A Mostra

Algebra_Chap01_PORTUGUES.qxd 31.08.
56 11:20 AM Page 1
CAPÍTULO 1
Equações Lineares
e Matrizes
1.1 MATRIZES
Em matemática e suas aplicações, freqüentemente os números aparecem, de forma natural,

em seqüências retangulares ordenadas. A seguir são apresentados alguns exemplos.
Exemplo 1 As coordenadas de um ponto no plano são geralmente escritas como um par ordenado
(x, y). Aqui, a palavra ordenado indica que a ordem das coordenadas x e y é importante.
Por exemplo, (2, 3) e (3, 2) representam pontos distintos. Analogamente, as coordenadas
de um ponto no espaço são escritas como uma tripla ordenada (x, y, z).
Exemplo 2 O sistema de equações lineares

3x − 5y = 2
4x + 7y = 1
é completamente descrito pela tabela 2 × 3 de números

3 −5 2
.
4 7 1
De fato, é dessa forma que o sistema de equações é representado em um computador.

Voltaremos a esse tópico na Seção 1.2.
Exemplo 3 Dados estatísticos são, com freqüência, dispostos em tabelas. Por exemplo, o número de
estudantes do sexo masculino, feminino, de graduação e de pós-graduação de uma pequena
faculdade é dado na seguinte tabela:
pós-graduação graduação
sexo feminino 3.013 256
sexo masculino 3.155 511
Tal tabela dá uma descrição gráfica clara dos dados, além de ter outros usos, conforme
veremos.
Exemplo 4 Grafos dirigidos, como o mostrado à direita na página 2, aparecem freqüentemente

em cronogramas de grandes projetos. Eles são descritos pela tabela de adjacências
em que colocamos o número 1 (ou 0) na linha vi e coluna vj para indicar uma seta
(ou, respectivamente, nenhuma) do vértice vi para o vértice vj. Por exemplo, os vértices
poderiam representar cidades e as setas, os vôos disponíveis. Eliminando-se as pontas
das setas e permitindo-se mais de um segmento entre dois vértices, obtém-se um
modelo para ligações químicas.
Algebra_Chap01_PORTUGUES.qxd 31.08.56 11:20 AM Page 2
2 CAPÍTULO 1 Equações Lineares e Matrizes
v1 v2 v3 v4 v1 v2
v1 0 1 1 1
v2 0 0 1 1
v3 0 1 0 0 v3 v4
v4 0 0 0 0
1.1.1 Matrizes
Motivado por exemplos como esses, uma tabela retangular de números é chamada
uma matriz,1 e os números na matriz são chamados elementos2 da matriz. Matrizes são
geralmente denotadas por letras maiúsculas A, B, C etc.
Exemplo 5 As seguintes tabelas são matrizes: ⎡ ⎤ ⎡ ⎤

2 3 1 −1
1 0 −3 ⎢ ⎥ ⎢ ⎥
A= B= 2 −5 C= ⎢ 0⎥
⎣ ⎦ D= ⎢ 2
⎣ 0 5⎥
⎦
5 3 8
−3 −2 −2 1
Matrizes aparecem em várias formas (retangulares), dependendo do número de linhas

e colunas. Por exemplo, a matriz A do Exemplo 5 tem 2 linhas e 3 colunas. Em geral, uma
matriz com m linhas e n colunas é dita uma matriz m × n; também se pode dizer que a
matriz tem tamanho m × n. Assim sendo, as matrizes A, B, C, e D do Exemplo 5 têm
tamanhos 2 × 3, 1 × 2, 3 × 1, e 3 × 3, respectivamente. Não surpreendentemente, uma
matriz de tamanho 1 × n é denominada matriz linha ou uma n-linha, e uma de tamanho
m × 1 é chamada matriz coluna ou uma m-coluna. Uma matriz cujo número de linhas é
igual ao número de colunas é chamada matriz quadrada. Dessa forma, cada matriz
quadrada tem tamanho n × n para algum n.
Cada elemento de uma matriz é localizado pela linha e coluna em que se encontra.
As linhas de uma matriz são numeradas de cima para baixo e as colunas são numeradas
da esquerda para a direita. O elemento que está na linha i e coluna j é chamado elemento
(i, j) da matriz. Por exemplo:

1 0 −3
O elemento (1, 2) da matriz é 0 e o elemento (2, 3) é 8.
5 3 8
Uma notação especial foi criada para os elementos de uma matriz A. Se A tem tamanho
m × n, e se o elemento (i, j) de A for denotado por aij, então A é escrita da seguinte maneira:
⎡ ⎤
a11 a12 a13 ··· a1n
⎢ ⎥
⎢a ··· a2n ⎥
⎢ 21 a22 a23 ⎥
A= ⎢
⎢ ··
⎥.
⎣ · ··· ··· ··
· ··· ⎥
⎦
am1 am2 am3 ··· amn
Geralmente isso é escrito simplesmente como A = [aij] e aij denota o elemento que está na
linha i e coluna j. Por exemplo, usando essa notação, uma matriz 2 × 3 genérica é escrita como

a11 a12 a13
A= .
a21 a22 a23
Observe que, como em pares ordenados, duas matrizes A e B são iguais (escrevemos A = B)
se elas tiverem o mesmo número de linhas e de colunas e se os elementos correspondentes
forem iguais. Mais precisamente:
1 Embora o termo matriz tenha sido usado pela primeira vez em 1848 por James Sylvester (1814–1897), foi Arthur Cayley
(1821–1895) quem primeiro considerou matrizes como conceito especial, em um artigo de 1858 intitulado “Uma memória
sobre a teoria de matrizes”.
2 Definições de termos novos aparecerão em negrito por todo o texto.
1.1 Matrizes 3
⎧
⎨ 1. AA eand B have
B têm the same
o mesmo size
tamanho
A=B se, e somente se, ⎩ 2. Os elementos correspondentes
Corresponding são iguais
entries are equal
Se A = [aij] e B = [bij] têm ambas tamanho m × n, a afirmação feita pode ser reescrita
na forma
[aij] = [bij] se, e somente se, aij = bij para todo i e todo j.

1 −3 0 1 −3 x y
Exemplo 6 Dados A = ,B= ,C= , discuta a possibilidade de ser ter A = B,
2 5 0 2 5 z w
A = C, ou B = C.
SOLUÇÃO É impossível que se tenha A = B porque A e B têm tamanhos diferentes: A é uma matriz 2 × 3
enquanto B é 2 × 2. Assim, A e B não são iguais (escrevemos, A ≠ B). Analogamente, A ≠ C.
Entretanto, é possível que ocorra B = C, se os elementos correspondentes forem iguais:

1 −3 x y
= pode ocorrer somente se x = 1, y = −3, z = 2 e w = 5.
2 5 z w
1.1.2 Adição de Matrizes

A adição de matrizes é feita de modo muito parecido com a adição de números.
Os exemplos a seguir mostram como isso ocorre na prática.
Exemplo 7 O imposto anual sobre os rendimentos da Empresa 1 (em milhões) é composto de $ 175
milhões de imposto corporativo, $ 35 milhoões de imposto sobre a renda e $ 17 milhões em
imposto sobre as vendas. Esses dados estão resumidos na matriz de impostos sobre os
rendimentos
T1 = [175 35 17].
Analogamente, a Empresa 2 tem matriz dos impostos igual a
T2 = [190 41 22].
A matriz dos impostos de ambas as empresas juntas é, então,
T = [175 + 190 35 + 41 17 + 22] = [365 76 39].
Essa nova matriz é obtida somando-se os elementos correspondentes de T1 e T2.
Em geral, se A e B são duas matrizes de mesmo tamanho, sua soma A + B é definida

como a matriz do mesmo tamanho de ambas, cujos elementos são as somas dos elementos
correspondentes de A e de B. Se A = [aij] e B = [bij] , então
[aij] + [bij] = [aij + bij].
Analogamente, a diferença A − B entre A e B é obtida pela subtração dos elementos
correspondentes:
[aij] − [bij] = [aij − bij].
Como na aritmética, A − B é o resultado obtido ao se subtrair B de A. Observe que a adição
e a subtração não são definidas para matrizes de tamanhos diferentes. De fato, adotamos a
seguinte convenção:
Quando escrevemos A + B ou A − B, fica subentendido que A e B têm o mesmo tamanho.
Usaremos essa convenção sem comentários ao longo do livro.

2 −1 7 4 6 −2
Exemplo 8 Se A = eB = , então
−3 5 0 8 1 9
⎡ ⎤ ⎡ ⎤
2+4 −1 + 6 7−2 6 5 5
A+B= ⎣ ⎦ = ⎣ ⎦
−3 + 8 5+1 0+9 5 6 9
⎡ ⎤ ⎡ ⎤
2−4 −1 − 6 7 − (−2) −2 −7 9
A−B= ⎣ ⎦= ⎣ ⎦
−3 − 8 5−1 0−9 −11 4 −9
Muitas propriedades gerais da adição numérica também valem para a adição de matrizes.
Se A, B e C são matrizes do mesmo tamanho, então:
A+B=B+A (Propriedade Comuttiva)
A + (B + C) = (A + B) + C (Propriedade Associativa)
De fato, se A = [aij], então B = [bij], então os elementos (i, j) de A + B e de B + A são,
respectivamente, aij + bij e bij + aij. Como para cada i e j essas somas são iguais, temos:
A + B = [aij + bij] = [bij + aij] = B + A.
Isso demonstra a propriedade comutativa. A propriedade associativa é verificada de modo
análogo.
A matriz m × n cujos elementos são todos iguais a zero é chamada matriz nula desse
tamanho, e é denotada por 0 (ou 0mn se for necessário indicar o tamanho).3 É claro que
0 + A = A para toda matriz A de tamanho m × n .
A oposta da matriz A de tamanho m × n (denotada por –A) é a matriz m × n obtida
tomando-se os opostos de cada elemento de A. Se A = [aij] podemos escrever
−[aij] = [−aij].
Em outras palavras, o elemento (i, j) de –A é −aij. Como a adição de matrizes é feita
componente a componente, temos:
A + (−A) = 0 para toda matriz A de tamanho m × n ,
em que 0 denota a matriz nula de tamanho m × n . O teorema a seguir junta essas quatro
propriedades básicas da adição de matrizes para referência posterior.
T EOREMA 1 Se A, B, e C denotam matrizes m × n arbitrárias, então:

(1) A + B = B + A.
(2) A + (B + C) = (A + B) + C.
(3) 0 + A = A em que 0 denota a matriz nula de tamanho m × n .
(4) A + (−A) = 0.

3 1 1 −2
Exemplo 9 Se A = eB = , encontre uma matriz X tal que X + B = A.
6 4 0 4
Para resolver uma equação numérica x + b = a, simplesmente subtraímos b de ambos os

lados da equação obtendo x = a − b. Analogamente, a equação matricial X + B = A leva a

3−1 1 − (−2) 2 3
X =A−B= = .
6−0 4−4 6 0
Você pode verificar que a matriz X realmente satisfaz a equação original X + B = A.
As propriedades apresentadas no Teorema 1 têm muitas conseqüências úteis. Por

exemplo, a propriedade (2) afirma que a soma A + (B + C) = (A + B) + C é a mesma,
independentemente de como é feita. Por isso, pode ser escrita simplesmente como
A + B + C. Analogamente, a soma A + B + C + D independe de como é feita. Por exemplo, é
igual a (A + B) + (C + D) e a A + [B + (C + D)]. Além disso, a propriedade (1) do Teorema
1 garante que, por exemplo, B + D + A + C = A + B + C + D. Em outras palavras, a ordem
na qual essas quatro matrizes são somadas não importa. Observações análogas se aplicam a
cinco ou mais matrizes.
3 O mesmo símbolo 0 é comumente usado para uma matriz nula e para o número 0. Na prática, isso causa muito pouca confusão já
que o significado quase sempre fica claro pelo contexto.
1.1 Matrizes 5
1.1.3 Multiplicação de Matriz por Escalar

Exemplo 10 Suponha (como no Exemplo 7) que uma empresa tem uma matriz de impostos sobre
os rendimentos igual a T = [350 65 40]que nos informa que o imposto anual sobre
os rendimentos da empresa é composto por $ 350 milhões de imposto corporativo, $ 65
milhões de imposto sobre a renda e $ 40 milhões de imposto sobre as vendas.
Se o governo decidisse aumentar todos os tipos de imposto em 50%, a nova matriz
de impostos sobre rendimentos passaria a ser

T1 = 32 · 350 32 · 65 32 · 40 = [525 97.5
97,5 60].
Essa nova matriz é calculada a partir de T multiplicando-se cada elemento por 32 .
Em geral, se A é uma matriz e c é um número, o produto de matriz por escalar4 é a

matriz cA obtida pela multiplicação de cada elemento de A pelo número c. Se A = [aij], então
cA = [caij],
ou seja, o elemento (i, j) de cA é c aij. Observe que a matriz cA tem o mesmo tamanho que a
matriz A.

