Você está na página 1de 26

Sistemas Lineares e Matrizes

Lino Marcos da Silva


lino.silva@univasf.edu.br

Obs. Este texto ainda está em fase de redação. Por isso, peço a gentileza de avisar-me sobre a
ocorrência de erros conceituais, gráficos ou de digitação. Além disso, crı́ticas e sugestões serão bem
vindas.

1 Introdução
Muitos problemas oriundos das diversas engenharias, das ciências humanas aplicadas e
da própria matemática necessitam da resolução de sistemas lineares para serem analisa-
dos ou solucionados. Em Álgebra linear, a resolução de sistema lineares é um problema
fundamental. Embora estejam disponı́veis métodos computacionais eficientes, que en-
contram a solução numérica de sistemas lineares com milhares de equações e incógnitas,
um estudo teórico do mesmo através da Álgebra Linear é importante por possibilitar
a aprendizagem de conceitos e ferramentas necessários à resolução de outros problemas
da vida real. Nas próximas seções serão apresentados alguns problemas práticos cuja
solução depende de sistemas de equações lineares.
Um exemplo de aplicação dos sistemas lineares é o cálculo dos coeficientes do po-
linômio interpolador de um determinado grau n. A interpolação polinomial é uma
importante ferramenta matemática comumente utilizada em cálculos de estimativas de-
mográficas pelo Instituto Brasileiro de Geografia e Estatı́stica (IBGE) e por outras ins-
tituições. A técnica permite calcular a estimativa populacional de uma determinada
cidade, por exemplo, em anos que não foram cobertos por censos. Para exemplificar
essa técnica, considere a Tabela 1 com a população do munı́cipio de Petrolina em vários
anos.
Tabela 1: População de Petrolina (IBGE)

Ano População
1991 175406
1996 189983
2000 218538
2007 268339
2010 293962

Observe que a tabela não apresenta a população referente ao ano de 2005. De fato, o
IBGE realiza censo a cada 10 anos e, portanto, a população em anos intermediários de-

1
vem ser estimadas por meio de algum método adequado. Nesse sentido, tem-se duas
questões importantes sobre estimativas populacionais. A primeira é: como pode-se
estimar a população em um determinao ano localizado entre dois censos realizados?
Por várias razões, conhecer uma estimativa dessa população é importante para diversos
órgãos públicos de planejamento. A segunda, e mais interessante, questão é: como re-
alizar uma estimativa da população em uma data futura, por exemplo, a população do
municı́pio no ano de 2018? A primeira questão pode ser resolvida, com certa precisão,
por meio da interpolação polinomial, enquanto que a segunda necessita de um método
mais sofisticado, como por exemplo, o método dos quadrados mı́nimos.
Agora, considere calcular uma estimativa para a população de Petrolina no ano de
2005 por meio de um polinômio interpolador grau 2. Isto é, um polinômio do tipo

p(x) = a0 + a1 x + a2 x2 . (1)
Como deseja-se calcular uma estimativa para o ano de 2005, escolhem-se, na Tabela
1, três pares de dados referentes aos anos mais próximos de 2005. Por exemplo, os pares
(2000, 218538), (2007, 268339) e (2010, 293962). Dessa forma, o polinômio interpolador
p(x) deve satisfazer as seguintes condições:

p(2000) = 218538, p(2007) = 26833 e p(2010) = 293962.

Substituindo esses dados em (1), obtêm-se as três seguintes equações lineares:

a0 + a1 · 2000 + a2 · 20002 = 218538


a0 + a1 · 2007 + a2 · 20072 = 268339 (2)
a0 + a1 · 2010 + a2 · 20102 = 293962

sendo a0 , a1 e a2 as suas incógnitas. Um conjunto de equações lineares como o represen-


tado em (2) é chamado de sistema linear. Uma solução para tal sistema linear é um
tripla ordenada de números reais (a0 , a1 , a2 ) que é solucão das três equações simultane-
amente. Estes e outros conceitos relacionados a sistemas lineares serão apresentados ao
longo desse texto. Com relação ao problema da interpolação polinomial, que uma vez
calculados os valores de (a0 , a1 e a2 ) tem-se determinado esse polinômio. O resultado
numérico do sistema linear (2) encontra-se resolvido na última sessão desse texto.

2 Sistemas Lineares - Primeiros Exemplos


São muitos os problemas reais ou não que necessitam de sistemas lineares para serem
resolvidos. A seguir serão apresentados três problemas, certamente você já resolveu
algum parecido, que ilustram bem esse fato.

1. Problema 1. Quais são os dois números cuja soma é igual a 10 e a soma de um


com o dobro do outro é igual a 16?

2
Resolução. Chamando um número de x e o outro de y, o problema pode ser
representado por meio das seguintes equações

x + y = 10
x + 2y = 16.

Subtraindo, membro a membro, a primeida equação da segunda equação, obtem-


se y = 6. Substituindo esse valor na primeira equação, obtem-se x = 4. Logo, os
números procurados são 4 e 6.

2. Problema 2. Em um sı́tio há galinhas e bodes. No total existem 10 cabeças e 32


patas. Quantas são as galinhas e quantos são os bodes existentes no sı́tio?
Resolução. Denotando o número de galinhas por x e o número de bodes por y,
o problema pode ser representado por meio das seguintes equações

x + y = 10
2x + 4y = 32.

Para resolver o sistema linear resultante, podemos multiplicar a primeira equação


por −2 e somar com a segunda equação, dessa forma obtem-se:

-2x - 2y = -20
2x + 4y = 32
0 + 2y = 12.

Isto é, 2y = 12, donde vem que y = 6. Substituindo o valor de y na primeira


equação (poderia ser na segunda também) obtem-se x = 4. Logo, a solução do
sistema é x = 4 e y = 6. Portanto, no sı́tio há 4 galinhas e 6 bodes.
Observe que os sistemas lineares oriundos do primeiro e do segundo problema,
apesar de serem diferentes, apresentaram a mesma solução: x = 4 e y = 6. Quando
isso acontece, diz-se que os sistemas são sistemas equivalentes.

