Álgebra Linear e Geometria Analítica

Sebenta de Álgebra Linear e
Geometria Analı́tica
Francisco Miranda Isabel Araújo
Joana Pires Sónia Dias
Sebenta de Álgebra Linear e

Apontamentos dirigidos aos cursos:

Engenharia Alimentar
Engenharia Civil e Ambiente
Engenharia Electrónica e Redes de Computadores
Engenharia Informática
Engenharia de Sistemas de Energias Renováveis
Tecnologias da Computação Gráfica e Multimédia
Gestão
Engenharia e Tecnologias dos Materiais
Escola Superior de Tecnologia e Gestão

Instituto Politécnico de Viana do Castelo
2010/2011
Conteúdo
1 Sistemas de equações lineares. Matrizes 7

1.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.1.1 Sistemas de equações lineares . . . . . . . . . . . . . . . . . . . 7
1.1.2 Método de Eliminação de Gauss . . . . . . . . . . . . . . . . . . 9
1.2 Matrizes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.2.1 Definição de matriz e submatriz . . . . . . . . . . . . . . . . . . 12
1.2.2 Alguns tipos particulares de matrizes . . . . . . . . . . . . . . . 14
1.2.3 Operações elementares com matrizes.
Resolução de sistemas - Método de eliminação de Gauss . . . . 15
1.2.4 Resolução de sistemas - Método de Eliminação de Gauss-Jordan 17
1.2.5 Discussão de sistemas . . . . . . . . . . . . . . . . . . . . . . . . 18
1.2.6 Sistemas Homogéneos . . . . . . . . . . . . . . . . . . . . . . . . 20
1.2.7 Operações com matrizes . . . . . . . . . . . . . . . . . . . . . . 21
1.2.8 Aplicação da inversa de matrizes na resolução de sistemas de
equações lineares . . . . . . . . . . . . . . . . . . . . . . . . . . 32
1.3 Exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
1.4 Soluções. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
1.5 Fichas Práticas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
1.5.1 Representação de Matrizes . . . . . . . . . . . . . . . . . . . . . 62
1.5.2 Operações elementares sobre linhas. Resolução de sistemas de
equações lineares . . . . . . . . . . . . . . . . . . . . . . . . . . 69
1.5.3 Operações com matrizes . . . . . . . . . . . . . . . . . . . . . . 72
1.5.4 Matrizes invertı́veis . . . . . . . . . . . . . . . . . . . . . . . . . 78
2 Determinantes e suas aplicações 81

2.1 Métodos de cálculo de determinantes . . . . . . . . . . . . . . . . . . . 81
2.2 Aplicações dos determinantes . . . . . . . . . . . . . . . . . . . . . . . 88
2.2.1 Cálculo da inversa de uma matriz . . . . . . . . . . . . . . . . 88
2.2.2 Resolução de Sistemas de equações lineares - Regra de Cramer . 90
3
2.3 Exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
2.4 Soluções . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
2.5 Fichas Práticas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109
2.5.1 Determinante de uma matriz . . . . . . . . . . . . . . . . . . . . 109
3 Espaços e Subespaços Vectoriais 115

3.1 Espaços Vectoriais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
3.1.1 Definição e Propriedades . . . . . . . . . . . . . . . . . . . . . . 115
3.1.2 Combinação Linear . . . . . . . . . . . . . . . . . . . . . . . . . 120
3.1.3 Dependência e independência linear . . . . . . . . . . . . . . . . 124
3.1.4 Conjunto de geradores . . . . . . . . . . . . . . . . . . . . . . . 128
3.1.5 Base e dimensão . . . . . . . . . . . . . . . . . . . . . . . . . . 132
3.2 Subespaços vectoriais . . . . . . . . . . . . . . . . . . . . . . . . . . . . 138
3.3 Exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147
3.4 Soluções . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 158
3.5 Fichas Práticas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 162
3.5.1 Combinações lineares . . . . . . . . . . . . . . . . . . . . . . . . 162
3.5.2 Independência/Dependência linear . . . . . . . . . . . . . . . . 166
3.5.3 Base e dimensão . . . . . . . . . . . . . . . . . . . . . . . . . . 169
3.5.4 Coordenadas de um vector em relação a uma base . . . . . . . . 170
3.5.5 Matrizes Mudança de Base . . . . . . . . . . . . . . . . . . . . . 172
4 Aplicações Lineares 175

4.1 Modos de definir uma aplicação linear . . . . . . . . . . . . . . . . . . . 175
4.2 Operações com aplicações lineares . . . . . . . . . . . . . . . . . . . . . 180
4.3 Classificação das aplicações lineares . . . . . . . . . . . . . . . . . . . . 181
4.3.1 Núcleo de uma aplicação linear . . . . . . . . . . . . . . . . . . 181
4.3.2 Espaço Imagem de uma aplicação linear . . . . . . . . . . . . . 184
4.3.3 Dimensão do núcleo e do espaço imagem . . . . . . . . . . . . . 186
4.4 Diagonalização de matrizes . . . . . . . . . . . . . . . . . . . . . . . . . 187
4.4.1 Vectores e valores próprios . . . . . . . . . . . . . . . . . . . . . 188
4.4.2 Matrizes diagonalizáveis . . . . . . . . . . . . . . . . . . . . . . 189
4.4.3 Processo de diagonalização de uma matriz . . . . . . . . . . . . 191
4.5 As aplicações lineares nas matrizes mudança de base . . . . . . . . . . 192
4.6 Exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 194
4.7 Soluções . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 203
4.8 Fichas Práticas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 207
4.8.1 Transformações lineares. Imagem e núcleo . . . . . . . . . . . . 207
4
4.8.2 Valores e vectores próprios . . . . . . . . . . . . . . . . . . . . . 211
5 Geometria Analı́tica 219

5.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 219
5.1.1 Espaço Afim . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 219
5.2 Problemas não métricos entre subespaços afins . . . . . . . . . . . . . . 226
5.3 Problemas métricos entre subespaços afins . . . . . . . . . . . . . . . . 229
5.3.1 Distância entre subespaços afins de R3 . . . . . . . . . . . . . . 229
5.3.2 Amplitude do ângulo formado por dois subespaços afins . . . . . 232
5.4 Exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 235
Bibliografia 269
5
6
Capı́tulo 1
Sistemas de equações lineares.

Matrizes
1.1 Introdução
1.1.1 Sistemas de equações lineares
Dada a importância e a aplicabilidade dos sistemas de equações lineares, recordemos
os conceitos de equação linear e sistema de equações lineares.
Definição 1.1.1 Uma equação linear nas variáveis x1 , . . . , xn é uma equação da for-
ma
a1 x 1 + . . . + an x n = b (1.1)
onde a1 , . . . , an , b são números reais ou complexos. Os ai , i = 1, . . . , n são os coefi-
cientes e b é o termo independente da equação.
Exemplo 1.1.1 As equações

√
2x − y + 3z = 5, (1.2)
x − 2y = 1 (1.3)
e
x=1 (1.4)
são equações lineares, enquanto que as equações
2xy − z = 1
e
x2 + y = 3
não são lineares devido aos termos 2xy e x2 , respectivamente.
7
8 CAPÍTULO 1. SISTEMAS DE EQUAÇÕES LINEARES. MATRIZES
Definição 1.1.2 O conjunto de soluções da equação a1 x1 + . . . + an xn = b é:

{(r1 , . . . , rn ) ∈ Cn : a1 r1 + . . . + an rn = b} .
No conjunto R os conjuntos solução das equações (1.2), (1.3) e (1.4) do Exemplo 1.1.1,
são respectivamente:
n √ o
(x, y, z) ∈ R3 : 2x − y + 3z = 5 ,
(x, y) ∈ R2 : x − 2y = 1} ,

{x ∈ R : x = 1} .
É de salientar que o conjunto solução de uma equação varia de acordo com o conjunto
definido. Consideremos a equação linear x − 2y = 1. Em R2 esta equação tem infinitas
soluções reais, como por exemplo (2, 1/2) , enquanto que em C2 tem essas mesmas
soluções, mais as infinitas soluções complexas, como por exemplo (2 + i, (1 + i) /2) ,
ou seja, o conjunto
(x, y) ∈ C2 : x − 2y = 1} ⊃ (x, y) ∈ R2 : x − 2y = 1 .

Definição 1.1.3 Um sistema de m equações lineares com n incógnitas é da forma



 a11 x1 + a12 x2 + . . . + a1n xn = b1
 a21 x1 + a22 x2 + . . . + a2n xn

= b2
.. .. .. .. . . . .. .. .. (1.5)

 . . . . . .. . . .

 a x + a x + ... + a x
m1 1 m2 2 mn n = bm
onde os aij , i = 1, . . . , m, j = 1, . . . , n e bi são escalares (reais ou complexos) e
designam-se, respectivamente, por coeficientes e termos independentes.
Caso nada se diga em contrário, consideramos que os escalares são reais e o conjunto
solução está contido em Rn .
Definição 1.1.4 O conjunto de soluções (ou apenas conjunto solução) do sistema
(1.5) é
{(r1 , . . . , rn ) ∈ Rn : (r1 , . . . , rn ) é solução de cada uma das m equações do sistema}
ou seja, o conjunto solução é a intersecção dos conjuntos solução de cada uma das m
equações do sistema.
Os sistemas de equações podem ser classificados tendo em conta o seu conjunto solução.
Um sistema diz-se possı́vel quando há uma ou mais soluções comuns às equações que
o constituem, sendo determinado se admite uma única solução e indeterminado
quando tem várias soluções. O sistema é impossı́vel se as equações não têm solução
comum.
Definição 1.1.5 Dois sistemas são equivalentes quando têm o mesmo conjunto solução.
Os problemas essenciais relativamente aos sistemas de equações lineares que vamos
abordar dizem respeito à sua resolução e classificação.
1.1. INTRODUÇÃO 9
1.1.2 Método de Eliminação de Gauss

A utilização do método de substituição para a resolução de sistemas de equações
lineares torna-se por vezes demasiado exaustiva. Esta exaustão é tanto maior quanto
maior for o número de equações e incógnitas do sistema.
A introdução de um método que permite a transformação de um dado sistema de
equações lineares noutro equivalente, mais simples de resolver, é então o objectivo desta
subsecção. O método que vamos estudar designa-se por Método de Eliminação de
Gauss, ou simplesmente Método de Gauss. A descrição deste método será feita
com base no exemplo que se segue.
Exemplo 1.1.2 Dado o sistema


 2x + y + 4z = 2
6x + y = −10 (1.6)
−x + 2y − 10z = −4

simplifiquemos este sistema, utilizando o Método da Eliminação de Gauss.
1o Passo:
Identificar o 1◦ elemento pivot, que é um escalar não nulo. Consideremos como pivot,
deste primeiro passo de eliminação, o coeficiente 2 da incógnita x na 1a equação.
Assim, vamos somar múltiplos da 1a equação às restantes, de forma a eliminar o
termo em x dessas equações. Assim, obtemos

 2x + y + 4z = 2
−2y − 12z = −16
5
y − 8z = −3

2
2o Passo:
No segundo passo de eliminação, identifica-se o 2◦ elemento pivot, coeficiente −2

da incógnita y na 2a equação e soma-se à 3a equação um múltiplo da 2a , de forma a
eliminar o termo em y da 3a equação, obtendo-se

 2x + y + 4z = 2
−2y − 12z = −16 . (1.7)
−23z = −23

Termina, assim, o método de eliminação de Gauss.
Nos vários passos utilizados, foram efectuadas as seguintes operações, designadas por
operações elementares (sobre equações):
i) Multiplicar uma equação por um escalar não nulo;

ii) Adicionar a uma equação um múltiplo de uma outra equação.
Nota: A multiplicação de equações de um sistema por zero pode alterar a solução do

sistema.
É conveniente salientar que nem sempre é directa a aplicação do método de elimi-
nação de Gauss. Surgem dificuldades quando um elemento que se pretende usar como
pivot é zero. Mas esta dificuldade de aplicação do método, pode ser ultrapassada,
trocando a equação em que o elemento é nulo por uma das equações seguintes, ou
seja, considerando uma outra operação elementar:
iii) Trocar a posição de duas quaisquer equações.
Pode acontecer que a troca de equações não resolva a dificuldade. Assim, temos que
identificar o pivot, ignorando a coluna em que todos os candidatos a pivot são nulos
e considerar a coluna relativa à incógnita seguinte. Nestes casos o sistema não tem
solução ou tem um conjunto infinito de soluções.
Exemplo 1.1.3 Suponhamos que temos o seguinte sistema



 x + 3y − 5z + w = 0
az + 6w = b

, a, b ∈ R.

 y + 7z + 8w = 1
y + (7 + a) z + 2w = 1

Como o coeficiente da 1a incógnita de todas as equações, excepto da 1a equação, é

zero, temos que identificar o 2◦ elemento pivot que é o coeficiente da incógnita y na 2a
equação. Surge-nos um problema: o elemento que queremos usar como pivot é zero,
logo a alternativa é trocar a 2a equação pela 3a equação, obtendo-se:


 x + 3y − 5z + w = 0
y + 7z + 8w = 1

.

 az + 6w = b
y + (7 + a) z + 2w = 1

Podemos, então, continuar com o processo, eliminando a incógnita y da última equação,

sendo o 2◦ elemento pivot igual a 1. Desta forma surge:


 x + 3y − 5z + w = 0
y + 7z + 8w = 1

.

 az + 6w = b
az − 6w = 0

Agora, identifiquemos o 3◦ elemento pivot. Se a = 0, temos,



 x + 3y − 5z + w = 0
y + 7z + 8w = 1

,

 6w = b
−6w = 0

e, neste caso, o 3◦ elemento pivot é zero e a troca de equações não resolve a dificuldade.
Portanto o sistema não tem solução ou tem um conjunto infinito de soluções, como
iremos concluir. Tomando, agora, 6 como 4◦ elemento pivot, elimina-se a última
incógnita da última equação. Tem-se, então:


 x + 3y − 5z + w = 0
y + 7z + 8w = 1

.

 6w = b
0 = b

Então:
• Se b = 0, z tem um valor arbitrário e o sistema tem infinitas soluções (sistema

possı́vel indeterminado);
• Se b 6= 0, então a última equação “ 0 = b” é uma condição falsa e o sistema não

tem solução (sistema impossı́vel).
Se a 6= 0 podemos considerar “ a” como 3o pivot e prosseguir com a resolução do

sistema.
É fácil generalizar e perceber como é possı́vel aplicar este método a outros sistemas
de m equações lineares a n incógnitas. Podemos esquematizar do seguinte modo:
• Ordena-se o sistema, colocando todos os termos com incógnita no 1◦ membro,

alinhando por colunas os termos referentes a cada incógnita;
• Considera-se o 1◦ pivot, o coeficiente da 1a incógnita da 1a equação, se este for

não nulo. Caso contrário, troca-se a 1a equação por outra em que o coeficiente
da 1a incógnita seja não nulo, passando esse elemento a ser o 1◦ pivot;
• Elimina-se a 1a incógnita de todas as equações, excepto da 1a equação (1◦ pivot);
• Identifica-se o 2◦ pivot, de modo análogo ao 1◦ pivot, considerando o subsistema

obtido a partir do anterior, retirando a equação que contêm o 1◦ pivot e as que
se encontrarem antes dessa, caso haja;
• Anulam-se os coeficientes por baixo do 2◦ pivot, de forma a eliminar a 2a

incógnita de todas as equações, excepto das anteriores;
• Procede-se analogamente nas equações seguintes, tomando-se para pivot da

equação r o coeficiente não nulo que multiplica a k-ésima incógnita, com k ≥ r,
até se chegar à última equação, altura em que o método de eliminação termina.
Uma sequência finita de operações elementares (método de eliminação de Gauss)

sobre as equações lineares de um sistema permite então transformar esse sistema
noutro equivalente e portanto com o mesmo conjunto solução.
Voltemos novamente ao sistema 1.7 obtido no inı́cio desta subsecção. Se observarmos

o sistema, verificamos que aplicando a este o método de substituição, da última para
a primeira equação, facilmente obtemos o seu conjunto solução,
C.S. = {(−2, 2, 1)} .
Uma vez que o sistema 1.7 é obtido a partir do sistema 1.6 por aplicação do método
de eliminação de Gauss, estes dois sistemas são equivalentes e portanto {(−2, 2, 1)} é
também o conjunto solução do sistema inicial 1.6.
1.2 Matrizes
1.2.1 Definição de matriz e submatriz
Apesar de num sistema estarem sempre presentes as incógnitas, os coeficientes
das incógnitas e os termos independentes, na simplificação de sistemas de equações
lineares pelo método de eliminação de Gauss só se trabalha efectivamente sobre os
coeficientes das incógnitas e os termos independentes. Ou seja, somente estes escalares,
nas respectivas posições, são importantes. Assim, mantendo as equações cuidadosa-
mente alinhadas, termo a termo, respeitando a parte literal, os coeficientes podem ser
eficientemente organizados numa disposição rectangular, designada por matriz. A
utilização de matrizes permite simplificar consideravelmente a notação dos sistemas.
No Exemplo 1.1.2 os coeficientes que afectam as incógnitas são 9 e distribuem-se por
3 linhas e 3 colunas, o que significa que formam uma matriz 3 × 3, designada por
matriz dos coeficientes,
 
2 1 4
A =  6 1 0 . (1.8)
−1 2 −10
Os 3 termos independentes que aparecem no lado direito das equações do sistema

podem ser indicados na forma de uma matriz 3 × 1, a qual se designa por matriz
coluna dos termos independentes,
 
2
B =  −10  . (1.9)
−4
Utilizando a notação matricial podemos representar o sistema na forma [A|B], i.e.,

 
2 1 4 2
 6 1 0 −10  , (1.10)

−1 2 −10 −4
a qual se designa por matriz ampliada ou matriz completa do sistema.

1.2. MATRIZES 13
Definição 1.2.1 Uma matriz A do tipo m×n sobre R (ou C) é um arranjo rectangular
com mn elementos reais (ou complexos) que estão organizados em m linhas e n
colunas. Podemos então representar:
 
a11 a12 . . . a1n
 a21 a22 . . . a2n 
A =  .. ..  .
 
.. . .
 . . . . 
am1 am2 . . . amn
Normalmente, utilizam-se letras maiúsculas para denotar matrizes e as respectivas
letras minúsculas indexadas com dois ı́ndices para designar os elementos ou entradas
dessas matrizes. Por exemplo, o elemento da linha i coluna j da matriz A denota-se
por aij . Portanto, podemos representar abreviadamente a matriz A por A = [aij ] , onde
i = 1, . . . , m, j = 1, . . . , n. Representa-se a linha i da matriz A e a coluna j da matriz
A, respectivamente, por ai· e a·j .
Exemplo 1.2.1 Na matriz (1.8), a21 = 6, porque o elemento 6 da matriz localiza-se

na 2a linha e 1a coluna.
Definição 1.2.2 Seja A uma matriz do tipo m × n. Caso se eliminem m − l linhas e

n − k colunas de A, obtém-se uma matriz A0 do tipo l × k, que é uma submatriz de A.
Exemplo 1.2.2 Consideremos a seguinte matriz do tipo 3 × 4 :

 
1 2 3 4
A =  −2 −4 3 2  (1.11)
9 0 0 2
Se eliminarmos a última linha e as duas primeiras colunas, obtemos

0 3 4
A =
3 2
que é uma submatriz de A do tipo 2 × 2.
Das matrizes referidas atrás, podemos concluir que quer a matriz (1.8), quer a matriz
(1.9), são submatrizes da matriz ampliada (1.10).
Definição 1.2.3 Uma matriz diz-se real se todos os seus elementos são números reais.
Exemplo 1.2.3 1. A matriz (1.11) é real.

ln 2 π 0,√53
2. A matriz B = 1 é real.
5
7 2
√
2i 3
3. A matriz C = não é real. C é uma matriz complexa.
4 + 5i 0
Caso não seja dito nada em contrário, as matrizes que vamos considerar serão matrizes
reais.
1.2.2 Alguns tipos particulares de matrizes

Definição 1.2.4 Uma matriz do tipo m × n diz-se rectangular se m 6= n.
Em particular, temos as seguintes definições:
Definição 1.2.5 Uma matriz do tipo 1 × n chama-se matriz linha:

a11 a12 . . . a1n .
Definição 1.2.6 Uma matriz do tipo m × 1 chama-se matriz coluna:

 
a11
 a21 
 ..  .
 
 . 
am1
Exemplo 1.2.4 1. A matriz (1.11) do tipo 3 × 4 e a matriz (1.9) do tipo 3 × 1 são

matrizes rectangulares. Em particular, a matriz (1.9) é uma matriz coluna.

2. A matriz 2 1 4 7 é uma matriz linha.
Nota: As matrizes linha e coluna também se designam por vectores linha e coluna,
respectivamente.
Definição 1.2.7 Uma matriz do tipo m × n diz-se quadrada se m = n :

 
a11 a12 . . . a1n
 a21 a22 . . . a2n 
.
 
 .. .. . . .
 . . . .. 
an1 an2 . . . ann
As matrizes quadradas do tipo n × n são, geralmente, designadas por matrizes de

ordem n. Por exemplo, a matriz (1.8) é uma matriz quadrada de ordem 3. Seja
A uma matriz quadrada de ordem n. A diagonal principal de A é formada pelos
elementos a11 , a22 , . . . , ann e a diagonal secundária de A é formada pelos elementos
a1n , a2 n−1 , . . . , an1 . Existem alguns casos particulares de matrizes quadradas:
• Matriz triangular: matriz quadrada, cujos elementos acima ou abaixo da

diagonal principal são todos nulos, designando-se por matriz triangular inferior,
se for da forma:  
a11 0 . . . 0
 a21 a22 . . . 0 
..  ,
 
 .. .. . .
 . . . . 
an1 an2 . . . ann
1.2. MATRIZES 15
e matriz triangular superior, se for da forma:

 
a11 a12 . . . a1n
 0 a22 . . . a2n 
.
 
 .. .. . . .
 . . . .. 
0 0 . . . ann
• Matriz diagonal: matriz quadrada, cujos elementos acima e abaixo da diagonal

principal são todos nulos,
 
a11 0 . . . 0
 0 a22 . . . 0 
..  .
 
 .. .. . .
 . . . . 
0 0 . . . ann
• Matriz escalar: matriz diagonal, cujos elementos da diagonal principal tomam

todos o mesmo valor,  
a 0 ... 0
 0 a ... 0 
 .. .. . . ..  .
 
 . . . . 
0 0 ... a
• Matriz identidade: matriz escalar, cujos elementos da diagonal principal têm
o valor 1,  
1 0 ... 0
 0 1 ... 0 
.
 
 .. .. . . ..
 . . . . 
0 0 ... 1
A matriz identidade de ordem n, representa-se por In .
1.2.3 Operações elementares com matrizes.

Resolução de sistemas - Método de eliminação de Gauss
Vamos então simplificar sistemas de equações lineares na forma matricial aplicando
o método de eliminação de Gauss. Vejamos a sucessão de matrizes que se obtêm
efectuando transformações sobre as linhas, equivalentes às que efectuamos sobre as
equações do Exemplo 1.1.2.
−−−−−−−−−−−−−−→ 2 1
   
2 1 4 2 4 2
−3L + L2 −→ L2 
[A|B] =  6 1 0 −10  1 1 0 −2 −12 −16 
L1 + L3 −→ L3
−1 2 −10 −4 2 0 52 −8 −3
 
−−−−−−−−−−−−→ 2 1 4 2
5
L2 + L3 −→ L3  0 −2 −12 −16 
4
0 0 −23 −23
Compare cada uma das matrizes com os sistemas de equações lineares do exemplo
1.1.2.
Facilmente verificamos que as matrizes ampliadas de qualquer sistema se obtêm umas
das outras aplicando operações elementares sobre linhas, equivalentes às operações
elementares já referidas para equações:
i) Multiplicar uma linha por um escalar não nulo;
ii) Adicionar a uma linha da matriz um múltiplo de outra linha;
iii) Trocar a posição de duas linhas da matriz.
Estas operações designam-se por operações elementares de matrizes sobre li-

nhas. O mesmo pode acontecer com as colunas.
Definição 1.2.8 Duas matrizes dizem-se equivalentes se uma delas pode ser obtida
da outra, realizando-se um número finito de operações elementares de matrizes.
Exemplo 1.2.5 Podemos dizer que a matriz (1.8) é equivalente à matriz:

 
2 1 4
 0 −2 −12 
0 0 −23
e a matriz ampliada (1.10) é equivalente à matriz

 
2 1 4 2

 0 −2 −12 16  .

0 0 −23 −23
Vimos, então, que a simplificação de um sistema de equações lineares, aplicando

o método de Gauss, se torna mais fácil se utilizarmos a notação matricial. No
entanto, se o nosso objectivo for determinar o conjunto solução do sistema, temos
que reescrever a última matriz na forma de sistema de equações e resolvê-lo pelo
método de substituição.
Contudo, o método de eliminação de Gauss não se aplica só para simplificar ma-
trizes que representam sistemas de equações lineares. Em geral, este método, quando
aplicado às matrizes, tem por objectivo a obtenção de uma matriz que se designa por
matriz escalonada.
Definição 1.2.9 Designa-se por matriz escalonada uma matriz onde o número de
zeros precedentes ao primeiro elemento não nulo da linha aumenta de linha para linha
até que, se possı́vel, só sobrem linhas nulas.
1.2. MATRIZES 17
Por exemplo, a matriz  

∗ × × × × ×

 0 ∗ × × × × 


 0 0 0 ∗ × × ,

 0 0 0 0 ∗ × 
0 0 0 0 0 0
é uma matriz escalonada, onde ∗ é elemento pivot (primeiro elemento não nulo em
cada linha) e × são elementos que podem, ou não, ser nulos.
Por vezes, as matrizes escalonadas são designadas por matrizes condensadas,
daı́ que alguns autores designem o processo de transformar uma matriz numa matriz
escalonada, através das operações elementares de matrizes (método de eliminação de
Gauss), por método da condensação de matrizes.
Definição 1.2.10 Designa-se por matriz escalonada reduzida uma matriz escalonada
em que os seus elementos pivot são iguais a 1 e os únicos não nulos das suas colunas.
Por exemplo, a matriz  

1 0 × 0 0 ×

 0 1 × 0 0 × 


 0 0 0 1 0 × ,

 0 0 0 0 1 × 
0 0 0 0 0 0
é uma matriz escalonada reduzida.
Podemos sempre através de operações elementares escalonar uma matriz, isto é,
identificar sucessivamente o elemento pivot e anular todos os elementos da mesma
coluna que se encontrem abaixo deste - Método de eliminação de Gauss. E
ainda reescrever esta matriz escalonada como uma matriz escalonada reduzida ou
seja, transformar os elementos pivot no número real 1 e anular todos os elementos da
mesma coluna que se encontrem acima deste - Método de Jordan.
1.2.4 Resolução de sistemas - Método de Eliminação de Gauss-

Jordan
Tal como já vimos, depois de aplicar o método de eliminação de Gauss na re-
solução de sistemas de equações lineares na forma matricial, transformamos a matriz
ampliada escalonada num sistema de equações lineares e, pelo método de substituição
determinamos o conjunto solução do sistema. Alternativamente à segunda fase deste
processo de resolução (método de substituição) podemos, mantendo o sistema na forma
matricial, determinar o seu conjunto solução. Para tal, basta transformar a matriz
ampliada escalonada numa matriz escalonada reduzida e retirar directamente, a partir
desta, a solução do sistema. Este processo de resolução designa-se por método de
Eliminação de Gauss-Jordan. Aplicando o método de eliminação de Gauss-Jordan

ao sistema do exemplo 1.1.2 temos
−−−−−−−−−−−−−−→ 2 1
   
2 1 4 2 4 2
−3L + L2 −→ L2 
[A|B] =  6 1 0 −10  1 1 0 −2 −12 −16 
L 1 + L 3 −→ L 3
−1 2 −10 −4 2 0 52 −8 −3
−−−1−−−−−−−−→ 2
   
−−−−−−−−−−−−→ 2 1 4 2 1 4 2
5 −16  − 23
L3 −→ L3 
L2 + L3 −→ L3  0 −2 −12 1 0 1 6 8 
4 − L
2 2
−→ L2
0 0 −23
−23 0 0 1 1
−−−−−−−−−−−−−−→ 2 1
   
−2
0 2 0 0 −4
−6L3 + L2 −→ L2  −−−−−−−−−−−−−→ 
0 1 0 2  −1L2 + L1 −→ L1 0 1 0 2 
−4L3 + L1 −→ L1
0 0 1 1 0 0 1 1
 
−−−−−−−−→ 1 0 0 −2
1
L1 −→ L1  0 1 0 2  .
2
0 0 1 1
Logo C.S. = {(−2, 2, 1)}
Estudamos então dois processos para a resolução de sistemas de equações lineares

ambos com um princı́pio de resolução comum, o método de eliminação de Gauss. Este
método consiste em transformar a matriz ampliada que define o sistema numa matriz
escalonada. Depois de obtida esta matriz, dois processos podem ser utilizados:
• Escrever a matriz escalonada na forma de um sistema de equações lineares e

terminar a resolução do sistema utilizando o método de substituição;
• Continuar a aplicar as operações elementares de matrizes, até obter uma matriz

escalonada reduzida (método de Jordan).
1.2.5 Discussão de sistemas

Dado um sistema de equações lineares podemos, sem conhecer o seu conjunto solução,
classificá-lo.
Quando o sistema é indeterminado, há um certo número de variáveis, chamadas
variáveis livres, que podem tomar valores arbitrários. O número de variáveis deste
tipo definem o seu grau de indeterminação. Estas variáveis são as correspondentes
a colunas que não contêm pivots. As incógnitas que se exprimem em função das
variáveis livres, chamadas incógnitas principais, são obviamente, as correspondentes
a colunas que contêm pivots. O número de pivots é igual ao número das incógnitas
principais e é igual ao número de linhas não nulas, no final do processo de eliminação.
A este número chama-se caracterı́stica da matriz do sistema. Formalmente,
podemos então definir:
1.2. MATRIZES 19
Definição 1.2.11 A caracterı́stica de uma matriz A é o número de linhas não nulas

da matriz na sua forma escalonada e representa-se por r(A) ou c(A).
Nota: Se todos os elementos de uma linha de uma matriz são nulos, diz-se que essa
linha é nula.
Exemplo 1.2.6 Consideremos os seguintes sistemas:


 2x + y + 4z = 2
1. 6x + y = −10 , cuja matriz ampliada escalonada pode ser,
−2x + 2y − 10z = −4


2 1 4 2
como já vimos, 0 −2
 −12 −16  e o conjunto solução é {(−2, 2, 1)} .
0 0 −23 −23

 x − 2y − 3z = 2
2. x − 4y − 13z = 14 , cuja matriz ampliada correspondente é
−3x + 5y + 4z = 0

 
1 −2 −3 2
 1 −4 −13 14  . Aplicando as operações elementares de matrizes sobre

−3 5 4 0  
1 −2 −3 2
linhas, podemos obter a matriz ampliada escalonada  0 1 5 −6  , a
0 0 0 0
partir da qual obtemos o conjunto solução:
{(−10 − 7z, −6 − 5z, z) : z ∈ R} .


 x − 2y − 3z = 2
3. x − 4y − 13z = 14 , cuja matriz ampliada correspondente é
−3x + 5y + 4z = 2

   
1 −2 −3 2 1 −2 −3 2
 1 −4 −13 14  e a matriz ampliada escalonada  0 1 5 −6  .

−3 5 4 2 0 0 0 2
Deduz-se, então, que o conjunto solução do sistema é o conjunto vazio, Ø, que

também se pode representar por {} .
Analisando as matrizes ampliadas escalonadas dos três sistemas acima descritos, os

respectivos conjuntos solução, e considerando que [A|B] representa a matriz ampliada,
A a matriz dos coeficientes, ambas escalonadas, e nincg o número de incógnitas do
sistema, temos:
Classificação
Sistema nincg r(A) r([A|B]) Conjunto solução
do sistema
Sistema possı́vel
1. 3 3 3 {(−2, 2, 1)}
determinado
Sistema possı́vel
2. 3 2 2 {(−10 − 7z, −6 − 5z, 7) : z ∈ R}
indeterminado
Sistema
3. 3 2 3 Ø
impossı́vel
Tabela 1.1: Classificações dos sistemas anteriores, através da caracterı́stica e do

número de incógnitas.
Analisando criteriosamente, podemos concluir que:
• r([A|B]) =r(A) = nincg : sistema possı́vel e determinado,
• r([A|B]) =r(A) < nincg : sistema possı́vel e indeterminado,
• r([A|B]) 6=r(A): sistema impossı́vel.
O grau de indeterminação, ou seja, o número de variáveis livres de um sistema de

equações linares é igual a nincg −r(A) .
1.2.6 Sistemas Homogéneos

Definição 1.2.12 Um sistema homogéneo é um sistema cujos termos independentes
de todas as equações são nulos, isto é,

 a11 x1 +
 a12 x2 + . . . + a1n xn = 0
 a21 x1 +

a22 x2 + . . . + a2n xn = 0
.. .. .. .. . . . .. .. .. .

 . . . . . .. . . .

 a x +
m1 1 am2 x2 + . . . + amn xn = 0
Os sistemas homogéneos são sempre possı́veis, pois admitem sempre a solução nula
(solução trivial), podendo ser determinados ou indeterminados.
Teorema 1.2.1 Um sistema homogéneo com mais incógnitas que equações é possı́vel
indeterminado.
Nota: Dado um sistema de equações lineares, designa-se por sistema homogéneo

associado a ele o sistema que resulta do anterior por substituição de todos os termos
independentes por zero.
1.2. MATRIZES 21
1.2.7 Operações com matrizes

É, de todo, importante não ficarmos com a noção de que as matrizes se utilizam
apenas para representar e resolver sistemas de equações lineares. Visto que o campo
de aplicação das matrizes é muito vasto, abrangendo não só as diversas áreas da
própria Matemática, desde a Análise até à Estatı́stica e à Investigação Operacional,
como as dos cursos de Fı́sica, Engenharia, Economia, Agronomia, etc. Então, torna-se
necessário fazer um estudo exaustivo sobre este novo conceito. No âmbito da disciplina,
vamos apenas considerar matrizes e escalares reais, embora todos os resultados que
vamos apresentar, no que diz respeito às matrizes, sejam também válidos no conjunto
dos números complexos.
Igualdade de matrizes
Definição 1.2.13 Sejam A = [aij ] e B = [bij ] matrizes do tipo m × n. Diz-se que A

e B são matrizes iguais se aij = bij , ∀i, j, 1 ≤ i ≤ m, 1 ≤ j ≤ n.

1 3 5 1 3 5
Exemplo 1.2.7 1. As matrizes A = eB= são ma-
0 1 −1 0 1 −1
trizes iguais do tipo 2 × 3.
√
(−1)2

1 2 4
2. As matrizes C = eD= 16 são matrizes quadradas iguais
3 4 3 4
de ordem 2.
Adição de matrizes
Definição 1.2.14 Sejam A = [aij ] e B = [bij ] matrizes do tipo m × n. A matriz soma

S = A + B, é uma matriz do tipo m × n, onde S = [sij ] e sij = aij + bij , 1 ≤ i ≤ m,
1 ≤ j ≤ n.
   
1 −1 3 2
Exemplo 1.2.8 Sejam A = 3 0
  eB= 0 0  matrizes do tipo 3×2. Então
   4
 1  1 0
1 −1 3 2 4 1
A+B = 3 0
  + 0 0 = 3 0  , em
   que A + B é uma matriz do tipo
4 1 1 0 5 1
3 × 2.
Propriedades da adição de matrizes:
Teorema 1.2.2 Seja Mm×n o conjunto de todas as matrizes reais do tipo m × n.

Então
(i) (A + B) + C = A + (B + C) , ∀A, B, C ∈ Mm×n
(ii) A + B = B + A, ∀A, B ∈ Mm×n
(iii) ∃O ∈ Mm×n : A + O = O + A = A, ∀A ∈ Mm×n
(iv) ∀A ∈ Mm×n , ∃A0 ∈ Mm×n : A + A0 = A0 + A = O
Nota: A matriz O é uma matriz do tipo m × n em que todos os seus elementos são
nulos e representa-se abreviadamente por O = [0]m×n .
Multiplicação de matrizes por um escalar
Definição 1.2.15 O produto de uma matriz A = [aij ] do tipo m × n por um escalar λ

é uma matriz C = [cij ] do mesmo tipo m × n, onde cij = λaij , 1 ≤ i ≤ m, 1 ≤ j ≤ n.
 
1 3 1
Exemplo 1.2.9 Seja A =  −1 2 0  do tipo 3 × 3.
3 4 5
   
1 3 1 2 6 2
1. Para λ = 2, temos λA = 2 −1 2 0 = −2 4
   0  , em que 2A é uma
3 4 5 6 8 10
matriz do tipo 3 × 3.
   
1 3 1 −1 −3 −1
2. Para λ = −1, temos λA = −1  −1 2 0  =  1 −2 0  = −A.
3 4 5 −3 −4 −5
Nota: Subtrair duas matrizes A = [aij ] e B = [bij ] do tipo m × n, não é mais do que
somar A = [aij ] com −B = [−bij ] , visto que A + (−B) = A − B.
Propriedades da multiplicação de matrizes por um escalar:
Teorema 1.2.3 Seja Mm×n o conjunto de todas as matrizes reais do tipo m × n.

Então
(i) λ (A + B) = λA + λB, ∀A, B ∈ Mm×n , ∀λ ∈ R
(ii) (λ + µ) A = λA + µA, ∀A ∈ Mm×n , ∀λ, µ ∈ R

1.2. MATRIZES 23
(iii) (λµ) A = λ (µA) , ∀A ∈ Mm×n , ∀λ, µ ∈ R

(iv) 1A = A, ∀A ∈ Mm×n
(v) 0A = O, ∀A ∈ Mm×n
Multiplicação de matrizes
A multiplicação da matriz A pela matriz B só é possı́vel se o número de colunas

da matriz A é igual ao número de linhas da matriz B, sendo a matriz produto uma
matriz, cujo número de linhas é igual ao número de linhas da matriz A e o número de
colunas é igual ao número de colunas da matriz B.
Definição 1.2.16 Sejam A e B duas matrizes do tipo m × n e n × q, respectivamente.

A matriz produto, P = AB, é uma matriz do tipo m × q onde,
n
X
P = [pij ] e pij = aik bkj , 1 ≤ i ≤ m, 1 ≤ j ≤ q.
k=1

3 1 2
Exemplo 1.2.10 1. Sejam as matrizes A = do tipo 2 × 3 e B=
  0 −1 4
−2 0
 1 7  do tipo 3 × 2. Como o número de colunas de A é 3 e o número de
1 −5
linhas de B é 3 o produto é possı́vel. Temos então

3 × (−2) + 1 × 1 + 2 × 1 3 × 0 + 1 × 7 + 2 × (−5)
AB =
0 × (−2) + (−1) × 1 + 4 × 1 0 × 0 + (−1) × 7 + 4 × (−5)

−3 −3
= ,
3 −27
onde AB é uma matriz do tipo 2 × 2.
2. É importante tomarmos consciência que se considerarmos a matriz coluna for-
mada por todas as incógnitas do exemplo 1.1.2 , matriz X, designada por matriz
das incógnitas, a matriz dos coeficientes A e a matriz dos termos independentes
B, de acordo com a definição de multiplicação de matrizes, temos
     
2 1 4 x 2
AX = B ⇔  6 1 0  .  y  =  −10  ⇔
−1 2 −10 z −4
    
2x + y + 4z 2  2x + y + 4z = 2
⇔ 6x + y  =  −10  ⇔ 6x + y = −10
−x + 2y − 10z −4 −x + 2y − 10z = −4

Podemos então generalizar dizendo que, sendo A e B matrizes, do tipo n × n e n × 1,

respectivamente e X uma matriz coluna n × 1, cujos elementos são as variáveis do
sistema, facilmente se verifica que a equação AX = B representa um sistema de n
equações com n incógnitas, em que A é a matriz dos coeficientes, B a coluna dos
termos independentes e X a matriz coluna das variáveis.
Analisemos algumas situações em que a multiplicação de matrizes se comporta de
modo diferente da multiplicação efectuada com números reais.
1. Dadas duas matrizes A e B, o facto de estar definido o produto AB não sig-

nifica que esteja definido
 o produto BA. Por exemplo, para as matrizes A =
0
3 2 1
e B = 1  , temos

0 −1 1
2  
0
3 2 1   4
AB = 1 = ,
0 −1 1 1
2
mas BA não está definido, porque a matriz B tem 1 coluna e A tem 2 linhas.
2. Dadas duas matrizes A e B, o facto dos produtos AB e BA estarem

definidos

1 0
não significa que AB = BA. Por exemplo, para as matrizes A = e
−1 0
0 1
B= , temos que
−1 0

1 0 0 1 0 1
AB = =
−1 0 −1 0 0 −1
e
0 1 1 0 −1 0
BA = = .
−1 0 −1 0 −1 0
Portanto AB 6= BA. Ou seja, o produto de matrizes não é comutativo.
3. Quando duas matrizes quadradas A e B são tais

que AB = BA,
dizem-se

1 1 2 1
permutáveis. Por exemplo, as matrizes A = e B = são
1 2 1 3
3 4
permutáveis, porque AB = = BA.
4 7
4. O produto de duas matrizes pode ser nulo sem que nenhuma das matrizes
intervenientes o seja, isto é, a lei do anulamento do produto não é válida
para

1 1
o produto de matrizes. Por exemplo, o produto das matrizes A = e
1 1
1 1 1 1 1 1 0 0
B= é AB = = = O, sem que A e
−1 −1 1 1 −1 −1 0 0
B sejam matrizes nulas.
1.2. MATRIZES 25
5. O produto das matrizes A por B pode ser igual ao produto das matrizes A por C,
com A 6= O, sem que as matrizes B e C sejam iguais, isto é, a lei do cancelamento

1 2
não é válida para o produto de matrizes. Por exemplo, sendo A = 6= O2 ,
2 4
2 1 −2 7 8 5
B= eC= temos que AB = AC = e B 6= C
3 2 5 −1 16 10
Propriedades da multiplicação de matrizes:
Teorema 1.2.4 Seja M o conjunto de todas as matrizes reais. Então, sempre que
façam sentido as operações indicadas, temos que
(i) (AB) C = A (BC) , ∀A, B, C ∈ M
(ii) A (B + C) = AB + AC, ∀A, B, C ∈ M
(iii) (B + C) A = BA + CA, ∀A, B, C ∈ M
(iv) λ (AB) = (λA) B = A (λB) , ∀A, B ∈ M, ∀λ ∈ R
(v) OA = O ∧ BO = O, ∀A, B ∈ M
(vi) IA = A ∧ BI = B, ∀A, B ∈ M
Definição 1.2.17 Seja A uma matriz quadrada, não nula, de ordem n e k ∈ N0 . As

potências de A definem-se do seguinte modo:
A0 = In ,
A1 = A,
A2 = AA,
...
Ak+1 = Ak A.

0 1
Exemplo 1.2.11 Consideremos a matriz 2 × 2, A = . Temos que:
−1 0

2 0 1 0 1 −1 0
A = AA = = ,
−1 0−1 0 0 −1

3 2 −1 0 0 1 0 −1
A =A A= = ,
0 −1 −1 0 1 0

0 −1 0 1 1 0
A4 = A3 A = = = I2 .
1 0 −1 0 0 1
Definição 1.2.18 Seja A uma matriz quadrada de ordem n. Se existir p ∈ N \ {1}

tal que Ap = A e para qualquer k ∈ N \ {1} , k < p, tem-se Ak 6= A, então A diz-
-se matriz periódica de perı́odo p. No caso particular de p = 2, a matriz A diz-se
idempotente.
Exemplo 1.2.12 No Exemplo 1.2.11, vimos que A2 6= A, A3 6= A e A4 6= A. Mas

5 4 1 0 0 1 0 1
A =A A= = = A.
0 1 −1 0 −1 0
Logo, A é periódica de perı́odo 5.
Exemplo 1.2.13 A matriz identidade é uma matriz idempotente, porque I 2 = I · I,

e pela propriedade (vi) do teorema 1.2.4, temos I · I = I. Portanto I 2 = I.
Definição 1.2.19 Se, para uma matriz quadrada A de ordem n, existe p ∈ N tal que
Ap = O e, para qualquer k ∈ N, k < p temos Ak 6= O, diz-se que A é nilpotente de
grau p.

0 1
Exemplo 1.2.14 Seja a matriz quadrada de ordem 2, A = . Temos que
0 0

2 0 1 0 1 0 0
A = AA = = = O.
0 0 0 0 0 0
Logo, A é uma matriz nilpotente de grau 2.
Transposta de uma matriz
Definição 1.2.20 Seja A = [aij ] uma matriz do tipo m × n. A transposta da ma-

triz designa-se por AT e é uma matriz do tipo n × m, que se obtém de A trocando
ordenadamente as linhas com as colunas, ou seja, AT = [aji ] .
 
2 2
 −3 1 
Exemplo 1.2.15 Seja A = 
 0
 . A matriz transposta de A é
0 
6 −7

T 2 −3 0 6
A = .
2 1 0 −7
1.2. MATRIZES 27
Propriedades da transposta de uma matriz:
Teorema 1.2.5 Seja M o conjunto de todas as matrizes reais. Então, sempre que as
operações estejam definidas, temos que:
(i) (A + B)T = AT + B T , ∀A, B ∈ M

T
(ii) AT = A, ∀A ∈ M
(iii) (λA)T = λAT , ∀A ∈ M, ∀λ ∈ R

(iv) (AB)T = B T AT , ∀A, B ∈ M
O conceito de transposta de uma matriz permite-nos definir mais dois tipos parti-
culares de matrizes:
Definição 1.2.21 Seja A uma matriz quadrada. A matriz A é simétrica se e só se

A = AT .
 
1 −2 5
Exemplo 1.2.16 1. Seja A =  −2 2 0  logo
5 0 3
 
1 −2 5
AT =  −2 2 0  = A.
5 0 3
2. Como I T = I, a matriz I é uma matriz simétrica.
Nota: Uma matriz quadrada é simétrica quando os elementos situados simetricamente

em relação à diagonal principal são iguais,
 
a11 a12 . . . a1n
 a12 a22 . . . a2n 
..  .
 
 .. .. . .
 . . . . 
a1n a2n . . . ann
Definição 1.2.22 Seja A uma matriz quadrada. A matriz A é anti-simétrica se e só

se A = −AT .
 
0 1 2
Exemplo 1.2.17 Consideremos a matriz A = −1 0
 6  logo
−2 −6 0
 
0 1 2
−AT =  −1 0 6  = A.
−2 −6 0
Nota: Uma matriz quadrada é anti-simétrica se os elementos da diagonal principal

são nulos e os elementos localizados simetricamente em relação a essa diagonal são
simétricos,  
0 a12 . . . a1n
 −a12 0 . . . a2n 
..  .
 
 .. .. . .
 . . . . 
−a1n −a2n . . . 0
Teorema 1.2.6 Para toda a matriz quadrada A, A + AT é uma matriz simétrica e

A − AT é uma matriz anti-simétrica.

Teorema 1.2.7 Seja A uma matriz do tipo m × n. Então r(A) =r AT .
Exemplo 1.2.18 Consideremos a matriz escalonada

 
2 1 4
A =  0 −2 −12  .
0 0 −23
A transposta de A é a matriz
 
2 0 0
AT =  1 −2 0 .
4 −12 −23
Escalonando a matriz AT ,
−−−−−−−−−−−−−−→ 2 0
     
2 0 0 2 0 2 0 0
− L + L2 −→ L2  −−−−−−−−−−−→
 1 −2 0  3 1 0 −2 0  6L2 + L3 −→ L3  0 −2 0 
−2L1 + L3 −→ L3
4 −12 −23 0 −12 −23 0 0 −23
Logo r(AT ) = r(A) = 3.
Traço de uma matriz
Definição 1.2.23 Seja A = [aij ] uma matriz quadrada de ordem n. O traço de uma
matriz A representa-se
Pn por tr(A) e é a soma dos elementos da sua diagonal principal
isto é, tr(A) = i=1 aii .
 
−1 0 0
Exemplo 1.2.19 Seja A =  5 −2 4  . O traço da matriz A é:
3 3 3
tr (A) = (−1) + (−2) + 3 = 0.
1.2. MATRIZES 29
Propriedades do traço de uma matriz:
Teorema 1.2.8 Seja Mn o conjunto de todas as matrizes reais de ordem n. Então
(i) tr(A + B) =tr(B + A) =tr(B) +tr(A) , ∀A, B ∈ Mn
(ii) tr(λA) = λtr(A) , ∀A, B ∈ Mn , ∀λ ∈ R
(iii) tr(AB) =tr(BA) , ∀A, B ∈ Mn
(iv) tr(ABC) =tr(BCA) =tr(CAB) , ∀A, B, C ∈ Mn

(v) tr AT =tr(A) , ∀A ∈ Mn
Matrizes invertı́veis
Definição 1.2.24 Seja A uma matriz quadrada. Chama-se inversa de A a uma

matriz que se representa por A−1 , tal que AA−1 = A−1 A = I. Uma matriz que admite
inversa é normalmente designada por matriz invertı́vel, mas também se pode designar
por matriz regular ou não singular.
Toda a matriz invertı́vel é quadrada, mas nem todas as matrizes quadradas são
invertı́veis. De facto, recordando a definição 1.2.16, é fácil ver que só podem ser
invertı́veis as matrizes quadradas.
Exemplo 1.2.20A inversa

de uma matriz podeser determinada
a partir da definição
1 2 a b
1.2.24. Seja A = . Procuremos A−1 = , tal que:
0 0 c d
AA−1 = I2 , A−1 A = I2 .

1 2 a b 1 0 a + 2c b + 2d 1 0
= ⇔ = .
0 0 c d 0 1 0 0 0 1
Como podemos observar, estas duas matrizes nunca serão iguais para quaisquer que
sejam a, b, c e d. Portanto a matriz A não tem inversa.

