Notas de Algebra Linear

Universidade Federal do Rio Grande do Norte
Escola de Ciencias e Tecnologia

Notas de Aula - Algebra Linear

H. Anton, C. Rorres. Algebra oes. 8a ed.
Linear com Aplicac
Porto Alegre: Bookman, 2001
Fabiana T. Santana
Natal, julho de 2014

Sum
ario
1 Sistemas de Equac
oes Lineares e Matrizes 1
1.1 Aula 1 - Introducao aos Sistemas de Equacoes Lineares . . . . . . . . . 1
1.2 Aula 2 - Eliminacao Gaussiana . . . . . . . . . . . . . . . . . . . . . . 6
1.3 Aula 3 - Matrizes e Operacoes Matriciais . . . . . . . . . . . . . . . . . 11
1.4 Aula 4 - Inversas e Propriedades . . . . . . . . . . . . . . . . . . . . . . 19
1.5 Aula 5 - Matrizes Elementares e um Metodo para Encontrar A1 . . . 25
2 Determinantes 31
2.1 Aula 6 - Determinantes por expansao em cofatores . . . . . . . . . . . . 31
2.2 Aula 7 - Propriedades dos Determinantes . . . . . . . . . . . . . . . . . 38
3 Espacos Vetoriais 43
3.1 Aula 8: Espacos Vetoriais Euclidianos . . . . . . . . . . . . . . . . . . . 43
3.2 Aula 9 - Espacos Vetoriais e Subespacos Vetoriais . . . . . . . . . . . . 50
3.3 Aula 10 - Subespaco Gerado e Independencia Linear . . . . . . . . . . . 58
3.4 Aula 11 - Base e Dimensao . . . . . . . . . . . . . . . . . . . . . . . . . 65
3.5 Aula 12 - Espaco Linha, Espaco Coluna e Espaco Nulo . . . . . . . . . 71
3.6 Aula 13 - Posto e Nulidade . . . . . . . . . . . . . . . . . . . . . . . . . 82
4 Espacos com Produto Interno 89

4.1 Aula 14 - Produtos Internos . . . . . . . . . . . . . . . . . . . . . . . . 89
4.2
Aula 15 - Angulo e Ortogonalidade . . . . . . . . . . . . . . . . . . . . 94
4.3 Aula 16 - Bases Ortonormais e Processo de Gram-Schmidt . . . . . . . 97
4.4 Aula 17 - Matrizes Ortogonais e Mudanca de Base . . . . . . . . . . . . 104
4.5 Aula 18 - Mnimos Quadrados . . . . . . . . . . . . . . . . . . . . . . . 112
i
5 Autovalores e Autovetores 121
5.1 Aula 19 - Autovalores e Autovetores . . . . . . . . . . . . . . . . . . . . 121
5.2 Aula 20 - Diagonalizacao . . . . . . . . . . . . . . . . . . . . . . . . . . 127
5.3 Aula 21 - Diagonalizacao Ortogonal . . . . . . . . . . . . . . . . . . . . 134
6 Transformac
oes Lineares 138
6.1 Aula 22 - Transformacoes Lineares . . . . . . . . . . . . . . . . . . . . 138
6.2 Aula 23 - N
ucleo e Imagem . . . . . . . . . . . . . . . . . . . . . . . . 146
6.3 Aula 24 - Transformacoes Lineares Inversas . . . . . . . . . . . . . . . . 149
6.4 Aula 25 - Matrizes de Transformacoes Lineares . . . . . . . . . . . . . . 155
6.5 Aula 26 - Semelhanca . . . . . . . . . . . . . . . . . . . . . . . . . . . . 160
Refer
encias Bibliogr
aficas 170
ii
Captulo 1
Sistemas de Equa
coes Lineares e
Matrizes
1.1 Aula 1 - Introdu

c
ao aos Sistemas de Equa
coes
Lineares
Muitas vezes na Ciencia, na Administracao e na Matematica, a informacao e or-
ganizada em linhas e colunas, formando agrupamentos retangulares denominados
matrizes.
Essas matrizes aparecem como tabelas de dados numericos que surgem em ob-
servacoes fsicas, mas tambem ocorrem em varios contextos matematicos.
Veremos que toda a informacao necessaria pararesolver um

sistema de equacoes
5x + y = 3 5 1 3
como esta encorpada na matriz e que a solucao do
2x y = 4 2 1 4
sistema e obtida aplicando operacoes apropriadas nessa matriz.
Definic ao 1.1. Define-se equaca

o linear nas variaveis x1 , x2 , . . . , xn como uma equa-
cao que pode ser expressa na forma
a1 x 1 + a2 x 2 + . . . + an x n = b (1.1)
onde a1 , a2 , . . . , an e b sao constantes e a1 , a2 , . . . , an nao sao todos nulos.
Exemplo 1.1. (a) A reta no sistema bidimensional ax+by = c e uma equacao linear.
1
1.1 Aula 1 - Introducao aos Sistemas de Equacoes Lineares 2
(b) O plano no sistema tridimensional ax + by + cz = d e uma equacao linear.
Definic
ao 1.2. No caso especial em que b = 0, a Equacao 6.7 tem a forma
a1 x 1 + a2 x 2 + . . . + an x n = 0 (1.2)
e e denominada equa
cao linear homog
enea.
Observac
ao 1.1. (a) Uma equacao linear nao envolve produtos ou raizes de variaveis.
(b) Em uma equacao linear todas as variaveis ocorrem na primeira potencia e n ao

aparecem como argumentos de funcoes trigonometricas, logartmicas ou exponen-
ciais.
Exemplo 1.2. As seguintes equacoes sao lineares:
(a) x + 3y = 7
1
(b) 2
x y + 3z = 1
(c) x1 2x2 3x3 + x4 = 0
Exemplo 1.3. As seguintes equacoes nao sao lineares:
(a) x + 3y 2 = 7
(b) senx + y = 0

(c) x1 + 2x2 + x3 = 1
Definic
ao 1.3. Um sistema linear de m equacoes nas n incognitas x1 , x2 , . . . , xn
pode ser escrito como:

a11 x1 + a12 x2 + . . . + a1n xn = b1

a21 x1 + a22 x2 + . . . + a2n xn = b2

.. .

.

a x + a x + ... + a x = b
m1 1 m2 2 mn n m
Definicao 1.4. Uma solucao de um sistema nas n incognitas x1 , x2 , . . . , xn e uma

sequencia de n n
umeros s1 , s2 , . . . , sn para os quais a substituicao
x1 = s1 , x2 = s2 , . . . . . . , xn = sn
faz com que cada equacao seja verdadeira.

(
5x + y = 3
Exemplo 1.4. x = 1 e y = 2 e solucao do sistema .
2x y = 4
Definicao 1.5. Uma solucao x1 = s1 , x2 = s2 , . . . , xn = sn de um sistema linear em n

incognitas pode ser escrita como
(s1 , s2 , . . . , sn )
que e denominada uma

enupla ordenada.
Observac ao 1.2. Se n = 2, entao a enupla e denomina par ordenado e, se n = 3,

a enupla e denominada terno ordenado.
Definic
ao 1.6. Um sistema linear e consistente se possuir pelo menos uma soluc
ao
e inconsistente se nao tiver solucao.
Os sistemas lineares em duas incognitas aparecem relacionados com intersecao de

retas. Por exemplo, considere o sistema

a x+b y =c
1 1 1
a x+b y =c
2 2 2
em que os graficos sao retas no plano xy. Cada solucao (x, y) desse sistema corres-
ponde a um ponto de intersecao das retas. Desse modo, ha tres possibilidades:
(a) Se as retas sao paralelas, entao o sistema nao tem solucao e e inconsistente;
(b) Se as retas se intersectam em um u

nico ponto, entao o sistema tem uma u
nica
solucao;
(c) Se as retas sao coincidentes, entao o sistema possui infinitas solucoes.
Todo sistema de equacoes lineares tem zero, uma ou infinitas solucoes.

(
xy =1
Exemplo 1.5 (Sistema linear com uma solucao).
2x + y = 6
Soluca
o:
(
x+y =4
Exemplo 1.6 (Sistema linear sem solucao).
3x + 3y = 6
Soluca
o:
(
4x 2y = 1
Exemplo 1.7 (Sistema linear com infinitas solucoes).
16x 8y = 4
Soluca
o:

x y + 2z = 5

Exemplo 1.8 (Sistema linear com infinitas solucoes). 2x 2y + 4z = 10

3x 3y + 6z = 15

Soluca
o:
Matrizes aumentadas e operacoes elementares com linhas

Para facilitar a resolucao de sistemas lineares, associamos ao sistema

a11 x1 + a12 x2 + . . . + a1n xn = b1

a x + a x + ... + a x = b
21 1 22 2 2n n 2
.
.. .
.. .
..

a x + a x + ... + a x = b
m1 1 m2 2 mn n m

a11 a12 . . . a1n b1

a21 a22 . . . a2n b2
a matriz
.. .. .. .. , denominada matriz aumentada do sistema.

. . ... . .

am1 am2 . . . amn bm
As operacoes usadas na resolucao de um sistema linear sao:
1. Multiplicar uma equacao inteira por uma constante nao nula.
2. Trocar duas equacoes entre si.
3. Somar uma constante vezes uma equacao a uma outra equacao.
Essas operacoes correspondem a`s seguintes operacoes (operacoes elementares com li-
nhas) na matriz aumentada associada ao sistema:
1. Multiplicar uma linha inteira por uma constante nao nula.
2. Trocar duas linhas entre si.
3. Somar uma constante vezes uma linha a uma outra linha.
Exemplo 1.9 (Usando operacoes elementares com linhas). Resolva o sistema abaixo
operando
nas equacoes do sistema e nas linhas da matriz aumentada associada a ele:
x + y + 2z = 9
2x + 4y 3z = 1
3x + 6y 5z = 0
Soluca
o:
1.2 Aula 2 - Eliminacao Gaussiana 6
Exerccios: Lista 1.1
1.2 Aula 2 - Elimina

c
ao Gaussiana
Uma matriz esta em forma escalonada por linhas se tiver as seguintes proprie-
dades:
1. Se uma linha nao consistir inteiramente em zeros, entao o primeiro n

umero nao
nulo da linha e 1. Nesse caso, o n
umero 1 e denominado piv
o.
2. Se existirem linhas constitudas inteiramente de zeros, entao elas estao agrupadas

juntas nas linhas inferiores da matriz.
3. Em quaisquer duas linhas sucessivas que nao consistem so em zeros, o pivo da

linha inferior ocorre mais a` direita do que o pivo da linha superior.
Uma matriz esta em forma escalonada reduzida por linhas se, alem das pro-
priedades 1, 2 e 3 listadas anteriormente, tiver a seguinte propriedade:
4. Cada coluna que contem um pivo tem zeros nas demais entradas.
Exemplo 1.10. Exemplo de matrizes na forma escalonada reduzida por linhas.

1 0 0 4 1 0 0

(a) 0 1 0 7 (b) 0 1 0

0 0 1 1 0 0 1

0 1 2 0 1

0 0 0 1 3 0 0
(c)

(d)

0 0 0 0 0 0 0

0 0 0 0 0
Exemplo 1.11. Exemplo de matrizes na forma escalonada por linhas.

1 4 3 7 1 1 0

(a) 0 1 6 (b)

2 0 1 0

0 0 1 5 0 0 0

0 1 2 6 0

(c) 0 0 1 1 0

0 0 0 0 1
Exemplo 1.12.
Suponha que a matriz aumentada de um sistema linear nas incognitas x1 , x2 , x3 e

x4 tenha sido reduzida por operacoes elementares a` seguinte matriz:

1 0 0 0 3

1 0 0 1

0

0 0 1 0 0

0 0 0 1 5

x1 =3

= 1

x
2
A matriz acima corresponte ao seguinte sistema linear:

x3 =0

x
4 =5
Exemplo 1.13.
Encontre a solucao dos sistemas lineares que foram reduzidas por operacoes elemen-
tares às seguintes matrizes:

1 0 0 0 1 0 3 1

(a) 0 (b) 0 1 4 2

1 2 0

0 0 0 1 0 0 0 0

1 5 1 4

(c) 0

0 0 0

0 0 0 0
Operacoes Elementares
(a) Multiplicar uma linha por um escalar nao nulo.
(b) Permutar duas linhas.

(c) Somar a uma linha um m

ultiplo de outra linha.
Eliminacao de Gauss-Jordan: Procedimento usado para reduzir uma matriz, por

operacoes elementares, à forma escalonada reduzida por linhas.
Eliminacao Gaussiana: Procedimento usado para reduzir uma matriz, por operacoes
elementares, a` forma escalonada por linhas.
Exemplo 1.14. Use a eliminacao gaussiana para reduzir a matriz abaixo à forma es-
calonada por linhas:

0 0 2 0 7 12
2 4 10 6 12 28

2 4 5 6 5 1
Passo 5. Desconsiderar a linha 1 e recomecar aplicando o passo 1 ao restante da

matriz.

1 2 5 3 6 14

0 0 2 0 7

12

0 0 5 0 17 29
A terceira coluna abaixo da linha 1 contem elementos nao nulos e o primeiro deles e
diferente de zero.
Passo 5.1 Encontrar o pivo.

1 2 5 3 6 14 1 2 5 3 6 14

0 0 2 0 7 12 0 0 1 0 7/2 6

0 0 5 0 17 29 0 0 5 0 17 29
| {z }
L2 12 L2
1
Menos 2 foi multiplicado a linha 2. Notacao: L2 12 L2
Passo 5.2 Obter zeros nas entradas abaixo do pivo.


1 2 5 3 6 14 1 2 5 3 6 14

0 0 1 0 7/2 6 0 0 1 0 7/2 6

0 0 5 0 17 29 0 0 0 0 1/2 1
| {z }
L3 L3 5L2
Menos 5 vezes a linha 2 foi somado a linha 3. Notacao: L3 L3 5L2
Passo 5.3 Desconsiderar a primeira e segunda linha e procurar uma coluna com
elementos nao nulos no restante da matriz.

1 2 5 3 6 14

0 0 1 0 7/2 6

0 0 0 0 1/2 1
A quinta coluna abaixo da primeira e segunda linhas tem um elemento nao nulo.
Passo 5.4 Encontrar o pivo.

1 2 5 3 6 14 1 2 5 3 6 14

0 0 1 0 7/2 6 0 0 1 0 7/2 6

0 0 0 0 1/2 1 0 0 0 0 1 2
| {z }
L3 2L3
A terceira linha foi multiplicada por 2. Notacao: L3 2L3
A matriz resultante esta na forma escalonada por linhas.
Exemplo 1.15. Encontre a forma escalonada reduzida por linhas da matriz do exemplo
anterior.
Dando continuacao nos passos trabalhos no exemplo anterior temos:

Passo 6. A partir da forma escalonada por linhas, cada coluna que contem pivo deve
ter zeros nas demais entradas.

1 2 5 3 6 14

0 0 1 0 7/2 6

0 0 0 0 1 2
Passo 6.1 Cada coluna que contem pivo deve ter zero nas demais entradas.

1 2 0 3 0 7

0 0 1 0 0 1

0 0 0 0 1 2
L1 L1 + 5L2
23
L1 L1 2 L3
L2 L2 + 72 L3
Exemplo 1.16. Use a eliminacao gaussiana para encontrar a solucao do sistema

x1 + 3x2 2x3 + 2x5 = 0

2x1 + 6x2 5x3 2x4 + 4x5 3x6 = 1
abaixo:

5x3 + 10x4 + 15x6 = 5

2x1 + 6x2 + 8x4 + 4x5 + 18x6 = 6
Exemplo 1.17. Use a eliminacao gaussiana para encontrar a solucao do sistema

x1 + 3x2 2x3 + 2x5 = 0

2x1 + 6x2 5x3 2x4 + 4x5 3x6 = 0
abaixo:

5x3 + 10x4 + 15x6 = 0

2x1 + 6x2 + 8x4 + 4x5 + 18x6 = 0
1.3 Aula 3 - Matrizes e Operacoes Matriciais 11
Teorema 1.1 (Teorema das variaveis livres de sistemas homogeneos). Se um sistema

linear homogeneo tiver n incognitas e se a forma escalonada reduzida de sua matriz
aumentada tiver r linhas nao nulas, entao o sistema tem n r variaveis livres.
Teorema 1.2. Um sistema linear homogeneo com mais incognitas que equacoes tem
uma infinidade de solucoes.
Exemplo 1.18. Suponha que as matrizes abaixo, que estao na forma escalonada por
linha, sao matrizes aumentadas de sistemas lineares nas variaveis x1 , x2 , x3 e x4 . Dis-
cuta a existencia e unicidade de solucoes dos sistemas correspondentes.

1 3 7 2 5 1 3 7 2 5
0 1 2 4 1 0 1 2 4 1
(a) (b)

0 0 1 6 9 0 0 1 6 9
0 0 0 0 1 0 0 0 0 0

1 3 7 2 5
0 1 2 4 1
(c)

0 0 1 6 9
0 0 0 1 0
1.3 Aula 3 - Matrizes e Opera

coes Matriciais
Definic
ao 1.7. Uma matriz e um agrupamento retangular de n
umeros. Dizemos que
os n
umeros nesse agrupamento sao as entradas da matriz.
Observac
ao 1.3. Dizemos que uma matriz com m linhas e n colunas tem tama-
nho m n.
Uma matriz com somente uma linha e denominada matriz linha ou vetor
linha.
Uma matriz com somente uma coluna e denominada matriz coluna ou vetor
coluna.

1 2
Exemplo 1.19. (a) 3 0 Matriz de tamanho 3 2.

1 4
h i
(b) 2 1 0 3 Matriz linha ou vetor linha de tamanho 1 4.
" #
1
(c) Matriz coluna ou vetor coluna de tamanho 2 1.
3
A entrada que ocorre na linha i e coluna j e denotada por aij .

a11 a12 a13 a14

Matriz de tamanho 3 4: A = a21 a22 a23 a24

a31 a32 a33 a34

a11 a12 . . . a1n

a21 a22 . . . an2
Matriz de tamanho m n: A = .

.. ..

.. . .

am1 am2 . . . amn

a11 a12 . . . a1n

a21 a22 . . . an2
A matriz A = .

.. .. pode ser denotada por:

.. . .

am1 am2 . . . amn
[aij ]mn : quando precisar especificar o tamanho da matriz;
[aij ]: quando nao e necessario especificar o tamanho da matriz.
Observac ao 1.4. A entrada na linha i e coluna j da matriz A pode ser denotada por
(A)ij . No caso acima, temos (A)ij = aij .
Notacao especial para vetores linha 1 n:

h i
a= a1 a2 . . . an
Notacao especial para vetores coluna m 1:

b
1

b2
b=
..

.

bm
Uma matriz A com n linhas e n colunas e uma matriz quadrada de ordem n e as

entradas a11 , a22 , . . . , ann costituem a diagonal principal de A.

a a . . . a1n
11 12

a21 a22 . . . an2
A=
.. .. ..

. . .

an1 an2 . . . ann
Definic
ao 1.8. Duas matrizes sao iguais se tiverem o mesmo tamanho e se suas en-
tradas correspondentes forem iguais.
Para expressar que duas matrizes A = [aij ] e B = [bij ] de mesmo tamanho sao
iguais utilizamos a notacao
(A)ij = (B)ij
ou entao
aij = bij
Operacoes com matrizes
(a) Se A = [aij ] e B = [bij ] tem o mesmo tamanho, entao
(A + B)ij = (A)ij + (B)ij = aij + bij .
(b) Se A = [aij ] e B = [bij ] tem o mesmo tamanho, entao
(A B)ij = (A)ij (B)ij = aij bij .

(c) Se A = [aij ] e c R, entao
(cA)ij = c(A)ij = caij .
# "" #
2 3 4 0 2 7
Exemplo 1.20. Sejam A = ,B= e c = 2. Determine:
1 3 1 1 3 5
(a) A + B
(b) A B
(c) cA
Soluca
o:
Operacoes com matrizes:
(d) Multiplicacao (1o metodo): Se A e uma matriz m r e B e uma matriz r n,

entao o produto AB e a matriz m n cujas entradas sao determinadas por:
(AB)ij = ai1 b1j + ai2 b2j + ai3 b3j + . . . + air brj .

"
# 4 1 4 3
1 2 4
Exemplo 1.21. Sejam A = e B = 0 1 3 1. Determine:

2 6 0
2 7 5 2
(a) AB.
possvel obter BA? Justifique.

(b) E
Soluca
o:
Matrizes em blocos
Observac ao 1.5. A segunda representacao expressa A em termos de seus vetores linha

e a terceira em termos de seus vetores coluna. Usaremos a notacao r i no lugar de ri ,
i = 1, 2, 3.
Operacoes com Matrizes
(e) Multiplicacao (2o metodo): AB calculado utilizando vetores coluna:

AB = A[ b 1 b 2 . . . b n] = [A b 1 A b 2 . . . A b n ]
(f) Multiplicacao (3o metodo): AB calculado utilizando vetores linha:

a a B
1 1

a2 a2 B

.. B = ..
AB =
. .

an an B

"# 4 1 4 3
1 2 4

2 6 0
2 7 5 2
(a) AB utilizando vetores coluna.
(b) AB utilizando vetores linha.
Soluca
o:
Observac
ao 1.6. O j-esimo vetor coluna de AB e dado por
A[j-esimo vetor coluna de B].
O i-esimo vetor linha de AB e dado por
[i-esimo vetor linha de A]B.

"# 4 1 4 3
1 2 4

2 6 0
2 7 5 2
(a) O segundo vetor coluna de AB.
(b) O primeiro vetor linha de AB.

Soluca
o:
Multiplicacao de uma matriz por um vetor coluna

a11 a12 . . . a1n x1 a11 x1 + a12 x2 + . . . + a1n xn

a21 a22 . . . a2n x2 a21 x1 + a22 x2 + . . . + a2n xn
Para A = . .. e x= .. , temos que: A x=
=
.. ..

.. . ... . . .

am1 am2 amn xn am1 x1 + am2 x2 + . . . + amn xn

a11 a12 a1n

a21 a22 a2n
x1 . + x2 . + xn .

.
.. .. ..

am1 am2 amn
Forma matricial de um sistema linear

a11 x1 + a12 x2 + . . . + a1n xn = b1

a x + a x + ... + a x = b
21 1 22 2 2n n n
O sistema linear .

..

a x + a x + ... + a x = b
m1 1 m2 2 mn n m
e equivalente a` equacao matricial

a11 x1 + a12 x2 + . . . + a1n xn b1

a21 x1 + a22 x2 + . . . + a2n xn b2
=
.. ..

. .

am1 x1 + am2 x2 + . . . + amn xn bm
A equacao matricial anterior pode ser escrita como:

a a12 . . . a1n x b
11 1 1

a21 a22 . . . a2n x2 b2
.. .. .. .. = ..

. . ... . . .

am1 am2 . . . amn xn bm

Denotaremos esta equacao por A x= b , onde a matriz A e formada pelos coeficientes

do sistema linear, x e o vetor formado pelas variaveis e b o vetor formado pelos termos
independentes.

x1 + 3x2 2x3 + 2x5 = 0

2x + 6x 5x 2x + 4x 3x = 1
1 2 3 4 5 6
Exemplo 1.24. O sistema linear pode

5x3 + 10x4 + 15x6 = 5

2x1 + 6x2 + 8x4 + 4x5 + 18x6 = 6
ser representado pela seginte equacao matricial:

x1

1 3 2 0 2 0 x2 0
2 6 5 2 4 3
x3 1

=

0 0 5 10 0 15 x4 5

2 6 0 8 4 18 x5 6
x6
ao 1.9. Seja A uma matriz m n. A transposta de A, denotada por AT e

Definic
a matriz n m cujas linhas sao as colunas de A, isto e, (AT )ij = (A)ji.

2 3 " #
2 1 5
Exemplo 1.25. (a) A = 1 4 AT =

3 4 6
5 6

h i 1
T
(b) B = 1 3 5 B = 3

5
Definicao 1.10. Se A e uma matriz quadrada, entao o tra co de A, denotado por
tr(A), e definido pela soma das entradas na diagonal principal de A.

a11 a12 a13
Exemplo 1.26. (a) A = a21 a22 a23 tr(A) = a11 + a22 + a33 .

a31 a32 a33

1.4 Aula 4 - Inversas e Propriedades 19

1 2 7 6
3 5 8 4
(b) B = tr(B) = 1 + 5 + 7 + 0 = 11.

1 2 7 3
4 2 1 0
1.4 Aula 4 - Inversas e Propriedades

Propriedade 1.1. Para A, B e C matrizes tais que as operacoes abaixo estejam defi-
nidas e a, b escalares reais, sao validas as seguintes propriedades:
(a) A + B = B + A [Lei da comutatividade da adica

o]
(b) A + (B + C) = (A + B) + C [Lei da associatividade da adica

o]
(c) A(BC) = (AB)C [Lei da associatividade da multiplicac

ao]
(d) A(B + C) = AB + AC [Lei da distributividade `

a esquerda]
(e) (A + B)C = AC + BC [Lei da distributividade `

a direita]
(f ) A(B C) = AB AC
(g) (B C)A = BA CA
(h) a(B + C) = aB + aC
(i) a(B C) = aB aC
(j) (a + b)C = aC + bC
(k) (a b)C = aC bC
(l) a(bC) = (ab)C
(m) a(BC) = (aB)C = B(aC)
Exemplo 1.27. Demonstre a propriedade (d)A(B + C) = AB + AC.

Demonstrac
ao:
Observacao 1.7. Dadas as matrizes A e B a igualdade AB = BA nao e valida sempre.

