2021 Lenimar AlgLin

UNIVERSIDADE FEDERAL DA PARAIBA
^
CENTRO DE CIENCIAS EXATAS E DA NATUREZA
DEPARTAMENTO DE MATEMATICA

Introduc~ao a Algebra Linear
     
cos sen 0 cos 0 sen 1 0 0

[T ] = sen
 cos 0   0 1 0  0 cos sen 
0 0 1 sen 0 cos 0 sen cos
Lenimar Nunes de Andrade

RNPatu@gmail.com
vers~ao 1.2 { 2/janeiro/2021
Sumario
1 Matrizes, determinantes e sistemas lineares 1

1.1 Matrizes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1.1 Denico~es basicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1.2 Diagonal principal e secundaria . . . . . . . . . . . . . . . . . . . . . . . . 2
1.1.3 Tipos especiais de matrizes . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.1.4 Igualdade de matrizes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.1.5 Adic~ao de matrizes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.1.6 Multiplicac~ao por um escalar . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.1.7 Multiplicac~ao de matrizes . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.1.8 Propriedades do produto de matrizes . . . . . . . . . . . . . . . . . . . . 7
1.1.9 Potência de expoente inteiro positivo . . . . . . . . . . . . . . . . . . . . 7
1.1.10 Matriz transposta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.1.11 Propriedades da transposta . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.2 Determinantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.2.1 Propriedades do determinante . . . . . . . . . . . . . . . . . . . . . . . . 10
1.3 Matrizes inversas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.3.1 Como calcular a matriz inversa . . . . . . . . . . . . . . . . . . . . . . . . 12
1.4 Sistemas lineares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.4.1 Equaco~es lineares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.4.2 Sistemas lineares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.4.3 Classicac~ao de um sistema linear . . . . . . . . . . . . . . . . . . . . . . 16
1.4.4 Matrizes e sistemas lineares . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.4.5 Resoluc~ao de um sistema linear . . . . . . . . . . . . . . . . . . . . . . . 18
1.5 Exerccios Resolvidos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.6 Exerccios Propostos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2 Escalonamento de Matrizes 23
2.1 Operaco~es elementares sobre linhas . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.2 Matriz escalonada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.3 Metodo de eliminac~ao de Gauss . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
i
ii
SUMARIO
2.3.1 Variaveis livres . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32

2.4 Calculando a inversa de uma matriz . . . . . . . . . . . . . . . . . . . . . . . . . 34
3 Espacos Vetoriais e Subespacos 43

3.1 Vetores e escalares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
3.1.1 Propriedades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
3.2 Subespacos vetoriais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
3.3 Combinac~ao linear . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
3.4 Subespacos Gerados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
4 Base e dimens~ao 63
4.1 Dependência e indepedência linear . . . . . . . . . . . . . . . . . . . . . . . . . . 63
4.2 Base e dimens~ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
4.3 Coordenadas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
4.4 Intersec~ao e soma de subespacos . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
5 Transformac~oes Lineares 91
5.1 Denic~ao de transformac~ao linear . . . . . . . . . . . . . . . . . . . . . . . . . . 91
5.2 Transformac~ao aplicada a vetores de uma base . . . . . . . . . . . . . . . . . . . 94
5.3 Nucleo e imagem . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
5.3.1 Denic~ao de nucleo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
5.3.2 Denic~ao de imagem . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
5.4 Matrizes e transformaco~es lineares . . . . . . . . . . . . . . . . . . . . . . . . . . 99
5.5 Isomorsmos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
5.5.1 Func~ao bijetora e func~ao inversa . . . . . . . . . . . . . . . . . . . . . . . 104
6 Autovalores e autovetores 119

6.1 Polinômios de matrizes e de operadores lineares . . . . . . . . . . . . . . . . . . . 119
6.2 Autovalores e autovetores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 120

SUMARIO iii
7 Diagonalizac~ao de Operadores 135

7.1 Matrizes semelhantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135
7.2 Polinômio mnimo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 136
7.3 Diagonalizac~ao de uma transformac~ao linear . . . . . . . . . . . . . . . . . . . . . 139
8 Espacos com Produto Interno 153

8.1 Produto interno e norma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 153
8.2 Exemplos de espacos com produto interno . . . . . . . . . . . . . . . . . . . . . . 154
8.3 Propriedades do produto interno . . . . . . . . . . . . . . . . . . . . . . . . . . . 156
8.4 Desigualdade de Cauchy-Schwarz . . . . . . . . . . . . . . . . . . . . . . . . . . . 156
8.5 ^
Angulo entre vetores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 157
8.6 Vetores unitarios e ortogonais . . . . . . . . . . . . . . . . . . . . . . . . . . . . 157
8.7 Complemento ortogonal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 158
8.8 Conjuntos ortogonais e ortonormais . . . . . . . . . . . . . . . . . . . . . . . . . 161
8.9 Ortogonalizac~ao de Gram-Schmidt . . . . . . . . . . . . . . . . . . . . . . . . . . 162
9 Formas bilineares e quadraticas 179

9.1 Matrizes e Formas Bilineares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 180
9.2 Formas Bilineares Simetricas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 180
9.3 Formas Quadraticas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 181
9.4 Matrizes Ortogonais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 182
9.5 Forma canônica de uma forma quadratica . . . . . . . . . . . . . . . . . . . . . . 183
9.6 Classicac~ao de Cônicas e Quadraticas . . . . . . . . . . . . . . . . . . . . . . . 187
9.6.1 Cônicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 187
9.6.2 Quadricas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 191
A Apoio Computacional 209

A.1 Um programa de Computac~ao Algebrica . . . . . . . . . . . . . . . . . . . . . . . 209
A.2 De onde copiar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 209
A.3 Interface wxMaxima . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 210
A.4 Digitando comandos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 214
A.5 Simplicac~ao e desenvolvimento de express~oes . . . . . . . . . . . . . . . . . . . . 216
A.6 Operaco~es com polinômios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 217
A.7 Gracos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 217
iv
SUMARIO
A.8 Gracos de funco~es implcitas . . . . . . . . . . . . . . . . . . . . . . . . . . . . 219

A.9 Limites . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 221
A.10 Derivadas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 222
A.11 Integrais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 222
A.12 Equaco~es diferenciais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 223
A.13 Series . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 224
A.14 Equaco~es . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 225
A.15 Sistemas de equaco~es . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 225
A.16 Vetores e listas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 227
A.17 Operaco~es com matrizes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 228
A.18 Escalonamento de matrizes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 229
A.19 Polinômio caracterstico, autovalores e autovetores . . . . . . . . . . . . . . . . . 230
A.20 Polinômio mnimo e diagonalizac~ao . . . . . . . . . . . . . . . . . . . . . . . . . . 230
A.21 Processo de ortogonalizac~ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 232
A.22 Programac~ao com o Maxima . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 233
B Testes 235
B.1 Matrizes, determinantes e sistemas lineares . . . . . . . . . . . . . . . . . . . . . 235
B.2 Espacos vetoriais e subespacos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 239
B.3 Base e dimens~ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 240
B.4 Transformaco~es lineares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 241
B.5 Autovalores e autovetores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 242
B.6 Polinômio mnimo e diagonalizac~ao . . . . . . . . . . . . . . . . . . . . . . . . . . 242
B.7 Espacos com produto interno . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 245
B.8 Complemento ortogonal e ortogonalizac~ao . . . . . . . . . . . . . . . . . . . . . . 247
B.9 Formas bilineares e quadraticas . . . . . . . . . . . . . . . . . . . . . . . . . . . . 248
B.10 Classicac~ao de cônicas e quadricas . . . . . . . . . . . . . . . . . . . . . . . . . 249
B.11 Respostas dos testes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 250
Referências Bibliogracas 251

Prefacio

Este texto e uma compilac~ao das notas de aula da disciplina Introduc~ao a Algebra Linear, que foi
ministrada na UFPB no perodo especial 2020.1, durante a epidemia da COVID-19. Corresponde a
uma vers~ao reformulada e atualizada das notas de aula da disciplina que foi ministrada em 2018.2.

O estudo da Algebra Linear e de fundamental importância para as mais diversas areas de conhe-

cimento. E indispensavel no estudo de Matematica Aplicada, Equaco~es Diferenciais, Computac~ao
Graca e Fsica em geral.
No captulo 1, fazemos uma rapida revis~ao dos conceitos de matrizes, determinantes e sistemas
lineares. Esses conceitos deveriam ser estudados no ensino medio e s~ao de extrema importância
para o entendimento dos demais captulos.
No captulo 2, descrevemos o escalonamento de matrizes, especie de simplicac~ao de uma
matriz, a mais importante ferramenta de calculo utilizada em todas as atividades. Pode ser utilizado
com sucesso na resoluc~ao de sistemas lineares e na trabalhosa operac~ao de invers~ao de matrizes.
Os captulos 3 e 4 s~ao sobre espacos e subespacos vetoriais. Neles, s~ao apresentados os conceitos
de combinac~ao linear, independência linear, base e dimens~ao.
Os captulos 5, 6 e 7 s~ao sobre transformaco~es lineares e alguns de seus importantes elementos
como nucleo, imagem, autovalores, autovetores e um importante criterio para decidir quando e
possvel a diagonalizac~ao.
O captulo 8 e sobre produto interno e o processo de ortogonalizac~ao, e o captulo 9 e sobre
formas bilineares e quadraticas, com uma aplicac~ao a classicac~ao de cônicas e quadricas.
Este texto esta disponvel na rede Internet e pode ser livremente copiado a partir do seguinte
URL: www.mat.ufpb.br/lenimar/alglin.pdf. Na sua elaborac~ao foram utilizados exclusivamente
programas gratuitos, que podem ser facilmente encontrados a disposic~ao na Internet, tais como
Maxima, LATEX, GeoGebra e FastStone Image Viewer.
Agradeco a todos os que nos apoiaram e incentivaram na elaborac~ao deste texto. De um modo
especial, agradeco a minha esposa Luza Amelia pela ajuda permanente.
Jo~ao Pessoa, 18 de novembro de 2020
Lenimar Nunes de Andrade
v
vi
SUMARIO
Cap
tulo 1
Matrizes, determinantes e sistemas lineares

1.1 Matrizes
1.1.1 Denic~oes basicas
Dados m e n inteiros positivos, denimos I e J como sendo os conjuntos:
I = f1; 2; 3; : : : ; mg;
J = f1; 2; 3; : : : ; ng:
O conjunto de todos os pares ordenados (x; y ), nos quais x 2 I e y 2 J e denominado produto
cartesiano de I por J e e denotado por I J .
I J = f(x; y ) j x 2 I e y 2 J g
Por exemplo, se I = f1; 2; 3g e J = f1; 2; 3; 4g, ent~ao
I J = f(1; 1); (1; 2); (1; 3); (1; 4); (2; 1); (2; 2); (2; 3); (2; 4); (3; 1); (3; 2); (3; 3); (3; 4)g:
Dado um conjunto K (por exemplo, K = R ou K = C), chamamos matriz de ordem m n de
elementos em K toda func~ao f : I J ! K que associa um par ordenado (i; j ) a um elemento
f (i; j ) 2 K . O elemento f (i; j ) costuma ser denotado por aij : f (i; j ) = aij .
Representamos uma matriz M de ordem m n (\m por n") por uma tabela retangular na qual
os elementos aij s~ao distribudos em m linhas e n colunas. A posic~ao do elemento aij na tabela
e no cruzamento da i -esima linha com a j -esima coluna. Por exemplo a23 e colocado na segunda
linha e terceira coluna da tabela, enquanto que a41 e colocado na quarta linha e primeira coluna.
Costuma-se colocar os elementos da tabela entre parênteses ou entre colchetes:
   
a11 a12 a1n a11 a12 a1n
 a21 a22 a2n   a21 a22 a2n 
   
M= . .. .  ou M =  .. .. . :
 .. . ..  . . .. 
am1 am2 amn am1 am2 amn
1
2 CAPITULO 1. MATRIZES, DETERMINANTES E SISTEMAS LINEARES
 
4 7
8 10
Exemplo 1.1 Seja M =  0 2
. Note que M tem 4 linhas e 2 colunas; logo, dizemos que M e
1 9
uma matriz de ordem 4 2. Alguns de seus elementos s~ao: a11 = 4, a22 = 10, a31 = 0 e a42 = 9.
Exemplo 1.2 Escrever a matriz M = (aij ) de ordem 2 3 em que aij = 2i + j 2 3 para todo
i 2 f1; 2g e todo j 2 f1; 2; 3g.
Soluc~ao: Atribumos valores para i e para j , depois calculamos o valor de aij em cada caso.
i = 1, j = 1 ) a11 = 2 1 + 12 3=2+1 3=0

i = 1, j = 2 ) a12 = 2 1 + 22 3=2+4 3=3
i = 1, j = 3 ) a13 = 2 1 + 32 3=2+9 3=8
i = 2, j = 1 ) a21 = 2 2 + 12 3=4+1 3=2
i = 2, j = 2 ) a22 = 2 2 + 22 3=4+4 3=5
i = 2, j = 3 ) a23 = 2 2 + 32 3=4+9 3 = 10

0 3 8
Portanto, a matriz M e 2 5 10 .
1.1.2 Diagonal principal e secundaria

Seja M = (aij ) uma matriz de ordem n n. O conjunto D de todos os elementos aij nos quais
i = j , ou seja, o conjunto
D = fa11 ; a22 ; a33 ; : : : ; ann g
e denominado diagonal principal da matriz. O conjunto S de todos os elementos aij nos quais
i + j = n + 1, ou seja,
S = fan1 ; an 1; 2 ; an 2; 3 ; : : : ; a1n g
e denominado diagonal secundaria.
 
8 5 5
Exemplo 1.3 Se M =  3 4 9 , ent~ao a diagonal principal de M e o conjunto f8; 4; 6g.
0 3 -6 
0 1 2 3

 4 5 2 0
Por outro lado, se N = ao a diagonal secundaria de N e f 9; 4; 2; 3g.
 ent~
 2 4 0 10
-9 1 3 12
1.1. MATRIZES 3
1.1.3 Tipos especiais de matrizes

Quando a matriz possuir um formato particular, ent~ao a denominamos de maneira diferente, de
acordo com o caso.
Se todos ao ela e chamada matriz nula. Exemplo:
os elementos da matriz forem iguais a 0, ent~
0 0
A = 0 0 e uma matriz nula de ordem 2 2.
 
1
2
Se n = 1, ent~ao a matriz e chamada matriz coluna. Exemplo: M =  
3.
4

Se m = 1, ent~ao a matriz e chamada matriz linha. Exemplo: N = 1 2 3 4 .
se m = n, ent~
Se a quantidade de linhas for igual a quantidade de colunas, ou seja, ao ela e
1 3
denominada matriz quadrada de ordem n. Exemplo: B = e uma matriz quadrada
5 7
de ordem 2.
Uma matriz quadrada M = (aij ) de ordem n e denominada matriz diagonal quando aij = 0
para i 6= j , ou seja, quando
 os elementos
 que n~ ao pertencam a diagonal principal forem todos
3 0 0
nulos. Exemplo: M =  0 11 0.
0 0 4
Uma matriz identidade de ordem n e uma matriz quadrada de ordem n em que aii = 1 e
aij = 0 se i 6= j , para todo i e todo j , ou seja, e uma matriz diagonal de ordem
 n em que
 a
1 0 0 0
0 1 0 0 
diagonal principal e formada exclusivamente pelo numero 1. Exemplo: I =  0 0 1 0.

0 0 0 1
Uma matriz triangular superior e uma matrizem que todos os elementos situados abaixo
5 8 11 0
0 1 0 3
da diagonal principal s~ao nulos. Exemplo: A = 
0
 e triangular superior.
0 5 0
0 0 0 5
Uma matriz triangular inferior e uma matriz
 em que todos 
os elementos situados acima da
2 0 0 0
3 5 0 0
diagonal principal s~ao nulos. Exemplo: A = 
4
 e triangular inferior.
8 6 0
4 8 0 2
1.1.4 Igualdade de matrizes

Duas matrizes A = (aij ) e B = (bij ), de mesma ordem m n, s~ao iguais quando aij = bij
para todo i e todo j , ou seja,
quando
os elementos
correspondentes
(mesmo ndice) forem iguais.
3 5 3 5 3 5
Exemplo: Se A = ,B= eC= , ent~ao a matriz A e igual a matriz C
0 1 1 2 0 1
(em smbolos, A = C ); no entanto, A n~ao e igual a B (em smbolos, A 6= B ).
2
Exemplo 1.4 Determine os valores de x e y para que as matrizes A = 4xy 51 e B = 73 51
sejam iguais.
Soluc~ao: Devemos ter a11 = b11 e a21 = b21 . Logo, x 2 = 7 e 4y = 3. Resolvendo-se essas duas
p
equaco~es obtemos: x = 7 e y = 34 .
1.1.5 Adic~ao de matrizes

Dadas duas matrizes A = (aij ) e B = (bij ), de mesma ordem m n, a soma das matrizes A
e B , que se indica por A + B , e a matriz C = (cij ) de ordem m n cujos elementos s~ao iguais a
soma dos elementos correspondentes de A e B , ou seja, cij = aij + bij para todo i 2 f1; 2; : : : ; mg
e todo j 2 f1; 2; : : : ; ng. Por exemplo,

1 2 5 5 6 7
+ =
3 1 6 9 9 10
| {z } | {z } | {z }
A B C
Dadas matrizes A, B e C , de mesma ordem m n, a adic~ao de matrizes possui as seguintes

propriedades:
A + B = B + A, ou seja, a adic~ao de matrizes e comutativa;
A + (B + C ) = (A + B) + C , ou seja, a adic~ao e associativa;
A + O = A, onde O e a matriz nula de ordem m n; isso signica que a matriz nula e o
elemento neutro da adic~ao de matrizes;
Para qualquer matriz A, existe uma matriz D = (dij ) de mesma ordem m n tal que A + D =
D + A = O. Os elementos dij dessa matriz D s~ao calculados pela formula dij = aij ,
8i 2 f1; 2; : : : ; mg, 8j 2 f1; 2; : : : ; ng , e denominada matriz oposta de A e costuma ser
denotada por D = A.
A diferenca das matrizes A e B de mesma ordem e a matriz denotada por A B e calculada
atraves da formula: A B = A + ( B ).
1.1. MATRIZES 5
1.1.6 Multiplicac~ao por um escalar

Se K for um conjunto numerico (por exemplo, K = Q ou K = R ou K = C) e k p for um
3
elemento de K , ent~ao dizemos que k e um escalar. Assim, k1 = 2, k2 = 4 e k3 = 2 s~ao
exemplos de escalares.
Dada uma matriz A = (aij ) de ordem m n e um escalar k , denimos o produto de k por A
como sendo a matriz B = (bij ) na qual bij = k aij , 8i 2 f1; 2; ; mg, 8j 2 f1; 2; : : : ; ng. Nesse
caso, denotamos B = k A, ou simplesmente
B = kA.
2 1 5 6 3 15
Por exemplo, se A = e k = 3, ent~ao k A = 3A = .
3 11 0 9 33 0
O produto de um escalar por uma matriz possui as seguintes propriedades:
1A=A
( 1) A = A
0A=O
a (b A) = (ab) A
(a + b) A = a A + b A
a (A + B) = a A + a B
onde A e B s~ao matrizes de ordem m n, O e a matriz nula de ordem m n, a e b s~ao quaisquer
escalares.
1.1.7 Multiplicac~ao de matrizes

Dadas duas matrizes A = (aij ) de ordem m p e B = (bij ) de ordem p n, denimos o produto
de A por B como sendo a matriz C = (cik ) de ordem m n tal que
p
X
cik = ai 1 b1k + ai 2 b2k + ai 3 b3k + + aip bpk = aij bjk ;
j =1
8i 2 f1; 2; : : : ; mg; 8k 2 f1; 2; : : : ; ng. Nesse caso, denotamos C = A B, ou simplesmente

C = AB.
Note que a quantidade de colunas de A precisa ser igual a quantidade de linhas de B para o
produto AB poder ser denido. Note tambem que a i -esima linha de A e multiplicada pela k -esima
coluna de B , elemento por elemento, e no nal, calcula-se a soma dos produtos desses elementos:
b1k
b2k
ai 1 ai 2 ai 3 aip b3k ! ai 1b1k + ai 2b2k + ai 3b3k + + aip bpk
..
.
bpk

Exemplo 1.5 Sejam A = 13 25 e B = 47 68 . Calcule AB e BA e verique se AB = BA.
Soluc~ao:

14+27 16+28
AB = 13 25 4 6
7 8
=
34+57 36+58
=
18 22
47 58

41+63 42+65
BA = 47 68 1 2
3 5
=
71+83 72+85
=
22 38
31 54
6 BA. Isso mostra que o produto de matrizes, em geral, n~ao e
de onde observamos que AB =
comutativo.
 
6 2
Exemplo 1.6 Sendo A = 30 54 1
3
e B = 2 8, calcule AB e BA.
10 0
Soluc~ao: Temos que
3} multiplicada por |3 {z
uma matriz de ordem 2| {z 2} resulta em matriz de ordem 2| {z
2}
A B AB
2} multiplicada por |2 {z
uma matriz de ordem 3| {z 3} resulta em matriz de ordem 3| {z
3}
B A BA
 
6 2
3 6 + 5 ( 2) + 1 10 3 2 + 5 ( 8) + 1 0
AB = 30 54 1 
3
2 
8 =
0 6 + 4 ( 2) 3 10 0 2 + 4 ( 8) 3 0
=
18
38
34
32
10 0
     
6 2 6 3 + 2 0 6 5 + 2 4 6 1 + 3 ( 3) 18 38 3
3 5 1
BA =  2 8 =  2 3 8 0 2 5 8 4 2 1 8 ( 3) =  6 42 22
0 4 3
10 0 10 3 + 0 0 10 5 + 0 4 10 1 + 0 ( 3) 30 50 10
Note que AB 6= BA de novo.
   
2 3 4 5 x
 3 4 5 11 y 
Exemplo 1.7 Sejam M =
 7 6 8 9
e N = 
 z . Se for possvel, calcule MN e NM .
1 0 4 5 t
1.1. MATRIZES 7
Soluc~ao:
     
2 3 4 5 x 2x + 3y + 4z + 5t
 3 4 5 11 y   3x 4y + 5z + 11t 
MN =  = :
 7 6 8 9 z   7x + 6y 8z 9t 
1 0 4 5 t x + 4z + 5t
A quantidade de colunas de N e diferente da quantidade de linhas de M ; logo, n~ao e possvel efetuar
o produto NM .
Observac~ao: Dadas duas matrizes A e B , se existirem os produtos AB e BA, eles podem ser bem
diferentes um do outro. No entanto, existem casos especiais em que esses produtos coincidem.
Por exemplo, se as matrizes forem quadradas de mesma ordem e uma das matrizes for nula, ent~ao
os produtos AB e BA ser~ao ambos nulos e, consequentemente, AB = BA.
1.1.8 Propriedades do produto de matrizes

O produto de matrizes possui as seguintes propriedades:
(A B ) C = A (B C ), se A for de ordem m n, B for de ordem n p e C for de ordem
p r;
A (B + C ) = A B + A C , se A for de ordem m n, B e C forem de ordem n p;
(A + B ) C = A C + B C , se A e B forem de ordem m n e C for de ordem n p;
A I = I A = A, se A e I (matriz identidade) forem quadradas e de mesma ordem;
A O = O A = O, se A e O (matriz nula) forem quadradas e de mesma ordem;
k (A B) = (k A) B = A (k B), se k for um escalar, A for de ordem m n e B for de
ordem n p.
1.1.9 Potência de expoente inteiro positivo

Se A for uma matriz quadrada e n for um inteiro positivo, denimos A elevado a n-esima
potência , denotado por An , como sendo o produto com n fatores iguais a A:
An = A| A A{z A} :
n vezes
As potências com expoentes inteiros positivos de matrizes quadradas têm algumas propriedades
tais como Am An = Am+n e (Am )n = Amn para quaiquer inteiros positivos m e n.

Exemplo 1.8 Se A = 24 1
3
, calcule A4 .
Soluc~ao:

2 2 + ( 1) 4 2 ( 1) + ( 1) 3
A2 = A A = 2 4
1
3
2
4
1
3
=
42+34 4 ( 1) + 3 3
=
0
20
5
5
A4 = A A A A = (A A) (A A) = A2 A2

0 5 0 5 0 0 5 20 0 ( 5) 5 5 100 25
=
20 5
20 5
=
20 0 + 5 20 20 ( 5) + 5 5
=
100 75
:
1.1.10 Matriz transposta

Denominamos matriz transposta de A = (aij ), de ordem m n, a matriz B = (bij ), de ordem
n m, denida por bij = aji , 8i 2 f1; 2; : : : ; ng, 8j 2 f1; 2; : : : ; mg. Como consequência dessa
denic~ao temos que as linhas de A coincidem ordenadamente com as colunas de B . A matriz  trans-

0 4
0 3 1
posta de A e denotada por B = At . Por exemplo, se A = , ent~ao B = At = 3 7.
4 7 6
1 6
   
a b c t a i x
Outro exemplo:  i j k  = b j y .
x y z c k z
1.1.11 Propriedades da transposta

Algumas propriedades envolvendo matriz transpostas s~ao:
(At )t = A, para toda matriz A;
(A + B )t = At + B t , se A e B forem da mesma ordem;
(A B )t = B t At , se A for de ordem m n e B de ordem n p ;
(k A)t = k At , se k for um escalar e A for uma matriz quaisquer.
Se A = (aij ) e uma matriz quadrada de ordem n tal que At = A, ou seja, aij = aji , 8i; j 2
f1; 2; : : : ; ng, ent~ao A e denominada matriz simetrica. Por outro lado, se At = A, ou seja,
aij = aji , 8i;8j 2 f1; 2; : : : ; ng, ent~ao A e denominada
 matriz
 anti-simetrica. Por exemplo,
3 2 4 0 2 4
A = 2 7 6 e simetrica, enquanto que A= 2 0 6 e anti-simetrica.
4 6 9 4 6 0
1.2. DETERMINANTES 9
1.2 Determinantes
A toda matriz quadrada M = (aij ) com elementos em um conjunto K (que pode ser K = R
ou K = C, entre outros), podemos associar um unico elemento de K que e conhecido como
a11
a12 a1n
a21
a22 a2n
determinante de M , denotado por det M ou por .. .. e e calculado da seguinte
.
. ...
an1 an2 ann
forma:
Se n = 1, M = [a11 ] e denimos det M = a11 ;

a a
Se n = 2, M = 11 12 , denimos det M = a11 a22 a21 a12 . Essa formula pode ser
a21 a22
representada no seguinte diagrama:
 
a11 a12 a13
Se n = 3, M = a21 a22 a23 , denimos

a31 a32 a33

a a23 a a21 a23 + a a21 a22 ;
det M = a11 22
a32 a33 12 a31 a33 13 a31 a32
ou seja, det M = a11 a22 a33 + a12 a23 a31 + a13 a21 a32 a13 a22 a31 a11 a23 a32 a12 a21 a33 . Essa
formula pode ser representada nos seguintes diagramas que s~ao construdos atraves da re-
petic~ao das duas primeiras colunas ou duas primeiras linhas da matriz e efetuando-se os
produtos de cada uma das diagonais, com o cuidado de trocar os sinais nas diagonais que s~ao
paralelas a diagonal secundaria.
De um modo geral, denimos o cofator Mij da matriz M como sendo o determinante da

matriz de ordem n 1 que se obtem ao se eliminar a i -esima linha e j -esima coluna de M ,
multiplicado por ( 1)i +j . O determinante de M e denido como sendo o somatorio dos
produtos dos elementos de uma linha (ou coluna) pelos respectivos cofatores:
n
X
det M = a11 M11 + a12 M12 + a13 M13 + + a1n M1n = a1j M1j :
j =1
Por exemplo, para n = 4 obtemos o seguinte desenvolvimento:

a11 a12 a13 a14
a22 a23 a24 a21 a23 a24 a21 a22 a24
a21 a22 a23 a24 = a a a a a a a a + a a a a

a31
a32 a33 a34 11 a32 a33 a34 12 a31 a33 a34 13 a31 a32 a34
a41 a42 a43 a44 42 43 44 41 42 44 41 43 44

a21 a22 a23

a14 a31 a32 a33
a41 a42 a43

i j k

Exemplo 1.9 Calcule D = 3 4 1.
2 1 6

4 1 3 1 3 4
Soluc~ao: D = i
j 2 6 + k 2 1 = i (24
1) j (18 2) + k (3 8) = 23i 16j 5k .
1 6
1.2.1 Propriedades do determinante

Algumas das propriedades dos determinantes s~ao listadas a seguir:
Se duas linhas de um determinante s~ao iguais, ent~ao ele e igual a zero;
1.2. DETERMINANTES 11
Se a matriz possui alguma linha nula, ent~ao seu determinante e igual a zero;
Se uma linha for igual a soma de outras linhas, ent~ao o determinante e igual a zero;
Se forem trocadas as posico~es de duas linhas, ent~ao o determinante troca de sinal;
det(At ) = det A;
det(AB ) = (det A)(det B );
O determinante de uma matriz triangular (superior ou inferior) e igual ao produto dos ele-
mentos da sua diagonal principal.
Em geral, toda propriedade de determinante que for valida para linhas, tambem vale para colunas.
Por exemplo, a primeira propriedade anterior tambem pode ser enunciada assim: \Se duas colunas
de um determinante s~ao iguais, ent~ao ele e igual a zero".

1 2 3 4 5

0 2 3 4 5

Exemplo 1.10 Determine o valor de D = 0 0 3 4 5
0 0 0 4 5

0 0 0 0 5
Soluc~ao: Essa matriz e triangular inferior. Logo, basta multiplicar sua diagonal principal para
obtermos o valor do determinante: D = 1 2 3 4 5 = 120.
2
ln 2 ln 3 ln 6 cos 1 sen2
2
Exemplo 1.11 Calcule os seguintes determinantes: A = ln 4 ln 5 ln 20, B = cos 1 sen2
ln 3 ln 4 ln 12 cos2 1 sen2
3 4 13

47 65 56
eC = 7 5 6 .
2 3
Soluc~ao:
No determinante A, temos que a soma da primeira coluna com a segunda da igual a terceira
coluna: ln 2 + ln 3 = ln 6, ln 4 + ln 5 = ln 20 e ln 3 + ln 4 = ln 12. Logo, seu valor e zero, ou
seja, A = 0;
Em B, a soma da primeira com a terceira coluna da igual a segunda coluna. Logo, B = 0;
Em C , a soma da primeira com a segunda linha da igual a terceira linha. Logo, C = 0.
1.3 Matrizes inversas

Uma matriz quadrada A, de ordem n, se chama invertvel se existir uma matriz B , de mesma
ordem, tal que A B = B A = I , onde I e a matriz identidade de ordem n. A matriz B e chamada
matriz inversa de A e e denotada por B = A 1 .

3 1 2 1
Exemplo 1.12 Consideremos as matrizes A =
5 2
e B= 5 3
. Calculamos agora os
produtos AB e BA:

3 1 2 1 1 0
AB =
5 2
5 3
=
0 1

2 1 3 1 1 0
BA = 5 3
5 2
=
0 1
Da, conclumos que B e a matriz inversa de A, ou seja, B = A 1 .

Exemplo 1.13 Seja A = 10 00 . Consideremos uma matriz generica B = ca db de ordem 2 .

1 0 a b a b
Calculando o produto AB , obtemos: AB = 0 0 c d = 0 0 . Observamos agora que
esse produto nunca podera ser igual a matriz identidade de ordem 2. Logo, a matriz A n~ao possui
inversa.
Algumas propriedades envolvendo matriz inversa s~ao:
Quando existe, a matriz inversa e unica;
(A 1 ) 1 = A;
(A B ) 1 = B 1 A 1 ;
1
det(A 1 ) = ;
det(A)
A e invertvel , det(A) 6= 0;
1.3.1 Como calcular a matriz inversa

Para calcular a inversa da matriz A, construmos a transposta da matriz dos cofatores Mij e
dividimos pelo determinante de A, ou seja,
a11 a12 a1n 1
   
M11 M21 Mn1
a21 a22 a2n 
 12 M22 Mn2 
M
1  
 
 ..
 .
.. ... ..  = 
det(A)  .. .. . . ..  :
.
. .  . .  .
an1 an2 ann M1n M2n Mnn
1.3. MATRIZES INVERSAS 13

Se n = 2 e A =
a b , ent~ao det(A) = ad bc e os cofatores de A s~ao:
c d
M11 = ( 1)1+1 det([d ]) = d
M12 = ( 1)1+2 det([c ]) = c
M21 = ( 1)2+1 det([b]) = b
M22 = ( 1)2+2 det([a]) = a
de onde podemos concluir que
a b 1 = 1 M11 M21 = 1 d
b
b = ad d bc ad bc :
c d ad bc M12 M22 ad bc c a c a
ad bc ad bc
 
a b c
Se n = 3 e A = d e f , ent~ao det(A) = aei bdi af h + cdh + bf g ceg e os cofatores

g h i
de A s~ao:

e f
1+1
M11 = ( 1)
h i = ei f h

d f
M12 = ( 1)1+2
g i = fg di

d e
M13 = ( 1)1+3
g h = dh eg

b c
M21 = ( 1)2+1
h i = ch bi

a c = ai cg
M22 = ( 1)2+2
g i

a b = bg ah
M23 = ( 1)2+3
g h

b c = bf
M31 = ( 3+1
1) ce
e f

a c = cd af
M32 = ( 3+2
1)
d f

a b = ae bd
M33 = ( 3+3
1)
d e
Portanto,
 
1
M11 M21 M31
1
A = det(A) M12 M22 M32 

M13 M23 M33
 
1
ei f h ch bi bf ce
aei bdi af h + cdh + bf g ceg dh eg bg ah ae bd :
=  f g di ai cg cd af 

Exemplo 1.14 Calcular a matriz inversa de A = 57 64

1 4 6
Soluc~ao: O determinante de A e igual a 5 4 67 = 22. Logo, A 1= 22 7 5 =
2 3
711 115
22 22
 
1 2 3
Exemplo 1.15 Calcular a matriz inversa de A = 4 5 6
1 1 0

5 6 4 6 4 5
Soluc~ao: Temos que det(A) = 1 1 0 2 1 0 +3 1 1 = 1 (0 6) 2 (0 6)+3 (4 5) = 3

Os cofatores de A s~ao:

5 6
M11 = ( 1)1+1 = 6
1 0

4 6
M12 = ( 1)1+2 =6
1 0

4 5
M13 = ( 1)1+3 = 1
1 1

2 3
M21 = ( 1)2+1 =3
1 0

1 3
M22 = ( 1)2+2 = 3
1 0

1 2
M23 2+3
= ( 1) =1
1 1

2 3
M31 3+1
= ( 1) = 3
5 6
1.4. SISTEMAS LINEARES 15

1 3
M32 = ( 1)3+2 =6
4 6

1 2
M33 = ( 1)3+3 = 3
4 5
Da obtemos que
     
1
M11 M21 M31 6 3 3 2 1 1
A 1 = M12 M22 M32  = 1 6 3 6 =  2 1 2 :
det(A) 3 1 1
M13 M23 M33 1 1 3 3 3 1
1.4 Sistemas lineares

1.4.1 Equac~oes lineares
Seja K um conjunto numerico como K = R ou K = C. Chama-se equac~ao linear nas variaveis
x1 ; x2 ; x3 ; : : : ; xn toda equac~ao da forma
a1 x1 + a2 x2 + a3 x3 + + an xn = b
onde a1 ; a2 ; a3 ; : : : ; an 2 K s~ao chamados coecientes e b 2 K e o termo independente da
equac~ao. Por exemplo, 4x 3y + 8z = 10 e uma equac~ao linear nas variaveis x; y; ; z com
coecientes iguais a 4; 3; 8 e com termo independente igual a 10.
Uma soluc~ao de uma equac~ao linear e um conjunto ordenado de n numeros (1 ; 2 ; 3 ; : : : ; n )
que se substitudos na equac~ao no lugar das variaveis x1 ; x2 ; x3 ; : : : ; xn , respectivamente, obtemos
uma sentenca verdadeira.
(1 ; 2 ; 3 ; : : : ; n ) e soluc~ao , a11 + a22 + a33 + + an n = b e verdadeira
Por exemplo, (3; 2; 1) e uma soluc~ao da equac~ao linear 2x +3y 5z = 7 porque se substituirmos
x = 3; y = 2; z = 1 obtemos 2 3 + 3 2 5 1 = 7, ou seja, 7 = 7 que e verdadeira. Por outro lado,
(1; 2; 3) n~ao e soluc~ao porque se substituirmos x = 1; y = 2; z = 3, obtemos 2 1 + 3 2 5 3 = 7,
ou seja, 7 = 7 que e falso.
1.4.2 Sistemas lineares

Um sistema linear m n e um conjunto de m equaco~es lineares a n variaveis x1 ; x2 ; : : : ; xn :


 a11 x1 + a12 x1 + a13 x1 + + a1n x1 = b1


 a21 x1 + a22 x1 + a23 x1 + + a2n x1 = b2
S  a31 x1 + a32 x1 + a33 x1 + + a3n x1 = b3




:::::::::::::::::::::::::::
am1 x1 + am2 x1 + am3 x1 + + amn x1 = bm
Um conjunto ordenado (1 ; 2 ; 3 ; : : : ; n ) e soluc~ao do sistema linear S se for soluc~ao de todas

as equaco~es do sistema, ou seja,
(1 ; 2 ; 3 ; : : : ; n ) e soluc~ao , ai 11 + ai 22 + ai 33 + + ain n = bi
s~ao verdadeiras para todo i 2 f1; 2; 3; : : : ; mg

2x + 2y + 2z = 0
Por exemplo, o sistema linear 2x + 3y + z = 0 admite como soluc~ao ( 2; 1; 1) porque

x + y + 5z = 4
2 ( 2) + 2 1 + 2 1 = 0 ) 0 = 0 (verdadeira)
2 ( 2) + 3 1 + 1 = 0 ) 0 = 0 (verdadeira)
2+1+51=4 ) 4 = 4 (verdadeira)
mas n~ao admite (2; 1; 1) como soluc~ao porque
2 2 + 2 ( 1) 21=0
) 0 = 0 (verdadeira)
2 2 + 3 ( 1) + ( 1) = 0 ) 0 = 0 (verdadeira)
2 + ( 1) + 5 ( 1) = 4 ) 4 = 4 (falsa)
1.4.3 Classicac~ao de um sistema linear

Se um sistema linear possuir pelo menos uma soluc~ao, diremos que ele e possvel ou compatvel;
caso contrario, se n~ao tiver soluc~ao, diremos que e impossvel ou incompatvel.
Se o sistema for possvel e tiver uma unica soluc~ao, diremos que e um sistema determinado;
se tiver mais de uma soluc~ao, diremos que e um sistema indeterminado.
Sistema linear homogêneo e aquele em que todos os termos independentes das equaco~es s~ao
 5x 4 y +z =0
iguais a zero, ou seja, b1 = b2 = b3 = = bm = 0. Por exemplo, x + 2y + 8z = 0 e um

3x 3y + z = 0
sistema linear homogêneo.
Todo sistema linear homogêneo e compatvel e admite pelo menos a soluc~ao (0; 0; 0; : : : ; 0).
Dois sistemas lineares S1 e S2 s~ao equivalentes se toda soluc~ao de um tambem for soluc~ao
do outro, ou seja, seos dois sistemas tiverem as mesmas soluco~es. Por exemplo, os sistemas
S1 xx + yy ==0
2
e S2
3x + 4y = 7
4x 3y = 1
s~ao equivalentes porque admitem a mesma soluc~ao (1; 1).
1.4. SISTEMAS LINEARES 17

 x + y + 2z = 0
Exemplo 1.16 Consideremos o sistema S 3x
2y + z = 0 . Como os termos independentes

4x
y + 3z = 0
s~ao todos nulos, ent~ao esse e um sistema homogêneo. Logo, (0; 0; 0) e soluc~ao. Mas tambem s~ao
soluco~es os seguintes valores: (1; 1; 1); (2; 2; 2); (3; 3; 3), (4; 4; 4), etc. Conclumos
assim que S e um sistema possvel indeterminado.
1.4.4 Matrizes e sistemas lineares

A todo sistema linear S podemos associar algumas matrizes:
 
a11 a12 : : : a1n
 a21 a22 : : : a2n 
 
Matriz dos coecientes do sistema A =  ... .. 
. 
am1 am2 : : : amn
 
b1
 b2 
 
Matriz dos termos independentes B =  .. 
.
bm
 
x1
x2 
 
Matriz das variaveis do sistema X =  .. 
.
xn
 
a11 a12 : : : a1n b1
 a21 a22 : : : a2n b2 
 
Matriz completa do sistema M =  ... .. .. 
. .
am1 am2 : : : amn bn
Usando essas matrizes, podemos
 escrever o sistema S na forma de equac~ao matricial: AX = B .
 2x 5y +4z = 11
Por exemplo, o sistema 6x +y z = 0 pode ser escrito como uma equac~ao matricial

2x 7z = 9
da seguinte forma:
    
2 5 4 x 11
6 1 1  y  =  0 
2 0 7 z 9
1.4.5 Resoluc~ao de um sistema linear

Consideremos um sistema linear de duas equaco~es a duas variaveis

S dx ax + by = c
+ ey = f
Multiplicando a primeira equac~ao por d e a segunda por a, obtemos o sistema
H
adxH
H bdy = cd
HadxH +aey
H = af
Adicionando cada lado das equac~oes do sistema anterior, obtemos (ad ad )x + (ae bd )y =
af cd
af cd; ou seja, (ae bd )y = af cd ) y = ae bd . De modo analogo, multiplicando a
primeira equac~ao do sistema S por e , multiplicando a segunda equac~ao por b e adicionando as
ec bf
novas equaco~es assim obtidas, encontramos o seguinte valor x =
ae bd . Obtivemos assim a
ec bf af cd
seguinte soluc~ao para o sistema S : x = , y=
ae bd ae bd .
As express~oes ec bf , ae bd e af cd podem ser escritas no formato de determinante
de
c b a b a c
matriz de ordem 2 2: ec bf =
f e = D1 , ae bd = d e = D, af cd = d f = D2 .

D D
Sendo assim, a soluc~ao do sistema S pode ser escrita na forma: x = 1 e y = 2 . E
D D importante
observar que se D 6= 0, o sistema S tem soluc~ao unica que s~ao os valores de x e y mostrados.
Note que D e o determinante da matriz dos coecientes do sistema, D1 e o determinante
da matriz obtida quando os termos independentes do sistema substituem a coluna 1 da matriz
dos coecientes e que D2 e o determinante da matriz obtida quando os termos independentes
substituem a coluna 2. Isso pode ser generalizado para qualquer ordem: em um sistema linear n n
D
(n equaco~es a n variaveis), a k -esima variavel xk pode ser calculada pela formula xk = k , onde
D
D e o determinante da matriz dos coecentes e Dk e o determinante da matriz obtida a partir da
substituic~ao dos termos independentes pela k -esima coluna da matriz dos coecientes. Observamos
tambem que se D 6= 0, ent~ao o sistema tem soluc~ao unica.

Exemplo 1.17 Determine a soluc~ao do sistema 57xx + 43yy ==22
5
Soluc~ao: Observando os coecientes e os termos independentes das equaco~es, calculamos os
seguintes determinantes:

5 4
D = = 15 28 = 43
7 3

22 4
D1 = = 66 20 = 86
5 3
1.5. EXERCICIOS RESOLVIDOS 19

5 22
D2 = = 25
7 5
154 = 129
86 = 2 e y = 129 = 3, ou seja, a soluc~ao encontrada e (2; 3).
A partir da, conclumos que x = 43 43
1.5 Exerccios Resolvidos

 
1 3 3
Exemplo 1.18 Sendo A = 3 5 3, determine a matriz inversa de A sabendo que
6 6 4
A3 12A 16I = O, onde O e a matriz nula e I e a matriz identidade, todas de ordem 3 3.
Soluc~ao: A equac~ao A3 12A 16I = O pode ser escrita na forma A(A2 12I ) = 16I , ou seja,
A 161 (A2 12 I ) = I: De modo semelhante, essa equac~ao tambem pode ser escrita na forma
1 2 , conclumos que amatriz inversade A e A 1 = 161 (A2 12I ).
16 (A 12I ) A = I:A partir da
 
1 3 3 1 3 3 10 6 6
Como A2 = A A = 3 5 3 3 5 3 =  6 2 6, temos nalmente que
6 6 4 6 6 4 12 12 16
     1 3 3
10 6 6 1 0 0 83
A 1 = 1  6 12 0 1 0 =  78 83
16
2 6 
83 38 81  :
12 12 16 0 0 1 4 4 4
   
2 3 0 1 0 0
Exemplo 1.19 Sejam M =  1 2 2 e I = 0 1 0. Calcule p(x ) = det(xI
 M ).
0 4 5 0 0 1
Soluc~ao:
    
1 0 0 2 3 0 x 2 3 0

p(x ) = det x 0 1 0  1
2 2  = 1 x +2 2
0 0 1 0 4 5 0 4 x 5

x + 2 2 2
= (x 2) + 3 1
4 x 5 0 x 5 + 0 = (x 2)((x + 2)(x 5) 8) + 3(x 5)
= (x 2)(x 2 3x 18)+3x 15 = x 3 3x 2 18x 2x 2 +6x +36+3x 15 = x 3 5x 2 9x +21:
1 1 1
x + y + z = 4
Exemplo 1.20 Resolver o sistema 1 1 1 =5
 x1 y1 z1
x +y z =6
Soluc~ao: Esse sistema n~ao e linear. No entanto, se for feita a mudanca de variavel: X = x1 , Y = y1
e Z = z1 , ent~ao ele se transforma no seguinte sistema linear nas variaveis X , Y , Z :


X + Y + Z = 4

X Y Z=5
X+Y Z=6
Somando as duas primeiras equaco~es, dos dois lados, obtemos: (X + Y + Z ) + (X Y Z ) =
9
4 + 5 ) 2X = 9 ) X = :
2
Substraindo a terceira equac~ao da segunda, obtemos: (X + Y Z ) (X Y Z ) = 6 5 )
1
2Y = 1 ) Y = .
2
Substituindo os valores de X e Z na primeira equac~ao, obtemos 92 + 12 + Z = 4 ) 5 + Z =
4 ) Z = 1.
Finalmente, obtemos X = x1 = 92 , Y = y1 = 12 , Z = z1 = 1 e da conclumos que x = 92 , y = 2,
z = 1.

z =0 2x + ky
Exemplo 1.21 Determine o valor de k para que o sistema linear homogêneo  x + 2y z = 0
x + 3y + 4z = 0
admita apenas a soluc~ao (0; 0; 0).
Soluc~ao: O determinante da matriz dos coecientes do sistema e

2 k 1
2 1 1 1 2
D = 1 2 1 = 2

3 4
k k1 4
1

k 3 = 22 5k 1 = 21 5k
1 3 4
6 0, ou seja, 21
Conclumos assim que se o sistema tem soluc~ao unica, ent~ao D = 6 0 que
5k =
21
implica k 6= .
5
1.6 Exerccios Propostos
1) Comprove

que s~ao validos os seguintes produtos de matrizes curiosos:
2 2
3 4 7 2 37 42 3 4 33 44 14 29 1414 2929
a) = b) = c) =
8 7 4 9 84 79 6 8 66 88 42 87 4242 8787
 
1 2 2
2) Seja A = 0  2 0. Mostre que A3 9A +10I = O, onde I e O s~ao as matrizes identidade
1 1 3
e nula de ordem 3, respectivamente.
1.6. EXERCICIOS PROPOSTOS 21
   
1 5 2 0 0 0
3) Sendo M 
= 1 2 1, calcule M 2020 . Resp.: M 2020 = 0 0 0

3 6 3 0 0 0

4) Se A = cos sen e B = cos sen , calcule AB e BA.
sen cos sen cos

cos( + ) sen( + )
Resp.: AB = BA =
sen( + ) cos( + )

5) Se I = 10 01 e A = 32 15 , calcule X = A2 8A + 13I . Resp.: X =
0 0
0 0
 
1 x 8
6) Determine x , y e z para que 9 2 0 seja simetrica. Resp.: x = 9, y = 8, z = 0
y z 5

3 4
7) Sejam A = 5 5
e I = 10 01 . Calcule B = A2 + 2A + 5I e, a partir desse resultado,

mostre que A 1= 1 (A + 2I ). Resp.: B = 0 0
5 0 0
8) Sabendo que a equac~ao da reta que passa pelos pontos A(a1 ; b1 ) e B (a2 ; b2 ) e dada por

x y 1

a1 b1 1 = 0;

a2 b2 1
determine a equac~ao do reta que passa pelos pontos A(1; 1) e B(3; 7) . Resp.: y = 4x 5
9) Sabendo que a equac~ao do plano que passa pelos pontos A(a1 ; b1 ; c1 ), B (a2 ; b2 ; c2 ) e C (a3 ; b3 ; c3 )
e dada por

x y z 1

a1 b1 c1 1

a2 = 0;
b2 c2 1
a3 b3 c3 1
determine a equac~ao do plano que passa pelos pontos A(1; 2; 0), B(2; 3; 1) e C (0; 4; 4).
Resp.: 2x y + z = 0

x 1 3 2

10) Calcule o determinante 0 x +1 1 . Resp.: x 3 + 3x 2 + x 6
1 4 x + 3
11) Dê exemplo de um sistema linear 3 3 que tenha como soluc~ao x = 5, y = 4, z = 3.

Resp.: Pense em três equaco~es nas variaveis x , y , z , por exemplo: 2x + y z = : : : , 3x + y 5z =
: : : ; 4x 5y + 2z = : : : : Agora, e so substituir a soluc~ao desejada para completar as equaco~es.
 2x + y z = 11
Obtemos dessa forma o seguinte sistema linear: 3x + y 5z = 4

4x 5y + 2z = 6
   
213 917 0 0 0 0 0 0
1030 811 0 0  0 
11) Calcule AB , sabendo que A = 
 634 711 0 0
 e B = 477 3710 15000 8760.
842 335 0 0 549 788 990 413
 
0 0 0 0
0 0 0 0
Resp.: AB = 0 0 0 0.
 Observa
c~ao: este exemplo mostra que
e poss
vel um produto de matrizes ser
0 0 0 0
igual
a matriz nula, mesmo que cada fator n~
ao seja nulo.
 
1000 999 998  
 997 12 6 2
996 995
12) Calcule o produto ABC das seguintes matrizes: A = 
 994 993 992
, B = 18 9 3,
24 12 4
991 990 989
 
  0 0
1 1 0 0
C = 1 2. Resp.: ABC = 0 0 Observa
c~ao: neste exemplo, apesar de dar o mesmo resultado,
e
3 0
0 0
mais f
acil calcular A(BC ) do que (AB )C .
   
1 1 1 1 2 3
13) Sejam A =  3 2 1 e B = 2 4 6. Calcule AB e BA.
2 1 0 1 2 3
   
0 0 0 11 6 1
Resp.: AB = 0 0 0 , BA =
   22 12 2
0 0 0 11 6 1
     
4 2 0 2 3 1 3 1 3
14) Considerando as matrizes A =  2 1 0, B =  2 2 2 eC=
  0 2 6,
2 1 1 1 2 1 1 2 1
 
12 8 0
mostre que AB = AC e, no entanto, B 6= C . Resp.: AB = AC =  6 4 0
7 2 1
Observa
c~ao: este exemplo mostra que nem sempre podemos \cortar" a matriz A na igualdade AB = AC .
Cap
tulo 2
Escalonamento de Matrizes
Apresentamos neste captulo mais um procedimento de calculo: o escalonamento de matrizes.
Pode ser utilizado com qualquer tipo de matriz e e muito util na resoluc~ao de diversos problemas.
indispensavel que ele seja completamente entendido e bastante praticado nos exerccios.
E
2.1 Operac~oes elementares sobre linhas

Dado uma matriz A = (aij ) de ordem m n, denotemos a linha k (ou k -esima linha) dessa matriz
por Lk . Chamam-se operac~oes elementares com as linhas da matriz as seguintes operaco~es:
[1. ] Trocar a linha i pela linha j . Em smbolos: Li $ Lj ;

[2. ] Somar linhas e substituir uma das linhas pela soma. Em smbolos: Li + Lj ! Li ou
Li Li + Lj ou Li = Li + Lj ;
[3. ] Multiplicar uma linha por uma constante k 6= 0. Em smbolos: kLi ! Li ou Li kLi ou
Li = kLi .
Observac~ao: Podemostambem subtrair

linhas (Li Lj = Li + ( 1)Lj ) e dividir uma linha por
Li 1
uma constante n~ao nula = Li .
k k
Se uma matriz B for obtida atraves da aplicac~ao de um numero nito de operaco~es elementares
com as linhas de uma matriz A, ent~ao dizemos que A e equivalente por linha a B e denotamos
isso da seguinte forma: A ! B ou A B .

3 7
Exemplo 2.1 Consideremos a matriz 2 8
, vamos aplicar as seguintes operaco~es elementares:
23
24 CAPITULO 2. ESCALONAMENTO DE MATRIZES
troca de linhas, multiplicac~ao de uma linha por uma constante (duas vezes) e soma de linhas:

3 7 L1 $ L2 2 8 ( 12 )L1 ! L1 1 4
2 8
! 3 7 ! 3 7 ( 1 )L2 ! L2
3
1 4 1 4
! 1 37 L1 + L2 ! L2 ! 0 19
3

3 7
Baseado no que foi obtido no exemplo anterior, temos que ! 10
2 8
4
19
3
3 7 1 4 3 7 1 4
ou
2 8
0 319 . Isso signica que \a matriz
2 8
e equivalente por linha a
0 19 ".
3
2.2 Matriz escalonada

Dizemos que uma matriz A = (aij ), de ordem m n, e uma matriz escalonada, ou ainda, que
esta na forma escada quando:
[1. ] Para cada r = 1; 2; : : : ; m, o primeiro elemento n~ao nulo da linha r e igual a 1, ou seja, se
o primeiro elemento n~ao nulo ocorrer na coluna s , ent~ao ars = 1;
[2. ] Todos os elementos da coluna s que estiverem abaixo de ars s~ao nulos, ou seja, aks = 0 se
r < k m.
Essa e uma denic~ao que pode ter algumas variaco~es. Dependendo do autor, ela pode ser
apresentada de outras formas parecidas.
A ideia principal dessa denic~ao e que a quantidade de zeros que precedem o primeiro elemento
n~ao nulo vai aumentando linha por linha, da esquerda para a direita, ate chegar na ultima linha.
S~ao exemplos de matrizes escalonadas as seguintes matrizes:
 
1 6 1
A=0 1 1
0 0 1
 
1 3 7 5

 0 1 8 1
B= 2

 0 0 1 3
0 0 0 1
 
1 2 8 0

 0 1 13 1
 3

C = 0

0 1 4

 0 0 0 1
0 0 0 0
2.2. MATRIZ ESCALONADA 25
 
1 4 1 0 0
M 
= 0 0 0 1 5
0 0 0 0 1
 
1 1 0 2 1

 0 0 1 0 1
 
N = 0

0 0 0 1

 0 0 0 0 0
0 0 0 0 0
 
1 13 0 15 4
 0 1 8 1 3

 2 5

 0 0 1 3 0
 
P = 0 0

0 0 0

 0 0 0 0 0
 
 0 0 0 0 0
0 0 0 0 0
Para qualquer matriz dada, podemos obter a partir dela uma matriz escalonada atraves das
operaco~es elementares com as linhas. N~ao ha um roteiro unico para se obter essa matriz escalonada.
No entanto, podemos seguir algumas orientaco~es:
[1. ] Se houver linhas nulas na matriz, ent~ao trocamos as posico~es delas de modo que elas se
tornem as ultimas linhas;
[2. ] Na linha Lr , obtemos um numero 1 como sendo o primeiro elemento n~ao nulo dessa linha.
Isso pode ser feito atraves de uma troca de linhas ou a partir de outras operaco~es, por exemplo,
divis~ao dos elementos da linha por um valor constante. Vamos supor que o elemento 1 assim
obtido esteja na coluna s , ou seja, suponhamos ars = 1.
[3. ] Substitumos cada linha Lk que esteja abaixo da linha
r por Lk aks Lr , para todo k > r .
[4. ] Repetimos o calculo realizado no item [2.] com a linha Lr +1 no lugar da linha Lr ; depois,
repetimos o item [3.]; fazemos isso ate chegar na ultima linha da matriz.
Esse procedimento e muito repetitivo e pode ser demorado. Mas e algo que se mostra util para
resolver um grande numero de problemas e deve ser bem estudado e bastante praticado.
 
2 5 4 3
Exemplo 2.2 Determine a forma escada (escalonada) da matriz A = 1
 1 4 1 .
1 2 3 1
Soluc~ao: A primeira coisa a se fazer e obter o numero 1 como sendo o primeiro elemento n~ao
nulo da primeira linha. Isso pode ser feito de muitas formas: trocando-se a primeira linha pela
terceira, trocando-se a primeira linha pela segunda, subtraindo-se a primeira linha da segunda e
colocando-se o resultado como sendo a primeira linha etc. Vamos preferir trocar a primeira linha
pela terceira, entre muitas outras possibilidades. Depois disso, vamos zerar todos os elementos da
primeira coluna que estiverem abaixo do 1 obtido. Depois, passamos para a segunda linha, obtemos
um numero 1 como primeiro elemento n~ao nulo e zeramos tudo o que estiver abaixo dele.
   
2 5 4 3 L1 $ L3 1 2 3 1
1 1 4 1 ! 1 1 4 1 L2 1L1 ! L2
1 2 3 1 2 5 4 3 L3 2L1 ! L3
   
1 2 3 1 1 2 3 1
! 0 3 1 2 ( 13 )L2 ! L2 ! 0 1 1
3
2
3
0 9 2 5 0 9 2 5 L3 9L2 ! L3
   
1 2 3 1 1 2 3 1
! 0 1 1 2 ! 0 1 1 2
3 3 3 31
0 0 5 1 ( 15 )L3 ! L3 0 0 1 5
Note que essa ultima matriz apresenta as seguintes caractersticas: o primeiro elemento diferente
de 0 em cada linha e igual a 1 e os elementos que est~ao situados
 abaixo dele
 s~ ao iguais a 0. Por
1 2 3 1
causa disso, conclumos que a matriz escalonada obtida e 0 1 1 2 .
3 31
0 0 1 5
Observac~ao 1: A matriz escalonada assim obtida, em geral, n~ao e unica. S~ao possveis varias
respostas diferentes, todas consideradas corretas. Por exemplo, se no incio do exemplo anterior
fosse feita a troca delinhas L1 $ L2 no
 lugar da troca L1 $ L3 utilizada, ent~
ao a matriz escalonada
1 1 4 1
obtida seria igual a 0 1 4 1
3 31  que e uma resposta diferente da obtida antiormente, mas
0 0 1 5
tambem e considerada correta.
Observac~ao 2: Ao escalonar uma matriz, a quantidade de linhas nulas e a quantidade de linhas
n~ao nulas obtidas no nal s~ao sempre as mesmas. Essas quantidades independem do procedimento
utilizado no escalonamento. Por exemplo, no caso anterior, ao completar o escalonamento, foram
obtidas 3 linhas n~ao nulas e nenhuma linha nula. Qualquer outro procedimento utilizado para
escalonar a matriz deveria chegar no nal a essas mesmas quantidades. Por causa disso, damos
um nome a cada um desses valores: a quantidade de linhas nulas apos o escalonamento se chama
nulidade e a quantidade de linhas n~ao nulas se chama posto da matriz. Sendo assim, no exemplo
anterior, temos que a nulidade de A e igual a 0 e o posto e igual a 3.
Exemplo 2.3 Obtenha uma matriz escalonada a partir da aplicac~ao de operaco~es elementares a
2.2. MATRIZ ESCALONADA 27
 
2 3 3 1
1 2 3 0
 
1 1 0 1
matriz A = 
4 2 2 10
 e determine seu posto e sua nulidade.
 
2 3 2 3
5 3 4 13
Soluc~ao: Primeiramente, vamos colocar o numero 1 como primeiro elemento n~ao nulo da primeira
linha. Podemos fazer isso de varias formas, por exemplo, trocando as posico~es da primeira e
terceira linhas. Depois disso, para as outras linhas, aplicamos as operaco~es Lr ar 1 L1 ! Lr , com
r = 2; 3; : : : 6
     
2 3 3 1 L1 $ L3 1 1 0 1 1 1 0 1
1
 2 3 0 

 1 2 3  L2
0 1L1 ! L2 
 0 1 3 1 
1 1 0 1  2 3 3  L3
1 2L1 ! L3 
 0 1 3 1

  ! 
4L1 ! L4
!  
 L4
4 2 2 10  4 2 2 10  0 2 2 14
    
2 3 2 3  2 3 2 3 L5 2L1 ! L5  0 1 2 1
5 3 4 13 5 3 4 13 L6 5L1 ! L6 0 2 4 18
Passamos agora a considerar a matriz a partir da segunda linha e da segunda coluna, repetindo
a primeira linha e primeira coluna ate o nal dos calculos. O primeiro elemento n~ao nulo da segunda
linha e igual a 1; portanto, vamos agora zerar todos os elementos da segunda coluna que est~ao
abaixo dele. Para isso, efetuamos as operaco~es Lr ar 2 L2 ! Lr , com r = 3; 4; 5; 6.
Como a terceira linha obtida e nula, trocamos a posic~ao dela com a ultima linha (L3 $ L6 )
     
1 1 0 1 1 1 0 1 1 1 0 1

 0 1 3 1 

 0 1 3 1 

 0 1 3 1
1 3 1 L3 1L2 ! L3 0 0 L3 $ L6
     
 0 0 0 0 0 10 20

 0

2 2 14 L4 + 2L2 ! L4
!  0 0 8 16
 !  0 0

8 16
     
 0 1 2 1 L5 1L2 ! L5  0 0 1 2  0 0 1 2
0 2 4 18 L6 + 2L2 ! L6 0 0 10 20 0 0 0 0
Passamos agora a considerar a matriz a partir da terceira linha e da terceira coluna, repetindo
as duas primeiras linhas e duas primeiras colunas ate o nal. Para obter o primeiro elemento n~ao
nulo da terceira linha igual a 1, fazemos uma divis~ao da linha por 10: ( 101 )L3 ! L3 . Depois
disso, zeramos todos os elementos da terceira coluna que est~ao abaixo desse 1 obtido; para isso,
efetuamos as operaco~es Lr ar 3 L3 ! Lr , com r = 4 e r = 5.

     
1 1 0 1 1 1 0 1 1 1 0 1

 0 1 3 1

 0 1 3 1


 0 1 3 1
     


0 0 10 20 L103

! L3 !  0 0 1 2
 !  0 0 1 2



0 0 8 16
 
0 0 8 16 L 8L3 ! L4
 4 
0 0 0 0
 0 0 1 2  0 0 1 2 L5 + 1L3 ! L5  0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0
 
1 1 0 1

 0 1 3 1
 
Obtivemos ent~ao que a matriz escalonada obtida e  0 0 1 2, que seu posto e 3 e


 0 0 0 0
 
 0 0 0 0
0 0 0 0
sua nulidade tambem e 3.
 
2 3 2 5 1
3 1 2 0 4
Exemplo 2.4 Reduzir 
4 5 6 5 7

a forma escada e calcular o posto e a nulidade.
5 2 0 5 5
Soluc~ao: Inicialmente, obtemos um numero 1 como sendo o primeiro elemento n~ao nulo da
primeira linha. Isso pode ser feito de varias formas, aqui vamos subtrair as duas primeiras linhas
e colocar a diferenca como sendo a primeira linha (L2 L1 ! L1 ). Depois disso, atraves das
operaco~es Lr ar 1 L1 ! Lr , r = 2; 3; 4; 5, zeramos os outros elementos da primeira coluna.
   
2 3 2 5 1 L2 L1 ! L1 1 4 4 5 3
 L2 3L1 ! L2
3 1 2 0 4  3 1 2 0 4

4 5 6 5 7
 !  4 5 6 5 7 L3 4L1 ! L3
5 2 0 5 5 5 2 0 5 5 L4 5L1 ! L4
   
4 1 4 5 3 1 4 4 5 3
1 10 15 5
 ( 11 )L2 ! L2
 0 11 10 15 5  1
!  0 11 10 15 5
!  00 11
11
10 15
11 11 
5 L3 11L2 ! L3
0 22 20 30 10 0 22 20 30 10 L4 22L2 ! L4
 
1 4 4 5 3
 0 1 10 15 5
!  0 0
11
0
11
0
11 
0
0 0 0 0 0

2.3. METODO DE ELIMINAC ~ DE GAUSS
AO 29
 
1 4 4 5 3
 0 1 10 15 5
Conclumos assim que a forma escalonada da matriz dada e  11 11 11 , que
 0 0 0 0 0 
0 0 0 0 0
seu posto e igual a 2 e que sua nulidade e 2.
 
1 2 1 2 1
Exemplo 2.5 Reduzir 2 4
 1 2 3 a forma escalonada e calcular posto e nulidade.
3 6 2 6 5
Soluc~ao: Como o primeiro elemento n~ao nulo da primeira linha e igual a 1, iniciamos zerando os
elementos da primeira coluna que est~ao abaixo dele atraves das operaco~es L2 a21 L1 ! L2 e
L3 a31 L1 ! L3 .
   
1 2 1 2 1 1 2 1 2 1
 2 4 1 2 3 L2 2L1 ! L2 !  0 0 3 6 1 ( 13 )L2 ! L2
3 6 2 6 5 L3 3L1 ! L3 0 0 5 12 2
   
1 2 1 2 1 1 2 1 2 1
!  0 0 1 2 13  !  0 0 1 2 13 
0 0 0 2 13 ( 12 )L3 ! L3 0 0 0 1 1
6
 
1 2 1 2 1

A partir da, conclumos que a forma escalonada da matriz dada e 0 0 1 2 1 , que o
31
0 0 0 1 6
seu posto e igual a 3 e a sua nulidade e 0.
2.3 Metodo de eliminac~ao de Gauss

Existem muitos metodos para resoluc~ao de um sistema linear. Nesta sec~ao, vamos descrever
e exemplicar um metodo simples e eciente que e conhecido como metodo de eliminac~ao de
Gauss* .
Esse metodo consiste em transformar o sistema dado em um sistema mais simples, de facil
resoluc~ao. O procedimento de transformac~ao consiste no escalonamento da matriz completa do
sistema, no qual s~ao utilizadas apenas operaco~es elementares com as linhas. O processo de es-
calonamento n~ao altera a soluc~ao do sistema porque s~ao realizadas apenas operaco~es de troca de
linhas, multiplicac~ao de uma linha por uma constante e adic~ao de linhas.
Depois que o escalonamento e concludo, resolvemos cada equac~ao, iniciando com a ultima
equac~ao (que e a mais simples) e terminando com a primeira. A seguir, vamos exemplicar esse
metodo de resoluc~ao.
*
Carl Friedrich Gauss (1777-1855), matematico alem~ao.

4x
3y + 2z = 30
Exemplo 2.6 Resolver o sistema  2x + y 2z = 2 .
x +y +z =1
 
4 3 2 30
Soluc~ao: A matriz completa do sistema e M 
= 2 1 2 2. O escalonamento de A e
1 1 1 1
executado nos seguintes passos:
   
4 3 2 30 L1 $ L3 1 1 1 1
2 1 2 2 ! 2 1 2 2 L2 2L1 ! L2
1 1 1 1 4 3 2 30 L3 4L1 ! L3
   
1 1 1 1 1 1 1 1
! 0 1 4 0 ( 1)L2 ! L2 ! 0 1 4 0
0 7 2 26 0 7 2 26 L3 ( 7)L1 ! L3
   
1 1 1 1 1 1 1 1
! 0 1 4 0 ! 0 1 4 0
0 1 )L3 ! L3
0 26 26 ( 26 0 0 1 1
 
1 1 1 1
Obtivemos assim que a forma escalonada da matriz do sistema e  0 1 4 0. Essa e a

0 0 1 1
x + y + z = 1
matriz completa correspondente ao sistema linear y + 4z = 0 . Dessa equac~ao da ultima

z =1
linha, obtemos z = 1. Substituindo na segunda equac~ao, obtemos: y + 4 1 = 0, ou seja, y = 4.
Substituindo os valores de y e z na primeira equac~ao, obtemos x + ( 4) + 1 = 1, ou seja, x = 4.
Finalmente, obtivemos a soluc~ao do sistema como sendo igual a (4; 4; 1).

2x + 4y 6z + 3 t = 3
Exemplo 2.7 Resolver o sistema 3x 5y + 2 z + 4 t = 4 .
5x y 4z + 7 t = 0
 
2 4 6 3 3
Soluc~ao: A matriz completa do sistema e M = 3 5 2 4 4 que pode ser escalonada da
5 1 4 7 0

AO 31
seguinte maneira:
   
2 4 6 3 3 L2 L1 ! L1 1 9
8 1 1
3 5 2 4 4 ! 3 2 4 4 L2 3L1 ! L2
5
5 1 4 7 0 5 4 7 0 L3 5L1 ! L3
1
   
1 9 8 1 1 1 9 8 1 1
! 0 22 22 1 1 )L2 ! L2 !  0 1
1 ( 22 1 1
1 22 22
0 44 44 2 5 0 44 44 2 5 L3 44L2 ! L3
 
1 9 8 1 1
! 0 1
 1 1
1 22 22 
0 0 0 0 7

x 9y + 8 z + t = 1
e essa ultima matriz obtida corresponde ao sistema

y z + 22t = 221 . Como essa terceira
0= 7
equac~ao do sistema (0 = 7) e uma contradic~ao, ou seja, e sempre falsa, temos que o sistema
dado e impossvel, n~ao tem soluc~ao.


