Você está na página 1de 234

Uma Introdução à

ÁLGEBRA LINEAR
Marcos Pimenta de Abreu

Uma Introdução à
ÁLGEBRA LINEAR
1ª edição

Rio de Janeiro
Edição do Autor
2015
Copyright © by Marcos Pimenta de Abreu

1ª edição: 2015

Todos os direitos reservados. Nenhuma parte desta obra poderá ser reproduzida,
sejam quais forem os meios empregados, sem permissão por escrito do autor. Aos
infratores aplicam-se as sanções previstas na Lei Federal N° 9.610 de 19 de
fevereiro de 1998.

Marcos Pimenta de Abreu é Bacharel em Engenharia Elétrica (1983) pela Escola


de Engenharia da Universidade Federal do Rio de Janeiro (UFRJ), Mestre em
Ciências em Engenharia Nuclear (1988) pelo Instituto Alberto Luiz Coimbra de Pós-
Graduação e Pesquisa de Engenharia (COPPE) da UFRJ e Doutor em Ciências em
Engenharia Nuclear (1996) pela COPPE/UFRJ. Atualmente é Professor Associado
do Departamento de Modelagem Computacional do Instituto Politécnico da
Universidade do Estado do Rio de Janeiro. Participou de quatro projetos de
desenvolvimento científico e tecnológico na área nuclear e coordenou um projeto
interinstitucional na área solar. Publicou quarenta artigos científicos completos em
periódicos nacionais e internacionais, cinquenta e cinco trabalhos completos em
anais de eventos científicos nacionais e internacionais e um livro sobre modelagem
da radiação solar incidente no Estado do Ceará. É membro do corpo editorial do
periódico científico internacional Science and Technology of Nuclear Installations e
revisor de vários periódicos científicos internacionais. Detalhes adicionais sobre a
atuação científica do autor deste livro estão disponíveis em seu currículo Lattes
(http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4785594A1).

Abreu, Marcos Pimenta de, 1959  Uma Introdução à Álgebra Linear / Marcos
Pimenta de Abreu  Rio de Janeiro, RJ: Edição do Autor, 2015; x + 220 p., 7 il.;
21 cm.

ISBN 978-85-918501-0-5

Inclui figuras e expressões matemáticas.


Inclui exemplos e lista de exercícios por capítulo.
Inclui anexos.

1. Álgebra Linear. 2. Matrizes. 3. Sistemas de equações lineares e algébricas. 4.


Determinantes. 5. Inversão matricial. 6. Espaços vetoriais. 7. Bases. 8.
Transformações lineares. 9. Autovalores e autovetores. 10. Operadores lineares
diagonalizáveis. I. Abreu, Marcos Pimenta de. II. Título.
CDD 512.5
Aos alunos que, direta ou indiretamente, contribuíram para o
aperfeiçoamento das notas manuscritas de aula que deram
origem a este livro.
PREFÁCIO

Este livro é um texto introdutório à Álgebra Linear. Foi


escrito para servir como livro-texto a alunos e professores de
Introdução à Álgebra Linear, disciplina obrigatória de 45 horas
letivas dos cursos de graduação em Engenharia Mecânica e de
Computação do Instituto Politécnico da Universidade do Estado
do Rio de Janeiro. O autor considera que este livro, com
adequada complementação, pode ser usado nas 60 horas letivas
(típicas) da primeira disciplina de Álgebra Linear de vários
cursos de graduação de universidades brasileiras, particularmente
em Engenharia e Física.
Este livro foi escrito tendo-se em mente que a primeira
disciplina de Álgebra Linear cursada por alunos de cursos de
graduação de universidades brasileiras é, frequentemente, a
primeira com largo emprego de declarações formais, tais como
definições, lemas, teoremas e corolários, e de técnicas da
demonstração formal. Com isso em mente, o autor escreveu este
livro fazendo uso de uma linguagem presumidamente acessível a
alunos com pouca maturidade matemática e, ao mesmo tempo,
compatível com o rigor exigido no uso dessas declarações e
técnicas. Além disso, para suavizar os caminhos do ensino e da
aprendizagem, o autor cuidou que a maioria dos conceitos
apresentados fosse ilustrada com exemplos, e que os exercícios
de final de capítulo, ainda que simples, desempenhassem o papel
de fixação e de extensão dos conceitos apresentados.
A seguir, é feita uma breve descrição dos capítulos deste livro
(uma descrição estendida é oferecida ao leitor no início de cada
capítulo). No Capítulo 1  MATRIZES E OPERAÇÕES , é
introduzido o conceito matemático de matriz e são apresentadas
as notações usuais, tipos especiais de matrizes e as operações

vi
matriciais básicas. No Capítulo 2  SISTEMAS DE
EQUAÇÕES LINEARES E ALGÉBRICAS , são definidos
equação, sistema e suas soluções, são classificados os sistemas
quanto ao número de soluções, são apresentadas as operações
elementares sobre as equações de um sistema e é detalhado o
algoritmo de Gauss-Jordan para a obtenção do conjunto-solução
de um sistema. No Capítulo 3  DETERMINANTE E MATRIZ
INVERSA , são apresentados o conceito e propriedades do
determinante de uma matriz quadrada, é descrito o
desenvolvimento de Laplace para o cálculo eficiente do
determinante, é definida a matriz inversa de uma matriz quadrada
e são detalhados esquemas de inversão matricial e o clássico
método de Cramer. No Capítulo 4  ESPAÇOS VETORIAIS ,
é definida a estrutura matemática denominada espaço vetorial e
são apresentados os seguintes conceitos e elementos estruturais:
subespaço de um espaço vetorial; combinação linear,
dependência linear e independência linear de um conjunto de
vetores de um espaço vetorial; base e dimensão de um espaço
vetorial. No Capítulo 5  TRANSFORMAÇÕES LINEARES ,
é introduzido o conceito de transformação linear entre dois
espaços vetoriais e é descrita a representação matricial de uma
transformação linear do espaço vetorial n no espaço vetorial
m. Em seguida, são definidos imagem e núcleo de uma
transformação linear e são estabelecidas relações envolvendo
imagem, núcleo e duas classes de transformações: sobrejetora e
injetora. No Capítulo 6  AUTOVALORES, AUTOVETORES
E DIAGONALIZAÇÃO , são definidos autovalor e autovetor
de um operador linear sobre um espaço vetorial, é descrito um
esquema para a determinação dos autovalores e autovetores de
um operador linear sobre Kn e é feito um estudo (com
aplicações) de operadores lineares diagonalizáveis sobre Kn.

vii
Na elaboração do roteiro e de algumas seções deste livro, o
autor não pode deixar de registrar a influência destes textos
acadêmicos da Álgebra Linear: Matrices and Linear Algebra, de
Hans Schneider e George P. Barker, Holt, Rinehart, and
Winston, New York, 1968; Linear Algebra, de Georgi E. Shilov,
Dover Publications, Inc., New York, 1977; Álgebra Linear, 3ª
Edição, de José L. Boldrini, Sueli I. R. Costa, Vera L.
Figueiredo e Henry G. Wetzler, Editora HARBRA Ltda., São
Paulo, 1986; Introdução à Álgebra Linear, 4ª edição, de Gilbert
Strang, Editora Gen/LTC, São Paulo, 2013; e Linear Algebra,
de Jim Hefferon, Saint Michael’s College, VT, USA, 2014 (uma
versão digital deste tem sido disponibilizada em
http://joshua.smcvt.edu/linearalgebra/). Esses (e outros) textos
acadêmicos podem ser utilizados complementarmente a este
livro, em conformidade com a carga horária letiva ou a
abordagem adotada.

viii
SUMÁRIO
Página
Capítulo 1 MATRIZES E OPERAÇÕES............... 1
1.1. INTRODUÇÃO............................................. 1
1.2. TIPOS ESPECIAIS DE MATRIZES............. 3
1.3. OPERAÇÕES BÁSICAS............................... 5
1.4. EXERCÍCIOS................................................ 9
Capítulo 2 SISTEMAS DE EQUAÇÕES
LINEARES E ALGÉBRICAS............... 12
2.1. INTRODUÇÃO............................................. 12
2.2. CLASSIFICAÇÃO DE SISTEMAS DE
EQUAÇÕES LINEARES E ALGÉBRICAS.. 19
2.3. OPERAÇÕES ELEMENTARES................... 29
2.4. FORMA LINHA ESCADA REDUZIDA....... 33
2.5. ALGORITMO DE GAUSS-JORDAN........... 42
2.6. EXERCÍCIOS................................................ 59
Capítulo 3 DETERMINANTE E MATRIZ
INVERSA............................................... 64
3.1. INTRODUÇÃO............................................. 64
3.2. DETERMINANTE DE UMA MATRIZ
QUADRADA................................................. 67
3.3. DESENVOLVIMENTO DE LAPLACE........ 76
3.4. MATRIZ INVERSA...................................... 81
3.5. MÉTODO DE CRAMER............................... 91
3.6. EXERCÍCIOS................................................ 94
Capítulo 4 ESPAÇOS VETORIAIS........................ 98
4.1. INTRODUÇÃO............................................. 98
4.2. ESPAÇO VETORIAL................................... 100
4.3. SUBESPAÇOS VETORIAIS......................... 111

ix
4.4. COMBINAÇÃO LINEAR E SUBESPAÇOS
GERADOS.................................................... 119
4.5. DEPENDÊNCIA E INDEPENDÊNCIA
LINEAR........................................................ 125
4.6. BASE E DIMENSÃO DE UM ESPAÇO
VETORIAL................................................... 132
4.7. EXERCÍCIOS................................................ 141
Capítulo 5 TRANSFORMAÇÕES LINEARES...... 144
5.1. DEFINIÇÕES E EXEMPLOS....................... 144
5.2. REPRESENTAÇÃO MATRICIAL DE UMA
TRANSFORMAÇÃO LINEAR T: nm... 151
5.3. TRANSFORMAÇÕES LINEARES E
SUBESPAÇOS ASSOCIADOS..................... 156
5.4. EXERCÍCIOS................................................ 163
Capítulo 6 AUTOVALORES, AUTOVETORES E
DIAGONALIZAÇÃO............................ 165
6.1. DEFINIÇÕES E PROPRIEDADES............... 165
6.2. AUTOVALORES E AUTOVETORES DE
OPERADORES LINEARES SOBRE Kn........ 170
6.3. OPERADORES LINEARES
DIAGONALIZÁVEIS SOBRE Kn................. 177
6.4. EXERCÍCIOS................................................ 195
Anexo A FORMALIZAÇÃO DAS CLASSES DE
SISTEMAS...................................................... 197
Anexo B DEMONSTRAÇÃO DO LEMA 3.4.1........... 200
Anexo C DEMONSTRAÇÃO DO LEMA 4.6.1........... 202
Anexo D INDEPENDÊNCIA LINEAR DA UNIÃO
DE BASES DOS SUBESPAÇOS V ............. 205
Anexo E RESPOSTAS A EXERCÍCIOS..................... 208

x
Capítulo 1

MATRIZES E OPERAÇÕES

Neste capítulo, introduzimos o conceito matemático de matriz,


indicamos as notações usuais e definimos igualdade entre
matrizes. Em seguida, apresentamos e exemplificamos tipos de
matrizes que aparecem com frequência na formulação matricial
de problemas matemáticos. Finalizamos este capítulo com as
operações matriciais básicas. Essas operações aparecem
tipicamente na resolução de problemas matriciais.

1.1. INTRODUÇÃO
Em Matemática, matriz é um arranjo retangular cujos elementos
são dispostos em filas horizontais (linhas) e verticais (colunas).
Exemplo 1.1.1 – Consideramos as provas P1, P2 e P3 de uma
disciplina e dispomos as notas de 5 alunos nessas provas em uma
matriz com 5 linhas e 3 colunas, veja a seguir.

P1 P2 P3
Bruna 8,6 7,4 9,8 
Cláudio 7,2 5,3 6,7

Mariana  9,1 8,8 9,3
 
Paulo 6,2 8,4 7,5
Rafaela  5,6 5,2 9,7 

Os elementos mais comuns de uma matriz são números e


expressões matemáticas.

1
Matrizes são usualmente representadas por letras maiúsculas e
seus elementos por correspondentes letras minúsculas. Uma
matriz A com m linhas e n colunas é usualmente representada das
formas compactas Amxn, [aij]mxn e da forma extensa

 a 11 a 12  a 1n 
a  a 2 n 
 21 a 22 .
     
 
 a m1 a m 2  a mn  mxn

O símbolo aij representa o elemento da matriz A que se encontra


na i-ésima linha e na j-ésima coluna. A indicação dos números de
linhas e de colunas (m x n) na forma compacta Amxn e na forma
extensa é opcional; na forma compacta [aij]mxn, é preferencial.

Exemplo 1.1.2 – Uma matriz com 2 linhas e 3 colunas, cujos


elementos são c11 = 2, c12 = x, c13 = 0, c21 = y, c22 = 3, c23 = 1,
é usualmente representada das formas compactas C2x3, [cij]2x3 e
da forma extensa

 2  x 0
y .
 3  1 2 x 3

Definição 1.1.1 – Duas matrizes Amxn e Bpxq são iguais quando


m = p, n = q e aij = bij para todo i e j, com i variando de 1 a m
(= p) e j variando de 1 a n (= q).

x 2 1 y  x 2 cos0 y
Exemplo 1.1.3 – As matrizes   e 
 2 3z 5 2x 3 log 2 4 3z 5 2 x3
são iguais, porém [x/2 3 z]1x3 e [x/2 3 z+1]1x3 não são.

2
1.2. TIPOS ESPECIAIS DE MATRIZES

Nesta seção, apresentamos tipos especiais de matrizes. Esses


tipos aparecem com frequência na formulação matricial de
problemas matemáticos.

Definição 1.2.1 – Matriz quadrada é uma matriz com o


mesmo número de linhas e colunas, isto é, m = n. Dizemos que
uma matriz n x n é uma matriz quadrada de ordem n.

Definição 1.2.2 – Matriz nula é uma matriz que possui todos os


elementos iguais a zero.

0 0 0 0 0
Exemplo 1.2.1 – A    e B   são nulas.
0 0 2 x 2 0 0 0 2x 3

Definição 1.2.3 – Matriz coluna é uma matriz que possui


apenas uma coluna, isto é, n = 1.

Definição 1.2.4 – Matriz linha é uma matriz que possui apenas


uma linha, isto é, m = 1.

Definição 1.2.5 – Matriz diagonal é uma matriz quadrada cujos


elementos fora da diagonal principal são nulos, isto é, aij = 0
para todo i  j. A diagonal principal de uma matriz quadrada
A é o lugar matricial dos elementos aij com i = j.

7 0 0
 2 0
Exemplo 1.2.2 – 0 1 0 e 0 0 são matrizes diagonais.
0 0 2 3 x 3   2x 2

3
Definição 1.2.6 – Matriz identidade de ordem n é uma matriz
diagonal onde aii = 1 para todo i variando de 1 a n. É usual o
símbolo In para a matriz identidade de ordem n.

Definição 1.2.7 – Matriz triangular superior é uma matriz


quadrada cujos elementos abaixo da diagonal principal são
todos nulos, isto é, m = n e aij = 0 para i > j. Se m = n e aij = 0
para i  j, então é empregada a denominação matriz estritamente
triangular superior.

 2  1 0
Exemplo 1.2.3 – A matriz 0  1 4 é triangular superior,
 
0 0 3 3x 3
0  1 2 
enquanto que 0 0 7 é estritamente triangular superior.
 
0 0 0 3 x 3

Definição 1.2.8 – Matriz triangular inferior é uma matriz


quadrada cujos elementos acima da diagonal principal são
todos nulos, isto é, m = n e aij = 0 para i < j. Se m = n e aij = 0
para i  j, então é empregada a denominação matriz estritamente
triangular inferior.

 2 0 0
Exemplo 1.2.4 – A matriz 1  1 0 é triangular inferior,
 
1 2 2 3 x 3
0 0 0
enquanto que  1 0 0  é estritamente triangular inferior.
 
  2 0  3 x 3

4
Definição 1.2.9 – Matriz simétrica é uma matriz quadrada
com aij = aji para todo i e j admissíveis.

1 x x2
4 3  
Exemplo 1.2.5 –   e x 0 y  são simétricas.
3 2 2 x 2 x 2
 y  1
3x3

Observe que, em uma matriz simétrica, a parte abaixo da


diagonal principal é uma “imagem” da parte acima (com o
“espelho plano” adequadamente posicionado na diagonal
principal da matriz).

1.3. OPERAÇÕES BÁSICAS

Nesta seção, apresentamos as operações matriciais básicas. Essas


operações aparecem tipicamente na resolução de problemas
matemáticos formulados matricialmente.

Definição 1.3.1 – ADIÇÃO DE MATRIZES. A adição (soma)


de duas matrizes de mesma ordem Amxn e Bmxn é uma matriz de
ordem m x n cujos elementos são as somas dos correspondentes
elementos de A e B, isto é, A + B = [aij + bij]mxn.

Observe que a adição de duas matrizes é definida se, e somente


se, (aij + bij) é definida para todo i e j admissíveis.

1  1  0 4 1 3

Exemplo 1.3.1 – 4 0     
    2 5  2 5 .
2 5  3 x 2  1 0 3 x 2 3 5 3 x 2

5
Da Definição 1.3.1, seguem estas propriedades da adição de
matrizes. Dadas as matrizes A, B e C de ordem m x n:

i) A + B = B + A (comutatividade);
ii) A + (B + C) = (A + B) + C (associatividade);
iii) A + 0mxn = A, onde 0mxn é a matriz nula [0]mxn.

Definição 1.3.2 – MULTIPLICAÇÃO DE UMA MATRIZ POR


UM ESCALAR. Sejam k um escalar (um número) e A = [aij]mxn
uma matriz de ordem m x n. A matriz kA = [kaij]mxn.

A multiplicação de uma matriz por um escalar é definida se, e


somente se, a multiplicação kaij é definida para todo i e j
admissíveis.

 3 5 x y2 
 
Exemplo 1.3.2 – Para k = 2 e A   z 0  8 z3  ,
 k 2 y x 2 
 3x 4
2
 6 10 2x 2 y 
temos kA =  2z 0  16 2z3  .

 2k 4 2 y 2x 2 
 3x 4

Da Definição 1.3.2, seguem estas propriedades da


multiplicação de uma matriz por um escalar. Dados os escalares
k1 e k2 e as matrizes A e B de ordem m x n:

i) k1(A + B) = k1A + k1B (distributividade escalar);


ii) (k1 + k2)A = k1A + k2A (distributividade matricial);
iii) 0 x Amxn = 0mxn;
iv) k1(k2A) = (k1k2)A (associatividade escalar).

6
Definição 1.3.3 – TRANSPOSIÇÃO DE UMA MATRIZ. Seja
A = [aij]mxn. A matriz de ordem n x m cujas linhas de 1 a n são as
colunas de 1 a n da matriz A é denominada matriz transposta de
A. São usuais as notações compactas AT e [aji]nxm.

2 1 
2 0 1 
Exemplo 1.3.3 – Para A  0 3 , A T   ; para
1 3 4 2 x 3
1 4 3x 2
 1 
B    , B T  1  5  1x 2 .
  5  2 x1

Da Definição 1.3.3, seguem estas propriedades da


transposição matricial. Dadas as matrizes A e B de ordem m x n:

i) Se A é simétrica, então AT = A;
ii) (AT)T = A, isto é, duas transposições levam à matriz inicial;
iii) (A + B)T = AT + BT, isto é, a transposição matricial é
distributiva em relação à adição matricial;
iv) Se k é um escalar, então (kA)T = kAT.

Definição 1.3.4 – PRODUTO MATRICIAL. Dadas Amxn e Bnxp,


definimos o produto matricial AB = C = [cij]mxp, onde

n
c ij   a ik b kj , i  1 : m, j  1 : p.
k 1

A notação 1 : m representa a variação inteira de 1 inclusive até m


inclusive (a notação 1 : p tem significado análogo). O produto
matricial AB é definido se, e somente se, o número de colunas

7
de A é igual ao número de linhas de B e a multiplicação aikbkj é
definida para todo i, k e j admissíveis.

2 1
1  1
Exemplo 1.3.4 – Sejam A  4 2 e B   . De
1 4  2x 2
5 3 3x 2
acordo com a Definição 1.3.4, o produto matricial AB = C3x2
cujos elementos são c11 = 2x1 + 1x1 = 3, c21 = 4x1 + 2x1 = 6,
c31 = 5x1+3x1 = 8, c12 = 2x(–1)+1x4 = 2, c22 = 4x(–1)+2x4 = 4,
c32 = 5x(–1) + 3x4 = 7, isto é,

3 2
C  AB  6 4 . Note que BA não é definido, pois 2  3.
8 7  3x 2

Da Definição 1.3.4, seguem estas propriedades do produto


matricial:

i) Nem sempre AB = BA, ainda que AB e BA sejam definidos;

 1 1 1   1 2 3
Exemplo 1.3.5 – Sejam A    3 2  1 e B   2 4 6 .
  2 1 0  3 x 3  1 2 3 3 x 3
De acordo com a Definição 1.3.4, AB = 03x3 (verifique!) e
  11 6  1
BA   22 12  2 (verifique!). Note ainda que AB = 03x3
  11 6  1 3x 3
sem que A = 03x3 ou B = 03x3!

8
ii) AmxnIn = ImAmxn = Amxn;
iii) C(A + B) = CA + CB (distributividade);
iv) (A + B)C = AC + BC (distributividade);
v) (AB)C = A(BC) (associatividade);
vi) (AB)T = BTAT;
vii) 0rxmAmxn = 0rxn; Amxn0nxq = 0mxq.

As propriedades de iii a vi são válidas desde que as operações


envolvendo A, B e C sejam definidas.

1.4. EXERCÍCIOS

1) Sejam as matrizes

 3 0 0 0 0
A  0 0 0 1x 3 , B    ,C ,
 0 7 2x 2 0 0 0  2 x 3

5 1 0   1 0 0
  1 2 
D  0 6 0  , E    , F   1 2 0  ,
7 0  4 3x 3  2  8 2 x 2  1 3 4 3x 3

 9  2  0 0 1 0
G  ,H  ,I  ,
0 4 2x 2  2 0 2 x 2 0 1 2 x 2

0 0 0
0  7   3
J  0 0 0 , K    e L  .
0 0 0 3x 3 0 0  2 x 2  8  2 x1

9
Preencha a tabela a seguir com as matrizes de B a L em
conformidade com os tipos especiais definidos na Seção 1.2.
Note que uma dada matriz pode ser de vários tipos (por
exemplo, a matriz A é uma matriz nula e é uma matriz linha).

Quadrada Nula Coluna Linha


A, A,

Diagonal Identidade Triangular Estritamente


Superior Triangular
Superior

Triangular Estritamente Simétrica


Inferior Triangular
Inferior

2) Use as matrizes

 1 2  0 4 6  2
A  ,B    ,C  
 2 3 2 x 2  1 3 2 x 2 0 1 2x 2

e os escalares k = 4, k1 = 2 e k2 = 3 para testar as propriedades


de i a iii da Definição 1.3.1, as propriedades de i a iv da
Definição 1.3.2, as propriedades de i a iv da Definição 1.3.3 e as
propriedades de ii a vi da Definição 1.3.4.

10
 1  2
  1 2   3 0 4  
3) Sejam A    , B    2 1 0 e C   3 0  .
 5 32x2   2 x3   4  1 3 x 2

Para cada expressão matricial a seguir, verifique se todas as


operações são definidas. Caso positivo, determine o resultado.

a) 2AT + B(4C)
b) (AB)C
c) (B + CT)A
d) (3B)(2C) + 4A
e) (AB)T + (3C)
f) (BT + C)(2A)
g) B(CA)
h) B + 5(CA)T

11
Capítulo 2

SISTEMAS DE EQUAÇÕES LINEARES E


ALGÉBRICAS

Neste capítulo, definimos equação, solução de uma equação,


sistema de equações e solução de um sistema de equações
lineares e algébricas, nessa ordem, e classificamos os sistemas
quanto ao número de soluções. Em seguida, apresentamos as
operações elementares que formam a base algébrica do clássico
algoritmo de Gauss-Jordan para a obtenção do conjunto-solução
de um sistema de equações lineares e algébricas. Finalizamos este
capítulo com uma descrição detalhada desse algoritmo e com
aplicações a sistemas de duas, três e quatro equações.

2.1. INTRODUÇÃO

Definição 2.1.1 – Uma equação linear e algébrica a n


incógnitas é uma equação da forma

a 1 x1  a 2 x 2  a 3 x 3   a n x n  b,

onde a1, a2, a3,... an são os coeficientes, b é o termo


independente e x1, x2, x3,... xn são as n incógnitas da equação.
Por exemplo, a equação 2x1 + 3x2 = 6 é uma equação linear e
algébrica a duas incógnitas, onde a1 = 2, a2 = 3 e b = 6; a
equação 2x1 + 3x2 + 4x3 = 12 é uma equação linear e algébrica
a três incógnitas, onde a1 = 2, a2 = 3, a3 = 4 e b = 12.

Definição 2.1.2 – Uma solução de uma equação linear e


algébrica a n incógnitas é uma n-upla ordenada de números

12
(x1, x2, x3,... xn) que satisfaz a equação. Por exemplo, o par
ordenado (3,0) é uma solução da equação linear e algébrica
2x1 + 3x2 = 6, pois 2x3 + 3x0 = 6, enquanto que o terno
ordenado (4,0,1) é uma solução da equação linear e algébrica
2x1 + 3x2 + 4x3 =12, pois 2x4 + 3x0 + 4x1 = 12.

Definição 2.1.3 – Um sistema de equações lineares e algébricas


com m equações e n incógnitas é um conjunto de equações
lineares e algébricas da forma

a 11 x 1  a 12 x 2  a 13 x 3   a 1n x n  b1
a x  a x  a x   a x  b
 21 1 22 2 23 3 2n n 2

a 31 x1  a 32 x 2  a 33 x 3   a 3n x n  b 3


a m1x 1  a m 2 x 2  a m3 x 3   a mn x n  b m ,

onde aij e bi, i = 1 : m (i variando de 1 a m) e j = 1 : n (j variando


de 1 a n), são os coeficientes e os termos independentes,
respectivamente, e x1, x2, x3,... xn são as n incógnitas do sistema.
Essa representação de um sistema de m equações a n incógnitas
denomina-se forma funcional extensa. Podemos empregar a
notação usual de somatório e expressar esse sistema na forma
funcional compacta

a
j1
ij x j  b i , i  1 : m.

Além das formas funcionais, são frequentemente empregadas


as formas matriciais. Fazendo uso da Definição 1.1.1 (igualdade
entre matrizes) e da Definição 1.3.4 (produto matricial),

13
podemos escrever um sistema de m equações lineares e
algébricas a n incógnitas da forma matricial extensa

 a 11 a 12 a 13  a 1n   x1   b1 
a a 22 a 23  a 2n   x  b 
 21   2  2
 a 31 a 32 a 33  a 3n   x3    b3 
     
         
a m1 a m 2 a m3  a mn  mxn x n  nx1 b m  mx1

 
e da forma matricial compacta Ax  b , onde A é a matriz dos

coeficientes de ordem m x n, x é a matriz coluna das
incógnitas de ordem n e b é a matriz coluna dos termos
independentes de ordem m. Existe outra forma matricial
denominada matriz ampliada, veja a seguir.

 a 11 a 12 a 13  a 1n b1 
a a 22 a 23  a 2 n b 2 
 21
B   a 31 a 32 a 33  a 3n b 3 
 
       
a m1 a m 2 a m 3  a mn b m  m x ( n 1)

As linhas da matriz ampliada de um sistema são representações


abreviadas (apenas os coeficientes e os termos independentes)
das correspondentes equações do sistema.

Definição 2.1.4 – Uma solução de um sistema de m equações


lineares e algébricas a n incógnitas é uma n-upla ordenada de
números (x1, x2, x3,... xn) que satisfaz as m equações do sistema.

14
Vamos ilustrar as Definições 2.1.3 e 2.1.4 com dois exemplos
práticos: um referente a um problema básico de Química
Inorgânica e outro referente a um problema básico de Circuitos
Elétricos.

Exemplo 2.1.1 – Considere a mistura controlada dos reagentes


tolueno (C7H8) e ácido nítrico (HNO3) para a produção de
trinitrotolueno (C7H5O6N3) com o subproduto água (H2O). Essa
reação química pode ser escrita da forma

x 1 C 7 H 8  x 2 HNO 3  x 3 C 7 H 5O 6 N 3  x 4 H 2 O,

onde x1, x2, x3 e x4 representam, respectivamente, as proporções


de tolueno, ácido nítrico, trinitrotolueno e água na reação. Para
determinar x1, x2, x3 e x4, podemos aplicar a lei da conservação
do número de átomos de cada elemento na reação – o número de
átomos do elemento químico X antes da reação é igual ao
número de átomos do elemento químico X depois da reação,
para todo elemento químico X presente na reação. De acordo
com essa lei, podemos escrever

7 x 1  7 x 3 (para o carbono),
8x 1  x 2  5x 3  2 x 4 (para o hidrogênio ),
x 2  3x 3 (para o nitrogênio ),
3x 2  6 x 3  x 4 (para o oxigênio).

Podemos reescrever essas equações de conservação da forma

15
7 x1  0x 2  ( 7) x 3  0x 4  0
8x  1x  ( 5) x  ( 2) x  0
 1 2 3 4

0x 1  1x 2  (3) x 3  0 x 4  0
0x 1  3x 2  (6) x 3  (1) x 4  0

De acordo com a Definição 2.1.3, essas equações de


conservação formam um sistema de quatro equações lineares e
algébricas a quatro incógnitas x1, x2, x3 e x4 expresso na forma
funcional extensa. Podemos escrever esse sistema da forma
matricial extensa

7 0 7 0   x1   0
8  
1  5  2  x 2    0
  
0 1  3 0  x 3   0
     
0 3  6  1 4 x 4  x 4  4 x1 0 4 x1


e da forma matricial compacta Ax  0 4x1 , onde 0 4x1 é a matriz
coluna nula de ordem 4. A matriz ampliada do sistema é

7 0 7 0 0
8 1 5  2 0
B .
0 1 3 0 0
 
0 3 6 1 0 4 x 5

O quarteto ordenado (x1, x2, x3, x4) = (1,3,1,3) satisfaz as quatro


equações lineares e algébricas do sistema (verifique!). De
acordo com a Definição 2.1.4, o quarteto ordenado (1,3,1,3) é
uma solução do sistema.

16
Exemplo 2.1.2 – Considere o circuito elétrico resistivo a seguir.
10V

1 2

10V CC 1 2
x1 x2
5

3 4
10
3

0V x3
0V

Nesse circuito, x1, x2 e x3 representam, respectivamente, os


potenciais elétricos dos nós 1, 2 e 3. Para determinar x1, x2 e x3,
podemos empregar a lei do potencial elétrico de Ohm – a
corrente elétrica que atravessa um resistor é igual à razão entre
V, a diferença de potencial elétrico entre as extremidades do
resistor, e R, a resistência elétrica do resistor (I = V/R) – para
expressar as correntes em cada resistor do circuito, e então
empregar a 1ª lei de Kirchhoff ou lei dos nós elétricos – o
somatório das correntes elétricas que chegam a um nó é igual a
zero – para obter uma equação para cada um dos nós elétricos 1,
2 e 3. Vamos começar com o nó elétrico 1. De acordo com a lei
de Ohm, as correntes elétricas que atravessam os resistores de
1 , 5 e 3  e chegam ao nó 1 podem ser expressas por

10  x 1 x 2  x 1 x 3  x 1
, e (em Ampère), respectivamente.
1 5 3

17
De acordo com a 1ª lei de Kirchhoff, podemos escrever a
equação

10  x 1 x 2  x 1 x 3  x 1
  0.
1 5 3

Similarmente, podemos escrever para o nó 2 a equação

10  x 2 x 1  x 2 x 3  x 2
  0
2 5 4

e para o nó 3 a equação

x1  x 3 x 2  x 3 0  x 3
  0.
3 4 10

Podemos rearranjar essas equações e escrevê-las da forma


(verifique!)

23x1  (3) x 2  (5) x 3  150



(4) x1  19 x 2  (5) x 3  100
(20) x  (15) x  41x  0,
 1 2 3

respectivamente. De acordo com a Definição 2.1.3, essas


equações formam um sistema de três equações lineares e
algébricas a três incógnitas x1, x2 e x3 expresso na forma
funcional extensa. Podemos escrever esse sistema da forma
matricial extensa

18
 23  3  5  x 1  150
  4 19  5  x   100
   2  
  20  15 41  3x 3  x 3  3x1  0  3x1
   
e da forma matricial compacta Ax  b , onde A, x e b são
indicadas na forma matricial extensa. A matriz ampliada do
sistema é

 23  3  5 150
B    4 19  5 100 .

  20  15 41 0  3x 4

O terno ordenado (x1, x2, x3) = (418/44, 413/44, 355/44) satisfaz


as três equações lineares e algébricas do sistema (verifique!). De
acordo com a Definição 2.1.4, o terno ordenado (418/44,
413/44, 355/44) é uma solução do sistema.

2.2. CLASSIFICAÇÃO DE SISTEMAS DE EQUAÇÕES


LINEARES E ALGÉBRICAS

Sistemas de equações lineares e algébricas são divididos em


classes quanto ao número de soluções. Apresentamos essas
classes através de uma análise do mais simples dos sistemas –
uma equação linear e algébrica a uma incógnita (m = n = 1) – e
ilustramos essas classes com exemplos de sistemas de equações
lineares e algébricas a 2 e 3 incógnitas.
De acordo com a Definição 2.1.3, sistemas de uma equação
linear e algébrica a uma incógnita podem ser expressos na forma
funcional extensa ax = b. Dado um sistema de uma equação

19
linear e algébrica a uma incógnita, isto é, fixados os valores de a
e b, o sistema dado se enquadra em um e somente um dos
seguintes casos:

i) a  0, b qualquer. Nesse caso, podemos multiplicar a


equação ax = b por 1/a e obter a incógnita x = b/a. Uma vez
que ax  b para x  b/a, o sistema dado possui solução única
x = b/a;
ii) a = 0 e b = 0. Nesse caso, podemos escrever o sistema da
forma 0x = 0. Uma vez que qualquer x satisfaz esse sistema,
o sistema dado possui uma infinidade de soluções;
iii) a = 0 e b  0. Nesse caso, podemos escrever o sistema da
forma 0x = b, b  0. Uma vez que nenhum x satisfaz esse
sistema, o sistema dado não possui solução.

Dessa análise de casos, concluímos que sistemas de uma equação


linear e algébrica a uma incógnita se dividem nestas classes
quanto ao número de soluções:

 Solução única (o conjunto-solução do sistema é um


conjunto unitário);
 Infinitas soluções (o conjunto-solução do sistema é um
conjunto infinito);
 Sem solução (o conjunto-solução do sistema é o
conjunto vazio).

Dado um sistema ax = b, esse sistema pertence a uma e somente


uma dessas três classes. Os sistemas que pertencem a uma das
duas primeiras classes são denominados sistemas consistentes
(possuem pelo menos uma solução). Os sistemas que não
possuem solução são denominados sistemas inconsistentes.

20
Mostramos no Anexo A que essa classificação vale para m e n
arbitrários, isto é, dado um sistema S de m equações lineares e
algébricas a n incógnitas, S pertence a uma e somente uma das
três classes anteriores. Se pertencer a uma das duas primeiras
classes, então ele é consistente. Se pertencer à terceira classe,
então ele é inconsistente. Vamos ilustrar essas classes com
alguns exemplos de sistemas de equações lineares e algébricas a
2 e 3 incógnitas.

Exemplo 2.2.1 – Considere a forma funcional extensa e a matriz


ampliada do sistema de 2 equações lineares e algébricas a 2
incógnitas 2x1 + x2 = 5 e x1 – 3x2 = 6, isto é,

2x 1  1x 2  5  2 1 5
 e   , respectivamente.
1x 1  (3)x 2  6  1  3 6 2 x 3

Vamos fazer algumas operações algébricas simples a partir das


equações desse sistema. Essas operações possuem duas
características principais:

 São reversíveis, isto é, os sistemas resultantes dessas


operações possuem o mesmo conjunto-solução do
sistema inicial;
 Podem gerar um sistema cuja matriz dos coeficientes é
igual a (ou se assemelha a) Iq, a matriz identidade de
ordem q, onde q = m ou n, o que for menor.

A primeira característica garante a preservação do conjunto-


solução do sistema inicial, enquanto que a segunda característica
permite a identificação da solução ou soluções (caso haja) do
sistema inicial.

21
Vamos multiplicar a primeira equação do sistema inicial por 1/2
(EQ1  (1/2)EQ1). O sistema resultante dessa operação
algébrica simples é

1x 1  (1 / 2) x 2  5 / 2 1 1 / 2 5 / 2
 cuja matriz ampliada é 1  3  .
1x
 1  ( 3 ) x 2  6,  6  2x3

Observamos que essa matriz ampliada resulta da multiplicação da


1ª linha da matriz ampliada do sistema inicial por 1/2, isto é, da
operação L1  (1/2)L1 sobre a matriz ampliada inicial.
Observamos adicionalmente que a operação EQ1  (1/2)EQ1
(ou L1  (1/2)L1) sobre o sistema inicial é reversível, pois se
fizermos a operação EQ1  2EQ1 (ou L1  2L1) sobre o
sistema atual, retornaremos ao sistema inicial. Portanto,
qualquer solução do sistema atual é solução do sistema inicial
(caso haja solução).