3. Problema 3. Um grupo de estudantes planejam comprar um presente para o seu


professor de matemática: se cada estudante contribuir com 8 reais, sobrarão 3
reais. Por outro lado, se cada estudante pagar 7 reais, faltarão 4 reais. Quantos
estudantes são e qual é o preço do presente?

8x = y+3
7x = 3y-4

Resolução. Tente você mesmo resolver esse sistema linear.


Os problemas 1, 2 e 3 apresentados anterioremente, são sem dúvida alguma, pro-
blemas bem interessantes, mas pouco relevantes do ponto de vista prático (atual). No
entanto, técnicas análogas as utilizadas para resolver esses sistemas lineares, podem ser

3
empregadas para resolver sistemas lineares maiores, isto é, sistemas com um número
maior de equações e envolvendo mais incógnitas. Em cursos como os da área de enge-
nharia você irá encontrar problemas mais desafiadores, cuja solução requer o tratamento
de sistemas lineares. Por isso, o estudo formal e aprofundado da teoria matemática e
das técnicas de resolução de sistemas lineares é muito relevante nessa área. Tal estudo
será feito nas seções seguintes.

3 Sistemas Lineares - Conceitos Básicos


Um sistema linear com m equações e n incógnitas é um conjunto de equações do tipo:


 a11 x1 + a12 x2 + ... + a1n xn = b1
 a21 x1 + a22 x2 + ... + a2n xn = b2



.

, (3)

 .
 .




am1 x1 + am2 x2 + ... + amn xn = bm
sendo aij números reais, 1 ≤ i ≤ m e 1 ≤ j ≤ n. Observe que em cada equação
i = 1, 2, ..., m, cada incógnita xi é multiplicada apenas por um número real constante
aij . Isto é, não aparecem expressões do tipo x1 x2 ou x23 . Essa é a essencia das equações
lineares.

Uma solução do sistema linear (3) é uma n-upla (x1 , x2 , ..., xn ) de números reais
que satisfaz simultaneamente as suas m equações.

Dizemos que dois sistemas lineares são equivalentes se, e somente se, toda solução
de qualquer um dos sistemas também é solução do outro. Equivalentemente, pode-se
dizer que dois sistemas lineares são equivalentes se um pode ser obtido do outro através
das seguintes operações, chamadas de operações elementares, sobre as suas equações:

1. Troca de duas equações de lugar;

2. Multiplicação uma equação por um número diferente de zero;

3. Substituição de uma equação pela soma de duas (ou mais) equações.

Exemplo 1. Os sistemas lineares (b) e (c) seguintes foram obtidos do sistema (a)
realizando-se operações elementares em suas linhas. Logo, esses três sistemas são equi-
valentes.

 1x1 + 12x2 + 3x3 = 8
(a) 2x1 + 4x2 + 16x3 = 14
3x1 + 16x2 + 9x3 = 5

4

 1x1
 + 12x2 + 3x3 = 8
−1 −1
(b) 1x2 + x3 =

 2 10
1x3 = 2

 1x1 = 3
(c) 1x2 = -2
1x3 = 2

Os sistemas lineares (a), (b) e (c) são sistemas equivalentes. No entanto, observe que
o sistemas (b) e (c) são mais simples de resolver do que o sistema (a).

É comum classificarmos um sistema linear quanto a existência e número de soluções.


Dizemos que um sistema é impossı́vel quando não possui solução; possı́vel e determinado
quando possui uma única solução; e possı́vel e indeterminado quando possui infinitas
soluções.

4 Forma Matricial de Um Sistema Linear


Um sistema linear também pode ser representado por meio de matrizes. Isso é possı́vel,
devido ao modo como o produto entre duas matrizes está definido. Usando a notação
de matrizes, o sistema linear (3) pode ser escrito da seguinte forma:
    
a11 a12 . . . a1n x1 b1
 a21 a22 . . . a2n  x2   b2 
    
 . .  .   . 
 .   .  .
  =  (4)
 . .
    
 . .  .   . 
am1 am2 . . . amn xn bn

 
a11 a12 . . . a1n
 a21 a22 . . . a2n 
A matriz A =  , chamada de matriz dos coeficientes; a
 
. .
 . . 
. .
am1 am2 . . . amn  
b1
 
x1
 x2   b2 
 .
matriz X =  ..  é chamada de matriz das incógnitas; e a matriz B =   é a
 
 .
.

. bn
xn
matriz dos termos independentes.

De forma simplificada, o sistema linear (4) pode ser representado por

AX = B.

5
É comum usarmos também a notação Ax = b para nos referirmos ao sistema linear
na forma matricial.

Chamamos de matriz ampliada ou matriz aumentada do sistema linear a matriz


obtida quando juntamos em uma única matriz a matriz dos coeficientes A e a matriz
dos termos independentes B, do seguinte modo:

a11 a12 . . . a1n | b1


 
 a21 a22 . . . a2n | b2 
 
 . . . | . 
[A|B] =   (5)
 . . . | .  
 . . | . 
am1 am2 . . . amn | bn

Note que a matriz ampliada possui uma coluna a mais do que a matriz dos coefici-
entes, justamente a coluna formada pelos termos independentes do sistema linear.

Exemplo 2. Para o sistema linear


 (a) apresentado anteriormente, temos: amatriz  dos
1 12 3 8
coeficientes A =  2 4 16 , a matriz dos termos independentes B =  14  e a
3 16 9 5
 
1 12 3 8
matriz ampliada  2 4 16 14 .
3 16 9 5
Exemplo 3. A forma matricial do sistema linear (2) apresentado na introdução desse
capı́tulo é :

1 2000 20002
    
a0 218538
 1 2007 20072   a1  =  268339  .
1 2010 20102 a2 293962

5 Resolução de Sistemas Lineares por Escalonamento


5.1 Operações Elementares sobre as linhas matrizes
Em muitas situações é interessante transformar uma dada matriz A em outra matriz Ã,
que seja, de alguma forma mais simples, mas ainda preservando propriedades importan-
tes da matriz A. No contexto da resolução de sistemas lineares, essas transformações
consistem em transformar uma matriz A qualquer em uma ou mais matrizes que sejam
triangulares. Tais transformações podem ser feitas, por exemplo, efetuando nas linhas
da matriz A operações similares as operações elementares realizadas nas equações de
sistemas lineares para transformar um sistema linear em outro equivalente.

