UNIVERSIDADE FEDERAL DE CAMPINA GRANDE

CENTRO DE CIÊNCIAS E TECNOLOGIAS

UNIDADE ACADÊMICA DE MATEMÁTICA

Álgebra Linear I

por

Bruno Sérgio Vasconcelos de Araújo

1
Sumário

1 Matrizes e Sistemas Lineares 4

1.1 Matrizes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.1.1 Determinantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.1.2 Operações Elementares e Matrizes Elementares . . . . . . . . . 14
1.1.3 Forma Escada . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.2 Sistemas Lineares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
1.2.1 Sistemas Homogêneos . . . . . . . . . . . . . . . . . . . . . . . . 21
1.3 Exercícios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23

2 Espaços Vetoriais 33
2.1 Espaços e Subespaços Vetoriais . . . . . . . . . . . . . . . . . . . . . . 33
2.2 Subespaço Gerado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
2.3 Dependência Linear . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
2.4 Base e Dimensão . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
2.5 Operações com Subespaços . . . . . . . . . . . . . . . . . . . . . . . . . 51

3 Transformações Lineares 55
3.1 Núcleo e Imagem . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
3.2 Matriz de uma Transformação Linear . . . . . . . . . . . . . . . . . . . 62

4 Diagonalização 65
4.1 Polinômio Característico e Minimal . . . . . . . . . . . . . . . . . . . . 65
4.2 Autovalores e Autovetores . . . . . . . . . . . . . . . . . . . . . . . . . 68
4.3 Diagonalização . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71

3
Capítulo 1

Matrizes e Sistemas Lineares

1.1 Matrizes
Notação: uma matriz de m linhas e n colunas será denotada por
 
a a12 ... a1n
 11 
 
 a21 a22 ... a2n 
Am×n = [aij ]m×n =  .. .. ... ..  .

 . . . 
 
am1 am2 ... amn

Definição: Dizemos que uma matriz Am×n é:

(1): quadrada, se m = n;
(2): coluna, se n = 1;
(3): linha, se m = 1;
(4): nula, se aij = 0 ∀i, j. (neste caso, A = 0m×n )
Definição: Definimos a transposta de uma matriz Am×n = [aij ] como sendo a matriz
Atn×m = [aji ].
Exemplo 1: Calcule a transposta das matrizes:
 
    −1 2 5
−1 2 5 −1 2  
A= , B= C= 2
 
 1/2 8 
0 1/2 8 0 1/2  
5 8 0
Observação 1: (At )t = A.
Definição: Definimos a soma das matrizes Am×n = [aij ] e Bm×n = [bij ] como sendo a
matriz
(A + B)m×n = [aij + bij ].

Ademais, se λ ∈ R, definimos o produto entre λ e A como sendo a matriz

(λA)m×n = [λaij ].

Notação: A − B = A + ((−1)B).
Propriedades: Dadas as matrizes Am×n e Bm×n e r, s ∈ R, valem:
(1) A + B = B + A;
(2) A + (B + C) = (A + B) + C;
(3) A + 0m×n = A;
(4) A − A = 0m×n ;
(5) r(A + B) = rA + rB e (r + s)A = rA + sA;
(6) r(sA) = (rs)A;
(7) 1A = A, 0A = 0m×n e r0m×n = 0m×n ;
(8) (A + B)t = At + B t e (rA)t = rAt .

Exemplo 2: Calcule A + 2B t − 3C, onde

 
  3 −2  
−1 2 5   1 2 2
A=  , B =  0 1/2  C=
 

0 −2 8   2 0 0
−1 0

5
Definição: Dizemos que uma matriz quadrada An×n é:
(1) simétrica, se aij = aji ∀i, j;
(2) anti-simétrica, se aij = −aji ∀i, j;
(3) triangular superior, se aij = 0 ∀i > j;
(4) triangular inferior, se aij = 0 ∀j > i;
(5) diagonal, se aij = 0 ∀i 6= j. (Neste caso, A = diag(a11 , a22 , ..., ann ))
Observação 2: Uma matriz quadrada A é:
(1) simétrica se, e somente se, At = A;
(2) anti-simétrica se, e somente se, At = −A;
Observação 3: A matriz diagonal In = diag(1, 1, ..., 1) chama-se matriz identidade.
Exemplo 3: Classifique as matrizes abaixo:
       
1 5 9 1 5 9 1 0 0 0 5 9
       
A= 0 3 8 ; B =  5 3 8 ; C =  5 0 0 ; D =  −5 0 −8  .
       
       
0 0 7 9 8 7 9 8 7 −9 8 0

Exemplo 4: Determine r, s e t para que seja anti-simétrica a matriz

 
0 r + s − 2t 9
 
t − 2r + s  .
 
 2 t
 
−9 −1 0

Definição: Definimos o produto entre as matrizes Am×n = [aij ] e Bn×p = [bjl ] como
sendo a matriz (AB)m×p = [cil ], onde
n
X
cil = aik bkl .
k=1

Notação: Ak = A.A...A (k termos).

6
Exemplo 5: Calcule AB e BA, onde
   
−1 2 2 −2
A=  e B= .
3 −2 1 5

Propriedades: Dadas as matrizes A, B e C e r, s ∈ R, desde que sejam possíveis as

operações, valem:
(1) A(B + C) = AB + AC e (A + B)C = AC + BC;
(2) A(BC) = (AB)C;
(3) A(rB) = (rA)B = r(AB);
(4) IA = AI = A;
(5) 0A = 0A = 0;
(6) (AB)t = B t At .  
12 4 0
1  
Exemplo 6: Sabe-se que A4 = 2A, A = B e B =  −4 16 8 . Calcule A10 .
 
16  
0 −8 12

Definição: Dizemos que uma matriz quadrada An×n é inversível quando existe uma
matriz quadrada Bn×n tal que AB = BA = I. Neste caso a matriz B é chamada de
inversa de A e é denotada por B = A−1 .   
4/5 −3/5 2 3
Exemplo 7: Verifique que B =   é a inversa da matriz  .
−1/5 2/5 1 4

7
Propriedades: Valem:
(1) Se A é uma matriz quadrada e existe C quadrada tal que AC = I, então A é
inversível e A−1 = C;
(2) Se A e B são matrizes quadradas de mesma ordem e inversíveis, então
(a) AB é inversível e (AB)−1 = B −1 A−1 ;
(b) rA é inversível ∀r ∈ R∗ e (rA)−1 = r−1 A−1 ;
(c) At é inversível e (At )−1 = (A−1 )t .

 
2 r
Exemplo 8: Determine r e s para que a matriz B =   seja a inversa de
−7 11
 
11 3
A= .
−2r + s 2

Definição: Dizemos que uma matriz quadrada A é:

(1) ortogonal, se A é inversível e At = A−1 ;
(2) idempotente, se A2 = A;
(3) nilpotente, se existe p ∈ N tal que Ap = 0.

8
Exemplo 9: Classifique as seguintes matrizes
   
2 −1 1 1 1 3  √ 
    1/2 3/2
A =  −3 4 −3  ; B =  5 e C= √ .
   
2 6 
    3/2 −1/2
−5 5 −4 −2 −1 −3

9
1.1.1 Determinantes

Definição: Definimos o determinante de uma matriz quadrada An×n indutivamente

da seguinte forma:
(o) Se A = [a]1×1 , então det(A) = a;
 
a b
(o) Se A =   , então det(A) = ad − bc;
c d
2×2

(o) Se o determinante de matrizes de ordem n − 1 está definido, então definimos

o determinante de uma matriz An×n = [aij ] por
n
X
det(A) = a1j ∆1j
j=1

onde ∆ij = (−1)i+j det(Aij ) (é chamado de cofator do elemento aij ) e Aij é a matriz
quadrada de ordem n − 1 obtida de A eliminando a linha i e a coluna j.
   
a11 ... a1n  a11 ... a1n 
 
 .. . . ..   .. . . .. 
   
Notação: det  . . .  =  . . . .
   
 
an1 ... ann  an1 ... ann 

Exemplo 1: Calcule
 
 a11 a12 a13 
 
 
a23  =
 
 a21 a22
 
 
 a31 a32 a33 

10
Exemplo 2: Calcule
 
 2 1 0 0 
 
 
 1 0 −1
 
1 
 .
 
