Algebra Matricial: Cristiane de Andrade Mendes

Álgebra Matricial
Cristiane de Andrade Mendes
Outubro de 2021
Índice
1 Matrizes, Sistemas e Determinantes 5

1.1 Matrizes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2 Sistemas de Equações Lineares . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
1.3 Inversão de Matrizes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
1.4 Determinantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
2 O Espaço Vetorial Rn 63
2.1 Subespaços Vetoriais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
2.2 Combinações Lineares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
2.3 Dependência e Independência Linear . . . . . . . . . . . . . . . . . . . . . . . 82
2.4 Base e Dimensão . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
2.5 Coordenadas de um vetor com relação a uma base . . . . . . . . . . . . . . . . 94
3 Transformações Lineares 101

3.1 Núcleo e Imagem de uma Transformação Linear . . . . . . . . . . . . . . . . . 107
3.2 Representação de transformações lineares por matrizes . . . . . . . . . . . . . 112
4 Autovalores, Autovetores e Diagonalização de Operadores 121

4.1 Polinômio Caracterı́stico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121
4.2 Autovalores e Autovetores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125
4.3 Diagonalização de Operadores . . . . . . . . . . . . . . . . . . . . . . . . . . . 137
3
4 ÍNDICE
Capı́tulo 1
Matrizes, Sistemas e Determinantes
1.1 Matrizes
Definição 1. uma matriz A m × n é uma tabela de mn números dispostos em m linhas e n

colunas.
Notação:
 
a11 a12 ··· a1n
 a21 a22 ··· a2n 
 
A=  .. .. .. ..  A = (aij )m×n
 . . . . 

am1 am2 · · · amn
h i
i-ésima linha de A: ai1 ai2 · · · ain i = 1, · · · , m.
 
a1j
 a2j 
 
j-ésima coluna de A: 
 .. 
 j = 1, · · · , n.
 . 
amj
aij ou [A]ij : elemento de A localizado na linha i e coluna j.
# "
−1 2
Exemplo 1. A = matriz 2 × 2 elemento a12 da matriz A = (aij ): a12 = 2
3 0
5
6 CAPÍTULO 1. MATRIZES, SISTEMAS E DETERMINANTES
" #
−1 7 53 √
B= √ matriz 2 × 3 elemento b23 da matriz B = (bij ): b23 = 3
88 9 3
h i
C = 1 1 0 7 matriz 1 × 4 elemento c11 da matriz C = (cij ): c11 = 1
 
−1
elemento d21 da matriz D = (dij ): d21 = 73
 3 
D =  7  matriz 3 × 1
1
8
 
−1 −7 0
E= 0 1 π  matriz 3 × 3 elemento e23 da matriz E = (eij ): e23 = π
 
−1
7 3 5
Tipos de matrizes
• Matriz quadrada: Seja A = (aij )m×n uma matriz. Se m = n, vamos dizer que A é
quadrada de ordem n. Sua diagonal principal é formada pelos elementos a11 , a22 , · · · , ann .
 
" # −1 0 π
2 −1
As matrizes A = e B= 3 8 7  são exemplos de matrizes quadradas.
 
3 0
−1 −1 −10
Os elementos 2, 0 formam a diagonal principal de A e os elementos −1, 8, −10 formam a
diagonal principal da matriz B.
• Matriz diagonal: Seja A = (aij )n×n uma matriz (quadrada). A é uma matriz diagonal se
aij = 0 quando i 6= j i, j = 1, · · · , n
. (Ou seja: todos os elementos fora da diagonal principal são nulos).

 
  10 0 0 0
" # −1 0 0
−1 0 0
 0 0 0
As matrizes C = , D =  0 7 0 , E =   são exemplos de
  
0 3 √ 0 0 0 0
0 0 2
0 0 0 3
matrizes diagonais.
• Matriz identidade: consideremos uma matriz n × n, denotada por In , onde:
[In ]ij = 0, se i 6= j e
[In ]ij = 1, se i = j
1.1. MATRIZES 7
i, j = 1, ..., n.
A matriz In é uma matriz diagonal e todos os elementos da diagonal principal são iguais
a 1. In é chamada matriz identidade de ordem n.
 
  1 0 0 0
" # 1 0 0
1 0 0 1 0 0
I2 = , I3 = 0 1 0, I4 = 
   

0 1 0 0 1 0
0 0 1
0 0 0 1
• Matriz linha: Seja A uma matriz m × n. A é uma matriz linha se m = 1, ou seja, se A

possui uma única linha.
h i h i
As matrizes F = −1 3 e G = 3 0 0 5 são exemplos de matrizes linha.
• Matriz coluna: Seja A uma matriz m × n. A é uma matriz coluna se n = 1, ou seja, A

possui uma única coluna.
 
" # 0
−1 0
 
As matrizes H = e J =   são exemplos de matrizes coluna.
−1 0
7
• Matriz nula: Uma matriz A = (aij )m×n é nula se aij = 0 para todo i = 1, · · · , m,
j = 1, · · · , n.
A matriz nula m × n é denotada por 0m×n ou 0 quando não há necessidade de explicitar
seu tamanho.
 
" # 0
0 0 0
0= : matriz nula 2 × 3 0 = 0: matriz nula 3 × 1
 
0 0 0
0
 
0 0 0
0 = 0 0 0: matriz nula 3 × 3
 
0 0 0
• Matriz triangular superior: Uma matriz quadrada A = (aij )n×n é triangular superior se
aij = 0 quando i > j i, j = 1, · · · , n.
Por exemplo, as matrizes

 
  2 0 0 0
" # 0 5 2 0 −3 2 0
1 3
A= , B = 0 1 0  e C =   são triangulares superiores.
   
0 3 0 0 1 0
0 0 −1
0 0 0 0
• Matriz triangular inferior: Uma matriz quadrada A = (aij )n×n é triangular inferior se
aij = 0 quando i < j i, j = 1, · · · , n.
Por exemplo, as matrizes

   
" # 1 0 0 1 0 0
0 0
A= , B = 2 0 0  e C = 0 1 0 são triangulares inferiores.
   
1 2 √
3 4 5 0 0 7
• Matrizes iguais: Sejam A = (aij )m×n e B = (bij )p×q duas matrizes.

A e B são iguais se m = p, n = q e aij = bij para todo i = 1, · · · , m, j = 1, · · · , n.
Escrevemos A = B
Operações com matrizes
Definição 2. Sejam A = (aij )m×n e B = (bij )m×n duas matrizes.

A soma das matrizes A e B(de mesmo tamanho) é uma matriz C = (cij )m×n de tamanho
m × n, cujos elementos são:
cij = aij + bij i = 1, · · · , m e j = 1, · · · , n.
Vamos denotar:
C =A+B
[A + B]ij = aij + bij onde [A + B]ij é elemento ij da matriz A + B
Exemplo 2. 1.
   
3 4 −1 1
A = −1 0 e B =  5 3 
   
3
5
2 −1 − 12
   
3 + (−1) 4+1 2 5
A + B =  −1 + 5 0 + 3  =  4 3
   
3 1
− 25 32

5
+ (−1) 2 + − 2
1.1. MATRIZES 9
2. " √ # "
#
−1 2 0 1 3 −1
C= e D=
5 2 −4 2 −2 −2
" √ # " √ #
−1 + 1 2+3 0 + (−1) 0 2 + 3 −1
C +D = =
5 + 2 2 + (−2) −4 + (−2) 7 0 −6
Definição 3. Seja A = (aij )m×n uma matriz. O produto da matriz A por um escalar α é a
matriz B = (bij )m×n de tamanho m × n, cujos elementos são dados por:
bij = α aij
i = 1, · · · , m e j = 1, · · · , n.

B = αA
Vamos denotar:
[αA]ij = αaij
     
−7 −1 −4(−7) −4(−1) 28 4
Exemplo 3. A =  3 2 −4A =  −4 · 3 −4 · 2  = −12 −8
     
0 1 −4 · 0 −4 · 1 0 −4
i = 1, ..., m j = 1, ..., n.
     
1 1 1
0 −3 2 ·0 · (−3) ·2 0 − 32 1
 √ √
2 2 2 √
1
· 0  =  52 22
1 1 1
B = 5 2 0 B= ·5 · 2 0
   
2 2 2
2
0 7 15 1
2
·0 1
2
·7 1
2
· 51 0 72 1
10
Definição 4. Sejam A = (aij )m×p e B = (bij )p×n duas matrizes, onde o número de colunas
de A é igual ao número de linhas de B. O produto de A com B (notação: AB) é uma matriz
C = (cij )m×n de tamanho m × n, cujos elementos são dados por
cij = ai1 b1j + ai2 b2j + · · · + aip bpj
i = 1, · · · , m e j = 1, · · · , n.
Vamos denotar:
C = AB
[AB]ij = ai1 b1j + ai2 b2j + · · · + aip bpj

.
 
" # −1 13 " #
1 0 1 1 0
Exemplo 4. A = B =  7 13  C=
 
3 −2 −1 −1 2
2×3 0 3 3×2 2×2
" # " #
1.(−1) + 0.7 + 1.0 1. 13 + 0. 31 + 1.3 −1 + 0 + 0 31 + 0 + 3
AB = =
3.(−1) + (−2).7 + (−1).0 3. 31 + (−2) 13 + (−1).3 −3 − 14 + 0 1 − 32 − 3
" # 2×2
−1 103
=
−17 − 38
   
−1.1 + 13 .3 −1.0 + 31 .(−2) −1.1 + 13 .(−1) −1 + 1 0 − 32 −1 − 13
BA =  7.1 + 31 .3 7.0 + 13 .(−2) 7.1 + 13 .(−1)  =  7 + 1 0 − 32 7 − 13  =
   
0.1 + 3.3 0.0 + 3.(−2) 0.1 + 3.(−1) 3×3 0+9 0−6 0−3
 
0 − 23 − 43
8 − 23 20
 
3 
9 −6 −3
     
−1.1 + 31 .(−1) (−1).0 + 31 .2 −1 − 13 0 + 23 − 34 23
BC =  7.1 + 13 .(−1) 7.0 + 31 .2  =  7 − 13 0 + 32  =  20 2
    
3 3
0.1 + 3.(−1) 0.0 + 3.2 3×2 0−3 0+6 −3 6
CB não é possı́vel, pois o número de colunas de C é diferente do número de linhas de B.
Observação 1. Sejam k um número inteiro positivo e A uma matriz quadrada n × n. Vamos

denotar:
A◦ = In
Ak = A · A · · · · A (k fatores)
Definição 5. Seja A = (aij )m×n uma matriz. A transposta de A é uma matriz B = (bij )n×m
tal que seus elementos são da forma
bij = aji
1.1. MATRIZES 11
i = 1, · · · , n e j = 1, · · · , m.
Vamos denotar At a matriz transposta de A.
"
# " #
1 2 1 3
Exemplo 5. 1. A = At =
3 4 2 4
 
"# 1 1
1 7 9
B= B t = 7 0
 
1 0 3
9 3
2. Se for possı́vel, calcule (C t + 3D)t , onde C e D são as matrizes:

 
1
" #
3
0
2 −1 0
C= e D =  1 2 .
 
0 1 −1
3 −1
Temos que:
   
2 0 1 0
C t = −1 1  3D = 3 6 
   
0 −1 9 −3
     
2 0 1 0 3 0
C t + 3D = −1 1  + 3 6  = 2 7 
     
0 −1 9 −3 9 −4
Então:
" #
3 2 9
(C t + 3D)t =
0 7 −4
Propriedades das operações com matrizes
(As demonstrações das propriedades abaixo podem ser vistas em livros de álgebra linear).
a) Comutatividade
Sejam A = (aij )m×n e B = (bij )m×n matrizes.
Então: A + B = B + A
b) Associatividade
Sejam A = (aij )m×n , B = (bij )m×n e C = (cij )m×n matrizes. Então A + (B + C) =
(A + B) + C.
c) Existência do elemento neutro

Existe e é única a matriz 0m×n tal que 0m×n + A = A, qualquer que seja a matriz Am×n .

Essa matriz 0 é tal que 0 ij = 0, para todo i = 1, ..., m e j = 1, ..., n (matriz nula).
d) Elemento simétrico
Para cada matriz Am×n , existe uma única matriz −A de tamanho m × n, tal que
A + (−A) = 0
−A é tal que [−A]ij = −aij , para todo i = 1, · · · , m, j = 1, · · · , n.

   
1 2 −1 −2
Por exemplo, se A =  0 −4 , então −A =  0 4 .
   
5 −3 −5 3
Observação 2. Temos que: −A = (−1)A, qualquer que seja a matriz A.
e) Associatividade
Se α e β são escalares e A = (aij )m×n é uma matriz, então:
α(βA) = (αβ)A
f) Distributividade
Se α é um escalar, A = (aij )m×n e B = (bij )m×n são matrizes, então
α (A + B) = αA + αB
g) Distributividade
Se α e β são escalares e A = (aij )m×n é uma matriz, então:
(α + β)A = αA + βA.
h) Associatividade
1.1. MATRIZES 13
Se A = (aij )m×p , B = (bij )p×q e C = (cij )q×n , então
(AB) C = A (BC)
i) Existência do elemento neutro da multiplicação

Se A = (aij )m×n é uma matriz, então vale:
AIn = A e Im A = A
Aqui, In e Im são as matrizes identidade n × n e m × m respectivamente.
j) Distributividade
Se A = (aij )m×p , B = (bij )p×n e C = (cij )p×n , então:
A (B + C) = AB + AC
Se A = (aij )p×n , B = (bij )m×p e C = (cij )m×p , então:
(B + C) A = BA + CA
k) Se α é um escalar, A = (aij )m×p e B = (bij )p×n são matrizes, então:
α(AB) = (αA)B = A(αB)
l) Se A = (aij )m×n é uma matriz, então (At )t = A
m) Se A = (aij )m×n e B = (bij )m×n são matrizes, então: (A + B)t = At + B t .
n) Se α é um escalar e A = (aij )m×n é uma matriz, então (αA)t = αAt .
o) Se A = (aij )m×p e B = (bij )p×n são matrizes, então (AB)t = B t At .
Observação 3. O produto de matrizes não é comutativo em geral.

Por exemplo, se A e B são as matrizes
" # " #
1 2 1 −1
A= B=
3 4 0 0
então:
" # " #
1 · 1 + 2 · 0 1 · (−1) + 2 · 0 1 −1
AB = =
3 · 1 + 4 · 0 3 · (−1) + 4 · 0 3 −3
" # " #
1·1−1·3 1·2−1·4 −2 −2
BA = =
0·1+0·3 0·2+0·4 0 0
AB 6= BA.
Diferença entre matrizes
Sejam A = (aij )m×p e B = (bij )m×p matrizes. Vamos definir:
A − B = A + (−B)
Exemplo 6. Dadas as matrizes A e B abaixo, encontre a matriz A − B.
" # " √ #
1 −5 0 −1 3 − 2
A= B=
3 2 −2 7 12 0
" # " √ # " √ #

1 −5 0 1 −3 2 1+1 −5 + (−3) 0 + 2
A−B = A+(−B) = + = =
3 2 −2 −7 − 12 0 3 + (−7) 2 + (− 21 ) −2 + 0
" √ #
2 −8 2
= 3
−4 2 −2
Matrizes simétricas e anti-simétricas
Definição 6. Uma matriz quadrada An×n é dita simétrica se At = A. Ela é dita anti-simétrica
quando At = −A.
1.1. MATRIZES 15
Exemplo 7. Considere as matrizes A, B e C abaixo:
 
  0 3 −2 0  
−1 3 0 −3 0 1 3
0 −1 −5

A =  3 0 7 B =   C = −1 5 2
    
2 1 0 8
0 7 5 3 2 0
0 5 −8 0
A é uma matriz simétrica, pois At = A.

B é matriz anti-simétrica, pois B t = −B.
 
0 −1 3
C não é simétrica, pois C t = 1 5 2, C t 6= C
 
3 2 0
C também não é anti-simétrica, pois

   
0 −1 3 0 1 −3
C t = 1 5 2, −C = −1 −5 −2 e C t 6= −C
   
3 2 0 −3 −2 0
Exercı́cios Resolvidos:
1) Uma matriz quadrada An×n é idempotente se A2 = A. Sabendo que a matriz A abaixo é

idempotente, calcule os valores de a e b.
 
a −1 1
A = −3 4 −3
 
−5 b −4
Resolução: como A é idempotente, temos:

    
a −1 1 a −1 1 a −1 1
2
A = A =⇒ −3 4 −3 −3 4 −3 = −3 4 −3
    
−5 b −4 −5 b −4 −5 b −4
   
a2 − 2 −a + b − 4 a−1 a −1 1
=⇒  −3a + 3 −3b + 19 −3  = −3 4 −3
   
−5a − 3b + 20 5 −3b + 11 −5 b −4



a2 − 2 = a


−a + b − 4 = −1









a − 1 = 1 (∗)

−3a + 3 = −3




=⇒ −3b + 19 = 4 De (∗) e (∗∗), vemos que a = 2 e b = 5.


−3 = −3






−5a − 3b + 20 = −5






5 = b (∗∗)




−3b + 11 = −4

2) Dada a matriz M abaixo, calcule a matriz M t M .
 
cos θ − sen θ 0
M =  sen θ cos θ 0
 
0 0 1
 
cos θ sen θ 0
Resolução: Temos que M t é dada por: M t = − sen θ cos θ 0
 
0 0 1
  
cos θ sen θ 0 cos θ − sen θ 0
t
M M = − sen θ cos θ 0  sen θ cos θ 0 =
  
0 0 1 0 0 1
   
cos2 θ + sen 2 θ − cos θ sen θ + sen θ cos θ 0 1 0 0
− sen θ cos θ + cos θ sen θ sen 2 θ + cos2 θ 0 = 0 1 0 = I3 .
   
0 0 1 0 0 1
3) Se A é a matriz a seguir, mostre que A2 − 6A + 5I2 = O
" #
2 3
A=
1 4
Resolução: Temos:
1.1. MATRIZES 17
" #" # " # " #

2 3 2 3 2 3 1 0
A2 − 6A + 5I2 = −6 +5 =
1 4 1 4 1 4 0 1
" # " # " # " # " #
4 + 3 6 + 12 −12 −18 5 0 7 − 12 + 5 18 − 18 + 0 0 0
= + + = = =O
2 + 4 3 + 16 −6 −24 0 5 6 − 6 + 0 19 − 24 + 5 0 0
4) Dadas as matrizes A, B e C abaixo, encontre a matriz X tal que:
1
(X + A) = 3BC + A
2
 
" # " # 0 −1
2 0 −1 0 1
A= B= C = 3 3 
 
−4 −2 0 1 2
1 0
Resolução: usando propriedades de operações de matrizes, podemos escrever:
1
(X + A) = 3BC + A
2
1 1
X + A = 3BC + A
2 2
1 1
X = 3BC + A − A
2 2
1 1
X = 3BC + A
2 2
X = 6BC + A
Assim:
 
" # 0 −1 " #
−1 0 1  2 0
X=6 3 3  + =

0 1 2 −4 −2
1 1
" # " # " # " # " # " #

0+0+1 1+0+1 2 0 1 2 2 0 6 12 2 0
=6 + =6 + = + =
0+3+2 0+3+2 −4 −2 5 5 −4 −2 30 30 −4 −2
" #
8 12
26 28
" #
8 12
Resp. : X =
26 28
Exercı́cios:
# " " # " #
2 −5 1 1 −2 −3 0 1 −2
1) Considere as matrizes A = , B= e C= .
3 0 −4 0 −1 5 1 −1 −1
Encontre a matriz D = 3A + 4B − 2C.
" #
10 −25 −5
Resposta: D = .
7 −2 10
2) Encontre os valores de x, y, z e w tais que:
" # " # " #

x y x 6 4 x+y
3 = +
z w −1 2w z+w 3
Resposta: x = 2, y = 4, z = 1, w = 3.
" # " #
1 3 2 0 −4
3) Dadas as matrizes e , encontre AB e BA, se possı́vel.
2 −1 3 −2 6
" #
11 −6 14
Resposta: AB =
1 2 −14
Não é possı́vel calcular BA.
4) Calcule os seguintes produtos, quando possı́vel:

a). DE b). ED c). EF d). F E
1.1. MATRIZES 19
" # " # " #

−1 1 −3 0 0 0 −1 2
D= E= F =
2 2 1 −3 3 2 1 0
" # " # " #

4 −3 3 −3 0 0 3 −6
Resposta: DE = , ED = , EF = , não
−4 −6 −7 −5 −9 −6 −4 2
é possı́vel fazer F E.
5) Dadas as matrizes A, B e C abaixo, calcule a matriz X de cada um dos ı́tens abaixo:
 
2 −1 " # " #
3 −2 0 1 0
A= 0 2  B= C=
 
0 5 −1 0 −2
−3 1
a). A + 2X = B t + 3A.
1
b). 2C − X t = BA + 5C.
2
 
7
2
−1
9
Resposta: a). X =  −1 .
 
2
1
−3 2
" #
−18 −6
b). X = .
14 −6
h i h i
t
6) Encontre um valor para x tal que AB = 0, onde A = x 4 −2 e B = 2 −3 5
(Do livro: Matrizes, Vetores e Geometria Analı́tica, Reginaldo J. Santos, UFMG; ex. 1.1.5).
Resposta: x = 11.
7) Seja A = (aij ) uma matriz n × n. O traço da matriz A, indicado por tr A, é a soma dos
elementos da diagonal principal de A, ou seja: tr A = a11 + a22 + ... + ann .
 

1
 5 2 −3 8
0 −3 2  −1 1 4 0 
a). Dadas as matrizes A =  −1 −1 4 eB = , calcule tr A e
   
1
−2 0 − 2 −3
9 − 45
 
8
2 −1 1 0
tr B.
b). Se C e D são matrizes 3 × 3, prove que tr (C + D) = tr C + tr D.
Resposta: tr A = − 59 tr B = 11
2
.
1.2. SISTEMAS DE EQUAÇÕES LINEARES 21
1.2 Sistemas de Equações Lineares
Definição 7. Uma equação linear em n variáveis x1 , · · · , xn é uma equação da forma
a1 x1 + · · · + an xn = b
onde a1 , · · · , an , b são constantes reais.
Exemplo 8. São exemplos de equações lineares:
• 3x + 5y − 7z = 2
• 3x1 − 25 x2 − 7x3 + x4 = 0
√
• 2x + 7y + 5z − w = 8
Definição 8. Um sistema de equações lineares ( ou sistema linear) é um conjunto de equações

lineares:



a11 x1 + a12 x2 + · · · + a1n xn = b1

a x + a x + · · · + a x = b

21 1 22 2 2n n 2
(∗) .

 ..



am1 x1 + am2 x2 + · · · + amn xn = bm

onde x1 , x2 , · · · , xn são as incógnitas ou variáveis do sistema e aij , os coeficientes, i = 1, · · · , m; j =

1, · · · , n. O sistema acima possui m equações e n variáveis.
Podemos reescrever o sistema (∗) na forma matricial.
(∗∗) AX = B
onde:
 
a11 a12 ··· a1n
 a21 a22 ··· a2n 
 
A=
 .. .. ... .. 
 . . . 

am1 am2 · · · amn m×n
  
x1 b1
 x2   b2 
   
X=
 .. 
 e B=
 .. 

.  . 
xn n×1
bm m×1
Uma solução para o sistema linear (∗) é uma n-upla s1 , s2 , · · · , sn tal que todas as equações
de (∗) são satisfeitas quando fazemos x1 = s1 , x2 = s2 , · · · , xn = sn .
Na forma matricial, uma solução para o sistema (∗∗) é uma matriz:
 
s1
 s2 
 
S=
 .. 
 tal que AS = B
.
sn n×1
.
O conjunto solução ou solução geral de um sistema é o conjunto de todas as soluções do
sistema.
Se b1 = b2 = · · · = bn = 0 em (∗) (de forma equivalente, se B = O em (∗∗)), o sistema é
chamado de sistema homogêneo. Um sistema homogêneo sempre admite solução (pelo menos,
a solução s1 = s2 = ... = sn = 0).
 
a11 a12 ··· a1n | b1
 a21 a22 ··· a2n | b2 
 
Matriz aumentada do sistema: 
 .. .. ... .. 
 . . .


am1 am2 · · · amn | bm m×(n+1)
Exemplo 9. 

 x + 2y + 2z = 2

 5x + 6y − 6z = −14


 y + 4z = 6
5x + 8y + 2z = −2

é um sistema linear com 4 equações e 3 variáveis x, y, z. O sistema acima pode ser reescrito
da forma:
AX = B
onde
   
1 2 2   2
x
 5 6 −6 

 −14
 
A=  X= y  B=
   

 0 1 4   6 
z
5 8 2 −2
A 3-upla (−10, 6, 0) é uma solução para o sistema acima, pois:

−10 + 2.6 + 2.0 = 2
5.(−10) + 6.6 − 6.0 = −14
6 + 4.0 = 6
5.(−10) + 8.6 + 2.0 = −2
Ou seja, todas as equções do sistema acima são satisfeitas para x = −10, y = 6 e z = 0.
A matriz aumentada do sistema fica da forma:
 
1 2 2 | 2
 5 6 −6 | −14 
.
 

 0 1 4 | 6 
5 8 2 | −2
Exemplo 10. O sistema
(
3x1 + 2x2 + x3 − x4 = 0
−x1 + 5x2 − 32 x3 + 5x4 = 0
é um sistema homogêneo com 2 equações e 4 variáveis.
O objetivo agora é estudar um método que nos permita ”resolver um sistema”, ou seja,
encontrar sua solução geral.
Operações elementares:
Definição 9. Uma operação elementar sobre as linhas de uma matriz é uma das seguintes
operações:
a)Troca da posição de 2 linhas da matriz.
b)Multiplicar uma linha da matriz por um escalar diferente de zero.
c)Somar a uma linha da matriz um múltiplo escalar de outra linha.
  √ 
1 2 −7 2
Exemplo 11. a)  3 0  L1 ↔ L3  3 0 
   
√
−7 2 1 2
Troca da posição das linhas 1 e 3.
   
1 0 5 1 0 5
b) 0 −1 2 − 15 L2 → L2 0 51 − 25 
   
1 2 3 1 2 3
Multiplicação da linha 2 pelo escalar − 51 .
   
1 0 −2 −3 1 0 −2 −3
c)  0 0 1 2  L2 + 3L1 → L2  3 0 −5 −7
   
√ √
−1 2 1 3 −1 2 1 3
Substituição linha 2 por ela, somada à linha 1 multiplicada por 3.
Observação 4. (Sobre operações elementares)

Se, ao fazermos uma operação elementar sobre as linhas de uma matriz A, obtivermos uma
matriz B, é possı́vel (usando operações elementares) obtermos A a partir de B.
a)
A Li ↔ Lj B
(Troca de posições das linhas i e j).
B L i ↔ Lj A
b)
A αLi → Li B (α 6= 0).
(Multiplicação da linha i por α).
1
B Li → Li A (α 6= 0).
α
1
(Multiplicação da linha i por α
).
c)
A Li + αLj → Li B
(Substituição da linha i por ela somada à linha j, multiplicada por α).
B Li − αLj → Li A
(Substituição da linha i por ela somada à linha j, multiplicada por −α).
Ilustração:
     
a11 a12 a11 a12 a11 a12
a) A = a21 a22  L2 ↔ L3 B = a31 a32  L2 ↔ L3 A = a21 a22 
     
a31 a32 a21 a22 a31 a32

b) α 6= 0
     
a11 a12 αa11 αa12 a11 a12
A = a21 a22  αL1 → L1 B =  a21 a22  α1 L1 → L1 A = a21 a22 
     
a31 a32 a31 a32 a31 a32

   
a11 a12 a11 + αa31 a12 + αa32
c)A = a21 a22  L1 + αL3 → L1 B =  a21 a22  L1 − αL3 → L1
   
a31 a32 a31 a32

 
a11 a12
A = a21 a22 
 
a31 a32
Definição 10. Dois sistemas lineares são equivalentes quando possuem o mesmo conjunto
solução.
O seguinte resultado nos garante que, após operações elementares sobre as linhas da matriz
aumentada de um sistema, vamos obter um novo sistema equivalente ao primeiro.
Teorema 1. Se dois sistemas lineares AX = B e CX = D são tais que a matriz aumentada do

. .
segundo sistema [C ..D] é obtida de [A..B] (matriz aumentada do primeiro sistema) aplicando-
se uma operação elementar, então os 2 sistemas possuem exatamente as mesmas soluções (ou
seja, são equivalentes).
Matriz escalonada reduzida

Definição 11. Uma matriz está na forma escalonada reduzida quando satisfaz as condições
abaixo:
(1) Todas as linhas nulas da matriz (se existirem) ocorrem abaixo das linhas não nulas.
(2) O pivô (ou seja, o 1o elemento não nulo) de cada linha não nula é igual a 1.
(3) O pivô de uma linha não nula ocorre à direita do pivô da linha anterior.
(4) Se uma coluna contém um pivô, então todos os seus outros elementos dessa coluna são
nulos.
Observação 5. Se uma matriz satisfaz as condições (1) e (3) acima, dizemos que ela está na
forma escalonada.
Exemplo 12.    
1 1 1 1 3 −1 1
A = 0 −1 2 B = 0 0 1 7
   
0 0 7 0 0 0 0
     
1 2 0 1 1 0 0 1 0 0 0
C = 0 0 1 3 D = 0 1 0 E = 0 0 0 0
     
0 0 0 0 0 0 0 0 0 0 1
   
1 1 0 2 0 0 2 0 1 7
F = 0 0 1 3 0 G = 0 0 0 3 −3
   
0 0 0 0 1 0 0 0 0 0
As matrizes C, D e F estão na forma escalonada reduzida.