1 0 −3 5 −6 1
Exemplo 11 Se A = eB = , temos
2 7 3 8 8 9
⎡ ⎤
3 0 −9
5
−3 1
3A = 1
=
2 2
, B ⎣ ⎦, e
6 21 9 2 9
4 4 2

5 0 −15 10 −12 2 −5 12 −17
5A − 2B = − = .
10 35 15 16 16 18 −6 19 −3
Se A é uma matriz qualquer, os seguintes fatos são claros:

1A = A e (−1)A = −A.
Além disso, para todo escalar c e toda matriz A, temos:
c0 = 0 e 0A = 0.
Observe que o símbolo 0 desempenha dois papéis na equação 0A = 0. Ele representa o
número 0 no lado esquerdo da igualdade e representa a matriz nula no lado direito. Essa
ambigüidade é inofensiva já que é sempre claro pelo contexto qual o significado correto.
Há quatro propriedades básicas da multiplicação de matriz por escalar, que registramos

para referência.
T EOREMA 2 Sejam A e B matrizes e sejam c e d números. Então:

(1) c(A + B) = cA + cB.
(2) (c + d)A = cA + dA.
(3) c(dA) = (cd)A.
(4) 1A = A.
DEMONSTRAÇÃO Já tínhamos mencionado a propriedade (4). Para verificar a validade de (1), escreva A = [aij]
e B = [bij]. Então A + B = [aij + bij] como antes, e o elemento (i, j) da matriz c(A + B) é
c(aij + bij) = caij + cbij.
Mas caij e cbij são os elementos (i, j) de cA e cB, respectivamente. Logo, caij + cbij é o
elemento (i, j) de cA + cB, provando (1). As verificações de (2) e (3) são análogas, e deixadas
como exercícios.
4 Em álgebra linear, números são freqüentemente chamados escalares; daí o nome.

As propriedades (1) e (2) no Teorema 2 são chamadas propriedades distributivas. Elas se

estendem a somas de mais de duas matrizes. Por exemplo,
c(A + B + C) = cA + cB + cC,
(c + d + e)A = cA + dA + eA.
Expressões análogas valem para mais de duas parcelas. Esses fatos, juntamente com as
propriedades no Teorema 1, nos permitem simplificar expressões matriciais, somando
termos semelhantes, expandindo e colocando em evidência fatores comuns, exatamente da
mesma forma que expressões algébricas são simplificadas. Eis alguns exemplos.
Exemplo 12 Simplifique a expressão matricial 3(8A − 5B) + 4(4B − 6A).
SOLUÇÃO O procedimento é o mesmo como se A e B fossem números:

3(8A − 5B) + 4(4B − 6A) = 24A − 15B + 16B − 24A = B.
Assim, a expressão simplifica bastante.

1 0
Exemplo 13 Encontre A sabendo que 1
5
4A − = − 2A.
−2 5
SOLUÇÃO Ao multiplicarmos ambos os lados da expressão por 5, obtemos:

⎡ ⎤ ⎧⎡ ⎤ ⎫
1 ⎨ 0 ⎬
4A − ⎣ ⎦ = 5⎩⎣ ⎦ − 2A⎭
−2 5
⎡ ⎤ ⎡ ⎤
1 0
4A − ⎣ ⎦ = ⎣ ⎦ − 10A.
−2 25

1 0 1
A soma de 10A a ambos os lados fornece 14A − = ; em seguida, a soma de a
−2 25 −2
ambos os lados dá

0 1 1
14A = + = .
25 −2 23
⎡ ⎤
1
1
Finalmente, a divisão por 14 resulta em A = 1
14 23
= ⎣ 14
23
⎦.
14
Já observamos que o produto de matriz por escalar cA é a matriz nula se ou c = 0

é o número zero ou A = 0 é a matriz nula. O próximo resultado útil mostra que a
recíproca é verdadeira.
T EOREMA 3 Se cA = 0, então ou c = 0 ou A = 0.
DEMONSTRAÇÃO Se c = 0, não há o que demonstrar; se c ≠ 0, devemos mostrar que A = 0. Escreva A = [aij]

onde aij denota o elemento (i, j) da matriz A. Como cA = 0, temos c aij = 0 para cada i e
cada j (c aij é o elemento (i, j) de cA). Como c ≠ 0, temos aij = 0 para cada i e j, ou seja,
A = 0.
1.1.4 A Transposta de uma Matriz

Escrever matrizes coluna é complicado e ocupa espaço. A idéia da transposta de uma matriz
ajuda nesse problema por transformar colunas em linhas (há também muitos outros usos
como veremos adiante). Antes de dar a definição, vamos discutir uma outra noção
importante.
Se A = [aij] é uma matriz m × n , a diagonal principal de A consiste dos elementos
a11, a22, a33, · · · .
1.1 Matrizes 7
Assim sendo, os elementos da diagonal estão sobre a linha diagonal que começa no canto
superior esquerdo de A. Por exemplo, em cada uma das matrizes a seguir, a diagonal
principal é formada pelos elementos a e b: ⎡ ⎤
a x
a x a x p ⎢ ⎥
⎢y b⎥
⎣ ⎦
y b y b q
r s
Observe que a diagonal principal de uma matriz quadrada se estende do canto superior
esquerdo até o canto inferior direito.
Vamos agora definir, de modo informal, a transposta de uma matriz A de tamanho m × n

como sendo a matriz AT , de tamanho n × m , obtida quando A é “refletida” sobre sua
diagonal principal.
Exemplo 14 Encontre a transposta de cada uma das seguintes matrizes:

3 0 −1 1 6 9
A= , B= , C= 5 −2 3 , D= .
5 2 11 3 2 7
⎡ ⎤ ⎡ ⎤
5 1 3
0 2 ⎢ ⎥ ⎢ ⎥
SOLUÇÃO A =
T
3 5 , B =
T
, C = T ⎢ −2 ⎥,
⎣ ⎦ DT = ⎢ 6 2 ⎥.
⎣ ⎦
−1 11
3 9 7
Claramente a transposta de qualquer matriz-linha é uma matriz coluna e a transposta de

uma matriz coluna qualquer é uma matriz-linha. Isso permite uma nova maneira de pensar
na transposta de uma matriz A:
As colunas de AT são exatamente as transpostas das linhas de A, na mesma ordem.
As linhas de AT são exatamente as transpostas das colunas de A, na mesma ordem.
Esse fato é ilustrado pelas matrizes do Exemplo 14, e leva a uma descrição mais formal de
AT :
Se A = [aij], então AT = [bij] onde bij = aji para todo i e j.
O teorema a seguir agrega quatro propriedades básicas da transposição que serão usadas
repetidamente e sem comentários.
T EOREMA 4 Sejam A e B matrizes do mesmo tamanho e seja c um escalar.

(1) Se A for uma matriz m × n , então AT é uma matriz n × m .
(2) (AT )T = A.
(3) (cA)T = c AT .
(4) (A + B)T = AT + BT .
DEMONSTRAÇÃO (1) é parte da definição de AT , e (2) é verdadeira porque (AT )T é o resultado de “refletir”
duas vezes, o que faz retornar a A. Analogamente, (cA)T é o resultado obtido ao multiplicar
de cada elemento de A por c e depois refletir, que é o mesmo que o resultado de primeiro
refletir A e depois multiplicar por c.
Mesmo podendo demonstrar (4) do mesmo modo que anteriormente, usaremos agora a
definição formal. Escreva A = [aij] e B = [bij], de modo que AT = [aji] e BT = [bji] são
obtidos pela troca de i por j em cada posição. Como A + B = [aij + bij], tem-se
(A + B)T = [aji + bji] = [aji] + [bji] = AT + BT .
Isso é o que queríamos.
T
1 −2 3 −1
Exemplo 15 Encontre a matriz A sabendo que AT + 2 =5 .
5 0 1 7
SOLUÇÃO Usando várias vezes o Teorema 4, obtemos

3 −1 T 1 −2
T
5 = AT + 2
1 7 5 0
T
1 −2
=A+2
5 0

1 5
=A+2 .
−2 0

3 −1 1 5 13 −15
Logo, A = 5 −2 = .
1 7 −2 0 9 35
Uma matriz A é chamada simétrica se AT = A. Tais matrizes são necessariamente

quadradas (se A é uma matriz m × n então AT é n × m, logo AT = A obriga a m = n).
O nome vem do fato de matrizes simétricas exibirem uma simetria em relação à diagonal
principal. Na verdade, a condição AT = A significa que refletir A em torno da diagonal
principal não traz alteração. Isso requer que os elementos que estão localizados em posições
opostas em relação à diagonal principal sejam iguais. Assim, matrizes simétricas 2 × 2 e
3 × 3 genéricas têm a forma
⎡ ⎤
a x y
a x ⎢ ⎥
e
and ⎢x b z⎥
⎣ ⎦
x b
y z c
respectivamente. É claro que toda matriz 1 × 1 é simétrica.
Exemplo 16 Um grafo não dirigido consiste de vértices, alguns dos quais conectados por segmentos
com nenhuma direção designada (ao contrário de um grafo dirigido). A matriz de
v2 adjacências de tal grafo tem um 1 na posição (i, j) se vi e vj estiverem conectados e,
conseqüentemente, é uma matriz simétrica, como ilustrado no grafo dado. Observe o
v1
contraste com o Exemplo 4 na situação de grafo dirigido.
⎡ ⎤
1 1 0
⎢ ⎥
⎢1 0 1⎥
⎣ ⎦
v3
0 1 0
As propriedades elementares das matrizes simétricas decorrem do Teorema 4. Aqui

mostramos um exemplo de como elas são usadas.
Exemplo 17 Se A e B são simétricas, mostre que A + B também é simétrica.
SOLUÇÃO Foi-nos informado que AT = A e que BT = B. Então o Teorema 4 nos fornece

(A + B)T = AT + BT = A + B.
Isso mostra que A + B é simétrica.
1.1 Matrizes 9
Exercícios 1.1
1. Uma loja vende bicicletas de corrida e mountain bikes. 4. Calcule:
⎛⎡ ⎤ ⎡ ⎤⎞ ⎡ ⎤T
O gerente tem as seguintes tabelas de dados disponíveis, a 1 −3 2 2 0 12 1 −5 −43
⎜⎢ ⎥ ⎢ ⎥⎟ ⎢ ⎥
primeira dando o número de bicicletas vendidas de cada a) 3⎝⎣ 0 4 −9 ⎦ − 21⎣ −15 −3 2 ⎦⎠ + 5⎣ 0 7 0 ⎥
⎜ ⎢ ⎥ ⎢ ⎥ ⎟ ⎢
⎦
tipo para cada trimestre de 1998 e a segunda, para cada 2 −3 1 12 −8 −32 21 45 −34
⎡ ⎤ ⎛ ⎡ ⎤ ⎡ ⎤⎞T
trimestre de 1999: 21 20 −21 90 −45 20 19 −25 87
⎢ ⎥ ⎜ ⎢ ⎥ ⎢ ⎥⎟
⎦ − 9⎝2⎣ −23 ⎦ − 13⎣ 47
b) ⎢ 56 11 34 ⎥ ⎜ ⎢ 32 72 ⎥ ⎢ 40 81 ⎥ ⎟
1998 Bicicletas de Corrida Mountain Bikes ⎣ ⎦⎠
45 83 −34 65 23 89 85 35 24
1º Trimestre 32 27
2º Trimestre 65 78 5. a) Descreva quando uma matriz é igual à sua transposta.
º
3 Trimestre 53 74 Tais matrizes são chamadas matrizes simétricas.
º
b) Descreva quando uma matriz é igual à oposta de sua
4 Trimestre 35 46 transposta. Tais matrizes são chamadas matrizes anti-
simétricas.
1999 Bicicletas de Corrida Mountain Bikes
6. Em cada caso, ou prove que a afirmação é verdadeira ou dê
1º Trimestre 38 43
um exemplo mostrando que ela é falsa. Ao longo do exercício,
2º Trimestre 72 97 A, B e C denotam matrizes.
3º Trimestre 76 102 a) Se A + B = A + C, então B e C têm o mesmo tamanho.
º
4 Trimestre 43 65 b) Se A + B = 0, então B = 0.
c) Se o elemento (2, 3)de A é 7, então o elemento (3, 2) de
a) Expresse cada uma das tabelas como uma matriz. AT é −7.
b) Encontre uma operação com matriz que produza o total d) Se A = −A, então A = 0.
de vendas nesses dois anos juntos, e efetue os cálculos. e) Para toda matriz A, A e AT têm a mesma diagonal principal.
c) Os dados para 1997 foram fornecidos em um formato
levemente diferente, como segue: 7. Encontre

a, b, c e d se:
a b b − c c a b 1
1º 2º 3º 4º a) = . b) 3 −2 = .
c d d 1 b 0 4
1997 Trim. Trim. Trim. Trim
Bicicleta 8. Em cada caso, encontre⎡a matriz
⎤ A:
24 29 32 21 T
de corrida 1 0 −2 ⎢
2 0
⎥
a) 2A − = ⎢ −3
⎣ 4⎥
⎦.
Mountain 23 31 37 29 4 7 3
Bikes 0 8
⎛ ⎡ ⎤⎞T
Expresse esses dados também por meio de uma matriz, 0 2
⎜ ⎢ ⎥⎟ 7 0 −1
⎝3A − 2⎣ −5 =
T
encontre uma operação com matrizes que forneça o total b) ⎜ ⎢ 2⎥
⎦⎠
⎟ .
2 1 5
de vendas para esses três anos juntos, e efetue os cálculos. 1 3
d) Uma segunda loja vendeu cada tipo de bicicleta

