Aula A Aula AlgeLin

BRUNO DIAS AMARO
NOTAS DE AULA
CALCULO 2
CAMPO GRANDE
2021
i
.
ii
Aula 1 - Sistemas Lineares
Definição: A equação α1 x1 + α2 x2 + ... + αn xn = β,

n ≥ 1, sendo xi ∈ R variáveis e α1, α2, ..., αn, β ∈ R
é chamada de equação linear sobre R, nas incógnitas
x1, x2, ... , xn. Uma solução desta equação é uma
n-upla de números reais (b1, b2, ..., bn) tal que
α1 b1 + α2 b2 + ... + αn bn = β
1
Definição: Um sistema linear S é um conjunto de
m equações lineares, cada uma com n incógnitas (m,
n ≥ 1), consideradas simultaneamente e descrito por



 α11 x1 + α12 x2 + ... + α1n xn = β1

 α x + α x + ... + α x = β
21 1 22 2 2n n 2
S :


 ......................................................

 α x + α x + ... + α x = β
m1 1 m2 2 mn n m
No caso em que β1 = β2 = ... = βm = 0, dizemos que o

sistema S é homogêneo. Uma solução desse sistema
é uma n-upla (b1, b2, ... , bn) satisfazendo cada uma
das m equações do sistema.
2
Definição: Um sistema linear S é
a. incompatível, se S não admitir solução;
b. compatível determinado, se S admitir uma única
solução;
c. compatível indeterminado, se S admitir mais
que uma solução.
3
Observação: Todo sistema homogêneo é compatível
pois (0, 0, ..., 0) é solução.
4
Aula 2 - PARTE 1 - Como resolver um sistema
linear?
Um sistema S pode ser modificado por meio das cha-

madas de operações elementares sobre S, descritas
abaixo:
I. Permutar duas equações;

II. Multiplicar uma das equações por um número real
não nulo;
III. Somar a uma das equações do sistema uma outra
equação multiplicada por um número real.
Um sistema linear S1 obtido a partir de S por um nú-

mero finito de operações elementares é chamado de sis-
tema equivalente a S, denotado por S1 ∼ S.
SISTEMAS EQUIVALENTES TEM O MESMO

CONJUNTO DE SOLUÇÕES
5
Pergunta: De que forma podemos escalonar um sis-
tema linear, através das operações elementares permi-
tidas, de modo que possamos encontar a sua solução
(ou soluções), se existirem?



 α11 x1 + α12 x2 + ... + α1n xn = β1

 α x + α x + ... + α x = β
21 1 22 2 2n n 2
S :


 ......................................................

 α x + α x + ... + α x = β
m1 1 m2 2 mn n m
6
Exemplo: Realize operações elementares para deter-
minar a(s) solução(ões) (se existir) dos sistemas a se-
guir:

 x1 − x2 + x 3 = 1


S1 : 2 x1 − x2 + x3 = 4

 x1 − 2 x2 + 2 x3 = 0

7



 x+y+2z=9
S2 : 2x+4y−3z=1

3x+6y−5z=0

8

 3x+3y−2z−t=2


S3 : 5x+2y+ z−2t=1

 2 x − y + 3 z − t = −1

9
Aula 2 - PARTE 2 - Análise de soluções de
sistemas lineares
Exercício: Para quais valores de α o sistema linear

S abaixo tem:
• Solução única. • Infinitas soluções. • Não
tem solução.

 αx + 3y + 2z = 1


S: x + y + z = 1

 x + y + αz = 1

10
Exercício: Para quais valores de a o sistema linear
S abaixo tem:
• Solução única. • Infinitas soluções. • Não
tem solução.

 x + y − az = 0


S : ax + y − z = 2 − a

 x + ay − z = −a

11
Aula 3 - Matrizes e Operações com matrizes
Definição: Dados m, n ≥ 1 dois números inteiros,

uma matriz real m × n é uma sequência dupla de nú-
meros reais, distribuidos numa tabela do tipo :
 
a11 a12 · · · a1n
 
 a21 a22 · · · a2n 
A=
 .. .. . . . .. 

 
am1 am2 · · · amn
• Notação: A = (aij), 1 ≤ i ≤ m, 1 ≤ j ≤ n.
12
Algumas notações:
• Mm×n(R): conjunto das matrizes reais de m linhas e
n colunas
• Mn(R) o conjunto das matrizes reais quadradas de

ordem n.

•A(i) = ai1 ai2 · · · ain : linhas de A,
 
a1j
 
 a2j 
•A(j)  .. : colunas de A.
= 
 
amj
13
Tipos de matrizes
1) Matriz linha: é uma matriz de ordem 1 × n
2) Matriz coluna: é uma matriz de ordem m × 1
3) Matriz quadrada: é uma matriz de ordem n × n
14
4) Matriz nula: é uma matriz O = (aij) tal que
(aij) = 0, ∀ i, j.
5) Matriz diagonal: é uma matriz quadrada em que

todos os elementos são nulos quando i 6= j.
6) Matriz identidade: é uma matriz quadrada de

ordem n, In = (δij), tal que (δij) = 0, ∀ i 6= j e
(δij) = 1, ∀ i = j.
15
7) Matriz transposta: A matriz transposta de A =
(aij), de ordem m × n, é a matriz AT = (aji) de
ordem n × m
8) Matriz triangular inferior: é uma matriz que

tem todos os elementos iguais a zero para i < j
9) Matriz triangular superior: é uma matriz que

tem todos os elementos iguais a zero para i > j
16
Definição: Dizemos que duas matrizes m × n,
A = (aij) e B = (bij), são iguais se, e somente se,
aij = bij, para todo 1 ≤ i ≤ m e 1 ≤ j ≤ n.
17
Definição: Dadas as matrizes m × n, A = (aij) e B
= (bij), definimos a soma A + B como sendo a matriz
cujo termo geral é aij + bij , isto é,
 
a11 + b11 a12 + b12 · · · a1n + b1n
 
 a21 + b21 a22 + b22 · · · a2n + b2n 
A+B = 
 .. .. ... ..


 
am1 + bm1 am2 + bm2 · · · amn + bmn
18
Definição: Dada uma matriz m × n, A = (aij) e um
número α ∈ R, definimos a multiplicação de α por A,
denotada por por α A como sendo a matriz cujo termo
geral é α aij, isto é,
 
α a11 α a12 · · · α a1n
 
 α a21 α a22 · · · α a2n 
αA = 
 .. .. ... .

 .  
α am1 α am2 · · · α amn
19
Observação: As operações de adição de matrizes e
multiplicação de matrizes por um número real satisfa-
zem as seguintes propriedades :
A1) A + (B + C) = (A + B) + C, ∀ A, B, C ∈
Mm×n(R).
A2) A + B = B + A, ∀ A, B ∈ Mm×n(R).
A3) Existe uma matriz O ∈ Mm×n(R) tal que A + O

= A, ∀ A ∈ Mm×n(R).
A4) Dada uma matriz A ∈ Mm×n(R), existe uma matriz

-A ∈ Mm×n(R) tal que A + (-A) = O.
20
Para quaisquer α, β ∈ R e A, B ∈ Mm×n(R),
M1) (α β) A = α (β A).
M2) (α + β) A = α A + β A.
M3) α (A + B) = α A + α B.
M4) 1.A = A.
21
Aula 4 - PARTE 1 - Produto de Matrizes
Definição: Consideremos as matrizes A = (aik) do

tipo m × n e B = (bkj) do tipo n × p. O produto
A B é a matriz m × p cujo termo geral é dado por
n
X
cij = aik bkj,
k=1
   
a11 a12 · · · a1n b11 b12 · · · b1p
   
 a21 a22 · · · a2n  b21 b22 · · · b2p 
A=
 .. .. . . . .. 
 B=
 .. .. . . . .. 

   
am1 am2 · · · amn bn1 bn2 · · · bnp
22
 
c11 c12 · · · c1p
 
 c21 c22 · · · c2p 
C = AB = 
 .. .. . . . .. 

 
cm1 cm2 · · · cmp
n
X
cij = aik bkj,
k=1
23
 
(1) (1) (1)
A B(1) A B(2) · · · A B(p)
 (2)
 A B(1) A(2) B(2) · · · A(2) B(p)


AB = 
 .. .. ... ..


 
A(m) B(1) A(m) B(2) · · · A(m) B(p)
24
Exemplo: Calcule AB, sendo
 
! 3 1
1 2 3
e
 
A= B = 4 5 

0 −1 4 
0 −6
25
Pergunta: É verdade que, sempre que for possível o
produto entre duas matrizes A e B, que A B = B A?
26
Propriedades
1. Sejam A, B e C matrizes m × n, n × p e p × q
respectivamente. Então
A (B C) = (A B) C
2. Sejam A, B e C matrizes m × n , n × p e n × p,
respectivamente, e k ∈ R. Então
A (k B + C) = kA B + A C
3. Sejam A e B matrizes m × n e k ∈ R. Então
(k A + B)t = k At + Bt
4. Sejam A e B matrizes n × p e p × n respectiva-

mente. Então
(A B)t = Bt At
27
Exemplo: Dada a matriz
!
2 1
1 1
determine a matriz X ∈ M2(R) tal que A X = I2.
28
Aula 4 - PARTE 2 - Matrizes Invertíveis
Uma idéia inicial para definir a inversa de uma ma-

triz.
  
a11 a12 ··· a1n 1 0 ··· 0
  
a21 a22 ··· a2n  0 1 ··· 0
 .. .. ... ..   .. .. ... .. 
  
  
an1 an2 ··· ann 0 0 ··· 1
29
Definição: Dizemos que uma matriz A ∈ Mn(R) é in-
versível se, e somente se, existir uma matriz
B ∈ Mn(R) de modo que A B = B A = In. Esta
matriz, se existir, é chamada de matriz inversa de
A, e é indicada por A−1.
Podemos determinar a inversa de uma matriz inversí-

vel A usando o seguinte método: uma matriz B que
puder ser obtida a partir de A após um número finito
de operações elementares (descritas abaixo) sobre as
linhas de A,
(I) Permutar duas linhas de A.
(II) Multiplicar uma linha de A por um número

real não nulo.
(III) Somar a uma linha de A uma outra linha de

A multiplicada por um número real.
Notação: B ∼ A.
30
Teorema: Uma matriz A é inversível se, e somente se,
In ∼ A e a mesma sucessão de operações elementares
que levam A em In transformam In em A−1.
Exemplo: Mostre que a matriz A abaixo é inversível,

determinando a sua inversa.
 
1 1 −1
A = 2 1 1 
 


3 −1 1
Além disso, calcule A A−1.
31
Exemplo: Mostre que a matriz A abaixo é inversível,
determinando a sua inversa.
 
0 0 1 1
 
1 0 0 1
D =  1 1 1

 1

0 2 0 3
32
Aula 5 - PARTE 1 - Determinantes
O determinante é um número que está associado com

uma matriz quadrada. Para os nossos propósitos neste
curso, o determinante é principalmente utilizado para
decidir se uma matriz é invertível.
!
a b
A=
c d
! ! !
a b L2 ↔L2 − ac L1 a b a b
−−−−−−−→ =
c d 0 − bca + d 0 ad−bc
a
33
Exemplo:
!
1 2
A= é invertível
3 −1
!
1 2
B= não é invertível
3 6
 
a a a
 11 12 13
A=
a 21 a22 a 23


a31 a32 a33
 
a a12 a13
   11 
a a a13  
 11 12 a21
 L2↔L2− a11 L1  a11 a22 −a21 a12

a11 a23 −a21 a13 
a21 a22 a23 −
− −−−− − − → 0

  L ↔L − a31 L  a11 a11 
3 3 a11 1  
a31 a32 a33 



a11 a32 −a31 a12 a11 a33 −a31 a13
0 a11 a11
34
   
a a a a a12 a13
 11 12 13  11 
a21 a22 a23 ∼  0 a11a22 − a21a12 a11a23 − a21a13
   
a31 a32 a33 0 a11a32 − a31a12 a11a33 − a31a13
 
a11 a12 a13
notação 
 
===  0 A33 A32 
0 A23 A22
   
a a a a11 a12 a13
 11 12 13  L3↔L3− AA23
33
L2  
 0 A33 A32 −−−−−−− − →  0 A33 A 32
.
   
0 A23 A22 0 0 A22A33 − A32A23
35
A22A33 − A32A23 =
(a11a22 − a21a12)(a11a33 − a31a13) −
(a11a32 − a31a12)(a11a23 − a21a13) =
= a211a22a33−a11a22a31a13−a21a12a11a33+(a(21(a(12
(( a(31(a(13
((
+
−a211a32a23 +a11a32a21a13 +a31a12a11a23 − (a(31(a(12
(( a(21(a(13
((
= a11 a11a22a33 − a22a31a13 − a21a12a33 − a11a32a23 +

a32a21a13 + a31a12a23
Como a11 6= 0, então
detA = a11a22a33 + a12a23a31 + a13a21a32

−a13a22a31 − a11a23a32 − a12a21a33
36
Colocando os termos da primeira linha em evidência
detA = +a11(a22a33 − a23a32)
−a12(a21a33 − a23a31)
+a13(a21a32 − a22a31)
det A =
! !
a22 a23 a21 a23
= a11 · det − a12 · det +
a32 a33 a31 a33
!
a21 a22
+a13 · det
a31 a32
Definição: Dada uma matriz quadrada A de ordem

n × n, obtemos uma matriz menor Aij ao remover a
linha i e coluna j.
37
det A = a11 det A11 − a12 det A12 + a13 det A13
Exemplo: Calcular o determinante de

 
2 4 3
 
A = 1 2 −1


0 2 1
38
Definição: Dada uma matriz quadrada A de ordem
n × n, seja Aij as matrizes menores de A. Definimos o
cofator (i, j) de A por
def
Cij = (−1)i+j det Aij
39
Teorema: Podemos calcular o determinante de A ∈
M3(R) a partir de qualquer linha ou de qualquer co-
luna. Mais precisamente:
• Se consideramos a linha i, então
det A = ai1Ci1 + ai2Ci2 + ai3Ci3.
• Se consideramos a coluna j, então
det A = a1j C1j + a2j C2j + a3j C3j .
40
Exemplo: Calcular o determinante de
 
−1 1 4
 
A =  3 0 −1


1 0 3
41
Aula 5 - PARTE 2 - Determinantes de
matrizes de ordem maior
Teorema: Seja A uma matriz quadrada, de ordem

n × n. Podemos calcular o determinante de A a partir
de qualquer linha ou de qualquer coluna. Mais preci-
samente:
• Se consideramos a linha i, então
det A = ai1Ci1 + ai2Ci2 + ai3Ci3 + · · · + ainCin.
• Se consideramos a coluna j, então
det A = a1j C1j + a2j C2j + a3j C3j + · · · + anj Cnj .
42
Exemplo: Calcular o determinante da matriz
 
−2 3 0 4
 
 1 0 −1 0
A=  3 2 1 1 .

