Álgebra Linear I

Prof. Aluizio Freire

10 de julho de 2009

1 Sistemas de Equações Lineares

Iniciaremos este curso fazendo uma pequena revisão sobre sistemas de equações lineares. Para isto,
consideraremos suporemos conhecido pelo leitor todo assunto relacionado as matrizes.

1.1 Sistemas e Matrizes

Um sistema de equações lineares 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
.. .. .. .. (1)




. . ··· . .
am1 x1 + am2 x2 + ··· + amn xn = bm


com aij , 1 ≤ i ≤ m, 1 ≤ j ≤ m, números reais (ou complexos).

Uma solução do sitema (1) é uma n-upla de números (x1 , x2 , ..., xn ) que satisfaz simultanea-
mente estas m equações. Dois sistemas de equações lineares são equivalentes se, e somente se, toda
solução de qualquer um dos dois sistemas também é solução do outro.
Tornando ao sistema (1), note que este pode ser escrito na seguinte forma matricial:

A · X = B,

onde  
a11 a12 ··· a1n
 a21 a22 ··· a2n 
 
 ..
A= ..  é a matriz dos coecientes,
.. 
 . . ··· . 
am1 am2 ··· amn
 
x1
x2 
 
 é a matriz das incógnitas,

X= .. 
. 


xn
e  
b1
 b2 
 
B= .  é a matriz dos termos independentes.
 .. 


bn

1
1 SISTEMAS DE EQUAÇÕES LINEARES 2

Outra matriz que pode ser associada ao sistema (1) é a seguinte:

 
a11 a12 ··· a1n b1
 a21 a22 ··· a2n b2 
 
 . .. .. .. 
 . ,
 . . ··· . . 
am1 am2 ··· amn bn
a qual é chamada de matriz ampliada do sistema.

1.2 Operações Elementares

São três as operações elementares sobre as linhas de uma matriz:

1. Permuta das i-ésima e j -ésima linhas (Li ↔ Lj ).
Exemplo 1.1. L2 ↔ L1    
1 0 −2 3
 −2 3  →  1 0 
   

5 −2 5 −2

2. Multiplicação da i-ésima linha por um escalar não nulo k (Li → kLi ).

Exemplo 1.2. L3 → −2L3    
1 0 1 0
 −2 3  →  −2 3 
   

5 −2 −10 4

3. Substituição da i-ésima linha pela i-ésima linha mais k vezes a j -ésima linha (Li → Li + kLj ).
Exemplo 1.3. L3 → L3 + 2L1
   
1 0 1 0
 4 −1  →  4 −1 
   

−3 4 −1 4

Se A e B são matrizes m × n, dizemos que B é linha equivalente a A, se B for obtida de A

através de um número nito de operações elementares sobre as linhas de A. Notações: A → B ou
A ∼ B.
   
1 0 1 0
Exemplo 1.4. Mostre que a matriz 
 4 −1  é linha equivalente a  0
 
−1 .


−3 4 0 0
Um resultado importante que permite-nos encontrar algumas soluções de alguns sistemas é o
seguinte:
Teorema 1.5. Dois sitemas que possuem matrizes ampliadas equivalentes são equivalentes.
Exemplo 1.6. Considerando o teorema anterior, encontre uma solução do seguinte sistema.

 x1
 + 4x2 + 3x3 = 1
2x1 + 5x2 + 4x3 = 4

x1 − 3x2 − 2x3 = 5


No procedimento que utilizamos no último exemplo para resolução dos sistema, através de
operações elementares sobre as linhas da matriz ampliada, transformamos esta matriz numa matriz
linha equivalente conveniente. Esta matriz é um exemplo do que deniremos como matriz-linha
reduzida à forma escada.
1 SISTEMAS DE EQUAÇÕES LINEARES 3

1.3 Forma Escada

Denição 1.7. Uma matriz m × n é linha reduzida à forma escada se:

1. O primeiro elemento não nulo de uma linha não nula é 1.
2. Cada coluna que contém o primeiro elemento não nulo de alguma linha tem todos os seus outros
elementos iguais a zero.
3. Toda linha nula ocorre abaixo de todas as linhas não nulas.
4. Se as linhas 1, ..., r são as linhas não nulas, e se o primeiro elemento não nulo da linha i ocorre
na coluna ki , então k1 < k2 < · · · < kr
Exemplo 1.8. Identique quais matrizes estão na forma escada, justicando os casos que não estão
na forma.
 
1 0 0 0
a) 
 0 1 −1 0 


0 0 1 0
 
0 2 1
b)  1 0 −3
 

0 0 0
 
0 1 −3
c)  0 0 0

0 0 


0 0 0 −1 2
 
0 1 −3 0 2
d)  0 0 0

1 2 


0 0 0 0 0

Para que possamos apresentar as próximas denições, necessitamos do seguinte teorema.

Teorema 1.9. Toda matriz Am×n é linha-equivalente a uma única matriz-linha reduzida à forma
escada.
Denição 1.10. Dada uma matriz Am×n , seja Bm×n a matriz-linha reduzida à forma escada linha
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.
Exemplo 1.11. Encontre o posto e a nulidade de A, onde
 
1 2 1 0
−1 0 3 5 
 

1 −2 1 1

Exemplo 1.12. Encontre o posto e a nulidade de B , onde

 
2 −1 3

 1 4 2 

1 −5 1 


4 16 8
1 SISTEMAS DE EQUAÇÕES LINEARES 4

1.4 Soluções de um sitema de equações lineares

Para motivar o teorema que irá nos garantir se um sistema possui soluções, consideraremos algumas
situações.
Exemplo 1.13. Analise as possibilidades de solução dos seguintes sistemas:
1. ax = b
(
2x1 + x2 = 5
2.
x1 − 3x2 = 6
(
2x1 + x2 = 5
3.
6x1 − 3x2 = 15
(
2x1 + x2 = 5
4.
6x1 − 3x2 = 10

Agora generalizaremos os casos observados acima

Dado um sistema de m equações lineares com n incógnitas x1 , ..., xn .


 a11 x1 + a12 x2 + ··· + a1n xn = b1

 a21 x1

+ a22 x2 + ··· + a2n xn = b2
.. .. .. .. ,




. . ··· . .
am1 x1 + am2 x2 + ··· + amn xn = bm


onde aij e bi são números reais (ou complexos), que este sitema poderá ter:
1. uma única solução (sistema possível e determinado);

 x1 = k1

..


 .

 x
n = kn

2. innitas soluções (sistema possível e indeterminado);

3. nenhuma solução (sitema impossível).
As observações feitas com relação aos postos da matriz dos coecientes e da matriz ampliada,
são garantidas pelo seguinte teorema.
Teorema 1.14. 1. Um sistema de m equações e n incógnitas admite solução se, e somente se, o
posto da matriz ampliada é igual ao posto da matriz dos coecientes.
2. Se as duas matrizes têm o mesmo posto p e p = n, a solução será única.
3. Se as duas matrizes têm o mesmo posto p e p < n, podemos escolher n− p incógnitas, e as outras
p incógnitas serão dadas em função destas.

Dizemos no caso 3. que o grau de liberdade do sistema é n − p.

Exemplo 1.15. Considerando que as seguintes matrizes são as matrizes ampliadas de sistemas com
incógnitas x1 , x2 , e x3 , encontre suas soluções caso existam.
 
