Geometria Analı́tica – 08111-6 –

Unidade 1 – Aula 2

Slides cedidos p/ Prof. Tomas E. Barros

Slides cedidos p/ Prof. Tomas E. Barros Geometria Analı́tica – 08111-6 – Unidade 1 – Aula 2 1 / 23
 Sistemas Lineares e Matrizes

Matrizes na Forma Escalonada - Método de Gauss

Vimos que, para resolver um sistema de equações lineares,
Sistema Linear S ↔ M = Matriz Ampliada de S ↔ M ∼L E
A matriz E é obtida, a partir de M, através de operações
elementares sobre as linhas de M. Quando isso acontece dizemos
que E é linha-equivalente à matriz M (M ∼L E ).
A matriz E tem uma forma especial, chamada forma escalonada se:
(1) As linhas nulas, se houver, ficam abaixo das linhas não nulas;
(2) Se o primeiro elemento não nulo da linha i ocorre na coluna ci então
todos os elementos abaixo de aici são nulos;
(3) Se as linhas não nulas de E são as linhas 1, 2, . . . , k então,
c1 < c2 < · · · < ck . 
0 18 0 1 1 23 0 1
0 0 0 0 8 2
 1 −1  As linhas não nulas de E são
0 0 0 0 0 7 −5 2  as linhas 1, 2 e 3, e temos
 
0 0 0 0 0 0 0 0  c1 = 2, c2 = 5 e c3 = 6.
0 0 0 0 0 0 0 0

Slides cedidos p/ Prof. Tomas E. Barros Geometria Analı́tica – 08111-6 – Unidade 1 – Aula 2 2 / 23
 Sistemas Lineares e Matrizes

Matrizes na Forma Escalonada - Método de Gauss

Vimos que, para resolver um sistema de equações lineares,
Sistema Linear S ↔ M = Matriz Ampliada de S ↔ M ∼L E
A matriz E é obtida, a partir de M, através de operações
elementares sobre as linhas de M. Quando isso acontece dizemos
que E é linha-equivalente à matriz M (M ∼L E ).
A matriz E tem uma forma especial, chamada forma escalonada se:
(1) As linhas nulas, se houver, ficam abaixo das linhas não nulas;
(2) Se o primeiro elemento não nulo da linha i ocorre na coluna ci então
todos os elementos abaixo de aici são nulos;
(3) Se as linhas não nulas de E são as linhas 1, 2, . . . , k então,
c1 < c2 < · · · < ck . 
0 18 0 1 1 23 0 1
0 0 0 0 8 2
 1 −1  As linhas não nulas de E são
0 0 0 0 0 7 −5 2  as linhas 1, 2 e 3, e temos
 
0 0 0 0 0 0 0 0  c1 = 2, c2 = 5 e c3 = 6.
0 0 0 0 0 0 0 0

Slides cedidos p/ Prof. Tomas E. Barros Geometria Analı́tica – 08111-6 – Unidade 1 – Aula 2 2 / 23
 Sistemas Lineares e Matrizes

Matrizes na Forma Escalonada - Método de Gauss

Vimos que, para resolver um sistema de equações lineares,
Sistema Linear S ↔ M = Matriz Ampliada de S ↔ M ∼L E
A matriz E é obtida, a partir de M, através de operações
elementares sobre as linhas de M. Quando isso acontece dizemos
que E é linha-equivalente à matriz M (M ∼L E ).
A matriz E tem uma forma especial, chamada forma escalonada se:
(1) As linhas nulas, se houver, ficam abaixo das linhas não nulas;
(2) Se o primeiro elemento não nulo da linha i ocorre na coluna ci então
todos os elementos abaixo de aici são nulos;
(3) Se as linhas não nulas de E são as linhas 1, 2, . . . , k então,
c1 < c2 < · · · < ck . 
0 18 0 1 1 23 0 1
0 0 0 0 8 2
 1 −1  As linhas não nulas de E são
0 0 0 0 0 7 −5 2  as linhas 1, 2 e 3, e temos
 
0 0 0 0 0 0 0 0  c1 = 2, c2 = 5 e c3 = 6.
0 0 0 0 0 0 0 0

Slides cedidos p/ Prof. Tomas E. Barros Geometria Analı́tica – 08111-6 – Unidade 1 – Aula 2 2 / 23
 Sistemas Lineares e Matrizes

Matrizes na Forma Escalonada - Método de Gauss

Vimos que, para resolver um sistema de equações lineares,
Sistema Linear S ↔ M = Matriz Ampliada de S ↔ M ∼L E
A matriz E é obtida, a partir de M, através de operações
elementares sobre as linhas de M. Quando isso acontece dizemos
que E é linha-equivalente à matriz M (M ∼L E ).
A matriz E tem uma forma especial, chamada forma escalonada se:
(1) As linhas nulas, se houver, ficam abaixo das linhas não nulas;
(2) Se o primeiro elemento não nulo da linha i ocorre na coluna ci então
todos os elementos abaixo de aici são nulos;
(3) Se as linhas não nulas de E são as linhas 1, 2, . . . , k então,
c1 < c2 < · · · < ck . 
0 18 0 1 1 23 0 1
0 0 0 0 8 2
 1 −1  As linhas não nulas de E são
0 0 0 0 0 7 −5 2  as linhas 1, 2 e 3, e temos
 
0 0 0 0 0 0 0 0  c1 = 2, c2 = 5 e c3 = 6.
0 0 0 0 0 0 0 0

Slides cedidos p/ Prof. Tomas E. Barros Geometria Analı́tica – 08111-6 – Unidade 1 – Aula 2 2 / 23
 Sistemas Lineares e Matrizes

Matrizes na Forma Escalonada - Método de Gauss

Vimos que, para resolver um sistema de equações lineares,
Sistema Linear S ↔ M = Matriz Ampliada de S ↔ M ∼L E
A matriz E é obtida, a partir de M, através de operações
elementares sobre as linhas de M. Quando isso acontece dizemos
que E é linha-equivalente à matriz M (M ∼L E ).
A matriz E tem uma forma especial, chamada forma escalonada se:
(1) As linhas nulas, se houver, ficam abaixo das linhas não nulas;
(2) Se o primeiro elemento não nulo da linha i ocorre na coluna ci então
todos os elementos abaixo de aici são nulos;
(3) Se as linhas não nulas de E são as linhas 1, 2, . . . , k então,
c1 < c2 < · · · < ck . 
0 18 0 1 1 23 0 1
0 0 0 0 8 2
 1 −1  As linhas não nulas de E são
0 0 0 0 0 7 −5 2  as linhas 1, 2 e 3, e temos
 
0 0 0 0 0 0 0 0  c1 = 2, c2 = 5 e c3 = 6.
0 0 0 0 0 0 0 0

Slides cedidos p/ Prof. Tomas E. Barros Geometria Analı́tica – 08111-6 – Unidade 1 – Aula 2 2 / 23
 Sistemas Lineares e Matrizes

Matrizes na Forma Escalonada - Método de Gauss

Vimos que, para resolver um sistema de equações lineares,
Sistema Linear S ↔ M = Matriz Ampliada de S ↔ M ∼L E
A matriz E é obtida, a partir de M, através de operações
elementares sobre as linhas de M. Quando isso acontece dizemos
que E é linha-equivalente à matriz M (M ∼L E ).
A matriz E tem uma forma especial, chamada forma escalonada se:
(1) As linhas nulas, se houver, ficam abaixo das linhas não nulas;
(2) Se o primeiro elemento não nulo da linha i ocorre na coluna ci então
todos os elementos abaixo de aici são nulos;
(3) Se as linhas não nulas de E são as linhas 1, 2, . . . , k então,
c1 < c2 < · · · < ck . 
0 18 0 1 1 23 0 1
0 0 0 0 8 2
 1 −1  As linhas não nulas de E são
0 0 0 0 0 7 −5 2  as linhas 1, 2 e 3, e temos
 
0 0 0 0 0 0 0 0  c1 = 2, c2 = 5 e c3 = 6.
0 0 0 0 0 0 0 0

Slides cedidos p/ Prof. Tomas E. Barros Geometria Analı́tica – 08111-6 – Unidade 1 – Aula 2 2 / 23
 Sistemas Lineares e Matrizes

Matrizes na Forma Escalonada - Método de Gauss

Vimos que, para resolver um sistema de equações lineares,
Sistema Linear S ↔ M = Matriz Ampliada de S ↔ M ∼L E
A matriz E é obtida, a partir de M, através de operações
elementares sobre as linhas de M. Quando isso acontece dizemos
que E é linha-equivalente à matriz M (M ∼L E ).
A matriz E tem uma forma especial, chamada forma escalonada se:
(1) As linhas nulas, se houver, ficam abaixo das linhas não nulas;
(2) Se o primeiro elemento não nulo da linha i ocorre na coluna ci então
todos os elementos abaixo de aici são nulos;
(3) Se as linhas não nulas de E são as linhas 1, 2, . . . , k então,
c1 < c2 < · · · < ck . 
0 18 0 1 1 23 0 1
0 0 0 0 8 2
 1 −1  As linhas não nulas de E são
0 0 0 0 0 7 −5 2  as linhas 1, 2 e 3, e temos
 
0 0 0 0 0 0 0 0  c1 = 2, c2 = 5 e c3 = 6.
0 0 0 0 0 0 0 0

Slides cedidos p/ Prof. Tomas E. Barros Geometria Analı́tica – 08111-6 – Unidade 1 – Aula 2 2 / 23
 Sistemas Lineares e Matrizes

Matrizes na Forma Escalonada - Método de Gauss

Vimos que, para resolver um sistema de equações lineares,
Sistema Linear S ↔ M = Matriz Ampliada de S ↔ M ∼L E
A matriz E é obtida, a partir de M, através de operações
elementares sobre as linhas de M. Quando isso acontece dizemos
que E é linha-equivalente à matriz M (M ∼L E ).
A matriz E tem uma forma especial, chamada forma escalonada se:
(1) As linhas nulas, se houver, ficam abaixo das linhas não nulas;
(2) Se o primeiro elemento não nulo da linha i ocorre na coluna ci então
todos os elementos abaixo de aici são nulos;
(3) Se as linhas não nulas de E são as linhas 1, 2, . . . , k então,
c1 < c2 < · · · < ck . 
0 18 0 1 1 23 0 1
0 0 0 0 8 2
 1 −1  As linhas não nulas de E são
0 0 0 0 0 7 −5 2  as linhas 1, 2 e 3, e temos
 
0 0 0 0 0 0 0 0  c1 = 2, c2 = 5 e c3 = 6.
0 0 0 0 0 0 0 0

Slides cedidos p/ Prof. Tomas E. Barros Geometria Analı́tica – 08111-6 – Unidade 1 – Aula 2 2 / 23
 Sistemas Lineares e Matrizes

Matrizes na Forma Escalonada - Método de Gauss

Exemplos de matrizes na FORMA ESCALONADA:

   
−3 1 2   1 0 0
1 0 0 3 0
A =  0 0 −1 ; B= ; C = 0 1 2
0 0 0 0 1
0 0 0 0 0 1

   

2 0 0 6 −2 −4
D= 1 0 0 2 ; E = 0 0 1 ; F = 0 0 13 
0 0 0 0 0 0
   
2 1 −3 2 1 7 8 12 −31
0 0 0 2 0 1
√ 0 12 −76
G =0 , H = 0 0 0 0
  
2 0 0 0 
0 0 0 0 0 0 0 4 −1
Notamos que A é linha-equivalente à F
Slides cedidos p/ Prof. Tomas E. Barros Geometria Analı́tica – 08111-6 – Unidade 1 – Aula 2 3 / 23
 Sistemas Lineares e Matrizes

Matrizes na Forma Escalonada - Método de Gauss

Exemplos de matrizes na FORMA ESCALONADA:

   
−3 1 2   1 0 0
1 0 0 3 0
A =  0 0 −1 ; B= ; C = 0 1 2
0 0 0 0 1
0 0 0 0 0 1

   

2 0 0 6 −2 −4
D= 1 0 0 2 ; E = 0 0 1 ; F = 0 0 13 
0 0 0 0 0 0
   
2 1 −3 2 1 7 8 12 −31
0 0 0 2 0 1
√ 0 12 −76
G =0 , H = 0 0 0 0
  
2 0 0 0 
0 0 0 0 0 0 0 4 −1
Notamos que A é linha-equivalente à F
Slides cedidos p/ Prof. Tomas E. Barros Geometria Analı́tica – 08111-6 – Unidade 1 – Aula 2 3 / 23
 Sistemas Lineares e Matrizes

