Você está na página 1de 111

MINISTÉRIO DA DEFESA

EXÉRCITO BRASILEIRO
ESCOLA PREPARATÓRIA DE CADETES DO EXÉRCITO

UD I: Introdução à Álgebra Linear

Autores:
Maj QCO Alex Sandro Faria Manuel - Mestre em Matemática - UNICAMP
Cap QCO Rafael Gomes de Oliveira - Mestre (PROFMAT) - UFSM
Profa. Lígia Rodrigues Bernabé Naves - Doutora em Matemática Aplicada - UNICAMP
Profa. Marina Aparecida Gaglioli - Mestra (PROFMAT) - UNICAMP
Prof. Alessandro Silva Santos - Mestre (PROFMAT) - UNICAMP

Campinas - SP
2021
Sumário

Introdução 1

1 Pré-Requisitos 3
1.1 Matrizes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.1.1 Matrizes Especiais . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.1.2 Operações com Matrizes . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.1.3 Operações Elementares . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.2 Exercícios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.3 Determinantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.3.1 Determinantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.3.2 Propriedades do Determinante . . . . . . . . . . . . . . . . . . . . . . 19
1.4 Exercícios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
1.5 Sistemas Lineares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
1.5.1 Sistemas Lineares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
1.5.2 Solução de um Sistema Linear . . . . . . . . . . . . . . . . . . . . . . 24
1.5.3 Forma Matricial de um Sistema Linear . . . . . . . . . . . . . . . . . 24
1.5.4 Classificação dos Sistemas Lineares . . . . . . . . . . . . . . . . . . . 25
1.6 Exercícios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27

2 Vetores 29
2.1 Segmento Orientado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.1.1 Direção e sentido de um segmento orientado . . . . . . . . . . . . . . 30
2.1.2 Segmentos equipolentes . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.2 Vetores no Plano e no Espaço . . . . . . . . . . . . . . . . . . . . . . . . . . 31

i
2.2.1 Módulo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.2.2 Vetores Iguais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.2.3 Vetor Nulo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.2.4 Vetor Unitário . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.2.5 Vetores Opostos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.3 Operações com Vetores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.3.1 Adição de Vetores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.3.2 Diferença de Vetores . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.3.3 Multiplicação de um Número Real por um Vetor . . . . . . . . . . . . 33
2.4 Vetores no R2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
2.4.1 Igualdade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
2.4.2 Operações . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
2.4.3 Vetor definido por Dois Pontos . . . . . . . . . . . . . . . . . . . . . 35
2.4.4 Produto Escalar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.4.5 Módulo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.4.6 Ângulo entre Dois Vetores . . . . . . . . . . . . . . . . . . . . . . . . 37
2.4.7 Paralelismo e Ortogonalidade . . . . . . . . . . . . . . . . . . . . . . 37
2.4.8 Projeção Ortogonal de um Vetor sobre Outro . . . . . . . . . . . . . 37
2.4.9 Equação vetorial da reta . . . . . . . . . . . . . . . . . . . . . . . . . 38
2.5 Vetores no R3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
2.5.1 Igualdade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
2.5.2 Operações . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
2.5.3 Vetor Definido por Dois Pontos . . . . . . . . . . . . . . . . . . . . . 40
2.5.4 Produto Escalar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
2.5.5 Módulo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
2.5.6 Ângulo entre Dois Vetores . . . . . . . . . . . . . . . . . . . . . . . . 41
2.5.7 Paralelismo e Ortogonalidade . . . . . . . . . . . . . . . . . . . . . . 41
2.5.8 Projeção Ortogonal de um Vetor sobre Outro . . . . . . . . . . . . . 42
2.5.9 Produto Vetorial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42

ii
2.5.10 Propriedades do Produto Vetorial . . . . . . . . . . . . . . . . . . . . 43
2.5.11 Equação vetorial da reta . . . . . . . . . . . . . . . . . . . . . . . . . 44
2.5.12 Equação vetorial do plano . . . . . . . . . . . . . . . . . . . . . . . . 46
2.6 Exercícios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47

3 Espaços Vetoriais 50
3.1 Espaço Vetorial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
3.1.1 Exemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
3.1.2 Propriedades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
3.2 Subespaço Vetorial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
3.2.1 Exemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
3.2.2 Interseção de Subespaços . . . . . . . . . . . . . . . . . . . . . . . . . 59
3.2.3 Soma de Subespaços . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
3.3 Exercícios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62

4 Combinação Linear 63
4.1 Definição . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
4.1.1 Exemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
4.2 Subespaços Gerados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
4.2.1 Exemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
4.3 Conjuntos Geradores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
4.3.1 Exemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
4.4 Dependência e Independência Linear . . . . . . . . . . . . . . . . . . . . . . 66
4.4.1 Exemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
4.5 Base de um Espaço Vetorial . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
4.5.1 Exemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
4.6 Dimensão de um Espaço Vetorial . . . . . . . . . . . . . . . . . . . . . . . . 70
4.6.1 Exemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
4.7 Sistema de Coordenadas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
4.8 Mudança de Base . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72

iii
4.9 Exercícios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74

5 Transformações Lineares 78
5.1 Definição . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
5.1.1 Exemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
5.2 Propriedades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
5.3 Representação Matricial de Transformações Lineares . . . . . . . . . . . . . 82
5.3.1 Exemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
5.4 Composição de Transformações Lineares . . . . . . . . . . . . . . . . . . . . 85
5.4.1 Exemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
5.5 Inversa de uma Transformação Linear . . . . . . . . . . . . . . . . . . . . . . 87
5.5.1 Exemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
5.6 Núcleo e Imagem de uma Transformação Linear . . . . . . . . . . . . . . . . 88
5.6.1 Exemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
5.7 Conceitos e Teoremas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
5.8 Matrizes e Transformações Lineares . . . . . . . . . . . . . . . . . . . . . . . 93
5.9 Exercícios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95

6 Respostas dos Exercícios 98

Referências Bibliográficas 106

iv
Introdução

A presente apostila tem por objetivo fazer uma introdução da Álgebra Linear e foi es-
crita de forma que seja auto-suficiente. Para tanto, será realizada uma revisão de matrizes,
determinantes e sistemas lineares, assuntos já vistos no ensino médio. Depois dessa revisão,
estaremos aptos para estudar os vetores no R2 e R3 e para apresentar os conceitos de espaço
vetorial, combinação linear e transformação linear, além de alguns teoremas e propriedades
envolvidos.
Neste curso introdutório, serão considerados apenas espaços vetoriais sobre o conjunto
dos números reais (R) com dimensão finita. Salientamos que somente as demonstrações que
julgamos pertinentes ao objetivo do curso serão apresentadas. Caso queira ou precise das
outras demonstrações, utilize os livros constantes nas referências bibliográficas. Informamos,
ainda, que as figuras utilizadas nessa apostila foram produzidas pelo Maj Sandro e pelo Cap
Rafael.
Inicia-se o estudo, no primeiro capítulo, fazendo uma revisão de matrizes, determinantes
e sistemas lineares, considerados como pré-requisitos para o entendimento dos capítulos
seguintes.
No segundo capítulo, iremos abordar os assuntos de vetores no R2 e R3 , suas operações
e algumas propriedades.
No terceiro capítulo, iremos definir os conceitos de espaço e subespaço vetorial, estruturas
fundamentais em Álgebra Linear, capazes de generalizar a ideia de vetores para elementos
dos mais diversos conjuntos.
No quarto capítulo, estudaremos as combinações lineares, tema que nos habilita a cons-
truir representações matriciais dos vetores estudados, determinar a dependência linear de
vetores e estabelecer um conjunto de vetores suficientes para gerar determinado espaço ve-
torial.

1
No último capítulo, veremos o conceito de transformações lineares, que são um tipo espe-
cial de função entre dois espaços vetoriais, alguns exemplos, propriedades e suas operações.
Veremos como podemos relacionar as transformações lineares entre espaços de dimensão
finita e matrizes. Este fato facilita o cálculo da imagem de qualquer vetor por uma trans-
formação linear, auxilia no estabelecimento de composição de transformações lineares e na
determinação da transformação linear inversa, quando esta existir. Veremos alguns exemplos
e teoremas que nos ajudarão a compreender melhor os tópicos abordados.
Por ser a Álgebra Linear um assunto bem abstrato, recomenda-se fortemente que todos os
exercícios sejam feitos. É fundamental no aprendizado de qualquer assunto da Matemática
tentar fazer os exercícios. Por isso, aproveite o tempo destinado em aula e os tempos de
estudos para rever os conteúdos e tentar fazer os exercícios. É a partir dessa tentativa que
podemos mensurar se estamos compreendendo os assuntos estudados. Não desanime se tiver
dificuldade nos exercícios ou no entendimento da matéria! Procure o professor ou até mesmo
um colega para tirar suas dúvidas. São nessas horas que consolidamos e reforçamos nosso
aprendizado.
Outra ferramenta importante para seu aprendizado é o Ambiente Virtual de Aprendiza-
gem (AVA). Não deixe de visitá-lo! Lá existem documentos que nortearão e facilitarão seus
estudos, tais como cronograma das aulas, vídeos, slides e listas de exercícios adicionais. Lá
também existe um Fórum de Dúvidas, ambiente este em que você pode colocar sua dúvida e,
tão logo seja visualizada, será respondida por um professor ou por um aluno. Dessa forma,
o aluno pode tirar sua dúvida sem ter que esperar pela próxima aula ou tempo de estudo.

Bons estudos e bem-vindo à EsPCEx, onde tudo começa!


Tudo por um ideal! Preparatória, Brasil!
Brasil acima de tudo!

“Não existe ciência aplicada, mas sim aplicações da ciência”.


Louis Pasteur

2
Capítulo 1

Pré-Requisitos

1.1 Matrizes

Definição 1.1.1. Dá-se o nome de matriz a uma tabela organizada em linhas e colunas,
denotada por 𝐴𝑚×𝑛 ou 𝐴 = (𝑎𝑖𝑗 )𝑚×𝑛 , onde o par de índices 𝑖𝑗 representa a posição de cada
elemento 𝑎𝑖𝑗 dentro da matriz, sendo que o índice 𝑖 indica a linha e 𝑗, a coluna. O elemento
𝑚 × 𝑛 é chamado dimensão da matriz e representa o seu tamanho: a letra 𝑚 indica o
número de linhas da matriz e 𝑛, o número de colunas.

Toda matriz 𝐴 = (𝑎𝑖𝑗 )𝑚×𝑛 pode ser representada, genericamente, por:

⎡ ⎤ ⎛ ⎞
⎢ 𝑎11 𝑎12 · · · 𝑎1𝑛 ⎥ ⎜ 𝑎11 𝑎12 · · · 𝑎1𝑛 ⎟
⎢ ⎥ ⎜ ⎟
⎢ 𝑎21

𝑎22 · · · 𝑎2𝑛 ⎥ ⎜ 𝑎

𝑎22 · · · 𝑎2𝑛 ⎟
⎥ ou ⎜ 21
⎥ ⎟
⎢ . .. .. ⎥ ⎜ . .. .. ⎟
⎢ ⎟
⎢ .. . . ⎥ ⎜ .. . . ⎟

⎢ ··· ⎜ ··· ⎟
⎣ ⎦ ⎝ ⎠
𝑎𝑚1 𝑎𝑚2 · · · 𝑎𝑚𝑛 𝑎𝑚1 𝑎𝑚2 · · · 𝑎𝑚𝑛

De forma abreviada, a matriz 𝐴 acima pode ser representada na forma: 𝐴 = (𝑎𝑖𝑗 ); 𝑖 ∈


{1, 2, 3, · · · , 𝑚}; 𝑗 ∈ {1, 2, 3, · · · , 𝑛}.

Observação 1.1.2. Será utilizado o termo ordem da matriz quando o número de linhas
for igual ao número de colunas; caso contrário, dir-se-á dimensão da matriz.

3
⎡ ⎤
3 0 2 1 ⎥
Exemplo 1.1.3. ⎢ ⎣ ⎦ representa uma matriz de dimensão 2 × 4, onde o número
−1 3 5 4
5, por exemplo, representa o elemento 𝑎23 .
⎡ ⎤
1 2 ⎥
Exemplo 1.1.4. ⎢
⎣ ⎦ representa uma matriz de ordem 2.
3 4

1.1.1 Matrizes Especiais

1. A matriz de dimensão 1 × 𝑛 é chamada de matriz linha.


[︂ ]︂
Exemplo 1.1.5. 1 2 3 é uma matriz linha de dimensão 1 × 3.

2. A matriz de dimensão 𝑛 × 1 é chamada de matriz coluna.


⎡ ⎤
1 ⎥
Exemplo 1.1.6. ⎢
⎣ ⎦ é uma matriz coluna de dimensão 2 × 1.
4

3. A matriz de dimensão 𝑛×𝑛 é chamada de matriz quadrada de ordem 𝑛. A diagonal


da matriz quadrada que é constituída pelos elementos {𝑎𝑖𝑗 |𝑖 = 𝑗} = {𝑎11 , 𝑎22 , · · · , 𝑎𝑛𝑛 }
é chamada de diagonal principal. E a diagonal da matriz quadrada que é constituída
pelos elementos que têm a soma dos índices iguais a 𝑛 + 1, isto é, {𝑎𝑖𝑗 |𝑖 + 𝑗 = 𝑛 + 1} =
{𝑎1 𝑛 , 𝑎2 𝑛−1 , · · · , 𝑎𝑛 1 } é chamada de diagonal secundária.
⎡ ⎤
⎢ 1 2 3 0 ⎥
⎢ ⎥
⎢ 4 5 6 10 ⎥

⎥ é uma matriz quadrada de ordem 4 com diagonal

Exemplo 1.1.7. ⎢
7 8 9 11
⎢ ⎥
⎢ ⎥
⎢ ⎥
⎣ ⎦
12 13 14 15
principal {1, 5, 9, 15} e diagonal secundária {0, 6, 8, 12}.

4. A matriz quadrada 𝑛 × 𝑛 que possui todos os seus elementos iguais a zero é chamada
de matriz nula de ordem 𝑛.
⎡ ⎤
0 0 ⎥
Exemplo 1.1.8. ⎢
⎣ ⎦ é uma matriz nula de ordem 2.
0 0

4
5. A matriz quadrada na qual todos os seus elementos não pertencentes à diagonal prin-
cipal são iguais a zero, isto é, 𝑎𝑖𝑗 = 0, se 𝑖 ̸= 𝑗 é chamada de matriz diagonal.
⎡ ⎤
⎢ 1 0 0 ⎥
⎢ ⎥
Exemplo 1.1.9. 0 0 0 ⎥
⎢ ⎥

⎢ ⎥
0 0 9
⎣ ⎦

6. A matriz quadrada na qual todos os elementos da diagonal principal são iguais a 1 e os


outros elementos são iguais a 0 é chamada de matriz identidade de ordem 𝑛 (𝐼𝑛 ) .
⎡ ⎤
⎢ 1 0 0 ⎥
⎢ ⎥
Exemplo 1.1.10. 𝐼3 = 0 1 0 ⎥ é a matriz identidade de ordem 3.
⎢ ⎥

⎢ ⎥
0 0 1
⎣ ⎦

1.1.2 Operações com Matrizes

Definição 1.1.11. Duas matrizes de mesma dimensão são iguais se, e somente se, os ele-
mentos com os mesmos índices são iguais. Ou seja, se 𝐴 = (𝑎𝑖𝑗 )𝑚×𝑛 e 𝐵 = (𝑏𝑖𝑗 )𝑚×𝑛 , então
𝑎𝑖𝑗 = 𝑏𝑖𝑗 para todo 1 ≤ 𝑖 ≤ 𝑚 e todo 1 ≤ 𝑗 ≤ 𝑛.
⎡ ⎤ ⎡ ⎤
2𝑥 3𝑧 + 2 ⎥ ⎢ 𝑥 + 1 2𝑧 ⎥
Exemplo 1.1.12. Determine 𝑥, 𝑦 e 𝑧 de modo que ⎢
⎣ ⎦=⎣ ⎦.
3 4 3 𝑦+4
Logo: 2𝑥 = 𝑥 + 1 ⇒ 2𝑥 − 𝑥 = 1 ⇒ 𝑥 = 1, 4 = 𝑦 + 4 ⇒ 𝑦 = 4 − 4 ⇒ 𝑦 = 0 e
3𝑧 + 2 = 2𝑧 ⇒ 3𝑧 − 2𝑧 = −2 ⇒ 𝑧 = −2.

Definição 1.1.13. Dadas duas matrizes de mesma dimensão 𝐴 = (𝑎𝑖𝑗 )𝑚×𝑛 e 𝐵 = (𝑏𝑖𝑗 )𝑚×𝑛 ,
chama-se soma de 𝐴 com 𝐵 a matriz 𝑆 de dimensão 𝑚 × 𝑛 cujos elementos são obtidos
somando-se os elementos correspondentes de 𝐴 e 𝐵, ou seja, 𝑠𝑖𝑗 = 𝑎𝑖𝑗 + 𝑏𝑖𝑗 .
⎡ ⎤ ⎡ ⎤
1 2 ⎥ ⎢ 5 6 ⎥
Exemplo 1.1.14. Dadas as matrizes 𝐴 = ⎢
⎣ ⎦e𝐵=⎣ ⎦, determine 𝐴 + 𝐵.
3 4 7 8
⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤
1 2 ⎥ ⎢ 5 6 ⎥ ⎢ 1+5 2+6 ⎥ ⎢ 6 8 ⎥
𝐴+𝐵 =⎢
⎣ ⎦+⎣ ⎦=⎣ ⎦=⎣ ⎦.
3 4 7 8 3+7 4+8 10 12
Dadas as matrizes 𝐴, 𝐵, 𝐶 e a matriz nula 0, todas de mesma dimensão, as seguintes
propriedades da adição são válidas:

5
1. Comutativa: 𝐴 + 𝐵 = 𝐵 + 𝐴.

2. Associativa: 𝐴 + (𝐵 + 𝐶) = (𝐴 + 𝐵) + 𝐶.

3. Elemento Neutro: 𝐴 + 0 = 𝐴.

4. Elemento Simétrico: 𝐴 + (−𝐴) = 0.

Definição 1.1.15. Dada uma matriz 𝐴, a matriz −𝐴 tal que 𝐴+(−𝐴) = 0 chama-se matriz
oposta de 𝐴.
⎡ ⎤
⎢ 1 6 −3 ⎥
Exemplo 1.1.16. Determine a matriz oposta da matriz 𝐴 = ⎣ ⎦.
0 −1 −5
⎡ ⎤ ⎡ ⎤
−1 −6 −(−3) ⎥ −1 −6 3 ⎥
−𝐴 = ⎣ =⎣ ⎦.
⎢ ⎢

−0 −(−1) −(−5) 0 1 5

Definição 1.1.17. A subtração das matrizes 𝐴 e 𝐵, de mesma dimensão, é definida por:


𝐴 − 𝐵 = 𝐴 + (−𝐵). Ou seja, a subtração de 𝐴 por 𝐵 é a adição de 𝐴 com a matriz oposta
de 𝐵.
⎡ ⎤ ⎡ ⎤
⎢ 3 1 3 5 ⎥
⎢ 0 1 3 6 ⎥
Exemplo 1.1.18. Dadas as matrizes 𝐴 = ⎣ ⎦e𝐵=⎣ ⎦, deter-
−1 2 −1 4 1 3 1 7
mine
⎡ 𝐴 − 𝐵. ⎤ ⎡ ⎤ ⎡ ⎤
3 1 3 5 0 1 3 6 3 − 0 1 − 1 3 − 3 5 − 6
⎦ − ⎣ = =
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎣ ⎦ ⎣ ⎦
−1 2 −1 4 1 3 1 7 −1 − 1 2 − 3 −1 − 1 4 − 7
⎡ ⎤
⎢ 3 0 −1 ⎥ 0
⎣ ⎦.
−2 −1 −2 −3
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
1 2 ⎥ ⎢ 0 5 ⎥ −1 7 ⎥
Exemplo 1.1.19. Dadas as matrizes 𝐴 = ⎣ ⎦, 𝐵 = ⎣ e 𝐶 = ⎣ ⎦,
⎢ ⎢

2 3 7 6 5 −2
determine a matriz 𝑋 tal⎡ que 𝑋 + 𝐴 = 𝐵 − 𝐶. ⎤ ⎡ ⎤
⎢ −1 + 0 − (−1) −2 + 5 − 7 ⎥ ⎢ 0 −4 ⎥
𝑋 = −𝐴 + 𝐵 − 𝐶 = ⎣ ⎦=⎣ ⎦.
−2 + 7 − 5 −3 + 6 − (−2) 0 5

Definição 1.1.20. Multiplicar uma matriz 𝐴 por um número real 𝑘 é construir uma
matriz B formada pelos elementos de A multiplicados por 𝑘.

6
⎡ ⎤
2 3 1 ⎥
Exemplo 1.1.21. Determine a matriz 𝐵 tal que 𝐵 = 3 · ⎢
⎣ ⎦.
4 5 6
⎡ ⎤ ⎡ ⎤
3·2 3·3 3·1 ⎥ 6 9 3 ⎥
=⎣ ⎦.
⎢ ⎢
⎣ ⎦
3·4 3·5 3·6 12 15 18
Dadas as matrizes 𝐴 e 𝐵 de dimensões iguais e dois números reais 𝑎 e 𝑏, as seguintes
propriedades da multiplicação de um número real por uma matriz são válidas:

1. Associativa: 𝑎 · (𝑏 · 𝐴) = (𝑎 · 𝑏) · 𝐴.

2. Distributiva entre a adição de matrizes: 𝑎 · (𝐴 + 𝐵) = 𝑎 · 𝐴 + 𝑎 · 𝐵.

3. Distributiva entre a adição de números reais: (𝑎 + 𝑏) · 𝐴 = 𝑎 · 𝐴 + 𝑏 · 𝐴.

4. Elemento neutro: 1 · 𝐴 = 𝐴.
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
1 ⎥ ⎢ 2 ⎢ −1 2 ⎥ ⎢ 4 −1 ⎥
Exemplo 1.1.22. Se 𝐴 = ⎣ ⎦, 𝐵 = ⎣ ⎦e𝐶 =⎣ ⎦
3 −1 1 0 2 1
𝑋 −𝐴 𝐵+𝑋
determine 𝑋, de ordem 2, tal que = + 𝐶.
2 3
Rearranjando a equação acima, obtemos: 𝑋 = 3𝐴 + 2𝐵 + 6𝐶. Logo:
⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤
⎢ 6 3 ⎥ ⎢ −2 4 ⎥ ⎢ 24 −6 ⎥ ⎢ 28 1 ⎥
𝑋=⎣ ⎦+⎣ ⎦+⎣ ⎦ =⎣ ⎦.
9 −3 2 0 12 6 23 3


⎨ 𝑋 +𝑌 = 3𝐴
Exemplo 1.1.23. Resolva o sistema , sabendo que 𝑋 e 𝑌 são matrizes
𝑋 −𝑌 = 2𝐵


⎡ ⎤ ⎡ ⎤
⎢ 2 0 ⎥
⎢ 1 5 ⎥
de ordem 2, 𝐴 = ⎣ ⎦e𝐵=⎣ ⎦.
0 4 3 0

Somando
⎡ as⎤equações,
⎡ temos:
⎤ ⎡ 2𝑋 = 3𝐴
⎤ + 2𝐵, logo:
⎡ ⎤
6 0 2 10 8 10 4 5
2𝑋 = ⎢
⎣ ⎦+⎣
⎥ ⎢
⎦=⎣
⎥ ⎢
⎦⇒𝑋 =⎣
⎥ ⎢
⎦.

0 12 6 0 6 12 3 6

Da primeira equação temos que 𝑌 = 3𝐴 − 𝑋, logo:

7
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
6 0 ⎥ ⎢ 4 5 ⎥ ⎢ 2 −5 ⎥
𝑌 =⎢
⎣ ⎦−⎣ ⎦=⎣ ⎦.
0 12 3 6 −3 6

Definição 1.1.24. Dadas duas matrizes 𝐴 = (𝑎𝑖𝑗 )𝑚×𝑛 e 𝐵 = (𝑏𝑗𝑘 )𝑛×𝑝 , definimos como
produto de 𝐴 por 𝐵, denotado por 𝐴 · 𝐵, a matriz 𝐶 = (𝑐𝑖𝑘 )𝑚×𝑝 , onde: 𝑐𝑖𝑘 = 𝑎𝑖1 𝑏1𝑘 +
𝑎𝑖2 𝑏2𝑘 + · · · + 𝑎𝑖𝑛 𝑏𝑛𝑘 , para todo 1 ≤ 𝑖 ≤ 𝑚 e todo 1 ≤ 𝑘 ≤ 𝑝.

Segundo essa definição, cada elemento 𝑐𝑖𝑘 da matriz 𝐴 · 𝐵 é calculado multiplicando-se


ordenadamente os elementos da linha 𝑖 da matriz 𝐴 pelos elementos da coluna 𝑘 da matriz
𝐵 e somando os produtos obtidos. Observe que, para que seja possível multiplicar a matriz
𝐴 pela matriz 𝐵, o número de colunas de 𝐴 deve ser igual ao número de linhas de 𝐵. A
matriz 𝐶 resultante da multiplicação de 𝐴 por 𝐵 tem dimensão 𝑚 × 𝑝, onde 𝑚 é o número
de linhas de 𝐴 e 𝑝 é o número de colunas de 𝐵. Observe a próxima figura.

Dadas as matrizes 𝐴, 𝐵 e 𝐶, e supondo que suas dimensões permitem o cálculo das ope-
rações abaixo, as seguintes propriedades da multiplicação entre matrizes são válidas:

1. Associativa: 𝐴 · (𝐵 · 𝐶) = (𝐴 · 𝐵) · 𝐶.

2. Distributiva à esquerda: 𝐴 · (𝐵 + 𝐶) = 𝐴 · 𝐵 + 𝐴 · 𝐶.

3. Distributiva à direita: (𝐴 + 𝐵) · 𝐶 = 𝐴 · 𝐶 + 𝐵 · 𝐶.

4. Considerando a matriz 𝐴𝑚×𝑞 , o elemento neutro à esquerda é a matriz identidade


𝐼𝑚 e o elemento neutro à direita é a matriz identidade 𝐼𝑞 , pois 𝐼𝑚 · 𝐴𝑚×𝑞 = 𝐴𝑚×𝑞
e 𝐴𝑚×𝑞 · 𝐼𝑞 = 𝐴𝑚×𝑞 .

8
Observação 1.1.25. A operação de multiplicação de matrizes, em geral, não é comutativa.
Isto é, mesmo que sejam possíveis ambos os produtos 𝐴 · 𝐵 ⎡e 𝐵 · 𝐴,
⎤ podemos
⎡ ter ⎤que
⎢ 1 0 ⎥ ⎢ 0 1 ⎥
𝐴 · 𝐵 ̸= 𝐵 · 𝐴. Como um exemplo desse fato, basta tomar 𝐴 = ⎣ ⎦e𝐵=⎣ ⎦.
0 0 0 0
Definição 1.1.26. Seja 𝐴 uma matriz de dimensão 𝑚 × 𝑛, sua transposta é a matriz
de dimensão 𝑛 × 𝑚 cujas linhas coincidem ordenadamente com as colunas de A. A matriz
transposta de 𝐴 é denotada por 𝐴𝑡 . Ou seja, se 𝐴 = (𝑎𝑖𝑗 )𝑚×𝑛 então 𝐴𝑡 = (𝑎𝑗𝑖 )𝑛×𝑚 .
⎡ ⎤
⎢ 0 4 ⎥
⎡ ⎤
0 3 −1 ⎥ ⎢ ⎥
Exemplo 1.1.27. Se 𝐴 = ⎢
⎣ ⎦ então sua transposta é 𝐴𝑡 = ⎢ 3 5 ⎥ .
⎢ ⎥
4 5 6
⎢ ⎥
−1 6
⎣ ⎦

Sejam 𝐴 e 𝐵 matrizes, e supondo que suas dimensões permitem o cálculo das operações
abaixo, e 𝑘 um número real, as seguintes propriedades da transposição de matrizes
são válidas:

1. (𝐴𝑡 )𝑡 = 𝐴.

2. (𝐴 + 𝐵)𝑡 = 𝐴𝑡 + 𝐵 𝑡 .

3. (𝐴 · 𝐵)𝑡 = 𝐵 𝑡 · 𝐴𝑡 .

4. (𝑘𝐴)𝑡 = 𝑘𝐴𝑡 .

Definição 1.1.28. Se 𝐴 é uma matriz quadrada de ordem 𝑛 e 𝐴 = 𝐴𝑡 , então 𝐴 é dita


simétrica. Se 𝐴 = −𝐴𝑡 , é dita antissimétrica.
⎡ ⎤ ⎡ ⎤
⎢ 3 2 −5 ⎥ ⎢ 3 2 −5 ⎥
⎢ ⎥ ⎢ ⎥
Exemplo 1.1.29. Se 𝐴 = 2 0 7 então 𝐴𝑡 = 2 0 7 ⎥ . Como 𝐴 = 𝐴𝑡 , 𝐴 é
⎢ ⎥ ⎢ ⎥
⎢ ⎥ ⎢
⎢ ⎥ ⎢ ⎥
−5 7 1 −5 7 1
⎣ ⎦ ⎣ ⎦

simétrica.
⎡ ⎤ ⎡ ⎤
⎢ 0 2 −5 ⎥ ⎢ 0 −2 5 ⎥
⎢ ⎥ ⎢ ⎥
Exemplo 1.1.30. Se 𝐴 = −2 0 7 então 𝐴𝑡 = 2 0 −7 ⎥ . Portanto, como
⎢ ⎥ ⎢ ⎥
⎢ ⎥ ⎢
⎢ ⎥ ⎢ ⎥
5 0 7 0
⎣ ⎦ ⎣ ⎦
−7 −5
𝐴 = −𝐴𝑡 , 𝐴 é antissimétrica.

9
Definição 1.1.31. Se 𝐴 é uma matriz quadrada de ordem 𝑛, tem-se dois casos de matriz
triangular:

1. triangular inferior é tal que 𝑎𝑖𝑗 = 0, se 𝑖 < 𝑗, ou seja, a matriz tem a forma:
⎡ ⎤
⎢ 𝑎11 0 0 ··· 0 ⎥
⎢ ⎥
𝑎21 𝑎22 0 ··· 0
⎢ ⎥
⎢ ⎥
.. .. .. ..
⎢ ⎥
. . . .
⎢ ⎥

⎢ ··· ⎥

⎢ ⎥
𝑎(𝑛−1)1 𝑎(𝑛−1)2 · · · 𝑎(𝑛−1)(𝑛−1) 0
⎢ ⎥
⎢ ⎥
⎢ ⎥
⎣ ⎦
𝑎𝑛1 𝑎𝑛2 𝑎𝑛3 ··· 𝑎𝑛𝑛

2. triangular superior é tal que 𝑎𝑖𝑗 = 0, se 𝑖 > 𝑗, ou seja, a matriz tem a forma:
⎡ ⎤
⎢ 𝑎11 𝑎12 𝑎13 ··· 𝑎1𝑛 ⎥
⎢ ⎥
0 𝑎22 𝑎23 ··· 𝑎2𝑛 ⎥
⎢ ⎥

.. .. .. ..
⎢ ⎥
. . . .
⎢ ⎥

⎢ ··· ⎥

⎢ ⎥
0 0 · · · 𝑎(𝑛−1)(𝑛−1)
⎢ ⎥

⎢ 𝑎(𝑛−1)𝑛 ⎥

⎣ ⎦
0 0 ··· 0 𝑎𝑛𝑛

1.1.3 Operações Elementares

Definição 1.1.32. Definem-se as seguintes operações elementares com os elementos de


uma fila (linha ou coluna) de uma matriz:

1. permutar duas filas paralelas entre si, ou seja, permutar duas linhas entre si ou per-
mutar duas colunas entre si;

2. multiplicar todos os elementos de uma fila por um número real não nulo;

3. somar os elementos de uma fila com os elementos de outra fila paralela;

4. somar os elementos de uma fila com múltiplos dos elementos de outra fila paralela.

Definição 1.1.33. Uma matriz 𝐵 é equivalente a uma matriz 𝐴, se 𝐵 pode ser obtida de
𝐴 através de uma sequência finita de operações elementares.

10
⎡ ⎤ ⎡ ⎤
1 2 3 ⎥ ⎢ 1 2 3 ⎥
Exemplo 1.1.34. A matriz 𝐴 = ⎢
⎣ ⎦ é equivalente à matriz 𝐵 = ⎣ ⎦, pois:
4 5 6 2 1 0
⎡ ⎤ ⎡ ⎤
1 2 3 ⎥ −−−−−→ ⎢ 1 2 3 ⎥
⎦ 𝐿2 + 2𝐿1 ⎣ ⎦ . Onde 𝐿2 + 2𝐿1 significa que somamos à segunda linha


2 1 0 4 5 6
a primeira linha multiplicada por 2.

Definição 1.1.35. Diz-se que uma matriz 𝐴 está escalonada por linha se 𝑎𝑖𝑗 = 0, para
𝑖 > 𝑗.

Definição 1.1.36. Dada uma matriz 𝐴𝑚×𝑛 , seja 𝐵𝑚×𝑛 a matriz escalonada por linha equi-
valente a 𝐴. O posto 𝑝 de 𝐴 é o número de linhas não nulas de 𝐵. A nulidade de 𝐴 é o
número 𝑛 − 𝑝.

Dada uma matriz 𝐴, para se obter uma matriz escalonada por linha que seja equivalente
a ela, efetuam-se operações elementares com suas linhas.

⎡ ⎤
⎢ 1 0 3 ⎥
⎢ ⎥
Exemplo 1.1.37. Dada a matriz 𝑀 = 1 −4 3 ⎥ vamos obter a sua matriz escalonada
⎢ ⎥

⎢ ⎥
1 −8 3
⎣ ⎦

por linha, o posto e nulidade de 𝑀 .

⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤
⎢ 1 0 3 ⎥ ⎢ 1 0 3 ⎥ ⎢ 1 0 3 ⎥ ⎢ 1 0 3 ⎥
⎥−
⎥ −−−−→ ⎢
⎥−
⎥ −−−−→ ⎢
⎥−
⎥ −−−−− →⎢
⎢ ⎢ ⎢ ⎥
1 −4 3 ⎥ 𝐿2 − 𝐿1 ⎢ 0 −4 0 ⎥ 𝐿3 − 𝐿1 ⎢ 0 −4 0 ⎥ 𝐿3 − 2𝐿2 ⎢ 0 −4 0 ⎥ . Te-
⎢ ⎢ ⎥

⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
1 −8 3 1 −8 3 0 −8 0 0 0 0
⎣ ⎦ ⎣ ⎦ ⎣ ⎦ ⎣ ⎦

mos que posto de 𝑀 é 2 e sua nulidade 3 − 2 = 1.

Definição 1.1.38. Dada uma matriz quadrada 𝐴 de ordem 𝑛, se existir uma matriz qua-
drada 𝐵, de mesma ordem, tal que 𝐴𝐵 = 𝐵𝐴 = 𝐼𝑛 , então a matriz 𝐵 é chamada inversa
de 𝐴. Diz-se, então, que 𝐴 é inversível e indica-se sua inversa por 𝐴−1 . Se a matriz 𝐴 é
inversível, sua inversa é única. Se 𝐴 não admite inversa, diz-se que 𝐴 é singular.

11
⎡ ⎤
1 3 ⎥
Exemplo 1.1.39. Vamos verificar se a matriz 𝐴 = ⎢
⎣ ⎦ é inversa da matriz
2 4
⎡ ⎤
3
−2
𝐵=⎣ 2
⎦. Com efeito, temos que:
⎢ ⎥
1 − 21
⎡ ⎤ ⎡ ⎤ ⎡ (︁ )︁ ⎤ ⎡ ⎤
1 3 ⎥ ⎢ −2 ⎢ 1 · (−2) + 3 · 1 1 · + 3 ·
3 3
⎢ 1 0 ⎥
− 12
⎦=⎣ )︁ ⎦ = ⎣
2 2
⎦·⎣
⎢ ⎥ ⎥
⎣ (︁ ⎦
2 4 1 − 21 2 · (−2) + 4 · 1 2 · 32 + 4 · − 12 0 1

Definição 1.1.40. A matriz 𝐴 é dita semelhante a matriz 𝐵, se existe uma matriz inver-
sível 𝑃 tal que 𝐴 = 𝑃 · 𝐵 · 𝑃 −1 .