 4x + y = 9

 3x + 5y = 11



2x y =3 .
Exemplo 2.8 Resolver:  5x + 2y = 12




 6x + 3y = 15

4x 5y = 3
Soluc~ao: Vamos determinar a forma escalonada da matriz completa M do sistema:

4 1 9

1
 1 9 
1 1 9  1 1 9  1 1 9
4 4 174 174   4 4 4 4
3
 5 11

 3
 5 11


 0 43 43   0 1 1 

 0 1 1
2 1 3  1 3 
   3 3  
! 2 !  0  0 23   0 0 0
! !
M =
5
23 23  23 :
 2 12

 5
 2 12
  0 43 43   0 43 43   0 0 0
6    
3 15  6 3 15  0 2 2
  0 2 2   0 0 0
4 5 3 4 5 3 0 6 6 0 6 6 0 0 0

Chegamos a conclus~ao que o sistema dado e equivalente ao sistema
x + y4 = 49 . Substituindo
y =1
9 1
y = 1 na primeira equac~ao, obtemos x = 4 4 = 2. Portanto, a soluc~ao do sistema dado e (2; 1)
.
Para comprovar que a soluc~ao encontrada esta correta, devemos substitu-la no sistema original
(do enunciado) e observar que obtemos apenas sentencas verdadeiras: 9 = 9, 11 = 11, 3 = 3,
12 = 12, 15 = 15, 3 = 3.
2.3.1 Variaveis livres
vezes, um sistema linear pode ter variaveis que n~ao podem ser calculadas, ou seja, que podem
As
assumir quaisquer valores. Nesses casos, chamamos essas variaveis de variaveis livres.

Por exemplo, o sistema
x + y + z = 4 tem 3 variaveis e apenas 2 equaco~es; logo, e um
x y 3z = 2
sistema que possui \variaveis demais". Em um caso como esse, n~ao conseguimos calcular os
valores de todas as variaveis que sejam soluco~es do sistema. Como ca uma variavel sem ter seu
valor calculado, dizemos que essa variavel e livre para assumir qualquer valor, ou simplesmente
que e uma variavel livre. Nesses casos, as outras variaveis devem ser calculadas em func~ao das
variaveis livres. Por exemplo, se no sistema anterior escolhermos a variavel livre como sendo z ,
ent~ao os valores de x e y devem ser calculados em func~ao de z . No caso desse sistema, obtemos

x +y =4 z
x y = 2 + 3z , e da, somando-se as equaco~es, obtemos 2x = 6 + 2z que implica x = 3 + z .
Substituindo na primeira equac~ao, podemos calcular y = 1 2z . Assim, a soluc~ao do sistema e
(3 + z; 1 2z; z ), onde z pode assumir qualquer valor real ou complexo. Por exemplo, se z = 0,
obtemos (3; 1; 0) como sendo soluc~ao do sistema; se z = 1, obtemos que (4; 1; 1) e outra soluc~ao;
se z = 2, obtemos que (5; 3; 2) e mais outra e assim por diante.
Sistemas lineares que têm variaveis livres s~ao sistemas possveis indeterminados e eles possuem
sempre uma innidade de soluco~es. O conjunto de todas as soluco~es de um sistema indeterminado
e denominada soluc~ao geral do sistema.
O numero de variaveis livres que esse sistema pode ter e sempre igual a n p, onde n e o numero
de variaveis e p e o posto da matriz completa do sistema.


2x + y z s + t = 1


x y + z + s 2t = 0
Exemplo 2.9 Resolver 3x + 3y 3z 3s + 4t = 2


 4x + 5y 5z 5s + 7t = 3

5x + 4y 4z 4s + 5t = 3
 
2 1 1 1 1 1
1 1 1 1 2 0
 
Soluc~ao: A matriz completa do sistema e M =
3 3 3 3 4 2 e pode ser escalonada
4 5 5 5 7 3
5 4 4 4 5 3

AO 33
da seguinte forma:
   
1 1 1 1 2 0 1 1 1 1 2 0
 2 1 1 1 1 1  0 3 3 3 5 1
   
M !  3 3 3 3 4 2 !  0 6 6 6 10 2 
 4 5 5 5 7 3  0 9 9 9 15 3
5 4 4 4 5 3 0 9 9 9 15 3
   
1 1 1 1 2 0 1 1 1 1 2 0
 0 1 1 1 5 1   1 5 1
 3 3  0 1 1 3 3
!  0 6 6 6 10 2 !  0
 0 0 0 
0 0
 0 9 9 9 15 3  0 0 0 0 0 0
0 9 9 9 15 3 0 0 0 0 0 0

x y + z + s 2t = 0
Portanto, o sistema dado equivale a y z s + 53 t = 13 . Podemos isolar o valor de y na
segunda equac~ao para obter y = 31 + z + s 53 t . Isolando x e substituindo y na primeira equac~ao,
obtemos x = ( 13 + z + s 53 t ) z s + 2t = 13 + 31 t . Obtivemos assim a soluc~ao geral do sistema:
t +1 3z + 3 s 5t + 1
x= , y= , 8z; s; t 2 R.
3 3
Observac~ao 1: A soluc~ao geral tambem pode ser escrita na forma

 
 t + 1 3z + 3s 5t + 1 
 3 ; ; z; s; t 
:

| {z } | 3
{z }
x y
Observac~ao 2: As variaveis z , s , t n~ao foram calculadas e por isso s~ao livres para assumirem
quaisquer valores. Note que a quantidade de variaveis livres e igual ao numero total de variaveis
do sistema (n = 5), menos o posto da matriz do sistema escalonada (p = 2), ou seja, e igual a
5 2 = 3.
Observac~ao 3: Em geral, podemos escolher um conjunto diferente de variaveis livres e escrever
a soluc~ao geral de outras formas. Por exemplo, se isolarmos o valor de z na segunda equac~ao,
obtemos z = y s + 53 t 13 . Substituindo esse valor de z na primeira equac~ao e isolando o valor
de x , obtemos x = y (y s + 35 t 13 ) s + 2t = 3t + 13 . Assim, a soluc~ao geral desse sistema
tambem pode ser escrita na forma

t +1 3y 3s + 5t 1
3
; y; 3
; s; t :
2.4 Calculando a inversa de uma matriz

O metodo utilizado para resolver sistemas lineares atraves de escalonamento tambem pode ser
usado de forma eciente para calcular a inversa de uma matriz quadrada.
A partir de uma matriz A de ordem  n n, montamos
  o seguinte sistema linear nas vari aveis
x1 b1
x2  b2 
x1 ; x2 ; : : : ; xn : A X = B, onde X  
=  .. e
 .
B  
=  ... Multiplicando por
 .
A 1 a esquerda dessa
xn bn
equac~ao, obtemos A 1 (A X ) = A 1 B ) (A 1 A) X = A 1 B ) X = A 1 B . Isso signica
| {z }
I
que se isolarmos as variaveis do sistema AX = B , ou seja, se obtivermos X = A 1 B , ent~ao a
matriz que aparece no segundo membro multiplicando B e a matriz inversa de A. Para isolarmos
essas variaveis, e conveniente fazer um escalonamento da matriz completa do sistema, conforme
esta exemplicado a seguir.
 
1 4 3
Exemplo 2.10 Vamos determinar a matriz inversa de A = 2 3
 1. Consideremos as matrizes
5 1 2
   
x a  x + 4y 3z = a
X = y e B = b. A equac~ao AX = B
   equivale ao sistema 2x + 3y + z = b . Vamos

z c 5x + y 2z = c
escalonar a matriz completa M desse sistema:
     
1 4 3 a 1 4 3 a 1 4 3 a
M= 2 3 1 b !  0 5 7 b 2a !  0 1 7 2a b 
5 5
5 1 2 c 0 19 13 c 5a 0 19 13 5a c
   
1 4 3 a 1 4 3 a
! 0 1 7 2a b  ! 0 1 7 2a b 
685 13a+19b 55c 5 13a+19b 55c
0 0 5 5 0 0 1 68

x + 4 y 3z = a
Essa matriz escalonada equivale ao sistema y 7 z = 2a b ) z = 13a+19b 5c ) y = 2a b +
5 5 68 5

z = 13a+19
68
b 5c
7 z = 9a+13b 7c ) x = a 4y + 3z = 7a+5b+13c . Escrevendo em forma de equac~ao matricial:
5 68 68
   7 5 13   a
x 689 68 687
y  =  13
68
13 68
19 685  b
z 68 } c
| 68 68
{z
A 1
2.4. CALCULANDO A INVERSA DE UMA MATRIZ 35
7  5 13   
68 68 687 7 5 13
1
Dessa forma, conclumos que A 1 =  689 13
68 685  = 68  9 13 7.
13 19 13 19 5
68 68 68
 
1 1 1 1
1 2 2 2
Exemplo 2.11 Determinar a matriz inversa de A = 
1 2 3 3
.
1 2 3 4
 
1 1 1 1 a
Soluc~ao: Seja M
1
=
2 2 2 b. Vamos obter a forma escalonada de M :
1 2 3 3 c
1 2 3 4 d
     
1 1 1 1 a 1 1 1 1 a 1 1 1 1 a

M !  00 1 1 1 b a !  0 1 1 1 b a !  0 1 1 1 b a
   
1 2 2 c a  0 0 1 1 c b  0 0 1 1 c b
0 1 2 3 d a 0 0 1 2 d b 0 0 0 1 d c


 x +y +z +t =a

Essa ultima matriz equivale ao sistema linear
y +z +t =b a )t=d c )z =c b t=



z +t =c b
t=d c
b + 2c d ) y = b a z t = a + 2b c )x = a y z t = 2a b:Escrevendo
  essas
x 2 1 0 0 a
y 
  b :
 1 2 1 0  
equaco~es na forma de equac~ao matricial, obtemos  
z  = 

0 1 2 1 c  
t 0 0 1 1 d
| {z }
A 1
 
2 1 0 0
Portanto, A 1 = 
 1 2 1 0:
 0 1 2 1
0 0 1 1
 
24 32 9 12
40 56 15 21
Exemplo 2.12 Calcular A 1 sabendo que A = 
15 20 6 8
.
25 35 10 14
 
24 32 9 12 a
Soluc~ao: A partir de A, construmos a matriz M
40
= 
56 15 21 b e obtemos sua forma
15 20 6 8 c
25 35 10 14 d
escalonada:
 4 3 1 a  a  4 3 1 a
1 3 8 2 24 1 43 38 12 24 13 823 24
 15 21 b  8 b 5a   0 1 3b 5a 
M !  40 56
15 20 6 8 c
 !  0 3 03 11
 0 0 c !  0 0
53a 

0
3 81
c
8 5a 

8 2 258a 58 23 8a
25 35 10 14 d 0 53 58 32 d 24 0 53 8 2 d 24
25
 a  a  a
4
3 1 3
8
1
23 3b 24 1 43 38 12 24 1 43 3
8
1
23 24
 0 1 5a   3 3b 5a  0 1 3b 5a 
! 0 8 5a  !  0 1 0 84 0 8
 ! 0 0
8c 8 5a  8c 8 5a 
81 
 0 0 38 27 c8d 58b
  0 0 1 1 43 
0 0 58 0 0 5 37 8d 3 5b 0 0 1 24d 40c 15b+25a
0 24
3
8 8  8 8 8  24
4
1 3 8 2 3 1 a
 3 3b 245a 
!  00 10 10 84 8
8c 5a 

3 3 
0 0 0 1 24d 40c 15b + 25a

x + 43y + 38z + 2t = 24a


Escrevendo a matriz escalonada em forma de sistema linear, obtemos
y + 38t = 5a8+3b




z + 43t = 5a3+8c

t = 25a 15b 40c + 24d

 x = 14a 8b 21c + 12d

y = 10a + 6b + 15c 9d
e, a partir da, calculamos t; z; y e x : z = 35a + 20b + 56c 32d que pode ser escrito em



  
t = 25a 15b 40 c + 24d
 
x 14 8 21 12 a
y 
  b ; de onde nalmente obtemos
 10 6 15 9  
forma de equac~ao matricial z 
 = 
 35 20 56 32  c 
t 25 15 40 24 d
que  
14 8 21 12

1 =  10 6 15 9
A  35 20 56 32

25 15 40 24
Observac~ao: Nesse tipo de procedimento, se algum dos elementos da diagonal principal da matriz
 
1 1 1 a

escalonada for nulo, a matriz n~ao possui inversa. Por exemplo, a forma escalonada de 1 2 3 b
   
3 2 1 c
1 1 1 a 1 1 1
e  0 1 2 b a. Isso signica que a matriz 1 2 3 n~ao e invertvel.
0 0 0 1 3 2 1


x + y 3r s = 0



Exemplo 2.13 Resolver o sistema linear homogêneo 4x x2y + y + 2z r = 0
6z + 3r 4s = 0
.


2x + 4y 2z + 4r 7s = 0
Soluc~ao: Determinamos a forma escalonada da matriz completa desse sistema:

   
1 1 0 3 1 0 1 1 0 3 1 0
   0
M =  14 1
2
2
6
1
3
0
4
0
0  !  0

2 2 2
0 6 6 15
1
0 0

2 4 2 4 7 0 0 2 2 10 5 0
   
1 1 0 3 1 0 1 1 0 3 1 0
 0 1 1 1 1 0  0 1 1 1 1 
!  2  ! 2 0
0 6 6 15 0 0  0 0 0 9 3 0
0 2 2 10 5 0 0 0 0 12 4 0
   
1 1 0 3 1 0 1 1 0 3 1 0
 1   0 1 0
!  00 10 10 11 12 00 !  0
1
0
1
0
1
1
21 

3 3 0
0 0 0 12 4 0 0 0 0 0 0 0

x + y 3r s =0
Essa matriz escalonada encontrada corresponde ao sistema y z r s
 2s = 0 . Da terceira
r 3 =0
equac~ao, isolamos o valor de r : r = 3s . Substitumos esse r encontrado na segunda equac~ao e
isolamos y : y = z + r + 2s = z + 3s + 2s = z + 56s . Por m, substitumos o y e o r encontrados na
primeira equac~ao e isolamoso x : x = y + 3r + s = (z + 56s ) + 33s + s = z + 76s . Portanto, a
7s 5s s
soluc~ao geral do sistema e z + ; z + ; z; ; s ; 8s; z 2 R:
6 6 3


 x +y +z +r +s =7

Exemplo 2.14 Resolver  3xy++22y z++z2+r +
r 3s = 2
6s = 23


5x + 4y + 3z + 3r s = 12
Soluc~ao: Vamos escalonar a matriz desse sistema:
   
1 1 1 1 1 7 1 1 1 1 1 7
 3 2  0 23
M =  30 21 12 12 6 23
 ! M =  0
1
1
2
2
2
2
6
6 23

5 4 3 3 1 12 0 1 2 2 6 23
   
1 1 1 1 1 7 1 1 1 1 1 7
 0 1 2 2 6 23  0 1 2 2 6 23
! M =  0 1 2 2 6 23
 ! M =  0 0 0 0 0 0

0 1 2 2 6 23 0 0 0 0 0 0

x +y +z +r +s =7
Essa matriz escalonada obtida corresponde ao sistema y + 2z + 2r + 6s = 23 : Isolamos o valor
de y na segunda equac~ao desse sistema: y = 23 2z 2r 6s . Substituindo esse y na primeira
equac~ao e isolando o x , obtemos: x = 7 y z r s = 7 (23 2z 2r 6s ) z r s =
16+z +r +5s . Portanto, a soluc~ao geral e ( 16+z +r +5s; 23 2z 2r 6s; z; r; s ); 8z; r; s 2 R.


 8x + 12y = 20

 14x + 21y = 35



9z + 11r = 0
Exemplo 2.15 Resolver o sistema linear  16 z + 20r = 0 nas variaveis x; y; z; r; s; t .




 10s + 12t = 22

15s + 18t = 33
Soluc~ao: Vamos escalonar a matriz completa M desse sistema:

   5
8 12 0 0 0 0 20 1 32 0 0 0 0 2
14 21 0 0 0 0 35  14 21 0 0 0 0 35
   
 0 0 9 11 0 0 0  0
M =
 0 0 16 20 0 0 0
 !  00 00 169 20
11 0
0
0
0 0

   
 0 0 0 0 10 12 22  0 0 0 0 10 12 22
0 0 0 0 15 18 33 0 0 0 0 15 18 33
 5  
1 32 0 0 0 0 2 1 3 0
2 0 0 0 52
 0 0 0 0 0 0 0  0 0 9 11 0 0 0
   
 0 0 9 11 0 0 0  0 0 16 20 0 0 0
!  0 0 16 20 0 0 0
 !  0 0 0 0

10 12 22
   
 0 0 0 0 10 12 22  0 0 0 0 15 18 33
0 0 0 0 15 18 33 0 0 0 0 0 0 0
   
1 32 0 0 0 0 52 1 32 0 0 0 0 52

 0 0 1 119 0 0 0 

 0 0 1 119 0 0 0 
0 49
   
0 0 16 20 0 0 0 0 0 0 0 0
!  0 0 0 0

10 12 22
!  0 0 0 0

10 12 22
   
 0 0 0 0 15 18 33  0 0 0 0 15 18 33
0 0 0 0 0 0 0 0 0 0 0 0 0 0
  
1 32 0 0 0 0 52 1 32 0 0 0 0 5
 11 11 2
 0 0 1 9 0 0 0 

 0 0 1 9 0 0 0
   
0 0 0 1 0 0 0 0 0 0 1 0 0 0
!  0 0 0 0

10 12 22
!  0 1 6 11 
   0 0 0 5 5 
 0 0 0 0 15 18 33  0 0 0 0 15 18 33
0 0 0 0 0 0 0 0 0 0 0 0 0 0

1 32 0 0 0 0 5
 11 2
 0 0 1 9 0 0 0
 
0 0 0 1 0 0 0
!  0 0 0 0

1 65 115 
 
 0 0 0 0 0 0 0
0 0 0 0 0 0 0


 x + 32 y = 5
2
 11
z+ 9r =0
Essa ultima matriz mostrada e a forma escalonada de M que equivale ao sistema r =0



s + 65 t = 115
Substituindo r = 0 na segunda equac~ao, obtemos z = 0. O sistema dado tem 6 variaveis e
sua matriz completa tem posto igual a 4; logo, existem 6 4 = 2 varaveis livres nesse sistema.
Escolhendo as variaveis livres como sendo y e t , podemos calcular os valores de x e s em func~ao
dessas variaveis, usando a primeira e a ultima equaco~es do sistema anterior: x = 25 23 y , s = 115 65 t .
Conclus~ao: a soluc~ao geral do sistema dado e ( 5 23y ; y; 0; 0; 11 5 6t ; t ), ou seja,
x = 5 23y ; s = 11 5 6t ; z = 0; r = 0; 8y; t 2 R.
1) Calcule o posto dasseguintes matrizes:


  0 0 1 0 0
2 1 1 1 0 1
 
1 0 0 0 3 2 1 2 0 1  
 3 11


0 0

   0 4 10 1
1   0 1 0 4 1 0 3 0 2  4 8 18 7
1 14
a) 
1 b) 1 1 1 1 1 c) 

2 1 2 1 1 3 d)  
 1 51


1 3  3
 10 18 40 17
1  4 5 1 1 3 9 1 6
2 43 1 2  1 7 17 3
3 4 5 3 1 5 7 2 7
1 1 1 1
2 3 4 5 6
Resp.: a) 4 b) 5 c) 3 d) 2
2) Determine os valores de , e de modo que o sistema


 2x + 3y + 5z + 2t + 3w =
3x y z 4t + 8w =

5x + 4y 6z + 11t 10w =
admita (5; 3; 4; 0; 5) como uma das suas soluco~es e determine a soluc~ao geral do sistema assim
obtido.
Resp.: = 36; = 54; = 61;
1145 + 55t 157w 2567 361t + 427w 1661 + 115t 217w
x= 72
; y =
144
; z =
144
; 8t; w:
Resolva os seguintes sistemas lineares. Se o sistema for indeterminado, determine sua soluc~ao
geral.
3) 

 x + 2y 3z + 4r s = 1

 2x y + 3z 4r + 2s = 8

3x + y z + 2r s = 3



 4x + 3y + 4z + 2r + 2s = 2

x y z + 2r 3s = 3
nas variaveis x; y; z; r; s . Resp.: (2; 0; 2; 2; 1)


 x 2y + z r + s = 0
 4r + 7 s 4r + 5s 4r 5s
4)  32xx + 2y y z z++2rr 32ss =
=
0
0
Resp.: x= , y= , z=
 8 8 8

2x 5y + z 2r + 2s = 0


4x + 5y = 38

2x 5y = 4
5) 3x + 6y = 33
Resp.: sistema impossvel


5x 6y = 19


 2x y = 1


 4x 3y = 7
6) 5x 2y = 0 Resp.: ( 2; 5)



 2x + 5y = 21

3x 4y = 14


x + 2y + 3z + 4t + 5w = 13

 x + y + 2z + 3t + 4w = 10
2
7) 2x + 2y + z + 2t + 3w = 11 Resp.: (0; 2; 2; 0; 3)



 2x + 2y + 2z + t + 2w = 6

2x + 2y + 2z + 2t + w = 3
8) Dê exemplo de um sistema linear com as seguintes caractersticas:
Tenha quatro equaco~es nas variaveis x , y , z , t ;
Tenha uma variavel livre;
Admita (6; 4; 10; 13) como uma das suas soluco~es.
Resp.: E claro que este problema possui uma innidade de respostas validas. Descrevemos aqui
uma das possibilidades de resposta correta. Como o sistema tem 4 variaveis, e 1 deve ser livre,
o posto da matriz escalonada do sistema deve ser igual a 4 1 = 3. Sendo assim, escrevemos
inicialmente 3 equaco~es nas variaveis x , y , z , t . Os coecientes s~ao escolhidos a vontade, aleato-
riamente, tendo o cuidado de n~ao ter dependência entre elas (ou seja, uma equac~ao n~ao pode ser
multipla ou soma das outras). Se houvesse qualquer dependência entre as equaco~es, o posto seria
menor do que 3. Imaginamos assim as seguintes equaco~es:
3x + 2y + 4z 5t = : : :
5x 2y + 3z + 2t = : : :
4x + 3y 7z + 6t = : : :
A quarta equac~ao deve ser obtida a partir dessas 3 equaco~es, fazendo-se algum tipo de operac~ao
com elas tais como somar linhas, subtrair linhas, multiplicar uma linha por uma constante, etc.
Vamos escolher a quarta linha como sendo a soma da segunda com a terceira equaco~es (entre
muitas outras possibilidades):
9x + y 4z + 8t = : : :
Se a quarta linha n~ao tivesse essa dependência das linhas anteriores, ent~ao o posto da matriz
escalonada do sistema seria igual a 4 e da o sistema n~ao teria variavel livre. Substitumos agora a
soluc~ao (6; 4; 10; 13) nas equaco~es escolhidas acima e completamos o segundo membro de cada
equac~ao: 

 3x + 2y + 4z 5t = 131

5x 2y + 3z + 2t = 26

 4x + 3y 7z + 6t = 112

9x + y 4z + 8t = 86
E pronto! Essa e uma das possveis soluco~es.
 
7 12 6
2021
9) Calcule A sabendo que A = 10 19 10.
12 24 13
 
7 12 6
Resp.: A 2021 = 10 19 10.

12 24 13
10) Calcule
 as inversas das seguintes
 matrizes:
0 0 0 1 1    
0 1 0 3 9 1 2 2 4
 0 1 0 2   0 1 7 21  2 3 4 6
a) A = 
0 1 0 0 2  b) B = 
 c) C = 
1 3 12 1 0  3 6 5 10
0 0 0 1
1 4 0 1 6 9 10 15
1 2 4 1 5
 
7 12 6
d) D = 10 19 10.
12 24 13
 
1 4 2 2 1  
 2 1 0 3 9
 8 3 2 2   0 1 7 21
Resp.: a) A 1 =  2 9 4 2 2
 b) B 1=
 3 12

 0 92 279
4 2 1 1
1 4 31 94
1 4 2 1 1
 
15 10 6 4  
 10 7 12 6
5 4 2
c) C 1 =  9
 d) D 1 = 10 19 10 = D:
6 3 2
12 24 13
6 3 2 1
Cap
tulo 3
Espacos Vetoriais e Subespacos

3.1 Vetores e escalares
Neste captulo, denimos alguns dos conceitos basicos de espacos e subespacos vetoriais. Di-
versos exemplos e exerccios resolvidos tambem s~ao apresentados.
Os espacos vetoriais s~ao conhecidos tambem pelo nome de espacos lineares. Sua denic~ao
envolve o conceito de escalar que e descrita a seguir.
Denic~ao 3.1 Seja K um conjunto n~ao vazio no qual est~ao denidas duas operaco~es, denominadas
adic~ao e multiplicac~ao, denotadas por + e , respectivamente, que satisfazem as seguintes
propriedades:
[1 ] a + b = b + a, 8a; b 2 K;
[2 ] 9 0 2 K tal que a + 0 = a, 8a 2 K;*
[3 ] Dado a 2 K, 9 a 2 K tal que a + ( a) = 0;
[4 ] a + (b + c ) = (a + b) + c , 8a; b; c 2 K;
[5 ] a b = b a, 8a; b 2 K;
[6 ] a (b c ) = (a b) c , 8a; b; c 2 K;
[7 ] 9 1 2 K tal que 1 a = a, 8a 2 K;
[8 ] Dado a 2 K, a 6= 0, 9a 1 2 K tal que a a 1 = 1;
[9 ] a (b + c ) = a b + a c , 8a; b; c 2 K.
Neste caso, o conjunto K e denominado corpo.
*
O smbolo 9 signica \existe", 8 signica \para todo" ou \qualquer".
43
44 CAPITULO 3. ESPAC
OS VETORIAIS E SUBESPAC
OS
Alguns dos exemplos mais conhecidos de corpos s~ao os conjuntos numericos Q (racionais),
R (reais) e C (complexos) com as operaco~es de adic~ao e multiplicac~ao usuais. No entanto, ha uma
innidade de exemplos de outros corpos diferentes desses três aqui citados.
Denominaremos o corpo K de conjunto de escalares.
Denic~ao 3.2 Sejam K um corpo (K = R, por exemplo) e V 6= ; um conjunto no qual s~ao denidas
duas operaco~es: uma adic~ao u + v entre os elementos u e v de V , e uma multiplicac~ao kv de um
escalar k por um elemento v de V . Dizemos que V e um espaco vetorial sobre K quando as
seguintes propriedades s~ao todas vericadas:
[1 ] u + v = v + u , 8u; v 2 V ;
[2 ] u + (v + w ) = (u + v ) + w , 8u; v; w 2 V ;
[3 ] 9 0 2 V tal que u +0 = u , 8u 2 V ; esse elemento 0 e denominado vetor nulo;
[4 ] 9 v 2 V tal que u + v = 0, 8u 2 V ; esse elemento v e denominado inverso aditivo e e
denotado por u ;
[5 ] k (v + w ) = kv + kw , 8k 2 K, 8v; w 2 V ;
[6 ] (a + b)v = av + bv , 8a; b 2 K, 8v 2 V ;
[7 ] (ab)v = a(bv ), 8a; b 2 K, 8v 2 V ;
[8 ] 1 v = v , 8v 2 V .
Os elementos de um espaco vetorial s~ao chamados genericamente de vetores.
Em qualquer espaco vetorial, podemos denir a diferenca entre os vetores v e w , denotada por
v w , como sendo a seguinte soma: v w = v + ( w ).
Exemplo 3.1 O conjunto V = R2 = R R = f(x; y ) j x; y 2 Rg e um espaco vetorial com as
operaco~es de adic~ao e produto por escalar usuais:
A adic~ao de vetores e denida por (x1 ; y1 )+(x2 ; y2 ) = (x1 + x2 ; y1 + y2 ), 8(x1 ; y1 ); (x2 ; y2 ) 2 R2 ;
A multiplicac~ao por escalar e denida por k (x1 ; y1 ) = (kx1 ; ky1 ), 8k 2 R, 8(x1; y1) 2 R2.
Para vericar isso, temos que testar a validade de cada uma das propriedades [1], [2], . . . ,
[8]. Por exemplo, a propriedade [1] e vericada da seguinte forma: se u = (x1 ; y1 ) e v = (y1 ; y2 )
s~ao dois elementos genericos de V , ent~ao u + v = (x1 ; y1 ) + (x2 ; y2 ) = (x1 + x2 ; y1 + y2 ) v + u =
(x2 ; y2 )+(x1 ; y1 ) = (x2 + x1 ; y2 + y1 ). Como a adic~ao de numeros reais e comutativa, x1 + x2 = x2 + x1
e y1 + y2 = y2 + y1 , temos que (x1 + x2 ; y1 + y2 ) = (x2 + x1 ; y2 + y1 ), ou seja, u + v = v + u .
A propriedade [3] e vericada assim: se u = (x1 ; y1 ) 2 V e 0 = (0; 0), ent~ao u + 0
= (x1 ; y1 ) + (0; 0) = (x1 + 0; y1 + 0) = (x1 ; y1 ) = u ; e a propriedade [7] e vericada da seguinte
3.1. VETORES E ESCALARES 45
forma: se a; b 2 R e v = (x1 ; y1 ), ent~ao (ab)v = (ab)(x1 ; y1 ) = ((ab)x1 = (ab)y1 ) e a(bv ) =

a(b(x1 ; y1 )) = a(bx1 ; by1 ) = (a(bx1 ); a(by1 )). Como (ab)x1 = a(bx1 ) e (ab)y1 = a(by1 ), temos
que (ab)v = a(bv ).
De modo semelhante, se n e um inteiro positivo,
Rn = R| R {z R} = f(x1; x2; : : : ; xn ) j x1; x2; ; xn 2 Rg
n fatores
tambem e um espaco vetorial com as operaco~es de adic~ao de vetores e multiplicac~ao por escalar
denidas por
(x1 ; x2 ; ; xn ) + (y1 ; y2 ; ; yn ) = (x1 + y1 ; x2 + y2 ; xn + yn ),
8 (x1; x2; ; xn ); (y1; y2; ; yn ) 2 Rn .
k (x1 ; x2 ; ; xn ) = (kx1 ; kx2 ; ; kxn ), 8k 2 R, 8(x1 ; x2 ; ; xn ) 2 Rn .
O vetor nulo e (0; 0; ; 0) e o inverso aditivo de v = (x1 ; x2 ; xn ) e v = ( x1 ; x2 ; ; xn ).
Exemplo 3.2 O conjunto de todas as matrizes 2 2 com elementos reais, denotado por M (2; 2),
denido por
M (2; 2) = a b j a; b; c; d 2 R ;
c d
e um espaco vetorial com as seguintes operaco~es de adic~ao de matrizes e multiplicac~ao por escalar
usuais:

a b + e f = a+e b+f
c d g h c +g d +h

k
a b ka kb
c d = kc kd
para quaisquer matrizes de M (2; 2) e qualquer k.
escalar
0 0 a b
O vetor nulo de M (2; 2) e a matriz nula 0 0 e o inverso aditivo de v = c d e a matriz

v= c d .a b
De modo semelhante, o conjunto de todas as matrizes m n com elementos reais, denotado
por M (m; n), tambem e um espaco vetorial com as operaco~es usuais de matrizes.
Exemplo 3.3 Denotemos por P2 o conjunto de todos os polinômios de grau no maximo 2, junta-
mente com o polinômio nulo
P2 = fax 2 + bx + c j a; b; c; 2 Rg:
Com as operaco~es usuais de soma e produto por escalar de polinômios,
OS
(ax 2 + bx + c ) + (dx 2 + ex + f ) = (a + d )x 2 + (b + e )x + (c + f ); 8a; b; c; d; e; f 2 R

k (ax 2 + bx + c ) = (ka)x 2 + (kb)x + (kc ); 8k 2 R; 8a; b; c 2 R
temos que P2 e um espaco vetorial.
O vetor nulo de P2 e o polinômio nulo p(x ) = 0 e o inverso aditivo de q (x ) = ax 2 + bx + c e
q (x ) = ax 2 bx c .
De modo analogo, se n e um inteiro positivo, o conjunto de todos os polinômios de coecientes
reais e grau menor ou igual a n, juntamente com o polinômio nulo,
Pn = fan x n + an 1x n 1 + + a2 x 2 + a1 x + a0 j an ; ; a2 ; a1 ; a0 2 Rg
tambem e um espaco vetorial.

Exemplo 3.4 Seja X um conjunto n~ao vazio qualquer. Consideremos o conjunto de todas as
funco~es de X em R
F (X; R) = ff : X ! R j f e func~
ao g
com as seguintes operaco~es de soma f + g das funco~es f e g e produto kf de um escalar k por
uma func~ao f denidos da seguinte forma:
8f ; g 2 F (X; R)
(f + g )(x ) = f (x ) + g (x ),
(kf )(x ) = kf (x ), 8k 2 R, 8f 2 F (X; R)
. O conjunto F (X; R) assim denido, com as duas operaco~es f + g e kf e um espaco vetorial.

Exemplo 3.5 Considere V = R2 com as operaco~es de adic~ao de vetores e produto por escalar
denidas da seguinte maneira:
(a; b) + (c; d ) = (a + c; b + d ), 8a; b; c; d 2 R;
k (a; b) = (ka; b), 8k; a; b 2 R.
Com as operaco~es denidas dessa forma, V n~ao e um espaco vetorial. Isso signica que pelo
menos uma das propriedades [1], [2], ... , [8] da denic~ao n~ao e valida. Por exemplo, vamos testar
a propriedade [6] no caso particular em que a = 2, b = 3 e v = (4; 5). Nesse caso particular, temos
que
(a + b)v = (2 + 3)(4; 5) = 5(4; 5) = (5 4; 5) = (20; 5),
av = 2(4; 5) = (2 4; 5) = (8; 5),

bv = 3(4; 5) = (3 4; 5) = (12; 5),
3.2. SUBESPAC
OS VETORIAIS 47
de onde podemos observar que av + bv}

| {z 6= (|a +{zb)v} . Como a propriedade [6] da denic~ao
(8;5)+(12;5)=(20;10) (20;5)
n~ao e vericada como sendo verdadeira, temos que V n~ao e espaco vetorial com as operaco~es assim
denidas.
Observac~ao 1: Para vericar se determinado conjunto e ou n~ao e um espaco vetorial, e

indispensavel considerar as duas operacoes denidas nesse conjunto.
Observac~ao 2: Para mostrar que determinado conjunto, com determinadas operaco~es, n~ao e um
espaco vetorial, basta mostrar uma propriedade que n~ao funciona em determinado caso particular.
3.1.1 Propriedades
Se V for um espaco vetorial, ent~ao s~ao validas as seguintes propriedades:
k 0 = 0, 8k 2 R;
O vetor nulo e unico;
0v = 0, 8v
2V;
Se k 2 R e v 2 V , ent~ao kv = 0 implica k = 0 ou v =0;
( v ) = v , 8v 2 V ;
( k )v = k ( v ) = (kv ), 8k 2 R, 8v 2 V .
3.2 Subespacos vetoriais

Seja W um subconjunto de um espaco vetorial V . Dizemos que W e um subespaco de V se W
tambem for um espaco vetorial com relac~ao as operaco~es de adic~ao de vetores e multiplicac~ao por
escalar.
Um criterio simples para identicar se W V e subespaco e mostrar que
W 6= ; ;
Se v; w 2 W , ent~ao v + w 2 W ; esta propriedade signica que W e fechado com relac~ao a
soma de vetores, ou seja, quando se somam dois vetores v e w de W , a soma v + w ainda
esta em W .
Se k 2 R e v 2 W , ent~ao kv 2 W ; esta propriedade signica que W e fechado com relac~ao
ao produto de um escalar por um vetor de W , ou seja, o produto kv esta em W sempre que
k 2 R e v 2 W.
OS
Note que se V e um espaco vetorial e W e subespco de V , ent~ao as propriedades que valem

para V , tambem valem para W . Por exemplo, u + v = v + u , u + (v + w ) = (u + v ) + w , u + 0 = u
etc. para quaisquer u; v; w 2 W .
Todo espaco vetorial V possui pelo menos dois subespacos vetoriais: W1 = V e W2 = f0g.
Esses s~ao chamados subespacos triviais de V .
Exemplo 3.6 Sejam V = R2 e W1 = f(x; y ) 2 R2 j y = 4x g = f(x; 4x ) j x 2 Rg. O graco
de W1 corresponde a uma reta que passa pela origem (0; 0), veja graco a seguir. Vamos mostrar
que W1 e um subespaco vetorial de V .
Soluc~ao:
Inicialmente, devemos observar que o conjunto W1 n~ao e vazio. Para observar isso, basta
mostrar algum elemento de W1 , escolhendo um valor particular para x . Por exemplo, esco-
lhendo x = 0 temos que o elemento (0; 4 0) = (0; 0) 2 W1 . Portanto, W1 n~ao e vazio
porque ele contem pelo menos o vetor nulo.
Suponhamos agora que v = (x1 ; 4x1 ) e w = (x2 ; 4x2 ) sejam dois elementos de W1 . A soma
deles e v + w = (x1 ; 4x1 ) + (x2 ; 4x2 ) = (x1 + x2 ; 4x1 + 4x2 ) = (x1 + x2 ; 4(x1 + x2 )).
Notando que a segunda coordenada e igual a 4 vezes a primeira coordenada, temos que
v + w 2 W1 .
Se k 2 R for um escalar qualquer, ent~ao kv = k (x1 ; 4x1 ) = (kx1 ; k (4x1 )) = (kx1 ; 4(kx1 )):
Mais uma vez percebemos que a segunda coordenada 4(kx1 ) e 4 vezes a primeira kx1 . Con-
clumos assim que kv 2 W .
Portanto, pelo que foi mostrado nos três itens anteriores, temos que W1 e um subespaco de V .
De modo geral, se W corresponde ao graco de uma reta y = mx que passa pela origem (0; 0),
ent~ao W e um subespaco vetorial de R2 .
3.2. SUBESPAC
OS VETORIAIS 49
Exemplo 3.7 Sejam V = R2 e W2 = f(x; y ) 2 R2 j y = 2 + 3x g = f(x; 2 + 3x ) j x 2 Rg. O

graco de W2 corresponde a uma reta que n~ao passa pela origem, veja graco anterior. Vericar
se W2 e um subespaco vetorial de V .
Soluc~ao: Escolhendo dois valores para x , obtemos dois exemplos de elementos de W2 . Por
exemplo, para x = 0 e x = 1 (aleatoriamente escolhidos), obtemos v = (0; 2) 2 W2 e w =
(1; 5) 2 W2 . Da, temos que v + w = (0; 2) + (1; 5) = (1; 7) que n~ao pertence a W2 porque a
segunda coordenada 7 n~ao e igual a 2 + 3 1. Assim, W2 n~ao e um subespaco vetorial de V .
Poderamos tambem justicar que W2 n~ao e subespaco de V de inumeras outras maneiras. Por
exemplo, bastaria observar que o vetor nulo (0; 0) n~ao pertence a W2 . Todo espaco ou subespaco
vetorial deve conter o vetor nulo, obrigatoriamente.
Em geral, se W corresponde a uma reta que n~ao passa pela origem (0; 0), ent~ao W n~ao e
subespaco vetorial de R2 .
Exemplo 3.8 Sendo V = M (3; 3) o conjunto de todas as matrizes reais 3 3 com operaco~es usuais
de matrizes e   
 a b c 
W = 0 d e  j a; b; c; d; e; f 2 R
0 0 f
mostre que W e subespaco de V .
Soluc~ao: Como sempre fazemos, devemos vericar os três itens seguintes:
 
0 0 0
Escolhendo a=b=c =d = e = f = 0, temos que 0 0 0 2 W ; logo, W 6= ;.
0 0 0
 
a1 b1 c1
Sejam v e w duas matrizes triangulares superiores genericas: v = 0 d1 e1  2 W e

0 0 f1
   
a2 b2 c2 a1 a2 b1 b2 c1 c2
w =  0 d2 e2  2 W . Ent~ao temos que v w =  0 d1 d2 e1 e2  2 W . Note
0 0 f2 0 0 f1 f2
que o caracteriza um elemento pertencer a W e o fato desse elemento ser uma matriz real
3 3 do tipo triangular superior; assim, o que observamos e que a soma de duas matrizes
3 3 triangulares superiores e uma matriz 3 3 triangular superior.
   
a1 b1 c1 ka1 kb1 kc1
Se k 2 R, ent~ao kv = k 0 d1 e1 = 0 kd1 ke1  2 W . Vericamos dessa forma
  
0 0 f1 0 0 kf1
que o produto de uma matriz 3 3 triangular superior por um escalar da como resultado uma
matriz 3 3 triangular superior.
OS
Conclumos assim que W e um subespaco vetorial de V .

Exemplo
 3.9 Verique
 se W e subespa
 co vetorial de V no caso em que V = M (3; 3) e
 a b c 
W = 1 d e j a; b; c; d; e; f 2 R.

1 1 f
 
0 0 0
Soluc~ao: Basta notar que o vetor nulo 0 0 0
 62 W . Por causa disso, W n~ao pode ser
0 0 0
subespaco de V . Inumeras outras justicativas tambem seriam aceitaveis.
3.3 Combinac~ao linear

Sejam v1 ; v2 ; : : : ; vn vetores de um espaco vetorial V . Se a1 ; a2 ; : : : ; an s~ao escalares, ent~ao
um vetor da forma
w = a1 v1 + a2 v2 + : : : + an vn
e chamado uma combinac~ao linear dos vetores v1 ; v2 ; : : : ; vn .
Exemplo 3.10 Se V = R2 e v1 = (1; 2), v2 = (3; 4), ent~ao s~ao exemplos de combinaco~es lineares
de v1 e v2 os seguintes vetores:
w1 = 2v1 + 5v2 = 2(1; 2) + 5(3; 4) = (2; 4) + (15; 20) = (17; 24),
w2 = 3v1 4v2 = 3(1; 2) 4(3; 4) = (3; 6) (12; 16) = ( 9; 10),
w3 = 4v1 + 0v2 = 4(1; 2) + 0(3; 4) = ( 4; 8) + (0; 0) = ( 4; 8),
w4 = 0v1 + 0v2 = 0(1; 2) + 0(3; 4) = (0; 0) + (0; 0) = (0; 0),
w5 = 0v1 + 11v2 = 0(1; 2) + 11(3; 4) = (0; 0) + (33; 44) = (33; 44).
Exemplo 3.11 Se V = R2 e v1 = (1; 2), v2 = (3; 4), verique se w = (17; 17) e combinac~ao
linear de v1 e v2 .
Soluc~ao: Suponhamos que existam escalares a e b tais que w = av1 + bv2 . Essa equac~ao
equivale a (17; 17) = a(1; 2) + b(3; 4) que leva a equac~ao (17; 17) = (a + 3b; 2a + 4b) e a
a + 3b = 17
resoluc~ao do seguinte sistema linear: 2a + 4b = 17 . Multiplicando a primeira equac~ao por ( 2)
e somando com a segunda, obtemos: 2( a + 3b) + (2a + 4b) = 2 17 + 17. Da, podemos
calcular imediatamente o valor de b, depois o valor de a:

17 17 2 17 3 17 17
6b + 4b = 17 ) b = ) a = 17 3b = 17 3 = = :
2 2 2 2
3.4. SUBESPAC
OS GERADOS 51
Como o sistema linear tem soluc~ao, conclumos que w e combinac~ao linear de v1 e v2 :

17 17
w= 2
(1; 2) + (3; 4):
2
De um modo geral, vericar se um vetor e combinac~ao linear de outros vetores equivale a
resolver determinado sistema linear.
Exemplo 3.12 No espaco vetorial P2 dos polinômios de grau 2 juntamente com o polinômio
nulo, verique se o polinômio v = 7x 2 + 11x 26 e uma combinac~ao linear dos polinômios
v1 = 5x 2 3x + 2 e v2 = 2x 2 + 5x 8.
Soluc~ao: Vamos tentar encontrar escalares a e b tais que v = av1 + bv2 , que e o mesmo que
7x 2 + 11x 26 = a(5x 2 3x + 2) + b( 2x 2 + 5x 8). Efetuando os produtos no segundo membro
da igualdade anterior e agrupando os termos semelhantes, obtemos
7x 2 + 11x 26 = (5a 2b)x 2 + ( 3a + 5b)x + (2a 8b):
Comparando
 os coecientes de termos de mesmo grau dos dois lados da equac~
ao, obtemos o
 5a 2b = 7
sistema 3a + 5b = 11 . Escrevendo a matriz completa desse sistema e escalonando:

2a 8b = 26
       
5 2 7 2 8 26 1 13 4 1
4 13
 3 5 11 ! 3
 5 11 ! 3
 11 5 ! 0 7 28

2 8 26 5 2 7 5 7 2 0 18 72
   
1 4 13 1 4 13
! 0 1 4  !  0 1 4
0 1 4 0 0 0

a 4b = 13
Essa ultima matriz equivale ao sistema linear b = 4 cuja soluc~ao e b = 4 e
a = 13 + 4b = 13 + 16 = 3.
Portanto, v se escreve como combinac~ao linear de v1 e v2 da seguinte forma: v = 3v1 + 4v2 .
3.4 Subespacos Gerados

Seja V um espaco vetorial e sejam v1 ; v2 ; : : : ; vn 2 V . O conjunto de todas as combinaco~es
lineares desses vetores e um subespaco de V , denotado por [v1 ; v2 ; : : : ; vn ] e denominado subespaco
gerado por esses vetores.
W = [v1 ; v2 ; : : : ; vn ] = fa1 v1 + a2 v2 + + an vn j a1 ; a2 ; : : : ; an 2 Rg
OS
Nesse caso, dizemos tambem que os vetores v1 ; v2 ; : : : ; vn geram o W .

Quando somamos duas combinaco~es lineares dos vetores v1 ; v2 ; : : : ; vn , o resultado e tambem
uma combinac~ao linear desses mesmos vetores
(a1 v1 + a2 v2 + + an vn ) + (b1 v1 + b2 v2 + + bn vn ) = (a1 + b1 )v1 +(a2 + b2 )v2 + +(an + bn )vn :
Por outro lado, quando multiplicamos uma combinac~ao linear por um escalar k 2 R, o resultado
ainda e uma combinac~ao linear:
k (a1 v1 + a2 v2 + + an vn ) = (ka1 )v1 + (ka2 )v2 + + (kan )vn :
Por isso, o conjunto de todas as combinacoes lineares dos vetores v1 ; v2 ; : : : ; vn e um subespaco
vetorial de V .
Exemplo 3.13 Sejam V = R3 e i = (1; 0; 0), j = (0; 1; 0), k = (0; 0; 1) tês elementos de V . Uma
combinac~ao linear generica desses vetores e
xi + yj + zk = x (1; 0; 0) + y (0; 1; 0) + z (0; 0; 1) = (x; 0; 0) + (0; y; 0) + (0; 0; z ) = (x; y; z )
da como resultado um ponto generico (x; y; z ) de V . Dizemos dessa forma que os vetores i; j; k
geram o R3 . Em smbolos: [i; j; k ] = R3 .
Exemplo 3.14 Dados V = R2 , u = (1; 1); v = (0; 4) e w = ( 11; 7) três elementos de V ,

determinar se w 2 [u; v ].
Soluc~ao: Devemos vericar se w e uma combinac~ao linear de u e v , ou seja, se existem escalares
a; b tais que w = au + bv . Essa
ultima equac~ao e o mesmo que ( 11; 7) = a(1; 1) + b(0; 4) )
(a; a + 4b) = ( 11; 7) )
a + 4b = 7 que e um sistema linear cuja resoluc~ao e imediata:
a = 11
a +7
a = 11 e b = 4 = 1: Dessa forma, obtivemos que w = 11u v , o que signica que w
pertence ao conjunto [u; v ].
Exemplo 3.15 Vericar se os vetores u = (5; 0; 0), v = (0; 3; 4) e w = (0; 0; 6) geram o espaco
V = R3 .
Soluc~ao: Devemos vericar se um elemento generico (x; y; z ) 2 V e uma combinac~ao linear de u ,
 a; b; c tais que (x; y; z ) = a(5; 0; 0)+ b(0; 3; 4)+ c (0; 0; 6) )
v e w , ou seja, se existem escalares
5a = x
(5a; 3b; 4b 6c ) = (x; y; z ) ) 3b = y que e um sistema linear nas variaveis a; b; c e cuja

4b 6c = z
soluc~ao e dada por a = x5 ; b = y3 ; c 4b6 z = 4 36

y
= 4y183z : Dessa forma, obtivemos a seguinte
z
combinac~ao linear:
x y 4y 3z
(x; y; z ) = (5; 0; 0) + (0; 3; 4) + (0; 0; 6);
5 3 18
e isso signica que [u; v; w ] = V .
R1) Mostre que V = R3 e um espaco vetorial com as operaco~es usuais de vetores:

(x1 ; y1 ; z1 ) + (x2 ; y2 ; z2 ) = (x1 + x2 ; y1 + y2 ; z1 + z2 )
k (x1 ; y1 ; z1 ) = (kx1 ; ky1 ; kz1 ).
Soluc~ao: Sejam u = (x1 ; y1 ; z1 ), v = (x2 ; y2 ; z2 ); w = (x3 ; y3 ; z3 ) três elementos genericos de

V e a; b; k 2 R. Vamos observar que s~ao validos os oito itens a seguir:
[1. ] u + v = (x1 ; y1 ; z1 )+(x2 ; y2 ; z2 ) = (x1 + x2 ; y1 + y2 ; z1 + z2 ) = (x2 + x1 ; y2 + y1 ; z2 + z1 ) =
(x2 ; y2 ; z2 ) + (x1 ; y1 ; z1 ) = v + u
[2. ] u +(v + w ) = (x1 ; y1 ; z1 )+((x2 ; y2 ; z2 )+(x3 ; y3 ; z3 )) = (x1 ; y1 ; z1 )+(x2 + x3 ; y2 + y3 ; z2 +
z3 ) = (x1 +(x2 +x3 ); y1 +(y2 +y3 ); z1 +(z2 +z3 )) = ((x1 +x2 )+x3 ; (y1 +y2 )+y3 ; (z1 +z2 )+z3 ) =
(x1 +x2 ; y1 +y2 ; z1 +z2 )+(x3 ; y3 ; z3 ) = ((x1 ; y1 ; z1 )+(x2 ; y2 ; z2 ))+(x3 ; y3 ; z3 ) = (u +v )+w
[3. ] Se 0 = (0; 0; 0), ent~ao u + 0 = (x1 ; y1 ; z1 ) + (0; 0; 0) = (x1 ; y1 ; z1 ) = u
[4. ] Se u = ( x1 ; y1 ; z1 ), ent~ao u + ( u ) = (x1 ; y1 ; z1 ) + ( x1 ; y1 ; z1 )
= (x1 + ( x1 ); y1 + ( y1 ); z1 + ( z1 )) = (0; 0; 0) = 0
[5. ] k (v + w ) = k ((x2 ; y2 ; z2 )+(x3 ; y3 ; z3 )) = k (x2 + x3 ; y2 + y3 ; z2 + z3 ) = (k (x2 + x3 ); k (y2 +
y3 ); k (z2 + z3 )) = (kx2 + kx3 ; ky2 + ky3 ; kz2 + kz3 ) = (kx2 ; ky2 ; kz2 ) + (kx3 ; ky3 ; kz3 ) =
k (x2 ; y2 ; z2 ) + k (x3 ; y3 ; z3 ) = kv + kw
[6. ] (a + b)v = (a + b)(x2 ; y2 ; z2 ) = ((a + b)x2 ; (a + b)y2 ; (a + b)z2 ) = (ax2 + bx2 ; ay2 +
by2 ; az2 + bz2 ) = (ax2 ; ay2 ; az2 ) + (bx2 ; by2 ; bz2 ) = a(x2 ; y2 ; z2 ) + b(x2 ; y2 ; z2 ) = av + bv
[7. ] (ab)v = (ab)(x2 ; y2 ; z2 ) = ((ab)x2 ; (ab)y2 ; (ab)z2 ) = (a(bx2 ); a(by2 ); a(bz2 )) =
a(bx2 ; by2 ; bz2 ) = a(b(x2 ; y2 ; z2 )) = a(bv )
[8. ] 1v = 1(x2 ; y2 ; z2 ) = (1x2 ; 1y2 ; 1z2 ) = (x2 ; y2 ; z2 ) = v
OS
Conclus~ao: como os 8 itens anteriores foram vericados como sendo verdadeiros, temos que V e
um espaco vetorial.
R2) Verique se V = R3 e um espaco vetorial com as seguintes operaco~es :

(x1 ; y1 ; z1 ) + (x2 ; y2 ; z2 ) = (x2 ; y2 ; z2 ),8 (x1; y1; z1); (x2; y2; z2) 2 V
k (x1 ; y1 ; z1 ) = (kx1 ; ky1 ; kz1 ), 8k 2 R, 8 (x1 ; y1 ; z1 ) 2 V
Soluc~ao: Escolhemos aleatoriamente dois vetores: u = (1; 2; 3) e v = (4; 5; 6). Agora, calculamos
os valores deu + v e v + u para ver se coincidem:
u + v = (1; 2; 3) + (4; 5; 6) = (4; 5; 6), de acordo com a operac~ao de adic~ao denida em V ;
v + u = (4; 5; 6) + (1; 2; 3) = (1; 2; 3).
Como u + v 6= v + u , chegamos a conclus~ao que V n~ao e espaco vetorial com essas operaco~es .
Observac~ao: Ha uma innidade de maneiras de justicar o fato de V n~ao ser espaco vetorial. Por
exemplo, neste exemplo temos tambem: v + ( v ) 6= 0, v + 0 6= v , (a + b)v 6= av + bv etc. Basta
apontar uma unica propriedade que n~ao e vericada.
R3) Se V = M (2; 2) e W = fM 2 V j M t = M g, mostre que W e um subespaco vetorial de V
com as operaco~es usuais de matrizes.
Soluc~ao:

0 0
A matriz nula N =
0 0
satisfaz a propriedade N t = N ; logo, N 2 W ) W 6= ;;
Se A 2 W e B 2 W , ent~ao (A + B )t = At + B t = A + B ) (A + B )t = A + B , o que signica
que A + B 2 W . Dizendo com outras palavras, isso signica que a soma de duas matrizes
simetricas da como resultado uma matriz simetrica.
A 2 W e k 2 R, ent~ao (kA)t = kAt = kA, o que implica kA 2 W .
Se
Assim, pelo que mostramos nos três itens anteriores, W e um subespaco de V .
R4) Se V = R3 e W = f(a; b; 0) j a; b 2 Rg, mostre que W e um subespaco vetorial de V com

as operaco~es usuais.
Soluc~ao: O que caracteriza os elementos de W e a terceira coordenada do vetor de R3 ser nula.
Sendo assim:
o vetor nulo (0; 0; 0) pertence a W ; isso signica que W 6= ;;
se u = (a; b; 0) e v = (c; d; 0) s~ao dois elementos genericos de W , ent~ao a soma u + v =

(a + c; b + d; 0) 2 W ;
se v = (c; d; 0) 2 W e k 2 R, ent~ao kv = (kc; kd; 0) 2 W .
Portanto, pelo que foi mostrado nos 3 itens anteriores, chegamos a conclus~ao de que W e subespaco
de V .
R5) Sejam V = F (R; R), o conjunto de todas as funco~es de R em R, e W o conjunto de todas

as funco~es reais limitadas, ou seja, funco~es de R em R para os quais jf (x )j M para alguma cons-
tante M 2 R. Mostre que W e um subespaco vetorial de V com as operaco~es usuais de funco~es :
(f + g )(x ) = f (x ) + g (x ) e (kf )(x ) = kf (x ) para quaisquer funco~es f , g e qualquer escalar k .
Soluc~ao: Vamos vericar que s~ao verdadeiros os seguintes itens:

Se f for a func~ao nula, f (x ) = 0, obtemos jf (x )j M , onde M e qualquer constante positiva,
por exemplo, M = 1. Portanto, a func~ao nula e limitada e, consequentemente, pertence a
W . Logo, W 6= ;.
Se f , g 2 W , ent~ao existem constantes M1 e M2 tais que jf (x )j M1 e jg (x )j M2 . Vamos
testar o que acontece com f + g :
j(f + g )(x )j = j|f (x ) + g (x )j {zjf (x )j + jg (x )}j |M1 {z
+ M2 :
}
desigualdade triangular constante
Portanto, f + g e limitada, ou seja, f + g 2 W .
Se f 2 W e k 2 R, ent~ao existe M 2 R tal que jf (x )j M ) j(kf )(x )j = jkf (x )j =
jk j jf (x )j jk jM . Portanto, kf e limitada, o que implica kf 2 W .
Como os três itens foram vericados como sendo verdadeiros, conclumos que W e um subespaco
vetorial de V .
R6) Verique se W = ff : R ! R j f 000(x ) + 2f 00(x ) 5f 0 (x ) = 0g e subespaco de F (R; R).
6 ;, f + g 2 W e kf
Soluc~ao: Vamos mostrar que s~ao verdadeiros: W = 2 W se f ; g 2 W e k 2 R.
Se f for uma func~ao constante, por exemplo f (x ) = 1, ent~ao f 000 (x ) + 2f 00 (x ) 5f 0 (x ) =
0 + 2 0 5 0 = 0 ) f 2 W ) W 6= ;;
Sejam f e g dois elementos de W . Ent~ao, f 000 (x ) + 2f 00 (x ) 5f 0 (x ) = 0 e g 000 (x ) + 2g 00 (x )
5g 0 (x ) = 0 ) (f + g )000 (x ) + 2(f + g )00 (x ) 5(f + g )0 (x ) = (f 000 (x ) + 2f 00 (x ) 5f 0 (x )) +
(g 000 (x ) + 2g 00 (x ) 5g 0 (x )) = 0 + 0 = 0 ) f + g 2 W ;
OS
Sejam f 2 W e k 2 R. Ent~ao, f 000 (x ) + 2f 00 (x ) 5f 0 (x ) = 0 ) (kf )000 (x ) + 2(kf )00 (x )

5(kf )0 (x ) = kf 000 (x )+2kf 00 (x ) 5kf 0 (x ) = k (f 000 (x )+2f 00 (x ) 5f 0 (x )) = k 0 = 0 ) kf 2 W ;
Chegamos assim a conclus~ao de que W e subespaco vetorial de F (R; R).
R7) Verique se W = ff : R ! R j f 000(x ) + 2f 00(x ) 5f 0 (x ) = 1g e subespaco de F (R; R).
Soluc~ao: Se f for a func~ao nula, f (x ) = 0, ent~ao f 000 (x )+2f 00 (x ) 5f 0 (x ) = 0+2 0 5 0 = 0 6= 1,

logo, f 62 W . Da, podemos concluir que W n~ao e subespaco vetorial de F (R; R).
Z 2
R8) Verique se W = f : R !Rj f (x ) dx = 0 e subespaco de F (R; R).
0
Soluc~ao: Vamos mostrar que W = 6 ;, f + g 2 W e kf 2 W se f ; g 2 W e k 2 R.
R2 R2
Se f (x ) = 0 for a func~ao nula, ent~ao 0 f (x ) dx = 0 0 dx = 0; logo, f 2 W ) W 6= ;;
R2 R2 R2 R2
Se f ; g 2 W , ent~ao 0 f (x ) dx = 0 e 0 g (x ) dx = 0 ) 0 (f + g )(x ) dx = 0 (f (x ) + g (x )) dx
R2 R2
= 0 f (x ) dx + 0 g (x ) dx = 0 + 0 = 0; logo, f + g 2 W ;
R2 R2 R2 R2
Se k 2 R e f 2 W , ent~ao 0 f (x ) dx = 0 ) 0 (kf )(x ) dx = 0 kf (x ) dx = k 0 f (x ) dx
= k 0 = 0; logo, kf 2 W .
Por isso, chegamos a conclus~ao que W e subespaco de F (R; R).
Z 2
R9) Verique se W = f : R !Rj f (x ) dx = 4 e subespaco de F (R; R).
0
R R
Soluc~ao: SeR f e g forem dois Relementos de W , ent~aRo 02 f (x ) dxR = 4 e 02 g (x ) dx = 4. Da,
2 2 2 2
obtemos que 0 (f + g )(x ) dx = 0 (f (x ) + g (x )) dx = 0 f (x ) dx + 0 g (x ) dx = 4 + 4 = 8. Logo,
f + g 62 W , de onde conclumos que W n~ao e um subespaco vetorial de F (R; R).
R10) No espaco vetorial R3 , consideremos os vetores: v1 = (1; 3; 2) e v2 = (2; 4; 1).
a) Escreva v = ( 4; 18; 7) como combinac~ao linear de v1 e v2 ;
b) Mostre que n~ao e possvel escrever v = (4; 3; 6) como combinac~ao linear de v1 e v2 ;
c) Determine uma condic~ao sobre x; y; z para que (x; y; z ) seja combinac~ao linear de v1 e
v2 .
Soluc~ao: a) Vamos calcular os valores de escalares a e b tais que v = av1 + bv2 . Essa equac~ao e o
mesmo que ( 4; 18; 7) = a(1; 3; 2)+ b(2; 4; 1) ) ( 4; 18; 7) = (a +2b;  3a +4b; 2a b)
 a + 2b = 4 1 2 4
que equivale ao sistema linear 3a + 4b = 18 , cuja matriz completa e M =  3 4 18

2a b = 7 2 1 7
que pode ser escalonada da seguinte maneira:
     
1 2 4 1 2 4 1 2 4
M ! 0 10
 30 ! 0
 1 3 ! 0
 1 3 :
0 5 15 0 1 3 0 0 0

Essa ultima matriz e equivalente ao sistema
a + 2b = 4 ) b = 3 ) a = 4 2b = 4 + 6 =
b= 3
2. Portanto, v = 2v1 3v2 e a combinac~ao linear procurada.
b) Suponhamos que existam escalares a e b tais que v = (4; 3; 6) = a(1
; 3; 2) + b(2; 4; 1)
 a + 2b = 4
) (4; 3; 6) = (a + 2b; 3a + 4b; 2a b) que equivale ao sistema linear  3a + 4b = 3 , cuja
2a b = 6
 
1 2 4
matriz completa e M =  3 4 3 que pode ser escalonada da seguinte maneira:
2 1 6
       
1 2 4 1 2 4 1 2 4 1 2 4
M ! 0 10
 15 ! 0
 1 32  ! 0
 1 3 !  0 1 3 :
132 2
0 5 14 0 1 14
5 0 0 10 0 0 1

a + 2b = 4
Essa ultima matriz e equivalente ao sistema

b = 32
Como essa terceira equac~ao (0 = 1) e
0=1
sempre falsa, temos que o sistema e impossvel . Consequentemente, v n~ao pode ser combinac~ao
linear de v1 e v2 .

 a + 2b = x
c) Se v = (x; y; z ) = av1 + bv2 = (a + 2b; 3a + 4b; 2a b), ent~ao  3a + 4b = y , cuja
2a b = z
   
1 2 x 1 2 x
matriz completa e M =  3 4 y . A forma escalonada de M e 0 1 y +3x . Essa
ultima
2 z + 10 x
y
2 1 z 0 0 2
2 z +y x
linha da matriz equivale a uma linha 0 = 2 de um sistema, ou seja, 2z + y x = 0. Portanto, a
condic~ao sobre x; y; z para que o vetor (x; y; z ) seja combinac~ao linear de v1 e v2 e que x = y + 2z .
OS

R11) Escreva o vetor M = 13 24 como combinac~ao linear dos vetores V1 = 2 2
0 3
,

V2 = 11 11 , V3 = 35 0
4
e V4 =
0 5
1 4
.
Soluc~ao: Vamos determinar escalares a; b; c; d 2 R tais que aV1 + bV2 + cV3 + dV4 = M . Essa
equac~ao pode ser escrita na forma

2 2 1 1 3 0 0 5 1 2
a 0 3
+b
1 1
+c
5 4
+d
1 4
=
3 4
;

2a + b + 3c 2a + b + 5d 1 2
ou seja, = e equivale ao sistema linear
b + 5c + d 3a + b + 4c + 4 d 3 4


 2a + b + 3c =1

2a + b + 5d =2
 b + 5c + d =3
:


3a + b + 4c + 4d =4
Escalonando a matriz completa dessa sistema, temos:
   
2 1 3 0 1 L4 L1 ! L1 1 0 1 4 3
2 1 0 5 2  2 1 0 5 2 L2 2L1 ! L2

0 1 5 1 3
 !  0 1 5 1 3
3 1 4 4 4 3 1 4 4 4 L4 3L1 ! L4
     
1 0 1 4 3 1 0 1 4 3 1 0 1 4 3
 0 1 2 3 4  0 1 2 3 4  0 1 2 3 4
!  0 1 5 1 3
 !  0 0 7 4 7
 !  0 0 1 4 1

7
0 1 1 8 5 0 0 3 5 1 0 0 3 5 1
   
1 0 1 4 3 1 0 1 4 3

 0 4 4
!  0 1
0 1
2
4
3
1
 !  00 1
0 1
2 3
4 1


477 7 28
0 0 0 7 4 0 0 0 1 47

a + c + 4d = 3 


b 2c 3d = 4 28
A matriz escalonada assim obtida equivale ao sistema
 c + 4 d = 1 ) d = 47

 7 28
d = 47
4 31 42
) c = 1 7 d = 47 ) b = 4 + 2c + 3d = 47 ) a = 3 c 4d = 47 : 2
Conclumos dessa forma que a combinac~ao linear procurada e M = 47 2 V1 42 V2 + 31 V3 + 28 V4 :
47 47 47
R12) Sejam u = (5; 4; 3), v = (0; 2; 1) e w = (1; 11; 10). Mostre que [u; v; w ] = R3 .
Soluc~ao: Consideremos um elemento generico de R3 que e (x; y; z ). Vamos escrever esse elemento
como uma combinac~ao linear de u; v; w , ou seja, vamos determinar escalares a; b; c tais que
(x; y; z ) = a(5; 4; 3) + b(0; 2; 1) + c (1; 11; 10):
Essa equac~ao equivale a (x;y; z ) = (5a + c; 4a+ 2b + 11c; 3a + b + 10c ) que pode ser escrito
 5a + c = x
no formato de sistema linear nas variaveis a; b; c : 4a + 2b + 11c = y . A matriz M desse sistema

3a + b + 10c = z
pode ser escalonada da seguinte forma:
     x  
5 0 1 x 1 0 15 x5 1 0 15 1 0 15 x
M 
= 4 2 11 y  !  4 2 11 y  !  0 2 515 y 4x5 
!  0 2 515 y 45x 
5
z 3 1 10 z 0 1 47 35x
0 1 47 z 35x
3 1 10

5 z 5 5
1 0 15 x 1

0 1 x 1 0 15 x
3x5  475 5 5
! 0
 1 475 z ! 0
 1 z 35x  !  0 1 475 z 35x 
0 2 51 y 45x 0 0 435 2x +5y 10z 0 0 1 2x 5y +10z
5 5 5 5 43
2x 5y +10z que pode
Essa matriz escalonada equivale ao sistema a + c5 = x5 b + 475c = z xz =
5 43
ser resolvido facilmente \de baixo para cima":
c = 2x 5y +10z
43
b = z 3x 47 c = 7x +47y 51z
5 5 43
a = x5 c = 9x +y 2z
5 43
Dessa forma, conclumos que
9x + y 2z 47y 7x 51z 10z 2x 5y
(x; y; z ) = (5; 4; 3) + (0; 2; 1) + (1; 11; 10);
| 43
{z } | {z } | 43
{z } | {z } | 43
{z }| {z }
a u b v c w
e isso signica que R3 e gerado pelos vetores u; v; w .
1) Verique se V = R2 e um espaco vetorial com as operaco~es de adic~ao de vetores e produto

por escalar denidos em cada um dos seguintes casos:
OS
a) (x1 ; y1 ) + (x2 ; y2 ) = (x1 ; y1 ); k (x1 ; y1 ) = (kx1 ; ky1 ); 8x1 ; y1 ; x2 ; y2 ; k 2 R

b) (x1 ; y1 ) + (x2 ; y2 ) = (0; 0); k (x1 ; y1 ) = (kx1 ; ky1 ); 8x1 ; y1 ; x2 ; y2 ; k 2 R
c) (x1 ; y1 ) + (x2 ; y2 ) = (x1 + x2 ; y1 + y2 ); k (x1 ; y1 ) = (0; 0); 8x1 ; y1 ; x2 ; y2 ; k 2 R
d) (x1 ; y1 ) + (x2 ; y2 ) = (x1 + x2 ; y1 + y2 ); k (x1 ; y1 ) = (x1 ; y1 ); 8x1 ; y1 ; x2 ; y2 ; k 2 R
Resp.: Nenhum dos conjuntos apresentados em a), b), c), d) e espaco vetorial
2) Sendo V = R3 , verique se W e um subespaco de V em cada um dos seguintes casos:

a) W = f(x; y; z ) j xy = 0g b) W = f(x; y; z ) j y = x 2 g
c) W = f(x; y; z ) j x + z = 0g d) W = f(x; y; z ) j x 2y = 0g
e) W = f(x; y; z ) j x + z = 1g f) W = f(x; y; z ) j x 2y = 5g
Resp.: S~ao subespacos de V somente os itens c) e d).
3) Seja V = F (R; R) o espaco vetorial de todas as funco~es R em R. Quais dos seguintes sub-
conjuntos s~ao subespacos de V ?
a) W1 = ff : R ! R j f ( 1) = 0g b) W2 = ff : R ! R j f (3) = 1 + f ( 5)g
c) W3 = ff : R ! R j f ( 1) = 1g d) W4 = ff : R ! R j f ( x ) = f (x )g
e) W5 = ff : R ! R j fZ0 (x ) = 3f (x )g f) W6 = ff : R ! R j fZ0(x ) = x g
1 1
g) W7 = ff : R ! R j f (x ) dx = 0g h) W8 = ff : R ! R j f (x ) dx = 2g
1 1
Resp.: S~ao subespacos de V somente os itens a), d), e) e g).
4) Seja V = M (2; 2). Verique se W e subespaco de V em cada um dos casos:
a) W = fA 2 M (2; 2) j det A = 0g W = fA 2 M (2; 2) j det A = 1g
b)
fA 2 M (2; 2) j A2 = Ag
c) W = W = fA 2 M (2; 2) j A 1 =Ag
d)
e) W =
a b j b = c = 0; a + d = 1 f) W =
a b j a2 = d 2
c d c d
Resp.: Nenhum dos conjuntos apresentados em a), b), c), d), e), f) e subespaco de V .