Matrizes na Forma Escalonada - Método de Gauss

Exemplos de matrizes na FORMA ESCALONADA:

   
−3 1 2   1 0 0
1 0 0 3 0
A =  0 0 −1 ; B= ; C = 0 1 2
0 0 0 0 1
0 0 0 0 0 1

   

2 0 0 6 −2 −4
D= 1 0 0 2 ; E = 0 0 1 ; F = 0 0 13 
0 0 0 0 0 0
   
2 1 −3 2 1 7 8 12 −31
0 0 0 2 0 1
√ 0 12 −76
G =0 , H = 0 0 0 0
  
2 0 0 0 
0 0 0 0 0 0 0 4 −1
Notamos que A é linha-equivalente à F
Slides cedidos p/ Prof. Tomas E. Barros Geometria Analı́tica – 08111-6 – Unidade 1 – Aula 2 3 / 23
 Sistemas Lineares e Matrizes

Matrizes na Forma Escalonada - Método de Gauss

Exemplos de matrizes na FORMA ESCALONADA:

   
−3 1 2   1 0 0
1 0 0 3 0
A =  0 0 −1 ; B= ; C = 0 1 2
0 0 0 0 1
0 0 0 0 0 1

   

2 0 0 6 −2 −4
D= 1 0 0 2 ; E = 0 0 1 ; F = 0 0 13 
0 0 0 0 0 0
   
2 1 −3 2 1 7 8 12 −31
0 0 0 2 0 1
√ 0 12 −76
G =0 , H = 0 0 0 0
  
2 0 0 0 
0 0 0 0 0 0 0 4 −1
Notamos que A é linha-equivalente à F
Slides cedidos p/ Prof. Tomas E. Barros Geometria Analı́tica – 08111-6 – Unidade 1 – Aula 2 3 / 23
 Sistemas Lineares e Matrizes

Matrizes na Forma Escalonada - Método de Gauss

Exemplos de matrizes na FORMA ESCALONADA:

   
−3 1 2   1 0 0
1 0 0 3 0
A =  0 0 −1 ; B= ; C = 0 1 2
0 0 0 0 1
0 0 0 0 0 1

   

2 0 0 6 −2 −4
D= 1 0 0 2 ; E = 0 0 1 ; F = 0 0 13 
0 0 0 0 0 0
   
2 1 −3 2 1 7 8 12 −31
0 0 0 2 0 1
√ 0 12 −76
G =0 , H = 0 0 0 0
  
2 0 0 0 
0 0 0 0 0 0 0 4 −1
Notamos que A é linha-equivalente à F
Slides cedidos p/ Prof. Tomas E. Barros Geometria Analı́tica – 08111-6 – Unidade 1 – Aula 2 3 / 23
 Sistemas Lineares e Matrizes

Forma Escalonada Reduzida por Linhas - Método de Gauss-Jordan

Outra forma bastante importante de matrizes é a Forma Escalonada
Reduzida por Linhas ou forma escalonada L-reduzida.
Dizemos que uma matriz A tem a forma escalonada L-reduzida se:
(1) A tem a forma escalonada;
(2) O primeiro elemento não nulo de cada linha não nula (pivô) deve ser
igual a 1;
(3) Se uma coluna contém um pivô então todos os outros elementos dessa
coluna devem ser nulos.
   1

0 18 0 1 1 23 0 0 1 0 18 0 0 43
48
0 0 0 0 8 2 1 0 0 0 0 1 0 17
   
   56  
0 0 0 0 0 7 −5 ∼L
 
0
 0 0 0 0 1 − 75 

0 0 0 0 0 0 0 0 0 0 0 0 0 0 
   

0 0 0 0 0 0 0 0 0 0 0 0 0 0

Para toda matriz M existe uma ÚNICA matriz escalonada L-reduzida,

que é L-equivalente à M, a qual denotamos por R(M).
Slides cedidos p/ Prof. Tomas E. Barros Geometria Analı́tica – 08111-6 – Unidade 1 – Aula 2 4 / 23
 Sistemas Lineares e Matrizes

Forma Escalonada Reduzida por Linhas - Método de Gauss-Jordan

Outra forma bastante importante de matrizes é a Forma Escalonada
Reduzida por Linhas ou forma escalonada L-reduzida.
Dizemos que uma matriz A tem a forma escalonada L-reduzida se:
(1) A tem a forma escalonada;
(2) O primeiro elemento não nulo de cada linha não nula (pivô) deve ser
igual a 1;
(3) Se uma coluna contém um pivô então todos os outros elementos dessa
coluna devem ser nulos.
   1

0 18 0 1 1 23 0 0 1 0 18 0 0 43
48
0 0 0 0 8 2 1 0 0 0 0 1 0 17
   
   56  
0 0 0 0 0 7 −5 ∼L
 
0
 0 0 0 0 1 − 75 

0 0 0 0 0 0 0 0 0 0 0 0 0 0 
   

0 0 0 0 0 0 0 0 0 0 0 0 0 0

Para toda matriz M existe uma ÚNICA matriz escalonada L-reduzida,

que é L-equivalente à M, a qual denotamos por R(M).
Slides cedidos p/ Prof. Tomas E. Barros Geometria Analı́tica – 08111-6 – Unidade 1 – Aula 2 4 / 23
 Sistemas Lineares e Matrizes

Forma Escalonada Reduzida por Linhas - Método de Gauss-Jordan

Outra forma bastante importante de matrizes é a Forma Escalonada
Reduzida por Linhas ou forma escalonada L-reduzida.
Dizemos que uma matriz A tem a forma escalonada L-reduzida se:
(1) A tem a forma escalonada;
(2) O primeiro elemento não nulo de cada linha não nula (pivô) deve ser
igual a 1;
(3) Se uma coluna contém um pivô então todos os outros elementos dessa
coluna devem ser nulos.
   1

0 18 0 1 1 23 0 0 1 0 18 0 0 43
48
0 0 0 0 8 2 1 0 0 0 0 1 0 17
   
   56  
0 0 0 0 0 7 −5 ∼L
 
0
 0 0 0 0 1 − 75 

0 0 0 0 0 0 0 0 0 0 0 0 0 0 
   

0 0 0 0 0 0 0 0 0 0 0 0 0 0

Para toda matriz M existe uma ÚNICA matriz escalonada L-reduzida,

que é L-equivalente à M, a qual denotamos por R(M).
Slides cedidos p/ Prof. Tomas E. Barros Geometria Analı́tica – 08111-6 – Unidade 1 – Aula 2 4 / 23
 Sistemas Lineares e Matrizes

Forma Escalonada Reduzida por Linhas - Método de Gauss-Jordan

Outra forma bastante importante de matrizes é a Forma Escalonada
Reduzida por Linhas ou forma escalonada L-reduzida.
Dizemos que uma matriz A tem a forma escalonada L-reduzida se:
(1) A tem a forma escalonada;
(2) O primeiro elemento não nulo de cada linha não nula (pivô) deve ser
igual a 1;
(3) Se uma coluna contém um pivô então todos os outros elementos dessa
coluna devem ser nulos.
   1

0 18 0 1 1 23 0 0 1 0 18 0 0 43
48
0 0 0 0 8 2 1 0 0 0 0 1 0 17
   
   56  
0 0 0 0 0 7 −5 ∼L
 
0
 0 0 0 0 1 − 75 

0 0 0 0 0 0 0 0 0 0 0 0 0 0 
   

0 0 0 0 0 0 0 0 0 0 0 0 0 0

Para toda matriz M existe uma ÚNICA matriz escalonada L-reduzida,

que é L-equivalente à M, a qual denotamos por R(M).
Slides cedidos p/ Prof. Tomas E. Barros Geometria Analı́tica – 08111-6 – Unidade 1 – Aula 2 4 / 23
 Sistemas Lineares e Matrizes

Forma Escalonada Reduzida por Linhas - Método de Gauss-Jordan

Outra forma bastante importante de matrizes é a Forma Escalonada
Reduzida por Linhas ou forma escalonada L-reduzida.
Dizemos que uma matriz A tem a forma escalonada L-reduzida se:
(1) A tem a forma escalonada;
(2) O primeiro elemento não nulo de cada linha não nula (pivô) deve ser
igual a 1;
(3) Se uma coluna contém um pivô então todos os outros elementos dessa
coluna devem ser nulos.
   1

0 18 0 1 1 23 0 0 1 0 18 0 0 43
48
0 0 0 0 8 2 1 0 0 0 0 1 0 17
   
   56  
0 0 0 0 0 7 −5 ∼L
 
0
 0 0 0 0 1 − 75 

0 0 0 0 0 0 0 0 0 0 0 0 0 0 
   

0 0 0 0 0 0 0 0 0 0 0 0 0 0

Para toda matriz M existe uma ÚNICA matriz escalonada L-reduzida,

que é L-equivalente à M, a qual denotamos por R(M).
Slides cedidos p/ Prof. Tomas E. Barros Geometria Analı́tica – 08111-6 – Unidade 1 – Aula 2 4 / 23
 Sistemas Lineares e Matrizes

Forma Escalonada Reduzida por Linhas - Método de Gauss-Jordan

Outra forma bastante importante de matrizes é a Forma Escalonada
Reduzida por Linhas ou forma escalonada L-reduzida.
Dizemos que uma matriz A tem a forma escalonada L-reduzida se:
(1) A tem a forma escalonada;
(2) O primeiro elemento não nulo de cada linha não nula (pivô) deve ser
igual a 1;
(3) Se uma coluna contém um pivô então todos os outros elementos dessa
coluna devem ser nulos.
   1

0 18 0 1 1 23 0 0 1 0 18 0 0 43
48
0 0 0 0 8 2 1 0 0 0 0 1 0 17
   
   56  
0 0 0 0 0 7 −5 ∼L
 
0
 0 0 0 0 1 − 75 

0 0 0 0 0 0 0 0 0 0 0 0 0 0 
   

0 0 0 0 0 0 0 0 0 0 0 0 0 0

Para toda matriz M existe uma ÚNICA matriz escalonada L-reduzida,

que é L-equivalente à M, a qual denotamos por R(M).
Slides cedidos p/ Prof. Tomas E. Barros Geometria Analı́tica – 08111-6 – Unidade 1 – Aula 2 4 / 23
 Sistemas Lineares e Matrizes

Forma Escalonada Reduzida por Linhas - Método de Gauss-Jordan

Outra forma bastante importante de matrizes é a Forma Escalonada
Reduzida por Linhas ou forma escalonada L-reduzida.
Dizemos que uma matriz A tem a forma escalonada L-reduzida se:
(1) A tem a forma escalonada;
(2) O primeiro elemento não nulo de cada linha não nula (pivô) deve ser
igual a 1;
(3) Se uma coluna contém um pivô então todos os outros elementos dessa
coluna devem ser nulos.
   1

0 18 0 1 1 23 0 0 1 0 18 0 0 43
48
0 0 0 0 8 2 1 0 0 0 0 1 0 17
   
   56  
0 0 0 0 0 7 −5 ∼L
 
0
 0 0 0 0 1 − 75 

0 0 0 0 0 0 0 0 0 0 0 0 0 0 
   

0 0 0 0 0 0 0 0 0 0 0 0 0 0

Para toda matriz M existe uma ÚNICA matriz escalonada L-reduzida,

que é L-equivalente à M, a qual denotamos por R(M).
Slides cedidos p/ Prof. Tomas E. Barros Geometria Analı́tica – 08111-6 – Unidade 1 – Aula 2 4 / 23
 Sistemas Lineares e Matrizes

Forma Escalonada Reduzida por Linhas - Método de Gauss-Jordan

A matriz F , em azul, não está na forma escalonada. Todas as demais
matrizes estão na FORMA ESCALONADA mas apenas as matrizes
em vermelho estão na forma ESCALONADA L-REDUZIDA:
   
−3 1 2   1 0 0
1 0 0 3 0
A =  0 0 −1 ; B = ; C = 0 1 2 
0 0 0 0 1
0 0 0 0 0 1
   

2 0 0 1 0 0
D = 1 0 0 2 ; E = 0 0 1  ; F = 0 0 1 
0 0 0 0 1 0
   
2 1 −3 0 1 0 8 0 −31
0 0 0 1 0 0 12 0 −76
G = √
0 , H = 0 0 0 0 1
  
2 0 0 
0 0 0 0 0 0 0 1 4

Slides cedidos p/ Prof. Tomas E. Barros Geometria Analı́tica – 08111-6 – Unidade 1 – Aula 2 5 / 23
 Sistemas Lineares e Matrizes

