v1 ) = T (v2 ) implica que v1 = v 2 (isto , dois vetores distin-
tos v1 , v 2 V no podem ser levados no mesmo vetor w W ).
Mostre que T injetora se e somente se Ker(T ) = {0v } .

17) Um operador linear T : V W dito sobrejetora se

T (V ) = W . Mostre que o operador T : 3 3 definido por
T (x) = ( x1 , x1 + x2 , x1 + x2 + x3 )T sobrejetora.

18) Quais dos operadores no Exerccio 15 so injetores? Quais so

sobrejetores?

19) Seja A uma matriz 2 2 e seja TA o operador definido por

TA = Ax . Mostre que:

a) TA leva 2 no espao coluna de A .

b) Se A inversvel, ento TA sobrejetora de 2 em 2 .

20) Seja D o operador derivada em P3 e seja S = { p P3 | p (0) = 0}.

Mostre que:

a) D de P3 em P2 sobrejetora, mas no injetora;

b) D : S P3 injetora, mas no e sobrejetora.

 233

4.4 Transformaes Injetoras,

Sobrejetoras e Isomorfismos
Seria conveniente Definio. Dada uma aplicao T : V W , diremos que T injetora
recordar nesse momento
se dados u, v V com T (u) = T ( v ) tivermos u = v . Ou equivalente-
as noes de funo
injetora e sobrejetora, mente, com u v , ento T (u) T ( v) . Em outras palavras, T inje-
pois estenderemos tora se as imagens de dois vetores distintos so distintas.
estes conceitos para
as transformaes
lineares e posteriormente T T
estabeleceremos a relao
entre estes conceitos e os
de ncleo e imagem.

T no injetora T injetora
Figura 4.15 - Transformaes injetoras e no injetoras

Definio. Uma aplicao T : V W ser sobrejetora se a imagem de

T coincidir com W , ou seja, T (V ) = W .

Observao. Na definio anterior, vimos que uma funo ser so-

brejetora se, dado w W existir v W , tal que T ( v) = w .

T : 2 3 T: 2 2
T T

T no sobrejetora T sobrejetora
Figura 4.16 - Transformaes sobrejetoras e no sobrejetoras

Este teorema afirma que Teorema. Seja T : V W , uma aplicao linear. Ento, Ker(T ) = {0} se e
uma TL injetora s tem o somente se T injetora.
vetor nulo no seu ncleo.
E, por outro lado, se uma
TL tiver somente 0 no seu Ker(T ) = {0} T injetora .
ncleo, ento quaisquer
dois vetores distintos
devem ter imagens Corolrio. Seja T : V W uma aplicao linear injetora. Ento, T
distintas tambm. leva vetores linearmente independentes em vetores linearmente in-
dependentes.
234

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

dim(ker(T )) + dim(Im(T )) = dim(V ).

Corolrio. Se dim V = dim W, ento T injetora se T sobrejetora.

Corolrio. Seja T : V W uma aplicao linear injetora. Se

dim V = dim W , ento T leva base em base.

Exemplo 24. Seja T : Pn Pn , dada por T ( p ( x)) = xp ( x) . Verifique se

T bijetora.

Soluo. Devemos verificar se T injetora e sobrejetora ao mesmo

tempo. Para isso, usaremos os teoremas e corolrios dados anterior-
mente.

Para ver que injetora, devemos apenas calcular o ncleo de T :

T ( p ( x)) = xp ( x)
T (a0 + a1 x + + an x n ) = x(a0 + a1 x + + an x n )
= a0 x + a1 x 2 + + an x n +1 .

Quais os polinmios tal que T ( p ( x)) = 0 ?

T ( p ( x)) = 0 a0 x + a1 x 2 + + an x n +1 a0 = a1 = = an = 0 p ( x) = 0

p ( x) o polinmio nulo Ker(T ) = { p Pn / p( x) = 0, x } = {0}

(observe que neste caso o vetor nulo de Pn o polinmio nulo de
grau n). Portanto, T injetora.