 
−2 2 0 1
43
 
2 0 0 8 0
 
1 −7 −5 0 0
 
A = 3 8 6 0 0  .
 
 
0 7 5 4 0 
 
2 3 1 1 1
44
Propriedades do determinante
Teorema: Valem as seguintes propriedades:

 
a11 ··· a1n
.. ..
 
 
 
(i) det αai1 + βbi1 · · · αain + βbin =
 
.. ..
 
 
 
an1 ··· ann
   
a11 · · · a1n a11 · · · a1n
 .. ..   .. .. 
   
   
= α det  ai1 · · · ain +β det  bi1 · · · bin  .
   
 .. ..   .. .. 
   
   
an1 · · · ann an1 · · · ann
(ii) Se uma linha de A for composta só por zeros, en-
tão
det A = 0.
(iii) O determinante de uma matriz triangular é igual
ao produto dos elementos da diagonal principal.
45
(iv) A operação elementar “trocar duas linhas de lu-
gar” altera o sinal do determinante.
(v) A operação elementar de somar o múltiplo de uma
linha à outra não altera o determinante. Em ou-
tras palavras, se um múltiplo de uma linha de A
for somado à outra linha formando a matriz B,
então det A = det B.
(vi) Uma matriz A é invertível se, e somente se, det A 6=
0.
(vii) Para quaisquer duas matrizes A e B de mesma
ordem, det(AB) = det A det B.
(viii) O determinante da matriz transposta de A é igual
ao determinante de A, isto é, det(AT ) = det A.
(ix) Todos os itens acima que envolvem operações com
linhas poderiam ser enunciados com “colunas” no
lugar de “linhas”.
46
 
−2 3 0 4
 
 1 0 −1 0
A=  3 2 1 1 .

 
−2 2 0 1
47
 
2 0 0 8 0
 
1 −7 −5 0 0
 
A = 3 8 6 0 0  .
 
 
0 7 5 4 0 
 
2 3 1 1 1
48
Aula 6 - Resolução de Sistemas Lineares
usando matrizes



 a11 x1 + a12 x2 + · · · + a1n xn = b1

 a x + a x + ··· + a x
21 1 22 2 2n n = b2
S :


 ......................................................

 a x + a x + ··· + a x
m1 1 m2 2 mn n = bm
     
a11 a12 · · · a1n x1 b1
     
 a21 a22 · · · a2n  , X =   e B =  b2 
  x2   
A=
 .. .. . . . ..   ..   .. 
     
am1 am2 · · · amn xn bm
TODO SISTEMA LINEAR PODE SER

ESCRITO NA FORMA MATRICIAL
AX=B
49
Como resolver um sistema
linear usando matrizes?
Exemplo: Realize operações elementares para deter-

minar a(s) solução(ões) (se existir) dos sistemas a se-
guir:

 x1 − x2 + x 3 = 1


S1 : 2 x1 − x2 + x3 = 4

 x1 − 2 x2 + 2 x3 = 0

50



 x+y+2z=9
S2 : 2x+4y−3z=1

3x+6y−5z=0

51

 3x+3y−2z−t=2


S3 : 5x+2y+ z−2t=1

 2 x − y + 3 z − t = −1

52
Regra de Cramer
Definição: Dizemos que um sistema linear AX = B,

é um sistema de Cramer quando a matriz A do sis-
tema é quadrada e invertível, isto é, A ∈ Mn(R)
e det A 6= 0
53
Teorema (Regra de Cramer): Seja o sistema linear



 a11 x1 + a12 x2 + · · · + a1n xn = b1

 a x + a x + ··· + a x
21 1 22 2 2n n = b2
S :


 ......................................................

 a x + a x + ··· + a x
n1 1 n2 2 nn n = bn
tal que a matriz A do sistema satisfaça det A 6= 0 (isto
é, A é invertível). Então, o sistema S é compatível e
determinado e
D1 D2 D3 Dn
x1 = , x2 = , x3 = , · · · xn =
D D D D
onde,
• D = det A e
• Di: é o determinante da matriz obtida ao substituir

a coluna i de A pelas coordenadas/entradas da matriz
B, de termos independentes.
54
Exemplo: Resolva o sistema linear abaixo utilizando
a Regra de Cramer:

 x+2y+z=8


S : 2x−y+z=3

3x+y− z=2

55
Aula 7 - Exercícios: Sistemas Lineares,
Matrizes e Determinantes
Exercício 1: Dadas as matrizes

   
1 3 4 −1 1
   
0 1 3 4   3 
A=
0
 B= 
 −5 
 0 1 3   
0 0 0 1 7
a) Calcule, se possível, A−1. Se não for possível justi-

fique porque A não é invertível.
b) Resolva o sistema AX = B.
56
Exercício 2: Dadas as matrizes
" # " #
a + 2b 2a − b 9 −1
A= B=
2c + d c − 2d 1 7
" #
4
C=
5
a) Determine os valores de a, b, c e d de forma que

A = B.
b) Tomando a = 1, b = 2, c = −1 e d = 5 na matriz
A, determine a matriz X que satisfaz a equação
(A2 + B)X + C = 0.
57
Exercício 3: Seja S : AX = B um sistema linear tal
que, em sua forma escalonada, a matriz A é de ordem
3 × 5. Admitindo que o conjunto solução sol(S) do
sistema S é
sol(S) = { (x, y, z, s, t) ∈ R5 / x = 4t, y = 2s + 4,

z = 5t − 1, s, t ∈ R},
determine as matrizes escalonadas A3×5 e B3×1 associ-

adas ao sistema S e que tenham sol(S) como conjunto
solução.
58
Exercício 4: Para quais valores de x a matriz
 
cos(x) π −sen(x)
 
A= 0
 1 0 
√ 
sen(x) 72 cos(x)
é invertível?
59
Exercício 5: Resolva os sistemas lineares abaixo e os
interprete geométricamente.
(
x + y = 9
S1 =
3x + 4y = 31
60
(
x + y = 9
S2 =
2x + 2y = 14
61
(
x + y = 9
S3 =
2x + 2y = 18
62
pulando folha
63
Aula 8 - PARTE 1 - Espaços Vetoriais:
Definição e Exemplos usuais
Uma motivação para a definição.
Consideremos o conjunto V3
64
Consideremos, agora, o conjunto Mm×n(R).
65
Conclusão: embora os conjuntos V3 e Mm×n(R) sejam
de naturezas distintas, os dois têm “comportamentos”
coincidentes com relação às operações de adição e mul-
tiplicação por escalar.
66
Definição : Um conjunto V 6= ∅ é um espaço veto-
rial sobre R se e somente se
I . Existe uma adição

+ : V × V −→ V
(u, v) 7−→ u + v
tal que, para todos u, v, w ∈ V, valem as seguintes

propriedades :
[A1] u + v = v + u
[A2] u + (v + w) = (u + v) + w
[A3] Existe em V um elemento neutro aditivo, de-
notado por 0, isto é, existe 0 ∈ V tal que
u+0=0+u=u
[A4] Todo elemento u ∈ V admite um elemento
oposto em V, denotado por -u, tal que
u + (-u) = (-u) + u = 0
67
II . Existe uma multiplicação por escalar
• : R × V −→ V
(α, v) 7−→ α • v = α v
de modo que, para quaisquer u,v ∈ V e α, β ∈ R,

valem as seguintes propriedades :
[M1] α(β u) = (α β) u
[M2] (α + β) u = α u + β u
[M3] α (u + v) = α u + α v
[M4] 1 u = u
68
Observação: Da mesma forma como definimos espa-
ços vetoriais sobre R, podemos definir espaços veto-
riais sobre C.
Notação:
(V, +, .)R denota um espaço vetorial real
(V, +, .)C denota um espaço vetorial complexo
69
Exemplos:
1. (R, +, .): O conjunto dos números reais com as ope-

rações usuais de adição e multiplicação de números
reais é um espaço vetorial real.
2. (R2, +, .) é um espaço vetorial real, sendo:

R2 = {(x1, x2): x1, x2 ∈ R}
adição:
(x1, x2) + (y1, y2) := (x1 + y1, x2 + y2) ∈ R2
multiplicação por escalar:
α(x1, x2) := (αx1, αx2) ∈ R2
70
3. (Rn, +, .) é um espaço vetorial real, sendo:
Rn = {(x1, x2, . . ., xn): x1, x2, . . . xn ∈ R};
E se x = (x1, x2, . . ., xn) e y = (y1, y2, . . ., yn)
são dois elementos genéricos do Rn e α ∈ R,
definimos:
adição: x + y = (x1, x2, . . ., xn) + (y1, y2, . . ., yn)
:= (x1 + y1, x2 + y2, . . ., xn + yn)
αx = α(x1, x2, . . ., xn) := (αx1, αx2, . . ., αxn)
71
Aula 8 - PARTE 2 - Espaços Vetoriais:
Mais exemplos e propriedades
4. V3 = conjunto dos vetores da Geometria Analítica.

(V3, +, .) é um espaço vetorial real.
Se ~u = (x1, y1, z1) e ~v = (x2, y2, z2) são dois ele-
mentos genéricos do V3 e α ∈ R, definimos:
adição: ~u + ~v := (x1 + x2, y1 + y2, z1 + z2)
multiplicação por escalar: α~u := (αx1, αy1, αz1)
5. (Mm×n(R), +, .) é um espaço vetorial real, sendo

+ : a operação usual de soma de matrizes
. : a multiplicação usual de uma matriz por um
número real.
72
6. (Pn(R), +, .) é um espaço vetorial real, sendo
+ : a operação usual de soma de polinômios
. : a multiplicação usual de um polinômio por um
número real.
73
7. O conjunto C([0, 1]) de todas as funções contínuas
definidas no intervalo fechado [0, 1] e com valores
em R é um espaço vetorial sobre R, sendo
adição:
f + g : t ∈ [0,1] −→ f(t) + g(t) ∈ R
α f : t ∈ [0,1] −→ α f(t) ∈ R
Observação: Vale um resultado análogo para qual-

quer intervalo I = [a, b] ⊆ R;
74
Observações:
1. Se (V, +, .) é um espaço vetorial real (ou com-

plexo), por analogia com G.A., chamamos de vetor
qualquer elemento de V. Ainda usando a nomen-
clatura de G.A., chamamos de escalar qualquer ele-
mento de R (ou de C).
2. Define-se a diferença entre os vetores u, v ∈ V por:
u - v := u + (-v).
3. Neste curso, consideraremos apenas os espaços ve-
toriais reais e dessa forma, por simplicidade, usare-
mos a notação (V, +, .) para os espaços vetoriais
considerados.
75
Um exemplo não usual de espaço vetorial: Seja
V = {u ∈ R: u > 0} =
6 ∅. Defina, para quaisquer
u, v ∈ V, α ∈ R:
adição: u ⊕ v := u.v ∈ V
multiplicação por escalar: α×u = uα ∈ V
Então: (V, ⊕, ×) é um espaço vetorial real.
76
Propriedades: Sejam V um espaço vetorial real, u, v,
u1, u2, . . ., un ∈ V e α, β, α1, α2, . . ., αn ∈ R. Valem
as seguintes propriedades:
P1. α. |{z}
0 = |{z}
0 .
vetor vetor
P2. |{z}
0 .u = |{z}
0 .
n0 .real vetor
P3. Se α u = |{z}
0 , com α ∈ R e u ∈ V , então
vetor
α = |{z}
0 ou u = |{z}
0 .
n0 .real vetor
77
P4. (−α)u = α(− u) = −(αu).
P5. α(u − v) = αu − αv.
P6. (α − β)u = αu − βu.
P7. β(α1u1 + α2u2 + . . . + αnun) =

(βα1)u1 + (βα2)u2 + . . . + (βαn)un;
78
P8. O vetor nulo de V é único.
P9. Para cada vetor u ∈ V, o seu oposto −u ∈ V é

único.
P10. Se u ∈ V, então −(−u) = u.
P11. Se u, v, w ∈ V são tais que u + v = u + w, então

v = w.
79
Aula 9 - PARTE 1 - Subespaços Vetoriais:
Definição e Exemplos
Definição: Seja V um K-espaço vetorial. Um sub-

espaço vetorial de V é um subconjunto W ⊆ V tal
que
1. 0 ∈ W;
2. Para todos u,v ∈ W, u + v ∈ W;
3. Para todos α ∈ R e u ∈ W, α u ∈ W.
⊆
Notação: W sev V
Proposição:



 (i) 0 ∈ U
 (ii) se u, v ∈ U então u + v ∈ U

⊆
U sev V ⇐⇒


 (iii) se α é um escalar e u ∈ U
 então αu ∈ U

80
Exemplos:
1. O subconjunto
W1 = {(x, y) ∈ R2 : y − ax = 0, a ∈ R}
é um subespaço vetorial do espaço vetorial R2.
81
2. O conjunto
C0([a, b]) = {f ∈ C([a, b]) / f (a) = f (b) = 0}
é um subespaço vetorial do espaço vetorial C([a, b]).
82
3. O conjunto
S = {p(x) ∈ P3(R) / p(−1) = 0 e p0(1) = 0}
é um subespaço vetorial do espaço vetorial P3(R).
83
Aula 9 - PARTE 2 - Subespaços Vetoriais:
mais exemplos
4. O conjunto
Z 1
S = p(x) ∈ P2(R) / p(x)dx + p0(0) = 0
−1
é um subespaço vetorial do espaço vetorial P2(R).
84
5. O conjunto
( ! )
a b
S(2) = ∈ M2(R), a, b, c ∈ R
b c
é um subespaço vetorial de M2(R).
85
6. O conjunto
S = {(x, y) ∈ R2 / y − 2x = 1}
não é um subespaço vetorial do espaço vetorial R2.
86
7. O conjunto
Z 1
U = f ∈ C([0, 1]) / f (x)dx ≥ 0
0
não é um subespaço vetorial do espaço vetorial
C([0, 1]).
87
Aula 10 - Combinação Linear. Subespaço
Gerado
Definição: Seja V um espaço vetorial sobre R. Dize-

mos que o elemento u ∈ V é uma combinação linear
dos elementos v1, v2, . . . , vn ∈ V se existem escalares
α1, α2, . . . , αn ∈ R tais que
u = α1v1 + α2v2 + . . . + αnvn
88
Definição: Seja V um espaço vetorial sobre R e S
um conjunto finito de elementos de V , isto é, S =
{v1, v2, . . . , vn}. O suconjunto U construído a partir
dos elementos de S da seguinte forma:
U = {u ∈ V / u = α1v1 + α2v2 + . . . + αnvn, αi ∈ R}
é um subespaço vetorial de V , denotado por
U = [v1, v2, . . . , vn] ou por U = [S]
Nessas condições o subconjunto U é chamado de Sub-

espaço Gerado pelos elementos de S (ou apenas
subespaço gerado por S) e dizemos que S é um con-
junto de geradores para U .
89
Exemplo 1: Seja o conjunto
W = A ∈ M2(R) / A = At

Mostre que que as matrizes

! ! !
1 0 0 1 0 0
A1 = , A2 = , A3 =
0 0 1 0 0 1
forma um conjunto de geradores para W , isto é
W = [A1, A2, A3]
90
Exemplo 2: Determine o conjunto de geradores do
subespaço vetorial
U = {(x, y, z) ∈ R3 / z = 0}
91
subespaço vetorial
W = {(x, y) ∈ R2 / y = −2x}
92
subespaço vetorial
S = {p(x) ∈ P3(R) / p(−1) = 0 e p0(1) = 0}
93
Aula 11 - Soma e Intersecção. Soma Direta
Definição: Seja V um espaço vetorial sobre R e U e

W subespaços vetoriais de V . Então, o subconjunto de
V definido por
U ∩ W = {v ∈ V / v ∈ U e v ∈ W }
é um subespaço vetorial de V , chamado de Intersec-

ção de U e V .
Definição: Seja V um espaço vetorial sobre R e U e

W subespaços vetoriais de V . Então, o subconjunto de
V definido por
U + W = {v ∈ V / v = u + w, com u ∈ U e w ∈ W }
é um subespaço vetorial de V , chamado de Soma de

U e V.
94
Definição: Sejam V um espaço vetorial sobre R e U
e W subespaços vetoriais de V . Dizemos que o espaço
vetorial V é a soma direta dos subespaços U e W , e
denotamos por V = U ⊕ W , se
•V =U +W
• U ∩ W = {O}
95
Exemplo 1: Sejam os subespaços vetoriais U e W do
espaço vetorial R3, dados por
U = {(x, y, z) ∈ R3 / z = 0}
W = {(x, y, z) ∈ R3 / y = 0}
a) Determine o cojunto de geradores de U , W , U ∩ W

e U + W.
b) Podemos garantir que R3 = U + W ?
c) Podemos garantir que R3 = U ⊕ W ?
96
U = {(x, y) ∈ R2 / y = x}
W = {(x, y) ∈ R2 / y = −2x}
Mostre que R2 = U ⊕ W .
97
U = {(x, y, z) ∈ R3 / x = z}
W = {(x, y, z) ∈ R3 / x + y + z = 0}
Determine o sistema de geradores para os subespaços

U + W e U ∩ W.
98
espaço vetorial Mn(R), dados por
U = {A ∈ Mn(R) / At = A}
W = {A ∈ Mn(R) / At = −A}
Mostre que Mn(R) = U ⊕ W .
99
———————————
100
Aula 12 - PARTE 1 - Dependência e
Indpendência Linear
Seja V um espaço vetorial sobre R e S ⊂ V um subcon-

junto finito de vetores de V , digamos, S = {v1, v2, . . . , vn}.
Tomemos agora o vetor nulo do espaço V como com-
binação linear dos vetores de S, isto é
0 = α1v1 + α2v2 + α3v3 + . . . + αnvn
101
Definição: Sejam V um espaço vetorial sobre R e
v1, v2, . . . , vn ∈ V . Dizemos que o conjunto
S = {v1, v2, . . . , vn} ⊂ V é Linearmente Indepen-
dente (LI) se, e somente se, toda combinação linear
nula
0 = α1v1 + α2v2 + α3v3 + . . . + αnvn
admitir apenas a solução α1 = α2 = . . . = αn = 0
Definição: Sejam V um espaço vetorial sobre R e

v1, v2, . . . , vn ∈ V . Dizemos que o conjunto
S = {v1, v2, . . . , vn} ⊂ V é Linearmente Depen-
dente (LD) se, e somente se, é possível uma combi-
nação linear nula
0 = α1v1 + α2v2 + α3v3 + . . . + αnvn
sem que α1, α2, . . . , αn sejam todos nulos, isto é,

existem αi’s 6= 0 que satisfazem a igualdade acima.
102
Propriedades:
1) Todo conjunto que contém um subconjunto LD é

LD.
2) Todo subconjunto de um conjunto LI é LI.
103
3) Todo conjunto que contém o vetor nulo é LD.
4) Convencionaremos que o conjunto vazio, ∅ ⊂ V , é

LI.
104
Teorema: Seja V um espaço vetorial sobre R e
v1, v2, . . . , vn ∈ V . O conjunto S = {v1, v2, . . . , vn} ⊂
V é LD se, e somente se, um dos seus elementos for
uma combinação linear dos outros elementos.
105
Aula 12 - PARTE 2 - Dependência e
Indpendência Linear
Exemplo 1: Mostre que o conjunto
S = {(1, 1, 0), (1, 4, 5), (3, 6, 5)} ⊂ R3
é LD.
106
Exemplo 2: Mostre que o conjunto
S = {1 − x, 1 + x2, 5 − 2x + 3x2} ⊂ P2(R)
é LD.
107
Exemplo 3: Verifique se conjunto
S = {1, x, x2, 2 − 3x + 2x2} ⊂ R3
é LD ou LI.
108
Teorema: Considere o espaço vetorial C 1([a, b]) e as
funções f, g ∈ C 1([a, b]). O conjunto S = {f (x), g(x)}
é Linearmente Dependente se, e somente se,
det(A(x)) = 0 para todo x ∈ [a, b], onde
!
f (x) g(x)
A(x) = 0 0
.
f (x) g (x)
Teorema: Considere o espaço vetorial C 2([a, b]) e as

funções f, g, h ∈ C 2([a, b]). O conjunto S = {f (x), g(x), h(x)}
é Linearmente Dependente se, e somente se,
det(A(x)) = 0 para todo x ∈ [a, b], onde
 
f (x) g(x) h(x)
 
0 0
A(x) =  f (x) g (x) h (x) 0
.

f 00(x) g 00(x) h00(x)
109
S = {ex, xex} ⊂ C 1([a, b])
é LD ou LI.
110
S = {1, cos(s), cos(2x)} ⊂ C 2([−π, π])
é LD ou LI.
111
Aula 13 - PARTE 1 - Base e Dimensão.
Definição: Um conjunto S contido em um espaço ve-

torial V é chamado de base de V se
1) Se S é LI;
2) Se S gera V .
S = {(1, 1), (−1, 1)} ⊂ R2
é uma base de R2.
112
Exemplo 2: Verifique se o conjunto
S = {1−2x2+x3, 3−x+4x2, −2+3x, x−3x3} ⊂ P3(R)
é uma base de P3(R).
113
Exemplo 3: Verifique se o conjunto
( ! ! ! !)
1 1 2 1 0 1 0 0
B= , , ,
0 0 0 0 1 0 0 2
é uma base de M2(R).
114
Bases canônicas:
1) B = {~i, ~j, ~k} ⊂ V3 é uma base de V3.
2) B = ∅ é uma base de V = {0} (espaço vetorial

trivial nulo).
( ! ! ! !)
1 0 0 1 0 0 0 0
3) B = , , , ⊂ M2(R)
0 0 0 0 1 0 0 1
é uma base de M2(R).
115
4) B = {(1, 0, 0), (0, 1, 0), (0, 0, 1)} ⊂ R3 é uma base
de R3.
5) O conjunto de quatro elementos:

B = {1, t, t2, t3} ⊂ P3(R)
é uma base de P3(R).
Generalização: O conjunto de n + 1 elementos
B = {1, t, t2, t3, · · · , tn} ⊂ Pn(R) é uma base de
Pn(R).
116
Teorema: Seja V um espaço vetorial gerado por um
conjunto finito de elementos v1, v2, v3, . . . , vn ∈ V . En-
tão, todo conjunto linearmente independente de V é
finito e tem, no máximo, n elementos.
117
Definição: Seja V um espaço vetorial finitamente ge-
rado. Chamamos de dimensão de V, e denotamos
por dim V, o número de vetores de qualquer uma
de suas bases. Dizemos também que V é um espaço
vetorial de dimensão finita.
118
Da definição acima e dos exemplos anteriormente vis-
tos, segue que:
1) dim V3 = 3.
2) dim {0} = 0.
3) dim M2(R) = 4.
Generalização: dim Mn(R) = n2.
4) dim R3 = 3.
Generalização: dim Rn = n.
5) dim Mm×n(R) = m.n.
6) dim P3(R) = 4.
Generalização: Pn(R) = n + 1.
119
Observações:
1) Existem infinitas bases para um mesmo Espaço Ve-

torial V
2) (Teorema do Completamento) Todo subconjunto LI

de um espaço vetorial V de dimensão finita pode
ser completado até obter uma base de V .
120
Aula 13 - PARTE 2 - Dimensão do Subespaço
Soma. Completamento de base
Teorema: Sejam U e W subespaços de dimensão fi-

nita de um espaço vetorial V . Então o subespaço
U + W é de dimensão finita e
dim(U + W ) = dim(U ) + dim(W ) − dim(U ∩ W )
121
Exemplo 1: Sejam V um espaço vetorial real, com
dim(V ) = 9, U e W subespaços vetoriais de V tais
que dim(U ) = 6 e dim(W ) = 5. Mostre que
2 ≤ dim(U ∩ W ) ≤ 5.
122
Exemplo 2: Sejam V um espaço vetorial real, com
dim(V ) = n, U e W subespaços vetoriais de V tais que
n n
dim(U ) > e dim(W ) > . Mostre que
2 2
U ∩ W 6= { 0 }.
123
Estratégia para completamento de base:
• V um espaço vetorial sobre R de dim(V ) = n e

S = {e1, e2, e3, . . . , en} base canônica de V .
• W = {w1, w2, w3, . . . , wm} ⊂ V , com m < n.
• Cada vetor wi de W pode ser escrito como combi-
nação linear dos vetores de S, isto é, para cada
wi ∈ W, 1 < i < m, existem escalares reais
aij ∈ R tais que



 w1 = a11e1 + a12e2 + a13e3 + . . . a1nen

 w = a e + a e + a e + ...a e
2 21 1 22 2 23 3 2n n
 .. .. .. .. ..



 w = a e + a e + a e + ...a e
m m1 1 m2 2 m3 3 mn n
124
 
a11 a12 a13 . . . a1n
 
 a21 a22 a23 . . . a2n 
•A=
 .. .. .. ... . .
 ESCALONAR
 
am1 am2 am3 . . . amn
• Mantemos, após o escalonamento, as linhas não
nulas da matriz escalonada A
b e completamos as li-
nhas da matriz Ab com os vetores da base canônica
do Rn até que Ab ∈ Mn(R).
125
Por exemplo:
 
a11 a12 a13 a14 a15 a16
 
 a21 a22 a23 a24 a25 a26 
A= a a

 31 32 a33 a34 a35 a36 

a41 a42 a43 a44 a45 a46
 
α11 α12 α13 α14 α15 α16
 
 0 α22 α23 α24 α25 α26 
A=
b
 0

 0 α33 α34 α35 α36 

0 0 0 0 0 0
 
α11 α12 α13 α14 α15 α16
 
 0 α22 α23 α24 α25 α26 
 
 0 0 α33 α34 α35 α36 
A
b= 
 
 0 0 0 1 0 0 
 
 0 0 0 0 1 0 
 
0 0 0 0 0 1
126
• Esse processo equivale a completar, após sacalona-
mento, os vetores LI que sobraram em W com os
“últimos” vetores de S até que dim(W ) = n.
127
Exemplo 3: Determine uma base para o espaço ve-
torial P4(R) que contenha os elementos do conjunto
S = { p(x), q(x), r(x) }, sendo
p(x) = 1 + x + x2 + 3x3 + 2x4

q(x) = 1 + 2x + x2 + 2x3 + x4
r(x) = 1 + 3x + 2x2 + x3 + 2x4
128
Exemplo 4: Considere os seguintes subespaços veto-
riais de R3:
U = { (x, y, z) ∈ R3 / x − 2y + 3z = 0 }
W = { (x, y, z) ∈ R3 / x + y + z = 0 }
Determine uma base para U + W .
129
Aula 14 - Matriz de Coordenadas de um vetor
Definição: Uma base ordenada de um espaço veto-

rial V de dimensão finita é uma base B de V tal que
há uma ordenação fixa dos elementos de B, isto é,
importa a ordem em que os vetores estão na base.
130
Teorema: Sejam V um espaço vetorial de dimensão
finita dimV = n e B = {v1, v2, v3, ..., vn} uma base
ordenada V . Então todo elemento de V é escrito de
modo único como uma combinação linear dos elemen-
tos de B, isto é, dado v ∈ V , existe uma única
sequência de escalares x1, x2, x3, ..., xn ∈ R tais que
v = x1v1 + x2v2 + x3v3 + ... + xnvn
131
Definição: A matriz de coordenadas do elemento
v ∈ V em relação a base ordenada B, denotada por
[ v ]B , é dada por
 
x
 1
 x2 
 
[ v ] B =  x3 
 
 .. 
 