9. a) Simplifique 3(5A − 3B) + 6(B − 4A) + 3(2A + B).
exatamente três vezes mais do que a primeira loja em
b) Simplifique 2(3A − 5B) + 4(B − 2A) + 2(3B − A).
cada trimestre de 1997, exatamente duas vezes mais em
1998, e exatamente quatro vezes mais em 1999. Encontre 10. Uma matriz A é chamada matriz diagonal se for quadrada e
uma operação com as matrizes que irá fornecer o total se todos os elementos que estão fora da diagonal forem iguais
das vendas dessa segunda loja para esses três anos juntos, a zero. Se A e B forem matrizes diagonais, mostre que cada
e efetue os cálculos. uma das seguintes matrizes é diagonal:
a) A + B. b) cA para qualquer escalar c. c) AT .
2. a) Se A é uma matriz m × n, o que m e n representam?
b) Quais são os requisitos necessários para que se possa 11. a) Se A é uma matriz qualquer, mostre que
somar duas matrizes A e B? (c + d)A = cA + dA, para quaisquer escalares
c e d. [Parte (2) do Teorema 2]
3. Como a adição de matrizes, a multiplicação por escalar e a
b) Se A é uma matriz qualquer, mostre que (cd)A = c(dA),
transposição podem ser úteis na prática?
para quaisquer escalares c e d. [Parte (3) do Teorema 2]
1.2 EQUAÇÕES LINEARES

Uma das motivações históricas para o desenvolvimento da matemática tem sido a busca por
um modo de analisar e resolver problemas práticos. Com exceção do Cálculo Diferencial e
Integral, o método mais comum tem sido reduzir um problema à resolução de um conjunto
de equações lineares. Esse método mostrou-se eficiente em ciências, engenharia e ciências
sociais. Aqui temos um exemplo simples.
1.2.1 Equações Lineares

Exemplo 1 Uma instituição de caridade deseja doar um fundo que proporcionará $ 50.000 por ano à
pesquisa sobre o câncer. Tal instituição possui $ 480.000 e, para reduzir riscos, planeja
investir em dois bancos, que pagam 10% e 11% a.a., respectivamente. Quanto deve ser
investido em cada banco?
SOLUÇÃO Se x dólares são investidos a 10% e y dólares são investidos a 11%, então x + y = 480.000, e o
10
juro anual é de 100 x + 100
11
y. Portanto x e y devem satisfazer as seguintes equações
x+ y = 480 000
10
100
x + 100 y = 50 000
11
Se a primeira equação for multiplicada por 10 e a segunda por 100, as equações resultantes
serão
10x + 10y = 44.800.000
800 000
10x + 11y = 545.000.000
000 000
Subtraindo a primeira equação da segunda, temos y = 200.000 e, portanto, x = 280.000. Em
outras palavras, a instituição deve investir $ 280.000 a 10% e $ 200.000 a 11%.
Uma equação escrita na forma ax + by = c é chamada equação linear5 nas indeterminadas

x e y. Se houver mais de duas indeterminadas, estas freqüentemente serão chamadas
x1, x2, · · · , xn. Então uma equação na forma
a1x1 + a2x2 + · · · + anxn = b (∗)
é chamada equação linear nas indeterminadas x1, x2, · · · , xn. Nesse caso, a1, a2, · · · , an
*
representam números reais chamados coeficientes de x1, x2, · · · , xn, respectivamente, e o

número b é chamado termo constante da equação. A matriz coluna
⎡ ⎤
x1
⎢ ⎥
⎢x ⎥
⎢ 2⎥
X= ⎢ ⎥
⎢ ·· ⎥
= [x1 x2 · · · xn]T
⎣ · ⎦
xn
é chamada a matriz das indeterminadas. Um conjunto de números s1, s2, · · · , sn é uma
solução da equação linear (∗) se
a1s1 + a2s2 + · · · + ansn = b,
ou seja, se a equação for satisfeita quando as substituições x1 = s1, x2 = s2, · · · , xn = sn forem
feitas. Expressamos isso dizendo que X = [s1 s2 · · · sn]T é uma solução6 da equação (∗).
Exemplo 2 Mostre que X = [1 − 2]T é uma solução da equação 2x1 − 3x2 = 8, mas que Y = [1 1]T não
é uma solução.
A matriz [1 − 2]T é uma solução porque x1 = 1 e x2 = −2 satisfazem a equação:
2(1) − 3(−2) = 8. Mas x1 = 1 e x2 = 1 não satisfazem a equação, já que 2(1) − 3(1) ≠ 8, e
portanto [1 1]T não é uma solução.
5 Se a e b forem não ambos nulos, o gráfico da equação ax + by = c é uma linha reta; daí o nome.
* NTT: Também chamadas incógnitas.
6 O motivo para escrever soluções (ou indeterminadas) na forma de colunas ficará claro mais adiante. Usaremos a notação de
transposta [s1 s2 · · · sn]T para simplificar a impressão.
1.2 Equações Lineares 11
1.2.2 Sistemas de Equações Lineares

Um conjunto finito de equações lineares é chamado sistema de equações lineares, ou
simplesmente sistema linear. Uma solução que satisfaz todas as equações do sistema é
chamada solução do sistema.
A essência da álgebra linear é um procedimento rotineiro de encontrar todas as soluções
de qualquer sistema de equações lineares. Primeiro vejamos alguns exemplos.
Exemplo 3 No Exemplo 1, o sistema de duas equações lineares

x+ y = 480.000
480 000 x 280 000
280.000
tem solução X = = .
10
100
x + 100 y = 450.000
11
50 000 y 200 000
200.000
Observe que esse sistema tem uma única solução.
Exemplo 4 Um sistema de equações pode não ter solução. Por exemplo, o sistema
x+y =1
x −z =2
y+z =1
não tem solução. Na verdade, a soma das últimas duas equações dá x + y = 3, contrariando a
primeira equação.
Um sistema de equações lineares é chamado inconsistente* se ele não tiver nenhuma

solução, e o sistema é chamado consistente quando ele admitir uma ou mais soluções.
Exemplo 5 Verifique que X = [1 + t − s 2 + t + s s t]T é uma solução para o sistema

x1 − 2x2 + 3x3 + x4 = −3
2x1 − x2 + 3x3 − x4 = 0
para todos os valores dos números s e t, nesse contexto chamados parâmetros.
SOLUÇÃO Simplesmente substitua x1 = 1 + t − s, x2 = 2 + t + s, x3 = s e x4 = t em cada equação:

x1 − 2x2 + 3x3 + x4 = (1 + t − s) − 2(2 + t + s) + 3s + t = −3
2x1 − x2 + 3x3 − x4 = 2(1 + t − s) − (2 + t + s) + 3s − t = 0
Como ambas as equações são satisfeitas, X é solução para todo s e todo t. Observe que esse
sistema tem infinitas soluções, pois há infinitas escolhas para os parâmetros s e t.
De fato, toda solução do sistema no Exemplo 5 é da forma mostrada, para alguma

escolha de parâmetros s e t. Para entender por que isso acontece, e para ver como se chega
a conjuntos de soluções como aqueles do Exemplo 5, desenvolvemos um procedimento geral
para encontrar soluções dessa forma. Para simplificar os cálculos, introduzimos a notação
matricial para descrever sistemas de equações lineares. Dado o sistema
x1 − 2x2 + 3x3 + x4 = −3
2x1 − x2 + 3x3 − x4 = 0
de duas equações e quatro incógnitas, os coeficientes das incógnitas formam uma
matriz 2 × 4
1 −2 3 1
2 −1 3 −1
chamada matriz dos coeficientes do sistema. A matriz 2 × 5

1 −2 3 1 −3
2 −1 3 −1 0
* NTT: Os termos impossível e incompatível também são usados para denominar um sistema de equações lineares inconsistente,
assim como os termos possível ou compatível são também empregados para designar um sistema de equações consistente.
é chamada matriz completa ou também matriz aumentada do sistema (é a matriz dos

coeficientes acrescida da coluna formada pelos termos constantes). É evidente que o sistema
fica totalmente descrito pela matriz completa,7 portanto, não é surpresa que possamos
encontrar todas as soluções do sistema com a manipulação dessa matriz.
Para ver como isso é feito, convém chamar dois sistemas de equivalentes se eles
possuírem as mesmas soluções. Começando com um dado sistema de equações lineares,
nós o resolvemos escrevendo uma série de sistemas, um depois do outro, cada um deles
equivalente ao anterior. Como todos os sistemas têm as mesmas soluções, a finalidade é
encontrar um que seja fácil de resolver. Existe um método simples e rotineiro de realizar isso.
O exemplo a seguir proporciona uma ilustração.
Exemplo 6 Encontre todas as soluções para o sistema do Exemplo 5:

⎧
⎨ x1 − 2x2 + 3x3 + x4 = −3
⎩ 2x − x + 3x − x = 0
1 2 3 4
SOLUÇÃO O sistema está escrito a seguir junto com sua matriz completa;

x1 − 2x2 + 3x3 + x4 = −3 1 −2 3 1 −3
2x1 − x2 + 3x3 − x4 = 0 2 −1 3 −1 0
Primeiro eliminamos x1 da equação 2 por meio da subtração de duas vezes a primeira

equação da segunda. O resultado é o seguinte sistema (acompanhado de sua matriz
completa).
x1 − 2x2 + 3x3 + x4 = −3 1 −2 3 1 −3
3x2 − 3x3 − 3x4 = 6 0 3 −3 −3 6
Esse novo sistema é equivalente ao original (ver Teorema 1 a seguir). Observe que a nova
matriz completa pode ser obtida diretamente da original se subtrairmos duas vezes a
primeira linha da segunda.
Agora multiplicamos a segunda equação por 13 para obter outro sistema equivalente

x1 − 2x2 + 3x3 + x4 = −3 1 −2 3 1 −3
x2 − x3 − x4 = 2 0 1 −1 −1 2
Mais uma vez, a nova matriz completa é resultado da multiplicação da segunda linha por 13 .
Finalmente, eliminamos x2 da equação 1 pela adição de duas vezes a segunda equação à
primeira. O resultado é o sistema (equivalente)

x1 + x3 − x4 = 1 1 0 1 −1 1
x2 − x3 − x4 = 2 0 1 −1 −1 2
Esse sistema é fácil de resolver. De fato, escolhendo-se arbitrariamente números x3 e x4, então
x1 e x2 podem ser encontrados de maneira que as equações sejam satisfeitas. Mais
precisamente, se estabelecermos que x3 = s e que x4 = t onde s e t são parâmetros
arbitrários, as equações passam a ser x1 + s − t = 1 e x2 − s − t = 2, portanto,
x1 = 1 + t − s e x2 = 2 + t + s
Isso nos dá a solução exibida no Exemplo 5 e, como todos os sistemas na série são
equivalentes (como será provado no Teorema 1), obtivemos todas as soluções para o
problema original.
Observe que, a cada estágio do procedimento acima, uma certa operação é executada no
sistema (e, portanto, na matriz completa) para produzir um sistema equivalente.
As operações a seguir, chamadas operações elementares, podem ser efetuadas
rotineiramente em sistemas para produzir sistemas equivalentes:
I Trocar a ordem das equações.
II Multiplicar uma equação por um número diferente de zero.
III Somar um múltiplo de uma equação com outra equação.
7 Quando um sistema é resolvido por um computador, é utilizada a matriz completa.

Valemo-nos apenas dos procedimentos II e III para o cálculo no Exemplo 6, mas a operação
do tipo I às vezes também tem sua utilidade. O teorema a seguir é crucial para o método que
estamos desenvolvendo.
T EOREMA 1 Se uma operação elementar é executada em um sistema linear de equações, o sistema

resultante é equivalente ao original.
DEMONSTRAÇÃO Demonstraremos o teorema para operações do tipo III; argumentos semelhantes funcionam
para operações dos tipos I e II.
Suponha que modificamos o sistema original mediante a substituição da equação p por
uma nova equação, formada pela adição de um múltiplo de outra equação q à equação p.
Então qualquer solução do sistema original irá satisfazer a nova equação (pois satisfaz ambas
as equações p e q) e, portanto, será a solução do novo sistema. Em contrapartida, o novo
sistema contém a equação q (porque p e q são equações diferentes). Isso significa que o novo
sistema pode ser transformado de volta ao sistema original mediante a subtração da nova
equação pelo mesmo múltiplo da equação q. Logo, o mesmo argumento mostra que toda
solução para o novo sistema é uma solução do sistema original. Conseqüentemente, os dois
sistemas têm o mesmo conjunto de soluções; portanto, operações do tipo III produzem
sistemas equivalentes.
O Teorema 1 tem conseqüências profundas na álgebra linear. Particularmente, ele

possibilita o uso do procedimento do Exemplo 6 em qualquer sistema de equações lineares.
A idéia é aplicar ao sistema uma série de operações elementares com o objetivo de encontrar
um sistema de fácil resolução. Como todos os sistemas criados dessa maneira são
equivalentes (pelo Teorema 1), as soluções do sistema fácil de resolver são também as
soluções do sistema original.
Como no Exemplo 6, as operações elementares efetuadas em um sistema de equações
lineares produzem manipulações correspondentes nas linhas da matriz completa (vistas
como matrizes-linha). Em cálculos feitos a mão (e em programas de computador) linhas são
mais fáceis de manipular do que equações. Por esse motivo, reenunciamos as três operações
elementares para as linhas:
I Trocar a ordem das linhas.
II Multiplicar uma linha por um número diferente de zero.
III Somar um múltiplo de uma linha com outra linha.
Essas são as chamadas operações elementares com as linhas. Temos aqui outro exemplo do
nosso método no qual todo o cálculo é efetuado por meio da manipulação da matriz completa.
Exemplo 7 Encontre todas as soluções para o seguinte sistema de equações lineares:

x1 + x2 − 3x3 = 3
−2x1 − x2 = −4
4x1 + 2x2 + 3x3 = 7
SOLUÇÃO A matriz completa do sistema original é

⎡ ⎤
1 1 −3 3
⎢ ⎥
⎢ −2 −4 ⎥
⎣ −1 0 ⎦.
4 2 3 7
Começamos utilizando o 1 no canto superior esquerdo para “limpar” a coluna 1; ou seja,

para obter zeros nas outras posições (isso corresponde a eliminar x1 das equações 2 e 3).
Mais precisamente, adicionamos duas vezes a linha 1 à linha 2 e subtraímos quatro vezes a
linha 3 da linha 1. O resultado é ⎡ ⎤
1 1 −3 3
⎢ ⎥
⎢0 2⎥
⎣ 1 −6 ⎦.
0 −2 15 −5
Isso completa o trabalho na coluna 1.

