Você está na página 1de 192

Álgebra linear e vetorial

Debora Cristiane Barbosa Kirnev


Renata Karoline Fernandes
© 2015 por Editora e Distribuidora Educacional S.A

Todos os direitos reservados. Nenhuma parte desta publicação poderá ser reproduzida
ou transmitida de qualquer modo ou por qualquer outro meio, eletrônico ou mecânico,
incluindo fotocópia, gravação ou qualquer outro tipo de sistema de armazenamento e
transmissão de informação, sem prévia autorização, por escrito, da Editora e
Distribuidora Educacional S.A.

Presidente: Rodrigo Galindo


Vice-Presidente Acadêmico de Graduação: Rui Fava
Diretor de Produção e Disponibilização de Material Didático: Mario Jungbeck
Gerente de Produção: Emanuel Santana
Gerente de Revisão: Cristiane Lisandra Danna
Gerente de Disponibilização: Everson Matias de Morais
Editoração e Diagramação: eGTB Editora

Dados Internacionais de Catalogação na Publicação (CIP)

Fernandes, Renata Karoline


F363a Álgebra linear e vetorial / Renata Karoline Fernandes,
Debora Cristiane Barbosa Kirnev – Londrina: Editora e
Distribuidora Educacional S. A., 2015.
192 p.

ISBN 978-85-8482-109-9

1. Matrizes. 2. Operações. I. Kirnev, Debora Cristiane


Barbosa. II. Título.

CDD 510
Sumário

Unidade 1 | Conhecendo matrizes 7

Seção 1 - Matriz, propriedades e classificações 11

1.1 Definição de Matrizes 11


Seção 2 - Operações com matrizes 21
Seção 3 - Determinantes de matrizes de diferentes ordens 33
3.1 Determinantes 33

Unidade 2 | Sistemas lineares e sua relação com matrizes 51


Seção 1 - Matrizes inversas e escalonamento de matrizes 55
1.1 Matrizes inversas 55
Seção 2 - Métodos para resolver sistemas lineares e relação de
sistemas lineares com matrizes 67
Seção 3 - Resolução de sistemas lineares e classificações 85

Unidade 3 | Vetores e transformações lineares 101


Seção 1 - Vetores bidimensionais e tridimensionais 105
Seção 2 - Introdução aos espaços vetoriais euclidianos 113
Seção 3 - Transformações lineares 135

Unidade 4 | Operações vetoriais 147


Seção 1 - Espaços vetoriais 151
Seção 2 - Transformações lineares 167
Seção 3 - Espaços vetorias com produto interno 177
Apresentação
Este livro trata de uma disciplina que é indispensável para a formação do futuro
professor de Matemática, porém, tem também grande importância para todos os
profissionais que aplicam conceitos matemáticos, a Álgebra Linear e Vetorial.

No decorrer deste trabalho, perceberemos a importância dos conceitos da


Álgebra Linear e Vetorial na Educação Básica, ao longo do Ensino Médio, pois alguns
dos conceitos estudados nos capítulos I e II deste livro são ensinados também no
Ensino Médio, mas há também aplicações para diversos cursos do Ensino Superior.

Este livro está dividido em quatro unidades, as quais contemplam os conceitos


da Ementa dessa disciplina, ou seja: Matrizes; Determinantes; Sistemas de Equações
Lineares; Espaços Vetoriais; Produtos Internos; Autovalores e Autovetores e
Transformações Lineares.

Na Unidade 1, abordaremos o conceito de matrizes. Ao final dessa unidade,


espera-se que você, estudante, reconheça uma matriz e saiba realizar operações
como adição, subtração, multiplicação e divisão de matrizes; consiga identificar as
principais propriedades das matrizes; conheça e saiba classificar matrizes de acordo
com o tipo delas; seja capaz de calcular determinantes de uma matriz quadrada;
consiga realizar escalonamentos em uma matriz qualquer e também calcular uma
matriz inversa.

A Unidade 2 é destinada para que você conheça e compreenda a relação entre


matrizes e os sistemas lineares, a forma de solucionar um sistema linear utilizando a
forma matricial por diferentes métodos; e também consiga classificar um sistema de
acordo com a quantidade de soluções.

A Unidade 3 é voltada para a introdução de conceitos de grande importância para


muitos cursos de graduação, como as engenharias e, com certeza, a Licenciatura
em Matemática, que são os vetores. Nessa unidade, você será conduzido para a
compreensão do conceito de vetores, a visualização de vetores no plano e no espaço,
a compreensão de transformações lineares e a aplicação dessas transformações.

Na última unidade desse livro, a Unidade 4, você aprenderá a respeito das


operações vetoriais, ou seja, aprenderá a determinar e conceituar o produto
interno, bem como suas propriedades; entenderá e identificará uma função como
produto interno; calculará autovalores e autovetores; compreenderá a importância
destes conceitos de autovalores e autovetores; aprenderá a calcular o polinômio
característico de um operador linear T, a diferenciar multiplicidade algébrica e
geométrica e também a mudar a base de um espaço vetorial.

A disciplina de Álgebra Linear e Vetorial, por meio da associação entre bases


científicas e aplicações dos conhecimentos nos diferentes níveis de ensino, propiciará
ao futuro professor uma base sólida de aprendizagem, que será indispensável para
um bom processo de ensino e aprendizagem destes conceitos.

Com relação a este material impresso, ele utiliza uma linguagem dialógica para
auxiliar na construção do seu conhecimento. Para melhor aproveitar este material,
faça as atividades e leituras sugeridas, organize seu tempo e, nos momentos de
estudo, volte sua atenção apenas para o que está estudando.

Bons estudos!

Prof.ª Renata Karoline Fernandes


Unidade 1

CONHECENDO MATRIZES

Renata Karoline Fernandes

Objetivos de aprendizagem: Essa unidade tem por objetivo conduzi-lo


no processo de aprendizagem a respeito de uma parte muito importante
dessa disciplina, o conceito de matrizes e operações com matrizes.

Ao final dessa unidade, espero que você reconheça uma matriz e


saiba realizar operações, como adição, subtração, multiplicação e divisão
de matrizes, consiga identificar as principais propriedades das matrizes,
conheça e saiba classificá-las de acordo com seus tipos. Espera-se, também,
que você seja capaz de calcular determinantes de uma matriz quadrada e
consiga realizar escalonamentos em uma matriz qualquer e calcular uma
matriz inversa.

Estes conceitos serão aplicados em várias disciplinas ao longo do curso


e ao longo da disciplina de Álgebra Linear e Vetorial e também durante o
exercício de sua futura profissão.

Bons estudos.

Seção 1 | Matriz, propriedades e classificações

Nesta seção, vamos definir o que são matrizes, como utilizá-las e


aprenderemos algumas aplicações.

As matrizes apresentam algumas propriedades específicas e é


importante que você conheça essas propriedades e também suas
classificações, pois elas serão úteis para aprender e compreender melhor
os conceitos das próximas seções.
U1

Seção 2 | Operações com matrizes


Nesta seção, você aprenderá como operar com matrizes e também a
respeito da soma, subtração, multiplicação de matrizes por uma constante,
multiplicação de matrizes e divisão de matrizes.

Essas operações fazem parte do currículo básico do Ensino Médio, sendo


assim, tem importância tanto para sua formação quanto para a formação
dos estudantes aos quais você ministrará aulas futuramente.

Seção 3 | Determinantes de matrizes de diferentes ordens


A terceira seção dessa unidade é destinada ao estudo de determinantes
de matrizes de diferentes ordens.

Vamos aprender a operar e calcular determinantes por meio de técnicas


específicas, o que nos permitirá resolver determinantes de matrizes com
ordem superior a três.

8 Conhecendo matrizes
U1

Introdução à unidade

É muito comum ver em computadores programas que utilizem planilhas


eletrônicas para organizar informações. Algumas dessas planilhas são
“tabelas” compostas de certa quantidade de linhas (que são horizontais) e
de certa quantidade de colunas (que são verticais).

Nós chamamos essas “tabelas” de matrizes. As matrizes são formas


para auxiliar na representação de informações, sendo essas informações
dados quantitativos. Comumente, para facilitar a realização de cálculos
que podem ser complexos, utilizamos matrizes numéricas quadradas ou
retangulares.

Nós podemos utilizar matrizes em diversas áreas, por exemplo,


Engenharia, Física, Computação, Engenharia, entre outras.

As matrizes tiveram sua importância dissociada do cálculo de


determinantes há pouco mais de 150 anos, porém este conceito já é
conhecido desde, aproximadamente, 1826; entretanto, o nome matriz só
foi estabelecido em 1850, por James Joseph Sylvester, mas foi Cayley, em
1858, na obra Memoir on the Theory of Matrices, quem divulgou o nome
matriz e também iniciou o processo de demonstração de sua utilidade
(SILVEIRA, 2014).

James Joseph Sylvester utilizou a palavra matriz como sendo o local onde
algo se gera ou cria, ou ainda: “[...] um bloco retangular de termos [...], o
que não representa um determinante, mas é como se fosse uma MATRIZ a
partir da qual podemos formar vários sistemas de determinantes, ou fixar um
número p e escolher à vontade p linhas e p colunas [...]” (artigo publicado na
Philosophical Magazine, 1850, p. 363-370 apud SILVEIRA, 2014).

Somente com Cayley que as matrizes passaram a ter “vida própria” e deixaram
de ser apenas um conceito matemático para o cálculo de determinantes.

Sabendo da necessidade e importância tanto para a disciplina quanto

Conhecendo matrizes 9
U1

para a sua formação de aprender a respeito de matrizes, a Unidade 1 desse


material está organizada em três seções.

Na primeira seção, acontece a apresentação das matrizes, suas


propriedades e classificações, tendo como intenção criar uma familiaridade
com tais conceitos.

Na segunda seção, aprenderemos a realizar operações com matrizes,


somas, subtrações, multiplicações de matrizes por um número, que
chamamos de constantes, e também matriz por matriz.

A última seção é dedicada ao estudo de métodos para a resolução dos


importantes determinantes. Aprenderemos a calcular o determinante de
matrizes quadradas de qualquer ordem.

Desejo a você um bom estudo e que possa aproveitar ao máximo o


conteúdo que lhe é fornecido, assim como as dicas de leitura e pesquisa.

10 Conhecendo matrizes
U1

Seção 1

Matriz, propriedades e classificações

1.1 Definição de Matrizes

As matrizes são utilizadas para organizar dados, de forma que possam


ser realizadas determinadas operações com eles.

Cada número que compõe uma matriz é chamado de elemento da


matriz; as filas horizontais que compõem uma matriz são chamadas de
linhas; já as filas verticais são chamadas de colunas.

Nós podemos definir uma matriz como:

Os conjuntos a seguir são espaços vetoriais se as operações de adição


e multiplicação podem ser não usuais.

Uma matriz de ordem m x n é uma tabela numérica composta por m.n


elementos. Estes elementos são dispostos em m linhas e n colunas.
Por se tratar de linhas e colunas, os números que representam as
quantidades de m e n pertencem ao conjunto dos números naturais e
são diferentes de zero.
A quantidade de linhas (m) e colunas (n) de uma matriz pode ser igual,
ou diferente.
Em muitos materiais, ao invés de m e n, os índices são representados
por i (para a quantidade de linhas) e j (para a quantidade de colunas).

Conhecendo matrizes 11
U1

Vamos ver exemplos de matrizes de diferentes ordens em diferentes


situações.

Exemplo 1 – Matriz
Figura 1.1 - Matriz 3 x 3 Como podemos ver
pela imagem anterior, os
elementos das matrizes
podem ser representados
dentro de parênteses
ou colchetes. As
matrizes representadas
anteriormente são
matrizes de ordem 3,
pois têm três linhas e três
colunas, mas podemos
também dizer que elas
são matrizes 3 x 3 (lemos
matrizes três por três,
sempre o primeiro valor
Fonte: A autora (2014) se refere à quantidade de
linhas e o segundo valor à
quantidade de colunas.).

Vamos ver, no próximo exemplo, como utilizar uma matriz para a


representação de dados.

Exemplo 2 – Utilização de matrizes para organizar dados

O quadro abaixo mostra o consumo mensal de uma família, em


quilogramas, de dois alimentos durante quatro meses específicos. Vejamos
esse quadro:
Quadro 1.1 - Consumo de alimentos
Arroz Feijão
Janeiro 15 4
Fevereiro 13 5
Março 16 5
Abril 15 6
Fonte: A autora (2014)

12 Conhecendo matrizes
U1

Por meio do Quadro 1.1, podemos, por exemplo, saber quanto de feijão
essa família consumiu no mês de março, procurando o número localizado
na terceira linha e segunda coluna.

Representando essas informações por meio de uma matriz, obtemos:

informações por meio de uma matriz, obtemos:

Essa é uma matriz do tipo 4 x 2, pois temos quatro linhas e duas colunas.

Vamos ver, no próximo exemplo, outros exemplos de matrizes.

Exemplo 3: Matrizes

a) Essa é uma matriz 2 x 4, pois é composta por 2 linhas e 4


colunas.

b) [−2 1,5 9 −8 0] Essa é uma matriz 1 x 5, pois é composta por 1 linha e 5


colunas. A matriz que é composta por apenas uma linha é
chamada de matriz linha.

c) Essa é uma matriz 3 x 1, pois é composta por 3 linhas e 1


coluna. A matriz que é composta apenas por uma coluna
é chamada de matriz coluna.

d) Essa é uma matriz 2 x 2, pois é composta por 2 linhas e 2


colunas. Como todos os elementos dessa matriz são zero,
chamamos essa matriz de matriz nula.

Conhecendo matrizes 13
U1

Existe uma representação genérica para as matrizes


com m linhas e n colunas, a qual é a seguinte:

Essa é uma representação genérica para uma matriz de qualquer ordem,


em que podemos identificar um elemento de acordo com o local que
ocupa na matriz, por exemplo, sabemos que o elemento a_23 ocupa na
matriz a segunda linha e a terceira coluna, já o elemento a_31 ocupa a
terceira linha e primeira coluna.

Vamos ver um exemplo de como estabelecer matrizes utilizando a


forma genérica das matrizes.

Exemplo 4: Construção de matrizes

Construa a matriz B= (bmn)4 x 2, tal que

Para construir essa matriz, é necessário verificar em quais locais dela


temos m≥n, nesses locais devemos calcular m+n2, e a resposta será o valor
do elemento da matriz que ocupa a determinada linha e coluna. Vejamos,
então, essa primeira determinação:

14 Conhecendo matrizes
U1

Agora, só falta calcular o valor do único elemento que falta o b_12. Para
esse elemento, devemos utilizar a regra m-n, pois m é menor que n. Assim:

Sendo assim, nossa matriz B que segue as indicações é:

Agora é sua vez!

1. Qual o resultado da adição do elemento a12 e a23 da matriz


A = (amn) 2x3 tal que amn=m2-n2.

2. Qual o resultado da soma de todos os elementos que


compõem a matriz b = (bmn) 3x3 tal que bmn= m-n.

Agora que nós já conhecemos o que são matrizes e como elaborá-las


por meio de uma lei de formação, vamos agora aprender classificações
para as funções.

Conhecendo matrizes 15
U1

Matriz quadrada
Nós dizemos que uma matriz m x n é quadrada quando m = n, ou seja,
a matriz tem a mesma quantidade de linhas e de colunas.

As matrizes a seguir são matrizes quadradas.

Matriz quadrada de ordem 2.

Matriz quadrada de ordem 3

Matriz quadrada de ordem n.

Nas matrizes quadradas de ordem n, os elementos a11 , a22 , ..., ann


formam a diagonal principal da matriz. Nesses elementos o valor de m e n
são iguais. Já a outra diagonal é chamada de diagonal secundária. Vamos
ver essas diagonais na imagem abaixo.
Figura 1.2 - Diagonais da matriz

Fonte: A autora (2014)

MATRIZ TRIANGULAR

Uma matriz triangular é um tipo de matriz em que todos os elementos


acima ou abaixo da diagonal principal são nulos. Se os elementos acima
da diagonal principal forem nulos, temos o que nós chamamos de matriz
triangular inferior; e se os elementos abaixo da diagonal forem nulos,
temos o que chamamos de matriz triangular superior. Vamos ver exemplos
dessas matrizes na figura 1.3:

16 Conhecendo matrizes
U1

Figura 1.3 - Matrizes Triangulares

Fonte: A autora (2014)

Na Figura 1.3, Matrizes Triangulares, os dois exemplos,


tanto a matriz triangular inferior quanto a matriz
triangular superior, são matrizes quadradas. Será que
é possível uma matriz triangular sem ser quadrada?
Pense a respeito antes de prosseguir o estudo do
nosso material impresso.

Agora que você já refletiu a respeito da questão apresentada


anteriormente, podemos discutir a respeito dela. Todas as matrizes
triangulares, tanto superiores quanto inferiores, são quadradas, não existem
matrizes triangulares sem serem quadradas, mas, como vimos alguns
exemplos, nem todas as matrizes quadradas são triangulares.

MATRIZ DIAGONAL

Diferentemente da matriz triangular em que os elementos acima ou


abaixo da diagonal principal são nulos, na matriz diagonal os elementos
acima e abaixo são nulos. Vamos ver um exemplo de matriz diagonal na
figura abaixo.
Figura 1.4 - Matriz Diagonal

( )
2 0 0 0 Matriz
0 2 0 0 Diagonal
0 0 9 0
0 0 0 3
Fonte: A autora (2014)

Conhecendo matrizes 17
U1

Existe um caso especial para a matriz diagonal, que é a matriz identidade.


A matriz identidade é uma matriz diagonal em que todos os elementos da
diagonal principal são o número um. Vamos ver uma matriz identidade.

Figura1.5 - Matriz Identidade

A matriz identidade é uma


matriz quadrada, triangular e
diagonal.
Fonte: A autora (2014)

3.
a) Escreva uma matriz diagonal de ordem 4, em que amn=2m-n
quando m = n e 0 quando m é diferente de n.

b) Escreva a matriz de ordem 3 que segue

Essa matriz pode ser classificada de qual forma?

Vamos aprofundar nosso conhecimento estudando os links abaixo:

Para saber mais a respeito das classificações de matrizes, acesse os


seguintes links:
<http://educacao.uol.com.br/disciplinas/matematica/matriz-1-
definicao-e-classificacao.htm>
<http://www.brasilescola.com/matematica/tipos-matrizes.htm>.

Agora, vamos estudar uma matriz que será de grande importância para o
nosso estudo, a matriz transporta.

18 Conhecendo matrizes
U1

MATRIZES IGUAIS

Este conceito é bem simples, mas tem utilidade na resolução de diversos


exercícios.

Nós dizemos que uma matriz é igual a outra se e somente se as matrizes


tiverem a mesma quantidade de linhas e colunas e cada um dos elementos
da primeira matriz é igual aos elementos da segunda matriz. Vamos ver um
exemplo:

Exemplo 5: Matrizes Iguais

Sejam as matrizes sabendo

que A = B, então os valores da x, r, y e t valem:

Como vimos, para duas matrizes


serem iguais é preciso que os valores
de todos os elementos correspondentes
sejam iguais, deste modo:

MATRIZES TRANSPOSTAS

A matriz transposta da matriz A m x n é indicada por At e essa matriz n x m,


pois uma matriz transposta é formada pela inversão das linhas pelas colunas
da matriz inicial.

Mas o que isso significa? O que significa dizer que a matriz transposta é
formada pela inversão da linha pela coluna?

Significa que a primeira linha da matriz A é a primeira coluna da matriz


A , a segunda linha da matriz A é a segunda coluna da matriz At, e assim
t

por diante.

Vamos ver um exemplo de matriz transposta na figura a seguir:

Conhecendo matrizes 19
U1

Figura 1.6 - Matriz Transposta

Fonte: A autora (2014)

Nós utilizaremos a matriz transposta para o cálculo de matrizes inversas.


Vamos aprender um pouco mais das matrizes transpostas no nosso Para
saber mais.

Para saber mais a respeito das matrizes inversas, que tal estudar o
seguinte material?
<http://www.mundoeducacao.com/matematica/matriz-oposta-
matriz-transposta.htm>
<http://www.colegioweb.com.br/trabalhos-escolares/matematica/
matrizes/matriz-transposta.html>
<http://www.alunosonline.com.br/matematica/matriz-transposta-
matriz-simetrica.html>.

Como você viu nos estudos dos links sugeridos, existem também matrizes
opostas e matrizes simétricas.

O que você compreendeu a respeito das matrizes opostas e


simétricas?

Agora que já conhecemos as classificações das matrizes, vamos, na


próxima seção, aprender a operar com elas.

20 Conhecendo matrizes
U1

Seção 2

Operações com matrizes


Vamos aprender agora a respeito das principais operações com matrizes,
como realizar essas operações e alguns exemplos.

ADIÇÃO E SUBTRAÇÃO DE MATRIZES

Para poder somar ou subtrair duas matrizes (ou mais), é necessário que
elas tenham dimensões iguais, ou seja, tenham a mesma quantidade de
linhas e de colunas. A soma ou subtração de matrizes é obtida por meio
da adição ou subtração de cada elemento da primeira matriz com o seu
correspondente na outra matriz. Vamos ver um exemplo:

Exemplo 1: Adição e subtração de matrizes

Seja então A + B e B – A é:

Vamos calcular A + B, lembrando que fazemos isso somando cada um


dos elementos da primeira matriz com os respectivos elementos na segunda
matriz, assim:

Sendo assim,

Conhecendo matrizes 21
U1

De modo análogo, realizamos a subtração dessas duas matrizes, deste modo:

Sendo assim,

Devemos, na operação de subtração, tomar cuidado, com as regras


de sinais.

Na operação de adição de matrizes, existe uma propriedade, vamos


conhecê-la.

Quando é possível realizar a soma de matrizes, ou seja, as matrizes têm


a mesma quantidade de linhas e colunas, a soma apresenta as seguintes
propriedades:

A + B = B + A (propriedade comutativa)
(A + B) + C = A + (B + C) (propriedade associativa)
A + 0 = A (elemento neutro, sendo que 0 representa a matriz nula)
A + (- A) = 0 (elemento oposto)

Vamos pensar agora a respeito dessas propriedades, mas para a operação


de subtração.

22 Conhecendo matrizes
U1

Será que as propriedades que valem para a adição


valem também para a subtração de matrizes?

Vamos ver exemplos de atividades que envolvem as operações de


soma e subtração de matrizes.

Exemplo 2. Sejam as matrizes e

sabendo que A + B = Qual é a matriz transposta da matriz A?

RESPOSTA: Para resolver essa questão, é necessário calcular o valor


de x e de y, para isso, devemos utilizar as informações que temos, assim:

Desta informação e do conhecimento a respeito adição com matrizes,


podemos obter:

Como vimos anteriormente, uma matriz só é


igual a outra se todos os elementos forem iguais.
Desta informação, concluímos que:

Com essa equação calculamos o valor de x,


porém poderíamos realizar esse cálculo também
com a equação:

Não poderia ser diferente, em qualquer uma das


equações obtemos o mesmo resultado, ou seja, o
mesmo valor para x. Agora, conhecendo o valor dessa
incógnita, podemos calcular o valor de y, assim:

Conhecendo matrizes 23
U1

Desta forma, a matriz A é:

Vamos agora realizar algumas atividades a respeito


dessas operações.

A atividade pede a matriz transposta de


A, deste modo:

Agora é a sua vez, vamos resolver algumas atividades a respeito da adição


e subtração de matrizes.

1. Sabendo que a soma de A + B = e que A =


podemos afirmar que a matriz B é:

2. Sendo

resolva as operações com matrizes.

a) A + B.
b) A + C.
c) B - D.
d) D + B.

Vamos agora aprender mais a respeito da multiplicação de matrizes por


uma constante.

MULTIPLICAÇÃO DE MATRIZES POR CONSTANTES

Para realizar a multiplicação de uma matriz por uma constante, ou seja,


por um número real, nós precisamos multiplicar cada um dos elementos
da matriz por este número. Vejamos exemplos:

24 Conhecendo matrizes
U1

Exemplo 3. Sendo A = calcule:

a) 5.A

b) -2.A

c) 1/2.A

A multiplicação de matrizes por uma constante apresenta algumas


propriedades, vamos aprendê-las.

Sejam α e β números reais e A e B matrizes (a+ β) A = aA+βA


de qualquer ordem, temos as seguintes a (A + B) = a A+ a B
propriedades: a(β.A)=(a.β)A

Vamos aprender agora a respeito da multiplicação de matriz por matriz.

MULTIPLICAÇÃO DE MATRIZES

Se a matriz A = (aij)m x n e a matriz B = (bjk)n x p , o produto ou multiplicação


de A por B é uma matriz C = (Cik)m x p. Essa afirmação nos mostra que só
é possível multiplicar uma matriz por outra matriz se a quantidade de coluna
da primeira matriz for igual à quantidade de linhas da segunda matriz. Na
sequência, perceberemos essa necessidade nos exemplos.

Na multiplicação de duas matrizes A e B, o número de colunas da


matriz A deve ser igual ao número de linhas da matriz B, e a matriz
C, que é o produto de AB, tem o mesmo número de linhas de A e o
mesmo número de colunas de B.

Conhecendo matrizes 25
U1

Vamos ver alguns exemplos de como realizamos a multiplicações de


matrizes. Por meio desses exemplos vamos perceber que o resultado da
multiplicação de matrizes NÃO se dá por meio da multiplicação de cada um
dos elementos.

Exemplo 4. Seja A , a matriz C, que é resultado de


A.B, é:

Vamos resolver essa multiplicação assim:


Figura 1.7 – Multiplicação de matrizes

Fonte: A autora (2014)

A multiplicação de matrizes também apresenta algumas propriedades.