Proposição 1.1.41 (Determinação da matriz inversa). Para se determinar a inversa de


uma matriz quadrada 𝐴 de ordem 𝑛 através do método das operações elementares, procede-se
da seguinte maneira:

1. Escreve-se a matriz ampliada, ou seja, a matriz com 𝑛 linhas e 2𝑛 colunas, dividida


ao meio verticalmente. Onde na primeira metade colocamos a matriz 𝐴 e na outra
metade 𝐼𝑛 .

2. Efetuam-se operações elementares com essa matriz ampliada, com o objetivo de trans-
formar a matriz 𝐴, que está do lado esquerdo, na matriz identidade.

3. Ao final do processo, 𝐴 terá se tornado a matriz identidade (se 𝐴 for invertível) e a


matriz do lado direito, resultante das operações feitas na matriz 𝐼𝑛 , é a matriz inversa
de 𝐴, ou seja, é 𝐴−1 .

Observação 1.1.42. Saberemos que 𝐴 não é invertível se, após efetuarmos as operações
elementares na sua matriz ampliada, obtivermos uma ou mais filas nulas no lado esquerdo
dessa matriz.

No próximo exemplo, vamos utilizar o procedimento descrito na proposição para deter-


minar a inversa de uma matriz.

12
⎡ ⎤
1 2 ⎥
Exemplo 1.1.43. Determinar a matriz inversa, caso exista, de 𝐴 = ⎢
⎣ ⎦.
3 −1
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
⎢ 1 . 1 0 ⎥ −−−−−−→ ⎢ 1 2 . 1 0 ⎥ −−→
2 1 2 . 1 0 ⎥ −−−−−−→
⎦ 𝐿2 − 3𝐿1 ⎣ ⎦ 𝐿1 − 2𝐿2
𝐿 ⎢
⎣ ⎦ − 72 ⎣
3 −1 . 0 1 0 −7 . −3 1 0 1 . 73 − 17
⎡ ⎤ ⎡ ⎤
⎢ 1 0 .
1 2 1 2

7 7
⎦.

Logo, 𝐴−1 = ⎢

7 7
⎦.

0 1 . 3
7
− 71 3
7
− 71

1.2 Exercícios
Respostas no Capítulo 6, na página 98.

Exercício 1.2.1. Indique os elementos da matriz 𝐴 = (𝑎𝑖𝑗 )3×3 tal que 𝑎𝑖𝑗 = 𝑖 − 𝑗.

Exercício 1.2.2. Construa as seguintes matrizes:




⎨ 1, se 𝑖 = 𝑗
a) 𝐴 = (𝑎𝑖𝑗 )3×3 , tal que 𝑎𝑖𝑗 = .
0, se 𝑖 ̸= 𝑗



⎨ 2, se 𝑖 + 𝑗 = 4
b) 𝐵 = (𝑏𝑖𝑗 )3×3 , tal que 𝑏𝑖𝑗 = .
0, se 𝑖 + 𝑗 ̸= 4

⎡ ⎤ ⎡ ⎤ ⎡ ⎤
2 1 ⎥ ⎢ 1 5 ⎥ ⎢ 2 0 ⎥
Exercício 1.2.3. Sendo 𝐴 = ⎢
⎣ ⎦, 𝐵 = ⎣ ⎦e𝐶 =⎣ ⎦, determine:
3 2 2 −2 4 −6

a) 𝐴𝑡 + 𝐵 − 𝐶

b) 3𝐴𝑡

c) (5𝐴 + 𝐵)𝑡 + 𝐶
2

d) 2(𝐴 − 𝐶) + 3𝐵 𝑡

e) (2𝐴𝑡 − 3𝐵𝐶)𝑡

Exercício 1.2.4. Determine as matrizes de dimensão 2 × 2 cujos elementos foram dados


abaixo:

13


⎨ 2 , se 𝑖 ̸= 𝑗
a) 𝑎𝑖𝑗 =
𝑖 + 𝑗 , se 𝑖 = 𝑗



⎨ 2𝑖 − 3𝑗 , se 𝑖 ≥ 𝑗
b) 𝑏𝑖𝑗 = ⎪
⎩ 𝑖2 − 𝑗 , se 𝑖 < 𝑗
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
⎢ 2 1 ⎥ ⎢ 1 5 ⎥ ⎢ 2 0 ⎥
Exercício 1.2.5. Sendo 𝐴 = ⎣ ⎦, 𝐵 = ⎣ ⎦e𝐶 =⎣ ⎦, determine:
3 2 2 −2 4 −6
a) 𝐴 · 𝐵

b) 𝐴 · 𝐴

c) 𝐴 · 𝐵 + 𝐵 · 𝐶

Exercício⎡ 1.2.6. Seja



𝐴 = (𝑎𝑖𝑗 ) uma matriz quadrada de ordem 2 tal que 𝑎𝑖𝑗 = 2𝑖 − 3𝑗 e
1 0 ⎥
seja 𝐵 = ⎢
⎣ ⎦. Calcule a matriz 𝑋 tal que 𝑋 + 2𝐴 = 𝐵.
−1 1
Exercício 1.2.7. Escreva a matriz 𝐴 = (𝑎𝑖𝑗 ) em cada caso:


⎨ 3𝑖 + 𝑗 , se 𝑖 = 𝑗
a) 𝐴 é do tipo 2 × 3 e 𝑎𝑖𝑗 =
𝑖 − 2𝑗 , se 𝑖 ̸= 𝑗



2𝑖 , se 𝑖 < 𝑗






b) 𝐴 é quadrada de ordem 4 e 𝑎𝑖𝑗 = ⎪ 𝑖 − 𝑗 , se 𝑖 = 𝑗


⎩ 2𝑗 , se 𝑖 > 𝑗



⎨ 0 , se 𝑖 ̸= 𝑗
c) 𝐴 é do tipo 4 × 2 e 𝑎𝑖𝑗 =
3 , se 𝑖 = 𝑗

⎤1.2.8. Determine o valor de 𝑥 ∈ R na matriz 𝐴 para que 𝐴 = 𝐴 , sendo 𝐴 =


𝑡
Exercício

3 𝑥2 ⎥
⎦.


21𝑥 𝑥
⎡ ⎤
⎢ 1 1 0 ⎥
⎢ ⎥
Exercício 1.2.9. Determine a matriz inversa de 𝐴 = 0 −1 2 ⎥ .
⎢ ⎥

⎢ ⎥
1 0 1
⎣ ⎦

14
Exercício

1.2.10.
⎤ ⎡
Determine

os⎡valores⎤de 𝑚, 𝑛, 𝑝 e 𝑞 de modo que:
𝑚 2𝑚 ⎥ 𝑛 −𝑛 ⎥ 7 8 ⎥
⎦+⎣ =⎣ ⎦.
⎢ ⎢ ⎢
⎣ ⎦
𝑝 𝑝 𝑞 −3𝑞 1 5

1.3 Determinantes

1.3.1 Determinantes

Definição 1.3.1. O determinante de uma matriz quadrada 𝐴 = (𝑎𝑖𝑗 ) de ordem 𝑛, deno-


tado por det(𝐴), é um número real definido por:

det(𝐴) = sgn(𝜃) 𝑎1𝜃1 · 𝑎2𝜃2 · · · 𝑎𝑛𝜃𝑛


∑︁

onde 𝜃 = (𝜃1 𝜃2 · · · 𝜃𝑛 ) significa todas as possíveis permutações do conjunto {1, . . . , 𝑛} e


sgn(𝜃) = 1 se a permutação é par ou sgn(𝜃) = −1 se a permutação é ímpar.

Observação 1.3.2. Determinamos se uma permutação é par ou ímpar contando a quantidade


de inversões na permutação 𝜃 = (𝜃1 𝜃2 . . . 𝜃𝑛 ), ou seja, o número de elementos menores que 𝜃𝑖
à direita de 𝜃𝑖 . Verificamos então se o número de inversões é par ou ímpar.
Por exemplo, a permutação 321 é ímpar, pois depois do 3 aparecem 2 números menores
que ele e depois do 2 aparece 1 número menor que ele, ou seja, a quantidade procurada é
igual a 2 + 1 = 3, ímpar. Já a permutação 2431, é par, pois a quantidade de números que
aparecem depois de um número maior que eles é igual a 1 + 2 + 1 = 4.

Determinante de uma matriz quadrada de ordem 1


Dada a matriz 𝐴 = (𝑎11 ), temos que seu determinante é igual ao próprio elemento, ou
seja, det(𝐴) = 𝑎11 .

Exemplo 1.3.3. Se 𝐴 = [−5], então det(𝐴) = −5.

Determinante de uma matriz quadrada de ordem 2

15
⎡ ⎤
𝑎11 𝑎12 ⎥
Dada uma matriz 𝐴 = ⎢
⎣ ⎦, temos que
𝑎21 𝑎22

det(𝐴) = 𝑎11 · 𝑎22 − 𝑎12 · 𝑎21

Ou seja, o determinante de 𝐴 é igual à diferença entre o produto dos elementos da diagonal


principal e o produto dos elementos da diagonal secundária da matriz.
⎡ ⎤
⎢ 1 2 ⎥
Exemplo 1.3.4. Se 𝐴 = ⎣ ⎦, então det(𝐴) = 1 · 0 − 2 · 4 = −8.
4 0

Determinante de uma
⎡ matriz quadrada
⎤ de ordem 3
⎢ 𝑎11 𝑎12 𝑎13 ⎥
⎢ ⎥
Dada uma matriz 𝐴 = ⎢
⎢ 𝑎21 𝑎22 𝑎23 ⎥

, temos que:
⎢ ⎥
⎣ ⎦
𝑎31 𝑎32 𝑎33

det(𝐴) = 𝑎11 𝑎22 𝑎33 + 𝑎12 𝑎23 𝑎31 + 𝑎13 𝑎21 𝑎32 − 𝑎13 𝑎22 𝑎31 − 𝑎11 𝑎23 𝑎32 − 𝑎12 𝑎21 𝑎33

Processo prático para se calcular o determinante de uma matriz de ordem 3.


Repetem-se as duas primeiras colunas ao lado das três colunas originais da matriz; em se-
guida, somam-se os resultados dos três produtos no sentido da diagonal principal, subtraindo-
se, depois, a soma dos três produtos efetuados no sentido da diagonal secundária, conforme
ilustra a próxima figura.

Vamos utilizar esse processo prático para calcular o determinante de uma matriz no
próximo exemplo.

16
⃒ ⃒
0 2
⃒ ⃒

⃒ −1 ⃒

⃒ ⃒
Exemplo 1.3.5. Utilizando o processo prático, vamos calcular 𝑑 = 3 1 4 ⃒.
⃒ ⃒

⃒ ⃒
⃒ ⃒

⃒ 2 −2 −1 ⃒

Temos que 𝑑 = −1 · 1 · (−1) + 0 · 4 · 2 + 2 · 3 · (−2) − 2 · 1 · 2 − (−1) · 4 · (−2) − 0 · 3 · (−1) = −23.

Vamos agora definir alguns elementos que serão utilizados no Teorema de Laplace, que
nos oferece uma solução prática no cálculo dos determinantes de ordem qualquer.

Definição 1.3.6. Dada a matriz quadrada 𝐴 = (𝑎𝑖𝑗 ) de ordem 𝑛, o menor complementar


de um elemento genérico 𝑎𝑖𝑗 da matriz é o determinante 𝐷𝑖𝑗 que se obtém suprimindo a linha
𝑖 e a coluna 𝑗 de 𝐴.

Definição 1.3.7. Dada a matriz quadrada 𝐴 = (𝑎𝑖𝑗 ) de ordem 𝑛, chama-se cofator de


um elemento 𝑎𝑖𝑗 da matriz, ao produto de (−1)𝑖+𝑗 pelo determinante da submatriz obtida
eliminando-se de 𝐴 a linha 𝑖 e a coluna 𝑗. Assim, o cofator de um elemento 𝑎𝑖𝑗 (pivô) é o
menor complementar desse elemento, multiplicado por (−1)𝑖+𝑗 . O cofator do elemento 𝑎𝑖𝑗 é
denotado por 𝐴𝑖𝑗 .
⎡ ⎤
⎢ −1 0 2 ⎥
⎢ ⎥
Exemplo 1.3.8. Dada a matriz 𝐴 = 3 1 4 ⎥, vamos determinar os menores com-
⎢ ⎥

⎢ ⎥
2 −2 −1
⎣ ⎦

plementares 𝐷12 , 𝐷22 e 𝐷32 . O pivô será o número cercado pelo círculo e os outros elementos
que também
⃒ serão retirados
⃒ da matriz são os que estão cercados por um retângulo.
⃒ ⃒

⃒ −1 0 2 ⃒
⃒ ⃒ ⃒
⃒ ⃒
3 1 4
⃒ ⃒
3 4
⃒ ⃒ ⃒ ⃒
⃒ ⃒ ⃒ ⃒
2 2 −1
⃒ ⃒ ⃒ ⃒
⃒ −2 −1 ⃒ ⃒ ⃒
𝐷12 = = = 3 · (−1) − 4 · 2 = −11.
⃒ ⃒ ⃒ ⃒

17
⃒ ⃒
−1 0 2
⃒ ⃒
⃒ ⃒
⃒ ⃒ ⃒ ⃒
3 1 4
⃒ ⃒
−1 2
⃒ ⃒ ⃒ ⃒
⃒ ⃒ ⃒ ⃒
⃒ ⃒
2 2 −1
⃒ ⃒ ⃒ ⃒
⃒ −2 −1 ⃒ ⃒ ⃒
𝐷22 = = = (−1) · (−1) − 2 · 2 = −3.
⃒ ⃒ ⃒ ⃒
⃒ ⃒
−1 0 2
⃒ ⃒
⃒ ⃒
⃒ ⃒
3 1 4
⃒ ⃒ ⃒ ⃒
⃒ ⃒ ⃒ ⃒
−1 2
⃒ ⃒ ⃒ ⃒
2
⃒ ⃒ ⃒ ⃒
⃒ −2 −1 ⃒
3 4
⃒ ⃒ ⃒ ⃒
⃒ ⃒
𝐷32 = = = (−1) · 4 − 3 · 2 = −10.
⃒ ⃒ ⃒ ⃒

Exemplo 1.3.9. Agora, vamos determinar os cofatores de 𝑎12 , 𝑎22 , e 𝑎32 da matriz do
exemplo anterior:
𝐴12 = (−1)1+2 𝐷12 = −1 · (−11) = 11.
𝐴22 = (−1)2+2 𝐷22 = 1 · (−3) = −3.
𝐴32 = (−1)3+2 𝐷32 = −1 · (−10) = 10.

Teorema 1.3.10 (Laplace). O determinante de uma matriz quadrada 𝐴 de ordem 𝑛 é igual


à soma dos produtos dos elementos de uma linha ou coluna qualquer pelos seus respectivos
cofatores. Pode-se aplicar o Teorema de Laplace utilizando-se qualquer linha ou coluna da
matriz 𝐴 como referência. É usual escolher-se aquela que apresenta a maior quantidade de
zeros, com o objetivo de diminuir os cálculos.
⎡ ⎤
⎢ −1 0 2 ⎥
⎢ ⎥
Exemplo 1.3.11. Vamos calcular o determinante da matriz 𝐴 = 3 1 4 ⎥, do
⎢ ⎥

⎢ ⎥
2
⎣ ⎦
−2 −1
Exemplo 1.3.5, usando o Teorema de Laplace.
Dos dois últimos exemplos, temos que: det 𝐴 = 0 · 11 + 1 · (−3) + (−2) · 10 = −23.

Teorema 1.3.12 (Jacobi). Adicionando a uma fila de uma matriz 𝑀 , de ordem 𝑛, uma
outra fila paralela, previamente multiplicada por uma constante, obteremos uma nova matriz
𝑀 ′ tal que det 𝑀 = det 𝑀 ′ .
⎡ ⎤
⎢ 1 0 3 ⎥
⎢ ⎥
Exemplo 1.3.13. Vamos calcular o determinante da matriz 𝑀 = 1 −4 3 ⎥ utilizando
⎢ ⎥

⎢ ⎥
−2 2 1
⎣ ⎦

o teorema de Jacobi.

18
⎡ ⎤
⎢ 1 0 3 ⎥
⎢ ⎥
Do Exemplo 1.1.37, temos que det 𝑀 = det ⎢ 0 −4 0 ⎥ = 1 · (−4) · 7 = −28.
⎢ ⎥
⎢ ⎥
0 0 7
⎣ ⎦

1.3.2 Propriedades do Determinante

Sejam 𝐴 e 𝐵 matrizes quadradas de ordem 𝑛 e 𝑘 um número real. Então são válidas as


seguintes propriedades do determinante:

1. Se 𝐴 possui uma fila (linha ou coluna) nula então det 𝐴 = 0.

2. Se 𝐴 apresenta duas filas paralelas iguais então det 𝐴 = 0.

3. Se 𝐴 possui duas filas paralelas proporcionais (isto é, os elementos de uma fila são
múltiplos dos elementos da outra fila) ou se uma das filas é uma soma algébrica de
múltiplos das outras filas então det 𝐴 = 0.

4. Se 𝐴 é triangular (superior ou inferior) ou se A é diagonal então seu determinante é


igual ao produto dos elementos da diagonal principal.

5. Multiplicando-se uma fila de 𝐴 por um número real 𝑘, seu determinante ficará multi-
plicado por 𝑘.

6. Permutando-se duas filas paralelas de 𝐴, seu determinante ficará multiplicado por −1.

7. det 𝐴𝑡 = det 𝐴.

8. det(𝑘𝐴) = 𝑘 𝑛 det 𝐴.
1
9. Se det 𝐴 ̸= 0 então det 𝐴−1 = .
det 𝐴
10. det(𝐴 · 𝐵) = det 𝐴 · det 𝐵.

11. Se 𝐵 é equivalente a 𝐴, então 𝐵 = 𝑀 𝐴, onde 𝑀 é o produto de matrizes elementares


e 𝑑𝑒𝑡𝐵 = 𝑑𝑒𝑡𝑀 · 𝑑𝑒𝑡𝐴.

12. Se 𝐴 e 𝐵 são semelhantes então det 𝐴 = det 𝐵.

19
Observação 1.3.14. Vemos das propriedades 9 e 10 que uma matriz quadrada 𝐴 possui
inversa se, e somente se, det 𝐴 ̸= 0.
⎡ ⎤
⎢ 1 1 0 0 ⎥
⎢ ⎥

−1 2 5 1 ⎥
Exemplo 1.3.15. Calcule o determinante da matriz 𝐴 =
⎢ ⎥
⎢ ⎥.
0 0 −1 0 ⎥
⎢ ⎥

⎢ ⎥
⎣ ⎦
0 0 0 −1
Lembremos que uma operação entre linhas de uma matriz produz uma matriz equivalente.
Logo, fazendo 𝐿1 + 𝐿2 , obtemos a próxima matriz, que é triangular e tem o mesmo det 𝐴.
(Prove

esse fato!) ⎤
⎢ 1 1 0 0 ⎥
⎢ ⎥
⎢ 0 3 5 1 ⎥

Portanto, da propriedade 4, temos que: det 𝐴 = 1 · 3 · (−1) · (−1) = 3.

⎢ ⎥
0 0 −1 0
⎢ ⎥
⎢ ⎥
⎢ ⎥
⎣ ⎦
0 0 0 −1
⎡ ⎤
⎢ 1 2 3 4 5 ⎥
⎢ ⎥
2 4 8 9 12
⎢ ⎥
⎢ ⎥
⎢ ⎥
Exemplo 1.3.16. Calcule o determinante da matriz 𝐵 = 4 5 1 0 0
⎢ ⎥
⎢ ⎥.
⎢ ⎥
⎢ ⎥
2 4 6 8 10
⎢ ⎥
⎢ ⎥
⎢ ⎥
⎣ ⎦
4 3 1 7 6
Observando que os elementos da linha 1 são proporcionais aos elementos da linha 4,
temos que det 𝐵 = 0.

Proposição 1.3.17 (Regra de Chió). Seja 𝐴 = (𝑎𝑖𝑗 ) uma matriz quadrada de ordem
𝑛 ≥ 2. Admitindo-se, inicialmente, que a matriz 𝐴 apresente um elemento 𝑎𝑖𝑗 = 1 (caso
não apresente, utilizaremos as propriedades anteriores para fazer aparecer o elemento 1). O
determinante da matriz 𝐴 pode ser calculado fazendo os seguintes passos:
1. Elimina-se a linha 𝑖 e a coluna 𝑗 que se cruzam no elemento 1.
2. Subtrai-se, de cada elemento da submatriz obtida no passo anterior, o produto dos ele-
mentos que estejam nas filas eliminadas e que pertençam à linha e à coluna do elemento
considerado, obtendo, dessa forma uma matriz 𝐵 de ordem 𝑛 − 1.
3. O determinante de 𝐴 será dado por: 𝑑𝑒𝑡(𝐴) = (−1)𝑖+𝑗 · 𝑑𝑒𝑡(𝐵).

20
Vejamos um caso prático no próximo exemplo.

Exemplo

1.3.18. Utilizando

a Regra de Chió, vamos calcular o determinante da matriz
⎢ 3 1 0 0 ⎥
⎢ ⎥

−1 2 5 1 ⎥
𝐴= Escolhendo-se o elemento 1 que está na primeira linha e segunda
⎢ ⎥
⎢ ⎥.
3 7 −1 0
⎢ ⎥
⎢ ⎥
⎢ ⎥
⎣ ⎦
4 1 2 −1
coluna da matriz, temos que a nova matriz 𝐵 será assim definida:
⎡ ⎤ ⎡ ⎤
⎢ −1 − 2 · 3 5−2·0 1−2·0 ⎥ ⎢ −7 5 1 ⎥
⎢ ⎥ ⎢ ⎥
𝐵= 3 − 3 · 7 −1 − 7 · 0 0−7·0 = −18 −1 0 ⎥
⎢ ⎥ ⎢ ⎥
⎢ ⎥ ⎢
⎢ ⎥ ⎢ ⎥
4−3·1 2 − 1 · 0 −1 − 1 · 0 1 2
⎣ ⎦ ⎣ ⎦
−1

Logo, det 𝐴 = (−1)1+2 · det 𝐵 = (−1) · (−132) = 132.

1.4 Exercícios
Respostas no Capítulo 6, na página 99.
⃒ ⃒
⃒ ⃒
⃒ 𝑥 𝑥 ⃒
Exercício 1.4.1. Resolva a equação ⃒


⃒ = −6.
5 𝑥
⃒ ⃒
⃒ ⃒
⎡ ⎤
⎢ 4 −1 0 ⎥
⎢ ⎥
Exercício 1.4.2. Calcule o valor do determinante da matriz 𝐴 = ⎢
⎢ 5 7 6 ⎥.
⎢ ⎥

2 1 3
⎣ ⎦

⃒ ⃒
𝑥−1 2 3
⃒ ⃒
⃒ ⃒ ⃒ ⃒
4 1 ⃒⃒
⃒ ⃒ ⃒ ⃒
⃒ ⃒ ⃒
Exercício 1.4.3. Resolva a equação 𝑥 1 5 = ⃒.
⃒ ⃒ ⃒
⃒ ⃒ ⃒
𝑥 −2 ⃒
⃒ ⃒ ⃒ ⃒
⃒ ⃒ ⃒

⃒ 3 1 −2 ⃒

Exercício 1.4.4. Se 𝐴 = (𝑎𝑖𝑗 )3×3 tal que 𝑎𝑖𝑗 = 𝑖 + 𝑗, calcule det 𝐴 e det 𝐴𝑡 .

Exercício 1.4.5. Foi realizada uma pesquisa, num bairro de determinada cidade, com um
grupo de 500 crianças de 3 a 12 anos de idade. Para esse grupo, em função da idade 𝑥 da

21
criança, concluiu-se que⎡o peso médio⎤𝑝(𝑥), em quilogramas, era dado pelo determinante da
⎢ 1 −1 1 ⎥
⎢ ⎥
matriz 𝐴, em que 𝐴 = ⎢
⎢ 3 0 −𝑥 ⎥, com base na fórmula 𝑝(𝑥) = det 𝐴, determine:
⎢ ⎥

0 2
⎣ ⎦
2
3

a) o peso médio de uma criança de 7 anos;

b) a idade mais provável de uma criança cujo o peso é 30 kg.


⎡ ⎤
sen 𝑥 − cos 𝑥 ⎥
Exercício 1.4.6. Calcule o valor do determinante da matriz 𝐴 = ⎢
⎣ ⎦.
cos 𝑥 sen 𝑥

Exercício 1.4.7. Sabendo que 𝐴 é uma matriz de ordem 3 e que det 𝐴 = 𝑎, qual o valor de
det(2𝐴) em função de 𝑎?

Exercício 1.4.8. Seja 𝐴 = (𝑎𝑖𝑗 )3×3 tal que 𝑎𝑖𝑗 = 𝑖 − 𝑗. Calcule det 𝐴 e det 𝐴𝑡 .

√ ⎤
⎢ 2 −1 1 ⎥
⎢ √ ⎥
Exercício 1.4.9. Calcule o determinante da matriz 𝑃 2 , em que 𝑃 = 2 1 −1 ⎥ .
⎢ ⎥

√ √ ⎦
⎢ ⎥
0 2 2

Exercício 1.4.10. Prove o fato contido no Exemplo 1.3.15.

1.5 Sistemas Lineares

1.5.1 Sistemas Lineares

Definição 1.5.1. Chama-se equação linear a 𝑛 variáveis toda equação do tipo


𝑎1 𝑥1 + 𝑎2 𝑥2 + . . . + 𝑎𝑛 𝑥𝑛 = 𝑏, onde:

1. 𝑎1 , 𝑎2 , . . . , 𝑎𝑛 são números reais, chamados coeficientes;

2. 𝑥1 , 𝑥2 , . . . , 𝑥𝑛 são as variáveis; e

3. 𝑏 é um número real, chamado termo independente.

22
Observação 1.5.2. Numa equação linear, as variáveis têm sempre expoente 1 e não aparecem
termos nos quais haja produto de duas ou mais variáveis entre si.

Exemplo 1.5.3. A equação 2𝑥 + 3𝑦 + 𝑧 = 4 é uma equação linear, pois apresenta, em cada


termo, apenas uma incógnita com expoente igual a 1.

Exemplo 1.5.4. A equação 𝑥2 + 3𝑥 − 4 = 0 não é linear, pois apresenta incógnita com


expoente maior do que 1 (no caso, expoente 2).

Exemplo 1.5.5. A equação 3𝑥 + 𝑥𝑦 − 3𝑦 = 5 não é linear, pois apresenta o termo 𝑥𝑦, que
depende do produto de duas incógnitas.

Exemplo 1.5.6. A equação 1


𝑥
+ 4𝑦 = 6 não é linear, pois o expoente da variável 𝑥 é −1.

Definição 1.5.7. Dada a equação linear 𝑎1 𝑥1 + 𝑎2 𝑥2 + . . . + 𝑎𝑛 𝑥𝑛 = 𝑏, chama-se solução


desta equação a sequência de 𝑛 números reais (n-upla) (𝑏1 , 𝑏2 , . . . , 𝑏𝑛 ) tal que:
𝑎1 𝑏1 + 𝑎2 𝑏2 + . . . + 𝑎𝑛 𝑏𝑛 = 𝑏 é uma identidade verdadeira.

Exemplo 1.5.8. O par ordenado (2, 5) é solução da equação linear 2𝑥 + 4𝑦 = 24, pois
2 · 2 + 4 · 5 = 24.

Exemplo 1.5.9. A tripla ordenada (1, 1, 1) é solução da equação linear 𝑥 + 𝑦 + 𝑧 = 3, pois


1 + 1 + 1 = 3.

Definição 1.5.10. Chama-se sistema linear um conjunto formado por 𝑚 equações


lineares a 𝑛 incógnitas 𝑥1 , 𝑥2 , . . . , 𝑥𝑛 consideradas simultaneamente, como indicado:





⎪ 𝑎11 𝑥1 + 𝑎12 𝑥2 + · · · + 𝑎1𝑛 𝑥𝑛 = 𝑏1


𝑎21 𝑥1 + 𝑎22 𝑥2 + · · · + 𝑎2𝑛 𝑥𝑛 =


⎨ 𝑏2
𝑆𝑚×𝑛 .. ..
. .






𝑎𝑚1 𝑥1 + 𝑎𝑚2 𝑥2 + · · · + 𝑎𝑚𝑛 𝑥𝑛 = 𝑏𝑚




⎨ 𝑥 + 2𝑦 = 3
Exemplo 1.5.11. 𝑆2×2 é um sistema linear com duas variáveis e duas
𝑥 − 4𝑦 = 1


incógnitas.

23
1.5.2 Solução de um Sistema Linear

Definição 1.5.12. Chama-se solução do sistema linear (𝑆) uma 𝑛-upla (𝑏1 , 𝑏2 , . . . , 𝑏𝑛 )
de números reais que satisfaz, simultaneamente, as m equações do sistema (𝑆) .

Assim, resolver o sistema (𝑆) significa encontrar a 𝑛-upla (𝑏1 , 𝑏2 , . . . , 𝑏𝑛 ), cujos elementos
satisfazem simultaneamente todas as suas equações.

Exemplo
⎧ 1.5.13. Temos que a tripla ordenada (1, 0, 3) satisfaz o seguinte sistema linear
𝑥 + 2𝑦 − 𝑧 = −2






⎪ 2𝑥 + 𝑦 + 3𝑧 = 11 .


−𝑥 − 𝑦 + 𝑧 = 2


De fato, pois 1 + 2 · 0 − 3 = −2, 2 · 1 + 0 + 3 · 3 = 11 e −1 − 0 + 3 = 2.

1.5.3 Forma Matricial de um Sistema Linear

Uma maneira de representar um sistema linear é na forma matricial 𝐴𝑋 = 𝐵, onde 𝐴


é a matriz dos coeficientes, 𝑋 é a matriz coluna das variáveis e 𝐵 é a matriz coluna dos
termos independentes. Veja, a seguir, essa representação:

⎧ ⎡ ⎤⎡ ⎤ ⎡ ⎤



⎪ 𝑎11 𝑥1 + 𝑎12 𝑥2 + · · · + 𝑎1𝑛 𝑥𝑛 = 𝑏1 ⎢ 𝑎11 𝑎12 · · · 𝑎1𝑛 ⎥ ⎢ 𝑥1 ⎥ ⎢ 𝑏1 ⎥

⎪ ⎢ ⎥⎢ ⎥ ⎢ ⎥
𝑎21 𝑥1 + 𝑎22 𝑥2 + · · · + 𝑎2𝑛 𝑥𝑛 = · · · 𝑎2𝑛 ⎥


⎨ 𝑏2 ⎢ 𝑎21

𝑎22 ⎢
𝑥2 ⎥ ⎢
𝑏2 ⎥
⎥=⎢
⎥⎢ ⎥ ⎢ ⎥
.. .. ⇔⎢
⎢ . .. .. .. ⎥
⎥⎢
.. ⎥ .. ⎥

. . ⎢ .. . . . ⎥⎢ . ⎥ ⎢ . ⎥
⎪ ⎢ ⎢



⎪ ⎢ ⎥⎢ ⎥ ⎢ ⎥
⎪ ⎣ ⎦⎣ ⎦ ⎣ ⎦
𝑎𝑚1 𝑥1 + 𝑎𝑚2 𝑥2 + · · · + 𝑎𝑚𝑛 𝑥𝑛 = 𝑏𝑚

𝑎𝑚1 𝑎𝑚2 · · · 𝑎𝑚𝑛 𝑥𝑛 𝑏𝑚

Observação 1.5.14. Abaixo está uma outra forma que utilizaremos mais adiante.

⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤⎡ ⎤ ⎡ ⎤
⎢ 𝑎11 ⎥ ⎢ 𝑎1𝑛 ⎥ ⎢ 𝑏1 ⎥ ⎢ 𝑎11 𝑎12 · · · 𝑎1𝑛 ⎥ ⎢ 𝑥1 ⎥ ⎢ 𝑏1 ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥⎢ ⎥ ⎢ ⎥
⎢ 𝑎21 ⎥
⎢ ⎥
⎢ 𝑎2𝑛
⎢ ⎥
⎢ 𝑏2 ⎥
⎢ ⎥
⎢ 𝑎

𝑎21 · · · 𝑎2𝑛 ⎥ ⎢
𝑥2 ⎥ ⎢
𝑏2 ⎥
𝑥1 ⎢ . ⎥ + · · · + 𝑥𝑛 ⎢ ⎥=⎢ ⎥ ⇔ ⎢ 21 ⎥=⎢
⎥ ⎥⎢ ⎥ ⎢ ⎥
⎢ . ⎢ . ⎥ ⎢ . .. .. .. ⎥ .. ⎥ .. ⎥
⎢ ⎥ ⎥⎢ ⎥
⎢ .. ⎥ ⎢ .. ⎢ .. ⎥ ⎢ .. . . . ⎥⎢ . ⎥ ⎢ . ⎥
⎥ ⎢ ⎢

⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥⎢ ⎥ ⎢ ⎥
⎣ ⎦ ⎣ ⎦ ⎣ ⎦ ⎣ ⎦⎣ ⎦ ⎣ ⎦
𝑎𝑚1 𝑎𝑚𝑛 𝑏𝑚 𝑎𝑚1 𝑎𝑚1 · · · 𝑎𝑚𝑛 𝑥𝑛 𝑏𝑚

24
1.5.4 Classificação dos Sistemas Lineares

Um sistema linear (S) pode ser impossível ou incompatível (SI), quando não tem
solução. Se (S) admite pelo menos uma solução, ele é dito possível ou compatível. Neste
caso, se a solução é única, ele é um sistema possível determinado (SPD) ou se tem
mais de uma solução, é chamado de sistema possível indeterminado (SPI). O esquema
seguinte resume a classificação de um sistema linear:

Impossível (não tem solução)





⎨ ⎧
Sistema Linear ⎪
⎨ Determinado (solução única)


⎪ Possível ⎪
Indeterminado (infinitas soluções)

⎪ ⎩

Observação 1.5.15. Um sistema linear é dito homogêneo quando os termos independentes


são todos nulos. Todo sistema linear homogêneo é possível, pois sempre admite a solução
trivial (0, 0, . . . , 0). Se essa for a única solução, o sistema é dito possível e determinado, caso
haja mais soluções será possível e indeterminado.

𝑥 + 2𝑦 − 𝑧 = 0






Exemplo 1.5.16. O sistema 2𝑥 + 𝑦 + 3𝑧 = 0 é homogêneo. Além disso, ele é um



−𝑥 − 𝑦 + 𝑧 = 0



sistema possível e determinado. Verifique!

Definição 1.5.17. Dois sistemas lineares são equivalentes se, e somente se, toda solução
de um é também solução do outro.

Dois sistemas lineares são equivalentes, se um pode ser obtido do outro por meio das
seguintes transformações elementares:

1. permuta de duas (ou mais) equações entre si;

2. multiplicação de todos os termos de uma equação por um número real não nulo;

3. substituição de uma equação por outra, obtida pela soma algébrica desta equação com
qualquer outra equação; e

25
4. substituição de uma equação por outra, obtida pela soma algébrica desta equação com
um múltiplo de qualquer outra equação.

Vamos ver agora, um método que permite resolver um sistema linear via um sistema
triangular equivalente.
Método de Gauss ou Método do Escalonamento
Dado um sistema linear, o objetivo é encontrar um sistema triangular equivalente, ou
seja, um sistema cuja matriz dos coeficientes seja triangular superior (observe que o termo
matriz triangular superior é adequado somente se a matriz é quadrada; entretanto, abusando
da linguagem, será usado também para matrizes não quadradas). Sendo sistemas equiva-
lentes, ambos terão a(s) mesma(s) solução(ões). Para tanto, faz-se uso das transformações
elementares, de modo a escalonar o sistema dado.

Observação 1.5.18. Se ao se aplicar este método de solução de um sistema linear aparecer


uma (ou mais) equações do tipo 0·𝑥1 +0·𝑥2 +. . .+0·𝑥𝑛 = 0, estas poderão ser eliminadas do
sistema. Caso, após essa(s) retirada(s), o sistema fique com mais variáveis do que equações,
o sistema será classificado como possível e indeterminado (admitirá mais de uma solução).

Observação 1.5.19. Se ao aplicar este método de solução de um sistema linear, aparecer


uma (ou mais) equações do tipo 0 · 𝑥1 + 0 · 𝑥2 + . . . + 0 · 𝑥𝑛 = 𝑏, (𝑏 ̸= 0), o sistema não terá
solução, ou seja, será classificado como impossível.