1 2
Exemplo 1.2.21 Para calcular a inversa de uma matriz A = , consideran-
−1 0
do a definição 1.2.24 temos que determinar B tal que AB = I e BA = I. Assim,

1 2 a b 1 0 a + 2c b + 2d 1 0
= ⇔ = .
−1 0 c d 0 1 −a −b 0 1
Pela igualdade de matrizes temos que:

1 1
a = 0, b = −1, c= , e d= .
2 2

0 −1
Logo a matriz 1 1 é a “candidata”a inversa de A. Verifiquemos se para esta
2 2
matriz se verifica

0 −1 0 −1 1 2 1 0
1 1 .A = I ⇔ 1 1 = .
2 2 2 2
−1 0 0 1

0 −1 −1 0 −1
Logo 1 1 é a inversa da matriz A, isto é A = 1 1 .
2 2 2 2
Imaginemos que se pretendia o cálculo da inversa de uma matriz de ordem 4. O

método descrito anteriormente levaria à resolução de um sistema de 16 equações a
16 incógnitas. Facilmente se depreende que este é um método muito trabalhoso para
matrizes de ordem superior a 3. O problema ultrapassa-se aplicando as operações
elementares de matrizes sobre linhas, de acordo com a seguinte regra prática:
1. Dispor lado a lado a matriz An e a matriz identidade In , isto é, considerar a

matriz ampliada [An |In ] .
2. Efectuar operações elementares de matrizes sobre linhas na matriz [An |In ] de

modo a transformá-la na matriz ampliada equivalente [Cn |Dn ], sendo C uma
matriz escalonada.
• Se Cn tem pelo menos uma linha nula, a matriz An não admite inversa.
• Se Cn é uma matriz triangular superior continuamos a aplicar operações
elementares sobre a matriz ampliada [Cn |Dn ] de modo a transformar Cn
numa matriz escalonada reduzida, isto é, na matriz In . As operações que
simultaneamente se efectuam na matriz Dn , transformam-na na matriz A−1 n .
−1
Ou seja, obtemos a matriz ampliada [In |An ] e portanto a matriz An
admite inversa.
Esquematizando, se A é uma matriz invertı́vel temos
[An |In ] −→ ... −→ [In |A−1
n ]
(operações elementares de matrizes sobre linhas)
Tabela 1.2: Aplicação das operações elementares de matrizes sobre linhas no cálculo
da inversa.

2 1 7
Exemplo 1.2.22 Consideremos a matriz A =  1 3 2  . Determinemos, se exis-
5 3 4
−1
tir, a matriz inversa A , aplicando operações elementares de matrizes sobre linhas.
   
2 1 7 1 0 0 1 3 2 0 1 0
−−−−−→
[A|I] =  1 3 2 0 1 0  L1 ↔ L2  2 1 7 1 0 0 
5 3 4 0 0 1 5 3 4 0 0 1
1.2. MATRIZES 31
−−−−−−−−−−−−−−→ 1 3
 
2 0 1 0
−2L1 + L2 −→ L2 
0 −5 3 1 −2 0 
−5L1 + L3 −→ L3
0 −12 −6 0 −5 1
 
−−−−−−−−−−−−−−→ 1 3 2 0 1 0
12
− L2 + L2 −→ L3  0 −5 3 1 −2 0 
5
0 0 − 66 5
− 12 − 1 1
5 5
 
−−−−−−−−−−→ 1 3 2 0 1 0
5
− L3 −→ L3  0 −5 3 1 −2 0 
66 2 1 5
0 0 1 11 66
− 66
−−−−−−−−−−−−−−→ 1 3 0 − 4
 32 5

−3L3 + L2 −→ L3  511 3345 33
0 −5 0 11 − 22 15 
−2L3 + L1 −→ L1 2 1
66
5
0 0 1
11 66
− 66
 4 32 5

−−−−−−−−−→ 1 3 0 − 11
1 1
33
9
33
1 
− L2 −→ L2  0 1 0 − 11 22
− 22
5 2 1 5
0 0 1 11 66 − 66
1
− 17 19
 
1 0 0 − 11
−−−−−−−−−−−−−→  1 9
66 66
1 
−3L2 + L1 −→ L1 0 1 0 − 11 22
− 22 .
2 1 5
0 0 1 11 66
− 66
Temos então que

1
− 17 19
 
− 11 66 66
A−1 =  − 111 9
22
1 
− 22 .
2 1 5
11 66
− 66
Propriedades da inversa de matrizes:
Teorema 1.2.9 Seja MIn o conjunto de todas as matrizes reais invertı́veis de ordem
n. Então
−1
(i) (A−1 ) = A, ∀A ∈ MIn
(ii) (AB)−1 = B −1 A−1 , ∀A, B ∈ MIn

−1 k
(iii) Ak = (A−1 ) , ∀A ∈ MIn , ∀k ∈ N
(iv) (λA)−1 = λ1 A−1 , ∀A ∈ MIn , ∀λ ∈ R\ {0}

−1 T
(v) AT = (A−1 ) , ∀A ∈ MIn
(vi) I −1 = I
No Teorema 1.2.9(ii) provamos que o produto de duas matrizes invertı́veis ainda é

uma matriz invertı́vel, mas o mesmo não se passa com a soma.

1 0 −1 0
Exemplo 1.2.23 Consideremos as matrizes I = eA= . Estas
0 1 0 −1
duas matrizes são invertı́veis. Mas

1 0 −1 0 0 0
I +A= + =
0 1 0 −1 0 0
não é uma matriz invertı́vel.
Aplicando o resultado que se segue, podemos saber à priori se uma dada matriz
admite ou não inversa.
Teorema 1.2.10 Uma matriz quadrada A de ordem n é invertı́vel se e só se r(A) = n.
Definição 1.2.25 Seja A uma matriz quadrada invertı́vel. A matriz A diz-se orto-
gonal se A−1 = AT .
" √ #
1 3
Exemplo 1.2.24 Consideremos a matriz A = √2 2 .
3
2
− 12
" √ #
1 3
Como A−1 = √2
3
2 = AT , a matriz A é uma matriz ortogonal.
2
− 12
1.2.8 Aplicação da inversa de matrizes na resolução de sis-

temas de equações lineares
Vimos na subsecção 1.2.7 que um sistema pode ser representado matricialmente
pela equação AX = B. Caso A tenha inversa, a determinação do conjunto solução
do sistema resume-se à resolução da referida equação matricial, ou seja, AX = B ⇔
A−1 AX = A−1 B ⇔ IX = A−1 B ⇔ X = A−1 B. Logo o conjunto solução é {A−1 B} .
Exemplo 1.2.25 Consideremos o seguinte sistema de equações lineares:


 2x + y + 7z = 1
x + 3y + 2z = 2 .
5x + 3y + 4z = 3

Na forma matricial este sistema toma a forma

    
2 1 7 x 1
AX = B ⇐⇒ 1 3 2
   y = 2 .
 
5 3 4 x 3
1.2. MATRIZES 33
1
− 17 19
 
− 11 66 66
1 9 1 
Do exemplo 1.2.22 sabemos que a matriz A é invertı́vel e A−1 =  − 11 22
− 22 .
2 1 5
11 66
− 66
Logo     
2 1 7 x 1
AX = B ⇐⇒ 1 3 2
   y = 2 
 
5 3 4 x 3
 1
− 11 − 17 19 1
− 17 19
       
66 66
2 1 7 x − 11 66 66
1
1 9 1  1 9 1 
⇐⇒ − 11 22 − 22
 1 3 2   y = − 11 22 − 22
  2 
2 1 5 2 1 5
11 66
− 66 5 3 4 x 11 66
− 66 3
     17     17 
1 0 0 x 66
x 66
⇐⇒  0 1 0   y  =  13  ⇐⇒  y  =  13  ⇐⇒ X = A−1 B.
22 22
1 1
0 0 1 x − 66 x − 66
Portanto
−1
17 13 1
C.S. = A B = , ,− .
66 22 66
Observe-se que este processo de resolução de sistemas exige que a matriz A, de ordem
n, admita inversa. De acordo com o teorema 1.2.10 isso só acontece se r(A) = n e
esta condição só se verifica nos sistemas possı́veis e determinados.
1.3 Exercı́cios
Matrizes. Resolução de Sistemas.
Exercı́cio 1.3.1 Dê exemplo de uma matriz real:
(a) Quadrada de ordem 3;
(b) Rectangular do tipo 4 × 2;
(c) Linha do tipo 1 × 6;
(d) Coluna do tipo 4 × 1;
(e) Triangular superior de ordem 5;
(f ) Diagonal de ordem 4;
(g) Escalar de ordem 3.
Exercı́cio 1.3.2
(a) Escreva por extenso a matriz de ordem m × n definida por:

i. A = [aij ] e aij = i + j (m = 5, n = 4);

 2 sei = j
ii. B = [bij ] e bij = −1 se |i − j| = 1 (m = 5, n = 4);
0 caso contrário

iii. D = [dij ] e dij = (−1)i+j (m = n = 3) .
(b) Para cada uma das matrizes quadradas determinadas na alı́nea anterior, indique
os elementos que constituem a diagonal principal.
Exercı́cio 1.3.3 * Seja o sistema de equações lineares


 2x + y = 5
3x + 6y + z = 1 .
5x + 7y + z = 8

(a) Verifique se x = 2, y = 1 e z = −11 é uma solução do sistema.
(b) Sem passar o sistema à forma matricial, resolva-o usando o método de eliminação
de Gauss.
(c) Escreva relativamente ao sistema apresentado, a matriz dos coeficientes, a matriz

dos termos independentes e a matriz ampliada.
(d) Resolva matricialmente o sistema, usando o método de eliminação de Gauss.

1.3. EXERCÍCIOS 35
Exercı́cio 1.3.4 * Sejam os seguintes sistemas de equações lineares:

 
 3x + 2y − 5z = 8  2x + 4y + 6z = −6
A: 2x − 4y − 2z = −4 , B : 3x − 2y − 4z = −38
x − 2y − 3z = −4 x + 2y + 3z = −3
 
e 
 x + 2y = 4
C: −3x + 4y = 3 .
2x − y = −6

(a) Resolva os sistemas através do método de eliminação de Gauss ou Gauss-Jordan.

Classifique os sistemas.
(b) Determine a caracterı́stica da matriz dos coeficientes e da matriz ampliada de

cada sistema.
(c) Compare os valores da caracterı́stica que obteve na alı́nea anterior, com a classi-
ficação dos respectivos sistemas. Que pode concluir?
Exercı́cio 1.3.5 Calcule a caracterı́stica de cada uma das matrizes:

 
1 0 −1 2
 2 3 1 −1 
(a) A =  0 2 2

1 
−3 1 4 1
 
1 0 −1 2
 1
 1 1 −1  
(b) B =  0 −1 −2 3 


 5 2 −1 4 
−1 2 5 −8
Exercı́cio 1.3.6 * Sejam as seguintes matrizes:

     
0 β 0 x α
A= 1 0 0 , X= y
    e H = 1 .

0 0 1 z γ
Discuta o sistema AX = H, em função de α, β e γ.
Exercı́cio 1.3.7 * (Exame escrito - 2o momento

 / 17-Fev-2000)

0 0 a 1
 2 2 0 a 
Discuta a caracterı́stica da matriz A = 
 0 0 a
, em função dos valores dos
b 
3 0 6 a
parâmetros a e b.
Exercı́cio 1.3.8 * Resolva e classifique os seguintes sistemas de equações lineares:


 x + z = 2
(a) y − z = 2 ;
3x + y + z = 4


x + 4y + 6z = 0
(b) 3 ;
− 2 x − 6y − 9z = 0

 x + 2y − z = 1
(c) 2x − 3y + 6z = 2 ;
3x − y + 5z = 3


 x + z + w = 2
(d) y − z − w = 2 ;
3x + y + z − 2w = 4



 x + y + 2z = 1
−x + 3y + 5z = 2

(e) ;

 2y + z = −1
6y + 8z = 2



 x + 2y + z = 1
 2x − 3y − z = 2


(f ) − y + 2z = −3 .
3x − 2y + 2z = 0




3x − 2z = 6

Exercı́cio 1.3.9 Suponhamos que A é uma matriz quadrada escalonada reduzida por
linhas. Mostre que se A 6= I, sendo I a matriz identidade, então A tem uma linha
nula.
Exercı́cio 1.3.10 Considere o sistema de equações lineares nas incógnitas x1 , x2 , x3

e x4 cuja matriz ampliada é
 
0 1 1 1 0
[A|b] =  −2 2 0 2 −1 
−2 3 1 3 −1
(a) Resolva o sistema homogéneo associado.

(b) Verifique que 23 , 0, −1, 1 é solução do sistema dado.

Exercı́cio 1.3.11 Considere o sistema cuja matriz ampliada tem a forma

 
1 2 1 0
[A|B] =  2 5 3 0 
−1 1 β 0
(a) Diga, justificando, se o sistema pode ser impossı́vel.
(b) Indique os valores de β para os quais o sistema tem uma infinidade de soluções.
Exercı́cio 1.3.12 * Seja o seguinte sistema de equações lineares:


 αx + βy = γ
βy − 1z = 1 .
x + γz = 2

Que relação devem verificar α, β e γ para o sistema só admitir uma variável livre?
Exercı́cio 1.3.13 * Seja o sistema de equações lineares representado pela matriz

ampliada que se segue:  
a 1 0 0

 0 −2 1 −1 
−7  .
 
 −4 0 b
0 −1 2 c
(a) Para que valores de a, b e c, o vector (1, 2, 3) é solução do sistema?
(b) Para que valores dos parâmetros a e b, o respectivo sistema homogéneo associado
é indeterminado?
(c) Qual é a solução do sistema homogéneo que à partida conhece, sem ter de resolver
o sistema? Este sistema homogéneo tem mais soluções?
Operações com Matrizes.
Exercı́cio 1.3.14 * Calcule os valores de m e n para que as matrizes A e B sejam

iguais.

8 15n 8 75
(a) A = eB= ;
12 + m 3 6 3
2
m − 40 n2 + 4 41 13
(b) A = eB= .
6 3 6 3
Exercı́cio 1.3.15 * Calcule, se possı́vel:

1 2 −3 4 3 −5 6 −1
(a) + ;
0 −5 1 −1 2 0 −2 −3

1 2 −3 3 5
(b) + ;
0 −4 1 1 −2

1 2 −3
(c) −3 .
4 −5 5
Exercı́cio 1.3.16 * Dadas as matrizes:

0 1 1 1
A= eB= .
2 3 0 0
(a) Calcule A + B e B + A.
(b) Olhando para os resultados que obteve, que pode concluir?

−1 2 3 2 3 −1 1 1 0
A= , B= eC= .
4 0 1 −2 0 −1 0 0 1
(a) Indique o tipo da matriz A e os elementos a11 e a23 .

(b) Determine A + B, A − B e λA + µ (B + C) .
(c) Verifique que (A + B) + C = A + (B + C) e (λ + µ) A = λA + µA.
Exercı́cio 1.3.18 Prove que:
(a) A + B = B + A; ∀A, B ∈ Mm×n

(b) A + O = O + A = A; ∀A ∈ Mm×n
(c) (λ + µ) A = λA + µA; ∀A ∈ Mm×n ∀λ, µ ∈ R
(d) (λµ) A = λ (µA) ; ∀A ∈ Mm×n ∀λ, µ ∈ R
(e) 0A = O; ∀A ∈ Mm×n
Exercı́cio 1.3.19 * Considerem-se as matrizes:

1 0 −1 0 −1 1
A= eB= .
1 2 1 1 2 1
Determine:
(a) A + 21 B − 2 (A + B) ;
(b) A + B − 12 (A − B) .
Exercı́cio 1.3.20 * (Exame escrito - 2o momento / 17-Fev-2000) Verifique se exis-

tem escalares α, β e θ tais que:

3 3 1 1 0 1 −1 0
=α +β +θ .
0 −2 0 −1 1 1 1 1
Exercı́cio 1.3.21 * Encontre x, y, z e w tais que:

x y x 6 4 x+y
3 = + .
z w −1 2w z+w 3
Exercı́cio 1.3.22 * Sejam as seguintes matrizes:

1 1 1 5 1 0 0 0 0
A= , B= eC= .
2 1 3 0 2 4 1 3 4
1
(a) Determine a matriz X tal que: 2
(X + A) = 3 [X + (A − X)] + C.
(b) Determine as matrizes X e Y tais que:

2X − Y = A − B
.
X + Y = B − A
Exercı́cio 1.3.23 * Sejam as matrizes:

   
1 2 −3 −2
A =  3 4  e B =  1 −5  .
5 6 4 3
Determine a matriz D de modo a que se verifique A + B − D = O.
Exercı́cio 1.3.24 Considere as matrizes A, B, C e D do tipo 4 × 3, 4 × 3, 3 × 4, e

4 × 2, respectivamente. Diga quais das seguintes expressões identificam matrizes, e
nesses casos indique o tipo da matriz resultado.
(a) AB;
(b) (A + B) C;
(c) ACD;
(d) 2ACA + B.
Exercı́cio 1.3.25 * Denote por (m × n) uma matriz com forma m × n. Encontre a

forma dos seguintes produtos, se o produto é definido:
(a) (4 × 1) (1 × 2) ;
(b) (1 × 2) (3 × 1) ;
(c) (3 × 4) (3 × 4) ;
(d) (2 × 2) (2 × 4) .
Exercı́cio 1.3.26 Considere a matriz

 
3 −1 −1
A =  1 1 −1 
1 −1 1
Verifique que:
(a) A2 − 3A + 2I3 = O3
(b) AI3 = A = I3 A
(c) AO3 = O3
(d) 2A − 3A = −A
 
1 −4 0 1
2 −1 0
Exercı́cio 1.3.27 * Sejam A = e B =  2 −1 3 −1  .
1 0 −3
4 0 −2 0
(a) Determine a forma de AB.
(b) Seja cij o elemento da i-ésima linha e j-ésima coluna do produto matricial AB,
isto é, AB = [cij ] . Determine c23 , c14 e c21 , sem calcular a matriz produto AB.

1 3 x
Exercı́cio 1.3.28 * Seja A = . Encontre U = , não nulo, tal que
4 −3 y
AU = 3U.

   
1 −2 2 1
 3 1  1 3 −5 −7 2 4  −3 4 
A=  7 −4  , B = 6 2 −8 3 , C = −3 5
 e D=
 1
.
2 
5 9 0 1
Determine:
(a) AB;
(b) (BA) C;
(c) (A + D) B;
(d) BA;
(e) (λA) B;
(f ) A (λB) ;
(g) AB + DB;
(h) B (AC) ;
(i) λ (AB) .
Exercı́cio 1.3.30 Demonstre, sempre que façam sentido as operações indicadas:
(a) A (B + C) = AB + AC; ∀A, B, C ∈ M
(b) (B + C) A = BA + CA; ∀A, B, C ∈ M
(c) k (AB) = (kA) B = A (kB) ; ∀A, B ∈ M, ∀k ∈ R
(d) OA = O ∧ BO = O; ∀A, B ∈ M
(e) IA = A = AI; ∀A ∈ M
Exercı́cio 1.3.31 Simplifique a expressão seguinte onde A, B e C representam ma-

trizes quadradas com a mesma ordem,
A (B + C) + B (C − A) − (A + B) C
Exercı́cio 1.3.32
*Diz-se que as matrizes
A e B comutam se AB = BA. Encontre
x y 1 1
as matrizes que comutam com .
z w 0 1
Exercı́cio 1.3.33 Considere um sistema AX = B, com duas soluções distintas, x1

e x2 . Prove que, sendo α1 e α2 dois números reais, tais que α1 + α2 = α, então
α1 x1 + α2 x2 é solução do sistema AX = αB.
Exercı́cio 1.3.34 Se o sistema de equações AX = B possui duas soluções distintas

x1 e x2 , prove que αx1 + (1 − α) x2 também é solução, qualquer que seja o número α.
Aproveite este resultado para mostrar que, se o sistema AX = B admite duas soluções
distintas, então existe uma infinidade de soluções.
Exercı́cio 1.3.35 Considere o sistema AX = B, onde A é uma matriz tal que

A2 = A. Sendo x1 e x2 duas soluções deste sistema, prove que x3 = Ax1 − x2 é
uma solução do sistema homogéneo associado.
Exercı́cio 1.3.36 * Em cada uma das alı́neas, dê exemplos de matrizes 2 × 2, com
componentes reais e com a propriedade indicada:
(a) A2 = −I;
(b) B 2 = O, com B 6= O;
(c) CD = −DC, com CD 6= O;

(d) EF = O, sendo as componentes de E e de F todas diferentes de zero.
Exercı́cio 1.3.37 Desenvolva a expressão (A + B)3 no caso de:
(a) A e B serem matrizes de ordem n quaisquer.
(b) A e B serem permutáveis.
Exercı́cio 1.3.38 *
(a) Verifique que as igualdades indicadas não são válidas para todas as matrizes 2×2 :
(A + B)2 = A2 + 2AB + B 2 e (A + B) (A − B) = A2 − B 2 .
(b) Corrija os lados direitos destas igualdades de forma a obter fórmulas correctas
para todas as matrizes.
(c) Para que matrizes A, B são válidas as formulas indicadas na alı́nea (a)?
Exercı́cio 1.3.39 Dada a matriz

2 −1
A=
2 −1
(a) Determine uma matriz B quadrada de ordem 2, não nula, tal que AB = O2 .
(b) Dê exemplo de matrizes não nulas X e Y tais que
AX = AY mas X 6= Y
Exercı́cio 1.3.40 Dadas as matrizes:

1 0 0 1
I= eY = ,
0 1 −1 0
mostre que:
(a) Y 2 = −I;
(b) Y 4 = I;
(c) (aI + bY ) (aI − bY ) = (a2 + b2 ) I, a, b ∈ R.
Exercı́cio 1.3.41 Determine a matriz X tal que
A + 3X = B
onde A = [2i − 3j] e B = [i + j] , com i = 1, 2, 3, 4 e j = 1, 2.

Exercı́cio 1.3.42 * Determine todas as matrizes A quadradas de ordem 2, tais que

A2 = O.
Exercı́cio 1.3.43 * Considere a matriz:

 
0 0 1
A =  2 1 0 .
1 0 0
(a) Calcule as matrizes A2 e A3 ;
(b) Determine a matriz A2 + A − I (sendo I a matriz identidade de ordem 3);
(c) Deduza A4 , A5 e A6 em função de A2 , A e I.
Exercı́cio 1.3.44 Mostre que a matriz

 
0 1 −1
B =  4 −3 4 
3 −3 4
é periódica de perı́odo 3.
Exercı́cio 1.3.45 Sendo A, B matrizes quaisquer, demonstre:
(a) Se A tem uma linha nula, então AB tem uma linha nula;
(b) Se B tem uma coluna nula, então AB tem uma coluna nula.
Exercı́cio 1.3.46 * Determine a matriz transposta, AT , da matriz

2 3 −5 8
A= .
3 −7 1 9
Exercı́cio 1.3.47 * Seja A uma matriz arbitrária. Sob que condições o produto AAT
é definido?
Exercı́cio 1.3.48 * Sejam

   
2 −3 0 1 2
1 −1 2 4 0 −3
A= , B= , C =  5 −1 −4 2  e D =  −1  .
0 3 4 −1 −2 3
−1 0 0 3 3
Determine, se possı́vel:
(a) (A + B)T ;
(b) (AC)T ;
(c) (λD)T ;
T
(d) B T ;
(e) AT C T ;
(f ) AT + B T ;
(g) λDT ;
(h) C T AT .
 
1 0 1 2
Exercı́cio 1.3.49 Considere a matriz A =  −1 2 −2 3 
2 −2 3 1
(a) Determine a caracterı́stica de A.
(b) Qual a caracterı́stica de AT ?
(c) Qual a caracterı́stica de P = 2A?
(a) (A + B)T = AT + B T ; ∀A, B ∈ Mm×n
(b) (kA)T = kAT ; ∀A ∈ Mm×n , ∀k ∈ R
Exercı́cio 1.3.51 * (1a frequência

 / 11-Dez-99)
2 1
1 −2 1
Dadas as matrizes reais A =  3 1  e B = , determine a matriz X
0 1 1
0 1
T 2 0
tal que AT B T X = .
−1 23
Exercı́cio 1.3.52 (Exame escrito - 2o momento / 17-Fev-2000) Considere a seguinte

matriz:
1
A = I − M T M, com M = 1 1 1 .

3
2
Mostre que A = A.
Exercı́cio 1.3.53 * Sejam as matrizes:

   
4 3 2 −7 1
0 −9 3
,  −1 2  e  3 4 2  .
4 8 1
8 1 5 −9 6
(a) Determine S = A + AT , tomando para matriz A uma das matrizes anteriores de

modo que S esteja definida;
(b) Determine S T . Compare o resultado obtido com o da alı́nea anterior. O que pode
concluir sobre a matriz S?
Exercı́cio 1.3.54 Sejam A e B duas matrizes quadradas, de ordem 3, simétricas.

Prove que AB é simétrica se e só se A e B são permutáveis. (Observação: O resultado
é válido para matrizes de ordem n).
Exercı́cio 1.3.55 * Sendo:

1 0 1 0 0 0
A= , B= eC=
1 1 0 −1 β −1
e supondo que X é uma matriz simétrica, estude em que condições a equação:

T
XAB + B T CX = I
tem apenas uma solução. Resolva a equação.
Exercı́cio 1.3.56 * Sejam as matrizes quadradas

   
2 1 1 1 1 1
A =  0 1 3  e B =  −1 0 −1  .
1 −1 4 5 4 −3
Determine:
(a) tr(A) ;
(b) tr(A + B) ;
(c) tr(AB) ;
(d) tr(A) + tr (B) ;

(e) tr AT ;
(f ) tr(BA) .
Exercı́cio 1.3.57 Sendo A e B matrizes tais que AB e BA existem, prove que

tr(AB) =tr(BA) .
Exercı́cio 1.3.58 Sendo

1 0 −1 1
A= e B=
0 0 0 −1
verifique que tr (A) tr (B) 6= tr (AB) .

Exercı́cio 1.3.59 * Determine, caso exista, a inversa das matrizes:

 
1 1 1
(a) A =  0 1 1  ;
0 1 1
 
1 2 2
(b) B =  2 −1 1  ;
1 3 2
 
1 0 2
(c) C =  1 2 3  ;
1 3 73

cos θ − sin θ
(d) D = .
sin θ cos θ
Exercı́cio 1.3.60 Determine a inversa da matriz simétrica

 
1 0 1 1
 0 0 1 0 
 
 1 1 1 0 
1 0 0 2
Exercı́cio 1.3.61 * Sejam

   
−2 3 −1 1 0 0
A =  1 −3 1  e B= 0 1 0 
−1 2 −1 0 0 1
Determine as seguintes matrizes:
−1
(a) (A−1 ) ;
(b) B −1 ;
−1
(c) AT ;
T
(d) (A−1 ) ;
(e) (AB)−1 ;
(f ) B −1 A−1 .
Exercı́cio 1.3.62 Considere a seguinte matriz:

" √ #
1 −2 6
H= 5
√ 5
2 6 1
5 5
Mostre que H é uma matriz ortogonal.

(a) O produto de duas matrizes ortogonais é ainda uma matriz ortogonal.
(b) A transposta de uma matriz ortogonal é ainda uma matriz ortogonal.
Exercı́cio 1.3.64 * Sendo A uma matriz quadrada invertı́vel que verifica a relação:
A2 + A + I = O,
determine a sua inversa, A−1 .

 
2 0 1 k
 0 k+2 0 k+1 
Exercı́cio 1.3.65 * Considere a matriz A = 
 1
.
0 2 k 
0 1 0 2
(a) Determine k de modo a que A seja invertı́vel.
(b) Para k = 0 resolva a equação matricial AXA − B = AX, sendo B a matriz tal
que bij = 1 se i + j é par e bij = 0 se i + j é ı́mpar.
Exercı́cio 1.3.66 Sendo A e B matrizes quadradas de ordem n, permutáveis, e C

uma matriz tal que C T = C −1 , prove que C T AC permuta com C T BC.
Exercı́cio 1.3.67 Mostre que se A é simétrica e invertı́vel, então A−1 é simétrica.
Exercı́cio 1.3.68 Sendo A e B duas matrizes invertı́veis e C = AB, prove que

A−1 CB −1 = I.
Exercı́cio 1.3.69 * Sejam A, B e C matrizes reais simétricas de ordem n. As ma-

trizes A e B são tais que:

1, i = j
aij − bij = .
0, i 6= j
Sabendo que a matriz A é invertı́vel, determine a matriz X que verifica a seguinte

equação matricial:
T
A C −1 X T C + B = A2 .
Aplicação da Inversa de uma Matriz na Resolução de Sistemas.
Exercı́cio 1.3.70 * Utilizando a inversa da matriz dos coeficientes, resolva o seguinte

sistema de equações lineares:

 x + 2y + z = 0
x + y + z = 0 .
3x − y + z = 6

Exercı́cio 1.3.71 * Considere o seguinte sistema de equações lineares:


 2x + y − z = 4
−x + y + z = 2 .
y + 2z = 3

Resolva-o, invertendo a matriz dos coeficientes.
Exercı́cios de Exame - 2003/2004.
Exercı́cio 1.3.72 * (Frequência - Gestão / 13-Jan-2004) Considere o seguinte sis-

tema:

 x + 2y = 1
S1 : −x + αy + z = 2
x + y + z = β

Classifique o sistema S1 em função dos parâmetros reais α e β.
Exercı́cio 1.3.73 * (Frequência - Gestão / 13-Jan-2004) Considere as matrizes:

 
1 −1
−1 1 1 −1
A= ,B= eC= 1 2 
−2 1 0 1
0 1
(a) Resolva a equação matricial XA + 2B = (DC)T , em ordem a X;
(b) Determine a matriz X, sendo

D a matriz tal que:
1 se i é par
di1 = 2, di3 = 0 e di2 = .
−1 se i é impar
Exercı́cio 1.3.74 * (Frequência - Gestão / 13-Jan-2004) Seja AX = B um sistema

de n equações em n incógnitas. Indique o valor lógico das seguintes afirmações:
(a) Se AX = B é um sistema possı́vel e determinado, então a única solução do

sistema homogéneo associado é a solução nula.
(b) Se A admite inversa, a solução do sistema AX = B é X = BA−1 .

 
−1 0 0
Exercı́cio 1.3.75 * (Frequência - Gestão / 13-Jan-2004) Sejam A =  1 2 0 
1 1 1
2a 2b
eH= . Indique o valor lógico das seguintes afirmações:
6a 6b
(a) A matriz AAT é simétrica e tr(AAT ) = 15.

(b) A matriz H é invertı́vel.
Exercı́cio 1.3.76 (Exame Normal / 03-Fev-2004) Sejam A = (aij ), B = (bij ) ma-

trizes regulares e C = (cij ) tal que:

cij = 1 − bij se i = j
cij = − bji se i 6= j
Supondo que X é uma matriz simétrica de ordem n e B = A−1 , resolva a equação
X(AB −1 )−1 + (B T CX)T = I, onde I é a matriz identidade de ordem n.
Exercı́cio 1.3.77 * (Exame Recurso - Gestão / 17-Fev-2004) Sejam A, B e C ma-

trizes quadradas invertı́veis, de ordem n tais que A2 = A, B é uma matriz simétrica
e C uma matriz ortogonal. Considere-se ainda que A + B = I. Resolva, em ordem a
X, a equação matricial A(C −1 X T C + B)T = A2 .
Exercı́cio 1.3.78 * (Exame Trabalhador-Estudante - Gestão / 06-Mar-2004) Con-

sidere o sistema em função dos parâmetros reais a e b:


 x + y + w = 0
x + 2y + z = 2


 az + w = b
4z + aw = 1

(a) Determine os valores dos parâmetros a e b para os quais o sistema é impossı́vel.

(b) Tomando a = 1, b = −1 e considerando A a matriz dos coeficientes do sistema
dado:
i. Determine a inversa da matriz A.
ii. Calcule a solução do sistema, usando a matriz calculada em i.
iii. Verifique se a matriz A é ortogonal.
Exercı́cio 1.3.79 * (Exame Especial - Gestão / 06-Set-2004) Considere o sistema

em função dos parâmetros reais a e b:

 x+y+z =1
x + ay + z = 2
3x − 3y + az = b

Discuta o sistema em função dos parâmetros reais a e b.

Exercı́cio 1.3.80 * (Exame Especial - Gestão / 06-Set-2004) Supondo que A e B

são matrizes invertı́veis, resolva em ordem a X a seguinte equação matricial.
[(AT )−1 X]T + 6(AB)−1 = A
Exercı́cios Aplicados
1. Um grande edifı́cio de apartamentos deverá ser construı́do usando técnicas

modulares de construção. A distribuição de apartamentos por andar deve ser
feita segundo três plantas básicos. A planta A tem dois apartamentos T3, dois
apartamentos T2 e um apartamento T1. A planta B tem dois apartamentos
T3, um apartamento T2 e nenhum apartamento T1. A planta C tem dois
apartamentos T3, três apartamentos T2 e quatro apartamentos T1.
a. É possı́vel planear um edifı́cio com exactamente 60 apartamentos T3, 44

apartamentos T2 e 22 apartamentos T1? Se for possı́vel, quantos andares
seguem cada uma das plantas?
Foram alteradas as dimensões dos apartamentos T1 no plano C, sendo

apenas viável construir dois apartamentos T1 no plano C.
b. É possı́vel planear um edifı́cio com o número de apartamentos T1, T2,

e T3, exigido na alı́nea a) ?
c. Se forem construı́dos apenas 14 apartamentos T1, é possı́vel planear um
edifı́cio nas condições exigidas? Se for possı́vel, existe mais do que uma
forma de o fazer?
2. Na caixa de um cereal para o pequeno almoço está indicado o número de

calorias e as quantidades de proteı́nas, carboidratos e gordura contidos numa
porção (100g) de cereal. As quantidades para dois cereais são dadas na tabela.
Suponha que queremos preparar uma mistura dos dois cereais que contenha
exactamente 295 calorias, 9g de proteı́nas, 48g de carboidratos e 8g de gordura.
a. Quantas variáveis tem o problema? Indique o que elas representam.

b. Determine se a mistura desejada dos dois cereais pode ser preparada.
3. Uma consideração importante no estudo da transferência de calor é a de

se determinar a distribuição de temperatura assimptótica de uma placa fina
quando a temperatura no seu bordo é conhecida. Suponha que a placa da
figura representa uma secção transversal de uma barra de metal, com fluxo de
calor despresı́vel na direcção perpendicular à placa. Sejam T1 , T2 , T3 , T4 , T5 , T6
as temperaturas em seis vértices interiores.
A temperatura num vértice é aproximadamente igual à média dos quatro vértices

vizinhos mais próximos (à esquerda, acima, à direita e abaixo). Por exemplo,
T1 = 41 (10 + 20 + T2 + T4 ) ou 4T1 − T2 − T4 = 30.
a. Escreva um sistema de seis equações cuja solução fornece a estimativa

para as temperaturas T1 , T2 , T3 , T4 , T5 , T6 .
b. Determine as temperaturas nos seis vértices interiores da placa.
4. No centro de uma cidade, dois conjuntos de ruas, com apenas um sentido

cruzam-se, como ilustra a figura:
A média do número de veı́culos que por hora entram e saem do centro da cidade,
em hora de ponta, é dada no diagrama. Determine, se possı́vel, a quantidade de
veı́culos entre cada um dos quatro cruzamentos.
5. Uma empresa fabrica três produtos. As suas despesas de produção são divi-
didas em três categorias. Em cada uma dessas categorias, faz-se uma estimativa
do custo de produção de um único exemplar de cada produto. Faz-se também
uma estimativa da quantidade de cada produto a ser fabricado por trimestre,
em cada ano. Essas estimativas são dadas nas tabelas seguintes.
Gastos A B C
Matéria-prima 0,10 0,30 0,15
Pessoal 0,30 0,40 0,25
Despesas gerais 0,10 0,20 0,15
Tabela 1.3: Custo de produção
Produto Verão Outono Inverno Primavera

A 4000 4500 4500 4000
B 2000 2600 2400 2200
C 5800 6200 6000 6000
Tabela 1.4: Quantidade produzida por trimestre em 2004
a. Represente em matrizes as quantidades produzidas trimestralmente pela

empresa, em cada ano.
Produto Verão Outono Inverno Primavera

A 3000 4000 3500 5000
B 2500 2400 2400 2000
C 6000 5000 5500 6800
Tabela 1.5: Quantidade produzida por trimestre em 2005
b. Escreva a matriz que nos indique as quantidades totais de cada produto

produzidas nos dois anos, em cada trimestre.
c. Escreva a matriz que nos permita analisar as variações (trimestrais) da

produção em 2005, relativamente a 2004.
d. Escreva a matriz que permita à empresa mostrar aos seus accionistas, o

custo total por trimestre de cada uma das três categorias: matéria-prima,
pessoal e despesas gerais, em 2004.
6. O João pesa 81 Kg. Ele quer perder peso através de um programa de dieta
e exercı́cios. Após consultar a tabela 4, ele cria o seu programa de exercı́cios na
tabela 5. Quantas calorias vai queimar por dia, se seguir esse programa?
Peso Andar (3 Km/h) Correr (9 Km/h) Andar bicicleta (9 Km/h) Jogar ténis
69 213 651 304 420
73 225 688 321 441
77 237 726 338 468
81 249 764 356 492
Tabela 1.6: Calorias queimadas por hora
Andar Correr Andar bicicleta Jogar ténis

Segunda-feira 1 0 1 0
Terça-feira 0 0 0 2
Quarta-feira 0,4 0,5 0 0
Quinta-feira 0 0 0,5 2
Sexta-feira 0,4 0,5 0 0
Tabela 1.7: Horas por dia para cada actividade
7. Numa determinada cidade, por ano, 30ℵ das mulheres casadas divorciam-
-se e 20ℵ das mulheres solteiras casam-se. Existem 8000 mulheres casadas e
2000 mulheres solteiras. Supondo que a população total de mulheres permanece
constante, quantas mulheres estarão casadas e e quantas estarão solteiras ao fim
de um ano? E de dois? E de três?
1.4 Soluções.
Só os exercı́cios com * têm solução.
Matrizes. Resolução de Sistemas.
1.3.3
(a) (x, y, z) = (2, 1, −11) não é solução do sistema de equações lineares.

     
2 1 0 5 2 1 0 5
(c) A =  3 6 1  ; b =  1  ; Matriz ampliada (completa):  3 6 1 1  .
5 7 1 8 5 7 1 8
1.3.4
(a) SA = {(3, 2, 1)} - sistema possı́vel e determinado;

SB = (x, y, z) : x = −41+z 29−13z

4
, y = 8
e z ∈ R - sistema possı́vel e indeter-
minado; (Nota: Este sistema de equações lineares tem uma variável livre: z)
SC = Ø - sistema impossı́vel.
(b) r(A) =r[A|B] = 3; r(A) =r[A|B] = 2; r(A) = 2 e r[A|B] = 3.
(c) Quando o sistema é possı́vel e determinado, r(A) =r[A|B] = n, sendo n o número

de incógnitas;
Quando o sistema é possı́vel e indeterminado, r(A) =r[A|B] < n;
Quando o sistema é possı́vel e indeterminado, r(A) <r[A|B] .
1.3.6 O sistema é:
• possı́vel e determinado se β 6= 0, ∀α, γ ∈ R;
• possı́vel e indeterminado com grau de indeterminação d = 1, para α = 0, β = 0,

∀γ ∈ R;
• impossı́vel se β = 0 e α 6= 0, ∀γ ∈ R.
1.3.7 r(A) = 4, se b 6= 1, a 6= 0; r(A) = 3, se b = 1, a ∈ R\ {0} ou se b ∈ R e a = 0.
1.3.8
(a) Sistema possı́vel e determinado,S = {(−2, 6, 4)} ;

1.4. SOLUÇÕES. 55
(b) Sistema possı́vel e indeterminado com grau de indeterminação 2,

S = {(x, y, z) ∈ R3 : x = −4y − 6z} ;
(c) Sistema possı́vel e indeterminado com grau de indeterminação 1;

S = 1 − 97 z, 87 z, z : z ∈ R ;

(d) Sistema possı́vel e indeterminado com grau de indeterminação 1,

S = {(−2 + 3w, 6 − 3w, 4 − 4w, w) : w ∈ R} ;
(e) Sistema possı́vel e determinado; S = {(0, −1, 1)} ;

20 9
, 17 , − 21

(f ) Sistema possı́vel e determinado, S = 17 17
.
1.3.12 A relação que α, β e γ devem verificar para o sistema só admitir uma variável
livre é: α = −1, γ = −1, ∀β ∈ R\ {0} ou α = 12 , γ = 2, ∀β ∈ R\ {0} ou β = 0,
γ
α = 2+γ , γ 6= −2.
1.3.13
(a) O vector é solução do sistema para: a = −2, b = −1 e c = 4.
(b) O respectivo sistema homogéneo associado não é indeterminado para nenhum

valor dos parâmetros a e b.
(c) A solução que à partida se conhece é a solução nula. Não há mais nenhuma
solução, uma vez que o sistema é possı́vel e determinado.
Operações com Matrizes.
1.3.14
(a) (m, n) = (−6, 5) ;
(b) (m, n) = (−9, −3) ∨ (m, n) = (−9, 3) ∨ (m, n) = (9, 3) ∨ (m, n) = (9, −3) .
1.3.15

4 −3 3 3
(a) ;
2 −5 −1 −4
(b) Não é possı́vel efectuar a adição entre as duas matrizes, porque elas têm tipos
diferentes. Os seus tipos são 2 × 3 e 2 × 2, respectivamente.

−3 −6 9
(c) .
−12 15 −15
1.3.16

1 2 1 2
(a) A + B = ; B+A= ;
2 3 2 3
(b) Estas matrizes verificam a propriedade comutativa da adição.(Obs: Caso geral -

A propriedade comutativa da adição verifica-se para quaisquer matrizes.)
1.3.17
(a) A matriz A é uma matriz rectangular do tipo 2 × 3, a11 = −1 e a23 = 1;

1 5 2 −3 −1 4
(b) A + B = , A−B =
2 0 0 6 0 2

−λ + 3µ 2λ + 4µ 3λ − µ
λA + µ (B + C) = .
4λ − 2µ 0 λ
1.3.19
−1 32 − 12

1
(a) A + − 2 (A + B) =
B ;
2 − 52 −5 − 52
1 3

1 − 1
(b) A + B − 2 (A − B) = 2 2 .
2 4 2
1.3.20 α = 2, β = 1 e θ = −1.
1.3.21 x = 2, y = 4 e w = 3.
1.3.22

5 5 5
(a) X = ;
12 11 23

0 0 0 4 0 −1
(b) X = ; e Y = .
0 0 0 −2 1 1
 
−2 0
1.3.23 D =  4 −1 .
9 9
1.3.25
(a) O produto é uma matriz do tipo 4 × 2;
(b) O produto não está definido, pois o número de colunas da primeira matriz não é
igual ao número de linhas da segunda;
(c) O produto não está definido, pelo mesmo motivo referido na alı́nea anterior;
(d) O produto é uma matriz do tipo 2 × 4.
1.3.27
(a) O produto AB é uma matriz do tipo 2 × 4;
(b) c23 = 6, c14 = 3 e c21 = −11.
1.3.28 Como existe uma infinidade de soluções, um exemplo para U, não nulo, é
3
U= .
2
1.3.29  
−11 −1 11 −13
 9 11 −23 −18  6 −450
(a) AB = 
 −17
; (b) (BA) C = ;
13 −3 −61  −205 129
59 33 −97 −8
 
−3 7 −7 −24
 30 10 −40 15  −60 −42
(c) (A + D) B = 
 −4 20 −24 −62  ;
 (d) BA = ;
−29 49
65 35 −105 −5
 
−11λ −λ 11λ −13λ
 9λ 11λ −23λ −18λ 
(e) (λA) B = 
 −17λ
;
13λ −3λ −61λ 
59λ 33λ −97λ −8λ
 
−11λ −λ 11λ −13λ
 9λ 11λ −23λ −18λ 
(f) A (λB) = 
 −17λ 13λ
;
−3λ −61λ 
59λ 33λ −97λ −8λ
 
−3 7 −7 −24
 30 10 −40 15  6 −450
(g) AB + DB =   −4 20
 (h) B (AC) = ;
−24 −62  −205 129
65 35 −105 −5
 
−11λ −λ 11λ −13λ
 9λ 11λ −23λ −18λ 
(i) λ (AB) = 
 −17λ
;
13λ −3λ −61λ 
59λ 33λ −97λ −8λ

x y 1 1
1.3.32 Somente matrizes da forma , ∀x, y ∈ R, comutam com .
0 x 0 1
1.3.36
0 1 0 1
(a) A = ; (b) B = ;
−1 0 0 0

0 1 −1 0 1 −1 1 1
(c) C = ,D= ; (d) E = ,F = .
0 0 0 1 −1 1 1 1
1.3.38
(a) Para verificar que as igualdades não são válidas, basta considerar:

0 1 0 0
A= eB= ;
0 0 1 0
(b) (A + B)2 = A2 + B 2 + AB + BA; e (A + B) (A − B) = A2 − B 2 − AB + BA;

(c) As formulas indicadas na alı́nea (a) são válidas para as matrizes A, B, tais que,
AB = BA, ou seja, A e B matrizes permutáveis.
2
0 b −d − dc
1.3.42 A= , ∀b ∈ R, e A = , ∀c 6= 0, ∀d ∈ R.
0 0 c d
1.3.43
   
1 0 0 0 0 1
(a) A2 =  2 1 2  , A3 =  4 1 2  ;
0 0 1 1 0 0
 
0 0 1
(b) A2 + A − I =  4 1 2  = A3 ;
1 0 0
(c) A4 = 2A2 − I, A5 = 2A2 + A − 2I, A6 = 3A2 − 2I.

2 3
 3 −7 
1.3.46 AT = 
 −5 1  .

8 9
1.3.47 O produto AAT é sempre definido, qualquer que seja a matriz A.
1.3.48  
  −5 11
5 −1  −2 −3 
T
(a) (A + B) = −1 1  ;
 (b) (AC)T =  4 −12  ;

−1 7
5 18
T T 4 0 −3
(c) (λD)T =

2λ −λ 3λ ; (d) B = ;
−1 −2 3
(e) O produto AT C T não está definido, porque o número de colunas de AT (2 colunas)
não é igual ao número
 de linhas
 de C T (4 linhas);
5 −1
T T
(f) A + B = −1 1  ;
 (g) λDT = 2λ −λ 3λ ;
−1 7
 
−5 11
 −2 −3 
(h) C T AT =   4 −12  .

5 18
− 12 1

1.3.51 X= 2 .
1
0 3
   
4 −4 6 4 −4 6
1.3.53 (a) S = A + AT =  −4 8 −7  ; (b) S T =  −4 8 −7  ;
6 −7 12 6 −7 12
Comparando o resultado com o da alı́nea anterior, conclui-se que S = S T , isto é, S
é uma matriz simétrica.

0 1
1.3.55 A equação só tem uma solução X = se β 6= 0. Para que X seja
− β1 β1
uma matriz simétrica, temos que fazer β = −1, obtendo desta forma como solução da

0 1
equação: X = .
1 −1
1.3.56
(a) tr(A) = 7; (b) tr(A + B) = 5; (c) tr(AB) = 8;
T
(d) tr(A) + tr (B) = 5; (e)tr A = 7; (f) tr(BA) = 8.
1.3.59  
−5 2 4
(a) A−1 não existe; (b) B −1 = 31  −3 0 3 ;
7 −1 −5
− 13
 
3
6 −4
2 1 cos θ sin θ
(c) C −1 = − 73  −1  ; −1
(d) D = .
3 3 − sin θ cos θ
1 −3 2
1.3.61    
−2 3 −1 1 0 0
−1
(a) (A−1 ) =  1 −3 1  ; (b) B −1 =  0 1 0 ;
−1 2 −1 0 0 1
   
−1 −1 0 1 −1 0 1
T
(c) AT =  −1 −1 −1  ; (d) (A−1 ) =  −1 −1 −1  ;
0 −1 −3 0 −1 −3
   
−1 −1 0 −1 −1 0
(e) (AB)−1 =  0 −1 −1  ; (f) B −1 A−1 =  0 −1 −1  .
1 −1 −3 1 −1 −3
1.3.64 A−1 = −A − I.
1.3.65
(a) Para que a matriz A seja invertı́vel, temos que ter k 6= −3, ou seja,k ∈ R\ {−3} ;
 1 
3
− a −b a b
 −c 1
3
−d c d 
 , a, b, c, d, e, f, g, h ∈ R.
(b) X =  1 − e −f e
3
f 
−g 31 − h g h
1.3.69 X = I, I matriz identidade.
Aplicação da Inversa de uma Matriz na Resolução de Sistemas.
1.3.70 S = {(3, 0, −3)} .

4 13 1

1.3.71 S= , ,
5 5 5
.
• possı́vel e determinado se α 6= −3 ∧ β ∈ R;
• possı́vel e indeterminado se α = −3 ∧ β = 4;
• impossı́vel se α = −3 ∧ β 6= 4.

9 −4
1.3.73 (a) X = (C T DT − 2B)A−1 . (b) X = .
−8 6
1.3.74 (a) Verdadeira; (b) Falsa.
1.3.75 (a) Falsa; (b) Falsa.
1.3.77 X = I.
1.3.78
(a) O sistema é impossı́vel para a = ±2 ∧ b ∈ R\{− 12 , 12 };

 
2 −1 −3 1
5
 −1 1 − 23 
(b) (i) A−1 =  3 ;
 0 0 − 3 13 
1
4
0 0 3
− 13
(ii) (2, − 13 , 23 , − 53 );
(iii) A matriz A não é ortogonal.
• possı́vel e determinado se a ∈ R\{1, 3};
• possı́vel e indeterminado se a = 3 ∧ b = 0;
• impossı́vel se a = 3 ∧ b ∈ R\{0} ou a = 1 ∧ b ∈ R.
1.3.80 (a) X = (A2 )T − (6B −1 )T .

1.5 Fichas Práticas

Estas fichas deverão ser resolvidas com o apoio do software OCTAVE.
O texto de cada sessão de trabalho pode ser guardado através do comando diary
nomedoficheiro. Todo o texto relativo à sessão que se inicia imediatamente a seguir
à instrução diary nomedoficheiro e termina com o comando diary off é guardado
num ficheiro de texto chamado nomedoficheiro. Este ficheiro fica guardado numa
das pastas do OCTAVE (normalmente a pasta bin). O conteúdo gravado não volta a
ser aberto no OCTAVE mas sim num programa como por exemplo o Notepad.
1.5.1 Representação de Matrizes

Para introduzir a matriz
 
5 −4 0
 −7 1 12 
3 2 6
no OCTAVE, digite o seguinte:
[5 − 4 0; −7 1 12; 3 2 6]
Nota:
• Os elementos estão separados por um espaço.
• As linhas estão separadas por um ponto-e-vı́rgula.
• A matriz está dentro de parêntesis rectos.
O écran exibirá
ans =
5 −4 0
−7 1 12
3 2 6
Repare não são mostrados os parêntesis, e que o OCTAVE atribui à matriz o nome ans.
Todas as matrizes em OCTAVE devem ter um nome. Se não lhe for atribuı́do
um nome, o OCTAVE atribuir-lhe-á ans, o qual denominamos nome padrão da
variável
1.5. FICHAS PRÁTICAS 63
Para atribuir um nome à matriz, usamos o operador de atribuição =. Por exemplo,
A = [1 2 3; 4 5 6]
será exibido como
A =
1 2 3
4 5 6
Atenção:
• Todas as linhas devem ter o mesmo número de entradas.
• O OCTAVE distingue entre minúsculas e maiúsculas. Logo, a matriz b não será

o mesmo que a matriz B.
• O nome de uma matriz pode ser repetido. Neste caso, o conteúdo da anterior
será perdido.
Para atribuir um nome a uma matriz sem exibir as suas entradas, coloque um ponto-
e vı́rgula a seguir ao parêntesis de fecho (da direita).
O comando OCTAVE
A = [1 2 3; 4 5 6] ;
atribui à mesma matriz o nome A, como anteriormente, mas neste caso nada é exibido.
É possı́vel introduzir este comando sem voltar a escrever, usando as opções de edição
do OCTAVE. Pressione a tecla seta-para-cima para mostrar o comando anterior e
digite apenas o ponto-e-vı́rgula.
Se quiser alterar o nome da matriz A, e não o seu conteúdo, basta fazer Z=A
e atribui o conteúdo da matriz A à matriz designada por Z. A matriz A continua
definida. Ou seja, as matrizes designadas por A e por Z são a mesma.
Para alterar uma entrada, digite o nome da matriz, a localização da entrada, = e o
novo valor. Por exemplo:
A (2, 1) = −12
altera a entrada (2,1) da matriz A para -12. Ou seja, na matriz A o elemento da
linha 2, coluna 1 passa a ser −12.
Para ver todo o conteúdo de uma matriz, digite o nome da matriz. Se matriz for
extensa, a exibição será dividida em subconjuntos de colunas, que serão mostradas
sucessivamente. Por exemplo, insira o comando,
hilb (20)
Como as colunas não cabem todas no espaço de trabalho do OCTAVE, elas são
divididas em diferentes linhas. (Para mais informação acerca do comando hilb, digite
help hilb.)
Existem as seguintes convenções para ver parte de uma matriz no OCTAVE - a tı́tulo
de exemplo, digite A = hilb (5) .
• Para ver a entrada (2,3) de A, digite A (2, 3) .