26 Conhecendo matrizes
U1

Sejam A, B e C matrizes, sendo que existam soma e produtos entre


essas matrizes, valem as seguintes propriedades.
(B C) = (A . B) . C -> (PROPRIEDADE ASSOCIATIVA)
(B + C ) . A = B . A + C. A -> (PROPRIEDADE DISTRIBUTIVA)
A . (B + C) = A. B + A . C -> (PROPRIEDADE DISTRIBUTIVA)
Para a multiplicação de matrizes não vale a propriedade comutativa,
ou seja, em geral, A . B≠ B . A.

Vamos aprender mais a respeito da multiplicação de matrizes no próximo


exemplo.

Exemplo 5: Determine os valores de x e y para que


seja verdadeira.

Para resolver esse exercício, é preciso utilizar os conhecimentos a respeito


de multiplicação de matrizes e também de igualdade de matrizes. Sendo
assim:

Para que , que é o resultado de , seja igual a

é preciso que:

Conhecendo matrizes 27
U1

Sendo assim, para que é necessário que x =1 e


y = 5.

Agora é sua vez de praticar essa operação.

1. Sendo determine:

a) A . B
b) B . A

A resolução dessa atividade confirma que, para a multiplicação de matrizes,


a ordem dos fatores altera o produto.

Agora que já aprendemos a respeito dessas operações, vamos ver uma


maneira de calcular o que chamamos de matriz inversa.

MATRIZ INVERSA

Quando temos uma matriz quadrada A, de qualquer ordem, ou seja, de


ordem n, se X é uma matriz tal que A. X = I, ou seja, uma matriz identidade
e X. A = I, dizemos que X é a matriz inversa de A e é indicada por A-1. Vale
lembrar que I representa a matriz identidade.

Se uma matriz A tem inversa, então dizemos que essa matriz é invisível ou
não singular. Agora nós vamos aprender por meio dos próximos exemplos
uma forma de resolver e calcular uma matriz inversa para matrizes quadradas
de ordem 2 ou 3, mas na próxima seção aprenderemos outro método para
o cálculo de matrizes, por meio do uso de determinantes.

28 Conhecendo matrizes
U1

Exemplo 6. Seja a matriz A = podemos calcular sua inversa por


meio da informação que A . A-1 = I, sendo assim:

Resolvendo a multiplicação, obtemos:

Dessas igualdades obtemos:

Organizando essas informações na matriz, obtemos:

Exemplo 7. Se a matriz A = então vale:

Para resolver essa questão, é preciso calcular inicialmente a matriz inversa da


matriz A e depois calcular a transposta dessa matriz e, na sequência, multiplicar
pela matriz A, sendo assim:

Conhecendo matrizes 29
U1

Cálculo da Inversa:

Essa igualdade de matrizes implica que:

Organizando os dados na matriz , obtemos , sendo assim,

A-1=

A matriz transposta de A-1 é: Agora que calculamos a

matriz podemos realizar a multiplicação de assim:

Sendo assim,

30 Conhecendo matrizes
U1

1. Calcule a matriz inversa das matrizes que seguem:

Vamos encerrar a nossa unidade com uma questão para refletir.

Como vimos, na multiplicação de matrizes a ordem dos


fatores altera o produto, ou seja, se A e B forem matrizes
e exista as multiplicações A . B e B . A, o resultado dessas
multiplicações será diferente. Pense a respeito das
operações de matrizes.

Agora que já aprendemos a respeito das operações com matrizes,


vamos aprender na próxima seção a calcular o determinante de matrizes.

Para aprofundar seu conhecimento a respeito de operações com


matrizes, acesse:
<http://www.somatematica.com.br/emedio/matrizes/matrizes.php>
<http://www.somatematica.com.br/emedio/matrizes/matrizes2.php>
<http://www.somatematica.com.br/emedio/matrizes/matrizes3.php>
<http://www.somatematica.com.br/emedio/matrizes/matrizes4.php>.

Conhecendo matrizes 31
U1

32 Conhecendo matrizes
U1

Seção 3
Determinantes de matrizes de diferentes ordens
O cálculo de determinantes de funções é de grande importância para a
resolução de sistemas lineares, assunto da Unidade 2 deste material.

Os dois principais nomes associados ao desenvolvimento do estudo


dos determinantes de matrizes são Augustin – Louis Cauchy e Carl Gustav
Jacobi.

3.1 Determinantes

O estudo dos determinantes é de grande importância. Uma das formas


de resolver sistemas de equações, assunto de nossa próxima unidade é por
meio da utilização desses determinantes.

Os primeiros indícios de noções de determinantes já eram conhecidas


por volta de 250 a.C., mas apenas por volta do século XVII que surgiram
trabalhos matemáticos dos importantes matemáticos Gottfried Wilhelm
Leibniz e Gabriel Cramer. Cramer desenvolveu um método muito utilizado
até os dias de hoje para resolver sistemas de equações por meio de
determinantes.

Foi no século XIX que os determinantes começaram a ser sistematizados


e outros matemáticos também contribuíram para que houvesse essa
sistematização, sendo esses Augustin Louis Cauchy e Carl Gustav Jacobi,
porém estes matemáticos citados não são os únicos.

A notação que utilizamos para indicar o determinante de uma matriz


quadrada B é dado por detB, como vemos no exemplo de uma matriz
quadrada de ordem 3:

Conhecendo matrizes 33
U1

Perceba que o determinante não é escrito entre parênteses ou colchetes,


ele é escrito entre barras, semelhantes às utilizadas para indicar o módulo
de um número, porém a barra utilizada nos determinantes não tem relação
com o módulo.

Agora que já sabemos um pouco da história dos determinantes, vamos


conhecer os determinantes de matrizes de ordens diferentes.

Determinantes de uma matriz de ordem 1

O determinante de uma matriz de ordem 1, ou seja, uma matriz do tipo

é o próprio elemento a11. Vejamos alguns exemplos:

Exemplo 1.

Vamos aprender agora a respeito de determinantes de matrizes de ordem 2.

Determinantes de uma matriz de ordem 2

Para calcular o valor do determinante de uma matriz de ordem 2, é


necessário multiplicar os valores dos elementos da diagonal principal e
multiplicar os valores dos elementos da diagonal secundária; na sequência,
realizar a subtração do resultado obtido na multiplicação da diagonal principal
pelo resultado obtido na multiplicação da diagonal secundária. Vamos ver um
exemplo de como realizar essas operações passo a passo na figura abaixo.

Figura 1.8 - Determinante de matrizes de ordem 2

Fonte: A autora (2014)

34 Conhecendo matrizes
U1

Como podemos ver na Figura 1.8, no caso da matriz genérica, a


multiplicação dos elementos da diagonal principal é igual a a11 a22 e a
multiplicação dos elementos da diagonal secundária é a12 a21 . Para calcular
o determinante da matriz A, é necessário realizar a subtração do resultado
obtido na diagonal principal menos a matriz secundária.

Vamos ver alguns exemplos na sequência.

Exemplo 2: Calcule os determinantes das matrizes de ordem 2, que segue:

Resolução dos exemplos.

Perceba que para resolver esse determinante nós realizamos a subtração


do resultado das multiplicações dos elementos da diagonal principal pelo
resultado da multiplicação dos elementos da diagonal secundária. Tome
cuidado com a regra de sinal.

A matriz E dos nossos exemplos é uma matriz que envolve incógnita,


porém, como não existe uma igualdade ou algo que possibilite definir o valor
de x e y, apenas realizamos um cálculo literal, como veremos na sequência.

Conhecendo matrizes 35
U1

Agora que já temos mais familiaridade com o cálculo de determinantes


de matrizes de ordem 2, vamos resolver um exemplo que envolva outros
conceitos já estudados.

Exemplo 3. Seja calcule:

Resolução dos exemplos:

Para resolver o item a, é necessário, inicialmente, calcular A . B e, na


sequência, calcular o determinando da matriz resultante, assim:

Agora que calculamos o valor de A . B, podemos calcular o determinante


dessa matriz, logo:

Para resolver o item b, é necessário, inicialmente, calcular o determinante


de A, depois o de B e o de C e, na sequência, multiplicar os três valores
obtidos, deste modo:

Multiplicando

Para resolver o item c, devemos calcular a matriz transposta de B e, na


sequência, calcular o determinante, deste modo:

36 Conhecendo matrizes
U1

Agora, calculando o determinante da matriz transposta, temos:

Se repararmos no determinante da matriz B calculado anteriormente,


veremos que o determinante de uma matriz é igual ao determinante
dessa matriz transposta. Sempre o determinante de uma matriz é igual ao
determinante da sua transposta, logo:

detA= detAt

Vamos pensar a respeito dessa igualdade.

Procure explicar o(s) motivo(s) pelo(s) qual(is) a


igualdade detA= detAt é verdadeira.

Para resolver o item d, é necessário multiplicar a matriz A por 3 e depois


calcular o determinante dessa nova matriz, logo:

Calculando o determinante, obtemos:

Exemplo 4: Calcule o valor da incógnita em cada uma das equações.

Conhecendo matrizes 37
U1

Para obter o resultado do item a é necessário calcular o determinante


e resolver a equação resultante. Sabemos que estamos lidando com
determinantes, pois aparece a seguinte notação | |. Desta forma, podemos
resolver o item a da seguinte forma:

Ainda, da igualdade obtemos:

Então:

Para resolver o item b, é necessário calcular os dois determinantes,


somar os resultados e igualá-lo a 4, assim:

Somando os determinantes e igualando a 4, obtemos:

Agora é sua vez de praticar e resolver determinantes de matrizes quadradas de


ordem 2.

38 Conhecendo matrizes
U1

1. Sendo calcule o

valor de

Vamos agora estudar os determinantes de matrizes de ordem 3.

DETERMINANTES DE UMA MATRIZ DE ORDEM 3

Vamos aprender um método para realizar o cálculo do determinante de


matrizes de ordem 3, a Regra de Sarrus.

Seja podemos obter o detA por meio do seguinte


cálculo:

De acordo com essa regra (a Regra de Sarrus), para


resolver um determinante de ordem 3 é preciso repetir a 1ª e a 2ª coluna
à direita da matriz e efetuar as multiplicações, conforme evidenciada na
figura abaixo.
Figura 1.9 - Regra de Sarrus

Fonte: Ribeiro (2007, p. 334)

Conhecendo matrizes 39
U1

Como vimos na figura anterior, as multiplicações feitas da esquerda


para a direita mantêm os sinais e as multiplicações feitas da direita para
a esquerda têm seus resultados multiplicados por menos um, assim, os
números se mantêm, porém os sinais são trocados.

Vamos ver outra forma para resolver o determinante de matrizes de


ordem 3.

Figura 1.10 - Cálculo de determinantes de matrizes de ordem 3

Fonte: Ribeiro (2007, p. 334)

Utilizando a ordem de multiplicação exposta na figura, também


calculamos o determinante de uma matriz de ordem 3, porém temos que
tomar cuidado com os sinais.

Vejamos alguns exemplos:

Exemplo 5: Calcule o determinante da matriz

Inicialmente, vamos resolver esse determinante por meio da Regra de


Sarrus. Para isso devemos repetir as duas primeiras colunar e realizar as
multiplicações.

40 Conhecendo matrizes
U1

Figura 1.11 - Resolução do cálculo de determinantes

Fonte: A autora (2014)

Após realizar as multiplicações, devemos lembrar que algumas das


multiplicações devem ser multiplicadas por menos 1. No caso do nosso
exemplo, multiplicaremos por menos um as multiplicações 0 . 5 . (-2); 6 . 2
. 1 e 0 . (-1) . 4. Assim, obtemos:

Exemplo 6. Calcule o determinante da matriz

Calculando esse determinante pela Regra de Sarrus, obtemos:

Conhecendo matrizes 41
U1

Para saber mais a respeito do cálculo de determinantes de ordem 3,


acesse o link sugerido.
<http://www.ptmat.fc.ul.pt/~matjoao/acetatoregrasdetordem3.pdf>.

Agora é sua vez de praticar.

1. Considere as matrizes

em que x é um número real. Sabendo que o determinante da


matriz B . C é igual a 10, qual o valor de x?

Vamos aprender agora a respeito dos determinantes de matrizes de


ordem superior a 2.

DETERMINANTES DE UMA MATRIZ DE ORDEM N

Vamos agora estudar o Teorema de Laplace. Este teorema apresenta


uma regra prática para calcular determinantes de matrizes de ordem maior
que 2. Porém, para estudar este teorema, precisamos aprender o que é o
cofator de uma matriz.

Seja A uma matriz de ordem maior ou igual a 2, chamamos de cofator


do elemento aij o seguinte produto:
Cij=(-1)i+j.Dij
Nesse produto, Dij é o determinante que se obtém da matriz A
eliminando sua i-ésima Lina e j-ésima coluna.

42 Conhecendo matrizes
U1

Para compreender um mais o cálculo de um cofator, vamos ver


exemplos.

Exemplo 7: Seja a matriz , vamos obter o cofator


do elementos a11 e a32.

Para calcular o cofator do elemento a11 , é necessário calcular o


determinante da matriz que se forma ao retirarmos a linha 1 e a coluna
1 (pois queremos o cofator do elemento que está localizado na primeira
linha e primeira coluna).

Logo:

Deste modo, o cofator será: a11=(-1)2.8=1.8=8. Sendo assim, podemos


afirmar que cofator do elemento a11 vale 8.

Para calcular o cofator do elemento a32 , é necessário calcular o


determinante da matriz que se forma ao retirarmos a linha 3 e a coluna 2
(pois queremos o cofator do elemento que está localizado na terceira linha
e segunda coluna).

Logo:

Deste modo, o cofator será: a32=(-1)5.0=-1.0=0. Sendo assim, podemos


afirmar que cofator do elemento a32 vale 0.

Exemplo 8: Vamos determinar o cofator do elemento b24 da matriz:

Para calcular o cofator do elemento b24, é necessário calcular o


determinante da matriz que se forma ao retirarmos a linha 2 e a coluna
4 (pois queremos o cofator do elemento que está localizado na segunda
linha e quarta coluna).

Logo:

Conhecendo matrizes 43
U1

Deste modo, o cofator será:

Sendo assim, podemos afirmar que cofator do elemento b24 vale -32.

Nós estudamos o cofator de um elemento, pois, para calcular o


determinante de uma matriz de ordem maior que 2 por meio do teorema
de Laplace, iremos utilizá-lo.

O Teorema de Laplace oferece uma forma prática para calcular


determinantes de ordem superior a dois, e podemos realizar esse cálculo
adicionando os produtos dos elementos de uma linha ou coluna qualquer
pelos correspondentes cofatores desses elementos.

Vamos ver como realizar isso na figura abaixo:

Figura 1.12 - Teorema de Laplace

Fonte: Ribeiro (2007, p. 337)

Vale lembrar que a segunda linha foi escolhida, mas poderia ser qualquer
uma das linhas ou então das colunas. Vamos ver um exemplo para deixar
esse conteúdo mais claro.

Exemplo 9: Utilizando o teorema de Laplace, calcule o determinante da


matriz A=

44 Conhecendo matrizes
U1

Visto que, para utilizar o Teorema de Laplace, necessitamos multiplicar


o elemento pelo seu cofator e podemos escolher qualquer linha ou coluna
para calcular o determinante, então, é preferível escolher a linha ou coluna
que tenha mais zeros, pois como, ao multiplicar o cofator por zero, o
resultado será zero, deixará de ser necessário o cálculo do cofator dos
elementos nulos.

Por conveniência, escolherei a segunda coluna para calcular o


determinante, assim:

Para isso, calcularemos o cofator do elemento a12 e a22, pois o a32 é


zero. Logo:

O cofator do elemento

Agora que já calculamos os cofatores, podemos utilizar a Regra de


Laplace.

Sendo assim, o determinante da matriz A é igual a 42.

Vale ressaltar que esse resultado seria obtido se escolhêssemos qualquer


linha ou qualquer coluna, e também poderíamos utilizar para essa matriz
que tem ordem 3 as regras apresentadas anteriormente.

Vamos aprender mais a respeito do Teorema de Laplace, bem como


outros teoremas relacionados a matrizes no nosso próximo Para saber mais.

Conhecendo matrizes 45
U1

Nos links abaixo, você pode aprender mais e conhecer outros


exemplos da utilização do Teorema de Laplace para a resolução de
determinante de matrizes.
<http://www.somatematica.com.br/emedio/determinantes/
determinantes4.php>
<http://www.somatematica.com.br/emedio/determinantes/
determinantes5.php>
<http://tudodeconcursosevestibulares.blogspot.com.br/2012/11/
determinantes-propriedades.html>.

Vamos, agora, fazer uma atividade para praticar.

1. Seja A= , aplique o Teorema de Laplace e

calcule seu determinante.

Com isso encerramos os conteúdos dessa unidade. Na próxima,


aplicaremos esses conceitos em resolução de atividades de sistemas
lineares.

Para treinar e consolidar sua aprendizagem, vamos resolver algumas


atividades na sequência.

46 Conhecendo matrizes
U1

Nessa unidade, você aprendeu:

- O que é uma matriz e como utilizá-la para organizar


dados.

- Aprendeu as classificações das matrizes.

- As operações de soma e subtração de matrizes só podem


ser feitas se as matrizes envolvidas tiverem a mesma ordem.

- Na multiplicação de matrizes, a ordem das parcelas altera


o resultado.

- Só podemos realizar multiplicação das matrizes A e B se


a quantidade de colunas da matriz A for igual à quantidade
de linhas da matriz B.

- Ao multiplicar uma matriz pela sua inversa, obtém-se a


matriz identidade.

- Os determinantes são utilizados na resolução de sistemas


de equações.

- Existem determinantes apenas de matrizes quadradas.

- A forma de resolver um determinante de matriz está


relacionada à ordem dessa matriz.

- Existe um teorema para resolver determinantes de ordem


maior ou igual a 2, o Teorema de Laplace.

Conhecendo matrizes 47
U1

Esta unidade foi elaborada com a intenção de que por meio dela você
fosse conduzido no processo de construção do conhecimento a respeito
de matrizes, suas operações, características, propriedades, bem como
métodos distintos para o cálculo de determinantes de matrizes, e para a
resolução de problemas que envolvem esses assuntos.

Espero que você tenha compreendido esses conteúdos importantes


e de grande aplicação em diversas áreas, como Física, Computação,
Engenharia e, logicamente, para a própria Matemática. Os conteúdos
tratados nessa unidade fazem parte dos conteúdos do currículo do
Ensino Médio.

Para que você possa se aprofundar nos conteúdos apresentados, sugiro


que faça as leituras dos sites ou livros que foram indicados nas dicas de
leitura, assim como pense e busque uma resposta para as questões de
reflexão.

Faça todas as atividades de aprendizagem tanto da seção quanto da


unidade, inicialmente sem olhar as respostas e, na sequência, verifique
se sua resposta está em concordância com a resposta sugerida.

Anseio que tenha tido bons estudos e uma boa compreensão dos
conceitos que estudamos nessa unidade e desejo que continue
realizando bons estudos nas próximas unidades desse livro.

1. Dada a matriz podemos afirmar que a

matriz A.At pode ser classificado como:


a) Matriz linha. d) Matriz Identidade.
b) Matriz coluna. e) Matriz Inversa.
c) Matriz simétrica.

48 Conhecendo matrizes
U1

2. Dadas as matrizes A= Qual matriz X tal que


a igualdade X.A=B é verdadeira?

3. Uma matriz C = [232 165 111 182] consta o consumo


mensal de água em m em uma residência nos quatro primeiros
3

meses do ano. Sabendo que a empresa que fornece água cobra


R$1,20 por m3, determine a matriz que apresenta o valor gasto
em reais da conta de água dessa residência.

4. Sendo tal que M = A. B, os


valores de x e y podem ser obtidos por meio de qual sistema de
equações?

5. Dada as matrizes

vale:

a) 110. d) 200.
b) 140. e) 230.
c) 170.

Conhecendo matrizes 49
U1

Referências
RIBEIRO, J. Matemática: ciência e linguagem. São Paulo: Scipione, 2007.

SILVEIRA, J. F. Porto das Matrizes. Disponível em:


<http://www.mat.ufrgs.br/~portosil/passa3b.html>. Acesso em: 03 nov. 2014.

50 Conhecendo matrizes
Unidade 2

SISTEMAS LINEARES E SUA


RELAÇÃO COM MATRIZES
Renata Karoline Fernandes

Objetivos de aprendizagem: Essa unidade tem por objetivo te auxiliar


no processo de aprendizagem a respeito do cálculo de matrizes inversas
com a utilização de determinantes, escalonamentos de matrizes, a
relação existente entre matrizes e sistemas lineares, regras distintas para a
resolução de sistemas lineares e classificação desses sistemas com relação
à quantidade de soluções possíveis ou não.

Ao longo dessa unidade, aprenderemos conceitos matemáticos muito


importantes. A maioria desses conteúdos é ensinada no 2º ano do Ensino
Médio e o estudo deles contribuirão para o processo de sua formação
como futuro(a) professor(a).

Os conceitos e conteúdos aprendidos nessa unidade são aplicáveis em


diversas áreas dentro e fora da própria Matemática, sendo eles indispensáveis
para uma boa aprendizagem dos demais conteúdos dessa disciplina, ou
seja, da Álgebra Linear e Vetorial.

Bons estudos!

Seção 1 | Matrizes inversas e escalonamento de matrizes


Na seção 1 dessa unidade você vai aprender como realizar o cálculo
de matrizes inversas de ordem superior à ordem 2, com o auxílio dos
determinantes. Objetiva-se também que você seja capaz de realizar o
escalonamento de matrizes de diferentes ordens.

Na unidade anterior desse material impresso, vimos como calcular


a matriz inversa de matrizes 2x2, mas com o escalonamento e com
técnicas específicas é possível determinar a inversa de uma matriz de
qualquer ordem.
U2

Seção 2 | Métodos para resolver sistemas lineares e


relação de sistemas lineares com matrizes

Nesta seção, vamos aprender como resolver alguns tipos de sistemas


lineares, mesmo que eles tenham mais de duas equações e duas
incógnitas.

Será nessa unidade que você vai aprender a relação existente entre as
matrizes e os sistemas lineares e ainda como utilizar matrizes para auxiliar
na resolução de sistemas lineares.

Seção 3 | Resolução de sistemas lineares e classificações

Nessa seção aprenderemos métodos diferentes para realizar o cálculo


e, portanto, a resolução de sistemas lineares de equações, bem como
conhecer e aprender as possíveis classificações com relação à quantidade
de resoluções possíveis.

Um sistema linear pode ser classificado de acordo com sua(s)


solução(ões), então vamos aprender essas classificações na seção 3 da
unidade.

52 Sistemas lineares e sua relação com matrizes


U2

Introdução à unidade

Algumas situações reais podem ser representadas como o que, matematicamente,


chamamos de sistemas de equações. Esses sistemas de equações são úteis para
descrever problemas em que temos mais de uma informação a respeito de mais de
uma variável.

Os chineses têm grande participação no estudo dos sistemas de equações


devido ao interesse que eles apresentavam por diagramas. Eles representavam
os sistemas lineares escrevendo-os com barras de bambu em quadrados de um
tabuleiro, evidenciando os coeficientes. Foram eles que descobriram o método
de resolução de sistemas por meio da eliminação. Aprenderemos esse método ao
longo dessa unidade, mas de forma geral ele consiste em anular coeficientes por
meio das operações elementares.

Esse procedimento de anular os coeficientes por meio de operações elementares


tem seus primeiros indícios por volta de 110 a.C., mas demorou mais de 1700 anos
a partir dessa data para iniciar o estudo da relação entre os determinantes e a
resolução de sistemas lineares.

Por volta de 1750, desenvolveu-se o que chamamos de Regra de Cramer para


resolver sistemas de equações com n incógnitas e n equações; depois disso, outros
métodos foram sendo desenvolvidos.

A relação entre determinantes e os sistemas lineares foi há muito tempo percebida


e nessa unidade aprenderemos o modo de realizar uma associação entre estes dois
assuntos a fim de determinar o valor das variáveis envolvidas.

Sabendo da necessidade e importância tanto para a disciplina quanto para a sua


formação de aprender a respeito de matrizes e sistemas lineares, a Unidade 2 desse
material está organizada em três seções.

A primeira seção trata do cálculo de matrizes inversas por meio da utilização de


determinantes.

Na segunda seção, será discutida a relação entre matrizes e sistemas de


equações e também aprenderemos um conceito de grande aplicação, chamado
de escalonamento de matrizes.

Sistemas lineares e sua relação com matrizes 53


U2

A última seção é dedicada ao estudo de métodos para a resolução de sistemas


lineares.

Desejo a você um bom estudo e que possa aproveitar ao máximo o conteúdo


que lhe é fornecido, assim como as dicas de leitura e pesquisa.

54 Sistemas lineares e sua relação com matrizes


U2

Seção 1

Matrizes inversas e escalonamento de matrizes

Nesta seção, vamos aprender mais a respeito das matrizes inversas, mas,
como você deve ter percebido, na unidade anterior nós estudamos matrizes
inversas de ordem 2, porém nessa seção vamos aprender a calcular as
matrizes inversas de ordem superior a dois por métodos diferentes.

1.1 Matrizes inversas

Escalonamento de matrizes

A partir de agora, aprenderemos a respeito de escalonamento de matrizes.


O método do escalonamento é um método de eliminação desenvolvido por
Gauss, sendo um dos mais utilizados para a resolução de sistemas lineares,
os quais estudaremos na sequência.

O método de Gauss, em uma versão adaptada, denominada de Eliminação


de Gauss-Jordan, é um dos mais utilizados para calcular matrizes inversas,
mas ele não é utilizado apenas para resolver sistemas lineares e inverter
matrizes, é utilizado também para calcular determinantes, transformações
lineares e estudo de espaços gerados.

