Apostila de Álgebra Lienar

Liliana A. L.
Mescua
Rigoberto G. S. Castro
Setembro de 2009
Sumário
1 Matrizes 1
1.1 Tipos de Matrizes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2 Operações com Matrizes . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2.1 Adição . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2.2 Subtração . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2.3 Multiplicação de um número real por uma Matriz . . . . . . . . . . 5
1.2.4 Multiplicação de Matrizes . . . . . . . . . . . . . . . . . . . . . . . 5
1.3 Matriz Inversa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.3.1 Calculo da Inversa por Operações Elementares . . . . . . . . . . . . 7
1.4 Determinante de uma Matriz . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.4.1 Propriedades do Determinante . . . . . . . . . . . . . . . . . . . . . 10
1.4.2 Cálculo do Determinante usando redução por Linhas ou Colunas

(Triangulação) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.5 Matriz Adjunta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.6 Exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2 Sistemas de Equações Lineares Algébricas 16
2.1 Classificação de um Sistema Linear . . . . . . . . . . . . . . . . . . . . . . 17
2.2 Resolução de Sistemas por Escalonamento . . . . . . . . . . . . . . . . . . 18
ii
2.3 Resolução de Sistemas pela Regra de Cramer . . . . . . . . . . . . . . . . . 20
2.4 Exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
3 Vetores 22
3.1 Interpretação Geométrica . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
3.1.1 Adição de Vetores . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.1.2 Multiplicação de um Número Real por um Vetor . . . . . . . . . . . 25
3.1.3 Ângulo entre dois vetores . . . . . . . . . . . . . . . . . . . . . . . . 25
3.2 Interpretação Algébrica no Plano . . . . . . . . . . . . . . . . . . . . . . . 26
3.3 Interpretação Algébrica no Espaço . . . . . . . . . . . . . . . . . . . . . . . 28
3.4 Produto Escalar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
3.4.1 Interpretação Geométrica do Produto Escalar . . . . . . . . . . . . 30
3.4.2 Ângulo entre dois Vetores . . . . . . . . . . . . . . . . . . . . . . . 31
3.4.3 Projeção de um Vetor sobre Outro . . . . . . . . . . . . . . . . . . 32
3.5 Produto Vetorial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.5.1 Propriedades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3.5.2 Interpretação Geométrica . . . . . . . . . . . . . . . . . . . . . . . 35
3.6 Exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
4 Espaço Vetorial 37
4.1 Subespaços Vetoriais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
4.1.1 Propriedades dos Subespaços . . . . . . . . . . . . . . . . . . . . . 40
4.2 Combinação Linear . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
4.3 Espaço Gerado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
4.4 Independência e Dependência Linear . . . . . . . . . . . . . . . . . . . . . 43
4.5 Base e Dimensão . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
iii
4.5.1 Componentes de um Vetor . . . . . . . . . . . . . . . . . . . . . . . 51
4.6 Espaço Vetorial Euclideano . . . . . . . . . . . . . . . . . . . . . . . . . . 51
4.6.1 Complementos Ortogonais . . . . . . . . . . . . . . . . . . . . . . . 53
4.6.2 Uma Relação Geometrica Entre Espaço Nulo e Espaço Linha . . . . 54
4.6.3 Conjuntos Ortogonais e Ortonormais . . . . . . . . . . . . . . . . . 55
4.6.4 Processo de Gram - Schimidt . . . . . . . . . . . . . . . . . . . . . 56
4.7 Exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
5 Transformações Lineares 63
5.1 Propriedades das Transformações Lineares . . . . . . . . . . . . . . . . . . 66
5.1.1 Exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
5.2 Núcleo de uma Transformação Linear . . . . . . . . . . . . . . . . . . . . . 68
5.3 Imagem de uma Transformação Linear . . . . . . . . . . . . . . . . . . . . 69
5.4 Propriedades do Núcleo e da Imagem . . . . . . . . . . . . . . . . . . . . . 71
5.4.1 Exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
5.5 Matriz de uma Transformação Linear . . . . . . . . . . . . . . . . . . . . . 73
5.6 Operações com Transformações Lineares . . . . . . . . . . . . . . . . . . . 78
5.6.1 Adição ou Soma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
5.6.2 Multiplicação por Escalar . . . . . . . . . . . . . . . . . . . . . . . 78
5.6.3 Composição . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
5.6.4 Exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
5.7 Mudança de Base . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
5.8 Exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
6 Autovalores e Autovetores 84
6.1 Exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
iv
7 Diagonalização de Matrizes 89
7.1 Exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
7.2 Matrizes Simétricas e autovetores ortogonais . . . . . . . . . . . . . . . . . 91
8 Aplicações 93
8.1 Mı́nimos Quadrados na Solução de Sistemas Lineares Inconsistentes . . . . 93
8.1.1 Ajuste de Mı́nimos Quadrados a Dados . . . . . . . . . . . . . . . . 95
8.2 Rotação de Cônicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
A Números Complexos 102
v
Capı́tulo 1
Matrizes
Definição 1.1. Uma matriz de ordem m × n é uma tabela de mn escalares (números

reais ou complexos) dispostos em m linhas (número de filas horizontais) e n colunas
(número de filas verticais). Por convenção usaremos sempre as letras maiúsculas A, B, C, D, . . .
para nomea-las
   
a11 a12 . . . a1n a11 a12 . . . a1n
   
   
 a21 a22 . . . a2n   a21 a22 . . . a2n 
A= .

.. .. ..  =  ..
 
.. .. ..  = (aij )m×n .
 (1.1)
 . . . . .   . . . . 
   
am1 am2 . . . amn am1 am2 . . . amn
Exemplo:
   
2 2 0 1 4
A=  B=  (1.2)
1 −3 5 0 7
2×3 2×2
Exercı́cio: Escreva a matriz A = (aij )2×2 onde aij = i + 2j.
Observação 1.1. De acordo com o número de linhas e colunas da matriz, podemos destacar
os seguintes casos particulares
• Quando m = 1, matriz linha
• Quando n = 1, matriz coluna
• Quando m = n, matriz quadrada
1
Definição 1.2. (Igualdade de Matrizes:) Duas matrizes A = (aij )m×n e B = (bij )m×n
são ditas iguais, se todos seus elementos correspondentes são iguais, isto é, se aij = bij .
   
a 2 11
   
   
Exercı́cio: Determine a, b, c, d de modo que:  1 b+1  = 1 1.
   
c−2 d 6 3
1.1 Tipos de Matrizes
Matriz Nula: É uma matriz cujos elementos são todos nulos, isto é aij = 0, ∀ i, j.
 
0 0
Exemplo: O =  
0 0
Matriz Diagonal Uma matriz quadrada D = (dij )n×n é dita diagonal quando dij = 0,
∀ i 6= j.
 
2 0
Exemplo: D= 
0 4
Matriz Identidade: É uma matriz diagonal onde aii = 1 para todo i, e aij = 0 para
todo i 6= j.
 
1 0 ... 0
 
 
0 1 . . . 0
Exemplo: I =
 .. ..

.. 
. . .
 
0 0 ... 1
Matriz Triangular Uma matriz quadrada A = (aij )nxn é dita triangular superior, se
aij = 0 para i > j. Uma matriz B = (bij )nxn é dita triangular inferior quando bij = 0,
para i < j.
   
5 4 4 5 5 0 0 0
   
   
0 1 9 6 2 1 0 0
Exemplo: A=


 e B=



0 0 3 8 9 7 3 0
   
0 0 0 0 8 6 5 1
Matriz Simétrica: É uma matriz quadrada, onde aij = aji .
2
 
  a b c d
4 3 1 






  b e f g 
Exemplo:  3 2 0  e 



   c f h i 
1 0 5  
d g i k
Observe que, no caso de uma matriz simétrica, a parte superior é uma “reflexão”da
parte inferior, em relação à diagonal.
Matriz Transposta A transposta de uma matriz A = (aij )m×n , é uma outra matriz
AT = (bij )n×m , cujas linhas são as colunas de A, isto é, bij = aji .
 
3 −1  



 3 4 5
Exemplo: A transposta de A =  4 −2  é AT =  
  −1 −2 −3
5 −3 2×3
3×2
É simples verificar que:
1. A transposta da transposta de uma matriz é ela mesma, isto é (AT )T = A.
2. Uma matriz é simétrica se somente se ela for igual à sua transposta, isto é, A = AT .
1.2 Operações com Matrizes
Ao utilizar matrizes, surge naturalmente a necessidade de efetuarmos certas operações.

Veremos algumas delas e suas propriedades a seguir:
1.2.1 Adição
A soma de duas matrizes da mesma ordem, A = (aij )m×n e B = (bij )m×n , é uma matriz
m × n, definida por A + B = (aij + bij )m×n .
       
1 4 −1 1 1−1 4+1 0 5
       
       
Exemplo:  2 5  +  −3 0  =  2 − 3 5 + 0  =  −1 5 .
       
3 6 4 2 3+4 6+2 7 8
3
Propriedades da Adição
Se as matrizes A, B e C possuem a mesma ordem, valem as seguintes propriedades:
1. A + B = B + A (comutativa).
2. A + (B + C) = (A + B) + C (associativa).
3. A + O = A, quando O é uma matriz nula (elemento neutro).
4. Seja A = (aij )m×n . Chama-se matriz oposta de A, a matriz m × n representada por

−A = (−aij )m×n , tal que A + (−A) = O (−A é o elemento oposto).
5. (A + B)T = AT + B T , a transposta de uma soma é igual a somas das transpostas.

   
1 −4 −1 4
   
   
Exemplo: A matriz oposta de A =  2 0  é − A =  −2 0 .
   
7 3 −7 −3
1.2.2 Subtração
A diferença de duas matrizes da mesma ordem, A = (aij )m×n e B = (bij )m×n , é uma
matriz m × n, que denota-se por A − B, que é a soma de A com a oposta de B; isto é:
A − B = A + (−B) = (aij )m×n + (−bij )m×n = (aij − bij )m×n (1.3)

       
1 4 −1 1 1+1 4−1 2 3
       
       
Exemplo:  2 5  −  −3 0  =  2 + 3 5 − 0  =  5 5  .
       
3 6 4 2 3−4 6−2 −1 4
Exercı́cio:
1. Sejam A = (aij )3×2 e B = (bij )3×2 , tal que aij = 2i + j e bij = 1 + i − j.
(a) Determine as matrizes C = A + B e D = A − B.
(b) Represente genericamente um elemento cij de C e dij de D.
4
2. Encontre as matrizes 2 × 2, A e B, sabendo que:
     
1 1 4 0 0 2
A+B+ = + 
1 1 1/2 −1 3/2 4
   
6 −3 2 −2
A−B = − .
4 0 2 1
1.2.3 Multiplicação de um número real por uma Matriz
Seja A = (aij )m×n e k um número real diferente de zero. Definimos a matriz

B = kA = (bij )m×n onde bij = kaij .
     
3 −1 6 −2 1 −1/3
    1  
     
Exemplo Se A =  1 0  , então 2A =  2 0 e A =  1/3 0 
    3  
6 4 12 8 2 4/3
1.2.4 Multiplicação de Matrizes
Sejam as matrizes A = (aij )m×p e B = (bij )p×n . Definimos C = A · B = (cuv )m×n , tal
que
p
X
cuv = auk bkv (1.4)
k=1
Observação 1.2. Só se pode efetuar o produto de duas matrizes Am×p e Bp×n , se o número
de colunas da primeira matriz for igual ao número de linhas da segunda matriz, sendo
assim o resultado da multiplicação de A por B será uma matriz de ordem m×n. Note que
o elemento cij é obtido multiplicando os elementos da i-ésima linha da primeira matriz
pelos elementos correspondentes da j-ésima coluna da segunda matriz, e somando este
produtos.
Exemplo:
     
−1 −1.(−3) −1.4 3 −4
a)   −3 4 = =  
2 1×2 2.(−3) 2.4 −6 8
2×1 2×2
       
1 0 −1 1 1.(−1) + 0.(5) 1.(1) + 0.(3) −1 1
b)     = = 
3 −2 5 3 3.(−1) + −2.(5) 3.(1) + −2.(3) −13 −3
2×2 2×2 2×2
5
Observação 1.3. A propriedade conmutativa em matrizes nem sempre é válida, isto é AB
e BA não necessariamente são iguais. No exemplo anterior verifique se AB = BA.
Se A é uma matriz quadrada n × n e I a matriz identidade n × n, então
AI = IA = A.
Propriedades da Multiplicação
Supondo que a ordem das matrizes A, B e C estejam definidas de modo que cada uma das
operações abaixo indicadas possam ser efetuadas, então as propriedades seguintes serão
válidas.
1. (A.B).C = A.(B.C) (associatividade).
2. (A ± B).C = A.C ± B.C (distributividade à direita).
3. A.(B ± C) = A.B ± A.C (ditributividade à esquerda).
4. k(B ± C) = kB ± kC, k, s ∈ R
5. (k ± s)A = kA ± sA, k, s ∈ R
6. k(sA) = (ks)A, k, s ∈ R
7. (α.A)T = α.AT , onde α é qualquer escalar.
8. (A.B)T = B T .AT (deve-se observar a ordem).
Matriz Anti-simétrica: É uma matriz quadrada, onde AT = −A.

 
0 3 4
 
 
Exemplo: A = −3 0 −6 é anti-simérica.
 
−4 6 0
1.3 Matriz Inversa
Uma matriz quadrada A é dita inversı́vel ou não singular, se existir uma outra matriz
B (inversa multiplicativa), da mesma ordem, tal que A.B = I e B.A = I. Denotaremos
B = A−1 , sendo que
A.A−1 = A−1 .A = I.
6
Definição 1.3. Uma matriz A é dita não inversı́vel ou singular se ela não tem uma
inversa multiplicativa.
Propriedades
1. Uma matriz inversı́vel tem uma única inversa multiplicativa.
2. Se A e B são matrizes de mesma ordem, ambas inversı́veis, então A e B é inversı́vel

e (A.B)−1 = B −1 . A−1 .
3. Nem toda matriz tem inversa.

   
2 1 1/2 −1/8
Exemplo: As matrı́zes A =  eB=  são inversas uma da outra já
0 4 0 1/4
que A.B = B.A = I
1.3.1 Calculo da Inversa por Operações Elementares
Um outra forma para achar a inversa de uma matriz A qualquer, e que envolve substan-
cialmente menos contas do que aplicando a definição diretamente, é usando as operações
elementares sobre as linhas da matriz aumentada associada (A|I) de modo que esta se
transforme numa matriz aumentada da forma (I|B). Diremos que B = A−1 .
As operações elementares permitidas são:
1. Permutar linhas Li ←→ Lj
2. Multiplicar uma linha por um número real α não nulo, Li ←→ αLi .
3. Somar a uma linha um múltiplo de uma outra, Li ←→ Li + αLj .

 
0 1 5
 
 
Exemplo: Ache a inversa da matriz A =  3 −6 9 .
 
2 6 1
7
Solução: Apartir da matriz aumentada, usando as operações por linhas temos:
 
0 1 5 | 1 0 0 L1 ←→ L2
 
 
(A|I) = 3 −6 9 | 0 1 0
 
2 6 1 | 0 0 1 L3 ←→ L3
 
3 −6 9 | 0 1 0 L1 ←→ L1 /3
 
 
= 0 1 5 | 1 0 0 L2 ←→ L2
 
2 6 1 | 0 0 1 L3 ←→ L3
 
1 −2 3 | 0 1/3 0 L1 ←→ L1
 
 
= 0 1 5 | 1 0 0 L2 ←→ L2
 
2 6 1 | 0 0 1 L3 ←→ L3 − 2L1
 
1 −2 3 | 0 1/3 0 L1 ←→ L1
 
 
= 0 1 5 | 1 0 0 L2 ←→ L2
 
0 10 −5 | 0 −2/3 1 L3 ←→ L3 − 10L2
 
1 −2 3 | 0 1/3 0 L1 ←→ L1
 
 
= 0 1 5 | 1 0 0 L2 ←→ L2
 
0 0 −55 | −10 −2/3 1 L3 ←→ −L3 /55
 
1 −2 3 | 0 1/3 0 L ←→ L1 − 3L3
  1
 
= 0 1 5 | 1 0 0  L2 ←→ L2 − 5L3
 
0 0 1 | 10/55 2/165 −1/55 L3 ←→ L3
 
1 −2 0 | −30/55 49/165 3/55 L ←→ L1 + 2L2
  1
 
= 0 1 0 | 5/55 −10/165 5/55  L2 ←→ L2
 
0 0 1 | 10/55 2/165 −1/55 L3 ←→ L3
 
1 0 0 | −20/55 29/165 13/55
 
 
= 0 1 0 | 5/55 −10/165 5/55 
 
0 0 1 | 10/55 2/165 −1/55
Logo a matriz inversa de A é

   
−20/55 29/165 13/55 −60 29 39
  1  
−1    
A =  5/55 −10/165 5/55  =  15 −10 15  (1.5)
  165  
10/55 2/165 −1/55 30 2 −3
8
1.4 Determinante de uma Matriz
É possı́vel associar a cada matriz A de ordem n×n, um escalar (número real ou complexo),
que denotaremos por det A, cujo valor vai nos dizer se a matriz é ou não invertı́vel. Antes
de dar a definição geral vamos a considerar alguns casos particulares.
Caso 1. Se A = (a) é uma matriz 1 × 1, definimos o determinante de A por:
det A = a.
Diremos que A tem inversa multiplicativa (A é invertı́vel) se e só se det A 6= 0.

 
a11 a12
Caso 2. Se A =   é uma matriz 2 × 2, definimos o determinante de A por:
a21 a22
det A = a11 a22 − a12 a21 .
Diremos que A é invertı́vel se e somente se det A 6= 0.

 
a a a13
 11 12 
 
Caso 3. Se A =  a21 a22 a23  é uma matriz 3 × 3, definimos o determinante de A
 
a31 a32 a33
por:
det A = a11 a22 a33 − a11 a32 a23 − a12 a21 a33 + a12 a31 a23 + a13 a21 a32 − a13 a31 a22
Podemos colocar a equação anterior na forma
det A = a11 (a22 a33 − a32 a23 ) − a12 (a21 a33 − a31 a23 ) + a13 (a21 a32 − a31 a22 ) (1.6)
Para j = 1, 2, 3, vamos denotar por M1j a matriz 2 ×2 formada retirando-se a primeira

linha e a j-ésima coluna de A. O determinante de A (1.6) pode ser, então, colocado na
forma
det A = a11 det M11 − a12 det M12 + a13 det M13 (1.7)
Para ver como generalizar (1.7) para o caso n > 3, vamos a dar a seguinte definição.
Definição 1.4. (Menores e Cofatores): Seja A = (aij ) uma matriz n × n. O ij-ésimo

menor de A é o determinante da submatriz Mij , de ordem (n − 1) × (n − 1), que sobra
9
quando suprimimos a i-ésima linha e a j-ésima coluna de A. O ij-ésimo cofator Aij de
A (ou o cofator de aij ) é definido como
Aij = (−1)i+j det Mij .
Definição 1.5. (Desenvolvimento de Laplace) O determinante de uma matriz n × n

é o número real det A, definido por
det A = ai1 .Ai1 + ai2 .Ai2 + ... + a1n .Ain (1.8)
ou
det A = a1j .A1j + a2j .A2j + ... + anj .Anj , (1.9)
onde Aij é ij-ésimo cofator de A.

