1

ÁLGEBRA LINEAR

Prof. Roberto Mamud

 2

Ementa, Programa e Bibliografia ...................................................................3

Detalhes ...................................................................................................................3
Ementa .....................................................................................................................3
Programa .................................................................................................................3
Bibliografia...............................................................................................................5
Parte 1: Sistemas lineares, Matrizes e Determinantes ..................................6

Sistemas lineares............................................................................................7

Introdução ................................................................................................................7
Aula 1: Sistemas de Equações Lineares ......................................................................8
Aula 2: Eliminação Gaussiana .................................................................................17
Matrizes .......................................................................................................25

Introdução ..............................................................................................................25
Aula 3: Matriz e Operações matriciais .....................................................................25
Aula 4: Matriz Inversa ............................................................................................32
Aula 5: Matrizes especiais.......................................................................................39
Determinantes ..............................................................................................43

Introdução ..............................................................................................................43
Aula 6: Determinantes.............................................................................................43
Aula 7: Aplicações Sistemas lineares ........................................................................50
Parte 2: Espaços Vetoriais. Autovalor e Autovetor .....................................56

Espaços vetoriais Euclidianos........................................................................57

Introdução ..............................................................................................................57
Aula 8: Revisão de vetores ......................................................................................58
Espaços Vetoriais Arbitrários........................................................................66

Autovalores e autovetores ...........................................................................67

Parte 3: Espaços com produto interno .........................................................68

Capítulo 8: transformações lineares .............................................................69

Capítulo 9: Aplicações ..................................................................................70

 3

EMENTA , PROGRAMA E
BIBLIOGRAFIA

DETALHES

Código e Nome (Atual): MCG120 - Algebra Linear.

Nome Anterior: Sist Equ Linear e Não-lineares (até 2020-1).
Carga Horária (Período): 60h (Teoria)
Créditos: 4
Co-requisito: Não tem
Requisito: Não tem

EMENTA

Sistemas de equações lineares e Eliminação Gaussiana. Matrizes e determinante. Espaços vetoriais

Euclidianos. Geometria dos espaços vetoriais de dimensão finita. Transformações lineares. Espaços
vetoriais com produto interno. Ortogonalidade e mínimos quadrados. Autovalores e autovetores. Teorema
espectral. Aplicações à solução de EDOs e em Geometria Euclidiana.

PROGRAMA

1. Cálculo Vetorial

1.1. Definição de vetores; Operações com vetores.

1.2. Vetores nos Espaços Bi e Tridimensionais.
1.3. Norma de um vetor; Aritmética Vetorial.
1.4. Produto Escalar; Projeções; Produto Vetorial.
2. Sistemas Lineares

2.1. Sistemas Lineares.

2.2. Sistemas Equivalentes.
 4

2.3. Sistemas Escalonados.

2.4. O Método de Gauss-Jordan para resolução de um sistema linear.
2.5. Discussão de Sistemas.
3. Matrizes

3.1. Matrizes
3.2. Operações com Matrizes
3.3. A Álgebra de Matrizes
3.4. Matrizes Invertíveis
3.5. Determinantes: definição por cofatores
3.6. Propriedades de determinantes
3.7. Determinantes de matrizes elementares
3.8. Determinantes e operações com matrizes
4. Espaços Vetoriais

4.1. Espaços Vetoriais

4.2. Propriedades de Espaços Vetoriais
4.3. Subespaços Vetoriais
4.4. Somas de Subespaços
4.5. Combinações Lineares
4.6. Espaços Vetoriais Finitamente Gerados
4.7. Dependência Linear
4.8. Base de um espaço finitamente gerado
4.9. Dimensão
4.10. Determinação de uma base de um subespaço
4.11. Dimensão da soma de subespaços
4.12. Coordenadas
4.13. Mudança de base
5. Transformações Lineares

5.1. Transformação Linear: definição e propriedades

5.2. Núcleo e Imagem de uma Transformação Linear
 5

5.3. Teorema do Núcleo e da Imagem

5.4. Matriz de uma transformação linear
5.5. Composição de transformações lineares
5.6. Inversas de transformações lineares
6. Autovalores e Autovetores

6.1. Autovalor, Autovetor e Autoespaço: definição

6.2.Polinômio Característico
6.3. Cálculo de Autovalores, autovetores e autoespaços
6.4. Multiplicidade Algébrica e Multiplicidade Geométrica
6.5. Propriedades de Autovalores
6.6. Semelhança e Diagonalização
6.7. Aplicação a Equações Diferenciais: Solução e Sistemas de Equações Diferenciais Ordinárias de
primeira ordem
7. Ortogonalidade

7.1. Definição de Produto Interno em Espaços Vetoriais

7.2. Propriedades do Produto interno
7.3. Definição de Vetores Ortogonais
7.4. Ângulos entre Vetores
7.5. Aplicação: Mínimos Quadrados
7.6. Teorema Espectral

BIBLIOGRAFIA

• Álgebra Linear com Aplicações - H. Anton, C. Rorres, 10a ed., ed. Bookman

• Álgebra Linear e suas Aplicações - G. Strang

• Álgebra Linear - A. Steinbruch, P. Winterle, ed. Pearson.

• Linear Algebra - K. Hoffman, R. Kunze

• Linear Algebra Done Right - S. Axler, ed. Springer.

 6

PARTE 1:
SISTEMAS LINEARES,
MATRIZES E DETERMINANTES
 7

SISTEMAS LINEARES

INTRODUÇÃO

É muito comum em diversas áreas do conhecimento organizarmos a informação conhecida

em forma de tabelas, com linhas e colunas, formando agrupamentos denominados
“matrizes”. Com frequência, estas matrizes são formadas a partir de tabelas de dados
numéricos oriundos de observações físicas, mas também ocorrem em diversos contextos
matemáticos.

Neste capítulo veremos que toda a informação necessária para resolver um sistema de
equações tal como1

{2x − y = 4
5x + y = 3

está inserida na matriz

[2 −1 4]
5 1 3
.

Além disso, a solução do sistema pode ser obtida realizando operações apropriadas nesta
matriz.

A abordagem utilizando matrizes é particularmente importante no desenvolvimento de

programas de computador para resolver sistemas de equações lineares, por exemplo.
Quando transformamos tabelas com informações numéricas em matrizes, o computador
torna-se um aliado muito bom em manipular este tipo de informação.

Por outro lado, as matrizes não devem ser vistas apenas como uma ferramenta para resolver
sistemas lineares, também vamos conseguir enxergar matrizes como um objeto com vida e
teoria próprias, mas que também possuem uma grande variedade de aplicações práticas.

Desta forma, o estudo de matrizes e tópicos relacionados que denotamos como “Álgebra
Linear”.

Nesta parte da matéria vamos iniciar o estudo de sistemas de equações e matrizes.

1 Álgebra Linear com Aplicações - H. Anton, C. Rorres, 10a ed., ed. Bookman, pg. 1.
 8

AUL A 1: SISTEMAS DE EQUAÇÕES LINEARES

Os sistemas de equações lineares e suas soluções constituem um dos principais tópicos

estudados neste curso. Nesta primeira seção, introduzimos alguma terminologia básica e
discutimos um método elementar para resolver tais sistemas2.

Equações Lineares

Vamos iniciar lembrando quais são os formatos das equações de uma reta e de um plano em
um sistema bidimensional e tridimensional, respectivamente.

Exemplos:
a x + by = c , com a e b não nulos simultaneamente, representa uma reta no sistema bidimensional de
coordenadas retangulares xy.
a x + by + cz = d , com a , b e c não nulos simultaneamente, representa um plano no sistema
tridimensional de coordenadas retangulares xyz.

Os dois exemplos acima representam equações lineares. Observe que na primeira equação
temos uma equação linear nas variáveis x e y, ao passo que na segunda, temos uma equação
linear nas variáveis x, y e z.

De forma geral, definimos uma equação linear nas n variáveis x1, x2, …, xn como uma
equação da forma:

a1x1 + a2 x2 + … + an xn = b ,

Onde os coeficientes a1 , a2 , … , an são constantes, nem todos sendo nulos. Observe que o
exemplo acima constitui os casos em que n = 2 e n = 3. Além disso, caso b = 0 , a equação
acima torna-se

a1x1 + a2 x2 + … + an xn = 0 ,

Sendo denominada equação linear homogênea nas variáveis x1, x2, …, xn .

2 Álgebra Linear com Aplicações - H. Anton, C. Rorres, 10a ed., ed. Bookman, pg. 2
 9

Quando escrevemos uma equação linear, devemos ter em mente o que significa a palavra
“linear”. De maneira geral, “linear” significa que as variáveis da equação não aparecem
multiplicadas entre si ou com raízes, ou seja, as variáveis aparecem com potências iguais a 1.
Além disso, também não aparecem como argumentos de funções trigonométricas,
logarítmicas ou exponenciais.

Exemplos:
Equações lineares:
2x + y = 4
3x1 + 4x2 − 5x3 + x4 = 7
1
x − y + 3z = 3 x1 + x2 + … + xn = 1
2
Equações não-lineares:
2x + y 2 = 7 3x1 + 4x2 − 5x1x2 = 7
cos x − y = 3 x1 + 2e x2 + 3x3 = 4

Definição:
Um sistema linear é um conjunto de equações lineares. As variáveis são denominadas incógnitas.
Um sistema linear pode ser composto por m equações e n incógnitas da forma:

a11x1 + a12 x2 + … + a1n xn + = b1

a21x1 + a22 x2 + … + a2n xn + = b2
⋮
am1x1 + am2 x2 + … + amn xn + = bm

Uma solução de um sistema linear nas incógnitas x1, x2, …, xn é uma sequência de números
x1 = s1, x2 = s2, … , xn = sn onde, quando substituída, satisfaz todas as equações do sistema.
Podemos denotar a solução do sistema como pontos nos espaços bi e tridimensionais, ou seja, podemos
escrever a solução de um sistema de n incógnitas como ( s1 , s2 , … , sn ), denominada n-upla (podemos ler
como “ênupla”).
No caso n = 2, temos um “par-ordenado” ou uma “dupla”.
No caso n = 3, temos um “terno-ordenado” ou uma “tripla”.
No caso n = 4, temos uma “quádrupla”, sendo os outros casos análogos.

