1 Matrizes

1.1 Introdução

Aprenderemos aqui, os conceitos básicos sobre matrizes, fazendo um estudo sobre as suas
principais estruturas e também as aplicando para resolver alguns problemas.

1.2 Definição de Matriz Uma matriz 𝑚 × 𝑛 é uma tabela de 𝑚 linhas e 𝑛 colunas, onde seus
elementos podem ser números reais ou complexos, funções ou ainda outras matrizes.

Exemplo: A tabela a seguir relaciona a altura e a massa das pessoas:

Massa(kg) Altura(m)
Pessoa 1 60 1,70
Pessoa 2 55 1,60
Pessoa 3 65 1,75

Assim, dessa tabela podemos extrair a matriz com 3 linhas e 2 colunas, denotada por 𝑀3x2:

60 1,70
𝑀3x2=[55 1,60]
65 1,75

De modo geral, podemos escrever uma matriz de 𝑚 linhas e 𝑛 colunas da seguinte maneira:

𝑎11 𝑎12 𝑎1𝑛

𝑎21 𝑎22 ⋯ 𝑎2𝑛
𝑀𝑚×𝑛 =[ ⋮ ⋱ ⋮ ]=[𝑎𝑖𝑗 ]𝑚×𝑛 . Usaremos letras maiúsculas para representar
𝑎𝑚1 𝑎𝑚2 ⋯ 𝑎𝑚𝑛
matrizes, e usaremos 𝑀𝑚×𝑛 para indicar a ordem da matriz.

Observação: também, em alguns textos, são utilizados parênteses para representar uma
matriz.

Exemplo: 𝑀2x2=( 1 √55).

−5 8

1.2.1 Definição As matrizes 𝐴𝑚×𝑛 = [𝑎𝑖𝑗 ]𝑚×𝑛 e 𝐵𝑟×𝑠 = [𝑏𝑖𝑗 ]𝑟×𝑠 , são iguais, (𝐴 = 𝐵), se elas
tem o mesmo número de colunas e o mesmo número de linhas (𝑚 = 𝑟; 𝑛 = 𝑠), e todos os seus
elementos correspondentes são iguais (𝑎𝑖𝑗 = 𝑏𝑖𝑗 ).
 4 0
Exemplo: [√16 𝑠𝑒𝑛(𝑂)] = [ ]
1 9 1 3²

1.3 Alguns tipos de matrizes Seja a matriz 𝑀𝑚×𝑛 , segue que:

1.3.1 Matriz linha É aquela cujo o 𝑚 é 1, ou seja, tem apenas uma linha.

Exemplos: 𝑀1x2=(1 75) 𝑀1x3=[58 √57 𝜋]

1.3.2 Matriz coluna É aquela cujo o 𝑛 é 1, ou seja, tem apenas uma coluna.

1
1
Exemplos: 𝑀2x1=( ) 𝑀3x1=[2]
25
3

1.3.3 Matriz nula É aquela em que seus elementos 𝑎𝑖𝑗 = 0, para todo 𝑖 e 𝑗.

0 0 0 0 0
Exemplos: 𝑀2x2=( ) 𝑀2x3=[ ]
0 0 0 0 0

1.3.4 Matriz quadrada É aquela que tem o número de linhas igual ao número de colunas
(𝑚 = 𝑛).

1 2
Exemplos: 𝑀1x1=[65] 𝑀2x2=[ ]
−3 8

1.3.5 Matriz diagonal É uma matriz quadrada (𝑚 = 𝑛) onde os elementos 𝑎𝑖𝑗 = 0 para 𝑖 ≠ 𝑗,
isto é, os elementos que não estão na diagonal são “nulos”.

5 0 0
0
Exemplos: 𝑀2x2=[√2 ] 𝑀3x3=[0 58 0]
0 −9
0 0 1

1.3.6 Matriz identidade quadrada É a matriz onde os elementos 𝑎𝑖𝑗 = 1 quando 𝑖 = 𝑗, e

𝑎𝑖𝑗 = 0 quando 𝑖 ≠ 𝑗 (denotamos a matriz identidade por 𝐼𝑛 ).

1 0 0
1 0
Exemplos: 𝐼 2=[ ] 𝐼 3=[0 1 0]
0 1
0 0 1

1.3.6 Matriz triangular superior É a matriz quadrada que tem elementos nulos abaixo da
diagonal, isto é, quando 𝑚 = 𝑛 os elementos 𝑎𝑖𝑗 = 0 para 𝑖 > 𝑗.
 5 4 7 𝑎 𝑏
Exemplos: 𝑀3x3=[0 5 1] 𝑀2x2=[ ]
0 𝑐
0 0 6

1.3.7 Matriz triangular inferior É a matriz quadrada que tem seus elementos nulos acima da
diagonal, isto é, quando 𝑚 = 𝑛 os elementos 𝑎𝑖𝑗 = 0 para 𝑖 < 𝑗.

5 0 0 𝑎 0
Exemplos: 𝑀3x3=[7 5 0] 𝑀2x2=[ ]
𝑏 𝑐
8 6 6

1.3.8 Matriz simétrica É uma matriz quadrada onde 𝑎𝑖𝑗 = 𝑎𝑗𝑖 , ou seja, a parte superior “é um
reflexo da parte inferior, em relação a diagonal”.

5 7 8 1 14 16
Exemplos: 𝑀3x3=[7 1 6] 𝑀3x3=[14 2 36]
8 6 2 16 36 3

1.4 Operações com matrizes

Vamos agora estudar as operações com matrizes. Aqui definiremos duas operações sendo elas
a de adição e multiplicação.

1.4.1 Adição de matrizes A soma de duas matrizes de mesma ordem 𝐴𝑚×𝑛 = [𝑎𝑖𝑗 ]𝑚×𝑛 e
𝐵𝑚×𝑛 = [𝑏𝑖𝑗 ]𝑚×𝑛 , da como resultado uma matriz 𝑚 × 𝑛, que denotaremos de 𝐴 + 𝐵, cujos os
elementos são as somas dos elementos correspondentes de 𝐴 e 𝐵, ou seja, 𝐴 + 𝐵 = [𝑎𝑖𝑗 +
𝑏𝑖𝑗 ]𝑚×𝑛 .

5 7 8 50 7 8 55 14 16
Exemplo: 𝐴=[7 1 6] + 𝐵=[ 1 1 6 ] = [ 8 2 12]
8 6 2 9 6 2 19 12 4

1.4.1.1 Propriedades Dadas as matrizes 𝐴, 𝐵 e 𝐶 de mesma ordem valem as seguintes

afirmações:
𝑖) 𝐴 + 𝐵 = 𝐵 + 𝐴 (comutatividade)
𝑖𝑖)𝐴 + (𝐵 + 𝐶) = (𝐴 + 𝐵) + 𝐶 (associatividade)
𝑖𝑖𝑖) 𝐴 + 0 = 𝐴 , onde 0 representa a matriz nula de mesma ordem de 𝐴.
1.4.2 Multiplicação de uma matriz por um escalar Seja a matriz 𝐴 = [𝑎𝑖𝑗 ]𝑚×𝑛 e 𝑘 um
número real, definimos a matriz 𝑘 ∙ 𝐴 = [𝑘𝑎𝑖𝑗 ]𝑚×𝑛 .

1.4.2.1 Propriedades Dadas as matrizes 𝐴 e 𝐵 de mesma ordem, e números reais 𝑘, 𝑘1 e 𝑘2 ,

valem as afirmações:

𝑖) 𝑘(𝐴 + 𝐵) = 𝑘𝐴 + 𝑘𝐵

𝑖𝑖) (𝑘1 + 𝑘2 )𝐴 = 𝑘1 𝐴 + 𝑘2 𝐴

𝑖𝑖𝑖) 0 ∙ 𝐴 = 0, se multiplicarmos uma matriz por zero, teremos o próprio zero

𝑖𝑣) 𝑘1 (𝑘2 𝐴) = (𝑘1 𝑘2 )𝐴

1.4.3 Transposição de matrizes Dada uma matriz 𝐴𝑚×𝑛 = [𝑎𝑖𝑗 ]𝑚×𝑛 , podemos obter uma
outra matriz 𝐴′𝑚×𝑛 = [𝑏𝑖𝑗 ]𝑚×𝑛 , tal que 𝑏𝑖𝑗 = 𝑎𝑗𝑖 , isto é, as linhas da matriz 𝐴 são as colunas
da matriz 𝐴’, e chamamos a matriz 𝐴’ de matriz transposta de 𝐴.

5 7 8 5 1 9
Exemplo: 𝐴=[1 1 4] então sua transposta é dada por 𝐴′=[7 1 6]
9 6 2 8 4 2

1.4.3.1 Propriedades Sejam 𝐴 e 𝐵 matrizes e 𝑘 um número, então valem as seguintes

afirmações:

𝑖) Uma matriz é simétrica se 𝐴 = 𝐴′

𝑖𝑖) 𝐴′′ = 𝐴, isto é, a transposta da transposta de uma matriz, é a própria matriz
𝑖𝑖𝑖) (𝐴 + 𝐵)′ = 𝐴′ + 𝐵′, ou seja, a transposta da soma é a soma das transpostas
𝑖𝑣) (𝑘𝐴)′ = 𝑘𝐴′

1.4.4 Multiplicação de matrizes Sejam as matrizes 𝐴 = [𝑎𝑖𝑗 ]𝑚×𝑛 e 𝐵 = [𝑏𝑟𝑠 ]𝑛×𝑝 , e

definimos 𝐴 ∙ 𝐵 = [𝑐𝑢𝑣 ]𝑚×𝑝 , onde 𝑐𝑢𝑣 = ∑𝑛𝑘=1 𝑎𝑢𝑘 ∙ 𝑏𝑘𝑣 = 𝑎𝑢1 𝑏1𝑣 + ⋯ + 𝑎𝑢𝑛 𝑏𝑛𝑣

Observações:
𝑖) Só podemos efetuar o produto da matriz 𝐴𝑚×𝑛 pela matriz 𝐵𝑙×𝑝 (𝐴 ∙ 𝐵) se se o número de
colunas da matriz 𝐴 for igual ao número de linhas da matriz 𝐵, isto é, 𝑚 = 𝑝. E a matriz
resultado terá ordem igual 𝑚 × 𝑝
𝑖𝑖) Os elementos do produto de uma matriz 𝐴 por uma matriz 𝐵 (𝐴 ∙ 𝐵), são obtidos
multiplicando os elementos da i-ésima linha da matriz 𝐴, pela j-ésima coluna da matriz 𝐵,
somado estes produtos.
𝑖𝑖𝑖) Em geral 𝐴 ∙ 𝐵 ≠ 𝐵 ∙ 𝐴
𝑖𝑣) Pode ocorrer de 𝐴 ∙ 𝐵 = 0 sem que 𝐴 = 0 ou 𝐵 = 0

1.4.4.1 Propriedades Sejam 𝐴, 𝐵 e 𝐶 matrizes, e desde que sejam possíveis as operações,

valem as afirmações:

𝑖) 𝐴𝐼 = 𝐴 , onde 𝐼 é a matriz identidade

𝑖𝑖) 𝐴(𝐵 + 𝐶) = 𝐴𝐵 + 𝐴𝐶 (distributiva a esquerda)

𝑖𝑖𝑖) (𝐵 + 𝐶)𝐴 = 𝐵𝐴 + 𝐶𝐴 (distributiva a direita)

𝑖𝑣) (𝐴𝐵)𝐶 = 𝐴(𝐵𝐶) (associatividade)

𝑣) (𝐴𝐵)′ = 𝐵 ′ 𝐴′

𝑣𝑖) 𝐴 ∙ 0 = 𝐴 ∙ 0 = 0

2 Sistemas de equações lineares

2.1 Conceito de sistema de equações lineares Um sistema linear de equações com 𝑚

equações e 𝑛 incógnitas, é um conjunto do tipo:
 𝑎11 𝑥1 + 𝑎12 𝑥2 + ⋯ + 𝑎1𝑛 𝑥𝑛 = 𝑏1
𝑎21 𝑥1 + 𝑎22 𝑥2 + ⋯ + 𝑎2𝑛 𝑥𝑛 = 𝑏2
(𝜙) = {
⋮ ⋮ ⋮ ⋮
𝑎𝑚1 𝑥1 + 𝑎𝑚2 𝑥2 + ⋯ + 𝑎𝑚𝑛 𝑥𝑛 = 𝑏𝑚

Com 𝑎𝑖𝑗 , 𝑖 ≤ 1 ≤ 𝑚 e 𝑗 ≤ 1 ≤ 𝑛, pertencendo ao conjunto dos números reais (ou complexos).