5 1
5) Verique se e possvel escrever a matriz D =
1 1
como combinac~ao linear das matrizes

A = 11 10 , B = 01 01 e C = 00 41 .
Resp.: N~ao se pode escrever D como combinac~ao linear de A, B, C .
6) Escreva o polinômio p = 10x 3 + 3x 2 + 2x + 5 2 P3 como combinac~ao linear dos polinômios
w1 = 1, w2 = x + 3, w3 = x 2 e w4 = 4x 3 + 2x 2 + 3x + 1.
Resp.: p = 14w1 + 11 5
2 w2 2w3 + 2 w4
7) Escreva o vetor v = (4; 3; 2; 1) 2 R4 como combinac~ao linear dos vetores v1 = (3; 1; 1; 1),
v2 = (0; 2; 3; 0), v3 = (0; 0; 5; 10) e v4 = (0; 0; 0; 1).
Resp.: v = 43 v1 + 56 v2 + 11 10
30 v3 3 v4
8) Dados p1 = x 2 + x + 2, p2 = 4x , p3 = 3x 2 + 4, v = 10x 2 + 3x 7, verique se

v 2 [p1 ; p2 ; p3 ].
Resp.: v 2 [p1 ; p2 ; p3 ] porque v = 19 11 27
10 p1 + 40 p2 10 p3
9) Verique se u = (2; 3; 0), v = ( 7; 0; 8) e w = (1; 1; 1) geram o R3 .
Resp.: Sim, porque (x; y; z ) = 8x +15 29
y 7z (2; 3; 0) + 3x +2y +z ( 7; 0; 8) + 24x 16y +21z (1; 1; 1).
29 29
10) Seja W um subespaco de um espaco vetorial V . Justique se a seguinte armac~ao e verdadeira
ou falsa: \Se u 62 W e se v 62 W , ent~ao u + v 62 W ".
Resp.: E falsa; considere, por exemplo, W = f(x; x ) j x 2 Rg; u = (1; 2) 62 W , v = (2; 1) 62 W ,
mas u + v = (3; 3) 2 W .
OS
Cap
tulo 4
Base e dimens~ao
4.1 Dependência e indepedência linear
Sejam V um espaco vetorial e v1 ; v2 ; : : : ; vn vetores de V . Dizemos que esses vetores s~ao
linearmente independentes (abreviadamente: LI) quando a equac~ao a1 v1 + a2 v2 + + an vn = 0,
com a1 ; a2 ; : : : ; an 2 R, possuir apenas a soluc~ao nula: a1 = a2 = = an = 0. Se na soluc~ao dessa
equac~ao tiver pelo menos um ak 6= 0, ent~ao dizemos que os vetores s~ao linearmente dependentes
(abreviadamente: LD).
Se v1 ; v2 ; : : : ; vn forem linearmente dependentes, ent~ao a equac~ao a1 v1 + a2 v2 + + an vn = 0
a v + + an vn
possui uma soluc~ao em que ak 6= 0, e da, podemos isolar vk nessa equac~ao: vk = 1 1 .
ak
Isso signica que um vetor, vk , e combinac~ao linear dos outros vetores v1 ; ; vn .
No caso particular de dois vetores, u e v , o fato deles serem linearmente dependentes e o mesmo
que um deles ser multiplo do outro: u = kv , com k 2 R. Por exemplo, (1; 2; 3) e (4; 8; 12) s~ao
linearmente dependentes porque (4; 8; 12) = 4 (1; 2; 3).
No caso particular de três vetores, u; v e w , eles s~ao linearmente dependentes se, e somente se,
um deles e combinac~ao linear dos outros dois: u = av + bw ou v = au + bw ou w = au + bv , onde
a e b s~ao escalares. Por exemplo, (2; 3), (3; 2) e (1; 5) s~ao linearmente dependentes porque
(3; 2) = (2; 3) + (1; 5).
Se um dos vetores for nulo, digamos vk = 0, ent~ao 0v1 + 0v2 + + 1vk + + 0vn = 0 .
Isso signica que a equac~ao a1 v1 + a2 v2 + + an vn = 0 admite a soluc~ao a1 = 0; a2 = 0; : : : ;
ak = 1; : : : ; an = 0 que n~ao e toda nula, logo, os vetores s~ao linearmente dependentes. Por exemplo,
os vetores u = (1; 1; 2), v = (0; 0; 0) e w = ( 4; 5; 7) s~ao linearmente dependentes.
Se dois vetores forem iguais, digamos vj = vk , ent~ao a equac~ao a1 v1 + a2 v2 + + an vn = 0
admite a soluc~ao a1 = 0; a2 = 0; : : : ; aj = 1; : : : ; ak = 1; : : : ; an = 0 e, consequentemente, os
vetores s~ao linearmente dependentes. Exemplo: os vetores v1 = (3; 5; 0; 1), v2 = (1; 0; 0; 3),
v3 = (2; 4; 0; 9) e v4 = (3; 5; 0; 1) s~ao linearmente dependentes.
Exemplo 4.1 Dados os vetores u = (1; 1; 0), v = (1; 3; 1) e w = (5; 3; 2) pertencentes a
R3, vericar se eles s~ao linearmente dependentes ou independentes.
63
64 CAPITULO 4. BASE E DIMENSAO
~
Soluc~ao: Formamos uma combinac~ao linear generica desses vetores, igualamos a 0 e calculamos
os valores dos escalares. Essa equac~ao vetorial e equivalente a um sistema linear:
au + bv + cw = 0 ) a(1; 1; 0) + b(1; 3; 1) + c (5; 3; 2) = (0; 0; 0)


 a + b + 5c = 0
) (a + b + 5c; a + 3b + 3c; b 2c ) = (0; 0; 0) )

a + 3 b + 3c = 0
b 2c = 0
Usando qualquer metodo de resoluc~ao valido para sistemas lineares, tentamos calcular os valores
de a; b e c .

1 1 5

Calculamos o determinante da matriz dos coecientes do sistema: D = 1 3 3 =
0 1 2

3 3 1 3 1 3
1 1 + 5 = 3 2 + 5 = 0; como o sistema e homogêneo,
1 2 0 2 0 1
temos que ele e indeterminado, ou seja, admite uma innidade de soluco~es. Portanto, de
acordo com a denic~ao do incio desta sec~ao, conclumos que os vetores u; v; w s~ao linearmente
dependentes.
Outra soluc~ao seria escalonar a matriz completa do sistema:
     
1 1 5 0 1 1 5 0 1 1 5 0
M ! 1 3 3 0 ! 0 4 8 0 ! 0 1 2 0
0 1 2 0 0 1 2 0 0 0 0 0
O aparecimento de uma linha nula na matriz escalonada signica que o sistema tem variavel
livre, ou seja, e um sistema indeterminado. E assim, conclumos mais uma vez que os vetores
u; v e w s~ao linearmente dependentes.
A partir da matriz escalonada, podemos obter tambem a soluc~ao geral do sistema: b + 2c = 0

e a + b + 5c = 0 ) b = 2c e a = 3c , 8c 2 R. Escolhendo um valor qualquer para c , por
exemplo c = 1, obtemos a = 3 e b = 2. Substituindo na equac~ao vetorial do incio, obtemos:
3u 2v + w = 0, ou seja, w = 3u + 2v , isso mostra que um dos vetores pode ser obtido a partir
dos outros.
Observac~ao: Sempre que forem dados n vetores de Rn ,

(a11 ; a12 ; : : : ; a1n ); (a21 ; a22 ; : : : ; a2n ); : : : ; (an1 ; an2 ; : : : ; ann );
^
4.1. DEPENDENCIA ^
E INDEPEDENCIA LINEAR 65
podemos montar um determinante D a partir deles,

a11
a12 a1n a11
a21 an1
a21
a22 a2n a12
a22 an2
D = .. .. . . .. = .. .. . . .. :
.
. . . . . . .
an1 an2 ann a1n a2n ann
Ao calcular o valor desse determinante, se D = 0 podemos concluir que os vetores s~ao linearmente
dependentes e, se D 6= 0, s~ao linearmente independentes. No entanto, lembramos que o calculo
de um determinante as vezes e bastante trabalhoso. Por exemplo, no desenvolvimento de um
determinante n n, podemos ter um total de n! = n(n 1)(n 2)(n 3) 2 1 parcelas, sendo
que cada parcela e um produto com n fatores.
Exemplo 4.2 Vericar se os vetores v1 = (5; 0; 0; 3), v2 = (0; 1; 2; 1); v3 = (5; 0; 4; 1) e
v4 = (0; 3; 0; 1) pertencentes a R4 s~ao linearmente dependentes ou independentes.
Soluc~ao: Poderamos iniciar com uma equac~ao vetorial da forma av1 + bv2 + cv3 + dv4 = 0 e
desenvolver essa equac~ao ate chegar em um sistema linear homogêneo 4 4 nas variaveis a; b; c; d .
A partir da, podermos calcular o determinante da matriz dos coecientes desse sistema para
saber se ele e indeterminado ou n~ao. Aqui, vamos pular todas essas passagens iniciais e comecar
diretamente do calculo do determinante. Neste caso, e so vericar quais s~ao os vetores dados e
escrever de imediato o determinante. Da o mesmo resultado escrever os vetores dados como linhas
ou colunas do determinante.

5 0 0 3
1 2 1 0 2 1 0 1 1 0 1 2
0 1 2 1
D = = 5 0 4 1 0 5 4 1 + 0 5 0 1 3 5 0 4
5 0 4 1 3 0

0 1 0 0 1 0 3 1 0 3 0
3 0 1
= 5( 4 + 6 0 + 12 + 0 0) 3(0 + 0 + 30 0 0 0) = 70 90 = 20 6= 0:
Como o determinante D deu um resultado diferente de zero, chegamos a conclus~ao que os vetores
dados s~ao linearmente independentes.
A dependência ou independência linear de um conjunto de vetores n~ao e afetada pela aplicac~ao
das seguintes transformaco~es elementares:
[1 ] trocar a posic~ao de dois vetores;
[2 ] multiplicar um vetor por um escalar diferente de zero;
[3 ] substituir um vetor do conjunto pela soma dele com outros vetores desse mesmo conjunto.
~
Vamos exemplicar isso com um caso particular de três vetores. Suponhamos que A = fu; v; w g
seja um conjunto de vetores linearmente independentes. Consideremos B = fu; v; au + bv + cw g,
a 6= 0, b 6= 0, c 6= 0, como sendo o conjunto obtido a partir de A pela substituic~ao do vetor w por
uma combinac~ao linear de u; v; w . Se ; ; forem escalares tais que u +v + (au +bv +cw ) = 0,
ent~ao (+ a )u + ( + b )v + c w = 0. Como u , v , w s~ao linearmente independentes, devemos
 + a = 0
ter que + b = 0 . Como c = 0 e c 6= 0, devemos ter = 0. Substituindo nas duas primeiras

c = 0
equaco~es , obtemos = 0 e = 0. Conclumos assim que o conjunto B tambem e formado por
vetores linearmente independentes.
Por causa disso, quando tivermos uma matriz M cujas linhas s~ao obtidas a partir de um conjunto
A de vetores linearmente independentes, ent~ao as linhas n~ao nulas da matriz escalonada obtida a
partir de M correspondem a vetores linearmente independentes do conjunto A. Por exemplo,
retomando o exemplo anterior, vamos escalonar a seguinte matriz
   3  3  3
5 0 0 3 1 0 0 5 1 0 0 5 1 0 0 5
0 1 2 1  0 1 2 1    1
M =  !  5 !  0 1 2 1
!  0 1 2 
5 0 4 1 0 4 1   0 0 4 2   0 0 4 2
0 3 0 1 0 3 0 1 0 3 0 1 0 0 6 2

1

0 0 3 
1 0 0 3 1 0 0 3
5 5  5
 0 1 2 1  0 1 2 1  0 1 2 1
!  0 0 1 1 ! 
 0 0 1 1 ! 
 0 0 1 1
2 2 2
0 0 6 2 0 0 0 1 0 0 0 1
Como foram obtidas quatro linhas n~ao nulas na matriz escalonada, conclumos, mais uma vez, que
os quatro vetores dados s~ao linearmente independentes.
Exemplo 4.3 Determine se os vetores u = (1; 2; 3; 4; 5), v = (5; 0; 10; 14; 2) e w = (7; 1; 0; 2; 8)
s~ao linearmente dependentes ou independentes.
Soluc~ao: A partir dos vetores dados, formamos uma matriz M e determinamos sua forma esca-
lonada:
   
31 2 4 5 1 2 3 4 5
M 
= 5 0 10 14 2 ! 0 10 5 34 23 !
7 1 0 2 8 0 13 21 26 53
     
1 2 3 4 5 1 2 3 4 5 1 2 3 4 5
1 17 23
1 17 23  !  0 1 1 17 23 
 0 1 2 5 10  !  0 1
292 591 23110 2 1825 10
231
0 13 21 26 53 0 0 2 5 10 0 0 1 145 145
Como n~ao apareceu linha nula na forma escalonada de M , conclumos que os vetores dados s~ao
linearmente independentes.
~
4.2. BASE E DIMENSAO 67

1 2 3 8 5 0
Exemplo 4.4 Determine se os vetores V = (vij ) =
6 5 4
e W = (wij ) =
1 3 10
s~ao
linearmente dependentes ou independentes.
Soluc~ao: No caso de dois vetores, basta vericar se um deles e multiplo do outro, ou seja, se
existe alguma constante k 2 R tal que W = kV . Como w11 = 8v11 e essa relac~ao n~ao se mantem
para os outros elementos (ou seja, w12 6= 8v12 , w13 6= 8v13 etc.) temos que W n~ao e multiplo de
V e, consequentemente, os vetores dados s~ao linearmente independentes.
4.2 Base e dimens~ao

Denic~ao 4.1 Um conjunto e denominado uma base de um espaco vetorial V quando:
e um conjunto de vetores linearmente independentes;
gera todo o espaco V , [ ] = V , ou seja, todo elemento de V e uma combinac~ao linear dos
vetores de .
E usual manter a ordem em que os elementos do conjunto e dada. N~ao se deve trocar posico~es
de elementos desse conjunto.
Denic~ao 4.2 A dimens~ao de um espaco vetorial V e a quantidade de elementos de uma base e
e denotada por dim V .
Se V = f 0 g, ent~ao denimos a dimens~ao de V como sendo igual a zero: dim V = 0;
Se for um conjunto nito com n elementos n~ao nulos, n 1, ent~ao dizemos que e
n-dimensional ou que dimens~ao de V e igual a n: dim V = n;
Se for um conjunto innito, ent~ao dizemos que a dimens~ao de V e innita: dim V = 1.
Exemplo 4.5 Se v e um elemento n~ao nulo de um espaco vetorial V , ent~ao o conjunto W dos
multiplos de v , W = [v ] = fxv j x 2 Rg, e um espaco vetorial de dimens~ao 1 porque = fv g
e um conjunto unitario que e uma base de W . Em particular, se V = R2 e v = (1; 3), ent~ao
W = [v ] = [(1; 3)] = fx (1; 3) j x 2 Rg = f(x; 3x ) j x 2 Rg, corresponde a reta y = 3x que passa
pela origem e e um espaco de dimens~ao 1.
Exemplo 4.6 O conjunto de vetores linearmente independentes = f(1; 0); (0; 1)g e uma base do
R2 porque
(x; y ) = x (1; 0) + y (0; 1);
ou seja, todo elemento de V e combinac~ao dos vetores de . Como e formado por dois vetores,
temos que a dimens~ao de V e igual a dois: dim V = 2.
~
Note que B = f(2; 0); (0; 3)g tambem e base de V , porque (x; y ) = x2 (2; 0) + y3 (0; 3). De
modo geral, quando multiplicamos os vetores de uma base por escalares n~ao nulos, obtemos uma
nova base. Assim, se V 6= f0g, ent~ao V tem uma innidade de bases.
Exemplo 4.7 Consideremos V = R2 e B = f(1; 1); (0; 1); (3; 5)g: Como
(x; y ) = x (1; 1) + (y x ) (0; 1) + 0 (3; 5);
temos que o conjunto B gera todo o espaco V , ou seja, [B ] = V . Apesar disso, B n~ao e uma base
de V porque seus vetores s~ao linearmente dependentes: por exemplo, (3; 5) = 3 (1; 1) + 2 (0; 1).
Exemplo 4.8 Consideremos agora V = R3 e B = f(3; 2; 0); (1; 5; 0)g: Cada vetor de B n~ao e
multiplo do outro, logo B e formado por vetores linearmente independentes. No entanto, B n~ao
gera todo o V porque os vetores que têm terceira coordenada nula n~ao s~ao combinac~ao linear dos
elementos de B . Por exemplo, n~ao existem escalares a e b tais que
a| (3; 2; 0) +{zb(1; 5; 0)} = (1; 1; 1 ):
(3a+b; 2a 5b; 0 )
Portanto, B n~ao e uma base de V .
Exemplo 4.9 Se n e um inteiro positivo, ent~ao V = Rn tem como base o conjunto de vetores LI
= fv1 = (1; 0; 0; : : : ; 0); v2 = (0; 1; 0; : : : ; 0); v3 = (0; 0; 1; : : : ; 0); ; vn = (0; 0; : : : ; 0; 1)g
. Note que (x1 ; x2 ; x3 ; ; xn ) = x1 v1 + x2 v2 + x3 v3 + + xn vn : Essa base chama-se base canônica
de Rn e como e formado por n vetores, temos que dim Rn = n.
Exemplo 4.10 O espaco vetorial das matrizes 2 3, M (2; 3), tem uma base formada pelas matrizes
linearmente independentes:

1 0 0 0 1 0 0 0 1 0 0 0 0 0 0 0 0 0
= 0 0 0
; 0 0 0
; 0 0 0
; 1 0 0
; 0 1 0
; 0 0 1
;
porque

x y z = x 1 0 0 +y 0 1 0 +z 0 0 1 +r 0 0 0 +s 0 0 0 +t 0 0 0 :
r s t 0 0 0 0 0 0 0 0 0 1 0 0 0 1 0 0 0 1
Conclumos assim que dim M (2; 3) = 2 3 = 6. O conjunto chama-se base canônica de M (2; 3).
~
4.2. BASE E DIMENSAO 69
O conjunto de matrizes linearmente independentes

     



1 0 ::: 0 0 1 ::: 0 0 0 ::: 1
0 0
 : : : 0 0 0 : : : 0

0 0
 : : : 0
B =  .. .. . . .. ; . .  ; : : : ;  .. .. . . ;
 . .


. .   . . ..
. . . ... . . . ...

0 0 ::: 0 0 0 ::: 0 0 0 ::: 0
     
0 0 ::: 0 0 0 ::: 0 0 0 ::: 0
1 0
 ::: 0 0 1 : : : 0
  0 0
 : : : 1
 .. .. . . . .. ; . . . ; : : : ;  . . . ;
. . .  .. .. . . . ..  .. .. . . . ..
0 0 ::: 0 0 0 ::: 0 0 0 ::: 0
.. .. ...
. .
     
0 0 ::: 0 0 0 ::: 0 0 0 ::: 0  
0 0
 : : : 0 0 0 : : : 0

0 0
 : : : 0

 .. .. . . ; ; : : :  .. .. . . ..
. . . ...  ... ... . . . ..
. . . . . 

1 0 ::: 0 0 1 ::: 0 0 0 ::: 1
e chamado base canônica de M (m; n) e, consequentemente, dim M (m; n) = mn.
Exemplo 4.11 Seja V = P2 o conjunto de todos os polinômios de grau 2, mais o polinômio

nulo. No conjunto = fx 2 ; x; 1g formado de vetores linearmente independente, temos que
todo polinômio p 2 V se escreve na forma p = a x 2 + b x + c 1. Assim, e uma base de V e
dim P2 = 3.
De um modo geral, uma base de Pn e B = fx n ; x n 1 ; : : : ; x 2 ; x; 1g e dim Pn = n + 1. A base
B e denominada base canônica de Pn .
Exemplo 4.12 N~ao e possvel encontrar um conjunto nito de funco~es reais linearmente indepen-
dentes ff1 ; f2 ; : : : ; fn g de tal forma que qualquer outra func~ao real seja combinac~ao linear des-
sas funco~es. Assim, o espaco vetorial de todas as funco~es de R em R tem dimens~ao innita:
dim F (R; R) = 1.
Teorema 4.2.1 Se = fv1 ; v2 ; : : : ; vn g for uma base de um espaco vetorial V , ent~ao todo conjunto
com mais de n vetores e linearmente dependente.
Demonstrac~ao: Seja = fw1 ; w2 ; : : : ; wm g um conjunto com m vetores de V tal que m n.

Vamos mostrar que os vetores de s~ao LD. Para isso, sejam x1 ; x2 ; : : : ; xm escalares tais que
x1 w1 + x2 w2 + = xm wm = 0 . Como e base de V , cada elemento wk de se escreve como
combinac~ao linear dos elementos de : wk = a1k v1 + a2k v2 + + a1n vn , com aij 2 R. Logo, a
~
equac~ao anterior se torna

x1 |(a11 v1 + a21 v2{z+ + an1 vn}) +x2 (|a12 v1 + a22 v2{z+ + an2 vn})
w1 w2
+ + xm (a1m v1 + a2m v2 + + anm vn ) = 0
| {z }
wm
que e o mesmo que
(a11 x1 +a12 x2 + +a1m xm )v1 +(a21 x1 +a22 x2 + +a2m xm )v1 + +(an1 x1 +an2 x2 + +anm xm )vn = 0:
Como v1 ; v2 ; : : : ; vn s~ao LI, temos que todos os coecientes dos xk na equac~ao anterior s~ao nulos.
Isso leva ao seguinte sistema linear homogêneo:




a11 x1 + a12 x2 + + a1m xm = 0
 a21 x1 + a22 x2 + + a2m xm = 0
..


 .

an1 x1 + an2 x2 + + anm xm = 0
que e um sistema com n equaco~es e m variaveis, logo possui mais variaveis do que equaco~es. Todo
sistema linear homogêneo dessa forma e indeterminado, ou seja, ele admite alguma soluc~ao xk 6= 0.
Portanto, os vetores do conjunto s~ao LD, conforme queramos mostrar.
O teorema a seguir mostra que o conceito de dimens~ao e bem denido.

Teorema 4.2.2 Duas bases quaisquer de um espaco vetorial V de dimens~ao nita têm o mesmo
numero de vetores.
Demonstrac~ao: Suponhamos que 1 e 2 s~ao bases de V com m e n elementos, respectivamente.

Como 1 e base de V , pelo teorema anterior, o numero de vetores LI em 2 n~ao pode superar
o de 1 , ou seja, n m.
Por outro lado, 2 tambem e base de V e da o numero de vetores LI em 1 n~ao supera o de
2 , ou seja, m n.
Como n m e m n, ent~ao m = n, o que signica que as duas bases devem ter a mesma
quantidade de elementos.
Observac~ao 1: Se A = fv1 ; : : : ; vr g e um conjunto LI, ent~ao ele pode ser estendido a uma base
B = fv1 ; : : : ; vr ; w1 ; : : : ; ws g de V .
Observac~ao 2: Se dim V = n, ent~ao qualquer conjunto com n vetores LI e uma base.
4.3. COORDENADAS 71
Exemplo 4.13 Seja A = f(3; 5; 11); (101; 23; 19); ( 17; 200; 453); ( 19; 47; 93)g R3 . Como
dim R3 = 3, A tem 4 vetores e 4 > 3, temos que A e um conjunto de vetores linearmente depen-
dentes.
Exemplo 4.14 Seja = f(11; 13; 15); ( 5; 0; 0); (8; 1; 0)g R3 . Como e um conjunto com 3
vetores linearmente independentes e dim R3 = 3, ent~ao conclumos que e uma base de R3 . Nesse
caso, a informac~ao sobre a dimens~ao dispensa o trabalho de vericac~ao do fato de que R3 e gerado
por .
Exemplo 4.15 Seja B = f1; 1 + x; 1 + x + x 2 ; 1 + x + x 2 + x 3 g P3 . B e um conjunto LI com

4 polinômios. Como dim P3 = 3 + 1 = 4, temos que B e uma base de P3 .
4.3 Coordenadas
Teorema 4.3.1 Seja = fv1 ; v2 ; : : : ; vn g uma base de um espaco vetorial V . Todo vetor v 2V se
escreve de modo unico como combinac~ao linear dos elementos de V .
Demonstrac~ao: Suponhamos que v se escreva como combinac~ao linear dos elementos de de

duas maneiras: v = a1 v1 + a2 v2 + + an vn e v = b1 v1 + b2 v2 + + bn vn . Como 0 = v v =
(a1 v1 + a2 v2 + + an vn ) (b1 v1 + b2 v2 + + bn vn ) = (a1 b1 )v1 + (a2 b2 )v2 + + (an bn )vn
e os vetores v1 ; v2 ; : : : ; vn s~ao LI, temos a1 b1 = 0, a2 b2 = 0, : : : ; an bn = 0 ) a1 = b1 ;
a2 = b2 ; : : : ; an = bn e isso signica que o modo de escrever v como combinac~ao dos elementos de
e unico.
Denic~ao 4.3 Se = fv1 ; v2 ; : : : ; vn g e uma base de um espaco vetorial V e v 2 V se es-
creve como v = a1 v1 + a2 v2 + + an vn , ent~ao dizemos que os escalares a1 ; a2 ; : : : ; an s~ao as
coordenadas de v com relac~ao a base . Denotamosissopor [v ] e escrevemos em forma de linha
a1
a2 
 
[v ] = (a1 ; a2 ; : : : ; an ) ou na forma de coluna [v ] =  ...
 .
an
Exemplo 4.16 Sejam V = R3 , v = (3; 1; 4) 2 V e = f(1; 1; 1); (0; 1; 1); (0; 0; 1)g uma base
de V . Determinar as coordenadas de v na base .
Soluc~ao: Consideremos escalares x; y; z tais que v = (3; 1; 4) = x (1; 1; 1)+y (0; 1; 1)+z (0; 0; 1).
Essa equac~ao e o mesmo que (3; 1; 4) = (x; x + y; x + y + z ) e corresponde ao sistema linear
~

 x =3

x +y =1 cuja soluc~ao e x = 3, y = 1 x =1 3 = 2 e z = 4 x y =
x +y +z = 4
4 3 ( 2) = 5. Portanto, [v ] = (3; 2; 5).
Exemplo 4.17 Determinar as coordenadas de v = (3; 1; 4) com relac~ao a base canônica do R3
B = f(1; 0; 0); (0; 1; 0); (0; 0; 1)g.
Soluc~ao: Se x; y; z s~ao escalares tais que v = (3; 1; 4) = x (1; 0; 0) + y (0; 1; 0) + z (0; 0; 1) =

(x; y; z ), ent~ao
x = 3, y = 1, z = 4. Logo, [v ]B = (3; 1; 4). Note a facilidade que e calcular
coordenadas de um vetor com relac~ao a uma base canônica.
Exemplo 4.18 Determine as coordenadas de p = 2t 2 5t + 6 P2 com relac~ao a base
= f1; t 1; (t 1)2 g.
Soluc~ao: Vamos determinar escalares x; y; z tais que p = 2t 2 5t +6 = x 1+ y (t 1)+ z (t 1)2 =

 z =2
x + yt y + zt 2 2zt + z ) 2t2 5t + 6 = zt 2 + (y 2z )t + (x y + z ) )  y 2z = 5
x y +z =6
cuja soluc~ao e z = 2, y = 2z 5 = 1 e x = 6 + y z = 3. Portanto, [p]B = (3; 1; 2).
4.4 Intersec~ao e soma de subespacos

Denic~ao 4.4 Sejam U e W subespacos de V . Ent~ao a intersec~ao U \ W e a soma U + W s~ao
subespacos de V e s~ao denidos da seguinte forma:
U \ W = fv 2 V j v 2 U e v 2 W g
U + W = fu + w 2 V j u 2 U e w 2 W g
Podemos mostrar que U \ W e um subespaco vetorial da seguinte forma:
Como 0 2 U , 0 2 W , temos que 0 2 U \ W . Assim, U \ W 6= ;;
Se u; v 2 U \ W , ent~ao u; v 2 U e u; v 2 V . Logo, u + v 2 U e u + v 2 W ) u + v 2 U \ W ;
Se v 2 U \ W e k 2 R, ent~ao v 2 U e v 2 V ) kv 2 U e kv 2 W ) kv 2 U \ W .
Os três itens anteriores mostram que U \ W e um subespaco vetorial de V .
Agora, vamos mostrar que U + W e subespaco vetorial de V :
Como 0 2 U e 0 2 W , temos que 0 = 0 + 0 2 U + W . Logo, U + W 6= ;;
4.4. INTERSEC ~ E SOMA DE SUBESPAC
AO OS 73
Se u; v 2 U + W , ent~ao u = u1 + w1 e v = u2 + w2 , com u1 ; u2 2 U e w1 ; w 2 2 W . Da,

+ u1 ) + (w1 + w2 ) 2 U + W ;
u + v = (u1 + w1 ) + (u2 + w2 ) = (|u1 {z } | {z }
2U 2W
Se k 2 R e v 2 U + W , ent~ao v = u2 + w2 , com u2 2 U e w2 2 W ) kv = k (u2 + w2 ) =
ku2 + kw2 2 U + W .
Dessa forma, ca mostrado que U + W tambem e um espaco vetorial de V .
Exemplo 4.19 Sejam U e W dois subespacos cujos gracos no plano cartesiano correspondam a
duas retas que passam pela origem: U = f(x; y ) 2 R2 j y = x2 g e W = f(x; y ) 2 R2 j y = 3x g: A
uni~ao desses subespacos, U [ W , n~ao e um subespaco de V . Por exemplo, u = (4; 2) 2 U U [ W
e w = (1; 3) 2 W U [ W , mas u + w = (5; 5) 62 U e u + w 62 W ; logo, u + w 62 U [ W ) U [ W
n~ao e um subespaco de V .
Em geral, a uni~ao de subespacos U [ W so e subespaco de V no caso particular em que U W

ou W U .
Denic~ao 4.5 Se V = U + W e U \ W = f0g, ent~ao dizemos que V e soma direta de U e W e

denotamos por V = U W .
Se V = U W , ent~ao cada v 2 V pode ser escrito de modo unico como uma soma v =
u + w . Para mostrar isso, sejam v = u1 + w1 e v = u2 + w2 . Como u1 + w1 = u2 + w2
) u| 1 {z u}2 = w| 2 {z w}1 2 W1 \ W2 = f0g ) u1 u2 = w2 w1 = 0 ) u1 = u2 e w1 = w2 .
2U 2W
Teorema 4.4.1 Se U e W s~ao subespacos vetoriais de dimens~ao nita, ent~ao

dim(U + W ) = dim U + dim W dim(U \ W ):
~
A demonstrac~ao consiste em iniciar com uma base fw1 ; w2 ; : : : ; wr g de U \ W e completar

essa base com vetores u1 ; u2 ; : : : ; um de modo que fw1 ; w2 ; : : : ; wr ; u1 ; u2 ; : : : ; um g seja uma base
de U e depois completar com v1 ; v2 ; : : : ; vn de modo que fw1 ; w2 ; : : : ; wr ; v1 ; v2 ; : : : ; vn g seja uma
base de W . Da pode-se mostrar que o conjunto fw1 ; w2 ; : : : ; wr ; u1 ; u2 ; : : : ; um ; v1 ; v2 ; : : : ; vn g e
linearmente independente e, consequentemente, e uma base de U + W . Como dim U = m + r ,
dim W = n + r , dim(U \ W ) = r e dim(U + W ) = m + n + r , temos que
dim U + dim W = (m + r ) + (n + r ) = (m + n + r ) + r = dim(U + W ) + dim(U \ W ):
Exemplo 4.20 Considere os subespacos W1 e W2 de R3 denidos por W1 = f(x; y; z ) j y = z = 0g
e W2 = f(x; y; z ) j x = y z g. Determine uma base para W1 , W2 , W1 \ W2 , W1 + W2 e calcule
suas dimens~oes. Verique tambem se R3 = W1 W2 .
Soluc~ao: Vamos separar a soluc~ao em varios itens:

W1 = f(x; 0; 0) j x 2 Rg = fx (1; 0; 0) j x 2 Rg = [(1; 0; 0)]. Assim, uma base de W1 e
1 = f(1; 0; 0)g e dim W1 = 1.
W2 = f(y z; y; z ) j y; z 2 Rg = f(y; y; 0) + ( z; 0; z ) j y; z 2 Rg = fy (1; 1; 0) +
z ( 1; 0; 1) j y; z 2 Rg = [(1; 1; 0); ( 1; 0; 1)]. Por isso, uma base de W2 e
2 = f(1; 1; 0); ( 1; 0; 1) g e dim W2 = 2.
Uma base de W1 + W2 e gerada pelos vetores das bases de W1 e W2 . Como esses vetores s~ao
linearmente independentes, eles s~ao uma base para W1 + W2 :
3 = f(1; 0; 0); (1; 1; 0); ( 1; 0; 1)g
e da obtemos que dim(W1 + W2 ) = 3. Como dim R3 = 3, temos que W1 + W2 = R3 .
Se um vetor (x; y; z ) pertence a intersec~ao W1 \ W2 , ent~ao suas coordenadas x; y; z satisfazem
a todas as equa
 co ~es que denem W1 e W2 , ou seja, y = 0, z = 0 e x = y z . Resolvendo-se
 y =0
o sistema

z = 0 , obtemos x = y = z = 0. Isso signica que a intersec~ao de W1 e W2
x =y z
e formada apenas pelo vetor nulo: W1 \ W2 = f(0; 0; 0)g, o que implica dim(W1 \ W2 ) = 0.
Como W1 \ W2 = f(0; 0; 0)g, temos que a soma e dita direta e e denotada por
R3 = W1 W2.
Observac~ao 1: Nesse caso, dim(W1 + W2 ) = 3 = 1 + 2 0 = dim W1 + dim W2 dim(W1 \ W2 )
.
Observac~ao 2:O graco de W1 e uma reta que passa pela origem (0; 0; 0) e o de W2 e um
plano que tambem passa pela origem.
R1) Determine as coordenadas do polinômio p = t 5 t 4 + t 3 t 2 t + 1 com relac~ao a base

= fv1 = t 3 + 1; v2 = t 3 + t; v3 = t 3 + t 2 ; v4 = t 3 ; v5 = t 4 + t 3 ; v6 = t 5 + t 3 g de P5 .
Soluc~ao: Vamos determinar escalares a; b; c; d; e; f tais que p = av1 + bv2 + cv3 + dv4 + ev5 + f v6 .
Essa ultima igualdade e equivalente a
t 5 t 4 + t 3 t 2 t + 1 = a (t 3 + 1) + b (t 3 + t ) + c (t 3 + t 2 ) + d (t 3 ) + e (t 4 + t 3 ) + f (t 5 + t 3 )
Reagrupando os termos semelhantes, obtemos
t 5 t 4 + t 3 t 2 t + 1 = f t 5 + e t 4 + (a + b + c + d + e + f )t 3 + c t 2 + b t + a;
que leva as equaco~es: a = 1; b = 1; c = 1; a + b + c + d + e + f = 1; e = 1; f = 1 ) d =

1 a b c e f = 1 1 + 1 + 1 + 1 1 = 2. Portanto, [f ] = (1; 1; 1; 2; 1; 1).

1 2
R2) Seja B = ; 03 04 ; 12 00 ; 00 35 . Mostre que B e uma base de
0 0
M (2; 2) e

7 11
determine as coordenadas de A = 4 49 com relac~ao a essa base.
Soluc~ao: Sejam x; y; z; t escalares tais que

1 2 0 0 1 0 0 3 0 0
x 0 0
+y
3 4
+z
2 0
+t
0 5
=
0 0
:


 x +z =0

x + z 2x + 3t 0 0
Essa equac~ao matricial equivale a 3y + 2z 4y + 5t = 0 0 e ao sistema
2x + 3t =0
,

 3y + 2 z =0

4y + 5t =0
~
 
1 0 1 0 0
2 0 0 3 0
cuja matriz e M =
0 3 2 0 0
. O processo de escalonamento de M e
0 4 0 5 0
     
1 0 1 0 0 1 0 1 0 0 1 0 1 0 0
 0  0 4 0  0 1 5 
M !  00 03 2
2
3
0 0
 !  0 3
0
2
5
0 0
 !  0 3
0
2
4 0
0 0
0 4 0 5 0 0 0 2 3 0 0 0 2 3 0
   
1 0 1 0 0 1 0 1 0 0
 1 5 0  1 5 0
!  00 0
0
2 154 0
 !  00 0
0
1 154 0

4 8
0 0 2 3 0 0 0 2 3 0
   
1 0 1 0 0 1 0 1 0 0
 0 1 0 5 0 
0 1 0 5 0
!  0 0 1 154 0 !  0 0 1
4
15 0

83 8 
0 0 0 4 0 0 0 0 1 0

x +z =0 

y + 54t = 0 
A forma escalonada de M equivale ao sistema z 15t = 0 e sua soluc~ao e x = y = z = t = 0.

 8

t=0
Logo, os vetores de B s~ao linearmente independentes. Como dim M (2; 2) = 4, temos que B e uma
base de M (2; 2).
Vamos agora determinar as coordenadas de A na base B . Sejam x; y; z; t 2 R tais que

1 2 0 0 1 0 0 3 7 11
x 0 0
+y
3 4
+z
2 0
+t
0 5
=
4 49
:

x +z = 7 


Essa equac~ao matricial equivale a 3y + 2z 4y + 5t =
x + z 2x + 3t 7 11
e ao sistema
2x + 3t = 11
,
4 49 
 3y + 2 z = 4

4y + 5t = 49
 
1 00 7 1
2 03 11 0
cuja matriz e M =
0 30 4
. Um processo de escalonamento semelhante ao anterior, leva
2
0 45 49 0 
1 0 1 0 7

 0 1 0 5 49 
a seguinte forma escalonada:  154 1314 : Essa forma escalonada de M equivale
 0 0 1 8 831 
0 0 0 1 3

x +z = 7


y 
+ 54t = 49 2 31
ao sistema z 15t = 154 e sua soluc~ao e x = 10, y = 3 , z = 3, t = 3 . Portanto,

 8 8

t = 131 8
[A]B = ( 10; 32 ; 3; 313 ).

R3) Determine se as seguintes matrizes A = 11 11 , B= 0
2
3
3
e C =
13 7
4 0
s~ao linear-
mente dependentes ou independentes.
Soluc~ao: Sejam x; y; z escalares tais que xA + yB + zC = 0. Vamos determinar os valores de

x; y; z que s~ao soluco~es da equac~ao. Essa equac~ao equivale a

x 1 1
1 1
+y
0
2
3
3
+z
13 7
4 0
=
0 0
0 0
) x 2x y++134zz x + 3xy + 37yz = 00 00
  

 x + 13z = 0 1 0 13 0

) xx + 32yy ++ 74zz = 0 1 3 7 0
=0
. A matriz desse sistema
e M =
1 2 4 0
 que pode ser escalonada


x 3y = 0 1 3 0 0
da seguinte maneira:
     
1 0 13 0 1 0 13 0 1 0 13 0
 0  0 1 0  0 1 0
M !  00 3
2
6
9 0
 !  0 2
2
9 0
 !  0 0
2
13 0

0 3 13 0 0 3 13 0 0 0 19 0
   
1 0 13 0 1 0 13 0
 0 1 2 0  0 1 2 0
!  0 0 1 0
 !  0 0 1 0

0 0 1 0 0 0 0 0

x + 13z = 0
A forma escalonada de M equivale ao sistema

y 2z = 0 ; cuja soluc~ao e x = y = z = 0.
z =0
Portanto, as matrizes A, B e C s~ao linearmente independentes.
R4) Verique se os vetores u = x 3 3x 2 +5x +1, v = x 3 x 2 +8x +2 e w = 2x 3 4x 2 +9x +5

de V = P3 s~ao linearmente dependentes ou independentes.
~
Soluc~ao: Sejam a; b; c escalares tais que au + bv + cw = 0. Essa equac~ao equivale a

a(x 3 3x 2 + 5x + 1) + b(x 3 x 2 + 8x + 2) + c (2x 3 4x 2 + 9x + 5) = 0:
Agrupando os termos de mesmo grau, obtemos
(a + b + 2c ) x 3 + ( 3a b 4c }) x 2 + (5a + 8{zb + 9c }) x + (|a + 2{z
b + 5c }) = 0
| {z } | {z |
0 0 0 0
que implica 

 a + b + 2c = 0

3a b 4c = 0

 5a + 8b + 9c = 0

a + 2 b + 5c = 0
Devemos agora resolver esse sistema, ou seja, calcular os valores de a; b; c . Para isso, escrevemos
a matriz completa do sistema e a escalonamos:
     
1 1 2 0 1 1 2 0 1 1 2 0
 0  0 2 0  0 1 0
M !  53 1
8
4
9 0
 !  0 3
2
1 0
 !  0 3
1
1 0

1 2 5 0 0 1 3 0 0 1 3 0
     
1 1 2 0 1 1 2 0 1 1 2 0
 0 1 1 0  0 1 1 0  0 1 1 0
!  0 0 4 0
 !  0 0 1 0
 !  0 0 1 0

0 0 2 0 0 0 1 0 0 0 0 0

a + b + 2c = 0
Essa ultima matriz obtida equivale ao sistema

b + c = 0 , cuja soluc~ao e a = b = c = 0.
c =0
Portanto, os vetores u; v; w s~ao linearmente independentes.
R5) Seja V = F (R; R). Mostre que f ; g; h 2 V s~ao linearmente independentes, onde
f (x ) = cos(x ), g (x ) = sen(x ) e h(x ) = x 2 e x .
Soluc~ao: Consideremos uma combinac~ao linear af + bg + ch = 0, onde 0 representa a func~ao

nula. Isso signica que af (x ) + bg (x ) = ch(x ) = 0, 8x 2 R. Ja que vale para todo x , ent~ao
podemos escolher alguns valores particulares para x . Por exemplo,
para x = 0, a equac~ao se torna: af (0) + bg (0) + ch(0) = 0

) a cos 0
| {z 0} +c 0e = 0 ) a = 0
| {z 0} +b sen
1 0
para x = 1, a equac~ao se torna: af (1) + bg (1) + ch(1) = 0
) a cos 1
| {z} +c 1e = 0 ) a + ce = 0 ) ce = 0 ) c = 0
| {z} +b sen
1 0
para x = 21 , a equac~ao se torna: af ( 12 ) + bg ( 12 ) + ch( 12 ) = 0
c e 1=2
) a cos 2 +b sen 2 +( 12 )2e 1=2 = 0 ) |{z} a 0 +b 1 + 4 = 0 ) b = 0
| {z } | {z } 0 | {z }
0 1 0
Portanto, a equac~ao af + bg + ch = 0 tem somente a soluc~ao nula a = 0, b = 0, c = 0, e isso
signica que f ; g; h s~ao linearmente independentes.
R6) Considere o seguinte conjunto de vetores do R4 : A = fv1 ; v2 ; v3 ; v4 g, onde

v1 = (14; 27; 49; 113); v2 = (43; 82; 145; 340); v3 = ( 29; 55; 96; 227); e
v4 = (85; 163; 293; 677): Determine um subconjunto B A que tenha a maior quantidade
possvel de vetores linearmente independentes.
Soluc~ao: Inicialmente, vamos vericar se os vetores de A s~ao linearmente independentes. Para
isso, determinamos a forma escalonada da matriz M cujas linhas s~ao os vetores dados.
   27 7 113 
14 27 49 113 1 14 2 14
 43 82 145 340  43 82 145 340
M =
 29 55 96 227
 !  29 55 96 227

85 163 293 677 85 163 293 677

 27 7 113   27 7 
1 14 2 1499 1 14 2 0
 0 13 11 13 11 99 
!  14
13 112 14 
99 
 0
!  14
13 112 14 
99
0 14
13 29 14 
127
0 14
13 14 
29 127
0 14 2 14 0 14  2 14
 27 7 113   27 7 113 27 7 113 
1 1 1 14
 0
14 772 1499
  0
14 772 1499
  0 772 1499
!  1
13 13
11 13
99  !  1 13 13  !  1 13 13 
0  0 0 0 0  0 0 1 2
14
13 29 14
127
0 14 2 14 0 0 1 2 0 0 0 0
A linha nula que apareceu na forma escalonada de M indica que os quatro vetores de A s~ao
linearmente dependentes. No processo de escalonamento, a linha nula apareceu como sendo a
~
terceira linha e n~ao houve troca de linhas antes disso. Isso indica que podemos eliminar o terceiro
vetor do conjunto A para obtermos um conjunto de vetores independentes: B = fv1 ; v2 ; v4 g.
Observac~ao: Outras respostas s~ao possveis para o conjunto B de vetores linearmente indepen-
dentes: B = fv1 ; v3 ; v4 g ou B = fv2 ; v3 ; v4 g. No entanto, a escolha B = fv1 ; v2 ; v3 g n~ao e valida
porque os vetores v1 ; v2 ; v3 s~ao linearmente dependentes.
R7) Em um espaco vetorial V cuja base e fw1 ; w2 ; w3 ; w4 ; w5 g considere os vetores
v1 = 2w1 w3
v2 = 3w2 + w4
v3 = w1 + 2w5 :
v4 = w1 3w2 2w3 w4 + 6w5
v5 = 6w2 + w3 + 2w4 4w5
Determine o subconjunto de fv1 ; v2 ; v3 ; v4 ; v5 g formado pela maior quantidade possvel de vetores
Soluc~ao: As equaco~es anteriores podem ser escritas na forma de equac~ao matricial:

    
v1 2 0 1 0 0 w1
v2 
 w2 
 0 3 0 1 0  
  
v3  =
w3 
 1 0 0 0 2 
 
  
v4   1 3 2 1 6 w4 
v5 0 6 1 2 4 w5
| {z }
M
A forma escalonada de M fornece todas as informaco~es a respeito de dependência e inde-
pendência linear desses vetores.
 1   1   1 
1 0 2 0 0 1 0 2 0 0 1 0 2 0 0
 0 3 0 1 0  0 3 0 1 0  0 1 0 1 0
   1  
1 3 
M !  1 0 0 0 2 !  0 0 23 0 2 !  0 0 23 0 2
 1 3 2 1 6  0 3 1 6  0 3 1 6
2 2
0 6 1 2 4 0 6 1 2 4 0 6 1 2 4
     
1 0 1 0 0 1 0 1 0 0 1 0 1 0 0
2 2 2
 0
 1 0 1
3 0

 0 1 0 13 0

 0 1 0 13 0
!  0 0 10 2 !  0 0 1 0 4

!  0 0 1 0 4

 0
23 
3  
0 2 0 6  0 0 2 0 6  0 0 0 0 0
0 0 1 0 4 0 0 1 0 4 0 0 0 0 0
No nal do escalonamento, restaram três linhas n~ao nulas. Essas linhas n~ao nulas correspondem
a três vetores independentes. Como n~ao houve troca de linhas no processo de escalonamento,
escolhemos como subconjunto de vetores linearmente independentes o conjunto fv1 ; v2 ; v3 g .
Observac~ao: Pelo processo de escalonamento anterior, percebemos que os vetores v4 e v5 s~ao
dependentes de v1 ; v2 ; v3 , ou seja, s~ao combinaco~es lineares de v1 ; v2 ; v3 . O processo de escalo-
namento tambem pode ser usado para determinar quais s~ao essas combinaco~es lineares. Vamos
denotar por L; M; N; P; Q; R; S a primeira, segunda, terceira, quarta, quinta, sexta e setima etapa
do escalonamento, respectivamente. Denotemos por L1 ; L2 ; : : : ; L5 as linhas da matriz na etapa L
do escalonamento, M1 ; M2 ; : : : ; M5 as linhas da etapa M e assim por diante. Por exemplo, vamos
denotar a divis~ao da primeira linha por 2 no incio do escalonamento por M1 = L21 . Outro exemplo:
ao escrever Q4 = P4 + 3P2 , estamos denotando que a quarta linha da etapa Q foi obtida atraves
da soma da quarta linha com três vezes a segunda linha da etapa anterior. Vamos denotar todas
as etapas do escalonamento na seguinte tabela:
L M N P Q R S
L1 = v1 M1= L21 N1 = M1 P1 = N1 Q1 = P1 R 1 = Q1 S1 = R1
L2 = v2 M2 = L2 N2 = M2 N
P2 = 3 2
Q2 = P2 R 2 = Q2 S2 = R2
L3 = v3 M3 = L3 N3 = M3 + M1 P3 = N3 Q3 = P3 R 3 = 2Q3 S3 = R3
L4 = v4 M4 = L4 N4 = M4 M1 P4 = N4 Q4 = P4 + 3P2 R4 = Q4 S4 = R4 + 32 R3
L5 = v5 M5 = L5 N5 = M5 P5 = N5 Q5 = P5 6P2 R5 = Q5 S5 = R5 R3
Substitumos agora todas as operaco~es realizadas para chegar em S4 e S5 que correspondem as
linhas nulas da matriz escalonada.
S4 = R4 + 32 R3 = Q4 + 32 ( 2Q3 ) = Q4 3Q3 = (P4 + 3P2 ) 3P3 = N4 + N2 3N3 =
(M4 M1 ) + M2 3(M3 + M1 ) = M4 3M3 + M2 4M1 = L4 3L3 + L2 2L1 = 0 ) L4 =
2L1 L2 + 3L3 ) v4 = 2v1 v2 + 3v3
S5 = R5 R3 = Q5 ( 2Q3 ) = (P5 6P2 ) + 2P3 = N5 6( N32 ) + 2N3 = M5 2M2 + 2(M3 +
M1 ) = M5 + 2M3 2M2 + 2M1 = L5 + 2L3 2L2 + L1 = 0 ) L5 = L1 + 2L2 2L3 )
v5 = v1 + 2v2 2v3
R8) Encontre a dimens~ao e uma base para o espaco W das soluco~es do sistema linear homogêneo:


 x +y z +t =0

x y +z t =0

3x + y z + t = 0

3x y + z t = 0
~
.
Soluc~ao: Vamos determinar a forma escalonada da matriz do sistema:
       
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
 1 1 1 1  0 2 2 2  0 1 1 1  0 1 1 1

 3 1 1 1
 !  0 2 2 2
 !  0 2 2 2
 !  0 0 0 0

3 1 1 1 0 4 4 4 0 4 4 4 0 0 0 0

x +y z +t =0
Essa ultima matriz equivale a y z + t = 0 cuja soluc~ao e y = z t e x = y + z t =
z + t + z t = 0. Assim, a soluc~ao geral do sistema e (0; z t; z; t ), 8z; t 2 R. Como
(0; z t; z; t ) = (0; z; z; 0) + (0; t; 0; t ) = z (0; 1; 1; 0) + t (0; 1; 0; 1), temos que uma base da
soluc~ao do sistema dado e
= f(0; 1; 1; 0); (0; 1; 0; 1)g:
R9) Encontre as bases da intersec~ao e da soma dos subespacos U = [(1; 2; 1; 1); (2; 3; 1; 0);
(3; 1; 1; 2)] e W = [(0; 4; 1; 3); (1; 0; 2; 6); (1; 0; 3; 5)].
Soluc~ao: Este problema e resolvido em varias etapas. Primeiramente, vamos encontrar uma base
da intersec~ao de U e W .
U e formado por todas as combinaco~es lineares dos vetores (1; 2; 1; 1); (2; 3; 1; 0) e (3; 1; 1; 2):
Logo,
U = fx (1; 2; 1; 1) + y (2; 3; 1; 0) + z (3; 1; 1; 2) j x; y; z 2 Rg
= f(x + 2y + 3z ; 2x + 3y + z ; x + y + z ; |x {z2z}) j x; y; z 2 Rg:
| {z } | {z } | {z }

Pelo mesmo motivo, W e o conjunto de todas as combinaco~es lineares de (0; 4; 1; 3);
(1; 0; 2; 6); e (1; 0; 3; 5). Da,
W = fr (0; 4; 1; 3) + s (1; 0; 2; 6) + t (1; 0; 3; 5) j r; s; t 2 Rg
= f(s| {z
+ t}; |{z}
4r ; |r 2{zs + 3t}; |3r 6{zs + 5t}) j r; s; t 2 Rg:

Se um vetor pertence a U \ W , ent~ao ele pertence simultaneamente a U e a W . Isso quer
dizer que nos pontos de intersec~ao, as coordenadas dos vetores de U coincidem com as dos
vetores de W , o que leva a resoluc~ao do seguinte sistema linear:
 

 x + 2y + 3z = s + t 
 x + 2y + 3z s t=0
 
2x + 3 y + z = 4 r 2x + 3y + z 4r = 0
=)



x + y + z = r 2s + 3t 


x + y + z r + 2s 3t = 0
x 2z = 3r 6s + 5t x 2z 3r + 6s 5t = 0
Para resolver o sistema anterior, escalonamos a sua matriz completa M:

   
1 2 3 0 1 1 0 1 2 3 0 1 1 0
 0  0 0
M =  21 31 1
1
4
1
0
2
0
3 0
 !  0
1
1
5
2
4
1
2
3
2
2 0

1 0 2 3 6 5 0 0 2 5 3 7 4 0
   
1 2 3 0 1 1 0 1 2 3 0 1 1 0
 0 1   0
!  5 4 2 2 0
!  0 1 5 4 2 2 
0 1 2 1 3 2 0   0 0 3 3 1 4 0
0 2 5 3 7 4 0 0 0 5 5 3 8 0
   
1 2 3 0 1 1 0 1 2 3 0 1 1 0
 1   0
!  00 5 4 2 2 0
!  0 1 5 4 2 2 
0 1 1 1 4 0   0 0 1 1 1 4 0
3 3 34 43
0 0 5 5 3 8 0 0 0 0 0 3 3 0
 
1 2 3 0 1 1 0

1 2 0
!  00 0
5 4
1 1
2
1 4 0

3 3 
0 0 0 0 1 1 0

x + 2y + 3z s 
 t=0

e essa matriz escalonada corresponde ao sistema
y + 5z + 4 r 2s 2t = 0
cuja soluc~ao e:
 z + r + 3s 4t = 0

 3
s t=0
s = t , z = r 3s + 43t = r + t , y = 5z 4r +2s +2t = r t , x = 2y 3z + s + t = r + t .
Substituindo os valores encontrados de x; y; z; s nas coordenadas *, **, ***, **** de U ou

de W escritas no incio, obtemos (2t; 4r; r + t; 3r t ). Como esses vetores pertencem
tanto a U , quanto a W , temos que
U \ W = f(2t; 4r; r + t; 3r t ) j r; t 2 Rg:
Como (2t; 4r; r + t; 3r t ) = (0; 4r; r; 3r ) + (2t; 0; t; t ) = r (0; 4; 1; 3) + t (2; 0; 1; 1),
conclumos que
U \ W = [(0; 4; 1; 3); (2; 0; 1; 1)]:
Os vetores (0; 4; 1; 3) e (2; 0; 1; 1) s~ao linearmente independentes (um n~ao e multiplo
do outro), dessa forma eles formam uma base para U \ W.
Agora, vamos encontrar uma base da soma U + W . Para isso, montamos uma matriz S cujas
~
linhas sejam formadas pelos vetores que geram U e W e escalonamos essa matriz.
       
1 2 1 1 1 2 1 1 1 2 1 1 1 2 1 1
2 3 1 0 0 1 1 2    1 2
   0 1 1 2 0 1 
 2 0 5 0 5  2 5
S = 30 1
4
1
1 3
 ! 0 54 2
1 3
 !
 
5 2  ! 0
 0
5
1 3

   0 4 1 3  4 
1 0 2 6 0 2 3 7  0 2 3 7 0 2 3 7
1 0 3 5 0 2 2 4 0 2 2 4 0 2 2 4
       
1 2 1 1 1 2 1 1 1 2 1 1 1 2 1 1
0 1 1 2 0 1 1 2 0 1 1 2 0 1 1 2
   5   5  

! 00 0 3 5
!
0
 0 1 3
!
0
 0 1 3 
!
0
 0 1 53 

 0 3 5
0
 0 3 5 
0
 0 0 0 0 0 0 1 
0 0 1 3 0 0 1 3 0 0 0 4

0 0 0 0
34
0 0 4 8 0 0 4 8 0 0 0 3 0 0 0 0
As quatro linhas n~ao nulas dessa matriz escalonada podem ser escolhidas como uma base B de
U + W:
5
B = (1; 2; 1; 1); (0; 1; 1; 2); (0; 0; 1; ); (0; 0; 0; 1)
3
:
Outra base B 0 pode ser escolhida entre entre as linhas iniciais, antes do escalonamento da
matriz. Mas nesse caso, as quatro primeiras linhas n~ao podem ser escolhidas porque a quarta linha
se anulou no processo de escalonamento. Iisso signica que a quarta linha e dependente das três
primeiras. O mesmo vale tambem para a sexta linha que tambem n~ao pode ser escolhida com as
três primeiras.
B0 = f(1; 2; 1; 1); (2; 3; 1; 0); (3; 1; 1; 2); (1; 0; 2; 6)g:
Observac~ao: Pelo que
 vimos acima, dim(U \ W ) = 2 e dim(U + W ) = 4. Escalonando-
 temos 
1 2 1 1 0 4 1 3
se as matrizes P = 2 3 1 0 eQ = 1 0 2 6, formadas pelas bases de U e W,
3 1 1 2 1 0 3 5
   
1 2 1 1 1 0 3 5

respectivamente, obtemos 0 1 1 2 
e 0 1 1 3 . Logo, dim U = 3 e dim W = 3.
5 4 4
0 0 1 3 0 0 1 11
5
Sendo assim, a formula
dim(U + W ) = dim | {zW}
| {z U} + dim dim(U \ W )
| {z } | {z }
4 3 3 2
e vericada.
R10) Sejam U e W os seguintes subespacos de V = R4 :
U = f(a; b; c; d ) j 3b + 2c d = 0g;
W = = f(a; b; c; d ) j a 2b = 0; 5a + c + d = 0g:
Encontre a dimens~ao e uma base para U , W , U \ W e U + W .
Soluc~ao: Vamos separar a soluc~ao em varios itens:

Isolando-se uma das variaveis da equac~ao que dene U obtemos, por exemplo, d = 3b + 2c .
Da, U pode ser escrito na forma
U = f(a; b; c; 3b + 2c ) j a; b; c 2 Rg:
Como (a; b; c; 3b+2c ) = (a; 0; 0; 0)+(0; b; 0; 3b)+(0; 0; c; 2c ) = a(1; 0; 0; 0)+b(0; 1; 0; 3)+
c (0; 0; 1; 2). Os vetores (1; 0; 0; 0); (0; 1; 0; 3); (0; 0; 1; 2) s~ao LI de onde obtemos que uma
base de U e f(1; 0; 0; 0); (0; 1; 0; 3); (0; 0; 1; 2)g. Portanto, dim U = 3.
As equaco~es a 2b = 0 e 5a + c + d = 0 de W podem ser escritas na forma a = 2b e
d = 5a c = 10b c . Logo,
W = f(2b; b; c; 10b c ) j b; c 2 Rg:
Como (2b; b; c; 10b c ) = (2b; b; 0; 10b)+(0; 0; c; c ) = b(2; 1; 0; 10)+ c (0; 0; 1; 1),
obtemos uma base de W como sendo f(2; 1; 0; 10); (0; 0; 1; 1)g e da, dim W = 2.
Na intersec~ao de U e W , todas as equaco~es usadas para denir U e W devem ser validas.
Logo,
U \ W = f(a; b; c; d ) j 3b + 2c d = 0; a 2b = 0; 5a + c + d = 0g

3b + 2c
d =0
Devemos agora resolver o sistema

a 2b = 0 . Da segunda equac~ao, a = 2b. Somando-
5a + c + d = 0
se a primeira com a terceira equaco~es, obtemos 3b + 3c + 5a = 0 ) 3b + 3c + 10b = 0 )
c = 133b . Da terceira equac~ao, temos d = 5a c = 10b + 133b = 173b . Dessa forma,
obtivemos que

13b 17b
U \ W = 2b; b; 3
; 3
jb2R

13 17 13 17
= b 2; 1; 3
; 3
jb2R = 2; 1;
3
; 3
:
Portanto, uma base de U \ W e f(2; 1; 133 ; 173 )g e dim(U \ W ) = 1.

~
Para determinar uma base de U + W devemos escalonar a matriz cujas linhas s~ao os vetores
das bases de U e W :  
1 0 0 0
0 1 0 3
 
M =
0 0 1 2
2 1 0 10
0 0 1 1
Um escalonamento possvel e:
     
1 0 0 0 1 0 0 0 1 0 0 0

 0 1 0
 3
 0
 1 0 3  0 1 0 3
M !  0 0 1 2 !  0 0 1 2 !  0 0 1 2


 0 1 0 10  0 0 0 13  0 0 0 13
0 0 1 1 0 0 1 1 0 0 0 3
   
1 0 0 0 1 0 0 0

 0 1 0 3

 0 1 0 3
!  0 0 1 2


! 
 0

0 1 2


 0 0 0 1  0 0 0 1
0 0 0 3 0 0 0 0
Da forma escalonada da matriz, conclumos que dim(U + W ) = 4 e, como dim R4 = 4 temos
que U + W = R4 . Uma base de U + W pode ser formada pelas quatro linhas n~ao nulas da
matriz escalonada:
B = f(1; 0; 0; 0); (0; 1; 0; 3); (0; 0; 1; 2); (0; 0; 0; 1)g
Outra opc~ao para base de U + W seria o conjunto formada pelas quatro primeiras linhas de
M (antes do escalonamento):
B0 = f(1; 0; 0; 0); (0; 1; 0; 3); (0; 0; 1; 2); (2; 1; 0; 10)g
Observac~ao 1: Como dim(U \ W ) > 0, temos que a soma U + W = R4 n~ao e uma soma direta.
Isso signica que cada vetor de R4 se escreve de innitos modos como soma de um elemento de U
com outro de W .
Observac~ao 2: 4 = dim(U + W ) = 3 + 2 1 = dim U + dim W dim(U \ W ):
1) Considere V um espaco vetorial de dimens~ao 3 e = fu; v; w g uma base de V . Mostre que

= fu + v; v + w; u + w g tambem e uma base de V .
2) Considere V um espaco vetorial de dimens~ao 5 e = fu1 ; u2 ; u3 ; u4 ; u5 g uma base de V .

Mostre que = fu1 ; u1 u2 ; u1 + u2 + 2u3 ; u1 + u2 u3 5u4 ; u1 3u2 u3 + u4 + 8u5 g tambem
e uma base de V .
3) Sejam U e W subespacos de um espaco vetorial V de dimens~ao n. Sabendo que dim U < n2 e
dim W < n2 , mostre que U \ W 6= f0g.
Resp.: Use uma formula conveniente para calcular dim(U + V ).
4) No espaco vetorial R3 , considere o subespaco W = f(x; y; z ) j x = y g. Encontre um subespaco
U de R3 tal que W U = R3 .
Resp.: U = [(0; 1; 0)], por exemplo. Existem outras respostas validas.
5) Sejam V o espaco vetorial de todas as funco~es R em R, U o subespaco de V das funco~es pares
e W o subespaco das funcoes mpares. Mostre que V = U W .
f (x ) + f ( x ) f (x ) f ( x )
Resp.: Observe que + = f (x ) para qualquer func~ao f .
| 2
{z } | 2
{z }
função par fun
c~
ao
mpar
6) Sejam V = F (R; R) e f , g , h três vetores de V . Verique se esses vetores s~ao linearmente
independentes em cada um dos seguintes casos:
a) f (t ) = cos t , g (t ) = sen t , h(t ) = e t b) f (t ) = cos2 t , g (t ) = sen2 t , h(t ) = cos 2t
2 2
c) f (t ) = cos t , g (t ) = sen t , h(t ) = 5 d) f (t ) = e t , g (t ) = sen t , h(t ) = e t sen t
f) f (t ) = 1, g (t ) = t , h(t ) = t 2 g) f (t ) = t , g (t ) = t 2 , h(t ) = te t
Resp.: S~ao LI somente os casos a), d), f), g).
7) No espaco vetorial V = P3 dos polinômios de grau 3, considere a base
= f1; 1 + t; (1 + t )2 ; (1 + t )3 g:
Calcule as coordenadas [v ] e [w ] sabendo que v = 4 + 3t t 2 + 2t 3 e w = 5 + t t 2 .
Resp.: [v ] = ( 2; 11; 7; 2), [w ] = (3; 3; 1; 0)
8) Mostre que os polinômios p1 = 1 + 2x 3x 2 , p2 = 1 3x + 2x 2 e p3 = 2 x + 5x 2 formam uma
base do espaco P2 dos polinômios de grau 2 e calcule as coordenadas de p = 2 9x 13x 2
na base = fp1 ; p2 ; p3 g.
Resp.: [p] = (1; 5; 4)
9) Considere os subespacos W1 e W2 de R3 denidos por W1 = f(x; y; z ) j z = x + y g e
W2 = [(0; 0; 1)] . Determine uma base e calcule a dimens~ao de W1 , W2 , W1 \ W2 e W1 + W2 . E
verdade que R3 = W1 W2 ?
Resp.: W1 = [(1; 0; 1); (0; 1; 1)], W2 = [(0; 0; 1)], W1 \ W2 = f(0; 0; 0)g, W1 + W2 = R3 ,
dim W1 = 2; dim W2 = 1, dim(W1 \ W2 ) = 0, dim(W1 + W2 ) = 3, a soma e direta.
~
10) Sejam W1 e W2 subespacos de R3 dados por W1 = [(0; 1; 1); (1; 2; 1); (1; 3; 6)] e
W2 = f(x; y; z ) j x + y = 0; x z = 0g. Calcule dim W1 , dim W2 e verique se R3 = W1 W2 .
Resp.: W1 = [(0; 1; 1); (0; 1; 1)]; W2 = [(1; 1; 1)], dim W1 = 2; dim W2 = 1, a soma e direta.
11) Considere os subespacos de R4 denidos por W1 = f(x; y; z; t ) j x + y = 0 e z t = 0g e
W2 = f(x; y; z; t ) j x y z + t = 0g. Determine uma base e calcule a dimens~ao de cada um dos
subespacos W1 , W2 , W1 + W2 e W1 \ W2 . E verdade que R4 = W1 W2 ?
Resp.: W1 = [(1; 1; 0; 0); (0; 0; 1; 1)]; W2 = [(1; 0; 0; 1); (0; 1; 0; 1); (0; 0; 1; 1)]; W1 \ W2 =
[(0; 0; 1; 1)]; W1 + W2 = [(1; 1; 0; 0); (0; 0; 1; 1); (1; 0; 0; 1); (0; 1; 0; 1)]; dim W1 = 2, dim W2 =
3, dim(W1 \ W2 ) = 1, dim(W1 + W2 ) = 4; a soma n~ao e direta.
12) Determine
uma
base e a dimens~ seguintessubespacos de M (2
aode cada um dos ; 2):
a) W1 =
a b j b = a + c; d = c b) W =
a b j a 5b + c = 0
c d 2 c d

c) W3 =
a b j c = a 3b; d = 0 d) W4 =
a b j a+d =b+c
c d c d
a b a b j a + b = 0; c d = 0
e) W5 = c d j b = c
f) W6 =

c d
Resp.: a) dim W1 = 2, W1 = 0 0 ;
1 1 0
1
1
1

b) dim W2 = 3, W2 =
1
1
0
0
;
0
5
1
0
;
0
0
0
1

c) dim W3 = 2, W3 =
1
1
0
0
;
0
3
1
0

d) dim W4 = 3, W4 =
1
0
0
1
;
0
0
1
1
;
0
1
0
1

e) dim W5 = 3, W5 =
1
0
0
0
;
0
1
1
0
;
0
0
0
1

f) dim W6 = 2, W6 =
1
0 0
1
;
0
1
0
1
13) Determine uma base e calcule a dimens~ao do subespaco W de M (3; 3) formado pelas matrizes
simetricas, ou seja, as matrizes M de ordem 3 3 tais que M t = M .
 dim W =
Resp.:  6,         
1 0 0 0 1 0 0 0 1 0 0 0 0 0 0 0 0 0
W =  0 0 0 ; 1 0 0 ; 0 0 0 ; 0 1 0 ; 0 0 1 ; 0 0 0 
0 0 0 0 0 0 1 0 0 0 0 0 0 1 0 0 0 1
14) Encontre uma base e a dimens~ ao S dos sistemas:

 ao do espaco -soluc~ 
x 2y z = 0  x + 2 y z + 3t = 0  x + y 2z + t = 0
a) 2x + y + 3z = 0 b) 2x y + z t = 0 c) 2x + 2y 4z + 2t = 0
  
x + 3y + 4z = 0 4x + 3y z + 5t = 0 3x + 3 y 6z + 5 t = 0
Resp.: a) dim S = 1, S = [(1; 1; 1)]; b) dim S = 2, S = [( 1; 3; 5; 0); ( 1; 7; 0; 5)]; c)
dim S = 2, S = [(2; 0; 1; 0); (0; 2; 1; 0)].