1 0 0 3
1. 
 0 1 0 −2 


0 0 1 2
1 SISTEMAS DE EQUAÇÕES LINEARES 5
" #
1 0 7 −10
2.
0 1 5 −6
 
1 0 7 0
3. 
 0 1 5 0 


0 0 0 1

Exemplo 1.16. Resolva o seguinte sistema

(
x + 2y + z + t = 0
x + 3y − z + 2t = 0

Exemplo 1.17. Resolva o sistema


 x +
 3y + z = 0
2x + 6y + 2z = 0

−x − 3y − z = 0


Exemplo 1.18. Resolva o seguinte sistema

(
x + 2y + z + t = 1
x + 3y − z + 2t = 3

Exercícios:

1. Resolva o sistema de equações, escrevendo a matrizes ampliadas, associadas aos novos sistemas.


 2x − y + 3z = 11

 4x − 3y + 2z = 0


 x + y + z = 6
3x + y + z = 4


2. Reduza as matrizes à forma escada reduzida por linhas.

 
1 −2 3 −1
a) 
 2 −1 2 3 


3 1 2 3
 
0 1 3 −2
b)  2 1 −4 3 
 

2 3 2 −1
 
0 2 2
 1 1 3 
c)  
3 −4 2
 
 
2 −3 1

3. Calcule o posto e a nulidade das matrizes da questão 2.


 3x +
 5y = 1
4. Dado o sistema 2x + z = 3 escreva a matriz ampliada, associada ao sistema

5x + y − z = 0

e reduza-a à forma escada reduzida por linhas, para resolver o sistema original.
1 SISTEMAS DE EQUAÇÕES LINEARES 6

5. Determine k, para que o sistema admita solução.


 −4x + 3y
 = 2
5x − 4y = 0

2x − y = k


6. Encontre todas as soluções do sistema


 x1
 + 3x2 + 2x3 + 3x4 − 7x5 = 14
2x1 + 6x2 + x3 − 2x4 + 5x5 = 0

x1 + 3x2 − x3 + 2x5 = 6


7. Mostre o teorema 1.9 para matrizes 2 × 2 quaisquer.

8. Chamamos de sistema homogêneo de n equações e m incónitas aquele sistema cujos termos
independentes, bi , são todos nulos.

a) Um sistema homogêneo admite pelo menos uma solução. Qual é ela?

b) Encontre os valores de k ∈ R, tais que o sistema homogêneo


 2x −
 5y + 2z = 0
x + y + z = 0

2x + kz = 0


tenha uma solução distinta da solução trivial.

9. Considere o sistema (
x + 6y − 8z = 1
2x + 6y − 4z = 0
Este sistema pode ser escrito na seguinte forma matricial
 
" # x " #
1 6 −8 1
 y = (2)
 
2 6 −4 0
z
   
x −1
 é uma solução para o sistema.
a) Verique que a matriz X1 =  y  =  13 
  

z 0

b) Resolva o sitema e verique que toda "matriz-solução"é da forma

    
x −4 −1
X =  y  = λ  2  +  13  ,
     

z 1 0

onde λ ∈ R.

c) Verique    
−4 −4λ
λ  2  = λ  2λ 
   

1 λ
é solução do sistema homogêneo associado ao sistema (2).

d) Conclua, dos itens a), b) e c), que o conjunto-solução do sistema (2) é o conjunto-solução do
sistema homogêneo somado a uma solução particular do sistema (2).
1 SISTEMAS DE EQUAÇÕES LINEARES 7

10. Motivado pelo exercício 9., mostre que toda matriz-solução de um sistema linear AX = B é a
soma de uma solução do sitema homogêneo associado AX = 0 com uma solução particular de
AX = B . Sugestão: siga as etapas seguintes.

i) Mostre que se X0 é uma solução do sistema AX = 0 e X1 é uma solução de AX = B , então

X0 + X1 é solução de AX = B .
ii) Se X1 e X2 são soluções de AX = B , então X1 − X2 é solução de AX = 0.
iii) Use i) e ii) para chegar a conclusão desejada.
2 DETERMINANTES E MATRIZ INVERSA 8

2 Determinantes e Matriz Inversa

Tendo em vista motivar a denição de determinante, consideraremos alguns exemplos.

b
Exemplo 2.1. Dado o sistema ax = b com a 6== 0, temos que a = é a solução do sistema [a].
a
Exemplo 2.2. Dado o sistema possível determinado
(
a11 x1 + a12 x2 = b1
a21 x1 + a22 x2 = b2

b a −b a b a −b a
temos que x1 = 1 22 2 12
e x2 = 2 11 1 21 . Note que o denominador a11 a22 − a12 a21 é
a11 a22 − a12 a21 a11 a22 − a12 a21
comum aos valores das duas variáveis, e este está associado a matriz dos coecientes
" #
a11 a12
a21 a22

Exemplo 2.3. Dado o sistema possível determinado


 a11 x1
 + a12 x2 + a13 x3 = b1
a21 x1 + a22 x2 + a23 x3 = b2

a31 x1 + a32 x2 + a33 x3 = b3


os valores de x1 , x2 e x3 têm como denominador comum a11 a22 a33 −a11 a23 a32 −a12 a21 a33 +a12 a23 a31 +
a13 a21 a32 − a13 a22 a31 , que está associado a matriz dos coecientes.
 
a11 a12 a13
 a21 a22 a23 
 

a31 a32 a33

2.1 Determinante

Dada uma matriz quadrada A = [aij ], denimos determinante de uma matriz o número associado
a esta, e denotamos
detA ou |A| ou det[aij ]

Então:

1. det[a] = a
" #  
a11 a12  a a12 
2. det
 11
=  = a11 a22 − a12 a21

a21 a22  a21 a22 

   
a11 a12 a13  a11
 a12 a13 

3. det 
 a21 a22 a23  =  a21
 
a22 a23 =

 
a31 a32 a33  a31 a32 a33 

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

Tendo em vista denir determinante para qualquer matriz quadrada, consideraremos inicial-
mente a seguinte denição.

Denição 2.4. Dada uma permutação dos inteiros 1, 2, ..., n, existe uma inversão quando um inteiro
precede outro menor que ele.
2 DETERMINANTES E MATRIZ INVERSA 9

Exemplo 2.5. Liste todas as permutações dos inteiros 1, 2 e 3, e associe a cada uma destas o número
de inversões.
Note que os termos do determinante da matriz 3 × 3 são do tipo a1j1 a2j2 a3j3 , onde (j1 , j2 , j3 )
são as permutações de 1, 2 e 3. Além disso, o sinal destes termos depende do número de inversões da
permutação (par, sinal positivo; e ímpar, sinal negativo).
Agora, podemos denir determinante de forma geral

Denição 2.6. X
det[aij ] = (−1)J a1j1 a2j2 · · · anjn ,
ρ

onde J é o número de inversões da permutação (j1 , j2 , ..., jn ) e ρ indica que a soma é estendida a
todas as n! permutações de (1, 2, ..., n).

2.2 Propriedades

1. Se todos os elementos de uma linha (coluna) de uma matriz A são nulo, detA = 0.

2. detA = detA0 , onde A0 denota.

3. Se multiplicarmos uma linha da matriz por uma constante, o determinante ca multiplicado por
esta constante.

4. Uma vez trocada a posição de duas linhas, o determinante troca de sinal.

5. O determinante de uma matriz que tem duas linhas (colunas) iguais é zero.
     
 a11 ··· a1n   a11 ··· a1n   a11 ··· a1n 
.. ..   . ..   .. .. 
  
. .   .. .   . . 


 ···   ··· ···
6.  bi1 + ci1

··· bin + cin  =  bi1
 
··· bin  +  ci1
 
··· cin 


.. ..   ..
 
..   .. .. 
. .   . .   . . 


 ···   ··· ···
 an1 ··· ann   a
n1 ··· ann   an1 ··· ann


7. O determinante não se altera se somarmos a uma linha outra linha multiplicada por uma con-
stante.

8. det(A.B) = detA.detB

2.2.1 Desenvolvimento de Laplace

Por denição, temos que
 
 a11 a12 a13 
 
 a21 a22 a23 = a11 a22 a33 − a11 a23 a32 − a12 a21 a33
 

 
 a31 a32 a33 
+ a12 a23 a31 + a13 a21 a32 − a13 a22 a31

Por outro lado,

|A| = a11 (a22 a33 − a23 a32 ) − a12 (a21 a33 − a23 a31 )
+ a13 (a21 a32 − a22 a31 )
     
 a
 22 a23 
  a a23   a a22 
 21  21
= a11   − a12   + a13 
 
 a32 a33   a31 a33  a31 a32

 
2 DETERMINANTES E MATRIZ INVERSA 10

Portanto,
detA = a11 |A11 | − a12 |A12 | + a13 |A13 |,

onde Aij é a submatriz da inicial de onde a i-ésima linha e a j -ésima coluna foram retiradas. Deste
modo, se denotarmos
∆ij = (−1)i+j |Aij |,

teremos
detA = a11 ∆11 − a12 ∆12 + a13 ∆13

Isto continua sendo válido para qualquer matriz quadrada de ordem n. Logo,

detAn×n = ai1 ∆i1 + · · · + ain ∆in (3)

O número δij é chamado de cofator ou complemento algébrico do elemento aij .

Exemplo 2.7. Dada a matriz  
1 −2 3
A= 2 1 −1  ,
 

−2 −1 2
calcule |A|.
Exemplo 2.8. Calcule  
 1 −2 3 
 
 2 1 −1 
 
 
 −2 −1 2 

2.3 Matriz Adjunta-Matriz Inversa

Dada uma matriz A, vimos que o cofator ∆ij do elemento aij da matriz é (−1)i+j detAij . De posse
destes cofatores podemos denir uma nova matriz, chamada matriz dos cofatores de A.