Exemplo 1.5.20. Vamos classificar os sistemas abaixo quanto ao número de soluções, uti-
lizando o escalonamento:
⎧ ⎡ ⎤ ⎡ ⎤

⎨ 𝑥−𝑦 = 2
⎢ 1 −1 . 2 ⎥ −
−−−−−→ ⎢ 1 −1 . 2 ⎥
a. ⇒⎣ ⎦ 𝐿2 − 2𝐿1 ⎣ ⎦
⎩ 2𝑥 + 𝑦 = 4

2 1 . 4 0 3 . 0

Logo, da segunda linha, vemos que 𝑦 = 0 e substituindo este valor na primeira equação,
temos: 𝑥 − 0 = 2 ∴ 𝑥 = 2. Concluímos que o sistema é SPD onde 𝑆 = {(2, 0)}.
⎧ ⎡ ⎤ ⎡ ⎤

⎨ 𝑥+𝑦 = 3 1 1 . 3 ⎥ −−−−−−→ ⎢ 1 1 . 3 ⎥
b. ⇒⎣ ⎦ 𝐿2 − 2𝐿1 ⎣


2𝑥 + 2𝑦 = 6 2 2 . 6 0 0 . 0

26
Como só resta uma linha não nula e temos duas variáveis concluímos que o sistema é
SPI. E da primeira linha temos que 𝑦 = 3 − 𝑥. Portanto, 𝑆 = {(𝑥, 3 − 𝑥) | 𝑥 ∈ R}.
⎧ ⎡ ⎤ ⎡ ⎤

⎨ 𝑥−𝑦 = 1 1 −1 . 1 ⎥ −−−−−−→ ⎢ 1 −1 . 1 ⎥
c. ⎪ ⇒⎣ ⎦ 𝐿2 − 2𝐿1 ⎣


⎩ 2𝑥 − 2𝑦 = 3 2 −2 . 3 0 0 . 1

Como temos uma linha onde os elementos correspondentes aos coeficientes das variáveis
são todos nulos e o termo independente é diferente de zero, concluímos que o sistema
é SI.

𝑥 + 2𝑦 + 2𝑧 = −1






Exemplo 1.5.21. Vamos discutir o sistema −3𝑥 − 5𝑦 − 6𝑧 = 3 .



2𝑥 + 𝑦 + 4𝑧 =


⎩ 𝑚
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
⎢ 1 2 2 . −1 ⎥ 𝐿 +3𝐿1 ⎢
1 2 2 . −1 ⎥ ⎢ 1 2 2 . −1 ⎥
⎢ ⎥ −−−2−−−→ ⎢ ⎥ −−−−−→ ⎢ ⎥

⎢ −3 −5 −6 . 3

⎥ 𝐿3 − 2𝐿1 ⎢
⎢ 0 1 0 . 0 ⎥ 𝐿3 + 3𝐿2 ⎢
⎥ ⎢
0 1 0 . 0


⎢ ⎥ ⎢ ⎥ ⎢ ⎥
2 1 4 0 −3 0 . 𝑚 + 2 0 0 0 . 𝑚+2
⎣ ⎦ ⎣ ⎦ ⎣ ⎦
. 𝑚

Como temos uma linha onde os elementos correspondentes aos coeficientes das variáveis
são todos nulos e o termo independente é 𝑚 + 2, temos que: se 𝑚 + 2 = 0 ∴ 𝑚 = −2, o
sistema é SPI com solução 𝑆 = {(−1 − 2𝑧, 0, 𝑧) | 𝑧 ∈ R}. Se 𝑚 ̸= −2, o sistema é SI.

1.6 Exercícios
Respostas no Capítulo 6, na página 100.

Exercício 1.6.1. Resolva os sistemas, classifique e indique o significado geométrico das


soluções.
⎧ ⎧

⎨ 𝑥 + 3𝑦 = 5 ⎪
⎨ 𝑥−𝑦 = 3
a) b)
3𝑥 − 2𝑦 = 1 4𝑥 − 4𝑦 = 6

⎩ ⎪



⎨ 𝑎𝑥 − 𝑦 = 8
Exercício 1.6.2. Determine o valor de 𝑎 para que o sistema seja possível
2𝑥 + 4𝑦 = 6


e determinado (SPD).

27
Exercício
⎧ 1.6.3. Resolva os sistemas,⎧se possível, e classifique-os.
𝑥 + 𝑦 + 2𝑧 = 4 𝑥+𝑦+𝑧 = 6

⎪ ⎪


⎪ ⎪


⎨ ⎪

a) ⎪ 2𝑥 − 3𝑦 + 𝑧 = 0 b) ⎪ 3𝑥 + 2𝑦 − 𝑧 = 4

⎪ ⎪

⎩ 5𝑥 − 𝑦 − 𝑧 = 3 ⎩ 2𝑥 + 𝑦 − 2𝑧 = −2

⎪ ⎪

Exercício 1.6.4. Em uma lanchonete, o custo de 3 sanduíches, 7 refrigerantes e uma torta


de maçã é 22, 50 reais. Com 4 sanduíches, 10 refrigerantes e uma torta de maçã, o custo vai
para 30, 50 reais. Qual o custo de um sanduíche, um refrigerante e uma torta de maçã, em
reais?

Exercício 1.6.5. Perguntado sobre a idade de seu filho Júnior, José respondeu o seguinte:
Minha idade quando somada à idade de Júnior é igual a 47 anos e quando somada à idade
de Maria é igual a 78 anos. As idades de Maria e Júnior somam 39 anos. Qual a idade de
Júnior?

𝑥+𝑦+𝑧 = −𝑎






Exercício 1.6.6. Discuta o sistema 𝑥 + 2𝑦 + 3𝑧 = −2 e dê sua solução,



−𝑥 + (𝑎2 − 𝑎 + 1)𝑧 = 𝑎2 − 𝑎



quando possível.

28
Capítulo 2

Vetores

As quantidades mensuráveis podem ser divididas em grandezas escalares e vetoriais.


De maneira geral, as grandezas escalares ficam bem definidas com o conhecimento do seu
módulo, ou seja, do valor numérico que as representa apresentado junto a unidade de medida
apropriada. As grandezas vetoriais ficam bem caracterizadas com o conhecimento do módulo,
da direção e do sentido. As quantidades associadas a grandezas vetoriais são denominadas
vetores.
Os vetores possuem propriedades algébricas e geométricas que possibilitam uma gama de
aplicações. Vale ressaltar ainda a utilização em aplicações não necessariamente geométricas,
como, por exemplo, em teoria da informação.
Neste capítulo apresentaremos noções elementares sobre vetores, a representação geomé-
trica e as operações algébricas que podem ser realizadas com essas grandezas.

2.1 Segmento Orientado

Um segmento orientado é determinado por um par ordenado de pontos, o primeiro é


chamado de origem e o segundo de extremidade do segmento.
A Figura 2.1 representa o segmento orientado 𝐴𝐵 (origem no ponto 𝐴 e extremidade no
ponto 𝐵).

29
Figura 2.1: Segmento orientado AB

2.1.1 Direção e sentido de um segmento orientado

Dois segmentos orientados não nulos 𝐴𝐵 e 𝐶𝐷 têm a mesma direção se as retas suportes
que os contém são paralelas ou coincidentes.
O sentido de um segmento orientado é verificado observando o sentido da origem até a
extremidade do segmento. De maneira informal, o sentido do vetor é para onde aponta a
seta.

Observação 2.1.1. Só podemos comparar o sentido de dois segmentos orientados, se estes


tiverem mesma direção.

2.1.2 Segmentos equipolentes

Dois segmentos orientados são equipolentes se possuem a mesma direção, o mesmo


sentido e o mesmo comprimento.
Se dois segmentos orientados equipolentes 𝐴𝐵 e 𝐶𝐷 são não colineares então o quadri-
látero 𝐴𝐵𝐶𝐷 é um paralelogramo.

Figura 2.2: Segmentos equipolentes colineares e não-colineares.

30
2.2 Vetores no Plano e no Espaço

O vetor 𝐴𝐵 no R2 e no R3 é dado pelo conjunto de todos os segmentos equipolentes a


𝐴𝐵.

Figura 2.3: Segmentos equipolentes a AB.

−→
O vetor determinado por 𝐴𝐵 pode ser denotado por 𝐴𝐵.

2.2.1 Módulo
−→
O módulo do vetor ⃗𝑣 = 𝐴𝐵 é a medida do segmento 𝐴𝐵 e é representado por ‖⃗𝑣 ‖.
Aprenderemos a calcular o módulo de um vetor utilizando suas coordenadas mais adiante.

2.2.2 Vetores Iguais


−→ −−→
Dois vetores 𝐴𝐵 e 𝐶𝐷 são iguais se, e somente se, os segmentos 𝐴𝐵 e 𝐶𝐷 são equipo-
lentes.

2.2.3 Vetor Nulo

Os segmentos nulos, por serem equipolentes entre si, representam o mesmo vetor chamado
de vetor nulo ou vetor zero, que é representado por 0.

2.2.4 Vetor Unitário

Se ‖⃗𝑣 ‖= 1 então ⃗𝑣 é chamado de vetor unitário.

31
2.2.5 Vetores Opostos
−→ −→ −→
Os vetores ⃗𝑣 = 𝐴𝐵 e −𝑣 = 𝐵𝐴 são ditos opostos.

2.3 Operações com Vetores

2.3.1 Adição de Vetores

Considere os vetores ⃗𝑢 e ⃗𝑣 , a soma ⃗𝑢 + ⃗𝑣 pode ser representada pela diagonal do parale-


logramo formado pelos vetores ⃗𝑢 e ⃗𝑣 , de acordo com a seguinte figura:

Figura 2.4: Representação do vetor soma.

Observação 2.3.1. Uma outra forma de se obter o vetor ⃗𝑢 +⃗𝑣 é posicionar a origem do vetor
⃗𝑣 na extremidade do vetor ⃗𝑢 e, a partir desse desenho, traçar o vetor iniciando na origem do
vetor ⃗𝑢 e terminando na extremidade do vetor ⃗𝑣 .

Propriedades da Adição

i. Comutativa: ⃗𝑢 + ⃗𝑣 = ⃗𝑣 + ⃗𝑢

ii. Associativa:(⃗𝑢 + ⃗𝑣 ) + 𝑤
⃗ = ⃗𝑢 + (⃗𝑣 + 𝑤)

iii. Elemento neutro: Existe um único vetor nulo 0 tal que, para todo vetor ⃗𝑣 , tem-se
⃗𝑣 + 0 = 0 + ⃗𝑣 = ⃗𝑣

−→
iv. Elemento simétrico: Qualquer que seja o vetor ⃗𝑣 , existe um único vetor −𝑣 tal que
−→ −→
⃗𝑣 + (−𝑣) = −𝑣 + ⃗𝑣 = 0.

32
2.3.2 Diferença de Vetores
(︁−
→)︁
Considere os vetores ⃗𝑢 e ⃗𝑣 , a diferença ⃗𝑢 − ⃗𝑣 = ⃗𝑢 + −𝑣 pode ser representada pela
diagonal do paralelogramo formado pelos vetores ⃗𝑢 e ⃗𝑣 , de acordo com a seguinte figura:

Figura 2.5: Representação do vetor diferença.

2.3.3 Multiplicação de um Número Real por um Vetor

Dado um vetor ⃗𝑣 e um número real 𝑘 ̸= 0, é chamado de produto do número real 𝑘 pelo


vetor ⃗𝑣 o vetor 𝑝⃗ tal que:

i. o módulo ‖⃗𝑝‖= ‖𝑘⃗𝑣 ‖= |𝑘|‖⃗𝑣 ‖;

ii. a direção de 𝑝⃗ é a mesma de ⃗𝑣 ;

iii. o sentido de 𝑝⃗ é o mesmo de ⃗𝑣 quando 𝑘 > 0 e contrário ao de ⃗𝑣 quando 𝑘 < 0.

Propriedades da Multiplicação de um Número Real por um Vetor

i. 𝑎(𝑏⃗𝑣 ) = (𝑎𝑏)⃗𝑣

ii. (𝑎 + 𝑏)⃗𝑣 = 𝑎⃗𝑣 + 𝑏⃗𝑣

iii. 𝑎(⃗𝑢 + ⃗𝑣 ) = 𝑎⃗𝑢 + 𝑎⃗𝑣

iv. 1⃗𝑣 = ⃗𝑣

33
Figura 2.6: Representação do vetor resultante do produto por escalar.

2.4 Vetores no R2
O conjunto R2 = R×R = {(𝑥, 𝑦)|𝑥, 𝑦 ∈ R} é geometricamente interpretado como o plano
−→
cartesiano. Qualquer vetor ⃗𝑣 = 𝐴𝐵 nesse plano tem um representante, cuja origem coincide
com a origem do sistema. Dessa forma, cada vetor do plano pode ser dado pelo ponto
extremo desse representante. Seja 𝑃 = (𝑥, 𝑦) esse extremo relativo ao vetor ⃗𝑣 , podemos
representá-lo por ⃗𝑣 = (𝑥, 𝑦), sendo 𝑥 e 𝑦 chamados de componentes do vetor.
Os seguintes vetores têm uma notação especial: ⃗𝑖 = 𝑒1 = (1, 0) e ⃗𝑗 = 𝑒2 = (0, 1). Logo,
podemos escrever também: ⃗𝑣 = (𝑥, 𝑦) = 𝑥⃗𝑖 + 𝑦⃗𝑗.

2.4.1 Igualdade

Dois vetores ⃗𝑢 = (𝑥1 , 𝑦1 ) e ⃗𝑣 = (𝑥2 , 𝑦2 ) são iguais se, e somente se, 𝑥1 = 𝑥2 e 𝑦1 = 𝑦2 .

2.4.2 Operações

Sejam os vetores ⃗𝑢 = (𝑥1 , 𝑦1 ) e ⃗𝑣 = (𝑥2 , 𝑦2 ) e 𝑘 ∈ R. Define-se:

i. ⃗𝑢 + ⃗𝑣 = (𝑥1 + 𝑥2 , 𝑦1 + 𝑦2 )

ii. 𝑘⃗𝑢 = (𝑘𝑥1 , 𝑘𝑦1 )

34
Figura 2.7: Representação geométrica de operações com vetores.

2.4.3 Vetor definido por Dois Pontos


−→
Considere o vetor 𝐴𝐵 com origem no ponto 𝐴 = (𝑥1 , 𝑦1 ) e extremo no ponto 𝐵 = (𝑥2 , 𝑦2 ).
−→
Pela definição de diferença de vetores, veja Figura 2.8, temos que o vetor 𝐴𝐵 é dado por

−→ −→ −→
𝐴𝐵 = 𝑂𝐵 − 𝑂𝐴 = (𝑥2 , 𝑦2 ) − (𝑥1 , 𝑦1 ) = (𝑥2 − 𝑥1 , 𝑦2 − 𝑦1 ).

−→
Ou seja, 𝐴𝐵 = 𝐵 − 𝐴.

Figura 2.8: Determinação do vetor AB.

−→
Exemplo 2.4.1. Seja 𝐴 = (2, −3) e 𝐵 = (4, 5), então 𝐴𝐵 = (4, 5) − (2, −3) = (2, 8).

35
2.4.4 Produto Escalar

Definição 2.4.2. O produto escalar (ou produto interno) de dois vetores ⃗𝑢 = (𝑥1 , 𝑦1 ) e
⃗𝑣 = (𝑥2 , 𝑦2 ) é o número real dado por:

⃗𝑢 · ⃗𝑣 = 𝑥1 𝑥2 + 𝑦1 𝑦2 .

Outra notação é ⟨𝑢, 𝑣⟩ (“𝑢 escalar 𝑣”).

Exemplo 2.4.3. Seja ⃗𝑢 = (2, −3) e ⃗𝑣 = (4, 5), então ⟨𝑢, 𝑣⟩ = 2 · 4 + (−3) · 5 = −7.

Propriedades do Produto Escalar

Dados os vetores ⃗𝑢, ⃗𝑣 e 𝑤,


⃗ e o número real 𝑘, temos:

i. ⃗𝑢 · ⃗𝑢 ≥ 0, sendo que ⃗𝑢 · ⃗𝑢 = 0 se, e somente se, ⃗𝑢 = 0

ii. ⃗𝑢 · ⃗𝑣 = ⃗𝑣 · ⃗𝑢

iii. ⃗𝑢 · (⃗𝑣 + 𝑤)
⃗ = ⃗𝑢 · ⃗𝑣 + ⃗𝑢 · 𝑤

iv. (𝑘⃗𝑢) · ⃗𝑣 = 𝑘(⃗𝑢 · ⃗𝑣 )

2.4.5 Módulo

O módulo do vetor ⃗𝑣 = (𝑥, 𝑦), representado por ‖⃗𝑣 ‖, é o número real, não negativo, dado
por
√ √︁
‖⃗𝑣 ‖ = ⃗𝑣 · ⃗𝑣 = 𝑥2 + 𝑦 2 .
−→
No caso do vetor 𝐴𝐵, onde 𝐴 = (𝑥1 , 𝑦1 ) e 𝐵 = (𝑥2 , 𝑦2 ), temos:

⃦−→⃦ √︁
⃦𝐴𝐵 ⃦ = (𝑥2 − 𝑥1 )2 + (𝑦2 − 𝑦1 )2 .
⃦ ⃦

⃗𝑣
Observação 2.4.4. A expressão ⃗𝑢 = fornece o vetor unitário com mesma direção e
‖⃗𝑣 ‖
mesmo sentido de ⃗𝑣 .

36
Pela sua importância, devemos mencionar as seguintes propriedades do módulo:

i. ‖𝑣⃗1 + 𝑣⃗2 ‖ ≤ ‖𝑣⃗1 ‖ + ‖𝑣⃗2 ‖ (Desigualdade triangular).

ii. |𝑣⃗1 · 𝑣⃗2 | ≤ ‖𝑣⃗1 ‖ · ‖𝑣⃗2 ‖ (Desigualdade de Schwarz).

2.4.6 Ângulo entre Dois Vetores


−→ −→
Define-se o ângulo 𝜃 entre os vetores não nulos ⃗𝑢 = 𝑂𝐴 e ⃗𝑣 = 𝑂𝐵 como o ângulo formado
pelas semi-retas 𝑂𝐴 e 𝑂𝐵, tal que 0 ≤ 𝜃 ≤ 𝜋. Este é dado pela expressão:

⃗𝑢 · ⃗𝑣
cos 𝜃 =
‖⃗𝑢‖‖⃗𝑣 ‖

2.4.7 Paralelismo e Ortogonalidade

Dois vetores ⃗𝑢 = (𝑥1 , 𝑦1 ) e ⃗𝑣 = (𝑥2 , 𝑦2 ) são paralelos se ⃗𝑢 = 𝑘⃗𝑣


(︁ )︁
𝑥1
𝑥2
= 𝑦1
𝑦2
, se ⃗𝑣 não possui coordenadas nulas e são ortogonais se ⃗𝑢 · ⃗𝑣 = 𝑥1 𝑥2 + 𝑦1 𝑦2 = 0.

2.4.8 Projeção Ortogonal de um Vetor sobre Outro

Sejam dois vetores não nulos ⃗𝑢 e ⃗𝑣 e o ângulo 𝜃 entre eles. Podemos decompor, por
exemplo, o vetor ⃗𝑣 de tal forma que ⃗𝑣 = 𝑣⃗1 + 𝑣⃗2 , onde 𝑣⃗1 ‖ ⃗𝑢 e 𝑣⃗2 ⊥ ⃗𝑢. Veja a Figura 2.9
para os dois casos possíveis:

Figura 2.9: Representação da projeção ortogonal de ⃗𝑣 sobre ⃗𝑢.

Temos que o vetor projeção ortogonal de ⃗𝑣 sobre ⃗𝑢 é dado por:

⃗𝑣 · ⃗𝑢
Proj⃗⃗𝑢𝑣 = ⃗𝑢
⃗𝑢 · ⃗𝑢

37
2.4.9 Equação vetorial da reta

Podemos usar o conceito de vetor para representarmos retas no plano. Basta considerar-
mos que, dados dois pontos, existe uma única reta que passa por eles. Sejam 𝐴 e 𝐵 pontos
−→
distintos no plano. A reta 𝑟 que passa por 𝐴 e 𝐵 tem a mesma direção do vetor ⃗𝑣 = 𝐴𝐵,
logo também tem a mesma direção dos seus múltiplos 𝑡⃗𝑣 , 𝑡 ∈ R. Assim, para qualquer ponto
𝑃 = (𝑥, 𝑦) ∈ 𝑟, podemos escrever:

−→
𝐴𝑃 = 𝑡⃗𝑣 ⇒ 𝑃 − 𝐴 = 𝑡⃗𝑣 ⇒ 𝑟 : 𝑃 = 𝐴 + 𝑡⃗𝑣 , 𝑡 ∈ R.

Figura 2.10: Reta no R2 e seu vetor diretor

A equação 𝑟 : 𝑃 = 𝐴 + 𝑡⃗𝑣 , 𝑡 ∈ R é denominada equação vetorial da reta 𝑟. Dizemos


que o vetor ⃗𝑣 é o vetor diretor da reta 𝑟. Observe que a equação vetorial da reta é definida
conhecendo-se um ponto 𝐴 = (𝑥𝐴 , 𝑦𝐴 ) da reta e o vetor diretor ⃗𝑣 = (𝑎, 𝑏).
A partir da equação vetorial da reta, podemos deduzir equações paramétricas para
cada uma

das coordenadas do ponto 𝑃 , obtendo:
⎨𝑥 = 𝑥𝐴 + 𝑎𝑡


𝑟: , 𝑡∈R
= 𝑦𝐴 + 𝑏𝑡

⎩𝑦

Isolando-se o 𝑡 em ambas as equações obtemos:

𝑥 − 𝑥𝐴 𝑦 − 𝑦𝐴 𝑏 𝑏
= ⇒ 𝑟 : 𝑦 = 𝑚𝑥 + 𝑛; onde 𝑚 = , 𝑛 = − 𝑥𝐴 + 𝑦𝐴 .
𝑎 𝑏 𝑎 𝑎

38
A equação 𝑦 = 𝑚𝑥 + 𝑛 é chamada de equação reduzida da reta no plano. A partir dela
podemos obter a equação vetorial da reta, assim como suas equações paramétricas. Basta
considerarmos que cada ponto da reta é dado genericamente por 𝑃 = (𝑥, 𝑦) e tomarmos
𝑥 = 𝑡, temos então: 𝑃 = (𝑥, 𝑦) = (𝑥, 𝑚𝑥 + 𝑛) = (𝑡, 𝑚𝑡 + 𝑛) = (0, 𝑛) + (1, 𝑚)𝑡.

2.5 Vetores no R3

O conjunto R3 = R × R × R = {(𝑥, 𝑦, 𝑧)|𝑥, 𝑦, 𝑧 ∈ R} é geometricamente interpretado


como o espaço cartesiano.
−→
Qualquer vetor ⃗𝑣 = 𝐴𝐵 no espaço tem um representante, cuja origem coincide com a
origem do sistema. Dessa forma, cada vetor do espaço pode ser dado pelo ponto extremo
desse representante. Seja 𝑃 = (𝑎, 𝑏, 𝑐) esse extremo relativo ao vetor ⃗𝑣 , podemos então
representá-lo por ⃗𝑣 = (𝑎, 𝑏, 𝑐), veja a Figura 2.11.

Figura 2.11: Representação de um vetor no R3

Os seguintes vetores têm uma notação especial: ⃗𝑖 = 𝑒1 = (1, 0, 0), ⃗𝑗 = 𝑒2 = (0, 1, 0) e


⃗𝑘 = 𝑒3 = (0, 0, 1). Logo, podemos escrever também ⃗𝑣 = (𝑎, 𝑏, 𝑐) = 𝑎⃗𝑖 + 𝑏⃗𝑗 + 𝑐⃗𝑘.

Observação 2.5.1. Todo o raciocínio utilizado no R2 , pode ser adaptado para o R3 .

39
2.5.1 Igualdade

Dois vetores ⃗𝑢 = (𝑥1 , 𝑦1 , 𝑧1 ) e ⃗𝑣 = (𝑥2 , 𝑦2 , 𝑧2 ) são iguais se, e somente se, 𝑥1 = 𝑥2 , 𝑦1 = 𝑦2


e 𝑧1 = 𝑧2 .

2.5.2 Operações

Sejam os vetores ⃗𝑢 = (𝑥1 , 𝑦1 , 𝑧1 ) e ⃗𝑣 = (𝑥2 , 𝑦2 , 𝑧2 ) e 𝑘 ∈ R. Define-se:

i. ⃗𝑢 + ⃗𝑣 = (𝑥1 + 𝑥2 , 𝑦1 + 𝑦2 , 𝑧1 + 𝑧2 )

ii. 𝑘⃗𝑢 = (𝑘𝑥1 , 𝑘𝑦1 , 𝑘𝑧1 )

2.5.3 Vetor Definido por Dois Pontos


−→
Considere o vetor 𝐴𝐵 com origem no ponto 𝐴 = (𝑥1 , 𝑦1 , 𝑧1 ) e extremidade no ponto
−→
𝐵 = (𝑥2 , 𝑦2 , 𝑧2 ). Pela definição de diferença de vetores temos que o vetor 𝐴𝐵 é dado por:

−→ −→ −→
𝐴𝐵 = 𝑂𝐵 − 𝑂𝐴 = (𝑥2 , 𝑦2 , 𝑧2 ) − (𝑥1 , 𝑦1 , 𝑧1 ) = (𝑥2 − 𝑥1 , 𝑦2 − 𝑦1 , 𝑧2 − 𝑧1 ).

Exemplo 2.5.2. Tomando os pontos 𝐴 = (0, 2, −3) e 𝐵 = (−2, −4, 5), temos que o vetor
−→ −→
𝐴𝐵 é dado por 𝐴𝐵 = (−2 − 0, −4 − 2, 5 − (−3)) = (−2, −6, 8).

2.5.4 Produto Escalar

O produto escalar, ou produto interno, de dois vetores ⃗𝑢 = (𝑥1 , 𝑦1 , 𝑧1 ) e ⃗𝑣 = (𝑥2 , 𝑦2 , 𝑧2 ) é


o número real dado por:
𝑢 · 𝑣 = ⟨𝑢, 𝑣⟩ = 𝑥1 𝑥2 + 𝑦1 𝑦2 + 𝑧1 𝑧2

Uma possível aplicação do produto escalar na Física é na determinação do trabalho, 𝑊 ,


⃗ e é definido como
realizado por uma força 𝐹⃗ ao longo de um determinado deslocamento 𝑑,

𝑊 = 𝐹⃗ · 𝑑.

Exemplo 2.5.3. Sejam ⃗𝑢 = (1, 2, −3) e ⃗𝑣 = (−5, 4, 5), então ⟨𝑢, 𝑣⟩ = 1(−5)+2·4+(−3)·5 =
−12.

40
2.5.5 Módulo

O módulo do vetor ⃗𝑣 = (𝑥, 𝑦, 𝑧) é o número real, não negativo, dado por:

√ √︁
‖⃗𝑣 ‖= ⃗𝑣 · ⃗𝑣 = 𝑥2 + 𝑦 2 + 𝑧 2

−→
No caso do vetor 𝐴𝐵, onde 𝐴 = (𝑥1 , 𝑦1 , 𝑧1 ) e 𝐵 = (𝑥2 , 𝑦2 , 𝑧2 ), temos:

⃦−→⃦ √︁
⃦𝐴𝐵 ⃦
⃦ ⃦
= (𝑥2 − 𝑥1 )2 + (𝑦2 − 𝑦1 )2 + (𝑧2 − 𝑧1 )2

⃗𝑣
Observação 2.5.4. A expressão ⃗𝑢 = fornece o vetor unitário com mesma direção e
‖⃗𝑣 ‖
mesmo sentido de ⃗𝑣 .

Pela sua importância, devemos mencionar as seguintes propriedades do módulo:

i. ‖𝑣⃗1 + 𝑣⃗2 ‖ ≤ ‖𝑣⃗1 ‖ + ‖𝑣⃗2 ‖ (Desigualdade triangular).

ii. |𝑣⃗1 · 𝑣⃗2 | ≤ ‖𝑣⃗1 ‖ · ‖𝑣⃗2 ‖ (Desigualdade de Schwarz).

2.5.6 Ângulo entre Dois Vetores

Da mesma forma que no plano, o ângulo 𝜃 entre os vetores não nulos ⃗𝑢 e ⃗𝑣 é dado pela
expressão:
⃗𝑢 · ⃗𝑣
cos 𝜃 =
‖⃗𝑢‖‖⃗𝑣 ‖

2.5.7 Paralelismo e Ortogonalidade

Dois vetores ⃗𝑢 = (𝑥1 , 𝑦1 , 𝑧1 ) e ⃗𝑣 = (𝑥2 , 𝑦2 , 𝑧2 ) são paralelos se ⃗𝑢 = 𝑘⃗𝑣


(︁ )︁
𝑥1
𝑥2
= 𝑦1
𝑦2
= 𝑧1
𝑧2
, se ⃗𝑣 não possui coordenadas nulas e são ortogonais se ⃗𝑢 · ⃗𝑣 = 𝑥1 𝑥2 + 𝑦1 𝑦2 +
𝑧1 𝑧2 = 0.

41
2.5.8 Projeção Ortogonal de um Vetor sobre Outro

Sejam dois vetores não nulos ⃗𝑢 e ⃗𝑣 e o ângulo 𝜃 entre eles. Da mesma forma que ocorreu
no plano, podemos decompor, por exemplo, o vetor ⃗𝑣 de tal forma que ⃗𝑣 = 𝑣⃗1 + 𝑣⃗2 , onde
𝑣⃗1 ‖ ⃗𝑢 e 𝑣⃗2 ⊥ ⃗𝑢.

Temos que o vetor projeção ortogonal de ⃗𝑣 sobre ⃗𝑢 é dado por:

⃗𝑣 · ⃗𝑢
Proj⃗⃗𝑢𝑣 = ⃗𝑢
⃗𝑢 · ⃗𝑢

2.5.9 Produto Vetorial

Dados dois vetores ⃗𝑢 = (𝑥1 , 𝑦1 , 𝑧1 ) e ⃗𝑣 = (𝑥2 , 𝑦2 , 𝑧2 ), o produto vetorial ⃗𝑢 × ⃗𝑣 é dado


pelo seguinte vetor:

⃗𝑢 × ⃗𝑣 = (𝑦1 𝑧2 − 𝑧1 𝑦2 , 𝑧1 𝑥2 − 𝑥1 𝑧2 , 𝑥1 𝑦2 − 𝑦1 𝑥2 )

Um processo mnemônico para se decorar essa fórmula é o seguinte:


⃒ ⃒
⃗𝑖 ⃗𝑗 ⃗𝑘 ⃒⃒
⃒ ⃒


⃒ ⃒
⃗𝑢 × ⃗𝑣 = 𝑥1 𝑦1 𝑧1 ⃒
⃒ ⃒

⃒ ⃒
⃒ ⃒
𝑥2 𝑦2 𝑧2 ⃒⃒

Uma possível aplicação do produto vetorial na Física é na determinação do torque, 𝜏 , que


é uma grandeza vetorial que tem relação com a possível torção que um corpo pode sofrer ou
com a possível alteração de seu movimento de rotação. E é definida como ⃗𝜏 = ⃗𝑟 × 𝐹⃗ , onde
|⃗𝑟| é a distância do ponto de aplicação da força 𝐹⃗ ao eixo de rotação, ao qual o corpo está
vinculado.

42
2.5.10 Propriedades do Produto Vetorial

1. Como o produto vetorial pode ser calculado utilizando um determinante, as proprie-


dades do determinante podem ser utilizadas para o cálculo do produto vetorial entre
⃗𝑢 e ⃗𝑣 .

2. Seja 𝜃 o ângulo entre os vetores ⃗𝑢 e ⃗𝑣 , então:

‖⃗𝑢 × ⃗𝑣 ‖ = ‖⃗𝑢‖ ‖⃗𝑣 ‖ sen 𝜃

Geometricamente, o módulo de ⃗𝑢 × ⃗𝑣 mede a área do paralelogramo formado pelos


vetores ⃗𝑢 e ⃗𝑣 .

3. A direção do vetor ⃗𝑢 × ⃗𝑣 é ortogonal simultaneamente a ⃗𝑢 e ⃗𝑣 .

4. O sentido do vetor ⃗𝑢 × ⃗𝑣 é dado pela regra da mão direita, dada a seguir: Seja 𝜃
o ângulo de rotação do vetor ⃗𝑢 até ⃗𝑣 , nessa ordem. Ao dobrarmos os dedos da mão
direita na mesma direção da rotação, o sentido de ⃗𝑢 × ⃗𝑣 será o mesmo do que indicado
pelo polegar estendido, veja a Figura 2.12.

Figura 2.12: Regra da mão direita.

Exemplo 2.5.5. Determinar um vetor perpendicular simultaneamente a ⃗𝑢 = (1, 0, 1) e


⃗𝑣 = (1, 1, 0).

43
⃒ ⃒
⃗𝑖 ⃗𝑗 ⃗𝑘 ⃒⃒
⃒ ⃒


⃒ ⃒
⃗𝑢 × ⃗𝑣 = 1 0 1 ⃒⃒ = 0⃗𝑖 + 1⃗𝑗 + 1⃗𝑘 − 0⃗𝑘 − 1⃗𝑖 − 0⃗𝑗 = −1⃗𝑖 + 1⃗𝑗 + 1⃗𝑘 = (−1, 1, 1).
⃒ ⃒


⃒ ⃒
1 1 0 ⃒⃒

2.5.11 Equação vetorial da reta

Da mesma forma que foi feito no plano, também podemos construir a equação vetorial
da reta 𝑟 no espaço a partir de dois pontos no R3 . Dados dois pontos disitintos 𝐴 e 𝐵 ∈ R3
−→
e ⃗𝑣 = 𝐴𝐵, para um ponto genérico 𝑃 = (𝑥, 𝑦, 𝑧) ∈ 𝑟 temos que:

−→
𝐴𝑃 = 𝑡⃗𝑣

𝑃 − 𝐴 = 𝑡⃗𝑣

𝑟 : 𝑃 = 𝐴 + 𝑡⃗𝑣 , 𝑡 ∈ R.

A última equação representa a equação vetorial da reta no espaço. Observe que a


referida equação é definida conhecendo-se um ponto 𝐴 = (𝑥𝐴 , 𝑦𝐴 , 𝑧𝐴 ) ∈ 𝑟 e o vetor diretor
⃗𝑣 = (𝑎, 𝑏, 𝑐). A partir da equação vetorial da reta, novamente podemos deduzir equações
paramétricas para cada uma das coordenadas do ponto 𝑃 , obtendo:

= 𝑥𝐴 + 𝑎𝑡

𝑥







𝑟: 𝑦 = 𝑦𝐴 + 𝑏𝑡 ,𝑡 ∈ R




= 𝑧𝐴 + 𝑐𝑡

⎩𝑧

Isolando-se o 𝑡 nas equações anteriores, obtemos:

𝑥 − 𝑥𝐴 𝑦 − 𝑦𝐴 𝑧 − 𝑧𝐴
= =
𝑎 𝑏 𝑐

⎨𝑦 = 𝑎𝑏 𝑥 + (𝑦𝐴 − 𝑎𝑏 𝑥𝐴 )


𝑟: , essas equações são conhecidas como as equações reduzidas
= 𝑎𝑐 𝑥 + (𝑧𝐴 − 𝑎𝑐 𝑥𝐴 )

⎩𝑧

da reta.

44
Exemplo 2.5.6. Vamos determinar as equações paramétricas da reta que passa pelos pontos
−→
𝐴 = (1, 2, 3) e 𝐵 = (1, 0, −1). Considere ⃗𝑣 = 𝐴𝐵 = 𝐵 − 𝐴 = (0, −2, −4). Temos que:

𝑃 = 𝐴 + 𝑡⃗𝑣

(𝑥, 𝑦, 𝑧) = (1, 2, 3) + 𝑡(0, −2, −4), 𝑡 ∈ R.

A
⎧ partir da equação vetorial da reta temos as equações paramétricas da reta dadas por:
=1

𝑥







⎪ 𝑦 = 2 − 2𝑡 , 𝑡 ∈ R.



= 3 − 4𝑡

⎩𝑧

Exemplo 2.5.7. Seja a reta 𝑟 paralela a reta 𝑠, tal que 𝑠 = {𝑄/𝑄 = (3, −1, 2) +
𝑘(2, −1, 1), 𝑘 ∈ R}, vamos determinar a equação vetorial da reta 𝑟 sabendo que 𝐴 =
(−1, −2, 1) ∈ 𝑟. Temos então que, como 𝑟 ‖ 𝑠, os vetores diretores de 𝑟 e de 𝑠 são múltiplos.
Assim, 𝑃 = 𝐴 + 𝑡⃗𝑣 ∴ (𝑥, 𝑦, 𝑧) = (−1, −2, 1) + 𝑡(2, −1, 1), 𝑡 ∈ R.