A solução de (𝜙) é uma n-upla de números (𝑥1 , 𝑥2 , . . ., 𝑥𝑛 ) que satisfaçam todas as 𝑚
equações simultaneamente.

2.2 Sistemas e matrizes Podemos escrever (𝜙) em forma matricial:

𝑎11 𝑎12 𝑎1𝑛 𝑥1 𝑏1

𝑎21 𝑎22 ⋯ 𝑎2𝑛 𝑥2 𝑏2
(𝜙) = [ ⋮ ⋮ ⋮ ] ∙ [ ⋮ ] = [ ⋮ ], ou ainda podemos escrever 𝐴 ∙ 𝑋 = 𝐵, onde
𝑎𝑚1 𝑎𝑚2 ⋯ 𝑎𝑚𝑛 𝑥𝑛 𝑏𝑚

𝑎11 𝑎12 𝑎1𝑛 𝑥1 𝑏1

𝑎21 𝑎22 ⋯ 𝑎2𝑛 𝑥2 𝑏
𝐴=[ ⋮ ⋮ ⋮ ] 𝑋=[ ⋮ ] 𝐵 = [ 2 ],
⋮
𝑎𝑚1 𝑎𝑚2 ⋯ 𝑎𝑚𝑛 𝑥𝑛 𝑏𝑚

sendo 𝐴 a matriz dos coeficientes, 𝑋 a matriz das incógnitas e 𝐵 a matriz dos termos
independentes.

Outra matriz que podemos associar ao sistema é a matriz ampliada do sistema, onde cada
linha dessa matriz é uma representação da cada equação do sistema:

𝑎11 𝑎12 𝑎1𝑛 𝑏1

𝑎21 𝑎22 ⋯ 𝑎2𝑛 𝑏2
(𝜙) = [ ⋮ ⋮ ⋮ ]
⋮
𝑎𝑚1 𝑎𝑚2 ⋯ 𝑎𝑚𝑛 𝑏𝑚

Exemplo: seja o sistema a seguir

2𝑥 + 5𝑦 + 𝑧 = 15
{−𝑥 + 𝑦 + 2𝑧 = 11
7𝑥 − 4𝑦 + 3𝑧 = 2

Podemos assim reescrever este sistema na forma matricial 𝐴 ∙ 𝑋 = 𝐵:

2 5 1 𝑥 15
[−1 1 2] ∙ [𝑦]=[11]
7 −4 3 𝑧 2

E também podemos escrevê-la na forma ampliada:

 2 5 1 15
[−1 1 2 11]
7 −4 3 2

2.3 Operações elementares

A seguir veremos como efetuamos as operações sobre as linhas de uma matriz:

𝑖) permutação entre i-ésima e j-ésima linha (𝐿𝑖 ↔ 𝐿𝑗 )

Exemplo: 𝐿1 ↔ 𝐿2 (linha 1 permuta com a linha 2)

1 2 𝐿1 ↔𝐿2 3 4
[3 4 ] → [1 2 ]
5 6 5 6

𝑖𝑖) multiplicação da i-ésima linha por um escalar diferente de zero (𝐿𝑖 → 𝑘𝐿𝑖 )

Exemplo: 𝐿3 → 2𝐿3 (a linha 3 recebe 2 vezes ela mesma)

1 2 𝐿3 →2𝐿3 1 2
[3 4 ] → [3 4]
5 6 10 12

𝑖𝑖𝑖) substituição da i-ésima linha pela j-ésima linha mais 𝑘 vezes a j-ésima linha (𝐿𝑖 → 𝐿𝑖 +
𝑘𝐿𝑗 )

Exemplo: 𝐿2 → 𝐿2 + (−2)𝐿3 ( a linha 2 recebe a linha 2 mais duas vezes o oposto da linha 3)

1 2 𝐿2 →𝐿2 +(−2)𝐿3 1 2
[3 4 ] → [−7 −8]
5 6 5 6

Observação: Dizemos que matriz 𝐴 é linha equivalente a matriz 𝐵 se 𝐴 for obtida de 𝐵

através de um número finito de operações sobre as linhas de 𝐵, e denotamos por 𝐴 → 𝐵.

2.4 Matriz na forma escada Uma matriz é linha reduzida á forma escada se cumpre as
condições:
a) O primeiro elemento (denominado pivô) não nulo de uma linha é igual a1.
b) Se uma coluna contém um pivô, então todos os seus outros elementos são iguais a
zero.
c) Toda linha nula (linha formadas apenas de zeros) ocorre abaixo de todas as linhas não
nulas.
d) O pivô de cada linha não nula ocorre á direita do pivô da linha anterior
Exemplos:
1 0 0
[0 1 0] está na forma e escada
0 0 0

1 0 0 0
[0 1 −1 0] não está na forma escada pois não satisfaz a condição b
0 0 1 0

0 1 −3 0 1
[0 0 0 0 0] não está na forma escada pois não satisfaz as condições a e c
0 0 0 −1 2

0 2 1
[1 0 −5] não está na forma escada pois não satisfaz as condições a e d
0 0 0

2.5 Definição Dada uma matriz 𝐴𝑚×𝑛 , e seja 𝐵𝑚×𝑛 a matriz linha reduzida a forma escada
equivalente a 𝐴. O posto de A, denotado por 𝑝, é o número de linhas não nulas de 𝐵. A
nulidade de 𝐴 é o número 𝑛 − 𝑝 (ou seja, a nulidade é a diferença entre o número de colunas
de 𝐴 e o posto de 𝐴).
Assim para encontrarmos o posto de uma matriz, precisamos primeiro encontrar a matriz
linha reduzida à forma escada, e depois contar as linhas nulas.

2.6 Soluções de um sistema de equações lineares

Iremos agora estudar todas as situações que ocorrem quando resolvemos um sistema de
equações lineares. Em um sistema de equações lineares podem ocorrer três possibilidades, o
sistema tem uma única solução; o sistema possui infinitas soluções; o sistema pode não ter
solução.
2.6.1 Caso geral Consideremos um sistema de 𝑚 equações e 𝑛 incógnitas

𝑎11 𝑥1 + 𝑎12 𝑥2 + ⋯ + 𝑎1𝑛 𝑥𝑛 = 𝑏1

𝑎 𝑥 + 𝑎22 𝑥2 + ⋯ + 𝑎2𝑛 𝑥𝑛 = 𝑏2
{ 21 1 , onde os coeficientes 𝑎𝑖𝑗 e os números 𝑏𝑚 são
⋮ ⋮ ⋮ ⋮
𝑎𝑚1 𝑥1 + 𝑎𝑚2 𝑥2 + ⋯ + 𝑎𝑚𝑛 𝑥𝑛 = 𝑏𝑚
números reais (ou complexos). Assim temos uma das possibilidades:

𝑖) o sistema tem uma única solução (sistema possível e determinado)

𝑖𝑖) o sistema tem infinitas soluções (sistema possível e indeterminado)

𝑖𝑖𝑖) o sistema não possui soluções (sistema impossível)

2.6.2 Teorema

𝑖) Um sistema de 𝑚 equações e 𝑛 incógnitas admite solução se, e somete se, o posto da matriz
ampliada (𝑝𝑎 ) é igual ao posto da matriz dos coeficientes (𝑝𝑐 ).

𝑖𝑖) Se 𝑝𝑎 = 𝑝𝑐 e 𝑝𝑎 = 𝑝𝑐 = 𝑛, a solução será única.

𝑖𝑖𝑖) Se 𝑝𝑎 = 𝑝𝑐 e 𝑝𝑎 = 𝑝𝑐 < 𝑛, a solução será possível mas indeterminado.

Observação: o grau de liberdade de um sistema e dado por 𝑛 − 𝑝

Exemplo:

𝑥=3 1 0 0 3
{𝑦 = 2 → [0 1 0 2] onde 𝑝𝑐 = 𝑝𝑎 = 3, 𝑛 = 3, 𝑚 = 3, assim temos uma única solução
𝑧=2 0 0 1 2

3 Determinante e matriz inversa

Observe o sistema 𝑎𝑥 = 𝑏 a seguir:

𝑎11 𝑥1 + 𝑎12 𝑥2 = 𝑏1 𝑏
{ sabemos que a solução desse sistema é do tipo 𝑥 = 𝑎, assim, resolvendo
𝑎21 𝑥1 + 𝑎22 𝑥2 = 𝑏2
esse sistema (fazendo as devidas operações), obtemos:

𝑏1 𝑎22 −𝑏2 𝑎12 𝑏2 𝑎11 −𝑏1 𝑎21

𝑥1 = 𝑎 𝑥2 = 𝑎
11 𝑎22 −𝑎12 𝑎21 11 𝑎22 −𝑎12 𝑎21
Note que os denominadores são iguais e estão associados à matriz dos coeficientes do sistema

𝑎11 𝑎12
[𝑎 𝑎22 ]
21

Esses números fazem parte das componentes da chamada determinante da matriz.

(Lembrando que isso pode se estender para quaisquer matrizes quadradas, sempre será
encontrada no denominador os coeficientes da matriz).

3.1 Determinante de uma matriz O determinante de uma matriz, é um número associado a

uma matriz quadrada 𝐴 = [𝑎𝑖𝑗 ], e escrevemos 𝑑𝑒𝑡𝐴 ou |𝐴|.

𝑎11 𝑎12
Exemplo: 𝑑𝑒𝑡 [𝑎 𝑎22 ] = 𝑎11 𝑎22 − 𝑎12 𝑎21
21

𝑎11 𝑎12 𝑎13

𝑎
Exemplo:| 21 𝑎22 𝑎23 | = 𝑎11 𝑎22 𝑎33 − 𝑎11 𝑎23 𝑎32 − 𝑎12 𝑎21 𝑎33 + 𝑎12 𝑎23 𝑎31 +
𝑎31 𝑎32 𝑎33
𝑎13 𝑎21 𝑎32 − 𝑎13 𝑎23 𝑎31

Para compreendermos melhor sobre o que é um determinante, vamos definir o que é uma
inversão.