Sistemas Lineares em duas e três incógnitas

 10

Quando resolvemos um sistema linear, podemos associar uma interpretação geométrica

desta solução.
Considerando o caso n = 2 , podemos relacionar o problema de encontrar solução de um
sistema com o problema de encontrar a interseção de duas retas. Em outras palavras, em um
sistema do tipo

a1x + b1y = c1
,
a2 x + b2 y = c2

cada solução (x, y) pode ser vista como um ponto de interseção das retas. Logo, temos 3
possibilidades para as duas retas:

1. Retas paralelas e distintas. Neste caso não temos interseção, significando que o sistema
não possui solução;

2. Retas se intersectam em um único ponto. Neste caso temos uma única interseção,
significando que o sistema possui uma única solução;

3. Retas coincidentes (ou seja, são paralelas e iguais). Neste caso temos uma infinidade de
pontos de interseção, significando que o sistema possui infinitas soluções.

Fonte: Álgebra Linear com Aplicações - H. Anton, C. Rorres, 10a ed., ed. Bookman, pg. 4

Quando um sistema linear possuir pelo menos uma solução, dizemos que este é
consistente e dizemos que este é inconsistente caso não tenha solução.

O caso n = 3 é análogo, onde agora as equações representam planos no espaço

tridimensional. Logo, encontrar interseção dos planos é equivalente a encontrar solução para
o sistema linear com 3 incógnitas. Logo, também temos 3 possibilidades: nenhuma solução,
uma solução e uma infinidade de soluções.
 11

Fonte: Álgebra Linear com Aplicações - H. Anton, C. Rorres, 10a ed., ed. Bookman, pg. 4

De maneira geral, isto ainda é válido para sistemas com mais equações e incógnitas.

Todo sistema de equações em zero, uma ou infinitas soluções. Não existem outras possibilidades.

Provaremos este resultado posteriormente.

Exemplos:

1) Sistema linear com uma solução:

x−y =1
3x + y = 7
Observe que podemos eliminar o x na segunda equação multiplicando a primeira equação por (−3) e
somando com a segunda equação. Com isso, obtemos o sistema simplificado:
x−y =1
4y = 4
Logo, da segunda equação, obtemos y = 1 e substituindo este valor na primeira equação, obtemos x = 2.
 12

Com isso, observamos que o sistema possui solução única x = 2, y = 1 . Geometricamente, isso significa
que as retas representadas pelas equações do sistema possuem um único ponto de interseção (2, 1) .

2) Sistema linear sem solução:

3x + 3y = 9
x+y =2
Observe que podemos eliminar o x na segunda equação multiplicando a primeira equação por (−1/3) e
somando com a segunda equação. Com isso, obtemos o sistema simplificado:
3x + 3y = 9
0=2
Note que a segunda equação é contraditória, de modo que o sistema não possui solução. Geometricamente,
isso significa que as retas são paralelas (mesmos coeficientes), mas distintas.

3) Sistema linear com infinitas soluções:

2x − 4y = 3
6x − 12y = 9
Observe que podemos eliminar o x na segunda equação multiplicando a primeira equação por (−3) e
somando com a segunda equação. Com isso, obtemos o sistema simplificado:
2x − 4y = 3
0=0
Note que a segunda equação está correta, mas não trás restrição para x e y, ou seja, esta pode ser omitida.
Logo, as soluções do sistema são os valores de x e y que satisfazem a única equação:
2x − 4y = 3.
Geometricamente, isso significa que as retas representadas pelas equações no sistema original são
coincidentes.
Uma forma de descrever as soluções deste sistema é isolar uma das variáveis e escrever a outra em termos
de um parâmetro, ou seja, isolando o y acima, por exemplo,
y = (1/2)x − (3/4) ,
e associando a x um valor arbitrário t (chamado parâmetro), x = t .
Com isso, conseguimos expressar a solução por meio do par de equações (chamadas equações paramétricas)
y = (1/2)t − (3/4) , x = t .
As soluções numéricas podem ser obtidas substituindo valores para o parâmetro t nas duas equações. Por
exemplo, se t = 0, então a solução será (0, − 3/4), se t = 1, então a solução será (1, − 1/4), etc.
 13

Matrizes Aumentadas e Operações Elementares com Linhas

Nos exemplos anteriores, vimos que é possível resolver de uma forma simples um sistema
linear com 3 equações e 3 incógnitas. Porém, quando aumenta-se o número de equações e o
número de incógnitas, a complexidade na resolução deste novo sistema também aumenta.
Uma forma de otimizar a resolução é “padronizar” o método, independente do número de
equações ou do número de incógnitas, através da Matriz Aumentada do Sistema associado.

Considere o seguinte sistema linear com m equações e n incógnitas:

a11x1 + a12 x2 + … + a1n xn + = b1

a21x1 + a22 x2 + … + a2n xn + = b2
⋮
am1x1 + am2 x2 + … + amn xn + = bm

Observe que podemos simplificar a notação deste sistema utilizando apenas os coeficientes
(aij) e (bi) em uma tabela retangular da forma

a11 a12 … a1n b1

a21 a22 … a2n b2
,
⋮ ⋮ … ⋮ ⋮
am1 am2 … amn bm

Denominada Matriz Aumentada do sistema.

Exemplo: O sistema linear

2x1 − 5x2 + 7x3 = 3 2 −5 7 3
x1 + 2x2 + 3x3 = 5 possui a seguinte matriz aumentada 1 2 3 5 .
−3x1 + 5x2 − 4x3 = − 2 −3 5 −4 −2

Como resolver um sistema linear geral?

Como vimos anteriormente, resolvemos os sistemas lineares através de algumas “operações”

nas próprias equações. Desta forma, o princípio básico para se resolver um sistema linear
geral é através de algumas operações algébricas de forma a não alterar seu conjunto de
 14

soluções e que produzam uma sequência de sistemas mais simples até alcançar um ponto
em que se possa decidir se o sistema é consistente e, se for o caso, quais são suas soluções3.

As operações mais comuns são:

1. Multiplicar uma equação inteira por uma constante não nula;

2. Trocar duas equações entre si;

3. Somar uma constante vezes uma equação a uma outra equação.

OBS.: Note que as operações acima foram realizadas nos exemplos anteriores.

Por outro lado, como podemos associar ao sistema linear uma matriz aumentada,
observando que as equações do sistema estão relacionadas às linhas da matriz, então realizar
as operações acima em um sistema linear é equivalente a realizar as seguintes operações na
matriz aumentada:

1. Multiplicar uma linha inteira por uma constante não nula;

2. Trocar duas linhas entre si;

3. Somar uma constante vezes uma linha a uma outra linha.

Estas operações são chamadas de Operações Elementares com Linhas de uma matriz.

Vamos resolver um exemplo a seguir para verificarmos como utilizar estas operações
elementares na resolução de um sistema simples. Na próxima aula vamos estudar um
método sistemático para resolução de sistemas de dimensão maior.

Exemplo4: Considere o sistema linear abaixo:

x + y + 2z = 9
2x + 4y − 3z = 1 .
3x + 6y − 5z = 0

Somando (−2) vezes a primeira equação à segunda equação e somando (−3) vezes a primeira equação à
terceira equação, obtemos

3 Álgebra Linear com Aplicações - H. Anton, C. Rorres, 10a ed., ed. Bookman, pg. 7
4 Álgebra Linear com Aplicações - H. Anton, C. Rorres, 10a ed., ed. Bookman, pg. 7
 15

x + y + 2z = 9
2y − 7z = − 17
3y − 11z = − 27
1
Multiplicando a segunda equação por , obtemos
2
x + y + 2z = 9
7 17
y − z =−
2 2
3y − 11z = − 27
Somando (−3) vezes a primeira equação à terceira equação, obtemos
x + y + 2z = 9
7 17
y − z =−
2 2
1 3
− z =−
2 2
Multiplicando a terceira equação por (−2), obtemos
x + y + 2z = 9
7 17
y − z =−
2 2
z =3
Somando (−1) vez a segunda equação à primeira equação, obtemos
11 35
x + z =
2 2
7 17
y − z =−
2 2
z =3
Somando (−11/2) vezes a terceira equação à primeira equação e (7/2) vezes a terceira equação à
segunda equação, obtemos
x =1
y = 2.
z =3

Exercício: Escreva todos os passos anteriores em termos das operações elementares para a matriz
aumentada associada.
16
 17

AUL A 2: ELIMINAÇÃO GAUSSIANA

Nesta aula vamos desenvolver um método para resolução de sistemas lineares. A ideia é
usar certas “operações” na matriz aumentada de forma a reduzi-la a um formato especial
onde a solução do sistema possa ser visualizada facilmente.

Forma Escalonada

No último exemplo da aula passada, resolvemos um sistema linear nas variáveis x, y, z ,

onde, depois de algumas operações, a matriz aumentada foi reduzida à forma:

1 0 0 1
[0 0 1 3]
0 1 0 2

Onde ficou evidente que a solução era x = 1, y = 2, z = 3 . Este é um exemplo de uma

matriz que está na Forma Escalonada Reduzida por Linhas.

