Notas de Álgebra Linear

III

Originais de:

Profa. Christina F. E. Maciel Waga

Profa. Regina Célia Hamaty de Freitas

Material revisado por:

Profa. Joice Santos do Nascimento

Bibliografia sugerida:

1. Anton, H., Rorres, C., Álgebra Linear com aplicações, Bookman.

2. Hoffman, K., Kunze, R., Álgebra Linear, Editora Polígono.

3. Kolman, B., Álgebra Linear, LTC

4. Lay, C.D., Álgebra Linear e suas aplicações, LTC.

5. Lima, E.L., Álgebra Linear, SBM.

6. Lipschutz, S., Lipson, M., Álgebra Linear, Coleção Schaum, Bookman.

Sumário

Introdução i

1 Matrizes 1
1.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Operações com Matrizes . . . . . . . . . . . . . . . . . . . . . 4
1.2.1 Adição . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2.2 Multiplicação por Escalar . . . . . . . . . . . . . . . . 6
1.2.3 Multiplicação . . . . . . . . . . . . . . . . . . . . . . . 7
1.2.4 Transposição . . . . . . . . . . . . . . . . . . . . . . . 9
1.3 Classificação de Matrizes Quadradas . . . . . . . . . . . . . . 10
1.4 Operações Elementares . . . . . . . . . . . . . . . . . . . . . . 11
1.4.1 Matriz Equivalente por Linha . . . . . . . . . . . . . . 12
1.4.2 Matriz na Forma Escalonada . . . . . . . . . . . . . . 12
1.4.3 Escalonamento por Linha de uma Matriz . . . . . . . 12
1.4.4 Posto de uma Matriz . . . . . . . . . . . . . . . . . . . 13
1.4.5 Aplicações de Operações Elementares . . . . . . . . . 13
1.5 Determinante . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.5.1 Permutações . . . . . . . . . . . . . . . . . . . . . . . 15
1.5.2 Definição . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.5.3 Desenvolvimento de Laplace . . . . . . . . . . . . . . . 16
1.5.4 Propriedades . . . . . . . . . . . . . . . . . . . . . . . 18
1.5.5 O cálculo do determinante através das operações ele-
mentares . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.6 Exercícios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
1.6.1 Respostas . . . . . . . . . . . . . . . . . . . . . . . . . 25

2 Sistemas Lineares 27
2.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.2 Classificação de Sistemas . . . . . . . . . . . . . . . . . . . . . 28
2.3 Resolução de Sistemas utilizando o Método de Eliminação
Gaussiana . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.4 Resolução de Sistemas utilizando Inversão de Matrizes . . . . 31
2.5 Exercícios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32

iii
 2.5.1 Respostas . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.6 Apêndice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
2.6.1 Resolvendo e Interpretando Geometricamente Siste-
mas Lineares no R2 . . . . . . . . . . . . . . . . . . . 34
2.6.2 Resolvendo e Interpretando Geometricamente Siste-
mas Lineares no R3 . . . . . . . . . . . . . . . . . . . 37

3 Espaços vetoriais 42
3.1 Primeiros conceitos . . . . . . . . . . . . . . . . . . . . . . . . 42
3.1.1 Subespaço Vetorial . . . . . . . . . . . . . . . . . . . . 43
3.1.2 Combinação Linear . . . . . . . . . . . . . . . . . . . . 44
3.1.3 Subespaço Vetorial Gerado e Conjunto Gerador . . . . 45
3.1.4 Vetores Linearmente Independentes e Linearmente De-
pendentes . . . . . . . . . . . . . . . . . . . . . . . . . 47
3.1.5 Base e Dimensão de um Espaço Vetorial . . . . . . . . 48
3.1.6 Operações com Subespaços Vetoriais . . . . . . . . . . 49
3.1.7 Coordenadas de um Vetor em relação a uma Base Or-
denada . . . . . . . . . . . . . . . . . . . . . . . . . . 51
3.1.8 Matriz de Transição de uma Base para uma outra Base 52
3.1.9 Exercícios . . . . . . . . . . . . . . . . . . . . . . . . . 53
3.1.10 Apêndice B – Teoremas . . . . . . . . . . . . . . . . . 59

4 Transformações lineares 63
4.1 Primeiros conceitos . . . . . . . . . . . . . . . . . . . . . . . . 63
4.1.1 Operadores Lineares no Espaço Vetorial R2 . . . . . . 64
4.1.2 Propriedades . . . . . . . . . . . . . . . . . . . . . . . 67
4.1.3 Obtendo a Lei de uma Transformação Linear . . . . . 68
4.1.4 Núcleo e Imagem de uma Transformação Linear . . . 68
4.1.5 Transformação Linear Injetora . . . . . . . . . . . . . 69
4.1.6 Transformação Linear Sobrejetora . . . . . . . . . . . 70
4.1.7 Transformação Linear Bijetora – Isomorfismo . . . . . 70
4.1.8 Obtendo a Lei da Transformação Linear Inversa . . . 71
4.1.9 Matriz Associada a uma Transformação Linear . . . . 71
4.1.10 Operações com Transformações Lineares . . . . . . . . 77
4.1.11 Propriedades de Transformações Invertíveis . . . . . . 79
4.1.12 Exercícios . . . . . . . . . . . . . . . . . . . . . . . . . 79
4.1.13 Respostas . . . . . . . . . . . . . . . . . . . . . . . . . 83
4.1.14 Apêndice C – Teoremas . . . . . . . . . . . . . . . . . 86

5 Produto interno positivo definido 88

5.1 Primeiros conceitos . . . . . . . . . . . . . . . . . . . . . . . . 88
5.2 Processo de ortogonalização de Gram-Schmidt . . . . . . . . 91
5.2.1 Processo para o R2 . . . . . . . . . . . . . . . . . . . . 91
5.2.2 Processo para o R3 . . . . . . . . . . . . . . . . . . . . 92

iv
 5.2.3 Generalização . . . . . . . . . . . . . . . . . . . . . . . 93
5.3 Complemento ortogonal . . . . . . . . . . . . . . . . . . . . . 93
5.4 Exercícios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
5.4.1 Gabarito . . . . . . . . . . . . . . . . . . . . . . . . . 96

6 Autovalores e autovetores 98
6.1 Primeiros conceitos . . . . . . . . . . . . . . . . . . . . . . . . 98
6.2 Multiplicidade de autovalores . . . . . . . . . . . . . . . . . . 104
6.3 Diagonalização de Operadores Lineares . . . . . . . . . . . . . 105
6.4 Lista de exercícios . . . . . . . . . . . . . . . . . . . . . . . . 107
6.5 Respostas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
6.6 Apêndice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109

7 Operadores lineares especiais 110

7.1 A adjunta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
7.2 Operadores auto-adjuntos . . . . . . . . . . . . . . . . . . . . 112
7.3 Operadores normais . . . . . . . . . . . . . . . . . . . . . . . 112
7.4 Operadores ortogonais . . . . . . . . . . . . . . . . . . . . . . 113
7.5 Lista de exercícios . . . . . . . . . . . . . . . . . . . . . . . . 113
7.6 Respostas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114
7.7 Apêndice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114

v
Capítulo 1

Matrizes

1.1 Introdução
Definição 1.1.1. Uma matriz é um conjunto de números reais (ou com-
plexos) dispostos em forma de tabela, isto é, distribuídos em m linhas e n
colunas, sendo m e n números naturais não nulos.
 
a11 a12 ··· a1n
 a
 21 a22 ··· a2n 

A=
 


.. .. .. 
. . .
 
 
am1 am2 ··· amn

Notação:

• A = (aij )m×n com i = 1, . . . , m e j = 1, . . . , n;

• aij é um elemento genérico da matriz A;

• i é o índice que representa a linha do elemento aij ;

• j é o índice que representa a coluna do elemento aij ;

• m × n é a ordem da matriz. Lê-se “m por n”.

Representamos uma matriz usando parênteses ( ), conchetes [ ] ou chaves

{ }.

Exemplo 1.1.2.

1. A representação de um tabuleiro de xadrez pode ser feita por meio de

uma matriz 8 × 8.
" #
2 3 4
2. A matriz A = (aij )2×3 onde aij = i2 + j é A = .
5 6 7

1
 3. A matriz abaixo fornece (em milhas) as distâncias aéreas entre as ci-
dades indicadas:

A B C D
A 0 638 1244 957
B 638 0 3572 2704
C 1244 3572 0 1036
D 957 2704 1036 0

Esta é uma matriz 4 × 4 (quatro por quatro).

4. A matriz abaixo representa a produção (em unidades) de uma confecção

de roupa feminina distribuída nas três lojas encarregadas da venda.

shorts blusas saias jeans

loja1 50 80 25 40
loja2 70 100 0 60
loja3 30 120 70 25

Esta é uma matriz 3 × 4(três por quatro) pois seus elementos estão
dispostos em 3 linhas e 4 colunas.

Igualdade

Duas matrizes de mesma ordem A = (aij )m×n e B = (bij )m×n são iguais
quando aij = bij , para todo i = 1, 2, . . . , m e para todo j = 1, 2, . . . , n.

Matrizes Especiais

Definição 1.1.3. Uma matriz A é denominada matriz linha quando pos-

suir uma única linha.

Notação: A = (aij )1×n

h i
Exemplo 1.1.4. −8 3 4

Definição 1.1.5. Uma matriz A é denominada matriz coluna quando

possuir uma só coluna.

Notação: A = (aij )m×1

2
 3
 

Exemplo 1.1.6.  9 
 
−1

Definição 1.1.7. Uma matriz A é denominada matriz nula quando todos

os seus elementos forem nulos, isto é, aij = 0 para todo i = 1, 2, . . . , m e
para todo j = 1, 2, . . . , n.

Notação: 0m×n
" #
0 0 0
Exemplo 1.1.8.
0 0 0
2×3

Definição 1.1.9. Uma matriz A é uma matriz quadrada quando possuir

o mesmo número de linhas e de colunas, isto é, n = m.

Notação:
 
a11 a12 ··· a1n

a21 a22 ··· a2n 
A=
 
.. .. .. 
. . .
 
 
an1 an2 · · · ann

Definição 1.1.10. Diagonal Principal é composta pelos elementos da

matriz quadrada A tais que i = j, para todo i, j = 1, 2, . . . , n.
Diagonal Secundária é composta pelos elementos da matriz quadrada A
onde i + j = n + 1, para todo i, j = 1, 2, . . . , n.

Definição 1.1.11. Dada uma matriz quadrada A de ordem n, o traço de

A é o somatório dos elementos da diagonal principal de A, denotado por
tr(A).
n
tr(A) = akk = a11 + a22 + . . . + ann
X

k=1

2 3 4
 

Exemplo 1.1.12. A =  5 7 0 
 
10 −1 9 3×3
Elementos da diagonal principal: 2, 7 e 9.
Elementos da diagonal secundária: 4, 7 e 10.
Traço: tr(A) = 2 + 7 + 9 = 18.

3
Definição 1.1.13. Uma matriz quadrada A é chamada de matriz diago-
nal quando todos os elementos que não pertencem à diagonal principal são
nulos, isto é, para todo i, j = 1, 2, . . . , n, i 6= j, aij = 0.

2 0 0
 

Exemplo 1.1.14. A =  0 1 0 
 
0 0 3 3×3

Definição 1.1.15. Uma matriz diagonal A é chamada de matriz identi-

dade quando os elementos da diagonal principal forem todos iguais a um,
isto é, aii = 1, para todo i = 1, 2, . . . , n.

Notação: In

1 0 0
 

Exemplo 1.1.16. I3 =  0 1 0 
 
0 0 1 3×3

Definição 1.1.17. Uma matriz quadrada A é uma matriz triangular su-

perior quando os elementos abaixo da diagonal principal são nulos, isto é,
para todo i, j = 1, 2, . . . , n, i > j, aij = 0.

1 2 3 4
 
 0 5 6 7 
Exemplo 1.1.18. A = 
 
0 0 −1 0

 
0 0 0 −2 3×3

Definição 1.1.19. Uma matriz quadrada A é chamada de matriz trian-

gular inferior quando os elementos acima da diagonal principal são nulos,
isto é, para todo i, j = 1, 2, . . . , n, i < j, aij = 0.

1 0 0
 

Exemplo 1.1.20. A =  4 8 0 
 
7 −1 3 3×3

1.2 Operações com Matrizes

1.2.1 Adição
Sejam A = (aij )m×n e B = (bij )m×n matrizes de mesma ordem, define-se
a matriz soma C = A + B tal que C = (cij )m×n e cij = aij + bij , para todo
i = 1, 2, . . . , m e para todo j = 1, 2, . . . , n.

Exemplo 1.2.1.

4
  5 
0 −7
" #
1 2 −1 2 
1. Sejam A = eB= .

5 3 4 1
−4 5
2
Então:
5 3
   
 1+0
2 − 7 −1 +   1 −5
2 = 2 
A+B = 1 7 
5−4 3+ 4+5 1 9
2 2
2. Um laboratório farmacêutico produz um certo medicamento. Os custos
relativos à compra e transporte de quantidades específicas da substân-
cia necessárias para a sua elaboração, adquiridas em dois fornecedores
distintos são dados (em reais) respectivamente, pelas seguintes matri-
zes.

3 15 6 8
   

12 8   9 9 
e
   

5 2 3 5

A matriz que representa os custos totais de compra e de transporte de

cada uma das substâncias A, B e C é dada por:

9 23
 

 21 17 
 
8 7

Propriedades da Operação de Adição

1. Associatividade: para quaisquer matrizes A, B e C de mesma or-
dem,
(A + B) + C = A + (B + C).
2. Comutatividade: Para quaisquer matrizes A e B de mesma ordem,
A + B = B + A.
3. Elemento neutro: a matriz nula 0m×n é o elemento neutro da ope-
ração de adição pois para toda matriz A de ordem m × n tem-se que
A + 0 = 0 + A = A.
4. Elemento simétrico: para toda matriz A de ordem m × n existe
uma matriz S de mesma ordem tal que A + S = S + A = 0m×n .
O elemento simétrico de uma matriz A é chamado de matriz oposta e
é denotada por −A, onde se A = (aij )m×n então −A = (−aij )m×n .
5. Aditividade do traço: para quaisquer matrizes quadradas de mesma
ordem A e B, tr(A + B) = tr(A) + tr(B).

5
1.2.2 Multiplicação por Escalar
Sejam a matriz A = (aij )m×n e λ um escalar real, define-se a matriz
produto por escalar B = λA tal que B = (bij )m×n e bij = λaij , para todo
i = 1, 2, . . . , m e para todo j = 1, 2, . . . , n.
Exemplo 1.2.2.
1 0
 

1. A =  3 −5  e λ = −3.
 
−1 7
(−3).1 (−3).0 0
   
−3
Então −3A =  (−3).3 (−3).(−5)  =  −9 15 
   
(−3).(−1) (−3).7 3 −21

2. O quadro abaixo mostra a produção de trigo, cevada, milho e arroz em

três regiões, em uma determinada época do ano.

trigo cevada milho arroz

I 1200 800 500 700
II 600 300 700 900
III 1000 1100 200 450

Com os incentivos oferecidos, estima-se que a safra no mesmo período

do próximo ano seja duplicada. A matriz que representa a estimativa
de produção para o próximo ano é dada por:

2400 1600 1000 1400

 

 1200 600 1400 1800 .

 
2000 2200 400 900

Propriedades da Operação de Multiplicação por Escalar

1. Para toda matriz A e para quaisquer escalares reais k1 e k2 tem-se
(k1 + k2 )A = k1 A + k2 A.
2. Para toda matriz A e para quaisquer escalares reais k1 e k2 tem-se
(k1 .k2 )A = k1 (k2 A).
3. Para quaisquer matrizes A e B e para todo escalar real k tem-se k(A +
B) = kA + kB.
4. Para toda matriz A de ordem m × n, 0A = 0m×n .
5. Para toda matriz A de ordem m × n, 1A = A.
6. Para toda matriz quadrada A e para todo escalar real k, tr(kA) =
k.tr(A).

6
1.2.3 Multiplicação
Sejam as matrizes A = (aij )m×n e B = (bij )n×p , define-se a matriz
k=1
produto C = A.B tal que C = (cij )m×p e cij = aik bkj , isto é,
X

cij = ai1 b1j + ai2 b2j + . . . + ain bnj ,

para todo i = 1, 2, . . . , m e para todo j = 1, 2, . . . , p.

Exemplo 1.2.3.
3 −1
 
h i
1. Sejam as matrizes A = −2 5 3 e B =  4 0 , vamos
 
−1 12
calcular, se possível, A.B. O produto pode ser calculado pois A tem 3
colunas e B tem 3 linhas.
h i
Assim A.B = (−2).3 + 5.4 + 3.(−1) (−2).(−1) + 5.0 + 3.12 =
h i
11 38

4 −1
 
" #
5 −2 1
2. Sejam as matrizes A = e B =  2 1 , vamos
 
−2 0 7
1 2
calcular, se possível, A.B. O produto pode ser calculado pois A tem 3
colunas e B tem 3 linhas.
" # " #
5.4 + (−2).2 + 1.1 5.(−1) + (−2).1 + 1.2 17 −5
Assim A.B = =
(−2).4 + 0.2 + 7.1 (−2).(−1) + 0.1 + 7.2 −1 16

3. A tabela abaixo nos fornece as quantidades de vitaminas A, B e C

obtidas em cada unidade dos alimentos I e II.
A B C
I 4 3 0
II 5 0 1

Ao serem ingeridas 5 unidades do alimento I e 2 unidades do alimento

II a quantidade consumida de cada tipo de vitamina é dada por:
" #
h i 4 3 0 h i
5 2 . = 5.4 + 2.5 5.3 + 2.0 5.0 + 2.1 =
5 0 1
h i
30 15 2

Serão consumidas 30 unidades de vitamina A, 15 unidades de vitamina

B e 2 unidades de vitamina C.

7
 Propriedades da Operação de Multiplicação

1. Associativa: para quaisquer matrizes A, B e C de ordens m × n,

n × p e p × q, respectivamente, tem-se que (A.B).C = A.(B.C).

2. Distributiva da Multiplicação em relação à Adição: para quais-

quer matrizes A e B de ordem m × n, para toda matriz C de ordem
n × p e para toda matriz D de ordem l × m, tem-se que (A + B).C =
A.C + B.C e D.(A + B) = D.A + D.B.

3. Elemento Neutro: a matriz identidade In é o elemento neutro da

operação de multiplicação pois para toda matriz quadrada A de ordem
n, tem-se que A.In = In .A = A.

4. Para quaisquer matrizes A e B de mesma ordem tem-se tr(A.B) =

tr(B.A).

5. Para quaisquer matrizes A e B de ordens m×n e n×p, respectivamente,

e para todo escalar real k tem-se que k.(A.B) = A.(k.B) = (k.A).B.

6. Para toda matriz quadrada de ordem n, A.0n = 0n .A = 0n .

Em geral, não vale a propriedade comutativa para a operação de mul-

tiplicação. Assim, A.B 6= B.A. Quando A.B = B.A, diz-se que A e B são
matrizes comutáveis, ou ainda que A e B são matrizes que comutam
entre si. Pelos itens 3 e 6, qualquer matriz quadrada comuta com a matriz
quadrada nula e com a matriz identidade de mesma ordem.

Exemplo 1.2.4.

1. Sejam as matrizes A = (aij )2×3 e B = (bij )3×2 . Observe que A.B é

uma matriz de ordem 2 × 2 e B.A é uma matriz de ordem 3 × 3, então
é claro que A.B 6= B.A.

2. Sejam as matrizes A = (aij )2×3 e B = (bij )3×1 . Observe que A.B é

uma matriz de ordem 2 × 1, porém a matriz B.A não é definida.
" # " #
1 2 −1 0
3. Sejam as matrizes A = eB= . Observe que:
3 4 1 2
" # " # " #
1 2 −1 0 1 4
A.B = . =
3 4 1 2 1 8
" # " # " #
−1 0 1 2 −1 −2
B.A = . =
1 2 3 4 7 10

Logo, as matrizes A e B não comutam entre si.

8
 Potência de uma Matriz Quadrada de Ordem n.
A0 = I n
A1 = A
A2 = A.A
..
.
Ak = Ak−1 .A
Toda matriz quadrada A comuta com qualquer potência de A.

Exemplo 1.2.5.
" # " # " #
1 3 1 3 1 3
1. Seja a matriz A = . Então A2 = . =
0 1 0 1 0 1
" #
1 6
0 1

2. Sejam
" o polinômio
# f (x) = x2 + 2x − 11 = x2 + 2x − 11x0 e a matriz
1 2
A= . Determinando o valor de f (A):
4 −3

f (A) = A2 + 2A1 − 11A0 = A2 + 2A − 11I2

" # " # " #
9 −4 1 2 1 0
f (A) = +2 − 11
−8 17 4 −3 0 1
" # " # " # " #
9 −4 2 4 −11 0 0 0
f (A) = + + =
−8 17 8 −6 0 −11 0 0

A matriz A é uma raiz do polinômio f (x) já que f (A) = 02×2

Matriz Idempotente
Uma matriz quadrada A é idempotente quando A2 = A.
2 −1 1
 

Exemplo 1.2.6. A matriz A =  −3 4 −3  é idempotente. (Verifi-

 
−5 5 −4
que).

1.2.4 Transposição
Seja a matriz A = (aij )m×n , define-se a matriz transposta B tal que
B = (bij )n×m e bij = aji , isto é, é a matriz obtida a partir da matriz A pela
troca de suas linhas pelas colunas correspondentes.
Notação: B = At .
Propriedades da Operação de Transposição

9
 1. Involução: para toda matriz A, (At )t = A.

2. Para quaisquer matrizes A e B de mesma ordem, (A + B)t = At + B t .

3. Para toda matriz A e para todo escalar real k, (kA)t = kAt .

4. Para toda matriz A de ordem m × n e para toda matriz B de ordem

n × p,
(A.B)t = B t .At .

5. Para toda matriz quadrada A, tr(At ) = tr(A).

1.3 Classificação de Matrizes Quadradas

Matriz Simétrica: Uma matriz quadrada A é denominada simétrica quando
At = A.
4 3 −1
 

Exemplo 1.3.1.  3 2 0 
 
−1 0 5

Observe que os elementos da matriz dispostos simetricamente em re-

lação à diagonal principal são iguais.

Matriz Anti-simétrica: Uma matriz quadrada A é denominada anti-simétrica

quando At = −A.

0 3 −1
 

Exemplo 1.3.2.  −3 0 7 
 
−1 −7 0

Todos os elementos da diagonal principal são iguais a zero e os ele-

mentos simetricamente dispostos em relação à diagonal principal têm
sinais contrários.

Matriz Invertível ou Não-singular: Uma matriz quadrada A de ordem

n é dita invertível se existir uma matriz quadrada B de mesma ordem
tal que A.B = B.A = In .
A matriz B é dita matriz inversa da matriz A.
Notação: B = A−1 e A.A−1 = A−1 .A = In .

Exemplo 1.3.3.
" # " #
2 5 3 −5
1. A matriz é invertível e sua inversa é pois:
1 3 −1 2

10
 " # " # " # " # " #
2 5 3 −5 3 −5 2 5 1 0
. = . =
1 3 −1 2 −1 2 1 3 0 1
" #
2 −1
2. Obtendo a matriz inversa da matriz A = .
1 0
" #
x z
Considere B = .
y t
" # " # " # " #
2 −1 x z 2x − y 2z − t 1 0
Se A.B = In então . = . .
1 0 y t x z 0 1
2x − y = 1



 x=0

Assim, .

 2z − t = 0
z=1


" #
0 1
Desta forma, B = .
−1 2
Verifica-se que B.A = In , então a matriz inversa de A é B.

Matriz Ortogonal: Uma matriz quadrada A de ordem n invertível é de-

nominada ortogonal quando At = A−1 .
" #
cos θ −sen θ
Exemplo 1.3.4.
sen θ cos θ

Matriz Normal: Uma matriz quadrada A de ordem n é dita normal quando

comuta com sua matriz transposta, isto é, A.At = At .A.
" #
6 −3
Exemplo 1.3.5.
3 6

1.4 Operações Elementares

São operações realizadas nas linhas de uma matriz.
OE1. A troca da linha i pela linha j. (Li ↔ Lj )
OE2. A multiplicação da linha i por um escalar não nulo. (Li ← kLi )
OE3. A substituição da linha i por ela mesma mais k vezes a linha j, sendo
k não nulo. (Li ← Li + kLj )
Exemplo 1.4.1.
0 0 1 5 1 5 1 5
       
1 
 2 4  L1 ↔ L3  2 4  L2 ← L2  1 2  L2 ← L2 +(−1)L1  0 −3 
      
2
1 5 0 0 0 0 0 0

11
1.4.1 Matriz Equivalente por Linha
Sejam A e B matrizes de mesma ordem. A matriz B é denominada
equivalente por linha a matriz A, quando for possível transformar a matriz
A na matriz B através de um número finito de operações elementares sobre
as linhas da matriz A.
1 5 0 0
   

Exemplo 1.4.2. A matriz  0 −3  é equivalente a matriz  2 4  pois

   
0 0 1 5
usando somente operações elementares nas linhas da segunda matriz foi pos-
sível transformá-la na primeira.

1.4.2 Matriz na Forma Escalonada

Uma matriz está na forma escalonada quando o número de zeros, que
precede o primeiro elemento não nulo de uma linha, aumenta linha a linha.
As linhas nulas, se existirem, aparecem abaixo das não nulas.

Exemplo 1.4.3.

7 1 0 3 2 0 0 5 1 −2 0 5
     
1 0 0
 
" #
 0 1 0 5   0 0 3 1  1 2 3  0 1 4 0 
, , , , 0 1 0 
       
0 0 2 6 0 0 0 5 0 0 0 0 0 0 0

0 0 1
     
0 0 0 −1 0 0 0 0 0 0 0 0

1.4.3 Escalonamento por Linha de uma Matriz

Dada uma matriz qualquer, é possível obter uma matriz equivalente por
linhas a esta matriz na forma escalonada:

Exemplo 1.4.4.

1 2 3 1 2 3
   

1.  4 5 6  L2 ← L2 + (−4)L1  0 −3 −6  L3 ← L3 + (−7)L1
   
7 8 9 7 8 9
1 2 3 1 2 3
   

0 −3 −6 L ← L + (−2)L 0 −3 −6
   
  2 3 2 
0 −6 −12 0 0 0

0 0 2 0 1 2
   
 0 3 0   0 3 0 
2.   L1 ↔ L3   L2 ← L2 + (−3)L1
   
 0 1 2   0 0 2 
0 −1 3 0 −1 3

12
  L ←L +L
0 1 2 0 1 2
  
4 4 1
1
 0 0 −6  L2 ← (− )L2
  0 0 −6 
2  L ← L 6+ (−2)L
  
0 0 0 0 0 
   
 
3 3 2
0 −1 3 L4 ← L4 + (−5)L2 0 0 0

A escolha de operações em um escalonamento não é única. O importante

é observar que o objetivo é aumentar o número de zeros, que precede o
primeiro elemento não nulo de cada linha, linha a linha.

1.4.4 Posto de uma Matriz

O posto de uma matriz A pode ser obtido escalonando-se a matriz A.
O número de linhas não nulas após o escalonamento é o posto da matriz A.
Notação: PA .

Exemplo 1.4.5. Nos dois exemplos anteriores o posto das matrizes é igual
a dois.

1.4.5 Aplicações de Operações Elementares

Temos três aplicações de operações elementares: cálculo da inversa de
uma matriz, cálculo do determinante de uma matriz e resolução e classificção
de sistemas lineares. A seguir veremos a primeira aplicação. As demais
veremos no contexto de cada tópico.

Teorema 1.4.6. Uma matriz quadrada A de ordem n é invertível se e so-

mente se a matriz A é equivalente por linha a matriz In .

Desta forma, a sequência de operações elementares que reduz a matriz

A na matriz In , também transforma a matriz In na matriz A−1 a inversa da
matriz A. Para explicar melhor a aplicação do teorema acima vamos esta-
belecer alguns passos para o cálculo da Inversa de uma Matriz Quadrada A
de ordem n.

Passo 1: Construir a matriz (A|In ) de ordem n × 2n.