 0 1 1 1 
 
 −1 0 0
 
3 

Propriedades: Sejam An = [aij ] e Bn = [bij ] matrizes quadradas e λ ∈ R. Valem:

n
X
(1) det(A) = aij ∆ij ∀i;
j=1

n
X
(2) det(A) = aij ∆ij ∀j;
i=1

(3) det(A) = det(At );

(4) Se A possui uma linha ou coluna nula, então det(A) = 0;
(5) Se A possui duas linhas (ou colunas) iguais, então det(A) = 0;
(6) det(AB) = det(A) det(B);
     
a11 ... a1n a11 ... a1n a11 ... a1n
     
     
. .. .. . . . .. . . .
     
 .. ...  
. ..
 
. ..

 .   .   . 
     
(7)  ak1 + ck1 ... akn + ckn = + .
     
ak1 ... akn ck1 ... ckn
.. .. .. . . . .. . . .
     
..
. . .. . ..
     
 . .   .   . 
     
     
 an1 ... ann   an1 ... ann   an1 ... ann 

(8) Se A é triangular (superior ou inferior), então

det(A) = a11 a22 ...ann .

(9) det(I) = 1;
(10) Se A é inversível, então det(A) 6= 0 e

1
det(A−1 ) = ;
det(A)

11
(11) Se B é obtida de A trocando uma linha de A por um múltiplo de λ por esta linha,
então det(B) = λ det(A);
(12) Se B é obtida de A por uma troca de duas linhas (ou colunas), então

det(B) = − det(A);

(13) Se B é obtida de A pela troca de uma linha por a soma desta linha com um
múltiplo de outra, então det(B) = det(A).

Exemplo 3: Calcule x na equação

 
 3 2 x 
 
 
 1 −2 x  = 8.
 
 
 2 −1 x 
 

Exemplo 4: Considere matrizes A = [aij ]4×4 e B = [bij ]4×4 tais que 2A2 B t = −(AB 2 )t .
Sabe-se que bij = i − j − 2 se i ≥ j e bij = 0 se i < j. Calcule det(A).

Definição: Dada uma matriz quadrada A, definimos a matriz adjunta de A por

A0 = Āt ,

12
onde Ā = [∆ij ] é a matriz dos cofatores de A.
Notação: A0 = adj(A).
Exemplo 5: Calcule a adjunta da matriz
 
2 1 0
 
A =  −3 1 4  .
 
 
1 6 5

Teorema 1: Dadas as matrizes An×n e Bn×n e r ∈ R, valem:

(1) A.A0 = det(A)I;
(2) (AB)0 = B 0 A0 ;
(3) (rA)0 = rn−1 A0 .

13
Corolário: Uma matriz quadrada A é inversível se, e somente se, det(A) 6= 0. Neste
caso, det(A−1 ) = det(A)−1 e
1
A−1 = A0 .
det(A)

Exemplo 6: Calcule a inversa da matriz

 
2 1 0
 
A =  −3 1 4  .
 
 
1 6 5

1.1.2 Operações Elementares e Matrizes Elementares

Definição: Chamamos de Operação elementar sobre as linhas de uma matriz as se-

guintes operações:
(1) permutação de linhas; (Li ↔ Lj )
(2) multiplicação de uma linha por um escalar r ∈ R − {0}; (Li ↔ rLi )
(3) substituição de uma linha por a soma da mesma com um múltiplo de outra
linha. (Li ↔ Li + rLj )
Exemplo 1: Realize sucessivamente sobre a matriz A dada, as seguintes operações
elementares L2 → L1 , L1 → 2L1 e L3 → L3 − 5L2 .
 
0 1
 
A =  1/2 −3  .
 
 
0 5

Definição: Sejam A e B matrizes de mesma ordem. Dizemos que B é linha equiva-

lente à A, se B puder ser obtida de A por um número finito de operações elementares.
Definição: Chamamos de matriz elementar a matriz obtida de uma matriz identi-
dade por uma operação elementar.
Exemplo 2: Determine as matrizes elementares associadas as operações elementares
realizadas no Exemplo 1.

14
Propriedades: Valem:
(1) Se B é obtida de A por uma operação elementar associada a matriz elementar E,
então B = EA;
(2) Toda matriz elementar é inversível e sua inversa é uma matriz elementar.
Exemplo 3: Determine a inversa das matrizes elementares obtidas no Exemplo 2.

1.1.3 Forma Escada

Definição: Dizemos que uma matriz Am×n está na forma escada de Gauss se:
(1) O primeiro elemento não nulo de uma linha não nula é 1;
(2) Cada coluna que contêm o primeiro elemento não nulo de alguma linha tem
todos os elementos abaixo dessa linha iguais a 0;
(3) Todas as linhas nulas estão abaixo de todas as linhas não nulas;
(4) Se as linhas 1,..., l são as linhas não nulas, e se o primeiro elemento não nulo
da linha i ocorre na coluna ki , então k1 < k2 < ... < kl .

Figura 1: Aspecto geral de uma matriz na forma escada de Gauss

Exemplo
 1: Determine
 quais das matrizes abaixo estão na forma escada de Gauss.
1 2 3
 
0 0 ;
 
 0
 
0 1 −1

15
  
1 2 3
 
 
 0 0 1 
 ;
 
 0 1 0 
 
0 0 0
 
1 2 3
 
 0 −1 5 
 
 ;
 
 0 0 1 
 
0 0 0
 
1 2 3
 
 
 0 1 5 
 ;
 
 0 1 2 
 
0 0 0
 
1 2 3
 
 0 1 −1 
 
 ;
 
 0 0 1 
 
0 0 0
Teorema 1: Toda matriz é linha equivalente a uma matriz na forma escada de Gauss.
Exemplo
 2: Determine
 uma matriz na forma de Gauss linha equivalente a
3 −2
 
 
 0 1/2 
 
−1 −1

Definição: Dizemos que uma matriz Am×n está na forma escada se:
(1) O primeiro elemento não nulo de uma linha não nula é 1;
(2) Cada coluna que contêm o primeiro elemento não nulo de alguma linha tem
todos os outros elementos iguais a 0;
(3) Todas as linhas nulas estão abaixo de todas as linhas não nulas;
(4) Se as linhas 1,..., l são as linhas não nulas, e se o primeiro elemento não nulo

16
da linha i ocorre na coluna ki , então k1 < k2 < ... < kl .
Teorema 2: Toda matriz é linha equivalente a uma única matriz na forma escada.
Exemplo 3: Determine a matriz na forma escada linha equivalente a
 
3 −2
 
 
 0 1/2 
 
−1 −1
Definição: Sejam Am×n uma matriz e Bm×n a matriz na forma escada linha equivalente
à A. O número de linhas não nulas de B é chamado de posto de A e é denotado por
p. A nulidade de A é o número n − p.
Exemplo 4: Determine o posto e a nulidade da matriz
 
3 −2
 
 0 1/2  .
 
 
−1 −1
Teorema 3: Uma matriz quadrada An×n é inversível se, e somente se, seu posto p = n.
Neste caso, sua forma escada é a matriz identidade I. Ademais, se E1 , ..., Ek são as
matrizes elementares tais que Ek ...E1 A = I, então Ek ...E1 I = A−1 .
Exemplo 5: Determine a inversa da matriz
 
2 1 0 0
 
 1 0 −1 1 
 
 .
 
 0 1 1 1 
 
−1 0 0 3

17
Teorema 4: O posto de uma matriz A é igual a maior ordem possível de uma submatriz
quadrada inversível de A.
Exemplo
 6: Calcule
 o posto da matriz
3 −2
 
 0 1/2  .
 
 
−1 −1

1.2 Sistemas Lineares

Um sistema de equações lineares com m equações e n incógnitas é conjunto de
equações do tipo



 a11 x1 + a12 x2 + ... +a1n xn = b1



 a x+ a x+
21 1 22 2 ... +a2n xn = b2
. .. ... .. (1)

 .. . .




 a x+ a x+ ... +amn xm = bn
m1 1 m2 2

onde aij ∈ R, i ∈ {1, 2, ..., m} e j ∈ {1, 2, ..., n}.

Uma solução de (1) é uma n−upla (x1 , ..., xn ) que satisfaz, simultaneamente,
todas as equações de (1).
Dois sistemas lineares são ditos equivalentes, se possuem exatamente as mesmas
soluções.
O sistema (1) pode ser reescrito na forma matricial

AX = B,

onde      
a a12 ... a1n x1 b1
 11     
     
 a21 a22 ... a2n   x2   b2 
A=
 .. .. .. ..
. X= ..
 e B= ..
.
.
    