 
0 1 5
 
 
Exemplo: Ache o determinante da matriz A =  3 −6 9 .
 
2 6 1
Solução.: Calculando a matriz de cofatores temos:
 
−60 15 30
 
 
cof (A) =  29 −10 2 
 
39 15 −3
Logo, o determinante de A pode-se obter por exemplo das seguintes formas:
1. Em relação a primera linha, det A = 0(−60) + 1(15) + 5(30) = 165.
2. Em relação a tercera linha, det A = 2(39) + 6(15) + 1(−3) = 165.
3. Em relação a segunda coluna, det A = 1(15) − 6(−10) + 6(15) = 165.
1.4.1 Propriedades do Determinante
Seja A uma matriz de ordem n × n.
1. Se A tem uma linha o uma coluna de zeros, então det A = 0.
10
2. Se duas linhas ou colunas de A são iguais, então det A = 0.
3. det A = det AT .
4. Se A é uma matriz, triangular superior ou triangular inferior ou diagonal, então o

det A é igual ao produto de seus elementos da diagonal.
5. Se B é uma matriz de ordem n×n, então: det(A+B) 6= det A+det B e det(AB) =

det A det B
6. Seja B a matriz obtida ao multiplicar uma única linha ou coluna de A por k, então:
1
det B = k det A (det A = det B).
k
7. Seja B a matriz obtida ao permutar duas linhas (ou duas colunas) de A, então
det B = − det A.
8. Seja B a matriz obtida ao somar um múltiplo de uma linha (ou colunas) de A a

uma outra linha (ou coluna), então det B = det A.
1.4.2 Cálculo do Determinante usando redução por Linhas ou

Colunas (Triangulação)
A seguir apresentamos um método para calcular determinantes que envolve substancial-

mente menos contas que aplicando a definição diretamente.
Assim, tendo em mente as propriedades 6, 7 e 8, a idéia será reduzir a matriz A ao

formato triangular.
 
0 1 5
 
 
Exemplo: Ache o determinante da matriz A =  3 −6 9 .
 
2 6 1
11
Solução: Usando as propriedades 6, 7 e 8, obtemos que

0 1 5 3 −6 9

det A = 3 −6 9 = − 0 1 5 (linhas 2 e 3 foram permutadas)

2 6 1 2 6 1

1 −2 3

= −3 0 1 5 (o fator comun 3 da linha 1 foi retirado)

2 6 1

1 −2 3

= −3 0 1 5 (linha 3 + (-2) (linha 1))

0 10 −5

1 −2 3

= −3 0 1 5 (linha 3 + (-10) (linha 2))

0 0 −55
= −3(1)(1)(−55) = 165
 
1 0 0 3
 
 
 2 7 0 6 
Exemplo: Ache o determinante da matriz A = 

.

 0 6 3 0 
 
7 3 1 −5
Solução: Reduzindo a matriz a uma triangular inferior usando operações por coluna,
obtemos que

1 0 0 3 1 0 0 0

2 7 0 6 2 7 0 0
det A = =

(coluna 4 + (-3)(coluna 1))
0 6 3 0 0 6 3 0

7 3 1 −5 7 3 1 −26
= (1)(7)(3)(−26) = −546
12
1.5 Matriz Adjunta
Suponhamos que An×n tenha inversa, isto é, existe A−1 tal que A · A−1 = I. Usando o
determinante obtém-se
det (A · A−1 ) = det A · det A−1 e det I = 1
Então:
1
det A−1 =
det A
Definição 1.6. Seja a matriz A ∈ Mn×n (R). Chamaremos Adjunta de A, a matriz
Adj(A) que é a transposta da matriz de cofatores. Simbolicamente,
Adj(A) = (cof (A))T .
Teorema 1.1. Se A é uma matriz inversı́vel, então:
1
A−1 = Adj (A).
det A
Uma condição necessária para que A tenha inversa é que o det A 6= 0.
 
1 2
Ex.: Ache a inversa de A =  .
−1 3
 
3 1
Solução: Calculando temos que det A = 5, a matriz de cofatores cof (A) =  e
−2 1
 
3 −2
a adjunta Adj(A) = (cof (A))T =  , logo pelo Teorema 1.1
1 1
 
1 3 −2
A−1 = · . (1.10)
5 1 1
Teorema 1.2. Uma matriz A de ordem n × n é não inversı́vel se e somente se
det(A) = 0
13
1.6 Exercı́cios
     
3 −4 1 1 0 2 −1 0 0
     
     
1. Sejam as matrices A = 2 1 2 ; B = 3 1 −1 e C= 2 4 0.
     
1 0 −1 2 −3 4 1 −1 5
CalcularA + 2C, B 2 = B · B, −C · B, B − A.
√ 
2
2 x
2. Seja A =  . Calcule os possı́veis valores de x, para que AT = A.
4x 1
3. (i) Se A é uma matriz simétrica n × n, calcule AT − A.
(ii) Se A é uma matriz triangular inferior, AT é uma matriz triangular . . . . . . .
(iii) A é uma matriz diagonal, calcule AT .

 
2 3 −4
 
 
4. Seja a matriz A = 0 −4 2 . Usando cofatores,
 
1 −1 5
(i) Calcule det A desenvolvendo em relação à primeira linha.
(ii) Calcule det A desenvolvendo em relação à primeira coluna.
(iii) Calcule det A desenvolvendo em relação à segunda coluna.
5. Usando cofatores
 e fazendo
 o menor
 número de
 operações, calcule
 o determinante

2 0 3 0 4 0 2 1 2 0 0 1
     
     
3 0 0 1 5 0 4 2 0 1 0 0
de A =  
, B = 
 
 e C=
 
.

0 2 3 0   2 0 3 4   1 6 2 0
     
2 0 1 4 1 0 2 3 1 1 −2 3
6. Calcule o determinante de cada uma das seguintes matrizes (use as operações ele-
mentares
por linhas para reduzir as matrizes abaixo à sua forma triangular).
     
2 0 −1 t + 3 −1 1 1 4 −5
     
     
A = 3 0 2 , B =  5 t−3 1  e C =  0 0 1 .
     
4−3 7 6 −6 t + 4 −1 8 7
 
1 1 1
 
 
7. Encontre todos os valores possı́veis de c que tornem a matriz inversı́vel 1 9 c .
 
1 c 3
14
8. Sejam as matrizes
     
−1 3 −4 1 0 0 cos θ sen θ 0
     
     
A =  2 4 1  B = 1 3 0 C = − sen θ cos θ 0
     
−4 2 −9 1 3 5 0 0 1
     
2 5 5 2 0 3 2 0 0
     
     
D = −1 −1 0 E = 0 3 2 F = 8 1 0 e G =
     
2 4 3 −2 0 −4 −5 3 6
 
a b c
 
 
 c a b .
 
b c a
(i) Calcule os cofatores das matrizes A, B, C, D, E, F e G.
(ii) Determine a inversa das matrizes A, B e C usando o Teorema 1.1.
9. Encontre a inversa de cada uma das matrizes dadas usando as operações por linha
     
3 4 −1 1 0 0 1 0 −1
     
     
1 0 3 , 1 1 0, 9 −1 4 .
     
2 5 −4 1 1 1 8 9 −1
10. Sejam A e B matrizes 3 × 3 com det A = 4 e det B = 5. Encontre o valor de

det(AB), det(3A), det(2AB), det(A−1 B)
−1
11. Uma matriz A é ortogonal se 
sua inversa é igual
 a sua transposta, ou seja, A =
cos θ − sen θ
AT . Provar que a matriz A =   é ortogonal.
sen θ cos θ
15
Capı́tulo 2
Sistemas de Equações Lineares

Algébricas
Uma equação linear de n incognitas é uma equação da forma
a1 x1 + a2 x2 + · · · + an xn = b (2.1)
Um sistema linear de m equações algébricas lineares de n variáveis (incognitas) é um

conjunto de equações lineares que devem ser resolvidas simultaneamente, por exemplo:



 a11 x1 + a12 x2 + · · · + a1n xn = b1



 a x +a x +···+a x = b
21 1 22 2 2n n 2
. (2.2)

 ..




 a x +a x +···+a x = b
m1 1 m2 2 mn n m
onde os aij e bi são números reais.
Em 1858, o matemático inglês Artur Cayley introduz uma notação abreviada para
expressar o sistema linear (2.2), na forma matricial:
     
a a12 · · · a1n x b1
 11   1   
     
 a21 a22 · · · a2n   x2   b2 

 .. .. ..

..  .  
 ..  = 
 ..

 . (2.3)
 . . . .   .   . 
     
am1 am2 · · · amn xn bm
m×n n×1 m×1
Assim a forma matricial (2.3) escreve-se abreviadamente por:
Ax = b, (2.4)
16
onde A é uma matriz m × n, b um vetor m × 1 e x é um vetor n × 1.
“Se b = 0, o sistema é dito homogêneo, caso contrário ele é não-homogêneo”.
2.1 Classificação de um Sistema Linear
O sistema linear (2.2) pode ter ou não solução. Assim, classificaremos os sistemas lineares
em dois tipos:

 Determinado, uma única solução
1. Compatı́vel (ou possı́vel)
 Indeterminado mais de uma solução.
2. Incompatı́vel (ou impossı́vel) quando não possui solução.
Se o sistema linear (2.2) tem o número de equações igual ao número de incognitas

(m = n), então a matriz A associada a forma matricial equivalente (2.4) será uma matriz
quadrada n × n. Logo,
• Se a matriz A é inversı́vel, isto é, o det A 6= 0, então o sistema tem única solução,
ou seja, x = A−1 b.
• Se a matriz A não é inversı́vel, isto é det A = 0, então o sistema não tem solução,
ou existe solução mas não é única.
(Um sistema homogêneo: Ax = 0, onde det A = 0, possui infinitas soluções)
Observação 2.1. Um sistema linear homogêneo Ax = 0 admite sempre a solução nula,

chamada solução trivial. Logo, um sistema linear homogêneo é sempre compatı́vel.
Exemplo: É simples verificar que a solução nula x = (0, 0, 0)T é solução do sistema linear
homogêneo,
   
   x1 0
 3x − x + 7x = 0 3 −1 7    
1 2 3
⇐⇒   x2  = 0
  
 ⇐⇒ Ax = 0
 x − 2x + 3x = 0. 1 −2 3    
1 2 3
x3 0
17
Uma interpretação geométrica das soluções de um sistema linear, pode ser observada
para sistemas de ordem 2 × 2. Por exemplo, sejam os sistemas:
  
 x +x =2  x +x =2  x +x =2
1 2 1 2 1 2
I) II) III)
 x −x =2  x +x =1  −x − x = −2.
1 2 1 2 1 2
A solução dos respectivos sistemas podem ser visualizados nos seguintes gráficos
Figura 2.1:
2.2 Resolução de Sistemas por Escalonamento
O objetivo será migrar de um sistema linear Ax = b para outro que lhe seja equivalente,
e de resolução mais simples. A idéia então é, usar as operações elementares sobre as linhas
da matriz aumentada (A | b) de modo que esta se transforme à forma (A′ | b′ ) onde A′
é uma matriz escalonada. Assim, o sistema final equivalente A′ x = b ′ será resolvido
usando substituições regressivas.
Exemplo: Ache a solução do sistema linear

     

 x + 2x + x = 3 1 2 1 x 3
 1
 2 3
   1  
    
3x1 − x2 − 3x3 = −1 ⇐⇒ 3 −1 −3 x2  = −1 ⇐⇒ Ax = b

     

 2x + 3x + x = 4.
1 2 3 2 3 1 x3 4
18
Sol.: Apartir da matriz aumentada, usando as operações por linhas temos:
 
1 2 1 | 3
 
 
(A|b) = 3 −1 −3 | −1 L2 ←→ L2 − 3L1
 
2 3 1 | 4 L3 ←→ L3 − 2L1
 
1 2 1 | 3
 
 
= 0 −7 −6 | −10 L2 ←→ L3
 
0 −1 −1 | −2
 
1 2 1 | 3
 
 
= 0 −1 −1 | −2 
 
0 −7 −6 | −10 L3 ←→ L3 − 7L2
 
1 2 1 | 3
 
= 0 −1 −1 | −2 = (A′ |b′ )
 
 
0 0 1 | 4
O sistema equivalente resultante é


 x1 +2x2 +

 x3 = 3

−x2 − x3 = −2



 x3 = 4.
A solução deste último sistema obtem-se resolvendo a última equação e substituindo a

respectiva solução na equação anterior, até chegar na primeira. Neste caso temos que
x3 = 4, x2 = −2 e x1 = 3
Exemplo: Resolva o sistema



 x + 2y + z + t = 1

 x + 3y − z + t = 3
 
1 2 1 1 1
Sol.: A matriz aumentada é  . Fazendo L2 ←→ L2 − L1 , na forma
1 3 −1 2 3
 
1 0 5 −1 3
escalonada torna-se  . Reinterpretando, vemos que z e t são
0 1 −2 1 2
variáveis livres. Fazendo z = λ1 e t = λ2 , obtemos: x = −5λ1 +λ2 +3, y = 2λ1 −λ2 +2,
z = λ1 , t = λ2 .
19
2.3 Resolução de Sistemas pela Regra de Cramer
O método de Cramer nos permitirá escrever a solução de um sistema de equações lineares

n×n em função de determinantes. Entretanto, devemos salientar que este método envolve
o cálculo de n + 1 determinantes de ordem n o que equivale a resolver mais operações que
no método de Gauss.
Seja A uma matriz inversı́vel n×n e seja b ∈ Rn . Seja Ai a matriz obtida substituindo-
se a i-ésima coluna de A por b. Se x = (x1 , x2 , . . . , xn )T for a única solução de Ax = b,
então:
det (Ai )
xi = para i = 1, 2, . . . , n.
det A
Exemplo: Ache a solução do sistema linear

     

 x + 2x + x = 3 1 2 1 x 3
 1
 2 3
   1  
    
3x1 − x2 − 3x3 = −1 ⇐⇒ 3 −1 −3 x2  = −1 ⇐⇒ Ax = b

     

 2x + 3x + x = 4.
1 2 3 2 3 1 x3 4
Sol.: Usando o método de Cramer e sabendo que
det A = 1(−1 + 9) − 2(3 + 6) + 1(9 + 2) = 8 − 18 + 11 = 1
temos que:

3 2 1

x1 = −1 −1 −3 = (3(−1 + 9) − 2(−1 + 12) + 1(−3 + 4)) = 24 − 22 + 1 = 3

4 3 1

1 3 1

x2 = 3 −1 −3 = (1(−1 + 12) − 3(3 + 6) + 1(12 + 2)) = 11 − 27 + 14 = −2

2 4 1

1 2 3

x3 = 3 −1 −1 = (−3(8 − 9) − 1(4 − 6) + 1(3 − 4)) = 3 + 2 − 1 = 4

2 3 4
20
2.4 Exercı́cios
1. Resolva os seguintes sistemas pelo método de escalonamento de Gauss-Jordan.