De maneira geral, para uma dada matriz estar nesta forma, precisamos que esta satisfaça às
seguintes propriedades5:

1. Se uma linha não consistir inteiramente de zeros, então o primeiro número não nulo da
linha é um 1. Dizemos que este número 1 é um Pivô;

2. Se existirem linhas constituídas inteiramente de zeros, então elas estão agrupadas juntas
nas linhas inferiores da matriz;

3. Em quaisquer duas linhas sucessivas que não consistem só em zeros, o pivô da linha
inferior ocorre mais à direita do que o pivô da linha superior;

4. Cada coluna que contém um pivô tem zeros nas demais entradas.

Dizemos que uma matriz que tem as propriedades 1, 2 e 3 acima está em forma escalonada
por linhas ou, simplesmente, forma escalonada.

Obs.: Caso uma matriz, além destas três propriedades, também satisfizer a propriedade 4, dizemos que
esta matriz está em forma escalonada reduzida por linhas.

5 Álgebra Linear com Aplicações - H. Anton, C. Rorres, 10a ed., ed. Bookman, pg. 11
 18

Exemplo 1: As matrizes abaixo estão em forma escalonada e escalonada reduzida por linhas:
Forma Escalonada Reduzida por linhas:
0 1 −3 0 4
1 0 0 3 1 0 0
[0 0 1] 0 0 0 0 0 [0 0]
0 0 0 1 5 0 1
0 1 0 −5 , 0 1 0 , ,
0 0 1 6
0 0 0 0 0
Forma Escalonada (não reduzida):
1 3 4 2 1 3 5 0 1 −3 4 4
[0 0 1 8 ] 0 0 0 [0 0 0 0 1 ]
0 1 −2 −1 , 0 1 2 , 0 0 1 3 −2

Observação: Uma matriz em forma escalonada tem zeros ABAIXO de cada pivô e uma matriz em forma
escalonada reduzida por linhas tem zeros ABAIXO e ACIMA de cada pivô.

Por exemplo, as matrizes abaixo são todas em forma escalonada (o asterisco representa um número real
qualquer):
1 * * * 1 * * * 1 * * * 0 1 * * * * * *
0 1 * * 0 1 * * 0 1 * * 0 0 0 1 * * * *
, , ,
0 0 1 * 0 0 1 * 0 0 0 0 0 0 0 0 1 * * *
0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 *
As matrizes abaixo estão em forma escalonada reduzida por linhas:
1 0 0 0 1 0 0 * 1 0 * * 0 1 * 0 0 * 0 *
0 1 0 0 0 1 0 * 0 1 * * 0 0 0 1 0 * 0 *
, , ,
0 0 1 0 0 0 1 * 0 0 0 0 0 0 0 0 1 * 0 *
0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 *

Agora vamos ver o quanto esta forma escalonada nos ajuda na resolução de um sistema
linear.

Exemplo 2: Suponha que a matriz aumentada de um sistema linear nas incógnitas x1, x2, x3, x4 esteja na
forma escalonada reduzida por linhas a seguir:
1 0 0 0 2
0 1 0 0 −3
.
0 0 1 0 1
0 0 0 1 4
 19

Logo, esta matriz corresponde ao seguinte sistema linear:

x1 = 2
x2 = −3
;
x3 = 1
x4 = 4

Exemplo 3: Nos sistemas abaixo, suponha que cada matriz aumentada tenha sido reduzida à forma
escalonada reduzida por linhas. Resolva os sistemas lineares:
1 0 0 0
[0 0 0 2]
a) 0 1 3 0 .

Observe que a última linha corresponde à seguinte equação: 0.x + 0.y + 0.z = 2 , que não é satisfeita
para valor algum de x, y, z ;
1 0 −3 −2
[0 0 0 0]
b) 0 1 4 2 .

Observe que a última linha, neste caso, corresponde à equação: 0.x + 0.y + 0.z = 0 , que é satisfeita
para todo valor de x, y, z . Logo, esta linha não traz restrições no cálculo de x, y, z .
Assim, o sistema linear correspondente é dado por
x − 3z = − 2
y + 4z = 2
Como x e y são os pivôs da matriz, dizemos que essas são as variáveis líderes e a variável z é dita
variável livre. Vamos resolver o sistema linear acima em função da variável livre:
x = 3z − 2
y = − 4z + 2
Note que a variável z pode ser vista como um parâmetro, no qual podemos atribuir um valor arbitrário t ,
onde, a partir deste, calculamos x e y :
x = 3t − 2
y = − 4t + 2
z=t
Logo, atribuindo diferentes valores para t , encontramos diferentes soluções para o sistema linear acima.
3 −2 4 2
[0 0 0 0]
c) 0 0 0 0 .

Observe que, assim como foi no item b), temos duas equações correspondentes às duas linhas nulas da
matrix que não trazem restrições no cálculo da solução, restando a única equação:
3x − 2y + 4z = 2 .
 20

Escolhendo a variável líder como x , podemos escrever a solução em função das variáveis livres:
x = (2 + 2y − 4z)/3
y=s .
z=t
Este conjunto de soluções possíveis é chamado de solução geral do sistema.

Definição: Quando estudamos um sistema linear com infinitas soluções, então um conjunto de equações
paramétricas é chamado de Solução Geral do sistema se, a partir destas equações, podemos obter todas as
soluções possíveis do sistema atribuindo valores numéricos aos parâmetros.

Métodos de Eliminação

Vimos acima que quando uma matriz aumentada de um sistema linear está na forma
escalonada reduzida por linhas, a solução do sistema torna-se fácil de se obter, quando esta
existir.
Vamos estudar agora um método para tornar uma matriz aumentada (ou estendida) na
forma escalonada reduzida por linhas.

Considere a seguinte matriz:

0 0 −2 0 7 12
2 4 −10 6 12 28
2 4 −5 6 −5 −1

PASSO 1: Localizar a coluna mais à esquerda que não seja constituída somente por zeros:

0 0 −2 0 7 12
2 4 −10 6 12 28
2 4 −5 6 −5 −1

PASSO 2: Trocar a primeira linha com outra linha para que o primeiro elemento da primeira
linha não seja nulo:
 21

2 4 −10 6 12 28
0 0 −2 0 7 12 (trocamos a primeira linha pela segunda)
2 4 −5 6 −5 −1

PASSO 3: Transformar o primeiro elemento da primeira linha em 1, para criar um pivô:

1 2 −5 3 6 14
0 0 −2 0 7 12 (dividimos todos os elementos da primeira linha por 2)
2 4 −5 6 −5 −1

PASSO 4: Transformar os elementos abaixo do pivô em zero:

1 2 −5 3 6 14
0 0 −2 0 7 12 (terceira linha foi substituída pelo resultado desta menos 2
0 0 5 0 −17 −29
vezes a primeira linha)

PASSO 5: Separar a primeira linha (já trabalhada) do restante da matriz. Na matriz restante,
aplicamos novamente os passos anteriores até que não haja mais linhas.

1 2 −5 3 6 14
0 0 −2 0 7 12 (coluna mais à esquerda não-nula)
0 0 5 0 −17 −29

1 2 −5 3 6 14
0 0 1 0 −7/2 −6 (transformando o número em pivô)
0 0 5 0 −17 −29

1 2 −5 3 6 14
0 0 1 0 −7/2 −6 (terceira linha trocada pela diferença entre esta e 5 vezes a
0 0 0 0 1/2 1
segunda linha)
1 2 −5 3 6 14
0 0 1 0 −7/2 −6 (coluna mais à esquerda não-nula)
0 0 0 0 1/2 1
 22

1 2 −5 3 6 14
0 0 1 0 −7/2 −6 (transformando o número em pivô)
0 0 0 0 1 2

Observe que a matriz acima já se encontra na forma escalonada. Para obtermos a forma
escalonada reduzida por linhas, fazemos mais um passo:

PASSO 6: Tornar zero todas as entradas acima dos pivôs. Processo inicia da última linha
para a primeira linha.

1 2 −5 3 6 14
0 0 1 0 0 1 (Linha 2 trocada por (Linha 2 +(7/2)*Linha 3)
0 0 0 0 1 2

1 2 −5 3 0 2
0 0 1 0 0 1 (Linha 1 trocada por (Linha 1 - (6)*Linha 3)
0 0 0 0 1 2

1 2 0 3 0 7
[0 0 0 0 1 2]
0 0 1 0 0 1 (Linha 1 trocada por (Linha 1 + (5)*Linha 2)

Note agora que a matriz acima se encontra na forma escalonada reduzida por linhas.

Definição: O procedimento (ou algoritmo) que fizemos acima que reduz uma matrix à sua forma
escalonada reduzida por linhas é chamado de eliminação de Gauss-Jordan. Observe que este algoritmo
consiste em duas partes. A primeira parte, chamada fase para a frente ou direta, é a obtenção da forma
escalonada da matriz inicial (Passos 1 a 5), ou seja, colocar zeros abaixo dos pivôs. A segunda parte,
chamada de fase para trás ou inversa, consiste em inserir os zeros acima dos pivôs.

Exemplo 4: Resolva o sistema abaixo por eliminação de Gauss-Jordan:

x1 + 3x2 − 2x3 + 2x5 = 0

2x1 + 6x2 − 5x3 − 2x4 + 4x5 − 3x6 = −1
5x3 + 10x4 + 15x6 = 5
2x1 + 6x2 + 8x4 + 4x5 + 18x6 = 6
 23

A matriz aumentada (ou estendida) deste sistema é dada por:

1 3 −2 0 2 0 0
2 6 −5 −2 4 −3 −1
0 0 5 10 0 15 5
2 6 0 8 4 18 6
A forma escalonada é dada por (Exercício):
1 3 −2 0 2 0 0
0 0 1 2 0 3 1
0 0 0 0 0 1 1/3
0 0 0 0 0 0 0
A forma escalonada reduzida por linhas é dada por (Exercício):
1 3 0 4 2 0 0
0 0 1 2 0 0 0
.
0 0 0 0 0 1 1/3
0 0 0 0 0 0 0
O sistema de equações correspondente é
x1 + 3x2 + 4x4 + 2x5 = 0
x3 + 2x4 = 0
x6 = 1/3
Escolhendo as variáveis x1, x3, x6 como líderes, obtemos a solução geral do sistema (já na forma
paramétrica):
x1 = −3r − 4s − 2t
x2 = r
x3 = −2s
x4 = s
x5 = t
x6 = 1/3

Quando estudamos sistemas lineares grandes (muitas equações e incógnitas), é mais

eficiente reduzir a matriz à forma escalonada (fase direta, chamada eliminação gaussiana) e
depois aplicar uma técnica conhecida como retrossubstituição (ou substituição inversa)
para completar o processo de resolução do sistema.