Agora, usamos o 1 na segunda posição da linha 2 para limpar a coluna 2; isto é, para
obter zeros nas posições acima e abaixo (isso corresponde a eliminar x2 das equações 1 e 3).
Conseguimos isso subtraindo a linha 1 da 2, e adicionando duas vezes a linha 2 à linha 3.
Assim, temos ⎡ ⎤
1 0 3 1
⎢ ⎥
⎢0 2⎥
⎣ 1 −6 ⎦.
0 0 3 −1
Observe que essas duas operações não afetaram a coluna 1 porque o primeiro elemento da
linha 2 é zero.
A seguir, dividimos a linha 3 por 3 para obter o número 1 na terceira posição:
⎡ ⎤
1 0 3 1
⎢ ⎥
⎢0 2⎥
⎣ 1 −6 ⎦.
0 0 1 − 13
Finalmente, limpamos a coluna 3 por meio da subtração da linha 1 por três vezes a linha 3, e
pela adição de seis vezes a linha 3 à linha
⎡
2: ⎤
1 0 0 2
⎢ ⎥
⎢0 0⎥
⎣ 1 0 ⎦.
0 0 1 − 13
O sistema de equações lineares correspondente é

x1 = 2
x2 = 0
x3 = − 13
T
e a solução (única) X = 2 0 − 13 está aparente. Como esse sistema de equações é
equivalente ao sistema original, essa é a solução para o sistema original.
1.2.3 Método de Eliminação de Gauss8

Nos cálculos dos Exemplos 6 e 7, operações elementares com as linhas (na matriz completa)
conduziram a matrizes da forma
⎡ ⎤
1 0 0 ∗
1 0 ∗ ∗ ∗ ⎢ ⎥
and
e ⎢0 1 0 ∗⎥
⎣ ⎦
0 1 ∗ ∗ ∗
0 0 1 ∗
respectivamente, onde cada ∗ indica um número. Em ambos os casos, a solução foi facilmente
obtida pelos sistemas de equações correspondentes. As matrizes que aparecem são geralmente
descritas da maneira a seguir.
Dizemos que uma matriz está na forma escalonada por linha (e será chamada matriz
escalonada por linhas*) se as seguintes condições forem satisfeitas:
1. Todas as linhas nulas estão abaixo de todas as linhas não nulas.
2. O primeiro elemento não nulo em cada linha não nula é igual a 1 e é chamado pivô.**
3. Cada pivô se localiza à direita de todos os pivôs das linhas acima dele.
Uma matriz está na forma escalonada reduzida se, além disso, satisfizer
4. Cada pivô é o único elemento não nulo em sua coluna.
18 Carl Friedrich Gauss (1777–1855) foi um dos maiores matemáticos de todos os tempos. Ele realizou descobertas fundamentais
em todos os tópicos da matemática, e fez importantes contribuições à astronomia e à física.
** NTT: Ou simplesmente denominada matriz escalonada.
** NTT: Alguns autores chamam-no 1-líder.
Assim, as matrizes escalonadas possuem uma forma de “escada” como indicado a seguir
(novamente, os asteriscos indicam números arbitrários):
⎡ ⎤
0 1 ∗ ∗ ∗ ∗ ∗
⎢ ⎥
⎢0 0 0 1 ∗ ∗ ∗⎥
⎢ ⎥
⎢ ⎥
⎢0 0 0 0 1 ∗ ∗ ⎥.
⎢ ⎥
⎢ ⎥
⎣0 0 0 0 0 0 1⎦
0 0 0 0 0 0 0
Os pivôs se localizam à direita e abaixo uns dos outros, ao longo da matriz, e todo elemento
à esquerda e abaixo de um pivô é nulo. Em uma matriz escalonada reduzida, a condição
adicional é que todos os elementos acima de cada pivô também sejam nulos. Qualquer
matriz escalonada pode ser colocada na forma reduzida por meio de mais algumas
operações elementares por linhas (zerando um por um os elementos acima dos pivôs).
Exemplo 8 A primeira matriz abaixo está na forma escalonada, e a segunda, na forma escalonada
reduzida, para qual pode ser transformada por meio de operações por linhas:
⎡ ⎤ ⎡ ⎤
1 ∗ ∗ ∗ ∗ 1 ∗ 0 ∗ 0
⎢ ⎥ ⎢ ⎥
⎢0
⎣ 0 1 ∗ ∗⎥⎦ → ⎢0
⎣ 0 1 ∗ 0⎥
⎦
0 0 0 0 1 0 0 0 0 1
Em geral usamos uma seta → para indicar que foram efetuadas operações com as linhas.
Aqui temos um procedimento pelo qual qualquer matriz pode ser levada à forma
escalonada (e depois, à forma escalonada reduzida, se desejado) utilizando nada além de
operações elementares de linhas.
ALGORITMO DE GAUSS 9 Qualquer matriz pode ser levada à forma escalonada pelo método a seguir:
Passo 1. Se a matriz consiste inteiramente de zeros, pare: ela já se encontra na forma
escalonada.
Passo 2. Caso contrário, encontre a primeira coluna, vindo da esquerda, que contém um
elemento k não nulo, e mova a linha contendo esse elemento ao topo da matriz.
Passo 3. Multiplique a linha no topo por 1k para obter o primeiro pivô.
Passo 4. Anule cada elemento abaixo do pivô, subtraindo múltiplos de suas linhas das linhas
inferiores.
Isso completa a primeira linha; todas as demais operações por linha são efetuadas nas
demais linhas.
Passo 5. Repita os passos 1–4 na matriz formada pelas linhas remanescentes.
Observe que o algoritmo de Gauss* é recursivo no seguinte sentido: depois de se obter o
primeiro pivô, todo o processo é repetido nas demais linhas. Isso torna fácil de se usar o
método no computador. Observe ainda que, no passo 4, podemos também anular cada
elemento acima do pivô. Nesse caso, o algoritmo leva a matriz à forma escalonada reduzida
(como nos exemplos 6 e 7). A razão para a distinção entre as duas formas de escalonamento
será discutida posteriormente.
O algoritmo de Gauss certamente demonstra o teorema a seguir.
T EOREMA 2 Toda matriz pode ser colocada na forma escalonada (reduzida, se desejado) mediante uma
seqüência de operações elementares por linhas.
* NTT: Também conhecido como escalonamento da matriz.

9 Embora Gauss tenha de fato usado esse procedimento, o método é atribuído aos chineses, que o utilizaram vários séculos antes.
Exemplo 9 Encontre todas as soluções do seguinte sistema de equações lineares:

x1 − 2x2 − x3 + 3x4 = 1
2x1 − 4x2 + x3 =5
x1 − 2x2 + 2x3 − 3x4 = 4
SOLUÇÃO A matriz completa é dada a seguir. Como o primeiro pivô está no lugar, passamos a anular
os demais elementos da coluna 1:
⎡ ⎤ ⎡ ⎤
1 −2 −1 3 1 1 −2 −1 3 1
⎢ ⎥ ⎢ ⎥
⎢2
⎣ −4 1 0 5⎥⎦ → ⎢0
⎣ 0 3 −6 3⎥
⎦
1 −2 2 −3 4 0 0 3 −6 3
Agora subtraímos a segunda linha da terceira e então10 multiplicamos a segunda linha por 13 ,
para conseguir a matriz abaixo (agora na forma escalonada por linhas):
⎡ ⎤
1 −2 −1 3 1
⎢ ⎥
→ ⎢0
⎣ 0 1 −2 1⎥
⎦
0 0 0 0 0
Agora use o segundo pivô (na coluna 3) para anular os demais elementos da coluna 3 e,
portanto, conseguir a forma escalonada:
⎡ ⎤
1 −2 0 1 2
⎢ ⎥
→ ⎢0
⎣ 0 1 −2 1⎥
⎦
0 0 0 0 0
Essa forma é até onde o algoritmo de Gauss pode nos levar. O sistema de equações
correspondente é
x1 − 2x2 + x4 = 2
x3 − 2x4 = 1
0=0
Os pivôs estão nas colunas 1 e 3 e as incógnitas correspondentes, x1 e x3, são chamadas
variáveis dependentes. Para resolver o sistema, atribuímos valores arbitrários às variáveis
independentes* (chamados parâmetros), e então as duas equações são usadas para
determinar as variáveis dependentes em termos dos parâmetros. Mais precisamente,
escrevemos x2 = s, e x4 = t onde s e t são parâmetros arbitrários, de modo que as equações se
tornam x1 − 2s + t = 2 e x3 − 2t = 1. Resolvendo, obtemos x1 = 2 + 2s − t e x3 = 1 + 2t.
Logo, as soluções são dadas por ⎡ ⎤
2 + 2s − t
⎢ ⎥
⎢ ⎥
⎢ s ⎥
X = [2 + 2s − t s 1 + 2t t] = T
⎢
⎢ 1 + 2t ⎥
⎥.
⎣ ⎦
t
A solução X = [2 + 2s − t s 1 + 2t t]T no Exemplo 9 é chamada solução geral do sistema

porque toda solução tem essa forma para alguma escolha de valores para os parâmetros s e t.
Quando a matriz completa de um sistema linear é transformada na forma escalonada

reduzida, as variáveis correspondentes aos pivôs são chamadas variáveis dependentes.
Assim, o método de resolução no Exemplo 9 fornece uma maneira de escrever as soluções de
qualquer sistema linear (desde que existam soluções).
Método de Eliminação Assuma que um sistema de equações lineares tem pelo menos uma solução. Então a solução
de Gauss geral pode ser encontrada na forma paramétrica da seguinte maneira:
Passo 1. Reduza a matriz completa do sistema à forma escalonada reduzida por linhas.
Passo 2. Atribua parâmetros às variáveis livres.
10 Esses passos não estão na ordem especificada pelo algoritmo. Entretanto, o objetivo é levar a matriz à forma escalonada usando
alguma seqüência de operações por linhas. A seqüência estabelecida no algoritmo sempre irá funcionar, mas pode não ser a mais
eficiente.
1* NTT: Também chamadas variáveis livres.
Passo 3. Use as equações correspondentes à forma escalonada reduzida para escrever as

variáveis dependentes em termos dos parâmetros.
Esse procedimento resolve qualquer sistema de equações que tem uma solução. O exemplo a
seguir mostra como o método revela que um sistema não tem solução.
Exemplo 10 No Exemplo 4 foi mostrado diretamente que o sistema

x+y =1
x −z =2
y+z =1
não tem solução. A redução da matriz completa à forma escalonada é a seguinte:
⎡ ⎤ ⎡ ⎤
1 1 0 1 1 1 0 1
⎢ ⎥ ⎢ ⎥
⎢1
⎣ 0 −1 2⎥
⎦ → ⎢0
⎣ −1 −1 1⎥
⎦
0 1 1 1 0 1 1 1
⎡ ⎤
1 1 0 1
⎢ ⎥
→ ⎢0
⎣ 1 1 −1 ⎥
⎦
0 0 0 2
⎡ ⎤
1 1 0 1
⎢ ⎥
→ ⎢0
⎣ 1 1 −1 ⎥
⎦
0 0 0 1
Esta última matriz corresponde a um sistema no qual a última equação é

0x + 0y + 0z = 1.
É claro que nenhuma escolha de x, y e z irá satisfazer essa equação, logo esse último sistema
(e, portanto, o sistema original) não tem solução. Tipicamente é isso o que acontece quando
o sistema não tem solução.
Quando se usa o método de eliminação de Gauss para resolver um sistema grande é mais
eficiente reduzir a matriz completa apenas até a forma escalonada,11 atribuir parâmetros às
variáveis livres, e então calcular as variáveis dependentes fazendo substituição de trás para
frente. Use a última equação para encontrar a última variável dependente em termos dos
parâmetros, substitua esse valor na penúltima equação para calcular a penúltima variável
dependente e assim por diante. Esse método é mais eficiente do que transformar a matriz até
a forma escalonada reduzida, como pode ser confirmado por uma contagem do número de
operações envolvidas (ver na maioria dos livros de análise numérica).
1.2.4 Posto de uma Matriz

Será demonstrado na Seção 1.6 (Teorema 4) que:
A forma escalonada reduzida de uma matriz A é unicamente determinada por A.
Isto é, independentemente de qual série de operações por linha é usada para levar A à
matriz na forma escalonada reduzida, o resultado será sempre o mesmo. Entretanto, a
mesma matriz pode ser levada a diferentes matrizes na forma escalonada. Por exemplo,