Vamos agora multiplicar a 1ª equação do sistema atual por –1 e


adicionar a equação resultante à 2ª equação, isto é, vamos fazer a
operação EQ2  EQ2 + (–1)EQ1. O sistema resultante dessa
operação algébrica simples é

1x 1  (1 / 2) x 2  5 / 2

0x 1  ( 7 / 2) x 2  7 / 2,

1 1 / 2 5 / 2 
cuja matriz ampliada é   .
0  7 / 2 7 / 2 2 x 3

22
Essa matriz ampliada resulta da operação L2  L2 + (–1)L1
sobre a matriz ampliada do sistema anterior. Note que a
operação EQ2  EQ2 + (–1)EQ1 (ou L2  L2 + (–1)L1) é
reversível, pois se fizermos a operação EQ2  EQ2 + (1)EQ1
(ou a operação L2  L2 + (1)L1) sobre o sistema atual,
retornaremos ao sistema anterior. Portanto, qualquer solução
do sistema atual é solução do sistema anterior (caso haja
solução), que por sua vez é solução do sistema inicial.

Vamos agora multiplicar a segunda equação do sistema atual por


(–2/7), isto é, vamos fazer a operação EQ2  (–2/7)EQ2. O
sistema resultante é

1x 1  (1 / 2) x 2  5 / 2

0x1  1x 2  1,

1 1 / 2 5 / 2 
cuja matriz ampliada é   .
 0 1  1  2x3

Essa matriz ampliada resulta da operação L2  (–2/7)L2 sobre a


matriz ampliada do sistema anterior. Observamos que a operação
EQ2  (–2/7)EQ2 (ou a operação L2  (–2/7)L2) é reversível,
pois se fizermos a operação algébrica EQ2  (–7/2)EQ2 (ou
L2  (–7/2)L2) sobre o sistema atual, retornaremos ao sistema
anterior. Pelos argumentos apresentados anteriormente,
qualquer solução do sistema atual (caso haja solução) é solução
do sistema inicial.

23
Vamos agora multiplicar a segunda equação do sistema atual por
(–1/2) e adicionar a equação resultante à 1ª equação, isto é,
vamos fazer a operação EQ1  EQ1 + (–1/2)EQ2. O sistema
resultante é

1x 1  0 x 2  3 1 0 3
 cuja matriz ampliada é  .
0 x 1  1x 2   1, 0 1  1 2 x 3

Essa matriz ampliada resulta da operação L1  L1 + (–1/2)L2


sobre a matriz ampliada do sistema anterior. A operação
algébrica EQ1  EQ1 + (–1/2)EQ2 (ou L1L1 + (–1/2)L2) é
reversível, pois se fizermos a operação EQ1  EQ1 + (1/2)EQ2
(ou a operação L1  L1 + (1/2)L2) sobre o sistema atual,
retornaremos ao sistema anterior. Pelos argumentos
apresentados, qualquer solução do sistema atual (caso haja
solução) é solução do sistema inicial.

Essa sequência de operações gerou um sistema cuja matriz dos


coeficientes é igual à matriz identidade I2 (verifique!), o que nos
permite escrever o sistema atual da forma

x1  3

 x 2  1

e prontamente identificar que o sistema possui uma e somente


uma solução (x1,x2) = (3,–1). Uma vez que as operações
realizadas preservam o conjunto-solução do sistema inicial, o
conjunto {(3,–1)} é o conjunto-solução do sistema inicial.
Portanto, o sistema inicial é consistente com solução única.

24
Exemplo 2.2.2 – Considere a forma funcional extensa e a matriz
ampliada do sistema de 3 equações lineares e algébricas a 3
incógnitas 3x2 + 2x3 = 0, x1 – 2x2 – 5x3 = 1 e x1 + 4x2 – x3 = 1,
isto é,

0x1  3x 2  2x 3  0 0 3 2 0
  
1x1  (2) x 2  (5) x 3  1 e 1  2  5 1 ,
1x  4x  (1)x  1 1 4  1 1 3 x 4
 1 2 3

respectivamente. Faremos operações algébricas a partir das


equações/linhas desse sistema e indicaremos essas operações
com a notação introduzida no exemplo anterior.

1ª operação: EQ1  (1/3)EQ1 / L1  (1/3)L1. A forma funcional


extensa e a matriz ampliada do sistema resultante podem ser
expressas como

0x 1  1x 2  (2 / 3) x 3  0 0 1 2 / 3 0 
  
1x 1  (2) x 2  (5) x 3  1 e 1  2  5 1  ,
1x  4x  (1) x  1 1 4  1 1  3 x 4
 1 2 3

respectivamente. Observamos que essa operação é reversível,


pois se fizermos a operação EQ1  (3)EQ1 / L1  (3)L1,
retornaremos ao sistema inicial. Pelos argumentos
apresentados no exemplo anterior, qualquer solução do sistema
atual (caso haja solução) é solução do sistema inicial. Assim, o
conjunto-solução do sistema inicial é preservado.

25
2ª operação: EQ2  EQ2 + (2)EQ1 / L2  L2 + (2)L1. A forma
funcional extensa e a matriz ampliada do sistema resultante
podem ser expressas como

0 x 1  1x 2  (2 / 3) x 3  0 0 1 2/3 0
 
1x 1  0 x 2  ( 11 / 3) x 3  1 e 1 0  11 / 3 1  ,

1x  4 x  (  1) x  1 1 4 1 1  3 x 4
 1 2 3

respectivamente. Observamos que essa operação é reversível,


pois se fizermos a operação algébrica EQ2  EQ2 + (–2)EQ1 /
L2  L2 + (–2)L1, retornaremos ao sistema anterior. Assim, o
conjunto-solução do sistema inicial é preservado.

3ª operação: EQ3  EQ3 + (–4)EQ1 / L3  L3 + (–4)L1. A


forma funcional extensa e a matriz ampliada do sistema
resultante podem ser expressas como

0 x 1  1x 2  ( 2 / 3) x 3  0 0 1 2/3 0
 
1x 1  0 x 2  ( 11 / 3) x 3  1 e 1 0  11 / 3 1  ,

1x  0 x  ( 11 / 3) x  1 1 0  11 / 3 1  3 x 4
 1 2 3

respectivamente. Observamos que essa operação algébrica é


reversível, pois se fizermos a operação EQ3  EQ3 + (4)EQ1 /
L3  L3 + (4)L1, retornaremos ao sistema anterior. Assim, o
conjunto-solução do sistema inicial é preservado.

4ª operação: EQ3  EQ3 + (–1)EQ2 / L3  L3 + (–1)L2. A


forma funcional extensa e a matriz ampliada do sistema
resultante podem ser expressas como

26
0x1  1x 2  (2 / 3) x 3  0 0 1 2/3 0
 
1x1  0x 2  (11 / 3) x 3  1 e 1 0  11 / 3 1  ,

0x  0 x  0x  0 0 0 0 0 3 x 4
 1 2 3

respectivamente. Essa operação é reversível, pois se fizermos a


operação EQ3  EQ3 + (1)EQ2 / L3  L3 + (1)L2,
retornaremos ao sistema anterior. Assim, o conjunto-solução
do sistema inicial é preservado.

5ª operação: Introduzimos aqui uma nova operação: a


reordenação das equações/linhas do sistema atual.
Considerando que as equações/linhas do sistema atual estão na
ordem (EQ1,EQ2,EQ3) / (L1,L2,L3), vamos fazer a reordenação
(EQ1,EQ2,EQ3)  (EQ2,EQ1,EQ3) / (L1,L2,L3)  (L2,L1,L3). A
forma funcional extensa e a matriz ampliada do sistema
resultante podem ser expressas como

1x1  0x 2  (11/ 3)x 3  1 1 0  11 / 3 1 



0 x1  1x 2  (2 / 3)x 3  0 e 0 1 2 / 3 0 ,

0 x  0x  0x  0 0 0 0 0  3 x 4
 1 2 3 

respectivamente. Observamos que a operação de reordenação é


reversível, pois se fizermos a operação (EQ2, EQ1, EQ3) 
(EQ1, EQ2, EQ3) / (L2, L1, L3)  (L1, L2, L3), retornaremos ao
sistema anterior. Assim, o conjunto-solução do sistema inicial é
preservado. No Capítulo 3, veremos que a reordenação de um
conjunto de elementos distintos corresponde formalmente ao
conceito de permutação de um conjunto de elementos distintos.

27
Essa sequência de operações gerou um sistema cuja matriz dos
coeficientes se assemelha à matriz identidade I3 (verifique!). O
sistema atual pode ser escrito da forma

 x 1  1  (11 / 3) x 3

 x 2  (  2 / 3) x 3
0 x  0 .
 3

Essa forma nos permite identificar que o sistema possui infinitas


soluções do tipo (x1, x2, x3) = (1 + 11k/3, –2k/3, k), k  
(conjunto dos números reais). Uma vez que as operações
realizadas preservam o conjunto-solução do sistema inicial, o
conjunto {(1+11k/3, –2k/3, k), k  } é o conjunto-solução do
sistema inicial. Portanto, o sistema inicial é consistente com
infinitas soluções.

Exemplo 2.2.3 – Considere a forma funcional extensa e a matriz


ampliada do sistema de 2 equações lineares e algébricas a 3
incógnitas x1 + 2x2 + x3 = 4 e 3x1 + 6x2 + 3x3 = 15, isto é,

1x 1  2 x 2  1x 3  4 1 2 1 4 
 e   ,
3x 1  6 x 2  3x 3  15 3 6 3 15 2 x 4

respectivamente. Como antes, faremos operações a partir das


equações/linhas do sistema inicial e indicaremos essas operações
com a notação empregada nos exemplos anteriores.

1ª operação: EQ2  EQ2 + (–3)EQ1 / L2  L2 + (–3)L1. A


forma funcional extensa e a matriz ampliada do sistema
resultante podem ser expressas como

28
1x 1  2x 2  1x 3  4 1 2 1 4
 e   ,
0x 1  0x 2  0 x 3  3 0 0 0 3 2 x 4

respectivamente. Essa operação é reversível, pois se fizermos a


operação EQ2  EQ2 + (3)EQ1 / L2  L2 + (3)L1 sobre o
sistema atual, retornaremos ao sistema inicial. Portanto, o
conjunto-solução do sistema atual é igual ao conjunto-solução
do sistema inicial.

Essa operação gerou um sistema que não tem solução, pois não
há terno ordenado (x1, x2, x3) que satisfaça a segunda equação
0x1 + 0x2 + 0x3 = 3. Portanto, o conjunto-solução do sistema
atual (e do sistema inicial) é o conjunto vazio, e o sistema inicial
é inconsistente.

Além de ilustrarem as classes de sistemas quanto ao número


de soluções, os exemplos aqui apresentados serviram para
introduzir um conjunto de operações a partir das equações/linhas
de um sistema. Essas operações preservam o conjunto-solução
do sistema inicial e geram um sistema cuja forma permite a
identificação da solução ou soluções ou mesmo da inexistência
de solução do sistema inicial.

Essas operações são denominadas

2.3. OPERAÇÕES ELEMENTARES

Existem três tipos de operações elementares sobre as


equações/linhas de um sistema de m equações lineares e
algébricas a n incógnitas.

29
I) Multiplicação da i-ésima equação/linha por um número k  0
(EQi  k EQi / Li  k Li), onde i  {1, 2, 3,... m}.

A operação reversa correspondente é da forma EQi  (1/k) EQi


/ Li  (1/k) Li. Note que não há operação reversa para k = 0
e, assim, não há garantia da preservação do conjunto-solução do
sistema inicial quando k = 0. Essa é a razão da restrição k  0.
Por exemplo, faça a operação algébrica EQ2  0 EQ2 no
sistema do Exemplo 2.2.3 e verifique que o sistema resultante é
consistente com infinitas soluções.

II) Substituição da -ésima equação/linha do sistema pela -


ésima equação/linha mais k vezes a i-ésima equação/linha
(EQ EQ +k EQi / L  L + k Li), i, i e   {1, 2, 3,... m}.
A operação reversa correspondente é EQ  EQ + (–k) EQi /
L  L + (–k) Li. Observe que, para k = 0, a operação de
substituição não é efetiva (EQ  EQ / L  L).

Exemplo 2.3.1 –

1 0  1 0 1 0
 4 1 L  L  (1)L  4 1L  L  (1)L  4 1.
  3 3 2   3 3 2  
 3 4   7 5   3 4 

III) Reordenação (ou Permutação) das equações/linhas, isto é,


(EQ1 , EQ 2 ,...EQ m )  (EQ p1 , EQ p 2 ,...EQ p m ) /
( L1 , L 2 ,...L m )  ( L p1 , L p 2 ,...L p m ),

30
onde (p1 p2... pm) é uma permutação dos números inteiros de 1 a
m, isto é, p1, p2,...pm  {1,2,...m} e p1  p2 ...  pm. A operação
reversa é ( EQ p1 , EQ p 2 ,...EQ p m )  ( EQ1 , EQ 2 ,...EQ m ) /
(L p1 , L p 2 ,...L p m )  (L1 , L 2 ,...L m ) .

Exemplo 2.3.2 –

1 3 4 0 0 0
0 0 2 0 0 2
 (L1 , L 2 , L 3 , L 4 )  ( L 4 , L 2 , L1 , L 3 )  .
0 0 0 5 6 9
   
5 6 9 4 x 3 1 3 4 4 x 3

Na maioria dos textos introdutórios à Álgebra Linear, é


apresentada a operação elementar intercâmbio (troca de
posição) entre a i-ésima e a -ésima equação/linha do sistema –
EQi  EQ / Li  L, i  , i e   {1, 2,... m}  sem alteração
das equações/linhas restantes, no lugar da operação de
reordenação considerada neste livro. São duas as razões da nossa
opção pela operação de reordenação:

1) A operação intercâmbio é um caso especial da operação de


reordenação, pois o intercâmbio EQi  EQ / Li  L equivale
à reordenação

(EQ1 ,..., EQi ,..., EQ ,..., EQ m )  (EQ1 ,..., EQ  ,..., EQi ,..., EQ m ) /
(L1 ,..., L i ,..., L  ,..., L m )  (L1 ,..., L  ,..., L i ,..., L m );

31
2) Uma operação de reordenação pode ser realizada através de
uma sequência de intercâmbios. No Exemplo 2.3.2, a matriz
final (à direita) pode ser obtida a partir da matriz inicial (à
esquerda) através da sequência de intercâmbios L1L3 e L3L4
(verifique!). Uma vantagem do intercâmbio é que as
operações direta e reversa são iguais (verifique!), o que não
ocorre, em geral, com as outras operações aqui consideradas
(multiplicação, substituição e reordenação). Veja o próximo
exemplo.

Exemplo 2.3.3 –

1 0 3 1 0 3 3 3 6 3 3 6
4 9 7 0 1 2 0 1 2 1 9 8
   
0 1 2 L 2  L3 4 9 7 L1  L 4 4 9 7 L 2  L5 4 9 7
       .
3 3 6 3 3 6 1 0 3 1 0 3
1 9 8 1 9 8 1 9 8 0 1 2

 (L1, L2, L3, L4, L5)  (L4, L3, L5, L1, L2) 
Uma vez definidas as operações elementares I, II e III sobre
as equações/linhas de um sistema de equações lineares e
algébricas, podemos introduzir o conceito de sistemas
equivalentes através da

Definição 2.3.1 – Dois sistemas S1 e S2 de m equações lineares


e algébricas a n incógnitas são equivalentes quando um dos
sistemas pode ser obtido através de uma sequência de
operações elementares sobre as equações/linhas do outro

32
sistema. No caso de os sistemas serem representados por suas
matrizes ampliadas B1 e B2, dizemos que B1 e B2 são linhas
equivalentes.
A definição de equivalência entre dois sistemas é amparada
pela reversibilidade das operações elementares. Se existe uma
sequência de operações elementares que gera S2 (B2) a partir de
S1 (B1), então existe uma sequência de operações reversas que
gera S1 (B1) a partir de S2 (B2), veja os Exemplos 2.2.1, 2.2.2 e
2.2.3. É usual a notação S1 ~ S2 (B1 ~ B2) para indicar a
equivalência entre dois sistemas de m equações lineares e
algébricas a n incógnitas.
Observe que, se S1 ~ S2 (B1 ~ B2), então qualquer solução de
S1 é solução de S2 e vice-versa, pois operações elementares são
reversíveis. Portanto, se S1 ~ S2 (B1 ~ B2), então S1 e S2
possuem o mesmo conjunto-solução. Essa é a formalização dos
resultados obtidos nos Exemplos 2.2.1, 2.2.2 e 2.2.3. Os
sistemas inicial e final de cada exemplo são sistemas
equivalentes, e as correspondentes matrizes ampliadas inicial
e final são linhas equivalentes. O que fizemos sistematicamente
em cada exemplo foi determinar uma matriz ampliada que fosse
linha equivalente à matriz ampliada do sistema inicial e que
tivesse uma forma apropriada à identificação da solução ou
soluções ou da inexistência de solução do sistema (inicial e final,
pois são equivalentes). Essa forma será detalhada a seguir.

2.4. FORMA LINHA ESCADA REDUZIDA

Definição 2.4.1 – Uma matriz possui a forma linha escada


reduzida quando as quatro condições a seguir são satisfeitas:

33
I. Em cada linha não nula da matriz, o primeiro elemento
diferente de zero é igual a 1 (pivô);

0 0 0 4 0 3 
0 1 –3 1 7 8 
0 0 0 0 0 0 X (não satisfaz
a condição)
0 0 0 0 6 2 4x6

0 0 0 1 0 3
0
0
1
0
–3
0
1
0
7 8
0 0 (satisfaz a
condição)
0 0 0 0 1 2
4x6

II. As colunas que contêm os pivôs possuem, cada uma, um e


somente um elemento diferente de zero (um pivô);

  
0 0 0 1 0 3
0 1 –3 1 7 8
0 0 0 0 0 0
X
0 0 0 0 1 2
4x6

0 0 0 1 0 3
0
0
1
0
–3
0
0
0
0 8
0 0

0 0 0 0 1 2
4x6

34
III. Não há linha nula acima de linha não nula;

0 0 0 1 0 3
0 1 –3 0 0 8
0 0 0 0 0 0 X
0 0 0 0 1 2
4x6

0 0 0 1 0 3
0
0
1
0
–3
0
0
0
0 8
1 2

0 0 0 0 0 0
4x6

IV. Se p é o número de linhas não nulas da matriz e ci é a


coluna que contém o pivô da linha i, então c1 < c2... < cp.
  
0 0 0 1 0 3
0 1 –3 0 0 8
0 0 0 0 1 2 X
0 0 0 0 0 0
4x6
p = 3, c1 = 4, c2 = 2, c3 = 5

0 1 –3 0 0 8
0 0
0 0
0
0
1 0 3
0 1 2

0 0 0 0 0 0 4x6
p = 3, c1 = 2, c2 = 4, c3 = 5

35
Cada matriz com a marca  satisfaz a condição que ela ilustra e
todas as condições anteriores, mas não satisfaz as condições
posteriores (verifique!). Portanto, das oito matrizes anteriores, a
única que possui a forma linha escada reduzida é a matriz com
a marca  que ilustra a condição IV. Suponha que essa matriz
seja a matriz ampliada de um sistema de quatro equações lineares
e algébricas a cinco incógnitas. As equações que correspondem
às linhas dessa matriz ampliada podem ser expressas como

0x1  1x 2  3x 3  0x 4  0x 5  8
0x  0x  0x  1x  0x  3 x 2  3x 3  8 x 2  8  3x 3
 1 2 3 4 5  
 ou x 4  3 ou x 4  3
0x1  0x 2  0x 3  0x 4  1x 5  2 x  2 x  2.
0x1  0x 2  0x 3  0x 4  0x 5  0  5  5

Vamos fazer algumas observações sobre a terceira forma


funcional do sistema (mais à direita), sobre a matriz ampliada do
sistema e sobre as condições da Definição 2.4.1.

a) A terceira forma funcional é um conjunto de p = 3 equações,


que correspondem às p = 3 linhas não nulas da matriz ampliada.
Essas 3 equações são expressões para as incógnitas
x c1  x 2 , x c 2  x 4 e x c3  x 5 , todas com coeficientes iguais a 1.
Isso se deve às colunas onde os pivôs ocorrem (c1 = 2, c2 = 4,
c3 = 5) e se deve aos valores dos pivôs (todos iguais a 1,
conforme a condição I da Definição 2.4.1). As expressões para
x2, x4 e x5 indicadas na terceira forma funcional são restrições
aos valores de x2, x4 e x5. Nesse sentido, x2, x4 e x5 são as
variáveis dependentes do sistema. As incógnitas restantes (x1 e
x3 no caso) não se sujeitam a restrições e, por isso, são as

36
variáveis livres do sistema, isto é, podem assumir quaisquer
valores.

b) Cada variável dependente “aparece” (contribui) em uma e


somente uma expressão. Observe que x2 não contribui  possui
coeficiente igual a zero  para a expressão de x4 nem de x5, que
x4 não contribui para a expressão de x2 nem de x5 e que x5 não
contribui para a expressão de x2 nem de x4. Isso se deve à
condição II da Definição 2.4.1. Nas colunas onde ocorrem os
pivôs (c1 = 2, c2 = 4 e c3 = 5), todos os elementos diferentes dos
pivôs são iguais a zero. Uma vez que cada linha se associa a uma
equação e cada coluna de 1 a n = 5 se associa a uma incógnita,
as incógnitas associadas aos pivôs (variáveis dependentes)
contribuem para uma e somente uma equação, veja a matriz
ampliada.

c) Uma vez que as equações/linhas p+1, p+2,... m são


identicamente nulas, conforme a condição III da Definição
2.4.1, essas equações/linhas não contribuem para a solução ou
soluções (caso haja) e, portanto, podem ser ignoradas. No
presente caso, a 4ª equação/linha foi ignorada.

d) Uma vez que c1 < c2... < cp, conforme a condição IV da


Definição 2.4.1, as expressões para as variáveis dependentes
aparecem na ordem crescente

x c1 , x c 2 ,  x c p

na terceira forma funcional. No presente caso, aparecem na


ordem x2, x4 e x5.

37
Além de detalharem as quatro condições da Definição 2.4.1,
as observações (a–d) nos fornecem um procedimento para
identificar a solução ou soluções (caso haja) do sistema através
da matriz ampliada na forma linha escada reduzida. Vamos
reescrever aqui a matriz ampliada que utilizamos nas
observações (a–d), porém acrescentando-lhe algumas
informações úteis para a identificação da solução ou soluções
(caso haja) do sistema associado.

x1 x2 x3 x4 x5

0 1 –3 0 0 8
0 0 0 1 0 3
0 0 0 0 1 2
0 0 0 0 0 0
4x6

p = 3, c1 = 2, c2 = 4, c3 = 5

Em conformidade com a observação (a), existem três expressões


(p = 3) para as incógnitas x2 (c1 = 2), x4 (c2 = 4) e x5 (c3 = 5).
Essas são as variáveis dependentes do sistema. As incógnitas
restantes (x1 e x3) são as variáveis livres. De acordo com a
observação (b), a expressão para uma variável dependente não
comporta as outras variáveis dependentes (pode, eventualmente,
comportar todas as variáveis livres). De acordo com a
observação (c), vamos desprezar a linha nula (quarta linha) e, de
acordo com a observação (d), vamos escrever as expressões para
as variáveis dependentes na ordem crescente x2 = 8 + 3x3, x4 = 3
e x5 = 2. Assim, identificamos que o sistema associado possui
infinitas soluções do tipo

38
(x1, x2, x3, x4, x5) = (x1, 8 + 3x3, x3, 3, 2),

onde x1 e x3  . Uma vez que x1 e x3 são variáveis livres,


vamos fazer as mudanças de notação x1k1, x3k2 e reescrever

(x1, x2, x3, x4, x5) = (k1, 8 + 3k2, k2, 3, 2),

onde k1 e k2  . Na forma de matriz coluna, temos

 x1  1k 1  0k 2  0  1 0 0


x   0k  3k  8   0  3 8 
 2  1 2       
 x 3    0k 1  1k 2  0   k 1 0  k 2 1  0 .
         
x 4   0 k 1  0 k 2  3  0 0 3
 x 5  0k 1  0k 2  2 0 0 2
5 x1 5 x1 5 x1 5 x1 5 x1

   
Na forma matricial compacta, temos x  k1v1  k 2 v 2  w, onde k1
 
e k2  , v1 e v 2 são denominadas soluções elementares do
sistema homogêneo associado (sistema com todos os termos

independentes iguais a zero), w é a solução particular do

sistema (solução para k1 = k2 = 0) e x é a solução geral do
sistema.

Vamos a outro exemplo para ilustrar mais esse procedimento


de identificação da solução ou soluções (caso haja) através da
matriz ampliada do sistema na forma linha escada reduzida.
Suponha que um sistema de 3 equações lineares e algébricas a 6
incógnitas possua matriz ampliada que é linha equivalente à
matriz

39
x1 x2 x3 x4 x5 x6
1 0 3 9 0 2 1
0 1 2 6 0 –5 7
0 0 0 0 1 –4 3
3x7

p = 3, c1 = 1, c2 = 2, c3 = 5

De acordo com o procedimento indicado no exemplo anterior,


existem três expressões (p = 3) para as incógnitas x1 (c1 = 1), x2
(c2 = 2) e x5 (c3 = 5). As incógnitas restantes x3, x4 e x6 são as
variáveis livres do sistema. Fazendo uso das linhas da matriz
ampliada, podemos escrever as expressões para as variáveis
dependentes do sistema na ordem crescente x1= –3x3–9x4–2x6+1,
x2 = –2x3 –6x4 +5x6 +7 e x5 = 4x6 + 3. Assim, o sistema possui
infinitas soluções do tipo

(x1, x2, x3, x4, x5, x6) =


(–3x3 – 9x4 – 2x6 + 1, –2x3 –6x4 + 5x6 + 7, x3, x4, 4x6 + 3, x6),

onde x3, x4 e x6  . Vamos fazer as mudanças de notação


x3k1, x4k2, x6k3 e reescrever da forma

(x1, x2, x3, x4, x5, x6) =


(–3k1 – 9k2 – 2k3 + 1, –2k1 –6k2 + 5k3 + 7, k1, k2, 4k3 + 3, k3),

onde k1, k2 e k3  . Na forma de matriz coluna, temos

40
 x1    3 k1  9 k 2  2 k 3  1    3  9    2  1 
 x   2 k  6 k  5 k  7    2   6  5  7 
 2  1 2 3         
x 3   1 k1  0 k 2  0 k 3  0  1  0   0  0  ,
    k1    k 2    k 3     
x 4   0 k1  1 k 2  0 k 3  0  0  1   0  0 
 x 5   0 k1  0 k 2  4 k 3  3  0  0   4   3
           
 x 6   0 k 1  0 k 2  1 k 3  0   0   0   1  0 

    
e na forma compacta temos x  k1v1  k 2 v2  k3v3  w, onde k1, k2
  
e k3  , v1 , v 2 e v 3 são soluções elementares do sistema

homogêneo associado, w é a solução particular do sistema

(solução para k1 = k2 = k3 = 0) e x é a solução geral do sistema.

Vamos a um terceiro e último exemplo para ilustrar um


sistema inconsistente. Suponha que um sistema de 3 equações
lineares e algébricas a 6 incógnitas possua matriz ampliada que é
linha equivalente à matriz

1 0 3 9 0 2 0
0 1 2 6 0 –5 0
0 0 0 0 0 0 1
3x7

Esse é o caso típico de um sistema inconsistente. Quando um


sistema é inconsistente, a última linha não nula da matriz
ampliada na forma linha escada reduzida é da forma 0 0 0...0 1.
No presente caso, a última linha não nula corresponde à equação
0x1 + 0x2... + 0x6 = 1, a qual não possui solução. Se uma
equação do sistema não possui solução, então o sistema não
possui solução, veja a Definição 2.1.4.

41
Nos exemplos anteriores, delineamos um procedimento para
identificar a solução ou soluções (caso haja) de um sistema de m
equações lineares e algébricas a n incógnitas. Esse procedimento
é baseado em uma matriz que

1) é linha equivalente à matriz ampliada do sistema inicial e

2) possui a forma linha escada reduzida.

Observe que ainda não mostramos como obter uma matriz com
essas duas características. Dada a matriz ampliada do sistema
inicial, podemos fazer qualquer sequência de operações
elementares sobre as linhas dessa matriz, e o resultado é,
sempre, uma matriz que é linha equivalente à matriz ampliada
inicial, conforme a Definição 2.3.1. Infelizmente, não é qualquer
sequência de operações elementares que gera uma matriz na
forma linha escada reduzida. Felizmente, dada uma matriz
ampliada, existe, sempre, uma sequência de operações
elementares que gera uma matriz na forma linha escada reduzida.
Essa sequência é ditada pelo clássico

2.5. ALGORITMO DE GAUSS-JORDAN

Também conhecido como escalonamento matricial, esse


algoritmo – descrição definida (sem ambiguidade, sem conflito)
de uma sequência de passos, desde a aquisição dos dados
(entradas) até a geração dos resultados (saídas) – gera uma
matriz na forma linha escada reduzida que é linha equivalente à
matriz inicial. A sequência de passos consiste em p conjuntos de
operações elementares de multiplicação e substituição (um
conjunto associado a cada linha não nula) e, eventualmente, uma

42
operação elementar de reordenação (permutação) ao final dos p
conjuntos. Os p conjuntos de operações de multiplicação e
substituição geram uma matriz que satisfaz as condições I e II
da Definição 2.4.1. Caso essa matriz não satisfaça as condições
III e/ou IV da Definição 2.4.1, uma reordenação das linhas
resolve essa questão sem comprometer as condições I e II.
O conjunto de operações associado a uma linha i não nula
consiste em uma operação de multiplicação para gerar o pivô da
linha i, seguida por operações de substituição das linhas
diferentes da linha i. Essas operações de substituição servem para
anular os outros elementos da coluna (ci) que contém o pivô da
linha i. Para detalhar esse conjunto de operações, vamos fazer
uso da representação matricial que segue.

coluna ci

  d1ci 
  d 
 2 ci 
  
 
linha i não nula  0 0  0 d ici  ,1  i  m,1  ci  n  1
  
 
  d mci 
m x ( n 1)

Nessa representação, d ic i é o primeiro elemento diferente de


zero da linha i e d ci ,  = 1 : m, são os elementos da coluna ci.
Para gerar o pivô (= 1) da linha i, multiplicamos a linha i por
1/ d ic i . Vamos escrever essa operação e as matrizes envolvidas
(antes e depois da operação).

43
  d1ci    d1ci 
  d    d 
 2 ci   2 ci 
     
   
0 0  0 d ic i   
Li  1 / d ic i Li 0 0  0 1 
     
   
  d mci 
m x ( n 1)   d mci 
m x ( n 1)

Em seguida, vamos fazer operações de substituição das linhas


diferentes de i para anular os elementos d ci ,   i, da coluna ci.
Se d ci  0 para alguma linha   i, então não precisamos fazer a
operação de substituição sobre essa linha . Os testes dos valores
de d ci , as operações de substituição para cada linha   i e as
matrizes envolvidas são expressos a seguir.

coluna ci

  d1ci  se d1ci  0, então L1  L1  (d1ci )Li
  d  se d 2ci  0, então L 2  L 2  (d 2ci )L i
2c i
 
   
0 0  0 1  linha i não nula
   
  d mc  se d mci  0, então L m  L m  (d mci )L i
 i  m x ( n 1)
  0 
  0 
  
 
0 0  0 1 
  
  0  m x ( n 1)

44
Observe na última matriz o resultado do conjunto de operações
associado à linha não nula i: a linha i satisfaz a condição I da
Definição 2.4.1 e a coluna ci satisfaz a condição II da Definição
2.4.1. Se repetirmos esse conjunto de operações para cada uma
das (p) linhas não nulas, então os resultados serão: todas as (p)
linhas não nulas irão satisfazer a condição I da Definição 2.4.1 e
todas as colunas que contêm os pivôs possuirão, cada uma, um e
somente um elemento diferente de zero (condição II da
Definição 2.4.1). Portanto, ao final de p conjuntos, o algoritmo
gerará uma matriz que é linha equivalente à matriz inicial e que
satisfaz as condições I e II da Definição 2.4.1. Se essa matriz
não satisfizer as condições III e/ou IV da Definição 2.4.1, então
faremos uma operação de reordenação, e a matriz resultante
possuirá a forma linha escada reduzida.

Resumo do algoritmo: Para cada linha não nula de 1 a m,


nessa ordem, fazemos o conjunto de operações/testes descrito
anteriormente e, caso necessário, complementamos com uma
operação de reordenação das linhas. Como resultado, obtemos
uma matriz de ordem m x (n+1) que possui a forma linha escada
reduzida e que é linha equivalente à matriz inicial. Com a matriz
obtida, podemos fazer uso do procedimento delineado na Seção
2.4 para a identificação da solução ou soluções (caso haja) do
sistema associado à matriz inicial.

Adendo ao algoritmo: Se, decorrente de alguma operação


elementar efetuada, aparecer uma linha da forma 0 0 0...0 k,
com k  0, então o algoritmo deverá ser abortado, pois o
sistema associado à matriz inicial é inconsistente.

45
Vamos aplicar o algoritmo de Gauss-Jordan e o
procedimento da Seção 2.4 para resolver o sistema deduzido no
Exemplo 2.1.1 (problema de Química Inorgânica). A matriz
ampliada desse sistema é

7 0 7 0 0
8 1 5 2 0
 .
0 1 3 0 0
 
0 3 6 1 0 4 x 5

Uma vez que a linha 1 é não nula, o algoritmo requer que i = 1 e


que seja efetuado o conjunto de operações de multiplicação e
substituição para i = 1. Observe que, para i = 1, ci = c1 = 1 e
d ici  d1c1  d11  7. Inicialmente, fazemos a operação de
multiplicação

c1 = 1 c1 = 1
 
linha 1 7 0 7 0 0 L1 (1/ 7)L1 1 0 1 0 0
8 1 5 2 0 8 1 5 2 0 
  .
0 1 3 0 0 0 1 3 0 0
   
0 3 6 1 0 0 3  6 1 0

Em seguida, vamos fazer operações de substituição das linhas


diferentes da linha 1 para anular os elementos d 1 ,   1, da
coluna 1. Se d 1  0 para alguma linha   1, então não
precisamos fazer a operação sobre essa linha .

46
c1 = 1 c1 = 1
 
1 0 1 0 0 linha 1  1 0 1 0 0
8  0
 1 5 2 0  d21  8; L2  L2  (8)L1 1 3 2 0 .
 
0 1 3 0 0 d31  0 0 1 3 0 0
   
0 3 6 1 0 d41  0 0 3 6 1 0

Assim, terminamos o conjunto de operações associado à linha


não nula 1. Observe que a linha 1 da matriz atual satisfaz a
condição I da Definição 2.4.1 e que a coluna c1 = 1 satisfaz a
condição II da Definição 2.4.1.

Uma vez que a linha 2 é não nula, o algoritmo requer que i = 2 e


que seja efetuado o conjunto de operações de multiplicação e
substituição para i = 2. Observe que, para i = 2, ci = c2 = 2 e
d ici  d 2 c2  d 22  1. Inicialmente, fazemos a operação de
multiplicação

c2 = 2 c2 = 2
 
1 0 1 0 0 1 0 1 0 0
linha 2 0 1 3 2 0  L2  (1/1)L2 0 1
 3 2 0 
.
0 1 3 0 0 0 1 3 0 0
   
0 3  6 1 0 0 3 6 1 0

Observe que essa operação de multiplicação foi inócua,


desnecessária. Quando d ici  1 para alguma linha i, a operação
de multiplicação pode ser omitida. Em seguida, vamos fazer
operações de substituição das linhas diferentes da linha 2 para

47
anular os elementos d  2 ,   2, da coluna 2. Se d  2  0 para
alguma linha   2, então não precisamos fazer a operação sobre
essa linha .

c2 = 2 c2 = 2
 
1 0 1 0 0 d12  0 1 0 1 0 0
0  0 1 3 2 0 .
 1 3 2 0  linha 2  
0 1 3 0 0 d32  1; L3  L3  (1)L2 0 0 6 2 0
   
0 3 6 1 0 d42  3; L4  L4  (3)L2 0 0  15 5 0

Assim, terminamos o conjunto de operações associado à linha


não nula 2. Observe que as linhas 1 e 2 da matriz atual
satisfazem a condição I da Definição 2.4.1 e que as colunas
c1 = 1 e c2 = 2 satisfazem a condição II da Definição 2.4.1.