 
xn
132
Exemplo 1: Determine a matriz de coordenadas do
vetor p(x) = 2 + 4x + x2 em relação à base ordenada
B = { 1 , 1 + x , 1 + x2 } do espaço vetorial P2(R).
133
Exemplo 2: Determine a matriz de coordenadas do
vetor v = (2, 1, 4) em relação à base ordenada
B = {(1, 1, 1), (1, 0, 1), (1, 0, −1)} do espaço vetorial
R3 .
134
Exemplo 3: Determine ! a matriz de coordenadas do
4 6
vetor A = em relação à base ordenada
5 6
( ! ! ! !)
1 1 1 1 1 0 0 1
B= , , , do es-
1 0 0 1 1 1 1 1
paço vetorial M2(R).
135
Aula 15 - PARTE 1 - Matriz de Mudança de
Base
• B = {u1, u2, ..., un} e C = {v1, v2, ..., vn} bases

ordenadas de um espaço vetorial V de dimensão
finita n.
1) Dado v ∈ V , existem únicos escalares x1, x2, x3, ..., xn
tais que v = x1u1 + x2u2 + x3u3 + ... + xnun
2) Dado o MESMO v ∈ V , existem únicos escalares
y1, y2, y3, ..., yn tais que
v = y1v1 + y2v2 + y3v3 + ... + ynvn
136



 v1 = u1 + u2 + u3 + ... + un

 v2 = u1 + u2 + u3 + ... + un



3) v3 = u1 + u2 + u3 + ... + un
.. .. .. .. .. .. ..






 vn

= u1 + u2 + u3 + ... + un
Substitua todas as equações do sistema 3) na equação

2)
v = y1(a11u1 + a21u2 + a31u3 + ... + an1un) +

y2(a12u1 + a22u2 + a32u3 + ... + an2un) +
y3(a13u1 + a23u2 + a33u3 + ... + an3un) +
.. .. .. .. ..
yn(a1nu1 + a2nu2 + a3nu3 + ... + annun)
v = (a11y1 + a12y2 + a13y3 + ... + a1nyn)u1 +

(a21y1 + a22y2 + a23y3 + ... + a2nyn)u2 +
(a31y1 + a32y2 + a33y3 + ... + a3nyn)u3 +
.. .. .. .. ..
(an1y1 + an2y2 + an3y3 + ... + annyn)un
137
Comparando essa última igualdade do vetor v, junto
com a equação dada em 1), conclui-se que



 x1 = a11y1 + a12y2 + a13y3 + ... + a1nyn

 x2 = a21y1 + a22y2 + a23y3 + ... + a2nyn



x3 = a31y1 + a32y2 + a33y3 + ... + a3nyn
.. .. .. .. ..






 xn = an1y1 + an2y2 + an3y3 + ... + annyn

    
x a a12 a13 ... a1n y
 1   11  1 
 x2   a21 a22 a23 ... a2n   y2 
    
 x3  =  a31 a32 a33 ... a3n   y3 
    
 ..   .. .. .. . . . ..   .. 
    
    
xn an1 an2 an3 ... ann yn
138
• A matriz A acima é chamada de matriz de mu-
dança da base B para a base C.
• Notação: A = MBC
• [ v ]B = MBC · [ v ]C
139
Aula 15 - PARTE 2 - Matriz de Mudança de
Base
Exemplo 1: Determine a matriz de mudança da base

B = {(-1, 2, 1), (0, 1, 1), (1, 0, 2)}, para a base
C = {(1, 0, 0), (0, 1, 0), (0, 0, 1)}, ambas do R3
140
Exemplo 2: Determine a matriz de mudança da base
B = {1 − x , 2 + x} para a base C = {1 , x}, ambas
de P1(R).
141
Teorema: Toda matriz de mudança de base é invertí-
vel e
(MBC )−1 = MCB
142
Exemplo 3: Considere as bases B = {u1, u2, u3} e
C = {w1, w2, w3} do espaço vetorial R3, relacionadas
da seguinte forma:

 w1 = u1 − u2 − u3


w2 = 2u2 + 3u3

 w3 = −3u1

+ u3
a) Determine as matrizes MBC e MCB .

b) Considere que o vetor v ∈ R3 tem como matriz de
coordenadas
 
1
 
[ v ]B =  2 

.
−4
Determine a matriz de coordenadas do elemento v

em relação a base C.
143
Aula 16 - PARTE 1 - Exercícios: Espaços e
Subespaços Vetoriais, Base e Dimensão
Exercício 1: Considere o espaço vetorial V = { (x, y) ∈

R2 / x > 0 } com as seguintes operações:
⊕: adição de elementos:
(x1, y1) ⊕ (x2, y2) = (x1x2 , y1 + y2)
: multiplicaçao por escalar: α (x, y) = (xα, αy)
a) Encontre o elemento neutro da operação de adição.

b) Encontre o elemento simétrico do elemento
(x, y) ∈ V em relação a operação de adição.
144
Exercício 2: Considere o seguinte subconjunto U do
espaço vetorial P3(R) dado por:
U = { p(x) ∈ P3(R) / p(−1) + p0(−1) = 0 e p(1) = 0}
a) Mostre que U é um subespaço vetorial de P3(R).

b) Determine uma base para o subespaço vetorial U .
145
Aula 16 - PARTE 2 - Exercícios: Espaços e
Subespaços Vetoriais, Base e Dimensão
Exercício 3: Considere os subespaços U e W do es-

paço vetorial R3 dados por:
U = { (x, y, z) ∈ R3 / 3x − 2y + z = 0 }
W = { (x, y, z) ∈ R3 / 2x + y − 4z = 0 }
a) Determine as dimensões e uma base para cada um

dos espaços U + W e U ∩ W .
b) Podemos dizer que R3 = U ⊕ W ? Justifique sua
resposta.
146
Exercício 4: Considere as seguintes funções f (x) = x
e g(x) = |x|. Mostre que o conjunto S = {f (x), g(x)}
é linearmente independente no espaço vetorial C([−1, 1]).
147
Exercício 5: Considere o espaço vetorial R2. A matriz
de mudança da base ordenada B = {(1, 1), (−2, 2)}
para a base ordenada C = {v1, v2} é dada por
!
1 0
MBC =
4 −2
Determine a base ordenada C.
148
Aula 17 - Funções
Definição: Sejam U e V conjuntos não vazios. Uma

função F de U em V é uma regra pela qual a cada
elemento u ∈ U está associado um único elemento
F (u) ∈ V , chamado de imagem de u.
Em notação matemática:
F : U −→ V
u 7−→ F (u)
149
• U : domínio da função F ;
• V : contra-domínio da função F .
150
Definição: Seja F : U → V uma função. Chamamos
de imagem de F, e denotamos por Im(F ), o subcon-
junto de V dado por
Im(F ) = {F (u) ∈ V / u ∈ U }.
151
Definição: Dizemos que uma aplicação F : U → V é
a) injetora ou 1-1(lê-se “um a um”) quando para quais-

quer u1, u2 ∈ U ,
se F (u1) = F (u2), então u1 = u2,
ou, equivalentemente,
se u1 6= u2, então F (u1) 6= F (u2),
b) sobrejetora quando Im(F ) = V , isto é, para todo

v ∈ V , existe um u ∈ U tal que F (u) = v,
c) bijetora quando for sobrejetora e injetora.
152
Definição: Dada a função
F : U −→ V
u 7−→ F (u)
com F bijetora, a função
G: V −→ U
F (u) 7−→ G(F (u)) = u
é chamada de aplicação função inversa de F, e é de-
notada por F−1.
Observação:
F(F−1(v)) = v e F−1(F(u)) = u
153
Exemplo 1: A função
F : R −→ R
x 7−→ F (x) = x2
não é injetora e nem sobrejetora.
154
F : R −→ R+
x 7−→ F (x) = x2
é sobrejetora mas não é injetora.
155
F : R+ −→ R+
x 7−→ F (x) = x2
é injetora e sobrejetora (portanto bijetora).
156
Aula 18 - Transformações Lineares
Definição: Dados dois espaços vetoriais reais, dizemos

que uma função T : U → V é uma transformação
linear de U em V se, e somente se, as duas condições
a seguir estão satisfeitas:
1) T (u1 + u2) = T (u1) + T (u2), ∀ u1, u2 ∈ U ;

2) T (αu) = αT (u), ∀ α ∈ R e ∀u ∈ U .
Quando U = V dizemos que T é um operador linear

em U . Quando V = R dizemos que T é um funcional
linear em U .
157
Exemplos:
1) Transformação Nula é a transformação

O : U −→ V definida por
def
u ∈ U 7→ O(u) = |{z}
0 ∈V
vetor
2) O Operador Identidade definido por

I : U −→ U
u ∈ U 7→ I(u) = u ∈ U
é um operador linear.
158
Exemplo 3): Mostre que a aplicação T : R2 → R3
dada por T(x,y) = (x + y, x - y, 2y) é uma transfor-
mação linear.
159
Outros exemplos de transformações lineares
Exemplo 4): A aplicação D : C 1([a, b]) → C([a, b])

definida por D(p(x)) = p0(x) é um operador linear, cha-
mado de operador derivada.
Exemplo 5): A Z aplicação T : C([0, 1]) → R definida

1
por T(f(x)) = f(x) dx é um funcional linear.
0
Exemplo 6): A aplicação T : P2(R) → R definida

por T(a0 + a1x + a2x2) = a0 + a1 + a2 é um funcional
linear.
160
Propriedades: Sejam U e V espaços vetoriais reais e
T : U → V uma transformação linear. Então:
P1) T(0) = 0; isto é, T transforma o vetor nulo de U no

vetor nulo de V.
P2) T(-u) = - T(u), ∀ u ∈ U.
P3) T(u1 - u2) = T(u1) - T(u2), ∀ u1, u2 ∈ U.
n
! n
X X
P4) T ai ui = ai T(ui)
i=1 i=1
P5) T(αu1 + u2) = α T(u1) + T(u2),

∀ α ∈ R e u1, u2 ∈ U.
161
Teorema: Sejam U e V espaços vetoriais sobre R com
dim(U ) = n, B = {u1, u2, ..., un} uma base ordenada
para U e W = {v1, v2, ..., vn} um conjunto de n
elementos arbitrários de V . Então, existe uma
única transformação linear T : U → V tal que
T (ui) = vi para i = 1, 2, 3, ..., n
162
Exemplo 7): Determine a expressão da transformação
linear T : R2 → P2(R) tal que
T (1, 1) = x e T (−1, 1) = x − x3
163
Exemplo 8): Determine a expressão do operador li-
near T : R2 → R2 tal que
T (−1, 1) = (1, −8) e T (2, 3) = (8, −9)
164
Aula 19 - Núcleo e Imagem
Definição: Seja F : U → V uma transformação li-

near. Definimos o núcleo de F como sendo o seguinte
subconjunto de U:
Ker(F); = {u ∈ U/ F(u) = 0}
Teorema: o conjunto Ker(F) é um subespaço vetorial

de U.
165
Definição: Seja F : U → V uma transformação linear.
Definimos a imagem de U por F o subconjunto de V
Im(F) = {F(u) ∈ V/ u ∈ U}
Teorema: o conjunto Im(F) é um subespaço vetorial

de V.
166
Exemplo 1: Determine uma base para o núcleo da
transformação linear
T : R2 −→ R
(x, y) 7−→ T (x, y) = 3x + 2y
167
Exemplo 2: Determine uma base para o núcleo da
transformação linear
T : C 2([a, b]) −→ C([a, b])
f (x) 7−→ T (f (x)) = −f 00(x) + f (x)
168
Exemplo 3: Determine Ker(T ), Im(T ) e dim(Im(T ))
da transformação linear
T : R3 −→ R2
(x, y, z) 7−→ T (x, y, z) = (x − 3y + 5z, −x + 4y − z)
169
Exemplo 4: Considere a transformação linear
T : R3 −→ P3(R) definida por:
T (1, 0, 1) = 2 + x2 + x3
T (0, 1, 0) = 1 + x2
T (0, 0, 1) = x2 − x3
a) Determine T (a, b, c) para a transformação linear T .

b) Determine uma base para o subespaço Im(T )
170
Aula 20 - Posto e Nulidade - PARTE 1
Definição: Seja T : U −→ V uma transformação

linear. Definimos:
a) o Posto de T , denotado por posto(T ), como sendo

a dimensão da imagem de T , isto é,
posto(T ) = dim(Im(T ))
b) a Nulidade de T , denotada por null(T ), como
sendo a dimensão do núcleo de T , isto é,
null(T ) = dim(Ker(T ))
171
Definição: Seja T : U −→ V uma transformação
linear. Dizemos que T é uma aplicação:
a) injetora se, e somente se, para u1, u2 ∈ U , com

u1 6= u2 tem-se T (u1) 6= T (u2).
b) sobrejetora se, e somente se, Im(T ) = V , isto
é, para todo v ∈ V , existe um u ∈ U tal que
T (u) = v.
172
Teorema: Seja T : U −→ V uma transformação li-
near. Assim,
T é injetora se, e somente se, Ker(T ) = { 0 }

near, com dim(U ) = n. Então,
dim(U ) = dim(Ker(T )) + dim(Im(T ))
173
Exemplo 1: Determine Ker(T ), Im(T ), dim(Im(T ))
e dim(Ker(T )) da transformação linear
T : R3 −→ R
(x, y, z) 7−→ T (x, y, z) = −x + y + 2z
174
Exemplo 2: Determine Ker(T ) e Im(T ) do operador
linear
T : P3(R) −→ P3(R)
p(x) 7−→ T (p(x)) = x2p00(x)
175
Exemplo 3: Mostre que a transformação linear
T : R2 −→ R2
(x, y) 7−→ T (x, y) = (2x − y, x + y)
é injetora.
176
Aula 20 - Posto e Nulidade - PARTE 2

near com dim(U ) = m. As seguintes afirmações são
equivalentes:
(a) T é injetora;
(b) Se {u1, u2, ...um} é um conjunto LI em U , então
{T (u1), T (u2), ...T (um)} é um conjunto LI em Im(T );
(c) dim(Im(T )) = n;
(d) Se {u1, u2, ...um} é uma base de U , então
{ T (u1), T (u2), ...T (um)} é uma base de Im(T ).
177
T : R4 −→ R3 definida por:
T (x, y, z, t) = (x − 2y + t , 2x + y − z , 5y − z − 2t)
a) Determine uma base para o subespaço Ker(T ).