Exemplo 5: Vamos resolver novamente o sistema anterior com a técnica da substituição inversa:
Observe que a matriz escalonada foi:
 24

1 3 −2 0 2 0 0
0 0 1 2 0 3 1
.
0 0 0 0 0 1 1/3
0 0 0 0 0 0 0
O sistema linear equivalente a esta matriz aumentada é dado por:
x1 + 3x2 − 2x3 + 2x5 = 0
x3 + 2x4 + 3x6 = 1 .
x6 = 1/3
Resolvendo para as variáveis líderes x1, x3, x6 , obtemos
x1 = −3x2 + 2x3 − 2x5
x3 = 1 − 2x4 − 3x6
x6 = 1/3
Agora, da equação de baixo para cima. Como sabemos o valor de x6 , vamos substituir este valor na
equação acima e obter uma expressão para x3 . Depois, substituímos expressão na equação acima
(primeira equação) para obter uma expressão para x1 .
x1 = −3x2 − 4x4 − 2x5
x3 = −2x4
x6 = 1/3
Assim obtemos a mesma solução geral paramétrica:
x1 = −3r − 4s − 2t
x2 = r
x3 = −2s
x4 = s
x5 = t
x6 = 1/3

Observação6:
1. A forma escalonada reduzida por linhas é única, ou seja, independentemente de utilizar eliminação de
Gauss-Jordan ou uma outra sequência qualquer de operações elementares, no final sempre chegamos à
mesma forma escalonada reduzida por linhas ;
2. A forma escalonada não é única, ou seja, diferentes sequências de operações com linhas podem resultar
em formas escalonadas diferentes ;
3. Apesar das formas escalonadas não serem únicas, todas estas possuem o mesmo número de linhas nulas
e, além disso, os pivôs sempre ocorrem na mesma posição.

6 Álgebra Linear com Aplicações - H. Anton, C. Rorres, 10a ed., ed. Bookman, pg. 21
 25

MATRIZES

INTRODUÇÃO

Realizar uma coleção de números reais é uma rotina que aparece em diversos contextos, não
apenas na matriz aumentada de um sistema linear. Neste capítulo vamos começar a estudar
matrizes como objetos independentes, definindo sobre elas as operações de adição,
subtração e multiplicação7.

AUL A 3: MATRIZ E OPERAÇÕES MATRICIAIS

Notação

Vimos nas aulas anteriores que podemos escrever sistemas de equações lineares como uma
coleção retangular de números, chamada de matriz aumentada (ou estendida).
Estas coleções retangulares podem ocorrer em diversos outros contextos, por exemplo,
considere a seguinte tabela descrevendo o número de horas que um estudante gastou
estudando 3 matérias ao longo da semana:

segunda terça quarta quinta sexta Sábado Domingo

Matemática 2 3 2 4 1 4 2

História 0 3 1 4 3 2 2

Línguas 4 1 3 1 0 0 2

Note que os dados da tabela acima podem ser escritos como a seguinte coleção retangular de
números reais:
2 3 2 4 1 4 2
[4 1 3 1 0 0 2]
0 3 1 4 3 2 2 .

Definição 1: Uma matriz é um agrupamento retangular de números. Dizemos que os números neste
agrupamento são as entradas da matriz.

7 Álgebra Linear com Aplicações - H. Anton, C. Rorres, 10a ed., ed. Bookman, pg. 25
 26

Exemplo 1: Exemplos de matrizes:

0 −2 2 e 2

[−3 5 ] [1]
2
4 1 , [7 −2 −1 5] (Vetor linha ou matriz linha) , 1 π 0 , (Vetor coluna
0 −3 2
ou matriz coluna) , [5]

Com relação ao tamanho (ou dimensão) de uma matriz, esta característica é expressa em
termos do número de linhas e de colunas que esta contém.
No exemplo acima, as matrizes possuem tamanho, respectivamente, dado por:
3 × 2 , 1 × 4 , 3 × 3, 2 × 1 e 1 × 1.
Observe que nas descrições acima, o primeiro número sempre vai representar o número de
linhas da matriz e o segundo número, o número de colunas da matriz.

Com relação à notação de uma matriz, sempre utilizamos letras maiúsculas para denotar
uma matriz e letras minúsculas para denotar uma entrada da matriz, ou seja,

[3 1 8] [d e f]
1 −2 −4 a b c
A= ,C= .

Neste contexto, é usual dizer que as entradas das matrizes são escalares. Em geral,
escalares são números reais, mas também podem denotar números complexos. Denotamos
as entradas da matriz A como (A)ij .

Uma matriz A, de tamanho 3 × 4, pode ser escrita como:

a11 a12 a13 a14
A = a21 a22 a23 a24 . Observe que (A)ij = aij .
a31 a32 a33 a34
Uma matriz arbitrária m × n pode ser escrita como:
a11 a12 … a1n
a21 a22 … a2n
A= ou ainda na forma compacta A = [aij]m×n ou A = [aij].
⋮ ⋮ ⋮
am1 am2 … amn

A primeira forma compacta é usada quando é importante destacar a dimensão da matriz e a

segunda forma é usada quando esta informação não é relevante no argumento.
 27

Vetores linha e colunas possuem uma importância especial, sendo usual denotá-los por
letras minúsculas, como
b1
b2
a = [a1 a2 … an] e b = .
⋮
bm

Quando o número de linhas é igual ao número de colunas, digamos n, dizemos que a matriz
é quadrada de ordem n , onde os elementos a11, a22, … , ann formam a Diagonal Principal
de A
a11 a12 … a1n
a21 a22 … a2n
A= .
⋮ ⋮ ⋮
an1 an2 … ann
Os elementos a1n, a2(n−1), … , an1 formam a Diagonal Secundária de A.

a11 … a1(n−1) a1n

a21 … a2(n−1) a2n
A= .
⋮ ⋮ ⋮
an1 … a1(n−1) ann

Operações com Matrizes

Vimos até agora o conceito de matrizes como uma alternativa na descrição de informações,
seja na forma de sistemas lineares, seja na forma de tabelas. Entretanto, será interessante
estabelecermos uma aritmética matricial, ou seja, estabelecer formas de somar, subtrair e
multiplicar matrizes.

Definição 2: Duas matrizes A = [aij] e B = [bij] são ditas iguais se tiverem o mesmo tamanho e se
aij = bij , para todo i, j .
 28

[2 y 5 ] [2 1 5] [2 3]
1 x −3 1 −2 −3 1 4
Exemplo 2: Considere as matrizes A = ,B = e C= .

Observe que se x = − 2, y = 1 , então as matrizes A e B são iguais. Por outro lado, não existem valores
para x, y de modo que A = C , tendo em vista que estas matrizes possuem tamanhos diferentes.

Definição 3: A soma e a diferença entre duas matrizes do mesmo tamanho A = [aij] e B = [bij] são
definidas como:
(A + B)ij = (A)ij + (B)ij = aij + bij
(A − B)ij = (A)ij − (B)ij = aij − bij

[1 −4 5] [2 1 6]
3 2 3 1 −2 3
Exemplo 3: Considere as matrizes A = e B= .

[3 −3 11] [−1 −5 −1]

4 0 6 2 4 0
Logo, A + B = e A−B = .

Definição 4: Dada uma matriz A = [aij] e um escalar c , então o produto cA é definido como:
cA = c[aij] = [caij].

[1 −4 5]
3 2 3
Exemplo 4: Considere a matriz A = .

[2 −8 10] [−3 12 −15] 2 [1/2 −2 5/2]

6 4 6 −9 −6 −9 1 3/2 1 3/2
Logo, 2A = , (−3)A = e A= .

Definição 5: Considere duas matrizes A , de tamanho m × r , e B , de tamanho r × n .

Então o Produto AB é uma matriz de tamanho m × n , cuja entrada na linha i e coluna j de AB é dada
da seguinte forma:
Destacamos a linha i de A e coluna j de B, depois multiplicamos as entradas correspondentes e somamos os
resultados.

2 1 3 3
[1 −4 5] [ 3 −2 1 3]
3 2 3
Exemplo 5: Considere as matrizes A = e B = −2 4 −3 3 .

Em primeiro lugar, vemos que A é uma matriz 2 × 3 e B é uma matriz 3 × 4 . Logo, o produto AB será
uma matriz 2 × 4.
 29

Suponha que queiramos calcular o elemento da linha 2 e coluna 3 da matriz produto AB. Para isso, vamos
separar a linha 2 de A e a coluna 3 de B , multiplicamos as entradas correspondentes e somamos o
resultado:

2 1 3 3
[1 −4 5] [ [* * 20 * ]
3 −2 1 3]
3 2 3 * * * *
⋅ −2 4 −3 3 = , pois

1.3 + (−4) . (−3) + 5.1 = 20

Por outro lado, o elemento da linha 1 e coluna 4 da matriz produto é dado por:
2 1 3 3
[1 −4 5] [ [ ]
3 −2 1 3]
3 2 3 * * * 23
⋅ −2 4 −3 3 = , pois
* * * *
3.3 + 2.3 + 3.3 = 23
Exercício: Calcule todos os elementos da matriz produto AB, onde A e B são dados no exemplo acima.