Definição Dada uma permutação de inteiros 1, 2, . . , 𝑛, existe uma inversão quando um inteiro
precede outro menor que ele. **Uma permutação de 𝑛 objetos é dada por 𝑛!**

Exemplos: verifique quantas inversões temos nas permutações (1, 2, 3) e (1, 2, 3, 4):

a- (1 2 3) sem inversões b- (3 2 1) três inversões c- (2 1 3) uma inversão

d- (3 2 1 4) três inversões e- (4 3 2 1) seis inversões

Agora voltemos ao determinante

𝑎11 𝑎12 𝑎13

|𝑎21 𝑎22 𝑎23 | = 𝑎11 𝑎22 𝑎33 − 𝑎11 𝑎23 𝑎32 − 𝑎12 𝑎21 𝑎33 + 𝑎12 𝑎23 𝑎31 + 𝑎13 𝑎21 𝑎32 −
𝑎31 𝑎32 𝑎33
𝑎13 𝑎23 𝑎31

Note que os índices que representam as colunas são permutações de (1, 2, 3), isto é, os
produtos 𝑎1𝑗1 𝑎2𝑗2 𝑎3𝑗3 , onde (𝑗1 𝑗2 𝑗3 ) são as permutações de 1, 2 e 3. Temos também que o
sinal do produto 𝑎1𝑗1 𝑎2𝑗2 𝑎3𝑗3 é negativo quando a permutação tiver um número impar de
inversões, será positivo quando tiver um número par de inversões.
Com isso, podemos então exibir uma generalização de cálculo do determinante para qualquer
matriz quadrada [𝑎𝑖𝑗 ]𝑛×𝑛 :

Definição 𝑑𝑒𝑡[𝑎𝑖𝑗 ]𝑛×𝑛 = ∑𝑝(−1) 𝐽 𝑎1𝑗1 𝑎2𝑗2 … 𝑎𝑛𝑗𝑛 onde 𝐽 é o número de inversões da
permutação (𝑗1 𝑗2 … 𝑗𝑛 ) e 𝑝 indica que a soma é estendida a todas as 𝑛! permutações.

3.1.2 Propriedades dos determinantes

𝑖) se uma matriz tiver uma linha ou coluna com todos seus elementos nulos, então o
determinante será igual a zero.

𝑖𝑖) o determinante de uma matriz 𝐴 é igual ao determinante da matriz transposta de 𝐴, isto é,

𝑑𝑒𝑡 𝐴 = 𝑑𝑒𝑡 𝐴′

𝑖𝑖𝑖) quando multiplicamos uma linha de uma matriz por uma constante 𝑘, o determinante fica
multiplicado por essa constante

𝑖𝑣) se trocadas duas linhas de uma matriz, o determinante troca de sinal

𝑣) o determinante de uma matriz que tem duas linhas ou colunas iguais, é igual a zero

𝑣𝑖) 𝑑𝑒𝑡(𝐴 + 𝐵) ≠ 𝑑𝑒𝑡 𝐴 + 𝑑𝑒𝑡 𝐵

𝑣𝑖𝑖) o determinante não se altera se somarmos a uma linha outra multiplicada por uma
constante

𝑣𝑖𝑖𝑖) 𝑑𝑒𝑡(𝐴 ∙ 𝐵) = 𝑑𝑒𝑡 𝐴 ∙ 𝑑𝑒𝑡 𝐵

3.2 Desenvolvimento de Laplace

Vimos que

𝑎11 𝑎12 𝑎13

𝑎
| 21 𝑎22 𝑎23 | = 𝑎11 𝑎22 𝑎33 − 𝑎11 𝑎23 𝑎32 − 𝑎12 𝑎21 𝑎33 + 𝑎12 𝑎23 𝑎31 + 𝑎13 𝑎21 𝑎32 −
𝑎31 𝑎32 𝑎33
𝑎13 𝑎23 𝑎31

Assim podemos reescrever essa soma como:

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

Ou ainda podemos escrever:

 𝑎22 𝑎23 𝑎21 𝑎23 𝑎21 𝑎22
𝑎11 |𝑎 𝑎33 | − 𝑎12 | 𝑎31 𝑎33 | + 𝑎13 |𝑎31 𝑎32 |
32

Ou seja, o determinante da matriz 3x3 pode ser expresso em função dos determinantes de
submatrizes 2x2, isto é,

𝑑𝑒𝑡𝐴 = 𝑎11 |𝐴11 | − 𝑎12 |𝐴12 | + 𝑎13 |𝐴13 | , onde 𝐴𝑖𝑗 é a submatriz da inicial, onde a i-ésima
linha e a j-ésima coluna foram retiradas, e escrevemos:

∆𝑖𝑗 = (−1)𝑖+𝑗 |𝐴𝑖𝑗 |

e obtemos a expressão

𝑑𝑒𝑡𝐴 = 𝑎11 ∆11 + 𝑎12 ∆12 + 𝑎13 ∆13

Assim esta propriedade continua valendo para matrizes de ordem 𝑛, e escrevemos:

𝑑𝑒𝑡𝐴𝑛×𝑛 = ∑ 𝑎𝑖𝑗 ∆𝑖𝑗

𝑗=1

Observações: ao número ∆𝑖𝑗 (que é o determinante afetado pelo sinal (−1)𝑖+𝑗 da submatriz
𝐴𝑖𝑗 , obtida de 𝐴 onde retiramos a i-ésima linha e a j-ésima coluna) chamamos de cofator ou
complemento algébrico do elemento 𝑎𝑖𝑗 .

Exemplo:

1 −2 3
𝑑𝑒𝑡 | 2 1 −1| = (−2)∆12 + (1)∆22 + (−1)∆32 **(coluna do meio)**
−2 −1 2

Assim, pela regra de Laplace (neste caso utilizamos a coluna do meio):

2 −1 2 −1
∆12 = (−1)1+2 | | = −| | = −2
−2 2 −2 2

1 3
∆22 = (−1)2+2 | |=8
−2 2

1 3
∆32 = (−1)3+2 | |=7
2 −1

Portanto: 𝑑𝑒𝑡𝐴 = (−2)(−2) + (1)(8) + (−1)(7) = 5

3.3 Matriz adjunta e matriz inversa

Sabemos que dada uma matriz 𝐴, o cofator de um elemento 𝑎𝑖𝑗 é dado por ∆𝑖𝑗 =
(−1)𝑖+𝑗 𝑑𝑒𝑡𝐴𝑖𝑗 onde𝐴𝑖𝑗 é uma submatriz de 𝐴 obtida retirando a i-ésima linha e a j-ésima
coluna. Então, podemos construir a matriz dos cofatores de 𝐴, que denotaremos:

𝐴̅ = [∆𝑖𝑗 ]

2 1 0
Exemplo: 𝐴 = [−3 1 4]
1 6 5

1 4 −3 4
∆11 = (−1)1+1 | | = −19 ∆12 = (−1)1+2 | | = 19 … fazendo isso para os
6 5 1 5
demais cofatores obtemos a matriz:

−19 19 −19
̅
𝐴 = [ −5 10 −11]
4 −8 5

3.3.1 Matriz adjunta É a matriz transposta da matriz dos cofatores de 𝐴, ou seja, 𝑎𝑑𝑗𝐴 = 𝐴̅′

−19 −5 4
Exemplo (anterior): 𝑎𝑑𝑗𝐴 = [ 19 10 −8]
−19 −11 5

3.4 Teorema Se multiplicarmos a matriz 𝐴 pela sua matriz adjunta, obtemos o determinante
de A multiplicado pela matriz identidade, ou seja, 𝐴 ∙ 𝐴̅′ = 𝐴 ∙ 𝑎𝑑𝑗𝐴 = (𝑑𝑒𝑡𝐴)𝐼𝑛 .

3.5 Matriz inversa Dada uma matriz quadrada 𝐴 de ordem 𝑛, chamamos de inversa de 𝐴 se
existir uma matriz 𝐵 tal que 𝐴 ∙ 𝐵 = 𝐵 ∙ 𝐴 = 𝐼𝑛 , onde 𝐼𝑛 é a matriz identidade, e denotamos
por 𝐴−1 a inversa de 𝐴.

Exemplo:

4 −3
2 3 5 5
𝐴=[ ] e sua inversa é 𝐴−1 = [−1 2 ]
1 4
5 5

Observações:

𝑖) se A e B tem inversas, então 𝐴 ∙ 𝐵 possui inversa e (𝐴𝐵)−1 = 𝐵 −1 𝐴−1

𝑖𝑖) nem toda matriz possui inversa

3.6 Teorema Uma matriz quadrada 𝐴 admite uma inversa se, e somente se 𝑑𝑒𝑡𝐴 ≠ 0
3.7 Um método de inversão de matrizes

Dada a matriz quadrada A, para acharmos sua inversa, colocamos a sua matriz identidade a
esquerda dela, e depois deixamos na forma escada linha reduzida (as operações devem ser
feitas nas duas matrizes), fazendo com que a matriz da esquerda vire uma matriz identidade, e
a matriz inversa será a matriz da direita. Se caso não consiga deixar a matriz da esquerda
como matriz identidade, a matriz não tem inversa.

Exemplo:

4 Espaços vetoriais

4.1 Recordando de vetores

Primeiramente vamos falar de vetores no ℝ2 , sabemos que na adição de vetores valem as

propriedades:

⃗ = (𝑎, 𝑏), 𝑣 = (𝑐, 𝑑) e 𝑤

1- Sejam 𝑢 ⃗⃗ = (𝑒, 𝑓), e assim temos que:

⃗ + 𝑣 = (𝑎 + 𝑐, 𝑏 + 𝑑) = 𝑣 + 𝑢
a) 𝑢 ⃗ = (𝑐 + 𝑎, 𝑑 + 𝑏) (comutativa)

b) (𝑢
⃗ + 𝑣) + 𝑤
⃗⃗ = 𝑢
⃗ + (𝑣 + 𝑤
⃗⃗ ) (associativa)

⃗ + (−𝑢
c) 𝑢 ⃗ ) = 0 (elemento oposto)

d) 𝑢
⃗ +0=𝑢
⃗ (existência do elemento neutro)

⃗ = (𝑘𝑎, 𝑘𝑏) 𝑘 é uma constante

e) 𝑘𝑢
 𝑎
Também podemos representar um vetor 𝑢
⃗ = (𝑎, 𝑏), como uma matriz coluna 𝑢
⃗ = [ ], note
𝑏
também que as operações acima todas valem quando escrevemos o vetor na forma matricial.
Lembrando também que as propriedades acima valem também para vetores no ℝ3 (e
generalizando valem para qualquer espaço ℝ𝑛 ). Assim denotaremos como 𝑉 o conjunto de
vetores em um determinado espaço ℝ𝑛 , isto é, 𝑉 = {(𝑣1 , 𝑣2 , … , 𝑣𝑛 ) | 𝑣1 , 𝑣2 , … , 𝑣𝑛 ∈ ℝ𝑛 }.

