Capítulo 1

Matrizes e Sistemas de Equações

1.1 Sistema de Equações Lineares

Uma equação linear a n incógnitas é uma equação da forma

a1 x 1 + a 2 x 2 + · · · + a n x n = b

em que a1 , a2 , · · · , an e b são números reais e x1 , x2 , · · · , xn são variáveis. Um sistema

linear de m equações em n incógnitas é portanto um sistema da forma

a11 x1 + a12 x2 + · · · + a1n xn = b1

a21 x1 + a22 x2 + · · · + a2n xn = b2
.. (1)
.
am1 x1 + am2 x2 + · · · + amn xn = bm

no qual os aij e bi são todos os números reais. Sistemas da forma (11) são chamados de
sistemas lineares m × n. Seguem-se exemplos de sitemas lineares:

x1 + 2x2 = 5
(a)
2x1 + 3x2 = 8

x1 − x2 + x3 = 2
(b)
2x1 + x2 − x3 = 4

x1 + x2 = 2
(c) x1 − x2 = 1
x1 = 4

1
 O sistema (a) é 2 × 2, (b) é uma sistema 2 × 3 e (c) é um sistema 3 × 2.
A solução de um sistema m×n é uma n-upla ordenada de números (x1 , x2 , · · · , xn ) que
satisfaz todas as equações do sistema. Por exemplo o par ordenado (1, 2) é uma solução
do sistema (a), já que

1.(1) + 2(2) = 5
(2)
2(1) + 3(2) = 8

O terno ordenado (2, 0, 0) é uma solução para o sistema (b). Na verdade o sistema
(b) tem muitas soluções. Se α é qualquer número real, é facilmente mostrado que o terno
ordenado (2, α, α) é uma solução. Já o sistema (c), não tem solução.
Se um sistema linear não tem solução dizemos que o sistema é inconsistente. Se o
sistema tem pelo menos uma solução, dizemos que é consistente. Então, o sistema (c)
é inconssitente enquanto os sistemas (a) e (b) são ambos consistentes. O conjunto de
todas as soluções de um sistema linear é chamado de conjunto solução do sistema. Se um
sistema é inconsistente, seu conjunto solução é vazio. Um sistema consistente terá um
conjunto solução não vazio. Para resolver um sistema consistente, devemos encontrar um
conjunto solução.

1.2 Sistema 2 × 2
Examinemos geometricamente um sistema da forma

a11 x1 + a12 x2 = b1
(3)
a21 x1 + a22 x2 = b2

Cada equação pode ser representada graficamente como uma linha no plano. O par
ordenado (x1 , x2 ) será uma solução do sistema se e somente se pertencer às duas linhas.
Por exemplo, considere os três sistemas

x1 + x2 = 2
(i)
x1 − x2 = 2

x1 + x2 = 2
(ii)
x1 + x2 = 1

x1 + x2 = 2
(iii)
−x1 − x2 = −2

As duas linhas dos sistema (i) se interceptam no ponto (2, 0). Portanto, {(2, 0)} é o
conjunto solução de (i). No sistema (ii) as duas linhas são paralelas. Então o sistema

2
(ii) é inconsistente e seu conjunto solução é vazio. As duas equações no sistema (iii)
representam a mesma linha. Qualquer ponto nessa linha será uma solução do sistema.
Em geral, há três possibilidades: as linhas se interceptam em um ponto, elas são
paralelas, ou ambas as equações representam a mesma linha. O conjunto solução contém
um, zero ou um número infinito de pontos.
A situação é a mesma para sistemas m × n. Um sistema m × n pode ser consistente ou
não. Se for consistente, ele deve ter ou exatamente uma solução ou um número infinito
de soluções. Essas são as únicas possibilidades.