Observação8: Lembre-se que, para um produto de matrizes estar bem definido, precisamos que os números
internos sejam iguais. Além disso, o tamanho da matriz produto será dado pelos números externos:

A B AB
m×r r ×n m×n

Forma Matricial de um Sistema Linear

A multiplicação matricial tem um papel importante no estudo de sistemas lineares.

Considere um sistema de m equações com n variáveis (incógnitas):
a11x1 + a12 x2 + … + a1n xn = b1
a21x1 + a22 x2 + … + a2n xn = b2
.
⋮
am1x1 + am2 x2 + … + amn xn = bm
Observe que podemos encarar o sistema acima como uma única equação matricial, ou seja,
uma igualdade entre duas matrizes

8 Álgebra Linear com Aplicações - H. Anton, C. Rorres, 10a ed., ed. Bookman, pg. 29
 30

a11x1 + a12 x2 + … + a1n xn b1

a21x1 + a22 x2 + … + a2n xn b2
= .
⋮ ⋮ ⋮ ⋮
am1x1 + am2 x2 + … + amn xn bm
A matriz m × 1 à esquerda pode ser escrita como um produto de duas matrizes:
a11 a12 … a1n x1 b1
a21 a22 … a2n x2 b2
. = .
⋮ ⋮ ⋮ ⋮ ⋮
am1 am2 … amn xn bm

Logo, denotando as matrizes acima por A, x, b , respectivamente, temos que o sistema

original pode ser escrito como:
A.x = b ,
onde a matriz A é chamada de matriz dos coeficientes do sistema.

A matriz aumentada (ou estendida) do sistema é obtida acrescentando b à matriz A como

última coluna, ou seja,
a11 a12 … a1n b1
a21 a22 … a2n b2
[A | b] = .
⋮ ⋮ ⋮ ⋮
am1 am2 … amn bm

Transposta e Traço de uma Matriz

Dada uma matriz A , de tamanho m × n , qualquer. Podemos definir duas operações sobre
esta matriz que serão importantes no decorrer do nosso curso: O cálculo da Transposta e o
Traço de A .

Definição: A transposta da matriz A , m × n , denotada por A T , é definida como a matriz n × m

resultante da troca das linhas com as colunas de A , ou seja, a primeira coluna de A T é a primeira linha de
A e, assim, sucessivamente. Em forma matricial, dizemos que (A T )ij = (A)ji .
 31

Exemplo 6: Considere as matrizes com suas respectivas transpostas:

a11 a12 … a1n a11 a21 … am1
a21 a22 … a2n T
a12 a22 … am2
A= , A = ;
⋮ ⋮ ⋮ ⋮ ⋮ ⋮
am1 am2 … amn a1m a2m … amn
2 4
[4 6 7]
2 3 5
B = 3 6 , BT =
5 7
4
[7]
C = [4 3 7] , C T = 3

D = [2] , B T = [2]

Definição: Se A for uma matriz quadrada, então definimos o Traço de A , denotado por tr(A) , como a
soma dos elementos da diagonal principal de A .

Exemplo 7: Considere as matrizes com suas respectivos traços:

a11 a12 a13

A = a21 a22 a23 , tr(A) = a11 + a22 + a33 ;
a31 a32 a33
2 3 5 3
4 −1 9 4
B= , tr(B) = 2 + (−1) + 5 + (−3) = 3
−6 −3 5 5
1 2 5−3
a11 a12 … a1n
n
a21 a22 … a2n
∑ ii
A= , tr(A) = a11 + a22 + … + ann = a
⋮ ⋮ ⋮
i=1
an1 an2 … ann
 32

AUL A 4: MATRIZ INVERSA

Nesta aula veremos algumas propriedades algébricas das operações de soma e produto de
matrizes, bem como a definição de matriz inversa.

Propriedades Algébricas

Teorema 19: Considere as matrizes A, B, C de modo que a soma e o produto matriciais estejam bem
definidos e que a, b, c sejam constantes reais. As seguintes propriedades são verdadeiras:
a) A + B = B + A ;
b) A + (B + C ) = (A + B) + C ;
c) A(BC ) = (AB)C ;
d) A(B ± C ) = AB ± AC ;
e) a(B ± C ) = aB ± aC .

Exemplo 1: Considere as matrizes

1 2
[0 1] [2 1] [2 3]
4 3 1 0
A= 3 4 , B= , C= .

Logo,
1 2 8 5
[0 1] [2 1] [ ] [2 1] [2 3] [ 4 3]
4 3 4 3 1 0 10 9
AB = 3 4 . = 20 13 e BC = . = .
2 1
Pelo Teorema anterior, vemos que
8 5 18 15 1 2 18 15
[ ] [2 3] [0 1] [ 4 3]
1 0 10 9
(AB)C = 20 13 . = 46 39 e A(BC ) = 3 4 . = 46 39 .
2 1 4 3 4 3

9 Álgebra Linear com Aplicações - H. Anton, C. Rorres, 10a ed., ed. Bookman, pg. 38
 33

Apesar de importante, o Teorema 1 acima não garante que todas as operações aritméticas
que estávamos acostumados a usar com números serão verdadeiras no caso de matrizes. Por
exemplo:

a) Se o produto AB está definido, não necessariamente o produto BA também estará

(por exemplo, A é 2 × 3 e B é 3 × 4);
b) As matrizes AB e BA podem estar definidas, mas possuírem tamanho diferente (por
exemplo, A do tamanho 3 × 2 e B do tamanho 2 × 3);
c) As matrizes AB e BA podem estar definidas, possuírem o mesmo tamanho, mas
serem diferentes (confira o exemplo 2 a seguir);
d) A lei de cancelamento não é válida para matrizes, ou seja, se A ≠ 0 e AB = AC ,
então não é verdade que B = C (confira o exemplo 3 a seguir)

Exemplo 2: Considere as matrizes

[ 2 3] [3 0]
−1 0 1 2
A= , B= .

Logo,

[ 2 3] [3 0] [ 11 4 ] [3 0] [ 2 3] [−3 0]
−1 0 1 2 −1 −2 1 2 −1 0 3 6
AB = . = e BA = . = .

Exemplo 3: Considere as matrizes

[0 2] [3 4] [3 4]
0 1 1 1 2 5
A= , B= , C= .

Note que

[0 2] [3 4] [6 8] [0 2] [3 4] [6 8]
0 1 1 1 3 4 0 1 2 5 3 4
AB = . = e AC = . = .

Porém, vemos que B ≠ C .

Matriz Identidade

Definição: Uma matriz quadrada é chamada de matriz identidade se todos os elementos da diagonal
principal foram iguais a 1 e os demais elementos foram iguais a zero. Denotamos a matriz identidade de
 34

tamanho n × n por In . Com isso, temos os seguintes exemplos:

1 0 0 0
1 0 0
[0 1] [0 0 1]
1 0 0 1 0 0
I2 = , I3 = 0 1 0 , I4 = .
0 0 1 0
0 0 0 1

Esta matriz possui uma propriedade importante, descrita abaixo:

Propriedade: Se A é uma matriz m × n , então A . In = A e Im . A = A .

Matriz Inversa

Em primeiro lugar, vamos relembrar o que seria determinar o inverso multiplicativo de um

número.

Dado um número real não-nulo a , dizemos que o número b é seu inverso multiplicativo se
a . b = 1. Neste caso, denotamos b = a −1 , ou seja, a . a −1 = 1.

De forma análoga podemos estender este resultado para o caso matricial, lembrando que o
número 1 (caso numérico) será trocado pela matriz identidade de ordem n , In .

Definição: Considere A uma matriz quadrada. Se conseguirmos encontrar uma outra matriz B , de mesmo
tamanho de A , tal que A . B = B . A = I , então dizemos que a matriz A é Invertível (ou não singular) e
B é a Inversa de A . Caso não seja possível encontrar tal matriz B , dizemos que A é não invertível ou
Singular.

Observação: Note que se a matriz B é invertível, então a matriz A será sua inversa. Desta forma, dizemos
que A e B são inversas uma da outra.
 35

Exemplo 410: Considere as matrizes

[−1 3 ] [1 2]
2 −5 3 5
A= , B= .

Note que

[−1 3 ] [1 2] [0 1]
2 −5 3 5 1 0
AB = . = e

[1 2] [−1 3 ] [0 1]
3 5 2 −5 1 0
BA = . = .

Teorema (Unicidade da Matriz Inversa): Se as matrizes B e C são inversas da matriz A, então B = C.

Demonstração: Como B é inversa de A , então AB = I . Logo, multiplicando à esquerda ambos os lados

por C, temos:
C(AB) = C . I = C.
Por outro lado, pelas propriedades que vimos, sabemos que C(AB) = (CA)B. Logo,
C(AB) = (CA)B = I . B = B , pois CA = I .
Portanto, B = C .

Tendo em vista que a inversa de uma matriz é única, então podemos escrever a notação da
matriz inversa de A como A −1 . Com isso, obtemos:
A . A −1 = A −1 . A = I .

Teorema: Se A, B são matrizes invertíveis, então o produto AB é invertível e vale (AB)−1 = B −1 . A −1

Vamos verificar agora como podemos calcular a inversa de uma matriz. Primeiro vamos ver o
caso 2 × 2 e depois o caso geral.

10 Álgebra Linear com Aplicações - H. Anton, C. Rorres, 10a ed., ed. Bookman, pg. 42
 36

Teorema (Matriz Inversa ordem 2):

[c d]
a b
A matriz A = é invertível se, e somente se, ad − bc ≠ 0 e a matriz inversa é dada pela fórmula:

1
ad − bc [−c a ]
A −1 = d −b .