4.2 Caracterização de um espaço vetorial

Um espaço vetorial 𝑉 é um conjunto, onde seus elementos são chamados de vetores, e estão
definidas duas operações: a adição, que a cada par 𝑢
⃗ , 𝑣 ∈ 𝑉 faz corresponder um novo vetor
𝑢
⃗ + 𝑣 ∈ 𝑉 que chamamos de soma de 𝑢
⃗ com 𝑣; e a 𝑚𝑢𝑙𝑡𝑖𝑝𝑙𝑖𝑐𝑎çã𝑜 𝑝𝑜𝑟 𝑢𝑚 𝑛ú𝑚𝑒𝑟𝑜 𝑟𝑒𝑎𝑙,
que a cada número 𝛼 ∈ ℝ e cada vetor 𝑢
⃗ ∈ 𝑉 faz corresponder um vetor 𝛼𝑢
⃗ ∈ 𝑉 que
denominamos produto de 𝛼 por 𝑢
⃗ . E essas operações devem satisfazer as oito condições
abaixo:

4.2.1 Dados números 𝛼, 𝛽 ∈ ℝ e vetores 𝑢

⃗ , 𝑣, 𝑤
⃗⃗ ∈ 𝑉, temos a seguir os axiomas de espaço
vetorial:

𝑖) 𝑢
⃗ +𝑣 =𝑣+𝑢
⃗ (comutatividade)

⃗⃗⃗⃗ + 𝑣 ) +𝑤
𝑖𝑖) (𝑢 ⃗⃗ = 𝑢
⃗ +(𝑣 + 𝑤
⃗⃗ ) (associatividade da adição)

𝑖𝑖𝑖) Existe um vetor 0 ∈ 𝑉, chamado de vetor nulo, tal que 𝑢

⃗ +0=0+𝑢
⃗ , para todo vetor
𝑢
⃗ ∈𝑉

𝑖𝑣) Para cada vetor 𝑢

⃗ ∈ 𝑉 existe um vetor−𝑢
⃗ ∈ 𝑉, que chamamos de inverso aditivo de 𝑢
⃗ , tal
⃗ + (−𝑢
que 𝑢 ⃗ ) = −𝑢
⃗ +𝑢
⃗ =0

𝑣) (𝛼 + 𝛽)𝑢
⃗ = 𝛼𝑢
⃗ + 𝛽𝑢
⃗ (distributividade)

⃗ + 𝑣) = 𝛼𝑢
𝑣𝑖) 𝛼(𝑢 ⃗ + 𝛼𝑣 (distributividade)

⃗ (𝑣. 𝑤
𝑣𝑖𝑖) 𝑢 ⃗⃗ ) = (𝑢
⃗ . 𝑣 )𝑤
⃗⃗ (associatividade da multiplicação)

𝑣𝑖𝑖𝑖) 1 ∙ 𝑢
⃗ =𝑢
⃗

Observações: poderemos utilizar 𝑢 em vez de 𝑢

⃗ para representar um vetor.
Exemplos:

O conjunto 𝑉 = ℝ3 = {(𝑥, 𝑦, 𝑧); 𝑥, 𝑦, 𝑧 ∈ ℝ} é um espaço vetorial;

O conjunto dos polinômios com coeficientes reais de grau menor ou igual a 𝑛 (𝑃𝑛 ) formam
um espaço vetorial.

4.3 Subespaço vetorial

Dado um espaço vetorial 𝑉, dizemos que 𝐹 é um subespaço vetorial de 𝑉, isto é, 𝐹 é um

subconjunto de 𝑉, 𝐹 ⊂ 𝑉, se obedece as seguintes propriedades:

𝑖) 0 ∈ 𝐹

𝑖𝑖) se os vetores 𝑢, 𝑣 ∈ 𝐹 então 𝑢 + 𝑣 ∈ 𝐹

𝑖𝑖𝑖) se um vetor 𝑣 ∈ 𝐹 então, para todo 𝛼 ∈ ℝ temos 𝛼𝑣 ∈ 𝐹

Assim podemos falar também que:

𝑖) o vetor nulo pertence ao subespaço de um espaço vetorial

𝑖𝑖) ao operarmos em um subespaço, não obteremos um vetor fora do subespaço

𝑖𝑖𝑖) todo subespaço vetorial, em si mesmo, é um espaço vetorial

4.4 Teorema Dados 𝐹1 e 𝐹2 subespaços de um espaço vetorial 𝑉, a interseção 𝐹1 ∩ 𝐹2 ainda é

um subespaço de 𝑉.
4.5 Teorema Sejam 𝐹1 e 𝐹2 subespaços de um espaço vetorial 𝑉. Então, o conjunto.

𝐹1 + 𝐹2 = {𝑣 ∈ 𝑉| 𝑣 = 𝑓1 + 𝑓2 , 𝑐𝑜𝑚 𝑓1 ∈ 𝐹1 𝑒 𝑓2 ∈ 𝐹2 } é subespaço de 𝑉.

4.6 Combinação linear Sejam 𝑉 um espaço vetorial, com vetores 𝑣1 , 𝑣2 , … , 𝑣𝑛 ∈ 𝑉 e

números 𝑎1 , … , 𝑎𝑛 ∈ ℝ. Então, o vetor 𝑣 = 𝑎1 𝑣1 + 𝑎2 𝑣2 + ⋯ + 𝑎𝑛 𝑣𝑛 é um elemento de 𝑉 ao
que chamamos de combinação linear de 𝑣1 , 𝑣2 , … , 𝑣𝑛 .

Exemplo: Escreva o vetor 𝑣 = (−4, −18, 7) como combinação linear dos vetores 𝑣1 =
(1, −3, 2) e 𝑣2 = (2, 4, −1):

Assim basta que (−4, −18, 7) = 𝑎1 (1, −3, 2) + 𝑎2 (2, 4, −1), assim caímos no sistema

𝑎1 + 2𝑎2 = −4
{−3𝑎1 + 4𝑎2 = −18 , onde a solução é 𝑎1 = 2 e 𝑎2 = −3. Portanto 𝑣 = 2𝑣1 − 3𝑣2
2𝑎1 − 𝑎2 = 7

4.7 Subespaço gerado

Seja 𝑉 um espaço vetorial e considere um subconjunto 𝐹 = {𝑣1 , … , 𝑣𝑛 } ⊂ 𝑉 que não seja

vazio. O conjunto 𝑆 de todos os vetores de 𝑉 que são combinações lineares de 𝐹 é um
subespaço vetorial de 𝑉.

Observações:

𝑖) o subespaço 𝑆 diz-se gerado pelos vetores 𝑣1 , … , 𝑣𝑛 , ou gerado pelo conjunto 𝐹,

representado por 𝑆 = [𝑣1 , … , 𝑣𝑛 ]. Os vetores 𝑣1 , … , 𝑣𝑛 são chamados de geradores do
subespaço 𝑆, e 𝐹 é chamado de conjunto gerador 𝑆.

𝑖𝑖) 𝐹 ⊂ 𝑆

𝑖𝑖𝑖) todo conjunto 𝐹 ⊂ 𝑉 gera um subespaço vetorial de 𝑉

Exemplo: 𝑉 = ℝ2 os vetores 𝑣1 = (1, 0) e 𝑣1 = (0, 1) pertencentes a 𝑉, geram o espaço

vetorial ℝ2 , pois qualquer (𝑥, 𝑦) ∈ ℝ2 é combinação linear de 𝑣1 e 𝑣2 .

Exemplo: os vetores 𝑣1 = (1, 0, 0) e 𝑣2 = (0, 1, 0) do ℝ3 geram um subespaço vetorial 𝑆 =

{(𝑥, 𝑦, 0) ∈ ℝ3 | 𝑥, 𝑦 ∈ ℝ} pois:

(𝑥, 𝑦, 0) = 𝑥(1, 0, 0) + 𝑦(0, 1, 0), sendo assim 𝑆 um subespaço próprio do ℝ3 .

Exemplo: os vetores 𝑣1 = (1, 0, 0), 𝑣2 = (0, 1, 0) e 𝑣3 = (0, 0, 1) geram o espaço vetorial ℝ3
pois qualquer vetor 𝑣 = (𝑥, 𝑦, 𝑧) ∈ ℝ é combinação linear de 𝑣1 ,𝑣2 e 𝑣3 .

Exemplo: seja 𝑉 = ℝ3 . Determine o subespaço gerado pelo vetor 𝑣1 = (1, 2, 3).

Sabemos que todo vetor 𝑣 ∈ ℝ3 é do tipo 𝑣 = (𝑥, 𝑦, 𝑧), assim precisamos escrever 𝑣 como
uma combinação linear de 𝑣1 , isto é, 𝑣 = 𝑎𝑣1 → (𝑥, 𝑦, 𝑧) = 𝑎(1,2,3) (outra forma de escrever
é [𝑣1 ] = {(𝑥, 𝑦, 𝑧) ∈ ℝ3 | (𝑥, 𝑦, 𝑧) = 𝑎(1,2,3), 𝑎 𝑛ú𝑚𝑒𝑟𝑜 𝑟𝑒𝑎𝑙})

Logo, (𝑥, 𝑦, 𝑧) = 𝑎(1,2,3) → 𝑥 = 𝑎; 𝑦 = 2𝑎; 𝑧 = 3𝑎 donde, 𝑦 = 2𝑥; 𝑧 = 3𝑥, portanto

[𝑣1 ] = {(𝑥, 𝑦, 𝑧) ∈ ℝ3 | 𝑦 = 2𝑥 𝑒 𝑧 = 3𝑥} ou [𝑣1 ] = {(𝑥, 2𝑥, 3𝑥)| 𝑥 ∈ ℝ}.

4.8 Dependência e independência linear

Quando estudamos álgebra linear, é importante saber quando um vetor é combinação linear de
outros, assim, dados vetores 𝑣1 , … , 𝑣𝑛 queremos saber se algum desses vetores não é
combinação linear dos outros, e para isso precisamos saber os conceitos de dependência e
independência linear, que definiremos a seguir.

4.8.1 Definição Sejam 𝑉 um espaço vetorial e 𝑣1 , … , 𝑣𝑛 ∈ 𝑉. Dizemos que o conjunto

{𝑣1 , … , 𝑣𝑛 } é linearmente independente (LI), ou que os vetores 𝑣1 , … , 𝑣𝑛 são LI, se a equação
𝑎1 𝑣1 + ⋯ + 𝑎𝑛 𝑣𝑛 = 0 implica que 𝑎1 = 𝑎2 = ⋯ = 𝑎𝑛 = 0 (essa solução é a solução trivial
do sistema). No caso que exista algum 𝑎𝑖 ≠ 0 dizemos que {𝑣1 , … , 𝑣𝑛 } é linearmente
dependente (LD),

4.8.2 Teorema {𝑣1 , … , 𝑣𝑛 } é LD se, e somente se um destes vetores for uma combinação
linear dos outro.

Exemplo: Seja 𝑉 = ℝ2 𝑐𝑜𝑚 𝑣1 , 𝑣2 ∈ 𝑉, onde 𝑣1 = (1,0) e 𝑣2 = (0, 1), temos que:

𝑎1 𝑣1 + 𝑎2 𝑣2 = 0 → 𝑎1 (1, 0) + 𝑎2 (0, 1) = 0 → (𝑎1 , 0) + (0, 𝑎2 ) = 0 → (𝑎1 , 𝑎2 ) = 0 logo

𝑎1 = 0 e 𝑎2 = 0 portanto os vetores são linearmente independente (LI)

Exemplo: Seja 𝑉 = ℝ2 o conjunto dos vetores {(1, −1), (1, 0), (1, 1)} é linearmente
dependente pois 𝑎1 (1, −1) + 𝑎2 (1, 0) + 𝑎3 (1, 1) = 0 → (𝑎1 + 𝑎2 + 𝑎3 , −𝑎1 + 𝑎3 ) = 0, ou
seja:

𝑎1 + 𝑎2 + 𝑎3 = 0
{ assim 𝑎1 = 𝑎3 e temos que 𝑎2 = −2𝑎3
−𝑎1 + 𝑎3 = 0
Assim temos que o conjunto {(1, −1), (1, 0), (1, 1)} é LD.