1.3 Sistemas Equivalentes

Considerem-se os dois sitemas

3x1 + 2x2 − x3 = −2
(a) x2 = 3
2x3 = 4

3x1 + 2x2 − x3 = −2
(b) 3x1 + 2x2 + x3 = 5
3x1 + 2x2 + x3 = 2

O sistema (a) é de fácil solução, pois é claro das duas últimas equações que x2 = 3 e
x3 = 2. Usando esses valores na primeira equação, obtemos x1 = −2. Então a solução do
sistema é (−2, 3, 2). O sistema (b) parece mais difícil de resolver. Na verdade o sistema
(b) tem a mesma solução que o sistema (a). Vamos verificar isso.

Definição 1.1 Dois sistemas de equações envolvendo as mesmas variáveis são ditos equiv-
alentes se tiverem o mesmo conjunto solução.
Em resumo, há três operações que podem ser usadas em um sistema para obter um
sistema equivalente:

3
 I. A ordem em que duas equações quaisquer aparecem pode ser trocada.

II. Ambos os lados de uma equação podem ser multiplicados por um número real difer-
ente de zero.

III. Um múltiplo de uma equação pode ser somado a (ou subtraído de) outra.

Dado um sistema de equações, podemos usar essas operações para obter um sistema
que é de mais fácil solução.

1.4 Sistema n × n
Vamos nos restringir a sistemas n × n. Vamos mostrar que se um sistema n × n tem
exatamente uma solução, então as operações I e III podem ser usadas para obter um
“sistema estritamente triangular” equivalente.

Definição 1.2 Um sistema é dito estar na forma triangular estrita se na k-ésima equação
os coeficientes das primeiras k−1 variáveis são todos nulos e o coeficiente de xk é diferente
de zero (k = 1, 2, · · · , n).

Exemplo 1.1 Resolva o sistema

3x1 +2x2 −x3 = −2

x2 = 3 (4)
2x3 = 4

Quaisquer sistema n × n estritamente triangular pode ser resolvido da mesma forma que
o último exemplo. Primeiro, a n-ésima equação é resolvida para obter o valor de xn . Esse
valor é substituído na (n-1)ésima equação para obter xn−1 . Os valores de xn e xn−1 são
usados na (n-2)ésima equação para obter xn−2 e assim por diante. Vamos nos referir a esse
método de resolução de um sistema estritamente triangular como substituição reversa.

Exemplo 1.2 Resolva o sistema

x1 + 2x2 + x3 = 3
3x1 − x2 − 3x3 = −1 (5)
2x1 + 3x2 + x3 = 4

4
 O sistema de equações do exemplo 2, pode ser associado ao sistema um arranjo 3 × 3
de números cujos os elementos são os valores dos xi :
 
1 2 1
 3 −1 −3  (6)
 

2 3 1

Esse arranjo é chamado de matriz dos coeficientes do sistema. O termo matriz significa
simplesmente um arranjo retangular de números. Uma matriz contendo m linhas e n
colunas é dita m × n. Uma matriz é dita quadrada se tem o mesmo número de linhas e
colunas - isto é , se m = n. Se adicionarmos à matriz de coeficientes uma coluna cujos
elementos são os números no segundo membro do sistema, obtemos a nova matriz
 
1 2 1 3
 3 −1 −3 −1  (7)
 

2 3 1 4

Essa nova matriz é denominada matriz aumentada. Em geral, quando uma matriz B
m × r é adicionada a uma matriz m × n dessa forma , a matriz aumentada é denotada
(A|B).
A cada sistema de equações podemos associar uma matriz aumentada da forma
 
a11 · · · a1n b1
 . ..
 ..