Forma Escalonada Reduzida por Linhas - Método de Gauss-Jordan

A matriz F , em azul, não está na forma escalonada. Todas as demais
matrizes estão na FORMA ESCALONADA mas apenas as matrizes
em vermelho estão na forma ESCALONADA L-REDUZIDA:
   
−3 1 2   1 0 0
1 0 0 3 0
A =  0 0 −1 ; B = ; C = 0 1 2 
0 0 0 0 1
0 0 0 0 0 1
   

2 0 0 1 0 0
D = 1 0 0 2 ; E = 0 0 1 ; F = 0 0 1
0 0 0 0 1 0
   
2 1 −3 0 1 0 8 0 −31
0 0 0 1 0 0 12 0 −76
G = √
0 , H = 0 0 0 0 1
  
2 0 0 
0 0 0 0 0 0 0 1 4

Slides cedidos p/ Prof. Tomas E. Barros Geometria Analı́tica – 08111-6 – Unidade 1 – Aula 2 5 / 23
 Sistemas Lineares e Matrizes

Forma Escalonada Reduzida por Linhas - Método de Gauss-Jordan

A matriz F , em azul, não está na forma escalonada. Todas as demais
matrizes estão na FORMA ESCALONADA mas apenas as matrizes
em vermelho estão na forma ESCALONADA L-REDUZIDA:
   
−3 1 2   1 0 0
1 0 0 3 0
A =  0 0 −1 ; B = ; C = 0 1 2 
0 0 0 0 1
0 0 0 0 0 1
   

2 0 0 1 0 0
D = 1 0 0 2 ; E = 0 0 1 ; F = 0 0 1
0 0 0 0 1 0
   
2 1 −3 0 1 0 8 0 −31
0 0 0 1 0 0 12 0 −76
G = √
0 , H = 0 0 0 0 1
  
2 0 0 
0 0 0 0 0 0 0 1 4

Slides cedidos p/ Prof. Tomas E. Barros Geometria Analı́tica – 08111-6 – Unidade 1 – Aula 2 5 / 23
 Sistemas Lineares e Matrizes

Forma Escalonada Reduzida por Linhas - Método de Gauss-Jordan

A matriz F , em azul, não está na forma escalonada. Todas as demais
matrizes estão na FORMA ESCALONADA mas apenas as matrizes
em vermelho estão na forma ESCALONADA L-REDUZIDA:
   
−3 1 2   1 0 0
1 0 0 3 0
A =  0 0 −1 ; B = ; C = 0 1 2 
0 0 0 0 1
0 0 0 0 0 1
   

2 0 0 1 0 0
D = 1 0 0 2 ; E = 0 0 1 ; F = 0 0 1
0 0 0 0 1 0
   
2 1 −3 0 1 0 8 0 −31
0 0 0 1 0 0 12 0 −76
G = √
0 , H = 0 0 0 0 1
  
2 0 0 
0 0 0 0 0 0 0 1 4

Slides cedidos p/ Prof. Tomas E. Barros Geometria Analı́tica – 08111-6 – Unidade 1 – Aula 2 5 / 23
 Sistemas Lineares e Matrizes

Posto de uma matriz

O posto de uma matriz M é o número de linhas não nulas de alguma
matriz escalonada E que é linha-equivalente à matriz M.
 
1 2 3 0 0 0
3 −1 7 0 0 0
Qual é o posto da matriz M = 5 3 13 0 0 0?


0 0 0 0 0 0
Uma matriz
 escalonada L-equivalente
 à matriz M é dada por,
1 2 3 0 0 0
0 −7 −2 0 0 0
ME =  0 0

0 0 0 0
0 0 0 0 0 0
Logo, Posto(M) = 2.

Slides cedidos p/ Prof. Tomas E. Barros Geometria Analı́tica – 08111-6 – Unidade 1 – Aula 2 6 / 23
 Sistemas Lineares e Matrizes

Posto de uma matriz

O posto de uma matriz M é o número de linhas não nulas de alguma
matriz escalonada E que é linha-equivalente à matriz M.
 
1 2 3 0 0 0
3 −1 7 0 0 0
Qual é o posto da matriz M = 5 3 13 0 0 0?


0 0 0 0 0 0
Uma matriz
 escalonada L-equivalente
 à matriz M é dada por,
1 2 3 0 0 0
0 −7 −2 0 0 0
ME =  0 0

0 0 0 0
0 0 0 0 0 0
Logo, Posto(M) = 2.

Slides cedidos p/ Prof. Tomas E. Barros Geometria Analı́tica – 08111-6 – Unidade 1 – Aula 2 6 / 23
 Sistemas Lineares e Matrizes

Posto de uma matriz

O posto de uma matriz M é o número de linhas não nulas de alguma
matriz escalonada E que é linha-equivalente à matriz M.
 
1 2 3 0 0 0
3 −1 7 0 0 0
Qual é o posto da matriz M = 5 3 13 0 0 0?


0 0 0 0 0 0
Uma matriz
 escalonada L-equivalente
 à matriz M é dada por,
1 2 3 0 0 0
0 −7 −2 0 0 0
ME =  0 0

0 0 0 0
0 0 0 0 0 0
Logo, Posto(M) = 2.

Slides cedidos p/ Prof. Tomas E. Barros Geometria Analı́tica – 08111-6 – Unidade 1 – Aula 2 6 / 23
 Sistemas Lineares e Matrizes

Posto de uma matriz

O posto de uma matriz M é o número de linhas não nulas de alguma
matriz escalonada E que é linha-equivalente à matriz M.
 
1 2 3 0 0 0
3 −1 7 0 0 0
Qual é o posto da matriz M = 5 3 13 0 0 0?


0 0 0 0 0 0
Uma matriz
 escalonada L-equivalente
 à matriz M é dada por,
1 2 3 0 0 0
0 −7 −2 0 0 0
ME =  0 0

0 0 0 0
0 0 0 0 0 0
Logo, Posto(M) = 2.

Slides cedidos p/ Prof. Tomas E. Barros Geometria Analı́tica – 08111-6 – Unidade 1 – Aula 2 6 / 23
 Sistemas Lineares e Matrizes

Teorema de Rouché-Capelli
Teorema de Rouché-Capelli: Consideremos um sistema linear de m
equações a n variáveis (incógnitas) A · X = B, cuja matriz dos
coeficientes A tem posto p e cuja matriz ampliada à tem posto q.
Então:
1. Se p 6= q, o sistema é impossı́vel;
ou seja, o sistema NÃO possui solução
2. Se p = q = n, o sistema é possı́vel e determinado;
ou seja, o sistema possui uma ÚNICA solução
3. Se p = q < n, o sistema é possı́vel e indeterminado, com
grau de liberdade n − p.
ou seja, o sistema possui INFINITAS soluções que dependem
de n − p parâmetros, determinados pelas variáveis livres.

Slides cedidos p/ Prof. Tomas E. Barros Geometria Analı́tica – 08111-6 – Unidade 1 – Aula 2 7 / 23
 Sistemas Lineares e Matrizes

Teorema de Rouché-Capelli


 2x + y + 3z = 9
−x + 3y + 4z = 19

No sistema S1 =: temos:

 x + y + 2z = 7
3x + 2y + 5z = 16


A matriz dos coeficientes e a matriz ampliada de S1 :

   
2 1 3 2 1 3 9
−1 3 4 −1 3 4 19
 1 1 2 e Ã1 =  1 1 2 7 
A1 =    

3 2 5 3 2 5 16
Determinar Postos e escalonadas reduzidas de A1 e Ã1 . Obteremos:
   
1 0 0 1 0 0 −1
0 1 0   0 1 0 2
R(A1 ) = 
0 e R(Ã1 ) =  
0 1 0 0 1 3
0 0 0 0 0 0 0
Posto(A1 ) = Posto(Ã1 ) = 3 = no de variáveis ⇒ S1 possı́vel e determ.
Slides cedidos p/ Prof. Tomas E. Barros Geometria Analı́tica – 08111-6 – Unidade 1 – Aula 2 8 / 23
 Sistemas Lineares e Matrizes

Teorema de Rouché-Capelli


 2x + y + 3z = 9
−x + 3y + 4z = 19

No sistema S1 =: temos:

 x + y + 2z = 7
3x + 2y + 5z = 16


A matriz dos coeficientes e a matriz ampliada de S1 :

   
2 1 3 2 1 3 9
−1 3 4 −1 3 4 19
A1 = 
 1 1 2 e Ã1 =  1 1 2 7 
  

3 2 5 3 2 5 16
Determinar Postos e escalonadas reduzidas de A1 e Ã1 . Obteremos:
   
1 0 0 1 0 0 −1
0 1 0   0 1 0 2
R(A1 ) = 
0 e R(Ã1 ) =  
0 1 0 0 1 3
0 0 0 0 0 0 0
Posto(A1 ) = Posto(Ã1 ) = 3 = no de variáveis ⇒ S1 possı́vel e determ.
Slides cedidos p/ Prof. Tomas E. Barros Geometria Analı́tica – 08111-6 – Unidade 1 – Aula 2 8 / 23
 Sistemas Lineares e Matrizes

Teorema de Rouché-Capelli


 2x + y + 3z = 9
−x + 3y + 4z = 19

No sistema S1 =: temos:

 x + y + 2z = 7
3x + 2y + 5z = 16


A matriz dos coeficientes e a matriz ampliada de S1 :

   
2 1 3 2 1 3 9
−1 3 4 −1 3 4 19
A1 = 
 1 1 2 e Ã1 =  1 1 2 7 
  

3 2 5 3 2 5 16
Determinar Postos e escalonadas reduzidas de A1 e Ã1 . Obteremos:
   
1 0 0 1 0 0 −1
0 1 0   0 1 0 2
R(A1 ) = 
0 e R(Ã1 ) =  
0 1 0 0 1 3
0 0 0 0 0 0 0
Posto(A1 ) = Posto(Ã1 ) = 3 = no de variáveis ⇒ S1 possı́vel e determ.
Slides cedidos p/ Prof. Tomas E. Barros Geometria Analı́tica – 08111-6 – Unidade 1 – Aula 2 8 / 23
 Sistemas Lineares e Matrizes

Teorema de Rouché-Capelli


 2x + y + 3z = 9
−x + 3y + 4z = 19

No sistema S1 =: temos:

 x + y + 2z = 7
3x + 2y + 5z = 16


A matriz dos coeficientes e a matriz ampliada de S1 :

   
2 1 3 2 1 3 9
−1 3 4 −1 3 4 19
A1 = 
 1 1 2 e Ã1 =  1 1 2 7 
  

3 2 5 3 2 5 16
Determinar Postos e escalonadas reduzidas de A1 e Ã1 . Obteremos:
   
1 0 0 1 0 0 −1
0 1 0   0 1 0 2
R(A1 ) = 
0 e R(Ã1 ) =  
0 1 0 0 1 3
0 0 0 0 0 0 0
Posto(A1 ) = Posto(Ã1 ) = 3 = no de variáveis ⇒ S1 possı́vel e determ.
Slides cedidos p/ Prof. Tomas E. Barros Geometria Analı́tica – 08111-6 – Unidade 1 – Aula 2 8 / 23
 Sistemas Lineares e Matrizes

Teorema de Rouché-Capelli


 2x + y + 3z = 9
−x + 3y + 4z = 19

No sistema S1 =: temos:

 x + y + 2z = 7
3x + 2y + 5z = 16


A matriz dos coeficientes e a matriz ampliada de S1 :

   
2 1 3 2 1 3 9
−1 3 4 −1 3 4 19
A1 = 
 1 1 2 e Ã1 =  1 1 2 7 
  

3 2 5 3 2 5 16
Determinar Postos e escalonadas reduzidas de A1 e Ã1 . Obteremos:
   
1 0 0 1 0 0 −1
0 1 0   0 1 0 2
R(A1 ) = 
0 e R(Ã1 ) =  
0 1 0 0 1 3
0 0 0 0 0 0 0
Posto(A1 ) = Posto(Ã1 ) = 3 = no de variáveis ⇒ S1 possı́vel e determ.
Slides cedidos p/ Prof. Tomas E. Barros Geometria Analı́tica – 08111-6 – Unidade 1 – Aula 2 8 / 23
 Sistemas Lineares e Matrizes

Teorema de Rouché-Capelli


 2x + y + 3z = 9
−x + 3y + 4z = 19

No sistema S1 =: temos:

 x + y + 2z = 7
3x + 2y + 5z = 16


A matriz dos coeficientes e a matriz ampliada de S1 :