Passo 2: Utilizar operações elementares nas linhas da matriz (A|In ) de

forma a transformar o bloco A na matriz identidade In .
Caso seja possível, o bloco In terá sido transformado na matriz A−1 .
Se não for possível transformar A em In é porque a matriz A não é
invertível.

Exemplo 1.4.7.

13
 1 2 2
 

1. Vamos calcular a inversa da matriz  3 1 0 .

 
1 1 1
1 2 2 1 0 0 1 2 2 1 0 0
   

 3 1 0 0 1 0  L2 ← L2 −3L1  0 −5 −6 −3 1 0  L3 ←
   
1 1 1 0 0 1 1 1 1 0 0 1
L3 − L1
1 2 2 1 0 0 1 2 2 1 0 0
   

 0 −5 −6 −3 1 0  L3 ↔ L2  0 −1 −1 −1 0 1  L2 ←
   
0 −1 −1 −1 0 1 0 −5 −6 −3 1 0
(−1)L2
1 2 2 1 0 0 1 2 2 1 0 0
   

 0 1 1 1 0 −1  L3 ← L3 + 5L2  0 1 1 1 0 −1  L1 ← L1 − 2L2
   
0 −5 −6 −3 1 0 0 0 −1 2 1 −5
1 0 0 −1 0 2 1 0 0 −1 0 2
   

 0 1 1 1 0 −1  L3 ← (−1)L3  0 1 1 1 0 −1  L2 ←
   
0 0 −1 2 1 −5 0 0 1 −2 −1 5
L2 − L3
1 0 0 −1 0 2
 

 0 1 0 3 1 −6 
 
0 0 1 −2 −1 5
0 2
 
−1
Então: A−1 = 3 1 −6 .
 
−2 −1 5
" #
1 2
2. Considere a matriz A = .
0 3
A redução da matriz A à matriz identidade é:

1
" # " # " #
1 2 1 2 1 0
L3 ← L2 L1 ← L1 − 2L2
0 3 3 0 1 0 1

Aplicando em In a mesma sequência de operações:

 2 
1 2 1 −
 
1
" #
1 0 3 
L3 ← L2  1  L1 ← L1 − 2L2 

0 1 3 0 1 
3 0
3
 2 
1 −
3 
Assim, a matriz  1  é a matriz inversa da matriz A.

0
3

14
1.5 Determinante
1.5.1 Permutações
Seja um conjunto finito Λ qualquer, uma permutação em Λ é qualquer
função bijetora f : Λ → Λ. Sendo n a cardinalidade do conjunto, existem n!
permutações possíveis.

Exemplo 1.5.1.

1. Seja Λ = {a, b} e as bijeções f1 : Λ → Λ tal que f1 (a) = a e f1 (b) = b

e f2 : Λ → Λ tal que f2 (a) = b e f2 (b) = a.
! !
a b a b
A notação usual é f1 : e f2 : .
a b b a
Nesta notação matricial, a primeira linha indica os elementos originais
e a segunda sua imagens.

2. Seja Λ = {1, 2, 3}.

! ! !
1 2 3 1 2 3 1 2 3
, e são três das seis permuta-
1 2 3 1 3 2 3 1 2
ções possíveis em Λ.
!
a b c d
3. Seja Λ = {a, b, c, d}. é uma das 24 permutações pos-
b c d a
síveis.

Se Λ for um conjunto munido de uma relação de ordem, as permutações

podem ser classificadas como permutações pares e permutações ímpares.
Uma permutação é par quando o número de elementos fora de ordem da
segunda linha for par e a permutação é ímpar quando este número for
ímpar. Além disto, às permutações pares é associado o sinal positivo e às
ímpares o sinal negativo.

Exemplo 1.5.2.

1. Seja Λ = {1, 2, 3} com a ordem numérica usual, isto é, 1 < 2 < 3.

! ! !
1 2 3 1 2 3 1 2 3
As permutações e são ímpares e
2 1 3 1 3 2 3 1 2
é par.

2. Seja Λ = {a, b, c, d} com a ordem lexicográfica (alfabética) usual.

!
a b c d
é uma permutação ímpar.
b c d a

15
1.5.2 Definição
Dada uma matriz quadrada A de ordem n é possível fazer corresponder
um certo número denominado determinante da matriz A.
Notação: det(A), |A| ou det(aij )n×n
Considere, por exemplo, uma matriz quadrada genérica de ordem 3 e as
permutações possíveis no! conjunto de índices {1, 2, 3}. A partir da permu-
1 2 3
tação ímpar associa-se o produto −a11 a23 a32 onde os índices
1 3 2
linha correspondem à primeira linha da representação da permutação, os ín-
dices coluna são obtidos da segunda linha e o sinal negativo é correspondente
da classificação da permutação.
O determinante de uma matriz de ordem 3 é obtido a partir de todas
as seis permutações possíveis no conjunto de índices {1, 2, 3} classificadas e
sinalizadas. Assim, o determinante é dado por:
 
a11 a12 a13
det  a21 a22 a23  = a11 a22 a33 −a11 a23 a32 −a12 a21 a33 +a12 a23 a31 +a13 a21 a32 −a13 a22 a31
 
a31 a32 a33

Genericamente, para uma matriz de ordem n, o determinante é o nú-

mero obtido do somatório dos produtos sinalizados de elementos aij da
matriz, combinados de acordo com as permutações do conjunto de índices
{1, 2, . . . , n}.

Exemplo 1.5.3.

1. det(6) = 6
!
−1 0
2. det = (−1).7 − 0.2 = −7
2 7

2 5 −2
 

0  = 2.0.0 − 2.4. 1 − 5.(−1).0 + 5.4.0 + (−2).(−1) 1 −

4 
 −1
3. det 
 1  2 2
0 0
2
(−2).0.0 = −3

1.5.3 Desenvolvimento de Laplace

Seja uma matriz quadrada de ordem n:
 
a11 a12 . . . a1n

 a21 a22 . . . a2n 

 .. .. .. 

 . . .


an1 an2 . . . ann

16
Considere um elemento aij qualquer com i, j = 1, 2, . . . , n e a submatriz Aij
de ordem n − 1 obtida a partir da matriz A retirando-se a i-ésima linha e a
j-ésima coluna. O determinante da submatriz Aij sinalizado por (−1)i+j é
denominado o cofator do elemento aij .

2 5 −2
 
 −1
Exemplo 1.5.4. Seja a matriz  0 4 
.
1


0 0
2
5 2
 

O cofator do elemento a23 = 4 é (−1)2+3 .det  1  = (−1).1 = −1.

0
2 !
5 −2
O cofator do elemento a31 = 0 é (−1)3+1 .det = 1.20 = 20.
0 4

Considere uma certa linha i fixada. O determinante da matriz A fica definido

por:
n
det(A) = aij (−1)i+j det(Aij )
X

j=1

A expressão é uma fórmula de recorrência (faz uso de determinantes de ma-

trizes de ordem menores) conhecida como desenvolvimento de Laplace.
Este desenvolvimento pode ser feito fixando-se uma certa coluna j e a ex-
pressão passa a ser:
n
det(A) = aij (−1)i+j det(Aij )
X

i=1

Exemplo 1.5.5.
" #
−1 0
1. Considere a matriz A = fixada a linha 2.
2 7
det(A) = a21 (−1)2+1 det(A21 ) + a22 (−1)2+2 det(A22 )
det(A) = 2.(−1)3 .|0| + 7.(−1)4 .| − 1| = 2.(−1).0 + 7.1.(−1)
det(A) = −7

2 5
 
−2
 −1
2. Considere a matriz A =  0 4 
 fixada a linha 1 para a matriz
 1 
0 0
2
A e para as submatrizes.
det(A) = a11 (−1)1+1 det(A11 )+a12 (−1)1+2 det(A12 )+a13 (−1)1+3 det(A13 )
0 4 −1 4 −1 0
det(A) = 2.1. 1 + 5.(−1). + (−2).1. 1
0 0 0 0
2 2

17
 1
det(A) = 2[0.(−1)1+1 .|0| + 4.(−1)1+2 .| |]
2
−5[(−1).(−1) .|0| + 4.(−1) .|0|]
1+1 1+2

1
−2[(−1)(−1)1+1 | | + 0.(−1)1+2 .|0|
2
1
det(A) = 2[−2] − 5[0] − 2[− ]
2
det(A) = −3

1.5.4 Propriedades
Considere A e B matrizes quadradas de ordem n e k um escalar não
nulo.

1. Se A é uma matriz triangular superior (inferior) então det(A) = a11 .a22 . . . . .ann .

2. det(A) = 0, quando A possuir uma linha (ou coluna) nula.

3. det(A) = 0, quando A possuir duas linhas (ou colunas) iguais.

4. det(kA) = k n det(A)

5. det(A.B) = det(A).det(B)

6. det(A) = det(At )

7. Considere a matriz A e B a matriz obtida a partir de A por aplicação

de operações elementares:

(a) Li ↔ Lj . Então det(B) = −det(A).

(b) Li ← kLi . Então det(B) = kdet(B).
(c) Li ← Li + kLj . Então det(B) = det(A).

8. A é uma matriz invertível se e somente se det(A) 6= 0.

1
9. Se A é uma matriz invertível então det(A−1 ) = .
det(A)
10. Se A e B são matrizes semelhantes então det(A) = det(B).

11. Se A é uma matriz ortogonal então det(A) = ±1.

Usando as propriedades anteriores podemos calcular o determinate a

partir das operações elementares:

18
1.5.5 O cálculo do determinante através das operações ele-
mentares
O cálculo do determinante de uma matriz quadrada, utilizando-se ope-
rações elementares nas linhas da matriz, consiste em encontrar uma matriz
triangular equivalente por linha à matriz dada, respeitando-se as proprieda-
des de determinantes acima.

Exemplo 1.5.6.

0 1 5 0 1 5 1 −2 3
     

1. det  3 −6 9  = 3 det  1 −2 3  = (−3)det  0 1 5 =

     
2 6 1 2 6 1 2 6 1
1 −2 3 1 −2 3
   

= (−3)det  0 1 5  = (−3)det  0 1 5  = (−3).1.1.(−55) =

   
0 10 −5 0 0 −55
165
Operações elementares usadas, respectivamente:

1
L2 ← L2 , L1 ↔ L2 , L3 ← L3 − 2L1 , L3 ← L3 − 10L2
3
2 3 −4 1 1 1 −2 −5 1 1 −2 −5
     
 2 0 0 −3   2 0 0 −3   0 −2 4 7 
2. det   = (−1)det   = (−1)det 
     
1 1 −2 −5  2 3 −4 1  0 1 0 11 

  
0 1 2 3 0 1 2 3 0 1 2 3
1 1 −2 −5 1 1 −2 −5 1 1 −2 −5
     
 0 1 0 11   0 1 0 11  1  0 1 0 11 
= det   = det   = det 
     
0 −2 4 7  0 0 4 29 2 0 0 4 29

    
0 1 2 3 0 0 2 −8 0 0 0 −45
1
= .1.1.4.(−45) = −90
2
Uma aplicação do desenvolvimento de Laplace pode ser vista no teorema
a seguir:

Teorema 1.5.7. Seja A uma matriz quadrada de ordem n. Se A é invertí-

vel, sua inversa pode ser calculada da seguinte maneira:
1
A−1 = .A∗
detA
onde A∗ , chamada de matriz adjunta de A, é a transposta da matriz de
cofatores de A.

19
 " #
a11 a12
Exemplo 1.5.8. 1. Seja A = , encontremos sua inversa.
a21 a22
Já vimos por propriedade que se A é invertível então detA 6= 0. Logo,
detA = a11 a22 − a12 a21 6= 0. E ainda, podemos calcular que:

cof (a11 ) = (−1)1+1 .det(A11 ) = (−1)2 .det(a22 ) = 1.a22 = a22




 cof (a ) = (−1)1+2 .det(A ) = (−1)3 .det(a ) = (−1).a = −a

12 12 21 21 21

 cof (a 21 ) = (−1) 2+1
.det(A 21 ) = (−1)3
.det(a12 ) = (−1).a12 = −a12
cof (a22 ) = (−1) 2+2
.det(A22 ) = (−1) .det(a11 ) = 1.a11 = a11
4



Assim a matriz cofatora de A, cof (A), e a matriz adjunta de A, A∗ ,

são dadas respectivamente por:
" # " #
a22 −a21 ∗ a22 −a12
cof (A) = eA =
−a12 a11 −a21 a11

Logo, a inversa de A pode ser encontrada através da fórmula:

1
" #
−1 a22 −a12
A = . .
detA −a21 a11

1 1 2
 

2. Seja a matriz A =  2 −1 1 . Vamos calcular os cofatores dos

 
3 1 0
elementos da primeira linha para determinar o detA. Se o detA 6= 0
então calcularemos a matriz inversa de A.
!
−1 1
cof (a11 ) = (−1)1+1
.det(A11 ) = (−1) .det 2
= 1.(−1) = −1
1 0
!
2 1
cof (a12 ) = (−1)1+2
.det(A12 ) = (−1) .det 3
= (−1).(−3) = 3
3 0
!
2 −1
cof (a13 ) = (−1)1+3 .det(A13 ) = (−1)4 .det = 1.5 = 5
3 1

Então detA = a11 .cof (a11 ) + a12 .cof (a12 ) + a13 .cof (a13 ) = 1.(−1) +
1.3 + 2.5 = 12 6= 0, logo, existe A−1 .
Vamos calcular os demais cofatores:
!
1 2
cof (a21 ) = (−1)2+1 .det(A21 ) = (−1)3 .det = (−1).(−2) = 2
1 0
!
1 2
cof (a22 ) = (−1)2+2 .det(A22 ) = (−1)4 .det = 1.(−6) = −6
3 0

20
 !
1 1
cof (a23 ) = (−1) 2+3
.det(A23 ) = (−1) .det 5
= (−1).(−2) = 2
3 1
!
1 2
cof (a31 ) = (−1) 3+1
.det(A31 ) = (−1) .det 4
= 1.(3) = 3
−1 1
!
1 2
cof (a32 ) = (−1) 3+2
.det(A32 ) = (−1) .det 5
= (−1).(−3) = 3
2 1
!
1 1
cof (a33 ) = (−1)3+3 .det(A33 ) = (−1)6 .det = 1.(−3) = −3
2 −1

Assim a matriz cofatora de A, cof (A) e a matriz adjunta de A, A∗

são dadas respectivamente por:

−1 3 5 −1 2 3
   
∗
cof (A) =  2 −6 2  e A =  3 −6 3 
   
3 3 −3 5 2 −3

Logo, a inversa de A é:
 1 1 1 
−
−1 2 3 12 6 4
 
 
−1 1   1 1 1 
A = .  3 −6 3  =  − .
  
12 4 2 4
5 2 −3
 
 5 1 1 
−
12 6 4

1.6 Exercícios
" # " #
a−b b+c 8 1
1. Resolva a equação matricial = indi-
3d + c 2a − 4d 7 6
cando os valores para a, b, c, d ∈ R.

2 −1 3 8 −3 −5
   

2. Considere as matrizes A =  0 4 5 , B =  0 1 2 ,
   
−2 1 4 4 −7 6
0 −2 3
 

C= 1 7 4  e k = 4. Verifique se:

 
3 9 9

(a) (A.B).C = A.(B.C)

(b) k(B − C) = k.B − k.C
(c) tr(A + B) = tr(A) + tr(B)
(d) tr(A.C) = tr(A).tr(C)

21
 " #
1 2
3. Seja A = . Indique uma matriz quadrada B de ordem 2 não
3 6
nula tal que A.B = 02×2 .
" #
2 1
4. Seja A = . Resolva a equação matricial A.X = I2 , onde
1 1
X = (xij )2×2 .

5. Mostre que, em geral, A2 − B 2 6= (A + B).(A − B) , sendo A e B

matrizes quadradas de mesma ordem.
" #
1 2
6. Seja A = . Encontre An .
0 1
" #
3 0
7. Verifique que a matriz A = é uma raiz do polinômio f (x) =
8 −1
x2 − 2x − 3.
" #
2 0
8. Considere A = .
4 1

(a) Indique a matriz A2 − 2A + I2 ;

(b) A matriz A é invertível? Em caso afirmativo, indique A−3 =
(A−1 )3 .

9. Mostre que as únicas matrizes

" quadradas
# de ordem 2 que comutam
" #
0 1 1 0
tanto com a matriz A = quanto com a matriz B =
0 0 0 0
são múltiplas de I2 .

10. Determine
" todas
# as matrizes de ordem 2 que comutam com a matriz
1 2
A= .
−2 1
" # " #
1 2 5 0
11. Sejam A = e B = . Verifique a igualdade
3 −4 −6 7
(A.B)t = B t .At .

12. Mostre que se a matriz quadrada A for invertível e A.B = A.C então
B = C. (Lei do Corte)

2 −1 3 1
   

13. Sejam A =  1 0 2  e B =  2 . É possível calcular X na

   
0 0 1 3
equação A.X = B?

22
14. Sejam A, B, C e X matrizes quadradas de mesma ordem e invertíveis.
Resolva as equações, considerando a variável X.

(a) ABX = C
(b) CAX t = C
(c) AX 2 C = AXBC
(d) AB −1 X = CA
(e) A2 X t = ABA

15. Seja A um matriz quadrada de ordem n tal que a matriz (At A) é

invertível. A matriz (A(At A)−1 At ) é simétrica? E idempotente?
" #
cos θ −sen θ
16. Mostre que a matriz A = é uma matriz ortogonal.
sen θ cos θ

1 0 0
 
1 1 
 0
17. Determine a, b, c ∈ R de modo que a matriz A =  √ √ 

2 2 
a b c
seja ortogonal.

18. Mostre que a soma de duas matrizes simétricas é também uma matriz
simétrica.

19. Mostre que o mesmo vale para matrizes anti-simétricas.

20. Se A e B são matrizes simétricas que comutam entre si então a matriz

B.A2 também é simétrica? Justifique.

21. Toda matriz ortogonal é também uma matriz normal? Justifique.

22. O produto de duas matrizes ortogonais é uma matriz ortogonal? Jus-

tifique.

23. Em uma pesquisa onde foram consideradas 3 marcas de refrigerante,

Gelato, Delícia e Suave, o elemento aij da matriz abaixo indica a possi-
bilidade de uma pessoa que consuma o refrigerante i passar a consumir
o refrigerante j. O elemento da diagonal principal representa a pos-
sibilidade de uma pessoa que consuma um determinado refrigerante
permaneça consumindo o mesmo refrigerante.

(a) Qual a possibilidade de uma pessoa que consuma o refrigerante

Gelato passar a consumir o refrigerante Suave? E a de quem
consuma Suave passar a consumir Gelato?

23
 Gelato Delícia Suave
Gelato 0.8 0.1 0.1
Delícia 0.4 0.5 0.1
Suave 0.6 0.2 0.2

(b) Escreva a matriz que indica a possibilidade de se mudar de marca

após duas pesquisas.

1 2 −4
 

24. Verifique se a matriz  −1 −1 5  é invertível. Em caso afirma-

 
2 7 −3
tivo, indique a matriz inversa.
1 2 −1
 

25. Para que valores de a ∈ R a matriz  0 1 1  admite inversa?

 
1 1 a

1 3 0
 

26. Dada a matriz A =  2 5 −1 . Indique a matriz (A|I3 ) e deter-

 
0 1 2
−1
mine A .
1 3 −3
 

27. Dada a matriz A−1 =  0 −1 2 . Indique a matriz A.

 
1 −2 1

1 1 1
 

28. Determinar o valor de a ∈ R a fim de que a matriz  2 1 2  seja

 
1 2 a
invertível.
1 −2 4 3 0 1
   

29. Calcule o determinante das matrizes  2 −3 5  e  2 4 6 .

   
3 −4 6 −4 1 2
30. Sabendo que A é uma matriz quadrada de ordem n e que det(A) = 5,
determine:
(a) det(3A)
(b) det(At )
(c) det(−A)
(d) det(A2 )
!
a−1 5
31. Encontre todos os valores de a ∈ R para os quais det =
0 a+3
0.

24
1.6.1 Respostas
1. a = 5, b = −3, c = 4 e d = 1

2. Faça as contas.
(" # )
−2z −2t
3. B = , t, z ∈ R∗ .
z t
" #
1 −1
4. X =
−1 2

5. Escolha matrizes de mesma ordem e faça o teste.

" #
1 2n
6. A =n
0 1

7. Basta substituir a matriz A no polinômio.

1
 
0
" #
1 0  8
8. a) b)  7

4 0

− 1
2
9. Demonstração.
(" # )
x y
10. , x, y ∈ R .
−y x

11. Verificação

12. Demonstração
 
−4
13. Sim, X =  0 
 
3

14. a) X = B −1 A−1 C b) X = (A−1 )t c) X = B d) X = BA−1 CA e)

X = (A−1 BA)t

15. Sim. Sim.

16. Demonstração
√ √ √ √
2 2 2 2
17. b = ec=− ou b = − ec=
2 2 2 2
18. Demonstração

19. Demonstração

20. Demonstração

25
21. Demonstração

22. Demonstração

0, 74 0, 15 0, 11
 

23. a)0, 1 e 0, 6 b) 0, 58 0, 31 0, 11 

 
0, 68 0, 2 0, 12

3
 
−16 −11
 7 5 1 
24. A−1 = 
 − 
2 2 2 

5 3 1 


− −
2 2 2
25. a 6= −2

1 3 0 1 0 0 6 3
   
−11
−1
26.  2 5 −1 0 1 0  e A =  4 −2 −1 
   
0 1 2 0 0 1 −2 1 1
 1 1 1 
 2 2 2 
 1 2 1 
27. A =  −
 
 3 3 3


 1 5 1 
−
6 6 6
28. a 6= 1

29. 0 e 24, respectivamente.

30. a) 3n .5 b) 5 c)5, se n for par e −5, se n for ímpar d) 25

31. a = 1 ou a = −3.

26
Capítulo 2

Sistemas Lineares

2.1 Introdução
Definição 2.1.1. Dados os números reais a1 , a2 , . . . , an , b com n ≥ 1, a
equação
a1 x1 + a2 x2 + . . . + an xn = b
é denominada equação linear nas variáveis x1 , x2 , . . . , xn . Cada ai é o coe-
ficiente da variável xi , para i = 1, 2, . . . , n, e b é o termo livre ou indepen-
dente.

Um Sistema Linear sobre R com m equações e n incógnitas é um conjunto

de m ≥ 1 equações lineares com n ≥ 1 variáveis, e é representado por:
a11 x1 + a12 x2 + . . . + a1n xn = b1



 a21 x1 + a22 x2 + . . . + a2n xn = b2


.. ..


 . .
 a x + a x + ... + a x

= bn
m1 1 m2 2 mn n

com aij e bj números reais, para i = 1, 2, . . . , m e j = 1, 2, . . . , n. Sistemas

podem ser representados na forma matricial:
     
a11 a12 ... a1n x1 b1

a21 a22 ... a2n  
x2  
b2 
=
     
 .. .. .. . .. .. 

 . . .
 
  .
 
  .


am1 am2 . . . amn xn bm

onde C = (cij )m×n é matriz dos coeficientes, X = (xj )n×1 é a matriz de

variaveis e B = (bi )m×1 é a matriz dos termos independentes. Assim, um
sistema linear com m equações e n incógnitas fica representado pela equação
matricial C.X = B.
Outra matriz que pode ser associada a um sistema linear é a Matriz
Ampliada ou Completa do sistema.

27
  
a11 a12 ... a1n b1

 a21 a22 ... a2n b2 

 .. .. .. .. 

 . . . .


am1 am2 . . . amn bm

2.2 Classificação de Sistemas

Classifica-se um sistema linear de acordo com o tipo de solução. Uma
solução para um sistema de equações lineares é uma n-upla de números
reais (s1 , s2 , . . . , sn ) que satisfaz todas as equações, simultaneamente, isto é,
substituindo-se a variável xi pelo valor si , para i = 1, 2, . . . , n, em cada uma
das equações, todas as igualdades são verdadeiras. O conjunto solução S do
sistema é o conjunto de todas as soluções.
(
2x − y = 4
Exemplo 2.2.1. Dado o sistema , o par ordenado (2, 0) é
x+y =2
solução deste sistema, ou seja, (2, 0) ∈ S.
Pergunta-se: O conjunto solução S sempre existe? Se existe, pode não ser
unitário? De forma geral, temos que um dado sistema de equações lineares
sobre R pode ser classificado como:
Sistema Possível (ou Compatível ou Consistente)

• Determinado (SPD): há uma única solução

• Indeterminado (SPI): há infinitas soluções

Sistema Impossível (ou Incompatível ou Inconsistente) (SI): não há

solução.

2.3 Resolução de Sistemas utilizando o Método de

Eliminação Gaussiana
Dado um sistema de equações lineares, espera-se encontrar sua solução,
isto é resolvê-lo. O método de resolução utilizado será o Método de Elimi-
nação Gaussiana. A idéia do método é obter um sistema mais “simples”
equivalente ao sistema dado. Dois sistemas de equações lineares são deno-
minados sistemas equivalentes quando possuem a mesma solução.
( (
2x + y = 2 2x + y = 2
Exemplo 2.3.1. Os sistemas e são equiva-
x−y =4 2x − 2y = 8
lentes pois ambos possuem o mesmo conjunto solução S = {(2, −2)}.

O Método
Dado um sistema linear com m equações e n variáveis:

28
 1. Obter a matriz ampliada.

2. Escalonar a matriz ampliada utilizando operações elementares.

3. Fazer a análise, de acordo com o teorema abaixo:

Teorema 2.3.2. Um sistema linear de m equações e n variáveis ad-

mite solução se e somente se o posto da matriz ampliada (PA ) for igual
ao posto da matriz de coeficientes (PC ).

Assim:

(a) Se PA = PC = n, o sistema é Possível Determinado (SPD).

(b) Se PA = PC < n, o sistema é Possível Indeterminado (SPI).
(c) Se PC 6= PA , o sistema é Impossível (SI).

4. Reescrever o sistema, associado a matriz escalonada, equivalente ao

sistema dado, e:

(a) Se o sistema for SPD, encontrar o valor de uma variável e, por

substituição, determinar as demais variáveis.
Indicar o conjunto solução S, que neste caso, conterá apenas uma
n-upla.
(b) Se o sistema for SPI, escolher n − PA variáveis livres ou inde-
pendentes. O número n − PA também é denominado o grau
de liberdade ou grau de indeterminação do sistema. As
variáveis que dependem das variáveis livres são denominadas va-
riáveis amarradas ou ligadas.
Indicar o conjunto solução S, apresentando todas as ordenadas
da n-upla em função das variáveis livres.
(c) Se o sistema for SI, indicar S = ∅.

 x+y+z =1

Exemplo 2.3.3. Seja o sistema 2x − y + 3z = 0 com 3 equações e 3
 −x + y − 5z = 2


incógnitas.
1 1 1 1
 

A matriz ampliada é  2 −1 3 0 .
 
−1 1 −5 2
1 1 1 1
 

 0 1 − 1 2 

Após o escalonamento temos a matriz  3 3
.
1
 
0 0 1 −
 
2

29
 1 1 1
 
1
 0 1 − 3 .
 
E a matriz de coeficientes é:  

0 0 1
Análise: PA = PC = n = 3. Logo, o sistema é possível determinado
(SPD).
x+y+z =1

1 2



y− z=

O sistema equivalente é 3 3
 z = −1



2
1
Após as substituições, y = e x = 1. A solução do sistema é S =
2
1 1
{(1, , − )}.
2 2

Definição 2.3.4. Um Sistema Homogêneo é um sistema de equações

lineares onde todos os termos independentes são iguais a zero.
A matriz de termos independentes B é a matriz nula, assim um sistema
homogêneo é sempre possível, já que admite a solução trivial, isto é, S =
{(0, 0, . . . , 0)}. No entanto, um sistema possível pode ainda ser classificado
como determinado ou indeterminado. Se o sistema é possível e determinado,
a única solução é a trivial. Se o sistema é possível e indeterminado, outras
soluções, além da trivial, existem.

 x+y−z =0

Exemplo 2.3.5. 1. Seja o sistema 2x − y + z = 0 .
 x + 2y − z = 0


1 1 −1 0 1 1 −1 0
   

Matriz ampliada  2 −1 1 0 , matriz escalonada  2 −1 1 0 

   
1 2 −1 0 1 2 −1 0
1 1
 
−1
e matriz de coeficientes  2 −1 1 .
 