Uma vez que a linha 3 é não nula, o algoritmo requer que i = 3 e


que seja efetuado o conjunto de operações de multiplicação e
substituição para i = 3. Observe que, para i = 3, ci = c3 = 3 e
d ici  d 3c3  d 33  6. Inicialmente, fazemos a operação de
multiplicação

c3 = 3 c3 = 3
 
1 0 1
0 0 1 0 1 0 0
0 1 3  2 0 0 1 3  2 0
  .
linha 3 0 0 6 2 0 L3 (1/(6))L3 0 0 1  1 / 3 0
   
0 0  15 5 0 0 0  15 5 0

48
Em seguida, vamos fazer operações de substituição das linhas
diferentes da linha 3 para anular os elementos d 3 ,   3, da
coluna 3. Se d 3  0 para alguma linha   3, então não
precisamos fazer a operação sobre essa linha .

c3 = 3 c3 = 3
 
1 0 1 00 d13  1; L1  L1  (1)L3 1 0 0  1 / 3 0
0 1 3  2 0 d23  3; L2  L2  (3)L3 0 1 0  1 0
  .
0 0 1  1/ 3 0  linha 3  0 0 1  1 / 3 0
   
0 0  15 5 0 d43  15; L4  L4  (15)L3 0 0 0 0 0

Assim, terminamos o conjunto de operações associado à linha


não nula 3. Observe que as linhas 1, 2 e 3 da matriz atual
satisfazem a condição I da Definição 2.4.1 e as colunas c1 = 1,
c2 = 2 e c3 = 3 satisfazem a condição II da Definição 2.4.1.

Uma vez que a linha 4 é nula e m = 4, finalizamos os p ( = 3)


conjuntos de operações elementares. Esses conjuntos de
operações geraram uma matriz que é linha equivalente à
matriz inicial e que satisfaz as condições I e II da Definição
2.4.1. Observe que não há linha nula acima de linha não nula
(condição III da Definição 2.4.1) e que c1 < c2 < c3 = cp
(condição IV da Definição 2.4.1). Portanto, a matriz resultante
dos 3 conjuntos associados às linhas não nulas possui a forma
linha escada reduzida, não havendo necessidade de
complementação com uma operação de reordenação.

Vamos agora fazer uso do procedimento da Seção 2.4 para


identificar a solução ou soluções (caso haja) do sistema deduzido

49
no Exemplo 2.1.1. Para tanto, vamos reescrever a matriz gerada
pelo algoritmo de Gauss-Jordan e adicionar a notação
empregada no procedimento.

x1 x2 x3 x4

1 0 0 –1/3 0
0 1 0 –1 0
0 0 1 –1/3 0
0 0 0 0 0
4x5
p = 3, c1 = 1, c2 = 2, c3 = 3

De acordo com o procedimento da Seção 2.4, existem 3


expressões (p = 3) para as incógnitas x1 (c1 = 1), x2 (c2 = 2) e x3
(c3 = 3). A incógnita restante x4 é a variável livre do sistema.
Fazendo uso das linhas da última matriz, podemos escrever as
expressões para as variáveis dependentes na ordem crescente
x1 = (1/3)x4, x2 = x4 e x3 = (1/3)x4. Assim, o sistema possui
infinitas soluções do tipo (x1, x2, x3, x4) = (x4/3, x4, x4/3, x4),
onde x4  . Vamos fazer a mudança de notação x4  k e
reescrever as soluções da forma matricial extensa

 x1  k / 3 1 / 3
x     
 2    k   k 1 
x3  k / 3 1 / 3
     
 x 4  4 x1  k  4 x1  1  4 x1

50
  
e da forma compacta x  kv, onde k  , v é solução

elementar do sistema homogêneo associado e x é a solução
geral do sistema. O conjunto-solução do sistema pode ser
   
expresso como CS = { x 4, x  kv, v  (1 / 3, 1, 1 / 3, 1), k}
ou CS = {(k/3, k, k/3, k), k}. Voltando ao Exemplo 2.1.1,
observamos que a solução lá apresentada (x1,x2,x3,x4) = (1,3,1,3)
 
corresponde ao elemento x  3v do conjunto-solução CS. Como
esperado, o sistema do Exemplo 2.1.1 possui infinitas soluções,
pois x1, x2, x3 e x4 representam as proporções de tolueno, ácido
nítrico, trinitrotolueno e água na reação, respectivamente.
A seguir, vamos resolver o sistema deduzido no Exemplo
2.1.2 (problema de Circuitos Elétricos). A matriz ampliada é

 23  3  5 150
  4 19  5 100 .
 
  20  15 41 0  3 x 4

Vamos aplicar o algoritmo de Gauss-Jordan de forma mais


dinâmica, isto é, fazendo uso de notação compacta para os
passos e sem comentar resultados intermediários. Uma vez que a
linha 1 é não nula, fazemos i = 1, ci = c1 = 1 e
d ici  d1c1  d11  23. Em seguida, vamos fazer as operações
elementares associadas à linha 1.

c1 = 1

 1 
linha 1  23  3  5 150 L1    L1
  4 19  5 100  23 
 
  20  15 41 0 

51
 1  3 / 23  5 / 23 150 / 23
 4 19 5 100 

 20  15 41 0 

c1 = 1

 1  3 / 23  5 / 23 150 / 23  linha 1 
4 19 5 
100  d 21  4; L 2  L 2  ( 4) L1

 20  15 41 0  d 31  20; L 3  L 3  ( 20) L1

1  3 / 23  5 / 23 150 / 23 
0 425 / 23  135 / 23 2900 / 23 .
 
0  405 / 23 843 / 23 3000 / 23

Uma vez que a linha 2 é não nula, fazemos i = 2, ci = c2 = 2 e


d ici  d 2c 2  d 22  425 / 23. Em seguida, fazemos as operações
elementares associadas à linha 2.

c2 = 2

1  3 / 23  5 / 23 150 / 23 
linha 2 0 425 / 23  135 / 23 2900 / 23 L 2  (23 / 425) L 2

0  405 / 23 843 / 23 3000 / 23 

1  3 / 23  5 / 23 150 / 23 
0 1  27 / 85 116 / 17 

 0  405 / 23 843 / 23 3000 / 23 

52
c2 = 2

3 3
1  3 / 23  5 / 23 150 / 23  d12   23; L1  L1   23L2
0  
1  27 / 85 116 / 17   linha 2 
 
0  405 / 23 843 / 23 3000 / 23 d   405; L  L   405L
32 3 3   2
23  23 
1 0  22 / 85 126 / 17 
0 1  27 / 85 116 / 17  .
 
0 0 528 / 17 4260 / 17 

Uma vez que a linha 3 é não nula, fazemos i = 3, ci = c3 = 3 e


d ici  d 3c3  d 33  528 / 17. Em seguida, fazemos as operações
elementares associadas à linha 3.

c3 = 3

1 0  22 / 85 126 / 17 
0 1  27 / 85 116 / 17 
 
linha 3 0 0 528 / 17 4260 / 17  L 3  (17 / 528)L 3

1 0  22 / 85 126 / 17 
0 1  27 / 85 116 / 17 

 0 0 1 355 / 44 

53
c3 = 3

1 0  22 / 85 126 / 17  d 13  22 / 85; L 1  L 1  ( 22 / 85 ) L 3
0 1  27 / 85 116 / 17 
  d 23   27 / 85; L 2  L 2  ( 27 / 85 ) L 3
0 0 1 355 / 44  linha 3 
1 0 0 418 / 44 
0 1 0 413 / 44  .
 
0 0 1 355 / 44 

A matriz atual não possui linha nula e c1 < c2 < c3 = cp. Portanto,
a matriz atual possui a forma linha escada reduzida, não havendo
necessidade de complementação com uma operação de
reordenação.
Vamos agora fazer uso do procedimento da Seção 2.4 para
identificar a solução ou soluções (caso haja) do sistema do
Exemplo 2.1.2.

x1 x2 x3
1 0 0 418/44
0 1 0 413/44
0 0 1 355/44
3x4

p = 3, c1 = 1, c2 = 2, c3 = 3

Variáveis dependentes : x c1  x1 , x c 2  x 2 , x c 3  x 3

Variável livre : nenhuma

54
Fazendo uso das linhas da matriz, podemos escrever x1 = 418/44,
x2 = 413/44 e x3 = 355/44. Assim, o sistema possui solução única
(x1, x2, x3) = (418/44, 413/44, 355/44), e o conjunto-solução CS
é o conjunto unitário {(418/44, 413/44, 355/44)}. O fato de o
sistema do Exemplo 2.1.2 ser consistente com solução única não
é surpreendente, pois as incógnitas x1, x2 e x3 representam
potenciais elétricos de nós de um circuito elétrico definido
(cargas e fontes definidas).
Vamos agora ilustrar o algoritmo de Gauss-Jordan e o
procedimento da Seção 2.4 com um exemplo que envolve a
operação de reordenação.

Exemplo 2.5.1 – Resolva o sistema de 3 equações lineares e


algébricas a 5 incógnitas cuja matriz ampliada é

 2 1  1 0 4 3
  4  2 2 0  8  6 .
 
  1 4  2  3 2 1 3 x 6

Uma vez que a linha 1 é não nula, fazemos i = 1, ci = c1 = 1 e


d ici  d1c1  d11  2. Em seguida, fazemos as operações
elementares associadas à linha 1.

c1 = 1

linha 1  2 1  1 0 4 3 L 1  (1 / 2 ) L 1
  4  2 2 0  8  6
 
  1 4  2  3 2 1

55
 1 1/ 2 1/ 2 0 2 3 / 2
 4  2 2 0  8  6 

  1 4 2 3 2 1 

c1 = 1

 1 1/ 2  1/ 2 0 2 3 / 2  linha 1 
 4  2 2 0 
 8  6  d 21  4; L 2  L 2  (4) L1

  1 4 2 3 2 1  d 31  1; L 3  L 3  (1)L1
1 1 / 2  1 / 2 0 2 3 / 2
0 0 0 0 0 0  .

0 9 / 2  5 / 2  3 4 5 / 2

Note que a linha 2 é nula! Assim, passamos à próxima linha.


Uma vez que a linha 3 é não nula, fazemos i = 3, ci = c3 = 2 e
d ici  d 3c3  d 32  9 / 2. Em seguida, fazemos as operações
elementares associadas à linha 3.

c3 = 2

1 1 / 2  1 / 2 0 2 3 / 2
0 0 0 0 0 0 

linha 3 0 9 / 2  5 / 2  3 4 5 / 2 L 3  (2 / 9) L 3
1 1 / 2  1 / 2 0 2 3 / 2
0 0 0 0 0 0 

0 1  5 / 9  2 / 3 8 / 9 5 / 9

56
c3 = 2

1 1 / 2  1 / 2 0 2 3 / 2  d12  1 / 2; L1  L1  (1 / 2)L3
0 0 0 0 0 0  d 22  0

0 1  5 / 9  2 / 3 8 / 9 5 / 9   linha 3 
1 0  2 / 9 1 / 3 14 / 9 11 / 9 
0 0 0 0 0 0  .

0 1  5 / 9  2 / 3 8 / 9 5 / 9 

Observe que a matriz atual possui uma linha nula acima de uma
linha não nula. Assim, fazemos a operação de reordenação
(L1, L2, L3)  (L1, L3, L2) e obtemos a matriz

1 0  2 / 9 1/ 3 14 / 9 11/ 9
0 1  5 / 9  2 / 3 8 / 9 5 / 9  .
 
0 0 0 0 0 0 

Para essa matriz, c1 < c2 = cp. Portanto, essa matriz possui a


forma linha escada reduzida.
Vamos ao procedimento da Seção 2.4 para identificar a
solução ou soluções (caso haja) do sistema associado à matriz
ampliada inicial.

x1 x2 x3 x4 x5

1 0 –2/9 1/3 14/9 11/9


0 1 –5/9 –2/3 8/9 5/9
0 0 0 0 0 0
3x6

p = 2, c1 = 1, c2 = 2

57
Variáveis dependentes : x c1  x1 , x c 2  x 2

Variáveis livres : x 3 , x 4 , x 5

Fazendo uso das linhas da matriz, podemos escrever as


expressões

x1 = (2/9)x3 + (–1/3)x4 + (–14/9)x5 + 11/9 e


x2 = (5/9)x3 + (2/3)x4 + (–8/9)x5 + 5/9.

Assim, o sistema possui infinitas soluções do tipo

(x1, x2, x3, x4, x5) =


(2x3/9 –x4/3 –14x5/9 +11/9, 5x3/9 +2x4/3 –8x5/9 +5/9, x3, x4, x5),

onde x3, x4 e x5  . Vamos fazer as mudanças de notação


x3k1, x4k2, x5k3 e reescrever da forma matricial extensa

 x1   2k1 / 9  k 2 / 3  14 k 3 / 9  11 / 9
x   5k / 9  2k / 3  8k / 9  5 / 9 
 2  1 2 3 
x3    1k 1  0k 2  0k 3  0  
   
x 4   0k1  1k 2  0k 3  0 
 x 5   0 k 1  0 k 2  1k 3  0 
5 x1 5 x1

 2 / 9   1 / 3   14 / 9  11 / 9
5 / 9   2/3   8/9   5/9 
       
k1  1   k 2  0   k 3  0    0 
       
 0   1   0   0 
 0   0   1   0 
5 x1 5 x1 5 x1 5 x1

58
    
e da forma matricial compacta x  k1v1  k 2 v2  k3v3  w, onde k1,
  
k2 e k3  , v1 , v 2 e v 3 são soluções elementares do sistema

homogêneo associado, w é a solução particular do sistema

(solução para k1 = k2 = k3 = 0) e x é a solução geral do sistema.
De acordo com as classes definidas na Seção 2.2, esse sistema é
consistente com infinitas soluções.
Faça uma releitura dos Exemplos 2.2.1 e 2.2.2. Observe que,
em cada exemplo, a sequência de operações elementares é
ditada pelo algoritmo de Gauss-Jordan, enquanto que a
identificação da solução ou soluções do sistema é baseada no
procedimento da Seção 2.4. O Exemplo 2.2.3 ilustra o adendo
ao algoritmo de Gauss-Jordan. Nesse exemplo, apareceu a linha
0 0 0 3, isto é, uma linha da forma 0 0 0...0 k, com k  0.
Quando aparece uma linha dessa forma, o algoritmo de Gauss-
Jordan deve ser abortado, pois o sistema associado à matriz
inicial é inconsistente (reveja o terceiro caso da Seção 2.4).

2.6. EXERCÍCIOS

1) Verifique se o terno ordenado (5, 2, 4) é solução da equação


linear e algébrica a três incógnitas 3x1 – 4x2 + x3= 11.

2) Verifique se o quinteto ordenado (0, 1, –1, 2, –3) é solução


do sistema de três equações lineares e algébricas a cinco
incógnitas 2x1 +x2 – 5x3 + x4 + 5x5 = –7, 5x1 + 3x2 + 2x3 – x5 = 4
e x1 + 2x2 +4x3 – x4 + 2x5= –9.

3) Escreva o sistema de três equações lineares e algébricas a


quatro incógnitas –x1 + 2x3 – 5x4 = 5, 3x2 – x3 + x4 = –5 e
x1 + 5x2 + 7x3 + x4 = 3 da forma funcional extensa, da forma
matricial extensa e sua matriz ampliada.

59
4) Verifique se o quarteto ordenado (2, –1, 1, –1) é solução do
sistema do Exercício 3.

 5 2 1  2
5) Dada a matriz ampliada   de um sistema
  2  3 0 8 2 x 4
de duas equações lineares e algébricas a três incógnitas, faça a
sequência de operações

L1(1/5)L1, L2L2+(2)L1, L2(–5/11)L2 e L1L1+(–2/5)L2

e obtenha a matriz ampliada do sistema resultante.

6) Faça a reordenação (L1, L2, L3, L4)  (L3, L2, L4, L1) das
0 3 4 
1 1 2 
linhas da matriz   .
 6 9  1
 
 3  2  8 4 x 3

7) Faça a operação de substituição L  L + (k) Li sobre as


linhas da matriz

 2 7 0 9 5
 1 3 1 0 4
A para:
 8  5 4 1  3
 
 0 2 1 1  6 4 x 5

i)  = 3, i = 1, k = 4;
ii)  = 2, i = 4, k = –1;

60
iii)  = 1, i = 3, k = 1;
iv)  = 4, i = 2, k = 2.

OBS. Para cada item de i a iv, a matriz inicial é a matriz A dada.

8) Considere como ponto de partida a matriz ampliada do


sistema final do Exemplo 2.2.1. Faça a sequência de operações
reversas indicadas e obtenha a matriz ampliada do sistema inicial.
Faça também este exercício com os Exemplos 2.2.2 e 2.2.3.

9) Confirme que a reordenação e a sequência de intercâmbios


indicadas no Exemplo 2.3.3 produzem a mesma matriz final.

10) Verifique se as seguintes matrizes possuem a forma linha


escada reduzida:

0 1 0 4 0 
0 0 1 7  2
1  3 1 7 0 2    ;
i)   ; ii) 0 0 1  1 ; iii) 0
1 0  2x 2   2x 4 0 0 0 0 
 
0 0 0 0 1  4x5
0 1 5 0  4 3 0
iv) 0 0 0 1 2  1 0 .
0 0 0 0 0 0 1 3x 7

Caso positivo, escreva os valores de p e ci para i = 1 : p. Caso


negativo, escreva qual ou quais condições da Definição 2.4.1
foram violadas.

61
11) Faça uso do procedimento descrito na Seção 2.4 para
identificar a solução ou soluções (caso haja) dos sistemas
associados às seguintes matrizes na forma linha escada reduzida:

1 0 1 3 0 7 0  3
0 1 0 0 5 0
0 1  3  8 0 2  5 6 
0 1  7  1 
i)  ; ii) 0 0 0 0 1 0  7  2 ;
0 0 0 0 0  
  0 0 0 0 0 0 0 0 
0 0 0 0 0  4x 5
0 0 0 0 0 0 0 0  5 x8
1 0  4 0
0 1 3 0
iii)  .
0 0 0 1
 
0 0 0 0 4 x 4

Para os sistemas consistentes, escreva as incógnitas sobre as


correspondentes colunas, marque as variáveis dependentes e
escreva sob cada matriz os valores de p e ci, i = 1 : p. Para os
sistemas inconsistentes, apenas marque os pivôs e escreva os
valores de p e ci, i = 1: p.

12) Faça uso do algoritmo de Gauss-Jordan para gerar matrizes


na forma linha escada reduzida que são linhas equivalentes às
matrizes

 2 1 3  0  3 6 4 1
i)  6 4 0 , ii)   2  1 0 0 8 e
 
  1 8 2 3x 3  5 1 2 0 3 3x 5

62
 2 1 4
 1 3 6

iii)  4 0 2 , respectivamente.
 
 5 1 3
 2 3 1 5 x 3

13) Faça uso do algoritmo de Gauss-Jordan e do procedimento


da Seção 2.4 para obter o conjunto-solução de cada sistema a
seguir.

4 x 2  2 x 3  x 5  1
 2 x 2  3x 3  x 4  5  2 x  3 x  x  5 x  2

i)  4 x 1  x 3  5 x 4  2 ii)  1 2 3 5

x  x  2 x  x  1  x 2  x 4  2 x 5  0
 1 2 3 4
2 x 1  6 x 2  3x 3  x 4  2 x 5  1

x 1  4 x 2  2 x 3  8
 3 x  8 x 2  5 x 3  x 4  0
iii)  3x 1  x 2  5x 3  2 iv)  1
 x  2 x  5 7 x 1  x 2  2 x 4  0
 1 2

5 x 1  x 2  4 x 3  0
3 x  x  2 x  0
 1 2 3 x 1  x 3  2 x 5  4 x 6  1
v)  x 1  3 x 2  6 x 3  0 vi) x 2  2x 3  7 x 4  9x 5  3x 6  0
x  x  x  0  2x  x  5x  3x  4
 1 2 3  1 2 4 5

 x 1  2 x 2  4 x 3  0

63
Capítulo 3

DETERMINANTE E MATRIZ INVERSA

Neste capítulo, introduzimos o conceito de determinante de uma


matriz quadrada, apresentamos algumas propriedades dos
determinantes e descrevemos o desenvolvimento de Laplace para
o cálculo eficiente de determinantes. Em seguida, definimos a
matriz inversa (A–1) de uma matriz quadrada A, identificamos
uma condição para a existência de A–1, deduzimos uma
expressão para A–1 fazendo uso de determinantes e apresentamos
um esquema de inversão matricial baseado no algoritmo de
Gauss-Jordan. Finalizamos com uma descrição do clássico
método de Cramer para a resolução de sistemas de equações
 
lineares e algébricas A mxn x  b, onde m = n e det A  0.

3.1. INTRODUÇÃO

Nesta seção, vamos fazer uso de sistemas consistentes com


solução única e m = n = 1, 2 e 3 para introduzir expressões
algébricas que i) dependem exclusivamente dos elementos das
matrizes dos coeficientes dos sistemas, ii) desempenham papel
determinante na resolução desses sistemas e iii) podem ser
generalizadas. Para m = n = 1, temos ax = b, a  0. A solução
única desse sistema é x = b/a. Observe que o denominador é uma
expressão algébrica simples do único elemento da matriz dos
coeficientes do sistema [a]1x1. Para m = n = 2, temos

a 11 x 1  a 12 x 2  b1

a 21 x 1  a 22 x 2  b 2 .

64
Multiplicamos a 1ª equação por a22, a 2ª equação por (–a12),
somamos as equações resultantes e, uma vez que esse sistema
possui solução única, podemos escrever

b1a 22  b 2 a 12
x1  . (verifique!)
a 11a 22  a 12 a 21

Similarmente, multiplicamos a 1ª equação por (–a21), a 2ª


equação por a11, somamos as equações resultantes e, uma vez
que esse sistema possui solução única, podemos escrever

b2a11  b1a 21
x2  . (verifique!)
a11a 22  a12a 21

Observe que as razões para x1 e x2 possuem denominador


comum e, necessariamente, diferente de zero (caso contrário, o
sistema não teria solução única). Esse denominador comum é
uma expressão algébrica que depende exclusivamente dos
elementos da matriz dos coeficientes do sistema

 a 11 a 12 
a  .
 21 a 22  2 x 2

Vamos agora considerar um sistema consistente com solução


única e m = n = 3, isto é,

65
 a 11 x1  a 12 x 2  a13 x 3  b1

a 21 x1  a 22 x 2  a 23 x 3  b 2
a x  a x  a x  b .
 31 1 32 2 33 3 3

Multiplicamos a 1ª equação por (a22a33 – a23a32), a 2ª equação


por (a32a13 – a12a33), a 3ª equação por (a12a23 – a13a22), somamos
as equações resultantes e, uma vez que esse sistema possui
solução única, podemos escrever (verifique!)

b1 (a 22a 33  a 23a 32 )  b2 (a 32a13  a12a 33 )  b3 (a12a 23  a13a 22 )


x1  .
a11a 22a33  a 21a 32a13  a 23a12a 31  a13a 22a 31  a12a 21a 33  a 32a 23a11

É possível proceder analogamente e obter

b1 (a 23a 31  a 21a 33 )  b 2 (a 11a 33  a13a 31 )  b 3 (a 21a 13  a 23a 11 )


x2 
a 11a 22 a 33  a 21a 32a 13  a 23a 12a 31  a 13a 22a 31  a 12a 21a 33  a 32 a 23a 11

b1 (a 21a 32  a 22 a 31 )  b 2 (a 12a 31  a 32a 11 )  b 3 (a 11a 22  a12 a 21 )


x3  .
a11a 22a 33  a 21a 32a13  a 23a 12a 31  a 13a 22a 31  a 12a 21a 33  a 32a 23a11

Observe que as razões para x1, x2 e x3 possuem denominador


comum e, necessariamente, diferente de zero (caso contrário, o
sistema não teria solução única). Como no caso m = n = 2, esse
denominador comum é uma expressão algébrica que depende
exclusivamente dos elementos da matriz dos coeficientes do
sistema

66
 a 11 a 12 a 13 
a a 
 21 22 a 23  .
a 31 a 32 a 33  3x 3

Esses exemplos ilustram expressões algébricas que


desempenham papel determinante na obtenção das soluções de
sistemas consistentes com solução única e 1 ≤ m = n ≤ 3 e que
dependem exclusivamente dos elementos das matrizes dos
coeficientes dos sistemas. Além da relevância na resolução de
sistemas consistentes com solução única e m = n, essas
expressões têm destacado papel na identificação da existência e
na obtenção de matrizes inversas, como veremos na Seção 3.4, e
na teoria de autovalores e autovetores de operadores lineares,
como veremos no Capítulo 6. Formalizamos essas expressões na
seção a seguir.

3.2. DETERMINANTE DE UMA MATRIZ QUADRADA

Iniciamos esta seção com duas definições preliminares.

Definição 3.2.1 – Considere n elementos distintos de um


conjunto qualquer. Uma permutação desses n elementos é uma
n-upla ordenada desses elementos.

Exemplo 3.2.1 – Considere os elementos (letras) b, k, m do


conjunto alfabeto. De acordo com a Definição 3.2.1, uma
permutação desses três elementos é um terno ordenado desses
elementos. Assim, (b k m) é uma permutação desses elementos e
(b m k) é outra permutação.

67
OBS. Da Análise Combinatória, lembramos que o número de
permutações de n elementos é igual a n! No Exemplo 3.2.1,
existem 3! = 6 permutações das letras b, k, m, a saber: (b k m),
(b m k), (k b m), (k m b), (m b k) e (m k b).

Definição 3.2.2 – Dada uma permutação dos números inteiros


de 1 a n, isto é, dada uma permutação (p1 p2... pn), onde p1, p2,...
pn  {1, 2,... n} e p1  p2... pn, existe uma inversão na
permutação quando pr > ps para r < s, onde r, s  {1, 2,... n}.

Exemplo 3.2.2 – Vamos considerar algumas permutações dos


números 1, 2, 3 e 4 e fazer uso da Definição 3.2.2 para
identificar o número de inversões em cada permutação
considerada.

a) (1 2 3 4)  0 inversão b) (2 1 4 3)  2 inversões

c) (4 1 3 2)  4 inversões d) (4 3 1 2)  5 inversões

e) (1 3 2 4)  1 inversão f) (4 3 2 1)  6 inversões

Voltemos à expressão associada à matriz quadrada de ordem 3


da seção anterior. Essa expressão pode ser escrita da forma

a11a 22a 33  a11a 23a 32  a12a 21a 33  a12 a 23a 31  a 13a 21a 32  a13a 22a 31.

68
Observe que todos os termos (produtórios) dessa expressão são
da forma geral a 1p1 a 2 p 2 a 3 p3 , onde (p1 p2 p3) denota uma
permutação dos números inteiros 1, 2 e 3. Portanto, essa
expressão possui 3! = 6 termos. Além disso, identificamos que o
sinal (+ ou –) de cada termo é definido pela paridade do
número de inversões na permutação (p1 p2 p3) do
correspondente termo. Se o número de inversões é par, então o
sinal é positivo. Se o número de inversões é ímpar, então o sinal
é negativo. Vamos fazer a identificação de sinais da expressão
associada à matriz quadrada de ordem 3 da seção anterior.

(p1 p2 p3)

a11a22a33  (1 2 3)  0 inversão (+) 

a11a23a32  (1 3 2)  1 inversão (–) 

a12a21a33  (2 1 3)  1 inversão (–) 

a12a23a31  (2 3 1)  2 inversões (+) 

a13a21a32  (3 1 2)  2 inversões (+) 


a13a22a31  (3 2 1)  3 inversões (–) 

Generalizamos esses resultados com a definição do determinante


de uma matriz quadrada.

69
Definição 3.2.3 – O determinante de uma matriz quadrada A
de ordem n (det A, |A| ou det [aij]nxn) é dado pela expressão

N ( p1 p 2  p n )
 (1)
( p1 p 2  p n )
a 1p1 a 2 p2 a np n ,

onde N(p1 p2... pn) representa o número de inversões na


permutação (p1 p2... pn), e o somatório se efetua sobre os n!
termos do tipo a1p1 a 2p2  a npn . Para n = 2, temos

a 11 a 12
a 21 a 22

– +

N ( p1 p 2 )
 (1) a1p1 a 2 p2  (1) N(1 2 ) a 11a 22  ( 1) N ( 2 1) a 12 a 21
( p1 p 2 )

 (1) 0 a11a 22  ( 1)1 a 12 a 21  a 11a 22  a 12 a 21 .

Para n = 3, temos (regra de Sarrus)

a 11 a 12 a 13 a 11 a 12
a 21 a 22 a 23 a 21 a 22
a 31 a 32 a 33 a 31 a 32

– – – + + +

70
N ( p1 p 2 p 3 )
 (1)
( p1 p 2 p 3 )
a1p1 a 2 p 2 a 3 p 3 

(1) N (1 2 3) a11a 22 a 33  (1) N (1 3 2 ) a11a 23a 32  (1) N ( 2 1 3) a12 a 21a 33 


(1) N ( 2 3 1) a12 a 23a 31  (1) N (3 1 2 ) a13 a 21a 32  (1) N (3 2 1) a13a 22 a 31 

(1)0 a11a 22 a 33  (1)1 a11a 23a 32  (1)1 a12 a 21a 33  (1)2 a12 a 23a 31 
(1)2 a13a 21a 32  (1)3 a13a 22 a 31 

a11a 22 a 33  a11a 23a 32  a12 a 21a 33  a12 a 23 a 31  a13 a 21a 32  a13 a 22 a 31.

Compare esse resultado com a expressão que segue o Exemplo


3.2.2.

Vamos fazer duas observações a respeito da expressão que


define o determinante de uma matriz quadrada.

1) O fator (1) N ( p1 p 2  p n ) impõe corretamente o sinal do termo


a 1p1 a 2 p 2  a np n , pois se N(p1 p2 ... pn) é par, então (1) N ( p1 p 2  p n )
é igual a 1; se N(p1 p2 ... pn) é ímpar, então (1) N ( p1 p 2  p n ) é igual
a –1.

2) Em cada termo (produtório) a 1p1 a 2 p 2  a np n , existe um e


apenas um elemento de cada linha e um e apenas um
elemento de cada coluna da matriz A, pois (p1 p2... pn) é uma
permutação dos números inteiros de 1 a n. Assim, podemos
tomar como referência as colunas da matriz A e escrever
a 1p1 a 2p 2 a np n  a q11a q2 2 a qn n , onde (q1 q2... qn) é uma
permutação dos inteiros de 1 a n. Daí, podemos escrever

71
N ( p1 p 2  p n )
det A   ( 1)
( p1 p 2  p n )
a 1p1 a 2 p 2  a np n

N ( q1 q 2  q n )
  (1)
(q1 q 2  q n )
a q1 1a q 2 2  a q n n .

Uma vez que (p1 p2 ... pn) e (q1 q2 ... qn) representam as mesmas
n! permutações dos inteiros de 1 a n, podemos escrever

N ( p1 p 2  p n )
det A   (1)
( p1 p 2  p n )
a 1p1 a 2 p 2  a np n

N ( p1 p 2  p n )
  (1)
( p1 p 2  p n )
a p1 1a p 2 2  a p n n ,

isto é, podemos definir o det A tomando como referência as


linhas ou as colunas da matriz A.

Apresentamos a seguir algumas propriedades do determinante


de uma matriz quadrada A de ordem n. Todas essas propriedades
podem ser demonstradas a partir da Definição 3.2.3 através de
desenvolvimentos algébricos. Demonstraremos aqui apenas as
propriedades que requerem pouca álgebra. Demonstrações para
as propriedades restantes podem ser encontradas em vários livros
de Álgebra Linear.

i) Se a matriz A possuir pelo menos uma linha ou coluna nula,


então det A = 0.

Dem.: Se existir pelo menos uma linha ou coluna nula, então


existirá pelo menos um elemento a ipi  0 em cada um dos n!
termos da forma a 1p1 a 2p2 a ipi a np n . Isso decorre da segunda
observação a respeito da expressão que define o determinante.

72
Assim, todos os termos do somatório na Definição 3.2.3 são
nulos e, portanto, det A = 0. #

ii) det A = det AT.

Dem.: Considere AT = B = [bij]nxn. De acordo com a Definição


3.2.3,

N ( p1 p 2  p n )
det B  det A T   (1) b1p1 b 2 p2  b np n .
( p1 p 2  p n )

Uma vez que B = AT, bij = aji, para todo i e j = 1 : n. Assim,


podemos escrever

N ( p1 p 2  p n )
det B  det A T   (1) a p11a p2 2 a pn n .
( p1 p 2  p n )

De acordo com a última expressão da segunda observação,


podemos escrever

N ( p1 p 2  p n )
det B  det A T   (1) a p1 1a p 2 2  a p n n
( p1 p 2  p n )
N ( p1 p 2  p n )
  (1)
( p1 p 2  p n )
a 1p1 a 2 p 2 a np n  det A.#

iii) Se fizermos a operação Li  (k) Li sobre a matriz A, então o


determinante da matriz resultante será igual a k det A.

Dem.: Vamos usar a notação B = [bij]nxn para a matriz resultante.


De acordo com a Definição 3.2.3,

73
N ( p 1 p i  p n )
det B   ( 1) b1p1  b ipi  b np n .
( p 1 p i  p n )

Uma vez que a operação elementar Li  (k) Li é efetuada


exclusivamente sobre a i-ésima linha de A, podemos escrever
b ipi  ka ipi e b p  a p ,   i. Portanto,

N ( p1  p i p n )
det B   (1)
( p1  p i  p n )
a1p1  ka ipi a np n

N ( p1  p i p n )
k  (1)
( p1  p i  p n )
a1p1 a ipi a npn  k det A.#

iv) Se B é obtida de A fazendo-se um intercâmbio entre duas


linhas quaisquer de A (Li  L, i  ), então det B = – det A.

Uma vez que uma operação elementar de reordenação


corresponde a uma sequência de intercâmbios entre linhas, reveja
o Capítulo 2, Seção 2.3, podemos usar a propriedade iv para
escrever a propriedade

v) Se B é obtida fazendo-se uma operação elementar de


reordenação das linhas de A, então det B =  det A, dependendo
do número de intercâmbios que correspondem à reordenação
feita. Se o número de intercâmbios é par, então det B = det A.
Se o número de intercâmbios é ímpar, então det B = – det A.

vi) Se a matriz A possuir pelo menos duas linhas iguais, então


det A = 0.

Dem.: Considere que as linhas i e  da matriz A são iguais. Se a


matriz B é obtida da matriz A fazendo-se a operação de

74
intercâmbio Li  L, então det B = – det A (propriedade iv).
Uma vez que Li = L, B = A e, portanto, det B = det A. Essas
duas igualdades envolvendo os determinantes de A e B formam
um sistema de duas equações lineares e algébricas a duas
incógnitas (det A e det B). Podemos escrever esse sistema da
forma funcional extensa

det A  det B  0

det A  det B  0.

Podemos somar essas duas equações e obter 2(det A) = 0, o que


implica det A = 0. #

vii) Se a matriz B é obtida da matriz A fazendo-se a operação de


substituição L  L + (k)Li, i  , então det B = det A.

viii) Se B = kA, então det B = kn det A, onde n é a ordem das


matrizes quadradas A e B.

Dem.: Considere B = [bij]nxn. De acordo com a Definição 3.2.3,


podemos escrever

N ( p1  p n )
det B   (1)
( p1  p n )
b1p1  b np n

N ( p1  p n )
  (1) ka 1p1  ka np n  k n det A.#
( p1  p n )

ix) Se as matrizes A e B são matrizes quadradas de ordem n,


então det (AB) = det A x det B.

75
OBS. Essa propriedade vale somente se A e B são matrizes
quadradas de mesma ordem!

Podemos fazer uso da propriedade ix e escrever a propriedade

x) Se A1, A2... AR são R matrizes quadradas de ordem n, então


R
det( A 1A 2  A R )  det A 1x det A 2  x det A R   det A r .
r 1

Dem.: Podemos fazer uso da propriedade associativa do produto


matricial (Capítulo 1, Definição 1.3.4, propriedade v) e da
propriedade ix do determinante para obter

det( A 1A 2  A R )  det( A 1 ( A 2  A R ))  det A 1 x det( A 2  A R )


 det A 1x det( A 2 ( A 3  A R ))
 det A 1x det A 2 x det( A 3  A R )

R
 det A 1x det A 2  x det A R   det A r . #
r 1

OBS. Em decorrência da propriedade ii (det A = det AT), as


propriedades iii, iv, v, vi e vii continuam válidas quando
trocamos a palavra linha(s) por coluna(s) e o símbolo L por C
(de coluna) em todas as ocorrências da palavra e do símbolo.

3.3. DESENVOLVIMENTO DE LAPLACE

O desenvolvimento de Laplace é um método de expansão para o


cálculo eficiente do determinante. Vamos apreciar esse método

76
com uma matriz quadrada A de ordem três. Como visto na
Seção 3.2,

det A  a11a 22a33  a11a 23a32  a12a 21a33  a12a 23a31  a13a 21a 32  a13a 22a 31.

Podemos reescrever essa expressão da forma

det A  a11 (a 22a 33  a 23a 32 )  a12 (a 21a 33  a 23a 31 )  a13 (a 21a 32  a 22a 31 ).

Observe que essas expressões entre parênteses correspondem a


determinantes de submatrizes 2x2 de A. Especificamente,

a 22 a 23 a 21 a 23 a 21 a 22
det A  a 11  a 12  a13
a 32 a 33 a 31 a 33 a 31 a 32
 a 11 A11  a12 A12  a13 A13 ,

onde A1j, j = 1 : 3, é uma submatriz de A, obtida eliminando-se a


1ª linha e a j-ésima coluna de A. Definindo Kij = (–1)i+j |Aij|,
podemos escrever

3
det A  a 11K 11  a 12 K12  a 13 K13   a 1 j K1 j .
j1

É possível rearranjar a expressão inicial em função de a21, a22 e


a23 (2ª linha) ou de a31, a32 e a33 (3ª linha) e mostrar que

3 3 3
det A   a 2 j K 2 j   a 3 j K 3 j , ou seja, det A   a ij K ij para i
j1 j1 j1

fixo e arbitrário.