b) Determine uma base para o subespaço Im(T ).
c) Determine uma base β do R4 contendo uma base
de Ker(T ).
178
Aula 21 - Espaços Vetoriais Isomorfos
Definição: Sejam U e V espaços vetoriais de dimensão

finita sobre R. Uma transformação linear
T : U −→ V bijetora é chamada de isomorfismo
de U em V . Nesse caso dizemos que U e V são iso-
morfos. Se U = V , então T : U −→ U bijetora é
chamada de automorfismo.
179
Teorema: Sejam U e V espaços vetoriais de dimen-
são finita sobre R. Então, U e V são isomorfos se, e
somente se, dim(U ) = dim(V )
Corolário: T : U −→ V é um isomorfismo entre U e

V se, e somente se, T leva base de U em base de V .
180
Exemplo 1: Mostre que o operador linear
T : R3 −→ R3
(x, y, z) 7−→ T (x, y, z) = (x − 2y , z , x + y)
é um automorfismo.
181
Exemplo 2: Mostre que a transformação linear
T : R3 −→ P2(R)
(a, b, c) 7−→ T (a, b, c) = (a − b) + (c − a)x + (b + c)x2
é um isomorfismo entre R3 e P2(R).
182
Exemplo 3: Mostre que o espaço vetorial R3 é iso-
morfo ao subespaço vetorial S do espaço vetorial M2(R),
definido por
( ! )
a b
S= , com a, b, c ∈ R ,
0 c
exibindo um isomorfismo T entre R3 e S.
183
Aula 22 - Álgebra das Transformações Lineares
Definição: Dados dois espaços vetoriais reais U e V,

indicamos por L(U,V) o conjunto de todas as transfor-
mações lineares de U em V; isto é
L(U,V):= {T : U −→ V tal que T é linear}
Definição: Se T, S ∈ L(U, V), definimos a soma

T + S de T com S por:
T + S : U −→ V
u 7−→ (T + S)(u) := T(u) + S(u)
Definição: Se T ∈ L(U, V) e k ∈ R, definimos o

produto kT por:
kT : U −→ V
u 7−→ (kT)(u) := k.T(u)
184
Proposição: Se U, V são dois espaços vetoriais reais,
então (L(U, V), +, .) é um espaço vetorial real.
Definição: Sejam U, V e W espaços vetoriais reais. Se

T : U → V e S : V → W são transformações lineares,
denotamos por S ◦ T a transformação composta de T
e S, definida por
S ◦ T : U −→ W,
u 7−→ (S ◦ T)(u) := S(T(u))
Observação: T n = T
| ◦ T ◦ T {z
◦ T ◦ ... ◦ T}
n vezes
185
Proposição: Com base nas definições acima:
• (T+S) ∈ L(U,V)
• (kT) ∈ L(U,V)
• (S ◦ T) ∈ L(U,W)
186
Exemplo: Dadas as transformações lineares
T : R2 −→ R
(x, y) 7−→ T (x, y) = x − 3y
e
P : R −→ R
x 7−→ P (x) = 4x
determine, se possível, T + P, T ◦ P e P ◦ T .
187
Definição: Dizemos que um operador T : V → V é
um operador idempotente se T 2 = T , ou seja
(T ◦ T )(v) = T (T (v)) = T (v), ∀v∈V
Exemplo: Mostre que o operador linear
T : R3 −→ R3
(x, y, z) 7−→ T (x, y, z) = (x, y, 0)
é um operador idempotente.
188
Definição: Dizemos que um operador T : V → V é
um operador auto-reflexivo se T 2 = I, ou seja
(T ◦ T )(v) = T (T (v)) = I(v) = v, ∀v∈V
T : R2 −→ R2
(x, y) 7−→ T (x, y) = (x, −y)
é um operador auto-reflexivo.
189
Definição: Dizemos que um operador T : V → V
é um operador nilpotente se T n = 0 para algum
n ∈ N, ou seja
| ◦ T ◦ T {z
(T ◦ T ◦ ... ◦ T})(v) = 0, ∀v∈V
n vezes
D : P3(R) −→ P3(R)
p(x) 7−→ D(p(x)) = p0(x)
é um operador nilpotente de ordem n = 4.
190
Aula 23 - Transformação Inversa
Definição: Seja
T : V −→ W
v 7−→ T (v)
uma transformação linear injetora. A transformação
linear
S : Im(T ) ⊂ W −→ V
T (v) 7−→ S(T (v)) = v
é chamada de transformação inversa de T .
191
Teorema: Sejam V, W espaços vetoriais de dimensão
finita. Se T : V → W é um isomorfismo, então T −1 :
W → V é também um isomorfismo.
192
Exemplo 1: Considere T ∈ L(R2) definido por T (x, y) =
(x + y, x − y)
a) Mostre que T é um isomorfismo.

b) Determine o isomorfismo inverso.
193
T : R2 → P1(R) tal que
T (1, −1) = 2 + x e T (0, 1) = x − 1
a) Determine a expressão da transformação T .

b) Mostre que T é um isomorfismo.
c) Determine o isomorfismo inverso.
194
Aula 24 - Matriz da Transformação Linear -
PARTE 1
Sejam Un e Vm dois espaços vetoriais reais de dimensão

finita e T : U −→ V uma transformação linear. Consi-
deremos duas bases B = {u1, u2, · · · , un} e
C = {v1, v2, · · · , vm}, respectivamente de U e V. En-
tão, como T(ui) ∈ V, para cada i = 1, 2, · · · , n , temos
que existem escalares αij, 1 ≤ i ≤ n, 1 ≤ j ≤ m uni-
vocamente determinados tais que
T(u1) = v1 + v2 + · · · + vm
T(u2) = v1 + v2 + · · · + vm
..
T(un) = v1 + v2 + · · · + vm
isto é
m
X
T(uj) = vi, (1 ≤ j ≤ n)
i=1
195
Definição: Chamamos de matriz de T em relação às
bases B e C, e denotamos por (T)B,C, à matriz real m
×n
 
α11 α12 ... α1n
 
 α21 α22 ... α2n 
(T)B,C = 
 .. .. . . . .. 

 
αm1 αm2 ... αmn
196
Observações:
1. Se T é um operador linear e B = C dizemos matriz

de T em relação à base B, e denotamos por (T)B.
2. Se T : Un −→ Vm, então a matriz de T em relação

às bases B e C é uma matriz m × n = (dim V) ×
(dim U).
3. Na matriz (T)B,C, a primeira coluna é formada pelas

coordenadas de T(u1) na base C; isto é, a primeira
coluna é obtida escrevendo-se T(1o vetor da base
B) como combinação linear da base C.
De um modo geral, a i-ésima coluna de (T)B,C é ob-
tida escrevendo-se T(i-ésimo vetor da base B) como
combinação linear da base C.
197
Exemplo 1: Determine a matriz da transformação
linear
T : P3(R) −→ P2(R)
p(x) 7−→ T (p(x)) = p0(x)
em relação as bases B = {1, x, x2, x3} e C = {1, x, x2}
198
Exemplo 2: Determine a matriz da transformação
linear
T : R3 −→ R2
(x, y, z) 7−→ T (x, y, z) = (2x + y − z, 3x − 2y + 4z)
em relação as bases B = {(1, 1, 1), (1, 1, 0), (1, 0, 0)} e
C = {(1, 3), (1, 4)}
199
Exemplo 3: Determine a matriz do operador linear
T : M2(R)! −→ M2(R) ! !
a b a b 2a + b 2b
7−→ T =
c d c d 2c 3d
em relação a base B = C canônica de M2(R).
200
Aula 24 - Matriz da Transformação Linear -
PARTE 2
Teorema: Sejam V e W espaços vetoriais de dimensão

finita sobre R, B uma base ordenada para V , C uma
base ordenada para W e T e S transformações lineares
de V em W , isto é, T, S ∈ L(V, W ). Então
(kT + S)B,C = k(T )B,C + (S)B,C com k ∈ R.
201
Teorema: Sejam U, V e W espaços vetoriais de di-
mensão finita sobre R, com as respectivas bases A, B
e C. Sejam T : U → V e P : V → W transforma-
ções lineares. Então, a matriz da transformação linear
(P ◦ T ) : U → W é dada por
(P ◦ T )A,C = (P )B,C.(T )A,B
202
Corolário: Sejam V e W espaços vetoriais de mesma
dimensão finita sobre R, B uma base ordenada para V ,
C uma base ordenada para W e T uma transformação
linear de V em W . Então, T é isomorfismo se, e so-
mente se, (T )B,C é uma matriz invertível.
Corolário: Sejam V e W espaços vetoriais de mesma

dimensão finita sobre R, B uma base ordenada para V ,
C uma base ordenada para W e T um isomorfismo de
V em W . Então, (T −1)C,B = ((T )B,C)−1.
203
Exemplo 1: Dada o operador linear
T : P3(R) −→ P3(R)
p(x) 7−→ T (p(x)) = p(x) + (1 + x).p0(x)
a) Determine (T )B, onde B é a base canônica de P3(R).

b) T é automorfismo? Se sim, determine o automor-
fismo inverso T −1.
204
Exemplo 2: Dado o operador linear
T : M2(R)! −→ M2(R) ! !
a b a b 2a + b 2b
7−→ T =
c d c d 2c 3d
a) Determine (T )B, onde B é a base canônica de M2(R).

b) T é automorfismo? Se sim, determine o automor-
fismo inverso T −1.
205
Aula 25 - PARTE 1 - Exercícios:
Transformações Lineares
Exercício 1: Considere a transformação linear

T : R3 −→ P3(R) tal que
T (1, 0, 1) = 2 + x2 + x3
T (0, 1, 0) = 1 + x2
T (0, 0, 1) = x2 − x3
a) Determine a expressão de T (a, b, c).

b) Determine uma base para Im(T ).
c) A transformação linear T é injetora? É sobrejetora?
206
Exercício 2: Seja U ⊂ M3(R) o subespaço das matri-
zes diagonais. Considere a transformação linear
T : P2(R) → U definida por:
 
a − b + 2c 0 0
2
 
T (a+bx+cx ) =  0 2a + b 0 

0 0 −a − 2b + 2c
a) Determine uma base para Ker(T ) e Im(T )

b) Determine uma base para P2(R) que contenha uma
base para Ker(T ).
207
Aula 25 - PARTE 2 - Exercícios:
Transformações Lineares
Exercício 3: Seja T um operador linear sobre R3 tal

que
T (1, 0, 0) = (1, 1, 1)
T (0, 1, 0) = (1, −2, 1)
T (0, 0, 1) = (1, 0, −1)
Mostre que T é um automorfismo.
208
Exercício 4: Considere a transformação linear
T : R2 → R3 definida por:
T (x, y) = (2x, x − y, y)
e a transformação linear P : R3 → R2 definida por:
P (x, y, z) = (y − z, z − x)
a) Determine a transformação linear P ◦ T e uma base

para Ker(P ◦ T ).
b) Determine a transformação linear T ◦ P e uma base
para Im(T ◦ P ).
c) Verifique se T ◦ P é um automorfismo em R3. Em
caso afirmativo, determine o automorfismo inverso
(T ◦ P )−1.
209
Exercício 5: Considere o operador linear
T : P1(R) −→ P1(R)
p(x) −→ T (p(x)) = p0(x) + (x + 1)p(1).
Sejam β = {1, 7 − 4x} e γ = {q(x), 2x − 1} bases

para P1(R) tais que
" #
3 s
(T )β,γ =
−1 1
a) Determine o polinômio q(x) e a constante real s.

b) Verifique se T é um automorfismo em P1(R). Em
caso afirmativo, determine o automorfismo inverso
T −1.
210
Aula 26 - Espaços Vetoriais com Produto
Interno
Definição: Seja V um espaço vetorial real de dimen-

são finita. Chama-se produto interno sobre V a uma
aplicação de V × V em R que transforma cada par
ordenado (u, v) ∈ V × V em um número real (deno-
tado por <u, v> ou ainda por u • v), satisfazendo às
seguintes condições: para quaisquer que sejam u, v, w
∈ V e para todo α ∈ R,
(PI1) <u, u> ≥ 0 e <u, u> = 0 se, e somente

se , u = 0;
(PI2) <u, v> = <v, u>;
(PI3) <u + v, w> = <u, w> + <v, w>;
(PI4) < α u, v> = α. <u, v>.
211
Definição: Um espaço vetorial real com produto in-
terno é chamado de espaço Euclidiano. Um espaço
vetorial complexo com produto interno é chamado de
espaço Unitário
Observação: Notação para espaço um espaço vetorial