Observação: O número ad − bc é chamado de Determinante da matriz A, de tamanho 2 × 2 , e é

denotado por det(A). O teorema acima então garante que uma matriz 2 × 2 vai ser invertível se , e só se,
seu determinante é não-nulo. O conceito mais geral de determinante de matrizes será feito posteriormente.

Exemplo 5: Calcule, caso exista, a matriz inversa das matrizes abaixo:

[−2 4] [ 2 −3]
5 3 −4 6
A= , B= .

Observe que o determinante de A é det(A) = 5.4 − 3.(−2) = 26 ≠ 0 . Logo, A admite uma inversa,
dada por

[ ]
1 4 −3
A −1 = .
26 2 5
Por outro lado, vemos que o determinante de B é det(B) = (−4) . (−3) − 6.2 = 0 . Logo, a matriz B
não admite uma inversa.

Exercício: Resolva o seguinte sistema linear usando inversão de matrizes:

a x + by = u
,
cx + dy = v
para x, y (incógnitas) em função de u, v .

Vamos verificar agora como proceder para encontrarmos uma matriz inversa no caso mais
geral.

Em primeiro lugar, vamos relembrar as três operações elementares que definimos na

primeira aula:

1. Multiplicar uma linha por uma constante não nula c ;

2. Trocar duas linhas entre si;
3. Somar uma constante cvezes uma equação a uma outra equação.
 37

Se uma matriz B for obtida a partir da matriz A após uma sequência de operações
elementares , então dizemos que as matrizes A e B são equivalentes. Em outras palavras, se
a partir de uma matriz, podemos obter a outra matriz por uma sequência de operações
elementares.

Algoritmo para cálculo da matriz inversa:

Para encontrar a inversa de uma matriz invertível A , devemos encontrar uma sequência de operações
elementares que reduza A à matriz identidade e depois efetuar esta mesma sequência de operações na
matriz identidade para encontrar A −1 .

Como vamos aplicar as mesmas operações em duas matrizes simultaneamente , A e I , então podemos
juntar a matriz identidade à direita de A da seguinte forma:
[A | I ].
A seguir, vamos aplicar operações elementares até que a matriz da esquerda torne-se a identidade I , pois
com isso, a matriz da direita será convertida na matriz inversa A −1, ou seja, vamos ter obtido
[I | A −1].

Vamos ver na prática como aplicamos este algoritmo no próximo exemplo:

Exemplo 6: Encontre a inversa da matriz

1 2 3
A= 2 5 3 .
1 0 8
Em primeiro lugar, vamos adicionar a matriz identidade de ordem 3 à direita de A:
1 2 3 1 0 0
2 5 3 0 1 0
1 0 8 0 0 1
Somar (−2) vezes a primeira linha à segunda linha e somar (−1) vez a primeira linha à terceira linha:
1 2 3 1 0 0
0 1 −3 −2 1 0
0 −2 5 −1 0 1
Somar (2) vezes a linha 2 à linha 3:
1 2 3 1 0 0
0 1 −3 −2 1 0
0 0 −1 −5 2 1
 38

Multiplicar a terceira linha por (−1):

1 2 3 1 0 0
0 1 −3 −2 1 0
0 0 1 5 −2 −1
Somar (3) vezes a linha 3 à linha 2 e (−3) vezes a linha 3 à linha 1:
1 2 0 −14 6 3
0 1 0 13 −5 −3
0 0 1 5 −2 −1
Somar (2) vezes a linha 2 à linha 1:
1 0 0 −40 16 9
0 1 0 13 −5 −3 .
0 0 1 5 −2 −1
Com isso, temos que
−40 16 9
A −1 = 13 −5 −3 .
5 −2 −1

Observação: Quando estamos aplicando o algoritmo acima, não sabemos de antemão se a matriz inversa
de fato existe. Entretanto, se a matriz A não for invertível, será impossível reduzir a matriz A à matriz
identidade In por operações elementares. Em outras palavras, em algum ponto do algoritmo aparecerá uma
linha de zeros na matriz à esquerda. Se isso ocorrer, podemos interromper as contas e concluir que A não é
invertível.

Exercício: Mostre que a seguinte matriz não é invertível

1 6 4
A= 2 4 −1 .
−1 2 5
 39

AUL A 5: MATRIZES ESPECIAIS

Nesta aula vamos discutir sobre matrizes que possuem diversos formatos especiais, além de
vermos algumas propriedades destas. Vamos estudar as matrizes diagonais, triangulares e
simétricas.

Matrizes Diagonais

Definição: Uma matriz quadrada é chamada de Matriz Diagonal se todos os elementos que estão fora da
diagonal principal são nulos.

Exemplo 1: São matrizes diagonais:

4 0 0 0
1 0 0
[0 4] [0 0] [
0 0 1]
5 0 0 0 0 −3 0 0
, , 0 1 0 ,
0 0 0 0
0 0 0 7

Uma matriz diagonal D, de tamanho n × n, da forma geral

d1 0 … 0
0 d2 … 0
D=
⋮ ⋮ ⋮
0 0 … dn

é invertível se, e somente se, todas as entradas na diagonal principal são não-nulas, e a
matriz inversa é dada por:
1/d1 0 … 0
0 1/d2 … 0
D −1 = . Exercício: Verificar que D −1 . D = D . D −1 = In .
⋮ ⋮ ⋮
0 0 … 1/dn
 40

Além disso, as potências de uma matriz diagonal são calculadas facilmente:

d1k 0 … 0
k 0 d2k … 0
D = ,
⋮ ⋮ ⋮
0 0 … dnk
onde k é um número inteiro positivo.

Exemplo 2: Considere a matriz diagonal:

3 0 0
A = 0 −2 0 .
0 0 5
Note que
1/3 0 0
−1
A = 0 −1/2 0 ,
0 0 1/5
27 0 0
A 3 = 0 −8 0 ,
0 0 125
1/27 0 0
−3 −1 3
A = (A ) = 0 −1/8 0 .
0 0 1/125

Matrizes Triangulares

Definição: Uma matriz quadrada onde todas as entradas acima da diagonal principal são nulas é
chamada de Matriz Triangular Inferior. Por outro lado, uma matriz onde todas as entradas abaixo da
diagonal principal são nulas é chamada de Matriz Triangular Superior.

Uma forma de gravar a definição é pensar que na matriz triangular inferior, as entradas não-nulas estão
abaixo da diagonal principal e na matriz triangular superior, as entradas não-nulas estão acima da
diagonal principal.
 41

Exemplo 3:
a11 a12 a13 a14
0 a22 a23 a24
Matriz Triangular Superior
0 0 a33 a34
0 0 0 a44

a11 0 0 0
a21 a22 0 0
Matriz Triangular Inferior
a31 a32 a33 0
a41 a42 a43 a44

Note que, baseado na definição, temos que toda matriz diagonal é uma matriz triangular
superior e inferior ao mesmo tempo. Além disso, quando escalonamos uma matriz, sua
forma final é uma matriz triangular superior.

Vejamos abaixo outras propriedades de matrizes triangulares:

Teorema:
1. A transposta de uma matriz triangular superior é uma matriz triangular inferior e vice-versa;
2. O produto de matrizes triangulares inferiores é triangular inferior. O mesmo é válido para
matrizes triangulares superiores;
3. Uma matriz triangular é invertível se, e somente se, suas entradas na diagonal principal são não-
nulas;
4. Dada uma matriz invertível, então se esta é triangular inferior, então sua inversa é triangular
inferior. O mesmo é válido se esta matriz invertível é triangular superior.

Exemplo 4: Considere as matrizes triangulares superiores:

1 3 −1 3 −2 2
[0 0 1]
A= 0 2 4 , B = 0 0 −1 .
0 0 5
Observe que a matriz B não admite uma inversa , pelo teorema anterior (item 3).
 42

Além disso, fica como exercício mostrar que:

1 − 32 7
5
3 −2 −2 3 5 −1
−1 1 2
A = 0 2
−5 , AB = 0 0 2 , BA = 0 0 −5 .
1 0 0 5 0 0 5
0 0 5

Matrizes Simétricas

Definição: Uma matriz quadrada A é dita Simétrica se A = A T .

Exemplo 5: As seguintes matrizes são simétricas

−5 0 0 0
−2 3 −1
[5 −4] [
−1 0 1 ]
2 5 0 3 0 0
, 3 1 0 , .
0 0 2 0
0 0 0 6

Note que baseado nesta definição, temos que se A é simétrica, então A T também é simétrica.
Além disso, a soma de matrizes simétricas ainda é simétrica e o produto por escalar de uma
matriz simétrica é também simétrica.

Por outro lado, o produto de matrizes simétricas nem sempre resulta em uma matriz
simétrica. Observe que
(AB)T = B T A T = BA.
Logo, o produto de duas matrizes simétricas vai ser uma matriz simétrica se, e somente se,
BA = AB, ou seja, se as matrizes comutam.
Por fim, dada uma matriz invertível A, se A é simétrica, então A −1 é simétrica, bem como as
matrizes A A T e A T A serão simétricas e invertíveis.

Exercício:
1. Dê exemplo de duas matrizes simétricas A, B tais que AB ≠ BA .

[3 0 −5]
1 −2 4
2. Considere a matriz A = . Mostre que A A T e A T A são simétricas.
 43

DETERMINANTES

INTRODUÇÃO

AULA 6: DETERMINANTES

Nesta aula vamos discutir sobre alguns métodos de calcular determinantes de matrizes.

O que é Determinante?

Em primeiro lugar, vamos relembrar de um resultado que vimos algumas aulas atrás sobre a
inversa de uma matriz 2 × 2. O resultado diz:

[c d]
a b
Teorema: A matriz A = é invertível se, e somente se, ad − bc ≠ 0 e a matriz inversa é dada

pela fórmula:
1
ad − bc −c a ]
[
A −1 = d −b .