As matrizes A, B, C, D, F e G estão na forma escalonada.
A matriz A não satisfaz as condições 2 e 4.

A matriz B também não satisfaz a condição 4.
A matriz G não satisfaz as condições 2 e 4.
A matriz E não satisfaz a condição 1.
Definição 12. Uma matriz A m × n é equivalente por linhas a uma matriz B m × n se

B pode ser obtida de A aplicando-se uma sequência de operações elementares sobre as suas
linhas.
" # " #
1 −1 1 0
Exemplo 13. A = é equivalente por linhas à matriz B = , pois
0 3 0 1
" # " # " #
1 −1 1 1 −1 1 0
A= L2 → L2 L1 + L2 → L1 =B
0 3 3 0 1 0 1
ou seja, B foi obtida de A aplicando-se operações elementares.
Observação 6. Ser equivalente por linha satisfaz as seguintes propriedades:
a) Toda matriz A é equivalente por linhas a ela mesma (reflexividade).
b) Se A é equivalente por linhas a B, então B é equivalente por linhas a A (Simetria).
c) Se A é equivalente por linhas a B e B é equivalente por linhas a C, então A é equivalente

por linhas a C (Transitividade).
O teorema abaixo nos garante que, dada uma matriz A m × n, é sempre possı́vel obtermos
uma (única) matriz R m × n na forma escalonada reduzida fazendo-se operações elementares:
Teorema 2. Toda matriz A m × n é equivalente por linhas a uma única matriz escalonada
reduzida R m × n.
O Método de Gauss-Jordan
Para resolvermos um sistema linear, devemos aplicar operações elementares sobre as linhas
da matriz aumentada do sistema linear até obtermos a matriz na forma escalonada reduzida
correspondente. Transformamos essa última matriz em um sistema linear e o resolvemos. O

conjunto solução obtido é o conjunto solução do sistema inicial.
O que foi dito acima é consequência de tudo o que estudamos anteriormente: dado um
sistema linear:
AX = B
de m equações e n variáveis, escrevemos sua matriz aumentada:
.
h i
A .. B
m×(n+1)
.
h i
Fazendo operações elementares sobre as linhas de A .. B , obtemos uma nova matriz
m×(n+1)
.
h i
C .. D na forma escalonada reduzida, onde C = (cij )m×n e D é uma matriz m × 1.
m×(n+1)
Isto é possı́vel
h pelo último hteorema que
i estudamos: como só fizemos operações elementares
.. ..
i
para irmos de A . B até C . D , então os sistemas
AX = B e CX = D
são equivalentes, ou seja, têm as mesmas soluções.

Vamos agora resolver os sistemas abaixo usando o método de Gauss-Jordan.
Exemplo 14. Resolva os sistemas abaixo usando o método de Gauss-Jordan:

a)



 x + 2y + 2z = 2

5x + 6y − 6z = −14



−y − 4z = −6


5x + 8y + 2z = −2

Escrevendo a matriz aumentada do sistema e fazendo o escalonamento, temos:

 ..   . 
1 2 2 . 2 1 2 2 .. 2

5 6 −6 .. 
0 −4 −16 ... −24
 
. −14 −5L 1 + L 2 → L 2   1
 − 4 L2 → L2
 
 ..   .
.
0 −1 −4
 . −6  −5L1 + L4 → L4 0 −1 −4 . −6 
 

.. ..
5 8 2 . −2 0 −2 −8 . −12
 ..   .. 
1 2 2 . 2 1 0 −6 . −10
 ..  −2L2 + L1 → L1  . 
0 1 4 . 6  0 1 4 .. 6 
 L2 + L3 → L3
   

0 −1 −4 ..  .. 
 . −6 
 2L2 + L4 → L4
0
 0 0 . 0  
.. ..
0 −2 −8 . −12 0 0 0 . 0
A última matriz está na forma escalonada reduzida.
Transformando a matriz em um sistema linear, obtemos:

 


 x + 0y − 6z = −10 

x − 6z = −10

 

0x + y + 4z = 6 y + 4z = 6
; ou seja


 0x + 0y + 0z = 0 

0=0

 

0x + 0y + 0z = 0 0=0
 
As 3a e 4a equações são sempre verdadeiras. Usando as 1a e 2a equações, podemos escrever:


x = −10 + 6z
, com z ∈ R
y = 6 − 4z
Solução do sistema: (−10 + 6z, 6 − 4z, z), onde z ∈ R. O sistema possui infinitas soluções.
b)



 x + 2z = 1

2x − y − 2z + w = 0



 4x − 3y − 9z + w = −1


3x − 2y + z − 11w = 3

Escrevendo a matriz aumentada do sistema e fazendo o escalonamento, temos:

 ..   .. 
1 0 2 0 . 1 1 0 2 0 . 1
 ..  −2L1 + L2 → L2  .. 
2 −1 −2 1 . 0 0 −1 −6 1 . −2
 −4L1 + L3 → L3  −L2 → L2
   

4 −3 −9 1 ..  ..
 . −1  −3L1 + L4 → L4
0 −3 −17 1
 . −5 
.. ..
3 −2 1 −11 . 3 0 −2 −5 −11 . 0
 .   .. 
1 0 2 0 .. 1 1
0 2 0 . 1
 .   . 
0 1
 6 −1 .. 2 3L2 + L3 → L3 1 6 −1 .. 2
0
 
0 −3 −17 1 ... .
0 1 −2 .. 1
   
−5 2L2 + L4 → L4 0
   
. ..
0 −2 −5 −11 .. 0 0 7 −13 . 4
0
 ..   .. 
1 0 0 4 . −1 1 0 0 0 . 11
−2L3 + L1 → L1  ..  −4L4 + L1 → L1  .. 
0 1 0 11 . −4 
0 1
 0 0 . 29 
−6L3 + L2 → L2   −11L4 + L2 → L2 
 
.. .. 
−7L3 + L4 → L4 0
 0 1 −2 . 1   2L4 + L3 → L3 0 0
 1 0 . −5
. ..
0 0 0 1 .. −3 0 0 0 1 . −3
A última matriz acima está na forma escalonada reduzida.
Transformando a matriz em um sistema linear, obtemos:

 


x + 0y + 0z + 0w = 11 

x = 11

 

0x + y + 0z + 0w = 29 y = 29
ou seja:


0x + 0y + z + 0w = −5 

z = −5

 

0x + 0y + 0z + w = −3 w = −3
 
Solução do sistema: (11, 29, −5, −3). O sistema possui solução única.
c)

x + 2y + 2z = 2



5x + 6y − 6z = −14


3x + 2y − 10z = 0

Escrevendo a matriz aumentada do sistema e fazendo escalonamento, temos:

 .   . 
1 2 2 .. 2 1 2 2 .. 2
5 6 −6 ... −14 −5L1 + L2 → L2 0 −4 −16 ... −24
   
  −3L + L → L  
.. 1 3 3 ..
3 2 −10 . 0 0 −4 −16 . −6
 .   . 
1 2 2 .. 2 1 2 2 .. 2
 ..  − L2 → L2 0 1 4 ... 6  −2L2 + L1 → L1
 1  
−L2 + L3 → L3  0 −4 −16 . −24 4  
.. ..
0 0 0 . 18 0 0 0 . 18
 .   . 
1 0 −6 .. −10 1 0 −6 .. −10
 .   .. 
1 4 .. 6 
1
0
  L → L3 
18 3 0 1 4 . 6  10L3 + L1 → L1 e − 6L3 + L2 → L2

.. .
0 0 0 . 18 0 0 0 .. 1
 .. 
1 0 −6 . 0
 . 
0
 1 4 .. 0 
..
0 0 0 . 1
A matriz está na forma escalonada reduzida. Transformando em um sistema linear, obte-
mos:
 
x + 0y − 6z = 0 x − 6z = 0

 

 
0x + y + 4z = 0 ; ou seja: y + 4z = 0

 

0x + 0y + 0z = 1
 0 = 1

Observemos que a última equação não é satisfeita para qualquer que seja o valor de x, y e
z.
Logo o sistema não possui solução.
d)

 2x − y + 4z = 0

2x + 2y − 4z = 0

3x − y − z = 0

Escrevendo a matriz aumentada do sistema acima, obtemos:

     
2 −1 4 | 0 1 − 12 2 | 0 1 − 12 2 | 0
1  −2L1 + L2 → L2 
 2 2 −4 | 0  L1 → L1  2 2 −4 | 0   0 3 −8 | 0 
  
2 −3L1 + L3 → L3 1
3 −1 −1 | 0 3 −1 −1 | 0 0 2
−7 | 0
     
1
1 −2 2 | 0 1 0 −5 | 0 1 0 −5 | 0
1  1
L2 → L2  0 1 − 38 | 0  L1 + L3 → L1  0 1 − 38 | 0  − L2 + L3 → L3  0 1 − 83 | 0 
    
3 1
2
0 2
−7 | 0 0 12 −7 | 0 0 0 − 17
3
| 0
   
1 0 −5 | 0 1 0 0 | 0
3 8  5L3 + L1 → L1 
− L3 → L3  0 1 − 3 | 0  8  0 1 0 | 0 
 
17 L + L2 → L2
3 3
0 0 1 | 0 0 0 1 | 0
Transformando no sistema correspondente:

 x + 0y + 0z = 0

0x + y + 0z = 0 =⇒ x = y = z = 0

0x + 0y + z = 0

Ou seja, o sistema possui somente a solução trivial.
Observação 7. No caso dos sistemas homogêneos, para se fazer as operações elementares,

podemos suprimir a escrita da última coluna (nula) da matriz aumentada. Durante o processo,
essa coluna não sofre alteração. O próximo exemplo será resolvido sem a última coluna da
matriz aumentada.

 x+y+z+w =0

Exemplo 15. Resolva o sistema. x − 5y + z − w = 0

2x − y + 2z + w = 0

Escrevendo a ”matriz aumentada sem a última coluna”(ou seja, escrevendo a matriz dos
coeficientes), temos:
     
1 1 1 1 1 1 1 1 1 1 1 1
 L2 − L1 → L2 
 1 −5 1 −1   0 −6 0 −2  L2 − 2L3 → L2  0 0 0 0 
   
L3 − 2L1 → L3
2 −1 2 1 0 −3 0 −1 0 −3 0 −1
     
1 1 1 1 1 1 1 1 1 0 1 32
 1
L2 ↔ L3  0 −3 0 −1  − L2 → L2  0 1 0 31  L1 − L2 → L1  0 1 0 13 
    
3
0 0 0 0 0 0 0 0 0 0 0 0
Escrevendo o sistema correspondente, temos:

 
2 2
x + 0y + z + w = 0  x + z + 3w = 0
(
3
x = −z − 32 w

 
0x + y + 0z + 13 w = 0 =⇒ y + 31 w = 0 =⇒
  y = − 31 w
0x + 0y + 0z + 0w = 0 0=0
 

2 1
O sistema possui infinitas soluções: −z − w, − w, z, w z, w ∈ R.
3 3
Observação 8. Ao resolvermos os sistemas acima, fizemos operações elementares sobre as

linhas das matrizes envolvidas até chegarmos na forma escalonada reduzida. Isto porque, no
enunciado do exercı́cio, pedimos que fosse utilizado o método de Gauss-Jordan. Se isso não for
dito, podemos fazer o escalonamento até chegarmos em uma matriz que nos forneça um sistema
mais fácil de ser resolvido, sem se chegar, necessariamente, a forma escalonada reduzida.
Proposição 1. Sejam A uma matriz m × n e B uma matriz m × 1. Se o sistema linear

AX = B possui duas soluções distintas Xo e X1 , então o sistema possui infinitas soluções.
Demonstração: para cada λ ∈ R, escrevamos: Xλ = (1 − λ)Xo + λX1 . Usando que Xo e X1

são soluções do sistema, podemos escrever:
AXλ = A [(1 − λ)Xo + λX1 ] = (1 − λ)AXo + λAX1 = (1 − λ)B + λB = B

Ou seja, Xλ também é solução do sistema, para todo λ ∈ R. Logo, o sistema possui infinitas
soluções.
Observação 9. Usando o resultado da proposição acima, temos que um sistema linear possui
solução única ou possui infinitas soluções ou não possui solução. No caso do sistema trabalhado
ser homogêneo, temos solução única ou infinitas soluções.
Exemplo 16. Seja A uma matriz m × n. Mostre que:
a). Se X1 e X2 são soluções do sistema homogêneo AX = 0, então Xo = X1 + X2 também é

uma solução do sistema.
b). Se X1 é solução do sistema AX = 0, então Xo = αX1 também é uma solução do sistema.
De fato, temos:
a). Sendo X1 e X2 soluções para o sistema, temos que AX1 = 0 e AX2 = 0. Assim:
AXo = A (X1 + X2 ) = AX1 + AX2 = 0 + 0 = 0
Logo, Xo é solução do sistema.
b). Sendo X1 solução so sistema, temos que AX1 = 0. Assim:
AXo = A (αX1 ) = αAX1 = α0 = 0
Logo, Xo é solução do sistema.
Exemplo 17. Dado o sistema linear abaixo, para quais valores (reais) de a o sistema:
1) Possui solução única;
2) Possui infinitas soluções;
3) Não possui solução.

x + y + z = 2



2x − 5y + 2z = 11


2x + (a2 − 7)z = 9 − a

Vamos escrever a matriz aumentada do sistema e fazer o escalonamento:

 ..   .. 
1 1 1 . 2 1 1 1. 2

2 −5 . 
.. 11  −2L1 + L2 → L2 e − 2L1 + L3 → L3 0 −7
 .. 
 2   0 . 7 

2 .. 2 ..
2 0 a −7 . 9−a 0 −2 a −9 . 5−a
 ..   .. 
1 1 1 . 2 1 0 1
. 3
−1  .   .. 
L2 → L2  .. −1  −L2 + L1 → L1 e 2L2 + L3 → L3 0 . −1 
7 0 1 0   1 0 
2 .. 2 ..
0 −2 a − 9 . 5 − a 0 0 a −9 . 3−a
(*)
Com o intuito de prosseguir no escalonamento, devemos examinar as possibilidades para o

valor a2 − 9.
Se a2 − 9 6= 0, ou seja, se a 6= 3 e a 6= −3, podemos continuar o escalonamento, multipli-
cando a 3a linha por a21−9 :
 ..   .   . 
1 0 1 . 3 1 0 1 .. 3 1 0 0 .. 3 + a+3 1
..  1
0 1 0 ... −1  −L3 + L1 → L1 0 1 0 ...
    
0 1
 0 . −1 
 a2 − 9 L 3 → L 3    −1 

2 .. .. −1 .. −1
0 0 a −9 . 3−a 0 0 1 . a+3 0 0 1 . a+3
Escrevendo o sistema correspondente:

1 3a+10
x = 3 + =


 a+3 a+3
y = −1


z = −1

a+3

2 3a + 10 −1
Neste caso (a − 9 6= 0), temos que o sistema possui solução única: , −1,
a+3 a+3
Agora, se a2 − 9 = 0, teremos duas possibilidades para o valor de a: a = 3 ou a = −3
Se a = 3, voltando a (∗), temos:
 ..   . 
1 0 1 . 3 1 0 1 .. 3
 ..  
0 1 0 ... −1

0 1
 0 . −1  =
  
.. ..
0 0 a2 − 9 . 3−a 0 0 0 . 0
 
x + z = 3 x = 3 − z

 

 
y = −1 ⇒ y = −1

 

0 = 0
 0 = 0

Neste caso (a = 3), o sistema possui infinitas soluções: (3 − z, −1, z), z ∈ R
Se a = −3, voltando a (∗), temos:
 ..   . 
1 0 1 . 3 1 0 1 .. 3
 ..  
0 1 0 ... −1

0 1
 0 . −1  =
  
.. ..
0 0 a2 − 9 . 3−a 0 0 0 . 6

x + z = 3



y = −1


0 = 6

A última equação não é satisfeita, qualquer que seja o valor de x, y e z. Logo, o sistema
não possui solução neste caso (a = −3).
Resposta:
1) a 6= 3 e a 6= −3
2) a = 3
3) a = −3
Exercı́cios:
1) Faça o que se pede.


 x + y − z = 3

 2x + 3y − z = 1
a). Resolva o seguinte sistema pelo método de Gauss-Jordan:


 −x + 2y + z = 0
−3x − 5y + z

= 1
Explicite os passos da resolução.
9 3
b). Se X1 e X2 são soluções do sistema linear AX = B, verifique se Xo = X1 − X2 também
7 7
é solução para esse sistema.
Resposta: a). x = −4, y = 1, z = −6. b). Não.
2) Faça o que se pede. 

 x + 2y + 2z = 12

a). Resolva o seguinte sistema pelo método de Gauss-Jordan: 5x + 6y − 6z = 0

x + y + 4z = 3

Explicite os passos da resolução.
5 2
b). Se X1 e X2 são soluções do sistema linear AX = B, mostre que Xo = X1 − X2 também
3 3
é solução para esse sistema.
Resposta: a). x = −12, y = 11, z = 1.

 x + 2y − 3z = a

3) Considere o seguinte sistema linear: 2y − 4z = b , onde a, b, c ∈ R. A

x − 2y + 5z = c

condição sobre a, b e c para que o sistema possua solução é:
a). a=c
b). a+b+c=0
c). c + 2b − a = 0.
d). a + 2c − b = 0.
e). c = 0.
Resposta: letra (c).


 x + 2y − 3z = a

4) Considere o sistema: 2y − 4z = b , a, b, c ∈ R.

x + y − z = c

a). Qual deve ser a condição sobre a, b e c para que o sistema possua infinitas soluções?
b). Resolva o sistema para a = b = c = 0.
Resposta: a). b = 2(a − c). b). (−z, 2z, z); z ∈ R.

 x + 2y − 3z = 1

5) Considere o sistema: + 2y − 4z = −2 , c ∈ R.

x + y + cz = 2

a). Resolva o sistema para c = −1.
b). Resolva o sistema para c = 2.
Resposta: a). (3 − z, −1 + 2z, z), z ∈ R. b). x = 3, y = −1, z = 0.

 x + 2y − 3z = 1

6) Resolva o sistema: 2y − 4z = 1

x + y + 2z = 21


1
Resposta: 0, , 0 (solução única).
2
7) A partir da matriz aumentada de um sistema de 4 equações e 3 variáveis, fizemos algu-

 
1 0 2 | 3
 0 1 −1 | 1 
mas operações elementares até obtermos a seguinte matriz:  .
 
2
 0 0 k + 2k + 1 | 1 − k 
0 0 0 | 0
Podemos afirmar então:
a). o sistema em questão não possui solução, qualquer que seja o valor de k.
b). o sistema possui solução para todo k ∈ R − {1}.
c). o sistema possui solução para todo k ∈ R − {−1}.
d). x = 3 − 2z e y = 1 + z, z ∈ R é a solução do sistema independentemente do valor de k.
e). se 1 − k 6= 0, o sistema possui solução única.
Resposta: letra (c).
8) Considere o sistema linear:


 x − y
 = 0
x + y + 4z = 7 , onde k ∈ R.
 2
x + (11 − k )z = k

a). Para quais valores de k o sistema possui solução única? Justifique.
b). Qual é o conjunto solução do sistema quando k = 3? Justifique.
Resposta: a). k ∈ R − {3, −3}. b). Não há solução.


 x + 2y − 3z = 0

 2y − 4z = 1
9) Resolva o sistema linear:


 x + y − z = 3
− 8z = 5

2x + 5y
Resposta: sistema sem solução.

1.3. INVERSÃO DE MATRIZES 39
1.3 Inversão de Matrizes
Definição 13. Uma matriz quadrada A = (aij )n×n é invertı́vel ou não singular quando existe
uma matriz B = (bij )n×n tal que
AB = In = BA
Se não existir B tal que AB = In = BA, diremos que A não é invertı́vel ou singular.
"
# " #
−2 1 − 12 1
6
Exemplo 18. A = B= 1
0 3 0 3
Fazendo as contas:
" #" # " # " #
−2 1 − 21 16 1 + 0 − 13 + 13 1 0
AB = 1
= = = I2
0 3 0 3 0+0 0+1 0 1
e
" #" # " # " #
− 21 16 −2 1 1 + 0 − 12 + 12 1 0
BA = 1
= = = I2
0 3 0 3 0+0 0+1 0 1
Logo, A é uma matriz invertı́vel
Teorema 3. Se A é uma matriz n × n invertı́vel, então existe uma única matriz B n × n tal
que AB = In = BA
Demonstração: Sejam B e C matrizes n × n tais que:
AB = In = BA e AC = In = CA
Então:
B = BIn = B(AC) = (BA)C = In C = C
Ou seja: B = C
Logo, existe única matriz B n × n tal que AB = In = BA.
Observação 10. A matriz B n × n da definição de matriz invertı́vel (tal que AB = In = BA)

é chamada a matriz inversa de A e será denotada por A−1 .
Propriedades:
1) Se A é uma matriz n × n invertı́vel, então a matriz A−1 também é invertı́vel e (A−1 )−1 = A.
Demonstração: Temos que: A · A−1 = In = A−1 A. Então, A−1 é invertı́vel.
Como a inversa de uma matriz é única, segue que (A−1 )−1 = A (ou seja, a inversa de A−1
é A).
2) Se A e B são matrizes n × n invertı́veis, então a matriz AB também é invertı́vel e (AB)−1 =

B −1 A−1 .
Demonstração: Temos que:
(AB)(B −1 A−1 ) = A(BB −1 )A−1 = AIn A−1 = AA−1 = In
e
(B −1 A−1 )(AB) = B −1 (A−1 A)B = B −1 In B = B −1 B = In .
Assim, AB é invertı́vel (pois existe C = B −1 A−1 tal que (AB)C = In = C(AB)). Pela
unicidade da matriz inversa, segue que (AB)−1 = B −1 A−1 .
3) Se A é uma matriz n × n invertı́vel, então sua transposta At também é invertı́vel, e (At )−1 =
(A−1 )t .
Demonstração: Temos que:
At (A−1 )t = (A−1 A)t = (In )t = In .
(A−1 )t At = (AA−1 )t = (In )t = In .
Logo, At é invertı́vel (pois existe uma matriz C = (A−1 )t tal que At C = In = CAt ). Pela
unicidade da inversa, segue que (At )−1 = (A−1 )t .
A demonstração do Teorema seguinte será omitida. Ele nos diz que, se verificarmos que
AB = In , não haverá necessidade de verificarmos também que BA = In .
Teorema 4. Sejam A e B matrizes n × n. Se AB = In , então BA = In .
Exemplo 19. Consideremos as matrizes A e B abaixo. Sabendo que A−1 = B, calcule os

possı́veis valores para a, b, c, d ∈ R.
   
−2 a 0 2 1 −1 0 2
3 1 −2 −2  b 2 2 0
A= B=
   
 
−4 −1 2 c  0 −1 0 1
3 1 −1 −2 1 0 1 d
Temos que AB = I4 . Assim:
     
−2 a 0 2 1 −1 0 2 −2 + ab + 2 2 + 2a 2a + 2 −4 + 2d
3 1 −2 −2  b 2 2 0  3 + b − 2 −3 + 2 + 2 2 − 2 6 − 2 − 2d 
I4 = AB =  =
     
  
−4 −1 2 c  0 −1 0 1  −4 − b + c 4 − 2 − 2 −2 + c −8 + 2 + cd
3 1 −1 −2 1 0 1 d 3 + b − 2 −3 + 2 + 1 2 − 2 6 − 1 − 2d
Então
2 + 2a = (I4 )12 = 0 ⇒ a = −1
−4 + 2d = (I4 )14 = 0 ⇒ d = 2
3 + b − 2 = (I4 )21 = 0 ⇒ b = −1
−2 + c = (I4 )33 = 1 ⇒ c = 3
Exemplo 20. Se A = (aij )n×n é uma matriz tal que A3 = O, mostre que a inversa de (In − A)
é a matriz In + A + A2 .
Devemos mostrar que:
(In − A)(In + A + A2 ) = In .
Assim:
(In − A)(In + A + A2 ) = In In + In A + In A2 − AIn − AA − AA2 = In + A + A2 − A − A2 − A3 =
In − A3 = In − O = In .
Logo: (In − A)−1 = In + A + A2
Exemplo 21. Sejam A e B matrizes n×n invertı́veis. Consideremos as matrizes C = AB t A−1

e D = A(AB −1 )−1 . Sabendo que B −1 = B t , mostre que C −1 = D
Devemos mostrar que: CD = In . Assim:
CD = AB t A−1 A(AB −1 )−1 = AB t In (AB −1 )−1 = AB t (AB −1 )−1 = AB t (B −1 )−1 A−1 = AB t BA−1 =
AB −1 BA−1 = AIn A−1 = AA−1 = In
Logo: C −1 = D.
Alguns resultados sobre inversão de matrizes

Vamos listar, nesta parte, alguns resultados importantes sobre inversão de matrizes. As
demonstrações podem ser vistas no livro texto.
O primeiro resultado é o seguinte:
Teorema 5. Seja A uma matriz n × n. As seguintes afirmações são equivalentes:

a) Existe uma matriz B n × n tal que BA = In
b) A matriz A é equivalente por linhas à matriz identidade In .
c) A é invertı́vel.
Observemos que o Teorema acima nos oferece uma nova maneira para decidirmos se A é
invertı́vel ou não. Se A for equivalente por linha a In , A será invertı́vel. Caso contrário, ela
não é invertı́vel.
Por exemplo, a matriz A dada por:
 
0 1 4
A = 1 2 0
 
0 0 1
é equivalente por linhas à matriz I3 , pois:

     
0 1 4 1 2 0 1 0 −8
A = 1 2 0 L1 ↔ L2 0 1 4 L1 − 2L2 → L1 0 1 4  L1 + 8L3 → L1
     
0 0 1 0 0 1 0 0 1
   
1 0 0 1 0 0
0 1 4 L2 − 4L3 → L2 0 1 0 = I3
   
0 0 1 0 0 1
Pelo Teorema anterior, a matriz A é invertı́vel.