Seja A uma matriz de ordem m × n. Definimos as operações elementares nas


linhas de A do seguinte modo:

6
1. Troca das linhas Li e Lk ,
Li ←→ Lk

2. Multiplicação de uma linha Li por um número real c diferente de zero,

Li → cLi

3. Substituição de uma linha Li pela soma desta com um múltiplo de uma outra linha
Lk .
Li → Li + cLk

Sejam A e B matrizes de ordem m × n. A matriz A é dita ser equivalente por


linhas à matriz B, se B pode ser obtida de A pela aplicação sucessiva de um número
finito de operações elementares sobre linhas.

Observamos que a equivalência de matrizes por linhas corresponde à noção de equi-


valência de sistemas lineares quando se efetuam as respectivas operações sobre as suas
equações. Além disso, temos o seguinte resultado: A é equivalente por linhas a B se, e
somente se, B é equivalente por linhas a A.
A seguir apresentamos o enunciado de um teorema fundamental no cálculo da solução
do sistema linear AX = B. A demonstração do mesmo pode ser obtida em livros de
Álgebra Linear ou Análise matricial.

Teorema. Sejam os sistemas lineares AX = B e ÃX = B̃ tais que as matrizes au-


mentadas [A|B] e [Ã|B̃] são matrizes equivalentes por linhas. Então os sistemas lineares
AX = B e ÃX = B̃ têm a mesma solução.

5.2 Eliminação Gaussiana


O método da Eliminação Gaussiana ou Método de Gauss é um dos métodos mais utili-
zados para resolver sistemas lineares. A ideia do método é usar operações elementares
sobre as linhas da matriz ampliada [A|B], do sistema linear AX = B, de modo a ob-
ter uma matriz equivalente [Ã|B̃], porém com a caracterı́stica de que o sistema linear
ÃX = B̃ é mais simples de resolver do que o sistema original. No caso em que o sistema
linear tem número de equações igual ao número de incógnitasl, a matriz à em [Ã|B̃] se
reduz à uma matriz triangular superior.

Uma matriz A = [aij ]m×n está na forma escalonada reduzida se possui as pro-
priedades:

(i) Todas as linhas nulas ocorrem abaixo das linhas não nulas;

(ii) O primeiro elemento não nulo de uma linha, chamado de pivô, é igual a 1;

7
(iii) O pivô de cada linha não nula ocorre à direita do pivô da linha anterior;

(iv) Se uma coluna contém um pivô, então todos os seus outros elementos são iguais a
zero.

Exemplos. Apenas as matrizes A e E, abaixo, estão na forma escalonada reduzida.


     
0 1 2 0 1 1 0 0 0 0 3 1
A = 0 0 0 1 3 B = 0 1 −2 0 C = 1 0 −1
0 0 0 0 0 0 0 1 0 0 0 0
   
1 3 7 2 1 0 0 3
D = 0 2 5 1 E = 0 1 0 4
0 0 0 3 0 0 1 5

Note que a matriz B não possui a propriedade (iv) e as matrizes C e D não possuem
a propriedade (i).

Se uma matriz satisfaz as propriedades (i) e (iii), mas não necessariamente (ii) e
(iv), dizemos simplesmente que ela está na forma escalonada. As matrizes B e D
do exemplo anterior estão na forma escalonada. Dessa maneira, na forma escalonada, o
pivô, em cada linha não nula, não precisa ser necessariamente o número real 1. Além
disso, para a matriz escalonada, o item (iv) pode ser reescrito do seguinte modo: se uma
coluna possui um pivô, então todos os elementos dessa coluna que estão abaixo do pivô
são iguais a zero.

É possı́vel provar que toda matriz é equivalente por linha a uma única matriz na
forma escalonada reduzida. Prova-se também que toda matriz é equivalente por linhas
a uma matriz na forma escalonada. O método conhecido como método de Gauss-
Jordan usa operações elementares para transformar a matriz aumentada do sistema
AX = B em um matriz na forma escalonada reduzida. Já o método que apresentaremos
aqui, método de Gauss, transforma a matriz aumentada do sistema em uma matriz
na forma escalonada. Este método é também chamado de método da Eliminação
Gaussiana.

5.3 Método de Gauss


O método de Gauss consiste no uso de operações elementares sobre as linhas da matriz
ampliada do sistema linear com o intuito de obter a forma escalonada da mesma . Em
seguida, resolsve o sistema triangular obtido por meio de substituições retroativas, isto
é, de trás para frente.
Vamos apresentar o método de Gauss através da resolução de alguns sistemas lineares.

8

 x + 4y + 7z = 2
1. Resolver o sistema linear 2x + 3y + 6z = 2 .
5x + 5y − z = 8

Resolução.
Primeiro escrevemos a matriz aumentada do sistema:
 
1 4 7 | 2
2 3 6 | 2 .
5 5 −1 | 8

Em seguida, começamos o escalonamento da matriz aumentada. Na primeira etapa


devemos começar escolhendo o pivô na primeira linha. Como, neste caso, o primeiro
elemento da primeira linha é não nulo, pois e igual a 1, ele será escolhido como
pivô e não há necessidade de efetuar trocas de linhas.
Lembramos que nessa etapa, o objetivo é zerar os elementos que estão na primeira
coluna e abaixo do pivô. Dessa forma, as operações elementares a serem efetuadas
nas linhas da matriz devem ser cuidadosamente escolhidas para chegar a esse fim.
Nesse caso, faremos a operação
L2 → −2L1 + L2
para zerar o elemento da segunda liinha; e
L3 → −3L1 + L3
para zerar o elemento da terceira linha. Em palavras, o que iremos fazer é substituir
a segunda linha pelo resultado da soma da segunda linha mais a primeira linha
multiplicada por -2; e a terceira linha será substituida pelo resultado da soma da
terceira linha com a primeira linha multiplicada por -3. Ao final dessa primeira
etapa obtemos a seguinte matriz:
 