Para aplicar o método de Gauss, chamado a partir de agora apenas de


escalonamento, é necessário aplicando uma sequência de operações
elementares para organizar a matriz de forma desejável. Tais operações não
alteram quando a matriz está associada a um sistema, à solução do sistema.

Vamos aprender agora quais são as operações que podemos realizar na


intenção de escalonar matrizes:

Sistemas lineares e sua relação com matrizes 55


U2

As operações elementares que podem ser utilizadas para realizar o


escalonamento de uma matriz são:
SOMAR MÚLTIPLO DE UMA LINHA A OUTRA LINHA: isso significa
que é possível somar múltiplo de uma linha inteira em outra linha.
TROCAR LINHAS DE LOCAL: podemos, para escalonar uma matriz,
trocar as posições das linhas.
MULTIPLICAR UMA LINHA POR UM NÚMERO NÃO NULO: podemos
multiplicar as linhas por qualquer número real diferente de zero, sem
nenhum prejuízo. A última operação não é necessária na aplicação da
eliminação de Gauss, mas é precisa na de Gauss-Jordan.

Vamos ver exemplos de como calcular a inversa de matrizes utilizando o


escalonamento.

Exemplo: Calcule a matriz inversa por meio do escalonamento da matriz

Nem todas as matrizes têm inversa, somente aquelas cujos determinantes


são diferentes de zero.

Então, se queremos calcular a matriz A-1, devemos calcular o determinante


dessa matriz para assim verificar se a matriz A possui inversa, sendo assim,
utilizando a Regra de Sarrus, obtemos:

Como o determinante dessa matriz é -3, ou seja, diferente de zero,


podemos calcular a inversa dela.

Para calcular a inversa de uma matriz por meio do escalonamento,


devemos copiar uma ao lado da outra, a matriz A, que queremos inverter,
e a matriz identidade, e realizar as três operações elementares apresentadas
anteriormente até que a matriz A se torne a matriz identidade. Como faremos
as mesmas operações nas linhas da matriz A e da matriz identidade,

56 Sistemas lineares e sua relação com matrizes


U2

quando conseguimos escrever A como sendo a identidade, a matriz que


era a identidade será a matriz A-1.

Vejamos isso na nossa matriz A.

Chamamos de B a matriz A e a matriz identidade, utilizamos uma barra


para separar as duas matrizes. Agora, operaremos com as duas matrizes, na
intenção de deixar a matriz A escrita como matriz identidade. Para facilitar a
compreensão, faremos cada passo um a um e escreveremos cada uma das
etapas.

Como no nosso exemplo a diagonal principal já tem todos os elementos


iguais a um, nós precisamos tornar zero os outros elementos.

Nossa primeira etapa será trocar a linha três, que chamaremos de L3, por
L3 + L1 (linha 1). Realizando L3 + L1, temos:-1 2 1+1 2 0 = 0 4 1. O mesmo
que foi feito na antiga matriz A devemos fazer na antiga matriz identidade, e
então: L3 + L1= 1 0 0 + 0 0 1 = 1 0 1

Faremos agora a troca de L1 por L1 – 2L2 para zerar o elemento a22, assim:
L1 – 2L2 = 1 2 0 -0 -2 -2 = 1 0 -2; o mesmo realizaremos em = 1 0 0 -0 -2 0 =
1 - 2 0. Realizando as substituições:

Podemos agora substituir a linha L3 por L3 -4L2, ou seja, L3 – 4L2 = 0 4 1


-0 -4 -4 = 0 0 -3 e também 1 0 1 -0 -4 -0 = 1 -4 1. Realizando a substituição:

Sistemas lineares e sua relação com matrizes 57


U2

Podemos agora substituir L1 por 3L1 – 2L3 realizando essa operação: 3L1
– 2L3 = 3 0 -6 -0 -0 -6 = 3 0 0; e ainda: 3 -6 0 -2 8 -2 = 1 2 -2. Realizando
as substituições:

Substituiremos agora L2 por 3L2+L3, realizando essa operação obtemos:


3L2 + L3 = 0 3 3 + 0 0 -3 = 0 3 0; e ainda: 0 3 0 +1 -4 1 = 1 -1 1. Realizando
as substituições:

Agora, multiplicaremos a L1 e L2 por 1/3 e a L3 por -1/3; após as


multiplicações, trocaremos L1 por 1L1/3, L2 por 1L2/3 e L3 por -1L3/3, assim:

Realizando as substituições:

Perceba que apenas utilizando as operações apresentadas anteriormente


conseguimos escrever a matriz A como sendo uma matriz identidade; e
após as mesmas manipulações, a matriz que estava à direita e era a matriz
identidade passou a ser escrita como

58 Sistemas lineares e sua relação com matrizes


U2

Essa matriz é a matriz inversa de A, logo:

Vamos a mais um exemplo. Nesse exemplo começaremos a utilizar uma


notação característica do escalonamento, que é, por exemplo, L1→L1-L2,
isso significa que a linha um L1 será substituída pelo resultado da linha um
menos linha dois (L1-L2).

Cabe lembrar que não podemos, por exemplo, realizar L1→L3-L2, só


substituímos uma linha por essa mesma linha operada com outra, ou
operada com uma linha múltipla de outra.

Exemplo: Calcule a matriz inversa por meio do escalonamento da matriz

Após realizar a verificação que o determinante dessa matriz é diferente


de zero, podemos realizar o escalonamento para poder determinar a matriz
inversa, assim:

Podemos chamar essa matriz de matriz aumentada.

Num primeiro momento, precisamos fazer com que os elementos


abaixo da diagonal principal sejam zero. Podemos realizar isso com as
seguintes operações: L2→L2-L1 e L3→L3-L1, assim, L2-L1= (1 1 0|0 1 0) - (1 1 1|1
0 0 )= 0 -1| -1 1 0) e L3-L1= (1 0 1|0 0 1) - (1 1 1|1 0 0)= -1 0|-1 0 1) realizando
as substituições:

Sistemas lineares e sua relação com matrizes 59


U2

Agora podemos trocar a ordem das linhas L2 e L3, assim:

Precisamos anular o termo a12 e para isso trocamos L1→L1+L2, assim,


L1+L2= (1 1 1|1 0 0) + 0 -1 0|-1 0 1) = (1 0 1|0 0 1), temos:

Podemos fazer um processo análogo para que o elemento a13 se torne


zero trocando a linha L1 por L1→L1+L3, assim, L1+L3= (1 0 1|0 0 1) + (0 0 -1|-1
1 0)= (1 0 0|-1 1 1), temos:

Agora a matriz já foi diagonalizada e devemos apenas multiplicar por


menos 1 a segunda e a terceira linha, obtendo assim:

Deste modo, a matriz inversa de A é:

Vamos realizar a multiplicação de matrizes e verificar se chegamos ao


resultado correto. Vale relembrar que a multiplicação de uma matriz por
sua inversa tem como resposta a matriz identidade.

60 Sistemas lineares e sua relação com matrizes


U2

Vamos à nossa multiplicação:

Como podemos observar, realmente a matriz

inversa da matriz

Esses exemplos resolvidos a respeito de escalonamento e outros


exemplos podem ser encontrados no link do nosso Saiba mais.

Vamos colocar em prática o que aprendemos resolvendo uma atividade.

1. Calcule por meio do escalonamento a inversa da

matriz

Existem outros métodos para resolver o cálculo de uma matriz inversa sem
a necessidade da utilização do escalonamento. Vamos aprendê-los!

Sistemas lineares e sua relação com matrizes 61


U2

Cálculo de matrizes inversas por meio de determinantes

Para calcular a inversa de uma matriz por meio da utilização de


determinantes, nós precisamos calcular o que chamamos de matriz adjunta.

A matriz adjunta de uma matriz A quadrada de ordem n é denotada por


adj(A) e é a composta da matriz dos cofatores de A.

Seja A uma matriz quadrada de ordem n, a matriz adjunta de A, que é


representada por adj(A), é a transposta da matriz dos cofatores de A,
isto é:
Adj(A) = cof(A)t

Vamos ver alguns exemplos.

Exemplo: Considerando a matriz A= , calcule a matriz adj(A).

Para calcular a matriz adj(A), é necessário calcular o cofator de cada uma


dos elementos. Nós aprendemos na unidade anterior que:

Seja A uma matriz de ordem maior ou igual a 2, chamamos de cofator


do elemento aij o seguinte produto:

Cij=(-1)(i+j).Dij
Nesse produto, Dij é o determinante que se obtém da matriz A,
eliminando sua i-ésima linha e j-ésima coluna.

Vamos então realizar os cálculos


dos cofatores.

Após calcular os cofatores, podemos


elaborar a matriz cof(A), ou seja:

62 Sistemas lineares e sua relação com matrizes


U2

Tendo a matriz dos cofatores, podemos estabelecer a matriz adj(A), que


será a transposta da matriz dos cofatores, ou seja:

Realizando esse procedimento, definimos a matriz adj(A).

Exemplo: Sendo determine a matriz adj(B).

Novamente, para calcular a matriz adj(B) é necessário definir a matriz


cof(B). Assim:

Agora que calculamos os cofatores, podemos definir a matriz cof(B),


sendo ela:

Agora, calculando a matriz transposta de cof(B), obtemos a matriz adj(B), logo:

Sistemas lineares e sua relação com matrizes 63


U2

Estamos aprendendo a calcular a matriz adjunta, pois ela será necessária


para o processo do cálculo da inversa de matrizes sem a utilização do
escalonamento.

1. Calcule a matriz adjunta de

Vamos aprender mais?

Para aprender mais a respeito das matrizes adjuntas, acesse:


<http://www.uel.br/projetos/matessencial/superior/alinear/adjunta.
htm>.

Agora que nós já aprendemos a calcular matrizes adjuntas, podemos


voltar a pensar nos cálculos de matrizes inversas utilizando o determinante.

A matriz inversa pode ser calculada por meio da aplicação da seguinte


fórmula: A-1=1/|A| .adj(A)

Lembre-se que |A| é o valor do determinante da matriz A!

Vamos calcular a matriz inversa da matriz com a

utilização do determinante dela, usando A-1=1/|A| .adj(A)

A primeira coisa que devemos fazer é calcular o det(A), sendo esse:

64 Sistemas lineares e sua relação com matrizes


U2

Agora, temos que calcular a matriz adj(A) e para isso calcular a matriz
dos cofatores e sua transposta. Os cofatores dessa matriz podem ser
calculados como:

Após a realização desses, temos que a matriz dos cofatores é:

Calculando a transposta da matriz cof(A), definimos a matriz adjunta de


A, que será utilizada para o cálculo da inversa, deste modo:

Perceba que, nesse caso, a matriz transposta da matriz cof(A) é igual à


própria matriz, mas isso não acontece sempre. Agora, podemos calcular a
matriz inversa, assim:

Volte algumas páginas e verifique que, calculando a inversa, tanto por


escalonamento quanto com auxílio do determinante, obtemos o mesmo
resultado, isso se deve porque as matrizes possuem inversa, a qual é
única, e você não deve esquecer que uma matriz só tem inversa se o seu
determinante for diferente de zero. Vamos a mais um exemplo.

Exemplo: Calcule a inversa da matriz

Sistemas lineares e sua relação com matrizes 65


U2

O valor de det(B) é 38. A matriz dos cofatores é:

Calculando a transposta da matriz cof(B) definimos a matriz adj(B), sendo


essa:

Agora, podemos calcular a inversa da matriz B.

Assim,

1. Calcule a inversa da matriz

por meio do cálculo de determinantes.

Vamos pensar agora a respeito do processo de ensino e de aprendizagem.

O Brasil tem escassez de recursos naturais e econômicos?


Por que tantas desigualdades?

Agora que nós já aprendemos mais a respeito das matrizes inversas,


aprenderemos na próxima seção métodos para resolver sistemas lineares e
relação de sistemas lineares com matrizes.

66 Sistemas lineares e sua relação com matrizes


U2

Seção 2

Métodos para resolver sistemas lineares e


relação de sistemas lineares com matrizes
Nessa seção você aprenderá como resolver alguns tipos de sistemas e
também como associar um sistema de equações lineares a matrizes, e ainda
estabelecer o valor de cada variável por diferentes métodos.

Esses conteúdos fazem parte do currículo básico do Ensino Médio, sendo


assim, tem importância tanto para sua formação quanto para a formação
dos estudantes aos quais você ministrará aulas futuramente.

Sistemas lineares

Muitos problemas podem ser descritos por meio de sistemas de


equações lineares. Uma equação linear são todas as equações do tipo:
a1x1+a2x2+a3x3+...+anxn = b em que a1, a2, a3, a4, ..., an e b pertencem ao
conjunto dos números reais e x1, x2, x3, x4, ..., xn são incógnitas.

Chamamos de sistemas lineares m x n, o conjunto S de equações lineares


de m equações e n incógnitas e representamos esse conjunto da seguinte
forma:
Figura 2.1 - Sistemas lineares

Fonte: Ribeiro (2007, p. 345)

Sistemas lineares e sua relação com matrizes 67


U2

Os sistemas lineares podem ser resolvidos por diversos métodos diferentes


e resolver um sistema linear consiste em calcular valores que solucionam
todas as equações envolvidas nesse sistema. Os resultados obtidos compõem
o conjunto solução.

Vamos aprender agora a resolver sistemas lineares com determinadas


quantidades de incógnitas e de equações.

Sistemas lineares com duas incógnitas e duas equações

Vamos começar nosso estudo diferenciando o que são incógnitas e o


que são variáveis.

Uma incógnita possui um valor determinável, enquanto que a variável é


possível assumir diversos valores dependendo da situação e da aplicação.

Equações e sistemas de equações são compostos por equações e as


variáveis são presentes em funções, por exemplo.

Resolver um sistema linear com duas incógnitas e duas equações significa


estabelecer valores para as variáveis para que as equações sejam verdadeiras.
Existem diferentes métodos para resolver esse tipo de sistema, entre eles os
métodos da adição, da comparação, da substituição, o método gráfico e a
utilização de matrizes.

Vamos agora aprender a respeito de alguns desses métodos. Para isso,


vejamos o exemplo abaixo:

Problema: Em uma prateleira, há 21 produtos em embalagens de 400g e


de 500g, num total de 9kg. Sabendo disso, qual é a quantidade de embalagens
de 400g e a quantidade de embalagens de 500g?

Para resolver esse problema, podemos atribuir símbolos que representem


a quantidade que queremos calcular, ou seja, símbolos para as nossas
incógnitas. Representaremos as embalagens de 400g com a letra q e as
embalagens de 500g com a letra d, letras escolhidas de forma aleatória -
comumente são utilizadas as letras x e y, mas isso não é uma regra.

68 Sistemas lineares e sua relação com matrizes


U2

A primeira sentença “em uma prateleira, há 21 produtos em embalagens


de 400g e de 500g” pode ser representada como q + d = 21; já a segunda
sentença, “num total de 9 kg”, pode ser matematicamente representada
como 400q + 500d = 9000. Como estamos representando, não escrevemos
na equação 9 kg, pois a unidade de medida dos pacotes está em gramas, e
como 9kg representa 9000 gramas realizamos essa mudança de unidade de
medida. Unindo as duas equações, obtemos o seguinte sistema:

Utilizaremos esse sistema de equação para poder estudar um dos


métodos de resolução para eles. Nosso primeiro método será o método da
substituição.

O método da substituição consiste em escolher uma das duas equações


e isolar uma das duas incógnitas nessa equação. Após realizar esse processo,
substitui-se na outra equação o valor encontrado para a incógnita, definindo
assim o valor numérico de uma das incógnitas e, na sequência, o valor
da incógnita que foi isolada. Vamos compreender melhor esse processo
seguindo os seguintes passos para a aplicação desse método:

1º passo: Escolher uma das equações e isolar uma das incógnitas.

Escolherei na primeira equação isolar a incógnita q (lembre-se de que


isso é uma escolha, poderia ser a outra incógnita, ou a outra equação),
obtendo assim:

2º passo: Na equação que ainda não foi utilizada, substituir o valor da


incógnita.

A equação que ainda não utilizamos é 400q + 500d = 9000. No 1º passo,


verificamos que o valor de q depende do valor de d e pode ser escrito como
q = 21 – d. Substituindo q por 21 – d na equação, temos:

Sistemas lineares e sua relação com matrizes 69


U2

3º passo: Resolver a equação obtida após a substituição da incógnita.

Resolvendo essa equação, obtemos:

Nesse passo nós conseguimos determinar o valor de d, ou seja, d = 6, ou


ainda, existem 6 embalagens de 500g na prateleira.

4º passo: Voltar na equação obtida ao termino do 1º passo e substituir d


por 6.

A equação obtida ao término do 1º passo é q = 21-d, substituindo d por


6, obtemos:

Sendo assim, o valor de q = 15, ou seja, há 15 embalagens de 400g na


prateleira. Deste modo, conseguimos estabelecer os valores das duas
incógnitas, ou seja, d = 6 e q = 15.

Agora é sua vez de praticar!

1. Utilizando o método da substituição, resolva o seguinte


problema:
Certo jogo é realizado com dois tipos de cartas diferentes.
Uma carta tem duas marcações e a outra tem quatro
marcações. Sabendo que o jogador da rodada está com 24
cartas, das quais, somadas as marcações, obtêm-se 66, é
correto afirmar que esse jogador possui quantas cartas com
duas marcações e com quatro marcações?

70 Sistemas lineares e sua relação com matrizes


U2

Como dito anteriormente, existem diferentes métodos para resolver


sistemas de equações. Vamos agora aprender o método da adição.

O método da adição consiste em realizar operações algébricas entre as


equações com a intenção de cancelar uma das incógnitas e assim determinar
o valor da outra.

Problema: Um dos clubes de basquete que estavam realizando


competições realizou um acordo com seus jogadores. No acordo ficou
estabelecido que cada vez que os jogadores arremessassem a bola e
acertassem a cesta receberiam R$10,00 do clube e, caso errasse, pagariam
R$5,00 ao clube. Ao final de uma partida, um jogador que arremessou 22
vezes a bola recebeu a quantia de R$55,00. Quantos arremessos ele acertou
e quantos ele errou?

Utilizaremos esse problema para explicar melhor o método da adição.


Representaremos com c os arremessos que acertaram a cesta e com e os
arremessos que não acertaram. Podemos escrever matematicamente a
sentença “ao final de uma partida um jogador que arremessou 22 vezes a
bola” como c + e = 22, pois o total de arremessos é a somas dos arremessos
acertados com os arremessos errados. Já a sentença “recebeu a quantia de
R$55,00” pode ser representada como 10c -5e = 55, pois ele recebe R$10,00
por arremesso certo e paga R$ 5,00 por arremesso errado. Unindo as duas
equações, definimos nosso sistema de equação, sendo este:

O método da adição consiste em realizar operações nas equações


com a intenção de somá-las e assim eliminar uma das incógnitas. Vamos
compreender melhor no passo a passo.

1º passo: Multiplicar uma ou as duas equações de modo a conseguir


cancelar uma incógnita ao somar as duas equações.

Sistemas lineares e sua relação com matrizes 71


U2

No caso do nosso exemplo, na primeira equação temos uma soma


envolvendo a incógnita e e na segunda equação temos uma subtração
envolvendo essa mesma incógnita, assim, podemos, por exemplo, multiplicar
a equação c + e = 22 por cinco, obtendo assim 5c + 5e = 110; desta forma,
o nosso sistema torna-se:

2º passo: Somar as duas equações.

Somando as equações, obtemos:

Vale lembrar que na resposta da soma não aparece a incógnita e, pois


5e – 5e = 0.

3º passo: Isolar a incógnita na equação obtida ao término do passo 2.

Isolando a incógnita na equação obtida no passo anterior, teremos:

Nesse passo, nós já conseguimos resolver e determinar o valor de uma


das incógnitas, assim c = 11, ou ainda, o jogador acertou 11 arremessos.

4º passo: Substituir o valor obtido em qualquer uma das equações para


determinar o valor da segunda incógnita.

72 Sistemas lineares e sua relação com matrizes


U2

Qualquer uma das equações serve para realizar a substituição, então


podemos escolher a equação que parece mais simples, no caso deste
problema, escolhi a equação c + e = 22. Substituindo c por 11, obtemos:

5º passo: Resolver a equação obtida ao final do passo 4.

Resolvendo a equação, obtemos:

Deste modo, podemos afirmar que o jogador errou 11 arremessos.

Vamos ver mais um exemplo de sistemas lineares com duas incógnitas


e duas equações resolvido pelo método da adição.

Exemplo de sistema linear: Seja o sistema linear


é correto afirmar que o valor de x e y são:

Para resolver esse sistema, vamos seguir os passos do método da adição,


assim:

1º passo: Multiplicar uma ou as duas equações de modo a conseguir


cancelar uma incógnita ao somar as duas equações.

No caso desse sistema, teremos que multiplicar as duas equações por


um valor, pois, assim, conseguimos tornar o coeficiente numérico que
acompanha uma das incógnitas igual, mas com o sinal trocado, e deste
modo conseguimos cancelar uma das equações.

Vamos multiplicar a primeira equação por 7 e a segunda por 2, realizando


isso, obtemos:

Sistemas lineares e sua relação com matrizes 73


U2

Perceba que conseguimos deixar os coeficientes que acompanham a


variável y iguais, porém com o sinal trocado, assim, quando realizarmos as
somas das equações, vamos cancelar essa incógnita.

Antes de seguir a leitura, pense a respeito do motivo pelo qual os


valores 7 e 2 foram escolhidos para realizar a multiplicação das
equações. Existem outros valores que também seriam possíveis?

Agora que você já pensou no motivo pelo qual escolhemos os valores


7 e 2 para realizar as operações com as equações, podemos apresentá-lo
de forma clara. A escolha por cancelar a variável y deu-se porque já havia
um coeficiente positivo e outro negativo, ao multiplicar por um número
que fizesse com que esses coeficientes fossem iguais já conseguiríamos
cancelá-la. Vejamos a próxima figura.
Figura 2.2 - Sistema linear 2x2

{
7 5x +2y = 7

2 3x - 7y = 6
Fonte: A autora (2014)

Um modo de sempre conseguir deixar os valores iguais para uma das


duas incógnitas é multiplicando as equações pelos coeficientes, porém de
forma “cruzada”, como mostra a Figura 2.2. Caso os valores não tenham os
sinais opostos, podemos multiplicar do mesmo modo apresentado nessa
figura, porém trocando o sinal de uma e somente uma das multiplicações.
Agora que já realizamos o 1º passo, podemos ir para o próximo.

2º passo: Somar as duas equações.

Somando as equações, obtemos:

74 Sistemas lineares e sua relação com matrizes


U2

3º passo: Isolar a incógnita na equação obtida ao término do passo 2.

Isolando a incógnita na equação anterior, temos:

Agora que já sabemos o valor da incógnita x, podemos substituir esse


valor em qualquer uma das equações, sendo esse o nosso próximo passo.

4º passo: Substituir o valor obtido em qualquer uma das equações para


determinar o valor da segunda incógnita.

A equação escolhida foi 6x-14y=12, deste modo:

6x-14y=12

6(61/41)-14y=12

366/41-14y=12

Podemos, no próximo passo, calcular nosso sistema.

5º passo: Resolver a equação obtida ao final do passo 4.

Resolvendo a equação, obtemos:

Sistemas lineares e sua relação com matrizes 75


U2

Simplificando a fração, temos:

Nosso conjunto solução para esse problema é x

Agora é sua vez de praticar, vamos resolver algumas atividades.

1. Utilizando o método da adição, resolva o seguinte sistema:

Nós já aprendemos dois possíveis métodos para resolver sistemas de


equação, agora vamos aprender o método da comparação.

O método da comparação consiste em isolar uma mesma incógnita


nas duas equações e realizar uma comparação entre elas. Vamos
aprender a respeito desse método.

Problema: Em um bazar são vendidos kits com canetas e lapiseiras. Se


o comprador quiser comprar o kit um, que vem com uma caneta e uma
lapiseira, ele pagará R$4,10; se ele comparar duas canetas e uma lapiseira,
ele pagará R$ 4,50. Quanto custa cada caneta e cada lapiseira?

Para resolver esse problema, podemos representar matematicamente a


sentença “uma caneta e uma lapiseira pagará R$4,10”. Se representarmos
com c a caneta e com l a lapiseira, teremos: c + l = 4,10; a próxima
sentença, “se ele comparar duas canetas e uma lapiseira, ele pagará
R$ 4,50”, podemos representar como 2c + l =4,50. Unindo as duas
equações, teremos:

76 Sistemas lineares e sua relação com matrizes


U2

Para resolver um sistema de equações pelo método da comparação,


podemos seguir os seguintes passos:

1º passo: Escolher uma incógnita e isolá-la nas duas equações.

Vamos escolher a incógnita l, assim teremos:

l = 4,10-c

l =4,50- 2c

2º passo: Realizar a comparação entre os valores.

Para realizar a comparação, temos que perceber que, se l = 4,10-c e o


mesmo l também é igual l =4,50- 2c , isso implica que:

4,10-c= 4,50- 2c

3º passo: Resolver a equação obtida no passo anterior.

4,10-c= 4,50- 2c

2c-c= 4,50-4,10

c= 0,40

Nós conseguimos determinar que o valor da caneta é R$0,40.

4º passo: Substituir o resultado obtido no passo anterior, em qualquer


uma das equações.

Escolheremos a equação l = 4,10-c. Realizando a substituição, temos:

l = 4,10-c

l = 4,10-0,40=3,70

Sendo assim, podemos definir que a caneta custa R$0,40 e que a


lapiseira custa R$3,70.