A expressão ad − bc é denominada determinante da matriz A . Hoje vamos estudar como

calcular determinantes de matrizes quadradas de ordem superior.

OBS.: Uma breve intuição do que é um determinante.

[0 3]
2 0
Considere a seguinte matriz A = . Vamos encarar esta matriz

como uma espécie de transformação do quadrado formado pelos vetores

(1, 0) e (0, 1) . Observe na figura ao lado que a área inicial (formada
pelos vetores (1, 0) e (0, 1) ) é igual a 1 , e a área da nova figura
(retângulo formado pelos vetores (2, 0) e (0, 3) ) é igual a 2.3 = 6.
De uma maneira geral, o determinante pode ser visto como o fator que
 44

multiplicamos a área inicial, no caso igual a 1.

[0 3]
2 2
Observe no exemplo abaixo que temos agora a matriz A = formando um paralelogramo, cuja

área também é igual a 2.3 = 6 . De uma maneira geral,

[c d]
a b
para uma matriz da forma A = , é possível

mostrar usando argumentos de geometria plana que a área

do quadrilátero formado pelos vetores (a, c) e (b, d ) é
dada por
a b
Área = det(A) = = ad − bc .
c d
Para matrizes quadradas de ordem 3, a interpretação é
semelhante, mas pensamos em volume do paralelepípedo
gerado ao invés de áreas.

Vamos ver a seguir que existem alguns métodos para calcularmos o determinante para
matrizes quadradas de ordem maior do que 2.

Expansão em Cofatores

Em primeiro lugar, vamos definir o que seriam cofatores para uma matriz quadrada de
ordem 3.

3 1 −4
Considere a matriz11 A = 2 5 6 . Vamos fixar o primeiro elemento da matriz a11 = 3.
1 4 8
Com isso, vamos definir a submatriz M11 onde suprimimos tanto a primeira linha (i = 1)
quanto a primeira coluna ( j = 1), obtendo
3 1 −4
2 5 6 =[
4 8]
5 6
= M11 .
1 4 8
Observe que a submatriz M12 é dada por
3 1 −4
2 5 6 =[ ]
2 6
= M12 .
1 8
1 4 8
11 Álgebra Linear com Aplicações - H. Anton, C. Rorres, 10a ed., ed. Bookman, pg. 94
 45

De maneira geral, a submatriz Mij será dada pelo resultado quando suprimimos a linha i e a
coluna j da matriz original A .
Logo, definimos cofator da entrada aij como sendo o número Cij = (−1)i+j det(Mij ) .

3 1 −4
Exemplo 1: Considere a mesma matriz A = 2 5 6 dada anteriormente.
1 4 8
Vamos calcular os cofatores da primeira linha de A, ou seja, vamos calcular C11, , C12, C13 .
N o t e q u e M11 e M12 j á f o r a m d e t e r m i n a d o s , o n d e det(M11) = 5.8 − 6.4 = 16 ,
det(M12) = 2.8 − 6.1 = 10.
O caso M13 é dado por
3 1 −4
2 5 6 =[
1 4]
2 5
= M13 , com det(M13) = 2.4 − 5.1 = 3.
1 4 8
Logo, os cofatores serão
C11 = (−1)1+1 . det(M11) = 16 ,
C12 = (−1)1+2 . det(M12) = − 10 ,
C13 = (−1)1+3 . det(M13) = 3 .

Exercício 1: Calcule todos os cofatores da segunda coluna da matriz A do exemplo anterior.

Como relacionar os cofatores da matriz A com o próprio determinante de A?

Definição: Considere A uma matriz quadrada de ordem n . Definimos determinante de A como sendo o
resultado da seguinte soma:
det(A) = ai1 . Ci1 + ai2 . Ci2 + … + ainCin (expansão em cofatores ao longo da linha i )
ou
det(A) = a1j . C1j + a2j . C2j + … + anjCnj (expansão em cofatores ao longo da coluna j ).
Observe que o valor do determinante não se altera, independentemente da linha ou coluna escolhida.

3 1 0
Exemplo 2: Considere a matriz A = −2 −4 3 . Vamos determinar sua expansão em cofatores ao
5 4 −2
longo da primeira linha.
 46

3 1 0
−4 3 −2 3 −2 −4
det(A) = −2 −4 3 =3 −1 +0
4 −2 5 −2 5 4
5 4 −2
det(A) = 3.(−4) − 1.(−11) + 0 = − 1.

3 1 0
Exemplo 3: Considere a mesma matriz A = −2 −4 3 . Vamos determinar sua expansão em
5 4 −2
cofatores ao longo da primeira coluna.
3 1 0
−4 3 1 0 1 0
det(A) = −2 −4 3 =3 − (−2) +5
4 −2 4 −2 −4 3
5 4 −2
det(A) = 3.(−4) + 2.(−2) + 5.3 = − 1.

Observação: Nos casos 2 × 2 e 3 × 3 , o determinante pode ser calculado de forma mais eficiente,
conforme o padrão sugerido abaixo:

Fonte: Álgebra Linear com Aplicações - H. Anton, C. Rorres, 10a ed., ed. Bookman, pg. 97

No caso 2 × 2 , o determinante pode ser calculado multiplicando os elementos da seta para direita e
subtraindo o resultado do produto dos elementos da seta para esquerda, ou seja,
a11 a12
a21 a22 = a11 . a22 − a12 . a21 .
No caso 3 × 3 , é análogo. O determinante pode ser calculado da seguinte forma. Primeiro, repetimos as
duas primeiras colunas no final da matriz, conforme a figura acima. Depois fazemos os produtos dos
elementos que estão em cada seta para a direita, somando os resultados, e subtraímos do produto dos
elementos de cada seta para a esquerda, ou seja,
 47

a11 a12 a13

a a a a a a
a21 a22 a23 = a11 . 22 23 + a12 . 21 23 + a13 . 21 22
a32 a33 a31 a33 a31 a32
a31 a32 a33

= a11 . a22 . a33 + a12 . a23 . a31 + a13 . a21 . a32

−a13 . a22 . a31 − a11 . a23 . a32 − a12 . a21 . a33 .

Propriedades e Cálculo do Determinante por Escalonamento

Vamos listar abaixo algumas propriedades importantes do determinante.

Propriedade 1: Suponha que A e B sejam matrizes quadradas de ordem n e k ∈ ℝ seja uma constante.
Então:
1. det(k A) = k n det(A)
2. det(AB) = det(A) . det(B)

Observação: Não é verdade que det(A + B) = det(A) + det(B).

[2 5] [1 3] [3 8]
1 2 3 1 4 3
Por exemplo, se A = e B= , então A + B = .

Porém, det(A) = 1 , det(B) = 8 e det(A + B) = 23, ou seja, det(A + B) ≠ det(A) + det(B).

Propriedade 2: Seja A uma matriz quadrada de ordem n.

1. Se A tem uma linha (ou coluna) formada por zeros, então det(A) = 0;
2. det(A T ) = det(A);
3. Se A possui duas linhas (ou duas colunas) proporcionais, então det(A) = 0.

ideia da demonstração:
1. Basta usar a fórmula de cofatores para a linha ou a coluna que só possui zeros nas entradas.
2. Quando trocamos as linhas pelas colunas (calculamos a transposta A T ), basta aplicar a fórmula
dos cofatores novamente na nova coluna de A T que a resposta será a mesma que se aplicada a fórmula na
linha de A.
 48

3. Se duas linhas (ou duas colunas) são proporcionais, então a combinação linear entre elas resultará
em uma linha (ou coluna) de zeros, onde podemos aplicar o item 1 acima.

Propriedade 3: Seja A uma matriz quadrada de ordem n . Se A é uma matriz triangular (superior ou
inferior), então determinante é dado pelo produto dos elementos da diagonal principal.

O próximo teorema será importante porque vai nos fornecer uma alternativa para se calcular
o determinante de uma matriz. O método é semelhante àquele que fizemos para
determinação da matriz inversa por operações elementares, ou seja, fazendo com que a
matriz original seja escrita na forma escalonada reduzida por linhas.

Teorema 1: Seja A uma matriz n × n.

a. Se B for uma matriz que resulta quando uma única linha ou coluna de A é multiplicada por um
escalar k, então det(B) = k det(A);
b. Se B for uma matriz que resulta quando duas linhas ou duas colunas de A são permutadas, então
det(B) = − det(A);
c. Se B for uma matriz que resulta quando um múltiplo de uma linha de A é somado a uma outra
linha, então det(B) = det(A). O mesmo é válido para o caso de colunas.

Vamos visualizar no próximo exemplo como utilizamos o teorema acima para o cálculo de
determinante de uma matriz, usando operações elementares.

0 1 5
Exemplo 4: Considere a matriz A = 3 −6 9 . Calcule det(A).
2 6 1
0 1 5 3 −6 9
det(A) = 3 −6 9 = − 0 1 5 (Trocamos a primeira com a segunda linha)
2 6 1 2 6 1
1 −2 3
=−3 0 1 5 (O número 3 era um fator em comum da primeira linha e saiu do det.)
2 6 1
1 −2 3
=−3 0 1 5 (Resultado da linha 3 menos duas vezes a linha 1)
0 10 −5
 49

1 −2 3
=−3 0 1 5 (Resultado da linha 3 menos dez vezes a linha 2)
0 0 −55
1 −2 3
= (−3) . (−55) 0 1 5 (O número 55 era um fator em comum da terceira linha).
0 0 1
Logo, como a última matriz é triangular superior, então seu determinante é dado pelo produto dos
elementos da diagonal principal. Com isso, obtemos
det(A) = (−3) . (−55).1 = 165.