1 4 7 | 2
0 −5 −8 | −2 .
0 −15 −36 | −2

Agora, na segunda etapa do processo de escalonamento, o pivô deve ser escolhido


na segunda linha. Será o primeiro elemento não nulo dess linha. Se necessário
efetuamos troca de linhas. Mas, nesse caso, não será necessário. O pivô é o
elemento −5, e como o objetivo nessa etapa é zerar o elemento da segunda coluna
que está abaixo do pivô, a operação elementar escolhida será:
L3 → −3L2 + L3 .
Assim, após esse processo, obtemos a seguinte matriz:
 
1 4 7 | 2
0 −5 −8 | −2 .
0 0 −12 | 4

9
Como não há mais linhas abaixo da terceira linha, o processo termina e a matriz
obtida é a matriz aumentada do sistema em sua forma escalonada.

Agora, reescrevemos o sistema utilizando a matriz escalonada



 x + 4y + 7z = 2
−5y − 8z = −2
−12z = 4

e o resolvemos por substituições retroativas, isto é, efetuando as substituições de


baixo para cima. Note que z pode ser facilmente calculado da terceira equação,
1
de onde obtemos z = − . Substituindo esse valor na terceira equação, obtemos
3
14
y = . Finalmente, substituindo os valores de y e z na primeira equação, obtemos
15
3 3 14 1
x = . Portanto, a solução do sistema dado é tripla ordenada ( , , − ).
5 5 15 3

 x + 2y + z = 1
2. Resolver o sistema linear 4x + 3y + 5z = 5 .
3x + y + 4z = 4

Resolução.
Primeiro escrevemos a matriz aumentada do sistema
 
1 2 1 | 1
4 3 5 | 5 .
3 1 4 | 4

Como nessa primeira etapa, o objetivo é zerar os elementos que estão na primeira
coluna e abaixo do pivô, as operações elementares a serem efetuadas nas linhas da
matriz devem ser
L2 → −4L1 + L2
para zerar o elemento da segunda linha; e
L3 → −3L1 + L3
para zerar o elemento da terceira linha. Ao final dessa primeira etapa obtemos a
seguinte matriz:  
1 2 1 | 1
0 −5 1 | 1 .
0 −5 1 | 1
Agora, na segunda etapa do processo de escalonamento, o pivô deve ser escolhido
na segunda linha. O objetivo nessa etapa é zerar o elemento da segunda coluna
que está abaixo do pivô. Sendo assim, a operação elementar escolhida será:
L3 → −1L2 + L3 .

10
Assim, após esse processo, obtemos a seguinte matriz:
 
1 2 1 | 1
0 −5 1 | 1 .
0 0 0 | 0

Como não há mais linhas abaixo da terceira linha, o processo termina e a matriz
assim obtida é a matriz aumentada do sistema em sua forma escalonada.

Agora, reescrevemos o sistema utilizando a matriz escalonada



x + 2y + z = 1
−5y + z = 1

e o resolvemos por substituições retroativas.


Note que ficamos com menos equações do que incógnitas. Isso aconteceu pelo fato
de que todos os elementos da última linha da matriz escalonada serem iguais a
zero. Note que neste caso o sistema terá infinitas soluções. Para encontrar a forma
geral dessas soluções, procedemos do seguinte modo: isolamos uma variável na
segunda equação, por exemplo,

z = 1 + 5y;

e a substituimos na primeira equação, de onde obtemos

x + 2y + 1 + 5y = 1 ⇒ x = −7y.

Neste caso, y é uma variável livre. Portanto, a solução do sistema é

{(−7y, y, 1 + 5y); y ∈ R}.

Se quisermos uma solução particular desse sistema, basta atribuir um valor real
qualquer para a variável y. Por exemplo, se y = 1 obtemos a solução particular
(−7, 1, 6).

 x + 3y + 13z = 9
3. Resolver o sistema linear y + 5z = 2 .
−2y − 10z = −8

Resolução.
Primeiro escrevemos a matriz aumentada do sistema
 
1 3 13 | 9
0 1 5 | 2 .
0 −2 −10 | −8

Observe que todos os elementos da primeira coluna que estão abaixo da diagonal
são nulos. Logo, podemos pular a primeira etapa. Para realizarmos a segunda

11
etapa do processo de escalonamento, escolhemos o pivô 1 e a seguinte a operação
elementar:
L3 → −2L2 + L3 .
Assim, após esse processo, obtemos a seguinte matriz:
 
1 3 13 | 9
0 1 5 | 2 .
0 0 0 | −4

Como não há mais linhas abaixo da terceira linha, o processo termina e a matriz
obtida é a matriz aumentada do sistema em sua forma escalonada.

Agora, reescrevemos o sistema utilizando a matriz escalonada



 x + 3y + 13z = 9
y + 5z = 2 .
0z = −4

Da terceira equação podemos concluir que o sistema é impossı́vel, pois não existe
z ∈ R tal que 0z = −4.
Até agora resolvemos sistemas lineares nos quais não precisamos efetuar troca de
linhas das matrizes e tı́nhamos a sorte do pivô encontrado ser sempre igual a 1.
Os dois próximos exemplos são mais completo nesse sentido.