Como dim Pn = n + 1 e 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 dim Pn +1 = n + 2 , ento:

Im(T ) Pn +1 . Portanto, T no sobrejetora.

Quais so os polinmios que esto faltando na imagem de T ? Estes termos so deri-

vados de dois vocbulos
gregos: iso que signi-
Quando uma transformao linear T : V W for injetora e sobreje- fica igual e morfos que
significa forma.
tora ao mesmo tempo, d-se o nome de isomorfismo.
 235

Sob o ponto de vista da lgebra Linear, espaos vetoriais isomorfos

so, por assim dizer, idnticos.

Temos ento que espaos isomorfos devem ter a mesma dimenso.

Logo, um isomorfismo leva base em base. Alem disso, um isomor-
fismo T : V W tem uma aplicao inversa, que linear e tam-
bm um isomorfismo.

De forma anloga ao que fizemos com o conceito de composio

de transformaes lineares, voltamos para as nossas definies das
transformaes inversas definidas por matrizes. Repetiremos estas
definies para as transformaes inversas, num contexto mais ge-
ral. Estamos agora em condies de estabelecer relaes e proprie-
dades com maior formalidade.

Definio. Seja T : V W uma transformao linear. Se existe uma

aplicao T 1 : V W tal que T T 1 = I e T 1 T = I , ento dize-
mos que T inversvel e que T 1 a inversa de T .

Propriedades:

1) Seja T : V W uma transformao linear. Se existe T 1 , a in-

versa de T , ento T 1 uma transformao linear.

2) Se T um isomomorfismo, ento T inversvel e alm disso,

T 1 tambm um isomorfismo.

Podemos concluir que, se T : V W uma transforma-

o linear inversvel (um isomorfismo), E = [v1 , v 2 , , v n ] e
F = [w1 , w 2 , , w m ] so bases para V e W , A a matriz de represen-
tao para T , ento A inversvel.

Dois espaos vetoriais so isomorfos se existe uma transformao

linear inversvel entre eles. Uma transformao linear com essa pro-
priedade um isomorfismo.

Em particular, se um espao vetorial tem uma base de dimenso

finita, ento isomorfo com o espao euclidiano. Lembramos que se
um espao vetorial gerado por um nmero finito de vetores, ento
tem uma base de dimenso finita.
236

Exemplo 25. O espao vetorial dos polinmios Pn com coeficientes

reais de grau mximo n, isomorfo com n+1 ?

Soluo. Para prov-lo, devemos construir um isomorfismo, isto ,

uma aplicao linear bijetora Pn n +1 . Para isso consideremos
as bases cannicas de n+1 e Pn , {e1 , e 2 ,..., e n+1} e {1, t , t 2 , , t n } ,
respectivamente, e definimos, T (1) = e1 , T (t ) = e 2 ,..., T (t n ) = e n +1. Con-
.
sideremos a aplicao linear de T em um vetor de Pn e usemos a
ltima definio dada

T (a0 + a1t + a2t 2 + + ant n ) = a0T (1) + a1T (t ) + + anT (t n )

= a0e1 + a1e 2 + ...ane n +1
= (a0 , a1 , a2 , an )T .

Claramente T linear (pela prpria construo) e Ker(T ) = {0} .

Logo, injetora.

Como dim( n +1 ) = dim( Pn ) = n + 1 sobrejetora, logo um isomor-

fismo e dado como

a0 + a1t + a2t 2 + + ant n (a0 , a1 , a2 , an )T .

Observao. Este fato pode ser usado na converso de alguns proble-

mas envolvendo polinmios em vetores de espaos euclidianos.

Exemplo 26. O espao vetorial das matrizes M 22 isomorfo com

4 . As coordenadas em relao base

1 0 0 1 0 0 0 0
, , ,
0 0 0 0 1 0 0 1
a b T
o isomorfismo ( a , b, c , d ) .
c d
Para ver isto, proceda em forma anloga ao exemplo anterior.