1 3 4
se A = , então
2 7 9

1 3 4 1 3 4 1 2 3
A→ e A→
and → .
0 1 1 0 1 1 0 1 1

1 3 4 1 2 3
Portanto A pode ser levada a duas matrizes escalonadas diferentes e
and .
0 1 1 0 1 1
Entretanto mostraremos na Seção 4.4 que:
O número de pivôs deve ser o mesmo, independentemente de como é feito o
escalonamento de A.
Esse número de pivôs é chamado posto da matriz A e é denotado por posto(A).
11 Isso é com freqüência conhecido como algoritmo de Gauss, particularmente em análise numérica.
⎡ ⎤
1 2 −1 3
⎢ ⎥
Exemplo 11 Calcule o posto de A = ⎢ 2
⎣ 1 1 5⎥
⎦.
−1 4 −5 −1
SOLUÇÃO A matriz A é levada à forma escalonada da seguinte maneira:

⎡ ⎤ ⎡ ⎤ ⎡ ⎤
1 2 −1 3 1 2 −1 3 1 2 −1 3
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
A= ⎢ 2
⎣ 1 1 5⎥⎦ → ⎢0
⎣ −3 3 −1 ⎥
⎦ → ⎢0
⎣ 1 −1 1
3
⎥
⎦
−1 4 −5 −1 0 6 −6 2 0 0 0 0
Como há dois pivôs, temos que posto (A) = 2.
A relação entre posto e sistemas de equações lineares é dada no seguinte teorema.
T EOREMA 3 Suponha que um sistema de m equações em n indeterminadas tem pelo menos uma solução.
Se o posto da matriz completa é r, o conjunto de soluções tem exatamente (n − r) parâmetros.
DEMONSTRAÇÃO Reduza a matriz completa do sistema a uma forma escalonada R. Então R tem r pivôs (já que
o posto é r), logo há exatamente r variáveis dependentes. Conseqüentemente, há (n − r)
variáveis livres e a cada uma delas associamos um parâmetro.
O Teorema 3 tem um número surpreendente de conseqüências e será usado várias vezes

no que segue. Vimos exemplos de sistemas sem solução, com uma solução, ou com infinitas
soluções; a primeira aplicação do Teorema 3 é mostrar que essas são as únicas possibilidades.
T EOREMA 4 Para qualquer sistema de equações lineares há exatamente três possibilidades:

(1) Não há solução.
(2) Há uma única solução.
(3) Há infinitas soluções.
DEMONSTRAÇÃO Se existir uma solução, então ou toda variável é uma variável dependente (solução única) ou
há pelo menos uma variável livre (infinitas soluções porque há um parâmetro envolvido).
Como salientado anteriormente, um sistema de equações lineares é chamado consistente

se ele tem pelo menos uma solução. O sistema é dito inconsistente se ele não tiver nenhuma
solução. Assim, um sistema consistente tem ou uma única solução ou infinitas soluções.
Ele não pode ter, digamos, exatamente duas soluções.
A veracidade do Teorema 4 pode ser vista graficamente para um sistema de duas equações
em duas incógnitas x e y. Lembre-se que o gráfico de

uma equação da forma ax + by = c é
s
uma reta, se a e b forem não ambos nulos, e que é uma solução da equação exatamente
t
quando o ponto P(s, t) com coordenadas (s, t) está sobre a reta.
Considere agora um sistema
a1x + b1y = c1
(∗∗)
a2x + b2y = c2
Os gráficos dessas equações são duas retas, L1 e L2 desde que a1 e b1 sejam não ambos nulos,
e que a2 e b2 sejam não ambos nulos. Geometricamente, aqui estão três possibilidades para
essas duas retas (ilustradas na Figura 1.1):
(1) As retas são paralelas e distintas O sistema (∗∗) não tem solução porque não há ponto
comum às duas retas
(2) As retas não são paralelas O sistema (∗∗) tem uma única solução que
corresponde ao ponto de intersecção das retas
(3) As retas são coincidentes O sistema (∗∗) tem infinitas soluções, uma para
cada ponto sobre a reta comum.
Claramente essas três possibilidades correspondem àquelas no Teorema 4.
Y L1 Y Y
L1 L2 L1 = L2
L2
Sem Uma Única Infinitas

Solução Solução Soluções
0 X 0 X 0 X
(1) (2) (3)
Figura 1.1
O gráfico de uma equação ax + by + cz = d é um plano no espaço se a, b e c forem não

todos nulos (isso será discutido com detalhes na Seção 3.3). Logo, um sistema com 2
equações e 3 incógnitas pode ou não ter soluções (os planos são paralelos) ou ter infinitas
soluções (os planos coincidem ou se interceptam em uma reta). Uma solução única não é
possível nesse caso. Isso ilustra o Teorema 3 já que há n = 3 indeterminadas e a matriz
completa tem posto r ≤ 2 (porque há duas equações), logo n − r ≥ 3 − 2 = 1, que
corresponde ao número de parâmetros.
Um argumento gráfico similar pode ser dado para ver que um sistema com três equações
em três indeterminadas tem que ter ou nenhuma, ou uma, ou infinitas soluções, como no
Teorema 4. Entretanto, o argumento geométrico falha para sistemas com mais que três
incógnitas, e temos que confiar no Teorema 4.
Exercícios 1.2
1. Em cada caso mostre que a matriz coluna X é uma solução 4. Para cada um dos seguintes sistemas de equações lineares,
ao sistema de equações lineares dado; se ela tiver parâmetros escreva a matriz completa associada, efetue operações
s e t, mostre que X é uma solução para todos os possíveis elementares com as linhas para reduzi-la à forma escalonada
valores desses parâmetros. reduzida e resolva o sistema dado usando esse resultado.
a) x1 − 2x2 + 3x3 + x4 = −3 Para um processo metódico na redução à forma escalonada,
2x1 − x2 + 3x3 − x4 = 0 siga o algoritmo de Gauss.
X = [1 2 0 0]T a) 3x1 − x2 = 4 b) 2x1 − 3x2 = 4
X = [1 4 1 1]T 2x1 − 12 x2 = 1 x1 − 3x2 = 1
X = [−s + t + 1 s + t + 2 s t]T c) x1 + x2 − x3 = 1 d) 2x1 + 2x2 − 3x3 = 1
b) x1 − 2x2 + 3x3 − 3x4 = 2 3x1 − x2 + x3 = 0 x1 + x3 = 5
2x1 − x2 + 3x3 =1 x1 − 3x2 + 3x3 = −2 3x1 + 4x2 − 7x3 = −3
−x1 − 4x2 + 3x3 − 9x4 = 4 e) x1 − 2x2 + 2x3 = 4 f) 4x1 + x2 − 8x3 = 1
2x1 − 7x2 + 9x3 − 12x4 = 7 −2x1 + x2 + x3 = 1 3x1 − 2x2 + 3x3 = 5
X = [−2 −2 1 1]T x1 − 5x2 + 7x3 = −1 −x1 + 8x2 − 25x3 = −3
X = [−3 −1 2 1]T g) x1 − 3x2 + x3 + x4 − x5 = 8
X = [−s − t −1 + s − 2t s t]T −2x1 + 6x2 + x3 − 2x4 − 4x5 = −1
2. Descreva cada uma das seguintes expressões com suas
3x1 − 9x2 + 8x3 + 4x4 − 13x5 = 49
próprias palavras: uma equação linear, uma solução de uma h) x1 − 2x2 + x3 + 3x4 − x5 = 1
equação linear, um sistema de equações lineares, e uma −3x1 + 6x2 − 4x3 − 9x4 + 3x5 = −1
solução de um sistema de equações lineares. −x1 + 2x2 − 2x3 − 4x4 − 3x5 = 3
3. Em cada caso, transforme a matriz dada em sua forma x1 − 2x2 + 2x3 + 2x4 − 5x5 = 1
escalonada reduzida. Para que o processo seja metódico, siga 5. Descreva, com suas próprias palavras, um algoritmo que irá
o algoritmo
⎡
de Gauss. ⎤ ⎡ ⎤
resolver um sistema de equações lineares para você.
3 −1 2 1 2 1 1 −1 3 1 3 2 1
⎢ ⎥ ⎢ ⎥ 6. Em cada um dos sistemas lineares dados no Exercício 4,
⎢ −4 −2 2⎥ ⎢ −1 −2 −5 −1 ⎥
⎢ 1 2 7 ⎥ ⎢ 6 1 0 ⎥ calcule o posto da matriz completa correspondente e
a) ⎢ ⎥ b) ⎢ ⎥
⎢ 2 −2 4 3 7 1⎥ ⎢ 2 3 −9 2 4 1 −1 ⎥
⎣ ⎦ ⎣ ⎦ encontre uma conexão entre o número de incógnitas, o
0 3 −6 1 6 4 1 1 −3 −1 3 0 1 número de soluções e o número de parâmetros na solução.
7. Se um sistema de 5 equações e 7 incógnitas tem uma solução, 13. Um homem precisa tomar 5 unidades de vitamina A, 13
explique por que há mais que uma solução. unidades de vitamina B, e 23 unidades de vitamina C por dia.
Três marcas de vitaminas em comprimidos estão disponíveis
8. Considere o sistema ax = b de uma equação e uma incógnita.
e o número de unidades de cada vitamina por comprimido é
Determine condições sobre a e b de modo que o sistema dado na tabela.
tenha nenhuma solução, uma única solução, ou infinitas
soluções. Vitamina A Vitamina B Vitamina C
Marca 1 1 2 4
9. Em cada caso, encontre (se possível) condições sobre os
números a, b e c para que o sistema dado tenha nenhuma Marca 2 1 1 3
solução, uma única solução, ou infinitas soluções. Marca 3 0 1 1
a) 2x1 − 3x2 − 3x3 = a b) x1 − 2x2 + 2x3 = a a) Encontre todas as combinações de comprimidos que
−x1 + x2 + 2x3 = b −2x1 + x2 + x3 = b fornecem a necessidade diária exata (apenas comprimidos
x1 − 3x2 =c x1 − 5x2 + 7x3 = c inteiros).
c) x1 + ax2 = 1 d) ax1 + x2 = −1 b) Se as marcas 1, 2 e 3 custam respectivamente $ 0,90, $ 0,60
bx1 + 2x2 = 5 2x1 + x2 = b e $ 1,50 por comprimido, encontre o tratamento menos
⎡ ⎤ caro.
1 −2 0 3
⎢ ⎥
10. Seja A = ⎢ −4
⎣ 1 5 −2 ⎥
⎦. Mostre que A e AT têm o mesmo 14. Em cada caso, ou demonstre que a afirmação é verdadeira ou
−1 −5 5 7 dê um exemplo mostrando que ela é falsa. Assuma que é
posto. [Observação: Veremos na Seção 4.4 que isso é dado um sistema de equações com matriz completa A, matriz
verdadeiro para toda matriz A.] dos coeficientes C e forma escalonada reduzida (da matriz
completa) igual a R.
11. Descreva, com suas próprias palavras, um algoritmo que irá
a) A e R têm o mesmo tamanho.
calcular o posto de uma matriz. b) Se R tem uma linha de zeros, há infinitas soluções (para o
12. Quatro ruas de mão única 60 sistema).
desembocam em uma praça c) Se o sistema tem mais de uma solução, R deve ter uma
f4 f3 linha de zeros.
circular como no diagrama,
em que os fluxos do tráfego d) Se o sistema tem uma solução, existem infinitas soluções.
70 50
são medidos em carros por e) Se o sistema tem mais incógnitas que equações, então tem
minuto. Para projetar as infinitas soluções.
ruas, os engenheiros devem f) Se toda linha de R tem um pivô, o sistema tem pelo
f1 f2
determinar os fluxos menos uma solução.
f1, f2, f3, e f4 marcados no 60 g) Se o sistema tem uma solução, então posto(A) = posto(C).
círculo. Use o fato que o h) posto(C) ≤ posto(A).
fluxo de carros que entram em qualquer um dos cruzamentos i) posto(A) ≤ 1 + posto(C).
deve ser igual ao fluxo de carros que saem daquele j) Se A tem tamanho m × n e posto(A) = m, então o sistema
cruzamento, para obter quatro equações que relacionam esses é consistente.
fluxos. Resolva as equações e expresse f1, f2, e f3 em termos de
f4. Qual parte do círculo irá carregar a maior parte do tráfego?
1.3 Sistemas Homogêneos 21
1.3 SISTEMAS HOMOGÊNEOS
Nesta seção, vamos nos concentrar em uma classe particular de sistemas de equações
lineares, a saber, os sistemas em que o termo constante de cada equação é igual a 0.
1.3.1 Sistemas Homogêneos