Exemplo 2.5.8. Considerando a reta 𝑟 obtida no exemplo anterior, dada por 𝑃 = 𝐴 + 𝑡⃗𝑣 ∴
(𝑥, 𝑦, 𝑧) = (−1, −2, 1) + 𝑡(2, −1, 1), 𝑡 ∈ R, vamos verificar se as retas 𝑟 e 𝑤 se intersectam,
sendo 𝑤 a reta que passa por 𝐶 = (1, 5, 3) e 𝐷 = (0, 6, 2). A equação vetorial de 𝑤 é dada
por (𝑥, 𝑦, 𝑧) = (1, 5, 3) + ℎ(−1, 1, −1), ℎ ∈ R. Comparando as equações paramétricas de 𝑟 e
𝑤, verificamos
⎧ que não é possível terem⎧algum ponto em comum:
= −1 + 2𝑡 =1−ℎ
⎪ ⎪
𝑥 𝑥

⎪ ⎪


⎪ ⎪


⎪ ⎪

⎨ ⎨
𝑟 : ⎪𝑦 = −2 − 𝑡 , 𝑡 ∈ R e 𝑤 : ⎪𝑦 = 5 + ℎ , ℎ ∈ R.
⎪⎪ ⎪ ⎪
⎪ ⎪
=1+𝑡 =3−ℎ
⎪ ⎪
⎩𝑧 ⎩𝑧

⎪ ⎪

Para que houvesse interseção o sistema a seguir deveria ter solução:


⎪−1 + 2𝑡 =1−ℎ







⎪ −2 − 𝑡 = 5 + ℎ



⎩1 + 𝑡 = 3 − ℎ


Somando as duas últimas equações do sistema chegamos a −1 = 8, o que prova que o


sistema é impossível.

45
É importante observar que no plano, duas retas se intersectam ou são paralelas, entretanto
no espaço temos uma terceira possibilidade. No espaço, duas retas são paralelas ou se
intersectam ou são reversas. Neste exemplo, 𝑟 e 𝑤 ilustram o caso de retas reversas, pois elas
não se intersectam e também não são paralelas (seus vetores diretores não são paralelos).

2.5.12 Equação vetorial do plano

O conceito de vetor no espaço pode ser usado também na caracterização de um plano


no R3 . Enquanto uma reta é perfeitamente definida conhecendo-se dois pontos que perten-
cem a ela, o plano é perfeitamente definido conhecendo-se três pontos não colineares que o
compõem.
−→ −→
Sejam 𝐴, 𝐵 e 𝐶 pontos não colineares num plano Π, então os vetores ⃗𝑣 = 𝐴𝐵 e ⃗𝑢 = 𝐴𝐶
são paralelos a Π, assim como seus múltiplos 𝑡⃗𝑣 e 𝑘⃗𝑢, para 𝑘, 𝑡 ∈ R. Qualquer vetor no plano
Π é resultado de operações do tipo 𝑡⃗𝑣 + 𝑘⃗𝑢. Podemos então escrever qualquer ponto 𝑃 do
plano da forma:

−→
𝐴𝑃 = 𝑡⃗𝑣 + 𝑘⃗𝑢

𝑃 − 𝐴 = 𝑡⃗𝑣 + 𝑘⃗𝑢

Π : 𝑃 = 𝐴 + 𝑡⃗𝑣 + 𝑘⃗𝑢, 𝑡 e 𝑘 ∈ R.

Esta última equação é denominada equação vetorial do plano. Podemos perceber que
um plano é definido pelo conhecimento de um de seus pontos (𝐴 = (𝑥𝐴 , 𝑦𝐴 , 𝑧𝐴 )) e dois de seus
vetores não paralelos (⃗𝑣 = (𝑣1 , 𝑣2 , 𝑣3 ) e ⃗𝑢 = (𝑢1 , 𝑢2 , 𝑢3 )). Os vetores ⃗𝑣 e ⃗𝑢 são denominados
vetores geradores do plano. A partir da equação vetorial, podemos obter as equações
paramétricas

do plano, dadas por:
= 𝑥𝐴 + 𝑣1 𝑡 + 𝑢1 𝑘

𝑥







Π : ⎪𝑦 = 𝑦𝐴 + 𝑣2 𝑡 + 𝑢2 𝑘 , 𝑡, 𝑘 ∈ R.



= 𝑧𝐴 + 𝑣3 𝑡 + 𝑢3 𝑘

⎩𝑧

46
Os planos e retas no espaço podem ter diferentes posições relativas. Uma reta 𝑟 pode
pertencer ao plano Π, tendo assim infinitos pontos de interseção. Outra possibilidade é a
reta 𝑟 instersectar o plano Π em um único ponto. Uma terceira possibilidade é a reta 𝑟
pertencer a um plano Π′ paralelo a Π e, neste caso, 𝑟 e Π não teriam nenhum ponto em
comum.
Tomando a reta com vetor diretor dado por ⃗𝑛, que intersecta o plano Π de forma a ser
perpendicular a qualquer outra reta em Π, podemos construir uma nova equação para Π
denominada equação cartesiana do plano.
Considere o vetor ⃗𝑛 = (𝑎, 𝑏, 𝑐) ortogonal ao plano Π e os pontos 𝐴 = (𝑥𝐴 , 𝑦𝐴 , 𝑧𝐴 ) e
𝑃 = (𝑥, 𝑦, 𝑧), tal que 𝐴, 𝑃 ∈ Π. Temos que:

⟨ −→⟩
⃗𝑛, 𝐴𝑃 = 0

⟨(𝑎, 𝑏, 𝑐), (𝑥 − 𝑥𝐴 , 𝑦 − 𝑦𝐴 , 𝑧 − 𝑧𝐴 )⟩ = 0

𝑎𝑥 + 𝑏𝑦 + 𝑐𝑧 − (𝑎𝑥𝐴 + 𝑏𝑦𝐴 + 𝑐𝑧𝐴 ) = 0.

Fazendo 𝑑 = −(𝑎𝑥𝐴 +𝑏𝑦𝐴 +𝑐𝑧𝐴 ), obtemos a equação 𝑎𝑥+𝑏𝑦+𝑐𝑧+𝑑 = 0 que é denominada


a equação cartesiana do plano.
Caso se queira a equação cartesiana do plano a partir da equação vetorial, basta obtermos
⟨ −→⟩
o vetor ⃗𝑛 = ⃗𝑢 × ⃗𝑣 e fazermos ⃗𝑛, 𝐴𝑃 = 0.

2.6 Exercícios
Respostas no Capítulo 6, na página 100.
−→
Exercício 2.6.1. Determine as componentes do vetor ⃗𝑣 = 𝐴𝐵 nos seguintes casos:

a) 𝐴 = (2, 5) e 𝐵 = (4, 1)

b) 𝐴 = (−1, 2) e 𝐵 = (6, 0)

c) 𝐴 = (−4, −1, 0) e 𝐵 = (2, −2, 4)

47
d) 𝐴 = (0, 0, 0) e 𝐵 = (0, 1, 0)

Exercício 2.6.2. Encontre a extremidade do vetor ⃗𝑣 = (3, −1, 0), cuja origem é o ponto
𝐴 = (−2, 4, 2).

Exercício 2.6.3. Determine a origem do vetor ⃗𝑣 = (0, −4), cujo extremo é o ponto 𝐵 =
(6, 1).

Exercício 2.6.4. Determine o extremo do vetor que tem origem no ponto 𝐴 = (1, 2) e:

a) tem mesma direção e sentido do vetor ⃗𝑣 = (−2, 8);

b) tem mesma direção e sentido contrário ao vetor ⃗𝑣 = (−1, 5).

Exercício 2.6.5. Sejam os vetores ⃗𝑢 = (2, 5), ⃗𝑣 = (−3, 1) e 𝑤


⃗ = (6, 0). Encontre as
componentes de:

a) ⃗𝑣 + 𝑤

b) 3⃗𝑣 − 2⃗𝑢

c) −5(⃗𝑣 + 𝑤)

Exercício 2.6.6. Determine as constantes reais 𝑘1 e 𝑘2 tais que 𝑘1 (2, 5)+𝑘2 (−1, 3) = (10, 14).

Exercício 2.6.7. Sejam os vetores ⃗𝑢 = (2, 5, 0), ⃗𝑣 = (1, −3, 1) e 𝑤


⃗ = (6, 0, 4). Determine as
constantes reais 𝑘1 , 𝑘2 e 𝑘3 tais que 𝑘1⃗𝑢 + 𝑘2⃗𝑣 + 𝑘3 𝑤
⃗ = (−4, 5, −4).

Exercício 2.6.8. Determine o módulo dos seguintes vetores:

a) ⃗𝑣 = (−5, −12)

b) ⃗𝑣 = (4, −3, 1)
−→
c) 𝐴𝐵, com 𝐴 = (1, 0, −4) e 𝐵 = (−2, −4, 8)

Exercício 2.6.9. Dados os vetores ⃗𝑣 = (1, 3, −5) e ⃗𝑢 = (4, 2, 8), decomponha ⃗𝑣 em dois
vetores 𝑣1 e 𝑣2 tais que ⃗𝑣 = 𝑣⃗1 + 𝑣⃗2 , 𝑣⃗1 ‖ ⃗𝑢 e 𝑣⃗2 ⊥ ⃗𝑢.

48
Exercício 2.6.10. Sabendo que 𝐴 = (−1, −1, 2), 𝐵 = (2, 1, 1) e 𝐶 = (𝑚, −5, 3), determine:

a) o valor de 𝑚 para que o triângulo 𝐴𝐵𝐶 seja retângulo em 𝐴.

b) o ponto 𝐻, pé da altura relativa ao vértice 𝐴.

Exercício 2.6.11. Determinar o valor de 𝑎 para que o vetor ⃗𝑣 = (1, 2, 𝑎) seja simultanea-
mente ortogonal a ⃗𝑢 = (2, −1, 0) e 𝑤
⃗ = (1, −3, −1)

Exercício 2.6.12. Mostrar que o quadrilátero cujos vértices são os pontos 𝐴(1, −2, 3),
𝐵(4, 3, −1), 𝐶(5, 7, −3) e 𝐷(2, 2, 1) é um paralelogramo e calcular sua área.

Exercício 2.6.13. Determine a área do triângulo formado pelos pontos 𝐴(2, 2, 1),
𝐵(5, 7, −3) e 𝐶(1, −2, 3).

49
Capítulo 3

Espaços Vetoriais

Algumas estruturas matemáticas são dotadas de características que a identificam e que


possibilitam a verificação de propriedades.
Considere um conjunto 𝑉 não vazio, constituído de elementos que denominaremos veto-
res, no qual podemos definir duas operações, uma adição entre vetores e uma multiplicação de
vetor por escalar. Adotaremos que o escalar considerado pertence ao conjunto dos números
reais.
Ao estabelecermos determinadas condições, podemos classificar o conjunto 𝑉 , munido
das duas operações supracitadas, como espaço vetorial real ou somente espaço vetorial.

3.1 Espaço Vetorial

Definição 3.1.1. Sejam 𝑢, 𝑣, 𝑤 e 0 vetores pertencentes ao conjunto 𝑉 e sejam 𝛼, 𝛽 e


𝛾 escalares. Definimos como espaço vetorial o conjunto 𝑉 , munido das operações de
adição de vetores e de multiplicação por escalar, em que estejam verificadas as seguintes
propriedades:

i. 𝑢 + 𝑣 está em 𝑉 (Fechado sob adição)

ii. 𝑢 + 𝑣 = 𝑣 + 𝑢 (Comutatividade)

50
iii. (𝑢 + 𝑣) + 𝑤 = 𝑢 + (𝑣 + 𝑤) (Associatividade)

iv. 𝑢 + 0 = 0 + 𝑢 = 𝑢 (Elemento neutro)

v. 𝑢 + (−𝑢) = (−𝑢) + 𝑢 = 0 (Elemento simétrico)

vi. 𝛼𝑢 está em 𝑉 (Fechado sob multiplicação por escalar)

vii. 𝛼(𝑢 + 𝑣) = 𝛼𝑢 + 𝛼𝑣 (Distributividade)

viii. (𝛼 + 𝛽)𝑢 = 𝛼𝑢 + 𝛽𝑢 (Distributividade)

ix. 𝛼(𝛽𝑢) = (𝛼𝛽)𝑢 (Associatividade)

x. 1𝑢 = 𝑢 (Elemento neutro)

Os elementos de um espaço vetorial são chamados vetores. Dessa forma, vetores podem
ser números, polinômios, matrizes, funções etc.
A seguir, apresentaremos alguns exemplos de espaços vetoriais, detalhando os conjuntos
envolvidos, as operações de adição de vetores e de multiplicação por escalar adotadas e
verificando as referidas propriedades.

3.1.1 Exemplos

Exemplo 3.1.2. Considere 𝑉 = R o conjunto dos números reais munido da adição e da


multiplicação usuais entre seus elementos. Dessa forma, podem ser verificadas todas as
propriedades de espaço vetorial. Pode-se constatar que tanto a adição como a multiplicação
de números reais resulta também num elemento deste conjunto numérico. Além disso, é
possível identificar o elemento neutro da adição, representado pelo zero, e o elemento neutro
da multiplicação, representado pelo número um. O elemento simétrico da adição para cada
número real é obtido pela multiplicação do referido número por −1. Também valem as
propriedades comutativa, associativa e distributiva. Logo, 𝑉 = R é um espaço vetorial.

51
Exemplo 3.1.3. Seja o conjunto 𝑉 representado pelo conjunto dos pares ordenados do
R2 , tal que 𝑉 = {(𝑥, 𝑦); 𝑥, 𝑦 ∈ R}, e considere as operações de adição entre vetores e
multiplicação por escalar dadas por:

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

𝛼𝑢 = 𝛼(𝑥1 , 𝑦1 ) = (𝛼𝑥1 , 𝛼𝑦1 ); 𝛼 ∈ R.

Vamos verificar se as condições inerentes a espaço vetorial são satisfeitas:

i. Como em cada coordenada temos a soma de números reais, observa-se que a operação de
adição de vetores é fechada;

ii. 𝑢 + 𝑣 = (𝑥1 + 𝑥2 , 𝑦1 + 𝑦2 ) = (𝑥2 + 𝑥1 , 𝑦2 + 𝑦1 ) = 𝑣 + 𝑢;

iii. 𝑢 + (𝑣 + 𝑤) = (𝑥1 + (𝑥2 + 𝑥3 ), 𝑦1 + (𝑦2 + 𝑦3 )) = ((𝑥1 + 𝑥2 ) + 𝑥3 , (𝑦1 + 𝑦2 ) + 𝑦3 ) = (𝑢 + 𝑣) + 𝑤;

iv. Seja 0 = (0, 0), temos que 𝑢 + 0 = (𝑥1 + 0, 𝑦1 + 0) = (𝑥1 , 𝑦1 ) = 𝑢;

v. 𝑢 + (−𝑢) = (𝑥1 − 𝑥1 , 𝑦1 − 𝑦1 ) = (0, 0) = 0;

vi. Como 𝛼𝑢 é um vetor do R2 , a operação de multiplicação por escalar é fechada;

vii. 𝛼(𝑢+𝑣) = 𝛼(𝑥1 +𝑥2 , 𝑦1 +𝑦2 ) = (𝛼(𝑥1 +𝑥2 ), 𝛼(𝑦1 +𝑦2 )) = (𝛼𝑥1 +𝛼𝑥2 , 𝛼𝑦1 +𝛼𝑦2 ) = 𝛼𝑢+𝛼𝑣;

viii. (𝛼 + 𝛽)𝑢 = ((𝛼 + 𝛽)𝑥1 , (𝛼 + 𝛽)𝑦1 ) = (𝛼𝑥1 + 𝛽𝑥1 , 𝛼𝑦1 + 𝛽𝑦1 ) = 𝛼𝑢 + 𝛽𝑢;

ix. 𝛼(𝛽𝑢) = 𝛼(𝛽𝑥1 , 𝛽𝑦1 ) = (𝛼𝛽𝑥1 , 𝛼𝛽𝑦1 ) = (𝛼𝛽)𝑢;

x. 1𝑢 = (1𝑥1 , 1𝑦1 ) = (𝑥1 , 𝑦1 ) = 𝑢.

Como foi possível verificar todas as condições, podemos afirmar que 𝑉 = R2 é um


espaço vetorial.

Exemplo 3.1.4. Podemos estender o exemplo anterior e afirmar que, para 𝑛 ≥ 1, R𝑛 munido
das operações de adição usual entre vetores e produto usual de vetor por escalar é um espaço
vetorial.

52
Exemplo 3.1.5. Considere o conjunto das matrizes de 𝑚 linhas e 𝑛 colunas com entradas
reais, denotadas por 𝑀𝑚×𝑛 . Adote a adição usual de matrizes 𝑆 = 𝐴+𝐵, onde cada elemento
𝑠𝑖𝑗 da matriz soma é dado por 𝑠𝑖𝑗 = 𝑎𝑖𝑗 + 𝑏𝑖𝑗 , e tome também o produto usual de escalar por
matriz, dado por 𝑃 = 𝛼𝐴, onde cada elemento 𝑝𝑖𝑗 é dado por 𝑝𝑖𝑗 = 𝛼𝑎𝑖𝑗 .
Vamos mostrar que o conjunto 𝑀𝑚×𝑛 , dotado das referidas operações, trata-se de um
espaço vetorial.

i. Na adição de matrizes, tanto as parcelas como a matriz soma tem as mesmas dimensões,
garantindo uma operação fechada em 𝑀𝑚×𝑛 .

ii. Como a adição de números reais é comutativa, podemos escrever 𝑠𝑖𝑗 = 𝑎𝑖𝑗 + 𝑏𝑖𝑗 = 𝑏𝑖𝑗 + 𝑎𝑖𝑗 ,
para todo 𝑖 = 1, . . . , 𝑚 e todo 𝑗 = 1, . . . , 𝑛. Isto é, 𝑆 = 𝐴 + 𝐵 = 𝐵 + 𝐴.

iii. Seja 𝜎𝑖𝑗 o termo geral de (𝐴 + 𝐵) + 𝐶, temos que 𝜎𝑖𝑗 = (𝑎 + 𝑏)𝑖𝑗 + 𝑐𝑖𝑗 = (𝑎𝑖𝑗 + 𝑏𝑖𝑗 ) + 𝑐𝑖𝑗 =
𝑎𝑖𝑗 + (𝑏𝑖𝑗 + 𝑐𝑖𝑗 ) = 𝑎𝑖𝑗 + (𝑏 + 𝑐)𝑖𝑗 . Logo, (𝐴 + 𝐵) + 𝐶 = 𝐴 + (𝐵 + 𝐶).

iv. Considere 0 a matriz de entradas nulas em 𝑀𝑚×𝑛 , isto é, o termo geral de 0 é dado por 𝑜𝑖𝑗 ,
onde 𝑜𝑖𝑗 = 0. Temos assim que o termo geral de 𝐴+0 é dado por 𝑎𝑖𝑗 +𝑜𝑖𝑗 = 𝑎𝑖𝑗 +0 = 𝑎𝑖𝑗 .
Ou seja, 𝐴 + 0 = 𝐴.

v. Seja −𝐴 ∈ 𝑀𝑚×𝑛 tal que seu termo geral é dado por −𝑎𝑖𝑗 . Temos então 𝑎𝑖𝑗 + (−𝑎𝑖𝑗 ) =
0 = 𝑜𝑖𝑗 , 𝐴 + (−𝐴) = 0.

vi. O produto de matriz por escalar mantém as dimensões da matriz, logo é uma operação
fechada em 𝑀𝑚×𝑛

vii. Para 𝛼(𝑎+𝑏)𝑖𝑗 o termo geral de 𝛼(𝐴+𝐵), vale que 𝛼(𝑎+𝑏)𝑖𝑗 = 𝛼(𝑎𝑖𝑗 +𝑏𝑖𝑗 ) = 𝛼𝑎𝑖𝑗 +𝛼𝑏𝑖𝑗 .
Ou seja, 𝛼(𝐴 + 𝐵) = 𝛼𝐴 + 𝛼𝐵.

viii. Seja (𝛼 + 𝛽)𝑎𝑖𝑗 o termo geral de (𝛼 + 𝛽)𝐴, vale que (𝛼 + 𝛽)𝑎𝑖𝑗 = 𝛼𝑎𝑖𝑗 + 𝛽𝑎𝑖𝑗 . Logo,
(𝛼 + 𝛽)𝐴 = 𝛼𝐴 + 𝛽𝐴.

ix. Tomando o termo geral de (𝛼𝛽)𝐴 como (𝛼𝛽)𝑎𝑖𝑗 , vale que (𝛼𝛽)𝑎𝑖𝑗 = 𝛼(𝛽𝑎𝑖𝑗 ). Logo,
(𝛼𝛽)𝐴 = 𝛼(𝛽𝐴).

53
x. O termo geral de 1𝐴 é dado por 1𝑎𝑖𝑗 e temos que 1𝑎𝑖𝑗 = 𝑎𝑖𝑗 . Assim, 1𝐴 = 𝐴.

Verificadas as condições, concluímos que 𝑀𝑚×𝑛 é um espaço vetorial.

Exemplo 3.1.6. Considere o conjunto 𝑃𝑛 dos polinômios de coeficientes reais e de grau


menor que ou igual a 𝑛, para 𝑛 inteiro não negativo. Considere também as operações usuais
de adição de polinômios e multiplicação de polinômio por escalar. É possível verificar que
𝑉 = 𝑃𝑛 satisfaz todas as condições necessárias para ser considerado espaço vetorial.
Para provar esse fato, vamos tomar 𝛼 e 𝛽 números reais e os seguintes polinômios perten-
centes ao conjunto 𝑃𝑛 , p = 𝑝𝑛 𝑥𝑛 +𝑝𝑛−1 𝑥𝑛−1 +. . .+𝑝1 𝑥+𝑝0 , q = 𝑞𝑛 𝑥𝑛 +𝑞𝑛−1 𝑥𝑛−1 +. . .+𝑞1 𝑥+𝑞0
e r = 𝑟𝑛 𝑥𝑛 + 𝑟𝑛−1 𝑥𝑛−1 + . . . + 𝑟1 𝑥 + 𝑟0 :

i. Sendo a soma entre polinômios dada por


p + q = 𝑝𝑛 𝑥𝑛 + 𝑝𝑛−1 𝑥𝑛−1 + . . . + 𝑝1 𝑥 + 𝑝0 + 𝑞𝑛 𝑥𝑛 + 𝑞𝑛−1 𝑥𝑛−1 + . . . + 𝑞1 𝑥 + 𝑞0
= (𝑝𝑛 + 𝑞𝑛 )𝑥𝑛 + (𝑝𝑛−1 + 𝑞𝑛−1 )𝑥𝑛−1 + . . . + (𝑝1 + 𝑞1 )𝑥 + 𝑝0 + 𝑞0 ,
verifica-se ser uma operação fechada em 𝑃𝑛 .

ii. p + q = (𝑝𝑛 𝑥𝑛 + 𝑝𝑛−1 𝑥𝑛−1 + . . . + 𝑝1 𝑥 + 𝑝0 ) + (𝑞𝑛 𝑥𝑛 + 𝑞𝑛−1 𝑥𝑛−1 + . . . + 𝑞1 𝑥 + 𝑞0 )


= (𝑝𝑛 + 𝑞𝑛 )𝑥𝑛 + (𝑝𝑛−1 + 𝑞𝑛−1 )𝑥𝑛−1 + . . . + (𝑝1 + 𝑞1 )𝑥 + 𝑝0 + 𝑞0
= (𝑞𝑛 + 𝑝𝑛 )𝑥𝑛 + (𝑞𝑛−1 + 𝑝𝑛−1 )𝑥𝑛−1 + . . . + (𝑞1 + 𝑝1 )𝑥 + 𝑞0 + 𝑝0
= (𝑞𝑛 𝑥𝑛 + 𝑞𝑛−1 𝑥𝑛−1 + . . . + 𝑞1 𝑥 + 𝑞0 ) + (𝑝𝑛 𝑥𝑛 + 𝑝𝑛−1 𝑥𝑛−1 + . . . + 𝑝1 𝑥 + 𝑝0 ) = q + p.

iii. p + (q + r) = 𝑝𝑛 𝑥𝑛 + 𝑝𝑛−1 𝑥𝑛−1 + . . . + 𝑝1 𝑥 + 𝑝0 + (𝑞𝑛 𝑥𝑛 + 𝑞𝑛−1 𝑥𝑛−1 + . . . + 𝑞1 𝑥 + 𝑞0 +


𝑟𝑛 𝑥𝑛 + 𝑟𝑛−1 𝑥𝑛−1 + . . . + 𝑟1 𝑥 + 𝑟0 ) = [𝑝𝑛 + (𝑞𝑛 + 𝑟𝑛 )]𝑥𝑛 + [𝑝𝑛−1 + (𝑞𝑛−1 + 𝑟𝑛−1 )]𝑥𝑛−1 +
. . . + [𝑝1 + (𝑞1 + 𝑟1 )]𝑥 + [𝑝0 + (𝑞0 + 𝑟0 )] = [(𝑝𝑛 + 𝑞𝑛 ) + 𝑟𝑛 ]𝑥𝑛 + [(𝑝𝑛−1 + 𝑞𝑛−1 ) + 𝑟𝑛−1 ]𝑥𝑛−1 +
. . . + [(𝑝1 + 𝑞1 ) + 𝑟1 ]𝑥 + [(𝑝0 + 𝑞0 ) + 𝑟0 ] = (p + q) + r

iv. Para 0 = 0𝑥𝑛 +· · ·+0𝑥+0, temos p+0 = (𝑝𝑛 +0)𝑥𝑛 +(𝑝𝑛−1 +0)𝑥𝑛−1 +. . .+(𝑝1 +0)+𝑝0 +0 =
𝑝𝑛 𝑥𝑛 + 𝑝𝑛−1 𝑥𝑛−1 + . . . + 𝑝1 𝑥 + 𝑝0 = p

v. Para −p = −𝑝𝑛 𝑥𝑛 − 𝑝𝑛−1 𝑥𝑛−1 − . . . − 𝑝1 𝑥 − 𝑝0 , temos p + (−p) = [𝑝𝑛 + (−𝑝𝑛 )]𝑥𝑛 + [𝑝𝑛−1 +
(−𝑝𝑛−1 )]𝑥𝑛−1 + . . . + [𝑝1 + (−𝑝1 )]𝑥 + 𝑝0 + (−𝑝0 ) = 0 = 0.

54
vi. Sendo o produto de polinômio por escalar dado por 𝛼p = 𝛼(𝑝𝑛 𝑥𝑛 + 𝑝𝑛−1 𝑥𝑛−1 + . . . +
𝑝1 𝑥 + 𝑝0 ) = 𝛼𝑝𝑛 𝑥𝑛 + 𝛼𝑝𝑛−1 𝑥𝑛−1 + . . . + 𝛼𝑝1 𝑥 + 𝛼𝑝0 , verifica-se que essa operação é
fechada em 𝑃𝑛 .

vii. 𝛼(p + q) = 𝛼(𝑝𝑛 + 𝑞𝑛 )𝑥𝑛 + 𝛼(𝑝𝑛−1 + 𝑞𝑛−1 )𝑥𝑛−1 + . . . + 𝛼(𝑝1 + 𝑞1 )𝑥 + 𝛼(𝑝0 + 𝑞0 ) =


(𝛼𝑝𝑛 + 𝛼𝑞𝑛 )𝑥𝑛 + (𝛼𝑝𝑛−1 + 𝛼𝑞𝑛−1 )𝑥𝑛−1 + . . . + (𝛼𝑝1 + 𝛼𝑞1 )𝑥 + 𝛼𝑝0 + 𝛼𝑞0 = 𝛼𝑝𝑛 𝑥𝑛 +
𝛼𝑝𝑛−1 𝑥𝑛−1 + . . . + 𝛼𝑝1 𝑥 + 𝛼𝑝0 + 𝛼𝑞𝑛 𝑥𝑛 + 𝛼𝑞𝑛−1 𝑥𝑛−1 + . . . + 𝛼𝑞1 𝑥 + 𝛼𝑞0 = 𝛼p + 𝛼q

viii. (𝛼 + 𝛽)p = (𝛼 + 𝛽)𝑝𝑛 𝑥𝑛 + (𝛼 + 𝛽)𝑝𝑛−1 𝑥𝑛−1 + . . . + (𝛼 + 𝛽)𝑝1 𝑥 + (𝛼 + 𝛽)𝑝0 = 𝛼𝑝𝑛 𝑥𝑛 +


𝛼𝑝𝑛−1 𝑥𝑛−1 + . . . + 𝛼𝑝1 𝑥 + 𝛼𝑝0 + 𝛽𝑝𝑛 𝑥𝑛 + 𝛽𝑝𝑛−1 𝑥𝑛−1 + . . . + 𝛽𝑝1 𝑥 + 𝛽𝑝0 = 𝛼p + 𝛽p.

ix. 𝛼(𝛽p) = 𝛼[𝛽(𝑝𝑛 𝑥𝑛 + 𝑝𝑛−1 𝑥𝑛−1 + . . . + 𝑝1 𝑥 + 𝑝0 )] = 𝛼𝛽(𝑝𝑛 𝑥𝑛 + 𝑝𝑛−1 𝑥𝑛−1 + . . . + 𝑝1 𝑥 + 𝑝0 ) =


𝛼𝛽p

x. Seja 1p = 1𝑝𝑛 𝑥𝑛 + 1𝑝𝑛−1 𝑥𝑛−1 + . . . + 1𝑝1 𝑥 + 1𝑝0 = 𝑝𝑛 𝑥𝑛 + 𝑝𝑛−1 𝑥𝑛−1 + . . . + 𝑝1 𝑥 + 𝑝0 = p.

Portanto, 𝑃𝑛 é um espaço vetorial.

Como um contraexemplo, podemos citar o conjunto numérico dos naturais N. Este


conjunto munido das operações de adição usual e produto por escalar não representa um
espaço vetorial. Isso porque o produto de um natural por um escalar real não é uma operação
fechada nos naturais.
Vale ressaltar que, caso o escalar considerado na operação de multiplicação de escalar
por vetor seja um número complexo, teremos então um espaço vetorial complexo.

3.1.2 Propriedades

Podemos destacar algumas propriedades adicionais dos espaços vetoriais, que são basea-
das nas condições de sua definição.
Sejam 𝑉 um espaço vetorial; 𝑢, 𝑣 e 𝑤 elementos de 𝑉 e 𝛼 ∈ R. Vale que:

• Existe um único vetor nulo em 𝑉 , que é o elemento neutro da adição. De fato, se


considerarmos 0 e 𝛿 elementos neutros em 𝑉 , vamos obter: 0 + 𝛿 = 0 e 0 + 𝛿 = 𝛿, logo
0 = 𝛿.

55
• Existe um único elemento simétrico −𝑣 ∈ 𝑉 . Com efeito, se 𝑣 admitisse dois simétricos
teríamos 𝑣 + (−𝑣) = 𝑣 + (−𝜗) = 0. Somando (−𝑣) a igualdade anterior obtemos

(−𝑣) + 𝑣 + (−𝑣) = (−𝑣) + 𝑣 + (−𝜗)

(−𝑣 + 𝑣) + (−𝑣) = (−𝑣 + 𝑣) + (−𝜗)

0 + (−𝑣) = 0 + (−𝜗)

−𝑣 = −𝜗

O que mostra a unicidade do elemento simétrico.

• Se 𝑢 + 𝑤 = 𝑣 + 𝑤 então 𝑢 = 𝑣. Vamos provar esta propriedade de maneira análoga a


usada na propriedade anterior. Somando −𝑤 aos dois membros da equação 𝑢 + 𝑤 =
𝑣 + 𝑤, obtemos
(𝑢 + 𝑤) + (−𝑤) = (𝑣 + 𝑤) + (−𝑤)

𝑢 + (𝑤 − 𝑤) = 𝑣 + (𝑤 − 𝑤)

𝑢+0=𝑣+0

𝑢=𝑣

• Fixados 𝑢 e 𝑣 em 𝑉 , existe uma única solução para a equação 𝑢 + 𝑥 = 𝑣. De fato, se


considerarmos que 𝑥 e 𝜅 sejam soluções da referida equação, teremos 𝑢+𝑥 = 𝑢+𝜅 = 𝑣.
Logo pela propriedade anterior 𝑥 = 𝜅.

• Se 𝛼𝑣 = 0 então 𝛼 = 0 ou 𝑣 = 0. Para demonstrar esta propriedade vamos considerar


que 𝛼𝑣 = 0 e 𝛼 ̸= 0. Como 𝛼 ̸= 0 então existe 𝛼−1 . Logo:

𝛼𝑣 = 0 ⇒ 𝛼−1 (𝛼𝑣) = 𝛼−1 0 ⇒ (𝛼−1 𝛼)𝑣 = 0 ⇒ 1𝑣 = 0 ⇒ 𝑣 = 0

56
3.2 Subespaço Vetorial
A seguir, definiremos um espaço vetorial 𝑊 , que é subconjunto de um espaço vetorial 𝑉 .
𝑊 será denominado subespaço vetorial.

Definição 3.2.1. Considere um subconjunto 𝑊 , não vazio, de um espaço vetorial 𝑉 . Con-


sidere também 𝑊 munido das mesmas operações de adição entre vetores e multiplicação por
escalar de 𝑉 . Podemos afirmar que 𝑊 é subespaço de 𝑉 se satisfaz as seguintes condições:

i. Se 𝑢 e 𝑣 estão em 𝑊 , então 𝑢 + 𝑣 está em 𝑊 ;

ii. Para todo 𝛼 ∈ R, 𝛼𝑢 ∈ 𝑊 .

Observe que, para 𝛼 = 0, temos que 𝛼𝑢 = 0 e podemos concluir que o vetor nulo
necessariamente pertence ao subespaço 𝑊 .

3.2.1 Exemplos

Exemplo 3.2.2. Considere o espaço vetorial 𝑉 = R2 . Podemos verificar que uma reta
qualquer que passe pela origem é um subespaço de 𝑉 . Seja 𝑊 a reta 𝑟 dada por 𝑦 = 𝑎𝑥,
para algum 𝑎 ∈ R. temos então que:

i. Considere dois vetores 𝑢 = (𝑥1 , 𝑦1 ) = (𝑥1 , 𝑎𝑥1 ) e 𝑣 = (𝑥2 , 𝑦2 ) = (𝑥2 , 𝑎𝑥2 ) contidos na reta
𝑟. O vetor soma é dado por 𝑢 + 𝑣 = (𝑥1 + 𝑥2 , 𝑎(𝑥1 + 𝑥2 )), logo pertence a 𝑟.

ii. Considere 𝛼 ∈ R, temos que 𝛼𝑢 = 𝛼(𝑥1 , 𝑦1 ) = (𝛼𝑥1 , 𝛼𝑎𝑥1 ) = (𝛼𝑥1 , 𝑎𝛼𝑥1 ), portanto
𝛼𝑢 ∈ 𝑊 .

Observe que retas no plano que não passam pela origem não constituem subespaços de
R2 , por não possuírem o vetor nulo.
Ao considerarmos uma parábola que passe pela origem, 𝑦 = 𝑎𝑥2 + 𝑏𝑥, também não temos
um subespaço de 𝑉 = R2 . Isso porque, para 𝛼 ∈ R e 𝑃 = (𝑥, 𝑦) pertencente a parábola,
𝑎(𝛼𝑥)2 + 𝑏𝛼𝑥 = 𝑎𝛼2 𝑥2 + 𝑏𝛼𝑥 = 𝛼(𝑎𝛼𝑥2 + 𝑏𝑥) ̸= 𝛼𝑦. Logo 𝛼(𝑥, 𝑦) não pertence a parábola e
esta não é subespaço de 𝑉 .

57
Exemplo 3.2.3. Seja 𝑉 o conjunto das matrizes quadradas de ordem 𝑛, denotado por 𝑀𝑛 .
Podemos afirmar que o conjunto 𝑊 das matrizes diagonais de ordem 𝑛 é subespaço de 𝑉 .
Isso porque a soma de matrizes diagonais e o produto usual de matriz diagonal por escalar
resultam em uma matriz diagonal. Da mesma forma podemos afirmar que tanto o conjunto
das matrizes triangulares superiores como o das inferiores de ordem 𝑛 são subespaços de 𝑉 .