 . 
 (8)
am1 · · · amn bm

O sistema pode ser resolvido efetuando-se operações sobre a matriz aumentada. Os

xi são marcadores que podem ser omitidos até o fim da computação. Correspondendo às
três operações utilizadas para obter sistemas equivalentes, as seguintes operações sobre
linhas podem ser aplicadas à matriz aumentada:
Operações Elementares sobre Linhas

I. Intercambiar duas linhas.

II. Multiplicar uma linha por um número real diferente de zero.

III. Substituir uma linha por sua soma a um múltiplo de outra linha.

5
Exemplo 1.3 Resolver o sistema

−x2 −x3 +x4 = 0

x1 +x2 +x3 +x4 = 6
(9)
2x1 +4x2 +x3 −2x4 = −1
3x1 +x2 −2x3 +2x4 = 3

1.5 Forma Linha Degrau

Na seção anterior aprendemos um método para reduzir uma sistema linear n × n à
forma estritamente triangular. Entretanto, este método falhará se, em qualquer etapa
do processo de redução, todas as possíveis escolhas para o elemento pivô em uma coluna
dada forem 0.

Exemplo 1.4 Considere o sistema representado pela matriz aumentada

 
1 1 1 1 1 1
−1 −1 0 0 1 −1 
 

 

 −2 −2 0 0 3 1  (10)
0 0 1 1 3 −1 
 

1 1 2 2 4 1

Definição 1.3 Uma matriz é dita na forma linha degrau

(i) Se o primeiro elemento não nulo em cada linha não nulo é 1.

(ii) Se a linha k não consiste inteiramente de zeros, o número de zeros iniciais na linha
k + 1 é maior que o número de zeros iniciais da linha k.

(iii) Se há linhas cujos elementos são todos nulos, elas estão abaixo das linhas contendo
elementos não nulos.

Exemplo
 As
1.5  seguintes
 matrizes
 estão na formalinha degrau.

1 4 2 1 2 3 1 3 1 0
 0 1 3 ,  0 0 1 ,  0 0 1 3 
     

0 0 1 0 0 0 0 0 0 0

Exemplo
 As seguintes matrizes não estão na forma linha degrau.
1.6 
2 4 6 ! !
0 0 0 0 1
 0 3 5 , ,
 
0 1 0 1 0
0 0 4

A primeira matriz não satisfaz à condição (i). A segunda matriz falha em satisfazer a
condição (iii) e a terceira matriz falha em satisfazer a condição (ii).

6
Definição 1.4 O processo de usar as operações sobre linhas I, II e III para transformar
um sistema linear em um cuja matriz aumentada está na forma linha degrau é chamado
de eliminação gaussiana.

Sistemas Sobredeterminados
Um sistema linear é dito sobredeterminado se há mais equações que incógnitas. Sis-
temas sobredeterminados são geralmente (mas não sempre) inconsistentes.

Exemplo 1.7 Resolva cada um dos seguintes sistemas sobredeterminados.

x1 + x2 = 1
(a) x1 − x2 = 3
−x1 + 2x2 = −2

x1 + 2x2 + x3 = 1
2x1 − x2 + x3 = 2
(b)
4x1 + 3x2 + 3x3 = 4
2x1 − x2 + 3x3 = 5

Sistemas Subdeterminados
Um sistema de m equações lineares a n incógnitas é dito subdeterminado se tiver menos
equações que incógnitas (m < n). Embora seja possível que um sistema subdeterminado
ser inconsistente, eles são em geral consistentes com um número infinito de soluções. Não
é possível a um sistema subdeterminado ter uma única solução. A razão para isto é que
qualquer forma linha degrau da matriz de coeficientes envolverá r ≤ m linhas não nulas.
Então, haverá r variáveis principais e n − r variáveis livres, onde n − r ≥ n − m > 0.
Se o sistema for consistente, podemos atribuir valores arbitrários às variáveis livres e
resolver para as variáveis principais. Então um sistema subdeterminado consistente terá
um número infinito de soluções.

Exemplo 1.8 Resolva cada um dos seguintes sistemas subdeterminados.

x1 + 2x2 + x3 = 1
(a)
2x1 + 4x2 + 2x3 = 3

x1 + x2 + x3 + x4 + x5 = 2
(b) x1 + x2 + x3 + 2x4 + 2x5 = 3
x1 + x2 + x3 + 2x4 + 2x5 = 2

Forma Linha Degrau Reduzida

Definição 1.5 Uma matriz é dita na forma linha degrau reduzida se

(i) A matriz está na forma linha degrau.