Um sistema de equações lineares é denominado homogêneo se todos os termos
constantes forem nulos. Assim, uma equação linear homogênea típica, em n indeterminadas
x1, x2, · · · , xn tem a forma
a1x1 + a2x2 + · · · + anxn = 0.
Como os termos constantes são todos nulos, qualquer sistema homogêneo admite sempre a
solução trivial
x1 = 0, x2 = 0, · · · , xn = 0
em que toda variável é igual a zero. Muitos problemas práticos se resumem em descobrir se
um sistema homogêneo tem alguma solução não-trivial, ou seja, uma solução em que pelo
menos uma das variáveis é diferente de zero. O teorema a seguir apresenta uma situação
importante em que isso certamente ocorre.
T EOREMA 1 Se um sistema de equações lineares homogêneo tem mais incógnitas que equações, então ele
admite uma solução não-trivial.
DEMONSTRAÇÃO Suponha que existam m equações em n incógnitas, de forma que nossa hipótese é que
n > m. Se r é o posto da matriz completa, então r ≤ m porque o número r de pivôs não
pode exceder o número m de equações. Portanto, r ≤ m < n, donde r < n. Pelo Teorema 3
da Seção 1.2, isso significa que o número n − r de parâmetros é não-nulo. Então existem
(infinitas) soluções não-triviais.
A existência de uma solução não-trivial é freqüentemente o resultado desejado para um

sistema homogêneo. O exemplo a seguir fornece uma ilustração de como o Teorema 1 pode
ser usado em geometria.
Exemplo 1 O gráfico de uma equação ax2 + bxy + cy2 + dx + ey + f = 0 é chamada cônica se a, b e c

forem não todos nulos. (Circunferências, elipses, hipérboles e parábolas são exemplos de
cônicas.) Mostre que há pelo menos uma cônica que passa por quaisquer cinco pontos
fixados no plano que não estejam alinhados.
SOLUÇÃO Suponha que as coordenadas dos cinco pontos sejam (p1, q1), (p2, q2), (p3, q3), (p4, q4),e
(p5, q5). O gráfico da equação ax2 + bxy + cy2 + dx + ey + f = 0 passa pelo ponto (pi, qi) se
ap2i + bpiqi + cq2i + dpi + eqi + f = 0
Como há cinco pontos, temos cinco equações lineares homogêneas nas seis incógnitas
a, b, c, d, e e f. Conseqüentemente, há uma solução não-trivial, pelo Teorema 1. Se nessa
solução ocorrer a = b = c = 0, então todos os cinco pontos estão sobre a reta de equação
dx + ey + f = 0, contrário às nossas suposições. Por essa razão, a, b ou c é não-nulo e temos
uma cônica.
1.3.2 Soluções Básicas

Claramente, o método de eliminação de Gauss também funciona para sistemas homogêneos.
Na verdade, ele fornece um modo de escrever as soluções de modo conveniente, que será
necessário mais adiante.
Exemplo 2 Resolva o seguinte sistema homogêneo:

x1 − 2x2 + x3 + x4 = 0
−x1 + 2x2 + x4 = 0
2x1 − 4x2 + x3 =0
e expresse as soluções como somas de múltiplos escalares de soluções específicas.
SOLUÇÃO A matriz completa é reduzida da seguinte maneira:

⎡ ⎤ ⎡ ⎤
1 −2 1 1 0 1 −2 1 1 0
⎢ ⎥ ⎢ ⎥
⎢ −1
⎣ 2 0 1 0⎥⎦ → ⎢0
⎣ 0 1 2 0⎥
⎦
2 −4 1 0 0 0 0 −1 −2 0
⎡ ⎤
1 −2 0 −1 0
⎢ ⎥
→ ⎢0
⎣ 0 1 2 0⎥
⎦
0 0 0 0 0
Por essa razão, as variáveis dependentes são x1 e x3, e as variáveis livres x2 e x4 tornam-se
parâmetros: x2 = s e x4 = t. Assim, as equações no sistema final determinam as variáveis
dependentes em termos dos parâmetros:
x1 = 2s + t ande x3 = −2t
Isso significa que a solução geral é X = [2s + t s − 2t t]T . A nova idéia agora é separar
esse resultado em parcelas, de modo que em cada uma apareça apenas um dos parâmetros
s ou t:
⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤
2s + t 2s t 2 1
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢ s ⎥ ⎢ s⎥ ⎢ 0⎥ ⎢1⎥ ⎢ 0⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
X=⎢ ⎢ −2t ⎥
⎥ = ⎢ ⎥+⎢
⎢ 0⎥
⎥ = s⎢ ⎥ + t ⎢ ⎥
⎢ −2t ⎥ ⎢0⎥ ⎢ −2 ⎥
⎣ ⎦ ⎣ ⎦ ⎣ ⎦ ⎣ ⎦ ⎣ ⎦
t 0 t 0 1
⎡ ⎤ ⎡ ⎤
2 1
⎢ ⎥ ⎢ ⎥
⎢1⎥ ⎢ 0⎥
⎢ ⎥ ⎢ ⎥
Assim, X1 = ⎢ ⎥
⎢0⎥
e X2 = ⎢ ⎥ são soluções particulares, e a solução geral
⎢ −2 ⎥
X tem
⎣ ⎦ ⎣ ⎦
0 1
a forma X = sX1 + tX2.
As soluções particulares X1 e X2 no Exemplo 2 são chamadas soluções básicas do sistema

homogêneo. Elas têm a propriedade que toda solução X é da forma
X = sX1 + tX2 onde s e t são números arbitrários.
Esse fato acontece em todo sistema homogêneo.
Para descrever a situação geral, a seguinte terminologia será útil: se X1, X2, · · · , Xk são
colunas, uma expressão da forma
s1X1 + s2X2 + . . . + skXk onde s1, s2, · · · , sk são números arbitários
é chamada combinação linear das colunas X1, X2, · · · , Xk. Dado qualquer sistema de
equações lineares homogêneo, um cálculo como o feito no Exemplo 2 resulta na expressão
de toda solução do sistema como uma combinação linear de certas soluções particulares.
Essas soluções particulares são chamadas soluções básicas produzidas pelo algoritmo de
Gauss. (É claro que o sistema pode ter apenas a solução trivial; nesse caso, dizemos que o
sistema não tem soluções básicas.)
1.3 Sistemas Homogêneos 23
T EOREMA 2 Suponha que seja dado um sistema homogêneo de equações lineares com n incógnitas.
Assuma que o posto da matriz completa seja r. Então:
(1) O algoritmo de Gauss produz exatamente n − r soluções básicas.
(2) Toda solução do sistema é combinação linear dessas soluções básicas.
DEMONSTRAÇÃO Já observamos que toda solução é uma combinação linear das soluções básicas produzidas
pelo algoritmo de Gauss. Pelo Teorema 3 da Seção1.2 há exatamente n − r parâmetros na
solução geral e, portanto, há exatamente n − r soluções básicas (uma para cada parâmetro).
Exemplo 3 Encontre soluções básicas para o seguinte sistema homogêneo e compare o resultado com o
Teorema 2:
x1 − 2x2 + 4x3 − x4 + 5x6 = 0
−2x1 + 4x2 − 7x3 + x4 + 2x5 − 8x6 = 0
3x1 − 6x2 + 12x3 − 3x4 + x5 + 15x6 = 0
2x1 − 4x2 + 9x3 − 3x4 + 3x5 + 12x6 = 0
SOLUÇÃO A redução da matriz completa à forma escalonada pode ser feita da seguinte maneira:
⎡ ⎤ ⎡ ⎤
1 −2 4 −1 0 5 0 1 −2 4 −1 0 5 0
⎢ ⎥ ⎢ ⎥
⎢ −2 −7 −8 0⎥ ⎢0 −1 0⎥
⎢ 4 1 2 ⎥ ⎢ 0 1 2 2 ⎥
⎢
⎢ 3
⎥ → ⎢ ⎥
⎣ −6 12 −3 1 15 0⎥⎦
⎢0
⎣ 0 0 0 1 0 0⎥⎦
2 −4 9 −3 3 12 0 0 0 1 −1 3 2 0
⎡ ⎤
1 −2 0 3 0 −3 0
⎢ ⎥
⎢0 −1 0⎥
⎢ 0 1 0 2 ⎥
→ ⎢
⎢0
⎥
⎣ 0 0 0 1 0 0⎥⎦
0 0 0 0 0 0 0
Assim, as variáveis livres são interpretadas como parâmetros: x2 = s, x4 = t,e x6 = u. Então,

as equações fornecem os valores das variáveis dependentes: x1 = 2s − 3t + 3u, x3 = t − 2u,
e x5 = 0. Portanto, a solução geral X é
⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤
x1 2s − 3t + 3u 2 −3 3
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢ x2 ⎥ ⎢ s ⎥ ⎢1⎥ ⎢ 0⎥ ⎢ 0⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢ x3 ⎥ ⎢ t − 2u ⎥ ⎢0⎥ ⎢ 1⎥ ⎢ −2 ⎥
X= ⎢ ⎥
⎢ ⎥ = ⎢
⎢
⎥
⎥ = s⎢
⎢ ⎥
⎥ + t⎢
⎢
⎥
⎥ + u⎢
⎢ ⎥
⎥
⎢ x4 ⎥ ⎢ t ⎥ ⎢0⎥ ⎢ 1⎥ ⎢ 0⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎣ x5 ⎦ ⎣ 0 ⎦ ⎣0⎦ ⎣ 0⎦ ⎣ 0⎦
x6 u 0 0 1
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
2 −3 3
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢1⎥ ⎢ 0⎥ ⎢ 0⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢0⎥ ⎢ 1⎥ ⎢ −2 ⎥
e as soluções básicas são X1 = ⎢ ⎥,
⎢ ⎥ X2 = ⎢
⎢
⎥
⎥ e X3 = ⎢ ⎥.
⎢ ⎥
⎢0⎥ ⎢ 1⎥ ⎢ 0⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎣0⎦ ⎣ 0⎦ ⎣ 0⎦
0 0 1
Concluímos que há três soluções básicas, o que está de acordo com o Teorema 2 porque o
posto da matriz completa é r = 3 e há n = 6 incógnitas.
As soluções básicas de um sistema homogêneo de equações lineares são úteis porque elas
dão uma descrição fácil de todas as soluções: basta tomar todas as combinações lineares.
Entretanto, as soluções básicas têm outros usos, como veremos na Seção 2.3 quando as
usarmos para estudar diagonalização, umas das técnicas mais úteis da álgebra linear.
Concluímos com um exemplo que aplica equações homogêneas ao balanceamento de
reações químicas.
Exemplo 4 Uma reação química é um rearranjo de moléculas para formar novas substâncias químicas,
em que reagentes são transformados em produtos. Por exemplo, 2Na + Cl2 → 2NaCl
representa a reação de duas moléculas de sódio e uma de cloro para produzir duas moléculas
de cloreto de sódio (sal de cozinha). Essa reação é balanceada no sentido que o número de
átomos de cada elemento em um lado da reação é o mesmo que o número de átomos no
outro lado. Como outra ilustração, considere a combustão do metano:
Metano (CH4) + Oxigênio (O2) → Dióxido de Carbono (CO2) + Água (H2O).
Para balancear essa reação, denote respectivamente por x, y, z e w o número de moléculas de
metano, oxigênio, dióxido de carbono, e água que devem estar na reação. Assim, a reação
pode ser representada por
xCH4 + yO2 → zCO2 + wH2O.
O número de átomos de cada elemento em cada lado da reação deve ser o mesmo, fornecendo
as equações x = z (para balancear C), 4x = 2w (para balancear H) e 2y = 2z + w (para
balancear O). Essas equações podem ser escritas como um sistema linear homogêneo
x − z =0
4x − 2w = 0
2y − 2z − w = 0
e a solução geral é X = [t 2t t 2t]T , onde t é arbitrário. Como x, y, z e w devem ser
inteiros positivos, a escolha t = 1 fornece uma solução: x = z = 1 e y = w = 2.
Logo, a reação balanceada é
CH4 + 2O2 → CO2 + 2H2O.
Exercícios 1.3
1. Em cada caso, considere o sistema de equações homogêneo c) Quantos parâmetros o sistema pode ter, se uma linha de A
que tem a matriz dada como matriz dos coeficientes, é um múltiplo de uma outra linha? Justifique sua resposta.
encontre as soluções básicas do sistema, e expresse a solução d) Quantos parâmetros o sistema pode ter, se posto(A) = 4?
geral como combinação linear dessas soluções básicas. Justifique sua resposta.
⎡ ⎤ ⎡ ⎤
⎢
1 2 3
⎥ ⎢
1 2 3
⎥
e) Quantos parâmetros o sistema pode ter, se posto(A) = 2?
a) ⎢ −1 0⎥ b) ⎢ −1 0⎥
⎣ 3 ⎦ ⎣ 3 ⎦ Justifique sua resposta.
−1 8 3 1 8 3
⎡ ⎤ ⎡ ⎤ 5. Mostre que a recíproca do Teorema 1 não é verdadeira. Isto é,
1 3 −2 −1 1 −2 0 3 mostre que se um sistema homogêneo possui uma solução
⎢ ⎥ ⎢ ⎥
c) ⎢ −2 1 0 4⎥ d) ⎢ −3 6 1 −4 ⎥
⎣ ⎦ ⎣ ⎦ não-trivial, ele pode não ter mais incógnitas que equações.
1 10 −6 1 2 −4 −1 1
⎡ ⎤ 6. Se um sistema tem mais equações que incógnitas, ele pode ter
1 2 0
⎢ ⎥ uma única solução? Justifique sua resposta.
⎢2 3 −1 ⎥
⎢ ⎥ −1 −3
⎢ ⎥ 2 6 0 7 7. Em cada caso, ou demonstre que a afirmação é verdadeira, ou
e) ⎢3 4 −2 ⎥ f)
⎢ ⎥ −3 1 3 −5 1 4
⎢ ⎥ dê um exemplo mostrando que ela é falsa. Assuma que é
⎣1 3 1⎦
6 9 −3 ⎡ ⎤ dado um sistema de equações com matriz completa A e
⎡ ⎤ 1 1 −2 3 2
1 2 1 −1 3 ⎢ ⎥ forma escalonada reduzida R.
⎢ ⎥ ⎢ 2 −1 1⎥
⎢1 ⎢ 3 4 ⎥ a) Se o sistema é homogêneo, toda solução é trivial.
g) ⎣ 2 2 1 2⎥⎦ h) ⎢ ⎥
⎢ −1 −2 3 0 1⎥
⎣ ⎦ b) Se o sistema possui uma solução não-trivial, ele não pode
2 4 2 −1 7
3 0 1 7 3 ser homogêneo.
2. Encontre uma reação balanceada para as seguintes reações c) Se o sistema possui uma solução trivial, ele deve ser
químicas: homogêneo.
a) Amônia (NH3) + Óxido de Cobre (CuO) d) Se o sistema é homogêneo e possui uma solução
→ Nitrogênio (N2) + Cobre (Cu) + Água (H2O). não-trivial, R tem uma linha de zeros.
b) Octano (C8H18) + Oxigênio (O2) e) Se o sistema é homogêneo e possui uma solução
→ Dióxido de Carbono (CO2) + Água (H2O). não-trivial, então ele tem infinitas soluções não-triviais.
3. Explique a diferença entre sistema geral e homogêneo de f) Se um sistema é homogêneo e R têm uma linha de zeros,
equações, e quais são as implicações para as soluções. existem soluções não-triviais.
g) Se A é uma matriz m × n e de posto(A) = m, o sistema
4. Suponha que um sistema homogêneo tenha 4 equações e 6
têm apenas a solução trivial.
incógnitas e seja A sua matriz completa.
a) Pode o sistema ter uma única solução? Nenhuma solução? 8. Para um sistema homogêneo que tem C como matriz dos
Justifique sua resposta. coeficientes e A como matriz completa, mostre que posto(A)
b) Quantos parâmetros o sistema pode ter? Justifique sua = posto(C).
resposta.
1.4 Produto de Matrizes 25
1.4 PRODUTO DE MATRIZES
Além das operações na Seção 1.1, existe uma outra operação pela qual certas matrizes
podem ser multiplicadas entre si resultando uma nova matriz. Ela é útil para resolução de
sistemas de equações lineares, além de possuir também outras aplicações. Começamos com
um exemplo que mostra como produtos de matrizes aparecem em um contexto comercial.
1.4.1 Produto de Matrizes