Exemplo 3.2.4. Seja 𝑉 = R4 , considere o conjunto solução 𝑊 do seguinte sistema linear


homogêneo:

2𝑥 + 𝑦 − 4𝑧 + 3𝑡 = 0








⎨𝑥 + 2𝑦 − 2𝑧 + 2𝑡 = 0


+𝑧+𝑡=0

𝑥−𝑦








⎩𝑥 − 𝑦 − 6𝑧 + 5𝑡 = 0

Vamos provar que 𝑊 é subespaço de 𝑉 = R4 .

Podemos reescrever este sistema usando matrizes:


⎛ ⎞ ⎛ ⎞ ⎛ ⎞
⎜ 2 1 −4 3 ⎟ ⎜ 𝑥 ⎟ ⎜ 0 ⎟
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎜ 1 2 −2 2 ⎟ ⎜ 𝑦 ⎟ ⎜ 0 ⎟
⎜ ⎜ ⎟ ⎜ ⎟
=⎜

⎜ ⎟·⎜ ⎟ ⎟
1 −1 1 1 0
⎜ ⎟ ⎜ ⎟ ⎜ ⎟


⎟ ⎜
⎟ ⎜ 𝑧 ⎟





⎝ ⎠ ⎝ ⎠ ⎝ ⎠
1 −1 −6 5 𝑡 0
Sabe-se que o vetor nulo pertence ao conjunto solução, 0 ∈ 𝑊 . Além disso, temos:

i. Para

duas soluções⎞ 𝑢⎛ = (𝑥1 ,⎞
𝑦1 , 𝑧1 , 𝑡1 ) e 𝑣 = (𝑥2 , 𝑦2 , 𝑧2 , 𝑡2 ) verificamos que
⎜ 2 1 −4 3 ⎟ ⎜ 𝑥1 + 𝑥2 ⎟
⎜ ⎟ ⎜ ⎟

1 2 −2 2 ⎟ ⎜
𝑦1 + 𝑦2 ⎟
=
⎜ ⎟ ⎜ ⎟
⎜ ⎟·⎜ ⎟
1 −1 1 1 𝑧1 + 𝑧2 ⎟
⎜ ⎟ ⎜ ⎟
⎜ ⎟ ⎜
⎜ ⎟ ⎜ ⎟
⎝ ⎠ ⎝ ⎠
1 −1 −6 5 𝑡1 + 𝑡2

58
⎛ ⎞ ⎛ ⎞ ⎛ ⎞ ⎛ ⎞
⎜ 2 −4 3 ⎟ ⎜ 𝑥1 ⎟ ⎜ 2 1 −4 3 ⎟ ⎜ 𝑥2 ⎟
1
⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟

1 2 −2 2 ⎟⎟ ⎜ 𝑦1 ⎟ ⎜ 1 2 −2 2 ⎟ ⎜ 𝑦2 ⎟
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
= ⎟+⎜ ⎟=

⎜ ⎟·⎜ ⎟·⎜
1 −1 1 1 ⎟ ⎜ 𝑧 ⎟ ⎜ 1 −1 1 1 ⎟ ⎜ 𝑧 ⎟
⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎟ ⎜ 1 ⎟ ⎜ ⎟ ⎜ 2 ⎟


⎝ ⎠ ⎝ ⎠ ⎝ ⎠ ⎝ ⎠
1 −1 −6 5 𝑡1 1 −1 −6 5 𝑡2
⎛ ⎞ ⎛ ⎞ ⎛ ⎞
⎜ 0 ⎟ ⎜ 0 ⎟ ⎜ 0 ⎟
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎜ 0 ⎟ ⎜ 0 ⎟ ⎜ 0 ⎟
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
=⎜ ⎟+⎜ ⎟ =⎜ ⎟
0 ⎟ 0 ⎟ 0 ⎟
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎜ ⎜ ⎜
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎝ ⎠ ⎝ ⎠ ⎝ ⎠
0 0 0
Logo 𝑢 + 𝑣 ∈ 𝑊 .
⎛ ⎞⎛ ⎞ ⎛ ⎞⎛ ⎞
⎜ 2 1 −4 3 ⎟ ⎜ 𝛼𝑥1 ⎟ ⎜ 2 1 −4 3 ⎟ ⎜ 𝑥1 ⎟
⎜ ⎟⎜ ⎟ ⎜ ⎟⎜ ⎟

1 2 −2 2 ⎟
⎟ ⎜ 𝛼𝑦1 ⎟
⎜ ⎟ ⎜
1 2 −2 2 ⎟
⎟ ⎜ 𝑦1 ⎟
⎜ ⎟
ii. Para 𝛼 ∈ R temos: = =
⎜ ⎜
⎜ ⎟⎜ ⎟ 𝛼⎜ ⎟⎜ ⎟
1 −1 1 1 1 −1 1 1
⎜ ⎟⎜ ⎟ ⎜ ⎟⎜ ⎟


⎟⎜
⎟⎜ 𝛼𝑧1 ⎟



⎟⎜
⎟⎜ 𝑧1 ⎟

⎝ ⎠⎝ ⎠ ⎝ ⎠⎝ ⎠
1 −1 −6 5 𝛼𝑡1 1 −1 −6 5 𝑡1
⎛ ⎞ ⎛ ⎞
⎜ 0 ⎟ ⎜ 0 ⎟
⎜ ⎟ ⎜ ⎟

0 ⎟ ⎜
0 ⎟
=
⎜ ⎟ ⎜ ⎟
𝛼⎜ ⎟ ⎜ ⎟
0 0
⎜ ⎟ ⎜ ⎟
⎜ ⎟ ⎜ ⎟
⎜ ⎟ ⎜ ⎟
⎝ ⎠ ⎝ ⎠
0 0
Logo para qualquer solução 𝑢, temos que 𝛼𝑢 também é solução e portanto 𝛼𝑢 ∈ 𝑊 .

Logo 𝑊 é subespaço de R4 .

Um sistema linear não homogêneo de soluções pertencentes a R𝑛 , para 𝑛 ≥ 1, não


representa um subespaço de R𝑛 . Basta observarmos que o vetor nulo não é solução para o
referido sistema. Além disso, a soma de duas soluções não será uma solução.

3.2.2 Interseção de Subespaços

Considere dois subespaços 𝑊1 e 𝑊2 de um espaço vetorial 𝑉 . A interseção 𝑊1 ∩ 𝑊2


também é um subespaço de 𝑉 . De fato:

59
i. Sejam 𝑢 e 𝑣, vetores pertencentes a 𝑊1 ∩ 𝑊2 , então 𝑢 ∈ 𝑊1 e 𝑢 ∈ 𝑊2 , assim como 𝑣 ∈ 𝑊1
e 𝑣 ∈ 𝑊2 . Pelas condições de subespaço, 𝑢+𝑣 ∈ 𝑊1 e 𝑢+𝑣 ∈ 𝑊2 , logo 𝑢+𝑣 ∈ 𝑊1 ∩𝑊2 .

ii. Sejam 𝛼 ∈ R e 𝑢 ∈ 𝑊1 ∩ 𝑊2 . Podemos afirmar que 𝛼𝑢 ∈ 𝑊1 e 𝛼𝑢 ∈ 𝑊2 , logo 𝛼𝑢 ∈


𝑊1 ∩ 𝑊2 .

Figura 3.1: Interseção do subespaço gerado por um plano que passa pela origem e do subespaço
gerado por uma reta que passa pela origem e está contida no referido plano.

Observação 3.2.5. Se 𝑊1 e 𝑊2 são subespaços de 𝑉 , em geral, 𝑊1 ∪𝑊2 não é um subespaço.

Para vermos isso, considere o espaço vetorial 𝑉 = R2 . O conjunto 𝑊1 dos vetores sobre
o eixo 𝑥 é subespaço de 𝑉 , assim como o conjunto 𝑊2 dos vetores sobre o eixo 𝑦. Já a união
𝑊1 ∪ 𝑊2 é composta de vetores cuja soma não pertence a 𝑊1 ∪ 𝑊2 . Portanto, 𝑊1 ∪ 𝑊2 não
é subespaço de 𝑉 .

Figura 3.2: União do subespaço gerado pelo eixo 𝑥 e do subespaço gerado pelo eixo 𝑦.

60
Um conjunto que possua os vetores de 𝑊1 e de 𝑊2 e ainda contenha a soma de quaisquer
dois vetores destes subespaços será apresentado a seguir.

3.2.3 Soma de Subespaços

Seja 𝑉 um espaço vetorial com subespaços 𝑊1 e 𝑊2 . O conjunto

𝑊 = 𝑊1 + 𝑊2 = {𝑤1 + 𝑤2 |𝑤1 ∈ 𝑊1 , 𝑤2 ∈ 𝑊2 }

é chamado de soma dos subespaços 𝑊1 e 𝑊2 e também é subespaço de 𝑉 .


Para verificar, basta considerar 𝑢 = 𝑤1 + 𝑤2 e 𝑣 = 𝜛1 + 𝜛2 pertencentes a 𝑊 , com
𝑤1 , 𝜛1 ∈ 𝑊1 e 𝑤2 , 𝜛2 ∈ 𝑊2 . Teremos 𝑢 + 𝑣 = 𝑤1 + 𝑤2 + 𝜛1 + 𝜛2 = 𝑤1 + 𝜛1 + 𝑤2 + 𝜛2 , como
𝑤1 + 𝜛1 ∈ 𝑊1 e 𝑤2 + 𝜛2 ∈ 𝑊2 , então 𝑢 + 𝑣 ∈ 𝑊 . Considere 𝛼𝑢 = 𝛼(𝑤1 + 𝑤2 ) = 𝛼𝑤1 + 𝛼𝑤2 .
Como 𝛼𝑤1 ∈ 𝑊1 e 𝛼𝑤2 ∈ 𝑊2 , então 𝛼𝑢 ∈ 𝑊 .
Para o caso em que 𝑊1 ∩ 𝑊2 = 0, o conjunto 𝑊1 + 𝑊2 é chamado soma direta de 𝑊1
com 𝑊2 e é denotado por 𝑊1 ⊕ 𝑊2 .

Exemplo 3.2.6. O espaço vetorial 𝑉 = R2 é a soma direta de duas retas não coincidentes
quaisquer no plano que se interceptem somente na origem.

Figura 3.3: Soma do subespaço gerado por um vetor 𝑣1 com o subespaço gerado por um vetor 𝑣2 .

61
3.3 Exercícios
Respostas no Capítulo 6, na página 101.

Exercício 3.3.1. Verifique se o conjunto dos números racionais é um espaço vetorial real.
Lembre que, por definição, Q = { 𝑎𝑏 ; 𝑎 ∈ Z, 𝑏 ∈ Z* }.

Exercício 3.3.2. Determine se o conjunto 𝑉 de todos os números reais positivos (maiores


que zero), com a operação de adição entre seus elementos redefinida para 𝑢  𝑣 = 𝑢𝑣 e com
a operação de multiplicação por escalar redefinida para 𝛼 𝑢 = 𝑢𝛼 constitui espaço vetorial.

Exercício 3.3.3. Verifique se é um espaço vetorial o conjunto de todas as matrizes 𝑀2×2


da forma: ⎛ ⎞
𝑎 𝑎+1 ⎟
𝑀 =⎜
⎝ ⎠
0 2𝑎

para 𝑎 ∈ R.

Exercício 3.3.4. Considerando 𝑀2 o conjunto das matrizes quadradas de ordem 2, verifique


se o conjunto de todas as matrizes inversíveis de ordem 2 é um subespaço vetorial de 𝑀2 .

Exercício 3.3.5. Verifique se o conjunto de todas as matrizes simétricas de ordem 3 é um


subespaço de 𝑀3 .

Exercício 3.3.6. Verifique se o conjunto dos vetores (𝑥, 𝑦, 𝑧), com 𝑥+𝑦 +𝑧 = 1, é subespaço
de R3 .

Exercício 3.3.7. Considerando 𝑃2 o conjunto dos polinômios de grau menor que ou igual
a 2, verifique se o conjunto de todos os polinômios do tipo 𝑝(𝑥) = 𝑝1 𝑥 + 𝑝0 , onde 𝑝1 , 𝑝0 ∈ R
é subespaço de 𝑃2 .

62
Capítulo 4

Combinação Linear

Apresentaremos adiante a definição de combinação linear. O estudo das combinações


lineares nos habilita a identificar um conjunto de vetores capazes de gerar todo o espaço
vetorial.

4.1 Definição

Definição 4.1.1. Sejam 𝑣1 , 𝑣2 , . . . , 𝑣𝑛 elementos de um espaço vetorial 𝑉 e 𝑎1 , 𝑎2 , . . . , 𝑎𝑛


números reais. Dizemos que uma expressão do tipo

𝑎1 𝑣1 + 𝑎2 𝑣2 + · · · + 𝑎𝑛 𝑣𝑛

é uma combinação linear dos vetores 𝑣1 , 𝑣2 , . . . , 𝑣𝑛 .

4.1.1 Exemplos

Exemplo 4.1.2. Considere um elemento qualquer do espaço vetorial 𝑉 = R2 , como por


exemplo o vetor 𝑣 = (−2, 3). Podemos verificar que 𝑣 é combinação linear de 𝑣1 = (−1, 1) e
𝑣2 = (0, 1), pois 𝑣 = 2𝑣1 + 𝑣2 .

63
⎛ ⎞
⎜ 8 0 4 ⎟
⎜ ⎟
Exemplo 4.1.3. Seja 𝑣 ∈ 𝑀3 dado por 𝑣 = −2 1 2 ⎟ . Considere também os seguintes
⎜ ⎟

⎜ ⎟
−4 6 3
⎝ ⎠
⎛ ⎞ ⎛ ⎞ ⎛ ⎞
⎜ 2 0 1 ⎟ ⎜ 0 1 0 ⎟ ⎜ 0 −2 0 ⎟
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
elementos 𝑣1 = ⎜
⎜ 0 1/4 0 ⎟ 2
⎟ , 𝑣 = ⎜ −2 −1 2 ⎟ e 𝑣3 = ⎜ 0 2 0 ⎟. Observe que
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎜ ⎟ ⎜ ⎟
−1 0 0 0 3 3 0 6 0
⎝ ⎠ ⎝ ⎠ ⎝ ⎠

𝑣 é combinação linear de 𝑣1 , 𝑣2 e 𝑣3 , pois 𝑣 = 4𝑣1 + 𝑣2 + 2 𝑣3 .


1

Exemplo 4.1.4. O vetor 𝑣 = 𝑡2 + 2𝑡 ∈ 𝑃2 é combinação linear dos vetores 𝑣1 = 3𝑡2 + 6𝑡, 𝑣2 =


2𝑡2 + 4𝑡 e 𝑣3 = 0, pois 𝑣 = 𝑣1 − 𝑣2 + 10𝑣3 . Observe que ainda podemos ter 𝑣 = −𝑣1 + 2𝑣2 + 𝑣3
ou 𝑣 = 12 𝑣2 + 𝑣3 como combinações lineares de 𝑣.

Exemplo 4.1.5. Considere novamente o vetor 𝑣 = (−2, 3) ∈ R2 . Para que 𝑣 seja combinação
linear dos vetores 𝑣1 = (1, −1) e 𝑣2 = (1, 1) devemos resolver a equação (−2, 3) = 𝑎(1, −1) +

⎨−2 =𝑎+𝑏


𝑏(1, 1), que na verdade equivale ao seguinte sistema de equações: ⎪ . Este
⎪ ⎩3 = −𝑎 + 𝑏
sistema tem solução única, dada por 𝑎 = −5
2
,𝑏 = 12 .

4.2 Subespaços Gerados


Dados 𝑣1 , 𝑣2 , . . . , 𝑣𝑛 ∈ 𝑉 , temos que o conjunto 𝑊 de todas as combinações lineares
possíveis com esses vetores, constituído por elementos no formato 𝑤 = 𝑎1 𝑣1 +𝑎2 𝑣2 +· · ·+𝑎𝑛 𝑣𝑛 ,
para quaisquer 𝑎1 , 𝑎2 , . . . , 𝑎𝑛 ∈ R, é um subespaço vetorial de 𝑉 .
Para verificar, basta observarmos que:

i. Sejam 𝑤1 = 𝑎1 𝑣1 + 𝑎2 𝑣2 + · · · + 𝑎𝑛 𝑣𝑛 e 𝑤2 = 𝑏1 𝑣1 + 𝑏2 𝑣2 + · · · + 𝑏𝑛 𝑣𝑛 elementos de 𝑊 , temos


𝑤1 + 𝑤2 = (𝑎1 + 𝑏1 )𝑣1 + (𝑎2 + 𝑏2 )𝑣2 + · · · + (𝑎𝑛 + 𝑏𝑛 )𝑣𝑛 ∈ 𝑊 .

ii. Seja 𝛼 ∈ R, temos 𝛼𝑤 = 𝛼𝑎1 𝑣1 + 𝛼𝑎2 𝑣2 + · · · + 𝛼𝑎𝑛 𝑣𝑛 ∈ 𝑊 .

Dizemos que o conjunto 𝑊 , definido acima, é gerado pelos vetores 𝑣1 , 𝑣2 , . . . , 𝑣𝑛 ∈ 𝑉


e usamos a notação 𝑊 = [𝑣1 , 𝑣2 , . . . , 𝑣𝑛 ].

64
4.2.1 Exemplos

Exemplo 4.2.1. Considere o espaço vetorial 𝑉 = R2 e o vetor 𝑣1 = (1, 3). O subespaço 𝑊


gerado por 𝑣1 é representado pela reta que passa pela origem e tem mesma direção de 𝑣1 ,
dada por 𝑦 = 3𝑥. Assim, 𝑊 = [𝑣1 ] é o conjunto de todos as combinações lineares 𝑎𝑣1 , 𝑎 ∈ R.

Exemplo 4.2.2. Sejam 𝑉 = R3 , 𝑣1 = (1, 0, −1) e 𝑣2 = (0, 1, −1). O subespaço 𝑊 = [𝑣1 , 𝑣2 ]


é representado pelo plano que contém 𝑣1 e 𝑣2 no R3 . O referido plano é composto por todo
vetor 𝑣 que é resultado das combinações lineares 𝑣 = 𝑎1 𝑣1 + 𝑎2 𝑣2 ; 𝑎1 , 𝑎2 ∈ R.

Exemplo 4.2.3. O subespaço


⎛ 𝑊 das⎞matrizes
⎛ diagonais⎞de ordem
⎛ 3, contido⎞em 𝑉 = 𝑀3 é
⎜ 1 0 0 ⎟ ⎜ 0 0 0 ⎟ ⎜ 0 0 0 ⎟
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
gerado pelos vetores 𝑣1 = ⎜
⎜ 0 0 0 ⎟ , 𝑣2

= ⎜
⎜ 0 1 0

⎟ e 𝑣3 = ⎜
⎜ 0 0 0 ⎟.

⎜ ⎟ ⎜ ⎟ ⎜ ⎟
0 0 0 0 0 0 0 0 1
⎝ ⎠ ⎝ ⎠ ⎝ ⎠

4.3 Conjuntos Geradores

Dado um conjunto de vetores de um espaço vetorial 𝑉 , vimos que podemos identificar o


subespaço 𝑊 gerado por eles. Por outro lado, dado um subespaço vetorial 𝑊 , veremos que
também é possível encontrar um conjunto de vetores geradores.

4.3.1 Exemplos

Exemplo 4.3.1. Considere o subespaço 𝑊 = 𝑃2 dos polinômios de grau menor que ou igual
a 2, que podem ser descritos pela expressão 𝑝(𝑡) = 𝑎2 𝑡2 +𝑎1 𝑡+𝑎0 , onde 𝑎0 , 𝑎1 , 𝑎2 ∈ R. Observe
que 𝑝(𝑡) = 𝑎2 (𝑡2 ) + 𝑎1 (𝑡) + 𝑎0 (1) = 𝑎2 𝑣2 + 𝑎1 𝑣1 + 𝑎0 𝑣0 . O conjunto {𝑣0 , 𝑣1 , 𝑣2 } = {1, 𝑡, 𝑡2 }
contém vetores capazes de gerar todo o subespaço 𝑊 .

Exemplo 4.3.2. Observe que o subespaço 𝑊 representado pelo plano 𝑥+𝑦+𝑧 = 0 ⊂ 𝑉 = R3


pode ser reescrito como 𝑧 = −𝑥−𝑦. Todos os pontos de 𝑊 são descritos por 𝑣 = (𝑥, 𝑦, −𝑥−𝑦),
os quais podem ser reescritos como 𝑣 = 𝑥(1, 0, −1) + 𝑦(0, 1, −1). Podemos perceber que as
combinações lineares de 𝑣1 = (1, 0, −1) e 𝑣2 = (0, 1, −1) geram 𝑊 , logo 𝑊 = [𝑣1 , 𝑣2 ].

65
⎛ ⎞
𝑎 𝑏
Exemplo 4.3.3. Seja 𝑊 = ⎜
⎝ ⎠ ; 𝑎, 𝑏

∈ R.
𝑎+𝑏 𝑎−𝑏
Podemos
⎛ encontrar
⎞ o conjunto
⎛ gerador
⎞ ⎛ de 𝑊 tomando
⎞ 𝑣 ∈ 𝑊 , logo:
𝑎 𝑏 ⎟ ⎜ 1 0 ⎟ ⎜ 0 1 ⎟
𝑣=⎜⎝ ⎠ = 𝑎⎝ ⎠ + 𝑏⎝ ⎠ = 𝑎𝑣1 + 𝑏𝑣2 .
𝑎+𝑏 𝑎−𝑏 1 1 1 −1
Logo {𝑣1 , 𝑣2 } geram 𝑊 .

4.4 Dependência e Independência Linear


Podemos encontrar diferentes conjuntos capazes de gerar um espaço vetorial. Entretanto,
há um número mínimo específico de elementos para tal conjunto gerador. A fim de obtermos
um conjunto gerador sem redundância, precisamos primeiramente definir vetores linearmente
dependentes (LD) e linearmente independentes (LI).

Definição 4.4.1. Sejam V um espaço vetorial e 𝑣1 , 𝑣2 , · · · , 𝑣𝑛 vetores de 𝑉 , então:

1. Dizemos que 𝑣1 , 𝑣2 , . . . , 𝑣𝑛 são linearmente dependentes (LD), quando, tomando


uma combinação linear destes vetores satisfazendo 𝜆1 𝑣1 + · · · + 𝜆𝑛 𝑣𝑛 = 0, existe algum
escalar 𝜆𝑖 não-nulo.

2. Dizemos que 𝑣1 , 𝑣2 , . . . , 𝑣𝑛 são linearmente independentes (LI), quando:

𝜆1 𝑣1 + · · · + 𝜆𝑛 𝑣𝑛 = 0 ⇒ 𝜆1 = 𝜆2 = · · · = 𝜆𝑛 = 0.

Quando os vetores 𝑣1 , 𝑣2 , . . . , 𝑣𝑛 são linearmente dependentes, um deles pode ser escrito


como combinação linear dos demais.

4.4.1 Exemplos

Exemplo 4.4.2. Verifiquemos se o conjunto {2𝑡2 + 2𝑡 + 2, 3𝑡2 − 𝑡 + 1, −𝑡2 + 3𝑡 + 1} é LI.

𝑎1 (2𝑡2 + 2𝑡 + 2) + 𝑎2 (3𝑡2 − 𝑡 + 1) + 𝑎3 (−𝑡2 + 3𝑡 + 1) = 0

66
(2𝑎1 + 3𝑎2 − 𝑎3 )𝑡2 + (2𝑎1 − 𝑎2 + 3𝑎3 )𝑡 + (2𝑎1 + 𝑎2 + 𝑎3 ) = 0

2𝑎1 + 3𝑎2 − 𝑎3 = 0








A equação é verificada para: 2𝑎1 − 𝑎2 + 3𝑎3 = 0




⎩2𝑎1
+ 𝑎2 + 𝑎3 = 0


Podemos perceber que a solução nula é sempre possível no sistema linear homogêneo,
entretanto, para o conjunto de vetores ser LI, a solução nula deve ser a única possível no
sistema.
Ao resolvermos o sistema, verificamos que possui infinitas soluções. Além disso, podemos
verificar que (2𝑡2 + 2𝑡 + 2) − (3𝑡2 − 𝑡 + 1) = −𝑡2 + 3𝑡 + 1, ou seja, 𝑣1 − 𝑣2 = 𝑣3 , um vetor é
combinação linear dos demais. Logo, o conjunto é LD.

Exemplo 4.4.3. Considere 𝑉 = R3 e o conjunto de vetores 𝑒1 = (1, 0, 0), 𝑒2 = (0, 1, 0) e


𝑒3 = (0, 0, 1). Observe que, para 𝑎1 𝑒1 + 𝑎2 𝑒2 + 𝑎3 𝑒3 = 0, a única solução é 𝑎1 = 𝑎2 = 𝑎3 = 0.
Logo, 𝑒1 , 𝑒2 e 𝑒3 são vetores LI.

Exemplo 4.4.4. Neste exemplo consideraremos um espaço vetorial que possui um conjunto
infinito de vetores linearmente independentes. Seja 𝑉 = 𝑃 o conjunto de todos os polinômios.
O conjunto infinito {1, 𝑥, 𝑥2 , 𝑥3 , . . .} é linearmente independente em 𝑃 . Isso porque 𝑎0 +𝑎1 𝑥+
𝑎2 𝑥2 + . . . = 0 implica que o polinômio de um lado da igualdade tem os mesmos coeficientes
do polinômio do outro lado e, consequentemente, 𝑎0 = 𝑎1 = 𝑎2 = . . . = 0.

4.5 Base de um Espaço Vetorial


O conceito de base de um espaço vetorial 𝑉 está relacionado a ideia de encontrar o menor
conjunto de vetores capazes de gerar todo o espaço. Dessa forma, qualquer que seja o vetor
de 𝑉 , este poderá ser escrito como combinação linear dos vetores da base.

Definição 4.5.1. Um conjunto {𝑣1 , 𝑣2 , . . . , 𝑣𝑛 } é uma base de um espaço vetorial 𝑉 se:

i. {𝑣1 , 𝑣2 , . . . , 𝑣𝑛 } é LI;

ii. 𝑉 = [𝑣1 , 𝑣2 , . . . , 𝑣𝑛 ].

67
Teorema 4.5.2. Seja 𝑉 um espaço vetorial e 𝛽 = {𝑣1 , 𝑣2 , · · · , 𝑣𝑛 } e 𝛽 ′ = {𝑣1′ , 𝑣2′ , · · · , 𝑣𝑚

}
bases de 𝑉 . Então 𝑛 = 𝑚.

Demonstração: Suponhamos que 𝑛 ̸= 𝑚. Sem perda de generalidade podemos admitir


𝑚 > 𝑛. Como 𝛽 é base 𝑉 , existem escalares 𝜆𝑖𝑗 , onde 1 ≤ 𝑖 ≤ 𝑛 e 1 ≤ 𝑗 ≤ 𝑚, logo:

𝑣1′ = 𝜆11 𝑣1 + 𝜆21 𝑣2 + · · · + 𝜆𝑛1 𝑣𝑛




..


⎪ .



= 𝜆1𝑚 𝑣1 + 𝜆2𝑚 𝑣2 + · · · + 𝜆𝑛𝑚 𝑣𝑛


⎩ 𝑣𝑚

E como 𝛽 ′ também é base, temos que: 𝑥1 𝑣1′ + · · · + 𝑥𝑚 𝑣𝑚



= 0 ⇒ 𝑥1 = · · · = 𝑥𝑚 = 0
Por outro lado temos:
0 = 𝑥1 (𝜆11 𝑣1 + 𝜆21 𝑣2 + · · · + 𝜆𝑛1 𝑣𝑛 ) + · · · + 𝑥𝑚 (𝜆1𝑚 𝑣1 + 𝜆2𝑚 𝑣2 + · · · + 𝜆𝑛𝑚 𝑣𝑛 ) =
= (𝑥1 𝜆11 + 𝑥2 𝜆12 + · · · + 𝑥𝑚 𝜆1𝑚 )𝑣1 + · · · + (𝑥1 𝜆𝑛1 + 𝑥2 𝜆𝑛2 + · · · + 𝑥𝑚 𝜆𝑛𝑚 )𝑣𝑛 .
Podemos afirmar que os escalares desta última combinação linear são nulos, ou seja:

𝑥1 𝜆11 + 𝑥2 𝜆12 + · · · + 𝑥𝑚 𝜆1𝑚 = 0




..


⎪ .


𝑥1 𝜆𝑛1 + 𝑥2 𝜆𝑛2 + · · · + 𝑥𝑚 𝜆𝑛𝑚 = 0


Temos um sistema de n equações e m incógnitas com 𝑚 > 𝑛, donde existem solu-


ções (𝑥1 , · · · , 𝑥𝑚 ) não nulos. O que é um absurdo, pois os únicos valores possíveis são
𝑥1 = · · · = 𝑥𝑚 = 0, logo m=n.

Observação 4.5.3. Veja os Exercícios 4.9.20, 4.9.21 e 4.9.22, na página 76, para informações
adicionais.

4.5.1 Exemplos

Exemplo 4.5.4. Uma base ⎛ do espaço


⎞ vetorial
⎛ 𝑉 =
⎞ 𝑀2 das ⎛ matrizes
⎞ quadradas
⎛ de ⎞
ordem 2
⎜ 1 0 ⎟ ⎜ 0 1 ⎟ ⎜ 0 0 ⎟ ⎜ 0 0 ⎟
é dada pelos vetores 𝑣1 = ⎝ ⎠ , 𝑣2 = ⎝ ⎠ , 𝑣3 = ⎝ ⎠ e 𝑣4 = ⎝ ⎠ . Com
0 0 0 0 1 0 0 1
efeito:

68
i. {𝑣1 , 𝑣2 , 𝑣3 , 𝑣4 } é LI.
⎛ ⎞ ⎛ ⎞
⎜ 𝑎1 𝑎2 ⎟ ⎜ 0 0 ⎟
𝑎1 𝑣1 + 𝑎2 𝑣2 + 𝑎3 𝑣3 + 𝑎4 𝑣4 = ⎝ ⎠ =⎝ ⎠ → 𝑎1 = 𝑎2 = 𝑎3 = 𝑎4 = 0
𝑎3 𝑎4 0 0

ii. Qualquer 𝑣 ∈ 𝑀2 é combinação linear de 𝑣1 , 𝑣2 , 𝑣3 , 𝑣4 .


⎛ ⎞
𝑎 𝑏 ⎟
𝑣=⎝ = 𝑎𝑣1 + 𝑏𝑣2 + 𝑐𝑣3 + 𝑑𝑣4


𝑐 𝑑

Exemplo 4.5.5. O conjunto dos vetores 𝑒1 = (1, 0, 0), 𝑒2 = (0, 1, 0) e 𝑒3 = (0, 0, 1) é uma
base do espaço 𝑉 = R3 chamada base canônica. É possível verificar que trata-se de um
conjunto LI capaz de gerar qualquer vetor do R3 .

Exemplo 4.5.6. Já os vetores 𝑣1 = (1, 0, 0), 𝑣2 = (0, 1, 0) e 𝑣3 = (1, 1, 0) não representam


uma base do R3 . Observando que 𝑣1 + 𝑣2 = 𝑣3 , verificamos que trata-se de um conjunto de
vetores LD.

Exemplo 4.5.7. O conjunto de vetores 𝑣1 = (1, 1, 0) e 𝑣2 = (0, 0, 1) é LI, porém não


representa uma base para R3 , pois não é capaz de gerar qualquer vetor 𝑣 ∈ R3 . Basta
considerar o vetor 𝑣 = (1, 0, 0). Não existe combinação linear de 𝑣1 e 𝑣2 que satisfaça
𝑎1 𝑣1 + 𝑎2 𝑣2 = 𝑣.

Caso seja conhecido um conjunto de vetores LD {𝑣1 , 𝑣2 , . . . , 𝑣𝑚 } capazes de gerar o espaço


vetorial 𝑉 , é possível retirar deste conjunto os vetores que são combinação linear dos demais
e obter uma base para 𝑉 .

Se um conjunto de vetores {𝑣1 , 𝑣2 , . . . , 𝑣𝑛 } é capaz de gerar 𝑉 , então qualquer conjunto


com mais de 𝑛 vetores é LD.

69
4.6 Dimensão de um Espaço Vetorial

Um espaço vetorial 𝑉 pode possuir diferentes bases, entretanto qualquer base de 𝑉 terá
sempre a mesma quantidade de vetores LI, conforme vimos no Teorema 4.5.2.

Definição 4.6.1. Seja 𝑉 um espaço vetorial. A dimensão de 𝑉 é o número de elementos


de uma base de 𝑉 .
Notação: dim 𝑉 = 𝑛.

4.6.1 Exemplos

Exemplo 4.6.2. A dimensão do espaço vetorial 𝑉 das matrizes triangulares superiores de


ordem 2 é dim 𝑉 =⎛ 3, pois
⎞ a base⎛deste espaço
⎞ é dada
⎛ por ⎞
três elementos. Um exemplo de
⎜ 1 0 ⎟ ⎜ 0 1 ⎟ ⎜ 0 0 ⎟
base de 𝑉 é 𝑣1 = ⎝ ⎠ , 𝑣2 = ⎝ ⎠ e 𝑣3 = ⎝ ⎠.
0 0 0 0 0 1

Exemplo 4.6.3. A dimensão do espaço vetorial 𝑉 dos polinômios de grau menor que ou
igual a um é dim 𝑉 = 2, isso porque a base de 𝑉 possui dois elementos e pode ser dada por
𝑣1 = 1 e 𝑣2 = 𝑡.

Teorema 4.6.4. Sejam 𝑊1 e 𝑊2 subespaços de um espaço vetorial 𝑉 , então:

dim(𝑊1 + 𝑊2 ) = dim 𝑊1 + dim 𝑊2 − dim(𝑊1 ∩ 𝑊2 ).

Quando a base de um espaço vetorial 𝑉 possui uma quantidade finita de elementos,


dizemos que 𝑉 possui dimensão finita. Caso 𝑉 não tenha base finita, dizemos que 𝑉 é um
espaço de dimensão infinita. O espaço vetorial trivial 𝑉 = 0 tem dimensão definida como
sendo igual a zero.
Um conjunto de 𝑚 vetores LI em um espaço vetorial 𝑉 de dimensão 𝑛 > 𝑚, pode ser
completado com 𝑛 − 𝑚 vetores, a fim de se construir uma base para 𝑉 .
Dado um espaço vetorial 𝑉 de dimensão 𝑛, qualquer conjunto de 𝑛 vetores LI em 𝑉 é
uma base para 𝑉 .

70
Exemplo 4.6.5. Dados os subespaços do R3 , 𝑉 = {(𝑥, 𝑦, 𝑧) ∈ R3 ; 𝑥 − 𝑦 + 𝑧 = 0} e
𝑊 = {(𝑥, 𝑦, 𝑧) ∈ R3 ; 𝑥 + 𝑦 = 0 e 𝑥 − 𝑧 = 0}, determine o que se pede abaixo:

a) 𝑉 ∩ 𝑊 .
Temos que de 𝑊 obtemos que 𝑥 = −𝑦 = 𝑧, substituindo em 𝑥 − 𝑦 + 𝑧 = 0, temos que
𝑥 = 𝑦 = 𝑧 = 0. Portanto, 𝑉 ∩ 𝑊 = {0}.

b) Bases de 𝑉 e 𝑊 .
Para determinar a base de 𝑉 observe que 𝑥 = 𝑦 − 𝑧 logo (𝑦 − 𝑧, 𝑦, 𝑧) = (𝑦, 𝑦, 0) +
(−𝑧, 0, 𝑧) = 𝑦(1, 1, 0) + 𝑧(−1, 0, 1). Portanto, 𝛽 ′ = {(1, 1, 0), (−1, 0, 1)}. Para a base
de 𝑊 , temos: (𝑥, −𝑥, 𝑥) = 𝑥(1, −1, 1). Logo, 𝛽 ′′ = {(1, −1, 1)}.

c) dim(𝑉 + 𝑊 ).
dim(𝑉 + 𝑊 ) = dim 𝑉 + dim 𝑊 − dim(𝑉 ∩ 𝑊 ) = 2 + 1 − 0 = 3.

d) 𝑉 ⊕ 𝑊 = R3 ? Justifique.
Sim, pois dim(𝑉 + 𝑊 ) = 3 = dim R3 e dim(𝑉 ∩ 𝑊 ) = 0.