   
2 1 3 2 1 3 9
−1 3 4 −1 3 4 19
A1 = 
 1 1 2 e Ã1 =  1 1 2 7 
  

3 2 5 3 2 5 16
Determinar Postos e escalonadas reduzidas de A1 e Ã1 . Obteremos:
   
1 0 0 1 0 0 −1
0 1 0   0 1 0 2
R(A1 ) = 
0 e R(Ã1 ) =  
0 1 0 0 1 3
0 0 0 0 0 0 0
Posto(A1 ) = Posto(Ã1 ) = 3 = no de variáveis ⇒ S1 possı́vel e determ.
Slides cedidos p/ Prof. Tomas E. Barros Geometria Analı́tica – 08111-6 – Unidade 1 – Aula 2 8 / 23
 Sistemas Lineares e Matrizes

Teorema de Rouché-Capelli


 2x + y + 3z = 9
−x + 3y + 4z = 19

No sistema S2 : temos:

 x + y + 2z = 7
3x + 2y + 5z = 17


As matrizes dos coeficientes e ampliada de S2 são dadas resp. por:

   
2 1 3 2 1 3 9
−1 3 4 −1 3 4 19
A2 =  1 1 2 e Ã2 =  1 1 2 7 
  

3 2 5 3 2 5 17
Escalonando A2 e Ã2 obtemos:
   
1 0 0 1 0 0 −1
0 1 0  0 1 0 2
R(A2 ) = 
0 e R(Ã2 ) =  
0 1 0 0 1 3
0 0 0 0 0 0 1
Posto(A2 ) = 3 6= 4 = Posto(Ã2 ) ⇒ S2 é impossı́vel.
Slides cedidos p/ Prof. Tomas E. Barros Geometria Analı́tica – 08111-6 – Unidade 1 – Aula 2 9 / 23
 Sistemas Lineares e Matrizes

Teorema de Rouché-Capelli


 2x + y + 3z = 9
−x + 3y + 4z = 19

No sistema S2 : temos:

 x + y + 2z = 7
3x + 2y + 5z = 17


As matrizes dos coeficientes e ampliada de S2 são dadas resp. por:

   
2 1 3 2 1 3 9
−1 3 4 −1 3 4 19
A2 =  1 1 2 e Ã2 =  1 1 2 7 
  

3 2 5 3 2 5 17
Escalonando A2 e Ã2 obtemos:
   
1 0 0 1 0 0 −1
0 1 0  0 1 0 2
R(A2 ) = 
0 e R(Ã2 ) =  
0 1 0 0 1 3
0 0 0 0 0 0 1
Posto(A2 ) = 3 6= 4 = Posto(Ã2 ) ⇒ S2 é impossı́vel.
Slides cedidos p/ Prof. Tomas E. Barros Geometria Analı́tica – 08111-6 – Unidade 1 – Aula 2 9 / 23
 Sistemas Lineares e Matrizes

Teorema de Rouché-Capelli


 2x + y + 3z = 9
−x + 3y + 4z = 19

No sistema S2 : temos:

 x + y + 2z = 7
3x + 2y + 5z = 17


As matrizes dos coeficientes e ampliada de S2 são dadas resp. por:

   
2 1 3 2 1 3 9
−1 3 4 −1 3 4 19
A2 =  1 1 2 e Ã2 =  1 1 2 7 
  

3 2 5 3 2 5 17
Escalonando A2 e Ã2 obtemos:
   
1 0 0 1 0 0 −1
0 1 0  0 1 0 2
R(A2 ) = 
0 e R(Ã2 ) =  
0 1 0 0 1 3
0 0 0 0 0 0 1
Posto(A2 ) = 3 6= 4 = Posto(Ã2 ) ⇒ S2 é impossı́vel.
Slides cedidos p/ Prof. Tomas E. Barros Geometria Analı́tica – 08111-6 – Unidade 1 – Aula 2 9 / 23
 Sistemas Lineares e Matrizes

Teorema de Rouché-Capelli


 2x + y + 3z = 9
−x + 3y + 4z = 19

No sistema S2 : temos:

 x + y + 2z = 7
3x + 2y + 5z = 17


As matrizes dos coeficientes e ampliada de S2 são dadas resp. por:

   
2 1 3 2 1 3 9
−1 3 4 −1 3 4 19
A2 =  1 1 2 e Ã2 =  1 1 2 7 
  

3 2 5 3 2 5 17
Escalonando A2 e Ã2 obtemos:
   
1 0 0 1 0 0 −1
0 1 0  0 1 0 2
R(A2 ) = 
0 e R(Ã2 ) =  
0 1 0 0 1 3
0 0 0 0 0 0 1
Posto(A2 ) = 3 6= 4 = Posto(Ã2 ) ⇒ S2 é impossı́vel.
Slides cedidos p/ Prof. Tomas E. Barros Geometria Analı́tica – 08111-6 – Unidade 1 – Aula 2 9 / 23
 Sistemas Lineares e Matrizes

Teorema de Rouché-Capelli


 2x + y + 3z = 9
−x + 3y + 4z = 19

No sistema S2 : temos:

 x + y + 2z = 7
3x + 2y + 5z = 17


As matrizes dos coeficientes e ampliada de S2 são dadas resp. por:

   
2 1 3 2 1 3 9
−1 3 4 −1 3 4 19
A2 =  1 1 2 e Ã2 =  1 1 2 7 
  

3 2 5 3 2 5 17
Escalonando A2 e Ã2 obtemos:
   
1 0 0 1 0 0 −1
0 1 0  0 1 0 2
R(A2 ) = 
0 e R(Ã2 ) =  
0 1 0 0 1 3
0 0 0 0 0 0 1
Posto(A2 ) = 3 6= 4 = Posto(Ã2 ) ⇒ S2 é impossı́vel.
Slides cedidos p/ Prof. Tomas E. Barros Geometria Analı́tica – 08111-6 – Unidade 1 – Aula 2 9 / 23
 Sistemas Lineares e Matrizes

Teorema de Rouché-Capelli


 2x + y + 3z = 9
−x + 3y + 4z = 19

No sistema S2 : temos:

 x + y + 2z = 7
3x + 2y + 5z = 17


As matrizes dos coeficientes e ampliada de S2 são dadas resp. por:

   
2 1 3 2 1 3 9
−1 3 4 −1 3 4 19
A2 =  1 1 2 e Ã2 =  1 1 2 7 
  

3 2 5 3 2 5 17
Escalonando A2 e Ã2 obtemos:
   
1 0 0 1 0 0 −1
0 1 0  0 1 0 2
R(A2 ) = 
0 e R(Ã2 ) =  
0 1 0 0 1 3
0 0 0 0 0 0 1
Posto(A2 ) = 3 6= 4 = Posto(Ã2 ) ⇒ S2 é impossı́vel.
Slides cedidos p/ Prof. Tomas E. Barros Geometria Analı́tica – 08111-6 – Unidade 1 – Aula 2 9 / 23
 Sistemas Lineares e Matrizes

Teorema de Rouché-Capelli


 x + 5y + 8z = 33
−x + 3y + 4z = 19

No sistema S3 : temos:

 x + y + 2z = 7
2x + 6y + 10z = 40


As matrizes dos coeficientes e ampliada de S3 são dadas resp. por:

   
1 5 8 1 5 8 33
−1 3 4  −1 3 4 19
A3 =  1 1 2
 e Ã3 = 
 1 1 2 7


2 6 10 2 6 10 40
Escalonando A3 e Ã3 obtemos:
   
1 0 1/2 1 0 1/2 1/2
0 1 3/2 0 1 3/2 13/2
R(A3 ) = 
0
 e R(Ã3 ) =  
0 0  0 0 0 0 
0 0 0 0 0 0 0
Posto(A3 ) = Posto(Ã3 ) = 2 < 3 = no de variáveis ⇒ S poss. e indet.
Slides cedidos p/ Prof. Tomas E. Barros Geometria Analı́tica – 08111-6 – Unidade 1 – Aula 2 10 / 23
 Sistemas Lineares e Matrizes

Teorema de Rouché-Capelli


 x + 5y + 8z = 33
−x + 3y + 4z = 19

No sistema S3 : temos:

 x + y + 2z = 7
2x + 6y + 10z = 40


As matrizes dos coeficientes e ampliada de S3 são dadas resp. por:

   
1 5 8 1 5 8 33
−1 3 4  −1 3 4 19
A3 =  1 1 2
 e Ã3 = 
 1 1 2 7


2 6 10 2 6 10 40
Escalonando A3 e Ã3 obtemos:
   
1 0 1/2 1 0 1/2 1/2
0 1 3/2 0 1 3/2 13/2
R(A3 ) = 
0
 e R(Ã3 ) =  
0 0  0 0 0 0 
0 0 0 0 0 0 0
Posto(A3 ) = Posto(Ã3 ) = 2 < 3 = no de variáveis ⇒ S poss. e indet.
Slides cedidos p/ Prof. Tomas E. Barros Geometria Analı́tica – 08111-6 – Unidade 1 – Aula 2 10 / 23
 Sistemas Lineares e Matrizes

Teorema de Rouché-Capelli


 x + 5y + 8z = 33
−x + 3y + 4z = 19

No sistema S3 : temos:

 x + y + 2z = 7
2x + 6y + 10z = 40


As matrizes dos coeficientes e ampliada de S3 são dadas resp. por:

   
1 5 8 1 5 8 33
−1 3 4  −1 3 4 19
A3 =  1 1 2
 e Ã3 = 
 1 1 2 7


2 6 10 2 6 10 40
Escalonando A3 e Ã3 obtemos:
   
1 0 1/2 1 0 1/2 1/2
0 1 3/2 0 1 3/2 13/2
R(A3 ) = 
0
 e R(Ã3 ) =  
0 0  0 0 0 0 
0 0 0 0 0 0 0
Posto(A3 ) = Posto(Ã3 ) = 2 < 3 = no de variáveis ⇒ S poss. e indet.
Slides cedidos p/ Prof. Tomas E. Barros Geometria Analı́tica – 08111-6 – Unidade 1 – Aula 2 10 / 23
 Sistemas Lineares e Matrizes

Teorema de Rouché-Capelli


 x + 5y + 8z = 33
−x + 3y + 4z = 19

No sistema S3 : temos:

 x + y + 2z = 7
2x + 6y + 10z = 40


As matrizes dos coeficientes e ampliada de S3 são dadas resp. por:

   
1 5 8 1 5 8 33
−1 3 4  −1 3 4 19
A3 =  1 1 2
 e Ã3 = 
 1 1 2 7


2 6 10 2 6 10 40
Escalonando A3 e Ã3 obtemos:
   
1 0 1/2 1 0 1/2 1/2
0 1 3/2 0 1 3/2 13/2
R(A3 ) = 
0
 e R(Ã3 ) =  
0 0  0 0 0 0 
0 0 0 0 0 0 0
Posto(A3 ) = Posto(Ã3 ) = 2 < 3 = no de variáveis ⇒ S poss. e indet.
Slides cedidos p/ Prof. Tomas E. Barros Geometria Analı́tica – 08111-6 – Unidade 1 – Aula 2 10 / 23
 Sistemas Lineares e Matrizes

Teorema de Rouché-Capelli


 x + 5y + 8z = 33
−x + 3y + 4z = 19

No sistema S3 : temos:

 x + y + 2z = 7
2x + 6y + 10z = 40


As matrizes dos coeficientes e ampliada de S3 são dadas resp. por:

   
1 5 8 1 5 8 33
−1 3 4  −1 3 4 19
A3 =  1 1 2
 e Ã3 = 
 1 1 2 7


2 6 10 2 6 10 40
Escalonando A3 e Ã3 obtemos:
   
1 0 1/2 1 0 1/2 1/2
0 1 3/2 0 1 3/2 13/2
R(A3 ) = 
0
 e R(Ã3 ) =  
0 0  0 0 0 0 
0 0 0 0 0 0 0
Posto(A3 ) = Posto(Ã3 ) = 2 < 3 = no de variáveis ⇒ S poss. e indet.
Slides cedidos p/ Prof. Tomas E. Barros Geometria Analı́tica – 08111-6 – Unidade 1 – Aula 2 10 / 23
 Sistemas Lineares e Matrizes

Teorema de Rouché-Capelli


 x + 5y + 8z = 33
−x + 3y + 4z = 19

No sistema S3 : temos:

 x + y + 2z = 7
2x + 6y + 10z = 40


As matrizes dos coeficientes e ampliada de S3 são dadas resp. por:

   
1 5 8 1 5 8 33
−1 3 4  −1 3 4 19
A3 =  1 1 2
 e Ã3 = 
 1 1 2 7


2 6 10 2 6 10 40
Escalonando A3 e Ã3 obtemos:
   
1 0 1/2 1 0 1/2 1/2
0 1 3/2 0 1 3/2 13/2
R(A3 ) = 
0
 e R(Ã3 ) =  
0 0  0 0 0 0 
0 0 0 0 0 0 0
Posto(A3 ) = Posto(Ã3 ) = 2 < 3 = no de variáveis ⇒ S poss. e indet.
Slides cedidos p/ Prof. Tomas E. Barros Geometria Analı́tica – 08111-6 – Unidade 1 – Aula 2 10 / 23
 Sistemas Lineares e Matrizes

Teorema de Rouché-Capelli
Resumindo:
Posto(A1 ) = Posto(Ã1 ) = 3 = no de variáveis de S1 .
Logo, S1 é um sistema possı́vel e determinado. Possui uma única
solução.
Posto(A2 ) = 3 6= 4 = Posto(Ã2 ).
Logo, S2 é um sistema impossı́vel. Não possui nenhuma solução.
Posto(A3 ) = Posto(Ã3 ) = 2 < 3 = no de variáveis de S3 .
Logo, S3 é um sistema possı́vel e indeterminado. Possui infinitas
soluções.