Dado um isomorfismo, resolver uma questo da lgebra Linear

(que pode ser uma definio, um conceito, uma propriedade, um
teorema e sua prova, etc.) em um espao vetorial equivalente a
resolver a mesma questo em um outro espao vetorial, onde tenha-
mos alguma familiaridade ou facilidade, ou ainda a questo a ser
resolvida seja mais simples. Em particular, para espaos vetoriais
finitos, as coordenadas identificam a lgebra linear de um espao
vetorial mais geral com a lgebra linear de um espao euclidiano.
 237

Para uma transformao linear, T : V W as seguintes afirmaes

so equivalentes:

T inversvel.

T bijetora.

Im(T ) = W , ker(T ) = {0} .

Ateno: aproveite a
informao que pode ser
Se T for uma TL definida por uma matriz A, na forma T (x) = Ax en-
obtida analisando uma
matriz para determinar o to o ncleo ker(T ) e a imagem Im(T ) de T podem ser determinados
que quer saber de uma TL. atravs da anlise da matriz A na sua forma reduzida por linhas.

Exemplo 27. Dada a transformao linear T : 3 3, definida por

T (x) = ( x1 + 2 x2 + 2 x3 , x1 + x2 + 3 x3 , x1 + 2 x2 + x3 )T

a) mostre que existe a inversa de T

b) explicite T 1 (x)

Soluo. Veja que dim V = dim W = 3 ( V = W = 3 ); mostraremos

que Ker(T ) = {0} e usaremos o corolrio adequado para concluir
que um isomorfismo.

Sabemos que T 1 : 3 3 uma TL, tal que T T 1 = T 1 T = I .

Uma forma de proceder da seguinte maneira: determinamos a ma-

triz da transformao (no deixe de fazer isso, deve ser 3 3 ) e es-
crevemos a transformao como T (x) = Ax = y , logo formamos a
matriz aumentada [ A | y] e a levamos na forma escalonada reduzida
por linhas

1 2 2 y1 1 0 0 5 y1 + 2 y2 + 4 y3

1 1 3 y2 0 1 0 2 y1 y2 y3 .
1 2 1 y3 0 0 1 y1 y3

Agora resolveremos praticamente ambos os itens em forma simul-
tnea: para determinar Ker(T ) devemos encontrar a soluo de
T (x) = 0 para o qual fazemos y = 0 ; resolvendo o sistema homog-
neo temos que Ker(T ) = {0} .

A expresso explcita da inversa est dada pela ltima coluna da for-

ma escalonada reduzida, logo

T 1 (y ) = (5 y1 + 2 y2 + 4 y3 , 2 y1 y2 y3 , y1 y2 )T .
238

Consideremos uma outra tcnica para obter a inversa.

Temos que (T T 1 )(x) = T (T 1 (x)) = I (x) = x . Pondo y = T 1 (x) te-

mos T (y ) = x , ou seja,

T (y ) = ( y1 + 2 y2 + 2 y3 , y1 + y2 + 3 y3 , y1 + 2 y2 + y3 )T = ( x1 , x2 , x3 )T .

Esta equao pode ser reescrita como

y1 + 2 y2 + 2 y3 = x1

y1 + y2 + 3 y3 = x2 e resolvendo para y temos
y + 2y + y = x
1 2 3 3

y1 = x1 x3

y2 = 2 x1 x2 x3 , assim
y = 5 x + 2 x + 4 x
3 1 2 3

T 1 (y ) = (5 y1 + 2 y2 + 4 y3 , 2 y1 y2 y3 , y1 y3 )T

Simplesmente poderamos considerar inverso da matriz da transfor-

mao
1 2 2 5 2 4
1
A = 1 1 3 A = 2 1 1 , e escrever
1 2 1 1 0 1

T 1 (T (x)) = T 1 ( Ax) = T 1 (y )
= A1y
5 2 4

= 2 1 1 y

1 0 1
5 y1 + 2 y2 + 4 y3

= 2 y1 y2 y3
y1 y3

Obtendo mais uma vez a expresso da transformao inversa.