 
0 1 4
Por outro lado, se C é a matriz: C =  1 2 0
 
−1 0 8
C não é equivalente por linhas à matriz I3 . Observemos o escalonamento a seguir:

     
0 1 4 1 2 0 1 2 0
C =  1 2 0 L1 ↔ L2  0 1 4 L3 + L1 → L3 0 1 4 L1 − 2L2 → L1
     
−1 0 8 −1 0 8 0 2 8
   
1 0 −8 1 0 −8
0 1 4  L3 − 2L2 → L3 0 1 4 =D
   
0 2 8 0 0 0
D está na forma escalonada reduzida, mas não é a matriz identidade. Logo, C não é
equivalente por linhas a I3 e, assim, C não é invertı́vel.
Precisamos agora de um método para inversão de matrizes.
Seja A uma matriz n × n invertı́vel. Pelo Teorema anterior, A é equivalente por linhas
à matriz identidade In . Vamos chamar as operações elementares para ir de A até In de
op1 , op2 , · · · , opk . Dessa forma:
A op1 A1 op2 A2 −→ · · · opk In

−→ −→ −→
.
Para obtermos a matriz A−1 , é possı́vel mostrarmos que devemos aplicar a mesma sequência
de operações elementares acima partindo agora de In :
In op1 C1 op2 C2 −→ · · · opk A−1

−→ −→ −→
.
Exemplo 22. Calcule a matriz A−1 (se possı́vel), sabendo que a matriz A é dada por:
 
0 1 4
A = 1 2 0
 
0 0 1
De fato, já mostramos que a matriz acima é equivalente por linhas à matriz identidade I3 .
Assim, A é invertı́vel e é possı́vel encontrarmos A−1 . Usando as mesmas operações ele-
mentares:
       
1 0 0 0 1 0 −2 1 0 −2 1 8
0 1 0 L1 → L2 1 0 0 L1 − 2L2 → L1  1 0 0 L1 + 8L3 → L1  1 0 0
       
0 0 1 0 0 1 0 0 1 0 0 1
 
−2 1 8
L2 − 4L3 → L2  1 0 −4
 
0 0 1
Então:
 
−2 1 8
A−1 =  1 0 −4
 
0 0 1
Observação 11. Dada uma matriz A n × n, podemos fazer o seguinte para encontrarmos sua
inversa (se ela for invertı́vel):
.. .. −1
h i h i
A.In operações elementares In .A
O exemplo a seguir irá ilustrar esta observação:
Exemplo 23. Dada a matriz B abaixo, encontre sua inversa, se possı́vel:
 
1 2 −2
B = 2 5 −4
 
3 7 −5
Temos:
 ..   .. 
1 2 −2 . 1 0 0 1 2 −2 . 1 0 0
 ..   .. 
 L2 − 2L1 → L2 e L3 − 3L1 → L3 
2 5 −4 . 0 1 0 . −2 1
 0 1 0 0

.. ..
3 7 −5 . 0 0 1 0 1 1 . −3 0 1
 .   . 
1 0 −2 .. 5 −2 0 1 0 0 .. 3 −4 2
 ..   . 
L1 − 2L2 → L1 e L3 − L2 → L3 0 1 0 . −2 1 0 L1 + 2L3 → L1  0 1 0 .. −2 1 0

. ..
0 0 1 .. −1 −1 1 0 0 1 . −1 −1 1
Logo, B é invertı́vel (pois é linha equivalente à matriz I3 ) e temos:

 
3 −4 2
B −1 = −2 1 0
 
−1 −1 1
Exemplo 24. Dada a matriz C abaixo, encontre sua inversa, se possı́vel:
 
−1 5 1
C= 0 3 1
 
1 −2 0
Temos:
 ..   . 
−1 5 1 . 1 0 0 1 −5 −1 .. −1 0 0
 ..   . 
0
 3 1 . 0 1 0 −L1 → L1 0 3
 1 .. 0  L3 − L1 → L3
1 0
.. .
1 −2 1 . 0 0 1 1 −2 0 .. 0 0 1
 ..   . 
1 −5 −1 . −1 0 0 1 −5 −1 .. −1 0 0
 ..   .  1
0 3
 1 . 0 1 0  L 3 − L 2 → L 3
0 3
 1 .. 0 1 0  3 L2 → L2
.. .
0 3 1 . 1 0 1 0 0 0 .. 1 −1 1
 ..   . 
1 −5 −1 . −1 0 0 1 0 23 .. 5
−1 3 0

0 1 1 .. 1  5L2 + L1 → L1 0 1 1 ...
 
1

 3
. 0 3
0   3
0 3
0

.. .
0 0 0 . 1 −1 1 0 0 0 .. 1 −1 1
 
1 0 23
A matriz 0 1 13  já está na forma escalonada reduzida. Então, C não é invertı́vel, pois
 
0 0 0
não é equivalente por linhas à matriz I3 . A matriz ”à direita”obtida após o escalonamento não
tem significado.
O Teorema abaixo nos dá uma relação entre matrizes invertı́veis e solução de sistemas.
Teorema 6. Seja A uma matriz n × n (quadrada). O sistema associado AX = B tem solução
única se, e somente se, A é invertı́vel. Neste caso, a solução é X = A−1 B
Em particular, podemos escrever que o sistema homogêneo AX = O tem solução

única (X = O) se, e somente se, A é invertı́vel. Neste caso, se estivermos trabalhando
com uma matriz não invertı́vel A, o sistema homogêneo AX = O terá infinitas soluções.
Observação 12. No Teorema, no caso de A ser invertı́vel, o sistema AX = B pode ser

resolvido da seguinte forma:
AX = B =⇒ A−1 AX = A−1 B =⇒ In X = A−1 B =⇒ X = A−1 B
X = A−1 B é a solução do sistema.
De forma análoga, se A é invertı́vel, podemos escrever:
AX = O =⇒ A−1 AX = A−1 O =⇒ X = O
Então, X = O é a solução (única) do sistema.
Exemplo 25. Resolver o sistema:

−2x1 + 3x2 − x3 = 1



x1 − 3x2 + x3 = 7


 −x1 + 2x2 − x3 = 0

 
−2 3 −1
A matriz A =  1 −3 1  dos coeficientes do sistema é uma matriz invertı́vel e sua
 
−1 2 −1
−1
inversa A é dada por:
 
−1 −1 0
A−1 =  0 −1 −1
 
1 −1 −3
   
x1 1
Resolvendo então o sistema AX = B, onde X = x2  e B = 7 , obtemos:
   
x3 0
AX = B =⇒ A−1 AX = A−1 B =⇒ In X = A−1 B =⇒ X = A−1 B

      
−1 −1 0 1 −1 − 7 −8
X =  0 −1 −1 7 =  −7  = −7
      
1 −1 −3 0 1−7 −6
Solução do sistema:
 
−8
X = −7 ou x1 = −8, x2 = −7, x3 = −6
 
−6
Exemplo 26. Sejam A e B matrizes invertı́veis tais que

   
1 2 −3 −1 0 0
A = 0 −1 1  e B −1 =  2 1 0
   
0 0 −1 0 2 2
   
−1 x
Se C =  0  e X = y , resolva o sistema: BA−1 X = C
   
2 z
Temos:
BA−1 X = C =⇒ B −1 BA−1 X = B −1 C =⇒ I3 A−1 X = B −1 C =⇒ A−1 X = B −1 C =⇒
AA−1 X = AB −1 C =⇒ I3 X = AB −1 C =⇒ X = AB −1 C
Assim:
         
1 2 −3 −1 0 0 −1 −1 + 4 2 − 6 −6 −1 3 −4 −6 −1
X = 0 −1 1   2 1 0  0  =  −2 −1 + 2 2   0  = −2 1 2  0  =
         
0 0 −1 0 2 2 2 0 −2 −2 2 0 −2 −2 2
   
−3 − 12 −15
 2+4 = 6 
   
−4 −4
 
−15
Solução: X =  6 
 
−4
Exercı́cios:
   
−1 0 1 −1 0 0
1) Considere as matrizes invertı́veis A =  2 2 0  e B −1 =  0 1 0 . Considere
   
0 −1 1 2 0 1
t −1
a matriz C = A B. Sobre a matriz C , podemos afirmar que a soma dos elementos de sua
última linha vale:
5 3 3 1
a). b). −2 c). d). e).
2 4 2 4
Resposta: letra (d).
2) Considere as matrizes A, B e C −1 dadas por:

   
1 2 −3 −1 0 " #
1 −1
A =  0 −1 1 , B= 0 2  e C −1 =
   
0 1
0 0 −1 1 −1
Sabendo que CM A−1 = −3B t , sobre a matriz M , podemos afirmar que:
a). a soma dos elementos de sua diagonal principal é 3.
b). a soma dos elementos de sua última coluna é −6.
c). a soma dos elementos de sua primeira coluna é −12.
d). a soma dos elementos de sua primeira linha é 5.
e). a soma dos elementos de sua última linha é 1.
Resposta: letra (b).
 
−1 0 1
3) Considere a matriz invertı́vel A =  2 1 0 . Considere a matriz C = At (a matriz
 
0 2 2
−1
transposta de A). Sobre a matriz C , podemos afirmar que a soma dos elementos de sua
última coluna vale:
5 3 1 3
a). b). − c). −2 d). e).
2 4 2 2
Resposta: letra (a).

 
1 −2 2
C −1 =  1 −1 1 .
 
− 12 1 − 12
4) Considere as matrizes A (invertı́vel) e B dadas por:

 
1 2 −3 " #
−1 0 1
A =  0 −1 1 , B= .
 
0 2 −1
0 0 −1
Sabendo que A−1 M = 2B t , sobre a matriz M , podemos afirmar que:

b). a soma dos elementos de sua última coluna é 10.
e). a soma dos elementos de sua última linha é 2.

 
−8 14
M =  2 −6 .
 
−2 2
 
−1 0 1
5) Considere a matriz invertı́vel A =  2 2 0 . Considere a matriz C = At (a matriz
 
0 −1 1
−1
transposta de A). Sobre a matriz C , podemos afirmar que a soma dos elementos de sua
última coluna vale:
5 3 5 3
a). b). − c). −2 d). e).
2 4 4 2

 
− 12 1
2
1
2
C −1 =  41 1 1
.
 
4 4
1 1 1
2
− 2 2
6) Considere as matrizes A (invertı́vel) e B dadas por:

   
1 2 −3 −1 0
A =  0 −1 1 , B= 0 2 .
   
0 0 −1 1 −1
Sabendo que M A−1 = −3B t , sobre a matriz M , podemos afirmar que:
b). a soma dos elementos de sua última coluna é 10.
e). a soma dos elementos de sua última linha é -3.
Resposta: letra (e).

" #
3 6 −6
M= .
0 6 −9
7) Encontre a matriz inversa das seguintes matrizes, se possı́vel:

     
1 0 2 −1 0 1 −1 0 1
A= 3 1 0  B= 2 1 0  C= 2 2 0 
     
2 0 2 0 2 2 0 −1 1
   
−1 0 1 1 0 0
D= 2 3 2  E= 3 0 0 
   
0 2 2 2 −9 5
Resposta:
     
−1 0 1 1 1 − 21 − 21 1
4
1
2
A−1 =  3 1 −3  B −1 =  −2 −1 1  C −1 =  1 1
− 12
     
2 4 
1 0 − 12 2 1 − 21 1
2
1
4
1
2
 
1 1 − 32
D−1 =  −2 −1 2 
 
2 1 − 32
.
E não é invertı́vel.
1.4. DETERMINANTES 51
1.4 Determinantes
Definição 14. Seja A = (aij )n×n uma matriz n × n (quadrada). O determinante de A (que
indicamos por detA) é calculado da seguinte forma:
• n=2:
" #
a11 a12
sendo A = , temos detA = a11 a22 − a12 a21
a21 a22
• n>2
i+j
Vamos definir: af ij = (−1) detA
fij onde A
fij é a matriz (n−1)×(n−1) obtida retirando-
se a i-ésima linha de A e j-ésima coluna de A, i, j = 1, · · · , n.
ij é o cofator do elemento aij .

af
Escolhendo uma linha da matriz A, digamos, a linha i, temos:
detA = ai1 af
i1 + ai2 a
fi2 + · · · + ain a
fin
Ou podemos escolher uma coluna de A para o cálculo do determinante. Escolhendo a

coluna j, temos:
detA = a1j af
1j + a2j a
f2j + · · · + anj a
f nj
Exemplo 27. Calcule o determinante das seguintes matrizes:

" #
−1 3
a) A = detA = (−1)5 − 3 · 2 = −5 − 6 = −11
2 5
 
−1 3 0
b) B =  2 −1 1 Podemos escolher qualquer linha ou qualquer coluna para o
 
5 2 2
cálculo do determinante. Por exemplo, escolhendo a linha 1 e usando que B = (bij )3×3 , temos:
11 + b12 b12 + b13 b13 = −1b11 + 3b12 + 0b13 = −b11 + 3b12

detB = b11 bf f f f f f f f
Vamos calcular os cofatores bf

11 e b12 .
f
" #
1+1 −1 1
bf
11 = (−1) det = (−1) · (2) − 1 · 2 = −4
2 2
"#
1+2 2 1
bf
12 = (−1) det = (−1)3 · [2 · 2 − 1 · 5] = 1
5 2
Voltando ao cálculo do determinante:
detB = −bf
11 + 3b12 = 4 + 3 · 1 = 7
f
 
1 2 0 −1
−1 1 1 0
c) C = 
 

0 5 2 0
4 −1 1 3
Vamos escolher a 4a coluna para o cálculo do determinante de C. Indicando por C =

(cij )4×4 , temos:
detC = c14 cf
14 + c24 c
f 24 + c34 c
f 34 + c44 c
f 44 =
= −1f
c14 + 0f
c24 + 0f
c34 + 3f
c44 =
= −f
c14 + 3f
c44
Vamos calcular os cofatores cf

14 e c
f 44
   
−1 1 1 −1 1 1
1+4
cf
14 = (−1) det  0 5 2 = (−1)det  0 5 2
   
4 −1 1 4 −1 1
 
−1 1 1
Vamos chamar a matriz  0 5 2 de D = (dij )3×3 .
 
4 −1 1
Calculando o determinante de D usando a 2a linha, temos:
detD = d21 df
21 + d22 d22 + d23 d23 =
f f
= 0df
21 + 5d22 + 2d23 = 5d22 + 2d23 =
f f f f
" # " #
−1 1 −1 1
= 5(−1)2+2 det + 2(−1)2+3 det
4 1 4 −1
= 5(−1 − 4) + 2(−1)(1 − 4) = 5(−5) − 2(−3) = −25 + 6
= −19 ⇒ detD = −19
Então:
1+4
cf
14 = (−1) detD = (−1)(−19) = 19
   
1 2 0 1 2 0
4+4
cf
44 = (−1) det −1 1 1 = det −1 1 1
   
0 5 2 0 5 2
 
1 2 0
Vamos chamar a matriz −1 1 1 de E = (eij )3×3 . Calculemos o valor de detE usando
 
0 5 2
a 1a coluna:
detE = e11 ef
11 + e21 e
f21 + e31 e
f31 =
= 1ef
11 + (−1)ef21 + 0e
f31 = e
f11 − e
f21 =
" # " #
1 1 2 0
= (−1)1+1 det − (−1)2+1 det =
5 2 5 2
= (1 · 2 − 1 · 5) − 1(−1)(4 − 0) = −3 + 4 = 1
Assim: cf
44 = detE = 1.
Voltando ao cálculo do determinante de C:
detC = −f c44 = −19 + 3 · 1 = −16.

c14 + 3f
 
−1 1 3 −2
0 0 2 1
Exemplo 28. Considere a matriz: A =  . Sabendo que detA = 0, calcule o
 
2 0 −1 α 
2 6 0 −2
valor de α.
Escolhendo a 2a linha da matriz A = (aij ) para o cálculo do determinante, temos:

detA = a21 af
21 + a22 a
f 22 + a23 a
f23 + a22 a
f 24 =
= 0af
21 + 0a
f22 + 2a
f23 + 1a
f24 = 2a
f23 + a
f24
Calculando os cofatores af
23 e a
f24 :
   
−1 1 −2 −1 1 −2
2+3
af
23 = (−1) det  2 0 α  = (−1) det  2 0 α .
   
2 6 −2 2 6 −2
 
−1 1 −2
Chamando B =  2 0 α  e escolhendo a 2a coluna para o cálculo de detB, temos:
 
2 6 −2
detB = b12 bf
12 + b22 b22 + b32 b32 = 1b12 + 0b22 + 6b32 = b12 + 6b32 =
f f f f f f f
" # " #
2 α −1 −2
= (−1)1+2 det + 6(−1)3+2 det = −1(−4 − 2α) + 6(−1)(−α + 4) =
2 −2 2 α
= 4 + 2α − 6(−α + 4) = 4 + 2α + 6α − 24 = 8α − 20.
23 = (−1) detB = 20 − 8α
Assim: af
Cálculo de af
24 :
   
−1 1 3 −1 1 3
2+4
af
24 = (−1) det  2 0 −1 = det  2 0 −1
   
2 6 0 2 6 0
 
−1 1 3
Chamando C =  2 0 −1, e escolhendo a 2a linha para o cálculo de detC, temos:
 
2 6 0
detC = c21 cf
21 + c22 c
f 22 + c23 c
f 23 = 2f c22 − 1f
c21 + 0f c21 − cf
c23 = 2f 23 =
" # " #
1 3 −1 1
= 2(−1)2+1 det − (−1)2+3 det = −2(0 − 18) + (−6 − 2) = 36 − 8 = 28
6 0 2 6
af
24 = detC = 28.
Voltando ao cálculo de A:
detA = 2(20 − 8α) + 28 = 40 − 16α + 28 = 68 − 16α

68 17
0 = detA = 68 − 16α ⇒ α = ⇒α=
16 4
Propriedades e exemplos:
(1) Sejam A e B matrizes n × n. Se B é obtida de A multiplicando-se uma linha de A por

α 6= 0, então detB = αdetA.
(2) Sejam A e B matrizes n × n. Se B é obtida de A trocando-se a posição de 2 linhas de A,

então detB = −detA.
(3) Sejam A e B matrizes n × n. Se B é obtida de A substituindo a linha l (de A) por ela

somada a um múltiplo escalar de uma linha k (de A), com k 6= l, então detB = detA.
Exemplo 29. Seja A uma matriz 3 × 3. A partir de A, fizemos as seguintes operações

elementares, obtendo as matrizes B, C e D:
A L1 ↔ L3 B 5L2 → L2 C −7L1 + L2 → L2 D
Sabendo que detA = −2, calcule o determinante de D.
Usando as propriedades 1, 2 e 3, podemos escrever:
detB = −detA (Propriedade 2)

detC = 5detB (Propriedade 1)
detD = detC (Propriedade 3)
Assim:
detB = −detA = −(−2) = 2.

detC = 5detB = 5 · 2 = 10.
detD = detC = 10.
Logo: detD = 10
Exemplo 30. Mostre que se A é uma matriz n × n que possui 2 linhas iguais, então detA = 0.
De fato, suponhamos que as linhas k e l de A sejam iguais. Vamos fazer uma operação
elementar em A:
A Lk ↔ Ll B
Pela propriedade 3, temos que detB = −detA. Mas B = A, já que as linhas k e l são
iguais. Logo, detA = −detA, o que nos diz que detA = 0.
(4) Se A é uma matriz n × n, então detAt = detA.

Ilustração:
Vamos mostrar o resultado para n = 2 e n = 3.
" # " #
a11 a12 a11 a21
• n=2 A= At =
a21 a22 a12 a22
detAt = a11 a22 − a21 a12 = detA
   
a11 a12 a13 a11 a21 a31
• n=3 A = a21 a22 a23  At = a12 a22 a32 
   
a31 a32 a33 a13 a23 a33
Usando a 1a coluna de At para o cálculo de seu determinante e o que foi provado para
matrizes 2 × 2, temos:
" # " # " #
a22 a32 a21 a31 a21 a31
detAt = a11 (−1)1+1 det +a12 (−1)2+1 det +a13 (−1)3+1 det =
a23 a33 a23 a33 a22 a32
" # " # " #
a22 a23 a21 a23 a21 a22
= a11 (−1)1+1 det +a12 (−1)1+2 det +a13 (−1)1+3 det =
a32 a33 a31 a33 a31 a32
= detA
Exemplo 31. Se A é uma matriz que possui duas colunas iguais, então o seu determinante vale
0. De fato, a matriz At possui duas linhas iguais. Então, det At = 0. Como det A = det At ,
segue que det A = 0.
(5) Se A e B são matrizes n × n, então det(AB) = detA · detB
Observação 13. A propriedade (5) vale para um número finito de matrizes; se A1 , A2 , · · · , Ak

são matrizes n × n, então:
det(A1 A2 · · · Ak ) = detA1 · detA2 · · · detAk
(6) Se A = (aij )n×n é uma matriz triangular superior (ou inferior), então detA = a11 a22 · · · ann
(produto dos elementos da diagonal principal).
 
2 0 0 0
 −2 3 0 0  1
Por exemplo: det   = 2.3. .10 = 12.
 
 0 −4 15 0  5
9 −8 3 10
(7) Se A = (aij )n×n é uma matriz diagonal, então detA = a11 · a22 · · · ann
 
2 0 0 0
 0 −3 0 0 
Por exemplo: det   = 2.(−3).π.(−10) = 60π.
 
 0 0 π 0 
0 0 0 −10
Observação 14. A propriedade (7) é consequência da propriedade (6).
(8) Se A = (aij )n×n é uma matriz invertı́vel, então detA 6= 0 e vale

1
detA−1 =
detA
Demonstração
A · A−1 = In =⇒ det(A · A−1 ) = det(In ) =⇒ detA · detA−1 = det(In )
=⇒ detA · detA−1 = 1
1
Temos então que detA 6= 0. E ainda: detA−1 =
detA
Exemplo 32. Seja A uma matriz n × n invertı́vel tal que A−1 = A2 . Mostre que detA = 1.
Temos que:
A−1 = A2
detA−1 = detA2
1
= det(A · A)
detA
1
= detA · detA
detA
1 = detA · detA · detA
(detA)3 = 1 =⇒ detA = 1
(9) Se A é uma matriz n × n e α ∈ R, então det(αA) = αn detA.
Ilustração: vamos demonstrar a propriedade para n = 3:
   
a11 a12 a13 αa11 αa12 αa13
A = a21 a22 a23  e αA = αa21 αa22 αa23 
   
a31 a32 a33 αa31 αa32 αa33
   
αa11 αa12 αa13 αa11 αa12 αa13
A αL1 → L1  a21 a22 a23  = A1 αL2 → L2 αa21 αa22 αa23  = A2
   
a31 a32 a33 a31 a32 a33

 
αa11 αa12 αa13
αL3 → L3 αa21 αa22 αa23  = αA
 
αa31 αa32 αa33
detA1 = α detA
detA2 = α detA1 = α (α detA) = α2 detA
det(αA) = α detA2 = α(α2 detA) = α3 detA
Ou seja:
det(αA) = α3 detA
Exemplo 33. Se A é uma matriz 3 × 3 invertı́vel e detA = 2, calcule o determinante de B,

onde B = 4A2 At A−1
Temos:
detB = det(4A2 At A−1 ) = 43 detA2 detAt detA−1 =
1
= 64 detA detA detA = 64(detA)2 = 64 · 4 = 256
detA
Observação 15. Ainda podemos mostrar como propriedade de determinantes: se uma matriz
A possui uma linha múltipla de outra linha, então seu determinante vale 0. O resultado vale
também para colunas.
Teorema 7. Seja A uma matriz n × n. A é uma matriz invertı́vel se, e somente se, detA 6= 0.
1
Neste caso: detA−1 = .
detA
Exercı́cios:
" #
k k
1) Determine os valores de k ∈ R para os quais det = 0.
4 2k
Resposta: 0 ou 2.
2) Calcule o determinante das seguintes matrizes:
 
  3 −2 −5 4  
t+3 0 1 a b c
 −5 2 8 −5 
A= 5 t−2 1  B= C= c a b 
     

 −2 4 7 −3 
6 t−2 t+4 b c a
2 −3 −5 8
   
1 1 −1 0   −1 2 3 −4
1 −2 3
 0 0 −2 1   4 2 0 0 
D= E= 2 1 −1  F =
     
 
 1 2 0 −3   −1 2 −3 0 
−2 −1 2
−1 0 1 1 2 5 3 1
Resposta: det A = (t + 2)(t − 2)(t + 4), det B = −54, det C = a3 + b3 + c3 − 3abc,

det D = 7, det E = 5 det B = 372
3) Faça o que se pede.

 
1 0 −1 −1
 0 2 2 −2 
a). Calcule o determinante da matriz: A =  .
 
 2 −6 −1 0 
0 2 1 1
b). Se B é um matriz de tamanho 4 × 4 tal que det B = b, quanto vale o determinante da

1
matriz C = B 2 B t ? Justifique sua resposta.
3
b3
Resposta: a). 34. b). .
81
 
1 0 2 4
 0 1 2 2 
4) Considere a matriz A =  . Se C é uma matriz 4 × 4 tal que det C = −8,
 
 1 0 3 6 
1 0 6 10
então o determinante da matriz CA−1 vale:

a). −10.
b). 4.
c). 16.
d). −4.
e). −16.
5) A partir de uma matriz A de tamanho 3×3 invertı́vel, foi feita a seguinte operação elementar
para se obter a matriz B (troca de posição de duas linhas):
A 1a linha ↔ 3a linha B
Sabendo que det B = 4, o valor do determinante de 2A−1 é:
1 1
a). det 2A−1 = −4 b). det 2A−1 = − c). det 2A−1 = d). det 2A−1 = −2
2 2
e). det 2A−1 = 2
6) Considere a matriz A de tamanho 4 × 4 invertı́vel tal que sua inversa é dada por:
 
0 1 0 0
−1
 1 0 0 1 
A =  , a, b, c ∈ R
 
 a 2 −1 0 
b −1 c 2
" #
a −1
Calcule o valor do determinante de A, sabendo que det = 5.
b c
1
Resposta: − .
3
7) A partir de uma matriz A de tamanho 3 × 3 invertı́vel, foi feita a seguinte operação

elementar para se obter a matriz B (troca de posição de duas linhas):
A 1a linha ↔ 3a linha B
Sabendo que det B = −5, o valor do determinante de A−1 é:
5 1
a). det A−1 = b). det A−1 = − c). det A−1 = −5 d). det A−1 = 5 e).
2 5
−1 1
det A =
5
Resposta: letra (e).
8) Considere uma matriz A de tamanho 3 × 3 tal que det A = −4. Seja B a matriz
1
B = A2 At A−1 . O determinante de B vale:
2
1 1
a). det B = 8 b). det B = 2 c). det B = 32 d). det B = e). det B =
8 2
9) Dadas as matrizes M e N abaixo, sabendo que det N = 2, calcule os valores de:

a). det M

1
b). det − M .
3
Justifique os passos da resolução.

   
x y z r 5r + x −2a
M = a b c  N =  s 5s + y −2b 
   
r s t t 5t + z −2c
1
Resposta: a). −1. b). .
27
Capı́tulo 2
O Espaço Vetorial Rn
Consideremos o conjunto de todas as n-uplas de números reais:
Rn = {(x1 , ..., xn ) ; xi ∈ R, i = 1, ..., n}
onde n ∈ N é um número (inteiro positivo) fixado.

Por exemplo, temos que:
R1 = R
R2 = {(x1 , x2 ) ; x1 , x2 ∈ R}
R3 = {(x1 , x2 , x3 ) ; x1 , x2 , x3 ∈ R}
√

5
Por exemplo, as duplas −1, 5 e 0, pertecem ao conjunto R2 . As 3-uplas (2, 0, 0)
7
e (−π, 3, −6) pertencem ao conjunto R3 .
Vamos atribuir duas operações ao conjunto Rn :
Adição: associa, a cada par de elementos u = (x1 , ..., xn ) e v = (y1 , ..., yn ) em Rn , um

elemento u + v ∈ Rn dado por: u + v = (x1 + y1 , ..., xn + yn ).
Multiplicação por escalar: associa, a cada escalar a ∈ R e cada elemento u = (x1 , ..., xn ) ∈
n
R , um elemento au ∈ Rn dado por: au = (ax1 , ..., axn ).
63
64 CAPÍTULO 2. O ESPAÇO VETORIAL RN
Observemos que essas operações satisfazem as seguintes propriedades:
1). u + v = v + u para todo u, v ∈ Rn .
De fato, se u = (x1 , ..., xn ) e v = (y1 , ..., yn ) em Rn , então:
u + v = (x1 , ..., xn ) + (y1 , ..., yn ) = (x1 + y1 , ..., xn + yn ) = (y1 + x1 , ..., yn + xn )
= (y1 , ..., yn ) + (x1 , ..., xn ) = v + u
2). u + (v + w) = (u + v) + w para todo u, v, w ∈ Rn .
De fato, se u = (x1 , ..., xn ), v = (y1 , ..., yn ) e w = (z1 , ..., zn ) em Rn , então:
u + (v + w) = (x1 , ..., xn ) + [(y1 , ..., yn ) + (z1 , ..., zn )] = (x1 , ..., xn ) + (y1 + z1 , ..., yn + zn )
= (x1 + (y1 + z1 ) , ..., xn + (yn + zn )) = ((x1 + y1 ) + z1 , ..., (xn + yn ) + zn )
= [(x1 , ..., xn ) + (y1 , ..., yn )] + (z1 , ..., zn ) = (u + v) + w
3). Existe um (único) elemento 0 ∈ Rn tal que u + 0 = u para todo u ∈ Rn .