Para os casos em que tivermos AB = BA dizemos que A e B comutam.
" # " #
1 0 1 2
Exemplo 1.28. (Exerccio) Dadas as matrizes A = eB= verifique que
2 3 3 0
AB 6= BA.
Matriz
nula
ou matriz zero: Todas as entradas sao nulas. Exemplo: O =
0 0 0

0 0 0
Matriz diagonal: Matriz quadrada

cujasentradas diferentes da diagonal prin-
1 0 0

cipal sao nulas. Exemplo: A = 0 3 0

0 0 2
Matriz identidade: Matriz quadrada com entradas

1 na diagonal principal e
1 0
zero nas demais entradas. Exemplo: I2 =
0 1
Propriedade 1.2. Seja c um escalar real, O uma matriz nula e A uma matriz tal que
as multiplicacoes estejam definidas. Sao validas as seguintes propriedades:
(a) A + O = O + A = A
(b) A O = A
(c) A A = A + (A) = O
(d) OA = O
(e) Se cA = 0, entao c = 0 ou A = O
" #
0 1
Observac
ao 1.8. AB = AC n
ao implica em B = C. Exemplo: A = , B =
0 2
" # " #
1 1 2 5
eC=
3 4 3 4
Se A uma matriz de ordem m n, In matriz identidade de ordem n e Im matriz

identidade de ordem m, ent
ao AIn = A e Im A = A.
" # " #
0 1 3 7
Para A 6= O e B 6= O podemos ter AB = O. Exemplo: A = eB= .
0 2 0 0
Teorema 1.3. Se R e a forma escalonada reduzida por linhas de uma matriz A de

tamanho n n, entao ou R tem uma linha de zeros ou R e a matriz identidade In .
Exerccio: Ler a demonstrac

ao na p
agina 42.
Definic
ao 1.11. Seja A e uma matriz quadrada. Se existir uma matriz B de mesmo
tamanho tal que AB = BA = I entao A e invertvel e B e a inversa de A, isto e
A1 = B. Se nao existir B com essas propriedades, dizemos que A e n ao invertvel
ou singular.
" # " #
2 5 3 5
Exemplo 1.29. Sejam A = eB= , verifique que AB = I e BA = I.
1 3 1 2
Soluca
o:
Teorema 1.4. Se B e C sao ambas inversas da matriz A, entao B = C.
Demonstrac
ao:
ao 1.9. Se A e invertvel, entao sua inversa sera denotada por A1 e vale

Observac
AA1 = I e A1 A = I
Teorema 1.5. A matriz " #

a b
A=
c d
e invertvel se, e so se, ad bc 6= 0. Nesse caso, a inversa e dada por
" #
1 d b
A1 =
ad bc c a
Demonstrac
ao:
Exemplo 1.30. Use o Teorema (5.6) para encontrar a solucao x, y em termos de u, v

do sistema abaixo: (
u = ax + by
v = cx + dy
Soluca
o:
Teorema 1.6. Se A e B sao matrizes invertveis de mesmo tamanho, entao AB e

invertvel e (AB)1 = B 1 A1 .
Demonstrac
ao:
Observac
ao 1.10. Se A, B, C e D sao matrizes invertveis, entao (ABCD)1 =
D1 C 1 B 1 A1 . Esta propriedade e valida para um n
umero qualquer de matrizes
invertveis.
A0 = I
An = AA . . . A (n fatores)
An = (A1 )n = A1 A1 . . . A1 (n fatores)
Ar As = Ar+s
(Ar )s = Ars
(A + B)2 = A2 + AB + BA + B 2
Teorema 1.7. Se A e uma matriz invertvel e n um inteiro nao negativo, entao:
(a) A1 e invertvel e (A1 )1 = A.
(b) An e invertvel e (An )1 = An = (A1 )n .
(c) Para k 6= 0, kA e invertvel e (kA)1 = k 1 A1 .
Exerccio: Demonstrac
ao dos itens (a) e (b).
Demonstrac
ao do item (c):
Polinomios Matriciais
Se A e uma matriz quadrada n n, e se
p(x) = a0 + a1 x + a2 x2 + . . . am xm
e um polinomio qualquer, entao definimos o polin

omio matricial em A (que sera
uma matriz p(A) de tamanho n n), por
p(A) = a0 I + a1 A + a2 A2 + . . . + am Am
em que I e a matriz identidade.

" #
1 2
Exemplo 1.31. Encontre p(A) com p(x) = x2 2x 3 e A = .
0 3
Soluca
o:
Teorema 1.8. Se os tamanhos das matrizes A e B sao tais que as operacoes abaixo
podem ser efetuadas, entao:
(a) (AT )T = A
(b) (A + B)T = AT + B T
(c) (A B)T = AT B T
(d) (kA)T = kAT
(e) (AB)T = B T AT
(f ) (AT )1 = (A1 )T
# " " #
a b a c
Exemplo 1.32. Sejam A = e AT = . Encontre (AT )1 .
c d b d
Soluca
o:
1.5 Aula 5 - Matrizes Elementares e um Metodo para Encontrar A1 25
1.5 Aula 5 - Matrizes Elementares e um M

etodo
para Encontrar A1
Definic ao 1.12. Uma matriz obtida da matriz identidade atraves de apenas uma ope-
racao elementar e denominada matriz elementar.

1 0 0
Exemplo 1.33. (a) 0 1 0 obtida da identidade atraves da operaca
o L3 L3 4L1

4 0 1

0 1 0
(b) 1 0 0 obtida da identidade atraves da operac
ao L1 L2

0 0 1
Observac
ao 1.11. Se uma operacao elementar de linhas for realizada numa matriz A
de tamanho m n, a matriz resultante pode ser escrita como EA, onde E e a matriz
m m obtida realizando a mesma operacao elementar na matriz identidade Im .

a b c 0 1 0
Exemplo 1.34. Dada a matriz A = d e f e E1 = 1 0 0 uma matriz ele-

g h i 0 0 1
mentar. Obtenha:
(a) A matriz resultante de A atraves da operacao elementar L1 L2 .
(b) A matriz resultante do produto E1 A.
Solucao:
Teorema 1.9. Toda matriz elementar E e invertvel. A inversa de E e a matriz

elementar do mesmo tipo que transforma E de volta em I.

1 0 0
Exemplo 1.35. Determine a inversa da matriz elementar E1 = 0 1 0.

4 0 1
Soluca
o:
Teorema 1.10. Uma matriz A de tamanho nn e invertvel se e somente se A e linha

equivalente a In , e, nesse caso, toda sequencia de operacoes elementares que transforma
A em In tambem transforma In em A1 .
Como cada passo do escalonamento de A equivale a multiplicacao por uma matriz

elementar pela esquerda, existem matrizes E1 , E2 , . . . , Ek , tais que
A E1 A E2 E1 A . . . Ek . . . E2 E1 A = In
Como as matrizes elementares sao invertveis, suponha que E11 , E21 , . . . , Ek1 sao
as matrizes elementares inversas de E1 , E2 , . . . , Ek , respectivamente.
ltima igualdade Ek . . . E2 E1 A = In , sucessivamente por Ek1 , . . . , E21
Multiplicando a u
e E11 , temos:
(E11 , E21 . . . Ek1 ).(Ek . . . E2 E1 A) = (E11 , E21 . . . Ek1 )In
A = E11 , E21 . . . Ek1
Logo, A e invertvel, pois e produto de matrizes invertveis.

Como A e invertvel, multiplicando a equacao Ek . . . E2 E1 A = In a direita por A1 ,
temos:
Ek . . . E2 E1 AA1 = In A1
Ek . . . E2 E1 In = A1
isto e, A1 e obtida multiplicando a identidade pela mesma sequencia de operacoes

elementares que reduz A a identidade.
Algoritmo da Inversao
Posicione as matrizes A e I lado a lado, formando uma matriz completa [A | I].

Escalone a matriz completa [A | I].
Se A for equivalente por linha a I, entao [A | I] e equivalente por linha a

[I | A1 ].
Caso contrario, A nao tem inversa.

1 2 3
Exemplo 1.36. Determine a inversa da matriz A = 2 5 3.

1 0 8
Soluca
o:

1 6 4
Exemplo 1.37. Verifique que a matriz A = 2 4 1 nao e invertvel.

1 2 5
Soluca
o:
1.6 Sistemas Lineares e Matrizes Invertveis

Teorema 1.11. Se A for uma matriz invertvel n 1, entao para cada matriz b de

tamanho n 1, o sistema de equacoes A x= b tem exatamente uma solucao dada por

x= A1 b .
Exemplo
1.38. Resolva o sistema abaixo usando a inversa da matriz dos coeficientes:
x1 + 2x2 + 3x3 = 5
2x1 + 5x2 + 3x3 = 3
x1 + 8x3 = 17
Soluca
o:
Exemplo
1.39. Resolva simultaneamente os sistemas abaixo usando a matriz aumen-
x1 + 2x2 + 3x3 = 4

tada: 2x1 + 5x2 + 3x3 = 5

x1 + 8x3 = 9

x1 + 2x2 + 3x3 = 1

2x1 + 5x2 + 3x3 = 6

x1 + 8x3 = 6

Soluca
o:
Teorema 1.12. Se A for uma matriz n n, ent

ao as seguintes afirmac
oes s
ao equivalentes:
(a) A e invertvel.

(b) A x = 0 tem somente a soluc
ao trivial.
(c) A forma escalonada reduzida por linhas de A e In .
(d) A pode ser expressa como um produto de matrizes elementares.

(e) A x = b e consistente com cada matriz b de tamanho n 1.

ao com cada matriz b de tamanho n 1.
(f ) A x = b tem exatamente uma soluc
Problema Fundamental: Seja A uma matriz m n fixada. Encontre todas as

matrizes b de tamanho m 1 tais que o sistema A x= b seja consistente.
Exemplo 1.40. Quais condicoes devem satisfazer b1 , b2 , b3 para que o sistema abaixo
seja
consistente?
x1 + x2 + 2x3 = b1
x 1 + x 3 = b2
2x1 + x2 + 3x3 = b3
Soluca
o:
Exemplo 1.41. Quais condicoes devem satisfazer b1 , b2 , b3 para que o sistema abaixo
seja
consistente?
x1 + 2x2 + 3x3 = b1
2x1 + 5x2 + 3x3 = b2
x1 + 8x3 = b3
Exerccio:
1.7 Matrizes diagonais, triangulares e simetricas
Definic
ao 1.13. Uma matriz quadrada em que todas as entradas fora da diagonal
principal sao zero e denominada matriz diagonal.

6 0 0 0
" # " # 1 0 0
0 0 2 0 0 4 0 0

Exemplo 1.42. , , 0 1 0,
0 0 0 5 0 0 0 0
0 0 1
0 0 0 8

d 0 ... 0
1

0 d2 . . . 0
Para a matriz diagonal .. .. . , temos:

. . . . . ..

0 0 . . . dn
k
1/d1 0 ... 0 d1 0 ... 0
0 1/d2 ... 0 0 dk2 ... 0

1
k
(a) D =
.. .. .. (b) D = ..
.. .
. . ... . . . . . . ..

0 0 . . . 1/dn 0 0 . . . dkn

a11 a12 a13 a14

0 a22 a23 a24
Matriz triangular superior 4 4:
0 0 a33 a34
0 0 0 a44

a11 0 0 0

a21 a22 0 0
Matriz triangular inferior 4 4: a

31 a32 a33 0

a41 a42 a43 a44
Uma matriz triangular e invertvel, se e somente se, as entradas da diagonal sao todas
nao nulas.
Definic etrica se A = AT . Em linguagem

ao 1.14. Uma matriz quadrada A e dita sim
matematica, (A)ij = (A)ji .
Exemplo 1.43. Exemplos de matrizes simetricas:

d1 0 0 0
" # 1 4 5
7 3 0
d2 0 0
, 4 3 0,

3 5 0 0 d3 0
5 0 7
0 0 0 d4
Alguns resultados sobre matrizes simetricas
Sejam A e B matrizes simetricas e k um escalar. Temos:
AT e simetrica.
A + B e A B sao simetricas.
kA e simetrica.
AB e simetrica se e somente se AB = BA.
Se A for invertvel A1 e simetrica.

Captulo 2
Determinantes
2.1 Aula 6 - Determinantes por expans

ao em cofa-
tores
ao 2.1. O determinante de uma matriz A = [a11 ] de tamanho 1 1e definido
Definic
por det(A) = a11 .
" #
a11 a12
Definic
ao 2.2. O determinante de uma matriz A = de tamanho 2 2e
a21 a22
definido por
a a
11 12
det(A) = = a11 a22 a12 a21 .
a21 a22
Para calcular determinantes de matrizes de ordem nn, com n 3, utilizaremos as

Definicoes 2.1 e 2.2 e o metodo de expansao em cofatores. Para isso, vamos introduzir
as seguintes definicoes.
Definic
ao 2.3. Seja A e uma matriz quadrada.
(a) O menor da entrada aij , denotado por Mij , e o determinante da submatriz que
sobra quando suprimimos a i-esima linha e a j-esima coluna de A.
umero (1)i+j Mij , denotado por Cij , e chamado co-fator de aij .

(b) O n

3 1 4
Exemplo 2.1. Encontre os co-fatores da primeira linha da matriz A = 2 5 6 .

1 4 8
31
2.1 Aula 6 - Determinantes por expansao em cofatores 32
Solu
c
ao:
Teorema 2.1. Se A for uma matriz n n, entao independentemente de qual linha

ou coluna escolhermos, sempre obteremos o mesmo n umero multiplicando as entradas
daquela linha ou coluna pelos cofatores correspondentes e somando os produtos obtidos.
Definicao 2.4. O determinante de uma matriz A de tamanho n n e definido

pela soma dos produtos das entradas de uma linha ou coluna qualquer de A por seus
respectivos cofatores (expansao em cofatores). Isto e,
(a) det(A) = a1j C1j + a2j C2j + . . . + anj Cnj (expans

ao em cofatores ao
longo da j-esima coluna)
(b) det(A) = ai1 Ci1 + ai2 Ci2 + . . . + ain Cin (expans

ao em cofatores ao longo
da i-esima linha)

3 1 4
Exemplo 2.2. Encontre o determinante da matriz A = 2 5 6 atraves da ex-

1 4 8
pansao em cofatores ao longo da primeira linha.
Solu
c
ao:

1 0 0 1
3 1 2 2
Exemplo 2.3. Encontre o determinante da matriz atraves da expan-

1 0 2 1
2 0 0 1
sao em cofatores.
Solu
c
ao:
Teorema 2.2. Se A e uma matriz triangular n n (triangular superior, inferior ou

diagonal), entao det(A) e o produto das entradas na diagonal principal da matriz, ou
seja, det(A) = a11 a22 . . . ann .
Exemplo 2.4. Verifique o resultado acima para uma matriz triangular inferior 4 4.
Solu
c
ao:
Metodo alternativo para matrizes 2 2 e 3 3:
Alguns resultados:
Teorema 2.3. Se A e uma matriz quadrada com uma linha ou coluna de zeros, ent
ao
det(A) = 0.
Teorema 2.4. Se A e uma matriz quadrada, entao det(A) = det(AT ).
Calculando determinantes por reducao por linhas
O calculo de determinantes por meio de reducao por linhas e eficiente para calcular
determinantes de matriz quadrada de qualquer tamanho.
Teorema 2.5. Seja A uma matriz n n.
(a) Se B e a matriz que resulta quando uma u nica linha ou uma u

nica coluna de A e
multiplicada por um escalar k, entao det(B) = kdet(A).
(b) Se B e a matriz que resulta quando duas linhas ou duas colunas de A sao permu-
tadas, entao det(A) = det(B).
(c) Se B e a matriz que resulta quando um m ultiplo de uma linha de A e somado a

uma outra linha ou quando um m ultiplo de uma coluna de A e somado a uma
outra coluna, entao det(B) = det(A).
(a) Operacao: A primeira linha de A e multiplicada por k.

ka11 ka12 ka13 a11 a12 a13

= k a21 a22 a23

a21 a22 a23

a31 a32 a33 a31 a32 a33
det(B) = kdet(A)
Demonstra
c
ao:
(b) Operacao: A primeira e a segunda linhas de A sao permutadas.

a21 a22 a23 a11 a12 a13

= a21 a22 a23

a11 a12 a13

a31 a32 a33 a31 a32 a33
det(B) = det(A)
(c) Operacao: Um m
ultiplo da segunda linha de A e somado à primeira linha.

a11 + ka21 a12 + ka22 a13 + ka23 a11 a12 a13

= a21 a22 a23

a21 a22 a23

a31 a32 a33 a31 a32 a33
det(B) = det(A)
Teorema 2.6. Seja E uma matriz elementar n n.
(a) Se E resulta da multiplicacao de uma linha de In por um n

umero nao nulo k, ent
ao
det(E) = k.
(b) Se E resulta da permutacao de duas linhas de In , entao det(E) = 1.
(c) Se E resulta da soma de um m

ultiplo de uma linha de In com uma outra linha,
entao det(E) = 1.
Teorema 2.7. Se A for uma matriz quadrada com duas linhas proporcionais ou duas
colunas proporcionais, entao det(A) = 0.
Justificativa: Atraves das operacoes elementares, se uma matriz tem duas linhas
proporcionais, entao e possvel obter uma linha de zeros.

1 3 2 4
2 6 4 8
Exemplo 2.5. Calcule .

3 9 1 5
1 1 4 8
Solu
c
ao:
Usando reduc
ao por linhas para calcular um determinante
1. Reduzir a matriz dada a` forma escalonada (triangular superior ou inferior).
2. Em cada passo do escalonamento, usar as propriedades do Teorema 5 para cal-

cular o determinante das matrizes equivalentes por linha.
Exemplo 2.6. Aplique a tecnica descrita acima para calcular o determinante da matriz

0 1 5
A = 3 6 9 .

2 6 1

0 1 5 3 6 9

det(A) = 3 6 9 = 0

|{z} 1 5

L1 L2
2 6 1 2 6 1

1 2 3

= 3 0

|{z} 1 5

L1 =3L1
2 6 1

1 2 3

= 3 0

|{z} 1 5

L3 L3 2L1
10 5

0

1 2 3

= 3 0

|{z} 1 5

L3 L3 10L2
0 55

0

1 2 3

= (3)(55) 0 1 5

|{z}
L3 =55L3
0 0 1
=
|{z} (3)(55)(1)(1)(1) = 165.
matriz triangular
Observac
ao 2.1. Operacoes elementares sobre colunas podem ser usadas para reduzir
uma matriz à forma triangular inferior ou superior.
Exemplo 2.7. Use operacoes com colunas para calcular o determinante da matriz

1 0 0 3
2 7 0 6
A=

0 6 3 0
7 3 1 5
Solu
c
ao:
2.2 Aula 7 - Propriedades dos Determinantes 38
Observac
ao 2.2. Operacoes elementares sobre linhas e colunas podem ser usadas si-
multaneamente com a expansao em cofatores.
Exemplo 2.8. Use operacoes elementares e, quando possvel, expansao em cofatores,

3 5 2 6
1 2 1 1
para calcular o determinante da matriz A = .

2 4 1 5
3 7 5 3
Solu
c
ao:
2.2 Aula 7 - Propriedades dos Determinantes

Propriedade 2.1. Se A e uma matriz nn e k um escalar, entao det(kA) = k n det(A)
Justificativa: Um fator comum de qualquer linha de uma matriz pode ser trazido
para fora do determinante e como cada uma das n linhas de kA tem o fator k em
comum, tem-se que det(kA) = k n det(A).
"#
2 4
Exemplo 2.9. Calcule o determinate da matriz .
6 2
Soluc
ao:
ao 2.3. Em geral, det(A + B) 6= det(A) + det(B).

Observac
" # " #
1 2 3 1
Exemplo 2.10. Sejam A = e B = . Verifique que det(A + B) 6=
2 5 1 3
det(A) + det(B).
Exerccios:
Teorema 2.8. Uma matriz quadrada A e invertvel se e somente se det(A) 6= 0.
Demonstrac
ao: A demonstracao do teorema e feita com os seguintes passos:
Suponha que uma matriz quadrada A tenha sido reduzida a` matriz B atraves de
operacoes elementares atraves se substituicoes e trocas de linhas.
Para reduzir A a` B, se foram feitas r trocas de linhas, entao det(A) = (1)r det(B).
As formas escalonadas tpicas de matrizes quadradas sao:

0 0
B= ou B =
0 0 0

0 0

0 0 0 0 0 0 0
| {z } | {z }
det(B)6=0 det(B)=0
Todos os pivos ainda estao visveis em B.
Se A for invertvel, entao todos os pivos de B estao situados na diagonal principal

e, nesse caso, det(B) e o produto dos pivos.
Se A nao for invertvel, entao B tem uma linha so de zeros e det(B) = 0.
Assim, temos a seguinte formula:

(1)r .(Produto dos pivos de B), quando A e invertvel
det(A) =
0, quando A nao e invertvel
que prova o teorema.

1 2 3
Exemplo 2.11. Verifique que a matriz A = 1 0 1 nao e invertvel calculando seu

2 4 6
determinante.
Soluc
ao:
Teorema 2.9. Se A e B sao matrizes quadradas de mesmo tamanho, entao det(AB) =

det(A)det(B).
" # " # " #
3 1 1 3 2 17
Exemplo 2.12. Sejam A = , B = e AB = . Verifique que
2 1 5 8 3 14
det(AB) = det(A)det(B).
Soluc
ao:
1
Teorema 2.10. Se A for invertvel, entao det(A1 ) = .
det(A)
Demonstrac
ao:
ao 2.5. Se A for uma matriz n n e Cij o cofator de aij , entao a matriz

Definic

C11 C12 . . . C1n
C21 C22 . . . C2n

. .. ..
.
. . .

Cn1 Cn2 . . . Cnn
e denominada matriz de cofatores de A. A transposta dessa matriz e denominada

adjunta de A e denotada por adj(A).

3 2 1
Exemplo 2.13. Determine a adjunta da matriz A = 1 6 3 .

2 4 0
Soluc
ao:
1
Teorema 2.11. Se A for uma matriz invertvel, entao A1 = adj(A).
det(A)

3 2 1
Exemplo 2.14. Use a matriz adjunta para encontrar a inversa da matriz A = 1 6 3 .

2 4 0
Soluc
ao:
Teorema 2.12. Se A for uma matriz n n, entao as seguintes afirmacoes sao equi-
valentes:
(a) A e invertvel.

(b) A x= 0 tem somente a solucao trivial.
(c) A forma escalonada reduzida por linhas de A e In .
(d) A pode ser expressa como um produto de matrizes elementares.

(e) A x= b e consistente com cada matriz b de tamanho n 1.

(f ) A x= b tem exatamente uma solucao com cada matriz b de tamanho n 1.
(g) det(A) 6= 0.
O proximo teorema apresenta uma formula, conhecida como regra de Cramer,

para a solucao de um sistema linear A x= b de n equacoes em n incognitas no caso em
que a matriz de coeficientes A for invertvel (ou, equivalentemente, se det(A) 6= 0).

Teorema 2.13 (Regra de Cramer). Se A x= b for um sistema de n equacoes lineares
em n incognitas tal que det(A) 6= 0, entao o sistema tem uma u nica solucao. Essa
solucao e:
det(A1 ) det(A2 ) det(An )
x1 = , x2 = , . . . , xn =
det(A) det(A) det(A)
em que Aj e a matriz obtida
substituindo as entradas da jesima coluna de A pelas
b1
b2

entradas da matriz b =
.. .

.
bn

x1 + 2x3 = 6

Exemplo 2.15. Use a regra de Cramer para resolver o seguinte sistema: 3x1 + 4x2 + 6x3 = 30

x1 2x2 + 3x3 = 8

Soluc
ao:

Captulo 3
Espa
cos Vetoriais
3.1 Aula 8: Espacos Vetoriais Euclidianos

Embora nossa visualizacao geometrica nao se estenda alem do espaco tridimensio-
nal e possvel estender as ideias trabalhadas nesse espaco para espacos maiores traba-
lhando com as propriedades algebricas dos pontos e vetores (Anton, p.130).
Vetores no espaco n-dimensional
Definic
ao 3.1. Se n e um inteiro positivo, dizemos que uma sequencia (a1 , a2 , . . . , an )
de n
umeros reais e uma n-upla ordenada. O conjunto de todas as n-uplas ordenadas
e chamado o espa co n-dimensional.
ao 3.1. (a) Quando n = 2 o espaco euclidiano e o R2 e seus elementos s

Observac ao
pares ordenados da forma (a1 , a2 ).
(b) Quando n = 3 o espaco euclidiano e o R3 e seus elementos sao ternos ordenados

da forma (a1 , a2 , a3 ). (Ver Figura 3.1.)

ao 3.2 (Operacoes padrao em Rn ). Sejam u= (u1 , u2 , . . . , un ) e v = (v1 , v2 , . . . , vn )
Definic
vetores em Rn . Temos:

(a) u= v se u1 = v1 , u2 = v2 , . . . , un = vn .

(b) u + v = (u1 + v1 , u2 + v2 , . . . , un + vn ).

(c) k v = (kv1 , kv2 , . . . , kvn ).
43
3.1 Aula 8: Espacos Vetoriais Euclidianos 44
Figura 3.1: O terno ordenado (a1 , a2 , a3 ) pode ser interpretado geometricamente como um
ponto ou um vetor.
ao 3.2. (a) Vetor nulo ou zero de Rn :

Observac

0 = (0, 0, . . . , 0)

(b) Negativo ou inverso aditivo de u= (u1 , u2 , . . . , un ):

u= (u1 , u2 , . . . , un )
(c) A diferenca de vetores em Rn :

u v = u +( v ) = (u1 v1 , u2 v2 , . . . , un vn )
Teorema 3.1 (Propriedades das operacoes vetoriais no espaco n-dimensional). Sejam

u= (u1 , u2 , . . . , un ), v = (v1 , v2 , . . . , vn ) e w= (w1 , w2 , . . . , wn ) vetores no Rn e k e l
escalares reais. As seguintes propriedades sao validas:

(a) u + v = v + u.

(b) u +( v + w) = ( u + v )+ w.

(c) u + 0 = 0 + u= u.

(d) u +( u) = 0 , ou seja, u u= 0 .

(e) k(l u) = kl( u).

(f ) l( u + v ) = l u +l v .

(g) (k + l) v = k v +l v .

(h) 1 u= u.
Exemplo 3.1. Utilize as propriedades do teorema anterior para encontrar o valor de

x na equacao vetorial x + u= v , onde u, v Rn .
Soluc
ao:
A Definicao abaixo generaliza a definicao de produto escalar em R2 e R3 . Esta

definicao e necessaria para trabalharmos as nocoes de distancia, norma e angulo no Rn .
ao 3.3. Sejam u = (u1 , u2 , . . . , un ), v = (v1 , v2 , . . . , vn ) Rn , define-se o pro-

Definic
duto interno euclidiano u v de u e v por
u v = u1 v1 + u2 v2 + . . . un vn .