Podemos tambm escrever a expresso da inversa obtida em forma

padro, trocando y por x , para obter

T 1 (x) = (5 x1 + 2 x2 + 4 x3 , 2 x1 x2 x3 , x1 x3 )T .

Observaes:

a) Em todos os procedimentos utilizados, o custo computacional

foi praticamente o mesmo. Demandou a resoluo de um siste-
ma linear de equaes ou o clculo da inversa de uma matriz.
 239

b) Um resultado que ainda no foi provado formalmente e que

nos permitiria mostrar a existncia da transformao inversa
o seguinte: Se a matriz de representao for inversvel, ento
existe a inversa da transformao.

Por este motivo (e muitos outros que aparecero ainda), a represen-

tao matricial de uma transformao linear se torna um dos pro-
blemas bsicos da lgebra Linear.

4.5 Representao Matricial de

Transformaes Lineares
Na seo anterior, mostramos que dada uma matriz Amn possvel
definir uma transformao linear T : n m dada por T (x) = Ax
para cada x n .

Agora, mostraremos que para cada transformao linear T : n m

existe uma matriz Amn tal que T (x) = Ax . Veremos tambm que qual-
quer operador linear definido entre dois espaos vetoriais de dimen-
so finita pode ser representado por uma matriz.

Teorema. Seja T : n m , ento existe uma matriz Amn tal que

T (x) = Ax para cada x n . De fato, o j-simo vetor coluna da matriz A
dado por

a j = T (e j ), j = 1, 2, , n

Demonstrao. Seja a matriz Amn (explicitada atravs de suas

colunas):

A = (a1 , a 2 ,..., a j ,...a n ) , onde a j = (a1 j , a 2 j ,..., a mj )T .

A matriz tem n colunas e cada coluna um vetor com m compo-

nentes.

Para j = 1, 2, , n definimos cada coluna como

a j = (a1 j , a 2 j ,..., a mj )T = T (e j ) .

E se x n for um vetor arbitrrio escrito na base cannica

x = ( x1e1 + x2 e2 + + xn en ) .
240

Fazendo T (x) temos:

T (x) = x1T (e1 ) + x2T (e 2 ) + ... + xnT (e n )

= x1a1 + x2a 2 + ... + xna n
x1

x
= (a1 , a 2 ,..., a n ) 2


xn
= Ax .

Mostramos que cada transformao linear T : n m pode ser re-

presentada em termos de uma matriz. O teorema mostra como cons-
truir a matriz que representa um determinado operador linear.

Para obter a primeira coluna de A , aplique o operador linear T ao

primeiro vetor da base de n .

Repita o procedimento at obter todas as colunas de A.

Como usamos os elementos da base cannica de n , e1 , e 2 , , en ,

dizemos que A a representao cannica de T ou a matriz de T
em relao s bases cannicas. Veremos, a seguir, como representar
um operador linear em relao a outras bases.

Exemplo 28. Encontre a transformao T : 3 2 dada por

T (x) = ( x1 + x2 , x2 + x3 )T para cada x n .

Soluo. Queremos encontrar uma matriz A tal que T (x) = Ax .

Para fazer isso, construiremos a matriz obtendo suas colunas conse-
cutivamente calculando a1 = T (e1 ), a 2 = T (e 2 ) e a3 = T (e3 ) .

Como segue
1
a1 = T (e1 ) = ,
0
1
a 2 = T (e 2 ) = ,
1
0
a3 = T (e3 ) = ,
1
 241

E ento escolhemos esses vetores como as colunas de A ,

1 1 0
A= .
0 1 1
Podemos conferir o resultado calculando Ax

x1
1 1 0 x1 + x2
Ax = x2 = .
0 1 1 x2 + x3
x3
Acabamos de ver como matrizes representam transformaes linea-
res de n em m , poderamos perguntar agora se possvel encon-
trar uma representao anloga para operadores lineares de V em
W , onde V e W so espaos de dimenso n e m , respectivamente.
Veja o seguinte exemplo.