 . . .   .   . 
     
am1 am2 ... amn xn bm
Neste caso, a matriz A é chamada de matriz dos coeficientes do sistema (1). A matriz

18
ampliada de (1) é definida por
 
a a12 ... a1n b1
 11 
 
 a21 a22 ... a2n b2 
.
 .. .. .. ..

..
.

 . . . . 
 
am1 am2 ... amn bm

Notação: pc é o posto da matriz dos coeficientes e pa é o posto da matriz ampliada.

Observação 1: Se n = m e A é inversível, então X = A−1 B é a única solução de (1).
Teorema 1 [Regra de Cramer]: Se n = m e A é inversível, então a solução de (1)
é dada por  
a11 ... b1 ... a1n 
 

1  .. .. .. 

xi = . . . , i = 1, ..., n.
det(A) 


 
 an1 ... bn ... ann 

Teorema 2: Dois sistemas lineares que possuem matrizes ampliadas linha equivalentes
são equivalentes.
Exemplo 1: Resolva o seguinte sistema:

 x + 4x2 + 3x3 = 1
 1


2x1 + 5x2 + 4x3 = 4 .


 x − 3x − 2x = 5

1 2 3

19
 .

Teorema 3: Valem:
(1) Um sistema linear de m equações e n incógnitas possui solução se, e somente se,
pa = pc ;
(2) Se pa = pc = n, então a solução do sistema é única;
(3) Se pa = pc < n, então podemos escolher n − p incógnitas e as demais p incógnitas
são dadas em função destas. (Neste caso, o número n − p é chamado de grau de
liberdade do sistema)
Exemplo 2: Determine (caso haja) as soluções dos sistemas:
 
 x − x2 + x3 = 1  x − x2 + x3 = 1
 1  1

 

(1) x1 − 4x2 + 4x3 = 2 (2) x1 − 4x2 + 4x3 = 3 .

 

 2x + x − x = 0
  2x + x − x = 0

1 2 3 1 2 3

20
Exemplo 3: Considere o sistema



 x − y + −z = a

−x + 2y + bz = 2 .


 2x − y + z = a


Determine os valores de a, b ∈ R para que o sistema tenha

(1) solução única;
(2) infinitas soluções.

1.2.1 Sistemas Homogêneos

Definição: Um sistema linear do tipo

AX = 0m×1 (1)

é chamado de sistema homogêneo.

Observação 1: X = 0n×1 é solução de (1).
Exemplo 1: Determine k para que o sistema



 2x − 5y + 2z = 0

x+y+z = 0



 2x + kz = 0

possua mais de uma solução.

21
 Considere os sistemas

(N H) AX = Bm×1 e (H) AX = 0m×1 .

Suponha que (NH) possua solução e seja Xp uma solução particular de (NH).
Observação 1: Se Xo é uma solução de (H), então Xo + Xp é uma solução de (NH).

Observação 2: Se Xq é uma solução qualquer de (NH), então existe Xo solução de

(H) tal que
X q = Xo + Xp .

Exemplo 2: Considere os sistemas

 
 x − x2 + x3 = 1  x − x2 + x3 = 0
 1  1

 

(N H) x1 − 4x2 + 4x3 = 3 e (H) x1 − 4x2 + 4x3 = 0 .

 

 2x + x − x = 0
  2x + x − x = 0

1 2 3 1 2 3

(a) Verifique que Xp = [1/3 − 2/3 0]0 é uma solução de (NH);

(b) Determine o conjunto solução do sistema (H);
(c) Determine o conjunto solução do sistema (NH).

22
1.3 Exercícios
1. Calcule x e y para que A = B, onde
   
2x + 1 2 y 2
(a): A =   e B= ;
2y − 9 −1 −3x −1
   
7 − 2y 8 3 8
(b): A =   e B= ;
4 x2 4 10x − 25

2. Calcule a transposta das matrizes:

   
−1 2 h i 2a −b −3
A=  ; B = x 2 −3 ; C =  .
3 −5 5 13x π
3. Calcule x e y para que 2At + B = 02×2 , onde
   
−1 −x + 1 2 x−8
A= √ ; B =  √ .
y 2 −y − 1 −2 2
4. Dadas matrizes A2×2 = [aij ], B2×2 = [bij ] e C2×2 = [cij ], e os números x, y ∈ R,
prove que:
(a) A + B = B + A;
(b) A + (B + C) = (A + B) + C;
(c) A + 02×2 = A;
(d) A − A = 02×2 ;
(e) x(yA) = (xy)A;
(f) x(A + B) = xA + xB;
(g) (x + y)A = xA + xB;
(h) 1.A = A.
5. Dadas matrizes A2×2 = [aij ] e B2×2 = [bij ] e o número x ∈ R, prove que:
(a) (A + B)t = At + B t ;
(b) (xA)t = xAt .
6. Calcule a, b, c, d ∈ R para que aA + bB + cC + dD = 02×2 , onde
       
1 2 −1 1 0 1 0 0
(a) A =  , B =  , C =   e D= ;
0 1 0 0 −3 0 0 1
       
1 2 −1 1 0 1 3 −2
(b) A =  , B =  , C =   e D= ;
0 1 0 0 −3 0 6 2

23
7. Considere as matrizes
   
    0 −1 2 0
2 1 3 −4 −1 0    
A= , B =  , C =  1 2  e D =  −1 1  .
   
−2 1 1 1 −2 −1    
−3 1 4 1

Calcule:
(a) (A + B).C; (b) (2A − B).D; (c) (C − D).(A + B).
8. Determine a matriz X3×1 tal que AX = B, onde
   
2 1 3 8
   
A= 4 2 2  e B= 4 .
   
   
2 5 3 −12

9. Em cada item, calcule x e y para que a matriz dada satisfaça a condição exigida:
 
x + y x − 2y 4 − x
 
(a) A =  0 −1 0  é triangular inferior;
 
 
1 0 x
 
0 x+y
(b) A =   é anti-simétrica;
1 2x − y
 
x+y 1
(c) A =   é idempotente;
x 0
10. Em cada item determine a(s) matriz(es) A2×2 que satisfaz(em) as condições dadas:
 
1 0
(a) A é diagonal e A2 =  ;
0 9
(b) A é triangular superior e AB = C, onde
   
0 1 4 −1
B= , e C =  ;
2 0 −6 0
 
4 0
(c) A é triangular, simétrica e A2 =  ;
0 49
 
9 0
(d) At é triangular superior e A2 =  ;
−1 4

24
  
−25 0
(e) A é anti-simétrica e A2 =  ;
0 −25
(f) A é triangular e anti-simétrica;
(g) A é triangular superior e idempotente;
(h) A é idempotente e nilpotente;
(i) A é idempotente, simétrica e a11 = 1/4;
(j) A é idempotente e anti-simétrica;
(k) At é triangular inferior e nilpotente;
11. Dê exemplos de matrizes provando que as seguintes propriedades são FALSAS:
(a) AB = BA;
(b) AB = 02×2 ⇒ BA = 02×2 ;
(c) AB = 02×2 ⇒ A = 02×2 ou B = 02×2 ;
(d) AB = AC e A 6= 02×2 ⇒ B = C;
(e) (A + B)2 = A2 + 2AB + B 2 ;
(f) (A + B)(A − B) = A2 − B 2 ;
(g) A 6= 02×2 ⇒ A é inversível;
12. Dada uma matriz An×n , prove que:
(a) A + At é simétrica;
(b) A − At é anti-simétrica;
(c) AAt é simétrica.
13. Verifique se a matriz B é a inversa da matriz A:
   
11 3 2 −3
(a) A =   e B= ;
7 2 −7 11
   
1 1 3 −2
(b) A =   e B= ;
2 3 −2 2
   
1 1 3 −1
(c) A =   e B= ;
2 3 −2 1
14. Calcule r e s para que a matriz B seja a inversa de A:
   
r −22 5 22
(a) A =   e B= ;
−2 s 2 9

25
    
2 5 8 r
(b) A =   e B= ;
3 8 s 2
15. Calcule
 x, y, z ∈ R para 
que a matriz A seja ortogonal, sabendo que B = −2A e
1 x−y 0
 √ 
B =  − 3 2y + z 0 .
 
 
0 0 x+z
16. Calcule os determinantes:  
 1 0 0 0 0 
   
 3 −1 5 0 
   
−51 2 0 0 0 
   
  
 0 2 0 1   √
 
(a)  ; (b)  3 −1 −1 0 0 .
  