Sistemas lineares e sua relação com matrizes 77


U2

1. Utilizando o método da comparação, resolva o seguinte


problema: Tenho uma quantidade de 18 notas. Entre essas
notas tenho algumas de R$10,00 e outras de R$5,00, num
total de R$145,00. Qual é a quantidade de notas de R$10,00
e de R$ 5,00 que tenho?

Agora, vamos aprender mais a respeito do método gráfico para a


resolução gráfica para resolver sistemas lineares.

O método gráfico para sistemas lineares consiste em representar cada


uma das equações no plano cartesiano e buscar um ponto de intersecção
entre os gráficos. Esse ponto representa a solução para o sistema.
Vejamos como aplicar esse método no próximo sistema.

Problema: Utilize a representação gráfica para solucionar o seguinte


sistema:

Para resolver esse sistema pelo método gráfico, podemos seguir os


seguintes passos:

1º passo: Isolar uma mesma incógnita nas duas equações.

Escolherei isolar a incógnita y, obtendo assim:

y=10-6x

y=5-4x

2º passo: Fazer a representação gráfica no plano cartesiano.

Ao isolarmos uma das incógnitas, podemos lidar com o que obtemos


como funções. Como o sistema que estamos resolvendo é linear, então a
função será do primeiro grau, e ainda seu gráfico será uma reta.

78 Sistemas lineares e sua relação com matrizes


U2

Se você esqueceu ou quer aprofundar seu conhecimento a respeito


de funções polinomiais do primeiro grau, ou ainda da representação
gráfica, acesse:
<www.somatematica.com.br/emedio/funcao1/funcao1.php>
<http://www.somatematica.com.br/emedio/funcao1/funcao1_2.php>
<http://www.somatematica.com.br/emedio/funcao1/funcao1_3.php>.

Utilizarei o programa geogebra para realizar a representação gráfica de

Figura 2.3 - Método gráfico

Fonte: A autora (2014)

Sistemas lineares e sua relação com matrizes 79


U2

Ao representarmos as duas funções no mesmo plano cartesiano, eles


apresentaram um ponto de intersecção. Esse ponto é o resultado do
sistema de equações que estamos estudando, sendo assim, o conjunto
solução desse sistema é S={2,5; -5}.

Por que o método gráfico pode ser utilizado para resolver sistemas
de equação lineares? Pense a respeito disso.

Os sistemas lineares podem ser classificados como possível


determinado, possível indeterminado ou impossível, porém, iremos
aprender mais a respeito dessas classificações na próxima seção.

1. Utilizando o método gráfico, resolva o sistema

Vamos aprofundar nosso conhecimento a respeito dos sistemas


lineares 2 x 2.

80 Sistemas lineares e sua relação com matrizes


U2

Vamos aprender mais a respeito dos sistemas lineares 2 x 2 acessando


os links a seguir. Neles você vai ter a oportunidade de aprofundar seu
conhecimento e ter acesso a mais informações a respeito desse tipo
de sistema.
<http://interna.coceducacao.com.br/ebook/pages/1793a.htm>
<http://interna.coceducacao.com.br/ebook/pages/1794.htm>
<http://interna.coceducacao.com.br/ebook/pages/1795.htm>
<http://interna.coceducacao.com.br/ebook/pages/1796.htm>.

Agora, vamos começar a realizar uma associação dos sistemas lineares


com matrizes, para assim, na próxima seção, aprendermos como resolver
sistemas lineares utilizando matrizes.

Nós podemos associar um sistema linear a uma matriz de diferentes


ordens, podendo ser essa matriz completa (quando envolve as soluções,
ou igualdades do sistema), ou incompleta (quando não envolve as
soluções, ou igualdades do sistema).

Seja um sistema

Perceba que o nosso sistema pode ter diferentes quantidades de


equações e também de incógnitas e que b1,b2,b3… bn são os termos
independentes dessa matriz. Vamos olhar o nosso quadro abaixo e
aprender a respeito de matrizes que podem ser associadas a esse sistema.

Sistemas lineares e sua relação com matrizes 81


U2

Quadro 2.1 - Associando sistema a matrizes

Matriz Completa: essa matriz Matriz Incompleta: é a matriz


é formada pelos coeficientes formada apenas pelos coeficientes
das incógnitas (mas não as das incógnitas do sistema.
incógnitas) e também pelos termos No nosso sistema T, a matriz
independentes (as igualdades das incompleta é:
equações). No caso do nosso
sistema T, a matriz completa seria:

Matriz Coluna das Incógnitas: Matriz dos termos


a matriz das incógnitas é uma independentes: A matriz dos
matriz coluna que une apenas as termos independentes também é
incógnitas do sistema. A matriz uma matriz coluna composta pelos
incógnita do sistema T é: termos independentes do sistema:

Fonte: A autora (2014)

Quando realizamos a multiplicação da matriz incompleta pela matriz das


incógnitas e iguala a matriz dos termos independentes, estabelecemos a
forma matricial do sistema, sendo esse, no nosso caso:

82 Sistemas lineares e sua relação com matrizes


U2

Exemplo: associação de uma matriz a um sistema.

Seja o sistema S

Nesse sistema, a matriz completa é a matriz

incompleta é B a matriz das incógnitas é

e a matriz dos termos independentes é

Agora que já aprendemos alguns métodos para resolver sistemas


lineares 2 x 2 e também como realizar a associação entre sistemas
lineares com matrizes, na próxima seção vamos aprender como
resolver sistemas com mais de duas equações e duas incógnitas e
também suas classificações.

Vamos pensar mais a respeito do processo de aprendizagem.

Como você faria um plano de aula a respeito do conteúdo


ensinado nessa seção?

Sistemas lineares e sua relação com matrizes 83


U2

84 Sistemas lineares e sua relação com matrizes


U2

Seção 3

Resolução de sistemas lineares e classificações

Nesta seção aprenderemos métodos diferentes para realizar o cálculo


e, portanto, a resolução de sistemas lineares de equações, bem como
conhecer e aprender as possíveis classificações com relação à quantidade
de resoluções possíveis.

CLASSIFICAÇÃO DOS SISTEMAS LINEARES

Existem algumas classificações para os sistemas lineares, portanto, vamos


ver a próxima figura e aprender a respeito dessas classificações.

Figura 2.4 - Mapa Conceitual: classificação de sistemas lineares

Fonte: A autora (2014)

Sistemas lineares e sua relação com matrizes 85


U2

Por meio da Figura 2.4 podemos aprender as classificações dos sistemas


lineares, ou seja, com relação aos termos independentes, podemos dizer
que, se todos os termos independentes forem iguais a zero, nosso sistema
linear é homogêneo.

Já as classificações com relação à quantidade de solução são: Sistema


possível indeterminado (SPI), que é o sistema que tem solução, mas não
apenas uma, possui infinitas soluções; Sistema possível determinado (SPD),
aquele que tem solução e essa solução é única; Sistema Impossível (SI),
sistema que não admite solução, ou seja, não existe nenhum valor que, se
atribuíssemos para as incógnitas, todas as equações se tornariam verdadeiras.

Vamos ver alguns exemplos desses tipos de sistemas:

CLASSIFICAÇÕES DOS SISTEMAS LINEARES

SISTEMA HOMOGÊNEO: Um sistema linear é homogêneo se todos os


termos independentes são nulos. Esse tipo de sistema tem uma solução
chamada de trivial, que é quando todas as incógnitas envolvidas também
são nulas, porém podem também ter outras soluções. Vejamos um exemplo
de sistema homogêneo.

SISTEMA POSSÍVEL INDETERMINADO (SPI): Esse tipo de sistema é


possível, pois existe solução, mas é indeterminado por existir mais de uma
solução possível. Vejamos um exemplo:

Perceba que esse sistema tem solução, por exemplo, x = 1 e y = 1, mas


essa solução não é única, se x = 0 e y = 2 temos também a solução para o
sistema, mas essas duas possibilidades não são as únicas, existem diversas
outras e por isso dizemos que esse é um sistema possível indeterminado.

86 Sistemas lineares e sua relação com matrizes


U2

SISTEMA POSSÍVEL DETERMINADO (SPD): Esse tipo de sistema é possível


porque existe solução e determinado porque a solução é única. Vejamos um
exemplo:

Esse sistema tem solução e essa solução é única, sendo nosso conjunto
solução x =0, y=2 e z=3.

SISTEMA IMPOSSÍVEL (SI): Um sistema linear é classificado como


impossível quando não admite solução. Vejamos o exemplo a seguir.

Perceba que é impossível encontrar um valor para x, y e z que satisfaça ao


mesmo tempo as três equações envolvidas nesse sistema, pois é impossível
realizar a operação x + y – z e obter duas respostas diferentes (no caso, 3
e 9), sendo que o valor de x, y e z não se altera. Por essa impossibilidade,
dizemos que esse sistema é impossível.

Vamos aprender mais a respeito das classificações de sistemas estudando


o nosso próximo Saiba mais.

Os links do nosso Para saber mais nos trazem informações a


respeito das classificações dos sistemas lineares com relação às suas
resoluções.
<http://pessoal.sercomtel.com.br/matematica/medio/matrizes/
sistemas.htm>
<http://interna.coceducacao.com.br/ebook/pages/1797.htm>
<http://interna.coceducacao.com.br/ebook/pages/1798.htm>
<http://interna.coceducacao.com.br/ebook/pages/1799.htm>.

Sistemas lineares e sua relação com matrizes 87


U2

Agora que já aprendemos a respeito das classificações dos sistemas


lineares, vamos aprender métodos de resolução, visto que até o momento
aprendemos diferentes métodos para resolver sistemas de equações 2 x 2,
então, a partir de agora, vamos ampliar nosso conhecimento.

Resolvendo sistemas lineares por escalonamento

Na Unidade 2 desse material impresso, nós já aprendemos como realizar


o escalonamento e utilizamos esse conceito para calcular matrizes inversas.
Agora, vamos aprender a utilizar o escalonamento para resolver sistemas
lineares por meio do problema a seguir.

Problema: (UESC-BA) Em uma lanchonete, 1 empada, 2 refrigerantes


e 3 bombons custam, juntos, R$10,00. Sabendo-se que 2 empadas, 5
refrigerantes e 8 bombons custam, juntos, R$ 24,50, então 1 refrigerante e 2
bombons custam, juntos, em reais:

a) 3,00 b) 3,50 c) 4,50 d) 5,50 e) 6,00.

Nós podemos resolver esse problema por meio do escalonamento de


sistemas, pois, quando dois sistemas lineares apresentam a mesma solução,
dizemos que esses sistemas são equivalentes. Para escalonar um sistema,
nós podemos realizar algumas operações, sendo essas:

Para escalonar um sistema linear podemos:

- Trocar as equações de ordem.

- Somar uma equação com outra que é múltipla de uma equação do


sistema.

Vamos buscar a solução para o problema anterior. Podemos representar


a informação apresentada no problema como:

88 Sistemas lineares e sua relação com matrizes


U2

Representamos a empada por meio da incógnita e, o refrigerante por


r e o bombom por b. Como queremos saber quanto custa 1 refrigerante
e 2 bombons, podemos realizar um dos processos de escalonamento
substituindo a segunda equação pela subtração dela mesma pelo dobro
da primeira equação. Representaremos matematicamente o que foi escrito
como E2→E2-2E1; resolvendo E2-2E1, obtemos 0 e+1r+2b=4,50, substituindo
no sistema anterior:

Nós não precisamos continuar na resolução desse sistema, podemos


apenas analisá-lo e perceber que a segunda equação já nos oferece a
resposta para o problema, ou ainda, que o preço de um refrigerante e dois
bombons é R$4,50.

Nesse exemplo não precisamos definir o preço de cada alimento


envolvido no problema, mas existem sistemas nos quais existe a necessidade
de calcular o valor de todas as incógnitas envolvidas, e podemos, também,
nesses casos, utilizar o escalonamento. Vejamos o próximo exemplo.

Exemplo: Resolva por escalonamento o seguinte sistema:

De acordo com Silva e Barreto Filho (2005, p. 358), existem etapas que
devem ser seguidas, vamos aprender quais são elas:

Sistemas lineares e sua relação com matrizes 89


U2

Um sistema está escalonado quando de equação para


equação, no sentido de cima para baixo, houver aumento dos
coeficientes nulos situados antes dos coeficientes não nulos.

Exemplos:

Para escalonar um sistema, podemos utilizar as seguintes


etapas:

1) Colocar como 1ª equação aquela que tenha 1 como


coeficiente da 1ª incógnita. Caso não haja nenhuma equação
assim, dividir membro a membro aquela que está como 1ª
equação pelo coeficiente da 1ª incógnita.

2) Nas demais equações, obter zero como coeficiente


da 1ª incógnita (caso já não seja), somando cada uma delas
com o produto da 1ª equação pelo oposto do coeficiente
dessa incógnita.

3) Repetir itens 1 e 2, substituindo neles 1ª por 2ª, depois


2ª por 3ª etc.

Vamos seguir essas etapas para resolver sistema de equações apresentado


no exemplo.

Podemos, primeiramente, dividir todos os termos da primeira equação


por 2, obtendo assim:

Com a intenção de cancelar a variável x na segunda equação, podemos


substituir essa segunda equação por ela mesma subtraída de duas vezes a
primeira equação. Para cancelar a incógnita x na terceira equação, podemos

90 Sistemas lineares e sua relação com matrizes


U2

substituí-la por ela mesma subtraída de quatro vezes a equação 1. Realizando


essas operações, teremos:

Perceba que, ao realizar a operação com a terceira linha, além de tornar


zero o coeficiente da incógnita x, o mesmo aconteceu com o coeficiente
da incógnita z, deste modo, já conseguimos calcular o valor de todas as
incógnitas, pois, pela terceira equação, obtemos que:

14y=42 → y=3

Substituindo o valor de y na segunda equação, temos:

0x-2y+4z= 8

2(3)+4z= 8

4z= 8-6=2 → z= 2/4= 1/2

Substituindo os valores das incógnitas na equação 1, obtemos:

x-2y+z= -7

x -2.3+ 1/2= -7

x = -7+6- 1/2= (-14+12-1)/2= (-3)/2

Deste modo, chegamos ao resultado do nosso sistema, ou seja, x = -3/2,


y = 3 e z= 1/2. Vamos substituir esses valores no sistema inicial e verificar a
validade do escalonamento de sistemas para poder resolvê-lo.

Sistemas lineares e sua relação com matrizes 91


U2

Como podemos perceber, os valores encontrados realmente satisfazem


nosso sistema.

Vamos aprender mais a respeito do escalonamento para solucionar


sistemas com o próximo exemplo:

Exemplo: Resolva o sistema linear


por meio do escalonamento.

Podemos começar a resolver esse sistema trocando de lugar a equação


1 pela equação 3 e dividindo nossa nova equação 1 por dois, obtendo assim:

Com a intenção de cancelar a incógnita x na equação 2, podemos


substituir essa equação por ela mesma subtraída de quatro vezes a equação
1 e, para cancelar a incógnita x na equação três, podemos substituí-la por ela
mesma subtraída de oito vezes a equação 1. Realizando essas operações,
obtemos o seguinte sistema:

Podemos dividir a equação 3 por 6 para assim simplificar essa equação.

92 Sistemas lineares e sua relação com matrizes


U2

Com a intenção de cancelar uma das incógnitas, podemos trocar de local


a equação 2 e a equação 3 e, na sequência, substituir nossa nova equação
3 por ela mesma subtraída de dez vezes a nova equação 2, obtendo assim:

Como conseguimos cancelar duas incógnitas na terceira equação,


podemos calcular o valor de y por meio dessa equação.

16y= 32 → y= 2

Substituindo o valor de y na segunda equação, -3y+1z= -2


calcularemos o valor de z, assim:
-3(2)+1z= -2

z= -2+6=4

Sabendo o valor de y e z podemos calcular o 1x+3y-2z=3


valor de x utilizando a primeira equação.
1x+3(2)-2(4)=3

1x=3-6+8=13

Deste modo, calculamos o valor de x, y e z e o nosso conjunto solução


é x = 5, y = 2 e z = 4.

Não existe apenas o método de escalonamento para poder resolver


sistemas lineares. Outro método muito utilizado é a Regra de Cramer, que
iremos aprender na sequência.

Regra de cramer

A Regra de Cramer é um método para resolver sistemas lineares, porém


só pode ser aplicado quando o sistema que queremos resolver tem a mesma
quantidade de linhas e de incógnitas, pois esse método nos exige a associação
dos sistemas lineares com matrizes e também com os determinantes.

Para resolver sistemas lineares com a Regra de Cramer, é necessário

Sistemas lineares e sua relação com matrizes 93


U2

associar o sistema com a matriz incompleta do sistema e a solução deste


sistema com a matriz dos termos independentes. Após isso, devemos calcular
o determinante da matriz incompleta (chamaremos esse determinante de D);
para calcular o valor da incógnita que está na primeira coluna, devemos trocar
essa coluna pela matriz dos termos independentes e calcular novamente
o determinante dessa nova matriz; calculamos o valor dessa incógnita ao
realizar a divisão deste determinante pelo determinante da matriz incompleta
e o processo se repete para todas as incógnitas. Vamos resolver o sistema
anterior utilizando a Regra de Cramer.

Só podemos utilizar a Regra de Cramer se o determinante da matriz


incompleta for diferente de zero, caso contrário devemos utilizar outro
método de resolução.

Exemplo: Resolva por meio da Regra de Cramer o seguinte sistema:

Já resolvemos anteriormente esse sistema e o próximo que utilizamos a


Regra de Cramer também já foi resolvido. A intenção resolvê-los novamente
é para que você possa comparar os métodos e escolher o que é mais
adequado de acordo com sua necessidade. Vamos resolver esse sistema.

A matriz incompleta desse sistema é e det(I)


+24 +16-72+32 = -112 (denotaremos esse determinante por D). A
= -16-96+24
matriz dos termos independentes é

Agora, para calcular o valor da incógnita x, devermos trocar a primeira


coluna da matriz incompleta pela matriz dos termos independentes e calcular

o determinante dessa matriz. A nova matriz será o

determinante dessa matriz é Dx=112-336-72+56-96+504=168. Calculamos


o valor da incógnita x dividindo Dx por D, logo:

94 Sistemas lineares e sua relação com matrizes


U2

Agora, para calcular o valor de y, trocaremos a segunda coluna da matriz


incompleta pela matriz dos termos independentes, calcularemos o
determinante Dy e dividiremos Dy por D, logo:

Realizando a divisão:

Agora, realizaremos o mesmo processo para calcular o valor de z, assim:

Realizando a divisão:

Os resultados obtidos, ou seja, nosso conjunto solução é x = -3/2, y=3 e z


= 1/2. Volte algumas páginas e verifique que o resultado obtido é o mesmo,
independente do método utilizado para resolver o sistema. Vamos praticar o
que aprendemos nessa unidade.

1. Resolva o sistema pela Regra de


Cramer.

Esse sistema já foi resolvido por meio do escalonamento,


então, ao terminar essa atividade, verifique sua resposta.

2. Explique passo a passo o que devemos fazer para resolver


um sistema linear por meio da Regra de Cramer.

Sistemas lineares e sua relação com matrizes 95


U2

Vamos refletir um pouco mais a respeito da Regra de Cramer.

Pense a respeito do motivo pelo qual é possível resolver um


sistema cuja quantidade de incógnitas e de equações são iguais
por meio da Regra de Cramer.

Vamos, agora, aprender mais a respeito de métodos para resolver sistemas


lineares. Vamos pensar mais a respeito do processo de ensino e de
aprendizagem.

Como você faria um plano de aula a respeito do conteúdo


ensinado nessa seção?

Vamos, agora, aprender mais a respeito de métodos para resolver sistemas


lineares. Vamos pensar mais a respeito do processo de ensino e de
aprendizagem.

- É possível calcular matrizes inversas de diversas ordens


diferentes por meio de cofatores e determinantes, sistemas
lineares e também pelo método de Gauss, conhecido
como escalonamento.

- Para realizar o escalonamento de matrizes, podemos


realizar algumas operações, sendo elas: Multiplicação de
uma linha inteira por uma constante não nula; Trocar duas
linhas inteiras entre si; Somar ou subtrair um múltiplo de
uma linha a outra linha.

- Podemos realizar uma associação entre sistemas lineares


e matrizes, assim, ao invés de lidar com sistemas de
equações, manipulamos matrizes.

96 Sistemas lineares e sua relação com matrizes


U2

- Por meio da Regra de Cramer, é possível resolver


sistemas lineares associados a matrizes, com a utilização
de determinantes.

- A Regra de Cremer só pode ser usada se o determinante


da matriz associada ao sistema de equações for diferente
de zero.

A Unidade 2 desse material teve por intenção apresentar conceitos


que são necessários para o bom desenvolvimento da disciplina
de Álgebra Linear e Vetorial, bem como bom desenvolvimento
de suas futuras aulas a respeito desses assuntos, pois estes
conteúdos fazem parte do currículo da Educação Básica, sendo
comumente ensinados no 2º ano do Ensino Médio.

Desejo que você tenha aprendido tais conceitos de forma


significativa, tenha compreendido as associações realizadas e os
processos de resolução tanto para as matrizes inversas quanto
para os sistemas de equações com distintas quantidades de
equações e incógnitas.

Para que você possa se aprofundar nos conteúdos apresentados,


sugiro que faça as leituras dos sites ou livros que foram indicados
nas dicas de leitura, como também pense e busque uma resposta
para as questões de reflexão.

Faça todas as atividades de aprendizagem tanto da seção quanto


da unidade, inicialmente sem olhar as respostas e, na sequência,
verifique se sua resposta está em concordância com a resposta
sugerida.

Anseio que tenha tido bons estudos e uma boa compreensão


dos conceitos que estudamos nessa unidade e desejo que
continue realizando bons estudos nas próximas unidades desse
livro.

Sistemas lineares e sua relação com matrizes 97


U2

1. Faça uma pesquisa para se aprofundar nos assuntos estudados.


Essa pesquisa deve conter estudos a respeito de matrizes inversas
e métodos para calcular as matrizes inversas, escalonamento,
classificação e métodos para resolver sistemas lineares e a associação
dos sistemas lineares com matrizes, após realizar essa pesquisa escreva
um pequeno texto a respeito desses assuntos. Nesse texto você pode
utilizar exemplos e exercícios.

2. Faça uma pesquisa em documentos oficiais nacionais ou da sua


região para verificar quais dos conteúdos ensinados nas unidades
1 e 2 desse material impresso são ensinados na Educação Básica.
Após essa pesquisa, faça um plano de aula a respeito desses
conteúdos, o qual deve atender aos seguintes itens:

I. Tema. Título da aula relacionado ao assunto ministrado.

II. Ano. Ano da Educação Básica ao qual se aplica este planejamento.

III. Objetivos. O que você pretende ensinar com essa aula. Lembre-
se de que o plano de aula deve estar relacionado aos conteúdos
das unidades 1 e 2 desse material impresso.

IV. Conteúdo. O conteúdo que será ministrado, sendo que este


deve estar de acordo com o conteúdo programático do ano
escolhido (para adequação a esse item se faz necessária a pesquisa
em documentos nacionais ou regionais relativos à Educação
Básica).

V. Duração. Tempo necessário para a aplicação das atividades


programadas no plano de aula.

VI. Recursos. Quais materiais você utilizará para ministrar a aula


que planejou.

VII. Atividades: Descrição de pelo menos 5 atividades que você


utilizaria para ministrar sua aula.

VIII. Descrição detalhada. Nesse item, você precisa escrever,


passo a passo, o que será feito ao longo de sua aula.

98 Sistemas lineares e sua relação com matrizes


U2

3. Calcule a matriz inversa da matriz

4. O pedágio é uma tarifa cobrada nas estradas, sendo essa tarifa


dependente do veículo. Em uma região do Brasil, observou-se que
segunda-feira passaram pela praça de pedágio 64 motos e 312 carros
de passeio e, nesse dia, essa praça de pedágio arrecadou R$2.176,00.
Já na terça-feira, passaram 82 motos e 396 carros, e a arrecadação
foi de R$2.764,00. Tendo em mãos essa informação, podemos
afirmar que a tarifa cobrada por esse pedágio para motos e carros é,
respectivamente, de:

a) R$2,40 e R$6,80.

b) R$3,80 e R$5,40.

c) R$2,80 e R$6,40.

d) R$1,90 e R$7,30.

e) R$3,00 e R$6,20.

5. Resolva o sistema utilizando o

escalonamento e também a Regra de Cramer, e assim defina o


conjunto solução para ele.

Sistemas lineares e sua relação com matrizes 99


U2

Referências
RIBEIRO, Jackson. Matemática: ciência e linguagem. São Paulo: Scipione, 2007.

SILVA, Claudio Xavier; BARRETO FILHO, Benigno. Matemática aula por aula. 2. ed. São
Paulo: FDT, 2005.

100 Sistemas lineares e sua relação com matrizes


Unidade 3

VETORES E TRANSFORMAÇÕES
LINEARES

Debora Cristiane Barbosa Kirnev

Objetivos de aprendizagem:Nesta unidade abordaremos sobre vetores


e as suas representações geométricas, a fim de estruturar o conteúdo,
definir os conceitos e apresentar as principais propriedades associadas a
ele. Trataremos, também, sobre transformações lineares com um enfoque
geométrico, de modo que compreenda as representações e a aplicabilidade
desse conteúdo.

Seção 1 | Vetores bidimensionais e tridimensionais


Nesta sessão apresentaremos as definições, operações e
representações geométricas de vetores. Temos como objetivo conceituar
e definir vetores no plano e no espaço, definindo as operações de adição
algébrica, produto escalar, produto vetorial e os demais conceitos
relacionados.