7
 (ii) O primeiro elemento não nulo em cada linha é o único elemento não nulo em sua
coluna.

As seguintes matrizes
 estão 
na forma
 linha degrau
 reduzida.
 
! 1 0 0 3 0 1 2 0 1 2 0 1
1 0
,  0 1 0 2 ,  0 0 0 1 ,  0 0 1 3 
     
0 1
0 0 1 1 0 0 0 0 0 0 0 0
O processo de utilização de operações elementares sobre linhas para transformar uma
matriz na forma linha degrau reduzida é chamado de redução de redução de Gauss-
Jordan.

Exemplo 1.9 Use a redução de Gauss-Jordan para resolver o sistema

−x1 + x2 − x3 + 3x4 = 0
3x1 + x2 − x3 − x4 = 0
2x1 − x2 − 2x3 − x4 = 0

Sistemas Homogêneos
Um sistema de equações lineares é dito homogêneo se as constantes no segundo membro
são todas zero. Os sistemas homogêneos são sempre consistentes. Achar uma solução é
trivial; é só fazer todas as variáveis iguais a zero. Então, se um sistema homogêneo m × n
tem uma única solução, ela deve ser a solução trivial (0, 0 · · · , 0). O sistema homogêneo
no Exemplo 6 consistia em m = 3 equações em n = 4 incógnitas. No caso de n > m
haverá sempre variáveis livres e, em consequência, soluções não triviais adicionais. Este
resultado foi essencialmente provado em nossa discussão sobre sistemas subdeterminados,
mas por causa de sua importância, nós o enunciaremos como um teorema.

Teorema 1.1 Um sistema homogêneo m × n de equações lineares tem uma solução não
trivial se n > m.

1.6 Aritmética Matricial

1. Igualdade
Duas matrizes são iguais se têm as mesmas dimensões e os elementos correspondentes
são iguais.

Definição 1.6 Duas matrizes m × n A e B são ditas iguais se aij = bij para todo
i e j.

2. Multiplicação por Escalar

Se A é uma matriz e α um escalar, então αA é a matriz formada pela multiplicação
de cada um dos elementos de A por α.

8
 Definição 1.7 A é uma matriz e α um escalar, então αA é a matriz m × n cujo
elemento (i, j) é αaij .

Por exemplo, se
!
4 8 2
6 8 10

1
então A e 3A, será?
2
Propriedade

• (αβ)A = α(βA)

3. Adição de Matrizes
Duas matrizes com a mesma dimensão podem ser somadas adicionando-se seus
elementos correspondentes.

Definição 1.8 Se A = (aij ) e B = (bij ) são ambas matrizes m × n, então a soma

A + B é a matriz m × n cujo elemento (i, j) é aij + bij para cada para ordenado
(i, j).

Por exemplo, se
! !
3 2 1 2 2 2
+ =???
4 5 6 1 2 3

Se definirmos A − B como A + (−1)B, então A − B é formada subtraindo-se cada

elemento de B do elemento correspondente de A. Então
! ! ! !
2 4 4 5 2 4 4 5
− = + (−1) =
3 1 2 3 3 1 2 3

Propriedades

• A+B =B+A
• (A + B) + C = A + (B + C)

4. Multiplição de Matrizes e Sistemas Lineares

Nosso objetivo agora é generalizar a equação Ax = b de modo a representar um
sistema linear m × n, por uma simples equação matricial onde A é uma matriz

9
 m × n, x é um vetor de incógnitas em IRn e b está em IRm Considere-se agora um
sistema linear m × n

a11 x1 + a12 x2 + · · · + a1n xn = b1

a21 x1 + a22 x2 + · · · + a2n xn = b2
.. (11)
.
am1 x1 + a1m x2 + · · · + amn xn = bm

É desejável escrever o sistema (11) como uma equação matricial

Ax = b

na qual A = (aij ) é conhecido, x é uma matriz n × 1 incógnitas, e b é uma matriz

m × 1 que representa o lado direito do sistema. Assim se fizermos
     
a11 a12 · · · a1n 1 1
 a21 a22 · · · a2n  x2 b2
     
   
A= .. , x =  .. , b =  ..  (12)
. . .
     
     
am1 am2 · · · amn xn bm

então o sistema linear de equações (11) é equivalente a equação matricial Ax = b.