• Para ver a 4a linha de A, digite A (4, :) .
• Para ver a 1a coluna de A, digite A (:, 1) .
Nas situações acima descritas, assim como nas que se seguem, o operador : é
interpretado como ”tudo”, mas esta não é a sua única função.
Podemos utilizar o operador dois pontos para mostrar um subconjunto de linhas
ou colunas de uma matriz. A tı́tulo de exemplo, para mostrar as linhas de 3 a 5 da
matriz A, digite
A (3 : 5, :)
De igual modo, as colunas de 1 a 3 serão exibidas ao digitar
A (:, 1 : 3)
Os dois pontos, também podem ser usados para representar uma linha de valores.
Por exemplo digitar
2:8
exibe
ans =
2 3 4 5 6 7 8
Quando escrevemos apenas 2 : 8 o intervalo, ou incremento, entre os valores é apenas
de 1. Para escrever uma linha de valores de 3 em 3, usa-se 2:3:8. Experimente! Regra
geral, o incremento não tem de ser um número inteiro. Experimente também 1:.25:4
e 2:-.3:-2.4.
Para mais informações acerca da utilização do operador dois pontos, digite help
:. O operador dois pontos é muito versátil em OCTAVE, mas não será necessário
utilizar todas as suas funções.
Exercı́cios
Introduza as matrizes A, B e C no OCTAVE.

     
4 −3 1 2 4 5
A= 2 1  B= 2 4 1  C =  8 .
0 6 0 1 5 7
Os Exercı́cios 1.5.1 e 1.5.2 referem-se às matrizes A, B e C.
Exercı́cio 1.5.1 Na linha fornecida, escreva o comando que executa a acção indicada.
Execute-o no OCTAVE.
(a) Exibir tudo de A.
(b) Exibir apenas a 2a coluna de A.
(c) Exibir apenas a entrada (3, 2) de A.
(d) Exibir apenas a 3a linha de B.
(e) Exibir as duas primeiras colunas de B.
(f ) Exibir as duas últimas linhas de A.
Exercı́cio 1.5.2 Defina uma nova matriz D que tenha os mesmos elementos de A,
utilizando o comando OCTAVE D = A. Quando necessário, escreva, no espaço forneci-
do, o comando que executa a acção indicada.
(a) Fazer com que a entrada (1, 1) de D seja igual a 12.
(b) Fazer com que a entrada (3, 2) de D seja igual a −8.
(c) Digite o comando E = [D C] . Descreva os elementos de E em termos de D e C.
(d) Digite o comando F = [D B] . Descreva os elementos de F em termos de D e B.
(e) Digite o comando G = [E; B] . Descreva os elementos de G em termos de E e B.
Exercı́cio 1.5.3 Para introduzir uma matriz coluna no OCTAVE, digite as suas
entradas separadas por ponto-e-vı́rgula. Por exemplo, para escrever a matriz coluna
 
1
 2 
3
digite [1; 2; 3].

Execute e escreva os comandos do OCTAVE que lhe permitam obter o seguinte:
(a) A matriz coluna c1 com as entradas 0, −1, 3, 5.
(b) A matriz coluna c2 com as entradas 4, −2, 0, 7.

(c) A matriz H, cujas colunas são c1 e c2 sem voltar a escrever qualquer das entradas.
(d) A matriz K, cujas duas primeiras colunas são ambas c1 e a terceira coluna é c2
sem voltar a escrever qualquer uma das entradas.
Exercı́cio 1.5.4 Para introduzir uma matriz linha no OCTAVE, digite as entradas
separadas por espaços. Por exemplo, para escrever a matriz linha
[1 2 3]
digite [1 2 3]
Execute e escreva os comandos do OCTAVE que lhe permitam obter o seguinte:
(a) A matriz linha r1 com as entradas 2, −1, 5.
(b) A matriz linha r2 com as entradas 7, 9, −3.
(c) A matriz M, cujas linhas são r1 e r2, sem voltar a escrever qualquer das entradas.
(d) Descreva o resultado do comando 3∗ r1.
(e) Descreva o resultado do comando r1 + r2.
(f ) Descreva o resultado do comando [r1; r1 + r2; r2] .
Alguns comandos para gerar matrizes

A matriz identidade de ordem n denota-se, como sabemos, por In . O OCTAVE tem
um comando para gerar In quando necessário. O comando eye utiliza-se como se
segue:
eye(2) exibe uma matriz identidade de ordem 2

eye(5) exibe uma matriz identidade de ordem 5
t=10;eye(t) exibe uma matriz identidade de ordem 10
eye(size(A)) exibe uma matriz identidade com a mesma dimensão de A
Dois outros comandos do OCTAVE, zeros e ones, utilizam-se da mesma forma.

O comando zeros produz uma matriz só com zeros, por nós conhecida por matriz
nula, enquanto que o comando ones cria uma matriz só de 1’s. Se pretendemos gerar
matrizes quadradas de ordem n utilizamos os comandos
eye(n), zeros(n), ones(n)

Matrizes rectangulares do tipo m × n podem ser geradas utilizando os comandos
zeros(m,n), ones(m,n)
onde m e n são valores inteiros positivos. Por exemplo, para gerar uma matriz coluna
com quatro zeros, podemos utilizar o comando
zeros(4,1)
Os comandos do OCTAVE triu; tril e diag, permitem escrever matrizes quadradas

de ordem n triangulares superiores, triangulares inferiores e matrizes diagonais, res-
pectivamente, a partir de uma matriz já definida. Vejamos alguns exemplos.
triu(A) exibe uma matriz triangular superior construı́da a partir da matriz A;

tril(A) exibe uma matriz triangular inferior construı́da a partir da matriz A;
diag([2 3]) exibe uma matriz diagonal de ordem 2, cujos elementos da diagonal
principal são o 2 (na 1a linha 1a coluna) e o 3 (na 2a linha 2a coluna);
diag(A) exibe os elementos da diagonal principal de uma matriz A.
O OCTAVE pode gerar números aleatórios, utilizando o comando rand. Digite rand
e depois utilize a tecla seta-para-cima para repetir o comando várias vezes. Quando
o OCTAVE inicia o comando rand, produz valores no intervalo (0, 1) . O comando
randn altera o gerador de números aleatórios para produzir valores em ambos os lados
de zero, de um modo conhecido por distribuição normal de variância um. (Veja help
randn para mais detalhes.) Digite
randn
e repita-o até obter um valor maior que 2 ou menor que −2.
O comando rand sofre variações iguais às de eye, ones e zeros. Para experimentar,
digite os seguintes comandos e depois construa outros.
rand(5)
rand(4,1)
rand(3,6)
rand(size(eye(3)))
No nosso trabalho é muitas vezes conveniente sermos capazes de gerar matrizes para
utilizar em exercı́cios ou para verificar conjecturas acerca das matrizes. O comando
rand dá-nos matrizes reais cujas entradas não são, geralmente, números inteiros. O
comando
fix(rand(5))
gera uma matriz de ordem 5 com entradas inteiras que são obtidas através do trun-
camento das entradas da matriz produzida por rand(5) para o inteiro (em módulo)
mais pequeno (Para mais informação acerca do fix use help.) Muitas vezes, a matriz
produzida pelo comando fix(rand(n)), onde n é um inteiro que designa a dimensão
da matriz desejada, contém muitos zeros. Um modo de obter menos zeros é multiplicar
cada elemento por 10 antes de os ”fixar”. O comando
fix(10∗rand(5))
executa esta tarefa.
1.5.2 Operações elementares sobre linhas. Resolução de sis-

temas de equações lineares
Dado um sistema de equações lineares AX = B, introduzimos a matriz dos coefi-

cientes A e a matriz dos termos independentes B no OCTAVE. Construı́mos a matriz
ampliada C no OCTAVE, digitando
C = [A B]
Nota: A e B são separadas por um espaço.
A forma escalonada reduzida de uma matriz obtém-se a partir da aplicação su-

cessiva de operações elementares sobre linhas, para transformar a matriz numa matriz
semelhante, o mais possı́vel, à matriz identidade. Assim, aplicam-se as operações
elementares sobre linhas que permitem introduzir o maior número de zeros possı́vel.
À medida que se avança no processo de redução (ou eliminação), os zeros são obtidos
acima e abaixo de determinadas entradas da matriz. Estas entradas designam-se
pivots ou elementos pivot e a linha onde se encontram é chamada linha pivot.
O OCTAVE escolhe automaticamente as operações elementares sobre linhas para

eliminar entradas e obter uma matriz equivalente na forma escalonada reduzida. (A
expressão ”forma escalonada reduzida”será muitas vezes abreviada para rref.) Isto
é, aplicando o rref a uma dada matriz A, rref (A), obtemos a matriz escalonada
reduzida equivalente. Esta nova matriz satisfaz as seguintes propriedades:
• Todas as linhas nulas, se existirem, aparecem em último.
• A primeira entrada diferente de zero, de uma linha não nula, é 1.
• A entrada 1 de cada linha não nula, aparece à direita da entrada 1 da linha
anterior.
• Qualquer coluna que contenha essa entrada 1 tem zeros em todas as outras
entradas dessa coluna. (Isto é, estas colunas são colunas de uma matriz identi-
dade.)
Aplicando o comando rref à matriz A
 
3 0 2 1
A= 1 2 3 4 
1 2 −5 6
obtém-se a matriz escalonada reduzida

 
1 0 0 1/2
 0 1 0 17/8  .
0 0 1 −1/4
Existem diferentes maneiras de escolher operações elementares sobre linhas para

aplicar a uma matriz A de modo a obter a forma escalonada reduzida, mas o resultado
é o mesmo. A forma escalonada reduzida de uma matriz A é única.
A forma escalonada reduzida de uma matriz será necessária para vários tópicos
futuros. A matriz nesta forma será usada para obter informação acerca da própria
matriz, o que, por sua vez, implicará que a situação ou problema modelado pela matriz
tenha determinadas propriedades. Então, necessitamos de um modo rápido de obter
a forma escalonada reduzida de uma matriz A, sem fornecer os passos detalhados do
processo de redução. Para tal utilizamos então o comando rref.
Exercı́cios
Exercı́cio 1.5.5 Introduza a matriz A no OCTAVE e usando o comando rref(A)

escreva a sua forma escalonada reduzida. Registe o resultado ao lado da matriz A.
   
4 2 −1 0
 2 −1 3 4   
A=  2 3 −4 −4 
 rref (A) = 

.

5 −1 0 0
Exercı́cio 1.5.6 Utilize rref para encontrar o conjunto solução do seguinte sistema
homogéneo de equações lineares.

 x1 − x2 + 2x3 + x5 = 0
2x1 + x2 + x3 + x4 + x5 = 0
x1 + x2 + 2x4 + 2x5 = 0

Exercı́cio 1.5.7 Construa uma matriz 4 × 4 com duas linhas iguais, mas não nulas.
Calcule o rref. Explique porque é que existe uma linha nula no rref.
Exercı́cio 1.5.8 Considere os seguintes sistemas:


 3x + 2y − 5z = 8
A: 2x − 4y − 2z = −4
x − 2y − 3z = −4


 2x + 4y + 6z = −6
B: 3x − 2y − 4z = −38
x + 2y + 3z = −3


 x + 2y = 4
C: −3x + 4y = 3 .
2x − y = −6

(a) Aplicando o método de Gauss-Jordan indique o conjunto solução de cada um dos

sistemas.
(b) Utilizando o comando rank(A) calcule a característica de cada uma das matrizes
dos coeficientes e das matrizes ampliadas relativas a cada um dos sistemas. Por
fim classifique os sistemas.
Para cada um dos seguintes problemas, construa um sistema de equações lineares

que modele as relações descritas e resolva o sistema com o apoio do software OCTAVE.
Confirme a solução de modo a garantir que faz sentido no contexto do problema.
Exercı́cio 1.5.9 Dois montantes de dinheiro x1 e x2 , somam 600 euros. O montante

x1 é o dobro do montante x2 . Encontre os valores dos montantes x1 e x2 .
Exercı́cio 1.5.10 Sejam x1 o número de queques e x2 o número de bolachas que um

pasteleiro consegue fazer numa hora. Em média, um pasteleiro leva 4 segundos a
preparar um queque e 10 segundos para uma bolacha. O preço de venda de um queque
é 0, 35 euros e o da bolacha é 0, 25 euros. Se a receita total de um pasteleiro ao fim
de 1 hora tiver de ser de 127, 50 euros, quantos queques e bolachas devem ser feitos?
Exercı́cio 1.5.11 Numa fábrica produzem-se dois produtos: varinhas mágicas e bate-
deiras. Montar uma varinha mágica demora 2/3 de uma hora, e a montagem da
batedeira leva 4/5 de uma hora. As componentes para cada varinha mágica custam
4, 90 euros e os da batedeira custam 6, 50 euros. Quantos instrumentos podem ser
produzidos em 8 horas se a fábrica gastar 61, 90 euros nas componentes necessárias.
(Sugestão: Seja x o número de varinhas mágicas produzidas e y o número de bate-
deiras. Construa uma equação para o tempo e outra para o custo.)
Exercı́cio 1.5.12 Um pequeno clube de investimento tem 24000 euros para investir
em 3 planos de acções, designadas por A, B e C. O clube decide investir em B o dobro
do que em C. As taxas de juro de cada plano são, respectivamente, 10%, 8% e 6%,
e o total de juros obtidos no final do ano deve ser de 2000 euros. Quanto deve ser
investido em cada plano?
Exercı́cio 1.5.13 Uma parábola p (x) = ax2 + bx + c irá ser construı́da através dos
pontos (1, 2) , (2, 4) e (4, 14) . Calcule os coeficientes a, b e c, tais que p (1) = 2,
p (2) = 4 e p (4) = 14.
1.5.3 Operações com matrizes
No caso da adição e da subtracção de matrizes o formato da operação no OCTAVE

é igual ao formato que introduzimos em qualquer texto. Porém, existem diferenças
na multiplicação de matrizes, na multiplicação de uma matriz por um escalar, nas
potências e na transposta. A seguinte tabela mostra-nos os formatos utilizados em
texto e no OCTAVE.
Formato no texto Formato no OCTAVE

Soma de matrizes A+B A+B
Subtracção de matrizes A−B A−B
Multiplicação de matrizes AB A∗ B
Multiplicação por um escalar λA λ∗ A
Potências Ak A∧ k
T
Transposta A A’
Tabela 1.8: Formatos no texto e no OCTAVE para as operações com matrizes.
Exercı́cios
Exercı́cio 1.5.14 Calcule cada uma das seguintes operações. Caso alguma das operação
não esteja definida, explique porquê.
     
5 −2 1 2 2 3 1 −1 2
A= 1 0 4  B =  −1 4 1  C= 0 1 4 
−3 7 2 5 −3 0 −5 3 6
 
−2
−1 2 3
D= X= 3 
0 4 5
1
A+B = B−D =
A∗ B = B∗D =
D∗ C = C0 =
C ∗X = X ∗X =
0
X 0∗ X = ((A − B)∗ X) =
6∗ D = 5∗ A − 3∗ B =
Exercı́cio 1.5.15 Digite A = [1 2 3; 4 5 6] no OCTAVE. Que matriz é exibida,

quando digita o comando A0 ? Registe o resultado.
 
 
 
 
 
 
Exercı́cio 1.5.16 Seja A a matriz do Exercı́cio 1.5.15.
(a) Digite size(A) e size(A’). Como é a dimensão de A em relação a dimensão de

A’?
(b) Como são as linhas de A em relação às colunas de A’?
Exercı́cio 1.5.17 Como é a matriz (A’)’ em relação à matriz A?
Exercı́cio 1.5.18 Introduza cada uma das seguintes matrizes no OCTAVE.
     
1 3 −1 2 4 3 −2
1 5
A= 2 4  B =  4 −2  C= D= 1 0 5 
−5 3
3 1 7 −1 2 −1 6
Efectue cada uma das seguintes operações com matrizes no OCTAVE. Registe os
resultados.
(a) A + B
(b) B + C
(c) D∗ A
(d) 2∗ A − 3∗ B
(e) A0
(c) C ∧ 2
Exercı́cio 1.5.19 Sejam A e X as matrizes abaixo definidas.

   
6 −1 1 10.5
A =  0 13 −16  X =  21.0  .
0 8 −11 10.5
(a) Determine o escalar λ tal que AX = λX. λ=
(b) É verdade que A0 X = λX para o valor de λ determinado na alı́nea (a)?
Coloque um circulo: Sim Não
Exercı́cio 1.5.20 Introduza no OCTAVE cada uma das seguintes matrizes.

 
4 3 −2
1 5
C= D= 1 0 5 .
−5 3
2 −1 6
Introduza cada um dos seguintes comandos OCTAVE e analise cuidadosamente o

comportamento de cada um.Escreva uma breve descrição da acção dos comandos no
espaço fornecido.
(a) 5∗eye(2)
(b) eye(2)+ones(2)
(c) ones(size(C)), zeros(size(C)), C+ones(size(C))
(d) D, diag(diag(D))
(e) diag([−3 4]), diag([5 −7 1])
(f ) D, triu(D)
(g) D, tril(D)
(a)
(b)
(c)
(d)
(e)
(f )
(g)
Exercı́cio 1.5.21 Nas alı́neas que se seguem, construa um comando OCTAVE para
gerar a matriz descrita. Por exemplo, uma linha com cinco 10 s é gerada por ones(1,5).
Registe o seu comando no espaço fornecido. (Não escreva explicitamente as entradas
da matriz descrita.)
(a) Uma coluna com oito 10 s.
(b) Uma linha com dez 3’s.
(c) Uma matriz de ordem 5 com todos os elementos da diagonal iguais a 7.
 
2 1 1
(d) A matriz A =  1 2 1 .
1 1 2
 
5 −1 −1
(e) A matriz A =  −1 5 −1  .
−1 −1 5
Exercı́cio 1.5.22 Construa um comando em OCTAVE para gerar a matriz A de

ordem n que tenha aij = 1 para i 6= j e aii = 1 − n. Demonstre o seu comando para
os casos n = 3, 5, 8. Registe o seu comando abaixo.
Exercı́cio 1.5.23 Repita o Exercı́cio 1.5.22, mas para a matriz B onde bij = 1 para
i 6= j e bii = 1/n.
Exercı́cio 1.5.24 Crie uma matriz A a partir do comando A=ceil(10∗rand(5)).

Utilize o OCTAVE para verificar cada uma das seguintes afirmações.
(a) S = A + A0 é uma matriz simétrica.
(b) T = A − A0 é uma matriz anti-simétrica.
(c) A = (1/2) S + (1/2) T.
(d) Para L = tril (A, −1) , D = diag (diag (A)) , e U = triu (A, 1) , L + D + U = A.
Exercı́cio 1.5.25 Investigue a forma do produto de duas matrizes diagonais.
(a) No OCTAVE faça o seguinte:
A=diag([1 2 7]), B=diag([−3 4 2])
Calcule A ∗ B. Estude a ”forma”do resultado.

Completa a seguinte afirmação: A ∗ B é uma matriz .
(b) No OCTAVE faça o seguinte:
A=diag([4 3 2 −1]), B=diag([0 1 5 −3])

(c) Conjectura: O produto de duas matrizes diagonais é uma matriz .

(Tente provar a sua conjectura para matrizes diagonais de ordem n.)
Exercı́cio 1.5.26 Investigue a forma do produto de duas matrizes triangulares infe-

riores.
(a) No OCTAVE faça o seguinte:
A=tril(fix(10∗rand(3))), B=tril(fix(10 ∗rand(3)))

(b) No OCTAVE faça o seguinte:
A=tril(fix(10∗rand(5))), B=tril(fix(10∗rand(5)))

(c) Conjectura: O produto de duas matrizes triangulares inferiores é uma matriz

.
Tente provar esta conjectura para matrizes triangulares inferiores de ordem n.
Exercı́cio 1.5.27 No Exercı́cio 1.5.26, substitua tringular inferior por triangular su-
perior e tril por triu e repita os passos. Conjectura: O produto de duas matrizes
triangulares superiores é uma matriz .
Exercı́cio 1.5.28 Introduza cada uma das seguintes matrizes no OCTAVE.
     
1 3 −1 2 4 3 −2
1 5
A= 2 4  B =  4 −2  C= D= 1 0 5 
−5 3
3 1 7 −1 2 −1 6
Introduza cada uma das seguintes expressões algébricas de matrizes no OCTAVE.

Descreva, resumidamente, a acção tomada por cada expressão.
Atenção: estas não são as operações usuais de matrizes.
(a) A.∗ B
(b) A./B
(c) A.∧ 3
1.5.4 Matrizes invertı́veis

Para determinar se uma matriz quadrada A de ordem n tem inversa, aplicamos o
comando rref à matriz [A|In ] . Introduza a matriz A no OCTAVE e utilize o comando
rref ([A eye (size(A))])
Se A se transforma em In , então, In será transformada em A−1 ; caso contrário, A

não é invertı́vel.
Para além do rref, o OCTAVE tem um outro comando que permite calcular a
inversa de uma matriz, denominado por inv. Este utiliza uma estratégia diferente
para o cálculo das inversas que não estudaremos em promenor.
Tenha em atenção que o OCTAVE não usa uma aritmética exacta e, para algumas
matrizes, o comando inv pode exibir uma mensagem indicando que potenciais incoe-
rências podem ser apresentadas ou mesmo que a matriz é singular. Uma matriz
singular é uma matriz quadrada que não admite inversa. Por isso, antes de usar este
comando deve verificar se a matriz tem inversa. Esta verificação pode ser efectuada
facilmente usando o comando rank, uma vez que uma matriz só admite inversa se for
quadrada e a sua característica for igual à sua ordem.
Exercı́cios
Exercı́cio 1.5.29 Utilize o comando rref para determinar a inversa de cada uma das
seguintes matrizes. Escreva as matrizes obtidas.
   
1 1 0 1 1 0
A =  2 0 1 , B =  0 1 1 .
1 0 1 2 0 2
   
1 2 0 1 1 0
C =  0 1 −1  , D =  0 1 1 .
1 0 1 1 0 1
Exercı́cio 1.5.30 Utilize o comando inv para encontrar a inversa de cada uma da
seguintes matrizes, caso exista.
 
1 2 3
(a) A =  4 5 6 
7 8 9
 
1 2 3
(b) B =  4 5 6 
7 8 0
 
1 2 3 0
 4 5 0 6 
(c) C =  7 0 8 9 

0 10 11 12
 
1 2 3 0
 4 5 0 6 
(c) D =   7 0 8 9 

1 2 3 0
Exercı́cio 1.5.31 Se B é a inversa de uma matriz quadrada A de ordem n, então

AB=BA=In assumindo que a aritmética exacta é utilizada para os cálculos. Se
aritmética computacional é utilizada para calcular o produto AB, então o resultado
pode não ser igual a In e, de facto, AB pode não ser igual a BA. Porém, tanto AB
como BA devem estar próximos de In . Utilize o comando inv na forma B=inv(A),
e calcule os produtos AB e BA no OCTAVE, para as seguintes matrizes.
1 13

(a)
0 13
1 1
(b) 2 4
1 1
4 2
1 1
 
1 2 4
1 1 1
(c)  2 3 4

1 1 1
3 4 5
Resolução de sistemas de equações lineares aplicando a inversa da matriz

dos coeficientes
Seja A uma matriz invertı́vel. O sistema de equações lineares AX = B pode ser
resolvido no OCTAVE de várias formas. Consideremos que já foram introduzidas no
OCTAVE a matriz A, que representa a matriz dos coeficientes do sistema e a matriz
B, a matriz dos termos independentes. Neste caso, sendo a matriz A uma matriz
invertı́vel, o sistema é possível e determinado, logo o seu conjunto solução, pode ser
obtido por um dos seguintes processos:
• Calcule A−1 , e depois X = A−1 B. No OCTAVE utilize os comandos
Y=rref([A eye(size(A))]);
e
X=Y(:,(size(Y,2)+2)/2:size(Y,2))∗ B
• Calcule A−1 , e depois X = A−1 B. No OCTAVE utilize os comandos
Y=rref([A eye(size(A))]);
e
X=inv(A)∗ B.
• O OCTAVE está concebido para resolver sistemas de equações lineares. Logo,

tem um comando especial para esse fim especı́fico. O comando é \, o qual invoca
um algoritmo que não o rref ou o inv. Para usar este comando, digite
X=A\B
.
Verifica-se que a utilização de \ reduz as operações aritméticas, logo é mais
rápido, e em cursos de análise numérica mostra-se que, geralmente, \ fornece
resultados mais correctos. Assim, para resolver sistemas lineares possı́veis
e determinados utilize \.
Exercı́cio 1.5.32 Utilizando cada uma das possibilidades apresentadas anteriormente,

resolva cada um dos seguintes sistemas de equações lineares.
(i) 
 x + 2y + z = 0
x + y + z = 0 .
3x − y + z = 6

(ii) 
 2x + y − z = 4
−x + y + z = 2 .
y + 2z = 3

Capı́tulo 2
Determinantes e suas aplicações
2.1 Métodos de cálculo de determinantes

Nesta secção vamos associar a cada matriz quadrada A um número a que chamare-
mos determinante de A. Os determinantes fornecem informações importantes sobre
as matrizes e são úteis em algumas aplicações da Álgebra Linear.
Passaremos a introduzir esta noção a partir da inversa de uma matriz.
Consideremos a matriz A = [aij ] de ordem 2,

a11 a12
A=
a21 a22
Aplicando o método prático descrito no capı́tulo anterior para calcular a inversa de
uma matriz, temos então que:
a22 −a21
−1 a11 a22 −a21 a12 a11 a22 −a21 a12
A = −a12 a11 .
a11 a22 −a21 a12 a11 a22 −a21 a12
Observe-se que os denominadores de todos os elementos desta matriz são iguais. Este
valor comum designa-se por determinante da matriz A, e representa-se por det(A)
ou |A|.
Nesta secção, vamos apenas referir algumas técnicas práticas para o cálculo de
determinantes, não entrando em detalhes relativamente à sua definição.
Assim, no caso de uma matriz de ordem 2, o determinante é simplesmente dado por:

a11 a12
= a11 a22 − a21 a12
a21 a22
e as duas parcelas desta expressão são obtidas efectuando os dois produtos que se
sugerem no seguinte esquema:
81
82 CAPÍTULO 2. DETERMINANTES E SUAS APLICAÇÕES
Ou seja, o determinante de uma matriz de ordem 2 é dado pela diferença entre o

produto dos elementos da diagonal principal e o produto dos elementos da diagonal
secundária.
Já no caso de uma matriz de ordem 3, o determinante é dado pela expressão:

a11 a12 a13

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

a31 a32 a33
Esta expressão pode ser obtida, na prática, por uma regra mnemónica, conhecida
por regra de Sarrus, que pode ser enunciada de duas maneiras:
I - Escreve-se uma cópia das primeiras duas linhas da matriz por baixo da matriz
inicial de ordem 3 e calcula-se o determinante somando o produto dos elementos
da diagonal principal e dos elementos das diagonais paralelas à diagonal principal
e subtraı́ndo o produto dos elementos da diagonal secundária e dos elementos
das diagonais paralelas à diagonal secundária.
Assim,
|A| = a11 a22 a33 + a21 a32 a13 + a31 a12 a23 − a31 a22 a13 − a11 a32 a23 − a21 a12 a33 .
2.1. MÉTODOS DE CÁLCULO DE DETERMINANTES 83
II - (Também designada por Regra dos Triângulos)

Atribui-se o sinal positivo aos produtos dos elementos da diagonal principal e aos
os produtos dos elementos que se dispõem nos vértices dos triângulos de bases
paralelas a essa diagonal, como mostra a seguinte figura:
Atribui-se o sinal negativo aos produtos dos elementos da diagonal secundária e

aos produtos dos elementos que se dispõem nos vértices dos dois triângulos de
bases paralelas à diagonal secundária.
Assim,
|A| = a11 a22 a33 + a12 a23 a31 + a13 a32 a21 − a31 a22 a13 − a32 a23 a11 − a33 a12 a21 .
Exemplo 2.1.1 Consideremos as seguintes matrizes A e B de ordem 2 e 3:

 
1 0 2
1 3
A= B =  0 1 1 .
1 2
−1 1 2
Calculemos os determinantes das matrizes A e B usando as regras práticas que

acabamos de descrever.
Para a matriz A, de ordem 2, |A| = 1 × 2 − 3 × 1 = −1.
Para a matriz B, de ordem 3, podemos aplicar a regra de Sarrus, de uma das

seguintes formas:
|B| = (1 × 1 × 2) + (0 × 1 × 2) + (−1 × 0 × 1) − (−1 × 1 × 2) − (1 × 1 × 1) − (0 × 0 × 2) = 3,
ou alternativamente,
|B| = (1 × 1 × 2 + 0 × 1 × (−1) + 2 × 0 × 1) − ((−1) × 1 × 2) − (1 × 1 × 1) − (2 × 0 × 0) = 3.
Uma vez que as regras enunciadas só são válidas para matrizes de ordem 2 e 3, vamos
de seguida enunciar algumas propriedades do determinante de uma matriz A, que nos
vão permitir obter o determinante de matrizes de qualquer ordem e que em alguns
casos, tornam mesmo este cálculo imediato.
Propriedades dos determinantes
Nota: Quando nos referirmos, indiferentemente, a uma linha ou coluna de uma matriz,
chamaremos fila.
Teorema 2.1.1 Seja A uma matriz quadrada real (ou complexa) de ordem n.
(i) Se a matriz A tem uma fila nula, então |A| = 0.
(ii) Se multiplicarmos os elementos de uma fila da matriz A por um escalar λ, obtém-

-se um determinante de valor λ |A| .
(iii) Se multiplicarmos os elementos de m(m ≤ n) filas paralelas da matriz A, respecti-

vamente, por λ1 , λ2 , . . . , λm ∈ R obtém-se um determinante de valor λ1 λ2 . . . λm |A| .
(iv) O determinante
T da transposta da matriz A é igual ao determinante da matriz A,
ou seja, A = |A| .
(v) Se na matriz A trocarmos, entre si, duas filas paralelas, obtém-se uma matriz B
cujo determinante é simétrico ao determinante de A, isto é, |B| = − |A| .
(vi) Se a matriz A tem filas paralelas iguais, então tem determinante nulo.
(vii) Se a matriz A tem duas filas paralelas proporcionais, então tem determinante
nulo.
(viii) Se substituirmos os elementos de uma fila da matriz A por somas de m parcelas,

o determinante dessa matriz A é igual à soma dos determinantes de m matrizes,
obtidas de A, substituindo sucessivamente essa mesma fila de A pelas m filas
formadas pelas primeiras parcelas, pelas segundas parcelas, ...., pelas últimas
parcelas da decomposição dada àquela fila de A, mantendo as restantes filas
inalteráveis.
(ix) Se somarmos uma fila da matriz A com outra fila paralela multiplicada por um
escalar, o valor do seu determinante não se altera.
(x) Se A é uma matriz triangular, o determinante de A é igual ao produto dos

elementos da diagonal principal. Em particular, |I| = 1, onde I é a matriz
identidade.
Aplicando estas propriedades podemos simplificar o cálculo do determinante de uma

matriz. Vejamos um exemplo:
Exemplo 2.1.2 Consideremos a seguinte matriz:

 
1 2 0 −2
 0 0 3 2 
A=  1 0 −2 0
.

−1 1 0 1

1 2 0 −2 1 2
0 −2

1 2
0 −2

0 0 3 2 = 0 0
3 2 =
0 0 3 2
|A| = 2×
1 0 −2 0 [ix] 0 −2 −2 2 [ii] 0 −1 −1 1

−1 1 0 1 0 3 0 −1 0 3 0 −1

1 2
0 −2 1 2
0 −2
= 0 −1 −1 1 = 0 −1 −1 1
(−2) (−2)
[v] 0 0 3 2 [ix]

0 0
3 2

0 3 0 −1 0 0 −3 2

1 2
0 −2
= 0 −1 −1 1 =
(−2) (−2) [1 × (−1) × 3 × 4] = 24.
[ix] 0 0 3 2 [x]
0 0 0 4
Vejamos agora como se comporta o determinante da soma e do produto de duas

matrizes.
Exemplo 2.1.3 Consideremos a matriz A do exemplo anterior e a matriz:

 
1 2 3 5
 0 1 1 2 
B=  0 0 1 1 

0 0 0 2
Pela propriedade [x], vem que |B| = 2.
Calculemos |A + B| e |AB|.

2 4 3 3

0 1 4 4
|A + B| = = 75
1 0 −1 1

−1 1 0 3
e

1 4 5 5

0 0 3 7
|AB| = = 48.
1 2 1 3

−1 −1 −2 −1
Logo, |A + B| = 75 6= 24 + 2 = |A| + |B| e |AB| = 48 = 24 × 2 = |A|.|B|.
Em geral, dadas duas matrizes A e B da mesma ordem
|A + B| =
6 |A| + |B|.
Mas em relação à multiplicação o resultado obtido no exemplo anterior será genera-

lizado no teorema que se segue.
Teorema 2.1.2 Se A e B são matrizes quadradas, então |AB| = |A|.|B|.
Com base neste teorema prova-se então que:
Teorema 2.1.3 Se A é uma matriz invertı́vel, então |A−1 | = |A|−1 .
Alternativamente às propriedades, o método mais utilizado para o cálculo de de-

terminantes de matrizes de ordem superior a 3, é o desenvolvimento Laplaceano,
que consiste na aplicação do Teorema de Laplace. Para que possamos introduzir este
teorema, vamos definir dois novos conceitos: menor complementar e complemento
algébrico de um elemento de uma matriz.
Definição 2.1.1 O menor complementar de um elemento aij de uma matriz A de

ordem n é o determinante da matriz obtida de A, suprimindo-lhe a linha e a coluna
que se cruzam nesse elemento, ou seja, a linha i e a coluna j, e representa-se por
|Mij | .
Definição 2.1.2 O complemento algébrico de um elemento aij é o produto do menor

complementar desse elemento, por (−1)i+j e representa-se por Cij . Isto é,
Cij = (−1)i+j |Mij |

 
1 2 0 −2
 0 0 3 2 
Exemplo 2.1.4 Consideremos a matriz A =  .
 1 0 −2 0 
−1 1 0 1
Pela definição 2.1.2, C23 = (−1)2+3 |M23 |. Assim, comecemos por determinar o
menor complementar do elemento a23 , pela definição 2.1.1,

1 2 −2

|M23 | = 1 0 0 = 0 + 0 + (−2) − 0 − 0 − 2 = −4.
−1 1 1
Logo C23 = (−1)5 × (−4) = 4.
Teorema 2.1.4 (Teorema de Laplace) Um determinante é igual à soma dos pro-

dutos que se obtêm multiplicando cada um dos elementos de uma dada fila pelos
respectivos complementos algébricos, ou seja, o cálculo do determinante de uma matriz
A de ordem n, pode ser efectuado através do desenvolvimento Laplaceano segundo uma
linha k,
Xn
|A| = akj Ckj ,
j=1
ou segundo uma coluna h,

n
X
|A| = aih Cih .
i=1
A aplicação do Teorema de Laplace torna-se mais simples quando aplicado sobre

uma fila com muitos zeros.
No exemplo que se segue aplicaremos o Teorema de Laplace a uma matriz quadrada
A de ordem 4.
 
1 2 0 −2
 0 0 3 2 
Exemplo 2.1.5 Consideremos a matriz do exemplo 2.1.2, A =   1 0 −2 0  .

−1 1 0 1
Calculemos |A| usando o Teorema de Laplace:
- aplicado segundo uma linha (2a linha):

1 2 0 −2

0 0 3
2 0 −2 1 0 −2
2 2+1

= 0×(−1) 0 −2
2+2

+0×(−1) 1 −2 0 +

|A| = 0
1 0 −2 0

1 0 1 −1 0 1
−1 1 0 1

1 2 −2 1 2 0
2+3 2+4

+3 × (−1) 1 0 0 + 2 × (−1) 1 0 −2 =
−1 1 1 −1 1 0
= 0 + 0 + (−3) × (−4) + 2 × 6 = 12 + 12 = 24;
- aplicado segundo uma coluna (3a coluna):

1 2 0 −2
0 0 2 1 2 −2
0 0 3 2 1+3 + 3 × (−1)2+3 1 0 0 +

|A| = = 0 × (−1) 1 0 0
1 0 −2 0

−1 1 1 −1 1 1
−1 1 0 1

1 2 −2 1 2 −2
+ (−2) × (−1)3+3 0 0 2 + 0 × (−1)4+3 0 0 2 =

−1 1 1 1 0 0
= 0 + (−3) × (−4) + (−2) × (−6) + 0 = 12 + 12 = 24.
2.2 Aplicações dos determinantes

2.2.1 Cálculo da inversa de uma matriz
O conceito de determinante permite, de uma forma simples, saber se uma dada
matriz admite ou não inversa. Se analisarmos a matriz A de ordem 2 apresentada no
inı́cio da secção 2.1 concluı́mos que esta só admite inversa se o seu determinante for
diferente de zero. Generalizando podemos então concluir que:
Teorema 2.2.1 Uma matriz quadrada A é invertı́vel se e só se |A| =

6 0.
Para além desta aplicação, e utilizando o conceito de complemento algébrico, pode-

mos determinar a inversa de uma matriz. Para tal, torna-se necessário introduzir a
definição de matriz adjunta:
Definição 2.2.1 Matriz adjunta de uma matriz quadrada A, adjA, é uma matriz
quadrada que se obtém do seguinte modo:
1◦ Calcula-se AT ;
2◦ Calculam-se os complementos algébricos dos elementos de AT ;
3◦ Substitui-se cada elemento de AT pelo seu complemento algébrico.

2.2. APLICAÇÕES DOS DETERMINANTES 89
   
2 1 5 2 1 7
Exemplo 2.2.1 Seja A =  1 3 3  . Então, AT =  1 3 2  . Os menores
7 2 4 5 3 4
complementares dos elementos da matriz AT são:

3 2 1 2 1 3
|M11 | = = 6, |M12 | =
= −6, |M13 | =
= −12,
3 4 5 4 5 3

1 7 2 7 2 1
|M21 | = = −17, |M22 | = = −27, |M23 | = = 1,
3 4 5 4 5 3

1 7 2 7 2 1
|M31 | = = −19, |M32 | = = −3, |M33 | = = 5.
3 2 1 2 1 3
Então os complementos algébricos dos elementos de AT são:
C11 = (−1)1+1 |M11 | = 6, C12 = (−1)1+2 |M12 | = 6, C13 = (−1)1+3 |M13 | = −12,
C21 = (−1)2+1 |M21 | = 17, C22 = (−1)2+2 |M22 | = −27, C23 = (−1)2+3 |M23 | = −1,
C31 = (−1)3+1 |M31 | = −19, C32 = (−1)3+2 |M32 | = 3, C33 = (−1)3+3 |M33 | = 5.
Logo, a matriz dos complementos algébricos de AT é:
   
C11 C12 C13 6 6 −12
CAT =  C21 C22 C23  =  17 −27 −1  .
C31 C32 C33 −19 3 5
Portanto adjA = CAT .
Assim, podemos introduzir um novo método para o cálculo da inversa de uma matriz.
Teorema 2.2.2 Para qualquer matriz quadrada A de ordem n,

A (adjA) = (adjA) A = |A| I,
onde I é a matriz identidade. Assim, se |A| =
6 0, temos:
1
A−1 = adjA.
|A|
 
2 1 5
Exemplo 2.2.2 Consideremos a matriz do exemplo 2.2.1 A =  1 3 3  . Pelo
7 2 4
desenvolvimento de Laplace ao longo da 2a linha, temos:

2 1 5

|A| = 1 3 3 = (−1) × (−6) + 3 × (−27) + (−3) × (−3) = −66.
7 2 4
Então, utilizando a adjA já calculada obtemos:
   1 1 2

6 6 −12 − 11 − 11
1 1  11
A−1 = adjA = 17 −27 −1  =  − 17
66
9
22
1
66
.
|A| −66 19 1 5
−19 3 5 66
− 22 − 66
2.2.2 Resolução de Sistemas de equações lineares - Regra de

Cramer
Como já referimos, na subsecção 1.2.7 um sistema pode representar-se matricial-
mente pela equação AX = B onde A é a matriz dos coeficientes, X a matriz coluna
das incógnitas e B a matriz coluna dos termos independentes.
Utilizando agora a noção de determinante, podemos facilmente concluir quando é
que um dado sistema é possı́vel e determinado, sem o resolver.
Teorema 2.2.3 Consideremos o sistema de equações lineares de n equações a n

incógnitas,
AX = B.
O sistema é possı́vel e determinado se e só se |A| =
6 0.
No caso dos sistemas homogéneos AX = O, o cálculo do |A| permite classificar

imediatamente o sistema.
Teorema 2.2.4 O sistema homogéneo AX = O tem solução não nula se e só se

|A| = 0.
Definição 2.2.2 Um sistema diz-se de Cramer, se e só se a matriz dos coeficientes

for invertı́vel, isto é, se |A| =
6 0.
Consequentemente, da definição e teorema anteriores, podemos concluir que todo o

sistema de Cramer é possı́vel e determinado.
Para resolver estes sistemas, para além dos métodos atrás apresentados, podemos
aplicar a Regra de Cramer, que é um outro processo para determinar a solução de um
sistema de equações lineares utilizando agora a noção de determinante.
Teorema 2.2.5 (Regra de Cramer) Se A é uma matriz invertı́vel, então a solução

do sistema de equações lineares AX = B é única e é dada por X = (x1 , x1 , . . . , xn ) ,
onde
∆i
xi =
|A|
e ∆i é o determinante da matriz A substituindo a coluna i pela coluna dos termos
independentes.
Esta fórmula para determinar o valor das incógnitas, designa-se por fórmula de
Cramer, e pode ser aplicada a todos os sistemas de Cramer.
Exemplo 2.2.3 Dado o sistema


 2x + y + 4z = 2
6x + y = −10 ,
−x + 2y − 10z = −4

como
2 1 4

6 1 0 = 92 6= 0

−1 2 −10
o sistema é de Cramer, o que nos permite resolvê-lo aplicando a regra de Cramer.

Assim,

2 1 4

2 2 4

−10 1 0 6 −10 0

−4 2 −10 −1 −4 −10

−184 184
x = = 92
= −2; y= = 92
= 2;
2 1 4 2 1 4

6 1 0 6 1 0

−1 2 −10 −1 2 −10

2 1 2

6 1 −10
−1 2 −4 92
z= = = 1.

2 1 4 92

6 1 0
−1 2 −10
Logo C.S. = {(−2, 2, 1)} .
Em determinadas condições, é possı́vel aplicar a Regra de Cramer a sistemas que

não são de Cramer. Uma dessas condições está relacionada com o determinante
principal.
Definição 2.2.3 Seja A uma matriz e A0 uma submatriz de A com determinante não
nulo. |A0 | é um determinante principal da matriz A se não existir nenhuma outra
submatriz de A, com ordem superior a A0 com determinante não nulo.
Nota: Cada matriz pode admitir mais do que um determinante principal.
Exemplo 2.2.4 Consideremos o sistema


 2x − 4y + z = 3
4x + 2y + 2z = 1 ,
4x − 2y + 2z = 3

 
2 −4 1
cuja matriz dos coeficientes associada é  4 2 2  .
4 −2 2

2
−4 1
Como 4 2 2 = 0 verificamos que este sistema não é de Cramer.
4 −2 2
Procuremos determinantes principais da matriz A. Por exemplo, retirando a 3a linha

e 3a coluna de A, obtemos:
2 −4
4 2 = 20 6= 0,

que é um determinante principal de A uma vez que a única submatriz de A com ordem
maior do que 2 é a própria matriz A e |A| = 0.
Note-se no entanto que este não é o único determinante principal de A. Se retirarmos
a 2a linha e 1a coluna temos:

−4 1
−2 2 = −6 6= 0.

Outros determinantes de submatrizes de A com ordem 2 poderiam ser escolhidos para

determinante principal. Mas cuidado, não podemos pensar que qualquer submatriz de
ordem 2 tem determinante não nulo. No caso de retirarmos por exemplo, a 1a linha e
2a coluna temos:
4 2
4 2 = 0.

Proposição 2.2.1 A caracterı́stica de uma matriz A é igual à ordem da submatriz

de A a partir da qual se obtém um dos determinantes principais dessa matriz A.
No caso do exemplo anterior, podemos dizer que r(A) = 2.
Nota: Se A é uma matriz de ordem n e |A| =

6 0, o determinante principal de A é |A|
e portanto r(A) = n
Para podermos aplicar a Regra de Cramer a sistemas que não são de Cramer, temos
que proceder da seguinte forma:
1. Escolher um determinante principal. As equações representadas no determinante

principal, assim como as variáveis, designam-se, respectivamente, por equações
principais e variáveis principais.
2. Considera-se um subsistema formado apenas pelas equações principais, con-

siderando no primeiro membro somente os termos das variáveis principais, ao
qual se aplicam as regras de Cramer.
3. Se o conjunto solução encontrado em 2. satisfizer cada uma das equações não

principais, então ele é o conjunto solução do sistema inicial. Caso contrário, o
sistema é impossı́vel.
Exemplo 2.2.5 Consideremos novamente o sistema do exemplo 2.2.4


 2x − 4y + z = 3
4x + 2y + 2z = 1 ,
4x − 2y + 2z = 3

que tal como já vimos não é um sistema de Cramer. Contudo, vamos resolvê-lo
aplicando a regra de Cramer, procedendo como acima exposto:

2 −4
1. Consideremos o determinante principal = 20 6= 0. A 1a e 2a equações
4 2
são as designadas equações principais e as variáveis x e y as variáveis principais.

2x −4y = 3 − z
2. Consideremos agora o subsistema , cuja ma-
4x + 2y = 1 − 2z
triz dos coeficientes tem determinante não nulo (determinante
principal),

o que
3−z −4

1 − 2z 2

permite a aplicação da regra de Cramer. Assim, x = = 1−z2
e
2 −4

4 2

2

3 − z
4 1 − 2z

y = = − 12 .
2 −4

4 2

Logo o conjunto solução deste subsistema é C.S. = 1−z 1

2
, − 2
, z : z ∈ R .
3. Este conjunto solução só é conjunto solução do sistema inicial, se for solução
da equação não principal. Como

1−z 1
4× −2× − + 2z = 3 ⇔ 2 − 2z + 1 + 2z = 3 ⇔ 3 = 3,
2 2
o conjunto solução do subsistema é também o conjunto solução do sistema ini-
cial.
Alternativamente, pode garantir-se que a solução do sistema formado pelas equações

principais é também a solução das equações não principais, aplicando o Teorema de
Rouché.
Comecemos por caracterizar determinante caracterı́stico.

O determinante caracterı́stico forma-se juntando ao determinante principal uma
linha constituı́da pelos coeficientes das variáveis principais, de uma equação não
principal e uma coluna, cujos elementos são os respectivos termos independentes.
O número de determinantes caracterı́sticos depende do número de equações não
principais.
Teorema 2.2.6 (Teorema de Rouché) Um sistema de equações lineares é possı́vel,

se e só se, não existirem determinantes caracterı́sticos ou todos se anularem.
Exemplo 2.2.6 Aplicando o Teorema de Rouché ao exemplo 2.2.5, verificamos que só
2 −4 3

existe um determinante caracterı́stico e é nulo, pois 4 2 1 = 0. Pelo teorema de
4 −2 3
Rouché conclui-se então que o sistema é possı́vel, logo o conjunto solução do subsistema
é conjunto solução do sistema inicial.
Para além desta aplicação, o Teorema de Rouché pode também ser usado quando se
pretende fazer a discussão de um sistema ou verificar a compatibilidade de uma nova
equação num sistema de equações lineares.
2.3 Exercı́cios
Métodos de cálculo de determinantes.
Exercı́cio 2.3.1 * Dadas as matrizes,

     
0 4 1 4 1 1 4 −1 4
A =  3 −2 −2  , B =  3 3 −9  , C =  3 0 3 
4 8 1 4 2 6 4 −1 4
calcule:
(a) detA
(b) detC
(c) det(AT )
(d) det(B − C)
(e) detA + detB
(f ) det(AB)
Exercı́cio 2.3.2 Determine para que valores de x se verifica

x 1 1

1 x 1 =0

1 1 x
Exercı́cio 2.3.3 Calcule, aplicando as propriedades dos determinantes:

1 2 3

(a) −1 0 1
1 2 3

1 1 1 1

2 2 2 2
(b)
3 3 3 3

4 4 4 4

6 0 3

(c) −1 0 2
4 0 3

1 2 3 −4

0 −5 6 −7
(d)
0 0 −8 9

0 0 0 10

4 0 0

(e) 0 1 0
0 0 −3

2 0 0 0

0 1 0 0
(f )

0 0 1 0

2 0 0 1
Exercı́cio 2.3.4 Mostre, recorrendo às propriedades dos determinantes, que:

a 2 b 3
(a)
+ = 0, ∀a, b ∈ R
b 3 a 2

a 2 3 b 2a 4
(b) + = , ∀a, b ∈ R
b 3 2 a b 3
Exercı́cio 2.3.5 * Usando somente as propriedades dos determinantes e sabendo que:

a 1 1

b 0 1 =1

c 3 1
calcule, justificando, o determinante da seguinte matriz:

d− 1 d d−1
1 3

3 0 1
3a 3b 3c
Exercı́cio 2.3.6 Seja  

2 1 0
A= 1 1 0 
0 0 1
Determine os valores de λ para os quais se tem
det (A − λI3 ) = 0.