A = [∆ij ]

Exemplo 2.9. Dada a matriz  

2 1 0
A =  −3 1 4  ,
 

1 6 5
encontre A.
Denição 2.10. Dada uma matriz quadrada A, chamaremos de matriz adjunta de A à transposta
da matriz dos cofatores de A.
0
adjA = A

Deste modo, no exemplo anterior

 
−19 −5 4
adjA =  19 10 −8 
 

−19 −11 5

Exemplo 2.11. Ainda considerando a matriz A do exemplo 2.9, mostre que

A.(adjA) = (detA)I3

O fato observado no último exemplo é garantido pelo seguinte teorema.

2 DETERMINANTES E MATRIZ INVERSA 11

Denição 2.12. Dada uma matrz quadrada A de ordem n, chamamos de inversa de A a uma matriz
B tal que A.B = B.A = In , onde In é a matriz identidade de ordem n. Denotamos a inversa de A
por A−1 .
Exemplo 2.13. Dada a matriz " #
6 2
A= ,
11 4
Calcule A−1 .
" #
0 2
Exemplo 2.14. A matriz possui inversa?
0 1
O último exemplo nos mostra que nem toda atriz possui inversa. O seguinte teorema fornece-nos
uma condição necessária e suciente para que uma matriz possua inversa.
Teorema 2.15. Uma matriz quadrada A admite uma inversa se, e somente se, detA 6= 0.
Exercícios:

1. Dizemos que A e B são matrizes semelhantes se existe uma matriz P tal que B = P −1 AP .
Mostre que se A e B são semelhantes , então detA = detB .
2. Mostre que se A é uma matriz invertível n × n, o sistema de equações lineares dado por AX = B
tem uma única solução X = A−1 B para todo B em Rn .
3. Considere um sistema homogêneo AX = 0, onde A é uma matriz n × n. Que condição você deve
impor sobre A, para que o sistema admita soluções diferentes da solução trivial (X = 0)?
4. Prove que a matriz identidade In é invertível e que In−1 = In .
5. A matriz A é chamada idempotente se A2 = A.
(a) Ache três matrizes 2 × 2 idempotentes.
(b) Prove que a única matriz n × n idempotente invertível é a matriz identidade.
6. Se A e B são matrizes quadradas de mesma ordem, ambas invertíveis, então A · B é invertível e
(AB)−1 = B −1 · A−1 .

7. Dê o número de inversões das seguintes permutações de 1, 2, 3, 4, 5:

a) 35412
b) 21435
c) 54321
d) No determinante de uma matriz 5 × 5, que sinal precederia os termos a13 a25 a34 a41 a52 e
a15 a24 a33 a42 a51 ?
 
2 0 −1
8. Calcule det 
 3 0 2 


4 −3 7

a) pela denição
b) em relação à segunda coluna, usando o desenvolvimento de Laplace.
9. Seja  
5 0 0
A= 1 5 0 
 

0 1 5
Para que X existe um escalar c tal que AX = cX ?
2 DETERMINANTES E MATRIZ INVERSA 12

10. Suponhamos que A seja uma matriz 2 × 1 e que B seja uma matriz 1 × 2. Demonstre que
C = AB não é inversível.

11. Seja A uma matriz n × n. Demonstrar a duas armações seguintes:

a) Se A é inversível e AB = 0 para alguma matriz n × n B , então B = 0.

b) Se A não é inversível, então existe uma matriz n × n B tal que AB = 0, mas B 6= 0.
 
1 1 1
12. Mostre que det  a b c  = (a − b)(b − c)(c − a).
 

a2 b2 c2
3 ESPAÇOS VETORIAIS 13

3 Espaços Vetoriais

Tendo em vista denir espaço vetorial, iniciaremos esta seção lembrando que, dados os vetores u, v e
w em V = R3 e as constantes a e b, as seguintes propriedades são satisfeitas:
1. (u + v) + w = u + (v + w);
2. u + v = v + u;
3. Existe 0 ∈ V tal que u + 0 = 0 + u = u;
4. Existe −u ∈ V tal que u + (−u) = (−u) + u = 0;
5. a(u + v) = au + av;
6. (a + b)v = av + bv;
7. (ab)v = a(bv);
8. 1u = u.
Denição 3.1. Um espaço vetorial real é um conjunto V , não vazio, com duas operações: soma,
V ×V +
→ V , multiplicação por escalar, R × V ·
→ V , tais que, para quaisquer u, v, w ∈ V e a, b ∈ R,
as propriedades de i) a iii) sejam satisfeitas.
Na denição anterior, se tivermos escalares complexos, V será um espaço vetorial complexo.
Exemplo 3.2. O conjunto
{(1, x2 , x3 ); xi ∈ R}
é um espaço vetorial.
Exemplo 3.3. Sabemos que R3 é um espaço vetorial. Se estendermos este espaço para um conjunto
de n-uplas de números reais, isto é,
V = Rn = {(x1 , x2 , ..., xn ); xi ∈ R},

este novo conjunto também é um espaço vetorial.

Exemplo 3.4. Mostre que o conjunto
(" # )
a b
M (2, 2) = ; a, b, c, d ∈ R
c d
é um espaço vetorial.
Exemplo 3.5. A generalização do conjunto anterior, M (m, n) o conjunto das matrizes m × n, é um
espaço vetorial. Note que o espaço vetorial
nh i o
V = M (1, n) = a11 a12 ··· a1n ; ai ∈ R

é o próprio R3 .
Exemplo 3.6. Mostre que
P2 = {a0 + a1 x + a2 x2 ; ai R}
é um espaço vetorial.
Exemplo 3.7. O conjunto V = Pn dos polinômios com coecientes reais, de grau menor ou igual a
n (incluindo o zero), é um espaço vetorial.
Exemplo 3.8. a) O conjunto F (X; R), onde X é um conjunto não vazio qualquer, que representa o
conjunto de todas as funções reais f, g : X → R, é um espaço vetorial?
b) Se X = {1, 2, ..., n}, então o que ocorre com F (X; R)? E se X = N?
3 ESPAÇOS VETORIAIS 14

3.1 Subespaços Vetoriais

Dado um espaço vetorial V , note que para F ⊂ V ser um espaço vetorial, é necessário e suciente
que:
1. 0 ∈ F ;
2. Se u, v ∈ F , então u + v ∈ F ;
3. Se v ∈ F , então, para todo α ∈ R, αv ∈ F ;
pois neste caso as propriedades serão claramente satisfeitas.
Exemplo 3.9. Note que uma reta r passando pela origem é um espaço vetorial contido em R2 .
Denição 3.10. Dado um espaço vetorial V , um subconjunto W , não vazio, será um subespaço
vetorial de V se:
1. 0 ∈ W ;
2. Para quaisquer u, v ∈ W , tivermos u + v ∈ W ;
3. Para quaisquer a ∈ R e u ∈ W , tivermos au ∈ W .
Note que todo espaço vetorial V possui como subespaço vetoriais V e {0}, chamados subespaços
vetoriais triviais.
Exemplo 3.11. Mostre que
W = {(0, x2 , x3 , x4 , x5 ); xi ∈ R}
é subespaço vetorial de V = R .
5

Exemplo 3.12. W = {(x, x2 ); x ∈ R} é um subespaço de V = R2 .

Exemplo 3.13. V = M (n, n) e W é o subconjunto de todas as matrizes em que a11 ≤ 0. Mostre que
a condição 2. é satisfeita, mas 3. não é.
Exemplo 3.14. Mostre que o conjunto-solução de um sistema linear homogêneo de n incónitas é um
subespaço vetorial de M (n, 1).
Veremos agora duas propriedades importantes de subespaços vetoriais.
Teorema 3.15. (Interseção de subespaços) Dados W1 e W2 subespaços de um espaço vetorial V , a
interseção W1 ∩ W2 ainda é subespaço de V .
Diante deste último resultado, poderíamos questionar: W1 ∪ W2 é um subespaço de V ?
Para responder este questionamento, consideraremos o seguinte exemplo.
Exemplo 3.16. Considere W1 e W2 as retas passando pela origem, como mostra a gura 1. W1 ∪ W2
é um subespaço?
No próximo teorema veremos que com os subespaços W1 e W2 podemos formar um novo con-
junto W que é um subespaço.
Teorema 3.17. (Soma de subespaço) Sejam W1 e W2 subespaços de um espaço vetorial V . Então, o
conjunto
W1 + W2 = {v ∈ V ; v = w1 + w2 , onde w1 ∈ W1 e w2 ∈ W2 }
é subespaço de V .
Exemplo 3.18. Considerando o último exemplo, W = W1 + W2 é o plano que contém as duas retas
(veja gura 2).
Quando W1 ∩W2 = {0}, então W1 + W2 é chamado de soma direta de W1 com W2 , e denotado
W1 ⊕ W2 .
4 COMBINAÇÃO LINEAR 15

W2

W1

Figura 1:

W2

W1

Figura 2:

4 Combinação Linear

Consideremos, inicialmente, os vetores v1 = (1, 0, 2), v2 = (1, 0, 0) e v3 = (5, 0, 4). Note que v3 =
2v1 + 3v2 . Dizemos que v3 é combinação linear de v1 e v2 .