1 2 −1
Análise, PA = PC = n = 3: Sistema Possível Determinado (SPD).

 x+y−z =0

Sistema equivalente y=0
 3z = 0


Este sistema só admite solução trivial. Assim, S{(0, 0, 0)}.

x+y+z =0



 2x − y − 2z = 0

2. Seja o sistema .

 x − 2y − 3z = 0
6x − 3y − 6z = 0



30
 1 1 1 0
 
1 1 1 0
 
4
2 −1 −2 0  0 1 0 
   
Matriz ampliada  , matriz escalonada 3
 
1 −2 −3 0
  
 0 0 0 0 
   
6 −3 −6 0 0 0 0 0
1 1 1
 

 0 1
 4 

e matriz de coeficientes  3 .
 0 0 0
 

0 0 0

Análise, PC = PA = 2 < n = 3: Sistema Possível Indeterminado

(SPI).
4 1
 x+y+z =0 x = −y − z

x= z−z = z
Sistema equivalente 4 ∴ 4 ∴ 3 3
 y+ z=0 y=− z 4
3 3 y=− z
3
A variável z está livre e as variáveis x e y estão amarradas.
1 4
A solução do sistema é S = {( z, − z, z), z ∈ R}.
3 3

2.4 Resolução de Sistemas utilizando Inversão de

Matrizes
O sistema de equações lineares com n equações e n incógnitas pode
ser representado pela equação matricial C.X = B, sendo C uma matriz
quadrada de ordem n. Se a matriz C for invertível, isto é, existir a matriz
inversa C −1 , significa que o sistema é possível e determinado.

CX = B
C −1 (C.X) = C −1 B
(C −1 C)X = C −1 B
In X = C −1 B
X = C −1 B

 x+y+z =1

Exemplo 2.4.1. Seja o sistema 2x − y + 3z = 0 .
 −x + y − 5z = 2


1 1 1 1
     
x
A equação matricial CX = B é  2 −1 3  .  y  =  0 .
     
−1 1 −5 z 2

31
  1 3 2 
 5 5 5 
 7 2 1 
A matriz inversa da matriz C é  − − .
 
 10 5 10 
 1 1 3 
− −
10 5 10
 1 3 2 
1
 
5 5 5  1
   
x   1
7 2 1    
  
Assim,  y  =  . 0  = 

−−  2
   .
z
 10 510 
2  1

1 1 3 

−

10
−−
510 2
1 1
A solução do sistema é S = {(1, , − )}.
2 2

2.5 Exercícios

 x − 2y + 4z = 2

1. Resolva o sistema 2x − 3y + 5z = 3 .
 3x − 4y + 6z = 7



 x − 2y − 3z = 2

2. Indique a solução do sistema 4x − y − 4z = 1 , o posto da matriz
 2x + 3y − 2z = 5


ampliada e o posto da matriz de coeficientes.

3. Um fabricante de objetos de cerâmica produz jarras e pratos decora-

tivos. Cada jarra exige 16 minutos de modelagem, 8 minutos de po-
limento e 30 minutos de pintura. Cada prato decorativo necessita de
12 minutos de modelagem, 6 de polimento e 15 de pintura. Sabendo-
se que são reservadas por semana 8 horas para modelagem, 4 horas
para polimento e 13 horas para pintura, encontre a quantidade de cada
tipo de objeto que deverá ser fabricada por semana, considerando-se
a melhor utilização do tempo disponível para cada etapa.

jarras pratos decorativos minutos por semana

modelagem 16 12 8.60
polimento 8 6 4.60
pintura 30 15 13.60

Considerando-se x como sendo a quantidade de jarras a serem produ-

zidas por semana e y a quantidade de pratos decorativos, escreva o
sistema de equações lineares que representa o problema e resolva-o.

32
 
 x+y−z =1

4. Determine os valores de a ∈ R de modo que o sistema 2x + 3y + az = 3
 x + ay + 3z = 2

seja:
(a) SPD
(b) SPI
(c) SI

 x + 2y + 2z = a

5. Calcule os valores para a, b ∈ R de modo que o sistema 3x + 6y − 4z = 4
 x + by − 6z = 1


seja SPI e resolva-o para estes valores.

6. Estabeleça a condição que
 deve ser satisfeita pelos termos independen-
 2x + 4y + 2z = a

tes para que o sistema 3x + 6y + 3z = b seja possível.
 −3x − 4y − z = c



 x + 8y − 2z = a

7. Escreva a condição para que o sistema 5x + 4y − 2z = b tenha
 7x − 16y + 2z = c


solução.

 x+y+z =0

8. Indique o conjunto solução do sistema homogêneo x + 2y + 3z = 0 .
 −3x + y − z = 0


x−y+z+t=0



 x+y−z+t=0

9. Determine o conjunto solução S do sistema

 −x + y − z + t = 0
2x − y − z + 3t = 0



 x + 2y − 2z = 1

10. Considere o sistema 2x + 5y − 4z = 2 . Escreva na forma matricial
 3x + 7y − 5z = 3


e calcule a matriz X utilizando a inversão de matrizes.

2.5.1 Respostas
1. Sistema Impossível.
38 9
2. S = {(− , ), −2)}.
7 7

 16x + 12y = 480

3. 8x + 6y = 240 e S = {(18, 16)}.
 30x + 15y = 780


33
 4. a)a 6= −3 e a 6= 2. b)a = 2 c)−3
11 10 1
5. b = 2, a = e S = {(−2y + , y, )|y ∈ R}.
7 7 14
6. 3a − 2b = 0.

7. 3a − 2b + c = 0

8. S = {(0, 0, 0)}

9. S = {(0, 0, 0, 0)}

10. S = {(1, 0, 0)}

2.6 Apêndice
2.6.1 Resolvendo e Interpretando Geometricamente Siste-
mas Lineares no R2
O conjunto de pares ordenados de números reais é designado por R2 =
{(x, y), x, y ∈ R}. Geometricamente tem-se o plano R2 , descrito por dois
eixos - eixo X e eixo Y - perpendiculares entre si, interceptando-se no ponto
(0, 0), denominado origem.
(
x+y =1
1. Seja o sistema com 2 equações e 2 variáveis .
2x + 3y = 7
" # " #
1 1 1 1 1 1
Matriz ampliada , matriz escalonada e matriz
2 3 7 0 1 5
" #
1 1
de coeficientes .
0 1
Análise, PA = PC = n = 2: (SPD).
(
x+y =1
Sistema equivalente
y=5
Substituindo o valor de y na primeira equação, tem-se x = −4.
Logo a solução do sistema é S = {(−4, 5)}.
Interpretando geometricamente: cada equação do sistema representa
uma reta, estas retas se interceptam em um único ponto (−4, 5).

34
 10 y

x
−10 −5 5 10

−5

−10

(
x − 2y = −2
2. Dado o sistema .
2x − 4y = −4
" # " #
1 −2 −2 1 −2 −2
Matriz ampliada , matriz escalonada
2 −4 −4 0 0 0
" #
1 −2
e matriz de coeficientes .
0 0
Análise, PA = PC = 1 < n = 2: (SPI).
(
x − 2y = −2
Sistema equivalente
0y = 0
A variável y está livre, podendo assumir qualquer valor real e a variável
x amarrada ao y, isto é, x = 2y − 4.
A solução do sistema é {(x, y) ∈ R2 | x = 2y −4} = {(2y −4, y), y ∈ R}.
Geometricamente, tem-se duas retas coincidentes, a equação 2x−4y =
−4 é múltipla da equação x − 2y = −2. Assim, as retas se interceptam
em infinitos pontos.

35
 10 y

x
−10 −5 5 10

−5

−10

(
x+y =2
3. Dado o sistema .
x + y = −3
" # " #
1 1 2 1 1 2
Matriz ampliada , matriz escalonada e
1 1 −3 0 0 −5
" #
1 1
matriz de coeficientes .
0 0
Análise, PA = 2 6= PC = 1: (SI).
( (
x+y =2 x+y =2
Sistema equivalente , isto é, .
0x + 0y = −5 0 = −5
Logo, S = ∅.
Assim, se um sistema possui equações que representam retas paralelas,
como no exemplo, não há solução é possível.

10 y

x
−10 −5 5 10

−5

−10

36
 Resumindo, para sistemas de equações de duas incógnitas com duas ou
mais equações, tem-se que:

Retas Classificação do Sistemas

concorrentes possível e determinado
coincidentes possível e indeterminado
paralelas impossível

2.6.2 Resolvendo e Interpretando Geometricamente Siste-

mas Lineares no R3
O conjunto de todos as triplas de números reais é designado por R3 =
{(x, y, z)|x, y, z ∈ R}. Geometricamente tem-se o espaço R3 , descrito por
três eixos, eixo X, eixo Y e eixo Z, que são perpendiculares entre si,
interceptando-se no ponto (0, 0, 0), denominado origem.

 x+y+z =3

Exemplo 2.6.1. 1. Considere o sistema 2y + z = 2 .
 y + 2z = 2


1 1 1 3 1 1 1 3
   

Matriz ampliada  0 2 1 2 , escalonada  0 2 1 2  e de

   
0 1 2 2 0 0 −3 −2
1 1 1
 

coeficientes escalonada  0 2 1 . Análise, PA = PC = n = 3:

 
0 0 −3

 x+y+z =3

2
(SPD). Sistema equivalente 2y + z = 2 Sendo z = , fazendo-
 −3z = −2
 3
2 5
se as substituições: y = e z = . A solução do sistema é S =
3 3
2 2 5
 
, , . Geometricamente, o sistema representa três planos dis-
3 3 3
2 2 5
 
tintos que se interceptam no ponto , , .
3 3 3

37
 Gráfico tridimensional

20

10
−20
−10 0
−5 0
5
10−10


 x+y+z =3

2. Dado o sistema 2y + z = 2 .
 x−z =1


1 1 1 3 1 1 1 3
   

Matriz ampliada  0 2 1 2 , escalonada  0 2 1 2  e de

   
1 0 −1 1 0 0 0 0
1 1 1
 

coeficientes escalonada  0 2 1 . Análise, PA = PC = 2 < n = 3:

 
0 0 0

 x+y+z =3

(SPI). Sistema equivalente 2y + z = 2 Pela terceira equação, a
 0z = 0


variável z está livre, a variável y fica em função de z, isto é, y = 2−2z.

A variável x também fica amarrada a variável z, após as substituições,
tem-se que x = 1 + z. Esta sistema possui grau de liberdade 1. A
solução do sistema é S = {(1 + z, 2 − 2z, z), z ∈ R}. Geometricamente,
o sistema representa três planos distintos que se interceptam em uma
reta.

38
 Gráfico tridimensional

20

10
−20
−10 0
−5 0
5
10−10


 x + 2y + z = 3 1 2 1 3
 

3. Seja o sistema −x − 2y − z = −3 . Matriz ampliada  −1 −2 −1 −3 ,
 
2x + 4y + 2z = 6 2 4 2 6



1 2 1 3 1 2 1
   

escalonada  0 0 0 0  e de coeficientes escalonada  0 0 0 .

   
0 0 0 0 0 0 0

 x + 2y + z = 3

Análise, PA = PC = 1 < n = 3: (SPI). Sistema equivalente 0y = 0
 0z = 0


As variáveis y e z estão livres, o grau de liberdade do sistema é igual a

2, e a variável x está amarrada pela relação x = 3 − 2y − z. A solução
do sistema é S = {(3 − 2y − z, y, z), y, z ∈ R}. Geometricamente, os
três planos são coincidentes e, consequentemente, qualquer ponto deste
plano é solução para o sistema.

39
 Gráfico tridimensional

20

−20 10

−10 0
−5 0
5
10−10


 x − 4y − 3z = 2 1 −4 −3 2
 

4. Seja o sistema 3x − 12y − 9z = 6 . Matriz ampliada  3 −12 −9 6 ,
 
 x+y+z =1

1 1 1 1
1 −4 −3 2 1 −4 −3
   
4 1  4 
 0 1 0 1
 
escalonada  −  e de coeficientes escalonada  .
5 5   5 
0 0 0 0 0 0 0
 x − 4y − 3z = 2


 4 1
Análise, PA = PC = 2 < n = 3: (SPI). Sistema equivalente y+ z=−
 5 5
0z = 0


A variável z está livre, o grau de liberdade é 1. As variáveis x e y estão
ligadas à variável z, e irão assumir valores
 de acordo as relações y=
−1 − 4z 6−z 6 − z −1 − 4z

ex= . A solução é S = , ,z ,z ∈ R .
5 5 5 5
Geometricamente, o sistema representa dois planos coincidentes que
interceptam um terceiro. A interseção é uma reta.

40
 Gráfico tridimensional

20

10
−20
−10 0
−5 0
5
10−10


 x + y + z = −10 1 1 1 −10
 

5. Seja o sistema 2x + y + z = −20 . Matriz ampliada  2 1 1 −20 ,
 
 y + z = −40

0 1 1 −40
1 1 1 −10
 

matriz escalonada  0 1 1 −40  e matriz de coeficientes escalo-

 
0 0 0 −40
1 1 1
 

nada  0 1 1 . Análise, PA = 3 6= PC = 2: (SI). Sistema equiva-

 
0 0 0

 x + y + z = −10

lente y + z = −40 A terceira equação é equivalente a 0 = −40,
 0z = −40


o que é impossível. A solução é S = ∅. Geometricamente, o sistema

representa três planos distintos que se interceptam dois a dois, isto é,
sem solução comum.

41
 Gráfico tridimensional

10
−50
−10 0
−5 0
5
10−10

 x + 3y − 5z = −20 1 3 −5 −20
 

6. Dado o sistema 7x − 2y + 3z = 2 . Matriz ampliada  7 −2 3 2 ,
 
 2x + 6y − 10z = 50

2 6 −10 50
1 3 −5 −20 1 3 −5
   

escalonada  0 −23 38 142  e de coeficientes escalonada  0 −23 38 .

   
0 0 0 90 0 0 0

 x + 3y − 5z = −20

Análise, PA = 3 6= PC = 2: (SI). Sistema equivalente −23y + 38z = 142
 0z = 90


A última equação não possui solução. Assim, S = ∅. Geometrica-

mente, o sistema representa dois planos paralelos interceptados por
um terceiro.
Gráfico tridimensional

20

−20 10

−10 0
−5 0
5
10−10

42
 
 x + y + z = 10 1 1 1 10
 

7. Dado o sistema x + y + z = 20 . Matriz ampliada  1 1 1 20 ,
 
 x + y + z = 30

1 1 1 30
1 1 1 10 1 1 1
   

escalonada  0 0 0 10  e de coeficientes escalonada  0 0 0 .

   
0 0 0 20 0 0 0

 x + y + z = 10

Análise, PA = 3 6= PC = 1: (SI). Sistema equivalente 0y = 10
 0z = 20


As duas últimas equações são impossíveis. A solução do sistema é

S = ∅. Geometricamente, o sistema representa três planos paralelos.

Gráfico tridimensional

50

0 10

−10 0
−5 0
5
10−10


 9x + y − 5z = 16 9 1 −5 116
 

8. Seja o sistema 18x + 2y − 10z = 32 . Matriz ampliada  18 2 −10 32 ,
 
 −9x − y + 5z = 4

−9 −1 5 4
9 1 −5 16 9 1 −5
   

escalonada  0 0 0 20  e de coeficientes escalonada  0 0 0 .

   
0 0 0 0 0 0 0

 9x + y − 5z = 16

Análise, PA = 2 6= PC = 1: (SI). Sistema equivalente 0y = 20
 0z = 0


A segunda equação é impossível e S = ∅. Geometricamente, o sistema

representa dois planos coincidentes paralelo a um terceiro.

43
 Gráfico tridimensional

20

10
−20
−10 0
−5 0
5
10−10

44
Capítulo 3

Espaços vetoriais

3.1 Primeiros conceitos

Definição 3.1.1. Sejam um conjunto não vazio V , o conjunto dos números
reais R e duas operações binárias de adição e multiplicação por escalar.

+:V ×V →V .:R×V →V
(v, u) 7→ v + u (k, u) 7→ k.u

V é um espaço vetorial sobre R, ou espaço vetorial real ou um R-

espaço vetorial, com estas operações se as propriedades abaixo, chamadas
axiomas do espaço vetorial, forem satisfeitas:

EV1 (Associativa) Para quaisquer v, u e w ∈ V , (v + u) + w = v + (u + w).

EV2 (Comutativa) Para todo u e v ∈ V , u + v = v + u.

EV3 (Elemento Neutro) Existe e ∈ V tal que para todo v ∈ V , e + v =

v + e = v.
Notação: e = 0V .

EV4 (Elemento Simétrico) Para todo v ∈ V , existe v 0 ∈ V tal que v + v 0 =

v 0 + v = 0V .
Notação: v 0 = −v.
v + (−u) = v − u.

EV5 Para quaisquer k1 , k2 ∈ R e para todo v ∈ V , k1 .(k2 .v) = (k1 .k2 ).v.

EV6 Para quaisquer k1 , k2 ∈ R e para todo v ∈ V , (k1 +k2 ).v = k1 .v +k2 .v.

EV7 Para todo k ∈ R e para quaisquer v e u ∈ V , k.(v + u) = k.v + k.u.

EV8 Para todo v ∈ V , 1.v = v.

45
 Os elementos de V são denominados vetores e os números reais de
escalares.
Exemplo 3.1.2.

1. R2 com as operações (x, y)+(z, t) = (x+z, y+t) e k.(x, y) = (k.x, k.y) é

um espaço vetorial sobre R, pois os oito axiomas acima são verificados.
Cabe lembrar que o elemento neutro da adição 0V é o par ordenado
(0, 0) e o elemento simétrico de (x, y) é −(x, y) = (−x, −y).

2. Rn com as operações: (x1 , x2 , . . . , xn )+(y1 , y2 , . . . , yn ) = (x1 +y1 , x2 +

y2 , . . . , xn + yn ) e k.(x1 , x2 , . . . , xn ) = (k.x1 , k.x2 , . . . , k.xn ) é um es-
paço vetorial sobre R. O elemento neutro é a n-tupla (0, 0, . . . , 0) e
−(x1 , x2 , . . . , xn ) = (−x1 , −x2 , . . . , −xn )

3. O conjunto das matrizes reais de ordem m × n, Mm×n (R), com as

operações usuais de soma e produto por escalar é um espaço vetorial,
tal que o elemento neutro da adição é a matriz nula e a matriz simétrica
da matriz A é −A.

4. O conjunto dos polinômios Pn (R) com coeficientes reais de grau menor

ou igual a n, com as operações abaixo:

p(x) + q(x) = (an + bn )xn + . . . + (a1 + b1 )x + (a0 + b0 )

k.p(x) = k.an xn + . . . + k.a1 x + k.a0

onde p(x) = an xn + . . . + a1 x + a0 e q(x) = bn xn + . . . + b1 x + b0 é um

espaço vetorial.
O elemento neutro da adição é o polinômio nulo 0xn + . . . + 0x + 0 e
−p(x) = −an xn − . . . − a1 x − a0 o polinômio simétrico de p(x).

5. R2 com as operações (x, y) ⊕ (z, t) = (x + z, 0) e k.(x, y) = (k.x, k.y)

não é um espaço vetorial. Por exemplo, sendo 0V = (e1 , e2 ), (1, 2) ⊕
(e1 , e2 ) = (1+e1 , 0). Mas, pelo axioma (EV3), (x, y)⊕(e1 , e2 ) = (x, y).
Assim, (1 + e1 , 0) = (1, 2) ∴ 0 = 2. Absurdo! Logo, a opração de ⊕
não possui elemento neutro.

3.1.1 Subespaço Vetorial

Definição 3.1.3. Um subespaço vetorial de V é um subconjunto não
vazio S ⊆ V com as seguintes propriedades:
(Sub1) 0V ∈ S.

(Sub2) Fechamento de S em relação à operação de Adição, ou seja, se u e

v ∈ S então u + v ∈ S.

46
(Sub3) Fechamento de S em relação à operação de Multiplicação por Es-
calar, ou seja, se k ∈ R e v ∈ S então k.v ∈ S.

Notação: S ≤ V .

Exemplo 3.1.4.

1. S = {(x, 0, 0), x ∈ R} é um subespaço vetorial do R3 com as operações

de adição e multiplicação por escalar usuais pois as propriedades de
subespaço se verificam:

(Sub1) (0, 0, 0) ∈ S.
(Sub2) Sejam u = (x1 , 0, 0) ∈ S e v = (x2 , 0, 0) ∈ S. Então u + v =
(x1 + x2 , 0, 0) ∈ S. Logo, S é fechado sob a operação de adição
de vetores.
(Sub3) Sejam u = (x, 0, 0) ∈ S e k ∈ R. Então k.u = (k.x, 0, 0) ∈ S.
Logo, S é fechado sob a operação de multiplicação por escalar.

O subespaço S poderia ser descrito ainda por S = {(x, y, z) ∈ R3 , y =

0 e z = 0}.

2. O conjunto S = {(x, y, z) ∈ R3 , x = 0 e y ≥ z} não é um subespaço

vetorial do R3 com as operações usuais.
De fato, seja u = (0, 3, 1) ∈ S e k = −1. k.u = (0, −3, −1) ∈
/ S. Logo,
S não é um subespaço vetorial do R3 .

3. S = {(x, y, z) ∈ R3 , x = y + 1} não é um subespaço vetorial de R3 ,

pois (0, 0, 0) ∈
/S

O fato do vetor {0V } pertencer ao conjunto S não implica que este seja
um subespaço. Todo espaço vetorial V admite pelo menos dois subespaços:
o próprio espaço V e o conjunto {0V }, chamado subespaço nulo. Estes
dois subespaços são denominados subespaços triviais de V e os demais
subespaços próprios de V .

3.1.2 Combinação Linear

Definição 3.1.5. Sejam os vetores v1 , v2 , . . . , vn ∈ V . Um vetor v ∈
V é uma combinação linear dos vetores v1 , v2 , . . . , vn quando existem
k1 , k2 , . . . , kn ∈ R tais que

v = k1 v1 + k2 v2 + . . . + kn vn .

Exemplo 3.1.6.

1. O vetor (−1, −1) é uma combinação linear dos vetores (1, 2) e (3, 5)
pois (−1, −1) = 2(1, 2) + (−1)(3, 5).

47
 2. O vetor (1, 2, 3) não pode ser escrito como combinação linear dos ve-
tores (1, 0, 0) e (0, 0, 1). Observe que,

k1 (1, 0, 0) + k2 (0, 0, 1) = (1, 2, 3) ∴ (k1 , 0, k2 ) = (1, 2, 3)

(∗)

 k1 = 1

Assim, 0=2 . O sistema é impossível. Logo não existem valores
 k =3

2
reais para k1 e k2 que satisfaçam a igualdade (∗).

3. Determinando a ‘lei"que define (todos) os vetores que podem ser es-

critos como combinação linear de (1, 0, 0) e (0, 0, 1).

k1 (1, 0, 0) + k2 (0, 0, 1) = (x, y, z) ∴ (k1 , 0, k2 ) = (x, y, z)

(∗)

 k1 = x

Assim, 0=y . O sistema é possível quando y = 0 e quaisquer
 k =z

2
x, z ∈ R. Assim, {(x, y, z) ∈ R3 , y = 0} é o conjunto de todos os
vetores escritos como combinação linear de (1, 0, 0) e (0, 0, 1). Geome-
tricamente, trata-se do plano XZ no R3 .

3.1.3 Subespaço Vetorial Gerado e Conjunto Gerador

Sejam os vetores v1 , v2 , . . . , vn ∈ V e [v1 , v2 , . . . , vn ] a notação usada para
definir o conjunto de todas as combinações lineares destes vetores. O con-
junto [v1 , v2 , . . . , vn ] é um subespaço vetorial de V , denominado subespaço
vetorial gerado pelos vetores v1 , v2 , . . . , vn .
O conjunto {v1 , v2 , . . . , vn } é o conjunto gerador do subespaço [v1 , v2 , . . . , vn ].

Exemplo 3.1.7.

1. O vetor (1, 2) ∈ R2 gera o conjunto [(1, 2)] = {(x, 2x), x ∈ R}.

(
k=x
De fato, pois se (x, y) = k(1, 2) então (x, y) = (k, 2k). Assim, ∴
2k = y
y = 2x.
O conjunto de todas as combinações lineares do vetor (1, 2) é o con-
junto de todos os seus múltiplos escalares. Geometricamente, [(1, 2)]
é uma reta definida pela equação y = 2x.

2. Mostrar que [(1, 1, 0), (1, 2, 1)] = {(x, y, z) ∈ R3 , x − y + z = 0}.

48
 Estudemos a combinação linear dos vetores (1, 1, 0) e (1, 2, 1).

k1 (1, 1, 0) + k2 (1, 2, 1) = (x, y, z)

(k1 , k1 , 0) + (k2 , 2k2 , k2 ) = (x, y, z)
(k1 + k2 , k1 + 2k2 , k2 ) = (x, y, z)

 k1 + k2 = x

Assim, k1 + 2k2 = y .
 k =z

2

1 1 x 1 1
   
x
Matriz ampliada  1 2 y  e matriz escalonada  0 1 y − x .
   
0 1 z 0 0 x−y+z
Para se determinar os vetores que são combinações lineares de (1, 1, 0)
e (1, 2, 1) é necessário que o sistema seja possível, isto é, x − y + z = 0.
Logo, [(1.1.0), (1, 2, 1)] = {(x, y, z) ∈ R3 |x − y + z = 0} = {(y −
z, y, z), y, z ∈ R}. Geometricamente, [(1, 1, 0), (1, 2, 1)] é um plano no
R3 com equação x − y + z = 0.

3. [(1, 3), (4, 2)] = R2 .

k1 (1, 3) + k2 (4, 2) = (x, y)

(k1 , 3k1 ) + (4k2 , 2k2 ) = (x, y)
(k1 + 4k2 , 3k1 + 2k2 ) = (x, y)
(
k1 + 4k2 = x
Assim, .
3k1 + 2k2 = y
" # " #
1 4 x 1 4 x
Matrizes ampliada e escalonada .
3 2 y 0 −10 y − 3x
Como o sistema é possível e determinado, [(1, 3), (4, 2)] = R2 .

4. Encontre a equação do espaço gerado pelos vetores (1, 1, 2), (−2, 0, 1)

e (−1, 1, 3). O espaço gerado é o conjunto de vetores (x, y, z) ∈ R3 que
podem ser escritos como combinação linear dos vetores dados, isto é,

k1 (1, 1, 2) + k2 (−2, 0, 1) + k3 (−1, 1, 3) = (x, y, z).


 k1 − 2k2 − k3 = x

Assim, 1k +k =y
3 .
 2k + k + 3k = z

1 2 3

1 −2 −1 x 1 −2 −1
   
x
Matrizes ampliada  1 0 1 y  e escalonada  0 2 2 y−x .
   
2 1 3 z 0 0 0 x − 5y + 2z

49
 Para que o sistema seja possível é necessário que x − 5y + 2z = 0.
Com esta condição satisfeita, obtém-se vetores (x, y, z) ∈ R3 que são
combinação linear dos vetores dados. Portanto, o espaço gerado é
{(x, y, z) ∈ R3 , x − 5y + 2z = 0}, que geometricamente representa um
plano no R3 .