4 5 13

Exercı́cio 2.3.7 Sabendo que 9 7 10 = 1 resolva a equação

1 1 1

x+1 x+1 x+1

4 5 13 = 0.

9 7 10
Exercı́cio 2.3.8 Considere A uma matriz quadrada, de ordem 3, cujo det (A) = 2 e
P uma matriz invertı́vel. Indique justificando:
(a) det (−A)
(b) det AT A−1

(c) det (3A−1 )
(d) det (P −1 AP )
T
Exercı́cio 2.3.9 * Sejam as matrizes M = XAB + B T CX T e N = 2I onde
A, B, C e X são matrizes de ordem n tais que A + C T = I, onde I é a matriz
identidade de ordem n e B uma matriz triangular bii = 2. Sabendo que |M | = |N |,
calcule |X|.
Exercı́cio 2.3.10 * Considere a matriz A de ordem n. Sejam também as seguintes

matrizes: B1 que se obtém de A somando à linha i desta matriz uma constante k e B2
que se obtém de A subtraindo à linha i desta matriz a mesma constante k. Determine
|A| em função de |B1 | e |B2 |.
Exercı́cio 2.3.11 Sejam A e B matrizes quadradas da mesma ordem tais que

−1 T
|A| = 12 e |B| = 6. Calcule (AB) .

Exercı́cio 2.3.12 Indique, justificando, o valor lógico das seguintes afirmações:
(a) det (A) = 0 se e só se A = O.
(b) det (A) = 1 se e só se A = In .
(c) Se A é uma matriz invertı́vel, de ordem n, tal que AT = −A2 , então det (A) = −1.
Exercı́cio 2.3.13 Prove que se A é uma matriz ortogonal então |A| = ±1.
Exercı́cio 2.3.14 * Calcule |A| usando o Teorema de Laplace ao longo da primeira

coluna da matriz:  
1 2 0 1
 m 1 1 0 
A=  0

1 2 2 
n 1 0 1
sabendo que os elementos a21 e a41 são iguais aos respectivos complementos algébricos.
Exercı́cio 2.3.15 Calcule o determinante das seguintes matrizes:

a+1 a
(a) A =
a a−1
 
−2 −3 −1 −2
 −1 0 1 −2 
(b) B =  −3 −1 −4 1 

−2 2 −3 −1
 
1 2 −1 3
 0 1 0 1 
(c) C =  0 1 4 −1 

1 0 2 4
Exercı́cio 2.3.16 Verifique que:

0 a 0 0 0 0

f 0 b 0 0 0

0 g 0 c 0 0
= −acef hm.
0 0 h 0 d 0

0 0 0 k 0 e

0 0 0 0 m 0
Exercı́cio 2.3.17 Mostre que:

1 + x a12 a13 a1n

x 1 0 . . . 0

x 1 1 . . . 0 = 1 + x(1 − a12 )

.. .. .. ..
. . . .

x 1 1 ... 1

x a a a

a x a a
Exercı́cio 2.3.18 Prove que = 0 se e só se x = a ou x=-3a.
a a x a

a a a x
Exercı́cio 2.3.19 Usando o teorema de Laplace, prove que:
(a) Se a matriz A tem uma fila nula então |A| = 0.
(b) Se multiplicarmos os elementos de n filas da matriz A, respectivamente, por um

escalar λ1 , λ2 , . . . , λn , obtém-se um determinante de valor λ1 ×λ2 ×. . .×λn ×|A| .
(c) Se B resulta de A por troca de duas filas paralelas então |B| = − |A| .
(d) Se a matriz A tem filas paralelas iguais então |A| = 0.

(e) Se a matriz B resulta de A adicionando a uma linha (coluna) um múltiplo de

outra linha (coluna), então |B| = |A|.
(f ) O determinante
da transposta da matriz A é igual ao determinante da matriz, ou
seja, AT = |A| .
Aplicações dos determinantes.
Exercı́cio 2.3.20 Prove que

−1
a b 1 d −b
=
c d ∆ −c a
onde ∆ = ad − bc 6= 0.
Exercı́cio 2.3.21 Calcule a matriz adjunta das seguintes matrizes:

   
3 1 2 1 0 0
A= 1 2 1  B= 1 2 0 
1 1 1 1 2 3
Exercı́cio 2.3.22 Considere a seguinte matriz

 
−4 −3 −3
A= 1 0 1 
4 4 3
e mostre que A = adj (A) .
Exercı́cio 2.3.23 Calculando o determinante da matriz

 
1 1 a
 1 1 b 
a b 1
verifique que ela é invertı́vel se e só se a 6= b.
Exercı́cio 2.3.24 Considere a matriz

 
2 −2 2
F =  0 3 −2 
0 −1 2
(a) Calcule adj (F ) .
(b) Mostre que F é invertı́vel e calcule a sua inversa.

Exercı́cio 2.3.25 Sabendo que as matrizes apresentadas são invertı́veis, utilize o

método da adjunta para calcular a inversa de:

3 4
(a)
2 −1
 
2 −1 0
(b)  −1 2 −1  (Obs. Recorde que a inversa de uma matriz simétrica invertı́vel
0 −1 1
é também invertı́vel).
 
1 1 1
(c)  0 1 1  (Obs. Recorde que a inversa de uma matriz triangular superior
0 0 1
invertı́vel é também triangular superior).
Exercı́cio 2.3.26 * Seja a matriz

 
2 1 1
A= 0 1 1 
0 −1 1
Calcule A(AdjA)T e obtenha, se possı́vel, a partir deste resultado a inversa de A.

i−1
h
T 1 2 1
Exercı́cio 2.3.27 * Seja I = (AX) + DF , com A = ,D= e
0 1 1
F = 2 3 .
(a) Determine a matriz X que torna verdadeira a igualdade.
(b) Diga, sem efectuar quaisquer cálculos, qual o determinante de (AX)T +DF .Porquê?
Exercı́cio 2.3.28 * Sendo A e B matrizes quadradas e invertı́veis de ordem n, tais

que: A−1 = AT , estude a permutabilidade das matrizes:
C = ABAT e D = AB −1 A−1 .
Que relação pode estabelecer entre |C| e |D|?
Exercı́cio 2.3.29 Use a Regra de Cramer para resolver os sistemas:

2x − y = 6
(a)
4x + 5y = 2

 3x + y − z = 1
(b) −x − y + 4z = 7
2x + y − 5z = −8


 x+y =1
(c) x−y+z =0
x + 2y + z = 1


 x + 2y + z = 1
(d) −x + 2y = 0
−x + y + z = 2


 x+y−z =1
(e) x+z =2
x + 2y − 2z = 0

Exercı́cio 2.3.30 * Aplique a regra de Cramer, na resolução do sistema do exercı́cio

1.3.71.
Exercı́cio 2.3.31 * Considere os sistemas de equações lineares do exercı́cio 1.3.4.

Indique os que são sistemas de Cramer e resolva-os aplicando a regra de Cramer.
Exercı́cio 2.3.32 Considere o seguinte sistema de equações:


 x+y+z =1
x + ay + z = 2
3x − 3y + bz = 3

(a) Diga para que valores de a e b este sistema é de Cramer.
(b) Para os valores de a = 0 e b = 1, resolva o sistema usando a regra de Cramer.
(c) Para os valores de a = 1 e b = 3, resolva o sistema usando a regra de Cramer.
Exercı́cio 2.3.33 Considere o seguinte sistema de equações:


 kx + (k − 1)y + w = 1
x + ky + kz = 0
x + y + kz + (k − 1)w = t

(a) Discuta o sistema em função dos parâmetros reais k e t.
(b) Para k = 2, t = 0 e tomando w = 0, use a regra de Cramer para calcular x, y, e

z.
Exercı́cio 2.3.34 Calcule o determinante principal dos sistemas que se seguem e use
a regra de Cramer para os resolver.

 2x1 + x2 + x3 + 2x5 = 1
(a) x1 + x3 + x4 = 1
x2 − x3 + x4 − x5 = 1



 2x1 + x2 = 5
 x1 + x3 = 4


(b) x1 + x2 − x3 = 1
x 2 + x3 = 3




2x1 − x3 = 2

Exercı́cio 2.3.35 Considere o sistema de equações lineares do exercı́cio 1.3.71.
(a) Verifique que se trata de um sistema de Cramer.
(b) Utilizando o teorema de Rouché, verifique se a equação 4x + 2y + 3z = 1 é

compatı́vel com o sistema anterior.
Exercı́cio 2.3.36 * (2a Frequência / 31-Jan-2000)

Considere o sistema de equações lineares:

 3x − y = kx
−x + 2y − z = ky
−y + 3z = kz

(a) Classifique o sistema para os diferentes valores do parâmetro k.
(b) Considerando k = 3, e sem resolver o sistema, verifique se a equação x−y −z = 0

é compatı́vel com o sistema dado.
Exercı́cio 2.3.37 * Discuta e resolva o seguinte sistema de equações lineares, usando

o teorema de Rouché: 

 x1 + x2 + x3 = 0
x1 − x2 + 2x3 = 2


 2x 1 + x2 + x3 = 1
2x1 + x2 + 2x3 = k

Exercı́cio 2.3.38 Usando o Teorema de Rouché, determine a e b de forma que o

sistema seja possı́vel.

 x + 2y = 2a + 2b + 1

x+y =a+b−1


 ax + by = ba + b2 − 4a + b + 4
 2
b x + a(y − a) = ab − 3b2 + 2b + 4
Exercı́cio 2.3.39 Usando o Teorema de Rouché, faça a discussão do sistema em

função dos parâmetros a e b.

 x + y + az = 1
2x + ay = b
ax + y + z = b2

Exercı́cio 2.3.40 (Frequência / 13-Jan-2004)

Considere o seguinte sistema de equações lineares:

 2x − 6y − 4z = 12
−2kx + 2z = 12
−4x + (6 + k)y + z = k

(a) Discuta o sistema homogéneo associado ao sistema acima referido, utilizando

determinantes.
(b) Considere k = −1.
i. Determine o conjunto solução do sistema dado, através do método de elimi-

nação de Gauss-Jordan.
ii. Utilizando o teorema de Rouché, verifique se a equação linear x = 0 é
compatı́vel com o sistema.

Considere a seguinte matriz:
 
1 1 1 1 ··· 1 1
 1 3 1 1 ··· 1 1 
 
 1 3 4 1 ··· 1 1 
 
An =  1 3 4 5 · · · 1 1
 

 .. .. .. .. . . .. .. 
 . . . . . . . 
 
 1 3 4 5 ··· n 1 
1 3 4 5 ··· n n+1
.
(a) Mostre que |An | = n!.
(b) Considere:
1
X + 2Y − (B T A4 )−1 = (2I − 2B)T e Y + X + ( A4 )−1 B = O,
2
onde I é a matriz identidade de ordem 4 e B = (bij ) é a matriz tal que:

bij = 1 se i=j
, i, j = 1, . . . , 4
bij = 0 se i 6= j
Calcule |X|.
Exercı́cio 2.3.42 * (Frequência - Gestão / 13-Jan-2004)

Sejam A e B duas matrizes. A é uma matriz invertı́vel de ordem 4, com:
 
1 0 1
|A| = α, α ∈ R\{0} e B = 0 2  1 .
0 −1 0
Indique o valor lógico das seguintes afirmações:
(a) |2A| + |A2 A−1 | = 3α
(b) O elemento da matriz adj(B) na posição i = 2 e j = 3 é -1.
Exercı́cio 2.3.43 (Exame Normal / 03-Fev-2004)

Considere o seguinte sistema de equações lineares:


 x + y + az + w = b
x + 3y + z + w = 1


 2x + 3y + 2z + 2w = 2
x + 3y + z − cw = 1

(a) Discuta o sistema em função dos parâmetros a, b e c.
(b) Para a = b = 1 e c = −1, resolva o sistema, utilizando a regra de Cramer.
Exercı́cio 2.3.44 * (Exame Normal - Gestão / 03-Fev-2004)

Considere o sistema na forma matricial em função dos parâmetros reais a e b:
    
1 1 1 x 1
 1 a 1  y  =  2 
3 −3 a z b
(a) Determine os valores dos parâmetros reais a e b, de tal modo que:
i. o sistema seja possı́vel e indeterminado;

ii. o sistema seja de Cramer.
(b) Para a = 3 e b = 0, determine:
i. a solução do sistema homogéneo associado, utilizando o método de Gauss-

Jordan;
ii. a solução do sistema dado.
(c) Para a = b = 1, classifique o sistema, utilizando o teorema de Rouché.


Sejam S = X(B −1 A)−1 + (B T CX T )T e P = 2B −1 , onde A, B, C, D e X são matrizes
invertı́veis de ordem 3, tais que:
• B é uma matriz triangular superior tal que bii = −2, i ∈ {1, 2, 3};
• D é uma matriz periódica de perı́odo 5;
• A−1 + C T é igual à matriz que se obtem de B por troca da 2a com a 3a linha.
Calcule |X|, sabendo que |S| − |P | = | − D4 |
Exercı́cio 2.3.46 (Exame Recurso / 17-Fev-2004)

Sejam k, p ∈ <. Considere a matriz quadrada, real, de ordem n, A = [aij ], onde:

k + p se i = j
aij =
k se i 6= j
Prove que |A| = pn−1 (nk + p). (Sugestão: Considere c1 → c1 + . . . + cn )
Exercı́cio 2.3.47 * (Exame Recurso - Gestão / 17-Fev-2004)

Considere o sistema em função dos parâmetros reais t e k:


 x+y+z =1
x−y+z =0


 2x − 2y + kz = 0
x+y+z =t

(a) Discuta o sistema em função dos parâmetros reais t e k.
(b) Para k = 2 e t = 1:
i. Sendo C a matriz ampliada do sistema apresentado, diga, justificando, sem

efectuar quaisquer cálculos, se a matriz C T é invertı́vel.
ii. Resolva o sistema, utilizando a regra de Cramer.
Exercı́cio 2.3.48 (Exame Especial / 06-Set-2004)

 
a c 1 2c + 2 4 2d + 6

Sabendo que: 1 0 2 = 1, calcule o determinante da matriz  a 1 b .
b d 3 1 2 3
Exercı́cio 2.3.49 * (Exame Especial - Gestão / 06-Set-2004)

 
1 1 1 1
 1 0 2 1 
Considere a matriz: A = 
 3 0 1 1 .

1 1 2 1
(a) Calcule o determinante de A.

(b) Seja C uma matriz de ordem 4, tal que |C| = 2 e D uma matriz que se obteve de
C por troca da 1a com a 2a colunas. Calcule |2CA−1 DT |.
Exercı́cios Aplicados
1. Um modo simples de codificar uma mensagem é associar um valor inteiro

a cada letra do alfabeto. Um A representa-se por 1, um B por 2, um C por
3 e assim sucessivamente. Um espaço entre as palavras, representa-se por 0.
Uma codificação feita desta forma é, em geral, muito fácil de quebrar. Para
cifrar uma mensagem de uma forma mais segura, pode usar-se a multiplicação
de matrizes. Se A é uma matriz cujos elementos são todos inteiros e cujo
determinante é ±1, então como A−1 = ±AdjA, os elementos de A−1 vão ser
todos inteiros. Podemos por isso usar uma matriz A nestas condições, para
codificar a mensagem. Sabendo que a mensagem que lhe foi enviada foi cifrada
pela matriz
 
−1 −1 2 0
 1 1 −1 0 
A= 
 0 0 −1 1 
1 0 0 −1
a. Mostre que os elementos da matriz A−1 são todos interiros, sem a

calcular.
b. Usando a matriz adjunta, calcule A−1 .

c. Descodifique a mensagem: 15, 4, −4, 3, −32, 33, −1, 12, −34, 34, 5, 10, 7, 11,
−15, 21, 6, 3, 6, −6, 13, 3, −15, 18, −19, 19, 3, 15, −18, 19, −1, 1.
Sugestão: Agrupe a mensagem em grupos de quatro elementos e disponha-os
em coluna.
2.4. SOLUÇÕES 107
2.4 Soluções
Métodos de cálculo do determinante.
2.3.1
(a) detA = −12 (b) detC = 0 (c) detAT = −12
(d) det(B − C) = 0 (e) detA + detB = 72 (f) det(AB) = −1008
2.3.5 |A| = −d.
2.3.9 |X| = 1.
2.3.10 |A| = 21 (|B1 | + |B2 |).
2.3.14 |A| = 32 com m = a21 = C21 = −2 e n = a41 = C41 = −5.
Aplicações dos determinantes.

1
− 12
 
2
0
1
2.3.26 A(AdjA)T = 4I e A−1 = 41 (AdjA)T =  0 2
− 12  .
1 1
0 2 2
2.3.27

5 2
(a) X =
−3 −2

(b) (AX)T + DF = 1 porque na alı́nea anterior obtivemos a igualdade:

(AX)T + DF = I, e |I| = 1.
1
2.3.28 Como CD = I = DC, as matrizes C e D são permutáveis e |C| = |D|
.
2.3.30 S = (3, 0, −3)
2.3.31 O sistema A é o único sistema de Cramer. C.S. = {(3, 2, 1)};
2.3.36
(a) Se k ∈ R\ {1, 3, 4} , o sistema é possı́vel determinado;

Se k ∈ {1, 3, 4} , o sistema é possı́vel indeterminado.
(b) A equação x − y − z = 0 é compatı́vel com o sistema dado.
2.3.37 Se k 6= 1, o sistema é impossı́vel;

Se k = 1, o sistema é possı́vel (todas as incógnitas são principais).
Neste caso, S = {(1, −1, 0)}.
Exercı́cios de Exame - 2003/2004
2.3.42 (a) Falsa; (b) Verdadeira.
2.3.44
(a) i. a = 3 e b = 0; ii. a ∈ R\{1, 3} e b ∈ R.
(b) i. S = {(−z, 0, z), z ∈ R}; ii. S = {(−z + 1, 12 , z − 21 ), z ∈ R}.

(c) Sistema Impossı́vel.
1
2.3.45 |X| = 32
.
2.3.47
(a) O sistema é:

• possı́vel e determinado se t = 1 e k =
6 2;
• possı́vel e indeterminado se t = 1 e k = 2;
• impossı́vel se t 6= 1 e k ∈ R.
(b) (i) Não, uma vez que |C| = 0 e |C T | = |C|;
(ii) S = {( 12 − z, 12 , z), z ∈ R}.
2.3.49
(a) |A| = −2.

(b) |2CA−1 DT | = 32.

2.5.1 Determinante de uma matriz

O determinante é uma função que transforma matrizes quadradas em números
reais (complexos). Esta função denota-se por det. Este valor quando calculado
sobre uma matriz quadrada A, denota-se por det(A) tanto em texto como no
OCTAVE. Em texto, poderemos ainda denotar por |A|. Usaremos o OCTAVE
para explorar as propriedades do determinante, através de uma série de tentati-
vas.
Exercı́cios
Exercı́cio 2.5.1 Construa uma matriz de ordem 2 com uma linha nula e calcule
o seu determinante. Repita o mesmo para matrizes de ordem 3 e 4, com uma
linha nula. Construa matrizes de ordem 2, 3 e 4 com uma coluna nula e calcule
os seus determinantes.
Conjectura:
O determinante de uma matriz com uma linha ou uma coluna nula é .
Exercı́cio 2.5.2 Construa uma matriz de ordem 2 com duas linhas iguais e
calcule o seu determinante. Repita o mesmo para matrizes de ordem 3 e 4.
Construa matrizes de ordem 2, 3 e 4 com duas colunas iguais e calcule os seus
determinantes.
Conjectura:
O determinante de uma matriz com duas linhas ou duas colunas iguais é .
Exercı́cio 2.5.3 O comando OCTAVE A=fix(10∗ rand(3)) gera uma matriz

real A de ordem 3. Calcule det(A) e det(A0 ). Altere o 3 no comando OCTAVE,
para outros números naturais, como 2, 4, 5, 6 e repita os cálculos.
Conjectura:
O determinante de uma matriz real e o determinante da sua transposta é .
Exercı́cio 2.5.4 Construa uma matriz diagonal de ordem 2 com entradas diag-
onais 5 e 3, e registe o valor do seu determinante. .
Construa uma matriz diagonal de ordem 2 com entradas diagonais −2 e 9, e

registe o valor do seu determinante. .
Construa uma matriz diagonal de ordem 3 com entradas diagonais 2, 7 e −1, e

Construa uma matriz diagonal de ordem 3 com entradas diagonais 4, 0 e 3, e

Conjectura:
O determinante de uma matriz diagonal é .
No OCTAVE podemos construir uma matriz triangular superior de ordem 3,

utilizando o comando A=triu(fix(10∗ rand(3))). Crie várias matrizes trian-
gulares superiores de ordem 3 e calcule os seus determinantes. Repita o mesmo
para matrizes de outras ordens.
Conjectura:
O determinante de uma matriz triangular superior é .
 
1 2 3
Exercı́cio 2.5.5 Seja A =  4 5 6  . Calcule e registe det(A) =
7 8 0
.
Execute as operações elementares sobre as linhas da matriz A, indicadas de segui-
da e calcule os determinantes de cada uma das novas matrizes. Execute sempre
a operação sobre a matriz original A. No quadro que se segue é apresentada uma
explicação da notação que será usada.
Notação:
• ALi ↔Lj significa trocar a linha i pela linha j da matriz A.
• AkLi +Lj significa substituir a linha j de A por k vezes a linha i mais
a linha j.
• AkLi significa multiplicar a linha i de A por um escalar k.
Seja B=AL1 ↔L2 ; det(B) = .

Como é que det(B) se relaciona com det(A)? .
Seja C=AL2 ↔L3 ; det(C) = .

Como é que det(C) se relaciona com det(A)? .
Seja D=A2L1 +L2 ; det(D) = .

Como é que det(D) se relaciona com det(A)? .
Seja E=A−4L2 +L3 ; det(E) = .

Como é que det(E) se relaciona com det(A)? .
Seja F=A3L1 ; det(F ) = .

Como é que det(F ) se relaciona com det(A)? .
Seja G=A−2L2 ; det(G) = .

Como é que det(G) se relaciona com det(A)? .
Seja H=A(1/2)L3 ; det(H) = .

Como é que det(H) se relaciona com det(A)? .
Se tiver dificuldades em preencher as seguintes afirmações, repita as situações

anteriores com  
2 −5 3
A =  0 2 −1  .
3 2 1
Conjectura:
Se trocarmos linhas, o determinante .

Se substituirmos uma linha por uma combinação linear de si própria com
outra linha, o determinante .
Se multiplicarmos uma linha por um escalar, o determinante .
Exercı́cio 2.5.6 Preencha os espaços em branco.

 
1 2 3
(a) Seja A =  4 5 6  ; rref(A) = det(A) =
7 8 9
det(rref(A)) = .

1 2
(b) Seja B = ; rref(B) = det(B) =
2 4
det(rref(B)) = .
 
1 1 1
(c) Seja C =  2 1 −1  ; rref(C) = det(C) =
3 2 0
det(rref(C)) = .
 
2 1 0
(d) Seja D =  1 2 1  ; rref(D) = det(D) =
0 1 2
det(rref(D)) = .
(e) Verdadeira ou falsa: Para qualquer matriz quadrada Q, det(Q) = det(rref(Q)).
(f ) Com base nas alı́neas (a)-(d), podemos dizer que existe alguma relação entre
o que se segue:
rref é I det é zero

rref não é I det não é zero
Desenhe uma seta entre aqueles que lhe parecem relacionados.
Conjectura: Seja Q uma matriz quadrada.
Se rref(Q)=I, então det(Q) é .

Se rref(Q)6=I, então det(Q) é .
O determinante de uma matriz invertı́vel é .
O determinante de uma matriz não invertı́vel é .
Exercı́cio 2.5.7 A forma geral de calcular um determinante é utilizar operações

elementares sobre linhas para reduzir a matriz à forma triangular superior, tendo
em atenção que as operações podem alterar o seu valor, e depois usar o facto de o
determinante de uma matriz triangular superior ser o produto dos elementos da
 
2 3 1
diagonal principal. (ver Exercı́cio 2.5.4.) Para ilustrar, seja A =  1 −2 2  .
3 0 4
O objectivo é calcular det(A), utilizando propriedades dos determinantes.
 
1 −2 2
Seja B=AL1 ↔L2 =  2 3 1  ;
3 0 4
det(B) = det(A) =⇒ det(A) = det(B).

 
1 −2 2
Seja C=B−2L1 +L2 =  0 7 −3  ;
3 0 4
det(C) = det(B) =⇒ det(A) = det(C).

 
1 −2 2
Seja D=C−3L1 +L3 =  0 7 −3  ;
0 6 −2
det(D) = det(C) =⇒ det(A) = det(D).

 
1 −2 2
Seja E=D(1/7)L2 =  0 1 − 73  ;
0 6 −2
det(E) = det(D) =⇒ det(A) = det(E).

 
1 −2 2
Seja F=E−6L2 +L3 =  0 1 − 37  ;
4
0 0 7
det(F ) = det(E) =⇒ det(A) = det(F ).
Agora calcule det(A) a partir do det(F ).
Verifique o resultado, calculando det(A) directamente.
Exercı́cio2.5.8 Utilize
 o procedimento do Exercı́cio 2.5.7 para calcular det(A),
5 1 0
onde A =  0 2 1 .
−1 3 1
Capı́tulo 3
Espaços e Subespaços Vectoriais
3.1 Espaços Vectoriais
3.1.1 Definição e Propriedades

Neste capı́tulo vamos estudar espaços vectoriais que são o fundamento da
Álgebra Linear. Vamos generalizar a noção de espaço tridimensional em que
estão presentes operações do tipo das que se conhecem naquele espaço, ou seja
a adição de vectores e a multiplicação de números reais por vectores. Deve-se
aliás a este espaço e à noção fı́sica de vector a nomenclatura utilizada: espaço
vectorial e vector. Note-se, no entanto, que o conceito a introduzir tem por base
um conjunto qualquer, cujos elementos, embora designados por vectores, podem
não ter nada a ver com a noção usual de vector no espaço tridimensional usual.
Consideremos o conjunto de todos os vectores do plano R2 . Um vector bidi-
mensional u pode ser definido por um par ordenado u = (x1 , y1 ), onde x1 e y1
(componentes do vector) são números reais. Ao segmento de recta orientado
(vector) u, está sempre associada uma direcção, um sentido e um comprimento.
Consideremos as duas operações usuais válidas com vectores:
Adição de vectores
No conjunto dos vectores de R2 está definida uma operação “adição”, represen-
tada pelo sı́mbolo “ + ”.
Geometricamente a adição de vectores pode ser efectuada pela regra do paralel-
ogramo, tal como mostra a figura da página seguinte:
115
116 CAPÍTULO 3. ESPAÇOS E SUBESPAÇOS VECTORIAIS
Figura 3.1: Adição dos vectores u e v.
Analiticamente, podemos definir a soma de dois quaisquer vectores u = (x1 , y1 )

e v = (x2 , y2 ) por:
(x1 , y1 ) + (x2 , y2 ) = (x1 + x2 , y1 + y2 ).
A adição de vectores de R2 , entre outras, goza das seguintes propriedades:
1. ∀u, v, w ∈ R2 , (u + v) + w = u + (v + w) (propriedade associativa)

2. ∀u, v ∈ R2 , u + v = v + u (propriedade comutativa)
3. Representando por “0” o vector reduzido a um ponto (vector nulo):
∀u ∈ R2 , u + 0 = 0 + u = u
4. Representando por −u o vector com a mesma direcção e o mesmo compri-

mento de u, mas com sentido contrário:
∀u ∈ R2 , u + (−u) = (−u) + u = 0.
Multiplicação de um escalar por um vector

Tomando um número real qualquer α, podemos “multiplicar”cada vector u por
um escalar α, obtendo-se um novo vector αu, com a direcção de u. Ou seja, no
conjunto dos vectores de R2 está definida uma operação “multiplicação por um
escalar”.
Geometricamente:
Figura 3.2: Multiplicação do vector u por um escalar α > 1.

3.1. ESPAÇOS VECTORIAIS 117
Figura 3.3: Multiplicação do vector u por um escalar 0 < α < 1.
Figura 3.4: Multiplicação do vector u por um escalar α < 0.
Analiticamente, podemos definir a multiplicação de um vector u = (x1 , y1 ) por

um escalar α do seguinte modo:
αu = α(x1 , y1 ) = (αx1 , αx2 ).
Esta operação goza das seguintes propriedades:
5. ∀α, β ∈ R, ∀u ∈ R2 , (αβ)u = α(βu)

6. ∀α, β ∈ R, ∀u ∈ R2 , (α + β)u = αu + βu
7. ∀α ∈ R, ∀u, v ∈ R2 , α(u + v) = αu + αv
8. ∀u ∈ R2 , 1 u = u (1 é o elemento identidade de R)
Em vez de considerarmos o plano fixo R2 , podemos considerar os espaços R3 ,

R4 , . . . , Rn com as operações usuais de adição e multiplicação por um escalar.
Sendo Rn = {(x1 , x2 , . . . , xn ) : x1 , x2 , . . . , xn ∈ R} , define-se em Rn a operação
adição:
∀(x1 , x2 , . . . , xn ), (y1 , y2 , . . . , yn ) ∈ Rn :
(x1 , x2 , . . . , xn ) + (y1 , y2 , . . . , yn ) = (x1 + y1 , x2 + y2 , . . . , xn + yn )
e operação multiplicação por um escalar:
∀(x1 , x2 , . . . , xn ) ∈ Rn ∀α ∈ R :
α(x1 , x2 , . . . , xn ) = (αx1 , αx2 , . . . , αxn ).
Podemos definir em muitas outras situações as operações de adição e multipli-

cação por um escalar, e verificar propriedades análogas às referidas anterior-
mente.
Consideremos por exemplo, o conjunto Pn [x] = {a0 + a1 x + . . . + an xn : a0 , a1 ,
. . . , an ∈ R} , constituı́do por todos os polinómios de coeficientes reais de
grau menor ou igual a n na variável x, associado às operações usuais

de adição e multiplicação por um escalar. Para melhor compreendermos este
exemplo, tomemos n = 2.
Dados dois polinómios, p(x) = a0 + a1 x + a2 x2 e q(x) = b0 + b1 x + b2 x2 , define-se
usualmente a sua “soma”como sendo o polinómio
p(x) + q(x) = (a0 + b0 ) + (a1 + b1 )x + (a2 + b2 )x2 .
Esta operação de “adição”goza também das seguintes propriedades:
1. ∀p(x), q(x), r(x) ∈ P2 [x], (p(x) + q(x)) + r(x) = p(x) + (q(x) + r(x))
2. ∀p(x), q(x) ∈ P2 [x], p(x) + q(x) = q(x) + p(x)
3. Representando por 0 o polinómio de coeficientes todos nulos:
∀p(x) ∈ P2 [x], p(x) + 0 = 0 + p(x) = p(x).
4. Representando por −p(x) o polinómio cujos coeficientes são os simétricos dos

de p(x) :
∀p(x) ∈ P2 [x], p(x) + (−p(x)) = (−p(x)) + p(x) = 0.
Sabe-se também que, dado um número real qualquer α, se define a “multiplicação

de um polinómio pelo escalar α”por:
α (p(x)) = (αa0 ) + (αa1 )x + (αa2 )x2 .
Esta nova operação goza das seguintes propriedades:
5. ∀α, β ∈ R, ∀p(x) ∈ P2 [x], (αβ)p(x) = α(βp(x))

6. ∀α, β ∈ R, ∀p(x) ∈ P2 [x], (α + β)p(x) = αp(x) + βp(x)
7. ∀α ∈ R, ∀p(x), q(x) ∈ P2 [x], α(p(x) + q(x)) = αp(x) + αq(x)
8. ∀p(x) ∈ P2 [x], 1 p(x) = p(x) (1 é o elemento identidade de R)
Generalizando podemos então concluir que Pn [x] com as operações usuais de

adição e multiplicação por um escalar gozam destas mesmas propriedades.
Consideremos agora o conjunto das matrizes de ordem n, Mn , e as operações
de adição e multiplicação por um escalar definidas no capı́tulo 1. Recordando as
propriedades dos teoremas 1.2.2 e 1.2.3 que se verificavam para estas operações
matriciais, facilmente se conclui que são as mesmas que se verificaram para os
conjuntos anteriores.
A generalização destes exemplos, levam-nos ao conceito de espaço vectorial.
Definição 3.1.1 Sejam R o conjunto dos números reais e V um conjunto não

vazio sobre o qual estão definidas duas operações: a adição, que se representa
por +, e que associa a cada par de elementos de V, x e y, o elemento x + y ∈ V ;
e a multiplicação por um escalar, que associa a cada elemento α de R e cada
elemento x de V o elemento αx ∈ V. Diz-se que V é um Espaço Vectorial Real
ou Espaço Linear sobre R se verificar os seguintes axiomas:
1. ∀x, y, z ∈ V, (x + y) + z = x + (y + z)
2. ∃0 ∈ V, ∀x ∈ V : x + 0 = 0 + x = x
3. ∀x, y ∈ V, x + y = y + x
4. ∀x ∈ V, ∃ − x ∈ V : x + (−x) = (−x) + x = 0
5. ∀α, β ∈ R, ∀x ∈ V, (αβ)x = α(βx)
6. ∀α, β ∈ R, ∀x ∈ V, (α + β)x = αx + βx
7. ∀α ∈ R, ∀x, y ∈ V, α(x + y) = αx + αy
8. ∀x ∈ V, 1 x = x (1 é a identidade de R)
Os elementos de V designam-se por vectores, independentemente da sua na-

tureza, e os elementos de R por escalares, utilizando-se de modo geral o alfabeto
árabe (a,b,c,...) para representar os elementos de V e o alfabeto grego (α, β, γ, ...)
para representar os elementos de R.
Nota: O elemento neutro e o elemento simétrico de um espaço vectorial V são

únicos.
Notação: Para evitar ambiguidades, o elemento zero do conjunto V, vector

nulo, representa-se por 0V .
Se os escalares pertencerem ao conjunto dos números complexos C, ao espaço

V chama-se espaço vectorial complexo. Salvo referência em contrário, serão
considerados somente espaços vectoriais reais.
Anteriormente, foram já apresentados exemplos de espaços vectoriais. Vejamos
agora o exemplo de um conjunto onde estão definidas operações de adição e
multiplicação por um escalar, que não é um espaço vectorial.
Exemplo 3.1.1 Consideremos o conjunto R2 com as operações: adição usual e

multiplicação por um escalar definida por:
α(x1 , y1 ) = (αx1 , 0).
Vejamos se se verificam os axiomas da definição 3.1.1:

Uma vez que a adição é a usual em R2 , sabemos que estão garantidos os primeiros
quatro axiomas. Verifiquemos então os restantes axiomas, relativamente à mul-
tiplicação por um escalar aqui definida.
Sejam (x1 , y1 ), (x2 , y2 ) ∈ R2 e α, β ∈ R.
5. (αβ)(x1 , y1 ) = ((αβ)x1 , 0) = (α(βx1 ), 0) = α(βx1 , 0) = α(β(x1 , y1 ))

6. (α + β)(x1 , y1 ) = ((α + β)x1 , 0) = (αx1 + βx1 , 0) = (αx1 , 0) + (βx1 , 0) =
= α(x1 , y1 ) + β(x1 , y1 )
7. α[(x1 , y1 ) + (x2 , y2 )] = α(x1 + x2 , y1 + y2 ) = (α(x1 + x2 ), 0) = (αx1 + αx2 , 0) =
= (αx1 , 0) + (αx2 , 0) = α(x1 , y1 ) + α(x2 , y2 )
8. 1.(x1 , y1 ) = (1 · x1 , 0) = (x1 , 0) 6= (x1 , y1 ), ∀y1 ∈ R \ {0}
Como não se verifica o axioma 8, concluı́mos que o conjunto R2 , ao qual estão

associadas estas operações, não é um espaço vectorial.
Vejamos algumas propriedades dos espaços vectoriais:
Teorema 3.1.1 Seja V um espaço vectorial real. Então para quaisquer α, β ∈ R

e x, y, z ∈ V, tem-se:
(i) x + z = y + z ⇒ x = y
(ii) x − y = x + (−y)
(iii) αx = βx ∧ x 6= 0V ⇒ α = β
(iv) 0 x = 0V
(v) α 0V = 0V
(vi) α x = 0V ⇒ α = 0 ∨ x = 0V
(vii) −(x + y) = (−x) + (−y) = −x − y
(viii) −(α)x = α(−x) = −(αx)
(ix) (α − β)x = αx − βx
(x) α(x − y) = αx − αy
Estas propriedades demonstram-se a partir dos axiomas que constituem a defi-

nição de espaço vectorial.
3.1.2 Combinação Linear

Na definição de espaço vectorial estão contemplados dois tipos de elementos:
vectores e escalares; e duas operações: adição e multiplicação por um escalar.
Estes elementos e estas operações permitem-nos escrever um qualquer vector
desse espaço a partir de outros. Assim, podemos multiplicar vectores por es-
calares e somar vectores para obtermos novos vectores.
Consideremos no espaço vectorial R2 com as operações usuais de adição e mul-

tiplicação por um escalar e os vectores: (1, 2); (−1, 0). A partir destes vectores,
podemos obter muitos outros vectores de R2 . Vejamos alguns exemplos:
(1, 2) + (−1, 0) = (0, 2)

2(1, 2) = (2, 4)
−1(1, 2) = (−1, −2)
−3(−1, 0) = (3, 0)
2(1, 2) − 3(−1, 0) = (5, 4)
−(1, 2) + 2(−1, 0) = (−3, −2)
0(1, 2) + 0(−1, 0) = (0, 0)
..
.
O facto de, por exemplo, o vector (5, 4) poder ser obtido à custa dos vectores
(1, 2) e (−1, 0), significa que (5, 4) se pode escrever como combinação linear
dos vectores (1, 2) e (−1, 0).
Podemos então definir:
Definição 3.1.2 Sejam v1 , v2 , . . . , vn vectores do espaço vectorial real V. Diz-se

que o vector x ∈ V é combinação linear dos vectores v1 , v2 , . . . , vn se
x = α1 v1 + α2 v2 + . . . + αn vn ,
com α1 , α2 , . . . , αn ∈ R.
Seja V um espaço vectorial real e v1 , v2 , . . . , vn , n vectores arbitrários de V, então,
0V = 0v1 + 0v2 + . . . + 0vn
A esta combinação linear damos o nome de combinação linear trivialmente

nula.
Exemplo 3.1.2
1. Em R3 , verifiquemos se (2, 4, 0) é combinação linear de (1, −1, 2) , (1, 1, 1)

e (−1, 0, −1) . Ou seja, será que existem α, β e γ ∈ R tais que
α (1, −1, 2) + β (1, 1, 1) + γ (−1, 0, −1) = (2, 4, 0)?

Como,
α (1, −1, 2) + β (1, 1, 1) + γ (−1, 0, −1) = (2, 4, 0)

 α + β − γ = 2
⇐⇒ −α + β = 4
2α + β − γ = 0


1 1 −1

é um sistema de Cramer, pois −1 1 0 = −1+0+1−(−2 + 0 + 1) =
2 1 −1
1, podemos resolvê-lo utilizando a regra de Cramer, donde vem que

2 1 −1

4 1 0

0 1 −1 −2 + 0 − 4 − (0 + 0 − 4)
α= = = −2,
1 1 −1
−1 + 0 + 1 − (−2 + 0 + 1)
−1 1 0

2 1 −1

1 2 −1

−1 4 0

2 0 −1 −4 + 0 + 0 − (−8 + 0 + 2)
β= = =2
1 1 −1
−1 + 0 + 1 − (−2 + 0 + 1)
−1 1 0

2 1 −1

1 1 2

−1 1 4

2 1 0 0 + 8 − 2 − (4 + 4 + 0)
γ= = = −2.
1 1 −1
−1 + 0 + 1 − (−2 + 0 + 1)
−1 1 0

2 1 −1
Logo
(2, 4, 0) = −2 (1, −1, 2) + 2 (1, 1, 1) + (−2) (−1, 0, −1)
e portanto, o vector (2, 4, 0) pode ser escrito de maneira única como

combinação linear de (1, −1, 2) , (1, 1, 1) e (−1, 0, −1) .
2. Em P2 [x] , verifiquemos se q (x) = 1 + x − 2x2 pode ser escrito como
combinação linear de p1 (x) = 2 + x + x2 e p2 (x) = −3x + x2 . Ou seja, será
que existem α e β ∈ R tais que
α 2 + x + x2 + β −3x + x2 = 1 + x − 2x2 ?

Sendo,
α 2 + x + x2 + β −3x + x2 = 1 + x − 2x2 ⇔

⇔ 2α + (α − 3β) x + (α + β) x2 = 1 + x − 2x2 ⇔

 2α = 1
⇔ α − 3β = 1
α + β = −2

Passando à forma matricial, temos:

   
2 0 1 1 −3 1
 1 −3 1  − −−−−→
L1 ↔ L2  2 0 1 

1 1 −2 1 1 −2
−−−−−−−−−−−−−→ 1 −3 1
   
−−−−−−−−−−−−→ 1 −3 1
−2L1 + L2 → L2  2
0 6 −1  − L2 + L3 → L3  0 6 −1  .
−L1 + L3 → L3 3
0 4 −3 0 0 − 73
Como o sistema é impossı́vel, q (x) não se pode escrever como combinação

linear de p1 (x) e p2 (x) .
3. Em R2 , verifiquemos se (0, 0) se pode escrever como combinação linear de
(1, 2) , (−1, 0) e (5, 4) . Ou seja, existem α, β e γ tais que:
α (1, 2) + β (−1, 0) + γ (5, 4) = (0, 0)?
Sendo

α − β + 5γ = 0
α (1, 2) + β (−1, 0) + γ (5, 4) = (0, 0) ⇔ ,
2α + 4γ = 0
uma vez que o sistema é homogéneo e tem mais incógnitas do que equações,
tem infinitas soluções. Vejamos,

1 −1 5 0 −−−−−−−−−−−−→ 1 −1 5 0
−2L1 + L2 → L2
2 0 4 0 0 2 −6 0
−−−−−−−→
1 1 −1 5 0 −−−−−−−−−→ 1 0 2 0
L2 → L 2 0 L2 + L1 → L1 0 1 −3

0 .

2 0 1 −3
Assim,

 α = −2γ
α + 2γ = 0
⇔ β = 3γ .
β − 3γ = 0
γ ∈ R

Logo para qualquer γ ∈ R,
(0, 0) = −2γ(1, 2) + 3γ(−1, 0) + γ(5, 4)

ou seja, (0, 0) pode escrever-se como combinação linear de (1, 2); (−1, 0) e
(5, 4).
Temos então:
• se γ = 0,
(0, 0) = 0 (1, 2) + 0 (−1, 0) + 0 (5, 4) ;

• se γ = −2,
(0, 0) = 4 (1, 2) − 6 (−1, 0) − 2 (5, 4) .

Portanto (0, 0) pode escrever-se de diferentes formas como combinação
linear de (1, 3), (−1, 0) e (5, 4).
3.1.3 Dependência e independência linear

Por um lado, se é verdade que dado um conjunto de vectores podemos escrever
outros vectores como combinação linear desses, também é verdade, tal como
pudemos verificar no último exemplo, que podem existir diferentes maneiras de
escrever um dado vector, a partir dos mesmos vectores. Vimos que o vector
(0, 0) de R2 se pode escrever de diferentes formas como combinação dos vectores
de A = {(1, 2) , (−1, 0) , (5, 4)} .
Contudo, se considerarmos o subconjunto de R2 , B = {(1, 2) , (−1, 0)} , o vector
(0, 0) já se escreve de maneira única como combinação linear dos vectores de B.
Verifiquemos esta afirmação:

α − β = 0
α (1, 2) + β (−1, 0) = (0, 0) ⇐⇒ ,
2α = 0
uma vez que estamos perante um sistema homogéneo, o determinante da matriz
dos coeficientes já nos indica se a solução para α e β é ou não única. Como

1 −1
2 0 = 2 6= 0 =⇒ α = β = 0

temos que 0 (1, 2) + 0 (−1, 0) = (0, 0) , ou seja, (0, 0) escreve-se de maneira única
como combinação linear de (1, 2) e (−1, 0) .
Estamos então em condições de definir vectores linearmente dependentes e vec-

tores linearmente independentes.
Definição 3.1.3 Sejam V um espaço vectorial real e v1 , v2 , . . . , vn , n vectores

de V. Diz-se que os vectores v1 , v2 , . . . , vn são linearmente independentes (l.i.)
se a única combinação linear nula de v1 , v2 , . . . , vn é trivialmente nula, isto é, se
para quaisquer escalares α1 , α2 , . . . , αn ,
α1 v1 + α2 v2 + . . . + αn vn = 0V =⇒ α1 = α2 = . . . = αn = 0.
Os vectores v1 , v2 , . . . , vn dizem-se linearmente dependentes (l.d.) se não são

linearmente independentes, isto é, se o vector nulo se pode exprimir como com-
binação linear de v1 , v2 , . . . , vn com coeficientes não todos nulos.
A partir desta definição podemos então concluir que os vectores de A são lin-
earmente dependentes, enquanto que os vectores de B são linearmente indepen-
dentes. Analisemos mais alguns exemplos.
Exemplo 3.1.3
1. Os vectores (1, −1, 2) , (1, 1, 1) e (−1, 0, 1) são linearmente independentes?

Como
α (1, −1, 2) + β (1, 1, 1) + γ (−1, 0, 1) = (0, 0, 0)
é equivalente ao sistema homogéneo

 α + β − γ = 0
−α + β = 0
2α + β + γ = 0

e sendo

1 1 −1

−1 1 0 = 1 + 0 + 1 − (−2 + 0 − 1) = 5 6= 0,

2 1 1
estamos perante um sistema possı́vel e determinado, ou seja a sua única

solução é a solução nula. Portanto, os vectores (1, −1, 2) , (1, 1, 1) e (−1, 0, 1)
são linearmente independentes.
2. Os polinómios 1 + x, 1 + x + x2 e x + x2 são linearmente independentes?
Como
α (1 + x) + β 1 + x + x2 + γ x + x2 = 0 + 0x + 0x2



 α + β = 0
α + β + γ = 0
β + γ = 0

e sendo
1 1 0

1 1 1 = 1 + 0 + 0 − (0 + 1 + 1) = −1 6= 0,

0 1 1
o sistema é possı́vel e determinado e, portanto, os polinómios 1+x, 1+x+x2
e x + x2 são linearmente independentes. Isto é,
0 + 0x + 0x2 = 0(1 + x) + 0(1 + x + x2 ) + 0(x + x2 )
é a única maneira de escrever o vector nulo como combinação linear dos

polinómios 1 + x, 1 + x + x2 e x + x2 .

1 −1 1 2 0 3
3. As matrizes , e são linearmente indepen-
1 0 −1 0 −2 0
dentes?
Como

1 −1 1 2 0 3 0 0
α +β +γ =
1 0 −1 0 −2 0 0 0


 α + β = 0
−α + 2β + 3γ = 0 (3.1)
α − β − 2γ = 0

e
1 1 0

−1 2 3 = −4 + 3 + 0 − (0 − 3 + 2) = 0,

1 −1 −2

1 −1
o sistema é possı́vel e indeterminado e, portanto, as matrizes ,
1 0
1 2 0 3
e são linearmente dependentes, ou seja, existem várias
−1 0 −2 0
maneiras de escrever a matriz nula como combinação linear das matrizes
dadas. Vejamos que relação tem que existir entre os escalares α, β e γ, não
todos nulos, para que a combinação linear seja possı́vel.
Resolvendo o sistema 3.1, temos que o seu conjunto solução é:
{(γ, −γ, γ) : γ ∈ R}
e portanto temos
• se γ = 1

1 −1 1 2 0 3 0 0
1. − 1. + 1. =
1 0 −1 0 −2 0 0 0
• se γ = −3

1 −1 1 2 0 3 0 0
−3. + 3. − 3. =
1 0 −1 0 −2 0 0 0
Obviamente que quando os vectores são linearmente dependentes, a combi-
nação linear trivialmente nula também é verificada.
Aplicando o teorema que se segue, pode-se analisar com mais facilidade a de-
pendência ou independência linear, em alguns conjuntos particulares de vectores.
Teorema 3.1.2 Num espaço vectorial V, tem-se:
(i) Um vector v é linearmente independente se e somente se v 6= 0V .

(ii) Se algum dos vectores v1 , v2 , . . . , vn é o vector nulo, então v1 , v2 , . . . , vn são
linearmente dependentes.
(iii) Se pelo menos dois dos vectores v1 , v2 , . . . , vn forem iguais, então v1 , v2 , . . . , vn
são linearmente dependentes.
(iv) Os vectores v1 , v2 , . . . , vn (n > 1) são linearmente dependentes se e somente
se algum deles é combinação linear dos restantes.
(v) Se v1 , v2 , . . . , vn são linearmente independentes, então v1 , v2 , . . . , vk , k < n
(vi) Se v1 , v2 , . . . , vn são linearmente dependentes, então v1 , v2 , . . . vn , vn+1 , . . . , vn+k
também são linearmente dependentes.
Analisemos, (iv) do teorema anterior, a partir de exemplos anteriores.
Exemplo 3.1.4

1 −1
1. Voltando à situação 3 do exemplo 3.1.4, vimos que as matrizes ,
1 0
1 2 0 3
e são linearmente dependentes, podemos por isso
−1 0 −2 0
concluir que uma delas se escreve como combinação linear das restantes.
Por exemplo:

0 3 1 −1 1 2
= −1. + 1.
−2 0 1 0 −1 0
2. Vimos na situação 1 do exemplo 3.1.2 que
(2, 4, 0) = −2 (1, −1, 2) + 2 (1, 1, 1) + (−2) (−1, 0, −1)
podemos então concluir que os vectores (1, −1, 2); (1, 1, 1); (−1, 0, −1) e (2, 4, 0)
são linearmente dependentes.
Procure exemplos que ilustrem todas as condições enunciadas no teorema 3.1.2.