 
 


 x − 2y + z = −2 

 x − 2y + z = 1

 

(i) 2x − 5y + z = 1 (ii) 2x − 5y + z = −1

 


 


 3x − 7y + 2z = 
−1  3x − 7y + 2z = 0


 x + 2y + 3z = 0

     



 3 2 4 x 1
 x + 4y + 4z + w = 7     
    
iii) iv) 1 1 2  y  = 2
     

 3x + 7y + 9z + w = 4


 4 3 −2 z 3


 −2x − 4y − 6z − w = 6
2. O sistema seguinte não tem soluções para quais valores de a?. Exatamente uma
solução?. Infinitas soluções.




 x + 2y − 3z = 4


 3x − y + 5z = 2



 4x + y + (a2 − 14)z = a + 2

3. Determine k para que o sistema admita solução





 −4x + 3y = 2


 5x − 4y = 0




 2x − y = k
4. Resolva o sistema


 x + y + z = 4

 2x + 5y − 2z = 3
5. Estabeleça a condição que deve ser satisfeita a e b para que o sistema seja compatı́vel.
x − 2y − z = a
2x + y + 3z = b
4x − 3y + z = 1
6. Encontre os coeficientes do polinômio p(x) = ax3 + bx2 + cx + d cujo gráfico passa

pelos pontos (0, −3), (2, −5), (3, 0) e (−1, −8).
21
Capı́tulo 3
Vetores
Com o intuito de esclarecer melhor o conceito de vetor, uma abordagem geométrica e

algébrica serão apresentadas.
3.1 Interpretação Geométrica
Existem dois tipos de grandezas: as escalares e as vetoriais. As escalares são aquelas

que ficam definidas por apenas um número real (acompanhado de uma unidade ade-
quada). Por exemplo, comprimento, área, volume, massa, densidade e temperatura. As
grandezas vetoriais, são o caso contrario, isto é, não basta saber seu módulo e unidade
correspondente, para serem perfeitamente caracterizadas precissamos sua direção e seu
sentido. Por exemplo, força, velocidade e aceleração.
Definição 3.1. Um vetor é uma classe de objetos matemáticos (segmentos) com a mesma
direção, mesmo sentido e mesmo módulo, sendo:
- A direção, a da reta colinear que contém o segmento ou reta paralela.
- O sentido, dado pela orientação do movimento.
- O módulo, o comprimento do segmento.
Na seguinte figura todos os segmentos orientados paralelos ou colineares, de mesmo

sentido e mesmo comprimento, representam um único vetor.
22
Figura 3.1: Uma mesma classe de vetores
Uma outra caracterı́stica de um vetor é que é formado por dois pontos de um sistema
de coordenadas: o ponto A onde ele começa (origem) e um outro ponto B onde ele termina
(extremidade).
O representante escolhido de uma classe de vetores será denotado por uma letra
minúscula encimada por uma flecha, tal como ~v, e quase sempre será o vetor cuja origem
coincide com a do sistema de coordenadas ((0, 0, . . . , 0)) e cuja extremidade será obtido
fazendo a diferença entre o ponto da extremidade e o ponto origem. Assim, o vetor
representante −
→
v será
~v = B − A.
Observação 3.1. Cada ponto de um sistema de coordenadas pode ser considerado como
único origem de um segmento orientado cujo representante é o vetor ~v .
Exemplo: Se um vetor tem origem em (1, 2) e extremidade em (7, 12), ele é representado
por −
→
v = (6, 10), pois:
−
→
v = (7, 12) − (1, 2) = (6, 10)
3.1.1 Adição de Vetores
Consideremos dois vetores ~u e ~v, cuja soma ~u + ~v pretendemos encontrar. Tomemos um

−→
ponto A qualquer e, com origem nele, tracemos um segmento orientado AB representante
−−→
do vetor ~u e um segmento orientado BC representante do vetor ~v . O vetor representado
−→
pelo segmento orientado AC será o representante do vetor soma ~u + ~v , isto é,
−→
~u + ~v = AC
23
ou
−→ −−→ −→
AB + BC = AC
Sendo ~u, ~v e w
~ vetores quaisquer, a adição admite as seguintes propriedades
1. Conmutativa: ~u + ~v = ~v + ~u.
2. Associativa: (~u + ~v) + w

~ = ~u + (~v + w).
~
3. Elemento Neutro: ~u + ~0 = ~u
4. Elemento Oposto: ~u + (−~u) = ~0
u + (−~v ) escreve-se ~u − ~v,é chamado diferença entre ~u e ~v .

Observação 3.2. O vetor ~
24
3.1.2 Multiplicação de um Número Real por um Vetor
Dado um vetor ~u 6= 0 e um número real α 6= 0, chama-se produto do número real α pelo

vetor ~u, o vetor α~u tal que:
1. Módulo ou comprimento: |α~v| = |α||~v|
2. Direção: α~v é paralelo a ~v
3. Sentido: α~v e ~v tem o mesmo sentido se α > 0, e contrário se α < 0.
3.1.3 Ângulo entre dois vetores
O ângulo entre os vetores não nulos u e v é o ângulo θ formado por duas semi-retas OA
−→ −−→
e OB de mesma origem O, onde ~u = OA, ~v = OB e 0 ≤ θ ≤ π.
• Se ~u//~v e ~u e ~v têm o mesmo sentido, então θ = 0. Na figura acima, o âgulo entre

~u e 2~u é zero.
• Se ~u//~v e ~u e ~v têm sentidos contrários, então θ = π. Na figura acima, o âgulo

entre ~u e −3~u é π.
25
3.2 Interpretação Algébrica no Plano
Consideremos dois vetores v~1 e v~2 não paralelos, representados com a origem no mesmo
ponto O, e sejam r1 e r2 retas contendo estes representantes, respectivamente.
Os vetores ~u, ~v , w,
~ ~x e ~y , representados na figura podem ser escritos em função de v~1
e v~2 por
~u = 3~v1 + 4~v2 ~v = −2~v1 + 3~v2 ~ = −3~v1 − ~v2

w
~x = 2~v1 + 0~v2 ~y = 0~v1 + 3~v2
De modo geral dados dois vetores quaisquer v~1 e v~2 , existe uma só dupla de números
reais a1 e a2 , tal que
v = a1 v~1 + a2 v~2 .
O vetor ~v é chamado combinação linear de v1 e v2 . O conjunto B = {v~1 , v~2 } é chamado

de base no plano.
“Qualquer conjunto de dois vetores não paralelos forma uma base no plano”
Observação 3.3. Dentre as infinitas bases que existem no plano a mais importante é
aquela que determina o conhecido sistema cartesiano ortogonal xOy. Esta base é chamada
de base canônica e esta determinada pelos vetores ortogonais e unitários ~i = (1, 0) e
~j = (0, 1).
26
Assim, qualquer vetor ~v = (x, y) do plano pode-se escrever da forma
v = x ~i + y ~j.
Igualdade de Vetores. Dois vetores ~u = (x1 , y1) e ~v = (x2 , y2 ) são iguais se,
x1 = x2 e y1 = y2 .
Neste caso, escrevemos ~u = ~v .
Definição 3.2. Sejam dois vetores ~u = (x1 , y1) e ~v = (x2 , y2 ) e α ∈ R. Define-se
1. ~u + ~v = (x1 + x2 , y1 + y2 )
2. α~u = (α x1 , α y1 )
3. −~u = (−1)~u = (−x1 , −y1 )
4. ~u − ~v = ~u + (−~v ) = (x1 − x2 , y1 − y2 ).
As definições anteriores e as operações algébricas dos números reais permitem demon-

strar as propriedades seguintes:
1. ~u + ~v = ~v + ~u
2. ~u + ~0 = ~u
3. (~u + ~v) + w
~ = ~u + (~v + w)
~
4. ~u + (−~u) = ~0
5. α(β~v) = (αβ)~v
6. α(~u + ~v ) = α~u + α~v
7. (α + β)~u = α~u + β~u
8. 1~u = ~u.
27
Observação 3.4. É importante lembrar que um vetor tem infinitos representantes que são
os segmentos orientados de mesmo comprimento, mesma direção e mesmo sentido. E,
−→
dentre os infinitos representantes de AB (A = (x1 , y1 ), B = (x2 , y2 )), o que “melhor
o caracteriza” é aquele que tem origem em O = (0, 0) e extremidade no ponto P =
−→
(x2 − x1 , y2 − y1 ). O vetor ~v = OP é também chamado vetor posição ou representante
−→
natural de AB.
Módulo de um vetor Seja o vetor ~u = (x, y). Pelo Teorema de Pitagoras, vem
p
|u| = x2 + y 2. (3.1)
3.3 Interpretação Algébrica no Espaço
No plano vimos que dado qualquer vetor ~u, este pode ser escrito como uma combinação
da base canônica {~i, ~j}, isto é, ~u = (x, y) = x~i + y ~j. Analogamente, no espaço, conside-
raremos a base canônica {~i, ~j, ~k}, como aquela que irá determinar o sistema cartesiano
ortogonal Oxyz, neste caso
~i = (1, 0, 0), ~j = (0, 1, 0), ~k = (0, 0, 1).
Assim, dado um vetor qualquer ~u ∈ R3 este pode-se expressar da forma
~u = (x, y, z) = x~i + y ~j + z ~k. (3.2)
As definições e conclusões no espaço são análogas às do plano.
Definição 3.3. Sejam os vetores ~u = (x1 , y1 , z1 ) e ~v = (x2 , y2, z2 ) e α ∈ R. Define-se
1. ~u = ~v se e somente se x1 = x2 , y1 = y2 e z1 = z2 .
2. ~u + ~v = (x1 + x2 , y1 + y2 , z1 + z2 )
3. α~u = (α x1 , α y1 , α z1 )
4. −~u = (−1)~u = (−x1 , −y1 , −z1 )
5. ~u − ~v = ~u + (−~v ) = (x1 − x2 , y1 − y2 , z1 − z2 ).
28
Além disso,
1. ~u + ~v = ~v + ~u
2. ~u + ~0 = ~u
3. (~u + ~v) + w
~ = ~u + (~v + w)
~
4. ~u + (−~u) = ~0
5. α(β~v) = (αβ)~v
6. α(~u + ~v ) = α~u + α~v
7. (α + β)~u = α~u + β~u
8. 1~u = ~u.
Módulo de um vetor Seja o vetor ~u = (x, y, z),

p
|u| = x2 + y 2 + z 2 . (3.3)
3.4 Produto Escalar
Chama-se produto escalar de dois vetores ~u e ~v ao número real ~u · ~v,
Quando ~u = (x1 , y1 ) e ~v = (x2 , y2) =⇒ ~u · ~v = x1 x2 + y1 y2 . (3.4)
Quando u = (x1 , y1 , z1 ) e v = (x2 , y2 , z2 ) =⇒ ~u · ~v = x1 x2 + y1 y2 + z1 z2 . (3.5)
Propriedades do Produto Escalar Dados os vetores u, v e w e o número real α, é

fácil verificar que: Além disso,
1. ~u · ~v = ~v · ~u
2. ~u · (~v + w)
~ = ~u · ~v + ~u · w
~
3. (~u + ~v) · w
~ = ~u · w
~ + ~v · w
~
4. α · (~u · ~v ) = (α~u) · ~v = ~u · (α~v )
29
5. ~u · ~u > 0 se ~u 6= ~0 e ~u · ~u = 0 se ~u = ~0.
6. ~u · ~u = |~u|2 .
3.4.1 Interpretação Geométrica do Produto Escalar
Se ~u e ~v são dois vetores não nulos e θ é o ângulo entre eles, então:
~u · ~v = |~u| |~v| cos θ. (3.6)
De fato, aplicando a lei dos co-senos ao triângulo ABC, temos:
|~u − ~v|2 = |~u|2 + |~v|2 − 2|~u||~v| cos θ.
Por outro lado, como |~u − ~v |2 = (~u − ~v ) · (~u − ~v ) = |~u|2 − 2~u · ~v + |~v |2 , então a igualdade
segue-se.
u| = 2, |~v| = 3 e 120o o ângulo entre ~u e ~v. Calcular

Exemplo 3.1. Sejam |~
i) ~u · ~v ii) |~u + ~v | iii) |~u − ~v |.
Sol.
−1
i) ~u · ~v = |~u||~v| cos 120o = (2)(3) = −3 (3.7)
2
p p √
ii) |~u + ~v | = |~u|2 + |~v |2 + 2~u · ~v = 22 + 32 + 2(−3) = 7 (3.8)
p p √
ii) |~u − ~v | = |~u|2 + |~v|2 − 2~u · ~v = 22 + 32 − 2(−3) = 19. (3.9)
30
3.4.2 Ângulo entre dois Vetores
Seja θ o ângulo entre ~u e ~v , então:

~u · ~v
cos θ = .
|~u||~v|
u = (4, −2), ~v = (3, 1)

Exemplo 3.2. Sejam ~
√
(4, −2) · (3, 1) 4.3 + (−2).1 10 2
cos θ = =p √ =√ √ =
|(4, −2)||(3, 1)| 42 + (−2)2 32 + 1 20 10 2
√
2
Logo, θ = arccos ⇒ θ = 45o .
2
v do espaço forma com os vetores ~i e ~j ângulos de 60o e 120o ,

Exemplo 3.3. Um vetor ~
respectivamente. Determinar o vetor ~v , sabendo que |~v| = 2.
Solução Das hipôteses temos para v = (x, y, z) que:
~v · ~i ~v · ~i
cos 60o = = ⇒ x = ~v · ~i = 2 cos 60o = 1
~
|~v ||i| (2)(1)
e
~v · ~j ~v · ~j
cos 120o = = ⇒ y = ~v · ~j = 2 cos 120o = −1
~
|~v||j| (2)(1)
p √
Por outro lado, desde que |~v | = x2 + y 2 + z 2 = 2, tem-se z = ± 2. Portanto,
√ √
~v = (1, −1, 2) ou ~v = (1, −1, − 2).
u e ~v diferentes de zero, são ortogonais (~u⊥~v ),

Observação 3.5. Note que dois vetores ~
se e somente se ~u · ~v = 0.
√ √
Exemplo. Os vetores ~u = (10, 2) e ~v = (− 15 , 2) formam um ângulo de 90o , pois
√ √
~u · ~v = 10(− 15 ) + 2( 2) = 0
Observação 3.6. Sejam dois vetores ~

u e ~v quaisquer,
1. |~u · ~v | ≤ |~u||~v| (Desigualdade de Schwartz)
2. |~u + ~v | ≤ |~u| + |~v| (Desigualdade Triangular).
31
3.4.3 Projeção de um Vetor sobre Outro
Sejam os vetores ~u e ~v não nulos e θ o ângulo entre eles. O objetivo será decompor um
dos vetores, digamos ~u, da forma
~u = ~u1 + ~u2
sendo ~u1 k~v e ~u2 ⊥ ~v.
O vetor ~u1 é chamado projeção ortogonal de ~u sobre ~v , e denotado por:
~u1 = P roj ~v ~u.
Com efeito, já que: ~u1 k~v ⇒ ~u1 = α~v e dado que ~u2 = ~u − ~u1 = ~u − α~v então
~u · ~v
~u2 ⊥ ~v ⇒ (~u − α~v) ⊥ ~v ⇒ (~u − α~v) · ~v = 0 ⇒ α=
|~v |2
Portanto,
~u · ~v
P roj ~v ~u = ~u1 = ~v .
|~v |2
Chamamos de componente de u sobre v ao vetor
Comp ~v ~u = ~u2 = ~u − α~v = ~u − P roj ~v ~u.
32
3.5 Produto Vetorial
Chama-se produto vetorial de dois vetores ~u = (x1 , y1 , z1 ) e ~v = (x2 , y2, z2 ) de R3 ,

tomados nessa ordem, e reprentados por ~u × ~v , ao vetor:

y1 z1 x1 z1 x1 y1
~u × ~v = ~i − ~j + ~k.

y2 z2 x2 z2 x2 y2
Pela facilidade para memorizar denotaremos a definição anterior da forma:

~ ~ ~
i j k

~u × ~v = x1 y1 z1 .

x2 y2 z2
u × ~v para ~u = (5, 4, 3) e ~v = (1, 0, 1).

Exemplo 3.4. Calcular ~
Solução

~ ~ ~
i j k
4 3
5 3

5 4

~u × ~v = 5 4 3 = ~i − ~j + ~k = 4~i − 2~j − 4~k.
0 1
1 1

1 0

1 0 1
u × ~v é dispondo os dois vetores

Observação 3.7. Uma forma prática para o cálculo de ~
em linha, e repetindo pela ordem, as duas primeras colunas, As três componentes de ~u ×~v
são dadas pelos três determinantes, conforme a seguir.
O sentido do vetor ~u × ~v poderá ser determinado pela regra da mão direita, isto é,
se os dedos da mão direita forem dobrados na mesma direção de rotação, então o polegar
estendido indicará o sentido de ~u × ~v.
33
3.5.1 Propriedades
As demonstrações das seguintes propriedades são uma consequência direta da definição

de produto vetorial e das propriedades de determinante.
1. ~v × ~u = −~u × ~v .
2. ~u × ~v = ~0, se e somente se, ~u k ~v .
3. O vetor ~u × ~v é simultaneamente perpendicular a ~u e ~v, isto é
(~u × ~v ) · ~u = ~0 e (~u × ~v ) · ~v = ~0.
4. ~u × (~v + w)
~ = ~u × ~v + ~u × w
~ e (~u + ~v ) × w
~ = ~u × w
~ + ~v × w.
~
5. α (~u × ~v) = (α ~u) × ~v = ~u × (α ~v ).
6. ~u · (~v × w)
~ = (~u × ~v) · w.
~
34
7. |~u × ~v|2 = |~u|2 |~v|2 − (~u · ~v )2 , (chamada identidade de Lagrange).
Observação 3.8. Como uma consequência da identidade de Lagrange e tendo em conta

que ~u · ~v = |~u| |~v| cos θ, temos que:
|~u × ~v | = |~u| |~v| sen θ
3.5.2 Interpretação Geométrica
A área de um paralelogramo determinado pelos vetores ~u e ~v , onde a medida da base é

~u e a altura é |~v | sen θ, é
A = (base)x(altura) = |~u| |~v| sen θ
u · (~v × w)
Observação 3.9. O produto misto ~ ~ é igual, em módulo, ao volume do pa-
ralelepı́pedo de arestas determinadas pelos vetores não coplanares ~u, ~v e w
~ (os três não
se encontram num mesmo plano).
3.6 Exercı́cios
1. Sejam A = (1, 2), B = (0, 1), C = (−1, −1) e D = (2, 3) pontos de R2 . Calcule e
grafique os seguintes vetores (com ponto inicial na origem).
−→ −−→ −−→ −→ −→ −−→ −−→ −→ −−→
a) AB + BC b) CD + 2AB c) AB − CD d) CD − AB e) − 12 DC
35
2. Sejam A = (3, 1, 4), B = (0, 1, 1), C = (1, −1, 2) e D = (2, 1, 0) pontos de R3 .
Calcule e grafique os seguintes vetores (com ponto inicial na origem).
−→ −−→ −→ −→ −−→ −−→ −→
a) AB b) CD + AB c) AB − CD d) CD + AB
3. Encontre as componentes do vetor com ponto inicial P1 e ponto final P2 .
a) P1 = (4, 3), P2 = (3, 2) b) P1 = (−a, b), P2 = (a, b)

c) P1 = (−1, 0, 2), P2 = (2, 1, −2)
4. Encontre um vetor não-nulo ~u com ponto inicial P = (−1, 3, −1) tal que
a) ~u tenha a mesma direção e sentido que ~v = (2, 1, −1).
b) ~u tenha a mesma direção mas sentido oposto que ~v = (1, −1, 1).
√
~ = (1, 1) vetores de R2 .
5. Sejam ~u = (1, 3), ~v = (0, 1) e w
(i) Calcular a) |2~u| b) 1/|w|

~ c) |~u + ~v | d) (~u − ~v) · ~v .
(ii) Calcular a) P r~v ~u b) P rw~ ~v c) P r~v w

~ d) ∡(~u, ~v) e) ∡(~v, w).
~
(iii) Calcule a área do paralelogramo determinado por: a) ~u e ~v b) ~v e w.