2x + 5y = 1
4. Resolver o sistema linear .
3x + 2y = 2
Resolução.
Primeiro escrevemos a matriz aumentada do sistema
 
2 5 | 1
.
3 2 | 2

Nesse caso, como o pivô na primeira linhar é diferente de 1, podemos multiplicar


1
a primeira linha por , para facilitar os cálculos. Dessa maneira, podemos iniciar
2
o escalonamento com a operação
1
L1 → L1 .
2
Assim, obtemos a matriz
 
1 5/2 | 1/2
.
3 2 | 2

12
Agora para zerar o elemento da primeira coluna que está abaixo do pivô 1, reali-
zamos a operação
L2 → −3L1 + L2 .
Assim, obtemos a matriz escalonada
 
1 5/2 | 1/2
,
0 −11/2 | 1/2

e podemos reescrever o sistema da seguinte forma:



 x + 5y = 1

2 2
11 1
 − y= .

2 2
Daı́ resolvemos o mesmo fazendo as substituições retroativas. Isto é, da segunda
1 8
equação obtemos y = − , que subtistuindo na primeira nos dá x = .
11 11


 x3 + 3x4 = 4
x1 − x2 + x4 = 1

5. Resolva o sistema linear .

 −x3 − 3x4 = −4
−x1 + x2 − x4 = −1

Resolução.
Escrevendo a matriz aumentada do sistema , obtemos:
 
0 0 1 3 | 4
 1 −1 0 1 | 1
 .
0 0 −2 −6 | −8
−1 1 0 −1 | −1

Nesse caso, começamos efetuando uma troca de linhas para obtermos pivô 1 na pri-
meira linha. Isso pode ser feito através da troca da segunda linha com a primeira.
Isto é, realizamos a operação
L1 ↔ L2
e obtemos a seguinte matriz:
 
1 −1 0 1 | 1
0
 0 1 3 | 4.
0 0 −2 −6 | −8
−1 1 0 −1 | −1

Agora para zerar o elemento da primeira coluna que está abaixo do pivô 1( na
quarta linha), realizamos a operação
L4 → L1 + L4 .

13
Assim, obtemos a matriz :
 
1 −1 0 1 | 1
0 0 1 3 | 4
0 0 −2 −6 | −8 .
 

0 0 0 0 | 0

Agora, note que o pivô da segunda linha é o elemento 1 que está na terceira coluna.
Com a operação elementar
L3 → 2L2 + L3
zeramos o único elemento não nulo elemento da terceira coluna que está abaixo do
pivô. Depois de realizada a operação, obtemos a matriz
 
1 −1 0 1 | 1
0 0 1 3 | 4
 
0 0 0 0 | 0
0 0 0 0 | 0
e o processo de escalonamento termina.
Agora, reescrevendo o sistema com a matriz escalonada obtemos:

x1 − x2 + x4 = 1
.
x3 + 3x4 = 4

Note que o sistema tem quatro incógnitas mas apenas duas equações, logo trata-se
de um sistema indeterminado. Além disso, note que a matriz escalonada apresenta
duas linhas nulas, logo o sistema possui duas variáveis livres.
Na segunda equação isolamos uma das variáveis, por exemplo, podemos fazer

x3 = 4 − 3x4 .

Na primeira equação, isolamos a variável x4 obtendo

x4 = 1 − x1 + x2 .

Substituindo x4 na equação anterior, obtemos

x3 = 3 + x1 − x2 .

Portanto, o conjunto de soluções do sistema linear é dado por

{(x1 , x2 , 3 + x1 − x2 , 1 − x1 + x2 ); x1 , x2 , x3 , x4 ∈ R}.

14
6 Sistema Linear Homogêneo
O sistema linear é chamado de sistema homogêneo se é da forma


 a11 x1 + a12 x2 + ... + a1n xn = 0



 a21 x1 + a22 x2 + ... + a2n xn = 0
.

, (6)

 .
.





am1 x1 + am2 x2 + ... + amn xn = 0
Na forma matricial temos
AX = 0
onde 0 indica a matriz nula de m linhas e 1 coluna. Um sistema linear homogêmo é
sempre possı́vel, pois admite a solução X = 0, que é chamada de solução trivial.

Exercı́cio. Mostre que se X1 e X2 são soluções distintas do sistema linear homogêneo


AX = B, então X1 + X2 e αX1 ( α ∈ R) também são soluções.

7 Aplicações
7.1 Circuitos Elétricos
Qual a intensidade I1 , I2 e I3 das correntes que percorrem o circuito elétrico mostrado

abaixo?

I2 = I1 + I3 (7)
I1 + I3 = I2
2 · I1 + 1 · I2 + 2 · I1 = 8
1 · I2 + 4 · I3 = 16

15
I2 = I1 + I3 (8)
I1 + I3 = I2
2 · I1 + 1 · I2 + 2 · I1 = 8
1 · I2 + 4 · I3 = 16

Organizando
 as equações, obtemos o seguinte sistema linear:
I1 − I2 + I3 = 0

4I1 + I2 =8

I2 + 4I3 = 16

8 Posto e Nulidade

Definição. Seja A uma matriz de ordem m × n e à a sua forma escalonada. Definimos


o posto p da matriz A como o número de linhas não nulas de Ã. A nulidade de A é o
número n − p.
Dado o sistema linear AX = B, onde A tem ordem m × n, seja pA o posto da matriz
dos coeficientes A e pAB o posto da matriz aumentada [A|B].

1. Se pA = pAB = n, então o sistema possui solução única;

2. Se pA = pAB < n, então o sistema admite infinitas soluções;

3. Se pA 6= pAB , então o sistema não possui solução.


Exemplos. Observe os escalonamentos realizados nas matrizes dos coeficientes dos
sistemas lineares utilizados anteriormente nos exemplos 1, 2 3 e 4. No Exemplo 1, temos
pA = pAB = 3 . Neste caso, o sistema linear possui única solução; no Exemplo 2, temos
pA = pAB = 2, mas a dimensão do sistema linear é 3. Logo o sistema possui infinitas
soluções (1 variável livre); Já no Exemplo 3, o posto pA da matriz dos coeficientes é igual
a 2, enquando o posto PAB da matriz ampliada é igual a 3. Logo, pA 6= pAB e o sistema
não tem solução; No Exemplo 4, temos pA = pAB = 2 (o sistema linear possui única
solução); Por fim, no Exemplo 5, o sistema linear possui dimensão 4, mas pA = pAB = 2.
Logo o sistema linear possui infinitas soluções. Note que o sistema possui duas variáveis
livres.