O resultado que passaremos a enunciar será bastante útil para sabermos, dentro
de um dado conjunto de vectores, quantos são linearmente independentes.
Teorema 3.1.3 O número máximo de vectores linearmente independentes escol-

hidos entre vectores de um dado sistema de vectores v1 , v2 , ..., vn é a caracterı́stica
da matriz cujas colunas são esses vectores.
Nota: Também se pode considerar a matriz com os vectores dispostos em linha.
Exemplo 3.1.5 Verifiquemos se os vectores de R3 , (−1, 0, −8), (1, 4, −2) e (2, 4, 6)

     
−1 1 2 −1 1 2 −−−−−−−−−−−−→ −1 1 2
−−−−−−−−−−−−−→ 5
V = 0 4 4  −8L1 + L3 −→ L3  0 4 4  L2 + L3 −→ L3  0 4 4 
2
−8 −2 6 0 −10 −10 0 0 0
Logo r(V ) = 2, portanto apenas dois destes vectores são linearmente inde-
pendentes. Estes vectores linearmente independentes são as colunas da matriz
original correspondentes às colunas da matriz escalonada onde se encontram os
pivots.
3.1.4 Conjunto de geradores

Consideremos novamente o subconjunto de R2 , B = {(1, 2) , (−1, 0)} . Veri-
fiquemos se qualquer vector (a, b) de R2 , se pode escrever como combinação linear
dos vectores de B. Isto é, será que existem α, β ∈ R tal que α (1, 2) + β (−1, 0) =
(a, b)?
Como
α − β = a
α (1, 2) + β (−1, 0) = (a, b) ⇐⇒ ,
2α = b
e
1 −1
2 0 = 2 6= 0,

a matriz dos coeficientes tem inversa. Assim,
0 12 b

α a α
= ⇐⇒ = 2 .
β −1 12 b β b
2
−a
Temos então,
b b
(1, 2) + − a (−1, 0) = (a, b) ,
2 2
e, por conseguinte, qualquer vector (a, b) de R2 pode ser escrito de maneira única
como combinação linear dos vectores de B.
Vejamos o que acontece se acrescentarmos ao subconjunto B o vector (5, 4) ou

seja, considerando os vectores do conjunto A = {(1, 2) , (−1, 0) , (5, 4)}, será que
continuamos a conseguir escrever qualquer vector de R2 como combinação linear
de A? Será que existem α, β, γ ∈ R tal que α (1, 2) + β (−1, 0) + γ (5, 4) = (a, b)?
Uma vez que:

α − β + 5γ = a
α (1, 2) + β (−1, 0) + γ (5, 4) = (a, b) ⇐⇒
2α + 4γ = b
e como não existem determinantes caracterı́sticos neste sistema de equações

lineares, pelo teorema de Rouché, o sistema é possı́vel. Logo, continuamos
a conseguir escrever qualquer vector de R2 como combinação linear de (1, 2) ,
(−1, 0) e (5, 4) , desta vez de infinitas maneiras, dado que o sistema linear
é possı́vel e indeterminado, porque tem, neste caso, mais incógnitas do que
equações. Assim,

b b
− 2γ (1, 2) + − a + 3γ (−1, 0) + γ (5, 4) = (a, b) , γ ∈ R.
2 2
Note-se que neste caso, os escalares que multiplicam os vectores não dependem
só de a e b mas também do real γ.
Contudo, se retirarmos ao subconjunto B = {(1, 2), (−1, 0)} um dos vectores, já
não é possı́vel escrever qualquer vector (a, b) de R2 , como combinação linear de
um deles.
Por exemplo, não existe α ∈ R tal que α (−1, 0) = (7, 5) .
Considerando agora o subconjunto de R2 , C = {(1, 2) , (−1, −2)} , será possı́vel

escrever qualquer vector de R2 como combinação linear de (1, 2) e (−1, −2)?
Temos,
α − β = a
α (1, 2) + β (−1, −2) = (a, b) ⇐⇒
2α − 2β = b
ou seja,
1 −1 a −−−−−−−−−−−−→ 1 −1 a
−2L1 + L2 → L2 .
2 −2 b 0 0 b − 2a
Este sistema nem sempre é possı́vel (só é possı́vel se b − 2a = 0 isto é, b = 2a).
Logo, nem todos os vectores de R2 podem ser escritos como combinação linear
dos vectores (1, 2) e (−1, −2) . Contudo, todos os vectores do subconjunto de R2 ,
V1 = {(x, 2x) : x ∈ R} , podem escrever-se como combinação linear dos vectores
de C.
Com base no estudo efectuado, podemos constatar que os conjuntos A e B

permitem definir o espaço vectorial R2 . Ou seja, qualquer vector de R2 pode ser
escrito como combinação linear de (1, 2) , (−1, 0) e (5, 4) ou de (1, 2) e (−1, 0) ,
sendo que no segundo caso esta combinação se pode fazer de maneira única.
Esta constatação permite-nos compreender melhor a seguinte definição.
Definição 3.1.4 Sejam v1 , v2 , . . . , vn vectores de um certo espaço vectorial V.

Dizemos que esses vectores são geradores do espaço (ou que geram o espaço),
facto que se representa por V = hv1 , v2 , . . . , vn i , quando qualquer vector do
espaço V se pode escrever como combinação linear de v1 , v2 , . . . , vn .
Quando V possui um número finito de geradores, dizemos que V é finitamente
gerado.
De acordo com o que vimos anteriormente, temos então que
R2 = h(1, 2) , (−1, 0)i ;
R2 = h(1, 2) , (−1, 0) , (5, 4)i

e
V1 = h(1, 2) , (−1, −2)i .
Note-se que o conjunto de geradores de cada espaço vectorial não é único.

Determinemos os conjuntos geradores de mais alguns espaços vectoriais.
Exemplo 3.1.6
1. Verifiquemos se os polinómios 1 + x, 1 + x + x2 e x + x2 geram P2 [x] ou

seja, analisemos se
∃α, β, γ ∈ R : α (1 + x) + β (1 + x + x2 ) + γ (x + x2 ) = a0 + a1 x + a2 x2 .
Temos,
α (1 + x) + β 1 + x + x2 + γ x + x2 = a0 + a1 x + a2 x2 ⇐⇒


 α + β = a0
⇐⇒ α + β + γ = a1
β + γ = a2

Passando à resolução matricial do sistema:

   
1 1 0 a0 1 1 0 a0
−−−−−−−−−−−→ −−−−−→
 1 1 1 a1  −L1 + L2 → L2  0 0 1 a1 − a0  L2 ↔ L3
0 1 1 a2 0 1 1 a2
 
1 1 0 a0
 0 1 1 a2 .

0 0 1 a1 − a0
Como a caracterı́stica da matriz dos coeficientes, a caracterı́stica da matriz

ampliada e o número de incógnitas são iguais a 3, o sistema linear é possı́vel
e determinado, logo os vectores (polinómios) 1+x, 1+x+x2 e x+x2 geram
P2 [x] , ou seja,
P2 [x] = 1 + x, 1 + x + x2 , x + x2 .

Uma vez que o espaço P2 [x] é gerado por 3 vectores, este é um espaço
finitamente gerado.

1 −1 1 2 0 3
2. Consideremos agora os vectores (matrizes) , e .
1 0 −1 0 −2 0
Verifiquemos se esses vectores geram M2 , ou seja,

1 −1 1 2 0 3 a b
∃α, β, γ ∈ R : α +β +γ = .
1 0 −1 0 −2 0 c d
Como

1 −1 1 2 0 3 a b
α +β +γ = ⇐⇒
1 0 −1 0 −2 0 c d


 α + β = a
−α + 2β + 3γ = b

⇐⇒ ,

 α − β − 2γ = c
0 = d

podemos logo
nos casos em que d 6= 0, as matrizes
verificarquepelos menos,
1 −1 1 2 0 3
, e não geram M2 .
1 0 −1 0 −2 0
Analisemos então quais as condições a que têm que obedecer as matrizes de
M2 que são geradas por estes vectores. Apliquemos o teorema de Rouché.
Para tal, calculemos os determinantes caracterı́sticos
.. ..

1 1 . a 1 1 . a

.. ..

−1 2 b.
= −a + 2b + 3c;

−1 2 . b
= 3d.

··· ··· ··· ···

··· ··· ··· ···

. ..
1 −1 ..

c 0 0 . d
Para que o sistema seja possı́vel, estes determinantes têm que ser iguais a
zero, isto é,

−a + 2b + 3c = 0 a = 2b + 3c
⇐⇒ .
3d = 0 d = 0

1 −1 1 2 0 3
Portanto, , , geram matrizes de ordem 2 se
1 0 −1 0 −2 0
a = 2b + 3c e d = 0. Ou seja,

1 −1 1 2 0 3 a b 2
, , = ∈ R : a = 2b + 3c ∧ d = 0 =
1 0 −1 0 −2 0 c d

2b + 3c b
= , b, c ∈ R .
c 0
3.1.5 Base e dimensão

Na subsecção anterior verificamos que o conjunto de geradores de um dado
espaço não é único. Vimos por exemplo que
R2 = h(1, 2) , (−1, 0)i e R2 = h(1, 2) , (−1, 0) , (5, 4)i .
Por outro lado, também concluı́mos na subsecção 3.1.3, que os vectores (1, 2)
e (−1, 0) são linearmente independentes, mas que (1, 2) , (−1, 0) e (5, 4) já são
linearmente dependentes.
A partir das análises anteriores temos então que o espaço vectorial R2 pode ser
gerado pelos vectores linearmente independentes de B = {(1, 2) , (−1, 0)} e pelos
vectores linearmente dependentes que constituem A = {(1, 2) , (−1, 0) , (5, 4)} ,
com a particularidade que, no primeiro conjunto gerador, todos os vectores do
espaço vectorial R2 são gerados de maneira única, isto é, são escritos de forma
única como combinação linear dos vectores de B. Se retirarmos, como também já
vimos, um vector do conjunto B, ele deixa de gerar R2 . Assim, podemos afirmar
que existe um número mı́nimo de vectores geradores que permitem definir o
espaço. O menor subconjunto de vectores do espaço vectorial V que representa
o espaço vectorial V chama-se base do espaço vectorial V. Mais formalmente
temos,
Definição 3.1.5 Uma base de um espaço vectorial V, finitamente gerado, é um

conjunto de vectores geradores de V linearmente independentes.
Exemplo 3.1.7
1. O conjunto B = {(1, 2) , (−1, 0)} é uma base do espaço vectorial R2 , porque

vimos que os vectores de B são linearmente independentes e geram R2 .
2. O conjunto A = {(1, 2) , (−1, 0) , (5, 4)} não é uma base do espaço vectorial
R2 , porque vimos que os vectores de A são linearmente dependentes.
3. O conjunto BC = {(1, 0) , (0, 1)} também é uma base de R2 , porque os
vectores de BC são linearmente independentes e geram R2 .
4. O conjunto dos polinómios {1 + x, 1 + x + x2 , x + x2 } é uma base do espaço
vectorial P2 [x] , porque vimos nos exemplos 3.1.3 e 3.1.6 estes polinómios
são linearmente independentes e geram P2 [x] .

1 −1 1 2 0 3
5. O conjunto das matrizes , , não é uma
1 0 −1 0 −2 0
base do espaço vectorial M2 , porque tal como vimos no exemplo 3.1.6 estas
matrizes não geram M2 .
6. O espaço nulo, V = {0V }, tem como base o conjunto vazio.
Para que não haja ambiguidade, é conveniente considerar os vectores da base

escritos por uma determinada ordem. Os vectores v1 , v2 , . . . , vn , escritos por
uma outra ordem qualquer, continuam a constituir uma base de V, uma vez que
tanto o conceito de independência linear como o facto de gerarem o espaço não
depende da ordem por que os vectores se apresentam. No entanto, duas bases
constituı́das pelos mesmos vectores, escritos por ordem diferente, considerar-
se-ão, daqui para a frente, bases diferentes. Assim, temos que, por exemplo,
{(1, 2), (−1, 0)} e {(−1, 0), (1, 2)} são duas bases distintas de R2 .
Apresentemos algumas propriedades importantes das bases de um espaço vecto-

rial.
Teorema 3.1.4 Seja V um espaço vectorial.
(i) Se V é um espaço vectorial finitamente gerado, então V admite uma base.

(ii) Se B1 e B2 são duas bases de V, então B1 e B2 têm o mesmo número de
vectores.
(iii) Se B = {v1 , v2 , . . . , vn } é uma base de V, então todo o conjunto com mais
de n vectores será linearmente dependente.
(iv) Se B = {v1 , v2 , . . . , vn } é uma base de V, então todo o conjunto com menos
de n vectores não gera o espaço V.
(v) Se A = {u1 , u2 , . . . , un } é um conjunto de vectores de V e um destes vectores

é o vector nulo então A não é uma base de V.
Por (ii) do teorema 3.1.4, podemos concluir que todas a bases de um mesmo
espaço vectorial V, têm o mesmo número de vectores. A esse número é atribuı́da
uma designação especial.
Definição 3.1.6 A dimensão de um espaço vectorial V é igual ao número de

vectores que formam uma base desse espaço. Representa-se por dim(V ).
Exemplo 3.1.8 A partir do exemplo 3.1.7, podemos concluir que:
1. Sendo B = {(1, 2) , (−1, 0)} uma base (com dois vectores) do espaço vecto-
rial R2 , dim R2 = 2;
2. dim (P2 [x]) = 3;
3. dim ({0V }) = 0.
O conhecimento da dimensão de um dado espaço vectorial (finitamente gerado)

reveste-se de alguma importância, em virtude das seguintes propriedades.
Teorema 3.1.5 Seja V um espaço vectorial de dimensão n (dim (V ) = n).
(i) Não há, no espaço vectorial V, sistemas de vectores independentes com mais
de n vectores.
(ii) V não pode ser gerado por um conjunto com menos de n vectores.
(iii) Qualquer sistema com n vectores independentes é uma base de V.
(iv) Qualquer sistema com n vectores geradores de V é uma base de V.
Todos os espaços vectoriais possuem uma base especial, chamada base canónica,
que é constituı́da pelos chamados vectores unitários.
• Bc = {(1, 0) , (0, 1)} é a base canónica de R2 , e portanto, como já vimos,

dim (R2 ) = 2.
• Bc = {(1, 0, . . . , 0) , (0, 1, . . . , 0) , . . . , (0, 0, . . . , 1)} (com n vectores) é a base
canónica de Rn , e portanto, dim (Rn ) = n.
• Bc = {1} é a base canónica de R, logo dim (R) = 1.

1 0 0 1 0 0 0 0
• Bc = , , , é a base canónica de M2
0 0 0 0 1 0 0 1
assim, dim (M2 ) = 4.
   

 1 0 0 ··· 0 0 0 ···
1 0
 0 0 0 ··· 0 0 0 ···
0 0
   
• Bc =  .. , ,...,
   
.... . . ..  .. ..
.. . . .. 
 .
 . . . .   . .. . . 

 0 0 0 ··· 0 m×n
0 0 0 ··· 0 m×n
  
0 0 0 ··· 0 

 0 0 0 ··· 0  

. . . ,  .. .. é a base canónica de Mm×n .
 
.. . . .. 
 . . . . .  


0 0 0 ··· 1 m×n

Logo, dim (Mm×n ) = m × n.

• Bc = {1, x, x2 } é a base canónica de P2 [x] logo, como já vimos,
dim (P2 [x]) = 3.
• Bc = {1, x, x2 , . . . , xn } é a base canónica de Pn [x] . Portanto
dim (Pn [x]) = n + 1.
Definição 3.1.7 Seja B = {v1 , v2 , . . . , vn } uma base do espaço vectorial V. Cada

vector v ∈ V escreve-se de maneira única na forma v = α1 v1 + α2 v2 + . . . + αn vn .
Logo (α1 , α2 , . . . , αn ) são as componentes de v em relação à base B considerada,
e representa-se por [v]B = (α1 , α2 , . . . , αn )B .
Nota: Quando a base está omissa é porque estamos a trabalhar na base canónica.
Exemplo 3.1.9 Consideremos, no espaço vectorial R2 , as bases B = {(1, 2) , (−1, 0)}

e Bc = {(1, 0) , (0, 1)}(base canónica).
Quando escrevemos v = (5, 4), na verdade temos 5 × (1, 0) + 4 × (0, 1) isto é, 5
e 4 são as componentes do vector v em relação à base canónica (Bc ) de R2 .
Determinemos as componentes do vector [v]Bc = (5, 4)Bc ∈ R2 em relação à base
B. Como
(5, 4)Bc = 2 (1, 2) − 3 (−1, 0) ,
então,
[v]B = (2, −3) .
Logo (5, 4)Bc = (2, −3)B e portanto, como Bc é a base canónica de R2 podemos
escrever (5, 4) = (2, −3)B
Consideremos duas bases do espaço vectorial V,
B = {v1 , v2 , . . . , vn } e B 0 = {v10 , v20 , . . . , vn0 }.
Podemos então escrever o mesmo vector x ∈ V, em qualquer uma das bases de

forma única:
[x]B = a1 v1 + a2 v2 + . . . + an vn e [x]B 0 = a01 v10 + a02 v20 + . . . + a0n vn0

ou em notação matricial,
   
a1 a01
 a2   a02 
[x]B =   e [x]B 0 =  .
   
.. ..
 .   . 
an a0n
Procuremos uma relação entre [x]B e [x]B 0 . Comecemos por escrever os vectores
da base B como combinação linear dos vectores da base B 0 , ou seja:
v1 = c11 v10 + c21 v20 + . . . + cn1 vn0

v2 = c12 v10 + c22 v20 + . . . + cn2 vn0
.. .
.
vn = c1n v10 + c2n v20 + . . . + cnn vn0
Assim, temos que:

[x]B = a1 v1 + a2 v2 + . . . + an vn =
= a1 (c11 v10 + c21 v20 + . . . + cn1 vn0 ) + a2 (c12 v10 + c22 v20 + . . . + cn2 vn0 )+
+ . . . + an (c1n v10 + c2n v20 + . . . + cnn vn0 ) =
= (a1 c11 + a2 c12 + . . . + an c1n )v10 + (a1 c21 + a2 c22 + . . . + an c2n )v20 +
+ . . . + (a1 cn1 + a2 cn2 + . . . + an cnn )vn0 = [x]B 0
e portanto para cada i ∈ {1, 2, . . . , n}
a0i = a1 ci1 + a2 ci2 + . . . + an cin .
Na forma matricial temos,

     
a01 c11 c12 . . . c1n a1
 a0   c21 c22 . . . c2n   a2 
 2  
 ..  =  .
  
.. .. .. ..   ..
 .   . . . .   . 
a0n cn1 cn2 . . . cnn an
| {z }
MBB 0
Observando atentamente a equação matricial anterior, verificamos que a matriz
designada por matriz mudança de base que permite a mudança da base B
para a base B 0 , MBB 0 , de um dado vector, é construı́da a partir das componentes
dos vectores da base B, escritos como combinação linear dos vectores de B 0 . Estas
componentes, [vi ]B 0 , i ∈ {1, 2, . . . , in }, são os elementos que ocupam a coluna i
da matriz MBB 0 . Ou seja,
     
c11 c12 c1n
 c21   c22   c2n 
[v1 ]B 0 =  ; [v ] = ; . . . ; [v ] = .
     
..  2B 0  ..  n B 0  ..
 .   .   . 
cn1 cn2 cnn
Podemos então concluir que dado o vector x na base B, [x]B , podemos obter as
componentes deste vector na base B 0 , [x]B 0 , multiplicando a matriz mudança de
base da base B para a base B 0 , MBB 0 pelas componentes do vector [x]B . Isto é,
[x]B 0 = MBB 0 [x]B .
MBB 0 é a matriz mudança de base, da base B para a base B 0 . Por outro lado, a
matriz mudança de base, da base B 0 para a base B é MB 0 B tal que
−1
MB 0 B = MBB 0,
pois
−1
[x]B 0 = MBB 0 [x]B ⇔ MBB 0 [x]B 0 = [x]B
ou seja,
−1
[x]B = MBB 0 [x]B 0 .
Exemplo 3.1.10 Sejam Bc = {(1, 0), (0, 1)} e B = {(1, 2), (−1, 0)} bases de
R2 . Determinemos a matriz mudança da base Bc para a base B.
Escrevendo os vectores de Bc como combinação linear dos vectores de B, temos:
(1, 0) = 0(1, 2) + (−1)(−1, 0), isto é, (1, 0)Bc = (0, −1)B ;

1 1 1 1
(0, 1) = (1, 2) + (−1, 0), isto é, (0, 1)Bc = , .
2 2 2 2 B
Temos então:
1

0 2
MBc B = 1 .
−1 2
Assim, o vector [u]Bc = (5, 4) escrito na base B é

1

0 2
5 2
[u]B = MBc B .[u]Bc = 1 . = .
−1 2
4 −3
As coordenadas do vector u na base B são 2 e −3, isto é, [u]B = (2, −3)B , ou
seja, (5, 4)Bc = 2(1, 2) + (−3)(−1, 0).
3.2 Subespaços vectoriais

Quando trabalhamos com vectores de um certo espaço vectorial, podemos
estar interessados em trabalhar apenas com um determinado subconjunto S de
vectores de V. No entanto, ao efectuarmos operações com vectores do subcon-
junto S escolhido, poderemos obter resultados que não estão nesse subconjunto.
Nessas circunstâncias, não poderı́amos trabalhar exclusivamente no subconjunto
S.
Consideremos o subconjunto S1 = {(x, 0) : x ∈ R} de R2 , com as operações
usuais de adição e multiplicação por um escalar em R2 . Estas operações são
internas em S1 , isto é,
(x, 0) + (y, 0) = (x + y, 0) ∈ S1 ,
α (x, 0) = (αx, 0) ∈ S1 , α ∈ R
e verificam-se os 8 axiomas da definição de espaço vectorial. Contudo, se con-
siderarmos o subconjunto S2 = {(x, 0) : x ≥ 0} de R2 , com as operações usuais,
a multiplicação por um escalar não é interna em S2 . Por exemplo, para α = −2,
temos
−2 (x, 0) = (−2, 0) 6∈ S2 .
Aplicando a definição 3.1.1 aos subconjuntos de R2 , S1 e S2 , verificamos que o
subconjunto S1 é um espaço vectorial, o que já não se verifica com S2 .
Estes exemplos levam-nos a introduzir a seguinte definição:
Definição 3.2.1 Sejam V um espaço vectorial real e S um subconjunto não

vazio de V. O subconjunto S é um subespaço vectorial de V, se S é um espaço
vectorial em relação à adição e à multiplicação por um escalar, definidas em V.
Assim, dos exemplos anteriores, verifica-se que S1 é um subespaço vectorial de

R2 e S2 não o é.
Para verificar se um dado subconjunto de um espaço vectorial é ou não um sub-
espaço vectorial, não é necessário comprovar todas as condições da definição de
espaço vectorial. Basta aplicar o seguinte teorema:
Teorema 3.2.1 Um subconjunto S, de um espaço vectorial V, é um subespaço

vectorial de V se estiverem satisfeitas as seguintes condições:
(i) S 6= Ø,
(ii) ∀x, y ∈ S, x + y ∈ S,
3.2. SUBESPAÇOS VECTORIAIS 139
(iii) ∀α ∈ R, ∀x ∈ S, αx ∈ S.
Equivalente a este teorema, temos o seguinte corolário:
Corolário 3.2.1 S é um subespaço vectorial de V se e só se verificar as seguintes

condições:
(i) S 6= Ø (ou 0V ∈ S),
(ii) ∀α, β ∈ R, ∀x, y ∈ S, αx + βy ∈ S.
Exemplo 3.2.1
1. Verifiquemos se o conjunto S3 = {−b + (a − b) x + ax2 : a, b ∈ R} , com as

opera- ções usuais em P2 [x] , é subespaço vectorial de P2 [x].
(i) O polinómio 0 + 0x + 0x2 ∈ S3 , logo S3 6= Ø.
(ii) Sejam −b + (a − b) x + ax2 , −d + (c − d) x + cx2 ∈ S3 .
−b + (a − b) x + ax2 + −d + (c − d) x + cx2 =

= − (b + d) + (a − b + c − d) x + (a + c) x2 =
= − (b + d) + (a + c − (b + d)) x + (a + c) x2 ∈ S3 .
(iii) Sejam α ∈ R e −b + (a − b) x + ax2 ∈ S3 .
α −b + (a − b) x + ax2 = −αb + (αa − αb) x + (αa) x2 ∈ S3 .

Portanto o conjunto S3 = {−b + (a − b) x + ax2 : a, b ∈ R} , com as

operações usuais em P2 [x] , é subespaço vectorial de P2 [x].

a b
2. Verifiquemos se o conjunto S4 = : a, b, c ∈ R ∧ d ∈ Q , com
c d
as opera- ções usuais em M2 , é subespaço vectorial de M2 . Apliquemos o
corolário
3.2.1.

0 0 0 0
(i) ∈ S4 , logo S4 6= Ø ou 0M2 = ∈ S4 .
0 0 0 0
0 0
a b a b
(ii) Sejam , ∈ S4 . Verifiquemos que existem valores
c d c0 d0
para α, β ∈ R, tais que
0 0
a b a b
α +β 6∈ S4 .
c d c0 d0
√
Por exemplo, para α = 2 e β = 0 temos
0 0 √ √
√

a b a b 2a √ 2b 6∈ S4 ,
2 +0 = √
c d c0 d0 2c 2d
√
porque 2d 6∈ Q.
Portanto, S4 não é subespaço vectorial de M2 .
Seja V um espaço vectorial real. Então, é imediato verificar que os subconjuntos

V e {0V } de V são ambos subespaços vectoriais de V.
Aos subespaços vectoriais V e {0V } de V chamamos, respectivamente, sube-
spaço impróprio e subespaço nulo. Qualquer outro subespaço vectorial de
V (se os houver) diz-se um subespaço próprio.
Da definição 3.1.1 resulta que um subespaço vectorial é ele próprio um espaço

vectorial. Estes factos permitem-nos aplicar todos os conceitos estudados em
espaços vectoriais. Assim, todos os subespaços vectoriais têm conjuntos de
geradores, bases e dimensão (menor ou igual à dimensão do espaço), como nos
espaços vectoriais.
Em particular, tomando o subespaço vectorial S1 = {(x, 0) : x ∈ R}, facilmente
se deduz que
(x, 0) = x(1, 0), x ∈ R.
Donde S1 = h(1, 0)i e portanto {(1, 0)} é uma base de S1 . Logo S1 é um subespaço
de R2 com dimensão 1.
Tal como acabamos de verificar, a partir de um subespaço vectorial, podemos
determinar um conjunto de vectores que o geram. Por outro lado, considerando
todos os vectores que podem ser escritos como combinação linear de um dado
subconjunto de vectores de um espaço vectorial, também é possı́vel determinar
o subespaço por eles gerado.
Consideremos no espaço vectorial R3 , o conjunto de vectores X = {(1, 2, 0) , (−1, 0, 0)}
e o conjunto de todas as possı́veis combinações lineares destes vectores, isto é, o
conjunto
L = {α (1, 2, 0) + β (−1, 0, 0) : α, β ∈ R} = {(α − β, 2α, 0) : α, β ∈ R} .
Verifiquemos que este conjunto é um subespaço vectorial de R3 ,

(i) (0, 0, 0) ∈ L, visto que 0 · (1, 2, 0) + 0 · (−1, 0, 0) = (0, 0, 0) . Portanto, L 6= Ø.
(ii) Sejam u = α (1, 2, 0)+β (−1, 0, 0) , v = γ (1, 2, 0)+δ (−1, 0, 0) ∈ L e λ1 , λ2 ∈
R.
λ1 u + λ2 v = λ1 [α (1, 2, 0) + β (−1, 0, 0)] + λ2 [γ (1, 2, 0) + δ (−1, 0, 0)] =
= [λ1 α (1, 2, 0) + λ1 β (−1, 0, 0)] + [λ2 γ (1, 2, 0) + λ2 δ (−1, 0, 0)] =
= (λ1 α + λ2 γ) (1, 2, 0) + (λ1 β + λ2 δ) (−1, 0, 0) ∈ L.
Logo, pelo corolário 3.2.1, temos que L é um subespaço vectorial de R3 . Note-se
que por construção, temos:
L = h(1, 2, 0) , (−1, 0, 0)i .
Este subespaço vectorial L, construı́do a partir do conjunto X, L = hXi, designa-

se por subespaço gerado por X, de acordo com a seguinte definição:
Definição 3.2.2 Seja X um conjunto não vazio tal que X ⊆ V. O subespaço

vectorial L constituı́do por todas as combinações lineares feitas com os vectores
de X, chama-se subespaço gerado por X, e representa-se por L = hXi .
Um subespaço vectorial de V gerado por X é o mais pequeno subespaço vectorial

de V que contém o subconjunto X.
Notas:
• Se A = Ø, hØi = {0} ;
• Todo o conjunto X ⊂ V gera um subespaço vectorial de V, podendo ocorrer
hXi = V. Neste caso, X é um conjunto gerador de V.
Vamos ver que, a partir de subespaços vectoriais dados, num certo espaço vec-
torial, é possı́vel construir novos subespaços.
Definição 3.2.3 Sejam U e W dois subespaços vectoriais de V. A intersecção

de U com W é o conjunto
U ∩ W = {x ∈ V : x ∈ U ∧ x ∈ W } .
Teorema 3.2.2 Se U e W são subespaços vectoriais do espaço vectorial V, então

U ∩ W é um subespaço vectorial de V.
Analisemos um exemplo.
Exemplo 3.2.2 Consideremos U1 = {(x, x) : x ∈ R} e W1 = {(y, −y) : y ∈ R}

sub- espaços vectoriais de R2 .
Mostremos que U1 ∩ W1 é um subespaço vectorial de R2 .
U1 ∩ W1 = {(x, x) : x ∈ R} ∩ {(y, −y) : y ∈ R} =

= (a, b) ∈ R2 : b = a ∩ (a, b) ∈ R2 : b = −a =

= (a, b) ∈ R2 : b = a ∧ b = −a = {(0, 0)} .

Logo, U1 ∩ W1 = {(0, 0)} ⊂ R2 é um subespaço vectorial de R2 , porque é o

subespaço nulo de R2 .
Generalizando, temos:
Teorema 3.2.3 A intersecção de um número qualquer de subespaços vectoriais

de um espaço vectorial V é um subespaço vectorial de V.
Analisemos agora o que acontece quando reunimos dois subespaços vectoriais de

um mesmo espaço vectorial.
Definição 3.2.4 Sejam U e W dois subespaços vectoriais de V. A reunião de

U com W é o conjunto
U ∪ W = {x ∈ V : x ∈ U ∨ x ∈ W } .
Teorema 3.2.4 Se U e W são subespaços vectoriais do espaço vectorial V, então

U ∪ W é um subespaço vectorial de V se e só se U ⊆ W ou W ⊆ U.
Vejamos um exemplo em que a reunião de dois subespaços vectoriais de R2 não

é um subespaço vectorial de R2 .
Exemplo 3.2.3 Consideremos os subespaços vectoriais de R2 do exemplos an-

terior, U1 = {(x, x) : x ∈ R} e W1 = {(y, −y) : y ∈ R} subespaços vectoriais de
R2 .
Mostremos que U1 ∪ W1 não é um subespaço vectorial de R2 .
U1 ∪ W1 = (a, b) ∈ R2 : b = a ∪ (a, b) ∈ R2 : b = −a =

= (a, b) ∈ R2 : b = a ∨ b = −a .

Neste caso, falha a condição (ii) do teorema 3.2.1. Se, por exemplo considerar-
mos (1, 1) , (1, −1) ∈ U1 ∪ W1 .
(1, 1) + (1, −1) = (2, 0) 6∈ U1 ∪ W1 .
Logo, U1 ∪ W1 não é subespaço vectorial de R2 .
Neste exemplo, verificamos que U1 ∪ W1 não é um subespaço vectorial de R2 .

Alternativamente, aplicando o teorema 3.2.4, poderı́amos ter mostrado que U1 6⊆
W1 e W1 6⊆ U1 . (Verifique!)
Passemos a analisar um caso em que a reunião de dois subespaços vectoriais é
um espaço vectorial.
Exemplo 3.2.4 Consideremos os subespaços vectoriais de R3 ,
U2 = {(x, y, 0) : x, y ∈ R} = (a, b, c) ∈ R2 : c = 0

e
W2 = {(x, 0, 0) : x ∈ R} = (a, b, c) ∈ R2 : b = c = 0

Mostremos que U2 ∪ W2 é um subespaço vectorial de R3 .

É fácil de verificar que W2 ⊂ U2 , logo temos
U2 ∪ W2 = {(x, y, 0) : x, y ∈ R} = U2 .
Portanto U2 ∪ W2 , é subespaço vectorial de R3 .

Definição 3.2.5 Sejam U e W dois subespaços vectoriais de V. A soma de U

com W, U + W, é o subconjunto de V formado por todas as somas u + v, onde
u ∈ U e w ∈ W, isto é
U + W = {v = u + w : u ∈ U, w ∈ W } .
Teorema 3.2.5 A soma dos subespaços vectoriais U e W de V, U +W, é também

um subespaço vectorial de V.
Exemplo 3.2.5 Sejam, novamente, U1 = {(x, x) : x ∈ R} e W1 = {(−y, y) : y ∈ R}

subespaços vectoriais de R2 .
Mostremos que U1 + W1 é um subespaço vectorial de R2 , ou seja, verifiquemos
as três condições do teorema 3.2.1 para
U1 + W1 = {(x, x) + (y, −y) : x, y ∈ R} = {(x + y, x − y) : x, y ∈ R} .
(i) Se fizermos x = y = 0, temos (x + y, x − y) = (0, 0) . Portanto, (0, 0) ∈

U1 + W1 , o que implica que U1 + W1 6= Ø ou (0R2 = (0, 0) ∈ U1 + W1 ) .
(ii) Sejam (x + y, x − y) , (x0 + y 0 , x0 − y 0 ) ∈ U1 + W1
(x + y, x − y) + (x0 + y 0 , x0 − y 0 ) = (x + y + x0 + y 0 , x − y + x0 − y 0 )
= ((x + x0 ) + (y + y 0 ) , (x + x0 ) − (y + y 0 )) ∈ U1 + W1 .
(iii) Sejam (x + y, x − y) ∈ U1 + W1 e α ∈ R
α (x + y, x − y) = (α (x + y) , α (x − y)) = (αx + αy, αx − αy) ∈ U1 + W1 .
Portanto, U1 +W1 é subespaço vectorial de R2 . Podemos mesmo dizer que U1 +W1

é o subespaço impróprio de R2 , pois U1 + W1 = R2 .
Podemos ainda enunciar um outro resultado acerca da soma de subespaços

vectoriais.
Teorema 3.2.6 Sejam X e Y subconjuntos quaisquer de um certo espaço vecto-

rial V. Então, hX ∪ Y i = hXi + hY i , ou seja, se X gera um subespaço vectorial
U e Y gera um subespaço vectorial W, então X ∪ Y gera U + W.
Com base neste teorema podemos alternativamente ao processo usado no exem-

plo 3.2.5, definir o subespaço que é dado a partir da soma de dois subespaços.
Voltemos então ao exemplo 3.2.5.
Exemplo 3.2.6 Comecemos por determinar os conjuntos de geradores de U1 e

W1 .
U1 = {(x, x) : x ∈ R} = {x (1, 1) : x ∈ R} = h(1, 1)i

e
W1 = {(y, −y) : y ∈ R} = {y (1, −1) : y ∈ R} = h(1, −1)i.
Logo, pelo teorema 3.2.6
U1 + W1 = h(1, 1), (1, −1)i .
Sendo então U1 + W1 definido como um conjunto de geradores, este é um sube-

spaço vectorial de R2 .
Passemos agora a estudar um caso particular de um subespaço vectorial que

resulta da soma de dois subespaços.
Definição 3.2.6 Diz-se que o espaço vectorial V é a soma directa dos seus
subespaços U e W, isto é U ⊕ W, se todo o vector v ∈ V pode ser escrito, de uma
e uma só maneira, como v = u + w, onde u ∈ U e w ∈ W.
Teorema 3.2.7 O espaço vectorial V é a soma directa dos seus subespaços U e

W, se e só se V = U + W e U ∩ W = {0V } .
Exemplo 3.2.7 Provemos que o espaço vectorial R2 é soma directa dos seus
subes- paços vectoriais U1 = {(x, x) : x ∈ R} e W1 = {(y, −y) : y ∈ R} . Para
tal, utilizemos o teorema 3.2.7.
- Como já vimos U + W = {(x + y, x − y) : x, y ∈ R} . Para que U + W = R2 ,

têm que existir x, y ∈ R tal que (a, b) = (x + y, x − y) , ∀ (a, b) ∈ R2 . Sendo

x + y = a
(a, b) = (x + y, x − y) =⇒
x − y = b
Temos então que

1 1 a −−−−−−−−−−−→ 1 1 a
b −L1 + L2 → L2 0 −2 b−a ,

1 −1
ou seja
a+b

x = 2
a−b .
y = 2
Existem então x = a+b2

e y = a−b
2
, quaisquer que sejam as coordenadas a e
b do vector (a, b) ∈ R . Portanto, U + W = R2 .
2
- Pelo exemplo 3.2.2, temos que U ∩ W = {(0, 0)} .
Assim, podemos concluir que U1 ⊕ W1 = R2 .
No caso de um espaço vectorial V ser finitamente gerado, todos os seus sube-

spaços vectoriais, gozam de uma mesma propriedade, conforme veremos de
seguida
Teorema 3.2.8 Seja U um subespaço vectorial de um espaço vectorial finita-

mente gerado V. Então U é finitamente gerado e dim (U ) ≤ dim (V ) , dando-se
a igualdade se e só se V = U.
Nota: Seja U um subespaço vectorial de V e dim (V ) = 0 então U = {0V }

(porque é gerado pelo conjunto vazio).
Exemplo 3.2.8
1. Consideremos novamente o subespaço vectorial de R2 , U1 = {(x, x) : x ∈ R} .

Como já vimos U1 = h(1, 1)i e pela alı́nea (i) do teorema 3.1.2, o vector
(1, 1) é linearmente independente, então o conjunto {(1, 1)} é uma base de
U1 .
Logo dim (U1 ) = 1 < 2 = dim (R2 ) .
2. Vimos, também no exemplo 3.2.7 que U1 + W1 = {(x + y, x − y) : x, y ∈ R}
é um subespaço impróprio de R2 , isto é U1 + W1 = R2 .
Assim, dim (U1 + W1 ) = 2 = dim R2 .
Se U e W são subespaços vectoriais finitamente gerados de um espaço vectorial

V, existe uma relação entre as dimensões de U, W, U ∩ W.
Teorema 3.2.9 Sejam V um espaço vectorial real e U e W dois subespaços

vectoriais de V de dimensão finita. Então,
dim (U + W ) = dim (U ) + dim (W ) − dim (U ∩ W ) .
Determinemos a dimensão de um espaço vectorial U + W, por aplicação deste

resultado.
Exemplo 3.2.9 Consideremos novamente os subespaços vectoriais de R3 ,
U2 = {(x, y, 0) : x, y ∈ R} = (a, b, c) ∈ R2 : c = 0

e
W2 = {(x, 0, 0) : x ∈ R} = (a, b, c) ∈ R2 : b = c = 0 .

Determinemos a dim(U2 + W2 ).
Temos que
U2 = {(x, y, 0) : x, y ∈ R} = h(1, 0, 0), (0, 1, 0)i
e sendo estes vectores geradores de U2 l.i., podemos concluir que dim(U2 ) = 2.
No caso de W2 ,
W2 = {(x, 0, 0) : x ∈ R} = h(1, 0, 0)i .
Logo dim(W2 ) = 1.
Determinemos agora a dim(U2 ∩ W2 ).
U2 ∩ W2 = (a, b, c) ∈ R2 : b = c = 0 = {(a, 0, 0) : a ∈ R} = h(1, 0, 0)i .

Donde se pode concluir imediatamente que dim(U2 ∩ W2 ) = 1

Aplicando o teorema anterior temos então que
dim (U2 + W2 ) = dim (U2 ) + dim (W2 ) − dim (U2 ∩ W2 ) = 2 + 1 − 1 = 2.
No caso de pretendermos determinar a dim(U2 ∩ W2 ), podemos determinar as

dimensões dos subespaços vectoriais U2 , W2 , U2 + W2 e usando o teorema 3.2.9
determinar essa dimensão.
Do teorema 3.2.9 resulta o seguinte corolário.
Corolário 3.2.2 Sejam V um espaço vectorial real e U e W dois subespaços

vectoriais de V de dimensão finita. Então, dim (U + W ) = dim (U ) + dim (W )
se e só se U ∩ W = {0V } .
A importância deste corolário está associada à definição de soma directa de

dois sub- espaços vectoriais. Uma vez que U ∩ W = {0V } equivale a dizer que
dim(U ∩ W ) = 0, aplicando este corolário concluimos que V é a soma directa dos
subespaços U e W, isto é V = U ⊕ W, se e só se dim (V ) = dim (U ) + dim (W ) .
Exemplo 3.2.10 No exemplo anterior verificamos que
dim(R2 ) 6= dim(U2 ) + dim(W2 ),
uma vez que dim(U2 ∩W2 ) 6= 0. Logo podemos concluir que R2 não é soma directa
de U2 com W2 .
3.3 Exercı́cios
Espaços Vectoriais: definição e propriedades
(a) R3 = {(x1 , x2 , x3 ) : xi ∈ R, ∀i = 1, 2, 3}, munido das operações usuais é um

espaço vectorial real.
(b) P2 [x] = {p(x) = a0 +a1 x+a2 x2 : ai ∈ R, ∀i = 0, 1, 2}, munido das operações
usuais é um espaço vectorial real.

a b
(c) M2 (R) = : a, b, c, d ∈ R , munido da adição de matrizes e mul-
c d
tiplicação de um escalar por uma matriz, é um espaço vectorial real.
Exercı́cio 3.3.2 Seja V o conjunto de todas as funções de um conjunto real

não vazio X. Para quaisquer funções f, g ∈ V e qualquer escalar k ∈ R, sejam
f + g e kf as funções em V definidas como se segue:
(f + g)(x) = f (x) + g(x) e (kf )(x) = kf (x), ∀x ∈ X
Demonstre que V é um espaço vectorial real.
Exercı́cio 3.3.3 * Seja V é o conjunto de pares ordenados de números reais:

V = {(a, b) : a, b ∈ R}. Mostre que V não é espaço vectorial real em relação a
cada uma das seguintes operações de adição e multiplicação por um escalar em
V :
(a) (a, b) + (c, d) = (a + c, b + d) e k(a, b) = (ka, b);

(b) (a, b) + (c, d) = (a, b) e k(a, b) = (ka, kb);
Exercı́cio 3.3.4 Seja V um espaço vectorial real. Prove que:
(a) Para qualquer α ∈ R, α.0V = 0V .

(b) Para qualquer vector x ∈ V, 0.x = 0V
(c) Se α.x = 0V , onde α ∈ R e x ∈ V, então α = 0 ou x = 0V .
(d) Para α ∈ R e x ∈ V, (−α)x = α(−x) = −αx.
Combinação linear de vectores
Exercı́cio 3.3.5 * Verifique se o vector v = (3, 9, −4, −2) em R4 é ou não

uma combinação linear dos vectores u1 = (1, −2, 0, 3), u2 = (2, 3, 0, −1), u3 =
(2, −1, 2, 1).

3 1
Exercı́cio 3.3.6 * Escreva a matriz E = como combinação linear
1 −1

1 1 0 0 0 2
das matrizes A = ,B = eC= .
1 0 1 1 0 −1
Exercı́cio 3.3.7 * Escreva o polinómio t2 + 4t − 3 sobre R como combinação

linear dos polinómios t2 − 2t + 5, 2t2 − 3t, t + 3.
Exercı́cio 3.3.8 * Para qual valor de k será o vector u = (1, −2, k) em R3 uma
combinação linear dos vectores v = (3, 0, −2) e w = (2, −1, −5)?
Exercı́cio 3.3.9 Mostre que o vector v = (3, 4) ∈ R2 pode ser escrito de

infinitas maneiras como combinação linear dos vectores v1 = (1, 0), v2 = (0, 1) e
v3 = (2, −1).
Dependência e Independência Linear
Exercı́cio 3.3.10 * Determine se os seguintes vectores em R3 são linearmente

dependentes ou linearmente independentes:
(a) (1, −2, 1), (2, 1, −1), (7, −4, 1);

(b) (1, 2, −3), (1, −3, 2), (2, −1, 5).
Exercı́cio 3.3.11 * Seja V o espaço vectorial das matrizes de ordem 2 sobre

R. Verifique se as matrizes A, B, C ∈ V são linearmente dependentes, onde:

1 1 1 0 1 1
(a) A = ,B = ,C = ;
1 1 0 1 0 0

1 2 3 −1 1 −5
(b) A = ,B = ,C = .
3 1 2 2 −4 0
Exercı́cio 3.3.12 Averı́gue quais dos seguintes conjuntos de polinómios são

linearmente independentes:
(a) {2x2 + 1, x2 + 3, x}
(b) {3x + 1, 2x2 + 1, 2x2 + 6x + 3}
Exercı́cio 3.3.13 * Determine o valor de k para que o conjunto
{(1, 0, −1), (1, 1, 0), (k, 1, −1)}
seja linearmente independente.

Exercı́cio 3.3.14 *
(a) Mostre que um conjunto A = {v1 , . . . , vi , . . . , vn } é linearmente dependente

se, e somente se, pelo menos um desses vectores é combinação linear dos
outros.
(b) De que maneira pode enunciar a alı́nea anterior usando a noção de inde-
pendência linear, de modo a obter algo equivalente?
Exercı́cio 3.3.15 Sejam u, v e w vectores linearmente independentes. Mostre

que u + v, u − v e u − 2v − w são também linearmente independentes.
Exercı́cio 3.3.16 Mostre que quaisquer que sejam a, b, c ∈ R os vectores de R3 ,
x1 = (1, a, b), x2 = (0, 1, c) e x3 = (0, 0, 1)
Conjunto de Geradores
Exercı́cio 3.3.17 Mostre que os vectores u = (1, 2, 3), v = (0, 1, 2) e w =

(0, 0, 1) geram R3 .
Exercı́cio 3.3.18 Mostre que o espaço U gerado pelos vectores
u1 = (1, 2, −1, 3), u2 = (2, 4, 1, −2), u3 = (3, 6, 3, −7)
e o espaço V gerado pelos vectores v1 = (1, 2, −4, 11) e v2 = (2, 4, −5, 14) são
iguais.
Exercı́cio 3.3.19 Seja P2 [x] = {a0 + a1 x + a2 x2 : ai ∈ R, ∀i = 0, 1, 2}, o espaço

vectorial real dos polinómios de grau não superior a 2.
Averigúe se os seguintes vectores constituem um conjunto de geradores de P2 [x],
sendo
(a) p(x) = 1 + 2x + x2 e q(x) = 2 + x2 ;

(b) p(x) = 1 + x2 , q(x) = 1 − x + x2 e r(x) = x − x2 .
Base e dimensão
Exercı́cio 3.3.20 * Determine se os seguintes vectores formam uma base do

espaço vectorial R3 :
(a) (1, 1, 1); (1, 2, 3); (2, −1, 1)

(b) (1, 2, 3), (1, 0, −1), (3, −1, 0); (2, 1, −2).
Exercı́cio 3.3.21 Seja M2 o espaço vectorial das matrizes de ordem 2 sobre R.

Verifique se as matrizes A, B, C, D ∈ M2 formam uma base de M2 .

1 1 1 0 1 1 0 −1
(a) A = ,B = ,C = ,D = .
1 1 0 1 0 0 0 0
Exercı́cio 3.3.22 Seja V um espaço vectorial real.

Para cada uma das alı́neas seguintes indique se é verdadeira ou falsa a respectiva
afirmação.
(a) Se V = hv1 , v2 , . . . , vn i, então dimV = n.
(b) Se {v1 , v2 , . . . , vn } é uma base de V, então o vector nulo não pode escrever-se
como combinação linear dos vectores v1 , v2 , . . . , vn .
(c) Se dimV = n e v1 , v2 , . . . , vn são vectores de V linearmente independentes,
então {v1 , v2 , . . . , vn } é uma base é uma base de V.
(d) Se V = hv1 , v2 , . . . , vn i, então {v1 , v2 , . . . , vn } é uma base é uma base de V.
(e) Se {v1 , . . . , vn−1 , vn } é uma base de V , então {v1 , . . . , vn−1 , v1 + vn } também
é uma base de V.
(f ) Se dimV = n, então quaisquer n − 1 vectores de V são linearmente inde-
pendentes.
(g) O conjunto T = {αv1 + βv2 : α, β ∈ R, v1 , v2 ∈ V } é um subespaço vectorial
de V.
Matrizes mudança de base
Exercı́cio 3.3.23 * Sejam as bases de R3 :

BC = {(1, 0, 0), (0, 1, 0), (0, 0, 1)}
B = {(1, 2, 1), (−1, −1, 0), (3, 1, −1)}
(a) Determine a matriz de mudança da base BC para a base B, (MBC B ) e a

matriz mudança da base B para a base BC , (MBBC ).
(b) Prove que MBC B = (MBBC )−1 .
(c) Determine as coordenadas do vector (5, −2, 3)BC na base B e do vector
(1, 0, −2)B na base BC .
Exercı́cio 3.3.24 Seja {e1 , e2 , e3 } a base canónica de R3 . Considere os vectores

v1 = (1, 0, 1), v2 = (1, 1, 0) e v3 = (1, 1, 1).
(a) Mostre que v1 , v2 e v3 formam uma base de R3 .
(b) Exprima os vectores e1 , e2 e e3 na base {v1 , v2 , v3 }.
(c) Determine as componentes do vector u = 3e1 + 4e2 − e3 na base {v1 , v2 , v3 }.
Exercı́cio 3.3.25 No espaço vectorial P2 [x] consideremos
BC = {1, x, x2 }, B = {1 + x, 1 + x2 , 1 + x + x2 }.
(a) Verifique que BC e B são bases de P2 [x].

(b) Escreva as matrizes mudança de base da base BC para a B e da base B para
a BC .
(c) Determine as coordenadas do vector [P ]BC = 3 + 3x2 na base B.
Exercı́cio 3.3.26 Sejam B1 e B2 duas bases do espaço vectorial R2 , e sejam

u1 , u2 dois vectores desse espaço. Na base B1 têm de coordenadas:
u1 = (2, 1), u2 = (0, −3).
Na base B2 têm de coordenadas:
u1 = (0, −1), u2 = (−1, 1).
Determine as coordenadas dos vectores que formam a base B2 em função dos

vectores da base B1 .
Exercı́cio 3.3.27 Consideremos o espaço vectorial real R3 . Seja

 
2 1 1
MBB 0 =  −2 2 −1 
−2 −1 4
a matriz de mudança da base B para a base B 0 de R3 .

Determine as coordenadas do vector [(7, 10, 6)]B 0 na base B.
Subespaços Vectoriais
Exercı́cio 3.3.28 Prove que S é um subespaço de V se, e somente se,
(i) 0V ∈ S( ou S 6= Ø)
(ii) ∀α, β ∈ R ∀x, y ∈ S α.x + β.y ∈ S
Exercı́cio 3.3.29 Considere o subconjunto de R2
E = (x, y) ∈ R2 : x ≥ 0 .

(a) Identifique geometricamente E.