Seção 2 | Introdução aos espaços vetoriais Euclidianos


Além das representações geométricas, podemos realizar operações
com componentes dos vetores e analisar suas representações no plano e
no espaço. Veremos, nesta seção, operações como: adições algébricas,
produto escalar e vetorial, além de conceitos relacionados.

Seção 3 | Transformações lineares


Nesta seção apresentaremos transformações lineares, as quais são
aplicadas na computação gráfica, focando na representação geométrica.
U3

102 Vetores e transformações lineares


U3

Introdução à unidade

Existem grandezas caracterizadas por uma medida ou módulo, com valores


numéricos pertencentes aos números reais, que denominamos de escalares.
Alguns exemplos são tempo, massa e temperatura. Em uma definição mais geral,
podemos considerar como escalar qualquer número real.

Por outro lado existem grandezas que precisam de módulo, direção e


sentido para caracterizá-las, neste caso denominamos de grandezas vetoriais.
Citamos como exemplo: força, torque, campos elétricos e magnéticos. Além de
caracterizar, podemos representar geometricamente uma grandeza vetorial por
meio do segmento de reta orientado, que denominamos de vetor. Nesta unidade,
abordaremos sobre vetores em três sessões, a saber: vetores bidimensionais e
tridimensionais; introdução a espaços vetoriais euclidianos; e transformações
lineares.

Vetores e transformações lineares 103


U3

104 Vetores e transformações lineares


U3

Seção 1

Vetores bidimensionais e tridimensionais

Nesta seção apresentaremos representações gráficas de vetores,


associando com as definições e propriedades. Primeiramente, precisamos
definir o que é vetor:

DEFINIÇÃO 01

Vetor é o conjunto dos segmentos orientados no plano, no espaço ou no


R , que tem a mesma direção, o mesmo sentido e o mesmo comprimento
n

(módulo ou norma).

Para exemplificar a definição, determinaremos um segmento orientado


por um par ordenado de pontos (A, B). Denominamos o primeiro de origem
ou ponto inicial, e o segundo de extremidade ou ponto final. A direção de
vetor é definida por meio de sua reta suporte, ou seja, pela reta que contém
os pontos do segmento AB ou qualquer reta paralela a esta. O sentido de um
vetor é definido pela origem à extremidade ou pela seta na sua representação
geométrica. O comprimento de vetor é a medida do segmento com início
na origem até a extremidade.

Podemos representar geometricamente vetores por meio de setas da


origem ao extremo, vejamos um exemplo:
Figura 3.1 - Representação geométrica de vetores

Fonte: A autora (2014)

Vetores e transformações lineares 105


U3

Dois segmentos orientados, AB e CD, são equipolentes quando têm a


mesma direção, o mesmo sentido e o mesmo comprimento, ou quando
ambos forem nulos, ou seja, AB ~ CD. Vejamos um exemplo:

Figura 3.2 – Vetores equipolentes

Fonte: A autora (2014)

A relação de equipolência de segmentos orientados tem as seguintes


propriedades:

a) Reflexiva: AB ~ AB.

b) Simétrica: Se AB ~ CD, então CD~ AB.

c) Transitiva: Se AB ~ CD, e se CD ~ EF, então AB ~ EF.

Sendo assim, a relação de equipolência é uma relação de equivalência.


Teremos uma classe de equipolência do segmento orientado AB ao conjunto
de todos os segmentos orientados equipolentes a AB.

Figura 3.3 - Classe de vetores equipolentes

Fonte: A autora (2014)

106 Vetores e transformações lineares


U3

Neste exemplo, adotamos v = AB, em que A é ponto inicial e B é ponto


final. Lembramos que todo vetor possui uma direção, um sentido e uma
medida de comprimento (norma).

Quais representações para vetores são utilizadas? Como converter


as diferentes representações vetoriais?

Vejamos outras representações para vetores:


Tabela 3.1 – Representações para vetores

Algébrica Matricial

Bidimensional v = (x,y) v=

Tridimensional v = (x,y,z) v=

Fonte: A autora (2014)

DEFINIÇÃO 2
Considere v e w dois vetores quaisquer. A soma geométrica de dois
vetores v+ w é dada pelo posicionamento do vetor w no ponto final de v e
considerando o segmento de reta orientado do ponto inicial de v ao ponto
final de w.

Aplicando a segunda definição, obtemos:

v = AB, w = BC , v + w = AC

Figura 3.4 - Adição geométrica de vetores

Fonte: A autora (2014)

Vetores e transformações lineares 107


U3

DEFINIÇÃO 3 Figura 3.5 - Subtração geométrica de vetores

Considere v e w dois vetores


quaisquer. A diferença geométrica de
dois vetores v - w é dada pelo vetor
com segmento de reta orientado do
ponto final vetor w ao ponto final de
v, e considerando que v e w partem
do mesmo ponto inicial. Fonte: A autora (2014)

Aplicando a terceira definição,


obtemos:

v = AB, w = AC, v - w = CB

DEFINIÇÃO 4 Figura 3.6 – Multiplicação por escalar

Considere v um vetor qualquer


não nulo e k um número real não
nulo que denominamos escalar.
A multiplicação por escalar gera o
produto de k,.v gera um vetor de
mesma direção, porém k vezes a
norma de v.
Fonte: A autora (2014)

Aplicando a quarta definição,


obtemos:

v = AB, 2v = AC

VETORES EM R² E EM R³

Vetores são representados na reta, no plano e no espaço. Se pertencerem


a uma única reta, são denominados unidimensionais ou vetores do espaço
R; se pertencerem ao plano, são denominados bidimensionais ou vetores
do espaço R2; se pertencerem no espaço tridimensional são vetores de
R3. Podemos generalizar e definir conceitos e propriedades para vetores e
expandir para um espaço n-dimensional, neste caso são vetores de Rn.

108 Vetores e transformações lineares


U3

A princípio, vamos tratar de vetores em R2; neste caso, podem ser


representados no plano cartesiano, conforme indicado a seguir:

Figura 3.7 – Representação de vetores no plano

Fonte: A autora (2014)

Observe que na Figura 3.7 temos as coordenadas de A = (3,3) e B= (5,5) e


o vetor u = AB. Transladando o vetor para a origem, obtemos a componente
u’ = (2,2), que se trata de um vetor equivalente com a mesma direção, sentido
e norma. Para determinar, realizamos a operação: dados dois pontos, A e
B, que são coordenadas de um vetor para transladar na origem, realizamos
ponto final menos ponto inicial. Observamos que todo vetor que tiver a
mesma direção, sentido e norma será equivalente.

Para representar um vetor no espaço tridimensional, utilizamos cada


ponto indicado por três coordenadas (x, y, z). Faz-se necessária uma base
no espaço para que cada vetor seja associado a um termo ordenado, que
denominamos coordenadas de um vetor em relação a uma base.

Definiremos sistemas de coordenadas em uma base no espaço a seguir:

DEFINIÇÃO 5

Sejam O um ponto do espaço tridimensional e E = (e1, e2, e3) uma base


desse espaço, ao par (O, E) denominamos sistema de coordenadas em R³.

Vetores e transformações lineares 109


U3

Figura 3.7 – Representação de vetores no plano

Fonte: A autora (2014)

Existem outras bases para representação do espaço?

O ponto O denomina-se Origem do Sistema. Os vetores e1, e2 e e3 são


denominados de eixos coordenados, sendo, respectivamente, eixo dos x ou
das abscissas, eixo dos y ou das ordenadas, eixo dos z ou das cotas. São
indicados, nessa ordem, por OX, OY e OZ. Quanto aos planos formados,
temos, nesta ordem, também, plano OXY, plano OXZ e plano OYZ.

Deste modo, todo vetor de R3 localizado na origem será indicado por


coordenadas (x,y,z), que indicam as coordenadas de suas extremidades.
Vejamos a representação a seguir:

Figura 3.9 – Vetor no espaço

Fonte: A autora (2014)

110 Vetores e transformações lineares


U3

Observamos que dois vetores sempre são coplanares, porém, se tivermos


três ou mais, isso pode não ocorrer, vejamos o exemplo:

Figura 3.10 – Vetores coplanares e não coplanares

Fonte: A autora (2014)

Sobre o espaço tridimensional, acesse:


<http://www.im.ufrj.br/~waldecir/calculo2/capitulo3_espaco.pdf>.

Considere a representação vetorial a seguir para responder


às questões a seguir:

1. Qual a representação geométrica


do vetor resultante de u + v?

2. Qual a representação geométrica


do vetor resultante de u – v?

Vetores e transformações lineares 111


U3

112 Vetores e transformações lineares


U3

Seção 2
Introdução aos espaços vetoriais euclidianos
Nesta seção abordaremos sobre operações vetoriais aplicadas a espaços
euclidianos, com ênfase nas representações geométricas. Apresentamos
a seguir algumas definições essenciais para definirmos posteriormente
espaços vetoriais com produto interno.

DEFINIÇÃO 6

Vetor nulo: é um segmento orientado do ponto no próprio ponto.

Aplicando a sexta definição, obtemos:

v = AA = 0

DEFINIÇÃO 7

Vetor oposto: dado um vetor u, o vetor oposto possui o mesmo


comprimento, a mesma direção e o sentido oposto, o que denotamos por –u.

Aplicando a sétima definição, obtemos:

u = (3,2) o vetor oposto – u = ( -3,-2).


Figura 3.11 - Vetores opostos

Fonte: A autora (2014)

Vetores e transformações lineares 113


U3

DEFINIÇÃO 8

Módulo ou norma: é a medida de comprimento de vetores, indicado por


para vetores bidimensionais e
para vetores tridimensionais.

Aplicando a oitava definição, obtemos:

Dado u = (2,3,4 ):

Podemos entender módulo ou norma como a distância entre o ponto


inicial e o ponto final do vetor indicado, ou seja, aplicamos o Teorema de
Pitágoras para determinar tal medida. Vejamos a seguir as propriedades do
módulo de um vetor (o produto escalar será definido posteriormente):

PROPRIEDADES

Seja V um espaço vetorial euclidiano, para os vetores u, v  V e o escalar


k R são válidas as seguintes propriedades:

a) =0, se, e somente se, v=0.

b)

c)

d)

DEFINIÇÃO 9 Figura 3.11 - Vetores opostos

Vetor unitário: é um vetor de


comprimento de uma unidade, ou
seja, |u|=1.

Considere os vetores unitários i =


(1,0,0), j = (0,1,0) e k = (0,0,1), os quais
possuem cada um o comprimento 1
e estão sobre os eixos coordenados:

Fonte: A autora (2014)

114 Vetores e transformações lineares


U3

Denominamos de vetores unitários canônicos do espaço tridimensional,


e podem ser escritos apenas por i, j, k. Podemos representar os demais
vetores com:

v = ( v1, v2, v3) = v1.(1,0,0) + v2.(0,1,0) + v3.(0,0,1) = v1 i + v2 j + v3 k

Exemplo: v = ( 2, -1, 3 ) = 2i – j + 3k

De modo análogo, podemos representar os vetores bidimensionais.

v = (5, 4) = 5i + 4j

DEFINIÇÃO 10

Versor: dado um vetor u não nulo, o vetor unitário de mesma direção e


sentido é o versor do vetor u, obtido por

Aplicando a décima definição, obtemos:

Dado u = (2,3,4) temos que , obtendo o versor:

Aplique a norma em um versor e comprove que se trata de um vetor


unitário:

ARITMÉTICA VETORIAL

Podemos realizar adições, aplicar o elemento oposto ou multiplicar por


escalar as componentes de vetores. Considerando u = (-1, 2, 4) e v = (2,-1,-
3), vejamos exemplos com essas operações:

a) u + v = (-1, 2, 4) + (2,-1,-3) = ( -1 + 2 , 2 -1 , 4 - 3) = ( 1, 1, 3)

Neste caso, agrupamos cada componente de (x, y, z); geometricamente,


temos as seguintes representações:

Vetores e transformações lineares 115


U3

Figura 3.13 – Adição de vetores

Fonte: A autora (2014)

b) – u = - ( -1, 2, 4) = ( 1, -2, -4)

Neste caso, aplicamos o vetor oposto a cada componente (x, y, z).

Caso o vetor não esteja localizado na origem, é necessário


determinar a componente do vetor.
Exemplo: seja um vetor determinado por ponto inicial A = (4,
3, 2) e ponto final B = (7, 4, 4), determinamos a componente
realizando ponto final menos ponto inicial, vejamos a
componente de AB = (7- 4, 4 - 3, 4 – 2) = (3, 1, 2).

Vejamos, a seguir, as propriedades da aritmética vetorial:

PROPRIEDADES: aritmética vetorial

Se u, v, e w são vetores bi ou tridimensionais e k e l são escalares então


valem as seguintes propriedades:

a) Comutativa: u + v = v + u
b) Eemento neutro da adição: u + 0 = 0 + u = u
c) Associativa com escalar: k.( l.u) = (k.l) . u
d) Distributiva com escalar: ( k + l).v = kv + lv
e) Associativa com vetores: (u + v) + w = u + (v + w)
f) Distributiva com vetores: k.( u + v) = ku + kv
g) elemento oposto: u + (-u) = 0
h) elemento neutro da multiplicação: 1.u = u

116 Vetores e transformações lineares


U3

Vamos demonstrar a validade da propriedade associativa para a adição


de vetores no espaço tridimensional. Considere u = (x1, y1, z1), v=(x2,y2,z2) e
w=(x3,y3,z3).

Demonstração:
(u + v) + w = [(x1, y1, z1) + (x2, y2, z2)] + (x3,y3,z3)
= (x1+ x2, y1 + y2, z1+ z2) + (x3, y3, z3)
= ([x1+ x2] + x3, [y1 + y2] + y3, [z1+ z2] + z3)
= (x1+ [x2 + x3], y1 + [ y2 + y3], z1+[ z2 + z3])
= (x1, y1, z1) + (x2 + x3, y2 + y3, z2+ z3)
= u + (v + w)

MULTIPLICAÇÃO DE ESCALAR POR VETOR

Seja v um vetor bidimensional ou tridimensional e seja k um número real


qualquer. A multiplicação do escalar k pelo vetor v é a operação “externa”
em que a cada escalar k e a cada vetor v se associa um vetor kv, tal que:

1) Se k = 0 ou v=0, então kv = 0

2) Se k = 0 e 0 = v, então kv é caracterizado por:

a) kv é paralelo a v.

b) kv e v têm o mesmo sentido se k>0 e os sentidos contrários


de k<0

c) |kv| - |k|.|v|, isto é, a norma de kv é igual ao produto do módulo


de norma de v.

PROPRIEDADES: multiplicação de escalar por vetores

Se u e v são vetores bi ou tridimensionais, e k e l são escalares, então


valem as seguintes propriedades:

a) distributiva de escalar por vetor: k(u + v) = ku + kv


b) distributiva de vetor por escalar: (k+l) v = kv+ lv
a) elemento neutro 1v = v
a) associativa e comutativa: k(lv) = (kl)v = l(kv)

Vetores e transformações lineares 117


U3

SOMA DE PONTO COM VETOR

DEFINIÇÃO 11

Considere P pertencente ao espeço Figura 3.14 – Soma de ponto


com vetor
tridimensional um ponto qualquer, v pertencente
ao espeço tridimensional, um vetor qualquer.
Chama-se operação de soma de um ponto
P com um vetor v a operação que associa um
único ponto Q de R³ a P.

Vejamos uma representação gráfica da soma Fonte: A autora (2014)


e ponto com vetor:

Um vetor pode ser definido como diferença de dois pontos, ou seja,


v = Q - P.

PROPRIEDADES: SOMA DE PONTO COM VETOR

Se u e v são vetores tridimensionais e P, A e B pontos no espaço, então


valem as seguintes propriedades:

a) P + 0 = P, P R³
b) Se P + u = P + v u=v
c) (P+u) + v = P + (u + v)
d) Se A + v = B + v A=B
e) P – v (+ v) = P

DEPENDÊNCIA E INDEPENDÊNCIA LINEAR

Definimos combinação linear como:

DEFINIÇÃO 12

Considere que a1, a2 ... an são escalares e v1, v2 ... vn são vetores bi ou
tridimensionais. Se um vetor x pode ser escrito da forma x = a1v1 + a2v2 ...
+ anvn, então temos que x é uma combinação linear.

118 Vetores e transformações lineares


U3

Podemos entender que um grupo de vetores é dito linearmente


independente se não for possível escrever qualquer deles como combinação
linear dos outros. A dependência e a independência linear de vetores
são conceitos essenciais no estudo de espaços vetoriais. Analisaremos
tais conceitos nos aspectos geométrico e algébrico. Nesta sessão, nos
restringiremos aos aspectos geométricos.

Qual a diferença entre linearmente dependente e linearmente


independente?

Recorremos ao conceito de paralelismo entre vetor e reta e entre vetor


e plano. Se um vetor v é paralelo a uma reta r e se algum vetor equipotente
de v tiver a reta r como reta suporte, entenderemos que dois vetores são
paralelos quando suas retas suportes forem paralelas.

Podemos estender o conceito para o caso em que um vetor v é paralelo


a um plano π se algum vetor equipotente de v tiver como reta suporte
uma das retas do plano π. Definiremos a seguir os conceitos relacionados
com a representação geométrica de vetores linearmente dependentes e
linearmente independentes.

DEFINIÇÃO 13

Vetores e transformações lineares 119


U3

A partir da definição, podemos concluir que: dois vetores u (x1, y1, z1) e v
(x2, y2, z2) são paralelos (ou colineares) se forem linearmente dependente,
isto é, se existir um número escalar k tal que u=kv, ou seja:
x1 y1 z1
= = =k
x2 y2 z2
PRODUTO ESCALAR

Sejam u e v dois vetores não nulos, considere o ângulo formado pelos


vetores partindo do mesmo ponto inicial que denominamos de θ, em que
0< θ <π. Vejam a figura ilustrativa a seguir:

Figura 3.15 - Ângulo entre vetores

Fonte: A autora (2014)

DEFINIÇÃO 15

O produto escalar de u por v, que é simbolizado por u • v como sendo o


escalar resultante de | u |.| v |. cos θ, ou seja, u • v = | u |.| v |. cos θ

Observamos que utilizamos o símbolo • especificamente para produto


escalar; posteriormente, definiremos produto vetorial com outra simbologia.
Aplicamos a definição de produto escalar em grandezas, como força e
deslocamento.

Podemos obter o produto escalar em função de suas coordenadas,


vejamos a demonstração.

Considere os vetores unitários canônicos:

i.j = i.k = j.k = 1.1.cos 90º = 1.1.0 = 0

i.i = j.j = k.k = 1.1.cos 0º = 1.1.1 = 1

Também considere u = (x1, y1, z1) e v=(x2,y2,z2).

Utilizaremos o produto u • v em termos dos vetores unitários canônicos:

120 Vetores e transformações lineares


U3

Demonstração:

(x1i + y1j + z1k).(x2i + y2j + z2k) =


x1x2i.i + x1y2i.j + x1z2i.k + y1x2j.i + y1y2j.j + y1z2j.k + z1x2k.i + z1y2k.j + z1z2k.k =
x1x2.1 + x1y2.0 + x1z2.0 + y1x2.0 + y1y2.1 + y1z2.0 + z1x2.0 + z1y2.0 +
z1z2.1 = x1x2 + y1y2 + z1z2.

O resultado dessa demonstração para o produto escalar pode ser


estendido a vetores com qualquer número de coordenadas e, mesmo
sendo deduzida para vetores não nulos, pode ser aplicada a eles.

A partir da definição, podemos verificar se dois vetores são perpendiculares,


neste caso o produto escalar de u v = 0, pois o cos 90º = 0.

A partir da definição 15 podemos determinar o ângulo entre vetores por


meio de:

cos θ = u • v
| u |.| v |

PROPRIEDADES: PRODUTO ESCALAR

Se u, v e w são vetores bi ou tridimensionais e k é escalar, então valem as


seguintes propriedades:

a) Distributiva: u • (v + w)= u • v + u • w

b) Comutativa: u • v = v • u

c) Associativa e comutativa: u • (k v) = (k u) • v= k (u • v)

d) u • u > 0; u • u = 0 u=0

Mostre que a partir de u v = | u |.| v |. cos θ pode ser obtido o produto


escalar em função das coordenadas utilizando a LEI DOS COSSENOS

Vetores e transformações lineares 121


U3

PROJEÇÃO DO VETOR U NA DIREÇÃO DO VETOR V

Dados vetores u e v não nulos e θ o ângulo entre eles, a projeção do


vetor u sobre o vetor v, representada por proj u, é o vetor definido por:

uv = proj vu = |u| cos θ v, ou seja,

uv = proj vu = u • v v
| v |²
(componente vetorial de u ao longo de v)

Podemos definir a componente ortogonal por meio de:

u - proj vu = u • v v
| v |²
Graficamente, representamos por:
Figura 3.16 – Projeção entre vetores

Fonte: A autora (2014)

PRODUTO VETORIAL

Nesta forma de multiplicação, obtemos como resultado um vetor, por


isso utiliza-se uma notação diferente para esse produto. Vejamos a definição:

DEFINIÇÃO 16

Seja o produto vetorial definido em termos de componentes temos que se

u= (x1,y1,z1) e v (x2,y2,z2) então

x y z
uxv= x1 y1 z1 = [(y1z2 – y2z1), -(x1z2 – x2z1), (x1y2-x2y1)]
x2 y2 z2

122 Vetores e transformações lineares


U3

Vejamos um exemplo: determine o produto vetorial uxv, sendo

u = ( 1,2,-2) e v= (3,0,1):

x y z
u x v = 1 2 -2 = [(2.1 – 0.(-2)), -(1.1 – 3.(-2)), (1.0 - 3.2)]= (2,-7,-6)
3 0 1
O vetor resultante do produto vetorial possui as seguintes características:

a) O módulo do produto vetorial é equivalente a:

|u x v |=| u |.| v |. sen θ

b) A direção é perpendicular ao plano formado por u e v.

Figura 3.17 – Produto vetorial

Fonte: A autora (2014)

c) O sentido é determinado pela regra da mão direita, ou seja, com a


mão direita aberta, formando um plano, aponta-se o primeiro vetor com
o polegar. Os demais dedos apontam o segundo vetor. A palma da mão
indicará o sentido do produto.

PROPRIEDADES: PRODUTO VETORIAL

Se u, v e w são vetores tridimensionais e k é escalar, então valem as


seguintes propriedades:

a) u x (v + w) = u x v + u x w e (u + v) x w = u x w + v x w

b) u x (k v) = (k u) x v = k (u x v)

c) u x v = -v x u

Vetores e transformações lineares 123


U3

PRODUTO MISTO

Nesta forma de produto, combinamos os produtos escalares e vetoriais,


obtendo as seguintes variações:

DEFINIÇÃO 17

Seja u, v e w vetores tridimensionais, temos o produto misto definido por:


u • (v x w).

Ao efetuar o produto (v x w), teremos um vetor que, ao multiplicar


escalarmente por u, resultará em um escalar. Podemos realizar uma
interpretação geométrica para esse caso: o produto misto em módulo é
igual ao volume do paralelepípedo de arestas determinadas pelos vetores
u, v e w.
Figura 3.18 – Produto misto

Fonte: A autora (2014)

PROPRIEDADES: PRODUTO MISTO

Se u, v e w são vetores tridimensionais então valem as seguintes


propriedades:

a) u • (v x w)=(u • v) x w o primeiro um escalar e o segundo um vetor.

b) u • (v x w) = (u x v) • w

c) Permutações circulares dos três vetores não modifica o produto, isto é:

u • (v x w) = v • (w x u) = w • (u x v)

d) Modificar a ordem de dois vetores inverte o sinal do produto, isto é:

v • (u x w) = u • (w x v) = w • (v x u) = -u • (v x w)

124 Vetores e transformações lineares


U3

Exemplos de atividades

1) Qual seria a representação das componentes a seguir no plano e no


espaço?.

a) ( 2 , 5 ) b) -5i -4j c) (2, 0 )

d) 5i + 3j e) -2i -j f) 3i + 4j + 2k

Dica: A componente de u = (2, -3, 4) = 2i -3j + 4k. Utiliza-se essa notação


para indicar com os vetores unitários.

2) Quais seriam as componentes do vetor formado por P1P2?

a) P1(3,5), P2(2,8).

b) P1(7,-2), P2(0,0).

c) P1(4,1,-3), P2(9,1,-3).

Dica: Utilize o conceito da distância entre pontos: ponto final subtraído


do ponto inicial.

3) Qual a solução dos itens a seguir?

a) Determine o ponto final de v = 3i - 2j se o ponto inicial for (1, –2).

b) Determine o ponto inicial de v = 1 se o ponto terminal final for (5, 0,–1).

Dica: Indique as componentes dos vetores e realize o processo inverso


utilizado no exercício anterior.

Vetores e transformações lineares 125


U3

4) Qual o resultado das operações indicadas sobre os vetores u = (3,0,-1),


e w=(0,3,0)?

a) a = w - v
b) b = -v - 2w
c) c = 6u + 4w
d) d = 3w - (v - w)
e) e = 4(3u + v)
Dica: Resolva parênteses, depois multiplicação por escalar e, por fim,
adição e subtração de vetores.

5) Qual o comprimento (norma ou módulo) do vetor v em cada caso?

a) v= 1
-1
b) v = i + 7 j

c) v =-3i + 2j + k

d) v = 2 i - 7 j

Dica: Escreva a componente de cada vetor em termos (x, y ,z) e aplique


a fórmula para calcular o comprimento.

6) Considere u - i - 3 j + 2k , v = i + j e w = 2i + 2 j - 4k vetores do espaço


tridimensional.