 2 0 −1 3   
 2 



  1 1/π π 3 0 
 1 1 2 0   
−x 1 2 2 
 
 0
17. Resolva as equações:
   
 x−2 x+3 x−1   x 3 2 
   
   
(a)  2 3  = 60; (b)  5 x 1  = 12;
   
1
   
   
 3 2 1   1 3 1 
 
1 0 −1 0
   
 
 3 −1 0 
   
 0 2 −1 1 
   
(c)  2x x −3x  = 6; (d)  =1
  
 2 x −1 0 
  
 −1 2
 
1   
 0 −1 0 x 
 

18. Dadas as matrizes An×n e Bn×n e r ∈ R, prove que:

(a) det(AB) = det(BA);
(b) det(AB) = 0 ⇒ det(A) = 0 ou det(B) = 0;
(c) det(A2 ) = det(A)2 ;
(d) det(rA) = rn det(A) (Faça o caso n = 3).
19. Dê exemplos de matrizes provando que as seguintes propriedades são FALSAS:
(a) det(A + B) = det(A) + det(B);
(b) det(−A) = − det(A);
(c) det(2A) = 2 det(A);
(d) det(A) = 0 ⇒ det(A + B) = det(B);
(e) det(A + B) = det(B) ⇒ det(A) = 0.
20. Calcule det(A) nos seguintes casos:

26
 (a) −40(At )3 B 2 = (A(B t )2 )2 , B3×3 , bij = i + 2j − 1 se i ≤ j e bij = 0 se i > j;
(b) A(−At )B t = 2(AB t )t , B2×2 , bij = i + j + 1 se i ≤ j e bij = i2 se i > j;
(c) −2A0 B t = AB 2 , B3×3 , bij = −2i + j 2 − 1 se i ≤ j e bij = −i + j se i > j;
(d) (AB t )2 = −B 3 A0 , B4×4 , bij = j 2 − i − 1 se i ≤ j e bij = 0 se i > j.
1
21. Considere B = [bij ]3×3 , onde bij = 2i − 4j. Sendo A = 16
B, calcule:
(a) A10 , sabendo que A4 = 2A;
(b) A12 , sabendo que A3 = −2A;
(c) A16 , sabendo que A4 = −4A2 .
22. Calcule a adjunta das seguintes matrizes:
     
3 −1 0 0 −2 1 −1 0 2
     
(a)  2 1 −3 ; (b)  2 −1 0 ; (c)  −1 −1 1 .
     
     
−1 2 1 −1 3 −1 1 1 2
23. Calcule a inversa das matrizes da questão 22.
24. Prove que:
(a) 00n×n = 0n×n ;
0
(b) In×n = In×n ;
(c) Se A é inversível, então A0 é inversível e (A0 )−1 = (A−1 )0 ;
(d) (At )0 = (A0 )t ;
(e) AA0 = A0 A.
25. Dê exemplo de matrizes provando que as seguintes propriedades são FALSAS:
(a) (A + B)0 = A0 + B 0 ;
(b) (2A)0 = 2A0 ;
(c) (A0 )0 = A;
(d) det(A0 ) = det(A).
26. Calcule a forma escada das seguintes matrizes:  
    0 −2 4
3 −1 0 2 0 1 4  
−1 −1
 
     4 
(a)  2 1 −3 ; (b)  −1 1 2 0 ; (c)  ;
   
 −2 2 0 
     
−1 2 1 −1 0 1 −2  
3 −1 2
27. Calcule o posto e a nulidade das matrizes da questão 26.
28. Determine todas as matrizes 2 × 2 que estão na forma escada. E na forma escada
de Gauss?

27
29. Calcule a inversa das matrizes  
  −2 −1 0 2
3 −1 0  
−2 −2 
 
   3 1
(a)  −2 1 −3 ; (b)  ;
 
 −4 −1
 
  2 3 
−1 1 1  
3 1 −1 −2
   
1 2 −2 −1
  h i  
(c) (AB − C t ), onde A =  2 , B = −1 2 1 e C= 1
   
3 4 
   
3 −1 2 0
30. Calcule pa e pc e expresse o conjunto solução dos seguintes sistemas:

 
 2x + 4y = 16
x + y + z = 4
 

 

  5x − 2y = 4

(a) 2x − 5y + 2z = 3 ; (b) ;

 
 3x + y = 9
 x + 7y − 7z = 5
 


 4x − 5y = −7


 

 x−y = 0
 6x + 2y + 4z = 0 
(c) ; (d) 2y + 4z = 6 ;
 −9x − 3y − 6z = 0 


 x + y + 4z = 6
 


 x + 2y = 4 

 x+y+z = 4
 
(e) −3x + 4y = 3 ; (f) 2x − 5y + 2z = 3 ;

 

2x − y = −6  x + 7y − 7z = 5

 

 
 3x + 2y − 4z = 1
−2x − y + 2t = 5
 

 
x−y+z = 3

 

 
 3x + y − 2z − 2t

= 3


(g) ; (h) x − y − 3z = −3 ;
 −4x − y + 2z + 3t
 = 12 

3x + 3y − 5z
 

 
 = 0
 3x + y − z − 2t

= 10



 −x + y + z

= 1



 −x + z = 0
 

x − 2y + z + 2t = −2 x − y + 2z + t = 1
 


 

 
(i) 2x − 5y + z − t = 3 ; (j) 2y − z − 2t = 0 ;

 

 x + 3y − z

= 5


 −2x − y + 2t = −1



 −x + 3y + z − 4t

= 2
31. Considere os sistemas

28
   


 x + ky − 2z = 2 

 −x − y + 2z = 1 

 4x − y − z = 0
  
(1) −x − 2y + z = −1 ; (2) 2x − 3y + z = k ; (3) 2x − y + kz = 1 ;

 
 

 x + 3y − z = 5
  3x + y − 5z = 0
  x + y − 2z = k


Determine k para que os sistemas:

(a) tenha solução única; (b) tenha infinitas soluções; (c) não possua solução.
32. Considere os sistemas
  


 2x + y − z = 1 

 x − y + az = b 

 −4x + y + (a + 2b)z = 0
  
(1) −x − 2y + az = −2 ; (2) 2x − y + z = −2a ; (3) x − 2y + 3z = 1 ;

 
 

 x + by − 2z = a
  3x + y − z = 1
 
 −x + 2by − 2z = a
Determine a e b para que os sistemas:
(a) tenha solução única; (b) tenha infinitas soluções; (c) não possua solução.
33. Considere os sistemas
  


 x − 2z = 1 

 −x − y + z = 0 

 x − y − z = −1
  
(1) −2y + z = −1 ; (2) 2x − y + z = 1 ; (3) x − 2y + 2z = 1 ;

 
 

y−z = −1 y − 2z

 x + 3y  
= 2   = 3
Determine:
(a) uma solução particular;
(b) o conjunto solução do sistema homogêneo associado;
(c) o conjunto solução.

Soluções e Sugestões

1. (a): x = 1 e y = 3; (b): x = 5 e y = 2.
2.    
  x 2a 5
−1 3    
At =   ; Bt =  ; C t
=  −b 13x  .
  
 2 
2 −5    
−3 −3 π
3. x = −2 e y = 5.

29
4. (a) Usando a comutatividade de números reais, temos que
     
a11 a12 b b a + b11 a12 + b12
A+B =   +  11 12  =  11 
a21 a22 b21 b22 a21 + b21 a22 + b22
     
b11 + a11 b12 + a12 b b a a
=   =  11 12  +  11 12 =B+A
b21 + a21 b22 + a22 b21 b22 a21 a22

(b) Usando a associatividade de números reais, temos que

A + (B + C) = [aij ] + ([bij ] + [cij ]) = [aij ] + [bij + cij ] = [aij + (bij + cij )]

= [(aij + bij ) + cij ] = [aij + bij ] + [cij ] = ([aij ] + [bij ]) + [cij ]

= (A + B) + C.

5. (a)

(A + B)t = ([aij ] + [bij ])t = [aij + bij ]t = [aji + bji ] = [aji ] + [bji ]

= [aij ]t + [bij ]t = At + B t .

(b) a = −d, b = 2d, c = 2d e

6. (a) a = b = c = d = 0; d ∈ R.
 
    5 1 −6
−9 5 37 9  
7. (a)  ; (b)  ; (c) 
 −5 −1 6 ;

−1 −1 −2 7  
14 0 −21
t
8. X = [2 − 5 3] .
9. (a) x = 4 e y = 2; (b) x = −1/3 e y = −2/3; (c) x = 0 e y = 1.
     