Exemplo 3.2. Calcule o produto interno euclidiano dos vetores u= (1, 3, 5, 7), v =
(5, 4, 7, 0) R4 .
Soluc
ao:

Teorema 3.2 (Propriedades aritmeticas do produto interno euclidiano). Se u, v e w
sao vetores em Rn e l e um escalar, entao:

(a) u v = v u.

(b) ( u + v ) w= u w + v w.

(c) (l u) v = l( u v ).

(d) v v 0. Alem disso, v v = 0, se e somente se, v = 0.
Demonstrac
ao (b) e (d):
Norma e dist
ancia no espaco euclidiano n-dimensional
Definic
ao 3.4. (a) A norma euclidiana (ou comprimento euclidiano) de um vetor

u= (u1 , u2 , . . . , un ) Rn e definida por
q
1/2
u = ( u u) = u21 + u22 + . . . u2n

2
ao: u = u u ).
(Observac

ancia euclidiana entre os pontos u= (u1 , u2 , . . . , un ), v = (v1 , v2 , . . . , vn )
(b) A dist
n
R e definida por

p
d( u , v ) = u v = (u1 v1 )2 + (u2 v2 )2 + . . . + (un vn )2

Exemplo 3.3. Dados os vetores u= (1, 3, 2, 7), v = (0, 7, 2, 2) R4 , determine:

(a) u

(b) d( u, v )
Soluc
ao:

Teorema 3.3 (Desigualdade de Cauchy-Schwarz). Se u= (u1 , u2 , . . . , un ) e v = (v1 , v2 , . . . , vn )
sao vetores em Rn , entao
u v u v

Observac
ao 3.3. A desigualdade de Cauchy-Schwarz e usada para demonstrar a desigual-

dade triangular e e uma das desigualdades mais importantes da Algebra Linear.

Teorema 3.4 (Propriedades de comprimento). Se u, v e w sao vetores em Rn e k um
escalar, entao:

(a) u 0

(b) u = 0 se, e somente se, u= 0

(c) k v = |k| v


(d) u + v kuk + kvk (Desigualdade Triangular)

Demonstrac
ao (c) e (d):

Teorema 3.5 (Propriedades de distancia). Se u, v e w sao vetores em Rn , entao:
(a) d(u, v) 0

(b) d( u, v ) = 0 se, e somente se, u= v

(c) d( u, v ) = d( v , u)

(d) d( u, v ) d( u, w) + d(w, v ) (Desigualdade Triangular)
Demonstrac
ao (d):

Teorema 3.6. Se u e v sao vetores em Rn com o produto interno euclidiano, entao
1 2 1 2

u v = u + v u v
4 4

ao 3.5. Dois vetores u, v Rn sao ortogonais se u v = 0. (Ver Figura
Definic
3.2.)

Exemplo 3.4. Verifique se os vetores u= (2, 3, 1, 4), v = (1, 2, 0, 1) R4 sao orto-
gonais.
Soluc
ao:

Figura 3.2: Os vetores u e v sao ortogonais.

Teorema 3.7 (Teorema de Pitagoras). Se u e v sao vetores ortogonais em Rn com o
produto interno euclidiano, entao
2 2 2
u + v = u + v

Demonstrac
ao:
oes alternativas para vetores em Rn

Notac

til escrever o vetor u= (u1 , u2 , . . . , un ) de Rn em notacao matricial
Muitas vezes e u
como uma matriz-linha ou uma matriz-coluna:

u
1

u2
ou
h i
u=
.. u= u1 u2 . . . un
.

un
Justificativa: As operacoes matriciais

u v v kv
1 1 1 1
u1 + v1
u2 v2 v2 kv2
u + v= + = u +v
.. .. 2 2 , k v = k .. ..

. . .
. .
..un + vn
un vn vn kvn
ou

h i h i h i
u + v = u1 u2 . . . un + v1 v2 . . . vn = u1 + v1 u2 + v2 . . . un + vn

h ih i
k v = k v1 v2 . . . vn kv1 kv2 . . . kvn
produzem os mesmos resultados que as operacoes vetoriais

u + v = (u1 , u2 , . . . , un ) + (v1 , v2 , . . . vn ) = (u1 + v1 , u2 + v2 , . . . , un + vn )

k v = k(v1 , v2 , . . . , vn ) = (kv1 , kv2 , . . . , kvn )
au
nica diferenca e o formato em que escrevemos os vetores.
Uma fomula matricial para o produto escalar

u v
1 1

u2 v2
Usando a notacao de matriz-coluna para os vetores u=
.. e v = .. e omitindo os

. .

un vn

u1
u2 h
i
T
h i
colchetes das matrizes 11, temos v u = v1 v2 . . . vn
..
= u v
1 1 + u v
2 2 + . . . un n =
v
.
un
h i
u v =u v

1 5
3 4

Exemplo 3.5. Determine u v para u= e v = .
5 7
7 0
Soluc
ao:
3.2 Aula 9 - Espacos Vetoriais e Subespacos Vetoriais 50
3.2 Aula 9 - Espacos Vetoriais e Subespa

cos Veto-
riais
Definic ao 3.6. Um espa co vetorial V e um conjunto nao vazio, cujos elementos s ao
chamados vetores, sobre os quais estao definidas duas operacoes: a adi
cao, que a cada

par de vetores u, v V faz corresponder um novo vetor u + v e a multiplica ca
o por

um numero real, que a cada n umero k R e a cada vetor v V faz corresponder um

vetor k v . Essas operacoes devem satisfazer, para quaisquer k, l R e u, v , w V , as
condicoes abaixo, chamadas os axiomas de espaco vetorial:

(1) Se u, v V , entao u + v V .

(2) Comutatividade: u + v = v + u.

(3) Associatividade: u +( v + w) = ( u + v )+ w.

(4) Vetor Nulo: Existe um objeto 0 V , chamado um vetor nulo ou vetor zero,

tal que 0 + u= u + 0 = u para cada u em V .

(5) Inverso Aditivo: Para cada u V , existe um objeto u V , chamado nega-

tivo de u, tal que u +( u) = ( u)+ u= 0 .

(6) Se v V e k R, entao k v V .

(7) Distributividade: l( u + v ) = l u +l v .

(8) Distributividade: (k + l) v = k v +l v .

(9) Associatividade: k(l u) = (kl) u.

(10) Multiplicaao por 1: 1 u= u.
c
Exemplo 3.6. Exemplos de espacos vetoriais:
(a) Espaco vetorial V = R
(b) Espaco vetorial V = R2 , onde R2 = {(x1 , x2 )|x1 , x2 R}.
(c) Espaco vetorial V = Rn , onde Rn = {(x1 , x2 , . . . , xn )|x1 , x2 , . . . , xn R}.
Exemplo 3.7. Exemplos de espacos vetoriais:

(" # )
a b
(a) Espaco vetorial de Matrizes 2 2, denotado por M22 = : a, b, c, d R .
c d
(b) Espaco vetorial

de Matrizes m n, denotado por

a11 a12 ... a1n

a21 a22 ... a2n

Mmn =
.. .. : aij Ri, j, 1 i m, 1 j n.

. ... .

am1 am2 . . . amn

Exemplo 3.8 (Um conjunto que nao e Espaco Vetorial). Considere V = R2 com as
operacoes de adicao e multiplicacao por escalar definidas como segue:

Se u= (u1 , u2 ) e v = (v1 , v2 ), entao u + v = (u1 + v1 , u2 + v2 ).

Se k e um n
umero real qualquer e v = (v1 , v2 ), entao k v = (kv1 , 0).
Mostre que V nao e um espaco vetorial com as operacoes definidas acima.
Soluc
ao:
Exemplo 3.9. Seja V um plano qualquer pela origem do R3 , isto e, V = {(x1 , x2 , x3 ) :

ax1 + bx2 + cx3 = 0 e x1 , x2 , x3 R}. Os pontos de V formam um espaco vetorial com
as operacoes usuais de adicao e multiplicacao por escalar de vetores de R3 .
Soluc
ao: Verificar os axiomas 1, 4, 5 e 6.

Exemplo 3.10. Seja V o conjunto constitudo apenas pelo vetor nulo 0 no qual est ao

definidas as operacoes 0 + 0 = 0 e k 0 = 0 . Verifique que valem todos os axiomas de
espaco vetorial. Este espaco V e chamado o espaco vetorial nulo.
Exerccio:

Exemplo 3.11. Seja V = { u R| u> 0} no qual estao definidas as operacoes seguintes

para u= u, v = v e k R:

u + v = uv, u, v V

k u= uk , u V e k R.

O conjunto V , com as operacoes definidas, e um espaco vetorial cujo vetor nulo e 0 = 1

e o inverso aditivo de u e u= u1 .
Exemplo 3.12. Outros exemplos de espacos vetoriais:
(a) F (, ): o conjunto das funcoes reais definidas em (, ) e um espaco

vetorial com as operacoes (f + g)(x) = f (x) + g(x) e (kf )(x) = kf (x).
(b) F [a, b]: conjunto das funcoes reais definidas no intervalo fechado [a, b].
(c) F (a, b): conjunto das funcoes reais definidas no intervalo aberto (a, b).

Teorema 3.8. Sejam V um espaco vetorial, u um vetor em V e l um escalar, entao:

(a) 0 u= 0

(b) l 0 = 0

(c) (1) u= u

(d) Se l u= 0 entao l = 0 ou u = 0 .
Demonstrac
ao (a) e (c):
possvel que um subconjunto de um espaco vetorial seja ele proprio um espaco

E
vetorial, ou seja, todo elemento desse subconjunto satisfaz os axiomas de espaco vetorial
para as operacoes definidas. Por exemplo, planos pela origem e um espaco vetorial
contido no espaco vetorial R3 .
Definic
ao 3.7. Um subconjunto W de um espaco vetorial V e chamado um subes-
pa
co vetorial de V se W e um espaco vetorial em relacao às operacoes de adicao e
multiplicacao por escalar definidas em V .
Teorema 3.9. Se W e um subconjunto de um ou mais vetores de um espaco vetorial

V , entao W e um subespaco de V se, e somente se, valem as seguintes condicoes:

(a) Se u, v W , entao u + v W .

(b) Se k R e u W , entao k u W .
Observac
ao 3.4. (a) Se W e um subespaco do espaco vetorial V , segue da definic
ao

anterior que se u, v W e k, l R, entao k u +l v W .
(b) Qualquer subespaco W de V precisa conter o vetor nulo.
(c) Todo espaco vetorial admite pelo menos dois subespacos (chamados triviais), o
conjunto formado somente pelo vetor nulo e o proprio espaco vetorial.
Exemplo 3.13. Mostre que uma reta pela origem do R3 e um subespaco vetorial de
R3 .
Soluc
ao:
Exemplo 3.14. O conjunto W = {(x, y) R2 |x 0 e y 0} do espaco vetorial

V = R2 nao e um subespaco vetorial pois nao e fechado na multiplicacao por escalar.
Observac nicos subespacos de R2 sao:

ao 3.5. Os u

{0}
Retas pela origem
R2
Observac nicos subespacos de R3 sao:

ao 3.6. Os u

{0}
Retas pela origem
Planos pela origem
R3
Exemplo 3.15. Seja Mnn o espaco vetorial das matrizes n n. Mostre que W , sub-
conjunto das matrizes triangulares superiores, e subespaco de Mnn .
Exerccio:
Exemplo 3.16. Outros exemplos de subespacos vetoriais:
(a) O conjunto das matrizes simetricas nn, triangulares inferiores nn, triangulares
superiores n n e matrizes diagonais n n sao subespacos vetoriais do espaco
vetorial Mnn
(b) O conjunto dos polinomios de grau menor ou igual a n, denotado por Pn , que con-
siste de todas as funcoes da forma p(x) = a0 +a1 x+. . .+an xn onde a0 , a1 , . . . , an
R e um subespaco do espaco vetorial das funcoes reais F (, ).
(c) O conjunto das funcoes contnuas no intervalo (, ), denotado por C(, ),

e um subespaco vetorial de F (, ).
(d) O conjunto das funcoes com m-esimas derivadas contnuas em (, ), denotado

por C m (, ), e um subespaco vetorial de F (, )

Teorema 3.10. Se A x= 0 e um sistema linear homogeneo de m equacoes em n
incognitas, entao o conjunto dos vetores solucao e um subespaco de Rn .
Demonstrac
ao:
Exemplo 3.17. Os sistemas lineares abaixo possuem tres incognitas, portanto as so-
lucoes formam subespacos de R3 . Geometricamente, isto significa que cada espaco-
solucao deve ser uma reta pela origem, ou um plano pela origem, ou somente a origem,
ou todo o R3 .

1 2 3 x 0
(a) 2 4 6 y = 0

3 6 9 z 0
Solucao: x = 2s 3t, y = s e z = t ou x = 2y 3z x 2y + 3z = 0 e a
equacao de um plano pela origem.

1 2 3 x 0

(b) 3 7 8 y = 0

2 4 6 z 0
Solucao: x = 5t, y = t, z = t sao equacoes parametricas da reta pela origem

paralela ao vetor v = (5, 1, 1).

1 2 3 x 0

(c) 3 7 8 y = 0

4 1 2 z 0
Solucao: x = 0, y = 0, z = 0 que e a origem de R3 .
3.3 Aula 10 - Subespaco Gerado e Independencia Linear 58

0 0 0 x 0

(d) 0 0 0 y = 0

0 0 0 z 0
Solucao: x = r, y = s, z = t onde r, s e t tomam quaisquer valores, portanto o
espaco-solucao e R3 .
3.3 Aula 10 - Subespa

co Gerado e Independ
encia
Linear

Definic ao 3.8. Dizemos que o vetor w e uma combinacao linear dos vetores v1 , v2

, . . . , vr se w pode ser escrito na forma

w= k1 v1 +k2 v2 + . . . kr vr
onde k1 , k2 , . . . , kr sao escalares.

Exemplo 3.18. Cada vetor v = (a, b, c) em R3 pode ser escrito como uma combinac
ao

linear dos vetores da base canonica i = (1, 0, 0), j = (0, 1, 0) e k = (0, 0, 1).
Soluc
ao:

Exemplo 3.19. O vetor w= (9, 2, 7) e combinacao linear dos vetores u= (1, 2, 1) e

v = (6, 4, 2) em R3 . Por outro lado, o vetor t = (4, 1, 8) nao e combinacao linear de

u e v.
Soluc
ao:

Se v1 , v2 , . . . , vr sao vetores em um espaco vetorial V , entao geralmente alguns

vetores de V podem ser combinacoes lineares de v1 , v2 , . . . , vr enquanto outros vetores
nao.

Teorema 3.11. Se v1 , v2 , . . . , vr sao vetores em um espaco vetorial V , entao:

(a) O conjunto W de todas as combinacoes lineares de v1 , v2 , . . . , vr e um subespaco
de V .

(b) W e o menor subespaco de V que contem v1 , v2 , . . . , vr no seguinte sentido: qual-

quer subespaco de V que contem v1 , v2 , . . . , vr tambem contem W .
Demonstrac
ao (a):

Vamos mostrar que W = { v = k1 v1 +k2 v2 + . . . + kr vr |k1 , k2 , . . . , kr R} e um
subespaco vetorial de V .

0 W , basta considerar k1 = k2 = . . . = kr = 0.

Sejam u, v W , entao u= c1 v1 +c2 v2 + . . .+cr vr , u= k1 v1 +k2 v2 + . . .+kr vr .

Vamos mostrar que u + v W . Temos:

u + v = (c1 v1 +c2 v2 + . . . + cr vr ) + (k1 v1 +k2 v2 + . . . + kr vr )

= (k1 + c1 ) v1 +(k2 + c2 ) v2 + . . . + (kr + cr ) vr

= t1 v1 +t2 v2 + . . . tr vr

onde t1 = k1 + c1 , t2 = k2 + c2 , . . . , tr = kr + cr R. Logo, u + v W .

Sejam u= c1 v1 +c2 v2 + . . . + cr vr W e k R. Vamos mostrar que k u W .
Temos:

k u = k(c1 v1 +c2 v2 + . . . + cr vr )

= (kc1 ) v1 +(kc2 ) v2 + . . . + (kcr ) vr

= l1 v1 +l2 v2 + . . . + lr vr

onde l1 = kc1 , l2 = kc2 , . . . , lr = kcr R. Logo, k u W .
Como as condicoes acima, sao satisfeitas, W e um subespaco vetorial.

Definicao 3.9. Se S = {v1 , v2 , . . . , vr } e um conjunto de vetores de um espaco vetorial
V , entao o subespaco W de V que consiste de todas as combinacoes lineares dos vetores

em S e chamado o espa co gerado por v1 , v2 , . . . , vr . Neste caso, dizemos que os

vetores v1 , v2 , . . . , vr geram W .
Observac ao 3.7. Para indicar que W e o espaco gerado pelos vetores do conjunto

S = {v1 , v2 , . . . , vr }, utilizaremos a seguinte notacao:

W = ger(S) ou W = ger{v1 , v2 , . . . , vr }

Exemplo 3.20. (a) Um vetor v R3 nao nulo gera uma reta.

(b) Dois vetores v1 , v2 R3 nao colineares com pontos iniciais na origem geram um
plano.
(c) Os polinomios 1, x, x2 , . . . , xn geram o espaco vetorial Pn que consiste de vetores

do tipo p = a0 + a1 x + a2 x2 + . . . + an xn .

Exemplo 3.21. Verifique se v1 = (1, 1, 2), v2 = (1, 0, 1) e v3 = (2, 1, 3) geram o espaco
vetorial R3 .
Soluc
ao:
Observacao 3.8. O conjunto gerador de um espaco vetorial nao e u

nico. No Exemplo
??, quaisquer dois vetores nao-colineares do plano geram o plano e qualquer vetor n
ao
nulo da reta gera a reta.

Seja V o espaco vetorial gerado por S = {v1 , v2 , . . . , vr }. Pode haver mais de uma

maneira de escrever v V como combinacao linear dos vetores em S. O conjunto de

vetores geradores que so admite uma combinacao linear para um vetor v V e muito
importante no estudo de espacos vetoriais.

Definicao 3.10. Se S = {v1 , v2 , . . . , vr } e um conjunto nao-vazio de vetores, entao a
equacao vetorial

k1 v1 +k2 v2 + . . . + kr vr = 0
tem pelo menos a solucao k1 = 0, k2 = 0, . . . , kr = 0.

Se esta e a u
nica solucao, entao o conjunto S e chamado linearmente independente
(LI).
Se existirem outras solucoes, entao S e chamado linearmente dependente (LD).

Exemplo 3.22. (a) Mostre que o conjunto S = { i , j , k } formado pelos vetores i =

(1, 0, 0), j = (0, 1, 0) e k = (0, 0, 1) e LI.
Solu c
ao:

(b) Mostre que o conjunto S = {v1 , v2 , v3 } formado pelos vetores v1 = (1, 2, 3), v2 =

(5, 6, 1) e v3 = (3, 2, 1) e LD.
Solu c
ao:

Exemplo 3.23. (a) Mostre que o conjunto S = {p1 , p2 , p3 } formado pelos vetores

p1 = 1 x, p2 = 5 + 3x 2x2 e p3 = 1 + 3x x2 e LD.
Solucao:
(b) Mostre que os polinomios 1, x, x2 , . . . , xn formam um conjunto LI em Pn (conjunto

dos polinomios de grau menor ou igual a n).
Soluc
ao:
A dependencia linear sugere que os vetores dependam um do outro de alguma

maneira, como sera visto no teorema seguinte.
Teorema 3.12. Um conjunto S de dois ou mais vetores e:
(a) Linearmente dependente se, e somente se, pelo menos um dos vetores de S pode
ser escrito como combinacao linear dos outros vetores de S.
(b) Linearmente independente se, e somente se, nenhum vetor em S pode ser escrito
como combinacao linear dos outros vetores de S.
Demonstrac
ao (a):

Seja S = {v1 , v2 , . . . , vr }. Supondo que S e linearmente dependente, deve existir
escalares k1 , k2 , . . . , kr nao todos nulos, tais que:

k1 v1 +k2 v2 + . . . kr vr = 0
Suponha que k1 6= 0. Entao, dividindo a equacao acima por k1 , temos que:
k2 kr
v1 = ( ) v2 + . . . + ( ) vr
k1 k1

isto e, v1 e combinacao linear de v2 , v3 , . . . , vr .
Reciprocamente, suponha que pelo menos um dos vetores de S pode ser escrito como
combinacao linear dos outros. Queremos mostrar que S e linearmente dependente.
Suponha que:

v1 = k2 v2 +k3 v3 + . . . + kr vr
Logo,

1 v1 k2 v2 k3 v3 . . . kr vr = 0
Como existe pelo menos um escalar nao nulo na combinacao linear acima (k1 = 1)

conclumos que S = {v1 , v2 , . . . , vr } e linearmente dependente.

ao 3.9. (1) No Exemplo 0.4 (b) os vetores v1 = (1, 2, 3), v2 = (5, 6, 1)
Observac

e v3 = (3, 2, 1) formam um conjunto LD e podemos verificar que v1 v2

+2 v3 = 0 .

(2) No Exemplo 1 os vetores i = (1, 0, 0), j = (0, 1, 0) e k = (0, 0, 1) formam um con-
junto LI e um nao e combinacao linear dos outros. Por exemplo, a equac ao

k = r1 i +r2 j nao tem solucao. O mesmo acontece para outras combinacoes.
Teorema 3.13. (a) Um conjunto finito de vetores que contem o vetor nulo e linear-
mente dependente.
(b) Um conjunto de exatamente dois vetores e linearmente independente se, e somente

se, nenhum dos dois vetores e um m
ultiplo escalar do outro.
Demonstrac
ao (a):

Seja S = {v1 , v2 , . . . , vr , 0 } um conjunto finito de vetores. Os os vetores de S podemos
escrever a seguinte combinacao linear:

0 v1 +0 v2 + . . . 0 vr +1 0 = 0
Isto e, temos uma combinacao linear igual ao vetor nulo com escalares nao todos nulos.

Logo, S = {v1 , v2 , . . . , vr , 0 } e linearmente dependente.
Em R2 ou R3 , um conjunto de dois vetores e linearmente independente se, e so-

mente se, nao estao numa mesma reta quando colocados com seus pontos iniciais
na origem.
Em R3 , um conjunto de tres vetores e linearmente independente se, e somente se,

os vetores nao estao no mesmo plano quando colocados com seus pontos iniciais
na origem.
3.4 Aula 11 - Base e Dimensao 65

Teorema 3.14. Seja S = {v1 , v2 , . . . , vr } um conjunto de vetores em Rn . Se r > n,
entao S e linearmente dependente.
Demonstrac
ao:
Suponha que

v1 = (v11 , v12 , . . . , v1n )

v2 = (v21 , v22 , . . . , v2n )
.. ..
. .

vr = (vr1 , vr2 , . . . , vrn )

Para mostrarmos que S = {v1 , v2 , . . . , vr } e linearmente dependente, deve existir
escalares k1 , k2 , . . . , kr nao todos nulos, tais que:

k1 v1 +k2 v2 + . . . + kr vr = 0
Substituindo as coordenadas dos vetores de S na equacao acima temos:

v11 k1 + v21 k2 + . . . + vr1 kr = 0

v k + v k + ...v k = 0
12 1 22 2 r2 r
.
.. .
.. .
..

v k + v k + ... + v k = 0
1n 1 2n 2 rn r
O sistema homogeneo acima tem n equacoes e r incognitas, que sao k1 , k2 . . . . , kr . Como

r > n, ao reduzir a matriz aumentada do sistema pela eliminacao gaussiana, veremos
que o sistema acima tem variaveis livres, o que garante infinitas solucoes. Como o

sistema possue solucoes nao triviais, conclumos que S = {v1 , v2 , . . . , vr } e linearmente
dependente.
3.4 Aula 11 - Base e Dimens

ao
Relembrando:

O conjunto S = {v1 , v2 , . . . , vr } e linearmente independente (LI) se k1 v1

+k2 v2 + . . . + kr vr = 0 se, e somente se k1 = 0, k2 = 0, . . . , kr = 0.

Os vetores v1 , v2 , . . . , vr geram V se todos os vetores v de V sao escritos como

combinacao linear de v1 , v2 , . . . , vr . Isto e, existem escalares k1 , k2 , . . . , kr nao

todos nulos, tais que v = k1 v1 +k2 v2 + . . . + kr vr .
Definic ao 3.11. Se V e um espaco vetorial qualquer. Dizemos que o conjunto S =

{v1 , v2 , . . . , vn }, de vetores em V , e uma base de V se:
(a) S e linearmente independente.
(b) S gera V .

Teorema 3.15. Se S = {v1 , v2 , . . . , vn } e uma base de um espaco vetorial V , ent ao
cada vetor em V pode ser escrito de maneira u nica como combinacao linear dos vetores

de S, isto e, v = c1 v1 +c2 v2 + . . . + cn vn .
Demonstrac
ao:
Como S e uma base de V , cada vetor de V pode ser escrito como combinacao linear

dos vetores de S. Suponha que existe um vetor v V , tal que

v = c1 v1 +c2 v2 + . . . + cn vn (3.1)

v = k1 v1 +k2 v2 + . . . + kn vn (3.2)
Fazendo (6.7)-(6.6), temos que

0 = (c1 k1 ) v1 +(c2 k2 ) v2 + . . . + (cn kn ) vn (3.3)

Como S = {v1 , v2 , . . . , vn } e linearmente independente, da equacao (5.12), conclumos
que
c1 k1 = 0 c1 = k1
c2 k2 = 0 c2 = k2
..
.
cn kn = 0 cn = kn
Das igualdades acima, segue que as equacoes (6.7) e (6.6) sao guais.
Coordenadas em Relacao a uma Base

Se S = {v1 , v2 , . . . , vn } e uma base de um espaco vetorial V e se

v = c1 v1 +c2 v2 + . . . cn vn

e a expressao de um vetor v V em termos da base S, entao os escalares c1 , c2 , . . . , cn

sao chamados as coordenadas de v em relacao a` base S.

O vetor (c1 , c2 , . . . , cn ) em Rn , cujas componentes sao as coordenadas de v , e cha-

mado vetor de coordenadas de v em relac
ao a S e e denotado por

( v )S = (c1 , c2 , . . . , cn ).

Exemplo 3.24. Mostre que S = { i , j , k }, onde i = (1, 0, 0), j = (0, 1, 0), k = (0, 0, 1),
e uma base de R3 . Esta base e denominada base can onica de R3 .
Soluc
ao:

Exemplo 3.25. O conjunto S = { e 1 , e 2 , . . . , e n }, onde e1 = (1, 0, . . . , 0), e2 = (0, 1, . . . , 0), . . . , en =
(0, 0, . . . , 1), e uma base de Rn , denominada base can onica de Rn .

Exemplo 3.26. Sejam v1 = (1, 2, 1), v2 = (2, 9, 0) e v3 = (3, 3, 4). Mostre que o conjunto

S = {v1 , v2 , v3 } e uma base de R3 .
Soluc
ao:

Exemplo 3.27. Seja S = {v1 , v2 , v3 } uma base de R3 , onde v1 = (1, 2, 1), v2 = (2, 9, 0)

e v3 = (3, 3, 4).

(a) Encontre o vetor de coordenadas de v = (5, 1, 9) em relacao a S.

(b) Encontre o vetor de coordenadas de v = (5, 1, 9) em relacao a base canonica.

(c) Encontre o vetor u em R3 cujo vetor de coordenadas em relacao à base S e ( u
)S = (1, 3, 2).
Solu
c
ao:
Observac ao 3.10. Um vetor nao e igual ao seu vetor de coordenadas. Esta igualdade
so acontece quando a base e canonica.
Exemplo 3.28. (a) Mostre que S = {1, x, x2 } e uma base do conjunto dos polinomios
de grau menor ou igual a 2, denotado por P2 .
(b) Encontre o vetor de coordenadas do polinomio p = a0 + a1 x + a2 x2 em relacao `

a
2
base S = {1, x, x }.
Soluc
ao:
Observacao 3.11. O conjunto S = {1, x, x2 , . . . , xn } e uma base para o espaco vetorial

Pn dos polinomios de grau menor ou igual a n, representados por a0 + a1 x + . . . + an xn .
! ! ! !
1 0 0 1 0 0 0 0
Exemplo 3.29. Sejam M1 = , M2 = , M3 = , M4 = .
0 0 0 0 1 0 0 1
Mostre que S = {M1 , M2 , M3 , M4 } e uma base do espaco vetorial das matrizes 2 2,
representado por M22 .
Soluc
ao:
!
a b
Observac
ao 3.12. Se v = M22 , entao
c d
! ! ! ! !
a b 1 0 0 1 0 0 0 0
=a +b +c +d
c d 0 0 0 0 1 0 0 1
e o vetor de coordenadas e (v)S = (a, b, c, d).
Observac
ao 3.13. Se V tem uma base com um n umero finito de vetores, diga-
mos n, entao V tem dimensao n. Notacao: dim(V ) = n.
Se V tem uma base com infinitos vetores, entao V tem dimensao infinita.
O espaco vetorial nulo sera definido como sendo de dimensao finita. Mais espe-
cificamente, este espaco vetorial sera definido como tendo dimensao zero e sua
base e o conjunto vazio.

Teorema 3.16. Sejam V um espaco vetorial de dimensao finita e {v1 , v2 , . . . , vn } uma
base qualquer de V .
(a) Um conjunto com mais do que n vetores e linearmente dependente.
(b) Um conjunto com menos do que n vetores nao gera V .
Teorema 3.17. Qualquer base de um espaco vetorial V tem sempre o mesmo n

umero
de elementos. Este n
umero e chamado dimensao de V e denotado por dim(V ).
Exemplo 3.30. (a) dim(Rn ) = n (A base canonica tem n vetores)
(b) dim(Pn ) = n + 1 (A base canonica tem n + 1 vetores)
(c) dim(Mmn ) = mn (A base canonica tem mn vetores)
Exemplo 3.31. Determine uma base e a dimensao do espaco-solucao do sistema ho-

mogeneo
2x1 + 2x2 x3 + x5 = 0
x1 x2 + 2x3 3x4 + x5 = 0
x1 + x2 2x3 x5 = 0
x3 + x4 + x5 = 0
Soluc
ao:

Se S e um conjunto LI nao-vazio de vetores de um espaco vetorial V e se v e um

vetor em V tal que v nao esta em ger(S) entao S { v } e LI.
3.5 Aula 12 - Espaco Linha, Espaco Coluna e Espaco Nulo 71

Seja S um conjunto nao-vazio de vetores de um espaco vetorial V . Se v S pode

ser escrito como combinacao linear dos outros vetores de S entao S e S { v }
geram o mesmo espaco.
Seja V um espaco vetorial n-dimensional. Se S V tem exatamente n vetores e

S gera V , entao S e base de V . Se S V tem exatamente n vetores e S e LI,
entao S e base de V .
Seja V um espaco vetorial de dimensao finita e S V um conjunto finito de

vetores.
(a) Se S gera V , mas nao e uma base de V , entao S pode ser reduzido a uma
base de V removendo os vetores apropriados.
(b) Se S e LI, mas nao e uma base de V , entao S pode ser ampliado para uma
base de V acrescentando vetores apropriados.
Se W e um subespaco de um espaco vetorial V de dimensao finita, entao dim(W )

dim(V ). Se dim(W ) = dim(V ), entao W = V .
3.5 Aula 12 - Espa

co Linha, Espa
co Coluna e Es-
paco Nulo
ao 3.12. Dada a matriz m n
Definic

a11 a12 ... a1n
a12 a22 ... a2n

A=
.. .. ..
. . .

am1 am2 . . . amn
os vetores em Rn

h i
r1 = a11 a12 . . . a1n

h i
r2 = a21 a22 . . . a2n
...

h i
rn = am1 am2 . . . amn ,
formados pelas linhas de A, sao chamados os vetores linha de A e os vetores em

m
R

a11 a12 a1n
a a a
21 22 2n
r1 = r2 = ... rn = ,
... ... ...
am1 am2 amn
formados pelas colunas de A, sao chamados os vetores coluna de A.
ao 3.13. Seja A uma matriz m n, entao:
Definic
O subespaco de Rn gerado pelos vetores-linha de A e chamado espa
co-linha de
A;
O subespaco de Rm gerado pelos vetores-coluna de A e chamado espa

co-coluna
de A;

O espaco-solucao do sistema homogeneo de equacoes A x= 0 (subespaco de Rn )
e chamado espa co-nulo de A;

Teorema 3.18. Um sistema A x= b de equacoes lineares e consistente se, e somente

se b esta no espaco-coluna de A.
Demonstra
c ao:
a a12 . . . a1n x
11 1

a22 a22 . . . a2n x2
Sejam A = .. .. .. e x= .. . Se c1 , c2 , . . . , cn denotam os vetores-

. . . .

am1 am2 . . . amn xn

a x + a12 x2 + . . . + a1n xn
11 1

a x + a x + . . . + a x
21 1 22 2
= x1 c1 +x2 c2 + . . . +
2n n

coluna de A, entao A x=
...

am1 x1 + am2 x2 + . . . + amn xn

xn cn . Assim, um sistema linear A x= b pode ser escrito como x1 c1 +x2 c2 + . . . +

xn cn = b . Se o sistema e consistente, entao existem x1 , x2 , . . . , xn , isto e, o vetor b e

uma combinacao linear de c1 , c2 , . . . , cn .
Exemplo 3.32. Ao resolver o sistema linear

1 3 2 x1 1
1 2 3 x2 = 9

2 1 2 x3 3
utilizando eliminacao gaussiana, encontraremos x1 = 2, x2 = 1 e x3 = 3, isto e, o

sistema e consistente. Alem disso, podemos verificar que

1 1 3 2
9 = 2 1 2 + 3 3

3 2 1 2

isto e, o vetor b e combinacao linear dos vetores coluna de A (A x= b ).

Em um sistema linear A x= b cuja solucao e expressa por

x=x0 +c1 v1 +c2 v2 + . . . ck vk (3.4)
temos as seguintes terminologias:

O vetor x0 e chamado soluc
ao particular de A x= b ;

A expressao x0 +c1 v1 +c2 v2 + . . . ck vk e chamada soluc
ao geral de A x= b ;

A expressao c1 v1 +c2 v2 + . . . ck vk e chamada soluc
ao geral de A x= 0 ;
Exemplo 3.33. Expresse a solucao do sistema abaixo como na equacao (6.7):

x1 + 3x2 2x3 + 2x5 = 0

2x + 6x 5x 2x + 4x 3x = 1
1 2 3 4 5 6

5x 3 + 10x 4 + 15x 6 = 5

2x1 + 6x2 + 8x4 + 4x5 + 18x6 = 6
Soluc
ao:
A solucao do sistema linear do exemplo anterior e x1 = 3r 4s 2t, x2 = r, x3 =

1
2s, x4 = s, x5 = t, x6 = 3
. No formato vetorial, expresso na equacao (6.7), essa
solucao pode ser escrita como

x
1 3r 4s 2t 0 3 4 2
x2

r 0 1 0 0

x3

2s 2

0 0 0
x4 = = +r + s + t

s 0 0 1 0
x4

t 0 0 0 1
x5
1 1

3 3
0 0 0
x6 |{z} | {z }

x0 x

O vetor x0 e uma solucao particular do sistema e o vetor x e uma solucao geral do
sistema homogeneo associado ao sistema dado.
Base para o Espaco-Nulo
Teorema 3.19. As operacoes elementares sobre linhas nao alteram o espaco-nulo de

uma matriz.
Justificativa: Como as operacoes elementares sobre uma matriz aumentada nao altera
o espaco-solucao do sistema linear correspondente, podemos concluir, aplicando ope-
racoes elementares sobre linhas de A o conjunto solucao do sistema linear homogeneo

A x= 0 nao muda.
Exemplo 3.34. Encontre uma base para o espaco-nulo da matriz

2 2 1 0 1
1 1 2 3 1
A=

1 1 2 0 1
0 0 1 1 1
Soluc
ao:
A solucao do sistema linear do exemplo anterior e x1 = st, x2 = s, x3 = t, x4 =

0, x5 = t. Esta solucao pode ser expressa em forma vetorial, como na equacao (6.7),
da seguinte maneira:

x1 s t s t 1 1

x2 s s 0 1 0

x3 = t = 0 + t = s 0 +t 1

x4 0 0 0 0 0

x5 t 0 t 0 1
| {z } | {z }

v1 v2

Podemos ver que os vetores v1 e v2 geram o espaco-solucao de A x= 0 . Como esses
vetores sao linearmente independentes (verificar), uma base para o espaco-nulo de A e

{v1 , v2 }.
Base para o Espaco-Linha
Teorema 3.20. As operacoes elementares sobre linhas nao alteram o espaco-linha de

uma matriz.
Teorema 3.21. Seja R uma matriz em forma escalonada por linhas, entao os vetores-
linha com os pivos (ou seja, os vetores-linha nao-nulos) formam uma base do espaco-
linha de R.
Com os dois teoremas anteriores podemos concluir que para encotrar uma base para
o espaco-linha de uma matriz A, basta aplicar operacoes elementares nas linhas de A
reduzindo esta matriz a uma matriz escalonada por linhas R. As linhas nao nulas da
matriz R, que correspondem às linhas que possuem pivo, constituem uma base para o
espaco-linha de A.
Exemplo 3.35. Encontre uma base para o espaco-linha da matriz

1 3 4 2 5 4
2 6 9 1 8 2
A=

2 6 9 1 9 7
1 3 4 2 5 4
Soluc
ao:
Aplicando operacoes elementares nas linhas de A obtemos a matriz escalona por

linhas
1 3 4 2 5 4

0 0 1 3 2 6

R=

0 0 0 0 1 5

0 0 0 0 0 0
Como os pivos aparecem nas primeira, segunda e terceiras linhas, que sao as linhas nao

nulas, a base para o espaco-linha e {r1 , r2 , r3 }, onde

h i
r1 = 1 3 4 2 5 4

h i
r2 = 0 0 1 3 2 6

h i
r3 = 0 0 0 0 1 5
Base para o Espaco-Coluna
Teorema 3.22. Se A e R sao matrizes equivalentes por linhas, entao:
(a) Um conjunto qualquer de vetores-coluna de A e linearmente independente se, e

somente se, o conjunto de vetores-coluna correspondente de R e linearmente in-
dependente.
(b) Um conjunto qualquer de vetores-coluna de A forma uma base para o espaco-coluna

de A se, e somente se, o conjunto de vetores-coluna correspondente de R forma
uma base do espaco-coluna de R.
Teorema 3.23. Seja R uma matriz em forma escalonada por linhas, entao os vetores-
coluna que contem os pivos dos vetores linha formam uma base do espaco-coluna de
R.
Note que, pelos Teoremas 05 e 06, a matriz escalonada por linhas R, originada de
A a partir de operacoes elementares nao fornece os vetores-coluna que constituem
a base do espaco-coluna de A.
As colunas de R que contem pivo constituem a base do espaco-coluna de R.
As colunas de A correspondentes às posicoes dos pivos encontrados em R consti-

tuem a base do espaco-coluna de A.
Exemplo 3.36. Encontre uma base para o espaco-coluna da matriz

1 3 4 2 5 4
2 6 9 1 8 2
A=

2 6 9 1 9 7
1 3 4 2 5 4
Soluc
ao:
Aplicando operacoes elementares nas linhas de A, obtemos a matriz escalona por
linhas:
1 3 4 2 5 4

2 6

0 0 1 3
R=

0 0 0 0 1 5

0 0 0 0 0 0
Como os pivos aparecem nas primeira, terceira e quinta colunas de R temos que

1 4 5

0 0 1 0 2

0
c1 =
, c2 = , c3 =

0 0 1

0 0 0
formam uma base para o espco-coluna de R.

Assim, os vetores correspondentes de

1 3 4 2 5 4

2 6 9 1 8

2
A=
2 6 9 1 9

7

1 3 4 2 5 4
formam uma base para o espaco-coluna de A. Esses vetores sao:

1 4 5

2 9 8
, c2 = , c3 =
c1 =
2 9 9

1 4 5

Exemplo 3.37. Encontre uma base para o espaco gerado pelos vetores v1 = (1, 2, 0, 0, 3), v2 =

(2, 5, 3, 2, 6), v3 = (0, 5, 15, 10, 0) e v4 = (2, 6, 18, 8, 6).
Soluc
ao:
O espaco gerado por um conjunto de vetores corresponde ao espaco-linha da matriz A
cujas linhas sao constitudas pelos vetores dados. Logo, uma base para o espaco gerado
pelos vetores e dada pela base do espaco-linha da matriz A.
Com os vetores dados temos a matriz

1 2 0 0 3

2 5 3 2 6

A=

0 5 15 10 0

2 6 18 8 6
Aplicando operacoes elementares e reduzindo esta matriz a forma escalonada por linhas,
temos:
1 2 0 0 3

0 1 3 2 0
R=

0 0 1 1 0

0 0 0 0 0
Os vetores-linha nao nulos, constituem uma base para o espaco gerado pelos vetores

v1 , v2 , v3 e v4 . Esses vetores sao:

w1 = (1, 2, 0, 0, 3), w2 = (0, 1, 3, 2, 0) e w3 = (0, 0, 1, 10)

1 2 0 0 3
2 5 3 2 6
Exemplo 3.38. Encontre uma base para o espaco-linha de A =

0 5 15 10 0
2 6 18 8 6
consistindo totalmente de vetores-linha de A.
Soluc
ao:
Basta transpor A e, com isso, o problema de encontrar uma base para o espaco-linha
de A e convertido em encontrar uma base para o espaco-coluna de AT , e por fim os
vetores obtidos sao transpostos para constituir uma base para o espaco-linha de A.
Transpondo A, obtemos:

1 2 0 2

2 5 5 6

AT = 0 3 15 18

0 2 10 8

3 6 0 6
Reduzindo esta matriz a forma escalonada por linhas, obtemos:

1 2 0 2

0 1 5 10

R = 0

0 0 1

0 0 0 0

0 0 0 0
As colunas primeira, segunda e quarta contem os pivos e constituem a base do espaco-

coluna de AT . Logo, as primeira, segunda e quarta colunas de A constituem uma base
para o espaco coluna de A. Transpondo esses vetores, a base do espaco-linha de A e
constituida pelos vetores:

h i h i h i
r1 = 1 2 0 0 3 , r2 = 2 5 3 2 6 , r4 = 2 6 18 8 6

Exemplo 3.39. (a) Encontre um subconjunto dos vetores v1 = (1, 2, 0, 3), v2 = (2, 5, 3, 6), v3 =

(0, 1, 3, 0), v4 = (2, 1, 4, 7), v5 = (5, 8, 1, 2) que forma uma base para o espaco
gerado por estes vetores.
(b) Expresse cada vetor que nao esta na base como uma combinacao linear dos vetores
da base.
Soluc
ao:

(a) Seja A a matriz que tem v1 , v2 , v3 , v4 , v5 como vetores coluna:

1 2 0 2 5

2 5 1 1 8

A=
0 3 3 4

1

3 6 0 7 2

A base para o subespaco gerado por v1 , v2 , v3 , v4 , v5 , constituda por um subconjunto
desses vetores, coincide com a base do espaco-coluna da matriz A.
Reduzindo a matriz A por linhas temos:

1 0 2 0 1

1 1 0

0 1
R=

0 0 0 1 1

0 0 0 0 0
Como os pivos aparecem nas primeira, segunda e quarta colunas, uma base para o
espaco coluna de R e
1 0 0

0 1 0
w1 = , w2 = e w4 =

0 0 1

0 0 0
Consequentemente, os vetores-coluna correspondentes na matriz A constitui a base
do espaco-coluna de A:

1 2 2

2 5 1

v1 = , v2 = e v4 =

3

0 4

3 6 7
.

(b) Primeiro, devemos expressar w3 e w5 como combinacao linear de w1 , w2 e w4 .

Para isso, expressaremos os vetores w3 e w5 em termos dos vetores de subscritos me-
nores, isto e:

w3 = k1 w1 +k2 w2 (3.5)

w5 = c1 w1 +c2 w2 +c3 w4 (3.6)
Resolvendo as equacoes (6.6) e (3.6), obtemos:

3.6 Aula 13 - Posto e Nulidade 82

w3 = 2 w1 w2 (3.7)

w5 =w1 + w2 + w4 (3.8)
As equacoes (3.7) e (3.8) sao chamadas equac

oes de depend
encia, e fornecem a
seguinte informacao:

v3 = 2 v1 v2 (3.9)

v5 =v1 + v2 + v4 (3.10)
3.6 Aula 13 - Posto e Nulidade

Espacos matriciais fundamentais de uma matriz A:
Espaco-linha de A
Espaco-coluna de A
Espaco-nulo de A
Espaco-nulo de AT
Teorema 3.24. Se A e uma matriz qualquer, entao o espaco-linha e o espaco-coluna

de A tem a mesma dimensao.
Demonstrac
ao:
Seja R a forma escalonada reduzida por linhas de A.
dim(espaco-linha de A)=dim(espaco-linha de R)
dim(espaco-coluna de A)=dim(espaco-coluna de R)
Sabemos que a dim(espaco-linha de R) coincide com o n

umero de linhas nao nulas e a
dim(espaco-coluna de R) e o n
umero de colunas que contem pivos. Como cada linha
nao nula contem um pivo, temos que
dim(espaco-linha de R) = dim(espaco-coluna de R)
Logo, o espaco-linha e o espaco-coluna de A tem a mesma dimensao.
Definic
ao 3.14. Considere a matriz A. Temos as seguintes definicoes:
Posto de A - pos(A): e a dimensao do espaco-linha e do espaco-coluna de A.
Nulidade de A - nul(A): e a dimensao do espaco-nulo de A.

1 2 0 4 5 3
3 7 2 0 1 4
Exemplo 3.40. Encontre o posto e a nulidade da matriz

2 5 2 4 6 1
4 9 2 4 4 7
Soluc
ao:
A forma escalonada por linhas de A e

1 2 0 4 5 3

2 12 16 5

0 1

(3.11)
0 0 0 0 0 0

0 0 0 0 0 0
Como existem duas linhas nao nulas (ou dois pivos ou dois lderes), o espaco-linha e o
espaco-coluna sao ambos bidimensionais, isto e, pos(A) = 2.

A nulidade e a dimensao do espaco-solucao de A x= 0 . Para resolver este sistema
basta reduzir a matriz aumentada à forma escalonada por linhas. A matriz resultante
sera identica a (6.6) com uma coluna adicional com todas as entradas nulas. O sistema
de equacoes correspondente sera:

x1 4x3 28x4 37x5 + 13x6 = 0

x2 2x3 12x4 16x5 + 5x6 = 0

x =r
3
(3.12)

x4 = s

x5 = t

x =u
6
Resolvendo o sistema (6.7), temos x1 = 4r+28s+37t13u, x2 = 2r+12s+16t5u,

x3 = r, x4 = s, x5 = t, x6 = u, que e equivalente a

x1 4 28 37 13

x2 2 12 16 5

x3 1 0 0 0
= r +s +t +u

x4 0 1 0 0

x5 0 0 1 0

x6 0 0 0 1
|{z} | {z } | {z } | {z }

v1 v2 v3 v4

Os vetores v1 , v2 , v3 , v4 e v5 formam uma base do espaco-solucao. Logo, nul(A) = 4.
Teorema 3.25. Se A e uma matriz qualquer, entao pos(A) = pos(AT ).
Demonstrac
ao:
pos(A) = dim(espaco-linha de A) = dim(espaco-coluna de AT ) = pos(AT ).
Teorema 3.26 (Teorema da Dimensao). Se A e uma matriz com n colunas, ent

ao
pos(A) + nul(A) = n.
Justificativa:
(N umero de variaveis livres)=n pos(A)+nul(A) = n.
umero de linhas nao nulas)+(N
Teorema 3.27. Se A e uma matriz m n, entao:

umero de variaveis lderes na solucao de A x= 0 .
(a) pos(A) = n

umero de parametros na solucao geral de A x= 0 .
(b) nul(A) = n
Obs: As variaveis lderes sao aquelas que possuem pivo.

Se A e uma matriz m n de posto r, entao AT e uma matriz n m de posto r e
temos as seguintes dimensoes para os espacos fundamentais:
Espaco-linha de A: dimensao r
Espaco-coluna de A: dimensao r
Espaco-nulo de A: dimensao n r
Espaco-nulo de AT : dimensao m r

Teorema 3.28. Se A x= b e um sistema linear de m equacoes em n incognitas, ent
ao
as seguintes afirmacoes sao equivalentes:

(a) A x= b e consistente

(b) b esta no espaco-coluna de A

(c) A matriz de coeficientes A e a matriz aumentada [A| b ] tem o mesmo posto.
Exemplo 3.41. Use o teorema anterior para mostrar que o sistema abaixo nao tem
solucao

x1 2x2 3x3 + 2x4 = 4

3x + 7x x + x = 3
1 2 3 4
2x1 5x2 + 4x3 3x4 = 7

3x1 + 6x2 + 9x3 6x4 = 1

Soluc
ao:
A forma escalonada por linhas da matriz aumentada e:

1 2 3 2 4 1 2 3 2 4

3 7 1 1 3 0 1 10 7 15

A= ... =R
2 5 4 3 7

0 0 0 0 1

3 6 9 6 1 0 0 0 0 0
Note que o posto da matriz dos coeficientes e 2 e o posto da matriz aumentada e 3.

Como os postos da matriz dos coeficientes e da matriz aumentada sao diferentes, o
sistema e inconsistente.
Teorema 3.29. Se Ax = b e um sistema linear de m equacoes em n incognitas, ent

ao
(a) Ax = b e consistente para qualquer matriz b de tamanho m 1.
(b) Os vetores-coluna de A geram Rm .
(c) pos(A) = m.
Definic ao 3.15. Um sistema linear sobredeterminado e aquele com mais equa-

coes do que incognitas. Nesse caso, os vetores-coluna de A nao geram Rm .
Exemplo 3.42. Encontre as condicoes para b1 , b2 , b3 , b4 e b5 para as quais o sistema

abaixo seja consistente:

x1 2x2 = b1

x 1 x 2 = b2

x 1 + x 2 = b3

x1 + 2x2 = b4

x + 3x = b
1 2 5
Soluc
ao:
Como o sistema e sobredeterminado, ele nao pode ser consistente para todos os valores
de b1 , b2 , b3 , b4 e b5 . As condicoes para que o sistema seja consistente sao obtidas
aplicando a eliminacao Gaussiana.
Aplicando a eliminacao gaussiana na matriz aumentada temos:

1 2 b1 1 2 b1

1 1 b2 0 1 b2 b1

. . . 0 0 2b1 3b2 + b3

1 1 b3

0 0 3b1 4b2 + b4

1 2 b4

1 3 b5 0 0 4b1 5b2 + b5
Assim, o sistema e consistente se, e somente se, b1 , b2 , b3 , b4 e b5 satisfazerm as
condicoes:
2b 3b2 + b3 = 0
1

3b1 4b2 + b4 = 0

4b 5b + b = 0

1 2 5
Resolvendo o sistema linear homogeneo, obtemos: b1 = 5r 4s, b2 = 4r 3s, b3 =

2r s, b4 = r, b5 = s, onde r e s sao parametros reais.
Novamente, vamos aplicar a eliminacao gaussiana na matriz aumentada do sistema
anterior:
2 3 1 0 0 0 1 2/3 1/2 0 0 0

3 4 0 1 0 0 0 1 3 2 0 0

4 5 0 0 1 0 0 0 1 2 1 0
Resolvendo o sistema correspondente à matriz escalonada,

b1 (3/2)b2 + (1/2)b3 = 0

b 3b3 + 2b4 = 0

2

b3 2b4 + b5 = 0

b4 = r

b =s
5
obtemos: b1 = 5r4s, b2 = 4r3s, b3 = 2rs, b4 = r, b5 = s, onde r e s sao parametros

reais.

Teorema 3.30. Se A x= b e um sistema linear consistente de m equacoes em n
incognitas e se A tem posto r, entao a solucao geral do sistema contem nr parametros.
Exemplo 3.43. Se A e uma matriz 5 7 de posto 4 e se Ax = b e um sistema linear

consistente, entao a solucao geral do sistema contem 7-4=3 parametros.
Teorema 3.31. Se A e uma matriz m n, entao as seguintes afirmacoes sao equiva-

lentes:

(a) A x= 0 possui somente a solucao trivial.
(b) Os vetores-coluna de A sao linearmente independentes.

(c) A x= b tem no maximo uma solucao para cada matriz b de tamanho m 1.
Definic
ao 3.16. Um sistema linear subdeterminado e aquele com mais incognitas
do que equacoes. Esse sistema possui infinitas solucoes.

Exemplo 3.44. Se A e uma matriz 5 7, entao o sistema linear A x= b e subdeter-

minado para cada matriz b de tamanho 7 1. Assim, A x= b deve ser consistente

para algum b e, para cada um destes b , a solucao geral deve ter 7 r parametros,
onde r e o posto de A.

Captulo 4
Espa
cos com Produto Interno
4.1 Aula 14 - Produtos Internos

O produto interno euclidiano entre dois vetores u e v de Rn foi denotado por u v .
D E
Nesta aula sera introduzida a notacao u, v que ira representar o produto interno
entre dois vetores quaisquer.
Definic
ao 4.1. Seja V um espaco vetorial
Dreal.
E Um produto interno e uma funcao

que associa a cada u, v V o n
umero real u, v e satisfaz os seguintes axiomas para

u, v , w V e k R:
D E D E
(a) u, v = v , u
D E D E D E
(b) u + v , w = u, w + v , w

D E D E
(c) k u, v = k u, v

D E D E
(d) v , v 0 e v , v = 0 se, e somente se, v = 0
Exemplo 4.1. Produto Interno Euclidiano no Rn

Se u= (u1 , u2 , . . . , un ) e v = (v1 , v2 , . . . , vn ) sao vetores no Rn , entao a formula
D E
u, v = u v = u1 v1 + u2 v2 + . . . + un vn
D E
define u, v como o produto interno euclidiano do Rn .
Exemplo 4.2. Produto Interno Euclidiano Ponderado no Rn
89
4.1 Aula 14 - Produtos Internos 90

Se u= (u1 , u2 , . . . , un ) e v = (v1 , v2 , . . . , vn ) sao vetores no Rn e w1 , w2 , . . . , wn s
ao
n
umeros reais positivos, chamados pesos, entao a formula
D E
u, v = u v = w1 u1 v1 + w2 u2 v2 + . . . + wn un vn
define o produto interno euclidiano ponderado com pesos w1 , w2 , . . . , wn .

2
Exemplo 4.3. SejamDu= (u 1 , u2 ), v = (v1 , v2 ) R . Mostre que o produto interno

E
euclidiano ponderado u, v = 3u1 v1 + 2u2 v2 satisfaz os quatro axiomas de produto
interno.
Soluc
ao:
Comprimento e Dist
ancia em Espacos com Produto Interno
Definic
ao 4.2. Seja V um espaco com produto interno.

(a) A norma ou comprimento de um vetor v V , denotado por v e definido por

D E 1
2
v = v , v

(b) A distancia entre dois pontos, ou dois vetores, u e v , denotado por d( u, v ), e
definida por

d( u, v ) = u v

Exemplo 4.4. Se u= (u1 , u2 , . . . , un ) e v = (v1 , v2 , . . . , vn ) sao vetores de Rn com
produto interno euclidiano, entao:
p
(a) u = ( u u)1/2 = u21 + u22 + . . . u2n

p
(b) d( u, v ) = u v = (u1 v1 )2 + (u2 v2 )2 + . . . + (un vn )2

Crculos Unit
arios e Esferas em Espaco com Produto Interno
Definic
ao 4.3. Se V e um espaco vetorial com produto interno, entao o conjunto dos
pontos de V que satisfazem
v = 1

e chamado esfera unit

aria ou entao crculo unit
ario de V .
arios Incomuns em R2
Crculos Unit
2
Exemplo 4.5. Esboce
D oEcrculo unitario do espaco vetorial V = R com o produto
interno euclidiano u, v = u1 v1 + u2 v2 .
Soluc
ao:
2
Exemplo 4.6. Esboce
D oEcrculo unitario do espaco vetorial V = R com o produto
interno euclidiano u, v = 91 u1 v1 + 41 u2 v2 .
Soluc
ao:
Produto Interno no Espaco Vetorial das Matrizes 2 2

" #
u1 u2
ao 4.4. Seja M22 o espaco vetorial das matrizes 2 2. Se U =
Definic ,V =
u3 u4
" #
v1 v2
M22 , entao a seguinte expressao define um produto interno em M22 :
v3 v4
hU, V i = tr(U T V ) = tr(V T U ) = u1 v1 + u2 v2 + u3 v3 + u4 v4

" # " #
1 2 1 0
Exemplo 4.7. Sejam U = eV = matrizes em M22 . Calcule o produto
3 4 3 2
interno hU, V i = u1 v1 + u2 v2 + u3 v3 + u4 v4 .
Soluc
ao:
Produto Interno no Espaco Vetorial dos Polin

omios de Grau Menor ou
Igual a 2
Se p = a0 + a1 x + a2 x2 e q = b0 + b1 x + b2 x2 sao dois polinomios em P2 entao a

seguinte formula define um produto interno em P2 :
hp, qi = a0 b0 + a1 b1 + a2 b2

Teorema 4.1 (Propriedades de Produto Interno). Se u, v e w sao vetores em um
espaco vetorial V com produto interno e k e um escalar real, entao:
D E D E
(a) 0 , v = v , 0 = 0
D E D E D E
(b) u, v + w = u, v + v , w

D E D E
(c) k u, v = k u, v
D E D E D E
(d) u v , w = u, w v , w
D E D E D E
(e) u, v w = u, v u, w
Exemplo 4.8. Utilize as propriedades de produto interno para simplificar a express

ao
D
E
u 2 v , 3 u +4 v
Soluc
ao:

4.2 Aula 15 - Angulo e Ortogonalidade 94
4.2
Aula 15 - Angulo e Ortogonalidade
Varias propriedades validas nos espacos vetoriais euclidianos sao validas tambem
para um espaco vetorial arbitrario V no qual esta definido um produto interno. Em
seguida serao listadas propriedades de norma, de distancia e de angulo entre dois vetores
que sao validas no espaco vetorial arbitrario V .

Teorema 4.2 (Propriedades de Norma). Se u e v sao vetores em um espaco com
produto interno V e k um escalar real, entao

(a) u 0

(b) u = 0, se e somente se u= 0

(c) k v = k v

(d) u + v u + v (Desigualdade Triangular)

Teorema 4.3 (Propriedades de Distancia). Se u, v e w sao vetores em um espaco
com produto interno V , entao

(a) d( u, v ) 0

(b) d( u, v ) = 0, se e somente se u= v

(c) d( u, v ) = d( v , u)

(d) d( u, v ) d( u, w) + d(w, v ) (Desigualdade Triangular)

ao 4.5. Sejam u e v vetores nao nulos em um espaco com produto interno V .
Definic

O angulo entre u e v e obtido atraves da seguinte relacao:
D E
u, v
e 0
cos =
u v

DefiniaEo 4.6. Dois vetores u e v de um espaco com produto interno sao ortogonais
D c
se u, v = 0.
"# " #
1 0 0 2
Exemplo 4.9. Verifique se as matrizes U = eV = do espaco vetorial
1 1 0 0
M22 com o produto interno euclidiano hU, V i = u1 v1 +u2v2 +u3 v3 +u4 v4 sao ortogonais.

Soluc
ao:
Complementos Ortogonais
Se V e um plano pela origem do R3 com o produto interno euclidiano, entao o conjunto

de todos os vetores que sao ortogonais a cada vetor de V constitui a reta L pela origem
que e perpendicular a V , como pode ser visto na Figura 4.1. Neste caso, dizemos que
o plano e a reta sao complementos ortogonais.
Figura 4.1: O plano e a reta sao complementos ortogonais.
Definicao 4.7. Sejam V um espaco vetorial com um produto interno e W um subcon-

junto nao vazio de V . O complemento ortogonal de W e definido por:

W = { v V | v e ortogonal a todos os vetores de W }
Teorema 4.4 (Propriedades do Complemento Ortogonal). Se W e um subespaco de

um espaco com produto interno V de dimensao finita, entao:
(a) W e um subespaco de V .

nico vetor comum a W e a W e 0 .
(b) O u
(c) O complemento ortogonal de W e W , ou seja, (W ) = W .

Relac
ao Geom
etrica entre Espaco Nulo e Espaco Linha
Teorema 4.5. Se A e uma matriz m n, entao:
(a) O espaco-nulo de A e o espaco-linha de A sao complementos ortogonais em Rn

com o produto interno euclidiano.
(b) O espaco-nulo de AT e o espaco-coluna de A sao complementos ortogonais em Rm

com o produto interno euclidiano.

Exemplo 4.10. Seja W o subespaco de R5 gerado pelos vetores w1 = (2, 2, 1, 0, 1), w2 =

(1, 1, 2, 3, 1), w3 = (1, 1, 2, 0, 1) e w4 = (0, 0, 1, 1, 1). Encontre uma base para o
complemento ortogonal de W .
Soluc
ao:

O espaco W gerado pelos vetores w1 , w2 , w3 e w4 e o mesmo que o espaco-linha da
matriz
2 2 1 0 1

1 1 2 3 1

A=
1 2 0 1

1

0 0 1 1 1
Como o espaco-linha de A e o espaco-nulo de A sao complementos ortogonais, uma
base para o complemento ortogonal de W sao os vetores da base do espaco-nulo de A.
Pelo Exemplo 3 da Aula 12, vimos que

1 1

1 0

v1 = 0 e v2 = 1

0 0

0 1
formam uma base para o espaco-nulo de A. Escrevendo esses vetores na notacao dos

vetores w1 , w2 , w3 e w4 , conclumos que v1 = (1, 1, 0, 0, 0) e v2 = (1, 0, 1, 0, 1) forma
uma base de W .
Como W e W sao complemento ortogonais, temos que:
4.3 Aula 16 - Bases Ortonormais e Processo de Gram-Schmidt 97
D E
w1 , v1 = 0
D E
w1 , v2 = 0
D E
w2 , v1 = 0
D E
w2 , v2 = 0
D E
w3 , v1 = 0
D E
w3 , v2 = 0
D E
w4 , v1 = 0
D E
w4 , v2 = 0
4.3 Aula 16 - Bases Ortonormais e Processo de

Gram-Schmidt
Definic
ao 4.8. (a) Um conjunto de vetores em um espaco com produto interno e cha-
mado um conjunto ortogonal se quaisquer dois vetores distintos do conjunto
sao ortogonais.
(b) Um conjunto ortogonal em que cada vetor tem norma igual a um e chamado con-
junto ortonormal.

Observacao 4.1. Se v e um vetor nao nulo de um espaco vetorial com produto interno
euclidiano, entao o vetor
1
v
v

tem norma igual a um, isto e, e um vetor unitario. Este processo e conhecido como
normalizacao de vetores.

Teorema 4.6 (Coordenadas em Relacao a Bases Ortonormais). Se S = {v1 , v2 , . . . , vn }

e uma base ortonormal de um espaco com produto interno V e u e um vetor qualquer
de V , entao

D E D E D E
u= u, v1 v1 + u, v2 v2 + . . . + u, vn vn

D E D E D E
ao 4.2. ( u)S =
Observac u, v1 , u, v2 , . . . , u, vn e o vetor de coordenadas

de u em relacao a base S.

Exemplo 4.11. Sejam v1 = (0, 1, 0), v2 = (4/5, 0, 3/5), v3 = (3/5, 0, 4/5) R3 e S =

{v1 , v2 , v3 } uma base ortonormal de R3 . Escreva o vetor u= (1, 1, 1) como uma com-
binacao linear dos vetores de S e obtenha o vetor de coordenadas (u)S .
Soluc
ao:

Se S = {v1 , v2 , . . . , vn } e uma base ortogonal de um espaco com produto interno
V , normalizando esses vetores obtemos a base ortonormal.

v v

v

0 1
S = , 2 , . . . , n

v v
v

1 2 n

Assim, se u V , pelo Teorema 5.6, temos

* + * + * +
v v v v v v
u= u, 1 1 + u, 2 2 + . . . + u, n n

v1 v1 v2 v2 vn vn

Pelas propriedades de produto interno, a expressao anterior e reescrita da seguinte

maneira: D E D E D E

u, v1 u, v2 u, vn
u= 2 v1 + 2 v2 + . . . + 2 vn

v1 v2 vn

A formula acima expressa u como combinacao linear de vetores unitarios mutu-
amente perpendiculares.

Teorema 4.7. Se S = {v1 , v2 , . . . , vn } e um conjunto ortogonal de vetores nao-nulos
de um espaco com produto interno, entao S e linearmente independente.

ao 4.3. Se V e um espaco vetorial de dimensao n e S = {v1 , v2 , . . . , vn } e
Observac
um conjunto ortogonal, entao S e uma base ortogonal de V . Para obtermos uma base
ortonormal, basta normalizar os vetores de S.
Projec
oes Ortogonais
Teorema 4.8. Se W e um subespaco de dimensao finita de um espaco com produto

interno V , entao cada vetor u de V pode ser expresso precisamente de uma u
nica
maneira como

u=w1 + w2

onde w1 esta em W e w2 esta em W .

ao ortogonal de u em W e e
No Teorema 4.8 o vetor w1 e chamado projec

denotado por projW u. O vetor w2 e chamado componente de u ortogonal a W e

e denotada por projW u.
Teorema 4.9. Seja W um subespaco de dimensao finita de um espaco com produto

interno V .

(a) Se {v1 , v2 , . . . , vr } e uma base ortonormal de W e u e um vetor qualquer de V ,
entao

D E D E D E
projW u= u, v1 v1 + u, v2 v2 + . . . + u, vr vr (4.1)

(b) Se {v1 , v2 , . . . , vr } e uma base ortogonal de W e u e um vetor qualquer de V , ent
ao
D E D E D E

u, v1 u, v2 u, vr
projW u= 2 v1 + 2 v2 + . . . + 2 vr (4.2)

v1 v2 vr
Exemplo 4.12. Seja R3 um espaco vetorial com produto interno euclidiano e W su-

bespaco de R3 gerado pelos vetores ortonormais v1 = (0, 1, 0) e v2 = (4/5, 0, 3/5). En-

contre a projecao ortogonal de u= (1, 1, 1) em W e o componente de u ortogonal a
W.
Soluc
ao:
Encontrando Bases Ortogonais e Ortonormais
Teorema 4.10. Cada espaco vetorial nao-nulo de dimensao finita possui uma base
ortonormal.
Demonstracao:
Seja V um espaco vetorial nao-nulo de dimensao finita com produto interno eucli-

diano. Suponha que {u1 , u2 , . . . , un } e uma base de V . Vamos mostrar que V possui
um base ortogonal, pois os vetores da base ortogonal podem ser normalizados dando
origem a uma base ortonormal.

Passo 1 Seja v1 =u1 .

Passo 2 De acordo com a figura abaixo, podemos obter v2 ortogonal a v1 tomando o

componente de u2 que e ortogonal ao espaco W1 gerado por v1 .

Figura 4.2: Projecao de u2 em W1
Para isso, usaremos a equacao (6.7) do Teorema 04:

D E

u2 , v1
v2 =u2 projW1 u2 =u2 2 v1 (4.3)

v1

Temos que v2 6= 0 (L.I), pois, caso contrario, u2 seria m
ultiplo de u1 .

Passo 3 Para encontrar um vetor v3 que e ortogonal a ambos v1 e v2 , calculamos

o componente de u3 que e ortogonal ao espaco W2 gerado por v1 e v2 , como
mostrado na figuara abaixo.

Figura 4.3: Projecao de u3 em W2
Usando a equacao (6.7) do Teorema 04, temos:
D E D E

u ,
3 1v
u3 , v2
v3 =u3 projW2 u3 =u3 2 v1 2 v2 (4.4)

v1 kv 2 k

Temos que v3 6= 0, pois {u1 , u2 , . . . , un } e L.I.

Passo 4 Para encontrar um vetor v4 que e ortogonal a ambos v1 , v2 e v3 , calculamos

o componente de u4 que e ortogonal ao espaco W3 gerado por v1 , v2 e v3 . Pela a
equacao (6.7) do Teorema 04, temos:
D E D E D E

u4 , v1
u ,
4 2v
u4 , v3
v4 =u4 projW3 u4 =u4 v1 2 v2 2 v3 (4.5)
kv1 k2
v2

v3
Continuando desta maneira, depois de n passos, obteremos o conjunto de veto-

res ortogonais {v1 , v2 , . . . , vn }. Como V tem dimensao n e conjuntos ortogonais sao

linearmente independentes, o conjunto {v1 , v2 , . . . , vn } e uma base ortogonal de V .
Exemplo 4.13. Considere o espaco vetorial R3 com produto interno euclidiano. Apli-

que o processo de Gram-Schmidt para transformar os vetores de base u1 = (1, 1, 1), u2 =

(0, 1, 1), u3 = (0, 0, 1) em uma base ortogonal {v1 , v2 , v3 }; depois normalize os vetores

da base ortogonal para obter uma base ortonormal {q1 , q2 , q3 }.
Soluc
ao:
Passo 1

v1 =u1 = (1, 1, 1)
Passo 2
D E

u2 , v1
v2 = u2 projW1 u2 =u2 2 v1

v1
2 2 1 1
= (0, 1, 1) (1, 1, 1) = ( , , )
3 3 3 3
Passo 3

v3 = u3 projW1 u3
D E D E

u3 , v1 u3 , v2
= u3 2 v1 2 v2

v1 v2
1 1/3 2 1 1
= (0, 0, 1) (1, 1, 1) ( , , )
3 2/3 3 3 3
1 1
= (0, , )
2 2
Assim,
2 1 1 1 1
v1 = (1, 1, 1), v2 = ( , , ), v3 = (0, , )
3 3 3 2 2
formam uma base ortogonal de R3 . As normas destes vetores sao:
6 1

v1 = 3, v2 = , v3 =
3 2
Logo, a base ortonormal de R3 e formada pelos vetores:

v 1 1 1 v 2 1 1
q1 = 1 = ( , , ), q2 = 2 = ( , , )
3 3 3 6 6 6
v1 v2

v 1 1
q3 = 3 = (0, , )
2 2
v3

4.4 Aula 17 - Matrizes Ortogonais e Mudanca de Base 104
4.4 Aula 17 - Matrizes Ortogonais e Mudan

ca de
Base
No estudo de espacos vetoriais a mudanca de uma base para outra e um processo
comum, pois uma base que e conveniente para um determinado problema pode
nao ser para outro.
Uma base e a generalizacao de um sistema de coordenadas para o espaco vetorial,

por isso e importante conhecer as relacoes entre as coordenadas de um vetor em
sistemas de coordenadas distintos.
As matrizes ortogonais possuem propriedades importantes e aparecem no calculo

de mudanca de uma base ortonormal para outra base ortonormal.
ao 4.9. Uma matriz quadrada A e ortogonal se A1 = AT .

Definic
Observac ao 4.4. Se A e matriz ortogonal, entao AAT = I e AT A = I. Esta pro-

priedade pode ser usada como um criterio para verificar se uma matriz quadrada A e
ortogonal.
Exemplo 4.14. A matriz

3 2 6
7 7 7
A = 67 3 2

7 7
2 6
7 7
37
e ortogonal, pois

3
7
67 2
7
3
7
2
7
6
7
1 0 0
AT A =
2 3 6 6 3 2
7 = 0 1 0

7 7 7 7 7
6 2
7 7
37 2
7
6
7
37 0 0 1
" #
cos sen
Exemplo 4.15. A matriz A = e chamada matriz canonica para a
sen cos
rotacao anti-horaria do R2 por um angulo . As colunas desta matriz contem as novas

coordenadas dos vetores e1 = (1, 0) e e2 = (0, 1) apos a rotacao.
A matriz A e ortogonal pois

" #" # " #
cos sen cos sen 1 0
AT A = =
sen cos sen cos 0 1
Representacao geometrica da rotacao anti-horaria do R2 por um angulo .
Teorema 4.11. Se A e uma matriz n n as seguintes afirmacoes sao equivalentes:
(a) A e ortogonal.
(b) Os vetores-linha de A formam um conjunto ortonormal de Rn em relacao ao pro-

duto interno euclidiano.
(c) Os vetores-coluna de A formam um conjunto ortonormal de Rn em relacao ao

produto interno euclidiano.
Teorema 4.12. (a) A inversa de uma matriz ortogonal e ortogonal.
(b) Um produto de matrizes ortogonais e ortogonal.
(c) Se A e ortogonal entao det(A) = 1 ou det(A) = 1.
Exemplo 4.16. O determinante da matriz ortogonal

" #
1 1
2 2
A=
12 1
2
1 1
e det(A) = 2
+ 2
= 1.
Soluc
ao:
Matrizes de Coordenadas

Se S = {v1 , v2 , . . . , vn } e a base de um espaco vetorial V e v V , entao:

(a) v = k1 v1 + k2 v2 + . . . + kn vn .

(b) ( v )S = (k1 , k2 , . . . , kn ) e o vetor de coordenadas de de v em relacao a` base S.

k
1

k2
.. e a matriz de coordenadas de de v em relacao a` base S.
(c) [ v ]S =
.

kn
Problema da Mudanca de Base

Seja V um espaco vetorial e B base de V . Se v V , entao [ v ]B e a matriz de

coordenadas de v em relacao a base B.
Se for feita uma mudanca da base B para a uma outra base B 0 , qual e a relacao

existente entre [ v ]B e [ v ]B 0 ?
Esta pergunta sera respondida para matrizes bidimensionais. A solucao para espa-
cos n-dimensionais e similar.
Sejam

B = {u1 , u2 } e B 0 = {u01 , u02 }
as bases velha e nova de V , respectivamente.
Suponha que as matrizes de coordenadas dos vetores da base B 0 (base nova) em

relacao à base B (base velha), sao:

a c
[u01 ]B = e [u02 ]B = (4.6)
b d
isto e

u01 = a u1 +b u2 (4.7)

u02 = c u1 +d u2 (4.8)

Suponha que v e um vetor qualquer em V cuja matriz de coordenadas em relacao
a base B 0 e:

k1
[ v ]B 0 = (4.9)
k2

Isto e, podemos escrever v como combinacao linear dos vetores da base B 0 da
seguinte maneira:

v = k1 u01 +k2 u02 (4.10)
Substituindo as equacoes (4.7) e (4.8) em (4.10), temos:

v = k1 u01 +k2 u02

= k1 (a u1 +b u2 ) + k2 (c u1 +d u2 )

= (k1 a + k2 c) u1 +(k1 b + k2 d) u2 (4.11)

A equacao acima expressa v como combinacao linear dos vetores da base B.

A matriz de coordenadas de v em relacao a` base B e:

k1 a + k2 c
[ v ]B = (4.12)
k1 b + k2 d
A equacao (4.12) pode ser escrita como:

a c k a c
[ v ]B = 1 ou [
v ]B = [
v ]B 0 (4.13)
b d k2 b d

Logo, a matriz de coordenadas [ v ]B e obtida multiplicando a matriz de coorde-

nadas [ v ]B 0 a` esquerda pela matriz

a c
P =
b d
cujas colunas sao as coordenadas dos vetores da base B 0 em relacao a` base B.
A matriz P e conhecida por matriz de transicao de B 0 para base B.

0 0 0 0
Definicao 4.10. Sejam B = {u1 , u2 , . . . , un } e B = {u1 , u2 , . . . , un } bases de um
espaco vetorial V .
(a) A matriz de transicao de B 0 para B (ou matriz de mudanca de base) e definida

por h i
P = [u01 ]B [u02 ]B . . . [u0n ]B

(Cada [u0i ]B sao vetores-coluna.)

(b) Para v V , temos a seguinte relacao

[ v ]B = P [ v ]B 0

Exemplo 4.17. Sejam B = {u1 , u2 } e B 0 = {u01 , u02 } bases de R2 , onde

u1 = (1, 0), u2 = (0, 1), u01 = (1, 1), u02 = (2, 1)
(a) Encontre a matriz de transicao de B 0 para B.

" #
3
(b) Use a equacao [ v ]B = P [ v ]B 0 para encontrar [ v ]B sabendo que [ v ]B 0 =
5
Soluc
ao:

Exemplo 4.18. Sejam B = {u1 , u2 } e B 0 = {u01 , u02 } bases de R2 , onde

u1 = (1, 0), u2 = (0, 1), u01 = (1, 1), u02 = (2, 1)
(a) Seja Q a matriz de transicao de B para B 0 . Encontre Q.
(b) Verifique que P Q = I, onde P e a matriz de transicao de B 0 para B encontrada

no exemplo anterior.
Soluc
ao:
Teorema 4.13. Seja V um espaco vetorial de dimensao finita. Se P e a matriz de

transicao de uma base B 0 para uma base B, entao
(a) P e invertvel.
(b) P 1 e a matriz de transicao de B para B 0 .

(c) Para v V , temos as relacoes

[ v ]B = P [ v ]B 0 e [ v ]B 0 = P 1 [ v ]B
Aplicac
ao `
a Rotac
ao de Eixos no Espaco Bidimensional
Ao girar o sistema de coordenadas retangulares xy no sentido anti-horario em torno

da origem por um angulo obtemos um novo sistema de coordenadas x0 y 0 . Seja Q
um ponto do plano. Podemos observar dois conjuntos de coordenadas para o ponto Q:

as coordenadas (x, y) em relacao ao sistema xy e as coordenadas (x0 y 0 )em relacao ao
sistema x0 y 0 .

0 0
Sejam u1 e u2 vetores unitarios ao longo dos eixos positivos x e y e u1 e u2 ao longo
dos eixos positivos x0 e y 0 .

Podemos considerar esta rotacao como uma mudanca da base B = {u1 , u2 } para a

0 0
base B = {u1 , u2 }. Assim, as coordenadas (x, y) e (x0 , y 0 ) se relacionam da seguinte
0
maneira:

x x0
=P (4.14)
y y0
e

x0 x
= P 1 (4.15)
y0 y
onde P e a matriz de transicao de B 0 para B.

h i
A matriz P e dada por P = [u01 ]B [u02 ]B . Pelo grafico acima, temos que:

cos sen
P =
sen cos
Como P e uma matriz ortogonal (Exemplo 0.2), P 1 = P T . Logo,

cos sen
P 1 = P T =
sen cos
Pela equacao (5.5), temos que

x0 cos sen x
=
y0 sen cos y
que e equivalente a
x0 = xcos + ysen
y 0 = xsen + ycos
Por exemplo, se = 4 , temos

x0 1 1 x
= 2 2
y0 12 1
2
y
Se Q tem coordenadas (x, y) = (2, 1), apos a rotacao as novas coordenadas de Q sao
1 3
(x0 , y 0 ) = ( , )
2 2

4.5 Aula 18 - Mnimos Quadrados 112
4.5 Aula 18 - Mnimos Quadrados

Ate agora encontramos solucoes para sistemas A x= b consistentes. O que fazer

quando o sistema A x= b e inconsistente? Os sistemas inconsistentes podem aparecer

em algumas situacoes e a abordagem utilizada e a de procurar um valor de x que
chegue t ao perto quanto possvel de ser uma soluc ao, no sentido que minimiza

o valor de A x b em relacao ao produto inteno euclidiano.

Seja W e o espaco coluna de A gerado pelos vetores-coluna c1 , c2 , . . . , cn .

Se o sistema A x= b e consistente, entao existem x1 , x2 , . . . , xn , tais que c1 x1 + c2

x 2 + . . . + cn x n = b e b W .

Se A x= b e inconsistente, entao c1 x1 + c2 x2 + . . . + cn xn 6= b , isto e, b
/ W.

Queremos encontrar um vetor x tal que A x e o vetor em W mais proximo de

b , isto e

A x= projW b

Dentre todos os vetores w de W , temos que

u projW u < u w .


projW u e a melhor aproximacao de u por vetores de W .

Note que b A x= b projW b e ortogonal a W .

Como W e o espaco-coluna de A, segue que b A x esta no espaco-nulo de AT
(O espaco-coluna e o espaco nulo de AT sao complementos ortogonais).

Desse modo, uma solucao de mnimos quadrados de A x= b deve satisfazer

AT ( b A x) = 0
ou equivalentemente

AT A x= AT b (4.16)

A equacao (6.6) fornece a solucao por mnimos quadrados para o sistema A x= b e

e chamada sistema normal associado a A x= b .

Observac ao 4.5. Se A e uma matriz n n, entao o sistema A x= b tem soluc ao
u
nica se os vetores-coluna de A sao linearmente independentes. Neste caso, a matriz

AT A e invertvel e x= (AT A)1 AT b .

Exemplo 4.19. Encontre a solucao de mnimos quadrados do sistema linear A x= b
dado por
x 1 x2 = 4

3x1 + 2x2 = 1

2x1 + 4x2 = 3

Solucao:
Do sistema dado, temos
1 1 4

A= 3 2 e b = 1

2 4 3

A solucao de mnimos quadrados satisfaz o sistema normal AT A x= AT b .

1 1
1 3 2 14 3
AT A = 2 =
3
1 2 4 3 21
2 4

4
1 3 2
1
AT b = 1 =
1 2 4 10
3

Substituindo AT A e AT b em AT A x= AT b , temos:

14 3 x1 1
=
3 21 x2 10
Resolvendo o sistema acima, sao encontradas as solucoes por mnimos quadrados:
17 143
x1 = e x2 =
95 285

A projecao ortogonal de b no espaco coluna de A e:

1 1 92/285

17/95
A x= 3 =

2 439/285
143/285
2 4 94/57

Exemplo 4.20. Encontre a projecao ortogonal do vetor u= (3, 3, 8, 9) no subespaco
de R4 gerado pelos vetores

u1 = (3, 1, 0, 1), u2 = (1, 2, 1, 1), u3 = (1, 0, 2, 1).
Solucao:

1a maneira: Se os vetores u1 , u2 , u3 sao ortonormais (se nao for, aplicar Gram-Schmidt),
entao D E D E D E

u, u1
u, u2
u, u3
projW u= 2 u1 + 2 u2 + 2 u3
ku1 k ku2 k ku3 k

onde ui = 1
2a maneira: Metodo dos mnimos quadrados

Projetar u no espaco-coluna da matriz A cujas colunas sao os vetores dados. A

solucao de mnimos quadrados e a solucao do sistema AT A x= AT b . Apos

encontrar a solucao x, a projecao ortogonal sera projW u= A u.

3 1 1 3
3 1 0 1
3

1 2 0 T
A= ,A =
1 2 1 1 e b=

0 1 2 8
1 0 2 1
1 1 1 9

3 1 1
3 1 0 1 11 6 4

1 2 0

T
A A = 1 2 1 1 = 6 7 0

0

1 2
1 0 2 1 4 0 6
1 1 1

3
3 1 0 1 3

3
AT b = 1 2 1 1 = 8

8

1 0 2 1 10
9

11 6 4 x1 3

T T
A A x= A b 6 7 0 x2 = 8

4 0 6 x3 10

11 6 4 3 1 0 0 1

6 7 0 8 . . . 0 1 0 2

4 0 6 10 0 0 1 1

x 1

1
x= x2 = 2

x3 1
Logo,
3 1 1 2
1

1 2 0 3
projW u= A x=

2 = .

0 1 2 4
1
1 1 1 0
Levando para a notacao dos vetores dados,

projW u= (2, 3, 4, 0).
Aplicac
ao: Ajuste de Retas pelos Mnimos Quadrados
Reta de Mnimos Quadrados
Suponha que sejam dados n pontos (x1 , y1 ), (x2 , y2 ), . . . , (xn , yn ), onde pelo menos
dois dos xi sao distintos. Estamos interessados em encontrar a reta de mnimos qua-
drados
y = b1 x + b0 (4.17)
que melhor se ajusta aos dados. Se os pontos
(x1 , y1 ), (x2 , y2 ), . . . , (xn , yn )

estivessem exatamente sobre a reta de mnimos quadrados, teramos
y i = b 1 x i + b0 (4.18)
Substituindo os pontos dados na equacao (6.6), temos o seguinte sistema:

b1 x 1 + b0 = y 1

b x +b =y
1 2 0 2
.. (4.19)

.

b x +b =y
1 n 0 2
Se
x 1 y
1 1

b1 x2 1 y
x= , A = e b = 2 ,
.. ..
b0 . .

xn 1 yn
entao o sistema (4.19) e dado por

A x= b (4.20)
O sistema linear acima e inconsistente, pois nem todos os pontos pertencem a` equacao
da reta de equacao y = b1 x + b0 .
Utilizando
o metodo de mnimos quadrados, podemos encontrar uma solucao
b1
x= para o sistema A x= b que ira definir a reta que melhor se ajusta aos
b0
pontos dados.

A solucao por mnimos quadrados e x= (AT A)1 AT b .

A solucao e obtida resolvendo o sistema AT A x= AT b .
Resumindo: O procedimento para encontrar a reta de mnimos quadrados

y = b1 x + b0 para os dados (x1 , y1 ), (x2 , y2 ), . . . , (xn , yn ), onde pelo menos dois dos xi
sao diferentes esta descrito abaixo:
(Etapa 1) Faca
x1 1 y
1

b1 x2 1 y2
x= ,A = .
e b = ..

b0 . .
.

xn 1 yn

(Etapa 2) Resolva o sistema normal At A x= AT b
Exemplo 4.21. Na producao do produto XXX, a quantidade do composto beta pre-

sente no produto e controlada pela quantidade do ingrediente alfa usado no processo.
Na producao de um litro de XXX, a quantidade do composto alfa usada e a quanti-
dade do composto beta presente sao registradas. A Tabela 4.1 mostra as quantidades
de compostos no produto.
(a) Encontre uma equacao para a reta que melhor se ajusta aos dados.
(b) Use a equacao obtida na parte (a) para prever o n

umero de gramas do composto
beta presente em um litro do produto XXX se 30 gramas do composto alfa s ao
usados por litro.
Alfa utilizado (gramas/litro) 3 4 5 6 7 8 9 10 11 12

Beta presente (gramas/litro) 4,5 5,5 5,7 6,6 7,0 7,7 8,5 8,7 9,5 9,7
Tabela 4.1: quantidades de compostos no produto XXX
Solucao:
(a) Temos
4, 5 3 1

5, 5 4 1

5, 7 5 1

6, 6 6 1

7, 0 7 1 b
b= ,A = e
x= 1

7, 7 8 1 b0

8, 5 9 1

8, 7 10 1

9, 5 11 1

9, 7 12 1
Entao,
645 75 598, 6
AT A = e AT b =
75 10 73, 4

Resolvendo o sistema normal At A x= AT b , isto e

645 75 b 598, 6
1 =
75 10 b0 73, 4
temos
b1 0, 583
x= =
b0 2, 967
Portanto, a equacao para a reta de mnimos quadrados e
y = 0, 583x + 2, 967
onde y e a quantidade do composto beta presente e x e a quantidade do composto alfa

usado.
(b) Se x = 30, substituindo na equacao
y = 0, 583x + 2, 967
obtemos y = 20, 457. Isto e, havia 20, 457 gramas de beta presentes em um litro de
XXX.
Exerccios:

(1) Encontre a solucao de mnimos quadrados do sistema linear A x= b e obtenha a

projecao ortogonal de b no espaco-coluna de A.

1 1 7

(a) A = 1 1 e b = 0

1 2 7

2 2 2

(b) A = 1 1 e b = 1

3 1 1

11/2 46/21
o: (a) x1 = 5, x2 = 21 ; 9/2. (b) x1 = 3/7, x2 = 2/3; 5/21
Soluca

4 13/21
Captulo 5
Autovalores e Autovetores
5.1 Aula 19 - Autovalores e Autovetores

Se A e uma matriz n n e x e um vetor do Rn entao A x e um vetor em Rn .

Em geral, nao ha relacao entre x e A x, porem, existem casos especiais em que

A x e m
ultiplo de x.
No estudo das vibracoes, dinamica populacional, genetica, mecanica quantica e

economia e natural os casos em que A x e m
ultiplo de x.

ao 5.1. Se A e uma matriz n n e x um vetor nao-nulo do Rn , tais que A x
Definic

ultiplo de x, isto e
e m

A x= x (5.1)

para algum , entao x e chamado autovetor de A e e chamado outovalor de A
associado a .
" # " #
1 3 0
Exemplo 5.1. O vetor x= e um autovetor de A = , pois
2 8 1
" #" # " #
3 0 1 3
A x= = =3x
8 1 2 6
121
5.1 Aula 19 - Autovalores e Autovetores 122
Por definicao, e autovalor de uma matriz A de tamanho nn se e valida a seguinte

equacao:

A x= x

A x= I x

A x A x= I x A x

0 = (I A) x

(I A) x= 0 (5.2)
Para ser um autovalor da equacao (6.6) e necessario que exista uma solucao

nao nula para essa equacao, isto e, que exista um vetor x nao nulo satisfazendo
a equacao.
Como a equacao (6.6) equivale a um sistema homogeneo, se a matriz dos coe-

ficientes (I A) for invertvel o sistema so tera a solucao trivial, isto e x= 0 .
Portanto, para que seja autovalor da matriz A a matriz (I A) nao pode ser
invertvel. Isto e equivalente a termos:
det(I A) = 0 (5.3)
A equacao (5.12) e chamada equac

ao caracterstica de A.
Os escalares que satisfazem equacao (5.12) sao denominados autovalores de A.
Ao expandir det(IA) obtemos um polinomio p em que e chamado polin

omio
caracterstico de A.
Se A e uma matriz n n, entao o polinomio caracterstico p() = n + c1 n1 +

. . . + cn tem no maximo n raizes. Logo, a equacao (5.12) tem no maximo n
autovalores (raizes do polinomio).

0 1 0
Exemplo 5.2. Encontre os autovalores de A = 0 0 1.

4 17 8
Soluca
o: Resultado auxiliar: Todas as solucoes inteiras (se houver) de uma equacao
polinomial
n + c1n1 + . . . + cn = 0
com coeficientes inteiros sao divisores do termo constante cn .

a11 a12 a13 a14
0 a
22 a23 a24
Exemplo 5.3. Encontre os autovalores da matriz triangular superior A = .

0 0 a33 a34
0 0 0 a44
Soluca
o:
Teorema 5.1. Se A e uma matriz n n triangular (superior, inferior ou diagonal),

entao os autovalores de A sao as entradas da diagonal principal de A.

1
2
0 0
Exemplo 5.4. Encontre os autovalores da matriz A = 1 23 0 .

5 8 41
Soluca
o:
Os autovalores sao = 12 , = 2
3
e = 14 .
Autovalores Complexos
Para uma matriz A com entradas reais e possvel que a equacao caracterstica
det(I A) = 0 tenha solucoes complexas. Por exemplo, se

2 1
A=
5 2
entao:
det(I A) = 0

+2 1
det =0
5 2
2 + 1 = 0
= i, = i
Encontrando Bases para Auto-Espacos

Os autovetores de A associados a um autovalor sao os vetores nao-nulos x que

satisfazem A x= x.
Equivalentemente, os autovetores associados a sao os vetores nao-nulos no

espaco-solucao de (I A) x= 0 .
Chamaremos este espaco de auto-espaco de A associado a .


0 0 2
Exemplo 5.5. Encontre bases para os auto-espacos de A = 1 2 1 .

1 0 3
Observacao: As bases para os auto-espacos sao formadas pelos autovetores associados
aos autovalores.
Soluca
o:
Pot
encias de uma Matriz
Uma vez obtidos os autovalores e autovetores de A, para obter os autovalores e

autovetores de A2 , procedemos da seguinte maneira:

A2 x= A(A x) = A( x) = (A x) = (x) = 2 x

Assim, 2 e um autovalor de A2 associado ao autovetor x.
Teorema 5.2. Seja k e um inteiro positivo. Se e um autovalor de uma matriz A

associado ao autovalor x, entao k e um outovalor de Ak associado aoautovetor x.
0 0 2
Exemplo 5.6. Vimos no Exemplo 05 que os autovalores de A = 1 2 1 s
ao

1 0 3
1 = 2 e 2 = 1.
Considerando A7 , pelo Teorema 5.2, temos que 71 = 22 = 128 e 72 = 17 = 1 sao

7
autovalores de A .

1 0

Como v1 = 0 e v2 = 1 s ao autovetores associados ao autovalor 1 = 2, pelo
1 0

ao autovetores de A7 associados ao autovalor 71 = 2.
Teorema 5.2, segue que v1 e v2 s

2

Da mesma forma, v3 = 1 e autovetor de A7 associado ao autovalor 72 = 1.

1
Teorema 5.3. Uma matriz quadrada A e invertvel se, e somente se, = 0 nao e um
autovalor de A.
Demonstrac
ao:
Suponha que A e uma matriz n n e observe primeiro que = 0 e uma solucao

da equacao caracterstica
n + c1 n1 + . . . + cn = 0
se, e somente se, o termo constante cn e zero.
Assim, e suficiente provar que A e invertvel se, e somente se, cn 6= 0.
Temos que
det(I A) = n + c1 n1 + . . . + cn
Assim, se = 0, teremos det(A) = cn , isto e,
(1)n det(A) = cn
Segue da u
ltima equacao que det(A) = 0 se, e somente se cn = 0. Logo, A e
invertvel, se e somente se, cn 6= 0.

0 0 2
Exemplo 5.7. Do Exemplo 05, podemos concluir que a matriz A = 1 2 1 e

1 0 3
invertvel, pois os autovalores 1 = 2 e 2 = 1 sao todos diferentes de zero.
5.2 Aula 20 - Diagonalizacao 127
5.2 Aula 20 - Diagonaliza

c
ao
O Problema dos Autovetores: Dada uma matriz A de tamanho n n, existe
uma base de Rn consistindo de autovetores de A?
O Problema da Diagonalizac
ao: Dada uma matriz A de tamanho n n,
existe uma matriz invertvel P tal que P 1 AP e uma matriz diagonal?
Definicao 5.2. Uma matriz quadrada A e dita diagonalizavel se existir uma matriz
1
invertvel P tal que P AP e uma matriz diagonal. Neste caso, dizemos que a matriz
P diagonaliza A.
O teorema abaixo mostra que o problema do autovetor e o problema de diagonali-

zacao sao equivalentes.
Teorema 5.4. Se A e uma matriz nn, entao sao equivalentes as seguintes afirmacoes:
(a) A e diagonalizavel.
(b) A tem n autovetores linearmente independentes.
Demonstracao:
(a) (b)
Suponha que A e diagonalizavel. Entao, por definicao, existe uma matriz invertvel

p p . . . p1n
11 12

p21 p22 . . . p2n
P =
.. .. ..

. . .

pn1 pn2 . . . pnn
tal que P 1 AP e diagonal. Isto e, P 1 AP = D, onde

0 ... 0
1

0 2 . . . 0
D=
.. .. ..

. . .

0 0 . . . n
De P 1 AP = D, temos que AP = P D. Substituindo as matrizes do lado direito

da equacao, temos que

p11 p12 . . . p1n1 0 . . . 0

p21 p22 . . . p2n 0 2 . . . 0
AP = .

.. .. ..

.. ..

.. . . . . .

pn1 pn2 . . . pnn 0 0 . . . n

p 2 p12 . . . n p1n
1 11

1 p21 2 p22 . . . n p2n
=
.. .. ..

. . .

1 pn1 2 pn2 . . . n pnn
h i

= 1 p1 2 p2 . . . n pn (5.4)
Por outro lado,

h i

AP = A p1 A p2 ... A pn (5.5)
Das equacoes (5.12) e (5.5), temos as seguintes igualdades:

A p1 = 1 p1 , A p2 = 2 p2 , . . . , A pn = n pn (5.6)

Como P e invertvel, seus vetores-coluna sao todos nao nulos, isto e p1 6= 0 , p2 6= 0

, . . . , pn 6= 0 . Logo, das igualdades da equacao (5.6) conclumos que 1 , 2 , . . . , n sao

autovalores de A e que p1 , p2 , . . . , pn sao os autovetores associados. Como P e invertvel,

segue que p1 , p2 , . . . , pn sao linearmente independentes. Assim, A tem n autovetores
linearmente independentes.
(b) (a)

Suponha que A tem n autovetores linearmente independentes p1 , p2 , . . . , pn com auto-
valores associados 1 , 2 , . . . , n , isto e

A p1 = 1 p1 , A p2 = 2 p2 , . . . , A pn = n pn (5.7)
e seja
p p . . . p1n
11 12

p21 p22 . . . p2n
P =
.. .. ..

. . .

pn1 pn2 . . . pnn

a matriz cujos vetores-coluna sao p1 , p2 , . . . , pn .

Os vetores-coluna do produto AP sao A p1 , A p2 , . . . , A pn , de modo que
h i

AP = A p1 A p2 . . . A pn (5.8)
Substituindo as igualdades da equacao (5.7) em (5.8), temos que:
h i

AP = 1 p1 A p2 = 2 p2 ... A pn
h i

= 1 p1 A p2 = 2 p2 . . . A pn

p 2 p12 . . . n p1n
1 11

1 p21 2 p22 . . . n p2n
=
.. .. ..

. . .

1 pn1 2 pn2 . . . n pnn

p11 p12 . . . p1n 1 0 . . . 0

p21 p22 . . . p2n 0 2 . . . 0
= .

.. .. ..

.. ..

.. . . . . .

pn1 pn2 . . . pnn 0 0 . . . n
= PD (5.9)
Na equacao (5.9) a matriz D e diagonal e P e invertvel, pois seus vetores-coluna

sao linearmente independentes. Logo, segue da equacao (5.9) que P 1 AP = D, ou
seja, A e diagonalizavel.
Procedimento para Diagonalizar uma Matriz
Uma matriz A de tamanho n n com n autovetores linearmente independentes e

diagonalizavel.

Passo 1: Encontre n autovetores linearmente independentes de A, digamos p1

, p2 , . . . , pn .

Passo 2: Forme a matriz P com os vetores-coluna p1 , p2 , . . . , pn .
Passo 3: A matriz P 1 AP = D e a matriz diagonal com entradas 1 , 2 , . . . , n

na diagonal principal, onde i e o autovalor associado a pi , para i = 1, 2, . . . , n.
Exemplo 5.8. Encontre a matriz P que diagonaliza

0 0 2
A = 1 2 1

1 0 3
Soluc
ao:
Observacao 5.1. Nao existe uma ordem preestabelecida para as colunas de P .

A ordem das colunas de P ira definir a diagonal da matriz P 1 AP , isto e, a
i-esima coluna de P e um autovetor associado ao autovalor localizado na i-esima
entrada diagonal de P 1 AP .

1 2 0
No Exemplo 0.1, se tivessemos escrito P = 0 1 1 teramos P 1 AP =

1 1 0

2 0 0
0 1 0.

0 0 2
Exemplo 5.9. Encontre uma matriz P que diagonaliza

1 0 0
A = 1 2 0

3 5 2
Soluc
ao:

Teorema 5.5. Se v1 , v2 , . . . , vk sao autovetores de A associados a autovalores distintos

1 , 2 , . . . , k , entao {v1 , v2 , . . . , vk } e um conjunto linearmente independente.
Teorema 5.6. Se uma matriz de tamanho n n tem n autovalores distintos, entao A

e diagonalizavel.
Observac
ao 5.2. No Exemplo 0.2 da aula anterior que a matriz

0 1 0
0 0 1

4 17 8
tem tres autovalores distintos:

= 4, = 2 + 3, = 2 3
Logo, pelo Teorema 5.6 conclumos que A e diagonalizavel e

4 0 0

P 1 AP = 0 2 + 3 0 .

0 0 2+ 3
Exemplo 5.10. A matriz

1 2 4 0
0 3 1 7
A=

0 0 5 8
0 0 0 2
e diagonalizavel?
Soluc
ao:
Como A e uma matriz triangular, os autovalores de A sao as entradas da diagonal
principal. Como todas as entradas sao distintas, A possui quatro autovalores distintos.
Logo, pelo Teorema 5.6, conclumos que A e diagonalizavel.
Observac
ao 5.3. Se 0 e um autovalor de uma matriz A de tamanho n n,
entao a dimensao do auto-espaco associado a 0 e chamada multiplicidade
geom etrica de 0 .
O numero de vezes que o fator 0 aparece como um fator do polinomio ca-

racterstico de A e chamada multiplicidade alg
ebrica de 0 .
Exemplo 5.11. (a) No Exemplo 0.1, o polinomio caracterstico da matriz A e p() =
( 1)( 2)2 . Logo = 1 tem multiplicidade algebrica igual a 1 e = 2 tem
multiplicidade algebrica igual a 2.
(b) Para = 1 temos um vetor no auto-espaco, logo a multiplicidade geometrica e 1.

Para = 2 temos dois vetores no auto-espaco, logo a multiplicidade geometrica
e 2.
Teorema 5.7 (Multiplicidades Geometricas e Algebricas). Se A e uma matriz qua-

drada, entao:
(a) Para cada autovalor de A, a multiplicidade geometrica e menor do que ou igual `

a
multiplicidade algebrica.
(b) A e diagonalizavel se, e somente se, para cada autovalor, a multiplicidade geome-
trica e igual à multiplicidade algebrica.
Calculando as Pot
encias de uma Matriz
Se A e uma matriz n n e P e uma matriz invertvel, entao
(P 1 AP )2 = P 1 AP P 1 AP = P 1 AIAP = P 1 A2 P
Para um inteiro k, temos
(P 1 AP )k = P 1 Ak P
Se A e uma matriz diagonalizavel e se P 1 AP = D e uma matriz diagonal, e

ntao
P 1 Ak P = (P 1 AP )k = Dk .
Ak = P Dk P 1

d1 0 . . . 0 dk1 0 . . . 0

k
D = . . . e D =

. . .

k
0 0 . . . dn 0 0 . . . dn

0 0 2
Exemplo 5.12. Calcule A13 onde A = 1 2 1 .

1 0 3
5.3 Aula 21 - Diagonalizacao Ortogonal 134
5.3 Aula 21 - Diagonaliza

c
ao Ortogonal
Observacao 5.4. (a) Uma base B = {v1 , v2 , . . . , vn } e ortonormal se hvi , vj i=0 e
kvi k = 1.
(b) Uma matriz A e diagonalizavel se existir uma matriz invertvel P tal que P 1 AP =
D, onde D e uma matriz diagonal.
(c) Uma matriz A e ortogonal se A1 = AT .
Diagonalizac
ao Ortogonal
Dada uma matriz A de tamanho n n se existir uma matriz ortogonal P tal que
P 1 AP = D, isto e, P T AP = D, onde D e uma matriz diagonal, entao dizemos que A
e ortogonalmente diagonaliz
avel e que P diagonaliza A ortogonalmente.
Problem
atica:
Quais matrizes sao ortogonalmente diagonalizaveis?
Como encontrar uma matriz ortogonal que efetua a diagonalizacao?
Respostas `
as perguntas anteriores:
A e ortogonalmente diagonalizavel se existir uma matriz P ortogonal (P 1 = P T ),

tal que
P T AP = D (5.10)
onde D e uma matriz diagonal.
Como P e ortogonal, temos que
PPT = PTP = I (5.11)

Multiplicando (6.7) por P a direita e por P T a esquerda, segue que
A = P DP T (5.12)
Transpondo ambos os lados de (5.12) e usando DT = D, temos
AT = (P DP T )T = (P T )T DT P T = P DP T = A (5.13)
Conclus
ao: Para A ser ortogonalmente diagonalizavel a matriz A tem que ser
simetrica, isto e
A = AT
Teorema 5.8. Se A e uma matriz nn, entao as seguintes afirmacoes sao equivalentes:
(a) A e ortogonalmente diagonalizavel.
(b) A tem um conjunto ortonormal de n autovetores.
(c) A e simetrica.
Teorema 5.9. Se A e uma matriz simetrica, entao:
(a) Os autovalores de A sao reais.
(b) Autovalores de auto-espacos diferentes sao ortogonais.
Procedimento para diagonalizar ortogonalmente uma matriz sim

etrica A
Passo 1: Encontre uma base para cada auto-espaco de A.
Passo 2: Aplique o processo de Gram-Schmidt a cada uma destas bases para

obter uma base ortonormal de cada auto-espaco.
Passo 3: Forme a matriz P cujas colunas sao os vetores de base construdos no

Passo 2; esta matriz diagonaliza A ortogonalmente.
Exemplo 5.13. Encontre uma matriz ortogonal P que diagonaliza

4 2 2
A = 2 4 2

2 2 4
Soluc
ao:
A equacao caracterstica de A e:

4 2 2

det(I A) = 0 det 2 4 2 = 0

2 2 4
( 2)2 ( 8) = 0 (5.14)
Da equacao (6.8), segue que os autovalores de A sao = 2 e = 8

Para = 2, pode ser mostrado que

1 1

u1 = 1 , u2 = 0

0 1
formam uma base para o auto-espaco. Aplicando o processo de Gram-Schimidt a

{u1 , u2 } obtemos os seguintes vetores ortonormais:

1/ 2 1/ 6

v1 = 1/ 2 , v2 = 1/ 6

0 2/ 6
Para = 8, pode ser mostrado que

1

u3 = 1

1

forma uma base para o auto-espaco. Aplicando o processo de Gram-Schimidt a {u3 }
obtemos os seguintes vetores ortonormais:

1/ 3

v3 = 1/ 3

1/ 3

Usando os vetores v1 , v2 e v3 como vetores-coluna, obtemos:

1/ 2 1/ 6 1/ 3

P = 1/ 2 1/ 6 1/ 3

0 2/ 6 1/ 3
que diagonaliza A ortogonalmente.

Captulo 6
Transforma
coes Lineares
6.1 Aula 22 - Transforma

coes Lineares
Definicao 6.1. Se T : V W e uma funcao de um espaco vetorial V em um espaco
vetorial W , entao T e chamada uma transforma ca
o linear de V em W se, para

quaisquer vetores u e v em V e qualquer escalar k valem

(a) T ( u + v ) = T ( u) + T ( v )

(b) T (k v ) = kT ( v )
Observac
ao 6.1. No caso especial em que V = W , a transformacao linear e chamada
um operador linear de V .
Exemplo 6.1. Seja T : R2 R3 a funcao definida por
T (x1 , x2 ) = (2x1 , 0, x1 + x2 ).
Verifique se T e uma transformacao linear.
Soluc
ao:

Dados u, v R2 , onde u= (u1 , u2 ) e v = (v1 , v2 ), para que T seja transformacao linear,
devemos mostrar que:
138
6.1 Aula 22 - Transformacoes Lineares 139

(a) T ( u + v ) = T ( u) + T ( v )

T ( u + v ) = T (u1 + v1 , u2 + v2 )
= (2(u1 + v1 ), 0, (u1 + v1 ) + (u2 + v2 ))

= (2 u1 + 2 v1 , 0, u1 + u2 + v1 + v2 )

= (2 u1 , 0, u1 + u2 ) + (2 v1 , 0, v1 + v2 )

= T ( u) + T ( v )

(b) T (k u) = kT ( u)

T (k u) = T (2ku1 , 0, ku1 + ku2 )
= k(2u1 , 0, u1 + u2 )

= kT ( u)
De (a) e (b), conclumos que T e uma transformacao linear.
Exemplo 6.2. Seja T : R R a funcao definida por T (x) = x2 . Verifique se T e

uma transformacao linear.
Dados x, y R, para que T seja transformacao linear, devemos mostrar que:
(a) T (x + y) = T (x) + T (y)
T (x + y) = (x + y)2
= x2 + 2xy + y 2
= (x2 ) + (y 2 ) + 2xy
= T (x) + T (y) + 2xy (6.1)
T (x) + T (y) = x2 + y 2

Das equacoes (6.7) e (6.6), temos que T ( u + v ) 6= T ( u) + T ( v ). Como a
alternativa (a) da definicao nao e satisfeita, a funcao T nao e transformacao
linear.

Exemplo 6.3. A aplicacao F : V W definida por F ( u) = 0 , para todo vetor u V
e chamada transforma cao nula. Mostre que F e uma transformacao linear.
ao: Exerccio
Soluc

Exemplo 6.4. A aplicacao I : V V definida por I( u) = u e chamada operador
identidade de V . Mostre que I e uma transformacao linear.
ao: Exerccio
Soluc

Exemplo 6.5. A funcao T : V V definida por T ( v ) = k v e um operador linear de
V chamado homotetia de raz ao k.
(a) Se k > 1, dizemos que T e uma dilata

cao de V de razao k.
(b) Se 0 < k < 1, dizemos que T e uma contra

c
ao de V de razao k.
Propriedades das Transformaco

es Lineares
Teorema 6.1. Se T : V W e uma transformacao linear, entao:

(a) T ( 0 ) = 0

(b) T ( v ) = T ( v ), para qualquer v V

(c) T ( u v ) = T ( u) T ( v ), para quaisquer u, v V
ao 6.2. (a) Uma transformacao linear T : V W leva o vetor nulo de V

Observac

no vetor nulo de W , isto e, T ( 0 ) = 0 W .

(b) Se T ( 0 ) 6= 0 , entao T nao e linear. Por exemplo, T : R3 R2 , definida por

T (x, y, z) = (x + 1, y, z) nao e linear, pois T ( 0 ) 6= 0 .

(c) Mas T ( 0 ) = 0 nao e suficiente para garantir que T seja transformacao linear. Por

exemplo, T : R R definida por T (x) = x2 nao e linear e T ( 0 ) = 0 .

ao 6.2. Se T : Rn Rm e uma transformacao linear e e1 , e2 , . . . , en sao os
Definic
vetores da base canonica de Rn , entao a matriz
h i

A = T (e1 ) T (e2 ) . . . T (en ) ,
cujas colunas sao as imagens dos vetores da base canonica e chamada matriz can
o-
nica de T .
Exemplo 6.6. Seja T : R4 R3 uma transformacao linear definida por T (x1 , x2 , x3 , x4 ) =

(2x1 3x2 + x3 5x4 , 4x1 + x2 2x3 + x4 , 5x1 x2 + 4x3 ). Encontre a matriz canonica
de T .
Soluc
ao:
As imagens de T para os vetores da base canonica de R4 sao:
T (1, 0, 0, 0) = (2, 4, 5)
T (0, 1, 0, 0) = (3, 1, 1)
T (0, 0, 1, 0) = (1, 2, 4)
T (0, 0, 0, 1) = (5, 1, 0)
Os vetores encontrados acima sao as colunas da matriz A de tamanho 3 4 associada
a` transformacao linear T , isto e:

2 3 1 5
A = 4 1 2 1 .

5 1 4 0
oes Lineares de Rn Rm
Transformac

Teorema 6.2. Se T : Rn Rm e uma transformacao linear e B = {e1 , e2 , . . . , en } e

a base canonica de Rn , entao para todo x Rn , temos que

T ( x) = A x,

onde A e uma matriz m n cuja j-esima coluna e o vetor T (ej ).
Demonstrac
ao:
x
1

x2
Seja B = {e1 , e2 , . . . , en } a base canonica de Rn . Para x Rn , se x=
.. , entao:

.

xn

x= x1 e1 +x2 e2 + . . . xn en . (6.2)
Aplicando a transformacao linear em ambos os membros da equacao (6.2), temos:

T ( x) = T (x1 e1 +x2 e2 + . . . xn en )

T ( x) = x1 T (e1 ) + x2 T (e2 ) + . . . + xn T (en )

x
1

h i x2

T ( x) = T (e1 ) T (e2 ) . . . T (en ) ..

.

xn

T ( x) = A x
h i

onde A = T (e1 ) T (e2 ) . . . T (en ) .
Observacao 6.3. No Teorema 6.2, vimos que se T : Rn Rm e uma transformac ao

linear e B = {e1 , e2 , . . . , en } e a base canonica de Rn podemos escrever

T ( x) = A x,

onde A e uma matriz m n cuja j-esima coluna e o vetor T (ej ). A matriz A e
chamada matriz can onica da transformacao linear T (definida na Definicao 6.2) e
a transformacao T e chamada multiplicacao por A e denotada por TA .
Exemplo 6.7. Seja TA : R4 R3 a transformacao linear multiplicacao por

2 3 1 5
A = 4 1 2 1 .

5 1 4 0
(Esta transformacao tambem pode ser chamada de multiplicacao por A). Encontre a
transformacao linear TA .
Soluc
ao:

Como T ( x) = A x, temos que:

x x1
1 2 3 1 5

x2 x2
=
T 4 1 2 1

x3 x3

5 1 4 0
x4 x4

2x1 3x2 + x3 5x4

= 4x1 + x2 2x3 + x4 .

5x1 x2 + 4x3 + 0x4
Escrevendo em outra notacao, temos T (x1 , x2 , x3 , x4 ) = (2x1 3x2 + x3 5x4 , 4x1 +

x2 2x3 + x4 , 5x1 x2 + 4x3 ).
Transformacoes lineares sao perfeitamente determinadas conhecendo-se apenas seu
valor nos elementos de uma base.

Teorema 6.3. Se V e W sao espacos vetoriais e {v1 , v2 , . . . , vn } uma base de V , ent
ao

para v V , temos que

v = k1 v1 +k2 v2 + . . . + kn vn
e existe uma transformacao linear T : V W definida por

T ( v ) = k1 T (v1 ) + k2 T (v2 ) + . . . + kn T (vn ).
Exemplo 6.8. Encontre a transformacao linear T : R2 R3 tal que T (1, 0) =

(2, 1, 0) e T (0, 1) = (0, 0, 1), sabendo que {(1, 0), (0, 1)} e uma base de R2 .
Soluc
ao:

Como {(1, 0), (0, 1)} e uma base de R2 , dado um vetor arbitrario v = (x, y) em R2 ,
temos que

v = x(1, 0) + y(0, 1) (6.3)
Aplicando a transformacao T em ambos os membros da equacao (6.6), temos que:

T ( v ) = T (x(1, 0) + y(0, 1)) (6.4)

Como T e uma transformacao linear, pela definicao temos que T ( u + v ) = T ( u

) + T ( v ) e T (k v ) = kT ( v ). Logo, da equacao (6.6), temos:

T ( v ) = T (x(1, 0) + y(0, 1))
= xT (1, 0) + yT (0, 1)
= x(2, 1, 0) + y(0, 0, 1)
= (2x, x, y)
Exemplo 6.9. Encontre a transformacao linear T : R2 R3 tal que T (1, 1) = (3, 2, 1)

e T (0, 2) = (0, 1, 0), sabendo que {(1, 1), (0, 2)} e uma base de R2 .
Soluc
ao:

Como {(1, 1), (0, 2)} e uma base de R2 , dado um vetor arbitrario v = (x, y) em R2 ,
escrevendo este vetor como combinacao linear dos vetores da base, temos:
xy xy
v = x(1, 1) + (0, 2) (x, y) = x(1, 1) + (0, 2) (6.5)
2 2
Aplicando a transformacao T em ambos os membros da equacao (6.7), temos que:
xy
T (x, y) = T (x(1, 1) + (0, 2))
2
xy
= xT (1, 1) + T (0, 2)
2
xy
= x(3, 2, 1) + (0, 1, 0)
2
5x y
= (3x, , x)
2
Definicao 6.3. Se T1 : U V e T2 : V W sao transformacoes lineares, ent
ao
a composi ao ou a composta de T2 com T1 , denotada por T2 T1 e a func
c ao
(T2 T1 ) : U V , definida por

(T2 T1 )( u) = T2 (T1 ( u))

onde u e um vetor em U .
Teorema 6.4. Se T1 : U V e T2 : V W sao transformacoes lineares, ent

ao
(T2 T1 ) : U W tambem e uma transformacao linear.
Exemplo 6.10. Dadas as transformacoes lineares T1 : R3 R3 e T2 : R2 R3

definidas por
T1 (x, y, z) = (x, 2y, 0) e T2 (x, y) = (2x, x, y),
encontre, se for possvel, as transformacoes lineares:
(a) T1 T2 .
(a) T2 T1 .
Soluc
ao:
T T
(a) R2 2 R3 1 R3
Como a imagem de T2 esta contida no domnio de T1 a transformacao composta

(T1 T2 ) : R2 R3 esta definida e e dada por (T1 T2 )( v ) = T1 (T2 ( v )). Para

v = (x, y, z), temos que (T1 T2 )(x, y, z) = T1 (2x, x, y) = (2x, 2x, 0).
(b) Nao e possvel definir T2 T1 pois a imagem de T1 nao esta contida no domnio de
T2 .
6.2 Aula 23 - N
ucleo e Imagem 146
Exemplo 6.11. Sejam T1 : R2 R2 e T2 : R2 R2 transformacoes lineares definidas

por:
T1 (x, y) = 2(x, y) e T2 (x, y) = (x + 2y, y).
Encontre a transformacao linear composta T2 T1 .
Soluc
ao:
6.2 Aula 23 - N
ucleo e Imagem
ao 6.4. Seja T : V W uma transformacao linear. A imagem de T e o
Definic

conjunto dos vetores w W tais que existe um vetor v V que satisfaz T ( v ) =w. Ou

seja Im(T ) = {w W |T ( v ) =w para algum v V }
Observac
ao :
Im(T ) e um subconjunto de W .
Uma notacao alternativa para Im(T ) e T (V ).
ao 6.5. Seja T : V W uma aplicacao linear. O conjunto de todos os vetores

Definic

v V tais que T ( v ) = 0 e chamado n
ucleo de T e denotado por N uc(T ). Isto e

N uc(T ) = { v V |T ( v ) = 0 }.
Observac
ao :
N uc(T ) e um subconjunto de V .
Uma notacao alternativa para N uc(T ) e ker(T ).
Observac ao 6.4. Seja T : V W a transformacao linear com matriz canonica A,

definida por T ( x) = A x.

(a) O espaco-nulo de A consiste de todos os vetores x tais que A x= 0 . Assim, o
n
ucleo de T e o espaco-nulo de A.
6.2 Aula 23 - N
ucleo e Imagem 147

(b) O espaco-coluna de A consiste de todos os vetores w W para os quais existe pelo

menos um vetor x V tal que A x=w. Assim, a imagem de T e o espaco-coluna
de A.
Exemplo 6.12. Seja T : R3 R3 a transformacao linear definida por T (x, y, z) =

(x, 2y, 0).
(a) Encontre uma base para o n

ucleo de T .
(b) Encontre uma base para a imagem de T .
Soluc
ao:
T : R3 R3 e definida por T (x, y, z) = (x, 2y, 0). Considerando os vetores da base

canonica i = (1, 0, 0), j = (0, 1, 0) e k = (0, 0, 1), temos:
T (1, 0, 0) = (1, 0, 0)
T (0, 1, 0) = (0, 2, 0)
T (0, 0, 1) = (0, 0, 0)
Assim, a matriz canonica da transformacao linear e:

1 0 0

A = 0 2 0 .

0 0 0
(a) Como o n
ucleo de T coincide com o espaco-nulo de A, isto e, com o espaco-solucao

de A x= 0 , escalonando
a matriz
aumentada equivalente a esse sistema homoge-
1 0 0 0 1 0 0 0

neo, temos: 0 2 0 0 0 1 0 0. Resolvendo o sistema equivalente à

0 0 0 0 0 0 0 0
matriz escalonada, teremos como solucao (x, y, z) = t(0, 0, 1). Logo, a base do
ucleo de T e {(0, 0, 1)}.
n
(b) Como a imagem de

T coincide
com o espa
co-coluna de A, escalonando a matriz
1 0 0 1 0 0

A, temos: A = 0 1 0. Voltando na matriz A, as colunas

2 0 0

0 0 0 0 0 0
6.2 Aula 23 - N
ucleo e Imagem 148
equivalentes a`s posicoes de pivos da matriz escalonada constitui a base do espaco-

coluna, isto e {(1, 0, 0), (0, 2, 0)} e a base do espaco-coluna de A e tambem base
da imagem de T .
Teorema 6.5. Se T : V W e uma transformacao linear, entao:
(a) O n
ucleo de T e um subespaco de V .
(b) A imagem de T e um subespaco de W .
ao 6.6. Seja T : V W uma transformacao linear.

Definic
(a) O posto de T , denotado por pos(T ), e a dimensao da imagem de T .
(b) A nulidade de T , denotada por nul(T ), e a dimensao do n

ucleo de T .
Teorema 6.6. Se A e uma matriz canonica m n associada à transformacao linear

T : Rn Rm , entao:
(a) nul(T ) = nul(A).
(b) pos(T ) = pos(A).
Teorema 6.7. Se T : V W e uma transformacao linear, entao
pos(T ) + nul(T ) = dim(V )
ou
dim(Im(T )) + dim(N uc(T )) = dim(V )
Exemplo 6.13. Seja T : R6 R4 a transformacao linear com matriz canonica

1 2 0 4 5 3
3 7 2 0 1 4
A= .

2 5 2 4 6 1
4 9 2 4 4 7
Encontre o posto e a nulidade de T .

6.3 Aula 24 - Transformacoes Lineares Inversas 149
Soluc
ao:
Reduzindo a matriz A atraves da eliminacao gaussiana, obtemos:

1 2 0 4 5 3

0 1 2 12 16 5

.

0 0 0 0 0 0

0 0 0 0 0 0
Como a forma escalonada tem duas linhas nao nulas temos que pos(T )=2 e nul(T ) =
6 2 = 4.
6.3 Aula 24 - Transforma

coes Lineares Inversas
Definicao 6.7. Uma transformacao linear T : V W e injetora se T leva vetores
distintos de V em vetores distintos de W .
O teorema abaixo diz que se A e a matriz canonica n n associada a` transformacao

linear T : Rn Rn , isto e T ( x) = A x, entao T e injetora se, e somente se, A e uma
matriz invertvel.
Teorema 6.8. Se A e a matriz canonica n n associada à transformacao linear

T : Rn Rn , entao as seguintes afirmacoes sao equivalentes:
(a) A e invertvel.
(b) A imagem de T e Rn .
(c) T e injetora.
Justificativa:
Levando as equivalencias das afirmacoes abaixo para o contexto da transformacao linear
T : Rn Rn , temos que:
(a) A e invertvel.

(b) A x=w e consistente para cada vetor w de tamanho n 1.

(c) A x=w tem exatamente uma solucao para cada vetor w de tamanho n 1 .
implicam em:
(a) A e invertvel.

(b) Para cada vetor w Rn existe um vetor x Rn tal que T ( x) =w, isto e, a imagem
de T e todo Rn .

(c) Para cada vetor w da imagem de T , existe exatamente um vetor x Rn tal que

T ( x) =w, isto e, T e injetora.
Exemplo 6.14. Seja T : R3 R3 a transformacao linear cuja matriz canonica e

1 2 3
A = 2 5 3 .

1 0 8
Determine se T e injetora.
Soluc
ao:
Calculando o determinante de A obtemos:
det(A) = 1.
Como o determinante de A e nao nulo, conclumos que A e invertvel. Logo, T e

injetiva.
O Corolario abaixo mostra que a inversa de uma transformacao linear T pode ser
facilmente obtida atraves da inversa da matriz canonica A associada a T .
Corolario 6.1. Seja T : Rn Rn uma transformacao linear e A a matriz canonica

associada a T . Se T e invertvel, entao

(T )1 ( x) = A1 x .
O Teorema abaixo apresenta mais uma maneira de verificar se uma transformacao

linear e injetora.

Teorema 6.9. Se T : V W e uma transformacao linear, entao N uc(T ) = { 0 } se,
e somente se, T e injetora.
Demonstrac
ao:

() Mostraremos que se N uc(T ) = { 0 }, entao T e injetora. Sejam u, v V , tais que

T ( u) = T ( v ). Somando T ( v ) em ambos os membros da igualdade anterior, e
usando as propriedades de transformacao linear, temos que:

T ( u) = T ( v ) T ( u) T ( v ) = 0

T (u v ) = 0 .

ucleo, u v N uc(T ). Como no n
Logo, pela definicao de n ucleo so tem o vetor

nulo, conclumos que u v = 0 , isto e, u= v .

() Mostraremos que se T e injetora, entao N uc(T ) = { 0 }. Suponha, por contradicao

que existe v N uc(T ), isto e, T ( v ) = 0 . Como T ( 0 ) = 0 , segue que T ( v ) = T ( 0

). Como T e injetora, segue da definicao que v = 0 . Isto e, N uc(T ) = { 0 }.
ao 6.5. T : V W e injetora se, e somente se, nul(T ) = dim(N uc(T )) = 0.

Observac
Exemplo 6.15. Seja T : R6 R4 a transformacao linear cuja matriz canonica e

1 2 0 4 5 3
3 7 2 0 1 4
A= .

2 5 2 4 6 1
4 9 2 4 4 7
Verifique se T e injetora.
Soluc
ao:
Reduzindo a matriz A atraves da eliminacao gaussiana, obtemos:

1 2 0 4 5 3

0 1 2 12 16 5

.

0 0 0 0 0 0

0 0 0 0 0 0
Como a forma escalonada tem duas linhas nao nulas, temos que:
pos(T ) = pos(A) = 2.
nul(T ) = dim(R6 ) pos(T ) = 6 2 = 4.
Pela Observacao (6.5), conclumos que T nao e injetora, pois nul(T ) 6= 0.
Corol ario 6.2. Se dim(V ) = dim(W ), entao a transformacao linear T : V W e

injetora se e somente se for sobrejetora.
Demonstrac
ao:
() Se T : V W , com dim(V ) = dim(W ) e injetora, entao nul(T ) = 0. Como

dim(Im(T )) + dim(N uc(T )) = dim(V ), temos que dim(Im(T )) = dim(V ) =
dim(W ), isto e, T e sobrejetora.
() Por outro lado, se T e sobrejetora, entao dim(Im(T )) = dim(W ). Como dim(Im(T ))+
dim(N uc(T )) = dim(V ) e dim(V ) = dim(W ), segue que dim(N uc(T )) = dim(V )
dim(W ) = 0. Logo, T e injetora.
Exemplo 6.16. Seja T : R3 R3 o operador definido por
T (x1 , x2 , x3 ) = (3x1 + x2 , 2x1 4x2 + 3x3 , 5x1 + 4x2 2x3 ).
(a) Mostre que T e injetor.
(b) Encontre T 1 (x1 , x2 , x3 ).
Soluc
ao:
(a) Para mostrar que T e injetor vamos mostrar que a matriz canonica de T e invertvel.

Considere a base canonica de R3 : {e1 = (1, 0, 0), e2 = (0, 1, 0), e2 = (0, 0, 1)}.

T (e1 ) = T (1, 0, 0) = (3, 2, 5)

T (e2 ) = T (0, 1, 0) = (1, 4, 4)

T (e3 ) = T (0, 0, 1) = (0, 3, 2)

3 1 0
h i

Matriz canonica de T : A = T (e1 ) T (e2 ) T (e3 ) = 2 4 3 .

5 4 2
Como det(A) = 1 6= 0 a matriz A e invertvel. Logo, T e injetor.
(b)

x1 x
1
A transformacao inversa e dada por T 1 x2 = A1 x2 .

x3 x3

4 2 3

1
Temos que A = 11 6 9 .

12 7 10
Logo,
x1 42 3 x1 4x1 2x2 3x3

T 1 x2 = 11 6 = 11x1 + 6x2 + 9x3 .

9 x
2

x3 12 7 10 x3 12x1 + 7x2 + 10x3
Podemos expressar o resultado acima da seguinte maneira:
T 1 (x1 , x2 , x3 ) = (4x1 2x2 3x3 , 11x1 + 6x2 + 9x3 , 12x1 + 7x2 + 10x3 ).
Teorema 6.10. Se T1 : U V e T2 : V W sao transformacoes lineares injetoras,

entao:
(a) T2 T1 e injetora.
(b) (T2 T1 )1 = T11 T21 .
Dada uma transformacao linear T : V W invertvel, com dim(V ) = dim(W ),

uma outra maneira de encontrar a transformacao inversa T 1 : W V e atraves dos
vetores da base de Im(T ).

Teorema 6.11. Se T : V W e uma transformacao linear e {v1 , v2 , . . . , vn } e uma

base de V , entao {T (v1 ), T (v2 ), . . . , T (vn )} gera a imagem de T .
ao:
Demonstrac

Considere T ( v ) na imagem de T . Como {v1 , v2 , . . . , vn } e uma base de V , para v V
existem escalares k1 , k2 , . . . , kn , tais que

v = k1 v1 +k2 v2 + . . . + kn vn .
Utilizando as propriedades de transformacao linear, temos que:

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

isto e, o vetor T ( v ) Im(T ) e escrito como combinacao linear de {T (v1 ), T (v2

), . . . , T (vn )}. Logo, {T (v1 ), T (v2 ), . . . , T (vn )} gera a imagem de T .

Teorema 6.12. Se T : V W e uma transformacao linear injetora e {v1 , v2 , . . . , vn }

e uma base de V , entao {T (v1 ), T (v2 ), . . . , T (vn )} e linearmente independente.

Suponha que k1 T (v1 ) + k2 T (v2 ) + . . . + kn T (vn ) = 0 , assim T (k1 v1 +k2 v2 + . . . +

kn vn ) = 0 . Como T e injetora, N uc(T ) = { 0 }, isto e, o u
nico vetor que tem imagem

nula e o vetor 0 . Logo, T (k1 v1 +k2 v2 + . . . + kn vn ) = 0 k1 v1 +k2 v2 + . . . +

kn vn = 0 k1 = k2 = . . . = kn = 0, pois {v1 , v2 , . . . , vn } e liarmente independente.
Corol ario 6.3. Se T : V W e uma transformacao linear com dim(V ) = dim(W ) e

{v1 , v2 , . . . , vn } e uma base de V , entao {T (v1 ), T (v2 ), . . . , T (vn )} e uma base de Im(T ).
Observe que se T e injetora e dim(V ) = dim(W ), entao T e bijetora, isto e, existe

a transformacao inversa T 1 : W V . A transformacao T 1 (w) e obtida por:

T 1 (w) = c1 T 1 (T (v1 )) + c2 T 1 (T (v2 )) + . . . + cn T 1 (T (vn ))
onde c1 , c2 , . . . , cn e obtido por

w= (w1 , w2 , . . . , wn ) = c1 T (v1 ) + c2 T (v2 ) + . . . + cn T (vn )
Exemplo 6.17. Seja T : R3 R3 uma transformacao linear injetora definida por

T (x, y, z) = (x 2y, z, x + y). Determine a transformacao inversa T 1 .
Soluc
ao:
6.4 Aula 25 - Matrizes de Transformacoes Lineares 155
Considerando a base canonica de R3 ,
{(1, 0, 0), (0, 1, 0), (0, 0, 1)},
temos que
{T (1, 0, 0), T (0, 1, 0), T (0, 0, 1)} = {(1, 0, 1), (2, 0, 1), (0, 1, 0)}
gera a imagem, alem de ser um conjunto de vetores linearmente independente (verifi-

que). Logo, temos uma base para Im(T ).
Considere as seguintes equacoes:
T (1, 0, 0) = (1, 0, 1) (1, 0, 0) = T 1 (1, 0, 1)

T (0, 1, 0) = (2, 0, 1) (0, 1, 0) = T 1 (2, 0, 1)
T (0, 0, 1) = (0, 1, 0) (0, 0, 1) = T 1 (0, 1, 0)
Queremos calcular T 1 (x, y, z). Para isso, escrevendo (x, y, z) em relacao a` base
{(1, 0, 1), (2, 0, 1), (0, 1, 0)}, obtemos:
x + 2z zx
(x, y, z) = (1, 0, 1) + (2, 0, 1) + y(0, 1, 0).
3 3
Entao, aplicando T 1 em ambos os membros da equacao anterior, temos:
x + 2z 1 z x 1
T 1 (x, y, z) = T (1, 0, 1) + T (2, 0, 1) + yT 1 (0, 1, 0)
3 3
x + 2z zx
= (1, 0, 0) + (0, 1, 0) + y(0, 0, 1)
3 3
x + 2z z x
= , ,y .
3 3
6.4 Aula 25 - Matrizes de Transforma

coes Lineares
O estudo das transformacoes lineares pode ser reduzido ao estudo das matrizes.
Ja foi visto que se A e a matriz canonica, de tamanho m n, associada a` trans-

formacao linear T : Rn Rm , entao T ( x) = A x.
Vamos generalizar o resultado acima para espacos vetoriais V e W arbitrarios e

associar uma matriz a` transformacao linear T : V W .

Teorema 6.13. Seja T : V W uma transformacao linear. Se B = {v1 , v2 , . . . , vn }

e B 0 = {w1 , w2 , . . . , wm } sao bases de V e W , respectivamente, entao existe uma u
nica
matriz A tal que

[T ( x)]B 0 = A[ x]B ,

onde A e uma matriz m n cuja j-esima coluna e o vetor de coordenadas de T (vj ) na
base B 0 .
Demonstrac
ao:

Sejam T : V W uma transformacao linear e B = {v1 , v2 , . . . , vn } e B 0 = {w1 , w2

, . . . , wm } bases de V e W , respectivamente. Para x V , temos:

x= k1 v1 +k2 v2 + . . . + kn vn (6.6)

Como T (v1 ), T (v2 ), . . . , T (vn ) W , escrevendo esses vetores como combinacao li-
near da base B 0 , temos as seguintes equacoes:

T (v1 ) = a11 w1 +a21 w2 + . . . + am1 wm

T (v2 ) = a12 w1 +a22 w2 + . . . + am2 wm
..
.

T (vn ) = a1n w1 +a2n w2 + . . . + amn wm
Como T e uma transformacao linear, aplicando T na equacao (6.6) e utilizando as

igualdades acima, temos:

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

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

= k1 (a11 w1 +a21 w2 + . . . + am1 wm )

+ k2 (a12 w1 +a22 w2 + . . . + am2 wm ) + . . .

+ kn (a1n w1 +a2n w2 + . . . + amn wm )

= (k1 a11 + k2 a12 + . . . + kn a1n ) w1 + . . .

+ (k1 am1 + k2 am2 + . . . + kn amn ) wm

Da equacao anterior, o vetor de coordenadas de T ( x) em relacao a` base B 0 e:

k a + k2 a12 + . . . + kn a1n
1 11

k1 a21 + k2 a22 + . . . + kn a2n
[T ( x)]B 0 =
..

.

k1 am1 + k2 am2 + . . . + kn amn

a11 a12 . . . a1n k
1

a21 a22 . . . a2n k2
= .

..

.. .

am1 am2 . . . amn kn

= A[ x]B

Logo, [T ( x)]B 0 = A[ x]B , como queramos mostrar.
Utilizaremos a notacao [T ]B 0 ,B para representar a matriz A do teorema anterior,
isto e:

a11 a12 . . . a1n

a21 a22 . . . a2n
[T ]B 0 ,B = .

..
. (6.7)
.. .

am1 am2 . . . amn

ao 6.8. Se T : V W e uma transformacao linear e B = {v1 , v2 , . . . , vn } e
Definic

B 0 = {w1 , w2 , . . . , wm } bases de V e W , respectivamente, entao a matriz de T em
relac
ao às bases B e B 0 e definida por
h i

[T ]B 0 ,B = [T (v1 )]B 0 [T (v2 )]B 0 . . . [T (vn )]B 0 ,

cujas colunas sao os vetores de coordenadas de T (v1 ), T (v2 ), . . . , T (vn ) em relacao `
a
0
base B .
Exemplo 6.18. Sejam T : R2 R3 a transformacao linear definida por

" #! x2
x1
T = 5x1 + 13x2 .

x2
7x1 + 16x2

Encontre a matriz da transformacao T em relacao às bases B = {u1 , u2 } de R2 e

B 0 = {v1 , v2 , v3 } de R3 , onde

" # " # 1 1 0
3 5
u1 = , u2 = , v1 = 0 , v2 = 2 , v3 = 1 .
1 2
1 2 2
Exemplo 6.19. Seja T : P1 P2 a transformacao linear definida por
T (p(x)) = xp(x).
Encontre a matriz de T em relacao às bases canonicas

B = {u1 , u2 }, B 0 = {v1 , v2 , v3 }
onde

u1 = 1, u2 = x, v1 = 1, v2 = x, v3 = x2 .
Observac ao 6.6. Se V = W , entao T : V V e um operador linear e a matriz de T

em relacao à base B de V e representada por [T ]B .
Exemplo 6.20. Sejam T : R2 R2 o operador linear definido por

" #! " #
x1 x1 + x2
T =
x2 2x1 + 4x2

e seja B = {u1 , u2 } a base de R2 , onde
" # " #
1 1
u1 = , u2 = .
1 2
(a) Encontre [T ]B .

(b) Mostre que para cada vetor x R2 a formula [T ( x)]B = [T ]B [ x]B e valida.
Exemplo 6.21. Sejam T : P2 P2 o operador definido por
T (p(x)) = p(3x 5),
isto e, T (c0 + c1 x + c2 x2 ) = c0 + c1 (3x 5) + c2 (3x 5)2 .

(a) Encontre [T ]B em relacao à base B = {1, x, x2 }.

(b) Use a formula [T ( p )]B = [T ]B [ p ]B para calcular T (1 + 2x + 3x2 ).
Em seguida, listaremos dois resultados equivalentes aos que ja foram vistos para
T : Rn Rm .
Teorema 6.14. Se T1 : V W e T2 : W U sao transformacoes lineares e se B, B 0
00
e B sao bases de V , W e U , respectivamente, entao a composta de T1 com T2 tambem
e uma transformacao linear e
[T2 T1 ]B 00 ,B = [T2 ]B 00 ,B 0 [T1 ]B 0 ,B .
T T
V
|{z} 1 W
|{z} 2 U
|{z}
base B base B 0 base B 00
Teorema 6.15. Se T : V V e um operador linear e se B e uma base de V , ent
ao
(a) T e injetor.
(b) [T ]B e invertvel.
Se as condicoes acima sao validas, entao [T 1 ] = [T ]1

B .
Exemplo 6.22. Sejam T1 : R2 R2 e T2 : R2 R2 operadores lineares definidos por

T1 (x, y) = (2x, 2y) e T2 (x, y) = (x + 2y, y) e B = {(1, 0), (0, 1)} a base canonica do R2 .
Encontre [T2 T1 ]B .

6.5 Aula 26 - Semelhanca 160
6.5 Aula 26 - Semelhan

ca
A matriz de um operador T : V V depende da base escolhida para V .
Problema: Escolher uma base para V que torne a matriz de T a mais simples
possvel, por exemplo, uma matriz diagonal.
Nem sempre essa base e a base canonica.
Exemplo 6.23. Seja T : R2 R2 definida por T (x, y) = (x + y, 2x + 4y). Encontre

as matrizes [T ]B e [T ]B 0 onde B = {(1, 0), (0, 1)} e B 0 = {(1, 1), (1, 2)}.
Solucao:
Para a base B = {(1, 0), (0, 1)}:
T (1, 0) = (1, 2) T (1, 0) = 1(1, 0) 2(0, 1)
T (0, 1) = (1, 4) T (0, 1) = 1(1, 0) + 4(0, 1)

1 1
Logo, [T ]B = .
2 4
Para a base B 0 = {(1, 1), (1, 2)}:
T (1, 1) = (2, 2) T (1, 1) = 2(1, 1) + 0(1, 2)
T (1, 2) = (3, 4) T (1, 2) = 0(1, 1) + 3(1, 2)

2 0
Logo, [T ]B 0 = .
0 3
Observe que a matriz de T em relacao a` base B 0 e diagonal enquanto a matriz em

relacao à base canonica B nao e diagonal.
Relembrando: Matriz de Mudanca de Base


Se B = {u1 , u2 , . . . , un } e B 0 = {u01 , u02 , . . . , u0n } sao bases de um espaco vetorial V ,
entao a matriz de transicao de B 0 para B e dada por

P = [u01 ]B [u02 ]B ... [u0n ]B

e para v V , temos

[ v ]B = P [ v ]B 0 .
A matriz de transicao de uma base B 0 para uma base B pode ser vista como a

matriz de um operador identidade I : V V definido por I( v ) = v .
Teorema 6.16. Se B e B 0 sao bases de um espaco vetorial de dimensao finita V e se

I : V V e o operador identidade, entao [I]B 0 ,B e a matriz de tansicao de B para B 0 .
Demonstracao:

Sejam B = {u1 , u2 , . . . , un } e B 0 = {u01 , u02 , . . . , u0n } duas bases de V . A matriz de
transicao de B 0 para B e dada por:
h i
P = [u01 ]B [u02 ]B . . . [u0n ]B (6.8)

Por outro lado, a matriz do operador I : V V , definido por I( v ) = v e dada por:
h i
[I]B,B 0 = 0 0 0
[I(u1 )]B [I(u2 )]B . . . [I(un )]B
h i
= [u01 ]B [u02 ]B . . . [u0n ]B (6.9)
Das equacoes (6.8) e (6.9), temos que P = [I]B,B 0 .
Problema
Sejam B e B 0 bases de V e T : V V um operador linear. Qual e a relacao entre

[T ]B e [T ]B 0 ?
Para responder a` pergunta acima, vamos rever como e definida a matriz de uma
transformacao composta.
00
Se T1 : V W e T2 : W U sao transformacoes lineares onde B, B 0 e B sao
bases de V, W e U , respectivamente, entao:
[T2 T1 ]B 00 ,B = [T2 ]B 00 ,B 0 [T1 ]B 0 ,B
T T
V
|{z} 1 W
|{z} 2 U
|{z}
base B base B0 base B 00
Sejam B e B 0 bases de V e T : V V um operador linear. Para encontrarmos a

relacao entre [T ]B e [T ]B 0 , considere o diagrama abaixo:
I T I
V
|{z} V
|{z} V
|{z} V
|{z}
base B0 base B base B base B 0
Como I T I = T , do diagrama, temos que:
[T ]B 0 ,B 0 = [I T I]B 0 ,B 0 = [I]B 0 ,B [T ]B,B [I]B,B 0
ou
[T ]B 0 = [I T I]B 0 = [I]B 0 ,B [T ]B [I]B,B 0
onde [I]B,B 0 e a matriz de mudanca da base B 0 para a base B e [I]B 0 ,B e a matriz

de mudanca da base B para a base B 0 que serao denotadas, respectivamente, por P e
P 1 .
Teorema 6.17. Seja T : V V um operador linear e V um espaco vetorial de

dimensao finita. Se B e B 0 sao bases de V , entao
[T ]B 0 = [I]B 0 ,B [T ]B [I]B,B 0
ou
[T ]B 0 = P 1 [T ]B P
onde P e a matriz de transicao de B 0 para B.
Exemplo 6.24. Seja T : R2 R2 o operador linear definido por

" #! " #
x x+y
T = .
y 2x + 4y

Encontre a matriz de T em relacao à base canonica B = {e1 , e2 } de R2 e a utilize para

encontrar a matriz de T em relacao à base B 0 = {u01 , u02 }, onde
" # " #
1 0 1
u01 = , u2 = .
1 2
Solucao:
Vimos no Exemplo 0.1 que

1 1
[T ]B = .
2 4
Pelo Teorema 6.17, temos que
[T ]B 0 = [I]B 0 ,B [T ]B [I]B,B 0 .
Precisamos determinar [I]B 0 ,B e [I]B,B 0 .
[I]B 0 ,B coincide com a matriz de mudanca da base B para base B 0 .
[I]B,B 0 coincide com a matriz de mudanca da base B 0 para base B.

1 0 1 1
0
Para encontrar [I]B 0 ,B , sejam B = , eB = , .

0 1 1 2

1 1 1
= a1 + a2 a1 = 2, a2 = 1
0 1 2

0 1 1
= b1 + b2 b1 = 1, b2 = 1
1 1 2

2 1
Logo, [I]B 0 ,B = .
1 1

1 0 1 1
Para encontrar [I]B,B 0 , sejam B = , e B 0 = , .
0 1 1 2

1 1 0
= a1 + a2 a1 = 1, a2 = 1
1 0 1

1 1 0
= b1 + b2 b1 = 1, b2 = 2
2 0 1

1 1
Logo, [I]B,B 0 = .
1 2
Logo,
[T ]B 0 = [I]B 0 ,B [T ]B [I]B,B 0

2 1 1 1 1 1
=
1 1 2 4 1 2

4 2 1 1
=
3 3 1 2

2 0
= .
0 3
Definicao 6.9. Se A e B sao matrizes quadradas, dizemos que B e semelhante a A se

existir uma matriz invertvel P tal que B = P 1 AP .
Observac ao 6.7. Do Teorema 6.17, temos que [T ]B 0 = P 1 [T ]B P . Logo, as matrizes

[T ]B e [T ]B 0 do operador linear T : V V sao semelhantes.
Observac
ao 6.8. Se A e B sao matrizes semelhantes, entao elas tem o mesmo deter-
minante. De fato, para B = P 1 AP , temos que:
det(B) = det(P 1 AP )
= det(P 1 )det(A)det(P )
1
= det(A)det(P )
det(P )
= det(A).
Autovalores de um Operador Linear
Se V e um espaco vetorial de dimensao finita e T : V V um operador linear,

entao:

(a) Um escalar e um autovalor de T : V V se existir um vetor nao nulo x V

tal que T ( x) = x. O vetor x e chamado autovetor de T associado ao autovalor
.

(b) Os autovetores de T associados a sao os vetores nao-nulos x que satisfazem

(I T ) x= 0 . Isto e, sao os vetores no n
ucleo de I T . Este n
ucleo e chamado
auto-espaco de T associado a .
Observac
ao 6.9. Se V e um espaco vetorial de dimensao finita e B e uma base de V ,
entao:
(a) Os autovalores de T sao os autovalores da matriz [T ]B .

(b) Um vetor x e um autovetor de T associado ao autovalor se, e somente se, a

matriz de coordenadas [ x]B e um autovetor da matriz [T ]B associado a .
Exemplo 6.25. Encontre os autovalores e bases dos auto-espacos do operador linear

T : P2 P2 definido por
T (a + bx + cx2 ) = 2c + (a + 2b + c)x + (a + 3c)x2 .
Soluc
ao:
Seja B = {1, x, x2 } a base canonica de P2 . Vamos encontrar matriz de T em relacao a`
base B.

0

T (1) = T (1 + 0x + 0x2 ) = 1.x + 1.x2 [T (1)]B = 1 .

1

0

T (x) = T (0 + 1.x + 0x2 ) = 2.x [T (x)]B = 2 .

0

2

T (x2 ) = T (0 + 0x + 1.x2 ) = 2 + 1.x + 3x2 [T (x2 )]B = 1 .

3
A matriz de T em relacao a` base canonica B = {1, x, x2 } e

0 0 2

[T ]B = 1 2 1 .

1 0 3
Os autovalores de T , que sao os autovalores da matriz [T ]B e raizes do polinomio

caracterstico det(I [T ]B ) = 0, sao = 1 e = 2.

Para = 2: O auto-espaco de [T ]B , que e o espaco-solucao de (I [T ]B ) x= 0 ,

tem base {u1 , u2 }, onde
1 0

u1 = 0 , u2 = 1 .

1 0

Para = 1: O auto-espaco de [T ]B tem base {u3 }, onde

2

u3 = 1 .

1

As matrizes u1 , u2 , u3 sao as matrizes de coordenadas relativas a` base B dos seguin-
tes polinomios:

p1 = 1 + x2 , p2 = x, p3 = 2 + x + x2 .
Assim:

O auto-espaco de T associado a = 2 tem a base {p1 , p2 } = {1 + x2 , x}.

O auto-espaco de T associado a = 1 tem a base {p3 } = {2 + x + x2 }.
Exemplo 6.26. Seja T : R3 R3 o operador linear dado por

x1 2x3
T x2 = x1 + 2x2 + x3 .

x3 x1 + 3x3
Encontre uma base de R3 em relacao à qual a matriz de T e diagonal.

Soluc
ao:
Seja B = {(1, 0, 0), (0, 1, 0), (0, 0, 1)} base de R3 .
Passo 1 Encontrar a matriz canonica de T , denotada por [T ]B . (A matriz obtida nao

sera diagonal).
Passo 2 Encontrar uma nova base B 0 que diagonaliza a matriz de T , isto e, [T ]B 0 e

diagonal.
Passo 3 Usar o resultado [T ]B 0 = P 1 [T ]B P , onde [T ]B e a matriz canonica e P e

a matriz cujas colunas sao autovetores de T e [T ]B 0 e a matriz diagonal cujas
entradas nao nulas sao autovalores de T .
Para encontrar a matriz canonica [T ]B , temos:
T (1, 0, 0) = (0, 1, 1) = 0(1, 0, 0) + 1(0, 1, 0) + 1(0, 0, 1)
T (0, 1, 0) = (0, 2, 0) = 0(1, 0, 0) + 2(0, 1, 0) + 0(0, 0, 1)
T (0, 0, 1) = (2, 1, 3) = 2(1, 0, 0) + 1(0, 1, 0) + 3(0, 0, 1)

0 0 2

Logo, [T ]B = 1 2 1 .

1 0 3
Como os autovalores de T sao os mesmos autovalores de [T ]B , usaremos a matriz

acima para encontra-los.
[T ]B ) = 0
det(I
0 2

det 1 2 1 =0

1 0 3
( 2)( 3) + 2( 2) = 0
( 2)(2 3 + 2) = 0 ( 2)2 ( 1) = 0.
Da equacao caracterstica acima, temos que os autovalores de [T ]B , consequente-

mente do operador T , sao = 2 e = 1.
Para encontrar as bases dos auto-espacos de T associadas aos autovalores, primeiro
encontraremos as matrizes de coordenadas dos autovetores em relacao a base B, que
sao os autovetores da matriz [T ]B .
Para = 2

2 0 2 x 0

1
(I [T ]B ) x= 0 1 0 1 x2 = 0.

1 0 1 x3 0

x 1 0
1
Resolvendo esse sistema, encontraremos x2 = r 0 + t 1.

x3 1 0

1 0

0 0
Logo, [u1 ]B = 0 , [u2 ]B = 1.

1 0
Como B = {(1, 0, 0), (0, 1, 0), (0, 0, 1)}, temos:

0
u1 = 1(1, 0, 0) + 0(0, 1, 0) + 1(0, 0, 1) = (1, 0, 1).

0
u2 = 0(1, 0, 0) + 1(0, 1, 0) + 0(0, 0, 1) = (0, 1, 0).
Para = 1:

1 0 2 x 0

1
(I [T ]) x= 0 1 1 1 x2 = 0.

1 0 2 x3 0

x 2
1
Resolvendo esse sistema, temos x2 = t 1 .

x3 1

2

0
Logo, [u3 ]B = 1 .

1
Como B = {(1, 0, 0), (0, 1, 0), (0, 0, 1)}, temos:

0
u3 = 2(1, 0, 0) + 1(0, 1, 0) + 1(0, 0, 1) = (2, 1, 1)

0 0 0 0
Portanto, a base de autovetores que diagonalizam a matriz de T e B = {u1 , u2 , u3 },
onde
1 0 2

0 0 0
u1 = 0 , u2 = 1 , u3 = 1

1 0 1

1 0 2

Fazendo P = 0 1 1 , temos:

1 0 1
1
1 0 2 0 0 2 1 0 2

P 1 [T ]B P = 0 1 1 1 2 1 0 1 1 .

1 0 1 1 0 3 1 0 1

0 0 0 0
Como [T ]B 0 = P 1 [T ]B P , a matriz de T em relacao a` base B = {u1 , u2 , u3 } e:

2 0 0

[T ]B 0 = 0 2 0 .

0 0 1
Refer
encias Bibliogr
aficas

[1] H. Anton, C. Rorres. Algebra Linear com Aplicacoes. 8a ed. Porto Alegre: Book-
man, 2001.
170

Notas de Algebra Linear

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Notas de Algebra Linear

Hochgeladen von

Copyright:

Verfügbare Formate

Universidade Federal do Rio Grande do Norte

Escola de Ciencias e Tecnologia

Natal, julho de 2014

4 Espacos com Produto Interno 89

1.1 Aula 1 - Introdu

Veremos que toda a informacao necessaria pararesolver um

Definic ao 1.1. Define-se equaca

onde a1 , a2 , . . . , an e b sao constantes e a1 , a2 , . . . , an nao sao todos nulos.

(b) O plano no sistema tridimensional ax + by + cz = d e uma equacao linear.

(b) Em uma equacao linear todas as variaveis ocorrem na primeira potencia e n ao

Exemplo 1.2. As seguintes equacoes sao lineares:

(c) x1 2x2 3x3 + x4 = 0

Exemplo 1.3. As seguintes equacoes nao sao lineares:

Definicao 1.4. Uma solucao de um sistema nas n incognitas x1 , x2 , . . . , xn e uma

faz com que cada equacao seja verdadeira.

Definicao 1.5. Uma solucao x1 = s1 , x2 = s2 , . . . , xn = sn de um sistema linear em n

que e denominada uma

Observac ao 1.2. Se n = 2, entao a enupla e denomina par ordenado e, se n = 3,

Os sistemas lineares em duas incognitas aparecem relacionados com intersecao de

(b) Se as retas se intersectam em um u

(c) Se as retas sao coincidentes, entao o sistema possui infinitas solucoes.

Todo sistema de equacoes lineares tem zero, uma ou infinitas solucoes.

Matrizes aumentadas e operacoes elementares com linhas

1. Multiplicar uma equacao inteira por uma constante nao nula.

2. Trocar duas equacoes entre si.

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

1. Multiplicar uma linha inteira por uma constante nao nula.

2. Trocar duas linhas entre si.

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

Exerccios: Lista 1.1

1.2 Aula 2 - Elimina

1. Se uma linha nao consistir inteiramente em zeros, entao o primeiro n

2. Se existirem linhas constitudas inteiramente de zeros, entao elas estao agrupadas

3. Em quaisquer duas linhas sucessivas que nao consistem so em zeros, o pivo da

Exemplo 1.10. Exemplo de matrizes na forma escalonada reduzida por linhas.

Exemplo 1.11. Exemplo de matrizes na forma escalonada por linhas.

Suponha que a matriz aumentada de um sistema linear nas incognitas x1 , x2 , x3 e

(a) Multiplicar uma linha por um escalar nao nulo.

(b) Permutar duas linhas.

(c) Somar a uma linha um m

Eliminacao de Gauss-Jordan: Procedimento usado para reduzir uma matriz, por

Passo 5. Desconsiderar a linha 1 e recomecar aplicando o passo 1 ao restante da

Passo 5.1 Encontrar o pivo.

Passo 5.2 Obter zeros nas entradas abaixo do pivo.

Menos 5 vezes a linha 2 foi somado a linha 3. Notacao: L3 L3 5L2

Passo 5.4 Encontrar o pivo.

A terceira linha foi multiplicada por 2. Notacao: L3 2L3

A matriz resultante esta na forma escalonada por linhas.

Dando continuacao nos passos trabalhos no exemplo anterior temos:

Exemplo 1.16. Use a eliminacao gaussiana para encontrar a solucao do sistema

Exemplo 1.17. Use a eliminacao gaussiana para encontrar a solucao do sistema

Teorema 1.1 (Teorema das variaveis livres de sistemas homogeneos). Se um sistema

Exerccios: Lista 1.1

1.3 Aula 3 - Matrizes e Opera

A entrada que ocorre na linha i e coluna j e denotada por aij .

[aij ]mn : quando precisar especificar o tamanho da matriz;

[aij ]: quando nao e necessario especificar o tamanho da matriz.

Notacao especial para vetores linha 1 n:

Notacao especial para vetores coluna m 1:

Uma matriz A com n linhas e n colunas e uma matriz quadrada de ordem n e as

Operacoes com matrizes

(a) Se A = [aij ] e B = [bij ] tem o mesmo tamanho, entao

(A + B)ij = (A)ij + (B)ij = aij + bij .