ÁLGEBRA LINEAR E GEOMETRIA ANALÍTICA – PÁGINA 1

CAPÍTULO I
SISTEMAS LINEARES, MATRIZES E DETERMINANTES
INTRODUÇÃO
O estudo das matrizes, determinantes e sistemas lineares possui grande importância pela sua
aplicabilidade aos mais variados problemas do cotidiano. As aplicações deste assunto vão desde o
projeto de automóveis e aviões, problemas de logística (programação linear), circuitos elétricos,
transferência de calor, vibrações dentre outros.
Neste capítulo estudaremos as nomenclaturas e operações com matrizes, determinantes e
sistemas lineares procurando, sempre que possível, unir a teoria e a prática. .

SISTEMAS LINEARES
Qualquer reta no espaço R2 define o que algebricamente chamamos de equação linear:
a1x + a 2 y = b
No espaço R3, uma equação linear define um plano:
a1x + a 2 y + a 3 z = b
Sob uma ótica mais geral, no espaço Rn, uma equação linear define um hiperplano:
a 1 x 1 + a 2 x 2 + ... + a n x n = b
Um sistema de equações lineares é definido como um conjunto finito de equações lineares
em relação às variáveis x1, x2,..., xn:
 a 11x 1 + a 12 x 2 + ... + a 1n x n = b1

a 21x 1 + a 22 x 2 + ... + a 2 n x n = b 2

 .......... .......... .......... .......... .........

a n1 x 1 + a n 2 x 2 + ... + a nn x n = b n
Nosso objetivo é encontrar os valores das variáveis x1, x2,...,xn. Esse conjunto de valores
define o ponto de cruzamento de n hiperplanos no espaço Rn, de 3 planos no R3 e de 2 retas no R2.
Diz-se que um sistema linear é consistente (ou compatível) quando o sistema apresenta pelo
menos uma solução. Por outro lado, um sistema linear é dito inconsistente (ou incompatível)
quando não apresenta solução. Um exemplo simples de ser visualizado é um sistema linear
composto por equações de retas:
 a 11x + a 12 y = b1

a 21x + a 22 y = b 2
Um sistema consistente apresentaria uma das seguintes situações:
Exemplo:
Considere o sistema linear:
x + y = 10

x − y = 2
Somando as duas equações, obtemos:
2x = 12  x = 6
Substituindo na primeira equação, temos:
x + y = 10  y = 4
A solução do sistema linear é o ponto:
(x,y)=(6,4)
Uma solução

PROF. RUBENS VILHENA FONSECA

 ÁLGEBRA LINEAR E GEOMETRIA ANALÍTICA – PÁGINA 2
Exemplo:
Considere o sistema linear:
x + y = 10

2x + 2 y = 20
Multiplicando a primeira equação por 2 e
subtraindo o resultado pela segunda equação, obtemos:
0=0
Como a igualdade é verdadeira, existem infinitos
valores de x e y que atendem às duas equações do sistema
linear.
Infinitas soluções

Por outro lado, um sistema inconsistente apresentaria a seguinte situação:

Exemplo:
Considere o sistema linear:
x + y = 10

x + y = 2
Subtraindo as duas equações, obtemos:
0=8
Como a igualdade é falsa, não existe nenhum
valor de x e y que atenda às duas equações do sistema
linear.

Nenhuma solução

MÉTODOS DE RESOLUÇÃO DE SISTEMAS LINEARES

Os métodos de resolução de sistemas lineares se dividem em dois tipos: métodos diretos e
métodos iterativos. Basicamente, esses métodos se diferenciam pela resposta obtida – exata ou
aproximada. Outra diferença é o fato de que o método iterativo busca uma solução através de
cálculos recursivos (ou seja, repetitivos) diferentemente do que acontece com os métodos diretos.
Os métodos a serem estudados no presente capítulo serão:

Método Direto Método Iterativo

Método de Gauss Método de Gauss-Seidel
Característica: Solução exata Característica: Solução aproximada

MÉTODO DE ELIMINAÇÃO DE GAUSS

O método de eliminação de Gauss consiste em encontrar um sistema linear equivalente ao
sistema inicial mas que seja mais simples de ser resolvido. Isso pode ser conseguido através da
aplicação das seguintes operações elementares sobre o sistema linear:
• Multiplicar uma equação inteira por uma constante;
• Trocar duas equações de posição entre si;
• Somar ou subtrair duas equações;
No intuito de facilitar o cálculo, podemos colocar todos os números presentes no sistema
linear no que chamaremos de matriz aumentada.

PROF. RUBENS VILHENA FONSECA

 ÁLGEBRA LINEAR E GEOMETRIA ANALÍTICA – PÁGINA 3
Exemplo:
Seja o sistema linear:
 2 x 1 + 3x 2 − x 3 = 5

 4 x 1 + 4 x 2 − 3x 3 = 3

2 x 1 − 3x 2 + x 3 = − 1
A sua matriz aumentada é dada por:
2 3 − 1 5
 
4 4 − 3 3
 
2 − 3 1 − 1
 
A partir desse momento, não mais aplicaremos as operações elementares ao sistema linear,
mas à matriz aumentada com a finalidade de encontrar um sistema linear equivalente mais simples.
Esse procedimento é chamado triangularização.
A triangularização é o processo de zerar os coeficientes abaixo da diagonal principal e é
feita através de vários estágios de modificação do sistema linear inicial.
A partir desse ponto, o sistema equivalente resultante é então resolvido algebricamente por
substituição reversa, ou seja, da última equação encontramos xn e assim sucessivamente até
encontrar x1.