4.9 Base e dimensão

4.9.1 Base de um espaço vetorial Um conjunto 𝐵 = {𝑣1 , … , 𝑣𝑛 } ⊂ 𝑉 é uma base do espaço

vetorial 𝑉 se:

𝑖) se 𝐵 é linearmente independente

𝑖𝑖) 𝐵 gera 𝑉

Exemplo: verifique se 𝐵 = {(1, 1), (−1, 0)} é base do espaço vetorial 𝑉 = ℝ2

Verificar primeiro se 𝐵 é LI, assim:

𝑎1 (1, 1) + 𝑎2 (−1, 0) = 0 → (𝑎1 , 𝑎1 ) + (−𝑎2 , 0) = 0 assim temos que:

𝑎1 − 𝑎2 = 0
{ logo 𝑎1 = 0 e 𝑎2 = 0 assim o conjunto é LI.
𝑎1 = 0

Verificar agora se 𝐵 gera ℝ2 assim:

Como todos os vetores em ℝ2 tem a forma 𝑣 = (𝑥, 𝑦) basta que (𝑥, 𝑦) = 𝑎(1, 1) + 𝑏(−1, 0)
isto é

𝑎−𝑏 =𝑥
{ assim 𝑎 = 𝑦 e 𝑏 = −𝑥 + 𝑦 , portanto [(1,1), (−1,0)] = [(𝑥, 𝑦)| 𝑥, 𝑦 ∈ ℝ] = ℝ2
𝑎=𝑦

Ou seja, todo vetor 𝑣 = (𝑥, 𝑦) ∈ ℝ2 é uma combinação linear do conjunto 𝐵 =

{(1, 1), (−1, 0)}.

Exemplo: 𝐵 = {(1,2), (2,4)} não é base de ℝ2 , pois 𝐵 é LD

Exemplo: 𝐵 = {(2, −1)} não é base de ℝ2 , pois 𝐵 é LI mas não gera todo o ℝ2

4.9.2 Dimensão de um espaço vetorial Seja 𝑉 um espaço vetorial, assim segue que:

Se 𝑉 possui uma base com n vetores, então 𝑉 tem dimensão n e escrevemos 𝑑𝑖𝑚𝑉 = 𝑛.

Se 𝑉 não possui base, 𝑑𝑖𝑚𝑉 = 0.

Se 𝑉 tem uma base com infinitos vetores, então a dimensão de V é infinita 𝑑𝑖𝑚𝑉 = ∞.

Exemplos: 𝑑𝑖𝑚ℝ2 = 2; 𝑑𝑖𝑚ℝ𝑛 = 𝑛; 𝑑𝑖𝑚𝑀(2,2) = 4; 𝑑𝑖𝑚{0} = 0

4.9.3 Teorema Qualquer conjunto de vetores LI em 𝑉 é parte de uma base, isto é, pode ser
completada até formar uma base de 𝑉.

4.9.4 componentes de um vetor Seja 𝐵 = {𝑣1 , … , 𝑣𝑛 } uma base de 𝑉. Tomando um 𝑣 ∈ 𝑉

sendo: 𝑣 = 𝑎1 𝑣1 + ⋯ + 𝑎𝑛 𝑣𝑛 , os números 𝑎1 , … , 𝑎𝑛 são chamados coordenadas de 𝑣 um
𝑎1
relação a base 𝐵 e se representa por 𝑣𝐵 = (𝑎1 , … , 𝑎𝑛 ) ou [𝑣]𝐵 = [ ⋮ ]
𝑎𝑛

𝐸𝑥𝑒𝑚𝑝𝑙𝑜: dado o vetor 𝑣 = (8,6), e 𝐴 = {(2,0), (1,3)} uma base no ℝ2 , tem-se:

(8,6) = 3(2,0) + 2(1,3) então escrevemos 3

[(8,6)]𝐴 = [𝑣]𝐴 = [ ] e essas são as
2
coordenadas do vetor 𝑣 = (8,6) em relação a base 𝐴 = {(2,0), (1,3)}

4.10 Mudança de base Sejam 𝐵 = {𝑢1 , … , 𝑢𝑛 } e 𝐵′ = {𝑤1 , … , 𝑤𝑛 } duas bases de um mesmo

espaço vetorial 𝑉. Dado um vetor 𝑣 ∈ 𝑉,podemos escrevê-lo como:

(∗) 𝑣 = 𝑥1 𝑢1 + ⋯ + 𝑥𝑛 𝑢𝑛 e 𝑣 = 𝑦1 𝑤1 + ⋯ + 𝑦𝑛 𝑤𝑛

Podemos então relacionar as coordenadas de 𝑣 em relação à base 𝐵,

𝑥1
[𝑣]𝐵 = [ ⋮ ]
𝑥𝑛

com as coordenadas do mesmo vetor 𝑣 em relação a base 𝐵’,

𝑦1
[𝑣]𝐵′ =[⋮]
𝑦𝑛

Como 𝐵 = {𝑢1 , … , 𝑢𝑛 } é base de 𝑉, podemos escrever os vetores 𝑤𝑖 (da base 𝐵′) como
combinação linear dos vetores 𝑢𝑗 isto é,

𝑤1 = 𝑎11 𝑢1 + 𝑎21 𝑢2 + ⋯ + 𝑎𝑛1 𝑢𝑛

𝑤2 = 𝑎12 𝑢1 + 𝑎22 𝑢2 + ⋯ + 𝑎𝑛2 𝑢𝑛
(∗∗) = {
⋮ ⋮ ⋮ ⋮
𝑤𝑛 = 𝑎1𝑛 𝑢1 + 𝑎2𝑛 𝑢2 + ⋯ + 𝑎𝑛𝑛 𝑢𝑛

Substituindo em (∗) temos:

𝑣 = 𝑦1 𝑤1 + ⋯ + 𝑦𝑛 𝑤𝑛

𝑣 = 𝑦1 (𝑎11 𝑢1 + ⋯ + 𝑎𝑛1 𝑢𝑛 ) + ⋯ + 𝑦𝑛 (𝑎1𝑛 𝑢1 + ⋯ + 𝑎𝑛𝑛 𝑢𝑛 )

𝑣 = 𝑢𝑗 (𝑎11 𝑦1 + ⋯ + 𝑎𝑛1 𝑦𝑛 ) + ⋯ + 𝑢𝑛 (𝑎1𝑛 𝑦1 + ⋯ + 𝑎𝑛𝑛 𝑦𝑛 )

Mas 𝑣 = 𝑥1 𝑢1 + ⋯ + 𝑥𝑛 𝑢𝑛 , e como as coordenadas em relação a uma base são únicas temos:

𝑥1 = 𝑎11 𝑦1 + 𝑎12 𝑦2 + ⋯ + 𝑎𝑛1 𝑦𝑛

𝑥𝑛 = 𝑎𝑛1 𝑦1 + 𝑎𝑛2 𝑦2 + ⋯ + 𝑎𝑛𝑛 𝑦𝑛

Em forma matricial

𝑥1 𝑎11 ⋯ 𝑎1𝑛 𝑦1
[⋮]=[ ⋮ ⋮ ⋮ ][ ⋮ ]
𝑥𝑛 𝑎𝑛1 ⋯ 𝑎𝑛𝑛 𝑦𝑛

Denotado por

𝑎11 ⋯ 𝑎1𝑛
[𝐼]𝐵′
𝐵 =[ ⋮ ⋮ ⋮ ]
𝑎𝑛1 ⋯ 𝑎𝑛𝑛

Temos então

′
[𝑣]𝐵 = [𝐼]𝐵𝐵 [𝑣]𝐵′

A matriz [𝐼]𝐵′
𝐵 é chamada matriz de mudança da base 𝐵’ para base 𝐵.

′
Exemplo: sejam 𝐵 = {(2, −1), (3, 4)} e 𝐵 ′ = {(1,0), (0,1)} bases do ℝ2 , escreva [𝐼]𝐵𝐵 .

Assim tomamos os vetores 𝑤𝑛 da base 𝐵 ′ e escrevemos:

𝑤1 = (1,0) = 𝑎11 (2, −1) + 𝑎21 (3, 4)

(1,0) = (2𝑎11 + 3𝑎21 , −𝑎11 + 4𝑎21 )

4 1
Onde obtemos que 𝑎11 = 11 e 𝑎21 = 11.

𝑤2 = (0,1) = 𝑎12 (2, −1) + 𝑎22 (3, 4)

−3 2
Resolvendo obtemos 𝑎12 = e 𝑎22 = 11.
11

Portanto a matriz mudança da base 𝐵’ para base 𝐵 é da dada por

 4 −3
𝐵′
𝑎11 𝑎12 11 11 ]
[𝐼]𝐵 = [𝑎 𝑎22 ] = [ 1
21 2
11 11

5 Transformações lineares

Dizemos que 𝑇 é uma transformação do espaço vetorial 𝑉 no espaço vetorial 𝑊, e escrevemos

𝑇: 𝑉 → 𝑊. Como 𝑇 é uma função, segue que a cada vetor 𝑣 ∈ 𝑉 tem um único vetor imagem
𝑤 ∈ 𝑊, que indicamos por 𝑤 = 𝑇(𝑣).

Exemplo: Seja a transformação 𝑇: ℝ2 → ℝ3 , que associa vetores 𝑣 = (𝑥, 𝑦) ∈ ℝ2 com vetores

𝑤 = (𝑥, 𝑦, 𝑧) ∈ ℝ3 , definida pela seguinte lei 𝑇(𝑥, 𝑦) = (3𝑥, −2𝑦, 𝑥 − 𝑦). Seja agora o vetor
(2,1) ∈ ℝ2 , calculando então temos 𝑇(2,1) = (3 ⋅ 2, −2 ⋅ 1,2 − 1) = (6, −2, 1), ou seja o
vetor (2,1) ∈ ℝ2 é associado ao vetor (6, −2, 1) ∈ ℝ3 .