V munido de um produto interno: (V, < · , · >)
212
Exemplo 1: Dados os vetores u = (x1, x2, . . . , xn) e
v = (y1, y2, . . . , yn) do Rn, a aplicação
Rn × Rn −→ R
(u, v) 7−→ < u, v> = x1 y1 + x2 y2 + . . . + xn yn
define um produto interno em Rn, chamado de pro-

duto interno usual do Rn.
213
Exemplo 2: Considere o espaço vetorial real C([a, b]).
O produto interno usual é definido da seguinte forma:
Z b
< f(t), g(t)> = f(t) g(t) dt ∀ f, g ∈ C([a, b])
a
214
Exemplo 3: Considere o espaço vetorial real Mn(R).
O produto interno usual é definido da seguinte forma:
X n X n
< A, B > = tr(B T A) = aij bij
i=1 j=1
∀ A, B ∈ Mn(R)
215
Propriedades do produto interno
Seja V um espaço vetorial real munido de um produto

interno. Considere os vetores u, v w, u1, u2, . . . , un,
v1, v2, . . . , vm e os números reais α, α1, α2, . . . , αn,
β1, β2, . . . , βm, sendo m, n ≥ 1. Valem as seguintes
propriedades:
P1. <0, u> = <u, 0> = 0
P2. <u, α v> = α <u, v>
P3. <u, v + w> = <u, v> + <u, w>
216
n
X n
X
P4 . < αi ui, v> = αi <ui, v>
i=1 i=1
m
X m
X
P5. <u, βj vj > = βj <u, vj >
j=1 j=1
n
X m
X n X
X m
P6 . < αi ui , βj vj > = αiβj <ui, vj >
i=1 j=1 i=1 j=1
217
Aula 27 - Matriz do produto interno
• Seja V um espaço vetorial sobre R, com

dim(V ) = n, munido de um produto interno < · , · >
e B = {v1, v2, v3, ..., vn} uma base de V .
• Dados u, v ∈ V , sabemos que existem escalarares xj

e yi, com i, j = 1, 2, 3, ..., n tais que
u = x1v1 + x2v2 + x3v3 + ... + xnvn

v = y1v1 + y2v2 + y3v3 + ... + ynvn
ou seja,
   
x1 y1
   
 x2   y2 
u=
 .. 
 e v=
 .. 

   
xn B yn B
218
• < u, v > = < x1v1 + ... + xnvn , y1v1 + ... + ynvn >
= < x1v1 , y1v1 + ... + ynvn >
+ < x2v2 , y1v1 + ... + ynvn >
+ ...
+ < xnvn , y1v1 + ... + ynvn >
= < x1v1, y1v1 > + < x1v1, y2v2 > +...+ < x1v1, ynvn >
+ < x2v2, y1v1 > + < x2v2, y2v2 > +...+ < x2v2, ynvn >
+ ...
+ < xnvn, y1v1 > + < xnvn, y2v2 > +...+ < xnvn, ynvn >
= x1y1 < v1, v1 > + x1y2 < v1, v2 > +... + x1yn < v1, vn >
+ x2y1 < v2, v1 > + x2y2 < v2, v2 > +... + x2yn < v2, vn >
+ ...
+ xny1 < vn, v1 > +xny2 < vn, v2 > +... + xnyn < vn, vn >
219
  
< v1, v1 > < v1, v2 > ... < v1, vn > x1

 < v2, v1 > < v2, v2 >
 
... < v2, vn > 
  x2 
 
y1 y2 ... yn 
 .. .. ... ..   .. 
  
< vn, v1 > < vn, v2 > ... < vn, vn > xn
ou seja,
< u, v > = Y tAX
onde

Yt = y1 y2 ... yn
B
A = (aij ) = < vi, vj >

 
x1
 
 x2 
X=
 .. 

 
xn B
220
Definição: Dado o espaço vetorial real de dimensão
finita V e B = {v1, v2, ..., vn uma base de V , a matriz
A = (aij ) = < vi, vj >
é chamada de matriz do produto interno em rela-

ção a base B.
Proposição: A matriz do produto interno em relação

a qualquer base B de um espaço vetorial de dimensão
finita V é simétrica e invertível.
221
Exemplo 1: Considere o espaço vetorial real R3 mu-
nido do produto interno usual. Determine a matriz do
produto interno relacionada a base
B = {(1, 0, −1), (1, 2, 1), (0, −3, 2)}
222
Exemplo 2: Considere o espaço vetorial real C([−1, 1])
munido do produto interno usual.
a) Determine a matriz do produto interno relacionada

a base canônica de P3(R).
b) Tomando p(x) = 1 + 2x + x3 e q(x) = 3 + x − x2,
calcule < p, q >.
223
Aula 28 - Desigualdade de Cauchy-Schwarz
Teorema (D.C.S): Seja V um espaço vetorial real

munido do produto interno < · , · >. Então, para todo
u, v ∈ V temos
< u, v >2 ≤ < u, u >< v, v >
e a igualdade é satisfeita quando {u, v} é LD.
224
Exemplo 1: Considere o espaço vetorial R3 munido
do produto interno usual. Verifique a Desigualdade
de Cauchy-Schwarz para os vetores u = (1, 2, −1) e
v = (0, 1, 4).
225
Exemplo 2: Considere o espaço vetorial C([0, 1]) mu-
nido do produto interno usual. Verifique a Desigual-
dade de Cauchy-Schwarz para os vetores f (x) = x e
g(x) = x2.
226
Aula 29 - Norma e Espaço Vetorial Normado
Definição (norma): Seja V um espaço vetorial sobre

R. Uma norma, ou comprimento, em V é uma aplica-
ção ||·|| que para cada vetor u ∈ V associa um número
real || u ||, que satisfaz as seguintes propriedades:
(N1) || u || > 0 para u 6= 0 e || u || = 0 ⇔ u = 0.

(N2) || αu || = |α| · || u ||, para todo α ∈ R.
(N3) || u + v || ≤ || u || + || v ||.
Observação: Um espaço vetorial V munido de uma

norma || · || é chamado de espaço normado, e deno-
tado por (V, || · ||).
227
Exemplo 1: Considerando no Rn o produto interno
usual, se u = (x1, x2, . . ., xn) ∈ Rn, mostre que
def
kuk = x21 + x22 + . . . + x2n
p
define uma norma em Rn
228
Exemplo 2: Considere o espaço vetorial Mn(R). A
aplicação
 
X n 
def
k A k∞ = max |aij | , 1 ≤ i ≤ n
 
j=1
define uma norma em Mn(R).
Exemplo 3: Considere o espaço vetorial Mn(R). A

aplicação
( n )
def
X
k A k1 = max |aij | , 1 ≤ j ≤ n
i=1
define uma norma em Mn(R).
229
Exemplo 4: Calcule k A k1 e k A k∞, sabendo que
 
1 2 −1 0
 
0 1 2 3
A= 
4
 1 −4 0 
2 1 3 5
230
Proposição: Seja V um espaço vetorial real munido
do produto interno < · , · >. Então, a aplicação
|| · ||2 : V −→ R
√
u 7−→ || u ||2 = < u, u >
define uma norma em V , chamada de Norma Eucli-
diana.
Observação: Para um Espaço Vetorial V Euclidiano

(isto é, V está munido da norma || · ||2 = || · ||) temos
que a D.C.S pode ser reescrita como
| < u, v > | ≤ || u || · || v ||
231
Exemplo 5: Considere o espaço vetorial R4,
u = (x1, x2, x3, x4), v = (y1, y2, y3, y4) ∈ R4, munido
do produto interno usual
< u, v > = x1y1 + x2y2 + x3y3 + x4y4

√
Sabemos que a aplicação || u ||2 = < u, u > define
uma norma em R4. Dado u = (1, 2, −1, 3), calcule
|| u ||2.
232
Exemplo 6: Considere o espaço vetorial C([0, π]), mu-
nido do produto interno usual
Z π
< f, g > = f (x)g(x)dx
0
√
Sabemos que a aplicação || f ||2 = < f, f > define
uma norma em C([0, π]). Dada f (x) = cos(πx), cal-
cule || f ||2.
233
Exemplo 7: Em um espaço euclidiano V, considere
dois vetores u e v de modo que k u k2 = k v k2 = 1
e k u − v k2 = 2. Determine <u, v>.
234
Aula 30 - Ângulo e ortogonalidade
Definição: Dado um espaço vetorial euclidiano V e

u e v ∈ V não nulos, o número real θ, com 0 ≤ θ ≤ π,
tal que
cos θ = <u, v>

kuk.kvk
é chamado de ângulo entre os vetores u e v.
235
Definição: Seja V um espaço vetorial real com o pro-
duto interno < · , · >. Dizemos que os vetores u, v ∈ V
são ortogonais se, e somente se < u, v >= 0.
Notação: u ⊥ v.
236
Exemplo 1: Encontre o ângulo θ entre os seguintes
pares de vetores do V3:
a) ~u = (1, 1, 1) e ~v = ( 12 , −1, 21 )
b) ~u = (1, −1, 0) e ~v = (2, −1, 2)
237
Exemplo 2: Considere o espaço vetorial C([0, 1]) mu-
nido do produto interno usual. Encontre o ângulo θ en-
tre os seguintes pares de vetores f (x) = x e g(x) = x2
de C([0, 1]).
238
Exemplo 3: Considere o espaço vetorial P1(R) ⊂
C([0, 1]) munido do produto interno usual. Determine
todos os polinômios q(x) = a + bx ∈ P1(R) que são
ortogonais ao polinômio p(x) = 1 + x
239
Aula 31 - Base Ortogonal e Coeficientes de
Fourier
Definição: Considere V um espaço vetorial munido de

um produto interno < · , · >. Seja S = {v1, v2, v3, ..., vn}
um conjunto de elementos de V tal que < vi, vj > = 0
para i 6= j. Então dizemos que S é um conjunto or-
togonal em V em relação ao produto interno < · , · >.
Além disso, se ||vi||2 = 1, para i = 1, 2, 3, ..., n, dize-
mos que S é um conjunto ortonormal em V .
240
Teorema: Considere V um espaço vetorial munido de
um produto interno < · , · > e S = {v1, v2, v3, ..., vn}
um conjunto ortogonal de V com todos vj 6= 0. Então,
S é linearmente independente em V .
241
Exemplo 1: Considere o espaço vetorial C([−π, π])
munido do produto interno usual. Mostre que o con-
junto S = {1, cos(x), cos(2x), cos(3x), ..., cos(nx)} é
ortogonal em relação ao produto interno usual de C([−π, π]).
242
Definição: Seja V um espaço vetorial de dimensão
finita, com dim(V ) = n, munido do produto interno
< · , · >. Dizemos que uma base B = {v1, v2, v3, ..., vn}
de V é uma base ortogonal se B é um conjunto orto-
gonal de V . No caso em que o conjunto B é ortonormal,
dizemos que B é uma base ortonormal.
243
Teorema: Seja V um espaço vetorial de dimensão fi-
nita, com dim(V ) = n, munido do produto interno
< · , · > e B = {q1, q2, q3, ..., qn} uma base ortogonal
de V . Então, existem únicos escalares α1, α2, α3, ..., αn
tal que para todo elemento u ∈ V , temos
< u, qi >
u = α1q1 + α2q2 + ... + αnqn com αi =
< qi, qi >
244
Observação: Os escalares α1, α2, α3, ..., αn da combi-
nação linear do vetor u na base ortogonal B são cha-
mados de Coeficientes de Fourier de u com relação
à base B.
Exemplo 2: Considere o espaço vetorial R2 munido

do produto interno usual. Determine as coordenadas
do vetor u = (3, 4) em relação à base ortogonal B =
{(1, 1), (−1, 1)}.
245
Aula 32 - Processo de Gram-Schmidt
Teorema: Todo espaço vetorial de dimensão finita mu-

nido de um produto interno possui uma base ortogo-
nal.
Tal base ortogonal é obtida por um processo recursivo

chamado de processo de Gram-Schimdt - P.G.S.
O P.G.S. transforma qualquer base B de um espaço
vetorial euclidiano V em uma base ortogonal B 0 de
V , ou seja,
P.G.S.
B = {v1, v2, v3, ..., vn} base de V =⇒
B 0 = {q1, q2, q3, ..., qn} base ortogonal de V
B 0 obtida a partir de B.
246
Como é obtida a base ortogonal B 0 = {q1, q2, q3, ..., qn}
a partir da base B = {v1, v2, v3, ..., vn}?
(1) q1 = v1;
(2) q2 = v2 − α12 · q1, onde
< q1, v2 >

α12 = ;
< q1, q1 >
(3) q3 = v3 − α13 · q1 − α23 · q2, onde
< q1, v3 > < q2, v3 >

α13 = e α23 = ;
< q1, q1 > < q2, q2 >
(4) q4 = v4 − α14 · q1 − α24 · q2 − α34 · q3, onde
< q1, v4 > < q2, v4 > < q3, v4 >

α14 = , α24 = e α34 = ;
< q1, q1 > < q2, q2 > < q3, q3 >
247
e seguindo a lógica anterior temos, num caso geral que,
um k-ésimo vetor qk é dado por

 q1 = v1


k−1
!
X
 qk = vk − αik · qi k = 2, 3, ..., n


i=1
< qi, vk >

onde αik =
< qi, qi >
Teorema: Todo espaço vetorial de dimensão finita mu-

nido de um produto interno possui uma base ortonor-
mal.
248
Exemplo 1: Considere o espaço vetorial R3 munido do
produto interno usual. Obter a partir da base
B = {(1, 1, 1), (0, 2, 1), (0, 0, 1)} uma base ortogonal
B 0 = {q1, q2, q3}.
249
Exemplo 2: Considere o espaço vetorial P3(R) ⊂
C([−1, 1]) munido do produto interno usual. Obter a
partir da base B = {1 , x , x2 , x3} uma base ortogonal
B 0 = {q1, q2, q3, q4}.
250
Exemplo 3: Considere o espaço vetorial R3 munido do
produto interno usual. Obter a partir da base
B = {(1, 1, 1), (0, 2, 1), (0, 0, 1)} uma base ortonor-
mal B ∗ = {q1∗, q2∗, q3∗}.
251
Aula 33 - Complemento Ortogonal
Definição: Sejam V um espaço vetorial munido do

produto interno < · , · > e S um conjunto não vazio
de elementos de V . O conjunto S ⊥, definido por
S ⊥ = {u ∈ V / < u, v > = 0, para todo v ∈ S}
é denominado S perpendicular. Caso S seja um sub-

espaço vetorial de V , então S ⊥ é chamado de com-
plemento ortogonal de S em V .
Teorema: O conjunto S ⊥ é um subespaço de V , mesmo

que S não o seja. Além disso, Se S é subespaço, então
S ∩ S ⊥ = {0}.
252
nido do produto interno usual. Seja S o subespaço de
R4 dado por S = [(1, 0, 1, 1), (1, 1, 0, 1)]. Determine
uma base para o subespaço S ⊥.
253
Exemplo 2: Considere o espaço vetorial real P2(R)
munido do produto interno
Z 1
< p, q >= x2p(x)q(x)dx , para todo p, q ∈ P2(R).
−1
Determine uma base para o complemento ortogonal do

subespaço S = [1+x] em P2(R) com relação ao produto
interno definido acima.
254
Exemplo 3: Considere o espaço vetorial real
U = {p(x) ∈ P3(R) / p(−1) = p(1) = 0}
com o produto interno