77
A extensão desse resultado para ordem n arbitrária é o
desenvolvimento de Laplace

n n
det A  det[a ij ]nxn   a ij K ij   a ij (1) i j A ij , i fixo e arbitrário,
j1 j1

onde Aij é uma submatriz quadrada de ordem (n–1), obtida


eliminando-se a i-ésima linha de A e a j-ésima coluna de A.
Fazemos aqui duas observações:

1) O número Kij é o cofator ou complemento algébrico do


elemento aij de A e |Aij| é um menor de ordem (n–1) de A, em
um total de n2 menores de ordem (n–1);

2) De acordo com a propriedade ii (det A = det AT), o


desenvolvimento de Laplace é válido para coluna arbitrária,
isto é,

n n
det A  det[a ij ]nxn   a ij K ij   a ij (1)i  j A ij , para j fixo e
i 1 i 1
arbitrário.

Exemplo 3.3.1 – Calcular o determinante da matriz

 1 2 3

A 2 1  1 .
 2  1 2 3x 3

Fazendo a operação L3  L3 + (1)L2, obtemos

78
1  2 3

B  2 1  1 .
0 0 1 3x 3

De acordo com a propriedade vii, det B = det A. Portanto,

2 3 1 3 1 2
det A  det B  0( 1) 31  0( 1) 3 2  1( 1) 33 .
1 1 2 1 2 1

Essa expressão foi obtida do desenvolvimento de Laplace para a


3ª linha da matriz B. Uma vez que os dois primeiros termos da
expansão são nulos, podemos escrever

1 2
det A  1(1) 6  1x1x 5  5.
2 1

Quanto mais zeros houver em uma linha ou coluna da matriz,


mais eficiente será o cálculo do determinante através do
desenvolvimento de Laplace para aquela linha ou coluna, pois
menos termos na expansão contribuirão para o determinante.

Exemplo 3.3.2 – Calcular o determinante da matriz

 1 2 3  4
 4 2 0 0
A .
 1 2 3 0
 
 2 5 3 1 4 x 4

79
Fazendo a operação L1  L1 + (4)L4, obtemos

 7 22 15 0
 4 2 0 0
B .
 1 2  3 0
 
 2 5 3 1 4 x 4

De acordo com a propriedade vii, det B = det A. Assim, o


desenvolvimento de Laplace para a 4ª coluna da matriz B fornece

7 22 15
44
det A  det B  1x (1) 4 2 0  1x1x det B 44  det B 44 .
1 2 3

Fazendo a operação L1  L1 + (5)L3 sobre a submatriz B44,


obtemos a matriz

 2 32 0
C   4 2 0 .
 1 2  3 3x 3

De acordo com a propriedade vii, det B44 = det C. O


desenvolvimento de Laplace para a 3ª coluna da matriz C fornece

2 32
det A  det B 44  det C  (3)(1) 3 3
4 2
 ( 3)( 124)  372.

80
3.4. MATRIZ INVERSA

Iniciamos esta seção com uma definição preliminar.

Definição 3.4.1 – A matriz quadrada Ā de ordem n, cujos


elementos são os cofatores Kij dos elementos da matriz quadrada
A de ordem n, é denominada matriz dos cofatores de A, isto é,
Ā = [Kij]nxn.

 2 1 0
Exemplo 3.4.1 – Se A   3 1 4 , então
 1 6 5 3 x 3

1 4 3 4
K11  (1)11  19, K12  (1)1 2  19,
6 5 1 5
3 1 1 0
K13  (1)13  19, K 21  (1)21  5,
1 6 6 5
2 0 2 1
K 22  (1)2 2  10, K 23  (1)23  11,
1 5 1 6
1 0 2 0
K 31  (1)31  4, K32  (1)3 2  8,
1 4 3 4
2 1
K 33  (1)33  5.
3 1

 19 19  19
Portanto, Ā =   5 10  11 .
 
 4  8 5  3x 3

81
A importância da matriz dos cofatores no contexto de matrizes
inversas é indicada no

“Lema 3.4.1 – Dada uma matriz Anxn, AĀT=ĀTA = (det A) In,


onde In é a matriz identidade de ordem n”,

que será empregado adiante. Uma demonstração desse lema é


apresentada no Anexo B.

Definição 3.4.2 – Seja A = [aij]nxn. A matriz inversa de A é a


matriz quadrada B de ordem n tal que AB = BA = In. É comum o
uso da notação A–1 para a inversa de A. Se não existir B que
satisfaça as equações matriciais AB = In e BA = In, então A–1 não
existe.

 6 2
Exemplo 3.4.2 – Seja A    .
11 4 2 x 2

Vamos procurar uma matriz que satisfaça a Definição 3.4.2.


Para tanto, consideramos a matriz

 b11 b12 
B 
 b 21 b 22  2 x 2

e as equações matriciais BA = I2 e AB = I2.

 6b11  11b12 2b11  4b12  1 0


BA        I2 .
6b 21  11b 22 2b 21  4b 22  2 x 2 0 1 2 x 2

Assim,

82
6 b11  11b12  1 6b 21  11b 22  0
 e 
 2b11  4b12  0  2b 21  4b 22  1.

As soluções (únicas) desses sistemas são (b11,b12) = (2, –1) e


(b21,b22) = (–11/2, 3), respectivamente (verifique!). Portanto,

 2  1
B  .
  11 / 2 3  2 x 2

Vamos considerar essa matriz B e fazer a verificação AB = I2.

 6 2  2
AB    
 1

1 0
  . 
11 4 2 x 2  11 / 2 3  2 x 2 0 1 2 x 2

A matriz B satisfaz a Definição 3.4.2. Portanto, B = A–1.

A seguir, vamos demonstrar que, se A–1 existe, então A–1 é


única. Em outras palavras, se B1 e B2 são matrizes que
satisfazem a Definição 3.4.2, então B1 = B2.

Dem.: Se as matrizes B1 e B2 satisfazem a Definição 3.4.2, então


B1A = B2A = In. Portanto, B1A – B2A = 0nxn e (B1 – B2)A = 0nxn.
Se A–1 existe, então podemos fazer o produto matricial (à
direita) de cada lado da última equação por A–1 e escrever a
sequência de implicações

(B1 – B2)AA–1 = 0nxnA–1  (B1 – B2)In = 0nxn  (B1 – B2) = 0nxn


 B1 = B2. #

83
Assim, mostramos que, se A possui inversa, então não existem
2, 18, 254, 3900 matrizes inversas de A. Existe uma e apenas
uma matriz inversa, para a qual usamos a notação A–1.

Ok, mas como saber se uma dada matriz quadrada possui


inversa? Para responder a essa pergunta, vamos considerar e
analisar duas classes mutuamente exclusivas e conjuntamente
completas de matrizes quadradas: a) determinante nulo e b)
determinante não nulo.

a) Seja A uma matriz quadrada de ordem n tal que det A = 0.


Vamos considerar a equação matricial AB = In presente na
Definição 3.4.2. De acordo com a propriedade ix do
determinante, podemos escrever a sequência de implicações

det (AB) = det In = 1  (det A)(det B) = 1  0(det B) = 1.

A última equação pode ser escrita da forma 0x = 1, x = det B.


Não existe x que satisfaça essa equação. Portanto, não existe o
número (det B). Isso significa que não existe uma matriz
quadrada B de ordem n que satisfaça a equação AB = In.
Portanto, se det A = 0, então A não possui inversa (A–1 não
existe).

b) Seja A uma matriz quadrada de ordem n tal que det A  0.


Uma vez que o Lema 3.4.1 vale para toda matriz quadrada e
que det A  0, podemos multiplicar cada equação presente no
lema por 1/(det A) e obter

 1  T  1  T
A  Ā = In e   Ā A = In.
 det A   det A 

84
Observe que B = (1/det A) ĀT é uma matriz quadrada de ordem
n que satisfaz a Definição 3.4.2. Assim, se det A  0, então A–1 é
igual a (1/det A) ĀT, pois A–1 é única (como demonstrado
anteriormente). Portanto, se det A  0, então A–1 existe.

Com essa análise, concluímos a demonstração do

Teorema 3.4.1 – A matriz quadrada A possui inversa se, e


somente se, det A  0. Nesse caso, A–1 = (1/det A) ĀT.

Vamos ilustrar o Teorema 3.4.1 com um exemplo.

Exemplo 3.4.3 – Verifique se a matriz do Exemplo 3.4.1 possui


inversa. Caso positivo, determine A–1.

De acordo com o Teorema 3.4.1, a matriz A é inversível se, e


somente se, det A  0. Vamos calcular o determinante de A
usando a regra de Sarrus.

2 1 0 2 1
3 1 4 3 1
1 6 5 1 6

– – – + + +

det A = 10 + 4 + 0 – 0 – 48 – (–15) = – 19. Portanto, a matriz A


é inversível. Ainda de acordo com o Teorema 3.4.1,

85
 19  5 4  1 5 /19  4 / 19
 1  T 1 
19 10  8   1  10 /19 8 / 19.
1
A  Ā 
 det A  (19) 
 19  11 5  1 11/19  5 / 19

 extraída do Exemplo 3.4.1.

É importante testar a matriz obtida efetuando-se os produtos


A–1A e AA–1 (ambos devem fornecer a matriz identidade de
ordem 3).

O uso do Teorema 3.4.1 para inversão matricial se limita


em termos práticos a pequenos valores de n (n ≤ 3, tipicamente).
Essa limitação se deve ao (grande) número de operações
aritméticas no cálculo dos determinantes envolvidos. Por
exemplo, para uma matriz A4x4, o uso do Teorema 3.4.1 para
inversão matricial envolve o cálculo de um determinante de
ordem 4 (det A4x4) e de 42 = 16 menores |Aij| de ordem 3 para a
geração de Ā4x4. O número de operações aritméticas no cálculo
desses 17 determinantes faz com que, em termos práticos, o uso
do Teorema 3.4.1 para inversão matricial de uma matriz A4x4 seja
proibitivo, e isso se agrava, tipicamente, para n crescente. Para
matrizes quadradas de ordem n > 3, tipicamente, podemos fazer
uso do esquema de inversão matricial descrito a seguir.
Seja Anxn uma matriz inversível, isto é, existe Bnxn  A nxn
1
que
satisfaz as equações matriciais Bnxn A nxn  I n e A nxn Bnxn  I n ,
conforme a Definição 3.4.2. A equação A nxn Bnxn  I n pode ser
expressa na forma matricial extensa

86
a11 a12  a1n  b11 b12  b1n  1 0  0
a  a 2 n  b21 b22  b2n  0 1  0
 21 a 22  .
               
     
a n1 a n 2  a nn  nxn bn1 b n 2  b nn  nxn 0 0  1 nxn

Essa equação matricial pode ser interpretada como uma forma


matricial não convencional para n sistemas de n equações
lineares e algébricas a n incógnitas cada sistema; os n sistemas
possuem a mesma matriz dos coeficientes Anxn. O primeiro dos
n sistemas
  pode ser  expresso na forma matricial compacta
A nxn b1  1 , onde b1  b11 b21  bn1 1xn é a primeira coluna
T

de Bnxn e 1  1 0  01xn é a primeira coluna de In; o


T

segundo dos n sistemas  pode ser


 expresso na forma matricial
compacta A nxn b 2   2 , onde b 2  b12 b 22  b n 2 1xn é a
T

segunda coluna de Bnxn e 2  0 1  01xn é a segunda


T

coluna de In, e assim  sucessivamente


 até o n-ésimo (último)
sistema
 A nxn b n  n , onde bn é a n-ésima (última) coluna de Bnxn
e n é a n-ésima (última) coluna de In. Estendendo o conceito de
matriz ampliada de um sistema para n sistemas com matriz dos
coeficientes única, podemos escrever a matriz ampliada dos n
sistemas A nxn Bnxn  I n da forma extensa

 a 11 a 12  a 1n 1 0  0
 
a a  a 2n 0 1  0
n
B   21 22
        
 
a n1 a n 2  a nn 0 0  1  n x 2 n
Anxn | In

87
e da forma compacta n B  [A nxn | In ]n x 2n . Assim, podemos aplicar
o algoritmo de Gauss-Jordan à matriz ampliada n B e resolver
simultaneamente os n sistemas. Uma vez que A nxn 1
é única,
como demonstrado anteriormente, a solução Bnxn da equação
matricial A nxn Bnxn  I n é única. Portanto, a aplicação do
algoritmo de Gauss-Jordan à matriz ampliada n B deve gerar In à
esquerda da linha vertical divisória “|” e, consequentemente,
gerar A nxn
1
à direita da linha vertical divisória. Em outras
palavras, a matriz n BR , que é linha equivalente à matriz n B e
que possui a forma linha escada reduzida, pode ser expressa na
forma matricial compacta n BR  [I n | A nxn 1
]n x 2 n . Vamos ilustrar
esse esquema de inversão matricial com um exemplo.

Exemplo 3.4.4  Vamos considerar a matriz A3x3 dos Exemplos


3.4.1 e 3.4.3 e obter A3x1 3 aplicando o algoritmo de Gauss-
Jordan à matriz ampliada

 2 1 0 1 0 0
3  
B   3 1 4 0 1 0  .
 1 6 5 0 0 1 
3x 6

A3x3 | I3

Uma vez que a linha 1 é não nula, fazemos i = 1, ci = c1 = 1 e


d ici  d1c1  d11  2. Em seguida, fazemos as operações
elementares associadas à linha 1.

88
linha 1  2 1 0 1 0 0 L1  (1/ 2)L1
  3 1 4 0 1 0
 
 1 6 5 0 0 1 3 x 6
 1 1 / 2 0 1 / 2 0 0
  3 1 4 0 1 0
 
 1 6 5 0 0 1  3x 6

c1 = 1

 1 1 / 2 0 1 / 2 0 0  linha 1 
  3 1 4 0 1 0 d  3; L  L  (3)L
  21 2 2 1

 1 
6 5 0 0 1  3 x 6 d 31  1; L 3  L 3  (1)L1
1 1 / 2 0 1 / 2 0 0
0 5 / 2 4 3 / 2 1 0 .
 
0 11 / 2 5  1 / 2 0 1 3x 6

Uma vez que a linha 2 é não nula, fazemos i = 2, ci = c2 = 2 e


d ic i  d 2c 2  d 22  5 / 2. Em seguida, fazemos as operações
elementares associadas à linha 2.

1 1 / 2 0 1 / 2 0 0
linha 2 0 5 / 2 4 3 / 2 1 0 L 2  (2 / 5)L 2
0 11 / 2 5  1 / 2 0 1  3x 6
1 1 / 2 0 1/ 2 0 0
0 1 8 / 5 3 / 5 2 / 5 0

0 11 / 2 5  1 / 2 0 1 3 x 6

89
c2 = 2

1 1 / 2 0 1 / 2 0 0  d12  1/ 2; L1  L1  (1/ 2)L2
0 1 8 / 5 3 / 5 2 / 5 0   linha 2 
 
0 11 / 2 5  1 / 2 0 1  3 x 6 d32  11/ 2; L3  L3  (11/ 2)L2

1 0  4 / 5 1 / 5  1 / 5 0
0 1 8 / 5 3/ 5 2/5 0 .

0 0  19 / 5  19 / 5  11 / 5 1  3 x 6

Uma vez que a linha 3 é não nula, fazemos i = 3, ci = c3 = 3 e


d ic i  d 3c 3  d 33  19 / 5. Em seguida, fazemos as operações
elementares associadas à linha 3.

1 0  4 / 5 1 / 5  1 / 5 0
0 1 8 / 5 3/ 5 2 / 5 0

linha 3 0 0  19 / 5  19 / 5  11 / 5 13 x 6 L 3  ( 5 / 19) L 3
1 0  4 / 5 1 / 5  1 / 5 0 
0 1 8 / 5 3 / 5 2 / 5 0 

0 0 1 1 11 / 19  5 / 19  3 x 6

c3 = 3

1 0  4 / 5 1 / 5  1 / 5 0  d13  4 / 5; L1  L1  (4 / 5)L3
0 1 8 / 5 3 / 5 2 / 5 0  d23  8 / 5; L2  L2  (8 / 5)L3
 
0 0 1 1 11 / 19  5 / 19  3 x 6 linha 3 

90
1 0 0 1 5 / 19  4 / 19 
0 1 0  1  10 / 19 8 / 19   3 B R .

0 0 1 1 11 / 19  5 / 19  3 x 6

Uma vez que 3 BR  [ I3 | A 3x1 3 ]3 x 6 , identificamos prontamente a


matriz inversa de A3x3 e escrevemos

 1 5 / 19  4 / 19
A 1 
  1  10 / 19 8 / 19 .
3x3

 1 11 / 19  5 / 19 3x 3

Compare esta matriz com aquela obtida no Exemplo 3.4.3.

3.5. MÉTODO DE CRAMER

O método de Cramer é um método de resolução de sistemas de


equações lineares e algébricas baseado na teoria de
determinantes e de matrizes inversas. O método de Cramer se
limita a sistemas consistentes com solução única e número de
equações igual ao número de incógnitas (m = n). Considere o
sistema de n equações lineares e algébricas a n incógnitas na
forma matricial extensa

 a 11  a 1n   x1   b1 
           .
     
a n1  a nn  nxn  x n  nx1  b n  nx1

 
Na forma compacta, temos Ax  b , onde A é a matriz dos

coeficientes, x é a matriz coluna das incógnitas e b é a matriz

91
coluna dos termos independentes. Vamos admitir que det A  0.
De acordo com o Teorema 3.4.1, A–1 existe e, assim, podemos
escrever a sequência de implicações

     
A 1Ax  A 1b  I n x  A 1b  x  A 1b.

Uma vez que A–1 = (1/det A) ĀT, conforme o Teorema 3.4.1,



podemos escrever x  A 1b da forma
T
 x1   K 11  K 1n   b1 
    1        
  det A 
 x n  nx 1  K n1  K nn  nxn  b n  nx1

 K 11  K n 1   b1 
1 
        .
det A 
 K 1n  K nn  nxn  b n  nx1

Podemos representar uma incógnita arbitrária da forma

n
1
xj  K1 jb1  K 2 jb 2 ...  K nj b n   1  b k K kj , j  1 : n.
det A det A k 1

Esse somatório corresponde ao desenvolvimento de Laplace para


a j-ésima coluna da matriz

 coluna j
 a11  b1  a1n 
A j       ,
a n1  b n  a nn  nxn

92
obtida da substituição da j-ésima coluna de A pela matriz coluna

b . Portanto,

det A j
xj  , j  1 : n.
det A

Esse método de resolução de sistemas n x n  método de Cramer


 pode ser aplicado se, e somente se, det A  0, como indica o
denominador da razão para xj (esse método foi veladamente
utilizado na Seção 3.1).

2x 1  3x 2  7 x 3  1

Exemplo 3.5.1 – Resolver o sistema  x1  3x 3  5
2x  x  0.
 2 3

Podemos escrever esse sistema da forma matricial extensa

2  3 7  x1  1
 1 0 3  x    5 .
   2  
 0 2  1 3x 3  x 3  3x1 0 3x1

Uma vez que det A = –1 (verifique!), podemos usar o método


de Cramer. Assim,

1 3 7
det A1 1
x1   5 0 3  49, (verifique!)
det A (1)
0 2 1

93
2 1 7
det A 2 1
x2   1 5 3  9 (verifique!)
det A ( 1)
0 0 1
e
2 3 1
det A3 1
x3   1 0 5  18 . (verifique!)
det A (1)
0 2 0

Portanto, a solução (única) do sistema é

(x1, x2, x3) = (–49, 9, 18).

Assim como o esquema de inversão matricial baseado no


Teorema 3.4.1, o método de Cramer se limita em termos práticos
a pequenos valores de n (n  3, tipicamente), pois o número de
operações aritméticas no cálculo dos determinantes envolvidos 
são (n+1) determinantes de ordem n  é maior do que, por
exemplo, no algoritmo de Gauss-Jordan para n > 3, tipicamente.

3.6. EXERCÍCIOS
1) Com a Definição 3.2.2 e com uma extensão do conceito de
inversão para o conjunto ordenado alfabeto  pr posterior a ps
para r < s , determine o número de inversões em cada
permutação a seguir.

a) (m a r c o s), b) (h e l o i s a), c) (5 2 4 1 3),


d) (p e r n a m b u c o), e) (3 1 4 2 8 7 5 6), f) (j a n e i r o).

2) Faça uso da Definição 3.2.3 e calcule os determinantes das


matrizes a seguir.

94
1 8 5  0 1 4 3 5 1

a) 0 2 3 , b)  5
 8 7  , c) 0 1  4 ,
  
 1 1  2 3 x 3  3  1 8 3 x 3 0 0 2  3 x 3
 1  1 0 2
 3  2 7 0 2  8  1  10
d)   , e) 5  3 , f)  1 10 .
 1 4 2 0  2x2   2x 2
 
 0  3 5 1 4 x 4

 2  3 0
3) Seja A =  1 . Faça uso das propriedades dos
 1 4
 0  2  1 3 x 3
determinantes e calcule:

a) det A1, onde A1 é obtida de A fazendo-se a operação


elementar L1  3 L1;
b) det A2, onde A2 é obtida de A1 fazendo-se a operação
elementar L2  L2 + (–5) L3;
c) det A3, onde A3  2AT2 ;
1
d) det A4, onde A 4  A 3 ( A 3 )(2A 3 ) ;
8
e) det A5, onde A5 é obtida de A4 fazendo-se a operação
elementar (L1, L2, L3)  (L2, L3, L1).

2 3  1
4) Dada a matriz A =  6 1  2 , determine os seguintes
 
 1 8  5  3 x 3
cofatores de A:

95
a) K12; b) K23; c) K31; d) K13.

5) Calcule o determinante da matriz A do Exercício 4 fazendo


uso das operações elementares L1L1+(–2)L3, L2L2+(–6) L3 e
do desenvolvimento de Laplace para a primeira coluna da matriz
resultante.

6) Seja A uma matriz triangular superior de ordem 3, isto é,

a 11 a 12 a 13 
A   0 a 22 a 23  .
 0 0 a 33  3x 3

O desenvolvimento de Laplace para a primeira coluna de A


fornece

a 22 a 23
det A  a 11K 11  a 11 (1) 2  a 11a 22 a 33 .
0 a 33

Portanto, o determinante de uma matriz triangular superior de


ordem 3 é o produtório dos elementos da diagonal principal.
Faça uso similar do desenvolvimento de Laplace e mostre que
det A3x3 = a11a22a33 para A3x3 triangular inferior. Esses resultados
valem para n arbitrário, isto é, det Anxn = a11a22... ann para Anxn
triangular (superior ou inferior).

7) Mostre que o determinante de Vandermonde de ordem 3

96
1 1 1
V(x1 , x 2 , x 3 )  x1 x 2 x 3  (x 2  x1 )(x 3  x1 )(x 3  x 2 ).
x12 x 22 x 32

Para tanto, faça uso das operações elementares L2L2+(–x1)L1,


L3L3+ ( x 12 ) L1 e do desenvolvimento de Laplace para a
primeira coluna da matriz resultante.

8) Verifique se a matriz A3x3 do Exercício 4 possui inversa. Caso


positivo, determine a inversa de A3x3

a) usando o Teorema 3.4.1 e


b) aplicando o algoritmo de Gauss-Jordan à matriz ampliada
3
B  [ A 3x 3 | I3 ]3x 6 .

9) Para cada matriz inversível do Exercício 2, obtenha a matriz


inversa aplicando o algoritmo de Gauss-Jordan à matriz ampliada
da forma [ A | I ] (como no item b do Exercício 8).

10) Determine a solução dos sistemas a seguir pelo método de


Cramer.

x 1  x 2  2 x 3  1
 2 x  x 2  1
a)  x 1  3x 2  4 x 3  6 b)  1
x  x  3 x 1  3x 2  1
 2 3

 2 x 1  4 x 2  x 3  3
 3x  7 x 2  8
c) 5x 1  x 3  1 d)  1
3x  8x  6x  2 2x1  5x 2  4
 1 2 3

97
Capítulo 4

ESPAÇOS VETORIAIS

Neste capítulo, abordamos aspectos básicos de uma importante


estrutura matemática denominada espaço vetorial. Após uma
breve introdução, definimos espaço vetorial e ilustramos a
definição com alguns espaços vetoriais de interesse teórico e
prático. Em seguida, apresentamos e exemplificamos os
seguintes conceitos e elementos estruturais: subespaço de um
espaço vetorial; combinação linear de um conjunto de vetores de
um espaço vetorial; dependência e independência linear de um
conjunto de vetores de um espaço vetorial; base e dimensão de
um espaço vetorial.

4.1. INTRODUÇÃO

No Capítulo 1, apresentamos um resumo de matrizes. Nesse


resumo, introduzimos o conceito de matriz, descrevemos tipos
especiais de matrizes e apresentamos as operações matriciais
básicas acompanhadas de propriedades fundamentais. Assim
fizemos por dois motivos. Primeiro motivo: matrizes e operações
matriciais constituem material básico para os capítulos seguintes.
Segundo motivo: i) as matrizes reais, ii) o conjunto dos números
reais (), iii) as operações de adição de matrizes e de
multiplicação de uma matriz por um escalar e iv) as propriedades
fundamentais dessas operações são conjuntamente um exemplo
da estrutura matemática que será abordada neste capítulo. Outro
exemplo dessa estrutura tem como objetos matemáticos vetores
no plano (2) e no espaço (3), veja as figuras a seguir.

98
2 3

y 
 v 2  (x 2 , y 2 , z 2 ) y 
v 2  (x 2 , y 2 ) v1  ( x1 , y1 , z1 )

v1  ( x 1 , y1 )

x x


 v 3  (x 3 , y3 , z 3 )
v 3  (x 3 , y 3 ) z

Vetores no plano Vetores no espaço

Assim como as matrizes reais, vetores no 2 e no 3 se


associam ao conjunto dos números reais, as operações de adição
de vetores e de multiplicação de um vetor por um escalar são
definidas, e essas operações com vetores compartilham as
propriedades fundamentais das operações com matrizes. São as
mesmas propriedades fundamentais. Existem vários conjuntos
de objetos matemáticos que se associam a um corpo de escalares
(conjunto dos números reais ou complexos, tipicamente), as
operações de adição de objetos e de multiplicação de um objeto
por um escalar são definidas, e essas operações satisfazem as
mesmas propriedades fundamentais das operações com
matrizes e vetores no 2 e no 3. Assim, em vez de estudar
isoladamente cada um desses conjuntos de objetos matemáticos,
podemos estudá-los de forma unificada. Em outras palavras,
vamos definir uma estrutura matemática que representa esses
diferentes conjuntos de objetos matemáticos e suas respectivas
operações de adição de objetos e de multiplicação de objeto por
escalar. Essa estrutura matemática é denominada

99
4.2. ESPAÇO VETORIAL

Definição 4.2.1 – Seja V uma estrutura matemática composta


por um conjunto V de objetos matemáticos, um corpo escalar K
 conjunto dos números reais () ou complexos (C)  e duas
operações envolvendo V e K: adição de dois objetos e
multiplicação de um objeto por um escalar. Se essas duas
operações satisfazem as dez propriedades listadas a seguir,
dizemos que a estrutura matemática V é um espaço vetorial e,
nesse caso, os objetos de V são denominados vetores de V.

Propriedades

  
Para todo u, v, w  V e para todo ,   K:

 
1) u  v  V (fecho aditivo);

2) v  V (fecho multiplicativo);
   
3) u  v  v  u (comutatividade);
     
4) u  (v  w )  (u  v)  w (associatividade aditiva);
   
5) Existe 0 V tal que 0  u  u (existência do elemento
nulo);
   
6) Existe (u )  V tal que u  (u)  0 (existência do
elemento oposto);
 
7) ()u  (u ) (associatividade multiplicativa);
   
8) (u  v)  u  v (distributividade da adição de
objetos);

100
  
9) (  )u  u  u (distributividade da adição escalar);
 
10) 1u  u (invariância da multiplicação pelo escalar
unitário).

Vamos fazer algumas observações importantes.

i) V é uma estrutura matemática composta por quatro


ingredientes: V, K, uma operação de adição definida em V e uma
operação de multiplicação por escalar envolvendo V e K. Ok,
mas isso não basta para V ser um espaço vetorial: as 10
propriedades anteriores têm que ser satisfeitas para V ser um
espaço vetorial, conforme a Definição 4.2.1.

ii) As propriedades de 1 a 10 da Definição 4.2.1 são meras


reafirmações das propriedades das operações adição e
multiplicação por escalar definidas para K =  e V = 2, 3 e
M(m,n), o conjunto das matrizes reais de ordem m x n. Isso não
é surpreendente, visto que a Definição 4.2.1 é uma formulação
abstrata baseada nesses casos concretos e clássicos.

iii) Se V é uma estrutura matemática que satisfaz a Definição


4.2.1 e K = , é usual a denominação espaço vetorial real para
V. Se K = C, é usual a denominação espaço vetorial complexo
para V.

iv) Na Definição 4.2.1, usamos a notação V para a estrutura


matemática (candidata a espaço vetorial) e a notação V para o
conjunto de objetos matemáticos. Assim fizemos para enfatizar

101
que V e V são entidades matemáticas diferentes.
Especificamente, V é um ingrediente de V. Entretanto, quando V
é um espaço vetorial, é usual a mesma notação para o espaço
vetorial e para o conjunto de objetos matemáticos.

v) Não tente memorizar as propriedades de 1 a 10 da Definição


4.2.1: elas servem para determinar se uma dada estrutura
matemática é ou não é um espaço vetorial. Sendo assim, vamos
aplicar a Definição 4.2.1 a alguns exemplos de interesse teórico
e prático e observar os resultados.

Exemplo 4.2.1 – Seja V a estrutura matemática composta pelo


conjunto V = n, o conjunto das n-uplas ordenadas de números
reais, K = , a operação de adição

(u1,... un) + (v1,... vn) = (u1 + v1,... un + vn)

e a operação de multiplicação por escalar

(u1,... un) = (u1,... un),

onde (u1,... un) e (v1,... vn)  n e   . Vamos fazer uso da


Definição 4.2.1 para determinar se V é ou não é um espaço
vetorial. Uma vez que os quatro ingredientes de V estão
presentes, resta saber se as 10 propriedades da Definição 4.2.1
são satisfeitas.

1) Uma vez que u1 + v1,... un + vn  , a n-upla ordenada


(u1+v1,... un+vn)  n. 
102
2) Uma vez que u1,... un  , (u1,... un)  n. 
 
3) Sejam u  (u1 ,u n ) e v  (v1 ,vn )  n. De acordo com a
definição de adição de objetos em V = n, podemos escrever
   

u  v  (u1  v1 , u n  vn )  (v1  u1 , vn  u n )  v  u .


4) Seja w  (w1 ,wn )  n. De acordo com a definição de
adição de objetos em V = n, podemos escrever
  
u  ( v  w)  (u1, u n )  ( v1  w1,  v n  w n )
 (u1  (v1  w1 ), u n  ( vn  w n ))
 ((u1  v1 )  w1, (u n  v n )  w n )

  
 (u1  v1, u n  v n )  ( w1,  w n )  (u  v)  w.


5) Seja 0n  (0, 0)  n . De acordo com a definição de
adição de objetos em V = n, podemos escrever
  
0n  u  (0, 0)  (u1, u n )  (0  u1, 0  u n )  (u1,  u n )  u,

para todo u  n .


Portanto, 0  n  (0, 0) é o elemento nulo de n. 

6) Seja  u  ( u1 ,   u n )  n. De acordo com a definição de
adição de objetos em V = n, podemos escrever
  
u  (u )  (u1  (u1 ), u n  (u n ))  (0, 0)  0n .

103

Portanto,  u  (u1,  u n ) é o elemento oposto de
 
u  (u1 ,u n ) para todo u  n. 
7) Sejam ,   . De acordo com a definição de multiplicação
de um objeto de V = n por um escalar  , podemos escrever

( ) u  (( )u 1 ,  ( ) u n )  ( ( u1 ),   ( u n ))

  ( u 1 ,   u n )   ( u ).

8) De acordo com as definições das operações, podemos
escrever
 
(u  v)  (u1  v1,u n  vn )  ((u1  v1 ),(u n  vn ))
 (u1  v1,u n  v n )
 

 (u1,u n )  (v1 ,vn )  u  v.

9) De acordo com as definições das operações, podemos


escrever

(  ) u  ((  )u1,  (  )u n )
 (u1   u1 ,  u n   u n )
 

 (u1 ,  u n )  ( u1 ,  u n )  u   u.

10) De acordo com a definição de multiplicação de um objeto de


V = n por um escalar  , podemos escrever

 
1u  1(u1,u n )  (1u1 ,1u n )  (u1,u n )  u. 
104
Uma vez que as 10 propriedades da Definição 4.2.1 foram
satisfeitas, a estrutura matemática V é um espaço vetorial. De
acordo com as observações iii e iv à Definição 4.2.1, n é um
espaço vetorial real com as operações definidas no Exemplo
4.2.1. De acordo com a Definição 4.2.1, os objetos de n
(n-uplas ordenadas de números reais) são denominados vetores
do espaço vetorial real n.

Vamos apresentar o próximo exemplo de uma forma mais


dinâmica.

Exemplo 4.2.2 – Seja V a estrutura matemática composta pelo


conjunto V = Pn, os polinômios com coeficientes reais de grau
menor que ou igual a n, K = , a operação de adição

( u 0  u 1 x   u n x n )  ( v 0  v1 x   v n x n )
 ( u 0  v 0 )  ( u 1  v1 ) x   ( u n  v n ) x n

e a operação de multiplicação por escalar

(u 0  u1 x  u n x n )  (u 0 )  (u1 )x   (u n ) x n ,

onde ( u 0  u1x   u n x n ) e (v 0  v1 x   v n x n )  Pn e   .
Uma vez que os quatro ingredientes de V estão presentes, resta
saber se as 10 propriedades da Definição 4.2.1 são satisfeitas.

1) Uma vez que (u 0  v0 ), (u1  v1 ), ( u n  v n )  ,

(u 0  v0 )  (u1  v1 )x   (u n  vn )x n  Pn. 
105
2) Uma vez que (u0), (u1),... (un)  ,
(u0) + (u1) x... + (un) xn  Pn. 
 
3) Sejam u  u 0  u 1x   u n x n e v  v 0  v1 x   v n x n  Pn .
Portanto,

 
u  v  ( u 0  v 0 )  ( u 1  v1 ) x   ( u n  v n ) x n
 
 ( v 0  u 0 )  ( v1  u 1 ) x   ( v n  u n ) x n  v  u.


4) Seja w  w 0  w1x   w n x n  Pn. Portanto,

  
u  ( v  w)
 u 0  u1x   u n x n  ((v0  w 0 )  (v1  w1)x   (vn  w n )x n )
 (u 0  (v0  w 0 ))  (u1  (v1  w1 ))x   (u n  (vn  w n ))x n
 ((u 0  v0 )  w 0 )  ((u1  v1)  w1)x   ((u n  vn )  w n )x n

 ((u 0  v0 )  (u1  v1)x   (u n  vn )x n )  w 0  w1x   w n x n
  
 (u  v)  w.


5) Seja 0 Pn  0  0 x   0x n  Pn . Portanto,

 
0 Pn  u  (0  u 0 )  (0  u1 ) x   (0  u n ) x n
  
 u 0  u 1x   u n x n  u , para todo u  Pn .


6) Seja ( u )  ( u 0 )  ( u 1 ) x   ( u n ) x n  Pn . Portanto,

106
 
u  (u )  (u 0  ( u 0 ))  (u 1  (u 1 )) x   ( u n  (u n )) x n

 0  0 x   0 x n  0 Pn .

7) Sejam ,   . Portanto,


( )u  (() u 0 )  (() u1 ) x   (() u n ) x n
 ((u 0 ))  ( (u 1 )) x   ((u n )) x n 

 (u 0  (u1 ) x   (u n ) x n )   (u ).

8)
 
(u  v)  ((u 0  v0 )  (u1  v1 )x   (u n  vn )x n )
 ((u 0  v0 ))  ((u1  v1 ))x   ((u n  vn ))x n
 (u 0  v0 )  (u1  v1 )x   (u n  vn )x n 
 (u 0 )  (u1 )x    (u n )x n  (v0 )  (v1 ) x   (vn )x n
 
 u  v.

9)

(  )u
 ((  )u 0 )  ((  )u1 )x   ((  )u n ) x n
 (u 0  u 0 )  (u1  u1 )x   (u n  u n )x n 
 (u 0 )  (u1 )x    (u n )x n  (u 0 )  (u1 ) x   (u n ) x n
 
 u  u.

10)

1u  1(u 0  u 1x   u n x n )  (1u 0 )  (1u 1 ) x   (1u n ) x n
 
 u 0  u1 x   u n x n  u.

107
Portanto, V é um espaço vetorial, Pn é um espaço vetorial real
com as operações definidas no Exemplo 4.2.2 e os polinômios
de Pn são denominados vetores do espaço vetorial real Pn.