15) Determine um subconjunto de A = fv1 = ( 1; 4; 3; 2); v2 = (3; 7; 5; 3); v3 =
(3; 2; 1; 0); v4 = ( 4; 1; 0; 1)g que tenha a maior quantidade possvel de vetores linearmente
independentes.
Resp.: fv1 ; v2 g, por exemplo. OBS.: v3 = 3v1 + 2v2 , v4 = 5v1 3v2
16) Em um espaco vetorial V cuja base e fw1 ; w2 ; w3 ; w4 ; w5 g considere os vetores
v1 = w1 2w2 + 2w3 w4 3w5
v2 = w1 3w2 + 2w3 w4 4w5 :
v3 = 2w1 3w2 + 4w3 2w4 5w5
v4 = 2w1 + 2w2 3w3 + 2w4 + 3w5
Determine o subconjunto de fv1 ; v2 ; v3 ; v4 g formado pela maior quantidade possvel de vetores
Resp.: fv1 ; v2 ; v4 g, por exemplo. OBS.: v3 = 3v1 v2 .
~
Cap
tulo 5
Transformaco~es Lineares
Neste captulo, denimos um tipo especial de func~ao que e chamada de transformac~ao linear,
exploramos sua relac~ao com o conceito de matriz e seus principais elementos como o nucleo e a
imagem. Denimos tambem o conceito de isomorsmo entre espacos vetoriais, uma ideia que e
fundamental em Algebra.
5.1 Denic~ao de transformac~ao linear

Denic~ao 5.1 Sejam V e W espacos vetoriais. Uma func~ao T : V !W e denominada
transformac~ao linear* se satisfaz as condico~es:
T (v + w ) = T (v ) + T (w ), 8v; w 2 V
T (kv ) = kT (v ), 8k 2 R, 8v 2 R
Nesse caso, dizemos tambem que T preserva as operaco~es basicas do espaco vetorial.
*
Tambem chamado de operador linear
91
92 CAPITULO 5. TRANSFORMAC ~
OES LINEARES
Substituindo k = 0 em T (kv ) = kT (v ) do segundo item anterior, obtemos T (0 v ) = 0 T (v )

) T (0) = 0. Assim, toda transformac~ao linear leva vetor nulo no vetor nulo. Isso equivale a
implicac~ao:
T (0) 6= 0 ) T n~ao e uma transformac~ao linear.
Observac~ao: Se T for linear, ent~ao T (av + bw ) = T (av ) + T (bw ) = aT (v ) + bT (w ), 8a; b 2 R,

8v; w 2 V .
Exemplo 5.1 Um exemplo dos mais simples de transformac~ao linear e o de uma func~ao f : R ! R
denida por f (x ) = ax , onde a e uma constante. O graco desse tipo de func~ao e uma reta que
passa pela origem. Para mostrar que esse tipo de func~ao e linear, e so observar que f (x1 + x2 ) =
a(x1 + x2 ) = ax1 + ax2 = f (x1 ) + f (x2 ) e f (kx1 ) = a(kx1 ) = k (ax1 ) = kf (x1 ) para quaisquer
x1 ; x2 ; k 2 R.
Exemplo 5.2 Tambem s~ao exemplos simples de transformaco~es lineares as seguintes funco~es:
A func~ao nula: f : V ! V , f (v ) = 0; em particular, f : R2 ! R, f (x; y ) = 0.
A func~ao identidade: f : V ! V , f (v ) = v ; em particular, f : R2 ! R, f (x; y ) = (x; y ).
Funco~es do tipo f ; R2 ! R, f (x; y ) = ax + by , cujo graco s~ao planos que passam pela
origem; em particular, f : R2 ! R, f (x; y ) = 2x + 5y .
Exemplo 5.3 Seja T : R2 ! R2 , T (x; y ) = (x + y; 5y ). Se v = (x1 ; y1 ); w = (x2 ; y2 ) 2 R2
e k 2 R, ent~ao
T (v + w ) = T ((x1 ; y1 ) + (x2 ; y2 )) = T (x1 + x2 ; y1 + y2 ) = (x1 + x2 + y1 + y2 ; 5(y1 + y + 2)) =
(x1 + y1 ; 5y1 ) + (x2 + y2 ; 5y2 ) = T (x1 ; y1 ) + T (x2 ; y2 ) = T (v ) + T (w );
T (kv ) = T (k (x1 ; y1 )) = T (kx1 ; ky1 ) = (kx1 + ky1 ; 5ky1 ) = (k (x1 + y1 ); k (5y1 ))
= k (x1 + y1 ; 5y1 ) = kT (x1 ; y1 ) = kT (v ).
Dessa forma, chegamos a conclus~ao que T e uma transformac~ao linear de R2 em R2 . Note que,
neste caso, T (0; 0) = (0 + 0; 5 0) = (0; 0).
Exemplo 5.4 Seja T : R2 ! R2 , T (x; y ) = (x + 1; 5y ). Como T (0; 0) = (1; 0) 6= (0; 0),
conclumos imediatamente que T n~ao e linear.
Ha tambem uma innidade de outras justicativas aceitaveis. Para mostrar que T n~ao e uma
transformac~ao linear, basta dar um exemplo com valores particulares (chamado de contra-exemplo).
Por exemplo, se escolhermos (aleatoriamente) v = (1; 1) e w = (2; 2), ent~ao v + w = (3; 3) e
T (v ) = T (1; 1) = (2; 5), T (w ) = T (2; 2) = (3; 10), T (v + w ) = T (3; 3) = (4; 6), T (v ) + T (w ) =
(2; 5) + (3; 10) = (5; 15) 6= T (v + w ). Isso mostra, mais uma vez, que T n~ao e linear.
5.1. DEFINIC ~ DE TRANSFORMAC
AO ~ LINEAR
AO 93
Exemplo 5.5 Seja T : R2 ! R2 , T (x; y ) = (x + y 2 ; x 2 + y ). Escolhendo (aleatoriamente)

v = (1; 2) e w = (3; 4), obtemos:
T (v ) = T (1; 2) = (1 + 22 ; 12 + 2) = (5; 3)
T (w ) = T (3; 4) = (3 + 42 ; 32 + 4) = (19; 13)

T (v ) + T (w ) = (5; 3) + (19; 13) = (24; 16)
T (v + w ) = T (4; 6) = (42 + 6; 4 + 62 ) = (22; 40)
Como T (v + w ) 6= T (v ) + T (w ), temos que T n~ao e linear.
| {z } | {z }
(22; 40) (24; 16)
Observac~ao: Note que, nesse exemplo anterior, T (0; 0) = (0; 0). Sendo assim, quando T (0) = 0
temos que realizar outros testes para descobrir se T e linear ou n~ao.
Exemplo 5.6 Seja T : R3 ! R3 , T (x; y; z ) = (y; x; 0). Vamos vericar se T e linear. Sejam
v = (x1 ; y1 ; z1 ) e w = (x2 ; y2 ; z2 ) dois elementos genericos do R3 e k 2 R um escalar qualquer.
Temos que:
T (v + w ) = T (x1 + y1 ; x2 + y2 ; x3 + y3 ) = (x2 + y2 ; x1 + y1 ; 0) = (y1 ; x1 ; 0) + (y2 ; x2 ; 0) =
T (x1 ; y1 ; z1 ) + T (x2 ; y2 ; z2 ) = T (v ) + T (w );
T (kv ) = T (kx1 ; ky1 ; kz1 ) = (ky1 ; kx1 ; 0) = k (y1 ; x1 ; 0) = kT (x1 ; y1 ; z1 ) = kT (v ).
Assim, conclumos que T e uma transformac~ao linear de R3 em R3 .
Exemplo 5.7 Seja V = P o espaco vetorial de todos os polinômios na variavel x , qualquer que seja
o grau, e D : V ! V a \transformac~ao derivada" denida por D(f ) = f 0 (x ). Por exemplo,
D(x 5 ) = 5x 4 e D(x 2 5x + 6) = 2x 5. Essa transformac~ao derivada e linear porque
D(f + g ) = (f + g )0 (x ) = (f 0 + g 0 )(x ) = f 0 (x ) + g 0 (x ) = D(f ) + D(g )
e
D(kf ) = (kf )0 (x ) = kf 0 (x ) = kD(f );
8k 2 R e 8f ; g 2 V .
Exemplo 5.8 Seja V = P o conjunto de todos os polinômios na variavel x e I : V ! R a
x5 1 1
Z 1
\transformac~ao integral" denida por I (f ) = f (x ) dx . Por exemplo, I (x 4 ) = 5 = 5 : Essa
0 0
transformac~ao integral e linear porque
Z 1 Z 1 Z 1
I (f + g ) = (f (x ) + g (x )) dx = f (x ) dx + g (x ) dx = I (f ) + I (g )
0 0 0
OES LINEARES
e Z 1 Z 1
I (kf ) = (kf (x )) dx = k f (x ) dx = kI (f );
0 0
8k 2 R e 8f ; g 2 V .
Observac~ao: As operaco~es mais importantes do Calculo, tais como calculo de derivadas, integrais,
gradiente, divergente, rotacional, laplaciano, s~ao todos exemplos de transformaco~es lineares.
Exemplo 5.9 Seja A 2 M (m; n) uma matriz m n de elementos reais e consideremos
T : Rn ! Rm , T (v ) = Av t . Note que v t e o vetor v escrito na forma de coluna. A func~ao T
assim denida e linear porque
T (v + w ) = A(v + w )t = A(v t + w t ) = Av t + Aw t = T (v ) + T (w ); 8v; w 2 Rn ;
T (kv ) = A(kv )t = Akv t = kAv t = kT (v ), 8v 2 Rn , 8k 2 R.
Desse modo, toda matriz
pode ser
associada a uma transformac~
ao linear.
2 3 5
Por exemplo, A = 2 4 8 e uma matriz 2 3 que pode ser associada a transformac~ao
 

2 3 5

2 3 5  
x
T : R3 ! R2 ; T (x; y; z ) = 1 4 8
(x; y; z )t =
2 4 8
y
z
) T (x; y; z ) = (2x + 3y + 5z; 2x + 4y + 8z ):
 
4 3 2 6
 1 5 6 1
 
Outro exemplo, B = 
 7 10 8 2
 e uma matriz 5 4 que pode ser associada a
 1 0 11 4
2 9 0 7
 
4 3 2 6  
 1 5 6 1
x
  y 
T : R4 ! R5 denida por T (x; y; z; t ) = 
 7 10 8  z  ; ou seja,
2  
 1 0 11 4
2 9 0 7
t
T (x; y; z; t ) = (4x + 3y + 2z + 6t; x 5y + 6z + t; 7x + 10y + 8z 2t; x + 11z 4t; 2x + 9y 7t ):
5.2 Transformac~ao aplicada a vetores de uma base

Uma transformac~ao linear T : V ! W e perfeitamente determinada se forem dados os
valores de T (v1 ); T (v2 ); ; T (vn ) nos elementos de uma base v1 ; v2 ; ; vn de V . Nesse caso, se

5.3. NUCLEO E IMAGEM 95
v 2 V , ent~ao para calcular T (v ), basta escrever v como combinac~ao linear dos vetores da base
v = a1 v1 + a2 v2 + + an vn e, depois, calcular T (v ) = a1 T (v1 ) + a2 T (v2 ) + + an T (vn ).
Exemplo 5.10 Determine T (x; y ) sabendo que T : R2 ! R2 e linear e T (1; 0) = (4; 6) e
T (1; 1) = ( 7; 10).
Soluc~ao: Escrevendo (x; y ) como combinac~ao linear de (1; 0) e (1; 1), obtemos que
(x; y ) = (x y )(1; 0) + y (1; 1). Aplicando a func~ao T nos dois lados dessa igualdade, T (x; y ) =
T ((x y )(1; 0)+ y (1; 1)) = (x y )T (1; 0)+ yT (1; 1) = (x y )(4; 6)+ y ( 7; 10) = (4x 4y; 6x
6y ) + ( 7y; 10y ) e da obtemos nalmente que
T (x; y ) = (4x 11y; 6x + 4y ):

Exemplo 5.11 Seja T : R3 ! R2 uma transformac~ao linear e = f(0; 1; 1); (1; 0; 1); (1; 1; 0)g
uma base de R3 . Determinar T (5; 3; 2) sabendo que T (0; 1; 1) = (1; 2), T (1; 0; 1) = (3; 1) e
T (1; 1; 0) = (0; 2).
Soluc~ao: Inicialmente, escrevemos (5; 3; 2) como combinac~ao linear de (0; 1; 1), (1; 0; 1) e
(1; 1; 0). Para isso, vamos determinar escalares a; b;
 c tais que (5; 3; 2) = a(0; 1; 1)+ b(1; 0; 1)+
b+c =5

c (1; 1; 0) ) (b + c; a + c; a + b) = (5; 3; 2) )  a + c = 3 Resolvendo-se esse sistema linear,
a+b = 2
obtemos a = 2, b = 0 e c = 5. Portanto, (5; 3; 2) = 2 (0; 1; 1) + 0 (1; 0; 1) + 5 (1; 1; 0) )
T (5; 3; 2) = T ( 2(0; 1; 1)+0(1; 0; 1)+5(1; 1; 0)) ) T (5; 3; 2) = 2T (0; 1; 1)+0T (1; 0; 1)+
5T (1; 1; 0)) ) T (5; 3; 2) = 2(1; 2)+0(3; 1)+5(0; 2) = ( 2; 4)+(0; 0)+(0; 10) = ( 2; 14).
5.3 Nucleo e imagem

O domnio e o contradomnio de uma transformac~ao linear s~ao espacos vetoriais. Nesta sec~ao ,
denimos um subespaco do domnio chamado nucleo e outro do contradomnio chamado imagem.
5.3.1 Denic~ao de nucleo

Denic~ao 5.2 Chama-se nucleo (em inglês: kernel) de uma transformac~ao linear T : V ! W
ao conjunto de todos os vetores v 2 V que s~ao transformados em 0 2 W , ou seja, T (v ) = 0.
Notac~ao: N (T ) ou ker(T ).
O nucleo de uma transformac~ao linear T e um subconjunto do domnio de T e nunca e um
conjunto vazio porque T (0) = 0 ) 0 2 N (T ). Alem disso, se v; w 2 N (T ), ent~ao T (v ) =
T (w ) = 0 ) T (v + w ) = T (v ) + T (w ) = 0 + 0 = 0 ) v + w 2 N (T ). Se k for um escalar
qualquer, ent~ao T (kv ) = kT (v ) = k 0 = 0. Portanto, o nucleo de uma transformac~ao linear e um
subespaco vetorial do domnio V .
OES LINEARES
Exemplo 5.12 Calcular o nucleo de T : R2 ! R2 , T (x; y ) = (x + y; 2x y ).
Soluc~ao: A determinac~ao do nucleo de uma transformac~ao linear sempre recai na resoluc~ao de

um sistema linear homogêneo.
Se (x; y ) 2 N (T ), ent~ao T (x; y ) = (0; 0) ) (x + y; 2x y ) = (0; 0) ) 2x y = 0
x +y =0
) x = 0; y = 0 ) N (T ) = f(0; 0)g. Portanto, o nucleo de T e formado so pelo vetor nulo.
Exemplo 5.13 Determine o nucleo de T : R3 ! R2 denida por T (x; y; z ) = (x y +4z; 3x +
y + 8z ).
Solu
c~ao: Se (x; y; z ) 2 N (T ), ent~ao T (x; y; z ) = (0; 0) ) (x y + 4z; 3x + y + 8z ) = (0; 0)
) 3xx + yy + 4z = 0
+ 8z = 0
Somando-se as duas equaco~es desse sistema, obtemos 4x = 12z ) x =
3z e substituindo o valor de x em uma das equaco~es, obtemos y = z . Portanto, escolhendo z
como variavel livre, a soluc~ao do sistema e ( 3z; z; z ) = z ( 3; 1; 1). Obtivemos assim que o
nucleo de T e N (T ) = f( 3z; z; z ) j z 2 Rg = [( 3; 1; 1)].
Denic~ao 5.3 Uma func~ao T : V !W e chamada injetora quando
8v; w 2 V; T (v ) = T (w ) ) v = w:
Por exemplo, T : R2 ! R2 , T (x; y ) = (4x; 3x + y ) e injetora porque se (a; b); (c; d ) 2 R2 e
T (a; b) = T (c; d ), ent~ao (4a; 3a + b) = (4c; 3c + d ) ) 4a = 4c; 3a + b = 3c + d ) a = c; b = d
) (a; b) = (c; d ) ) T e injetora.

5.3. NUCLEO E IMAGEM 97
Teorema 5.3.1 Uma transformac~ao linear T : V !W e injetora se, e somente se, N (T ) = f0g.
Demonstrac~ao: O smbolo que representa o \se, e somente se" e uma seta dupla (). Assim, a
demonstrac~ao consiste de duas partes: uma \ida" (=)) e uma \volta" ((=)
()) Suponhamos T injetora e v 2 N (T ). Ent~ao T (v ) = 0 = T (0) ) v = 0 ) N (T ) = f0g.
(() Suponhamos agora N (T ) = f0g e T (v ) = T (w ). Ent~ao T (v w ) = T (v ) T (w ) = 0 )
v w 2 N (T ) ) v w = 0 ) v = w . Logo, T e injetora.
5.3.2 Denic~ao de imagem

Denic~ao 5.4 Se T : V ! W e uma func~ao, ent~ao a imagem de T e denida como o conjunto
de todos os T (v ), com v 2 V , e e denotada por Im(T ):
Im(T ) = fT (v ) j v 2 V g:
A imagem de T e sempre um subconjunto de W e, quando ela coincide com W , ou seja, quando

Im(T ) = W , a func~ao e dita sobrejetora.
Alem de ser subconjunto de W , a imagem de T e um subespaco de W . Para vericar isso,
comecamos observando que Im(T ) 6= ; porque a imagem contem pelo menos o vetor nulo, ja
que T (0) = 0. Se v; w 2 V e k 2 R, ent~ao v = T (u1 ) e w = T (u2 ), com u1 ; u2 2 V , e da
+ u2 ) = T (u1 ) + T (u2 ) = v + w 2 Im(T ). Temos tambem que T ( ku1 ) = kT (u1 ) = kv 2
T (u| 1 {z } |{z}
2V 2V
Im(T ). Chegamos a conclus~ao de que Im(T ) e um subespaco vetorial de W .
Observac~ao: Os conceitos de imagem, func~ao injetora, func~ao sobrejetora s~ao validos para quais-
quer tipos de func~ao, inclusive as lineares.
OES LINEARES
Exemplo 5.14 Determine a dimens~ao e uma base para a imagem de T : R3 ! R3 que e denida
por T (x; y; z ) = (x + 2y z; y + 2z; x + 3y + z ).
Soluc~ao: De acordo com a denic~ao de imagem,

Im(T ) = fT (x; y; z ) j x; y; z 2 Rg = f(x + 2y z; y + 2z; x + 3y + z ) j x; y; z 2 Rg
= f(x; 0; x )+(2y; y; 3y )+( z; 2z; z ) j x; y; z 2 Rg = fx (1; 0; 1)+y (2; 1; 3)+z ( 1; 2; 1) j x; y; z 2 Rg
= [(1; 0; 1); (2; 1; 3) ( 1; 2; 1)]:
Obtivemos dessa forma um conjunto de geradores para a imagem. Agora, para obter uma base,
e so escolher um subconjunto formado de vetores linearmentes independentes. Para isso, um dos
procedimentos mais simples e direto e fazer um escalonamento da matriz M cujas linhas s~ao os
vetores desse conjunto de geradores.
     
1 0 1 1 0 1 1 0 1
M =  2 1 3 !  0 1 1 !  0 1 1
1 2 1 0 2 2 0 0 0
Como a matriz escalonada tem duas linhas n~ao nulas, conclumos que existem dois vetores inde-
pendentes. Nesse caso, tanto faz escolher as duas primeiras linhas da matriz escalonada, como
escolher as duas primeiras linhas de M :
Im(T ) = [(1; 0; 1); (2; 1; 3)] = [(1; 0; 1); (0; 1; 1)]
Conclumos assim que uma base de Im(T ) e = f(1; 0; 1); (0; 1; 1)g e que dim Im(T ) = 2.
Observac~ao: Im(T ) = [(1; 0; 1); (0; 1; 1)] = fx (1; 0; 1) + y (0; 1; 1) j x; y 2 Rg
= f(x; y; x + y ) j x; y 2 Rg = f(x; y; z ) 2 R3 j z = x + y g:
Para encerrar a sec~ao, um teorema importante conhecido pelo nome de \Teorema da Dimens~ao"
e tambem como \Teorema da Imagem e do Nucleo".
Teorema 5.3.2 Se V e um espaco vetorial de dimens~ao nita e T : V !W e linear, ent~ao
dim N (T ) + dim Im(T ) = dim V:
Demonstrac~ao: Seja B = fw1 ; ; wr g base de N (T ). Estendemos B a uma base de V :
= fw1 ; ; wr ; v1 ; ; vs g. Seja = fT (v1 ); ; T (vs )g. Vamos mostrar que e uma base de
Im(T ).
Se v 2 Im(T ), ent~ao v = T (w ) para algum w 2 V . Como e base de V , existem escalares
a1 ; ; ar ; b1 ; bs tais que
v = a1 w1 + + ar wr + b1 v1 + bs vs
que implica T (v ) = a1 T (w1 )+ + ar T (wr )+ b1 T (v1 )+ bs T (vs ) = 0 + + 0 + b1 T (v1 )+
bs T (vs ). Assim, gera Im(T ).
5.4. MATRIZES E TRANSFORMAC ~
OES LINEARES 99
Por outro lado, se c1 ; ; cs s~ao escalares tais que c1 T (v1 ) + + cs T (vs ) = 0

) T (c1v1 + + cs Vs ) = 0 ) c1v1 + cs vs 2 N (T ) ) c1v1 + + cs vs = d1w1 + + dr wr ,
onde w1 ; ; wr s~ao escalares. Da, c1 v1 + + cs vs d1 w1 dr wr = 0 ) c1 = =
cs = d1 = = dr = 0. Logo, e formado por vetores linearmente independentes.
Assim, e uma base de N (T ). Portanto, dim N (T ) = r , dim Im(T ) = s , dim V = r + s e,
consequentemente, dim V = dim N (T ) + dim Im(T ).
Exemplo 5.15 Determine uma base para o nucleo e para a imagem de T : R3 ! R3 denida
por T (x; y; z ) = (x 3y; x z; z x ).
Solu
 c~ ao: Se (x; y; z ) 2 N (T ); ent~ao T (x; y; z ) = (0; 0; 0) ) (x 3y; x z; z x ) = (0; 0; 0) )
x 3y = 0

x z = 0 cuja soluc~ao e x = z e y = x3 = z3 ; portanto, (z; z3 ; z ), e soluc~ao geral do sistema
z x =0
com variavel livre z 2 R. Assim, N (T ) = f(z; z3 ; z ) j z 2 Rg = [(1; 31 ; 1)], e da, uma base do
nucleo e = f(1; 13 ; 1)g ) dim N (T ) = 1.
A imagem de T e o conjunto
Im(T ) = f(x 3y; x z; z x ) j x; y; z 2 Rg = f(x; x; x )+( 3y; 0; 0)+(0; z; z ) j x; y; z 2 Rg
= fx (1; 1; 1) + y ( 3; 0; 0) + z (0; 1; 1) j x; y; z 2 Rg = [(1; 1; 1); ( 3; 0; 0); (0; 1; 1)]:
Para saber quais s~ao os vetores independentes, escalonamos a matriz cujas linhas s~ao esses vetores.
       
1 1 1 1 1 1 1 1 1 1 1 1
 3 0 0 ! 0 3 3 ! 0 1 1 ! 0 1 1
0 1 1 0 1 1 0 1 1 0 0 0
Portanto, uma base de Im(T ) e formada pelas duas primeiras linhas de qualquer uma dessas matri-
zes, por exemplo = f(1; 1; 1); (0; 1; 1)g. Como a base encontrada tem 2 elementos, temos
que dim Im(T ) = 2.
Observac~ao 1: Podemos multiplicar qualquer vetor de uma base por qualquer constante n~ao
nula e o resultado ainda continua sendo um vetor da base. Por exemplo, podemos multiplicar o
vetor da base de N (T ) por 3 que o resultado e outra base de N (T ): 0 = f(3; 1; 3)g:
Observac~ao 2: Note que dim N (T ) + dim Im(T ) = 1 + 2 = 3 = dim R3 = dim V .
5.4 Matrizes e transformac~oes lineares

Sejam V e W um espacos vetoriais com dim V = m, dim W = n, T : V !W linear,
= fv1 ; v2 ; : : : ; vm g base de V e = fw1 ; w2 ; : : : ; wn g base de W .
OES LINEARES
Como T (v1 ), T (v2 ), . . . , T (vm ) 2 W , eles s~ao combinaco~es lineares dos vetores de :
T (v1 ) = a11 w1 + a21 w2 + + an1 wn
T (v2 ) = a12 w1 + a22 w2 + + an2 wn
.. .. ..
. . .
T (vm ) = a1m w1 + a2m w2 + + anm wn
A transposta da matriz dos coecientes aij acima e denida como sendo a matriz de T com
relac~ao as bases e , denotada por [T ] :
 
a11 a12 : : : a1n
 a21 a22 : : : a2n 
 
[T ] =  .. .. . . . ..
 . . .
am1 am2 : : : amn
Quando = , denotamos [T ] por [T ] e, as vezes, simplesmente por [T ].
Observac~ao: Da maneira como e denida, as colunas da matriz [T ] s~ao as coordenadas de
T (v1 ); : : : ; T (vn ) com relac~ao a base :
Exemplo 5.16 Sejam T : R2 ! R2 , T (x; y ) = (3x 4y; x + 5y ), = f(1; 0); (0; 1)g e
= f(1; 3); (2; 5)g bases de R2 . Determine [T ] .
Soluc~ao: Iniciamos aplicando T nos vetores da base e escrevendo cada resultado como com-
binac~ao linear dos vetores de , ou seja, determinamos suas coordenadas com relac~ao a . Ao
longo da resoluc~ao desse tipo de problema, aparecem alguns sistemas lineares para se resolver.
T (1; 0) = (3; 1) = a(1; 3) + b(2; 5) = (a + 2b; 3a + 5b)
) 3aa ++ 52bb =
=1
3
) a = 13; b = 8;
T (0; 1) = ( 4; 5) = c (1; 3) + d (2; 5) = (c + 2d; 3c + 5d )
) c3+c +2d5d== 54 ) c = 30; d = 17;
OES LINEARES 101

13 30
Portanto, [T ] = .
8 17
Exemplo 5.17 Sejam T : R3 ! R3 , T (x; y; z ) = (4x + 3y + 5z; 6x y + 7z; 2y + z ),

= f(1; 0; 0); (0; 1; 0); (0; 0; 1)g base de R3 . Determine [T ] = [T ] .
Soluc~ao:
T (1; 0; 0) = (4; 6; 0) = 4(1; 0; 0) + 6(0; 1; 0) + 0(0; 0; 1)
T (0; 1; 0) = (3; 1; 2) = 3(1; 0; 0) 1(0; 1; 0) + 2(0; 0; 1)
T (0; 0; 1) = (5; 7; 1) = 5(1; 0; 0) + 7(0; 1; 0) + 1(0; 0; 1)
 
4 3 5
Logo, [T ] = 6 1 7.
0 2 1
Observac~ao 1: Quando as bases dos espacos s~ao bases canônicas (como neste exemplo), ent~ao
os calculos se tornam extremamente simples, n~ao ha necessidade de resolver sistemas lineares. A
matriz [T ] pode ser escrita diretamente a partir dos coecentes das variaveis na denic~ao da func~ao
.
  
4 3 5 x
Observac~ao 2:
E verdade que T (x; y; z ) = 6 1 7 y . De um modo geral, e valida a

| {z }
T (v ) 0 2 1 z
| {z } |{z}
[T ] vt
seguinte igualdade: [T (v )] = [T ] [v ]t , onde T : V !W e linear, base de V e base de W .
Exemplo 5.18 Sejam T : R5 ! R3 denida por
T (x; y; z; r; s ) = (4x + 5y 8z + 2r 3t; 2x y + 4z + 11t 13t; 7x + 4z 6r + t );
= f(1; 0; 0; 0; 0); (0; 1; 0; 0; 0); (0; 0; 1; 0; 0); (0; 0; 0; 1; 0); (0; 0; 0; 0; 1)g base de R5 e
= f(1; 0; 0); (0; 1; 0); (0; 0; 1)g base de R3 . Determine [T ] .
Soluc~ao: Como as bases e s~ao bases canônicas, ent~ao podemos escrever imediatamente a
resposta da quest~ao, bastando olhar os coecientes das variaveis x; y; z; r; s :
 
4 5 8 2 3

[T ] = 2 1 4 11 13
7 0 4 6 1
OES LINEARES
Exemplo 5.19 A func~ao I : V ! V denida por I (v ) = v e denominada transformac~ao

identidade. Se V for um espaco de dimens~ao n, ent~ao sua matriz e uma matriz identidade n n.
 se V 
Por exemplo, = R3 , a transformac~ao identidade e dada por I (x; y; z ) = (x; y; z ) e sua matriz
1 0 0
e [I ] = 0 1 0.
0 0 1
Exemplo 5.20 Se F : V ! W e G : V ! W s~ao transformaco~es lineares, ent~ao a soma de
F e G e uma transformac~ao linear F + G : V ! W denida por (F + G )(v ) = F (v ) + G (v ),
8v 2 V . Se k 2 R for um escalar, ent~ao o produto de F por esse escalar e a transformac~ao linear
kF : V ! W denida por (kF )(v ) = kF (v ), 8v 2 V .
Dadas as transformaco~es lineares F e G de R3 em R3 denidas por
F (x; y; z ) = (3x 4y + 11z; x + 3z; 2x + 10y 8z )
e
G (x; y; z ) = (y 18z; x + 2y; 5x 11y + 20z );
determine as funco~es F + G e kF , com k = 2, determine suas matrizes [F], [G], [F+G], [kF] com
relac~ao a base canônica = f(1; 0; 0); (0; 1; 0); (0; 0; 1)g.
Soluc~ao: Calculamos F + G e kF usando a denic~ao e obtemos suas matrizes observando os

coecientes de x; y; z .
(F + G )(x; y; z ) = F (x; y; z ) + G (x; y; z ) = (3x 4y + 11z; x + 3z; 2x + 10y 8z )
+ (y 18z; x + 2y; 5x 11y + 20z ) = (3x 3y 7z; 2x + 2y + 3z; 3x y + 12z )
(kF )(x; y; z ) = (2F )(x; y; z ) = 2F (x; y; z ) = 2(3x 4y + 11z; x + 3z; 2x + 10y 8z ) =
(6x 8y + 22z; 2x + 6z; 4x + 20y 16z )
 
3 4 11
[F ] =  1 0 3
2 10 8
 
0 1 18
[G ] = 1 2 0
5 11 20
 
3 3 7
[F + G ] = 2 2 3
3 1 12
 
6 8 22
[kF ] = [2F ] =  2 0 6
4 20 16
OES LINEARES 103
Observac~ao: Note que [F + G ] = [F ] + [G ] e [kF ] = k [F ]. Essa e uma propriedade geral que e

valida em todos os casos.
Exemplo 5.21 Se F : U ! V e G : V ! W s~ao transformaco~es lineares, ent~ao a composta
de G e F e uma transformac~ao linear G F : U ! W denida por (G F )(v ) = G (F (v )),
8v 2 U . Note que a composta G F so e denida no caso em que o contradomnio de F coincide
com o domnio de G .
Dadas as transformaco~es lineares F e G de R3 em R3 denidas por

F (x; y; z ) = ( 3x 2y + 6z; 4x + y + z; 10y 3z )
e
G (x; y; z ) = (x + 2y 8z; 5x + 3y + z; 6x 10y + 4z );
determine as funco~es G F , F G e suas matrizes [F ], [G ], [G F ] e [F G ] com relac~ao a
base canônica = f(1; 0; 0); (0; 1; 0); (0; 0; 1)g.
Soluc~ao: Usamos a denic~ao para calcular G F e F G . Para isso, substumos as coordenadas

de uma func~ao na outra.
(G F )(x; y; z ) = G (F (x; y; z )) = G ( 3x 2y + 6z; 4x + y + z; 10y 3z )
= ( 3x 2y + 6z + 2(4x + y + z ) 8(10y 3z ); 5( 3x 2y + 6z )
+3(4x + y + z ) + (10y 3z ); 6( 3x 2y = 6z ) 10(4x + y + z ) + 4(10y 3z ))
) (G F )(x; y; z ) = (5x 80y + 32z; 27x + 23y 30z; 58x + 18y + 14z )
OES LINEARES
(F G )(x; y; z ) = F (G (x; y; z )) = F (x + 2y 8z; 5x + 3y + z; 6x 10y + 4z )

= ( 3(x + 2y 8z ) 2( 5x + 3y + z ) + 6(6x 10y + 4z ); 4(x + 2y 8z )
+( 5x + 3y + z ) + (6x 10y + 4z ); 10( 5x + 3y + z ) 3(6x 10y + 4z ))
) (F G )(x; y; z ) = (43x 72y + 46z; 5x + y 27z; 68x + 60y 2z )
 
3 2 6
[F ] =  4 1 1
0 10 3
 
1 2 8
[G ] =  5 3 1
6 10 4
 
5 80 32
[G F ] =  27 23 30
58 18 14
 
43 72 46
[F G ] =  5 1 27
68 60 2
Observac~ao 1: Note que o produto das matrizes [F ] e [G ] coincide com a matriz da composta:
[F G ] = [F ][G ] e [G F ] = [G ][F ]. Essa e uma propriedade que vale para quaisquer transformaco~es
lineares e quaisquer bases.
Observac~ao 2: Quando F = G , a composta F G = F F e denotada por F 2 . Em geral, dado
n inteiro positivo, denimos F n = F| F {z F}.
n vezes
5.5 Isomorsmos

Ja denimos anteriormente func~ao injetora e func~ao sobrejetora. Uma func~ao pode ter somente
uma dessas propriedades, pode ter nenhuma ou pode ter as duas simultaneamente. No caso das
transformaco~es lineares e sempre bom lembrar que T : V ! W , T e injetora se, e somente se,
N (T ) = f0g, e T e sobrejetora se, e somente se, Im(T ) = W .
5.5.1 Func~ao bijetora e func~ao inversa

Denic~ao 5.5 Dizemos que T : V ! W e bijetora quando T e simultaneamente injetora e
sobrejetora.
Toda func~ao T : V ! W bijetora possui uma func~ao inversa T 1 : W ! V denida
por v = T 1 (w ) se, e somente se, w = T (v ). Como consequência dessa denic~ao, temos que
5.5. ISOMORFISMOS 105
T (T 1 (w )) = T (v ) = w e T 1 (T (v )) = T 1 (w ) = v . E assim, T T 1 = I e T 1 T = I , onde
I e a func~ao identidade I (v ) = v , 8v .
Denic~ao 5.6 Uma transformac~ao linear bijetora e denominada um isomorsmo. Dizemos que
um espaco vetorial V e isomorfo a outro espaco vetorial W quando existir um isomorsmo T :
V !W .
Teorema 5.5.1 Seja T : V ! W linear e bijetora. Ent~ao T 1 : W ! V tambem e linear.
Demonstrac~ao: Sejam v; w 2 W . Ent~ao, T 1 (v ) = r e T 1 (w ) = s pertencem a V e v = T (r ),
w = T (s ) ) T 1 (av + bw ) = T 1 (aT (r ) + bT (s )) = T 1 (T (ar + bs )) = I (ar + bs ) = ar + bs =
aT 1 (v ) + bT 1 (w ), para quaisquer escalares a; b. Conclumos assim que T 1 e linear.
Observac~ao 1: O teorema anterior mostra que se T : V !W e um isomorsmo, ent~ao

T 1 : W ! V tambem o e.
Observac~ao 2: Se um espaco vetorial V e isomorfo a W , ent~ao W tambem e isomorfo a
V . Sendo assim, podemos dizer que dois espacos V e W s~ao isomorfos quando existir algum
isomorsmo entre eles.
Exemplo 5.22 Seja T : R2 ! R2 , T (x; y ) = (2x + 5y; 3x 10y ). Mostre que T e um

isomorsmo e determine T 1 .
Soluc~ao: Vamos mostrar que T e uma transformac~ao linear e que e injetora e sobrejetora.
Sejam v = (x; y ); w = (z; t ) 2 R2 . Ent~ao, T (v + w ) = T ((x; y )+(z; t )) = T (x + z; y + t ) =
(2(x + z ) + 5(y + t ); 3(x + z ) 10(y + t )) = (2x + 5y; 3x 10y ) + (2z + 5t; 3z 10t ) =
T (x; y ) + T (z; t ) = T (v ) + T (w );
T (kv ) = T (k (x; y )) = T (kx; ky ) = (2(kx ) + 5(ky ); 3(kx ) 10(ky )) = (k (2x + 5y ); k (3x
10y )) = k (2x + 5y; 3x 10y ) = kT (x; y ) = kT (v ) para todo escalar k ;
OES LINEARES

Se T (x; y ) = (0; 0), ent~ao (2x + 5y; 3x 10y ) = (0; 0) ) 32x x +105yy = =0
0
: Resolvendo
esse sistema linear nas variaveis x; y , obtemos x = 0, y = 0. Logo, N (T ) = f(0; 0)g ) T e
injetora;
Do item anterior, temos que dim N (T ) = 0. A dimens~ao do domnio de T e dim R2 = 2.
Pelo Teorema da Dimens~ao, temos dim Im(T ) + dim N (T ) = dim R2 ) 0 + dim Im(T ) = 2 )
dim Im(T ) = 2 ) Im(T ) = R2 ) T e sobrejetora.
Os quatro itens anteriores mostram que T e um isomorsmo de espacos vetoriais.
Como T e um isomorsmo, T possui uma func~ao inversa T 1 tal que T T 1 = I . Da,
[T T 1 ] = [I ] ) [T ][T 1 ] = [I ] ) [T 1 ] = [T ] 1 . Assim, a matriz da func~ao inversa de T e a
matriz inversa de [T ] e essa e uma propriedade que e valida para todos os casos que envolvem a
inversa de uma transformac~ao linear.
2 2 5
A matriz de T com relac~ao a base canônica do R e [T ] = 3 10 . A matriz inversa de
2 1
1 1 10 5 1 10 5 7 7
[T ] e [T ] = det[T ] = ( 35) = 3 2 : E assim, chegamos a seguinte
3 2 3 2 35 35
conclus~ao:
1 2 1 3 2 2x + y 3x 2y
T (x; y ) = 7
x + y; x
7 35 35
y = 7
; 35
Teorema 5.5.2 Se T : V ! W for um isomorsmo e = fv1 ; v2 ; : : : ; vn g for base de V , ent~ao
= fT (v1 ); T (v2 ); : : : ; T (vn )g e base de W .
Demonstrac~ao: Sejam a1 ; : : : ; an escalares tais que a1 T (v1 ) + + an T (vn ) = 0. Ent~ao

T (a1 v1 + + an vn ) = 0 ) a1 v1 + : : : an vn 2 N (T ) = f0g ) a1 v1 + + an vn = 0: Como
e formado por vetores linearmente independentes, temos que a1 = 0; : : : ; an = 0 ) tambem e
um conjunto de vetores independentes.
Seja w 2 W . Como W = Im(T ), temos que w = T (v ) com v 2 V . Assim, existem
escalares 1 ; : : : ; n tais que v = 1 v1 + + n vn ) T (v ) = w = T (1 v1 + + n vn )
= 1 T (v1 ) + + n T (vn ) ) Im T = [T (v1 ); : : : ; T (vn )].
Chegamos assim a conclus~ao de que e uma base de W , ou seja, se T e um isomorsmo, ent~ao
T leva base de V em base de W .
Observac~ao: Podemos mostrar que a recproca e verdadeira, ou seja, se T leva base de V em
base de W , ent~ao T e um isomorsmo.
Exemplo 5.23 Sejam V = P2 e W = R3 . Mostre que V e isomorfo a W .
Soluc~ao: Temos que V = fax 2 + bx + c j a; b; c 2 Rg e W = f(a; b; c ) j a; b; c 2 R . Denimos
T : V ! W por T (ax 2 + bx + c ) = (a; b; c ) e vamos mostrar que a T assim denida e um
isomorsmo, ou seja, que T e linear, injetora e sobrejetora.
T ((ax 2 + bx + c )+(dx 2 + ex + f )) = T ((a + d )x 2 +(b + e )x +(c + f )) = (a + d; b + e; c + f ) =

(a; b; c ) + (d; e; f ) = T (ax 2 + bx + c ) + T (dx 2 + ex + f ), 8a; b; c; d; e; f 2 R;
T (k (ax 2 + bx + c )) = T (kax 2 + kbx + kc ) = (ka; kb; kc ) = k (a; b; c ) = kT (ax 2 + bx + c ),
8a; b; c; k 2 R;
T (ax 2 + bx + c ) = 0 ) (a; b; c ) = (0; 0; 0) ) a = b = c = 0 ) N (T ) = f0g ) T e injetora;
Como dim N (T ) = 0 e dim V = 3, temos dim Im(T ) + dim N (T ) = dim
| {z } | {z }
V ) dim Im(T ) = 3
=0 =3
) Im(T ) = R3. Logo, T e sobrejetora.
Fica mostrado assim que T e um isomorsmo e, consequentemente, V e isomorfo a W .
Observac~ao: Dois espacos vetoriais de mesma dimens~ao nita sempre s~ao isomorfos.
R1) Seja T : R3 ! R3 tal que T (x; y; z ) = (x + y; y + z; z + x ). Mostre que T e linear e

determine seu nucleo e sua imagem.
Soluc~ao: Inicialmente, vamos mostrar que T e linear. Para isso, consideremos dois vetores
genericos v = (a; b; c ); w = (d; e; f ) 2 R3 e um escalar k 2 R. Temos que:
T (v + w ) = T ((a; b; c ) + (d; e; f )) = T (a + d; b + e; c + f )
= (a + d + b + e; b + e + c + f ; c + f + a + d )
= (a + b; b + c; c + a) + (d + e; e + f ; f + d ) = T (a; b; c ) + (d; e; f );
T (kv ) = T (k (a; b; c )) = T (ka; kb; kc ) = (ka + kb; kb + kc; kc + ka)
= (k (a + b); k (b + c ); k (c + a)) = k (a + b; b + c; c + a) = kT (a; b; c ).
Para calcular
 seu nucleo, basta resolver T (x; y; z ) = (0; 0; 0) ) (x + y; y + z; z + x ) =
 x + y =0
(0; 0; 0) ) y + z = 0 . O determinante da matriz dos coecientes desse sistema homogêneo e


z + x = 0
1 1 0

D 6 0.
= 0 1 1 = 1 = Logo, o sistema possui apenas a soluc~ao nula x = 0; y = 0; z = 0.
1 0 1
Isso signica que N (T ) = f(0; 0; 0)g. Como dim N (T ) = 0, pelo Teorema da Dimens~ao, temos
3 3
| {zR} ) dim Im(T ) = 3 ) Im(T ) = R .
dim N (T ) + dim Im(T ) = dim
| {z }
=0 =3
Observac~ao: A imagem tambem poderia ser calculada da seguinte forma:
OES LINEARES
(x + y; y + z; z + x ) = (x; 0; x ) + (y; y; 0) + (0; z; z ) = x (1; 0; 1) + y (1; 1; 0) + z (0; 1; 1)

) Im(T ) = [(1; 0; 1); (1; 0; 1); (1; 1; 0)].
| {z }
tr^
es vetores LI
R2) Se fv1 ; v2 ; : : : ; vn g e base de V , mostre que Im(T ) = [T (v1 ); T (v2 ); : : : ; T (vn )].
Soluc~ao: Seja w 2 Im(T ). Pela denic~ao de imagem, existe v 2 V tal que w = T (v ). Como
fv1; v2; : : : ; vn g e base de V , existem escalares a1; a2; : : : ; an tais que v = a1v1 +a2v2 + +an vn o que
implica T (v ) = w = a1 T (v1 ) + a2 T (v2 ) + + an T (vn ): Isso signica que T (v1 ); T (v2 ); : : : ; T (vn )
geram a imagem de T e e o que queramos demonstrar.
R3) Sejam V um espaco vetorial e = fv1 ; ; vn g uma base de V e T : V !V linear tal
que T (v1 ) = v2 , T (v2 ) = v3 ; : : : ; T (vn 1 ) = vn , T (vn ) = 0. Determine [T ] .
Soluc~ao: Pelos dados do problema, temos que

T (v1 ) = 0 v1 + 1 v2 + 0 v3 + 0 v4 + + 0 vn 1 + 0 vn
T (v2 ) = 0 v1 + 0 v2 + 1 v3 + 0 v4 + + 0 vn 1 + 0 vn
T (v3 ) = 0 v1 + 0 v2 + 0 v3 + 1 v4 + + 0 vn 1 + 0 vn
.. .. .. ..
. . . .
T (vn 1 ) = 0 v1 + 0 v2 + 0 v3 + 0 v4 + + 0 vn 1 + 1 vn
T (vn ) = 0 v1 + 0 v2 + 0 v3 + 0 v4 + + 0 vn 1 + 0 vn
Da, observando os coecientes de v1 ; : : : ; vn nas igualdades anteriores, conclumos que
 
0 0 0 ::: 0 0
1
 0 0 ::: 0 0
0
 1 0 ::: 0 0
[T ] = 0 0 1 ::: 0 0 :
 
 .. .. .. . . . .. ..
. . . . .
0 0 0 ::: 1 0
R4) Determine a inversa de T : R4 ! R4 denida por

T (x; y; z; t ) = (x + 2y + 3z + 4t; 2x + y + 4z 3t; 3x 4y + z + 2t; 4x + 3y 2z + t );
   
a b c d a b c d
 b a d c  =) M 1 = 1 b a d c .
sabendo M =  
 c d a b a2 + b 2 + c 2 + d 2  c d a b 
d c b a d c b a
Soluc~ao: Observando os coecientes de x; y; z; t na denic~ao de T (x; y; z; t ), temos que a matriz
 
1 2 3 4
 2 1 4 3
de T com relac~ao a base canônica do R4 e [T ] = 
 3 4 1 2
 : Usando a informac~
ao sobre
4 3 2 1
a inversa que foi dada, temos que
   1 1 1 2
1 2 3 4 301 151 102 151
 3 
[T ] 1 = 2
1 2 1 4  =  15
1 302 151 101 

2 2 2
1 + 2 + 3 + 4 3 4 1 2  10 151 301 151 
4 3 2 1 2
15 10 15 30
e, a partir da, chegamos ao seguinte resultado:
x y z 2t x y 2z t x 2y z t 2x y z t
T 1 (x; y; z; t ) = ( 30 15 10 15 ; 15 + 30 15 + 10 ; 10 + 15 + 30 15 ; 15 10 + 15 + 30 ):
Observac~ao: Para vericar que esse resultado esta correto, basta calcular T (T 1 (x; y; z; t )) e
T 1 (T (x; y; z; t )) e observar que a resposta e (x; y; z; t ).
   
x 2 0 3
3 3
R5) Seja T : R ! R denida por T (x; y; z ) = M y , onde M = 5 4 3. Verique se
  
 
z 0 0 1
2 0 3
T e um isomorsmo e calcule T 1 . E se M = 5 4 3?
7 4 6
 
2 0 3
Soluc~ao: A matriz M 
= 5 4 3 possui determinante igual a 8 que e diferente de 0. Logo, M
0 0 1
possui inversa e, consequentemente, T e um isomorsmo. Como T 1 e a inversa de T , e a matriz
de T e M , ent~ao a matriz de T 1 e M 1 , a matriz inversa de M . Usando qualquer metodo para
1 0 3
2 2
calcular matriz inversa, obtemos M 1 =  85 14 98 . Portanto,
0 0 1

x 3z 5x + 2 y + 9 z
T 1 (x; y; z ) = 2
; 8
; z :
 
2 0 3
Se fosse M = 5 4 3, como o determinante de
 M e nulo, M n~ao seria invertvel e, conse-
7 4 6
quentemente, T tambem n~ao teria inversa.
Observac~ao: Um metodo muito eciente para se calcular matriz inversa e atraves de escalona-
OES LINEARES
           
x a x a x a
 1   1     1
mento de matriz. Se M y = b , ent~ao (M M ) y = M b ) y = M b.
   
z c z c z c
| {z } | {z }
() ()
Essa implicac~ao signica o seguinte: iniciamos com um sistema linear (*) cuja matriz dos coe-
cientes e M . Nesse sistema, se isolarmos os valores de x; y; z , ent~ao o sistema linear que resulta
1
dessa opera
 c~ao (**)  a M . Por
 tem matriz de coecientes igual  exemplo, para calcular a inversa
2 0 3 2 0 3 a
de M = 5 4 3, iniciamos com a matriz N = 5 4 3 b e fazemos o seu escalonamento:
0 0 1 0 0 1 c
   a  3 a
1 0 32 2a 1 0 3
29 1 0 29 2b 52a
N !  5 4 3 b !  0 4 52a  !
2 b 2 0 1 8 8 :
0 0 1 c 0 0 1 c 0 0 1 c

x + 32 z = 2a

Essa ultima matriz equivale a y 89 z = 2b 8 5a ) z = c; y = 89 z + 2b 8 5a = 58 a + 41 b + 98 c )

z =c
a 3 a 3
x = 2 2 z = 2 2 c . Escrevendo essas três ultimas equaco~es em formade equac~ao matricial,
1 3   1 0 3
x 25 01 29 a 2 2
obtemos y  =  8 4 8  b. Portanto, M 1 =  85 14 98 . Esse e apenas mais
z 0 0 1 c 0 0 1
| {z }
M 1
um metodo para se calcular matriz inversa.
R6) Sendo S; T : R3 ! R3 denidas por S (x; y; z ) = (3x; 2y; 4x z ) e
T (x; y; z ) = (z; x + y; 2x z ). Determine [S T ]; [T S ]; (S T )(x; y; z ) e (T S )(x; y; z ).
Soluc~ao: O problema n~ao menciona bases; logo, podemos supor que se trata da base canônica
do R3 : f(1; 0; 0); (0; 1; 0); (0; 0; 1)g. Dessa forma, para se obter a matriz de uma transforma
c~ao
3 0 0
linear dada, basta observar quais s~ao os coecientes de x; y; z . Portanto, [S ] = 0 2 0 e
4 0 1
 
0 0 1
[T ] = 1 1 0.
2 0 1
Para se obter as matrizes das compostas, basta multiplicar as matrizes de S e T :
    
3 0 0 0 0 1 0 0 3
[S T ] = [S ][T ] = 0 2 0 1 1 0 =  2 2 0  ;
4 0 1 2 0 1 2 0 5
    
0 0 1 3 0 0 4 0 1
[T S ] = [T ][S ] = 1 1
 0 0 2  
0 = 3 2 0 ;
2 0 1 4 0 1 2 0 1
Uma vez obtidas essas matrizes, agora e so escrever as funco~es:
(S T )(x; y; z ) = (3z; 2x + 2y; 2x + 5z ) e (T S )(x; y; z ) = (4x z; 3x + 2y; 2x + z ).
Observac~ao: As compostas tambem poderiam ser obtidas atraves da substituic~ao das coordenadas
de uma func~ao na outra. Por exemplo: (S T )(x; y; z ) = S (T (x; y; z )) = S (z; x + y; 2x z ) =
(3z; 2(x + y ); 4z (2x z )) = (3z; 2x + 2y; 2x + 5z ):
R7) Determine o nucleo e a imagem de T : R4 ! R3 linear sabendo que T (3; 0; 0; 0) = (0; 3; 3),
T (0; 4; 0; 0) = (4; 0; 4), T (0; 0; 7; 0) = (7; 7; 0) e T (0; 0; 0; 5) = (5; 0; 5).
Soluc~ao: Sejam (x; y; z; t ) um vetor generico de R4 . Escrevendo esse vetor como combinac~ao
linear dos vetores (3; 0; 0; 0), (0; 4; 0; 0), (0; 0; 7; 0) e (0; 0; 0; 5), obtemos:
x y z t
(x; y; z; t ) = (3; 0; 0; 0) + (0; 4; 0; 0) + (0; 0; 7; 0) + (0; 0; 0; 5):
3 4 7 5
Aplicando T aos dois lados dessa equac~ao:
x y z t
T (x; y; z; t ) = 3 T (3; 0; 0; 0) + 4 T (0; 4; 0; 0) + 7 T (0; 0; 7; 0) + 5 T (0; 0; 0; 5);
ou seja, T (x; y; z; t ) = x (0; 3; 3) + y (4; 0; 4) + z (7; 7; 0) + t (5; 0; 5)
3 4 7 5
) T (x; y; z; t ) = (y + z + t; x + z; x + y + t ).
 Se (x; y; z; t ) 2 N (T ), ent~ ao T (x; y; z; t ) = (0; 0; 0) ) (y + z + t; x + z; x + y + t ) = (0; 0; 0) )
y + z + t = 0

x + z = 0 . Subtraindo-se a primeira da terceira equac~ao desse sistema, obtemos x = z .
x +y +t =0
Substituindo x = z na segunda equac ao, obtemos 2x = 0 ) x = 0 ) z = 0. Assim, a primeira
equac~ao se torna 0 + y + t = 0 ) y = t . Obtivemos assim a soluc~ao do sistema como sendo
(0; t; 0; t ), t variavel livre. Portanto, o nucleo de T e
N (T ) = f(0; t; 0; t ) j t 2 Rg = ft (0; 1; 0; 1) j t 2 Rg = [(0; 1; 0; 1)]
4 3
| {zR} ) dim Im(T ) = 3 ) Im(T ) = R .
e da, dim N (T ) = 1. Como dim N (T ) + dim Im(T ) = dim
| {z }
=1 =4

2 5 4
R8) Calcule T (6; 5) sabendo que T : R2 ! M (2; 3) e linear e T (1; 1) =
0 11 1
e

1 2 8
T (4; 4) = 5 5 0
.
OES LINEARES
Soluc~ao: A resoluc~ao consiste em escrever (6; 5) como combinac~ao linear de (1; 1) e (4; 4) e
depois aplicar T nos dois lados da equac~ao. Sejam a e b escalares
tais que (6; 5) = a(1; 1) +
a + 4b = 6
b(4; 4) ) (6; 5) = (a + 4b; a + 4b) e isso leva ao sistema a + 4b = 5 cuja soluc~ao e a = 21
e b = 118 . Desse modo, obtemos

que(6; 5)= 12 (1; 1) + 118 (4; 4) ) T (6; 5) = 12 T(1; 1) +
19 1 13
11 T (4; 4) ) T (6; 5) = 1 2 5 4 + 11 1 2 8 ) T (6; 5) = 558 114 1 .
8 2 0 11 1 8 5 5 0 8 8 2
R9) Obtenha a matriz de rotac~ao R de um ângulo de um ponto P = (a; b) em torno da origem,
no sentido anti-horario.
Soluc~ao: Sejam P = (a; b) um ponto qualquer do plano cartesiano R2 e P 0 = T (a; b) = (a0 ; b0 )

o ponto obtido a partir de P atraves da aplicac~ao de uma rotac~ao de um ângulo em torno da
origem O, no sentido anti-horario, conforme mostrado na gura a seguir.
No triângulo OAP , temos as seguintes relaco~es: cos = ar e sen = br , ou seja, a = r cos

0 0
e b = r sen . No triângulo OBP 0 , temos: cos( + ) = ar e sen( + ) = br , que equivale a
a0 = r cos( + ) = r| cos
{z } cos r| sen
0
{z } sen e b = r sen( + ) = r| sen
{z } cos + r| cos
{z } sen .
a b b a
Dessa forma, obtemos que a0 = a cos b sen e b0 = b cos + a sen que pode escrito na
forma
T (a; b) = (a cos b sen ; b cos + a sen ):

cos sen
Da, conclumos que a matriz dessa transformac~ao linear e [T ] = [R ] = sen cos
.
R10) Considerando V = W = R2 e a func~ao identidade I : V ! W , I (v ) = v . Determine

[I ] , onde = f(2; 3); (1; 5)g e = f(4; 0); ( 4; 10)g.
Soluc~ao: Aplicamos I em cada vetor de e escrevemos o resultado como combinac~ao linear dos
vetores de :

4a 4b = 2
I (2; 3) = (2; 3) = a(4; 0) + b( 4; 10) )
10b = 3

4c 4d = 1
I (1; 5) = (1; 5) = c (4; 0) + d ( 4; 10) )
10d = 5
Resolvendo

ossistemas
4
lineares

obtidos, temos que a = 54 , b = 103 , c = 14 e d = 12 . Portanto,
a c 1
[I ] = 5 4
b d = 103 12 .
Observac~ao: Note que, neste caso, apesar da func~ao ser a func~ao identidade, a matriz obtida n~ao
e a matriz identidade. Isso se deve ao fato das bases dos espacos n~ao serem canônicas.
R11) Seja W o subespaco de V = F (R; R) cuja base e = fe 2x ; xe 2x ; cos(3x ); sen(3x )g.
Determine [D] , onde D : W ! W , D(f ) = f 0 e a transformacao derivada.
Soluc~ao: Aplicamos D a cada elemento da base e escrevmos o resultado como combinac~ao linear
dos elementos dessa mesma base:
D(e 2x ) = (e 2x )0 = 2e 2x = 2 e 2x + 0 xe 2x + 0 cos(3x ) + 0 sen(3x )
D(xe 2x ) = (xe 2x )0 = e 2x + 2xe 2x = 1 e 2x + 2 xe 2x + 0 cos(3x ) + 0 sen(3x )
D(cos(3x )) = (cos(3x ))0 = 3 sen(3x ) = 0 e 2x + 0 xe 2x + 0 cos(3x ) 3 sen(3x )
D(sen(3x )) = (sen(3x ))0 = 3 cos(3x ) = 0 e 2x + 0 xe 2x + 3 cos(3x ) + 0 sen(3x )
 
2 1 0 0
0 2 0 0
Dessa forma, obtivemos que [D] = 
0 0 0
.
3
0 0 3 0
Z 1
R12) Seja T : P4 ! R uma transformac~ao linear denida por T (f ) = f (t ) dt . Determine a
0
matriz de T com relac~ao as bases = f1; t +1; t 2 +t +1; t 3 +t 2 +t +1; t 4 +t 3 +t 2 +t +1g e = f1g.
Soluc~ao: Calculamos T em cada elemento da base e escrevemos o resultado como combinac~ao

linear dos elementos de :
OES LINEARES
Z 1
T (1) = 1 dt = [t ]10 = 1 0=1=11
0
Z 1 1
t2 1 3
T (t + 1) = (t + 1) dt =
2
+t =
2
+1 0=
2
1
0 0
Z 1 3 1
2 t t2 1 1 11
T (t 2 + t + 1) = (t + t + 1) dt = + +t = + +1 0= 1
0 3 2 0 3 2 6
Z 1 4 1
3 2 3 2 t t3 t2 1 1 1 25
T (t + t + t + 1) = (t + t + t + 1) dt =
4
+ + + t = + + +1 =
3 2
1
0 0 4 3 2 12
Z 1 5 1
4 3 2 4 3 2 t t4 t3 t2
T (t + t + t + t + 1) = (t + t + t + t + 1) dt = + + + +t =
0 5 4 3 2 0
1 1 1 1 137
+ + + +1
5 4 3 2
0=
60
1
137
E desse modo, chegamos a seguinte conclus~ao: [T ] = 1 23 116 25
12 60 .
R13) Dê exemplo de T : R4 ! R5 linear cuja base do nucleo seja B = f(0; 5; 0; 0); (0; 0; 0; 4)g.
Soluc~ao: Para que os vetores (0; 5; 0; 0) e (0; 0; 0; 4) facam parte do nucleo de T , e preciso
que T (0; 5; 0; 0) = (0; 0; 0; 0; 0) e T (0; 0; 0; 4) = (0; 0; 0; 0; 0).
Acrescentamos agora dois vetores ao conjunto B com o objetivo de obter uma base do domnio
4
R . Por exemplo, podemos acrescentar os vetores (1; 0; 0; 0) e (0; 0; 1; 0). Assim, construmos a
seguinte base para R4 :
= f(0; 5; 0; 0); (0; 0; 0; 4); (1; 0; 0; 0); (0; 0; 1; 0)g:
Escolhemos agora qualquer vetor n~ao nulo como sendo imagem desses vetores de que foram acres-
centados ao conjunto B . Por exemplo, escolhemos T (1; 0; 0; 0) = (1; 1; 1; 1; 1) e T (0; 0; 1; 0) =
(2; 2; 2; 2; 2). Para concluir, escrevemos (x; y; z; t ) como combinac~ao linear dos vetores de e
aplicamos T :
y t
(x; y; z; t ) = (0; 5; 0; 0) + (0; 0; 0; 4) + x (1; 0; 0; 0) + z (0; 0; 1; 0)
5 4
) T (x; y; z; t ) = 5 T (0; 5; 0; 0) + 4t T (0; 0; 0; 4) + xT (1; 0; 0; 0) + zT (0; 0; 1; 0)
y
) T (x; y; z; t ) = y5 (0; 0; 0; 0; 0) + 4t (0; 0; 0; 0; 0) + x (1; 1; 1; 1; 1) + z (2; 2; 2; 2; 2)

) T (x; y; z; t ) = (x + 2z; x + 2z; x + 2z; x + 2z; x + 2z ):
Existe uma innidade de respostas para esse problema. Essa T (x; y; z; t ) que foi obtida e apenas
uma delas.
R14) Dê exemplo de T : R5 ! R3 linear cuja base da imagem seja f(1; 2; 3); (0; 4; 1)g.
Soluc~ao: Escolhemos qualquer base para o domnio R5 , por exemplo:

= f(1; 0; 0; 0; 0); (0; 1; 0; 0; 0); (0; 0; 1; 0; 0); (0; 0; 0; 1; 0); (0; 0; 0; 0; 1)g:
Depois, denimos a imagem de cada vetor da base como sendo um dos vetores da base da imagem
ou qualquer combinac~ao linear deles. Por exemplo, escolhemos
T (1; 0; 0; 0; 0) = T (0; 1; 0; 0; 0) = T (0; 0; 1; 0; 0) = (1; 2; 3)

e T (0; 0; 0; 1; 0) = T (0; 0; 0; 0; 1) = (0; 4; 1):
Escrevemos (x, y, z, s, t) como combinac~ao linear dos elementos da base do domnio e aplicamos
o T dos dois lados da igualdade:
(x; y; z; s; t ) = x (1; 0; 0; 0; 0) + y (0; 1; 0; 0; 0) + z (0; 0; 1; 0; 0)

+ s (0; 0; 0; 1; 0) + t (0; 0; 0; 0; 1)
) T (x; y; z; s; t ) = xT (1; 0; 0; 0; 0) + yT (0; 1; 0; 0; 0) + zT (0; 0; 1; 0; 0)
+ sT (0; 0; 0; 1; 0) + tT (0; 0; 0; 0; 1)
) T (x; y; z; s; t ) = x (1; 2; 3) + y (1; 2; 3) + z (1; 2; 3) + s (0; 4; 1) + t (0; 4; 1)
) T (x; y; z; s; t ) = (x + y + z; 2x + 2y + 2z + 4s + 4t; 3x + 3y + 3z + s + t ):
Essa e uma das possveis respostas para esse problema.
1) Verique se cada T : U ! V a seguir e uma transformac~ao linear.

a) U = V = R2 , T (x; y ) = (x y; x + y ) b) U = V = R2 , T (x; y ) = (x + y; 1)
c) U = R3 , V = R, T (x; y; z ) = 3x + z
3y
d) U = R2 , V = M (2; 2), T (x; y ) = y 2x
0
e) U = V = R, T (x ) = x x 2 f) U = R, V = R3 , T (x ) = (2x; 3x; 4x )
Resp.: Somente (b) e (e) n~ao s~ao lineares.
2) Seja T : R3 ! R2 uma transformac~ao linear tal que T (1; 0; 0) = (2; 3), T (1; 1; 0) = (1; 1) e
T (0; 1; 1) = (1; 0). Calcule T (2; 3; 5). Resp.: T (2; 3; 5) = (17; 22)
3) Determine v 2 R2 tal que T (v ) = (1; 1) sabendo que T e uma transformac~ao linear de R2
em R2 tal que T (3; 0) = (1; 3) e T (0; 5) = (3; 1) . Resp.: v = ( 23 ; 52 )
OES LINEARES
4) Seja T : R2 ! R2 tal que T (x; y ) = (2x + 3y; 5x y ). Mostre que T e linear e

calcule as matrizes de T com relac~ao A~ base canônica = f(1; 0); (0; 1)g e com relac~ao a base
= f(1; 1); (3; 0)g.
2 3 6 15
Resp.: [T ] = 5 1 , [T ] = 5 7
3
5) Sejam R, S e T três transformaco~es lineares de R3 em R3 tais que R(x; y; z ) = (x z; y +x; 2y ),
S (x; y; z ) = (y + z; 4z + x; y z ) e T = R S . Escolha uma base qualquer B do R3 , determine
as matrizes de R, S e T com relac~ao a essa base e verique que [T ]B = [R]B [S ]B .
Resp.: Escolhendo B = f(1;0; 0); (0; 1; 0); (0; 0; 1)g, temos 
0 0 2 1 0 1 0 1 1
[T ]B =  1 1 5 , [R]B =  1 1 0 , [S ]B = 1 0
  4 .
2 0 8 0 2 0 0 1 1
6) Seja D : V ! V o operador derivac~ao (ou seja, D(f ) = f 0 ). Calcule [D]B em cada caso:
a) V = Pn , B = f1; x; x 2 ; : : : ; x n g b) V = [sen x; cos x ], B = fsen x; cos x g
c) V = [e ; e ; xe ]; B = fe ; e ; xe g d) V = [1; e x ; e x ; e 3x ]; B = f1; e x ; e x ; e 3x g
x 2 x 2 x x 2 x 2 x
Resp.:  
0 1 0 0 0
 0 0 2 0
 0 

 0 0 0 3
 0 

a) [D ]B =  .. .. . . . ... 

 . . 

 0 0 0 0 n 
0 0 0 0 0 (n+1)(n+1)  
  0 0 0 0
1 0 0
0 1  0 1 0 0 
b) [D]B = 1 0 , c) [D]B =  0 2 1 , d) [D]B = 
 0 0 1 0 

0 0 2
0 0 0 3
7) Seja T : R2 ! R2 denida por T (x; y ) = (x + 2y; y 5x ) e B = f(1; 1); (1; 0)g. Mostre que
[T ]B [v ]B = [T (v )]B , 8v 2 R2 . Escreva
[v ]B e [T (v )]B na
forma de
matriz-coluna.