5.1 Definição Sejam 𝑉 e 𝑊 espaços vetoriais. Uma aplicação 𝑇: ℝ2 → ℝ3 é chamada

transformação linear de 𝑉 em 𝑊 se para todo 𝑢, 𝑣 ∈ 𝑉 e para todo 𝛼 ∈ ℝ, temos:

𝑖) 𝑇(𝑢 + 𝑣) = 𝑇(𝑢) + 𝑇(𝑣)

𝑖𝑖)𝑇(𝛼𝑢) = 𝛼𝑇(𝑢)

O exemplo anterior é uma transformação linear pois, dados os vetores do ℝ2 𝑢 = (𝑥1 , 𝑦1 ) e

𝑣 = (𝑥2 , 𝑦2 ) temos que:

𝑇(𝑢 + 𝑣) = 𝑇(𝑥1 + 𝑥2 , 𝑦1 + 𝑦2 ) assim pela lei da transformação segue que

𝑇(𝑢 + 𝑣) = (3 ∙ (𝑥1 + 𝑥2 ), −2 ∙ (𝑦1 + 𝑦2 ), (𝑥1 + 𝑥2 ) − (𝑦1 + 𝑦2 ))

𝑇(𝑢 + 𝑣) = (3𝑥1 + 3𝑥2 , −2𝑦1 − 2𝑦2 , 𝑥1 + 𝑥2 − 𝑦1 − 𝑦2 )

𝑇(𝑢 + 𝑣) = (3𝑥1 , −2𝑦1 , 𝑥1 − 𝑦1 ) + ( 3𝑥2 , −2𝑦2 , 𝑥2 − 𝑦2 )

𝑇(𝑢 + 𝑣) = 𝑇(𝑢) + 𝑇(𝑣)

Vamos agora mostrar que para todo 𝛼 ∈ ℝ e para qualquer 𝑢 = (𝑥1 , 𝑦1 ) tem-se:

𝑇(𝛼𝑢) = 𝛼𝑇(𝑢), assim:

𝑇(𝛼𝑢) = 𝑇(𝛼𝑥1 , 𝛼𝑦1 )

𝑇(𝛼𝑢) = (3𝛼𝑥1 , −2𝛼𝑦1 , 𝛼𝑥1 − 𝛼𝑦1 )

𝑇(𝛼𝑢) = 𝛼(3𝑥1 , −2𝑦1 , 𝑥1 − 𝑦1 )

𝑇(𝛼𝑢) = 𝛼𝑇(𝑢).

𝐸𝑥𝑒𝑚𝑝𝑙𝑜: verifique se a transformação 𝑇: ℝ → ℝ definida por 𝑇(𝑥) = 3𝑥 é linear.

Considere 𝑢 = 𝑥1 e 𝑣 = 𝑥2 . Vamos verificar a primeira condição, isto é, se 𝑇(𝑢 + 𝑣) =

𝑇(𝑢) + 𝑇(𝑣) assim:

𝑇(𝑢 + 𝑣) = 𝑇(𝑥1 + 𝑥2 )

𝑇(𝑢 + 𝑣) = 3(𝑥1 + 𝑥2 )

𝑇(𝑢 + 𝑣) = 3𝑥1 + 3𝑥2

𝑇(𝑢 + 𝑣) = 𝑇(𝑢) + 𝑇(𝑣)

Vamos verificar a segunda condição, isto é, se para todo 𝛼 ∈ ℝ, temos 𝑇(𝛼𝑢) = 𝛼𝑇(𝑢),
assim:

𝑇(𝛼𝑢) = 𝑇(𝛼𝑥1 )

𝑇(𝛼𝑢) = (3𝛼𝑥1 )

𝑇(𝛼𝑢) = 𝛼(3𝑥1 )

𝑇(𝛼𝑢) = 𝛼𝑇(𝑢)

Exemplo: A transformação 𝑇: ℝ → ℝ definida por 𝑇(𝑥) = 3𝑥 + 1 não é linear. Sejam 𝑢 = 𝑥1

e 𝑣 = 𝑥2 vetores, assim:
𝑇(𝑢 + 𝑣) = 𝑇(𝑥1 + 𝑥2 )

𝑇(𝑢 + 𝑣) = 3(𝑥1 + 𝑥2 ) + 1

𝑇(𝑢 + 𝑣) = 3𝑥1 + 3𝑥2 + 1 = (3𝑥1 + 1) + 3𝑥2

Logo 𝑇(𝑢 + 𝑣) ≠ 𝑇(𝑢) + 𝑇(𝑣) = (3𝑥1 + 1) + (3𝑥2 + 1)

Observação: “Em toda transformação linear 𝑇: 𝑉 → 𝑊, a imagem do vetor 0 ∈ 𝑉 é o vetor

0 ∈ 𝑊, isto é, 𝑇(0) = 0”.

5.2 Propriedade Se 𝑇: 𝑉 → 𝑊 for uma transformação linear então:

𝑇(𝑎1 𝑣1 + 𝑎2 𝑣2 + ⋯ + 𝑎𝑛 𝑣𝑛 ) = 𝑎1 𝑇(𝑣1 ) + 𝑎2 𝑇(𝑣2 ) + ⋯ + 𝑎𝑛 𝑇(𝑣𝑛 )

para todo 𝑣1 , . . , 𝑣𝑛 ∈ 𝑉 e para todo 𝑎1 , … , 𝑎𝑛 ∈ ℝ. Isto significa que a imagem de uma

combinação linear de vetores é uma combinação linear das imagens desses vetores, com os
mesmo coeficientes.

Exemplo: Seja 𝑇: ℝ3 → ℝ2 uma transformação linear e 𝐵 = {𝑣1 , 𝑣2 , 𝑣3 } uma base do ℝ3 ,

sendo 𝑣1 = (0,1,0), 𝑣2 = (1,0,1) e 𝑣3 = (1,1,0). Determinar 𝑇(5,3, −2), sabendo que
𝑇(𝑣1 ) = (1,2), 𝑇(𝑣2 ) = (3,1) e 𝑇(𝑣3 ) = (0,2).

Vamos primeiramente expressar 𝑣 = (5,3, −2) como combinação linear dos vetores da base:

(5,3, −2) = 𝑎(0,1,0) + 𝑏(1,0,1) + 𝑐(1,1,0) assim caímos no sistema:

𝑏+𝑐 =5
{𝑎 + 𝑐 = 3 , cuja solução é 𝑎 = −4 𝑏 = −2 e 𝑐=7
𝑏 = −2

Então:

(5,3, −2) = −4𝑣1 − 2𝑣2 + 7𝑣3 logo obtemos:

𝑇(5,3, −2) = 𝑇(−4𝑣1 − 2𝑣2 + 7𝑣3 ) = −4 𝑇(𝑣1 ) − 2𝑇(𝑣2 ) + 7𝑇(𝑣3 )

𝑇(5,3, −2) = −4 (1,2) − 2(3,1) + 7(0,2) portanto

𝑇(5,3, −2) = (−10,20).

Exemplo: Sabendo que 𝑇: ℝ2 → ℝ3 é uma transformação e que 𝑇(1, −1) = (3,2, −2) e
𝑇(−1,2) = (1, −1,3) determine 𝑇(𝑥, 𝑦).
Observe que {(1, −1), (−1,2)} é uma base de ℝ2 , assim podemos expressar o vetor (𝑥, 𝑦) ∈
ℝ2 como combinação linear dos vetores dessa base, isto é:

(𝑥, 𝑦) = 𝑎(1, −1) + 𝑏(−1,2) que nos resulta o sistema:

𝑎−𝑏 =𝑥
{ onde as soluções são 𝑎 = 2𝑥 + 𝑦 e 𝑏 = 𝑥 + 𝑦
−𝑎 + 2𝑏 = 𝑦

Portanto:

𝑇(𝑥, 𝑦) = 𝑎𝑇(1, −1) + 𝑏𝑇(−1,2)

𝑇(𝑥, 𝑦) = (2𝑥 + 𝑦)(3,2, −2) + (𝑥 + 𝑦)(1, −1,3)

𝑇(𝑥, 𝑦) = (7𝑥 + 4𝑦, 3𝑥 + 𝑦, −𝑥 + 𝑦).

5.3 Núcleo de uma transformação linear Chama-se núcleo de uma transformação linear
𝑇: 𝑉 → 𝑊 ao conjunto de todos os vetores 𝑣 ∈ 𝑉 que são transformados em 0 ∈ 𝑊.
Denotamos esse conjunto por 𝑁(𝑇) ou 𝐾𝑒𝑟(𝑇). Note que 𝑁(𝑇) ⊂ 𝑉.

Exemplo: Encontre o núcleo da transformação linear 𝑇: ℝ2 → ℝ2 , onde 𝑇(𝑥, 𝑦) =

(𝑥 + 𝑦, 2𝑥 − 𝑦).

Devemos então encontrar o conjunto 𝑁(𝑇) = {(𝑥, 𝑦) ∈ ℝ²| 𝑇(𝑥, 𝑦) = (0,0)}, isto é,

(𝑥 + 𝑦, 2𝑥 − 𝑦) = (0,0) que resulta no sistema

𝑥+𝑦=0
{ onde a solução é 𝑥 = 0 e 𝑦 = 0, logo 𝑁(𝑇) = {(0,0)}.
2𝑥 − 𝑦 = 0

Exemplo: Encontre o núcleo da transformação linear 𝑇: ℝ3 → ℝ2 dada por 𝑇(𝑥, 𝑦, 𝑧) = (𝑥 −

𝑦 + 4𝑧, 3𝑥 + 𝑦 + 8𝑧).

Devemos então encontrar o conjunto 𝑁(𝑇) = {(𝑥, 𝑦, 𝑧) ∈ ℝ³| 𝑇(𝑥, 𝑦, 𝑧) = (0,0)}, isto é,

(𝑥 − 𝑦 + 4𝑧, 3𝑥 + 𝑦 + 8𝑧) = (0,0) que resulta no sistema

𝑥 − 𝑦 + 4𝑧 = 0
{ onde a solução é 𝑥 = −3𝑧 e 𝑦 = 𝑧, logo
3𝑥 + 𝑦 + 8𝑧 = 0

𝑁(𝑇) = {(−3𝑧, 𝑧, 𝑧)| 𝑧 ∈ ℝ} ou 𝑁(𝑇) = {𝑧(−3,1,1)| 𝑧 ∈ ℝ} ou 𝑁(𝑇) = {(−3,1,1)}|

5.3.1 Propriedades do núcleo

𝑖) o núcleo de uma transformação linear 𝑇: 𝑉 → 𝑊 é um subespaço vetorial de 𝑉.

𝑖𝑖) uma transformação linear 𝑇: 𝑉 → 𝑊 é injetora se , e somente se, 𝑁(𝑇) = {0}.

5.4 Imagem de uma transformação linear Chama-se imagem de uma transformação linear
𝑇: 𝑉 → 𝑊 ao conjunto dos vetores 𝑤 ∈ 𝑊 que são imagem de pelo menos um vetor 𝑣 ∈ 𝑉.
Denotamos esse conjunto por 𝐼𝑚(𝑇):

𝐼𝑚(𝑇) = { 𝑤 ∈ 𝑊| 𝐼𝑚(𝑣) = 𝑤 𝑝𝑎𝑟𝑎 𝑎𝑙𝑔𝑢𝑚 𝑣 ∈ 𝑉}.

Observação: Uma transformação linear é sobrejetora, isto é, para todo vetor 𝑤 ∈ 𝑊 existe
pelo menos um vetor 𝑣 ∈ 𝑉 tal que 𝑇(𝑣) = 𝑤.

Exemplo: Determine a imagem do operador linear 𝑇: ℝ3 → ℝ3 , com 𝑇(𝑥, 𝑦, 𝑧) = (𝑥 + 2𝑦 −

𝑧, 𝑦 + 2𝑧, 𝑥 + 3𝑦 + 𝑧).