Esse elemento é da forma 0 = (0, ..., 0) ∈ Rn . Assim, para todo u = (x1 , ..., xn ), podemos
escrever:
u + 0 = (x1 , ..., xn ) + (0, ..., 0) = (x1 + 0, ..., xn + 0) = (x1 , ..., xn ) = u
4). Para cada u ∈ Rn , existe (e é único) v ∈ Rn tal que u + v = 0. Esse elemento v é denotado
por −u. Se u = (x1 , ..., xn ), temos que −u = (−x1 , ..., −xn ). Assim, temos: u + (−u) = 0.
5). 1.u = u para todo u ∈ Rn .

De fato, se u = (x1 , ..., xn ) em Rn , então:
1.u = 1. (x1 , ..., xn ) = (1.x1 , ..., 1.xn ) = (x1 , ..., xn ) = u

65
6). (ab) u = a (bu) para todo u ∈ Rn e a, b ∈ R.
De fato, se u = (x1 , ..., xn ) em Rn , então:
(ab)u = ((ab)x1 , ..., (ab)xn ) = (a (bx1 ) , ..., a (bxn )) = a (bx1 , ..., bxn ) = a(bu)
7). a(u + v) = au + av, para todo u, v ∈ Rn e a ∈ R.

De fato, se u = (x1 , ..., xn ), v = (y1 , ..., yn ) em Rn e a ∈ R, então:
a(u + v) = a [(x1 , ..., xn ) + (y1 , ..., yn )] = a (x1 + y1 , ..., xn + yn ) = (a (x1 + y1 ) , ..., a (xn + yn ))
= (ax1 + ay1 , ..., axn + ayn ) = (ax1 , ..., axn )+(ay1 , ..., ayn ) = a (x1 , ..., xn )+a (y1 , ..., yn ) = au+av
8). (a + b)u = au + bu, para todo a, b ∈ R e u ∈ Rn .
De fato, se a, b ∈ R e u = (x1 , ..., xn ) em Rn , então:
(a + b)u = ((a + b)x1 , ..., (a + b)xn ) = (ax1 + bx1 , ..., axn + bxn ) = (ax1 , ..., axn ) + (bx1 , ..., bxn )
= a (x1 , ..., xn ) + b (x1 , ..., xn ) = au + bu
Como o conjunto Rn , com as duas operações citadas acima, satisfazem as 8 propriedades

listadas acima, vamos dizer que Rn , com as duas operações citadas acima, é um espaço
vetorial sobre R. Os elementos desse espaço vetorial são chamados de vetores.
Observação 16. a). O elemento 0 = (0, ..., 0) ∈ Rn da propriedade 3 é chamado de vetor

nulo do espaço.
b). As operações de adição e multiplicação por escalar definidas no inı́cio são as chamadas
operações usuais de Rn .
c). Podemos também trabalhar em Rn com outras operações, diferentes das usuais. Caso as
8 propriedades sejam verificadas para Rn com essas operações, então podemos dizer que Rn ,
com essas novas operações, é um espaço vetorial.
d). Rn , com as operações usuais, é apenas um exemplo de espaço vetorial.

Se trabalharmos, por exemplo, com o conjunto V = M2×3 (R) das matrizes 2 × 3 com
elementos reais munido das operações de adição e multiplicação por escalar que vimos no
capı́tulo 1 (chamadas de operações usuais), podemos mostrar que V = M2×3 (R), com essas
operações, é um espaço vetorial.
Neste capı́tulo, vamos tratar do espaço vetorial Rn com as operações usuais. A

partir de agora, vamos dizer apenas ”espaço vetorial Rn ”ou somente Rn , ficando subentendido
que estamos trabalhando com o espaço vetorial Rn munido das operações usuais.
Algumas consequências da definição de espaço vetorial
a). Se u, v, w ∈ Rn e u + v = u + w, então v = w.
b). Se 0 ∈ Rn é o vetor nulo de Rn e a ∈ R, então a0 = 0.
c). Dados 0 ∈ R e u ∈ Rn , temos: 0u = 0.
d). Se a ∈ R, u ∈ Rn e au = 0, então a = 0 ou v = 0.
e). (−1)u = −u, para todo u ∈ Rn .
2.1 Subespaços Vetoriais
Definição 15. Seja W ⊂ Rn . W é um subespaço vetorial de Rn quando também é um

espaço vetorial se considerarmos W munido das mesmas operações de adição de vetores e
multiplicação por escalar do espaço vetorial Rn (no nosso curso, operações usuais de Rn ).

Os conjuntos Rn e 0 são sempre subespaços vetoriais de Rn .
O teorema abaixo nos oferece uma forma de se mostrar que um subconjunto de Rn é um
subespaço vetorial:
Teorema 8. Seja W ⊂ Rn . W é um subespaço vetorial de Rn se, somente se, as três condições

abaixo são verificadas:
i) 0 (o vetor nulo do espaço vetorial Rn ) pertence a W .
2.1. SUBESPAÇOS VETORIAIS 67
ii) Se u, v ∈ W , então u + v ∈ W .
iii) Se u ∈ W e a ∈ R, então au ∈ W .
O teorema acima nos diz que, se verificarmos que o vetor nulo de Rn está em W e ainda,
se existe o fechamento das operações em W , então podemos garantir que W , munido das
operações de Rn , é um espaço vetorial. Em outras palavras, podemos garantir que W é um
subespaço vetorial de Rn .
Exemplo 34. O conjunto W = {(x, 0); x ∈ R} ⊂ R2 é um subespaço vetorial de R2 (com as
operações usuais).
Vamos verificar as três condições do teorema acima.
i) O vetor nulo 0 = (0, 0) de R2 está em W , pois satisfaz a condição dos vetores do conjunto
W , isto é, é um vetor de R2 que tem sua segunda componente nula.
ii) Sejam w1 = (x1 , 0) e w2 = (x2 , 0) vetores de W (observemos que ambos possuem sua
segunda componente nula: essa é a condição para que eles façam parte de W ). Vamos mostrar
agora que o vetor w1 + w2 é um vetor de W :
w1 + w2 = (x1 , 0) + (x2 , 0) = (x1 + x2 , 0 + 0) = (x1 + x2 , 0).
Como o vetor w1 + w2 = (x1 + x2 , 0) satisfaz a condição dos vetores de W (isto é, é um

vetor de R2 que tem sua segunda componente nula), temos que w1 + w2 ∈ W .
iii) Sejam w = (x, 0) ∈ W e a ∈ R. Vamos mostrar que o vetor aw pertence a W :
aw = a(x, 0) = (ax, a0) = (ax, 0).
Como o vetor aw = (ax, 0) satisfaz a condição dos vetores de W (isto é, é um vetor de R2
que tem sua segunda componente nula), temos que aw ∈ W .
Logo, W é um subespaço vetorial de R2 .
Exemplo 35. O conjunto W = (x, y, z) ∈ R3 ; x = 2z ⊂ R3 é um subespaço vetorial de R3

(com as operações usuais).
i) O vetor nulo 0 = (0, 0, 0) de R3 está em W , pois satisfaz a condição dos vetores do conjunto
W , isto é, é um vetor de R3 tal que sua primeira componente (que é zero) é igual a 2 vezes a
sua terceira componente (que é zero).
ii) Sejam w1 = (x1 , y1 , z1 ) e w2 = (x2 , y2 , z2 ) vetores de W , onde x1 = 2z1 e x2 = 2z2 . Vamos

mostrar agora que o vetor w1 + w2 é um vetor de W . Antes de fazermos as contas, vamos
reescrever os vetores w1 e w2 usando as condições x1 = 2z1 e x2 = 2z2 :
w1 = (x1 , y1 , z1 ) = (2z1 , y1 , z1 ) w2 = (x2 , y2 , z2 ) = (2z2 , y2 , z2 ).
Assim:
w1 +w2 = (2z1 , y2 , z2 )+(2z2 , y2 , z2 ) = (2z1 +2z2 , y1 +y2 , z1 +z2 ) = (2(z1 + z2 ), y1 + y2 , z1 + z2 ) .
Como o vetor w1 + w2 = (2(z1 + z2 ), y1 + y2 , z1 + z2 ) satisfaz a condição dos vetores de

W (isto é, é um vetor de R3 que tem sua primeira componente igual a 2 vezes a terceira
componente), temos que w1 + w2 ∈ W .
iii) Sejam w = (x, y, z) ∈ W , com x = 2z e a ∈ R. Vamos inicialmente reescrever o vetor w:
w = (2z, y, z). Vamos mostrar agora que o vetor aw pertence a W :
aw = a(2z, y, z) = (a(2z), ay, az) = (2(az), ay, az) .
Como o vetor aw = (2(az), ay, az) satisfaz a condição dos vetores de W (isto é, é um vetor
de R3 que tem sua primeira componente igual a 2 vezes a terceira componente), temos que
w ∈ W.
Logo, W é um subespaço vetorial de R3 .
Exemplo 36. O conjunto W = (x, x2 , 0); x ∈ R ⊂ R3 não é um subespaço vetorial de R3

(com as operações usuais).

Para comprovarmos a afirmação anterior, temos que dizer o que falha no teorema. Basta
que uma das três condições do teorema não seja verificada para podermos afirmar que W não
é um subespaço vetorial de R3 .
A condição (i) é verificada, pois a segunda componente do vetor nulo de R3 , 0 = (0, 0, 0),
é o quadrado da primeira componente e sua terceira componente é zero. Mas a condição (ii)
não é sempre verdadeira:
Por exemplo: w1 = (2, 4, 0) pertence a W , pois 4 = 22 (segunda componente é o quadrado
da primeira) e a terceira componente de w1 é zero.
w2 = (−2, 4, 0) pertencem a W pelos mesmos motivos citados para w1 . O que acontece com
w1 + w2 ? Vejamos:
w1 + w2 = (2, 4, 0) + (−2, 4, 0) = (2 − 2, 4 + 4, 0 + 0) = (0, 8, 0).
Observemos que w1 + w2 é um vetor de R3 , mas sua segunda componente não é o quadrado

da primeira componente (8 6= 02 ). Logo, w1 + w2 ∈
/ W . O item (ii) do teorema não é satisfeito
3
então. Assim, W não é um subespaço de R .
Exemplo 37. O conjunto W = (x1 , x2 , x3 , x4 ) ∈ R4 ; 3x1 − x2 + 2x4 = 0 ⊂ R4 é um su-

bespaço vetorial de R4 .
i) O vetor nulo de R4 , 0 = (0, 0, 0, 0), pertence a W , pois satisfaz a condição 3x1 − x2 +2x4 = 0
(no caso do vetor nulo, temos x1 = x2 = x3 = x4 = 0).
ii) Sejam u = (x1 , x2 , x3 , x4 ) e v = (y1 , y2 , y3 , y4 ) vetores de W , com 3x1 − x2 + 2x4 = 0 e
3y1 − y2 + 2y4 = 0. Vamos verificar agora que o vetor u + v também pertence a W .
u + v = (x1 , x2 , x3 , x4 ) + (y1 , y2 , y3 , y4 ) = (x1 + y1 , x2 + y2 , x3 + y3 , x4 + y4 ).
u + v é um vetor de R4 e devemos verificar se suas componentes satisfazem a condição

do conjunto (3 vezes a primeira componente menos a segunda componente mais duas vezes a
quarta componente deve ser igual a zero). Temos:
3(x1 + y1 ) − (x2 + y2 ) + 2(x4 + y4 ) = 3x1 + 3y1 − x2 − y2 + 2x4 + 2y4
= 3x1 − x2 + 2x4 + 3y1 − y2 + 2y4 = 0 + 0 = 0.

| {z } | {z }
=0 =0
Na igualdade acima, usamos que 3x1 −x2 +2x4 = 0 e 3y1 −y2 +2y4 = 0. Assim, u+v ∈ W .
iii) Sejam a ∈ R e u = (x1 , x2 , x3 , x4 ) ∈ W , com 3x1 − x2 + 2x4 = 0. Vamos provar que au
pertence a W .
au = a(x1 , x2 , x3 , x4 ) = (ax1 , ax2 , ax3 , ax4 ).
au é um vetor de R4 e devemos verificar se suas componentes satisfazem a condição do

conjunto (3 vezes a primeira componente menos a segunda componente mais duas vezes a
quarta componente deve ser igual a zero). Temos:
3(ax1 ) − (ax2 ) + 2(ax4 ) = 3ax1 − ax2 + 2ax4 = a(3x1 − x2 + 2x4 ) = a0 = 0.

| {z }
=0
Na igualdade acima, usamos que 3x1 − x2 + 2x4 = 0. Assim, au ∈ W .

Portanto, W é um subespaço de R4 .
Exemplo 38. O conjunto W = {(1, x2 , x3 , x4 , x5 ); x2 , x3 , x4 , x5 ∈ R} ⊂ R5 não é um subespaço

vetorial de R5 : o vetor nulo 0 = (0, 0, 0, 0, 0) de R5 não pertence a W , pois todos os elementos
de W possuem a primeira componente igual a 1.
Exemplo 39. O conjunto W = (x, y) ∈ R2 ; x ≥ y ⊂ R2 não é um subespaço vetorial de R2 ,

pois a condição (iii) do teorema não é satisfeita.

Por exemplo, u = (2, 1) pertence a W , pois 2 ≥ 1. Tomando a = −1 ∈ R, temos que:
au = −1(2, 1) = (−2, −1), e −2 < −1 (não ocorre: primeira entrada maior ou igual a segunda
entrada).
O resultado abaixo fala sobre a interseção de subespaços.
Teorema 9. Se W1 e W2 são subespaços de Rn (com as operações usuais), então W = W1

T
W2
também é um subespaço de Rn .
Prova: Vamos mostrar que W = W1 W2 é um subespaço de Rn , verificando que as três

T
condições do teorema anterior são verificadas.

i) O vetor nulo 0 de Rn pertence a W1 e a W2 , já que W1 e W2 são subespaços de Rn .
Assim, o vetor nulo 0 de Rn pertence a W1 W2 = W , mostrando assim a primeira condição.
T
ii) Sejam u e v vetores de W . Devemos mostrar que u + v pertence a W .

T
Sendo u, v ∈ W e W = W1 W2 , temos que u, v ∈ W1 e u, v ∈ W2 . Usando que W1 é um
subespaço vetorial de Rn , temos que u + v ∈ W1 . Da mesma forma, temos que u + v ∈ W2 .
T
Assim, u + v ∈ W1 W2 = W e fica demonstrada a segunda condição.
ii) Sejam a ∈ R e u ∈ W . Devemos mostrar que au pertence a W .
T
Sendo u ∈ W e W = W1 W2 , temos que u ∈ W1 e u ∈ W2 . Como W1 e W2 são subespaços
vetoriais de Rn , segue que au ∈ W1 e au ∈ W2 . Assim, au ∈ W1 W2 = W . Fica demonstrada
T
a terceira condição.
Portanto, W = W1 W2 é um subespaço vetorial Rn .
T
A seguir, vamos dar alguns exemplos de interseções de subespaços vetoriais.

Exemplo 40. Consideremos os subconjuntos de R3 : W1 = (x, y, z) ∈ R3 ; x = 0 e

W2 (x, y, z) ∈ R3 ; y = −z . W1 e W2 são subespaços vetoriais de R3 (prove).

\
O conjunto W = W1 W2 = {(x, y, z); x = 0 e y = −z} = {(0, −z, z); z ∈ R} é um sub-
espaço vetorial de R3 .
Exemplo 41. Consideremos os subconjuntos de R3 : U = (x1 , x2 , x3 ) ∈ R3 ; 3x1 − x2 + 2x3 = 0

e W = (x1 , x2 , x3 ) ∈ R3 ; x1 + 2x2 + x3 = 0 . Ambos os conjuntos são subespaços vetoriais de

R3 (prove).
\
W = (x1 , x2 , x3 ) ∈ R3 ; 3x1 − x2 + 2x3 = 0 e x1 + 2x2 + x3 = 0 é

O conjunto V = U
um subespaço de R3 . Vamos reescrever o conjunto V de uma forma mais simples.
Vamos resolver o sistema:
(
3x1 − x2 + 2x3 = 0
x1 + 2x2 + x3 = 0
Escrevendo a matriz aumentada:
" # " #
3 −1 2 | 0 1 2 1 | 0
L1 ←→ L2 L2 − 3L1 −→ L2
1 2 1 | 0 3 −1 2 | 0
" # " #
1 2 1 | 0 1 2 1 | 0
− 71 L2 −→ L2
0 −7 −1 | 0 0 1 17 | 0
" #
1 0 57 | 0
L1 − 2L2 −→ L1
0 1 17 | 0
( (
x1 + 57 x3 = 0 x1 = − 57 x3
=⇒
x2 + 17 x3 = 0 x2 = − 71 x3

\ 5 1
Assim: V = U W = − x 3 , − x 3 , x3 ; x 3 ∈ R .
7 7
Exemplo 42. Consideremos os subconjuntos de R4 : U = {(x, −x, z, 0); x, z ∈ R} e

W = {(x, y, y, t); x, y, t ∈ R}. Ambos os conjuntos são subespaços vetoriais de R4 (prove).
\
O conjunto V = U W é um subespaço de R4 . Vamos escrever o conjunto V .
(
y = −x
Para que um elemento (x, y, z, t) pertença ao subespaço U , deve ocorrer:
t=0
Para que um elemento (x, y, z, t) pertença ao subespaço W , deve ocorrer: z = y.

T  y = −x

Assim, para que (x, y, z, t) esteja em V = U W , deve ocorrer: t=0 . Ou seja:

z=y

z = y = −x, t = 0. Logo, o subespaço V pode ser escrito da seguinte forma:
V = (x, y, z, t) ∈ R4 ; z = y = −x, t = 0 = {(x, −x, −x, 0); x ∈ R}

Vamos agora trabalhar com soma de subespaços. Iniciamos com a seguinte definição:
Definição 16. Sejam S1 , S2 , ..., Sk subconjuntos de Rn . A soma de S1 , S2 , ..., Sk é o conjunto:
S1 + S2 + ... + Sk = {u1 + u2 + ... + uk ; ui ∈ Si , i = 1, ..., n} .
Teorema 10. Se W1 e W2 são subespaços vetoriais de Rn , então W = W1 +W2 é um subespaço

vetorial de Rn .
Prova: Vamos mostrar que W = W1 + W2 é um subespaço de Rn .

i) O vetor nulo 0 de Rn pertence a W1 e a W2 , já que W1 e W2 são subespaços de Rn .
Assim, o vetor nulo 0 de Rn pertence a W1 + W2 = W , pois 0 = |{z}
0 + |{z}
0 , mostrando assim
∈W1 ∈W2
a primeira condição.
ii) Sejam u e v vetores de W = W1 + W2 . Devemos mostrar que u + v pertence a W .
Sendo u, v ∈ W e W = W1 + W2 , existem u1 , v1 ∈ W1 e u2 , v2 ∈ W2 tais que u = u1 + u2 e
v = v1 + v2 . Assim:
u + v = (u1 + u2 ) + (v1 + v2 ) = (u1 + v1 ) + (u2 + v2 ) ∈ W1 + W2 = W

| {z } | {z }
∈W1 ∈W2
Fica demonstrada a segunda condição.

ii) Sejam a ∈ R e u ∈ W = W1 + W2 . Devemos mostrar que au pertence a W .
Sendo u ∈ W e W = W1 + W2 , existem u1 ∈ W1 e u2 ∈ W2 tais que u = u1 + u2 . Assim:
au = a(u1 + u2 ) = au1 + au2 ∈ W1 + W2 = W.

|{z} |{z}
∈W1 ∈W2
Assim, fica demonstrada a terceira condição.

Portanto, W = W1 + W2 é um subespaço vetorial de Rn .
É importante resaltarmos aqui que o resultado acima vale para um número finito de sub-
espaços de Rn , ou seja: se W1 , ..., Wk são subespaços vetoriais de Rn , então W = W1 + ... + Wk
é um subespaço vetorial de Rn .
Façamos agora alguns exemplos de somas de subespaços.
Exemplo 43. Consideremos W1 = {(a, a, 0, 0); a ∈ R} e W2 = {(x, −x, 0, t); x, t ∈ R}. Ambos
os conjuntos são subespaços vetoriais de R4 (prove). Temos que:
W1 + W2 = {(a, a, 0, 0) + (x, −x, 0, t); a, x, t ∈ R} = {(a + x, a − x, 0, t); a, x, t ∈ R} .
Pelo teorema anterior, W1 + W2 é um subespaço vetorial de R4 .
Exemplo 44. Consideremos W1 = {(0, a, 0); a ∈ R} e W2 = {(x, 0, x); x ∈ R}. Ambos os

conjuntos são subespaços vetoriais de R3 (prove). Temos que:
W1 + W2 = {(0, a, 0) + (x, 0, x); a, x ∈ R} = {(x, a, x); a, x ∈ R} .
Pelo teorema anterior, W1 + W2 é um subespaço vetorial de R3 .
Vamos falar agora sobre somas diretas de subespaços.

\
Definição 17. Sejam W1 e W2 subespaços vetoriais de Rn . Quando ocorre W1 W2 = 0 ,
dizemos
M que W1 + W2 é soma direta de W1 e W2 . Neste caso, denotamos essa soma por
W1 W2 .
Exemplo 45. Consideremos W1 = {(a, a, 0, 0); a ∈ R} e W2 = {(x, −x, 0, t); x, t ∈ R}. Ambos
os conjuntos são subespaços vetoriais de R4 . Inicialmente, vamos reescrever os subespaços W1 e
W2 :
W1 = (a, b, c, d) ∈ R4 ; a = b, c = d = 0

W2 = (a, b, c, d) ∈ R4 ; b = −a, c = 0

Assim:
\
W2 = (a, b, c, d) ∈ R4 ; a = b, b = −a, c = d = 0 .

W1
\
Como a = b e b = −a, segue que a = 0 e b = 0. Então: W1 W2 = {(0, 0, 0, 0)} e temos
que a soma de W1 com W2 é direta.
Exemplo 46. Consideremos W1 = {(0, a, 0); a ∈ R} e W2 = {(x, 0, x); x ∈ R}. Ambos os
conjuntos são subespaços vetoriais de R3 .
Inicialmente, vamos reescrever os subespaços W1 e W2 :
W1 = (x, y, z) ∈ R3 ; x = z = 0

W2 = (x, y, z) ∈ R3 ; x = z y = 0

Assim:
\
W2 = (x, y, z) ∈ R3 ; x = z = 0 x = z, y = 0 = {(0, 0, 0)} .

W1
Logo, a soma de W1 com W2 é direta.

Exemplo 47. Consideremos W1 = {(a, b, c, 0); a, b, c ∈ R} e W2 = {(a, 0, 0, d); a, d ∈ R}. Am-
bos os conjuntos são subespaços vetoriais de R4 . Inicialmente, vamos reescrever os subespaços
W1 e W2 :
W1 = (a, b, c, d) ∈ R4 ; d = 0

W2 = (a, b, c, d) ∈ R4 ; b = c = 0

Assim:
\
W2 = (a, b, c, d) ∈ R4 ; b = c = d = 0 = {(a, 0, 0, 0); a ∈ R} =

W1 6 {(0, 0, 0, 0)} .
Temos que a soma de W1 com W2 não é direta.

2.2. COMBINAÇÕES LINEARES 75
Exemplo 48. Consideremos W1 = (x, y, z) ∈ R3 ; x + y = 0 e W2 = (x, y, z) ∈ R3 ; x = z = 0 .

Ambos os conjuntos são subespaços vetoriais de R3 .

Assim:
\
W2 = (x, y, z) ∈ R3 ; x = z = 0, x + y = 0 = {(0, 0, 0)} .

W1
Logo, a soma de W1 com W2 é direta.
Exemplo 49. Consideremos os subconjuntos de R3 : U = (x1 , x2 , x3 ) ∈ R3 ; 3x1 − x2 + 2x3 = 0

e W = (x1 , x2 , x3 ) ∈ R3 ; x1 + 2x2 + x3 = 0 . Ambos os conjuntos são subespaços vetoriais de

R3 .
\
O subespaço V = U W pode ser escrito como (as contas já foram feitas em outro exem-
plo):
\
W = (x1 , x2 , x3 ) ∈ R3 ; 3x1 − x2 + 2x3 = 0 e x1 + 2x2 + x3 = 0

V =U

5 1
= − x 3 , − x 3 , x3 ; x 3 ∈ R .
7 7
T
Notemos que V = U W 6= {(0, 0, 0} e, assim, a soma de U com W não é direta.
2.2 Combinações Lineares
Definição 18. Uma combinação linear dos vetores v1 , ..., vm ∈ Rn é um vetor da forma:
v = a1 v1 + ... + am vm ∈ Rn
onde a1 , ..., am ∈ R.
Exemplo 50. No espaço R3 , consideremos os vetores v1 = (−1, 2, 0), v2 = (1, 1, 1) e

v3 = (0, −2, 4). Os vetores:
1 1
u = 3v1 − v2 + v3 = 3(−1, 2, 0) − (1, 1, 1) + (0, −2, 4)
2 2
= (−3, 6, 0) − (1, 1, 1) + (0, −1, 2) = (−4, 4, 1)
√ √
w= 2v1 + 3v2 − v3 = 2(−1, 2, 0) + 3(1, 1, 1) − (0, −2, 4)
√ √ √ √
= − 2, 2 2, 0 + (3, 3, 3) − (0, −2, 4) = − 2 + 3, 2 2 + 5, −1
são combinações lineares dos vetores v1 , v2 e v3 .
Exemplo 51. No espaço R2 , consideremos os vetores v1 = (−1, 3), v2 = 1

3
,1 , v3 = (0, −2)
e v4 = (−6, 0). Os vetores:

1 1 1
u = −v1 + 6v2 + v3 + v4 = −(−1, 3) + 6 , 1 + (0, −2) + (−6, 0)
2 3 2
= (1, −3) + (2, 6) + (0, −2) + (−3, 0) = (0, 1)

1 19
w = πv1 + v2 − v4 = π(−1, 3) + , 1 − (−6, 0) = −π + , 3π + 1
3 3
são combinações lineares dos vetores v1 , v2 , v3 e v4 .
Definição 19. Seja S um subconjunto de Rn . O conjunto de todas as combinações lineares dos

vetores de S é um subespaço vetorial de Rn denominado subespaço gerado pelo conjunto
S. Tal subespaço será denotado por [S]. Podemos escrever [S] da seguinte forma:
[S] = {a1 v1 + ... + am vm ; m ∈ N, a1 , ..., am ∈ R, v1 , ..., vm ∈ S} .
Se o conjunto S for um conjunto finito, digamos, S = {v1 , ..., vm }, podemos denotar o

espaço gerado por S como indicado na definição ou da forma [v1 , ..., vm ].
Exemplo 52. No espaço R3 , consideremos os vetores v1 = (−1, 2, 0), v2 = (1, 1, 1) e v3 =

(0, −2, 4). Vamos encontrar o espaço gerado pelos vetores dados:
[v1 , v2 , v3 ] = {a1 v1 + a2 v2 + a3 v3 ; a1 , a2 , a3 ∈ R} = {a1 (−1, 2, 0) + a2 (1, 1, 1) + a3 (0, −2, 4); a1 , a2 , a3 ∈ R}
= {(−a1 + a2 , 2a1 + a2 − 2a3 , a2 + 4a3 ) ; a1 , a2 , a3 ∈ R} .
Exemplo 53. Consideremos o subconjunto de R2 : S = {v1 , v2 , v3 , v4 }, onde v1 = (−1, 3),

v2 = 13 , 1 , v3 = (0, −2) e v4 = (−6, 0). O espaço gerado por S é dado por:

[S] = {a1 v1 + a2 v2 + a3 v3 + a4 v4 ; a1 , a2 , a3 , a4 ∈ R}

1
= a1 (−1, 3) + a2 , 1 + a3 (0, −2) + a4 (−6, 0); a1 , a2 , a3 , a4 ∈ R
3
n a2 o
= −a1 + − 6a4 , 3a1 + a2 − 2a3 ; a1 , a2 , a3 , a4 ∈ R .
3
Exemplo 54. No espaço R4 , consideremos os vetores e1 = (1, 0, 0, 0), e2 = (0, 1, 0, 0),

e3 = (0, 0, 1, 0) e e4 = (0, 0, 0, 1). O espaço gerado por eles é o próprio R4 :
[e1 , e2 , e3 , e4 ] = {xe1 + ye2 + ze3 + we4 ; x, y, z, w ∈ R}

= {x(1, 0, 0, 0) + y(0, 1, 0, 0) + z(0, 0, 1, 0) + w(0, 0, 0, 1); x, y, z, w, ∈ R} = {(x, y, z, w); x, y, z, w, ∈ R} .
Exemplo 55. Consideremos S = {(1, 1, 0), (0, 0, 1)} um subconjunto de R3 . Vamos encontrar
o subespaço gerado por S:
[S] = {a(1, 1, 0) + b(0, 0, 1); a, b ∈ R} = {(a, a, b); a, b ∈ R} .
Exemplo 56. Encontre geradores para o subespaço de R3 : W = {(a, b, −b); a, b ∈ R}.