Veremos que em geral a matriz de representao de uma transfor-

mao linear depende das bases escolhidas para o domnio e a ima-
gem. Faremos uma generalizao do teorema anterior.

Para fazer isso, consideremos E = [ v1 , v 2 ..., v n ] e F = [w1 , w 2 ..., w m ] ba-

ses ordenadas para V e W , respectivamente e uma transformao
linear T : V W .

Se v um vetor arbitrrio em V podemos express-lo em termos da

base E como:
v = x1 v1 + x2 v 2 + ... + xn v n .

Vamos mostrar que existe uma matriz Amn que representa o opera-
dor T no seguinte sentido:

Ax = y se e somente se T ( v ) = y1w1 + y2 w 2 + ... + ym w m.

A matriz A deve caracterizar o efeito do operador T .

Prova. Pela linea ridade do nosso operador T , temos:

T ( v ) = x1T ( v1 ) + x2T ( v 2 ) + ... + xnT ( v n ).

A notao utilizada aqui
para os coeficientes da Para cada k , (1 k n) , T ( v k ) est em W e ento pode ser repre-
combinao linear aik nos
sentado em forma nica em termos dos vetores da base F de W
ajudar a enxergar a matriz
que estamos procurando. como: .
242

Assim,
T ( v) =
= x1 (a11w1 + a21w 2 + ... + am1w m )
+ x2 (a12 w1 + a22 w 2 + ... + am 2 w m )
+
+ xn (a1n w1 + a2 n w 2 + ... + amn w m ) .

Remanejando os termos apropriadamente, temos

T ( v) =
= (a11x1 + a12 x 2 + ... + a1n x n )w1
+ (a21x1 + a22 x 2 + ... + a2 n x n )w 2
+
+ (am1x1 + am 2 x 2 + ... + amn x n )w m.

Podemos enxergar os coeficientes de w1 , w 2 , , w m na ltima ex-

presso, como sendo exatamente o produto das linhas de A pelo
vetor x = ( x1 , x1 ,...xn )T

a11 x1 + a12 x2 + + a1n xn a11 a12 a1n x1 x1

a21 x1 + a22 x2 + + a2 n xn = a21 a22 a2 n x2 x
= A 2 = Ax


am1 x1 + am 2 x2 + + amn xn am1 am 2 amn xn xn

a coluna de A , (denotada por a k , 1 k n ) exatamente:

x1k

x2 k
a k = (T ( v k )) F = .


amk

Ento, a matriz A, cujas colunas so as coordenadas dos vetores

T ( v1 ), T ( v 2 ),..., T ( v n ), a matriz desejada. A matriz nica para as
bases escolhidas desde que as coordenadas dos vetores sejam nicas
nessas bases.

Por outro lado tambm temos que o vetor de coordenadas de T ( v ) em

n
relao a [w1 , w 2 ,..., w m ] so da forma yi = aij x j . Logo y = Ax .
j =1
Acabamos de mostrar o seguinte teorema:
 243

Teorema. Seja uma transformao linear T : V W e duas bases ordena-

das E = [ v1 , v 2 ..., v n ] e F = [w1 , w 2 ..., w m ] para V e W respectivamente,
ento existe uma matriz Amn tal que [T ( v )]F = A[ v ]E . Seja A a matriz de
T (v) em relao as bases ordenadas E e F . De fato, o j-simo vetor coluna
da matriz A dado por a j = [T ( v j )]F .

Se denotarmos por

x = [ v ]E n : vetor de coordenadas de v em relao a E .

y = [w ]F m : vetor de coordenadas de w em relao a F .

Temos que

se e somente se Ax = y.

Mais uma vez as colunas de A so

A = (a1 , a 2 ,..., a n ) = ([T ( v1 )]F ,[T ( v 2 )]F ,...,[T ( v n )]F ).