Denição 4.1. Sejam V um espaço vetorial real, v1 , v2 , ..., vn ∈ V e a1 , a2 , ..., an números reais. O
vetor
v = a1 v1 + a2 v2 + · · · + an vn

é um elemento de V , e dizemos que v é combinação linear de v1 , v2 , ..., vn .

Fixando os vetores v1 , v2 , ..., vn em V , podemos obter o seguinte conjunto

W = {v ∈ V ; v = a1 v1 + a2 v2 + · · · + an vn , ai ∈ R}

Exemplo 4.2. Mostre que o conjunto W é um subespaço vetorial.

O subespaço W do exemplo anterior é chamado de subespaço gerado por v1 , ..., vn ; e deno-
tamos
W = [v1 , ..., vn ]

Exemplo 4.3. Mostre que W é o menor subespaço de V que contém v1 , ..., v2 .

Exemplo 4.4. Dado v ∈ R, v 6= 0, o que é [v]?
Exemplo 4.5. Se v1 , v2 ∈ R3 tais que αv1 6= v2 , para todo α ∈ R, então que é [v1 , v2 ]?
Exemplo 4.6. Mostre que se v3 ∈ [v1 , v2 ], então [v1 , v2 , v3 ] = [v1 , v2 ].
4 COMBINAÇÃO LINEAR 16

4.0.1 Dependência e Independência Linear

No último exemplo, encontramos um vetor v3 tal que [v1 , v2 , v3 ] = [v1 , v2 ], ou seja, v3 não contribuía
no conjunto de geradores, pois era combinação linear de v1 e v2 . Portanto, esta informação a respeito
de um vetor é importante.

Denição 4.7. Sejam V um espaço vetorial e v1 , v2 , ..., vn ∈ V . Dizemos que o conjunto {v1 , ..., vn }
é linearmente independente (LI), se a equação

a1 v1 + · · · + an vn = 0,

implica que a1 = a2 = · · · = an = 0. No caso em que existe ai 6= 0, dizemos que {v1 , ..., vn } é

linearmente dependente (LD).
Exemplo 4.8. O conjunto {(1, 0, 2), (1, 0, 0), (5, 0, 4)} é LI?
Note no último exemplo que (5, 0, 4) é combinação linear de (1, 0, 2) e (1, 0, 0). Por isso, o
conjunto é LD. Isto é garantido pelo próximo teorema.

Teorema 4.9. {v1 , ..., vn } é LD se, e somente se, um destes vetores for uma combinação linear dos
outros.
Um teorema equivalente a este último é o seguinte.

Teorema 4.10. Um conjunto de vetores é LI se, e somente se, nenhum de seus elementos é combi-
nação linear dos outros.
Exemplo 4.11. Mostre que os vetores e1 = (1, 0, 0), e2 = (0, 1, 0) e e3 = (0, 0, 1) são LI.
Exemplo 4.12. Os vetores u = (1, 2, 3), v = (4, 5, 6) e w = (7, 8, 9) em R3 são LD?
Exemplo 4.13. Se V = R3 , indique uma condição necessária para que:

a) {v1 , v2 }, v1 , v2 ∈ R, seja LD?

b) {v1 , v2 , v3 }, v1 , v2 , v3 ∈ R, seja LD?

4.1 Base de um Espaço Vetorial

Dado o espaço V = R2 , note que e1 = (1, 0) e e2 = (0, 1) são LI. Além disso, dado v = (x, y) ∈ R2 ,
temos
v = xe1 + ye2 ,

ou seja,
R2 = [e1 , e2 ]

O conjunto {e1 , e2 } é um exemplo de uma base de V = R2 , que deniremos a seguir.

Denição 4.14. Um conjunto {v1 , ..., vn } de vetores de V será uma base de V se:
i) {v1 , ..., vn } é LI.
ii) [v1 , ..., vn ] = V .
Exemplo 4.15. Mostre que, dados u = (1, 1) e v = (0, 1), {u, v} é uma base de R.
Através deste último exemplo e do primeiro desta seção, podemos concluir que a base de um
espaço vetorial não é única.
5 DIMENSÃO DE UM ESPAÇO VETORIAL 17

Exemplo 4.16. Na seção anterior mostramos que os vetores e1 , e2 e e3 são LI.

a) Mostre que [e1 , e2 , e3 ] = R3 .
b) Conclua que {e1 , e2 , e3 } é uma base de R3 .
A base {e1 , e2 , e3 } vista no exemplo anterior é chamada de base canônica.

Exemplo 4.17. O conjunto {(1, 0, 0), (0, 1, 0)} é uma base de R3 ?

5 Dimensão de um Espaço Vetorial

Os seguintes resultados permitirão denirmos dimensão.

Lema 5.0.1. Sejam v1 , v2 , ..., vn vetores não nulos que geram um espaço vetorial V . Então dentre
estes vetores podemos extrair uma base de V .
Lema 5.0.2. Todo sistema linear homogêneno, cujo número de incógnitas é maior do que o número
de equações, admite uma solução não trivial.
Teorema 5.1. Seja um espaço vetorial V gerado por {v1 , ..., vn }. Então qualquer conjunto com mais
de n vetores é necessariamente LD.
Podemos concluir pelo teorema 5.1 que qualquer conjunto LI tem no máximo n elementos.

Corolário 5.2. Qualquer base de um espaço vetorial tem sempre o mesmo número de elementos.
Denição 5.3. O número de elementos de uma base de um espaço vetorial V , denimos como a
dimensão de V , e denotamos dim V .
Exemplo 5.4. Determine uma base para o espaço V = R2 e indique sua dimensão.

Exemplo 5.5. Determine uma base para o espaço V = M (2, 2) e indique sua dimensão.

Denição 5.6. Dizemos que um espaço vetorial V possui dimensão nita, se este admite uma base
nita.
Exemplo 5.7. Os espaços R2 e M (2, 2) possuem dimensão nita.
O próximo resultado fornece-nos uma ferramenta para construirmos bases de um espaço vetorial.

Lema 5.7.1. Se {v1 , ..., vn } é LI e vr+1 ∈/ [v1 , ..., vn ], então {v1 , ..., vr , vr+1 } é LI.
Teorema 5.8. Qualquer conjunto de vetores LI de um espaço vetorial V de dimensão nita pode ser
completado de modo a formar uma base de V .
Corolário 5.9. Se dim V = n, qualquer conjunto de n vetores LI formará uma base de V .

Exemplo 5.10. Construa uma base para R3 diferente da canônica.

Na seção anterior vimos que, dados os subespaços U e W , U + W também é um subespaço. O
próximo resultado mostra-nos como calcular a dimensão de U + W .

Teorema 5.11. Se U e W são subespaços de um espaço vetorial V que tem dimensão nita, então
dim U ≤ dim V e dim W ≤ dim V . Além disso,

dim(U + W ) = dim U + dim W − dim(U ∩ W )

6 MUDANÇA DE BASE 18

Teorema 5.12. Dada uma base β = {v1 , ..., vn } de V , cada vetor de V é escrito de maneira única
como combinação linear de v1 , ..., vn .
Uma vez que a maneira de escrever um vetor como combinação linear de vetores de uma base
é única, faz sentido a seguinte denição.
Denição 5.13. Sejam β = {v1 , ..., vn } base de V e v ∈ V , onde v = a1 v1 + · · · + an vn . Chamamos
estes números a1 , ..., an de coordenadas de v em relação à base β e denotamos
 
a1
 . 
. 
 . 
[v]β = 
an

Podemos notar através da última denição, que a ordem dos vetores numa base é importante,
uma vez que mudada esta ordem teremos coordenadas diferentes para um mesmo vetor.
Exemplo 5.14. Dadas as bases β = {(1, 0), (0, 1)} e β 0 = {(1, 1), (0, 1)} de V = R2 , e dado o vetor
v = (1, 3), indique [v]β e [v]β 0 .