4.7 Sistema de Coordenadas


Considere uma base 𝛽 ordenada, dada por 𝑣1 , 𝑣2 , . . . , 𝑣𝑛 , de um espaço vetorial 𝑉 . Quando
escrevemos um vetor 𝑣 ∈ 𝑉 , como combinação linear dos vetores de 𝛽, 𝑣 = 𝑎1 𝑣1 + 𝑎2 𝑣2 +
. . . + 𝑎𝑛 𝑣𝑛 , os números reais 𝑎1 , 𝑎2 , . . . , 𝑎𝑛 representam as coordenadas de 𝑣 na base 𝛽.
Assim, podemos afirmar que cada base de um espaço vetorial 𝑉 determina um sistema de
coordenadas em 𝑉 .

Teorema 4.7.1. Seja 𝛽 = {𝑣1 , 𝑣2 , . . . , 𝑣𝑛 } uma base de um espaço vetorial 𝑉 . Cada vetor
𝑣 ∈ 𝑉 é escrito de maneira única como combinação linear dos vetores da base 𝛽.

Demonstração: Basta considerarmos a possibilidade de 𝑣 = 𝑎1 𝑣1 + 𝑎2 𝑣2 + . . . + 𝑎𝑛 𝑣𝑛 =


𝑏1 𝑣1 + 𝑏2 𝑣2 + . . . + 𝑏𝑛 𝑣𝑛 com a existência de algum 𝑎𝑖 ̸= 𝑏𝑖 . Neste caso 𝑏𝑖 − 𝑎𝑖 ̸= 0 e
(𝑏𝑖 − 𝑎𝑖 )𝑣𝑖 = 𝑘̸=𝑖 (𝑎𝑘 − 𝑏𝑘 )𝑣𝑘 . O que seria uma contradição, pois teríamos 𝑣𝑖 escrito como
∑︀

71
combinação linear dos demais vetores da base. Logo não podemos escrever um mesmo vetor
com diferentes coordenadas na mesma base.

Como há diferentes bases num mesmo espaço vetorial, em algumas situações pode ser
necessário representar as coordenadas de um vetor indicando a base em que obtivemos as
referidas coordenadas.

Exemplo 4.7.2. Considere a base do espaço vetorial 𝑉 = R2 dada pela base canônica
𝛽 = {(1, 0), (0, 1)}, o vetor 𝑣 = 2(1, 0) + 3(0, 1), pode ser denotado como 𝑣 = [(2, 3)]𝛽 .
Caso adotássemos como base para 𝑉 o conjunto 𝛽 ′ = {(1, 1), (0, 1)}, o mesmo vetor 𝑣 seria
dado por 𝑣 = 2(1, 1) + 1(0, 1), 𝑣 = [(2, 1)]𝛽 ′ . Observe ainda que, se mudássemos a ordem
de apresentação dos vetores da base canônica, teríamos uma nova base ordenada dada por
𝛾 = {(0, 1), (1, 0)} e a representação de 𝑣 nessa nova base seria 𝑣 = 3(0, 1) + 2(1, 0), ou
seja, 𝑣 = [(3, 2)]𝛾 . Assim, a ordem dos vetores na base deve sempre ser considerada para o
estabelecimento das coordenadas de um vetor.

4.8 Mudança de Base

Como um mesmo vetor pode ser representado de maneiras diferentes em diferentes bases,
pode haver situações em que determinado problema torna-se mais simples escolhendo-se
adequadamente a base em que representaremos os vetores envolvidos.

Portanto, dado um vetor 𝑣 na base 𝛽, pode ser conveniente mudar a base de representação
de 𝑣 para realização de cálculos. Em outras áreas da Matemática, essa mudança de base
muitas vezes ocorre pela troca das variáveis envolvidas. Em Álgebra Linear, a troca de bases
envolve a noção de troca de sistemas de coordenadas de um espaço vetorial. Por exemplo, a
elipse da Figura 4.1 tem equações 𝑥2 + 𝑥𝑦 + 𝑦 2 = 3 e 3𝑥21 + 𝑦12 = 6 em relação às bases {⃗𝑖, ⃗𝑗}
e {𝑣⃗1 , 𝑣⃗2 }, respectivamente.

72
Figura 4.1: Elipse em relação a duas bases diferentes.

Uma vez que temos as coordenadas de um vetor em uma base, a operação de mudança
de base é apresentada a seguir.
Considere o vetor 𝑣 de um espaço vetorial 𝑉 escrito como combinação linear em duas
bases distintas de 𝑉 , dadas por 𝛽 = {𝑢1 , 𝑢2 , . . . , 𝑢𝑛 } e 𝛽 ′ = {𝑤1 , 𝑤2 , . . . , 𝑤𝑛 }:

𝑣 = 𝑏1 𝑢1 + 𝑏2 𝑢2 + · · · + 𝑏𝑛 𝑢𝑛

𝑣 = 𝑐1 𝑤 1 + 𝑐2 𝑤 2 + · · · + 𝑐𝑛 𝑤 𝑛
⎛ ⎞ ⎛ ⎞
⎜ 𝑏1 ⎟ ⎜ 𝑐1 ⎟
⎜ ⎟ ⎜ ⎟

𝑏2 ⎟ ⎜ 𝑐
⎜ ⎟
Ou seja, [𝑣]𝛽 = ⎟ e [𝑣]𝛽 ′ = ⎜ 2 ⎟.
⎜ ⎟ ⎟
.. ⎟ ⎜ .

. ⎟ ⎜ ..
⎜ ⎟ ⎟
⎜ ⎟
⎜ ⎜ ⎟
⎝ ⎠ ⎝ ⎠
𝑏𝑛 𝑐𝑛
Podemos escrever cada vetor da base 𝛽 ′ na base 𝛽 e obter:

𝑤1 = 𝑎11 𝑢1 + · · · + 𝑎𝑛1 𝑢𝑛 , 𝑤2 = 𝑎12 𝑢1 + · · · + 𝑎𝑛2 𝑢𝑛 , . . . , 𝑤𝑛 = 𝑎1𝑛 𝑢1 + · · · + 𝑎𝑛𝑛 𝑢𝑛 .

Assim podemos reescrever 𝑣 = 𝑐1 𝑤1 + 𝑐2 𝑤2 + · · · + 𝑐𝑛 𝑤𝑛 =


𝑐1 (𝑎11 𝑢1 + · · · + 𝑎𝑛1 𝑢𝑛 ) + 𝑐2 (𝑎12 𝑢1 + · · · + 𝑎𝑛2 𝑢𝑛 ) + · · · + 𝑐𝑛 (𝑎1𝑛 𝑢1 + · · · + 𝑎𝑛𝑛 𝑢𝑛 ), logo obtemos:
(𝑐1 𝑎11 + 𝑐2 𝑎12 + · · · + 𝑐𝑛 𝑎1𝑛 )𝑢1 + · · · + (𝑐1 𝑎𝑛1 + 𝑐2 𝑎𝑛2 + · · · + 𝑐𝑛 𝑎𝑛𝑛 )𝑢𝑛 = 𝑏1 𝑢1 + · · · + 𝑏𝑛 𝑢𝑛 .

73
Representando o que acabamos de obter na forma matricial, temos:
⎛ ⎞ ⎛ ⎞⎛ ⎞
⎜ 𝑏1 ⎟ ⎜ 𝑎11 𝑎12 . . . 𝑎1𝑛 ⎟ ⎜ 𝑐1 ⎟
⎜ ⎟ ⎜ ⎟⎜ ⎟
⎜ 𝑏2 ⎟ 𝑎21 𝑎22 . . . 𝑎2𝑛 ⎟ 𝑐2 ⎟
⎜ ⎟ ⎜ ⎜

⎟=⎜ ⎟ ∴ [𝑣]𝛽 = [𝐼]𝛽 [𝑣]𝛽 ′ .
⎜ ⎟⎜ ⎟
⎜ . ⎟ .. .. . . . ⎟⎜ .. ⎟
⎜ ⎟⎜
⎜ .. ⎟ . .. ⎟ ⎜
𝛽
. . . ⎟


⎜ ⎟ ⎜ ⎟⎜ ⎟
⎝ ⎠ ⎝ ⎠⎝ ⎠
𝑏𝑛 𝑎𝑛1 𝑎𝑛2 . . . 𝑎𝑛𝑛 𝑐𝑛


A matriz [𝐼]𝛽𝛽 é denominada matriz de mudança de base 𝛽 ′ para 𝛽.

Observação 4.8.1. Observe que essa matriz é obtida, colocando as coordenadas em relação
a 𝛽 dos elementos 𝑤𝑖 da base 𝛽 ′ na i-ésima coluna, ou seja:

(︂ )︂

[𝐼]𝛽𝛽 = [𝑤1 ]𝛽 [𝑤2 ]𝛽 . . . [𝑤𝑛 ]𝛽


Observação 4.8.2. A inversa da matriz [𝐼]𝛽𝛽 , realiza a mudança da base 𝛽 para 𝛽 ′ , ou seja:


([𝐼]𝛽𝛽 )−1 = [𝐼]𝛽𝛽 ′


Exemplo 4.8.3. Vamos encontrar a matriz de mudança de base [𝐼]𝛽𝛽 no espaço vetorial
𝑉 = R2 considerando as bases 𝛽 =⎛{(1, 0), ⎞
(1, 1)} e 𝛽 ′ = {(0, 1), (2, 3)}. Temos então:
⎛ ⎞
−1 −1
(0, 1) = −1(1, 0) + 1(1, 1); [𝑤1 ]𝛽 = ⎜
⎝ ⎠ e (2, 3) = −1(1, 0) + 3(1, 1); [𝑤2 ]𝛽 = ⎝
⎟ ⎜
⎠.

1 3
𝛽 𝛽
⎛ ⎞
′ −1 −1 ⎟
Logo [𝐼]𝛽𝛽 = ⎝ ⎠.

1 3

4.9 Exercícios

Respostas no Capítulo 6, na página 102.

Exercício 4.9.1. Considerando o espaço vetorial 𝑉 = R3 . Escreva o vetor 𝑣 = (2, 3, −1)


como combinação linear dos vetores 𝑣1 = (1, 0, 0), 𝑣2 = (1, 1, 0) e 𝑣3 = (1, 1, 1).

74
Exercício 4.9.2. Seja o espaço vetorial 𝑉 = 𝑃2 . Escreva o vetor 𝑣 = 𝑡2 −3𝑡 como combinação
linear dos vetores 𝑣1 = 𝑡 + 1, 𝑣2 = 𝑡2 e 𝑣3 = 2𝑡.

Exercício 4.9.3. Determine 𝑘 ∈ R tal que o vetor 𝑣 = (𝑘, −1, 3) seja combinação linear dos
vetores 𝑣1 = (1, 1, 0), 𝑣2 = (2, 1, 1) e 𝑣3 = (2, 0, 2).

Exercício 4.9.4. Determine o subespaço 𝑊 do espaço 𝑉 = R3 , gerado pelos vetores 𝑣1 =


(1, −2, 1) e 𝑣2 = (1, 1, −2).

Exercício 4.9.5. Considere 𝑉 = 𝑃2 . Determine o subespaço de 𝑉 gerado por 𝑣1 = 𝑡 + 1 e


𝑣2 = 𝑡 2 .

Exercício 4.9.6. Considerando o subespaço 𝑊 = {(𝑥, 𝑦, 𝑧) ∈ R3 ; 𝑥 = 3𝑦 e 𝑧 = −2𝑦},


determine um conjunto gerador para 𝑊 .

Exercício 4.9.7. Determine um conjunto gerador do plano 2𝑥 + 3𝑦 − 𝑧 = 0 ⊂ R3 .

Exercício 4.9.8. Determine uma base para o espaço das matrizes triangulares inferiores de
ordem 2.

Exercício 4.9.9. Determine uma base para o subespaço 𝑊 = {(𝑥, 2𝑥 + 𝑦, 2𝑦); 𝑥, 𝑦 ∈ R}.

Exercício 4.9.10. Considere o espaço vetorial de todas as funções reais. Mostre que os
vetores 𝑣1 = sen 𝑡 cos 𝑡, 𝑣2 = 𝑡, 𝑣3 = sen 2𝑡 formam um conjunto linearmente dependente.

Exercício 4.9.11. Para cada subespaço 𝑊 determine uma base e sua dimensão.

a) 𝑊 = {(𝑠 − 𝑡, 𝑠 + 𝑡, 4𝑡); 𝑠, 𝑡 ∈ R}.

b) 𝑊 = {(2𝑎 + 𝑏, 𝑎, 3𝑎 − 𝑏, 2𝑏); 𝑎, 𝑏 ∈ R}.

c) 𝑊 = {(𝑎, 𝑏, 𝑐); 𝑎 − 𝑏 + 2𝑐 = 0, 𝑏 − 3𝑎 = 0}.

Exercício 4.9.12. Encontre as coordenadas do polinômio 𝑝(𝑡) = 7 − 12𝑡 − 8𝑡2 + 12𝑡3 na


base de 𝑃3 formada pelos polinômios de Hermite dados por 1, 2𝑡, −2 + 4𝑡2 e −12𝑡 + 8𝑡3 .

Exercício 4.9.13. Determine 𝑊1 ∩ 𝑊2 e 𝑊1 + 𝑊2 , onde 𝑊1 = {(𝑥, 𝑦, 𝑧) ∈ R3 ; 𝑥 + 𝑦 = 0} e


𝑊2 = [(2, −2, 1)] são subespaços do R3 .

75
Exercício 4.9.14. Sejam 𝑉 = 𝑀2 o⎛espaço ⎞
vetorial das matrizes reais quadradas de ordem
0 𝑏 ⎟
2 e 𝑊 o subespaço de 𝑀2 dado por ⎜
⎝ ⎠ ; 𝑏, 𝑐 ∈ R. Determine um subespaço 𝑈 tal que
𝑐 0
𝑀2 = 𝑈 ⊕ 𝑊 .

Exercício 4.9.15. Encontre as coordenadas do vetor 𝑣 = (3, 2, 1) em relação às seguintes


bases do R3 : 𝛽 = {(0, 1, 0), (0, 0, 1), (1, 0, 0)} e 𝛽 ′ = {(1, 1, 0), (0, 1, 1), (1, 0, 1)}. Encontre
também a matriz de mudança da base 𝛽 para 𝛽 ′ .

Exercício 4.9.16. Considere o espaço vetorial 𝑃1 . Encontre as coordenadas do polinômio


𝑝(𝑥) = 2 − 𝑥 na base 𝛽 = {1, 𝑥} e na base 𝛽 ′ = {𝑥, 1 + 𝑥}.

Exercício 4.9.17. Considerando 𝑊1 = {(𝑥, 𝑦, 𝑧, 𝑡) ∈ R4 ; 𝑥 + 𝑦 = 0 e 𝑧 − 𝑡 = 0} e 𝑊2 =


{(𝑥, 𝑦, 𝑧, 𝑡) ∈ R4 ; 𝑥 − 𝑦 − 𝑧 + 𝑡 = 0} subespaços do R4 :

a) Exiba uma base e determine 𝑊1 ∩ 𝑊2 .

b) Exiba uma base e determine 𝑊1 + 𝑊2 . Essa soma é direta? Justifique.

c) 𝑊1 + 𝑊2 = R4 ? Justifique.

Exercício 4.9.18. Dados os subespaços do R4 , 𝑊1 = {(𝑥, 𝑦, 𝑧, 𝑡) ∈ R4 ; 𝑥 = 𝑡 e 𝑦 = 𝑧} e


𝑊2 = {(𝑥, 𝑦, 𝑧, 𝑡) ∈ R4 ; 𝑥 = 𝑦 = 𝑧 = −𝑡}:

a) Exiba uma base e determine 𝑊1 ∩ 𝑊2 .

b) Exiba uma base e determine 𝑊1 + 𝑊2 . Essa soma é direta? Justifique.

c) 𝑊1 + 𝑊2 = R4 ? Justifique.

Exercício 4.9.19. Sabendo que 𝛽 ′ = {𝑣1 , . . . , 𝑣𝑛 } e 𝛽 ′′ = {𝑤1 , . . . , 𝑤𝑚 } são bases de 𝑉 e 𝑊 ,


respectivamente, e que 𝐸 = 𝑉 ⊕ 𝑊 , prove que 𝛽 = 𝛽 ′ ∪ 𝛽 ′′ é uma base de 𝐸.

Exercício 4.9.20. Uma base ortogonal 𝛽 = {𝑣1 , . . . , 𝑣𝑛 } é uma base que também é um
conjunto ortogonal de vetores, ou seja, os vetores do conjunto são ortogonais dois a dois.
Prove que o conjunto ortogonal 𝛽 = {𝑣1 , 𝑣2 , 𝑣3 } é uma base ortogonal de 𝑉 , onde dim 𝑉 = 3.

76
Exercício 4.9.21. Uma base ortonormal 𝛽 = {𝑣1 , . . . , 𝑣𝑛 } é uma base ortogonal onde
‖𝑣𝑖 ‖ = 1, ∀𝑖. Construa uma base ortonormal {𝑣1 , 𝑣2 , 𝑣3 } do R3 , sabendo que o vetor 𝑣1 tem
a mesma direção de 𝑣 = (1, 0, 1).

Exercício 4.9.22. Utilizando o processo descrito a seguir, exiba uma base ortonormal para
o espaço vetorial cuja base é {(1, 1, 0, 0), (0, 1, 1, 0), (0, 0, 1, 1)}.
Processo de Ortogonalização de Gram-Schmidt.
A partir de uma base 𝛽 = {𝑣1 , . . . , 𝑣𝑛 } de um espaço vetorial 𝑉 podemos utilizar o
seguinte algoritmo para construirmos uma base ortogonal 𝛽 ′ = {𝑣1′ , . . . , 𝑣𝑛′ }, da seguinte
forma:

i. Fazemos 𝑣1′ = 𝑣1 ,
𝑛−1
⟨𝑣𝑛 , 𝑣𝑖′ ⟩ ′
ii. Para 𝑛 ≥ 2, tomamos 𝑣𝑛′ = 𝑣𝑛 − 𝑣.
∑︁

𝑖=1 ⟨𝑣𝑖′ , 𝑣𝑖′ ⟩ 𝑖

Observação 4.9.23. Os vetores 𝑣1′ , . . . , 𝑣𝑚



, onde 1 ≤ 𝑚 ≤ 𝑛, pertencem ao espaço 𝑉𝑚 gerado
por 𝑣1 , . . . , 𝑣𝑚 .

Observação 4.9.24. O processo de ortogonalização de Gram-Schmidt nos garante que sem-


pre existe uma base ortonormal em um espaço vetorial de dimensão finita.

77
Capítulo 5

Transformações Lineares

Veremos a seguir que é possível estabelecer relações, possuidoras de características espe-


cíficas, entre espaços vetoriais.
Considere um vetor 𝑣 pertencente a um espaço vetorial 𝑉 de dimensão 𝑛. A operação de
multiplicação de uma matriz 𝑇𝑚×𝑛 por 𝑣 gera um novo vetor 𝑤 de dimensão 𝑚:

𝑤𝑚×1 = 𝑇𝑚×𝑛 𝑣𝑛×1 .

Podemos reescrever a igualdade acima como 𝑤 = 𝑇 (𝑣), isso porque a matriz 𝑇 age
transformando o vetor 𝑣 no vetor 𝑤, como uma espécie de função sobre 𝑉 . A ideia de função
surge em diferentes áreas da matemática, recebendo também a denominação de aplicação
ou transformação. Em Álgebra Linear usaremos o termo transformação.
Sejam dois espaços vetoriais 𝑉 e 𝑊 . Uma transformação (ou aplicação ou função) 𝑇 , de
𝑉 em 𝑊 , é uma relação que leva cada vetor 𝑣 ∈ 𝑉 a um único vetor 𝑤 = 𝑇 (𝑣) ∈ 𝑊 . O
domínio de 𝑇 , 𝐷𝑜𝑚(𝑇 ), é dado por 𝑉 e o contradomínio, 𝐶𝐷(𝑇 ), é dado por 𝑊 . Usamos
também a notação 𝑇 : 𝑉 → 𝑊 , para indicar a transformação. O vetor 𝑤 = 𝑇 (𝑣) é chamado
imagem de 𝑣 e o conjunto de todos os vetores imagem possíveis, considerando todos os
vetores de 𝑉 , formam o conjunto imagem de 𝑇 , denotado 𝐼𝑚(𝑇 ).
Abordaremos aqui um tipo especial de transformação 𝑇 capaz de manter propriedades
da soma de vetores e da multiplicação por escalar.

78
5.1 Definição
Definição 5.1.1. Considere dois espaços vetoriais 𝑉 e 𝑊 . Uma transformação 𝑇 : 𝑉 → 𝑊
é chamada transformação linear se:

i. 𝑇 (𝑢 + 𝑣) = 𝑇 (𝑢) + 𝑇 (𝑣), para todo 𝑢 e 𝑣 em 𝑉 .

ii. 𝑇 (𝑘𝑣) = 𝑘𝑇 (𝑣), para todo 𝑣 ∈ 𝑉 e 𝑘 ∈ R.

Uma outra maneira de definir transformação linear é unindo ambas as características


numa única equação. De forma que 𝑇 : 𝑉 → 𝑊 é uma transformação linear se, e somente
se, 𝑇 (𝑘1 𝑣1 + 𝑘2 𝑣2 + . . . + 𝑘𝑛 𝑣𝑛 ) = 𝑘1 𝑇 (𝑣1 ) + 𝑘2 𝑇 (𝑣2 ) + . . . + 𝑘𝑛 𝑇 (𝑣𝑛 ), para 𝑣1 , 𝑣2 , . . . , 𝑣𝑛 ∈ 𝑉
e 𝑘1 , 𝑘2 , . . . , 𝑘𝑛 escalares.

5.1.1 Exemplos

Exemplo 5.1.2. Considere a transformação 𝑇 (𝑥, 𝑦) = (3𝑥 + 𝑦, 2𝑦, 𝑦 − 𝑥). Vamos verificar
que se trata de uma transformação linear:

i. 𝑇 ((𝑥1 , 𝑦1 ) + (𝑥2 , 𝑦2 )) = 𝑇 (𝑥1 + 𝑥2 , 𝑦1 + 𝑦2 ) = (3(𝑥1 + 𝑥2 ) + 𝑦1 + 𝑦2 , 2(𝑦1 + 𝑦2 ), 𝑦1 + 𝑦2 −


(𝑥1 + 𝑥2 )) = (3𝑥1 + 𝑦1 , 2𝑦1 , 𝑦1 − 𝑥1 ) + (3𝑥2 + 𝑦2 , 2𝑦2 , 𝑦2 − 𝑥2 ) = 𝑇 (𝑥1 , 𝑦1 ) + 𝑇 (𝑥2 , 𝑦2 )

ii. 𝑇 (𝑘(𝑥, 𝑦)) = 𝑇 (𝑘𝑥, 𝑘𝑦) = (3𝑘𝑥 + 𝑘𝑦, 2𝑘𝑦, 𝑘𝑦 − 𝑘𝑥) = 𝑘(3𝑥 + 𝑦, 2𝑦, 𝑦 − 𝑥) = 𝑘𝑇 (𝑥, 𝑦).

Portanto 𝑇 é uma transformação linear.

Exemplo 5.1.3. Seja 𝛼 ∈ R. Vamos verificar se 𝑇 : 𝑉 → 𝑉 , dada por 𝑇 (𝑣) = 𝛼𝑣, é


uma transformação linear. Sejam os vetores 𝑢 e 𝑣 em 𝑉 e os escalares 𝑘1 e 𝑘2 . Então
𝑇 (𝑘1 𝑢 + 𝑘2 𝑣) = 𝛼(𝑘1 𝑢 + 𝑘2 𝑣) = 𝛼𝑘1 𝑢 + 𝛼𝑘2 𝑣 = 𝑘1 (𝛼𝑢) + 𝑘1 (𝛼𝑣) = 𝑘1 𝑇 (𝑢) + 𝑘2 𝑇 (𝑣).
Logo 𝑇 é uma transformação linear.

Observação 5.1.4. No exemplo anterior, se 𝛼 = 0, temos a transformação linear nula. Se


𝛼 = 1, temos a transformação identidade. Caso 0 ≤ 𝛼 < 1, 𝑇 representa uma transforma-
ção chamada contração. Caso 𝛼 > 1, 𝑇 é uma dilatação.

79
Exemplo 5.1.5. Seja 𝑇 : 𝑀𝑚×𝑛 → 𝑀𝑚×𝑛 dada por 𝑇 (𝐴) = 𝐴𝑡 . Vamos verificar se 𝑇 é uma
transformação linear.
⎛ ⎞𝑡
⎜ 𝑎11 + 𝑏11 ... 𝑎1𝑛 + 𝑏1𝑛 ⎟

.. ... .. ⎟
i. 𝑇 (𝐴 + 𝐵) = (𝐴 + 𝐵) 𝑡
= . . =
⎜ ⎟
⎜ ⎟
⎜ ⎟
𝑎𝑚1 + 𝑏𝑚1 . . . 𝑎𝑚𝑛 + 𝑏𝑚𝑛
⎝ ⎠
⎛ ⎞ ⎛ ⎞ ⎛ ⎞
⎜ 𝑎11 + 𝑏11 . . . 𝑎𝑚1 + 𝑏𝑚1 ⎟ ⎜ 𝑎11 . . . 𝑎𝑚1 ⎟ ⎜ 𝑏11 . . . 𝑏𝑚1 ⎟

.. .. .. ⎟ ⎜
.. . . .. ⎟ ⎜
.. . . .. ⎟
. . . = . . . + . . . =
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
𝑎1𝑛 + 𝑏1𝑛 . . . 𝑎𝑚𝑛 + 𝑏𝑚𝑛
⎝ ⎠ ⎝ ⎠ ⎝ ⎠
𝑎1𝑛 . . . 𝑎𝑚𝑛 𝑏1𝑛 . . . 𝑏𝑚𝑛
𝐴 + 𝐵 𝑡 = 𝑇 (𝐴) + 𝑇 (𝐵).
𝑡

⎛ ⎞
⎜ 𝑘𝑎11 . . . 𝑘𝑎𝑚1 ⎟

.. .. .. ⎟
ii. 𝑇 (𝑘𝐴) = (𝑘𝐴) = 𝑡
. . . = 𝑘(𝐴)𝑡 = 𝑘𝑇 (𝐴).
⎜ ⎟
⎜ ⎟
⎜ ⎟
⎝ ⎠
𝑘𝑎1𝑛 . . . 𝑘𝑎𝑚𝑛

Assim, podemos concluir que 𝑇 é transformação linear.

Exemplo 5.1.6. Seja 𝑃𝑛 o espaço dos polinômios de grau menor que ou igual a 𝑛. Considere
o operador derivação 𝐷 : 𝑃𝑛 → 𝑃𝑛−1 dado por 𝐷(𝑎0 + 𝑎1 𝑡 + . . . + 𝑎𝑛 𝑡𝑛 ) = 𝑎1 + 2𝑎2 𝑡 +
. . . + 𝑛𝑎𝑛 𝑡𝑛−1 . Vamos verificar se o operador 𝐷 é uma transformação linear. Para 𝑝1 =
𝑎0 +𝑎1 𝑡+. . .+𝑎𝑛 𝑡𝑛 , 𝑝2 = 𝑏0 +𝑏1 𝑡+. . .+𝑏𝑛 𝑡𝑛 ∈ 𝑃𝑛 e 𝑘1 , 𝑘2 ∈ R, observe que: 𝐷(𝑘1 𝑝1 +𝑘2 𝑝2 ) =
𝐷(𝑘1 𝑎0 + 𝑘1 𝑎1 𝑡 + . . . + 𝑘1 𝑎𝑛 𝑡𝑛 + 𝑘2 𝑏0 + 𝑘2 𝑏1 𝑡 + . . . + 𝑘2 𝑏𝑛 𝑡𝑛 ) = 𝐷(𝑘1 𝑎0 + 𝑘2 𝑏0 + (𝑘1 𝑎1 + 𝑘2 𝑏1 )𝑡 +
. . . + (𝑘1 𝑎𝑛 + 𝑘2 𝑏𝑛 )𝑡𝑛 ) = 𝑘1 𝑎1 + 𝑘2 𝑏1 + . . . + 𝑛(𝑘1 𝑎𝑛 + 𝑘2 𝑏𝑛 )𝑡𝑛−1 = 𝑘1 𝑎1 + 2𝑘1 𝑎2 𝑡 + . . . +
𝑛𝑘1 𝑎𝑛 𝑡𝑛−1 + 𝑘2 𝑏1 + 2𝑘2 𝑏2 𝑡 + . . . + 𝑛𝑘2 𝑏𝑛 𝑡𝑛−1 = 𝑘1 𝐷(𝑝1 ) + 𝑘2 𝐷(𝑝2 ).
Logo 𝐷 é uma transformação linear.

Como um contraexemplo, podemos citar a transformação 𝑇 que realiza uma translação,


definida por 𝑇 (𝑣) = 𝑣 + 𝑎, onde 𝑣 = (𝑣1 , 𝑣2 , . . . , 𝑣𝑛 ) e 𝑎 = (𝑎1 , 𝑎2 , . . . , 𝑎𝑛 ). É fácil ver que
𝑇 (𝑢 + 𝑣) ̸= 𝑇 (𝑢) + 𝑇 (𝑣). Logo 𝑇 não é uma transformação linear.

5.2 Propriedades
Considere 𝑇 : 𝑉 → 𝑊 uma transformação linear.

80
1. A partir da definição de transformação linear vale que 𝑇 (𝑘1 𝑣1 + 𝑘2 𝑣2 + . . . + 𝑘𝑛 𝑣𝑛 ) =
𝑘1 𝑇 (𝑣1 ) + 𝑘2 𝑇 (𝑣2 ) + . . . + 𝑘𝑛 𝑇 (𝑣𝑛 ).

Esta equação indica que a imagem de uma combinação linear de vetores de 𝑉 é uma
combinação linear das imagens desses vetores, com os mesmos coeficientes.

2. Se 𝑈 é um subespaço de 𝑉 , então 𝑇 (𝑈 ) é um subespaço de 𝑊 .


Para verificar que 𝑇 (𝑈 ) é um subespaço de 𝑊 devemos mostrar que 0 ∈ 𝑇 (𝑈 ) e que
𝑇 (𝑈 ) é fechado para soma de vetores e multiplicação por escalar. Para 𝑢 ∈ 𝑈 , temos
que 0𝑢 = 0 ∈ 𝑈 , portanto 𝑇 (0𝑢) = 0𝑇 (𝑢) = 0 ∈ 𝑇 (𝑈 ). Para 𝑢, 𝑣 ∈ 𝑈, 𝑢 + 𝑣 ∈ 𝑈 e para
𝑘 ∈ R, 𝑘𝑢 ∈ 𝑈 . Assim, 𝑇 (𝑢 + 𝑣) ∈ 𝑇 (𝑈 ), ou seja, 𝑇 (𝑢) + 𝑇 (𝑣) ∈ 𝑇 (𝑈 ). Da mesma
forma 𝑇 (𝑘𝑢) ∈ 𝑇 (𝑈 ), logo 𝑘𝑇 (𝑢) ∈ 𝑇 (𝑈 ). Podemos concluir que 𝑇 (𝑈 ) é subespaço de
𝑊.

3. Seja a transformação 𝑇 : 𝑉 → 𝑊 , se 𝑉 é gerado pelo conjunto {𝑣1 , 𝑣2 , . . . , 𝑣𝑛 } então


𝑇 (𝑉 ), a imagem de 𝑇 , é gerada por {𝑇 (𝑣1 ), 𝑇 (𝑣2 ), . . . , 𝑇 (𝑣𝑛 )}.

Basta considerarmos um vetor qualquer 𝑤 ∈ 𝑇 (𝑉 ). Podemos afirmar que existe 𝑣,


tal que 𝑤 = 𝑇 (𝑣). Além disso, como {𝑣1 , 𝑣2 , . . . , 𝑣𝑛 } é um conjunto gerador de 𝑉 ,
temos que 𝑣 = 𝑎1 𝑣1 + 𝑎2 𝑣2 + . . . + 𝑎𝑛 𝑣𝑛 , para escalares 𝑎1 , 𝑎2 , . . . , 𝑎𝑛 . Logo: 𝑤 = 𝑇 (𝑣) =
𝑇 (𝑎1 𝑣1 +𝑎2 𝑣2 +. . .+𝑎𝑛 𝑣𝑛 ) = 𝑎1 𝑇 (𝑣1 )+𝑎2 𝑇 (𝑣2 )+...+𝑎𝑛 𝑇 (𝑣𝑛 ). Como, qualquer que seja
𝑤, este pode ser escrito como combinação linear dos vetores 𝑇 (𝑣1 ), 𝑇 (𝑣2 ), . . . , 𝑇 (𝑣𝑛 ),
concluímos que 𝑇 (𝑉 ) é um espaço vetorial gerado por estes vetores.

4. Se 𝑇 (𝑣1 ), 𝑇 (𝑣2 ), . . . , 𝑇 (𝑣𝑛 ) ∈ 𝑊 são LI, então os vetores 𝑣1 , 𝑣2 , . . . , 𝑣𝑛 ∈ 𝑉 são LI.


Para verificar esta afirmação basta considerar a combinação linear 𝑎1 𝑣1 + 𝑎2 𝑣2 + . . . +
𝑎𝑛 𝑣𝑛 = 0 e aplicar a transformação 𝑇 a ambos os lados dessa igualdade:

𝑇 (𝑎1 𝑣1 + 𝑎2 𝑣2 + . . . + 𝑎𝑛 𝑣𝑛 ) = 𝑇 (0)

𝑎1 𝑇 (𝑣1 ) + 𝑎2 𝑇 (𝑣2 ) + . . . + 𝑎𝑛 𝑇 (𝑣𝑛 ) = 0

81
Como os vetores 𝑇 (𝑣1 ), 𝑇 (𝑣2 ), . . . , 𝑇 (𝑣𝑛 ) são LI, temos que necessariamente 𝑎1 = 𝑎2 =
. . . = 𝑎𝑛 = 0. Logo os vetores 𝑣1 , 𝑣2 , . . . , 𝑣𝑛 são LI.

Observação 5.2.1. É possível termos um conjunto de vetores de 𝑉 que sejam LI, mas com
suas imagens formando um conjunto LD em 𝑊 .

Considere, por exemplo, a transformação linear 𝑇 : R2 → R2 dada por 𝑇 (𝑥, 𝑦) = (𝑥, 0),
para 𝑣 = (𝑥, 𝑦) ∈ R2 . Basta considerar os vetores LI 𝑣1 = (1, 1) e 𝑣2 = (1, 2). Observe que
𝑇 (𝑣1 ) = 𝑇 (𝑣2 ) = (1, 0). Logo, o conjunto {𝑇 (𝑣1 ), 𝑇 (𝑣2 )} é LD.

Pela propriedade de que 𝑇 leva um conjunto gerador do domínio em um conjunto ge-


rador da imagem, podemos afirmar que, dada uma transformação linear 𝑇 : 𝑉 → 𝑊 , se
conhecemos as imagens por 𝑇 dos vetores de uma base de 𝑉 , podemos obter a expressão de
𝑇 (𝑣), para qualquer vetor 𝑣 ∈ 𝑉 .

Como um exemplo podemos citar a transformação 𝑇 : R2 → R3 , tal que 𝑇 (1, 0) = (2, 3, 1)


e 𝑇 (0, 1) = (1, 2, 3). Para encontrar uma expressão para 𝑇 (𝑥, 𝑦) basta considerarmos as
seguintes propriedades: 𝑇 (𝑥, 𝑦) = 𝑇 (𝑥(1, 0) + 𝑦(0, 1)) = 𝑇 (𝑥(1, 0)) + 𝑇 (𝑦(0, 1)) = 𝑥𝑇 (1, 0) +
𝑦𝑇 (0, 1) = 𝑥(2, 3, 1) + 𝑦(1, 2, 3) = (2𝑥 + 𝑦, 3𝑥 + 2𝑦, 𝑥 + 3𝑦).

5.3 Representação Matricial de Transformações Line-


ares

Ao considerarmos qualquer vetor 𝑣 pertencente a um espaço vetorial 𝑉 , sabemos que


é possível obter as coordenadas de 𝑣 em relação a uma base 𝛽 de 𝑉 . O vetor 𝑣 pode,
portanto, ser expresso na forma de matriz coluna de suas coordenadas. Da mesma forma, a
transformação linear 𝑇 , tal que 𝑇 (𝑣) = 𝑤, também pode ser representada por uma equação
matricial.