Exercícios: Calcule o determinante das seguintes matrizes:

1 0 0 3
2 7 0 6
1. A = ;
0 6 3 0
7 3 1 −5
3 5 −2 6
1 2 −1 1
2. A = .
2 4 1 5
3 7 5 3
 50

AUL A 7: APLIC AÇÕES SISTEMAS LINEARES

Nesta aula vamos discutir algumas aplicações de sistemas lineares. O número de aplicações
em que podemos usar sistemas lineares é muito maior, mas vamos nos focar em apenas 2
nesta aula.

Análise de Redes

Definição: Uma rede é um conjunto de ramos através dos quais “flui" algum meio12.

Os ramos citados acima podem ser fios elétricos onde flui corrente elétrica, canos onde flui
água ou petróleo, ruas de uma cidade onde fluem veículos, por exemplo.

Os ramos acima se encontram em pontos específicos denominados nós ou vértices, nos

quais o fluxo se divide. Por exemplo, em uma rede elétrica, os nós ocorrem onde temos 3 ou
mais fios se juntando; em uma rede de trânsito, os nós ocorrem em cruzamentos de ruas.

No estudo de redes, existe em geral, alguma medida da taxa na qual o meio flui ao longo do
ramo. Por exemplo, em redes elétricas, temos o fluxo de uma corrente elétrica, medido em
ampères; a taxa de fluxo de água ou petróleo que flui em uma rede hidráulica, em litros por
minuto; a rede de fluxo de trânsito, a taxa é medida em veículos por hora.

Nesta breve aplicação, vamos nos restringir ao caso em que há conservação do fluxo em
cada nó, ou seja, a taxa de fluxo para dentro de qualquer nó é igual à taxa de fluxo para fora
deste nó. Isso quer dizer que não há perda de fluxo ou que este não se acumula nos nós e
não impede o movimento livre do meio ao longo da rede.

Exemplo 1: A figura ao lado mostra uma rede de 4 nós com

indicação de algumas taxas de fluxo e sentido do fluxo ao longo dos
ramos. Encontre as taxas de fluxo e o sentido do fluxo nos demais
ramos.

Observe que só sabemos a taxa de fluxo igual a 15.

Vamos definir as demais taxas de fluxos os valores
x1, x2, x3 , conforme aparece na figura abaixo Fonte: Álgebra Linear com Aplicações -
H. Anton, C. Rorres, 10a ed., ed. Bookman, pg. 74
12 Álgebra Linear com Aplicações - H. Anton, C. Rorres, 10a ed., ed. Bookman, pg. 73
 51

Como estamos supondo conservação do fluxo em todos os nós,

obtemos o seguinte de cada nó:

(Nó A): 30 = x1 + x2
(Nó B): x2 + x3 = 35
(Nó C): 60 = x3 + 15
(Nó D): x1 + 15 = 55

Essas quatro equações formam o seguinte sistema linear:

x1 + x2 = 30
x2 + x3 =−3
x3 = 45
x1 = 40

A solução é dada por x1 = 40, x2 = − 10, x3 = 45. Observe que, como x2 é negativo, isso significa que
o sentido do fluxo no ramo AB na figura acima acima está invertido, ou seja, este ramo seria para dentro
do nó A.

Exemplo 2: A figura abaixo mostra uma proposta de fluxo de tráfego de uma certa cidade em torno de uma
de suas praças, a Praça 15. O plano prevê a instalação de um semáforo computadorizado na saída norte da
Rua Lavradio. O diagrama mostra o número médio de veículos por hora que se espera ter nas ruas que
circundam o complexo da praça. Todas as ruas são de mão única.

Fonte: Álgebra Linear com Aplicações - H. Anton, C. Rorres, 10a ed., ed. Bookman, pg. 75
 52

a) O semáforo deveria deixar passar quantos veículos por hora para garantir que o número médio de
veículos por hora que entra no complexo seja igual ao número médio de veículos que sai do complexo?
b) Supondo que o semáforo tenha sido ajustado para equilibrar o fluxo total para dentro e para fora
do complexo da praça, o que pode ser dito sobre o número médio de veículos por hora que circulará pelas
ruas que circundam complexo?

Solução:
a) Observe que x representa o número de veículos por hora que o semáforo deve deixar passar. Logo,
o número total de veículos que entra e sai do complexo da praça será:
Para dentro: 500 + 200 + 400 + 600 = 1700 veículos
Para fora: 700 + x + 400 = x + 1100
Igualando os fluxos, temos que x = 600 veículos por hora.
b) Como estamos supondo conservação do fluxo nesta rede, isto implica que o fluxo para dentro de
cada cruzamento deve igualar o fluxo para fora do cruzamento, evitando congestionamento de trânsito.
Em termos de condições, precisamos que:

Cruzamento A: 600 + 400 = x1 + x2

Cruzamento B: x2 + x3 = x + 400
Cruzamento C: 200 + 500 = x3 + x4
Cruzamento D: x1 + x4 = 700

Como, pelo item a), x = 600, obtemos o seguinte sistema linear:

x1 + x2 = 1000
x2 + x3 = 1000
x3 + x4 = 700
x1 + x4 = 700
É fácil ver que este sistema possui uma infinidade de soluções e que estas são dadas pelas equações
paramétricas:
x1 = 700 − t , x2 = 300 + t , x3 = 700 − t , x4 = t .
Porém, observamos que o parâmetro t não pode ser qualquer. Em primeiro lugar, t ≥ 0 , pois estamos
supondo todas as ruas de mão única, e também t ≤ 700, pois p fluxo de carros não pode ser negativo, ou
 53

seja, não estamos supondo que os carros trafeguem na contra-mão. Com isso, 0 ≤ t ≤ 700 , e então,
0 ≤ x1 ≤ 700 , 300 ≤ x2 ≤ 1000 , 0 ≤ x3 ≤ 700 , 0 ≤ x4 ≤ 700 .

Interpolação Polinomial

Um problema importante em diversas áreas do conhecimento é encontrar uma função

“suave" que melhor aproxima um conjunto de pontos especificados no plano. Em geral, esta
função é do tipo polinomial, e é chamada de polinômio interpolador dos pontos.

Considere o caso mais simples, onde o polinômio interpolador possui grau 1, da forma
p(x) = a x + b, cujo gráfico passe por dois pontos distintos conhecidos (x1, y1) e (x2, y2) do
plano xy, conforme figura abaixo:

Vamos tentar encontrar os valores de a e b que

geram uma reta que passe pelos pontos (x1, y1) e
(x2, y2). Para isso ocorrer, precisamos resolver, para a
e b, o seguinte sistema linear:

a x1 + b = y1
a x2 + b = y2

Fonte: Álgebra Linear com Aplicações - H.

Anton, C. Rorres, 10a ed., ed. Bookman,
pg. 75

Fazendo a diferença entre as equações acima, obtemos o valor de a , onde depois bastaria
substituir em qualquer uma das equações para encontrar o valor de b:
y2 − y1 y1x2 − y2 x1
a= e b= , supondo que x2 ≠ x1 .
x2 − x1 x2 − x1

Por exemplo, suponha que tenhamos os pontos (2,1) e (5,4) e queiramos calcular a reta que
4−1 1.5 − 4.2
passa por eles, teríamos que a = =1 e b= = − 1 . Logo, a equações da
5−2 5−2
reta é y = x − 1.
 54

Considere agora o problema mais geral de encontrar um polinômio interpolador que passa
por n pontos:
(x1, y1), (x2, y2) , … , (xn, yn).

Como temos n condições a serem satisfeitas, teremos n equações a serem satisfeitas e,

então, é razoável procurarmos por polinômios de grau (n − 1) da forma:

p(x) = a0 + a1x + a2 x 2 + … + an−1x n−1 ,

pois note que teremos n coeficientes a determinar a partir das n equações.

Teorema 1: Dados quaisquer n pontos no plano xy que possuem coordenadas x distintas, existe um único
polinômio de grau n − 1 ou menor cujo gráfico passa por esses pontos.

Agora vamos ver como podemos encontrar este polinômio interpolador.

Vamos substituir todos os pontos (x1, y1), (x2, y2) , … , (xn, yn) no polinômio acima e
encontrar as n equações:

a0 + a1x1 + a2 x12 + … + an−1x1n−1 = y1

a0 + a1x2 + a2 x22 + … + an−1x2n−1 = y2
.
⋮
a0 + a1xn + a2 xn2 + … + an−1xnn−1 = yn

Como as incógnitas são os coeficientes do polinômio a0, a1, …, an−1 , temos que a matriz
ampliada do sistema linear acima é dada por:

1 x1 x12 … x1n−1 y1
1 x2 x22 … x2n−1 y2
,
⋮ ⋮ ⋮ ⋮ ⋮
1 xn xn2 … xnn−1 yn

logo, podemos encontrar o polinômio interpolador substituindo os dados do problema e

reduzindo a matriz acima na sua forma escalonada reduzida por linhas (eliminação de
Gauss-Jordan).
 55

E x e m p l o 3 : E n c o n t r e u m p o l i n ô m i o c ú b i c o c u j o g r á fi c o p a s s a p e l o s p o n t o s
(1,3), (2, − 2), (3, − 5), (4,0).

Observe que a matriz ampliada será

1 x1 x12 x13 y1
1 1 1 1 3
1 x2 x22 x23 y2 1 2 4 8 −2
= .
1 x3 x32 x33 y3 1 3 9 27 −5
1 4 16 64 0
1 x4 x42 x43 y4
A forma escalonada reduzida por linhas da matriz acima é igual a
(Exercício!):
1 0 0 0 4
0 1 0 0 3
,
0 0 1 0 −5
Fonte: Álgebra Linear com Aplicações - H.
0 0 0 1 1 Anton, C. Rorres, 10a ed., ed. Bookman,
ou seja, a0 = 4, a1 = 3, a2 = − 5, a3 = 1 e o polinômio pg. 82

interpolador é dado por p(x) = 4 + 3x − 5x 2 + x 3 .