Exemplo 5.15. Dados os subespaços

U = {(x, y, z); x + y − z = 0}

e
W = {(x, y, z); x = y},

determine uma base para V e uma base para W . Finalmente, encontre uma base para U + W e U ∩ W .

6 Mudança de Base

Sejam β = {u1 , ..., un } e β 0 = {w1 , ..., wn } bases ordenadas de um espaço vetorial V . Então, dado um
vetor v ∈ V , temos
v = x1 u1 + ··· xn un
(4)
v = y1 w1 + ··· yn wn
Deste modo,    
x1 y1
 .   . 
. 
 . 
[v]β =  e . 
 . 
[v]β 0 = 
xn yn
Como {u1 , ..., un } é base de V , podemos escrever cada wi como combinação linear dos ui , ou seja,


 w1 = a11 u1 + ··· + an1 un

 w2

= a12 u1 + ··· + an2 un
.. .. .. (5)




. . ··· .
wn = a1n u1 + ··· + ann un


Substituindo em (4), temos

v = y1 (a11 u1 + a21 u2 + · · · + an1 un ) + y2 (a12 u1 + a22 u2 + ... + an2 un )

+ · · · + yn (a1n u1 + a2n u2 + · · · + ann un )

Por outro lado,

v = x1 u1 + · · · + xn un
6 MUDANÇA DE BASE 19

Deste modo,

x1 u1 + · · · + xn un = y1 (a11 u1 + a21 u2 + · · · + an1 un )

+ y2 (a12 u1 + a22 u2 + ... + an2 un ) + · · · + yn (a1n u1 + a2n u2 + · · · + ann un )

Como as coordenadas em relação a uma base são únicas, pois a combinação linear em relação a uma
base é única, temos 

 x1 = a11 y1 + ··· + a1n yn

 x2

= a21 y1 + ··· + a2n yn
.. .. ..




. . ··· .
xn = an1 y1 + ··· + ann yn


Na forma matricial, temos     

x1 a11 ··· a1n y1
 .   . ..  . 
 . = .  . 
 .   . ··· .  . 
xn an1 ··· ann yn
Denotando  
a11 ··· a1n
0
[I]ββ = 
 .. .. 
 . ··· . ,

an1 ··· ann
obtemos
0
[v]β = [I]ββ [v]β 0

Denição 6.1. chamamos de matriz de mudança da base para a base β , a matriz [I]ββ .
0
β0
0
Note que uma maneira de obter a matriz [I]ββ é escrevendo os vetores de β 0 como combinação
linear dos vetores da base β , e em seguida obter a matriz transposta da matriz dos coecientes do
sistema obtido.
Exemplo 6.2. Dadas as bases de R2 β = {(2, −1), (3, 4)} e β 0 = {(1, 0), (0, 1)}, encontre [v]β , onde
v = (5, −8).

Exemplo 6.3. Encontre [I]ββ para as bases β = {1 + x, x + x2 , 1 + x2 } e β 0 = {1, x, x2 } de P2 .

0

Finalmente, encontre p(x) = 1 + 2x − x2 relativo a base β .

6.0.1 Inversa da matriz de mudança de base

0
Considerando o que zemos na seção anterior para encontrar a matriz [I]ββ , se escrevermos os ui como
combinação linear dos wi , encontraremos a relação

[v]β 0 = [I]ββ 0 [v]β (6)

0
As matrizes [I]ββ e [I]ββ 0 são inversíveis (Prove!). Deste modo, por (6), temos
 −1
[v]β = [I]ββ 0 [v]β 0
0
Como [I]ββ é a única matriz P tal que

[v]β = P [v]β 0 (Prove!),

segue que  −1 0

[I]ββ 0 = [I]ββ (7)
6 MUDANÇA DE BASE 20
" #
2 −3
Exemplo 6.4. Sabemos claramente que no exemplo 6.2 [I]ββ 0 = , no exemplo 6.3 [I]ββ 0 =
−1 4
 
1 0 1
 1 1 0 . No entanto, calcule estas matrizes utilizando a relação (7).
 

0 1 1

Exercícios:

1. Verique se os conjuntos de matrizes são linearmente independente em M22 . Para os que forem
linearmente dependentes, expresse uma das matrizes como combinação linear das demais.
(" # " # " #)
1 1 1 −1 1 0
(a) , ,
0 −1 1 0 3 2
(" # " # " #)
2 −3 1 −1 −1 3
(b) , ,
4 2 3 3 1 5
(" # " # " # " #)
−1 1 3 0 0 2 −1 0
(c) , , ,
−2 2 1 1 −3 1 −1 7

2. Verique se os conjuntos de matrizes são linearmente independente. Para os que forem linear-
mente dependentes, expresse um dos polinômios como combinação linear das demais.

(a) {x, 1 + x} em P1 .
(b) {1 + x, 1 + x2 , 1 − x + x2 } em P2 .
(c) {x, 2x − x2 , 3x + 2x2 } em P2 .
(d) {2x, x − x2 , 1 + x3 , 2 − x2 + x3 } em P3 .

3. Seja {u, v, w} um conjunto de vetores linearmente independentes no espaço vetorial V .

(a) {u + v, v + w, u + w} é linearmente independente? Prove ou dê um contra-exemplo.

(b) {u − v, v − w, u − w} é linearmente independente? Prove ou dê um contra-exemplo.

4. Determine se o conjunto β é uma base para o espaço vetorial V .

(" # " # " #)
1 1 0 −1 1 1
(a) V = M22 , β = , ,
0 1 1 0 1 −1
(" # " # " # " #)
1 0 0 −1 1 1 1 1
(b) V = M22 , β = , , ,
0 1 1 0 1 1 1 −1
(c) V = P2 , β = {x, 1 + x, x − x2 }
(d) V = P2 , β = {1 − x, 1 − x2 , x − x2 }
(e) V = P2 , β = {1, 1 + 2x + 3x2 }
" #
1 2
5. Encontre as coordenadas do vetor A = relativo à base
3 4
(" # " # " # " #)
1 0 1 1 1 1 1 1
β= , , , de M22 .
0 0 0 0 1 0 1 1

6. Encontre as coordenadas de p(x) = 2 − x + 3x2 relativo à base β = {1, 1 + x, −1 + x2 } de P2 .

6 MUDANÇA DE BASE 21

7. Seja β um conjunto de vetores em um espaço vetorial V satisfazendo a seguinte propriedade:

todo vetor de V pode ser escrito, de forma única, como combinação linear dos vetores de β .
Prove que β é uma base de V .

8. Estenda {1 + x, 1 + x + x2 } a uma base de P2 .

(" # " #)
0 1 1 1
9. Estenda , a uma base de M22 .
0 1 0 1
(" # " # " #)
1 0 0 1 0 −1
10. Estenda , , a uma base de M22 .
0 1 1 0 1 0

11. Encontre uma base para U = [1, 1 + x, 2x] em P1 .

12. Encontre uma base para W = [1 − 2x, 2x − x2 , 1 − x2 , 1 + x2 ] em P2 .

13. Seja S = {v1 , ..., vn } um conjunto gerador para um espaço vetorial V . Prove que, se vn pertence
ao conjunto [v1 , ..., vn−1 ], então S 0 = {v1 , ..., vn−1 } ainda é um conjunto gerador para V .

14. Seja {v1 , ..., vn } uma base para um espaço vetorial V , e sejam c1 , ..., cn escalares não nulos.
Prove que {c1 v1 , ..., cn vn } também é uma base para V .

15. Seja {v1 , ..., vn } uma base para um espaço vetorial V . Prove que

{v1 , v1 + v2 , v1 + v2 + v3 , ..., v1 + · · · + vn }

também é uma base para V .

√ √
16. Sejam β = {(1, 0), (0, 1)}, β1 = {(−1, 1), (1, 1)}, β2 = {( 3, 1), ( 3, −1)} e β3 = {(2, 0), (0, 2)}
bases ordenadas de R2 .