Slides cedidos p/ Prof. Tomas E. Barros Geometria Analı́tica – 08111-6 – Unidade 1 – Aula 2 11 / 23
 Sistemas Lineares e Matrizes

Teorema de Rouché-Capelli
Resumindo:
Posto(A1 ) = Posto(Ã1 ) = 3 = no de variáveis de S1 .
Logo, S1 é um sistema possı́vel e determinado. Possui uma única
solução.
Posto(A2 ) = 3 6= 4 = Posto(Ã2 ).
Logo, S2 é um sistema impossı́vel. Não possui nenhuma solução.
Posto(A3 ) = Posto(Ã3 ) = 2 < 3 = no de variáveis de S3 .
Logo, S3 é um sistema possı́vel e indeterminado. Possui infinitas
soluções.

Slides cedidos p/ Prof. Tomas E. Barros Geometria Analı́tica – 08111-6 – Unidade 1 – Aula 2 11 / 23
 Sistemas Lineares e Matrizes

Teorema de Rouché-Capelli
Resumindo:
Posto(A1 ) = Posto(Ã1 ) = 3 = no de variáveis de S1 .
Logo, S1 é um sistema possı́vel e determinado. Possui uma única
solução.
Posto(A2 ) = 3 6= 4 = Posto(Ã2 ).
Logo, S2 é um sistema impossı́vel. Não possui nenhuma solução.
Posto(A3 ) = Posto(Ã3 ) = 2 < 3 = no de variáveis de S3 .
Logo, S3 é um sistema possı́vel e indeterminado. Possui infinitas
soluções.

Slides cedidos p/ Prof. Tomas E. Barros Geometria Analı́tica – 08111-6 – Unidade 1 – Aula 2 11 / 23
 Sistemas Lineares e Matrizes

Teorema de Rouché-Capelli
Resumindo:
Posto(A1 ) = Posto(Ã1 ) = 3 = no de variáveis de S1 .
Logo, S1 é um sistema possı́vel e determinado. Possui uma única
solução.
Posto(A2 ) = 3 6= 4 = Posto(Ã2 ).
Logo, S2 é um sistema impossı́vel. Não possui nenhuma solução.
Posto(A3 ) = Posto(Ã3 ) = 2 < 3 = no de variáveis de S3 .
Logo, S3 é um sistema possı́vel e indeterminado. Possui infinitas
soluções.

Slides cedidos p/ Prof. Tomas E. Barros Geometria Analı́tica – 08111-6 – Unidade 1 – Aula 2 11 / 23
 Sistemas Lineares e Matrizes

Variáveis livres
 
1 −3 0 1 0 8 0 −31
0 0 1 0 0 √12 0 −76
Seja A = 
0 0
 a matriz ampliada de
0 0 1 2 0 0 
0 0 0 0 0 0 1 4
um sistema linear S (ou a matriz L-reduzida do sistema).
O sistema S possui 4 equações e 7 incógnitas (variáveis) as quais
chamaremos de x1 , x2 , x3 , x4 , x5 , x6 e x7 :


 x 1 − 3x2 + + x4 + 8x6 = −31
x3 + 12x = −76

√ 6

 x5 + 2x6 = 0
x7 = 4


As variáveis que acompanham pivôs são, x1 , x3 , x5 e x7 . Logo, as

variáveis livres são: x2 , x4 e x6 . Assim, as soluções desse sistema são:
√
(−31 + 3x2 − x4 − 8x6 , x2 , −76 − 12x6 , x4 , − 2x6 , x6 , 4), x2 , x4 , x6 ∈ R

Slides cedidos p/ Prof. Tomas E. Barros Geometria Analı́tica – 08111-6 – Unidade 1 – Aula 2 12 / 23
 Sistemas Lineares e Matrizes

Variáveis livres
 
1 −3 0 1 0 8 0 −31
0 0 1 0 0 √12 0 −76
Seja A = 
0 0
 a matriz ampliada de
0 0 1 2 0 0 
0 0 0 0 0 0 1 4
um sistema linear S (ou a matriz L-reduzida do sistema).
O sistema S possui 4 equações e 7 incógnitas (variáveis) as quais
chamaremos de x1 , x2 , x3 , x4 , x5 , x6 e x7 :


 x 1 − 3x2 + + x4 + 8x6 = −31
x3 + 12x = −76

√ 6

 x5 + 2x6 = 0
x7 = 4


As variáveis que acompanham pivôs são, x1 , x3 , x5 e x7 . Logo, as

variáveis livres são: x2 , x4 e x6 . Assim, as soluções desse sistema são:
√
(−31 + 3x2 − x4 − 8x6 , x2 , −76 − 12x6 , x4 , − 2x6 , x6 , 4), x2 , x4 , x6 ∈ R

Slides cedidos p/ Prof. Tomas E. Barros Geometria Analı́tica – 08111-6 – Unidade 1 – Aula 2 12 / 23
 Sistemas Lineares e Matrizes

Variáveis livres
 
1 −3 0 1 0 8 0 −31
0 0 1 0 0 √12 0 −76
Seja A = 
0 0
 a matriz ampliada de
0 0 1 2 0 0 
0 0 0 0 0 0 1 4
um sistema linear S (ou a matriz L-reduzida do sistema).
O sistema S possui 4 equações e 7 incógnitas (variáveis) as quais
chamaremos de x1 , x2 , x3 , x4 , x5 , x6 e x7 :


 x 1 − 3x2 + + x4 + 8x6 = −31
x3 + 12x = −76

√ 6

 x5 + 2x6 = 0
x7 = 4


As variáveis que acompanham pivôs são, x1 , x3 , x5 e x7 . Logo, as

variáveis livres são: x2 , x4 e x6 . Assim, as soluções desse sistema são:
√
(−31 + 3x2 − x4 − 8x6 , x2 , −76 − 12x6 , x4 , − 2x6 , x6 , 4), x2 , x4 , x6 ∈ R

Slides cedidos p/ Prof. Tomas E. Barros Geometria Analı́tica – 08111-6 – Unidade 1 – Aula 2 12 / 23
 Sistemas Lineares e Matrizes

Variáveis livres
 
1 −3 0 1 0 8 0 −31
0 0 1 0 0 √12 0 −76
Seja A = 
0 0
 a matriz ampliada de
0 0 1 2 0 0 
0 0 0 0 0 0 1 4
um sistema linear S (ou a matriz L-reduzida do sistema).
O sistema S possui 4 equações e 7 incógnitas (variáveis) as quais
chamaremos de x1 , x2 , x3 , x4 , x5 , x6 e x7 :


 x 1 − 3x2 + + x4 + 8x6 = −31
x3 + 12x = −76

√ 6

 x5 + 2x6 = 0
x7 = 4


As variáveis que acompanham pivôs são, x1 , x3 , x5 e x7 . Logo, as

variáveis livres são: x2 , x4 e x6 . Assim, as soluções desse sistema são:
√
(−31 + 3x2 − x4 − 8x6 , x2 , −76 − 12x6 , x4 , − 2x6 , x6 , 4), x2 , x4 , x6 ∈ R

Slides cedidos p/ Prof. Tomas E. Barros Geometria Analı́tica – 08111-6 – Unidade 1 – Aula 2 12 / 23
 Sistemas Lineares e Matrizes

Variáveis livres
 
1 −3 0 1 0 8 0 −31
0 0 1 0 0 √12 0 −76
Seja A = 
0 0
 a matriz ampliada de
0 0 1 2 0 0 
0 0 0 0 0 0 1 4
um sistema linear S (ou a matriz L-reduzida do sistema).
O sistema S possui 4 equações e 7 incógnitas (variáveis) as quais
chamaremos de x1 , x2 , x3 , x4 , x5 , x6 e x7 :


 x 1 − 3x2 + + x4 + 8x6 = −31
x3 + 12x = −76

√ 6

 x5 + 2x6 = 0
x7 = 4


As variáveis que acompanham pivôs são, x1 , x3 , x5 e x7 . Logo, as

variáveis livres são: x2 , x4 e x6 . Assim, as soluções desse sistema são:
√
(−31 + 3x2 − x4 − 8x6 , x2 , −76 − 12x6 , x4 , − 2x6 , x6 , 4), x2 , x4 , x6 ∈ R

Slides cedidos p/ Prof. Tomas E. Barros Geometria Analı́tica – 08111-6 – Unidade 1 – Aula 2 12 / 23
 Sistemas Lineares e Matrizes

Determinante de uma Matriz

Seja A = (aij )n×n uma matriz quadrada de ordem n > 1. Para cada
1 ≤ i ≤ n e 1 ≤ j ≤ n definimos,
Aij = a matriz quadrada de ordem n − 1 obtida de A pela supressão
da i-ésima linha e j-ésima coluna de A.
 
1 3 6
Exemplo: Se A = 2 5 0 então,
2 9 7
       
1 3 5 0 1 6 3 6
A23 = ; A11 = ; A32 = e A21 =
2 9 9 7 2 0 9 7
O determinante de A (denotado por |A|) é definido por:
Se n = 1, |A| = a11 .
(Desenvolvimento de Laplace) Se n > 1, o determinante de A pode
ser calculado de qualquer uma das 2n maneiras:
|A| = nj=1 (−1)s+j asj |Asj | para cada s ∈ {1, 2, . . . n} ou
P

|A| = ni=1 (−1)i+t ait |Ait | para cada t ∈ {1, 2, . . . n}.

P
Slides cedidos p/ Prof. Tomas E. Barros Geometria Analı́tica – 08111-6 – Unidade 1 – Aula 2 13 / 23
 Sistemas Lineares e Matrizes

Determinante de uma Matriz

Seja A = (aij )n×n uma matriz quadrada de ordem n > 1. Para cada
1 ≤ i ≤ n e 1 ≤ j ≤ n definimos,
Aij = a matriz quadrada de ordem n − 1 obtida de A pela supressão
da i-ésima linha e j-ésima coluna de A.
 
1 3 6
Exemplo: Se A = 2 5 0 então,
2 9 7
       
1 3 5 0 1 6 3 6
A23 = ; A11 = ; A32 = e A21 =
2 9 9 7 2 0 9 7
O determinante de A (denotado por |A|) é definido por:
Se n = 1, |A| = a11 .
(Desenvolvimento de Laplace) Se n > 1, o determinante de A pode
ser calculado de qualquer uma das 2n maneiras:
|A| = nj=1 (−1)s+j asj |Asj | para cada s ∈ {1, 2, . . . n} ou
P

|A| = ni=1 (−1)i+t ait |Ait | para cada t ∈ {1, 2, . . . n}.

P
Slides cedidos p/ Prof. Tomas E. Barros Geometria Analı́tica – 08111-6 – Unidade 1 – Aula 2 13 / 23
 Sistemas Lineares e Matrizes

Determinante de uma Matriz

Seja A = (aij )n×n uma matriz quadrada de ordem n > 1. Para cada
1 ≤ i ≤ n e 1 ≤ j ≤ n definimos,
Aij = a matriz quadrada de ordem n − 1 obtida de A pela supressão
da i-ésima linha e j-ésima coluna de A.
 