3.1.4 Vetores Linearmente Independentes e Linearmente De-

pendentes
Um conjunto de vetores {v1 , v2 , . . . , vn } é linearmente independente
(LI) quando
k1 v1 + k2 v2 + . . . + kn vn = 0 se e somente se ki = 0, i = 1, 2, . . . , n.
Se existir pelo menos um ki 6= 0, para algum i = 1, 2, . . . , n, então o
conjunto é linearmente dependente (LD).
Exemplo 3.1.8.
1. Seja v ∈ V um vetor não nulo então {v} é um conjunto LI.
De fato, se k.v = 0V para algum k ∈ R então, como v 6= 0V , temos
que k = 0. Assim {v} é um conjunto LI.
2. {(1, 3), (4, 2)} é LI, pois:

k1 (1, 3) + k2 (4, 2) = (0, 0)

(k1 , 3k1 ) + (4k2 , 2k2 ) = (0, 0)
(k1 + 4k2 , 3k1 + 2k2 ) = (0, 0)
(
k1 + 4k2 = 0
Assim, .
3k1 + 2k2 = 0
" # " #
1 4 0 1 4 0
Matriz ampliada e matriz escalonada .
3 2 0 0 −10 0
O sistema é possível e determinado com k1 = 0 e k2 = 0. Assim, o
conjunto é LI. Um dos vetores não é múltiplo escalar do outro.
3. {(1, 3), (2, 6)} é LD, pois:

k1 (1, 3) + k2 (2, 6) = (0, 0)

(k1 , 3k1 ) + (2k2 , 6k2 ) = (0, 0)
(k1 + 2k2 , 3k1 + 6k2 ) = (0, 0)
( " #
k1 + 2k2 = 0 1 2 0
Assim, . Matrizes ampliada e escalo-
3k1 + 6k2 = 0 3 6 0
" #
1 2 0
nada .
0 0 0

50
 O sistema é possível e indeterminado, com k1 = −2k2 . Então, o con-
junto é LD, pois (2, 6) = 2(1, 3). Os vetores (1, 3) e (2, 6) pertencem a
uma mesma reta.
O espaço gerado pelo conjunto {(1, 3), (2, 6)} é {(x, y) ∈ R2 , y = 3x},
isto é,
[(1, 3), (2, 6)] = {(x, y) ∈ R2 , y = 3x} = [(1, 3)].

4. {(2, 0, 5), (1, 2, 3), (3, 2, 8)} é LD, pois: k1 (2, 0, 5)+k2 (1, 2, 3)+k3 (3, 2, 8) =
(0, 0, 0).

 2k1 + k2 + 3k3 = 0

Assim, 2k + 2k = 0
2 3 .
 5k + 3k + 8k = 0

1 2 3

2 1 3 0 2 1 3 0
   

Matriz ampliada  0 2 2 0  e escalonada  0 2 2 0 .

   
5 3 8 0 0 0 0 0
Como o sistema é possível e indeterminado, o conjunto é LD.

3.1.5 Base e Dimensão de um Espaço Vetorial

Considere um conjunto finito B ⊆ V . Diz-se que B é uma base do
espaço vetorial V quando B é um conjunto linearmente independente e gera
V , isto é, [B] = V .
O número de elementos (cardinalidade) de uma base B do espaço vetorial
V é denominado dimensão do espaço vetorial V . Se a dimensão de V é igual
a n, diz-se que V é um espaço vetorial finito n-dimensional. Em particular,
a dimensão do espaço nulo {0V } é zero. Não há base para o espaço nulo.
Notação: dim V

Exemplo 3.1.9.

1. Os conjuntos {(1, 0), (0, 1)} e {(1, 3), (4, 2)} são bases do R2 .

2. O conjunto {(1, 2), (3, 5), (2, 1)} não é base do R2 pois, apesar de gerar
R2 , não é LI.
O conjunto {(1, 2)} é LI mas não gera o R2 , portanto também não é
uma base do R2 .
Toda base de R2 tem dois vetores de R2 que geram R2 e que são LI.
Logo, dim R2 = 2.

3. {(−1, 0, 1), (2, 3, 0), (1, 2, 3)} é uma base do R3 .

O conjunto {(−1, 0, 1), (2, 3, 0)} é LI mas não gera o R3 . Logo, não é
base do R3 .

51
 O conjunto {(−1, 0, 1), (2, 3, 0), (1, 2, 3), (0, 2, 4)} gera o R3 mas não é
LI. Também não é uma base do R3 .
Toda base de R3 é formada por três vetores LI de R3 . Logo, dim R3 =
3.

4. Um vetor qualquer (x, y, z) ∈ R3 pode ser escrito como (x, y, z) =

x(1, 0, 0) + y(0, 1, 0) + y(0, 0, 1).
Assim, {(1, 0, 0), (0, 1, 0), (0, 0, 1)} gera o R3 , isto é, [(1, 0, 0), (0, 1, 0), (0, 0, 1)] =
R3 . Além disso, este conjunto é LI. Logo, {(1, 0, 0), (0, 1, 0), (0, 0, 1)}
é uma base do R3 , denominada a base canônica do R3 .

Vejamos a tabela abaixo.

Espaço Vetorial Base Canônica Dimensão

R {1} 1
R2 {(1, 0), (0, 1)} 2
R3 {(1, 0, 0), (0, 1, 0), (0, 0, 1)} 3
( ! ! ! !)
1 0 0 1 0 0 0 0
M2×2 (R) , , , 4
0 0 0 0 1 0 0 1
P2 (R) 2
{1, x, x } 3

3.1.6 Operações com Subespaços Vetoriais

Interseção
Sejam S1 e S2 subespaços vetoriais do espaço vetorial real V . O conjunto
interseção de S1 e S2 , S1 ∩ S2 = {v ∈ V, v ∈ S1 e v ∈ S2 }, é também um
subespaço vetorial de V .

(Sub1) 0V ∈ S1 ∩ S2 ?
0V ∈ S1 pois S1 ≤ V . 0V ∈ S2 pois S2 ≤ V . Assim, 0V ∈ S1 ∩ S2 .

(Sub2) Se v ∈ S1 ∩ S2 e u ∈ S1 ∩ S2 então v + u ∈ S1 ∩ S2 ?
Se v ∈ S1 ∩ S2 então v ∈ S1 e v ∈ S2 . Se u ∈ S1 ∩ S2 então u ∈ S1 e
u ∈ S2 .
Assim, v + u ∈ S1 pois S1 ≤ V e v + u ∈ S2 pois S2 ≤ V . Logo,
v + u ∈ S1 ∩ S2 .

52
(Sub(3) Se v ∈ S1 ∩ S2 e k ∈ R então kv ∈ S1 ∩ S2 ?
Se v ∈ S1 ∩ S2 então v ∈ S1 e v ∈ S2 . Então, kv ∈ S1 pois S1 ≤ V e
kv ∈ S2 pois S2 ≤ V . Logo, kv ∈ S1 ∩ S2 .

Exemplo 3.1.10.

1. Sejam S1 = {(x, 0, 0), x ∈ R} e S2 = {(x, y, z) ∈ R3 , y = x + z}.

S1 ∩ S2 = {(x, y, z) ∈ R3 , (x, y, z) ∈ S1 e (x, y, z) ∈ S2 }.

 y=0

Assim, z=0 .
 y =x+z


Logo, S1 ∩ S2 = {(0, 0, 0)}. Geometricamente, tem-se que a reta S1 e

o plano S2 no R3 se interceptam na origem.

2. Sejam S1 = {(x, y, z) ∈ R3 , y = 3x} e S2 = {(x, y, z) ∈ R3 , 2x−y+3z =

0}.
S1 ∩ S2 = {(x, y, z) ∈ R3 , (x, y, z) ∈ S1 e (x, y, z) ∈ S2 }.
(
−3x + y = 0
Assim, .
2x − y + 3z = 0
" # " #
−3 1 0 0 −3 1 0 0
L2 ← 3L2 + 2L1
2 −1 3 0 0 −1 9 0
Logo, y = 9z e x = 3z, ou seja, S1 ∩ S2 = {(3z, 9z, z), z ∈ R}. Geome-
tricamente, a interseção é representada por uma reta que passa pelos
pontos (0, 0, 0) e (3, 9, 1).

Soma
Sejam S1 e S2 subespaços do espaço vetorial real V . O conjunto soma
de S1 e S2 , S1 + S2 = {v + u, v ∈ S1 e u ∈ S2 } é também um subespaço
vetorial de V (a prova é um exercício).

Exemplo 3.1.11.

1. Sejam S1 = {(x, 0, 0), x ∈ R} e S2 = {(x, y, z) ∈ R3 , y = x + z}.

S1 + S2 = {(x, y, z) ∈ R3 , (x, y, z) = v + u com v ∈ S1 e u ∈ S2 }.
Tem-se que, (x, 0, 0) ∈ S1 e (x, x + z, z) ∈ S2 , para quaisquer x, z ∈ R.
Mas, x(1, 0, 0) ∈ S1 e x(1, 1, 0)+z(0, 1, 1) ∈ S2 , para quaisquer x, z ∈ R
Assim, {(1, 0, 0)} é base do subespaço S1 e {(1, 1, 0), (0, 1, 1)} é uma
base do subespaço S2 .
Então, (x, y, z) ∈ S1 + S2 quando (x, y, z) = k1 (1, 0, 0) + k2 (1, 1, 0) +
k3 (0, 1, 1).

53
 
 k1 + k2 = x

Assim, k2 + k3 = y .
 k =z

3

Sistema possível, logo S1 + S2 = R3 .

2. Sejam S1 = {(x, y, z, t) ∈ R4 , x − y − t = 0} e S2 = {(0, 0, z, 0), z ∈ R}.

S1 + S2 = {(x, y, z, t) ∈ R4 , (x, y, z, t) = v + u com v ∈ S1 e u ∈ S2 }.
Tem-se que, (y + t, y, z, t) ∈ S1 e (0, 0, z, 0) ∈ S2 , para quaisquer
y, z, t ∈ R.
Mas, y(1, 1, 0, 0) + z(0, 0, 1, 0) + t(1, 0, 0, 1) ∈ S1 e z(0, 0, 1, 0) ∈ S2 ,
para quaisquer y, z, t ∈ R.
Então {(1, 1, 0, 0), (0, 0, 1, 0), (1, 0, 0, 1)} é uma base para S1 e {(0, 0, 1, 0)}
é uma base para S2 .
Como {(0, 0, 1, 0)} ⊂ {(1, 1, 0, 0), (0, 0, 1, 0), (1, 0, 0, 1)}, temos que S2 ⊂
S1 .
Assim, S1 = S1 + S2 .

Teorema 3.1.12. (Teorema da dimensão) Seja V um espaço vetorial

n-dimensional. Se S1 e S2 são subespaços de V então:

dim(S1 + S2 ) = dimS1 + dimS2 − dim(S1 ∩ S2 ).

Soma Direta
Sejam S1 e S2 subespaços do espaço vetorial real V . A soma de S1 + S2
é denominada soma direta quando S1 ∩ S2 = {0V }.
Notação: S1 ⊕ S2 .

3.1.7 Coordenadas de um Vetor em relação a uma Base Or-

denada
Seja V é um espaço vetorial n-dimensional e uma base de V . Ao se
escolher uma base para o espaço vetorial V , está-se adotando um sistema
referencial no qual qualquer vetor de V pode ser referenciado.
Considere B = {v1 , v2 , . . . , vn } uma base ordenada de V , qualquer
vetor v ∈ V pode ser expresso de maneira única como combinação linear
dos vetores da base B,

v = k1 v1 + k2 v2 + . . . + kn vn

onde k1 , k2 , . . . , kn são as coordenadas do vetor v em relação a base or-

denada B.

54
  
k1

k2 
Notação: vB = (k1 , k2 , . . . , kn ) e na forma matricial [v]B =  .
 
..
.
 
 
kn
Toda vez que a expressão “coordenadas em relação a uma base"é utili-
zada, uma base ordenada está sendo considerada.
Exemplo 3.1.13. Considere o vetor v = (1, 2).
1. A base canônica do R2 . " #
1
(1, 2) = 1(1, 0) + 2(0, 1), ou seja, [v] = .
2

2. A base B = {(1, 1), (−1, 0)}.

Escrevendo como combinação linear: (1, 2) = k1 (1, 1) + k2 (−1, 0).
(
k1 − k2 = 1
Assim, . Logo, k1 = 2 e k2 = 1.
k1 = 2
" #
2
Portanto, (1, 2) = 2(1, 1) + 1(−1, 0) e [v]B = .
1

3.1.8 Matriz de Transição de uma Base para uma outra Base

Que relação existe entre as coordenadas de um vetor no antigo referen-
cial e em um novo referencial? Uma matriz permitirá a relação entre estes
referenciais, as bases do espaço vetorial. Esta matriz é denominada matriz
de transição ou matriz mudança de base.
O desenvolvimento a seguir considera duas bases do R2 , no entanto o
mesmo raciocínio pode ser utilizado para qualquer espaço vetorial V n-
dimensional.
Sejam A = {u1 , u2 } e B = {w1 , w2 } bases do R2 .
Para qualquer v ∈ R2 , tem-se:

v = au1 + bu2 (3.1)

" #
a
isto é, [v]A = .
b
Como u1 e u2 são vetores do R2 , podem ser escritos como combinação
linear dos vetores da base B.
(
u1 = a11 w1 + a21 w2
(3.2)
u2 = a12 w1 + a22 w2

Substituindo 3.2 em 3.1:

v = a(a11 w1 + a21 w2 ) + b(a12 w1 + a22 w2 )
v = (a a11 + b a12 )w1 + (a a21 + b a22 )w2

55
 Portanto, a a11 + b a12 e a a21 + b a22 são as coordenadas de v em relação
à base B. " #
aa11 + ba12
Assim, [v]B = .
aa21 + ba22
" # " #
a11 a12 a
Podendo ser rescrito como, [v]B = . .
a21 a22 b
" #
a11 a12
A matriz acima é denotada por [I]A
B sendo denominada a
a21 a22
matriz de transição da base A para a base B. As colunas da matriz [I]A
B são
as coordenadas dos vetores da base A em relação à base B.
Obtém-se a equação matricial,

[v]B = [I]A
B [v]A .

Analogamente, [v]A = [I]BA [ v]B para mudança da base B para a base A.

Observe que, substituindo a expressão [v]B = [I]A
B [v]A em [v]A = [I]A [v]B
B

teremos que:
[v]A = [I]B
A [I]B [v]A .
A

Como [v]A = In [v]A , temos que In = [I]B

A [I]B .
A

−1
Logo, ([I]B
A) = [I]A
B.

3.1.9 Exercícios
1. Verifique se R2 é um espaço vetorial, para as operações definidas
abaixo.

(a) (x, y) + (z, t) = (x − z, y − t) e k(x, y) = (−kx, −ky).

(b) (x, y) + (z, t) = (x + z, y + t) e k(x, y) = (kx, 0).
(c) (x, y) + (z, t) = (x + z, y + t) e k(x, y) = (2kx, 2ky).
(d) (x, y) + (z, t) = (0, 0) e k(x, y) = (kx, ky).
(e) (x, y) + (z, t) = (xz, yt) e k(x, y) = (kx, ky).
(f) (x, y) + (z, t) = (x + z + 1, y + t + 1) e k(x, y) = (kx, ky).
(g) (x, y) + (z, t) = (x + z, y + t) e k(x, y) = (kx, y).

2. Verifique se os seguintes subconjuntos são subespaços de R3 .

(a) S = {(x, y, z) ∈ R3 , z = 3}.

(b) S = {(x, y, z) ∈ R3 , x2 = y}.
(c) S = {(x, y, z) ∈ R3 , x = 2y}.
(d) S = {(x, y, z) ∈ R3 , x > 0}.
(e) S = {(x, y, z) ∈ R3 , y = x + z}.

56
 (f) S = {(0, y, y), y ∈ R}.

 x−y+z =2

3. Verifique se o conjunto solução do sistema 2x + 4y − z = 0 é um
 x − 2y − z = 1


subespaço vetorial de R3 .

4. Escreva u = (1, −2) como combinação linear de (1, 2) e (0, 3).

5. O vetor v = (−2, 1, 0) pode ser escrito como combinação linear dos

vetores (1, 2, 0) e (0, 1, 0)?

6. Escreva p(x) = x2 + x − 1 como combinação linear de q(x) = x2 − 2x

4
e r(x) = 2x2 − .
3
7. O conjunto {(−1, 2), (0, 1), (3, 1)} gera o R2 ?

8. Determine a equação do plano gerado pelos vetores (−1, 2, 0), (0, 1, 2)

e (−2, 5, 2).

9. Verifique se os conjuntos abaixo são LI ou LD.

(a) {(1, 0, 0), (1, 3, 5), (3, 2, 5)}

(b) {(1, 2, −1), (0, 0, 1), (1, −2, 3), (3, 0, 1)}
(c) {(1, 2), (3, 5), (2, 1)}
(d) {(1, 0, 2), (0, −1, 3), (0, 0, 2)}
(e) {(1, 0, 0, 0), (1, 1, 0, 0), (1, 1, 1, 0), (1, 1, 1, 1)}

10. Mostre que se {u, v, w} é LI então {u + v, u + w, v + w} também é um

conjunto LI.

11. Complete com V(verdadeiro) ou F(falso), justificando sua resposta.

(a) ( ) {(0, 1, 2), (1, 0, 1)} gera R2 .

(b) ( ) [(1, 2, 0), (2, 4, 0)] é um plano no R3 que passa pela origem.
(c) ( ) [(1, 2, 0), (2, 3, 0)] é um plano no R3 que passa pela origem.
(d) ( ) {v1 , v2 , . . . , vn } ⊂ V é LD quando pelo menos um destes veto-
res é combinação linear dos demais.
(e) ( ) {(−1, 2, 3), (0, 1, 2), (−1, 1, 1)} gera o R3 .
(f) ( ) O conjunto {(1, 2, 3), (0, 0, 0), (2, 3, 5)} é LI.
(g) ( ) Se {v1 , v2 , . . . , vn } ⊂ V é LI então qualquer um dos seus
subconjuntos também é LI.
(h) ( ) Se todo subconjunto próprio de {(−1, 2, 3), (0, 1, 2), (−1, 1, 1)} ⊂
V é LI então {(−1, 2, 3), (0, 1, 2), (−1, 1, 1)} ⊂ V é LI.

57
 (i) ( ) [(1, 2)] possui somente duas bases {(1, 2)} e {(2, 4)}.
(j) ( ) {(1, 0, 4), (7, 8, 0)} é base de [(1, 0, 4), (7, 8, 0)].
(k) ( ) Todo conjunto LI de vetores é uma base de seu subespaço
gerado.
(l) ( ) {(3, 5), (0, 0)} é base do R2 .
(m) ( ) {(2, 3), (4, 5), (7, 9)} gera o R2 então {(2, 3), (4, 5)}, {(2, 3), (7, 9)}
e {(4, 5), (7, 9)} são bases do R2 .
(n) ( ) Se [v1 , v2 , v3 , v4 ] = R3 então quaisquer três vetores deste con-
junto formam uma base do R3 .
(o) ( ) Um conjunto com três vetores do R3 é base do R3 .
(p) ( ) Um conjunto com mais do que três vetores do R3 não será
uma base do R3 .
(q) ( ) {(1, 2, 3), (2, −1, 3)} é base do R2 .
(r) ( ) Qualquer base de um espaço vetorial tem sempre o mesmo
número de elementos.
(s) ( ) {(2, 3), (x, y)} é base do R2 quando (x, y) ∈
/ [(2, 3)].
(t) ( ) Sejam V um espaço vetorial n-dimensional e o conjunto {v1 , v2 , . . . , vn−1 } ⊂
V LI. Então {v1 , v2 , . . . , vn−1 , v} é base de V qualquer que seja o
vetor v ∈ V .
(u) ( ) Se dim V = n então qualquer conjunto LI com n vetores é
uma base de V .
(v) ( ) Todo conjunto gerador de um espaço vetorial V é uma base
para V .
(w) ( ) Se S = [(1, 0, −1), (2, 1, 3), (1, 1, 4)] então dim S = 3.

12. Para que valores de k os vetores (1, 2, 0, k), (0, −1, k, 1), (0, 2, 1, 0) e
(1, 0, 2, 3k) geram um espaço tridimensional?

13. Determine uma base e a dimensão dos seguintes subespaços de R3 .

(a) {(x, y, z) ∈ R3 , y = 2x e z = y}
(b) {(x, y, z) ∈ R3 , x + 2y − z = 0}
(c) {(x, y, z) ∈ R3 , y = 0 e x + z = 0}
(d) {(x, y, z) ∈ R3 , 2x − 3y − z = 0 e 3x − z = 0}
(e) {(x, y, z) ∈ R3 , 2x + y − 4z}
(f) {(x, y, z) ∈ R3 , x + y − z = 0, 2x − y − z = 0 e x + z = 0}

14. 
Encontre uma base e a dimensão para o conjunto solução do sistema
 x + 2y − 2z − t = 0

2x + 4y + z + t = 0 .
 x + 2y + 3z + 2t = 0


58
15. Mostre que a soma de subespaços é também um subespaço.

16. Determine o subespaço interseção e o subespaço soma para os casos

abaixo, indicando quando a soma é direta e as dimensões de todos os
subespaços envolvidos.

(a) S1 = {(x, y, z) ∈ R3 , x − 2y + z = 0} e S2 = {(x, y, z) ∈ R3 , x +

3y = 0}
(b) S1 = {(x, y, z) ∈ R3 , y = 0} e S2 = [(−1, 2, 0), (3, 1, 1)]
(c) S1 = {(x, y, z) ∈ R3 , x = y} e S2 = {(x, y, z) ∈ R3 , x + y + z = 0}
(d) S1 = {(x, y, z) ∈ R3 , x − 2y + z = 0 e 2x − z = 0} e S2 =
{(x, y, z) ∈ R3 , x + y = 0}
(e) S1 = {(x, y, z) ∈ R3 , x − y + z = 0} e S2 = [(1, 1, 1)]

17. Seja v = (1, 2, 3) e a base A = {(1, 0, 3), (−1, 7, 5), (2, −1, 6)} ⊂ R3 .
Indique [v]A .

18. Considere A = {(1, 1, 1), (0, 2, 3), (0, 2, −1)} uma base para o R3 . En-
contre as coordenadas de v = (3, 5, −2) em relação a esta base.

19. Seja A = {(−1, 1, 1), (0, 2, 3), (0, 0, −1)} e [v]A = (−2, 0 − 3). Deter-
mine v.
" #
1
20. Sendo A = {(−3, −1), (2, 0)} uma base para o R e [v]A = 2
.
5
Encontre:

(a) As coordenadas de v na base canônica.

(b) As coordenadas de v na base B = {(2, 1), (1, 5)}.
" #
1 2
21. Encontre as coordenadas do vetor v = em relação à base
0 3
(" # " # " # " #)
1 2 0 1 0 0 0 3
B= , , , .
2 1 −1 0 1 −2 0 0

22. Dadas as bases A = {(−1, 0, 2), (0, 1, 0), (0, 0, 2)} e B = {(0, 0, 1), (0, −2, 1), (1, 0, −1)}
do R3 .

(a) Determine [I]A

B.
 
−1
(b) Considere [v]A =  2 . Calcule [v]B .
 
3

23. Dadas as bases A = {(−3, 0, 3), (−3, 2, −1), (1, 6, −1)} e B = {(−6, −6, 0), (−2, −6, 4), (−2, −3, 7
do R3 .

59
 (a) Achar a matriz mudança de base de B para A.
(b) Dado v = (−5, 8, −5), calcule [vA ].
" #
1 −2
24. Seja [I]A
B = e B = {(1, −2), (2, 0)}. Determine a base A.
0 −3
" #
1 2
25. Seja a matriz mudança de base de B para A. Determinar a
0 3
base A, sabendo que B = {(1, −1), (0, 1)}.

26. Sabendo" que #A = {u1 , u2 } e B = {w1 , w2 } são bases do R tais que

2

−1
[v]A = , w1 = u1 − u2 e w2 = 2u1 − 3u2 , determine [v]B .
0

27. Considere A = {(1, 1, 1), (0, 2, 3), (0, 2, −1)} e B = {(1, 1, 0), (1, −1, 0), (0, 0, 1)}
do R3 . Determine as matrizes mudança de base.

Respostas
1. Nenhum deles é espaço vetorial.

2. As letras a, b e d não são subespaços e as letras c, e e f são.

3. Não
4
4. (1, −2) = 1.(1, 2) − .(0, 3)
3
5. (−2, 1, 0) = −2.(1, 2, 0) + 5.(0, 1, 0). Sim.
1 3 3
6. x2 + x − 1 = − (x2 − 2x) + (2x2 − )
2 4 4
7. Sim

8. 4x − 2y + z = 0

9. As letras a, d e e são LI e as letras b e c são LD.

10. Demonstração

11. a) (F) b) (V) c) (V) d) (F) e) (F) f ) (F) g) (F) h) (F) i) (V) j) (V) l)
(V) m) (F) n) (F) o) (V) p) (F) q) (F) r) (V) s) (F) t) (V) u) (F) v)
(F) w) (F)
3
12. k = 1 ou k = −
2
13. (a) {(2, 1, 2)} e dimensão é 1.
(b) {(1, 0, 1), (0, 1, 2)} e dimensão é 2.

60
 (c) {(1, 0, −1)} e dimensão é 1.
(d) {(3, 1, 9)} e dimensão é 1.
(e) {(1, −2, 0), (0, 4, 1)} e dimensão é 2.
(f) O subespaço é nulo {0, 0, 0)} então a dimensão é 0.

14. Base {(1, 0, 3, −5), (0, 1, 6, −10)} e dimensão é 2.

15. Demonstração.

16. (a) dim S1 = 2, dim S2 = 2, S1 ∩ S2 = {(−3y, y, 5y), y ∈ R}, base

de S1 ∩ S2 pode ser dada por {(−3, 1, 5)}, dim(S1 ∩ S2 ) = 1,
S1 + S2 = R3 e dim(S1 + S2 ) = 3.
7
(b) dim S1 = 2, dim S2 = 2, S1 ∩ S2 = {( z, 0, z), z ∈ R}, base
2
7
de S1 ∩ S2 pode ser dada por {( , 0, 1)}, dim(S1 ∩ S2 ) = 1,
2
S1 + S2 = R3 e dim(S1 + S2 ) = 3.
(c) dim S1 = 2, dim S2 = 2, S1 ∩ S2 = {(x, x, −2x), x ∈ R}, base
de S1 ∩ S2 pode ser dada por {(1, 1, −2)}, dim(S1 ∩ S2 ) = 1,
S1 + S2 = R3 e dim(S1 + S2 ) = 3.
(d) dim S1 = 1, dim S2 = 2, S1 ∩ S2 = {(0, 0, 0)}, dim(S1 ∩ S2 ) = 0,
S1 + S2 = R3 , dim(S1 + S2 ) = 3 e a soma é direta.
(e) dim S1 = 2, dim S2 = 1, S1 ∩ S2 = {(0, 0, 0)}, dim(S1 ∩ S2 ) = 0,
S1 + S2 = R3 , dim(S1 + S2 ) = 3 e a soma é direta.

5
 

17. [v]A =  0 
 
−2

3
 

18. [v]A =  −1 
 
2

2
 

19. [v] =  −2 
 
1
" #
7
20. (a) [v] =
−1
" #
4
(b) [v]B =
−1

1
1
 

21. [v]B =  1 
−1 −
3

61
 
1 
1 2 
 2
22. (a) [I]A
B =
1
 
0 − 0 
 
 2 
−1 0 0
6
 

(b) [v]B =  −1 
 
1
 1 17 
0 −
 2 9 
 3 1 5 
23. (a) [I]B = − −
 
A
2 2 4

 
 3 5 1 
− − −
2 6 12
 7 
 6 
 14 
(b) [v]A =  −
 
3

 
 4 
3
24. A = {(1, −2), (−8, 4)}
2
25. A = {(1, −1), (− , 1)}
3
26. [v]B = (−3, 1)

1 1 1
 

27. [I]A = 0 −1 −1
 
B  
1 3 1
1 1 0
 

 1 3 1
 

[I]B =
 − − 
A  4 2 4
 
 1 1 1


− −
4 2 4

3.1.10 Apêndice B – Teoremas

Teorema 3.1.14. O elemento neutro é único.
Teorema 3.1.15. (Lei do Corte ou Lei do Cancelamento) Para quais-
quer u, v, w ∈ V , se u + v = w + v então u = w.
Teorema 3.1.16. O elemento simétrico é único.
Teorema 3.1.17. Para quaisquer u, v ∈ V , se u + v = v então u = 0V .

62
Teorema 3.1.18. Para quaisquer u, v ∈ V , se u + v = 0V então u = −v.

Teorema 3.1.19. Para todo v ∈ V , 0.v = 0V .

Teorema 3.1.20. Para todo k ∈ R, k.0V = 0V .

Teorema 3.1.21. Para todo v ∈ V, v 6= 0V e para todo k ∈ R, k 6= 0,

k.v 6= 0V .