±1 0 −1 2 ±2 0
10. (a) A =  ; (b) A =  ; (c) A =  ;
0 ±3 0 −3 0 ±7
       
 3 0 −3 0 3 0 −3 0 
(d) A ∈   ,   ,   ,   ;
 −1/5 2 1/5 −2 −1 −2 1 2 
      
 0 −5 0 5  0 0
(e) A ∈  ,  , ; (f) A =  ;
 5 0 −5 0  0 0
        
 0 0 1 0 0 x 1 x 
(g) A ∈   ,   ,   ,   ;x ∈ R ;
 0 0 0 1 0 1 0 0 
   √   √ 
0 0  1/4 3/4 1/4 − 3/4 
(h) A =  ; (i) A ∈  √ ; √  ;
0 0  3/4 3/4 − 3/4 3/4 

30
     
0 0  0 x 
(j) A =  ; (k) A ∈   ;x ∈ R ;
0 0  0 0 

11. (a) (A + At )t = At + (At )t = At + A = A + At .

13. (a) sim; (b) não; (c) sim.
14. (a) r = 9 e s = 5; (b) r = −5 e s = −3.
15. Considere a = x−y, b = x+z e c = z +2y. Conclua que x = 2a−b+c, y = a+c−b
−1
e z = 2b − 2a − c. Agora basta achar a, b e c. De B = −2A, segue que A = 2
B.
Para que A seja ortogonal devemos ter AAt = I, donde BB t = 4I. Conclua daí que
√
a2 = 3, b2 = 4, c2 = 1 e ac = 3; esta última igualdade implica que a e c devem ter
√ √ √ √
o mesmo sinal. Daí (a, b, c) ∈ {( 3, 1, 2); ( 3, 1, −2); (− 3, −1, 2); (− 3, −1, −2)} e
√ √ √ √ √ √
portanto (x, y, z) ∈ {(−1 + 2 3, −1 + 3, 3 − 2 3); (3 + 2 3, 3 + 3, −5 − 2 3); (1 −
√ √ √ √ √ √
2 3, −3 − 3, 5 + 2 3); (1 − 2 3, 1 − 3, −3 + 2 3)}.
16. (a) 12; (b) -12.
17. (a) x = 10; (b) x = 3 ou x = 2; (c) x = 3/10; (d) x = 0 ou x = −2.
18. (a) det(AB) = det(A) det(B) = det(B) det(A) = det(BA);
(d) Para o caso n = 3, temos que
     
ra11 ra12 ra13   a11 a12 a13  a11 a12 a13
     
  
     
2
det(rA) =  ra21 ra22 ra23  = r  ra21 ra22 ra23  = r  a21 a22 a23
    

     
     
 ra31 ra32 ra33   ra31 ra32 ra33   ra31 ra32 ra33 
 
 a11 a12 a13 
 
 
= r3  a21 a22 a23  = r3 det(A).
 
 
 
 a31 a32 a33 

20. (a) det(A) = 0 ou det(A) = −1/10; (b) det(A) = 0 ou det(A) = 4;

(c) det(A) = 0 ou det(A) = 2; (d) det(A) = 0 ou det(A) = −1/55.
     
1 −3 −5 −2 4 11 −4 8 22
     
21. (a) A10 =  0 −2 12 16 4
−4 ; (b) A =  −2 4 10 ; (c) A = −4  −4 8 20 .
     
     
1 −1 −3 −1 1 4 −2 2 8
     
7 −1 3 1 −1 1 −3 −2 2
     
22. (a)  −1 3 −9 ; (b)  −2 1 −2 ; (c)  −3 −4 1 .
     
     
5 5 5 5 −2 4 0 −1 1

31
      
7 −1 3 1 −1 1 −3 −2 2
1     1 
23. (a)  −1 3 −9 ; (b)  −2 1 −2 ; (c)  −3 −4 1 .
     
20     3 
5 5 5 5 −2 4 0 −1 1
24. (e) Use At (At )0 = det(At )I e o item (d).
 
  1 0 0
1 0 0 2 



   0 1 0 
26. (a) I3×3 ; (b)  0 1 0 2 ; (c)  .
 
 
   0 0 1 
0 0 1 0  
0 0 0
27. (a) p = 3, nulidade=
 0;  (b) p= 3, nulidade=
  1;  (c) p = 3, nulidade= 0.
0 0 1 x 1 0
28. Na forma escada:  ;  ;  ; x ∈ R.
0 0 0 0 0 1
     
0 0 1 x 1 x
Na forma escada de Gauss:  ;  ;  ; x ∈ R.
0 0 0 0 0 1
 
  1 −1 0 2  
4 1 3   −3 −1 2
 −1 2 2 0 
 
1  1  
29. (a)  5 3 9 ; (b)  ; (c)  0 .
   
5 0
7   0 −1 0 1 
  5 
−1 −2 1   −2 −4 3
1 0 1 2

32
Capítulo 2

Espaços Vetoriais

2.1 Espaços e Subespaços Vetoriais

Definição: Um espaço vetorial é um conjunto V não vazio e munido de duas ope-
rações + : V × V → V (chamada soma) e . : R × V → V (chamada produto por
escalar) tais que, para quaisquer u, v, w ∈ V e a, b ∈ R, valem:
(1) u + v = v + u;
(2) u + (v + w) = (u + v) + w;
(3) Existe ~0 ∈ V (chamado vetor nulo), tal que x + ~0 = x ∀x ∈ V ;
(4) Existe −u ∈ V (chamado oposto de u), tal que u + (−u) = ~0;
(5) 1u = u;
(6) a(bu) = (ab)u;
(7) (a + b)u = au + bu;
(8) a(u + v) = au + av.
Exemplo 1: São espaços vetoriais:
(a) R com a soma e produto usuais de números;
(b) R2 com as operações

(x1 , x2 ) + (y1 , y2 ) = (x1 + y1 , x2 + y2 ) e r(x1 , x2 ) = (rx1 , rx2 );

 (c) R3 com as operações

(x1 , x2 , x3 ) + (y1 , y2 , y3 ) = (x1 + y1 , x2 + y2 , x3 + y3 ) e r(x1 , x2 , x3 ) = (rx1 , rx2 , rx3 );

(d) Rn com as operações

(x1 , ..., xn ) + (y1 , ..., yn ) = (x1 + y1 , ..., xn + yn ) e r(x1 , ..., x3 ) = (rx1 , ..., rx3 );

(e) Mm×n(com as operações)usuais;

Xn
(f) Pn = ak xk ; ak ∈ R com as operações
k=0

n
X n
X n
X n
X n
X
k k
ak x + bk x = (ak + bk )xk e r k
ak x = rak xk .
k=0 k=0 k=0 k=0 k=0

Exemplo 2: Prove que V = {(x, x2 ) ∈ R2 ; x ∈ R} é um espaço vetorial munido das

seguintes operações:

(x, x2 ) + (y, y 2 ) = (x + y, (x + y)2 ) e r(x, x2 ) = (rx, (rx)2 ).

34
 .

Exemplo 3: Verifique que R2 NÃO é um espaço vetorial munido das seguintes opera-
ções:
(x, y) + (u, v) = (x + u, y + v) e a(x, y) = (ax, y).

Definição: Sejam V um espaço vetorial e W ⊂ V não vazio. Dizemos que W é um

subespaço de V se valem:
(1) u, v ∈ W ⇒ u + v ∈ W;
(2) u ∈ W e r ∈ R ⇒ ru ∈ W .
Observação 1: Se W é um subespaço de V , então ~0 ∈ W ;

Observação 2: Se V é um espaço vetorial, então V e {~0} são subespaços de V .

Exemplo 4: Prove que W = {(x, y, z) ∈ R3 ; x + z = 0} é um subespaço de R3 .

35
 .

Exemplo 5: Prove que a reta R = {(x, y) ∈ R2 ; y − x = 1} não é um subespaço de R2 .

Proposição 1: Seja V um espaço vetorial. Um conjunto não vazio W ⊂ V é subespaço

de V se, e somente se, vale

u, v ∈ W e r ∈ R ⇒ u + rv ∈ W.

36
Exemplo 5: Seja X o conjunto dos polinômios que têm −2 como raiz. Prove que X
é um subespaço de P3 .

Exemplo 6: Verifique (justifique) quais subconjuntos são subespaços de M2×2 :

(a) A é o conjunto das matrizes de determinante 0;
(b) B é o conjunto das matrizes de traço 0.
(O traço de uma matriz é a soma das entradas da diagonal principal)

37
 .