Exemplo:
Resolver o sistema linear:
 x + 2 y = 5

3x + y =10
Ao multiplicarmos a primeira equação por 3 o sistema linear continua equivalente ao
sistema original:
3x + 6 y =15

3x + y =10
Podemos ainda subtrair as duas equações. O resultado dessa operação é uma equação em
que a variável x foi eliminada:
3x + 6 y = 15
 −
3x + y =10
0x + 5y = 5
Se juntarmos essa equação com a primeira do sistema original teremos o seguinte sistema:
 x + 2 y = 5

0x + 5y = 5
Da segunda equação encontramos y=1. Substituindo esse valor na primeira equação
encontramos x=3.
Note que você provavelmente já resolveu um problema desse tipo. Esse é o fundamento do
método de eliminação de Gauss.
OBS.:
É importante observar que o sistema linear final é equivalente (triangularizado) ao sistema
inicial, ou seja, os dois sistemas têm a mesma solução.

PROF. RUBENS VILHENA FONSECA

 ÁLGEBRA LINEAR E GEOMETRIA ANALÍTICA – PÁGINA 4
Exemplo:
Resolver o sistema linear segundo o método de eliminação de Gauss:
 2 x 1 + 3x 2 − x 3 = 5

 4 x 1 + 4 x 2 − 3x 3 = 3

2 x 1 − 3x 2 + x 3 = − 1
• Estágio (0): apenas coletamos os coeficientes do sistema linear.
L(10) 2 3 − 1 5
 
L(20) 4 4 − 3 3
 
( 0) 
L 3 2 −3 1 − 1
OBS.:
Essa matriz é conhecida como matriz aumentada do sistema.

• Estágio (1): Elegemos a linha 1 como sendo a linha de referência, devendo então conservá-la no
estágio (1). Depois disso, devemos calcular os multiplicadores para as linhas 2 e 3. Finalmente,
devemos calcular os novos elementos das linhas 2 e 3. A matriz no estágio (1) antes dos
cálculos é mostrada abaixo.
L(11) 2 3 − 1 5
 
L2 (1)
 
 
(1)  
L3  
Cálculo dos multiplicadores:
Para o estágio (1), o cálculo é feito a partir da relação entre o primeiro elemento da linha que
se quer calcular o multiplicador pelo primeiro elemento da linha de referência (chamado de pivô).
Nesse caso, os valores são retirados da matriz do estágio (0). Matematicamente essa afirmação fica:
a i(10)
m i = ( 0) para i=2, 3,..., número de linhas do sistema linear.
a 11
- Para a linha 2 (i=2):
L(10) 2 3 − 1 5
 
L(20) 4 4 − 3 3
 
( 0) 
L 3 2 −3 1 − 1
a ( 0) 4
m 2 = (210) = = 2
a 11 2

- Para a linha 3 (i=3):

L(10) 2 3 −1 5
 
L(20) 4 4 − 3 3
 
( 0) 
L 3 2 −3 1 − 1
( 0)
a 31 2
m3 = ( 0)
= =1
a 11 2

PROF. RUBENS VILHENA FONSECA

 ÁLGEBRA LINEAR E GEOMETRIA ANALÍTICA – PÁGINA 5

Depois dos cálculos, a matriz do estágio (1) fica:

L(11) 2 3 −1 5
 
L(21) 0 −2 − 1 − 7
 
L(31) 0 −6 2 − 6

OBS.:
Segundo a teoria, todos os elementos abaixo da diagonal principal devem ser iguais a zero, o
que ainda não acontece nesse estágio (note o –6). Portanto, devemos fazer mais um estágio de
modificação.

• Estágio (2): Elegemos agora a linha 2 como sendo a linha de referência, devendo então
conservá-la (juntamente com a linha 1) no estágio (2). Depois disso, devemos calcular o
multiplicador para a linha 3. Finalmente, devemos calcular os novos elementos da linha 3. A
matriz no estágio (2) antes dos cálculos é mostrada abaixo.
L(12) 2 3 −1 5
 
L(22) 0 −2 − 1 − 7
 
L(32)  


Cálculo dos multiplicadores:

Para o estágio (2), o cálculo é feito a partir da relação entre o segundo elemento da linha que
se quer calcular o multiplicador pelo segundo elemento da linha de referência (chamado de pivô).
Nesse caso, os valores são retirados da matriz do estágio (1). Matematicamente essa afirmação fica:
a (1)
m i = i(12) para i=3,..., número de linhas do sistema linear.
a 22

- Para a linha 3 (i=3):

L(11) 2 3 −1 5
 
L(21) 0 −2 − 1 − 7
 
L(31) 0 −6 2 − 6
−6
(1)
a 32
m3 = = =3
a (22
1)
−2

Depois dos cálculos, a matriz do estágio (2) fica:

L 1 2 3 − 1 5
 
L 2 0 −2 − 1 − 7
 

L 3 0 0 5 15

O sistema resultante então fica:

PROF. RUBENS VILHENA FONSECA

 ÁLGEBRA LINEAR E GEOMETRIA ANALÍTICA – PÁGINA 6
 2 x 1 + 3x 2 − x 3 = 5  x 1 = 1

0 x 1 − 2 x 2 − x 3 = − 7  x 2 = 2
 15
0 x 1 + 0 x 2 + 5x 3 = 15  x 3 = =3
5

Fazendo a substituição reversa, encontra-se a resposta do sistema linear.

MATRIZES
Simplificadamente, podemos definir uma matriz como uma coleção de informações
dispostas segundo uma ordem. Essa característica se torna muito importante, pois as informações
podem ser acessadas (ou manipuladas) através da posição do elemento dentro da matriz.
Cada elemento da matriz é localizado por dois números: a linha e a coluna. A linha da matriz
é tomada na horizontal e convencionalmente contada de cima para baixo. Já a coluna é tomada na
vertical e convencionalmente contada da esquerda para a direita. Nos dois casos, a contagem se
inicia pelo número 1 (um). O cruzamento da posição da linha com a posição da coluna do elemento
é a sua posição.