~
~ = (−1, 1, 3) vetores de R3 .
6. Sejam ~u = (2, 1, −1), ~v = (0, 1, 2) e w
(i) Calcular a) ~u × ~v b) w/|

~ w|~ c) |~u.(~v × w)|
~ d) −2~v × w
~ e) |~u × ~v × w|.
~
(ii) Calcular a) P r~v ~u b) P ru~ ~v c) P ru~ w

~ d) ∡(~u, ~v ) e) ∡(~v , w).
~
7. Calcule o valor de m para que a área do paralelogramo determinado pelos vetores

√
~u = (m, −3, 1) e ~v = (1, −2, 2) seja igual a 26.
8. Calcule a área do triângulo ABC e a altura relativa ao lado BC, sendo dados
A = (−4, 1, 1), B = (1, 0, 1), C = (0, −1, 3).
9. Encontre o vetor ortogonal ao plano determinado pelos pontos A = (3, 0, 0), B =

(0, 3, 0), C = (0, 0, 2). Calcule a área do triângulo ABC.
10. Um paralelepı́pedo é determinado pelos vetores ~u = (3, −1, 4), ~v = (2, 0, 1) e w

~ =
(−2, 1, 5). Calcule seu volume, e a altura relativa à base definida pelos vetores ~u e
~v .
36
Capı́tulo 4
Espaço Vetorial
Um espaço vetorial é um conjunto V de elementos chamados vetores, onde estão

definidas duas operações:
1. Adição: Para todo u, v ∈ V , a soma u ⊕ v ∈ V .
2. Produto por um escalar α: Seja α ∈ R (ou α ∈ C) e v ∈ V , então α ⊙ v ∈ V .
Além disso, para todo u, v, w ∈ V e α, β ∈ R (ou C), os seguintes axiomas são satisfeitos:
Em relação à adição:
3. (u ⊕ v) ⊕ w = u ⊕ (v ⊕ w)
4. u ⊕ v = v ⊕ u
5. ∃ 0 ∈ V, u ⊕ 0 = u
6. ∃ (−u) ∈ V, u ⊕ (−u) = 0
Em relação ao produto por um escalar:
7. (αβ) ⊙ u = α ⊙ (β ⊙ u)
8. (α + β) ⊙ u = (α ⊙ u) ⊕ (β ⊙ u)
9. α ⊙ (u ⊕ v) = (α ⊙ u) ⊕ (α ⊙ v)
10. 1 ⊙ u = u
37
Quando os escalares considerados são números reais, diremos que V é um espaço
vetorial real. No caso dos escalares serem complexos, V será chamado espaço vetorial
complexo. Em diante, nos trabalharemos só com espaços vetoriais reais.
Exemplo 4.1. V = Rn = {(x1 , x2 , . . . , xn )/xi ∈ R} é um espaço vetorial real com as

operações
(x1 , x2 , . . . , xn ) ⊕ (y1 , y2 , . . . , yn ) = (x1 + y1 , x2 + y2 , . . . , xn + yn ) (4.1)
α ⊙ (x1 , x2 , . . . , xn ) = (αx1 , αx2 , . . . , αxn ) (4.2)
Solução A prova deste exemplo não é mais do que a generalização das propriedades,
vistas no Capı́tulo 3, para vetores no plano e no espaço associados a pontos (x1 , x2 ) ∈ R2
e (x1 , x2 , x3 ) ∈ R3 respectivamente. Assim, com as operações de adição de vetores (4.1) e
multiplicação de um vetor por um escalar real (4.2), é simples verificar todos os axiomas
de espaço vetorial.
Exemplo 4.2. O conjunto V = Mm×n (R) de todas as matrizes reais de ordem m × n é

um espaço vetorial real com as operações de adição de matrizes e multiplicação por um
escalar. Assim, para A = [aij ]m×n , B = [bij ]m×n e α ∈ R, definimos:
A ⊕ B = [cij ]m×n onde cij = aij + bij (4.3)
α ⊙ A = [dij ]m×n onde dij = α aij (4.4)
Exemplo 4.3. Seja V = Pn (R) o conjunto de todos os polinômios a0 + a1 t + · · · + an tn

com coeficientes ai ∈ R. Então V é um espaço vetorial real com as operações de adição
de polinômios e multiplicação por um escalar. Seja p(t) = a0 + a1 t + · · · + an tn e q(t) =
b0 + b1 t + · · · + bn tn ,
(p ⊕ q)(t) = p(t) + q(t) = (a0 + b0 ) + (a1 + b1 )t + · · · + (an + bn )tn
(α ⊙ p)(t) = α p(t) = α a0 + (α a1 )t + · · · + (α an )tn
Exemplo 4.4. O conjunto V de todas as funções reais definidas sobre o intervalo [a, b], é
um espaço vetorial. Se f = f (x) e g = g(x) ∈ V , definimos
(f ⊕ g)(x) = f (x) + g(x)
(α ⊙ f )(x) = α f (x)
38
Exemplo 4.5. Nenhum dos conjuntos N, Z, Q é espaço vetorial real, pois em todos eles
o produto de um de seus elementos por um escalar, é um número real, o que contraria o
Axioma 2 de espaço vetorial.
4.1 Subespaços Vetoriais
Seja W , (W 6= ∅) um subconjunto do espaço vetorial V . Dizemos que W é um

subespaço vetorial em relação às operações de V , se:
i) u, v ∈ W ⇒ u ⊕ v ∈ W
ii) α ∈ R e u ∈ W ⇒ α ⊙ u ∈ W.
Exemplo 4.6. Seja V = M2×2 (R) e
W = {A ∈ M2×2 (R)/todos os elementos da diagonal de A são zeros}.
Prove que W é um subespaço vetorial de V , com as operações usuais de matrizes.

   
0 a12 0 b12
Solução: Sejam A =   e B=  matrizes quaisquer de W , então
a21 0 b21 0
 
0 a12 + b12
A+B =  ∈ W.
a21 + b21 0
Se α ∈ R e A ∈ W , então
   
α.0 α.a12 0 α.a12
αA =  = ∈W
α.a21 α.0 α.a21 0
Exemplo 4.7. Considere o subconjunto W = {(x, 1) ∈ R2 /x ∈ R} com as operações

usuais de R2 . Prove que W não é um subespaço vetorial.
Solução:Basta notar que a soma de dois elementos de W não pertence a W . Os elementos

(3, 1) ∈ W e (5, 1) ∈ W , mas a soma
(3, 1) + (5, 1) = (8, 2) ∈

/W
39
4.1.1 Propriedades dos Subespaços
Soma.
Sejam W1 e W2 subspaços de um espaço vetorial V . Então, o conjunto
W1 + W2 = {v ∈ V / v = w1 + w2 , w1 ∈ W1 e w2 ∈ W2 } (4.5)
é um subespaço de V .
Exemplo 4.8. Sejam W1 e W2 duas retas de R3 que passam pela origem, então W1 + W2
é o plano em R3 que contém as duas retas.
Interseção.
Sejam W1 e W2 subspaços de um espaço vetorial V . A interseção W1 ∩W2 é um subespaço

de V .
Exemplo 4.9. Sejam W1 e W2 dois planos de R3 que passam pela origem, de modo que
W1 ∩ W2 é uma reta em R3 que contém o (0, 0, 0). A interseção W1 ∩ W2 é um subespaço
de R3 .
Quando W1 ∩ W2 = {0}, então W1 + W2 é chamada soma direta de W1 com W2 , e

será denotada por W1 ⊕ W2 .
40
4.2 Combinação Linear
Dizemos que um vetor w é uma combinação linear dos vetores v1 , v2 , . . . , vn do espaço

vetorial real V , (V, +, .), se existem α1 , α2 , . . . , αn ∈ R tal que
w = α1 · v1 + α2 · v2 + . . . + αn · vn .
u = (1, 2, −1), ~v = (6, 4, 2) ∈ R3 . Mostre que

Exemplo 4.10. Considere os vetores ~
w
~ = (9, 2, 7) é uma combinação linear de ~u e ~v
Solução: Suponhamos que existem α, β ∈ R de modo que
(9, 2, 7) = α(1, 2, −1) + β(6, 4, 2).





α + 6β = 9


Então, 2α + 4β = 2 implica que α = −3, β=2





−α + 2β = 7
Portanto, (9, 2, 7) = −3(1, 2, −1) + 2(6, 4, 2), consequentemente w

~ é uma combinação
linear de ~u e ~v .
Exemplo 4.11. Considere os polinômios p(x) = 1, q(x) = 1 + x e r(x) = 1 + x + x2 .

Mostre que qualquer polinômio de ordem 2 pode-se escrever como uma combinação linear
de p(x), q(x) e r(x).
Solução: Suponhamos que existem α, β, γ ∈ R de modo que
a0 + b0 x + c0 x2 = α(1) + β(1 + x) + γ(1 + x + x2 ).





α + β + γ = a0


Então, β + γ = b0 , logo γ = c0 , β = b0 − c0 , α = a0 − b0 − c0 .





γ = c0
Portanto, a0 + b0 x + c0 x2 = (a0 − b0 − c0 ) p(x) + (b0 − c0 ) q(x) + c0 r(x).
41
4.3 Espaço Gerado
O subconjunto S de todos os vetores do espaço vetorial real V (V, +, .), que são
combinações lineares dos vetores v1 , v2 , . . . , vn , é chamado de subespaço vetorial gerado
por v1 , v2 , . . . , vn e será denotado por
S = ger{v1 , v2 , . . . , vn } = [v1 , v2 , . . . , vn ]
Para verificar que S é subespaço vetorial de V , basta notar que para qualquer u, v ∈ S
e α ∈ R verifica-se que
u + v = (α1 · v1 + α2 · v2 + · · · + αn · vn ) + (β1 · v1 + β2 · v2 + · · · + βn · vn )
= (α1 + β1 ) · v1 + (α2 + β2 ) · v2 + · · · + (αn + βn ) · vn ∈ S
α · u = α · (α1 · v1 + α2 · v2 + · · · + αn · vn )
= (αα1 ) · v1 + (αα2 ) · v2 + · · · + (ααn ) · vn ∈ S.
Exemplo 4.12. Calcule o conjunto de geradores do subespaço vetorial S de M2×2 (R),

quando
( 
)
a b
S=   ∈ M2×2 (R) a = −d e c = 2b . (4.6)
c d
Solução Usando a definição de S temos

( 
)
−d b
S=   bed∈R . (4.7)
2b d
Logo,
(    
) (   )
−1 0 0 1 −1 0 0 1
S= d  + b  bed∈R = ger  ,  .
0 1 2 0 0 1 2 0
Exemplo 4.13. Mostre que o conjunto de polinômios {t2 + t, t, 1} gera o espaço vetorial,
P2 (R), dos polinômios de grau ≤ 2.
42
Solução Consideremos p(t) = a2 t2 + a1 t + a0 ∈ P2 (R). Suponhamos α, β, γ ∈ R tais
que:
p(t) = α(t2 + t) + βt + γ1 ⇒ a2 t2 + a1 t + a0 = αt2 + (α + β)t + γ.
Comparando o primeiro e último polinômio obtemos α = a2 , α + β = a1 e γ = a0 , logo
α = a2 , β = a1 − a2 , γ = a0 .
4.4 Independência e Dependência Linear
Seja V um espaço vetorial real, (V, +, ·), e v1 , v2 , . . . , vn ∈ V . Dizemos que o conjunto

{v1 , v2 , . . . , vn } é linearmente independente (L.I.), se:
α1 · v1 + α2 · v2 + . . . + αn · vn = 0 =⇒ α1 = α2 = . . . = αn = 0. (4.8)
No caso em que exista algum αi 6= 0, diremos que o conjunto {v1 , v2 , . . . , vn } é linearmente

dependentes (L.D.).
Teorema 4.1. {v1 , . . . , vn } é linearmente dependente, se e somente se, um destes vetores

for combinação linear dos outros.
Prova:
{v1 , . . . , vn } é L.D ⇐⇒ ∃ αi 6= 0 / α1 v1 + α2 v2 + . . . + αi vi + . . . + αn vn = 0
⇐⇒ αi vi = −α1 v1 − . . . − αi−1 vi−1 − αi+1 vi+1 − . . . − αn vn

α1 αi−1 αi+1 αn
⇐⇒ vi = − v1 − . . . − vi−1 − vi+1 − . . . − vn
αi αi αi αi
⇐⇒ vi ∈ ger{v1, v2 , . . . , vi−1 , vi+1 . . . , vn } (4.9)
Exemplo 4.14. Os vetores canônicos (1, 0, 0), (0, 1, 0), (0, 0, 1) são L.I.?
Solução Suponhamos que
α1 (1, 0, 0) + α2 (0, 1, 0) + α3 (0, 0, 1) = (0, 0, 0).
Somando temos que (α1 , α2 , α3 ) = (0, 0, 0). Logo, α1 = α2 = α3 = 0, consequentemente

os vetores canônicos são linearmente independentes.
43

  
1 −2 4 2 −4 8
Exemplo 4.15. As matrizes A =  eB=  são L.D.
3 0 −1 6 0 −2
Solução De fato,
 
0 0 0
α1 A + α2 B =   ⇔ α1 = −2α2 .
0 0 0
Corolário 4.1. Qualquer conjunto de vetores contendo o vetor nulo é L.D.
u = (1, −2, 3), ~v = (2, −4, 6) e w

Exemplo 4.16. Os vetores ~ ~ = (1, 1, 1) são L.D. pois
~ = ~0.
2~u − ~v + 0w
Corolário 4.2. Todo subconjunto de um conjunto de vetores L.I. é L.I.
Exemplo 4.17. É sabido que o conjunto S = {(1, 0, 0), (0, 1, 0), (0, 0, 1)} é L.I, logo
qualquer subconjunto de S também é L.I.
Observação 4.1. Se ~
u1 = (x11 , . . . , x1n ), ~u2 = (x21 , . . . , x2n ), . . . , ~un = (xn1 , . . . , xnn ) são
n-vetores L.I. em Rn ,
α1~u1 + α2~u2 + · · · + αn~un = ~0 =⇒ α1 = α2 = · · · = αn = 0.
Da afirmação anterior deduzimos que

    
x11 x21 . . . xn1 α 0
   1  
 .. .   .  .
 . . . . . . . ..   ..  =  ..  =⇒ α1 = α2 = · · · = αn = 0.
    
x1n x2n . . . xnn αn 0
sempre que
 
x11 x21 . . . xn1
 
 . .. 
det  .. ... ... .  = 6 0
 
x1n x2n . . . xnn
√
Exemplo 4.18. Os vetores ~u1 = (1, −2, 7, 2), ~u2 = (0, 4, −6, 1), ~u3 = (0, 0, 1, π),
~u4 = (0, 0, 0, sen 1) são L.I. em R4
44
Solução Segundo a observação anterior eles são L.I. pois o determinante da matriz
(u1 , u2 , u3, u4 ) é diferente de zero. De fato,
 
1 0 0 0
 
 
−2 4 0 0 
det 
  = 4 sen 1

 7 −6 1 0 
√ 
2 1 π sen 1
Exemplo 4.19. Seja r > n. Qualquer conjunto com r vetores no espaço vetorial Rn
é linearmente dependente pois todo sistema homogêneo de equações lineares com mais
incógnitas do que equações admite uma solução não trivial (diferente de zero).
Observação 4.2. Geometricamente, a dependência de dois vetores no plano R2 acontece

se e somente se eles se encontram sobre a mesma reta passando pela origem. No espaço
R3 , três vetores são L. D. se eles estão contidos no mesmo plano passando pela origem.
Às vezes é possı́vel deduzir a dependência linear de funções apartir de identidades

conhecidas, por exemplo ao provar que: {sen2 x, cos2 x, 5} é um conjunto L.D no espaço
vetorial das funções reais de variável real, F (R, R), basta notar que
α sen2 x + β cos2 x + γ 5 = 0 ⇐⇒ α = β = 5, γ = −1.
De modo geral, não existe um método para provar a dependência ou independência lin-
ear de conjuntos em F (R, R), pois existem casos onde estas idêntidades não podem ser
aplicadas. Um teorema útil para determinar se um conjunto particular de funções é L.I é
enunciado a seguir.
Teorema 4.2. Sejam as funcões reais f1 , f2 , . . . , fn ∈ C n−1 ([a, b]) (contı́nuas e com
derivadas contı́nuas até a ordem n − 1 em todo [a, b]). Se existe um ponto x0 ∈ [a, b] tal
que o wronskiano W [f1 , f2 , . . . , fn ](x0 ),
 
f (x ) f2 (x0 ) ... fn (x0 )
 1 0 
 ′ 
 f1 (x0 ) f2′ (x0 ) ... fn′ (x0 ) 
W [f1 , f2 , . . . , fn ](x0 ) = det   6= 0, (4.10)
 .. .. .. 
 . . ··· . 
 
f1n−1 (x0 ) f2n−1(x0 ) ... fnn−1 (x0 )
então f1 , f2 , . . . , fn são L.I. em C n−1 ([a, b]). Mais ainda, são L.I em C([a, b]).
45
Exemplo 4.20. As funções ex , e−x são L.I. em C(R)?.
Solução Segundo o teorema anterior eles são L.I. em C 2 (R), pois o Wronskiano
 
x0 −x0
e e
W [ex , e−x ](x0 ) = det   = −2 6= 0, ∀x0 ∈ R. (4.11)
x0 −x0
e −e
Por outro lado, desde que C 2 (R) ⊆ C(R) o resultado segue-se.
Exemplo 4.21. As funções 1, x, x2 , x3 são L.I. em C(R)?.
Solução Segundo o teorema anterior eles são L.I. em C 3 (R), pois o Wronskiano
 