Vamos usar os Exemplos 4.2.1 e 4.2.2 para duas observações.

i) Na verificação das propriedades de 1 a 10, observe a


duplicidade do papel do sinal de adição (+) em cada exemplo.
Em algumas situações, o sinal denota a adição de dois objetos
de V. Nas outras, o sinal denota a adição de dois números  K
(duplicidade também ocorre nas indicações da operação de
multiplicação). Consideramos que essas duplicidades não
comprometem a apresentação nem o entendimento dos passos de
álgebra nos dois exemplos.

ii) Por definição, vetores são objetos de um espaço vetorial. Nos


Exemplos 4.2.1 e 4.2.2, n-uplas ordenadas de números e
polinômios são vetores! Vetores na Geometria Analítica são
segmentos de reta orientados com ponto inicial na origem e
pontos finais representados por pares (2) ou ternos (3)
ordenados de números reais. Vetores na Teoria de Espaços
Vetoriais podem ser diversos objetos matemáticos. Tenha em
mente essa importante diferença de contexto.

Concluímos esta seção com algumas propriedades decorrentes


das propriedades de 1 a 10 da Definição 4.2.1. A partir deste
ponto, usaremos, quando conveniente, a mesma notação para o
espaço vetorial e para o conjunto de objetos matemáticos.


I) O vetor nulo 0 de um espaço vetorial V é único.

108
 
Dem.: Sejam 01 e 0 2 vetores de V que satisfazem a propriedade
5. Sendo assim, podemos escrever
      
01  u  u e 0 2  u  u para todo u  V .

Se essas equações valem para todo u  V , então têm que valer
  
para u  01 e para u  0 2 . Portanto, podemos escrever
     
01  0 2  0 2 e 0 2  01  01 .
     
Uma vez que
 01  0 2  0 2  0 1 (propriedade 3), temos 0 2  0 1.
Portanto, 0 é único em V. #
  
II) 0u  0 para todo u  V .

Dem.: Seja u  V . Das propriedades 4, 5, 6, 9 e 10, podemos
escrever a sequência de implicações
          
0 u  0 u  0  0 u  0 u  ( u  (  u ))  0 u  (0 u  1u )  (  u )
        
 0 u  (0  1)u  ( u )  0 u  1u  (  u )  0 u  u  (  u )
 
 0 u  0 .#
 
III) O vetor oposto (u ) de u  V é único.
 
Dem.: Sejam (u 1 ) e (u 2 ) vetores de V que satisfazem a
propriedade 6. Sendo assim, podemos escrever a equação
  
( u1 )  u  0 . Em seguida, adicionamos (u 2 ) nos dois lados
dessa equação e obtemos
    
(( u 1 )  u )  (u 2 )  0  (u 2 ) .

109
Das propriedades 4, 5 e 6, podemos escrever a sequência de
implicações

        
( u 1 )  (u  ( u 2 ))   u 2  ( u1 )  0   u 2   u1   u 2 .


Portanto, (u ) é único. #

  
IV) (1)u  (u ) para todo u  V .


Dem.: Seja u  V . Das propriedades II, 4, 5, 6, 9 e 10, podemos
escrever a sequência de implicações

  
( 1) u  ( 1) u  0
       
 ( 1) u  ( 1) u  ( u  (  u ))  ( 1) u  (( 1) u  1u )  (  u )
     
 ( 1) u  ( 1  1) u  (  u )  ( 1) u  0 u  (  u )
    
 ( 1) u  0  (  u )  ( 1) u  (  u ) .#

 
V) 0  0 para todo   K.
  
Dem.: Da propriedade 6, podemos escrever 0  (u  ( u ))

para todo u  V . Das propriedades IV, 7 e 8, podemos escrever
a sequência de implicações

        
 0   (u  ( u ))   0   u   ( u )   0  u  ((1)u )
  
  0  u  ( (1))u
     
  0  u  ((1) )u   0  u  (1)(u )
    
  0  u  (u )   0  0 .#

110
4.3. SUBESPAÇOS VETORIAIS

Existem espaços vetoriais de interesse prático (veremos alguns


nesta seção) que estão contidos em espaços vetoriais mais gerais.
Essa é a motivação inicial para a

Definição 4.3.1 – Sejam W e V dois espaços vetoriais com o


mesmo corpo escalar K e as mesmas operações de adição e de
multiplicação por escalar. Se W é um subconjunto de V
(WV), dizemos que o espaço vetorial W é um subespaço
vetorial de V.

Vamos ilustrar essa definição com um exemplo.

Exemplo 4.3.1 – Seja V = 3 o espaço vetorial definido no


Exemplo 4.2.1 para n = 3. Seja W o conjunto-solução da
equação linear e algébrica a três incógnitas x1 – x2 + 2x3 = 0 em
3, isto é, W  {( x1 , x 2 , x 3 )  3 / x1  x 2  2x 3  0}. Observe
que W é um subconjunto de V. Vamos usar a Definição 4.2.1
para determinar se o subconjunto W de V é ou não é um espaço
vetorial real (K = ) com as operações definidas no Exemplo
4.2.1 para n = 3. Para tanto, verificamos se as 10 propriedades
da Definição 4.2.1 são satisfeitas.
 
1) Sejam u  (u 1 , u 2 , u 3 ), v  ( v1 , v 2 , v 3 )  W. Da definição de
adição em W (= em V), podemos escrever
 
u  v  (u 1  v1 , u 2  v 2 , u 3  v 3 ).

 
Vamos testar se (u  v)  W.

111
(u1  v1 )  (u 2  v2 )  2(u 3  v3 )  (u1  u 2  2u 3 )  ( v1  v2  2v3 )
 0  0  0.

 
Portanto, ( u  v)  W. 
2) Seja   . Da definição de multiplicação por escalar em W

(= em V), podemos escrever u  (u 1 , u 2 , u 3 ). Vamos

testar se u  W .

(u 1 )  (u 2 )  2(u 3 )  (u 1  u 2  2u 3 )  0  0.


Portanto, u  W. 
 
3) Uma vez que (u  v)  W (propriedade 1) e W  V,
     
u  v  v  u para todo u, v  W . 
  
4) Seja w  ( w1 , w 2 , w 3 )  W. Uma vez que (u  v) e
       
(v  w)  W (propriedade 1) e W  V, u  (v  w )  (u  v)  w
  
para todo u, v, w  W. 

5) Uma vez que 0 3  (0,0,0) é solução da equação linear e
 
algébrica x1 – x2 + 2x3 = 0, 03  W. Uma vez que 03 é único

em 3 e que W  V, 03 é o único elemento nulo de W. 

6) Uma vez que u  W (propriedade 2) e W  V,
 
(1)u  (u )  W e é único. 
112
 
7) Uma vez que ()u e (u )  W (propriedade 2) e W  V,
  
( ) u   ( u ) para todo ,    e u  W .
   
8) Uma vez que ( u  v), u , v  W (propriedades 1 e 2) e
     
W  V, (u  v)  u  v para todo    e u, v  W. 
  
9) Uma vez que (  )u , u , u  W (propriedade 2) e W  V,
   
(  )u  u  u para todo ,    e u  W. 
 
10) Uma vez que u  W (propriedade 2), 1u  W. Uma vez
  
que W  V, 1u  u para todo u  W. 
Assim, W é um espaço vetorial real com as operações definidas
no Exemplo 4.2.1 para n = 3. Uma vez que W  3, W é um
subespaço vetorial de 3, conforme a Definição 4.3.1.

Fazemos aqui duas observações.

i) Apenas na verificação das propriedades 1, 2 e 5 fizemos uso de


características do subconjunto W e do espaço vetorial V. Nas
verificações das outras propriedades (3, 4, 6, 7, 8, 9 e 10), o
subconjunto W e o espaço vetorial V foram tratados de forma
genérica.

ii) Se as propriedades 1, 2 e 5 são válidas em W, então as outras


propriedades da Definição 4.2.1 são válidas em W.

Sendo assim, enunciamos o

113
Corolário 4.3.1 – Sejam V um espaço vetorial com corpo escalar
K e W um subconjunto de V (W  V) com o mesmo corpo
escalar K e as mesmas operações de adição e de multiplicação
por escalar definidas em V. W é um subespaço vetorial de V
se, e somente se, as condições

i) 0 V  W,
   
ii) (u  v)  W para todo u e v  W e
 
iii) u  W para todo   K e u  W

são satisfeitas.

De acordo com esse corolário, o conjunto unitário {0 V } e o
próprio V, com o mesmo corpo escalar e operações definidas em
V, são subespaços vetoriais de V, qualquer que seja V. Vamos
ilustrar o Corolário 4.3.1 com um exemplo envolvendo
polinômios.

Exemplo 4.3.2 – Seja V = P4 o espaço vetorial definido no


Exemplo 4.2.2 para n = 4. Seja W o conjunto dos polinômios de
P4 que se anulam em x = 1, isto é, W = {p  P4 / p(1) = 0}.
Observe que W  V. Vamos fazer uso do Corolário 4.3.1 para
determinar se W é ou não é um subespaço vetorial de V. Para
tanto, basta verificar as condições i, ii e iii do corolário.
 2 3 4
i) Do Exemplo 4.2.2,
 temos 0 P4  0  0x  0x  0x  0x .
Vamos verificar se 0 P4  W .

0P4 (1)  0  0x1  0x12  0x13  0x14  0. Uma vez que
 

0 P4 (1)  0, 0 P4  W.

114

ii) Sejam u  u 0  u1x  u 2 x 2  u 3 x 3  u 4 x 4 e
  
v  v0  v1x  v2 x 2  v3x 3  v 4 x 4  W. Vamos calcular (u  v)
fazendo uso da operação de adição definida em W (= em V).
 
u  v  (u0  v0 )  (u1  v1 )x  (u 2  v2 )x 2  (u 3  v3 )x 3  (u 4  v4 )x 4 .
 
Vamos verificar se (u  v)  W. Para tanto, calculamos
 
( u  v)(1)
 ( u 0  v 0 )  (u1  v1 ) x1  (u 2  v 2 ) x12
 (u 3  v3 ) x13  (u 4  v 4 ) x14
 ( u 0  u1x1  u 2 x12  u 3 x13  u 4 x14 )
 (v 0  v1x1  v 2 x12  v3 x13  v 4 x14 )
 0  0  0.

   
Uma vez que (u  v)(1)  0, (u  v)  W. 

iii) Vamos calcular u ,   , fazendo uso da operação de
multiplicação por escalar definida em W (= em V).

u  (u 0  u1x  u 2 x 2  u 3x 3  u 4 x 4 )
 (u 0 )  (u1 )x  (u 2 )x 2  (u 3 )x 3  (u 4 )x 4 .

Vamos verificar se u  W. Para tanto, calculamos

u (1)  (u 0 )  (u 1 ) x1  (u 2 )x12  (u 3 ) x13  (u 4 )x14
 (u 0  u 1x1  u 2 x12  u 3 x13  u 4 x14 )
 x0  0.

115
 
Uma vez que u(1)  0, u  W. 
Portanto, W é um subespaço vetorial de V = P4, conforme o
Corolário 4.3.1. Isto é, W  V e W é um espaço vetorial com o
mesmo corpo escalar e as mesmas operações definidas em V,
conforme a Definição 4.3.1.

Vamos a um contraexemplo.

Exemplo 4.3.3 – Sejam V = P4 e W = {u0 + u1x + u2x2 + u3x3 +


u4x4  P4 / u0 = u12}. Observe que W  V. Vamos verificar se as
condições i, ii e iii do Corolário 4.3.1 são satisfeitas.

 
i) Para 0P4 , u0 = u1 = 0. Portanto, u0 = u12 e 0P4  W. 

ii) Para u  u 0  u 1x  u 2 x 2  u 3 x 3  u 4 x 4 e

v  v0  v1x  v2 x 2  v3 x3  v4 x 4  W, temos u 0  u12 e v 0  v12 .

 
Vamos verificar se u  v  (u0  v0 )  (u1  v1)x  (u 2  v2 )x 2 
(u3  v3 )x3  (u 4  v4 )x 4  W.

(u1  v1 ) 2  u12  2u1v1  v12  u0  2u1v1  v0  (u0  v0 ) para u1v1  0.


   
Portanto, (u  v)  W para todo u , v  W , e a condição ii não
é satisfeita. X

Portanto, W não é um subespaço vetorial de V = P4, conforme o


Corolário 4.3.1.

116
É possível usar o Corolário 4.3.1 para saber se uma dada
estrutura matemática W (W, K, operação de adição, operação de
multiplicação por escalar) é ou não é um espaço vetorial com
corpo escalar K. Para tanto, “basta” identificar um espaço
vetorial V que “contenha” a estrutura matemática W, isto é,
W  V e W e V possuem o mesmo corpo escalar e as mesmas
operações de adição e de multiplicação por escalar. Se pudermos
identificar V, então poderemos usar o Corolário 4.3.1, o qual
envolve a verificação de apenas três condições, para saber se a
estrutura W dada é ou não é um espaço vetorial.

Vamos ilustrar essa observação com um exemplo.

Exemplo 4.3.4 – Seja W a estrutura matemática composta por


W, o conjunto-solução do sistema homogêneo de m equações
lineares e algébricas a n incógnitas

a 11 x 1  a 12 x 2   a 1n x n  0
a x  a x   a x  0
 21 1 22 2 2n n


a m1x 1  a m 2 x 2   a mn x n  0,

 
isto é, W  {x  n / Amxn x  0mx1}, K = , a operação de adição

(u1,... un) + (v1,... vn) = (u1 + v1,... un + vn)

e a operação de multiplicação por escalar

(u1,... un) = (u1,... un),

117
onde (u1,... un), (v1,... vn)  W e   K. Vamos determinar se W
é ou não é um espaço vetorial real.

Uma vez que W está contida no espaço vetorial V (= n) do


Exemplo 4.2.1, isto é, W  V e W e V possuem o mesmo corpo
escalar e as mesmas operações de adição e de multiplicação por
escalar, podemos empregar o Corolário 4.3.1 para determinar se
W é ou não é um subespaço vetorial de V. Caso positivo, W é
um espaço vetorial real. Caso negativo, W não é um espaço
vetorial. Assim, vamos verificar se as condições i, ii e iii do
Corolário 4.3.1 são satisfeitas.


i) Uma vez que 0n  (0, 0) é solução de cada equação do
 
sistema, 0n é solução do sistema. Portanto, 0n  W. 
As condições ii e iii serão verificadas com a forma matricial
compacta do sistema e com as propriedades da multiplicação por
escalar e do produto matricial (Capítulo 1).

   
ii) Sejam u e v  W. Vamos verificar se (u  v)  W.
     
A(u  v)  Au  Av  0mx1  0mx1  0mx1. Portanto, (u  v)  W. 

iii) Seja   . Vamos verificar se u  W.
  
A(u )  Au  0 mx1  0 mx1. Portanto, u  W. 
118
Assim, o conjunto-solução de qualquer sistema homogêneo de
m equações lineares e algébricas a n incógnitas é um subespaço
vetorial do n, conforme o Corolário 4.3.1.

Observe o papel auxiliar do espaço vetorial V (= n). Ele


permite a utilização do Corolário 4.3.1 para determinar se W é
ou não é um subespaço vetorial de V e, consequentemente, se W
é ou não é um espaço vetorial. Sem V, teríamos que recorrer à
Definição 4.2.1 e verificar se as dez propriedades fundamentais
dos espaços vetoriais são satisfeitas em W.

4.4. COMBINAÇÃO LINEAR E SUBESPAÇOS


GERADOS

Nesta seção, vamos considerar dois conceitos decorrentes das


operações de adição e de multiplicação por escalar dos espaços
vetoriais. Iniciamos com a

Definição 4.4.1 – Sejam V um espaço vetorial com corpo escalar


  
K e x1 , x 2 ,  x n n vetores  V. Uma combinação linear dos
  
vetores x , x ,x é uma composição da forma
  1 2 n
a1x1  a 2 x 2   a n x n , onde a1, a2,... an  K, n inteiro positivo.

Uma vez que V é um espaço vetorial, podemos usar as


propriedades 1 e 2 da Definição 4.2.1 para escrever a sequência
de implicações

    
a1x1  V, a 2 x 2  V  (a1x1  a 2 x 2 )  V, a 3 x 3  V 
  
((a1x1  a 2 x 2 )  a 3 x 3 )  V  ...

119
  
Portanto, a1x1  a 2x 2   a n x n é um vetor  V. Uma vez que a1,
a2,... an  K são arbitrários, toda combinação linear dos n
  
vetores x1 , x 2 ,  x n é um vetor  V. Isso demonstra o

  
Lema 4.4.1 – Dados n vetores x1 , x 2 ,  x n pertencentes a um
espaço vetorial V com corpo escalar K, o conjunto W das
combinações lineares desses n vetores, isto é,

  
a1x1  a 2x 2   a n x n 
 n 
W  n
,
  a i xi para toda n - upla (a1, a 2 ,a n ) K 
 i 1 

é um subconjunto de V. É comum o emprego da notação


  
compacta W  [x1 , x 2 , x n ].

  
O conjunto W  [x1 , x 2 , x n ] não é um mero subconjunto de
V: é um subespaço vetorial de V, como demonstrado no

  
Teorema 4.4.1 – O subconjunto W  [x1 , x 2 , x n ] de V é um
subespaço vetorial de V.

Dem.: Uma vez que W é um subconjunto de V, conforme o


Lema 4.4.1, basta mostrar que as condições i, ii e iii do
Corolário 4.3.1 são satisfeitas.

      
i) Observe que 0 V  0 x1  0 x 1  0 x 2  0 x1  0x 2   0 x n .

Portanto, 0 V  W. 
120
 n   n 
ii) Sejam u   u i x i e v   v i x i  W. Vamos verificar se
i 1 i 1
 
(u  v)  W.

  n  n
 n
  n

u  v   u i x i   v i x i   (u i x i  v i x i )   (u i  v i ) x i . Uma
i 1 i 1 i 1 i 1
 
vez que (ui + vi)  K para todo i = 1 : n, (u  v)  W. 

iii) Seja   K. Vamos verificar se u  W .

 n
 n
 n

u   u i x i  (u i x i )  (u i )x i . Uma vez que (ui)  K
i1 i1 i1

para todo i = 1: n, u  W . 
  
Portanto, W  [x1 , x 2 , x n ] é um subespaço vetorial de V. #

São comuns para W as denominações subespaço gerado por


  
x1 , x 2 ,  x n e subespaço das combinações lineares de
  
x1 , x 2 ,  x n .

Vamos ilustrar esses conceitos com quatro exemplos.

Exemplo 4.4.1 – Sejam V = 3 o espaço vetorial real definido no


 
Exemplo 4.2.1 para n = 3 e os vetores x 1  (1,2,1) e x 2  (0,1,2)
 V. Em conformidade com a Definição 4.4.1, uma combinação
 
linear dos vetores x 1 e x 2 é um vetor da forma
 
a 1x1  a 2 x 2  a1 (1,2,1)  a 2 (0,1,2)  (a1 ,2a1  a 2 , a 1  2a 2 ), onde a1
e a2  . De acordo com o Lema 4.4.1, o conjunto

121
 

W  a1x1  a 2 x 2  (a1 ,2a1  a 2 , a1  2a 2 ) para todo (a1, a 2 )  2 
 
 [ x1 , x 2 ]  [(1,2,1), (0,1,2)]

é um subconjunto de V. Além disso, o Teorema 4.4.1 garante


que W é um subespaço vetorial de V, sendo denominado
 
subespaço gerado por x 1 e x 2 ou subespaço das combinações
 
lineares de x 1 e x 2 .

Exemplo 4.4.2 – Vamos considerar aqui o mesmo espaço


 
vetorial V e vetores x 1 e x 2 do Exemplo 4.4.1, e vamos incluir
  
um vetor x 3 que seja uma combinação linear de x 1 e x 2 , isto é,
  
x 3  c1x 1  c 2 x 2 , onde c1 e c2   são conhecidos. Vamos
  
determinar o subespaço vetorial W   [ x 1 , x 2 , x 3 ]. De acordo
com o Lema 4.4.1,

  

W  a 1x1  a 2 x 2  a 3 x 3 para todo (a1 , a 2 , a 3 )  3 
   

 a 1x 1  a 2 x 2  a 3 (c1x 1  c 2 x 2 ) para todo (a1 , a 2 , a 3 )  3 
 

 (a 1  a 3c1 ) x1  (a 2  a 3c 2 )x 2 para todo (a1 , a 2 , a 3 )  3 . 

Uma vez que a1, a2 e a3 são números reais arbitrários, os


coeficientes (a1 + a3c1) e (a2 + a3c2) são números reais também
arbitrários. Assim, k1 = a1 + a3c1 e k2 = a2 + a3c2 são dois
números reais arbitrários e podemos escrever

 
k 1 x 1  k 2 x 2 
W   2
.
  ( k 1 , 2 k 1  k 2 , k 1  2 k 2 ) para todo (k 1 , k 2 )   

122
Volte ao Exemplo 4.4.1, procure pela expressão para W,
    
compare e conclua que W   [x 1 , x 2 , x 3 ]  [ x1 , x 2 ]  W. Isso

sugere que a inclusão de vetores do tipo x 3 (combinação linear)
em um dado conjunto de vetores não altera o subespaço
gerado pelo conjunto dado. Discutiremos mais sobre esse
aspecto dos subespaços gerados na Seção 4.5.

Exemplo 4.4.3 – Sejam V = P2 o espaço vetorial definido no


  
Exemplo 4.2.2 para n = 2 e x1  1  3x  x 2 , x 2  1  x, x 3  4  x 2

e x 4  6  2 x  V . De acordo com a Definição 4.4.1, uma
   
combinação linear de x 1 , x 2 , x 3 e x 4 é um vetor da forma

   
a 1 x1  a 2 x 2  a 3 x 3  a 4 x 4
 a 1 (1  3x  x 2 )  a 2 (1  x )  a 3 ( 4  x 2 )  a 4 (6  2 x )
 (a 1  a 2  4a 3  6a 4 )  (3a 1  a 2  2a 4 ) x  (a 1  a 3 ) x 2 ,

onde a1, a2, a3 e a4  . De acordo com o Lema 4.4.1, o


conjunto

(a 1  a 2  4a 3  6a 4 )  (3a1  a 2  2a 4 ) x  (a 1  a 3 ) x 2 
W 
para todo (a 1 , a 2 , a 3 , a 4 )   4 
   
 [ x1 , x 2 , x 3 , x 4 ]  [1  3x  x 2 , 1  x, 4  x 2 , 6  2x]

é um subconjunto de V. Além disso, o Teorema 4.4.1 garante


que W é um subespaço vetorial de V, sendo denominado
   
subespaço gerado por x 1 , x 2 , x 3 e x 4 ou subespaço das
   
combinações lineares de x 1 , x 2 , x 3 e x 4 .

123
Exemplo 4.4.4 – Vamos considerar o mesmo espaço vetorial

V = P2 e vamos remover x 4 do conjunto de vetores do Exemplo
       
4.4.3. Note que x 4  x 1  x 2  x 3 e, portanto, x 4  [ x 1 , x 2 , x 3 ].
  
Vamos determinar o subespaço W   [ x 1 , x 2 , x 3 ]. De acordo
com o Lema 4.4.1,

  

W   a 1 x 1  a 2 x 2  a 3 x 3 para todo (a 1 , a 2 , a 3 )   3 
    
a 1 x 1  a 2 x 2  a 3 x 3  a 4 x 4  a 4 x 4 
 4 
para todo (a 1 , a 2 , a 3 , a 4 )   
      
a 1 x 1  a 2 x 2  a 3 x 3  a 4 x 4  a 4 ( x 1  x 2  x 3 ) 
 4 
para todo (a 1 , a 2 , a 3 , a 4 )   
   
(a 1  a 4 ) x 1  (a 2  a 4 ) x 2  (a 3  a 4 ) x 3  a 4 x 4 
 4 .
para todo (a 1 , a 2 , a 3 , a 4 )   

Uma vez que a1, a2, a3 e a4 são números reais arbitrários, os


coeficientes (a1 – a4), (a2 – a4) e (a3 – a4) são números reais
também arbitrários. Assim, k1 = a1 – a4, k2 = a2 – a4, k3 = a3 – a4
e k4 = a4 são quatro números reais arbitrários e podemos
escrever
   
W   {k 1 x 1  k 2 x 2  k 3 x 3  k 4 x 4
 (k 1  k 2  4k 3  6k 4 )  (3k 1  k 2  2k 4 ) x  (k 1  k 3 ) x 2
para todo (k 1 , k 2 , k 3 , k 4 )   4 }.

Volte ao Exemplo 4.4.3, procure pela expressão para W,


      
compare e conclua que W   [x 1 , x 2 , x 3 ]  [x 1 , x 2 , x 3 , x 4 ]  W.

Isso sugere que a remoção de vetores do tipo x 4 (combinação

124
linear) de um dado conjunto de vetores não altera o subespaço
gerado pelo conjunto dado. Discutiremos esse aspecto dos
subespaços gerados a seguir.

4.5. DEPENDÊNCIA E INDEPENDÊNCIA LINEAR

Além de ilustrarem os conceitos de combinação linear e de


subespaço gerado por um dado conjunto de vetores de um
espaço vetorial, os Exemplos 4.4.1 até 4.4.4 sugerem que

a inclusão no conjunto de um vetor que é combinação linear de


vetores do conjunto dado

ou

a remoção do conjunto de um vetor que é combinação linear de


outros vetores do conjunto dado

não altera o subespaço gerado. A seguir, demonstramos a


invariância do subespaço gerado, admitindo um número
arbitrário de inclusões ou remoções de vetores com as
características supramencionadas.
  
Sejam V um espaço vetorial com corpo K, X  {x1 , x 2 , x r }
  
um conjunto de r vetores  V e Y  {y1 , y 2 , ys } um conjunto
de s vetores  V. Cada vetor do conjunto Y é uma combinação
linear de vetores do conjunto X, isto é,

 r

y    c j x j ,
j1

125
onde  = 1 : s e os coeficientes cj são conhecidos. Vamos
mostrar que o subespaço gerado pelos vetores dos conjuntos X e
Y é igual ao subespaço gerado pelos vetores do conjunto X. O
subespaço gerado pelos vetores de X e Y pode ser expresso na
sequência de igualdades

   
[ x1 ,  x r , y1,  ys ]
 r  s
 
  a i x i   b  y , a1 ,  a r , b1 ,  b s  K 
 i 1  1 
 r  s  r   
  a i x i   b    cjx j , a1 ,  a r , b1 ,  bs  K 
 i 1  1  j1  
 r  r
 s  
  a i x i     b cj  x j , a1 ,  a r , b1 ,  bs  K 
 i 1 j 1   1  
 r  r
 s 
  a i x i   d jx j , d j   b cj , a1 ,  a r , b1 ,  bs  K 
 i 1 j 1  1 
 r
 r
 
  (a i  d i ) x i   k i x i , k1 ,  k r  K 
 i 1 i 1 
 
 [ x1,  x r ],

que é o subespaço gerado pelos vetores do conjunto X. Uma vez


que s é arbitrário, a invariância do subespaço gerado se verifica
para um número arbitrário de inclusões/remoções de vetores que
são combinações lineares de vetores do conjunto X. #
Esses desenvolvimentos sugerem a seguinte situação: dado
 
um conjunto U  {u1 , u n } de n vetores pertencentes a V, é
possível que existam em U alguns vetores “do conjunto Y”, isto
é, vetores que são combinações lineares de outros vetores de U e

126
que, portanto, podem ser desconsiderados na geração do
 
subespaço W  [u1 , u n ] de V. Porém, antes de pensar em
remover vetores “desnecessários” de um dado conjunto U para
gerar W mais eficientemente, isto é, com menos vetores, é
conveniente saber se há vetores desnecessários a remover.
 
Dado um conjunto U  {u1,u n } de n vetores  V, existe
um procedimento clássico que permite identificar se há pelo

menos um vetor u i  U que é combinação linear de vetores

u j  U , j  i. Esse procedimento é baseado  na solução da
  
equação homogênea a 1u 1  a 2 u 2   a n u n  0 V a n incógnitas
escalares a1, a2,... an. Note que a n-upla (a1, a2,... an) = (0, 0,... 0)
é sempre solução dessa equação homogênea, quaisquer que
 
sejam os vetores u1 , u n de U. Essa é a chamada solução
trivial da equação homogênea. Vamos agora considerar dois
casos mutuamente exclusivos e conjuntamente completos para a
solução trivial da equação homogênea.

a) Se a solução trivial não é solução única da equação, isto é, se


existe uma n-upla ordenada (a1, a2,... an)  (0, 0,... 0) que é
solução da equação homogênea, então existe pelo menos uma
incógnita ai  0. Isso significa que podemos reformular a
equação homogênea e escrever

  1    
u i    (a 1u 1   a i 1u i 1  a i 1u i 1   a n u n ),
 ai 


pois ai  0. Portanto, existe pelo menos um vetor u i  U que é

combinação linear de vetores u j  U , j  i.

127
   
Resumindo: Se a equação homogênea a1u1  a 2 u 2   a n u n  0V
possui solução diferente da solução trivial, então existe pelo

menos um vetor u i  U que é combinação linear de vetores

u j  U , j  i. Nesse caso, U é um conjunto linearmente
dependente (LD) em V.

b) Se a solução trivial (0, 0,... 0) é solução única da equação,



isto é, a1 = a2... = an = 0, então não existe um vetor u i  U que
possa ser expresso na forma

  1    
u i    (a 1u 1   a i 1u i 1  a i 1u i 1    a n u n ), X
 ai 

pois ai = 0 para todo i. Portanto, não existe vetor  U que seja


combinação linear de outros vetores de U.
   
Resumindo: Se a equação homogênea a 1u1  a 2 u 2   a n u n  0 V

possui solução única (trivial), então não existe vetor u i  U que

seja combinação linear de vetores u j  U , j  i. Nesse caso, U é
um conjunto linearmente independente (LI) em V.

Vamos ilustrar os conceitos de dependência e independência


linear com um exemplo de cada.

Exemplo 4.5.1 – Sejam V = 4 com o corpo escalar e as


operações definidas no Exemplo 4.2.1 para n = 4 e os vetores
  
u1  (1,0,1,1) , u 2  (0,1,2,0) , u 3  (1,1,0,2)  V. Vamos
  
determinar se o conjunto U  {u1 , u 2 , u 3 } de vetores  V é um
conjunto LD ou LI em V. Para tanto, vamos resolver a equação

128
   
homogênea a1u1  a 2u 2  a 3u 3  04 a três incógnitas a1, a2 e a3.
Se a solução trivial é única, então U é um conjunto LI em V. Se
existe solução diferente da trivial, então U é LD em V.

a 1 (1,0,1,1)  a 2 (0,1,2,0)  a 3 (1,1,0,2)  04  (0,0,0,0).

Das operações em 4, podemos escrever

(a 1  a 3 , a 2  a 3 , a 1  2a 2 , a 1  2a 3 )  (0,0,0,0).

Da igualdade entre dois vetores de 4, podemos escrever

a 1  a 3  0, a 2  a 3  0, a 1  2a 2  0, a 1  2a 3  0.

Essas equações formam um sistema de 4 equações lineares e


algébricas a 3 incógnitas a1, a2 e a3. Esse sistema pode ser
expresso na forma funcional extensa

 1a 1  0a 2  1a 3  0
 0a  1a  1a  0
 1 2 3

1a 1  2a 2  0a 3  0
1a 1  0a 2  2a 3  0.

A matriz ampliada desse sistema é

1 0 1 0
0 1 1 0
B .
1 2 0 0
 
1 0 2 0 4 x 4

129
Após aplicação do algoritmo de Gauss-Jordan, obtemos

1 0 0 0
0 1 0 0
BR   . (verifique!)
0 0 1 0
 
0 0 0 0 4 x 4

  
Portanto, (a1,a2,a3) = (0,0,0) é solução única, e U  {u1 , u 2 , u 3 } é
um conjunto LI em V, isto é, não existe vetor de U que seja
combinação linear de outros vetores de U.

Exemplo 4.5.2 – Sejam V = P3 com o corpo escalar e as


operações definidas no Exemplo 4.2.2 para n = 3 e
   
u1  x  3x 2  4x3 , u 2  1  2x, u 3  x 2  2x3 , u 4  x  2x3  V . Vamos
   
determinar se o conjunto U  {u 1 , u 2 , u 3 , u 4 } de vetores  V é
um conjunto LD ou LI em V. Para tanto, vamos  resolver a
   
equação homogênea a1u1  a 2 u 2  a 3u 3  a 4 u 4  0P3 a quatro
incógnitas a1, a2, a3 e a4. Se a solução trivial é única, então U é
um conjunto LI em V. Se existe solução diferente da trivial,
então U é um conjunto LD em V.

a1 ( x  3x 2  4 x 3 )  a 2 (1  2 x )  a 3 ( x 2  2 x 3 )  a 4 ( x  2x 3 )  0P3
 0  0 x  0 x 2  0x 3 .

Das operações em P3, podemos escrever

a 2  (a1  2a 2  a 4 )x  (3a1  a 3 )x 2  (4a1  2a 3  2a 4 )x 3 


0  0x  0x 2  0x 3 .

130
Da igualdade entre dois vetores de P3, podemos escrever

a 2  0, a 1  2a 2  a 4  0,  3a 1  a 3  0, 4a 1  2a 3  2a 4  0.

Uma vez que a2 = 0, vamos substituir a2 por 0 nessas equações e


obter

a 1  a 4  0,  3a 1  a 3  0, 4a 1  2a 3  2a 4  0.

Essas equações formam um sistema de 3 equações lineares e


algébricas a 3 incógnitas a1, a3 e a4. Esse sistema pode ser
expresso na forma funcional extensa

1a 1  0a 3  1a 4  0

(3)a 1  1a 3  0a 4  0
4a  (2)a  (2)a  0.
 1 3 4

A matriz ampliada desse sistema é

 1 0 1 0

B   3 1 0 0 .
 4  2  2 0 3 x 4

Após aplicação do algoritmo de Gauss-Jordan, obtemos

 1 0 1 0
B R  0 1 3 0 . (verifique!)
0 0 0 0 3 x 4

131
A solução do sistema associado pode ser expressa na forma

a1 = –a4, a3 = –3a4, a4   ou a1 = –k, a3 = –3k, a4 = k, k  .

Portanto, a solução da equação homogênea é

(a1, a2, a3, a4) = (–k, 0, –3k, k), k  .

Uma vez que existe solução diferente da trivial,


   
U  {u 1 , u 2 , u 3 , u 4 } é um conjunto LD em V, isto é, existe pelo

menos um vetor u i  U que é combinação linear de vetores

u j  U , j  i. Neste exemplo, faça k = 1 e verifique que
  
u 4  u1  3u 3 .

4.6. BASE E DIMENSÃO DE UM ESPAÇO VETORIAL

Uma vez estabelecidos os conceitos de combinação linear,


subespaço gerado, dependência e independência linear de um
conjunto de vetores pertencentes a um espaço vetorial, estamos
aptos a caracterizar conjuntos especiais de vetores na

Definição 4.6.1 – Uma base de um espaço vetorial V é


 
qualquer conjunto {u1 , u n } de vetores  V que satisfaz as
condições
   
i) [u1 , u n ]  V e ii) {u1 , u n } é LI em V. Em poucas
palavras, uma base de V é qualquer conjunto LI em V que
gera V.

Vamos ilustrar o conceito de base de um espaço vetorial com


alguns exemplos.

132
Exemplo 4.6.1 – Sejam V = 3 com o corpo escalar e as
operações definidas no Exemplo 4.2.1 para n = 3 e o conjunto
U = {(1,2,3), (0,1,1), (2,–1,–1)} de vetores  V. Vamos fazer
uso da Definição 4.6.1 para determinar se U é uma base de V.

i) Para a condição i da Definição 4.6.1, vamos verificar se a


equação vetorial

c1(1,2,3) + c2(0,1,1) + c3(2,–1,–1) = (x1, x2, x3)

a 3 incógnitas c1, c2 e c3 tem solução para todo vetor


 3 3
x  ( x1 , x 2 , x 3 )   . Das operações definidas em  , podemos
escrever

(c1 + 2c3, 2c1 + c2 – c3, 3c1 +c2 – c3) = (x1, x2, x3).

Da igualdade entre dois vetores de 3, podemos escrever

c1 + 2c3 = x1, 2c1 + c2 – c3 = x2 e 3c1 +c2 – c3 = x3.

Essas equações formam um sistema de 3 equações lineares e


algébricas a 3 incógnitas c1, c2 e c3. Podemos escrever esse
sistema da forma funcional extensa

1c1  0c 2  2c 3  x1

2c1  1c 2  (1)c 3  x 2
3c  1c  (1)c  x .
 1 2 3 3

A matriz ampliada desse sistema é

133
 1 0 2 x1 
B   2 1  1 x 2  .
 3 1  1 x 3  3 x 4

Após aplicação do algoritmo de Gauss-Jordan, obtemos

1 0 0 ( x 2  x 3 )
B R  0 1 0 ( x 1  7 x 2  5x 3 ) / 2 . (verifique!)

0 0 1 (x 1  x 2  x 3 ) / 2 3x 4

Portanto, a equação vetorial tem solução

(c1,c2,c3) = (–x2 +x3, (x1 +7x2 –5x3)/2, (x1 +x2 –x3)/2)


para todo x  (x1 , x 2 , x3 )  3. Assim, mostramos que todo vetor
pertencente a 3 é combinação linear dos vetores de U e,
portanto, podemos escrever 3W = [(1,2,3),(0,1,1),(2,–1,–1)].
Uma vez que W é um subespaço vetorial de 3, conforme o
Teorema 4.4.1, W  3. Uma vez que 3W  3, concluímos
que W = 3. 
ii) Vamos resolver a equação homogênea

a1(1,2,3) + a2(0,1,1) + a3(2,–1,–1) = (0,0,0)

a 3 incógnitas a1, a2 e a3. Das operações definidas em 3 e da


igualdade entre dois vetores de 3, podemos escrever

134
a1 + 2a3 = 0, 2a1 + a2 – a3 = 0 e 3a1 + a2 – a3 = 0.