Exemplo:
Coluna 1 Coluna 2 Coluna 3

Linha 1  Alex Av. 5 de Setembro,10 254 - 8181

 
Linha 2 Antonio Tv. 13 de Outubro, 123 356 - 9876
 
Linha 3  Carlos R. Santo Antonio, 5 223 - 9875

O endereço Tv. 13 de outubro, 123 está posicionado na linha 2 e coluna 2, ou seja, está na
posição (2,2). Note que a informação da linha vem sempre em primeiro lugar.
Os tipos mais importantes de matrizes são aqueles em que os seus elementos são números.
Em geral, esses números carregam importantes informações acerca de um determinado problema.
Exemplo:
1 10 2
 
- 2 -3 0
 
 3 5 7 

OBS.:
Chamamos de ordem de uma matriz ao número máximo de linhas e de colunas que a mesma
possui. Assim, para o exemplo anterior, temos uma matriz de ordem 3x3 (3 linhas por 3 colunas),
ou simplesmente matriz de terceira ordem (esse tipo de nomenclatura se dá quando o número de
linhas é igual ao número de colunas).

Toda matriz é representada por uma letra maiúscula com a indicação da sua ordem.
Exemplo:

PROF. RUBENS VILHENA FONSECA

 ÁLGEBRA LINEAR E GEOMETRIA ANALÍTICA – PÁGINA 7
1 10 2
 
A ( 3 x 3) = A 3 = - 2 -3 0
 
 3 5 7

A notação A3 é a forma simplificada de indicar uma matriz de terceira ordem.

Cada elemento da matriz é representado por uma letra minúscula com a indicação da sua
posição. Dessa maneira, o elemento a23 da matriz anterior está posicionado na segunda linha e
terceira coluna correspondendo ao número zero (0).
Generalizando, podemos representar uma matriz qualquer da seguinte forma:

 a 11 a 12  a 1n 
 
 a 21 a 22  a 2n 
A ( mxn) = 
     
 
a m1 a m2  a mn 

Ou ainda:
A = [a ij ]mxn

Onde a letra i representa linha e a letra j coluna, a letra m o número máximo de linhas e a
letra n o número máximo de colunas. Assim, a representação:
A = [a ij ]4x3
Indica uma matriz que tem número máximo de linhas igual a 4 e número máximo de colunas
igual a 3.
Quando m=n dizemos que a matriz é quadrada, pois o número de linhas sendo igual ao
número de colunas faz com que a matriz tenha a forma de um quadrado. Se mn dizemos então que
a matriz é retangular pelos mesmos motivos citados. A notação utilizada para os dois tipos de
matrizes é a seguinte:

• Para a matriz quadrada: An

• Para a matriz retangular: A(mxn) ou A(m,n)

Quando o número máximo de linhas ou de colunas é igual a um a matriz recebe o nome

especial de vetor. Uma matriz com o número de linhas igual a um é chamada vetor linha. Por outro
lado, uma matriz com o número de colunas igual a um é chamada vetor coluna.

 a 11 
 
a 21 
A (1x 4) = a 11 a 12 a 13 a 14  A ( 4 x1) =  
a 31 
 
a 41 
Vetor Linha Vetor Coluna

Em uma matriz quadrada podemos identificar duas diagonais importantes:

• Diagonal Principal:

PROF. RUBENS VILHENA FONSECA

 ÁLGEBRA LINEAR E GEOMETRIA ANALÍTICA – PÁGINA 8
É composta pelos elementos em que a posição da linha é igual à posição da coluna, isto é, a
diagonal principal é formada pelos elementos em que i=j.
Exemplo:
 a 11 a 12 a 13   1 10 2
   
A 3 = a 21 a 22 a 23  = - 2 -3 0
   
a 31 a 32 a 33   3 5 7 

Neste caso, a11 (i=1 e j=1), a22 (i=2 e j=2) e a33 (i=3 e j=3) pertencem à diagonal principal.

• Diagonal Secundária:
É composta pelos elementos em que a posição da linha somada com a posição da coluna é
igual à ordem da matriz mais um, isto é, a diagonal secundária é formada pelos elementos em que
i+j=n+1.
Exemplo:
 a 11 a 12 a 13   1 10 2
   
A 3 = a 21 a 22 a 23  = - 2 -3 0
   
a 31 a 32 a 33   3 5 7 

Neste caso, a13 (i+j=1+3=4), a22 (i+j=2+2=4) e a31 (i+j=3+1=4) pertencem à diagonal
secundária. Note que 4 é igual à ordem da matriz mais 1.
Um outro tipo de matriz interessante é a matriz diagonal. Nela, qualquer elemento fora da
diagonal principal é zero, ou seja, a ij = 0 para ij.
Exemplo:
 a 11 a 12 a 13  1 0 0
   
A 3 = a 21 a 22 a 23  = 0 -3 0
   
a 31 a 32 a 33  0 0 7

Uma matriz diagonal com os elementos a ij = 1 para i=j é conhecida como matriz unidade ou
matriz identidade.
Exemplo:
 a 11 a 12 a 13  1 0 0
   
I 3 = a 21 a 22 a 23  = 0 1 0 (matriz identidade de terceira ordem)
   
a 31 a 32 a 33  0 0 1
OBS.:
Note que a ij = 1 para i=j e a ij = 0 para ij.

A matriz que tem todos os seus elementos iguais a zero é conhecida como matriz zero ou
matriz nula e é representada pelo símbolo 0.
Exemplo:

PROF. RUBENS VILHENA FONSECA

 ÁLGEBRA LINEAR E GEOMETRIA ANALÍTICA – PÁGINA 9
0 0 0
 
0 = 0 0 0 (matriz nula de terceira ordem)
 
0 0 0

A matriz em que todos os elementos abaixo da diagonal principal são nulos é chamada
matriz triangular superior. Por outro lado, a matriz é conhecida como triangular inferior quando os
elementos acima da diagonal principal são nulos.
Exemplo:
 a 11 a 12 a 13  1 2 5
   
A 3 = a 21 a 22 a 23  = 0 -1 3
   
a 31 a 32 a 33  0 0 2

 a 11 a 12 a 13  1 0 0
   
A 3 = a 21 a 22 a 23  = 4 -1 0
   
a 31 a 32 a 33  6 1 2
OBS.:
Note que a ij = 0 para i>j quando a matriz é triangular superior e a ij = 0 para i<j quando a
matriz é triangular inferior.