Exemplo 1 Uma loja vende torradeiras de duas marcas, a marca X e a marca Y. O gerente tem as
seguintes duas matrizes de dados em mãos, a primeira fornecendo os volumes de vendas
de três meses e a segunda, o preço de varejo e o custo para o vendedor (em dólares):
X Y
⎡ ⎤ Varejo Cost
Retail Custo
Jan
Jan. 11 9
⎢ ⎥ X 29 22
Feb ⎢
Fev. ⎣ 10 7⎥⎦ e
Y 31 26
Mar 14
Mar. 8
O gerente quer um método sistemático de calcular a nova matriz

Varejo
⎡ CostCusto
Retail ⎤
Jan
Jan. 598 476
⎢ ⎥
Feb ⎢
Fev. ⎣ 507 402 ⎦
⎥
Mar 654 516

Mar.
com o total das vendas e os custos nos três meses. Por exemplo, para janeiro, o valor total do
varejo foi
598 = 11 · 29 + 9 · 31
porque foram vendidas 11 torradeiras da marca X a $ 29 cada uma, e 9 torradeiras da marca
Y a $ 31 cada uma. Isso fornece o elemento 598 na posição (1, 1) da nova matriz. Observe
que esse elemento pode ser calculado diretamente das primeiras duas matrizes seguindo a

29
primeira linha [11 9]da matriz à esquerda e a primeira coluna da matriz à direita,
31
multiplicando os elementos correspondentes e somando os resultados. Essa operação é
chamada produto escalar da linha pela coluna em questão. Analogamente, o elemento
516 na posição (3, 2) da nova matriz é obtido com o produto escalar da linha 3 da matriz
à esquerda pela coluna 2 da matriz à direita:
516 = 14 · 22 + 8 · 26
Todo elemento da nova matriz é calculado do mesmo modo: o elemento (i, j) da nova
matriz é o produto escalar da linha i da matriz à esquerda e pela coluna j da matriz à direita.
O cálculo feito no Exemplo 1 é um caso especial de multiplicação de matrizes.

Para descrevê-lo, usamos a seguinte terminologia: se R = [r1 r2 · · · rn] é uma matriz linha
e C = [c1 c2 · · · cn]T é uma matriz coluna, cada uma com n elementos, definimos seu
produto escalar como o número
r1c1 + r2c2 + · · · + rncn.
Em outras palavras, o produto escalar de R por C é formado fazendo-se os produtos dos
elementos correspondentes e somando-se o resultado. Como no Exemplo 1, isso leva a uma
forma de multiplicação de duas matrizes:
O produto de uma matriz A de tamanho m × n por uma matriz B de tamanho
n × p é a matriz AB, de tamanho m × p, cujo elemento (i, j) é o produto escalar
da linha i de A pela coluna j de B.
Assim, calcular o elemento (i, j) do produto AB significa ir para a direita pela linha i de A e
para baixo na coluna j de B multiplicando os elementos correspondentes, e somar os
resultados. Isso é ilustrado na Figura 1.2.
A B AB
elemento (i, j)
=
linha i
coluna j
Figura 1.2
Exemplo 2 Aqui estão alguns exemplos de produtos de matrizes.
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
5 1 5•2+1•0 5(−1) + 1 • 3 10 −2
⎢ ⎥ 2 −1 ⎢ ⎥ ⎢ ⎥
⎢ 7
⎣ 6⎥⎦ =⎢⎣ 7•2+6•0 7(−1) + 6 • 3 ⎥ ⎦ = ⎣ 14
⎢ 11 ⎥
⎦
0 3
−4 9 (−4)2 + 9 • 0 (−4)(−1) + 9 • 3 −8 31
⎡ ⎤
⎢ 5 7
⎥
p q r ⎢⎣ −3 9⎥⎦ = 5p − 3q + 2r 7p + 9q − 5r
2 −5
⎡ ⎤
x
2 7 −5 ⎢ ⎥
⎢ y ⎥ = 2x + 7y − 5z
⎣ ⎦
3 0 1 3x + z
z
Observe que nem sempre é possível definir o produto AB; é necessário que as linhas de A
tenham o mesmo comprimento que as colunas de B (para que os produtos escalares possam
ser calculados). A seguinte regra é útil para lembrar quando AB pode ser definido e qual o
tamanho de AB quando A tem tamanho m × n e B tem tamanho n′ × p:
A B
m × n n′ × p
O produto AB está definido se e somente se n = n′ e, nesse caso, a matriz AB tem

tamanho m × p.
Quando essas condições são satisfeitas, dizemos que A e B são compatíveis para o produto.
Sempre que escrevermos um produto de matrizes AB estará implícito que é esse o caso.
O próximo exemplo mostra que o produto de matrizes tem propriedades não
encontradas na aritmética numérica. Se A é uma matriz quadrada, escrevemos as potências
de A da mesma forma que para números:
A2 = AA
A3 = AAA etc.
Exemplo 3 Mostre que o seguinte pode ocorrer para as matrizes A e B de tamanho 2 × 2.
(1) A2 = 0 embora sendo A ≠ 0.
(2) AB ≠ BA.

0 1 1 0 0 1 0 1 0 0
SOLUÇÃO Sendo A = eB = . Então A2 = = = 0, mesmo sendo A ≠ 0.
0 0 0 0 0 0 0 0 0 0

0 1 1 0 1 0 0 1
Além disso, AB = = 0 enquanto BA = = A.
0 0 0 0 0 0 0 0
Portanto, AB ≠ BA.
Dizemos que duas matrizes A e B comutam se AB = BA. O Exemplo 3 exibe duas

matrizes que não comutam. Na verdade, comutatividade é relativamente rara: dadas duas
matrizes, as maiores chances são de que elas não comutem.

1 1
Exemplo 4 Sendo B = , encontre todas as matrizes A de tamanho 2 × 2 que comutam com B.
0 0

x y
SOLUÇÃO A condição sobre A é que AB = BA. Se escrevermos A = , essa condição, em termos
z w
dos elementos, torna-se
x y 1 1 1 1 x y
= ,
z w 0 0 0 0 z w
isto é,

x x x+z y+w
= .
z z 0 0
Igualando os elementos correspondentes, temos z = 0 e x = y + w. Logo, A deve ser da forma

y+w y
A= onde y e w são números arbitrários.
0 w
1.4.2 Propriedades do Produto de Matrizes

O Exemplo 3 mostra que a aritmética das matrizes é diferente da aritmética numérica
comum em fatos básicos. Em contrapartida, muitas analogias acontecem (como foi visto
para a adição de matrizes, conforme o Teorema 1 da Seção1.1).
O número 1 tem a propriedade que 1 · a = a = a · 1, para todo número a. Um papel
análogo é desempenhado para o produto de matrizes pelas matrizes quadradas do seguinte
tipo:
⎡ ⎤
⎡ ⎤ 1 0 0 0
1 0 0 ⎢ ⎥
⎢ ⎥ ⎢0 0⎥
1 0 ⎢ 1 0 ⎥
I2 = I3 = ⎢0
⎣ 1 0⎥
⎦ I4 = ⎢
⎢0
⎥ etc.
0 1 ⎣ 0 1 0⎥⎦
0 0 1
0 0 0 1
Generalizando, a matriz identidade In é a matriz quadrada de tamanho n × n que tem 1s
na diagonal principal e zeros fora dela. Ela é freqüentemente denotada por I apenas,
quando não houver risco de confusão. É fácil verificar que as matrizes identidade gozam
das propriedades
IA = A and e BI = B
sempre que os produtos estiverem definidos. Esses são os primeiros dos seguintes fatos
importantes sobre produto de matrizes.
T EOREMA 1 Seja c um escalar e sejam A, B e C matrizes de tamanhos que permitam que os produtos
abaixo sejam realizados. Valem as seguintes propriedades:
(1) IA = A e BI = B.
(2) A(BC) = (AB)C.
(3) A(B + C) = AB + AC e A(B − C) = AB − AC.
(4) (B + C)A = BA + CA e (B − C)A = BA − CA.
(5) c(AB) = (cA)B = A(cB).
(6) (AB)T = BT AT .
As demonstrações dessas propriedades são rotineiras e serão feitas no final desta seção.
A propriedade A(BC) = (AB)C é chamada propriedade associativa do produto de

matrizes. Ela garante que o produto de três matrizes A, B e C (nessa ordem) é o mesmo,
independentemente de como é feito e por isso é denotado simplesmente por ABC.
Analogamente, o produto ABCD de quatro matrizes pode ser calculado de várias maneiras
(por exemplo, A[B(CD)], (AB)(CD), [A(BC)]D etc.). Contudo, a propriedade associativa
mostra que eles serão sempre iguais, e por isso são escritos simplesmente como ABCD.
Observações análogas se aplicam ao produto de cinco ou mais matrizes.
Uma nota de advertência é necessária aqui. O fato que AB e BA podem não ser iguais
(ver Exemplo 3) significa que a ordem em um produto de matrizes é importante.
Por exemplo, os produtos ADCB e ABCD podem não ser iguais.
Alerta Se a ordem dos fatores em um produto de matrizes é alterada, a matriz produto pode mudar
(ou pode não existir.)
O esquecimento desse fato é fonte de muitos erros pelos estudantes de álgebra linear! Por
exemplo, quando multiplicamos os dois lados de uma equação matricial
B=C
por uma matriz A, devemos tomar cuidado para multiplicar B e C por A pelo mesmo lado. Por
isso falamos em multiplicação à esquerda por A, para obtermos AB = AC, e multiplicação à
direita por A se quisermos obter BA = CA. 12 O próximo exemplo ilustra como isso é usado.
Exemplo 5 Se A, B e C são matrizes tais que AB = I e CA = I, mostre que B = C.

SOLUÇÃO Multiplique os dois lados da equação I = AB à esquerda por C e use as partes (1) e (2)
do Teorema 1 para obter
C = CI = C(AB) = (CA)B = IB = B.
As propriedades (3) e (4) do Teorema 1 são chamadas propriedades distributivas. Elas se

estendem a somas com mais de duas parcelas e, combinadas com a propriedade (5),
permitem manipulações algébricas muito parecidas com as feitas em aritmética numérica.
Por exemplo:
A(2B − C + 3D) = 2AB − AC + 3AD
(A + 2C − 3E + 5D)B = AB + 2CB − 3EB + 5DB
Observe que o alerta continua valendo: a ordem de cada produto aqui não pode ser alterada.
Exemplo 6 Simplifique a expressão

A(BC − 2CD) + A(2C − B)D + (BA − AB)C.
SOLUÇÃO Usamos as propriedades no Teorema 1 e as propriedades distributivas estendidas
A(BC − 2CD) + A(2C − B)D + (BA − AB)C
= ABC − 2ACD + 2ACD − ABD + BAC − ABC
= BAC − ABD.
Recorde que duas matrizes A e B comutam se AB = BA. Muitas fórmulas que são válidas
para números não o são para matrizes não-comutativas. Por exemplo, a conhecida fórmula
da “diferença de quadrados” a2 − b2 = (a − b)(a + b) da aritmética pode não valer para
matrizes; tudo depende do fato das matrizes comutarem.
Exemplo 7 Sejam A e B matrizes n × n.