Esse sistema de três equações lineares e algébricas a três


incógnitas a1, a2 e a3 pode ser escrito da forma funcional extensa

1a 1  0a 2  2a 3  0

2a 1  1a 2  (1)a 3  0
3a  1a  (1)a  0.
 1 2 3

Dessa forma, a matriz ampliada do sistema é

 1 0 2 0
B   2 1  1 0 .
 3 1  1 0 3x 4

Observe que essa matriz ampliada pode ser obtida da matriz


ampliada da condição i para x1 = x2 = x3 = 0. Portanto, podemos
escrever

 1 0 0 0
B R  0 1 0 0 .
0 0 1 0 3x 4

Uma vez que (a1, a2, a3)= (0, 0, 0) é solução única do sistema, a
solução trivial é a única solução da equação homogênea.
Portanto, o conjunto U é LI em 3. 
Uma vez que U satisfaz as condições i e ii da Definição 4.6.1,
U é uma base de 3.

135
Analogamente às etapas indicadas no Exemplo 4.6.1, é possível
mostrar que o conjunto

{(1,0,0), (0,1,0), (0,0,1)}

de vetores  3 é uma base de 3. Essa base é denominada base


canônica ou natural de 3. A base canônica de n é uma
extensão imediata da base canônica de 3 para n arbitrário, n
inteiro positivo, podendo ser expressa na forma

{(1,0,...0), (0,1,...0),... (0,0,...1)}.


  
u1 u2 un

Exemplo 4.6.2 – Sejam V = P1 com o corpo escalar e as


operações definidas no Exemplo 4.2.2 para n = 1 e o conjunto
U  {1  x , 1  x}  V. Vamos fazer uso da Definição 4.6.1 para
determinar se U é uma base de V.

i) Para a condição i da Definição 4.6.1, vamos verificar se a


equação vetorial

c0(1–x) + c1(1+x) = r0 + r1x

a duas incógnitas c0 e c1 tem solução para todo vetor



x  r0  r1 x  P1. Das operações em P1, podemos escrever

(c0 + c1) + (–c0 + c1)x = r0 + r1x.

Da igualdade entre dois vetores de P1, podemos escrever

c0 + c1 = r0 e – c0 +c1 = r1.

136
Essas equações formam um sistema de 2 equações lineares e
algébricas a 2 incógnitas c0 e c1, cuja solução é

(c0, c1) = ((r0 – r1)/2, (r0 + r1)/2). (verifique!)

Portanto, a equação vetorial tem solução (c0, c1) para todo vetor

x  r0  r1 x  P1. Assim, mostramos que todo vetor  P1 é
combinação linear dos vetores de U e, portanto, podemos
escrever P1  W = [1–x, 1+x]. Uma vez que W é um subespaço
vetorial de P1, conforme o Teorema 4.4.1, W  P1. Uma vez que
P1  W  P1, concluímos que W = P1. 
ii) Vamos resolver a equação homogênea

a0(1–x) + a1(1+x) = 0 + 0x

a duas incógnitas a0 e a1. Das operações definidas em P1 e da


igualdade entre dois vetores de P1, podemos escrever

a0 + a1 = 0 e –a0 + a1 = 0.

Esse sistema de 2 equações lineares e algébricas a 2 incógnitas


possui solução única (a0, a1) = (0,0) (verifique!). Uma vez que a
solução trivial (a0, a1)= (0,0) é a única solução da equação
homogênea, o conjunto U é LI em P1. 
Uma vez que o conjunto U satisfaz as condições i e ii da
Definição 4.6.1, U é uma base de P1.

137
Analogamente às etapas indicadas no Exemplo 4.6.2, é possível
mostrar que o conjunto

{1, x, x2, x3,... xn}

de vetores  Pn é uma base de Pn, n inteiro positivo. Para n


infinito, Pn = P = P, o espaço vetorial dos polinômios com
coeficientes reais. O conjunto infinito {1, x, x2, x3,...} de vetores
pertencentes a P é uma base de P.

Vamos finalizar esta seção com algumas observações e alguns


resultados adicionais.

a) O espaço vetorial
 trivial {0 V } não possui base, pois o único
conjunto U = {0 V } candidato a base não satisfaz a condição ii
da  Definição
 4.6.1. Observe que a equação homogênea
 0 V tem infinitas soluções a1  K. Portanto, o conjunto
a1 0 V 
U = {0 V } é LD em V.
  
b) Sendo W  [u1 , u 2 , u n ] um subespaço vetorial de V, W é
um espaço vetorial com o mesmo corpo escalar e as mesmas
operações definidas em V, como visto na Seção 4.3. Assim, para
  
saber se o conjunto U  {u1 , u 2 , u n } é ou não é uma base do
espaço vetorial W, basta testar a condição ii da Definição
4.6.1, pois a condição i é imediatamente satisfeita pela
definição de W.

c) No Exemplo 4.6.1, as bases U e canônica de V = 3 possuem


um número finito de vetores. Além disso, as bases U e canônica
de V = 3 possuem o mesmo número de vetores (no caso, três
vetores em cada base). No Exemplo 4.6.2, resultados similares

138
valem para V = P1 (no caso, dois vetores na base U e na base
{1, x}). Isso não é mera coincidência. Se um espaço vetorial V
possui uma base com um número finito n de vetores, então
qualquer base de V possui n vetores. A seguir, fazemos uso do
 
“Lema 4.6.1 – Sejam C1  {x1 , x n } , n finito, uma base do
 
espaço vetorial V e C 2  {y1 , y s } um conjunto qualquer de s
vetores de V. Se s > n, então C2 é LD em V”,

cuja demonstração se encontra no Anexo C, para provar que, se


um espaço vetorial V possui uma base com um número finito n
de vetores, então qualquer base de V possui n vetores.
   
Prova: Sejam   {u1 ,u n } , n finito, e   {v1 , vm } duas bases
de V. Uma vez que  é base de V com n vetores, n finito, e  é
um conjunto LI em V (condição ii da definição de base), m  n,
pois, do contrário (m > n),  seria um conjunto LD em V,
conforme o Lema 4.6.1. Uma vez que m  n e n é finito, m é
finito.

Por outro lado, uma vez que  é uma base de V com m vetores,
m finito, e  é um conjunto LI em V (condição ii da definição de
base), n  m, pois, do contrário (n > m),  seria um conjunto LD
em V, conforme o Lema 4.6.1. Uma vez que m  n e n  m,
temos m  n  m. Portanto, m = n, isto é, duas bases quaisquer
de V possuem o mesmo número (finito) de vetores. #

O número de vetores em qualquer base de V é denominado


dimensão do espaço vetorial V (dim V). Dos Exemplos 4.6.1 e
4.6.2, dim 3 = 3, dim P1 = 2 e dim Pn = n + 1. Observe que a

139
base {1, x, x2, x3,...} de V = P possui um número infinito de
vetores. Nesse e em outros casos análogos, dizemos que V é um
espaço vetorial de dimensão infinita (dim V = ).

d) Sejam V um espaço vetorial com corpo escalar K e dimensão


  
n e U  {u1, u2 , un } uma base ordenada de V, isto é, U é um
conjunto ordenado de n vetores que formam uma base de V.

Qualquer vetor x  V pode ser expresso como uma combinação
   
linear dos vetores de U, isto é, x  x 1u1  x 2 u 2   x n u n , onde a

n-upla ordenada (x1, x2,... xn)  Kn são as coordenadas de x na
base ordenada U de V. Vamos mostrar que as coordenadas de
um vetor  V em uma base ordenada de V são únicas, isto é,

dada uma base ordenada U de V e dado um vetor x  V , existe
uma e somente uma n-upla ordenada (x1, x2,... xn)  Kn tal que
   
x  x 1u 1  x 2 u 2   x n u n . Para tanto, admitimos que as n-uplas
ordenadas (x1, x2,... xn) e (1, 2,... n)  Kn são coordenadas de

x na base ordenada U de V e provamos que essas n-uplas
ordenadas são iguais. Uma vez que (x1, x2,... xn) e (1, 2,... n)

são coordenadas de x na base ordenada U de V, podemos
       
escrever x  x 1u 1  x 2 u 2   x n u n e x  1u 1   2 u 2    n u n .
Multiplicando a segunda combinação linear por (1) e
adicionando o resultado à primeira, obtemos

     
( x 1  1 ) u 1  ( x 2   2 ) u 2   ( x n   n )u n  x  (  x )  0 V ,

 
onde (x ) é o vetor oposto de x , veja as propriedades 6 e IV
dos espaços vetoriais na Seção 4.2. Uma vez que U é um
conjunto LI em V (condição ii da Definição 4.6.1), a solução
trivial é solução única dessa equação homogênea. Portanto,

140
( x 1  1 )  ( x 2   2 )    ( x n   n )  0
 x 1  1 , x 2   2 ,  x n   n .


Uma vez que x é arbitrário, as coordenadas de um vetor  V
em uma base ordenada de V são únicas. #

Em outras palavras, existe uma correspondência biunívoca


(um para um) entre os vetores de um espaço vetorial V com
corpo escalar K e dimensão n e os vetores do espaço vetorial Kn.
Essa correspondência ilustra o caráter unificador da teoria dos
espaços vetoriais, como observamos na Seção 4.1, e sugere que
desenvolvimentos efetuados no espaço vetorial Kn, como os
apresentados nas Seções 5.2, 6.2 e 6.3 deste livro, podem ser
estendidos a espaços vetoriais arbitrários.

4.7. EXERCÍCIOS

1) Faça n = 4 no Exemplo 4.2.1 e reproduza integralmente (sem


uso de reticências) os testes das 10 propriedades da Definição
4.2.1.

2) Faça o mesmo para n = 3 no Exemplo 4.2.2.


 
3) Dados os vetores u  (1,0,1,2,1) , v  (2,3,1,5,4) e

w  (0,1,0,3,2) do espaço vetorial 5, faça uso das operações
de adição e de multiplicação por escalar definidas no Exemplo
4.2.1 para n = 5 e determine:
      
i) u  2v ; ii) 5v  3(w ) ; iii) u  (2v  4w ) .

141
 
4) Dados os vetores u  1  x , v  3  4x  (1) x 2  2x 3 e

w  7  (5)x  4 x 2  (1)x 3 do espaço vetorial P3, faça uso das
operações de adição e de multiplicação por escalar definidas no
Exemplo 4.2.2 para n = 3 e determine:

      
i) u  2v ; ii) 5v  3(w ) ; iii) u  (2v  4w ) .

5) Sejam V = P3 e W = {u0 + u1x + u2x2 + u3x3  P3 / u0 = u1}


com o mesmo corpo escalar e as mesmas operações de adição e
de multiplicação por escalar definidas em V. Faça uso do
Corolário 4.3.1 e mostre que W é um subespaço vetorial de V.

6) Considere W  {0 V } com as mesmas operações definidas em
um espaço vetorial V com corpo escalar K. Faça uso do
Corolário 4.3.1 e mostre que W é um subespaço vetorial de V
(W é usualmente denominado subespaço trivial de V).

7) Seja W o conjunto-solução de um sistema consistente de  m



equações
 lineares
 e algébricas a n incógnitas A mxn x nx1  b mx1 ,
onde b mx1  0 mx1 , com o mesmo corpo escalar e as operações
definidas em V = n. Mostre que nenhuma das condições do
Corolário 4.3.1 é satisfeita em W (Sugestão: use o Exemplo
4.3.4 como referência).
  
8) Dados os vetores x1  1  x , x 2  1  x e x 3  1  2x  x 2  P2,
determine as seguintes combinações lineares:
       
i) y1  3x 1  2x 2  7 x 3 ; ii) y 2   x1  3x 2  x 3 ;
   
iii) y 3  5x 1  x 2  3x 3 .

142
  
9) Dados os vetores x 1  (1,1,0) , x 2  (1,1,2) e x 3  (1,4,1)
 3, determine:
  
i) W  [x 1 , x 2 , x 3 ] ;

ii) os valores dos coeficientes a1, a2 e a3 para x  (0,11,7) .

10) Sejam V = 3 com o corpo escalar e as operações definidas


 
no Exemplo 4.2.1 para n = 3 e u1  (2,3,1) , u 2  (1,4,7) ,
   
u 3  (0,5,13)  V. Determine se o conjunto {u 1 , u 2 , u 3 } é LD
ou LI em V (Sugestão: use o Exemplo 4.5.1 como referência).

11) Sejam V = P4 com o corpo escalar e as operações definidas



no Exemplo 4.2.2 para n = 4 e w 1  1  2 x  x 3 ,
  
w 2  5x 2  x 3  2 x 4 , w 3   x  x 2  3x 3 , w 4  3  5x  V.
   
Determine se o conjunto {w 1 , w 2 , w 3 , w 4 } é LD ou LI em V
(Sugestão: use o Exemplo 4.5.2 como referência).

12) Sejam V = 4 com o corpo escalar e as operações definidas


no Exemplo 4.2.1 para n = 4 e o conjunto U = {(0,–3,2,1),
(1,0,1,4), (–2,–5,7,0), (–1,1,0,–8)} de vetores  V. Determine se
o conjunto U é ou não é uma base de 4 (Sugestão: use o
Exemplo 4.6.1 como referência).

13) Sejam V = P2 com o corpo escalar e as operações definidas


no Exemplo 4.2.2 para n = 2 e o conjunto U = {1–x, 1–x2} de
vetores  V. Determine se o conjunto U é ou não é uma base de
P2 (Sugestão: use o Exemplo 4.6.2 como referência).

143
Capítulo 5

TRANSFORMAÇÕES LINEARES

Neste capítulo, introduzimos o conceito de transformação linear


de um espaço vetorial V em um espaço vetorial W e ilustramos
esse conceito com alguns exemplos. Em seguida, consideramos a
representação matricial de uma transformação linear de n em
m, apresentamos um procedimento para a determinação da
matriz real m x n associada a uma transformação linear de n em
m e ilustramos esse procedimento com alguns exemplos de
interesse prático. Finalizando este capítulo, definimos imagem e
núcleo de uma transformação linear T de V em W, mostramos
que a imagem de T e o núcleo de T são subespaços vetoriais de
W e V, respectivamente, e estabelecemos relações envolvendo
esses subespaços vetoriais e duas classes de transformações:
sobrejetora e injetora.

5.1. DEFINIÇÕES E EXEMPLOS

Como a denominação sugere, uma transformação linear é um


tipo (linear) de transformação. Assim, consideramos oportuno
iniciar nosso estudo de transformações lineares com a definição
de uma transformação de um conjunto não vazio V em um
conjunto não vazio W (não necessariamente espaços vetoriais).

Definição 5.1.1 – Sejam V e W dois conjuntos não vazios


quaisquer. Uma transformação T de V em W é uma associação
entre V e W onde cada elemento v  V se associa a um e
somente um elemento w  W, para o qual empregamos a

144
notação T(v). Formalmente, T é uma transformação de V em W
se, e somente se, T(v)  W é definido para todo v  V.

Exemplo 5.1.1 – Considere V = {a, b, c, d}, W = {1, 2, 3} e a


associação T entre V e W ilustrada na figura a seguir.

V a W

b 1

c 2

d 3

Uma vez que T(v)  W é definido para todo v  V, a


associação T entre V e W é uma transformação de V em W,
conforme a Definição 5.1.1. É comum o emprego da notação
T: V  W para uma transformação de V em W.
Neste capítulo, estamos interessados em transformações onde
V e W são espaços vetoriais com o mesmo corpo escalar.
Além disso, as transformações devem preservar as duas
propriedades básicas dos espaços vetoriais: as propriedades 1
(fecho aditivo) e 2 (fecho multiplicativo) da Definição 4.2.1.
Vamos repetir essas propriedades aqui. Dado um espaço vetorial
V com corpo escalar K,
   
1) para quaisquer v1 e v 2  V, (v1  v 2 )  V e
 
2) para quaisquer k  K e v1  V , kv1  V.

145
Sejam V e W espaços vetoriais com o mesmo corpo escalar K,
   
v 1 e v 2  V , w 1 e w 2  W e k  K. Estamos interessados em
transformações T: V  W tais que
   
a) se T(v1 )  w1 e T(v2 )  w 2 , então
     
T(v1  v 2 )  w1  w 2  T(v1 )  T(v 2 )
e
    
b) se T( v1 )  w 1 , então T(kv1 )  kw 1  kT( v1 ),
 
isto é, T associa o vetor-soma ( v1  v 2 )  V ao vetor-soma
     
( w 1  w 2 )  W e T associa kv1  V a kw 1  W , onde v1 , v 2 e
k são arbitrários. As transformações que satisfazem as
propriedades (a) e (b) são denominadas transformações lineares.
Formalizamos essa denominação na

Definição 5.1.2 – Sejam V e W dois espaços vetoriais com o


mesmo corpo escalar K. Uma transformação linear T: V  W
é uma transformação de V em W que satisfaz as condições
     
i) para quaisquer v1 e v 2  V, T( v1  v 2 )  T(v1 )  T( v 2 ) e
  
ii) para quaisquer k  K e v1  V , T ( kv 1 )  kT ( v1 ).

Vamos ilustrar essa definição com alguns exemplos.

Exemplo 5.1.2 – Sejam V = 2, W = 3 e T: 2  3 tal que


T(x, y) = (2x, 0, x + y). Vamos considerar a Definição 5.1.2 e
verificar se T dada é ou não é uma transformação linear de 2
 
em 3. Vamos considerar os vetores v1  (x1, y1 ) e v 2  (x 2 , y 2 )
 2, o escalar k   e testar as condições

146
 
i ) T ( v1  v 2 )  T ( x 1  x 2 , y1  y 2 )
 ( 2( x1  x 2 ),0, ( x1  x 2 )  ( y1  y 2 ))
 ( 2 x1  2 x 2 ,0, ( x1  y1 )  ( x 2  y 2 )) 
 ( 2 x1 ,0, x 1  y1 )  ( 2 x 2 ,0, x 2  y 2 )
 
 T ( x 1 , y1 )  T ( x 2 , y 2 )  T ( v1 )  T ( v 2 ).

ii ) T ( kv 1 )  T ( kx 1 , ky 1 )  ( 2 kx 1 ,0, kx 1  ky 1 )

 k ( 2 x 1 ,0, x 1  y1 )  kT ( x 1 , y1 )  kT ( v1 ).

Uma vez que T é uma transformação de 2 em 3 que satisfaz
as condições i e ii da Definição 5.1.2, T é uma transformação
linear de 2 em 3.

Exemplo 5.1.3 – Sejam V = W = 2 e T: 2  2 tal que


T(x, y) = (x2 + y2, x2 – y2). Vamos considerar a Definição 5.1.2 e
verificar se T dada é ou não é uma transformação linear de 2
 
em 2. Vamos considerar os vetores v1  (x1 , y1 ) e v2  (x 2 , y2 )
 2, o escalar k   e testar as condições
 
i) T( v1  v2 )  T(x1  x 2 , y1  y2 )
 ((x1  x 2 )2  ( y1  y2 )2 , (x1  x 2 )2  ( y1  y2 )2 )
 (x12  x 22  y12  y22  2x1x 2  2y1y2 , x12  x 22  y12  y22  2x1x 2  2y1y2 ).
 
Vamos calcular T(v1 )  T(v2 ) e comparar com o resultado
anterior.
 
T( v1 )  T( v 2 )  T( x1, y1 )  T( x 2 , y 2 )
 ( x12  y12 , x12  y12 )  ( x 22  y 22 , x 22  y 22 )
 ( x12  x 22  y12  y 22 , x12  x 22  y12  y 22 ).

147
   
Uma vez que T(v1  v2 )  T(v1 )  T(v 2 ) para x1x2 ou y1y2  0, a
condição i da Definição 5.1.2 não é satisfeita para todo
  2
v1 e v 2   2 . Portanto, T não é uma transformação linear de 
2
em  .

Exemplo 5.1.4 – Sejam V = Pn, W = Pn+1 e T: Pn  Pn+1 tal que

dp
T ( p)   p dx, p  Pn.
dx 

Vamos considerar a Definição 5.1.2 e verificar se T dada é ou


não é uma transformação linear de Pn em Pn+1. Vamos considerar
 
os vetores v1  p1 e v 2  p 2  Pn, o escalar k   e testar as
condições

  d
i) T( v1  v 2 )  T(p1  p 2 )  (p1  p 2 )   (p1  p 2 ) dx
dx
dp dp
 1  2   p1 dx   p 2 dx
dx dx 
dp dp
 1   p1 dx  2   p 2 dx
dx dx
 
 T(p1 )  T( p 2 )  T ( v1 )  T( v 2 ).

 d
ii ) T ( k v1 )  T ( kp 1 )  ( kp 1 )   ( kp 1 ) dx
dx
dp  dp
 k 1  k  p1 dx  k  1   p1 dx 
 
dx  dx 

 kT ( p1 )  kT ( v1 ).

148
Uma vez que T é uma transformação de Pn em Pn+1 que satisfaz
as condições i e ii da Definição 5.1.2, T é uma transformação
linear de Pn em Pn+1.

Exemplo 5.1.5 – Sejam V e W espaços vetoriais com o mesmo


 
corpo escalar K e T: V  W tal que T ( v)  0 W (transformação
nula de V em W). Vamos considerar a Definição 5.1.2 e
verificar se T dada é ou não é uma transformação linear de V em
 
W. Vamos considerar os vetores v1 e v 2  V, o escalar k  K e
testar as condições

      
i) T ( v1  v 2 )  T ( v), v  V  T ( v1  v 2 )  0 W .

Por outro lado,

    
T ( v1 )  T ( v 2 )  0 W  0 W  0 W .

   
Portanto, T(v1  v 2 )  T(v1 )  T( v 2 ). 
    
ii ) T (kv1 )  T ( v), v  V  T (kv1 )  0 W .

Por outro lado,

  
kT( v1 )  k 0 W  0 W.

 
Portanto, T(kv1 )  kT( v1 ). 
149
Uma vez que T é uma transformação de V em W que satisfaz as
condições i e ii da Definição 5.1.2, T é uma transformação
linear de V em W.

Observe
  que a  condição ii da Definição 5.1.2 impõe
 
T(0 V )  0 W , pois 0 V  0v1 , v1  V, e
    
T ( 0 V )  T ( 0 v1 )  0T ( v 1 )  0 w 1  0 W .

Portanto,
  se T é uma transformação linear de V em W, então
T (0V )  0W. Entretanto, a recíproca pode não ser verdadeira,
veja o Exemplo 5.1.3.

Exemplo 5.1.6 – Sejam V = n, W = m e T: n  m tal que


  
T(v)  Av, onde v   n é representado por uma matriz coluna
com n elementos, A é uma matriz real de ordem m x n e,

portanto, Av é uma matriz coluna com m elementos. Vamos
considerar a Definição 5.1.2 e verificar se T dada é ou não é
uma transformação linear de n em m. Vamos considerar os
 
vetores v1 e v 2  n, o escalar k   e testar as condições

       
i) T(v1  v2 )  A(v1  v2 )  Av1  Av 2  T(v1 )  T(v2 ). 
   
ii) T(kv1 )  A(kv1 )  k(Av1 )  kT(v1 ). 
Uma vez que T é uma transformação de n em m que satisfaz
as condições i e ii da Definição 5.1.2, T é uma transformação
linear de n em m. Para n = 2 e m = 3, vamos considerar a
matriz 3 x 2

150
2 0
A   0 0 
1 1  3 x 2

e calcular

 2 0  2x 
   x
T ( v )  Av  0 0     0  ou
 ( 2 x ,0, x  y).
y
1 1  3 x 2   2 x1  x  y  3 x1

Observe que essa é a transformação linear T: 2  3 do


Exemplo 5.1.2. Assim, ilustramos a representação de uma
transformação linear T: 2  3 por uma matriz real A3x2.
Vamos estender e formalizar essa representação matricial na
seção a seguir.

5.2. REPRESENTAÇÃO MATRICIAL DE UMA


TRANSFORMAÇÃO LINEAR T: n  m

Uma transformação linear T: n  m é uma associação dos


vetores de n a vetores de m que pode ser escrita da forma
funcional

T(v)  T(x1 , x 2 ,x n )
 (a11x1  a12 x 2   a 1n x n , a 21x1  a 22 x 2   a 2n x n ,
a m1x1  a m2 x 2   a mn x n ),

onde v  ( x 1 , x 2 , x n )  n e os números reais aij, i = 1 : m,
j = 1 : n, definem a transformação linear T: n  m. No
Exemplo 5.1.2, n = 2, m = 3 e

151

T( v)  T( x1 , x 2 )  ( 2 x1 ,0, x1  x 2 )
 (2 x1  0 x 2 ,0 x1  0 x 2 ,1x1  1x 2 ).

Nesse exemplo, a11 = 2, a12 = 0, a21 = 0, a22 = 0, a31 = 1 e a32 = 1.

Além de definirem a transformação linear T: 2  3 do


Exemplo 5.1.2, esses números reais definem a matriz A3x2 que
representa T: 2  3, veja o Exemplo 5.1.6. Isso não é mera
coincidência, pois, dada a forma funcional de uma transformação
linear T: n  m, podemos escrever T: n  m da forma
matricial

 a 11 x 1  a 12 x 2   a 1n x n 
 a x  a x  a x 

T ( v)   21 1 22 2 2n n 

  
 
a m1 x 1  a m 2 x 2   a mn x n  mx 1
 a 11 a 12  a 1n   x 1 
a  a 2 n   x 2 
a 22 
  21  Av.
        
   
 a m1 a m2  a mn  mxn  x n  nx 1

Dessa forma, identificamos prontamente a representação


matricial Amxn de uma transformação linear T: n  m.
Observe que, para identificar mais facilmente a representação
matricial Amxn de uma dada transformação linear T: n  m, é
conveniente expressar a transformação linear na forma funcional
indicada no início desta seção. Vamos ilustrar a representação
matricial de uma transformação linear T: n  m com alguns
exemplos.

152
Exemplo 5.2.1 – Sejam V = 4, W = 2 e T uma transformação
de 4 em 2 tal que T(x, y, z, w) = (y + x – w + z, w – 3y).
Mostre que T é uma transformação linear de 4 em 2.
Podemos reescrever a transformação T da forma funcional

T(x, y, z, w) = (y + x – w + z, w – 3y)
= (1x + 1y + 1z + (–1) w, 0x + (–3) y + 0z + 1w).

 
Portanto, T: 4  2 pode ser expressa na forma T(v)  Av,

onde v  [ x y z w ]1Tx 4 e

1 1 1 1
A .
0  3 0 1 2 x 4

Exemplo 5.2.2 – Sejam V = W = 2 e T: 2  2 a


transformação T(x, y) = (x, y),  > 0. Mostre que T é uma
transformação linear de 2 em 2. Essa transformação linear
corresponde a uma expansão/contração (dependendo do valor de
) de um vetor do 2. Podemos reescrever a transformação T da
forma funcional

T(x, y) = (x, y) = (x, y) = (x + 0y, 0x + y).


 
Portanto, T: 2  2 pode ser expressa na forma T(v)  Av,

onde v  [ x y]1Tx 2 e

 0 
A  .
 0  2 x 2

153
Exemplo 5.2.3 – Sejam V = W = 2 e T: V  W a
transformação T(x, y) = (x, –y). Mostre que T é uma
transformação linear de 2 em 2. Essa transformação linear
corresponde a uma reflexão no eixo x de um vetor do 2, veja a
figura a seguir.

y
( x 1 , y1 )
2

( x1 , y1 )

Podemos reescrever a transformação T da forma funcional

T(x, y) = (x, y) = (1x + 0y, 0x + (–1)y).

Portanto, a transformação T: 2  2 pode ser expressa na


  
forma T(v)  Av, onde v  [ x y]1Tx 2 e

 1 0
A  .
0  1 2 x 2

Exemplo 5.2.4 – Sejam V = W = 2 e T: 2  2 a



transformação T(x, y) = (x, y), onde v  ( x , y)   2 resulta

da rotação do vetor v  ( x , y)   2 de um ângulo  no sentido
anti-horário em torno da origem, veja a figura a seguir.

154
2

Y

y v
r

y 
v
 r

X
x x

 
O símbolo r na figura denota o comprimento dos vetores v e v .
Fazendo uso da figura e de um pouco de trigonometria, vamos
obter expressões para x e y em função de x, y e .

x = r cos(+) = r cos cos  r sen sen = x cos  y sen


y = r sen(+) = r sen cos + r cos sen = y cos + x sen

Assim, podemos escrever

T(x, y) = (x, y) = (cos x + (–sen) y, sen x + cos y).


 
Portanto, T: 2  2 pode ser expressa na forma T(v)  Av,

onde v  [ x y]1Tx 2 e

cos   sen
A  .
 sen cos  2 x 2

155
Observe que, para  fixo, T: 2  2 possui a forma funcional
indicada no início desta seção. Portanto, fixado um ângulo  de
rotação, T é uma transformação linear de 2 em 2.

5.3. TRANSFORMAÇÕES LINEARES E SUBESPAÇOS


ASSOCIADOS

Definição 5.3.1  A imagem de uma transformação linear T de



V em W é o conjunto de vetores w  W para os quais a
 
equação T(v)  w tem solução em V. Em notação compacta,
   
podemos escrever Im(T )  {w  W / w  T( v), v  V} .

Observe que Im(T)  W. Entretanto, a Im(T) não é um mero


subconjunto de W: é um subespaço vetorial de W, como nos
mostra o

Teorema 5.3.1  Seja T: V  W uma transformação linear. O


subconjunto Im(T) de W é um subespaço vetorial de W.

Dem.: Para mostrar que a Im(T) é um subespaço vetorial de W,


basta verificar as condições i, ii e iii do Corolário 4.3.1.

i) Uma
 vez
 que T é uma transformação linear  de V em W,
T (0V )  0W , isto é, a equação vetorial T ( v)  0W tem solução
em V. Portanto, 0W  Im(T ) . 
 
ii) Sejam w 1 e w 2  Im(T). De acordo com a Definição 5.3.1,
     
existem v1 e v 2  V tais que T( v1 )  w 1 e T( v 2 )  w 2 . Vamos
 
verificar se ( w 1 + w 2 )  Im(T). Uma vez que T é linear,
     
podemos escrever T( v1 )  T( v 2 )  T(v1  v 2 )  w 1  w 2 . Uma

156
    
vez que ( v1 + v 2 )  V, a equação vetorial T( v)  w 1  w 2 tem
 
solução em V. Portanto, ( w 1 + w 2 )  Im(T). 
 
iii) Sejam k  K e w 1  Im(T) . Vamos verificar se kw1  Im(T) .
  
Uma vez que T é linear, kT( v1 )  T(kv1 )  kw1 . Uma vez que
  
kv1  V , a equação vetorial T( v)  kw 1 tem solução em V.

Portanto, kw1  Im(T) . 
#

Definição 5.3.2  O núcleo de uma transformação linear T de V


em W é o conjunto-solução em V da equação homogênea

T ( v)  0W . Em notação compacta, podemos escrever
  
ker(T )  {v  V / T( v)  0 W } .

Observe que ker(T)  V. Entretanto, o ker(T) não é um mero


subconjunto de V: é um subespaço vetorial de V, como nos
mostra o

Teorema 5.3.2  Seja T: V  W uma transformação linear. O


subconjunto ker(T) de V é um subespaço vetorial de V.

Dem.: Para mostrar que o ker(T) é um subespaço vetorial de V,


basta verificar as condições i, ii e iii do Corolário 4.3.1.

i) Uma
 vez
 que T é uma  transformação linear de V em W,
T (0V )  0W . Portanto, 0V  ker( T ) . 
 
ii) Sejam v1 e v 2  ker(T ) . De acordo com a Definição 5.3.2,
   
T( v1 )  0 W e T( v 2 )  0 W . Vejamos se ( v1  v 2 )  ker(T) . Uma
vez que T é uma transformação   linear,
 podemos escrever
   
T ( v1 )  T ( v 2 )  T ( v1  v 2 )  0 W  0 W  0 W . Uma vez que
     

(v1  v 2 )  V e que T ( v1  v 2 )  0 W , ( v1  v 2 )  ker(T) .

157
 
iii) Sejam k  K e v1  ker(T) . Vamos verificar
 se kv1  ker(T) .
 
Uma vez que T é linear, kT( v1 )  T(kv1 )  k0W  0W . Uma vez
  
que kv1  V e que T (kv1 )  0W , kv1  ker(T) . #
Vamos ilustrar as Definições 5.3.1 e 5.3.2 com um exemplo.

Exemplo 5.3.1  Seja T: 3  3 tal que T(x, y, z) = (x, 2y, 0).


Mostre que T é uma transformação linear de 3 em 3. De
acordo com as Definições 5.3.1 e 5.3.2,
 
Im(T)  {w   3 / w  ( x,2 y,0), ( x, y, z)   3 }
 
 {w   3 / w  x (1,0,0)  y(0,2,0), x e y  }
 [(1,0,0), (0,2,0)]
e

ker(T )  {v  ( x, y, z )  3 /( x ,2 y,0)  (0,0,0)}

 {v  ( x, y, z )  3 / x  y  0, z  }
 
 {v  (0,0, z), z  }  {v  z (0,0,1), z  }  [(0,0,1)].

Neste ponto, estabelecemos relações envolvendo os


subespaços Im(T) e ker(T) e duas classes de transformações:
sobrejetora e injetora. Iniciamos com a

Definição 5.3.3  Se T: V  W é tal que Im(T) = W, dizemos


que T é uma transformação sobrejetora de V em W.

Das Definições 5.3.1 e 5.3.3, segue o

Corolário 5.3.1  T: V  W é uma transformação linear


 
sobrejetora se, e somente se, a equação T(v)  w tem solução

em V para todo w  W .

158
A relevância do Corolário 5.3.1 pode ser apreciada no
contexto das Seções 2.2 e 5.2. Seja T: n  m uma
transformação linear sobrejetora. De acordo com a Seção 5.2,
 
T(v)  A mxn v , onde Amxn é uma matriz de ordem m x n e

v  [ v1 v 2  v n ]1Txn  n é uma matriz coluna de ordem n. Uma
vez que T é sobrejetora, o Corolário 5.3.1 garante que o
 
sistema A mxn v  w de m equações lineares e algébricas a n

incógnitas é consistente para todo w  [ w1 w 2  w m ]1Txm  m ,
reveja a Seção 2.2 (ou veja a formalização das classes de
sistemas apresentada no Anexo A).

 
Definição 5.3.4  Se T: V  W é tal que T(v1 )  T(v2 ) para
 
todo par v1  v2  V , dizemos que T é uma transformação
injetora de V em W.

Observe que, se T é linear e injetora, então 0V é o único vetor

de V que satisfaz
  a equação vetorial T(v)  0W , pois T linear
implica T(0V )  0W . Portanto, se T é linear e injetora, então
 a Definição 5.3.2.
ker(T) = { 0 V }, conforme

Por outro lado, se T
 
é linear e ker(T) = { 0 V }, então T(v1  v2 )  T(v1 )  T( v2 )  0W
   
para todo v1  v2  V , o que implica T(v1 )  T(v2 ) para todo
 
v1  v2  V . Portanto, se T é linear e ker(T) = { 0 V }, então T é
injetora. Dessa forma, demonstramos o

Teorema 5.3.3  Seja T: V  W uma  transformação linear. T é


injetora se, e somente se, ker(T) = { 0 V }.

A relevância do Teorema 5.3.3 pode ser apreciada ainda no


 
contexto das Seções 2.2 e 5.2. Se T: n  m, T(v)  A mxn v , é

159
uma transformação linear injetora, então o Teorema 5.3.3
 
garante que o sistema A mxn v  w de m equações lineares e
algébricas a n incógnitas possui solução única para todo

w  [ w 1 w 2  w m ]1Txm  Im( T )   m , pois não existem
    
v1  v2  V tais que A mxn v1  A mxn v 2  w . Observe que, se T é
sobrejetora e injetora, isto é, bijetora, então o Corolário 5.3.1 e
 
o Teorema 5.3.3 garantem que o sistema A mxn v  w possui

solução única para todo w  [ w1 w 2  w m ]1Txm   m .

Exemplo 5.3.2  Vamos fazer uso do Corolário 5.3.1 e do


Teorema 5.3.3 para verificar se a transformação linear
T:33, T(x, y, z) = (x, 2y, 0) do Exemplo 5.3.1 é sobrejetora
e/ou injetora. Em conformidade com o Corolário 5.3.1, vamos
  
verificar se a equação T(v)  w possui solução v  ( x , y, z )   3

para todo w = (c1,c2,c3)   3 . Uma vez que a transformação

linear T(v) = T(x, y, z) = (x, 2y, 0) pode ser expressa na forma
matricial

1 0 0  x 
  
T ( v )  Av  0 2 0   y  ,
   
0 0 0 3 x 3  z  3 x1

veja os exemplos da Seção 5.2, a equação T(x, y, z) = (c1, c2, c3)


equivale ao sistema de 3 equações lineares e algébricas a 3
incógnitas x, y e z na forma funcional extensa

1x  0 y  0 z  c1

0 x  2 y  0 z  c 2
0 x  0 y  0z  c .
 3

160
Esse sistema não possui solução quando c3  0, veja a última
 
equação do sistema. Portanto, a equação T(v) = w não possui
 
solução v  ( x , y, z )   3 para w = (c1, c2, c3  0), c1 e c2   .
Em conformidade com o Corolário 5.3.1, a transformação linear
do Exemplo 5.3.1 não é sobrejetora. Uma vez que o núcleo da
transformação linear do Exemplo 5.3.1 é diferente de {(0,0,0)}
(ker(T) = [(0,0,1)]), a transformação linear do Exemplo 5.3.1
não é injetora, conforme o Teorema 5.3.3. Portanto, a
transformação linear do Exemplo 5.3.1 pertence a nenhuma das
duas classes  sobrejetora e injetora  definidas nesta seção.