Qual o resultado das operações a seguir?

a) | u + v |

b) | u | + | v |

c) o versor de w

d) o versor de u - v + 2w

Dica: Quando a operação for definida em módulo, resolvê-la primeiro.

126 Vetores e transformações lineares


U3

7) Que vetores unitários que satisfazem as condições dadas?

a) mesma direção e sentido que o vetor v = - i + 4j

b) sentido oposto a v = 6i − 4 j + 2k

c) mesma direção e sentido que o vetor definido do ponto A = (–1,0,2) até


o ponto B =(3,1,1). v = 6i − 4 j + 2k

Dica: Utilize a definição de versor.

8) Qual o vetor que verifica a equação a seguir?

(8, 3, 7) + 2v = (6, 9, -1) - v

Dica: Isolar o vetor desconhecido, utilizar a propriedade do elemento


oposto para inversão de membro e resolver as operações vetoriais.

9) Qual o produto escalar dos vetores u e v em cada item?

a) u = i + 2 j , v = 6i − 8 j
 − 7  0
b) u =   v =  
 − 3 , 1
c) u = i − 3 j + 7k , v = 8i − 2 j − 2k

Dica: Escrever as componentes dos vetores e aplicar o produto escalar


por componentes.

10) Qual o cosseno do ângulo e o ângulo entre os vetores dados em cada


item?

a) u = i + 2 j , v = 6i − 8 j
 − 7  0
b) u =   v =  
 − 3 , 1
c) u = i − 3 j + 7k , v = 8i − 2 j − 2k

Vetores e transformações lineares 127


U3

10) Qual o cosseno do ângulo e o ângulo entre os vetores dados em cada


item?

a) u = i + 2 j , v = 6i − 8 j
 − 7  0
b) u =   v =  
 − 3 , 1
c) u = i − 3 j + 7 k , v = 8i − 2 j − 2k

Dica: Escrever as componentes e aplicar a definição de produto


escalar que envolve cosseno do ângulo, utilizar o cos-1 (arc-cosseno) para
determinar a medida do ângulo.

11) Qual a classificação do ângulo entre u e v : agudo, obtuso ou


ortogonal?

a) u = 7i + 3 j + 5k , v = −8i + 4 j + 2k
1  − 1  4  − 3
       
b) u = 1 v =  0  c) u =  1  v =  0 
1 ,  0  6 ,  2
       

Dica: Se o produto escalar das componentes for positivo, o ângulo é


agudo; se for zero, é ortogonal (ou reto); se for negativo, é obtuso.

12) Dados os vetores u = (−1, α ,3) v = (0,1,2) e os pontos A(5,3,-2) e B(0,-


1,5), qual o valor de α para que se tenha u.(v+ AB) = 12 ?

Dica: Determine as componentes de AB, resolva a operação entre


parênteses e, posteriormente, aplique o produto escalar por componentes.

13) Qual o valor de n para que seja de 30o o ângulo entre os vetores

u = (1, n,2) e v = (0,1,0) ?

Dica: Aplique a definição de produto escalar.

128 Vetores e transformações lineares


U3

14) Qual o valor de m para que o vetor p=mi +5j+4k seja ortogonal ao
vetor AB , onde A(1,2,-3) e B(3,4,-5)?

Dica: O produto escalar por componentes será zero, pois os vetores são
ortogonais.

15) Qual seria a decomposição dos vetores em componentes da base


canônica?

a) O vetor partindo do ponto P(1,2) e terminando no ponto Q(4,6).

b) O vetor partindo do ponto P(4,6) e terminando no ponto Q(1,2).

c) O versor de vetor PQ = 4i + 4j.


3
r  
d) O vetor v =  − 1
2
 
Dica: Utilize os vetores unitários como referência.

16) Quais os valores de m e n para que sejam paralelos os vetores:

u = ( m+1, 3, 1) e = (10, 4n –2, 2)?

Dica: Vetores paralelos possuem a mesma direção, sentido e


comprimento, logo possuem as mesmas componentes.

17) Nos itens a seguir:

a) Para quais valores de t os vetores u = t i + j + (t -1)k e v = t i + t j − 2 k são


ortogonais? Existem valores de t para os quais esses vetores sejam paralelos?

b) Para quais valores de t os vetores u = t i + j + (t − 1) k e v = 2i − 4 j + k


são ortogonais? Existem valores de t para os quais esses vetores sejam
paralelos?

c) Para quais valores de t os vetores u = 2t i + t j + t k e v = 6i + 3 j + 3k


são ortogonais? Existem valores de t para os quais esses vetores sejam
paralelos?

Vetores e transformações lineares 129


U3

Dica: Vetores ortogonais possuem o produto escalar igual a zero, e


vetores paralelos possuem as mesmas componentes ou componentes
multiplicadas por escalares.

18) Considere os vetores u = (6, -6, 1), v = (2, 3, 5) e w = (-3, -4, 1). Qual o
resultado das operações a seguir?

a) (u•v) . w

b) u • (v x w)

c) u x (v x w)

Dica: Utilize os produtos escalares e vetoriais para resolver os itens.

19) A operação u • v + u x v é possível ou não? Se possível, o resultado é


um vetor ou um escalar? Justifique sua resposta.

Dica: Utilize as propiedades para validar ou não a afirmação.

20) Sejam os vetores u = (2,1,0), v = (2,0,3) e w = - i + j -2k, qual o volume


do paralelepípedo definido por w•(uxv)?

Dica: Aplique o módulo no resultado do produto misto, pois volume é


uma unidade de medida e sempre será positiva.

SOLUÇÕES DOS EXEMPLOS DE ATIVIDADES

130 Vetores e transformações lineares


U3

2) a) P1 P2 = −i + 3 j = (-1,3) b) P1 P2 = −7i + 2 j = (-7,2)


c) P1 P2 = 5i = (5,0)

3) a) (4,–4) b) (2,–1,–3)

4)

a) a = −i + 4 j − 2k = (- 1,4,- 2)

b) b = −i − 5 j − 2k = (- 1,- 5,- 2)

c) c =18i+ 12j -6k =(18,12,-6)

d) d = -i + 13j -2k =(- 1,13,-2)

e) e = 40i - 4j -4k = (40,- 4,- 4)

5) a) | v |= 2 b) | v |= 50
50 c) | v |= 14
14 d) | v |= 3

6) a) | u + v |= 2 3 b) | u | + | v |= 114
4 + 2 c) versor = 6 i + 6 j − 6 k
6 6 3
2 1313 3 1313
d) versor = i− k
13
13 13
13

v 117
7 4 1717 v 3 1414 14
14 14
14
7) a) =− i+ j b) =− i+ j− k
|v| 17
17 1717 |v| 14
14 7 14
14

A
B
AB 2 2 2 2
c)
= i+ j− k
| AB
B |
A 3 6 6

Vetores e transformações lineares 131


U3

8) ( -2/3 , 6/3 , -8/3 )

9) a) u • v = −10
10 b) u • v = −3 c) u • v = 0 (Os vetores são perpendiculares)
− 5
10) a) cos(θ) = b) cos(θ ) = − 3 5858 c) cos(θ) = 0
5 58
5
8
11)

a) u • v = −334
4 < 0 sendo assim, temos um ângulo obtuso.
b) u • v = −1 < 0 sendo assim, temos um ângulo obtuso.

c) u • v = 0 neste caso, os vetores são perpendiculares.

12) a=20/3

13) n= +- 1515

14) m = 1

15)
PQ
P
Q 2 2
Q = 3i + 4 j
P
a) PQ Q = −3i − 4 j
P
b) PQ c) = i+ j
| PQ
Q |
P 2 2
d) v = 3i − j + 2k

16) m = 4 e n = 2

17)

a) ortogonais: t = −1 e paralelos: não há.


5
b) ortogonais: t = 3 e paralelos: não há.

c) ortogonais: não há e paralelos: x IR*.

18) a) (3,4,-1) b) 241 c) (11,-17,36)


A
e
19) Não é possível adicionar o escalar resultante de u•v com o vetor
resultante de uxv.

20) 5u³ ( unidades cúbicas de volume).

132 Vetores e transformações lineares


U3

1. A operação u. [(v + u) x v] é possível ou não? O resultado é


um vetor ou um escalar? Justifique sua resposta.

2. Sabe-se que o vetor (3, 6, -7) é paralelo ao vetor (3x, y + 2,


21). Quais os valores de x e y?

Vetores e transformações lineares 133


U3

134 Vetores e transformações lineares


U3

Seção 3

Transformações lineares

Transformações lineares são regras que associam elementos de espaços


vetoriais. Nesta seção, veremos exemplos de representações geométricas
de algumas transformações. Para entendermos uma transformação linear,
precisamos retomar o conceito de função:

Função (f) é uma regra que associa cada elemento do domínio a um


único elemento do contradomínio. Se a f associa um elemento x a um
elemento y denotamos que y=f(x), em que y é imagem de x.

Entendemos que f é uma função real se possuir variável real, porém


podemos ter o domínio formado por um conjunto de vetores bi ou
tridimensionais e o contradomínio formado por números reais. Uma
função f: Rn→Rm é chamada de aplicação ou transformação; caso m=n
denominamos de operador de Rn.

OPERADORES LINEARES

Vejamos alguns exemplos de operadores lineares com aplicações de


reflexões:

Vetores e transformações lineares 135


U3

Tabela 3.2 - Operadores lineares no espaço tridimensional e bidimensional: reflexões

Operadores tridimensionais Operadores bidimensionais

Reflexão em Reflexão em

torno do plano torno do eixo y

xy

Reflexão em Reflexão em

torno do plano torno do eixo x

xy

Reflexão em

torno do plano

xy
Fonte: A autora (2014)

As projeções vetoriais podem ser analisadas como operadores. Vejamos


um exemplo:
Tabela 3.3 - Operadores lineares no espaço tridimensional e bidimensional: projeções

Operadores tridimensionais Operadores bidimensionais

Projeção Projeção

ortogonal sobre ortogonal sobre

o plano xy o eixo y

Projeção Projeção

ortogonal sobre ortogonal sobre

o plano xy o eixo x
Fonte: A autora (2014)

136 Vetores e transformações lineares


U3

Outro exemplo de operador linear é a multiplicação de vetor por escalar.


Neste caso, podemos contrair ou dilatar um objeto, sendo esse tipo de
transformação linear denominado de homotetia. Vejamos um exemplo:

Figura 3.19 – Operadores lineares Figura 3.20 – Operadores lineares


tridimensionais homotetias: contração tridimensionais homotetias: dilatação

Fonte: A autora (2014) Fonte: A autora (2014)

Quando lidamos com funções reais, como a função f, definida pela regra
f(x) = x³, a função relaciona um número real em outro número real. Por
exemplo, o número 2 relaciona-se em 8, isto é, f(2) = 8. As transformações
lineares relacionam componentes de vetores e, por consequência,
transformam a representação gráfica de vetores em uma nova representação
de vetores, como constatamos nos exemplos anteriores.

DEFINIÇÃO 18

Seja V e W espaços vetoriais, uma transformação T de V para W é uma


regra que associa a todo vetor x em V um único vetor em W que é denotado
por T(x).

Deste modo, se x é um vetor em V, então T(x) é a imagem de x sobre a


transformação T. Vejamos um exemplo:

T é uma transformação do R³ para o R² definida pela transformação:

T(x1, x2, x3) = (x1 + x2, x2 + x3)

Deste modo, T relaciona:

a) o vetor (1,1,1) ao vetor T(1,1,1) = (2,2);

b) o vetor (3,2,0) no vetor T(3,2,0) = (5,2).

Vetores e transformações lineares 137


U3

DEFINIÇÃO 19

Sejam V e W dois espaços vetoriais. Uma transformação (ou aplicação)


T: V → W é chamada de linear se para todos os vetores x e y em V e para
todo escalar → satisfazer:

a) T(x + y) = T(x) + T(y)

b) T(ax) = a T(x)

É possível reescrever as condições de uma transformação linear?

Uma característica da transformação linear T: V → W é preservar


a adição e a multiplicação por escalar entre os vetores. Deste modo,
é necessário satisfazer os dois itens indicados na definição 19. A
consequência dessa definição é apresentada a seguir:

PROPRIEDADE: TRANSFORMAÇÕES LINEARES

Sejam v1 e v2 vetores em V e a1 e a2 dois escalares, então:

T(a1v1 + a2v2) = T(a1v1) + T(a2v2) = a1 T(v1) + a2 T (v2)

Podemos interpretar que uma transformação linear satisfaz o princípio


da superposição, que pode ser aplicado a n vetores em V e n escalares, ou
seja, trata-se de uma combinação linear. Consequentemente, T preserva
combinações lineares. Observamos que podemos atribuir o termo de
aplicações para transformações lineares, sendo assim, vejamos o exemplo
a seguir.

Exemplo 1: V =R e W = R
F:R→R
u → au ou F(u) = au
F(u + v) = a(u + v) = au + av = F(u) + F(v).
F(ku) = a(ku) = kau = kF(u).
Então F é uma transformação linear

138 Vetores e transformações lineares


U3

Exemplo 2: Seja D : Pn → Pn, onde Pn é um polinômio e D é a aplicação


derivada. Pelas propriedades das derivadas, sabe-se que:
D(f + g) = D(f) + D(g). D(kf) = k D(f).
Então D é uma transformação linear.

Observamos que uma consequência do fato de que uma transformação


linear T, T: V → W relaciona o vetor nulo de V no vetor nulo de W, ou seja,
se 0 ϵ V, T(0) = 0 ϵ W. Isto permite detectar transformações não lineares,
ou seja, se T(0) ≠ 0, T não é linear. No entanto, T(0) = 0 não é suficiente
para que T seja linear, é preciso aplicar a definição 19.

APLICAÇÕES DE TRANSFORMAÇÕES NA COMPUTAÇÃO GRÁFICA

A computação gráfica recorre a efeitos em imagens que podem ser


associados com transformações vetoriais. Apresentamos neste tópico
como são realizadas algumas dessas transformações de imagens por meio
de recursos gráficos, porém associando com as operações matemáticas
envolvidas; para isso, recorremos aos autores Anton e Rorres (1999), que
desenvolveram esse trabalho de transpor para a linguagem matemática
esses tipos de efeitos gráficos.

Segundo Anton e Rorres (1999), a imagem de um objeto tridimensional


exibida em um monitor de vídeo pode ser associada à álgebra matricial
para obter novas imagens do objeto por meio de homotetias, translação
e rotação, considerando que este objeto é determinado por um número
finito de segmentos de reta.

Ao transformar a matriz de coordenadas P de uma imagem na nova


matriz de coordenadas P’, que corresponde a uma nova imagem do
objeto, os segmentos de retas que conectam os vários pontos movem
junto aos pontos quando estes são transformados. Desta maneira, cada
imagem é determinada univocamente pela sua matriz de coordenadas,
desde que tenham sido especificados quais pares de pontos são
conectados por segmentos de reta na imagem original.

Reflita sobre a operação algébrica realizada para ocorrer a


homotética em um objeto.

Vetores e transformações lineares 139


U3

Abordaremos, a seguir, sobre algumas transformações ocorridas por


meio de operações algébricas.
A homotética, considerada como mudança de escala, nesta
transformação há a multiplicação por escalar das coordenadas dos vetores,
sendo que para direção x, y, z pode ser utilizado um escalar diferente.
Deste modo, podemos considerar um ponto qualquer, que denominamos
de Pi, com coordenadas (xi, yi, zi), indicado na imagem original. Após
aplicar a transformação algébrica, obtemos um ponto P0 de coordenadas
(αxi, βyi, γzi) em que α, β, γ são os escalares que converteram a imagem
inicial na nova imagem. Vejamos um exemplo dessa transformação:
considere um cubo unitário como imagem original. Ao multiplicarmos por
escalar cada componente dos vetores nas direções x, y, z pelos escalares
α, β, γ, obtemos um paralelepípedo de dimensões α×β×γ.

Reflita sobre a operação algébrica realizada para ocorrer a


translação de um objeto.

Outra transformação que temos é a translação, ou seja, trata-se do


deslocamento de um objeto em uma posição inicial para uma nova
posição. A operação realizada para esse efeito é a adição de matrizes;
deste modo, cada ponto Pi com coordenadas (xi, yi, zi) é movido para um
novo ponto P0 com coordenadas (xi + x0, yi + y0, zi + z0). Definimos a
matriz 3 × n:

x0 x0 ... x0
T= y0 y0 ... y0

z0 z0 ... z0

Sendo assim, a translação será dada pela operação da equação P´= P + T.

Reflita sobre a operação algébrica realizada para ocorrer a rotação


de em um objeto.

140 Vetores e transformações lineares


U3

Abordaremos sobre a rotação de uma imagem em torno de um dos


três eixos coordenados. Começamos com uma rotação em torno do eixo
z por um ângulo. Dado um ponto Pi da imagem original com coordenadas
(xi, yi, zi), desejamos calcular as novas coordenadas (x0i, y0i, z0i) do ponto P0i
rotacionado.
Estas equações podem ser escritas em formato matricial como:

xi1 cos (θ) -sin(θ) 0 xi


yi1 = -sin(θ) cos (θ) 0 . yi
zi1 0 0 1 zi

Se denotarmos a matriz 3 × 3 desta equação por R, então todos os n


pontos poderão ser rotacionados pela multiplicação matricial P´=R.P.
Analogamente, podemos obter rotações em torno dos eixos x e y. As
rotações em torno dos três eixos coordenados podem ser combinadas
para dar imagens oblíquas de um objeto.

Figura 3.21 – Figura original sem Figura 3.22 – Figura após homotetias
transformações e rotações

Fonte: A autora (2014) Fonte: A autora (2014)

Segundo Anton e Rorres (1999), podemos aplicar uma transformação


algébrica realizando uma deformação simples de uma região triangular do
plano, em que os vértices são três pontos não alinhados que denominaremos
de v1, v2 e v3, que serão vértices de um triângulo inicial. Nesta região delimitada
pelo triângulo inicial considere v um ponto qualquer no triângulo inicial,
sejam c1 e c2 constantes únicas de modo que v - v3 = c1 (v1 - v3) + c2 (v2 - v3).

Observe que o segundo membro da equação trata-se de uma combinação


linear, sendo a única possível devido às escolhas de c1 e c2 e os vetores v1 -
v3 e v2 - v3 são linearmente independentes em relação a uma origem em v3.

Vetores e transformações lineares 141


U3

Suponha que:

c3 = – c2 – c1,

Sendo assim:

v = c3 v3 + c2 v2 + c1 v1, em que c1 + c2 + c3 = 1, pela definição de c3.

Satisfazendo todas as equações anteriores e os coeficientes c1, c2 e c3


sendo não negativos, obtemos v, que é uma combinação convexa dos
vetores v1, v2 e v3.

A partir dessas definições podemos definir como ocorre uma


transformações afim. Considere três pontos não alinhados w1, w2 e w3 dos
vértices de um triângulo final, ou seja, existe uma imagem inicial formado por
v1, v2 e v3 que sofre uma deformação por meio de uma aplicação algébrica,
sendo assim, existe uma única transformação afim que leva v1 em w1, v2 em
w2 e v3 em w3, deste modo, para todos os pontos v da figura inicial existe um
t(v) correspondente na figura final. Ou seja, existe uma única matriz 2 X 2
invertível M e um único vetor b, tais que wi = M vi + b para i = 1, 2 e 3. A matriz
M de tamanho 2 X 2 e o vetor bidimensional b definem a transformação afim
que leva os três vetores v1, v2, v3 nos três vetores w1, w2, w3.

De acordo com Anton e Rorres (1999), além de definir a transformação


afim podemos analisar a densidade da Imagem, faremos uma análise
utilizando tons de cinza. Considere um triângulo inicial que contém uma
imagem dentro dele, deste modo, cada ponto do triângulo inicial possui
um nível de cinza; atribuindo uma escala, podemos utilizar 0 para branco
e 100 para preto, e neste intervalo teríamos variações de todos os níveis de
cinza. Neste caso, temos uma função escalar ρ0, denominada de densidade
de imagem do triângulo inicial, em que ρ0(v) é o nível de cinza relacionado
ao ponto v do triângulo. A deformação da imagem original, definindo a
densidade de imagem ρ1 do triângulo final, associando a um ponto w dentro
do triângulo final o nível de cinza do ponto v do triângulo inicial, que é levado
em w. Em forma de equação, a densidade de imagem ρ1 é determinada por
ρ1(w) = ρ0(c3v3+ c2v2 + c1v1).

Segundo os mesmos autores, podemos realizar operações algébricas que


geram deformações dependentes do tempo. Uma deformação dependente

142 Vetores e transformações lineares


U3

do tempo é um conjunto de deformações geradas quando os pontos


do vértice da imagem inicial são movidos continuamente ao longo do
tempo desde suas posições originais até posições finais especificadas. Essa
operação promove uma animação em que a imagem inicial é deformada
continuamente até uma deformação final. Considere que t = 0 corresponde
à imagem inicial e t = 1 corresponde à deformação final. Utilizando a
velocidade constante do instante de tempo 0 ao instante de tempo 1, move-
se os pontos de vértice de caminhos retos ligando as posições iniciais às
posições finais. Para descrever uma função para o movimento, considere
ui(t) a posição do i-ésimo ponto de vértice em um instante de tempo t entre
0 e 1. Deste modo, ui(0) = vi e ui(1) = wi tal que ui(t) = (1-t) vi + t wi .

Outra operação possível, segundo Anton e Rorres (1999), são os morfismos,


que consiste de uma combinação de duas deformações dependentes do
tempo de duas imagens distintas, por meio de duas triangulações, que
combinam características correspondentes das duas imagens. Para produzir
esse efeito, uma das duas imagens é utilizada como a imagem inicial e a
segunda como a imagem final. Após gerar uma deformação dependendo
do tempo de t = 0 a t = 1 em que a imagem inicial é deformada para a forma
da imagem final, geramos também uma deformação dependendo do tempo
de t = 0 a t = 1 na qual a imagem final é deformada para a forma da imagem
inicial, para assim, para cada instante t entre 0 e 1, termos um morfismo das
duas deformações no instante t usando uma média ponderada dos dois
níveis de cinza.

1. A aplicação L: RR, L(v) = L(x,y) = 2x + 4 é uma


transformação linear?

2. Considere a aplicação de R³ R², tal que ( x1, x2, x3) T (x1,


x2, x3) = (x1, 2x1 + x2). Esta aplicação é linear ?

Vetores e transformações lineares 143


U3

Foram trabalhados os seguintes itens nesta unidade:


vetores bidimensionais e tridimensionais; introdução a
espaços vetoriais euclidianos e transformações lineares
com o objetivo de:

• entender e conceituar vetores;

• visualizar vetores no plano e no espaço;

• definir espaços vetoriais;

• compreender transformações lineares;

• aplicar transformações lineares.

Nas seções anteriores, desenvolvemos conceitos


fundamentais para um tratamento geométrico e algébrico
de vetores para Álgebra Linear e aplicações desses
conteúdos, sejam na física ou engenharias. O foco foram
as representações geométricas de vetores bidimensionais
e tridimensionais.

Apresentamos definições, propriedades, demonstrações


e exploramos as representações geométricas. Deste
modo, explicitamos sobre o conceito de vetores e
as transformações lineares, as quais são usadas para
apresentar vários tipos de mudanças geométricas, como:
rotação, homotetia, cisalhamento, reflexão, além de outras
deformações no plano ou no espaço.

144 Vetores e transformações lineares


U3

1. Considere u = (2, -1, 4), v = (1, 5, -3) e w = (3, -2, 1). Determine o
vetor x nos itens a seguir:
a) X = 4.(u + v) + 2w
b) X = 2 .(3v + 2w) - 3.(4v)
c) u + 3v = X - w
OBS.: X representa um vetor desconhecido.

2. Considere os vetores dados no exercício 1. Qual a medida do


módulo do vetor resultante de 2u –3v + 5w?

3. Sejam u = (3, 2,1), v = (-2, 4, -1) e w = (2, -1, -3) três vetores,
resolva se possível:
a) u . v
b ) u x (v . w)
c) 2u x 3w

4. Considere os vetores do exercício 3 e determine o volume


do paralelepípedo formado por u, v, e w, com base apoiada no
plano que contém u e v .

5. A aplicação T: R³R³ em que T(x,y,z) = (x+1, y, z) é linear?

Vetores e transformações lineares 145


U3

Referências

ANTON, H.; RORRES, C. Álgebra linear com aplicações. 8. ed. New York:
Bookman, 1999.

SUGESTÕES DE LEITURA

BOLDRINI, J. et al. Álgebra linear. São Paulo: Harbra, 1980.

BOULOS, P.; CAMARGO, I. Introdução à geometria analítica no espaço.


São Paulo: Makron Books do Brasil, 1997.

KOLMAN, B. Introdução à álgebra linear com aplicações. 6. ed. Rio de


Janeiro: Prentice-Hall do Brasil, 1998.

KRÜGER, C. M. Curso de álgebra linear para engenharia. Curitiba:


UnicenP, 2007.

LAY, D. C. Álgebra Linear e suas aplicações. 2. ed. Rio de Janeiro: LTC-


Livros Técnicos e Científicos, 1999.

STEINBRUCH, A.; WINTERLE, P. Álgebra linear. São Paulo: McGraw-Hill,


1987.

______. Geometria analítica. São Paulo: McGraw- Hill, 1987.

WINTERLE, P. Vetores e geometria analítica. São Paulo: Makron, 2000

146 Vetores e transformações lineares


Unidade 4

OPERAÇÕES VETORIAIS

Debora Cristiane Barbosa Kirnev

Objetivos de aprendizagem: Nesta unidade abordaremos sobre vetores e,


com o objetivo de estruturar o conteúdo enfatizando as estruturas algébricas,
apresentaremos definições, axiomas e teoremas para construir os conceitos e
apresentar as principais propriedades associadas a eles.