(a) Se AB = BA, mostre que A2 − B2 = (A − B)(A + B).
(b) Se A2 − B2 = (A − B)(A + B), mostre que necessariamente AB = BA
SOLUÇÃO A propriedade distributiva nos dá
(A − B)(A + B) = A(A + B) − B(A + B) = A2 + AB − BA − B2. (∗)
Isso vale independentemente de se ter AB = BA e, portanto, é útil tanto em (a) quanto em (b).
(a) Se AB = BA, o lado direito da equação (∗) é igual a A2 − B2, provando (a).
(b) Se A2 − B2 = (A − B)(A + B), a equação (∗) pode ser reescrita como
A2 − B2 = A2 + AB − BA − B2. Subtraindo-se A2 − B2 de ambos os lados, temos
0 = AB – BA e, portanto, AB = BA. Isso demonstra (b).
12 É muito importante perceber que pode ocorrer a igualdade AB = CA mesmo se B = C.

Recorde que uma matriz A é dita simétrica se AT = A, sendo AT a transposta de A.
Exemplo 8 Se A e B são matrizes simétricas tais que AB = BA, mostre que AB também é simétrica.
SOLUÇÃO Sabemos que AT = A e BT = B. Calcule a transposta de AB usando a parte (6) do Teorema 1:

(AB)T = BT AT = BA.
Como sabemos que AB = BA, temos (AB)T = AB; ou seja, AB é simétrica.
1.4.3 Produto de Matrizes e Equações Lineares

Uma das motivações mais importantes do produto de matrizes é o estudo dos sistemas
lineares iniciado na Seção 1.2. Considere o seguinte sistema de três equações lineares em
quatro incógnitas:
x1 − 2x2 + 2x3 − x4 = 1
2x1 − 4x2 + 3x3 + x4 = 3
3x1 − 6x2 + 5x3 =4
Esse sistema pode ser escrito como uma única equação matricial
⎡ ⎤ ⎡ ⎤
x1 − 2x2 + 2x3 − x4 1
⎢ ⎥ ⎢ ⎥
⎢ 2x
⎣ 1 − 4x2 + 3x3 + x4 ⎥
⎦ = ⎢ 3 ⎥.
⎣ ⎦
3x1 − 6x2 + 5x3 4
A matriz coluna à esquerda pode ser fatorada como um produto de matrizes

⎡ ⎤
⎡ ⎤ x1 ⎡ ⎤
1 −2 2 −1 ⎢ ⎥ 1
⎢ ⎥⎢ ⎥
⎢ x2 ⎥ ⎢ ⎥
⎢2
⎣ −4 3 1⎦⎥⎢ ⎥
⎢ x3 ⎥
= ⎢ 3 ⎥.
⎣ ⎦
⎣ ⎦
3 −6 5 0 4
x4
Assim, o sistema de equações lineares se transforma em uma única equação matricial

AX = B
⎡ ⎤
⎡ ⎤ x1 ⎡ ⎤
1 −2 2 −1 ⎢ ⎥ 1
⎢ ⎥ ⎢x ⎥ ⎢ ⎥
⎢ 2⎥
em que A = ⎢2
⎣ −4 3 1⎥⎦, X= ⎢ ⎥,
⎢ x3 ⎥
eB = ⎢ 3 ⎥.
⎣ ⎦ Elas são denominadas, respectivamente,
⎣ ⎦
3 −6 5 0 4
x4
matriz dos coeficientes, matriz das incógnitas e matriz das constantes. É claro que todo
sistema de equações lineares pode ser escrito dessa maneira.
Dado um sistema AX = B escrito na forma de matriz, o novo sistema
AX = 0
é o sistema homogêneo associado (ao sistema original). Ele difere de AX = B apenas nas
constantes, que são todas alteradas para zero. As soluções dos dois sistemas estão
estreitamente relacionadas, como demonstra o próximo teorema.
T EOREMA 2 Suponha que X0 seja uma solução particular qualquer do sistema AX = B de equações lineares.
(1) Se X′ for uma solução qualquer do sistema homogêneo associado AX = 0, então
X = X0 + X′ será uma solução do sistema AX = B.
(2) Toda solução X de AX = B é da forma X = X0 + X′ para alguma solução X′
de AX = 0.
DEMONSTRAÇÃO Estamos assumindo que AX0 = B.

(1) Se AX′ = 0, temos AX = A(X0 + X′) = AX0 + AX′ = B + 0 = B.
(2) Se X for uma solução qualquer do sistema AX = B, escreva X′ = X − X0. É claro que
X = X0 + X′, e temos AX′ = A (X − X0) = AX − AX0 = B − B = 0. Assim, X′ é na
verdade uma solução dos sistema homogêneo associado AX = 0.
O próximo exemplo mostra que a decomposição em (2) é na verdade obtida

automaticamente no processo de escalonamento (método de eliminação de Gauss).
⎡ ⎤ ⎡ ⎤
1 −2 2 −1 1
⎢ ⎥ ⎢ ⎥
Exemplo 9 Se A = ⎢2
⎣ −4 3 1⎥⎦ eB = ⎢3⎥,
⎣ ⎦ use o método de eliminação de Gauss para escrever toda
3 −6 5 0 4
solução do sistema AX = B como soma de uma solução particular e a solução geral do
sistema homogêneo associado AX = 0.
SOLUÇÃO Uma redução da matriz completa à forma escalonada pode ser a seguinte:
⎡ ⎤ ⎡ ⎤
1 −2 2 −1 1 1 −2 0 5 3
⎢ ⎥ ⎢ ⎥
⎢2
⎣ −4 3 1 3⎥⎦ → ⎢0
⎣ 0 1 −3 −1 ⎥
⎦
3 −6 5 0 4 0 0 0 0 0
Com isso, as variáveis dependentes são x1 e x3, e as variáveis livres tornam-se parâmetros:
x2 = s e x4 = t. Assim, a forma escalonada fornece a solução geral
⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤
x1 3 + 2s − 5t 3 2 −5
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢x ⎥ ⎢ ⎥ ⎢ 0⎥ ⎢1⎥ ⎢ 0⎥
⎢ 2⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
t⎢ ⎥
s
X= ⎢ ⎥
⎢ x3 ⎥
= ⎢
⎢ −1 + 3t ⎥
⎥ = ⎢ ⎥
⎢ −1 ⎥
+ s⎢
⎢0⎥
⎥ + ⎢ ⎥
⎢ 3⎥
⎣ ⎦ ⎣ ⎦ ⎣ ⎦ ⎣ ⎦ ⎣ ⎦
x4 t 0 0 1
= X0 + sX1 + tX2.
Aqui, X0 = [3 0 − 1 0] é uma solução particular de AX = B (que corresponde a
T
s = t = 0) e X′ = sX1 + tX2 é a solução geral do sistema homogêneo associado AX = 0

(em que X1 = [2 1 0 0]T e X2 = [−5 0 3 1]T são as soluções básicas). Essa última
informação pode também ser obtida diretamente do algoritmo de Gauss trocando-se a
última coluna da matriz completa por zeros.
Uma versão do Teorema 2 também vale em outros contextos. Por exemplo, ele divide o
problema de resolução de um sistema de equações diferenciais lineares em dois problemas:
1) Encontrar uma solução particular; e 2) Resolver o sistema homogêneo associado. Nessa
situação os dois problemas são atacados usando-se métodos bastante diferentes.
1.4.4 Multiplicação de Blocos

Ao trabalhar com matrizes muito grandes que excedem a capacidade de memória do
computador, é importante olhar uma matriz como sendo feita de pequenas matrizes
(chamadas blocos), e ser capaz de efetuar o produto de matrizes multiplicando um par de
blocos de cada vez. Esse é apenas um dos motivos da importância da multiplicação em blocos.
Recorde que a matriz completa de um sistema AX = B é a matriz [A B] que consiste da
matriz dos coeficientes A e da matriz (coluna) B de constantes. Esse é um exemplo de
partição em blocos da matriz completa, e dizemos que a matriz completa [A B] está escrita
em blocos.
Um outro exemplo comum é escrever uma matriz A de tamanho m × n como uma linha
de colunas. Se as colunas forem denotadas por C1, C2, · · · , Cn, escrevemos A da seguinte
maneira:
A = [C1 C2 · · · Cn]
Dessa forma, a definição da matriz produto BA pode ser expressa da seguinte maneira:
BA = B[C1 C2 · · · Cn] = [BC1 BC2 · · · BCn]
Em outras palavras, cada coluna de BA é formada multiplicando-se B pela coluna
correspondente de A.
A partição de uma matriz A dessa maneira, com suas colunas vistas como blocos, será
usada várias vezes no que segue. Eis uma outra situação em que ela aparece.

A Mostra

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

A Mostra

Enviado por

Direitos autorais:

Formatos disponíveis

Algebra_Chap01_PORTUGUES.qxd 31.08.

Em matemática e suas aplicações, freqüentemente os números aparecem, de forma natural,

Exemplo 2 O sistema de equações lineares

De fato, é dessa forma que o sistema de equações é representado em um computador.

Exemplo 4 Grafos dirigidos, como o mostrado à direita na página 2, aparecem freqüentemente

2 CAPÍTULO 1 Equações Lineares e Matrizes

Exemplo 5 As seguintes tabelas são matrizes: ⎡ ⎤ ⎡ ⎤

Matrizes aparecem em várias formas (retangulares), dependendo do número de linhas

1.1.2 Adição de Matrizes

Em geral, se A e B são duas matrizes de mesmo tamanho, sua soma A + B é definida

4 CAPÍTULO 1 Equações Lineares e Matrizes

T EOREMA 1 Se A, B, e C denotam matrizes m × n arbitrárias, então:

Para resolver uma equação numérica x + b = a, simplesmente subtraímos b de ambos os

As propriedades apresentadas no Teorema 1 têm muitas conseqüências úteis. Por

1.1.3 Multiplicação de Matriz por Escalar

Em geral, se A é uma matriz e c é um número, o produto de matriz por escalar4 é a

Se A é uma matriz qualquer, os seguintes fatos são claros:

Há quatro propriedades básicas da multiplicação de matriz por escalar, que registramos

T EOREMA 2 Sejam A e B matrizes e sejam c e d números. Então:

4 Em álgebra linear, números são freqüentemente chamados escalares; daí o nome.

6 CAPÍTULO 1 Equações Lineares e Matrizes

As propriedades (1) e (2) no Teorema 2 são chamadas propriedades distributivas. Elas se

Exemplo 12 Simplifique a expressão matricial 3(8A − 5B) + 4(4B − 6A).

SOLUÇÃO O procedimento é o mesmo como se A e B fossem números:

SOLUÇÃO Ao multiplicarmos ambos os lados da expressão por 5, obtemos:

Já observamos que o produto de matriz por escalar cA é a matriz nula se ou c = 0

DEMONSTRAÇÃO Se c = 0, não há o que demonstrar; se c ≠ 0, devemos mostrar que A = 0. Escreva A = [aij]

1.1.4 A Transposta de uma Matriz

Vamos agora definir, de modo informal, a transposta de uma matriz A de tamanho m × n

Exemplo 14 Encontre a transposta de cada uma das seguintes matrizes:

Claramente a transposta de qualquer matriz-linha é uma matriz coluna e a transposta de

T EOREMA 4 Sejam A e B matrizes do mesmo tamanho e seja c um escalar.

8 CAPÍTULO 1 Equações Lineares e Matrizes

SOLUÇÃO Usando várias vezes o Teorema 4, obtemos

Uma matriz A é chamada simétrica se AT = A. Tais matrizes são necessariamente

respectivamente. É claro que toda matriz 1 × 1 é simétrica.

As propriedades elementares das matrizes simétricas decorrem do Teorema 4. Aqui

Exemplo 17 Se A e B são simétricas, mostre que A + B também é simétrica.

SOLUÇÃO Foi-nos informado que AT = A e que BT = B. Então o Teorema 4 nos fornece

d) Uma segunda loja vendeu cada tipo de bicicleta

10 CAPÍTULO 1 Equações Lineares e Matrizes

1.2 EQUAÇÕES LINEARES

1.2.1 Equações Lineares

Uma equação escrita na forma ax + by = c é chamada equação linear5 nas indeterminadas

representam números reais chamados coeficientes de x1, x2, · · · , xn, respectivamente, e o

1.2 Equações Lineares 11

1.2.2 Sistemas de Equações Lineares

Exemplo 3 No Exemplo 1, o sistema de duas equações lineares

Observe que esse sistema tem uma única solução.

Um sistema de equações lineares é chamado inconsistente* se ele não tiver nenhuma

Exemplo 5 Verifique que X = [1 + t − s 2 + t + s s t]T é uma solução para o sistema

SOLUÇÃO Simplesmente substitua x1 = 1 + t − s, x2 = 2 + t + s, x3 = s e x4 = t em cada equação:

De fato, toda solução do sistema no Exemplo 5 é da forma mostrada, para alguma

chamada matriz dos coeficientes do sistema. A matriz 2 × 5

12 CAPÍTULO 1 Equações Lineares e Matrizes

é chamada matriz completa ou também matriz aumentada do sistema (é a matriz dos

Exemplo 6 Encontre todas as soluções para o sistema do Exemplo 5:

Primeiro eliminamos x1 da equação 2 por meio da subtração de duas vezes a primeira

7 Quando um sistema é resolvido por um computador, é utilizada a matriz completa.

1.2 Equações Lineares 13

T EOREMA 1 Se uma operação elementar é executada em um sistema linear de equações, o sistema

O Teorema 1 tem conseqüências profundas na álgebra linear. Particularmente, ele

Exemplo 7 Encontre todas as soluções para o seguinte sistema de equações lineares:

SOLUÇÃO A matriz completa do sistema original é