Chamamos de matriz oposta àquela cujos elementos são todos trocados de sinal em relação a
uma segunda matriz.
Exemplo:
1 2 3 - 1 -2 - 3
   
A = - 1 -2 - 3 e B =  1 2 3  são matrizes opostas.
   
 0 1 2   0 -1 - 2
OBS.:
Note que a ij = −b ij e vice-versa.

Duas matrizes de mesma ordem são ditas iguais quando todos os seus elementos são iguais.
Exemplo:
1 2 3 1 2 3
   
A = - 1 -2 - 3 e B = - 1 -2 - 3 são matrizes iguais.
   
 0 1 2   0 1 2 
OBS.:
Note que a ij = b ij .

OPERAÇÕES COM MATRIZES

ADIÇÃO
Por definição, a soma de duas matrizes A e B resulta numa matriz C (todas de mesma
ordem) cujos elementos obedecem à seguinte lei:
PROF. RUBENS VILHENA FONSECA
 ÁLGEBRA LINEAR E GEOMETRIA ANALÍTICA – PÁGINA 10
c ij = a ij + b ij
Exemplo:
Sejam as matrizes A e B definidas por:

1 2 3 1 0 2
   
A = - 1 -2 - 3 e B = 2 1 1
   
 0 1 2  0 2 0

A soma matricial é a matriz C:

2 2 5
 
C = 1 -1 - 2
 
0 3 2 

PROPRIEDADES DA ADIÇÃO
1) A+(B+C)=(A+B)+C
2) A+B=B+A
3) A+0=0+A=A
4) A+(-A)=0

MULTIPLICAÇÃO DE UMA MATRIZ POR UM ESCALAR

Seja  um escalar e A uma matriz. O produto desses dois elementos é uma nova matriz B
(da mesma ordem de A) cujos elementos obedecem à seguinte lei:
b ij =   a ij

Exemplo:
Dados:
1 2 3
 
=2 e A = - 1 -2 - 3
 
 0 1 2 

O produto do escalar  pela matriz A é a matriz B:

2 4 6
 
B = - 2 -4 - 6
 
 0 2 4 

PROPRIEDADES DA MULTIPLICAÇÃO DE UMA MATRIZ POR UM ESCALAR

1) ()A=(A) com ,  R
2) (+)A=(A+A)
3) (A+B)=A+B
4) 1A=A

PROF. RUBENS VILHENA FONSECA

 ÁLGEBRA LINEAR E GEOMETRIA ANALÍTICA – PÁGINA 11
OBS.:
A subtração é definida através das operações de adição de duas matrizes e multiplicação de
matriz por um escalar:
C=A-B  C=A+(-1)B

PRODUTO DE MATRIZES
Considere as duas matrizes:
0 
 
1 
A (1x 4) = 2 3 4 5 B ( 4 x1) =  
 2
 
3
Por definição, o produto AB resulta numa matriz C com apenas 1 elemento (matriz 1x1)
conforme a seguinte operação:
c11 = 2  0 + 3 1 + 4  2 + 5  3 = 26

A operação se resume em multiplicar cada elemento da matriz A pelo elemento de ordem

correspondente da matriz B, ou seja, o primeiro elemento de A pelo primeiro elemento de B e assim
sucessivamente. O índice 11 em C refere-se à primeira linha da matriz A multiplicada com a
primeira coluna da matriz B.
Através dessa afirmação, logo podemos notar que o número de elementos em A deve ser
igual ao número de elementos em B. Em outras palavras, o número de colunas da matriz A deve ser
obrigatoriamente igual ao número de linhas da matriz B.
Caso as matrizes tenham ordem maior do que as anteriores, podemos executar a operação
passo-a-passo, multiplicando cada linha da primeira matriz por cada uma das colunas da segunda
matriz, formando cada elemento da matriz resultante.
Exemplo:
Multiplicar as matrizes:
1 2 3 1 0 2
   
A = - 1 -2 - 3 e B = 2 1 1
   
 0 1 2 
0 2 0
Multiplicando a primeira linha de A com a primeira coluna de B (elemento 11 da matriz C):
C11 = (1) 1 + (2)  2 + (3)  0 = 5
Multiplicando a segunda linha de A com a primeira coluna de B (elemento 21 da matriz C):
C 21 = (−1) 1 + (−2)  2 + (−3)  0 = −5
Multiplicando a terceira linha de A com a primeira coluna de B (elemento 31 da matriz C):
C 31 = (0) 1 + (1)  2 + (2)  0 = 2
Multiplicando a primeira linha de A com a segunda coluna de B (elemento 12 da matriz C):
C12 = (1)  0 + (2) 1 + (3)  2 = 8
Multiplicando a segunda linha de A com a segunda coluna de B (elemento 22 da matriz C):
C 22 = (−1)  0 + (−2) 1 + (−3)  2 = −8
Multiplicando a terceira linha de A com a segunda coluna de B (elemento 32 da matriz C):
C 32 = (0)  0 + (1) 1 + (2)  2 = 5
Multiplicando a primeira linha de A com a terceira coluna de B (elemento 13 da matriz C):
C13 = (1)  2 + (2)  1 + (3)  0 = 4

PROF. RUBENS VILHENA FONSECA

 ÁLGEBRA LINEAR E GEOMETRIA ANALÍTICA – PÁGINA 12
Multiplicando a segunda linha de A com a terceira coluna de B (elemento 23 da matriz C):
C 23 = (−1)  2 + (−2) 1 + (−3)  0 = −4
Multiplicando a terceira linha de A com a terceira coluna de B (elemento 33 da matriz C):
C 33 = (0)  2 + (1) 1 + (2)  0 = 1
Portanto, a matriz resultante é dada por:
5 8 4
 
C = - 5 -8 - 4
 
 2 5 1 
Podemos identificar rapidamente a ordem da matriz resultante através das ordens das
matrizes que serão multiplicadas.
Exemplo:

A 35  B 52 = C 32
=

Sendo que o número de colunas de A deve ser igual ao número de linhas de B, então será
necessário multiplicar 3 linhas da matriz A por 2 colunas da matriz B resultando numa matriz C de
ordem 3x2.
Numa forma geral, podemos expressar a afirmação da seguinte maneira:
A ik  B kj = C ij
Com a multiplicação de seus elementos definida por:
n
c ij =  a ik  b kj
k =1

PROPRIEDADES DO PRODUTO DE MATRIZES

1) (AB)C=A(BC)
2) (A+B)C=AC+BC
3) (A)B=A(B)=(AB)
4) ABBA em geral.
5) AA=A2

OBS.:
A matriz A cuja operação A2=A é chamada idempotente. Se existir um número inteiro k cuja
operação Ak=0 então essa matriz recebe o nome de nilpotente.