Corolário 3.1.22. Para todo v ∈ V e para todo k ∈ R, se k.v = 0V então

k = 0 ou v = 0V .

Teorema 3.1.23. Para todo v ∈ V , (−1).v = −v.

Teorema 3.1.24. Para todo v ∈ V e para todo n ∈ N − {0}, n.v = v + v +

. . . + v (soma com n parcelas).

Teorema 3.1.25. Todo subespaço vetorial é um espaço vetorial.

Teorema 3.1.26. Se {v1 , v2 , . . . , vr } ⊂ V então [v1 , v2 , . . . , vr ] é um subes-

paço vetorial de V .

Teorema 3.1.27. Sejam {v1 , v2 , . . . , vr } ⊂ V e v ∈ V . Se v é uma combina-

ção linear dos vetores v1 , v2 , . . . , vr então [v1 , v2 , . . . , vr , v] = [v1 , v2 , . . . , vr ].

Teorema 3.1.28. Sejam {v1 , v2 , . . . , vr } ⊂ V e {u1 , u2 , . . . , us } ⊂ V .

[v1 , v2 , . . . , vr ] = [u1 , u2 , . . . , us ] se e somente se cada um dos vetores do
conjunto {v1 , v2 , . . . , vr } é uma combinação linear dos vetores {u1 , u2 , . . . , us }
e cada um dos vetores do conjunto {u1 , u2 , . . . , us } é uma combinação linear
dos vetores {v1 , v2 , . . . , vr }.

Teorema 3.1.29. Seja v ∈ V, v 6= 0V , {v} é linearmente independente.

Teorema 3.1.30. Seja {v1 , v2 , . . . , vr } ⊂ V . Se vi = 0V para algum i =

1, 2, . . . , r então {v1 , v2 , . . . , vr } é linearmente dependente.

Teorema 3.1.31. Seja {v1 , v2 , . . . , vr } ⊂ V . O conjunto {v1 , v2 , . . . , vr }

é linearmente dependente se e somente se pelo menos um destes vetores é
combinação linear dos demais.

Corolário 3.1.32. Sejam {v1 , v2 , . . . , vr } ⊂ V e v ∈ V . Se {v1 , v2 , . . . , vr }

é linearmente independente e {v1 , v2 , . . . , vr , v} é linearmente dependente
então v é uma combinação linear dos vetores v1 , v2 , . . . , vr .

Teorema 3.1.33. Seja S ⊂ {v1 , v2 , . . . , vr } ⊂ V não vazio. Se S é linear-

mente dependente então {v1 , v2 , . . . , vr } é linearmente dependente.

Teorema 3.1.34. Sejam {v1 , v2 , . . . , vr } ⊂ V um conjunto linearmente in-

dependente k1 , k2 , . . . , kr e l1 , l2 , . . . , , lr ∈ R. Se k1 v1 + k2 v2 + . . . + kr vr =
l1 v1 + l2 v2 + . . . + lr vr então ki = li para todo i = 1, 2, . . . , r.

63
Corolário 3.1.35. Seja {v1 , v2 , . . . , vr } ⊂ V . Se {v1 , v2 , . . . , vr } é uma base
de V então todo vetor v pode ser escrito de forma única como combinação
linear dos vetores v1 , v2 , . . . , vr da base.

Teorema 3.1.36. Seja {v1 , v2 , . . . , vr } ⊂ V . O conjunto {v1 , v2 , . . . , vr } é

linearmente independente se e somente se nenhum destes vetores é combi-
nação linear dos demais.

Corolário 3.1.37. Seja {u, v} ⊂ V . O conjunto {u, v} é linearmente inde-

pendente se e somente se um vetor não é múltiplo escalar do outro.

Corolário 3.1.38. Seja {v1 , v2 , . . . , vr } ⊂ V um conjunto linearmente in-

dependente e v ∈ V . Se v ∈/ [v1 , v2 , . . . , vr ] então {v1 , v2 , . . . , vr , v} é um
conjunto linearmente independente.

Teorema 3.1.39. Seja {v1 , v2 , . . . , vr } ⊂ V . Se {v1 , v2 , . . . , vr } é linear-

mente independente então qualquer um de seus subconjuntos é linearmente
independente.

Teorema 3.1.40. Seja {v1 , v2 , . . . , vr } ⊂ V . Se [v1 , v2 , . . . , vr ] = V então

existe uma base A de V tal que A ⊂ {v1 , v2 , . . . , vr }.

Corolário 3.1.41. Seja {v1 , v2 , . . . , vr } ⊂ V . Se {v1 , v2 , . . . , vr } gera o

espaço vetorial V então qualquer conjunto de vetores de V com mais do que
r elementos é linearmente dependente.

Corolário 3.1.42. Seja {v1 , v2 , . . . , vr } ⊂ V . Se {v1 , v2 , . . . , vr } gera V

então qualquer conjunto de vetores de V linearmente independente tem no
máximo r elementos.

Teorema 3.1.43. Seja {v1 , v2 , . . . , vr } ⊂ V . Se {v1 , v2 , . . . , vr } é linear-

mente independente então pode-se estender o conjunto {v1 , v2 , . . . , vr } a um
conjunto B base de V .

Teorema 3.1.44. Sejam dim V = n e {v1 , v2 , . . . , vn } ⊂ V . O conjunto

{v1 , v2 , . . . , vn } é uma base de V se {v1 , v2 , . . . , vr } é linearmente indepen-
dente ou se gera o espaço vetorial V .

Teorema 3.1.45. Seja {v1 , v2 , . . . , vn } uma base do espaço vetorial V e

{u1 , u2 , . . . , um } ⊂ V .

1. Se m > n então o conjunto {u1 , u2 , . . . , um } é linearmente dependente.

2. Se m < n então o conjunto {u1 , u2 , . . . , um } não gera o espaço vetorial

V.

Teorema 3.1.46. Todas as bases de um espaço vetorial possuem o mesmo

número de vetores.

64
Teorema 3.1.47. Para quaisquer subespaços vetoriais S e U de V , S ∩ U 6=
∅ e S + U 6= ∅.

Teorema 3.1.48. Para quaisquer subespaços vetoriais S e U de V , S ∩ U

é um subespaço vetorial de V .

Teorema 3.1.49. Para quaisquer subespaços vetoriais S e U de V , S + U

é um subespaço vetorial de V .

Teorema 3.1.50. Seja S é um subespaço vetorial de V tal que S 6= ∅. Então

dim S ≤ dim U .

Teorema 3.1.51. Se V é a soma direta dos subespaços vetoriais S e U

então todo vetor v ∈ V é escrito de maneira única na forma v = u + s com
u ∈ U e s ∈ S.

Teorema 3.1.52. (Teorema da Dimensão) Se S e U são subespaços veto-

riais de V então dim(S + U ) = dim S + dim U − dim(S ∩ U ).

Corolário 3.1.53. Seja S um subespaço vetorial de V . Se dim S = dim V

então S = V .

65
Capítulo 4

Transformações lineares

4.1 Primeiros conceitos

Definição 4.1.1. Sejam V e W espaços vetoriais reais. Dizemos que uma
função T : V → W é uma transformação linear se a função T preserva as
operações de adição e de multiplicação por escalar, isto é, se os seguintes
axiomas são satisfeitos:

1. (TL1) Para quaisquer u, v ∈ V , tem-se que T (u + v) = T (u) + T (v).

2. (TL2) Para todo v ∈ V e para todo k ∈ R, tem-se que T (k.v) = k.T (v).

Exemplo 4.1.2. 1. T : R2 → R2 definida por T (x, y) = (−x, −y).

Demonstração: Verificando os axiomas:

(a) (TL1) T ((x, y) + (z, t)) = T (x, y) + T (z, t), para quaisquer (x, y),
(z, t) ∈ R2 ?

T ((x, y) + (z, t)) = T (x + z, y + t) = (−(x + z), −(y + t)) = (−x − z, −y − t)

T (x, y) + T (z, t) = (−x, −y) + (−z, −t) = (−x − z, −y − t)
Assim, a transformação linear T preserva a operação de adição
de vetores.
(b) (TL2) T (k(x, y)) = kT (x, y), para todo (x, y) ∈ R2 e para todo
k ∈ R?
T (k(x, y)) = T (kx, ky) = (−kx, −ky)
kT (x, y) = k(−x, −y) = (−kx, −ky)
Assim, a transformação linear T preserva a operação de multipli-
cação por escalar. Logo, T é uma transformação linear. Observe
o que a transformação linear T faz com o vetor (2, 1):

66
 2. Considere T : R3 → R3 definida por T (x, y, z) = (x, y, 0). (Verifique!)
Esta transformação linear associa a cada vetor do R3 sua projeção
ortogonal sobre o plano XY .

A transformação linear T0 : V → W tal que T0 (v) = 0V para todo v ∈ V

é denominada Transformação Nula.
Seja a transformação linear T : V → W . Se os conjuntos V e W são
iguais, V = W , então T é denominada um Operador Linear. O operador
linear IV : V → V tal que IV (v) = v é denominado Operador Identidade.
As transformações lineares T : V → R são denominadas Funcionais
Lineares.

4.1.1 Operadores Lineares no Espaço Vetorial R2

1. Reflexão em torno do eixo X: T (x, y) = (x, −y).

Figura 4.1: T (2, 1) = (2, −1)

2. Reflexão em torno do eixo Y : T (x, y) = (−x, y).

3. Reflexão em torno da origem: T (x, y) = (−x, −y).

4. Reflexão em torno da reta y = x: T (x, y) = (y, x).

67
 Figura 4.2: T (2, 1) = (−2, 1)

Figura 4.3: T (2, 1) = (−2, −1)

Figura 4.4: T (2, 1) = (1, 2)

5. Reflexão em torno da reta y = −x: T (x, y) = (−y, −x).

Figura 4.5: T (2, 1) = (−1, −2)

6. Dilatação ou Contração de fator k na direção do vetor: T (x, y) =

(kx, ky).

(a) Se |k| > 1: dilatação.

(b) Se |k| < 1: contração.
(c) Se k < 0: troca de sentido.
(d) Se k = 1: operador identidade.

7. Dilatação ou Contração de fator k na direção do eixo X: T (x, y) =

(kx, y) com k ∈ R e k > 0.

68
 (a) Se k > 1: dilatação.
(b) Se 0 < k < 1: contração.

Figura 4.6: k = 3 e T (2, 1) = (6, 1)

Dilatação ou Contração de fator k na direção do eixo Y : T (x, y) =

(x, ky) com k ∈ R e k > 0.

(a) Se k > 1: dilatação.

(b) Se 0 < k < 1: contração.

Figura 4.7: k = 3 e T (2, 1) = (2, 3)

8. Cisalhamento na direção do eixo X: T (x, y) = (x + ky, y) com k ∈ R.

Figura 4.8: k = 2 e T (2, 1) = (4, 1)

9. Cisalhamento na direção do eixo Y : T (x, y) = (x, kx + y) com k ∈ R.

10. Rotação: Tθ (x, y) = (xcosθ − ysenθ, xsenθ + ycosθ) com 0 ≤ θ ≤ 2π.

69
 Figura 4.9: k = 3 e T (2, 1) = (2, 7)

√
Figura 4.10: θ = 45◦ Tθ (1, 1) = (0, 2)

4.1.2 Propriedades
1. Se T : V → W é uma transformação linear então T (0V ) = 0W .
Demonstração: Sabemos que T (0V ) = T (0V +0V ) = T (0V )+T (0V ).
Mas, T (0V ) = T (0V )+0W , pois T (0V ) ∈ W e 0W é o elemento neutro
em W . Assim, T (0V ) + T (0V ) = T (0V ) + 0W , logo T (0V ) = 0W .
Portanto, se T (0V ) 6= 0W então T não é uma transformação linear.
No entanto, o fato de T (0V ) = 0W . não é suficiente para que T seja
linear.
Por exemplo, T : R2 → R2 tal que T (x, y) = (x2 , y 2 ).

T (1, 2) = (12 , 22 ) = (1, 4)

T (2, 3) = (22 , 32 ) = (4, 9)
T ((1, 2) + (2, 3)) = T (3, 5) = (32 , 52 ) = (9, 25)
T (1, 2) + T (2, 3) = (12 , 22 ) + (22 , 32 ) = (1, 4) + (4, 9) = (5, 13)

Assim, T (u + v) 6= T (u) + T (v). Embora, T (0, 0) = (0, 0), T não é

uma transformação linear.

2. Seja T : V → W uma transformação linear. Então T (k1 v1 +k2 v2 +. . .+

kn vn ) = k1 T (v1 )+k2 T (v2 )+. . .+kn T (vn ) para quaisquer v1 , v2 , . . . , vn ∈
V e para quaisquer k1 , k2 , . . . , kn ∈ R.

Corolário 4.1.3. Sabendo-se as imagens dos vetores de uma base do espaço

vetorial V é possível determinar a transformação linear T : V → W .

70
4.1.3 Obtendo a Lei de uma Transformação Linear
Seja T : R2 → R2 um operador linear tal que T (2, 3) = (−1, 5) e
T (0, 1) = (2, 1). Como encontrar a lei que define este operador?

Solução 4.1.4. {(2, 3), (0, 1)} forma uma base para R2 .(Verifique!) Por-
tanto, qualquer vetor (x, y) pode ser escrito como combinação linear destes
vetores, ou seja, (x, y) = k1 (2, 3) + k2 (0, 1) com k1 , k2 ∈ R.
(x, y) = k1 (2, 3) + k2 (0, 1)
= (2k1 , 3k1 ) + (0, k2 )
= (2k1 , 3k1 + k2 )
Assim, x = 2k1 e y = 3k1 + k2 .
x 2y − 3x
Então, k1 = e k2 = .
2 2
x 2y − 3x
Logo, (x, y) = (2, 3) + (0, 1).
2 2
Aplicando o operador linear:
x 2y − 3x
 
T (x, y) = T (2, 3) + (0, 1)
 2   2
x 2y − 3x

= T (2, 3) + T (0, 1)
2 2
x 2y − 3x
= T (2, 3) + T (0, 1)
2 2
x 2y − 3x
= (−1, 5) + (2, 1)
2 2
x x 2y − 3x 2y − 3x
   
= − ,5 + 2 ,
 2 2 2 2 
x 2y − 3x x 2y − 3x
= − +2 ,5 +
2  2 2  2
4y − 7x
= ,x + y
2
4y − 7x
 
Logo, T (x, y) = ,x + y .
2

4.1.4 Núcleo e Imagem de uma Transformação Linear

Definição 4.1.5. Núcleo de uma transformação linear T : V → W é
o conjunto de vetores do espaço vetorial V cuja imagem é o vetor 0W .
Notação: N (T ) = Ker(T ) = {v ∈ V |T (v) = 0W }
Definição 4.1.6. Imagem de uma transformação linear T : V → W
é o conjunto de vetores de W que são imagem dos vetores do conjunto V .
Notação: Im(T ) = {T (v)|v ∈ V }.
Propriedades

71
 1. N (T ) é um subespaço vetorial de V .
2. Im(T ) é um subespaço vetorial de W .
3. (Teorema do Núcleo e da Imagem) Seja T : V → W uma transforma-
ção linear, então dimV = dim(N (T )) + dim(Im(T )).
Exemplo 4.1.7. Seja T : R2 → R3 tal que T (x, y) = (0, x + y, 0).
N (T ) = {(x, y) ∈ R2 |T (x, y) = (0, 0, 0)}
Então, T (x, y) = (0, x + y, 0) = (0, 0, 0), ou seja, x + y = 0 ∴ y = −x. Por-
tanto, N (T ) = {(x, y) ∈ R2 |y = −x} = {(x, −x)|x ∈ R}. E ainda, {(1, −1)}
forma uma base para N (T ) e dim(N (T )) = 1.

Im(T ) = {T (x, y) = (0, x + y, 0)|(x, y) ∈ R2 } = {(x + y)(0, 1, 0)|x, y ∈ R} =

[(0, 1, 0)]
Assim temos que {(0, 1, 0)} forma uma base para Im(T ) e dim(Im(T )) = 1.
Observe que, dimR2 = dim(N (T )) + dim(Im(T )), (2 = 1 + 1).

4.1.5 Transformação Linear Injetora

Definição 4.1.8. Uma transformação linear T : V → W é injetora, quando
para quaisquer u e v ∈ V , se u 6= v então T (u) 6= T (v). O que é equivalente
a, se T (u) = T (v) então u = v.
Exemplo 4.1.9. 1. A transformação linear T : R2 → R3 tal que T (x, y) =
(x, y, x + y) é injetora. Sejam (x, y) e (z, t) ∈ R2 . Suponha que
T (x, y) = T (z, t), então (x, y, x + y) = (z, t, z + t) ∴ x = z e y = t.
Logo, T é injetora.
2. Seja o operador linear no R3 tal que T (x, y, z) = (x, 0, 0), que associa
a cada vetor sua projeção ortogonal no eixo X. Considere os vetores
(2, 1, 3) e (2, −2, 0). Observe que T (2, 1, 3) = (2, 0, 0) = T (2, −2, 0).
Então, T não é injetora, pois T (u) = T (v) com u 6= v.
Teorema 4.1.10. Uma transformação T : V → W é injetora se e somente
se N (T ) = {0V }.
Assim, basta verificar se N (T ) = {0V } para garantir que uma transfor-
mação linear T é injetora.
Exemplo 4.1.11. Seja o operador linear no R2 tal que T (x, y) = (2x, x +
y) é injetora, pois: N (T ) = {(x, y) ∈ R2 |T (x, y) = (0, 0)} = {(x, y) ∈
R2 |(2x, x(+ y) = (0, 0)}.
2x = 0
Assim, ∴ x = 0 e y = 0. Então, N (T ) = {(0, 0)} e T é
x+y =0
injetora.

72
4.1.6 Transformação Linear Sobrejetora
Definição 4.1.12. Uma transformação linear T : V → W é sobrejetora se
o conjunto imagem de T é o conjunto W , isto é, Im(T ) = W .

Exemplo 4.1.13. 1. O operador linear no R2 do exemplo anterior é in-

jetor, ou seja, N (T ) = {(0, 0)}. Pelo Teorema do Núcleo e da Ima-
gem, dimR2 = dimN (T ) + dimIm(T ) ∴ dimIm(T ) = 2. Como
Im(T ) ≤ R2 e dimIm(T ) = 2 tem-se que Im(T ) = R2 . Logo, T
é sobrejetora.

2. Seja a transformação linear T : R3 → R2 tal que T (x, y, z) = (x − y +

z, x − y). Podemos determinar o núcleo da transformação:
N (T ) = {(x, y, z) ∈ R3 |T (x, y, z) = (0, 0)} = {(x, y, z) ∈ R3 |(x − y +
z, x − y) = (0, 0)} = {(x, x, 0)|z ∈ R} = [(1, 1, 0)]. Então {(1, 1, 0)}
forma uma base para N (T ) e dimN (T ) = 1.
Pelo teorema do núcleo e imagem temos que dimR3 = dimN (T ) +
dimIm(T ) ∴ 3 = 1+dimIm(T ) ∴ dimIm(T ) = 2. Como Im(T ) ≤ R2
e dimIm(T ) = 2 tem-se que Im(T ) = R2 . Logo, T é sobrejetora.

3. Seja a trnasformação linear T : R2 → R3 tal que T (x, y) = (x + y, x −

y, 3x). Podemos determinar o núcleo da transformação:
N (T ) = {(x, y) ∈ R2 |T (x, y) = (0, 0, 0)} = {(x, y) ∈ R2 |(x + y, x −
y, 3x) = (0, 0, 0)}. Então N (T ) = {(0, 0)}.
Pelo teorema do núcleo e imagem temos que dimR2 = dimN (T ) +
dimIm(T ) ∴ 2 = 0 + dimIm(T ) ∴ dimIm(T ) = 2. Assim, T é
injetora mas não é sobrejetora.

4.1.7 Transformação Linear Bijetora – Isomorfismo

Definição 4.1.14. Uma transformação linear T : V → W é bijetora quando
for injetora e sobrejetora. Transformações lineares bijetoras são também
denominadas isomorfismos e, conseqüentemente, V e W são denominados
espaços vetoriais isomorfos.

Exemplo 4.1.15. 1. T : R2 → R2 tal que T (x, y) = (y, −x).

2. IV : V → V tal que IV (v) = v.

!
x y
3. T : M2×2 (R) → R tal que T
4
= (x, y, z, t).
z t

Uma transformação T : V → W é denominada de transformação invertí-

vel quando existir uma transformação T −1 : W → V tal que T ◦ T −1 = IW e
T −1 ◦ T = IV . A transformação T −1 é denominada a transformação inversa
de T .

73
Teorema 4.1.16. Seja T : V → W uma transformação. A transformação
T é bijetora se e somente se T é invertível.

Teorema 4.1.17. Seja T : V → W uma transformação linear invertível.

Então a transformação T −1 : W → V é linear.

4.1.8 Obtendo a Lei da Transformação Linear Inversa

Seja o operador linear T : R2 → R2 tal que T (x, y) = (2x, −y). O
operador linear inverso T −1 será obtido da maneira a seguir:

• {(1, 0), (0, 1)} é uma base para R2 .

• T (1, 0) = (2, 0) e T (0, 1) = (0, −1).

• Portanto, T −1 (2, 0) e T −1 (0, −1) = (0, 1).

−1
• Obtendo
( a lei de T : (x, y) = k1 (2, 0) + k2 (0, −1) = (2k1 , −k2 ). As-
2k1 = x x
sim, Tem-se que, k1 = e k2 = −y. Então, (x, y) =
−k2 = y 2
x x x
(2, 0) − y(0, −1) ∴ T (x, y) = T (2, 0) − yT (0, −1) = (1, 0) −
2 2 2
x
y(0, 1) = ( , −y).
2
x
• Logo, a lei é T −1 (x, y) = ( , −y).
2

4.1.9 Matriz Associada a uma Transformação Linear

Sejam V um espaço vetorial n-dimensional, W um espaço vetorial m-
dimensional e T : V → W uma transformação linear. Considerando as bases
A = {v1 , v2 , . . . , vn } de V e B = {w1 , w2 , . . . , wm } de W e um vetor qualquer
v ∈ V , tem-se:

v = k1 v1 + k2 v2 + . . . + kn vn

com k1 , k2 , . . . , kn ∈ R.
Aplicando a transformação linear T ,
T (v) = T (k1 v1 + k2 v2 + . . . + kn vn )
(1)
T (v) = k1 T (v1 ) + k2 T (v2 ) + . . . + kn T (vn )

Além disso, T (v) ∈ W , portanto:

T (v) = l1 w1 + l2 w2 + . . . + lm wm (2)

com l1 , l2 , . . . , ln ∈ R.
Como T (vi ) ∈ W para todo i = 1, 2, . . . , n

74
 T (v1 ) = a11 w1 + a21 w2 + . . . + am1 wm



 T (v2 ) = a12 w1 + a22 w2 + . . . + am2 wm


.. (3)


 .
T (vn ) = a1n w1 + a2n w2 + . . . + amn wm



Substituindo (3) em (1), tem-se:

T (v) = k1 (a11 w1 + a21 w2 + . . . + am1 wm ) + k2 (a12 w1 + a22 w2 + . . . +

am2 wm ) + . . . + kn (a1n w1 + a2n w2 + . . . + amn wm )
T (v) = (k1 a11 + k2 a12 + . . . + kn a1n )w1 + (k1 a21 + k2 a22 + . . . + kn a2n )w2 +
. . . + (k1 am1 + k2 am2 + . . . + kn amn )wm )(4)

Comparando (2) e (4), tem-se:

l1 = k1 a11 + k2 a12 + . . . + kn a1n




 l2 = k1 a21 + k2 a22 + . . . + kn a2n


..


 .
lm = k1 am1 + k2 am2 + . . . + kn amn )wm



Na forma matricial:
     
l1 a11 a12 ... a1n k1

l2  
a21 a22 ... a2n   k2 
 
=
   
 .. .. . . 
  . 
. .   . 
  
  
lm am1 am2 . . . amn kn

ou seja, [T (v)]B = [T ]A
B .[v]A .
A matriz [T ]A B é a matriz associada a transformação T em relação as
bases A e B.

Exemplo 4.1.18. Seja a transformação linear T : R2 → R3 tal que T (x, y) =

(x, y, x + y). Sendo A a base canônica do R2 e B a base canônica do R3 ,
tem-se:
T (1, 0) = (1, 0, 1) = 1.(1, 0, 0) + 0.(0, 1, 0) + 1.(0, 0, 1)
T (0, 1) = (0, 1, 1) = 0.(1, 0, 0) + 1.(0, 1, 0) + 1.(0, 0, 1)

1 0
 

Então, [T ]B =  0 1 .
A  
1 1
" #
2
Agora considere o vetor [v]A = . Assim, aplicando T , tem-se:
3

1 0 2
   
" #
2
[T (v)]B = [T ]B .[v]A =  0 1  .
A
= 3 
   
3
1 1 5

75
Vamos repetir o mesmo exercício anterior agora com as bases A0 = {(1, 2), (1, 0)} ⊂
R2 e B 0 = {(1, 1, 0), (1, 0, 1), (0, 0, 1)}:

T (1, 2) = (1, 2, 3) = 2.(1, 1, 0) + (−1).(1, 0, 1) + 4.(0, 0, 1)

T (1, 0) = (1, 0, 1) = 0.(1, 1, 0) + 1.(1, 0, 1) + 0.(0, 0, 1)

2 0
 

Então, [T ]A = −1 1 .
 
B 
4 0
 3 
" #
2
Agora considere o vetor [v]A = . Então, [v]A0 =  21 . Assim,
 
3
2
aplicando T , tem-se:
  3  
2 0 3
 

=  −1 1  .  21  =  −1 
0
[T (v)]B 0 = [T ]A
B 0 .[v]A0
     
4 0 6
2
Quando os espaços vetoriais do domínio e do contradomínio são distintos,
naturalmente, as bases serão distintas. No importante caso dos operadores
lineares T : V → V , quando domínio e contradomínio coincidem, é natural
utilizarmos uma única base para representar o operador. Consistentemente
escrevemos

[T (ν)]A = [T ]A · [ν]A
Repare que não precisamos escrever [T ]AA . Evitando a redundância, su-
avizamos a notação e escrevemos simplesmente [T ]A .
Contudo, temos a liberdade de escolher outra base em V para representar
T . Se escolhermos a base B, escrevemos

[T (ν)]B = [T ]B · [ν]B .

As representações matriciais podem ser comparadas se observarmos as

relações

[ν]B = [I]A
B · [ν]A , [ν]A = [I]B
A · [ν]B ,

[T (ν)]B = [I]A
B · [T (ν)]A , [T (ν)]A = [I]B
A · [T (ν)]B ,

de mudança de base dos vetores. Evidentemente

[T ]B = [I]A
B · [T ]A · [I]A ,
B
[T ]A = [I]B
A · [T ]B · [I]B ,
A

são as relações entre diferentes representações matriciais.

76
Exemplo 4.1.19. T : R3 → R3 , definido por

T (x, y, z) = (2y + z, x − 4y, 3x)

e
A = {(1, 1, 1), (1, 1, 0), (1, 0, 0)} .
Vamos exibir [T ]A e verificar a validade da fórmula [T (ν)]A = [T ]A · [ν]A
para todo ν ∈ R3 .

T (1, 1, 1) = a1 1 · (1, 1, 1) + a2 1 · (1, 1, 0) + a3 1 · (1, 0, 0) = (3, −3, 3)

T (1, 1, 0) = a1 2 · (1, 1, 1) + a2 2 · (1, 1, 0) + a3 2 · (1, 0, 0) = (2, −3, 3)
T (1, 0, 0) = a1 3 · (1, 1, 1) + a2 3 · (1, 1, 0) + a3 3 · (1, 0, 0) = (0, 1, 3)

Resolvendo os três sistemas acima encontramos a1 1 = a1 2 = a1 3 = 3,

a2 1 = a2 2 = −6, a2 3 = −2, a3 1 = 6, a3 2 = 5 e a3 3 = −1 e tem-se

3 3 3
 

[T ]A =  −6 −6 −2  .
 