Seção 1 | Espaços vetoriais arbitrários


Nesta seção abordaremos sobre as definições, proposições sobre
espaços vetoriais no Rn e indicaremos as operações vetoriais relacionadas,
como: subespaços vetoriais, combinações lineares, gerador de um
espaço, dependência e independência linear, sistemas homogêneos,
espaço nulo de uma matriz, base e dimensão.

Seção 2 | Transformações lineares


Nesta seção abordaremos sobre as transformações lineares, porém
daremos um tratamento algébrico, ou seja, a ênfase será diferente da
unidade anterior. Definiremos conceitos como núcleo, imagem e
isomorfismo.

Seção 3 | Espaços vetorias com produto interno


Nesta seção abordaremos um caso especial de espaços vetoriais.
Quando é aplicada uma função que denominamos de produto
interno, utilizaremos o espaço vetorial euclidiano como referência para
desenvolver as definições.
U4

148 Operações vetoriais


U4

Introdução à unidade

Quando estudamos propriedades e a estrutura de um espaço vetorial,


podemos expandir esses conceitos e as propriedades do Rn, para outros
espaços vetoriais, como o das matrizes, o dos polinômios e o das funções.

Espaços vetoriais são utilizados em aplicações na própria matemática


e em outras áreas, como na engenharia. Ao considerarmos os sinais de
entrada e saída de um sistema de engenharia, estes atendem à definição de
funções. Neste caso, essas funções precisam ser somadas e multiplicadas por
escalares. Essas duas operações em funções têm propriedades algébricas
que são semelhantes às operações de soma de vetor e multiplicação de
vetor por escalar no Rn. Considerando o conjunto de todos os sinais de
entrada e saída possíveis, temos um espaço vetorial. Para compreender
sobre os espaços vetoriais de funções, precisamos aprender sobre a teoria
de vetores do Rn.

Operações vetoriais 149


U4

150 Operações vetoriais


U4

Seção 1
Espaços vetoriais
Nesta seção definiremos os conceitos relacionados com espaços vetoriais
arbitrários. Na definição a seguir, apresentamos os axiomas que garantem a
existência dos espaços vetoriais.
DEFINIÇÃO 1

Seja V um conjunto não vazio qualquer em que se definem


duas operações: a adição e a multiplicação por escalar. Por adição
estabelecemos uma regra que associa a cada par de objetos u
e v em V um objeto u + v, denominado de soma de u com v.
Por multiplicação por escalar temos uma regra que associa a
cada escalar k e cada objeto v em V um objeto kv, chamado de
múltiplo de v por k. Se os seguintes axiomas são satisfeitos por
todos os elementos u, v, e w em V e quaisquer k e l, então temos
que V é um espaço vetorial e que os elementos de V são vetores.
a) Se u e v são elementos em V então u + v é um elemento
em V.
b) u + v = v + u
c) u + ( v + w) = ( u + v) + w
d) Existe um elemento 0 em V, denominado de vetor nulo ou
vetor zero de V, tal que 0 + u = u + 0 = u.
e) Para cada u em V, existe um elemento –u, denominado um
negativo de u, tal que u + (-u) = (-u) + u =0
f) Se k é qualquer escalar e v é um elemento em V, então kv é
um objeto em V.
g) l(u+v) = lu+lv
h) (k + l)v = kv +lv
i) k(lu) = (kl)u
j) 1u = u
(ANTON; RORRES, 2014, p. 158).

Operações vetoriais 151


U4

Observamos que, se os números escalares forem números reais, então


temos espaços vetoriais reais; se os escalares foram números complexos,
então temos os espaços vetoriais complexos. Podemos nos referir, por
exemplo, ao corpo K dos números reais ou complexos, ou seja, este termo
representa os escalares reais ou complexos, respectivamente.

A seguir, apresentamos alguns exemplos a serem analisados se satisfazem


a definição de espaços vetoriais.

Exemplo 1
Verificar se o conjunto V= { (x,y)| x,y>0} é um espaço vetorial
com as operações de:
Adição:
(x1,y1) + (x2,y2) = (x1+x2, y1+y2)
Multiplicação por escalar:
k(x1,y1) = (kx1, ky1)
Solução: Analisando os axiomas este conjunto é um espaço
vetorial, pois satisfaz os axiomas da adição e a multiplicação.

Exemplo 2
Verificar se o conjunto V = { ax² +1 | a ∈ R} é um espaço vetorial
com as operações usuais de polinômios e multiplicação de
polinômio por escalar.
Solução: Não se trata de um espaço vetorial, pois não
satisfaz todos os axiomas da adição e multiplicação. (MAGGI;
KRÜGER, 2007).

Ao satisfazer os axiomas, podemos concluir que a soma de dois vetores


no Rn é um vetor do Rn, por outro lado um vetor no Rn multiplicado por um
escalar também é um vetor no Rn. Deste modo, temos que Rn é possuir uma
operação fechada sobre adição de vetor e multiplicação por escalar. Temos
também que todo espaço vetorial possui o vetor nulo e o vetor inverso de
todo vetor. Vejamos outros exemplos:

152 Operações vetoriais


U4

Exemplo 3

Os espaços euclidianos são exemplos de espaços vetoriais.

Exemplo 4

Considere os conjuntos R³, R4, ..., Rn , os quais são espaços vetoriais com
as operações usuais de adição e multiplicação por escalar.

Exemplo 5

Considere V = M(m,n) o conjunto das matrizes reais m x n com a soma e o


produto por escalar usuais; se M(n,n) for o conjunto das matrizes quadradas
de ordem n, então neste caso temos um espaço vetorial.

SUBESPAÇO VETORIAL

Consideramos que um espaço vetorial W é denominado de subespaço


de V se cada vetor de W também pertence a V. Observamos que o vetor que
compõe a origem é a coleção de um único vetor, e é considerado como
subespaço trivial de V; observamos também que o próprio espaço vetorial é
subespaço trivial, os demais subespaços são não triviais.

Podemos considerar o espaço vetorial formado por R³ e obter os seguintes


subespaços:

a) O próprio R³.

b) Planos ou retas contendo a origem.

c) A origem.

Para verificar se um conjunto é um subespaço vetorial, precisamos validar


por meio de algum teste, deste modo, o item a seguir é o que garante de
temos um subespaço.

Operações vetoriais 153


U4

Proposição 1

Sejam V um espaço vetorial e W um subconjunto não vazio de V. Então, W


é um subespaço de V se, e somente se, as seguintes condições são satisfeitas:

I) Para quaisquer u, v ϵ W temos que u + v ϵ W.

II) Para qualquer a ϵ R, u ϵ W, temos que a u ϵ W.

Ao considerarmos dois subespaços, temos que a interseção de dois


subespaços é um subespaço. Vejamos a demonstração:

V=V1 ∩ V2

V tem ao menos um vetor em comum, a origem.

Se v ϵ V então v ϵ V1 e v ϵ V2

Se u ϵ V então u ϵ V1 e u ϵ V2

(I) (v + u) ϵ V, pois:

v ϵ V1 e u ϵ V1. Logo (v + u) ϵ V1

v ϵ V2 e u ϵ V2. Logo (v + u) ϵ V2

Deste modo, (v + u) ϵ V1 e (v + u) ϵ V2. Assim, (v + u) ϵ V.

(II) a ϵ R, v ϵ V → v a ϵ V, pois:

v ϵ V1. Logo, av ϵ V2

v ϵ V2. Logo, av ϵ V1

Sendo que av ϵ V1 e av ϵ V1 . Ou seja, av ϵ V.

A seguir, apresentamos alguns exemplos de subespaços vetoriais:

154 Operações vetoriais


U4

Exemplo 1

Considere o espaço vetorial V = R2 e verifique se W = {(x, 2x); x ϵ R} é


subespaço.

Solução: Temos que, W ≠ Ø, pois (0,0) ϵ W = Averiguamos as condições


da proposição 1

Para u = (x1, 2x1) e v = (x2, 2x2) e W, temos que

(I) u + v = (x1, 2x1) + (x2, 2x2) = (x1 + x2 , 2x1 + 2x2) = (x1 + x2, 2(x1 + x2)) ϵ W,
sendo a segunda componente de u + v é igual ao dobro da primeira.

(II) au = a(x1, 2x1) = (ax1, 2(ax1)) ϵ W, sendo a segunda componente de au


é igual ao dobro da primeira.

Concluímos que W é um subespaço vetorial de R2.

Exemplo 2

Considere o espaço vetorial V = R4 e verifique se W = {(x,y,z,0); x, y, z ϵ

R} e (0,0,0,0) W é um subespaço.

Solução: Para u = (x1, y1, z1, 0) e v = (x2, y2, z2, 0) W:

(I) u + v = (x1, y1, z1, 0) + (x2, y2, z2, 0) = (x1 + x2, y1 + y2, z1+ z2, 0) ϵ W, sendo
que a quarta componente é nula.

(II) au = α(x1, y1, z1, 0) = (αx1, αy1, αz1, 0) ϵ W, sendo que a quarta
componente é nula.

Temos por (I) e (II) que W é subespaço vetorial de R4.

Os conjuntos a seguir são espaços vetoriais se as operações de


adição e multiplicação podem ser não usuais.

a) V = {(x, x²); x ϵ R} com as operações definidas por:

(x1, x1²) + (x2, x2²) = (x1 + x2, (x1 + x2)²)

α (x, x²) = (αx, α²x²)

Operações vetoriais 155


U4

b) V = R* com as operações definidas por x + y = xy e αx = xα, para todo


x, y ϵ V.

COMBINAÇÃO LINEAR

Considere um vetor em um espaço vetorial qualquer. Este vetor pode ser


uma combinação linear desde que satisfaça a definição a seguir:

DEFINIÇÃO 2

Consideramos que um vetor b é uma combinação linear dos vetores v1,


v2, ... , vn se b pode ser representado na forma: b = α1v1 + α2v2 + ... + αnvn, em
que αn são escalares.

Verifiquemos se o vetor b = (-3,12,12) é uma combinação linear dos vetores

v1 = (-1,3,1), v2 = (0,2,4) e v3 = (1,0,2).

Convertendo para a representação matricial de vetores, obtemos:

− 3 − 1 0  1 
 12  = α  3  + α 2 + α 0
  1  2  3 

 12   1  4 2

Convertendo para sistema de equações, temos que:


− α1 + α 3 = −3

3α1 + 2α 2 = 12
α + 4α + 2α = 12
 1 2 3

Deste modo, temos um sistema linear associado com essa


representação, precisamos verificar se o sistema possui solução. Na resolução
do sistema, temos que α1 = 2, α2 = 3 e α3 = -1.

Considerando que o sistema tem -1 0 1 α1 -3


uma única solução, então temos que b 3 2 0 α2 = 12
é uma combinação linear que pode ser 1 4 2 α3 12
representada matricialmente por:

156 Operações vetoriais


U4

Aqui, temos a matriz reduzida e matriz ampliada relacionadas com


o sistema. Observamos que, se o determinante da matriz reduzida for igual
a zero, então o sistema não possui solução.

Um sistema de equações pode ter nenhuma solução, uma única


solução e infinitas soluções. Deste modo, podemos afirmar que temos uma
combinação linear se o sistema possuir uma única solução, caso contrário
não será. Vejamos um outro caso:

Seja b =(1,5), verificar se é uma combinação linear de v1= (3,2) e v2=(-6,-5).

Temos que:

3 − 6 α1  1
2 − 4.α  = 5
   2  
Ao calcular o determinante da matriz reduzida, temos o determinante
zero, isso implica que o sistema não tem solução ou é indeterminado.
Deste modo, o vetor (1,5) não pode ser escrito como uma combinação
linear dos vetores (3,2) e (-6,-4).

GERADOR

Entendemos o conceito de gerador do espaço como sendo um conjunto


de vetores que gera todos os elementos do espaço. Suponhamos que v1,
v2, ..., vn são vetores em um espaço vetorial V. Consideramos que esses
vetores geram V se V for formado por todas as combinações lineares de v1,
v2, ..., vn, ou seja, se todo vetor v em V pode ser expresso na forma:

v = α1v1 + α2v2 + ... + αnvn, em que os αn são escalares

Vejamos um caso: considere os vetores c1 = (1,0) e c2 = (0,1) geram o


R temos que todo vetor b em R2 for uma combinação linear de c1 e c2, ou
2

seja, b = (b1,b2) = b1 (1,0) + b2 (0,1) = b1c1 + b2c2.

Operações vetoriais 157


U4

DEPENDÊNCIA E INDEPENDÊNCIA LINEAR

Consideramos que um conjunto de vetores é linearmente dependente


(L.D.) se for possível expressar um dos vetores, digamos vi, como uma
combinação linear dos outros.

vi = α1v1 + α2v2 + ... + αnvn, em que αn são escalares.

Caso contrário, o conjunto é linearmente independente (L.I.).

Exemplo 1

Considere c1 = (1,0) e c2 = (0,1) , estes são linearmente dependentes?

Se c1 e c2 são (L.D.) então existe α tal que c1 = α.c2 → (1,0) = α.(0,1) →


(1,0) = (0, α)

Não existe α para o qual a igualdade possa ser verdadeira. Sendo assim,
c1 e c2 são (L.I.)

Exemplo 2

Considere v1 = (1,2) e v2 = (2,4), estes são linearmente dependentes?


Análogo ao exemplo anterior verifiquemos que v1 = α.v2 → (1,2) = (2α,4α) →
2α = 1 e 4α = 2 → α = 1/2. Sendo assim, v1 e v2 são (L.D.)

A partir das definições anteriores, temos a seguinte proposição:

PROPOSIÇÃO 2

Se os vetores x1, x2, ... , xn são (L.D.) então é possível determinar


uma combinação linear nula de tais vetores, em que pelo menos um
dos coeficientes é não-nulo.

Se os vetores são (L.I.) então a única solução para os coeficientes


da combinação linear nula for zero, para todo αi.

158 Operações vetoriais


U4

Considere os vetores v1 = (-1,2,0,2), v2 = (5,0,1,1), v3 = (8,-6,1,-5).


Verificaremos se estes são (L.D.) ou (L.I.) por meio da proposição anterior.

Temos que verificar se α1v1 + α2v2 + α3v3 = 0

Reescrevendo na forma matricial e convertendo para sistemas de


equações, temos:

Organizando na estrutura de sistemas de equações, temos que:

Reescrevendo como produto de matrizes, temos que:

Resolvendo o sistema, temos que: α1 = 3α3 e α2 α = -α3

Deste modo, para α3 qualquer podemos encontrar valores para α1 e α2, tais
que o sistema tenha solução. Sendo assim, o sistema é indeterminado, pois
possui infinitas soluções. Ou seja, os vetores são linearmente dependentes.

Operações vetoriais 159


U4

SISTEMAS HOMOGÊNEOS

Considere os sistemas lineares em que os termos independentes são


todos nulos. Sendo assim, um sistema homogêneo sempre tem pelo menos
uma solução, aquela em que todas as variáveis são nulas que denominamos
de solução trivial. Outros tipos de solução são denominados de não trivial.
Observamos que a solução trivial sempre é ade um sistema homogêneo.

Neste sentido, temos então que um conjunto de vetores é (L.I.) no caso


da solução do sistema formado pela combinação linear nula admitir como
única solução a solução trivial.

ESPAÇO NULO DE UMA MATRIZ

Considere uma matriz do tipo m x n, o subespaço do Rn consistindo de


todas as soluções do sistema linear homogêneo Ax = 0 é denominado de
o ESPAÇO NULO da matriz A, que denotaremos por N(A).

Exemplo 1

O espaço nulo da matriz A = [1 2 1] consiste de todas as soluções da


equação x1 + 2x2 + x3 = 0.

A solução geral pode ser expressa assim:

x1 = -2x2 – x3

x = (-2x2 – x3, x2, x3) que implica em x = x2 (-2,1,0) + x3 (-1,0,1), com x2 e x3


quaisquer. Deste modo, o espaço nulo de A consiste de todas as somas de
múltiplos dos vetores (-2,1,0) e (-1,0,1).

Exemplo 2

O espaço nulo da matriz A = [1 2 1] consiste de todas as soluções da


equação x1 + 2x2 + x3 = 0.

160 Operações vetoriais


U4

A solução geral pode ser expressa assim:

x1 = -2x2 – x3

x = (-2x2 – x3, x2, x3) que implica x = x2 (-2,1,0) + x3 (-1,0,1), com x2 e x3


quaisquer. Deste modo, o espaço nulo de A consiste de todas as somas de
múltiplos dos vetores (-2,1,0) e (-1,0,1).

BASE E DIMENSÃO

Em um espaço vetorial, a base está associada com a dimensão do


espaço, ou seja, o número de elementos das bases é a sua dimensão.
Por exemplo, se a dimensão do espaço vetorial trivial, aquele que contém
apenas o vetor nulo, é zero.

Considere B = {v1, ..., vn}, um conjunto finito de vetores no espaço


vetorial V. Se para todo elemento de V tivermos uma combinação linear
dos elementos de B, temos que B gera V.

Exemplo

Verifique se o conjunto B = {(1, 2), (1, 0), (0, 1)} gera o R2.

Temos que qualquer par ordenado (x, y) pode ser decomposto


nas combinações lineares, tal que :

(x, y) = 0(1, 2) + x(1, 0) + y(0, 1) Ou ainda,

(x, y) = x(1, 2) + 0(1, 0) + (y − 2x)(0, 1).

Observemos que há mais de um modo para as combinações lineares


de B.

Reflita sobre os conjuntos geradores do exemplo: é possível


determinar outro conjunto gerador para o conjunto B?

Operações vetoriais 161


U4

Ao considerarmos uma base ordenada B = {v1, v2, ..., vn} em que se estabelece
que v1 é o primeiro elemento, que v2 é o segundo elemento e assim
sucessivamente, a ordem em que seus elementos são escritos é relevante.

PROPOSIÇÃO 3

A matriz das coordenadas de um vetor e uma base ordenada é única

DEMOSTRAÇÃO

Considere B = {v1, ..., vn} uma base ordenada de um espaço vetorial V.

Se v = x1v1+ ... + xnvn e v = y1v1+ ... + ynvn são duas decomposições de v


nos elementos da base B, então

0 = v − v = (x1 − y1)v1 + ... + (xn − yn)vn e, da independência linear dos


vetores da base, xi = yi para i = 1, . . . , n.

Deste modo, uma base ordenada é denominada apenas de base.


Depende da situação para ser base ordenada ou não. Observamos que
não é todo espaço vetorial que possui uma base tal como se definiu acima.
Por exemplo, o espaço vetorial dos polinômios que tenham coeficientes
complexos não possui base, ou seja, não existe conjunto finito de
polinômios que formará os outros.

Podemos ter uma Base Padrão (BP) do Rn , ou ainda, base canônica,


de modo que os coeficientes da combinação linear os valores dos
componentes do vetor são representados por:

R2 → BP: c1 = (1,0) e c2 = (0,1)

R3 → BP: c1 = (1,0,0), c2 = (0,1,0) e c3 = (0,0,1)


.
.
.
R3 → BP: c1 = (1,0,0,...,0), c2 = (0,1,0,...,0), ... , ci = (0,0,...,1,0,...,0), cn = (0,0,0,...,1)

162 Operações vetoriais


U4

PROPOSIÇÃO 4

Quaisquer duas bases de um espaço vetorial possui o mesmo número de


vetores.

Consideramos que um espaço vetorial V tem dimensão n, ou ainda, que V


é n-dimensional, se V possuir uma base formada de n vetores. A dimensão de
V é indicada por dimV.

PROPOSIÇÃO 5

Seja V um espaço vetorial de dimensão n. Sendo assim, nenhum conjunto


com mais de n vetores em V pode ser linearmente independente e V não pode
ser gerado por um conjunto de vetores com menos de n vetores.

A partir da proposição, temos que a dimensão de um espaço vetorial é


determinada pelo número máximo de vetores linearmente independentes em
V e t o número mínimo de vetores necessários para gerar V.

PROPOSIÇÃO 6

Seja V é um espaço vetorial de dimensão n e v1, v2, ... , vn um conjunto de n


vetores em V.

I) Se os vetores são (L.I.), então formam uma base para V.

II) Se os vetores geram V, então formam uma base para V.

Deste modo, n vetores (L.I.) em V n-dimensional necessariamente geram o


espaço e n vetores que geram um espaço n-dimensional são (L.I.)

MUDANÇA DE BASE

Seja V um espaço vetorial, este pode ser gerado pela base canônica, ou
ainda, por outra base, deste modo um mesmo espaço vetorial pode ter várias
bases.

Operações vetoriais 163


U4

Dadas duas bases u = {u1, u2, ... , un} e v = {v1, v2, ... , vn}: Podemos
representar w na base u, ou seja:

w = x1u1 + x2u2 + ... + xnun (I)

E também, podemos representar w na base v, ou seja:

w = y1v1 + y2v2 + ... + ynvn (II)

Como u é base de V, pode-se escrever v como uma combinação linear


de u:

v1 = a11u1 + a21u2 + ... + an1un

v2 = a12u1 + a22u2 + ... + an2un


. . . .
. . . .
. . . .
vn = a1nu1 + a2nu2 + ... + annun

De (II) tem-se:

w = y1 (a11u1 + a21u2 + ... + an1un) + y2 (a12u1 + a22u2 + ... + an2un) + ... + yn


(a1nu1 + a2nu2 + ... + annun)

De (I) temos que:

x1 = a11y1 + a21y2 + ... + an1yn

x2 = a12y1 + a22y2 + ... + an2yn


. . . .
. . . .
. . . .
xn = a1ny1 + a2ny2 + ... + annyn

Em forma matricial tem-se:


a11 a12 ... a1n
x1 y1 a21 a22 ... a2n
. . . . . .
x = Ay, em que x = . , y = . eA= . . . .
. . . . . .
xn yn an1 an2 ... ann

164 Operações vetoriais


U4

Observamos que A = [I]uv é a matriz de mudança da base v para a base u.

Sendo assim, [W]u um vetor na base u e [W]v um vetor na base v. Deste


modo:

[W]u = [I]vu [W]v

Vejamos a seguir uma aplicação de mudança de base:

Exemplo

Dados u = {(2,-1),(3,4)} e v = {(1,0),(0,1)} bases do R2, determinar [I]uv

v1 = (1,0) = a11 (2,-1) + a21 (3,4)

v2 = (0,1) = a12 (2,-1) + a22 (3,4)

1) Considere x, y e z vetores de um espaço vetorial V. Podemos afirmar


que se x + y = x + z, então y = z?

2) Considere S o conjunto de todos os pares ordenados de números


reais. Considere que a multiplicação por um escalar e a soma em S são
definidas por:

α(x1, x2) = (αx1, αx2)

(x1, x2) ⊕ (y1, y2) = (x1, y1, 0)

Operações vetoriais 165


U4

Observamos que utilizamos o símbolo ⊕ para indicar a soma nesse sis-


tema e não significa a soma usual de x + y de vetores linhas. Neste caso, S
não é um espaço vetorial. Quais dos oito axiomas não são válidos?

3) Qualquer conjunto finito de vetores que contém o vetor nulo tem que
ser linearmente dependente?

4) Podemos encontrar um par de subespaços bidimensionais U e V de


R de modo que U ∩ V = {0}? Se possível, interprete geometricamente.
3

1. Considere o espaço vetorial V= R² e S = { (x,2x) | x ∈ R}.


Mostre que S é um subespaço vetorial de R².

2. Considere B = {(2,1),(1,0)}. Neste caso, é possível gerar o


R²?

Saiba mais sobre o desenvolvimento histórico da Álgebra Linear e


quais contribuições alguns matemáticos realizaram acessando o link:
<http://www.fat.uerj.br/intranet/disciplinas/Algebra%20Linear/
Textos%20Divulga%E7%E3o/Hist%F3ria%20da%20%C1lg.Linear.pdf>.

166 Operações vetoriais


U4

Seção 2

Transformações lineares
Nesta seção, consideraremos que os espaços vetoriais estão definidos em
um mesmo corpo K, isto é, ou sobre o corpo dos números reais, ou sobre o
conjunto dos números complexos e definiremos os conceitos, proposições
e propriedades, junto às operações relacionadas com as transformações
lineares, ou seja, nosso enfoque será algébrico. Veremos a seguir a definição
de transformações:

DEFINIÇÃO 3:

Considere que V e W sejam dois espaços vetoriais em um mesmo corpo


K. Uma função

T : V → W é uma transformação linear se para quaisquer vetores v, w em


V e todo escalar α do corpo K, satisfazem:

I) T(v + w) = T(v)+ T(w)

II) T(αv) = αT(v)

Observamos que toda transformação linear leva ao zero de V no zero de


W. Vejamos: T(0) = T(0 + 0) = T(0)+ T(0) = 2T(0) o que implica em T(0) = 0.

Temos que uma transformação linear T : V → W preserva a adição e a


multiplicação por escalar entre os vetores. Utilizando as duas propriedades
simultaneamente, podemos deduzir uma terceira propriedade:

Operações vetoriais 167


U4

PROPRIEDADE

Considere v1 e v2 vetores em V e a1 e a2 dois escalares, então: T(a1v1 +


a2v2) = T(a1v1) + T(a2v2) = a1 T(v1) + a2 T(v2)

Exemplos

A transformação T : R2 → R determinada por T(x, y) = 3x+ 2y é linear.

A transformação T : R2 → R2 determinada por T(x, y) = (x − y, 0) é linear.

A transformação T : R2 → R determinada por T (x, y) = x + y +2 não é linear


pois T (2x, 2y) = 2x+ 2y+ 2 é diferente de 2T (x, y) = 2x+ 2y+ 4.