Vamos reescrever o conjunto W :
W = {(a, b, −b); a, b ∈ R} = {a(1, 0, 0) + b(0, 1, −1); a, b ∈ R} .
Observemos que todo vetor de W pode ser escrito como combinação linear de (1, 0, 0) e
(0, 1, −1). Assim, podemos escrever que esses dois vetores são geradores de W :
W = [(1, 0, 0), (0, 1, −1)] .
Exemplo 57. Encontre geradores para o subespaço de R4 : W = {(a, b, 0, −2a); a, b ∈ R}.

W = {(a, b, 0, −2a); a, b ∈ R} = {a(1, 0, 0, −2) + b(0, 1, 0, 0); a, b ∈ R} .
Observemos que todo vetor de W pode ser escrito como combinação linear de (1, 0, 0, −2)
e (0, 1, 0, 0). Assim, podemos escrever que esses dois vetores são geradores de W :
W = [(1, 0, 0, −2), (0, 1, 0, 0)] .
Exemplo 58. Encontre geradores para o subespaço de R5 :
W = (x, y, z, w, t) ∈ R5 ; x + y − z = 0, t − w = 0

.
W = (x, y, z, w, t) ∈ R5 ; x + y − z = 0, t − w = 0 = (x, y, z, w, t) ∈ R5 ; z = x + y, t = w

= {(x, y, x + y, w, w); x, y, w ∈ R}
= {x(1, 0, 1, 0, 0) + y(0, 1, 1, 0, 0) + w(0, 0, 0, 1, 1); x, y, w ∈ R}
Observemos que todo vetor de W pode ser escrito como combinação linear de (1, 0, 1, 0, 0),
(0, 1, 1, 0, 0) e (0, 0, 0, 1, 1). Assim, podemos escrever que esses três vetores são geradores de
W:
W = [(1, 0, 1, 0, 0), (0, 1, 1, 0, 0), (0, 0, 0, 1, 1)] .
Exercı́cios:
1) Verifique quais dos subconjuntos abaixo são subespaços vetoriais dos espaços indicados
(prove, no caso de ser subespaço e justifique, caso não seja):
a). W1 = (x, y) ∈ R2 ; x = 0

; Espaço vetorial R2 (com operações usuais).
b). W2 = (x, y) ∈ R2 ; x = −y

c). W3 = (x, y, z) ∈ R3 ; x ∈ Z

d). W4 = (x, y, z, w) ∈ R4 ; x + y − z = 2

e). W5 = {(y + z − t, y, z, t); y, z, t ∈ R} ; Espaço vetorial R4 (com operações usuais).
f). W6 = {(x, 1); x ∈ R} ; Espaço vetorial R2 (com operações usuais).
g). W7 = (x, y) ∈ R2 ; 3x + 2y = 0

h). W8 = (x, y, z) ∈ R3 ; x < y ≤ z

i). W9 = (x, y, z, t) ∈ R4 ; −x − 2y + 3z = t

; Espaço vetorial R4 (com operações
usuais).
j). W10 = (x, y, z) ∈ R3 ; z − y ≤ 0

k). W11 = (x, y, z) ∈ R3 ; 2x + z − y = 0

l). W12 = (x, y, z) ∈ R3 ; 3z − y = 0

m). W13 = (x, y, z, t) ∈ R4 ; 2x = y, z = t

usuais).
n). W14 = (x, y, z, t) ∈ R4 ; 2x = y, z = t = 0

usuais).
Resposta: Os conjuntos dos exercı́cios (c), (d), (f), (h), (j) não são subespaços vetoriais dos
espaços indicados.
2) Encontre os subespaços indicados abaixo, usando os subespaços indicados no exercı́cio an-

terior:
\
a). W1 W2 .
\
b). W7 W2 .
\
c). W1 W7 .
\
d). W5 W9 .
\
e). W11 W12 .
\
f). W9 W13 .
\
g). W5 W13 .
\
h). W5 W14 .
Respostas: a). {(0, 0)}.

b). {(0, 0)}.
c). {(0,
0)}.
5z 2z
d). − t, , z, t ; z, t ∈ R .
3 3
{(z, 3z, z); z ∈R}.
e).
2 4
f). t, t, t, t ; t ∈ R .
5 5
g). {(0, 0, t, t) ; t ∈ R}.
h). {(0, 0, 0, 0)}.
3) Diga quais das somas abaixo são diretas. Os subespaços aqui usados são aqueles do exercı́cio
1. Justifique sua resposta:
a). W1 + W2 .
b). W7 + W2 .
c). W1 + W7 .
d). W5 + W9 .
e). W11 + W12 .
f). W9 + W13 .
g). W5 + W13 .
h). W5 + W14 .
Resposta: são somas diretas: (a), (b), (c) e (h).
4). Dados os vetores e1 = (1, 1, 1), e2 = (1, 2, 3), e3 = (2, −1, 1) de R3 , escreva os vetores
abaixo como combinação linear de e1 , e2 , e3 , quando possı́vel:
a). u = (1, −2, 5).
b). u = (2, 1, 0).
c). u = (−13, 3, −6).
d). u = (−6, 3, −3).
e). u = (4, 2, 1).
f). u = (2, −2, −1).
g). u = (3, −1, 4).
Resposta: a). u = −6e1 + 3e2 + 2e3

b). u = 3e1 − e2 + 0e3
c). u = −4e1 + e2 − 5e3
d). u = 0e1 + 0e2 − 3e3
e). u = 5e1 − 57 e2 + 51 e3
f). u = e1 − e2 + e3
g). Não é possı́vel.
5). Para qual valor real de k o vetor v = (1, −2, k) será combinação linear dos vetores u =
(3, 0, 2) e w = (2, −1, −5)?
Resposta: k = −12.
6). Verifique se os vetores u = (3, 1, 1, −1), v = (−5, −3, −3, 1) e w = (0, 5, 1, −1) pertencem
ao espaço: W = [(1, 1, 1, 0), (0, 0, 1, 1), (0, 2, 0, −1)].
Resposta: w é o único vetor que não pertence a W .
7). Mostre que os vetores u = (1, 2, 3), v = (0, 1, 2) e w = (0, 0, 1) geram o espaço R3 , isto é,
mostre que: [u, v, w] = R3 .
8). Encontre geradores para os subespaços W1 , W2 , W5 , W7 , W9 , W11 , W12 , W13 e W14 do

exercı́cio 1.
Resposta:
W1 = [(0, 1)].
W2 = [(−1, 1)].
W5 = [(1,
1, 0, 0),
(1, 0, 0, 1), (−1, 0, 1, 0)].
2
W7 = − ,1 .
3
W9 = [(1, 0, 0, −1) , (0, 1, 0, −2), (0, 0, 1, 3)].
W11 = [(1, 2, 0) , (0, 1, 1)].
W12 = [(1, 0, 0) , (0, 3, 1)].
W13 = [(1, 2, 0, 0) , (0, 0, 1, 1)].
W14 = [(1, 2, 0, 0)].
2.3 Dependência e Independência Linear
Definição 20. Um conjunto não-vazio S ⊂ Rn é linearmente independente (LI) quando

nenhum vetor de S é combinação linear de outros vetores de S ou quando S = {v}, com v 6= 0.
Caso contrário, ou seja, se existe algum vetor de S que é combinação linear de outros

vetores de S ou se S = 0 , então vamos dizer que S é linearmente dependente (LD).
Vamos ilustrar a definição acima com alguns exemplos.
Exemplo 59. No espaço vetorial R4 , consideremos o conjunto S = {(1, 0, 0, 0), (0, 1, 0, 0), (0, 0, 0, 2)}.
Notemos que nenhum vetor de S pode ser escrito em função dos outros (como combinação lin-
ear). Assim, o conjunto S é LI.
Exemplo 60. No espaço vetorial R3 , consideremos o conjunto S = {(1, 0, 0), (3, −2, 0), (0, −1, 0)}.
S é um conjunto LD, pois
(3, −2, 0) = 3(1, 0, 0) + 2(0, −1, 0)
isto é, um dos vetores de S é combinação linear de outros vetores de S.
Exemplo 61. No espaço vetorial R2 , consideremos o conjunto S = {(2, −1), (3, 0), (−4, 2)}.
S é um conjunto LD, pois
1
(2, −1) = − (−4, 2)
2
isto é, um dos vetores (2, 1) é combinação linear (múltiplo escalar, no caso) de um outro vetor
(−4, 2) de S.
Algumas observações devem ser feitas sobre a definição.
Observação 17. 1. Todo conjunto S ⊂ Rn que contém o vetor nulo é linearmente dependente.
Por exemplo, em R3 , o conjunto S = {(1, 2, 0), (0, 0, 0), (9, 7, 0), (−3, 4, 1)} é linearmente de-
pendente, pois podemos escrever:
(0, 0, 0) = 0(1, 2, 0) + 0(9, 7, 0) + 0(−3, 4, 1)
ou seja, um dos vetores de S pode ser escrito como combinação linear dos demais.
2. Todo subconjunto de um conjunto linearmente independente é linearmente independente.
2.3. DEPENDÊNCIA E INDEPENDÊNCIA LINEAR 83
3. Se S é um subconjunto linearmente dependente de Rn , então qualquer conjunto que

contenha S é linearmente dependente.
4. Um conjunto S = {u, v} ⊂ Rn é LD quando um vetor é múltiplo escalar do outro. Por
exemplo, o conjunto S = {(1, 2, 3), (−3, −6, −9)} é LD, pois (−3, −6, −9) = −3(1, 2, 3).
O teorema abaixo nos fornece uma forma de verificarmos se um conjunto é LI ou LD:
Teorema 11. Um conjunto S é linearmente independente (LI) se, e somente se, sempre que
tivermos c1 v1 + ... + cn vn = 0, com v1 , ..., vn ∈ S e c1 , ..., cn ∈ R, então obrigatoriamente
c1 = ... = cn = 0.
O teorema acima nos diz que, em um conjunto S linearmente independente, a única forma
de escrevermos o vetor nulo do espaço como combinação linear de vetores de S é usando todos
os escalares nulos.
Vimos acima que o conjunto S = {(1, 2, 0), (0, 0, 0), (9, 7, 0), (−3, 4, 1)} é LD. Notemos que
é possı́vel escrever o vetor nulo de R4 usando escalares não todos nulos da seguinte forma:
(0, 0, 0) = 0(1, 2, 0) + 3(0, 0, 0) + 0(9, 7, 0) + 0(−3, 4, 1).
Nos seguintes exemplos, vamos verificar se os conjuntos abaixo são LI ou LD usando o

teorema acima.
Exemplo 62. Consideremos o conjunto S = {(1, 2, 0), (0, 1, 1)} em R3 . Vamos mostrar que
S é LI.
Sejam a, b ∈ R. Vamos escrever:
a(1, 2, 0) + b(0, 1, 1) = (0, 0, 0)
Vamos verificar agora que, obrigatoriamente, precisamos usar a = b = 0 nessa combinação.
a(1, 2, 0) + b(0, 1, 1) = (0, 0, 0) =⇒ (a, 2a, 0) + (0, b, b) = (0, 0, 0) =⇒ (a, 2a + b, b) = (0, 0, 0).

 a=0

Daı́: 2a + b = 0 Resolvendo o sistema, obtemos a = b = 0 como única solução. Assim,

b=0

na combinação linear a(1, 2, 0) + b(0, 1, 1) = (0, 0, 0), temos obrigatoriamente a = b = 0. Isso
nos diz que o conjunto S é LI.
Exemplo 63. Consideremos o conjunto M = {(1, 0, 0), (0, 1, 0), (0, 0, 1)} em R3 . Vamos
mostrar que M é LI.
Sejam a, b, c ∈ R. Vamos escrever:
a(1, 0, 0) + b(0, 1, 0) + c(0, 0, 1) = (0, 0, 0) =⇒ (a, 0, 0) + (0, b, 0) + (0, 0, c) = (0, 0, 0)
=⇒ (a, b, c) = (0, 0, 0) =⇒ a = b = c = 0.
Vimos então que a única possibilidade de escrever o vetor nulo de R3 como combinação
linear dos vetores de M é usando todos os escalares nulos. Logo, o conjunto M é LI.
Exemplo 64. Consideremos o conjunto M = {(1, 2, 0, 0), (0, 1, 1, 0), (−2, −3, 1, 0)} em R4 .
Vamos mostrar que M é LD.
Sejam a, b, c ∈ R tais que a(1, 2, 0, 0) + b(0, 1, 1, 0) + c(−2, −3, 1, 0) = (0, 0, 0, 0). Então:
a(1, 2, 0, 0) + b(0, 1, 1, 0) + c(−2, −3, 1, 0) = (0, 0, 0, 0)
=⇒ (a, 2a, 0, 0) + (0, b, b, 0) + (−2c, −3c, c, 0) = (0, 0, 0, 0)
=⇒ (a − 2c, 2a + b − 3c, b + c, 0) = (0, 0, 0, 0).



 a − 2c = 0

 2a + b − 3c = 0
Obtemos o seguinte sistema: Resolvendo o sistema, obtemos:


 b + c = 0

0=0
a = 2c, b = −c e a solução ficaria da forma: (2c, −c, c), c ∈ R. Notemos que podemos usar
qualquer uma das infinitas soluções do sistema acima para escrevermos a combinação linear
a(1, 2, 0, 0) + b(0, 1, 1, 0) + c(−2, −3, 1, 0) = (0, 0, 0, 0). Por exemplo, se tomarmos c = 1, temos
que a = 2, b = −1, c = 1 é uma solução para o sistema. Assim, é possı́vel escrever:
2(1, 2, 0, 0) − 1(0, 1, 1, 0) + 1(−2, −3, 1, 0) = (0, 0, 0, 0).
Estamos escrevendo o vetor nulo como uma combinação linear dos vetores de M usando
escalares não (todos) nulos. É claro que sempre é possı́vel escrever:
2.3. DEPENDÊNCIA E INDEPENDÊNCIA LINEAR 85
0(1, 2, 0, 0) + 0(0, 1, 1, 0) + 0(−2, −3, 1, 0) = (0, 0, 0, 0)
mas, no caso deste exemplo, essa não é a única possibilidade de escrever o vetor nulo como
combinação linear dos vetores de M . Por isso, M é LD.
Exemplo 65. Consideremos o conjunto M = {(1, 2), (0, −1), (−2, 5), (4, 2)} em R2 . Vamos
mostrar que M é LD.
Sejam a, b, c, d ∈ R tais que a(1, 2) + b(0, −1) + c(−2, 5) + d(4, 2) = (0, 0).Assim:
a(1, 2) + b(0, −1) + c(−2, 5) + d(4, 2) = (0, 0)
=⇒ (a, 2a) + (0, −b) + (−2c, 5c) + (4d, 2d) = (0, 0)
=⇒ (a − 2c + 4d, 2a − b + 5c + 2d) = (0, 0)
(
a − 2c + 4d = 0
=⇒
2a − b + 5c + 2d = 0
(
a = 2c − 4d
Resolvendo o sistema, obtemos: e podemos escrever a solução da seguinte
b = 9c − 6d
forma: (2c − 4d, 9c − 6d, c, d), c, d ∈ R.
Novamente, podemos usar qualquer uma das infinitas soluções do sistema para escrevermos
a combinação linear a(1, 2)+b(0, −1)+c(−2, 5)+d(4, 2) = (0, 0). Por exemplo, tomando c = 1
e d = 0, podemos escrever:
2(1, 2) + 9(0, −1) + 1(−2, 5) + 0(4, 2) = (0, 0).
A mesma observação feita no exemplo anterior também vale aqui: sempre é possı́vel usar-
mos os escalares todos nulos para escrevermos a combinação linear 0(1, 2)+0(0, −1)+0(−2, 5)+
0(4, 2) = (0, 0), mas ela não é a única possı́vel. Logo, M é LD.
2.4 Base e Dimensão
Definição 21. Seja B ⊂ Rn um subconjunto do espaço vetorial Rn . B é uma base para Rn

quando satisfaz as duas condições abaixo:
i). B gera Rn e
ii). B é um conjunto LI.
Seja agora W um subespaço vetorial de Rn . Um conjunto B ⊂ W é uma base para W
quando satisfaz as duas condições abaixo:
i). B gera W e
ii). B é um conjunto LI.
Na definição, quando dizemos que B gera Rn , estamos dizendo que todo vetor do espaço
Rn pode ser escrito como combinação linear dos vetores de B. Analogamente, dizer que B gera
um subespaço W de Rn significa dizer que todo vetor de W pode ser escrito como combinação
linear dos vetores de B.
Vamos fazer agora alguns exemplos.
Exemplo 66. Consideremos o espaço vetorial R3 . Seja B = {(1, 0, 0), (0, 1, 0), (0, 0, 1)}. Va-
mos mostrar que B é uma base para R3 (chamada de base canônica de R3 ). Já mostramos que
este conjunto é LI. Vamos mostrar agora que B gera R3 . Para isso, consideremos v = (x, y, z)
um vetor de R3 . Podemos escrever:
v = (x, y, z) = x(1, 0, 0) + y(0, 1, 0) + z(0, 0, 1).
Ou seja: conseguimos escrever um vetor (qualquer) de R3 como combinação linear dos

vetores de B. Como as duas condições da definição são satisfeitas, temos que B é uma base
para R3 .
Exemplo 67. Consideremos o espaço vetorial R3 . Seja B = {(1, 1, 1), (1, 1, 0), (1, 0, 0)}. Va-
mos mostrar que B é uma base para R3 .
Se v = (x, y, z) ∈ R3 , vamos verificar se v pode ser escrito como combinação linear dos
vetores de B:
v = (x, y, z) = a(1, 1, 1) + b(1, 1, 0) + c(1, 0, 0)
para a, b, c ∈ R. Temos:
2.4. BASE E DIMENSÃO 87

 a+b+c=x

v = (x, y, z) = a(1, 1, 1) + b(1, 1, 0) + c(1, 0, 0) = (a + b + c, a + b, a) =⇒ a+b=y

a=z

Temos agora um sistema com 3 equações e 3 variáveis (a, b, c) para resolver. Resolvendo o
sistema, obtemos: a = z b = y − z c = x − y. Assim:
v = (x, y, z) = a(1, 1, 1) + b(1, 1, 0) + c(1, 0, 0) = z(1, 1, 1) + (y − z)(1, 1, 0) + (x − y)(1, 0, 0).
Ou seja: é possı́vel escrever qualquer vetor de R3 como combinação linear dos vetores de
B. Assim, B gera R3 .
Resta mostrarmos agora que B é LI. Sejam a, b, c ∈ R tais que a(1, 1, 1) + b(1, 1, 0) +
c(1, 0, 0) = (0, 0, 0). Então:

 a+b+c=0

(0, 0, 0) = a(1, 1, 1) + b(1, 1, 0) + c(1, 0, 0) = (a + b + c, a + b, a) =⇒ a+b=0

a=0

Resolvendo o sistema, temos que a solução é: a = b = c = 0 (solução única). Assim, a

única forma de escrevermos o vetor nulo como combinação linear dos vetores de B é usando
todos os escalares da combinação iguais a 0. Isso nos diz que B é LI.
Portanto, B é uma base para R3 .
Exemplo 68. Consideremos o espaço vetorial R2 . Seja B = {(1, 1), (−1, 2)}. Vamos mostrar
que B é uma base para R2 .
Se v = (x, y) ∈ R2 , vamos verificar se v pode ser escrito como combinação linear dos
vetores de B. Sejam a, b ∈ R. Então:
(
a−b=x
(x, y) = a(1, 1) + b(−1, 2) = (a − b, a + 2b) =⇒
a + 2b = y
2x + y y−x
Resolvendo o sistema, obtemos que: a = eb= . Assim, podemos escrever:
3 3
2x + y y−x
(x, y) = (1, 1) + (−1, 2).
3 3
Isso nos diz que R2 é gerado por B.

Resta mostrarmos agora que B é LI. Sejam a, b ∈ R tais que a(1, 1) + b(−1, 2) = (0, 0).
Então:
(
a−b=0
(0, 0) = a(1, 1) + b(−1, 2) = (a − b, a + 2b) =⇒
a + 2b = 0
A solução do sistema é a = b = 0 (solução única). Assim, o conjunto B é LI e podemos

concluir que B é uma base para R2 .
Exemplo 69. Se W = [(1, 2, 0), (0, 1, 1), (−2, −3, 1)] é um subespaço de R3 , encontre uma base
para W .
Já sabemos que o conjunto C = {(1, 2, 0), (0, 1, 1), (−2, −3, 1)} gera o subespaço W . Para
que C seja uma base para W , devemos verificar se C é LI.
Sejam a, b, c ∈ R tais que a(1, 2, 0) + b(0, 1, 1) + c(−2, −3, 1) = (0, 0, 0). Assim:

 a − 2c = 0

(0, 0, 0) = a(1, 2, 0)+b(0, 1, 1)+c(−2, −3, 1) = (a−2c, 2a+b−3c, b+c) =⇒ 2a + b − 3c = 0

b+c=0

Resolvendo o sistema, obtemos como solução: a = 2c e b = −c, com c ∈ R (infinitas

soluções). Assim, o conjunto C não é LI, já que é possı́vel escrever o vetor nulo como com-
binação linear dos vetores de C usando escalares não todos nulos (podemos tomar, por exemplo,
a = 2, b = −1 e c = 1).
Como encontrar uma base para W a partir dos geradores de W ? Vamos dispor os vetores
geradores de W como linhas de uma matriz. Em seguida, vamos fazer operações elementares
sobre as linhas dessa matriz até obtermos uma matriz na forma escalonada reduzida. As linhas
não nulas dessa última matriz, vistas como vetores, formarão uma base para o espaço W .
Temos então:
     
1 2 0 1 2 0 1 0 −2
L1 − 2L2 → L1
 0 1 1  L3 + 2L1 → L3  0 1 1   0 1 1 .
     
L3 − L2 → L3
−2 −3 1 0 1 1 0 0 0
As 2 primeiras linhas da matriz na forma escalonada reduzida nos fornecem os vetores

(1, 0, −2) e (0, 1, 1), que vão formar uma base para W . Assim, podemos escrever que B =
{(1, 0, −2), (0, 1, 1)} é uma base para W .
Exemplo 70. Consideremos o subespaço W = {(a, 0, b, 0); a, b ∈ R} de R4 . Vamos encontrar

uma base para W . Inicialmente, vamos encontrar geradores para W :
W = {(a, 0, b, 0); a, b ∈ R} = {a(1, 0, 0, 0) + b(0, 0, 1, 0); a, b, ∈ R} = [(1, 0, 0, 0), (0, 0, 1, 0)] .
Vemos então que W é gerado pelo vetores (1, 0, 0, 0) e (0, 0, 1, 0). Como esses dois vetores
formam um conjunto LI (prove!), segue que o conjunto B = {(1, 0, 0, 0), (0, 0, 1, 0)} é uma base
para o subespaço W .
Exemplo 71. Consideremos o subespaço V = (x, y, z, w, t) ∈ R5 ; x + y − z = 0, t − w = 0

de R5 . Vamos encontrar uma base para V . Inicialmente, vamos reescrever os vetores de V :
V = (x, y, z, w, t) ∈ R5 ; x + y − z = 0, t − w = 0 = (x, y, z, w, t) ∈ R5 ; z = x + y, t = w

= {(x, y, x + y, w, w); x, y, w ∈ R} = {x(1, 0, 1, 0, 0) + y(0, 1, 1, 0, 0) + w(0, 0, 0, 1, 1); x, y, w ∈ R}
= [(1, 0, 1, 0, 0), (0, 1, 1, 0, 0), (0, 0, 0, 1, 1)] .
Pelo que vimos acima, os vetores (1, 0, 1, 0, 0), (0, 1, 1, 0, 0) e (0, 0, 0, 1, 1) são geradores de
V . Como B = {(1, 0, 1, 0, 0), (0, 1, 1, 0, 0), (0, 0, 0, 1, 1)} é um conjunto LI (prove!), segue que
B é uma base para V .
Exemplo 72. Consideremos o subespaço V = (x, y, z) ∈ R3 ; 2x − y = 0, z = −x de R3 .

Vamos encontrar uma base para V . Reescrevendo os vetores de V , obtemos:
V = (x, y, z) ∈ R3 ; 2x − y = 0, z = −x = (x, y, z) ∈ R3 ; 2x = y, z = −x

= {(x, 2x, −x); x ∈ R} = {x(1, 2, −1); x ∈ R} = [(1, 2, −1)] .
Assim, o conjunto B = {(1, 2, −1)} gera o subespaço V e é LI (pela definição de conjunto

LI). Logo, B é uma base para V .
Vamos agora fazer algumas observações acerca de bases para espaços vetoriais. Qualquer
base de Rn possui n elementos. Vamos dizer, então, que Rn tem dimensão n e indicamos:
dim Rn = n. Se W é um subespaço vetorial de Rn , então as bases de W têm o mesmo número
de elementos. O número de elementos de uma base de W (qualquer uma delas, já que possuem
o mesmo número de elementos) é chamado de dimensão de W . Indicamos esse número da
forma dim W .
Vamos encontrar agora a dimensão de todos os subespaços dos exemplos anteriores.
Exemplo 73. {(1, 0, 0), (0, 1, 0), (0, 0, 1)} e {(1, 1, 1), (1, 1, 0), (1, 0, 0)} são exemplos de bases
para o espaço R3 . Qualquer base de R3 possui 3 vetores. A dimensão de R3 é 3.
{(1, 1), (−1, 2)} e {(1, 0), (0, 1)} são exemplos de bases para o espaço R2 . Qualquer base de
R2 tem 2 vetores e a dimensão de R2 é 2.
W = [(1, 2, 0), (0, 1, 1), (−2, −3, 1)], que é um subespaço de R3 , tem B = {(1, 0, −2), (0, 1, 1)}
como uma base de W . Como essa base tem 2 vetores, então dim W = 2.
W = {(a, 0, b, 0); a, b ∈ R}, subespaço de R4 , tem como uma de suas bases o conjunto
B = {(1, 0, 0, 0), (0, 0, 1, 0)}. Como esse conjunto tem 2 vetores, temos que dim W = 2.
V = (x, y, z, w, t) ∈ R5 ; x + y − z = 0, t − w = 0 , um subespaço de R5 , tem como uma

de suas bases o conjunto B = {(1, 0, 1, 0, 0), (0, 1, 1, 0, 0), (0, 0, 0, 1, 1)}. Como essa base tem 3
vetores, então dim V = 3.
V = (x, y, z) ∈ R3 ; 2x − y = 0, z = −x é um subespaço de R3 , que possui B = {(1, 2, −1)}

como uma de suas bases. Como essa base possui um único vetor, temos que dim V = 1.
Mais algumas observações importantes: todas elas possuem demonstrações, mas que serão
omitidas.
Observação 18. (1) Se W é um subespaço vetorial de Rn , então dim W ≤ n = dim Rn .