1 3 6
Exemplo: Se A = 2 5 0 então,
2 9 7
       
1 3 5 0 1 6 3 6
A23 = ; A11 = ; A32 = e A21 =
2 9 9 7 2 0 9 7
O determinante de A (denotado por |A|) é definido por:
Se n = 1, |A| = a11 .
(Desenvolvimento de Laplace) Se n > 1, o determinante de A pode
ser calculado de qualquer uma das 2n maneiras:
|A| = nj=1 (−1)s+j asj |Asj | para cada s ∈ {1, 2, . . . n} ou
P

|A| = ni=1 (−1)i+t ait |Ait | para cada t ∈ {1, 2, . . . n}.

P
Slides cedidos p/ Prof. Tomas E. Barros Geometria Analı́tica – 08111-6 – Unidade 1 – Aula 2 13 / 23
 Sistemas Lineares e Matrizes

Determinante de uma Matriz

Seja A = (aij )n×n uma matriz quadrada de ordem n > 1. Para cada
1 ≤ i ≤ n e 1 ≤ j ≤ n definimos,
Aij = a matriz quadrada de ordem n − 1 obtida de A pela supressão
da i-ésima linha e j-ésima coluna de A.
 
1 3 6
Exemplo: Se A = 2 5 0 então,
2 9 7
       
1 3 5 0 1 6 3 6
A23 = ; A11 = ; A32 = e A21 =
2 9 9 7 2 0 9 7
O determinante de A (denotado por |A|) é definido por:
Se n = 1, |A| = a11 .
(Desenvolvimento de Laplace) Se n > 1, o determinante de A pode
ser calculado de qualquer uma das 2n maneiras:
|A| = nj=1 (−1)s+j asj |Asj | para cada s ∈ {1, 2, . . . n} ou
P

|A| = ni=1 (−1)i+t ait |Ait | para cada t ∈ {1, 2, . . . n}.

P
Slides cedidos p/ Prof. Tomas E. Barros Geometria Analı́tica – 08111-6 – Unidade 1 – Aula 2 13 / 23
 Sistemas Lineares e Matrizes

Determinante de uma Matriz

Seja A = (aij )n×n uma matriz quadrada de ordem n > 1. Para cada
1 ≤ i ≤ n e 1 ≤ j ≤ n definimos,
Aij = a matriz quadrada de ordem n − 1 obtida de A pela supressão
da i-ésima linha e j-ésima coluna de A.
 
1 3 6
Exemplo: Se A = 2 5 0 então,
2 9 7
       
1 3 5 0 1 6 3 6
A23 = ; A11 = ; A32 = e A21 =
2 9 9 7 2 0 9 7
O determinante de A (denotado por |A|) é definido por:
Se n = 1, |A| = a11 .
(Desenvolvimento de Laplace) Se n > 1, o determinante de A pode
ser calculado de qualquer uma das 2n maneiras:
|A| = nj=1 (−1)s+j asj |Asj | para cada s ∈ {1, 2, . . . n} ou
P

|A| = ni=1 (−1)i+t ait |Ait | para cada t ∈ {1, 2, . . . n}.

P
Slides cedidos p/ Prof. Tomas E. Barros Geometria Analı́tica – 08111-6 – Unidade 1 – Aula 2 13 / 23
 Sistemas Lineares e Matrizes

Determinante de uma Matriz

a11 a12
Assim, = a11 a22 − a12 a21
a21 a22

2 0 1 −1
2 1 −1 2 1 −1
3 2 0 1
= 2 1 1 3 +3 3 0 1 =
1 0 1 3
3 3 −4 1 1 3
3 3 3 −4
 
1 3 1 −1 1 −1
= 2 2 − +3 +
3 −4 3 −4 1 3
 
3 1 2 −1
+ 3 − − =
1 3 3 1
= 2(2 · (−13) − (−1) + 3 · 4) + 3(−8 − 5) =
= −65

Slides cedidos p/ Prof. Tomas E. Barros Geometria Analı́tica – 08111-6 – Unidade 1 – Aula 2 14 / 23
 Sistemas Lineares e Matrizes

Determinante de uma Matriz

a11 a12
Assim, = a11 a22 − a12 a21
a21 a22

2 0 1 −1
2 1 −1 2 1 −1
3 2 0 1
= 2 1 1 3 +3 3 0 1 =
1 0 1 3
3 3 −4 1 1 3
3 3 3 −4
 
1 3 1 −1 1 −1
= 2 2 − +3 +
3 −4 3 −4 1 3
 
3 1 2 −1
+ 3 − − =
1 3 3 1
= 2(2 · (−13) − (−1) + 3 · 4) + 3(−8 − 5) =
= −65

Slides cedidos p/ Prof. Tomas E. Barros Geometria Analı́tica – 08111-6 – Unidade 1 – Aula 2 14 / 23
 Sistemas Lineares e Matrizes

Determinante de uma Matriz

A transformação de linhas Lj → k · Li + Lj
(Lj é substituı́da por k · Li + Lj )
não altera o determinante de uma matriz.
A transformação de linhas Li ↔ Lj (Li e Lj trocam de lugar)
muda o sinal do determinante da matriz.
A transformação de linhas k · Li → Li
(Li é substituı́da por k · Li )
multiplica por k o determinante da matriz.
As regras acima, para determinantes, também são válidas se
aplicarmos transformações elementares de colunas, que não
podem ser aplicadas às matrizes de sistemas lineares.
As transformações anteriores são úteis para tornar mais simples o
cálculo do determinante pelo desenvolvimento de Laplace descrito no
slide anterior.

Slides cedidos p/ Prof. Tomas E. Barros Geometria Analı́tica – 08111-6 – Unidade 1 – Aula 2 15 / 23
 Sistemas Lineares e Matrizes

Determinante de uma Matriz

A transformação de linhas Lj → k · Li + Lj
(Lj é substituı́da por k · Li + Lj )
não altera o determinante de uma matriz.
A transformação de linhas Li ↔ Lj (Li e Lj trocam de lugar)
muda o sinal do determinante da matriz.
A transformação de linhas k · Li → Li
(Li é substituı́da por k · Li )
multiplica por k o determinante da matriz.
As regras acima, para determinantes, também são válidas se
aplicarmos transformações elementares de colunas, que não
podem ser aplicadas às matrizes de sistemas lineares.
As transformações anteriores são úteis para tornar mais simples o
cálculo do determinante pelo desenvolvimento de Laplace descrito no
slide anterior.

Slides cedidos p/ Prof. Tomas E. Barros Geometria Analı́tica – 08111-6 – Unidade 1 – Aula 2 15 / 23
 Sistemas Lineares e Matrizes

Determinante de uma Matriz

A transformação de linhas Lj → k · Li + Lj
(Lj é substituı́da por k · Li + Lj )
não altera o determinante de uma matriz.
A transformação de linhas Li ↔ Lj (Li e Lj trocam de lugar)
muda o sinal do determinante da matriz.
A transformação de linhas k · Li → Li
(Li é substituı́da por k · Li )
multiplica por k o determinante da matriz.
As regras acima, para determinantes, também são válidas se
aplicarmos transformações elementares de colunas, que não
podem ser aplicadas às matrizes de sistemas lineares.
As transformações anteriores são úteis para tornar mais simples o
cálculo do determinante pelo desenvolvimento de Laplace descrito no
slide anterior.

Slides cedidos p/ Prof. Tomas E. Barros Geometria Analı́tica – 08111-6 – Unidade 1 – Aula 2 15 / 23
 Sistemas Lineares e Matrizes

Determinante de uma Matriz

A transformação de linhas Lj → k · Li + Lj
(Lj é substituı́da por k · Li + Lj )
não altera o determinante de uma matriz.
A transformação de linhas Li ↔ Lj (Li e Lj trocam de lugar)
muda o sinal do determinante da matriz.
A transformação de linhas k · Li → Li
(Li é substituı́da por k · Li )
multiplica por k o determinante da matriz.
As regras acima, para determinantes, também são válidas se
aplicarmos transformações elementares de colunas, que não
podem ser aplicadas às matrizes de sistemas lineares.
As transformações anteriores são úteis para tornar mais simples o
cálculo do determinante pelo desenvolvimento de Laplace descrito no
slide anterior.

Slides cedidos p/ Prof. Tomas E. Barros Geometria Analı́tica – 08111-6 – Unidade 1 – Aula 2 15 / 23
 Sistemas Lineares e Matrizes

Determinante de uma Matriz

A transformação de linhas Lj → k · Li + Lj
(Lj é substituı́da por k · Li + Lj )
não altera o determinante de uma matriz.
A transformação de linhas Li ↔ Lj (Li e Lj trocam de lugar)
muda o sinal do determinante da matriz.
A transformação de linhas k · Li → Li
(Li é substituı́da por k · Li )
multiplica por k o determinante da matriz.
As regras acima, para determinantes, também são válidas se
aplicarmos transformações elementares de colunas, que não
podem ser aplicadas às matrizes de sistemas lineares.
As transformações anteriores são úteis para tornar mais simples o
cálculo do determinante pelo desenvolvimento de Laplace descrito no
slide anterior.

Slides cedidos p/ Prof. Tomas E. Barros Geometria Analı́tica – 08111-6 – Unidade 1 – Aula 2 15 / 23
 Sistemas Lineares e Matrizes

Inversão de Matrizes
Uma matriz quadrada M, de ordem n × n, é dita inversı́vel ou
invertı́vel se existe uma matriz quadrada, M −1 , também n × n, tal
que:
 
1 0 0 ··· 0
0 1 0 · · · 0
M · M −1 = M −1 · M = In =  . . .
 
. . . .. 
. . . · · · .
0 0 0 ··· 1
Podemos constatar que uma matriz quadrada M é inversı́vel por um
dos dois critérios abaixo:
1) M é inversı́vel ⇔ det(M) 6= 0
2) M é inversı́vel ⇔ R(M) = In
   
2 −1 3 1 2 1
Exemplos: Sejam, A = 3 0 1  e B = 3 7 4
4 2 −2 4 −4 −8
Slides cedidos p/ Prof. Tomas E. Barros Geometria Analı́tica – 08111-6 – Unidade 1 – Aula 2 16 / 23
 Sistemas Lineares e Matrizes

Inversão de Matrizes
Uma matriz quadrada M, de ordem n × n, é dita inversı́vel ou
invertı́vel se existe uma matriz quadrada, M −1 , também n × n, tal
que:
 
1 0 0 ··· 0
0 1 0 · · · 0
M · M −1 = M −1 · M = In =  . . .
 
. . . .. 
. . . · · · .
0 0 0 ··· 1
Podemos constatar que uma matriz quadrada M é inversı́vel por um
dos dois critérios abaixo:
1) M é inversı́vel ⇔ det(M) 6= 0
2) M é inversı́vel ⇔ R(M) = In
   
2 −1 3 1 2 1
Exemplos: Sejam, A = 3 0 1  e B = 3 7 4
4 2 −2 4 −4 −8
Slides cedidos p/ Prof. Tomas E. Barros Geometria Analı́tica – 08111-6 – Unidade 1 – Aula 2 16 / 23
 Sistemas Lineares e Matrizes

Inversão de Matrizes
Uma matriz quadrada M, de ordem n × n, é dita inversı́vel ou
invertı́vel se existe uma matriz quadrada, M −1 , também n × n, tal
que:
 
1 0 0 ··· 0
0 1 0 · · · 0
M · M −1 = M −1 · M = In =  . . .
 
. . . .. 
. . . · · · .
0 0 0 ··· 1
Podemos constatar que uma matriz quadrada M é inversı́vel por um
dos dois critérios abaixo:
1) M é inversı́vel ⇔ det(M) 6= 0
2) M é inversı́vel ⇔ R(M) = In
   
2 −1 3 1 2 1
Exemplos: Sejam, A = 3 0 1  e B = 3 7 4
4 2 −2 4 −4 −8
Slides cedidos p/ Prof. Tomas E. Barros Geometria Analı́tica – 08111-6 – Unidade 1 – Aula 2 16 / 23
 Sistemas Lineares e Matrizes

Inversão de Matrizes
Uma matriz quadrada M, de ordem n × n, é dita inversı́vel ou
invertı́vel se existe uma matriz quadrada, M −1 , também n × n, tal
que:
 
1 0 0 ··· 0
0 1 0 · · · 0
M · M −1 = M −1 · M = In =  . . .
 