(a) Ache as matrizes de mudança de base:

i. [I]ββ1
ii. [I]ββ1
iii. [I]ββ2
iv. [I]ββ3
(b) Quais são as coordenadas do vetor v = (3, −2) em relação à base:
i. β
ii. β1
iii. β2
iv. β3
(c) As cooredenadas de um vetor v em relação à base β1 são dadas por
" #
4
[v]β1 =
0

Quais são as coordenadas de v em relação à base:

i. β
ii. β2
iii. β3

17. Qual seria uma base "natural"para Pn ? Dê a dimensão deste espaço.

6 MUDANÇA DE BASE 22

18. Seja P o conjunto de todos os polinômios (de qualquer grau) com coecientes reais. Existe
uma base nita para este espaço? Encontre uma "base"para P e justique então por que P é
conhecido como um espaço de dimensão innita.

19. Mostre que, se V = W1 ⊕ W2 , α = {v1 , ..., vk } é base de W1 e β = {w1 , ..., wr } é a base de W2 ,

então γ = {v1 , ..., vk , w1 , ..., wr } é base de V .

20. Sejam
W1 = {(x, y, z) ∈ R4 ; x + y = 0 e z − t = 0}

e
W2 = {(x, y, z) ∈ R4 ; x − y − z + t = 0}

subespaços de R4 .

(a) Determine W1 ∩ W2 .
(b) Exiba uma base para W1 ∩ W2 .
(c) Determine W1 + W2 .
(d) W1 + W2 é soma direta? Justique.
(e) W1 + W2 = R4 ?

21. (a) Dado o subespaço V1 = {(x, y, z) ∈ R3 ; x + 2y + z = 0}, ache um subespaço V2 tal que
R3 = V1 ⊕ V2 .
(b) Dê exemplos de dois subespaços de dimensão dois de R3 tais que V1 + V2 = R3 . A soma é
direta?
7 TRANSFORMAÇÕES LINEARES 23

7 Transformações Lineares

Através da matriz de mudança de base, vimos que uma matriz pode ser usada para transformar um
vetor em outro. Por exemplo, se
 
1 0 " #
1
A =  2 −1  e v = ,
 
−1
3 4

então  
1
Av =  3 
 

−1
" #
x
De forma mais geral, dado um vetor v = de R2 , temos
y
 
x
Av =  2x − y 
 

3x + 4y

Ou seja, podemos considerar A como sendo uma função entre os espaços vetoriais R2 e R3 .
Denição 7.1. Sejam V e W dois espaços vetoriais. Uma transformação linear (aplicação
linear) é uma função de V em W , T : V → W , que satisfaz as seguintes condiçãoes:
1. Quaisquer que sejam u e v em V ,

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

2. Quaisquer que sejam k ∈ R e v ∈ V ,

T (kv) = kT (v)

Exemplo 7.2. Mostre que a transformação T : R2 → R3 , denida por

 
" # x
x
T =  2x − y 
 
y
3x + 4y

é uma transformação linear.

Exemplo 7.3. A tranformação T : R → R denida por T (v) = v 2 , é uma tranformação linear?

Exemplo 7.4. A transformação T : R → R denida por T (v) = αv , é uma transformação linear?

Note que toda transformção linear de R em R deve ser da forma do exemplo 7.4. De fato, seja
T : R → R uma transformação linear. Então

T (x) = T (x.1)

Como x ∈ R, segue que

T (x) = xT (1)

Fazendo T (1) = α, temos

T (x) = αx
8 CONCEITOS E TEOREMAS 24

Teorema 7.5. Se T : V → W é uma transformação linear, então T (0) = 0.

O último teorema dá-nos uma forma de vericar se uma trnaformação é linear.

Exemplo 7.6. A transformação T : R2 → R3 denida por T (x, y) = (x + 2, 3x + y, x − y) é linear?

Exemplo 7.7. Seja A uma matriz m × n. Denimos TA : Rn → Rm por TA (v) = Av . Mostre que
TA é uma transformação linear.

Este último exemplo generaliza o exemplo com o qual iniciamos esta seção. A matriz A associada
a transformação T será muito importante no que trataremos na próxima seção.

Exemplo 7.8. Seja D o operador diferencial D : D → F denido por D(f ) = f 0 . Prove que D é
uma transformação linear.

8 Conceitos e Teoremas

Nesta seção mostraremos alguns resultados importantes ligados as trasformações lineares.

Teorema 8.1. Dados dois espaços vetoriais reais V e W e uma base de V , {v1 , v2 , ..., vn }, sejam
w1 , w2 , ..., wn elementos arbitrários de W . Então existe uma única aplicação linear T : V → W tal
que T (v1 ) = w1 , ..., T (vn ) = wn . Esta aplicação é dada por: Se v = a1 v1 + · · · + an vn , então

T (v) = a1 T (v1 ) + · · · + an T (vn )

= a1 w1 + · · · + an wn

Exemplo 8.2. Qual é a transformação linear T : R2 → R3 tal que T (1, 0) = (2, −1, 0) e T (0, 1) =
(0, 0, 1)?

Exemplo 8.3. Qual é a transformação linear T : R2 → R3 tal que T (1, 1) = (3, 2, 1) e T (0, −2) =
(0, 1, 0)?

Denição 8.4. Seja T : V → W uma aplicação linear. A imagem de T é o conjunto dos vetores
w ∈ W tais que existe um vetor v ∈ V , que satisfaz T (v) = W . Ou seja,

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

Teorema 8.5. A imagem de T é um subespaço de W .

Podemos denotar Im(T ), ainda, por T (V ).

Denição 8.6. Seja T : V → W uma transformação linear. O conjunto de todos o vetores v ∈ V

tais que T (v) = 0 é chamado núcleo de T , e denotamos ker(T ). Ou seja,

ker(T ) = {v ∈ V ; T (v) = 0}

Teorema 8.7. O núcleo de T é um subespaço vetorial de V .

Exemplo 8.8. Dada a transformação linear T : R2 → R denida por T (x, y) = x + y , encontre
Im(T ) e ker(T ).

Exemplo 8.9. Seja a transformação linear T : R3 → R3 dada por T (x, y, z) = (x, 2y, 0). Encontre
Im(T ) e ker(T ).
8 CONCEITOS E TEOREMAS 25

No último exemplo, temos que

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

Este fato pode ser generalizado, e faremos isto mais adiante.

Exemplo 8.10. Encontre o núcleo e a imagem do operador diferencial D : P3 → P2 denido por

D[p(x)] = p (x).
0

Denição 8.11. Dada uma aplicação T : V → W , diremos que T é injetora se dados u, v ∈ V com
T (u) = T (v), tivermos u = v . Ou equivalentemente, T é injetora se dados u, v ∈ V com u 6= v , então
T (u) 6= T (v).

Denição 8.12. A aplicação T : V → W será sobrejetora se a imagem de T coincidir com W , ou

seja, T (v) = W . Ou ainda, T é sobrejetora se dado w ∈ W , existir v ∈ V tal que T (v) = W .
Exemplo 8.13. Mostre que a transformação T : R → R2 , denida por T (x) = (x, 0), é injetora, mas
não é sobrejetora.
Notamos nos exemplos anteriores que, quando a transformação era injetora, ker(T ) = {0}. Isto
é garantido pelo seguinte teorema.

Teorema 8.14. Seja T : V → W uma aplicação linear. Então ker(T ) = {0} se, e somente se, T é
injetora.
Corolário 8.15. Uma aplicação linear injetora leva vetores LI em vetores LI.
Exemplo 8.16. Verique se a transformação linear T : R3 → R2 tal que T (e1 ) = (1, 2), T (e2 ) = (1, 0)
e T (e3 ) = (−1, 3), é injetora.
Teorema 8.17. Seja T : v → W uma aplicação linear. Então

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

Corolário 8.18. Se dim V = dim W = n, então T é injetora se, e somente se, T é sobrejetora.

Corolário 8.19. Seja T : V → W uma aplicação linear injetora. Se dim V = dim W , então T leva
base em base.
Denição 8.20. Dizemos que uma transformação linear T : V → W é um isomorsmo se T for
injetora e sobrejetora. Quando o isomorsmo existe, dizemos que V e W são isomorfos.
Espaços vetoriais isomorfos são, sob o ponto de vista da álgebra linear, idênticos. Isto pode
car mais claro através dos seguintes exemplo.

Exemplo 8.21. Mostre que dois espaços isomorfos têm a mesma dimensão.
Exemplo 8.22. Seja T : V → W um isomorsmo. Como dim V = dim W (exemplo 8.21), pelo
corolário 8.19, T leva base de V em base de W .
Finalmente, um isomorsmo T : V → W possui uma aplicação inversa T −1 : W → V que
também é um isomorsmo.