Exemplo:
As matrizes A e B são idempotente e nilpotente respectivamente:
1 0 0 2
 
0 1 0 3
A=  , pois A2=A (verifique!)
0 0 1 4
 
0 0 0 0

PROF. RUBENS VILHENA FONSECA

 ÁLGEBRA LINEAR E GEOMETRIA ANALÍTICA – PÁGINA 13
0 1 0 3
 
0 0 3 0
B=  , pois B4=0 (verifique!)
0 0 0 4
 
0 0 0 0

TRANSPOSTA DE UMA MATRIZ

A transposta de uma matriz A é uma matriz B cujos elementos são obtidos pela seguinte lei:
b ji = a ij
Isso significa escrever uma linha de A numa coluna de B respeitando a ordem dos
elementos, ou seja, a primeira linha de A como sendo a primeira coluna de B e assim
sucessivamente.
Exemplo:
Encontrar a transposta da matriz A:
5 8 4
 
A = - 5 -8 - 4
 
 2 5 1 

A transposta é identificada através da letra que representa a matriz original seguida do índice
superior t. Conforme a regra de formação, a transposta da matriz A é dada por:

5 -5 2
 
A t = 8 -8 5
 
4 -4 1 

PROPRIEDADES DA TRANSPOSTA DE UMA MATRIZ

1) (A+B)t=At+Bt
2) (A)t=(At)
3) (At)t=A
4) (AB)t=BtAt

MATRIZ SIMÉTRICA
Se a operação de transposição de uma matriz quadrada não alterar a matriz original, então a
matriz é dita simétrica. Matematicamente, uma matriz A é simétrica quando:
At = A
Exemplo:
1 5 9
 
A = 5 3 8  é simétrica (verifique!)
 
9 8 7 

OBS.:
Numa matriz simétrica, os elementos são iguais em relação à diagonal principal

MATRIZ ANTI-SIMÉTRICA

PROF. RUBENS VILHENA FONSECA

 ÁLGEBRA LINEAR E GEOMETRIA ANALÍTICA – PÁGINA 14
Se a operação de transposição de uma matriz quadrada resultar na matriz oposta da original,
então a matriz é dita anti-simétrica. Matematicamente, uma matriz A é anti-simétrica quando:
A t = −A
Exemplo:
0 3 4
 
A = - 3 0 - 6 é anti-simétrica (verifique!)
 
- 4 6 0 

MATRIZ INVERSA
Uma matriz é dita inversa quando atender à seguinte condição:
A -1A = AA -1 = I
A representação de matriz inversa é feita pelo símbolo A-1.
Exemplo:
Considere a matriz:
8 5
A= 
3 2
A sua inversa é dada pela matriz:
2 − 5
A −1 =  
− 3 8 

PROPRIEDADES DA MATRIZ INVERSA

1) (A+B)-1=A-1+B-1
2) (A)-1=1/ (A-1) para 0
3) (A-1)-1=A
4) (AB)-1=B-1A-1
5) I-1=I

A INVERSA DE UMA MATRIZ DE 2a ORDEM

Considere a seguinte matriz de 2a ordem e a sua inversa:
a b x y
A=  e A −1 =  
c d   z w 
Essas duas matrizes devem atender à condição:
A -1A = AA -1 = I
Matricialmente, podemos escrever:
a b  x y  1 0
  = 
c d   z w  0 1
Esse produto matricial produz o sistema linear em x e z igual a:
 ax + bz = 1

cx + dz = 0
Multiplicando a primeira equação por d e a segunda equação por b:
adx + bdz = d

bcx + bdz = 0
Subtraindo as duas equações:

PROF. RUBENS VILHENA FONSECA

 ÁLGEBRA LINEAR E GEOMETRIA ANALÍTICA – PÁGINA 15
(ad − bc ) x = d

Portanto, são soluções do problema:

d c
x= e z=−
ad − bc ad − bc
Fazendo o mesmo com o sistema linear para y e w, obtemos:
b a
y=− e w=
ad − bc ad − bc
A inversa da matriz A é então dada por:
1 d − b
A −1 =  
ad − bc − c a 
A inversa de uma matriz de segunda ordem só existirá se:
ad − bc  0
Esse termo é chamado determinante da matriz de segunda ordem, já que determina a
existência da inversa.
O mesmo procedimento pode ser feito para a matriz de terceira ordem, embora seja muito
trabalhoso executá-lo. Mais adiante veremos um método simplificado para encontrar a matriz
inversa.
OBS.:
A matriz que possui inversa é chamada inversível.

MÉTODO SIMPLIFICADO DE CÁLCULO DA MATRIZ INVERSA

Usando operações elementares, podemos encontrar a inversa de uma matriz. O exemplo
mostra como o cálculo é feito.
Exemplo:
Encontrar a inversa da matriz:
1 2 0
 
A = 0 1 1
 
0 1 2
Primeiro, colocamos a matriz identidade ao lado da matriz A:
1 2 0 1 0 0
 
0 1 1 0 1 0 L2=2L2-L3
 
0 1 2 0 0 1 L3=L3-L2

Modificando as linhas 2 e 3 através das operações elementares:
1 2 0 1 0 0  L1=L1-2L2
 
0 1 0 0 2 - 1
 
0 0 1 0 -1 1 

Agora, modificando a primeira linha:
1 0 0 1 -4 2
 
0 1 0 0 2 - 1
 
0 0 1 0 -1 1 


PROF. RUBENS VILHENA FONSECA

 ÁLGEBRA LINEAR E GEOMETRIA ANALÍTICA – PÁGINA 16
Neste momento, percebemos que a matriz A foi transformada na matriz identidade. Já a
matriz identidade foi transformada na matriz inversa de A.