Z 1
< p, q >= p0(x)q 0(x)dx , para todo p, q ∈ U.
−1

subespaço S = [1 − x2] em U com relação ao produto
interno definido acima.
255
Aula 34 - Decomposição Ortogonal
Teorema: Sejam V um espaço vetorial munido do pro-

duto interno , < · , · > e S um subespaço vetorial de
dimensão finita de V . Então, V = S ⊕ S ⊥, isto é, todo
elemento de v ∈ V pode ser escrito de forma única
como v = u + w, com u ∈ S e w ∈ S ⊥.
256
nido do produto interno usual e S o subespaço definido
por
S = {(x, y, z, t) ∈ R4 / x − 2y + z − 3t = 0}

subespaço S.
257
Propriedades: Seja V um espaço vetorial munido de
um produto interno, U, W e S subespaços vetoriais de
V e S ⊥ o complemento ortogonal de S. Valem os se-
guintes resultados abaixo:
P1. dim(V ) = dim(S) + dim(S ⊥)
P2. U = (U ⊥)⊥
P3. (U ∩ W )⊥ = U ⊥ + W ⊥
P4. (U + W )⊥ = U ⊥ ∩ W ⊥
P5. Se v = u + w, com u ∈ S e w ∈ S ⊥, então
|| v ||22 = || u ||22 + || w ||22
258
nido do produto interno usual e U e W subespaços de
R3 definidos por
U = { (x, y, z) ∈ R3 / x − 2y + 3z = 0 }
W = { (x, y, z) ∈ R3 / x + y + z = 0 }
Determine uma base para os subespaços (U + W )⊥ e

(U ∩ W )⊥.
259
Aula 35 - PARTE 1 - Operadores Simétricos
Definição: Sejam V um espaço vetorial munido de um

produto interno < · , · >, W um subespaço vetorial de
V e T : W −→ V um operador linear. Dizemos que
T é um operador linear simétrico (ou operador auto-
adjunto) se
< T (u), v > = < u, T (v) >
para todo u, v ∈ W .
260
Exemplo 1: Considere o espaço vetorial real C([0, 1])
munido do produto interno usual. Seja W o subespaço
vetorial de C([0, 1]) definido por
W = {f ∈ C 2([0, 1]) / f (0) = f (1) = 0}
Mostre que o operador linear
T : W −→ C([0, 1])
f (x) −→ T (f (x)) = −f 00(x) + f (x)
é um operador simétrico em W .
261
Exemplo 2: Considere V um espaço vetorial real de
dimensão finita munido do produto interno < · , · > e
T um operador linear simétrico sobre V . Mostre que
Ker(T ) = (Im(T ))⊥
262
Teorema: Sejam V um espaço vetorial real de di-
mensão finita munido do produto interno < · , · >,
B = {q1, q2, ..., qn} uma base ortonormal de V e T um
operador linear sobre V . Então:
a) A matriz A = (T )B,B = (T )B do operador linear

T com relação à base ortonormal B é dada por
aij = < T (qj ) , qi >;
b) T é um operador linear simétrico se, e somente se,
(T )B é uma matriz simétrica, isto é (T )B = ((T )B )T
263
Exemplo 3: Considere o espaço vetorial real R3 com
o produto interno usual e o operador linear T sobre R3
definido por
T (x, y, z) = (x + 2y , 2x + 3y − z , −y + 2z)
Mostre que T é um operador simétrico.
264
V e T : W −→ V um operador linear. Dizemos que T
é um operador linear anti-simétrico se
< T (u), v > = − < u, T (v) >
265
operador linear sobre V . Então, T é um operador li-
near anti-simétrico se, e somente se, (T )B é uma matriz
anti-simétrica, isto é ((T )B )T = −(T )B
266
definido por
T (x, y, z) = (−2y + z , 2x + 3z , −x − 3y)
Mostre que T é um operador anti-simétrico.
267
Aula 35 - PARTE 2 - Operadores Ortogonais

V e T : W −→ V um operador linear. Dizemos que T
é um operador linear ortogonal se
< T (u), T (v) > = < u, v >
Observação: Podemos verificar que se T é um opera-

dor ortogonal em V , então
√ p
|| u ||2 = < u, u > = < T (u), T (u) > = || T (u) ||2
para todo u, v ∈ V , ou seja, T preserva a norma Eucli-

diana. Assim, dizemos que T é uma isometria sobre
V e mostrar que T é uma isometria é equivalente a
mostrar que T é ortogonal.
268
definido por
T (x, y, z) = (x cos(θ)−ysen(θ) , xsen(θ)+y cos(θ) , z)
onde θ é um ânfgulo fixo. Mostre que T é um operador

ortogonal.
269
Teorema: Sejam V um espaço vetorial real de dimen-
são finita munido de um produto interno < · , · > e T
um operador ortogonal sobre V . Então T é automor-
fismo.
CUIDADO: O Teorema acima nos diz que se T é um

operador ortogonal, então T é automorfismo, mas a
recíproca não é verdadeira para todo T .
270
definido por
T (x, y, z) = (x − 2y , z , x + y).
Mostre que T é um automorfismo em R3, mas que T

não é um operador ortogonal.
271
Teorema: Sejam V um espaço vetorial real munido
de um produto interno < · , · > e T um operador
ortogonal sobre V . Então T −1 é um operador ortogonal
sobre V .

operador linear sobre V . Então, T é um operador or-
togonal se, e somente se, T leva a base ortonormal B
na base ortonormal {T (q1), T (q2), ..., T (qn)}
272
B = {q1, q2, ..., qn} uma base ortonormal de V , T um
operador linear sobre V e ((T )B ) a matriz do opera-
dor T em relação a base ortonormal B. Então, T é
um operador ortogonal se, e somente se, (T )B é uma
matriz ortogonal, isto é ((T )B )T = ((T )B )−1.
273
definido por

2 2 1 2 1 2 1 2 2
T (x, y, z) = x+ y+ z , x− y− z , x− y+ z .
3 3 3 3 3 3 3 3 3
Mostre que T é um operador ortogonal.
274
Aula 36 - PARTE 1 - Exercícios Envolvendo
Espaços com Produto Interno

com o produto interno
Z 1
h p, q i = p(x)q(x)dx ∀ p, q ∈ P2(R)
0
a) Determine a matriz do produto interno com a rela-

ção a base canôninca de P2(R).
b) Tomando p(x) = 1 + 2x + x2 e q(x) = 3 + x − x2,
calcule h p, q i:
(b1) usando a matriz do produto interno;
(b2) diretamente, pela definição do produto interno.
275
munido do produto interno
Z 1
h p, q i = p(x)q(x)dx ∀ p, q ∈ P3(R)
0
Determine uma base ortogonal para o complemento

ortogonal W ⊥ do subespaço W = [ 1, x ].
276
Aula 36 - PARTE 2 - Exercícios Envolvendo
Espaços com Produto Interno
Exemplo 3: Considere o espaço vetorial real P1(R) e

a aplicação h · , · i : P1(R) × P1(R) −→ R definida por
h p , q i = p(0)q(0) + p(1)q(1) ∀ p, q ∈ P1(R)
a) Mostre que a aplicação h ·, · i define um produto

interno no espaço vetorial P1(R).
b) Determine todos os polinômios q(x) = a + bx ∈
P1(R) que são ortogonais ao polinômio p(x) = 1+x,
com relação ao produto interno definido pela apli-
cação h ·, · i.
277
Exemplo 4: Sejam a1, a2, a3, ..., an números reais quais-
quer. Utilizando a desigualdade de Cauchy-Schwarz em
Rn (Rn munido do produto interno usual) mostre que
a + a + ... + a 2
1 2 n a21 + a22 + ... + a2n
a) ≤
n n

1 1 1
b) (a1 + a2 + ... + an) + + ... + ≥ n2
a1 a2 an
para a1, a2, ..., an agora estritamente positivos.
278
Aula 37 - PARTE 1 - Autovalor e Autovetor de
um Operador Linear
Definição: Sejam V um espaço vetorial real e

T : V −→ V um operador linear em V. Um vetor
0 6= u ∈ V é chamado autovetor de T se, e somente
se, existe um número real λ tal que T(u) = λu. Nesse
caso, λ é dito um autovalor de T, associado a u.
279
Observações: Seja T : V −→ V um operador linear.
1. É importante notar que, da definição, autovetor de

T nunca é vetor nulo e que autovalor de T pode
ser qualquer escalar, inclusive zero;
2. Se 0 6= u é um autovetor de T, então:
u 6= 0
λ.u = λ .u ⇐⇒ (λ − λ ).u = 0 =
0 0
λ = λ0
Ou seja: o autovalor associado ao autovetor u é

único.
3. Se λ é um autovalor do operador T, o conjunto
V(λ) = {u ∈ V : T(u) = λu}
é um subespaço vetorial de V.
280
Definição: O subespaço vetorial
V(λ) = {u ∈ V : T(u) = λu} = Ker(T - λI)
é chamado subespaço próprio (ou subespaço as-

sociado) a λ.
281
Exemplo 1: Consideremos o operador linear
T : R2 −→ R2 definido por T(x, y) = (x, -y). En-
contre os autovalores de T e os respectivos subespaços
próprios associados.
282
Aula 37 - PARTE 2 - Autovalor e Autovetor de
um Operador Linear
Exemplo 2: Consideremos o operador linear

T : R2 −→ R2 definido por T(x, y) = (y, 4x). En-
contre os autovalores de T e os respectivos subespaços
próprios associados.
283
Observe que, no Exemplo 2 anterior, a equação
T (v) = λv pode ser escrita na forma (T − λI)v = 0,
ou seja, v ∈ Ker(T − λI), com v 6= 0.
Assim, se A = (T )B é a matriz do operador T em

relação a alguma base B, então (A − λI)B é a matriz
do operador T − λI. Desse modo, a matriz (A − λI)B
deve ser singular, isto é, não invertível.
284
No caso geral:
T (v) = λv ⇒ v ∈ Ker(T − λI), com v 6= 0

(1)
⇒ Ker(T − λI) 6= { 0 }
(2) T = (T )B = A ⇒ Ker(A − λI) 6= { 0 }.
(3) T é isomorfismo ⇔ Ker(T ) = { 0 }.

(4) (T − λI) não é isomorfismo ⇔ Ker(T − λI) 6=
{ 0 }.
(5) T é isomorfismo ⇔ (T )B é invertível.

(6) (T − λI) não é isomorfismo ⇔ (T − λI)B não é
invertível.
CONCLUSÃO
v 6= 0 é autovetor associado ao autovalor λ ⇔

det(T − λI) = 0, com v ∈ Ker(T − λI)
285
Aula 38 - Autovalor e Autovetor de uma
matriz
Definição: Sejam A, I ∈ Mn(R). Um autovalor de

uma matriz A é um número real λ ∈ R tal que a matriz
(A − λI) seja singular, isto é det(A − λI) = 0.
Definição: O polinômio de grau n, definido como

p(λ) = det(A − λI), com A, I ∈ Mn(R), é chamado
de polinômio característico da matriz A.
Com base nas duas definições acima:
Os autovalores de uma matriz A são as

raízes do polinômio característico de A.
286
Definição: Sejam A, B ∈ Mn(R). Dizemos que a ma-
triz B é similar (ou semelhante) a matriz A, se exis-
tir uma matriz invertível P ∈ Mn(R) tal que
B = P AP −1.
Teorema: Matrizes semelhantes possuem o mesmo po-

linômio característico.

são finita e T um operador linear sobre V . Definimos
o polinômio característico do operador T como
sendo o polinômio característico da matriz T = (T )B
em relação a QUALQUER base orenada B de V .
287
Exemplo 1: Considere o operador linear
T : P2(R) −→ P2(R)
p(x) −→ T (p(x)) = (1 + x)p0(x) + p00(x).
Determine os autovalores do operador linear T .
288
T : R2 −→ R2
(x, y) −→ T (x, y) = (2x + 2y, y)
a) Determine o polinômio característico de T a partir

da base B = {(1, 0), (0, 1)} canônica de R2.
b) Determine o polinômio característico de T a partir
da base C = {(1, 1), (−1, 1)} de R2.
289
T : R2 −→ R2
(x, y) −→ T (x, y) = (2x + 2y, y)
Determine os autovalores e autovetores associados do
operador T .
290
Aula 39 - Multiplicidade Algébrica e
Geométrica
Definição: Definimos a multiplicidade algébrica de

um autovalor λ como sendo a quantidade de vezes que
ele aparece como raiz do polinômio característico.
Notação: ma(λ)
Definição: Definimos a multiplicidade geométrica

de um autovalor λ como sendo a dimensão do subes-
paço V (λ) associado ao autovalor λ.
Notação: mg(λ)
291
Exemplo 1: Considere o operador linear T do R3 tal
que
T (x, y, z) = (2x − y + z , 3y − z , 2x + y + 3z)
Determine os autovalores, as multiplicidades algébricas
e geométricas e autovetores associados do operador T .
292
que
T (x, y, z) = (2x + y + z , 2x + 3y + 2z , 3x + 3y + 4z)
Determine os autovalores, as multiplicidades algébricas
e geométricas e autovetores associados do operador T .
293
Aula 40 - Diagonalização de Operadores
Definição: Sejam V um espaço vetorial real de dimen-

são finita e T um operador linear sobre V . Dizemos que
T é um operador diagonalizável se existe uma base
ordenada B tal que a matriz do operador (T )B é uma
matriz diagonal.
Definição: Dizemos que uma matriz A ∈ Mn(R) é

diagonalizável se A é semelhante a uma matriz di-
agonal, isto é, existe uma matriz inversível P tal que
A = P DP −1, com D ∈ Mn(R) diagonal.
Teorema: T é um operador diagonalizável se, e so-

mente se, (T )B é uma matriz diagonalizável.
294
que T (x, y, z) = (3x − 4z , 3y + 5z , −z). Mostre que
T é diagonalizável.
295
são finita e T um operador linear sobre V . Então T
é um operador diagonalizável se, e somente se, existe
uma base ordenada B de V cujos elementos são auto-
vetores de T .