2 y y 5x
Resp.: v = (x; y ) 2 R , [v ]B = x y , [T (v )]B = y + 6x , [T ]B = 7 6 . A partir
4 5

y 5x 4 5 y
da obtemos y + 6x = 7 6 x y , ou seja, [T (v )]B = [T ]B [v ]B .
8) Seja B = uma base do R3 e f : R3
fv1; v2; v3g ! R3 linear tal que f (v1 ) = 3v3 ,
f (v2 ) = v1 v2, f (v3 ) = 2v1 v3 . Calcule [f ]B .
0 1 2
Resp.: [f ]B =  0 1 0 
3 0 1
9) Verique se T : R3 ! R3 e um isomorsmo em cada um dos casos:

a) T (x; y; z ) = (2x; y; x y 3z ) b) T (x; y; z ) = (x; x + y; 2x + y )
c) T (x; y; z ) = (2z; 3y; 4x ) d) T (x; y; z ) = (x + z; x y; y + z )
Resp.: S~ao isomorsmos somente (a) e (c).
10) Mostre que todo espaco vetorial V de dimens~ao 3 e isomorfo a R3 .
Resp.: Se = fu; v; w g for base de V , ent~ao T : V ! R3 denida por T (u ) = (1; 0; 0),
T (v ) = (0; 1; 0), T (w ) = (0; 0; 1) e isomorsmo de espacos vetoriais.
11) Seja T : R3 ! R3 , T (x; y; z ) = (x + 2z; x + 2y; y z ). Calcule dim(Im(T )) e dim(N (T )).
Resp.: dim(Im(T )) = 2, dim(N (T )) = 1
12) Encontre T : R3 ! R2 linear cuja base do nucleo seja f(1; 1; 0); (0; 1; 1)g.
Resp.: Ha uma innidade de respostas corretas, uma delas e T (x; y; z ) = ( x y + z; 2x
2y + 2z ).
13) Dê exemplo de uma T : R4 ! R3 linear cuja imagem seja gerada por (1; 1; 0) e (0; 2; 1).
Resp.: Ha uma innidade de respostas corretas, uma e T (x; y; z; w ) = (x + y; x + y + 2z +
2w; z + w ).
 
1 0 3 0
14) Seja T : R4 ! R3 linear cuja matriz com relac~ao as bases canônicas e  0 2 6 1 .
4 4 0 1
Determine o nucleo e a imagem de T e verique que dim(N (T )) + dim(Im(T )) = dim(R4 ).
Resp.: T (x; y; z; t ) = (x + 3z; 2y 6z + t; 4x 4y + t ), Im(T ) = [(1; 0; 4); (0; 1; 2); (0; 0; 1)],
N (T ) = [(3; 3; 1; 0)], dim(Im(T )) = 3, dim(N (T )) = 1
15) Mostre que n~ao existe T : R5 ! R4 linear injetora, e nem T : R4 ! R5 linear sobreje-
tora. Resp.: Se existisse T : R5 ! R4 linear injetora, ent~ao teramos dim(N (T )) = 0 e da
dim(Im(T )) = 5, o que e absurdo. Por outro lado, se existisse T : R4 ! R5 linear sobrejetora,
ent~ao teramos dim(Im(T )) = 5 e da dim(N (T )) +5 = 4, que tambem e absurdo.
| {z }
0
16) Existe transformac~ao linear T : V ! W sobrejetora tal que dim W > dim V ? Justique sua
resposta. Resp.: N~ao existe tal transformac~ao linear. Se existisse, dim(N (T )) = dim V dim W ,
| {z }
0
e da, dim V dim W o que e absurdo.
Z 1
17) Seja T : P2 ! R uma transformac~ao linear denida por T (f ) = f (t ) dt . Determine a
1
matriz de T com relac~ao as bases = f1; t; t 2 g e = f1g.
Resp.: [T ] = [2 0 23 ]
OES LINEARES
18) Se dim V = n e T : V ! V e linear tal que Im(T ) = N (T ), ent~ao mostre que n e par. Dê um
exemplo de uma tal T quando n = 4. Resp.: dim V = dim(N (T ))+dim(Im(T )) = m + m = 2m,
um exemplo e T (x; y; z; t ) = (z; t; 0; 0).
19) Seja T : R3 ! R3 a transformac~ao linear denida por T (x; y; z ) = (2x; 4x y; 2x + 3y z ).
Se for possvel, encontre a inversa T 1 .
Resp.: T 1 (x; y; z ) = ( x2 ; 2x y; 7x 3y z )
20) Seja T : P2 ! P2 a transformac~ao linear que satisfaz T (x 2 ) = x 2 2x + 1, T (x ) = x 1
e T (1) = x . Calcule T (4x 2 5) e verique se T e um isomorsmo.
21) Seja = fu; v g uma base do R2 e T : R2 ! R2 a transformac~ao linear que satisfaz
T (u v ) = 3v e T (u + 2v ) = u v . Determine [T ] e verique se T e um isomorsmo.
1 1
Resp.: [T ]B = 35 34
3 3
22) Seja T : P2 ! P2 a transformac~ao linear denida por T (p(x )) = p(x ) + xp0 (x ). Mostre
que T e um isomorsmo e calcule a sua inversa T 1 .
Resp.: Escolhendo a base = f1; x; x 2 g para P2 , temos T (1) = 1, T (x ) = 2x e T (x 2 ) = 3x 2 .
Como T leva base f1; x; x 2 g em base f1; 2x; 3x 2 g, T e um isomorsmo. Logo, T possui inversa e
T 1 (1) = 1, T 1 (x ) = x2 e T 1 (x 2 ) = x32 e da T 1 (p(x )) = T 1 (ax 2 + bx + c ) = ax32 + bx2 + c
Rx
= x1 ( ax3 + bx2 + cx ) = x1 0 p(t ) dt .
3 2
Cap
tulo 6
Autovalores e autovetores
O calculo dos autovalores e autovetores de uma transformac~ao linear e um dos problemas basicos
e dos mais importantes da Algebra Linear. Esse tipo de calculo aparece em diversos problemas da
Fsica, problemas de Geometria Analtica, sistemas de Equaco~es Diferenciais, entre outros. Neste
captulo, fazemos uma breve introduc~ao a esse interessante assunto.
6.1 Polinômios de matrizes e de operadores lineares

Denic~ao 6.1 Consideremos um polinômio f (x ) = an x n + an 1 x n 1 + + a1 x + a0 . Se A e uma
matriz quadrada, ent~ao denimos f (A) = an An + an 1 An 1 + + a1 A + a0 I , onde I e a matriz
identidade de mesma ordem que A.

Exemplo 6.1 Sejam A = 13 24 e f (x ) = 2x 2 + 3x + 5 Temos que
2
1 2 1 2 1 2 1 1 + 2 3 1 2 + 2 4
A2 = 3 4 = 3 4 3 4 = 3 1 + 4 3 3 2 + 4 4 = 15 22 e 7 10

f (A) = 2A2 + 3A + 5I = 2 157 10
22
+3
1 2
3 4
+5
1 0
0 1

14 20 3 6 5 0 22 26
=
30 44
+
9 12
+
0 5
=
39 61
:
Denic~ao 6.2 Dizemos que uma matriz quadrada A e uma raiz ou e um zero de um polinômio
f (x ), quando f (A) = 0 = matriz nula.

Exemplo 6.2 Sejam A = 13 24 e f (x ) = x 2 5x 2. Ent~ao
2
2 1 2 1 2 1 0 7 10 5 10 2 0 0 0
f (A) = A 5A 2I = 3 4 5 3 4 2 0 1 = 15 22 15 20 0 2
=
0 0
:
119
120 CAPITULO 6. AUTOVALORES E AUTOVETORES
Logo, A e uma raiz de f (x ).
6.2 Autovalores e autovetores

Seja T : V ! V uma transformac~ao linear em um espaco vetorial V . Um escalar 2 R
ou 2 C e chamado autovalor* de T se existir v 2 V , v 6= 0, tal que T (v ) = v . Nesse caso,
dizemos que v e um autovetor de T associado ao autovalor .
De acordo com essa denic~ao, v 6= 0 e um autovetor de T se, e somente se, v e T (v )
s~ao vetores colineares.
Equivalentemente, se A for uma matriz quadrada, ent~ao um autovalor de A e um escalar tal

que Av = v para alguma matriz coluna v 6= 0 que e denominada autovetor associado a .
Exemplo 6.3 Considerando T : R2 ! R2 , T (x; y ) = (3x + 5y; 2x 4y ) e v = ( 2; 2)

temos que
T (v ) = T ( 2; 2) = ( 6 + 10; 4 8) = (4; 4) = 2 ( 2; 2);
|{z} | {z }
autovalor autovetor
ou seja, T (v ) = 2v . Isso signica que v e um autovetor de T associado ao autovalor 2.

*
Tambem chamado valor proprio ou valor caracterstico. Em inglês: eigenvalue.

Tambem chamado vetor proprio ou vetor caracterstico. Em inglês: eigenvector.
6.2. AUTOVALORES E AUTOVETORES 121
Exemplo 6.4 O exemplo anterior pode ser enunciado

de
outra
maneira, usando matrizes. Para
3 5 2
isso, consideremos as matrizes A = 2 4 e v = 2 . Temos tambem que v e autovetor
de A porque
3 5 2 4 2
Av = 2 4 2
=
4
= |{z}
2
2
= 2v:
autovalor | {z }
autovetor
Nesse caso, o autovalor associado a v e igual a 2.

Exemplo 6.5 Consideremos T : R3 ! R3 denida por
T (x; y; z ) = (5x + 2y + 2z; 3x + 6y + 3z; 6x + 6y + 9z )
e os vetores u = (2; 3; 6), v = ( 3; 2; 1) e w = (1; 1; 4). Vamos calcular T (u ), T (v ) e T (w ) e
vericar se u; v; w s~ao autovetores de T .
T (u ) = T (2; 3; 6) = (10+6+12; 6+18+18; 12+18+54) = (28; 42; 84) = 14 (2; 3; 6) =
14u ; como T (u ) = 14u , temos que u e um autovetor de T associado ao autovalor 14.
T (v ) = T ( 3; 2; 1) = ( 15+4+2; 9+12+3; 18+12+9) = ( 9; 6; 3) = 3( 3; 2; 1) =
3v ; e da, o fato de que T (v ) = 3v signica que v e autovalor de T associado ao autovalor 3.
T (w ) = T (1; 1; 4) = (5 + 2 + 8; 3 + 6 + 12; 6 + 6 + 36) = (15; 21; 48). Como (15; 21; 48)
n~ao e um multiplo de w , temos que w n~ao e autovetor de T .
Observa
c~ao: Essas
 propriedades
  tambem podem
 ser enunciadas
   usando-se
 matrizes.
  Por exemplo,
5 2 2 2 5 2 2 2 28 2
se A = 3 6 3 eu = 3, ent~ao Au = 3 6 3 3 = 42 = 14 3 signica que u e
6 6 9 6 6 6 9 6 84 6
autovetor de A associado ao autovalor 14.

Exemplo 6.6 Encontre os autovalores e autovetores da matriz A = 13 22 .

Soluc~ao: Devemos encontrar um escalar e v = yx =
6 00 tais que Av = v , ou seja,

1 2 x x x + 2y x x + 2y = x (1 )x + 2y = 0
3 2 y = y ) 3x + 2y = y ) 3x + 2y = y ) 3x + (2 )y = 0
| {z }
()
Para um sistema linear homogêneo possuir soluc~ao n~ao nula, o determinante
da matriz dos seus
1 2
coecientes deve ser igual a zero. No caso desse exemplo, devemos ter 3 2 = 0 )
p
(1 )(2 ) 6 = 0 ) 2 + 3 4 = 0 ) = 3 29+16 )= 1 ou = 4. Os valores 1
e 4 assim encontrados s~ao os autovalores de A.
desses valores de no sistema linear (*)
Para encontrar os autovetores, substitumos cada um
2x + 2y = 0
anterior. Por exemplo, substituindo = 1, obtemos 3x + 3y = 0 , cuja soluc~ao e x = y , com
y vari
avel livre. Sendo assim, os autovetores associados ao autovalor 1 s~ao os vetores da forma
v = yy , para todo y . Podemos tambem escrever v no formato de linha: v = ( y; y ).

3x + 2y = 0
Substituindo = 4 no sistema (*), obtemos 3x 2y = 0
que tem soluc~ao dada por x = 23y ,
2y
y variavel livre. Portanto, os autovetores associados ao autovalor 4 s~ao da forma w = 3y ou
w = ( 23y ; y ), para qualquer valor de y .
Note que no exemplo anterior, depois que foi calculado o determinante da matriz dos coecien-
tes, apareceu um polinômio na variavel . Esse polinômio sempre aparece nesse tipo de problema.
Por isso, ele recebe um nome especial na proxima denic~ao.
Denic~ao 6.3 Dada uma matriz n n, o polinômio de grau n denido por p() = det(A I ),
onde I e a matriz identidade n n e chamado polinômio caracterstico de A. Suas razes s~ao os
autovalores de A. Tambem pode ser denido por p() = det(I A) ou p(x ) = det(xI A) ou
p(x ) = det(A xI ).
 
5 0 0
Exemplo 6.7 Determine o polinômio caracterstico p() de A =  2 1 2 e calcule p(A).
8 4 3
 stico deA e dado

Soluc~ao: O polinômio caracter  por 
5 0 0 1 0 0 5 0 0

p() = det(A I ) = det  2 1 2 0 1 0 = 2 1 2
8 4 3 0 0 1 8 4 3
= (5 )(1 )(3 ) 8(5 ) = 3 + 92 23 15:
Para calcular p(A), substitumos por A e o termo constante, 15, por 15I . Precisamos
calcular tambem as potências A2 e A3 .
     
5 0 0 5 0 0 25 0 0
2
A =AA=  2 1 2
  2 1 2 = 4 9 8 ;
 
8 4 3 8 4 3 56 16 17
     
25 0 0 5 0 0 125 0 0
3 2
A = A A =  4 9 8  2 1 2 =  66 41 42 ;
56 16 17 8 4 3 384 84 83
p (A)= A3 + 9A2 23A 15I     

125 0 0 25 0 0 5 0 0 1 0 0
=  66 41 42 + 9  4 9 8 23  2 1 2 15 0 1 0
384 84 83 56 16 17 8 4 3 0 0 1
       
125 0 0 225 0 0 115 0 0 15 0 0
=  
66 41 42 + 36 81 72 + 
 46 23 46 +   0 15 0
384 84 83 504 144 153 184 92 69 0 0 15
 
0 0 0
= 0 0 0.
0 0 0
Dessa forma, obtivemos que p(A) = 0. Esse tipo de operac~ao da sempre esse resultado nulo,
n~ao importa qual seja a matriz, nem a sua ordem. Essa e a tese do proximo teorema.
Teorema 6.2.1 Toda matriz A e um zero do seu polinômio caracterstico p(), ou seja, p(A) = 0.
Esse teorema e conhecido pelo nome de Teorema de Cayley-Hamilton e sua demonstrac~ao pode
ser encontrada em muitos livros sobre esse assunto.
 
13 3 5
Exemplo 6.8 Determine os autovalores e autovetores de M =  0 4 0.
15 9 7

13 3 5

Soluc~ao: Polinômio caracterstico de M : p() = det(M I ) = 0 4 0 =

15 9 7
(13 )(4 )( 7 )+75(4 ) = (4 )((13 )( 7 )+75) = (4 )( 91 6+2 +75) =
(4 ) (|2 6{z 16)} = (4 )( + 2)( 8) .
()
Os autovalores de M s~ao as razes de p(). Igualando a zero o p() encontrado, obtemos a
equac~ao (4 )( + 2)( 8) = 0 ) 4 = 0 ou + 2 = 0 ou 8 = 0 ) = 4 ou = 2
ou = 8. Logo, os autovalores s~ao 4, 2 e 8.
Para determinar os autovetores, devemos substituir cada autovalor na equac~ao Mv = v e
calcular v . Essa equac~ao e a mesma que (M I )v = 0 e equivale a um sistema linear:
     
13 3 5 x 0  (13 )x 3y + 5z = 0
 0 4 0  y  = 0 , (4 )y = 0

15 9 7 z 0 15x + 9y + ( 7 )z = 0
| {z }
(M I )v

 9x
3y + 5z = 0
9x 3y = 5z
Substituindo = 4 :

0=0 ) 15x + 9y = 11z
; cuja soluc~ao e
15x + 9y 11z = 0
( z3 ; 23z ; z ); 8z 2 R:

 15x
3y + 5z = 0
Substituindo = 2 : 6y = 0 ) y = 0 que tem por soluc~ao
 3x + z = 0
15x + 9y 5z = 0
(x; 0; 3x ); 8x 2 R.

 5x
3y + 5z = 0
Substituindo = 8 :

4y = 0 ) x + yz =
=0
0
do qual (x; 0; x ); 8x 2 R; e
15x + 9y 15z = 0
a soluc~ao.
 
13 3 5
Conclumos dessa forma que a matriz  0 4 0 possui o autovalor 4 associado aos
15 9 7
autovetores f( z3 ; 23z ; z ) j z 2 Rg = [( 13 ; 23 ; 1)] = [( 1; 2; 3)], possui o autovalor 2 associ-
ado aos autovetores f(x; 0; 3x ) j x 2 Rg = [(1; 0; 3)] e possui o autovalor 8 associado a
f(x; 0; x ) j x 2 Rg = [(1; 0; 1)].
Observac~ao 1: Podemos vericar se a resposta encontrada esta correta. Para isso, basta
observar os seguintes produtos de matrizes:
      
13 3 5 1 4 1
 0 4 0   
2 =  8 =4
  2
15 9 7 3 12 3
      
13 3 5 1 2 1
 0 4 0   
0 =  0 = 2
  0
15 9 7 3 6 3
      
13 3 5 1 8 1
 0 4 0  0 =  0 = 8  0
15 9 7 1 8 1
Observac~ao 2: Nesse tipo de problema, geralmente usamos algum tipo de fatorac~ao de polinômio.
Se o grau do polinômio for considerado alto, essa fatorac~ao pode ser bastante complicada. Em
geral, se p() = an n + + a2 2 + a1 + a0 possuir razes 1 ; 2 ; : : : ; n , ent~ao
p() = an ( 1 )( 2 ) : : : ( n ):
No caso do exemplo anterior, o polinômio (*) do segundo grau 2 6 16 possui as razes 1 = 2
e 2 = 8 e, consequentemente, ele pode ser escrito na forma ( 1 )( 2 ) = ( + 2)( 8).
Teorema 6.2.2 Seja T : V ! V linear possuindo um autovalor 2 R. O conjunto de todos

os autovetores associados a , juntamente com o vetor nulo, forma um subespaco vetorial de V ,
denotado por V e denominado autoespaco de .
Demonstrac~ao: Como 0 2 V , 6 ;. Se v; w
ent~ao V = 2 V e k 2 R, ent~ao T (v ) = v e
T (w ) = w ) T (v + w ) = T (v ) + T (w ) = v + w = (v + w ) = T (v + w ) ) v + w 2 V
e T (kv ) = kT (v ) = k (v ) = (kv ) = T (kv ) ) kv 2 V Assim, ca mostrado que V e um
subespaco vetorial de V .
Exemplo 6.9 Determine os autovalores e seus respectivos autoespacos de T : R3 ! R3 de-

nida por T (x; y; z ) = (x + y + 3z; x + 5y + z; 3x + y + z ).
 
1 1 3
Soluc~ao: A matriz de T com relac~ao a base canônica do R3 e A = 1 5 1 e seu polinômio

3 1 1
1
1 3

caracterstico e p() = det(A I ) = 1 5 1 .
Desenvolvendo esse determinante e
3 1 1
simplicando, obtemos p() = 3 + 72 36. Como p() tem grau 3, ele tem um total de 3
razes. Se esse polinômio possuir alguma raiz inteira, ela sera um divisor de 36, o termo constante
desse polinômio (aqui, n~ao importa o sinal). Os divisores de 36 (ou 36) s~ao os elementos do
seguinte conjunto: f1; 2; 3; 4; 6; 9; 12; 18; 36g: Substituindo cada um desses valores
em p(), obtemos p( 2) = 0, p(3) = 0 e p(6) = 0. Desse modo, encontramos as três razes de
p() que s~ao 1 = 2; 2 = 3 e 3 = 6. Esses s~ao os autovalores de T .
Vamos agora determinar os autovetores associados a cada  um desses
 autovalores,
  substituindo
 
1 0 0 x 0
por 1 , 2 e 3 na equac~ao (A I )X = 0, onde I = 0 1 0, X = y , 0 = 0.
0 0 1 z 0
     
3 1 3 x 0 3x + y + 3z = 0
Substituindo por 2, obtemos 1 7 1 y = 0 )
     x + 7y + z = 0 . A soluc~ao

3 1 3 z 0 3x + y + 3z = 0
desse sistema e x = z; y = 0. Sendo assim, os autovetores encontrados s~ao os vetores da
forma ( z; 0; z ), 8z 2 R. Logo, o autoespaco associado ao autovalor 2 e
V 2 = f( z; 0; z ) j z 2 Rg = fz ( 1; 0; 1) j z 2 Rg = [( 1; 0; 1)]:
     
2 1 3 x 0  2x + y + 3z = 0
Substituindo por 3, obtemos  1 2 1 y  = 0 ) x + 2y + z = 0 cuja

3 1 2 z 0 3x + y 2z = 0
soluc~ao e x = z; y = z . Assim, os autovetores encontrados s~ao da forma (z; z; z ),
8z 2 R. Logo, o autoespaco associado ao autovalor 3 e

V3 = f(z; z; z ) j z 2 Rg = fz (1; 1; 1) j z 2 Rg = [(1; 1; 1)]:
     
5 1 3 x 0  5x + y + 3 z = 0
Substituindo por 6, obtemos  1 1 1 y = 0 )
     x y + z = 0 que tem

3 1 5 z 0 3x + y 5z = 0
soluc~ao dada por x = z; y = 2z . Da, os autovetores encontrados s~ao (z; 2z; z ), 8z 2 R.
Portanto, o autoespaco associado ao autovalor 2 e
V6 = f(z; 2z; z ) j z 2 Rg = fz (1; 2; 1) j z 2 Rg = [(1; 2; 1)]:
 
7 12 6
Exemplo 6.10 Determine os autovalores e autovetores da matriz A 
= 10 19 10.
12 24 13

7
12 6

Soluc~ao: O polinômio caractersco de A e p() = det(A 19
I ) = 10 10 :
12
24 13
3 2
Desenvolvendo e simplicando esse determinante, obtemos o resultado p() = + + 1.
A fatorac~ao desse polinômio pode ser efetuada de varias maneiras. Uma das possibilidades e
mostrada a seguir.
p() = ( 3 + 2 ) + ( 1) = 2 ( 1) + ( 1)
= ( 1)(2 1) = ( 1)( + 1)( 1) = ( + 1)( 1)2 :
Obtemos assim que as razes de p() s~ao 1 = 1 e 2 = 1. Esses s~ao os autovalores de A.
Substitumos agora o da equac~ao (A I )X = 0 por 1 e 2 para
encontrarmos
   os autovetores.
7 12 6 x 0
Essa equac~ao pode ser escrita na forma  10 19 10  y = 0.
 
12 24 13 z 0
     
6 12 6 x 0  6x 12y + 6z = 0
Substituindo por 1, obtemos 10 20 10 y  = 0 ) 10x 20y + 10z = 0 )

12 24 12 z 0 12x 24y + 12z = 0
x 2y + z = 0 ) z = x + 2y . Logo, os autovetores associados a 1 = 1 s~ao
(x; y; x + 2y ) = (x; 0; x ) + (0; y; 2y ) = x (1; 0; 1) + y (0; 1; 2); 8x; y 2 R:
     
8 12 6 x 0  8x 12y + 6z = 0
Substituindo por 1, obtemos 10 18 10 y = 0 ) 10x 18y + 10z = 0
     

12 24 14 z 0 12x 24y + 14z = 0
z 5 z
cuja soluc~ao e x = 2 ; y = 6 . Logo, os autovetores associados a 2 = 1 s~ao
z 5z 1 5
( ; ; z ) = z ( ; ; 1); 8z 2 R:
2 6 2 6
Conclus~ao: a matriz A possui dois autovalores: 1 e 1; s~ao dois autovetores linearmente inde-
pendentes v1 = (1; 0; 1) e v2 = (0; 1; 2) associados ao autovalor 1 e um autovetor
v3 = ( 21 ; 56 ; 1) associado a 1.
Observac~ao 1: Esse tipo de problema sempre tem uma innidade de autovetores como resposta
valida. Para cada valor de x , y ou z escolhidos, encontramos uma resposta diferente. Por exemplo,
escolhendo x = 2, y = 1 e z = 6 obtemos o autovetor v2 = (2; 1; 0) associado ao autovalor 1 e
v3 = (3; 5; 6) associado a 1.
Observac~ao 2: Os divisores do termo constante de p() s~ao 1 e 1. Substituindo diretamente
em p(), obtemos p(1) = p( 1) = 0. Isso signica que 1 e 1 s~ao razes de p() e, consequen-
temente, p() e divisvel por ( 1)( + 1) = 2 1. Dividindo p() por 2 1 obtemos um
quociente igual a 1 .
Logo, p() = (2 1)(1 ) = ( + 1)( 1)(1 ) = ( + 1)( 1)2 .
R1) Sejam a; b; c; d; e numeros reais n~ao todos nulos simultaneamente.

 Determine
 o autovalor
a b c d e
ea b c d 

que e associado ao autovetor v = (1; 1; 1; 1; 1) da matriz A = de a b c .
cd e a b
b c d e a
Soluc~ao: Escrevendo v no formato de matriz coluna, temos que
      
a b c d e 1 a+b+c +d +e 1
e a b c d  1 a + b + c + d + e 
      
 1
Av = d e a b c  1 = a + b + c + d + e  = (a+b+c +d +e ) 1 = (a+b+c +d +e )v;
c d e a b 1 a + b + c + d + e  1
b c d e a 1 a+b+c +d +e 1
e assim chegamos a conclus~ao de que o autovalor associado a v e a + b + c + d + e .

2 1
R2) Mostre que o polinômio caracterstico de A = 1 4
e p() = 2 6 + 9 e verique que
p(A) = 0.

2 1
Soluc~ao: p() = det(A I ) = 1 4 = (2 )(4 ) + 1 = 2 6 + 9 e

3 6 12 6 9 0 0 0
p(A) = A2 6A + 9I = 6 15 6 24
+
0 9
=
0 0
.
 
5 1 3 3
 1 5 3 3
R3) Determine os autovalores e autovetores de M =
 3 3 5 1
.
3 3 1 5
Soluc~ao: O polinômio caracterstico de M e calculado atraves do seguinte determinante:

5 1 3 3
5 3 3
1 5 3
3
p() = det(M I ) = 3 = (5 ) 3 5
1
3 5 1 3 1 5
3 3 1 5

1 3 3 1 5 3 1 5 3

( 1) 3 5
1 + ( 3) 3
3 1 3 3
3 5 :
3 1 5 3 3 5 3 3 1
Desenvolvendo cada um desses determinantes e simplicando, obtemos:

p() = 4 203 + 1122 192 = (|3 202 +{z112 192}):
q ( )
O termo constante de q () e 192 e os divisores de 192 (ou 192) s~ao os elementos do
conjunto
f1; 2; 3; 4; 6; 8; 12; 16; 24; 32; 48; 64; 96; 192g:
Esse e o conjunto com todas as possveis razes inteiras de q (). Aplicando q a cada um desses
valores, chegamos a conclus~ao de que somente 4 e 12 s~ao realmente razes: q (4) = 0 e q (12) = 0.
Isso signica que q () e divisvel por ( 4)( 12) = 2 16 + 48.
Dividindo q () por 2 16 + 48 obtemos ( 4) como quociente.
Logo,
q ()
= 4 ) q () = ( 12)( 4)2 ) p() = ( 12)( 4)2 :
( 4)( 12)
Portanto, observando essa forma fatorada do polinômio caracterstico temos que os autovalores de
M s~ao 0, 12 e 4.  
x
y 
Vamos agora determinar os autovetores de M . A equac~ao (M I )X = 0, onde X = 
z ,
    
t
5 1 3 3 x 0
equivale a

 1 5 3 3 y  0
   
= .
 3 3 5 1 z  0
3 3 1 5 t 0
    
5 1 3 3 x 0
 1 5 3 3 y  0
   
Substituindo = 0 nessa equac~ao, obtemos  =  , que pode
 3 3 5 1 z  0
3 3 1 5 t 0


 5x y 3z + 3t = 0

ser escrita na forma de sistema linear
x + 5y + 3y 3t = 0
. A forma escalonada da

 3x + 3 y + 5 z t = 0

3x 3y z + 5t = 0
 1 3 3 
1 5 51 51 0
0
matriz do sistema e 
1 2 2 0  e da obtemos que a soluc~
ao desse sistema e
0 0 1 1 0
0 0 0 0 0
x = t; y = t; z = t , t variavel livre. Logo, os autovetores de M associados a 0 s~ao da
forma ( t; t; t; t ) = t ( 1; 1; 1; 1), para qualquer valor de t .
    
7 1 3 3 x 0
 1 7 3 3 y  0
Substituindo = 12 em (M I )X = 0, obtemos 
 3 3 7
   =   , que
1 z  0
3 3 1 7 t 0


 7x y 3z + 3t = 0

pode ser escrita na forma
x 7y + 3y 3t = 0 . A forma escalonada da matriz desse

 3x + 3y 7z t = 0

3x 3y z 7t = 0
 
1 71 3 3 0
71 71
0 1
sistema e  2 2 0 ao desse sistema e x = t; y =
 e da obtemos que a soluc~
0 0 1 1 0
0 0 0 0 0
t; z = t , t variavel livre. Logo, os autovetores de M associados a 12 s~ao da forma
(t; t; t; t ) = t (1; 1; 1; 1), para qualquer valor de t .
    
1 1 3 3 x 0
 1 1 3 3 y  0
   
Substituindo = 4 nessa equac~ao, obtemos  =  , que pode
 3 3 1 1 z  0
3 3 1 1 t 0


 x y 3z + 3t = 0

ser escrita na forma
x + y + 3y 3t = 0 . A forma escalonada da matriz do sistema

 3x + 3y + z t = 0

3x 3y z + t = 0
 
1 1 3 3 0
0 0 1 1 0
e 
0 0 0 0 0
ao e x = y; z = t , y e t variaveis livres. Logo, os
 e sua soluc~
0 0 0 0 0
autovetores de M associados a 4 s~ao da forma (y; y; t; t ) = y (1; 1; 0; 0) + t (0; 0; 1; 1), para
quaisquer valores de y e de t .
Observac~ao: Todo polinômio do quarto grau possui quatro razes reais ou complexas, distintas ou
repetidas. No caso do p() desse exemplo, a raiz 4 e uma raiz repetida e e o que chamamos de
raiz dupla.
 
0 1 0 0
0 0 1 0
R4) Determine os autovalores reais e respectivos autoespacos de M =
0 0 0 1
.
1 0 0 0
Soluc~ao: O polinômio caracterstico e calculado

atraves do desenvolvimento do determinante
1 0 0

p() = det(M

I ) = 00 1 0
. Ao ser simplicado, obtemos p() = 4 1 que pode
0 1

1 0 0
ser fatorado na forma p() = (2 1)(2 + 1) = ( 1)( + 1)(2 + 1). Da, deduzimos que as
razes reais da equac~ao p() = 0 s~ao 1 = 1 e 2 = 1. Esses s~ao os autovalores procurados.
Vamos calcular os autovetores associados a esses autovalores encontrados.
Substituindo = 1 na equac~ao
    
1 0 0 x 0
 0
 1 0 y  0
  =  
 0 0 1 z  0
1 0 0 t 0

x +y =0



obtemos o sistema
y + z = 0 cuja soluc~ao e x = t; y = t; z = t , ou seja, (t; t; t; t ) =



z +t =0
x t=0
t (1; 1; 1; 1) para qualquer valor de t .


 x +y =0

Substituindo = 1 nessa mesma equac~ao, obtemos o sistema linear
y + z = 0 cuja



z +t =0
x +t =0
soluc~ao e x = t; y = t; z = t , ou seja, ( t; t; t; t ) = t ( 1; 1; 1; 1) para todo t .
Dessa forma, obtivemos os autoespacos V1 = [(1; 1; 1; 1)] e V 1 = [( 1; 1; 1; 1)].
Observac~ao: A matriz M possui mais dois autovalores complexos 3 = i e 4 = i que s~ao
as razes da equac~ao 2 + 1 = 0. Esses autovalores est~ao associados aos seguintes autoespacos
complexos: Vi = [(1; i; 1; i )] e V i = [(1; i; 1; i )].
R5) Se A for uma matriz invertvel na qual 6= 0 e um autovalor associado a um autovetor v 6= 0,
determine um autovalor de A 1 e seu autovetor associado.
Soluc~ao: Se e autovalor de A associado ao autovetor v , ent~ao Av = v ) A 1 (Av ) =
A 1 (v ) ) (A 1 A) v = (A 1 v ) ) (A 1 v ) = v ) A 1 v = 1 v: Essa ultima igualdade
| {z }
I
signica que 1 e um autovalor de A 1 associado ao autovetor v .
R6) Mostre que T : V !V n~ao e uma func~ao injetora se, e somente se, T possui um
autovalor igual a 0.
Soluc~ao: T n~ao e injetora , N (T ) 6= f0g , 9v 2 V; T (v ) = 0; v 6= 0 , T (v ) = 0 v , 0 e

autovalor de T .

Nessa fatorac~ao, utilizamos duas vezes que a2 b
2
= (a b )(a + b):
1) Seja T : R3 ! R3 , T (x; y; z ) = (2x y + z; x 2y + z; x + y ) uma transformac~ao linear.

Encontre uma base para N (T ) e Im(T ), verique se T e injetora ou sobrejetora e determine seus
autovalores e autovetores.
Resp.: Uma base do nucleo de T e f( 1; 1; 3)g e uma base p e f(1; 1; 0); (0; 1; 1)g,
p da imagem
T n~ao e injetora,p nem sobrejetora,
p pos autovalores
p s~ao 0, 5 e 5 associados aos autovetores
( 1; 1; 3), (1; 3 2 5 ; 1+2 5 ) e (1; 3+2 5 ; 1 2 5 ), respectivamente.
2) Os vetores v1 = (1; 1) e v2 = (2; 1) s~ao autovetores de T : R2 ! R2 linear associados a

1 = 5 e 2 = 1, respectivamente. Determine T (4; 1). Resp.: T (4; 1) = (8; 11)
3) Determine a transformac~ao linear T : R2 ! R2 cujos autovalores s~ao 1 = 1 e 2 = 3
associados aos autovetores v1 = (y; y ) e v2 = (0; y ), respectivamente.
Resp.: T (x; y ) = (x; 2x + 3y )
4) Seja T : V ! V linear que n~ao e invertvel. Os vetores n~ao nulos do nucleo de T s~ao
autovetores? Em caso armativo, determine seus respectivos autovalores.
Resp.: Os vetores n~ao-nulos do nucleo s~ao autovetores associados ao autovalor 0.
5) Calcule os polinôios caractersticos, autovalores e autovetores das matrizes:

 
1 1 0
1 3 2 1
a) A = 1 5
b) B = 3 4 c) C =  2 3 2
     1 1 2
3 1 3 0 0 2 3 2 1
d) D = 0
 2 3  e) E = 0 1 0 
 f) F =  1 4 1
0 0 1 2 0 0 1 2 3
Resp.: a) p(x ) = x 2 6x + 8 = (x 4)(x 2); autovalores: 1 = 4; 2 = 2; autovetores:
v1 = (1; 1); v2 = (1; 13 )
b) p(x ) = x 2 6x + 5 = (x 5)(x 1); autovalores: 1 = 1; 2 = 5; autovetores: v1 = (1; 1);
v2 = (1; 3)
c) p(x ) = x 3 6x 2 + 11x 6 = (x 1)(x 2)(x 3); autovalores: 1 = 1; 2 = 2, 3 = 3;
autovetores: v1 = (1; 0; 1); v2 = (1; 1; 12 ), v3 = (1; 2; 1)
d) p(x ) = x 3 4x 2 + x + 6 = (x + 1)(x 2)(x 3); autovalores: 1 = 1; 2 = 2, 3 = 3;
autovetores: v1 = (1; 2; 2); v2 = (1; 1; 0), v3 = (1; 0; 0)
e) p(x ) = x 3 + x 2 4x 4 = (x + 2)(x 2)(x + 1); autovalores: 1 = 2; 2 = 2, 3 = 1;
autovetores: v1 = (1; 0; 1); v2 = (1; 0; 1), v3 = (0; 1; 0)
f) p(x ) = x 3 10x 2 + 28x 24 = (x 6)(x 2)2 ; autovalores: 1 = 6; 2 = 2;
autovetores: v1 = (1; 1; 1); v2 = (1; 0; 1), v3 = (0; 1; 2)
6) Determine os autovalores e autovetores das transformaco~es lineares:

a) T : R2 ! R2 , T (x; y ) = (5x y; x + 3y ) b) T : R3 ! R3 , T (x; y; z ) = (x; x 8y; y + z )
c) T : R2 ! R2 , T (x; y ) = (5y; 5x ) d) T : R3 ! R3 , T (x; y; z ) = (x + y; y + 2z; y )
Resp.: a) Autovalor: 1 = 4; autovetor: v1 = (1; 1)
b) Autovalores: 1 = 8; 2 = 1; autovetores: v1 = (0; 9; 1); v2 = (0; 0; 1)
c) Autovalores: 1 = 5; 2 = 5; autovetores: v1 = (1; 1); v2 = (1; 1)
d) Autovalores: 1 = 2; 2 = 1; 3 = 1; autovetores: v1 = (0; 1; 21 ); v2 = (1; 2; 2); v3 =
(1; 0; 0)
7) Encontre os valores de a e b sabendo que 1 = 1 e 2 = 2 s~ao os autovalores do operador

linear de R2 em R2 denido por T (x; y ) = ( x + ay; 2x + by ). Resp.: a = 3, b = 4.
 
0 0 d
8) Dado um polinômio p(x ) = x 3 + bx 2 + cx + d , a matriz quadrada M 
= 1 0 c  e
0 1 b
chamada matriz companheira de p(x ).
a) Mostre que o polinômio caracterstico de M e p(x )
 matriz 3 3cujo polin^
b) Determine uma omio caracterstico seja p(x ) = x 3 5x 2 + 6x + 13.
0 0 13
Resp.: b) M = 1 0 6 
0 1 5
9) Sejam v1 e v2 autovetores do operador linear T associados aos autovalores 1 e 2 , respecti-

vamente, com 1 6= 2 . Mostre que o conjunto fv1 ; v2 g e LI.
Resp.: Aplique T a equac~ao av1 + bv2 = 0 e calcule a e b.
10) Sejam T : V ! V linear e = fv1 ; v2 ; : : : ; vn g uma base de V . Sabendo que T (vi ) = i vi ;

i 2 R, i = 1; 2; : : : ; n, determine o polinômio caracterstico, autovalores e autovetores de T .
Resp.: Os autovalores s~ao os i , os autovetores s~ao os vi , com i = 1; 2; : : : ; n. O polinômio
caracterstico e p(x ) = (x 1 )(x 2 ) : : : (x n ).
11) Determine a; b; c; d; e; f ; sabendo que v1 = (1; 1; 1), v2 = (1; 0; 1), v3 = (1; 1; 0) s~ao
 
1 1 1
autovetores da matriz M =  a b c .
d e f
Resp.: a = b = c = 1, d = e = f = 1
12) Seja T : R2 ! R2 a transformac~ao rotac~ao de um ^ngulo em torno da origem dada por

T (x; y ) = (x cos y sen ; x sen + y cos ):
T possui autovalores reais para quais valores de ? Quais s~ao esses autovalores?
Resp.: = 0 ou = , os autovalores s~ao = 1 ou = 1.
Cap
tulo 7
Diagonalizac~ao de Operadores
Neste captulo, introduzimos o conceito de diagonalizac~ao de uma matriz ou, equivalentemente,
de uma transformac~ao linear . Essa e uma simplicac~ao que se pode fazer na apresentac~ao de uma
matriz.
O principal objetivo deste captulo e a denic~ao de polinômio mnimo e sua relac~ao com a
diagonalizac~ao. Tudo o que se denir para uma matriz, tambem se dene de modo analogo para
uma transformac~ao linear que tambem e conhecida pelo nome de operador linear.
7.1 Matrizes semelhantes

Denic~ao 7.1 Duas matrizes quadradas A e B de ordem n s~ao semelhantes se existir uma matriz
invertvel P , de mesma ordem n, tal que A = P 1 BP .
1 1
Exemplo 7.1 Sejam B = 23 111 e P = 4
5
2
. Ent~ao P 1 = 141
1
1 2
5 4
= 145 72 e
1 1 2 1 4 2 1 1 21 1 14 7
1
A = P BP = 145 72 = 145 72 13 3 = 292 25 . Deduzimos a partir
14 7 3 11 5 1 14 7 67 5 2 2
da que as matrizes A e B s~ao semelhantes.
Duas matrizes semelhantes têm muitas propriedades em comum: mesma soma dos elementos
da diagonal principal, mesmo posto, mesma nulidade, mesmo determinante, mesmo polinômio
caracterstico, mesmos autovalores etc. Por exemplo, suponhamos A = P 1 BP , ou seja, A e B
s~ao semelhantes. Ent~ao, o polinômio caracterstico de A e
pA () = det(A I ) = det(P 1 BP I ) = det(P 1 BP IP 1 P ) = det(P 1 (B I )P )

= det(P 1 ) det(B I ) det P =
(det
P) 1 det(B I )
det P = det(B I ) = pB ()
135
136 CAPITULO 7. DIAGONALIZAC ~ DE OPERADORES
AO
que e polinômio caracterstico de B . Em particular, no exemplo anterior, temos que o polinômio

caracterstico de A e
21 1 21

2 2
pA () = det(A I ) = 29 5 = 2 2
5 29
= 2 13 + 19
2 2 4
e o de B e

pB () = det(B

I ) = 2 3 1
)(11 ) 3 = 2 13 + 19:
11 = (2
Portanto, pA () = pB (), ou seja, A e B têm o mesmo polinômio caracterstico.
7.2 Polinômio mnimo

Dado uma matriz quadrada A de ordem n, existem polinômios n~ao nulos p(x ) para os quais
p(A) = 0. Um exemplo de um polinômio desse e o polinômio caracterstico de A que e um polinômio
de grau n, conforme o Teorema de Cayley-Hamilton do captulo 6.
Outro exemplo de polinômio P (x ) em que P (A) = 0 pode ser construdo considerando as n2 + 1
potências da matriz A: A0 = I; A1 = A; A2 = A A; A3 = A2 A; A4 = A3 A; : : : ; An2 = An2 1 A.
Obtemos assim um conjunto de n2 + 1 elementos pertencentes ao espaco vetorial M (n; n) cuja
dimens~ao e n2 . Logo, esses n2 + 1 vetores s~ao linearmente dependentes. Isso signica que existem
escalares a0 ; a1 ; a2 ; : : : ; an2 n~ao todos nulos tais que a0 I + a1 A + a2 A2 + + an2 An2 = 0 )
P (A) = 0, onde P (x ) = an2 x n2 + + a2 x 2 + a1 x + a0 .
Denic~ao 7.2 Dado uma matriz quadrada A, entre os polinômios p() tais que p(A) = 0, consi-
deremos m() como o polinômio de menor grau cujo coeciente do termo de maior grau seja igual
a 1. Esse polinômio e denominado polinômio mnimo* de A.
Um teorema muito util no calculo do polinômio mnimo e o seguinte:

Teorema 7.2.1 O polinômio mnimo de uma matriz quadrada A de ordem n e um divisor do
polinômio caracterstico e, quando esses polinômios s~ao fatorados, ambos têm os mesmos fatores
irredutveis do 1o grau da forma ( i ).
Esse teorema tambem pode ser enunciado da seguinte forma: se
p() = ( 1 )n1 ( 2 )n2 : : : ( r )nr
e o polinômio caracterstico de A, com n1 + n2 + + nr = n, ent~o o polinômio mnimo de A e da
forma
m() = ( 1 )k1 ( 2 )k2 : : : ( r )kr ;
*
Tambem conhecido como polinômio minimal de A.
^
7.2. POLINOMIO MINIMO 137
onde 0 < k1 n1 ; 0 < k2 n2 ; : : : ; 0 < kr nr . Os i , i = 1; 2; : : : ; r , s~ao os autovalores de A

que podem ser numeros reais ou complexos.
Nem sempre e facil escrever o polinômio caracterstico na forma fatorada. Se n for considerado
grande, ent~ao essa fatorac~ao pode se tornar muito difcil.
Exemplo 7.2 Quais as possibilidades para o polinômio mnimo de uma matriz 6 6 cujo polinômio
caracterstico e p() = ( 8)2 ( + 5)4 ?
Soluc~ao: Os fatores irredutveis do 1o grau de p() s~ao ( 8) e ( + 5). Logo, o polinômio

mnimo e um produto de potências desses fatores m() = ( 8)j ( + 5)k , onde 1 j 2 e
1 k 4. E assim, chegamos a conclus~ao de que as alternativas possveis para polinômio mnimo
s~ao:
m() = ( 8)( + 5)
ou m() = ( 8)2 ( + 5)
ou m() = ( 8)( + 5)2
ou m() = ( 8)2 ( + 5)2
ou m() = ( 8)( + 5)3
ou m() = ( 8)2 ( + 5)3
ou m() = ( 8)( + 5)4
ou m() = ( 8)2 ( + 5)4
 
1 2 5 4
 1 4 9 8
Exemplo 7.3 Encontre o polinômio mnimo de A = 
 1 2 11 12
.
1 2 16 17
Soluc~ao: O polinômio caracterstico e

1 x 2 5 4

p() = det(A
1 4
I ) = 1 x 9 8
:
2 11 x 12

1 2 16 17 x
Desenvolvendo esse determinante e simplicando, obtemos
p() = 4 113 + 422 68 + 40:
AO
Precisamos agora fatorar esse polinômio para, depois, calcular o polinômio mnimo. Os divisores
do termo constante de p(), 40, s~ao os elementos do conjunto
f1; 2; 4; 5; 8; 10; 20; 40g:
Aplicando o p em cada um desses valores, obtemos no nal que p(2) = 0 e p(5) = 0 e que 2 e 5 s~ao
as unicas razes inteiras desse polinômio. Logo, p() e divisvel por ( 2)( 5) = 2 7 + 10.
Dividindo p() por 2 7 + 10, obtemos um quociente igual a 2 4x + 4 = ( 2)2 ; ou seja,

p()
= ( 2)2 )
( 2)( 5)
p() = ( 2)3 ( 5):
Observando o polinômio caracterstico assim obtido, temos que as alternativas para o polinômio
mnimo de M s~ao:
m() = ( 2)( 5)
ou m() = ( 2)2 ( 5)
ou m() = ( 2)3 ( 5)
Testamos agora cada uma dessas alternativas, iniciando com a de menor grau.
Se m() = ( 2)( 5), ent~ao

   
1 2 5 4 4 2 5 4 3 
 1 2 9 8  1 1 9 8 
   6= 0:
m(A) = (A 2I )(A 5I ) = 
 1 2

13 12  1 2
=
16 12  
1 2 16 15 1 2 16 12
Um asterisco signica \qualquer valor". O primeiro elemento da matriz sendo igual a 3 ja
mostra que ela n~ao e uma matriz nula, n~ao ha necessidade de se obter os outros elementos.
7.3. DIAGONALIZAC ~ DE UMA TRANSFORMAC
AO ~ LINEAR
AO 139
Se m() = ( 2)2 ( 5), ent~


ao
2  
1 2 5 4 4 2 5 4
 1 2  
9 8  1 1 9 8
m(A) = (A 2I )2 (A 5I ) = 
 1 2 13 12  1 2 16 12

1 2 16 15 1 2 16 12
    
0 0 12 12 4 2 5 4 0 0 0 0
0 0 24 24  1 1 
9 8 0  0 0 0
=  = =0
0 0 36 36  1 2 16 12 0 0 0 0
0 0 45 45 1 2 16 12 0 0 0 0
Portanto, o polinômio mnimo de M e m() = ( 2)2 ( 5).
7.3 Diagonalizac~ao de uma transformac~ao linear

Uma transformac~ao linear T : V !V denida por
    
x1 a11 a12 a13 : : : a1n x1
x2  a21 a22 a23 : : : a2n  x2 
    
T (x1 ; x2 ; x3 ; : : : ; xn ) = A x3  = a31 a32 a33 : : : a3n  x3 
.
 ..
.. .. .. . . . ..  ..
 . . . . .
xn an1 an2 an3 : : : ann xn
pode ser representada por uma matriz diagonal
 
k1 0 0 : : : 0
 0 k2 0 : : : 0
 
 0
[T ] =  0 0 k3 : : : 
 .. .. .. . . . ..
 . . . .
0 0 : : : kn
0
se, e somente se, existe uma base = fv1 ; v2 ; v3 ; : : : ; vn g de V tal que T (v1 ) = k1 v1 , T (v2 ) = k2 v2 ,
T (v3 ) = k3 v3 , : : : ; T (vn ) = kn vn . Nesse caso, v1 ; v2 ; : : : ; vn s~ao autovetores de T associados aos
autovalores k1 ; k2 ; : : : ; kn e dizemos que T e diagonalizavel. Se P for a matriz cujas colunas s~ao
os n autovetores, ent~ao P 1 AP = [T ] e uma matriz diagonal.
Exemplo 7.4 Seja T : R2 ! R2 , T (x; y ) = (25x 13y; 42x 22y ). Mostre que existe um
base de R2 formada por autovetores de T e determine [T ]

Soluc~ao: A matriz de T com relac~ao a base canônica do R2 e A = 25
42
13
22
: O polinômio
AO

caracterstico de A e p() = det(A

I ) = 2542 13
= (25 )( 22 ) + 546 =
22
2 3 4. Resolvendo a equac~ao p() = 2 3 4 = 0, obtemos os autovalores de A: 1 = 1
e 2 = 4 .
x 26
Sendo X = y na equac~ao (A I )X = 0, substituindo por 1, obtemos: 42
13 x =

21 y
0 26x 13y = 0
0
) 42x 21y = 0
cuja soluc~ao e y = 2x , x variavel livre. Escolhendo um valor n~ao nulo
qualquer para x , por exemplo x = 1, obtemos y = 2. Logo, v1 = (1; 2) e um autovetor de A
associado ao autovalor 1.
21 13 x 0
Substituindo agora por 4 na equac~ao (A I )X = 0, obtemos 42 26 y = 0 )

21x 13y = 0
42x 26y = 0
cuja soluc~ao e y = 2113x , x livre. Escolhendo x = 13, obtemos y = 21, e da,
v2 = (13; 21) e autovetor de A associado ao autovalor 4.
Como v1 n~ao e multiplo de v2 , eles s~ao LI e, consequentemente, = fv1 ; v2 g e uma base de R2
formada por autovetores de T . Para determinar a matriz de T com relac~ao a essa base, calculamos
o valor de T em cada vetor da base e escrevemos o resultado como combinac~ao linear dos vetores
dessa mesma base:
T (1; 2) = ( 1; 2) = ( 1) (1; 2) + 0 (13; 21).
T (13; 21) = (52; 84) = 0 (1; 2) + 4 (13; 21).

1 0
Obtivemos assim o seguinte resultado: [T ] = 0 4
:
Observac~ao 1: Note que B = [T ] e uma matriz diagonal e que os elementos da diagonal

principal da matriz s~ao os autovalores. E por isso que dizemos que T e diagonalizavel.

1 13
Observac~ao 2: Se considerarmos P =
2 21
como sendo a matriz cujas colunas s~ao os
21 13
1
autovetores de T , temos P = 25 51 e que
5 5
21 13
1 5 5 25 13 1 13 1 0
P AP = 2 1 42 22 2 21 = 0 4 = B:
5 5
O teorema a seguir e muito importante na vericac~ao da possibilidade de diagonalizac~ao de uma

matriz ou operador linear.
AO ~ LINEAR
AO 141
Teorema 7.3.1 O polinômio mnimo de A e um produto de fatores do 1o grau distintos

m() = ( 1 )( 2 ) : : : ( r )
se, e somente se, A e diagonalizavel.
Exemplo 7.5 Nos dois casos a seguir, determine A, a matriz de T com relac~ao a base canônica
do R3 , calcule o polinômio mnimo de A e verique se A e diagonizavel. Se A for diagonalizavel,
determine uma base do R3 na qual [T ] seja uma matriz diagonal e uma matriz P 2 M (3; 3) tal
que P 1 AP = [T ] .
a) T (x; y; z ) = (5x y; 5x + 3y 2z; 8x )
b) T (x; y; z ) = (x; 14x 24y 31z; 14x + 25y + 32z )
 
5 1 0
Soluc~ao: a) A matriz de T com relac~ao a base canônica do R3 e A = 5 3 2. Seu

8 0 0
5
1 0
polinômio caracterstico e p() = det(A I ) = 5 3 2 que depois de desenvolvido,
8 0
fornece a resposta
p() = 3 + 82 20 + 16:
Os divisores de 16 s~ao as possveis razes inteiras de p(): f1; 2; 4; 8; 16g. Substituindo
diretamente por cada um desses valores em p(), obtemos que p(2) = 0; p(4) = 0 e p(x ) 6= 0
se x 6= 2 e x 6= 4, ou seja, somente 2 e 4 s~ao razes.
p()
Dividindo p() por ( 2)( 4) = 2 6 + 8, obtemos = + 2 ) p() =
( 2)( 4)
( 2)2 ( 4). Esse e o polinômio caracterstico de A na sua forma fatorada e que e essencial
para se determinar o polinômio mnimo.
Baseado na resposta encontrada para o polinômio caracterstico fatorado, temos que o polinômio
mnimo e um divisor desse polinômio e que tem os mesmos fatores do 1o grau encontrados. Assim,
AO
o polinômio mnimo deve ser igual a m() = ( 2)( 4) ou m() = ( 2)2 ( 4). Fazemos
agora uma substituic~ao de por A, comecando pelo de menor grau.
Se m() = ( 2)( 4), ent~ao
m(A) = (A 2I )(A 4I ) =
       
5 1 0 1 0 0 5 1 0 1 0 0
5 3 2 
2 0 1 0   5 3 2  
4 0 1 0 
8 0 0 0 0 1 8 0 0 0 0 1
   
3 1 0 1 1 0 2 

= 5 1  
2 5 1 2 =    =6 0:
8 0 2 8 0 4
N~ao e preciso calcular esses valores marcados com um porque pelo primeiro elemento calculado,
ja percebemos que a matriz n~ao e nula.
Conclumos assim que o polinômio mnimo n~ao e o m() = ( 2)( 4). Como so ha duas
possibilidades para o polinômio mnimo de M , ent~ao ele so pode ser igual a m() = ( 2)2 ( 4).
Alem disso, como tem o fator ( 2) repetido (por causa do expoente 2), chegamos a conclus~ao
de que a matriz M n~ao e diagonalizavel.
 
1 0 0
b) A matriz de T com relac~ao a base canônica do R3 e M =  14 24 31 e seu polinômio
14 25 32
caracterstico e

1 0 0

p() = det(M I ) = 14 24 31=
3 + 92 15 + 7:
14 25 32
Os divisores de 7 s~ao 1; 1; 7; 7. Aplicando o p nesses valores, obtemos p(1) = 0, p( 1) = 32,
p(7) = 0 e p( 7) = 896. Logo, as razes inteiras de p() s~ao 1 e 7 e, consequentemente, p() e
divisvel por ( 1)( 7) = 2 8 + 7.
p()
Dividindo p() por 2 8 + 7 obtemos um quociente igual a (1 ), ou seja, ( 1)( 7) =
1 ) p() = ( 1)2 7). Observando essa forma fatorada do polinômio caracterstico,
AO ~ LINEAR
AO 143
temos que o polinômio mnimo de M so pode ser um dos seguintes: m() = ( 1)( 7) ou
m() = ( 1)2 ( 7).
Vamos agora calcular m(M ), comecando pelo de menor grau. Se m() = ( 1)( 7), ent~ao
m(M ) = (M I )(M 7I ) =
       
1 0 0 1 0 0 1 0 0 1 0 0
 14 24 31 0 1 0  14 24 31 7 0 1 0
14 25 32 0 0 1 14 25 32 0 0 1
    
0 0 0 6 0 0 0 0 0
=  14 25 31  14 31 31 = 0 0 0 = 0:
14 25 31 14 25 25 0 0 0
Portanto, o polinômio mnimo de M e p() = ( 1)( 7) e, como n~ao tem fatores repetidos,
temos que a matriz M e diagonalizavel. Isso signica que existe uma base de R3 formada por
autovetores de T .
Vamos agora determinar os autovetores de T . Para isso, devemos substituir cada autovalor
encontrado na equac~ao (M I )X = 0 e resolver cada sistema linear obtido a partir da. Essa
equac~ao pode ser escrita na forma
            
1 0 0 1 0 0 x 0 1 0 0 x 0
 14 24 31 0 1 0
   y = 0 ) 14
    24 31  y = 0
 
14 25 32 0 0 1 z 0 14 25 32 z 0
    
0 0 0 x 0
Substituindo = 1, obtemos  14 25 31 y  = 0 ) 14x + 25y + 31z = 0
14 25 31 z 0
)z = 14x 25y . Logo, os autovetores associados ao autovalor 1 s~ao (x; y; 14x 25y ) =
31 25 y ) = x (1; 0; 14 ) + y (0; 1; 25 ), para quaisquer valores de 31x e y .
(x; 0; 14
31 x ) + (0; y; 31 31 31
     
6 0 0 x 0  6x = 0
Substituindo = 7, obtemos  14 31 31 y  = 0 )
14x 31y 31z = 0
14 25 25 z 0 14x + 25y + 25z = 0
) x = 0; y = z . Logo, os autovetores associados ao autovalor 7 s~ao da forma (0; z; z ) =
z (0; 1; 1), para qualquer valor de z .
Escolhendo, por exemplo, x = 31, y = 0, obtemos o autovetor v1 = (31; 0; 14); escolhendo
x = 0, y = 31, obtemos o autovetor v2 = (0; 31; 25) e escolhendo z = 1, obtemos o autovetor
v3 = (0; 1; 1). Como fv1 ; v2 ; v3 g s~ao linearmente independentes, eles formam uma base do R3 . E
assim, a matriz P pode ser denida como sendo aquela cujas colunas s~ao esses vetores da base:
 
31 0 0
P = 0 31 1 :
14 25 1
AO
Com essa matriz P , temos que  

1 0 0
P 1 MP = 0 1 0

0 0 7
Observac~ao: E claro que essa matriz P n~ao e unica. Para cada escolha de valores para x; y; z ,
podemos obter uma matriz P diferente. Mas, n~ao importa qual seja a matriz P escolhida, se
as colunas dela forem autovetores LI, a matriz P 1 MP sera a mesma matriz diagonal citada
anteriormente. Alem disso, a diagonal dessa matriz sera sempre formada pelos autovalores de T .

 
2 5 3
R1) Verique se existe alguma matriz diagonal que seja semelhante a matriz A =  1 2 3
3 15 12
Soluc~ao: Se calcularmos o polinômio mnimo dessa matriz, ent~ao poderemos dar uma resposta a
esse problema.
2 5 3

O polinômio caracterstico de A e p() = det(A I ) = 1 2 3

3 15 12
= (2 )( 2 )(12 ) + 45 + 45 18 60 + 90 = 3 + 122 45 + 54: O termo constante
desse polinômio pode ser fatorado da seguinte forma: 54 = 2 33 . Da, obtemos o conjunto
com todos os divisores de 54 que e igual a f1; 2; 3; 9; 6; 18; 27; 54g. Substituindo
diretamente em p(), temos que somente 3 e 6 s~ao razes. Isso signica que p() e divisvel por
( 3)( 6) = 2 9 + 18.
p()
Dividindo p() por 2 9 +18, obtemos um quociente igual a ( +3), ou seja =
( 3)( 6)
+ 3 ) p() = ( 6)( 3)2 que e a forma fatorada de p().
A partir de p() = ( 6)( 3)2 , temos duas possibilidades para o polinômio mnimo:
m() = ( 6)( 3) ou m() = ( 6)( 3)2 . Substituindo por A em ( 6)( 3),
obtemos
        
2 5 3 6 0 0 2 5 3 3 0 0
m(A) = (A 6I )(A 3I ) =   1 2 3 0 6 0    1 2 3  0 3 0
3 15 12 0 0 6 3 15 12 0 0 3
    
4 5 3 1 5 3 0 0 0
=  1 8 3  
1 5 3 = 0  0 0
3 15 6 3 15 9 0 0 0
Portanto, o polinômio mnimo de A e m() = ( 6)( 3) e n~ao apresenta fatores repetidos na

sua fatorac~ao. Isso implica no fato de que A e semelhante a uma matriz diagonal.
 
6 0 0
Observac~ao: A matriz diagonal que e semelhante a A e B = 0 3 0 que e a matriz cuja

0 0 3
diagonal principal s~ao os autovalores de A.
R2) Seja T : R4 ! R4 denida por T (x; y; z; t ) = (y; 3x + 2z; 2y + 3t; z ). Determine uma
base do R4 de tal forma que [T ] seja uma matriz diagonal.
Soluc~ao: Esse tipo de problema e resolvido apresentando-se uma base do R4 formada por autove-
 
0 1 0 0
3 0 2 0
tores de T . Seja A = 
0 2 0 3
a matriz de T com relac~ao a base canônica. Por isso, vamos
0 0 1 0
determinar os autovalores de A. O calculo dos autovalores independe
da base utilizada.

1 0 0

O polinômio caracterstico de A e p() = det(A

I ) = 03 2 0
. Desenvolvendo
2 3

0 0 1
e simplicando esse determinante, obtemos p() = 4 102 + 9.
Os autovalores de A s~ao as razes da equac~ao p() = 0 ) 4 102 + 9 = 0. Essa e uma
equac~ao biquadrada na variavel . Para resolvê-la, basta fazer uma mudanca de variavel 2 = x .
Com essa mudanca, a equac~ao se torna x 2 10x + 9 = 0 que e uma equac~ao do segundo grau
cujas razes s~ao x = 1 ou x = 9. Portanto, 2 = 1 ou 2 = 9 e isso implica 1 = 1, 2 = 1,
3 = 3 e 4 = 3. Esses s~ao os 4 autovalores de A. Com isso, ja podemos armar que a matriz e
diagonalizavel porque o polinômio caracterstico e igual ao polinômio mnimo, sem fatores repetidos.
 
5 2 2 2
2 5 2 2
R3) Mostre que A =
2 2 5 2
 e diagonaliz
avel e determine P 2 M (4; 4) invertvel tal que
2 2 2 5
AO
P 1 AP seja uma matriz diagonal.

Soluc~ao: Esse tipo de problema e completamente resolvido se encontrarmos os autovalores e
autovetores da matriz dada.  
x
y 
Sejam 2 R, I a matriz identidade 4 4 e X = 
z . Ent~ao, a equac~ao (A I )X = 0 pode
t
ser escrita na forma
    
5 2 2 2 x 0
 2
 5 2 2  y 
  
=
 
0 :
 2 2 5 2  z  0
2 2 2 5 t 0

5 2 2 2

O polinômio caracterstico
2
de A e p() = det(A I ) = 2
5 2 2
=
2 5 2

2

2
2 5
5
2 2

2
2 2 2 5
2

2
5 2
(5 ) 2 5 2
2 2 5
2 +2 2
2 2 2 2
2 5
22 5 2 2 5 2 2 5 2 2 2
= (5 )( 3 + 152 63 + 81) 2(22 12 + 18) + 2( 22 + 12 18) 2(22 12 + 18)
=) p() = 4 203 + 1262 324 + 297.
As possveis razes inteiras de um polinômio de coecientes inteiros s~ao os divisores do termo
constante. Fatorando o termo constante de p(), obtemos 297 = 11 33 e da temos que as
possveis razes inteiras desse polinômio s~ao 1; 3; 9; 27; 11; 33; 99; 297. Substituindo
cada um desses valores em p(), obtemos que as razes s~ao 3 e 11. Esses s~ao autovalores de A.
Como 3 e 11 s~ao razes de p(), temos que p() e divisvel por ( 3)( 11) = 2 14 +33.
Efetuando a divis~ao de p() por 2 14 + 33 obtemos um quociente igual a 2 6 + 9. As
razes da equac~ao 2 6 + 9 = 0 s~ao 1 = 3 e 2 = 3. E assim, chegamos a conclus~ao de que as
razes de p() s~ao 11; 3; 3; 3 (nesse caso, o 3 e chamado raiz tripla) e que p() pode ser escrito
na forma
p() = ( 11)( 3)( 3)( 3) = ( 11)( 3)3 :
Substituindo = 11 na equac~ao (A I )X = 0, obtemos
    
6 2 2 2 x 0
2 6 2 2 y  0
   =  :
2 2 6 2  z  0
2 2 2 6 t 0
Para resolver esse sistema, fazemos o escalonamento da sua matriz completa:

     
6 2 2 2 0 3 1 1 1 0 1 1 1 3 0
 2 6 2 2 0  1 3 1 1 0  1 3 1 1 0

 2 2 6 2 0
 !  1 1 3 1 0
 !  1 1 3 1 0

2 2 2 6 0 1 1 1 3 0 3 1 1 1 0
     
1 1 1 3 0 1 1 1 3 0 1 1 1 3 0
 0 4 0 4 0  0 1 0 1 0  0 1 0 1 0
!  0 0 4 4 0
 !  0 0 1 1 0
 !  0 0 1 1 0

0 4 4 8 0 0 0 1 1 0 0 0 0 0 0

x + y + z 3t = 0
e essa ultima matriz corresponde ao sistema

y t = 0 cuja soluc~ao e x = t;
z t=0
y = t; z = t , com t variavel livre. Logo, (t; t; t; t ) e autovetor de A para todo t 2 R. Es-
colhendo t = 1, obtemos o autovetor v1 = (1; 1; 1; 1).
Substituindo = 3 em (A I )X = 0, obtemos
    
2 2 2 2 x 0
2 2 2 2 y  0
    
2 2 2 2 z  = 0
2 2 2 2 t 0
que equivale a equac~ao 2x + 2y + 2z + 2t = 0 ) x + y + z + t = 0 ) t = x y z , com
x; y; z variaveis livres. Logo, os autovetores associados ao autovalor 3 s~ao
(x; y; z; x y z ) = (x; 0; 0; x ) + (0; y; 0; y ) + (0; 0; z; z )
= x (1; 0; 0; 1) + y (0; 1; 0; 1) + z (0; 0; 1; 1):
Obtemos assim, mais três autovetores de A: v2 = (1; 0; 0; 1), v3 = (0; 1; 0; 1) e v4 =
(0; 0; 1; 1).
Tendo em vista que fv1 ; v2 ; v3 ; v4 g s~ao linearmente independentes, eles formam uma base
de autovetores para o R4 e, por isso, A e diagonalizavel. Denindo P como sendo a matriz cujas
1 1 0 0
1 0 1 0
colunas s~ao esses autovetores encontrados, ou seja, P =
1 0 0 1
, obtemos
1 1 1 1
 
11 0 0 0
 0 3 0 0
P 1 AP = 
 0 0 3 0
:
0 0 0 3
AO
 
1 1 1 1
 1
Observac~ao 1: A matriz inversa de P pode ser calculada como sendo P 1 = 1 3 1 1 
4 1 3 1 1
1 1 3 1
e o polinômio mnimo de A e m() = ( 11)( 3).
Observac~ao 2: Esse problema pode ser generalizado
 para matrizes A de ordem
 n n:

a b b ::: b
 1 1 0 0 ::: 0
b a b : : : b
1
 0 1 0 ::: 0

 b a : : : b e diagonizavel e P =
1
 0 0 1 ::: 0
A = b  .. .. .. . . . . . . .. e tal que
 .. .. .. . . . ..
 . . . .
. . . .  
b b b ::: a
1 0 0 0 ::: 1
 
1 1 1 1 ::: 1
a + (n 1)b 0 :::
0 0

 0 a b :::
0 0 

P 1 AP 
=  0 0 a b ::: 0 
. O polinômio caractstico de A e
 .. .. .. ... .. 
 . . . . 
0 0 0 ::: a b
p() = ( (a + (n 1)b))( a + b)n 1.

2 1
R4) Dado um inteiro positivo m, calcule Am sabendo que A = 3 2
.
Soluc~ao: Esta quest~ao n~ao cita autovalores, nem autovetores, nem diagonalizac~ao. Mas vamos
tentar a diagonizac~ao como forma de simplicar
n n o problema,
uma vez que e muito facil calcular
a 0
potências de uma matriz diagonal: 0 b = 0 bn .
a 0

O polinômio caracterstico de A e p() = det(A

I ) = 2 3 1
= (2 )( 2 )+3 =
2
2 1 = (+1)( 1). Suas razes s~ao 1 e 1 que s~ao os autovalores de A. Neste caso, o polinômio
mnimo tambem e igual a m() = ( + 1)( 1) e isso indica que a matriz e diagonalizavel.
Vamos agora determinar os autovetores de A . Para substitumos = 1 e, depois, = 1
isso,
2 1 x 0
na equac~ao (A I )X = 0 ) 3 2 y
=
0
.
Substituindo = 1:

1 1 x 0
3 3 y
=
0
) x y = 0 ) y = x:
Logo, (x; x ) e autovetor para todo x , em particular v1 = (1; 1) e autovetor.
Substituindo = 1:

3 1 x = 0 ) 3x y = 0 ) y = 3x:
3 1 y 0
Logo, (x; 3x ) e autovetor para todo x , em particular v2 = (1; 3) e autovetor.