2.2 Subespaço Gerado

Definição: Sejam V um espaço vetorial e v1 , ..., vn ∈ V . Dizemos que v ∈ V é uma
combinação linear de v1 , ..., vn se existem a1 , ..., an ∈ R tais que

v = a1 v1 + ... + an vn .

O conjunto
[v1 , ..., vn ] = {a1 v1 + ... + an vn ; a1 , ..., an ∈ R}

é chamado subespaço gerado por v1 , ..., vn .

Observação 1: Se γ ⊂ V , definimos o subespaço gerado por γ por

[γ] = {a1 v1 + ... + an vn ; n ∈ N, ai ∈ R e vi ∈ γ ∀i = 1, ..., n}.

Exemplo 1: Verifique se o vetor u = (2, −7, 4) é combinação linear de v1 e v2 :

(a) v1 = (−1, 2, 1) e v2 = (0, −1, 2);
(b) v1 = (1, 2, 1) e v2 = (1, 1, −2).

38
 .

Exemplo 2: Sejam v1 = (1, 1, −2, 0), v2 = (3, 0, 4, 1) e v3 = (−1, 1, 0, 1). Determine

k ∈ R para que u = (3, −5, k, 1) ∈ [v1 , v2 , v3 ].

Exemplo 3: Se v ∈ R3 e v 6= ~0, então [v] é a reta paralela à v que contêm a origem.

Exemplo 4: Se u, v ∈ R3 não são paralelos, então [u, v] é plano paralelo à u e v que

contêm a origem.

Propriedades: Sejam V um espaço vetorial, W um subespaço e v1 , ..., vn ∈ V .

(1) [v1 , ..., vn ] é um subespaço de V ;
(2) Se v1 , ..., vn ∈ W , então [v1 , ..., vn ] ⊂ W ;
(3) Se v ∈ [v1 , ..., vn ], então [v1 , ..., vn , v] = [v1 , ..., vn ].

39
 .

Exemplo 5: Sejam W = [α], onde α = {A, B, C, D} e

       
−1 0 2 −6 1 −1 0 −2
A= ; B =  ; C =   e D= .
2 1 −7 1 −3 4 −1 1

Determine um conjunto β ⊂ α com 3 matrizes tal que W = [β].

40
Definição: Sejam W um subespaço do espaço vetorial V . Dizemos que um conjunto
de vetores γ ⊂ V gera W , se W = [γ].
Exemplo 6: Considere o conjunto β = {e1 , ..., en } ∈ Rn , onde ei é o vetor que tem 1
na coordenada i e 0 nas demais. Prove que β gera Rn .

Exemplo 7: Encontre um conjunto de geradores para o subespaço

W = {(x, y, z, t) ∈ R4 ; 2x − y + 3t = 0.}

Exemplo 8: Prove que β = {1, x, x2 , ..., xn } gera Pn .

Exemplo 9: Prove que β = {Eij ∈ Mm×n ; i = 1, ..., m e j = 1, ..., n} gera Mm×n ,

onde Eij é a matriz cuja entrada ij é 1 e as demais são 0.

41
Proposição 2: Dados os vetores v1 , ..., vm ∈ Rn , seja Am×n a matriz formada de forma
que a linha i contêm as mesmas coordenadas do vetor vi . Se B é a forma escada (ou
forma escada de Gauss) de A e u1 , ..., um são os vetores formados pelas linhas de B,
então
[v1 , ..., vn ] = [u1 , ..., un ].

Exemplo 10: Encontre u1 e u2 tais que [u1 , u2 ] = [v1 , v2 , v3 , v4 ], onde v1 = (1, 2, −1),
v2 = (−1, −4, 3), v3 = (0, −1, 1) e v4 = (2, 1, 1).

Observação: A Proposição 2 pode ser adaptada para outros espaços vetoriais.

Exemplo 11: Encontre A1 A2 e A3 tais que [A1 , A2 , A3 ] = [B1 , B2 , B3 , B4 ], onde
       
1 1 −5 −1 1 −1 −2 −1
B1 =   ; B2 =   ; B3 =   e B4 =  .
2 1 −3 −2 1 4 −1 1

42
 .

2.3 Dependência Linear

Definição: Seja V um espaço vetorial. Dizemos que um conjunto de vetores α =
{v1 , ..., vn } ∈ V é linearmente dependente (LD) se algum vetor vi for combinação
linear dos demais. Caso contrário, dizemos que α é linearmente independente (LI).
Observação 1: Se algum vi = ~0, então α = {v1 , ..., vn } é LD.
Observação 2: α = {v1 } é LI se, e somente se, v1 6= ~0.
Observação 3: α = {v1 , v2 } é LD se, e somente se, existe r ∈ R∗ tal que v1 = rv2 .
Exemplo 1: Verifique se os conjuntos de vetores são LI ou LD:
(a) {(0, 1, 0)};
(b) {(0, 1, 0); (0, 1, 1); (1, 1, 1); (0, 0, 0)}
(c) {(1, −2, −1); (−3, 6, 3)}
(d) {(0, 1, −1, 2, 3); (−1, 2, −2, 4, 6)}
(e) {(−4, 6, 0, 8); (2, −3, 0, −4)}
Proposição 3: α = {v1 , ..., vn } é LI se, e somente se, vele

a1 v1 + ... + an vn = ~0 ⇒ a1 = ... = an = 0.

43
 .

Exemplo 2: Prove que β = {e1 , ..., en } ⊂ Rn é LI.

Exemplo 3: Verifique se os conjuntos são LI ou LD:

a) α = {(1, 2, 1); (0, 1, −1); (−1, 0, 1)};
b) β = {x2 + 2x + 1, x + 1, −x2 + 1}.

44
Exemplo 4: Prove que β = {1, x, x2 , ..., xn } é LI em Pn .

Exemplo 5: Prove que β = {Eij ∈ Mm×n ; i = 1, ..., m e j = 1, ..., n} é LI em Mm×n .

Exemplo 6: Determine k ∈ R para que α = {A, B, C, D} seja LD, onde

       
0 1 2 3 −5 1 3 −2
A= ; B =  ; C =   e D= .
−1 1 −1 0 k+3 0 −1 2

45
Exemplo 7: Determine u ∈ R4 tal que α = {v1 , v2 , u} seja LI, onde v1 = (1, 1, −2, 1)
e v2 = (0, −1, 1, 3).

2.4 Base e Dimensão

Definição: Uma base de um espaço vetorial V é um conjunto β ⊂ V LI que gera V .
Exemplo 1: β = {e1 , ..., en } é uma base de Rn (chamada base canônica).
Exemplo 2: β = {1, x, x2 , ..., xn } é uma base de Pn .
Exemplo 3: β = {Eij ∈ Mm×n ; i = 1, ..., m e j = 1, ..., n} é uma base de Mm×n .
Exemplo 4: Prove que α = {(1, 1); (−1, 1)} é uma base de R2 .

46
Teorema 1: Sejam V um espaço vetorial e α = {v1 , ..., vn } ⊂ V tal que [α] = V .
Valem:
(1) Existe β ⊂ α base de V ;
(2) Se γ ⊂ V tem mais vetores que uma base de V , então γ é LD;
(3) Se γ ⊂ V é LI, então existe γ̄ ⊂ V base de V com γ ⊂ γ̄.

47
Corolário 1: Duas bases quaisquer de um espaço vetorial V contêm o mesmo número
de vetores. Esse número é chamado de dimensão de V e é denotado por dim V .

Corolário 2: Sejam n = dim V e β ⊂ V um conjunto com n vetores. Valem:

(1) Se β é LI, então β é uma base de V ;
(2) Se β gera V , então β é uma base de V .

Exemplo 5: dim Rn = n, dim Pn = n + 1 e dim Mm×n = mn.

Exemplo 6: Encontre uma base para os subespaços:
(a) U = [(1, 1, −2, 1); (−3, 0, 5, −2); (−1, 2, 1, 0)];
(b) W = {A = [aij ] ∈ M (3, 3); A é triang. superior, tr(A) = 0 e a13 + a23 + a33 = 0}.

48
 .

Teorema 2 : Sejam V um espaço vetorial e β = {v1 , ..., vn } uma base de V . Dado

v ∈ V , existem únicos a1 , ..., an ∈ R tais que

v = a1 v1 + ... + an vn .