9 A Matriz Inversa
Matriz Inversa. Dada uma matriz quadrada A de ordem n, chamamos de inversa de
A a matriz quadrada X de ordem n tal que
AX = XA = I.

16
É comum usarmos a notação X = A−1 . Logo, se a matriz A possui uma inversa A−1 ,
então
AA−1 = A−1 A = I.
Usando a matriz inversa na resolução de sistemas lineares. Dado o sistema

linear AX = B, se soubermos que a matriz A é invertı́vel e soubermos como calcular


sua inversa, então a solução do sistema é dada por X = A−1 B. Pois

AX = B ⇒ A−1 AX = A−1 b ⇒ IX = A−1 B ⇒ X = A−1 B.

Na prática esta não é uma boa estratégia para calcular a solução do sistema linear. De

fato, o cálculo da matriz inversa, em geral, é muito trabalhoso.

A seguir enunciaremos alguns teoremas relacionados com a matriz inversa.

Teorema. Uma matriz quadrada de ordem n é invertı́vel se, e somente se, ela tem
posto n. Uma matriz invertı́vel é também chamada de não-singular.

Procedimento prático para o cálculo da Matriz Inversa.

Teorema. Uma matriz quadrada A de ordem n é invertı́vel se, e somente se, a


matriz In é equivalente por linhas à matriz A. Isto é, se In pode ser obtida de A através
de operações elementares sobre as linhas A. Nesse caso, a mesma sequência de operações
elementares transformam In em A−1 .
Este Teorema nos fornece o seguinte procedimento para calcular a matriz inversa de
uma matriz quadrada A de ordem n por meio dos seguintes passos:

1. Escrevemos a matriz
M = [A|In ],
onde In é a matriz identidade de ordem n.

2. Efetuamos operações elementares sobre as linhas da matriz M até transformarmos


a matriz A na matriz indentidade In (note que esse procedimento implicará em
transformações na matriz In à direita da matriz A).

3. Ao final do processo a matriz M terá sido transformada em uma matriz M̃ do tipo

M̃ = [In |X]

4. A matriz X é a matriz inversa da matriz A. Isto é, X = A−1 .

 
2 3
Exemplo. Considere calcular a inversa da matriz A = .
1 4
Resolução.

17
 
2 3 | 1 0
1. Primeiro escrevemos a matriz: ;
1 4 | 0 1

2. Efetuamos operações elementares sobre as linhas dessa matriz (escalonamento);


 
1 0 | 4/5 −3/5
3. Ao final do processo obtemos a forma escada equivalente: .
0 1 | −1/5 2/5
 
4/5 −3/5
4. A matriz inversa de A é a matriz .
−1/5 2/5

9.1 Propriedades da Matriz Inversa


Sejam A e B matrizes invertı́veis de ordem n. Então, valem as seguintes propriedades:

1. AB é invertı́vel e (AB)−1 = B −1 A−1 .

2. A−1 é invertı́vel e (A−1 )−1 = A.

10 Determinantes
O determinante é uma função matricial que associa a cada matriz quadrada A um
escalar. Em geral, o determinante da matriz A é representado por det(A) e, uma vez
estando disponı́vel, podemos usá-lo para detectar a existência de soluções do sistema
linear Ax = b ou a existência da matriz inversa de A.
Neste texto iremos apresentar um definição indutiva para o determinante de uma
matriz quadrada A de ordem n, fazendo uma indução sobre n ≥ 1.
Se n = 1, então a matriz A possui apenas o elemento a11 . Neste caso,

det(A) = a11 .

Vamos supor agora que n > 1 e que det(A) esteja definido para todas as matrizes
de ordem r tal que 1 ≤ r ≤ n − 1. Isto é, podemos calcular o determinante de todas as
matrizes quadradas de ordem até n − 1.
Agora seja A uma matriz quadrada de ordem n. Para cada par (i, j) defina a matriz
Aij formada a partir da matriz A retirando sua i-ésima linha e j-ésima coluna. A
matriz assim formada é chamada de menor complementar da matriz A em relação
ao elemento Aij . Note que dessa forma, Aij é uma matriz de ordem n − 1, e portanto,
o seu determinante det(Aij ) já está definido.
Finalmente, o determinante da matriz A é definido como sendo
n
X
det(A) = (−1)j+1 a1j det(A1j ). (9)
j=1

18
 
a11 a12
Exemplo 1. Considere a matriz A = . Pela definição de menor comple-
a21 a22
mentar temos A11 = [a22 ] e A12 = [a21 ]. Dessa forma,

det(A) = (−1)1+1 a11 det(A11 ) + (−1)1+2 a12 det(A12 )


= a11 a22 − a12 a21 .

Portanto, det(A) = a11 a22 − a12 a21 . Esse resultado, pode ser reescrito como uma regra,
comumente utilizada para o cálculo do determinante de matrizes de ordem 2.
Regra para o cálculo do determinante de matrizes de ordem 2: O determi-
nante de uma matriz A de ordem 2 é igual ao produto do elementos da diagonal principal
menos o produto dos elementos da diagonal secundária.
 
a11 a12 a13
Exemplo 2. Considere a matriz A = a21 a22 a23 .
a31 a32 a33
     
a22 a23 a21 a23 a21 a22
Pela definição anterior, temos A11 = , A12 = e A13 = .
a32 a33 a31 a33 a31 a32
Agira usando a regra apresentada no Exemplo 1, obtemos:

det(A11 ) = a22 a33 − a23 a32 ,


det(A12 ) = a21 a33 − a23 a31 ,
det(A13 ) = a21 a32 − a22 a31 .