Exemplo 8.23. Seja T : R3 → R3 dada por T (x, y, z) = (x − 2y, z, x + y). Mostre que T é um
isomorsmo e encontre T −1 .
Exemplo 8.24. Prove que Pn−1 e Rn são isomorfos.
8 CONCEITOS E TEOREMAS 26

Exercícios:

1. Dentre as transformações T : R2 → R2 denidas pelas seguintes leis, verique quais são lineares:

(a) T (x, y) = (x − 3y, 2x + 5y)

(b) T (y, x)
(c) T (x, y) = (x2 , y 2 )
(d) T (x, y) = (x + 1, y)
(e) T (x, y) = (y − x, 0)
(f) T (x, y) = (xy, x − y)
(g) T (x, y) = (3y, −2x)

2. Seja a aplicação
T : R2 → R3
(x, y) 7→ (x + ky, x + k, y)
Verique para quais valores de k T é linear.

3. (a) Determine a transformação linear T : R2 → R3 tal que T (−1, 1) = (3, 2, 1) e T (0, 1) =

(1, 1, 0).
(b) Encontre v ∈ R2 tal que T (v) = (−2, 1, −3).

4. (a) Determine a transformação linear T : R3 → R2 tal que T (1, −1, 0) = (1, 1), T (0, 1, 1) =
(2, 2) e T (0, 0, 1) = (3, 3).
(b) Ache T (1, 0, 0) e T (0, 1, 0).

5. Seja T : R3 → R2 uma transformação linear denida por T (1, 1, 1) = (1, 2), T (1, 1, 0) = (2, 3) e
T (1, 0, 0) = (3, 4).

(a) Determine T (x, y, z).

(b) Determine v ∈ R3 tal que T (v) = (−3, −2).
(c) Determine v ∈ R3 tal que T (v) = (0, 0).

6. Determine a transformação linear T : P2 → P2 tal que T (1) = x, T (x) = 1−x2 e T (x2 ) = x+2x2 .

7. Dado o operador T : R2 → R2 , denido por T (x, y) = (2x + y, 4x + 2y), determine ker(T ).

8. Seja T : R4 → R3 a transformação linear tal que T (e1 ) = (1, −2, 1), T (e2 ) = (−1, 0, −1),
T (e3 ) = (0, −1, 1).

(a) Determine o núcleo e a imagem de T .

(b) Determine bases para o núcleo e para a imagem.

9. Encontre uma transformação linear T : R3 → R2 tal que ker(T ) = [(1, 0, −1)].

10. Encontre um operador linear T : R3 → R3 cujo núcleo é gerado por (1, 2, −1) e (1, −1, 0).

11. Encontrar uma transformação linear T : R3 → R4 cuja imagem é gerada por (1, 3, −1, 2) e
(2, 0, 1, −1).

12. Sejam S e T aplicações lineares de V em W . Denimos S + T como (S + T )v = S(v) + T (v)

para todo v ∈ V e denimos αS como (αS)v = α · S(v) para todo α ∈ R e v ∈ V .
9 AUTOVETORES E AUTOVALORES 27

(a) Mostre que S + T é uma transformação linear de V em W .

(b) Mostre que αS é uma transformação linear de V em W .

13. Considere a transformação linear T : R3 → R3 dada por T (x, y, z) = (z, x − y, −z).

(a) Determine uma base do núcleo de T .

(b) Dê a dimensão da imagem de T .
(c) T é sobrejetora? Justique.

9 Autovetores e Autovalores

Nos seguintes exemplos procuraremos identicar quais os vetores que são associados, pela transfor-
mação linear dada, com eles mesmos.

Exemplo 9.1. Considere a seguinte traformação linear

rx : R2 → R2
.
(x, y) 7→ (x, −y)

Queremos encontrar v(x, y) tal que rx (v) = v.

Exemplo 9.2. Considere a transformação
N : R2 → R2
.
(x, y) 7 → (0, 0)

Note que o único vetor xo neste caso é o vetor nulo (0, 0).
Agora nos seguintes exemplos queremos encontrar os vetores que são levados, por uma transfor-
mação linear, em múltiplos de si mesmos, ou seja, dada a transformação linear T : V → V , queremos
v ∈ V tais que
T (v) = λv

Como v = 0 satisfaz sempre o exigido, para todo λ ∈ R, queremos apenas v 6= 0.

Exemplo 9.3. Dada a transformação linear T : R2 → R2 denida por T (x, y) = (4x + 5y, 2x + y),
temos que v = (5, 2) é um dos vetores procurados.
Denição 9.4. Chamaremos uma transformação linear T de operador linear se T é de um espaço
vetorial nele mesmo, ou seja, T : V → V .
Denição 9.5. Seja T : V → V um operador linear. Se existirem v ∈ V , v 6= 0 e λ ∈ R, tais que
T v = λv , λ é um autovalor de T e v um autovetor de T associado a λ.
Exemplo 9.6. Seja T : R2 → R2 dada por T v = 2v . Neste caso, temos que qualquer vetor v = (x, y)
é um autovetor de T .
De forma mais geral se
T : R2 → R2
v 7→ αv, α 6= 0,
é uma transformação linear, então T tem alpha como autovalor e qualquer (x, y) 6= (0, 0) como
autovetor. Finalmente, se:

1. α < 0, T inverte o sentido do vetor;

10 POLINÔMIO CARACTERÍSTICO 28

2. |α| > 1, T dilata o vetor;

3. |α| < 1, T contrai o vetor;

4. α = 1, T é a identidade.
" #" # " #
3 1 x 1
Exemplo 9.7. Seja TA (v) : R 2
→ R denida por TA (v) =
2
. Mostre que w =
1 3 y 1
é um autovetor de TA e encontre o autovalor correspondente.
Exemplo 9.8. Dada a matriz " #
2 2
A= ,
0 1
encontre TA (x, y), os autovetores e os autovalores de TA .
Teorema 9.9. Dada uma transformação linear T : V → V e um autovetor associado a um autovalor
λ, qualquer vetor w = αv (α 6= 0) também é autovetor de T associado a λ.

Teorema 9.10. O conjunto

Vλ = {v ∈ V ; T v = λv}

é um subespaço vetorial de V .
Exemplo 9.11. No exemplo 9.8 temos que V2 = [(1, 0)] e V1 = [(1, − 21 )].

10 Polinômio Característico

Seja T : R3 → R3 um operador linear cuja matriz associada é

 
a11 a12 a13
A =  a21 a22 a23 
 

a31 a32 a33

Se λ e v são, respectivamente, autovalor e autovetor do operador T , então

Av = λv

Av − λv = 0
Como v = Iv, temos
(A − λI)v = 0 (8)
Por denição v 6= 0, deste modo, A − λI não é inversível. Portanto,

det(A − λI) = 0

O que acabamos de fazer pode ser generalizado para um operador T : Rn → Rn , ou seja, uma
matriz de ordem n.
Denição 10.1. O determinante det(A − λ) é um polinômio em λ, P (λ), denominado polinômio
característico.
Exemplo 10.2. Encontre o polinômio característico, os autovalores e os autovetores associados a
matriz " #
−3 4
A=
−1 2
11 POLINÔMIO CARACTERÍSTICO DE UMA TRANSFORMAÇÃO LINEAR QUALQUER 29

Exemplo 10.3. Encontre o polinômio característico associado a matriz e, se possível, os autovalores

e autovetores.  
4 2 0
A =  −1 1 0 
 

0 1 2

Exemplo 10.4. Encontre o polinômio característico associado a matriz

" √ #
3 −1
A= √
1 3

e, se possível, encontre os autovalores e os autovetores associados a esta matriz.

Exemplo 10.5. Encontre o polinômio característico associado a matriz
 
3 0 −4
A= 0 3 5 
 

0 0 −1

e, se possível, encontre os autovalores e autovetores.