6 5 −1

As coordenadas de um vetor qualquer ν = (a, b, c) relativas à base A podem

ser calculadas facilmente,
 
c
[ν]A =  b − c  .
 
a−b

Seguindo o que aprendemos, encontramos os valor de α, β e δ:

T (ν) = T (a, b, c) = (2b + c, a − 4b, 3a) = α · (1, 1, 1) + β · (1, 1, 0) + δ · (1, 0, 0)

= (3a) · (1, 1, 1) + (−2a − 4b) · (1, 1, 0) + (−a + 6b + c) · (1, 0, 0)

e tem-se

3a
 

[T (ν)]A =  −2a − 4b  .
 
−a + 6b + c
Por outro lado,

3 3 3 3a
     
c
 −6 −6 −2  ·  b − c  =  −2a − 4b  ,
     
6 5 −1 a−b −a + 6b + c

77
confirmando [T (ν)]A = [T ]A · [ν]A .
De modo análogo, temos que considerando a base

B = {(0, 1, 1), (1, 0, 0), (1, 0, 1)}

a representação matricial do operador T nessa nova base é dada a seguir:

−4 1 1
 

[T ]B =  −1 −2 −1 
 
4 2 2

Neste ponto podemos calcular as matrizes de transição (ou matrizes mudança

de base):

1 1 0 1 0 1
   

[I]A =  1 2 1  [I]B =  0 0 −1  .
   
B A
0 −1 0 −1 1 1

O produto exposto abaixo ilustra a relação [T ]B = [I]A

B · [T ]A · [I]A
B

1 1 0 3 3 3 1 0 1
     

[T ]B =  1 2 1  ·  −6 −6 −2  ·  0 0 −1 
     
0 −1 0 6 5 −1 −1 1 1
1 1 0 0 3 3
   

=  1 2 1  ·  −4 −2 −2 
   
0 −1 0 7 −1 0
−4 1 1
 

=  −1 −2 −1 
 
4 2 2

Verifique a igualdade [T ]A = [I]B

A · [T ]B · [I]B .
A

Observação 4.1.20. Embora [T ]A e [T ]B sejam representações matriciais

diferentes do operador T , as diversas representações possuem propriedade e
relações que as ligam exclusivamente ao operador. No exemplo ilustrativo
acima det [T ]A = det [T ]B = −1. Verifique. O determinante é um exemplo
de invariante do operador, isto é, uma quantidade que independe da escolha
da base em que o operador será representado. De fato, todas as representa-
ções matriciais de T acima terão determinante −1.
Apenas pincelando o tema, podemos resumir que o número de quantida-
des invariantes depende do operador T : V → V e cresce com a dim(V ). O
espectro de autovalores, o determinante, o traço, o polinômio característico
são alguns exemplos importantes de quantidades invariantes que focamos
nesta disciplina. Essas quantidades podem ser calculadas diretamente de
qualquer matriz que represente o operador sob análise.

78
Exemplo 4.1.21. Considere o operador G(x, y, z) = (x + y, −x + z, x +
2y + z). Conforme vimos anteriormente, podemos efetuar os cálculos que
identificam o núcleo, a imagem e as, respectivas, bases utilizando a re-
presentação de G na base canônica. Ao fazer os cálculos, e peço-lhe que
os faça em detalhes como um exercício de recapitação, devemos encontrar
Im(G) = {(x, y, z) ∈ R3 /2x + y − z = 0}, N (G) = [(1, −1, 1)]. Uma pos-
sível base da imagem pode ser {(1, −2, 0), (1, 0, 2)}. Digamos que se queira
utilizar uma outra base ordenada A = {(0, 1, 0), (0, 1, −1), (1, 0, 1)} para re-
presentar o operador G. Nesse caso, os cálculos diretos (confira) nos levarão
à
1 −1 1
 

[G]A =  −1 0 −1  .
 
1 1 1
Lembrando que também poderíamos obter a representação acima fazendo uso
da fórmula [G]A = [I]can
A · [G]can · [I]can , onde
A

0 0 1
 

[I]A = 1 1 0 
 
can
0 −1 1
é facilmente obtida à partir da base A. Nesta base temos [G(ν)]A = [G]A ·
[ν]A . O cálculo segue o mesmo argumento: se
 
x
[G(ν)]A =  y  , G(ν) ∈ Im(G) ,
 
z
então o sistema
1 −1 1
     
a x
−1 0 −1 · b =
  y ,
     
  
1 1 1 c z
onde [ a b c ]t são as coordenadas de um vetor genérico relativas à base
A, necessariamente tem de ser compatível. Aprendemos que se obtém a
condição de compatibilidade impondo a igualdade entre o posto da matriz
ampliada e o posto da matriz dos coeficientes. Fazendo os cálculos você
encontrará que as coordenadas dos vetores relativas à base A na imagem
de G estão exclusivamente no conjunto Im([G]A ) = {(x, y, z) ∈ R3 /x +
2y + z = 0} (verifique). Uma base de Im([G]A ) pode ser encontrada fa-
cilmente: {(1, 0, −1), (2, −1, 0)}, por exemplo. Observamos imediatamente
que Im([G]A ) 6= Im(G). De fato, e é exatamente o ponto que queremos
focalizar, uma vez que obtivemos uma base de Im([G]A ), podemos calcular
uma base de Im(G) usando a matriz [I]A can :

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

79
Por último, calculamos o espaço gerado por (−1, 1, −1) e (0, 1, 1). Fica
como exercício mostrar que [(−1, 1, −1), (0, 1, 1)] coincide com Im(G) ante-
riormente calculado.
As matrizes associadas a alguns dos operadores lineares no espaço veto-
rial R2 em relação à base canônica A{(1, 0), (0, 1)}.

Operador " [T ]A
A .[v]
# A " # = [T (v)]A#
"
1 0 x x
Reflexão em torno do eixo X . =
0 −1 y −y
" # " # " #
k 0 x kx
Dilatação ou contração de fator k . =
0 k y ky
" # " # " #
1 0 x x
Cisalhamento na direção do eixo Y . =
k 1 y kx + y
" # " # " #
cosθ −senθ x xcosθ − ysenθ
Rotação . =
senθ cosθ y xsenθ + ycosθ

4.1.10 Operações com Transformações Lineares

1. Adição: Sejam T, S : V → W transformações lineares entre os es-
paços vetoriais V e W . Define-se a adição de T e S como sendo a
transformação linear:

(T + S) V → W
v → (T + S)(v) = T (v) + S(v)

B = [T ]B + [S]B , onde A é uma base de V e B

Matricialmente, [T + S]A A A

uma base de W .
Exemplo 4.1.22. Sejam T, S : R3 → R3 tal que T (x, y, z) = (x, 2y, z)
e S(x, y, z) = (0, 0, z).
A transformação soma é dado por T + S : R3 → R3 tal que (T +
S)(x, y, z) = (x, 2y, 2z).
1 0 0 0 0 0 1 0 0
     

E ainda, [T ] =  0 2 0 , [S] =  0 0 0  e [T +S] =  0 2 0 

     
0 0 1 0 0 1 0 0 2
em relação a base canônica do R3 .

2. Multiplicação por Escalar: Sejam T : V → W transformação linear

entre os espaços vetoriais V e W e k ∈ R um escalar. Define-se a
transformação linear produto de T pelo escalar k como sendo:

80
 (k.T ) V → W
v → (kT )(v) = k.T (v)

Matricialmente, [kT ]A
B = k.[T ]B , onde A é uma base de V e B uma
A

base de W .
Exemplo 4.1.23. Seja T : R2 → R3 tal que T (x, y) = (x + 2y, y, 3x)
e k = 2.
Então, (2T ) : R2 → R3 tal que 2T (x, y) = (2x + 4y, 2y, 6x).
1 2 2 4
   

E ainda, [T ] =  0 1  e [2T ] =  0 2  em relação a base canô-

   
3 0 6 0
nica do R2 e R3 , respectivamente.

3. Composição: Sejam T : V → W e S : W → U transformações lineares

entre os espaços vetoriais V , W e U . Define-se a composta de S por
T como sendo a transformação linear:

(S ◦ T ) V → U
v → (S ◦ T )(v) = S(T (v))

Matricialmente, [S ◦ T ]A
C = [S]C .[T ]B , onde A é uma base de V , B
B A

uma base de W e C uma base de U .

Exemplo 4.1.24. (a) Sejam as transformações lineares: T : R3 →
R2 tal que T (x, y, z) = (x+y, y +z) e SR2 → R2 tal que S(x, y) =
(2x + y, x − y).Então:
S ◦ T (x, y, z) = S(T (x, y, z)) = S(x + y, y + z) =
(2(x + y) + y + z, x + y − (y + z)) = (2x + 3y + z, x + z)
(b) Sejam os operadores lineares no R2 , T (x, y) = (2x + y, −y) e
S(x, y) = (2y, −x + 3y). Então:
(T ◦ S)(x, y) = T (S(x, y)) = T (2y, −x + 3y) = (2.2y + (−x +
3y), −(−x + 3y)) = (−x + 7y, x − 3y)
(S ◦ T )(x, y) = S(T (x, y)) = S(2x + y, −y) = (2.(−y), −(2x + y) +
3(−y)) = (−2y, −2x − 4y) " #
2 1
Com relação a base canônica temos que: [T ] = e [S] =
0 −1
" #
0 2
. Assim:
−1 3
" # " # " #
2 1 0 2 −1 7
[T ].[S] = . = = [T ◦ S]
0 −1 −1 3 1 −3
" # " # " #
0 2 2 1 0 −2
e [S].[T ] = . = = [S ◦ T ].
−1 3 0 −1 −2 −4

81
4.1.11 Propriedades de Transformações Invertíveis
Sejam T : V → W e S : W → U transformações lineares invertíveis e
k ∈ R com k 6= 0.

1. (T −1 )−1 = T
1 −1
2. (k.T )−1 = T
k
3. (S ◦ T )−1 = T −1 ◦ S −1

4.1.12 Exercícios
1. Verificar se as transformações são lineares:
T : R3 → R2
(a)
(x, y, z) → T (x, y, z) = (x2 , y + z)
T : R3 → R2
(b)
(x, y, z) → T (x, y, z) = (x, 2y)
T : R2 → R2
(c) com a e b ∈ R − {0}.
(x, y) → T (x, y) = (x + a, y + b)
T : R3 → R
(d)
(x, y, z) → T (x, y, z) = x − 3y + 1
T : R3 → R
(e)
(x, y, z) → T (x, y, z) = |x|
T : R3 → R3
(f)
(x, y, z) → T (x, y, z) = (x, 0, y + z)
T : R3 → R
(g)
(x, y, z) → T (x, y, z) = x + y + z

2. Para que valores de k ∈ R a transformação no R3 tal que T (x, y, z) =

(2x + 3k, y, 3z) é linear?

3. Seja Mn×n (R) o espaço vetorial das matrizes quadradas de ordem n

com entradas reais e M ∈ Mn×n (R) uma matriz arbitrária qualquer. A
transformação T : Mn×n (R) → Mn×n (R) tal que T (A) = M.A + A.M
é linear?

4. Sejam v = (0, 1), u = (1, 0), t = (2, 1), w = (1, 2) e T : R2 → R2 tal

que T (x, y) = (2x, 2y), que define a dilatação de fator 2 na direção do
vetor. Represente v, u, t, w, T (v), T (u), T (t) e T (w) em um sistema
de eixos cartesianos.

82
 5. "
Considere
# "a transformação
# linear T : R2 → M2×1 (R) tal que T (x, y) =
1 2 x
. Determine T (1, 1), T (−3, 4) e T (x, y).
0 1 y

6. Encontre a lei que define o operador linear T : R2 → R2 que faz

associar cada vetor v = (x, y) à sua reflexão em torno do eixo Y .
Determine T (−2, −3). Represente no sistema de eixos cartesianos.

7. Seja T : R3 → R2 uma transformação linear tal que T : (1, 0, 0) =

(2, 4), T (0, 1, 0) = (3, 5) e T (1, 1, 1) = (1, 1). Indique a lei que define
T.

8. Seja T : R3 → R2 uma transformação linear tal que T : (1, 1, 1) =

(1, 2), T (1, 1, 0) = (2, 3) e T (1, 0, 0) = (3, 4).

(a) Determine T (x, y, z).

(b) Determine (x, y, z) ∈ R3 tal que T (x, y, z) = (−3, −2).
(c) Determine (x, y, z) ∈ R3 tal que T (x, y, z) = (0, 0).

9. Calcule o núcleo e o conjunto imagem das transformações abaixo:

T : R3 → R2
(a)
(x, y, z) → T (x, y, z) = (x + 2y + 3z, 3x + 2y + z)
T : R2 → R3
(b)
(x, y) → T (x, y) = (x + y, 2x − y, −x + 3y)
T : R3 → R3
(c)
(x, y, z) → T (x, y, z) = (x − y + 3z, x − 2y, y + 3z)
T : R3 → R3
(d)
(x, y, z) → T (x, y, z) = (x + y + z, x − 2y, y + 3z)

10. Indique a lei da transformação inversa T −1 para cada um das trans-

formações lineares:
T : R3 → R3
(a)
(x, y, z) → T (x, y, z) = (x + y + z, x − 2y, y + 3z)
T : R2 → R2
(b)
(x, y) → T (x, y) = (x + y, x + 2y)
T : R3 → P2 (R)
(c)
(a, b, c) → T (a, b, c) = (a + b)X 2 + (a + b − c)X + (a + 2b + c)
T : R4 → M2×2 (R) " #
(d) z t
(x, y, z, t) → T (x, y, z, t) =
x y

83
11. Seja o operador linear T no R3 tal que T (x, y, z) = (x + 2y, y, x + z).
Mostre que T é um isomorfismo e indique sua inversa.

12. Considere B = {(1, 2, 1), (1, 1, 1), (−1, 0, 1)} uma base do R3 .

(a) Ache uma fórmula para a transformação linear T : R3 → R2 tal

que T (1, 2, 1) = (1, 0), T (1, 1, 1) = (1, 0) e T (−1, 0, 1) = (0, 1).
(b) Encontre uma base e a dimensão do núcleo de T , N (T ).
(c) Encontre uma base e a dimensão da imagem de T , Im(T ).
(d) T é invertível? Justifique sua resposta.

13. Seja T : R3 → R2 tal que T (x, y, z) = (x + y, x + z). Indique:

(a) [T ]A
B considerando A e B bases canônicas do R e R , respectiva-
3 2

mente.
(b) [T ]C
D onde C = {(1, 0, 0), (0, −1, 0), (0, 0, 2)} e {(1, 2), (2, 1)}.
(c) [T (v)]D onde v = (1, 1, 0).

14. Sejam S e T operadores lineares no R2 definidas por T (x, y) = (x, 3y)

e S(x, y) = (x + 2y, y). Determine:

(a) S + T
(b) 2S + 4T
(c) S ◦ T
(d) T ◦ S

2 0
 

15. Seja T a transformação linear determinada pela matriz  4 1 

 
1 −4
(essa é a representação matircial de T na base canômica do R2 e R3 ,
respectivamente).

(a) Indique a lei da transformação.

(b) Calcule T (−2, 1).

16. Seja T o operador linear no R3 definido por T (x, y, z) = (2y + z, x −

4y, 3x).

(a) Encontre a matriz de T na base {(1, 1, 0), (1, 0, 1), (1, 0, 0)}.
(b) Encontre [T (1, 0, −1]B utilizando [T ]B
B.

1 0 2
 

17. Seja T : R3 → R3 a transformação linear associada a matriz  3 0 −1 .

 
2 0 0

84
 (a) Ache uma base para o núcleo de T , N (T ).
(b) Ache uma base para a imagem T , Im(T ).
(c) T é sobrejetora ? E injetora?
(d) Determine a matriz associada a T em relação a base {(1, 2, 0), (0, −1, 1), (0, 1, 2)}.

18. Seja T : R2 → R3 a transformação linear definida por T (x, y) = (x +

2y, −x, 0).

(a) Ache a matriz associada a T relativa as bases A = {(1, 3), (−2, 4)}
e B = {(1, 1, 1), (2, 2, 0), (3, 0, 0)}.
(b) Use a matriz
! do item anterior para calcular [T (v)]B onde [v]A =
−1
.
2

−1 2
 

19. Seja T : R2 → R3 a transformação linear associada a matriz  3 0 .

 
2 1

(a) Qual a lei que define T ?

(b) Determine o núcleo de T e uma base para N (T ).
(c) Determine a imagem de T e uma base para Im(T ).

20. Seja a transformação linear T : R3 → R2 tal que T (x, y, z) = (2x − y +

3z, 4x + 2y + 3z).

(a) Considerando A e B as bases canônicas do R3 e do R2 , encontre

[T ]A
B.
(b) Considerando C = {(1, 1, 0), (0, 1, 1), (1, 0, 1)} uma base do R3 e
D = {(1, 1), (1, −1)} uma base do R2 , encontre [T ]C D.
(c) Encontre uma relação entre as duas matrizes encontradas nos
items anteriores.

21. Seja a transformação linear T : R2 → R3 tal que T (x, y) = (2x +

y, y, x + y). Encontre:

(a) A matriz de T em relação a base canônica;

(b) A matriz de T em relação as bases A = {(1, −2), (0, 1)} e B =
{(1, 0, 0), (0, 2, 1), (0, 0, 3)}.
(c) Encontre uma relação entre as duas matrizes encontradas nos
items anteriores.

85
 2 −1
 

22. Considere [T ]B =  1 0  onde A = {(1, 0), (−1, 1)} e B = {(1, 2, 3), (0, −1, 1), (0, 0, 2)}.
A  
0 2
Encontre as coordenadas de [T (v)]B sabendo
" #que as coordenadas de v
−1
em relação à base canônica do R2 são .
2

23. Sabendo que a transformação

" linear Tθ : R2 →
# R , cuja matriz em
2

cos(θ) −sen(θ)
relação à base canônica é , aplicada a um vetor
sen(θ) cos(θ)
" #
x
[v] = indica a rotação do vetor v de um ângulo θ. Utilizando a
y
matriz de rotação, determine o vértice C(x, y) de um triângulo retân-
gulo e isósceles em A, de vértices A(2, 1), B(5, 3) e C(x, y).

−2 0 0
 

24. Seja  0 1 0  a matriz associada a um operador T no R3 em

 
0 0 2
relação à base {(1, 0, 1), (0, −1, 1), (0, 0, 1)}. Determine a lei de T .
B −1
25. Mostre, usando a relação [T ]A = [I]B
A · [T ]B · [I]B e ([I]A )
A
= [I]A
B,
que det [T ]A = det [T ]B .

4.1.13 Respostas
1. a) Não b) Sim c) Não d) Não e) Não f) Sim g) Sim.

2. k = 0

3. Sim

4. T (v) = (0, 2), T (u) = (2, 0), T (t) = (4, 2) e T (w) = (2, 4). Faça a
representação gráfica em papel milimetrado para melhor compreensão.

5. T (1, 1) = (3, 1), T (−3, 4) = (5, 4) e T (x, y) = (x + 2y, y)

6. T (x, y) = (−x.y) e T (−2, −3) = (2, −3)

7. T (x, y, z) = (2x + 3y − 4z, 4x + 5y − 8z)

8. (a) T (x, y, z) = (3x − y − z, 4x − y − z)

(b) {(1, 6 − z, z)|z ∈ R}
(c) {(0, −z, z)|z ∈ R}

9. (a) N (T ){(x, −2x, x)|x ∈ R} e Im(T ) = R2

(b) N (T ) = {(0, 0)} e Im(T ) = [(1, 2, −1), (1, −1, 3)]

86
 (c) N (T ){(−6z, −3z, z)|z ∈ R} e Im(T ) = [(1, 1, 0), (−1, −2, 1), (3, 0, 3)]
(d) N (T ) = {(0, 0, 0)} e Im(T ) = R3
1
10. (a) T −1 : R3 → R3 tal que T −1 (x, y, z) = (6x + 2y − 2z, 3x − 3y −
8
z, −x + y + 3z)
(b) T −1 : R2 → R2 tal que T −1 (x, y) = (2x − y, −x + y)
(c) T −1 : P2 (R) → R3 tal que T −1 (aX 2 +bX +c) = (3a−b−c, −2a+
b + c, a − b)
" #
x y
(d) T −1 : M2×2 (R) → R4 tal que T −1 = (z, t, x, y)
z t

11. N (T ) = {(0, 0, 0)} então T é injetora. Im(T ) = R3 então T é sobreje-

tora. Assim T é um isomorfismo linear. E sua inversa é T −1 : R3 → R3
tal que T −1 (x, y, z) = (x − 2y, y, −x + 2y + z)
x + z −x + z
 
12. (a) T (x, y, z) = ,
2 2
(b) Uma base para T é dada por {(0, 1, 0)} e dimN (T ) = 1
(c) Im(T ) = R2 e dimIm(T ) = 2.
(d) Não pois não é injetora.
" #
1 1 0
13. (a) [T ]A =
B
1 0 1
 1 1 4 
 3 3 3 
D = 1
(b) [T ]C 2 2 
− −
3 3 3
(c) [T (1, 1, 0)]D = (0, 1)

14. (a) (S + T )(x, y) = (2x + 2y, 4y)

(b) (2S + 4T )(x, y) = (6x + 4y, 14y)
(c) (S ◦ T )(x, y) = (x + 6y, 3y)
(d) (T ◦ S)(x, y) = (x + 2y, 3y)

15. (a) T (x, y) = (2x, 4x + y, x − 4y)

(b) T (−2, 1) = (−4, −7, −6)

−3 1 1
 

16. (a) [T ]B =  3
B
3 3 
 
2 −3 −4
1
 

(b) [v]B =  3 
 
−5

87
17. (a) Uma base para N (T ) é dada por {(0, 1, 0)} e dimN (T ) = 1
(b) Uma base para Im(T ) é dada por {(1, 3, 2), (2, −1, 0)} e dimIm(T ) =
2
(c) Não. Não.
21 4
 

 6 10 20 
(d) 

3 3

5 10
 
2 −
 
−
3 3
0 0
 
 1
1 

18. (a) [T ]A −
B =

2
 
8 4 


3 3
0
 
 5 
(b) [T (v)]B = 
 
2

8
 
 
3
19. (a) T (x, y) = (−x + 2y, 3x, 2x + y)
(b) N (T ) = {(0, 0)}, não tem base.
(c) Uma base para Im(T ) é dada por {(−1, 3, 2), (2, 0, 1)}
" #
2 −1 3
20. (a) [T ]A =
B
4 2 3
7  7 
6
 2 2
(b) [T ]C
D =

5 3 
− − −1
2 2
 1 1 
1 0 1
 
 2 2 
D = [I]D [T ]B [I]D onde [I]A =  1 1 0  e [I]D =  1
(c) [T ]C B A C C   C
1 
0 1 1 −
2 2
2 1
 

21. (a) [T ]A = 0 1 
 
B 
1 1
0 1
 

 −1 1 
(b) [T ]C =

2

D
1
 
0
 
6

88
 1 0 0
 
" #
1 0
(c) [T ]B = [I]B T ]D [I]C onde [I]B =  0 2 0  e [I]C =
A D C A D A
 
2 1
0 1 3
 
−4
 −7 
22. [T (v)]B = 
 23 


3
23. C(0, 4) ou C(4, −2)

24. T (x, y, z) = (−2x, y, −4x + y + 2z)

25. Demonstração.

4.1.14 Apêndice C – Teoremas

Considere T : V → W uma transformação linear.

Proposição 4.1.25. Para quaisquer v1 , v2 , . . . , vn ∈ V e para quaisquer

k1 , k2 , . . . , kn ∈ R,

T (k1 v1 + k2 v2 + . . . + kn vn ) = k1 T (v1 ) + k2 T (v2 ) + . . . + kn T (vn )

Corolário 4.1.26. Sabendo-se as imagens dos vetores de uma base do es-

paço vetorial V é possível determinar a transformação linear T .

Proposição 4.1.27. Para quaisquer v, u ∈ V , T (−v) = −T (v) e T (v −u) =

T (v) − T (u).

Proposição 4.1.28. Seja S um subespaço vetorial do espaço vetorial V .

Então T (S) = {T (s)|s ∈ S} é um subespaço vetorial do espaço W .

Proposição 4.1.29. N (T ) é um subespaço vetorial de V .

Proposição 4.1.30. Im(T ) é um subespaço vetorial de W .

Teorema 4.1.31. (Teorema do Núcleo e da Imagem) dimV = dimN (T ) +

dimIm(T ).

Proposição 4.1.32. T é uma transformação linear injetora se e somente

se N (T ) = {0V }.

Proposição 4.1.33. Seja T uma transformação linear injetora e {v1 , v2 , . . . , vn } ⊂

V um conjunto de vetores linearmente independente. Então o conjunto
{T (v1 ), T (v2 ), . . . , T (vn )} ⊂ W também é linearmente independente.

Proposição 4.1.34. Se T é uma transformação linear injetora e dimV =

dimW então T é sobrejetora.

89
Proposição 4.1.35. T é bijetora se e somente se for invertível.

Proposição 4.1.36. Considere T, T 0 : V → W e R, R0 : W → U transfor-

mações lineares.

1. A composta R ◦ T : V → U tal que (R ◦ T )(v) = R(T (v)) é uma

transformação linear.

2. Se T e R são bijetoras, então:

(a) A inversa T −1 : W → V é uma transformação linear.

(b) (T −1 )−1 = T .
1
(c) (kT )−1 = T −1 para qualquer k ∈ R e k 6= 0
k
(d) (R ◦ T )−1 = T −1 ◦ S −1
(e) (R + R0 ) ◦ T = (R ◦ T ) + (R0 ◦ T )
(f) R ◦ (T + T 0 ) = (R ◦ T ) + (R ◦ T 0 )
(g) (k.R) ◦ T = k.(R ◦ T ) = R ◦ (k.T )

Proposição 4.1.37. Seja {v1 , v2 , . . . , vn } uma base de V . Se o vetor vi

pode ser associado a um vetor wi ∈ W , para todo i = 1, 2, . . . , n então existe
uma única transformação linear T : V → W tal que T (vi ) = wi .

Proposição 4.1.38. Seja L(V, W ) (ou Hom(V, W )) o conjunto de todas as

transformações lineares de V em W e as seguintes operações:
+ : L(V, W ) × L(V, W ) → L(V, W )
(T, S) → T +S
. : R × L(V, W ) → L(V, W )
(k, T ) → k.T

Então (L(V, W ), +, .) é um espaço vetorial.

Proposição 4.1.39. Se dimV = n e dimW = m então dimL(V, W ) = n.m.

Definição 4.1.40. O conjunto L(V, R) ou Hom(V, R) ou V ∗ de todos os

funcionais de V em R é denominado espaço vetorial dual de V .

90
Capítulo 5

Produto interno positivo

definido

5.1 Primeiros conceitos

Considere V um espaço vetorial n dimensional sobre o corpo dos com-
plexos R. O produto interno sobre V é uma função binária
h, i V × V → R
(u, v) → hu, vi
que satisfaz as propriedades:

PI1 Positiva Definida: para todo v ∈ V , hv, vi ≥ 0 e hv, vi = 0 se e somente

se v = 0V .

PI2 Simétrica: para quaisquer u, v ∈ V , hv, ui = hu, vi.

PI3 Aditividade: para quaisquer u, v, w ∈ V , h(v + u), wi = hv, wi + hu, wi.

PI4 Homogeneidade: para quaisquer u, v ∈ V e para todo k ∈ R, h(ku), vi =

khu, vi.

Exemplo 5.1.1.

1. O produto interno usual no Rn é h(u1 , . . . , un ), (v1 , . . . , vn )i = u1 v1 +

· · · + un vn ;
1
2. V : R2 , h(x, y), (z, t)i = xz + 3yt;
2
3. V : R3 , h(x1 , x2 , x3 ), (y1 , y2 , y3 )i = x1 y1 + 2x2 y2 + 5x3 y3 .

Teorema 5.1.2. Seja V um espaço vetorial munido de um produto interno.

Para quaisquer u, v, w ∈ V e k, ` ∈ R,

91
 1. hu, kvi = khu, vi

2. hku, `vi = k`hu, vi

3. hu, v + wi = hu, vi + hu, wi

4. hu, 0V i = 0

5. Se u 6= 0V e hu, vi = 0 então v = 0V .

6. hu − v, wi = hu, wi − hv, wi

7. Se u 6= 0V e hu, vi = hu, wi então v = w.

Definição 5.1.3. Seja V um espaço vetorial munido de um produto interno.
A norma de um vetor é a função
kk: V → q R
kvk → hv, vi.