Agora, substituindo na fórmula da definição, obtemos

det(A) = (−1)1+1 a11 det(A11 ) + (−1)1+2 a12 det(A12 ) + (−1)1+3 a13 det(A13 )
= a11 det(A11 ) − a12 det(A12 ) + a13 det(A13 ).

Substituindo os valores de det(A11 ), det(A12 ), det(A13 ) e efetuando os cálculos ne-


cessários, obtem-se o valor do det(A). Na prática, o determinante de uma matriz de
ordem 3 é calculado usando uma regra conhecida como Regra de Sarrus.
Na definição de determinantes apresentada aqui consideramos realizar uma soma
utilizando os elementos da primeira linha e determinantes de matrizes menores. A nossa
opção pela primeira linha foi apenas por conveniência. Na verdade, esse é um caso
particular de uma definição mais geral, onde essa soma pode ser realizada usando-se
qualquer uma das linhas ou colunas da matriz A. Na prática, escolhemos a linha
ou coluna que apresenta o maior número de elementos nulos. Essa escolha se
justifica pelo fato de que a quantidade de zeros presentes na linha ou coluna, implica
na mesma quantidade de parcelas nulas desta soma, reduzindo assim a quantidad de
cálculos necessários para achar o determinante. Observação. Essa regra utilizada para
calcular determinantes é conhecida como Regra de Laplace.

19
 
2 1 −1 1
4 0 3 2
Exemplo 3. Calcule o determinante da matriz A = 
−1
.
3 1 0
1 0 1 1
Resolução.
Fazendo o desenvolvimento pela linha 2 temos

det(A) = (−1)2+1 a21 det(A21 ) + (−1)2+2 a22 det(A22 ) + (−1)2+3 a23 det(A23 ) + (−1)2+4 a24 det(A24 )
= −2det(A21 ) + 0det(A22 ) − 3det(A23 ) + 2det(A24 )
= −2det(A21 ) − 3det(A23 ) + 2det(A24 ).

Se em vez disso, usássemos a coluna 2 terı́amos

det(A) = (−1)1+2 a12 det(A12 ) + (−1)2+2 a22 det(A22 ) + (−1)3+2 a32 det(A32 ) + (−1)4+2 a42 det(A42 )
= 1det(A21 ) + 0det(A22 ) − 3det(A23 ) + 0det(A24 )
= det(A21 ) − 3det(A23 ).

Ou seja, neste caso, só terı́amos que calcular dois determinantes de ordem 3.

10.1 Propriedades dos Determinantes


Sejam A e B matrizes quadradas de ordem n e k ∈ R. Então, valem as seguintes
propriedades:

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

2. det(A) = det(B T );

3. det(kA) = (det(A))k .

4. Se a matriz A é invertı́vel, então det(A−1 ) = (det(A))−1 .

5. Se A é uma matriz triangular, então o det(A) é igual ao produto da elementos da


diagonal principal.

10.2 Aplicações do Determinante


1. Existência da matriz inversa. Uma matriz quadrada A de ordem n é invertı́vel
se, e somente, det(A) 6= 0.

2. Existência de solução única para sistema linear. Seja A uma matriz qua-
drada de ordem n . O sistem linear Ax = b admite uma única solução se, e
somente, det(A) 6= 0.

3. Regra de Cramer. A regra de Cramer é uma conhecida regra para o cálculo


da solução de um sistema linear por meio do cálculo de determinantes. Como, na
prática, essa regra é pouco utilizada não a apresentaremos neste texto.

20
11 Exercı́cios Propostos

 3x + 5y = 1
1. Dada o sistema 2x + z = 3
5x + y − z = 0

(a) Escreva a matriz A dos coeficientes do sistema linear e calcule o seu determi-
nante.
(b) Escreva a matriz ampliada do sistema e faça o escalonamento da mesma.
(c) Obtenha a solução do sistema.

 −4x1 + 3x2 = 2
2. Determine k, para que o sistema 2x1 + x3 = 0 , admita solução.
5x1 + x2 = k

Sugestão. Faça o escalonamento da matriz ampliada do sistema e analise o posto
das matrizes dos coeficientes e da matriz ampliada.

3. Explique porque a nulidade de uma matriz nunca é negativa.



 2x − 5y + 2z = 0
4. Encontre os valores de k, tais que o sistema homogêneo x+y+z =0
2x + kz = 0

tenha uma solução distinta da solução trivial x = y = z = 0 .


 x+y−w =0
x−z+w =2

5. Dado do sistema linear .

 y + z − w = −3
x + 2y − 2w = 1

Calcule o posto da matriz dos coefiencientes e da matriz ampliada do sistema.


Determine, se existir, a solução do sistema.

 2x1 + x2 + x3 + x4 = 1

x1 + 2x2 + x3 + x4 = 2

6. Dado o sistema linear .
x + x2 + 2x3 + x4 = 3
 1


x1 + x2 + x3 + 2x4 = 4

(a) Escreva a matriz A dos coeficientes do sistema linear e calcule o seu determi-
nante.
(b) Escreva a matriz ampliada do sistema e faça o escalonamento da mesma.
(c) Obtenha a solução do sistema.

21
12 Recursos Computacionais para Álgebra Linear
12.1 O Software Scilab
O Scilab é um software para computação cientı́fica e visualização, gratuito, com código
fonte aberto e interface para as linguagens FORTRAN e C. Ele permite a solução de
problemas numéricos em uma fração do tempo que seria necessário para escrever um
programa em uma linguagem como FORTRAN, Pascal ou C, devido às suas centenas de
funções matemáticas. Mais informações sobre o Scilab, bem como o link para download
do mesmo, podem ser obtidas no site www.scilab.org.

12.2 Cálculo da solução de Sistemas Linerares


A seguir apresentamos a resolução em Scilab dos sistemas lineares apresentados no exem-
plos da seção 5. No Scilab dado a matriz dos coeficientes A e o vetor do lado direito b,
a solução do sistema linear Ax = b pode ser calculada através do comando x=A\b.

 x + 4y + 7z = 2
1. Resolver o sistema linear 2x + 3y + 6z = 2 .
5x + 5y − z = 8

−− >A=[ 1 4 7; 2 3 6 ; 5 5 -1]
A=
1. 4. 7.
2. 3. 6.
5. 5. - 1.