(2) dim 0 = 0.
(3) Se B é um subconjunto de Rn que possui n vetores que geram Rn , então B é uma base
para Rn .
(4) Se B é um subconjunto LI de Rn que possui n vetores, então B é uma base para Rn .

Por exemplo, B = {(1, 2, 3), (1, 4, 6), (0, 0, −1)} é um subconjunto de R3 , é conjunto LI (prove)
e possui 3 vetores (lembre-se: 3 = dim R3 ). Logo, B é uma base de R3 (por esta observação,
não precisamos mostrar que B gera R3 ).
(5) Se W é um subespaço de Rn tal que dim W = n, então W = Rn . Por exemplo,

W = {(x + y, 2x + 4y, 3x + 6y + z); x, y, z ∈ R} é um subespaço de R3 que tem como uma
base o conjunto B = {(1, 2, 3), (1, 4, 6), (0, 0, −1)}. Assim, a dimensão de W é 3. Sendo W
um subespaço de R3 e dim R3 = 3, segue que W = R3 .
Exercı́cios:
1) Mostre que os vetores u = (1, 2, 3), v = (0, 1, 2) e w = (0, 0, 1) geram o espaço R3 .
Resposta: (x, y, z) = xu + (y − 2x)v + (z − 2y + x)w.
2) Encontre geradores para os subespaços abaixo:
a) W = (x, y) ∈ R2 ; x = −y subespaço de R2 .

b) W = (x, y, z) ∈ R3 ; x = 0 subespaço de R3 .

c) W = (x, y, z) ∈ R3 ; x + y − z = 0 subespaço de R3 .

d) W = {(x, −x + 2y, −y, 3x); x, y ∈ R} subespaço de R4 .

e) W = (x, y, z, t) ∈ R4 ; x − y − z + t = 0 subespaço de R4 .

Resposta:
a) (−1, 1).
b) (0, 1, 0), (0, 0, 1).
c) (1, 0, 1), (0, 1, 1).
d) (1, −1, 0, 3), (0, 2, −1, 0).
e) (1, 1, 0, 0), (1, 0, 1, 0), (−1, 0, 0, 1).
3) Verifique se os seguintes conjuntos são bases para o espaço R3 . Justifique sua resposta:
a) B1 = {(1, 1, 1), (1, −1, 5)}.

b) B2 = {(1, 1, 1), (1, 2, 3), (0, 0, 1)}.
c) B3 = {(2, 3, 5), (−1, 2, 7), (−3, −1, 2)}.

d) B1 4 = {(1, 1, 0), (0, −1, 0), (0, 0, −1), (0, 3, 2)}.
Resposta: B2 é a única base para R3 no exercı́cio.
4) Consideremos os seguintes subespaços de R4 :
U = (a, b, c, d) ∈ R4 ; b + c + d = 0

W = (a, b, c, d) ∈ R4 ; a + b = 0, c = 2d

T
Encontre uma base e dimensão para os subespaços: U , W e W U.
Resposta: BU = {(1, 0, 0, 0), (0, −1, 1, 0), (0, −1, 0, 1)} é uma base para U ; dim U = 3.
BW = {(−1, 1, 0, 0), (0, 0, 2, 1)} é uma base para W ; dim W = 2.
T T
B = {(3, −3, 2, 1)} é uma base para U W ; dim U W = 1.
5) Quais dos seguintes conjuntos abaixo são LI e quais são LD?
a) A = {(1, 2), (−3, 0), (5, 1)} ⊂ R2 .

b) B = {(1, −1), (3, 0)} ⊂ R2 .
c) C = {(0, 0, 0), (1, 2, 3), (0, 1, 1)} ⊂ R3 .
d) D = {(1, 1, 1), (1, 0, 1), (1, 0, −2)} ⊂ R3 .
e) E = {(1, 0, 0, 0), (1, 1, 0, 0), (1, 1, 1, 0), (1, 1, 1, 1)} ⊂ R4 .
Resposta: B, D, E são LI. Os demais conjuntos são LD.
6) Determine o(s) valor(es) de m para que o conjunto {(3, 5m, 1), (2, 0, 4), (1, m, 3)} seja LI.
Resposta: m 6= 0.
7) Seja U = [(3, −6, 3, −9), (−2, 4, −2, 6)] um subespaço de R4 . Encontre uma base para U e
sua dimensão.
Resposta: uma base poderia ser, por exemplo: B = {(1, −2, 1, −3)}. A dimensão de U é 1.
8) Sejam U, W subespaços de R4 tais que:
U = [(1, 1, 0, −1), (1, 2, 3, 0), (2, 3, 3, −1)]
W = [(1, 2, 2, −2), (2, 3, 2, −3), (1, 3, 4, −3)]
Encontre bases e as dimensões para U e W .
Resposta: BU = {(1, 0, −3, −2), (0, 1, 3, 1)}, dim U = 2.

BW = {(1, 0, −2, 0), (0, 1, 2, −1)}, dim W = 2.
T T
9) Encontre uma base para W = W1 W2 W3 , onde:
W1 = (x, y, z, t) ∈ R4 ; x − y − z = t

W2 = (x, y, z, t) ∈ R4 ; 2x + y + t = 0

W3 = (x, y, z, t) ∈ R4 ; z = t

1
, − 53 , 1, 1

Resposta: B = 3
, por exemplo, é uma base para W e dimensão de W é 1.
2.5 Coordenadas de um vetor com relação a uma base
Dada uma base B = {v1 , ..., vn } de Rn , cada vetor v ∈ Rn pode ser escrito de uma única
forma como combinação linear dos vetores da base. De fato, suponhamos que v possa ser
escrito de duas formas em função dessa base:
v = a1 v1 + ... + an vn v = b1 v1 + ... + bn vn
onde a1 , ..., an , b1 , ..., bn ∈ R.

Assim:
a1 v1 + ... + an vn = b1 v1 + ... + bn vn =⇒ b1 v1 + ... + bn vn − (a1 v1 + ... + an vn ) = 0
=⇒ (b1 − a1 )v1 + ... + (bn − an )vn = 0
Sendo B = {v1 , ..., vn } um conjunto LI, segue que:
b1 − a1 = 0, ..., bn − an = 0 =⇒ b1 = a1 , ..., bn = an .
Logo, a combinação linear que expressa o vetor v em relação à base B é única.

Vamos então escrever: v = a1 v1 + ... + an vn . Os escalares a1 , ..., an ∈ R são chamados de
coordenadas de v com relação à base B. A matriz:
 
a1
[v]B =  . . . 
 
an
é a matriz das coordenadas de v em relação à base B.

Vamos aos exemplos.
Exemplo 74. Consideremos a base canônica de R3 : CAN = {(1, 0, 0), (0, 1, 0), (0, 0, 1)}. O
vetor v = (3, 0, −1) pode ser escrito da seguinte forma com relação à base canônica:
v = (3, 0, −1) = 3(1, 0, 0) + 0(0, 1, 0) − 1(0, 0, 1).
Assim, a matriz das coordenadas de v em relação à base CAN fica da seguinte forma:
2.5. COORDENADAS DE UM VETOR COM RELAÇÃO A UMA BASE 95
 
3
[v]CAN = 0 
 
−1
Consideremos a base B = {(1, 1, 1), (1, 2, 3), (1, 4, 9)} de R3 . O vetor u = (3, 10, 23) pode
ser escrito da seguinte forma com relação à base B:
u = (3, 10, 23) = 2(1, 1, 1) − 2(1, 2, 3) + 3(1, 4, 9).
Assim, a matriz das coordenadas de u em relação à base B fica da seguinte forma:
 
2
[u]B =  −2  .
 
Exemplo 75. Consideremos a base B = {(1, 1), (−1, 2)} de R2 . O vetor w = (2, 11) pode ser
escrito da seguinte forma com relação à base B:
w = (2, 11) = 5(1, 1) + 3(−1, 2)
Assim, a matriz das coordenadas de w em relação à base B fica da seguinte forma:
" #
5
[w]B = .
3
Consideremos agora B1 e B2 bases de Rn . Dado um vetor v em Rn , existe alguma relação

entre [v]B1 e [v]B2 ? Veremos que sim.
Sejam B1 = {v1 , ..., vn } e B2 = {w1 , ..., wn } bases de Rn . Vamos escrever cada vetor da
base B1 em função da base B2 .
v1 = a11 w1 + ... + an1 wn

v2 = a12 w1 + ... + an2 wn
..
.
vn = a1n w1 + ... + ann wn
Se v ∈ Rn , então podemos escrever:
v = c1 v1 + c2 v2 + ... + cn vn c1 , ..., cn ∈ R
v = c1 (a11 w1 + ... + an1 wn ) + c2 (a12 w1 + ... + an2 wn ) + ... + cn (a1n w1 + ... + ann wn )
= c1 a11 w1 + ... + c1 an1 wn + c2 a12 w1 + ... + c2 an2 wn + ... + cn a1n w1 + ... + cn ann wn
= (c1 a11 + c2 a12 + ... + cn a1n ) w1 + ... + (c1 an1 + c2 an2 + ... + cn ann ) wn
Assim:
 
    c1
c1 a11 + c2 a12 + ... + cn a1n a11 a12 . . . a1n 
c2

.. .. .. ..   
[v]B2 = =
  
. . . .  .. 
.
 
c1 an1 + c2 an2 + ... + cn ann an1 an2 . . . ann
 
cn
 
c1
c2
 
 
Sendo  ..  = [v]B1 , podemos escrever:
.
 
 
cn
[v]B2 = [I]B 1
B2 [v]B1
 
a11 a12 . . . a1n
 . .. .. 
onde [I]B
B2
1
=  .. . .  é a matriz de mudança da base B1 para a base B2 .
an1 an2 . . . ann
Notemos como a matriz [I]B 1
B2 é formada:
Sua primeira coluna é formada pelas coordenadas do primeiro vetor de B1 com relação à
base B2 .
Sua segunda coluna é formada pelas coordenadas do segundo vetor de B1 com relação à
base B2 .
..
.
Sua n-ésima coluna é formada pelas coordenadas do n-ésimo vetor de B1 com relação à
base B2 .
Exemplo 76. Consideremos as bases de R2 :

B = {(1, 0), (0, 1)} (base canônica de R2 ).
B 0 = {(2, 0), (1, 1)}.
Vamos encontrar a matriz de mudança da base B para a base B 0 . Para isso, vamos escrever
os vetores da base B como combinação linear dos vetores da base B 0 e dispor as coordenadas
encontradas nas colunas da matriz solicitada.
(1, 0) = a(2, 0) + b(1, 1) (0, 1) = c(2, 0) + d(1, 1).
Fazendo as contas:
(1, 0) = (2a + b, b) (0, 1) = (2c + d, d).

( (
2a + b = 1 2c + d = 0
b=0 d=1
1 1
Resolvendo os dois sistemas, obtemos: a = b = 0 c = − d = 1.
2 2
Assim:
" #
1
− 21
[I]B
B0 =
2
.
0 1
 
1 −2 1
Exemplo 77. Consideremos B1 e B2 duas bases de R3 tais que [I]B 1
B2 =  0 2 3 .
 
−1 1 0
 
−2
Sabendo que B2 = {(1, 1, 1), (0, 1, 1), (0, 0, 1)} e que v é um vetor de R3 tal que [v]B1 =  3 ,
 
−5
encontre o vetor v.
Sabemos que [v]B2 = [I]B 1

B2 [v]B1 . Assim:
    
1 −2 1 −2 −13
[v]B2 = 0 2 3   3  =  −9  .
    
−1 1 0 −5 5
Podemos escrever então:

v = −13(1, 1, 1) − 9(0, 1, 1) + 5(0, 0, 1) = (−13, −22, −17).
Exercı́cios:
1) Encontre as coordenadas do vetor v de cada exercı́cio com relação à base indicada:
a) v = (4, −3, 2), B = {(1, 1, 0), (1, 1, 1), (1, 0, −1)}.
b) v = (7, 0), B = {(−1, 2), (3, 4)}.
c) v = (2, 3, 4, −7), B = {(1, 1, 1, 1), (0, −1, 1, 0), (1, −1, 0, 0), (1, 0, 0, 0)}.
d) v = (3, 1, 1), B = {(1, 2, 0), (0, 1, 1), (0, −2, 1)}.
e) v = (7, −2), B = {(1, 1), (0, −3)}.

 
  −7
−12 " #
− 14
5
 11 
Respostas: a) [v]B =  9 . b) [v]B = . c) [v]B =  .
   
7
5
 −21 
7
30
 
3 " #
7
d) [v]B =  −1 . e) [v]B = .
 
3
2
2) Encontre as matrizes de mudança de bases em cada um dos casos indicados:
0
a) B = {(0, 1), (1, 0)}, B 0 = {(−1, 2), (3, 4)} bases de R2 . Encontre: [I]B B
B e [I]B 0 .
b) B1 = {(1, 0, 0), (1, 1, 0), (0, 0, 1)}, B2 = {(3, 0, 0), (2, 1, 0), (−2, 0, 6)} bases de R3 .
Encontre: [I]B 1 B2
B2 e [I]B1 .
c) B1 = {(1, 1, 1, 1), (0, −1, 1, 0), (1, −1, 0, 0), (1, 0, 0, 0)}, B2 : base canônica de R4 .
Encontre: [I]B 1 B2
B2 e [I]B1 .
Respostas:" # " #
3
B0 2 4 − 25
a) [I]B = [I]B
B0 =
10
1 1
−1 3 10 5
   
1
− 31 19
3
3 1 −2
b) [I]B 1
B2 =  0 1 0  [I]B 2
B1 =  0 1 0 
   
0 0 16 0 0 6
   
1 0 1 1 0 0 0 1
 1 −1 −1 0   0 0 1 −1 
c) [I]B 1
B2 =  [I]B 2
B1 = 
   
 
 1 1 0 0   0 −1 −1 2 
1 0 0 0 1 1 1 −3
2 2
" Seja# B = {(1, 0), (1, −1)} uma base de R e consideremos o vetor v ∈ R tal que [v]B =
3)
−2
. Encontre o vetor v.
1
Resposta: v = (−1, −1).
3 2
4) Seja B = {(1, 0,
 1), (1, 2, 0), (0, 3, −1)} uma base de R e consideremos o vetor v ∈ R tal
−3
que [v]B =  2 . Encontre o vetor v.
 
Resposta: v = (−1, 7, −4).
" #
−1 8
5) Sejam B1 = {(1, 2), (−3, 2)} e B2 bases de R2 tais que [I]B 2
B1 = . Se v é um vetor
3 2
" #
−1
de R2 tal que [v]B2 = , encontre o vetor v.
3
Resposta: v = (16, 56).
 
−1 0 1
6) Sejam B1 = {(1, 0, 1), (2, 1, 0), (0, −1, 1)} e B2 bases de R3 tais que [I]B 2
= 3 2 1 .
 
B1
0 −1 −1
 
0
Se v é um vetor de R3 tal que [v]B2 =  −5 , encontre o vetor v.
 
Resposta: v = (−11, −9, 5).

Capı́tulo 3
Transformações Lineares
Neste capı́tulo, ao trabalharmos com Rn , estamos considerando o espaço vetorial Rn sobre

R com as operações usuais como apresentado no capı́tulo anterior.
Definição 22. Seja T : Rn −→ Rm uma função. Dizemos que T é uma transformação
linear quando T satisfaz as duas condições a seguir:
(i) T (u + v) = T (u) + T (v), para todo u, v ∈ Rn .
(ii) T (au) = aT (u) para todo a ∈ R e para todo u ∈ Rn .
Quando m = n,vamos dizer que T é um operador linear.
Vamos agora ilustrar a definição acima com alguns exemplos.

Exemplo 78. T : R −→ R, T (x) = 2x é uma transformação linear. De fato:
(i) Sejam x1 , x2 ∈ R. Então:
T (x1 + x2 ) = 2(x1 + x2 ) = 2x1 + 2x2 = T (x1 ) + T (x2 ).
(ii) Sejam x1 ∈ R e a ∈ R. Então:
T (ax1 ) = 2ax1 = a(2x1 ) = aT (x1 ).
Como as duas condições são satisfeitas, temos que T é uma transformação linear.
Exemplo 79. T : R2 −→ R3 , T (x, y) = (3x, 0, y − x) é uma transformação linear. De fato:
(i) Sejam u, v ∈ R2 , u = (x1 , y1 ) e v = (x2 , y2 ). Temos que u + v = (x1 + x2 , y1 + y2 ).
Assim:
101
102 CAPÍTULO 3. TRANSFORMAÇÕES LINEARES
T (u + v) = T (x1 + x2 , y1 + y2 ) = (3(x1 + x2 ), 0, y1 + y2 − (x1 + x2 ))
= (3x1 + 3x2 , 0, y1 − x1 + y2 − x2 ) = (3x1 , 0, y1 − x1 ) + (3x2 , 0, y2 − x2 )
= T (x1 , y1 ) + T (x2 , y2 ) = T (u) + T (v).
(ii) Sejam u ∈ R2 e a ∈ R, onde u = (x1 , y1 ). Temos que au = a(x1 , y1 ) = (ax1 , ay1 ).

Assim:
T (au) = T (ax1 , ay1 ) = (3ax1 , 0, ay1 − ax1 ) = (a(3x1 ), a.0, a(y1 − x1 ))
= a(3x1 , 0, y1 − x1 ) = aT (x1 , y1 ) = aT (u).
Como as duas condições são satisfeitas, temos que T é uma transformação linear.
Exemplo 80. T : R −→ R, T (x) = 3x − 4 não é uma transformação linear. Notemos que a

primeira condição da definição de transformações lineares não é verdadeira em geral, pois se
x1 , x2 ∈ R, temos:
T (x1 + x2 ) = 3(x1 + x2 ) − 4 = 3x1 + 3x2 − 4.
A expressão 3x1 + 3x2 − 4 nem sempre é igual a T (x1 ) + T (x2 ) = (3x1 − 4) + (3x2 − 4).
Por exemplo:
T (1 + 2) = T (3) = 3.3 − 4 = 9 − 4 = 5
T (1) + T (2) = (3.1 − 4) + (3.2 − 4) = −1 + 2 = 1
, com T (1 + 2) 6= T (1) + T (2).
Exemplo 81. T : Rn −→ Rm , T (u) = 0, u ∈ Rn é uma transformação linear, chamada de

transformação nula. Aqui, 0 denota o vetor nulo de Rm .
Exemplo 82. I : Rn −→ Rn , I(u) = u, u ∈ Rn é um operador linear, chamado de operador

identidade.
Exemplo 83. T : R3 −→ R, T (x, y, z) = x + y + z é uma transformação linear. De fato:

(i) Sejam u, v ∈ R3 , u = (x1 , y1 , z1 ) e v = (x2 , y2 , z2 ). Temos que
u + v = (x1 + x2 , y1 + y2 , z1 + z2 ) e então:
103
T (u+v) = T (x1 +x2 , y1 +y2 , z1 +z2 ) = (x1 +x2 )+(y1 +y2 )+(z1 +z2 ) = (x1 +y1 +z1 )+(x2 +y2 +z2 )
= T (x1 , y1 , z1 ) + T (x2 , y2 , z2 ) = T (u) + T (v).
(ii) Sejam u ∈ R3 e a ∈ R, onde u = (x1 , y1 , z1 ). Então, au = (ax1 , ay1 , az1 ) e, assim:
T (au) = T (ax1 , ay1 , az1 ) = ax1 + ay1 + az1 = a(x1 + y1 + z1 ) = aT (x1 , y1 , z1 ) = aT (u).
Como as duas condições acima são satisfeitas, temos que T é uma transformação linear.
Exemplo 84. T : R3 −→ R3 , T (x, y, z) = (x − y, 3z, 2x + z) é uma transformação linear

(operador linear). De fato:
(i) Sejam u, v ∈ R3 , com u = (x1 , y1 , z1 ) e v = (x2 , y2 , z2 ). Temos que
u + v = (x1 + x2 , y1 + y2 , z1 + z2 ). Assim:
T (u + v) = T (x1 + x2 , y1 + y2 , z1 + z2 ) = (x1 + x2 − (y1 + y2 ), 3(z1 + z2 ), 2(x1 + x2 ) + (z1 + z2 ))
= (x1 − y1 + x2 − y2 , 3z1 + 3z2 , 2x1 + z1 + 2x2 + z2 ) = (x1 − y1 , 3z1 , 2x1 + z1 )+(x2 − y2 , 3z2 , 2x2 + z2 )
= T (x1 , y1 , z1 ) + T (x2 , y2 , z2 ) = T (u) + T (v).
(ii) Sejam u ∈ R3 e a ∈ R, onde u = (x1 , y1 , z1 ). Temos que au = (ax1 , ay1 , az1 ) e ainda:
T (au) = T (ax1 , ay1 , az1 ) = (ax1 − ay1 , 3az1 , 2ax1 + az1 ) = (a(x1 − y1 ), a(3z1 ), a(2x1 + z1 ))
= a (x1 − y1 , 3z1 , 2x1 + z1 ) = aT (x1 , y1 , z1 ) = aT (u).
Como as duas condições acima são satisfeitas, temos que T é uma transformação linear
(operador linear).
Exemplo 85. T : R4 −→ R2 , T (x1 , x2 , x3 , x4 ) = (x4 − x2 , 4x1 + x2 − x3 ) é uma transformação

linear. De fato:
(i) Sejam u, v ∈ R4 , com u = (x1 , x2 , x3 , x4 ) e v = (y1 , y2 , y3 , y4 ). Então,
u + v = (x1 + y1 , x2 + y2 , x3 + y3 , x4 + y4 ) e assim:
T (u+v) = T (x1 +y1 , x2 +y2 , x3 +y3 , x4 +y4 ) = (x4 + y4 − (x2 + y2 ), 4(x1 + y1 ) + x2 + y2 − (x3 + y3 ))
= (x4 − x2 + y4 − y2 , 4x1 + x2 − x3 + 4y1 + y2 − y3 )
= (x4 − x2 , 4x1 + x2 − x3 ) + (y4 − y2 , 4y1 + y2 − y3 )
= T (x1 , x2 , x3 , x4 ) + T (y1 , y2 , y3 , y4 ) = T (u) + T (v).
(ii) Sejam u ∈ R4 e a ∈ R, onde u = (x1 , x2 , x3 , x4 ). Então, au = (ax1 , ax2 , ax3 , ax4 ) e

ainda:
T (au) = T (ax1 , ax2 , ax3 , ax4 ) = (ax4 − ax2 , 4ax1 + ax2 − ax3 ) =
(a(x4 − x2 ), a(4x1 + x2 − x3 )) = a(x4 − x2 , 4x1 + x2 − x3 ) = aT (u).
Como as condições acima são válidas, temos que T é uma transformação linear.
Vamos agora fazer algumas observações importantes acerca das transformações lineares.
Observação 19. Se T : Rn −→ Rm é uma transformação linear, então T (0) = 0, ou seja, T

leva o vetor nulo de Rn no vetor nulo de Rm .
Por outro lado, se T : Rn −→ Rm é uma função tal que T (0) = 0, não podemos afirmar que
T é uma transformação linear. Por exemplo, a função T : R2 −→ R3 , T (x, y) = (y 2 , 0, −2x)
é tal que T (0, 0) = (0, 0, 0), mas T não é uma transformação linear:
T (3(1, 1)) = T (3, 3) = (9, 0, −6) 6= (3, 0, −6) = 3(1, 0, −2) = 3T (1, 1).
Agora, se T : Rn −→ Rm é uma função tal que T (0) 6= 0, então podemos afirmar que
T não é linear (se fosse, ocorreria T (0) = 0). Por exemplo, S : R3 −→ R2 , S(x, y, z) =
(2x, x − y + 1, −3x). Temos que S(0, 0, 0) = (2.0, 0 − 0 + 1, −3.x) = (0, 1, 0) 6= (0, 0, 0). Logo,
S não é linear.
Decorre da definição de transformação linear que, se T : Rn −→ Rm é uma transformação

linear, v1 , ..., vk ∈ Rn e a1 , ..., ak ∈ R, então:
T (a1 v1 + ... + ak vk ) = a1 T (v1 ) + ... + ak T (vk ). (∗)
Suponhamos que T : R3 −→ R2 seja uma transformação linear tal que T (1, 0, 0) = (0, −1),
T (0, 1, 0) = (2, 3) e T (0, 0, 1) = (−1, 1). Usando essas informações e a observação (∗) que
fizemos no parágrafo anterior, vamos encontrar a forma geral para T (x, y, z). Se (x, y, z) ∈ R3 ,
podemos escrever:
105
(x, y, z) = x(1, 0, 0) + y(0, 1, 0) + z(0, 0, 1)
e usando que T é linear:
T (x, y, z) = xT (1, 0, 0) + yT (0, 1, 0) + zT (0, 0, 1).
Agora, sendo T (1, 0, 0) = (0, −1), T (0, 1, 0) = (2, 3) e T (0, 0, 1) = (−1, 1), podemos escr-
ever:
T (x, y, z) = xT (1, 0, 0) + yT (0, 1, 0) + zT (0, 0, 1) = x(0, −1) + y(2, 3) + z(−1, 1)
= (0, −x) + (2y, 3y) + (−z, z) = (2y − z, −x + 3y + z).
Ou seja:
T (x, y, z) = (2y − z, −x + 3y + z).
Nesse exemplo, vimos que, sabendo o que uma transformação linear faz na base canônica
do domı́nio dessa transformação, é possı́vel encontrar a forma geral da transformação e com
isso, ficamos sabendo o que a transformação faz no domı́nio todo. Em geral, temos o seguinte
resultado:
Teorema 12. Seja B = {v1 , v2 , ..., vn } uma base para Rn e w1 , w2 ..., wn vetores de Rm . Então,
existe e é única a transformação linear T : Rn −→ Rm tal que T (v1 ) = w1 , T (v2 ) = w2 , ...,
T (vn ) = wn .
Os n vetores de Rm do teorema acima podem ser distintos entre si ou não.

Vamos agora fazer alguns exemplos.
Exemplo 86. Qual é a transformação linear T : R2 −→ R3 tal que T (1, 0) = (0, 1, −2) e
T (0, 1) = (1, 0, 3)?
Pelo teorema anterior, tal transformação linear existe (e é única). Vale ressaltarmos que
B = {(1, 0), (0, 1)} é uma base para R2 (base canônica) e (0, 1, −2), (1, 0, 3) são vetores quais-
quer de R3 .
Se (x, y) ∈ R2 , podemos escrevê-lo em função da base B:
(x, y) = x(1, 0) + y(0, 1).

Sendo T linear (existência garantida pelo teorema), podemos escrever:
T (x, y) = xT (1, 0) + yT (0, 1).
Usando o que foi dito no enunciado do exercı́cio:
T (x, y) = xT (1, 0) + yT (0, 1) = x(0, 1, −2) + y(1, 0, 3)
= (0, x, −2x) + (y, 0, 3y) = (y, x, −2x + 3y).
Logo: T : R2 −→ R3 , T (x, y) = (y, x, −2x + 3y).
Exemplo 87. Qual é a transformação linear T : R2 −→ R tal que T (1, 1) = 3 e T (−2, 1) =

−1?
B = {(1, 1), (−2, 1)} é uma base para R2 .
Se (x, y) ∈ R2 , podemos escrevê-lo em função da base B:
(x, y) = α(1, 1) + β(−2, 1) = (α − 2β, α + β)

( (
α − 2β = x α = x+2y
3
=⇒ y−x
α+β =y β= 3
Assim:
x + 2y y−x
(x, y) = α(1, 1) + β(−2, 1) = (1, 1) + (−2, 1).
3 3
Usando que T é linear:
x + 2y y−x
T (x, y) = T (1, 1) + T (−2, 1).
3 3
Usando o que foi dito no enunciado do exercı́cio:
x + 2y y−x x + 2y y−x x−y 4x + 5y

T (x, y) = T (1, 1)+ T (−2, 1) = .3+ .(−1) = x+2y+ = .
3 3 3 3 3 3
3.1. NÚCLEO E IMAGEM DE UMA TRANSFORMAÇÃO LINEAR 107
Exemplo 88. Qual é a transformação linear (operador linear) T : R3 −→ R3 tal que T (1, 1, 1) =
(−1, 0, 1), T (0, 1, 1) = (0, 2, 0) e T (0, 0, 2) = (1, 1, 0)?
B = {(1, 1, 1), (0, 1, 1), (0, 0, 2)} é uma base para R3 .
Se (x, y, z) ∈ R3 , podemos escrevê-lo em função da base B:
(x, y, z) = a(1, 1, 1) + b(0, 1, 1) + c(0, 0, 2) = (a, a + b, a + b + 2c)

 

 a = x  a=x

a+b=y =⇒ b=y−x
c = z−y
 
a + b + 2c = z
 
2
Assim, podemos escrever:

z−y
(x, y, z) = x(1, 1, 1) + (y − x)(0, 1, 1) + (0, 0, 2).
2
Usando a transformação linear T , temos:

z−y
T (x, y, z) = xT (1, 1, 1) + (y − x)T (0, 1, 1) + T (0, 0, 2).
2
Como T (1, 1, 1) = (−1, 0, 1), T (0, 1, 1) = (0, 2, 0) e T (0, 0, 2) = (1, 1, 0), podemos escrever:

z−y
T (x, y, z) = xT (1, 1, 1) + (y − x)T (0, 1, 1) + T (0, 0, 2)
2

z−y
= x(−1, 0, 1) + (y − x)(0, 2, 0) + (1, 1, 0)
2

z − y − 2x z + 3y − 4x
= , ,x .
2 2

3 3 z − y − 2x z + 3y − 4x
Assim: T : R −→ R , T (x, y, z) = , ,x .
2 2
3.1 Núcleo e Imagem de uma Transformação Linear
Definição 23. Seja T : Rn −→ Rm uma transformação linear. O núcleo de T , indicado por

Ker(T ), é o seguinte conjunto:
Ker(T ) = u ∈ Rn ; T (u) = 0 .