5. Multiplicação de Matriz
Mais geralmente, é possível multiplicar uma matriz A por uma matriz B se o número
de colunas de A é igual ao número de linha de B.

Definição 1.9 Se A = (aij ) é uma matriz m × n e B = (bij ) é uma matriz m × r

cujos elementos são definidos por

n
X
cij = aik bkj
k=1

 
3 −2 !
−2 1 3
Exemplo 1.10 Se A =  2 4  e B = então AB =???
 
4 1 6
1 −3

Propriedades

• (AB)C = A(BC)
• A(B + C) = AB + AC
• (A + B)C = AC + BC

10
 • (α + β)A = αA + βA
• α(A + B) = αA + αB

6. Transposta de uma matriz

Dada uma matriz m × n, é muitas vezes útil formar uma nova matriz n × m, cujas
colunas são as linhas.

Definição 1.10 A transposta de uma matriz m × n A é a matriz n × m B definida

por
bji = aij

para j = 1, · · · , n e i = 1, · · · , m. A transposta de A é denotada como AT .

 
! −2 4
−2 1 3
Exemplo 1.11 Se A = , então AT =  1 1 
 
4 1 6
3 6

Definição 1.11 Uma matriz A n × n é dita simétrica se AT = A

! !
1 2 1 2
Exemplo 1.12 Se B = , então B T = .
2 3 2 3

Propriedades

(i) (AT )T = A
(ii) (αA)T = αAT
(iii) (A + B)T = AT + B T
(iv) (AB)T = B T AT

7. Matriz Identidade
Assim como o número 1 age como uma identidade na multiplicação de números
reais, há uma matriz especial I que age como uma identidade para a multiplicação
de matrizes; isto é
IA = AI = A (13)

para qualquer matriz n × n A. É fácil verificar que, se nós definimos I como uma
matriz n × n com 1 na diagonal principal e 0 no restante, então I satisfaz a equação
(13) para qualquer matriz n × n . Mais formalmente temos a seguinte definição:

Definição 1.12 A matriz identidade n × n é a matriz I = (δij ), onde

(
1 se i = j
δij = (14)
0 se i 6= j.

11
  
3 4 1
Exemplo 1.13 Consideremos a matriz A =  2 6 3  e verifiquemos se AI =
 

0 1 8
IA = A.

1.7 Inversão de matrizes

Diz-se que um número real a tem um inverso multiplicativo se existe um número
1
b tal que ab = 1. Qualquer número n]ao nulo a tem um inverso multiplicativo b = .
a
Generalizamos o conceito de inverso multiplicativo para matrizes com a seguinte definição:

Definição 1.13 Uma matriz A n × n é dita não singular ou inversível se existe uma
matriz B tal que AB = BA = I. A matriz é dita o inverso multiplicativo
! !
1 2
2 4 − 10
As matrizes A = eB = 3
5
1
são inversas uma da outra já que
3 1 10
− 5
AB = I = BA. Verifique.

Definição 1.14 Uma matriz n × n é dita singular se não tem um inverso multiplicativo

12
Capítulo 2

Determinantes

A cada matriz n × n, A, é possível associar um escalar, det(A), cujo valor dirá se a

matriz é não singular.