11 Polinômio Característico de uma Transformação Linear Qual-

quer

Nosso objetivo nesta seção é mostrar que a conceito de polinômio característico estabelecido para
transformações do tipo T : Rm → Rn pode ser estendido para uma transformação qualquer. Para
isto, faremos algumas consideraçãoes necessárias.
Sejam T : V → W linear, β = {v1 , .., vn } base de V e β 0 = {w1 , ..., wm } base de W . Como
T (v1 ), ..., T (vn ) são vetores de W , segue que

T (v1 ) = a11 w1 + a21 w2 + · · · + am1 wm

.. .
. = ..
T (vn ) = a1n w1 + a2n w2 + · · · + amn wm

A transposta da matriz dos coecientes deste sistema, que denotaremos por [T ]ββ 0 , é chamada matriz
de T em relação às bases β e β 0 .
 
a11 a12 ··· a1n
[T ]ββ 0 = 
 .. .. .. 
 . . ··· . 

am1 am2 ··· amn

Um resultado importante relacionado a esta matriz é o seguinte

Teorema 11.1. Sejam V e W espaços vetoriais, α base de V , β base de W e T : V → W uma

transformação linear. Então, para todo v ∈ V , temos

[T (v)]β = [T ]α
β [v]α

Fazendo A = [T ]ββ 0 , pelo último teorema concluimos que T = TA .

Exemplo 11.2. Dada a transformação T : R3 → R2 tal que T (x, y, z) = (2x + y − z, 3x − 2y + 4z),

encontre [T ]ββ 0 , onde β = {(1, 1, 1), (1, 1, 0), (1, 0, 0)} e β 0 = {(1, 3), (1, 4)}.
12 MULTIPLICIDADE GEOMÉTRICA E MULTIPLICIDADE ALGÉBRICA 30

Exemplo 11.3. Mostre que se T : V → V é a identidade, então [T ]ββ 0 = [I]ββ 0 .

Uma vez que a toda transformação está associada uma matriz [T ]ββ 0 , sejam β uma base de um
espaço V e T : V → V um operador linear. Então

T v = λv ⇔ [T ]ββ [v]β = λ[v]β

⇔ [[T ]ββ − λI][v]β = 0
⇔ det([T ]ββ − λI) = 0

Note que a última condição é dada por P (λ) = 0, onde P (λ) é o polinômio característico
da matriz [T ]ββ . Chamaremos P (λ) independe da base escolhida.
Exemplo 11.4. Encontre o polinômio característico da transformação T : R2 → R2 dada por
T (x, y) = (−3x + 4y, −x + 2y), autovalores e autovetores, se possível.

Exemplo 11.5. Seja T : P1 → P1 uma transformação linear tal que T (1 + x) = 5 + 2x e T (4 + x) =

−8 − 2x. Encontre o polinômio característico de T e, se possível, encontre os autovalores e autovetores
de T .

12 Multiplicidade Geométrica e Multiplicidade Algébrica

Iniciaremos esta seção considerando o seguinte exemplo.

Exemplo 12.1. Encontre os autovalores e autovetores associados a matriz

 
3 0 −4
 0 3 5 .
 

0 0 −1

Denição 12.2. Chamamos de multiplicidade algébrica de um autovalor a quantidade de vezes

que ele aparece como raiz do polinômio característico.
Denição 12.3. Chamamos de multiplicidade geométrica de um autovalor λ a dimensão do
subespaço Vλ .
Exemplo 12.4. Indique as multiplicidades algébrica e geométrica dos autovalores do exemplo 12.1.

Exercícios:

1. Utilizando a denição, verique se os vetores dados são autovetores das matrizes correspondentes.
" #
2 2
(a) v = (−2, 1) e A =
1 3
 
1 1 1
(b) v = (1, 1, 2) e A =  0 2 1
 

0 2 3
 
1 −1 0
(c) v = (−2, 1, 3) e A =  2 3

2 


1 2 1

2. Determine os autovalores e os autovetores das transformações lineares dadas.

(a) T : R2 → R2 , T (x, y) = (x + 2y, −x + 4y).

13 DIAGONALIZAÇÃO DE OPERADORES 31

(b) T : R2 → R2 , T (x, y) = (2x + 2y, x + 3y).

(c) T : R3 → R3 , T (x, y) = (x, −2x − y, 2x + y + 2z).
(d) T : R2 → R2 , T (x, y) = (x + y, y, z)
3. Seja o operador linear T : R2 → R2 denido por

T (x, y) = (7x − 4y, −4x + y)

(a) Determine uma base do R2 em realção à qual a matriz de T é diagonal;

(b) Calcule a matriz de T nesta base.
4. Encontre a transformação linear T : R2 → R2 talque T tenha autovalores −2 e 3 associados aos
autovetores (3y, y) e (−2y, y), respectivamente.
5. Se λ é autovalor da transformação linear T : V → V e v é um autovetor associado a ele, mostre
que kv é outro autovetor associado a λ se k 6= 0.
" #
0 2
6. Seja A = .
1 1

(a) Ache os autovalores de A e de A−1 .

(b) Quais são os autovetores correspondentes?
7. Seja T : V → V linear
(a) Se λ = 0 é autovalor de T , mostre que T não é injetora.
(b) A recíproca é verdadeira?

13 Diagonalização de Operadores

Dado um operador linear T : V → V , nosso objetivo nesta seção é encontrar uma base para V tal que
a matriz associada a V seja a mais simples possível. Para isto, iniciaremos com o seguinte teorema.
Teorema 13.1. Autovetores associados a autovalores distintos são linearmente independentes.
Corolário 13.2. Se V é um espaço vetorial de dimensão n e T : V → V é um operador linear que
possui n autovalores distintos, então V possui uma base cujos vetores são todos autovetores de T .
Exemplo 13.3. Dado o operador linear T : R2 → R2 denido por T (x, y) = (−3x − 5y, 2y), encontre
uma base de autovetores de T para R2 .
Exemplo 13.4. Seja T : R2 → R2 um operador linear dado por T (x, y) = (−3x + 4y, −x + 2y).
Encontre uma base β de autovetores de T para R2 e [T ]ββ .
Exemplo 13.5. Seja T : R3 → R3 um operador linear cuja matriz em relação a base canônica α é
 
3 0 −4
α
[T ]α =  0 3 5 .
 

0 0 −1

Encontre uma base β de autovetores e [T ]ββ .

No exemplo 13.5 T possuia apenas dois autovalores distintos, no entanto, foi possível encontrar
uma base de autovetores. Além disso, em todos os exemplos a matriz [T ]ββ , onde β é a base de
autovetores do espaço, é diagonal.
13 DIAGONALIZAÇÃO DE OPERADORES 32

Teorema 13.6. Um operador T : V → V admite uma base β tal que [T ]ββ é diagonal se, e somente
se, β for formada por autovetores de T .
Denição 13.7. Seja T : V → V um operador linear. Dizemos que T é um operador diagonal-
izável se existe uma base de V cujos elementos são autovetores de T .
Exemplo 13.8. Mostre que o operador T : R3 → R3 cuja matriz em relação a base canônica α é
 
3 −3 −4
[T ]α
α =  0 3 5 
 

0 0 −1

não é diagonalizável.

Exercícios:

1. Verique se a matriz A é diagonalizável.

" #
2 4
(a) A =
3 1
" #
9 1
(b) A =
4 6
" #
5 −1
(c) A =
1 3
 
1 2 1
(d) A =  −1 3 1 
 

0 2 2
 
1 0
(e) A = 
 −2 3 −1 


0 −4 3

2. Seja T : R2 → R2 o operador linear denido por

T (x, y) = (7x − 4y, −4x + y)

(a) Determine uma base do R2 em relação à qual T é diagonal

(b) Apresente a matriz de T nessa base.
3. Sejam T : R3 → R3 um operador linear, α = {(1, 0, 0), (0, 1, 0), (0, 0, 1)} a base canônica de R3 ,
β = {(0, 1, 1), (0, −1, 1), (1, 0, 1)} e
 
2 0 1
α
[T ]α =  0 −3 1 
 

0 0 −3

(a) Encontre o polinômio característico de T , os autovalores de T e os autovetores de T corre-

spondentes.
(b) Ache [T ]ββ e o polinômio característico.
(c) Encontre uma base γ de R3 , se for possível tal que [T ]γγ seja diagonal.
4. Consideremos a transformação linear T : R3 → R2 denida por T (x, y, z) = (2x + y − z, x + 2y)
e as bases A = {(1, 0, 0), (2, −1, 0), (0, 1, 1)} do R3 e B = {(−1, 1), (0, 1)} do R2 . Determinar a
matriz [T ]A
B.
13 DIAGONALIZAÇÃO DE OPERADORES 33

5. Seja a transformação T : R2 → R3 denida por T (x, y) = (2x − y, x + 3y, −2y) e as bases

A = {(−1, 1), (2, 1)} e B = {(0, 0, 1), (0, 1, −1), (1, 1, 0)}. Determine [T ]A
B . Qual a matriz [T ]C ,
A

onde C é a base canônica.