. . . .. 
. . . · · · .
0 0 0 ··· 1
Podemos constatar que uma matriz quadrada M é inversı́vel por um
dos dois critérios abaixo:
1) M é inversı́vel ⇔ det(M) 6= 0
2) M é inversı́vel ⇔ R(M) = In
   
2 −1 3 1 2 1
Exemplos: Sejam, A = 3 0 1  e B = 3 7 4
4 2 −2 4 −4 −8
Slides cedidos p/ Prof. Tomas E. Barros Geometria Analı́tica – 08111-6 – Unidade 1 – Aula 2 16 / 23
 Sistemas Lineares e Matrizes

Inversão de Matrizes
1 2 1
|B| = 3 7 4 = (−56+32−12)−(28−48−16) = −36+36 = 0
4 −4 −8
Logo, B não é inversı́vel. (exercı́cio: determine R(B)).
Podemos calcular |A| aplicando transformações elementares de linhas
e de colunas.
2 −1 3 −1 2 3 1 −2 −3
C ↔C (−1)L1 →L1
|A| = 3 0 1 1== 2 − 0 3 1 == 0 3 1
4 2 −2 2 4 −2 2 4 −2
1 −2 −3
(−2)L1 +L3 →L3 3 1
== 0 3 1 =1· = 12 − 8 = 4.
8 4
0 8 4
|A| =
6 0 =⇒ A é inversı́vel.
Problema: Determinar a matriz inversa de A, ou seja, determinar A−1 .

Slides cedidos p/ Prof. Tomas E. Barros Geometria Analı́tica – 08111-6 – Unidade 1 – Aula 2 17 / 23
 Sistemas Lineares e Matrizes

Inversão de Matrizes
1 2 1
|B| = 3 7 4 = (−56+32−12)−(28−48−16) = −36+36 = 0
4 −4 −8
Logo, B não é inversı́vel. (exercı́cio: determine R(B)).
Podemos calcular |A| aplicando transformações elementares de linhas
e de colunas.
2 −1 3 −1 2 3 1 −2 −3
C ↔C (−1)L1 →L1
|A| = 3 0 1 1== 2 − 0 3 1 == 0 3 1
4 2 −2 2 4 −2 2 4 −2
1 −2 −3
(−2)L1 +L3 →L3 3 1
== 0 3 1 =1· = 12 − 8 = 4.
8 4
0 8 4
|A| =
6 0 =⇒ A é inversı́vel.
Problema: Determinar a matriz inversa de A, ou seja, determinar A−1 .

Slides cedidos p/ Prof. Tomas E. Barros Geometria Analı́tica – 08111-6 – Unidade 1 – Aula 2 17 / 23
 Sistemas Lineares e Matrizes

Inversão de Matrizes
1 2 1
|B| = 3 7 4 = (−56+32−12)−(28−48−16) = −36+36 = 0
4 −4 −8
Logo, B não é inversı́vel. (exercı́cio: determine R(B)).
Podemos calcular |A| aplicando transformações elementares de linhas
e de colunas.
2 −1 3 −1 2 3 1 −2 −3
C ↔C (−1)L1 →L1
|A| = 3 0 1 1== 2 − 0 3 1 == 0 3 1
4 2 −2 2 4 −2 2 4 −2
1 −2 −3
(−2)L1 +L3 →L3 3 1
== 0 3 1 =1· = 12 − 8 = 4.
8 4
0 8 4
|A| =
6 0 =⇒ A é inversı́vel.
Problema: Determinar a matriz inversa de A, ou seja, determinar A−1 .

Slides cedidos p/ Prof. Tomas E. Barros Geometria Analı́tica – 08111-6 – Unidade 1 – Aula 2 17 / 23
 Sistemas Lineares e Matrizes

Inversão de Matrizes
 
2 −1 3
Problema: Determinar a matriz inversa de A = 3 0 1 .
4 2 −2
 
x1 x2 x3
Procuramos uma matriz X = y1 y2 y3  tal que AX = I , ou seja

z z z
   1 2 3 
2 −1 3 x1 x2 x3 1 0 0 Observação. Pode ser
3 0 1  y1 y2 y3  = 0 1 0 demonstrado que se
4 2 −2 z1 z2 z3 0 0 1 AX = I então XA = I .
Mas isto é equivalente a resolver três sistemas lineares com mesma
matriz dos coeficientes. Uma matriz estendida abarcando os três
sistemas
 lineares simultaneamente
 é a matriz
2 −1 3 1 0 0 Vamos escalonar esta matriz levando a matriz
3 0 1 0 1 0 A (à esquerda) à forma reduzida (R(A) = I ).
4 2 −2 0 0 1 Do lado direito teremos a solução X = A−1 .

Slides cedidos p/ Prof. Tomas E. Barros Geometria Analı́tica – 08111-6 – Unidade 1 – Aula 2 18 / 23
 Sistemas Lineares e Matrizes

Inversão de Matrizes
 
2 −1 3
Problema: Determinar a matriz inversa de A = 3 0 1 .
4 2 −2
 
x1 x2 x3
Procuramos uma matriz X = y1 y2 y3  tal que AX = I , ou seja

z z z
   1 2 3 
2 −1 3 x1 x2 x3 1 0 0 Observação. Pode ser
3 0 1  y1 y2 y3  = 0 1 0 demonstrado que se
4 2 −2 z1 z2 z3 0 0 1 AX = I então XA = I .
Mas isto é equivalente a resolver três sistemas lineares com mesma
matriz dos coeficientes. Uma matriz estendida abarcando os três
sistemas
 lineares simultaneamente
 é a matriz
2 −1 3 1 0 0 Vamos escalonar esta matriz levando a matriz
3 0 1 0 1 0 A (à esquerda) à forma reduzida (R(A) = I ).
4 2 −2 0 0 1 Do lado direito teremos a solução X = A−1 .

Slides cedidos p/ Prof. Tomas E. Barros Geometria Analı́tica – 08111-6 – Unidade 1 – Aula 2 18 / 23
 Sistemas Lineares e Matrizes

Inversão de Matrizes
 
2 −1 3
Problema: Determinar a matriz inversa de A = 3 0 1 .
4 2 −2
 
x1 x2 x3
Procuramos uma matriz X = y1 y2 y3  tal que AX = I , ou seja

z z z
   1 2 3 
2 −1 3 x1 x2 x3 1 0 0 Observação. Pode ser
3 0 1  y1 y2 y3  = 0 1 0 demonstrado que se
4 2 −2 z1 z2 z3 0 0 1 AX = I então XA = I .
Mas isto é equivalente a resolver três sistemas lineares com mesma
matriz dos coeficientes. Uma matriz estendida abarcando os três
sistemas
 lineares simultaneamente
 é a matriz
2 −1 3 1 0 0 Vamos escalonar esta matriz levando a matriz
3 0 1 0 1 0 A (à esquerda) à forma reduzida (R(A) = I ).
4 2 −2 0 0 1 Do lado direito teremos a solução X = A−1 .

Slides cedidos p/ Prof. Tomas E. Barros Geometria Analı́tica – 08111-6 – Unidade 1 – Aula 2 18 / 23
 Sistemas Lineares e Matrizes

Inversão de Matrizes
 
2 −1 3 1 0 0
3 0 1 0 1 0
4 2 −2 0 0 1
 
1 −1/2 3/2 1/2 0 0
(1/2)L1 →L1
−→ 3 0 1 0 1 0
4 2 −2 0 0 1
 
(−3)L1 +L2 →L2 1 −1/2 3/2 1/2 0 0
(−4)L1 +L3 →L3
−→ 0 3/2 −7/2 −3/2 1 0
0 4 −8 −2 0 1
 
(2/3)L2 →L2 1 −1/2 3/2 1/2 0 0
(1/4)L3 →L3
−→  0 1 −7/3 −1 2/3 0 
0 1 −2 −1/2 0 1/4

Slides cedidos p/ Prof. Tomas E. Barros Geometria Analı́tica – 08111-6 – Unidade 1 – Aula 2 19 / 23
 Sistemas Lineares e Matrizes

Inversão de Matrizes
 
2 −1 3 1 0 0
3 0 1 0 1 0
4 2 −2 0 0 1
 
1 −1/2 3/2 1/2 0 0
(1/2)L1 →L1
−→ 3 0 1 0 1 0
4 2 −2 0 0 1
 
(−3)L1 +L2 →L2 1 −1/2 3/2 1/2 0 0
(−4)L1 +L3 →L3
−→ 0 3/2 −7/2 −3/2 1 0
0 4 −8 −2 0 1
 
(2/3)L2 →L2 1 −1/2 3/2 1/2 0 0
(1/4)L3 →L3
−→  0 1 −7/3 −1 2/3 0 
0 1 −2 −1/2 0 1/4

Slides cedidos p/ Prof. Tomas E. Barros Geometria Analı́tica – 08111-6 – Unidade 1 – Aula 2 19 / 23
 Sistemas Lineares e Matrizes

Inversão de Matrizes
 
2 −1 3 1 0 0
3 0 1 0 1 0
4 2 −2 0 0 1
 
1 −1/2 3/2 1/2 0 0
(1/2)L1 →L1
−→ 3 0 1 0 1 0
4 2 −2 0 0 1
 
(−3)L1 +L2 →L2 1 −1/2 3/2 1/2 0 0
(−4)L1 +L3 →L3
−→ 0 3/2 −7/2 −3/2 1 0
0 4 −8 −2 0 1
 
(2/3)L2 →L2 1 −1/2 3/2 1/2 0 0
(1/4)L3 →L3
−→  0 1 −7/3 −1 2/3 0 
0 1 −2 −1/2 0 1/4

Slides cedidos p/ Prof. Tomas E. Barros Geometria Analı́tica – 08111-6 – Unidade 1 – Aula 2 19 / 23
 Sistemas Lineares e Matrizes

Inversão de Matrizes
 
1 −1/2 3/2 1/2 0 0
0 1 −7/3 −1 2/3 0 
0 1 −2 −1/2 0 1/4
 
1 −1/2 3/2 1/2 0 0
(−1)L2 +L3 →L3
−→ 0 1 −7/3 −1 2/3 0 
0 0 1/3 1/2 −2/3 1/4
 
1 −1/2 3/2 1/2 0 0
3·L3 →L3
−→ 0 1 −7/3 −1 2/3 0 
0 0 1 3/2 −2 3/4
 
(7/3)L3 +L2 →L2 1 −1/2 0 −7/4 3 −9/8
(−3/2)L3 +L1 →L1
−→ 0 1 0 5/2 −4 7/4 
0 0 1 3/2 −2 3/4

Slides cedidos p/ Prof. Tomas E. Barros Geometria Analı́tica – 08111-6 – Unidade 1 – Aula 2 20 / 23
 Sistemas Lineares e Matrizes

Inversão de Matrizes
 
1 −1/2 3/2 1/2 0 0
0 1 −7/3 −1 2/3 0 
0 1 −2 −1/2 0 1/4
 
1 −1/2 3/2 1/2 0 0
(−1)L2 +L3 →L3
−→ 0 1 −7/3 −1 2/3 0 
0 0 1/3 1/2 −2/3 1/4
 
1 −1/2 3/2 1/2 0 0
3·L3 →L3
−→ 0 1 −7/3 −1 2/3 0 
0 0 1 3/2 −2 3/4
 
(7/3)L3 +L2 →L2 1 −1/2 0 −7/4 3 −9/8
(−3/2)L3 +L1 →L1
−→ 0 1 0 5/2 −4 7/4 
0 0 1 3/2 −2 3/4

Slides cedidos p/ Prof. Tomas E. Barros Geometria Analı́tica – 08111-6 – Unidade 1 – Aula 2 20 / 23
 Sistemas Lineares e Matrizes

Inversão de Matrizes
 
1 −1/2 3/2 1/2 0 0
0 1 −7/3 −1 2/3 0 
0 1 −2 −1/2 0 1/4
 
1 −1/2 3/2 1/2 0 0
(−1)L2 +L3 →L3
−→ 0 1 −7/3 −1 2/3 0 
0 0 1/3 1/2 −2/3 1/4
 
1 −1/2 3/2 1/2 0 0
3·L3 →L3
−→ 0 1 −7/3 −1 2/3 0 
0 0 1 3/2 −2 3/4
 
(7/3)L3 +L2 →L2 1 −1/2 0 −7/4 3 −9/8
(−3/2)L3 +L1 →L1
−→ 0 1 0 5/2 −4 7/4 
0 0 1 3/2 −2 3/4

Slides cedidos p/ Prof. Tomas E. Barros Geometria Analı́tica – 08111-6 – Unidade 1 – Aula 2 20 / 23
 Sistemas Lineares e Matrizes