Para encontrar a representao matricial de uma TL

T : n m em relao s bases ordenadas E = [u1 , u 2 ,..., u n ] e
F = [b1 , b 2 ,..., b m ], precisamos representar cada vetor T (u j ) como
uma combinao linear de b1 , b 2 ,..., b n . O teorema a seguir mostra
que encontrar essa representao equivalente a resolver o sistema
linear Bx = T (u j ) .

Teorema. Sejam E = [u1 , u 2 ,..., u n ] e F = [b1 , b 2 ,..., b m ] bases ordenadas

para n e m , respectivamente. Se T : n m uma transformao
linear e A a matriz de T em relao a E e F , ento a j = B 1T (u j ) , onde
B = (b1 , b 2 ,..., b m ) .

Demonstrao. Se A matriz de representao de T em relao a

E e F , ento para j = 1, 2, , n , temos
T (u j ) = a1 j b1 + a2 j b 2 + ... + amj b m
= Ba j .
A matriz B inversvel, j que suas colunas formam uma base para
m , portanto a j = B 1T (u j ) .

244

Uma conseqncia desse teorema que podemos determinar a

matriz associada a um operador calculando a forma escalonada re-
duzida por linhas de uma matriz aumentada. O prximo corolrio
mostra como fazer isso.

Corolrio. Se A a matriz de representao de um operador linear

T : n m em relao as bases E = [u1 , u 2 ,..., u n ] e F = [b1 , b 2 ,..., b m ] ,
ento a forma escalonada reduzida por linhas da matriz

(b1 , b 2 ,..., b m ) | T ( v1 ), T ( v 2 ),..., T ( v n )) ( I | A)

Demonstrao. Seja B = (b1 , b 2 ,..., b m ) . A matriz

( B | T ( v1 ), T ( v 2 ),..., T ( v n ))

equivalente por linhas a

B 1 ( B | T ( v1 ), T ( v 2 ),..., T ( v n )) = ( I | B 1T ( v1 ), B 1T ( v 2 ),..., B 1T ( v n ))
= I | a1 , a 2 ,..., a n )
= ( I | A).

Exemplo 29. Seja a TL T : 2 3 definida por

T (x) = ( x2 , x1 + x2 , x1 x2 )T .

Encontre a matriz de T em relao as bases ordenadas

E = [u1 , u 2 ] = [(1, 2)T , (3,1)T e

F = [b1 , b 2b3 ] = [(1, 0, 0)T , (1,1, 0)T , (1,1,1)T ] .

Soluo. O procedimento de soluo consiste em formar a matriz

aumentada e depois lev-la a forma escalonada reduzida por linhas.
Para isso, precisamos calcular previamente T ( v1 ), T ( v 2 ) ; assim temos
que:

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

(b1 , b 2b3 | T ( v1 ), T ( v 2 )) = 0 1 1 | 3 4 0 1 0 | 4 2
0 0 1 | 1 2 0 0 1 | 1 2

 245

1 3

Logo, a matriz procurada A = 4 2
1 2

O leitor pode verificar que
T (u1 ) = b1 + 4b 2 b3
.
T (u 2 ) = 3b1 + 2b 2 + 2b3

Exerccios
1) Para cada uma das transformaes lineares T no Exerccio 1
da Seo 1, encontre a matriz A que representa T .

2) Para cada uma das transformaes lineares L de 3 em 2 a

seguir, encontre uma matriz A, tal que T (x) = Ax para todo x
em 3 .

a) T (( x1 , x2 , x3 )T ) = ( x1 + x2 , 0)T

b) T (( x1 , x2 , x3 )T ) = ( x1 , x2 )T

c) T (( x1 , x2 , x3 )T ) = ( x2 x1 , x3 x2 )T

3) Para cada uma das transformaes lineares T de 3 em 3 a

seguir, encontre uma matriz A , tal que T (x) = Ax para todo x
em 3 .

a) T (( x1 , x2 , x3 )T ) = ( x3 , x2 , x1 )T

b) T (( x1 , x2 , x3 )T ) = ( x1 , x1 + x2 , x1 + x2 + x3 )T

c) T (( x1 , x2 , x3 )T ) = (2 x3 , x2 + 3 x1 , 2 x1 x3 )T

4) Seja L a transformao linear de 3 em 3 definida por

T ( x) = (2 x1 x2 x3 , 2 x2 x1 x3 , 2 x3 x1 x2 ) . Determine a ma-
triz A de L em relao a base cannica e use-a para encontrar
T (x) para cada um dos vetores x a seguir.
T
a) x = (1,1,1)

b) x = (2,1,1)T

c) x = (5,3, 2)T

5) Encontre a representao matricial cannica para cada um dos

operadores lineares T em 2 descritos a seguir.
246

a) T roda cada vetor x de 45 no sentido anti-horrio.

b) T reflete cada vetor x em relao ao eixo dos x1 e depois

roda o vetor refletido de 90 no sentido trigonomtrico.

c) T dobra o comprimento do eixo, depois roda o vetor obtido

de 30 no sentido trigonomtrico.

d) T reflete cada vetor x em relao a reta x1 = x2 e depois

projeta o vetor refletido sobre o eixo dos x1 .

1 1 0
6) Sejam b1 = 1 , b 2 0 , b3 = 1 e seja T a transformao line-

0 1 1

ar de 2 em 3 definida por T (x) = x1b1 + x2b2 + ( x1 + b2 )b3 . En-
contre a matriz A de T em relao s bases [e1 , e2 ] e [b1 , b2 , b3 ] .

1 1 1
7) Sejam y1 = 1 , y2 = 1 , y3 = 0 e seja I o operador identi-

1 0 0

dade em 3 .

a) Encontre as coordenadas de I (e1 ), I (e 2 ), I (e3 ) em relao a

[ y1 , y2 , y3 ] .

b) Encontre uma matriz A tal que Ax o vetor de coordena-

das de x em relao a [ y1 , y2 , y3 ] .

8) Sejam y1 , y2 , y3 , dados no exerccio anterior e seja T a transfor-

mao linear de 3 em 3 definidapor:

T (c1 y1 + c2 y2 + c3 y3 ) = (c1 + c2 + c3 ) y1 + (2c1 + c3 ) y2 (2c2 + c3 ) y3

T (c1 y1 + c2 y2 + c3 y3 ) = (c1 + c2 + c3 ) y1 + (2c1 + c3 ) y2 (2c2 + c3 ) y3

a) Encontre a matriz de T em relao base ordenada

[ y1 , y2 , y3 ] .

b) Escreva cada um dos vetores x a seguir como uma combi-

nao linear de y1 , y2 , y3 e use a matriz encontrada em a)
para determinar T (x) .

i) x = (7,5, 2)T ii) x = (3, 2,1)T iii) x = (1, 2,3)T

 247

9) Sejam E = [u1 , u 2 , u3 ] e F = [b1 , b 2 ] , onde u1 = (1, 0, 1)T ,

u 2 = (1, 2,1)T , u3 = (1,1,1)T e b1 = (1, 1)T , b 2 = (2, 1)T . Para
cada uma das transformaes lineares T de 3 em 2 a se-
guir, encontre a matriz de T em relao s bases ordenadas
E e F.

a) T (x) = ( x3 , x1 )T

b) T (x) = ( x1 + x2 , x1 x3 )T

c) T (x) = (2 x2 , x1 )T

4.6 Matrizes e Transformaes

Lineares, Equivalncias e
Propriedades
Seja T uma transformao linear de V em W ( dim(V ) = dim(W ) = n )
e A a matriz de representao de T em relao as bases de V e de
W . As afirmaes a seguir so equivalentes:

i) A inversvel, isto , existe A1

ii) Ax = b tem soluo nica

iii) Ax = 0 s admite a soluo trivial

iv) A forma escalonada reduzida por linhas de A a

matriz identidade

v) A um produto de matrizes elementares

vi) posto( A) = n

vii) nulidade( A) = 0

viii) A tem n vetores coluna linearmente independentes

ix) O espao coluna de A gera n

x) O espao linha de A gera n

248

xi) O espao nulo de A o vetor nulo

xii) det( A) 0

xiii) T inversvel e a matriz associada com a transformao inversa T 1

A1

xiv) T injetora e sobrejetora

xv) T um isomorfismo

xvi) ker(T ) = {0} , Im(T ) = W

O conceito de transformaes lineares, um tpico de extrema im-

portncia da Matemtica, tem sido definido e analisado luz de seu
ncleo (kernel), imagem e tambm atravs da matriz associada
transformao.

Achar a matriz de representao de uma transformao linear pode

ser considerado como um dos principais problemas bsicos da l-
gebra Linear.

Os conceitos aprendidos nesta primeira disciplina so ferramentas

matemticas bsicas da lgebra Linear. Com uma boa familiarida-
de em lgebra matricial, transformaes lineares e espaos vetoriais,
estaremos prontos para compreender e enfrentar outros importantes
problemas da lgebra Linear como: o conceito de ortogonalidade, o
estudo de auto-sistemas (autovalores e autovetores de uma matriz) e
o problema de diagonalizao; tpicos correspondentes disciplina
de lgebra Linear II.
 249

Bibliografia Comentada
LAY, David C. lgebra linear e suas aplicaes. 2. ed. [S.l]:LTC, [200-?].

O texto fornece uma introduo elementar e moderna da lgebra linear e

algumas de suas aplicaes interessantes, acessvel a alunos com a maturidade
que dois semestres completos de matemtica em nvel de terceiro grau, em
disciplinas de clculo em geral, lhes conferem. O objetivo ajudar os alunos
a dominar os conceitos e habilidades bsicos que usaro mais tarde em suas
carreiras. Os tpicos escolhidos seguem as recomendaes do Linear Algebra
Curriculum Study Group, que, por sua vez, baseiam-se em uma cuidadosa
pesquisa sobre as necessidades reais dos alunos e em um consenso entre os
profissionais dos muitos campos que usam a lgebra Linear.

POOLE, David. lgebra linear. So Paulo: Pioneira Thomson

Learning, 2004.

Este livro foi estruturado de forma bastante flexvel, com a preocupao

central de que a lgebra linear constitua um assunto estimulante o suficiente
e de fcil aprendizado, tornando-a mais acessvel ao estudante. Escrito
de forma clara, direta e objetiva, aborda temas como Vetores, Matrizes,
Autovalores e Autovetores, Ortogonalidade, Espaos Vetoriais, e Distncia
e Aproximao. A apresentao de conceitos-chave com antecedncia, a
nfase em vetores e geometria e os inmeros exerccios e exemplos que
reforam o fato de a lgebra Linear ser uma ferramenta valiosa para a
modelagem de problemas da vida real consistem no principal diferencial
deste livro. A apresentao de pequenos esboos biogrficos de muitos dos
matemticos que contriburam para o desenvolvimento da lgebra Linear
outro diferencial, valorizando a histria da matemtica.

STEVE, Leon J. lgebra linear com aplicaes. 4. ed. [S.l.]: LTC, [200-?].

Este livro apropriado para alunos que tenham conceitos bsicos de matrizes
e tenham passado por um curso de Geometria Analtica. O estudante deve
estar tambm familiarizado com as noes bsicas de Clculo Diferencial
e Integral. Esta nova edio, ao mesmo tempo que mantm a essncia
das edies anteriores, incorpora uma srie de melhorias substanciais: -
Conjunto de Exerccios Computacionais em cada Captulo; - Mais Motivao
Geomtrica; - Nova Aplicao Envolvendo Teoria dos Grafos e Redes; -
Motivao Adicional para a Definio de Determinantes; - A seo sobre
Mudana de Base foi transferida para o Cap. 3; - Revises Importantes na
seo sobre Espaos Munidos de Produto Interno; - A seo sobre Normas
Matriciais foi transferida para o Cap. 7; - Nova Aplicao: Aproximao de
Funes por Polinmios Trigonomtricos; - Revises no Cap. 6.