Definição: Os números a1 , ..., an dados no Teorema 2 são chamados de coordenadas

de v na base β. Usamos a seguinte notação:
 
a1
 .. 
 
[v]β =  .  .
 
an

Exemplo 7: Considere as bases γ = {1, x, x2 } e β = {−1 − x, −1 − x2 , x + 2x2 } de

P2 . Calcule [v]γ e [v]β , onde v = 2 − x + 3x2 .

49
 .

Propriedade: [u + rv]β = [u]β + r[v]β ∀u, v ∈ V e r ∈ R.

Dadas duas bases γ = {u1 , ..., un } e β = {v1 , ..., vn } de um espaço vetorial V ,
pelo Teorema 2, existem aij ∈ R tais que

u1 = a11 v1 + ... + an1 vn

..
.
un = a1n v1 + ... + ann vn

A matriz [I]γβ = [aij ]n×n chama-se matriz de mudança da base γ para a base β.
Teorema 3: Sejam γ e β bases de um espaço vetorial V . Valem:
(1) Se v ∈ V , então [v]β = [I]γβ [v]γ ;

−1
(2) [I]γβ é inversível e [I]γβ = [I]βγ .

Exemplo 8: Calcule [v]β , [v]γ e [I]γβ , onde v = (2, 1), β = {(1, 0); (0, 1)} e γ =
{(1, −1); (0, 1)}.

50
 .

2.5 Operações com Subespaços

Definição: Dados dois subespaços U e W de um espaço vetorial V , definimos a soma
entre U e W por
U + W = {u + w; u ∈ U e w ∈ W }.

Notação: Se U ∩ W = {~0}, denotamos U ⊕ W e dizemos que esta soma é direta.

Observação: U, W ⊂ U + W .

Teorema 1: Sejam V um espaço vetorial e U e W subespaços de V . Valem:

(1) U ∩ W e U + W são subespaços de V ;
(2) Se α gera U e β gera W , então α ∪ β gera U + W ;
(3) dim(U + W ) = dim U + dim W − dim(U ∩ W ).

51
 .

Exemplo 1: Determine uma base para U ∩ W e U + W nos seguintes casos:

(1) U = {(x, y, z) ∈ R3 ; 2x − y − z = 0} e W = {(x, y, z) ∈ R3 ; −x − 3y + z = 0};
(2) U = {(x, y, 0) ∈ R3 ; x = y} e W = {(x, y, z) ∈ R3 ; y = −2x e z = −x};
(3) U = {A ∈ M (3, 3); A é triangular superior} e
W = {A ∈ M (3, 3); A é triangular inferior}.

52
Exercícios

1. Prove que V = {(x, y) ∈ R2 ; x, y > 0} é um espaço vetorial munido das seguintes

operações:
(x, y) + (u, v) = (xu, yv) e a(x, y) = (xa , y a ).

2. Verifique (justifique) quais conjuntos são subespaços de R2 :

(a) A = {(x, y); x + 2y = 0};
(b) B = {v ∈ R2 ; v⊥u}, onde u ∈ R2 é um vetor genérico;
(c) C = {(x, y); y = x3 };
(d) D = {(x, y); yx = 0};
(e) E = {v ∈ R2 ; kvk = 1};
(f) F = {v ∈ R2 ; v//u}, onde u ∈ R2 é um vetor genérico;
3. Verifique (justifique) quais conjuntos são subespaços de R3 :
(a) A = {(x, y, z); xy = z};
(b) B = {(x, y, z); x + y = z};
(c) C = {v ∈ R3 ; v × u = ~0}, onde u ∈ R3 é um vetor genérico e × é o produto
vetorial;
4. Verifique (justifique)
 subespaços de M2×2 :
quais conjuntos são 

 a b 
(a) A =  ;a + b + c + d = 0 ;
 c d 
(b) B = {X; X é inversível};
(c) C = {X; X é simétrica};
(d) D = {X; X é anti-simétrica};
(e) E = {X; X é idempotente};
(f) F = {X; X é nilpotente};
(g) G = {X; XY = 02×2 }, onde Y ∈ M2×2 é uma matriz genérica;
(h) H = {X; X está na forma escada}.
5. Verifique (justifique) quais conjuntos são subespaços de P2 :
(a) A = {p(x); p(x) tem grau 1};
(b) B = {p(x); p(x) tem -1 como raíz};
(c) C = {p(x); p(x) tem termo independente igual à 1};
(d) D = {p(x); p(x) tem termo independente igual à 0};

53
6.Verifique se u ∈ [v1 , v2 , v3 ], onde
(a) u = (1, 1, 1), v1 = (1, 0, −1), v2 = (0, 2, −1) e v3 = (2, −1, 1);
(b) u = (1, −1, 0, 2), v1 = (2, 0, −1, 1), v2 = (1, 0, 0, −1) e v3 = (−3, 0, 2, −1);
(c) u = (0, −1, 2, 1, 1), v1 = (2, 0, −1, 4, −1), v2 = (−2, 0, 0, 1, −1) e
v3 = (−2, −2, 2, −1, 1);
(d) u = x2 − 2x + 4, v1 = −3x + 1, v2 = −1 e v3 = x2 − 2;
−2x2 −2x + 4, 
(e) u =  v1 = x3 − 2x 2 2
 + 1, v2 = −x +
2
 1 e v3 = −x − 2x;
1 0 −1 −2 1 2 1 2
(f) u =  , v1 =  , v2 =   v3 =  .
0 1 1 1 0 −1 0 0
7. Calcule k para que u ∈ [v1 , v2 ], onde
(a)
(b)
(c)

54
Capítulo 3

Transformações Lineares

Definição: Sejam V e W espaços vetoriais. Uma transformação linear é uma

aplicação T : V → W tal que, para quaisquer u, v ∈ V e r ∈ R, valem:
(1) T (u + v) = T (u) + T (v);
(2) T (rv) = rT (v).
Exemplo 1: Prove que as seguintes aplicações são transformações lineares:
(1) A : R2 → R, A(x, y) = 3x − y;
(2) B : R2 → R3 , B(x, y) = (0, x − y, 4y);
Exemplo 2: Verifique que as seguintes aplicações não são transformações lineares:
(1) A : R → R2 , A(x) = (2x, x2 );
(2) B : R2 → R2 , B(x, y) = (x + 1, y).

Propriedades: Sejam T, S : V → W e R : W → U transformações lineares e r ∈ R.

Valem:
(1) T (~0) = ~0;
(2) T + rS : V → W é uma transformação linear;
(3) R ◦ T : V → U é uma transformação linear;
(4) Se T é inversível, então T −1 : W → V é uma transformação linear.

56
Observação: T : V → W é uma transformação linear se, e somente se, para quaisquer
u, v ∈ V e r ∈ R vale
T (u + rv) = T (u) + rT (v).

Exemplo 3: Prove que T : M (2, 2) → P3 é uma transformação linear, onde

 
a b
T   = (−2a − 3b)x3 + (b + c − d)x + a − d.
c d

Teorema 1: Sejam V e W espaços vetoriais e β = {v1 , ..., vn } base de V . Dados

w1 , ..., wn ∈ W , existe uma única transformação linear T : V → W tal que

T (vi ) = wi ∀i = 1, ..., n.

57
 .

Exemplo 3: Em cada item, determine a transformação linear:

(a) T : R2 → R3 , T (1, 0) = (2, −1, 0) e T (0, 1) = (0, 0, 1);
(b) S : P2 → R, S(x2 − x) = 0, S(2x2 − 1) = −1 e S(x + 1) = 2.

Definição: Um isomorfismo é uma transformação linear inversível. Dizemos que dois

espaços vetoriais V e W são isomorfos quando existe um isomorfismo T : V → W .
Teorema 2: Seja T : V → W um isomorfismo. Valem:
(1) Se β = {v1 , ..., vn } ⊂ V é LI, então T (β) = {T (v1 ), ..., T (vn )} ⊂ W é LI;

58
(2) Se β = {v1 , ..., vn } ⊂ V gera V , então T (β) = {T (v1 ), ..., T (vn )} ⊂ W gera W ;
(3) β = {v1 , ..., vn } é base de V , então T (β) = {T (v1 ), ..., T (vn )} é base de W ;
(4) dim V = dim W .

Exemplo 4: Prove que R3 e P2 são isomorfos.

3.1 Núcleo e Imagem

Definição: Definimos o núcleo e a imagem de uma transformação linear T : V → W
respectivamente por

ker(T ) = {v ∈ V ; T (v) = ~0} e Im(T ) = {T (v); v ∈ V }.