Inversão de Matrizes
 
1 −1/2 3/2 1/2 0 0
0 1 −7/3 −1 2/3 0 
0 1 −2 −1/2 0 1/4
 
1 −1/2 3/2 1/2 0 0
(−1)L2 +L3 →L3
−→ 0 1 −7/3 −1 2/3 0 
0 0 1/3 1/2 −2/3 1/4
 
1 −1/2 3/2 1/2 0 0
3·L3 →L3
−→ 0 1 −7/3 −1 2/3 0 
0 0 1 3/2 −2 3/4
 
(7/3)L3 +L2 →L2 1 −1/2 0 −7/4 3 −9/8
(−3/2)L3 +L1 →L1
−→ 0 1 0 5/2 −4 7/4 
0 0 1 3/2 −2 3/4

Slides cedidos p/ Prof. Tomas E. Barros Geometria Analı́tica – 08111-6 – Unidade 1 – Aula 2 20 / 23
 Sistemas Lineares e Matrizes

Inversão de Matrizes
 
−1/2 0 −7/4 3 −9/8
1
0
1 0 5/2 −4 7/4 
0 01 3/2 −2 3/4
 
0 0 −1/2 1 −1/4
1
(1/2)L2 +L1 →L1
−→ 1 0 5/2 −4 7/4 
0
0 1 3/2 −2 3/4
0
 
−1/2 1 −1/4
Logo, X =  5/2 −4 7/4 
3/2 −2 3/4

Slides cedidos p/ Prof. Tomas E. Barros Geometria Analı́tica – 08111-6 – Unidade 1 – Aula 2 21 / 23
 Sistemas Lineares e Matrizes

Inversão de Matrizes
 
−1/2 0 −7/4 3 −9/8
1
0
1 0 5/2 −4 7/4 
0 01 3/2 −2 3/4
 
0 0 −1/2 1 −1/4
1
(1/2)L2 +L1 →L1
−→ 1 0 5/2 −4 7/4 
0
0 1 3/2 −2 3/4
0
 
−1/2 1 −1/4
Logo, X =  5/2 −4 7/4 
3/2 −2 3/4

Slides cedidos p/ Prof. Tomas E. Barros Geometria Analı́tica – 08111-6 – Unidade 1 – Aula 2 21 / 23
 Sistemas Lineares e Matrizes

Inversão de Matrizes
 
−1/2 0 −7/4 3 −9/8
1
0
1 0 5/2 −4 7/4 
0 01 3/2 −2 3/4
 
0 0 −1/2 1 −1/4
1
(1/2)L2 +L1 →L1
−→ 1 0 5/2 −4 7/4 
0
0 1 3/2 −2 3/4
0
 
−1/2 1 −1/4
Logo, X =  5/2 −4 7/4 
3/2 −2 3/4

Slides cedidos p/ Prof. Tomas E. Barros Geometria Analı́tica – 08111-6 – Unidade 1 – Aula 2 21 / 23
 Sistemas Lineares e Matrizes

Inversão de Matrizes
 
−1/2 1 −1/4
X =  5/2 −4 7/4 
3/2 −2 3/4
Observamos que
     
2 −1 3 −1/2 1 −1/4 1 0 0
A·X = 3 0 1 · 5/2 −4 7/4
   = 0
 1 0
4 2 −2 3/2 −2 3/4 0 0 1
e      
−1/2 1 −1/4 2 −1 3 1 0 0
X · A =  5/2 −4 7/4  · 3 0 1  = 0 1 0
3/2 −2 3/4 4 2 −2 0 0 1

ou seja, X = A−1

Slides cedidos p/ Prof. Tomas E. Barros Geometria Analı́tica – 08111-6 – Unidade 1 – Aula 2 22 / 23
 Sistemas Lineares e Matrizes

Inversão de Matrizes
 
−1/2 1 −1/4
X =  5/2 −4 7/4 
3/2 −2 3/4
Observamos que
     
2 −1 3 −1/2 1 −1/4 1 0 0
A·X = 3 0 1 · 5/2 −4 7/4
   = 0
 1 0
4 2 −2 3/2 −2 3/4 0 0 1
e      
−1/2 1 −1/4 2 −1 3 1 0 0
X · A =  5/2 −4 7/4  · 3 0 1  = 0 1 0
3/2 −2 3/4 4 2 −2 0 0 1

ou seja, X = A−1

Slides cedidos p/ Prof. Tomas E. Barros Geometria Analı́tica – 08111-6 – Unidade 1 – Aula 2 22 / 23
 Sistemas Lineares e Matrizes

Inversão de Matrizes
 
−1/2 1 −1/4
X =  5/2 −4 7/4 
3/2 −2 3/4
Observamos que
     
2 −1 3 −1/2 1 −1/4 1 0 0
A·X = 3 0 1 · 5/2 −4 7/4
   = 0
 1 0
4 2 −2 3/2 −2 3/4 0 0 1
e      
−1/2 1 −1/4 2 −1 3 1 0 0
X · A =  5/2 −4 7/4  · 3 0 1  = 0 1 0
3/2 −2 3/4 4 2 −2 0 0 1

ou seja, X = A−1

Slides cedidos p/ Prof. Tomas E. Barros Geometria Analı́tica – 08111-6 – Unidade 1 – Aula 2 22 / 23
 Sistemas Lineares e Matrizes

Inversão de Matrizes
 
−1/2 1 −1/4
X =  5/2 −4 7/4 
3/2 −2 3/4
Observamos que
     
2 −1 3 −1/2 1 −1/4 1 0 0
A·X = 3 0 1 · 5/2 −4 7/4
   = 0
 1 0
4 2 −2 3/2 −2 3/4 0 0 1
e      
−1/2 1 −1/4 2 −1 3 1 0 0
X · A =  5/2 −4 7/4  · 3 0 1  = 0 1 0
3/2 −2 3/4 4 2 −2 0 0 1

ou seja, X = A−1

Slides cedidos p/ Prof. Tomas E. Barros Geometria Analı́tica – 08111-6 – Unidade 1 – Aula 2 22 / 23
 Sistemas Lineares e Matrizes

Inversão de Matrizes
 
−1/2 1 −1/4
X =  5/2 −4 7/4 
3/2 −2 3/4
Observamos que
     
2 −1 3 −1/2 1 −1/4 1 0 0
A·X = 3 0 1 · 5/2 −4 7/4
   = 0
 1 0
4 2 −2 3/2 −2 3/4 0 0 1
e      
−1/2 1 −1/4 2 −1 3 1 0 0
X · A =  5/2 −4 7/4  · 3 0 1  = 0 1 0
3/2 −2 3/4 4 2 −2 0 0 1

ou seja, X = A−1

Slides cedidos p/ Prof. Tomas E. Barros Geometria Analı́tica – 08111-6 – Unidade 1 – Aula 2 22 / 23
 Sistemas Lineares e Matrizes

Inversão de Matrizes
 
−1/2 1 −1/4
X =  5/2 −4 7/4 
3/2 −2 3/4
Observamos que
     
2 −1 3 −1/2 1 −1/4 1 0 0
A·X = 3 0 1 · 5/2 −4 7/4
   = 0
 1 0
4 2 −2 3/2 −2 3/4 0 0 1
e      
−1/2 1 −1/4 2 −1 3 1 0 0
X · A =  5/2 −4 7/4  · 3 0 1  = 0 1 0
3/2 −2 3/4 4 2 −2 0 0 1

ou seja, X = A−1

Slides cedidos p/ Prof. Tomas E. Barros Geometria Analı́tica – 08111-6 – Unidade 1 – Aula 2 22 / 23
 Sistemas Lineares e Matrizes

Inversão de Matrizes
Isso vale em geral, ou seja,
Para determinarmos a matriz inversa de uma matriz quadrada M de
ordem n × n:
1 Montamos a matriz M1 , de ordem n × 2n, na qual as primeiras n
colunas são as colunas de M e as restantes n colunas são as colunas da
matriz identidade In ;
2 Escalonamos a matriz M1 até obtermos R(M1 );
3 Se a matriz formada pelas primeiras n colunas de R(M1 ) não for igual
a In então M não é inversı́vel;
4 Se a matriz formada pelas primeiras n colunas de R(M1 ) for igual a In
então M é inversı́vel e M −1 é a matriz formada pela últimas n colunas
de R(M1 ).

Slides cedidos p/ Prof. Tomas E. Barros Geometria Analı́tica – 08111-6 – Unidade 1 – Aula 2 23 / 23
 Sistemas Lineares e Matrizes

Inversão de Matrizes
Isso vale em geral, ou seja,
Para determinarmos a matriz inversa de uma matriz quadrada M de
ordem n × n:
1 Montamos a matriz M1 , de ordem n × 2n, na qual as primeiras n
colunas são as colunas de M e as restantes n colunas são as colunas da
matriz identidade In ;
2 Escalonamos a matriz M1 até obtermos R(M1 );
3 Se a matriz formada pelas primeiras n colunas de R(M1 ) não for igual
a In então M não é inversı́vel;
4 Se a matriz formada pelas primeiras n colunas de R(M1 ) for igual a In
então M é inversı́vel e M −1 é a matriz formada pela últimas n colunas
de R(M1 ).

Slides cedidos p/ Prof. Tomas E. Barros Geometria Analı́tica – 08111-6 – Unidade 1 – Aula 2 23 / 23
 Sistemas Lineares e Matrizes

Inversão de Matrizes
Isso vale em geral, ou seja,
Para determinarmos a matriz inversa de uma matriz quadrada M de
ordem n × n:
1 Montamos a matriz M1 , de ordem n × 2n, na qual as primeiras n
colunas são as colunas de M e as restantes n colunas são as colunas da
matriz identidade In ;
2 Escalonamos a matriz M1 até obtermos R(M1 );
3 Se a matriz formada pelas primeiras n colunas de R(M1 ) não for igual
a In então M não é inversı́vel;
4 Se a matriz formada pelas primeiras n colunas de R(M1 ) for igual a In
então M é inversı́vel e M −1 é a matriz formada pela últimas n colunas
de R(M1 ).

Slides cedidos p/ Prof. Tomas E. Barros Geometria Analı́tica – 08111-6 – Unidade 1 – Aula 2 23 / 23
 Sistemas Lineares e Matrizes

Inversão de Matrizes
Isso vale em geral, ou seja,
Para determinarmos a matriz inversa de uma matriz quadrada M de
ordem n × n:
1 Montamos a matriz M1 , de ordem n × 2n, na qual as primeiras n
colunas são as colunas de M e as restantes n colunas são as colunas da
matriz identidade In ;
2 Escalonamos a matriz M1 até obtermos R(M1 );
3 Se a matriz formada pelas primeiras n colunas de R(M1 ) não for igual
a In então M não é inversı́vel;
4 Se a matriz formada pelas primeiras n colunas de R(M1 ) for igual a In
então M é inversı́vel e M −1 é a matriz formada pela últimas n colunas
de R(M1 ).

Slides cedidos p/ Prof. Tomas E. Barros Geometria Analı́tica – 08111-6 – Unidade 1 – Aula 2 23 / 23
 Sistemas Lineares e Matrizes

Inversão de Matrizes
Isso vale em geral, ou seja,
Para determinarmos a matriz inversa de uma matriz quadrada M de
ordem n × n:
1 Montamos a matriz M1 , de ordem n × 2n, na qual as primeiras n
colunas são as colunas de M e as restantes n colunas são as colunas da
matriz identidade In ;
2 Escalonamos a matriz M1 até obtermos R(M1 );
3 Se a matriz formada pelas primeiras n colunas de R(M1 ) não for igual
a In então M não é inversı́vel;
4 Se a matriz formada pelas primeiras n colunas de R(M1 ) for igual a In
então M é inversı́vel e M −1 é a matriz formada pela últimas n colunas
de R(M1 ).

Slides cedidos p/ Prof. Tomas E. Barros Geometria Analı́tica – 08111-6 – Unidade 1 – Aula 2 23 / 23
 Sistemas Lineares e Matrizes

Inversão de Matrizes
Isso vale em geral, ou seja,
Para determinarmos a matriz inversa de uma matriz quadrada M de
ordem n × n:
1 Montamos a matriz M1 , de ordem n × 2n, na qual as primeiras n
colunas são as colunas de M e as restantes n colunas são as colunas da
matriz identidade In ;
2 Escalonamos a matriz M1 até obtermos R(M1 );
3 Se a matriz formada pelas primeiras n colunas de R(M1 ) não for igual
a In então M não é inversı́vel;
4 Se a matriz formada pelas primeiras n colunas de R(M1 ) for igual a In
então M é inversı́vel e M −1 é a matriz formada pela últimas n colunas
de R(M1 ).

Slides cedidos p/ Prof. Tomas E. Barros Geometria Analı́tica – 08111-6 – Unidade 1 – Aula 2 23 / 23