(b) Verifique se E é um subespaço vectorial de R2 .
Exercı́cio 3.3.30 * Seja V = R3 , espaço vectorial real. Mostre que:
(a) S1 é subespaço de V , onde S1 = {(a, b, 0) : a, b ∈ R}, isto é, W é o plano

XOY , constituı́do pelos vectores cuja terceira componente é 0;
(b) S2 não é subespaço de V, onde S2 = {(a, b, c) : a, b, c ∈ Q} , isto é, W é o
conjunto dos vectores cujas componentes são números racionais.
Exercı́cio 3.3.31 Considere o espaço vectorial M3 (R), das matrizes reais quadradas
de ordem 3. Determine quais dos seguintes subconjuntos são seus subespaços
vectoriais:
(a) o conjunto de todas as matrizes simétricas;

(b) o conjunto de todas as matrizes diagonais.
Exercı́cio 3.3.32 Seja P2 [x] = {a0 + a1 x + a2 x2 : ai ∈ R, ∀i = 0, 1, 2} , o es-

paço vectorial real dos polinómios de grau não superior a 2.
Determine quais dos seguintes subconjuntos são subespaços vectoriais de P2 [x] :
(a) o conjunto dos polinómios de grau exactamente igual a 2;

(b) o conjunto dos polinómios de grau menor ou igual a 1.
Exercı́cio 3.3.33 Seja V o espaço vectorial de todas as matrizes reais quadradas

de ordem n. Mostre que W é subespaço de V, sendo W o conjunto das matrizes
que comutam com uma dada matriz T , isto é, W = {A ∈ V : AT = T A} .
Exercı́cio 3.3.34 Seja V o espaço vectorial de todas as matrizes reais de ordem

2. Mostre que W não é subespaço de V , sendo W o conjunto de todas as matrizes
com determinante nulo.
Exercı́cio 3.3.35 * (Exame escrito - 1o momento / 10-Fev-2000)

Defina por meio de condições o subespaço vectorial F = h(1, 2, 1, 1); (1, 0, 1, 1); (1, −1, 0, 1)i.
Exercı́cio 3.3.36 Determine um conjunto de geradores para os seguintes sube-

spaços vectoriais de R3 .
(a) U1 = {(x, y, z) ∈ R3 : x = y};

(b) U2 = {(x, y, z) ∈ R3 : 2x + 3y = 0 ∧ z = 0}.
Exercı́cio 3.3.37 Determine um conjunto de geradores para os seguintes sube-

spaços vectoriais de M2 (R).

a b
(a) M1 = ∈ M2 (R) : a = 0 ;
c d

a b
(b) M2 = ∈ M2 (R) : b = c .
c d
Exercı́cio 3.3.38 Considere o vector x = (1, 0, −1) e U o subespaço definido

por:
U = h(1, 1, 1), (1, 2, 3), (0, −1, −2), (1, −2, 5)i.
(a) Escreva o vector x como combinação linear dos vectores geradores de U.

(b) Determine uma base de U.
(c) Escreva o vector x como combinação linear dos vectores da base determinada
na alı́nea anterior.
(d) Determine α de modo a que o vector y = (0, 2, α) seja combinação linear
dos vectores da base de U determinada na alı́nea b).
Exercı́cio 3.3.39 Considere o espaço vectorial real P3 [x].
(a) Indique uma base do subespaço S de P3 [x] tal que
S = hx3 + x, x3 − x, x2 + x, x2 − xi.
(b) Escreva o vector 2x3 + x2 − x como combinação linear dos vectores da base
determinada na alı́nea anterior.
Exercı́cio 3.3.40 Seja S = {(−2y − z, y, z) ∈ R3 : y, z ∈ R} um subconjunto

de R3 .
(a) Verifique que S é um subespaço vectorial de R3 .

(b) Determine uma base de S.
(c) Determine α ∈ R de modo que S = h(1, 0, −1), (−1, 1, α)i.
Exercı́cio 3.3.41 Seja W o espaço gerado pelos polinómios:
v1 = −2t2 + 4t + 1 v3 = 6t − 5
v2 = −3t2 + 9t − 1 v4 = −5t2 + 7t + 5
Encontre uma base e a dimensão de W.
Exercı́cio 3.3.42 Encontre a dimensão e uma base do espaço das soluções W

do sistema:

 x1 + 2x2 + 2x3 − x4 + 3x5 = 0
x1 + 2x2 + 3x3 + x4 + x5 = 0
3x1 + 6x2 + 8x3 + x4 + 5x5 = 0

Exercı́cio 3.3.43 Seja V o espaço vectorial das matrizes reais simétricas 2 × 2.

Mostre que dimV = 3.
Exercı́cio 3.3.44 Mostre que:
(a) A intersecção de dois subespaços de um espaço vectorial V é um subespaço

de V.
(b) A soma de dois subespaços vectoriais U e W de um espaço vectorial V é
um subespaço vectorial de V.
Exercı́cio 3.3.45 Seja V o espaço vectorial das matrizes reais quadradas de

ordem 2,
a b

V = : a, b, c, d ∈ R .
c d
Sejam S1 e S2 subspaços vectoriais de V :

a b
S1 = : a, b ∈ R
0 0

a 0
S2 = : a, c ∈ R .
c 0
(a) Determine e prove que são subespaços vectoriais de V :

(i) S1 ∩ S2 ;
(ii) S1 + S2 .
(b) Verifique se a soma de S1 com S2 é directa.
Exercı́cio 3.3.46 Considere no espaço vectorial real R3 os subespaços
F = {(x, y, z) ∈ R3 : 3x + y = x − z = 0}, G = {(x, y, z) ∈ R3 : kx + 2y − z = 0}.
Determine os valores reais do parâmetro k que fazem com que F ∪ G seja um

subespaço vectorial do espaço considerado.
Exercı́cio 3.3.47 Considere no espaço vectorial real R3 os subespaços
F = {(x, y, z) ∈ R3 : x + y + z = 0}, G = {(x, x, x) : x ∈ R}
e os conjuntos
A = F ∪ G, B = F ∩ G, C = F + G.
(a) Determine A, B e C.
(b) Diga quais dos conjuntos A, B e C são subespaços vectoriais de R3 .
Exercı́cio 3.3.48 * Sejam U e W os seguintes subespaços de R4 :
U = {(a, b, c, d) ∈ R4 : b + c + d = 0}
W = {(a, b, c, d) ∈ R4 : a + b = 0 ∧ c = 2d}.
Encontre a dimensão e uma base de:
(a) U ;
(b) W ;
(c) U ∩ W.
Exercı́cio 3.3.49 * Seja V o espaço vectorial dos polinómios sobre R. Sejam

U e W os subespaços gerados por
{t3 + 4t2 − t + 3, t3 + 5t2 + 5, 3t3 + 10t2 − 5t + 5}

e
{t3 + 4t2 + 6, t3 + 2t2 − t + 5, 2t3 + 2t2 − 3t + 9}
respectivamente. Encontre:
(a) dim(U + W )
(b) dim(U ∩ W )
Exercı́cio 3.3.50 (Exame escrito - 2o momento / 17-Fev-2000)

Sendo F1 e F2 subespaços de R3 tais que
F1 = {(x, x, x) : x ∈ R}; F2 = {(x, y, 0) : x, y ∈ R},
verifique se R3 = F1 ⊕ F2 .
Exercı́cio 3.3.51 Considere no espaço vectorial real R4 os subespaços vectoriais
S = {(x, y, z, w) ∈ R4 : x+y+z+w = 0}; T = {(x, y, z, w) ∈ R4 : x = y = z = 0}.
(a) Verifique que R4 = S ⊕ T .

(b) Indique dois outros subespaços U e V dos espaços vectoriais em causa,
distintos de S e T e tais que R4 = U ⊕ V .
Exercı́cio 3.3.52 * Suponhamos que U e W são subespaços de V e que

dimU = 4, dimW = 5 e dimV = 7.
(a) Encontre as possı́veis dimensões de U ∩ W .

(b) Verifique se V = U ⊕ W.
Exercı́cio 3.3.53 Considere o espaço vectorial real R3 e os subespaços vectori-

ais
F = {(x, y, z) ∈ R3 : 2x+3y +z = 0}, G = {(x, y, z) ∈ R3 : x−y = x+y +z = 0}
(a) Determine uma base para F.

(b) Verifique se F = h(0, −1, 3), (1, −1, 1), (1, 1, −5)i.
(c) Averigúe se a soma de F com G é ou não directa.
(d) Determine um subespaço vectorial H de R3 , de dimensão 1, tal que F ∪ H
não seja um subespaço vectorial de R3 .

Considere o conjunto:
A = (x, y, z) ∈ R3 : x = y ∧ z = −y

(a) Mostre que A é um subespaço vectorial de R3 .

(b) Complete o conjunto {(1, 1, 2)} de modo que seja uma base de um espaço
vectorial B tal que A ⊕ B = R3 .
(c) Encontre a matriz mudança de base, M , tal que:
[(x, y, z)]B1 = M. [(x, y, z)]Bc
onde Bc é a base canónica de R3 e B1 = {(1, −2, 5), (0, 0, 1), (−1, 0, 1)}.
Exercı́cio 3.3.55 (Exame Normal / 03-Fev-2004) Sejam U e W os seguintes

subespaços vectoriais de M2 :

a b a b
U= ∈ M2 : b − 2c + d = 0 e W = ∈ M2 : a = d, b = 2c .
c d c d
(a) Ache uma base e a dimensão de U e U ∩ W .

(b) Verifique se U ∪ W é subespaço vectorial.
(c) Indique, justificando, se M2 é soma directa de U e W .

2 2 0 1 2 0 0 1
(d) Considere a base B = , , , de M2 .
0 0 1 0 0 2 0 1
Determine a matriz mudança de base de Bc para B (Bc representa a base
canónica de M2 ).

Considere
o espaço
vectorial real M2 e os seussubespaços
vectoriais:

a b a b
W = ∈ M2 : a = d ∧ a + b + c = 0 e F = : a, b ∈ R .
c d 0 a
(a) Verifique que F é um subespaço vectorial de M2 .

−2 1 2 −2 0 1
(b) Verifique que os vectores , e geram W .
1 −2 0 2 −1 0
(c) Determine uma base e a dimensão de W .
(d) Determine uma base do subespaço W ∩ F e calcule a sua dimensão.

Considere os subconjuntos S e R de R3 :
S = (x, my, x + b) ∈ R3 : x, y, m, b ∈ R e R = {(x, y, z) ∈ R : x − y = 0}

(a) Diga, justificando, para que valores de m e b o subconjunto S é um subespaço

vectorial de R3 .
(b) Faça m = 2, b = 0.
i. Determine uma base e a dimensão de S.
ii. Complete a base encontrada na alı́nea anterior, de modo a obter uma
base de R3 e determine as coordenadas do vector v = (2, 5, 2) nesta
nova base, utilizando uma matriz mudança de base adequada.
(c) Determine uma base e a dimensão do subespaço vectorial S ∩ R.
Exercı́cio 3.3.58 * (Exame Recurso - Gestão / 17-Fev-2004)

Considere os subespaços vectoriais de R3 :
F = (x, y, z) ∈ R3 : 2x + 3y + z = 0

G = (x, y, z) ∈ R3 : x − y = x + y + z = 0

H = h(0, 0, 1)i
(a) Determine uma base do subespaço F + G.
(b) A partir do resultado da alı́nea anterior, determine a dimensão de F ∩ G.
(c) Averigúe se F ∪ H é subespaço vectorial de R3 .
Exercı́cio 3.3.59 * (Exame Trabalhador-Estudante - Gestão / 06-Mar-2004)

U = (x, y, z) ∈ R3 : x + y + z = 0 ∧ y = −x

V = h(1, 0, 1); (1, 1, 2); (0, 1, 1)i

(a) Prove que U é subespaço vectorial de R3 .

(b) Verifique se o vector (3, 1, 4) ∈ V .
(c) Calcule a dimensão de V .
(d) Uma base de V pode ser base de U ? Justifique.
(e) Determine uma base do subespaço U .
(f ) Determine o conjunto de geradores do subespaço U + V .
(g) Verifique se U ⊕ V = R3
Exercı́cio 3.3.60 (Exame Especial - Gestão / 06-Set-2004)

F = (x, y, z, w) ∈ R4 : x = w ∧ x + y + z = 0

G = h(1, 0, 0, 1); (0, 1, 0, 0)i
(a) Verifique se o vector (1, 2, −3, 1) pertence aos subespaços vectoriais F e/ou
G.
(b) Determine uma base de F .
(c) Determine a dimensão do subespaço F ∩ G.
(d) Sabendo que os vectores geradores de G, (1, 0, 0, 1) e (0, 1, 0, 0) são linear-
mente independentes, e sem calcular uma base para o subespaço F + G,
determine a dimensão de F + G.
(e) Determine um conjunto de geradores do subespaço F + G. Serão estes
vectores linearmente independentes? Justifique, sem efectuar quaisquer
cálculos.
3.4 Soluções
Espaços Vectoriais: definição e propriedades
3.3.3 Para mostrar que V não é espaço vectorial sobre R em relação a cada uma
das seguintes operações de adição em V e multiplicação por um escalar em V,
basta mostrar que um dos axiomas de espaço vectorial não se verifica:
(a) Com k1 = 1, k2 = 2 e v = (3, 4), verifica-se que (k1 + k2 )v 6= k1 v + k2 v;

(b) Com v = (1, 2) e w = (3, 4), verifica-se que v + w 6= w + v;
Combinação linear de vectores
3.3.5 O vector v = (3, 9, −4, −2) é uma combinação linear dos vectores u1 , u2 e
u3 .
3.3.6 E = 3A − 2B − C.
3.3.7 t2 + 4t − 3 = −3(t2 − 2t + 5) + 2(2t2 − 3t) + 4(t + 3).
3.3.8 Para que o vector u em R3 seja uma combinação linear de v e w basta que
k = −8.
Dependência e Independência Linear
3.3.10
(a) Os vectores dados são linearmente dependentes.

(b) Os vectores dados não são linearmente dependentes, isto é, são linearmente
independentes.
3.3.11
(a) As matrizes A, B e C são linearmente independentes.

(b) As matrizes A, B e C são linearmente dependentes.
3.3.13 Para que o conjunto {(1, 0, −1), (1, 1, 0), (k, 1, −1)} seja linearmente inde-
pendente, temos que ter k 6= 2.
3.3.14
(b) Um conjunto A = {v1 , . . . , vi , . . . , vn } é linearmente independente se, e

somente se, nenhum desses vectores for combinação linear dos outros.
Base e dimensão
3.3.20
(a) Os três vectores são linearmente independentes, logo formam uma base de
R3 .
(b) Os quatro vectores não formam uma base de R3 , porque uma base de R3
deve conter exactamente 3 vectores, pois R3 é de dimensão 3; ou porque os
quatro vectores são linearmente dependentes.
Matrizes mudança de base
3.3.23
   
1 −1 2 1 −1 3
(a) MBC B =  3 −4 5  ; MBBC =  2 −1 1  .
1 −1 1 1 0 −1
(c) (5, −2, 3) = 13(1, 2, 1) + 38(−1, −1, 0) + 10(3, 1, −1)
(1, 0, −2)B = −5(1, 0, 0) + 0(0, 1, 0) + 3(0, 0, 1).
Subespaços Vectoriais
3.3.30
√ √ √ √
(b) Com v = (1, 2, 3) ∈ W e k = 2 ∈ R, verifica-se kv = ( 2, 2 2, 3 2).
3.3.35 F = {(x, y, z, w) ∈ R4 : w = x}.
3.3.48
(a) O conjunto {(1, 0, 0, 0), (0, −1, 1, 0), (0, −1, 0, 1)} é uma base de U e
dimU = 3.
(b) O conjunto {(−1, 1, 0, 0), (0, 0, 2, 1)} é uma base de W e dim W = 2.
(c) O conjunto {(3, −3, 2, 1)} é uma base de U ∩ W e dim(U ∩ W ) = 1.
3.3.49
(a) dim(U + W ) = 3.
(b) dim(U ∩ W ) = 1.
3.3.52
(a) A dim(U ∩ W ) é igual a 2, 3 ou 4.

(b) A soma de U com V não é directa, porque dimV 6= dim(U + W ).
3.3.56

1 −1 0 −1
(c) , é uma base de W , portanto dim W = 2.
0 1 1 0

1 −1
(d) é uma base de W ∩ F , portanto dim W ∩ F = 1.
0 1
3.3.58
(a) {(1, 0, −2), (0, 1, −3), (1, 1, −2)} é uma base de F + G.

(b) dim F ∩ G = 0
(c) F ∪ G não é um subespaço vectorial de R3 .
3.3.59
(b) Sim.
(c) dim V = 2.
(d) dim U = 1 e dim V = 2, logo uma base de V nunca poderá ser uma base
de U , uma vez que os espaços não possuem a mesma dimensão.
(e) {(1, −1, 0)}.
(f ) U + V = h(1, −1, 0), (1, 0, 1), (0, 1, 1)i.
(g) U ∩ V 6= {(0, 0, 0)}, logo U ⊕ V 6= R3 .

Estas fichas deverão ser resolvidas com o apoio do software OCTAVE. Vamos
utilizar este software para nos apoiar na resolução de problemas que envolvam
os conceitos de combinações lineares,independência linear, dependência
linear, base e dimensão.
3.5.1 Combinações lineares

Dado um espaço vectorial V sobre R, e um conjunto de vectores S={ X1 ,X2
. . .,Xn } em V, vamos determinar se X, pertencente a V, pode ser escrito como
uma combinação linear dos elementos de S. Isto é, se é possı́vel encontrar um
conjunto de escalares c1 , c2 , . . . , cn tal que
c1 X1 + c2 X2 + . . . + cn Xn = X.
Exemplo 3.5.1 Sejam X1 = (1, 2, 1, −1), X2 = (1, 0, 2, −3) e X3 = (1, 1, 0, −2)

vectores de R4 . Verifiquemos se o vector X = (2, 1, 5, −5) é uma combinação
linear de X1 , X2 e X3 .
Construı́mos a equação
3
X
ci Xi = c1 X1 + c2 X2 + c3 X3 = X
i=1
de onde obtemos o correspondente sistema de equações lineares que permitem

encontrar, caso existam, as constantes ci . Para tal, procedemos da seguinte
forma:
c1 (1, 2, 1, −1) + c2 (1, 0, 2, −3) + c3 (1, 1, 0, −2) = (2, 1, 5, −5).
Executando as múltiplicações escalares e adicionando as coordenadas correspon-

dentes temos,
(c1 + c2 + c3 , 2c1 + c3 , c1 + 2c2 , −c1 − 3c2 − 2c3 ) = (2, 1, 5, −5).
Para que estes dois vectores sejam iguais, temos que resolver o seguinte sistema:


 c1 + c2 + c3 = 2
2c1 + c3 = 1

.

 c1 + 2c2 = 5
−c1 − 3c2 − 2c3 = −5

A forma matricial para este sistema linear é AC=B, onde

  
1 1 1   2
 2 c1
0 1   1 
A=
 1
, C = c2 
 e B=
 5 .

2 0 
c3
−1 −3 −2 −5
Nota: As colunas de A são os vectores X1 , X2 e X3 .
Introduza A e B no OCTAVE e resolva o sistema executando, tal como já vimos,

o comando
rref([A B])
obtemos
ans =
1 0 0 1
0 1 0 2
0 0 1 −1
0 0 0 0
Lembre-se que o que é exibido é a forma escalonada reduzida de uma matriz
ampliada. Segue-se que o sistema é possı́vel com solução
c1 = 1, c2 = 2, c3 = −1.
Logo, X é uma combinação linear de X1 , X2 e X3 , com
X1 + 2X2 − X3 = X.

Se o sistema for possı́vel, isto é, sem linhas da forma 0 0 · · · 0 | q ,
q 6= 0, então o vector X pode ser escrito como uma combinação linear dos
vectores de S. Nesse caso, a solução do sistema dá-nos os valores dos coeficientes
ci , i = 1, . . . , n.
Atenção: Se apenas quisermos saber se X é uma combinação linear dos vectores

de S, só temos que verificar se o sistema é possı́vel. Note-se que no caso do
sistema ser possı́vel e indeterminado existem vários valores possiveis a atribuir
às constantes ci , i = 1, . . . , n. Recorde que pode verificar se o sistema é possı́vel
e determinado através do determinante da matriz dos coeficientes do sistema. O
comando do OCTAVE para calcular o determinante é det.
Exercı́cios
Exercı́cio 3.5.1 Sejam u1 = (4, 2, 1), u2 = (−2, 3, 1) e u3 = (2, −11, −4).

Verifique se cada um dos seguintes vectores u é uma combinação linear de u1 ,
u2 e u3 . Em caso afirmativo, represente a combinação linear escrevendo os
respectivos coeficientes.
(a) u = (6, 5, 5) Escolha: Sim Não u= u1 u2 u3

(b) u = (10, −15, −5) Escolha: Sim Não u= u1 u2 u3
NOTA: Como vimos no exemplo anterior, para verificar se o vector u é com-

binação linear de u 1 , u 2 e u 3 , temos que resolver o sistema AX = B sendo as
colunas da matriz A os vectores u 1 , u 2 , u 3 , e a matriz B é o vector coluna u.
Exercı́cio 3.5.2 Sejam u1 = (1, −1, 2, 4), u2 = (0, 2, 1, 1) e u3 = (3, 1, 0, 2).

Verifique se cada um dos seguintes vectores u é uma combinação linear de u1 ,
u2 e u3 . Em caso afirmativo, represente a combinação linear escrevendo os
respectivos coeficientes.
(a) u = (11, −1, 3, 13) Escolha: Sim Não u= u1 u2 u3

(b) u = (1, 0, 1, 1) Escolha: Sim Não u= u1 u2 u3
Exercı́cio 3.5.3 Sejam p1 (x) = −1 + x + 2x3 , p2 (x) = 2x + x2 e p3 (x) = 2 +

3x−x2 +x3 . Verifique se cada um dos seguintes vectores p (x) é uma combinação
linear de p1 (x) , p2 (x) e p3 (x) . Em caso afirmativo, represente a combinação
linear e escreva os valores obtidos para os coeficientes.
(a) p (x) = −1 + x + 4x2 Escolha: Sim Não

p (x) = p1 (x) p2 (x) p3 (x)
(b) p (x) = x2 Escolha: Sim Não
p (x) = p1 (x) p2 (x) p3 (x)
NOTA: Tal como no caso dos vectores de Rn , para verificar se o polinómio p (x)
é combinação linear de p 1 (x) , p 2 (x) e p 3 (x) , temos que resolver o sistema
AX = B fazendo corresponder a cada coluna das matrizes A e B um polinómio
escrito por coluna. Um polinómio é escrito por coluna, à custa dos coeficientes
dos termos dos polinómios. No caso dos polinómios não serem completos (isto
é não apresentarem os coeficientes de todos os graus não nulos), os termos que
faltarem em cada polinómio serão associados a um coeficiente zero. Um modo de
proceder, é utilizar o coeficiente de maior grau como a última entrada da matriz
coluna, o coeficiente de grau abaixo na penúltima entrada da matriz coluna, e

assim sucessivamente. Por exemplo,
     
1 2 −2
1 + 2x + x2 −→  2  , 2 + x2 −→  0  , −2 + 3x −→  3  .
1 1 0

2 1 1 0 0 1
Exercı́cio 3.5.4 Sejam U1 = , U2 = e U3 = .
1 2 1 1 2 2
Verifique se cada um dos seguintes vectores U é uma combinação linear de U1 ,
U2 e U3 .Em caso afirmativo, represente a combinação linear e escreva os valores
obtidos para os coeficientes.

1 0
(a) U = Escolha: Sim Não U= U1 U2 U3
0 1

3 −1
(b) U = Escolha: Sim Não U= U1 U2 U3
−2 −1
NOTA: No caso das matrizes o procedimento para a construção do sistema a

resolver é semelhante. Cada vector matriz passa a ser uma coluna da matriz dos
coeficientes ou termos independentes, de acordo com o procedimento seguinte.
 
−1
 0 
 
−1 0 1  1 
−→  
4 1 0  4 

 1 
0
.
 
3 −1 0 2
Exercı́cio 3.5.5 Seja A =  2 1 2 0  . Expresse as seguintes combi-
−4 2 3 1
nações lineares como um produto de um vector pela matriz A na ordem apropri-
ada.
(a) −2∗ col1 A+3∗ col2 A−col3 A+4∗ col4 A

(b) 3∗ col1 A−col2 A+5∗ col3 A
3.5.2 Independência/Dependência linear

A independência ou dependência de um conjunto de vectores S = {X 1 , X 2 , . . . , X n }
é um conceito que está relacionado com o de combinação linear. Um conjunto
S é linearmente independente se, e só se, a combinação linear
c1 X 1 + c2 X 2 + . . . + cn X n
dá o vector nulo, somente quando c1 = c2 = . . . = cn = 0. Se conseguirmos

obter o vector nulo com algum dos coeficientes ci 6= 0, então S é linearmente
dependente. Da expressão
c1 X 1 + c2 X 2 + . . . + cn X n = O
construı́mos um sistema linear homogéneo AC=O da mesma forma como fize-

mos para os problemas de combinações lineares. Então, temos o seguinte resul-
tado:
S é linearmente independente se, e só se, AC=O tem somente a solução trivial.
Caso contrário, os vectores de S são linearmente dependentes. Uma vez que

temos o sistema homogéneo AC=O, podemos utilizar o comando rref do OC-
TAVE, para analisar se é ou não um sistema que tem solução não-trivial. Al-
ternativamente, quando a matriz dos coeficientes é quadrada, podemos também
calcular o seu determinante, aplicando o comando det do OCTAVE.
Exemplo 3.5.2 Sejam X1 = (1, 2, 1, −1), X2 = (1, 0, 2, −3) e X3 = (1, 1, 0, −2).

Verifiquemos se os vectores de S = {X1 , X2 , X3 } são linearmente independentes
ou linearmente dependentes.
Construı́mos a equação
3
X
ci Xi = c1 X1 + c2 X2 + c3 X3 = O
i=1
e encontramos o correspondente sistema linear com variáveis ci . Procedemos da

seguinte forma:
c1 (1, 2, 1, −1) + c2 (1, 0, 2, −3) + c3 (1, 1, 0, −2) = (0, 0, 0, 0).
Aplicando a multiplicação por um escalar e somando entradas correspondentes,

temos
(c1 + c2 + c3 , 2c1 + c3 , c1 + 2c2 , −c1 − 3c2 − 2c3 ) = (0, 0, 0, 0).

Para os dois vectores sejam iguais, igualamos as entradas correspondentes e

obtemos o sistema de equações lineares


 c1 + c2 + c3 = 0
2c1 + c3 = 0

.

 c1 + 2c2 = 0
−c1 − 3c2 − 2c3 = 0

A forma matricial deste sistema linear é AC=O, onde

 
1 1 1    
 2 c 1 0
0 1  C =  c2  e O =  0  .
A=  1 2 0 
c3 0
−1 −3 −2
Introduzimos A no OCTAVE e utilizamos o comando
rref(A)
e obtemos
ans =
1 0 0 0
0 1 0 0
0 0 1 0
0 0 0 0
Relembremos que este resultado representa a forma escalonada reduzida por
linhas da matriz dos coeficientes do sistema homogéneo. Segue-se que c1 = c2 =
c3 = 0. Portanto, o conjunto S é linearmente independente.
Exercı́cios
Exercı́cio 3.5.6 Verifique se os seguintes conjuntos são linearmente indepen-

dentes ou linearmente dependentes. Registe os seus resultados no espaço forneci-
do.
(a) S = {u1 = (4, 2, 1), u2 = (−2, 3, 1), u3 = (2, −11, −4)}
(b) S = {u1 = (3, 1, 2), u2 = (−1, 1, 3), u3 = (7, 1, 1)}

(c) S = {u1 = (1, 2, 1, −2), u2 = (2, 1, −3, −1), u3 = (1, 2, 6, −5)}
(d) S = {u1 = (1, −1, 2, 4), u2 = (0, 2, 1, 1), u3 = (3, 1, 0, 2)}
(e) S = {p1 (x) = 1 + 2x + x2 , p2 (x) = 2 + x, p3 (x) = −1 + 4x + 3x2 }

2 1 1 0 0 −1
(f ) S = u1 = , u2 = , u3 =
1 2 1 1 −1 0
3.5.3 Base e dimensão
Um conjunto S = {X 1 , X 2 , . . . , X n } é uma base de uma espaço vectorial V

se, e somente se, hS i = V e S é linearmente independente. Contudo, existem
situações particulares em que basta provar um dos casos.
A dimensão de um espaço vectorial V é o número de vectores que constituem
uma base de V, que é o mais pequeno número de vectores que gera o espaço V.
• Sejam dim(V ) = n e S = {X 1 , X 2 , . . . , X n } um subconjunto de V.
(i) Se S é linearmente independente e S é um conjunto de n vectores, então
S é uma base de V.
(ii) Se hS i = V e S é um conjunto de n vectores, então S é uma base
para V.
• Se dim(V ) = n, então qualquer conjunto com menos de n vectores não
pode ser uma base para V.
• Se dim(V ) = n, então qualquer conjunto com mais de n vectores não pode
ser uma base de V.
Em conclusão: Dado um espaço vectorial V de dimensão n, um conjunto com

mais ou menos do que n vectores não constitui uma base do espaço vectorial V.
Se tivermos um conjunto com exactamente n vectores estes formam uma base
de V se os n vectores forem linearmente independentes. Note-se que a análise
da independência já foi analisada anteriormente.
Exercı́cios
Exercı́cio 3.5.7 Considere o espaço vectorial R3 . Verifique se os seguintes con-

juntos são uma base para R3 . Se for possı́vel decidir sem recorrer a qualquer tipo
de cálculos, explique porquê.
(a) S = {(1, 2, 1); (2, 1, 1); (0, 3, 1)}
(b) S = {(1, 1, 0); (1, 0, 1); (0, 1, 1)}
(c) S = {(3, 1, 3); (3, 1, 2)}
(d) S = {(3, 1, 3); (3, 1, 2); (3, 1, 1); (3, 1, 0)}
Exercı́cio 3.5.8 Seja P = {p1 (x), p2 (x), p3 (x), p4 (x)} , onde p1 (x) = 2 + x,
p2 (x) = −x + x2 , p3 (x) = x3 e p4 (x) = 1 − x2 + x3 . O conjunto P é uma base do
espaço vectorial dos polinómios de grau inferior ou igual a 3?. Justifique a sua
resposta.
3.5.4 Coordenadas de um vector em relação a uma base

O sistema de coordenadas usual para R2 , envolve os vectores e1 = (1, 0) e
e2 = (0, 1). Qualquer vector v = (a, b) ∈ R2 é dado por v = (a, b) = ae1 + be2 .
Dizemos que as coordenadas do vector v são as suas componentes. Neste caso
estamos a usar a base canónica de R2 .
Queremos algo mais geral, que nos permita utilizar outras bases em vez da
base canónica. Para utilizar outras bases definimos as coordenadas de
um vector relativo a uma base S como sendo os escalares utilizados
para escrever o vector como uma combinação linear dos vectores da
base. Na verdade, consideremos uma base ordenada, isto é, se alterarmos
a ordem dos vectores da base, obtemos uma nova base. Então, obtemos um
conjunto único de coordenadas relativas a uma base ordenada. Esta
correspondência entre vectores e coordenadas permite-nos modelar um espaço
vectorial abstracto utilizando Rn .
Encontrar coordenadas relativas a uma base S é um problema de combinação linear.
Exemplo 3.5.3 Seja S = {v1 , v2 } = {(1, 1); (−1, 2)} uma base de R2 . Prove!
Encontremos as coordenadas do vector v = (−1, 8) relativas à base S. Ou seja,
procuremos escalares k1 e k2 tal que seja possı̀vel escrever v como combinação
linear v1 e v2 . Assim,
k1 v1 + k2 v2 = k1 (1, 1) + k2 (−1, 2) = (−1, 8).
Isto leva-nos a resolver o sistema linear cuja matriz ampliada é

1 −1 −1
.
1 2 8

1 −1
No OCTAVE se introduzirmos a matriz dos coeficientes A = e a
1 2
−1
matriz dos termos independentes B = . A solução do sistema pode ter
8
determinada usando o comando do OCTAVE
X=A\B
que nos dá

X =
2
3
Então, k1 = 2 e k2 = 3. Escrevemos
[v]S = (2, 3)
e designamo-lo por vector coordenada de v relativo à base S.
A noção de coordenadas de um vector relativamente a uma base S pode ser

generalizada para qualquer espaço vectorial V. (A partir de agora, dizemos base
para designar base ordenada.) O cálculo das coordenadas é sempre um
problema de combinação linear. O sistema linear resultante pode ter de
ser obtido de modo diferente consoante os vectores de V, mas uma vez obtido,
procedemos como no exemplo anterior.
Exercı́cios
Exercı́cio 3.5.9 Em R3 , prove que S = {v1 , v2 , v3 } = {(1, 1, 2); (2, 1, 1); (1, 2, 1)}
é uma base. Encontre os vectores coordenada relativamente à base S, para cada
um dos seguintes vectores: v = (1, 1, 1) e w = (1, 0, 1).
Exercı́cio 3.5.10 Em R4 , prove que S = {(1, 1, 0, 1); (1, 2, 1, 0); (0, 1, 2, 1); (−1, 0, 0, 1)}
é uma base. Encontre os vectores coordenada relativamente à base S, para cada
um dos seguintes vectores: v = (1, 0, 0, 1), w = (2, 1, 1, 2) e z = (1, 2, 3, 4).
Exercı́cio 3.5.11 Em P2 [x] , o espaço vectorial dos polinómios de grau igual

ou inferior a 2, prove que S = {1 − x, 1 + x, 1 + x + x2 } é uma base. Encontre
[2 + x − 3x2 ]S e [x]S .
Exercı́cio 3.5.12 No espaço vectorial das matrizes de ordem 2,prove que

1 2 0 1 0 2 1 0
S= , , ,
1 −2 1 0 3 1 −1 2
é uma base.

8 −11
Para v = , encontre [v]S .
−26 13
3.5.5 Matrizes Mudança de Base

O problema que agora queremos tratar é a relação entre [v]S e [v]T , onde S e T
são duas bases do mesmo espaço vectorial V. Se tivermos coordenadas relativas à
base T queremos ser capazes de facilmente as converter em coordenadas relativas
à base S. Isto pode ser facilmente conseguido se usarmos a matriz mudança
de base, da base T para a base S
A matriz mudança de base MT S , da base T para a base S tem colunas que são as
coordenadas dos vectores da base T relativas à base S.
Sejam T = {w1 , w2 , . . . , wn } e S = {v1 , v2 , . . . , vn } bases do mesmo espaço

vectorial V. A matriz mudança de base MT S , da base T para a base S é dada
por

M= [w1 ]S [w2 ]S · · · [wn ]S .
Exemplo 3.5.4 Sejam T = {w1 , w2 , w3 } = {(1, 2, 1); (1, 2, 0); (1, 0, 2)} e S =
{v1 , v2 , v3 } = {(1, 1, 0); (1, 0, 1); (1, 1, 1)} bases de R3 .
Determinemos a matriz mudança da base MT S .
Começamos por encontrar as coordenadas de wi relativamente à base S. Ou seja,
tal como vimos anteriormente temos que determinar os escalares que permitem
escrever cada vector wi como combinação linear dos vectores de S. Deste modo
obtemos,
[w1 ]S = (0, −1, 2)S

[w2 ]S = (1, −1, 1)S
[w3 ]S = (−1, 1, 1)S
A matriz cujas colunas são as coordenadas determinadas a cima, é a matriz

mudança de base, da base T para a base S. Ou seja,
 
0 1 −1
MT S =  −1 −1 1  .
2 1 1
Usando a matriz mudança de base MT S , podemos converter as coordenadas de

qualquer vector na base T para a base S.
Consideremos o vector [w]T = (6, 10, 4)T . As coordenadas de w relativamente à

base S são  
2
[w]S = MT S [w]T =  −4  .
8
Quando trabalhamos com a matriz mudança de base é útil ter uma técnica para
obter MT S directamente. Em vez de encontrarmos as coordenadas dos vectores
individuais w 1 , w 2 e w 3 relativas à base S, escrevemos as matrizes
   
1 1 1 1 1 1
A= v1 v2 v3 =  1 0 1  B= w1 w2 w3 =  2 2 0 
0 1 1 1 0 2
Note-se que sendo BC a base canónica do espaço vectorial V a matriz A é a
matriz mudança de base, da base S para a base BC e a matriz B é a matriz
mudança de base, da base T para a base BC .
A partir destas matrizes, a matriz mudança de base da base T para a base S,
MT S , pode ser obtida usando o comando do OCTAVE \. Assim,
MT S = A\B.
Exercı́cios
Exercı́cio 3.5.13 Em R3 sejam S = {v1 , v2 , v3 } = {(1, 1, −1); (1, 2, 1); (−1, 1, 0)}
e T = {w1 , w2 , w3 } = {(1, 2, 3); (3, 1, 2); (2, 1, 3)} suas bases. Prove que S e T
são bases de R3 . Encontre a matriz mudança de base da base T para a base S.
Chame à matriz mudança de base a matriz P1 .
Exercı́cio 3.5.14 Utilizando as bases do Exercı́cio 3.5.13, encontre a matriz

mudança de base da base S para a base T. Chame-a P2 . Qual a relação entre
P1 e P2 ? (Sugestão: calcule P∗1 P2 .)
Exercı́cio 3.5.15 No espaço vectorial das matrizes de ordem 2,

1 0 0 −8 0 −1 0 4
T= , , ,
−1 2 −12 −4 −1 0 1 −4
é uma base. Considere a base S dada no Exercı́cio 3.5.12. Prove que T é uma
base do espaço vectorial das matrizes de ordem 2. Encontre a matriz de mudança
de base da base T para a base S.
Capı́tulo 4
Aplicações Lineares
4.1 Modos de definir uma aplicação linear

Em determinados problemas é muitas vezes necessário trabalhar com elementos
provenientes de diferentes espaços vectoriais. Para relacionarmos dois espaços
vectoriais diferentes é necessário usar um “instrumento”adequado, a aplicação.
Mas os vectores de um espaço vectorial não devem ser vistos isoladamente, uma
vez que um espaço vectorial é um conjunto de vectores com uma certa estrutura.
Por exemplo, qualquer vector de um dado espaço vectorial V, pode ser obtido
como combinação linear de vectores de uma base de V. Por esta razão, não
nos interessa estudar qualquer aplicação entre espaços vectoriais, mas apenas as
aplicações lineares. Passemos a definir estas aplicações:
Definição 4.1.1 Sejam E e F dois espaços vectoriais reais e f : E → F uma

aplicação. Diz-se que f é uma aplicação linear (transformação linear), se satisfaz
as seguintes propriedades:
1. ∀x, y ∈ E f (x + y) = f (x) + f (y);

2. ∀α ∈ R ∀x ∈ E f (αx) = αf (x).
Para melhor compreendermos a definição de aplicação linear, vejamos alguns

exemplos:
Exemplo 4.1.1
1. Consideremos a aplicação f1 : R3 → R2 definida por
f1 (x, y, z) = (x, x + y + z).
Sendo (a, b, c); (a0 , b0 , c0 ) ∈ R3 , temos então que:
175
176 CAPÍTULO 4. APLICAÇÕES LINEARES
f1 [(a, b, c)+(a0 , b0 , c0 )] = f1 (a+a0 , b+b0 , c+c0 ) = (a+a0 , a+a0 +b+b0 +c+c0 )
f1 (a, b, c)+f1 (a0 , b0 , c0 ) = (a, a+b+c)+(a0 , a0 +b0 +c0 ) = (a+a0 , a+a0 +b+b0 +c+c0 ).
Logo f1 (a, b, c) + (a0 , b0 , c0 )] = f1 (a, b, c) + f1 (a0 , b0 , c0 ).
Sendo (a, b, c) ∈ R3 e α ∈ R temos então que
f1 [α(a, b, c)] = f (αa, αb, αc) = (αa, αa + αb + αc)

e
αf1 (a, b, c) = α(a, a + b + c) = (αa, αa + αb + αc).
Logo f1 [α(a, b, c)] = α f1 (a, b, c).
Portanto f1 é uma aplicação linear.

2. A aplicação f2 : R3 → R3 definida por
f2 (x, y, z) = (x, y, 0)
é uma aplicação linear. (Verifique!)

3. A aplicação f3 : M2 → P1 [x] definida por

a b
f3 = (a + b)x + (c + d)
c d
é uma aplicação linear.(Verifique!)

4. A aplicação id : E → E definida por
id(x) = x
é uma aplicação linear. (Verifique!)

5. Consideremos a aplicação f4 : R → R definida por
f4 (x) = x2 .
Sendo x, y ∈ R, temos então que:
f4 (x + y) = (x + y)2 e f4 (x) + f4 (y) = x2 + y 2 .

Logo f4 (x + y) 6= f4 (x) + f4 (y).
Portanto f4 não é uma aplicação linear.
4.1. MODOS DE DEFINIR UMA APLICAÇÃO LINEAR 177
A partir da definição de aplicação linear, resultam de imediato as seguintes

propriedades:
Teorema 4.1.1 Seja f : E → F é uma aplicação linear. Então:

(i) f (0E ) = 0F ;
(ii) ∀x ∈ E f (−x) = −f (x);
(iii) ∀x1 , x2 , . . . , xn ∈ E ∀α1 , α2 , . . . , αn ∈ R
f (α1 x1 + α2 x2 + . . . + αn xn ) = α1 f (x1 ) + α2 f (x2 ) + . . . + αn f (xn ).
No caso do domı́nio E ser um espaço vectorial de dimensão finita, podemos

definir uma aplicação linear sabendo apenas as imagens dos vectores
de uma base de E.
Teorema 4.1.2 Seja {e1 , e2 , . . . , en } uma base de um espaço vectorial E e seja

{e01 , e02 , . . . , e0n } um conjunto de n vectores arbitrariamente escolhidos em F.
Então, existe uma e uma só aplicação linear f : E → F tal que
f (e1 ) = e01 , f (e2 ) = e02 , . . . , f (en ) = e0n .
Vejamos através de um exemplo, como a partir das imagens dos vectores que
constituem uma base do espaço de partida, aplicando o teorema 4.1.1(iii),
podemos definir a expressão analı́tica da aplicação linear.
Exemplo 4.1.2 Considerando a base canónica de P2 [x], isto é, BC = {1, x, x2 }

e a aplicação linear g : P2 [x] → R3 , sabendo que
g(1) = (1, 0, 0); g(x) = (0, 1, 1); g(x2 ) = (0, 0, −1) (4.1)
temos, de acordo com o teorema 4.1.2, definida a aplicação linear g.
Determinemos a expressão analı́tica de g.

Seja a0 + a1 x + a2 x2 um vector de P2 [x] escrito como combinação linear dos
vectores da base canónica.
Aplicando o teorema 4.1.1(iii), temos
g(a0 + a1 x + a2 x2 ) = a0 g(1) + a1 g(x) + a2 g(x2 )
Por 4.1,
a0 g(1)+a1 g(x)+a2 g(x2 ) = a0 (1, 0, 0)+a1 (0, 1, 1)+a2 (0, 0, −1) = (a0 , a1 , a1 −a2 ).
A expressão analı́tica da aplicação linear g é então

g(a0 + a1 x + a2 x2 ) = (a0 , a1 , a1 − a2 ).
As aplicações lineares entre espaços vectoriais podem também ser definidas

matricialmente.
Consideremos a aplicação linear f : E → F entre dois espaços vectoriais.
Supo- nhamos que o espaço E tem dimensão finita n, que o espaço F tem
dimensão finita m e fixemos em E a base B1 = {e1 , e2 , . . . , en } e em F a base
B2 = {e01 , e02 , . . . , e0m }.
Para cada vector da base de E é dada ou podemos calcular a respectiva imagem:
e1 −
7 → f (e1 )
e2 −7 → f (e2 )
..
.
en 7−→ f (en )
Uma vez que os vectores f (e1 ), f (e2 ), . . . , f (en ) pertencem ao espaço vectorial
F, podemos escrevê-los como combinação linear dos vectores da base fixada em
F, ou seja B2 :
f (e1 ) = a11 e01 + a21 e02 + . . . + am1 e0m

f (e2 ) = a12 e01 + a22 e02 + . . . + am2 e0m
..
.
f (en ) = a1n e01 + a2n e02 + . . . + amn e0m
Com as componentes obtidas, podemos construir uma matriz do tipo m × n :
 
a11 a12 . . . a1n

 a21 a22 . . . a2n 

 .. .. .. .. 
 . . . . 
am1 am2 . . . amn
Esta construção, leva-nos à seguinte definição:
Definição 4.1.2 Sejam E e F espaços vectoriais cujas bases são respectiva-

mente B1 e B2 , e seja f : E → F uma aplicação linear. A matriz construı́da
pelo processo acima descrito é chamada matriz da aplicação linear f em relação
às bases consideradas. Esta matriz é representada por [f ]B1 B2 e as suas colunas
são as componentes das imagens dos vectores da base B1 , escritos na base B2 .
Notas:
• Se E = F e a aplicação f é a aplicação identidade então [id]B1 B2 é a matriz
mudança de base de B1 para B2 , isto é MB1 B2 = [id]B1 B2
• A matriz de uma aplicação linear [f ]B1 B2 , depende das bases B1 e B2 .
Ou seja, a cada conjunto de duas bases corresponde uma matriz diferente.
Assim, uma aplicação linear tem uma infinidade de matrizes a representá-la.
4.1. MODOS DE DEFINIR UMA APLICAÇÃO LINEAR 179
• Fixadas as bases B1 e B2 , a matriz da aplicação linear [f ]B1 B2 é única. Pelo

facto da única base de um espaço nulo ser o Ø, os casos em que E ou F
são espaços nulos, a matriz da aplicação linear f é única.
Concretizemos com um exemplo:
Exemplo 4.1.3 Considere a aplicação linear f1 : R3 → R2 definida por
f1 (x, y, z) = (x, x + y + z)
e as bases canónicas dos respectivos espaços.

Determinemos as imagens dos vectores da base BC = {(1, 0, 0), (0, 1, 0), (0, 0, 1)} :
f1 (1, 0, 0) = (1, 1); f1 (0, 1, 0) = (0, 1); f1 (0, 0, 1) = (0, 1).
Sendo (1, 1) e (0, 1) vectores do espaço R2 podemos escrevê-los como combinação

linear dos vectores da base canónica deste espaço. Assim,
(1, 1) = 1(1, 0) + 1(0, 1) e (0, 1) = 0(1, 0) + 1(0, 1).
De acordo com a definição 4.1.2, temos então a aplicação linear representada

pela matriz

1 0 0
[f1 ]Bc BC = .
1 1 1
Se considerarmos as bases B1 = {(2, 0, 0); (1, 2, 4); (1, −1, 4)} de R3 e B2 =

{(3, 1); (1, 1)} de R2 , a matriz que representa f1 em relação a estas bases é
(verifique!):
0 −3 − 23

[f1 ]B1 B2 = .
2 10 11
2
A utilidade da matriz de uma aplicação linear, entre espaços vectoriais de di-

mensão finita, resulta do facto de a partir dela, ser possı́vel calcular facilmente
a imagem de um qualquer vector do domı́nio.
Teorema 4.1.3 Sejam E e F espaços vectoriais cujas bases são respectivamente

B1 e B2 , e seja f : E → F uma aplicação linear. Então para qualquer v ∈ E
tem-se [f (v)]B2 = [f ]B1 B2 [v]B1 .
Voltando ao exemplo anterior,

Exemplo 4.1.4 Podemos determinar facilmente a imagem do vector [u]B1 =

(1, 3, 0) (u é um vector escrito na base B1 de R3 ,) usando a matriz da aplicação
linear [f ]B1 B2
 
1
− 23

0 −3  3  = −9 ,
[f ]B1 B2 [u]B1 = 11
2 10 2
32
0
ou seja,
[f (1, 3, 0)B1 ]B2 = (−9, 32), isto é, [f (1, 3, 0)B1 ]Bc = −9(3, 1) + 32(1, 1).
Vimos que dada uma aplicação linear f entre dois espaços vectoriais E e F,
ambos de dimensão finita n e m, respectivamente, nos quais estão fixadas bases,
podemos associar à aplicação linear f uma matriz do tipo m×n. Reciprocamente,
desde que as bases estejam fixadas, qualquer matriz do tipo m × n define uma
aplicação linear de E para F.
4.2 Operações com aplicações lineares

Uma vez que qualquer matriz do tipo m × n define uma aplicação linear
entre dois espaços vectoriais finitos com bases fixadas, todas as operações que
definimos no capı́tulo 1 entre matrizes, correspondem a operações, já nossas
conhecidas, entre aplicações.
Sejam f : E −→ F , g : E −→ F e k : F −→ F 0 aplicações lineares e B1 , B2 e B3
bases de E, F e F 0 , respectivamente. Sendo [f ]B1 B2 ; [g]B1 B2 ; [k]B2 B3 as matrizes
que representam as aplicações lineares f, g e k temos então que:
• a adição de matrizes definida por:
[f + g]B1 B2 = [f ]B1 B2 + [g]B1 B2
corresponde à soma de aplicações lineares
f + g : E −→ F tal que (f + g)(x) = f (x) + g(x), ∀x ∈ E;
• a multiplicação de uma matriz por um escalar definida por:
[αf ]B1 B2 = α[f ]B1 B2
corresponde à multiplicação da aplicação linear por um escalar
αf : E −→ F tal que (αf )(x) = αf (x), ∀x ∈ E

4.3. CLASSIFICAÇÃO DAS APLICAÇÕES LINEARES 181
• o produto das matrizes [f ]B1 B2 [k]B2 B3 é a matriz da aplicação k◦f : E → F 0

tal que (k ◦ f )(x) = k(f (x)), ∀x ∈ E, ou seja
[k ◦ f ]B1 B3 = [k]B2 B3 [f ]B1 B2
• dada uma matriz [f ]B1 B2 a sua inversa, se existir, é a matriz da aplicação

f −1 : F −→ E, ou seja
[f −1 ]B2 B1 = ([f ]B1 B2 )−1 .
4.3 Classificação das aplicações lineares
4.3.1 Núcleo de uma aplicação linear

Todas as aplicações podem ser classificadas em injectivas e sobrejectivas. Nesta
subsecção vamos estudar como no caso particular das aplicações lineares, pode-
mos facilmente identificar se as aplicações são ou não injectivas. Recorde-se que
uma aplicação se pode classificar como injectiva se não existirem elementos do
contradomı́nio da aplicação que sejam imagem de mais do que um elemento do
domı́nio. Ou seja,
∀x1 , x2 ∈ Df f (x1 ) = f (x2 ) =⇒ x1 = x2 .
Por exemplo,
h1 : R −→ R
x 7−→ x
é uma aplicação injectiva, mas
h2 : R −→ R
x 7−→ x2
já não é uma aplicação injectiva.

No caso das aplicações lineares, para estudarmos a injectividade basta conhecer-
mos o conjuntos dos elementos cuja imagem é o vector nulo, ou seja, conhecer o
núcleo da aplicação linear.
Definição 4.3.1 Seja f : E → F é uma aplicação linear. Chama-se núcleo de

f, e representa-se por N uc f, ao conjunto
N uc f = {x ∈ E : f (x) = 0F }.
Exemplo 4.3.1 Considerando as aplicações lineares anteriormente definidas,

temos:
1. A partir da expressão analı́tica de f1 (x, y, z) = (x, x + y + z) determina-se

o seu núcleo do seguinte modo:
N uc f1 = (x, y, z) ∈ R3 : f1 (x, y, z) = (0, 0) =

= (x, y, z) ∈ R3 : (x, x + y + z) = (0, 0) = {(0, y, −y) : y ∈ R} .