OBSERVAÇÕES:

a) No caso de termos T: V → V de um espaço vetorial V sobre ele


mesmo temos um caso de operador linear.

b) Considere v um vetor em V, então T(v) é denominado de a IMAGEM


de v sobre a transformação T.

c) Duas transformações T: V → W e S : V → W são iguais , ou seja, T = S


se T(x) = S(x), x ϵ V.
A

d) No caso de uma matriz Am x n definir uma transformação de por exemplo,


T : R4 → Rm pela equação T(x) = Ax, teremos neste caso transformações
matriciais.

e) Consideramos que uma transformação linear satisfaça uma


propriedade denominada de o princípio da superposição, sendo aplicada a
n vetores em V e n escalares. Deste modo, temos uma combinação linear
que, consequentemente, T preserva combinações lineares.

Vejamos a seguir um exemplo sobre transformações lineares:

Exemplo 1

Considere os espaços vetoriais definidos por V =R e W = R de modo que

F:R→R ou F(u) = au
u → au

168 Operações vetoriais


U4

Utilizando a propriedade de transformações lineares, temos que:

F(u + v) = a(u + v) =au +av = F(u) + F(v) e F(ku) = a(ku) = kau = kF(u).
Concluímos que F é uma transformação linear.

Observe que neste caso anterior temos um exemplo de operador linear.

Exemplo 2

Considere os espaços vetoriais definidos por V =R e W = R de modo que

F:R→R ou F(u) = u2

u → u2

Vejamos que F(u) = u2 não é uma transformação linear, pois

F(u + v) = (u + v)2 = u2 + 2vu + v2 = F(u) + 2vu + F(v) ≠ F(u) + F(v).

Vejamos um exemplo envolvendo a forma matricial:

Exemplo 3

Considere a transformação linear sobre os espaços vetoriais T : R2 → R3


em que

T(x,y) = (2x, 0, x + y). Utilizando a forma matricial temos:

Considere u = (x1, y1) e v = (x2, y2)


Verifiquemos o item (I) da definição:
T(u + v) = T[(x1, y1) + (x2, y2)]

= T[(x1 + x2), (y1, y2)]

= [2(x1, x2), 0, (x1 + x2 + y1 + y2)]

= [2x1 + 2x2, 0, x1 + y1 + x2 + y2]

= (2x1, 0, x1 + y1) + (2x2, 0, x2 + y2)

= T(u) + T(v).

Operações vetoriais 169


U4

Verifiquemos o item (II) da definição, em que a é escalar pertencente a


um corpo K.

T(au) = T(ax1, ay1)

= (2ax1, 0, ax1 + ay1)

= a (2x1, 0, x1 + y1)

= a T(u).

Pelos itens (I) e (II) podemos concluir que T é linear.

IMAGEM E NÚCLEO

Em uma transformação linear, temos uma regra que associa elementos do


domínio da transformação a elementos correspondentes no contradomínio,
estes são denominados de imagem. Definiremos, inicialmente, o conceito
de imagem para uma transformação linear:

DEFINIÇÃO 4

Seja V um espaço vetorial e T uma transformação linear, a imagem de T é


dada por: Im (T) = {w ϵ W; T(v) = w, para algum v ϵ V} , em que Im (T) W é
U

um subconjunto, um subespaço.

Deste modo, sendo T: V → W uma transformação linear, a imagem de T


é o conjunto dos vetores w ϵ W, tais que existe um vetor v ϵ V, que satisfaz
T(v) = w.

Definiremos também o conceito de núcleo de uma transformação linear:

DEFINIÇÃO 5

Considere T: V → W uma transformação linear. O conjunto de todos os


vetores v ϵ V, tais que T(v) = 0 é chamado núcleo de T, sendo denotado por
Ker(T), N(T) ou C(T).

170 Operações vetoriais


U4

Observamos que o núcleo é um caso específico da imagem, sendo que


tanto o núcleo de W quanto a sua imagem são subespaços vetoriais de V.
Além dessas definições temos as propriedades a seguir:

Propriedades

I) Ker(T) V é um subespaço de V.
U

II) Uma transformação linear é injetora se, e somente se, N(T) = {0}.

Vejamos a seguir um exemplo acerca de núcleo e imagem.

Exemplo:

Seja a transformação F(x,y) = x + y, temos que, para verificar o núcleo,


satisfazer a definição, ou seja, o Ker(T) = {(x,y) ϵ R2 / x + y = 0}. Concluímos
que, para termos o núcleo x = -y, ou seja, v = (-1,1), gera o núcleo. O núcleo
tem a dimensão de W, nesse caso.

ESPAÇOS VETORIAIS ISOMORFOS

Em uma transformação linear, podemos verificar se esta é injetora ou


sobrejetora, similar a funções, porém aplicadas a espaços vetoriais. Vejamos
a seguir as definições acerca disso:

DEFINIÇÃO 6

Sejam V e W dois espaços vetoriais sobre o mesmo corpo. Uma


transformação T : V → W é injetora se para todo v1 = v2 em V, então T(v1)
= T(v2). De forma equivalente, L é injetora se para todo v1 e v2 em V com T(v1)
= T(v2) tem-se v1 = v2.

Além da definição, temos a seguinte proposição acerca de transformações


injetoras:

Operações vetoriais 171


U4

PROPOSIÇÃO 7

Considere V e W espaços vetoriais sobre o mesmo corpo. Seja T : V → W


linear. T é injetora se, e somente se, ker(T) = {0}.

Ou seja, T é injetora apenas se o zero é o único vetor aplicado por T em


zero. Sobre transformações sobrejetoras temos que:

DEFINIÇÃO 7

Uma transformação T : V → W é sobrejetora se para todo w em W existe


pelo menos um v em V, tal que T(v) = w.

Se uma transformação for ao mesmo tempo injetora e sobrejetora, então


é denominada de bijetora. Observamos que:

DEFINIÇÃO 8

A transformações bijetora T : V → W possuem a transformação inversa T−1


: W → V que também é bijetora.

Temos o caso de isomorfismo quando uma transformação é linear e


bijetora.

DEFINIÇÃO 9

Sejam V e W espaços vetoriais, a T : V → W que é linear e bijetora e sua


inversa

T−1 : W → V é linear e bijetora, portanto, um isomorfismo.

Podemos concluir que, quando existe a correspondência biunívoca


entre dois espaços vetoriais, são preservadas as operações de adição e
multiplicação por escalar, isto é:

I) T(v + w) = T(v) + T(w) II) T(αv) = α T(v),

E afirmamos que esses espaços são isomorfos.

172 Operações vetoriais


U4

AUTOVALORES E AUTOVETORES

Autovalores e autovetores são casos específicos de transformações


lineares, porém de grande aplicabilidade na própria matemática e em outros
campos, como na economia, nos sistemas de informação, em cálculos
estruturais, em eletrônica e outros.

Para abordar sobre isso, teremos três etapas para determinar:

I) o polinômio característico,

II) os autovalores,

III) os autovetores.

Determinaremos a seguir o polinômio característico.

Seja V e W espaços vetoriais e a transformação T: V → W.

I) T(v) = v, em que, é o autovalor, sendo um escalar, e v é autovetor, ou


seja um vetor,

(se v 0).

Utilizando a representação matricial para a transformação linear, temos


que: II) T(v) = Av

Igualando (I) e (II), temos que:

Av = v ou Av – v = 0

Temos assim o sistema homogêneo:

III) (A – I) v = 0, sendo que A é n x n, v = 0 é sempre solução (trivial).

Para os vetores v 0 para em que existe um que resolve a equação (III)


denominamos de autovetores da matriz A e os valores de , associados com
v e que resolvem a equação são chamados de autovalores da matriz A .

Para a equação (III) ter solução além da trivial, é preciso que o determinante
da matriz dos coeficientes seja zero, isto é: det(A – I) =0

O que resulta em um polinômio de grau n em , denominado de polinômio


característico.

Operações vetoriais 173


U4

Ao resolvermos a equação polinomial, temos que as raízes do polinômio


característico são os autovalores da matriz A, e para determinar os autovetores
temos que substituir o valor do autovalor na equação original e encontrar o
autovetor. Deste modo, o autovalor estará associado ao autovetor.

Observamos que o autovetor formará uma base para o espaço de solução


da equação (III), dado o relativo autovalor. Sendo assim, qualquer múltiplo
do autovetor também é um autovetor. Vejamos a seguir um exemplo para
aplicarmos os conceitos apresentados.

Dada a seguinte transformação, determine os autovalores e autovetores


do operador linear:

T : R3 → R3, T(x,y,z) = (3x – y + z, -x + 5y + z, x – y + 3z)

Vejamos a representação em forma matricial:

Vejamos:

Dividindo por ( – 2):

( – 2) ( 2
- 9 + 18) = 0 → 2
=6e 3
=3

Os autovalores são 1
= 2, 2
=6e 3
=3

Para determinar os autovetores temos que substituir cada um dos


autovalores na equação (A – I) v = 0:

174 Operações vetoriais


U4

Para 1 = 2:

Escalonando:

Ou seja, y = 0 e z =-x

Logo, v1 = (x,0,-x) = x (1,0,-1)

Concluímos que qualquer múltiplo do vetor (1,0,-1) será um autovetor que


tem como autovalor associado 1 = 2, v1 = (1,0,-1)

Para 2
= 3:

Ou seja, z = x e z = y, x=y=z

Deste modo, v2 = (x,x,x) = x (1,1,1). v2 = (1,1,1) ou seus múltiplos.

Para 3
= 6:

ou seja, z - x e - 2z - y

v3 = (z,-2z,z) = z (1,-2,1)

v3 = (1,-2,1) ou seus múltiplos.

Operações vetoriais 175


U4

1. Verifique se o espaço vetorial R² é isomorfo ao subespaço


do R³.

2. Verifique se vetor v = (5, 2) é autovetor do operador linear


T: R2 → R2
T(x, y) = (4x + 5y, 2x + y) associado ao autovalor = 6.

Saiba mais sobre transformações de matrizes acessando o link a seguir e veja


um tutorial em vídeo completo sobre o assunto:
<https://pt.khanacademy.org/math/linear-algebra/matrix_transformations>.

176 Operações vetoriais


U4

Seção 3

Espaços vetoriais com produto interno


As definições e os axiomas de espaço vetorial não são suficientes para
tratar certas noções geométricas, como ângulo, perpendicularismo,
comprimento, distância, sendo necessária a introdução de produto interno
que abordaremos nessa seção.

Observamos que espaço vetorial euclidiano é todo o espaço vetorial real,


de dimensão finita, no qual está definido um produto interno. Vejamos a
definição:

DEFINIÇÃO 10

Denominamos de produto interno no espaço vetorial V uma função de F:


V→V nos R, que associa um número real a cada par de vetores u e v.

Sejam u, v e w pertencentes ao espaço vetorial V e a pertencente aos R,


para ser produto interno, os seguintes axiomas sejam satisfeitos:

I) u•v=v•u

II) u•(v+w)=u•v + u•w

III) ( a u) • v= a (u•v)

IV) u•u ≥ 0 se u =0

Além dos axiomas, temos as seguintes propriedades relacionadas ao


produto interno:

a) 0•u=u•0=0

b) (u+v) •w= u•w + v•w

c) u• ( a v) = a (u•v)

d) u • (v1+v2+...+vn) = uv1+uv2+...+uvn

Operações vetoriais 177


U4

Vejamos a seguir um exemplo para aplicarmos a definição:

Considere o espaço vetorial V equivalente a R², a função que associa a


cada par de vetores, u= (x1,y1) e v= (x2,y2) os números reais 2 e 3 em que u•v=
2x1x2 + 3y1y2, verifiquemos se é um produto interno.

Primeiramente, precisamos mostrar a validade dos axiomas.

(I) u • v = 2x1 x2 + 3y1 y2 em que u • v = 2x2 x1 + 3y2 y1 = v • u

(II) Considere w = (x3 , y3 ) , temos que:

u • (v + w)= (x1 , y1 ) • (x2 + x3 , y2 + y3 ) = 2x1 • (x2 + x3 ) = 3y1 • ( y2 +y3 )

u • (v + w) = (2x1 x2 + 3y1 y2 ) + (2x1 x3 + 3y1 y3 ) = u • v + u • w

(III) (au) • v = (ax1 , ay1) • (x2 , y2) = 2(ax1)x2 + 3(ay1) y2 =a (2x1 x2 + 3y1 y2) = a(u . v)

(IV) u . u = 2x1 x1 + 3y1 y1 = 2x12 + 3y12 > 0 no caso de u . u = 2x12 + 3y12 = 0 se,
e só se, x1 = y1 = 0 .

Por (I), (II), (III) e (IV) temos que a função é um produto interno.
Observemos que esta função tem um produto interno diferente do
usual do R² que é definido por:

u • v = x1 x2 + y1 y2 .

Vejamos um exemplo para aplicação de produto interno usual:

Exemplo

Utilize o produto interno usual do R², definido por u • v = x1 x2 + y1 y2 , e


determine o produto de u • v no itens a seguir:

a) u = (-2, 3) e v = (4, -3) ;

b) u = (4, -1) e v = ( 1/2 , -5) ;

c) u = (5, 3) e v = (0, 0)

178 Operações vetoriais


U4

Solução:

a) u • v =(-2).4 + 3.(-3) = -8 -9 = -17

b) u • v = 4.(1/2) -1.(-5) = 2 +5 = 7

c) u • v = 5(0) + 3(0) = 0 + 0 = 0

A seguir retomaremos alguns conceitos, definições e propriedades


relevantes para abordarmos sobre produto interno. Primeiramente, vejamos
as propriedades de módulo de um vetor.

DEFINIÇÃO 11

Temos que a norma ou módulo de um vetor é determinada pela


distância entre dois vetores u e v, indicada pelo número real resultante
da aplicação da distância.

No caso do R³ temos que Ou

ainda

Seguem as propriedades aplicadas à norma ou ao módulo de um


vetor. Considere u e v pertencentes a um espaço vetorial euclidiano V e
a um escalar pertencentes aos R, sendo assim são válidas as seguintes
propriedades:

a) , se, e só se, .

b)

c)

d)

A seguir, apresentamos a definição para ângulos entre vetores.

Operações vetoriais 179


U4

DEFINIÇÃO 12

Considere u e v vetores não nulos pertencente a um espaço vetorial


euclidiano V. Temos que da desigualdade | u • v | <| u | .| v | , que denominamos
de “desigualdade de Schwartz” pode ser manipulada algebricamente e ser
reescrita como:

consequentemente temos que

Temos que o resultado dessa fração é equivalente ao cosseno de um


ângulo θ, formado pelos vetores u e v, escrevendo em termos notacionais,
utilizamos a seguinte expressão:

Vejamos a seguir alguns exemplos resolvidos:

Exemplo 1

Seja o espaço vetorial formado pelo R³ com o produto interno usual.


Qual a componente x do vetor v = (4, -3, x) em que | v | = 5 ?

Solução:

Exemplo 2

Considere o produto interno usual no espaço tridimensional R³. Indique


o ângulo formado entre os vetores: u = (2, 1, -5) e v = (5, 1, 2) e classifique o
ângulo em agudo, obtuso ou reto (ortogonal).

Solução:

180 Operações vetoriais


U4

Aplicando na fórmula, temos que:

como o valor resultante é positivo,


temos um caso de ângulo agudo.

Observamos que o ângulo formado entre vetores depende do resultado


do produto de u e v para se classificado, vejamos:

a) Se u • v > 0 então o ângulo é agudo.

b) Se u • v = 0 então o ângulo é reto ou ortogonal.

c) Se u • v < 0 então o ângulo é obtuso.

Aplicando o conceito de ângulos formado entre vetores, podemos


expandir esse conceito, e para um espaço vetorial euclidiano definir a
ortogonalidade, deste modo temos que:

DEFINIÇÃO 13

Considere V um espaço vetorial Euclidiano. Temos que dois vetores u


e v pertencentes a V são ortogonais, e se denotado por , se, e sô se,
u • v = 0.

Vejamos um exemplo para aplicação do conceito:

Exemplo

Considere o espaço vetorial euclidiano V equivalente R² com o produto


interno definido pela operação não usual u • v =x1 x2 + 2 y1 y2 , temos que
os vetores u = (-3, 2) são ortogonais, pois: u • v = (-3).4 + 2.2.3 = -12 + 12 = 0.
Observamos que:
a) Se , então a para todo a ϵ R .

b) Se u1 e u2 , então (u1 + u2 ) .

Podemos expandir a definição para conjunto ortogonal de vetores, vejamos:

Operações vetoriais 181


U4

DEFINIÇÃO 14

Considere o espaço vetorial euclidiano V. Denomina-se que um


conjunto de vetores {v1 , v2 , ..., vn} V é ortogonal se dois vetores quaisquer

U
e distintos são ortogonais,, ou seja, se vi • vj = 0 para i ≠ j .

A seguir, apresentamos um exemplo resolvido:

Exemplo

Considere o espaço tridimensional R³. Vamos verificar se o conjunto


formado pelos elementos {(1, 2, -3), (3, 0, 1), (1, -1, -5)} é ortogonal quanto
ao produto interno usual, vejamos:

(1, 2, -3) • (3, 0, 1) = 1.3 + 2.0 + (-3).1 = 0

(1, 2, -3) • (1, -5, -3) = 1.1 + 2.(-5) + (-3).(-3) = 0

(3, 0, 1)) • (1, -5, -3) = 3.1 + 0.(-5) + 1.(-3) = 0

Relacionando com os conteúdos estudados nas sessões anteriores,


temos a seguinte proposição:

PROPOSIÇÃO 8

Considere um conjunto ortogonal de vetores não nulos V = {v1 , v2 , ..., vn}


temos que este conjunto é linearmente independente (L.I.).

Vejamos a demonstração da proposição:

DEMONSTRAÇÃO

Seja b1, b2, ..., bn escalares, considere a igualdade:

b1v1 + b2v2 + ... + bn vn = 0

Aplicando o produto interno em ambos os membros da igualdade


indicado por vi :

182 Operações vetoriais


U4

Ou ainda,

Como V é ortogonal segue que para e


pois . Então, consequentemente para todo
. Sendo assim, é linearmente independente.

A seguir, definiremos conceitos de bases ortogonal e ortonormal.


Quanto à base ortogonal, temos:

DEFINIÇÃO 15

Consideramos que uma base {v1 , v2 , ..., vn} de um espaço vetorial V é


ortogonal se para quaisquer dois vetores foram verificados a ortogonalidade.
Se a dimensão de V = n, qualquer conjunto de n vetores não-nulos e dois
a dois ortogonais, forma uma base ortogonal.

Considerando o exemplo anterior, o conjunto apresentado {(1, 2, -3), (3,


0, 1), (1, -1, -5)} é uma base ortogonal d do espaço tridimensional R³.

Quanto à base ortonormal, temos:

DEFINIÇÃO 16

Considerando uma base de um espaço vetorial euclidiano que


denominamos de B = {v1 , v2 , ..., vn}, se B é ortogonal e todos os seus
vetores são unitários então é denominada de ortonormal, ou seja:

Apresentamos exemplos de base ortonormal no plano (R²) e no espaço


(R³) quanto ao produto interno usual:

Operações vetoriais 183


U4

a)

b)

c)

PROCESSO DE ORTOGONALIZAÇÃO DE GRAM-SCHMIDT

Considere um espaço vetorial euclidiano V e uma base qualquer desse


espaço que denominamos de B = {v1 , v2 , ..., vn}. Esse processo consiste em,
a partir desses dados, encontrar uma base ortogonal do espaço vetorial V.
Vejamos:

Vamos supor que v1 , v2 , ..., v não sejam ortogonais e que w1=v1.


Considere o escalar a tal que w1=v1 - aw1 seja ortogonal a w1:

Ou seja,

Deste modo, os vetores e são ortogonais.

Considere também precisamos determinar e de modo que seja


ortogonal aos vetores e , ou seja:

184 Operações vetoriais


U4

Tendo em vista que , podemos afirmar que:

Temos que ou seja

Deste modo, os vetores w1 , w2 , ..., wn são ortogonais.

Continuando esse processo e aplicando o teorema da indução finita,


podemos concluir que, a partir de uma base qualquer B = {v1 , v2 , ...,
vn}, obteremos a base ortogonal {w1 , w2 , ..., wn }. Esse método permite
a determinação de uma base ortogonal a partir de uma base qualquer, e
denomina-se processo de ortogonalização de Gram-Schmidt.

Deste modo, podemos obter uma base ortonormal, normalizando cada


vetor wi, aplicando , para obter, sendo esta uma
base ortonormal obtida a partir da base B = {v1 , v2 , ..., vn}. Vejamos um
exemplo para aplicação desse processo:

Exemplo

Considere os vetores do espaço


tridimensional R³, que e formam uma base B' = {v1 , v2 , v3} não ortogonal
quando aplicado o produto interno usual. Determinaremos uma base B'
={u1 , u2 , u3 } que seja ortonormal, a partir de B.

Vejamos:

Primeiramente, calculamos o vetor unitário de cada vetor da base B e


normalizá-los.

Operações vetoriais 185


U4

Podemos verificar que B' ={u1 , u2 , u3 } é uma base ortonormal, pois


satisfaz a definição, vejamos:

A seguir, faremos a determinação de componentes de um vetor em


uma base ortogonal.

186 Operações vetoriais


U4

DEFINIÇÃO 17

Considere o espaço vetorial euclidiano V e uma base ortogonal


desse espaço que denotamos de B = {v1 , v2 , ..., vn}. Para um vetor w ϵ V ,
temos que:

Aplicando o produto interno de ambos os membros da igualdade por vi,


obtemos:

ou ainda,

temos que,

assim,

é o termo que determina a coordenada de em relação a base B.

Vejamos a aplicação da definição em um exemplo:

Exemplo

Considere o espaço vetorial V equivalente ao R² aplicado produto interno


usual e a base ortogonal B = {(2, 1), (-1, 2)} . Determine as coordenadas do
vetor w = (4, 7) desta base B, no qual v1 = (2, 1) e v2 = (-1, 2) . Vejamos:

Temos que:

Determinaremos a1 e a2:

Deste modo:

Operações vetoriais 187


U4

1. Qual o valor de m para que os vetores u = (2, m, - 3) e v =


(m -1, 2, 4) sejam ortogonais em relação ao produto interno
usual do R3 ?

2. Considere o espaço vetorial V  R3 e o produto interno


definido por:
(x1 , y1 , z1 ) • (x2 , y2 , z2 ) = 2x1 x2 + 3y1 y2 + z1 z2 . Qual vetor
unitário é simultaneamente ortogonal aos vetores u = (1, 2, 1)
e v = (1, 1, 1)?

Saiba mais sobre aplicações da álgebra linear acessando o link a


seguir e leia os artigos disponíveis: <http://www.mat.ufmg.br/gaal/
aplicacoes/aplicacoes.html>.

Nesta unidade abordamos sobre como:

• definir e conceituar espaços e subespaços vetoriais;


• mudar a base de um espaço vetorial;
• encontrar o polinômio característico de um operador linear T;
• determinar e conceituar produto interno, bem como suas
propriedades;
• calcular autovalores e autovetores;
• compreender a real importância dos autovalores e autovetores;
• entender e identificar uma função como produto interno;
• diferenciar multiplicidade algébrica e geométrica.

188 Operações vetoriais


U4

Nas seções anteriores, desenvolvemos conceitos


fundamentais para as operações vetoriais em um espaço
arbitrário, sendo este relevante para a Álgebra Linear e as
aplicações desses conteúdos. O foco na sistematização
axiomática, por meio de definições e demonstrações acerca
desse conteúdo. Tratamos também de transformações
lineares e espaços vetoriais com produto interno.

1. Verifique se o conjunto gerado pelos vetores u=(1,0,0), v=(0,1,0)


e w=(0,0,1) forma o R³.

2. Verifique se a transformação T : IR3 → IR2 definida por T(x1, x2,


x3)=(x1, x3) é linear.

3. Considere a matriz A indicada a seguir e determine os autovalores


e os autovetores associados a essa matriz.

4. Considere o espaço vetorial V= P2 representado pelo polinômios


de grau dois, em que
p = a2x2 +a1x +a0 , q = b2x2 + b1x +b0 com p•q = a2b2 + a1b1 + a0b0.
Se p=5x²+3x-2 e q=4x²-6 , determine p•q e q•q .

5. Qual as componentes do vetor v=(-4,0,5) na base A ={(1,1,0),(-


1,1,1),(1,-1,2)}?

Operações vetoriais 189


U4

190 Operações vetoriais


U4

Referências

ANTON, H.; RORRES, C. Álgebra linear com aplicações. 8. ed. New York:
Bookman, 1999.

MAGGI, P. L. O.; KRÜGER, C. M. Aplicação de seminário no ensino de


espaços vetoriais. In: CONGRESSO BRASILEIRO DE EDUCAÇÃO EM
ENGENHARIA, 35., 2007, Curitiba. Anais..., Curitiba, 2007. Disponível
em: <http://www.abenge.org.br/CobengeAnteriores/2007/artigos/88-
Patricia%20Maggi.pdf> Acesso em: 17 nov. 2014.

SUGESTÕES DE LEITURA

BOLDRINI, J. et al. Álgebra linear. São Paulo: Harbra, 1980.

BOULOS, P.; CAMARGO, I. Introdução à geometria analítica no espaço.


São Paulo: Makron Books do Brasil, 1997.

KOLMAN, B. Introdução à álgebra linear com aplicações. 6. ed. Rio de


Janeiro: Prentice-Hall do Brasil, 1998.

KRÜGER, C. M. Curso de álgebra linear para engenharia. Curitiba:


UnicenP, 2007.

Operações vetoriais 191

Você também pode gostar