A imagem de T , indicada por Im(T ), é o conjunto:
Im(T ) = {T (u); u ∈ Rn } .
Na definição acima, temos que Ker(T ) ⊂ Rn e Im(T ) ⊂ Rm . Mais ainda, podemos mostrar
o seguinte resultado:
Proposição 2. Seja T : Rn −→ Rm uma transformação linear. Então:
(1) Ker(T ) é um subespaço vetorial de Rn .
(2) Im(T ) é um subespaço vetorial de Rm .
Prova:
(1) Vamos mostrar que Ker(T ) é um subespaço de Rn , verificando as 3 condições abaixo:
(i) O vetor nulo 0 de Rn está em Ker(T ), pois sabemos que T (0) = 0 (já que T é uma
transformação linear).
(ii) Sejam u, v ∈ Ker(T ). Devemos mostrar que u + v pertence a Ker(T ), ou seja, devemos
mostrar que T (u + v) = 0. Temos então:
T (u + v) = T (u) + T (v) = 0 + 0 = 0.
Acima, usamos que T (u) = 0 = T (v), uma vez que u e v são vetores do núcleo de T . Logo,
u + v ∈ Ker(T ).
(iii) Sejam u ∈ Ker(T ) e a ∈ R. Devemos mostrar que au pertence a Ker(T ), ou seja,

devemos mostrar que T (au) = 0. Temos então:
T (au) = aT (u) = a0 = 0.
Acima, usamos que T (u) = 0, já que u é um vetor do núcleo de T . Logo, au ∈ Ker(T ).
(2) Vamos mostrar que Im(T ) é um subespaço de Rm , verificando as 3 condições abaixo:
(i) O vetor nulo 0 de Rm está em Im(T ), pois sabemos que T (0) = 0 (já que T é uma
transformação linear).
(ii) Sejam u, v ∈ Im(T ). Devemos mostrar que u + v pertence a Im(T ), ou seja, devemos
mostrar que existe w ∈ Rn tal que T (w) = u + v. Sendo u e v vetores da imagem de T , existem
u1 , v1 ∈ Rn tai que T (u1 ) = u e T (v1 ) = v. Temos então:
T (u1 + v1 ) = T (u1 ) + T (v1 ) = u + v.
Tomando w = u1 + v1 ∈ Rn , temos que T (w) = u + v, o que nos diz que u + v pertence à

imagem de T .
(iii) Sejam u ∈ Im(T ) e a ∈ R. Devemos mostrar que au pertence a Im(T ), ou seja,

devemos mostrar que existe w ∈ Rn tal que T (w) = au. Sendo u um vetor da imagem de T ,
existe u1 ∈ Rn tal que T (u1 ) = u. Temos então:
T (au1 ) = aT (u1 ) = au.
Tomando w = au1 ∈ Rn , temos que T (w) = au, o que nos diz que au pertence à imagem
de T .
Antes de trabalharmos os exemplos sobre núcleo e imagem de uma tranformação linear,

vamos enunciar o seguinte teorema, que é de grande importância:
Teorema 13. Se T : Rn −→ Rm é uma transformação linear, então
dim Ker(T ) + dim Im(T ) = dim Rn .
A dimensão do núcleo de uma transformação T é chamada de nulidade de T . A dimensão

da imagem de T é chamada de posto de T . Devemos nos lembrar de que dim Rn = n.
Exemplo 89. T : R2 −→ R3 , T (x, y) = (y, x, −2x).

Vamos encontrar o núcleo e a imagem de T .
Ker(T ) = (x, y) ∈ R2 ; T (x, y) = (0, 0, 0) = (x, y) ∈ R2 ; (y, x, −2x) = (0, 0, 0)

= (x, y) ∈ R2 ; x = 0 = y = {(0, 0)} .

Im(T ) = T (x, y); (x, y) ∈ R2 = {(y, x, −2x); x, y ∈ R}

Observamos que dim Ker(T ) = 0 e pelo teorema anterior:
0 + dim Im(T ) = dim R2 =⇒ dim Im(T ) = 2.
Vamos encontrar uma base para Im(T ). Podemos escrever:
Im(T ) = {(y, x, −2x); x, y ∈ R} = {x(0, 1, −2) + y(1, 0, 0); x, y ∈ R} = [(0, 1, −2), (1, 0, 0)] .
O conjunto B = {(0, 1, −2), (1, 0, 0)} gera o espaço Im(T ) e é LI. Portanto, B é uma base
para Im(T ).
Exemplo 90. T : R3 −→ R3 , T (x, y, z) = (x + 2y − z, y + z, x).
Ker(T ) = (x, y, z) ∈ R3 ; T (x, y, z) = (0, 0, 0) = (x, y, z) ∈ R3 ; (x + 2y − z, y + z, x) = (0, 0, 0)

(x, y, z) ∈ R3 ; x + 2y − z = 0, y + z = 0, x = 0 = (x, y, z) ∈ R3 ; x = 0, y = 0, z = 0

= {(0, 0, 0)}
Im(T ) = T (x, y, z); (x, y, z) ∈ R3 = (x + 2y − z, y + z, x); x, y, z ∈ R3 .

Observamos que dim Ker(T ) = 0 e pelo teorema anterior:
Como Im(T ) um subespaço de R3 de mesma dimensão de R3 , segue que Im(T ) = R3 .
Exemplo 91. T : R2 −→ R, T (x, y) = x + y.
Ker(T ) = (x, y) ∈ R2 ; x + y = 0 = (x, y) ∈ R2 ; y = −x

= {(x, −x); x ∈ R} = {x(1, −1); x ∈ R} = [(1, −1)] .
O conjunto B = {(1, −1)} gera o espaço Ker(T ) e é LI. Logo, B é uma base para Ker(T )
e temos que dim Ker(T ) = 1.
Pelo teorema anterior:
O conjunto imagem pode ser descrito da forma:
Im(T ) = T (x, y); (x, y) ∈ R2 = {x + y; x, y ∈ R} .

Como dim Im(T ) = 1 e Im(T ) é um subespaço de R (que tem dimensão 1), segue que
Im(T ) = R.
Exemplo 92. T : R3 −→ R3 , T (x, y, z) = (3x, x, 0).
Ker(T ) = (x, y, z) ∈ R3 ; T (x, y, z) = (0, 0, 0) = (x, y, z) ∈ R3 ; (3x, x, 0) = (0, 0, 0)

(x, y, z) ∈ R3 ; x = 0 = {(0, y, z); y, z ∈ R}

{y(0, 1, 0) + z(0, 0, 1); y, z ∈ R} = [(0, 1, 0), (0, 0, 1)] .
O conjunto B = {(0, 1, 0), (0, 0, 1)} gera o espaço Ker(T ) e é LI. Assim, B é uma base
para Ker(T ) e temos que dim Ker(T ) = 2.
Vamos agora encontrar uma base para Im(T ).
Im(T ) = T (x, y, z); (x, y, z) ∈ R3 = (3x, x, 0); x ∈ R3

{x(3, 1, 0); x ∈ R} = [(3, 1, 0)] .
O conjunto C = {(3, 1, 0)} é LI e gera o espaço Im(T ). Logo, C é uma base para Im(T ).
Exemplo 93. T : R4 −→ R3 , T (x, y, z, w) = (x − 2y, w, −z).
Ker(T ) = (x, y, z, w) ∈ R3 ; T (x, y, z, w) = (0, 0, 0) = (x, y, z, w) ∈ R3 ; (x − 2y, w, −z) = (0, 0, 0)

(x, y, z, w) ∈ R3 ; x − 2y = 0, w = 0, z = 0 = (2y, y, 0, 0) ∈ R3 ; y ∈ R

{y(2, 1, 0, 0); y ∈ R} = [(2, 1, 0, 0)] .

O conjunto B = {(2, 1, 0, 0)} é um conjunto LI e gera o espaço Ker(T ). Logo, dim Ker(T ) =
1.
Como dim Im(T ) = 3 e Im(T ) é um subespaço de R3 , segue que Im(T ) = R3 .
Uma transformação linear T : Rn −→ Rm é sobrejetora quando Im(T ) = Rm . T é dita

injetora quando Ker(T ) = 0 . Se T é injetora e sobrejetora ao mesmo tempo, dizemos que
T é bijetora.
Sobre os exemplos anteriores, temos que:
T : R2 −→ R3 , T (x, y) = (y, x, −2x) é injetora, mas não é sobrejetora.
T : R3 −→ R3 , T (x, y, z) = (x + 2y − z, y + z, x) é bijetora.
T : R2 −→ R, T (x, y) = x + y é sobrejetora, mas não é injetora.
T : R3 −→ R3 , T (x, y, z) = (3x, x, 0) não é injetora, nem sobrejetora.
T : R4 −→ R3 , T (x, y, z, w) = (x − 2y, w, −z) não é injetora, mas é sobrejetora.
Observação 20. Escrevemos acima que uma transformação linear T : Rn −→ Rm é injetora

quando Ker(T ) = 0 . Isso equivale a dizer que:
u, v ∈ Rn , T (u) = T (v) =⇒ u = v
que é a definição de função injetora que conhecemos. No caso de tranformações lineares,

conseguimos caracterizar funções injetoras usando o seu núcleo.
As demais definições (sobrejetora e bijetora) são aquelas com as quais já estamos acostu-
mados nos cursos de cálculo.
3.2 Representação de transformações lineares por ma-

trizes
Seja T : Rn −→ Rm uma transformação linear. Consideremos B = {v1 , ..., vn } uma base

para Rn e B 0 = {w1 , ..., wm } uma base para Rm . Então, existe uma única matriz A de tamanho
3.2. REPRESENTAÇÃO DE TRANSFORMAÇÕES LINEARES POR MATRIZES 113
m × n que representa a transformação T com relação às bases B e B 0 . Isso significa

dizer que a matriz A cumpre a seguinte condição:
[T (v)]B 0 = A [v]B
para todo v ∈ Rn .
Vamos denotar: A = [T ]B
B0 .
Como encontrar a matriz Am×n = [T ]B

B0 ?
Vamos escrever cada um dos vetores T (v1 ), T (v2 ), ..., T (vn ) (que estão em Rm ) como
combinação linear dos vetores da base B 0 de Rm :
T (v1 ) = a11 w1 + a21 w2 + ... + am1 wm
T (v2 ) = a12 w1 + a22 w2 + ... + am2 wm
...................
T (vn ) = a1n w1 + a2n w2 + ... + amn wm
As coordenadas de T (vj ) com relação à base B 0 formam a j-ésima coluna da matriz [T ]B

B0 ,
j = 1, ..., n.
Ou seja:
 
a11 a12 ... a1n
a21 a22 ... a2n
 
[T ]B
 
B0 = .. .. .. .. 
. . . .
 
 
am1 am2 ... amn
Observação 21. Quando usarmos as bases canônicas do domı́nio e contra-domı́nio de um

operador linear T : Rn −→ Rn , vamos indicar a matriz que representa T com relação a essas
bases da forma [T ].
Vamos fazer alguns exemplos:
Exemplo 94. T : R2 −→ R3 , T (x, y) = (x + y, y, y − x).

Encontre a matriz que representa T com relação às bases canônicas de R2 e R3 .
B = {(1, 0), (0, 1)} B 0 = {(1, 0, 0), (0, 1, 0), (0, 0, 1)}
Vamos escrever os vetores T (1, 0) e T (0, 1) em relação à base canônica de R3 :
T (1, 0) = (1, 0, −1) = 1(1, 0, 0) + 0(0, 1, 0) − 1(0, 0, 1)
T (0, 1) = (1, 1, 1) = 1(1, 0, 0) + 1(0, 1, 0) + 1(0, 0, 1)
Assim:
 
1 1
[T ]B = 0 1 
 
B0
−1 1
Exemplo 95. T : R3 −→ R2 , T (x, y, z) = (2x − y + z, 3x + y − 2z).

B = {(1, 1, 1), (0, 1, 1), (0, 0, 1)} e B 0 = {(2, 1), (5, 3)} bases de R3 e R2 respectivamente.
Encontre a matriz que representa T com relação às bases B e B 0 .
Vamos escrever os vetores T (1, 1, 1), T (0, 1, 1) e T (0, 0, 1) em relação à base B 0 de R2 :
(
2a1 + 5b1 = 2
T (1, 1, 1) = (2, 2) = a1 (2, 1)+b1 (5, 3) =⇒ T (1, 1, 1) = (2, 2) = (2a1 +5b1 , a1 +3b1 ) =⇒
a1 + 3b1 = 2
Resolvendo o sistema, obtemos: a1 = −4 e b1 = 2. Assim:
T (1, 1, 1) = −4(2, 1) + 2(5, 3)
T (0, 1, 1) = (0, −1) = a2 (2, 1) + b2 (5, 3) =⇒ T (0, 1, 1) = (0, −1) = (2a2 + 5b2 , a2 + 3b2 )
(
2a2 + 5b2 = 0
=⇒
a2 + 3b2 = −1
Resolvendo o sistema, obtemos: a2 = 5 e b2 = −2. Assim:
T (0, 1, 1) = 5(2, 1) − 2(5, 3)

T (0, 0, 1) = (1, −2) = a3 (2, 1) + b3 (5, 3) =⇒ T (0, 0, 1) = (1, −2) = (2a3 + 5b3 , a3 + 3b3 )
(
2a3 + 5b3 = 1
=⇒
a3 + 3b3 = −2
Resolvendo o sistema, obtemos: a3 = 13 e b3 = −5. Assim:
T (0, 0, 1) = 13(2, 1) − 5(5, 3)
A matriz fica então da forma:
" #
−4 5 13
[T ]B
B0 =
2 −2 −5
Exemplo 96. T : R4 −→ R2 , T (x, y, z, w) = (x + w, y + z).

B = {(2, 1, 0, 0), (1, 0, −1, 1), (0, 1, 1, 1), (−1, 0, 0, 3)} e B 0 = {(−1, 0), (1, 2)} bases de R4 e
R2 respectivamente.
Encontre a matriz que representa T com relação às bases B e B 0 .
Vamos escrever os vetores T (2, 1, 0, 0), T (1, 0, −1, 1), T (0, 1, 1, 1) e T (−1, 0, 0, 3) em relação
à base B 0 de R2 :
T (2, 1, 0, 0) = (2, 1) = a1 (−1, 0) + b1 (1, 2) =⇒ T (2, 1, 0, 0) = (2, 1) = (−a1 + b1 , 2b1 )

(
−a1 + b1 = 2
=⇒
2b1 = 1
Resolvendo o sistema, obtemos: a1 = − 23 e b1 = 12 . Assim:
3 1
T (2, 1, 0, 0) = − (−1, 0) + (1, 2)
2 2
T (1, 0, −1, 1) = (2, −1) = a2 (−1, 0) + b2 (1, 2) =⇒ T (1, 0, −1, 1) = (2, −1) = (−a2 + b2 , 2b2 )
(
−a2 + b2 = 2
=⇒
2b2 = −1
Resolvendo o sistema, obtemos: a2 = − 25 e b2 = − 12 . Assim:
5 1
T (1, 0, −1, 1) = − (−1, 0) − (1, 2)
2 2
T (0, 1, 1, 1) = (1, 2) = a3 (−1, 0) + b3 (1, 2) =⇒ T (0, 1, 1, 1) = (1, 2) = (−a3 + b3 , 2b3 )

(
−a3 + b3 = 1
=⇒
2b3 = 2
Resolvendo o sistema, obtemos: a3 = 0 e b3 = 1. Assim:
T (0, 1, 1, 1) = 0(−1, 0) + 1(1, 2)
T (−1, 0, 0, 3) = (2, 0) = a4 (−1, 0) + b4 (1, 2) =⇒ T (−1, 0, 0, 3) = (2, 0) = (−a4 + b4 , 2b4 )

(
−a4 + b4 = 2
=⇒
2b4 = 0
Resolvendo o sistema, obtemos: a4 = −2 e b4 = 0. Assim:
T (−1, 0, 0, 3) = −2(−1, 0) + 0(1, 2)
Escrevendo a matriz que representa T com relação às bases B e B 0 , temos:
" #
− 23 − 25 0 −2
[T ]B
B0 = 1
2
− 21 1 0
y
2 2
Exemplo 97. T : R −→ R , T (x, y) = ,x − y .
2
Encontre a matriz que representa T com relação à base canônica de R2 .
Vamos escrever os vetores T (1, 0), T (0, 1) como combinação linear dos vetores da base
canônica de R2 :
T (1, 0) = (0, 1) = 0(1, 0) + 1(0, 1)


1 1
T (0, 1) = , −1 = (1, 0) − 1(0, 1)
2 2
Assim, a matriz fica da forma:
" #
1
0 2
[T ] = .
1 −1
Exercı́cios
1) Verifique se as funções abaixo são transformações lineares:
a). T : R2 −→ R2 , T (x, y) = (x + y, x − y).

b). T : R2 −→ R, T (x, y) =| x |.
c). T : R3 −→ R2 , T (x, y, z) = (x + z, y − 2x).
d). T : R4 −→ R2 , T (x, y, z, w) = (x + y − 1, 2w).
e). T : R3 −→ R3 , T (x, y, z) = (−x, y, x + y).
f). T : R2 −→ R4 , T (x, y) = (−x + y, 2x, 0, −3x).
g). T : R4 −→ R4 , T (x, y, z, w) = (0, −x, 2y, 0).
h). T : R3 −→ R, T (x, y, z) = 2x − y + z.
i). T : R2 −→ R3 , T (x, y) = (y 2 , x, −z + x).
Respostas: somente as funções de a, c, e, f, g, h são tranformações lineares.
2) Encontre o núcleo e a imagem das tranformações lineares do exercı́cio anterior. Em seguida,

forneça uma base para o núcleo e a imagem e suas dimensões.
Respostas:
a). Ker(T ) = {(0, 0)} (não tem base).
Im(T ) = R2 .
c). Ker(T ) = {(x, 2x, −x); x ∈ R} Base = {(1, 2, −1)}.
Im(T ) = R2 .
e). Ker(T ) = {(0, 0, z); z ∈ R} Base = {(0, 0, 1)}.
Im(T ) = {(−x, y, x + y); x, y, ∈ R} Base = {(−1, 0, 1), (0, 1, 1)}.
f). Ker(T ) = {(0, 0)}.

Im(T ) = {(−x + y, 2x, 0, −3x); x, y, ∈ R} Base = {(−1, 2, 0, −3), (1, 0, 0, 0)}.
g). Ker(T ) = {(0, 0, z, w); z, w ∈ R} Base = {(0, 0, 1, 0), (0, 0, 0, 1)}.
Im(T ) = {(0, −x, 2y, 0); x, y, ∈ R} Base = {(0, −1, 0, 0), (0, 0, 2, 0)}.
h). Ker(T ) = {(x, y, y − 2x); x, y ∈ R} Base = {(1, 0, −2), (0, 1, 1)}.
Im(T ) = R.
3) Encontre a transformação linear T : R3 −→ R2 tal que T (1, 0, 0) = (2, 0), T (0, 1, 0) = (1, 1)
e T (0, 0, 1) = (0, −1).
Resposta: T (x, y, z) = (2x + y, y − z).
4) Encontre a transformação linear T : R2 −→ R3 tal que T (1, 1) = (3, 2, 1), T (0, −2) =
(0, 1, 0).
Resposta: T (x, y) = 3x, 5x−y

2
, x .
5) Encontre a transformação linear T : R3 −→ R tal que T (1, 1, 1) = 3, T (0, 1, −2) = 1 e

T (0, 0, 1) = −2.
Resposta: T (x, y, z) = 8x − 3y − 2z.
6) Seja T : R3 −→ R2 a transformação linear tal que T (x, y, z) = (x + y, 2z − x). Vamos

considerar:
B e B 0 : bases canônicas de R3 e R2 respectivamente.

α = {(1, 0, −1), (1, 1, 1), (1, 0, 0)}: base de R3 .
α0 = {(0, 1), (1, 0)}: base de R2 .
Obtenha as matrizes: [T ]B α
B 0 e [T ]α0 .
Resposta:
" #
1 1 0
[T ]B
B0 =
−1 0 2
" #
−3 1 −1
[T ]αα0 =
1 2 1
 
0 1 −2
7) Seja S : R3 −→ R3 o operador linear tal que [S] =  1 −1 0 . Encontre S(x, y, z).
 
0 0 0
Resposta: S(x, y, z) = (y − 2z, x − y, 0).

 
2 1
 1 −1 
2 4
8) Seja S : R −→ R o operador linear tal que [S]αβ = , onde α e β são as bases
 
 −1 0 
0 1
canônicas de R2 e R4 , respectivamente. Encontre S(x, y).
Resposta: S(x, y) = (2x + y, x − y, −x, y).
9) Sejam α = {(1, −1), (0, 2)} e β = {(1, 0, −1), (0, 1, 2), (1, 2, 0)} bases de R2 e R3 , respecti-
vamente.
a) Se S : R2 −→ R3 é dada por S(x, y) = (2y, x − y, x), obtenha [S]αβ .
 
1 0
b) Se T : R2 −→ R3 é tal que [T ]αβ =  1 1 , encontre T (x, y).
 
0 −1
Respostas:
 
− 11
3
20
3
a) [S]αβ =  − 43 10
 
3 
5
3
− 38

x−y x−y
b) T (x, y) = , , 2x + y .
2 2
10) Observe as transformações lineares do exercı́cio (2) e diga quais são bijetoras, injetoras ou
sobrejetoras.
Respostas: (a) é bijetora; (c) é só sobrejetora; (f) é só injetora. As demais não são nem
injetoras nem sobrejetoras.
Capı́tulo 4
Autovalores, Autovetores e
Diagonalização de Operadores
4.1 Polinômio Caracterı́stico
Definição 24. Seja A uma matriz n × n sobre R. O polinômio caracterı́stico de A é o

polinômio p(x) = det (xIn − A), onde In denota a matriz identidade n × n.
Exemplo 98. Dadas as matrizes
 
  1 0 0 0
" # 1 0 2
1 2  −1 3 0 0 
A= B =  −1 0 1  C=
   

0 −1  1 1 2 0 
1 1 2
0 3 4 −2
encontre os polinômios caracterı́sticos de cada uma delas.
Polinômio caracterı́stico de A:
" # " #!
1 0 1 2
p(x) = det (xI2 − A) = det x −
0 1 0 −1
" #
x−1 −2
= det = (x − 1)(x + 1) − 0 = x2 − 1
0 x+1
Polinômio caracterı́stico de B:
121
122CAPÍTULO 4. AUTOVALORES, AUTOVETORES E DIAGONALIZAÇÃO DE OPERADORES
    
1 0 0 1 0 2
p(x) = det (xI3 − B) = det x  0 1 0  −  −1 0 1 
    
0 0 1 1 1 2
 
x−1 0 −2
= det  1 x −1  = (x − 1)x(x − 2) + 2 − 2x − (x − 1)
 
−1 −1 x − 2
= x(x − 1)(x − 2) − 2(x − 1) − (x − 1) = x(x − 1)(x − 2) − 3(x − 1)
= (x − 1) [x(x − 2) − 3] = (x − 1)(x2 − 2x − 3) = x3 − 3x2 − x + 3
Polinômio caracterı́stico de C:
    
1 0 0 0 1 0 0 0
  0 1 0 0   −1 3 0 0 
p(x) = det (xI4 − C) = det x  −
    

  0 0 1 0   1 1 2 0 
0 0 0 1 0 3 4 −2
 
x−1 0 0 0
 1 x−3 0 0 
= det   = (x − 1)(x − 3)(x − 2)(x + 2)
 
 −1 −1 x − 2 0 
0 −3 −4 x + 2
Vamos falar agora sobre polinômios caracterı́sticos de operadores lineares.
Definição 25. Seja T : Rn −→ Rn um operador linear. O polinômio caracterı́stico de T é

o polinômio caracterı́stico da matriz [T ]B n
B , onde B é qualquer base de R .
É importante ressaltar aqui que o polinômio caracterı́stico de T independe da base B

n n
tomada
para R : é possı́vel mostrar que, para qualquer base B de R que você use, o polinômio
det xIn − [T ]B
B é sempre o mesmo. Geralmente, usamos a base canônica do Rn porque as
contas ficam mais fáceis.
Vamos fazer alguns exemplos.
y
Exemplo 99. T : R2 −→ R2 , T (x, y) = ,x − y .
2
Para encontrarmos o polinômio caracterı́stico de T , vamos trabalhar com a base canônica
B = {(1, 0), (0, 1)} de R2 . Inicialmente, vamos calcular [T ]:
T (1, 0) = (0, 1) = 0(1, 0) + 1(0, 1)

4.1. POLINÔMIO CARACTERÍSTICO 123

1 1
T (0, 1) = , −1 = (1, 0) − 1(0, 1)
2 2
Então:
" #
1
0 2
[T ] =
1 −1
Vamos encontrar agora o polinômio caracterı́stico de T :
" #
x − 12 1 1
p(x) = det (xI2 − [T ]) = det = x(x + 1) − = x2 + x − .
−1 x + 1 2 2
Exemplo 100. T : R3 −→ R3 , T (x, y, z) = (x + y, z − x, x + y − 2z).

B = {(1, 0, 0), (0, 1, 0), (0, 0, 1)} de R3 . Inicialmente, vamos calcular [T ]:
T (1, 0, 0) = (1, −1, 1) = 1(1, 0, 0) − 1(0, 1, 0) + 1(0, 0, 1)

T (0, 1, 0) = (1, 0, 1) = 1(1, 0, 0) + 0(0, 1, 0) + 1(0, 0, 1)
T (0, 0, 1) = (0, 1, −2) = 0(1, 0, 0) + 1(0, 1, 0) − 2(0, 0, 1)
Então:
 
1 1 0
[T ] =  −1 0 1 .
 
1 1 −2
 
x − 1 −1 0
p(x) = det (xI3 − [T ]) = det  1 x −1 
 
−1 −1 x + 2
= (x − 1)x(x + 2) − 1 + (x + 2) − (x − 1) = (x − 1)x(x + 2) + 2 = (x2 − x)(x + 2) + 2
= x3 + 2x2 − x2 − 2x + 2 = x3 + x2 − 2x + 2.
Exemplo 101. T : R3 −→ R3 , T (x, y, z) = (x + y, x − y + 2z, 2x + y − z).

T (1, 0, 0) = (1, 1, 2) = 1(1, 0, 0) + 1(0, 1, 0) + 2(0, 0, 1)
T (0, 1, 0) = (1, −1, 1) = 1(1, 0, 0) − 1(0, 1, 0) + 1(0, 0, 1)
T (0, 0, 1) = (0, 2, −1) = 0(1, 0, 0) + 2(0, 1, 0) − 1(0, 0, 1)
Então:
 
1 1 0
[T ] =  1 −1 2 .
 