Alternativamente, podemos determinar o N ucf1 considerando a matriz da

aplicação linear f1 definida nas bases canónicas de R3 e R2 ,

1 0 0
[f1 ]Bc Bc = .
1 1 1
Temos:
   
x x
0 1 0 0  y = 0
[f1 ]Bc Bc  y  = ⇔
0 1 1 1 0
z z

x 0 x=0
⇔ = ⇒
x+y+z 0 z = −y
e portanto, tal como já tı́nhamos concluı́do anteriormente,
N uc f1 = {(0, y, −y) : y ∈ R} .
2. A partir da expressão analı́tica de f3 , temos:

a b a b
N uc f3 = ∈ M2 : f3 = 0 + 0x =
c d c d

a b
= ∈ M2 : (a + b)x + (c + d) = 0x + 0 =
c d

a b a −a
= :a+b=0∧c+d=0 = : a, c ∈ R .
c d c −c
3. N uc id = {0E }
4. Vimos no exemplo 4.1.2 que a expressão analı́tica da aplicação g : P2 [x] →
R3 é g(a0 + a1 x + a2 x2 ) = (a0 , a1 , a1 − a2 ) logo,
N uc g = a0 + a1 x + a2 x2 ∈ P2 [x] : g(a0 + a1 x + a2 x2 ) = (0, 0, 0) =

= a0 + a1 x + a2 x2 ∈ P2 [x] : (a0 , a1 , a1 − a2 ) = (0, 0, 0) = {0x2 +0x+0}.

Definido núcleo de uma aplicação linear f : E −→ F, a sua classificação quanto

à injectividade pode ser facilmente efectuada analisando os elementos de E que
tem por imagem 0F , tal como enuncia o teorema que se segue:
Teorema 4.3.1 Seja f uma aplicação linear de E em F. f é uma aplicação

injectiva se e só se N ucf = {0E }.
Exemplo 4.3.2 Considerando as aplicações lineares já apresentadas:
1. N uc f1 = {(0, y, −y) : y ∈ R} 6= {(0, 0, 0)}. Logo f1 não é uma aplicação

injectiva.

a −a 0 0
2. N uc f3 = : a, c ∈ R 6= . Logo f3 não é uma
c −c 0 0
aplicação injectiva.
3. N uc id = {0E }. Logo id é uma aplicação injectiva.
4. N uc g = {0 + 0x + 0x2 }. Logo g é uma aplicação injectiva.
Na medida em que o núcleo de uma aplicação linear f é um subconjunto do

espaço vectorial E, pode provar-se que:
Teorema 4.3.2 Seja f : E → F é uma aplicação linear. Então N uc f é um

subespaço vectorial de E.
O teorema que se segue, exprime o comportamento das aplicações lineares injec-

tivas em relação à noção de independência linear.
Teorema 4.3.3 Seja f : E → F uma aplicação linear. f é uma aplicação

injectiva se e só se transforma vectores linearmente independentes em vectores
linearmente independentes.
Vejamos então numa situação já estudada, uma forma alternativa para o estudo
da injectividade numa aplicação linear.
Exemplo 4.3.3 Consideremos a aplicação linear g, já definida e na qual
g(1) = (1, 0, 0); g(x) = (0, 1, 1); g(x2 ) = (0, 0, −1).
Uma vez que {1, x, x2 } é a base canónica de P2 [x] e que os vectores (1, 0, 0); (0, 1, 1)
e (0, 0, −1) são linearmente independentes, aplicando o teorema 4.3.3, podemos
concluir que a aplicação g é injectiva.
4.3.2 Espaço Imagem de uma aplicação linear

As aplicações são classificadas como sobrejectivas, quando o seu contradomı́nio
coincide com o conjunto de chegada. Ou seja, a aplicação f : E −→ F é
sobrejectiva se
∀y ∈ F ∃x ∈ E : f (x) = y.
Por exemplo,
h1 : R −→ R
x 7−→ x
é uma aplicação sobrejectiva, mas
h3 : R −→ R
x 7−→ 0
já não é uma aplicação sobrejectiva.

Tal como em todas as aplicações, para o estudo da sobrejectividade de uma
função é necessário identificar o seu contradomı́nio ou, como designemos mais
vulgarmente quando se trata de aplicações lineares, o espaço imagem da apli-
cação.
Definição 4.3.2 Seja f : E → F é uma aplicação linear. Chama-se espaço

imagem de f (espaço caracterı́stico de f ou contradomı́nio de f ), e representa-
se por Im f, ao conjunto imagem de E por f,
Im f = {f (v) : v ∈ E} .
Exemplo 4.3.4 Considerando as aplicações lineares anteriormente definidas,

temos:
1. Im f1 = {f1 (x, y, z) : (x, y, z) ∈ R3 } = {(x, x + y + z) : x, y, z ∈ R} ;

2. Im f2 = {(x, y, 0) : x, y ∈ R} ;
3. Im id = E.
Recordando um resultado já conhecido para classificar quaisquer funções quanto

à sobrejectividade e que pode ser obviamente aplicado nas aplicações lineares,
temos que:
Teorema 4.3.4 Seja f uma aplicação linear de E em F. f é sobrejectiva se e

só se Im f = F.
Exemplo 4.3.5 Analisando o exemplo 4.3.4 temos:
1. Im f1 = {(x, x + y + z) : x, y, z ∈ R} = h(1, 1); (0, 1)i = R2 . Logo a apli-

cação f1 é sobrejectiva.
2. Im f2 = {(x, y, 0) : x, y ∈ R} 6= R3 . Logo f2 não é uma aplicação sobrejec-

tiva.
3. Im id = E. Logo a aplicação id é sobrejectiva.
Na medida em que o espaço imagem de uma aplicação linear f é um subcon-

junto do espaço vectorial F, pode provar-se que:
Teorema 4.3.5 Seja f : E → F é uma aplicação linear. Im f é um subespaço

vectorial de F.
Dado que Im f é um subespaço vectorial de F, a proposição que se segue permite

identificar facilmente esse subespaço aplicando a noção de conjunto de geradores
de um subespaço vectorial, sendo os seus elementos as imagens dos vectores de
uma base do domı́nio da aplicação.
Proposição 4.3.1 Se {u1 , u2 , . . . , un } é uma base de um espaço vectorial E e

f é uma aplicação linear de domı́nio E, então
Im f = hf (u1 ), f (u2 ), . . . , f (un )i.
Analisemos, agora com base neste resultado, as aplicações já estudadas no ex-
emplo 4.3.5, quanto à sobrejectividade.
Exemplo 4.3.6 1. Considerando a aplicação linear f1 e a base B1 = {(2, 0, 0), (1, 2, 4),
(1, −1, 4)} do espaço vectorial R3 , temos que,
f1 (2, 0, 0) = (2, 2); f1 (1, 2, 4) = (1, 7); f1 (1, −1, 4) = (1, 4)
ou seja,
Im f1 = h(2, 2); (1, 7); (1, 4)i = R2 ;
e portanto f1 é sobrejectiva.
2. Considerando a aplicação linear f2 e a base canónica de R3 , temos que
6 R3
Im f2 = h(1, 0, 0); (0, 1, 0)i =
o que nos permite concluir que f2 não é uma aplicação sobrejectiva.

3. Considerando a aplicação linear g e as base canónica de P2 [x] temos que g
é sobrejectiva, uma vez que:
Im g = h(1, 0, 0); (0, 1, 1); (0, 0, −1)i = R3 .
Tal como acontece com qualquer aplicação, uma aplicação linear que seja simulta-
neamente injectiva e sobrejectiva diz-se bijectiva.
4.3.3 Dimensão do núcleo e do espaço imagem

Sendo N uc f e Im f subespaços vectoriais de E e F, respectivamente,
podemos determinar para estes subespaços uma base e calcular a respectiva
dimensão. Obviamente:
dim N uc f ≤ dim E
e
dim Im f ≤ dim F.
Notas:
• Se dim Im f = dim F a aplicação linear f é sobrejectiva.

• Se dim N uc f = 0 a aplicação linear f é injectiva.
Exemplo 4.3.7 Atendendo aos exemplos anteriores:
1. N uc f1 = {(0, y, −y) : y ∈ R} = h(0, −1, 1)i sendo este conjunto um

subespaço vectorial de R3 , {(0, −1, 1)} é uma base do N uc f1 e portanto
dim N uc f1 = 1. Por outro lado, sendo Im f1 = R2 temos que dim Im f1 =
2. A aplicação f1 é sobrejectiva e não injectiva.
2. Im f2 = h(1, 0, 0); (0, 1, 0)i e uma vez que estes vectores geradores são
linearmente independentes, temos que {(1, 0, 0); (0, 1, 0)} é uma base de
Im f2 sendo por isso, dim Im f2 = 2. Como dim Im f2 6= dim(R3 )
podemos concluir que a aplicação f2 não é sobrejectiva.
3. N uc g = {0x2 + 0x + 0} que é o subespaço vectorial de P2 [x] de dimensão
nula. Logo g é uma aplicação injectiva.
Dado um espaço vectorial de dimensão finita E e uma aplicação linear f : E → F,

existe uma relação entre as dimensões do espaço vectorial E, do núcleo de f e
do espaço imagem de f , que permitem caracterizar a aplicação linear f.
Teorema 4.3.6 (Teorema da dimensão) Seja f : E → F uma aplicação

linear de E em F. Então
dim E = dim N uc f + dim Im f.
Conhecida a dimensão do núcleo (espaço imagem) da aplicação linear podemos,

aplicando o teorema da dimensão, determinar facilmente a dimensão do espaço
imagem (núcleo).
Exemplo 4.3.8 Consideremos as aplicações lineares f2 e g que estamos a es-

tudar neste capı́tulo.
4.4. DIAGONALIZAÇÃO DE MATRIZES 187
1. Sendo dim Im f2 = 2 como dim(R3 ) = 3 temos que

dim(R3 ) = dim N uc f2 +dim Im f2 ⇔ 3 = dim N uc f2 +2 ⇔ dim N uc f2 = 1.
Logo N uc f2 6= 0 e portanto f2 não é injectiva.
2. Uma vez que N uc g = {(0, 0, 0)} temos que dim N uc g = 0. Logo
dim(P2 [x]) = dim N uc g+dim Im g ⇔ 3 = 0+dim Im g ⇔ dim Im g = 3.
Assim Im g = R3 e portanto g é bijectiva.
Tal como já vimos, uma aplicação linear f : E → F pode ser representada
através de uma matriz. Deste modo, a determinação das dimensões do núcleo e
do espaço imagem podem ser determinadas se aplicarmos o seguinte teorema:
Teorema 4.3.7 Seja f : E → F uma aplicação linear e B1 e B2 , bases de E e
F, respectivamente. Então:
(i) dim Im f = r([f ]B1 B2 );
(ii) dim N uc f = número de colunas − r([f ]B1 B2 ).
Note-se que (i) deste teorema se demonstra directamente a partir da proposição
4.3.1 e do teorema 3.1.3 da subsecção 3.1.3 e (ii) resulta de (i) e do teorema
4.3.6.
Exemplo 4.3.9 Considerando a aplicação linear f1 : R3 −→ R2 definida pela
matriz
1 0 0
[f1 ]BC BC =
1 1 1
podemos facilmente verificar que:
dim Im f1 = 2, uma vez que r([f1 ]BC BC ) = 2 e
dim N uc f1 = 1, visto que, número de colunas − r([f1 ]BC BC ) = 3 − 2 = 1.
4.4 Diagonalização de matrizes

Dada uma aplicação linear ϕ : E −→ E e fixada uma determinada base em E,
podemos representá-la por uma matriz. Ao procurarmos uma matriz que repre-
sente ϕ, vamos obviamente tentar que esta seja o mais “simples”possı́vel. Uma
vez que determinar uma matriz que represente a aplicação linear ϕ corresponde
a fixar uma certa base de E, temos que encontrar a base que permita representar
ϕ numa matriz “simples”.
As matrizes do tipo diagonal são as que de uma forma simples, podem representar
uma aplicação linear . Mas nem todos as aplicações lineares de E podem ser
representadas por uma matriz diagonal. Vamos então ver como determinar a
base que permite representar as aplicações lineares por uma matriz diagonal, e
em que condições é que esta representação é possı́vel. Para tal, vamos introduzir
alguns novos conceitos.
4.4.1 Vectores e valores próprios
Definição 4.4.1 Seja ϕ uma aplicação linear de E em E. Um vector u 6= 0E

diz-se um vector próprio de ϕ se existe um escalar λ ∈ R tal que ϕ(u) = λu. O
escalar λ é designado por valor próprio de ϕ associado ao vector próprio u.
Se representarmos a aplicação linear ϕ dada pela matriz A, em relação a uma

base B, podemos escrever a equação ϕ(u) = λu na seguinte forma matricial:
A [u]B = λ [u]B .
Mas
A [u]B = λ [u]B ⇔ A [u]B − λ [u]B = O ⇔ (A − λI) [u]B = O
ou seja, obtemos um sistema de equações lineares homogéneas, o qual é sempre
possı́vel. Para que este sistema admita soluções diferentes da solução trivial
(u 6= 0E ), tal como é exigido pela definição 4.4.1, tem que ser um sistema possı́vel
e indeterminado, ou seja,
|A − λI| = 0.
Definição 4.4.2 Seja E um espaço vectorial de dimensão finita, ϕ uma apli-

cação linear de E em E, B uma base de E e A = [ϕ]BB . O polinómio |A − λI|,
na incógnita λ de grau n, designa-se por polinómio caracterı́stico da matriz A.
A equação |A − λI| = 0 designa-se por equação caracterı́stica de A.
Nota: O grau do polinómio caracterı́stico da matriz A é igual à ordem da matriz.

A situação que acabamos de examinar serve de demonstração ao teorema que se
segue.
Teorema 4.4.1 Seja E um espaço vectorial de dimensão finita, ϕ uma apli-

cação linear de E em E, B uma base de E e A = [ϕ]BB .
(i) Um escalar λ é um valor próprio de ϕ se e só se é solução da equação

caracterı́stica.
(ii) Um vector u ∈ E é vector próprio de ϕ, associado ao valor próprio λ se e
só se as componentes de u em relação à base B são uma solução não nula
do sistema de equações lineares (A − λI)X = O.
Com base neste teorema podemos então determinar os valores e vectores próprios
de uma aplicação linear.
Exemplo 4.4.1 Consideremos a aplicação linear ϕ1 : R2 −→ R2 tal que
ϕ1 (x, y) = (−3x − 5y, 2y).
Considerando a base canónica de R2 , esta aplicação pode ser representada ma-

tricialmente por:
−3 −5
A= .
0 2
Resolvendo a equação caracterı́stica |A − λI| = 0

−3 − λ −5
= 0 ⇔ (−3 − λ)(2 − λ) = 0 ⇔ λ = −3 ∨ λ = 2.
0 2−λ
Os valores próprios de ϕ1 são então λ = −3 e λ = 2.

O conjunto de vectores próprios associados ao valor próprio λ = −3, e que
representamos por U−3 é determinado a partir da resolução do sistema (A +
3I)U = O.

−3 + 3 −5 x 0 −5y 0 x∈R
= ⇔ = ⇔ .
0 2+3 y 0 5y 0 y=0
Logo, o conjunto dos vectores próprios associados a λ = −3 é
U−3 = {(x, 0) : x ∈ R\{0}}.
De modo análogo concluı́-se que o conjunto dos vectores próprios associados a

λ = 2 é
U2 = {(x, −x) : x ∈ R\{0}}.
Notas:
• A cada valor próprio está associado, em geral, mais do que um vector

próprio. Quando o espaço vectorial é real, a cada valor próprio está associ-
ado uma infinidade de vectores próprios.
• A cada vector próprio está associado um e um só valor próprio.
4.4.2 Matrizes diagonalizáveis

Vejamos em que condições é que existe uma matriz diagonal que represente a
aplicação linear ϕ : E −→ E.
Definição 4.4.3 Uma aplicação linear ϕ de um espaço vectorial diz-se diago-

nalizável se existir uma base de E em relação à qual a matriz que representa ϕ
é diagonal.
O próximo teorema diz-nos então como construir a base de E que nos permite
obter uma matriz diagonal que representa a aplicação linear ϕ de E em E.
Teorema 4.4.2 Uma aplicação linear ϕ de E em E é diagonalizável se e só se E

admitir uma base formada por vectores próprios de ϕ. Neste caso, os elementos
da diagonal principal de uma matriz diagonal que representa ϕ são os valores
próprios da aplicação ϕ.
Para podermos trabalhar numa linguagem matricial, é necessário introduzir o

conceito de matrizes semelhantes.
Definição 4.4.4 Sejam A e B duas matrizes quadradas de ordem n. Se existir

uma matriz P de ordem n invertı́vel e tal que B = P −1 AP então as matrizes A
e B dizem-se semelhantes.
Considerando A = [ϕ]BB e a definição anterior, podemos dizer A é diagonal-

izável se for semelhante a uma matriz diagonal D, isto é, se existir uma matriz
invertı́vel P tal que D = P −1 AP . À matriz invertı́vel P chamamos matriz
diagonalizante de A.
Deste modo, o teorema 4.4.2 pode ser enunciado da seguinte forma:
Teorema 4.4.3 Uma matriz A ∈ Mn é semelhante a uma matriz diagonal D

se e só se A possui n vectores próprios linearmente independentes. Neste caso,
os elementos da diagonal principal da matriz D são os valores próprios de A.
Ao tentarmos diagonalizar uma dada matriz A ∈ Mn , três situações podem

acontecer:
1. Existem n valores próprios distintos e n vectores próprios linearmente inde-

pendentes associados aos n valores próprios e portanto A é diagonalizável;
2. Existem m valores próprios distintos, com m < n, mas existem n vectores
próprios linearmente independentes associados a esses valores próprios. Neste
caso, A também é diagonalizável;
3. Existem m valores próprios distintos, com m < n, e não existe um conjunto
com n vectores próprios linearmente independentes, pelo que a matriz A
não é diagonalizável.
Para verificar se os vectores próprios associados ao mesmo valor próprio são

linearmente independentes, temos que aplicar a definição 3.1.3. Contudo, no
caso dos vectores próprios associados a valores próprios distintos a aplicação do
teorema que se segue é bastante útil.
Teorema 4.4.4 Vectores próprios associados a valores próprios distintos são

linearmente independentes.
4.4.3 Processo de diagonalização de uma matriz

Consideremos um espaço vectorial E de dimensão n e fixemos uma base B em
E. Então a matriz A Seja A uma matriz diagonalizável, que representa uma certa
aplicação linear ϕ de E em E, em relação à base B. A matriz diagonalizante P
não é mais do que uma matriz mudança de base, da base BV (formada pelos
vectores próprios de ϕ) para a base B. Portanto, as colunas da matriz P são
exactamente as coordenadas dos vectores da base BV , escritas como combinação
linear dos vectores da base B.
Na prática, vamos considerar A como sendo a matriz da aplicação linear ϕ, agora
em relação à base canónica. Para encontrar uma matriz P diagonalizante de A,
basta-nos determinar n vectores próprios linearmente independentes v1 , . . . , vn
de A e tomar
P = [v1 . . . vn ].
Se λi é o valor próprio de A associado a vi , para qualquer i ∈ {1, . . . , n}, então

 
λ1 0 ... 0
 0 λ2 . . . 0 
P −1 AP =  ..
 
.. .. 
 . . . 
0 0 . . . λn
Sabendo que a base BV é a base formada pelos vectores próprios de A podemos

determinar a matriz diagonal D, com base no seguinte esquema:
A
E −→ E
(Bc ) (Bc )
MB V Bc ↑ ↓ MB−1V Bc
E −→ E
(BV ) D (BV )
e portanto,
D = MB−1V Bc AMBV Bc ⇔ D = P −1 AP.
Vejamos um exemplo:
Exemplo 4.4.2 Consideremos a matriz A que representa a aplicação linear ϕ1

definida no exemplo 4.4.1,
−3 −5
A=
0 2
e a base BV = {(1, −1); (−1, 0)} formada por vectores próprios de A. Estes
vectores foram determinados no exemplo 4.4.1 e podemos garantir que formam
uma base de R2 por aplicação do teorema 4.4.4.
A matriz diagonalizante de A é

1 −1
P =
−1 0
Logo, a matriz diagonal semelhante a A é dada por

−1 0 −1 −3 −5 1 −1 2 0
D = P AP = = .
−1 −1 0 2 −1 0 0 −3
Se observarmos a matriz D obtida, esta é, tal como tı́nhamos referido anterior-
mente, uma matriz diagonal em que os elementos da diagonal principal são os
valores próprios da aplicação ϕ1 .
4.5 As aplicações lineares nas matrizes mudança

de base
Vimos na secção 4.1 que dados dois espaços vectoriais reais E e F de dimensões
n e m, respectivamente, e fixada uma base em cada espaço, toda a matriz A ∈
Mm×n representa uma e uma só aplicação linear f de E em F. Uma escolha
diferente das bases em E e F determinará uma matriz A0 possı́velmente diferente
de A, que representa a aplicação linear f em relação às novas bases consideradas.
Sabemos que A e A0 têm a mesma caracterı́stica, uma vez que esta é igual à
dim Im f. O que não sabemos, é como se relacionam A e A0 matricialmente.
Estudamos na secção anterior a relação entre a matriz A, que representa a
aplicação linear ϕ, com a matriz diagonal D, que representa a mesma aplicação ϕ
mas considerando a base dos vectores próprios de E. A relação que encontramos
pode ser generalizada para quaisquer bases do espaço vectorial considerado.
Consideremos então uma matriz A que representa a aplicação linear f : E −→ F
fixadas as bases B1 em E e B2 em F. Uma matriz A0 que também representa a
aplicação linear f, mas em relação a novas bases B10 e B20 , em E e F, respectiva-
mente. Generalizando um esquema já nosso conhecido:
A
E −→ F
(B1 ) (B2 )
MB10 B1 ↑ ↓ MB2 B20

E −→ F
0
(B1 ) A0 0
(B2 )
e portanto,
A0 = MB2 B20 A MB10 B1 .
4.5. AS APLICAÇÕES LINEARES NAS MATRIZES MUDANÇA DE BASE 193
No contexto anterior, se em E se mantém a base inicial, isto é, se consideramos

B1 = B10 , então MB10 B1 = In e portanto,
A0 = MB2 B20 A.
Por outro lado, se for em F que se mantém a base inicial, isto é, se consideramos
B2 = B20 , então MB2 B20 = Im , e portanto
A0 = AMB10 B1 .
Exemplo 4.5.1 Voltando ao exemplo, 4.1.3, vamos através do processo an-

teriormente descrito determinar a matriz A0 = [f1 ]B1 B2 , a partir da matriz
A = [f1 ]Bc Bc .
Consideremos então o esquema:
[f1 ]Bc Bc
3
R −→ R2
(Bc ) (Bc )
MB1 B C ↑ ↓ MBc B 2
R3 −→ R2
(B1 ) [f1 ]B1 B2 (B2 )
logo, [f1 ]B1 B2 = MBc B2 [f1 ]Bc Bc MB1 BC . Sendo B1 = {(2, 0, 0); (1, 2, 4); (1, −1, 4)}
uma base de R3 e B2 = {(3, 1); (1, 1)} uma base de R2 , temos então que:
 
2 1 1 1 1

−1 −
MB1 B c =  0 2 −1  e MBc B2 = MB2 Bc = 2 2
− 21 32
0 4 4
portanto
0 −3 − 23

[f ]B1 B2 = .
2 10 11
2
4.6 Exercı́cios
Modos de definir uma aplicação linear
Exercı́cio 4.6.1 * Verifique se as seguintes aplicações são ou não lineares:
(a) T : R3 −→ R2 , T (x, y, z) = (z, x + y);

(b) T : R2 −→ R2 , T (x, y) = (senx, y);
(c) T : R2 −→ R, T (x, y) = |x − y|;
 
x
2 1 3
(d) T : R3 −→ R2 , T (x, y, z) =  y ;
−1 0 −2
z

a b a b
(e) T : M2 −→ R, T = .
c d c d
Exercı́cio 4.6.2 Seja V o espaço vectorial das matrizes quadradas de ordem

n. Seja M uma matriz arbitrária em V. Seja T : V −→ V definida por
T (A) = AM + M A, onde A ∈ V. Mostre que T é linear.
Exercı́cio 4.6.3 * Seja a aplicação
T : R2 −→ R3
(x, y) 7−→ (x + ky, x + k, y)
Para que valores reais de k, T é linear?
Exercı́cio 4.6.4 * Considere os vectores da base canónica de R3 : i, j e k. Seja

T : R3 −→ R3 a aplicação linear tal que:
T (k) = 3i + j − 2k, T (j + k) = i, T (i + j + k) = k + j.
(a) Calcule T (2i − j + 3k).

(b) Determine a matriz que representa T em relação à base canónica de R3 .
Exercı́cio 4.6.5 Supondo fixadas em R2 e R3 as respectivas bases canónicas,

determine a matriz que representa as seguintes aplicações lineares, em relação a
estas bases:
(a) g : R2 −→ R3 definida por g(x, y) = (x + y, 0, 0);

(b) f : R3 −→ R2 definida por f (x, y, z) = (−y, x).
Exercı́cio 4.6.6 Se f : R3 −→ R3 for representada, em relação às bases canónicas

de R3 , pela matriz  
1 0 1
 0 1 2 ,
2 0 2
qual a imagem por f de um vector genérico x de R3 ?
Exercı́cio 4.6.7 * Sejam V e W dois espaços vectoriais reais e B1 = {v1 , v2 , v3 }

e B10 = {w1 , w2 } bases de V e W, respectivamente. Seja f : V −→ W a aplicação
linear tal que
1 0 1
[f ]B1 B10 = .
1 1 0
Determine as componentes das imagens dos vectores da base B1 na base B10 .
Exercı́cio 4.6.8 Dadas as bases B1 = {(1, 1), (1, 0)} de R2 e B2 = {(1, 2, 0), (1, 0, −1),
(1, −1, 3)} de R3 , determine a transformação linear, T : R2 −→ R3 , representa-
da pela seguinte matriz:
 
2 0
[T ]B1 B2 =  1 −2 
−1 3
Núcleo e Espaço Imagem de uma aplicação linear
Exercı́cio 4.6.9 * Seja T : R3 −→ R3 a transformação linear definida por
T (x, y, z) = (x + 2y − z, y + z, x + y − 2z).
(a) Determine a base e a dimensão de:

(i) Im T ;
(ii) N uc T.
(b) Determine os vectores que têm por imagem o vector (4, −1, 5).
(c) Verifique o teorema da dimensão.
Exercı́cio 4.6.10 * Seja T : R3 −→ R2 a transformação linear tal que
T (1, 0, 0) = (1, 2) T (0, 1, 0) = (0, 1) T (0, 0, 1) = (−1, 3).
(a) Determine N uc T e uma das suas bases. T é aplicação linear injectiva?

(b) Determine Im T e uma das suas bases. T é aplicação linear sobrejectiva?
Exercı́cio 4.6.11 Seja f : P2 [x] −→ P2 [x] uma aplicação linear tal que
f (1) = 1 + x f (x) = 3 − x2 f (x2 ) = 4 + 2x − 3x2 .
(a) Determine a imagem por f do polinómio 2 − 2x + 3x2 .

(b) Verifique se f é injectiva.
(c) Determine todos polinómios cuja imagem é −7x2 + 8x + 8.
(d) Verifique se f é sobrejectiva sem calcular uma base de Im f..
(e) Determine uma base de Im f.
(f ) Determine f (a0 + a1 x + a2 x2 ).
Exercı́cio 4.6.12 * Considere a aplicação linear T : R2 −→ R2 :
T (x, y) = (x, 0)
e Bc a base canónica de R2 .
(a) Defina a matriz da aplicação linear T, considerando a base canónica de R2 ,
isto é, [T ]Bc Bc .
(b) A partir da matriz determinada na alı́nea anterior, verifique se T é uma
aplicação sobrejectiva e/ou injectiva.
Exercı́cio 4.6.13 Sejam E um espaço vectorial real e {e1 , e2 , e3 } uma base de

E. Considere a aplicação f : E −→ E definida por
f (xe1 + ye2 + ze3 ) = (x + y + z)e1 + (x + y + 3z)e2 + (x + y)e3 .
(a) Classifique a aplicação quanto à injectividade e à sobrejectividade.

(b) Determine os vectores que têm por imagem o vector e1 + e2 + e3 .
Exercı́cio 4.6.14 Seja f : R3 −→ R3 . Sabendo que
f (0, 0, 1) = (0, 0, 1)
e
N uc f = h(1, 1, 1); (0, 1, 1)i,
determine f (x, y, z), para qualquer (x, y, z) ∈ R3 .
Exercı́cio 4.6.15 Considere os espaços vectoriais R3 e P3 [x] e a base

B1 = {(1, 0, 0); (0, 1, 1); (0, 0, 1)} de R3 . Seja g : R3 −→ P3 [x] a aplicação tal
que:
g(1, 0, 0) = x3 + 2x g(0, 1, 1) = x2 − 2x g(0, 0, 1) = x3 + x2 .
Determine:
(a) g(a, b, c), para todo (a, b, c) ∈ R3 .

(b) N uc g e uma sua base.
(c) Uma base de R3 que inclua a base encontrada em b).
(d) Im g e uma sua base. g é bijectiva? Justifique.
(e) Determine [g]BB2 sendo B a base canónica de R3 e B2 = {x3 , x2 +x, x+1, 1}.
(f ) Determine [g]B 0 B2 sendo B 0 = {(0, 1, 0); (0, 0, 1); (1, 0, 0)}.
Exercı́cio 4.6.16 As aplicações S : R2 −→ R3 e T : R3 −→ R2 são tais que:
S(x, y) = (y, x − y, 2x + 2y) e T (x, y, z) = (x, y).
(a) Sendo B = {(1, 0, −1), (1, 1, 1), (1, 0, 0)} uma base de R3 , determine a matriz
[S ◦ T ]BB .
(b) A partir da matriz determinada na alı́nea anterior, determine o núcleo e o
espaço imagem da aplicação S ◦ T. Esta aplicação é bijectiva?
(c) Determine [T ◦ S]B 0 B 0 e [T ◦ S]B 00 B 00 , sendo B 0 = {(1, 1); (0, −1)} e B 00 a base
canónica de R2 .
(d) A aplicação T ◦ S é injectiva? E sobrejectiva?
Diagonalização de matrizes
Exercı́cio 4.6.17 * Verifique, utilizando a definição, se os vectores dados são

vectores próprios das correspondentes matrizes:

2 2
(a) v = (−2, 1) e A = .
1 3
 
1 −1 0
(b) v = (−2, 1, 3) e A =  2 3 2  .
1 2 1
Exercı́cio 4.6.18 * Considere as seguintes aplicações lineares:
f : R2 −→ R2 , tal que f (x, y) = (x + 2y, −x + 4y);
g : R3 −→ R3 , tal que g(x, y, z) = (x + y + z, 2y + z, 2y + 3z).
(a) Determine os valores próprios e os vectores próprios das aplicações lineares

f e g.
(b) Encontre as matrizes diagonalizantes de A e B, sendo A a matriz que define
a aplicação linear f e B a matriz que define a aplicação linear g.

1 4
Exercı́cio 4.6.19 * Seja A = .
2 3
(a) Encontre todos os valores próprios de A e respectivos vectores próprios.

(b) Encontre uma matriz invertı́vel P tal que P −1 AP é diagonal.
Exercı́cio 4.6.20 * Determine os valores próprios e os vectores próprios da

aplicação linear T : R2 −→ R2 representada em relação à base canónica de de
R2 pela matriz

1 −2
A= .
−2 4
Verifique que a soma dos valores próprios é igual à soma dos elementos na diag-
onal principal de A e que o produto dos valores próprios é igual ao determinante
de A.
Exercı́cio 4.6.21 * Dada a matriz

1 2
A= ,
5 4
determine uma matriz de mudança de base P que transforma a matriz A na

matriz
6 0
.
0 −1
Exercı́cio 4.6.22 Dadas as matrizes

   
−4 −6 0 1 1 1
A= 3 5 0 ; B =  0 1 1 .
0 0 2 0 0 1
Verifique se as matrizes são ou não diagonalizáveis. Em caso afirmativo, diagonalize-

as.
Exercı́cio 4.6.23 * Determine a aplicação linear T : R2 −→ R2 cujos valores

próprios são λ1 = 1 e λ2 = 3 associados aos vectores próprios v1 = (y, −y) e
v2 = (0, y), respectivamente.
Exercı́cio 4.6.24 * Seja T : R2 −→ R2 uma aplicação linear que dobra o

comprimento do vector u = (2, 1) e triplica o comprimento do vector v = (1, 2),
sem alterar as direcções nem inverter os sentidos.
(a) Calcule T (0, 3).

(b) Determine T (x, y).

(c) Qual a matriz da aplicação linear T na base {(2, 1), (1, 2)}?
Exercı́cio 4.6.25 * Para cada uma das seguintes matrizes simétricas, encontre
uma matriz ortogonal P, para a qual P T AP seja diagonal:

2 2
(a)
2 2
 
7 −2 −2
(b)  −2 1 4 
−2 4 1
As aplicações lineares nas matrizes mudança de base
Exercı́cio 4.6.26 * Seja T : R3 → R2 uma aplicação linear, tal que T (x, y, z) =

(2x − y + z, 3x + y − 2z). Consideremos as bases B1 = {v1 , v2 , v3 }, com v1 =
(1, 1, 1), v2 = (0, 1, 1) e v3 = (0, 0, 1), e B2 = {b1 , b2 }, sendo b1 = (2, 1) e
b2 = (5, 3).
(a) Determine [T ]B1 B2 .

(b) Determine MBc B1 .
(c) Se [v]Bc = (3, −4, 2), calcule [T (v)]B2 , utilizando as alı́neas anteriores.
Exercı́cio 4.6.27 * Seja a transformação linear T : R2 → R3 , tal que T (x, y) =

(2x−y, x+3y, −2y), e as bases B1 = {(−1, 1), (2, 1)} e B2 = {(0, 0, 1), (0, 1, −1), (1, 1, 0)} .
Determine [T ]B1 B2 . Qual é a matriz [T ]B1 Bc , onde Bc é a base canónica de R3 ?
Exercı́cio 4.6.28 * (Frequência - Gestão / 13-Jan-2004)

Considere a aplicação linear ψ : R2 → M2 tal que:

1 0
ψ (1, 0) = ψ (0, 1) = .
0 1
(a) Determine ψ (x, y) , para qualquer (x, y) ∈ R2 .

(b) Determine uma base do N uc ψ. ψ é injectiva? ψ é sobrejectiva? Justifique.

2 1 0
(c) Calcule (x, y) ∈ R , tal que ψ (x, y) = .
0 1

Considere a seguinte aplicação linear:
T : R3 −→ R3
.
(x, y, z) 7−→ (3x + y, y, −x + 2y + 2z)
(a) Determine o Nuc T e uma sua base.

(b) Diga se T tem inversa, justificando. Em caso afirmativo, indique-a.
(c) Mostre que os vectores (1, −2, 5) , (0, 0, 1) , e (−1, 0, 1) são vectores próprios
de T e determine uma matriz diagonal que represente T.
(d) Calcule as componentes da imagem do vector genérico de R3 , relativamente
à base constituı́da pelos vectores próprios de T.

Considere a aplicação linear ϕ : R3 → R2 tal que:
ϕ (x, y, z) = (x − y + z, x + y + 2z) .
(a) Determine Im ϕ e indique uma sua base. Diga, justificando, se ϕ é sobre-

jectiva.
(b) ϕ é bijectiva? Justifique. (Sugestão: Use o teorema da dimensão)
(c) Sejam B1 e B2 as bases canónicas dos espaços vectoriais R3 e R2 , respecti-
vamente. Consideremos ainda as bases
B10 = {(1, 0, 0) , (1, −1, 0) , (0, 2, −2)} de R3 e B20 = {(−1, −1) , (2, 3)} de
R2 .
i. Determine [ϕ]B1 B2 .
ii. A partir da matriz determinada na alı́nea anterior, defina [ϕ]B 0 B 0 .
1 2

T : R3 −→ M2
x + y + 2z y .
(x, y, z) 7−→
x 2x − z
(a) Classifique T quanto à injectividade e sobrejectividade. Justifique.

(b) Determine uma base e a dimensão de T (A) , onde A = h(1, −1, 0) , (0, 1, 2) , (2, 1, 6)i .
(c) Sejam F (1, 1, 1) e (0, 1, 1) , (2, 1, 0) vectores próprios de F associados aos
valores próprios λ = 1 e λ = 3, respectivamente. Determine F (x, y, z) .
 
1 5 1
(d) Encontre [T ◦ F ]B1 B2 , sabendo que [F ]B1 BC =  0 4 −1  onde BC é
2 −1 1
a base canónica de R3 e B2 a base canónica de M2 .

T : P2 [x] −→ P2 [x]
.
a + bx + cx 7−→ (3a + b) + bx + (−a + 2b + 2c) x2
2
(a) Determine N uc T e uma sua base.

(b) Diga se T tem inversa, justificando. Em caso afirmativo, indique-a.
(c) Mostre que os vectores 1 − 2x + 5x2 , x2 , e −1 + x2 são vectores próprios de
T e determine uma matriz diagonal que represente T.
(d) Determine o vector a + bx + cx2 de P2 [x] tal que [T (a + bx + cx2 )]B =
(0, 2, −3) , onde B é a base constituı́da pelos vectores próprios de T.
Exercı́cio 4.6.33 * (Exame Trabalhador-Estudante - Gestão / 06-Mar-2004)

Considere a aplicação linear f : R3 → P2 [x] tal que
f (a, b, c) = ax2 + (b − c) x + (c − b) .
(a) Determine Im f e verifique se f é sobrejectiva.

(b) Determine uma base do Nuc f. f é injectiva? Justifique.
(c) Sejam B1 e B2 as bases canónicas dos espaços vectoriais R3 e P2 [x] , re-
spectivamente. Consideremos ainda a base
B10 = {(1, 0, 1) , (0, 2, 1) , (1, 1, 1)} de R3 . Determine:
i. [f ]B1 B2 .
ii. A matriz mudança de base de B1 para B10 .
Exercı́cio 4.6.34 (Exame Trabalhador-Estudante / 06-Mar-2004)

Seja A a matriz real de ordem 3 que representa uma aplicação linear T : R3 → R3
em relação às bases canónicas, tal que:
           
1 2 0 0 0 0
A 1 = 2 ,A 1 = 2 ,A 0 = 0 .
          
1 2 2 4 1 3
(a) Determine os valores próprios da aplicação linear T, e indique, se existir,

uma matriz diagonal D semelhante a A, justificando.
(b) Determine T (x, y, z) .

(c) Indique uma base para Im T e a dimensão do Nuc T sem o determinar.
(d) Seja B = {(1, 1, 1) , (0, 1, 2) , (0, 0, 1)} . Calcule T (v) , onde v ∈ R3 e [v]B =
(3, 2, 1) .
Exercı́cio 4.6.35 * (Exame Especial - Gestão / 06-Set-2004)

Considere a aplicação linear T : R2 → R3 tal que:
T (1, 0) = (1, 0, 0)
T (0, 1) = (2, 1, −1)
(a) Determine T (x, y) , para qualquer (x, y) ∈ R2 .

(b) Determine Nuc T e indique a sua dimensão. T é injectiva?
(c) Usando o teorema da dimensão, verifique se T é sobrejectiva.
(d) Determine a matriz [T ]BB 0 , onde B é a base canónica de R2 e B 0 = {(1, 0, 0), (0, 2, 0),
(0, 0, 3)}.
Exercı́cio 4.6.36 (Exame Especial / 06-Set-2004)

Considere a seguinte aplicação:
T : R3 −→ R3
(x, y, z) 7−→ (x, 2y − z, −2x + 3z)
(a) Mostre que a aplicação T é linear.

(b) Determine o núcleo de T e sem determinar a sua imagem, indique a di-
mensão da imagem, justificando.
(c) Diga se T tem inversa. Justifique. Em caso afirmativo, determine-a.
(d) Determine uma matriz diagonal que represente T.
(e) Calcule as coordenadas da imagem do vector (1, 0, −2) relativamente à base
constituı́da pelos vectores próprios de T.
4.7 Soluções
Modos de definir uma aplicação linear
4.6.1 Só as aplicações das alı́neas a) e d) são lineares;
4.6.3 T é linear só para k = 0.
4.6.4
(a) T (2i − j + 3k) = 9i + 6j − 6k.
 
−1 −2 3
(b) T =  1 −1 1 
1 2 −2
4.6.8 T (x, y) = (x + y, −3x + 8y, 11x − 15y).
Núcleo e espaço imagem de uma aplicação linear
4.6.9
(a) (i) Base de Im T : por exemplo, {(1, 0, 1), (0, 1, −1)}; dim(Im T ) = 2;
(ii) Base de N uc T : por exemplo, {(3, −1, 1)} ; dim(N uc T ) = 1.
4.6.10
(a) T não é injectiva. N uc T = {(z, −5z, z) : z ∈ R}; {(1, −5, 1)} é uma base
do N uc T.
(b) T é sobrejectiva. Im T = h(1, 2), (0, 1), (−1, 3)i = R2 ; qualquer base de
4.6.12

1 0
(a) M (T ; B1 ; B1 ) = .
0 0
Diagonalização de matrizes
4.6.17
(a) v = (−2, 1) é vector próprio da correspondente matriz;
(b) v = (−2, 1, 3) não é vector próprio da correspondente matriz.
4.6.18
(a) Para a aplicação f os valores próprios são λ1 = 3 e λ2 = 2. Conjunto dos

vectores próprios associados a λ1 : {(y, y) : y ∈ R\0}. Conjunto dos vectores
próprios associados a λ2 : {(2y, y) : y ∈ R\0}.
Para a aplicação g os valores próprios são λ1 = λ2 = 1 e λ3 = 4. Conjunto
dos vectores próprios associados a λ1 : {(x, y, −y) : x, y ∈ R} (x e y não
ambos nulos). Conjunto dos vectores próprios associados a λ3 : {(x, x, 2x) :
x ∈ R\0}.
4.6.19
(a) Valores próprios: λ1 = 5 e λ2 = −1. Vectores próprios associados a λ1 , por

exemplo: (1, 1) e vectores próprios associados a λ2 , por exemplo: (2, −1).

1 2
(b) P =
1 −1
4.6.20 Valor próprio: λ1 = 0, vector próprio associado: (2, 1). Valor próprio:
λ2 = 5, vector próprio associado: (1, −2).

2 −1
4.6.21 P = .
5 1
4.6.23 T (x, y) = (x, 2x + 3y).
4.6.24
(a) T (0, 3) = (2, 10).

5
+ 23 y, − 23 x + 10

(b) T (x, y) = 3
x 3
y .

2 0
(c) A matriz da aplicação linear T na base {(2, 1), (1, 2)} é .
0 3
4.6.25
" #
− √12 √1
2
(a) P = √1 √1
.
2 2
 
√1 − √26 0
3
(b) P =  √1 √1 − √12 
.

3 6
√1 √1 √1
3 6 2
As aplicações lineares nas matrizes mudança de base
4.6.26

−4 5 13
(a) [T ]B1 B2 =
2 −2 −5
(c) [T (v)]B = (31, −10)
   
3 0 −3 3
4.6.27 [T ]B1 B2 =  5 2 , [T ]B1 Bc = 2 5 
−3 3 −2 −2
4.6.28

x+y 0
(a) ψ (x, y) = .
0 x+y
(b) N uc ψ = {(x, −x) : x ∈ R} = h(1, −1)i . Como (1, −1) é linearmente
independente, {(1, −1)} é uma base do N uc ψ, logo dim(N uc ψ) = 1. Sendo
dim(N uc ψ) 6= 0, ψ não é injectiva. Utilizando o teorema da dimensão:
dim R2 = dim (N uc ψ) + dim (Im ψ)

⇐⇒ 2 = 1 + dim (Im ψ)
⇐⇒ dim (Im ψ) = 1.
Uma vez que dim (M 2 ) = 4 6= dim (Im ψ) , podemos concluir que ψ não é
sobrejectiva.
(c) {(1 − y, y) , y ∈ R} .
4.6.30
(a) Im ϕ = h(1, 1) , (−1, 1) , (1, 2)i . Base de ϕ = {(1, 1) , (−1, 1)} . Como dim (Im ϕ) =
dim (R2 ) = 2, então ϕ é sobrejectiva.
(b) Utilizando o teorema da dimensão:
dim R3 = dim (N uc ϕ) + dim (Im ϕ)

⇐⇒ 3 = dim (N uc ϕ) + 2
⇐⇒ dim (N uc ϕ) = 1.
Logo ϕ não é injectiva.

1 −1 1
(c) (i) [ϕ]B1 B2 = .
1 1 2

−1 −6 8
(ii) [ϕ]B 0 B 0 = .
1 2 0 −2 2
4.6.33
(a) Im f = hx2 , x − 1, −x + 1i . Como dim (Im f ) = 2 6= dim (P 2 [x]) = 3, logo

f não é sobrejectiva.
(b) Base de N uc f = {(0, 1, 1)} . Como dim (N uc f ) = 1 6= 0, logo f não é
injectiva.
 
0 −1 1
(c) (i) [f ]B1 B2 =  0 1 −1  .
1 0 0
 
−1 −1 2
(ii) MB1 B10 =  −1 0 1 .
2 −1 −2
4.6.35
(a) T (x, y) = (x + 2y, y, −y) .

(b) N uc T = {(0, 0)} . Portanto dim (N uc T ) = 0, e desta forma T é injectiva.
(c) Como dim (Im T ) 6= dim (R3 ) , T não é sobrejectiva.
 
1 2
(d) [T ]BB 0 =  0 21  .
0 − 13

4.8.1 Transformações lineares. Imagem e núcleo

Seja T uma transformação linear de Rn em Rm . Utilizando bases podemos
mostrar que qualquer transformação linear deste tipo tem uma matriz A do
tipo m × n que a representa relativamente a bases de Rn e Rm . (Aqui todas as
representações matriciais, serão relativas às bases canónicas apropriadas.) Desta
forma, para x ∈ Rn ,
T (x) = Ax.
Por exemplo, a aplicação linear T : R4 → R3 definida por
T (x, y, z, w) = (x − y − 2z − 2w, 2x − 3y − 5z − 6w, x − 2y − 3z − 4w)

pode ser representada em relação às bases canónicas pela matriz:
 
1 −1 −2 −2
A =  2 −3 −5 −6  .
1 −2 −3 −4
Iremos demonstrar como utilizar os comandos do OCTAVE para determinar a
imagem e o núcleo de T em termos de dois subespaços fundamentais associados
com a representação matricial A.
Determinação da imagem no OCTAVE
Sejam T : Rn → Rm uma transformação linear e A a sua representação matricial

relativamente às bases canónicas de Rn e Rm . Para x ∈ Rn , T (x) = Ax é
chamada a imagem de x e denota-se por Im (T ) . A imagem T (x) está contida
em Rm . Voltando ao exemplo anterior, suponhamos que T : R4 → R3 é uma
transformação linear cuja representação matricial é
 
1 −1 −2 −2
A =  2 −3 −5 −6  .
1 −2 −3 −4
A imagem de x = (1, 2, −1, 0) segundo T é dada por
 
  1  
1 −1 −2 −2  1
2 
T (x) = Ax =  2 −3 −5 −6   −1
 =  1 .

1 −2 −3 −4 0
0
A imagem de uma transformação linear T : Rn → Rm é o subespaço

vectorial de Rm que consiste em todas as imagens dos vectores de Rn
Existe um método simples para encontrar uma base para o subespaço imagem de
T. Se as colunas de rref(A) que contêm pivot 1 são cj1 < cj2 < . . . < cjk , então
as colunas cj1 , cj2 , . . . , cjk , de A formam uma base para o subespaço imagem de
T.
Da matriz A anterior temos:
 
1 0 −1 0
rref(A)=  0 1 1 2  .
0 0 0 0
Os pivots 1’s fazem das colunas 1 e 2 da matriz A uma base para a imagem de
T.
Logo, uma base para a imagem de T é {(1, 2, 1); (−1, −3, −2)}.
Exercı́cios
Exercı́cio 4.8.1 Encontre bases para a imagem de cada transformação linear

cujas representações matriciais são dadas abaixo.
Representação matricial Base para a imagem

1 2 5 5
(a) A =
−2 −3 −8 −7
 
−3 2 −7
(b) B =  2 −1 4 
2 −2 6
 
3 3 −3 1 11
(c) C =  −4 −4 7 −2 −19 
2 2 −3 1 9
Determinação do núcleo no OCTAVE
Sejam T : Rn → Rm uma transformação linear e A a sua representação matricial

relativamente às bases canónicas de Rn e Rm . Para y ∈ Rm , cada vector x ∈
Rn tal que T (x) = y é chamada de uma pré-imagem de y. Por exemplo,
suponhamos que T : R4 → R3 é uma transformação linear cuja representação
matricial é  
1 −1 −2 −2
A =  2 −3 −5 −6  .
1 −2 −3 −4
O vector x = (1, −3, 1, 1) é uma pré-imagem de y = (0, 0, 0). Isto pode ser
confirmado, verificando se Ax=0 ou seja
 
  1  
1 −1 −2 −2  0
−3   

Ax = 2 −3 −5 −6 
   = 0 .
1 
1 −2 −3 −4 0
1
O conjunto de todas as pré-imagens do vector nulo de Rm forma um subespaço

vectorial de Rn , chamado o núcleo de T, que se denota por Nuc(T ).
O núcleo de uma transformação linear T : Rn → Rm é o subespaço

vectorial de Rn que consiste em todos os vectores x tal que T (x) = 0.
Como um vector x em Rn pertence ao núcleo de T somente se
T (x) = 0,
segue-se que Nuc(T ) é o conjunto de todas as soluções do sistema homogéneo
Ax=0.
Para encontrar uma base para Nuc(T ) utilizamos o comando rref(A).