59
 .

Figura: Núcleo e Imagem

Propriedades: Seja T : V → W uma transformação linear. Valem:

(1) ker(T ) é um subespaço de V e Im(T ) é um subespaço de W ;
(2) T é injetora se, e somente se, ker(T ) = {~0};
(3) dim V = dim ker(T ) + dim Im(T );
(4) Se dim V = dim W , então

T é injetora ⇔ T é sobrejetora.

Exemplo 1: Encontre uma base para ker(T ) e Im(T ) onde

(a) T : R3 → R2 , T (x, y, z) = (2x − y + z, y + z).
(b) T : M2×2 → R, T (A) = tr(A) (tr(A) = traço de A).

60
 .

Exemplo 2: Determine uma transformação linear T : R3 → R4 tal que

ker(T ) = [(−1, 2, 1)].

61
Exemplo 3: Determine uma transformação linear T : M2×2 → P2 tal que

Im(T ) = {p(x); p(x) tem -1 como raíz}.

3.2 Matriz de uma Transformação Linear

Dada uma matriz Am×n , podemos definir uma transformação linear TA : Rm →
Rn por
TA (x1 , ..., xm ) = A(x1 ... xm )t .

Consideremos agora uma transformação linear T : V → W , α = {v1 , ..., vn } base

de V e β = {w1 , ..., wm } base de W . Existem únicos aij ∈ R, tais que

T (v1 ) = a11 w1 + ...am1 wm

.. ..
. .
T (vn ) = a1n w1 + ...amn wm .

A matriz [T ]αβ = [aij ]m×n é chamada matriz de T em relação as bases α e β.

Notação: Se α e β são bases canônicas, denotamos [T ]αβ por [T ].
Observação 1: Se T é a aplicação identidade, então [T ]αβ = [I]αβ ;
Observação 2: [TA ] = A.
Exemplo 1: Calcule [T ]αβ , onde α = {(1, 1, 1); (1, 1, 0); (0, 0, 1)}, β = {(1, 3); (1, 4)} e
T : R3 → R2 é dada por T (x, y, z) = (2x + y − z, 3x − 2y + 4z).

62
 .

 
 1 3
Exemplo 2: Calcule [T ]αβ , onde α = {2x − 1, x2 − x, 2x2 + 1}, β =  ;
 0 1
     
0 −1 1 −1 1 −1 
 ; ;  e T : P2 → M2×2 é dada por
−2 1 0 1 0 0 

 
a−c 2a + b
T (ax2 + bx + c) =  .
b + 2d 2c − d

Exemplo 3: Dadas as bases α = {(1, 1); (0, 1)} e β = {(0, −3, 0); (−1, 0, 0); (0, 1, 1)}
determine a transformação linear T : R2 → R3 tal que
 
0 2
 
[T ]αβ =  −1 0 .
 
 
−1 3

63
 .

Propriedades: Sejam T : V → W e S : W → U transformações lineares, α uma

base de V , β uma base de W e γ uma base de U . Valem:
(1) [T (v)]β = [T ]αβ [v]α ∀v ∈ V ;
(2) dim Im(T ) = posto de [T ]αβ e dim ker(T ) = nulidade de [T ]αβ ;
(3) [S ◦ T ]αγ = [S]βγ [T ]αβ ;
(4) T é um isomorfismo se, e somente se, [T ]αβ é inversível. Neste caso, vale

[T −1 ]βα = ([T ]αβ )−1 .

(5) Se α0 é base de V e β 0 é base de W , então

0 0
[T ]αβ 0 = [I]ββ 0 [T ]αβ [I]αα .

64
Capítulo 4

Diagonalização

4.1 Polinômio Característico e Minimal

Definição: Definimos o polinômio característico de uma matriz quadrada An por

pA (x) = det(A − xI).

Exemplo 1: Calcule pA (x), onde

 
−3 4
A= .
−1 2

Propriedades: Sejam An e Bn matrizes quadradas. Valem:

(1) pA (x) tem grau n;
(2) Se A e B são semelhantes (isto é, A = P −1 BP ), então pA (x) = pB (x).
 .

Definição: Definimos o polinômio característico de uma transformação linear T :

V → V por
pT (x) = pA (x),

onde A = [T ]αα e α é uma base de V .

Exemplo 2: Calcule pT (x) onde T : R3 → R3 é dado por

T (x, y, z) = (2x − y, x + z, x − 2y − z).

Notação: Dada uma transformação linear T : V → V e n ∈ N, denotamos

T n = T ◦ T ◦ ... ◦ T (n termos).

Definição: Dizemos que um polinômio p(x) anula uma transformação linear T : V →

V se p(T ) = 0.
Observação 1: Vale a mesma definição para matrizes.
Observação 2: Dada uma base α de V , vale

p(T ) = 0 ⇔ p([T ]αα ) = 0.

66
Exemplo 3: Verifique 
se os polinômios
 p(x) = x2 − 9 e q(x) = 2x + 3 anulam
−1 4
(1) a matriz A =  ;
2 1
(2) a transformação linear T (x, y) = (−x + y, 2x + y).

Teorema [Caley-Hamilton]: Dada uma matriz quadrada A, vale pA (A) = 0.

Observação: Vale o mesmo resultado para transformações lineares.

Lembrete: Um polinômio mônico é um polinômio da forma

p(x) = xn + an−1 xn−1 + ... + a1 x + a0 .

Definição: Definimos o polinômio minimal de uma transformação linear T : V → V

como sendo o polinômio mônico mT (x) de menor grau possível que anula T .

67
Observação: Vale a mesma definição para matrizes.
Teorema 2: Dada uma transformação linear T : V → V e λ ∈ R, vale

pT (λ) = 0 ⇔ mT (λ) = 0.

Exemplo 4: Calcule mA (x), onde

 
−1 0 2
 
A =  2 −1 1 .
 
 
0 −2 1

4.2 Autovalores e Autovetores

Definição: Dizemos que λ ∈ R é um autovalor de uma transformação linear T : V →
W , se existe v ∈ V − {~0} tal que
T (v) = λv.

68
Neste caso, dizemos que v é um autovetor de T associado ao autovalor λ. O conjunto

Vλ = {v ∈ V ; T (v) = λv}

é chamado de autoespaço de T associado ao autovalor λ.

Propriedades: Seja T : V → V uma transformação linear. Valem:
(1) Se λ é um autovalor de T , então Vλ é um subespaço de V ;
(2) λ é um autovalor de T se, e somente se, pT (λ) = 0;
(3) Autovetores associados à autovalores distintos são LI.

69
Definição: Dizemos que λ ∈ R é um autovalor de uma matriz quadrada An se
pA (λ) = 0.
Exemplo 1: Considere a transformação linear T : R3 → R3 dada por

T (x, y, z) = (x + y, x − y + 2z, 2x + y − z).

(1) Calcule os autovalores de T ;

(2) Obtenha bases para os autoespaços de T .

Definição: Definimos a multiplicidade algébrica de um autovalor λ de uma matriz

A (ou transformação linear) como sendo a maior potência do termo (x − λ) na forma
fatorada do polinômio pA (x).
Definição: Definimos a multiplicidade geométrica de um autovalor λ de uma
matriz A (ou transformação linear) por dim Vλ .
Exemplo 2: Determine as multiplicidades algébricas e geométricas dos autovalores da
transformação linear do Exemplo 1.

70
4.3 Diagonalização
Definição: Uma transformação linear T : V → V é dita diagonalizável se existe α
base de V tal que [T ]αα é diagonal.
Exemplo 1: Se α = {v1 , ..., vn } é uma base de V formada por autovetores de T : V →
V , prove que T é diagonalizável.

Propriedades: Seja T : V → V uma transformação linear. Valem:

(1) Se dim V = n e T possui n autovalores distintos, então T é diagonalizável;
(2) T é diagonalizável se, e somente se, T possui autovalores distintos λ1 , ..., λk
tais que
mT (x) = (x − λ1 )...(x − λn ).

71
Exemplo 2: Verifique se é diagonalizável a transformação linear T : R4 → R4 dada
por
T (x, y, z, t) = (3x − 4z, 3y − 5z, −z, −t).

Referências Bibliográficas:
J. L. Boldrine, et al. Álgebra Linear, 3a ed. Harbra, São Paulo - 1986.
A. Steinbruch, P Winterle, Álgebra Linear, 2a ed. McGraw-Hill, São Paulo - 1987.

72