Exemplo 5.3.3  Vamos fazer uso do Corolário 5.3.1 e do


Teorema 5.3.3 para verificar se a transformação linear
T:32, T(x, y, z) = (x  2y, 5x + 3y  z) é sobrejetora e/ou
injetora. Em conformidade com o Corolário 5.3.1, vamos
  
verificar se a equação T(v)  w possui solução v  ( x , y, z )   3

para todo w = (c1,c2)   2 . Uma vez que a transformação

linear T(v) = T(x, y, z) = (x2y, 5x+3yz) pode ser expressa
na forma matricial

x 
   1  2 0  
T( v)  Av   y ,
 5 3  1 2 x 3  
 z  3x1

veja os exemplos da Seção 5.2, a equação T(x, y, z) = (c1, c2)


equivale ao sistema de 2 equações lineares e algébricas a 3
incógnitas x, y e z na forma matricial extensa

161
x 
 1  2 0    c1 
 5  y  c  .
 3  1 2 x 3  
 z  3 x1  2  2 x1

A matriz ampliada desse sistema é

 1 2 0 c1 
B .
 5 3  1 c 2  2 x 4

Após aplicação do algoritmo de Gauss-Jordan, obtemos

1 0 2 / 7  (3c1  2c 2 ) / 7 
BR   . (verifique!)
0 1 1 / 7  (5c1  c 2 ) / 7  2 x 4

Portanto, o conjunto-solução do sistema de 2 equações lineares e


algébricas a 3 incógnitas x, y e z (e da equação T(x,y,z) = (c1,c2))
pode ser expresso na forma (verifique!)

CS  {( x, y, z)  3 / x  (2k  3c1  2c 2 ) / 7,
y  (k  5c1  c 2 ) / 7, z  k, k  , (c1 , c 2 )   2 }.

 
Uma vez que a equação T(v)  w possui solução
 
v  ( x , y, z )   3 para todo w = (c1, c2)   2 , a transformação
linear dada é sobrejetora, conforme o Corolário 5.3.1. A seguir,
vamos determinar o núcleo da transformação linear dada, isto é,
vamos determinar o conjunto-solução em 3 da equação

homogênea T( v)  0  2  (0,0) , conforme a Definição 5.3.2.

162
Para tanto, basta considerar o caso c1 = c2 = 0 do conjunto-
solução anterior, isto é,

ker( T )  {( x, y, z)   3 / x  ( 2k / 7), y  ( k / 7), z  k, k  }


 {( 2k / 7, k / 7, k ), k  }  {k ( 2 / 7,1 / 7,1), k  }
 [( 2 / 7,1 / 7, 1)].

Uma vez que o núcleo da transformação linear dada é diferente


de {(0,0,0)}, a transformação linear dada não é injetora,
conforme o Teorema 5.3.3. Portanto, a transformação linear
dada pertence a apenas uma das classes definidas nesta seção: a
classe sobrejetora.

Finalizamos esta seção enfatizando que as classes sobrejetora


e injetora não são mutuamente exclusivas, pois, dada uma
transformação linear T: V  W, T pertence às duas classes, a
nenhuma das duas (Exemplo 5.3.2) ou a apenas uma (Exemplo
5.3.3).

5.4. EXERCÍCIOS

1) Verifique se as seguintes transformações são ou não são


lineares:

a) V = 3, W = 5, T: V  W tal que


T(x, y, z) = (x–3y+2z, x+2y–1, 2x+9z, y–3z, 4x–7y–5);

b) V = 2, W = P3, T: V  W tal que


T(x, y) = (x + y) + (–2x+3y)t + (3x–y)t2 + (7y)t3;

163
dp
c) V = P3, W = P4, T: V  W tal que T(p) = 4  5p  2 pdt ;
dt

d) V = 2, W = 3, T: V  W tal que


T(x, y) = ( x  y, x  y, 2 x  y) .

2) Determine as matrizes reais associadas às seguintes


transformações lineares:

a) V = 2, W = 2, T: V  W tal que T(x, y) = (–x, 2y);

b) V = 4, W = 3, T: V  W tal que


T(x, y, z, w) = (–y + 2x – 4w, 3z + x – 7y, 9y – 2z);

c) V = 2, W = 2, T/6: V  W, veja o Exemplo 5.2.4.

3) Determine a imagem e o núcleo das transformações lineares


do Exercício 2, veja o Exemplo 5.3.1.

4) Faça uso do Corolário 5.3.1 e do Teorema 5.3.3 para


verificar se cada transformação do Exercício 2 é sobrejetora e/ou
injetora, veja os Exemplos 5.3.2 e 5.3.3.

164
Capítulo 6

AUTOVALORES, AUTOVETORES E
DIAGONALIZAÇÃO

Neste capítulo, definimos autovalor e autovetor de um operador


linear sobre um espaço vetorial e apresentamos algumas
propriedades dos autovalores e autovetores. Em seguida,
descrevemos um esquema numérico para a determinação dos
autovalores e autovetores de um operador linear sobre o espaço
vetorial Kn (K =  ou C). Finalizamos este capítulo com um
estudo de operadores lineares diagonalizáveis sobre o espaço
vetorial Kn e ilustramos a relevância dessa classe de operadores
com aplicações típicas.

6.1. DEFINIÇÕES E PROPRIEDADES

Iniciamos esta seção com os conceitos de operador linear e de


autovalor e autovetor de um operador linear.

Definição 6.1.1 – Seja T: V  W uma transformação linear de


V em W. Se W = V, adotamos para T a denominação “operador
linear” e para T: V  V a denominação “operador linear T
sobre V”.

Definição 6.1.2 – Seja T: V  V um operador linear sobre um


espaço vetorial V com corpo escalar K. Se o escalar   K e o
   
vetor v  V, v  0 V , são tais que T( v)  v , dizemos que  é

um autovalor de T sobre V e que v é um autovetor de T
sobre V associado ao autovalor .

165
Vamos ilustrar essas definições com dois exemplos.

Exemplo 6.1.1 – Seja T: 3  3 tal que T(x,y,z) = (x,–y,z).


Uma vez que T é linear (verifique!) e V = W = 3, T é um
operador linear sobre 3, conforme a Definição 6.1.1. Se
 
v  ( x , y, z)  3, v  ( 0,0,0) , e    satisfazem a equação
vetorial
 
T( v)  v ou T(x,y,z) = (x,y,z),


então  é um autovalor de T sobre 3 e v  (x , y, z) é um
autovetor de T sobre 3 associado ao autovalor , conforme a
Definição 6.1.2. Da definição de T e da operação de
multiplicação por escalar em 3, podemos escrever a equação de
 
autovalor T( v)  v da forma

(x, –y, z) = (x, y, z).

Observe que, para  = 1, todo vetor do 3 da forma



v  ( x ,0, z ) , x e z  , satisfaz a equação de autovalor em 3.
Portanto,  = 1 é um autovalor de T sobre 3 e todo vetor
 
pertencente a 3 da forma v  ( x ,0, z ) , x e z  , v  (0,0,0) ,
é um autovetor de T sobre 3 associado ao autovalor 1. Por
 
exemplo, v1  (1,0,7) e v 2  (4,0, ) são autovetores de T
sobre 3 associados ao autovalor 1. Observe também que, para

 = –1, todo vetor do 3 da forma v  (0, y,0) , y  , satisfaz
a equação de autovalor em 3. Portanto,  = –1 também é um
autovalor de T sobre 3 e todo vetor pertencente a 3 da
 
forma v  (0, y,0) , y  , v  (0,0,0) , é um autovetor de T
sobre 3 associado ao autovalor –1. Por exemplo,

166
  
v 3  ( 0 ,7 ,0 ) , v 4  ( 0,  ,0) e v 5  (0, 3 ,0) são autovetores
de T sobre 3 associados ao autovalor –1.

Exemplo 6.1.2 – Seja T: P2  P2 definida como



T(v)  T(a 0  a1t  a 2 t 2 )  a 2  a 0 t  a 1t 2 . Uma vez que T é linear
(verifique!) e V = W = P2, T é um operador linear sobre P2,

conforme a Definição 6.1.1. Se v  a 0  a1t  a 2 t 2  P2 ,

v  0  0t  0t 2 , e    satisfazem a equação vetorial

 
T( v)  v ou T (a 0  a 1 t  a 2 t 2 )   (a 0  a 1t  a 2 t 2 ),


então  é um autovalor de T sobre P2 e v  a 0  a 1 t  a 2 t 2 é um
autovetor de T sobre P2 associado ao autovalor , conforme a
Definição 6.1.2. Da definição de T e da operação de
multiplicação por escalar em P2, podemos escrever a equação de
 
autovalor T( v)  v da forma

a 2  a 0 t  a 1 t 2  ( a 0 )  ( a 1 ) t  ( a 2 ) t 2 .

Observe que, para  = 1, todo vetor pertencente a P2 da forma



v  k  kt  kt 2 , k  , satisfaz a equação de autovalor em P2.
Portanto,  = 1 é um autovalor de T sobre P2 e todo vetor

pertencente a P2 da forma v  k  kt  kt 2 , k  ,

v  0  0 t  0 t 2 , é um autovetor de T sobre P2 associado ao
 
autovalor 1. Por exemplo, v1  1  t  t 2 , v 2  3  3t  3t 2 e

v 3  8  8t  8t 2 são autovetores de T sobre P2 associados ao
autovalor 1.

167
Em seguida, apresentamos algumas propriedades dos
autovalores e autovetores de um operador linear sobre V através
de um lema, de um teorema e de resultados adicionais.

Lema 6.1.1 – Sejam T um operador linear sobre um espaço



vetorial V com corpo K,  um autovalor de T sobre V e v um
autovetor de T sobre V associado ao autovalor . Qualquer

vetor da forma v ,   K,   0, é um autovetor de T sobre
V associado ao autovalor .

Dem.: Uma vez que v é um autovetor de T sobre V associado
  
ao autovalor , v  0 V e T( v)  v , conforme a Definição
6.1.2. Multiplicamos essa equação vetorial por   0 e obtemos
 
T(v)  (v). Uma vez que T é um operador linear sobre V e
  
(v)  (v) para todo v  V , conforme a propriedade 7 da
 
Definição 4.2.1, podemos escrever T(v)  (v). Portanto,

v ,   K,   0, é um autovetor de T sobre V associado ao
autovalor . #

Vamos fazer duas observações referentes ao Lema 6.1.1 e à


Definição 6.1.2.

i) Uma vez que   K,   0, é arbitrário, existe uma


infinidade de autovetores associados a um autovalor de T
 
sobre V. Entretanto, dado um autovetor v de T sobre V, v se
associa a um e somente um autovalor de T sobre V. Para

provar isso, considere um autovetor v e dois autovalores 1 e 2
   
tais que T( v)  1v e T( v)   2 v. Multiplicando a segunda
  
equação por (–1) e somando à primeira, obtemos  v   2  0V ,
v
   1
o que implica (1   2 )v  0 V. Uma vez que v  0 V , conforme a

168
Definição 6.1.2, (1 – 2) = 0, o que implica 1 = 2. Portanto,

um autovetor v de T sobre V se associa a um e somente um
autovalor de T sobre V.
 
ii) Uma vez que T é um operador linear sobre V, T (0 V )  0 V ,
conforme a condição  ii da Definição 5.1.2. Assim, podemos
escrever T (0 V )   0 V para todo   K. Na equação de
autovalor, o vetor nulo de V não se associa a um escalar
específico, nem mesmo a um operador linear específico. Essa é a
motivação para a exclusão do vetor nulo de V da definição de
autovetor.

Feitas essas observações, apresentamos a

Definição 6.1.3 – Sejam T: V  V um operador linear sobre V e


 um dado autovalor de T sobre V. O subconjunto V de V é o
conjunto formado pelos vetores de V que satisfazem a equação
    
vetorial T( v)  v , isto é, V  {v  V / T(v)  v} .

V não é um mero subconjunto de V: é um subespaço vetorial de


V, como demonstrado no

Teorema 6.1.1 – O subconjunto V de V é um subespaço


vetorial de V.

Dem.: Vamos mostrar que as condições i, ii e iii do Corolário


4.3.1 são satisfeitas.
   
i) Uma vez que T (0 V )  0 V e  0 V  0V , o vetor nulo de V
 

satisfaz a equação T( v)  v . Portanto, 0 V  V .

169
     
ii) Para v1 e v 2  V , temos T(v1 )  v1 e T(v2 )  v2. Somando
   
essas equações, obtemos T(v1 )  T(v 2 )  v1  v 2 . Uma vez que
   
T é linear, podemos escrever T(v1  v 2 )  ( v1  v2 ). Portanto,
 

(v1  v2 )  V .
  
iii) Para   K e v1  V , temos T( v1 )  (v1 ). Uma vez que
 
T é linear, podemos escrever T(v1 )   (v1 ). Portanto,


v1  V .

Assim, V é um subespaço vetorial de V. É usual a denominação


“subespaço
 associado ao autovalor ” para V. Uma vez que
0 V  V , não é válida a denominação “subespaço dos
autovetores de T sobre
 V associados ao autovalor ”. Observe
que, à exceção do 0 V , todos os vetores de V são autovetores
de T sobre V associados ao autovalor . #

6.2. AUTOVALORES E AUTOVETORES DE


OPERADORES LINEARES SOBRE Kn

Nesta seção, descrevemos um esquema numérico para a


determinação dos autovalores e autovetores de um operador
linear sobre Kn (K =  ou C). Autovalores e autovetores de
operadores lineares sobre Kn desempenham papel fundamental no
estudo e resolução de equações diferenciais ordinárias e lineares
com coeficientes constantes.
 
Seja T: Kn  Kn, T(v)  Av, um operador linear sobre Kn,

onde A = [aij]nxn, aij  K, e v  Kn é uma matriz coluna de ordem
 
n. Nesse caso, a equação de autovalor T( v)  v equivale à
 
equação matricial de autovalor Av  v. Podemos escrever
essa equação matricial da forma extensa

170
 a 11  a 1n   v1   v1    0   v1 
                    .
         
a n1  a nn  nxn  v n  nx1  v n  nx1  0    nxn  v n  nx1
  
A v  v  ( I n ) v

Da propriedade distributiva do produto matricial, podemos


escrever

 a 11  a 1n    0    v1   0
       
                  ,
 a  a   0    nxn  v n  nx1  0 nx1
  n1 nn  nxn
 
{ A  I n } v  0K n

o que implica

a 11    a 1n   v1  0
            .
  

 a n1  a nn    nxn  v n  nx1 0 nx1
 
( A  I n ) v  0K n

Observe que (A – In) é uma matriz quadrada de ordem n. Se o


número   K é tal que det (A – In)  0, então (A – In)–1
existe, conforme o Teorema 3.4.1. Nesse caso,

  
v  (A  In )1 0K n  0K n

171
 
é solução única da equação matricial (A  In )v  0K n . Assim, se
  K é tal que det (A – In)  0, então  não é um autovalor
de T sobre Kn, conforme a Definição 6.1.2. Por outro lado, se
  K é tal que det (A – In) = 0, então (A – In)R possui pelo
menos uma  linha nula ou, equivalentemente, a equação
  
(A  In ) v  0K n possui solução v  0K n , conforme o Anexo A.
Assim, se   K é tal que det (A – In) = 0, então  é um
autovalor de T sobre Kn, conforme a Definição 6.1.2.

Dessa análise, concluímos que os autovalores do operador linear


 
T: Kn  Kn, T(v)  Av, são os valores   K que anulam o
determinante da matriz (A – In) ou, equivalentemente, são os
valores   K que satisfazem a equação det (A – In) = 0.
Vamos examinar o determinante da matriz (A – In). Da
Definição 3.2.3, podemos escrever

N ( p1 p 2  p n )
det(A  I n )   (1)
( p1 p 2  p n )
b1p1 b 2 p2  b np n ,

a ij , i  j ,
onde b ij  
a ij  , i  j.

Vamos destacar o termo associado à permutação

(p1 p2... pn) = (1 2... n)

e escrever

172
det(A  I n ) 
N ( p1 p 2  p n )
(a11   )(a 22   )...(a nn  )   (1)
( p1 p 2  p n )
b1p1 b 2 p 2  b np n .

(1 2 ... n)

Polinômio em  de grau n

Uma vez que det (A – In) é a soma algébrica de um polinômio


em  de grau n com um polinômio em  de grau < n, concluímos
que o det (A – In) é um polinômio em  de grau n.

Para cada autovalor  do operador linear T sobre Kn, isto é,


para cada raiz  K do polinômio det (A – In), a equação
 
matricial (A  In ) v  0K n equivale a um sistema homogêneo de
n equações lineares e algébricas a n incógnitas v1, v2,... vn, veja a
forma matricial extensa correspondente. O conjunto-solução
desse sistema é o subespaço V, conforme a Definição 6.1.3, e
os autovetores associados  ao autovalor  são todos os vetores
de V à exceção do 0K n , conforme a Definição 6.1.2. O
conjunto-solução V pode ser determinado com os esquemas
numéricos detalhados nas Seções 2.4 e 2.5.

Vamos ilustrar esse esquema de determinação dos autovalores


e autovetores de um operador linear sobre o espaço vetorial Kn
com um exemplo típico.
 
Exemplo 6.2.1 – Seja T: 3  3, T(v)  Av, um operador
 4 2 0
linear sobre  , onde A   1 1 0 . Vamos determinar os
3

 0 1 2 3x 3

173
autovalores e autovetores do operador linear T sobre 3. De
acordo com o esquema apresentado, os autovalores de T sobre
3 são as raízes reais do polinômio det (A – I3). Vamos
determinar esse polinômio.

4 2 0
4 2
det(A  I3 )   1 1  0  (2   )(1)3 3
1 1 
0 1 2
 (2   )[(4  )(1   )  2]
 (2   )(4  5  2  2)  (2  )(6  5  2 )
 (2   )(2   )(3   )  (2   )2 (3   ).

Uma vez que as raízes reais do polinômio são 2 e 3, os


autovalores de T sobre 3 são 1 = 2 e 2 = 3 (a ordenação é
irrelevante). Vamos obter os autovetores de T sobre 3
associados a cada autovalor.

 
i) Para 1 = 2, a equação matricial (A  1I 3 ) v  0 3 pode ser
expressa na forma extensa

 2 2 0  v1   0
  1  1 0  v   0 . (verifique!)
   2  
 0 1 0 3x 3  v 3  3 x1 0 3x1

A matriz ampliada do sistema associado é

174
 2 2 0 0
B    1  1 0 0 .
 0 1 0 0 3 x 4

Após a aplicação do algoritmo de Gauss-Jordan, obtemos

1 0 0 0
B R  0 1 0 0 . (verifique!)
 
0 0 0 0 3 x 4

Em conformidade com as linhas da matriz BR, podemos escrever


v1 = 0, v2 = 0 e v3 = k, k  . Portanto, o subespaço V2
(conjunto-solução do sistema) pode ser expresso na forma
 
V2  {v  3 / v  [0 0 k ]1Tx 3  k[0 0 1]1Tx 3 , k  },

e os autovetores de T sobre 3 associados ao autovalor 2 podem


ser expressos na forma
  
A 2  {v  3 / v  k[0 0 1]1Tx 3 , k  , k  0}  V2  {03 }.

 
ii) Para 2 = 3, a equação matricial (A   2 I 3 ) v  0 3 pode ser
expressa na forma extensa

 1 2 0   v1  0 
 1  2 0   v   0  . (verifique!)
   2  
 0 1  1 3 x 3  v 3  3x1 0  3x1

A matriz ampliada do sistema associado é

175
 1 2 0 0
B    1  2 0 0 .
 
 0 1  1 0 3x 4

Após a aplicação do algoritmo de Gauss-Jordan, obtemos

 1 0 2 0
B R  0 1  1 0 . (verifique!)
0 0 0 0 3 x 4

Em conformidade com as linhas da matriz BR, podemos escrever


v1 = –2k, v2 = k e v3 = k, k  . Portanto, o subespaço V3
(conjunto-solução do sistema) pode ser expresso na forma
 
V3  {v  3 / v  [2k k k]1Tx 3  k[2 1 1]1Tx3 , k  },

e os autovetores de T sobre 3 associados ao autovalor 3 podem


ser expressos na forma

  
A3  {v  3 / v  k[2 1 1]1Tx 3 , k  , k  0}  V3  {03 }.

Vamos aproveitar esse exemplo e fazer duas observações


complementares ao esquema.

1) O polinômio det (A – In) de grau n é denominado polinômio


característico do operador linear T sobre V, e é usual a notação
P(). No Exemplo 6.2.1, o polinômio característico é

P() = (2 – )2 (3 – ) = (2 – ) (2 – ) (3 – ).

176
O polinômio característico de um operador linear T sobre V é da
forma geral P() = (r1 – ) (r2 – )... (rn – ), onde r1, r2,... rn são
as raízes complexas (reais + complexas não reais) de P(),
independentemente de K.

2) Se K =  e ri   para algum i de 1 a n, então ri não é


autovalor de T sobre n, conforme a Definição 6.1.2. Nesse
caso, somente as raízes reais de P() são autovalores de T
sobre n. Quando K = C, todas as raízes de P() são
autovalores de T sobre Cn.

6.3. OPERADORES LINEARES DIAGONALIZÁVEIS


SOBRE Kn

Sejam i, ii,... os autovalores distintos de um operador linear T


sobre um espaço V com corpo K e dimensão finita n. Uma vez
que V i , V ii ,... são subespaços não triviais de V, conforme o
Teorema 6.1.1, existem bases de V i , V ii ,... isto é, existe um
conjunto de i autovetores LI em V i que gera V i , i = dim V i ,
existe um conjunto de ii autovetores LI em V ii que gera V ii ,
ii = dim V ii , e assim sucessivamente. Uma vez que a união de
bases dos subespaços V i , V ii ,... é um conjunto de (i+ii+...)
autovetores LI em V (a veracidade dessa afirmação é mostrada
no Anexo D), a união de bases dos subespaços V i , V ii ,... é uma
base de V quando (i+ii+...) = n = dim V (caso contrário,
existiria um conjunto de (n+1) vetores LI em V, o que violaria o
Lema 4.6.1). Quando a união de bases dos subespaços Vi , Vii ,...
é uma base de V, isto é, quando (i+ii+...) = n = dim V, dizemos
que T é um operador linear diagonalizável sobre V
(justificaremos essa denominação adiante).

177
Em função da relevância teórica e prática, vamos considerar
operadores lineares diagonalizáveis sobre Kn (K =  ou C). Seja
 
T: Kn  Kn, T(v)  Av, A = [aij]nxn, aij  K, um operador linear
diagonalizável. Assim, existe uma base de Kn formada por
  
(i+ii+...) = n autovetores de T. Seja essa base   {x1, x2 ,x n},
      
onde x1, x2 ,xn são tais que T(x1)  1x1 , T(x2 )  2x2 ,...
 
T(xn )  n xn e os autovalores 1, 2, ... n não são
 
necessariamente distintos. Uma vez que T( v)  Av para todo

v  K n , podemos escrever as equações matriciais de autovalor
     
Ax1  1x1 , Ax2  2 x 2 ,... Ax n   n x n . Uma vez que A é uma
  
matriz quadrada de ordem n e x1 , x 2 , x n são matrizes colunas
de ordem n, podemos agrupar essas n equações matriciais de
autovalor e escrevê-las da forma extensa
  
1 x 1  2x 2 nxn
A P   
a11 a12  a1n  x11 x12  x1n  1x11 2x12  n x1n 
            
    
  
a n1 an 2  a nn nxn x n1 x n 2  x nn nxn 1x n1 2x n 2  n x nn nxn
 x11 x12  x1n  1 0
         
 
x n1 x n 2  x nn nxn  0 n  nxn
   D
  
x1 x 2 xn

e da forma compacta AP = PD, onde P é uma matriz n x n cujas


  
colunas são os autovetores x1 , x 2 , x n da base  de Kn e D é a
matriz diagonal de ordem n cujos elementos da diagonal
principal são os correspondentes autovalores 1, 2,... n de T

178
sobre Kn. Uma vez que as colunas de P formam um conjunto LI
em Kn, nenhuma coluna de P pode ser expressa como uma
combinação linear de outras colunas de P. Consequentemente,
nenhuma linha de PT pode ser anulada fazendo-se operações
elementares sobre PT. Assim, a aplicação do algoritmo de Gauss-
Jordan à matriz PT deve gerar In, isto é, (PT)R = In, e det PT  0,
conforme as propriedades iii, v e vii do determinante, veja a
Seção 3.2. Uma vez que det PT = det P, conforme a propriedade
ii do determinante, det P  0 e, portanto, P1 existe, conforme o
Teorema 3.4.1. Uma vez que P1 existe, APP1 = PDP1, o que
implica A = PDP1. Assim, demonstramos o

Teorema 6.3.1  Se A = [aij]nxn, aij  K para todo i, j = 1 : n, é


uma matriz associada a um operador linear diagonalizável T
sobre Kn, então A = PDP1, onde D é uma matriz diagonal de
ordem n cujos elementos da diagonal principal são os
autovalores 1, 2,...n de T sobre Kn e P é uma matriz inversível
de ordem n cujas colunas são correspondentes autovetores
  
x1 , x 2 , x n de T. É usual a denominação “A é similar à matriz
diagonal D” (essa é a razão da denominação diagonalizável).

Vamos ilustrar o Teorema 6.3.1 com duas aplicações.

1) Potências inteiras de matrizes

Considere uma matriz quadrada A de ordem n e um inteiro k > 1.


A matriz Ak é uma matriz n x n que pode ser obtida da sequência
de (k1) produtos matriciais {AA, A2A, A3A,... Ak1A}. Por
exemplo, para k = 5, podemos obter A5 através da sequência
{AA, A2A, A3A, A4A}. Se A se associa a um operador linear

179
diagonalizável T sobre Kn, então A = PDP1, conforme o
Teorema 6.3.1. Sendo assim, podemos escrever

A k  (PDP 1 ) k  PD P

1
P DP

1
P P

1
P DP 1  P DI   IDP
 DI
1

I I I D D

1 k 1
 PDD  DP  PD P .

Na forma extensa, temos (verifique Dk e PDk!)

k 1
 x 11 x 12  x 1n  1 0   x 11 x 12  x 1n 
   
k
A             
  
 x n 1 x n 2  x nn   0 kn   x n 1 x n 2  x nn 
         
P Dk P 1
1
 k1 x 11 k2 x 12  kn x1 n   x 11 x 12  x 1n 
 
            .
k1 x n1 k2 x n 2  kn x nn   x n1 x n 2  x nn 
          
1
PD k P

     
k 
k k   
x1 1  x2
2  xn
n x1 x2 xn

Uma vez obtidos os autovalores e correspondentes autovetores


de T sobre Kn através da equação matricial de autovalor
 
Ax  x, podemos obter Ak com um único produto matricial
(PDk)(P1), onde (PDk) é obtida multiplicando-se as colunas de P
por correspondentes valores kj , j = 1 : n, e P1 pode ser obtida
com um dos esquemas de inversão matricial da Seção 3.4. Esse
método de obtenção de potências inteiras de matrizes quadradas
é empregado no cálculo de polinômios de matrizes e em
expansões em série de funções matriciais.

180
0 1 0
Exemplo 6.3.1  Seja A = 1 0 0  uma matriz associada a
 
0 0 1  3 x 3
um operador linear T sobre 3. Vamos determinar os
autovalores e autovetores do operador linear T sobre 3. De
acordo com o esquema apresentado na Seção 6.2, os autovalores
de T sobre 3 são as raízes reais do polinômio característico de
T sobre 3. Vamos determinar o polinômio.

 1 0
 1
P ( )  det( A   I 3 )  1  0  (1   )( 1) 3 3
1 
0 0 1 
 (1   )(2  1)  (1   )(   1)(  1)
 (1   )(1   )( 1   ).

Uma vez que as raízes reais de P() são 1 e 1, os autovalores


de T sobre 3 são i = 1 e ii = 1. Vamos obter os autovetores
de T sobre 3 associados a cada autovalor.

 
i) Para i = 1, a equação matricial (A   i I 3 )v  0 3 pode ser
expressa na forma extensa

 1 1 0   v1  0
 1  1 0   v    0  . (verifique!)
   2  
 0 0 0  3 x 3  v 3  3 x 1  0  3 x 1

181
 1 1 0 0
A matriz ampliada do sistema associado é B =  1  1 0 0  .
 
 0 0 0 0  3 x 4

Após a aplicação do algoritmo de Gauss-Jordan, obtemos

 1  1 0 0
B R  0 0 0 0  . (verifique!)
0 0 0 0  3 x 4

Em conformidade com as linhas da matriz BR, podemos escrever


v1 = v2, v2 = k1 e v3 = k2, k1 e k2  . Portanto, o subespaço
V i  V1 pode ser expresso na forma

Vi  V1 
 
{v  3 / v  [k1 k1 k 2 ]1Tx3  k1[1 1 0]1Tx 3  k2[0 0 1]1Tx 3 , k1 e k2 }.

Uma vez que i  {[1 1 0]1Tx3 ,[0 0 1]1Tx3} é uma base de V i  V1


(verifique!), i = dim V i = dim V1 = 2.

 
ii) Para ii = 1, a equação matricial (A   ii I 3 ) v  0 3 pode ser
expressa na forma extensa

 1 1 0  v1   0
 1 1 0  v   0 . (verifique!)
   2  
0 0 2 3x 3  v3  3x1 0 3x1

182
 1 1 0 0
A matriz ampliada do sistema associado é B =  1 1 0 0 .
 
0 0 2 0 3 x 4

Após a aplicação do algoritmo de Gauss-Jordan, obtemos

 1 1 0 0
B R   0 0 1 0  . (verifique!)
 0 0 0 0  3 x 4

Em conformidade com as linhas da matriz BR, podemos escrever


v1 = v2, v2 = k e v3 = 0, k  . Portanto, o subespaço
V ii  V1 pode ser expresso na forma

 
Vii  V1  {v  3 / v  [k k 0]1Tx3  k[1 1 0]1Tx3 , k  }.

Uma vez que  ii  {[1 1 0]1Tx 3 } é uma base de V ii  V1 ,


ii = dim V ii = dim V1 = 1.

Uma vez que (i + ii) = 2 + 1 = 3 = dim 3, concluímos que:

i) T sobre 3 é um operador linear diagonalizável, conforme o


primeiro parágrafo desta seção;

ii) Existe uma base de 3 formada por (i + ii) = 3 autovetores


de T sobre 3, conforme o primeiro parágrafo desta seção;

183
  
iii)   {x1, x 2 , x3}  {[1 1 0]1Tx3 ,[0 0 1]1Tx3 ,[1 1 0]1Tx3} é uma base
     
de 3, onde Ax1  1x1 , Ax2  2 x 2 , Ax3  3x3 , 1   2  i  1
e 3  ii  1, conforme o segundo parágrafo desta seção;

iv) A = PDP1, conforme o Teorema 6.3.1, e a k-ésima potência


inteira de A pode ser expressa na forma
1
 k1 x 11 k2 x 12 k3 x 13   x 11 x 12 x 13 
  x
A k  ( PD k )( P 1 )  k1 x 21 k2 x 22 k3 x 23  x 22 x 23 
 21 
 k1 x 31 k2 x 32 k3 x 33  x x 32 x 33  3 x 3
 3 x 3  31
1
 1k x1 1k x 0 (  1) k (  1)  1 0  1
  1
  1k x1 1k x 0 (  1) k x1   0 1
1k x 0 1k x1 (  1) k x 0  0 1 0  3 x 3
  3x 3 
1
 1 0 ( 1) k 1  1 0  1
  1
  1 0 (  1) k  0 1
 
0 1 0  0 1 0  3 x 3
 3x 3 

 1 0 ( 1) k 1   1/ 2 1/ 2 0
   0
  1 0 (  1) k  0 1
 
0 1 0   1 / 2 1 / 2 0  3 x 3
 3x 3

(1 / 2 )  (1 / 2)(  1) k 1 (1 / 2)  (1 / 2)( 1) k 1 0


 
  (1 / 2 )  (1 / 2)( 1) k (1 / 2)  (1 / 2)(  1) k
0
 0 0 1 
 3x 3

1  (  1) k 1 1  (  1) k 1 0
1 
  1  (  1) k 1  ( 1) k 0 .
2
 0 0 2 
 3x3

(verifique!)

184
Com essa forma, podemos, por exemplo, calcular o polinômio
matricial p(A) = 4A5  2A2 + 6A como segue.

1  ( 1) 5 1 1  (1)5 1 0
1 
p(A )  4x  1  ( 1) 5 1  (1)5 0
2
 0 0 2
 3x 3

1  ( 1) 2 1 1  (1) 2 1 0
1 
 2x  1  ( 1) 2 1  (1) 2 0
2
 0 0 2
 3x 3

1  ( 1)11 1  ( 1)11 0
1 
 6x  1  ( 1)1 1  ( 1)1 0
2
 0 0 2
 3x 3

0 2 0  2 0 0 0 2 0
 2 2 0 0  10 2 0  32 0 0
   
0 0 2 3x 3 0 0 2 3 x 3 0 0 2 3 x 3
 2 10 0
  10  2 0 .
 0 0 8 3 x 3 (verifique!)

2) Equações diferenciais ordinárias e lineares de primeira ordem


com coeficientes constantes

Em vários problemas da Engenharia e da Física, as respostas de


um sistema de interesse  tensão eficaz no capacitor de um
circuito RLC com impedâncias independentes do tempo,
potência ativa por fase de um transformador trifásico com

185
impedâncias próprias e mútuas independentes do tempo, posição
do centro de massa de um corpo extenso em queda com
amortecimento linear com a velocidade, irradiância solar total
incidente em uma região da superfície terrestre, concentrações
dos isótopos de uma cadeia de decaimento presentes em uma
amostra etc.  são representadas direta ou indiretamente pelas
funções incógnitas de um sistema de equações diferenciais
ordinárias (EDOs) e lineares de primeira ordem com
coeficientes constantes. Um sistema de n EDOs lineares de
primeira ordem com coeficientes constantes pode ser expresso na
forma funcional extensa

d
 dt y1 ( t )  a 11 y1 ( t )  a 12 y 2 ( t )   a 1n y n ( t )  f1 ( t )

 d y (t )  a y (t)  a y (t )  a y (t)  f (t )
 2 21 1 22 2 2n n 2
 dt
     

 d y ( t )  a y ( t )  a y ( t )   a y ( t )  f ( t ),
 dt n n1 1 n2 2 nn n n

onde y1(t), y2(t),...yn(t) são as funções incógnitas do sistema,


f1(t), f2(t),...fn(t) são funções conhecidas e aij  , i, j = 1 : n, são
números que, tipicamente, quantificam propriedades do sistema
de interesse. Podemos expressar esse sistema de EDOs na forma
matricial compacta

d   
y( t )  Ay( t )  f ( t ),
dt

onde

186

y(t )  y1 ( t ) y 2 ( t )  y n ( t )1xn ,
T


f (t )  f1 (t ) f 2 ( t )  f n (t )1xn
T

A = [aij]nxn.

Se a matriz quadrada A se associa a um operador linear


diagonalizável T sobre Kn, então A = PDP1, conforme o
Teorema 6.3.1. Sendo assim, podemos escrever

d   
y( t )  PDP 1 y( t )  f ( t ).
dt

Fazendo o produto matricial (à esquerda) de cada lado dessa


equação por P1 e usando a propriedade distributiva do produto
matricial, obtemos

d  1 

P 1 y( t )  P

1
P DP y ( t )  P 1
f ( t ).
dt I

Uma vez que P1 independe de t, podemos escrever

d 1   
dt
   
P y( t )  D P 1 y( t )  P 1 f ( t ).

   
Definindo as matrizes colunas z( t )  P 1y(t ) e w ( t )  P 1 f (t ) ,
podemos escrever essa equação da forma matricial compacta

187
d   
z ( t )  Dz ( t )  w ( t ) ,
dt

da forma matricial extensa

d 
 dt z1 ( t )  1 0   z1 ( t )   w1 ( t ) 
           
d       
 z n ( t ) 
 0    z
n  nxn  n ( t ) 
 nx1  n  nx1
 w ( t )
 dt  nx1

e da forma funcional extensa

d
 dt z1 ( t )  1z1 ( t )  w 1 ( t )

 d z ( t)   z ( t )  w ( t)
 2 2 2 2
 dt
   

 d z ( t )   z ( t )  w ( t ).
 dt n n n n

Observe que o sistema inicial foi transformado em um sistema de


n EDOs lineares de primeira ordem com coeficientes constantes
a uma função incógnita cada equação, isto é, desacoplamos o
sistema inicial. Essas equações em z1(t),... zn(t) podem ser
resolvidas uma a uma com um método de solução de uma EDO
linear de primeira ordem com coeficiente constante a uma função
incógnita. Uma vez determinadas as funções z1(t),... zn(t), a

solução y( t ) do sistema inicial pode ser obtida da relação

188
   
y( t )  Pz ( t ) , pois z( t )  P 1y(t ) . Na forma matricial extensa e
na forma funcional extensa temos, respectivamente,

 y1( t)   x11  x1n   z1 (t ) 


          
     
 yn (t ) nx1  x n1  x nn  nxn z n ( t) nx1

y1 (t )  x11z1 ( t )  x 12 z 2 (t )  x1n z n ( t )


 y ( t )  x z ( t )  x z ( t )  x z ( t )
 2 21 1 22 2 2n n

    
y n ( t )  x n1z1 ( t )  x n 2 z 2 (t )  x nn z n ( t ).