Definição 2.1 Seja A = (aij ) uma matriz n × n e seja Mij a matriz (n − 1) × (n − 1)

obtida de A eliminando-se a linha e a coluna contendo aij . O determinante de Mij é
chamado de menor aij . Definimos o cofator Aij de aij por

Aij = (−1)i+j det(Mij ) (1)

Definição 2.2 O determinante de uma matriz n × n, A, escrito det(A), é um escalar

associado à matriz A que é definido indutivamente por
(
a11 se n = 1
det(A) = (2)
a11 A11 + a12 A12 + · · · + a1n A1n se n > 1

na qual

A1j = (−1)1+j det(M1j ) j = 1, · · · , n (3)

são os cofatores associados com os elementos na primeira linha de A.

 
2 5 4
Exemplo 2.1 Se A =  3 1 2  então det(A) =???
 

5 4 6

Teorema 2.1 Se uma matriz n × n, A, com n ≥ 2, então det(A) pode ser expresso como

13
uma expansão em cofatores usando qualquer linha ou coluna de A; isto é

det(A) = ai1 Ai1 + ai2 Ai2 + · · · + ain Ain

(4)
= a1j A1j + a2j A2j + · · · + anj Anj

para i = 1, · · · , n e j = 1, · · · , n.

A expansão em cofatores de um determinante 4×4 envolve quatro determinantes 3×3.

Podemos frequentemente economizar trabalho expandido ao longo da linha ou coluna que
contém mais zeros. Por exemplo, para avaliar
 

 0 2 3 0 

 

 0 4 5 0 


 0 1 0 3 

 
 2 0 1 3 

expandiremos ao longo da primeira coluna.

Teorema 2.2 Se A é uma matriz n × n, então det(AT ) = det(A)

Teorema 2.3 Se A é uma matriz triangular n × n, então o determinante de A é igual

ao produto dos elementos diagonais de A.

Teorema 2.4 Seja A é uma matriz n × n, então o determinante de A é igual ao produto

dos elementos diagonais de A.

Teorema 2.5 Se A é uma matriz n × n.

(i) Se A tem uma linha ou uma coluna consistindo inteiramente em zeros, então det(A) =
0.

(ii) Se A tem duas linhas idênticas ou duas colunas idênticas, então det(A) = 0

(ii) então o determinante de A é igual ao produto dos elementos diagonais de A.

14
Capítulo 3

Espaço Vetorial

O estudo de espaços vetoriais é a base da teoria de Álgebra Linear, porque é a partir

dele que iremos definir outros conceitos que são muito aplicados em outras áreas como:
tranformações lineares, produto interno, entre outros.

3.1 Espaços Vetoriais

Definição 1: Um espaço vetorial é um conjunto não vazio V sobre (um corpo) K se
em seus elementos denominados vetores estiverem definidas as seguintes duas operações:

(A) A cada par de vetores u, v ∈ V corresponde um vetor u + v ∈ V , chamado de soma

de u e v de modo que:

(A1) u + v = v + u, ∀u, v ∈ V (propriedade comutativa);

(A2) (u + v) + w = u + (v + w), ∀u, v, w ∈ V (propriedade associativa);

(A3) existe um vetor 0v denominado vetor nulo tal que

0v + v = v, ∀v ∈ V ;

(A4) a cada vetor v admite um vetor (simétrico) (−v) em V tal que

v + (−v) = 0v , ∀v ∈ V.

(M) A cada par α ∈ K e v ∈ V corresponde um vetor αv ∈ V , denominado produto

escalar de α por v de modo que:

15
(M1) (α · β) · v = α · (β · v), ∀α, β ∈ K (propriedade associativa);

(M2) 1 · v = v, ∀v ∈ V (onde 1 é o elemento identidade de K)

Além disso vamos impor que as operações dadas em (A) e (M) se distribuam, isto
é, que satisfaçam a seguinte propriedade.

(D1) α · (u + v) = α · u + α · v , ∀α ∈ K e ∀v, u ∈ V

(D2) v · (α + β) = v · α + v · β, ∀α, β ∈ K e ∀v ∈ V

Exemplo 3.1 Mostre que o conjunto dos vetores V = IR2 = {v = (x1 , x2 ); xi ∈ IR} é um
espaço vetorial sobre o corpo K = IR com as operações usuais.