2 3
1 x0 x0 x0
 
 2 
2 3
0 1 2x0 3x0 
W [1, x, x , x ](x0 ) = det   = 12 6= 0, ∀x0 ∈ R. (4.12)
 
0 0 2 6x0 
 
0 0 0 6
Por outro lado, desde que C 3 (R) ⊆ C(R) o resultado segue-se.
Exemplo 4.22. As funções x2 e x|x| são L.I. em C([−1, 1])?.
Solução Já que x2 , x|x| ∈ C 1 ([−1, 1]), calculando o Wronskiano temos

 
2
x 0 x |x
0 0 |
W [x2 , x|x|](x0 ) = det   ≡ 0, (4.13)
2x0 2|x0 |
o que não nos dá a informação sobre se as funções são L.I ou não. Logo, para responder
a pergunta, suponha que:
αx2 + βx|x| = 0, x ∈ [−1, 1].
Em particular, para x = 1 e para x = −1, temos o sistema
α+β =0
α − β = 0,
para o qual a única solução é α = β = 0. Portanto, as funções x2 , x|x| são L.I em

C([−1, 1]).
46
4.5 Base e Dimensão
Os vetores v1 , v2 , . . . , vn formam uma base do espaço vetorial V se, e somente se,
1. v1 , v2 , . . . , vn é um conjunto linearmente independente.
2. V = ger{v1, v2 , . . . , vn }.
(i.e: ∀ v ∈ V, ∃ α1 , α2 , . . . , αn ∈ R / v = α1 v1 + . . . + αn vn ).
Exemplo 4.23. O conjunto B = {(1, 1), (0, 1)} é uma base de R2 .
Solução: De fato, B é L.I pois
α(1, 1) + β(0, 1) = (0, 0) ⇒ (α, α + β) = (0, 0) ⇒ α = 0 e β = 0.
Por outro lado, para (x, y) ∈ R2 suponhamos que ∃ α1 , α2 ∈ R tal que
(x, y) = α1 (1, 1) + α2 (0, 1) = (α1 , α1 + α2 ) ⇒ α1 = x ∈ R e α2 = y − x ∈ R
Logo,
(x, y) = x(1, 1) + (y − x)(0, 1), isto é, (x, y) ∈ ger{(1, 1), (0, 1)}.
Portanto, R2 ⊆ ger{(1, 1), (0, 1)} e desde que R2 é um espaço vetorial a igualdade entre
estes dois conjuntos segue-se.
(       )
1 0 0 1 0 0 0 0
Exemplo 4.24. O conjunto B =  , , ,  é uma base
0 0 0 0 1 0 0 1
de M2×2 (R)
Exemplo 4.25. Os conjuntos {(1, 0, 0), (0, 1, 0), (0, 0, 1)} e {(1, 2, 1), (1, 0, −1), (1, −2, 1)}
constituem bases distintas para R3 . Podemos encontrar mais de uma base para um espaço
vetorial; dado, entretanto, o número de vetores de cada base não varia.
Definição 4.1. Se uma base de um espaço vetorial real V tem n-vetores, dizemos que V
tem dimensão finita n. Denotaremos
dim V = n.
Conveniremos que o espaço vetorial V = {0} tem dimensão zero.
47
Exemplo 4.26. Pelo visto nos exemplos anteriores, temos que:
1. dim R 2 = 2.
2. dim R n = n.
3. dim Pn (R) = n + 1.
4. dim Mm×n (R) = mn.
Teorema 4.3. Se U e W são subespaços de um espaço vetorial V que tem dimensão

finita, então:
dim (U + W ) = dim U + dim W − dim (U ∩ W ), (4.14)
sendo que dim U ≤ dim V e dim W ≤ dim V .
Exemplo 4.27. Considere U um plano que passa pela origem em V = R3 , e W uma reta
contida em U que passa pela origem, então:
dim (U + W ) = 2 + 1 − 1 = 2.
Teorema 4.4. Seja V um espaço vetorial real de dimensão finita n. Qualquer conjunto
de vetores L.I. em V é parte de uma base, isto é, pode ser completado até formar uma
base de V .
Exemplo 4.28. Sejam os vetores v1 = (1, −1, 1, 2) e v2 = (−1, 1, −1, 0) completar o

conjunto {v1 , v2 } de modo a formar uma base de R4 .
Solução: Como dim R4 = 4 uma base terá 4 vetores L.I. Portanto, faltam dois. Escolhe-
mos um vetor v3 que não é combinação linear de v1 = (1, −1, 1, 2) e v2 = (−1, 1, −1, 0),
isto é, v3 6= a1 v1 + a2 v2 para todo a1 , a2 ∈ R. Dentre os infinitos vetores existentes, um
deles é o vetor v3 = (1, 1, 0, 0), e o conjunto {v1 , v2 , v3 } é L.I.
Para completar, escolhemos um vetor v4 que não seja uma combinação linear de v1 , v2
e v3 . Um deles é o vetor v4 = (1, 0, 0, 0), e o conjunto {v1 , v2 , v3 , v4 } é L.I. Logo,
v1 = (1, −1, 1, 2) v2 = (−1, 1, −1, 0), v3 = (1, 1, 0, 0), v4 = (1, 0, 0, 0).
48
Observação 4.3. Muitas vezes será necessário saber calcular a dimensão de um subespaço
vetorial de forma rápida, pois uma vez que esta é conhecida, obtém-se facilmente uma base
desse subespaço. Uma forma prática para determinar a dimensão de um subespaço vetorial
é verificar o número de variáveis livres de seu vetor genérico. Este número é a dimensão
do subespaço.
Exemplo 4.29. Determinar a dimensão e a base do subespaço vetorial
S = {(x, y, z) ∈ R3 /2x + y + z = 0}
Solução: Isolando z temos que: z = −2x − y, onde x, y são variáveis livres. Isto é,
S = {(x, y, z) ∈ R3 /2x + y + z = 0}
= {(x, y, z) ∈ R3 /z = −2x − y}
= {(x, y, −2x − y)/x ∈ R, y ∈ R}
= {(x, 0, −2x) + (0, y, −y)/x ∈ R, y ∈ R}
= {x (1, 0, −2) + y (0, 1, −1)/x ∈ R, y ∈ R},
isto é, todo vetor de S é combinação linear dos vetores {(1, 0, −2), (0, 1, −1)}. Como esses
dois vetores geradores de S são L.I, o conjunto é uma base de S e, consequentemente,
dim S = 2.
Exemplo 4.30. Obtenha uma base do subespaço vetorial
U = ger{(1, 1, 0, −2), (2, 0, −1, −1), (0, 1, −2, 1), (1, 1, 1, −3)} ⊆ R4 .
Determine a dimensão de U.
Solução: Bastará provar que os vetores (1, 1, 0, −2), (2, 0, −1, −1), (0, 1, −2, 1), (1, 1, 1, −3)
são L.I.
Suponhamos que,
α(1, 1, 0, −2) + β(2, 0, −1, −1) + γ(0, 1, −2, 1) + δ(1, 1, 1, −3) = (0, 0, 0, 0)
49
ou
    
1 2 0 1 α 0
    
    
1 0 1 1  β  0
   =  .
    
 0 −1 −2 1   γ  0
    
−2 −1 1 −3 δ 0
Para achar a solução deste sistema homogêneo Ax = 0 será suficiente reduzir a matriz A
a uma de tipo escalonado (método de operações por linha).
   
1 2 0 1 L1 ←→ L1 1 2 0 1 L ←→ L1
    1
   
1 0 1 1  L2 ←→ L2 − L1 0 −2 1 0  L2 ←→ L3
A=  





 0 −1 −2 1  L3 ←→ −L3 0 1 2 −1
   
−2 −1 1 −3 L4 ←→ L4 + 2L1 0 3 1 −1 L4 ←→ L4
   
1 2 0 1 L1 ←→ L1 1 2 0 1 L1 ←→ L1
   
   
0 1 2 −1 L2 ←→ L2 0 1 2 −1 L2 ←→ L2
≈ 






0 −2 1 0  L3 ←→ L3 + 2L2 0 0 5 −2 L3 ←→ L3
   
0 3 1 −1 L4 ←→ L4 − 3L2 0 0 −5 2 L4 ←→ L4 + L3
 
1 2 0 1
 
 
0 1 2 −1
≈  = A′ .
 
0 0 5 −2
 
0 0 0 0
Logo, o sistema equivalente, A′ x = 0 tem infinitas soluções, pois detA′ = 0. Mais ainda,
α + 2β + δ = 0
β + 2γ − δ = 0
5γ − 2δ = 0,
o que implica que, para cada γ ∈ R,

5γ γ −7γ
δ= , β= , α= .
2 2 2
Em outras palavras, α = β = δ = 0 se e somente se γ = 0. Portanto, só os vetores B =

{(1, 1, 0, −2), (2, 0, −1, −1), (1, 1, 1, −3)} são L.I. Como esses três vetores são geradores de
U, o conjunto é uma base de U e consequentemente, dim U = 3.
50
4.5.1 Componentes de um Vetor
Seja B = {v1 , v2 , . . . , vn } uma base de V . Tomemos v ∈ V sendo
v = a1 v1 + a2 v2 + . . . + an vn ,
os números a1 , a2 , . . . , an são chamados componentes do vetor v em relação à base B

(vetor coordenada de v em relação à base B) e se representa por
vB = (a1 , a2 , . . . , an )
ou com a notação matricial (matriz-coordenada de v em relação à base B)

 
a
 1
 
 a2 
vB = 
 ..  .

.
 
an
Exemplo 4.31. Em R2 consideremos as bases
A = {(1, 0), (0, 1)}, B = {(2, 0), (1, 3)} e C = {(1, −3), (2, 4)}
Achar o vetor coordenada de v = (8, 6) em relação as base A, B e C.
Solução: Desde que:
(8, 6) = 8(1, 0) + 6(0, 1)
(8, 6) = 3(2, 0) + 2(1, 3)
(8, 6) = 2(1, −3) + 3(2, 4),
então,
[v]A = (8, 6), [v]B = (3, 2), [v]C = (2, 3).
4.6 Espaço Vetorial Euclideano
No capı́tulo 3, foi definido o produto escalar de dois vetores no R2 ou R3 e foram estabeli-

cidas por meio desse produto, algumas propriedades geométricas daqueles vetores. Nesta
seção, nosso objetivo será generalizar este conceito de produto e definir os conceitos de
comprimento, distância e ângulo em espaços vetoriais mais genéricos.
51
Definição 4.2. Chama-se produto interno no espaço vetorial V , a uma função de V × V
em R que a todo par de vetores (u, v) ∈ V × V associa um número real, indicado por u.v
ou hu, vi, tal que os seguintes axiomas sejam verificados:
1. hu, vi = hv, ui
2. hu, v + wi = hu, vi + hu, wi
3. hαu, vi = αhu, vi, para todo α
4. hu, ui ≥ 0 e hu, ui = 0 se, e somente se, u = 0.
Exemplo 4.32. Em V = R2 , para u = (x1 , y1 ) e v = (x2 , y2 )
hu, vi = 3x1 x2 + 4y1 y2 ,
é um produto interno.
Exemplo 4.33. Em V = C([a, b]), para f e g

Z b
hf, gi = f (x) g(x) dx,
a
é um produto interno.
Definição 4.3. Um espaço vetorial real V , de dimensão finita, no qual está definido um
produto interno, é um espaço vetorial euclideano.
Definição 4.4. Seja o produto interno h , i no espaço euclideano V . O comprimento

ou norma do vetor u, em relação a esse produto interno, é definido por
p
kuk = hu, ui.
Definimos a norma euclidiana (ou comprimento euclidiano) de um vetor u = (u1 , u2 , . . . , un )

em Rn por
√ q
kuk = u·u= u21 + u22 + · · · + u2n .
Definição 4.5. Chama-se distância entre dois vetores u e v o número real repre-
sentado por d(u, v) e definido por
d(u, v) = ku − vk.
52
Definição 4.6. O ângulo entre dois vetores u e v é determinado por
hu, vi
cos θ = .
kukkvk
Definição 4.7. Dois vetores u e v de um espaço com produto interno são ortogonais
se < u, v >= 0.
4.6.1 Complementos Ortogonais
Definição 4.8. Seja W um subespaço de um espaço com produto interno V . Um vetor

u ∈ V é dito ortogonal a W se é ortogonal a cada vetor de W , e o conjunto de todos os
vetores que são ortogonais a W é chamado complemento ortogonal de W , denotaremos
por W ⊥ .
Figura 4.1: Cada vetor em W é ortogonal a V , V = W ⊥ .
Teorema 4.5. Se W é um subespaço de um espaço com produto interno V de dimensão

finita, então:
a) W ⊥ é um subespaço de V
b) O único vetor comum a W e W ⊥ é 0.
c) O complemento ortogonal de W ⊥ é W , ou seja, (W ⊥ )⊥ = W
53
Teorema 4.6. (Da Projeção) Se W é um subespaço de dimensão finita de um espaço
com produto interno V , então cada vetor u ∈ V pode-se expressar de forma única por:
u = w1 + w2
onde w1 = P rojW u ∈ W e w2 = u − P rojW u ∈ W ⊥ .
4.6.2 Uma Relação Geometrica Entre Espaço Nulo e Espaço

Linha
O seguinte teorema fundamental fornece uma relação geométrica entre o espaço-nulo e o

espaço linha de uma matriz.
Teorema 4.7. Se A é uma matriz m × n, então
a) O espaço nulo de A, N (A) = {v ∈ Rn×1 /Av = 0}, e o espaço linha de A são comple-
mentos ortogonais em Rn com relação ao produto interno euclideano.
b) O espaço nulo de AT e o espaço coluna de A são complementos ortogonais em Rm

com relação ao produto interno euclideano.
Demonstração: A prova do item (a) encontra-se em [1], pagina 211.
(b) Sejam os vetores coluna r1 , r2 , . . . , rn da matriz A ∈ Mm×n . Logo, a matriz A

pode-se escrever da forma
h i
A = r1 r2 . . . rn , onde ri ∈ Rm×1
Por outro lado, uma vez que N (AT ) = {v ∈ Rm×1 /AT v = 0}, então:
 
rT
 1
 T
T
r2 
A v=  ..  v = 0
 ⇐⇒ < riT , v > = 0, ∀ i = 1, 2, . . . , n.
.
 
rnT
54
4.6.3 Conjuntos Ortogonais e Ortonormais
Seja V um espaço vetorial euclidiano. Um subconjunto S = {v1 , v2 , . . . , vn } ⊂ V é:
1. Ortogonal, se seus elementos são ortogonais dois a dois, isto é:
hvi , vj i = 0 ∀ i 6= j.
2. Ortonormal, se S é ortogonal e kvi k = 1 ∀ i, isto é:



0 para i 6= j
hvi , vj i = . (4.15)

1 para i = j
A base gerada por um conjunto de vetores ortogonais é dita uma base

ortogonal e uma base gerada por um conjunto de vetores ortonormais é dita
uma base ortonormal.
Proposição 4.1. Um conjunto ortonormal é L.I.
Demonstração: Seja S = {v1 , v2 , . . . , vn } um conjunto ortonormal e α1 , . . . , αn ∈ R,

tal que
α1 v1 + α2 v2 + . . . + αn vn = 0.
Por demonstrar: α1 = α2 = . . . = αn = 0.
Multiplicando α1 v1 + α2 v2 + . . . + αn vn = 0 por vi , temos
0 =h0, vi i = hα1 v1 + · · · + αn vn , vi i
=hα1 v1 , vi i + hα2 v2 , vi i + . . . + hαi vi , vi i + . . . + hαn vn , vi i
=α1 hv1 , vi i + α2 hv2 , vi i + . . . + αi hvi , vi i + . . . + αn hvn , vi i (4.16)
Ja que S ortogonal,
0 = αi hvi , vi i = αi ||vi ||2 ⇒ 0 = αi ∀i = 1, 2, . . . , n.
55
Definição 4.9. Seja V um espaço vetorial euclidiano, S = {v1 , v2 , . . . , vn } ⊂ V ortonor-
mal e u ∈ V . A projeção ortogonal de u sobre o subespaço gerado por S é o vetor P roj [S]u
dado por:
P roj [S]u = hu, v1iv1 + hu, v2iv2 + . . . + hu, vn ivn .
Exemplo 4.34. Projetar o vetor u = (5, 2, −3) ∈ R3 sobre o plano [S], onde
[S] = ger{(1, 0, 0), (0, −1, 0)}.
Solução:
P roj [S]u = h(5, 2, −3), (1, 0, 0)i (1, 0, 0) + h(5, 2, −3), (0, −1, 0)i (0, −1, 0)
= 5(1, 0, 0) − 2(0, −1, 0)
= (5, 2, 0).
4.6.4 Processo de Gram - Schimidt
O objetivo do processo de Gram-Schimidt é encontrar uma base ortonormal para um

espaço vetorial euclidiano V .
Teorema 4.8. Cada espaço vetorial não-nulo de dimensão finita possui uma base ortonor-
mal.
Demonstração: Seja V um espaço vetorial não-nulo de dimensão finita com produto

interno. Suponha que {u1 , u2, . . . , un } é uma base de V . É suficiente mostrar que V
tem uma base ortogonal, pois os vetores da base ortogonal podem ser normalizados para
produzir uma base ortonormal de V , para isto bastará dividir eles entre suas respectivas
normas.
A seguir, mostramos como achar uma base ortogonal {v1 , v2 , . . . , vn } de V .
1) Seja v1 = u1 .
2) Para obter um vetor v2 que é ortogonal a v1 tomamos o componente de u2 que é

ortogonal ao espaço W1 = ger{v1 }. Para isso nós usamos a fórmula:
hu2 , v1 i
v2 = u2 − P roj W1 u2 = u2 − v1
||v1 ||2
56
3) Para construir um vetor v3 que é ortogonal a ambos v1 e v2 , calculamos o componente
u3 que é ortogonal ao espaço W2 = ger{v1, v2 }, isto é,
hu3 , v1 i hu3 , v2 i
v3 = u3 − P roj W2 u3 = u3 − 2
v1 − v2
||v1 || ||v2 ||2
4) Para determinar um vetor v4 que é ortogonal a v1 , v2 e v3 , calculamos o componente

de u4 que é ortogonal ao espaço W3 = ger{v1, v2 , v3 }.
hu4 , v1 i hu4 , v2 i hu4 , v3 i

v4 = u4 − P roj W3 u4 = u4 − 2
v1 − 2
v2 − v3
||v1 || ||v2 || ||v3 ||2
Continuando desta maneira, nós iremos obter, depois de n passos, um conjunto ortogonal
de vetores {v1 , v2 , . . . , vn }. O processo acima é chamado processo de Gram-Schimidt.
Como V tem dimensão n, e conjuntos ortogonais são linearmente independentes, o

conjunto {v1 , v2 , . . . , vn } é uma base ortogonal de V .
Exemplo 4.35. Considere o espaço vetorial R3 com o produto interno euclidiano. Aplique
o processo de Gram-Schimidt para transformar os vetores de base u1 = (1, 1, 1), u2 =
(0, 1, 1) e 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 }.
Solução: Segundo o teorema anterior,
v1 = u1 = (1, 1, 1)

hu2 , v1 i 2 2 1 1
v2 = u2 − proj W1 u2 = u2 − 2
v1 = (0, 0, 1) − (1, 1, 1) = − , ,
||v1 || 3 3 3 3
hu3 , v1 i hu3, v2 i
v3 = u3 − proj W2 u3 = u3 − 2
v1 − v2
||v1 || ||v2 ||2

1 1/3 2 1 1 1 1
= (0, 0, 1) − (1, 1, 1) − − , , = 0, − , .
3 2/3 3 3 3 2 2
Assim, v1 = (1, 1, 1), v2 = (−2/3, 1/3, 1/3), v3 = (0, −1/2, 1/2) formam uma base
ortogonal de R3 . As normas desses vetores são:
√ √
√ 6 2
kv1 k = 3, kv2 k = , kv3 k = ,
3 2
deste modo, uma base ortonormal de R3 é:

√ √ √
v1 3 3 3
q1 = =( , , ),
||v1 || 3 3 3
57
v2 −2 1 1
q2 = = ( √ , √ , √ ),
||v2 || 6 6 6
v3 −1 1
q3 = = (0, √ , √ ).
||v3 || 2 2
4.7 Exercı́cios
1. Em R2 , mantenhamos a definição do produto αv de um número real por um vetor,

mas modifiquemos, de 3 maneiras diferentes, a definição de soma u ⊕ v dos vetores
u = (x, y) e v = (x′ , y ′). Em cada tentativa, dizer quais dos axiomas de espaço
vetorial continuam sendo válidos e quais são violados.
(i) u ⊕ v = (x + y ′ , x′ + y) (ii) u ⊕ v = (xx′ , yy ′) (iii) u ⊕ v = (3x + 3x′ , 5x + 5x′ ).
2. Seja V = {(x, y) ∈ R2 /x > 0 e y > 0} com as operações usuais de R2 . Prove que V

não é um espaço vetorial.
3. Determine se cada conjunto a seguir é ou não um subespaço de R2 .
(i) {(x, y)/x + y = 0} (ii) {(x, y)/xy = 0} (i) {(x, y)/x = 3y + 1}.
4. O conjunto V = {f : R −→ R/f (1) = 0} com as operações definidas no exercicio 2,

é um espaço vetorial?.
5. Determine se cada conjunto a seguir é ou não um subespaço de R3 .
(i) {(x, y, z)/x + y = 1} (ii) {(x, y, z)/x = y = z} (i) {(x, y, z)/z = x2 + y 2 }.
6. Determine quais dos conjuntos a seguir são subespaços do espaço vetorial das funções
contı́nuas no intervalo [−1, 1], denotado por V = C([−1, 1]).
(i) W = {f ∈ C([−1, 1])/f (−1) = f (1)}
(ii) W = {f ∈ C([−1, 1])/f é não decrescente em [−1, 1]}
(iii) W = {f ∈ C([−1, 1])/f (−1) = 0 ou f (1) = 0}
7. Seja A um vetor particular de R2×2 . Diga quais dos conjuntos a seguir são subespaços
vetoriais de R2×2 .
(i) S1 = {B ∈ R2×2 /AB = BA}
58
(ii) S2 = {B ∈ R2×2 /AB 6= BA}
(iii) S3 = {B ∈ R2×2 /BA = 0}
8. Seja V = Mn×n e W o subconjunto de todas as matrizes diagonales. Mostre que

W é um subespaço de Mn×n .
9. Quais vetores são combinação linear de ~u = (0, −2, 2) e ~v = (1, 3, −1)?.
a) (2, 2, 2) b) (3, 1, 5) c) (0, 4, 5) d) (0, 0, 0).
10. Quais polinômios são combinação linear de p1 (x) = 2 + x + 4x2 , p2 (x) = 1 − x + 3x2
e p3 (x) = 3 + 2x + 5x2 ?.
a) − 9 − 7x − 15x2 b) 6 + 11x + 6x2 c) 0 d) 7 + 8x + 9x2 .
11. Quais dos seguintes vetores geram R3 .
a) (2, 2, 2), (0, 0, 3), (0, 1, 1) b) (2, −1, 3), (4, 1, 2), (8, 2, 4)
12. Mostre que os polinômios (1−x3 ), (1−x)2 , (1−x) e 1 geram os polinomios

de grau ≤ 3.
13. Sejam f = cos2 x e g = sin2 x. Quais das seguintes funções estão no espaço gerado
por f e g?.
a) cos 2x b) 3 + x2 c) 1 d) senx.
14. Determine se os vetores dados são ou não linearmente independentes
(i) u = (1, 2) e v = (−2, −4) em IR2
(ii) u = (2, 3), v = (5, −8) e w = (−6, −1) em IR2
(iii) u = (2, 1, 0), v = (3, −1, 2) e w = (0, 1, −4) em IR3
(iv) u = (3, 0, −1), v = (1, 0, 4) em IR3
(v) p1 (x) = 6 − x2 e p2 (x) = 1 + x + 4x2 em P2

   
1 3 −1 −3
(vi) A =  ; B =   em M2×2 .
2 0 −2 0
59
15. Seja V o espaço vetorial de todas as funções reais definidas sobre a reta real. Quais
dos seguintes conjuntos de vetores são linearmente dependentes?
(i) {6, 3 sin2 x, 2 cos2 x}, (ii) {x, cos x}, (iii) {(3 − x)2 , x2 − 6x, 5},
16. Use o wronskiano para mostrar que os seguintes conjuntos de vetores são linearmente
independentes.
(i) {1, x, ex }, (ii) {cos x, sin x, x sin x}, (iii) {ex , xex , x2 ex }.
17. Dadas as funções x e |x| mostre que:
(a) esses dois vetores são linearmente independentes em C([−1, 1])
(b) esses dois vetores são linearmente dependentes em C([0, 1])
18. Considere o subespaço S = ger{(1, 2, −1)T , (0, 1, 1)T , (2, −1, 3)T }
(a) o vetor (−1, 2, 1) ∈ S ?.
(b) o vetor (2, 0, 1) ∈ S ?.
19. Quais dos seguintes conjuntos são bases de R2 ?.
a) (2, 1), (3, 0) b) (4, 1), (−7, −8) c) (0, 0), (1, 3) d) (3, 9), (−4, −12).
20. Quais dos seguintes conjuntos de vetores são bases de R3 ?.
a) (2, −3, 1), (4, 1, 1), (0, −7, 1) b) (3, 1, −4), (2, 5, 6), (1, 4, 8)
c) (1, 0, 0), (2, 2, 0), (3, 3, 3).
21. Quais dos seguintes conjuntos de vetores são bases de P2 ?.
a) 1 − 3x + 2x2 , 1 + x + 4x2 , 1 − 7x.
b) 1 + x + x2 , x + x2 , x2 .
c) −4 + x + 3x2 , 6 + 5x + 2x2 , 8 + 4x + x2 .
22. Os quatro primeiros polinômios de Hermite são 1, 2t, −2 + 4t2 e −12t + 8t3 .
Mostre que estes polinômios formam uma base de P3 (R).
23. Encontre as coordenadas do polinômio p(t) = 7 − 12t − 8t2 + 12t3 , na base P3 (R)
formada pelos polinômios de Hermite.
60
24. Prove que o seguinte conjunto é uma base de M2x2 .
       
3 6 0 −1 0 −8 1 0
 ;  ;  ;  
3 −6 −1 0 −12 −4 −1 2
25. Exiba uma base para os seguintes subespaços de R4 listados a seguir. Qual é a
dimensão destes?.
a) F = {(x, y, z, w)/ x = y = z = w}.
b) G = {(x, y, z, w)/ x = y, z = w}.
c) H = {(x, y, z, w)/ x = y = z}.
d) K = {(x, y, z, w)/ x + y + z + w = 0}.
26. Seja V = ger{S} onde (S = {cos2 x, sin2 x, cos 2x}). Prove que o conjunto S não
é uma base de V . Encontre uma base para V .
27. Ache uma base para o espaço solução de cada um dos sistemas homogêneos:

  x1 + x2 − x3 = 0


 x + 4x + 2x = 0 
1 2 3
a) b) 3x1 + 2x2 + x3 = 0 c) x1 − 2x2 + x3 = 0.
 2x + x + 5x = 0 

1 2 3 
 2x − x + 3x = 0
1 2 3
28. Considere os vetores ~u = (3, −2, 4), ~v = (−3, 2, −4), ~ = (−6, 4, −8). Qual é a
w
dimensão de ger{u, v, w}?.
29. Considere os vetores ~u = (2, 1, 3), ~v = (3, −1, 4), w

~ = (2, 6, 4).
a) Mostre que u, v, w são linearmente dependentes.
b) Mostre que u, v são linearmente independentes.
c) Qual é a dimensão de ger{u, v, w}?. Descreva geometricamente ger{u, v, w}.

   
u1 u2 v1 v2
30. Em M2x2 (R) para A =   e B= , a relação
u3 u4 v3 v4
hA, Bi = u1 v1 + u2 v2 + u3 v3 + u4 v4
é um produto interno usual. Verifique.
31. No espaço euclideano M2x2 (R)
61
 
2 1
(a) Quais das matrizes abaixo são ortogonais a M =  ;
−1 3
       
1 2 1 1 0 0 3 2
A= , B =  , C =  , D =  .
4 0 1 1 0 0 −1 3
(b) Calcule a norma da Matriz M.

   
2 4 −3 1
(c) Determine o ângulo entre as matrizes M1 =   , M2 =  .
−1 3 4 2
(d) Calcule a distância entre as matrizes M1 e M2 .
32. Sejam p = a0 + a1 t + a2 t2 + a3 t3 e q = b0 + b1 t + b2 t2 + b3 t3 ∈ P3 (R) a relação
hp, qi = a0 b0 + a1 b1 + a2 b2 + a3 b3
define um produto interno em P3 (R).
(a) Dados p = 2 + 3t − t2 e q = 2t + t2 − 5t3 . Calcule hp, qi.
(b) Calcule a norma do polinômio p = 3 + 2t2 + t3 .
33. Determine a projeção ortogonal de u = (2, −1, 3) sobre S = ger{(1, 0, 1), (2, 1, −2)}.
34. Use o método de ortonormalização de Gram-Schmidt para obter uma base ortonor-
mal de R3 apartir de B = {(1, 0, 0), (0, 1, 1), (0, 1, 2)}.
35. Use o método de ortonormalização de Gram-Schmidt para obter uma base ortonor-
mal de R2 apartir de B = {(1, 2), (−1, 3)}.
36. Obtenha uma base ortonormal do subespaço vetorial
U = {(x, y, z, t) ∈ R4 /x − y = 0 e z = 2t} ⊂ R4 .
A seguir projete o vetor u = (1, 3, 4, 2) ortogonalmente sobre U.
62
Capı́tulo 5
Transformações Lineares
Neste capı́tulo será estudado um tipo especial de função (ou aplicação) onde o domı́nio e
o contradomı́nio são espaços vetoriais reais. Assim, tanto a variável independente como
a variável dependente são vetores, razão pela qual essas funções são chamadas de trans-
formações vetoriais satisfazendo algumas condições de linearidade como na definição que
segue.
Definição 5.1. Uma transformação T : V → W do espaço vetorial V no espaço

vetorial W é chamada uma transformação linear se, para u, v ∈ V e α ∈ R
i) T (u + v) = T (u) + T (v),
ii) T (αu) = α T (u),
Figura 5.1:
63
Observação 5.1. Na definição anterior é importante notar que u + v ∈ V , enquanto
T (u) + T (v) ∈ W . Do mesmo modo, αu ∈ V e α T (u) ∈ W (ver Figura 5).
Uma transformação linear de V em V (é o caso de V = W ) é chamada de operador

linear sobre V
Exemplo 5.1. T : IR2 → IR3 , T (x, y) = (2x, −4y, x − y) é linear.
Solução De fato,
i) Se u = (x1 , y1 ) e v = (x2 , y2) são vetores genéricos do IR2 , tem-se:
T (u + v) = T ((x1 , y1 ) + (x2 , y2 )) = T (x1 + y1 , x2 + y2 )
= (2(x1 + x2 ), −4(x2 + y2 ), (x1 + x2 ) − (y1 + y2 )))
= (2x1 + 2x2 , −4x2 − 4y2 , x1 + x2 − y1 − y2 )
= (2x1 , −4x2 , x1 − y1 ) + (2x2 , −4y2 , x2 − y2 )
= T ((x1 , y1 )) + T ((x2 , y2 ))
= T (u) + T (v)
ii) Para todo α ∈ IR, tem-se
T (αu) = T (α(x1 , y1)) = T (αx1 , αy1)
= (2αx1 , −4αy1 , αx1 − αy1)
= α(2x1 , −4y1 , x1 − y1 )
= αT (u)
Exemplo 5.2. T : IR → IR , T (x) = 3x é linear.
Solução De fato, se u = x1 e v = x2 são vetores quaisquer de IR (os vetores, neste caso,

são numeros reais), tem-se:
i) T (u + v) = T (x1 + x2 ) = 3(x1 + x2 ) = 3x1 + 3x2 = T (u) + T (v)
ii) T (αu) = T (αx1 ) = 3αx1 = α(3x1 ) = αT (u)
Exemplo 5.3. A transformação Identidade I : V → V , I(v) = v, é linear.
64
Solução De fato:
i) I(u + v) = u + v = I(u) + I(v)
ii) I(αu) = αu = αI(u)
Exemplo 5.4. A transformação nula (ou zero) T : V → W , T (v) = 0 é linear.
i) T (u + v) = 0 = 0 + 0 = T (u) + T (v)
ii) T (αu) = 0 = α(0) = αT (u)
Exemplo 5.5. Seja A uma matriz de ordem 3 × 2 que determina a transformação
TA : IR2 → IR3 , TA (v) = A v .
Prove que TA é linear (v é considerado um vetor-coluna de IR2 ).
i) TA (u + v) = A(u + v) = Au + A v = TA (u) + TA (v)
ii) TA (αu) = A(αu) = α(Au) = αTA (u).
Exemplo 5.6. A transformação T : IR → IR , T (x) = sen(x) não é linear.
Solução De fato, em geral sen(x + y) 6= sen(x) + sen(y).
Exemplo 5.7. A transformação T : IR2 → IR2 , T (x, y) = (2x, y 2 ) não é linear.
Solução De fato, se u = (x1 , y1) e v = (x2 , y2 ) são vetores quaisquer do IR2 , Tem-se
T (u + v) = T (x1 + x2 , y1 + y2 ) = (2(x1 + x2 ), (y1 + y2 )2 )
= (2x1 + 2x2 , y1 2 + 2y1y2 + y2 2 )
enquanto,
T (u) + T (v) = (2x1 , y1 2 ) + (2x2 , y2 2 ) = (2x1 + 2x2 , y12 + y2 2 ),
isto é, T (u + v) 6= T (u) + T (v)
65
5.1 Propriedades das Transformações Lineares
1. Se T : V → W , é uma transformação linear, a imagem do vetor 0 ∈ V é o vetor

0 ∈ W . Esta propriedade decorre da condição ii) da definição 5.1, de transformação
linear, para α = 0:
T (0) = T (0 v) = 0T (v) = 0
• Nos exemplos 1 e 2 desta seção, verifica-se que

T (0, 0) = (0, 0, 0) e T (0) = 0
e, em ambos casos as transformações são lineares. Entretanto, no exemplo 6, embora
T (0) = 0, a transformação não é linear. Esses exemplos mostram que se T :
V −→ W é linear, então T (0) = 0, mas a recı́proca não é verdadeira, isto é, pode
existir transformação com T (0) = 0 e T não ser linear. Em conclusão, pois, se
impõe: se T (0) 6= 0, a transformação não é linear. É o caso, por exemplo, da
transformação:
T : IR3 → IR2 , T (x, y, z) = (4x + 5, x − z), que não é linear porque:
T (0, 0, 0) = (5, 0) 6= 0
2. Se T : V → W é uma transformação linear, tem-se:

T (αu + β v) = αT (u) + βT (v)
∀ u, v ∈ V e ∀ α, β ∈ IR, isto é, a imagem de uma conbinação linear dos vetores u
e v é uma conbinação linear das imagens T (u) e T (v) com os mesmos coeficientes
α e β. Este fato vale de modo geral:
T (α1 v1 +α2 v2 + . . . + αn vn ) = α1 T (v1 ) + α2 T (v2 ) + . . . + αn T (vn )
• Se B = {v1 , v2 , . . . , vn }, é uma base de V , então para todo v ∈ V , existem

α1 , α2 , . . . , αn ∈ IR tal que
v = α1 v1 +α2 v2 + . . . + αn vn
e, portanto
T (v) = T (α1 v1 ) + T (α2 v2 ) + . . . + T (αn vn ), isto é,
T (v) = α1 T (v1 ) + α2 T (v2 ) + . . . + αn T (vn )
isto é, dado v ∈ V , o vetor T (v) estará bem determinado se forem conheci-
das as imagens dos vetores de B. Em outras palavras, sempre que forem dados
66
T (v1 ), . . . , T (vn ) onde {v1 , . . . vn } é base do domı́nio V , a transformação linear T
está perfeitamente definida.
Exemplo 5.8. Seja o operador linear T : IR2 −→ IR2 tal que T (1, 0) = (2, −3) e
T (0, 1) = (−4, 1). Determinar T (x, y) completamente.
Sol. De fato, observando que {(1, 0), (0, 1)} é a base canônica do IR2 e que
(x, y) = x(1, 0) + y(0, 1), então: T (x, y) = xT (1, 0) + y(T (0, 1)
= x(2, −3) + y(−4, 1)
= (2x, −3x) + (−4y, y)
= (2x − 4y, −3x + y)
5.1.1 Exercı́cios
 
1 2 2
1. Seja T : R2 → R3 a transformação definida por T v = A v, onde A =  .
−1 2 1
   
2 −1
   
   
Encontre a imagem de u =  −3  e v =  1 .
   
0 1
2. Verifique quais das seguintes transformações são lineares.
a) T : R2 → R2 , T (x, y) = (sen y, x)
b) T : R2 → R2 , T (x, y) = (x2 , y 2)
c) T : R2 → R2 , T (x, y) = (x + 1, y)
d) T : R2 → R, T (x, y) = xy
e) T : R2 → R3 , T (x, y) = (3y, −2x, 0)
f) T : R3 → R3 , T (x, y, z) = (x + y, x − y, −x)
 
a b
g) T : M2×2 (IR) → IR2 , T   = (a − c, b + c)
c d
   
a b a b
h) T : M2×2 (IR) → IR, T   = det  
c d c d
67
3. Dada a transformação linear T : R3 → R2 , tal que
T (1, 0, 0) = (2, 1), T (0, 1, 0) = (−1, 0), T (0, 0, 1) = (1, −2)
Calcular: a) T (3, −4, 5) b) T (x, y, z).
4. Determinar a transformação linear T : P2 (IR) → P2 (IR), tal que
T (1) = x, T (x) = 1 − x2 , T (x2 ) = x + 2x2
5.2 Núcleo de uma Transformação Linear
Chama-se núcleo de uma transformação linear T : V −→ W ao conjunto de todos os

vetores v ∈ V que são transformados em 0 ∈ W . Denota-se ese conjunto por N(T ) ou
Ker(T ):
N(T ) = {v ∈ V / T (v) = 0}
A Figura 5.2 mostra que N(T ) ∈ V e todos seu vetores tem uma única imagem que é o
vetor zero de W .
Figura 5.2:
Observe que N(T ) 6= ∅, pois 0 ∈ N(T ) uma vez que T (0) = 0.
Exemplos:
68
1. O núcleo da transformação linear T : IR2 −→ IR2 , T (x, y) = (x + y, 2x + y) é o
conjunto
N(T ) = {(x, y) ∈ IR2 / T (x, y) = (0, 0)}
= {(x, y) ∈ IR2 / (x + y, 2x + y) = (0, 0)}
= {(0, 0)}
2. Seja a transformação linear T : IR3 −→ IR2 , T (x, y, z) = (x − y + 4z, 3x + y + 8z).

Por definição,
N(T ) = {(x, y, z) ∈ IR3 / T (x, y, z) = (0, 0)}
= {(x, y, z) ∈ IR2 / (x − y + 4z, 3x + y + 8z) = (0, 0)}
Como 
 x − y + 4z = 0
⇐⇒ x = −3z e y=z
 3x + y + 8z = 0
Logo,

N(T ) = (−3z, z, z, ) ∈ IR3 / z ∈ IR = {z(−3, 1, 1) / z ∈ IR} = [(−3, 1, 1)].
5.3 Imagem de uma Transformação Linear
Chama-se imagem de uma transformação linear T : V −→ W ao conjunto dos vetores

w ∈ W que são imagens de vetores v ∈ V . Denota-se ese conjunto por Im(T ) ou T (V ):
Im(T ) = {w ∈ W / T (v) = w para algum v ∈ V }
Observe-se que Im(T ) 6= ∅, pois 0 = T (0) ∈ Im(T ).
• Se Im(T ) = W T diz-se sobrejetora, isto é, para todo w ∈ W , existe pelo menos
um v ∈ V tal que T (v) = w.
69
Figura 5.3: Im(T ) ⊂ W e nucleo de T
Exemplos:
1. Seja T : IR3 −→ IR3 , T (x, y, z) = (x, y, 0) a projeção ortogonal do IR3 sobre o

plano xy. A imagem de T é o proprio plano xy (Figura 1):
Im(T ) = {(x, y, 0) ∈ IR3 / x, y ∈ IR}
Observe-se que o núcleo de T é o eixo dos z.
N(T ) = {(0, 0, z) ∈ IR3 / z ∈ IR}
pois T (0, 0, z) = (0, 0, 0) para todo z ∈ IR.
Figura 5.4:
2. A imagem da transformação identidade I : V −→ V definida por I(v) = v,

∀ v ∈ V , é todo o espaço V . O núcleo nesse caso é N(I) = {0}.
70
3. A imagen da transformação nula T : V −→ W , com T (v) = 0, ∀ v ∈ V , é o
conjunto Im(T ) = {0}. O núcleo nesse caso, é todo o espaço V .
5.4 Propriedades do Núcleo e da Imagem
1. O núcleo de uma transformação linear T : V −→ W , é um subespaço vetorial

de V . De fato, sejam v1 e v2 vetores de N(T ) e α um número real qualquer. Então,
T (v1 ) = 0 e T (v2 ) = 0 e
i) T (v1 + v2 ) = T (v1 ) + T (v2 ) = 0 + 0 = 0, isto é v1 + v2 ∈ N(T )
ii) T (α v) = αT (v) = α0 = 0, isto é, α v ∈ N(T )
2. A imgem de uma transformação linear é um subespaço vetorial de W . De fato:
Sejam w1 , w2 ∈ Im(T ) e α ∈ IR. A propriedade fica demonstrada se se provar que:
i) w1 + w2 ∈ Im(T )
ii) α w1 ∈ Im(T ),
isto é, deve-se mostrar que existem vetores u e v em V , tais que

T (u) = w1 + w2 e T (v) = α w1 .
Como w1 , w2 ∈ Im(T ), existem vetores v1 , v2 ∈ V tais que T (v1 ) = w1 e T (v2 ) =

w2 . Fazendo u = v1 + v2 e v = α v1 , tem-se:
T (u) = T (v1 + v2 ) = T (v1 ) + T (v2 ) = w1 + w2 e
T (v) = T (α v1 ) = αT (v1 ) = α w1
Portanto, Im(T ) é um subespaço vetorial de W .
3. Se V é uma espaço vetorial de dimensão finita e T : V −→ W uma transformação

linear, dim Nu(T ) + dim Im(T ) = dim V .
5.4.1 Exercı́cios
1. Dado o operador linear

T : IR3 −→ IR3 , T (x, y, z) = (x + 2y − z, y + 2z, x + 3y + z),
71
a) Determinar o núcleo de T , a dimensão do núcleo e uma de suas bases.
b) Determinar a imagem de T , a dimensão da imagem e uma de suas bases.
c) Verificar a propriedade da dimensão (propriedade 3).
2. Dado o operador linear

T : IR2 −→ IR2 , T (x, y) = (x − 2y, 2x + 3y),
a) Determinar o núcleo de T , a dimensão do núcleo e uma de suas bases.
b) Determinar a imagem de T , a dimensão da imagem e uma de suas bases.
c) Verificar a propriedade da dimensão (propriedade 3).
3. Nos problemas seguintes são apresentadas transformações lineares. Para cada uma
de elas
(i) Determinar o nucleo, uma base para esse subespaço, e sua dimensão. T é inje-
tora? Justificar.
(ii) Determinar a imagem, uma base para esse subespaço, e sua dimensão. T é
sobrejetora? Justificar
a) T : R2 → R2 , T (x, y) = (3x − y, −3x + y)
b) T : R2 → R3 , T (x, y) = (x + y, x, 2y)
c) T : R3 → R2 , T (x, y, z) = (x + 2y − z, 2x − y + z)
d) T : R3 → R3 , T (x, y, z) = (x − 2y − 2z, −x + 2y + z, x − 3z)
e) T : R2 → R3 , T (x, y) = (3y, −2x, 0)
f) T : R3 → R3 , T (x, y, z) = (x + y, x − y, −x)
 
a b
g) T : M2×2 (IR) → IR2 , T   = (a − c, b + c)
c d
4. Encontrar um operador linear T : R3 → R3 , cujo núcleo é gerado por (1, 2, −1) e

(1, −1, 0).
5. Encontrar uma transformação linear T : R3 → R4 , cuja imagem é gerada por

(1, 3, −1, 2) e (2, 0, 1, −1).
72
5.5 Matriz de uma Transformação Linear
Sejam T : V −→ W uma transformação linear, A uma base de V e B uma base de W .

Sem perda de generalidade, consideramos o caso em que dim V = 2 e dim W = 3. Sejam
A = {v1 , v2 } e B = {w1 , w2 , w3 } bases de V e W , respectivamente. Um vetor v ∈ V
pode ser expresso por:
v = x1 v1 + x2 v2 ou vA = (x1 , x2 ) (5.1)
e a imagem T (v) por
T (v) = y1 w1 + y2 w2 + y3 w3 ou T (v)B = (y1 , y2 , y3 ) (5.2)
Por outro lado,
T (v) = T (x1 v1 + x2 v2 ) = x1 T (v1 ) + x2 T (v2 ) (5.3)
Sendo T (v1 ) e T (v2 ) vetores de W , eles serão combinações lineares dos vetores de B
T (v1 ) = a11 w1 + a21 w2 + a31 w3 (5.4)
T (v2 ) = a12 w1 + a22 w2 + a32 w3 (5.5)
Substituindo (5.4) e (5.5) em (5.3), temos
T (v) = x1 (a11 w1 + a21 w2 + a31 w3 ) + x2 (a12 w1 + a22 w2 + a32 w3 )
ou
T (v) = (a11 x1 + a12 x2 )w1 + (a21 x1 + a22 x2 )w2 + (a31 x1 + a32 x2 )w3 (5.6)
Comparando (5.6) com (5.2), conclui-se que
y1 = a11 x1 + a12 x2
y2 = a21 x1 + a22 x2
y3 = a31 x1 + a32 x2
ou na forma matricial
   
y a a  
 1   11 12  x
    1
y2  = a21 a22   
    x2
y3 a31 a32
73
ou, ainda simbolicamente
T (v)B = AvA
sendo a matriz
 
a11 a12
 
A  
A = [T ]B = a21 a22 
 
a31 a32
denominada matriz de T em relação às bases A e B. Essa matriz A é, na verdade,
um operador que transaforma vA (componentes de um vetor v na base A) em T (v)B
(Componentes da imagem de v na base B). A matriz A é de ordem 3 × 2 pois dim V = 2
e dim W = 3.
Observação 5.2. Se a transformação linear T : V −→ W tivesse dim V = n e

dim W = m, A seria uma matriz de ordem m × n.
As colunas da matriz A são as componentes das imagens dos vetores v1 e v2 da base

A de V em relação a base B de W , conforme se verifica em (5.4) e (5.5):
 
a a12
 11 
 
a21 a22 
 
a31 a32
↑ ↑
T (v1 )B T (v2 )B
A matriz A depende das bases A e B consideradas, isto é, a cada dupla de bases
corresponde uma particular matriz. Assim, uma transformação linear poderá ter uma
infinidade de matrizes a representá-la. No entanto, fixadas as bases, a matriz é única.
A matriz de T em relação às bases A e B será denotada por A = [T ]A

B
Exemplo 5.9. Dada a transformação linear T : IR3 −→ IR2 ,
T (x, y, z) = (2x + y − z, x + 2y)
e as bases de R3 e R2 respectivamente,
A = {v1 = (1, 0, 0), v2 = (2, −1, 0), v3 = (0, 1, 1)}
B = {w1 = (−1, 1), w2 = (0, 1)}
74
a) determinar A, matriz de T nas bases A e B;
b) se v = (2, −1, 4) (vetor com componentes em relação à base canônica do IR3 ), calcular
T (v)B utilizando a matriz A.
Solução
a) A matriz A é de ordem 2 × 3.
 
a11 a12 a13
A= 
a21 a22 a23
↑ ↑ ↑
T (v1 )B T (v2 )B T (v3 )B
T (v1 ) = T (1, 0, 0) = (2, 2) = a11 (−1, 1) + a21 (0, 1)

 
 −a = 2  a = −2
11 11
∴
 a +a =2  a = 4
11 21 21
T (v2 ) = T (2, −1, 0) = (3, 0) = a12 (−1, 1) + a22 (0, 1)

 
 −a = 3  a = −3
12 12
∴
 a +a =0  a = 3
12 22 22
T (v3 ) = T (0, 1, 1) = (0, 2) = a13 (−1, 1) + a23 (0, 1)

 
 −a =0  a = 0
13 13
∴
 a +a =2  a = 2,
13 23 23
logo,
 
−2 −3 0
A= 
4 3 2
75
b) Sabe-se que
T (v)B = AvA (5.7)
Tendo em vista que v = (2, −1, 4) está expresso na base canônica, deve-se, primeira-
mente, expressá-lo na base A. Seja vA = (a, b, c), isto é,
(2, −1, 4) = a(1, 0, 0) + b(2, −1, 0) + c(0, 1, 1)
ou



 a +2b =2

−b +c = −1



 c =4
sistema cuja solução é a = −8, b = 5 e c = 4, ou seja, vA = (−8, 5, 4).
Substituindo A e vA em (5.7), temos

 
  −8
−2 −3 0  
T (v)B =  5

4 3 2  
4
 
1
T (v)B =  
−9
Observe-se que
T (v) = T (2, −1, 4) = (−1, 0),
isto é, os números -1 e 0 são as componentes de T (v) em relação à base canônica

do IR2 .
Exemplo 5.10. Dada a transformação linear
T : IR3 −→ IR2 , T (x, y, z) = (2x + y − z, x + 2y) (5.8)
e as bases canônicas
A = {(1, 0, 0), (0, 1, 0), (0, 0, 1)} do IR3 e
B = {(1, 0), (0, 1) do IR2 ,
76
a) determinar A, matriz de T nas bases A, e B;
b) se v = (2, −1, 4), calcular T (v)B utilizando a matriz A.
Solução
a)
T (1, 0, 0) =(2, 1) = 2(1, 0) + 1(0, 1)
T (0, 1, 0) =(1, 2) = 1(1, 0) + 2(0, 1)
T (0, 0, 1) =(−1, 0) = −1(1, 0) + 0(0, 1),
logo:
 
2 1 −1
A=  (5.9)
1 2 0
Obs1: No caso de serem A e B bases canônicas do domı́nio e do contradomı̀nio,

respectivamente, como é o caso deste problema, a matriz A é chamada matriz
canônica de T e escreve-se, simplesmente
T (v) = A v (5.10)
ficando subentendido que v = vA e T (v) = T (v)B
Obs2: Examinando, em (5.8), a lei que define a transformação T , verifica-se, em

(5.9), que sua matriz canônica A fica determinada formando a primeira coluna com
os coeficientes de x e a segunda coluna com os coeficientes de y e a terceira com os
coeficientes de z
b) Tendo em vista que v = (2, −1, 4) = vA e que T (v)B = T (v) e que

T (v) = A v conforme esta expresso em (5.10), tem-se
 
  2
2 1 −1   

T (v)B =T (v) =   −1
1 2 0  
4
 
−1
T (v)B =T (v) =  
0
77
 
−1
Obs3: Observe o leitor que calcular T (v) =   pela matriz A é o mesmo que
0
fazê-lo pela lei definidora de T , conforme se pode ver na parte final do problema
anterior.
5.6 Operações com Transformações Lineares
5.6.1 Adição ou Soma
Sejam T1 : V −→ W e T2 : V −→ W transformações lineares. Chama-se soma das

transformações T1 e T2 à transformação linear
T1 + T2 : V −→ W
v 7−→ (T1 + T2 )(v) = T1 (v) + T2 (v), ∀ v∈V
Se A1 e A2 são as matrizes de T1 e T2 em bases quaisquer de V e W , a matriz S que

representa T1 + T2 é
S = A1 + A2
5.6.2 Multiplicação por Escalar
Sejam T : V −→ W uma transformação linear e α ∈ IR. Chama-se produto de T pelo

escalar α à transformação linear
αT : V −→ W
v 7−→ (αT )(v) = αT (v), ∀ v∈V
Se A é a matriz de T em bases quaisquer de V e W , a matriz E que representa o produto

αT é
E = αA
78
5.6.3 Composição
Sejam T1 : V −→ W e T2 : W −→ U transformações lineares. Chama-se

transformãção composta de T1 com T2 , e se representa por T2 ◦ T1 à transformação
linear
T2 ◦ T1 : V −→ W
v 7−→ (T2 ◦ T1 )(v) = T2 (T1 (v)), ∀ v∈V
Figura 5.5:
Se A1 e A2 são as matrizes de T1 e T2 em bases quaisquer de V , W e U, a matriz P

que representa a composição T2 ◦ T1 é
P = A2 A1
Exemplos:
Sejam as transformações lineares: T1 : IR2 −→ IR2 , T1 (x, y) = (x − 2y, 2x + y),

T2 : IR2 −→ IR2 , T2 (x, y) = (x, x − y), e T3 : IR2 −→ IR3 , T3 (x, y) = (2x + 3y, y, −x),
determinar:
1. (T1 + T2 )(x, y)
79
Solução:
(T1 + T2 )(x, y) = T1 (x, y) + T2 (x, y)
= (x − 2y, 2x + y) + (x, x − y)
= (2x − 2y, 3x)
2. (3T1 − 2T2 )(x, y)

Solução:
(3T1 − 2T2 )(x, y) = (3T1 )(x, y) − (2T2 )(x, y)
= 3(x − 2y, 2x + y) − 2(x, x − y)
= (x − 6y, 4x + 5y)
3. (T3 ◦ T2 )(x, y)
Solução:
(T3 ◦ T2 )(x, y) = T3 (T2 (x, y))
= T3 (x, x − y)
= (2x − 3(x − y), x − y, −x)
= (−x + 3y, x − y, −x)
5.6.4 Exercı́cios
1. Consideremos a transformação linear T : R3 → R2 , definida por

T (x, y, z) = (2x − y, x + 3y, −2y) e as bases A = {(1, 0, 0), (2, −1, 0), (0, 1, 1)}
e B = {(−1, 1), (0, 1)}. Determinar a matriz [T ]A
B
2. Seja a transformação linear T : R2 → R3 , T (x, y) = (2x − y, x + 3y, −2y) e as

bases A = {(−1, 1), (2, 1)} e B = {(0, 0, 1), (0, 1, −1), (1, 1, 0)}. Determinar a
3
matriz [T ]A A
B . Qual a matriz [T ]C , onde C é a base canônica do IR ?
3. Sabendo que a matriz de uma transformação linear T : R2 → R3 , nas bases
80
A = {(−1, 1), (1, 0)} do IR2 e B = {(1, 1, −1), (2, 1, 0), (3, 0, 1)} do IR3 é:
 
3 1
 
[T ]A
 
B = 2 5 
 
1 −1
encontrar a expressão de T (x, y) e a matriz [T ] (Matriz asssociada às bases canônicas)
4. Seja a transformação linear T : P3 (IR) → P2 (IR), T (p(x)) = p′ (x) + p(0).