Assim, kvk2 = hv, vi. Observe que, a norma de vetores depende do

produto interno considerado. Um vetor v ∈ V é denominado vetor unitário
1 v
quando kvk = 1. Seja v 6= 0V , o vetor v = é denominado vetor
kvk kvk
v
normalizado ou versor de v e é um vetor unitário, isto é, = 1.
kvk
Teorema 5.1.4. Seja V um espaço vetorial munido de um produto interno.
Para quaisquer u, v, w ∈ V e k ∈ R,
v
1. Se v 6= 0V então = 1.
kvk
2. kvk ≥ 0 e kvk = 0 se e somente se v = 0V .

3. (Desigualdade de Cauchy-Schwarz) |hu, vi| ≤ kuk kvk

4. (Corolário) hu, vi2 ≤ kuk2 kvk2

5. (Desigualdade Triangular) kv + uk ≤ kvk + kuk

6. kkvk = |k| kvk

Definição 5.1.5. Define-se a função distância entre vetores como sendo
d: V ×V → R
(u, v) → d(u, v) = ku − vk.
q
Desta forma, d(u, v) = hu − v, u − vi e d(u, v)2 = hu − v, u − vi.
Teorema 5.1.6. Seja V um espaço vetorial munido de um produto interno.
Para quaisquer u, v, w ∈ V e k ∈ R,

92
 1. d(u, v) ≥ 0 e d(u, v) = 0 se e somente se u = v.

2. d(u, v) = d(v, u)

3. d(u, v) ≤ d(u, w) + d(w, v)

Definição 5.1.7. O ângulo θ entre dois vetores u, v ∈ V é tal que

hu, vi
cos θ = com 0 ≤ θ ≤ π.
kukkvk
Dois vetores u, v ∈ V são vetores ortogonais, v⊥u, quando por hu, vi =
0. O conjunto de vetores A = {v1 , . . . , vr } ⊆ V é dito conjunto ortogonal
quando hvi , vj i = 0, para todo i, j = 1, . . . , r, i 6= j. Se em um conjunto
ortogonal todos os vetores são unitários o conjunto é denomindado conjunto
ortonormal. Desta forma, se uma base do espaço vetorial for um conjunto
ortogonal, será denominada base ortogonal. Uma base ortogonal formada
por vetores unitários é chamada base ortonormal.

Exemplo 5.1.8. O conjunto {(1, 2, 0), (2, −1, 3), (−6, 3, 5)} é uma base or-
1 2 2 1 3 6 3 5
togonal e o conjunto {( √ , √ , 0), ( √ , − √ , √ ), (− √ , √ , √ )}
5 5 14 14 14 6 2 6 2 6 2
uma base ortonormal do R3 .

Teorema 5.1.9. Seja V um espaço vetorial munido de um produto interno.

Para quaisquer u, v, w ∈ V e k ∈ R,

1. 0V ⊥v.

2. Se u⊥v então v⊥u.

3. Se u⊥w e v⊥w então u + v⊥w.

4. Se u⊥v então ku⊥v.

5. (Generalização do Teorema de Pitágoras) Se {v1 , . . . , vr } é um con-

junto ortogonal de vetores então kv1 + · · · + vr k2 = kv1 k2 + · · · + kvr k2 .

6. Se {v1 , . . . , vr } ⊂ V é um conjunto ortogonal de vetores não nulos

então {v1 , . . . , vr } é linearmente independente.

7. Seja S ≤ V , {v1 , . . . , vr } uma base de S e v ∈ V tal que para todo

i = 1, . . . , r, v⊥vi então para todo s ∈ S, v⊥s.
hv, v1 i
8. Seja {v1 , . . . , vn } uma base ortogonal de V então v = v1 + · · · +
hv1 , v1 i
hv, vn i
vn .
hvn , vn i
Corolário 5.1.10. Se {v1 , . . . , vn } é uma base ortonormal de V então v =
hv, v1 iv1 + · · · + hv, vn ivn .

93
5.2 Processo de ortogonalização de Gram-Schmidt
O processo de ortogonalização de Gram-Schmidt resolve o pro-
blema de a partir de uma base qualquer de um espaço vetorial munido de
um produto interno, se obter uma base ortogonal. E, posteriormente, se
obter uma base ortonormal. O processo será apresentado para os espaços
vetoriais R2 e R3 para o produto interno usual e depois generalizado.

5.2.1 Processo para o R2

Considere {v1 , v2 } uma base do R2 . Sejam u1 = v1 e u2 = v2 − ku1 tal
que hu1 , u2 i = 0.
v2
 
u1 = v1

u2 ku1

Figura 5.1: Interpretação geométrica no R2

O escalar k é tal que

hu1 , u2 i = 0
hu1 , v2 − ku1 i = 0
hu1 , v2 i − khu1 , u1 i = 0
hu1 , v2 i
k=
hu1 , u1 i
hu1 , v2 i
Assim, u2 = v2 − u1 .
hu1 , u1 i
O vetor ku1 é a projeção ortogonal do vetor v2 no subespaço gerado pelo
hu1 , v2 i
vetor u1 . proj[u1 ] v2 = ku1 = u1 .
hu1 , u1 i n u
1 u2 o
Logo, {u1 , u2 } é uma base ortogonal e , é uma base orto-
ku1 k ku2 k
normal do R2 .

Exemplo 5.2.1. Ortogonalizando a base {(1, 2), (3, 5)} pelo processo de de
Gram-Schmidt.

94
 • u1 = v1 = (1, 2)
hu1 , v2 i h(1, 2), (3, 5)i 13
• u2 = v2 − u1 = (3, 5) − (1, 2) = (3, 5) − (1, 2) =
hu1 , u1 i h(1, 2), (1, 2)i 5
2 1
( ,− )
5 5
13 26
O vetor ( , ) é a projeção ortogonal do vetor (3, 5) no subespaço [(1, 2)].
5 5n
2 1 o n 1 2 2 1 o
O conjunto (1, 2), ( , − ) é uma base ortogonal e ( √ , √ ), ( √ , − √ )
5 5 5 5 5 5
uma base ortonormal do R2 .

5.2.2 Processo para o R3

Considere {v1 , v2 , v3 } uma base do R3 . Sejam u1 = v1 e u2 = v2 −
hu1 , v2 i
u1 . O vetor u3 é obtido em função dos vetores u1 , u2 e v3 de tal
hu1 , u1 i
forma forma que seja ortogonal tanto a u1 quanto ao u2 . Assim, u3 =
v3 − k2 u2 − k1 u1 com hu1 , u3 i = 0 e hu2 , u3 i = 0.

u3
 

v3

u2
k2 u2

k1 u1
k1 u1 + k2 u2
u1

Figura 5.2: Interpretação geométrica no R3

O escalar k1 é tal que

hu1 , u3 i = 0
hu1 , v3 − k2 u2 − k1 u1 i = 0
hu1 , v3 i − k2 hu1 , u2 i − k1 hu1 , u1 i = 0
hu1 , v3 i
Mas, u1 ⊥u2 ∴ hu1 , u2 i = 0 ∴ hu1 , v3 i − k1 hu1 , u1 i = 0 ∴ k1 =
hu1 , u1 i

O escalar k2 é tal que

95
 hu2 , u3 i = 0
hu2 , v3 − k2 u2 − k1 u1 i = 0
hu2 , v3 i − k2 hu2 , u2 i − k1 hu2 , u1 i = 0
hu2 , v3 i
Mas, u1 ⊥u2 ∴ hu2 , u1 i = 0 ∴ hu2 , v3 i − k2 hu2 , u2 i = 0 ∴ k2 =
hu2 , u2 i

hu2 , v3 i hu1 , v3 i
Desta forma, u3 = v3 − u2 − u1 .
hu2 , u2 i hu1 , u1 i
O vetor k1 u1 + k2 u2 é a projeção ortogonal do vetor v3 no subespaço
hu1 , v3 i
gerado pelos vetores u1 e u2 . proj[u1 ,u2 ] v3 = k1 u1 + k2 u2 = u1 +
hu1 , u1 i
hu2 , v3 i
u2 .
hu2 , u2 i n u
1 u2 u3 o
Logo, {u1 , u2 , u3 } é uma base ortogonal e , , é uma
ku1 k ku2 k ku3 k
base ortonormal do R3 .

5.2.3 Generalização
Considere {v1 , . . . , vn } uma base de V e os vetores:

u1 = v1
hu1 , v2 i
u2 = v2 − u1
hu1 , u1 i
........................
n−1
X hui , vn i
un = vn − ui
i=1
hu i , ui i
n u un o
1
Então, {u1 , . . . , un } é uma base ortogonal e ,..., uma base
ku1 k kun k
ortonormal de V .
Para j = 2, . . . , n, a projeção ortogonal do vetor vj no subes-
paço gerado pelos vetores u1 , . . . , uj−1 é o vetor proj[u1 ,...,uj−1 ] vj =
j−1
X hui , vj i
ui
i=1
hui , ui i

5.3 Complemento ortogonal

Seja S um subespaço vetorial de V . O complemento ortogonal de S
é o conjunto S ⊥ = {v ∈ V, hv, si = 0, para todo s ∈ S}.

Exemplo 5.3.1. 1. S = {(x, y, z) ∈ R3 , x = 0}. Encontrar um vetor

ortogonal ao subespaço S significa encontrar um vetor ortogonal aos
vetores de uma base de S.

96
 Seja {(0, 1, 0), (0, 0, 1)} uma base de S. Assim,
S ⊥ = {(x, y, z) ∈ R3 , (x, y, z)⊥(0, 1, 0) e (x, y, z)⊥(0, 0, 1)}.
h(x, y, z), (0, 1, 0)i = 0 e h(x, y, z), (0, 0, 1)i = 0 ∴ y = 0 e z = 0
Então, S ⊥ = {(x, y, z) ∈ R3 , y = 0 e z = 0}.

2. S = {(3y − z, y, z), y, z ∈ R}. Seja {(3, 1, 0), (−1, 0, 1)} uma base de
S.
S ⊥ = {(x, y, z) ∈ R3 , h(x, y, z), (3, 1, 0)i = 0 e h(x, y, z), (−1, 0, 1)i =
0}.
(
3x + y = 0
Assim,
−x + z = 0
Então, S ⊥ = {(z, −3z, z), z ∈ R}.

Teorema 5.3.2. Seja V um espaço vetorial munido de um produto interno.

Para quaisquer u, v, w ∈ V e k ∈ R,

1. S ⊥ 6= ∅

2. S ⊥ ≤ V

3. S ∩ S ⊥ = {0V }

4. Sejam S, R ≤ V . Então (S ⊥ )⊥ = S, (S +R)⊥ = S ⊥ ∩R⊥ e (S ∩R)⊥ =

S ⊥ + R⊥ .

5. V = S ⊕ S ⊥

Corolário 5.3.3. (Teorema da Dimensão) dim S + dim S ⊥ = dimV

5.4 Exercícios
1. Verifique se as funções abaixo definem produtos internos no R2 .

(a) h(x, y), (z, t)i = 2xz + 3yt

(b) h(x, y), (z, t)i = xz − yt
(c) h(x, y), (z, t)i = 4xz
(d) h(x, y), (z, t)i = xz + yt + 1
(e) h(x, y), (z, t)i = 2x2 z + y 2 t
(f) h(x, y), (z, t)i = x2 z 2 + y 2 t2
(g) h(x, y), (z, t)i = xz − 2xt − 2yz + 5yt
(h) h(x, y), (z, t)i = k1 `1 + k2 `2 onde A = {v1 , v2 } é uma base do R2
e (x, y) = k1 v1 + k2 v2 e (z, t) = `1 v1 + `2 v2 .

97
 2. Considere o espaço vetorial das matrizes quadradas M atn (R) com as
operações usuais. Mostre que a função hA, Bi = tr(A B T ) é um pro-
duto interno.

3. Calcule a norma do vetor (1, −5, 2) considerando:

(a) o produto interno usual no R3 .

1
(b) h(x, y, z), (w, r, t)i = xw + yr + 3zt.
2
√
4. Considere o R3 . Indique o valor de k ∈ R para que k(6, k, 1)k = 41.
v
5. Mostre que para todo v ∈ V , = 1.
kvk
6. Sejam u, v ∈ V tais que kuk = 3, kvk = 5. Indique o valor de k ∈ R
para que hu + kv, u − kvi = 0.

7. Considere o produto interno usual no R2 , u = (1, 2) e v = (3, 5).

(a) Interprete geometricamente u + v, u − v e v − u.

(b) Calcule d(v, u) e o ângulo entre eles.

8. Considere
√ o produto interno usual no R2 , kuk = 3, kvk = 4 e ku+vk =
2 5. Indique o ângulo entre v e u.

9. Verifique se os vetores (2, −3) e (3, 2) são ortogonais em relação aos

produtos internos:

(a) usual.
(b) h(x, y), (z, t)i = 4xz + 3yt.

10. Se u⊥v então ku + vk2 = kuk2 + kvk2 ?

11. Verifique se as bases são ortogonais:

(a) {(1, 2), (3, 5)}

n 2 2 1   2 1 2   1 2 2 o
(b) ,− , , , ,− , , ,
3 3 3 3 3 3 3 3 3
12. Encontre um vetor unitário que seja ortogonal aos vetores (1, −1, 0) e
(2, −1, 1).
√
13. Se u⊥v unitários então ku − vk = 2?

14. A partir da base {(1, 2), (3, 5)} indique duas bases ortonormais distin-
tas.

15. Normalize o conjunto {(2, −1, 3), (−6, 3, 5)}.

98
 16. Ortonormalize as bases:

(a) {(1, 1, 2), (1, 2, 0), (0, −1, 1)}

(b) {(1, 1, 1), (−1, 1, 0), (1, 2, 1)}
(c) {(1, 0, 0), (3, 7, −2), (0, 4, 1)}

17. Seja o subespaço S gerado pela base ortogonal {(0, 1, 0), (−4, 0, 3)}.
Encontre a projeção do vetor (1, 1, 1) em S.

18. O conjunto {(1, 0, 2), (0, 1, 1)} é uma base do subespaço S.

(a) Ortogonalize-a obtendo uma base B.

(b) Encontre a projeção do vetor (1, 1, −1) no subespaço gerado por
B.

19. Indique S ⊥ sendo:

(a) S = {(3y − z, y, z), y, z ∈ R}.

(b) S = [(1, 2, −3), (2, −4, 2)].

20. Considere o produto interno h(x, y, z), (w, r, t)i = xw + 2yr + 3zt do
R3 . Ortogonalize a base {(1, 1, 1), (1, 1, 0), (1, 0, 0)}

21. Considere o produto interno h(x, y, z), (w, r, t)i = 2xw + 3yr + 4zt do
R3 e o subespaço S = {(z, y, z), y, z ∈ R}. Indique S ⊥ , uma base e sua
dimensão.

5.4.1 Gabarito
1. Apenas as letras a e h são produtos internos.

2. Demonstração
√
√ 5 6
3. a- 30 b-
2
4. k = ±2

5. Demonstração
3
6. k = ±
5
√ 13
 
7. a- Interpletação geométrica. b- d(u, v) = 13 e θ = arccos √
170
5
 
8. θ = arccos −
24
9. a- Sim b- Não

99
10. Demonstração

11. a- Não b- Sim

√ √ √ ! √ √ √ !
3 3 3 3 3 3
12. , ,− ou − ,− ,
3 3 3 3 3 3

13. Sim
2 1 5 3
   
14. {(1, 2), , − } e {(3, 5), − , }
5 5 34 34
( √ √ √ ! 
14 − 14 3 14 6 3 5
)
15. , , , −√ , √ , √
7 14 14 70 70 70
16. Use o processo de ortogonalização de Graham Schmitz
4 3
 
17. projS (1, 1, 1) = , 1, −
25 25
2 1 1 1 1
    
18. a- (1, 0, 2), − , 1, b- projS (1, 1, −1) = − , , −
5 5 3 3 3
19. a- S ⊥ = {(x, −3x, x)|x ∈ R} b- S ⊥ = {(x, x, x)|x ∈ R}

20. Use o processo de ortogonalização de Graham Schmitz

21. S ⊥ = {(−2z, 0, z)|z ∈ R}, {(−2, 0, 1)} forma uma base para S ⊥ e
dimS ⊥ = 1.

100
Capítulo 6

Autovalores e autovetores

6.1 Primeiros conceitos

Definição 6.1.1. Seja T : V → V um operador linear. Um vetor v ∈ V
não nulo, é dito autovetor, vetor próprio ou vetor característico do
operador T , se existir λ ∈ R tal que T (v) = λv. E ainda, o escalar λ é
dito autovalor, valor próprio ou valor característico do operador T
associado ao autovetor v.

Exemplo 6.1.2. 1. T : R2 → R2 tal que T (x, y) = (−7x+10y, −5x+8y).

O vetor (2, 1) é um autovetor de T associado ao autovalor −2, pois
T (2, 1) = (−4, −2) = −2(2, 1). E ainda, o vetor (1, 1) é um autovetor
de T associado ao autovalor 3, pois T (1, 1) = (3, 3) = 3(1, 1).

2. T : R3 → R3 tal que T (x, y, z) = (y + z, x + z, x + y). O vetor

(1, 1, 1) é um autovetor de T associado ao autovalor 2, pois T (1, 1, 1) =
(2, 2, 2) = 2(1, 1, 1). E ainda, o vetor (1, 0, −1) é um autovetor de T as-
sociado ao autovalor −1, pois T (1, 0, −1) = (−1, 0, 1) = −1(1, 0, −1).

3. A transformaçaõ linear no plano que tem como autovalores os escalares

−1 e 3 e autovetores associados os vetores (1, 0) e (1, 2), respectiva-
mente, pode ser determinada da seguinte maneira:

• Observe que o conujunto {(1, 0), (1, 2)} forma uma base para o
R2 (Verificar!). E portanto, podemos escrever:
 2x − y  y 
(x, y) = .(1, 0) +
.(1, 2);
2 2
• Pela definição vista acima temos que T (1, 0) = −1(1, 0) = (−1, 0)
e T (1, 2) = 3(1, 2) = (3, 6);

101
 • Assim, pela definição de transformações lineares, temos que:
 2x − y y 
T (x, y) = T .(1, 0) + .(1, 2)
2 2
 2x − y  y 
T (x, y) = T .(1, 0) + T .(1, 2)
2 2
 2x − y  y 
T (x, y) = .T (1, 0) + .T (1, 2)
2 2
 2x − y  y 
T (x, y) = (−1, 0) + (3, 6)
2 2
 2x − y   y y
T (x, y) = − , 0 + 3. , 6.
2 2 2
T (x, y) = (−x + 2y, 3y)

Assim a transformação linear procurada é dada por T : R2 → R2 tal

que T (x, y) = (−x + 2y, 3y).

Seja λ é um autovalor do operador linear T : V → V . O conjunto

Vλ = {v ∈ V |T (v) = λv} de todos os autovetores associados a λ junto com
o vetor nulo, é denominado autoespaço correspondente ao autovalor
λ.

Como calcular autovalores e autoespaços:

Considere o operador linear T : V → V onde V é um espaço vetorial de

dimensão dimV = n, um autovetor v ∈ V associado a λ ∈ R e o operador
identidade IV : V → V tal que IV (v) = v.
Por definição temos que T (v) = λv, então podemos escrever T (v) =
λIV (v) e, portanto, temos que T (v) − λIV (v) = 0V (0V é o vetor nulo de
V ).
Pela definição de transformações lineares, (T − λIV )(v) = 0V . Isso quer
dizer que existe um vetor não nulo v ∈ V no núcleo da transformação linear
(T − λIV ).
Assim podemos afirmar que o operador linear (T − λIV ) não é injetivo,
consequentemente, não é bijetivo, nem invertível. O fato do operador linear
não ser invertível é equivalente ao do determinate de sua matriz associada,
dada qualquer base*, ser zero. Isto é, det([T ]β − λIn ) = 0 onde β é uma
base qualquer de V e In é a matriz identidade de ordem n.
A equação det([T ]β − λIn ) = 0 é denominada de equação caracterís-
tica e o polinômio p(λ) = det([T ]β − λIn ) é denominado de polinômio
característico de T . A importância do polinômio característico de T está
no fato de suas raízes serem exatamente os autovalores de T .

Observação 6.1.3. (∗) Por que podemos escolher qualquer base para cal-
cular o polinômio característico de um operador linear?

102
Sejam dadas β e α duas bases quaisquer de V , sabemos que existe uma rela-
ção entre as matrizes associadas ao operador linear T relativas à cada base
dada por:
[T ]β = [P ].[T ]α .[Q]
onde [P ] é a matriz mudança de base α para a base β e [Q] sua inversa (ou
seja, [P ].[Q] = In e det[P ].det[Q] = 1). Assim:
p(λ) = det([T ]β − λIn )
p(λ) = det([P ].[T ]α .[Q] − λIn )
p(λ) = det([P ].[T ]α .[Q] − λ[P ].In .[Q])
p(λ) = det([P ].([T ]α − λIn ).[Q])
p(λ) = det[P ].det([T ]α − λIn ).det[Q]
p(λ) = det[P ].det[Q].det([T ]α − λIn )
p(λ) = det([T ]α − λIn )

Para calcular um autoespaço associado a um autovalor λ de um operador

linear T basta ver que ele é o conjunto solução da equação vetorial T (v) = λv.
Agora, sem deixar qualquer dúvida, vamos aplicar o estudo feito nos
exemplos a seguir:
Exemplo 6.1.4. Para cada operador linear abaixo, determine o polinômio
característico, os autovalores reais (se possível) e os seus respectivos auto-
espaços.
1. T : R2 → R2 definida por T (x, y) = (x − 4y, 2x − 5y);

Solução 6.1.5. Vamos considerar a matriz associada a T relativa à

base canônica do R2 e a matriz identidade de ordem 2 abaixo:
" # " #
1 −4 1 0
[T ] = e I2 =
2 −5 0 1
" # " # " #
1 −4 1 0 1−λ −4
Assim, [T ] − λI2 = −λ =
2 −5 0 1 2 −5 − λ
" #
1−λ −4
Então, det([T ]−λI2 ) = det = λ2 +4λ+3. E ainda,
2 −5 − λ
fazendo det([T ]−λI2 ) = 0 temos λ2 +4λ+3 = 0 e λ1 = −1 e λ2 = −3.
Logo, temos que o polinômio característico de T é dado por λ2 + 4λ + 3
e seus autovalores são λ1 = −1 e λ2 = −3.
Agora vamos determinar os autoespaços associados a −1 e −3:
Quando λ = −1, temos T (x, y) = −1(x, y), ou seja, (x−4y, 2x−5y) =
−1(x, y).

103
 (
x − 4y = −x
∴ x = 2y.
2x − 5y = −y

Logo, V−1 = {(2y, y)|y ∈ R} é o autoespaço de T correspondente ao

autovalor −1.
Quando λ = −3, temos T (x, y) = −3(x, y), ou seja, (x−4y, 2x−5y) =
−3(x, y).
(
x − 4y = −3x
∴ x = y.
2x − 5y = −3y

Logo, V−3 = {(y, y)|y ∈ R} é o autoespaço de T correspondente ao

autovalor −3.

2. T : R2 → R2 definida por T (x, y) = (x − 2y, x − y);

Solução 6.1.6. Vamos considerar a matriz associada a T relativa à

base canônica do R2 e a matriz identidade de ordem 2 abaixo:
" # " #
1 −2 1 0
[T ] = e I2 =
1 −1 0 1
" # " # " #
1 −2 1 0 1−λ −2
Assim, [T ] − λI2 = −λ =
1 −1 0 1 1 −1 − λ
" #
1−λ −2
Então, det([T ] − λI2 ) = det = λ2 + 1. E ainda,
1 −1 − λ
fazendo det([T ] − λI2 ) = 0 temos λ2 + 1 = 0 que é uma equação que
não possui raízes reais. Logo, o polinômio característico de T é dado
por λ2 + 1 e T não possui autovalores reais.

3. T : R3 → R3 definida por T (x, y, z) = (2x + y, x + y + z, x + 3y − z);

Solução 6.1.7. Vamos considerar a matriz associada a T relativa à

base canônica do R3 e a matriz identidade de ordem 3 abaixo:
2 1 0 1 0 0
   

[T ] =  1 1 1  e I3 =  0 1 0 
   
1 3 −1 0 0 1

2 1 0 1 0 0 2−λ 1 0
     

Assim, [T ]−λI3 =  1 1 1 −λ  0 1 0 = 1 1−λ 1 .

     
1 3 −1 0 0 1 1 3 −1 − λ
2−λ 1 0
 

Então, det([T ] − λI3 ) = det  1 1−λ 1  = (1 − λ)(λ −

2
 
1 3 −1 − λ

104
 λ−6).E ainda, fazendo det([T ]−λI3 ) = 0 temos (1−λ)(λ2 −λ−6) = 0
e λ1 = 1, λ2 = 3 e λ3 = −2.
Logo, temos que o polinômio característico de T é dado por (1−λ)(λ2 −
λ − 6) e seus autovalores são λ1 = 1, λ2 = 3 e λ3 = −2.
Agora vamos determinar os autoespaços associados a 1, 3 e −2:
Quando λ = 1, temos T (x, y, z) = 1(x, y, z), ou seja, (2x + y, x + y +
z, x + 3y − z) = 1(x, y, z).


 2x + y = x
x + y + z = y ∴ y = −x e z = −x.
 x + 3y − z = z


Logo, V1 = {(x, −x, −x)|x ∈ R} é o autoespaço de T correspondente

ao autovalor 1.
Quando λ = 3, temos T (x, y, z) = 3(x, y, z), ou seja, (2x + y, x + y +
z, x + 3y − z) = 3(x, y, z).


 2x + y = 3x
x + y + z = 3y ∴ y = x e z = x.
 x + 3y − z = 3z


Logo, V3 = {(x, x, x)|x ∈ R} é o autoespaço de T correspondente ao

autovalor 3.
Quando λ = −2, temos T (x, y, z) = −2(x, y, z), ou seja, (2x + y, x +
y + z, x + 3y − z) = −2(x, y, z).


 2x + y = −2x
x + y + z = −2y ∴ y = −4x e z = 11x.
 x + 3y − z = −2z


Logo, V−2 = {(x, −4x, 11x)|x ∈ R} é o autoespaço de T correspondente

ao autovalor −2.

4. T : R3 → R3 definida por T (x, y, z) = (y + z, x + z, x + y);

Solução 6.1.8. Vamos considerar a matriz associada a T relativa à

base canônica do R3 e a matriz identidade de ordem 3 abaixo:

0 1 1 1 0 0
   

[T ] =  1 0 1  e I3 =  0 1 0 
   
1 1 0 0 0 1

105
 0 1 1 1 0 0 −λ 1 1
     

Assim, [T ]−λI3 =  1 0 1  −λ  0 1 0  =  1 −λ 1 .
     
1 1 0 0 0 1 1 1 −λ
−λ 1 1
 

Então, det([T ] − λI3 ) = det  1 −λ 1  = −λ3 + 3λ + 2. E

 
1 1 −λ
ainda, fazendo det([T ] − λI3 ) = 0 temos −λ3 + 3λ + 2 = 0 e λ1 = −1,
λ2 = −1 e λ3 = 2.
Logo, temos que o polinômio característico de T é dado por −λ3 +3λ+2
e seus autovalores são λ1 = −1, λ2 = −1 e λ3 = 2.
Agora vamos determinar os autoespaços associados a −1 e 2:
Quando λ = −1, temos T (x, y, z) = −1(x, y, z), ou seja, (y + z, x +
z, x + y) = −1(x, y, z).

 y+z
 = −x
x + z = −y ∴ x + y + z = 0.
 x + y = −z


Logo, V−1 = {(x, y, z) ∈ R3 |x + y + z = 0} é o autoespaço de T

correspondente ao autovalor −1.
Quando λ = 2, temos T (x, y, z) = 2(x, y, z), ou seja, (y + z, x + z, x +
y) = 2(x, y, z).

 y+z
 = 2x
x + z = 2y ∴ x = y = z.
 x + y = 2z


Logo, V2 = {(x, x, x)|x ∈ R} é o autoespaço de T correspondente ao

autovalor 2.