1 1 3 1 1 0
Considerando agora P = ) P 1 = 21
1 3 1 1
, temos P 1 AP = 0 1
= M e, a partir
da, podemos calcular as potências:
m
M = 1
m
0
0
1
=
1
0 ( 1)m
0
= (P 1 AP )m = (P 1 AP )(P 1 AP ) (P 1 AP )
| {z }
m vezes
=I
z }| { z }| {
=I =I
z }| {
= P 1 A (P P 1 ) A (P P 1 A (P P 1 ) AP = P 1 |A A {zA : : : A} P = P 1 Am P:
| {z }
m vezes
m vezes
Portanto,
M m = P 1 Am P ) P M m P 1 = P P 1 Am P P 1
"
3 1 3 ( 1)m ( 1)m 1 #
) Am = P M m P 1= 1 1 1 0
12 21 = 3(1 ( 21)m ) 3( 1)2m 1 :
1 3 0 ( 1)m 2 2 2 2

1 0
Se m for um numero par, como por exemplo m = 1000, ent~ao A1000 = 0 1 e se m for mpar,

1001 2 1
por exemplo m = 1001, ent~ao A = 3 2 = A.
1) Verique se a matriz A e diagonalizavel. Se for, determine uma matriz P que diagonaliza A e
calcule P 1 AP em cada um dos casos:  
1 2 1
2 4 9 1
a) A = 3 1
b) A = 4 6
c) A =  1 3 1 
     0
2 2 
1 0 0 2 3 1 3 0 2
d) A= 2 3 1 e) A= 0 1 4 f) A =  5 1 5 
0 4 3
0 0 3 2 0 1
1 1 2 0
Resp.: a) P = 1 3 , P 1 AP = 0 5
4
AO

1 1 10 0
b) P =
1 4
, P 1 AP = 0 5
   
0 1 1 1 0 0
c) P 1 1
= 1 0 2 , P AP = 0 2 0 
2 1 1 0 0 3
 A n~
d) A matriz ao e diagonaliz
 avel  
1 1 1 1 0 0
e) P =  31 0 27 , P 1 AP =  0 2 0 
0 0 1 0 0 3
7
f) A matriz A n~ao e diagonalizavel
2) Seja A 2 M (7; 7) tal que 2A2 14A + 24I = 0. Mostre que A e diagonalizavel sobre R.
Resp.: 2A2 14A + 24I = 0 ) A2 7A + 12I = 0. Da, se p(x ) = x 2 7x + 12 temos que
p(A) = 0. Como p(x ) = (x 3)(x 4), conclumos que o polinômio mnimo e um produto de
fatores do primeiro grau em x e que A e diagonalizavel.
 
1 2 2
3) Seja A =  1 4 1 . Mostre que (A 3I )100 (A 2I )100 = 0.
0 0 3
Resp.: O polinômio caracterstico de A e p(x ) = (x 3)2 (x 2) e o polinômio mnimo e
m(x ) = (x 3)(x 2). Da, m(A) = (A 3I )(A 2I ) = 0 ) (A 3I )100 (A 2I )100 = 0.
4) Calcule os polinômios mnimo e caracterstico, autovalores e autovetores de T : R3 ! R3 tal
que T (x; y; z ) = (4x + 8y 2z; 3x 6y + z; 2x 8y + 4z ).
Resp.: p(x ) = m(x ) = (x 2)2 (x + 2), v = (1; 1; 1) e um autovetor associado ao autovalor
2 e w = (1; 12 ; 1) e outro autovetor associado ao autovalor 2.

5) Seja A = ca db . Mostre que o polinômio caracterstico de A e p(x ) = x 2 (a + d )x + det A
e que se det A < 0 ent~ao A e diagonalizavel.
6) Calcule o determinante de uma matriz diagonalizavel A sabendo que seu polinômio caracterstico
e p(x ) = (x + 3)(x 2)2 (x + 4)2 .  
3 0 0 0 0
 0 2 0 0 0 
 
Resp.: A matriz A e semelhante a 
 0 0 2 0 0 .
 Logo, det A = 3 22 ( 4)2 = 192.
 0 0 0 4 0 
0 0 0 0 4
7) Seja T : R3 ! R3 um operador linear denido por T (x; y; z ) = (4x + y z; 5y 2z; 2z ).

Mostre que T e diagonizavel e determine uma base de autovetores e a matriz diagonal associada.
Resp.: Os autovetores s~ao (1; 4; 6), (1; 0; 0), (1; 1; 0) associados aos autovales 2, 4, 5, respecti-
2 0 0
vamente. A matriz diagonal e  0 4 0 .
0 0 5
8) Seja T : V ! V um operador linear cujo polinômio mnimo e m(x ) = x 2 + 1. Mostre que

dim V e par e que T 1 = T .
Resp.: O grau do polinômio caractersco e 2n para algum n e m(T ) = 0.
9) O polinômio caracterstico de uma matriz A de ordem 6 6 e p(x ) = (x 3)2 (x + 2)3 (x 5).

Quais e um possvel polinômio mnimo para essa matriz?
Resp.: Um possvel polinômio mnimo e:
m(x ) = (x 3)2 (x + 2)3 (x 5)
ou m(x ) = (x 3)(x + 2)3 (x 5)

ou m(x ) = (x 3)2 (x + 2)2 (x 5)
ou m(x ) = (x 3)(x + 2)2 (x 5)
ou m(x ) = (x 3)2 (x + 2)(x 5)
ou m(x ) = (x 3)(x + 2)(x 5)
10) Dê exemplo de uma matriz M de ordem 4 4 que n~ao seja uma matriz diagonal, mas seja
diagonalizavel e tenha polinômio caracterstico p(x ) = (x 2)3 (x + 11).
Resp.: Ha uma innidade de respostas para  esse problema.
 Como as razes de p(x ) s~ao
2 0 0 0
0 2 0 0
2; 2; 2; 11, denimos a matriz diagonal A =
0 0 2
, escolhemos qualquer matriz P de
0
0 0 0 11
 
1 1 1 1
1 2 2 2
ordem 4 4 invertvel, por exemplo P =
1 2 3 3
, e conclumos denindo M = P 1 AP =)
1 2 3 4
AO
 
2 0 0 0
 0 2 0 0
M =
 13 26 41 52
. Para cada P escolhida, obtemos uma resposta diferente.
13 26 39 50
Cap
tulo 8
Espacos com Produto Interno

Neste captulo, apresentamos o conceito de produto interno de vetores. Como consequência
dessa denic~ao, podemos calcular o comprimento de um vetor, distância e ângulo entre dois vetores.
Esse conceito generaliza o que e estudado nos cursos de Calculo Vetorial e Geometria Analtica.
8.1 Produto interno e norma

Denic~ao 8.1 Seja V um espaco vetorial com conjunto de escalares R. Uma func~ao
h ; i : V V ! R que associa cada par de vetores (u; v ) a um numero real hu; v i e de-
nominada produto interno em V se satisfaz as seguintes propriedades, para quaisquer vetores
u; v; w e qualquer escalar k :
[I1 ] hu + v; w i = hu; w i + hv; w i;
[I2 ] hkv; w i = k hv; w i;
[I3 ] hu; v i = hv; u i;*
[I4 ] hv; v i 0 e hv; v i = 0 , v = 0.
Um espaco vetorial V no qual esta denido um produto interno e chamado espaco com produto
interno.
p
Denic~ao 8.2 A norma de um vetor v e denida como sendo igual a hv; v i e denotada por
kv k: p
kv k = hv; v i:
A distância entre os vetores u e v e denida como sendo igual a ku v k.
*
Se o conjunto dos escalares for o conjunto C dos numeros complexos, ent~ao a propriedade [I3 ] deve ser substituda por
h
u; v i = hv ; u i

Tambem chamado comprimento ou modulo do vetor.
153
OS COM PRODUTO INTERNO
8.2 Exemplos de espacos com produto interno

Exemplo 8.1 Seja V = R3 . Denimos
h(a1; a2; a3); (b1; b2; b3)i = a1 b1 + a2 b2 + a3 b3 ;
para quaisquer (a1 ; a2 ; a3 ) e (b1 ; b2 ; b3 ) pertencentes a V . Vamos mostrar que a func~ao assim
denida e um produto interno em V .
Sejam u = (u1 ; u2 ; u3 ), v = (v1 ; v2 ; v3 ) e w = (w1 ; w2 ; w3 ) vetores genericos de V e k um escalar
qualquer. Ent~ao:
[I1 ] hu +v; w i = h(u1 +v1 ; u2 +v2 ; u3 +v3 ); (w1 ; w2 ; w3 )i = (u1 +v1 )w1 +(u2 +v2 )w2 +(u3 +v3 )w3 =
u1 w1 + v1 w1 + u2 w2 + v2 w2 + u3 w3 + v3 w3 = (u1 w1 + u2 w2 + u3 w3 ) + (v1 w1 + v2 w2 + v3 w3 ) =
hu; w i + hv; w i;
[I2 ] hkv; w i = h(kv1 ; kv2 ; kv3 ); (w1 ; w2 ; w3 )i = (kv1 )w1 +(kv2 )w2 +(kv3 )w3 = k (v1 w1 + v2 w2 +
v3 w3 ) = k hv; w i ;
[I3 ] hu; v i = u1 v1 + u2 v2 + u3 v3 = v1 u1 + v2 u2 + v3 u3 = hv; u i ;
[I4 ] hv; v i = v1 v1 + v2 v2 + v3 v3 = v12 + v22 + v32 0 e hv; v i = 0 , v12 + v22 + v32 = 0
, v1 = v2 = v3 = 0 , v = 0 .
Os itens [I1 ], [I2 ], [I3 ] e [I4 ] anteriores demonstram que a fun
c~ao e um produto
p p interno em R3 .
Com o produto interno assim denido, temos que kv k = hv; v i = v12 + v22 + v32
Observac~ao 1: O produto interno denido nesse exemplo e conhecido como produto interno
usual do R3 e hu; v i tambem pode ser denotado na forma u v
Observac~ao 2: Em geral, podemos denir o seguinte produto interno usual em Rn :
h(a1; a2; : : : ; an ); (b1; b2; : : : ; bn )i = a1b1 + a2b2 + + an bn ;
para quaisquer (a1 ; a2 ; : : : ; an ); (b1 ; b2 ; : : : ; bn ) 2 Rn .
Exemplo 8.2 Se acrescentarmos um coeciente positivo em qualquer termo ai bi , ent~ao ainda te-
remos um outro produto interno em Rn . Por exemplo,
h(a1; a2; a3); (b1; b2; b3)i = a1 b1 + 5a2 b2 + 11a3 b3
e
h(a1; a2; a3); (b1; b2; b3)i = 2a1 b1 + 4a2 b2 + 7a3 b3
s~ao produtos internos em R3 . E claro que esses produtos n~ao s~ao considerados usuais.
Exemplo 8.3 Consideremos V = R3 e a func~ao f : V V !R denida por
f ((a1 ; a2 ; a3 ); (b1 ; b2 ; b3 )) = a1 b1 a2 b2 + a3 b3 :
8.2. EXEMPLOS DE ESPAC
OS COM PRODUTO INTERNO 155
Sendo v = (1; 2; 1) 2 V . Como f (v; v ) = 1 1 2 2 + 1 1 = 2 < 0, temos que f n~ao e

um produto interno em V porque isso contraria o item [I4 ] da denic~ao.
Observac~ao: Note que f satisfaz os itens [I1 ], [I2 ] e [I3 ] da denic~ao de produto interno.
Exemplo 8.4 Dado uma matriz quadrada A = (aij ) de ordem n, chama-se traco de A a soma dos
elementos da sua diagonal principal e denota-se por tr(A):
tr(A) = a11 + a22 + + ann :
Seja V = M (m; n) o espaco vetorial das matrizes m n. Se A; B 2 V , denimos o produto

interno entre as matrizes A e B como sendo
hA; Bi = tr(B t A):

a b
No caso particular em que V = M (2; 2), para quaisquer matrizes c d
e f
e g h em V ,
temos que

a b ; e f = tr
e g a b = tr
ae + cg be + dg = ae + bf + cg + dh
c d g h f h c d af + ch bf + dh
dene um produto interno em M (2; 2). Por exemplo,

1 2 5 3
; = 1 5 + 2 3 + 3 ( 6) + 4 ( 1) = 11:
3 4 6 1
Exemplo 8.5 Seja V = C ([a; b]) o conjunto de todas as funco~es reais contnuas denidas no
intervalo [a; b]:
C ([a; b]) = ff : [a; b] ! R j f contnua g
Um produto interno em V pode ser denido da seguinte forma:
Z b
hf ; g i = f (t )g (t ) dt
a
Com essa denic~ao, podemos vericar que s~ao verdadeiros as seguintes propriedades para quaisquer
f ; g; h 2 V e k 2 R: Z Z b
b
[I1 ] hf + g; hi = (f (t ) + g (t ))h(t ) dt = (f (t )h(t ) + g (t )h(t )) dt
a Z ba Z b
= f (t )h(t ) dt + g (t )h(t ) dt = hf ; hi + hg; hi;
Z b Z b a a
[I2 ] hkf ; g i = (kf (t ))g (t ) dt = k f (t )g (t ) dt = k hf ; g i;
a a
Z b Z b
[I3 ] hf ; g i = f (t )g (t ) dt = g (t )f (t ) dt = hg; f i;
Za b a Z b
[I4 ] hf ; f i = f (t )2 dt 0 e hf ; f i = 0 ,
f (t )2 dt = 0 , f (t ) = 0; 8t 2 R:
a Z b aZ
2 6 2 6
b
8 10t 9 b 10 9 9 ):
Por exemplo, h2t ; 5t i = (2t ) (5t ) dt = 10t dt = = (b a
a 9 a 9 a
8.3 Propriedades do produto interno

S~ao consequências da denic~ao, as seguintes propriedades, validas para quaisquer t; u; v; w 2V
e k 2 R.
h0; v i = hv; 0i = 0;
hv; kw i = k hv; w i;
hu; v + w i = hu; v i + hu; w i;
hu v; w i = hu; w i hv; w i;
ht + u; v + w i = ht; v i + ht; w i + hu; v i + hu; w i;
hv; v i = kv k2 :
8.4 Desigualdade de Cauchy-Schwarz

Nesta sec~ao, enunciamos e demonstramos uma formula muito importante conhecida como
Desigualdade de Cauchy -Schwarz§ .
Teorema 8.4.1 Se V e um espaco com produto interno, ent~ao
jhu; v ij ku kkv k;
para quaisquer vetores u; v 2V.
Demonstrac~ao: Se v = 0, ent~ao a desigualdade se reduz a 0 0 que e verdadeiro. Suponhamos

v 6= 0 e seja t um escalar qualquer. Vamos desenvolver ku t hu; v iv k2 0:
0 ku t hu; v iv k2 = hu t hu; v iv; u t hu; v iv i = hu; u i 2t hu; v i2 + t 2 hu; v i2 kv k2 :

Augustin-Louis Cauchy (1789-1857), matematico francês
§
Hermann Amandus Schwarz (1843-1921), matematico polonês
^
8.5. ANGULO ENTRE VETORES 157
Escolhendo t = kv1k2 nessa desigualdade, obtemos:

2 2
ku k2 2hku;v kv2 i + hu; v i2 kv k2 kv1k2 = ku k2 hu;kv kv2i 0
que implica jhu; v ij2 ku k2 kv k2 ) jhu; v ij ku kkv k, como queramos demonstrar.
^ ngulo entre vetores

8.5 A
jhu; v ij hu; v i
Da desigualdade de Cauchy-Schwarz, obtemos
ku kkv k 1 ) 1 ku kkv k 1. Como essa
frac~ao e um valor no intervalo [ 1; 1], ela coincide com o cosseno de algum ângulo. Sendo assim,
existe 2 R tal que
cos =
hu; v i :
ku kkv k
o valor de que satisfaz essa igualdade e denominado ângulo entre os vetores n~ao nulos u e v .
A igualdade anterior tambem pode ser escrita na forma hu; v i = ku kkv k cos .
Exemplo 8.6 No R4 com produto interno usual
h(a1; a2; a3; a4); (b1; b2; b3; b4)i
a1 b1 + a2 b2 + a3 b3 + a4 b4 ;
=
determine o valor do ângulo entre os vetores u = (1; 2; 3; 4) e v = ( 3; 1; 0; 5).
p p
w3 ; w4 ), ent~aopkw k = hw; w i = wp12 + w22 + w32 + w42 . Logo,
o: Se w = (w1 ; w2 ; p
Soluc~ap
ku k = 12 + 22 + 32 + 42 = 30 e kv k = ( 3)2 + 12 + 02 + 52 = 35.
O produto interno de u e v e hu; v i = 1 p( 3) + 2 1 +
p 3 0 + 4 5 = 19. Da
p, conclumos que
cos =
h u; v i p 19p
= =p
19
=
19 1050 19 42
= ) = arccos 19 42
.
ku kkv k 30 35 1050 1050 210 210
Observac~ao: O ângulo corresponde aproximadamente a 0; 944 radianos ou a 54; 1 graus, ou
seja, 54 60 500 .
8.6 Vetores unitarios e ortogonais

Denic~ao 8.3 Um vetor v e chamado unitario se kv k = 1. Nesse caso, dizemos tambem que o
vetor esta normalizado.
A partir de qualquer vetor n~ao nulo w , podemos obter um vetor unitario que e multiplo dele.
w
Para isso, basta dividir o vetor pela sua norma para obter um vetor unitario: v = .
kw k
Exemplop8.7 Considerando Vp= R3 com produto interno usual e w = (3; 1; 5). A norma de w e
kw k = 32 + 12 + ( 5)2 = 35; logo, w n~ao e unitario. No entanto, se dividirmos w pela sua
norma, obtemos um vetor v unitario:
w 1 3 1 5
v = kw k = p (3; 1; 5) = ( p ; p ; p ):
35 35 35 35
Denic~ao 8.4 Dizemos que os vetores u e v s~ao ortogonais¶ se hu; v i = 0.
Observac~ao: O vetor nulo 0 e ortogonal a qualquer outro vetor v porque: h0; v i = h0v; v i =
0hv; v i = 0.
Exemplo 8.8 Seja V = R5 com produto interno usual

h(u1; u2; u3; u4; u5); (v1; v2; v3; v4; v5)i = u1 v1 + u2 v2 + u3 v3 + u4 v4 + u5 v5 :
Os vetores a = (2; 1; 0; 5; 1) e b = ( 1; 3; 7; 1; 4) s~ao ortogonais porque
ha; bi = 2 ( 1) + 1 3 + 0 7 + ( 5) 1 + ( 1) ( 4) = 2 + 3 + 0 5 + 4 = 0:
Exemplo 8.9 No espaco C ([ Z1; 1]), considere os elementos f (t ) = t e g (t ) = t 2 com produto

1
interno denido por hu; v i = u (t )v (t ) dt . Temos que
1

t 4 1 1 1
Z 1 Z 1
3
hf ; g i = f (t )g (t ) dt = t dt = 4 = 4 4 = 0:
1 1 1
Portanto, f e g s~ao ortogonais.
8.7 Complemento ortogonal

Denic~ao 8.5 Sejam V um espaco vetorial com produto interno e W V . O complemento
ortogonal de W, denotado por W ? , e o conjunto de vetores de V que s~ao ortogonais a todo
w 2 W:
W ? = fv 2 V j hv; w i = 0; 8w 2 W g
Exemplo 8.10 Seja W = f(0; 0; z ) j z 2 Rg, ou seja, W e o eixo Oz do R3 . Com o produto
interno usual do R3 , temos que um vetor da forma (x; y; 0) e ortogonal a qualquer vetor (0; 0; z )
de W , porque h(x; y; 0); (0; 0; z )i = x 0 + y 0 + 0 z = 0. Portanto,
W ? = f(x; y; 0) j x; y 2 Rg;
¶
Nesse caso, dizemos tambem que u e ortogonal a v ou que v e ortogonal a u .
8.7. COMPLEMENTO ORTOGONAL 159
ou seja, W ? e o plano xOy no R3 .
Observac~ao: Em geral, se W for uma reta qualquer em R3 , ent~ao W ? e um plano que passa pela
origem e que e ortogonal a essa reta.
Exemplo 8.11 Se W = f(x; y; 3 x y ) j x; y 2 Rg = plano cuja equac~ao cartesiana e x +y +z = 3,
ent~ao o complemento ortogonal de W e a reta cujo vetor diretor e ~v = (1; 1; 1), ou seja,
W ? = ft~v j t 2 Rg = f(t; t; t ) j t 2 Rg:
Note que ~v e um vetor ortogonal ao plano e, em geral, qualquer vetor ~v = (t; t; t ) de W ? e
!
ortogonal a qualquer elemento AB = B A de W porque
h(t; t; t ); (x1; y1; 3 x1 y1) (x2; y2; 3 x2 y2)i = h(t; t; t ); (x1 x2 ; y1 y2 ; x1 y1 + x2 + y2 i

= t (x1 x2 ) + t (y1 y2 ) + t ( x1 y1 + x2 + y2 ) = 0:
Toda vez que um produto interno n~ao e mencionado, utilizamos o produto interno usual do
espaco em quest~ao. No caso desse exemplo, utilizamos que
h(a1; b1; c1); (a2; b2; c2)i = a1 a2 + b1 b2 + c1 c2 :
Observac~ao: Em geral, se W for um plano qualquer em R3 , ent~ao W ? e uma reta que passa pela
origem e que e ortogonal a esse plano.
Teorema 8.7.1 Se V e um espaco vetorial com produto interno e W V , ent~ao W ? e um su-

bespaco vetorial de V .
Demonstrac~ao: E claro que 0 2 W ? porque 0 e ortogonal a todo elemento de W . Assim,

W ? 6= ;. Se u; v 2 W ? , w 2 W e a 2 R, ent~ao hau + v; w i = ahu; w i + hv; w i = a 0 + 0 = 0.
Portanto, au + v 2 W ? ) W ? e um subespaco vetorial de V .
Exemplo 8.12 Seja W o subespaco do R4 gerado por v1 = (1; 2; 3; 4) e v2 = (3; 5; 1; 8).

Usando o produto interno usual do R4 , encontre uma base para W ? .
Soluc~ao: Procuramos encontrar todos os vetores w = (x; y; z; t ) 2 R4 tais que

hw; v1i = 0 x + 2y 3z + 4t = 0
hw; v2i = 0 =) 3x + 5y z + 8t = 0 :
Devemos resolver esse sistema linear homogêneo. Para isso, escalonamos sua matriz completa:

1 2 3 4 0 1 2 3 4 0 1 2 3 4 0
3 5 1 8 0
! 0 1 8 4 0
! 0 1 8 4 0

Essa matriz escalonada equivale ao sistema
x + 2y 3z + 4t = 0 , cuja soluc~ao e: y = 8z
y 8z + 4t = 0
4t; x = 2y + 3z 4t = 2(8z 4t ) + 3z 4t = 13z + 4t; com z e t variaveis livres.
Escolhendo z = 0 e t = 1, obtemos w1 = (4; 4; 0; 1) 2 W ? e escolhendo z = 1, t = 0, obtemos
w2 = ( 13; 8; 1; 0) 2 W ? .
Portanto, a base de W ? procurada e f(4; 4; 0; 1); ( 13; 8; 1; 0)g.
Observac~ao: Conferindo se a resposta encontrada esta correta:

hv1; w1 i = h(1; 2; 3; 4); (4; 4; 0; 1)i = 4 8 0 + 4 = 0
hv2 ; w1 i = h(3; 5; 1; 8); (4; 4; 0; 1)i = 12 20 0 + 8 = 0
hv1 ; w2 i = h(1; 2; 3; 4); ( 13; 8; 1; 0)gi = 13 + 16 3 + 0 = 0
hv2 ; w2 i = h(3; 5; 1; 8); ( 13; 8; 1; 0)gi = 39 + 40 1 + 0 = 0
Efetuamos os produtos internos dos elementos da base de W com todos os da base de W ? e todos
os resultados deram iguais a zero. Portanto, o resultado encontrado esta correto.
8.8. CONJUNTOS ORTOGONAIS E ORTONORMAIS 161
8.8 Conjuntos ortogonais e ortonormais

Denic~ao 8.6 Dizemos que um conjunto de vetores fu1 ; u2 ; : : : ; un g de um espaco com produto
interno e ortogonal se seus elementos s~ao dois a dois ortogonais, ou seja, hui ; uj i = 0, se i 6= j .
Em particular, dizemos que fu1 ; u2 ; : : : ; un g e um conjunto ortonormal se ele e ortogonal e cada
vetor ui e unitario, ou seja
hui ; uj i = 01;; se i 6= j
se i = j :
Um conjunto ortonormal fu1 ; u2 ; : : : ; un g sempre pode ser obtido a partir de um conjunto orto-
v
gonal fv1 ; v2 ; : : : ; vn g, bastando dividir cada vetor pela sua norma: ui = i ; i = 1; 2; : : : ; n.
kv k i
Exemplo 8.13 Consideremos = fi = (1; 0; 0); j = (0; 1; 0); k = (0; 0; 1)g a base canônica do R3
com produto interno usual. Ent~ao, hi; i i = hj; j i = hk; k i = 1 e hi; j i = hj; k i = hk; i i = 0
mostra que e uma base ortonormal.
Exemplo 8.14 Com o produto interno usual, o conjunto

S = fv1 = (3; 0; 6; 0); v2 = ( 6; 1; 3; ; 5); v3 = (14; 30; 7; 15)g
e um conjunto ortogonal depvetores do p R4 porque hv1; pv2i = hv1; v3i = hv2; v3i = 0. As normas
desses vetores s~ao kv1 k = 3 5, kv2 k = 71 e kv3 k = 5 1370. Logo, se dividirmos cada elemento
de S pela sua norma, obtemos um conjunto ortonormal de vetores do R4 :

T = fu1 = p1 ; 0; p2 ; 0 ; u2 = p6 ; p1 ; p3 ; p5 ;
5 5 71 71

71 71
u3 = p 14 ; p 30 ; p7 ; p 15 :
1370 1370 1370 1370
Teorema 8.8.1 Seja B = fv1 ; v2 ; : : : ; vn g um conjunto ortogonal de vetores n~ao nulos de um
espaco V com produto interno. Ent~ao, B e um conjunto de vetores linearmente independentes.
Alem disso, se w = a1 v1 + a2 v2 + + an vn , ent~ao ai =
hw; vi i ; i = 1; 2; : : : ; n.
hv ; v ii i
Demonstrac~ao: Sejam x1 ; x2 ; : : : ; xn escalares tais que x1 v1 + x2 v2 + + xn vn = 0. Fazendo o
produto interno dos dois lados por vi , obtemos
hx1v1 +x2v2 + +xn vn ; vi i = h0; vi i ) x1hv1; vi i+x2hv2; vi i+ +xi hvi ; vi i+ +xn hvn ; vi i = 0
) 0 + 0 + + xi hvi ; vi i + + 0 = 0 ) xi = 0;
com i = 1; 2; : : : ; n. Logo, B e um conjunto de vetores LI.
Se w = a1 v1 + a2 v2 + + an vn , ent~ao
ha1v1 + a2v2 + + an vn ; vi i = hw; vi i ) a1hv1; vi i + a2hv2; vi i + + ai hvi ; vi i + + an hvn ; vi i
= hw; vi i ) 0 + 0 + + ai hvi ; vi i + + 0 = hw; vi i ) ai =
hw; vi i ;
hv ; v i
i i
com i = 1; 2; : : : ; n.
Observac~ao: Se o conjunto B for ortonormal, ent~ao hvi ; vi i = 1, 8i , e a formula para ai e

simplicada: ai = hw; vi i:
8.9 Ortogonalizac~ao de Gram-Schmidt

Seja = f~v ; w~ g uma base de um espaco vetorial V . A partir de queremos obter uma
outra base para esse mesmo espaco, com a propriedade de que seja uma base ortogonal.
Multiplicamos um dos vetores, ~v , por k e subtramos do outro vetor obtendo como resultado w~ k~v .
Vamos exigir que o vetor obtido dessa forma seja ortogonal a ~v , ou seja, que hw~ k~v ; ~v i = 0.
Desenvolvendo hw~ k~v ; ~v i = 0, obtemos hw;

hw;
~ ~v i
~ ~v i k h~v ; ~v i = 0 o que implica k = h~v ; ~v i e

assim conclumos que = ~v ; w~
h ~ ~v i
w;
h~v ; ~v i ~v e uma base ortogonal do mesmo espaco vetorial
V.
hw;
~ ~v i
Se ~v for unitario, o vetor w~
h~v ; ~v i ~v simplica para w~ hw; ~ ~v i~v .
Esse procedimento de se obter uma base ortogonal (ou ortonormal) a partir de uma base dada
e chamado de ortogonalizac~ao.
O que mostramos anteriormente para 2 vetores, pode ser generalizado para uma quantidade
nita qualquer. Se fu1 ; u2 ; : : : ; un g e um conjunto ortonormal de vetores de um espaco com produto
interno V , ent~ao para qualquer v 2 V , o vetor
w = v hv; u1 iu1 hv; u2 iu 2 hv; un iun
8.9. ORTOGONALIZAC ~ DE GRAM-SCHMIDT
AO 163
e ortogonal a cada um dos ui porque

hw; ui i = hv; ui i hv; u1i h|u1{z; ui}i hv; u2i h|u2{z; ui}i : : :
=0 =0
hv; ui i h|ui {z
; ui }i hv; un i h|un{z
; ui }i = hv; ui i hv; ui i = 0:
=1 =0
Dada uma base = fv1 ; v2 ; : : : ; vn g de um espaco com produto interno V , vamos construir
uma base ortonormal = fu1 ; u2 ; : : : ; un g para V a partir de com os seguintes passos:
v1
u1 =
kv1k ;
w2
w2 = v2 hv2 ; u1 iu1 ; u2 =
k w2 k ;
w3
w3 = v3 hv3 ; u1 iu1 hv3 ; u2 iu2 ; u3 =
k w3 k ;
w4
w4 = v4 hv4 ; u1 iu1 hv4 ; u2 iu2 hv4 ; u3 iu3 ; u4 =
kw4 k ;
.. .. ..
. . .
Em geral, wn = vn hvn ; u1iu1 hvn ; u2iu2 hvn ; un 1iun 1; un = kwwn k ;
n
Esse procedimento e conhecido pelo nome de Processo de Ortogonalizac~ao de Gram - Schmidt** .
Exemplo 8.15 Considere a seguinte base de R3
= fv1 = (1; 1; 1); v2 = (0; 1; 1); v3 = (0; 0; 2)g:
Obtenha uma base ortonormal = fu1 ; u2 ; u3 g para R3 construda a partir de e determine as
coordenadas do vetor u = (5; 4; 3) nessa base .
Soluc~ao: Usando o produto interno usual do R3 , vamos aplicar a base o processo de ortogona-
lizac~ao descrito anteriormente:
w1 = v1 ,
u1 = kww11 k = p13 (1; 1; 1) = ( p13 ; p13 ; p13 );
w2 = v2 hv2 ; u1 iu1 = (0; 1; 1) ( p23 )( p13 ; p13 ; p13 ) = (0; 1; 1) + ( 32 ; 23 ; 23 ) =
( 23 ; 13 ; 13 ),
u2 = kww22 k = p36 ( 23 ; 13 ; 13 ) = ( p26 ; p16 ; p16 )

Jorgen Pedersen Gram (1850-1916), matematico dinamarquês
**
Erhard Schmidt (1876-1959), matematico estoniano
w3 = v3 hv3 ; u1 iu1 hv3 ; u2 iu2 = (0; 0; 2) p23 ( p13 ; p13 ; p13 ) ( p26 )( p26 ; p16 ; p16 ) =
(0; 0; 2) ( 32 ; 23 ; 23 ) + ( 23 ; 31 ; 13 ) = (0; 1; 1),
u3 = kww33 k = p12 (0; 1; 1) = (0; p12 ; p12 )
Logo, a base ortonormal procurada e
1
= fu1 = ( p ; p1 ; p1 ); u2 = ( p2 ; p1 ; p1 ); u3 = (0; p1 ; p1 )g:
3 3 3 6 6 6 2 2
Agora, vamos determinar escalares x; y; z tais que u = xu1 + yu2 + zu3 . Como e ortonormal,
ent~ao esses coecientes s~ao iguais a produtos internos de u pelos vetores da base:
x = hu; u1 i = h(5; 4; 3); ( p13 ; p13 ; p13 )i = p43 ;
y = hu; u2 i = h(5; 4; 3); ( p26 ; p16 ; p16 )i = p116 ;
z = hu; u3 i = h(5; 4; 3); (0; p12 ; p12 )i = p72 :

Portanto, as coordenadas de u na base s~ao p4 ; p11 ; p7 = [ u ] .
3 6 2
Como consequência desse processo de ortogonalizac~ao, temos o seguinte teorema:
Teorema 8.9.1 Todo espaco vetorial de dimens~ao nita possui uma base ortonormal.
Outro resultado importante e conhecido como Teorema da Decomposic~ao Ortogonal:

Teorema 8.9.2 Seja W um subespaco vetorial de um espaco V de dimens~ao nita com produto
interno . Ent~ao V = W W ? , ou seja, todo vetor v 2 V se escreve de modo unico na forma
v = a + b, onde a 2 W e b 2 W ? . Alem disso, kv k2 = kak2 + kbk2 :
Demonstrac~ao: Inicialmente, vamos mostrar que W \ W ? = 0. Se v 2 W \ W ? , ent~ao v 2 W

e v 2 W ? ) v e ortogonal a v ) hv; v i = 0 ) v = 0.
Consideremos uma base ortogonal = fv1 ; v2 ; : : : ; vr g de W . Podem ser acrescentados vetores
u1 ; u2 ; : : : ; us a essa base de modo que o conjunto resultante = fv1 ; v2 ; : : : ; vr ; u1 ; u2 ; : : : ; us g
seja uma base de V . Essa base pode ser submetida a um processo de ortogonalizac c~ao de modo
a resultar em uma base de V ortogonal
= fv|1 ; v2 ;{z: : : ; vr}; w ; w ; : : : ; w}s g:
| 1 2{z
base de W base de W?
Como cada vetor vi e ortogonal a cada vetor wj , ou seja, hvi ; wj i = 0, 8i; j , temos que wj 2 W ?,
8j . Se w for um vetor qualquer de W ?, ent~ao w 2 V e, consequentemente,
w = a1 v1 + +ar vr +b1 w1 + +bs ws ) |w b1 w1 {z bs w}s = a| 1 v1 + {z + ar v}r 2 W \W ? = f0g
2W ? 2W
)w = b1 w1 + b2 w2 + + bs ws e isso signica que todo vetor de W ? e combinac~ao linear de
w1 ; w2 ; : : : ; ws , logo fw1 ; w2 ; : : : ; ws g e uma base para W ? .
Se v 2 V , ent~ao v e combinac~ao linear dos elementos de , ou seja, v se escreve na forma
v = x|1 v1 + x2 v2{z+ + xr v}r + y|1 w1 + y2 w{z2 + : : : ys w}s = a + b:
=a2W = b 2 W?
Como W \ W ? = f0g, temos que v se escreve de modo unico nessa forma. Alem disso,
kv k2 = hv; v i = ha+b; a+bi = ha+b; ai+ha+b; bi = ha; ai + ha; bi + hb; ai + hb; bi = kak2+kbk2:
| {z } | {z } | {z } | {z }
=kak2 =0 =0 kbk2
R1) Usando o seguinte produto interno do R3

h(x1; y1; z1); (x2; y2; z2)i = 10x1 x2 2x2 y1 2x1 y2 + 5y1 y2 3x2 z1 y2 z1 3x1 z2 y1 z2 + 2z1 z2 ;
determine a norma de w = (a; b; c ), mostre que hw; w i 0 e calcule o ângulo entre os vetores
u = (4; 0; 0) e v = (0; 5; 0).
Soluc~ao: Se w = (a; b; c ), ent~ao

p p p
kw k = hw; w i = h(a; b; c ); (a; b; c )i = 10a2 4ab + 5b2 6ac 2bc + 2c 2 :
Para mostrar que hw; w i = kw k2 0, escrevemos o radicando da express~ao anterior como

uma soma de quadrados:
kw k 2
= a2 + 9a2 4ab + b2 + 4b2 6ac 2bc + c 2 + c 2
= (a2 4ab + 4b2 ) + (9a2 6ac + c 2 ) + (b2 2bc + c 2 ) = (a 2b)2 + (3a c )2 + (b c )2 0
| {z } | {z } | {z }
0 0 0
Usando a formula para kw k obtida anteriormente, temos:

p p p
ku k = k(4; 0; 0)k = 10 42 4 0 + 5 02 640 2 0 0 + 2 02 = 160 = 4 10
p p p
kv k = k(0; 5; 0)k = 10 02 4 0 5 + 5 52 600 2 5 0 + 2 02 = 125 = 5 5
hu; v i = 10 4 0 200 245+505 300 50 340 0 0 + 2 0 0 = 40
Se for a medida do ângulo entre os vetores u e v , ent~ao

p p
cos =
hu; v i = p 40 p = p2 = p2
=
2
) = arccos 2
ku k kv k 4 10 5 5 50 5 2 5 5
Observac~ao 1: e aproximadamente igual a 1; 857 radianos ou 106 250 4700 .
Observac~ao 2: Note que os vetores u e v n~ao s~ao ortogonais com o produto interno denido
nesse exerccio. No entanto, eles s~ao ortogonais se for usado o produto interno usual do R3 .
R2) Usando o produto interno usual, determine uma base para W ? , sabendo que W e o subespaco
de V = R5 gerado por v1 = (1; 5; 8; 4; 3), v2 = (2; 2; 2; 0; 9) e v3 = (4; 1; 2; 5; 2).
Calcule as dimens~oes de W e W ? e verique que dim W + dim W ? = dim V .
Soluc~ao: Vamos determinar todos os vetores w = (x; y; z; s; t ) 2 R5 tais que

 
hw; v1 i = 0 x + 5y 8z + 4s 3t = 0

hw; v2i = 0 =)  2x + 2y 2z + 9t = 0 :
hw; v3i = 0 4x + y + 2y + 5s 2t = 0
Para resolver esse sistema linear homogêneo, escalonamos sua matriz completa:
   
1 5 8 4 3 0 1 5 8 4 3 0
M= 2 2 2 0 9 0 ! 0 8 14 8 15 0

4 1 2 5 2 0 0 19 34 11 10 0
   
1 5 8 4 3 0 1 5 8 4 3 0
! 7 15 7 1 15 0
0 1 4 1 8 0 ! 0 1
 
43 2058 0
0 19 34 11 10 0 0 0 4 8 8
 
1 5 8 4 3 0
! 0 1 7 15 0
4 321 2058 0
0 0 1 3 6

x + 5 y 8z + 4 s 3t = 0
Essa matriz escalonada equivale ao sistema y 7z + s 15t = 0 , cuja soluc~ao e:
4 8

z + 323s 2056 t = 0
205t 32s
z = 6 3
;

7z 15t 7 205t 32s 15t 205t 32s
y =
4
s+ 8 =4 6 3
s+ 8 = 6 3
;

205t 32s 205t 32s
x = 5y + 8z 4s + 3t = 5
6 3
+8
6 3
4s + 3 t = 9 s 32t;
com s e t podendo assumir quaisquer valores reais. Por exemplo, escolhendo s = 0 e t = 6,

obtemos w1 = ( 192; 370; 205; 0; 6) 2 W ? e escolhendo s = 3, t = 0, obtemos w2 =
(27; 59; 32; 3; 0) 2 W ? .
Portanto, a base de W ? procurada e
f(
192; 370; 205; 0; 6); (27; 59; 32; 3; 0)g;
Conclumos dessa forma que dim W ? = 2. As linhas da matriz M foram obtidas a partir dos
vetores dados v1 , v2 e v3 e, ao ser escalonada, n~ao apareceram linhas nulas. Isso signica que esses
vetores s~ao linearmente independentes e, consequentemente, formam uma base para W . Portanto,
dim W = 3. Vericamos assim que
dim W + dim W ? = 3 + 2 = 5 = dim V:
Observac~ao 1: Esse tipo de problema tem uma innidade de respostas validas. Cada valor
escolhido para as variaveis livres s e t , leva a uma base de W ? diferente.
Observac~ao 2: Para conferir se a resposta encontrada esta correta, devemos calcular os seis
produtos hv1 ; w1 i; hv1 ; w2 i; hv2 ; w1 i; hv2 ; w2 i; hv3 ; w1 i; hv3 ; w2 i e vericar que todos d~ao iguais
a zero. Por exemplo,

hv1; w1i = h(1; 5; 8; 4; 3); ( 192; 370; 205; 0; 6)i
= 1 ( 192) + 5 370 8 205 + 4 0 3 6 = 192 + 1850 1640 + 0 18 = 0:
R3) Seja W o subespaco do R5 gerado por v1 = (1; 2; 1; 2; 3); v2 = (2; 3; 1; 3; 4);

v3 = ( 1; 4; 3; 4; 7); v4 = (2; 6; 3; 7; 8): A partir desses vetores, obtenha uma base ortonor-
mal para W .
Soluc~ao: Usando o produto interno usual do R5 , vamos aplicar o processo de ortogonzalizac~ao de

Gram-Schmidt ao conjunto de vetores fv1 ; v2 ; v3 ; v4 g.
w1 = v1 ) u1 = kww11 k = p119 (1; 2; 1; 2; 3) = ( p119 ; p219 ; p119 ; p219 ; p319 );
w2 = v2 hv2 ; u1 iu1 = (2; 3; 1; 3; 4) p2719 ( p119 ; p219 ; p119 ; p219 ; p319 )
= (2; 3; 1; 3; 4) ( 27 19 ; 54
19 ; 27
19
54 ; 81 ) = ( 11 ; 3 ; 8 ; 3 ; 5 ),
; 19 19 19 19 19 19 19
w 11
u2 = kw22 k = ( 2p57 ; 2p57 ; p57 ; 2p57 ; 2p557 );
3 4 3
w3 = v3 hv3 ; u1 iu1 hv3 ; u2 iu2
= ( 1; 4; 3; 4; 7) ( 41 82 41 82 123 22 6 16 6 10
19 ; 19 ; 19 ; 19 ; 19 ) ( 19 ; 19 ; 19 ; 19 ; 19 ) = (0; 0; 0; 0; 0). Isso sig-
nica que v3 e combinac~ao linear de v1 e v2 , logo, pode ser retirado do conjunto.
w4 = v4 hv4 ; u1 iu1 hv4; u2iu2
= (2; 6; 3; 7; 8) 55 ; 110 ; 55 ; 110 ; 165 ) ( 11 ; 3 ; 2 ; 3 ; 5 ) = ( 3 ; 1 ; 0; 5 ; 3 );
( 19
u4 = kww44 k = ( 2p311 ; p1 ; 019; p5 19; p319 ) 19 76 76 76 76 76 4 4 4 4
2 11 2 11 2 11
Portanto, uma base ortonormal de W e

= p1 ; p2 ; p1 ; p2 ; p3 ; p11 ; p3 ; p4 ; p3 ; p5 ;
19 19 19 19 19 2 57 2 57 57 2 57 2 57
3 1 5 3
p ; p ; 0; p ; p
2 11 2 11 2 11 2 11
R4) No espaco vetorial P4 , obtenha 2 3 4

Z 1uma base ortogonal a partir da base = f1; t; t ; t ; t g,
usando o produto interno hf ; g i = f (t )g (t ) dt .
1
Soluc~ao: Com qesse produto interno, o calculo da norma e efetuado atraves da formula
p R
kf k = hf ; f i = 11[f (t )]2 dt . Vamos usar o Processo de Ortogonalizac~ao de Gram-Schmidt:
1 1 dt = p2 ) u = v1 = p1 ;
qR
v1 = 1 ) w1 = v1 = 1 ) kw1 k = 1 1 kv1 k 2
Z 1 t
v2 = t ) w2 = v2 hv2; u1iu1 = t p dt p12 = t 0 = t;
| 1 {z2 }
qR q =0
kw2 k = 1t 2 dt = 2,
1
q 3
u2 = kww22 k = 32 t ;
Z r !
R
1 pt 2 dt p1 1 3 q
v3 = t 2 ) w3 = v3 hv3 ; u1 iu1 hv3 ; u2 iu2 = t 2 1 2 2 t2 2
t dt 3t =
2
1
| {z }
=0
t 2 31 q0 = t 2 1;
3 q q
R 1 )2 dt = R 1 (t 4
kw3k = 11(qt 2 3 1
2t 2 + 1 ) dt = 2 2 ,
3 9 3 5

u3 = kww33 k = 32 52 t 2 13 ;
Z 1 t3
v4 = t 3 ) w4 = v4 hv4; u1iu1 hv4; u2iu2 hv4; u3iu3 = t 3 p dt p12
|1 {z 2
}
Z r ! =0
R
1 t 3 q 3 t dt q 3 t 1 3 5 2 1 q
1 2 2 t3 t 2 2 3
dt 32 5 t2
2
1 = t3 0
3
3
5 0=
1
| {z }
=0
t 3 53 ; q qR q
R
kw4k = 11(qt 3 3 )2 dt =
5
1
1 (t
6 6t 3 + 9 ) dt = 2 2 ,
5 25 5 7

u4 = kww44 k = 52 72 t 3 35 ;
v5 = t 4 ) w5 = v5 hv5; u1iZu1 hv5;ru2iu!2 h!v5; u3iu3 hv5; u4iu4
R
1 pt dt p1 1 3 q
= t4
4
t 4 t dt 3t
1 2 2 2 1 2
| {z }
R q =0
q
1 t4 3 5 2 1 3 5 t2 1
1 2 r2 t 3 dt
!2
2 3
Z 1 ! q
t4
5 7
t3
3
dt 52 72 t 3 3 = t4 6t 2 + 3 :
1 2 2 5 5 7 35
| {z }
=0
Portanto, a base ortogonal procurada e
1 3 6t 2 3
= fw1 ; w2 ; w3 ; w4 ; w5 g = f1; t; t 2 3
; t3 5
; t4 7
+ g:
35
1 Z
Observac~ao: Nos calculos das integrais anteriores, utilizamos varias vezes que t n dt = 0, se n
Z 1 1
n 2
for mpar, e que t dt = n + 1 , se n for par.
1
Observac~ao: Esses polinômios ortogonais encontrados s~ao conhecidos como Polinômios de Le-
gendre e têm muitas aplicaco~es na Matematica e na Fsica. Podemos dar continuidade a essa
sequência de polinômios e encontrar w6 = t 5 109 t 3 + 215 t , w7 = t 6 15 4 5 2 5
11 t + 11 t 231 etc.
R5) Determine um vetor normalizado (unitario) em R4 que seja ortogonal aos vetores
v1 = (1; 1; 1; 1), v2 = (1; 1; 1; 1) e v3 = (2; 1; 1; 3) de acordo com o produto interno usual.
Soluc~ao: Seja v = (x; y; z; t ) 2 R4 que e ortogonal aos vetores v1 , v2 e v3 . Ent~ao,

 
hv; v1 i = 0  x +y +z +t =0

hv; v2i = 0 =)  x y z + t = 0 :
hv; v3i = 0 2x + y + z + 3 t = 0
Para resolver esse sistema linear, escalonamos sua matriz completa:
     
1 1 1 1 0 1 1 1 1 0 1 1 1 1 0
M= 1 1 1 1 0 ! 0 2 2 0 0 ! 0 1 1 0 0
2 1 1 3 0 0 1 1 1 0 0 1 1 1 0
 
1 1 1 1 0
! 0 1 1
 0 0
0 0 0 1 0

x + y + z + t = 0
Essa matriz escalonada corresponde ao sistema y + z = 0 , cuja soluc~ao e x = 0;

t=0
y = z; t = 0, ou seja, (0; z; z; 0) para qualquer z 2 R. Escolhendo z = 1, obtemos o vetor
(0; 1; 1; 0). Ao ser dividido pela sua norma, encontramos o vetor normalizado procurado
1 1 1
u = p (0; 1; 1; 0) = (0; p ; p ; 0):
2 2 2
R6) Seja V = C ([0; Z1]), o espaco das funco~es contnuas no intervalo [0; 1], com produto interno
1
denido por hf ; g i = f (x )g (x ) dx . Calcule o ângulo e a distância entre as funco~es f (x ) = 3x 2
0

Adrien-Marie Legendre (1752-1833), matematico francês.
e g (x ) = 4x 3 .
Soluc~ao: Com o produto interno assim denido, obtemos os seguintes resultados:

sZ
p 1
kv k = hv; v i = [v (x )]2 dx ;
0
sZ sZ s r
1
2 2
1
4 9x 5 1 9
kf k = (3x ) dx = 9x dx = = ;
0 0 5 0 5
sZ sZ s 1 r
1 1 16 x 7
kg k = (4x 3 )2 dx = 16x 6 dx = = 16 ;
0 0 7 0 7

12x 6 1
Z 1 Z 1
hf ; g i = 2 3
(3x )(4x ) dx = 5
12x dx = = 2.
0 0 6 0
O ângulo entre as funco~es f e g e
p
 

arccos
hf ; g i = arccos  q
2
q  = arccos 35
kf kkg k 9
5
16
7
6
e a distância e
s s
Z 1 Z 1
kf g k = k3x 2 4x 3 k = (3x 2 4x 3 )2 dx = (9x 4 24x 5 + 16x 6 ) dx
0 s
0
r r
16x 7 1

9x 5 6 9 16 3
= 4x + = 4+ = :
5 7 0 5 7 35
R7) Sejam R3 com produto interno denido por

hv; w i = h(v1 ; v2 ; v3 ); (w1 ; w2 ; w3 )i = 5v1 w1 + v2 w2 + 4v3 w3
e o subespaco vetorial S = f(x; y; z ) j x + y + 3z = 0g. Determine uma base para S ? .
Soluc~ao: Temos que S pode ser escrito da seguinte forma:

S = f(| y {z 3z}; y; z )k y; z 2 Rg = f( y; y; 0) + ( 3z; 0; z ) j y; z 2 Rg
=x
= fy ( 1; 1; 0) + z ( 3; 0; 1) j y; z 2 Rg = [( 1; 1; 0); ( 3; 0; 1)]:
Se (a; b; c )2 S ? , ent~ao h(a; b; c ); ( 1; 1; 0)i = 0 e h(a; b; c ); ( 3; 0; 1)i = 0 que implica o

5a + b = 0
sistema linear 15a + 4c = 0
, cuja soluc~ao e b = 5a, c = 154a , ou seja, (a; 5a; 154a ) = a(1; 5; 154 ),
para qualquer valor de a.
Conclumos assim que S ? = [(1; 5; 154 )] = [(4; 20; 15)]:
R8) Sejam u e v dois vetores de um espaco com produto interno V tais que ku k = 5, kv k = 6 e
ku + v k = 7. Determine o valor de hu; v i.
Soluc~ao: Como ku +v k2 = hu +v; u +v i = hu; u i+hu; v i+hv; u i+hv; v i = ku k2 +2hu; v i+kv k2 ,
temos que
ku + v k2 ku k2 kv k2 72 52 62
hu; v i = = = 6:
2 2
R9) Mostre que se u e v s~ao vetores quaisquer de um espaco com produto interno, ent~ao os
vetores w1 = kv ku + ku kv e w2 = kv ku ku kv s~ao ortogonais.
Soluc~ao: O produto interno entre w1 e w2 e igual a

hw1; w2i = hkv ku + ku kv; kv ku ku kv i
= hkv ku; kv ku i hkv ku; ku kv i + hku kv; kv ku i hku kv; ku kv i
= kvXk2XkX
u kX2(( kuXk2XkX
kv(kk(u(kh(u;(v((i + (ku(kk(v(kh(v;(u((iXX v kX2 = 0
X
Logo, w1 e w2 s~ao ortogonais.
R10) Se f e uma func~ao contnua em um intervalo [a; b], mostre que

Z b 2 Z b
f (x ) dx (b a) [f (x )]2 dx:
a a
Z b
Soluc~ao: Consideremos o produto interno hu; v i = u (x )v (x ) dx no espaco C ([a; b]). Nesse
p qR a
caso, o calculo da norma de v e kv k = hv; v i =
b 2
a [v (x )] dx .
Usando a Desigualdade de Cauchy-Schwarz,
jhf ; g ij kf kkg k ) (hf ; g i)2 kf k2kg k2:
No caso particular em que g (x ) = 1, temos
Z b 2 Z b Z b
f (x ) 1 dx 1 dx [f (x )]2 dx
2
a a a
Z b 2 Z b
) f (x ) dx (b a) [f (x )]2 dx;
a a
conforme queramos mostrar.
interno hA; B i =tr(B A) em

M (2; 3), calcule o ^
R11) Usando o produto t angulo e a distância
0 8 3 1 1 2
entre as matrizes U = 4 2 1 e V = 5 7 0 .

Soluc~ao: Se A = da1 be1 c1 e B =
f1
a2 b2
d2 e2
c2 , com o produto interno assim denido, temos:
f2
1 1
  
a2 d2 a b c
hA; Bi = tr(B A) = tr b2 e2 d11 e11 f11 
t  
c2 f2
 
a2 a1 + d2 d1 a2 b1 + d2 e1 a2 c1 + d2 f1
 
= tr  b2 a1 + e2 d1 b2 b1 + e2 e1 b2 c1 + e2 f1  = a1 a2 + b1 b2 + c1 c2 + d1 d2 + e1 e2 + f1 f2
c2 a1 + f2 d1 c2 b1 + f2 e1 c2 c1 + f2 f1
e da, p q
kAk = hA; Ai = a12 + b12 + c12 + d12 + e12 + f12:
Aplicando ao caso das matrizes U e V , temos:
hU; V i = 0 1 + 8 1 + 3 ( 2) + ( 4) 5 + 2 7 + 1 0 = 4
p p
kU k = 02 + 82 + 32 + ( 4)2 + 22 + 12 = 94
p p
kV k = 12 + 12 + ( 2)2 + 52 + 72 + 02 = 80
O ângulo entre U e V e , onde

cos =
hU; V i = p p4 =) = arccos p p 4
:
kU kkV k 94 80 94 80
A distância entre U e V e igual a
p p
kU V k = (0 1)2 + (8 1)2 + (3 ( 2))2 + ( 4 5)2 + (2 7)2 + (1 0)2 = 182:
1) Considerando os vetores v1 = (x1 ; y1 ) e v2 = (x2 ; y2 ) de V = R2 . Verique quais das funco~es

f : V V ! R a seguir s~ao produtos internos em V .
a) f (v1 ; v2 ) = 2x1 x2 + 3y1 y2 b) f (v1 ; v2 ) = 3x1 x2 x1 y2 x2 y1 + 3y1 y2

c) f (v1 ; v2 ) = x1 x2 y1 y2 d) f (v1 ; v2 ) = 4x1 x2 + x1 y2 + x2 y1 + y1 y2
e) f (v1 ; v2 ) = 4x1 x2 f) f (v1 ; v2 ) = x1 y2 + x2 y1 + 1
Resp.: S~ao produtos internos somente os itens (a), (b), (d).
2) Seja V = R4 com produto interno usual. Determine o valor de m para o qual os vetores
u = (0; m 1; 1p; 4) e v = (5; m + 1; 0; 1) s~ao ortogonais.
Resp.: m = 5
3) Consideremos no R3 o produto interno denido por
h(x1; y1; z1); (x2; y2; z2)i = 2x1x2 + y1y2 + 4z1z2:
Determinar, em relac~ao a esse produto interno, um vetor unitario que simultaneamente ortogonal
aos vetores u = (1; 1; 2) e v = (2; 1; 0).
Resp.: u = ( 29 ; 89 ; 16 )
4) Seja V um espaco vetorial com produto interno h ; i e sejam u e v vetores ortogonais e
unitarios de V . Calcule hu + v; 2u i e determine o valor de hw; u + v i para que u + v seja ortogonal
a 2u + w .
Resp.: hu + v; 2u i = 2 e hu + v; w i = 2
5) Suponha u e v ortogonais e u + v = 0. Mostre que u = v = 0.
Resp.: Use que hu + v; u + v i = hu; u i + 2hu; v i + hv; v i = 0
6) Mostre que se ku + v k = ku v k, ent~ao u e v s~ao ortogonais.
Resp.: Desenvolva hu + v; u + v i = hu v; u v i
7) Seja V um espaco com produto interno. Determine
p o cosseno do ângulo entre os vetores u e
v , sabendo que ku k = 3, kv k = 7 e ku + v k = 4 5.
Resp.: cos = 11
21
8) Se u e v s~ao vetores
p ortogonais e unitarios de um espaco vetorial V com produto interno,
mostre que ku v k = 2.
Resp.: Desenvolva hu v; u v i
9) Se u e v s~ao vetores de um espaco vetorial com produto interno, ent~ao mostre que:
a) ku + v k2 + ku v k2 = 2ku k2 + 2kv k2 (conhecido como Lei do Paralelogramo)
b) hu; v i = 14 ku + v k2 1 ku
4 v k2
Resp.: Desenvolva hu + v; u + v i e hu v; u v i, some e subtraia as respostas encontradas.
10) Em R3 considere a denic~ao da func~ao

hu; v i = 2x1x2 + 3y1y2 + z1z2;
onde u = (x1 ; y1 ; z1 ) e v = (x2 ; y2 ; z2 ). Mostre que h ; i e um produto interno e encontre uma base
ortogonal de R3p a partir da basep3 f(1; 0; 0); (1; 1; 0); (1; 1; 1)g.
2
Resp.: = f( 2 ; 0; 0); (0; 3 ; 0); (0; 0; 1)g

11) Seja M (2; 2) = a b j a; b; c; d 2 R com o produto interno
c d

a b ; e f = ae + bf + cg + dh;
c d g h

1 1 0 1
e seja W = 0 0
; 1 0
.
a) Determine bases ortogonais para W e W ?

b) A partir das bases obtidas em (a), encontre uma base ortogonal para M (2; 2)

2 p0 1 0
c) Calcule o ângulo entre e 1 0
.
0 5

1 1
1 1 2 2 , W? = 1 1 0 0
Resp.: a) W = 0 0
; 1 0 1 0
; 0 1
1 1
1 1
b) M (2; 2) = ; 21 02 ; 11 10 ; 00 01
p2 0 0
c) = arccos 3
1 Z
12) Considere em P3 o produto interno hp(x ); q (x )i = p(x )q (x ) dx . Calcule o ângulo entre
1
os vetores 1 e x e determine W ? sabendo que W = [1; x ].
Resp.: Os vetores 1 e x sA~£o ortogonais e W ? = [ 53 x 3 + x; 3x 2 + 1]
Z 1
13) Considere em P2 o produto interno hp(x ); q (x )i = p(x )q (x ) dx . Calcule kf k, onde
0
f (x ) = x 2 e determine
p5 W ? sabendo que W = [1 + x; 1 x ].
Resp.: kf k = 5 , W ? = [6x 2 6x + 1]
14) Generalizac~ao do Teorema de Pitagoras: Seja V um espaco vetorial com produto interno e
sejam x; y dois vetores de V . Mostre que x e ortogonal a y se, e somente se, kx +y k2 = kx k2 +ky k2 .
Resp.: Desenvolva hx + y; x + y i
15) Seja V = R4 com produto interno hu; v i = 2u1 v1 + u2 v2 + u3 v3 +5u4 v4 , onde u = (u1 ; u2 ; u3 ; u4 )
e v = (v1 ; v2 ; v3 ; v4 ). Obtenha uma base ortonormal para o seguinte subespaco de V :
W = [(1; 0; 0; 0); (0; 1; 0; 1); (0; 1; 1; 0)]:
p
Resp.: = f( p12 ; 0; 0; 0); (0; p16 ; 0; p16 ); (0; p566 ; p116 ; p166 )g
16) O traco de uma matriz quadrada A, tr(A), e denido como sendo a soma dos elementos da
n
X
sua diagonal principal: tr(A) = aij . Considerando o espaco vetorial V = M (m; n) com produto
i =1
interno denido por hA; B i = tr(B t A), calcule:

1 2
a) A norma de X = 3 4
no espaco M (2; 2).
b) Dê exemplo de Y 2 M (2; 2); Y 6= 0, que seja ortogonal a X

2 1 5 0
c) O ângulo entre A = 1 3
eB= 1 2
p
Resp.: a) kX k = 30,
2 1
b) Varias respostas s~ao possveis, por exemplo Y = 4 3
p
c) = arccos 1730 2
n p p p p o
17) Mostre que = 2 2 2 2 e uma base ortonormal de R2 com produto interno
2; 2 ; 2; 2
usual e determinepas coordenadas
p do vetor v = (2; 4) com relac~ao a .
Resp.: [v ] = (3 2; 2)
18) Sejam R3 com produto interno usual e os subespacos S1 = f(x; y; z ) 2 R3 j x 2y + 3z = 0g
e S2 = f(2t; t; t ) j t 2 Rg. Determine as bases de S1? e de S2? .
Resp.: S1? = [(1; 2; 3)]; S2? = [(1; 0; 2); (0; 1; 1)]
19) Com relac~ao ao produto interno usual do R3 , determine uma base ortogonal para os
subespacos:
a) S1 = f(x; y; z ) 2 R3 j y 2z = 0g
b) S2 = f(x; y; z ) 2 R3 j x + y + z = 0g
c) S3 = f(x; y; z ) 2 R3 j 5x + y = 0g
Resp.: a) S1 = [(1; 0; 0); (0; 2; 1)] b) S2 = [(1; 0; 1); ( 1; 2; 1)] c) S3 = [(0; 0; 1); (1; 5; 0)]
20) Seja V um espaco vetorial com produto interno e = fv1 ; v2 ; v3 ; v4 g uma base ortonormal
de V .
a) Obtenha um vetor unitario de V a partir de v = 4v1 2v2 + 2v3 v4
b) Calcule a norma de w = sen3 v1 + sen2 cos v2 + sen cos v3 + cos v4
p p p p p
c) Determine o ângulo entre os vetores x = 7v1 + 5v2 + 3v3 + v4 e y = 7v1 + 5v2
Resp.: a) u = 45 v1 25 v2 + 25 v3 15 v4 ; b) kw k = 1; c) 6
Z 1
21) Seja V = P2 com produto interno denido por hf ; g i = f (x )g (x ) dx . Obtenha uma base
0
ortonormal para V a partir da base = f1; x; x 2 g.
Resp.: = fx 2 ; x 54 x 2 ; 1 4x + 103 x 2 g
22) Sejam u e v dois vetores quaisquer de um espaco vetorial com produto interno. Mostre que
a) ku + v k ku k + kv k (conhecido como desigualdade triangular )
b) ku + v k ku k kv k
c) j ku k kv k j ku + v k
Resp.: a) Desenvolva hu + v; u + v i; b) Use o item (a) e que u = (u + v ) v ; c) Use o item
(b) duas vezes.
23) Se a1 ; a2 ; : : : ; an ; b1 ; b2 ; : : : ; bn s~ao numeros reais, ent~ao mostre que
p p p
a) (a1 + b1 )2 + (a2 + b2 )2 + : : : (an + bn )2 a12 + a22 + + an2 + b12 + b22 + : : : bn2
b) (a12 + a22 + + an2 )(b12 + b22 + : : : bn2 ) (a1 b1 + a2 b2 + + an bn )2
Resp.: Use as desigualdades ku + v k ku k + kv k e jhu; v ij ku k kv k com o produto interno
h(x1; : : : ; xn ); (y1; : : : ; yn )i = x1y1 + + xn yn .
24) Se f e g s~ao funco~es contnuas no intervalo [0; 1], ent~ao mostre que
s s s
Z 1 Z 1 Z 1
a) (f (x ) + g (x )) dx
2 2
f (x ) dx + g (x )2 dx ,
0 0 0
Z 1 2
R
1 f (x ) dx 2
f (x ) 0
b) dx R 1 2 dx , se g (x ) 6= 0 para todo x 2 [0; 1] .
0 g (x ) 0 g (x )
Resp.:R Use as desigualdades ku + v k ku k + kv k e jhu; v ij ku k kv k com o produto interno
hf ; g i = 01 f (x )g (x ) dx .
Cap
tulo 9
Formas bilineares e quadraticas

Neste captulo fazemos uma breve introduc~ao ao estudo das formas bilineares e quadraticas com
algumas aplicaco~es a Geometria Analtica no que se refere a classicac~ao de cônicas e quadricas.
Denic~ao 9.1 Seja V um espaco vetorial de dimens~ao nita com conjunto de escalares igual a R.
Uma forma bilinear em V e uma func~ao f : V V ! R com as seguntes propriedades:
f (au1 + u2 ; v ) = af (u1 ; v ) + f (u2 ; v ), ou seja, f e linear na primeira variavel;
f (u; av1 + v2 ) = af (u; v1 ) + f (u; v2 ), ou seja, f e linear na segunda variavel;
para quaisquer u; v; u1 ; u2 ; v1 ; v2 2 V e qualquer a 2 R.
Exemplo 9.1 O produto interno usual do R3 denido por
f (u; v ) = h(u1 ; u2 ; u3 ); (v1 ; v2 ; v3 )i = u1 v1 + u2 v2 + u3 v3
e uma forma bilinear em R3 . De um modo geral, qualquer produto interno do Rn e uma forma
bilinear em Rn .
Exemplo 9.2 Se A = (aij ) e uma matriz qualquer de M (n; n), ent~ao A pode ser usada para denir
a seguinte forma bilinear em Rn :
f : Rn Rn ! R; f (X; Y ) = XAY t ;
onde X = (x1 ; x2 ; : : : xn ) e Y = (y1 ; y2 ; : : : ; yn ).
  
a11 a12 : : : a1n y1
n X
n
a21 a22 : : : a2n  y2 

  X
f ((x1 ; x2 ; : : : xn ); (y1 ; y2 ; : : : ; yn )) = x1 x2 : : : xn  .. .. . . . ..  . = aij xi yj
 . . .  .. i =1 j =1
an1 an2 : : : ann yn
179
180 CAPITULO 9. FORMAS BILINEARES E QUADRATICAS

9.1 Matrizes e Formas Bilineares

Seja f uma forma bilinear em V e seja = fv1 ; v2 ; : : : ; vn g uma base de V . Se u; v 2 V s~ao
tais que u = a1 v1 + a2 v2 + + an vn e v = b1 v1 + b2 v2 + + bn vn , onde ai ; bi 2 R, ent~ao
f (u; v ) = f (a1 v1 + a2 v2 + + an vn ; b1 v1 + b2 v2 + + bn vn )
n X
X n
= a1 b1 f (v1 ; v1 ) + a1 b2 f (v1 ; v2 ) + + an bn f (vn ; vn ) = ai bj f (vi ; vj )
i =1 j =1
Sendo assim, f e perfeitamente determinada pelos n2 valores f (vi ; vj ).

Denic~ao 9.2 A matriz A = (aij ) em que aij = f (vi ; vj ) e denominada a matriz de f com relac~ao
a base .
Pelo que foi denido anteriormente, as coordenadas de u na base s~ao (a1 ; a2 ; : : : ; an ) e as
coordenadas de v s~ao (b1 ; b2 ; : : : ; bn ). Da, obtemos
  
f (v1 ; v1 ) f (v1 ; v2 ) : : : f (v1 ; vn ) b1
f (v2 ; v1 ) f (v2 ; v2 ) : : : f (v2 ; vn )

 b2 
 
f (u; v ) = a1 a2 : : : an  .. .. ... ..   ..  = [u ] A[v ]t :
 . . .  . 
f (vn ; v1 ) f (vn ; v2 ) : : : f (vn ; vn ) bn
Exemplo 9.3 Considerando f a forma bilinear em R3 denida por
f (x; y ) = f ((x1 ; x2 ; x3 ); (y1 ; y2 ; y3 )) = 4x1 y1 6x1 y2 + 5x2 y1 11x2 y2 + 2x2 y3 + x3 y1 8x3 y3 :
Ent~ao, observando os coecientes de cada termo, temos que a matriz de f com relac~ao a base
canônica do R3 e  
4 6 0
A = 5 11 2
1 0 8
e a forma matricial de f e
  
4 6 0 y1
f ((x1 ; x2 ; x3 ); (y1 ; y2 ; y3 )) = x1 x2 x3 5 11 2 y2  :
1 0 8 y3
9.2 Formas Bilineares Simetricas

Denic~ao 9.3 Dizemos que uma forma bilinear f em um espaco vetorial V e simetrica quando
f (u; v ) = f (v; u ), 8u; v 2 V .

9.3. FORMAS QUADRATICAS 181
 
2 8 5
Exemplo 9.4 Seja A =  8 6 4 e f : R3 R3 ! R denida por
5 4 3
  
2 8 5 x2
f ((|x1 ; {z y2 ; z2})) = x1 y1 z1
y1 ; z1}); (|x2 ; {z  8 6 4 y2 
=u =v 5 4 3 z2
= 2x1 x2 8x1 y2 + 5x1 z2 8y1 x2 + 6y1 y2 + 4y1 z2 + 5z1 x2 + 4z1 y2 + 3z1 z2 :
Temos que
  
2 8 5 x1

y1 ; z1})) = x2 y2 z2
y2 ; z2}); (|x1 ; {z
f ((|x2 ; {z  8 6 4 y1 
=v =u 5 4 3 z1
= 2x2 x1 8x2 y1 + 5x2 z1 8y2 x1 + 6y2 y1 + 4y2 z1 + 5z2 x1 + 4z2 y1 + 3z2 z1 = f (u; v ):
Logo, f e uma forma bilinear simetrica.