A inversa de A é, portanto:
1 -4 2
 
A −1 = 0 2 - 1
 
0 -1 1 
OBS.:
Algumas matrizes não tem inversa. Nesse caso, a matriz A não poderá ser transformada na
matriz identidade. O resultado é o aparecimento de uma linha com todos os elementos iguais a zero
durante a transformação. Mais tarde veremos que se uma matriz possui uma linha de zeros então o
seu determinante é igual a zero. Por esse motivo, não existirá a inversa.

MATRIZ ORTOGONAL
Uma matriz é chamada ortogonal quando a sua inversa é igual à sua transposta.
Exemplo:
 cos − sen 
A=  é ortogonal (verifique!)
sen  cos  

MATRIZ SINGULAR E NÃO-SINGULAR

Uma matriz é dita singular se o determinante da matriz é igual a zero (a matriz não possui
inversa). Caso contrário, se o determinante é diferente de zero, a matriz é chamada não-singular e
possui inversa.
Exemplo:
5 10
A=  é singular, já que o determinante de A é igual a zero.
2 4 
8 5
B=  é não-singular, já que o determinante de A é diferente de zero.
3 2

USANDO A MATRIZ INVERSA NO CÁLCULO DE SISTEMAS LINEARES

Considere o sistema linear de duas equações e duas variáveis:
 a 11x 1 + a 12 x 2 = b1

a 21x 1 + a 22 x 2 = b 2
Esse sistema de equações pode assumir a forma matricial:
 a 11 a 12   x 1   b1 
   =  
a 21 a 22  x 2  b 2 
Numa forma mais compacta:
AX=B
Nessa equação cada matriz recebe um nome:
A - Matriz dos coeficientes do sistema linear;
X - Vetor solução;
B - Vetor termos independentes.
Multiplicando A-1 nos dois lados da equação (lembrando que a ordem é importante na
multiplicação):

PROF. RUBENS VILHENA FONSECA

 ÁLGEBRA LINEAR E GEOMETRIA ANALÍTICA – PÁGINA 17
A-1AX=A-1B
Lembrando que A-1A=I:
IX= A-1B

A matriz identidade tem a propriedade de não alterar qualquer outra matriz numa
multiplicação, ou seja:
IX=X
Usando o conceito de inversa, um sistema linear pode ser resolvido da seguinte forma:
X=A-1B
Matricialmente, isso significa:
 x1  1  a 22 − a 12   b1 
  =   
x 2  a 11a 22 − a 12a 21 − a 21 a 11  b 2 
Note a dependência de solução com a condição de existência da inversa de A (determinante
de A não-nulo).

DETERMINANTES

CÁLCULO DE DETERMINANTES
O determinante é uma função que associa a cada matriz quadrada Anxn um número real. Uma
de suas interessantes aplicações é a verificação se uma determinada matriz possui inversa.
Vamos começar pela definição do determinante de uma matriz A1x1. Nesse caso, temos:
Se A = a 1 , então det(A) = a 1
No caso de uma matriz de segunda ordem, multiplicamos os elementos presentes na
diagonal principal, subtraindo do resultado da multiplicação dos elementos presentes na diagonal
secundária, ou seja:
 a 11 a 12  a 11 a 12
A=  det(A) = = a 11a 22 − a 12 a 21
a 21 a 22  a 21 a 22
O cálculo do determinante de uma matriz de terceira ordem é um pouco mais complicado.
Primeiro, repetimos as duas primeiras colunas no final da matriz:
a 11 a 12 a 13 a 11 a 12
det(A) = a 21 a 22 a 23 a 21 a 22
a 31 a 32 a 33 a 31 a 32
Em seguida, traçamos uma seta agrupando os três elementos da diagonal principal. A partir
daí, traçamos outras setas paralelas a essa e que agrupem três elementos. No final de cada seta
colocamos os resultados da multiplicação dos elementos correspondentes:
a 11 a 12 a 13 a 11 a 12
det(A) = a 21 a 22 a 23 a 21 a 22
a 31 a 32 a 33 a 31 a 32

Agora, traçamos uma seta agrupando os três elementos da diagonal secundária. A partir daí,
traçamos outras setas paralelas a essa e que agrupem três elementos. No final de cada seta
colocamos os resultados da multiplicação trocados de sinal:

PROF. RUBENS VILHENA FONSECA

 ÁLGEBRA LINEAR E GEOMETRIA ANALÍTICA – PÁGINA 18
a 11 a 12 a 13 a 11 a 12
det(A) = a 21 a 22 a 23 a 21 a 22
a 31 a 32 a 33 a 31 a 32

Finalmente, somamos todos os resultados:

det(A) = a 11a 22 a 33 + a 12 a 23a 31 + a 13a 21a 32 − a 13a 22 a 31 − a 12 a 21a 33 − a 11a 23a 32
OBS.:
Essa regra de cálculo de determinantes é conhecida como regra de Sarrus.