5. T : R3 → R3 definida por T (x, y, z) = (−x, −2y, y − 2z).

Solução 6.1.9. Vamos considerar a matriz associada a T relativa à

base canônica do R3 e a matriz identidade de ordem 3 abaixo:
−1 0 0 1 0 0
   

[T ] =  0 −2 0  e I3 =  0 1 0 
   
0 1 −2 0 0 1

−1 0 0 1 0 0 0 0
     
−1 − λ
Assim, [T ]−λI3 =  0 −2 0 −λ  0 1 0 = 0 −2 − λ 0
     

0 1 −2 0 0 1 0 1 −2 − λ
0 0
 
−1 − λ
Então, det([T ] − λI3 ) = det  0 −2 − λ 0  = (−1 −
 
0 1 −2 − λ

106
 λ)(−2 − λ)(−2 − λ). E ainda, fazendo det([T ] − λI3 ) = 0 temos
(−1 − λ)(−2 − λ)(−2 − λ) = 0 e λ1 = −1, λ2 = −2 e λ3 = −2.
Logo, temos que o polinômio característico de T é dado por (−1 −
λ)(−2 − λ)(−2 − λ) e seus autovalores são λ1 = −1, λ2 = −2 e
λ3 = −2.
Agora vamos determinar os autoespaços associados a −1 e −2:
Quando λ = −1, temos T (x, y, z) = −1(x, y, z), ou seja, (−x, −2y, y −
2z) = −1(x, y, z).


 −x = −x
−2y = −y ∴ y = 0 e z = 0.
 y − 2z = −z


Logo, V−1 = {(x, 0, 0)|x ∈ R} é o autoespaço de T correspondente ao

autovalor −1.
Quando λ = −2, temos T (x, y, z) = −2(x, y, z), ou seja, (−x, −2y, y −
2z) = −2(x, y, z).


 −x = −2x
−2y = −2y ∴ x = 0 e y = 0.
 y − 2z = −2z


Logo, V−2 = {(0, 0, z)|z ∈ R} é o autoespaço de T correspondente ao

autovalor −2.

6.2 Multiplicidade de autovalores

Sejam V um espaço vetorial, T um operador linear em V e λi ∈ R um
autovalor deste operador, com 1 ≤ i ≤ dimV . O número de vezes que
(λ − λi ) aparece como fator do polinômio característico de T é denominado
de multiplicidade algébrica de λi e denotado por ma (λi ).

Observação 6.2.1. Observemos que o autoespaço Vλi correspondente ao

autovalor λi do operador T é um subespaço vetorial de V !

Demonstração: De fato, note que o vetor nulo 0V pertence a Vλi pois

por definição de transformação linear temos que T (0V ) = 0V = λi 0V . E
ainda, se u e v pertencem a Vλi , então por definição T (u) = λi u e T (v) = λi v.
Logo, para qualquer escalar k ∈ R temos que T (u − kv) = T (u) − kT (v) =
λi u − kλi v = λi (u − kv), onde a primeira igualdade é consequência da
definição de transformação linear. Assim, temos que u−kv também pertence
a Vλi . O que prova que Vλi é um subespaço vetorial de V .
A dimensão do autoespaço Vλi é denominada a multiplicidade geo-
métrica de λi e denotada por mg (λi ).

107
Exemplo 6.2.2. 1. Considere o operador linear T : R2 → R2 definida
por T (x, y) = (x − 4y, 2x − 5y). Já vimos que o polinômio caracterís-
tico de T é dado por p(λ) = λ2 + 4λ + 3 = (λ + 1)(λ + 3), então a
multiplicidade algébrica de cada autovalor é ma (−1) = ma (−3) = 1.
E ainda os autoespaços associados são V−1 = {(2y, y)|y ∈ R} e V−3 =
{(y, y)|y ∈ R}. Assim a multiplicidade geométrica de cada autovalor é
mg (−1) = mg (−3) = 1.

2. Considere o operador linear T : R3 → R3 definida por T (x, y, z) =

(2x + y, x + y + z, x + 3y − z). Já vimos que o polinômio caracte-
rístico de T é dado por p(λ) = (1 − λ)(λ2 − λ − 6) = (1 − λ)(λ +
2)(λ−3), então a multiplicidade algébrica de cada autovalor é ma (1) =
ma (−2) = ma (3) = 1. E ainda os autoespaços associados são V1 =
{(x, −x, −x)|x ∈ R}, V3 = {(x, x, x)|x ∈ R} e V−2 = {(x, −4x, 11x)|x ∈
R}. Assim a multiplicidade geométrica de cada autovalor é mg (1) =
mg (−2) = mg (3) = 1.

3. Considere o operador linear T : R3 → R3 definida por T (x, y, z) =

(y + z, x + z, x + y). Já vimos que o polinômio característico de T é
dado por p(λ) = −λ3 + 3λ + 2 = (λ + 1)2 (2 − λ), então a multiplicidade
algébrica de −1 é dada por ma (−1) = 2 e a multiplicidade algébrica
de 2 é dada por ma (2) = 1. E ainda os autoespaços associados são
V−1 = {(x, y, z) ∈ R3 |x + y + z = 0} e V2 = {(x, x, x)|x ∈ R}. As-
sim, a multiplicidade geométrica de −1 é dada por mg (−1) = 2 e a
multiplicidade geométrica de 2 é dada por mg (2) = 1.

4. Considere o operador linear T : R3 → R3 definida por T (x, y, z) =

(−x, −2y, y − 2z). Já vimos que o polinômio característico de T é
dado por p(λ) = (−1 − λ)(−2 − λ)2 , então a multiplicidade algébrica
de −1 é dada por ma (−1) = 1 e a multiplicidade algébrica de −2 é
dada por ma (−2) = 2. E ainda os autoespaços associados são V−1 =
{(x, 0, 0)|x ∈ R} e V−2 = {(0, 0, z)|z ∈ R}. Assim, a multiplicidade
geométrica de −1 é dada por mg (−1) = 1 e a multiplicidade geométrica
de 2 é dada por mg (−2) = 1.

6.3 Diagonalização de Operadores Lineares

Dado um operador linear T : V → V , existem representações matriciais
de T relativas as bases de V . Dentre estas representações, a considerada mais
simples é uma matriz diagonal. Como a cada base corresponde uma matriz,
a questão se resume na obtenção de uma certa base, cuja representação
matricial do operador linear T em relação a esta base é uma matriz diagonal.
Assim, esta base diagonaliza o operador linear T .

108
Definição 6.3.1. Seja V um espaço vetorial de dimensão n e T : V →
V um operador linear. O operador linear T é denominado um operador
linear diagonalizável se existir uma base α de V tal que [T ]α é uma matriz
diagonal.
Pela definição de matriz associada a transformação linear relativa a uma
base, temos que se um operador é diagonalizável então a base que o dia-
gonaliza é formada por autovetores do operador. O teorema abaixo é uma
ferramenta muito útil para determinar se um operador é ou não é diagona-
lizável.
Teorema 6.3.2. Seja V um espaço vetorial de dimensão n e um operador
linear T : V → V . Se exitem r ≤ n autovalores distintos λ1 , λ2 , . . . , λr ,
para qualquer autovalor a multiplicidade algébrica for igual a multiplicidade
geométrica, isto é, para todo i = 1, . . . , r, ma (λi ) = mg (λi ) e mg (λ1 ) +
mg (λ2 ) + . . . + mg (λr ) = n então o operador linear T é diagonalizável.
Exemplo 6.3.3. 1. Considere o operador linear T : R2 → R2 definida
por T (x, y) = (x−4y, 2x−5y). Já vimos que as multiplicidade algébrica
e geométrica de cada autovalor são dadas por ma (−1) = mg (−1) = 1,
ma (−3) = mg (−3) = 1 e mg (−1) + mg (−3) = 2 = dimR2 . Assim o
operador T é diagonalizável. A base de autovetores que diagonaliza T
pode ser encontrada unindo as bases de cada autoespaço associado a T :
{(2, 1)} forma uma base para V−1 = {(2y, y)|y ∈ R} e {(1, 1)} forma
uma base para V−3 = {(y, y)|y ∈ R}. Logo, α = {(2, 1), (1, 1)} forma
uma base do R2 que diagonaliza o operador T e sua representação
matricial é dada por:
" #
−1 0
[T ]α =
0 −3

2. Considere o operador linear T : R3 → R3 definida por T (x, y, z) =

(y+z, x+z, x+y). Já vimos que a multiplicidade algébrica e geométrica
de −1 é dada por ma (−1) = mg (−1) = 2, a multiplicidade algébrica e
geométrica de 2 é dada por ma (2) = mg (2) = 1 e mg (−1) + mg (2) =
3 = dimR3 . Assim o operador T é diagonalizável. A base de autove-
tores que diagonaliza T pode ser encontrada unindo as bases de cada
autoespaço associado a T : {(1, −1, 0), (1, 0, −1)} forma uma base para
V−1 = {(x, y, z) ∈ R3 |x + y + z = 0} e {(1, 1, 1)} forma uma base
para V2 = {(x, x, x)|x ∈ R}. Logo, α = {(1, −1, 0), (1, 0, −1), (1, 1, 1)}
forma uma base de autovalores para R3 que diagonaliza T e sua repre-
sentação matricial é dada por:

−1 0 0
 

[T ]α =  0 −1 0 
 
0 0 2

109
 3. Considere o operador linear T : R3 → R3 definida por T (x, y, z) =
(−x, −2y, y − 2z). Já vimos que a multiplicidade algébrica de −2 é
dada por ma (−2) = 2 e a multiplicidade geométrica de 2 é dada por
mg (−2) = 1. Logo, T não é diagonalizável.

6.4 Lista de exercícios

1. Verifique, usando a definição, se os vetores dados são autovetores dos
operadores abaixo:

(a) v = (−2, 1), T : R2 → R2 tal que T (x, y) = (2x + 2y, x + 3y);

(b) v = (−2, 1, 3), T : R3 → R3 tal que T (x, y, z) = (x − y, 2x + 3y +
2z, x + 2y + z);

2. Os vetores (1, 1) e (2, −1) são autovetores de um operador linear

T : R2 → R2 associados aos autovalores λ1 = 5 e λ2 = −1, res-
pectivamente. Determine T (4, 1).

3. Determine o operador linear T : R2 → R2 cujos os autovalores são

λ1 = 1 e λ2 = 3 associados aos autoespaços V1 = {(−y, y), y ∈ R} e
V3 = {(0, y), y ∈ R}

4. Determine o operador linear T : R2 → R2 cujos os autovalores são

λ1 = −2 e λ2 = 3 associados aos autoespaços V−2 = {(3y, y)|y ∈ R} e
V3 = {(−2y, y)|y ∈ R}.

5. Determine os autovalores e os autoespaços dos seguintes operadores

lineares no plano:

(a) T (x, y) = (x + 2y, −x + 4y);

(b) T (x, y) = (y, −x);
(c) T (x, y) = (x + 2y, −y);
(d) T (x, y) = (x + y, x + y).

6. Dado o operador linear T : R2 → R2 tal que T (x, y) = (−3x − 5y, 2y),

encontre uma base de autovetores que diagonalize o operador T :

7. Dado o operador linear T : R2 → R2 tal que T (x, y) = (4x+5y, 2x+y),

encontre uma base de autovetores que diagonalize o operador T :

8. Para cada operador abaixo exiba, se possível: seu polinômio carac-

terístico, os autovalores, os autoespaços, as multiplicidades algébricas
e geométricas, e uma base de autovetores que os diagonalize:

(a) T : R3 → R3 tal que T (x, y, z) = (x + y + z, 2y + z, 2y + 3z);

(b) T : R3 → R3 tal que T (x, y, z) = (x, −2x − y, 2x + y + 2z);

110
 (c) T : R3 → R3 tal que T (x, y, z) = (x, −2x + 3y − z, −4y + 3z);
(d) T : R3 → R3 tal que T (x, y, z) = (x + 2y + 3z, y + 2z, z);
(e) T : R3 → R3 tal que T (x, y, z) = (3x − 3y + 4z, 3y + 5z, −z);
(f) T : R3 → R3 tal que T (x, y, z) = (x+y +2z, x+2y +z, 2x+y +z);
(g) T : R3 → R3 tal que T (x, y, z) = (y, z, −x);
(h) T : R3 → R3 tal que T (x, y, z) = (x + 3y − 3z, 4y, −3x + 3y + z).

9. O operador linear T : R4 → R4 tal que T (x, y, z, t) = (x + y + z + t, x +

y + z, y + z + t, x + y) é diagonalizável?

10. Prove a afirmação 2 do apêndice: Sejam os autovetores v e v 0 do ope-

rador linear T : V → V associados, respectivamente, aos autovalores
λ e λ0 distintos entre si. Então v e v 0 são linearmente independentes.

6.5 Respostas
1. a) Sim. b) Não.

2. T (4, 1) = (8, 11).

3. T : R2 → R2 tal que T (x, y) = (x, 2x + 3y)

4. T : R2 → R2 tal que T (x, y) = (−6y, −x + y)

5. (a) λ1 = 2, λ2 = 3, V2 = {(2y, y)|y ∈ R} e V3 {(y, y)|y ∈ R}.

(b) Não existe autovalores reais.
(c) λ1 = 1, λ2 = −1, V1 = {(x, 0)|x ∈ R} e V−1 {(x, −x)|x ∈ R}.
(d) λ1 = 2, λ2 = 0, V2 = {(x, x)|x ∈ R} e V0 {(x, −x)|x ∈ R}.

6. Uma base pode ser dada por {(1, 0), (1, −1)}.

7. Uma base pode ser dada por {(5, 2), (−1, 1)}.

8. (a) p(λ) = (1 − λ)2 (4 − λ), λ1 = 1, λ2 = 4, V1 = {(x, y, −y)|x, y ∈ R}

e V4 = {(y, y, 2y)|y ∈ R}. E ainda, ma (1) = mg (1) = 2 e ma (4) =
mg (4) = 1. Uma base pode ser dada por {(1, 0, 0), (0, 1, −1), (1, 1, 2)}.
(b) p(λ) = (1 − λ)(−1 − λ)(2 − λ), λ1 = 1, λ2 = −1, λ3 = 2,
V1 = {(x, −x, −x)|x ∈ R}, V−1 = {(0, −3z, z)|z ∈ R} e V2 =
{(0, 0, z)|z ∈ R}. E ainda, ma (1) = mg (1) = 1, ma (−1) =
mg (−1) = 1 e ma (2) = mg (2) = 1. Uma base pode ser dada
por {(1, −1, −1), (0, −3, 1), (0, 0, 1)}.
(c) p(λ) = (1 − λ)2 (5 − λ), λ1 = 1, λ2 = 5, V1 = {(0, y, 2y)|y ∈ R}
e V5 = {(0, y, −2y)|y ∈ R}. E ainda, ma (1) = 2, mg (1) = 1 e
ma (5) = mg (5) = 1. Não existe base que diagonalize T .

111
 (d) p(λ) = (1 − λ)3 , λ1 = 1 e V1 = {(x, 0, 0)|x ∈ R}. E ainda,
ma (1) = 3 e mg (1) = 1. Não existe base que diagonalize T .
−31 −5
(e) p(λ) = (3−λ)2 (−1−λ), λ1 = −1, λ2 = 3, V−1 = {( z, z, z)|z ∈
16 4
R} e V3 = {(x, 0, 0)|x ∈ R}. E ainda, ma (−1) = 2, mg (−1) = 1 e
ma (3) = mg (3) = 1. Não existe base que diagonalize T .
(f) p(λ) = (1 − λ)(−1 − λ)(4 − λ), λ1 = 1, λ2 = −1, λ3 = 4,
V1 = {(z, −2z, z)|z ∈ R}, V−1 = {(−z, 0, z)|z ∈ R} e V4 =
{(x, x, x)|x ∈ R}. E ainda, ma (1) = mg (1) = 1, ma (−1) =
mg (−1) = 1 e ma (4) = mg (4) = 1. Uma base pode ser dada por
{(1, −2, −1), (−1, 0, 1), (1, 1, 1)}.
(g) p(λ) = −1 − λ3 , λ1 = −1 e V−1 = {(x, −x, x)|x ∈ R}. E ainda,
ma (−1) = 1 e mg (−1) = 1. Não existe base que diagonalize T .
(h) p(λ) = (4 − λ)2 (−2 − λ), λ1 = 4, λ1 = −2, V4 = {(x, y, z) ∈
R3 | − x + y − z = 0} e V−2 = {(x, 0, x)|x ∈ R}. E ainda, ma (4) =
mg (4) = 2 e ma (−2) = mg (−2) = 1. Uma base pode ser dada
por {(1, 1, 0), (−1, 0, 1), (1, 0, 1)}.

9. Sim.

10. Demonstração pode ser encontrada no Livro Lima, E.L. Álgebra Li-
near. IMPA. página 154, Teorema 12.2.. (Obs.: Pode-se encontrar a
demostração nos demais livros da bibliografia.)

6.6 Apêndice
Seja V um espaço vetorial de dimensão dimV = n e T : V → V um
operador linear.

1. Se v ∈ V, v 6= 0V é um autovetor do operador linear T associado ao

autovalor λ ∈ R então para todo k ∈ R, k 6= 0, o vetor kv é também
um autovetor de T associado ao autovalor λ.

2. Sejam os autovetores v e v 0 do operador linear T : V → V associados,

respectivamente, aos autovalores λ e λ0 distintos entre si. Então v e v 0
são linearmente independentes.

3. Sejam v1 , v2 , . . . , vr autovetores do operador linear T : V → V asso-

ciados, respectivamente, aos autovalores λ1 , λ2 , . . . , λr distintos entre
si. Então v1 , v2 , . . . , vr são linearmente independentes.

4. Se T possui n autovalores distintos então existe um base de V consti-

tuída por autovetores que diagonaliza T , ou seja, T é diagonalizável.

112
Capítulo 7

Operadores lineares especiais

7.1 A adjunta
Transformações lineares definidas em espaços vetoriais com
produto interno

Definição 7.1.1. Sejam V e W espaços vetoriais reais com · produto interno

positivo definido e T : V → w uma transformação linear. A transformação
linear T ∗ : W → V tal que:

T (v) · w = v · T ∗ (w),

para todo v ∈ V e w ∈ W , é denominada transformação linear adjunta

de T .

Exemplo 7.1.2. Seja T : R3 → R2 tal que T (x, y, z) = (2x + y − z, x + 3y −

2z) e considere os produtos internos usuais ·2 e ·3 do R2 e do R3 , respecti-
vamente. A transformação linear adjunta de T é dada por T : R2 → R3 tal
que T ∗ (a, b) = (2a + b, a + 3b, −a − 2b).

Solução 7.1.3. De fato, basta conferir o que diz a definição:

T (x, y, z) ·2 (a, b) = (2x + y − z, x + 3y − 2z) ·2 (a, b)

= (2x + y − z)a + (x + 3y − 2z)b
= 2xa + ya − za + xb + 3yb − 2zb
= x(2a + b) + y(a + 3b) + z(−a − 2b)
= (x, y, z) ·3 (2a + b, a + 3b, −a − 2b)
= (x, y, z) ·3 T ∗ (a, b)

113
Teorema 7.1.4. Sejam α = {v1 , v2 , . . . , vn } ⊂ V e β = {w1 , w2 , wm } ⊂ W
bases ortonormais. Se [T ]αβ = [aij ]m×n é a matriz associada a transformação
linear T : V → W associada às bases α e β, então matriz da transformação
linear adjunta T ∗ : W → V associada às bases β e α é a matriz transposta
[T ∗ ]βα = [aji ]n×m de [T ]αβ .

Propriedades:

• IV∗ = IV onde IV : V → V é o operador indentidade;

• Sejam T, S : V → W transformações lineares. Então (T + S)∗ =

T ∗ + S∗;

• Seja T : V → W transformação linear. Então (λT )∗ = λT ∗ ;

• Sejam T : V → W e S : W → U transformações lineares sobre espaços

vetoriais com produto interno. Então (S ◦ T )∗ = T ∗ ◦ S ∗ ;

• Seja T : V → W transformação linear. Então T ∗∗ = T .

Teorema 7.1.5. Seja T : V → W uma transformação linear entre espaços

vetoriais munimos de um produto interno positivo definido, tem-se:

• Ker(T ∗ ) = Im(T )⊥

• Im(T ∗ ) = Ker(T )⊥

• Ker(T ) = Im(T ∗ )⊥

• Im(T ) = Ker(T ∗ )⊥

Exemplo 7.1.6. Seja T : R3 → R2 tal que T (x, y, z) = (2x + y − z, x + 3y −

2z) e considere os produtos internos usuais ·2 e ·3 do R2 e do R3 , respecti-
vamente. Não é preciso determinar a adjunta de T para encontrar o núcleo
e imagem de T ∗ .

Solução 7.1.7. De fato, pelo teorema acima temos que Ker(T ∗ ) = Im(T )⊥ .
Note que Im(T ) é gerado pelo conjunto de vetores {(2, 1), (1, 3), (−1, −2)}
e como tais vetores são dois a dois linearmente independentes (Verificar!),
temos que Im(T ) = R2 , assim, Ker(T ∗ ) = Im(T )⊥ = {(0, 0)}.
E ainda, sabemos que Im(T ∗ ) = Ker(T )⊥ . Podemos calcular o núcleo de T
resolvendo o sistema linear homogêneo abaixo:
(
2x + y − z = 0
∴ y = 3x e z = 5x
x + 3y − 2z = 0

Assim, Ker(T ) = {(x, 3x, 5x)|x ∈ R} = [(1, 3, 5)]. Logo, Im(T ∗ ) =

Ker(T )⊥ = [(1, 3, 5)]⊥ = {(x, y, z) ∈ R3 |x + 3y + 5z = 0}.

114
7.2 Operadores auto-adjuntos
Definição 7.2.1. Seja V um espaço vetorial munido com produto interno.
O operador linear T : V → V é denominado operador auto-adjunto
quando T (v) · w = v · T (w), para todo v e w ∈ V .

Teorema 7.2.2. Sejam o operador linear T : V → V , T é auto-adjunto se

e somente se a matriz [T ]α é simétrica, para qualquer base ortonormal α de
V.

Exemplo 7.2.3. Os operadores abaixo são auto-adjuntos:

1. T : R2 → R2 tal que T (x, y) = (2x + 4y, 4x − z)

Solução 7.2.4. Basta ver que a matriz [T ]α é simétrica, onde α é a

base canônica do R2 .
" #
2 4
[T ]α = = [T ]tα
4 −1

2. T : R3 → R3 tal que T (x, y, z) = (x − y, −x + 3y − 2z, −2y).

Solução 7.2.5. A matriz de T na base canônica α do R3 é simétrica.

1 −1 0
 

[T ]α  −1 3 −2  = [T ]tα
 
0 −2 0

7.3 Operadores normais

Definição 7.3.1. O operador linear T : V → V é demoninado operador
normal quando comuta com seu operador adjunto, isto é, T ◦ T ∗ = T ∗ ◦ T .

Exemplo 7.3.2. Seja T : R2 → R2 tal que T (x, y) = (3x + 6y, −6x + 3y).
O operador adjunto de T é T ∗ : R2 → R2 tal que T ∗ (x, y) = (3x−6y, 6x+3y).

(T ◦ T ∗ )(x, y) = T (3x − 6y, 6x + 3y) = (45x, 45y) e

(T ∗ ◦ T )(x, y) = T ∗ (3x + 6y, −6x + 3y) = (45x, 45y)

115
7.4 Operadores ortogonais
Definição 7.4.1. O operador linear T : V → V é demoninado operador
ortogonal quando T (v) ◦ T (u) = v ◦ u, isto é, T ∗ = T −1 .

Exemplo 7.4.2. Seja T : R2 → R2 tal que T (x, y) = (y, −x). O operador

adjunto de T é T ∗ : R2 → R2 tal que T ∗ (x, y) = (−y, x).

(T ◦ T ∗ )(x, y) = T (−y, x) = (x, y)

7.5 Lista de exercícios

1. Calssifique os operadores abaixo:

(a) T : R2 → R2 tal que T (x, y) = (2x − 2y, −2x + 5y);

√ √ √ √
3 3 3 6
(b) T : R → R tal que T (x, y, z) = (
3 3
x+ y+ z, − x+
√ √ √ √ 3 3 3 3
6 6 2 2
y+ z, − y+ z);
6 6 2 2
(c) T : R3 → R3 tal que T (x, y, z) = (2x + y, x + y + z, y − 3z);
(d) T : R3 → R3 tal que T (x, y, z) = (9x − 3y − 6z, 3x + 9y + 6z, 6x −
6y + 9z);
(e) T : R3 → R3 tal que T (x, y, z) = (x + 2y + 3z, 2x + 2y + 2z, 3x +
2y + 5z);
(f) T : R3 → R3 tal que T (x, y, z) = (x, −y + 2z, −2y − z).
" #
x y
2. Ache valores para x e y tais que seja uma matriz ortogonal.
−1 0

1 4 2
 

3. Seja [T ] =  4 −5 −4 . Verifique que T é diagonalizável sem usar

 
2 −4 4
os critérios de diagonalização.

4. Todo operador auto-adjunto é um operador normal? Por quê?

5. Todo operador ortononal é um operador normal? Por quê?

6. Seja o operador linear T : R3 → R3 tal que T (x, y, z) = (x + y + z, 3x −

2y − z, −2x + 3y + 2z), obtenha bases para os seguintes subespaços do
R3 : Im(T ), Ker(T ), Im(T ∗ ) e Ker(T ∗ ).

116
7.6 Respostas
1. a) operdador auto-adjunto e normal; b) operador ortogonal e normal;
c) operador auto-adjunto e normal. d) operador normal e) operador
auto-adjunto f) operador normal.

2. x = 0 e y = ±1.

3. Use o teorema Espectral que está no apêndice abaixo.

4. Sim.

5. Sim.

6. Uma base para Im(T ) = {(1, 3, −2), (1, −2, 3)}, uma base para Ker(T ) =
{(1, 4, −5)}, uma base para Im(T ∗ ) = {(−4, 1, 0), (5, 0, 1)} e uma base
para Ker(T ∗ ) = {(−1, 1, 1)}.

7.7 Apêndice
Considere V um espaço vetorial de dimensão dimV = n minudo de um
produto interno e T, T1 , T2 : V → V operadores lineares.

1. Sejam T1 e T2 operadores uto-adjuntos e k ∈ R. Então (T1 + T2 ) e kT1

também são operadores auto-djuntos.

2. T é auto-adjunto se e somente se [T ]α uma matriz simétrica, qualquer

que seja a base ortonormal α.

3. Seja T auto-adjunto e v1 , v2 , . . . , vr autovetores associados a autovalo-

res distintos λ1 , λ2 , . . . , λr de T . Então vi é ortogonla a vj , para todo
i, j = 1, . . . , r, i 6= j.

4. Se T é auto-adjunto então T possui um autovalor real, isto é, possui

um autovetor (não nulo).

Teorema 7.7.1. (Teorema Espectral) Seja T um operador auto-adjunto

então T é diagonalizável, issto é, existe uma base ortonormal α de autove-
tores de T tal que [T ]α é uma matriz diagonal.

1. São equivlentes:

(a) T é um operador ortogonal.

(b) T transforma bases ortonormais em bases ortonormais.
(c) T preserva produto interno, isto é, T (v) ◦ T (u) = v ◦ u para todo
v e u∈V.
(d) T preserva norma, isto é, kT (v)k = kvk para todo v ∈ V .

117
2. Seja T um operador ortogonal. Então:

(a) T preserva distância.

(b) Os únicos autovalores possíveis para T são ±1.
(c) Autovetores de T são sempre ortogonais.

3. Seja T um operador normal. Entáo:

(a) (kT ) também é um operador normal.

(b) kT (v)k = kT ∗ (v)k, para todo v ∈ V .
(c) Se λ é um autovalor de T então λ é um autovalor de T ∗ .
(d) T e T ∗ possuem os mesmos autovetores.
(e) Ker(T ) = Ker(T ∗ )
(f) Im(T ) = (Ker(T ))⊥ .

118