Note que A e uma matriz simetrica porque At = A. Isso sempre acontece com formas bilineares
simetricas, ou seja, uma forma bilinear simetrica sempre esta associada a uma matriz simetrica.
9.3 Formas Quadraticas

Denic~ao 9.4 Uma func~ao q : V ! R e chamada forma quadratica quando q (v ) = f (v; v ),
8v 2 V , para alguma forma bilinear simetrica f .
Se V = Rn , como consequência dessa denic~ao, temos que toda forma quadratica e uma func~ao
q : Rn ! R da forma
q (x1 ; x2 ; : : : ; xn ) = a11 x12 + a22 x22 + + ann xn2 + 2(a12 x1 x2 + a13 x1 x3 + + an 1;n xn 1 xn );
onde os aij s~ao constantes reais para quaisquer i , j . Note que essa equac~ao tambem pode ser
escrita na forma de equac~ao matricial:
  
a11 a12 : : : a1n x1
a12 a22 : : : a2n 

 x2 
 
q (x1 ; x2 ; : : : ; xn ) = x1 x2 : : : xn  .. .. . . . ..  . :
 . . .  ..
a1n a2n : : : ann xn
Por outro lado, toda forma bilinear f pode ser obtida a partir de uma forma quadratica q atraves
da relac~ao
q (u + v ) q (u ) q (v )
f (u; v ) = 2

porque
q (u + v ) q (u ) q (v ) = f (u + v; u + v ) f (u; u ) f (v; v )
= f| (u;u) + f (u; v ) {z
+ f (v; u ) +
f (v;v}) u;u)
f ( v;v) = f (u; v ) + f (v; u ) = 2f (u; v ):
f (
= f (u+v;u+v )
Note que f (u + v; u + v ) e desenvolvido de forma semelhante ao desenvolvimento do produto
(u + v ) (u + v ).
Exemplo 9.5 Considerando a forma quadratica no R2 dada por q (x; y ) = 5x 2 10xy + 3y 2 . Essa
forma quadratrica e obtida a partir da forma bilinear
q (x + z; y + t ) q (x; y ) q (z; t ) 5(x + z )2 10(x + z )(y + t ) + 3(y + t )2
f ((x; y ); (z; t )) = 2
=
2
5(x 2 + 2xz + z 2 ) 10(xy + xt + zy + zt ) + 3(y 2 + 2yt + t 2 )
=
2
5x 2 + 3y 2 + 5z 2 + 3t 2
= + 5xz 5xy 5xt 5zy 5zt + 3yt:
2
Exemplo 9.6 Uma forma quadratica em R2 , q (x; y ) = Ax 2 + By 2 + Cxy , pode ser escrita na forma
de equac~ao matricial
q (x; y ) = x y C=A2 C= 2 x

B y
e uma forma quadratica em R3 , q (x; y; z ) = Ax 2 + By 2 + Cz 2 + Dxy + Exz + F yz , pode ser
escrita na forma   
A D=2 E=2 x

q (x; y; z ) = x y z D=2 B F=2 y  :

E=2 F=2 C z
O teorema a seguir e muito importante para o desenvolvimento dessa teoria. Ele e fundamental
na simplicac~ao das equaco~es das formas quadraticas que faremos nas proximas seco~es.
Teorema 9.3.1 Toda matriz M simetrica de elementos reais e diagonalizavel. Isso signica que
existe uma matriz P cujas colunas s~ao autovetores de M e que P 1 MP e uma matriz diagonal.
A demonstrac~ao desse teorema pode ser encontrada na maioria das referências bibliogracas.
9.4 Matrizes Ortogonais

Denic~ao 9.5 Uma matriz quadrada M de elementos reais chama-se ortogonal quando sua inversa
1
seja, M = M .
coincidir com sua transposta, t
3 4ou 3 4
5 5 1
Por exemplo, M = 4 3 e ortogonal porque M = 4 53 = M t :
5
5 5 5 5
^
9.5. FORMA CANONICA
DE UMA FORMA QUADRATICA 183
Teorema 9.4.1 Se = fu1 ; u2 ; : : : ; un g e uma base ortonormal de um espaco vetorial V de di-

mens~ao n, ent~ao uma matriz M cujas linhas sejam os vetores da base e uma matriz ortogonal.
O mesmo vale para uma matriz cujas colunas sejam os vetores da base.
Demonstrac~ao: Se u1 = (a11 ; a12 ; : : : ; a1n ), u2 = (a21 ; a22; : : : ; a2n ), : : : ; un= (an1 ; an2 ; : : : ; ann )
a11 a12 : : : a1n
a21 a22 : : : a2n 
e um conjunto de n vetores ortonormais, denimos M =   .. .. . . . .. 

e temos:
 . . . 
an1 an2 : : : ann
   
a11 a12 : : : a1n a11 a21 : : : an1
a21 a22 : : : a2n  a12 a22 : : : an2 
 
M M t =  .. .. . . ..   .. .. . . ..  =
. . . . . . . .
an1 an2 : : : ann a1n a2n : : : ann
 2 2 + + a12n a11 a21 + + a1n a2n : : : a11 an1 + + a1n ann 
a11 + a12  
a21 a11 + + a2n a1n a2 + a2 + + a2 : : : a21 an1 + + a2n ann  1 0 ::: 0
 21 22 2n 
 = 0 1 : : : 0

 .. .. ... ..
 . . . 
0 0 ::: 1
2 2 2
an1 a1n + + ann a1n an1 a21 + + ann a2n : : : an1 + an2 + + ann
De modo analogo, temos tambem M t M = I e assim conclumos que M t = M 1 ) M e uma
matriz ortogonal.
A recproca desse teorema tambem e verdadeira. Isso signica que se M e uma matriz ortogonal
de ordem n n, ent~ao suas linhas (ou colunas) formam uma base ortonormal do espaco vetorial V
de dimens~ao n.
9.5 Forma canônica de uma forma quadratica

n X
X n
Denic~ao 9.6 Uma forma quadratica q (x1 ; x2 ; : : : ; xn ) = aij x i x j esta na forma canônica
i =1 j =1
quando aij = 0, sempre que i 6= j .
Por exemplo, a forma quadratica f (x; y; z ) = x 2 + 4y 2 + 9z 2 esta na forma canônica, enquanto
que g (x; y; z ) = x 2 + 2xy + 4yz + z 2 n~ao esta.
A partir de uma forma quadratica q (v ) em V e possvel fazer uma mudanca de variavel v = v 0 de
modo que q (v 0 ) esteja na forma canônica. Por uma quest~ao de simplicidade, suponhamos V = R3
e que q (v ) = vAv t ; onde v = (x; y; z ) e A = (aij ) seja uma matriz 3 3 de elementos reais.
Como A e uma matriz real simetrica, sabe-se que ela e diagonalizavel. Assim, existe uma base
1 0 0
de V formada por autovetores de A tal que P 1 AP = B =  0 2 0  e uma matriz diagonal e
0 0 3

P e uma matriz cujas colunas s~ao os elementos da base de autovetores. Se necessario, podemos
aplicar um processo de ortogonalizac~ao a esses autovetores de forma a obter uma base ortonormal.
Logo, a matriz P pode ser escolhida de modo aseruma matriz 
ortogonal em que P 1= Pt . 
 
x x0 x t x0 t
Se for utilizada uma mudanca de variavel y  = P y 0 , ent~ao y  = P y 0 
0
z z0 z z0
) x y z = x y 0 z 0 P t = x 0 y 0 z 0 P 1 :
x
Na express~ao q = x y z A y  ; substitumos x y z por x 0 y 0 z 0 P 1
   
z
x x0
e y  por P y 0 :
z z0
 0  
x x0
q = x0 0 1 0 0 0 0 0
y z P AP y  = x y z B y 0  = x 0 y 0 z 0

z0 z0
  
1 0 0 x 0
=  0 2 0  y 0  = 1 (x 0 )2 + 2 (y 0 )2 + 3 (z 0 )2 :
0 0 3 z 0
E assim, q ca reduzida a forma canônica.
Observac~ao: Foi utilizada anteriormente a seguinte propriedade: (AB )t = B t At .
A seguir, alguns exemplos de como simplicar a equac~ao de uma forma quadratica, ou seja,
como obter sua forma canônica.
Exemplo 9.7 Reduzir q (x; y ) = x 2 + y 2 + 8xy a forma canônica.
Soluc~ao: Essa forma quadratica pode ser escrita na forma

1 4 x
q (x; y ) = x y 4 1 y :
| {z }
=M
Vamos determinar os autovalores e autovetores de M . Inicialmente, calculamos seu polinômio
caracterstico:
1 4
p() = = 2 2 15:
4 1
Resolvendo a equac~ao do segundo grau 2 2 15 = 0 obtemos os autovalores como razes
dessa equac~ao: 1 = 3 e 2 = 5.
^
9.5. FORMA CANONICA
DE UMA FORMA QUADRATICA 185
Substitumos cada autovalor encontrado na equac~ao (M I )X = 0 para encontrar os autove-

tores.
Substituindo por 5, obtemos

4 4x = 0 ) 4x + 4y = 0 ) y = x:
4 y
4 0
Portanto, (x; x ) e um autovetor de M para qualquer x . Escolhendo x = 1 e dividindo pela
norma, obtemos v1 = ( p12 ; p12 ).

4 4 x 0
4 4 y
=
0
) 4x + 4y = 0 ) y = x:
Portanto, (x; x ) e um autovetor de M para qualquer x . Escolhendo x = 1, obtemos ( 1; 1)
que ao ser dividido pela sua norma (com produto interno usual), fornece v2 = ( p12 ; p12 ).
" #
p12 p12
Denimos agora uma matriz P cujas colunas s~ao os autovetores encontrados: P = p12 p12 :
0
" # " 0 0#
x x p1 p1 0x = xp y
Realizamos agora a mudanca de variavel y = P y 0 = p12 p12 y0 0 +2y 0
xp )x =
0 +y 0
2 2 2
0 y0
xp x 2 2
2 ; y = 2 na forma quadratica q = x + y + 8xy e obtemos
p
0
x y 0 2 x 0 + y 0 2 0
x y 0 x0 + y0
q= p + p + +8 p p
2 2 2 2
0 2
(x ) 0 0 0
2xy + (y )
2 0 2
(x ) + 2xy + (y 0 )2
0 0
= + + 4((x 0 )2 (y 0 )2 )
2 2
= (x 0 )2 + (y 0 )2 + 4(x 0 )2 4(y 0 )2 = 5(x 0 )2 3(y 0 )2 :
Portanto, a forma canônica encontrada e q (x 0 ; y 0 ) = 5(x 0 )2 3(y 0 )2 .
Observac~ao 1: Todos os calculos tambem podem ser efetuados no formato matricial:

0 0
q = x y M yx = x 0 y 0 P 1 MP yx 0 = x 0 y 0 50 03 yx 0 = 5(x 0 )2 3(y 0 )2 :

Observac~ao 2: Note que as linhas (ou colunas) de P s~ao ortonormais. Como consequência
disso, seu determinante e igual a 1 ou 1.
Observac~ao 3: Se det P = 1, a base de autovetores e denominada base negativa. Podemos
fazer uma troca de linhas (ou de colunas) na matriz P para fazer com que o determinante seja

igual a 1. Assim, a base de autovetores passa a ser chamada de base positiva.
Exemplo 9.8 Reduzir a forma canônica: q (x; y; z ) = x 2 + y 2 + 16z 2 + 8xz .

Soluc~ao: Essa forma quadratica pode ser escrita na forma
  
1 0 4 x
q (x; y; z ) = x y z 0 1 0 y :
  
4 0 16 z
| {z }
=M
Vamos determinar os autovalores e autovetores de M . Inicialmente, calculamos seu polinômio
caracterstico:

1
0 4

p() = 0 1 0 =
3 + 182 17 = (2 18 + 17):
4 0 16
Resolvendo a equac~ao p() = 0 obtemos os autovalores de M : 1 = 0, 2 = 17 e 3 = 1.
Substitumos cada autovalor na equac~ao (M I )X = 0 para encontrar os autovetores.
     
1 0 4 x 0  x + 4z = 0
0 1 0  y  = 0 ) y =0:

4 0 16 z 0 4x + 16z = 0
A soluc~ao desse sistema linear e: x = 4z; y = 0. Da, temos que ( 4z; 0; z ) e auto-
vetor de M , para qualquer
valor de z . Escolhendo z = 1 e dividindo pela norma, obtemos
4 1
v1 = p ; 0; p .
17 17
     
16 0 4 x 0  16x + 4z = 0
 0 16 0  y = 0 )
   16y = 0 :
4 0 1 z 0 4x z = 0
A soluc~ao desse sistema linear e: z = 4x; y = 0. Da, temos que (x; 0; 4x ) e autove-
tor de M , para qualquer
valor de x . Escolhendo x = 1 e dividindo pela norma, obtemos
1 4
v2 = p ; 0; p .
17 17
9.6. CLASSIFICAC ~ DE CONICAS
AO ^
E QUADRATICAS 187

    
0 0 4 x 0
4z = 0
0 0 0  y  = 0 ) :
4x + 15z = 0
4 0 15 z 0
A soluc~ao desse sistema linear e: x = 0; z = 0 e y livre. Da, temos que (0; y; 0) e autovetor
de M , para qualquer valor de y . Escolhendo y = 1, obtemos v3 = (0; 1; 0).
 4
p17 p117 0
Denimos uma matriz P =  0 0 1 cujas colunas s~ao os autovetores encontrados.
1 4
p17 p17 0
   0  4  0 0
x x p17 p117 0 x 0  4px +y
17 
Fazemos a mudanca de variavel y  = P y 0  =  0 0 1 y 0  =   z 0  na forma
z z0 p117 p417 0 z 0 xp0 +4y 0
17
quadratica
4x 0 + y 0 2 + 4y 0 2
0 0
2 2 2 2 x 4x 0 + y 0 x + 4y 0
q = x + y +16z +8xz = p 0
+(z ) +16 p +8 p p
17 17 17 17
XXX0 2 0
0 0 2 0 2 0 0 0 2
16(x )X x )(y ) + (y )
8( 16(xX)X +
X X 128( x )(y ) + 256(y )

= + (z 0 )2 +
17 17
XXX 0 2
x 0 )(((
x y
(((
120(
32( X)X(( 0 ) + 32( y 0 )2289(y )20
+ = + (z 0 )2 = 17(y 0 )2 + (z 0 )2 :
17 17
Logo, a forma canônica procurada e q (x 0 ; y 0 ; z 0 ) = 17(y 0 )2 + (z 0 )2 .
Observac~ao: Esses calculos tambem podem ser realizados com a equac~ao no formato matricial:
      
x 0 0 0 1 x0 0 0 0 0 0 0 x0
x y z M y  = x y z P MP y  = x y z 0 17 0 y 0  = 17(y 0 )2 + (z 0 )2 :
0
z z0 0 0 1 z0
9.6 Classicac~ao de Cônicas e Quadraticas

9.6.1 Cônicas
Uma cônica e uma curva plana que pode ser descrita por uma equac~ao geral do segundo grau
nas variaveis x e y :
Ax 2 + By 2 + Cxy + Dx + Ey + F = 0
| {z }
parte quadr
atica

Essa equac~ao tambem pode ser escrita no formato de equac~ao matricial:

x y C=A2 C= 2 x
x
+ D E
B y y + F = 0:
0
Atraves de uma mudanca de variavel
x x
= P 0 , podemos reduzir a parte quadratrica
yy
dessa equac~ao a forma canônica, eliminando o termo Cxy :
A0 (x 0 )2 + B0 (y 0 )2 + D0 x 0 + E 0 y 0 + F 0 = 0:
A partir da, podemos completar os quadrados e identicar qual cônica esta relacionada com a
equac~ao: parabola, elipse, hiperbole ou um caso degenerado como um ponto, um par de retas etc.
Exemplo 9.9 Identicar a cônica denida pela equac~ao x 2 4xy + 4y 2 4x 3y 7 = 0.
Soluc~ao: O formato matricial da equac~ao dessa cônica e

x y
1 2 x + x y 4
7 = 0:
2 4 y 3
| {z }
=M
O polinômio caracterstico de M e p() = det(M I 2 5 e seus autovalores s~ao 0 e
) =
1 2 x = 0 , obtemos:
5. Substituindo cada um desses autovalores na equac~ao
2 4 y 0

=0) 1 2 x 0 x 2y = 0 , cuja soluc~ao e (2y; y ). Fazendo

2 4 y = 0 )2x + 4y = 0
y =1
2 1
e dividindo pela norma, obtemos o autovetor unitario u1 = p ; p .
5 5

= 5 ) 4 2 x = 0 ) 4x 2y = 0
, que tem por soluc~ao e (x; 2x ).
2 1 y 0 2x y = 0
1 2
Fazendo x = 1 e dividindo pela norma desse vetor, obtemos u2 = p ; p .
5 5
" #
p2 p15
Seja P = p15 p25 , a matriz cujas colunas s~ao os autovetores de M . Na equac~ao da cônica,
5
substitumos x por x 0 e y por y 0 , onde x 0 , y 0 satisfazem
" # " 0

x = P x 0 = p25 p15 x 0 2x + py 0 #
p 5 2y50 :
y y0 p15 p25 y 0 = px 0
5 p5
AO ^
E QUADRATICAS 189
Obtemos assim a equac~ao

y0 2
0 0 0 0
2x 2x 2y 0
p +p 4 p + py x
p p
5 5 5 5 5 5
2y 0 2
0 0 0
x 2x 0 y x 2y 0
+4 p p 4 p +p 3 p p 7=0
5 5 5 5 5 5
que, ao ser simplicada, resulta em
p p
5 5(y 0 )2 + 2y 0 11x 0 7 5 = 0;
ou seja, p p
5 5(y 0 )2 + 2y 0 7 5
x0 = 11
que e a equac~ao de uma parabola cujo graco esta mostrado a seguir.
Exemplo 9.10 Identicar a cônica denida pela equac~ao 9x 2 4xy + 6y 2 + 16x 8y 2 = 0.
Soluc~ao: Essa equac~ao pode ser escrito no formato matricial da seguinte maneira:

x y
9 2 x + x y 16 2=0
2 6 y 8
| {z }
=M
O polinômio caracterstico de M e p() = det(M I ) = 2 15 + 50eseus
autovalores
s~ao
9 2 x 0
5 e 10. Substituindo cada um desses autovalores na equac~ao = , obtemos:
2 6 y 0

=5) 4 x = 0 ) 4x 2y = 0 , cuja soluc~ao e (x; 2x ). Fazendo x = 1 e
2
2 y 0 1 2x + y = 0
1 2
dividindo pela norma, obtemos o autovetor unitario u1 = p ; p .
5 5

= 10 ) 1 2 x = 0 )
x 2y = 0 , cuja soluc~ao e ( 2y; y ). Escolhendo
2 4 y
2x 4y = 0
0
2 1
y = 1 e dividindo pela norma do vetor, obtemos o autovetor u2 = p ;p .
5 5
" #
p1 p2
Sejam P = p25 p15 , a matriz cujas colunas s~ao os autovetores de M . Na equac~ao da
5 5
cônica, substitumos x por x 0 e y por y 0 , onde x 0 , y 0 satisfazem
" 0 0#
x = P x 0 = px 5 p2y05 :
y y0 2x 0 + py
p 5 5
Obtemos assim a equac~ao
2y 0 2 y0 2
0 0 0 0
x x 2y 0 2x y0 2x
9 p p 4 p p p +p +6 p +p
5 5 5 5 5 5 5
0
5
x 2y 0 2x 0 y 0
+ 16 p p 8 p +p 2=0
5 5 5 5
que ao ser simplicada fornece o resultado
p
10(y 0 )2 8 5y 0 + 5(x 0 )2 2=0
p
Podemos completar o quadrado de 10(y 0 )2 8 5y 0 da seguinte forma:
" #
2p 2 2p 2

p 4p 0 4p 0
10(y 0 )2 8 5y 0 = 10 (y 0 )2 5y = 10 (y 0 )2 5y + 5 5
5 5 5 5
2 2

4p 0 4 4
= 10 (y 0 )2
5
5y +
5 5
= 10 (y 0 p2 )2 4
5
= 10 y0 p 8:
5 5
Assim, a equac~ao anterior equivale a
2 2

5(x 0 )2 + 10 y0 p 8=2
5
que e o mesmo que
2 2

5(x 0 )2 + 10 y0 p = 10:
5
AO ^
E QUADRATICAS 191
Dividindo por 10
2 2

(x 0 )2
2
+ p =1
y0
5
que e a equac~ao de uma elipse centrada em (0; p25 ).
Os gracos dessas duas equaco~es est~ao mostrado a seguir.
Observac~ao: Para completar o quadrado de Y 2 BY , somamos e subtramos ( B2 )2 :

2 2
B 2
2
2 2 B B B
Y BY = Y BY + 2
= Y
2 2
: 2
9.6.2 Quadricas
Uma quadrica e uma superfcie tridimensional que pode ser descrita por uma equac~ao geral do
segundo grau nas variaveis x , y e z :
Ax 2 + By 2 + Cz 2 + Dxy + Exz + F yz + Gx + Hy + Iz + J = 0
| {z }
parte quadr
atica
Essa equac~ao tambem pode ser escrita em forma de equac~ao matricial:

    
A D=2 E=2 x x
x y z D=2 B F=2 y  + G H I y  + J = 0:
E=2 F=2 C z z

   
x x0
Atraves de uma mudanca de variavel y  = P y 0 , podemos reduzir a parte quadratrica
z z0
dessa equac~ao a forma canônica, eliminando os termos Dxy , Exz e F yz :
A0 (x 0 )2 + B0 (y 0 )2 + C 0 (z 0 )2 + G 0 x 0 + H0 y 0 + I 0 z 0 + J 0 = 0:
Depois disso, podemos completar os quadrados e identicar qual e a quadrica relacionada: elipsoide,
paraboloide, hiperboloide, um caso degenerado etc.
Exemplo 9.11 Classicar a quadrica denida pela equac~ao xy + xz + yz = 3.
Soluc~ao: A equac~ao dessa quadrica pode ser escrita na forma

  
0 1 =2 1 =2 x
x y z 1=2 0 1=2 y  = 3
1=2 1=2 0 z
| {z }
=M
O polinômio caracterstico de M e p() = det(M I ) = 3 + 34 + 14 cujas razes s~ao 1 = 1
e 2 = 12 .     
1 1 =2 1 =2 x 0
Substituindo = 1 na equac~ao (M I )X = 0, obtemos 1=21 1 = 2 y = 0
    )

1=2 1 = 2 1 z 0
 x + y2 + z2 = 0
x y + z = 0 cuja soluc~ ao e x = y = z , ou seja (x; x; x ) para todo x 2 R. Escolhendo x = 1,
 x2 y 2
+
2 2 z = 0
obtemos um autovetor v1 =(1; 1; 1) que, ao ser dividido pela sua norma, fornece o autovetor
1 1 1
unitario u1 = p ; p ; p .
3 3 3     
1=2 1 =2 1 =2 x 0
1
Substituindo = 2 na equac~ao (M I )X = 0, obtemos 1=2 1=2 1=2 y = 0 )
    
1=2 1=2 1=2 z 0
1 (x + y + z ) = 0 cuja soluc~ao e z = x y , ou seja (x; y; x y ) para quaisquer x; y 2 R.
2
Escolhendo x = 1 e y = 0, obtemos um autovetor v2 = (1; 0; 1), e escolhendo x = 0 e y = 1,
obtemos v3 = (0; 1; 1). Como hv2 ; v3 i 6= 0, temos que v2 e v3 n~ao s~ao ortogonais, logo,
precisamos aplicar um procedimento de ortogonalizac~ao:
u2 = kvv22 k = ( p12 ; 0; p12 )
w3 = v3 hv3 ; u2 iu2 = (0; 1; 1) p12 ( p12 ; 0; p12 ) = ( 12 ; 1; 21 ),

u3 = kww33 k = ( p16 ; p26 ; p16 )
AO ^
E QUADRATICAS 193
E claro que u1 e ortogonal a u2 e a u3 porque eles pertencem a autovalores diferentes e M e

simetrica.
Obtemos assim a base ortonormal de autovetores de M como sendo fu1 ; u2 ; u3 g. Denimos
agora P como sendo a matriz cujas colunas s~ao esses autovetores encontrados:
 
p1 p12 p16
 p13 p26 
P =  3 0 :
p13 p12 p16
Na equac~ao dada, fazemos a mudanca de variavel

     0 0 0 
x x0 px 3 + py 2 pz 6
y  = P y 0  =  x0
 p3 + p6 
2z 0 
z z0 px 03 py 02 pz 06
de onde obtemos
0 0 0 0 0 0
x 2z 0 0 0 0 0
p + py pz x
p +p +
xp + py pz x p py pz
3 2 6 3 6 3 2 6 2
0
6 3
2z 0 x0
px py
0
pz
0
+ p +p =3
3 6 3 2 6
que, depois de simplicada, leva a (x 0 )2 (y2) (z2) = 3 que e a equac~ao de um hiperboloide de
02 02
duas folhas. Os gracos que correspondem a essas equaco~es est~ao representados a seguir.

Exemplo 9.12 Classicar a quadrica 3x 2 + 5y 2 + 3z 2 2xy + 2xz 2yz 12x 10 = 0.
Soluc~ao: Escrita em forma matricial, a equac~ao dessa quadrica e

    
3 1 1 x x
x y z  1 5 1 y  + 12 0 0 y  10 = 0
1 1 3 z z
| {z }
=M
O polinômio caracterstico de M e p() = det(M I ) = 3 + 112 36 + 36 cujas razes

s~ao 1 = 2, 2 = 3 e 3 = 6.     
1 1 1 x 0
Substituindo = 2 na equac~ao (M I )X = 0, obtemos  1 3 1 y = 0
    )

1 1 0 z 0
 x y +z =0
x + 3y z = 0 cuja soluc~ao e x = z , y = 0, ou seja ( z; 0; z ) para todo z 2 R. Escolhendo

x y +z =0
z = 1, obtemos um autovetor
v1 = (1; 0; 1) que, ao ser dividido pela sua norma, fornece o
1 1
autovetor unitario u1 = p ; 0; p .
2 2     
0 1 1 x 0
    )

1 1 0 z 0
 y +z =0
x + 2y z = 0 cuja soluc~ao e x = z , y = z , ou seja (z; z; z ) para todo z 2 R. Escolhendo

x y =0
z = 1, obtemosum autovetor v 2 = (1; 1; 1) que, ao ser dividido pela sua norma, fornece o autovetor
1 1 1
unitario u2 = p ; p ; p .
3 3 3     
3 1 1 x 0
    )

1 1 3 z 0
 3x y +z =0

x y z = 0 cuja soluc~ao e x = z , y = 2z , ou seja (z; 2z; z ) para todo z 2 R. Esco-
x y 3z = 0
lhendo z = 1, obtemos um autovetor v3 = (1; 2; 1) que, ao ser dividido pela sua norma, fornece
1 2 1
o autovetor unitario u3 = p ; p ; p .
6 6 6
Obtemos assim a base ortonormal de autovetores fu1 ; u2 ; u3 g de M . Denimos agora P como
AO ^
E QUADRATICAS 195
 
p12 p13 p16
sendo a matriz cujas colunas s~ao os autovetores encontrados: P 
=  0 p13 p26 
 : Na
p12 p13 1
p6
equac~ao dada, fazemos a mudanca de variavel
   0  
x x px 02 + py 03 + pz 06
y  = P y 0  = 
 py 03 p 2z 0 
0 0 6 z0
z z x 0
p2 p3 + p6 y
e depois de uma simplicac~ao obtemos o resultado

p p p
2(x 0 )2 + 3(y 0 )2 + 6(z 0 )2 6 2x 0 4 3y 0 2 6z 0 10 = 0:
Para completar os calculos, devemos agora completar os quadrados nas variaveis x 0 ; y 0 ; z 0 .
Em geral, para completar o quadrado de uma express~ao como X 2 BX , devemos somar e
subtrair o termo constante ( B2 )2 . Depois disso, usamos que
2
B 2

2 B
X BX + = X
2 2
Vamos aplicar três vezes esse tipo de procedimento de calculo com partes da equac~ao obtida
anteriormente:
 
p h p p p i  p 9 9
2(x 0 )2 6 2x 0 = 2 (x 0 )2 3 2x 0 + ( 3 2 2 )2 ( 3 2 2 )2 = 2 (x 0 )2
 
3 2x 0 + 2 
| {z 2} 
(x 0 p32 )2
2
=2 x0 p32 9
p p
4 p3 y 0 2 p3 2 p3
0 2 4 3y 0 4 4 0 2 2
3(y 0 )2 4 3y 0 = 3[(y 0 )2 2 2
3 +( 3 ) ( 3 ) ] = 3[(y ) + 3 = 3(y p3 ) 4
| {z3 3
}
(y 0 p23 )2
 
p  p
p6 p6 p6 6 0 1 1
6(z 0 )2 2 6z 0 = 6[(z 0 )2 )2 ) ] = 6 (z 0 )2
2  
3 z0 + ( 6 (6 z + 6 
| {z3 6} 
(z 0 p16 )2
2
=6 z0 p16 1
Com os quadrados completados, a equac~ao ca na forma
2(x 0 p3 )2 9 + 3(y 0 p2 )2 4 + 6(z 0 p1 )2 1 = 10;
2 3 6

ou seja,
2(x 0 p3 )2 + 3(y 0 p2 )2 + 6(z 0 p1 )2 = 24
2 3 6
Dividindo a equac~ao por 24:
(x 0 p32 )2 (y 0 p23 )2 (z 0 p16 )2
+ + =1
12 8 4

que e a equac~ao de um elipsoide com centro no ponto p32 ; p23 ; p16 .
Os gracos correspondentes as equaco~es est~ao apresentados na imagem a seguir.
Exemplo 9.13 Identicar a quadrica 4x 2 +4y 2 8z 2 10xy +4yz +4zx 16x 16y 8z +72 = 0.
Soluc~ao: O formato matricial da equac~ao dessa quadrica e

    
4 5 2 x 16
x y z  5 4 2 y  + x y z  16 + 72 = 0:
2 2 8 z 8
| {z }
=M
O polinômio caracterstico de M e p() = det(M I ) = 3 + 81 e seus autovalores s~ao
0, 9 e 9. Substituindo cada um desses autovalores na equac~ao (M I )X = 0, obtemos os
sistemas lineares

 4x 5y + 2z = 0
=0) 5x + 4y + 2z = 0 , cuja soluc~ao e (2z; 2z; z ). Fazendo z = 1 e dividindo pela

2x + 2y 8z = 0
2 2 1
norma, obtemos o autovetor unitario u1 = ; ; .
3 3 3
AO ^
E QUADRATICAS 197

 13x 5y + 2 z = 0
= 9) 5x + 13y + 2z = 0 , cuja soluc~ao e ( z4 ; z4 ; z ). Fazendo z = 4 e dividindo

2x + 2y + z = 0
1 1 4
pela norma, obtemos o autovetor u2 = p ; p ; p .
3 2 3 2 3 2

 5x 5y + 2 z = 0
=9) 5x 5y + 2z = 0 , cuja soluc~ao e (x; x; 0). Fazendo x = 1 e dividindo pela

2x + 2y 17z = 0
1 1
norma, obtemos o autovetor u3 = p ; p ; 0 .
2 2
Seja P a matriz 3 3 cujas colunas s~ao os autovetores de M :

 
2 1 p12
3
2 3p1 2
P = 3 3p4 2 p12 
:
1
3 3 p2 0
A partir de P , denimos a mudanca de variavel

 
 
x0
  2x y z
x
23x 3py 2 + pz2 
y  = P y 0  = 
3 3px 2 4pz2 
z z0 3 + 3 p2
que ao ser substituda na equac~ao da quadrica e simplicado, fornece o resultado
9(z 0 )2 9(y 0 )2 24x 0 + 72 = 0;
ou seja,
3
x 0 3 = 8 (z 0 )2 (y 0 )2 :
que e a equac~ao de um paraboloide hiperbolico (sela), centrado no ponto (3; 0; 0). Os gracos
das equaco~es nas variaveis x; y; z e x 0 ; y 0 ; z 0 est~ao mostrados a seguir.

R1) Seja V = C ([a; b]) o espaco vetorial das funco~es reais contnuas em um intervalo [a; b].
Mostre que B : V V ! R denida por
Z bZ b
B(x; y ) = K (s; t )x (s )y (t ) ds dt
a a
e uma forma bilinear, onde K : R2 ! R e uma func~ao contnua de duas variaveis.
Soluc~ao: Sejam x1 ; x2 ; y1 ; y2 2 V e c 2 R. Temos que:

Z bZ b
B(cx1 + x2 ; y ) = K (s; t )[(cx1 + x2 )(s )y (t ) ds dt
a a
Z bZ b
= K (s; t )[cx1 (s ) + x2 (s )]y (t ) ds dt =
a a
Z bZ b Z bZ b
[K (s; t ) cx1 (s )y (t ) + K (s; t ) x2 (s )y (t )] ds dt = c K (s; t )x1 (s )y (t ) ds dt
a a a a
Z bZ b
+ K (s; t )x2 (s )y (t )] ds dt = cB (x1 ; y ) + B(x2 ; y )
a a
Z bZ b
B(x; cy1 + y2 ) = K (s; t )[x (s )(cy1 + y2 )(t ) ds dt
a a
Z bZ b
= [K (s; t )x (s ) cy1 (t ) + K (s; t )x (s )y2 (t )] ds dt
a a
Z bZ b Z bZ b
=c K (s; t )x (s )y1 (t ) ds dt + K (s; t )x (s )y2 (t ) ds dt
a a a a
= cB (x; y1 ) + B (x; y2 )
Portanto, B e uma forma bilinear.

R4) Determine a forma canônica da forma quadratica do R4
q (x1 ; x2 ; x3 ; x4 ) = 2x1 x4 + 6x2 x3
usando um procedimento idêntico ao das formas do R3 .
Soluc~ao: A equac~ao da forma quadratica escrita em forma matricial e

  
0 0 0 1 x1
 x2 
0 0 3 0  
q (x1 ; x2 ; x3 ; x4 ) = x1 x2 x3 x4 0 3 0 0 x3 
1 0 0 0 x4
| {z }
=M
O polinômio caracterstico de M e p() = det(M I ) = 4 102 + 9 e seus autovalores s~ao
1 = 1, 2 = 1, 3 = 3, 4 = 3. Substituindo por cada um desses autovalores na equac~ao
(M I )X = 0, obtemos:
     
1 0 0 1 x 0 
 x +t =0

 y  = 0 ) y + 3z = 0 ) x = t; y = 0; z = 0
 0 1 3 0    
=1)  0 3 1 0 z    0  
 3y z = 0

1 0 0 1 t 0 x t=0
) (t; 0; 0; t ) e autovetor para qualquer valor de t 2 R. Escolhendo t = 1, temos que
w1 = (1; 0; 0; 1) e um autovetor.
     
1 0 0 1 x x +t =0
0 


0 y 
) y3y++3zz =
0 1 3     
= 1)  = 0 0
) x = t; y = 0; z = 0 )
0 3 1 0  z 

0=0

1 0 0 1 t x +t =0
0
( t; 0; 0; t ) e autovetor, para todo t 2 R. Escolhendo t = 1, temos o autovetor
w2 = ( 1; 0; 0; 1).

     
3 0 0 1 x 0 3x + t = 0



0 y  0
)  33yy + 33zz == 00 ) x = 0; y = z; t = 0
 0 3 3    
=3) = 
 0 3 3 0 z  0 

1 0 0 3 t 0 x 3t = 0
) (0; z; z; 0) e autovetor para todo z . Escolhendo z = 1, temos que w3 = (0; 1; 1; 0) e um
autovetor.
     
3 0 0 1 x 0 
 3x + t = 0

 0 3 3 0 y  0
     3y + 3 z = 0
= 3) = ) ) x = 0; y = z; t = 0 )
 0 3 3 0 z    0 
 3y + 3 z = 0

1 0 0 3 t 0 x + 3t = 0
(0; z; z; 0) e autovetor. Escolhendo z = 1, temos o autovetor w3 = (0; 1; 1; 0).
Dividindo cada wi pela sua norma, obtemos uma base ortonormal de R4 formada por autovetores
de M :
w1 1 1
v1 = = ( p ; 0; 0; p )
k w1 k 2 2
w 1 1
v2 = kw1 k = ( p ; 0; 0; p )
1 2 2
w 1 1
v3 = kw1 k = (0; p ; p ; 0)
1 2 2
w 1 1
v4 = kw1 k = (0; p ; p ; 0)
1 2 2
 
p12 p12 0 0
 0
 0 p12 1
p2 
Seja P a matriz cujas colunas s~ao v1 , v2 , v3 e v4 , P = 
0 p12 p12 . Usando P,
 0 
p12 p12 0 0
fazemos a seguinte mudanca de variavel:
   0 +x 0
 
x1 x0
  p12 p12 0 0 x 0  yp
2
x2   0  0
  = P y  =  0 p12 p12  0  t 0p+z 0 
 y   2 
 
=  0 0
x3  z 0  
 0 0 p12 p12 
 z 0   t p2z 
x4 t 0 p12 p12 0 0 t0 yp0 x0
2
que substuindo em q (x1 ; x2 ; x3 ; x4 ), fornece
0 0
y + x0 y0
p
0 0
p x + 6 t p+ z
0 t 0
p z = (x 0)2 + (y 0)2 3(z 0)2 + 3(t 0)2:
q=2
2 2 2 2
Portanto, a forma canônica de q e (x 0 )2 + (y 0 )2 3(z 0 )2 + 3(t 0 )2 .
Observac~ao 1: Note que os coecientes da forma canônica s~ao os autovalores de M .

Observac~ao 2: A matriz da forma quadratica do R4
q (x1 ; x2 ; x3 ; x4 ) = Ax12 + Bx22 + Cx32 + Dx42 + Ex1 x2 + F x1 x3 + Gx1 x4 + Hx2 x3 + Ix2 x4 + Jx3 x4
e  
A E=2 F=2 G=2
M =  F=2 H=B2 H=C2 J=
E=2 I=2
2
G=2 I=2 J=2 D
R5) Determine uma mudanca de variavel que permita obter a forma canônica de
q (x1 ; x2 ; x3 ; x4 ) = x12 + 4x22 + x32 + 4x42 + 4x1 x2 + 2x1 x3 + 4x1 x4 + 4x2 x3 + 8x2 x4 + 4x3 x4 :
 
1 2 1 2
2 4 2 4
Soluc~ao: Se M =
1 2 1 2
e X = (x1 ; x2 ; x3 ; x4 ), ent~ao q (X ) = XMX t .
2 4 2 4
O polinômio caracterstico de M e p() = 4 103 = 3 ( 10). A partir da, temos os
autovalores 1 = 0 e 2 = 10.   
x x + 2 y + z + 2t
=0


I ) yz  = 2x + 4y + 2z + 4t
  =0
Substituindo por 0 na equac~ao (M 0, obtemos  x + 2y + z + 2t
=0
cuja


t 2x + 4y + z + 2t
=0
soluc~ao e x = 2y z 2t para quaisquer y; z; t 2 R. Logo, os autovetores s~ao da forma ( 2y
z 2t; y; z; t ) = y ( 2; 1; 0; 0) + z ( 1; 0; 1; 0) + t ( 2; 0; 0; 1). Obtemos assim os autovetores
w1 = ( 2; 1; 0; 0), w2 = ( 1; 0; 1; 0) e w3 = ( 2; 0; 0; 1). Como o conjunto fw1 ; w2 ; w3 g n~ao e
ortogonal, devemos aplicar um processo de ortogonalizac~ao desses vetores.
u1 = kww11 k = ( p25 ; p15 ; 0; 0)
v2 = w2 hw2; u1iu1 = ( 51 ; 25 ; 1; 0), u2 = kvv k = ( 2

2
p130 ; p230 ; p530 ; 0)
v3 = w3 hw3; u1iu1 hw3; u2iu2 = ( 31 ; 23 ; 31 ; 1), u3 = kww k = ( 3

3
p115 ; p215 ; p115 ; p315 )
Logo, fu1 ; u2 ; u3 g e um conjunto ortonormal de autovetores de M .


  
x 
 9x + 2 y + z + 2t = 0
y  
2x 6y + 2z + 4t = 0
Substituindo por 10 na equac~ao (M I )  z  = 0, obtemos  x + 2y 9z + 2t = 0 cuja



t 2x + 4y + 2z 6t = 0
soluc~ao e x = t=2; y = t; z = t=2 para qualquer valor de t . Escolhendo t = 2, obtemos o autovetor
w4 = (1; 2; 1;2) que dividido pela sua norma, fornece o autovetor unitario u4 = ( p110 ; p210 ; p110 ; p210 ).

p25 p130 p115 p110
 p15 p230 p215 p210 
Seja P = 

0 p530 p115

p110  a matriz cujas colunas s~ao os autovetores u1 ; u2 ; u3 e u4 .
 
0 0 p315 p210
Fazendo a mudanca de variavel
 
 
x1 x
  p25 x p130 y p115 z + p110 t
x2  y   p15 x p230 y p215 z + p210 t 
  = P = 
x3  z  
 p530 y p115 z + p110 t 

x4 t 3 2
p15 z + p10 t
em q (x1 ; x2 ; x3 ; x4 ), apos a simplicac~ao, obtemos a forma canônica desejada: q (x; y; z; t ) = 10t 2 .
1) Se q e a forma quadratica associada a uma forma bilinear simetrica f , ent~ao mostre que
q (u + v ) q (u v )
f (u; v ) = 4
.
Resp.: Desenvolva f (u + v; u + v ) e f (u v; u v ) e subtraia os resultados.
2) Sejam V um espaco vetorial com escalares reais e f , g funco~es lineares de V em R. Mostre
que B : V V ! R denida por B (x; y ) = f (x )g (y ) e uma forma bilinear.
Resp.: Verique que B (ax1 + x2 ; y ) = aB (x1 ; y ) + B (x2 ; y ) e B (x; ay1 + y2 ) = aB (x; y1 ) + B (x; y2 )
 
2=7 3=7 6 =7
3) Sejam M =  6=7 2=7 3 =7 e a base do R3 cujos vetores s~ao as colunas de M .
3=7 6=7 2=7
Mostre que M e uma matriz ortogonal e que e uma base ortonormal.
Resp.: Verique que M:M t = M t :M = I .
4) Para cada um dos itens a seguir, determine a matriz simetrica A da forma quadratica q , seus
autovalores, a matriz ortogonal P tal que P 1 AP e diagonal e a forma canônica de q .
a) q (x1 ; x2 ) = 7x12 x22 + 6x1 x2

b) q (x1 ; x2 ) = 6x12 + 3x22 + 4x1 x2
c) q (x1 ; x2 ; x3 ) = 5x12 + 5x22 + 2x32 + 8x1 x2 + 4x1 x3 + 4x2 x3
d) q (x1 ; x2 ; x3 ) = x12 + 2x1 x2 2x1 x3 4x2 x3
e) q (x1 ; x2 ; x3) = 2x12 + x22 4x1 x2 4x2 x3
7 3 1 1 3
Resp.: a) A = 3 1 , 1 = 2, 2 = 8, P = p 3 1
, q = 2x 2 + 8y 2 ;
10
6 2 1 2 1
b) A = 2 3
, 1 = 7 , 2 = 2 , P =p , q = 7 x 2 + 2y 2 ;
5 1 2 
  2 p15 4
5 4 2 32 3p5 5 
c) A = 4 2, 1 = 10, 2 = 3 = 1, P =  2 2 2
5 3
1 2
0 3p2 5 , q = 10x + y + z ;
2 2 2 3 p5 p
 3 5 

1 1 1
 p13 0 p26
=  p13 p12 p16 
, q = 3x 2 2y 2 ;

d) A =  1 0 2, 1 = 3, 2 = 2, 3 = 0, P
1 2 0 p1 p12 p1
   3 6
2 2 0 2 2 1
1
e) A =  2 1 2, 1 = 1, 2 = 4, 3 = 2, P =  1 2 2, q = x 2 + 4y 2 2z 2 ;
3
0 2 0 2 1 2
5)
Para cada0 item a seguir, determine uma matriz ortogonal P e uma mudanca de vari
avel
x = P x de modo a eliminar o termo misto Cxy de cada equac~ao e, por m, classicar a
y y0
cônica representada pela equac~ao.
a) x 2 2xy + y 2 10x 6y + 25 = 0
b) 5x 2 + 12xy 22x 12y 19 = 0
c) 27x 2 10xy + 3y 2 = 28
d) x 2 + y 2 + 8xy 10x + 20y 35 = 0
e) 4x 2 4xy"+ y 2 6x#+ 3y 4 = 0
p25 p15 p
Resp.: a) P = p1 p2 , 5(y 0 )2 3 5x 0 4 = 0
5 5
Parabola;

" #
p213 p313
b) P = 9(x 0 )2 4(y 0 )2 p9013 x 0 p813 y 0 = 19
p313 p213 ,
" # Hiperbole;
p526 p126 (x 0 )2 + (y 0 )2 = 1
c) P = p126 p526 , 14
" # Elipse;
p12 p12 p p
d) P = p12 p12 , 5(y 0 )2 + 5 2y 0 3(x 0 )2 15 2x 0 = 35
" # Par de retas concorrentes;

p213 p313
e) P = p313 p213 , 9(x 0 )2 4(y 0 )2 p9013 x 0 p813 y 0 = 19
Par de retas paralelas;
6)  item a seguir, determine uma matriz ortogonal P e uma mudanca de vari

  Paracada avel
x x0
y  = P y 0  de modo a eliminar os termos mistos Cxy , Dxz e Eyz de cada equac~
ao e, nal-
z z 0
mente, identicar a quadrica representada pela equac~ao.
a) xy xz + yz = 10
b) xy + xz + 10 = 0
c) 2x 2 + 2y 2 + 3z 2 + 4xy + 2yz + 2zx 4x + 6y 2z + 3 = 0
d) x 2 + y 2 + 2xy + 4x 2y + 6z + 8 = 0
e) 6x 2 + 3y 2+ 3z 2 + 4xy + 4xz
 8yz = 14
p13 p12 p16
=  p13 0 p26  2(x 0 )2 + (y 0 )2 + (z 0 )2 = 20

Resp.: a) P ,
p13 p12 p16
  Hiperboloide de uma folha;

0 p12 p12
p
=  p12 12 1 (z 0 )2 (y 0 )2 = 10 2

b) P 21 ,
p12 12 2

 Cilindro hiperbolico;
p1 1 1
 p12
6 3
p16 p13 
p p
c) P = 2 , 5(z 0 )2 + 2(y 0 )2 + 6y 0 5 2x 0 + 3 = 0
0 p26 p13
 Paraboloide elptico;
p12 0 p12 
p p
d) P =  p12 0 p12 , 2(x 0 )2 + 2x 0 2(y 0 )2 + 6y 0 + 3 2z 0 + 8 = 0
0 1 0
 Cilindro parabolico;
p25 2 1
3pp5 3
5 2 , 7(x 0 )2 + 7(y 0 )2 2(z 0 )2 = 14

e) P = 0
p15 43
p
32
3 5 3
Hiperboloide de uma folha;
7) Dê exemplo da equac~ao de uma quadrica nas variaveis x1 ; x2 ; x3 ; que tenha algum termo misto
da forma Dx1 x2 ou Ex1 x3 ou F x2 x3 , cuja forma canônica da parte quadratica seja x 2 + 4y 2 + 25z 2 .
Resp.: 5x12 + 13x22 + 12x32 20x2 x3 12x1 x3 + 8x1 x2 =  100, por exemplo.Escolha uma matriz P
2=3 1=3 2 =3
de ordem 3 3 que seja ortogonal, por exemplo, P =  2=3 2=3 1=3, e faca uma mudanca
1=3 2=3 2=3
   
x x1
de variaveis y = P x2  na equac~ao da quadrica x 2 + 4y 2 + 25z 2 = 100.
  
z x3
8) Determine a forma canônica de
q (x1 ; x2 ; x3 ; x4 ) = 5x12 + 5x22 + 5x32 + 5x42 10x1 x2 + 2x1 x3 + 6x1 x4 + 6x2 x3 + 2x2 x4 10x3 x4
e uma matriz ortogonal P utilizada na mudanca de variavel que resulta nessa forma.
1 1 1 1
11 1 1 1
Resp.: q = 4x 2 + 8y 2 + 12z 2 4t 2 , P = 
 1

2 1 1 1
1 1 1 1
9) Determine a forma canônica de
q (x1 ; x2 ; x3 ; x4 ; x5 ; x6 ) = 3x12 + 8x1 x2 3x22 + 4x32 6x3 x4 4x42 + 4x52 + 4x5 x6 + x62
e uma matriz ortogonal P da mudanca de variavel que resulta nessa forma. 
p25 p15 0 0 0 0
 p1 p25 0 0 0 0
 5 
 0 0 p3 p1 0 0 
2 2 2
Resp.: q = 5x 5y + 5z 5r + 5s , P =  0 2 2 
110 310 

 0 p 10 p 10 0 0
 
 0 0 0 0 p25 p15 
0 0 0 0 p15 p25
10) Dê exemplo de uma forma quadratica do R4 que tenha algum termo misto da forma Kxi xj ,

i 6= j , e cuja forma canônica seja q (x; y; z; t ) = 4x 2 6y 2 + 8z 2 10t 2 .

Resp.: q = x12 x22 x32 x42 + 14x1 x2 4x1 x3 4x2 x4+ 14x3 x4 . 
1=2 1=2 1=2 1=2
 1=2 1 =2 1 =2 1=2
Escolha uma matriz 4 4 ortogonal, por exemplo, P =   1=2 1=2 1 =2
 e faca uma
1=2
1=2 1=2 1=2 1=2
   
x x1
y  x2 
mudanca de variaveis z  = P x3  na equac~ ao de q .
  
t x4
Ap^
endice A
Apoio Computacional
A.1 Um programa de Computac~ao Algebrica
O Maxima e um programa que executa calculos numericos e simbolicos, em desenvolvimento

ha mais de 50 anos. Seu nome original era Macsyma e foi elaborado nos laboratorios do MIT, nos
Estados Unidos.
E capaz de simplicar express~oes algebricas e trigonometricas, efetuar calculos com matrizes e
com numeros complexos, construir diversos tipos de gracos, fatorar polinômios, resolver diversos
tipos de equaco~es e sistemas, calcular limites, derivadas e integrais, resolver equaco~es diferenciais
e muitas outras coisas.
Trata-se de um programa livre. Pode ser copiado, utilizado e distribudo gratuitamente. Isso faz
com que o Maxima seja uma excelente ajuda no ensino e aprendizagem dos mais diversos assuntos
da Matematica, facilmente acessvel a todos.
E considerado um Sistema de Computac~ao Algebrica de uso geral, podendo ser usado nos
sistemas operacionais Android, Windows, Linux e Mac-OS.
A.2 De onde copiar
O Maxima tem sua propria pagina na Internet, no endereco
http://maxima.sourceforge.net
E denominada \Maxima, a Computer Algebra System" e a partir dela pode-se copiar o programa
(cerca de 140 megabytes), alem da sua documentacao em diversos idiomas.
209
210 ^
APENDICE A. APOIO COMPUTACIONAL
Uma vers~ao para celular pode ser baixada a partir do Play Store e chama-se \Maxima on
Android".
A.3 Interface wxMaxima

S~ao varias as formas pelas quais o Maxima comunica-se com o usuario. Neste captulo, citamos
apenas a interface denominada wxMaxima, que e bastante amigavel, intuitiva e facil de se usar.
Sua tela inicial e parecida com a mostrada a seguir:
A.3. INTERFACE WXMAXIMA 211
Nessa tela inicial, aparece o menu principal no topo da tela:

\Arquivo Editar View Celula Maxima Equaco~es Algebra Calculo Simplicar . . . "
Podemos realizar muitas atividades a partir dos itens desse menu. Por exemplo, o item \Equaco~es"
da acesso aos subitens
enquanto que o item \Algebra" da acesso a

212 ^
e o item \Calculo" da acesso a
O item \Simplicar" fornece as seguintes opco~es:

A.3. INTERFACE WXMAXIMA 213
No item \Editar" do menu, tem um subitem chamado \Conguraco~es" onde e feita toda
a congurac~ao do programa tais como idioma utilizado, cores do texto, fontes de texto, etc.
Certique-se de que o item \ Enter calcula celulas" esta marcado.
214 ^
A.4 Digitando comandos

Podemos digitar os comandos para o Maxima linha por linha, e observar as respostas dadas pelo
programa. Para isso, seguimos as seguintes regras:
Os comandos v~ao sendo digitados ao lado de (%i1), (%i2), (%i3) etc. e o Maxima vai dando
suas respostas ao lado de (%o1), (%o2), (%o3) etc. Esses s~ao os inputs e outputs.
A linha de comando deve ser encerrada com um ponto e vrgula ou com um cifr~ao. Se
for encerrada com um ponto e vrgula, o resultado obtido e mostrado imediatamente. Se
for encerrada com um cifr~ao, o resultado n~ao sera mostrado de imediato, cando guardado
internamente.
As operaco~es aritmeticas basicas s~ao indicadas pelos smbolos +, , (multiplicac~ao ),
= (divisao) e ^ (potenciac~ao ).
A raiz quadrada de x e indicada por sqrt(x), a exponencial (de base e ) de x e indicada por
exp(x), o logaritmo natural de x e log(x), as funco~es trigonometricas s~ao sin(x), cos(x),
tan(x), sec(x), cot(x), csc(x) e as trigonometricas inversas s~ao asin(x), acos(x), atan(x).
Uma variavel pode ter seu nome formado por uma unica letra como x , y , z , . . . ou ter um
nome longo onde aparecam varias letras, algarismos e caracter de sublinhado como em expr 1;
expr 2; result 1; result 2; . . . .
A.4. DIGITANDO COMANDOS 215
Podemos atribuir valor a qualquer variavel digitando-se o seu nome seguido de dois pontos e
do valor da variavel como em x: 2; y: 4; z: -1. Essas atribuico~es n~ao devem ser confundidas
com x = 2; y = 4; z = 1.
O ultimo resultado calculado pode ser referenciado por um smbolo de porcentagem (%).
p p
As constantes matematicas = 3; 14159 : : : , e = 2; 71828 : : : , i = 1, = 1+2 5 s~ao
representadas por %pi, %e, %i e %phi, respectivamente.
Usamos o comando oat(x) para obtermos a representac~ao decimal de x .
Uma func~ao pode ser denida utilizando-se um := , como no exemplo f (x ) := cos(x ) + x=5.
A seguir, alguns exemplos de comandos digitados no Maxima , bem como suas respectivas res-
p 30 50p81+ 8 10, fatoramos o resultado em produto de potências de primos,
postas. Calculamos
calculamos a = 49, b = 6 , a + b, x = ln(cos( 6 ) + sen( 4 )) e a sua representac~ao decimal. Se
o usuario quiser, pode ser digitado em uma unica linha mais de um comando.
(%i1) 30*50 + 8*10;

(%o1) 1580
(%i2) factor(%);
(%o2) 22 5 79
216 ^
(%i3) a: sqrt(49)$ b: sqrt(81)/6$ a+b;

(%o3) 17
2
(%i4) x: log(cos(%pi/6)
p + sin(%pi/4)); oat(x);
(%o4) log( 23 + p12 )
(%o5) 0:45306865422064
A.5 Simplicac~ao e desenvolvimento de express~oes

Express~oes algebricas podem ser simplicadas com o comando ratsimp(...) e desenvolvidas
com um comando expand(...). Se houver radicais envolvidos, ent~ao a express~ao pode ser simpli-
cada com um radcan(...) e se houver funco~es trigonometricas, pode ser simplicada com um
trigsimp(...) .
(%i6) ex1: a^3/((a-b)*(a-c)) + b^3/((b-c)*(b-a)) + c^3/((c-a)*(c-b));

a3 b3 c3
(%o6) + +
(a b)(a c ) (b c )(b a) (c a)(c b)
(%i7) ratsimp(ex1);
(%o7) c + b + a
(%i8) ex2: ((3*x^2+4*x+1)^2 - (3*x^2+10*x+1)^2)/((3*x^2+11*x+1)^2 - (3*x^2+3*x+1)^2);
(3x 2 + 4x + 1)2 (3x 2 + 10x + 1)2

(%o8)
(3x 2 + 11x + 1)2 (3x 2 + 3x + 1)2
(%i9) ratsimp(ex2);
3
(%o9)
4
(%i10) y: (sin(x)^3 - cos(x)^3)/(sin(x) - cos(x));

sin(x )3 cos(x )3
(%o10)
sin(x ) cos(x )
(%i11) trigsimp(y);
(%o11) cos(x ) sin(x ) + 1
A operac~ao de multiplicac~ao nunca pode car subentendida. Por exemplo, um termo como 2xy
tem que ser digitado como 2 x y . O asterisco n~ao pode ser esquecido.
A.6. OPERAC ~
OES ^
COM POLINOMIOS 217
A.6 Operac~oes com polinômios

Diversas operaco~es com polinômios podem ser efetuadas com o Maxima. A fatorac~ao e realizada
com um comando factor(...), o maximo divisor comum entre f e g e feita com um gcd(f, g) e a
divis~ao com um divide(f, g). O resultado da divis~ao e apresentado no formato [q; r ] onde q e o
quociente e r e o resto da divis~ao.
Neste exemplo, denimos os polinômios f = x 4 +2x 3 4x 2 5x 84 e g = (x +4)(x 2 + x +7)2 ,
fatoramos e calculamos o MDC entre eles. Por m, dividimos f por x 2 + 3x + 7.
(%i12) f: x^4 + 2*x^3 - 4*x^2 - 5*x - 84;

(%o12) x 4 + 2x 3 4x 2 5x 84
(%i13) factor(%);
(%i13) (x 3)(x + 4)(x 2 + x + 7)
(%i14) g: expand((x + 4)*(x^2 + x + 7)^2);
(%o14) x 5 + 6x 4 + 23x 3 + 74x 2 + 105x + 196
(%i15) factor(%);
(%o15) (x + 4)(x 2 + x + 7)2
(%i16) gcd(f, g);
(%o16) x 3 + 5x 2 + 11x + 28
(%i17) divide(f, x^2 + 3*x + 7);
(%i17) [x 2 x 8; 26x 28]
A.7 Gracos

O Maxima constroi varios tipos de gracos planos ou tridimensionais. A construc~ao do mais
simples tipo de graco plano com x 2 [a; b] e y 2 [c; d ] pode ser feita com um comando
plot2D(func~ao , [x, a, b], [y, c, d]) .
Neste exemplo construmos o graco de sen x + sen3 x sen(5x )
3 + 5 com x variando de 10 a 10 e
y de 2 a 2. Uma janela exclusiva para a digitac~ao dos dados do gracos pode ser obtida com a
opc~ao \Graco!Graco2D . . . " do menu principal.
(%i18) plot2D( sin(x) + sin(3*x)/3 + sin(5*x)/5, [x, -10, 10], [y, -2, 2] );
218 ^
O graco tridimensional de uma func~ao f (x; y ), com x 2 [a; b] e y 2 [c; d ] pode ser construdo
com um comando plot3d(f(x,y), [x, a, b], [y, a, b]) ou fornecendo-se os dados do graco na
janela \Graco ! Graco3D . . . " no menu principal do programa.
(%i19) plot3d( x^2 - y^2, [x, -3, 3], [y, -3, 3] );

A.8. GRAFICOS DE FUNC ~
OES IMPLICITAS 219
Depois de construdo, um graco tridimensional construdo com a opc~ao padr~ao pode ser girado
pressionando-se o mouse e arrastando-o para uma nova posic~ao .
A.8 Gracos de func~oes implcitas

O Maxima possui um pacote extra de comandos gracos chamado draw. Para usar os comandos
desse pacote, deve-se carrega-lo uma unica vez com um comando load(draw);.
220 ^
Entre as varias construco~es possveis com o pacote draw, vamos exemplicar apenas a cons-
truc~ao de gracos planos ou tridimensionais denidos implicitamente.
implicit(equac~ao, x; xmin ; xmax ; y; ymin ; ymax ; : : : ); dene implicitamente graco plano ou
tridimensional, com variaveis dentro dos limites estabelecidos.
draw2d(graco2D, opco~es2D); desenha graco plano usando as opco~es dadas.
opco~es2D podem ser color=... (cor do graco), line width=... (largura do traco), xaxis=true
(desenha o eixo dos x), yaxis=true (desenha o eixo dos y), etc.
draw3d(graco3D, opco~es3D); desenha graco tridimensional usando as opco~es dadas.
opco~es3D podem ser color=... (cor do graco), proportional axes=xyz (mesma escala nos
eixos), surface hide=true (n~ao mostra parte encoberta do graco), etc.
Neste exemplo, construmos a hiperbole denida implicitamente pela equac~ao 25y2 x 2 = 1,
9
15 x 15, 15 y 15, e as retas cujas equaco~es s~ao y5 x3 = 0 e y5 + x5 = 0.
(%i20) load(draw)$
(%i21) hip1: implicit(y^2/25 - x^2/9 = 1, x, -15, 15, y, -15, 15)$
(%i22) reta1: implicit(y/5 - x/3 = 0, x, -15, 15, y, -15, 15)$
(%i23) reta1: implicit(y/5 + x/3 = 0, x, -15, 15, y, -15, 15)$
(%i24) draw2d(xaxis=true, yaxis=true, proportional axes=xy,
line width=2, color=red, reta1, reta2, line width=5, color=blue, hip1);
(%o24) [gr 2d (implicit; implicit; implicit )]
A.9. LIMITES 221
E agora construmos o graco do hiperboloide denido implicitamente por x 2 y 2 + z 2 = 2,

5 x 5 5 y 5, 5 z 5. As opco~es de construc~ao do graco s~ao: mesma escala
nos eixos, superfcies encobertas escondidas e cor azul.
(%i25) load(draw)$
(%i26) sup3d: implicit(x^2-y^2+z^2 = 2, x, -5, 5, y, -5, 5, z, -5, 5)$
(%i27) draw3d(proportional axes=xyz, surface hide=true, color=blue, sup3d);
(%o27) [gr 3d (implicit )]
A.9 Limites
O limite de f (x ) quando x tende a x0 e calculado com um comando limit(f(x), x, x0). O
innito pode ser codicado por inf e o menos innito por minf. Se for colocado um apostrofo
antes do comando, ele sera apenas mostrado, mas n~ao calculado.
(%i28) limit(sin(4*x)/x, x, 0);

(%o28) 4
(%i29) limit((1 + 3/n)^n, n, minf);
(%o29) %e 3
222 ^
(%i30) 'limit(
psqrt(x + sqrt(x)) - sqrt(x), x, inf);
(%o30) lim x + x
p px
x !1
(%i31) limit( sqrt(x + sqrt(x)) - sqrt(x), x, inf);
(%o31) 12
A.10 Derivadas
A derivada de f (x ) com relac~ao a x pode ser calculada com um di(f(x), x). A derivada de
ordem n pode ser calculada com um comando do tipo di(f(x), x, n). A func~ao f pode ter varias
variaveis. Se for colocado um apostrofo antes do nome do comando, ele n~ao sera executado.
(%i32) di(x^7 + 11*sin(x), x);

(%o32) 11 cos(x ) + 7x 6
(%i33) 'di(cos(x^5), x) = di(cos(x^5, x);
d cos(x 5 ) = 5x 4 sin(x 5 )
(%o33) dx
(%i34) 'di(x^5*exp(x), x, 3) = di(x^5*exp(x), x, 3);
d 3 (x 5 %e x ) = x 5 %e x + 15x 4 %e x + 60x 3 %e x + 60x 2 %e x
(%o34) dx 3
(%i35) di((3*x + 5*y^3)^7, y);

(%o35) 105y 2 (5y 3 + 3x )6
A.11 Integrais
Integrais indenidas podem ser calculadas com um comando do tipo integrate(f(x), x) e inte-
grais denidas em [a; b] com comando do tipo integrate(f(x), x, a, b). Os limites de integrac~ao
A.12. EQUAC ~
OES DIFERENCIAIS 223
podem ser innitos. Um apostrofo antes do comando faz com ele seja apenas enunciado sem ser
calculado.
(%i36) f(x) := x^3 - 1/(1 + x^2)

(%o36) f (x ) := x 3 1+1x 2
(%i37) integrate(f(x), x, 0, 4)
(%o37) 64 atan(4)
(%i38) 'integrate(x^5,
Z b
x, a, b) = integrate(x^5, x, a, b);
6
b a6
(%o38) x 5 dx = 6 6
a
(%i39) 'integrate(
Z x^4*cos(x), x);
(%o39) x 4 cos(x ) dx
(%i40) integrate( x^4*cos(x), x);
(%o40) (x 4 12x 2 + 24) sin(x ) + (4x 3 24x ) cos(x )
(%i41) 'integrate(%e^(-x^2),
Z 1 p x, 0, inf) = integrate(%e^(-x^2), x, 0, inf);
(%o41) e x dx = 2
2
A.12 Equac~oes diferenciais

O Maxima possui varios comandos para resoluc~ao de equaco~es diferenciais. Um deles, o
ode2(EDO, var1, var2) resolve equaco~es diferenciais ordinarias EDO de primeira ou segunda
224 ^
ordens, com var 1 sendo a variavel dependente e var 2 a independente. Neste caso, e preciso que se
digite um apostrofo antes das derivadas. Nas respostas obtidas, o Maxima apresenta as constantes
genericas como sendo %c , %k 1, %k 2 etc.
(%i42) eqn1: 'di(y, x) + 4*y = cos(x);

d
(%o42)
dx y + 4y = cos(x )
(%i43) ode2(eqn1, y, x);
4 %e 4x (sin(x ) + 4 cos(x )
(%o43) y = %e x + %c
17
(%i44) eqn2: 'di(y,
x, 2)
- 5*'di(y, x) + 6 = 0;
d 2 d
(%o44) 2y 5
dx y +6=0
dx
(%i45) ode2(eqn2, y, x);
30x + 6
(%o45) y = %k 1%e 5x + 25
+ %k 2
A.13 Series
Varios comandos podem ser usados para calcular somatorios, somas de series e expans~ao em
serie de potências. Alguns desses comandos s~ao o sum(f(k), k, n1, n2) que calcula o somatorio
de f (k ), com k variando de n1 a n2 , e taylor(express~ao, x, a, n) que expande a express~ao em uma
serie de Taylor em torno do ponto a, contendo termos ate (x a)n . O comando n~ao e executado
se for colocado um apostrofo antes do seu nome.
(%i46) 'sum(1/(n*(n + 3), n, 1, 100);

X100 1
(%o46)
n=1 n(n + 3)
A.14. EQUAC ~
OES 225
(%i47) sum(1/(n*(n + 3), n, 1, 100);

319025
(%o47)
530553
(%i48) taylor(cos(x), x, 0, 8);
x2 x4 x6 x8
(%o48) 1 + + + :::
2 24 720 40320
(%i49) taylor(log(x+1), x, 2, 4);
x 2 (x 2)2 (x 2)3 (x 2)4
(%o49) log(3) + + + :::
3 18 81 324
A.14 Equac~oes
Uma equac~ao pode ser resolvida com um comando solve(equac~ao, variavel), ou simplesmente
solve(equac~ao). Podemos digitar uma linha de comando ou fornecer a equac~ao em uma janela
exclusiva para entrada de equaco~es. Para obter essa janela de equaco~es, escolhemos no menu
principal do programa a opc~ao \Equaco~es!Resolver . . . ".
Neste exemplo, inicialmente, resolvemos a equac~ao x 4 5x 2 + 6 = 0. Depois, resolvemos
10x 4 + 13x 3 120x 2 117x + 270 = 0.
(%i50) solve(x^4 p - 5*x^2p + 6 = 0,p x); p
(%o50) [x = 2; x = 2; x = 3; y = 3]
(%i51) eq: 10*x^4 + 13*x^3 - 120*x^2 - 117*x + 270 = 0
(%o51) 10x 4 + 13x 3 120x 2 117x + 270 = 0
(%i52) solve(eq);
(%o52) [x = 65 ; x = 3; x = 3; x = 52 ]
A.15 Sistemas de equac~oes

Um sistema de equaco~es pode ser resolvido da mesma forma que uma equac~ao, bastando colocar
as equaco~es e as variaveis entre colchetes.
3x + 4y = 2
Neste primeiro exemplo, resolvemos o sistema linear 2x y = 3 .
(%i53) solve([3*x + 4*y = 2, 2*x - y = 3], [x, y]);

(%o53) [[x = 14 5
11 ; y = 11 ]]
226 ^

3 x + 5 y
2z = 4
Nosso segundo exemplo e o sistema 2x 4y + 3z = 7 . Esse e um sistema linear indetermi-

5x + y + z = 11
nado, com uma innidade de soluco~es. Nesse caso, o Maxima denota as variaveis livres por %r1,
%r2, %r3 etc.
(%i54) eq1: 3*x+5*y-2*z=4$