são finita, T um operador linear sobre V e λ1, λ2, ...., λk
todos os k autovalores distintos de T . Então T é um
operador diagonalizável se, e somente se,
ma(λi) = mg(λi),
para todo i = 1, 2, ..., k.
296
Corolário: Sejam V um espaço vetorial real de di-
mensão finita, digamos dim(V ) = n e T um operador
linear sobre V que possui n autovalores distintos. En-
tão T é um operador diagonalizável.
297
T : P2(R) −→ P2(R)
p(x) −→ T (p(x)) = (1 + x)p0(x) + p00(x).
a) Mostre que T é um operador diagonalizável.

b) Determine uma base B de P2(R) composta apenas
por autovetores de T .
298
Aula 41 - Polinômio Minimal e Diagonalização
de Operadores
Pergunta: É possível decidir se um operador linear é

diagonalizável ou não, sem que para isso tenhamos que
calcular seus autovetores?
Definição: Sejam
p(x) = anxn + an−1xn−1 + · · · + a2x2 + a1x + a0
um polinômio e A uma matriz quadrada de ordem k.
Então p(A) é a matriz
p(A) = anAn + an−1An−1 + · · · + a2A2 + a1A + a0Ik
Definição: Quando p(A) = 0, dizemos que o polinô-

mio p anula a matriz A.
299
Exemplo 1: Dados os polinômios p(x)
! = x −9 e
2
−1 4
q(x) = 2x + 3 e a matriz A = , calcule p(A)
2 1
e q(A).
300
Definição: Seja A uma matriz quadrada. O polinô-
mio minimal de A é um polinômio
m(x) = 1.xk + ak−1xk−1 + ak−2xk−2 + · · · + a1x + a0
tal que:
• (i) m(A) = 0; isto é, m anula a matriz A;

• (ii) m(x) é o polinômio de menor grau entre
aqueles que anulam a matriz A.
301
Teorema: Sejam T : V −→ V um operador linear e B
uma base de V e dim(V) = n. Então:
T é diagonalizável ⇐⇒ o polinômio minimal de (T)B

é da forma
m(x) = (x - λ1)(x - λ2) · · · (x - λr),
com λ1, λ2, · · · , λr dois a dois distintos.
Teorema (de Cayley - Hamilton):


n n
 T : V −→ V : linear


B : base de V =⇒ p((T)B) = 0
 p(x) : polinômio característico de T


Ou seja: o polinômio característico de T anula a ma-

triz (T)B. Isto significa que o polinômio característico
é um “candidato” a polinômio minimal de (T)B.
302
Exemplo 2: Consideremos um operador linear
T : V −→ V e suponhamos que o seu polinômio ca-
racterístico seja dado por
p(λ) = (λ - 3)2.(λ - 1)3.(λ + 5)
Determine todos os polinômios que podem ser o po-
linômio minimal do operador T.
303
Exemplo 3: Considere o operador linear T do R4 dado
por
T (x, y, z, t) = (3x − 4z , 3y + 5z , −z , −t)
Mostre que T é um operador diagonalizável.
304
Aula 42 - Aplicação de Diagonalização -
Potência de uma matriz
Foco: Dada uma matriz A quadrada, calcular Ak.
O cálculo de pode ser muito trabalhoso, se k for um

número grande. Mas, se a matriz A é uma matriz dia-
gonalizável, então o processo pode ser, de certa forma
simplificado.
305
Como Proceder?
(1) Se A é diagonalizável, então existe uma matriz in-

versível P e uma matriz diagonal D, tal que
A = P DP −1, com D = diag(λ1, λ2, . . ., λn);
(2) se D = diag(λ1, λ2, . . ., λn), então

D2 = diag(λ21, λ22, . . ., λ2n)
D3 = diag(λ31, λ32, . . ., λ3n)
..
Dk = diag(λk1, λk2, . . ., λkn)
−1 −1 −1
(3) Ak = A · A · · · A = (P DP ) · (P DP ) · · · (P DP )
k vezes
| {z } |
k vezes
{z }
= P D(P −1 · P )D(P −1 · P ) · · · (P −1 · P )DP −1

= P D(I)D(I) · · · (I)DP −1 = P |D · D{z· · · D} P −1
k vezes
= P Dk P −1
(4) Portanto, Ak = P Dk P −1
306
 
2 1 1
Exemplo 1: Calcule A , sabendo que A =  2 3 4 
k
 
.

−1 −1 −2
307
Exponencial de uma matriz
Definição: A série de MacLaurin da função f (x) = ex

é dada por
∞
x
X xk
f (x) = e = .
k!
k=0
308
(1) Se A é diagonalizável, então existe uma matriz in-
versível P e uma matriz diagonal D, tal que
A = P DP −1, com D = diag(λ1, λ2, . . ., λn);
∞
X xk
(2) f (x) = ex =
k!
k=0
∞ ∞
X Ak X P Dk P −1
(3) f (A) = eA = =
k! k!
k=0 k=0
P IP −1 P DP −1 P D2P −1
= + + +···
0! 1! 2!
I D D2

=P + + + · · · P −1
0! 1! 2!
∞
!
XD k
=P P −1 = P eD P −1
k!
k=0
(4) Portanto,
eA = P eD P −1
onde eD = diag(eλ1 , eλ2 , · · · , eλn )
309
 
2 1 1
Exemplo 1: Calcule e , sabendo que A =  2 3 4 
A
 
.

−1 −1 −2
310
Sistema de Equações Diferenciais
Exemplo 1: Encontre uma solução particular para o

problema de valor inicial
(
p0(t) = 4p(t)
p>0
p(0) = 2000
311
Exemplo anterior: caso particular de um modelo de
crescimento populacional, conhecido como Modelo (ou
equação) de Malthus.
Caso geral do modelo de Malthus:

(
p0(t) = k · p(t)
p(0) = p0
com k, p0 ∈ R.
312
Pergunta: Como procederíamos se tivéssemos não ape-
nas uma população (função) mas sim várias populações
(funções) que se relacionassem entre si, formando um
sistema entre elas?
Por exemplo:

0
 1(t) = −2x1(t) + x2(t) + x3(t)
x


x02(t) = x1(t) + −2x2(t) + x3(t)

 x0 (t) = x1(t) + x2(t) + −2x3(t)

3
com condição inicial
x1(0) = 1 , x2(0) = 2 , x3(0) = 6
313
(
X 0(t) = A · X(t)
(1)
X(0) = X0
   
x1(t) x1(0)
   
 x2(t)   x2(0) 
onde X(t) = 
 .. 
 e X0 = 
 .. 

   
xn(t) xn(0)
(
X 0(t) = P DP −1 · X(t)
(2)
X(0) = X0
(
P −1 · X 0(t) = P −1P DP −1 · X(t)
(3)
P −1 · X(0) = P −1 · X0
(
(P −1 · X 0(t)) = D(P −1 · X(t))
(4)
(P −1 · X(0)) = (P −1 · X0)

−1


 P · X(t) = Y (t)
 P −1 · X 0(t) = Y 0(t)

(5) Chame de: −1


 P · X(0) = Y (0)
 P −1 · X = Y

0 0
314
(
Y 0(t) = D · Y (t)
(6)
Y (0) = Y0
   
y1(t) λ1 0 ··· 0
   
 y2(t)   0 λ2 ··· 0 
onde Y (t) =  .  e D = 
 
 .. .. . . . .. 

 .   
yn(t) 0 0 · · · λn
(7) Assim, teremos n problemas de valores iniciais

(
yi0(t) = λi · yi(t)
yi(0) = ci
cuja solução, para cada yi, é yi(t) = ci · eλi·t.
Y (t) = eDt · Y (0)

P −1 · X(t) = eDt · Y (0)
(8) P · P −1 · X(t) = P · eDt · Y (0)
X(t) = P · eDt · Y (0)
X(t) = P · eDt · P −1 · X0
315
Portanto
X(t) = P · eDt · P −1 · X0
Exemplo 2: Resolva o seguinte sistema de equações

diferenciais

0
 1(t) = −2x1(t) + x2(t) + x3(t)
x


x02(t) = x1(t) + −2x2(t) + x3(t)

 x0 (t) = x1(t) + x2(t) + −2x3(t)

3
x1(0) = 1 , x2(0) = 2 , x3(0) = 6
316
Exemplo 3: Resolva o seguinte sistema de equações
diferenciais
(
x0(t) = x(t) − 2y(t)
y 0(t) = 3x(t) − 4y(t)
! !
x(0) 2
=
y(0) 4
317
Aula 45 - PARTE 1 - Exercícios: Autovalores e
Autovetores
T : R3 −→ R3
(x, y, z) −→ T (x, y, z) = (3x − 4z, 3y + 5z, −z).
a) Determine os autovalores de T .
b) Determine os autovetores de T associados aos au-
tovalores obtidos.
c) O operador T é diagonalizável? Se sim, justifique e
determine uma base tal que a matriz do operador
T é uma matriz diagonal.
318
Exercício 2: Determine o operador linear T sobre o
R4, diagonalizável, que satisfaz simultaneamente as se-
guintes condições:
• Ker(T ) = {(x, y, z, t) ∈ R4 / x + y − z + t =
0 e z − t = 0}
• T (0, 0, 1, 0) = (0, 0, 2, 0)
• (0, 1, 0, 0) ∈ Im(T )
• λ = −3 é um autovalor do operador T .
319
Aula 45 - PARTE 2 - Exercícios: Autovalores e
Autovetores
T : P2(R) −→ P2(R)
p(x) −→ T (p(x)) = (1 + x)p0(x) + p00(x).
a) Determine a expressão do operador linear T 16(p(x)).

b) Determine o polinômio q(x) = T 16(2 − x + 3x2).
320
Exercício 4: Detertmine a solução do seguinte sistema
dinâmico

0
 1(t) = −5x1(t)
x


x02(t) = − 4x2(t) + 3x3(t)

 x0 (t) =

+ 3x2(t) − 4x3(t)
3
x1(0) = 4 , x2(0) = 5 , x3(0) = 6
321

Aula A Aula AlgeLin

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

Aula A Aula AlgeLin

Enviado por

Direitos autorais:

Formatos disponíveis

BRUNO DIAS AMARO

Definição: A equação α1 x1 + α2 x2 + ... + αn xn = β,

No caso em que β1 = β2 = ... = βm = 0, dizemos que o

Um sistema S pode ser modificado por meio das cha-

I. Permutar duas equações;

Um sistema linear S1 obtido a partir de S por um nú-

SISTEMAS EQUIVALENTES TEM O MESMO

Exercício: Para quais valores de α o sistema linear

Definição: Dados m, n ≥ 1 dois números inteiros,

• Mn(R) o conjunto das matrizes reais quadradas de

1) Matriz linha: é uma matriz de ordem 1 × n

2) Matriz coluna: é uma matriz de ordem m × 1

3) Matriz quadrada: é uma matriz de ordem n × n

5) Matriz diagonal: é uma matriz quadrada em que

6) Matriz identidade: é uma matriz quadrada de

8) Matriz triangular inferior: é uma matriz que

9) Matriz triangular superior: é uma matriz que

A3) Existe uma matriz O ∈ Mm×n(R) tal que A + O

A4) Dada uma matriz A ∈ Mm×n(R), existe uma matriz

Definição: Consideremos as matrizes A = (aik) do

3. Sejam A e B matrizes m × n e k ∈ R. Então

4. Sejam A e B matrizes n × p e p × n respectiva-

determine a matriz X ∈ M2(R) tal que A X = I2.

Uma idéia inicial para definir a inversa de uma ma-

Podemos determinar a inversa de uma matriz inversí-

(I) Permutar duas linhas de A.

(II) Multiplicar uma linha de A por um número

(III) Somar a uma linha de A uma outra linha de

Exemplo: Mostre que a matriz A abaixo é inversível,

Além disso, calcule A A−1.

O determinante é um número que está associado com

= a11 a11a22a33 − a22a31a13 − a21a12a33 − a11a32a23 +

Como a11 6= 0, então

detA = a11a22a33 + a12a23a31 + a13a21a32

Definição: Dada uma matriz quadrada A de ordem

Exemplo: Calcular o determinante de

• Se consideramos a linha i, então

det A = ai1Ci1 + ai2Ci2 + ai3Ci3.

• Se consideramos a coluna j, então

det A = a1j C1j + a2j C2j + a3j C3j .

Teorema: Seja A uma matriz quadrada, de ordem

• Se consideramos a linha i, então

det A = ai1Ci1 + ai2Ci2 + ai3Ci3 + · · · + ainCin.

• Se consideramos a coluna j, então

det A = a1j C1j + a2j C2j + a3j C3j + · · · + anj Cnj .

Teorema: Valem as seguintes propriedades:

TODO SISTEMA LINEAR PODE SER

Exemplo: Realize operações elementares para deter-

Definição: Dizemos que um sistema linear AX = B,

• Di: é o determinante da matriz obtida ao substituir

Exercício 1: Dadas as matrizes

a) Calcule, se possível, A−1. Se não for possível justi-

a) Determine os valores de a, b, c e d de forma que

sol(S) = { (x, y, z, s, t) ∈ R5 / x = 4t, y = 2s + 4,

determine as matrizes escalonadas A3×5 e B3×1 associ-

Uma motivação para a definição.

I . Existe uma adição

tal que, para todos u, v, w ∈ V, valem as seguintes

de modo que, para quaisquer u,v ∈ V e α, β ∈ R,

(V, +, .)R denota um espaço vetorial real

(V, +, .)C denota um espaço vetorial complexo

1. (R, +, .): O conjunto dos números reais com as ope-

2. (R2, +, .) é um espaço vetorial real, sendo: