Sie sind auf Seite 1von 74

UNIVERSIDADE FEDERAL DO RIO GRANDE

Instituto de Matematica Estatstica e Fsica


NOTAS DE

ALGEBRA LINEAR
Professora: Dra. Fabola Aiub Sperotto
Colaboradores
Felipe de Freitas Vilar
Simone da Rosa
Rio Grande, 2013.
UNIVERSIDADE FEDERAL DO RIO GRANDE
http://www.furg.br/
INSTITUTO DE MATEM

ATICA F

ISICA E ESTAT

ISTICA
http://www.imef.furg.br/
i
Sumario
1 Matrizes e Sistemas Lineares 1
1.1 Motiva cao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Matrizes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3 Tipos de Matrizes . . . . . . . . . . . . . . . . . . . . . . . . 2
1.4 Operacoes com Matrizes . . . . . . . . . . . . . . . . . . . . . 4
1.4.1 Agora tente resolver! . . . . . . . . . . . . . . . . . . . 8
1.5 Matrizes Inversveis . . . . . . . . . . . . . . . . . . . . . . . . 9
1.6 Determinantes . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.6.1 Agora tente resolver! . . . . . . . . . . . . . . . . . . . 13
1.7 Lista de exerccios 1 . . . . . . . . . . . . . . . . . . . . . . . 14
1.8 Sistemas Lineares . . . . . . . . . . . . . . . . . . . . . . . . . 18
1.8.1 Agora tente resolver! . . . . . . . . . . . . . . . . . . . 24
1.8.2 Agora tente resolver! . . . . . . . . . . . . . . . . . . . 29
1.8.3 Agora tente resolver! . . . . . . . . . . . . . . . . . . . 30
1.8.4 Agora tente resolver! . . . . . . . . . . . . . . . . . . . 31
1.9 Lista de exerccios 2 . . . . . . . . . . . . . . . . . . . . . . . 33
2 Espacos Vetoriais 37
2.1 Introducao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.2 Espacos Vetoriais . . . . . . . . . . . . . . . . . . . . . . . . . 39
2.2.1 Agora tente resolver! . . . . . . . . . . . . . . . . . . . 43
2.3 Subespa co Vetorial . . . . . . . . . . . . . . . . . . . . . . . . 43
2.3.1 Agora tente resolver! . . . . . . . . . . . . . . . . . . . 45
2.4 Combinacao Linear . . . . . . . . . . . . . . . . . . . . . . . . 46
2.4.1 Agora tente resolver! . . . . . . . . . . . . . . . . . . . 48
2.5 Subespa cos Gerados . . . . . . . . . . . . . . . . . . . . . . . 49
2.5.1 Agora tente resolver! . . . . . . . . . . . . . . . . . . . 50
2.6 Dependencia e Independencia Linear . . . . . . . . . . . . . . 50
2.6.1 Agora tente resolver! . . . . . . . . . . . . . . . . . . . 52
2.7 Base e Dimensao . . . . . . . . . . . . . . . . . . . . . . . . . 52
2.7.1 Agora tente resolver! . . . . . . . . . . . . . . . . . . . 56
2.8 Lista de exerccios 3 . . . . . . . . . . . . . . . . . . . . . . . 57
ii
3 Produto Interno 61
3.1 Produto Interno . . . . . . . . . . . . . . . . . . . . . . . . . 61
3.1.1 Agora tente resolver! . . . . . . . . . . . . . . . . . . . 64
3.1.2 Agora tente resolver! . . . . . . . . . . . . . . . . . . . 65
3.1.3 Agora tente resolver! . . . . . . . . . . . . . . . . . . . 67
3.1.4 Processo de ortogonaliza cao de Gram-Schmidt: . . . . 67
3.2 Lista de exerccios 3 . . . . . . . . . . . . . . . . . . . . . . . 68
iii
Captulo 1
Matrizes e Sistemas Lineares
1.1 Motivacao
A

Algebra Linear tem in umeras aplicacoes, como:
(Modelos Economicos de Leontief) Suponha um sistema economico
simplicado, por exemplo, uma mina de carvao, uma ferrovia e uma
usina de energia necessitam cada uma de uma parte da produ cao das
outras para sua manuten cao e para suprir outros consumidores de
seu produto. Os modelos de producao de Leontief podem ser usados
para determinar o nvel de produ cao necessario `as tres ind ustrias para
manter o sistema economico.
(Computacao Graca) Um exemplo de aplicacao na computacao
graca esta na criacao de um novo modelo de carro, que antes de ser
produzido, os engenheiros projetam e constroem um carro matematico
um modelo de arame que existe apenas na memoria do computador
e em terminais gracos. O carro em modelo de arame e armazenado
na forma de muitas matrizes para cada componente principal.
(Criptograa) - Hoje em dia, o principal impulso para o desenvol-
vimento de codigos seguros e dado pelas comunica coes condenciais
entre computadores e em telecomunicacoes.
(Construcao de Curvas e Superfcies) O uso dos determinantes nos
permite resolver o problema analiticamente, assim e possvel construir
retas, crculos e se coes conicas em geral por pontos especicados no
plano.
1
1.2 Matrizes
Denicao 1. Se A e uma matriz de ordem m por n, isto e m linhas e
n colunas, entao cada elemento numerico da matriz denotado por a
ij
, e o
elemento da i-esima linha e da j-esima coluna.
Entao, considere por exemplo, uma matriz de 3 linhas e 3 colunas, portanto,
a ordem da matriz e 3 3 (le-se 3 por 3) e representamos por
A =
_
_
a
11
a
12
a
13
a
21
a
22
a
23
a
31
a
32
a
33
_
_
.
Onde par de n umeros m e n e chamado tamanho ou tipo da matriz.
Uma matriz que consiste de mn elementos dispostos em m linhas e n colunas,
pode ser representada por A = [a
ij
]
mn
:
A =
_

_
a
11
a
12
. . . a
1n
a
21
a
22
. . . a
2n
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
. . . a
mn
_

_
.
1.3 Tipos de Matrizes
Vamos recordar os principais tipos de matrizes.
Matriz Nula:

E aquela em que todos seus elementos sao nulos.
Isto e, a
ij
= 0, i, j.
Matriz Linha ou Vetor Linha: Esta matriz possui apenas uma linha, m = 1.
Portanto, A = [a
ij
]
1n
Matriz Coluna: Matriz com apenas uma coluna, A = [a
ij
]
m1
.
Matriz Quadrada:

E uma matriz que possui o mesmo n umero de linhas e
colunas. Uma matriz quadrada n n e dita de ordem n.
Observacao:
Conceito de Diagonal Principal e Diagonal Secundaria: Se A = [a
ij
] e uma
matriz quadrada de ordem n, os elementos a
ij
, em que i = j, constituem
os elementos da diagonal principal. Assim, a diagonal principal e formada
pelos elementos
a
11
, a
22
, a
33
, a
nn
.
2
Os elementos a
ij
, em que i + j = n + 1, constituem a diagonal secundaria.
Entao, a
1n
, a
2n1
, a
3n2
, , a
n1
, sao os elementos da diagonal secundaria.
Exemplo 1.3.1. A =
_
_
2 10 5
4 1 8
7 5 3
_
_

E uma matriz quadrada de ordem 3, os elementos da diagonal principal sao


2, 1, 3 e os elementos da diagonal secundaria sao 5, 1, 7.
Matriz diagonal: Chamamos de matriz diagonal D = [d
ij
] uma matriz qua-
drada onde todos os elementos que nao pertencem a diagonal principal sao
nulos. Portanto, d
ij
= 0, para i ,= j.
Exemplo 1.3.2.
_
15 0
0 3
_
Matriz Escalar: Quando a matriz diagonal tem os elementos a
ij
iguais para
i = j, chamamos de matriz escalar.
Exemplo 1.3.3. A =
_
_
4 0 0
0 4 0
0 0 4
_
_
Matriz Identidade:

E uma matriz escalar onde os elementos da diagonal
principal sao iguais a 1. (a
ij
= 1, para i = j). Notacao: I
n
, ou simplesmente
I.
Exemplo 1.3.4. I
2
=
_
1 0
0 1
_
, I
3
=
_
_
1 0 0
0 1 0
0 0 1
_
_
Matriz Triangular Superior: Uma matriz A =
_
a
ij

quadrada e triangular
superior se todos os elementos abaixo da diagonal principal sao nulos, isto
e, a
ij
= 0, para i > j.
Exemplo 1.3.5.
_
_
3 4 1
0 2 4
0 0 3
_
_
Matriz Triangular Inferior: Uma matriz A =
_
a
ij

quadrada e triangular
inferior se todos os elementos acima da diagonal principal sao nulos, isto e,
a
ij
= 0, para i < j.
Exemplo 1.3.6.
_
_
1 0 0
6 5 0
4 7 8
_
_
3
Matriz Transposta: A matriz transposta da matriz A, denotada por A
T
ou
A
t
, e a matriz obtida escrevendo as colunas de A, na ordem, como linhas.
Exemplo 1.3.7. Dada a matriz A =
_
a
11
a
12
a
13
a
21
a
22
a
23
_
, a matriz transposta
e A
t
=
_
_
a
11
a
21
a
12
a
22
a
13
a
23
_
_
Propriedades da Matriz Transposta: Considere as matrizes A e B de mesma
ordem e um escalar.
i. (A+B)
t
= A
t
+B
t
ii. (A)
t
= A
t
iii. (A
t
)
t
= A
iv. (AB)
t
= B
t
A
t
Observacao: o n umero de linhas de A e igual ao n umero de colunas de A
t
.
O n umero de colunas de A e igual ao n umero de linhas de A
t
.
Matriz Simetrica: Uma matriz A e simetrica se A
t
= A, isto e, se seus ele-
mentos simetricos - elementos espelhados pela diagonal principal - sao iguais,
isto e, a
ij
= a
ji
.
Exemplo 1.3.8. A =
_
2 5
5 1
_
, A
t
=
_
2 5
5 1
_
a matriz A e simetrica.
B =
_
_
3 1 5
1 2 4
5 4 0
_
_
, B
t
=
_
_
3 1 5
1 2 4
5 4 0
_
_
a matriz B nao e simetrica.
Matriz Anti-Simetrica: Uma matriz A e anti-simetrica se A = A
t
, ou de
modo equivalente, se cada a
ij
= a
ij
. Os elementos da diagonal principal
sao nulos.
Exemplo 1.3.9. M =
_
_
0 5 2
5 0 3
2 3 0
_
_
, M
t
=
_
_
0 5 2
5 0 3
2 3 0
_
_
a matriz M
e anti-simetrica.
1.4 Operacoes com Matrizes
Igualdade entre Matrizes: Dadas duas matrizes A = [a
ij
]
mn
e B = [b
ij
]
mn
,
sao iguais se, e somente, se a
ij
= b
ij
.
4
Adicao de Matrizes
A soma de duas matrizes de mesmo tamanho A = [a
ij
]
mn
e B = [b
ij
]
mn
,
denotada por A + B, e uma matriz C = [c
ij
]
mn
obtida somando-se os
elementos correspondentes de A e B. Portanto, c
ij
= a
ij
+b
ij
, i, j.
Exemplo 1.4.1. Se A =
_
3 4
7 8
_
e B =
_
2 6
8 9
_
, entao A+B =
_
5 10
15 17
_
Propriedades da Adi cao: Dadas as matrizes A, B e C de tamanhos mn,
temos:
i. A+ (B +C) = (A+B) +C (Associatividade da adicao);
ii. A + 0 = 0 + A = A (Elemento neutro, onde 0 denota a matriz nula
mn);
iii. A+A = AA = 0 (Elemento oposto);
iv. A+B = B +A (Comutatividade da adi cao).
Demonstracao: Vamos vericar a propriedade [iv.], deixando as demais a
cargo do leitor.
iv. A+B = B +A
A = [a
ij
], B = [b
ij
]
A+B = [a
ij
] + [b
ij
] = [a
ij
+b
ij
] = [b
ij
+a
ij
] = B +A
Observacao: Denimos a opera cao de subtracao de maneira usual, sendo
dadas as matrizes A e B, temos AB = A+ (B).
Multiplica cao de uma Matriz por um Escalar
O produto de uma matriz A por um escalar e uma matriz B = [b
ij
] tal
que: b
ij
= a
ij
, onde a matriz B e um m ultiplo escalar da matriz A.
Exemplo 1.4.2. (2)
_
2 1 5
4 0 3
_
=
_
4 2 10
8 0 6
_
Propriedades: Dados e escalares e as matrizes A
mn
e B
mn
, temos:
i. ()A = (A)
ii. ( +)A = A+A
iii. (A+B) = A+B
5
iv. 1 A = A
v. 0 A = 0, isto e, se multiplicarmos o n umero zero por qualquer matriz
A, teremos a matriz nula.
Multiplica cao de Matrizes
Vamos considerar a seguinte situacao, para motivar a deni cao de multi-
plicacao de matrizes:
Exemplo 1.4.3. Duas amigas precisam comprar algumas frutas para fazer
uma salada de frutas e levar para uma festa. Cada uma pretende comprar
quantidades diferentes. Anny quer comprar 5 ma cas, 6 peras e 8 laranjas.
Milli quer levar 3 ma cas, 4 peras e 9 laranjas. Anny mora proximo a um
supermercado e uma banca de frutas. No supermercado cada maca custa
R$0, 15; cada pera custa R$0, 20 e cada laranja R$0, 10. E na banca cada
maca custa R$0, 18; cada pera R$0, 25 e cada laranja R$0, 15.
Problema: Quanto Anny e Milli vao gastar?
Observe que se Anny comprar no supermercado:
5(0, 15) + 6(0, 20) + 8(0, 10) = R$2, 75
portanto, gastara R$2,75. Mas este mesmo calculo pode ser feito com a
multiplicacao de matrizes:
M
1
=
_
5 6 8
3 4 9
_
, M
2
=
_
_
0, 15 0, 18
0, 20 0, 25
0, 10 0, 15
_
_
O produto M
1
M
2
nos mostra quanto cada uma ira gastar.
_
5 6 8
3 4 9
_

_
_
0, 15 0, 18
0, 20 0, 25
0, 10 0, 15
_
_
=
_
2, 75 3, 60
2, 15 2, 89
_
Pelos calculos observamos que elas devem fazer suas compras no supermer-
cado. Assim, Anny ira gastar R$2, 75 e Milli R$2, 89.
De modo geral, dada duas matrizes A = [a
ij
]
mk
e B = [b
ij
]
kn
o produto
da matriz A pela matriz B, denida por C = A B, como uma matriz de
ordem mn, isto e, C = [c
ij
]
mn
e tal que
c
ij
=
k

p=1
a
ip
b
pj
= a
i1
b
1j
+a
i2
b
2j
+. . . +a
ik
b
kj
.
6
C
u
i
d
a
d
o
!
So faz sentido denirmos o produto AB de duas matrizes
quando o n umero de colunas de A for igual ao n umero de
linhas de B. Portanto,
A
mk
.B
kn
= C
mn
Exemplo 1.4.4.
A =
_
1 2 3
0 2 4
_
, B =
_
_
2 0 1
1 3 2
1 4 1
_
_
Solucao:
A B =
_
1 2 3
0 2 4
_

_
_
2 0 1
1 3 2
1 4 1
_
_
=
_
7 18 0
2 10 8
_
Observe que:
(1) (2) + (2) (1) + (3) (1) = 7
(1) (0) + (2) (3) + 3 (4) = 18
Depois de realizar as operacoes da primeira linha da matriz A com as colunas
da matriz B, repetimos o processo para a segunda linha, e assim sucessiva-
mente ate percorrermos todas as linhas da primeira matriz dada.
Propriedades da Multiplicacao: Dadas quaisquer matrizes A, B,C conveni-
entes, sao validas as seguintes propriedades:
i. (A B) C = A (B C) (Assiociatividade);
ii. (AB)C = A C B C (Distributiva `a direita da multiplica cao em
relacao `a adicao);
iii. A(B C) = A B A C (Distributiva `a esquerda da multiplica cao
em relacao `a adi cao;)
iv. I
m
A = A I
n
= A (Existencia do elemento identidade).
v. ( A) B = A ( B) = (A B) ( R).
Observacoes:
1. A multiplicacao matricial nao e, em geral, comutativa (A B ,= B A).
7
2. Se o produto de duas matrizes for a matriz zero, nao podemos concluir
que A = 0 ou B = 0.
3. Indicamos a potencia de uma matriz A do seguinte modo: A
2
= A A;
A
3
= A
2
A; A
(n+1)
= A
n
A (onde A e uma matriz quadrada);
Exemplo 1.4.5. Se A =
_
1 1
0 1
_
, encontre uma formula para A
n
.
Solu cao:
A
2
= A A =
_
1 1
0 1
_ _
1 1
0 1
_
=
_
1 2
0 1
_
A
3
= A
2
A =
_
1 2
0 1
_ _
1 1
0 1
_
=
_
1 3
0 1
_
Portanto,
A
n
= A A A =
_
1 n
0 1
_
4. A matriz identidade e o elemento neutro multiplicativo nas operacoes
de multiplicacoes de matrizes.
5. A ordem em que aparecem as matrizes e importante:
A B e B A;
A B e B A;
A B e B A;
A B e B A.
Exemplo 1.4.6. A B e B A: Se A
22
e B
33
.
A B e B A: Se A
22
e B
23
.
1.4.1 Agora tente resolver!
1. Escrever a matriz A = [a
ij
] nos seguintes casos:
(a) A matriz A e do tipo 2 3, com a
ij
= 4, para i ,= j e a
ij
= 2
para i = j.
(b) A matriz A e de ordem 3 com a
ij
= i
3
j.
2. Determinar os valores de x e y para que as seguintes matrizes sejam
iguais:
A =
_
4x 2
8 y 4
_
, B =
_
8 2
8 3
_
8
3. Dadas as matrizes:
A =
_
6 5
9 7
_
, B =
_
5 8
10 7
_
, C =
_
_
10 3 4
5 7 4
9 1 4
_
_
, D =
_
5 1 2
3 6 7
_
Calcule se possvel:
(a) AB BA
(b) 4A+D
(c) Determinar o dobro de C
(d) Multiplicar a matriz D por
1
2
.
4. Dada as matrizes: A =
_
_
4 0 3
1/2 2 1
4 8 9
_
_
, B =
_
_
1 3 2
2 5 3
4 2 0
_
_
, C =
_
_
1 5
0 2
4 3
_
_
. Calcule:
(a) (AB)
t
(b) (4C)
t
5. Sendo A =
_
_
4 10 1
0 5 9
3 7 2
_
_
, B =
_
_
0 5 2
7 1 7
3 2 1
_
_
, C =
_
_
2 1 4
3 2 2
9 1 2
_
_
Classicar como simetrica ou anti-simetrica a matriz resultante:
(a) A+A
t
(b) AA
t
(c) B B
t
(d) C C
t
1.5 Matrizes Inversveis
Uma matriz A quadrada de ordem n e inversvel se existe uma matriz B tal
que A B = B A = I, onde I e a matriz identidade. A matriz B e a inversa
de A e representamos por A
1
: A A
1
= A
1
A = I. Portanto, B = A
1
.
Exemplo 1.5.1. Dada a matriz A =
_
2 5
1 3
_
, sua inversa e A
1
=
_
3 5
1 2
_
pois:
AA
1
=
_
2 5
1 3
_ _
3 5
1 2
_
=
_
1 0
0 1
_
A
1
A =
_
3 5
1 2
_ _
2 5
1 3
_
=
_
1 0
0 1
_
9
Observacao: Uma matriz quadrada A cujo determinante e nulo e cha-
mada de matriz singular. A matriz singular nao tem inversa. Se a matriz
quadrada A possui determinante diferente de zero e chamada de matriz nao-
singular. A matriz nao-singular possui inversa.
Propriedades: Se as A e B sao matrizes quadradas de ordem n e inversveis:
i. Se a matriz A possui inversa, esta e unica (det A ,= 0);
ii. Se A e uma matriz nao-singular, entao A
1
e invertvel e (A
1
)
1
= A;
iii. A e B sao invertveis, entao A B e invertvel e (A B)
1
= B
1
A
1
;
iv. Se A e uma matriz invertvel, entao (A
t
)
1
= (A
1
)
t
.
Exemplo 1.5.2. Determine a inversa da matriz
_
5 3
4 2
_
Solu cao: Primeiro calculamos o determinante da matriz A: detA = 1012 =
2, entao
A
1
=
1
2
_
2 3
4 5
_
A
1
=
_
1
3
2
2
5
2
_
.
Verique se A A
1
= A
1
A = I.
1.6 Determinantes
Os determinantes sao usados em diversas situacoes da matematica. No
calculo do produto vetorial, no calculo de areas, volumes, equa coes da reta,
planos, etc. Portanto, e de extrema importancia o seu estudo.
Se A e uma matriz quadrada de ordem n, o determinante da matriz A,
indicamos por det(A), e um n umero real que obtemos operando com os
elementos de A. Antes apresentar a denicao formal para matrizes de ordem
n, vamos recordar como obter um determinante para cada um dos casos:
Se a matriz possui apenas um elemento, n = 1: A = [a
11
], o determi-
nante e o proprio escalar: det(A) = a
11
.
Se a matriz e ordem n = 2, temos:
detA = det
_
a
11
a
12
a
21
a
22
_
= a
11
a
22
a
12
a
21
.
10
No caso em que n = 3: A =
_
_
a
11
a
12
a
13
a
21
a
22
a
23
a
31
a
32
a
33
_
_
, o determinante pode
ser calculado usando o seguinte dispositivo:
_
_
a
11
a
12
a
13
a
21
a
22
a
23
a
31
a
32
a
33
_
_
a
11
a
12
a
21
a
22
a
31
a
32
=
a
11
a
22
a
33
+a
12
a
23
a
31
+a
13
a
22
a
31
a
13
a
22
a
31
a
11
a
23
a
32
a
12
a
21
a
33
Exemplo 1.6.1. A =
_
_
2 1 0
1 3 2
2 5 1
_
_
A =
_
_
2 1 0
1 3 2
2 5 1
_
_
2 1
1 3
2 5
detA = 23
Observacao: Este dispositivo so e valido para calculo de determinan-
tes de ordem 3.
Para denir o determinante de matrizes quadradas maiores, do tipo
n n, precisamos denir o que e cofator de uma matriz.
Dada uma matriz A = [a
ij
]
nn
, eliminando-se a i-esima linha e a j-
esima coluna de A, obtemos uma submatriz de ordem (n1)(n1).
O determinante desta nova matriz e denominado menor da matriz A,
denotado por

ij
= (1)
i+j
det(A
(n1)(n1)
)
ou seja, o cofator e igual a mais ou menos o determinante do menor da
matriz A, o sinal de positivo ou negativo depende do expoente i +j.
Como exemplo, considere o determinante de uma matriz de ordem 3
que e igual a soma dos produtos dos elementos da primeira linha pelos
seu cofatores, entao
detA = a
11

11
+a
12

12
+a
13

13
detA = a
11
det(A
11
) a
12
det(A
12
) +a
13
det(A
13
)
detA = a
11
_
a
22
a
23
a
32
a
33
_
a
12
_
a
21
a
23
a
31
a
33
_
+a
13
_
a
21
a
22
a
31
a
32
_
que e uma combina cao linear de tres determinantes de ordem dois,
cujos coecientes com sinais alternados pertencem a primeira linha da
matriz dada.
11
Denicao Seja A = [a
ij
]
nn
uma matriz de ordem n por n. O deter-
minante de A e denido por,
det(A
nn
) = a
i1

11
+. . .+a
in

in
=
n

j=1
a
ij
(1)
i+j
detA
ij
=
n

j=1
a
ij

ij
.
(1.1)
Ao n umero
ij
(que e o determinante afetado pelo sinal (1)
i+j
da
submatriz A
ij
), e o cofator ou complemento algebrico do elemento
a
ij
. Esta expressao e chamada de desenvolvimento em cofatores do
determinante de A, em termos da primeira linha.
Observacao: Dada uma matriz A de ordem n n, seu determinante pode
ser calculado fazendo-se o desenvolvimento em cofatores em qualquer linha
ou qualquer coluna.
Este desenvolvimento e util para matrizes de ordem superior a 3. Vamos
repetir o mesmo raciocnio para calcular um determinante de quarta ordem,
da seguinte matriz:
_

_
0 2 1 0
0 1 9 8
5 6 7 2
3 1 4 6
_

_
Aplicando o metodo temos:
0(1)
1+1

_
_
1 9 8
6 7 2
1 4 6
_
_
+2(1)
1+2

_
_
0 9 8
5 7 2
3 4 6
_
_
+1(1)
1+3

_
_
0 1 8
5 6 2
3 1 6
_
_
+0(1)
1+4

_
_
0 1 9
5 6 7
3 1 4
_
_
=
= 0 + 2 (1) [224] + 1 (1) [128] + 0 =
= 448 128 = 320.
Observacao: Os sinais + ou sao determinados pela distribui cao:
_
_
+ - +
- + -
+ - +
_
_
considerando determinantes de ordem tres.
Esse processo pode ser generalizado para matrizes de ordem superior a tres.
Propriedades dos Determinantes
i. O determinante de uma matriz quadrada A nao se altera se trocam as
linhas pelas colunas, (det(A
t
) = det(A)).
12
ii. Se a matriz A possui uma linha (ou coluna) constituda de elementos
todos nulos, o determinante e nulo.
iii. Se a matriz A tem duas linhas (ou duas colunas) iguais, o determinante
e nulo.
iv. Se a matriz A e triangular (superior ou inferior), entao det(A) =
a
11
a
22
a
33
. . . a
nn
, isto e, e igual ao produto dos elementos da diago-
nal principal.
v. Se multiplicarmos uma linha da matriz por uma constante, o determi-
nante ca multiplicado por esta constante.
vi. det(A B) = det(A) det(B)
Observacao: Uma matriz e inversvel se, e somente se, det(A) ,= 0.
1.6.1 Agora tente resolver!
1. Resolver a equacao desenvolvendo o determinante do primeiro membro
da esquerda pela terceira coluna e observando a alternancia de sinais:
_
_
4 6 x
5 2 x
7 4 2x
_
_
= 128
2. Resolver a equa cao:
_
_
x + 3 x + 1 x + 4
4 5 3
9 10 7
_
_
= 7
3. Calcule o determinante da matriz:
_
_
3 0 6
3 0 2
4 7 8
_
_
, usando as duas for-
mas vistas em aula.
4. Calcule o determinante da matriz A:
_

_
3 6 4 0
3 2 0 1
0 2 1 2
2 0 2 0
_

_
5. Supondo as matrizes A, B, C, D quadradas, de mesma ordem e in-
versveis, resolver as equa coes matriciais nas quais X e a variavel:
(a) ABX = C
13
(b) ADX = ABC
6. Dada a matriz M =
_
_
2 4 3
2 1 4
4 3 6
_
_
, determine os determinantes: det(M
12
),
det(M
31
).
7. Seja A =
_
3 1
4 2
_
. Responda:
(a) Escreva 5A.

E verdade que det5A = 5detA?
(b) Multiplique apenas a primeira linha da matriz A por 5 e verique
a propriedade v dos determinantes.
1.7 Lista de exerccios 1
1. Sendo as matrizes A = [a
ij
] e B = [b
ij
], quadradas de ordem 3 com
a
ij
= i
2
j e b
ij
= i
2
+ 2j, qual e o valor de AB?
2. Calcule x, y, z e t para que 2
_
x
4
y
z t
_
=
_
x 9
6 3
_
+
_
2 x +y
z 2 +z
_
.
3. Considere as seguintes matrizes:
A =
_
3 6
4 4
_
, B =
_
7 3
3 1
_
e C =
_
9 8
8 5
_
Calcule: 3A + B; 3A 2C, C
2
, B
3
e veriquem se A e B comutam
(isto e, AB = BA?).
4. Calcule AB onde, A =
_
4 1 4
0 3 6
_
, B =
_
_
3 3 7 2
2 9 4 4
5 3 3 0
_
_
.
5. Determine a transposta de cada matriz:
A =
_
2 6 3
12 6 7
_
, B =
_
_
1 2 3
2 3 7
1 6 4
_
_
e C =
_
_
2 7
10 2
4 5
_
_
6. Se uma matriz A e 2 3 e o produto AB e uma matriz 2 4 qual e o
tipo da matriz B?
7. Quantas linhas C precisa ter para que CB seja uma matriz 3 2?
8. Sejam A =
_
3 2
5 3
_
, f(x) = x
2
+ 2x + 6. Calcule:
(a) A
2
14
(b) A
3
(c) f(A)
9. Dada a matriz A abaixo, de ordem 2 e sendo I a matriz identidade de
ordem 2, para cada n natural existem , tais que A
n
= A + I.
Assim, sendo A =
_
2 1
0 6
_
:
(a) Encontre , tais que A
2
= A+I.
(b) Multiplicando A
1
pela expressao da letra (a) obtem-se A =
I+A
1
. Encontre a matriz A
1
usando as informacoes obtidas
no item anterior.
10. Calcule x,y,z para que a matriz A seja simetrica:
(a) A =
_
_
3 5 x
y 8 4
6 z 2
_
_
(b) A =
_
_
2 4 2x
y z 3
x 8 1
_
_
11. A empresa ForFia produz tres modelos de veculos o X10, X100, X1000.
Em cada modelo podem ser instalados ate dois tipos de airbags, AB1
e AB2. A tabela a seguir mostra a quantidade de unidades de airbags
instalados em cada modelo,
X10 X100 X1000
AB1 2 2 0
AB2 4 4 2
No ultimo mes de julho foram produzidos 600 veculos do modelo X10,
750 do modelo X100 e 420 do modelo X1000. Quantos veculos com
os dois modelos de airbags foram montados no referido mes.
12. Uma malharia confecciona tres (3) tipos de camisetas, A, B e C onde
sao usadas estampas do tipo P1 e G1. O n umero maximo de estampas
por modelo e
P1 G1
Camiseta A 2 3
Camiseta B 1 4
Camiseta C 2 2
O n umero de camisetas fabricadas de cada modelo no mes de maio
foram 60 do modelo A, 40 do modelo B e 50 do modelo C. Ja no mes
15
de junho foram 100 do modelo A, 40 do modelo B e 50 do modelo C.
Quantas camisetas de cada estampa foram confeccionadas nos referidos
meses?
13. Uma ind ustria que produz equipamentos eletronicos de dois (2) mode-
los diferentes Y1 e Y2. Na montagem de cada equipamento sao utili-
zados transistores, capacitores e resistores. Na tabela abaixo estao as
quantidades de cada item para cada modelo
Y1 Y2
Transistores 5 4
Capacitores 8 6
Resistores 10 8
Foram solicitados para os meses de agosto 10 modelos do Y1 e 14
modelos do Y2. E, no mes de setembro foram solicitados 8 modelos do
tipo Y1 e 6 do tipo Y2. Determine o total de transistores, capacitores
e resistores que serao utilizados para atender `as encomendas em cada
mes.
14. Uma construtora tem contratos para construir 3 modelos de casas:
Convencional, Moderna e Pequena. A quantidade de material empre-
gado em cada tipo de casa consta na tabela abaixo:
concreto ferro vidro papel de parede tijolo
Convencional 10 14 12 6 17
Moderna 8 12 16 5 10
Pequena 7 4 10 3 12
(a) Se a empresa pretende construir 6, 5, 10 casas dos tipos Conven-
cional, Moderna e Pequena, respectivamente, qual a quantidade
de cada material serao necessarios?
(b) Suponha que os precos por unidade de concreto, ferro, vidro,
papel de parede e tijolo sejam, respectivamente 6, 9, 4, 1, 5.
Qual o pre co unitario de cada casa?
15. A tabela abaixo representa as quantidades de vitaminas A, E e K
respectivamente obtidas em cada unidade de alimentos X
1
e X
2
:
A E K
Alimento X
1
4 1 0
Alimento X
2
1 4 2
Ingerindo 2 unidades do alimento X
1
e 3 unidades do alimento X
2
quanto iremos consumir de cada tipo de vitamina? Interprete sua
resposta.
16
16. Uma certa construtora fez um loteamento para constru cao de casas.
A empresa esta oferecendo casas de classe A e classe B. As casas de
classe A necessitam de 10 portas, 12 janelas, 4 loucas para banheiro.
As casas de classe B necessitam de 7 portas, 5 janelas e 2 lou cas para
banheiro. Em uma primeira etapa a construtora devera construir 50
casas de classe A e 70 classe B, Numa segunda etapa 30 casas classe
A e 40 classe B. Quanto de cada material sera necessario em cada
etapa?
17
1.8 Sistemas Lineares
Um problema fundamental que normalmente e encontrado na descricao ma-
tematica de fenomenos fsicos e o da solucao simultanea de um conjunto de
equacoes. Tais fenomenos sao descritos por um conjunto de m equacoes em
que se deseja determinar a solu cao de n variaveis de interesse, chamadas
incognitas.
A matematica antiga, desenvolvida no ocidente (principalmente na Europa)
poucas sao as aparicoes de sistemas de equa coes lineares. Ja no Oriente o
assunto mereceu atencao maior.
Com seu gosto especial por diagramas, os chineses representavam os sis-
temas lineares por meio de seus coecientes escritos com barras de bambu
sobre os quadrados de um tabuleiro. Assim acabaram descobrindo o metodo
de resolucao por eliminacao que consiste em anular coecientes por meio de
opera coes elementares. Exemplos desse procedimento encontram-se nos nove
captulos sobre a arte da matematica, um texto datado do seculo 111 a.C.
Mas apenas no Japao do seculo XVII, chegou-se a nocao de determinantes
atraves do estudo de sistemas lineares. No ocidente o uso de determinantes,
ligados a sistemas lineares, surgiu anos depois, num trabalho de Leibniz (o
mesmo que desenvolveu, paralelamente `a Newton, o calculo diferencial).
A conhecida regra de Cramer para resolver sistemas de n equacoes e n
incognitas, por meio de determinantes, e na verdade uma descoberta do
escoces Colin Maclaurin (1698-1746), publicada em 1748. Mas o nome do
suco Gabriel Cramer (1704-1752) nao aparece nessa publicacao. Cramer
tambem chegou `a regra (independentemente), mas depois, na sua Introducao
`a Analise das curvas planas.
Antes de denirmos um sistema linear, vamos relembrar o que sao equacoes
lineares.
Equa cao Linear: Uma equacao linear e uma equa cao de primeiro grau, onde
x
1
, x
2
, x
3
, . . . x
n
sao as variaveis e que pode ser escrita como
a
1
x
1
+a
2
x
2
+. . . +a
n
x
n
= b
e a
1
, a
2
,. . ., a
n
e b sao n umeros reais, e x
i
sao as variaveis (incognitas).
Exemplo 1.8.1. 4x
1
5x
2
+ 2 = x
1
e uma equacao linear.
4x
1
5x
2
= x
1
x
2
nao e uma equacao linear.
A solu cao de uma equa cao linear e uma sequencia de n umeros reais que
18
satisfazem a equa cao, por exemplo, a equacao:
4x
1
5x
2
+ 2 = x
1
3x
1
5x
2
= 2.
Para x
1
= 1 e x
2
= 1 a equacao possui solucao.
Sistema de Equa coes Lineares: Um sistema de equa coes e uma lista de equa coes
com as mesmas incognitas. Assim,
_

_
a
11
x
1
+a
12
x
2
+. . . +a
1n
x
n
= b
1
a
21
x
1
+a
22
x
2
+. . . +a
2n
x
n
= b
2
...................................................
a
m1
x
1
+a
m2
x
2
+. . . +a
mn
x
n
= b
m
(1.2)

E um sistema de m equacoes lineares L


1
, L
2
,. . ., L
m
nas n incognitas x
1
, x
2
,
. . ., x
n
, onde a
ij
e b
i
sao constantes. O sistema (1.2) e chamado de sistema
homogeneo se todos seus termos constantes sao nulos, isto e, se b
1
= 0,
b
2
= 0, . . ., b
m
= 0. Caso contrario, o sistema e nao-homogeneo.
Solu cao de um Sistema Linear: Uma solucao do sistema (1.2) e uma lista de
valores para as incognitas que e a solucao do sistema. O conjunto de todas
as solucoes do sistema e chamado de conjunto solu cao ou solucao geral do
sistema.
Exemplo 1.8.2. Encontre uma solu cao para o sistema:
_
2x + 3y = 18
3x + 4y = 25
Comecamos isolando a variavel x da primeira equa cao:
2x + 3y = 18 2x = 18 3y x =
18 3y
2
Agora substitumos x na segunda equa cao e achamos o valor de y:
3x + 4y = 25 3(
18 3y
2
) + 4y = 25
54
2

9y
2
+ 4y = 25 27
y
2
=
25
y
2
= 2 y = 4
Agora substitumos o valor de y encontrado para achar o valor de x:
x =
18 3y
2
x =
18 3(4)
2
x =
18 12
2
x =
6
2
= 3
Logo a solu cao do sistema e y = 4 e x = 3.
Um sistema de equa coes lineares e chamado compatvel se admite solu cao,
isto e, se existe uma sequencia de n umeros s
1
, . . . , s
n
, com a propriedade de
19
que cada equacao do sistema seja satisfeita quando x
1
= s
1
, . . . , x
n
= s
n
sejam substitudas. Caso contrario o sistema e incompatvel.
Entao, de acordo com o n umero de solucoes, um sistema linear e classicado
como:
Sistema impossvel : Quando o sistema nao admite solucao (SI).
Sistema Possvel Determinado: Quando o sistema admite uma unica
solucao (SPD).
Sistema Possvel Indeterminado: Quando o sistema admite innitas
solucoes (SPI).
Vamos analisar os gracos das solucoes pelos seguintes exemplos:
Exemplo 1.8.3.
_
x y = 2
x +y = 4
Por substituicao:
Isolamos x na primeira equa cao:
x = 2 +y
Apos, substituindo na segunda equacao:
(2 +y) +y = 4
2 y +y = 4
2 = 4
Observe que ha uma inconsistencia, nao existem pontos que satisfacam am-
bas equacoes.
Sistema Impossvel: Nao possui solucao.
20
Exemplo 1.8.4.
_
2x 3y = 1
x + 3y = 1
x = 1 + 3y
substituindo:
2(1 + 3y) 3y = 1
2 + 6y 3y = 1
3y = 1
y =
1
3
Para x:
x = 1 + 3(
1
3
)
x = 0
Portanto, o par (0,
1
3
), satisfaz as equacoes do sistema linear. Dizemos
entao, que o sistema linear e possvel determinado, possui apenas uma unica
solucao.
Sistema Possvel Determinado: O sistema possui exatamente uma solucao.
Exemplo 1.8.5.
_
2x 4y = 2
2x + 4y = 2
2x = 2 + 4y
x = 1 + 2y
substituindo:
2(1 + 2y) + 4y = 2
2 4y + 4y = 2
2 = 2
O sistema e chamado de sistema possvel indeterminado, pois possui innitos
pontos que satisfazem ambas equa coes.
21
Sistema Possvel Indeterminado: O Sistema possui innitas solucoes.
Observacao: Suponha tres planos
1
,
2
e
3
, denidos por tres equa coes
lineares. Neste caso, podemos obter oito posicoes relativas entre os planos:
quatro com solu coes incompatveis e quatro com solucoes possveis.
Podemos ter uma intersecao vazia (SI);
A interse cao pode ser uma reta (SPI);
A interse cao pode ser um ponto (SPD).
Exemplo 1.8.6. Os gracos a seguir ilustram algumas situacoes.
x
y
Sistema Possvel e Determinado
22
x
y
Sistema Indeterminado
x
y
Sistema Possvel Indeterminado
Notacao Matricial
Podemos escrever o sistema (1.2) da seguinte forma matricial: Ax = b
A =
_

_
a
11
a
12
. . . a
1n
a
21
a
22
. . . a
2n
. . . . . . . . . . . .
a
m1
a
m2
. . . a
mn
_

_

E a matriz dos coecientes, de ordem mn.
x =
_

_
x
1
x
2
.
.
.
x
n
_

_
23

E a matriz das variaveis (incognitas), de ordem n 1.


b =
_

_
b
1
b
2
.
.
.
b
n
_

E a matriz dos termos independentes.


Matriz Ampliada: A matriz ampliada do sistema (1.2), e dada por:
A =
_

_
a
11
a
12
. . . a
1n
b
1
a
21
a
22
. . . a
2n
b
2
. . . . . . . . . . . . . . .
a
m1
a
m2
. . . a
mn
b
m
_

_
(1.3)
Exemplo 1.8.7. Escreva o seguinte sistema na forma matricial:
S =
_
_
_
2x
2
4x
3
= 4
2x
1
4x
2
+x
3
= 2
4x
1
3x
2
+ 5x
3
= 2
A matriz ampliada do sistema S do exemplo anterior ca:
A =
_
_
0 2 4 4
2 4 1 2
4 3 5 2
_
_
Portanto, quando nos referimos a linha (0, 2, 4, 4), estamos nos referindo a
primeira equacao do sistema S.
1.8.1 Agora tente resolver!
1. Encontre um sistema de equa coes lineares correspondente `a matriz:
(a)
_

_
1 0 1 0 6
0 1 0 0 10
0 0 1 0 9
0 1 0 1 2
_

_
(b)
_
_
1 2 1 0
2 1 0 0
1 4 1 0
_
_
24
Opera coes Elementares: Seja S um sistema de equacoes lineares com m
equacoes e n incognitas, cuja matriz ampliada e dada pela matriz (1.3). As
seguintes operacoes sao chamadas de opera coes elementares sobre as linhas
(equacoes) de uma matriz (sistema):
Trocar de posi cao duas das equacoes. Indicamos que as equacoes L
i
e
L
j
trocaram suas posicoes (simbolicamente L
i
L
j
).
Substituir uma equacao por um m ultiplo escalar de si mesma. In-
dicamos que a equacao L
i
foi substituda por kL
i
(Simbolicamente
L
i
kL
i
).
Substituir uma equacao por um m ultiplo de outra equacao somada a
si mesma. Indicamos que a equa cao L
j
foi substituda pela soma de
kL
i
e L
j
(Simbolicamente L
j
L
j
+kL
i
).
Observacao: Se um dado sistema linear S
1
foi obtido de um sistema linear
S atraves de opera coes elementares, dizemos que S
1
e equivalente `a S.
Matriz Escalonada: Uma matriz A esta na forma escalonada (ou escada), se
o n umero de zeros que precede o primeiro elemento nao nulo de uma linha
aumenta a cada linha, ate que sobre apenas linhas nulas, se houverem. Se
existirem linhas nulas elas devem aparecer na parte inferior da matriz. Uma
matriz ampliada quando aplicada `a ela as opera coes elementares, torna-se
uma matriz escalonada reduzida por linhas. Estas operacoes simplicam
muito as etapas necessarias para determinar a solucao do sistema associado.
Exemplo 1.8.8. Exemplos de matrizes na forma escada.
_
_
2 4 5
0 3 6
0 0 2
_
_
,
_
_
4 5 8
0 0 1
0 0 0
_
_
,
_
_
9 5 6 3
0 0 3 6
0 0 0 1
_
_
Exemplo 1.8.9. Exemplo de matriz que nao esta na forma escada.
_
_
0 4 3
1 0 6
0 0 0
_
_
Observacao: Todo sistema linear (matriz) e equivalente a um sistema (ma-
triz) escalonado.
Elimina cao de Gauss:

E um metodo util na resolucao de sistemas lineares
que consiste basicamente em:
25
Parte 1: Eliminacao direta: Uma reducao passo a passo do sistema
leva ou a uma equacao degenerada sem solucao (SI) ou a um sistema
equivalente mais simples na forma triangular superior.
Parte 2: Elimina cao retroativa: Substitui coes retroativas determinam
a solucao de um novo sistema.
Vamos resolver o seguinte exemplo:
Exemplo 1.8.10. S =
_
_
_
x + 2y 4z = 4
2x + 5y 9z = 10
3x 2y + 3z = 11
Solucao:
Escrever o sistema em forma de matriz ampliada:
_
_
1 2 4 4
2 5 9 10
3 2 3 11
_
_
Vamos usar o elemento a
11
como elemento pivo para eliminar os elementos
a
21
, a
31
. As seguintes operacoes elementares sao:
L
2
L
2
2L
1
, obtemos:
_
_
1 2 4 4
0 1 1 2
3 2 3 11
_
_
aplicando na matriz anterior L
3
L
3
3L
1
, obtemos:
_
_
1 2 4 4
0 1 1 2
0 8 15 23
_
_
L
3
L
3
+ 8L
2
, obtemos:
_
_
1 2 4 4
0 1 1 2
0 0 7 7
_
_
Ao nal desta ultima operac ao transformamos o sistema S em um sistema
equivalente mais simples, que esta na forma triangular e, portanto, a pri-
meira parte esta completa. Vamos reescrever o sistema original pelo sistema:
S =
_
_
_
x + 2y 4z = 4
y z = 2
7z = 7
Que e um sistema equivalente ao sistema S. Por substituicao retroativa,
temos: z = 1, y = 1, x = 2. Este sistema e classicado como: Sistema
Possvel Determinado.
Metodo de Gauss-Jordan: Exige que a matriz dos coecientes das variaveis
transforme-se na matriz identidade. Usando o exemplo anterior, efetuando
mais 4 operacoes:
26
L
3

1
7
L
3
, obtemos:
_
_
1 2 4 4
0 1 1 2
0 0 1 1
_
_
L
1
L
1
2L
2
, obtemos:
_
_
1 0 2 0
0 1 1 2
0 0 1 1
_
_
L
1
L
1
+ 2L
3
, obtemos:
_
_
1 0 0 2
0 1 1 2
0 0 1 1
_
_
L
2
L
3
+L
2
, obtemos:
_
_
1 0 0 2
0 1 0 1
0 0 1 1
_
_
Portanto, pelo metodo de Gauss-Jordan temos:
_
_
1 0 0 2
0 1 0 1
0 0 1 1
_
_
O sistema inicial se transformou no sistema equivalente:
_
_
_
1x + 0y + 0z = 2
0x + 1y + 0z = 1 =x = 2, y = 1, z = 1
0x + 0y + 1z = 1
Para xar e entender bem como funciona o algoritmo do escalonamento (eli-
minacao de Gauss), vamos resolver passo a passo o seguinte sistema:
_
_
_
x + 2y = 4
x + 3y + 3z = 2
y +z = 0
Solucoes de um Sistema de Equa coes Lineares: Vamos estudar todas
as situacoes que podem ocorrer na resolucao de um sistema linear.
1. Sistema Impossvel (SI): Suponha que a ultima equa cao do sistema
escalonado seja 0x
1
+0x
2
+ +0x
n
= b
m
, com m ,= 0, e uma equa cao
degenerada.
27
Exemplo 1.8.11.
_
x +
1
2
y = 0
0x + 0y = 1
Equa cao linear impossvel ou incompatvel:

E aquela em que todos
os coecientes valem zero e o termo independente e diferente de zero.
Nao existe nenhum valor de x e y capaz de satisfazer a segunda
equacao. Portanto, (SI).
2. Sistema possvel determinado quando o n umero de equacoes e
igual ao n umero de incognitas m = n, o sistema e possvel determi-
nado (SPD).
Exemplo 1.8.12.
_
2x +y = 5
x 3y = 6

_
2 1 5
1 3 6
_
obtemos
_
1 0 3
0 1 1
_

_
x = 3
y = 1
Este sistema possui uma unica solu cao, (SPD).
O conjunto solu cao (x, y) = (3, 1).
3. Sistema possvel indeterminado quando o n umero de equacoes e
menor que o n umero de variaveis m < n o sistema e possvel indeter-
minado (SPI).
Exemplo 1.8.13.
_
2x +y = 5
6x + 3y = 15

_
2 1 5
1 3 15
_
obtemos
_
1
1
2
5
2
0 0 0
_

_
x +
1
2
y =
5
2
0x + 0y = 0
Equa cao nula:

E aquela em que todos os coecientes e o termo inde-
pendente valem zero. Todo par ordenado e solucao da equa cao. Possui
innitas solucoes da forma: (
5
2

1
2
y, y), y R. O conjunto solucao:
S = (5/2 1/2y, y) R
2
/y R.
Observacao 1: Suponha que um sistema S (com m equacoes e n variaveis
originalmente) tenha sido escalonado e, retiradas as equacoes (linhas) do
tipo 0 = 0, restam p equac oes (p m) com n variaveis. O valor np e
chamado de grau de liberdade (ou n umero de variaveis livres) do sistema,
isto signica dizer que a solu cao do sistema e apresentada com np variaveis.
No ultimo exemplo o n umero de variaveis livres e um. A variavel livre e y.
28
Resumo:
Nao tem solu cao = Sistema impossvel (SI)
Tem solucao possvel = Solu cao unica = Sistema possvel determinado (SPD)

Innitas solucoes = Sistema possvel Indeterminado (SPI)


Princpios
1. Se um sistema escalonado tem uma equacao nula, ela pode ser retirada
do sistema, sem alterar sua solu cao.
2. Se um sistema escalonado tem uma equacao impossvel, o sistema e
impossvel, caso contrario, o sistema e possvel.
3. Eliminadas as equa coes nulas de um sistema escalonado possvel ele
e determinado, se o n umero de equacoes restantes e igual ao n umero
de incognitas, e, indeterminado, se o n umero de equa coes restantes e
menor que o n umero de incognitas.
1.8.2 Agora tente resolver!
1. Encontre o unico polinomio de grau 2 que passa pelos pontos (2, 4), (4, 4)
e (1, 1).
2. Determine os coecientes a, b, c da equa cao da circunferencia x
2
+y
2
+
ax+by +c = 0, que passa pelos pontos P
1
(3, 1), P
2
(6, 2) e P
3
(3, 5).
3. Determine os coecientes a, b, c da equacao da circunferencia x
2
+
y
2
+ ax + by + c = 0, que passa pelos pontos P
1
(1, 1), P
2
(3, 5) e
P
3
(7, 1).
4. Discuta o seguinte sistema:
_
_
_
x + 4y + 3z = 10
2x + 7y 2z = 10
x + 5y +z =
5. Uma empresa de transportes tem tres tipos de caminhoes V W, MC e
SC, que carrega cargas em carrocerias de tres tipos I, II e III.
As capacidades dos caminhoes sao:
Tipos de caminhoes I II III
VW 4 3 2
MC 5 2 3
SC 2 2 3
29
Quais sao os n umeros de caminhoes x
1
, x
2
e x
3
de cada categoria V W,
MC e SC, se a companhia deve transportar 42 carrocerias do tipo I,
27 do tipo II e 33 do tipo III?
6. Em um teste da calculo, os alunos ganharam 4 pontos por cada questao
correta e perderam 2 por cada questao errada. Ao m de 60 questoes
um aluno conseguiu somar 180 pontos. Quantas questoes corretas o
aluno acertou?
Matrizes Inversveis usando operacoes elementares
O mesmo procedimento usado para o escalonamento de matrizes com operacoes
elementares que transforma uma matriz na forma escada pode transformar
uma matriz A na sua inversa A
1
. Uma matriz A de ordem n e inversvel
se, e somente se, A e equivalente a matriz identidade (A In). Neste caso,
as mesmas sucessoes de operacoes elementares que transformam A em In,
transformam In em A
1
.
Exemplo 1.8.14. Encontre a matriz inversa de A =
_
2 5
1 3
_
.
Solu cao:
_
2 5 1 0
1 3 0 1
_

_
1
5
2
1
2
0
1 3 0 1
_

_
1
5
2
1
2
0
0 .
1
2
1
2
1
_

_
1
5
2
1
2
0
0 1 1 2
_

_
1 0 3 5
0 1 1 2
_
Portanto, A
1
=
_
3 5
1 2
_
Se a matriz A e invertvel, entao sua inversa e unica.
Teorema 1.8.1. Se A e uma matriz inversvel, nn, entao para cada b no
R
n
, a equa cao Ax = b tem uma unica solucao, x = A
1
b.
1.8.3 Agora tente resolver!
1. Determine a inversa de cada matriz:
(a)
A =
_
_
2 2 1
4 1 2
3 1 1
_
_
(b)
A =
_
_
1 0 1
0 2 3
3 0 1
_
_
30
Sistema de m equacoes e n variaveis

E semelhante ao metodo de Gauss, com a diferenca de que a matriz dos


coecientes nao pode ser transformada na matriz identidade porque e uma
matriz na forma retangular.
_
_
_
2x
1
+ 4x
2
= 16
5x
1
2x
2
= 4
10x
1
4x
2
= 3
A matriz ampliada que representa o sistema e dada por:
_
_
2 4 16
5 2 4
10 4 3
_
_
Aplicando as operacoes elementares,
L
1

1
2
L
1
;
L
2
L
2
5L
1
;
L
3
L
3
10L
1
;
L
3
L
3
2L
2
.
A matriz nal na forma escalonada reduzida por linhas:
_
_
1 2 8
0 12 36
0 0 5
_
_
Observe que esse sistema e um Sistema Impossvel.
1.8.4 Agora tente resolver!
1. Resolva os seguintes sistemas:
(a)
_

_
2x + 4y = 16
5x 2y = 4
3x +y = 9
4x 5y = 7
(b)
_
2x 8y + 24z + 18w = 84
4x 14y + 52z + 42w = 190
Sistema de Equacoes Lineares Homogeneo
Sistema do tipo Ax = 0.
Este tipo de sistema sempre tem o vetor nulo como solucao, chamado de
31
solucao trivial ou nula. Sendo r o n umero de equa coes na forma reduzida
e n representa a quantidade de incognitas, o sistema reduzido tem n r
variaveis livres. A questao das solucoes nao nulas se reduz a dois casos:
i. r = n O sistema possui apenas a solucao nula.
ii. r < n O sistema possui uma solucao nao nula;
Exemplo 1.8.15.
Caso i, em que r = n
_
_
_
x +y z = 0
2x + 4y z = 0
3x + 2y + 2z = 0
Solucao:
_
_
1 1 1 0
2 4 1 0
3 2 2 0
_
_
Aplicando as seguintes operacoes,
L
2
L
2
2L
1
;
L
3
L
3
3L
1
;
L
3
L
3
+
1
2
L
2
.
Matriz nal:
_

_
1 1 1 0
0 2 1 0
0 0
11
2
0
_

_
.
Portanto, x = y = z = 0.
Exemplo 1.8.16.
Caso ii, em que r < n
_
_
_
x +y z = 0
2x 3y +z = 0
x 4y + 2z = 0
Solu cao:
_
_
1 1 1 0
2 3 1 0
1 4 2 0
_
_
Aplicando as seguintes operacoes,
L
2
L
2
2L
1
;
32
L
3
L
3
L
1
;
L
3
L
3
L
2
.
Matriz nal:
_
_
1 1 1 0
0 5 3 0
0 0 0 0
_
_
.
Portanto, x =
2
5
z, y =
3
5
z.
Regra de Cramer: Esta regra se aplica a sistemas lineares em que o n umero
de equacoes e igual ao n umero de incognitas. Utilizando a teoria dos de-
terminantes podemos resolver um sistema linear quadrado cuja matriz dos
coecientes possui determinante nao nulo.
Considere Ax = b a forma matricial de um sistema linear quadrado de or-
dem n, como:
A =
_

_
a
11
a
12
. . . a
1n
a
21
a
22
. . . a
2n
. . . . . . . . . . . .
a
m1
a
m2
. . . a
mn
_

_
, x =
_

_
x
1
x
2
.
.
.
x
n
_

_
, b =
_

_
b
1
b
2
.
.
.
b
n
_

_
.
Se det(A) ,= 0, entao a solucao do sistema e dao por:
x
1
=
_

_
b
1
a
12
. . . a
1n
b
2
a
22
. . . a
2n
.
.
.
.
.
.
.
.
.
.
.
.
b
n
a
n2
. . . a
nn
_

_
det(A)
, x
2
=
_

_
a
11
b
1
. . . a
1n
a
21
b
2
. . . a
2n
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
b
n
. . . a
nn
_

_
det(A)
, x
i
=
_

_
a
11
a
12
. . . b
1
a
21
a
22
. . . b
2
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
. . . b
n
_

_
det(A)
1.9 Lista de exerccios 2
1. A matriz completa associada a um sistema linear foi transformada
para a forma a seguir. Determine se o sistema e possvel.
_
_
2 4 3 4
0 4 5 2
0 0 2 0
_
_
2. Considere a seguinte matriz como sendo a matriz completa de um sis-
tema linear. Enuncie em palavras, a proxima operacao elementar que
deve ser realizada no processo de resolucao do sistema.
33
_

_
1 3 0 3 6
0 1 6 5 2
0 0 3 8 1
0 0 1 2 1
_

_
3. Classicar e resolver os sistemas:
(a)
_
_
_
2y + 10z = 4
2x + 8y + 6z = 2
4x + 14y + 2z = 1
(b)
_
_
_
x + 3y + 4z = 8
2x y +
1
2
z = 4
3x
1
2
y +
1
2
z = 5
(c)
_
_
_
2x 3y + 4z = 8
2x + 8y + 13z = 23
1
2
x +y + 2z = 10
(d)
_
_
_
2x + 4y + 6z = 12
x z = 0
5
2
x + 2y +
11
2
z = 12
(e)
_

_
2x 12y = 5
2y 8z + 2w = 0
2x + 12y + 2z + 10w = 3
2y + 10z + 8w = 0
(f)
_
_
_
x + 2z = 5
y + 3z = 2
2x + 4y + 7z = 5
4. Seja A =
_
_
0 1 1
0 1 2
1 1 2
_
_
. Calcule A
1
.
5. Determine os coecientes a, b, c da equa cao da circunferencia x
2
+y
2
+
ax +by +c = 0, resolvendo o seguinte sistema:
_
_
_
2a b +c = 5
3a +c = 9
a + 4b +c = 17
6. Determine a inversa da matriz A =
_
_
0 1 2
1 0 3
2 3 4
_
_
, caso ela exista.
7. Aplicacao: Criptograa: Vamos transformar uma mensagem da se-
guinte forma: Quebrando a mensagem em 3 pedacos. O destinatario
e o remetente possuem uma matriz C. O destinatario recebe uma
matriz D, tal que MC = D, onde M e a mensagem a ser decodi-
cada. Cada n umero da matriz M corresponde a uma letra do alfabeto
34
1 = a, 2 = b, 3 = c, . . . , 23 = z, considerando o alfabeto com 23 letras,
excluindo k, w, y. O n umero zero representa exclama cao. A mensagem
e lida encontrando M fazendo a correspondencia n umero/letra da ma-
triz conforme segue m
11
m
12
m
13
m
21
m
22
m
23
m
31
m
32
m
33
. Considere:
C =
_
_
1 1 0
0 1 0
0 2 1
_
_
, M =
_
_
2 10 1
18 38 17
19 14 0
_
_
8. Encontre a matriz inversa das seguintes matrizes:
(a) A =
_
_
2 6 4
4 16 6
1 2 1
_
_
(b) A =
_
_
2
1
2
2
1 4 1
1 2 2
_
_
9. Resolva os seguintes sistemas lineares homogeneos:
(a)
_
_
_
x + 2y z = 0
x +y z = 0
2x 2y z = 0
(b)
_

_
x + 2y + 3z = 0
x +y +z = 0
x +y + 2z = 0
x + 3y + 3z = 0
(c)
_
_
_
x 2y + 4z = 0
2x + 5y 3z = 0
3x y + 2z = 0
(d)
_
_
_
2x + 2y = 0
3x + 5y = 0
4x + 3y + 3z = 0
10. Encontre a equacao da reta interse cao dos planos x + 2y z = 3 e
2x + 3y +z = 1. Usando operacoes elementares.
11. Considere a reacao qumica nao balanceada Ca+H
3
PO
4
Ca
3
P
2
O
8
+
H
2
, essa equa cao pode ser balanceada fazendo: xCa + yH
3
PO
4

zCa
3
P
2
O
8
+ wH
2
. Resolva o sistema e determine o menor n umero
inteiro de atomos de Calcio, Hidrogenio, Fosforo e Oxigenio, com o
qual ocorre o balanceamento.
35
12. Considere a reacao qumica nao balanceada C
3
H
8
+O
2
CO
2
+H
2
O,
essa equa cao pode ser balanceada fazendo: xC
3
H
8
+ yO
2
zCO
2
+
wH
2
O. Resolva o sistema correspondente.
13. (Exerccio de aplicacao sugerido pelos alunos da turma de Engenha-
ria Qumica e Alimentos - FURG 2012) A partir da rea cao de com-
bustao do etanol `a (d = 0, 80g/ml), obtemos o vetor

v
1
(sendo

v
1
o n umero de mols de cada substancia da rea cao, respectivamente).
Com a combustao total para a formacao de 1 litro de etanol, obte-
mos o valor de x relativo ao vetor

v
2
= (x, y, z). Sabendo-se que o
vetor

v
2
e uma combinacao linear de

v
1
, ou seja,

v
2
=

v
1
, quan-
tos mols de dioxido de carbono sao liberados na formacao de 1 li-
tro de etanol? Dados: H = 1g/mol, C = 12g/mol, O = 16g/mol,
xC
2
H
6
O +yO
2
zCO
2
+wH
2
O
14. Dona Lize e secretaria de uma empresa e recebeu uma lista de compras
de material de escritorio, entre os itens da lista estao canetas. Ela fez
duas compras de canetas, uma do tipo C1 e outra do tipo C2. Na
primeira compra ela gastou 36 reais, comprando 4 canetas de cada
tipo. Na segunda compra ela comprou 2 do tipo C1 e 1 do tipo C2 e
gastou 16 reais. Qual o pre co unitario de cada caneta?
15. Uma pessoa esta organizando uma festa e encomenda 140 caixas de
suco, 98 empadinhas e 160 brigadeiros. Servira a cada homem 2 caixas
de suco, 2 empadinhas e 2 brigadeiros. A cada mulher 5 caixas de suco,
2 empadinhas e 3 brigadeiros e para as criancas 2 caixas de suco, 2
empadinhas e 4 brigadeiros. Qual o n umero de pessoas convidadas
sabendo que nao sobrou nem faltou nada?
140 caixas de suco 98 empadinhas 160 brigadeiros
H 2 2 2
M 5 2 3
C 2 2 4
16. Suponha que voce fara um lanche, constando de leite desnatado, pudim
e calzone de frango e que disponha de R$ 1,80. Segundo os nutrici-
onistas um lanche deve conter 1350 calorias e 66g de protenas para
cada 100g dos alimentos citados:
100 gramas Calorias (cal) Protenas (g) Preco (R$)
Leite desnatado 25 2 0,10
Pudim 300 12 0,30
Calzone de frango 100 14 0,40
Quais quantidades de cada alimento satisfazem exatamente as condicoes
acima?
36
Captulo 2
Espacos Vetoriais
2.1 Introducao
Vamos estender o conceito de vetor, usando as propriedades algebricas mais
importantes dos vetores em R
n
como axiomas.
Primeiramente, vamos recordar alguns topicos de Geometria Analtica:
Os vetores formam um conjunto que satisfaz as mesmas propriedades de
adicao e multiplicacao sobre um corpo K como veremos a seguir.
Considere as seguintes operacoes com vetores:
- Adicao: geometricamente o vetor resultante da adicao entre dois vetores
pode ser obtido pela lei do paralelogramo. Essa opera cao e dotada de algu-
mas propriedades como a comutativa, associativa, a existencia do elemento
neutro e do elemento oposto para cada vetor.
- Multiplicacao por escalar: o produto

u e obtido multiplicando o com-
primento do vetor pelo n umero real , mantendo o mesmo sentido se > 0
ou de sentindo oposto se < 0. Esta opera cao tambem satisfaz algumas
propriedades como a associativa e distributiva.
A denicao de um espaco vetorial envolve um corpo arbitrario cujos elemen-
tos no contexto da

Algebra Linear sao chamados de escalares.
Quanto a visualiza cao dos espacos:
O conjunto dos n umeros reais pode ser visto geometricamente como
uma reta, a reta real, R.
O conjunto de todos os pares ordenados de n umeros reais, corres-
pondentes a pontos no espaco bidimensional e o de todos os ternos
37
ordenados de n umeros reais, correspondentes a pontos no espa co tri-
dimensional sao denotados por R
2
e R
3
respectivamente.


E possvel estender a ideia para o espaco de dimensao n (espaco n-
dimensional) R
n
, constitudo por n-uplas ordenadas, que e o produto
cartesiano de n copias da reta real R. A diferen ca entre esse casos e
que para n 4 nao se dispoe de uma representa cao geometrica. Neste
caso, perdemos a visao geometrica de vetores, pois samos do espaco
tridimensional e passamos para um espaco n-dimensional. Nao exis-
tindo representacao geometrica para os pontos de R
n
, tratamos alge-
bricamente, sem o recurso de visualiza cao geometrica. Mas, e possvel
trabalhar com estes espacos da mesma maneira que em R
3
.
Exemplo 2.1.1. Vetor com n-uplas de n umeros reais:
V = R
n
= (x
1
, x
2
, x
3
, , x
n
)
Exemplo 2.1.2. Vejamos alguns exemplos.
Ao realizarmos uma serie de experimentos e tomarmos n medicoes
numericas a cada realizacao do experimento, temos um vetor com n
elementos

v = (x
1
, x
2
, x
3
, , x
n
);
Se uma empresa possui n postos de distribui cao de cargas, em cada
instante de tempo a distribuicao dos caminhoes nos terminais pode ser
descrita pelas n-uplas,

v = (x
1
, x
2
, x
3
, , x
n
);
Podemos associar as imagens coloridas nas telas com cada pixel e tres
n umeros que descrevem o matiz, a satura cao e o brilho, assim a imagem
pode ser vista como um vetor com 5-uplas

v = (x, y, h, s, b).
Na Fsica, um vetor de R
4
: os quaternos (x, y, z, t), onde os tres pri-
meiros termos representam as coordenadas, a posicao no espa co e a
ultima representa o instante t em que o ponto ocupa tal posicao.
Quanto as propriedades:
As opera coes validas no espa co n-dimensional (R
n
), sao as mesmas dos
espacos bidimensional e tridimensional (R
2
e R
3
). A ideia e estender o
conceito de vetor usando as propriedades algebricas mais importantes dos
vetores como axiomas, que quando satisfeitos por um conjunto de objetos,
nos permitirao pensar nesses objetos como vetores. Vale ressaltar que essas
opera coes (adicao e multiplica cao) satisfazem determinadas propriedades,
que sao as mesmas opera coes dos conjuntos de matrizes, pois eles apresen-
tam a mesma coincidencia estrutural.
38
2.2 Espacos Vetoriais
Seja um conjunto V nao-vazio, no qual estao denidas duas operacoes:
u +v (onde u, v e u +v V )
Se u e v sao objetos em V , entao u +v e um objeto em V .
u (onde R e u, u V )
A cada escalar e a cada objeto u em V , u e denominado m ultiplo escalar
de u por em V . Sera chamado de espa co vetorial se sao satisfeitas:
A. Em rela cao `a adicao: Esta denida uma adicao em V que associa
a cada par de elementos u e v um unico elemento em V , indicado
por u + v e chamado de soma de u com v, que satisfaz as seguintes
propriedades, u, v, w V :
A1. (u +v) +w = u + (v +w), u, v e w V (Associatividade da adicao)
A2. u +v = v +u (Comutatividade da adi cao)
A3. 0 V , elemento neutro tal que u + 0 = 0 +u = u
A4. Para cada u V, (u) V / u + (u) = 0, elemento oposto.
M. Em relacao `a multiplica cao: Esta denida uma multiplicacao por
escalar em V que associa cada escalar R e cada elemento v V
um unico vetor v V , que satisfaz as seguintes propriedades, ,
R e u, v V :
M1. 1.u = u (elemento neutro da multiplicacao por escalar)
M2. ()u = (u), R
M3. ( +)u = u +u, V
M4. (u +v) = u +v
Observacao: os elementos u, v V sao chamados vetores. A justicativa
esta no fato de as operacoes de adicao e multiplicacao por escalar realizada
com esses elementos (conjuntos) de natureza tao distinta se comportam de
forma identica como se estivessemos trabalhando com os proprios vetores
do R
2
e R
3
.
Esta deni cao de Espa co Vetorial nao especica nem a natureza dos ve-
tores, nem das opera coes. Qualquer tipo de objeto pode ser um vetor, e
as opera coes de adi cao e multiplicacao por escalar podem nao ter rela cao
39
alguma com as operacoes usuais. A exigencia e que os axiomas sejam satis-
feitos.
Para vericar as propriedades do espaco vetorial, vamos considerar tres ve-
tores genericos: u = (x
1
, y
1
), v = (x
2
, y
2
), w = (x
3
, y
3
)
A1. (u +v) +w = u + (v +w)
(u +v) +w = ((x
1
, y
1
) + (x
2
, y
2
)) + (x
3
, y
3
)
(u +v) +w = (x
1
+x
2
, y
1
+y
2
) + (x
3
, y
3
)
(u +v) +w = ((x
1
+x
2
) +x
3
, (y
1
+y
2
) +y
3
)
(u +v) +w = (x
1
+ (x
2
+x
3
), y
1
+ (y
2
+y
3
))
(u +v) +w = (x
1
, y
1
) + ((x
2
, y
2
) + (x
3
, y
3
))
(u +v) +w = u + (v +w)
A2. u +v = v +u
u +v = (x
1
, y
1
) + (x
2
, y
2
)
u +v = (x
1
+x
2
, y
1
+y
2
)
u +v = (x
2
, y
2
) + (x
1
, y
1
)
u +v = v +u
A3. u + 0 = 0 +u = u
u + 0 = (x
1
, y
1
) + (0, 0)
u + 0 = (x
1
+ 0, y
1
+ 0)
u + 0 = (x
1
, y
1
)
A4. u + (u) = 0
u + (u) = (x
1
, y
1
) + (x
1
, y
1
)
u + (u) = (x
1
x
1
, y
1
y
1
)
u + (u) = (0, 0)
M1. 1.u = u.1 = u 1.u = 1.(x
1
, y
1
)
1.u = (x
1
, y
1
).1
1.u = (x
1
, y
1
)
1.u = u.1 = u
M2. ()u = (u)
()u = (()x
1
, ()y
1
)
()u = ((x
1
), (y
1
)
()u = (x
1
, y
1
)
()u = ((x
1
, y
1
)
40
()u = (u)
M3. ( +)u = u +u
( +)u = ( +)(x
1
, y
1
)
( +)u = (x
1
, y
1
) +(x
1
, y
1
)
( +)u = u +u
M4. (u +v) = u +u
(u +v) = ((x
1
, y
1
) + (x
2
, y
2
))
(u +v) = (x
1
+x
2
, y
1
+y
2
)
(u +v) = (x
1
+x
2
, y
1
+y
2
)
(u +v) = (x
1
, y
1
) +x
2
, y
2
)
(u +v) = (x
1
, y
1
) +(x
2
, y
2
)
(u +v) = u +v
Consequencias imediatas da denicao:
Existe um unico vetor nulo em V (elemento neutro da adicao);
Cada vetor em V admite apenas um simetrico: u V , entao (u) V .
Exemplo 2.2.1. Conjuntos que sao espacos vetoriais.
V = R
2
e um espaco vetorial real.
R
2
= (x, y); x, y R e o conjunto dos pontos no plano. Um par
ordenado pode ser um ponto ou um vetor no plano.
Com rela cao as opera coes usuais: dados

u = (x
1
, y
1
) e

v = (x
2
, y
2
) ,
entao
(x
1
, y
1
) + (x
2
, y
2
) = (x
1
+x
2
, y
1
+y
2
)
(x
1
, y
1
) = (x
1
, y
1
)
41
V = R
3
e um espaco vetorial real.
R
3
= (x, y, z); x, y, z R e o conjunto dos pontos do espa co.
V = M
mn
(R) o conjunto das matrizes de ordem mn, com elementos
em R e um espa co vetorial com as operacoes de adi cao de matrizes e
multiplicacao de uma matriz por um escalar.
V = M
22
(R) Adicao:
_
a b
c d
_
+
_
e f
g h
_
=
_
a +e b +f
c +g d +h
_
.
Multiplica cao por um escalar:
_
a b
c d
_
=
_
a b
c d
_
.
V = P
n
(R) o conjunto dos polinomios de grau menor ou igual a n.
P
n
= a
0
+a
1
x + +a
n
x
n
; a
i
R
.
Tambem sao considerados Espacos Vetoriais toda reta (no plano ou no
espaco) que passa pela origem. E, todo plano que passa pela origem
do R
3
.
Observacao: Os smbolos e sao utilizados para indicar que a adicao e
a multiplicacao por escalar nao sao as usuais.
Exemplo 2.2.2. Mostrar que o seguinte conjunto R
2
= (a, b)/a, b R
nao e um espa co vetorial com relacao as seguintes operacoes: (a, b)+(c, d) =
(a +c, b +d) e k (a, b) = (k
2
a, k
2
b).
Solucao: Vamos vericar os axiomas do espa co vetorial.
Mas, observe que a operacao de adicao e a usual, portanto os axiomas da
adicao sao satisfeitos. Vamos analisar os axiomas da multiplicacao:
M2 ()u = (u)
()(a, b) = (()
2
a, ()
2
b)
()(a, b) = (
2
(
2
a),
2
(
2
b)
()(a, b) =
2
(
2
a,
2
b)
()(a, b) =
2
(
2
(a, b)
()(a, b) =
2
(
2
(a, b))
M3 ( +)u = u +u
( +)(a, b) = ( +)
2
(a, b)
( +)(a, b) ,= (a, b) +(a, b).
Portanto falha o axioma M3, nao e espa co vetorial.
42
2.2.1 Agora tente resolver!
1. Verique se os conjuntos abaixo sao espa cos vetoriais:
a. V e o conjunto de todas as matrizes 2 2 ,
_
c d
a b
_
onde c = d.
b. V e o conjunto de todas as matrizes de ordem 3 1.
c. O conjunto de todas as triplas ordenadas (x, y, z) de n umeros
reais com as operacoes (x
1
, y
1
, z
1
) +(x
2
, y
2
, z
2
) = (x
2
, y
1
+y
2
, z
2
)
e a (x
1
, y
1
, z
1
) = (ax
1
, ay
1
, az
1
) = (x
1
, y
1
, z
1
).
d. O conjunto de todas as triplas ordenadas de n umeros reais da
forma (x, 0, 0) com as operacoes (x, 0, 0)+(x

, 0, 0) = (x+x

, 0, 0)
e (x, 0, 0) = (x, 0, 0).
e. R
2
= (a, b)/a, b R, com a operacao usual de adicao, mas com
a multiplicacao por um escalar denida como (x, y) = (x, y).
Sao espacos vetoriais: a,b,d.
2. Seja V o segundo quadrante do plano xy, isto e, seja V = (x, y) : x
0, y 0, responda: se u e v estao em V, sera que u +v esta em V ?
3. Verique se o conjunto dos n umeros reais positivos com as seguintes
opera coes: x + y = xy e x = x

e um espa co vetorial. (Resposta: e


um espaco vetorial.)
2.3 Subespaco Vetorial
Dado um espa co vetorial V , um subconjunto S, nao vazio, sera um su-
bespa co vetorial de V se:
a. Para quaisquer u, v S, tivermos u +v S
b. Para quaisquer R, u S, tivermos u S
c. O vetor nulo 0 S.
Se um subconjunto S for parte de um espaco vetorial V conhecido, certos
axiomas nao precisam ser vericados pois eles sao herdados do conjunto V .
Exemplo 2.3.1. Se S = (x, y) R
2
; y = kx = (x, kx) R
2
. Uma
reta que passa na origem e um subespa co vetorial. Considere S = (x, y)
R
2
; y = 3x. Seja

u = (x
1
, 3x
1
) e

u = (x
2
, 3x
2
) S, entao
(x
1
, 3x
1
) + (x
2
, 3x
2
) = (x
1
+x
2
, 3x
1
+ 3x
2
) = (x
1
+x
2
, 3(x
1
+x
2
)) S
(x
1
, 3x
1
) = (x
1
, 3x
1
) S
43
Observe que se considerarmos dois vetores da reta, o vetor soma ainda e da
reta e se multiplicarmos o vetor por um escalar, o vetor resultante ainda
estara na reta.
Proposicao 2.3.1. Se S e um subespa co vetorial V , entao S tambem e um
espaco vetorial sobre R.
Exemplo 2.3.2. Quando a reta nao passa na origem, por exemplo, S =
(x, 6 3x); x R, entao o conjunto nao e um subespaco vetorial. Por
que?
Observacoes:
As condicoes do subespaco garantem que ao operar vetores em S nao ob-
teremos vetores fora de S.
Sendo validas as condicoes citadas em S, os oito axiomas de espa co veto-
rial tambem se vericam.
44
Todo espaco vetorial V admite, pelo menos, dois subespacos, o proprio
espaco vetorial S = V . E S = 0 o subespaco zero. Estes subespacos sao
chamados de subespa cos triviais de V .
2.3.1 Agora tente resolver!
1. Seja S = (x, y, z) R
3
; x + y = 0, vericar se S e um subespaco
vetorial.
2. Seja S = M
23
R =
__
0 a b
0 a d
_
; a, b, d R
_
, o conjunto das matrizes
de ordem 2 3, onde a primeira coluna todos os elementos sao nulos.
S e um subespaco vetorial?
3. Verique quais dos seguintes conjuntos sao subespa cos vetoriais de R
3
.
(a) Todos os vetores da forma (x, 0, 0).
(b) Todos os vetores da forma (x, 1, 1).
(c) Todos os vetores da forma (a, b, c), onde b = a +c.
4. Dados os conjuntos a seguir, vericar quais sao subespacos em relacao
`as operacoes de adicao e multiplicacao por um escalar:
a. S = (x, y, z) R
3
; x = 6y e z = 0
b. S = (x, y, z) R
3
; x = z
2

c. S = (x, y, z) R
3
; y = x + 2 e z = 0
d. S = (x, x, x) R
3
; x R
e. S =
__
a b
b c
_
; a, b, c R
_
, conjunto das matrizes simetricas.
f. W =
_
_
_
_
_
b
b
2b
_
_
; b R
_
_
_
5. Determine se o conjunto dado e um subespaco de P
n
para um valor
apropriado de n:
a. Todos os polinomios da forma p(t) = at
2
com a R.
b Todos os polinomios de grau no maximo 3, com coecientes in-
teiros.
6. Verdadeiro ou Falso:
a O conjunto das solucoes de um sistema linear consistente Ax = b
de m equacoes n incognitas e um subespa co R
n
....
45
b O conjunto de matrizes de ordem n n triangulares superiores e
um subespa co do espaco vetorial de todas as matrizes de ordem
n n....
Resposta: Sao subespacos os exerccios de n umero 1, 2, 3: a e c, 4: a,d,e,f e
5: a.
Intersecao de subespacos vetoriais: Como espacos vetoriais sao conjuntos,
a interse cao de dois subespacos vetoriais do mesmo espa co vetorial V e
tambem um subespa co vetorial de V .
Sejam U e W dois subespacos vetoriais de V . A interse cao de U e W, e
representada por U W, onde U W = v V ; v U e v W, e um
subespa co vetorial. O conjunto interse cao nao e vazio pois cada um desses
subespa cos contem o vetor nulo, entao a interse cao tambem possui o vetor
nulo.
A uniao de dois subespacos nao e necessariamente um subespa co de V .
Soma de subespacos vetoriais: Considere U e W dois subespacos vetoriais
de V . A soma de U e W, representada por U + W, e o conjunto de todos
os vetores u +w de V , denido como U +W = u +w; u U e w W.
Soma direta de subespa cos vetoriais: Sejam U e W dois subespacos vetori-
ais de V . A soma direta V = U W, se V = U +W e U W = 0.
2.4 Combinacao Linear
Considere dois ou mais vetores de um espaco vetorial, esses vetores podem
ser combinados usando-se as duas operacoes de um espa co vetorial: adi cao
e multiplica cao por um escalar.
Denicao: Seja V um espaco vetorial real, v
1
, v
2
, ..., v
n
V e
1
,
2
, ...,
n

R.
46
O vetor
v =
n

i=1

i
v
i
=
1
v
1
+
2
v
2
... +
n
v
n

E uma combina cao linear de v


1
, v
2
, ..., v
n
V .
Exemplo 2.4.1. Todo vetor de R
2
e uma combinacao linear dos vetores

i = (1, 0) e

j = (0, 1).
Exemplo 2.4.2. Todo vetor de R
3
e uma combinacao linear dos vetores

i = (1, 0, 0),

j = (0, 1, 0) e

k = (0, 0, 1).
Exemplo 2.4.3. Escrever v = (4, 2, 9) como combinacao linear dos vetores
v
1
= (2, 1, 3), v
2
= (1, 0, 3), v
3
= (1, 0, 0).
Solucao: Procuramos escalares a, b, c tais que: v = av
1
+ bv
2
+ cv
3
, sendo
assim:
(4, 2, 9) = a(2, 1, 3) +b(1, 0, 3) +c(1, 0, 0)
(4, 2, 9) = (2a, a, 3a) + (b, 0, 3b) + (c, 0, 0)
(4, 2, 9) = (2a +b +c, a, 3a + 3b)
_
_
_
2a + 2b +c = 4
a = 2 a = 2, b = 1, c = 1
3a + 3b = 9
v = 2v
1
+v
2
v
3
Exemplo 2.4.4. O vetor v = (1, 1, 2) nao e uma combinacao linear dos
vetores (1, 0, 1) e (2, 1, 1).
Solu cao: Teramos que encontrar valores para os escalares a e b tais que:
v = av
1
+bv
2
, entao:
(1, 1, 2) = a(1, 0, 1) +b(2, 1, 1)
(1, 1, 2) = (a, 0, a) + (2b, b, b)
(1, 1, 2) = (a + 2b, b, a +b)
De acordo com a condicao de igualdade entre vetores:
_
_
_
a + 2b = 1
b = 1
a +b = 2
Nao existe solu cao que satisfaca o sistema, portanto o vetor v nao pode ser
escrito como combinacao linear dos vetores dados.
47
Exemplo 2.4.5. Modelos de cores nas telas dos monitores.
As cores nas telas costumam ter por base o chamado modelo RGB. As cores
sao criadas juntando procentagens de tres cores primarias, vermelho, verde
e azul. Podemos identicar as cores primarias como vetores e criar outras a
partir de uma combinacao linear entre elas.
Exemplo 2.4.6. Seja a matriz A =
_
2 3
1 4
_
e uma combinacao linear das
matrizes
_
1 0
0 0
_
,
_
0 1
0 0
_
,
_
0 0
1 0
_
,
_
0 0
0 1
_
.
Pois,
_
2 3
1 4
_
= 2
_
1 0
0 0
_
+ 3
_
0 1
0 0
_
+ 1
_
0 0
1 0
_
+ 4
_
0 0
0 1
_
2.4.1 Agora tente resolver!
1. O vetor b =
_
_
11
5
9
_
_
, e uma combinacao linear dos vetores u =
_
_
1
0
1
_
_
,
v =
_
_
2
3
2
_
_
e w =
_
_
6
7
5
_
_
?
2. V = M
2
(R) e considere:
v =
_
1 0
1 1
_
, u =
_
1 2
0 1
_
, w =
_
0 1
2 1
_
Escrever o vetor y =
_
1 8
0 5
_
como combina cao de v, u, w.
3. Expressar o polinomio v = t
2
+4t 3 sobre R como combinacao linear
dos polinomios p
1
= t
2
2t + 5; p
2
= 2t
2
3t; p
3
= t + 3.
48
4. Expressar o polinomio v = t
2
+6t10 sobre R como combina cao linear
dos polinomios p
1
= t
2
2t + 5; p
2
= 2t
2
3t; p
3
= t + 3.
5. Escreva o vetor nulo O R
2
como combinacao linear dos vetores
u = (2, 1) e v = (2, 3).
6. Verique se o vetor u e uma combina cao linear dos vetores do conjunto
V : u = (2, 2,
1
6
,
1
6
) e V = (1, 1, 0, 0), (2, 0, 1, 1), (0, 3, 1, 1).
7. Verdadeiro ou falso: As combinacoes lineares a
1
v
1
+a
2
v
2
e b
1
v
1
+b
2
v
2
,
so podem ser iguais se a
1
= b
1
e a
2
= b
2
.
2.5 Subespacos Gerados
Vimos em Geometria Analtica, que os vetores

i = (1, 0, 0),

j = (0, 1, 0)
R
3
geram o plano xOy. Isto signica, por exemplo, que todo vetor v =
(x, y, 0) desse plano e combina cao linear de

i e

j .
Sejam A = v
1
, v
2
, . . . , v
n
vetores de um espa co vetorial V . Denotaremos
por W = [v
1
, v
2
, . . . , v
n
] ou W = G(A) o conjunto de todas as combina coes
lineares de v
1
, v
2
, . . . , v
n
em V . Este conjunto e um subespaco de V e e
chamado de subespa co gerado.
Proposicao 2.5.1. W = [v
1
, v
2
, . . . , v
n
], onde v
1
, v
2
, . . . , v
n
sao vetores de
um espaco vetorial V . Entao as seguintes arma coes sao satisfeitas:
i. W e um subespaco de V .
ii. W e o menor subespa co de V contendo v
1
, v
2
, . . . , v
n
, ou seja, qualquer
subespa co de V que contem v
1
, v
2
, . . . , v
n
tambem contem W.
Demonstracao: Se u
1
= a
1
v
1
+a
2
v
2
+...+a
n
v
n
e u
2
= b
1
v
1
+b
2
v
2
+...+b
n
v
n

V . Temos:
a. u
1
+u
2
= (a
1
+b
1
)v
1
+ (a
2
+b
2
)v
2
+... + (a
n
+b
n
)v
n
e tambem uma
combinacao linear de v
1
e v
2
. Em outras palavras, u
1
+u
2
W.
b. Seja u
1
W e R. Entao u
1
= (a
1
v
1
+ a
2
v
2
+ ... + a
n
v
n
) =
(a
1
v
1
) +(a
2
v
2
) +... +(a
n
v
n
) e tambem uma combinacao linear de
v
1
e v
2
, ou seja, u
1
W.
Observe que o conjunto W ,= , pois, 0 = 0v
1
+... + 0v
n
. Logo 0 W.
O subespaco W = v V/v = a
1
v
1
+ a
2
v
2
+ ... + a
n
v
n
; a
1
...a
n
R diz-se
gerado pelos vetores v
1
, v
2
, . . . , v
n
ou gerado pelo conjunto A.
Os vetores sao chamados geradores do subespaco W. Todo conjunto A V
gera um subespa co vetorial de V , podendo ocorrer G(A) = V . Nesse caso,
A e um conjunto gerador de V .
49
Exemplo 2.5.1. Os vetores

i = (1, 0),

j = (0, 1) geram o espaco vetorial
de R
2
pois qualquer (x, y) R
2
e uma combinacao linear dos vetores i e j.
Entao [i, j] = R
2
.
Exemplo 2.5.2. R
3
= [(1, 0, 0), (0, 1, 0), (0, 0, 1)]. Qualquer vetor do espa co
pode ser escrito como uma combina cao linear desses tres vetores.
Observacao: Considere o seguinte caso: v
1
, v
2
, . . . , v
n
de um espaco ve-
torial V , se w V e tal que w = a
1
v
1
+a
2
v
2
+... +a
n
v
n
. Entao,
[v
1
, . . . , v
n
, w] = [v
1
, . . . , v
n
]
Pois todo o vetor v que e uma combina cao linear de v
1
, . . . , v
n
, w e tambem
uma combina cao linear de v
1
, . . . , v
n
.
2.5.1 Agora tente resolver!
1. Determinar os subespa cos gerados do R
3
gerados pelos seguintes con-
juntos:
a. A = (6, 4, 1)
b. A = (1, 0, 1), (0, 1, 1), (1, 1, 0)
c. A = (4, 1, 3)
2. Determinar o subespaco gerado G(A) para A = (2, 2), (4, 4). O
que representa geometricamente esse subespaco?
3. Considere o seguinte conjunto A = (1, 3, 1), (1, 2, 4). Deter-
mine o subespaco G(A) e o valor de k para que o vetor u = (5, k, 11)
perten ca a G(A).
4. Mostre que os vetores (2, 1) e (1, 1) geram o R
2
.
2.6 Dependencia e Independencia Linear
Seja V um espaco vetorial e v
1
, v
2
, . . . , v
n
V . Dizemos que o conjunto
v
1
, v
2
, . . . , v
n
e Linearmente Independente (LI), ou que os vetores v
1
, v
2
, . . . , v
n
sao LI, se a equacao
a
1
v
1
+a
2
v
2
+ +a
n
v
n
= 0.
Sabemos que essa equacao admite pelo menos uma solu cao: a
1
= 0, a
2
=
0, . . . , a
n
= 0, chamada solu cao trivial. O conjunto de vetores acima diz-se
LI ou os vetores v
1
, v
2
, . . . , v
n
sao LI caso a equacao acima admita apenas a
solucao trivial a
1
= a
2
= . . . = a
n
= 0.
50
No caso em que exista algum a
i
,= 0 dizemos que v
1
, v
2
, . . . , v
n
e Linear-
mente Dependente (LD) ou que os vetores v
1
, v
2
, . . . , v
n
sao LD.
Os termos LI e LD pretendem indicar se os vetores de um dado conjunto
estao inter-relacionados de alguma forma.
Teorema 2.6.1. O conjunto v
1
, v
2
, . . . , v
n
e LD se, e somente se, um
destes vetores for uma combina cao linear dos outros.
Observacoes:
1. Qualquer conjunto de vetores que contenha um subconjunto LD e LD.
2. Qualquer conjunto de vetores contendo o vetor nulo e LD.
3. Todo subconjunto de um conjunto LI e LI.
4. Um conjunto de dois vetores e LD se, e somente se, um deles e um
m ultiplo escalar do outro.
5. Um conjunto de exatamente um vetor e Linearmente Independente se,
e somente se, esse vetor nao e o vetor nulo.
Exemplo 2.6.1. Os vetores i = (1, 0) e j = (0, 1) sao linearmente indepen-
dentes.
Exemplo 2.6.2. De forma analoga os vetores i = (1, 0, 0), j = (0, 1, 0) e k =
(0, 0, 1) tambem sao linearmente independentes. Nao e possvel expressar o
vetor j como combinacao linear de i e k. De forma analoga para as demais
combinacoes.
Exemplo 2.6.3. As fun coes f
1
(x) = x, f
2
(x) = sen(x) sao linearmente
independentes no espaco de funcoes F(, ), pois um nao e m ultiplo
escalar do outro.
Exemplo 2.6.4. As fun coes f
1
(x) = sen(2x), f
2
(x) = sen(x)cos(x) sao
linearmente dependentes, pois pela identidade trigonometrica sen(2x) =
2sen(x)cos(x) vericamos a dependencia linear das fun coes.
Exemplo 2.6.5. O conjunto
__
1 0
0 0
_
,
_
0 1
0 0
_
,
_
0 0
1 0
_
,
_
0 0
0 1
__
e linear-
mente independente.
Exemplo 2.6.6. Verique se o seguinte conjunto e Linearmente Indepen-
dente: (1, 2), (1, 3) em R
2
.
Solu cao: Sao LI pois,
V = a
1
(1, 2) +a
2
(1, 3) = (0, 0)
51
= (a
1
, 2a
1
) + (a
2
, 3a
2
) = 0
= (a
1
a
2
, 2a
1
3a
2
) = 0
_
_
_
a
1
a
2
= 0
2a
1
3a
2
= 0
a
1
= a
2
a
1
= 0, a
2
= 0
2.6.1 Agora tente resolver!
1. Classicar os seguintes conjuntos em LI ou LD:
a. (2, 1, 0), (1, 3, 0), (3, 5, 0) R
3
b. (1, 2, 1), (2, 4, 2), (1, 3, 0) R
3
c. 2 +x x
2
, 4 x + 4x
2
, x + 2x
2
P
2
d. 1 +x, x +x
2
, 1 +x
2
P
2
e. (2, 1, 0, 0), (1, 0, 2, 1), (1, 2, 0, 1) R
4
f. (1, 1), (1, 1), (0, 1) R
2
g. (1, 2), (1, 3) R
2
h. 1 t, 1 +t, t
2
P
2
i. 1, (t 1), (t 1)
2
P
2
2. Sendo V o espaco vetorial das matrizes 2 3, vericar se A, B, C e
LI ou LD:
A =
_
1 2 1
3 2 4
_
, B =
_
0 1 2
2 1 0
_
, C =
_
1 0 5
1 0 3
_
3. Determinar o valor de k para que seja LI o conjunto: (1, 0, 2), (1, 1, 1), (k, 2, 0).
2.7 Base e Dimensao
Queremos determinar um conjunto de vetores geradores de V tal que todos
os elementos sejam realmente necessarios para gerar V . Se pudermos en-
contrar tais vetores, teremos os alicerces de nosso espa co, com estes vetores
fazendo o mesmo papel de

i ,

j ,

k na geometria espacial.
Denicao: Um conjunto v
1
, v
2
, . . . , v
n
de vetores de V sera uma base de
V se:
a) v
1
, v
2
, . . . , v
n
e Linearmente Independente (garante que nao ha inter-
relacao entre os vetores da base);
52
b) [v
1
, v
2
, . . . , v
n
] = V, B gera V (garante que ha vetores da base em
n umero suciente para fornecer coordenadas para todos os vetores em
V ).
Se v
1
, v
2
, . . . , v
n
e uma base para V , entao qualquer vetor de V e escrito
de maneira unica como uma combina cao linear dos vetores v
1
, v
2
, . . . , v
n
.
Base padrao do R
n
(Base Canonica):

E uma base que tem como coecientes
da combinacao linear os valores dos componentes do vetor:
R
2
Base canonica e
1
= (1, 0), e
2
= (0, 1)
R
3
Base canonica e
1
= (1, 0, 0), e
2
= (0, 1, 0), e
3
= (0, 0, 1)
.
.
.
R
n
Base canonica e
1
= (1, 0, ..., 0), e
2
= (0, 1, ..., 0), e
3
= (0, 0, ..., 1)
Base canonica das matrizes de ordem 2:
_
1 0
0 0
_
,
_
0 1
0 0
_
,
_
0 0
1 0
_
,
_
0 0
0 1
_
.
Exemplo 2.7.1. Verique se B = (2, 3), (4, 6) e uma base do V = R
2
.
Solucao: a) B e Linearmente Independente?
a
1
(2, 3) +a
2
(4, 6) = (0, 0)
_
2a
1
+ 4a
2
= 0 2a
1
= 4a
2
a
1
= 2a
2
3a
1
+ 6a
2
= 0
3(2a
2
) + 6a
2
= 0
6a
2
+ 6a
2
= 0
Portanto, B e linearmente dependente e nao e base de V = R
2
.
Teorema: Seja V espaco vetorial sobre R e v
1
, v
2
, . . . , v
n
uma base para
V . Entao qualquer conjunto no espaco V com mais de n vetores e necessa-
riamente LD.
Exemplo 2.7.2. 1. Tres ou mais vetores no plano R
2
sao sempre L.D.
2. Quatro ou mais vetores no espa co R
3
sao sempre LD.
3. Cinco ou mais matrizes de ordem 2 2 ( em M
2
(R)) sao sempre LD.
53
Observacao: O teorema anterior e equivalente a Um espaco vetorial ge-
rado por n vetores tem no m aximo n vetores LI. e tem como consequencia
que Qualquer base de um espaco vetorial V tem sempre o mesmo n umero de vetores.
Exemplo 2.7.3. Verique se o conjunto B = (1, 2, 3), (0, 1, 2), (0, 0, 1) de
R
3
forma uma base.
Solucao: Vericar se o conjunto e Linearmente Independente:
_
_
_
a = 0
2a +b = 0
3a + 2b +c = 0
Resolvendo o sistema encontramos que a = b = c = 0, portanto e LI. Sera
que o conjunto gera R
3
?
_
_
_
a = x
2a +b = y
3a + 2b +c = z
Assim, (x, y, z) = x(1, 2, 3) + (y 2x)(0, 1, 2) + (x 2y + z)(0, 0, 1), entao
[(1, 2, 3), (0, 1, 2), (0, 0, 1)] = R
3
.
Dimensao: A dimensao do espaco vetorial V e o n umero de vetores da base
de V . Assim, sendo V um espaco vetorial com uma base constituda por n
vetores, diz-se que V tem dimensao n, dimV = n.
O espaco vetorial 0 constitudo somente pelo vetor nulo, e de dimensao
zero.
Exemplo 2.7.4. 1. dim (R
2
) = 2;
2. dim (R
3
) = 3;
2.1 Dimensao de qualquer subespa co S do R
3
:
(a) dimS = 0, S = O e a propria origem do R
3
;
(b) dimS = 1, S e uma reta que passa na origem;
(c) dimS = 2, S e um plano que passa pela origem;
(d) dimS = 3, e o proprio R
3
.
3. Generalizando: dim (R
n
) = n;
4. Se W e subespa co vetorial de V e dim(V ) = n entao dim(W) n.
Pois se dimW = n, teramos que V = W.
54
5. Dimensao de uma matriz de ordem mn: dim(M
mn
) = mn;
6. dimP
n
= n + 1.
Observacoes:
Se temos um conjunto de n vetores que geram um espa co de dimensao n,
podemos garantir que este conjunto e LI e, portanto, forma uma base para
o espaco.
Se temos um conjunto de n vetores LI de um espa co de dimensao n, po-
demos garantir que o conjunto gera o espaco e, portanto, forma uma base
para o mesmo.
A dimensao de um subespa co vetorial pode ser determinada pelo n umero
de variaveis livres do seu vetor generico.
Exemplo 2.7.5. Determinar a dimensao do subespa co: S = (x, y, z)
R
3
/2x +y +z = 0.
Solucao: Isolando z (ou x ou y ) na equacao de denicao tem-se: z = 2xy,
onde x e y sao variaveis livres. Para qualquer vetor (x, y, z) S tem-se:
(x, y, z) = (x, y, 2x y)
ou
(x, y, z) = (x, 0, 2x) + (0, y, y)
(x, y, z) = x(1, 0, 2) +y(0, 1, 1)
Como esses dois vetores geradores de S sao LI o conjunto (1, 0, 2), (0, 1, 1)
e uma base de S e a dimensao: dimS = 2 n umero de variaveis livres.
Observacao: Uma base ordenada e uma base na qual xamos a ordem dos
seus vetores, isto e, quem e o primeiro vetor, quem e o segundo vetor, etc.
Espaco linha de uma matriz: Considere a matriz A
mn
A =
_

_
a
11
a
12
. . . a
1n
a
21
a
22
. . . a
2n
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
. . . a
mn
_

_
.
O espa co G(v
1
, . . . , v
m
) gerado pelos vetores linha de A e chamado espaco
linha de A.
55
Teorema 2.7.1. As linhas n ao nulas de uma matriz B, na forma escalonada
e equivalente a uma matriz A, formam uma base para o espaco linha de A.
Denicao 2.7.1. O posto de uma matriz A e o n umero maximo de li-
nhas linearmente independentes da mesma. Mais precisamente, posto A=
dimensao do espa co linha de A.
Componentes de um vetor: Dado o vetor v V como uma combina cao
linear da seguinte forma:
v =
1
v
1
+
2
v
2
+... +
n
v
n
Sendo B = v
1
, v
2
, . . . , v
n
uma base de V . Os n umeros
1
,
2
, ...,
n
sao
denominados componentes ou coordenadas de vem rela cao `a base B e repre-
sentamos por
v
B
= (
1
,
2
, ...,
n
) ou v
B
=
_

1
.
.
.

n
_

_
2.7.1 Agora tente resolver!
1. Vericar se v
1
= (1, 2, 1), v
2
= (2, 9, 0), v
3
= (3, 3, 4) formam uma base
do R
3
.
2. Vericar se os conjuntos abaixo formam uma base para os respectivos
conjuntos e apresente uma:
(a) B = (1, 1, 1), (1, 1, 0), (1, 0, 0) do R
3
.
(b) B = (1, 0, 0), (2, 2, 0), (3, 3, 3) do R
3
.
(c) B = (1, 0), (0, 1), (7, 4) do R
2
.
(d) B = (2, 1), (3, 0) do R
2
.
3. Determinar uma base do espa co solu cao do sistema:
_
_
_
x y z t = 0
2x +y +t = 0
z t = 0
4. O conjunto A = 3, 2x, x
2
e uma base de P
2
? Caso armativo,
determine o vetor coordenadas de

v = 64x+3x
2
em rela cao `a base
A.
56
2.8 Lista de exerccios 3
1. Considere o seguinte conjunto denido por: R
6
= (x
1
, x
2
, x
3
, x
4
, x
5
, x
6
); x
i

R. Responda: Qual o vetor nulo do conjunto e o que representa
(x
1
, x
2
, x
3
, x
4
, x
5
, x
6
)?
2. Dado o seguinte conjunto de matrizes de ordem 2 (M
2
), com a operacao
de adicao usual e a multiplicacao por escalar denida por: m
_
a b
c d
_
=
_
ma mb
c d
_
. Verique as propriedades da multiplica cao e responda: o
conjunto e um espaco vetorial? (Resposta: Nao e Espa co Vetorial.)
3. Mostrar se os conjuntos com as operacoes de adi cao e multiplica cao
por escalar denidos sao ou nao espacos vetoriais. Para aqueles que
nao sao citar os axiomas que nao se vericam:
(a) R
3
, (x, y, z) + (x

, y

, z

) = (x + x

, y + y

, z + z

) e k(x, y, z) =
(0, 0, 0).
(b) (x, 3x, 5x); x R com as opera coes usuais.
(c) R
2
, (a, b) + (c, d) = (a, b) e (x, y) = (
2
x,
2
y).
(d) R
2
, (x, y) + (x

, y

) = (x +x

, y +y

) e (x, y) = (
2
x,
2
y).
Resposta: b) e um espaco vetorial.
4. Mostre que o seguinte conjunto V = f : R R, onde f e g V e
R, denido por: (f, g) (f + g)(x) = f(x) + g(x) e um espa co
vetorial.
5. O conjunto abaixo nao e um espa co vetorial, liste as propriedades que
nao sao satisfeitas:
(a, b, c) = (1, b, c).
6. Vericar quais dos subconjuntos de R
2
sao subespa cos vetoriais de
R
2
relativamente `as opera coes de adicao e multiplicacao por escalar
usuais:
(a) S = (x, y)[y = x (

E subespaco.)
(b) S = (x, x
2
)[x R
(c) S = (x, y)[x + 3y = 0 (

E subespaco.)
(d) S = (y, y)[y R(

E subespaco.)
7. Vericar se os conjuntos dados sao subespa cos vetoriais:
(a) V = R
5
, W = (0, x
2
, x
3
, x
4
, x
5
)[x
i
R.
57
(b) S = (x, y, z) R
3
; z = x
2

Resposta: a) e subespa co vetorial; b) nao e subespaco.


8. O subconjunto S
1
do R
2
, com as opera coes usuais, e o conjunto dos
vetores do tipo
_
a
b
_
, em que a 0. Mostre que S
1
nao e um subespaco
vetorial.
9. Mostre que o subconjunto S = (x, y) R
2
; y = 0 e um subespa co
vetorial.
10. Mostre que o seguinte subconjunto de R
4
e um subespaco vetorial:
W = (x, y, z, t) R
4
[x +y = 0; z t = 0.
11. Verique se o conjunto W e um subespaco vetorial W = (a, 2a, 3a);
R, V = R
3
.
12. Quais dos subconjuntos de R
2
sao subespacos? (Resposta: a.)
(a)
(b)
13. Escreva w como combinacao linear de v
1
, v
2
, v
3
: v
1
= (1, 1), v
2
=
(1, 1), v
3
= (3, 0), w = (1, 4). (Resposta: a = 4 b, c =
5
3
+
2
3
b)
14. A matriz A =
_
4 0
0 8
_
e uma combina cao linear de
_
1 0
0 2
_
e
_
0 1
0 0
_
?
15. Escreva a matriz A como combina cao linear de: A
1
=
_
1 1
0 3
_
, A
2
=
_
1 1
0 2
_
, A
3
=
_
2 2
1 1
_
sabendo que A =
_
3 1
1 5
_
. (Resposta: A =
2A
1
A
2
+A
3
)
58
16. Considere o seguinte conjunto de R
3
, B = (1, 2, 1), (1, 0, 2), (1, 1, 0).
Mostre que os seguintes vetores sao combina coes lineares dos vetores
do conjunto B:
(a) (3, 3, 0)
(b) (2, 1, 5)
17. Determine o valor de k para que o vetor u = (1, 2, k) R
3
seja
uma combinacao linear dos vetores (3, 0, 2) e (2, 1, 5). (Resposta:
k = 12)
18. Classicar os seguintes subconjuntos do R
2
em LI ou LD:
(a) (2, 1), (3, 5)
(b) (1, 3), (2, 6)
Respostas: a)LI, b)LD
19. Classicar o seguinte subconjunto do R
3
em LI ou LD:
(a) (2, 1, 3), (0, 0, 0), (1, 5, 2)
Resposta: LD
20. Quais dos conjuntos de vetores abaixo formam uma base para R
2
?
(a) (1, 3), (1, 1)
(b) (1, 3), (2, 6)
(c) (1, 2), (2, 3), (3, 2)
(d) (3, 1), (2, 3)
(e) (0, 1), (0, 2)
Resposta: a), b), d).
21. Mostrar que os vetores v
1
= (1, 1, 1), v
2
= (0, 1, 1), v
3
= (0, 0, 1) geram
o R
3
. Resposta: (x, y, z) = xv
1
+ (y x)v
2
+ (z y)v
3
.
22. Verique se o conjunto (1, 1, 1), (0, 1, 1), (0, 0, 1) gera o R
3
.
23. Mostre que:
__
1 0
0 0
_
,
_
0 1
0 0
_
,
_
0 0
1 0
_
,
_
0 0
0 1
__
e uma base de M(2, 2).
24. Determine geradores para os seguintes subespa cos:
(a) W = (x, y, z) R
3
; x y z = 0
(b) W = (x, y, z) R
3
; x y z = 0 ex + 2y = 0
59
(c) w = (x, y, z, t) R
4
; x = 0, y +z = 0
(d) w = (x, y, z, t) R
4
; x +y +z +t = 0
Resposta: a)W = [(1, 1, 0), (1, 0, 1)] ; b)W = [(2, 13)]; c)[(0, 1, 1, 0), (0, 0, 0, 1)]
25. Encontre o vetor coordenadas

v
A
de A =
_
2 1
4 3
_
relativo a base
canonica das matrizes de ordem 2. (Resposta:

v
A
= (2, 1, 4, 3))
26. Encontre o vetor coordenadas [p(x)]
B
de p(x) = 1+2xx
2
, relativo `a
base C = 1 +x, x +x
2
, 1 +x
2
de P
2
. (Resposta: [p(x)]
B
= (2, 0, 1))
27. Considere p(x) = 2x
2
3x + 1. O conjunto = p(x), p(x)

, p(x)

e
uma base de P
2
?
28. Determinar uma dimensao e uma base para cada um dos seguintes
espacos vetoriais:
(a) (x, y, z) R
3
; y = 5x.
(b) (x, y, z) R
3
; 3x 2y +z = 0.
(c) (x, y, z) R
3
; x = 2y, z = y.
29. Encontrar uma base e a dimensao do espaco solucao do sistema:
_
x +y 2z +t = 0
2x + 2y 4z + 2t = 0
30. Verique se sao verdadeiras ou falsas as armacoes:
( ) Dois vetores sao LD se, e somente se, um deles e m ultiplo do outro.
( ) Um conjunto que contem um subconjunto de vetores LD e LD.
( ) Um subconjunto de um conjunto LI pode ser LD.
31. Dados os seguintes subespacos do R
4
:
(a) S
1
= (a, b, c, d)[a +b +c = 0
(b) S
2
= (a, b, c, d)[a 2b = 0, c = 3d
Determinar a dimensao de S
1
e S
2
e uma base de S
1
e S
2
.
Resposta: a) dimS
1
= 3 b) dimS
2
= 2.
60
Captulo 3
Produto Interno
3.1 Produto Interno
Na Geometria Analtica, denimos o produto escalar entre vetores e foram
estabelecidos alguns conceitos geometricos como comprimento, distancia e
ortogonalidade no R
2
e R
3
.
A ideia agora, e generalizar o conceito de produto interno e os conceitos
citados acima para R
n
em espacos vetoriais.
Denicao: Um produto interno no espaco vetorial V e um fun cao de V V
em R que a todo par de vetores (u, v) V V associa um n umero real
(u v), tal que satisfazem os seguintes axiomas:
i. u u 0 e u u = 0 se, e somente se u = 0 Positividade
ii. u v = v u Simetria
iii. u (v +w) = u v +u w Distributividade
iv. (u) v = (u.v), para todo R Homogeneidade
Propriedades: Considere u, v R
n
e um escalar:
a. 0 u = u 0, para todo u V
b. (u +v) w = u w +v w
c. u (v) = (u v)
d. u (v
1
+ +v
n
) = u v
1
+ +u v
n
Entao, dados dois vetores u = (x
1
, . . . , x
n
) e v = (y
1
, . . . , y
n
) R
n
, o
produto interno e denido como
u v = x
1
y
1
+. . . +x
n
y
n
=
n

i=1
x
i
y
i
61
Espaco Vetorial Euclidiano: Um espa co vetorial real, de dimensao nita,
no qual esta denido um produto interno, e um espa co vetorial euclidiano.
Modulo, Comprimento ou Norma: e o n umero real nao negativo, [u[ , de-
nido por [u[ =

u u. Se o vetor u R
3
, entao [u[ =
_
x
2
1
+y
2
1
+z
2
1
.
Se, o vetor u = (x
1
, . . . , x
n
) R
n
, denimos o comprimento ou norma como
[u[ =
_
x
2
1
+. . . +x
2
n
Propriedades:
a. [v[ 0, para todo v V e [v[ = 0 se, e somente se v = 0
b. [v[ = [[[v[, para todo v V e todo R
c. [u v[ [u[[v[, para todo u, v V
Prova: Se u = 0, os dois lados sao iguais e sao nulos. Vamos considerar
u ,= 0, v ,= 0 e R, pela propriedade [i]:
(u +v) (u +v) 0,
Efetuando o produto interno: u u +u(v) + (v u) +
2
(v v) 0
[u[
2
+
2
[v[
2
+ 2(u v) 0 ou [v[
2

2
+ 2(u v) +[u[
2
0.
Temos um trinomio do segundo grau em , com [v[
2
,= 0. Como o
coeciente de
2
e sempre positivo, o discriminante deve satisfazer:
(2u v)
2
4[u[
2
[v[
2
0
4(u v)
2
4[u[
2
[v[
2
0
(u v)
2
[u[
2
[v[
2
[u v[ [u[[v[
Essa e a desigualdade de Cauchy-Schwarz.
d. [u +v[ [u[ +[v[
Prova: [u +v[
2
= [u[
2
+ 2(u v) +[v[
2
, pelo item anterior,
[u +v[
2
[u[
2
+ 2[u[ [v[ +[v[
2
[u +v[
2
([u[ +[v[)
2
Extraindo a raiz quadrada, obtemos [u+v[ [u[ +[v[, conhecida como
desigualdade triangular.
Distancia: Se u e v R
n
, a distancia entre u e v e denida como
d(u, v) = [u v[ =
_
(x
1
y
1
)
2
+. . . + (x
n
y
n
)
2
.
62

Angulo entre dois vetores: Recordando, se temos dois vetores, o angulo en-
tre eles e dado por cos =
uv
|u||v|
, 0 .
Observacao: Se escrevermos os vetores como matrizes o produto interno
de dois vetores
_

_
x
1
.
.
.
x
n
_

_
y
1
.
.
.
y
n
_

_
pode ser escrito como o produto interno de matrizes u v = u
t
v.
Exemplo 3.1.1. Dados u = (3, 4, 5, 6) e v = (1, 3, 2, 4) R
4
. Calcule o
produto interno e a norma de u.
Solucao:
u v = 3 (1) + 4 (3) + 5 (2) + 6 (4) = 3 + 12 10 + 24 = 23.
E a norma, [u[ =

9 + 16 + 25 + 36 =

86.
Exemplo 3.1.2. No espa co vetorial V = R
2
, a funcao que associa a cada
par de vetores u e v, o n umero real u v = 3x
1
x
2
+ 2y
1
y
2
, e um produto
interno?
Solu cao: Pelas propriedades da denicao do produto interno:
i. u u 0 (Positividade)
u u = 3x
2
1
+ 2y
2
1
> 0
u u = 3x
2
1
+ 2y
2
1
= 0
se, e somente se u = 0
ii. u v = v u (Simetria)
u v = 3x
1
x
2
+ 2y
1
y
2
u v = 3x
2
x
1
+ 2y
2
y
1
= v u
iii. Se w = (x
3
, y
3
), entao u (v +w) = u v +u w (Distributividade)
u (v +w) = (x
1
, x
2
) (x
2
+x
3
, y
2
+y
3
)
u (v +w) = 3x
1
(x
2
+x
3
) + 2y
1
(y
2
+y
3
)
u (v +w) = (3x
1
x
2
+ 2y
1
y
2
) + (3x
1
x
3
+ 2y
1
y
3
) = u v +u w
63
iv. (u) v = (u v), para todo R (Homogeneidade)
(u) v = 3(x
1
)x
2
+ 2(y
1
)y
2
(u) v = (3x
1
x
2
+ 2y
1
y
2
) = (u v)
Observacao: Este produto interno e diferente daquele que realizamos em
Geometria Analtica, portanto, vericamos que existe mais de um produto
interno em um mesmo espa co.
Exemplo 3.1.3. Calcular o produto interno dos vetores u = (2, 6) e v =
(1, 2) do produto interno do exemplo anterior.
Solucao: u v = 3x
1
x
2
+ 2y
1
y
2
= 3(2)(1) + 2(6)(2) = 18.
3.1.1 Agora tente resolver!
1. Considere V = R
2
e dados u = (x
1
, y
1
), v = (x
2
, y
2
), verique se
u v = x
1
x
2
+ y
1
y
2
e um produto interno. E, calcular o produto
interno dos vetores u = (2, 3), v = (2, 3).
2. Sejam u = (x
1
, y
1
), v = (x
2
, y
2
) R
2
. Verique quais das funcoes
f : V V R, denidas abaixo sao produtos internos:
(a) f(u, v) = 3x
1
x
2
x
1
y
2
x
2
y
1
+ 3y
1
y
2
(b) f(u, v) = 8x
1
x
2
3. Sejam u = (x
1
, y
1
, z
1
), v = (x
2
, y
2
, z
2
) R
3
. Verique se funcao e um
produto interno sobre R
3
: u v = 3x
1
x
2
+ 5y
1
y
2
+ 2z
1
z
2
.
Observacao:
1. Seja V = P
2
, polinomios em P
2
: Considere u = a
0
+ a
1
x + a
2
x
2
e
v = b
0
+b
1
x+b
2
x
2
, entao a formula que dene o produto interno sera:
u v = a
0
b
0
+a
1
b
1
+a
2
b
2
.
2. O produto interno em M
nn
: Sejam u e v matrizes de ordem 2,
u =
_
a
1
b
1
c
1
d
1
_
e v =
_
a
2
b
2
c
2
d
2
_
, temos que o produto interno e sim-
plesmente o produto escalar das entradas correspondentes das duas
matrizes u v = a
1
a
1
+b
1
b
2
+c
1
c
2
+d
1
d
2
.
3. Se V for o espa co das funcoes contnuas C[a, b]: Sejam f e g V duas
fun coes contnuas em C[a, b] e denimos f g =
_
b
a
f(x) g(x)dx como
o produto interno das fun coes contnuas. A verica cao dos axiomas
ca a cargo do leitor.
64
Exemplo 3.1.4. Considere o conjunto das funcoes contnuas V = f :
[0, 1] R. Se f(x) = x e g(x) = 3x 2. Calcule f f, f g.
Solucao:
f f =
_
1
0
f(x) f(x)dx =
_
1
0
x xdx =
_
1
0
x
2
dx =
x
3
3
[
1
0
=
1
3
f g =
_
b
a
f(x) g(x)dx =
_
1
0
x (3x2)dx =
_
1
0
(3x
2
2x)dx = x
3
x
2
[
1
0
= 0
3.1.2 Agora tente resolver!
1. Repetir o exerccio anterior para as funcoes f(t) = t
2
2t e g(t) = t+3.
Vetores Ortogonais: Dizemos que dois vetores u, v V , sao ortogonais se
u v = 0.
Conjunto ortogonal de vetores: Seja V um espaco vetorial. Um conjunto de
vetores v
1
, v
2
, . . . , v
n
V e ortogonal se dois vetores quaisquer, distintos,
sao ortogonais, isto e, v
i
v
j
= 0 para i ,= j.
Proposicao 3.1.1. Se v
1
, . . . , v
n
sao vetores nao nulos de R
n
, ortogonais,
isto e, v
i
v
j
= 0, para i ,= j, entao o conjunto v
1
, . . . , v
n
e Linearmente
Independente.
Justicativa: Considere a
1
v
1
+ a
2
v
2
+ ... + a
n
v
n
= 0 e facamos o produto
interno
(a
1
v
1
+a
2
v
2
+... +a
n
v
n
) v
i
= 0 v
i
ou
a
1
(v
1
v
i
) +a
2
(v
2
v
i
) +... +a
n
(v
n
v
i
) = 0
O conjunto de vetores e ortogonal se v
j
v
i
= 0, para j ,= i e v
i
v
i
,= 0 pois
v
i
,= 0. Entao, a
i
(v
i
v
i
) = 0 se a
i
= 0.
Reforcando: Se cada par de vetores distintos no conjunto e ortogonal, entao
o conjunto e ortogonal.
Proposicao 3.1.2. Seja v um vetor nao nulo de V . Se u V , entao
=
u v
[v[
2
, e o unico n umero real tal que u

= u v e ortogonal a v.
Exemplo 3.1.5. Verique se os vetores a seguir formam um conjunto or-
togonal u
1
=
_
_
3
1
1
_
_
, u
2
=
_
_
1
2
1
_
_
, u
3
=
_
_
1
2
2
7
2
_
_
.
65
Solucao:
u
1
u
2
= 0, u
1
u
2
= 0, u
2
u
3
= 0
Portanto, u
1
, u
2
, u
3
forma um conjunto ortogonal.
Base Ortogonal: Uma base v
1
, v
2
, . . . , v
n
de V e ortogonal se seus vetores
sao dois a dois ortogonais.
Teorema 3.1.1. Seja v
1
, v
2
, . . . , v
n
uma base ortogonal para um subespa co
W de R
n
. Entao, o vetor u pode se escrito como combina cao linear de
v
1
, v
2
, . . . , v
n
. De fato, se u =
1
v
1
+
2
v
2
+ . . . +
n
v
n
, entao
i
=
u v
i
v
i
v
i
,
onde i = 1, . . . , n.
Exemplo 3.1.6. Escreva y =
_
_
6
1
8
_
_
como combina cao linear dos vetores
do exemplo anterior.
Solucao:
y =
y u
1
u
1
u
1
u
1
+
y u
1
u
2
u
2
u
2
+
y u
1
u
3
u
3
u
3
y =
11
11
u
1
+
12
6
u
2
+
33
33
2
u
3
= u
1
2u
2
2u
3
Exemplo 3.1.7. Determinar os vetores (a, b, c) para que o conjunto B =
(1, 3, 2), (2, 2, 2), (a, b, c) seja uma base ortogonal do R
3
em rela cao ao
produto interno usual.
Solucao:
v
1
v
3
= 0 a 3b + 2c = 0
v
2
v
3
= 0 2a + 2b + 2c = 0
Resolvendo o sistema temos que a = 5b e c = 4b. Portanto, v
3
=
(5b, b, 4b) = b(5, 1, 4) para b ,= 0.
Base Ortonormal: Uma base v
1
, v
2
, . . . , v
n
de um espa co vetorial euclidi-
ano V e ortonormal se B e ortogonal e todos os seus vetores sao unitarios,
v
i
.v
j
=
_
0 para i ,= j
1 para i = j
66
3.1.3 Agora tente resolver!
1. Construir a partir do conjunto B do exemplo anterior, uma base orto-
normal. (Observacao: Dado um vetor nao nulo, o vetor
v
|v|
e unitario.
Neste caso dizemos que o vetor esta normalizado e o processo que
transforma o vetor v em
v
|v|
chama-se normaliza cao).
2. Seja V = R
3
munido do produto interno usual e o conjunto A =
(1, 1, 2) V . Encontre uma base ortogonal B de V tal que
A B.
3.1.4 Processo de ortogonalizacao de Gram-Schmidt:

E um algoritmo para produzir uma base ortogonal ou ortonormal.


Dado um espaco vetorial euclidiano V e uma base B = v
1
, v
2
, . . . , v
n
desse
espaco, e possvel a partir dessa base, determinar uma base ortogonal de V .
Supondo que v
1
, v
2
, . . . , v
n
n ao sao ortogonais, seguimos os seguintes passos:
w
1
= v
1
precisamos determinar a partir de v
2
um novo vetor v
2
ortogonal a w
1
. Para
isso, w
2
= v
2
w
1
em que e escolhido de modo que w
2
seja ortogonal a
w
1
, isto e, =
v
2
.w
1
w
1
.w
1
, entao, w
2
= v
2

_
v
2
.w
1
w
1
.w
1
_
w
1
. Assim, os vetores w
1
e
w
2
sao ortogonais.
O processo segue de maneira analoga, para o vetor: w
3
= v
3
a
2
w
2
a
1
w
1
,
determina-se os valores de a
1
e a
2
de maneira que o vetor w
3
seja ortogonal
aos vetores w
1
e w
2
. Assim,
w
3
= v
3

_
v
3
.w
2
w
2
.w
2
_
w
2

_
v
3
.w
1
w
1
.w
1
_
w
1
Entao, os vetores w
1
, w
2
e w
3
sao ortogonais.
Pode-se concluir o teorema por inducao, para um conjunto com n vetores:
w
n
= v
n
(a
n1
)w
n1
a
2
w
2
a
1
w
1
Dessa forma, a partir de um conjunto B = v
1
, v
2
obtemos uma base
ortogonal w
1
, w
2
. Para obter uma base ortonormal, basta normalizar cada
w
i
, onde u
i
=
w
i
|w
i
|
, obtendo assim uma base B

= u
1
, u
2
que e ortonormal
em relacao a base B.
Exemplo 3.1.8. Considere o conjunto B = (3, 4), (1, 2) R
2
, ortonorma-
lizar essa base pelo processo de Gram-Schmidt, segundo o produto interno
usual de cada espaco.
67
Solucao:
Passo 1:
w
1
= v
1
= (3, 4)
u
1
=
w
1
[w
1
[
=
(3, 4)
[(3, 4)[
= (
3
5
,
4
5
)
Passo 2:
w
2
= v
2
(v
2
u
1
) u
1
v
2
u
1
= (1, 2) (
3
5
,
4
5
) =
11
5
w
2
= (1, 2)
11
5
(
3
5
,
4
5
) = (
8
25
,
6
25
)
u
2
=
w
2
[w
2
[
= (
8
10
,
6
10
)
Portanto B

= (
3
5
,
4
5
), (
8
10
,
6
10
).
Resumo: Dado um conjunto v
1
, v
2
, . . . , v
n
V , nao ortogonal, entao:
w
1
= v
1
w
2
= v
2
(v
2
u
1
) u
1
w
3
= v
3
(v
3
u
2
) u
2
(v
3
u
1
) u
1

.
.
.
w
n
= v
n
(v
n
u
n1
) u
n1
. . . (v
n
u
2
) u
2
(v
n
u
1
) u
1
3.2 Lista de exerccios 3
1. Considere o seguinte conjunto B = (1, 0, 0), (0, 1, 1), (0, 1, 2). Or-
tonormalizar essa base pelo processo de Gram-Schmidt, segundo o
produto interno usual R
3
.
2. Verique se a base B = (2, 1, 1), (0, 1, 1), (1, 1, 1) do R
3
e ortogo-
nal e construa uma base ortonormal a partir de B.
3. Determine quais dos conjuntos de vetores sao base ortogonais:
(a)
_
_
3
1
2
_
_
,
_
_
2
4
1
_
_
,
_
_
1
1
2
_
_

(b)
_
_
3
1
1
_
_
,
_
_
1
2
1
_
_
,
_
_
2
2
4
_
_

68
(c)
_

_
2
3
1
4
_

_
,
_

_
2
1
1
0
_

_
,
_

_
4
6
2
7
_

4. Verique se os vetores formam uma base ortogonal para R


2
ou R
3
e
escreva w como combina cao linear dos vetores dessa base:
(a) v
1
= (4, 2), v
2
= (1, 2), w = (1, 3).
(b) v
1
= (1, 0, 1), v
2
= (1, 2, 1), v
3
= (1, 1, 1), w = (1, 1, 1).
5. Verique se cada um dos conjuntos abaixo sao ortonormais:
(a)
_
3
5
4
5
_
,
_
4
5
3
5
_

(b)
_
1
2
1
2
_
,
_
1
2
1
2
_

6. Aplique o processo de Gram-Schmidt para construir uma base orto-


normal para o conjunto B = v
1
= (1, 1, 1, 1), v
2
= (2, 1, 0, 1), v
3
=
(2, 2, 1, 2).
7. No espa co vetorial V = R
2
, a fun cao que associa a cada par de vetores
u e v, o n umero real u v = 6x
1
x
2
, e um produto interno?
8. Seja V = P
2
, polinomios em P
2
: Considere os vetores p
1
= 2x
2
3x+6
e p
2
= 4x 8, calcule p
1
p
2
.
69
Referencias Bibliogracas
[1] STEINBRUCH, A. e WINTERLE, P.

Algebra Linear. 2.ed. Sao Paulo:
Pearson Makron Books,1987.
[2] LAY, D.

Algebra Linear e suas aplicac oes, traducao: R. Camelier, V.
Iorio. 2.ed. Rio de Janeiro: LTC,2007.
[3] BOLDRINI, J. L. et al.

Algebra Linear. Campinas: Harbra, 1986.
[4] POOLE, D.

Algebra Linear. Sao Paulo: Cengage Learning, 2004.
[5] LIMA, E. L. Geometria Analtica e

Algebra Linear. Rio de Janeiro:
IMPA, 2006. Colecao Matematica Universitaria
[6] ANTON, H. e RORRES, C.

Algebra Linear com Aplicac oes. 10 ed.
Porto Alegre: Bookman, 2012.
[7] CALLIOLI, C. A. et al.

Algebra Linear e Aplicacoes. 6 ed. rev. Sao
Paulo: Atual, 1990.
[8] KOLMAN, B.

Algebra Linear. 3 ed. Rio de Janeiro: Guanabara, 1987.
70

Das könnte Ihnen auch gefallen