Temos então que encontrar o conjunto 𝐼𝑚(𝑇) = {(𝑎, 𝑏, 𝑐) ∈ ℝ3 | 𝑇(𝑥, 𝑦, 𝑧) = (𝑎, 𝑏, 𝑐)}, ou
seja, o vetor (𝑎, 𝑏, 𝑐) ∈ 𝐼𝑚(𝑇) se existe (𝑥, 𝑦, 𝑧) ∈ ℝ3 tal que:

(𝑥 + 2𝑦 − 𝑧, 𝑦 + 2𝑧, 𝑥 + 3𝑦 + 𝑧) = (𝑎, 𝑏, 𝑐) o que nos dá o sistema

𝑥 + 2𝑦 − 𝑧 = 𝑎
{ 𝑦 + 2𝑧 = 𝑏 onde a solução é 𝑎 + 𝑏 − 𝑐 = 0, logo
𝑥 + 3𝑦 + 𝑧 = 𝑐

𝐼𝑚(𝑇) = {(𝑎, 𝑏, 𝑐) ∈ ℝ3 | 𝑎 + 𝑏 − 𝑐 = 0}

5.5 Teorema da dimensão Seja 𝑉 um espaço de dimensão finita e 𝑇: 𝑉 → 𝑊 uma

transformação linear. Então 𝑑𝑖𝑚 𝑁(𝑇) + 𝑑𝑖𝑚 𝐼𝑚(𝑇) = 𝑑𝑖𝑚 𝑉.

Exemplo: Seja 𝑇: ℝ3 → ℝ2 a transformação linear tal que 𝑇(𝑒1 ) = (1,2), 𝑇(𝑒2 ) = (0,1) e
𝑇(𝑒3 ) = (−1,3), sendo {𝑒1 , 𝑒2 , 𝑒3 } a base canônica de ℝ3 .

a) Encontre o núcleo da transformação e uma de suas bases.

Primeiramente vamos encontrar a lei da transformação linear, ou seja,

(𝑥, 𝑦, 𝑧) = 𝑥𝑒1 + 𝑦𝑒2 + 𝑧𝑒3 , pois {𝑒1 , 𝑒2 , 𝑒3 } a base canônica de ℝ3 , logo

𝑇(𝑥, 𝑦, 𝑧) = 𝑥𝑇(𝑒1 ) + 𝑦𝑇(𝑒2 ) + 𝑧𝑇(𝑒3 )

𝑇(𝑥, 𝑦, 𝑧) = 𝑥(1,2) + 𝑦(0,1) + 𝑧(−1,3)

𝑇(𝑥, 𝑦, 𝑧) = (𝑥 − 𝑧, 2𝑥 + 𝑦 + 3𝑧)

Para encontrarmos 𝑁(𝑇) basta que (𝑥 − 𝑧, 2𝑥 + 𝑦 + 3𝑧) = (0, 0) isto é

𝑥−𝑧 =0
{ , cuja a solução é 𝑥 = 𝑧 e 𝑦 = −5𝑧, então podemos escrever que
2𝑥 + 𝑦 + 3𝑧 = 0

𝑁(𝑇) = {(𝑧, −5𝑧, 𝑧)| 𝑧 ∈ ℝ}. Assim uma de suas bases se obtém fazendo 𝑧 = 1 logo
{(1, −5,1) é uma base do 𝑁(𝑇). Note também que 𝑇 não é injetora, pois 𝑁(𝑇) ≠ {(0,0,0)}.

b) Determine a 𝐼𝑚 (𝑇) e uma de suas bases.

Para determinar a imagem basta que 𝐼𝑚(𝑇) = [𝑇(1,0,0), 𝑇(0,1,0), 𝑇(0,0,1)] ou 𝐼𝑚 (𝑇) =
[(1,2), (0,1), (−1,3)]

5.6 Preposições Seja 𝑇: 𝑉 → 𝑊 uma transformação linear assim:

1- Se 𝑑𝑖𝑚 𝑉 = 𝑑𝑖𝑚 𝑊, então 𝑇 é injetora se, e somente se, é sobrejetora.

2- Se 𝑑𝑖𝑚 𝑉 = 𝑑𝑖𝑚 𝑊 e 𝑇 é injetora, então 𝑇 transforma base em base, isto é, se 𝐵 =

{𝑣1 , … , 𝑣2 } é base de 𝑉, então 𝑇(𝐵) = {𝑇(𝑣1 ), … , 𝑇(𝑣𝑛 )} é base de 𝑊.

5.7 Isomorfismo Chama-se isomorfismo do espaço vetorial 𝑉 no espaço vetorial 𝑊 a uma

transformação linear 𝑇: 𝑉 → 𝑊 que é bijetora. Nesse caso, os espaços vetoriais são ditos
isomorfos. Assim dois espaços vetoriais de dimensão finita são isomorfos se tiverem a mesma
dimensão.

Exemplo: O operador linear 𝑇: ℝ2 → ℝ2 , com 𝑇(𝑥, 𝑦) = (2𝑥 + 𝑦, 3𝑥 + 2𝑦) é um

isomorfismo em ℝ2 , pois 𝑑𝑖𝑚 𝑉 = 𝑑𝑖𝑚 𝑊 = 2, basta mostrar que 𝑇 é injetora, o que
acontece, pois 𝑁(𝑇) = {(0,0)}.

5.8 Matriz de uma transformação linear Sejam 𝑇: 𝑉 → 𝑊 uma transformação linear, 𝐴 uma
base de 𝑉 e 𝐵 uma base de 𝑊. Suponhamos, sem perda de generalidade, o caso em que
𝑑𝑖𝑚 𝑉 = 2 e 𝑑𝑖𝑚 𝑊 = 3. Sejam 𝐴 = {𝑣1 , 𝑣2 } e 𝐵 = {𝑤1 , 𝑤2 , 𝑤3 } bases de 𝑉 e 𝑊,
respectivamente. Um vetor 𝑣 ∈ 𝑉 pode ser expresso por:

𝑥1
𝑣 = 𝑥1 𝑣1 + 𝑥2 𝑣2 ou [𝑣]𝐴 = [𝑥 ]
2

e sua imagem 𝑇(𝑣) por: (1)

 𝑦1
𝑇(𝑣) = 𝑦1 𝑤1 + 𝑦2 𝑤2 + 𝑦3 𝑤3 ou [𝑇(𝑣)]𝐵 = [𝑦2 ].
𝑦3

Por outro lado:

𝑇(𝑣) = 𝑇(𝑥1 𝑣1 + 𝑥2 𝑣2 ) = 𝑥1 𝑇(𝑣1 ) + 𝑥2 𝑇(𝑣2 ) (2)

Sendo 𝑇(𝑣1 ) e 𝑇(𝑣2 ) vetores de 𝑊, então eles são combinações lineares dos vetores da base
𝐵, ou seja:

𝑇(𝑣1 ) = 𝑎11 𝑤1 + 𝑎21 𝑤2 + 𝑎31 𝑤3 (3)

𝑇(𝑣2 ) = 𝑎12 𝑤1 + 𝑎22 𝑤2 + 𝑎32 𝑤3 (4)

Substituindo esses vetores em ( 2 ), obtemos:

𝑇(𝑣) = 𝑥1 (𝑎11 𝑤1 + 𝑎21 𝑤2 + 𝑎31 𝑤3 ) + 𝑥2 (𝑎12 𝑤1 + 𝑎22 𝑤2 + 𝑎32 𝑤3 ), ou seja,

𝑇(𝑣) = 𝑤1 (𝑎11 𝑥1 + 𝑎12 𝑥2 ) + 𝑤2 (𝑎21 𝑥1 + 𝑎22 𝑥2 ) + 𝑤3 (𝑎31 𝑥1 + 𝑎32 𝑥2 )

Comparando essa igualdade com ( 1 ), conclui-se que:

𝑦1 = 𝑎11 𝑥1 + 𝑎12 𝑥2

𝑦2 = 𝑎21 𝑥1 + 𝑎22 𝑥2

𝑦3 = 𝑎31 𝑥1 + 𝑎32 𝑥2

Que podemos escrever na forma matricial:

𝑦1 𝑎11 𝑎12
𝑥
𝑦 𝑎
[ 2 ] = [ 21 𝑎22 ] [ 1 ]
𝑥2
𝑦3 𝑎31 𝑎32

Ou simbolicamente:

[𝑇(𝑣)]𝐵 = [𝑇]𝐵𝐴 [𝑣]𝐴

Sendo a matriz [𝑇]𝐵𝐴 denominada matriz de 𝑇 em relação ás bases 𝐴 e 𝐵.

Observações:

1- Note que as colunas da matriz [𝑇]𝐵𝐴 são as componentes das imagens dos vetores da base 𝐴
em relação à base 𝐵, conforme mostra ( 3 ) e ( 4 ):
 𝑎11 𝑎12
[𝑎21 𝑎22 ]
𝑎31 𝑎32

↑ ↑
[𝑇(𝑣1 )]𝐵 [𝑇(𝑣2 )]𝐵

De um modo geral, para 𝑇: 𝑉 → 𝑊 linear, se 𝑑𝑖𝑚 𝑉 = 𝑛 e 𝑑𝑖𝑚 𝑊 = 𝑚, 𝐴 = {𝑣1 , … , 𝑣𝑛 } e

𝐵 = {𝑤1 , … , 𝑤𝑛 } são bases de 𝑉 e 𝑊, respectivamente, teremos que [𝑇]𝐵𝐴 é uma matriz de
ordem 𝑚 × 𝑛, onde cada coluna é formada pelas componentes das imagens dos vetores de 𝐴
em relação á base 𝐵:

𝑎11 𝑎12 ⋯ 𝑎1𝑛

𝑎21 𝑎22 ⋯ 𝑎2𝑛
[𝑇]𝐵𝐴 = [ ⋮ ⋮ ⋮ ]
𝑎𝑚1 𝑎𝑚2 ⋯ 𝑎𝑚𝑛

↑ ↑ ↑
𝑇(𝑣1 )𝐵 𝑇(𝑣2 )𝐵 𝑇(𝑣𝑛 )𝐵

2- A matriz [𝑇]𝐵𝐴 depende das bases 𝐴 e 𝐵 consideradas, isto é, a cada dupla de bases
corresponde uma particular matriz. Assim, uma transformação linear poderá ter uma
infinidade de matrizes para representa-la. No entanto, fixadas as bases, a matriz é única.

Exemplo: Seja transformação linear 𝑇: ℝ3 → ℝ2 , com 𝑇(𝑥, 𝑦, 𝑧) = (2𝑥 − 𝑦 + 𝑧, 3𝑥 + 𝑦 −

2𝑧). Considere também as bases 𝐴 = {𝑣1 , 𝑣2 , 𝑣3 }, com 𝑣1 = (1, 1, 1), 𝑣2 = (0, 1, 1) e 𝑣3 =
(0,0, 1); e 𝐵 = {𝑤1 , 𝑤2 } sendo 𝑤1 = (2, 1) e 𝑤2 = (5, 3), determine:

a) [𝑇]𝐵𝐴 .

Primeiramente temos que encontrar 𝑇(𝑣1 ), 𝑇(𝑣2 ) e 𝑇(𝑣2 ), e depois reescrevê-los como
combinação linear dos elementos da base 𝐵, ou seja:

𝑇(𝑣1 ) = 𝑇(1, 1, 1) = (2,2) = 𝑎11 (2,1) + 𝑎21 (5,3) o que nos fornece

2𝑎11 + 5𝑎21 = 2
{ , cuja solução é 𝑎11 = −4 e 𝑎21 = 2.
𝑎11 + 3𝑎21 = 2

𝑇(𝑣2 ) = 𝑇(0, 1, 1) = (0, −1) = 𝑎12 (2,1) + 𝑎22 (5,3) o que nos fornece

2𝑎12 + 5𝑎22 = 0
{ , cuja solução é 𝑎12 = 5 e 𝑎22 = −2.
𝑎12 + 3𝑎22 = −1
𝑇(𝑣3 ) = 𝑇(0, 0, 1) = (1, −2) = 𝑎13 (2,1) + 𝑎23 (5,3) o que nos fornece

2𝑎13 + 5𝑎23 = 1
{ , cuja solução é 𝑎13 = 13 e 𝑎23 = −5.
𝑎13 + 3𝑎23 = −2

Lembrando que podemos escrever:

𝑎11 𝑎12 𝑎13

[𝑇]𝐵𝐴 = [𝑎 𝑎22 𝑎23 ] ou seja
21

↑ ↑ ↑
𝑇(𝑣1 )𝐵 𝑇(𝑣2 )𝐵 𝑇(𝑣𝑛 )𝐵

−4 5 13
[𝑇]𝐵𝐴 = [ ].
2 −2 −5

b) Se 𝑣 = (3, −4, 2), calcular 𝑇(𝑣)𝐵 utilizando a matriz encontrada.

Lembremos da relação

𝑇(𝑣)𝐵 = [𝑇]𝐵𝐴 [𝑣]𝐴 , precisamos encontrar [𝑣]𝐴 ou seja,

(3, −4, 2) = 𝑎(1, 1, 1) + 𝑏(0, 1, 1) + 𝑐(0, 0, 1) logo

𝑎=3
{ 𝑎 + 𝑏 = −4 portanto as soluções são 𝑎=3 𝑏 = −7 e 𝑐 = 6
𝑎+𝑏+𝑐 =2

Logo [𝑣]𝐴 = (3, −7, 6), assim segue que:

3
−4 5 13
[𝑇(𝑣)]𝐵 = [ ] [−7]
2 −2 −5
6

31
[𝑇(𝑣)]𝐵 = [ ]
−10

Note que o vetor coordenada de 𝑇(𝑣) na base 𝐵 é:

𝑇(𝑣) = 31(2,1) − 10(5,3)

𝑇(𝑣) = (12,1). (o que é a mesma coisa que aplicar o vetor 𝑣 na lei da transformação linear).

Exemplo: Considere a transformação linear 𝑇: ℝ3 → ℝ2 , com 𝑇(𝑥, 𝑦, 𝑧) = (2𝑥 − 𝑦 + 𝑧, 3𝑥 +

𝑦 − 2𝑧), e sejam as bases 𝐴 = {(1, 1, 1), (0, 1, 1), (0, 0, 1)} e 𝐵 = {(1,0), (0,1)}. Determine:
a) [𝑇]𝐵𝐴 .

Logo temos que encontrar:

𝑇(1, 1, 1) = (2, 2) = 𝑎11 (1, 0) + 𝑎21 (0, 1) assim

𝑎11 = 2
{
𝑎21 = 2

𝑇(0, 1, 1) = (0, −1) = 𝑎12 (1, 0) + 𝑎22 (0, 1) assim

𝑎12 = 0
{
𝑎22 = −1

𝑇(0, 0, 1) = (1, −2) = 𝑎13 (1, 0) + 𝑎23 (0, 1) assim

𝑎13 = 1
{
𝑎23 = −2

Logo, obtemos

2 0 1
[𝑇]𝐵𝐴 = [ ]
2 −1 −2

b) Se 𝑣 = (3, −4, 2) calcular 𝑇(𝑣)𝐵 .

Lembremos da relação

[𝑇(𝑣)𝐵 ] = [𝑇]𝐵𝐴 [𝑣]𝐴 , precisamos encontrar [𝑣]𝐴 ou seja,

(3, −4, 2) = 𝑎(1, 1, 1) + 𝑏(0, 1, 1) + 𝑐(0, 0, 1) logo

𝑎=3
{ 𝑎 + 𝑏 = −4 onde a solução é 𝑎 = 3 𝑏 = −7 e 𝑐=6
𝑎+𝑏+𝑐 =2

Logo

[𝑣]𝐴 = (3, −7, 6). Então

3
2 0 1
[𝑇(𝑣)𝐵 ] = [ ] [−7]
2 −1 −2
6

12
[𝑇(𝑣)𝐵 ] = [ ]
1
6 Vetores próprios e valores próprios (ou autovetores e autovalores)

6.1 Definição Chamamos de operadores lineares as transformações lineares 𝑇 de um espaço

vetorial 𝑉 em si mesmo, isto é, 𝑇: 𝑉 → 𝑉.

6.2 Definição Seja 𝑇: 𝑉 → 𝑉 um operador linear. Dizemos que 𝑣 ∈ 𝑉 e 𝑣 ≠ 0, é vetor próprio

do operador 𝑇, se existir 𝜆 ∈ ℝ tal que 𝑇(𝑣) = 𝜆𝑣. Temos também que o número real 𝜆 tal
que 𝑇(𝑣) = 𝜆𝑣 é denominado valor próprio de 𝑇 associado ao vetor 𝑣.

Exemplo: O vetor 𝑣 = (5,2) é vetor próprio do operador linear 𝑇: ℝ2 → ℝ2 , onde 𝑇(𝑥, 𝑦) =

(4𝑥 + 5𝑦, 2𝑥 + 𝑦) associado ao valor próprio 𝜆 = 6, pois

𝑇(𝑥, 𝑦) = 𝑇(𝑣) = 𝑇(5,2) = (4 ∙ 5 + 5 ∙ 2, 2 ∙ 5 + 2) = (30,12) = 6(5,2) = 6𝑣

Ao passo que o vetor 𝑣 = (2,1) não é vetor próprio deste operador 𝑇, pois

𝑇(𝑥, 𝑦) = 𝑇(2,1) = (4 ∙ 2 + 5 ∙ 1, 2 ∙ 2 + 1) = (13, 5) ≠ 𝜆(2,1) para todo 𝜆 real.

6.3 Determinação dos valores próprios e vetores próprios

𝑖) Determinando os valores próprios:

Seja o operador linear 𝑇: ℝ3 → ℝ3 , cuja matriz canônica é:

𝑎11 𝑎12 𝑎13

𝑎
𝐴 = [ 21 𝑎22 𝑎23 ], isto é [𝑇] = 𝐴.
𝑎31 𝑎32 𝑎33

Se 𝑣 e 𝜆 são, respectivamente, vetor próprio e valor próprio do operador 𝑇, tem-se:

𝐴 ∙ 𝑣 = 𝜆 ∙ 𝑣 ou 𝐴 ∙ 𝑣 − 𝜆 ∙ 𝑣 = 0 (𝑣 é a matriz coluna 3 × 1)

Sabendo que 𝑣 = 𝐼𝑣 (𝐼 matriz identidade), podemos escrever

𝐴 ∙ 𝑣 − 𝜆 ∙ 𝐼𝑣 = 0 ou (𝐴 − 𝜆𝐼) ∙ 𝑣 = 0 (*)

Assim para que esse sistema admita soluções não nulas, isto é:

𝑥 0
𝑣 = [𝑦] ≠ [0] deve-se ter: det(𝐴 − 𝜆𝐼) = 0. Podemos escrever também:
𝑧 0
 𝑎11 𝑎12 𝑎13 𝜆 0 0 𝑎11 − 𝜆 𝑎12 𝑎13
𝑎
det ([ 21 𝑎22 𝑎23 ] − [0 𝜆 0]) = 0 ou det ([ 𝑎21 𝑎22 − 𝜆 𝑎23 ]) = 0
𝑎31 𝑎32 𝑎33 0 0 𝜆 𝑎31 𝑎32 𝑎33 − 𝜆

A equação det(𝐴 − 𝜆𝐼) = 0 é chamada equação característica do operador 𝑇, e suas raízes

são os valores próprios do operador 𝑇 (ou da matriz 𝐴). Temos também que o determinante
det(𝐴 − 𝜆𝐼) é um polinômio em 𝜆 denominado polinômio característico.

𝑖𝑖) Determinando os vetores próprios:

A substituição de 𝜆 pelos seus valores no sistema homogêneo de equações lineares (*)

permite determinar os vetores próprios associados.

Exemplo: Determine os valores próprios e vetores próprios do operador linear 𝑇: ℝ3 → ℝ3 tal

que 𝑇(𝑥, 𝑦, 𝑧) = (3𝑥 − 𝑦 + 𝑧, −𝑥 + 5𝑦 − 𝑧, 𝑥 − 𝑦 + 3𝑧).

Primeiramente vamos escrever a matriz canônica do operador 𝑇:

3 −1 1
𝐴 = [−1 5 −1] assim, a equação característica do operador de 𝑇 é:
1 −1 3

3−𝜆 −1 1
det(𝐴 − 𝜆𝐼) = 𝑑𝑒𝑡 [ −1 5−𝜆 −1 ] = 0. Desenvolvendo o determinante
1 −1 3−𝜆
encontramos −𝜆3 + 11𝜆2 − 36𝜆 + 36 = 0 ou 𝜆3 − 11𝜆2 + 36𝜆 − 36 = 0. Fazendo as
devidas operações, encontramos que 𝜆3 − 11𝜆2 + 36𝜆 − 36 = 0 pode ser escrito como
(𝜆 − 2)(𝜆2 − 9𝜆 + 18) = 0, o que nos dá a primeira raiz 𝜆1 = 2, e a equação
𝜆2 − 9𝜆 + 18 = 0 tem como soluções 𝜆2 = 3 e 𝜆3 = 6. Logo os valores próprios são
𝜆1 = 2, 𝜆2 = 3 𝑒 𝜆3 = 6.

Para encontrarmos vetores próprios basta olhar para o sistema (𝐴 − 𝜆𝐼) ∙ 𝑣 = 0.

𝑥 3−𝜆 −1 1 𝑥
Consideremos 𝑣 = [𝑦], então o sistema fica [ −1 5−𝜆 −1 ] [𝑦] = 0. Agora basta
𝑧 1 −1 3−𝜆 𝑧
substituir 𝜆1 = 2, 𝜆2 = 3 𝑒 𝜆3 = 6, e resolver os sistema para cada um dos 𝜆, e assim
obteremos os vetores próprios associado a cada 𝜆.
6.4 Diagonalização de operadores Sabe-se que dado um operador linear 𝑇: 𝑉 → 𝑉, a cada
base 𝐵 de 𝑉 corresponde uma matriz [𝑇]𝐵 que representa 𝑇 na base 𝐵. Agora nosso objetivo é
obter uma base do espaço de modo que a matriz de 𝑇 nessa base seja a mais simples
representante de 𝑇, sendo essa matriz a matriz diagonal.

6.4.1 Definição Seja 𝑇: 𝑉 → 𝑉 um operador linear. Dizemos que 𝑇 é um operador

diagonalizável se existe uma base 𝑉 cujos elementos são vetores próprios de 𝑇.

Exemplo: Verifique se a o operador linear𝑇: ℝ2 → ℝ2 definido por 𝑇(𝑥, 𝑦) = (−3𝑥 +

4𝑦, −𝑥 + 2𝑦) é diagonalizável.