Exemplo 3.2 Verifique se o conjunto dos vetores V = IR2 = {v = (x1 , x2 , ); xi ∈ IR} é

um espaço vetorial sobre o corpo K = IR com as operações,

u + v = (x1 , x2 ) + (y1 , y2 ) = (x1 + y1 , x2 + y2 ),

α · u = α(x1 , x2 ) = (αx1 , x2 ).

Dessa mesma forma podemos provar que os conjuntos abaixo também são espaços
vetoriais

• V = IRn

Definindo a adição de duas n-uplas ordenadas, x = (x1 , · · · , xn ) e y = (y1 , · · · , yn ),

adicionando-se coordenada a coordenada, isto é,

x + y = (x1 + y1 , · · · , xn + yn )

e o produto de uma n-upla x = (x1 , · · · , xn ) por um escalar α ∈ IR

αx = (αx1 , · · · , αxn ).

• V = Pn (IR)

Sejam n ∈ IN e Pn (IR) o conjunto formado por todos os polinômios de grau menor

ou igual a n com coeficientes reais. Definimos a adição e a multiplicação por escalar
da seguinte maneira:

16
 Se p(x) = a0 + a1 x · · · + an xn e q(x) = b0 + b1 x · · · + bn xn são elementos de Pn (IR)
então
p(x) + q(x) = (a0 + b0 ) + (a1 + b1 )x + · · · + (an + bn )xn .

Se p(x) = a0 + a1 x · · · + an xn é um elemento de Pn (IR) α ∈ IR então

αp(x) = (αa0 ) + (αa1 )x + · · · + (αan )xn .

• V = Mn×n (IR)
O conjunto das matrizes n por n com coeficientes reais: Mn×n (IR) munido de op-
erações onde podemos somar duas matrizes quadradas de ordem n, A = (aij )n×n e
B = (bij )n×n , colocando A + B = (aij + bij )n×n , que é um elemento de Mn . Com a
relação a multiplicação de A = (aij )n×n por um escalar α ∈ IR, é natural definirmos
αA = (αaij )n×n , o qual também pertence a Mn .

3.2 Propriedades de Espaço Vetorial

1. ∀ α ∈ IR ⇒ α · 0n = 0n .
Dem. Temos α · 0n = α · (0n + 0n ) = α · 0n + α · 0n .
Somando a ambos os membros o vetor − (α · 0n ) segue que
− (α · 0n ) + α · 0n = − (α · 0n ) + α · 0n + α · 0n
0n = α · 0n .

2. ∀ v ∈ V ⇒ 0 · v = 0n .
Dem. Temos 0 · v = (0 + 0) · v = 0 · v + 0 · v.
Somando −0 · v a ambos os membros, segue que
−0 · v + 0 · v = −0 · v + 0 · v + 0 · v
0n = 0 · v.

3. A igualdade α · u = 0n , com α ∈ IR e u ∈ V , só é possível se α = 0 ou u = 0n .

Dem. Suponhamos α 6= 0. Daí existe o número real α−1 .
Multiplicando α · u = 0n por α−1 teremos:
α−1 · (α · u) = α−1 · 0n
(α−1 · α) · u = 0n
1·u = 0n
u = 0n .

17
4. Para todo α ∈ IR e todo u de V , (−α)u = α(−u) = −(αu).
Dem. Note que

α · u + (−α) · u = [α + (−α)] u = 0 · u = 0n

Por outro lado,

α · u + (−α · u) = 0n

Então,

α · u + (−α) · u = α · u + (−α · u)

Somando −α · u a ambos os membros desta última igualdade, temos

−α · u + α · u + (−α) · u = −α · u + α · u + (−α · u)
(−α) · u = −α · u.

De forma análoga prova-se que α · (−u) = −(α · u).

Nota: Define-se diferença entre dois vetores u e v do espaço V da seguinte forma:

u − v = u + (−v).