Por exemplo, se T : R4 → R3 é uma transformação linear cuja representação
matricial é  
1 −1 −2 −2
A =  2 −3 −5 −6  ,
1 −2 −3 −4
temos
 
1 0 −1 0
rref(A)=  0 1 1 2  .
0 0 0 0
Escolhemos as incógnitas correspondentes às colunas sem pivots 1’s para es-
calares arbitrários, como se segue
x3 = r e x4 = t.
Então, x1 = x3 = r e x2 = −x3 − 2x4 = −r − 2t. A solução geral é dada por
x = (x1 , x2 , x3 , x4 ) = (r, −r − 2t, r, t) = r(1, −1, 1, 0) + t(0, −2, 0, 1).
Assim, prova-se que {(1, −1, 1, 0); (0, −2, 0, 1)} é uma base para Nuc(T ).
Em resumo, rref(A) dá-nos suficiente informação para encontrar a imagem e o
núcleo da transformação linear T.
Exercı́cios
Exercı́cio 4.8.2 Encontre bases para o núcleo de cada transformação linear

cujas representações matriciais são dadas abaixo.
Representação matricial Base para o núcleo

1 2 5 5
(a) A =
−2 −3 −8 −7
 
−3 2 −7
(b) B =  2 −1 4 
2 −2 6
 
3 3 −3 1 11
(c) C =  −4 −4 7 −2 −19 
2 2 −3 1 9
 
1 2 4 −2
Exercı́cio 4.8.3 Sejam A =  2 1 2 0  e T (x) = Ax. Encontre uma
0 3 6 −4
base para o núcleo de T.
4.8.2 Valores e vectores próprios

Seja A uma matriz de ordem n. No contexto das transformações lineares,
consideremos T : Rn → Rn definida por
T (x ) = Ax.
Valores e vectores próprios para uma matriz A de ordem n

Determinamos o vector não nulo x em Rn e o escalar λ tal que Ax = λx. Dizemos
que λ é um valor próprio da matriz A e x um vector próprio associado.
Uma estratégia básica para calcular valores próprios e os vectores próprios de

uma matriz A, é começarmos pela equação matricial Ax = λx e utilizarmos
conceitos estudados. Temos o seguinte conjunto de equações equivalentes:
Ax = λx ⇐⇒ Ax = λIn x ⇐⇒ Ax − λIn x = 0 ⇐⇒ (A − λIn ) x = 0.
Assim, o nosso problema formula-se num sistema de equações homogéneas (A − λIn ) x

= 0. Procuremos um x 6= 0 que resolva este sistema homogéneo. Porém,
um sistema homogéneo com o mesmo número de equações e incógnitas, tem
uma solução não trivial se, e somente se, a sua matriz dos coeficientes for não
invertı́vel. A matriz A − λI é não invertı́vel se, e somente se, det (A − λI) = 0.
Então, o valor próprio λ é visto como um parâmetro que faz com que matriz
A − λI seja não invertı́vel. Com estes valores λ estamos preparados para
determinar vectores x não nulos tais que Ax = λx.
A expressão det (A − λI) dá-nos um polinómio de grau n em λ à qual chamamos

polinómio caracterı́stico da matriz A. A equação det (A − λI) = 0 é chama-
da de equação caracterı́stica da matriz A.
Os valores próprios de A são soluções (raı́zes) da equação caracterı́stica.

Os vectores próprios associados são soluções do sistema homogéneo
(A − λIn ) x = 0.
Desta forma, encontramos os zeros do polinómio caracterı́stico para

determinar os valores próprios e depois encontramos a solução geral
do correspondente sistema homogéneo para determinar os vectores
próprios.
No OCTAVE, uma vez introduzida a matriz A, primeiro encontramos o polinómio

caracterı́stico de A. O comando
poly(A)
dá-nos o vector linha que contém os coeficientes do polinómio caracterı́stico,

com o coeficiente do termo de maior grau na primeira entrada e o coeficiente
constante na última entrada. (Usam-se zeros para indicar os coeficientes de
quaisquer potências de λ que explicitamente faltam.) O comando
roots(poly(A))
dá-nos um vector coluna que contém os zeros do polinómio caracterı́stico, isto

é, os valores próprios de A. Ilustramos estes comandos no seguinte exemplo.
 
5 −8 −1
Exemplo 4.8.1 Seja A =  4 −7 −4  . Introduza A no OCTAVE. Então,
0 0 4
o comando
c=poly(A)
exibe
c =
1 −2 −11 12
que implica que o polinómio caracterı́stico de A é
1λ3 − 2λ2 − 11λ + 12.
Utilizando o comando
r=roots(poly(A))
exibe (em ’format short’)

r =
−3.0000
4.0000
1.0000
Nota: Se foi utilizada aritmética exacta, então os zeros do polinómio carac-

terı́stico desta matriz serão os inteiros 4, −3 e 1. Exibindo r em ’format long
e’, observamos que um pequeno erro de arredondamento ocorreu no cálculo e
desta forma o OCTAVE não exibe os valores inteiros exactos. Estas situações
ocorrerão frequentemente no cálculo dos zeros do polinómio caracterı́stico no
OCTAVE. (e noutro software).
Os valores próprios de A são λ = 4, −3, 1.

Uma vez obtidos os valores próprios λ de uma matriz A, os vectores próprios são
determinados como soluções não triviais x do sistema homogéneo (A − λIn ) x =
0. Para encontrar x 6= 0, digite rref(A -λI ) e construa a solução geral do
sistema homogéneo. Vectores próprios linearmente independentes associados
a λ obtêm-se, geralmente, extraindo uma base para a solução geral. Isto é
equivalente a encontrar uma base para o núcleo da transformação linear definida
por T (x) = (A − λI) x. Verifica-se também que vectores próprios associados a
valores próprios distintos são linearmente independentes.
 
5 −8 −1
Exemplo 4.8.2 Seja A =  4 −7 −4  . Tal como definida no exemplo
0 0 4
4.8.1, os valores próprios são λ = 4, −3, 1. Para encontrar no OCTAVE os
vectores próprios associados, procedemos como se segue.
Para λ = 4: Utilizando o comando do OCTAVE
M=rref(A − 4∗ eye(size(A)))
obtemos
M =
1 0 −1
0 1 0
0 0 0
A solução geral de (A − 4I) x = 0 é dada por
x3 = r, x2 = 0, x1 = r.
Então, x = r(1, 0, 1) e tomemos (1, 0, 1) como um vector próprio associado ao

valor próprio λ = 4. Note-se que poderı́amos ter estabelecido para a constante r
qualquer valor não nulo, para encontrar um vector próprio. Portanto, os vectores
próprios associados a um valor próprio são em número infinito.
Para λ = −3: Utilizando o comando do OCTAVE
M=rref(A − (−3)∗ eye(size(A)))
obtemos
M =
1 −1 0
0 0 1
0 0 0
A solução geral de (A + 3I) x = 0 é dada por
x3 = 0, x2 = r, x1 = r.

valor próprio λ = −3.
Para λ = 1: Utilizando o comando do OCTAVE
obtemos
M =
1 −2 0
0 0 1
0 0 0
A solução geral de (A − 1I) x = 0 é dada por
x3 = 0, x2 = r, x1 = 2r.

valor próprio λ = 1.
Uma vez que a matriz A tem 3 valores próprios distintos, segue-se que os vectores
próprios (1, 0, 1), (1, 1, 0) e (2, 1, 0) são linearmente independentes.
 
7 −4 0
Exemplo 4.8.3 Seja A =  8 −5 0  . O comando r=roots(poly(A))
−4 4 3
revela que os valores próprios de A são λ = 3, 3, −1. Encontremos os vectores
próprios associados a λ = 3 como se segue. (Omitiremos o caso λ = −1.)
Para λ = 3:
mostra
M =
1 −1 0
0 0 0
0 0 0
Então, x3 = r, x2 = s e x1 = s e temos
x = (s, s, r) = s(1, 1, 0) + r(0, 0, 1).
Segue-se que ambos os vectores (1, 1, 0) e (0, 0, 1) são vectores próprios associados
ao valor próprio λ = 3. Temos que (1, 1, 0) e (0, 0, 1) são um par de vectores
próprios linearmente independentes associados a λ = 3.
Atenção: Se uma matriz tiver um valor próprio repetido k vezes, então é possı́vel
que existam menos de k vectores próprios associados linearmente independentes.
No ambiente computacional, essas matrizes podem ser difı́ceis de detectar por
causa dos erros de arredondamento que ocorrem nos cálculos.
No OCTAVE, digite
help eig
O écran exibe uma descrição do comando eig. Apenas nos interessam as seguintes
caracterı́sticas:
• eig(A) dá-nos um vector que contém os valores próprios da matriz quadra-

da A.
• [v,d]=eig(A) dá-nos os vectores próprios de A como colunas da matriz v
e a matriz diagonal d que contém os valores próprios correspondentes.
Ilustramos o comando eig no seguinte exemplo.

 
3 0 0
Exemplo 4.8.4 Introduza a matriz A =  4 2 1.5  no OCTAVE. O co-
−5 0 .5
mando
r=eig(A)
dá-nos
r =
2.0000
0.5000
3.0000
O comando
[v,d]=eig(A)
dá-nos
v = d =
0 0 0.4082 2.0000 0 0
1.0000 −.7071 0.4082 0 0.5000 0
0 .7071 −0.8165 0 0 3.0000
As colunas de v são os vectores próprios de A associados aos valores próprios

nos elementos da diagonal da mesma coluna de d. Por convenção, o OCTAVE
exibe os vectores próprios escalados (multiplicados por um escalar não nulo) de

tal modo que a sua norma seja 1. Se tivessemos feito os cálculos à mão, a matriz
v seria
0 0 1
1 −1 1
0 1 −2
Atenção: O OCTAVE calcula os valores e vectores próprios através de métodos

diferentes dos estudados. Os resultados são bastante exactos, mas é possı́vel
surgirem diferenças relativamente aos cálculos feitos à mão.
Exercı́cios
Exercı́cio 4.8.4 Utilize os comandos poly e roots para encontrar o polinómio

caracterı́stico e os valores próprios de cada uma das seguintes matrizes. Registe
os seus resultados ao lado de cada matriz.
 
4 −2 −5
(a) A =  1 1 −1 
0 0 −1
 
−6 8 1
(b) B =  −4 6 1 
0 0 1
− 12 1 − 12
 
(c) C =  − 12 1 − 12 
0 0 1
 
1 2 0 0
 2 1 0 0 
(d) D = 
 0

0 1 1 
0 0 1 1
Exercı́cio 4.8.5 Utilize eig nas matrizes do Exercı́cio 4.8.4. Compare os val-
ores próprios com os calculados utilizando os comandos poly e roots.
Exercı́cio 4.8.6 Investiguemos os valores próprios de matrizes triangulares su-

periores. Execute as seguintes experiências. Registe a matriz A e os seus valores
próprios. Procure uma relação entre as entradas de A e os seus valores próprios.
n=3; A=triu(fix(10∗ rand(n))), r=roots(poly(A))
Repita a experiência várias vezes. Altere o n para 4 e faça a experiência.

Complete a seguinte conjectura:
Os valores próprios de uma matriz triangular superior são .
Confirme a sua conjectura alterando n para 5 e repita a experiência várias vezes.
Exercı́cio 4.8.7 Nos comandos do OCTAVE do Exercı́cio 4.8.6, troque triu por
tril e investigue os valores próprios de uma matriz triangular inferior. Procure
uma relação entre as entradas de A e os seus valores próprios.
Complete a seguinte conjectura:
Os valores próprios de uma matriz triangular inferior são .
Exercı́cio 4.8.8 Utilizando os resultados dos Exercı́cios 4.8.6 e 4.8.7 complete

a seguinte conjectura.
Os valores próprios de uma matriz diagonal são .
Forneça uma justificação para esta conjectura, com base nos conceitos relaciona-
dos com matrizes triangulares e diagonais.
Exercı́cio 4.8.9 Encontre os valores próprios e os vectores próprios para cada

uma das seguintes matrizes. Registe os seus resultados ao lado de cada matriz.
 
3 0 −1
(a) A =  −1 −6 9 
−1 0 3
 
0 1 0
(b) B =  0 −1 0 
−2 −2 −1
Capı́tulo 5
5.1 Introdução
Neste capı́tulo pretende-se aplicar alguns conteúdos que aprendemos nos capı́tulos
anteriores, para resolvermos problemas de Geometria Analı́tica - problemas não
métricos e métricos. Para tal vamos começar por contextualizar os elementos
com que vamos trabalhar.
5.1.1 Espaço Afim

Em Geometria Analı́tica para além dos vectores surge a necessidade de um novo
elemento, o ponto. Assim, estudemos um espaço mais abrangente que os espaços
vectoriais, os espaços afins.
Definição 5.1.1 Um espaço afim é um terno ordenado hE, V, φi , onde E é um

conjunto cujos elementos são chamados pontos, V é um espaço vectorial sobre
R e φ é uma aplicação de E × E em V, que satisfaz as seguintes condições:
(i) ∀A, B, C ∈ E, φ (A, B) + φ (B, C) = φ (A, C) ;

(ii) ∀A ∈ E, ∀u ∈ V, ∃1 M ∈ E : φ (A, M ) = u.
Podemos assim afirmar que todos os pontos e todos os vectores formam um

espaço afim. Pois um espaço afim E é um conjunto de elementos do género de
pontos e de vectores e a relação que existe entre eles dá-se mediante a operação de
construção de vectores. A aplicação φ associa a cada biponto de E um vector de
V, assim um vector u pode-se construir a partir de qualquer ponto A, obtendo-se
−−→
um ponto M tal que AM = u.
−→
Em vez de φ (A, B) , escreve-se muitas vezes AB ou ainda B − A, o que permite
−→ −−→
escrever a primeira condição da definição 5.1.1 do seguinte modo: AB + BC =
219
220 CAPÍTULO 5. GEOMETRIA ANALÍTICA
−→ −→
AC ou (B − A)+(C − B) = (C − A) . Assim, AB = u é equivalente a B = A+u
ou u = B − A.
A direcção (dimensão) do espaço afim é a direcção (dimensão) do espaço vectorial
que lhe está associado. Por abuso de linguagem, em vez de se dizer espaço afim
hE, V, φi diz-se espaço afim E.
Vejamos algumas propriedades fundamentais:
Teorema 5.1.1 Seja E um espaço afim associado a um espaço vectorial V sobre

R. Então, dados os pontos A e B de E e os vectores u e v de V, temos:
−→ − →
1. AA = 0 ;
−→ − →
2. AB = 0 ⇒ A = B;
−→ −→
3. AB = −BA;
4. (A + u) + v = A + (u + v) .
Em situações concretas, geralmente não trabalhamos com todo o espaço afim,

mas sim, com subespaços afins, o que passaremos a definir.
Definição 5.1.2 Dado um espaço afim E, associado ao espaço vectorial V,

designa-se por subespaço afim de E associado ao subespaço vectorial W, de V,
um conjunto F satisfazendo:
−−→
(i) ∀X, Y ∈ F, XY ∈ W ;
(ii) ∀X ∈ F, ∀v ∈ W : X + v ∈ F.
Dir-se-á que F é um subespaço afim de dimensão k, quando W for um subespaço

vectorial de dimensão k.
A um subespaço afim de dimensão 0 chama-se um ponto, de dimensão 1 uma
recta e de dimensão 2 um plano. Num espaço afim de dimensão n (com n > 1),
chama-se hiperplano ao subespaço afim de dimensão n − 1.
Os subespaços afins, ponto, recta e plano, que nos são familiares, podem-se
representar através de equações vectoriais, sistemas de equações paramétricas,
equações cartesianas e equações normais. Recordemos cada representação analı́tica
destes sub- espaços afins. Para tal, necessitamos de definir referencial afim.
Definição 5.1.3 Seja E um espaço afim associado ao espaço vectorial V, de di-

mensão n, sobre R. Chama-se referencial de E, a um par R = (O; (e1 , e2 , . . . , en )) ,
em que O ∈ E e (e1 , e2 , . . . , en ) é uma base de V.
Estudo do ponto
Consideremos num certo espaço afim E um referencial (O; (e1 , e2 , . . . , en )) . Para

−−→
cada ponto X ∈ E, o vector OX chama-se vector posição do ponto X, em
relação à origem O, e chamamos coordenadas do ponto X relativamente a este
−−→ −−→
referencial às coordenadas do vector OX na base (e1 , e2 , . . . , en ) , ou seja, se OX
tem as componentes (x1 , x2 , . . . , xn ) em relação à base considerada, diz-se que
X tem coordenadas (x1 , x2 , . . . , xn ) em relação ao referancial (O; (e1 , e2 , . . . , en ))
e escreve-se X ≡ (x1 , x2 , . . . , xn ) .
Estudo da recta
Uma representação cartesiana de uma recta ou de um plano, relativamente a

um referencial (O; (e1 , e2 , . . . , en )) , é uma equação ou um sistema de equações,
cujas soluções são as coordenadas dos seus pontos no referencial considerado.
Podemos representar estes subespaços afins, como já foi dito, através de equações
vectoriais, sistemas de equações paramétricas, equações cartesianas e equações
normais.
Antes de prosseguir, consideremos o conjunto dos ternos reais, R3 , a base canónica,

(e1 , e2 , e3 ) , do espaço vectorial real R3 , e a aplicação φ : R3 × R3 → R3 , definida
por
φ ((x1 , x2 , x3 ) , (y1 , y2 , y3 )) = (y1 − x1 , y2 − x2 , y3 − x3 ) .

Pode-se verificar que esta aplicação confere ao conjunto R3 a estrutura de es-
paço afim associado ao espaço vectorial real R3 . Por conveniência de notação,
identifiquemos este espaço afim apenas por R3 .
Para definirmos uma recta necessitamos de um ponto e uma direcção ou de dois

pontos. Consideremos cada uma destas situações.
Recta definida por um ponto e uma direcção
Seja r uma recta que passa por um certo ponto P0 = (x0 , y0 , z0 ) do espaço afim
R3 e que tem a direcção de um vector não nulo v = (a, b, c) = ae1 + be2 + ce3 . Um
−−→
ponto P = (x, y, z) pertence à recta r se, e somente se, os vectores P0 P = P − P0
e v são paralelos, isto é,
P ∈ r ⇐⇒ P − P0 = λv, λ ∈ R
(5.1)
⇐⇒ P = P0 + λv, λ ∈ R
A equação (5.1) chama-se equação vectorial da recta r. Esta equação é

equivalente às três equações que se seguem:

 x = x0 + λa
y = y0 + λb, λ ∈ R (5.2)
z = z0 + λc

que constituem as chamadas equações paramétricas de r. As coordenadas

a, b e c de v (ou as de qualquer outro vector com a mesma direcção) dizem-
se parâmetros directores da recta r. Supondo que nenhum dos parâmetros
directores de r é nulo, vem, eliminando o parâmetro λ nas equações (5.2),
x − x0 y − y0 z − z0
= = , (5.3)
a b c
ao que chamamos de equações normais da recta r. Se algum dos parâmetros
a, b e c for nulo, as equações normais tomam outra forma. Por exemplo, se a = 0
e b, c ambos não nulos (caso de uma recta paralela ao plano Y OZ), as equações
normais da recta são

x = x0
y−y0 z−z0 (5.4)
b
= c
Recta definida por dois pontos
Dados os pontos P e Q, do espaço afim R3 , o problema da determinação da

equação da recta definida por esses dois pontos reduz-se ao caso anterior, fazendo
v = Q − P.
Produto Interno, Produto Externo e Produto Misto
Antes de continuarmos o nosso estudo, é conveniente termos presente alguns

conceitos importantes.
Definição 5.1.4 Sejam u, v vectores não nulos do espaço V. O produto interno

(escalar) é definido por
u|v = kuk kvk cos θ,

onde kuk (kvk) é a norma (comprimento) do vector u (v) e θ ∈ [0, π] (amplitude
p
do
ângulo formado pelos vectores u e v). Facilmente se verifica que kuk = u|u
p
kvk = v|v .
Nota: Se um dos vectores é nulo, u|v = 0.
Definição 5.1.5 Diz-se que o vector u é ortogonal ao vector v, e escreve-se

u⊥v, se se tem u|v = 0.
Definição 5.1.6 Diz-se que os vectores u e v são ortonormados se são ortogo-

nais e normados (kuk = kvk = 1) .
Concentremo-nos no estudo de um espaço afim real, de dimensão finita, cujo

espaço vectorial associado está munido de um produto interno.
Definição 5.1.7 Um espaço afim euclidiano é um espaço afim E tal que o seu
espaço vectorial associado V, está munido de um produto interno, |.
Seja {e1 , e2 , . . . , en } um conjunto de vectores não nulos, de um espaço euclidiano,

e suponhamos que tais vectores são ortogonais dois a dois, isto é, ei |ej = 0,
∀i, j ∈ {1, . . . , n} , i 6= j.
Se V ⊂ Rn é um espaço vectorial e e1 , e2 , . . . , en são vectores não nulos ortogonais
dois a dois, então {e1 , e2 , . . . , en } é uma base ortogonal. Se além disso, os
vectores são normados, isto é, unitários, kei k = 0, ∀i ∈ {1, 2, . . . , n} , então
{e1 , e2 , . . . , en } é uma base ortonormada.
Nota:
1. u|v = 0 ⇔ (u = 0 ∨ v = 0) ∨ (u⊥v)
2. u|v = u1 v1 + u2 v2 + u3 v3 , quando u = (u1 , u2 , u3 ) e v = (v1 , v2 , v3 ) estão
definidas numa base ortonormada.
Definição 5.1.8 Consideremos o espaço vectorial euclidiano V de dimensão 3

com base fixa e dois vectores u, v ∈ V. O produto externo ou vectorial de u por v
é o vector u ∧ v, assim caracterizado:
1. se u e v forem linearmente independentes:

(i) ku ∧ vk é igual à área do paralelogramo definido por u e v, ou seja,
ku ∧ vk = kuk · kvk · sin θ, onde θ é o ângulo formado por u e v.
(ii) u ∧ v é ortogonal a u e a v.
(iii) o triedro u, v e u ∧ v é directo, isto é, det (u, v, u ∧ v) é um número
positivo.
2. se u e v forem linearmente dependentes u ∧ v = 0 (0 é o vector nulo), isto
é, u ∧ v = 0 se e só se u//v ∨ u = 0 ∨ v = 0.
Se x = x1 i+x2 j +x3 k e y = y1 i+y2 j +y3 k, onde {i,

j, k} é uma base ortonormada
i j k

do espaço vectorial real V = R3 , então x ∧ y = x1 x2 x3 .
y1 y2 y3
Definição 5.1.9 Sejam x, y e z três vectores de R3 , definimos o produto misto

dos vectores x, y e z (por esta ordem) como sendo o número real (x ∧ y) |z e
representa-se por [x, y, z] ou por x ∧ y|z.
Se x = x1 i + x2 j + x3 k e y = y1 i + y2 j + y3 k e z = z1 i + z2 j + z3 k, onde {i, j, k}
é uma base ortonormada
do espaço vectorial real V = R3 , então (x ∧ y) |z =
x1 x2 x3

y1 y2 y3 . Geometricamente o produto misto representa o volume de um

z1 z2 z3
paralelepı́pedo formado pelos vectores x, y e z.
Estudo do plano
Para definirmos um plano necessitamos de um ponto e uma direcção perpen-

dicular ao plano, um ponto e duas direcções ou de três pontos não colineares.
Consideremos cada uma destas situações.
Plano que passa por um ponto e é perpendicular a uma direcção
Consideremos um ponto P = (x0 , y0 , z0 ) , do espaço afim euclideano R3 , e um

vector não nulo v = (a, b, c) . Suponhamos que queremos encontrar a equação do
plano π que passa por P e é perpendicular ao vector v. Um ponto Q = (x, y, z)
pertence ao plano π se, e somente se,
−→
P Q⊥v,
isto é,
Q ∈ π ⇐⇒ (Q − P ) |v = 0
⇐⇒ a (x − x0 ) + b (y − y0 ) + c (z − z0 ) = 0 (5.5)
⇐⇒ ax + by + cz − (ax0 + by0 + cz0 ) = 0
A equação (5.5) pode-se escrever como
ax + by + cz + d = 0,
onde a, b e c são os parâmetros directores de uma recta perpendicular ao plano
(que se chama eixo do plano) e d = − (ax0 + by0 + cz0 ) . Esta equação denomina-
se de equação cartesiana ou equação geral do plano π. Reciprocamente,
verifica-se que toda a equação da forma ax + by + cz + d = 0 representa um plano
perpendicular ao vector v = (a, b, c) (denominado vector normal ao plano),
isto é, é a equação de um plano cujo eixo tem (a, b, c) como parâmetros directores.
Da equação geral do plano π, podemos obter outras formas de equações do plano.
Se quisermos determinar as equações paramétricas do plano ax + by + cz + d = 0,

fazemos z = α, y = λ, e temos

 x = − ab λ − ac α − d
a
y = λ, α, λ ∈ R
z = α

para equações paramétricas. Convém notar, que estamos a assumir que o coefi-
ciente a 6= 0, e portanto a dedução terá que ser modificada se a = 0.
Casos particulares da equação ax + by + cz + d = 0
1. O coeficiente d é nulo. Então ax + by + cz + d = 0 representa um plano que

passa na origem.
2. Um dos coeficientes das variáveis é nulo.
(i) Se a = 0, a equação ax + by + cz + d = 0 representa um plano paralelo
ao eixo coordenado OX, isto é, um plano perpendicular ao plano Y OZ.
(ii) Se b = 0, a equação ax + by + cz + d = 0 representa um plano paralelo
ao eixo coordenado OY, isto é, um plano perpendicular ao plano XOZ.
(iii) Se c = 0, a equação ax + by + cz + d = 0 representa um plano paralelo
ao eixo coordenado OZ, isto é, um plano perpendicular ao plano XOY.
3. Dois dos coeficientes das variáveis são nulos.
(i) Se a = 0 e b = 0, a equação cz + d = 0 representa um plano paralelo
ao plano XOY, isto é, um plano perpendicular ao eixo OZ.
(ii) Se b = 0 e c = 0, a equação ax + d = 0 representa um plano paralelo
ao plano Y OZ, isto é, um plano perpendicular ao plano OX.
(iii) Se a = 0 e c = 0, a equação by + d = 0 representa um plano paralelo
ao plano XOZ, isto é, um plano perpendicular ao plano OY.
Plano definido por um ponto e duas direcções
Consideremos o ponto P = (x0 , y0 , z0 ) , do espaço afim euclideano R3 , e dois

vectores u = (u1 , u2 , u3 ) e v = (v1 , v2 , v3 ) . Se quisermos determinar a equação
do plano π que passa por P e que tem a direcção de u e v, consideramos o vector
normal ao plano u ∧ v, e procedemos como atrás. A equação vectorial do
plano π é
Q = P + λu + αv,
onde Q = (x, y, z) .
Plano definido por três pontos não colineares
Se o plano π estiver definido por três pontos P1 , P2 e P3 , não colineares, de-

terminar a equação do plano reduz-se ao caso anterior, fazendo u = P1 − P0 e
v = P2 − P1 .
5.2 Problemas não métricos entre subespaços

afins
Dada a importância da posição relativa de dois subespaços afins (ponto, recta
ou plano), vamos estudar detalhadamente as possı́veis posições relativas entre
dois pontos, duas rectas, dois planos, um ponto e uma recta, um ponto e um
plano, uma recta e um plano, assim como métodos para as determinar.
Consideremos que (O; (e1 , e2 , . . . , en )) é um referencial de um certo espaço afim
E.
Dois pontos, ponto/recta e ponto/plano
Sejam A e B dois pontos do espaço afim E de coordenadas (a1 , a2 , . . . , an ) e

(b1 , b2 , . . . , bn ) , respectivamente.
Definição 5.2.1 Os pontos A e B tais que (a1 , a2 , . . . , an ) = (b1 , b2 , . . . , bn ) ,

são chamados de coincidentes. Caso contrário dizem-se distintos.
Definição 5.2.2 Dada a recta r, cuja representação vectorial é X = P + λu,

λ ∈ R, P ∈ E, diz-se que um ponto A pertence a r, se e só se A satisfaz a
equação da recta. Caso contrário, o ponto não pertence à recta.
Definição 5.2.3 Dado um plano π definido pela equação vectorial X = P +

λu + αv, λ, α ∈ R, P ∈ E, diz-se que um ponto A pertence ao plano π, se e só se
A satisfaz a equação do plano. Caso contrário, o ponto não pertence ao plano.
Duas rectas e recta/plano
Tomemos consciência da noção de paralelismo entre dois subespaços afins.
Definição 5.2.4 Sejam E1 e E2 dois subespaços afins de um espaço afim E,

associados aos subespaços vectoriais W1 e W2 , respectivamente, do espaço vec-
torial V associado a E. Diz-se que E1 é paralelo a E2 , e escreve-se E1 //E2 , se
se tem W1 ⊆ W2 ou W2 ⊆ W1 .
5.2. PROBLEMAS NÃO MÉTRICOS ENTRE SUBESPAÇOS AFINS 227
É claro que, se E1 e E2 têm a mesma dimensão (finita), então E1 //E2 se e só se

E1 e E2 têm o mesmo subespaço vectorial associado, isto é, se e só se W1 = W2 .
Definição 5.2.5 Os subespaços afins E1 e E2 de um espaço afim E, dizem-se

estritamente paralelos, se e só se E1 //E2 e E1 ∩ E2 = ∅.
Consideremos no espaço afim E os pontos P, Q e R e sejam r e s duas rectas

definidas por X = P + λu, λ ∈ R e X = Q + βv, β ∈ R, respectivamente, e
X = R + ρu + αv, ρ, α ∈ R, a equação de um plano π.
Para analisarmos a posição relativa entre as duas rectas, basta estudarmos a lin-
earidade dos vectores directores das respectivas rectas. Se u e v são linearmente
dependentes, as rectas ou são coincidentes - se um ponto de uma recta pertence
à outra; ou paralelas distintas - se não existir nenhum ponto comum. Se u
e v são linearmente independentes, as rectas ou são reversas (enviezadas) ou
concorrentes. Para analisarmos esta situação, devemos considerar um terceiro
vector formado por um ponto de cada uma das rectas. Neste caso podemos,
−→ −→
por exemplo, tomar o vector P Q, e verificar se os vectores u, v e P Q são
linearmente dependentes ou linearmente independentes. Caso sejam linearmente
dependentes, as rectas r e s são concorrentes, podendo ser perpendiculares se
u|v = 0, caso contrário, se são linearmente independentes as rectas são reversas,
podendo ser ortogonais se u|v = 0.
É conveniente distinguirmos as noções entre espaços afins perpendiculares e

espaços afins ortogonais, visto que nem todo o espaço ortogonal é perpendicular,
apesar de todo o espaço perpendicular ser ortogonal.
Definição 5.2.6 Dois espaços afins dizem-se perpendicularidades se forem or-

togonais e se, além disso, a sua intersecção for não vazia.
Um método comum para analisar a posição relativa entre uma recta e um plano
resulta da conjunção das equações da recta e do plano, o que se traduz num
problema de resolução de sistemas. Assim, se o sistema for:
• Impossı́vel: significa que não existe nenhum ponto comum - a recta é

paralela ao plano, e representa-se por r//π.
• Possı́vel e indeterminado: significa que existe um número infinito de pontos
comuns, isto é, todos os pontos da recta pertencem ao plano - a recta está
contida no plano, e representa-se por r ⊂ π.
• Possı́vel e determinado: significa que existe um único ponto comum - a
recta é transversal ao plano.
Considerando o espaço afim R3 , podemos simplificar o nosso estudo relativa-

mente à análise da posição relativa entre uma recta e um plano. Para tal, basta
considerarmos um sistema constituı́do pelas equações paramétricas da recta e
pela equação geral ou cartesiana do plano.
Seja, por exemplo, (x, y, z) = (x0 , y0 , z0 ) + λ (m, n, p) a equação vectorial de uma
recta r e ax + by + cz + d = 0 a equação cartesiana de um plano π. Assim, o
nosso problema resume-se a estudar o sistema

(x, y, z) = (x0 , y0 , z0 ) + λ (m, n, p)
,
ax + by + cz + d = 0
que é equivalente a,


 x − mλ = x0
y − nλ = y0

.

 z − pλ = z0
ax + by + cz = −d

Reescrevendo o sistema linear na forma de matriz ampliada e utilizando o método

de eliminação de Gauss, temos:
   
1 0 0 −m x0 1 0 0 −m x0
 0
 1 0 −n y0  −−−−−−−−−−−−→  0
 −aL1 + L4 → L4  1 0 −n y0 

 0 0 1 −p z0   0 0 1 −p z0 
a b c 0 −d 0 b c am −d − ax0
 
1 0 0 −m
x0
−−−−−−−−−−−−→  0
 1 0 −n y0 
−bL2 + L4 → L4  
0 0 1 −p
z0 
0 0 c am + bn −d − ax0 − by0
 
1 0 0 −m
x0
−−−−−−−−−−−−→  0 1 0
 −n y0 
−cL3 + L4 → L4  
0 0 1 −p
z0 
0 0 0 am + bn + cp −d − ax0 − by0 − cz0

Logo o sistema é possı́vel e determinado se e só se
am + bn + cp 6= 0.
Assim, podemos concluir que se:
• am + bn + cp 6= 0 - o sistema admite solução única, isto significa que

a intersecção da recta com o plano é um ponto, logo r é transversal
(concorrente) a π. Podemos, também, concluir que r é ortogonal a π se
nπ ∧(m, n, p) = 0, onde nπ é o vector normal ao plano π, isto é, nπ = (a, b, c) .
5.3. PROBLEMAS MÉTRICOS ENTRE SUBESPAÇOS AFINS 229
• am + bn + cp = 0 - o sistema ou é possı́vel e indeterminado ou é impossı́vel,

o que significa que, ou todos os pontos da recta pertencem ao plano, ou
nenhum ponto da recta pertence ao plano, isto é, a intersecção do plano
com a recta é vazia. Assim, basta verificar se um ponto qualquer da recta
pertence ou não ao plano. Caso um ponto da recta pertença ao plano
significa que a intersecção da recta com o plano é uma infinidade de pontos,
ou seja, a recta está contida no plano (r ⊂ π) , caso tal não se verifique,
significa que a intersecção é vazia, logo a recta é paralela ao plano (r//π) .
Dois planos
No estudo da posição relativa entre dois planos, podemos começar por analisar
se os planos têm a mesma direcção, considerando os vectores normais aos planos.
Pois, se os vectores normais aos planos forem linearmente dependentes, os planos
têm a mesma direcção, o que nos permite concluir que ou são coincidentes
(para tal basta que um ponto de um plano pertença ao outro) ou são paralelos
distintos (isto é, não existe nenhum ponto comum). Se os vectores normais aos
planos forem linearmente independentes, então os planos são transversais.
Podemos analisar as possı́veis posições relativas entre um plano e uma recta,

dois planos e duas rectas, recorrendo à representação matricial do sistema de
equações lineares, obtido a partir das representações cartesianas dos respectivos
espaços afins, ou seja, procedendo ao estudo da caracterı́stica da matriz ampliada
versus caracterı́stica da matriz dos coeficientes.
5.3 Problemas métricos entre subespaços afins

Nesta secção vamos estudar alguns métodos que nos permitem o cálculo da
distância e amplitude do ângulo formado entre subespaços afins de R3 .
5.3.1 Distância entre subespaços afins de R3

Comecemos por definir alguns conceitos importantes.
Definição 5.3.1 Se A e B são pontos de um espaço afim euclidiano E (ver

definição 5.1.7), chama-se distância de A a B, e representa-se por d (A, B) , à
−→ −→
q
norma do vector B − A, isto é, d (A, B) = kB − Ak = AB|AB.
Definição 5.3.2 Designa-se por espaço métrico um par hE, di , onde E é um

conjunto não vazio, cujos elementos se chamam pontos, e d : E × E → R é uma
função que satisfaz as seguintes condições:
(i) ∀A, B ∈ E, d (A, B) = d (B, A) ;

(ii) ∀A, B ∈ E, d (A, B) ≥ 0, sendo d (A, B) = 0 ⇔ A = B;
(iii) ∀A, B, C ∈ E, d (A, C) ≤ d (A, B) + d (B, C) .
O número real não negativo d(A, B) designa-se por distância de A a B.
Nota: hE, di onde E é um espaço afim euclidiano e d (A, b) = kB − Ak é um

espaço métrico, uma vez que d assim definida é uma distância.
Definição 5.3.3 Sejam E1 e E2 dois subespaços afins de R3 . A distância entre

E1 e E2 define-se como sendo o mı́nimo das distâncias entre pontos de E1 e E2 ,
ou seja, d (E1 , E2 ) = min {d (A, B) : A ∈ E1 , B ∈ E2 } .
Considerando, daqui em diante, bases ortonormadas, vamos estudar métodos

expeditos para calcular a distância entre:
• dois pontos
• um ponto e uma recta
• um ponto e um plano
• duas rectas
• uma recta e um plano
• dois planos
Ponto/ponto
Sejam P = (a, b, c) e Q = (x, y, z) dois pontos de R3 . Então,
−→ p

d (P, Q) = P Q = (x − a)2 + (y − b)2 + (z − c)2 .
Ponto/recta
Sejam A e B dois pontos distintos quaisquer de uma recta r. Para achar a

distância de um ponto P à recta r, geometricamente, temos
Determinar a distância de P a r, d (P, r) , resulta de considerarmos a área do
triângulo, ABP, A[ABP ] , por um lado
1 −→ −→

A[ABP ] = AP ∧ AB ,
2
e por outro
−→

AB · d (P, r)
A[ABP ] = .
2
Logo
−→ −→ −→

AP ∧ AB = AB · d (P, r)
donde vem que
−→ −→

AP ∧ AB
d (P, r) = −→
.
AB
Ponto/plano
Para determinar a distância de um ponto P a um plano π, consideremos a

−→
projecção ortogonal de AP , A ∈ π, P 6∈ π, ou seja, geometricamente,
−→

AP |nπ

−→

Assim, temos d (P, π) = AP × cos θ. Donde vem, d (P, π) = knπ k . Se P =

(x0 , y0 , z0 ) e π : ax + by + cz + d = 0 temos,
|ax0 + by0 + cz0 + d|

d (P, π) = √ .
a2 + b 2 + c 2
Recta/recta
Dadas duas recta r e s reversas, sabendo que os vectores u e v tais que u//r e
v//s, temos u e v linearmente independentes. Sejam P um ponto de r e Q um
ponto de s, então podemos traduzir a distância de r a s pela seguinte fórmula
−→

QP |u ∧ v

d (r, s) = .
ku ∧ vk
Se u e v linearmente dependentes, para determinar a distância de r a s basta
tomar um ponto qualquer de uma das rectas e achar a distância desse ponto à
outra recta.
Recta/plano
Sejam r uma recta e π um plano, supondo que um vector u é tal que u//r e que
nπ é um vector normal do plano π, para determinar d (r, π) tem-se:
• se r é transversal a π, isto é, u|nπ 6= 0 então d (r, π) = 0.

• se r é paralela a π, isto é, u|nπ = 0, então d (r, π) é igual à distância de um
ponto de r a π.
Plano/plano
Dados dois planos π1 e π2 , e sejam nπ1 e nπ2 vectores normais aos planos π1 e
π2 , respectivamente. Para determinar a distância π1 a π2 vem que :
• se π1 é transversal a π2 , isto é, nπ1 e nπ2 são linearmente independentes,

então d (nπ1 , nπ2 ) = 0.
• se π1 e π2 são paralelos, isto é, nπ1 e nπ2 são linearmente dependentes, então
d (nπ1 , nπ2 ) é igual à distância entre um ponto de um plano e o outro plano.
5.3.2 Amplitude do ângulo formado por dois subespaços

afins
Aplicando alguns conceitos já adquiridos, podemos calcular a amplitude do
ângulo formado entre dois subespaços afins que corresponde à menor amplitude
dos ângulos formados por esses subespaços afins.
Recta/Recta
Sejam r e s duas rectas, cujos vectores directores são respectivamente u e v. O

ângulo formado pelas rectas r e s, é por definição, o menor ângulo formado pelas
rectas complanares. Recorrendo ao ângulo formado pelos respectivos vectores
directores u e v, α, das rectas r e s podemos determinar o ângulo entre as
referidas rectas, θ.
Analisemos duas situações, por um lado quando α = θ, isto é,
π u|v
ou seja, 0 ≤ α ≤ 2
, logo u|v ≥ 0, pelo que cos θ = kukkvk
. Por outro lado se
α + θ = π, isto é,
u|v
ou seja, π2 ≤ α ≤ π, temos cos θ = cos (π − α) = − cos α = − kukkvk . Assim,
pode-se concluir que para determinar a amplitude do ângulo, θ, formado por
|u|v| |u|v|
duas rectas r e s basta determinar cos θ = kukkvk , logo, θ = arc cos kukkvk .
Recta/Plano
Consideremos o plano π e uma recta r e seja θ o ângulo formado pelo plano

π e pela recta r. Para determinar a amplitude do ângulo entre uma recta r e
um plano π, pode-se calcular primeiro a amplitude do ângulo α entre a recta r
|u|nπ |
e um vector normal ao plano nπ . Como θ + α = π2 , vem sin θ = kukkn πk
, onde
nπ é um vector normal do plano π e u é o vector director da recta r. Assim,

|u|nπ |
θ = arc sin kukkn πk
.
Plano/Plano
Sejam π e ρ dois planos. Pode-se definir o ângulo dos planos π e ρ como

sendo o ângulo formado por duas rectas perpendiculares a cada um dos planos.
Reduzindo-se este problema ao cálculo da amplitude do ângulo formado por duas
rectas.
5.4 Exercı́cios
Espaços vectoriais euclidianos. Norma de um vector. Produto escalar,
vectorial e misto.
Exercı́cio 5.4.1 Considere o vector v = (6, 7, −3). Encontre um vector não

nulo u, cujo ponto inicial seja P (−1, 3, −5) e que satisfaça:
(a) u tem a mesma direcção que v;

(b) u tem sentido oposto a v.
Exercı́cio 5.4.2 Considere no referencial canónico de R3 os vectores u = (0, 1, 1);

v = (1, 1, 1) e w = (1, 2, 1). Determine:
(a) u|v
(b) u ∧ v
(c) (u ∧ v)|w.
Exercı́cio 5.4.3 Sejam u = (3, 4), v = (5, −1)e w = (7, 1). Determine:
(a) u|(7v + w)
(b) k(u|w)wk
(c) kuk(v|w)
(d) (kukv) |w.
Exercı́cio 5.4.4 Considere o referencial canónico de R3 . Mostre que os vectores

a = (2, 1, 2) e b = (−2, 2, 1) são ortogonais mas não ortonormados.
Exercı́cio 5.4.5 Sejam u = e1 + 2e2 − e3 e v = 2e1 + e2 + e3 dois vectores de

R3 e {e1 , e2 , e3 } a base canónica deste espaço vectorial. Determine, se possı́vel,
a área do paralelogramo que estes dois vectores definem.
Exercı́cio 5.4.6 Encontre um vector unitário que seja ortogonal aos vectores
u = e1 + e3 e v = e2 + e3
Exercı́cio 5.4.7 Sejam p = (2, k) e q = (3, 5). Determine k de forma que:
(a) p e q sejam paralelos;

(b) p e q sejam ortogonais;
Espaços Afins. Representações da Recta e do Plano. Problemas

métricos e não métricos.
Exercı́cio 5.4.8 Determine as equações paramétricas e as equações normais da

recta que passa pelos pontos A = (1, −3, 2) e B = (−1, 5, 0).
Exercı́cio 5.4.9 Determine a equação geral do plano que passa pelo ponto
P = (1, 1, 4) e tem n = (1, 9, 8) como vector normal.
Exercı́cio 5.4.10 Dados os pontos A = (−4, −1, −1), B = (−2, 0, 1) e C =

(−1, −2, −3), escreva a equação do plano que:
−−→
(a) contém A e é perpendicular a BC;
(b) contém os três pontos.
Exercı́cio 5.4.11 Verifique se os planos
α : 3x − y + z − 4 = 0 e β : x + 2z = 1
são paralelos.
Exercı́cio 5.4.12 Verifique se os planos
α : (−2, 1, 4)|(x − 1, y, z + 3) = 0 e β : (1, −2, 1)|(x + 3, y − 5, z) = 0
são perpendiculares.
Exercı́cio 5.4.13 Considere a recta e o plano de equações:


 x = −5 − 4t
r: y =1−t ,t ∈ R e π : x + 2y + 3z − 9 = 0
z = 3 + 2t

(a) Verifique que a recta r é paralela ao plano π.

(b) Defina uma recta contida no plano π e paralela à recta r.
Exercı́cio 5.4.14 Encontre as equações paramétricas da recta de intersecção

dos planos:
α : 2x + 3y − 5z = 0 e β : y = 0.
Exercı́cio 5.4.15 Determine a equação do plano que passa pelo ponto (−2, 1, 7)
e é perpendicular à recta:
x−4 y+2 z
= =
2 3 −5
Exercı́cio 5.4.16 Considere as rectas r e s de equações:

 
 x − 3 = 4t  x + 1 = 12t
r: y − 4 = t ,t ∈ R e s: y − 7 = 6t , t ∈ R
z−1=0 z − 5 = 3t
 
(a) Mostre que as rectas se intersectam e determine o ponto de intersecção.

(b) Escreva uma equação do plano que contém o ponto de intersecção das duas
rectas e é perpendicular à recta r.
Exercı́cio 5.4.17 Determine a distância da origem à recta de equações:

x−1 y+1
= = 2z
2 3
Exercı́cio 5.4.18 Determine a distância do ponto P = (−1, 2, 1) ao plano:
α : 2x + 3y − 4z = 1.
Exercı́cio 5.4.19 Determine a distância entre os dois planos que se seguem:
α : 2x − y + z = 1
β : 2x − y + z = −1.
Exercı́cio 5.4.20 Determine o ângulo agudo entre o plano
α : x − y − 3z = 5
e a recta
y z+1
r :2−x= = .
2 3

Considere os planos α : x + 2y − z = 3 e β cujo vector normal é n = (1, 3, 1) e
contém o ponto P (1, 0, 0).
(a) Qual a posição relativa entre os dois planos?

(b) Determine a amplitude do ângulo formado pelos dois planos.
(c) Encontre as equações normais da recta r que passa pelo ponto Q(1, 1, 1) e é
paralela à recta onde os planos α e β se intersectam.
(d) Determine a distância entre as duas rectas da alı́nea anterior.

x=1
Considere r : e s a recta que contém o ponto P (1, 0, 5) e tem a
y = 2z
direcção de v = (3, 1, 0).
(a) Qual a posição relativa entre r e s?

(b) Determine a distância entre r e s?
(c) Encontre a equação geral do plano que é perpendicular a r e intersecta s no
ponto Q(4, 1, 5).
(d) Determine a amplitude do ângulo formado pelo plano encontrado na alı́nea
anterior e a recta s.

Considere os planos α : x + 3y + 2 = 0 e β cuja equação vectorial é
(x, y, z) = (1, 1, 1) + λ(2, 1, 0) + µ(3, 2, 0), λ, µ ∈ R
(a) Qual a posição relativa entre α e β?

(b) Encontre as equações normais da recta r que é paralela a ambos os planos,
α e β, e contém o ponto (3, 2, 1).
(c) Determine a distância entre a recta r e o plano β.
(d) Sem efectuar quaisquer cálculos, indique a amplitude do ângulo formado
pelo plano β e por uma recta perpendicular a r, cuja amplitude do ângulo
formado com o plano α é 45◦ .

Álgebra Linear e Geometria Analítica

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Álgebra Linear e Geometria Analítica

Enviado por

Direitos autorais:

Formatos disponíveis

Sebenta de Álgebra Linear e

Sebenta de Álgebra Linear e

Apontamentos dirigidos aos cursos:

Escola Superior de Tecnologia e Gestão

1 Sistemas de equações lineares. Matrizes 7

2 Determinantes e suas aplicações 81

3 Espaços e Subespaços Vectoriais 115

4 Aplicações Lineares 175

5 Geometria Analı́tica 219

Sistemas de equações lineares.

Exemplo 1.1.1 As equações

Definição 1.1.2 O conjunto de soluções da equação a1 x1 + . . . + an xn = b é:

Definição 1.1.3 Um sistema de m equações lineares com n incógnitas é da forma

1.1.2 Método de Eliminação de Gauss

Exemplo 1.1.2 Dado o sistema

simplifiquemos este sistema, utilizando o Método da Eliminação de Gauss.

No segundo passo de eliminação, identifica-se o 2◦ elemento pivot, coeficiente −2

Termina, assim, o método de eliminação de Gauss.

i) Multiplicar uma equação por um escalar não nulo;

ii) Adicionar a uma equação um múltiplo de uma outra equação.

Nota: A multiplicação de equações de um sistema por zero pode alterar a solução do

iii) Trocar a posição de duas quaisquer equações.

Exemplo 1.1.3 Suponhamos que temos o seguinte sistema

Como o coeficiente da 1a incógnita de todas as equações, excepto da 1a equação, é

Podemos, então, continuar com o processo, eliminando a incógnita y da última equação,

Agora, identifiquemos o 3◦ elemento pivot. Se a = 0, temos,

• Se b = 0, z tem um valor arbitrário e o sistema tem infinitas soluções (sistema

• Se b 6= 0, então a última equação “ 0 = b” é uma condição falsa e o sistema não

Se a 6= 0 podemos considerar “ a” como 3o pivot e prosseguir com a resolução do

• Ordena-se o sistema, colocando todos os termos com incógnita no 1◦ membro,

• Considera-se o 1◦ pivot, o coeficiente da 1a incógnita da 1a equação, se este for

• Elimina-se a 1a incógnita de todas as equações, excepto da 1a equação (1◦ pivot);

• Identifica-se o 2◦ pivot, de modo análogo ao 1◦ pivot, considerando o subsistema

• Anulam-se os coeficientes por baixo do 2◦ pivot, de forma a eliminar a 2a

• Procede-se analogamente nas equações seguintes, tomando-se para pivot da

Uma sequência finita de operações elementares (método de eliminação de Gauss)

Voltemos novamente ao sistema 1.7 obtido no inı́cio desta subsecção. Se observarmos

C.S. = {(−2, 2, 1)} .

Os 3 termos independentes que aparecem no lado direito das equações do sistema

Utilizando a notação matricial podemos representar o sistema na forma [A|B], i.e.,

a qual se designa por matriz ampliada ou matriz completa do sistema.

Exemplo 1.2.1 Na matriz (1.8), a21 = 6, porque o elemento 6 da matriz localiza-se

Definição 1.2.2 Seja A uma matriz do tipo m × n. Caso se eliminem m − l linhas e

Exemplo 1.2.2 Consideremos a seguinte matriz do tipo 3 × 4 :

Exemplo 1.2.3 1. A matriz (1.11) é real.

1.2.2 Alguns tipos particulares de matrizes

Em particular, temos as seguintes definições:

Definição 1.2.5 Uma matriz do tipo 1 × n chama-se matriz linha:

Definição 1.2.6 Uma matriz do tipo m × 1 chama-se matriz coluna:

Exemplo 1.2.4 1. A matriz (1.11) do tipo 3 × 4 e a matriz (1.9) do tipo 3 × 1 são

Definição 1.2.7 Uma matriz do tipo m × n diz-se quadrada se m = n :

As matrizes quadradas do tipo n × n são, geralmente, designadas por matrizes de

• Matriz triangular: matriz quadrada, cujos elementos acima ou abaixo da

e matriz triangular superior, se for da forma:

• Matriz diagonal: matriz quadrada, cujos elementos acima e abaixo da diagonal

• Matriz escalar: matriz diagonal, cujos elementos da diagonal principal tomam

1.2.3 Operações elementares com matrizes.

i) Multiplicar uma linha por um escalar não nulo;

ii) Adicionar a uma linha da matriz um múltiplo de outra linha;

iii) Trocar a posição de duas linhas da matriz.

Estas operações designam-se por operações elementares de matrizes sobre li-

Exemplo 1.2.5 Podemos dizer que a matriz (1.8) é equivalente à matriz:

e a matriz ampliada (1.10) é equivalente à matriz