2 1 −1
 
x−1 −1 0
p(x) = det (xI3 − [T ]) = det  −1 x + 1 −2  .
 
−2 −1 x + 1
= (x−1)(x+1)2 −4−(x+1)−2(x−1) = (x−1)(x+1)2 −4−x−1−2x+2 = (x−1)(x+1)2 −3x−3
= (x − 1)(x + 1)2 − 3(x + 1) = (x + 1) [(x − 1)(x + 1) − 3] = (x + 1)(x2 − 4)
Exemplo 102. T : R2 −→ R2 , T (x, y) = (y, −x).

B = {(1, 0), (0, 1)} de R2 . Inicialmente, vamos calcular [T ]:
T (1, 0) = (0, −1) = 0(1, 0) − 1(0, 1)
T (0, 1) = (1, 0) = 1(1, 0) + 0(0, 1)
Então:
" #
0 1
[T ] =
−1 0
" #
x −1
p(x) = det (xI2 − [T ]) = det = x2 + 1
1 x
4.2. AUTOVALORES E AUTOVETORES 125
Exemplo 103. T : R3 −→ R3 , T (x, y, z) = (4x + 2y, −x + y, y + 2z).

T (1, 0, 0) = (4, −1, 0) = 4(1, 0, 0) − 1(0, 1, 0) + 0(0, 0, 1)
T (0, 1, 0) = (2, 1, 1) = 2(1, 0, 0) + 1(0, 1, 0) + 1(0, 0, 1)
T (0, 0, 1) = (0, 0, 2) = 0(1, 0, 0) + 0(0, 1, 0) + 2(0, 0, 1)
Então:
 
4 2 0
[T ] =  −1 1 0  .
 
0 1 2
 
x−4 −2 0
p(x) = det (xI3 − [T ]) = det  1 x−1 0 .
 
0 −1 x − 2
= (x − 4)(x − 1)(x − 2) + 2(x − 2) = (x − 2) [(x − 4)(x − 1) + 2]
= (x − 2)(x2 − x − 4x + 4 + 2) = (x − 2)(x2 − 5x + 6) = (x − 2)2 (x − 3).
4.2 Autovalores e Autovetores
Definição 26. Seja T : Rn −→ Rn um operador linear. Um escalar λ ∈ R é um autovalor

de T quando existe um vetor não-nulo v ∈ Rn tal que T (v) = λv.
Um vetor v ∈ Rn que cumpre a condição acima é chamado de autovetor de T associado
ao autovalor λ.
O conjunto Vλ = {v ∈ Rn ; T (v) = λv} é um subespaço vetorial de Rn (mostre), chamado
de subespaço associado ao autovalor λ. Vale ressaltarmos aqui que:
[
Vλ = 0 {autovetores de T associados a λ}
.
Por exemplo, considerando o operador linear T : R3 −→ R3 , T (x, y, z) = ((4x + 2y, −x + y, y + 2z),

temos que o escalar λ = 2 é um autovalor de T , pois se v = (0, 0, 3), temos que:
T (v) = T (0, 0, 3) = (0, 0, 6) = 2(0, 0, 3) = 2v.
O vetor v = (0, 0, 3) é um autovetor de T associado ao autovalor 2.

Vamos agora estudar uma forma de calcular os autovalores e autovetores de um operador T .
Para tal, seja T : Rn −→ Rn um operador linear. Seja ainda A = [T ] a matriz que representa
T com relação à base canônica de Rn .
Se λ ∈ R é um autovalor de T , então existe um vetor não-nulo v = (x1 , x2 , ..., xn ) ∈ Rn
tal que T (v) = λv. Assim, podemos escrever:
T (v) = λv =⇒ λv − T (v) = 0 =⇒ λI(v) − T (v) = 0
Na expressão acima, temos que I : Rn −→ Rn denota o operador identidade.

Na forma matricial, podemos escrever:
λ[I][v]can − [T ][v]can = 0.
Aqui, [v]can denota as coordenadas de v com relação à base canônica de Rn . Assim:
         
x1 x1 0 x1 0
x2 x2 0 x2 0
         
         
λ ..  − A .. = ..  =⇒ (λIn − A)  .. = .. 
. . . . .
         
         
xn xn 0 xn 0
Para que o sistema (λIn − A) X = 0 tenha solução não trivial, devemos ter (λIn − A) não
invertı́vel, isto é, det (λIn − A) = 0. As soluções (não nulas) da forma (x1 , x2 , ..., xn ) irão nos
fornecer os autovetores associados ao autovalor λ.
Como encontrar os autovalores? Sendo p(x) = det (xIn − A) o polinômio caracterı́stico de
T , temos que suas raı́zes serão os autovalores do operador T , isto é, vamos obter o(s) valor(es)
de λ ∈ R tal (tais) que p(λ) = det (λIn − A) = 0.
Resumidamente, encontramos o polinômio caracterı́stico de T . Em seguida, as raı́zes desse
polinômio, que serão os autovalores de T . Para encontrarmos os autovetores correspondentes,
   
x1 0
x2 0
   
   
usamos a igualdade (λIn − [T ])  .. = ..  para cada autovalor λ encontrado.
. .
   
   
xn 0
Vamos aos exemplos.
Exemplo 104. T : R3 −→ R3 , T (x, y, z) = (x + y, x − y + 2z, 2x + y − z).

Polinômio caracterı́stico de T :
p(x) = (x + 1)(x2 − 4) = (x + 1)(x − 2)(x + 2)
Raı́zes de p(x) (autovalores de T ):
λ1 = −1, λ2 = 2, λ3 = −2
Trabalhando com o autovalor λ1 = −1: vamos encontrar os autovetores de T associados ao

autovalor λ1 = −1.
v = (x, y, z) ∈ R3
  
x 0
(λ1 I3 − [T ])  y  =  0 
   
z 0
 
1 1 0
onde [T ] =  1 −1 2 .
 
2 1 −1
       
−1 0 0 1 1 0 x 0
 0 −1 0  −  1 −1 2   y  =  0 
       
0 0 −1 2 1 −1 z 0
    
−2 −1 0 x 0
 −1 0 −2   y  =  0 
    
−2 −1 0 z 0
Temos então o sistema:


 −2x − y = 0
 (
y = −2x
−x − 2z = 0 =⇒
 z = − 21 x
−2x − y = 0

O subespaço associado ao autovalor λ1 = −1 fica da forma:

1
V−1 = x, −2x, − x ; x ∈ R
2
Trabalhando com o autovalor λ2 = 2: vamos encontrar os autovetores de T associados ao

autovalor λ2 = 2.
v = (x, y, z) ∈ R3
   
x 0
(λ2 I3 − [T ])  y  =  0 
   
z 0
 
1 1 0
onde [T ] =  1 −1 2 .
 
2 1 −1
       
2 0 0 1 1 0 x 0
 0 2 0  −  1 −1 2   y  =  0 
       
0 0 2 2 1 −1 z 0
    
1 −1 0 x 0
 −1 3 −2   y = 0 
    
−2 −1 3 z 0

 x−y =0
 (
x=y
−x + 3y − 2z = 0 =⇒
 z=y
−2x − y + 3z = 0

O subespaço associado ao autovalor λ2 = 2 fica da forma:
V2 = {(y, y, y) ; y ∈ R}
Trabalhando com o autovalor λ3 = −2: vamos encontrar os autovetores de T associados ao

v = (x, y, z) ∈ R3
   
x 0
(λ3 I3 − [T ])  y  =  0 
   
z 0
 
1 1 0
onde [T ] =  1 −1 2 .
 
2 1 −1
       
−2 0 0 1 1 0 x 0
 0 −2 0  −  1 −1 2   y  =  0 
       
0 0 −2 2 1 −1 z 0
    
−3 −1 0 x 0
 −1 −1 −2   y  =  0 
    
−2 −1 −1 z 0

 −3x − y = 0
 (
y = −3x
−x − y − 2z = 0 =⇒
 z=x
−2x − y − z = 0

V−2 = {(x, −3x, x) ; x ∈ R}
Exemplo 105. T : R2 −→ R2 , T (x, y) = (y, −x).

p(x) = x2 + 1
Notemos que p(x) não tem raı́zes reais. Portanto, T não possui autovalores em R(consequentemente,
não possui autovetores).
Exemplo 106. T : R3 −→ R3 , T (x, y, z) = (4x + 2y, −x + y, y + 2z).

Temos que:
 
4 2 0
[T ] =  −1 1 0  .
 
0 1 2
p(x) = (x − 2)2 (x − 3).
λ1 = 2, λ2 = 3

autovalor λ1 = 2.
v = (x, y, z) ∈ R3
   
x 0
(λ1 I3 − [T ])  y  =  0 
   
z 0
 
4 2 0
onde [T ] =  −1 1 0  .
 
0 1 2
       
2 0 0 4 2 0 x 0
 0 2 0  −  −1 1 0   y  =  0 
       
0 0 2 0 1 2 z 0
    
−2 −2 0 x 0
 1 1 0  y  =  0 
    
0 −1 0 z 0


 −2x − 2y = 0
 (
x=0
x+y =0 =⇒
 y=0
−y = 0

V2 = {(0, 0, z) ; z ∈ R}

autovalor λ2 = 3.
v = (x, y, z) ∈ R3
   
x 0
(λ2 I3 − [T ])  y  =  0 
   
z 0
 
4 2 0
onde [T ] =  −1 1 0  .
 
0 1 2
       
3 0 0 4 2 0 x 0
 0 3 0  −  −1 1 0   y  =  0 
       
0 0 3 0 1 2 z 0
    
−1 −2 0 x 0
 1 2 0  y = 0 
    
0 −1 1 z 0

 −x − 2y = 0
 (
x = −2y
x + 2y = 0 =⇒
 z=y
−y + z = 0

V3 = {(−2y, y, y) ; y ∈ R}
Vamos agora ver como obter autovalores e autovetores de uma matriz An×n .
Os autovalores e os autovetores de A são os autovalores e autovetores de um operador
linear T : Rn −→ Rn tal que [T ] = A. Os autovalores serão, então, as raı́zes do polinômio
caracterı́stico de A. Os autovetores associados a um autovalor λ podem ser calculados da
forma:
   
x1 0
x2 0
   
   
(λIn − A)  .. = .. 
. .
   
   
xn 0
As n-uplas (x1 , x2 , ..., xn ) ∈ Rn serão os autovetores de T associados a λ (consequentemente,

são os autovetores da matriz A associados a λ).
Exemplo 107. " #

1 2
A=
0 −1
Polinômio caracterı́stico de A:
p(x) = x2 − 1
Raı́zes de p(x) (autovalores de A): λ1 = −1, λ2 = 1.

Trabalhando com o autovalor λ1 = −1: vamos encontrar os autovetores de A associados ao
v = (x, y) ∈ R2
" # " #
x 0
(λ1 I2 − A) =
y 0
" # " #! " # " #

−1 0 1 2 x 0
− =
0 −1 0 −1 y 0
" #" # " #
−2 −2 x 0
=
0 0 y 0

(
−2x − 2y = 0
=⇒ y = −x
0=0
V−1 = {(x, −x) ; x ∈ R}
Trabalhando com o autovalor λ2 = 1: vamos encontrar os autovetores de A associados ao

autovalor λ2 = 1.
v = (x, y) ∈ R2
" # " #
x 0
(λ2 I2 − A) =
y 0
" # " #! " # " #
1 0 1 2 x 0
− =
0 1 0 −1 y 0
" #" # " #
0 −2 x 0
=
0 −2 y 0
(
−2y = 0
=⇒ y = 0
2y = 0
V1 = {(x, 0) ; x ∈ R}
Exemplo 108.  
1 0 2
B =  −1 0 1 
 
1 1 2
Polinômio caracterı́stico de B:
p(x) = (x − 1)(x2 − 2x − 3) = (x − 1)(x − 3)(x + 1)
Raı́zes do polinômio (autovalores de B): λ1 = 1, λ2 = 3, λ3 = −1.

Trabalhando com o autovalor λ1 = 1: vamos encontrar os autovetores de B associados ao

autovalor λ1 = 1.
v = (x, y, z) ∈ R3
   
x 0
(λ1 I3 − B)  y  =  0 
   
z 0
       
1 0 0 1 0 2 x 0
 0 1 0  −  −1 0 1   y  =  0 
       
0 0 1 1 1 2 z 0
    
0 0 −2 x 0
 1 1 −1   y  =  0 
    
−1 −1 −1 z 0

 −2z = 0
 (
z=0
x+y−z =0 =⇒
 y = −x
−x − y − z = 0

V1 = {(x, −x, 0) ; x ∈ R}
Trabalhando com o autovalor λ2 = 3: vamos encontrar os autovetores de B associados ao

autovalor λ2 = 3.
v = (x, y, z) ∈ R3
   
x 0
(λ2 I3 − B)  y  =  0 
   
z 0
       
3 0 0 1 0 2 x 0
 0 3 0  −  −1 0 1   y  =  0 
       
0 0 3 1 1 2 z 0
    
2 0 −2 x 0
 1 3 −1   y  =  0 
    
−1 −1 1 z 0

 2x − 2z = 0
 (
x=z
x + 3y − z = 0 =⇒
 y=0
−x − y + z = 0

V3 = {(x, 0, x) ; x ∈ R}
Trabalhando com o autovalor λ3 = −1: vamos encontrar os autovetores de B associados ao

v = (x, y, z) ∈ R3
   
x 0
(λ3 I3 − B)  y  =  0 
   
z 0
       
−1 0 0 1 0 2 x 0
 0 −1 0  −  −1 0 1   y  =  0 
       
0 0 −1 1 1 2 z 0
    
−2 0 −2 x 0
 1 −1 −1   y  =  0 
    
−1 −1 −3 z 0

 −2x − 2z = 0
 (
y = 2x
x−y−z =0 =⇒
 z = −x
−x − y − 3z = 0

V−1 = {(x, 2x, −x) ; x ∈ R}

Exercı́cios
1) Encontre os autovalores e autovetores correspondentes dos seguintes operadores:

a). T : R2 −→ R2 , T (x, y) = (2y, x).
b). T : R2 −→ R2 , T (x, y) = (x + y, 2x + y).
c). T : R3 −→ R3 , T (x, y, z) = (x + y, x − y + 2z, 2x + y − z).
d). T : R3 −→ R3 , T (x, y, z) = (−x + y, 0, 2z + y).
e). T : R3 −→ R3 , T (x, y, z) = (−z − x, 2z, 3x).
f). T : R3 −→ R3 , T (x, y, z) = (−2x, 5y − 10z, −5z).
g). T : R3 −→ R3 , T (x, y, z) = (3x, 7x − 4y, 3z).
h). T : R3 −→ R3 , T (x, y, z) = (−7x, −7y, −7z).
Respostas:
√ √
a). Autovalores:
h√ i 2, − 2. h
√ i
√
V 2= 2, 1 √
V− 2 = − 2, 1
√ √
h √ i 1 + 2, 1 h
b). Autovalores: − 2. i
√
V1+√2 = 1, 2 V1−√2 = 1, − 2
c). Autovalores: −1, −2, 2.
V−1 = [(−2, 4, 1)] V−2 = [(1, −3, 1)] V2 = [(1, 1, 1)]
d). Autovalores: −1,0 2
1
V−1 = [(1, 0, 0)] V0 = 1, 1, − V2 = [(0, 0, 1))]
2
e). Autovalor: 0
V0 = [(0, 1, 0)]
f). Autovalores: −2, 5 − 5
V−2 = [(1, 0, 0)] V5 = [(0, 1, 0))] V−5 = [(0, 1, 1))]
g). Autovalores: 3, −4
V3 = [(0, 0, 1), (1, 1, 0)] V−4 = [(0, 1, 0))]
h). Autovalor: −7
V−7 = R3
4.3. DIAGONALIZAÇÃO DE OPERADORES 137
4.3 Diagonalização de Operadores
Definição 27. Seja T : Rn −→ Rn um operador linear. T é diagonalizável quando existe

uma base B de Rn tal que [T ]B
B é uma matriz diagonal.
Isto equivale a dizer que B é uma base de Rn formada de autovetores de T .
Ilustração
Seja T : R4 −→ R4 um operador linear tal que:
 
a1 0 0 0
 0 a2 0 0 
[T ]B =
 
B 
 0 0 a3 0 
0 0 0 a4
onde B = {v1 , v2 , v3 , v4 } é uma base de R4 .

Temos então que:
T (v1 ) = a1 v1 + 0v2 + 0v3 + 0v4 = a1 v1
T (v2 ) = 0v1 + a2 v2 + 0v3 + 0v4 = a2 v2
T (v3 ) = 0v1 + 0v2 + a3 v3 + 0v4 = a3 v3
T (v4 ) = 0v1 + 0v2 + 0v3 + a4 v4 = a4 v4
Ou seja: os vetores da base B de R4 são autovetores de T .
Proposição 3. Seja T : Rn −→ Rn um operador linear e sejam λ1 , ..., λt todos os autovalores

de T . Então:
T é diagonalizável se, e somente se, n = dim Rn = dim Vλ1 + ... + dim Vλt
onde Vλi é o subespaço associado ao autovalor λi , i = 1, ..., t.
Neste caso, a base B de Rn formada de autovetores de T pode ser obtida da forma:
[ [
B = B1 ... Bt
onde Bi é uma base para Vλi , i = 1, ..., t.

Vamos fazer agora uma observação. Se T : Rn −→ Rn é um operador linear tal que seu
polinômio caracterı́stico é da forma p(x) = (x − λ1 )...(x − λn ), com λi 6= λj , se i 6= j, então T
é diagonalizável. Ou seja, se o polinômio caracterı́stico de T tem n raı́zes distintas, então T é
diagonalizável.
Exemplo 109. (as contas deste exemplo já foram feitas nas seções anteriores).
T : R3 −→ R3 , T (x, y, z) = (x + y, x − y + 2z, 2x + y − z)
p(x) = (x + 1)(x2 − 4) = (x + 1)(x − 2)(x + 2)
Pela observação que fizemos antes do exemplo, o operador T é diagonalizável (seu polinômio
caracterı́stico possui 3 raı́zes distintas).
λ1 = −1, λ2 = 2, λ3 = −2

1 1
V−1 = x, −2x, − x ; x ∈ R = 1, −2, −
2 2
Uma base para V−1 fica da forma:

1
B−1 = 1, −2, −
2
dim V−1 = 1
V2 = {(y, y, y) ; y ∈ R} = [(1, 1, 1)]
Uma base para V2 fica da forma:
B2 = {(1, 1, 1)}
dim V2 = 1
V−2 = {(x, −3x, x) ; x ∈ R} = [(1, −3, 1)]
Uma base para V−2 fica da forma:
B−2 = {(1, −3, 1)}
dim V−2 = 1
Temos que
3 = dim R3 = dim V−1 + dim V2 + dim V−2
Pela proposição, temos que T é diagonalizável. Uma base B para R3 fica da forma:

[ [ 1
B = B−1 B2 B−2 = 1, −2, − , (1, 1, 1) , (1, −3, 1)
2
A matriz [T ]B
B que representa T com relação à base B é dada por:
 
−1 0 0
[T ]B
B =  0 2 0 
 
0 0 −2
T : R2 −→ R2 , T (x, y) = (y, −x).
p(x) = x2 + 1
Notemos que p(x) não tem raı́zes reais. Portanto, T não possui autovalores em R e não é
diagonalizável.
T : R3 −→ R3 , T (x, y, z) = (4x + 2y, −x + y, y + 2z).
p(x) = (x − 2)2 (x − 3).
λ1 = 2, λ2 = 3
V2 = {(0, 0, z) ; z ∈ R} = [(0, 0, 1)]
Uma base para V2 :
B2 = {(0, 0, 1)}
dim V2 = 1
V3 = {(−2y, y, y) ; y ∈ R} = [(−2, 1, 1)]
Uma base para V3 :
B3 = {(−2, 1, 1)}
dim V3 = 1
Como 3 = dim R3 6= dim V2 + dim V3 = 2, segue que T não é diagonalizável.
Exemplo 112. T : R3 −→ R3 , T (x, y, z) = (3x, 5y − 2x, 5z − 2x)

p(x) = (x − 3)(x − 5)2
λ1 = 3, λ2 = 5

V3 = {(x, x, x) ; x ∈ R} = [(1, 1, 1)]
B3 = {(1, 1, 1)}
dim V3 = 1
V5 = {(0, y, z) ; y, z ∈ R} = [(0, 1, 0), (0, 0, 1)]
B5 = {(0, 1, 0), (0, 0, 1)}

dim V5 = 2
Temos que
3 = dim R3 = dim V3 + dim V5
Pela proposição, temos que T é diagonalizável. Uma base B para R3 fica da forma:
[
B = B3 B5 = {(1, 1, 1), (0, 1, 0) , (0, 0, 1)}
A matriz [T ]B
B que representa T com relação à base B é dada por:
 
3 0 0
[T ]B
B =  0 5 0 
 
0 0 5
Exercı́cios
1) Nos exercı́cios da seção anterior, verifique quais são os operadores lineares diagonalizáveis.
Resposta: somente o operador do exercı́cio (e) não é diagonalizável.

2) Decida quais dos operadores abaixo são diagonalizávies:

a). T : R3 −→ R3 , T (x, y, z) = (3x, x + 3y, −x + 2y + 2z)
b). T : R3 −→ R3 , T (x, y, z) = (−5x + y − z, −5y + z, 2z)
c). T : R3 −→ R3 , T (x, y, z) = (y − 2z, z, 0)
Resposta: nenhum dos operadores acima é diagonalizável.
3) No exercı́cio 1, para os operadores que são diagonalizáveis, encontre:

i) uma base para R2 ou para R3 formada de autovetores de T .
ii) a matriz que representa cada um desses operadores em relação à base de autovetores
encontrada.
Respostas:
" √ #
n√ √ o 2 0
a) B = ( 2, 1), (− 2, 1) , [T ]B
B = √ .
0 − 2
n √
" √ #
√ o 1+ 2 0
b) B = (1, 2), (1, − 2) , [T ]B
B = √ .
0 1− 2
 
−1 0 0
c) B = {(−2, 4, 1), (1, −3, 1), (1, 1, 1)}, [T ]B
B =  0 −2 0 .
 
0 0 2
 
−1 0 0
d) B = {(1, 0, 0), (1, 1, −1/2), (0, 0, 1)}, [T ]B
B =  0 0 0 .
 
0 0 2
 
−2 0 0
f) B = {(1, 0, 0), (0, 1, 0), (0, 1, 1)}, [T ]B
B =  0 5 0 .
 
0 0 −5
 
3 0 0
g) B = {(0, 0, 1), (1, 1, 0), (0, 1, 0)}, [T ]B
B =  0 3 0 .
 
0 0 −4
 
−7 0 0
h) Qualquer base de R3 , [T ]B
B =  0 −7 0 .
 
0 0 −7
4) Faça o que se pede:

a) Se T : R4 −→ R4 é um operador linear, λ = −3 é um autovalor de T e V−3 =
[(1, 1, 0, 0), (0, 0, −1, 0)], encontre: T (1, 1, 0, 0), T (0, 0, 2, 0) e T (1, 1, −5, 0).
b) Se v1 = (0, −1, 2), v2 = (3, 0, 0) e v3 = (1, 0, −1) são autovetores de um operador linear
T : R3 −→ R3 associados aos autovalores −2, 2 e 5, respectivamente, encontre T (x, y, z).
c) Se v1 = (1, 0, −1), v2 = (0, −2, 0) são autovetores de um operador T : R3 −→ R3
aasociados ao autovalor λ1 = −3 e v3 = (0, 0, 2) é um autovetor de T associado ao autovalor
λ2 = 0, encontre T (x, y, z).
Respostas:
a) T (1, 1, 0, 0) = (−3, −3, 0, 0), T (0, 0, 2, 0) = (0, 0, −6, 0) e T (1, 1, −5, 0) = (−3, −3, 15, 0).
b) T (x, y, z) = (2x − 6y − 3z, −2y, 14y + 5z).
c) T (x, y, z) = (−3x, −3y, 3x).

Algebra Matricial: Cristiane de Andrade Mendes

Enviado por

Dados do documento

Descrição original:

Título original

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

Algebra Matricial: Cristiane de Andrade Mendes

Enviado por

Direitos autorais:

Formatos disponíveis

Álgebra Matricial

Cristiane de Andrade Mendes

1 Matrizes, Sistemas e Determinantes 5

3 Transformações Lineares 101

4 Autovalores, Autovetores e Diagonalização de Operadores 121

Matrizes, Sistemas e Determinantes

Definição 1. uma matriz A m × n é uma tabela de mn números dispostos em m linhas e n

aij ou [A]ij : elemento de A localizado na linha i e coluna j.

. (Ou seja: todos os elementos fora da diagonal principal são nulos).

• Matriz identidade: consideremos uma matriz n × n, denotada por In , onde:

• Matriz linha: Seja A uma matriz m × n. A é uma matriz linha se m = 1, ou seja, se A

• Matriz coluna: Seja A uma matriz m × n. A é uma matriz coluna se n = 1, ou seja, A

aij = 0 quando i > j i, j = 1, · · · , n.

Por exemplo, as matrizes

aij = 0 quando i < j i, j = 1, · · · , n.

Por exemplo, as matrizes

• Matrizes iguais: Sejam A = (aij )m×n e B = (bij )p×q duas matrizes.

Operações com matrizes

Definição 2. Sejam A = (aij )m×n e B = (bij )m×n duas matrizes.

cij = aij + bij i = 1, · · · , m e j = 1, · · · , n.

[A + B]ij = aij + bij onde [A + B]ij é elemento ij da matriz A + B

cij = ai1 b1j + ai2 b2j + · · · + aip bpj

[AB]ij = ai1 b1j + ai2 b2j + · · · + aip bpj

CB não é possı́vel, pois o número de colunas de C é diferente do número de linhas de B.

Observação 1. Sejam k um número inteiro positivo e A uma matriz quadrada n × n. Vamos

Vamos denotar At a matriz transposta de A.

2. Se for possı́vel, calcule (C t + 3D)t , onde C e D são as matrizes:

Propriedades das operações com matrizes

c) Existência do elemento neutro

−A é tal que [−A]ij = −aij , para todo i = 1, · · · , m, j = 1, · · · , n.

Se A = (aij )m×p , B = (bij )p×q e C = (cij )q×n , então

i) Existência do elemento neutro da multiplicação

Aqui, In e Im são as matrizes identidade n × n e m × m respectivamente.

Se A = (aij )p×n , B = (bij )m×p e C = (cij )m×p , então:

k) Se α é um escalar, A = (aij )m×p e B = (bij )p×n são matrizes, então:

α(AB) = (αA)B = A(αB)

l) Se A = (aij )m×n é uma matriz, então (At )t = A

m) Se A = (aij )m×n e B = (bij )m×n são matrizes, então: (A + B)t = At + B t .

n) Se α é um escalar e A = (aij )m×n é uma matriz, então (αA)t = αAt .

o) Se A = (aij )m×p e B = (bij )p×n são matrizes, então (AB)t = B t At .

Observação 3. O produto de matrizes não é comutativo em geral.

Diferença entre matrizes

Sejam A = (aij )m×p e B = (bij )m×p matrizes. Vamos definir:

Exemplo 6. Dadas as matrizes A e B abaixo, encontre a matriz A − B.

" # " √ # " √ #

Matrizes simétricas e anti-simétricas

Exemplo 7. Considere as matrizes A, B e C abaixo:

A é uma matriz simétrica, pois At = A.

C também não é anti-simétrica, pois

1) Uma matriz quadrada An×n é idempotente se A2 = A. Sabendo que a matriz A abaixo é

Resolução: como A é idempotente, temos:

2) Dada a matriz M abaixo, calcule a matriz M t M .

3) Se A é a matriz a seguir, mostre que A2 − 6A + 5I2 = O

" #" # " # " #

4) Dadas as matrizes A, B e C abaixo, encontre a matriz X tal que:

Resolução: usando propriedades de operações de matrizes, podemos escrever:

" # " # " # " # " # " #

2) Encontre os valores de x, y, z e w tais que:

" # " # " #

4) Calcule os seguintes produtos, quando possı́vel:

" # " # " #

" # " # " #