5. Quaisquer que sejam α, β ∈ IR e u ∈ V , temos

(α − β)u = αu − βu.

Dem.

(α − β) u = [α + (−β)] = α · u + (−β) · u = α · u + [−(β · u)] = α · u − β · u.

6. Quaisquer que sejam α ∈ IR, u e v em V , temos

α(u − v) = αu − αv.

Dem. Exercício

7. Dados β, α1 , α2 , · · · , αn ∈ IR e u1 , u2 , · · · , un em V , então:
n
! n
X X
β αj uj = (βαj ) uj .
j=1 j=1

18
 Dem. Provaremos por indução sobre n.
Para n = 1, temos β (α1 · u1 ) = (β · α1 ) · u1 (verdadeiro por M1 ).
Suponhamos que vale para n = k, então, temos

β (α1 · u1 + · · · + αk · uk ) = (βα1 ) u1 + · · · + (β · αk )uk .

Se provarmos que vale pra n = k + 1, segue que vale para todo n.

β (α1 · u1 + · · · + αk · uk + αk+1 · uk+1 ) = β (α1 · u1 + · · · + αk · uk ) + β (αk+1 · uk+1 )

= (β · α1 ) u1 + · + (β · αk ) uk + (β · αk+1 ) uk+1

3.3 Subespaço Vetorial

Definição 3.1 Dado um espaço vetorial V , um subconjunto W , não-vazio, será um su-
bespaço vetorial de V se:

i) Para quaisquer u, v ∈ W tivermos u + v ∈ W ;

ii) Para quaisquer α ∈ IR, u ∈ W tivermos αu ∈ W .

Observação 1 Todo espaço vetorial V admite pelo menos dois subespaços: S = {0},
chamado subespaço nulo, e o próprio espaço vetorial V . Esses dois são chamados subes-
paços triviais de V . Os demais são denominados subespaços próprios de V .

Exemplo 3.3 Os subespaços triviais de V = IR3 são S = {(0, 0, 0)} e o próprio IR3 . Os
subespaços próprios são as retas e os planos que passam pela origem.

Exemplo 3.4 Sejam V = IR2 e S = (x, y) ∈ IR2 / y = 2x . Mostre que S é um sube-



spaço vetorial do IR2 .

Teorema 3.1 Sejam W1 e W2 subespaços de um espaço vetorial V . Então o conjunto

W1 + W2 = {v ∈ V / v = w1 + w2 , w1 ∈ W1 e w2 ∈ W2 } é subespaço de V.

Teorema 3.2 Sejam W1 e W2 subespaços de um espaço vetorial V . Então o conjunto

W1 ∩ W2 = {v ∈ V / v ∈ W1 e v ∈ W2 } é subespaço de V.

3.4 Bases
Discutiremos nesta seção um dos conceitos mais importantes envolvendo a estrutura
de espaço vetorial, qual seja, o de base. Começaremos com alguns conceitos fundamentais.

19
Lista de exercícios
1. Verifique se em cada um dos itens o conjunto V com as operações indicadas é um
espaço vetorial sobre IR.

(a) V = IR2 , (x1 , y1 ) + (x2 , y2 ) = (x1 + x2 , y1 + y2 ), α(x, y) = (αx, 0).

(b) V = IR2 , (x1 , y1 ) + (x2 , y2 ) = (x1 · x2 , y1 · y2 ), α(x, y) = (xα , y α ).

2. Mostrar que V é espaço vetorial de acordo com as operações definidas no texto para
os conjuntos abaixo.

(a) V = IRn

(b) V = Pn (IR)

(c) V = Mn×n (IR)

3. Sejam V = IR2 e S = (x, 4 − 2x) ∈ IR2 / x ∈ IR . Mostre que S não é um subespaço



vetorial do IR2 .

4. Sejam V = IR3 e S o conjunto solução de um sistema homogêneo de três equações

e três variáveis. Mostre que S é um subespaço vetorial do IR3 .

20