MATRIZES MENORES
Para o determinante de uma matriz de terceira ordem podemos observar o seguinte padrão
de formação:
det(A) = a 11a 22 a 33 + a 12 a 23a 31 + a 13a 21a 32 − a 13a 22 a 31 − a 12 a 21a 33 − a 11a 23a 32
det(A) = a 11 (a 22 a 33 − a 23a 32 ) + a 12 (a 23a 31 − a 21a 33 ) + a 13 (a 21a 32 − a 22 a 31 )
det(A) = a 11 (a 22 a 33 − a 23a 32 ) − a 12 (a 21a 33 − a 23a 31 ) + a 13 (a 21a 32 − a 22 a 31 )
As expressões entre parênteses são determinantes. Para a primeira expressão, temos:
a 22 a 23
(a 22 a 33 − a 23a 32 ) = M11 =
a 32 a 33
Para a segunda expressão, podemos fazer:
a 21 a 23
(a 21a 33 − a 23a 31 ) = M12 =
a 31 a 33
Finalmente, para a terceira expressão podemos fazer:
a 21 a 22
(a 21a 32 − a 22 a 31 ) = M13 =
a 31 a 32
M11, M12 e M13 são chamados determinantes menores e as matrizes relacionadas são
chamadas matrizes menores.
As matrizes menores são submatrizes presentes na matriz de terceira ordem quando
eliminamos as linhas e colunas correspondentes. Por exemplo, a matriz menor do determinante M12
é obtida eliminando-se a primeira linha e a segunda coluna da matriz original.

COFATORES
Voltando à expressão do determinante de terceira ordem:
det(A) = a 11 (a 22 a 33 − a 23a 32 ) − a 12 (a 21a 33 − a 23a 31 ) + a 13 (a 21a 32 − a 22 a 31 )
Através da definição de menores:
det(A) = a 11  (+ M11 ) + a 12  (−M12 ) + a 13  (+ M13 )
Podemos perceber que é valida a seguinte relação:
det(A) = a 11  (−1)1+1  M11 + a 12  (−1)1+ 2  M12 + a 13  (−1)1+3  M13
São chamados cofatores os termos:
C11 = (−1)1+1  M11
C12 = (−1)1+2  M12
C13 = (−1)1+3  M13
O determinante de terceira ordem pode ser expandido em cofatores da seguinte forma:

PROF. RUBENS VILHENA FONSECA

 ÁLGEBRA LINEAR E GEOMETRIA ANALÍTICA – PÁGINA 19
det(A) = a 11  C11 + a 12  C12 + a 13  C13
Ou na forma de somatório:
3
det(A) =  a ij  C ij , para i=1
j=1

TEOREMA DE LAPLACE
Para matrizes de ordem superior de 3, o cálculo do determinante é feito através do teorema
de Laplace.
Observando o resultado da expressão do determinante de terceira ordem na forma de
cofatores, podemos generalizar o conceito para matrizes de qualquer ordem:
n
det(A) =  a ij  C ij
j=1
Nesse caso, podemos escolher qualquer uma das linhas da matriz (fixar o valor de i) e
calcular o determinante através da fórmula acima.
A variante desse teorema é a equação:
n
det(A) =  a ij  C ij
i =1
Nesse caso, precisamos escolher uma coluna (fixar o valor de j) e calcular o determinante
através da fórmula acima.
OBS.:
Deve-se dar a preferência para a linha ou coluna que possuir maior número de zeros entre os
seus elementos.

Exemplo:
Calcular o determinante da matriz abaixo:

1 0 0 0
 
0 1 0 0
A= 
0 0 1 0
 
0 0 0 1

Nesse caso, podemos escolher qualquer linha ou coluna haja vista que todas possuem
número igual de zeros (todas possuem sempre três zeros).
Vamos então escolher a primeira linha da matriz A:

1 0 0 0
 
0 1 0 0
A= 
0 0 1 0
 
0 0 0 1

O número 1 corresponde ao elemento a 11 cuja soma i+j vale 2. A matriz menor para esse
elemento é encontrada eliminando-se a linha 1 e a coluna 1 da matriz A. Assim, a primeira parcela
do determinante de A fica igual a:

PROF. RUBENS VILHENA FONSECA

 ÁLGEBRA LINEAR E GEOMETRIA ANALÍTICA – PÁGINA 20
1 0 0
(−1) 2 1 0 1 0 =1
0 0 1

Partindo para o elemento a 12 , a soma i+j é igual a 3. A matriz menor para esse elemento é
encontrada eliminando-se a linha 1 e a coluna 2 da matriz A. Portanto, a segunda parcela do
determinante de A fica igual a:
0 0 0
(−1) 3  0  0 1 0 =0
0 0 1
Para o elemento a 13 , a soma i+j é igual a 4. A matriz menor para esse elemento é encontrada
eliminando a linha 1 e a coluna 3 da matriz A. Portanto, a terceira parcela do determinante de A fica
igual a:
0 1 0
(−1) 4  0  0 0 0 =0
0 0 1
Para o elemento a 14 , a soma i+j é igual a 5. A matriz menor para esse elemento é encontrada
eliminando a linha 1 e a coluna 4 da matriz A. Portanto, a quarta parcela do determinante de A fica
igual a:
0 1 0
(−1) 5  0  0 0 1 =0
0 0 0
Finalmente, somando-se todas as parcelas, temos o valor do determinante da matriz de
quarta ordem:
det(A) = 1 + 0 + 0 + 0 = 1
Para se ter uma idéia do número de operações envolvidas através do teorema de Laplace,
vamos fazer algumas generalizações:
• 1 determinante de 4a ordem = 4 determinantes de 3a ordem
• 1 determinante de 5a ordem = 5 determinantes de 4a ordem = 5x4 determinantes de 3a ordem
• 1 determinante de 6a ordem = 6 determinantes de 5a ordem = 6x20 determinantes de 3a ordem
Como se pode notar, o número de operações cresce rapidamente conforme aumenta a ordem
da matriz. Nas situações práticas, algumas matrizes facilmente alcançam a 1000a ordem, portanto, o
número de operações torna totalmente inviável o cálculo de determinantes pelo teorema de Laplace.

PROPRIEDADES DO DETERMINANTE
1) Se uma linha (ou coluna) da matriz A é nula então det(A) = 0.
2) Se A é uma matriz com duas linhas (ou colunas) iguais então det(A) = 0.
3) Trocando duas linhas de posição o seu determinante troca de sinal.
4) Substituindo uma linha da matriz por ela somada a um múltiplo escalar de outra linha o
seu determinante não se altera.
5) Multiplicando uma linha da matriz por uma constante, o seu determinante fica
multiplicado por essa constante.