Exemplo 6.3.2  Vamos considerar o sistema de três EDOs


lineares de primeira ordem com coeficientes constantes

d t
 dt y1 (t )  4 y1 (t )  0 y 2 ( t )  1y3 (t )  e sen(2t )

d
 y 2 (t )  1y1 (t )  3y 2 (t )  1y 3 (t )  cos t
 dt
d 2  2t
 dt y 3 (t )  1y1 (t )  0 y 2 (t )  4 y3 (t )  t e

e verificar se a matriz dos coeficientes desse sistema se associa a


um operador linear diagonalizável T sobre K3 (K =  ou C), isto
é, se (i+ii+...) = 3 = dim K3, conforme o primeiro parágrafo
desta seção. A matriz dos coeficientes do sistema é

189
 4 0 1
A =  1 3  1 .

 1 0  4 3x 3

Para verificar se (i+ii+...) = 3, vamos determinar os subespaços


Vi , Vii ,... associados aos autovalores distintos do operador
 
linear T: K3  K3, T(v)  Av , e suas correspondentes
dimensões i, ii,... Os autovalores de T sobre K3 são as raízes
pertencentes a K do polinômio característico

4 0 1
P( )  det(A  I 3 )  1  3  1
1 0 4
 (5  )(3   )(3  ).
(verifique!)

As raízes de P() são 5 e 3. Uma vez que as raízes de P()


são números reais, vamos considerar K =  e determinar os
subespaços Vi  V5 e Vii  V3 de 3.

 
i) Para i = 5, a equação matricial (A   i I 3 )v  0  3 pode ser
expressa na forma extensa

1 0 1  v1  0
1 2  1 v   0 . (verifique!)
   2  
1 0 1 3 x 3  v3  3x1 0 3x1

190
1 0 1 0
A matriz ampliada do sistema associado é B = 1 2  1 0 .
 
1 0 1 0 3 x 4

Após a aplicação do algoritmo de Gauss-Jordan, obtemos

1 0 1 0
B R  0 1  1 0  . (verifique!)

0 0 0 0  3 x 4

Em conformidade com as linhas da matriz BR, podemos escrever


v1 = k, v2 = k e v3 = k, k  . Portanto, o subespaço V i  V5
pode ser expresso na forma

 
V i  V 5  {v  3 / v  [k k k ]1Tx3  k[1 1 1]1Tx 3 , k  }.

Uma vez que  i  {[  1 1 1]1Tx 3 } é LI em V 5 e gera V 5 , i é


uma base de V 5 , o que implica i = dim V i = dim V 5 = 1.

 
ii) Para ii = 3, a equação matricial (A   ii I 3 ) v  0 3 pode ser
expressa na forma extensa

 1 0 1  v1  0
 1 0 1   v    0  . (verifique!)
   2  
 1 0  1 3 x 3  v 3  3 x1  0  3 x1

191
 1 0 1 0
A matriz ampliada do sistema associado é B =  1 0  1 0  .
 
 1 0  1 0  3 x 4

Após a aplicação do algoritmo de Gauss-Jordan, obtemos

 1 0  1 0
B R   0 0 0 0  . (verifique!)
 0 0 0 0  3 x 4

Em conformidade com as linhas da matriz BR, podemos escrever


v1 = k2, v2 = k1 e v3 = k2, k1 e k2  . Portanto, o subespaço
V ii  V 3 pode ser expresso na forma

Vii  V3 
 
{v  3 / v  [k2 k1 k 2 ]1Tx 3  k1[0 1 0]1Tx3  k 2[1 0 1]1Tx 3 , k1 e k 2  }.

Uma vez que  ii  {[ 0 1 0]1Tx 3 ,[1 0 1]1Tx 3 } é LI em V 3


(verifique!) e gera V 3 , o conjunto ii é uma base de V 3 , o que
implica ii = dim V ii = dim V 3 = 2.

Uma vez que (i+ii) = 1 + 2 = 3 = dim 3, a matriz A dos


coeficientes do sistema de EDOs se associa ao operador linear
 
diagonalizável T: 3  3, T(v)  Av , conforme o primeiro
parágrafo desta seção. Além disso,

  
   i   ii  {x 1 , x 2 , x 3 }  {[1 1 1]1Tx 3 , [0 1 0]1Tx 3 , [1 0 1]1Tx 3 }

192
     
é uma base de 3, onde Ax1  1x1 , Ax2  2 x 2 , Ax3  3x3 ,
1   i  5 ,  2   3   ii  3 , conforme o segundo parágrafo
desta seção, e A = PDP1, conforme o Teorema 6.3.1. Assim, as
equações desacopladas em z1(t), z2(t) e z3(t) podem ser
expressas na forma matricial compacta

d   
z ( t )  D z ( t )  P 1f ( t )
dt

e na forma matricial extensa

d 
 dt z 1 ( t ) 
d   5 0 0  z1 ( t ) 
 z 2 ( t )  0  3  0   z 2 ( t ) 
 dt  
 d z (t)  0 0  3 3 x 3  z 3 ( t )  3 x1
 dt 3 
3 x1
1 t
  1 0 1  e sen ( 2 t ) 
 
  1 1 0    cos t  .
 1 0 1 3 x 3  t 2 e  2 t 
3 x1

(verifique!)

1
  1 0 1  1 / 2 0 1 / 2
A matriz P =  1 1 0   1 / 2 1  1 / 2
1   
 1 0 1 3x 3  1 / 2 0 1 / 2 3x 3

pode ser obtida com um dos esquemas de inversão matricial da


Seção 3.4 (obtenha!). Portanto,

193
d 
 dt z 1 ( t ) 
d   5 0 0  z1 (t ) 
 z 2 ( t)   0 3 0   z 2 ( t ) 
 dt  
 d z (t)  0 0  3 3 x 3  z 3 ( t )  3 x1
 dt 3 
3 x1

 1 / 2 0 1 / 2  e  t sen ( 2 t ) 
 
  1 / 2 1  1 / 2    cos t  ,
 1 / 2 0 1 / 2  3 x 3  t 2 e  2 t 
3 x1

e as equações desacopladas em z1(t), z2(t) e z3(t) podem ser


expressas na forma funcional extensa

d 1 t 2 2t
 dt z1 ( t )  5z1 ( t )  2 [ e sen (2 t )  t e ]

d 1 t 2 2t
 z 2 ( t )  3z 2 ( t )  [ e sen ( 2 t )  2 cos t  t e ]
 dt 2
d 1 t 2 2t
 dt z3 ( t )  3z3 ( t )  2 [e sen (2 t )  t e ].

(verifique!)

A solução do sistema inicial de EDOs pode ser expressa na


 
forma matricial compacta y ( t )  Pz ( t ) , na forma matricial
extensa

 y1 ( t )   1 0 1  z1 ( t ) 
 y ( t )    1 1 0  z ( t ) 
 2     2 
 y 3 ( t )  3 x1  1 0 1 3 x 3  z 3 (t ) 3 x1

e na forma funcional extensa

194
y1 (t )  z1 (t )  z 3 (t )

 y 2 ( t )  z1 ( t )  z 2 ( t )
y (t )  z (t )  z (t ).
 3 1 3

6.4. EXERCÍCIOS

1) Em cada caso, verifique se o vetor v dado é um autovetor de
T sobre V associado ao autovalor  dado.

a) T: 2  2, T(x, y) = (2x – y, –6x + y), v = (1, 1),  = 4.

b) T: P2  P2, T(a0 + a1x + a2x2) = a0 + a2x + a1x2, v  x  x 2 ,
 = –1.

c) T: 3  3, T(x, y, z) = (x, 0, 0), v = (0, –3, 4),  = 0.

2) Faça uso do esquema apresentado na Seção 6.2 e determine


os autovalores e correspondentes autovetores dos operadores
lineares a seguir.

   2 1
a) T: 2  2, T ( v)  Av, A    .
 2 3 2 x 2
2  5 0
 
b) T:    , T ( v)  Av, A  0
3 3
3 0 .
4 7 1 3 x 3
1 0 0 0
5 0
  1 0
c) T: 4  4, T ( v )  Av, A    .
9 7 3 0
 
4 6 2  2 4 x 4

195
3) Considere a matriz A do Exemplo 6.3.1 e calcule os seguintes
polinômios matriciais:

a) p1(A) = 2A7  8A4  4A3 + 18A2;


b) p2(A) = 6A13 + 4A8 + 2A5;
c) p3(A) = 3A2  6A + 2I3  7B,
5  1 2

onde I3 é a matriz identidade de ordem 3 e B   9 4  3 .

7  6 1 3 x 3

4) Considere o sistema de três EDOs lineares de primeira ordem


com coeficientes constantes

d 2
 dt y1 ( t )  1y1 ( t )  3y 2 ( t )  3y 3 ( t )  2t  3t  8

d t
 y 2 ( t )  0 y1 ( t )  4 y 2 ( t )  0 y 3 ( t )  5te
 dt
d 3 6t
 dt y 3 ( t )  3y1 ( t )  3y 2 ( t )  1y 3 ( t )  1  t e .

a) Verifique se a matriz dos coeficientes desse sistema se associa


a um operador linear diagonalizável T sobre K3 (K =  ou C).

b) Caso positivo, obtenha as equações desacopladas em z1(t),


z2(t) e z3(t) na forma funcional extensa e expresse y1(t), y2(t) e
y3(t) em função de z1(t), z2(t) e z3(t), veja o Exemplo 6.3.2.

196
Anexo A
FORMALIZAÇÃO DAS CLASSES DE SISTEMAS

Na Seção 2.2, mostramos que sistemas de uma equação linear e


algébrica a uma incógnita (1x1) se dividem em três classes
quanto ao número de soluções: solução única (conjunto-solução
do sistema é unitário); infinitas soluções (conjunto-solução do
sistema é infinito) e sem solução (conjunto-solução do sistema é
vazio). Os sistemas 1x1 que pertencem a uma das duas primeiras
classes são denominados consistentes (possuem pelo menos uma
solução). Os sistemas 1x1 que pertencem à terceira classe são
denominados inconsistentes. Neste anexo, mostramos que essa
classificação vale para sistemas de m equações lineares e
algébricas a n incógnitas, onde m e n são inteiros positivos
arbitrários. Iniciamos com a

Definição A.1 – Sejam B a matriz ampliada de um sistema de m


equações lineares e algébricas a n incógnitas e BR a matriz na
forma linha escada reduzida que é linha equivalente a B. O posto
(p) da matriz B é o número de linhas não nulas (= número de
pivôs) da matriz BR. A nulidade da matriz B é a diferença entre
o número de incógnitas do sistema e o posto, isto é, (n – p).

Uma vez que (n + 1) é o número de colunas da matriz BR (e de


B) e que cada pivô pertence a uma e somente uma coluna (linha)
da matriz BR (condição II da Definição 2.4.1), p  (n + 1).
Vamos a seguir considerar dois casos mutuamente exclusivos e
conjuntamente completos para BR.

i) A última coluna (n + 1) de BR não contém um pivô.

197
Nesse caso, p  n e todos os (p) pivôs de BR pertencem a
colunas referentes às incógnitas do sistema (colunas de 1 a n),
veja o esquema a seguir.
x1 x2 x3 x4 x5 ... xn  incógnitas
do sistema

d1(n+1)
d2(n+1)
Região de ocorrência
p linhas dos p pivôs de BR 

BR = dp(n+1)

(m – p)
linhas 0(m–p)x(n+1)

m x (n+1)

1 2 3 4 5 ... n n+1
colunas de BR

Portanto, o posto (p) de B representa o número de variáveis


dependentes do sistema ( x c1 , x c 2 , x c p ) , enquanto que a
nulidade (n – p) de B representa o número de variáveis livres do
sistema. Assim:

i.1) Se p = n, então n – p = 0, isto é, não há variáveis livres. Isso


significa que existe uma expressão na forma xi = di(n+1) para cada
incógnita xi do sistema. Nesse caso, o sistema é consistente com
solução única;

i.2) Se p < n, então n – p > 0, isto é, existe pelo menos uma


variável livre no sistema. Nesse caso, o sistema é consistente
com infinitas soluções.

198
ii) A última coluna (n + 1) de BR contém um pivô.

Nesse caso, a última linha não nula (p-ésima) de BR é da forma


0 0 0 0 ... 0 1. Consequentemente, o sistema é inconsistente,
pois não existe uma n-upla ordenada de números que satisfaz a
correspondente equação 0x1 + 0x2 + 0x3... + 0xn = 1.

OBS. 1: Quando um sistema é consistente (caso i), é comum


encontrar em livros de Álgebra Linear a denominação grau de
liberdade do sistema no lugar de nulidade. Por exemplo, para
n – p = 4, diz-se que o sistema associado tem grau de liberdade 4
(são quatro as variáveis livres). Para n – p = 0, não há variáveis
livres e o grau de liberdade do sistema é igual a zero (sistema
consistente com solução única).

OBS. 2: Quando todos os termos independentes de um sistema


são nulos, é usual a denominação sistema homogêneo. Nesse
caso, a última coluna da matriz ampliada B é nula.
Consequentemente, a última coluna da matriz BR é nula e, assim,
não contém um pivô. Portanto, todo sistema homogêneo é
consistente. Se p = n, então (x1, x2,... xn) = (0, 0,... 0) é solução
única do sistema (solução trivial). Se p < n, então existem
infinitas soluções.

199
Anexo B
DEMONSTRAÇÃO DO LEMA 3.4.1

Sejam A, C e D matrizes quadradas de ordem n tais que

 a11 a 12  a1n   K11 K 21  K n1 


C  [cij ]nxn = AĀ =   
T
       e
a n1 a n 2  a nn  nxn  K1n K 2n  K nn  nxn

 K11 K 21  K n1   a11 a 12  a 1n 
D  [dij ]nxn = ĀTA =           .
 K1n K 2n  K nn  nxn a n1 a n 2  a nn  nxn

De acordo com a Definição 1.3.4 (produto matricial),

n n
cij   a ik K jk e d ij   a kj K ki , i, j = 1 : n.
k 1 k 1

Para i = j,

n n
c ii   a ik K ik e d ii   a ki K ki , i = 1 : n,
k 1 k 1

são os elementos das diagonais principais das matrizes C e D,


respectivamente. Observe que cii corresponde ao
desenvolvimento de Laplace para a i-ésima linha da matriz A,
enquanto que dii corresponde ao desenvolvimento de Laplace
para a i-ésima coluna de A. Portanto, cii = dii = det A, i = 1 : n.

200
Quando i  j, o elemento cij da matriz C corresponde ao
desenvolvimento de Laplace para a j-ésima linha da matriz
quadrada

 a 11  a 1n 
   

 a i1  a in   linha i
 
IJ      ,
 a i1  a in   linha j
 
   
a  a nn  nxn
 n1

ou seja, cij = det IJ, enquanto que o elemento dij da matriz D


corresponde ao desenvolvimento de Laplace para a i-ésima
coluna da matriz quadrada

 a 11  a 1 j  a 1 j  a 1n 
 
JI        ,
a n1  a nj  a nj  a nn 
  nxn
coluna i   coluna j

ou seja, dij = det JI. Uma vez que IJ e JI são matrizes quadradas
de ordem n que possuem, respectivamente, duas linhas e duas
colunas iguais, det IJ = det JI = 0 (propriedade vi do
determinante). Portanto, cij = dij = 0, para i  j, i e j = 1 : n. Uma
vez que cii = dii = det A, i = 1 : n, temos C = D = (det A) In.
Dadas as definições das matrizes quadradas C e D, podemos
escrever AĀT=ĀTA = (det A) In. #

201
Anexo C
DEMONSTRAÇÃO DO LEMA 4.6.1
 
Uma vez que C1  {x 1 , x n } , n finito, é uma base de V e
 
C 2  {y1 , y s } é um conjunto de s vetores de V, cada vetor de
C2 pode ser expresso como uma combinação linear dos vetores
de C1, isto é,

 n

y j   c ij x i , j = 1 : s,
i 1

onde os coeficientes cij são conhecidos. Para determinar se C2 é


LI ou LD em V, consideramos  a equação vetorial homogênea
  
a 1 y1  a 2 y 2   a s y s  0 V a s incógnitas escalares a1, a2,... as.
Lembrando, se a solução trivial (a1, a2,... as) = (0, 0,... 0) é
solução única da equação homogênea, então C2 é um conjunto
LI em V. Se existe solução diferente da trivial, então C2 é um
conjunto LD em V. Vamos escrever a equação vetorial
homogênea da forma compacta

s
 
 j j  0 V.
a y
j1


Substituindo y j nessa equação pela combinação linear indicada
no início deste anexo, obtemos

s
 n
  
 a   c x
j1
j
i 1
ij i   0 V.

202
Rearranjando o duplo somatório, podemos escrever

n  s  n
 
 
 
i 1  j1
c ij a j

x i   d i x i  0 V , onde
 i 1
s
d i   c ij a j , i  1 : n.
j1

Observe que a equação homogênea inicial foi transformada na


equação homogênea

n
 
 i i  0V
d x
i 1

a n incógnitas d1, d2,... dn. Uma vez que C1 é um conjunto LI em


V (condição ii da Definição 4.6.1), essa equação homogênea
possui solução única (d1, d2,... dn) = (0, 0,... 0). Assim, podemos
voltar ao somatório em cijaj e escrever

c a
j1
ij j  0 , i = 1 : n.

Para cada i, esse somatório representa uma equação linear e


algébrica a s incógnitas a1,... as. Fazendo i variar de 1 a n, temos
um sistema homogêneo de n equações lineares e algébricas a s
incógnitas a1, a2,... as. Esse sistema homogêneo pode ser
expresso na forma funcional extensa

203
 c11a 1  c12 a 2   c1s a s  0
 c a  c a  c a  0
 21 1 22 2 2s s

 
c n1a 1  c n 2 a 2   c ns a s  0.

A matriz ampliada desse sistema é

 c11 c12  c1s 0


c c  c 2s 0
B   21 22 .
    
 
c n1 c n 2  c ns 0 nx (s 1)

Note que n  p, o posto da matriz B, veja o Anexo A. Se s > n,


então s > p, o que implica (s – p) > 0, isto é, existe pelo menos
uma variável livre no sistema obtido. Isso significa que o sistema
possui solução (a1,... as)  (0,... 0). Portanto, se s > n, então o
conjunto C2 é LD em V. #

Em outras palavras, se um espaço vetorial V possui uma base


com um número finito n de vetores, então qualquer conjunto
com mais de n vetores de V é LD em V.

204
Anexo D
INDEPENDÊNCIA LINEAR DA UNIÃO DE
BASES DOS SUBESPAÇOS V

Neste anexo, mostramos indutivamente que a união de bases dos


subespaços associados aos autovalores distintos de um operador
linear T sobre V é um conjunto de autovetores LI em V, veja o
primeiro parágrafo da Seção 6.3. Iniciamos com uma
demonstração da veracidade da
   
Proposição D.1  Sejam i  {x i,1 ,xi ,i }, ii  {xii,1 , xii,  ii } ,...
 
  {x ,1 ,x,  } bases dos subespaços Vi , V ii ,...V  associados
aos  autovalores distintos  i ,  ii ,   de um operador linear T
sobre um espaço vetorial V com corpo escalar K e dimensão
finita n. Se o conjunto i  ii   j , j    n, é um conjunto
de (i+ii...+j) autovetores LI em V, então o conjunto
i   ii   j   ji é um conjunto de (i+ii...+j+j+i)
autovetores LI em V, onde  = dim V ,  = i : j+i.

Dem.: Como ponto de partida, escrevemos a equação vetorial


    
c i ,1 x i ,1    c i ,  i x i ,  i  c ii ,1x ii ,1    c ii ,  ii x ii ,  ii    c j,1x j,1  
   
c j,  j x j,  j  c j i ,1x j i ,1    c ji ,  ji x ji ,  ji  0 V , j    n,

cujas incógnitas são os (i+ii...+j+j+i) coeficientes


c i ,1 ,  c j i ,  ji  K. Uma vez que T é um operador linear sobre
V, podemos escrever
     
T(ci,1xi,1    c j,  j x j,  j  c ji,1x ji,1   c ji ,  ji x ji,  ji )  T(0V )  0V ,

205
o que implica

    
ci,1T(xi,1)   c j,  j T(x j,  j )  cji,1T(x ji,1)   c ji,  ji T(x ji,  ji )  0V.

 
Uma vez que T(x,k )   x, k , k  1 :  ,   i : j  i, podemos escrever

    
ci,1i x i,1   c j,  j  j x j,  j  c ji,1 ji x ji,1   c ji,  ji  ji x ji,  ji  0V.

Neste ponto, voltamos à equação vetorial inicial, multiplicamo-la


por (j+i) e obtemos
  
c i ,1 ( ji )x i ,1    c j,  j ( j i )x j,  j  c ji ,1 ( j i ) x ji ,1  
 
 c j i,  ji ( ji )x j i,  ji  0 V.

Fazendo a adição vetorial das duas últimas equações, obtemos

  
c i ,1 ( i   j i ) x i ,1    c j,  j ( j   j i )x j,  j  0 V.

Se o conjunto i  ii   j é LI em V, então a solução trivial


é a única solução dessa equação vetorial, veja a Seção 4.5.
Portanto,

c i ,1 ( i   ji )    c j,  j ( j   j i )  0.

Uma vez que  i ,  ii , são os autovalores distintos do operador


linear T sobre V, (   ji )  0,   i : j . Daí, ci,1    c j,  j  0 , e a
equação vetorial inicial pode ser reduzida a

206
  
c j i ,1x j i ,1    c j i ,  ji x j i ,  ji  0V.

 
Uma vez que  ji  {x ji ,1 , x ji,  ji } é LI em V (j+i é uma base
de V ji ), c ji,1    c j i,  ji  0 , veja a Seção 4.5. Portanto,

ci,1    ci ,  i  cii,1    cii,  ii    c j,1    c j,  j


 c ji,1    c ji ,  ji  0

é solução única da equação vetorial inicial, e o conjunto


 i   ii    j   j i é um conjunto de (i+ii...+j+j+i)
autovetores LI em V. #

Observe que, para j = i,  i   ii    j   i . Uma vez que i


é um conjunto de i autovetores LI em V (i é uma base de Vi ),
o conjunto i  ii    j   j i  i  ii é um conjunto de
(i+ii) autovetores LI em V, pois a Proposição D.1 é
verdadeira. Observe que, para j = ii,  i   ii    j   i   ii .
Uma vez que  i  ii é um conjunto de (i+ii) autovetores LI
em V, o conjunto i  ii    j   j i  i  ii  iii é um
conjunto de (i+ii+iii) autovetores LI em V, pois a Proposição
D.1 é verdadeira. Assim, após (1) passos indutivos, o
resultado é:  i   ii      a união de bases dos subespaços
associados aos  autovalores distintos de T sobre V  é um
conjunto de (i+ii...+) autovetores LI em V. #

207
Anexo E
RESPOSTAS A EXERCÍCIOS

Capítulo 1

1)
Quadrada Nula Coluna Linha
B,D,E,F,G A,C,J L A
H,I,J,K
Estritamente
Triangular
Diagonal Identidade Triangular
Superior
Superior
B,I,J I B,G,I,J,K J,K

Estritamente
Triangular
Triangular Simétrica
Inferior
Inferior
B,F,H,I,J H,J B,E,I,J

 78 18
3) a)   ;
 8 22 2 x 2

 21 6
b)   ;
  92 222 x 2

c) o produto (B + CT)A não é definido;

208
  4  15
110  4
d)   ; e)   7 3 ;
 14  12 2 x 2
 8 23 3x 2

 36 32
29  32
f)   4  18 ; g) 
 ;
 19 14 2 x 2
 10 6 3 x 2

  58  15  1
h)  .
  22 31  55 2 x 3

Capítulo 2

1) Sim, é solução.

2) Não é solução, pois não satisfaz a terceira equação.

(1)x1  0x 2  2x 3  (5)x 4  5

3) 0x1  3x 2  (1)x 3  1x 4  5 ;
1x  5x  7x  1x  3
 1 2 3 4

 x1 
 1 0 2  5   5  1 0 2  5 5
 0 3 1 x
 1     5 ;
 2  0 3  1 1  5 .
 
x 
 1 5 7 1 3x 4  3   3  3x1  1 5 7 1 3 3x 5
 x 4  4 x1

4) Sim, é solução.

209
5) A matriz ampliada do sistema resultante é

1 0 3 / 11 10 / 11 
0 1  2 / 11  36 / 11 .
  2x 4

 3  2  8
 1 1 2
6)   .
0 3 4
 
6 9  1 4 x 3

2 7 0 9 5 2 7 0 9 5
1 3  1 0 4  1 1 0 1 10 
7) i)  ; ii)  ;
0 23 4 37 17   8  5 4 1  3
   
0 2  1 1  6 4 x 5 0 2 1 1  6 4 x5

 6 2 4 10 2  2 7 0 9 5
1 3 1 0 4   1 3 1 0 4 
iii)  ; iv)  .
 8  5 4 1  3  8  5 4 1  3
   
0 2 1 1  6 4x 5  2 8 3 1 2  4x5

10) i) Não (condições II e IV foram violadas);


ii) Sim, p = 2, c1 = 1, c2 = 3;
iii) Não (condições II, III e IV foram violadas);
iv) Sim, p = 3, c1 = 2, c2 = 4, c3 = 7.

11) i) p = 2, c1 = 2, c2 = 3,

210
( x1, x 2 , x 3 , x 4 )  (k1, 5, 7k 2  1, k 2 ), k1 e k 2  ,

 x1  1 0 0


x   0 0  
 2  k    k     5  ,
1 2
x 3   0 7  1
       
 x 4  4 x1  0 4 x 1  1  4 x1  0  4 x1
       
x  k 1v1  k 2 v 2  w , onde as matrizes colunas x , v1 , v 2 e w são
indicadas na forma extensa correspondente e k1 e k 2   .

ii) p = 3, c1 = 1, c2 = 2, c3 = 5,

( x1 , x 2 , x 3 , x 4 , x 5 , x 6 , x 7 ) 
(k1  3k 2  7k 3  3, 3k1  8k 2  2k 3  5k 4  6, k1, k 2 ,7k 4  2, k 3 , k 4 ),
k1, k 2 , k 3 e k 4  ,

 x1   1  3  7  0    3
x  3 8  2 5  6
 2          
x3  1 0 0 0  0
           
x 4   k1  0   k 2  1   k 3  0   k 4 0   0  ,
 x5  0 0 0 7    2
           
 x6  0 0 1 0  0
x  0 0 0 1   
 7  7 x1   7 x1   7 x1   7 x1   7 x1  0  7 x1

     
x  k1 v1  k 2 v 2  k 3 v3  k 4 v 4  w , onde as matrizes colunas
     
x, v1 , v 2 , v 3 , v 4 e w são indicadas na forma matricial extensa
correspondente e k1, k 2 , k 3 e k 4   .

211
iii) Sistema inconsistente; p = 3, c1 = 1, c2 = 2, c3 = 4.

1 0 0 1 0 0  4 / 3 56 / 3 
12) i) 0 1 0 ; ii) 0 1 0 8 / 3  136 / 3 ;
 
0 0 1  3 x 3 0 0 1 2  45 / 2  3 x 5
1 0 0
0 1 0
 
iii) 0 0 1  .
 
0 0 0
0 0 0 
5x3

 16 17 3 21 11 4 
13) i) CS    k  , k  , k  , k , k   ;
 15 30 5 10 15 15  

ii) CS = {};

iii) CS  (1/ 8,  39 / 16, 13/ 16) ;

 5 17 35 13  
iv) CS   k1  k2 , k1  k 2 , k1, k 2 , k1 e k2   ;
 53 53 53 53  

v) CS  {(0,0,0)} ;

71
CS  {(  k 1  2k 2  4k 3  1,  2(k1  k 2 )  k 3  21, k 1 ,
vi) 2
11
k2  k 3  3, k 2 , k 3 ), k 1 , k 2 e k 3  }.
2

212
Capítulo 3

1) a) 4; b) 9; c) 7; d) 24; e) 8; f) 6.

2) a) 7; b)15; c) 6; d) –197; e) 34; f) 0.

3) a) det A1 = 3; b) det A2 = 3; c) det A3 = 24;


d) det A4 = –216; e) det A5 = –216.

4) a) 28; b) –13; c) –5; d) 47.

5) det A = 59.

6) Sugestão: Note que, para A3x3 triangular inferior,


a 22 0
det A 3x 3  a 11K 11  a 11 (1) 2 .
a 32 a 33

7) Sugestão: Proceder como indicado no enunciado. Note que


(a2 – b2) = (a + b)(a – b).

 11/ 59 7 / 59  5 / 59
8) Sim, pois det A = 59  0. A1  28 / 59  9 / 59  2 / 59 .
47 / 59  13 / 59  16 / 59 3x 3

 1 3 2  71 / 15  4 / 5  5 / 3
9) a)  3 / 7 1  3 / 7 ; b)
  61 / 15
 4/5 4 / 3 ;
 2 / 7 1 2 / 73x3  19 / 15  1 / 5  1 / 33x3

213
 32 50  15  64 
1 / 3  5 / 3  7 / 2 
1  13 8 37  26
c)  0 1 2 ; d) ;
197  10 9 17 20 
 0 0 1 / 23x3  
 89  21 26 19  4 x 4
1  3 8
e) .
34  5 2 2 x 2

10) a) (x1, x2, x3) = (19/4, 13/4, –1/4); b) (x1, x2) = (2/7, –3/7);
c) (x1, x2, x3) = (0, 1, 1); d) (x1, x2) = (68, –28).

Capítulo 4

3) i) (3, 6, –1, –8, 9); ii) (10, 12, –5, –16, 26);
iii) (3, 10, –1, –20, 1).

4) i) 7 + 7x + (–2)x2 + 4x3; ii) –6 + 35x + (–17)x2 + 13x3;


iii) 35 + (–13)x + 14x2.
 
8) i) y1  –2 + 15x + (–7)x2; ii) y 2  –3 + x2;

iii) y 3  3 + 10x + (–3)x2.

9) i)
W  {(a 1  a 2  a 3 , a 1  a 2  4a 3 ,2a 2  a 3 ),
para todo (a 1 , a 2 , a 3 )   3 };

ii) a1 = 1, a2 = 2, a3 = 3.

10) LD em V.

214
11) LI em V.

12) O conjunto U é uma base de 4.

13) O conjunto U não é uma base de P2. A equação vetorial


c0(1–x) + c1(1–x2) = r0 + r1x + r2x2 não possui solução para
r0 + r1 + r2  0. Portanto, a condição i da Definição 4.6.1 não é
satisfeita.

Capítulo 5

1) a) não é linear; b) linear; c) linear; d) não é linear.

2  1 0  4
  1 0 
2) a) A    ; b) A   1  7 3 0 ;
 0 2 2 x 2 0 9 2 0 3x 4
 3/2 1/ 2 
c) A    .
 1/ 2 3 / 2 2 x 2

3) a) Im(T) = [(1, 0), (0, 2)];



ker(T) = {(0, 0)} = { 0 2 }.

b) Im(T) = [(2, 1, 0), (1, 7, 9), (0, 3, 2), (4, 0, 0)];
ker(T) = [(13/7, 2/7, 9/7, 1)].

c) Im(T / 6 )  [( 3 / 2, 1 / 2), (1 / 2, 3 / 2)] ;



ker(T/6) = {(0, 0)} = { 0 2 }.

215
4) a) CS  {(x, y)  2 / x  c1, y  c2 / 2, (c1, c2 )  2}  T é
sobrejetora;


ker(T) = { 0 2 }  T é injetora.

b)
CS  {(x, y, z, w)  4 /
13k 1 2k 1
x  (13c1  2c2  3c3 ), y    (c1  2c2  3c3 ),
7 28 7 14
9k 1
z    (9c1  18c2  13c3 ), w  k, k  , (c1, c2 , c3 )  3} 
7 28
T é sobrejetora;

ker(T) = [(13/7,2/7, 9/7, 1)]  { 0 4 } T não é injetora.

c)
CS  {(x, y)  2 /
1 1
x  ( 3c1  c2 ), y  (c1  3c2 ), (c1, c2 )  2} 
2 2
T/6 é sobrejetora;

ker(T/6) = { 0 2 }  T/6 é injetora.

Capítulo 6

1) a) Não; b) Sim; c) Sim.

216
2) a) 1 = 1 e 2 = 4.

 
 
A1  v  2 / v  k [1 1]1Tx 2 , k  , k  0 ;
 
 
A4  v  2 / v  k[1/ 2 1]1Tx 2 , k  , k  0 .

b) 1 = 1, 2 = 2 e 3 = 3.

 

A1  v  3 / v  k [0 0 1]1Tx 3 , k  , k  0 ; 
 

A2  v  3 / v  k[1/ 4 0 1]1Tx3 , k  , k  0 ; 
 

A3  v  3 / v  k [10/13  2 /13 1]1Tx3 , k  , k  0 .
c) 1 = –2, 2 = 1 e 3 = 3.

 
A2  {v 4 / v  k[0 0 0 1]1Tx 4 , k  , k  0};
 
A1  {v  4 / v  k[0  3 21/ 2 1]1Tx 4 , k  , k  0};
 
A3  {v  4 / v  k[0 0 5 / 2 1]1Tx 4 , k  , k  0}.

 10  2 0
3) a) p1(A) =  2 10 0 ;
 0 0 8 3 x 3

4 8 0
b) p2(A) =  8 4 0 ;
0 0 12 3 x 3

217
  30 1  14 
c) p3(A) =   69  23 21 .

  49 42  8 3 x 3

4) a) A matriz

 1 3  3
 0
A=  0 4
 3 3 1 3x 3

 
se associa ao operador linear T: 3  3, T(v)  Av , cujos
autovalores são i = 4 e ii = 2. Os subespaços associados aos
autovalores i e ii podem ser expressos nas formas

 
Vi  V4  {v  3 / v  k1[1 1 0]1Tx3  k 2 [1 0 1]1Tx 3 , k1 e k 2  }

 
Vii  V2  {v  3 / v  k[1 0 1]1Tx 3 , k  } .

Uma vez que i  {[1 1 0]1Tx 3 ,[1 0 1]1Tx3} e ii  {[1 0 1]1Tx 3} são
bases de V i e Vii , respectivamente, (i+ii) = 2+1 =3= dim 3.
Portanto, a matriz A dos coeficientes do sistema se associa ao
 
operador linear diagonalizável T: 3  3, T(v)  Av ,
conforme o primeiro parágrafo da Seção 6.3, e A = PDP1,
conforme o Teorema 6.3.1.

218
b) As equações desacopladas em z1(t), z2(t) e z3(t) podem ser
expressas na forma matricial extensa

d 
 dt z 1 ( t ) 
d  4 0 0  z1 (t ) 
 z 2 (t )  0 4 0   z 2 ( t ) 
 dt  
 d z (t)  0 0  2  3 x 3  z 3 ( t )  3 x1
 dt 3 
3 x1

 0 1 0   2 t 2  3t  8
 1 / 2  
 1/ 2 1 / 2    5te  t  .
 1 / 2 1/ 2 1 / 2  3 x 3  1  t 3 e  6 t 
3 x1

Portanto, podemos expressar as equações desacopladas em z1(t),


z2(t) e z3(t) na forma funcional extensa

d t
 dt z1 ( t )  4z1 ( t )  5te

d 2 t 3 6t
 z 2 ( t )  4z 2 ( t )  t  (3 / 2) t  (7 / 2)  (5 / 2) te  (1 / 2) t e
 dt
d 2 t 3 6t
 dt z 3 (t )  2z 3 ( t )  t  (3 / 2) t  (9 / 2)  (5 / 2)te  (1 / 2)t e .

A solução do sistema inicial de EDOs pode ser expressa na


 
forma matricial compacta y( t )  Pz ( t ) , na forma matricial
extensa

219
 y1 ( t )   1  1 1  z1 ( t ) 
 y ( t )    1 0 0  z ( t ) 
 2     2 
 y 3 (t ) 3 x1 0 1 1 3 x 3  z 3 ( t )  3 x1

e na forma funcional extensa

 y1 ( t )  z1 ( t )  z 2 ( t )  z 3 ( t )

 y 2 ( t )  z1 ( t )
 y ( t )  z ( t )  z ( t ).
 3 2 3

220
http://www.clubedeautores.com.br
Miolo impresso em papel couché branco 90g/m2
Texto composto em Times New Roman, Arial, MT Extra e Symbol
Capa, contracapa e orelhas editadas com o programa GIMP, versão 2.8.10,
em sistema operacional Linux® Ubuntu®, versão 14.04