−− > b= [ 2; 2; 8]
b=
2.
2.
8.
−− > x=A\ b
x=
0.6
0.9333333
- 0.3333333

 x + 2y + z = 1
2. Resolver o sistema linear 4x + 3y + 5z = 5 .
3x + y + 4z = 4

−− >A=[ 1 2 1; 4 3 5; 3 1 4]
A=

22
1. 2. 1.
4. 3. 5.
3. 1. 4.
−− >b=[1;5;4]
b=
1.
5.
4.
−− >x=A\b
Aviso: A matriz é quase singular ou possui má escala. rcond = 0.0000D+00
Computando a solução de mı́nimos quadrados (ver lsq).
x=
0.
- 1.526D-15
1.
Observação. Na resolução da equação Ax = b, o comando x=A\b do Scilab
computa uma solução aproximada (solução de quadrado quadrado) com no máximo
PA , posto de A, componentes não nulas. Observe ainda que, neste exemplo, PA =
2. A sigla lsq significa least square, ou seja, quadrado mı́nimo.

 x + 3y + 13z = 9
3. Resolver o sistema linear y + 5z = 2 .
−2y − 10z = −8

−− >A = [ 1 3 13; 0 1 5; 0 -2 -10]


A=
1. 3. 13.
0. 1. 5.
0. - 2. - 10.
−− >b=[ 9; 2; -8]
b=
9.
2.
- 8.
−− >x=A\b
Aviso: A matriz é quase singular ou possui má escala. rcond = 0.0000D+00
Computando a solução de mı́nimos quadrados (ver lsq).
x=

23
- 0.36
0.
0.72

12.3 Cálculo da Matriz Inversa


Dado a matriz quadrada A, o comando inv(A) calcula a inversa da matriz A. No caso
da matriz não ser invertı́vel, o programa retorna a informação de que o ”problema é
singular”; além disso, devido a erros de aprximações, um aviso pode ser impresso na tela
informando que A possui má escala ou é quase singular.

1. Calcular a inversa da matriz dos coeficientes do sistema linear do Exemplo 1 da


Seção 5.
−− >A=[ 1 4 7; 2 3 6; 5 5 -1]
A=
1. 4. 7.
2. 3. 6.
5. 5. - 1.
−− >X=inv(A)
X=
- 0.55 0.65 0.05
0.5333333 - 0.6 0.1333333
- 0.0833333 0.25 - 0.0833333
−− >Y=A*X
Y=
1. 0. - 1.110D-16
0. 1. 0.
- 1.527D-16 0. 1.
Observação. Note que, por definição, sendo X a matriz inversa da matriz A,
a matriz Y = AX deveria ser igual a matriz identidade I3 . Porém, note que os
elementos x13 e x31 são diferentes de zero, contudo os mesmos são da ordem de
10−16 . Ou seja, são números muito próximos de zero. Fatos como este ocorrem
em cálculos numéricos realizados por computadores e por isso as implementações
de algoritmos numéricos para resolver problemas matemáticos devem ser feitas
cuidadosamente e de modo a minimizar esse tipo de erro.

2. Calcular a inversa da matriz dos coeficientes do sistema linear do Exemplo 2 da


Seção 5. −− >A=[ 1 2 1; 4 3 5; 3 1 4]
A=

24
1. 2. 1.
4. 3. 5.
3. 1. 4.
−− >X=inv(A)
!–error 19
O problema é singular.
Observação. Neste caso, o programa retorna uma mensagem de erro e a in-
formação de que o problema é singular. Isto significa que a matriz A não é in-
vertı́vel.

12.4 Cálculo do determinante


O determinante de uma matriz quadrada A pode ser calculado no Scilab por meio do
comando det(A). Observe o cálculo dos determinantes das matrizes dos exemplos ante-
riores:
−− >A=[ 1 4 7; 2 3 6; 5 5 -1]
A = 1. 4. 7.
2. 3. 6.
5. 5. - 1.

−− >det(A)
ans =
60.
−− >B=[ 1 2 1; 4 3 5; 3 1 4]
B=
1. 2. 1.
4. 3. 5.
3. 1. 4.
−− >det(B)
ans =
0.
−− >C=[1 3 13; 0 1 5; 0 -2 -10]
C=
1. 3. 13.
0. 1. 5.
0. - 2. - 10.
−− >det(C)
ans =
0.

25
12.5 Resolução do sistema linear da Introdução
O problema proposto na Introdução consistia em determinar o polinômio interpolador
de grau 2
p(T ) = a0 + a1 T + a2 T 2 .
onde os coeficientes a0 , a1 e a2 são obtidos por meio do cálculo da solução do sistema
linear:

a0 + a1 · 2000 + a2 · 20002 = 218538


a0 + a1 · 2007 + a2 · 20072 = 268339
a0 + a1 · 2010 + a2 · 20102 = 293962.
No Scilab a entrada dos dados e o cálculo da solução podem ser realizados da seguinte
maneira:
−− > A = [1 2000 20002 ; 1 2007 20072 ; 1 2010 20102 ]
A=
1. 2000. 4000000.
1. 2007. 4028049.
1. 2010. 4040100.

−− >b=[ 218538; 268339; 293962]


b=
218538.
268339.
293962.

−− >x=A\b
x=
5.586D+08
- 564512.74
142.65714

Dessa forma, o polinômio interpolador de grau 2 obtido é:

p(T ) = 5.586D + 08 − 564512.74T + 142.65714T 2 .


Uma estimativa para a população do municı́pio de Petrolina no ano de 2009 pode ser
obtida calculando-se p(2009). Efetuando-se os cálculos, obtemos p(2009) = 269677.61.
Daı́, podemos estimar que a população em 2009 era de aproximadamente 269678 habi-
tantes.

26