Matricialmente, para 𝑉 = R2 , podemos verificar que 𝑇 (𝑥, 𝑦) é dada por:

82
⎛ ⎞ ⎛ ⎛ ⎞ ⎛ ⎞⎞ ⎛ ⎛ ⎞⎞ ⎛ ⎛ ⎞⎞ ⎛ ⎞
𝑥 ⎟ ⎜ ⎜ 1 ⎟ ⎜ 0 ⎟⎟ ⎜ ⎜ 1 ⎟⎟ ⎜ ⎜ 0 ⎟⎟ ⎜ 1 ⎟
𝑇⎜
⎝ ⎠ = 𝑇 ⎝𝑥 ⎝ ⎠+𝑦⎝ ⎠⎠ = 𝑇 ⎝𝑥 ⎝ ⎠⎠ + 𝑇 ⎝𝑦 ⎝ ⎠⎠ = 𝑥𝑇 ⎝ ⎠+
𝑦 0 1 0 1 0
⎛ ⎞ ⎛ ⎞
0 ⎟ (︂ )︂
𝑥 ⎟
𝑦𝑇 ⎝ = ⎠.
𝑇 (1, 0) 𝑇 (0, 1)
⎜ ⎜
⎠ ⎝
1 𝑦
Neste caso obtivemos a matriz [𝑇 ] a partir da base canônica de R2 . Quando
a base de 𝑉 usada na obtenção da matriz [𝑇 ] é a canônica, dizemos que 𝑇 =
(︂ )︂
𝑇 (𝑒1 ) 𝑇 (𝑒2 ) . . . 𝑇 (𝑒𝑛 ) é a matriz canônica da transformação linear 𝑇 .
Vale observar também que, a toda matriz 𝑀𝑚×𝑛 , podemos associar uma transformação
linear de R𝑛 para R𝑚 . Da mesma forma, a toda transformação linear de R𝑛 para R𝑚 podemos
associar uma matriz 𝑀𝑚×𝑛 .
Na verdade, como todo vetor 𝑣 ∈ 𝑉 e todo vetor 𝑤 ∈ 𝑊 podem ser escritos na forma
coluna, usando suas coordenadas em relação a uma base, toda transformação linear entre
espaços de dimensão finita pode ser equacionada na forma de matrizes.

5.3.1 Exemplos

Exemplo 5.3.1. Considere a transformação 𝑇 : R2 → R2 que realiza a reflexão de um vetor


𝑣 em relação ao eixo 𝑦, dada por 𝑇 (𝑥, 𝑦) = (−𝑥, 𝑦).

Figura 5.1: Reflexão de um vetor em relação ao eixo 𝑦.

83
⎛ ⎞ ⎛ ⎞
𝑥 ⎟ ⎜ −𝑥 ⎟
Matricialmente temos: 𝑇 ⎜
⎝ ⎠ = ⎝ ⎠. Como conhecemos a imagem de 𝑇 na
𝑦 𝑦
(︂ )︂
base canônica, 𝑇 (1, 0) = (−1, 0) e 𝑇 (0, 1) = (0, 1), temos que 𝑇 = 𝑇 (𝑒1 ) 𝑇 (𝑒2 ) =
⎛ ⎞ ⎛ ⎞ ⎛ ⎞⎛ ⎞
−1 0 ⎟ 𝑥 ⎟ −1 0 ⎟ ⎜ 𝑥 ⎟
⎠. Logo: 𝑇 ⎝ =⎝ ⎠.
⎜ ⎜ ⎜
⎝ ⎠ ⎠⎝
0 1 𝑦 0 1 𝑦

Exemplo 5.3.2. Seja 𝑇𝜃 : R2 → R2 a transformação que realiza a rotação de 𝜃 graus de um


vetor 𝑣 no sentido antihorário, dada por 𝑇𝜃 (𝑥, 𝑦) = (𝑥′ , 𝑦 ′ ).

Figura 5.2: Rotação de 𝜃 graus no sentido antihorário de um vetor 𝑣 .

Observe que 𝑥 = 𝑟 cos 𝛼 e 𝑦 = 𝑟 sen 𝛼, onde 𝛼 é o ângulo que o vetor ⃗𝑣 faz com o eixo 𝑂𝑋

e 𝑟 = 𝑥2 + 𝑦 2 . Enquanto 𝑥′ = 𝑟 cos(𝛼 + 𝜃) = 𝑥 cos 𝜃 − 𝑦 sen 𝜃 e 𝑦 ′ = 𝑟 sen(𝛼 + 𝜃) = 𝑦 cos 𝜃 +
𝑥 sen 𝜃. Logo 𝑇 (𝑥, 𝑦) = (𝑥 cos 𝜃 − ⎛𝑦 sen⎞𝜃, 𝑦 cos

𝜃 + 𝑥 sen 𝜃). Como
⎞⎛
𝑇⎞(1, 0) = (cos 𝜃, sen 𝜃) e
⎜ 𝑥 ⎟ ⎜ cos 𝜃 − sen 𝜃 ⎟ ⎜ 𝑥 ⎟
𝑇 (0, 1) = (− sen 𝜃, cos 𝜃), temos 𝑇 ⎝ ⎠ = ⎝ ⎠⎝ ⎠.
𝑦 sen 𝜃 cos 𝜃 𝑦

Exemplo 5.3.3. Vamos identificar a matriz [𝑇 ] que representa a transformação linear 𝑇 :


R2 → R3 , tal que 𝑇 (1, 1) = (1, 2, 3) e 𝑇 (2, 3) = (−1, 0, 2). Sabemos que as colunas de [𝑇 ]
(︂ )︂
são dadas por 𝑇 (𝑒1 ) e 𝑇 (𝑒2 ), [𝑇 ] = 𝑇 (𝑒1 ) 𝑇 (𝑒2 ) , para 𝑒1 = (1, 0) e 𝑒2 = (0, 1). Como
(1, 0) = 3(1, 1) − 1(2, 3) e (0, 1) = −2(1, 1) + 1(2, 3), então

84
𝑇 (𝑒1 ) = 𝑇 (1, 0) = 𝑇 (3(1, 1) − 1(2, 3)) = 3𝑇 (1, 1) − 1𝑇 (2, 3) = 3(1, 2, 3) − 1(−1, 0, 2) =
(4, 6, 7)
𝑇 (𝑒2 ) = 𝑇 (0, 1) = 𝑇 (−2(1, 1) + 1(2, 3)) = −2𝑇 (1, 1) + 1𝑇 (2, 3) = −2(1, 2, 3) +
1(−1, 0, 2) = (−3,
⎛ −4, −4).

⎜ 4 −3 ⎟
⎜ ⎟
Logo, [𝑇 ] = 6 −4 ⎟ . Podemos apresentar a transformação 𝑇 sobre um vetor qualquer
⎜ ⎟

⎜ ⎟
7 −4
⎝ ⎠

𝑣 = (𝑥, 𝑦) ∈ R : 𝑇 (𝑥, 𝑦) = (4𝑥 − 3𝑦, 6𝑥 − 4𝑦, 7𝑥 − 4𝑦).


2

Exemplo 5.3.4. Considere o operador derivação 𝐷 : 𝑃2 → 𝑃1 dado por 𝐷(𝑎0 + 𝑎1 𝑡 + 𝑎2 𝑡2 ) =


𝑎1 + 2𝑎2 𝑡. Para representar matricialmente essa transformação, usaremos as bases canônicas
de 𝑃2 e 𝑃1 dadas, respectivamente, por 𝛽 = {1, 𝑡, 𝑡2 } e 𝛽 ′ = {1, 𝑡}, assim [𝑝1 ]𝛽 = (𝑎0 , 𝑎1 , 𝑎2 )
e [𝐷(𝑝1 )]𝛽 ′ = (𝑎1 , 2𝑎2 ). Podemos então equacionar a transformação da seguinte forma:
𝐷(1 + 0𝑡 + 0𝑡2 ) = 0 + 0𝑡, 𝐷(0 + 𝑡 + 0𝑡⎛2 ) = 1⎞+ 0𝑡 e 𝐷(0 + 0𝑡 + 𝑡2 ) = 0 + 2𝑡, logo:
⎛ ⎞ 𝑎0 ⎟ ⎛ ⎞
⎜ 0 1 0 ⎟⎜

⎜ 𝑎1 ⎟
⎜ ⎟
[𝐷(𝑎0 + 𝑎1 𝑡 + 𝑎2 𝑡2 )]𝛽 ′ = ⎝ ⎠ ⎜ 𝑎1 ⎟ =⎝ ⎠.

0 0 2 2𝑎2
⎜ ⎟
⎝ ⎠
𝑎2

5.4 Composição de Transformações Lineares


Considere duas transformações lineares dadas por 𝑇1 : 𝑊 → 𝑌 e 𝑇2 : 𝑉 → 𝑊 . Considere
também um vetor 𝑣 ∈ 𝑉 . Sobre 𝑣 podemos aplicar 𝑇2 e depois aplicar 𝑇1 sobre 𝑤 = 𝑇2 (𝑣),
obtendo assim 𝑦 = 𝑇1 (𝑇2 (𝑣)) = (𝑇1 ∘ 𝑇2 )(𝑣) ∈ 𝑌 . A transformação 𝑇1 ∘ 𝑇2 : 𝑉 → 𝑌 é
uma composição de transformações lineares. Observe que, para ser possível a composição,
devemos ter 𝐼𝑚(𝑇2 ) ⊆ 𝐷𝑜𝑚(𝑇1 ). Verificaremos a seguir que a composição de transformações
lineares é também uma transformação linear.

Teorema 5.4.1. Se 𝑇1 : 𝑊 → 𝑌 e 𝑇2 : 𝑉 → 𝑊 são transformações lineares, então a


composição 𝑇1 ∘ 𝑇2 : 𝑉 → 𝑌 é uma transformação linear.

Demonstração: Basta observar que, para 𝑣1 , 𝑣2 ∈ 𝑉 e 𝑎1 , 𝑎2 ∈ R, temos 𝑇1 ∘ 𝑇2 (𝑎1 𝑣1 + 𝑎2 𝑣2 ) =


𝑇1 (𝑎1 𝑇2 (𝑣1 ) + 𝑎2 𝑇2 (𝑣2 )) = 𝑎1 (𝑇1 (𝑇2 (𝑣1 ))) + 𝑎2 (𝑇1 (𝑇2 (𝑣2 ))).

85
É possível considerarmos a composição de várias transformações lineares, dada por 𝑇1 ∘
𝑇2 ∘ . . . ∘ 𝑇𝑖 ∘ 𝑇𝑖+1 ∘ . . . 𝑇𝑛 , respeitando a restrição de que, para cada 𝑖 = 1, . . . , 𝑛 − 1,
𝐼𝑚(𝑇𝑖 + 1) ⊆ 𝐷𝑜𝑚(𝑇𝑖 ). Nesse caso, também vale a propriedade de que a transformação
resultante da composição é também uma transformação linear. Além disso, temos que vale
a propriedade associativa dada por: (𝑇1 ∘ (𝑇2 ∘ 𝑇3 ))(𝑣) = 𝑇1 (𝑇2 (𝑇3 (𝑣))) = (𝑇1 ∘ 𝑇2 )(𝑇3 (𝑣)) =
((𝑇1 ∘ 𝑇2 ) ∘ 𝑇3 )(𝑣).
Seja 𝐼 : 𝑉 → 𝑉 a transformação linear identidade, tal que 𝐼(𝑣) = 𝑣, ∀𝑣 ∈ 𝑉 . Na
composição 𝑇 ∘ 𝐼, para 𝑇 : 𝑉 → 𝑊 , vale a propriedade (𝑇 ∘ 𝐼)(𝑣) = 𝑇 (𝐼(𝑣)) = 𝑇 (𝑣). Da
mesma forma, para 𝑆 : 𝑊 → 𝑉 , vale que (𝐼 ∘ 𝑆)(𝑣) = 𝐼(𝑆(𝑣)) = 𝑆(𝑣).

5.4.1 Exemplos

Exemplo 5.4.2. Seja 𝐷𝑛 o operador derivação 𝐷𝑛 : 𝑃𝑛 → 𝑃𝑛−1 dado por 𝐷𝑛 (𝑎0 + 𝑎1 𝑡 + . . . +


𝑎𝑛 𝑡𝑛 ) = 𝑎1 + 2𝑎2 𝑡 + . . . + 𝑛𝑎𝑛 𝑡𝑛−1 . Vamos
⎛⎛
obter 𝐷𝑛−1 ∘ 𝐷𝑛 (𝑣),
⎞⎛
para ⎞
𝑣 ⎞= 𝑎0 + 𝑎1 𝑡 + . . . + 𝑎𝑛 𝑡𝑛 .
⎜⎜ 0 1 0 ... 0 ⎟⎜ 𝑎0 ⎟⎟
⎜⎜ ⎟⎜ ⎟⎟
⎜⎜
0 0 2 ... 0 ⎟ ⎜
𝑎1 ⎟ ⎟
𝐷𝑛−1 ∘ 𝐷𝑛 (𝑣) = 𝐷𝑛−1 (𝐷𝑛 𝑣) = ⎟⎟ = 𝐷𝑛−1 (𝑎1 + 2𝑎2 𝑡 +
⎜⎜ ⎟⎜ ⎟⎟
𝐷𝑛−1 ⎜ ⎜
.. .. .. .. .. ⎟
⎟⎜
.. ⎟
. . . . . ⎟⎜ . ⎟⎟
⎜⎜ ⎜ ⎟
⎜⎜
⎜⎜ ⎟⎜ ⎟⎟
⎝⎝ ⎠⎝ ⎠⎠
0 0 0 ... 𝑛 𝑎𝑛
⎛ ⎞⎛ ⎞ ⎛ ⎞
⎜ 0 1 0 ... 0 ⎟ ⎜ 𝑎1 ⎟ ⎜ 2𝑎2 ⎟
⎜ ⎟⎜ ⎟ ⎜ ⎟
⎜ 0 0 2 ... 0 ⎟ ⎜ 2𝑎2 ⎟ 6𝑎3
⎜ ⎟⎜ ⎟ ⎜ ⎟
· · · + 𝑛𝑎𝑛 𝑡 ) = ⎜
𝑛−1 ⎟=⎜
⎜ ⎟
⎟.
⎜ . . .. .. .. ⎟⎜ . ⎟ ..
⎟⎜
⎜ .. .. . . . ⎟ ⎜ .. ⎟ .
⎜ ⎟
⎜ ⎟
⎜ ⎟⎜ ⎟ ⎜ ⎟
⎝ ⎠⎝ ⎠ ⎝ ⎠
0 0 0 ... 𝑛 − 1 𝑛𝑎𝑛 𝑛(𝑛 − 1)𝑎𝑛
Onde a primeira matriz é do tipo (𝑛 × 𝑛 + 1) e a segunda (𝑛 − 1 × 𝑛).

Exemplo ⎛ 5.4.3. ⎞ Vimos que a matriz associada a reflexões no ⎛


plano em ⎞relação ao eixo 𝑦
⎜ −1 0 ⎟ ⎜ 1 0 ⎟
é [𝑇 ] = ⎝ ⎠. Da mesma forma, é possível obter [𝑆] = ⎝ ⎠, como a matriz
0 1 0 −1
associada

a ⎞reflexões
⎛ ⎞
em relação ao⎛eixo 𝑥. Vamos
⎞⎛
obter

(𝑆

∘ 𝑇 )𝑣:

(𝑆 ∘ 𝑇 )𝑣 = 𝑆(𝑇 (𝑣)) =
−1 0 ⎟ ⎜ 𝑥 ⎟ ⎜ 1 0 ⎟ ⎜ −𝑥 ⎟ ⎜ −𝑥 ⎟
𝑆⎜
⎝ ⎠⎝ ⎠ = 𝑆(−𝑥, 𝑦) = ⎝ ⎠⎝ ⎠=⎝ ⎠.
0 1 𝑦 0 −1 𝑦 −𝑦

86
Figura 5.3: Composição de uma reflexão em relação a y seguida de um reflexão em relação a x.

Observe que neste exemplo temos 𝑆 ∘ 𝑇 = 𝑇 ∘ 𝑆, mas isso nem sempre acontece. Com
efeito, ⎛basta considerar a transformação
⎞ de rotação de 90∘ em sentido anti-horário, dada por
cos 90∘ − sen 90∘ ⎟
[𝑅] = ⎝ ⎠, e a reflexão 𝑆 em relação ao eixo 𝑥. Teremos 𝑅 ∘ 𝑆 ̸= 𝑆 ∘ 𝑅.

sen 90∘ cos 90∘
Exemplo 5.4.4. Ainda considerando 𝑉 = R2 , observe que se realizarmos
⎛ duas reflexões
⎞⎛ ⎞em
−1 0 ⎟ ⎜ 𝑥 ⎟
relação ao eixo 𝑦 retornamos ao vetor original: (𝑇 ∘𝑇 )𝑣 = 𝑇 (𝑇 (𝑣)) = 𝑇 ⎝ =

⎠⎝ ⎠
0 1 𝑦
⎛ ⎞⎛ ⎞ ⎛ ⎞
−1 0 ⎟ ⎜ −𝑥 ⎟ 𝑥 ⎟
=⎝ ⎠. Neste caso temos que 𝑇 ∘ 𝑇 = 𝐼.
⎜ ⎜
⎝ ⎠⎝ ⎠
0 1 𝑦 𝑦

5.5 Inversa de uma Transformação Linear


Definição 5.5.1. Sejam as transformações lineares 𝑇 ′ : 𝑊 → 𝑉 e 𝑇 : 𝑉 → 𝑊 . Dizemos
que 𝑇 ′ e 𝑇 são transformações inversas se 𝑇 ′ ∘ 𝑇 = 𝐼𝑉 e 𝑇 ∘ 𝑇 ′ = 𝐼𝑊 .

Os conjuntos 𝑉 e 𝑊 não precisam ser os mesmos, veremos mais adiante uma condição
para a inversibilidade de transformações lineares.

87
Se 𝑇 é uma transformação linear invertível, então sua inversa é única. Para mostrar
este fato, basta considerarmos duas inversas 𝑇 ∘ 𝑇 ′ = 𝑇 ∘ 𝑇 ′′ = 𝐼. Teremos então que
𝑇 ′ = 𝑇 ′ ∘ 𝐼 = 𝑇 ′ ∘ (𝑇 ∘ 𝑇 ′′ ) = (𝑇 ′ ∘ 𝑇 ) ∘ 𝑇 ′′ = 𝐼 ∘ 𝑇 ′′ = 𝑇 ′′ .

Observação 5.5.2. Se 𝑇 é uma transformação linear invertível, a matriz [𝑇 ] dessa trans-


formação em uma base qualquer é uma matriz invertível. E a matriz da sua transformação
inversa é a inversa de [𝑇 ], isto é: [𝑇 −1 ] = [𝑇 ]−1 .

5.5.1 Exemplos

Exemplo Vamos considerar uma rotação de 90º em sentido antihorário


⎛ 5.5.3. ⎞ ⎛ dada por

0 −1 0 1
𝑅𝜋/2 = ⎝ ⎠. Considere também a rotação de 270º dada por 𝑅3𝜋/2 = ⎝ ⎠.
⎜ ⎟ ⎜ ⎟
1 0 −1 0
[︁ ]︁ [︁ ]︁
Percebemos que 𝑅𝜋/2 ∘ 𝑅3𝜋/2 = 𝑅𝜋/2 𝑅3𝜋/2 = [𝐼2 ] = 𝑅3𝜋/2 ∘ 𝑅𝜋/2 . Logo 𝑅𝜋/2
−1
= 𝑅3𝜋/2 .

Exemplo 5.5.4. Nem toda transformação é invertível. Considere, por exemplo, a transfor-
mação 𝑃 : R2 → R2 , que realiza a projeção de um vetor no eixo 𝑥, tal

que 𝑃⎞(𝑥, 𝑦) = (𝑥, 0).
⎜ 1 0 ⎟
Matricialmente, essa transformação pode ser representada por [𝑃 ] = ⎝ ⎠. Observe que
0 0
a matriz [𝑃 ] não é invertível, portanto a transformação 𝑃 também não é.

5.6 Núcleo e Imagem de uma Transformação Linear

Seja 𝑇 : 𝑉 → 𝑊 uma transformação linear, podemos definir dois conjuntos com estrutura
de espaço vetorial, sendo um associado ao domínio e outro associado ao contradomínio de
𝑇.

Definição 5.6.1. O núcleo da transformação linear 𝑇 : 𝑉 → 𝑊 , denotado por 𝐾𝑒𝑟(𝑇 ), é


o conjunto de todos os vetores de 𝑉 que são levados por 𝑇 no vetor nulo 0 de 𝑊 , isto é:

𝐾𝑒𝑟(𝑇 ) = {𝑣 ∈ 𝑉 ; 𝑇 (𝑣) = 0}.

88
Definição 5.6.2. A imagem da transformação linear 𝑇 : 𝑉 → 𝑊 , denotado 𝐼𝑚(𝑇 ) ou
𝑇 (𝑉 ), é o conjunto dos vetores 𝑤 ∈ 𝑊 tais que existe 𝑣 ∈ 𝑉 que satisfaz 𝑤 = 𝑇 (𝑣), ou seja:

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

Podemos mostrar que 𝐾𝑒𝑟(𝑇 ) é um subespaço de 𝑉 , enquanto 𝐼𝑚(𝑇 ) é um subespaço


de 𝑊 .
Com efeito, basta observarmos que, se 𝑣1 e 𝑣2 pertencem a 𝐾𝑒𝑟(𝑇 ) e 𝑎1 , 𝑎2 ∈ R, temos
𝑇 (𝑣1 ) = 0, 𝑇 (𝑣2 ) = 0 e 𝑇 (𝑎1 𝑣1 + 𝑎2 𝑣2 ) = 𝑎1 𝑇 (𝑣1 ) + 𝑎2 𝑇 (𝑣2 ) = 0. Como obtivemos 𝑎1 𝑣1 +
𝑎2 𝑣2 ∈ 𝐾𝑒𝑟(𝑇 ), concluímos que 𝐾𝑒𝑟(𝑇 ) é subespaço vetorial de 𝑉 .
Da mesma forma, se 𝑤1 e 𝑤2 pertencem a 𝐼𝑚(𝑇 ) e 𝑎1 , 𝑎2 ∈ R, existem 𝑣1 , 𝑣2 ∈ 𝑉 tais que
𝑇 (𝑣1 ) = 𝑤1 , 𝑇 (𝑣2 ) = 𝑤2 e 𝑎1 𝑤1 + 𝑎2 𝑤2 = 𝑎1 𝑇 (𝑣1 ) + 𝑎2 𝑇 (𝑣2 ) = 𝑇 (𝑎1 𝑣1 + 𝑎2 𝑣2 ) ∈ 𝑇 (𝑉 ).
Concluímos portanto que 𝐼𝑚(𝑇 ) é subespaço vetorial de 𝑊 .

5.6.1 Exemplos
⎛ ⎞ ⎛ ⎞
𝑎 𝑏 ⎟ ⎜ 0 𝑏 ⎟
Exemplo 5.6.3. Considerando a transformação 𝑇 ⎜
⎝ ⎠ = ⎝ ⎠. O núcleo de 𝑇
𝑐 𝑑 𝑐 0
⎛ ⎞ ⎛ ⎞
0 𝑏 ⎟ ⎜ 0 0 ⎟
é dado pelo conjunto de todos os vetores do domínio tais que ⎜
⎝ ⎠=⎝ ⎠. Logo
𝑐 0 0 0
⎧⎛ ⎞ ⎫

⎨ 𝑎 0 ⎟ ⎪

𝐾𝑒𝑟(𝑇 ) = ⎝ ⎠ ; 𝑎, 𝑑 ∈ R . Podemos verificar que qualquer elemento de 𝐾𝑒𝑟(𝑇 ) é

0 𝑑

⎩ ⎪

⎛ ⎞ ⎛ ⎞ ⎛ ⎞ ⎛ ⎞
1 0 ⎟ 0 0 ⎟ ⎜ 1 0 ⎟ ⎜ 0 0 ⎟
dado por 𝑎 ⎝ ⎠ +𝑑 ⎝ ⎠, logo 𝐾𝑒𝑟(𝑇 ) é gerado pelos vetores ⎝ ⎠e⎝ ⎠.
⎜ ⎜
0 0 0 1 0 0 0 1
⎧⎛ ⎞ ⎫

⎨ 0 𝑏 ⎟ ⎪

O conjunto 𝐼𝑚(𝑇 ) é dado por 𝐼𝑚(𝑇 ) = ⎜
⎝ ⎠ ; 𝑏, 𝑐 ∈ R . Cada elemento de 𝐼𝑚(𝑇 )
𝑐 0

⎩ ⎪

⎛ ⎞ ⎛ ⎞
0 1 ⎟ 0 0 ⎟
é obtido por 𝑏 ⎝ ⎠ + 𝑐⎝ ⎠.
⎜ ⎜
0 0 1 0

Exemplo 5.6.4. Seja 𝑇 : R2 → R dada por 𝑇 (𝑥, 𝑦) = 2𝑥 − 𝑦. Temos que 𝐾𝑒𝑟(𝑇 ) =


{(𝑥, 𝑦); 2𝑥 − 𝑦 = 0}. Logo, o núcleo de 𝑇 é a reta 𝑦 = 2𝑥. A imagem de 𝑇 é 𝐼𝑚(𝑇 ) = R.

89
5.7 Conceitos e Teoremas
Da mesma forma que fazemos no estudo de funções, podemos definir a injetividade e a
sobrejetividade nas transformações lineares.

Definição 5.7.1. Seja 𝑇 : 𝑉 → 𝑊 uma transformação linear.

• 𝑇 será injetora se, dados 𝑣1 , 𝑣2 ∈ 𝑉 , 𝑣1 ̸= 𝑣2 implica 𝑇 (𝑣1 ) ̸= 𝑇 (𝑣2 );

• 𝑇 será sobrejetora se a imagem de 𝑇 coincide com o contradomínio, 𝐼𝑚(𝑇 ) = 𝑇 (𝑉 ) =


𝐶𝐷(𝑇 ) = 𝑊 ;

Teorema 5.7.2. Uma transformação linear 𝑇 : 𝑉 → 𝑊 será injetora se, e somente se,
𝐾𝑒𝑟(𝑇 ) = {0}.

Demonstração: Se 𝑇 é injetora então, para todo 𝑣 ̸= 0 ∈ 𝑉 , temos 𝑇 (𝑣) ̸= 𝑇 (0). Como


𝑇 (0) = 𝑇 (0𝑣) = 0𝑇 (𝑣) = 0 conclui-se que 𝑇 (𝑣) ̸= 0. Como nenhum outro vetor tem como
imagem o vetor nulo, 𝐾𝑒𝑟(𝑇 ) = {0}.
Por outro lado, se 𝐾𝑒𝑟(𝑇 ) = {0}, para quaisquer vetores distintos 𝑣1 e 𝑣2 em 𝑉 , vale que
𝑣1 − 𝑣2 ̸= 0 e 𝑇 (𝑣1 − 𝑣2 ) ̸= 0, portanto 𝑇 (𝑣1 ) ̸= 𝑇 (𝑣2 ). Como 𝑣1 ̸= 𝑣2 implica 𝑇 (𝑣1 ) ̸= 𝑇 (𝑣2 ),
𝑇 é injetora.

Corolário 5.7.3. Uma transformação 𝑇 : 𝑉 → 𝑊 injetora leva vetores LI em vetores LI.

Demonstração: Considere a base 𝛽 = {𝑣1 , 𝑣2 , . . . , 𝑣𝑛 } de 𝑉 . Qualquer vetor 𝑣 ∈ 𝑉 pode


ser escrito como 𝑣 = 𝑎1 𝑣1 + . . . + 𝑎𝑛 𝑣𝑛 . Temos então 𝑇 (𝑣) = 𝑇 (𝑎1 𝑣1 + . . . + 𝑎𝑛 𝑣𝑛 ) =
𝑎1 𝑇 (𝑣1 ) + . . . + 𝑎𝑛 𝑇 (𝑣𝑛 ). Vamos supor que {𝑇 (𝑣1 ), . . . , 𝑇 (𝑣𝑛 )} são LD. Neste caso, 𝑇 (𝑣𝑖 ) =
𝑏1 𝑇 (𝑣1 ) + . . . + 𝑏𝑛 𝑇 (𝑣𝑛 ), para algum 𝑖 de 1 a 𝑛. A partir daí temos, pela injetividade, que
𝑣𝑖 = 𝑏1 𝑣1 + . . . + 𝑏𝑛 𝑣𝑛 , o que é uma contradição, já que o conjunto {𝑣1 , 𝑣2 , . . . , 𝑣𝑛 } é de vetores
LI.

Teorema 5.7.4. Em uma transformação linear 𝑇 : 𝑉 → 𝑊 vale que

dim 𝐾𝑒𝑟(𝑇 ) + dim 𝐼𝑚(𝑇 ) = dim 𝑉.

90
Demonstração: Considere que dim 𝐾𝑒𝑟(𝑇 ) = 𝑛1 , dim 𝐼𝑚(𝑇 ) = 𝑛2 e dim 𝑉 = 𝑛. Vamos
provar que 𝑛 = 𝑛1 + 𝑛2 .

Podemos afirmar que existem 𝑛1 vetores LI que geram 𝐾𝑒𝑟(𝑇 ), dados por
{𝑣1′ , 𝑣2′ , . . . , 𝑣𝑛′ 1 }. Da mesma forma existem 𝑛2 vetores não nulos LI que geram 𝐼𝑚(𝑇 ), dados
por {𝑤1 = 𝑇 (𝑣1′′ ), 𝑤2 = 𝑇 (𝑣2′′ ), . . . , 𝑤𝑛2 = 𝑇 (𝑣𝑛′′2 )}. O fato de {𝑇 (𝑣1′′ ), 𝑇 (𝑣2′′ ), . . . , 𝑇 (𝑣𝑛′′2 )} se-
rem vetores não nulos LI implica em {𝑣1′′ , 𝑣2′′ , . . . , 𝑣𝑛′′2 } serem LI e implica em não pertencerem
a 𝐾𝑒𝑟(𝑇 ). Temos, portanto, 𝑛1 + 𝑛2 vetores LI em V, assim 𝑛1 + 𝑛2 ≤ 𝑛.

Precisamos garantir que a quantidade máxima de vetores LI em 𝑉 é 𝑛1 + 𝑛2 , para provar


que 𝑛1 + 𝑛2 = 𝑛 = dim 𝑉 . Observe que, se supusermos que existem vetores 𝑢1 , . . . , 𝑢𝑘 ∈ 𝑉 ,
LI em relação aos vetores 𝑣1′ , . . . , 𝑣𝑛′ 1 , 𝑣1′′ , . . . , 𝑣𝑛′′2 , chegaremos a uma contradição.

Seja 𝑣1′ , . . . , 𝑣𝑛′ 1 , 𝑣1′′ , . . . , 𝑣𝑛′′2 , 𝑢1 , . . . , 𝑢𝑘 o maior conjunto de vetores LI em 𝑉 , temos que
qualquer vetor 𝑣 ∈ 𝑉 pode ser escrito como 𝑣 = 𝑎1 𝑣1′ + . . . + 𝑎𝑛1 𝑣𝑛′ 1 + 𝑏1 𝑣1′′ + . . . + 𝑏𝑛2 𝑣𝑛′′2 +
𝑐1 𝑢1 + . . . + 𝑐𝑘 𝑢𝑘 . Assim:

𝑇 (𝑣) = 𝑇 (𝑎1 𝑣1′ + . . . + 𝑎𝑛1 𝑣𝑛′ 1 + 𝑏1 𝑣1′′ + . . . + 𝑏𝑛2 𝑣𝑛′′2 + 𝑐1 𝑢1 + . . . + 𝑐𝑘 𝑢𝑘 ) = 𝑎1 𝑇 (𝑣1′ ) +


. . . + 𝑎𝑛1 𝑇 (𝑣𝑛′ 1 ) + 𝑏1 𝑇 (𝑣1′′ ) + . . . + 𝑏𝑛2 𝑇 (𝑣𝑛′′2 ) + 𝑐1 𝑇 (𝑢1 ) + . . . + 𝑐𝑘 𝑇 (𝑢𝑘 ) = 0 + 𝑏1 𝑇 (𝑣1′′ ) + . . . +
𝑏𝑛2 𝑇 (𝑣𝑛′′2 ) + 𝑐1 𝑇 (𝑢1 ) + . . . + 𝑐𝑘 𝑇 (𝑢𝑘 ) ∈ 𝐼𝑚(𝑇 ).

Como qualquer vetor da imagem pode ser escrito na base 𝛽 = {𝑇 (𝑣1′′ ), 𝑇 (𝑣2′′ ), . . . , 𝑇 (𝑣𝑛′′2 )},
cada um dos vetores 𝑇 (𝑢𝑖 ), 𝑖 = 1, . . . , 𝑘 é combinação linear dos vetores da base 𝛽, ou seja:

𝑇 (𝑢𝑖 ) = 𝛼𝑖1 𝑇 (𝑣1′′ ) + . . . + 𝛼𝑖𝑛2 𝑇 (𝑣𝑛′′2 )

𝑇 (𝑢𝑖 ) = 𝑇 (𝛼𝑖1 𝑣1′′ + . . . + 𝛼𝑖𝑛2 𝑣𝑛′′2 )

𝑇 (𝑢𝑖 ) − 𝑇 (𝛼𝑖1 𝑣1′′ + . . . + 𝛼𝑖𝑛2 𝑣𝑛′′2 ) = 0

𝑇 (𝑢𝑖 − (𝛼𝑖1 𝑣1′′ + . . . + 𝛼𝑖𝑛2 𝑣𝑛′′2 )) = 0

Dessa forma o vetor 𝑢𝑖 − (𝛼𝑖1 𝑣1′′ + . . . + 𝛼𝑖𝑛2 𝑣𝑛′′2 ) ∈ 𝐾𝑒𝑟(𝑇 ) e pode ser escrito como

𝑢𝑖 − (𝛼𝑖1 𝑣1′′ + . . . + 𝛼𝑖𝑛2 𝑣𝑛′′2 ) = 𝜅𝑖1 𝑣1′ + . . . + 𝜅𝑖𝑛1 𝑣𝑛′ 1

91
O que implica em que cada 𝑢𝑖 é LD dos vetores 𝑣1′ , . . . , 𝑣𝑛′ 1 , 𝑣1′′ , . . . , 𝑣𝑛′′2 :

𝑢𝑖 = (𝛼𝑖1 𝑣1′′ + . . . + 𝛼𝑖𝑛2 𝑣𝑛′′2 ) + 𝜅𝑖1 𝑣1′ + . . . + 𝜅𝑖𝑛1 𝑣𝑛′ 1

Portanto, o maior conjunto LI em 𝑉 tem 𝑛1 + 𝑛2 elementos, logo 𝑛 = 𝑛1 + 𝑛2 .

Corolário 5.7.5. Se dim 𝑉 = dim 𝑊 , 𝑇 é injetora se, e somente se, é sobrejetora.

Demonstração: Isso porque se 𝑇 é injetora então dim 𝐾𝑒𝑟(𝑇 ) = 0 e dim 𝐼𝑚(𝑇 ) = dim 𝑉 =
dim 𝑊 , o que prova a sobrejetividade. Se 𝑇 é sobrejetora temos então dim 𝐼𝑚(𝑇 ) = dim 𝑊 =
dim 𝑉 , logo dim 𝐾𝑒𝑟(𝑇 ) = 0, o que prova a injetividade.

Definição 5.7.6. Quando uma transformação linear 𝑇 : 𝑉 → 𝑊 for injetora e sobrejetora


ao mesmo tempo, a denominamos isomorfismo. Para 𝑇 isomorfismo, denominamos 𝑉 e 𝑊
espaços vetoriais isomorfos.

Observação 5.7.7. Um isomorfismo 𝑇 : 𝑉 → 𝑊 tem uma aplicação inversa 𝑇 −1 : 𝑊 → 𝑉


que também é linear.

Uma transformação linear 𝑇 : 𝑉 → 𝑉 é chamada de operador linear de 𝑉 . Se, além


disso, o operador 𝑇 for um isomorfismo, ele será chamado de automorfismo de 𝑉 .