PROF. RUBENS VILHENA FONSECA

 ÁLGEBRA LINEAR E GEOMETRIA ANALÍTICA – PÁGINA 21
6) det(kA)=kndet(A), sendo n a ordem da matriz quadrada.
7) det(A+B)det(A)+det(B)
8) det(AB) = det(A)det(B)
9) det(At) =det(A)
1
10) det(A −1 ) = , desde que det(A)  0
det(A)

FORMA SIMPLIFICADA DE CÁLCULO DE DETERMINANTES

O excessivo número de operações torna o teorema de Laplace computacionalmente
desinteressante. Podemos então fazer uso de uma técnica que consiste em triangularizar a matriz e
calcular o seu determinante apenas multiplicando os elementos da diagonal principal.
Exemplo:
Calcular o determinante da matriz abaixo:

1 2 5
 
A = 0 3 3 det(A ) = 6
 
0 0 2
6
OBS.:
Verifique a afirmação aplicando o Teorema de Laplace à primeira coluna.

Exemplo:
Encontrar o determinante da matriz abaixo:
0 1 5
 
A = 3 -6 9
 
2 6 1
Primeiro, vamos permutar as linhas 1 e 2. O negativo decorre das propriedades do
determinante:
3 -6 9
det(A) = (−1)  0 1 5
2 6 1
Na primeira linha, todos os elementos são múltiplos de 3. Então, conforme as propriedades
de determinantes:
1 -2 3
det(A ) = (−1)  (3)  0 1 5
2 6 1
Vamos agora multiplicar a primeira linha por -2 e somá-la à terceira linha. Sabemos, pelas
propriedades, que o determinante não se altera:
1 -2 3
det(A) = (−1)  (3)  0 1 5
0 10 -5

PROF. RUBENS VILHENA FONSECA

 ÁLGEBRA LINEAR E GEOMETRIA ANALÍTICA – PÁGINA 22
Vamos agora multiplicar a segunda linha por -10 e somá-la à terceira linha. Sabemos, pelas
propriedades, que o determinante não se altera:
1 -2 3
det(A) = (−1)  (3)  0 1 5
0 0 - 55

Assim, o determinante da matriz original é dado por:

det(A) = (−1)  (3)  (1)  (1)  (−55) = 165

MATRIZ ADJUNTA
A transposta da matriz dos cofatores de A é chamada matriz adjunta de A, ou seja:
 C11 C12  C1n 
 
C 21 C 22  C 2n 
Se C =   é a matriz dos cofatores, então Adj(A) = C t
     
 
C n1 Cn2  C nn 

Exemplo:
Encontrar a matriz adjunta de A:
3 2 - 1
 
A = 1 6 3
 
2 -4 0 

Os cofatores dessa matriz são:

C11=12 C12=6 C13=-16
C21=4 C22=2 C23=16
C31=12 C32=-10 C33=16
A matriz dos cofatores é dada por:
12 6 - 16
 
C=4 2 16 
 
12 - 10 16 

A matriz adjunta de A é igual a:

 12 4 12 
 
Adj(A) = C t =  6 2 - 10
 
- 16 16 16 

A matriz adjunta é utilizada no cálculo da matriz inversa através da seguinte equação:

Adj(A)
A −1 =
det(A)
Exemplo:

PROF. RUBENS VILHENA FONSECA

 ÁLGEBRA LINEAR E GEOMETRIA ANALÍTICA – PÁGINA 23
Encontrar a inversa da matriz:

3 2 - 1
 
A = 1 6 3
 
2 -4 0 

Sabemos que a adjunta da matriz A é igual a (veja exemplo anterior):

 12 4 12 
 
Adj (A) =  6 2 - 10
 
- 16 16 16 
Calculando o determinante de A, obtemos:
det(A) = 64
Logo, a inversa de A é igual a:
 12 4 12 
Adj (A ) 1  
A −1 = =  6 2 - 10
det(A ) 64  
- 16 16 16 

 12 4 12 
 64 64 64 
 6 2 10 
A −1 = − 
 64 64 64 
− 16 16 16 
 64 64 64 

REGRA DE CRAMER
Utilizando o conceito de matriz adjunta e inversa, podemos deduzir a origem da famosa
regra de Cramer para resolução de sistemas lineares.
Sabemos um sistema linear pode ser resolvido da seguinte forma:
X=A-1B
A inversa da matriz A pode ser calculada através da expressão:
Adj(A)
A −1 =
det(A)
Fazendo as devidas substituições, temos:
1
X=  Adj(A)  B
det(A)

Em termos matriciais podemos observar que:

PROF. RUBENS VILHENA FONSECA

 ÁLGEBRA LINEAR E GEOMETRIA ANALÍTICA – PÁGINA 24
 x1   C11 C 21  C n1   b1 
     
x 2  1  C 12 C 22  C n 2  b 2 
 =   
   det(A)        
     
 x n  C1n C 2n  C nn  b n 
O que se traduz em:
C b + C 21b 2 + C 31b 3 + ... + C n1b n b1C11 + b 2 C 21 + b 3 C 31 + ... + b n C n1
x 1 = 11 1 =
det(A) det(A)
C b + C 22 b 2 + C 23 b 3 + ... + C n 2 b n b1C 21 + b 2 C 22 + b 3 C 23 + ... + b n C n 2
x 2 = 21 1 =
det(A) det(A)
....................................................................................................................................
C b + C n 2 b 2 + C n 3 b 3 + ... + C nn b n b1C n1 + b 2 C n 2 + b 3 C n 3 + ... + b n C nn
x n = n1 1 =
det(A) det(A)
Os numeradores são os determinantes das matrizes substituindo-se o vetor B nas colunas 1,
2,..., n respectivamente. Em termos mais simples:
x
x1 = 1

x 2
x2 =

.................
x n
xn =


PROF. RUBENS VILHENA FONSECA