(%i55) eq2: 2*x-4*y+ 3*z = 7$
(%i56) eq3: 5*x + y + z = 11$
(%i57) solve([eq1, eq2, eq3]);
(%o57) [[z = 22%r71 51 ; y = 13%r71 26 ; x = %r 1]]
No comando anterior, percebemos que a soluc~ao tem uma variavel livre %r1. Isso signica que
as outras variaveis s~ao dependentes e, por causa disso, podemos explicitar no comando quais s~ao
essas variaveis dependentes. Por exemplo, se no sistema anterior quisermos x e y dependentes e z
como variavel livre, ent~ao devemos digitar o seguinte comando:
(%i58) solve([eq1, eq2, eq3], [x, y]);
(%o58) [[x = 7z2251 ; y = 13z22 13 ]]

x + 2 y + 3 z + 4 s + 5 t = 0
E mais outro exemplo: resolver o sistema linear

x 3y z + 2s + 8t = 0 .
x + 7y + 7z + 6s + 2t = 0
A.16. VETORES E LISTAS 227
(%i59) eq1: x + 2*y + 3*z + 4*s + 5*t = 0$

(%i60) eq2: x - 3*y - z + 2*s + 8*t = 0$
(%i61) eq3: x + 7*y + 7*z + 6*s + 2*t = 0$
(%i62) solve([eq1, eq2, eq3], [x, y, z, s, t]);
(%o62) [[x = 7%r 3+16%5r 2+31%r 1 ; y = 4%r 3 2%5
r 2+3%r 1 ; z = %r 3; s = %r 2; t = %r 1]]
Percebemos dessa forma que existem 3 variaveis livres e 2 variaveis dependentes. Se escolhermos
as variaveis dependentes como sendo x e y , ent~ao devemos digitar:
(%i63) solve([eq1, eq2, eq3], [x, y]);
7z + 31t + 16s 4z 3t + 2s
(%o63) [[x = ; y= ]]
5 5
Mas se escolhermos as variaveis dependentes como sendo s e t , ent~ao o comando a ser digitado
e
(%i64) solve([eq1, eq2, eq3], [s, t]);
29z + 31y + 3x 5z + 8y x
(%o64) [[s = ; t = ]]
22 11
A.16 Vetores e listas

Os vetores no Maxima s~ao denidos como listas de express~oes entre colchetes:
v = [expr1, expr2, expr3, ..., exprN].
As express~oes expr1, expr2, ... que aparecem como coordenadas podem ser quaisquer tipos de
numeros, express~oes algebricas ou outras listas. A enesima coordenada de uma lista L e referenciada
como sendo L[n].
Dadas duas listas U e V, podem ser efetuadas algumas operaco~es pre-denidas tais como adic~ao
U+V, subtrac~ao U-V, multiplicac~ao por escalar k*V e produto interno U.V .
Neste exemplo, denimos dois vetores u = ( 5; 1; 6) e v = (4; 5; 7) do R3p, calculamos u + 8v
e o seu produto interno u v . Denimos tambem uma func~ao norma(x ) = x x e calculamos
norma(v ).
(%i65) u: [-5, 1, 6];
(%o65) [ 5; 1; 6]
(%i66) v: [4, 5, -7];
(%o66) [4; 5; 7]
(%i67) u + 8*v;
(%o67) [27; 41; 50]
228 ^
(%i68) u.v;
(%o68) 57
(%i69) norma(x) := sqrt(x.x);
p
(%o69) norma(x ) := x x
(%i70) norma(v);
p
(%o70) 3 10
A.17 Operac~oes com matrizes
O Maxima possui uma variedade de comandos para calculo com matrizes e demais conceitos da

Algebra Linear.
E possvel fornecer uma matriz ao Maxima com um comando
matrix([linha 1], [linha 2], [linha 3], ...)
ou atraves de uma janela especca, obtida no item \Algebra!Introduzir matriz..." do menu
principal. A multiplicac~ao de matrizes pode ser feita com um ponto, como em A . B, o determinante
com um comando determinant(...) e a inversa com um comando invert(...). A potência M n pode
ser calculada com um comando M^^n , para qualquer inteiro n. M^^(-1) tambem pode ser usado
para calcular a inversa de M .
Denimos neste exemplo uma matriz M e calculamos seu determinante, sua inversa e seu
quadrado.
A.18. ESCALONAMENTO DE MATRIZES 229
(%i71) M:
 matrix( [-3,7,1],
 [4,5,0], [10,2,-5]);
3 7 1
(%o71)  4 5 0
10 2 5
(%i72) determinant(%);
(%o72) 173
(%i73) invert(M);
 25 37 5
173 173
20 5 173
4
(%o73)  173
42 173
76 173
43
173 173 173
(%i74) M^^2;
 
47 16 8
(%o74)  8 53 4
72 70 35
A.18 Escalonamento de matrizes

O Maxima escalona matrizes com um comando echelon(...) . Neste exemplo, escalonamos a
matriz  
3 4 8 1
 1
A =  43 4
1
8
5 0
:
10 1 1 5
(%i75) A: matrix([3,-4,8,1], [-3,4,-8,-1], [4,1,5,0], [10,1,1,-5])$
(%i76) echelon(A);
 1 
1 4 5 0
4
17 4
0 1
(%o76)  19 10119 

0 0 1 244 
0 0 0 0
230 ^
A.19 Polinômio caracterstico, autovalores e autovetores

O polinômio caracterstico pode ser calculado com um comando charpoly(matriz, variavel),
os autovalores com um comando eigenvalues(matriz) e os autovetores com eigenvectors(matriz).
(%i77) A:
 matrix([8,6,6],[5,15,18], [-5,-10,-11]);
8 6 6
(%o77)  5 15 18
5 10 11
(%i78) p: charpoly(A, );
(%o78) (( 11)(15 ) + 180)(8 ) + 6(5(15 ) 50) 6(5( 11) + 90)
(%i79) q: expand(p);
(%o79) 3 + 122 47 + 60
(%i80) factor(q);
(%o80) ( 5)( 4)( 3)
(%i81) eigenvalues(M);
(%o82) [[3; 4; 5]; [1; 1; 1]]
(%i83) eigenvectors(M);
(%o83) [[[3; 4; 5]; [1; 1; 1]]; [[[1; 4; 1]]; [[1; 1; 0]]; [[1; 0; 0]]]]
Muitas vezes, e interessante usar um comando expand(...) para expandir, ou factor(...) para
fatorar o polinômio caracterstico.
As respostas dos comandos eigenvalues(...) e eigenvectors(...) s~ao listas de listas que devem ser
interpretadas na seguinte ordem: primeiro aparecem os autovalores [1 ; 1 ; : : : ], depois as multiplici-
dades desses autovalores [n1 ; n2 ; : : : ] e por ultimo aparecem os autovetores [v1 ; v2 ; v3 ]; [w1 ; w2 ; w3 ]; : : :
. No exemplo anterior, os autovalores encontrados foram 3; 4; 5, com multiplicidades 1; 1; 1, res-
pectivamente, e autovetores associados (1; 4; 1); (1; 1; 0); (1; 0; 0), respectivamente.
A.20 Polinômio mnimo e diagonalizac~ao

O calculo do polinômio mnimo e um pouco mais sosticado e, por isso, exige que seja carregado
um pacote do Maxima chamado \diag" que e dedicado a esse tipo de calculo. Isso e feito com
um comando load(diag);. Depois de carregado esse pacote extra, pode ser feita uma chamada
^
A.20. POLINOMIO MINIMO E DIAGONALIZAC ~
AO 231
a um comando lista: jordan(matriz); e, por m, o polinômio mnimo e mostrado depois de uma

chamada a um comando minimalPoly(matriz, lista);
Para obter a matriz M diagonalizada, quando for o caso, deve-se chamar dispJordan(lista); e
para obter P tal que P 1 MP e diagonal, executa-se P: ModeMatrix(M, lista);
Neste exemplo, denimos uma matriz M , calculamos seu polinômio mnimo m(x ) e uma matriz
P tal que P 1 MP e uma matriz diagonal.
Linhas de comando muito longas podem ser quebradas no meio pressionando-se simultanea-
mente as teclas [Shift][Enter], dependendo da congurac~ao do programa.
(%i84) M: matrix([-87, 440, -780, 430], [-170, 835, -1476, 814],

 [-230,
 1128, -2001, 1106], [-260, 1280, -2280, 1263]);
87 440 780 430
 170 835 1476 814
(%o84) 
 230 1128

2001 1106
260 1280 2280 1263
(%i85) load(diag) $
(%i86) j: jordan(M);
(%o86) [[11; 1]; [ 7; 1]; [3; 1; 1]]
(%i87) m: minimalPoly(j);
(%o87) (x 11)(x 3)(x + 7)
(%i88) D:
 dispJordan(j);

11 0 0 0
 0 7 0 0
(%o88) 
 0

0 3 0
0 0 0 3
(%i89) P:
 ModeMatrix(M,
 j);
1 1 1 0
 19 17 0 1
(%o89)  10 9 2 5
 13 23
5 269 3 3
3 9 1 2
(%i90) P^^(-1).M.P;
 
11 0 0 0
 0 7 0 0
(%o90) 
 0

0 3 0
0 0 0 3
(%i91) eigenvectors(M);
19 ; 13 ; 3]]; [[1; 17 ; 23 ; 26 ]]; [[1; 0; 2 ; 1]; [0; 1; 5 ; 2]]]]
(%o91) [[[11; 7; 3]; [1; 1; 2]]; [[[1; 10 5 9 9 9 3 3
232 ^
No nal, calculamos os autovalores e autovetores de M para conrmar que os autovalores

aparecem na diagonal da matriz e os autovetores nas colunas de P .
A.21 Processo de ortogonalizac~ao

O comando gramschmidt(...) do pacote \eigen" obtem uma base ortogonal a partir de outra
base denida como uma lista de listas [[v1 ; v2 ; v3 ]; [w1 ; w2 ; w3 ]; :::]. E conveniente usar o comando
expand(...) para simplicar os resultados obtidos.
Se o produto interno for denido por uma func~ao f , ent~ao esse comando pode ser usado na
forma gramschmidt(B, f) para ortogonalizar a base B .
Neste exemplo, aplicamos um processo de ortogonalizac~ao a base
A = f(4; 3; 2; 1); (1; 1; 1; 1); (5; 10; 8; 1)g:
(%i92) load(eigen) $
(%i93) A: [[4,3,2,1], [1,1,1,1], [5,10,8,1]]$
(%i94) B: gramschmidt(A);
(%o94) [[4; 3; 2; 1]; [ 13 ; 0; 13 ; 23 ]; [ 2315 ; 32 11 33 29
5 ; 2 5 ; 2 5 ]]
(%i95) B: expand(B);
(%o95) [[4; 3; 2; 1]; [ 13 ; 0; 13 ; 23 ]; [ 10
31 ; 33 ; 27 ; 29 ]]
10 10 10
E assim, conclumos que a base ortogonal obtida e

1 1 2 31 33 27 29
B = (4; 3; 2; 1);
3
; 0; ;
3 3
; ; ; ;
10 10 10 10
:
A partir dessa base ortogonal, podemos obter uma base ortonormal para o mesmo subespa p co.
Para isso, denimos inicialmente uma func~ao N(v) que calcula a norma do vetor v: N (v ) := v v .
Depois disso, dividimos cada vetor da base pela sua norma.
(%i96) N(v) := sqrt(v.v)$
(%i97) u1:h B[1]/N(B[1]); i
(%o97) p430 ; p330 ; p230 ; p130
(%i98) u2:h B[2]/N(B[2]); p i

(%o98) p21p3 ; 0; p21p3 ; p23
(%i99) u3:h B[3]/N(B[3]); i

31 33 27 29
(%o99) 2 5 181 ; 2 5 181 ; 2 5 181 ; 2 5 181
p p p p p p p p
A.22. PROGRAMAC ~ COM O MAXIMA
AO 233
Se o produto interno n~ao for o usual, digamos que seja algo como
hu; v i = 2u1v1 + 5u2v2 + u3v3 + 10u4v4;
ent~ao podemos usar os seguintes comandos:
(%i100) f(u, v) := 2*u[1]*v[1] + 5*u[2]*v[2] + u[3]*v[3] + 10*u[4]*v[4];

(%o100) f (u; v ) := 2u1 v1 + 5u2 v2 + u3 v3 + 10u4 v4 ;
(%i101) gramschmidt(A,
f);
7 2 3 8 2105 1118 1450 283
(%o101) [4; 3; 2; 1]; ; ; ; ; 413 ; 413 ; 413 ; 413
13 13 13 13
Outro exemplo: para ortogonalizar a base B = f1; x; x 2 ; x 3 g com o produto interno

Z 1
hf ; g i = f (x )g (x ) dx;
1
podemos usar os comandos:
(%i102) B: [1, x, x^2, x^3] $

(%i103) F(u, v) := integrate(u*v, x, -1, 1) $
(%i104) B:
gramschmidt(B, F);
3x 2 1 x (5x 2 3)
(%o104) 1; x; ;
3 5
A.22 Programac~ao com o Maxima

O Maxima possui comandos que permitem que ele seja usado tambem como uma linguagem de
programac~ao, permitindo que sejam elaborados programas com essa linguagem. Alguns comandos
para programac~ao s~ao:
if condic~ao then comando1 else comando2: executa comando1 se a condic~ao for verdadeira
ou o comando2 se a condic~ao for falsa.
print(\mensagem1", variavel1, \mensagem2", variavel2, ...): mostra uma ou varias men-
sagens entre aspas, seguidas dos valores de uma ou varias variaveis.
for variavel from incio thru termino step passo do comando: o comando fornecido depois
do do e executado para cada valor da variavel no intervalo [incio, termino], com passo dado.
while condic~ao do comando: executa o comando enquanto a condic~ao for verdadeira
234 ^
block([variaveis locais], comando1, comando2, ..., return(valor)): permite construc~ao de

um bloco de comandos. Se houver um comando return(valor), ent~ao o valor e retornado;
sen~ao, e retornado o ultimo valor calculado no bloco.
Exemplos:
if x > 2 then print(\maior do que 2") else print(\menor ou igual a 2");
for k from 1 thru 20 step 2 do print(k);
f(x) := block(if x < 2 then return(1) else return(x*f(x-1)));
x: 1; while (x < 30) do (print(factor(x)), x: x+1);
Ap^
endice B
Testes
Neste captulo, apresentamos algumas quest~oes do tipo multipla escolha sobre os mais diversos
assuntos. Para cada quest~ao proposta, e apresentada uma lista de alternativas de respostas, iden-
ticadas pelas letras A, B, C, D, . . . . Entre essas alternativas, somente uma delas corresponde a
resposta correta do problema.
B.1 Matrizes, determinantes e sistemas lineares

   
3 5
1) Calcule o produto MNP Q, sabendo que M =  5, N = 51 12 1 , P =  1 e
2

11 1
Q= 1 3 1.
       
3 3 3 15 9 11 11 33 9 3 0 0
A)  5 5 5 B)  9 11 15  
C) 33 9 11  
D) 0 9 0

11 11 11 
11 9 15 
9 11 33 
0 0 11
3 5 11 3 3 3 3 9 3 3 9 11
E)  9 15 33 F)  15 15 15 G)  5 15 5 H)  3 9 11
3 5 11 11 11 11 11 33 11 3 9 11
 
a b c d
2) Sejam a; b; c; d numeros reais n~ao todos nulos e M =

 b a d c  :
 c d a b
d c b a
1
Calcule
a + b + c2 + d2
2 2 M Mt .
235
236 ^
APENDICE B. TESTES
       
0 0 0 0 1 0 0 0 a 0 0 0 a2 0 0 0
0
A) 
0 0 0
0
B) 
1 0 0 C)
0 b 0 0


 D)  0 b2 0 0
0 0 0 0 0 0 1 0 0 0 c 0 0 0 c2 0

0 0 0 0 
0 0 0 1  
0 0 0 d  2
0 0 0 d 2
a b c d a2 b 2 c2 d 2 d 0 0 0 d 0 0 0
b
E) 
a d c  F)  b2 a2 d2 2
c  G)  0 c 0 0 H)  0
    c2 0 0
c d a b c 2 d 2 a2 b2   0 0 b 0  0 0 b2 0
d c b a d2 c2 b2 a 2 0 0 0 a 0 0 0 a2
3) Qual e a inversa da matriz M da quest~ao anterior?

A) M 1 = M B) M 1 = M t C) M 1 = M
D) M 1 = M t E) M 1 = M 2 F) M 1 = M 2
G) M 1 = M 4 1
t H) M 1 = M 1
4
I) M 1 = a2 +b2 +1 c 2 +d 2 M
1
J) M = a2 +b2 +c 2 +d 2 M K) M = a2 +b2 +c 2 +d 2 M 2
1 L) M 1 = a2 +b2 +1 c 2 +d 2 ( M )
3 1 1 1
4 43 41 41
1
4) Seja M =  4 41 43 41 . Calcule M 2 = M M .
1
14 41 41 43 
4 4 4 4
3 1 1 1   9  
4 43 41 41 1 0 0 0 16 0 0 0
1  0 1 0 1
A) M 2 =  4 41 43 41  B) M 2 = 
0  C) M 2= 0 16 1 0 0
1  0 0 1 0   0 0 16 0
41 41 41 43 1
4 9 41 0 0 0 1  0 0 0 
14 1 4 
16 1 1 1

0 0
16
0 0
16 169 161 161
1   1 16 1 1  0
D) M 2 =  16 161 169 161  E) M 2 =  F) M 2 = 0 0 0 
1
161 161 161 169   1 1 16 1  0 0 0 0
16 16 16 16 1 1 1 16 0 0 0 0
 
29 66 90
5) A inversa da matriz A = 40
 89 120 e
20 44 59
     
11 39 10 29 66 90 29 66 90
A) A 1 =  30 19 121 B) A 1 =  40 19 12  1
C) A = 40
 89 120

40 4 29  2

4  39 
20 44 59
19 33 90 1 0 0 29 33 90
D) A 1 =  10 39 20 1
E) A = 0 1 0  1
F) A = 30
 79 110
2 4 5 0 0 1 10 14 59
B.1. MATRIZES, DETERMINANTES E SISTEMAS LINEARES 237
6) Considere o sistema linear




2x + 3y + 4z + 5r + 3s + 3t + 3u + 3v = 12

 3x + y + 2z + 4r + 2s 2t + 2u v = 1



 5x + y + 3z + r + 4s 3t + 3u 2v = 2



5x + 4y + 6z + 9r + 5s + t + 5u + 2v = 13
 7x + 4y + 7z + 6r + 7s + 6u + v = 14
:




 8x + 2y + 5z + 5r + 6s 5t + 5u 3v = 3





x 2y 2z r s 5t u 4v = 11
2x z + 3r 2s + t u + v = 1
Sabendo que sua matriz completa escalonada equivale a
 4 
1 7 1 67 1 0 67 1
79 2
0 1 78 33 7 5
835 08 118 81 85
21 

0 0 1 258 
 3 3 3 3 3 3 
0 0 0 0 0 0 0 0 0
 ;
0 0 0 0 0 0 0 0 0
 
0 0 0 0 0 0 0 0 0
 
0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0
determine a soluc~ao geral desse sistema.
11 13r s + 7t u + 4v 14 43r 7s + 7t u+v 25 + 35r 8s + 11t u 5v

A) x = , y = , z =
3 3 3
11 + 13r + s + 7t + u 4v 14 43r + 17s + 17t u+v 25 + 35r 8s 11t u 5v
B) x = , y = , z =
3 3 3
11 + 13r + s + 7t u + 4v 34 13r 7s + 7t + u + v 25 + 35r 8s 11t u 5v
C) x = , y = , z =
3 3 3
11 13r + s + 7t u + 4v 14 43r + 7s + 7t u+v 15 + 5r 6s 11t u + 5v
D) x = , y = , z =
3 3 3
11 13r + s + 7t u + 4v 14 + 43r 7s + 7t u+v 15 35r 7s + 11t u 5v
E) x = , y = , z =
3 3 3
11 13r + s + 7t u + 4v 14 43r + 7s + 7t u+v 25 + 35r 8s 11t u 5v
F) x = , y = , z =
3 3 3
24

32 9 12
 1 14

8 21 12

40 56 15 21  10 6 15 9
7) Sabendo que 
15 20 6 8
 = 
 35 20 56 32
, determine a soluc~
ao do
25 35 10 14 25 15 40 24
sistema 

 24x + 32y + 9z + 12t = 1

40x + 56y + 15z + 21t = 1
 15x + 20y + 6z + 8t = 1
:


25x + 35y + 10z + 14t = 1
238 ^
APENDICE B. TESTES
A) (1; 1; 1; 1) B) (24; 32; 9; 12) C) (1; 1; 1; 1) D) ( 3; 2; 9; 6)

E) (3; 6; 9; 12) F) (4; 2; 9; 6) G) (12; 1; 32; 24) H) (6; 2; 9; 3)
8) Resolva o sistema de equaco~es



 x + 2y 5z + 4 r + s = 4

 + 7y
 3 x z 3r + 2s = 10

y 13z 2r + s = 14 :




z 16r + 2s = 11
2r + 5s = 12
A) (1; 1; 1; 1; 1) B) (1; 1; 1; 1; 2) C) (1; 1; 2; 1; 1) D) (1; 2; 1; 1; 1)
E) (1; 0; 1; 1; 1) F) (1; 1; 2; 1; 2) G) (1; 1; 2; 1; 0) H) ( 1; 2; 1; 1; 1)
9) Calcule o determinante
24 32 9 12

40 56 15 21

15 20 6 8
:

25 35 10 14
A) 5 B) 4 C) 3 D) 2 E) 1 F) 0 G) 1 H) 2 I) 3 J) 4 K) 5 L) 6
 
3 3 3 3
 5 0 0 0
 
 0 0 8 11
 
10) Calcule o posto da matriz A =  5 0 8 11:
 1 1 1 1
 
 4 1 9 12
5 0 8 11
A) posto(A) = 0 B) posto(A) = 1 C) posto(A) = 2 D) posto(A) = 3 E) posto(A) = 4
F) posto(A) = 5 G) posto(A) = 6 H) posto(A) = 7 I) posto(A) = 8 J) posto(A) = 9
11) Representando um valor numerico qualquer por um \*", ao ser escalonada a matriz
 
3 2 2 3
 2 3 3 4
 
 2 4 2 3
A = 
 5 2 4 2
;
 
 3 4 2 3
8 0 2 5
obtemos uma matriz no seguinte formato:
B.2. ESPAC
OS 239

1  
0 1  
0 1  
1 
0
 1 

0
 0 1 

0
 0 0 1
0
 0 0 1
0 0 1  0 0 0 1 0 0 0 0 0 0 0 0
A) 
0

0 0 1
B) 
0 0 0 0
 C) 
0 0 0 0
 D) 
0 0 0 0

       
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

1  
1  
1  
1 
0
 0 1 

0
 1 

0
 1 

0
 1 

0 0 0 1 0 0 0 1 0 0 1  0 0 0 0
E) 
0 0 0 0
 F) 
0 0 0 0
 G) 
0

0 0 0
H) 
0 0 0 0

       
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
12) Denotando um valor numerico qualquer por um \*", a forma escalonada da matriz
 
3 5 2 2 2 5 7
9 15 6 6 6 12 20
6 10 4 0 5 8 11
tem o seguinte formato:

1  
1  1



A) 0 1  
B) 0 0 1  
C) 0 0 0 1 

0 0 1  
0 0 0 1  
0 0 0 0 1 
1 1 1

D) 0 0 0 1  
E) 0 0 0 0 0 1  
F) 0 0 0 1 
0 0 0 0 0 0 1 0 0 0 0 0 0 1 0 0 0 0 0 1


 x + 2y = 5

 3y + 4z = 18

13) Determine o valor de y que e soluc~ao do sistema linear 5z + 6u = 39 .



 7u + 8v = 68

9v + 10x = 55
A) y = 3 B) y = 2 C) y = 1 D) y = 0 E) y = 1 F) y = 2 G) y = 3 H) y = 4
B.2 Espacos vetoriais e subespacos
14) Calcule o valor de c sabendo que a; b; c s~ao escalares e fu; v; w g e uma base de um espaco
vetorial V tais que
(5a 10)u + (b c )v + ( 7a b c )w = 0:
240 ^
APENDICE B. TESTES
A) 0 B) 1 C) 2 D) 3 E) 4 F) 5 G) 6 H) 7 I) 8 J) 9 K) 10
L) 12 M) 1 N) 2 O) 3 P) 4 Q) 5 R) 6 S) 7 T) 8 U) 9 W) 10
15) Considere escalares a; b; c 2 R e um vetor v = ( 4; 3; 2) 2 R3 . Determine o valor de c

para que seja valida a seguinte combinac~ao linear
v = a(4; 10; 2) + b(0; 1; 1) + c (0; 0; 1):
A) 1 B) 7 C) 7 D) 9 E) 9 F) 11 G) 11 H) 13 I) 13 J) 15
K) 17 L) 0 M) 12 N) 12 O) 16 P) 16 Q) 20 R) 20 S) 24 T) 24
16) Qual dos conjuntos listados a seguir e subespaco vetorial de V = R3 ?

A) A = f(x; y; z ) 2 R3 jx + y = 1g B) B = f(x; y; z ) 2 R3 jx + z = 2g
C) C = f(x; y; z ) 2 R jx > 0; y > 0g D) D = f(x; y; z ) 2 R3 jx 0; z 0g
3
E) E = f(x; y; z ) 2 R3 jx 2 + y 2 = 1g F) F = f(x; y; z ) 2 R3 jx 2 z 2 = 2g
G) G = f(x; y; z ) 2 R3 jz = x 2 + y 2 g H) H = f(x; y; z ) 2 R3 jx = 2z 3y g
17) Determine um subconjunto A de

B = fv1 = (2; 3; 1; 0); v2 = (1; 1; 4; 5); v3 = (4; 1; 9; 10); v4 = (7; 8; 7; 5);
v5 = ( 1; 2; 0; 0); v6 = (0; 5; 7; 10)g R4
que seja inteiramente formado por vetores linearmente independentes.
A) A = fv2 ; v3 ; v4 g B) A = fv2 ; v4 ; v6 g C) A = fv2 ; v5 ; v6 g D) A = fv2 ; v4 ; v5 g
E) A = fv1 ; v2 ; v6 g F) A = fv1 ; v2 ; v4 g G) A = fv1 ; v2 ; v3 g H) A = fv1 ; v2 ; v5 g
B.3 Base e dimens~ao
18) Sendo V e W subespacos do R4 , calcule dim(V + W ) sabendo que

V = [(1; 2; 3; 0); ( 1; 1; 1; 0); (0; 1; 2; 0)] e W = [(4; 4; 4; 0); (0; 1; 1; 0); (1; 1; 2; 0)]:
A) 0 B) 1 C) 2 D) 3 E) 4 F) 5 G) 6 H) 7 I) 8 J) 9 K) 10 L) 11 M) 12
19) Determine uma base para o seguinte subespaco do R4 :

W = f(x; y; z; t ) 2 R4 j x + 2z = y + 4t g:
B.4. TRANSFORMAC ~
OES LINEARES 241
A) f(1; 1; 0; 0); ( 2; 0; 1; 0); (2; 0; 0; 1)g B) f(1; 1; 0; 0); ( 3; 0; 1; 0); (3; 0; 0; 1)g
C) f(1; 1; 0; 0); ( 2; 0; 1; 0); (4; 0; 0; 1)g D) f(1; 1; 0; 0); (2; 0; 1; 0); ( 4; 0; 0; 1)g
E) f(1; 1; 0; 0); (2; 0; 1; 0); ( 3; 0; 0; 1)g F) f(1; 1; 0; 0); ( 5; 0; 1; 0); (3; 0; 0; 1)g
G) f(1; 1; 0; 0); ( 3; 0; 1; 0); (4; 0; 0; 1)g H) f(1; 1; 0; 0); (5; 0; 1; 0); (3; 0; 0; 1)g
20) Sejam U = [1; e x ] e W = [sen x; cos x ] subespacos de V = F (R; R). Determine uma base
para U + W .
A) = f1 + e x ; 1 + sen x; 1 + cos x g = fx sen x; x cos x g
B) = fe x sen x; e x cos x g
C)
D) = f1 + e x (sen x + cos x )g = fe x ; e x sen x; e x cos x g

E) = f1 + e x ; sen x + cos x g
F)
G) = f1 + sen x; e + cos x g
x
= f1 + e + sen x + cos x g
x
H) = f1; e x ; sen x; cos x g
I)
21) Determine uma base para o seguinte subespaco de P3 :

W = fp(x ) 2 P3 j p( 1) = p(2) = 0g
A) fx + 1; x 2g B) fx 2 x 2g fx 3 x 2 2x; x 2 x 2g
C) D) f(x + 1)2 ; (x 2)3 g
E) f 2; x; x 2 g F) f1; x; x x 2g
2 f1; x; x 3 x 2 2x g
G) H) fx 3 ; x 2 ; 2x; 1g
22) Determine uma base para o seguinte subespaco de V = F (R; R):

W = ff (x ) = ae x + be 2x + ce 3x j a; b; c 2 R; f (0) = f 0 (0) = 0g
A) fe x + e 2 x + e 3 x g B) f2e x e 2x e 3x g C) fxe x 2xe 2x + xe 3x g D) fxe x + xe 2x + xe 3x g
E) fe x 2e 2x + e 3x g F) f3e x 2e 2x e 3x g G) f2e x 2xe 2x + xe 3x g H) f3e x e 2x xe 3x g
23) Calcule a dimens~ao do subespaco W de V = [x; x 2 ; e x ; e x ; cos x; sen x ] F (R; R):

W = ff 2 V j f (0) = f 0 (0) = 0g
A) dim W = 0 B) dim W = 1 C) dim W = 2 D) dim W = 3 E) dim W = 4 F) dim W = 5
G) dim W = 6 H) dim W = 7 I) dim W = 8 J) dim W = 9 K) dim W = 10 L) dim W = 1
B.4 Transformac~oes lineares
24) Calcule T (4; 1), sabendo que T : R2 e T (1; 1) = 3. ! R2 e linear, T (5; 0) = 2

A) 5 B) 4 C) 3 D) 2 E) 1 F) 53 G) 25 H) 133 I) 132 J) 214 K) 21
541
21 41 41
L) 0 M) 1 N) 2 O) 3 P) 4 Q) 5 R) 20 S) 4 T) 5 U) 5 V) 21
4
25) Se T : R10 ! R6 e linear e dim Im(T ) = 2, quanto e a dimens~ao do nucleo de T ?

242 ^
APENDICE B. TESTES
A) 0 B) 1 C) 2 D) 3 E) 4 F) 5 G) 6 H) 7 I) 8 J) 9 K) 10 L) 11 M) 12
26) Determine uma base para a imagem de T : R3 ! R3 denida por

T (x; y; z ) = (x; 2x 3z; 4x 4z ):
A) f(1; 1; 4); (0; 2; 3)g B) f(1; 2; 4); (0; 3; 4)g C) f(1; 2; 4); (0; 3; 4)g
D) f(1; 3; 4); (0; 4; 5)g E) f(1; 3; 4); (0; 4; 5)g F) f(1; 3; 4); (0; 4; 5)g
G) f(1; 1; 4); (0; 3; 5)g H) f(1; 1; 4); (0; 3; 5)g I) f(1; 2; 3); (0; 2; 4)g
B.5 Autovalores e autovetores
27) Encontre os autovalores de T : R3 ! R3 cuja matriz na base canônica e

 
2 0 1
[T ] =  2 3 2
2 2 7
A) 1; 2; 3 B) 0; 1; 4 C) 1; 4; 5 D) 0; 3; 4 E) 1; 4; 5 F) 1; 4; 3 G) 0; 4; 5
H) 0; 1; 3 I) 1; 1; 2 J) 0; 1; 2 K) 1; 2; 3 L) 3; 4; 5 M) 2; 4; 5 N) 1; 4; 3
28) Determine os autovetores de T : R2 ! R2 denida por

T (x; y ) = (5x + y; x ):
p p p p
A) v1 = (1; 1+p2 5 ); v2 = (1; 1 2p5 ) B) v1 = (1; 2+p2 8 ); v2 = (1; 2 2p8 )
C) v1 = (1; 4+p2 20 ); v2 = (1; 4 2 p20 ) D) v1 = (1; 5+p2 29 ); v2 = (1; 5 2 p29 )
E) v1 = (1; 4+2 20 ); v2 = (1; 4 2 20 ) F) v1 = (1; 5+2 29 ); v2 = (1; 5 2 29 )
B.6 Polinômio mnimo e diagonalizac~ao
29) Sejam I a matriz identidade e O a matriz nula, ambas de ordem 5 5. Baseado na informac~ao
de que o polinômio mnimo de
 
2575 4943 6903 8294 9015
 6355 12181 16988 20392 22156 
 
M =
 7435 14244 19858 23834 25900

 4905 9401 13117 15760 17144 
1570 3012 4209 5066 5519
e m(x ) = (x 2)2 (x + 5)3 , podemos armar que
^
B.6. POLINOMIO MINIMO E DIAGONALIZAC ~
AO 243
A) M e diagonalizavel B) (M 2I )2 = O C) (M + 5I )3 = O
D) (M 2I )5 (M + 5I )5 = O E) (M 2I )(M + 5I )2 = O F) (M 2I )(M + 5I )3 = O
G) (M 2I )2 (M + 5I )2 = O H) (M + 5I )2 = O I) M 2I = O
30) Qual e o traco de uma matriz 4 4 cujo polinômio mnimo e m(x ) = (x 2 6)(x 2 11) ?
A) 0 B) 1 C) 2 D) 3 E) 4 F) 5 G) 6 H) 7 I) 8 J) 9 K) 10 L) 11 M) 12
31) O polinômio mnimo de uma matriz 3 3 e m(x ) = (x 1)(x 2)(x 5). Qual e o valor
do seu determinante?
A) 0 B) 1 C) 2 D) 3 E) 4 F) 5 G) 6 H) 7 I) 8 J) 9 K) 10 L) 11 M) 12
 
703 1330 1245 575 105
1344 2547 2385 1101 201
 
32) Determine a matriz inversa de M =  1876 3556 3327 1534 280 sabendo que seu
2254 4270 3990 1838 336
2450 4640 4335 2000 368
polinômio mnimo e m(x ) = x 2 5x + 6.
5I M 6I M 5I+M 6I +M

A) M 1 = B) M 1 = C) M 1 = D) M 1 =
6 5 6 5
1 M 5I 1 M 6I 1 M 5I 1 M 4I
E) M = F) M = G) M = H) M =
6 5 3 5
33) O polinômio caracterstico de uma matriz A de ordem 10 10 e

p() = ( + 5)2 ( + 7)3 ( 8)3 ( + 9)2 :
Determine seu polinômio mnimo sabendo que A e diagonalizavel.
A) m() = ( + 5)2 ( + 7)3 ( 8)3 ( + 9)2 B) m() = ( + 5)
C) m() = ( + 5)2 ( + 7)2 ( 8)2 ( + 9)2 D) m() = ( + 5)( + 7)
E) m() = ( + 5)( + 7)2 ( 8)2 ( + 9) F) m() = ( + 5)( + 7)( 8)
2
G) m() = ( + 5) ( + 7)( 8)( + 9) 2 H) m() = ( + 5)( + 7)( 8)( + 9)
 
3 17 14
34) Uma matriz diagonal que e semelhante a M = 6 34 28 e
6 45 39
244 ^
APENDICE B. TESTES
         
3 0 0 3 0 0 3 0 0 6 0 0 3 0 0

A) 0 11 0  
B) 0 11 0  
C) 0 11 0  
D) 0 11 0  
E) 0 12 0

0 0 0  
0 0 0 
0 0 0 
0 0 0 
0 0 1
1 0 0 3 0 0 2 0 0 2 0 0 3 0 0
 
F) 0 13 0 G) 0 13 0  
H) 0 11 0  
I) 0 11 0  
J) 0 13 0
0 0 0 0 0 1 0 0 1 0 0 1 0 0 1
 
1 1 2 2
 2 2 4 4
35) Determine uma matriz diagonal semelhante a matriz M =
 2 1 7
.
6
2 1 8 7
       
1 0 0 0 1 0 0 0 1 0 0 0 0 0 0 0
0 2 0 0      0
A)  B)  0 1 0 0
C) 0 1 0 0
D) 0 0 0 
0 0 3 0   0 0 1 0  0 0 1 0  0 0 0 0

0 0 0 4  
0 0 0 0 
0 0 0 1  
0 0 0 0
1 0 0 0 1 0 0 0 1 0 0 0 0 0 0 0
0 1 0 0      0
E)  F)  0 1 0 0
G) 0 1 0 0
H) 0 1 0 
0 0 1 0   0 0 2 0  0 0 1 0  0 0 1 0
0 0 0 1 0 0 0 2 0 0 0 1 0 0 0 0
 
6 16 15 0
 1 37 29 0
36) Encontre o polinômio mnimo da matriz B = 
 1 44 36 0
.
1 44 29 7
A) m(x ) = x 2 + 49 B) m(x ) = x 2 49 C) m(x ) = x 7

D) m(x ) = x + 7 E) m(x ) = x 98x + 2401 F) m(x ) = x 4 98x 2 + 2401
2
G) m(x ) = (x 7)(x + 7)2 H) m(x ) = (x + 7)(x 7)2 m(x ) = x 2 2401
37) Considere M a seguinte matriz 6 6:

 
1858 3600 5136 6372 7236 7680
 9024 17516 24990 30996 35190 37344
 
 17807 34567 49298 61124 69376 73613
M =
 18565 36035 51380 63696 72290 76705
:
 
 11283 21903 31236 38736 43978 46677
3355 6515 9296 11536 13106 13917
B.7. ESPAC
OS COM PRODUTO INTERNO 245
Sabendo que seu polinômio caracterstico e p() = ( + 2)2 ( + 3)( 4)3 e seu polinômio mnimo
e m() = ( + 2)( + 3)( 4), determine uma matriz A que seja semelhante a M .
     
4 0 0 0 0 0 1 0 0 0 0 0 4 1 0 0 0 0
0 4 0 0 0 0 0 1 0 0 0 0 0 4 1 0 0 0
     
0 0 4 0 0 0 0 0 1 0 0 0 0 0 4 1 0 0
A=
0
 A=  A= 
0 0 0 0 0
A) B) C)
 0 0 2 0   0 0 1 0   0 0 2 1 
0 0 0 0 2 0 0 0 0 0 1 0 0 0 0 0 2 1
0 0 0 0 0 3 0 0 0 0 0 1 0 0 0 0 0 3
     
4 4 4 0 0 0 4 4 4 4 4 4 4 2 3 0 0 0
0 4 4 0 0 0 0 2 2 2 2 2 4 2 3 0 0 0
     
0 0 4 0 0 0 0 0 3 3 3 3 4 2 3 0 0 0
A=
0
 A=  A= 
0 0 0 4 0
D) E) F)
 0 0 2 2   0 0 0 0   2 3 0 0 
0 0 0 0 2 0 0 0 0 0 0 0 4 2 3 0 0 0
0 0 0 0 0 3 0 0 0 0 0 0 4 2 3 0 0 0
B.7 Espacos com produto interno
38) Sabendo que u e v s~ao vetores de um espaco com produto interno V tais que ku k = 7,
kv k = 8, hu; v i = 4, calcule o valor de kv u k.
A) 0 B) 1 C) 2 D)p3 E)p4 F)p5 G)p6 H)p7 I) p
8 J)p9 K)p10
L) 11 M) 12 N) 13 O) 2 P) 3 Q) 5 R) 6 S) 7 T) 8 U) 10 V) 11
39) Considerando R5 com produto interno usual

hu; v i = h(u1 ; u2 ; u3 ; u4 ; u5 ); (v1 ; v2 ; v3 ; v4 ; v5 )i =
u1 v1 + u2 v2 + u3 v3 + u4 v4 + u5 v5 ;
calcule o cosseno do ângulo entre os vetores v = (3; 1; 2; 0; 1) e w = ( 1; 0; 1; 1; 3).
p p
A) p2
5p 10
B) p45
1
C) p715 D)
7
15 E) p235 F) p245 G) p105
3
H) p3
2p 10
I) p2
3 5
J) p1
2 15
K)
1
30
L) p3
2 14
M) p21
1
N) p421 O)
21
2
P) p121 Q) p213 R) p105
2
S) p101
2
T) p1
3 14
U) p35
1
V)
1
10

1 3
40) Calcule kv k, sabendo que v = 3 2
2 M (2; 2) com produto interno

a b e f
c d ; g h = ae + bf + cg + dh:
p p p p p p p p
A)
p0 B) 1 C) 2 D) 3 E)
p2 p3 p5 p6
F)
p11 p12G) H) I) J) K)
p13 L)
p14
M) 15 N) 4 O) 5 P) 6 Q) 7 R) 8 S) 10 T) 17 U) 18 V) 19 W) 22 X) 23
246 ^
APENDICE B. TESTES
41) Sejam V = R4 com produto interno usual e v1 ; v2 ; v3 ; v4 2 V tais que

v1 = (1; 2; 3; 4) e v2 = (1; 12 ; 13 ; 14 )
v3 = v1 , para algum escalar
v4 e ortogonal a v1
v2 = v3 + v4 .
Determine o vetor v4 .
A) v4 = ( 13 7
15 ; 15 ;
7 17
15 ; 15 ) B) v4 = ( 13 1 4 7
15 ; 15 ; 15 ; 15 ) C) v4 = ( 13 7 1 17
15 ; 30 ; 15 ; 60 ) D) v4 = ( 13 7
30 ; 30 ;
7 17
30 ; 30 )
1 4 13 17
E) v4 = ( 15 ; 15 ; 15 ; 30 ) F) v4 = ( 30 ; 15 ; 30 ; 17
13 7 7
15 ) G) v4 = ( 60 ; 60 ; 15 ; 17
13 7 1
60 ) H)
1 7
v4 = ( 60 ; 30 ; 1 7
30 ; 30 )
7 7 7 7 7 1 4 1 1 7 1 7 1 7 7 1
I) v4 = ( 60 ; 15 ; 15 ; 15 ) J) v4 = ( 60 ; 15 ; 15 ; 15 ) K) v4 = ( 15 ; 60 ; 15 ; 60 ) L) v4 = ( 30 ; 60 ; 15 ; 30 )
42) Se fe1 ; e2 ; : : : ; en g e a base canônica do Rn com produto interno usual, e v2 = (v21 ; v22 ; : : : ; v2n );
v3 = (v31 ; v32 ; : : : ; v3n ); : : : ; vn = (vn1 ; vn2 ; : : : ; vnn ) s~ao n 1 vetores de Rn , ent~ao o vetor v1 de-
nido atraves do \pseudo-determinante"

e1
e2 : : : en
v21 v22 : : : v2n

: : : v3n
v1 = v31 v32
.. .. ... ..
. . .

vn1 vn2 : : : vnn
e ortogonal a cada um dos vetores v2 ; v3 ; : : : ; vn . Baseando-se nessa informac~ao, determine um
vetor v1 2 R4 que seja simultaneamente ortogonal aos vetores v2 = (1; 2; 0; 0), v3 = (0; 1; 0; 4) e
v4 = (0; 5; 3; 2).
A) v1 = ( 24; 12; 8; 6) B) v1 = ( 12; 1; 18; 1) C) v1 = (12; 12; 18; 3)
D) v1 = (24; 2; 18; 1) E) v1 = (24; 12; 18; 3) F) v1 = (12; 24; 3; 18)
G) v1 = ( 2; 1; 0; 4) H) v1 = (0; 4; 0; 1) I) v1 = (0; 50; 30; 20)
43) Seja V = C ([0;Z1]) um espaco das funco~es contnuas no intervalo [0; 1] com produto interno
1
denido por hf ; g i = f (x )g (x )dx . Calcule o ângulo entre os seguintes vetores de V : f (x ) = 3x 2
0
e g (x ) = 4x 3 .
p p p p p
35 35 35 3 3
A) arccos B) arccos C) arccos D) arccos E) arccos
p
12
p 8
p6
p
11
p
6

3 5 5 5 35
F) arccos G) arccos H) arccos I) arccos J) arccos
7 35 6 2 3
B.8. COMPLEMENTO ORTOGONAL E ORTOGONALIZAC ~
AO 247
44) Sejam V um espaco vetorial com produto interno e u 6= 0 e v =

6 0 dois vetores de V cujo
u v
ângulo entre eles e igual a . Calcule o valor de + .
k u k kv k
A) 12 cos 2 B) 14 cos 2 C) cos 2 D) 2 cos 2 E) 4 cos 2 F) cos G) 12 cos H) 14 cos
I) 12 sen 2 J) 14 sen 2 K) sen 2 L) 2 sen 2 M) 4 sen 2 N) sen O) 21 sen P) 14 sen
B.8 Complemento ortogonal e ortogonalizac~ao
45) Seja W o subespaco do R3 gerado pelos vetores v1 = (0; 1; 1) e v2 = (1; 2; 5). Determine
w sabendo que = fw g e uma base do complemento ortogonal W ? .
A) w =( 2; 1; 1) B) w = (3; 5; 1) C) w = ( 76 ; 13
6 ; 1) D) w = ( 34 ; 12 ; 1) E) w = ( 25 ; 67 ; 1)
F) w =( 5; 0; 1) G) w = (4; 2; 1) H) w = ( 56 ; 13
5 ; 1) I) w = ( 32 ; 14 ; 1) J) w = ( 23 ; 67 ; 1)
K) w =( 7; 1; 1) L) w = (2; 3; 1) M) w = ( 34 ; 5
6 ; 1) N) w = ( 35 ; 514 ; 1) O) w = ( 32 ; 411 ; 1)
46) Determine u3 sabendo que = fu1 ; u2 ; u3 g e uma base ortonormal de R3 obtida a partir da
base = fv1 = (1; 0; 0); v2 = (0; 1; 1); v3 = (1; 5; 0)g, usando-se o Processo de Ortogonalizac~ao
de Gram-Schmidt.
A) u3 = (0; 35 ; 45 ) B) u3 = (0; p12 ; p12 ) C) u3 = (0; p25 ; p15 ) D) u3 = (0; p310 ; p101 )
E) u3 = (0; 35 ; 54 ) F) u3 = (0; p526 ; p261 ) G) u3 = (0; p637 ; p371 ) H) u3 = (0; 5p7 2 ; 5p12 )
I) u3 = (0; 54 ; 35 ) J) u3 = (0; p982 ; p821 ) K) u3 = (0; p10 1 11 1
101 ; p101 ) L) u3 = (0; p122 ; p122 )
1 Z
47) Usando o produto interno hf ; g i = f (t )g (t ) dt do espaco V = P2 , determine uma base
0
para W ? sabendo que W = [t 2 5t + 6; t + 1].
A) f150t 2 840t + 35g B) f590t 2 584t + 95g C) f520t 2 504t + 65g
D) f990t 2 + 184t + 215g E) f400t 2 + 123t + 25g F) f180t 2 + 284t 150g
Z
48) Seja V = [1; x; cos x; sen x ] C ([0; ]), com produto interno hf ; g i = f (x )g (x ) dx .
0
Se W = [x; sen x ], determine uma base para W ? .
A) fx + 2 12+12 cos x + 2 sen x; 1 + 3 26 24 cos x 4 sen x g
3 2 2
B) fx 2 +12 12 cos x 2 sen x; + 3 12+24 cos x 4 sen x g

3 2 2
C) fx + 2 1212 cos x 2 sen x; 1 + 3 12 24 cos x 4 sen x g

3 2
D) fx 2 +12 12 cos x + 2 sen x; 1 + 3 11 24 cos x 6 sen x g

3 2 2
12
E) fx 2 1212 cos x + 2 sen x; + 3 +12 24 cos x + 5 sen x g
3 2
F) fx + 2 +512 12 cos x 2 sen x; 1 + 3 +512 24 cos x 4 sen x g

3 2 2
248 ^
APENDICE B. TESTES
49) Considerando W R3 como sendo o plano de equac~ao 2x + 5y 11z = 0, determine seu

complemento ortogonal W ? .
A) W ? e o plano que tem equac~ao 2x + 5y 11z = 14
B) W ? e o conjunto vazio.
C) W ? e o conjunto unitario formado so pelo ponto (0; 0; 0).
D) W ? e o plano que tem equac~ao z = 0
E) W ? e a reta que coincide com o eixo dos x
F) W ? e a reta que passa pelo (0; 0; 0) e tem a direc~ao do vetor ~v = (2; 5; 11)
G) W ? e a reta que passa pelo (0; 0; 0) e tem a direc~ao do vetor ~v = (2; 11; 14)
H) W ? e a reta que passa pelos pontos (1; 1; 11) e (2; 5; 11).
50) Uma matriz n n cujas linhas s~ao os vetores de uma base ortonormal de Rn e uma ma-
triz ortogonal. A partir da base f(0; 1; 2); (3; 4; 5); (1; 2; 0)g do R3 , usando um processo de
ortogonalizac~ao, obtenha uma matriz M com a propriedade M 1 = M t .
       
0 p15 p25 0 p15 p25 0 p15 p25 0 p15 p25
A)  1
 p5 p25 p15  2
 B)  p5 p25 p15  5
 C)  p3 p3
2 p13   5 2
 D)  p30 p30 p130 

p16 p26 p16 p16 p26 p16 p16 p26 p16 p16 p26 p16
       
0 p15 p25 0 p16 p26 0 p15 p25 p15 0 p25
E)  1
 p5 p25 p15  2
 F)  p5 p25 p15  5
 G)  p2 p2
2 p12   5
 H)  p30 p230 p130 
1
p6 2
p6 p61 1
p3 2
p3 p31 1
p6 p6 2 1
p6 1
p6 2
p6 p 6 1
B.9 Formas bilineares e quadraticas
51) Determine qual e a forma bilinear associada a seguinte forma quadratica:

q (x; y; z ) = 4x 2 + z 2 + 5xy 10yz
A) f ((x1 ; y1 ; z1 ); (x2 ; y2 ; z2 )) = 4y1 y2 + 5x21 z2 + 5x22 y1 5x1 z2 5y2 z1 + x1 z2
B) f ((x1 ; y1 ; z1 ); (x2 ; y2 ; z2 )) = 4x1 x2 + 5x21 z2 + 5x22 z1 5y1 y2 5x1 z2 + z1 z2
C) f ((x1 ; y1 ; z1 ); (x2 ; y2 ; z2 )) = 4x1 x2 + 5x21 y2 + 5x22 y1 5y1 z2 5y2 z1 + z1 z2
D) f ((x1 ; y1 ; z1 ); (x2 ; y2 ; z2 )) = 4y1 y2 + 5x21 z2 + 5x22 z1 5y1 z2 5y2 z1 + y1 y2
E) f ((x1 ; y1 ; z1 ); (x2 ; y2 ; z2 )) = 4z1 z2 + 5x21 y2 + 5x22 y1 5x1 z2 5y2 z1 + y1 z2
52) Obtenha a matriz simetrica associada a seguinte forma quadratica do R4

q (x1 ; x2 ; x3 ; x4 ) = x12 + 4x22 + 11x32 + 24x42 2x1 x3 4x1 x4 + 4x2 x3 + 16x3 x4 :
B.10. CLASSIFICAC ~ DE CONICAS
AO ^
E QUADRICAS 249
     
1 0 1 2 1 0 1 2 1 0 2 2
0 4 2 0  0 4 2 0  0 4 2 0
A) 1 2 11 8
B) 
 1 2 11 8
C) 
 1 2 11 8


2 0 8 24  
2 0 8 24  
2 0 8 24
1 0 2 2 1 0 2 4 1 0 2 4
 0 4 2 
0  0 4 2 
0  0 4 2 0
D) 
 1 2 11 16
E) 
 2 2 11 16
F) 
 2 2 11 16

2 0 16 24 4 0 16 24 4 0 16 24
B.10 Classicac~ao de cônicas e quadricas

Nas quatro quest~oes seguintes, identique a cônica ou o conjunto de pontos representado pela
equac~ao dada.
53) 16x 2 + 9y 2 + 24xy 115x 55y + 150 = 0
A) Hiperbole B) Elipse C) Parabola D) Duas retas E) Conjunto vazio F) Um ponto
54) 7x 2 7y 2 + 48xy 25x + 75y 50 = 0
55) 43x 2 + 57y 2 = 48xy

56) 189x 2 19y 2 + 390xy = 1224

Nas quatro quest~oes a seguir, identique a quadrica representada pela equac~ao dada.
57) 103x 2 + 125y 2 + 66z 2 + 48xy + 12xz 60yz 140x + 14y 168z + 98 = 0
A) Hiperboloide de uma folha B) Hiperboloide de duas folhas C) Paraboloide elptico
D) Paraboloide hiperbolico E) Elipsoide F) Cone
G) Cilindro circular H) Cilindro parabolico G) Cilindro hiperbolico
58) 12x 2 + 6y 2 18z 2 22xy 30xz + 3yz 28x 7y 63z + 49 = 0

250 ^
APENDICE B. TESTES

59) xy yz xz = 1
60) x 2 + yz = 10
B.11 Respostas dos testes

1) G 2) B 3) J 4) A 5) C 6) F 7) D 8) B 9) G 10) D
11) A 12) F 13) F 14) S 15) B 16) H 17) H 18) D 19) C 20) I
21) C 22) E 23) E 24) K 25) I 26) C 27) L 28) F 29) D 30) A
31) K 32) A 33) H 34) A 35) B 36) H 37) A 38) L 39) B 40) X
41) C 42) E 43) C 44) D 45) K 46) B 47) B 48) C 49) F 50) D
51) C 52) B 53) C 54) D 55) F 56) A 57) E 58) G 59) B 60) A
Referências Bibliogracas
[1] H. Anton, C. Rorres, Algebra Linear com Aplicaco~es, Bookman, 2010.
[2] T. M. Apostol, Calculo, volumes 1 e 2, Ed. Reverte, 1978.
[3] P. E. Danko, A. G. Popov, T. Ya. Kozhevnikova, Matematicas Superiores en Ejercicios y
Problemas, volume 1, Editorial Mir, 1983.
[4] A. V. Emov, B. P. Demidovich, Higher Mathematics for Engineering Students, volume 1,
Mir Publishers, 1984.
[5] C. A. Guelli, G. Iezzi, O. Dolce, Algebra II { Matrizes, Determinantes, Probabilidades, Sis-
temas Lineares, Analise Combinatoria, Editora Moderna Ltda, 1972.
[6] H. D. Ikramov, Linear Algebra Problems Book, Mir Publishers, 1983.
[7] D. Kreiden, R. C. Kuller, D. R. Ostberg, F. W. Perkins, Introduc~ao a Analise Linear, volume
1, Ao Livro Tecnico S.A. e Editora da Universidade de Braslia, 1972.
[8] S. Lipschutz, Algebra Linear, Colec~ao Schaum, McGraw-Hill, 1972.
[9] I. Proskuriakov, Problemas de Algebra Lineal, Editorial Mir, 1986.
[10] M. H. Protter, C. B. Morrey Jr., Modern Mathematical Analysis, Addison-Wesley Publishing
Company Inc., 1964.
251
Indice Remissivo
Autovalores, 120 Forma escada, 24
Autovetores, 120 Formas bilineares, 179
Formas quadraticas, 179
Base, 63
Base canônica Imagem, 95
de Pn , 69 Isomorsmo, 104, 105
de Rn , 68
de M (m; n) , 69 Matriz
do Rn , 69 semelhante, 135
Bibliograa, 251 Matriz escalonada, 24
Matrizes, 1
Cônicas, 179, 187 adic~ao, 4
Combinac~ao linear, 50 escalonadas, 23
Computac~ao Algebrica, 209 igualdade, 4
Coordenadas, 71 inversas, 12
corpo, 43 multiplicac~ao, 5
multiplicac~ao por escalar, 5
Determinantes, 1, 9 transpostas, 8
Diagonalizac~ao, 135 Maxima, 209
Diferenca de vetores, 44 autovalores, 230
Dimens~ao , 63 autovetores, 230
block, 233
Eliminac~ao de Gauss, 29 derivadas, 222
equac~ao linear, 15 diagonalizac~ao, 230
coecientes, 15 Equaco~es Diferenciais, 223
soluc~ao, 15 equac oes, 225
termo independente, 15 escalonamento, 229
Equivalente por linha, 23 for, 233
escalares, 44 gracos, 217
Espaco vetorial gracos denidos implicitamente, 219
base, 67 if, 233
dimens~ao, 67 integrais, 222
Espacos vetoriais, 43 interface, 210
252
INDICE REMISSIVO 253
limites, 221 Subespacos triviais, 48

matrizes, 228
ortogonalizac~ao, 232 Testes
polinômio caracterstico, 230 autovalores, 242
polinômio mnimo, 230 autovetores, 242
polinômios, 217 base, 240
print, 233 complemento ortogonal, 247
programac~ao, 233 determinantes, 235
series, 224 dimens~ao, 240
simplicac~ao, 216 espacos vetoriais, 239
sistemas lineares, 225 matrizes, 235
vetores, 227 ortogonalizac~ao, 247
while, 233 produto interno, 245
sistemas lineares, 235
Nucleo, 95 subespacos, 239
transformaco~es lineares, 241
Operaco~es elementares, 23 testes, 235
Operador linear, 91 Transformaco~es lineares, 91
Polinômio mnimo, 136 Variavel livre, 32
Prefacio, v Vetores
Produto interno, 153 dependentes, 63
Quadricas, 179, 187 independentes, 63
LD, 63
Sistema linear LI, 63
compatvel, 16
determinado, 16 wxMaxima, 210
equivalente, 16
homogêneo, 16
impossvel, 16
incompatvel, 16
indeterminado, 16
possvel, 16
resoluc~ao, 18
Sistemas lineares, 1, 15, 29
Soma direta, 73
Subespaco vetorial, 47
Subespacos, 43
gerados, 51
intersec~ao, 72
soma, 72
254 INDICE REMISSIVO
Lenimar Nunes de Andrade nasceu no sert~ao do Rio Grande do
Norte no incio da decada de 60. Descobriu sua vocac~ao para
professor de Matematica aos 12 anos de idade, quando dava au-
las particulares a muitos colegas do colegio. Obteve o ttulo de
Bacharel em Matematica pela Universidade Federal da Paraba
em 1982, Mestre em Matematica pela Universidade Federal de
Pernambuco em 1987 e de Doutor em Engenharia Eletrica pela
UNICAMP em 1998. Em 1984, ingressou como professor de Ma-
tematica da Universidade Federal da Paraba e em 2014 passou
a ser Professor Titular. Ja teve oportunidade de ministrar mais
de 35 disciplinas diferentes, algumas em nvel de pos-graduac~ao.
Atualmente, e professor de Calculo Diferencial e Integral I, II,

III, Calculo Numerico, Algebra Linear, Calculo Vetorial e Geo-
metria Analtica para alunos de cursos como Engenharia Civil,
Engenharia Mecânica, Engenharia Eletrica, Engenharia Qumica,
Engenharia da Computac~ao, Bacharelado em Fsica, Bachare-
lado em Matematica, entre outros. Dedicou-se por 9 anos ao
ensino a distância atraves da Universidade Aberta do Brasil, e a
programac~ao de computadores a partir de 1988.

2021 Lenimar AlgLin

Enviado por

Dados do documento

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

2021 Lenimar AlgLin

Enviado por

Direitos autorais:

Formatos disponíveis

UNIVERSIDADE FEDERAL DA PARAIBA

Lenimar Nunes de Andrade

1 Matrizes, determinantes e sistemas lineares 1

2.3.1 Variaveis livres . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32

3 Espacos Vetoriais e Subespacos 43

6 Autovalores e autovetores 119

7 Diagonalizac~ao de Operadores 135

8 Espacos com Produto Interno 153

9 Formas bilineares e quadraticas 179

A Apoio Computacional 209

A.8 Gra cos de funco~es implcitas . . . . . . . . . . . . . . . . . . . . . . . . . . . . 219

Refer^encias Bibliogra cas 251

Jo~ao Pessoa, 18 de novembro de 2020

Lenimar Nunes de Andrade

Matrizes, determinantes e sistemas lineares

 i = 1, j = 1 ) a11 = 2 1 + 12 3=2+1 3=0

1.1.2 Diagonal principal e secundaria

1.1.3 Tipos especiais de matrizes

1.1.4 Igualdade de matrizes

1.1.5 Adic~ao de matrizes

Dadas matrizes A, B e C , de mesma ordem m n, a adic~ao de matrizes possui as seguintes

1.1.6 Multiplicac~ao por um escalar

1.1.7 Multiplicac~ao de matrizes

8i 2 f1; 2; : : : ; mg; 8k 2 f1; 2; : : : ; ng. Nesse caso, denotamos C = A B, ou simplesmente

1.1.8 Propriedades do produto de matrizes

1.1.9 Pot^encia de expoente inteiro positivo

1.1.10 Matriz transposta

1.1.11 Propriedades da transposta

 De um modo geral, de nimos o cofator Mij da matriz M como sendo o determinante da

Por exemplo, para n = 4 obtemos o seguinte desenvolvimento:

1.2.1 Propriedades do determinante

 Se forem trocadas as posico~es de duas linhas, ent~ao o determinante troca de sinal;

 det(AB ) = (det A)(det B );

1.3 Matrizes inversas

1.3.1 Como calcular a matriz inversa

1.4 Sistemas lineares

1.4.2 Sistemas lineares

Um conjunto ordenado ( 1 ; 2 ; 3 ; : : : ; n ) e soluc~ao do sistema linear S se for soluc~ao de todas

mas n~ao admite (2; 1; 1) como soluc~ao porque

1.4.3 Classi cac~ao de um sistema linear

1.4.4 Matrizes e sistemas lineares

1.4.5 Resoluc~ao de um sistema linear

1.5 Exerccios Resolvidos

e Z = z1 , ent~ao ele se transforma no seguinte sistema linear nas variaveis X , Y , Z :

Soluc~ao: O determinante da matriz dos coe cientes do sistema e

1.6 Exerccios Propostos

11) D^e exemplo de um sistema linear 3 3 que tenha como soluc~ao x = 5, y = 4, z = 3.

2.1 Operac~oes elementares sobre linhas

[1. ] Trocar a linha i pela linha j . Em smbolos: Li $ Lj ;

Observac~ao: Podemostambem subtrair

2.2 Matriz escalonada

efetuamos as operaco~es Lr ar 3 L3 ! Lr , com r = 4 e r = 5.

2.3 Metodo de eliminac~ao de Gauss

2.3.1 Variaveis livres

Observac~ao 1: A soluc~ao geral tambem pode ser escrita na forma

2.4 Calculando a inversa de uma matriz

2.5 Exerccios Resolvidos

Soluc~ao: Determinamos a forma escalonada da matriz completa desse sistema:

Soluc~ao: Vamos escalonar a matriz desse sistema:

Soluc~ao: Vamos escalonar a matriz completa M desse sistema:

2.6 Exerccios Propostos

1) Calcule o posto dasseguintes matrizes:

2) Determine os valores de , e de modo que o sistema

UNIVERSIDADE FEDERAL DA PARAIBA

2.3.1 Variaveis livres . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32

3 Espacos Vetoriais e Subespacos 43

7 Diagonalizac~ao de Operadores 135

8 Espacos com Produto Interno 153

9 Formas bilineares e quadraticas 179

A.8 Gracos de funco~es implcitas . . . . . . . . . . . . . . . . . . . . . . . . . . . . 219

Refer^encias Bibliogracas 251

i = 1, j = 1 ) a11 = 2 1 + 12 3=2+1 3=0

1.1.2 Diagonal principal e secundaria

1.1.5 Adic~ao de matrizes

Dadas matrizes A, B e C , de mesma ordem m n, a adic~ao de matrizes possui as seguintes

1.1.6 Multiplicac~ao por um escalar

1.1.7 Multiplicac~ao de matrizes

De um modo geral, denimos o cofator Mij da matriz M como sendo o determinante da

Se forem trocadas as posico~es de duas linhas, ent~ao o determinante troca de sinal;

det(AB ) = (det A)(det B );

Um conjunto ordenado (1 ; 2 ; 3 ; : : : ; n ) e soluc~ao do sistema linear S se for soluc~ao de todas

mas n~ao admite (2; 1; 1) como soluc~ao porque

1.4.3 Classicac~ao de um sistema linear

1.4.5 Resoluc~ao de um sistema linear

1.5 Exerccios Resolvidos

e Z = z1 , ent~ao ele se transforma no seguinte sistema linear nas variaveis X , Y , Z :

Soluc~ao: O determinante da matriz dos coecientes do sistema e

1.6 Exerccios Propostos

11) D^e exemplo de um sistema linear 3 3 que tenha como soluc~ao x = 5, y = 4, z = 3.

2.1 Operac~oes elementares sobre linhas

[1. ] Trocar a linha i pela linha j . Em smbolos: Li $ Lj ;

Observac~ao: Podemostambem subtrair

efetuamos as operaco~es Lr ar 3 L3 ! Lr , com r = 4 e r = 5.

2.3 Metodo de eliminac~ao de Gauss

2.3.1 Variaveis livres

Observac~ao 1: A soluc~ao geral tambem pode ser escrita na forma

2.5 Exerccios Resolvidos

Soluc~ao: Determinamos a forma escalonada da matriz completa desse sistema:

Soluc~ao: Vamos escalonar a matriz desse sistema:

Soluc~ao: Vamos escalonar a matriz completa M desse sistema:

2.6 Exerccios Propostos

Espacos Vetoriais e Subespacos

(ax 2 + bx + c ) + (dx 2 + ex + f ) = (a + d )x 2 + (b + e )x + (c + f ); 8a; b; c; d; e; f 2 R

tambem e um espaco vetorial.

(kf )(x ) = kf (x ), 8k 2 R, 8f 2 F (X; R)

. O conjunto F (X; R) assim denido, com as duas operaco~es f + g e kf e um espaco vetorial.

av = 2(4; 5) = (2 4; 5) = (8; 5),

Observac~ao 1: Para vericar se determinado conjunto e ou n~ao e um espaco vetorial, e

3.2 Subespacos vetoriais

Note que se V e um espaco vetorial e W e subespco de V , ent~ao as propriedades que valem

Conclumos assim que W e um subespaco vetorial de V .

3.3 Combinac~ao linear

Como o sistema linear tem soluc~ao, conclumos que w e combinac~ao linear de v1 e v2 :

3.4 Subespacos Gerados

Nesse caso, dizemos tambem que os vetores v1 ; v2 ; : : : ; vn geram o W .

soluc~ao e dada por a = x5 ; b = y3 ; c 4b6 z = 4 36

3.5 Exerccios Resolvidos

R1) Mostre que V = R3 e um espaco vetorial com as operaco~es usuais de vetores:

Soluc~ao: Sejam u = (x1 ; y1 ; z1 ), v = (x2 ; y2 ; z2 ); w = (x3 ; y3 ; z3 ) tr^es elementos genericos de

R2) Verique se V = R3 e um espaco vetorial com as seguintes operaco~es :

R4) Se V = R3 e W = f(a; b; 0) j a; b 2 Rg, mostre que W e um subespaco vetorial de V com

se u = (a; b; 0) e v = (c; d; 0) s~ao dois elementos genericos de W , ent~ao a soma u + v =

R5) Sejam V = F (R; R), o conjunto de todas as funco~es de R em R, e W o conjunto de todas

Soluc~ao: Vamos vericar que s~ao verdadeiros os seguintes itens:

R6) Verique se W = ff : R ! R j f 000(x ) + 2f 00(x ) 5f 0 (x ) = 0g e subespaco de F (R; R).

Sejam f 2 W e k 2 R. Ent~ao, f 000 (x ) + 2f 00 (x ) 5f 0 (x ) = 0 ) (kf )000 (x ) + 2(kf )00 (x )

R7) Verique se W = ff : R ! R j f 000(x ) + 2f 00(x ) 5f 0 (x ) = 1g e subespaco de F (R; R).

Soluc~ao: Se f for a func~ao nula, f (x ) = 0, ent~ao f 000 (x )+2f 00 (x ) 5f 0 (x ) = 0+2 0 5 0 = 0 6= 1,

e isso signica que R3 e gerado pelos vetores u; v; w .

3.6 Exerccios Propostos

1) Verique se V = R2 e um espaco vetorial com as operaco~es de adic~ao de vetores e produto

2) Sendo V = R3 , verique se W e um subespaco de V em cada um dos seguintes casos:

8) Dados p1 = x 2 + x + 2, p2 = 4x , p3 = 3x 2 + 4, v = 10x 2 + 3x 7, verique se

A partir da matriz escalonada, podemos obter tambem a soluc~ao geral do sistema: b + 2c = 0

Observac~ao: Sempre que forem dados n vetores de Rn ,

Exemplo 4.11 Seja V = P2 o conjunto de todos os polin^omios de grau 2, mais o polin^omio

Demonstrac~ao: Seja = fw1 ; w2 ; : : : ; wm g um conjunto com m vetores de V tal que m n.

equac~ao anterior se torna

O teorema a seguir mostra que o conceito de dimens~ao e bem denido.

Demonstrac~ao: Suponhamos que 1 e 2 s~ao bases de V com m e n elementos, respectivamente.

Exemplo 4.15 Seja B = f1; 1 + x; 1 + x + x 2 ; 1 + x + x 2 + x 3 g P3 . B e um conjunto LI com

Demonstrac~ao: Suponhamos que v se escreva como combinac~ao linear dos elementos de de

Soluc~ao: Se x; y; z s~ao escalares tais que v = (3; 1; 4) = x (1; 0; 0) + y (0; 1; 0) + z (0; 0; 1) =