Exemplo 5.7.8. Considere a transformação linear 𝑇 : R3 → R3 , dada por 𝑇 (𝑥, 𝑦, 𝑧) =


(𝑥 − 𝑦 + 𝑧, 𝑥, 𝑦). Vamos verificar qual é o conjunto 𝐾𝑒𝑟(𝑇 ), ou seja, para quais vetores
(𝑥, 𝑦,
⎧ 𝑧) vale (𝑥 − 𝑦 + 𝑧, 𝑥, 𝑦) = 0. Devemos ter simultaneamente
+𝑧 =0

𝑥−𝑦







⎪ 𝑥=0



⎩𝑦 = 0


A única solução é (𝑥, 𝑦, 𝑧) = 0. Logo 𝐾𝑒𝑟(𝑇 ) = {0}. O que prova a injetividade. Como
dim 𝑉 = dim 𝑊 na injetividade implica sobrejetividade, verificamos que 𝑇 é isomorfismo,
neste caso, automorfismo.
Vamos calcular 𝑇 −1 . Observe que 𝑇 (1, 0, 0) = (1, 1, 0), 𝑇 (0, 1, 0) = (1, 0, 1) e 𝑇 (0, 0, 1) =
(1, 0, 0), dessa forma 𝑇 −1 (1, 1, 0) = (1, 0, 0), 𝑇 −1 (1, 0, 1) = (0, 1, 0) e 𝑇 −1 (1, 0, 0) = (0, 0, 1).
Para obtermos 𝑇 −1 (𝑥, 𝑦, 𝑧), escrevemos (𝑥, 𝑦, 𝑧) em relação à base {(1, 1, 0), (1, 0, 1), (1, 0, 0)}:

92
⎧ (𝑥, 𝑦, 𝑧) = 𝑎(1, 1, 0) + 𝑏(1, 0, 1) + 𝑐(1, 0, 0)
𝑥=𝑎+𝑏+𝑐








𝑦 =𝑎 logo 𝑐 = 𝑥 − 𝑦 − 𝑧.




= 𝑏,

⎩𝑧

Assim, (𝑥, 𝑦, 𝑧) = 𝑦(1, 1, 0) + 𝑧(1, 0, 1) + (𝑥 − 𝑦 − 𝑧)(1, 0, 0) e podemos fazer:


𝑇 −1 (𝑥, 𝑦, 𝑧) = 𝑇 −1 (𝑦(1, 1, 0) + 𝑧(1, 0, 1) + (𝑥 − 𝑦 − 𝑧)(1, 0, 0)) = 𝑦 𝑇 −1 (1, 1, 0) +
𝑧 𝑇 −1 (1, 0, 1) + (𝑥 − 𝑦 − 𝑧) 𝑇 −1 (1, 0, 0) = 𝑦(1, 0, 0) + 𝑧(0, 1, 0) + (𝑥 − 𝑦 − 𝑧)(0, 0, 1) =
(𝑦, 𝑧, 𝑥 − 𝑦 − 𝑧).
Uma outra maneira de obter 𝑇 −1 é construir a matriz
⎛ da transformação
⎞ 𝑇 e calcular

(︂ )︂ ⎜ 1 1 1 ⎟
⎜ ⎟
sua inversa. Sendo [𝑇 ] = 𝑇 (𝑒1 ) 𝑇 (𝑒2 ) 𝑇 (𝑒3 ) = 1 0 0 ⎟, sua inversa é dada por
⎜ ⎟

⎜ ⎟
0 1 0
⎝ ⎠
⎛ ⎞
⎜ 0 1 0 ⎟
⎜ ⎟
[𝑇 −1 ] = ⎜
⎜ 0 0 1 ⎟

.
⎜ ⎟
1 −1 −1
⎝ ⎠

5.8 Matrizes e Transformações Lineares

Vimos que a cada transformação linear 𝑇 : 𝑉 → 𝑊 , dada por 𝑇 (𝑣) = 𝑤, podemos


relacionar uma equação matricial. Já obtivemos a matriz [𝑇 ] a partir da base canônica de
𝑉 , entretanto é possível construir [𝑇 ] em qualquer base de 𝑉 .
Sejam 𝛼 e 𝛽 as respectivas bases de 𝑉 e 𝑊 , para [𝑣]𝛼 = (𝑥1 , 𝑥2 , . . . , 𝑥𝑛 ) e [𝑤]𝛽 =
(𝑦1 , 𝑦2 , . . . , 𝑦𝑚 ), temos

⎛ ⎞⎛ ⎞ ⎛ ⎞
⎜ 𝑎11 . . . 𝑎1𝑛 ⎟ ⎜ 𝑥1 ⎟ ⎜ 𝑦1 ⎟

.. .. .. ⎟⎜ ⎟ ⎜ ⎟
[𝑇 ]𝛼𝛽 · [𝑣]𝛼 = . . . ... ⎟ = ⎜ . . . ⎟ = [𝑇 𝑣]𝛽 = [𝑤]𝛽 .
⎜ ⎟⎜ ⎟ ⎜ ⎟
⎜ ⎟⎜
⎜ ⎟⎜ ⎟ ⎜ ⎟
⎝ ⎠⎝ ⎠ ⎝ ⎠
𝑎𝑚1 . . . 𝑎𝑚𝑛 𝑥𝑛 𝑦𝑚

A matriz [𝑇 ]𝛼𝛽 , associada a transformação linear 𝑇 : 𝑉 → 𝑊 , para 𝛼 = {𝑣1 , 𝑣2 , . . . , 𝑣𝑛 }


base de 𝑉 e 𝛽 = {𝑤1 , 𝑤2 , . . . , 𝑤𝑚 } base de 𝑊 , pode ser descrita completamente por [𝑇 ]𝛼𝛽 =

93
(︂ )︂
𝑇 (𝑣1 ) 𝑇 (𝑣2 ) . . . 𝑇 (𝑣𝑛 ) , onde cada coluna é dada pelas coordenadas na base 𝛽 de
cada imagem dos vetores da base 𝛼:

𝑇 (𝑣1 ) = 𝑎11 𝑤1 + . . . + 𝑎𝑚1 𝑤𝑚


.. .. .. ..
. . . . .
𝑇 (𝑣𝑛 ) = 𝑎1𝑛 𝑤1 + . . . + 𝑎𝑚𝑛 𝑤𝑚

⎛ ⎞
⎜ 𝑎11 . . . 𝑎1𝑛 ⎟

.. ... .. ⎟
Obtemos então: [𝑇 ]𝛼𝛽 = . . ⎟.
⎜ ⎟

⎜ ⎟
⎝ ⎠
𝑎𝑚1 . . . 𝑎𝑚𝑛
Algumas observações a respeito da matriz [𝑇 ]𝛼𝛽 :

• Seja 𝑇 : 𝑉 → 𝑊 uma transformação linear e sejam 𝛼 e 𝛽 respectivas bases de 𝑉 e 𝑊


podemos afirmar que
dim 𝐼𝑚(𝑇 ) = posto de [𝑇 ]𝛼𝛽

dim 𝐾𝑒𝑟(𝑇 ) = nulidade de [𝑇 ]𝛼𝛽 = número de colunas de [𝑇 ]𝛼𝛽 − posto de [𝑇 ]𝛼𝛽 .

• Se [𝑇 ]𝛼𝛽 é uma transformação linear inversível (isomorfismo), então [𝑇 −1 ]𝛽𝛼 = ([𝑇 ]𝛼𝛽 )−1 .

• 𝑇 é uma transformação linear inversível se, e somente se, det[𝑇 ]𝛼𝛽 ̸= 0.

• Sejam 𝛼 e 𝛽 bases de 𝑉 . Seja [𝐼]𝛼𝛽 a matriz mudança de base de 𝛼 para 𝛽, ou seja,


dado 𝑣 ∈ 𝑉 , 𝑣 = 𝑥1 𝑣1 + · · · + 𝑥𝑛 𝑣𝑛 , então:

[𝑣]𝛽 = [𝐼]𝛼𝛽 [𝑣]𝛼 (1)

A matriz [𝐼]𝛼𝛽 é invertível, pois ela pode ser associada a um operador linear invertível,
(︁ )︁−1 (︁ )︁−1
logo existe [𝐼]𝛼𝛽 . Aplicando [𝐼]𝛼𝛽 a (1), obtemos:

(︁ )︁−1 (︁ )︁−1 (︁ )︁−1


[𝐼]𝛼𝛽 [𝑣]𝛽 = [𝐼]𝛼𝛽 [𝐼]𝛼𝛽 [𝑣]𝛼 ⇒ [𝑣]𝛼 = [𝐼]𝛼𝛽 [𝑣]𝛽 .

94
(︁ )︁−1 (︁ )︁−1
Isto mostra que [𝐼]𝛼𝛽 = [𝐼]𝛽𝛼 , ou seja, [𝐼]𝛼𝛽 é a matriz mudança de base de 𝛽
para 𝛼.

• Sejam 𝑇 : 𝑉 −→ 𝑊 uma transformação linear, 𝛼 e 𝛽 bases de 𝑉 e 𝛾 e 𝛿 bases de 𝑊 .


Então:
[𝑇 ]𝛼𝛿 = [𝐼]𝛾𝛿 [𝑇 ]𝛽𝛾 [𝐼]𝛼𝛽

Teorema 5.8.1. Se 𝑇1 : 𝑉 → 𝑊 e 𝑇2 : 𝑊 → 𝑈 transformações lineares e 𝛼, 𝛽, 𝛾 bases de


𝑉 , 𝑊 e 𝑈 respetivamente. Então:

[𝑇2 ∘ 𝑇1 ]𝛼𝛾 = [𝑇2 ]𝛽𝛾 · [𝑇1 ]𝛼𝛽

Definição 5.8.2. Sejam 𝑉 um espaço vetorial de dimensão finita e 𝑇 : 𝑉 −→ 𝑉 um operador


linear. Definimos o Determinante da Matriz de 𝑇 como o determinante da matriz de 𝑇
associada a uma base dada de 𝑉 .

Observação 5.8.3. Sejam 𝛼 e 𝛽 bases de 𝑉 então o determinante de 𝑇 está bem definido


pois:

det([𝑇 ]𝛼𝛼 ) = det([𝐼]𝛽𝛼 [𝑇 ]𝛽𝛽 [𝐼]𝛼𝛽 ) = det([𝐼]𝛽𝛼 ) · det([𝑇 ]𝛽𝛽 ) · det([𝐼]𝛼𝛽 ) = det([𝑇 ]𝛽𝛽 )

5.9 Exercícios

Respostas no Capítulo 6, na página 104.

Exercício 5.9.1. ⎛Seja 𝑇 :⎞R2 → R3 a transformação cuja matriz em relação as bases


⎜ 1 −1 ⎟
⎜ ⎟
canônicas é [𝑇 ] = ⎜
⎜ 2 0 ⎟.

Encontre a imagem de 𝑣 = (5, −1).
⎜ ⎟
3 1
⎝ ⎠

95
Exercício 5.9.2. Seja 𝑇 : R4 → R3 . Encontre todos os valores de 𝑣 ∈ R4 que são
levados
⎛ no vetor nulo pela
⎞ transformação cuja matriz em relação as bases canônicas é
⎜ −1 2 1 3 ⎟
⎜ ⎟
[𝑇 ] = ⎜
⎜ −1 1 −1 2 ⎟

.
⎜ ⎟
1 1 3
⎝ ⎠
−1

Exercício 5.9.3. Seja 𝑇 : R2 → R a transformação linear para a qual 𝑇 (1, 1) = −1 e


𝑇 (2, 1) = 3. Encontre 𝑇 (𝑣).

Exercício 5.9.4. Considere uma transformação linear 𝑇 : 𝑃2 → 𝑃2 , em que 𝑇 (1) = 𝑡2 +


1, 𝑇 (𝑡) = 1 − 𝑡 e 𝑇 (𝑡2 ) = 1 + 𝑡 − 𝑡2 .

a. Determine 𝑇 (𝑎 + 𝑏𝑡 + 𝑐𝑡2 ), onde 𝑎 + 𝑏𝑡 + 𝑐𝑡2 é um vetor genérico de 𝑃2 .

b. Determine 𝑝 ∈ 𝑃2 , tal que 𝑇 (𝑝) = 6 + 𝑡 − 2𝑡2 .

Exercício 5.9.5. Determine a dimensão e uma base do núcleo, a dimensão e uma base da
imagem da transformação linear 𝑇 : R3 → R2 dada por 𝑇 (𝑥, 𝑦, 𝑧) = (𝑦 − 𝑧, 2𝑥 − 𝑦 − 𝑧).

Exercício 5.9.6. Qual é o conjunto 𝐾𝑒𝑟(𝑇 ) associado a transformação linear 𝑇 : 𝑃3 → 𝑃2


dada por 𝑇 (𝑎3 𝑡3 + 𝑎2 𝑡2 + 𝑎1 𝑡 + 𝑎0 ) = 3𝑎3 𝑡2 + 2𝑎2 𝑡 + 𝑎1 ?

Exercício 5.9.7. Sejam 𝛼 = {(1, ⎛


−1), (0, 2)}
⎞ e 𝛽 = {(1, 0, −1), (0, 1, 2), (1, 2, 0)} bases do
⎜ 1 0 ⎟
⎜ ⎟
R2 e R3 , respectivamente e [𝑇 ]𝛼𝛽 = ⎜
⎜ 1 1 ⎟

.
⎜ ⎟
0 −1
⎝ ⎠

a. Ache 𝑇 (𝑥, 𝑦).

b. Se 𝑆(𝑥, 𝑦) = (2𝑦, 𝑥 − 𝑦, 𝑥), ache [𝑆]𝛼𝛽 .

Exercício 5.9.8. Mostre que operador linear do R3 dado por 𝑇 (𝑥, 𝑦, 𝑧) = (𝑥+2𝑧, 𝑦−𝑧, 𝑥+𝑧)
é um automorfismo de R3 e calcule 𝑇 −1 .

96
Exercício 5.9.9. Sejam 𝑀(𝑚×𝑛) uma matriz e 𝑇𝑀 a transformação linear definida

por

⎜ 0 1 ⎟
⎜ ⎟
𝑇𝑀 (𝑣) = 𝑀 𝑣 𝑡 , onde 𝑣 = (𝑥1 , . . . , 𝑥𝑛 ). ⎜ 0 2 ⎟ e
Considerando as matrizes 𝐴 = ⎜ ⎟
⎜ ⎟
0 1
⎝ ⎠
⎛ ⎞
⎜ 0 0 0 ⎟
⎜ ⎟
𝐵= 1 2 1 ⎟, responda aos seguintes itens:
⎜ ⎟

⎜ ⎟
−1 0 0
⎝ ⎠

a. Encontre 𝐾𝑒𝑟(𝑇𝐴 ), 𝐼𝑚(𝑇𝐴 ), 𝐾𝑒𝑟(𝑇𝐵 ), 𝐼𝑚(𝑇𝐵 ), 𝐾𝑒𝑟(𝑇𝐵 ∘ 𝑇𝐴 ) e 𝐼𝑚(𝑇𝐵 ∘ 𝑇𝐴 ).

b. Determine bases para os seis subespaços da letra anterior.

Exercício 5.9.10. Seja 𝑇 : R2 → R2 uma reflexão em torno da reta 𝑦 = 3𝑥.


⎛ ⎞
1 0 ⎟
a. Encontre a base 𝛼 de R2 , tal que [𝑇 ]𝛼𝛼 = ⎝


0 −1

b. Encontre 𝑇 (𝑥, 𝑦), utilizando a letra anterior.

Exercício 5.9.11. Considerando o isomorfismo 𝑇 : 𝑉 → 𝑊 , prove que também é linear a


sua inversa 𝑇 −1 : 𝑊 → 𝑉 .

97
Capítulo 6

Respostas dos Exercícios

Respostas dos exercícios da Seção 1.2


⎛ ⎞
⎜ 0 −1 −2 ⎟
⎜ ⎟
Exercício 1.2.1 𝐴 = 1 0 −1 ⎟
⎜ ⎟

⎜ ⎟
2 1 0
⎝ ⎠

⎛ ⎞ ⎛ ⎞
⎜ 1 0 0 ⎟ ⎜ 0 0 2 ⎟
⎜ ⎟ ⎜ ⎟
Exercício 1.2.2 a) 𝐴 = 0 1 0 b) 𝐵 = 0 2 0
⎜ ⎟ ⎜ ⎟
⎜ ⎟ ⎜ ⎟
⎜ ⎟ ⎜ ⎟
0 0 1 2 0 0
⎝ ⎠ ⎝ ⎠

⎛ ⎞ ⎛ ⎞ ⎛ ⎞ ⎛ ⎞
⎜ 1 8 ⎟ ⎜ 6 9 ⎟ ⎜ 12 17 ⎟ ⎜ 3 8 ⎟
Exercício 1.2.3 a) ⎝ ⎠ b) ⎝ ⎠ c) ⎝ ⎠ d) ⎝ ⎠
−1 6 3 6 12 5 13 10
⎛ ⎞
⎜ −62 14 ⎟
e) ⎝ ⎠
96 −32
⎛ ⎞ ⎛ ⎞
2 2 ⎟ −1 −1 ⎟
Exercício 1.2.4 a) ⎜
⎝ ⎠ b) ⎜
⎝ ⎠
2 4 1 −2
⎛ ⎞ ⎛ ⎞ ⎛ ⎞
4 8 ⎟ 7 4 ⎟ ⎜ 26 −22 ⎟
Exercício 1.2.5 a) ⎜
⎝ ⎠ b) ⎜
⎝ ⎠ c) ⎝ ⎠
7 11 12 7 3 23

98
⎛ ⎞
3 8 ⎟
Exercício 1.2.6 𝑋 = ⎜
⎝ ⎠
−3 5 ⎛ ⎞ ⎛ ⎞

⎛ ⎞ ⎜ 0 2 2 2 ⎟ ⎜ 3 0 ⎟
⎜ ⎟ ⎜ ⎟
4 −3 −5 ⎟ ⎜ 2 0 4 4 ⎟
⎜ ⎟
⎜ 0 3 ⎟
⎜ ⎟
Exercício 1.2.7 a) ⎜
⎝ ⎠ b) ⎜ ⎟ c) ⎜ ⎟
0 8 −4 2 4 0 6 0 0
⎜ ⎟ ⎜ ⎟
⎜ ⎟ ⎜ ⎟
⎜ ⎟ ⎜ ⎟
⎝ ⎠ ⎝ ⎠
2 4 6 0 0 0

Exercício 1.2.8 𝑥 = 0 ou 𝑥 = 21
⎛ ⎞
⎜ −1 −1 2 ⎟
⎜ ⎟
Exercício 1.2.9 𝐴−1 = 2 1 −2 ⎟
⎜ ⎟

⎜ ⎟
1 1
⎝ ⎠
−1

Exercício 1.2.10 𝑚 = 5, 𝑛 = 2, 𝑞 = −1 e 𝑝 = 2

Respostas dos exercícios da Seção 1.4


Exercício 1.4.1 𝑥 = 2 ou 𝑥 = 3

Exercício 1.4.2 63

Exercício 1.4.3 𝑥 = −36

Exercício 1.4.4 det 𝐴 = det 𝐴𝑡 = 0

Exercício 1.4.5 a) 22 Kg b) 11 anos

Exercício 1.4.6 1

Exercício 1.4.7 8𝑎

Exercício 1.4.8 det 𝐴 = det 𝐴𝑡 = 0

Exercício 1.4.9 64

Exercício 1.4.10 Sugestão: Utilize o Teorema de Jacobi

99
Respostas dos exercícios da Seção 1.6
{︁(︁ )︁}︁
Exercício 1.6.1 a) 13 14
,
11 11
, SPD, retas concorrentes. b) ∅, SI, retas paralelas.
{︁ }︁
Exercício 1.6.2 𝑎 ∈ R|𝑎 ̸= − 21

Exercício 1.6.3 a) {(1, 1, 1)}, SPD. b) {(−8 + 3𝑡, 14 − 4𝑡, 𝑡); 𝑡 ∈ R}, SPI.

Exercício 1.6.4 6, 50 reais.

Exercício 1.6.5 4

Exercício 1.6.6 𝑎 = 0, SI. 𝑎 = 2, SPD, {(−2, 0, 0)}. 𝑎 = 1, SPI, {(𝑡, −1 − 2𝑡, 𝑡); 𝑡 ∈ R}.

Respostas dos exercícios da Seção 2.6


Exercício 2.6.1 a) ⃗𝑣 = (2, −4) b) ⃗𝑣 = (7, −2) c) ⃗𝑣 = (6, −1, 4) d) ⃗𝑣 = (0, 1, 0)

Exercício 2.6.2 𝐵 = (1, 3, 2)

Exercício 2.6.3 𝐴 = (6, 5)

Exercício 2.6.4 a) 𝐵 = (−1, 10) b) 𝐵 = (2, −3)

Exercício 2.6.5 a) (3, 1) b) (−13, −7) c) (−15, −5)

Exercício 2.6.6 𝑘1 = 4 e 𝑘2 = −2

Exercício 2.6.7 𝑘1 = 1, 𝑘2 = 0 e 𝑘3 = −1.



Exercício 2.6.8 a) 13 b) 26 c) 13

Exercício 2.6.9 𝑣1 = − 14
5
(4, 2, 8) e 𝑣2 = 1
14
(34, 52, −30)
(︁ )︁
Exercício 2.6.10 a) 𝑚 = 2 b) 2, − 10
11 17
, 10

Exercício 2.6.11 𝑎 = −5

100
−→ −−→ −→ −→ √
Exercício 2.6.12 Mostrar que 𝐴𝐵 ‖ 𝐶𝐷 e 𝐴𝐷 ‖ 𝐵𝐶, área é igual a 89 u.a.


Exercício 2.6.13 89
2
u.a.

Respostas dos exercícios da Seção 3.3

Exercício 3.3.1 Q não é espaço vetorial real, pois não verifica a propriedade de ser fechado
ao se considerar a operação de multiplicação por escalar.

Exercício 3.3.2 O conjunto 𝑉 é espaço vetorial, pois, considerando as operações adotadas,


𝑉 verifica todas as condições necessárias.

Exercício 3.3.3 O conjunto apresentado não é espaço vetorial, pois não verifica a proprie-
dade de ser fechado para adição.

Exercício 3.3.4 O conjunto das matrizes inversíveis


⎛ de ordem
⎞ 2 não⎛é um subespaço
⎞ vetorial
1 0 ⎟ 1
0 ⎟
de 𝑀2 . Basta considerar as matrizes 𝐴1 = ⎝ e 𝐴2 = ⎝ ⎠. Temos que
⎜ ⎜

0 1 0 −1
𝐴1 e 𝐴2 são inversíveis, mas 𝐴1 + 𝐴2 não é inversível. Portanto, este conjunto não é
fechado para adição.

Exercício 3.3.5 O conjunto das matrizes simétricas de ordem 3 é subespaço vetorial de


𝑀3 . Basta verificar que este conjunto é fechado para a soma de matrizes simétricas e
para o produto de matriz simétrica por escalar.

Exercício 3.3.6 O plano 𝑥 + 𝑦 + 𝑧 = 1 não é subespaço de R3 , pois considerando a soma


usual de vetores podemos verificar que este conjunto não possui o vetor nulo, elemento
neutro da adição.

Exercício 3.3.7 O conjunto considerado é subespaço de 𝑃2 . Basta verificar que é fechado


para soma de vetores e multiplicação por escalar.

101
Respostas dos exercícios da Seção 4.9
Exercício 4.9.1 𝑣 = −1𝑣1 + 4𝑣2 − 1𝑣3 .

Exercício 4.9.2 𝑣 = 0𝑣1 + 𝑣2 − 32 𝑣3 .

Exercício 4.9.3 𝑘 = 2.

Exercício 4.9.4 𝑊 = {(𝑥, 𝑦, 𝑧) ∈ R3 ; 𝑥 + 𝑦 + 𝑧 = 0}.

Exercício 4.9.5 Polinômios do tipo 𝑏𝑡2 + 𝑎𝑡 + 𝑎; 𝑎, 𝑏 ∈ R.

Exercício 4.9.6 𝑊 = [(3, 1, −2)].

Exercício 4.9.7 Conjunto gerador do plano: {(1, 0, 2), (0, 1, 3)}.


⎧⎛ ⎞ ⎛ ⎞ ⎛ ⎞⎫

⎨ 1 0 ⎟ ⎜ 0 0 ⎟ ⎜ 0 0 ⎪

Exercício 4.9.8 ⎠,⎝ ⎠,⎝ ⎠ .
⎜ ⎟

0 0 1 0 0 1

⎩ ⎪

Exercício 4.9.9 {(1, 2, 0), (0, 1, 2)}.

Exercício 4.9.10 Basta observar que 𝑣3 = 2𝑣1 .

Exercício 4.9.11 a) Base={(1, 1, 0), (−1, 1, 4)}, dim 𝑊 = 2.

b) Base= {(2, 1, 3, 0), (1, 0, −1, 2)}, dim 𝑊 = 2.

c) Base= {(1, 3, 1)}, dim 𝑊 = 1.

Exercício 4.9.12 𝑝(𝑡) = (3, 3, −2, 3/2)𝐻 , para 𝐻 base ordenada dada pelos polinômios de
Hermite.

Exercício 4.9.13 𝑊1 ∩ 𝑊2 = 𝑊2 . 𝑊1 + 𝑊2 = 𝑊1 .
⎧ ⎛ ⎞ ⎛ ⎞ ⎫

⎨ 1 0 ⎟ ⎜ 0 0 ⎟


Exercício 4.9.14 𝑈 = 𝑎⎝ ⎠ + 𝑑⎝ ⎠ ; 𝑎, 𝑑 ∈R .

0 0 0 1

⎩ ⎪

⎛ ⎞
⎜ 1 −1 1 ⎟
⎜ ⎟
Exercício 4.9.15 𝑣𝛽 = (2, 1, 3)𝛽 , 𝑣𝛽 ′ = (2, 0, 1)𝛽 ′ . 𝐼𝛽𝛽′ = 1/2 ⎜
⎜ 1 1 −1 ⎟

.
⎜ ⎟
1 1
⎝ ⎠
−1

102
Exercício 4.9.16 𝑝(𝑥) = (2, −1)𝛽 , 𝑝(𝑥) = (−3, 2)𝛽 ′ .

Exercício 4.9.17 a) 𝑊1 ∩ 𝑊2 = {(𝑥, 𝑦, 𝑧, 𝑡) ∈ R4 ; 𝑥 = 𝑦 = 0, 𝑧 = 𝑡}. Base={(0, 0, 1, 1)}.

b) 𝑊1 + 𝑊2 = [(1, −1, 0, 0), (1, 0, 0, −1), (0, 1, 0, 1), (0, 0, 1, 1)] . Não é soma direta, pois
dim (𝑊1 ∩ 𝑊2 ) = 1.

c) Sim, pois dim(𝑊1 + 𝑊2 ) = 4 = dim R4 .

Exercício 4.9.18 a) 𝑊1 ∩ 𝑊2 = {0}. Base=∅.

b) 𝑊1 + 𝑊2 = [(1, 0, 0, 0), (0, 1, 1, 0), (0, 0, 0, 1)] . É soma direta, pois dim (𝑊1 ∩ 𝑊2 ) =
0.

c) Não, pois dim(𝑊1 + 𝑊2 ) = 3 ̸= 4 = dim R4 .

Exercício 4.9.19 i. Todo elemento 𝑒 ∈ 𝐸 pode ser escrito como: 𝑒 = 𝑣 + 𝑤 =


(𝑎1 𝑣1 + . . . + 𝑎𝑛 𝑣𝑛 ) + (𝑏1 𝑤1 + . . . + 𝑏𝑛 𝑤𝑛 ) , 𝑣 ∈ 𝑉, 𝑤 ∈ 𝑊 . Logo, 𝛽 ′ ∪ 𝛽 ′′ gera 𝐸.
ii. Como 𝐸 = 𝑉 ⊕ 𝑊 , então 𝑉 ∩ 𝑊 = 0. Temos que 0 = 𝑎1 𝑣1 + . . . + 𝑎𝑛 𝑣𝑛 + 𝑏1 𝑤1 +
. . . + 𝑏𝑛 𝑤𝑛 implica que 𝑎1 𝑣1 + . . . + 𝑎𝑛 𝑣𝑛 e 𝑏1 𝑤1 + . . . + 𝑏𝑛 𝑤𝑛 pertencem a 𝑉 ∩ 𝑊 . Logo,
𝑎1 𝑣1 + . . . + 𝑎𝑛 𝑣𝑛 = 0 e 𝑏1 𝑤1 + . . . + 𝑏𝑛 𝑤𝑛 = 0, como 𝛽 ′ e 𝛽 ′′ são LI por serem bases,
temos que 𝑎𝑖 = 0 e 𝑏𝑗 = 0 para todo 𝑖, 𝑗. Então, o conjunto 𝛽 ′ ∪ 𝛽 ′′ é LI.

Portanto, de i. e ii. temos que 𝛽 ′ ∪ 𝛽 ′′ é uma base de 𝐸.

Exercício 4.9.20 Vamos verificar que 𝑣1 , 𝑣2 , 𝑣3 ∈ 𝑉 formam um conjunto LI. Tomemos


𝑎1 𝑣1 + 𝑎2 𝑣2 + 𝑎3 𝑣3 = 0 então ⟨0, 𝑣1 ⟩ = ⟨𝑎1 𝑣1 + 𝑎2 𝑣2 + 𝑎3 𝑣3 , 𝑣1 ⟩ = 𝑎1 ⟨𝑣1 , 𝑣1 ⟩ + 𝑎2 ⟨𝑣2 , 𝑣1 ⟩ +
𝑎3 ⟨𝑣3 , 𝑣1 ⟩ = 𝑎1 ⟨𝑣1 , 𝑣1 ⟩, logo 𝑎1 = 0, pois 𝑣1 , 𝑣2 e 𝑣3 são ortogonais. Por um procedimento
análogo, descobrimos que 𝑎2 = 𝑎3 = 0. Portanto, esse vetores são LI. Como temos um
conjunto de três vetores de 𝑉 LI, e a dimensão de 𝑉 é 3, 𝑣1 , 𝑣2 , 𝑣3 formam uma base
para 𝑉 .
{︁(︁ √ √ )︁ (︁ √ √ )︁ }︁
Exercício 4.9.21 2
2
, 0, 2
2
, 2
2
, 0, − 2
2
, (0, 1, 0) .
{︁ √ √ √ √ √ √ √ √ √ }︁
Exercício 4.9.22 ( 2
2
, 2
2
, 0, 0), (− 6
6
, 6
6
, 3
6
, 0), ( 6
3
, − 6
3
, 63 , 23 ) .

103
Respostas dos exercícios da Seção 5.9

Exercício 5.9.1 𝑇 (𝑣) = (6, 10, 14).

Exercício 5.9.2 𝐾𝑒𝑟(𝑇 ) = [(−5, 0, 1, −2)].

Exercício 5.9.3 𝑇 (𝑣) = 𝑇 (𝑥, 𝑦) = 4𝑥 − 5𝑦.

Exercício 5.9.4 a) 𝑇 (𝑎+𝑏𝑡+𝑐𝑡2 ) = 𝑎𝑇 (1)+𝑏𝑇 (𝑡)+𝑐𝑇 (𝑡2 ) = (𝑎−𝑐)𝑡2 +(−𝑏+𝑐)𝑡+(𝑎+𝑏+𝑐).

b) 𝑝(𝑡) = 3𝑡2 + 2𝑡 + 1.

Exercício 5.9.5 dim 𝐾𝑒𝑟(𝑇 ) = 1. Base 𝐾𝑒𝑟(𝑇 ) = {(1, 1, 1)} (Reta no R3 ).


dim 𝐼𝑚(𝑇 ) = 2. Base 𝐼𝑚(𝑇 ) = {(1, 0), (0, 1)}.

Exercício 5.9.6 𝐾𝑒𝑟(𝑇 ) = [1].


(︁ )︁
Exercício 5.9.7 a) 𝑇 (𝑥, 𝑦) = , 2 , 2𝑥
𝑥−𝑦 𝑥−𝑦
2
+𝑦 .
⎛ ⎞
⎜ −11 4 ⎟
⎜ ⎟
b) 𝑆𝛽𝛼 = 1⎜
3⎜
⎜ −4 2 ⎟.


5
⎝ ⎠
−4

Exercício 5.9.8 Como 𝐾𝑒𝑟(𝑇 ) = 0, 𝑇 é injetora. Como dim 𝑉 = dim 𝑊 e 𝑇 é injetora,


então 𝑇 é sobrejetora, logo temos um isomorfismo. Como 𝑉 = 𝑊 = R3 temos auto-
morfismo. 𝑇 −1 = (−𝑥2 𝑧, 𝑦 − 𝑥 + 𝑧, 𝑥 − 𝑧).

Exercício 5.9.9 a) 𝐾𝑒𝑟(𝑇𝐴 ) = [(1, 0)], 𝐼𝑚(𝑇𝐴 ) = [(1, 2, 1)] (Reta no R3 que passa pela
origem e com vetor diretor 𝑣 = (1, 2, 1)). 𝐾𝑒𝑟(𝑇𝐵 ) = [(0, 1, −2)], 𝐼𝑚(𝑇𝐵 ) =
[𝑇𝐵 (𝑒1 ), 𝑇𝐵 (𝑒2 ), 𝑇𝐵 (𝑒3 )] = [(0, 1, −1), (0, 2, 0), (0, 1, 0)], 𝐾𝑒𝑟(𝑇𝐵 ∘ 𝑇𝐴 ) = [(1, 0)],
𝐼𝑚(𝑇𝐵 ∘ 𝑇𝐴 ) = [(0, 6, −1)].

b) Base 𝐾𝑒𝑟(𝑇𝐴 ) = {(1, 0)}, Base 𝐼𝑚(𝑇𝐴 ) = {(1, 2, 1)}, Base 𝐾𝑒𝑟(𝑇𝐵 ) =
{(0, 1, −2)}, Base 𝐼𝑚(𝑇𝐵 ) = {(0, 1, 0), (0, 1, −1)}, Base 𝐾𝑒𝑟(𝑇𝐵 ∘ 𝑇𝐴 ) = {(1, 0)},
Base 𝐼𝑚(𝑇𝐵 ∘ 𝑇𝐴 ) = {(0, 6, −1)}.

104
Exercício 5.9.10 a) 𝛼 é qualquer base em que temos a reta 𝑦 = 0 levada à reta 𝑦 = 3𝑥.
Uma base 𝛼 possível é 𝛼 = {(1, 3), (3, −1)}.

b) 𝑇 (𝑥, 𝑦) = 15 (−4𝑥 + 3𝑦, 3𝑥 + 4𝑦).

Exercício 5.9.11 Dados 𝑣1 , 𝑣2 ∈ 𝑉 , 𝑣1 ̸= 𝑣2 , então 𝑇 (𝑣1 ) = 𝑤1 ̸= 𝑇 (𝑣2 ) = 𝑤2 (pela


injetividade) e 𝑤1 , 𝑤2 ∈ 𝑊 (pela sobrejetividade). Como 𝑇 é linear vale: 𝑤1 + 𝑤2 =
𝑇 (𝑣1 ) + 𝑇 (𝑣2 ) = 𝑇 (𝑣1 + 𝑣2 ), 𝑘𝑤1 = 𝑘𝑇 (𝑣1 ) = 𝑇 (𝑘𝑣1 ). Assim:

i. 𝑇 −1 (𝑤1 + 𝑤2 ) = 𝑣1 + 𝑣2 = 𝑇 −1 (𝑤1 ) + 𝑇 −1 (𝑤2 ).

ii. 𝑇 −1 (𝑘𝑤1 ) = 𝑘𝑣1 = 𝑘𝑇 −1 (𝑤1 ).

105
Referências Bibliográficas

[1] BOLDRINI, J.L., COSTA, S.I.R., FIGUEIREDO, V.L. e WETZLER, H.G.; Álgebra
Linear, Editora Harbra, 3. ed., 1980.

[2] FIGUEIREDO, L.M. e CUNHA, M.O.; Álgebra Linear 1, volume 2. Rio de Janeiro,
Fundação CECIERJ, 2015.

[3] HOFFMAN, K. e KUNZE, R.; Álgebra Linear, Editora Polígono, 2. ed., 1971.

[4] LIMA, E.L.; Álgebra Linear, Coleção Matemática Universitária, IMPA, 2. ed., 1996.

[5] POOLE, D., Álgebra Linear, 1.ed. São Paulo, Thomson Learning, 2006.

[6] RIOS, I. L., FIGUEIREDO, L.M. e CUNHA, M.O.; Álgebra Linear 1, volume 1. Rio de
Janeiro, Fundação CECIERJ, 2015.

[7] STEINBRUCH, A. e WINTERLE, P.; Geometria Analítica, McGRAW-HILL, 2. ed.,


1987.

[8] WINTERLE, P.; Vetores e Geometria Analítica, Pearson, 2. ed., 2000.

106

Você também pode gostar