Encontre a matriz de T em relação as bases {x2 , x, 1} e {2, 1 − x}. Para cada um
dos vetores p(x) em P3 (IR) a seguir, encontre as coordenadas de T (p(x)) em relação
à base {2, 1 − x}.
a) x2 + 2x − 3 b) x2 + 1 c) 3x d) 4x2 + 2x
5. Seja S = ger{ex , xex , x2 ex } o subespaço de C[a, b](Espaço vetorial das funções reais
definidas no intervalo [a, b]). Seja D o operador derivada em S. Encontre a matriz
de D em relação à base {ex , xex , x2 ex }
6. Consideremos as transformações lineares S e T de IR3 em IR2 definidas por S(x, y, z) =

(2x − y, 3x − 2y + z) e T (x, y, z) = (x + y − z, y − 2z).
a) Determinar o núcleo da transformação linear S + T .
b) Encontrar a matriz canônica de 3S − 4T .
7. Seja a transformação linear S : R3 → R4 , S(x, y, z) = (x + y, z, −x − y, y + z)
a) Calcular (S ◦ T )(x, y) se
T : R2 → R3 , T (x, y) = (2x + y, x − y, x − 3y)
b) Encontrar a matriz canônica de S ◦ T e mostrar que ela é o produto da matriz

canônica de S pela matriz canônica de T .
5.7 Mudança de Base
Descrever o movimento de uma partı́cula em um plano resulta muitas vezes mas conve-
niente se usarmos uma base em R2 formada por um vetor tangente unitário ~t e um vetor
normal ~n, em vez da base canônica {e1 , e2 }.
81
Em geral, se A e B são bases de um espaço vetorial V , e I : V −→ V é a transformação
linear identidade, então por (5.7) temos que:
[v]B = [I(v)]B = A [v]A (5.11)
sendo A a matriz associada à transformação identidade I nas bases A e B, e que deno-

taremos por
A = [I]A
B.
Esta matriz é também chamada matriz mudança de base de A para B.
Deste modo consegue-se relacionar as coordenadas de um vetor v em relação à base

A com as coordenadas do mesmo vetor v em relação à base B.
Exemplo 5.11. Sejam as bases A = {v1 , v2 } e B = {w1 , w2 } do IR2 , onde
v1 = (2, −1), v2 = (−1, 1) e w1 = (1, 0), w2 = (2, 1)
Ache a matriz mudança de base de A para B.
Sol: Para isso temos que expressar os vetores da base A em relação à base B.
v1 = (2, −1) = a11 (1, 0) + a21 (2, 1)
ou
  
 a
11 +2a21 = 2 4
=⇒ a11 = 4, a21 = −1 =⇒ [v1 ]B =   .
 a21 = −1 −1
Analogamente,
v2 = (−1, 1) = a12 (1, 0) + a22 (2, 1),
logo
  
12 +2a22 = −1 −3
 a
=⇒ a12 = −3, a22 = 1 =⇒ [v2 ]B =   .
 a22 = 1 1
Portanto,
 
4 −3
[I]A
B =
 
−1 1
82
 
4
Sabendo que [v]A =   podemos calcular [v]B usando a matriz anterior. De fato:
3
    
4 −3 4 7
[v]B = [I]A
B [v]A =
   =  .
−1 1 3 −1
5.8 Exercı́cios
1. Encontre a matriz mudança de base [I]A

B sendo:
a) A = {(1, 0), (0, 2)} e B = {(2, 1), (−3, 4)}.
b) A = {(−3, 0, −3), (−3, 2, −1), (1, 6, −1)} e B = {(−6, −6, 0), (−2, −3, 7), (−2, −6, 4)}.
c) A = {6 + 3x, 10 + 2x} e B = {2, 3 + 2x}.
2. Calcule as matrizes coordenadas [w]A a [w]B , onde w = (−5, 8, −5) e A e B são as

bases dadas no exercicio 1, item b).
83
Capı́tulo 6
Autovalores e Autovetores
Seja A ∈ Mn×n (R). A equação

Ax = y
pode ser vista como uma transformação linear que leva (ou transforma) um vetor dado
x ∈ V em um novo vetor y ∈ V . Vetores que são transformados em múltiplos de si mesmos
são importantes em muitas aplicações. Para encontrar tais vetores, faz-se y = λx, onde λ é
um fator escalar de proporcionalidade. Assim,o objetivo será achar soluções das equações
Ax = λx, (6.1)
ou
(A − λI)x = 0. (6.2)
Definição 6.1. Se A ∈ Mn×n (R). O polinômio de n-ésimo grau
p(λ) = det(A − λI), (6.3)
se chama polinômio caracterı́stico da matriz A.
A equação det(A − λI) = 0 chama-se equação caracterı́stica de A e suas raı́zes

λ que satisfazem a equação (6.3) são os autovalores da matriz A. O vetor x tal que
Ax = λ x é chamado autovetor correspondente, ou associado, àquele autovalor λ. O
conjunto de todos os autovetores x ∈ V correspondentes ao autovalor λ, indicado por Vλ ,
é chamado autoespaço de λ.
84
Proposição 6.1. As seguintes afirmações são equivalentes:
a) A equação (6.1) tem soluções não-nulas
b) A matriz (A − λI) é não-inversı́vel.
c) det(A − λI) = 0.
Em particular, se A é uma matriz 2 × 2, então a equação (6.2) fica

     
a11 − λ a12 x1 0
 .  =  .
a21 a22 − λ x2 0
Esta última equação tem soluções não-nulas se,
p(λ) = (a11 − λ).(a22 − λ) − a12 a21 = 0.
Ex.: Encontrar os autovalores e autovetores da matriz

 
3 −1
A= 
4 −2
Solução: Os autovalores λ e os autovetores v1 e v2 satisfazem a equação (A − λI)x = 0.

Assim,
     
3−λ −1 x1 0
 . = . (6.4)
4 −2 − λ x2 0
Os autovalores são as raı́zes da equação

3−λ −1
det(A − λI) = = λ2 − λ − 2 = 0

4 −2 − λ
Logo, os autovalores são λ1 = 2 e λ2 = −1.
Para encontrar os autovetores, volta-se à equação (6.4) e substitui-se λ por cada um

dos autovalores encontrados.
Para λ = 2 :
     
1 −1 x1 0
 .  =  . (6.5)
4 −4 x2 0
85
Logo, cada linha dessa equação vetorial leva à condição x1 − x2 = 0, logo x1 = x2 , mas
seus valores não estão determinados. Se x1 e x2 forem iguais a c, o autovetor v1 será
 
1
v1 = c.   , c 6= 0. (6.6)
1
Em geral, não se usa a constante arbitrária c para encontrar os autovetores; com isso
elimina-se c da equação (6.6),
 
1
v1 =   , (6.7)
1
e deve ser lembrado que qualquer múltiplo não-nulo desse vetor também é um autovetor.
Diz-se que v1 é o autovetor correspondente ao autovalor λ1 = 2.
Agora para λ = −1 na equação (6.4).

     
4 −1 x 0
 . 1  =  . (6.8)
4 −1 x2 0
Foi obtido mais uma vez uma única condição sobre x1 e x2 , para saber, 4x1 − x2 = 0.
Logo, o autovetor correspondente ao autovalor λ2 = −1 é
 
1
v2 =   , (6.9)
4
ou qualquer múltiplo não-nulo desse vetor.
Observação 6.1. Se um determinado autovalor aparece m vezes como raiz da equação

(6.3), ele é dito de multiplicidade m. Cada autovalor de multiplicidade m pode ter q
autovetores linearmentes independentes, onde
1 ≤ q ≤ m.
Ex.: Encontrar os autovalores e autovetores da matriz

 
0 1 1
 
 
A= 1 0 1  (6.10)
 
1 1 0
86
Solução: Os autovalores e autovetores satisfazem a equação (A − λI)x = 0, ou
     
−λ 1 1 x 0
   1   
     
 1 −λ 1  .  x2  =  0  (6.11)
     
1 1 −λ x3 0
Os autovalores são as raı́zes da equação

−λ 1 1

det(A − λI) = 1 −λ 1 = −λ3 + 3λ + 2 = 0

(6.12)

1 1 −λ
As raı́zes da equação (6.12) são λ1 = 2, λ2 = −1 e λ3 = −1. Sendo assim, 2 é um

autovalor simples e −1 um autovalor de multiplicidade 2.
Agora para encontrar o autovetor v1 associado ao autovalor λ1 , deve-se substituir

λ = 2 na equação (6.11); isso nos leva ao sistema
     
−2 1 1 x 0
   1   
     
 1 −2 1  .  x2  =  0  (6.13)
     
1 1 −2 x3 0
Usando as operações elementares sobre as linhas do sistema, encontramos um outro sis-

tema equivalente,
     
2 −1 −1 x1 0
     
     
 0 1 −1 .
  x2  =  0  (6.14)
     
0 0 0 x3 0
Resolvendo esse sistema, obtemos o autovetor

 
1
 
 
v1 =  1  . (6.15)
 
1
Para λ = −1, o sistema (6.11) se reduz imediatamente a uma única equação
x1 + x2 + x3 = 0. (6.16)
87
Assim, valores para duas das quantidades x1 , x2 e x3 podem ser escolhidos arbitra-
riamente e o terceiro valor fica determinado pela equação (6.16). Por exemplo, se x1 = 1
e x2 = 0, então x3 = −1 e
 
1
 
 
v2 =  0  (6.17)
 
−1
é um autovetor. Qualquer múltiplo não-nulo de v2 também é um autovetor, mas um
segundo autovetor independente pode ser encontrado para uma outra escolha de x1 e x2 ;
por exemplo, x1 = 0 e x2 = 1. Novamente x3 = −1 e
 
0
 
 
v3 =  1  (6.18)
 
−1
é um autovetor linearmente independente de v2 .
Portanto, neste exemplo, existem dois autovetores linearmente independentes associ-

ados a um autovalor duplo.
6.1 Exercı́cios
1. Encontrar os autovalores e autovetores das matrizes

 
  3 0 0
1 4 



a) A =   b) A =  0 2 −5 
2 3  
0 1 2
2. Seja T : R3 −→ R3 um operador linear definido por
T (x, y, z) = (2x + y, y − z, 2y + 4z).
Ache os autovalores e uma base para cada autoespaço do operador T .
3. Calcule os valores propios e vetores propios das transformações lineares seguintes:
a) T : R2 → R2 , T (x, y) = (x + 2y, −x + 4y)

b) T : R2 → R2 , T (x, y) = (y, −x)
c) T : R3 → R3 , T (x, y, z) = (x, −2x − y, 2x + y + 2z)
88
Capı́tulo 7
Diagonalização de Matrizes
Uma matriz A ∈ Mn×n (R) é dita diagonalizável se existe uma matriz inversı́vel
 
p11 p12 . . . p1n
 
 
 p21 p22 . . . p2n 
P = .

.. .. ..  ,
 (7.1)
 .. . . . 
 
pn1 pn2 . . . pnn
tal que: P −1 AP é uma matriz diagonal. Dizemos então que a matriz P diagonaliza A.
Teorema 7.1. Se A ∈ Mn×n (R), então são equivalentes se:
i) A é diagonalizável
ii) A tem n autovetores L.I.
A seguir veremos os passos do método de diagonalização de matrizes:
1. Encontrar os n autovetores L.I. de A, digamos v1 , v2 , . . . , vn .
2. Forme a matriz P com os vetores coluna v1 , v2 , . . . , vn .
3. A matriz P −1 AP será então diagonal com entradas λ1 , λ2 , . . . , λn na diagonal prin-

cipal, onde λi é o autovalor associado a vi .
89
Ex.: Encontre a matriz que diagonaliza
 
0 0 −2
 
 
A= 1 2 1 . (7.2)
 
1 0 3
Solução: Será feita por partes:
i) Cálculo dos autovetores:

−λ 0 −2

= −(λ − 2)2 (λ − 1)

p(λ) = det(A − λI) = det 1 2 − λ 1 (7.3)

1 0 3−λ
Logo, p(λ) = 0, se λ = 1, λ = 2.
 
x
 
 
• Para λ = 1, achar v =  y  /(A − λI)v = 0
 
z
     
−1 0 −2 x 0
     
     
Assim  1 1 1  .  y  =  0 
     
1 0 2 z 0
 
 x+y+z =0  x = −2z
=⇒ (7.4)
 x + 2z = 0  y=z
Consequentemente V1 = {(−2z, z, z)/z ∈ R} = ger{(−2, 1, 1)}
• Para λ = 2 temos:
     
−2 0 −2 x 0
     
     
 1 0 1 . y  =  0  =⇒ x = −z
     
1 0 1 z 0
V2 = {(x, y, −x)/ x, y ∈ R}
= {x(1, 0, −1) + y(0, 1, 0)/x, y ∈ R}
= ger{(1, 0, −1), (0, 1, 0)} (7.5)
90
 
−2 1 0
 
 
ii) A matriz P =  1 0 1  diagonaliza A pois P −1AP é diagonal.
 
1 −1 0
Observe que A possui 3 autovetores L.I. que formam uma base.
iii) Provaremos que P −1 AP é diagonal

 
−1 0 −1
 
 
De fato, calculando obtemos que P −1 =  −1 0 −2 , logo
 
1 1 1
     
−1 0 −1 0 0 −2 −2 1 0 1 0 0
     
     
P −1 AP =  −1 0 −2   1 2 1   1 0 1  =  0 2 0 
     
1 1 1 1 0 3 1 −1 0 0 0 2
7.1 Exercı́cios
1. Ache a forma diagonal e a matriz diagonalizante P , para cada uma das matrizes.
 
    1 −3 3
3 4 1 4 



a)   b)   c) A =  3 −5 3 
−4 3 2 3  
6 −6 4
2. Verifique se as as seguintes matrizes são diagonalizáveis. Se for, calcule uma matriz

P que diagonaliza A.
   
    2 11 1 0 0
2 4 5 −1    
i) A =   ii) A =   iii) A =  
−1 3 1 iii) A =
 
−2 3 −1.
3 1 1 3    
0 2 2 0 −4 3
7.2 Matrizes Simétricas e autovetores ortogonais
Pelo Teorema 7.1 sabemos que dois autovetores associados a autovalores distintos de uma
matriz A são linearmente independente. Se temos que A é simétrica tem-se o teorema
abaixo:
91
Teorema 7.2. Os autovetores associados a autovalores distintos de uma matriz simétrica
são ortogonais.
Demonstração: Vamos supor v1 e v2 autovetores associados aos autovalores distintos

λ1 e λ2 da matriz simétrica A. Vamos mostrar que hv1 , v2 i = v1T v2 = 0. De fato, como a
matriz A é simétrica, logo
hv1 , Av2 i = v1T Av2 = v1T AT v2 = (Av1 )T v2 = (v2T Av1 )T = (v2T λ1 v1 )T = λ1 v1T .v2 (7.6)
hv1 , Av2 i = v1T Av2 = v1T λ2 v2 = λ2 v1T .v2 (7.7)
são iguais. Então,
(λ1 − λ2 )v1T v2 = 0. (7.8)
Como λ1 6= λ2 segue-se hv1 , v2 i = 0, portanto os autovetores v1 e v2 são ortogonais.
No Teorema 7.1 vimos que uma matriz A é diagonalizada pela matriz P dos autove-
tores. No caso de A ser simétrica, os vetores que compõem P são base ortogonal.
Com o intuito de facilitar futuras aplicações, é conveniente que P seja ortonormal, o que
se obtém normalizando cada vetor.
Assim os autovetores ortonormais de P formarão uma matriz ortonormal (isto é

P P T = I). Como P é inversı́vel e P −1 = P T a relação fica:
D = P T AP, (7.9)
e nesse caso diz- se que P diagonaliza A ortogonalmente.
Observação 7.1. Qualquer matriz B ∈ Mn×m multiplicada pela sua matriz transposta
B T ∈ Mm×n , é uma matriz quadrada simétrica de ordem n × n. De fato,
(BB T )T = (B T )T B T = BB T .
Consequentemente os autovetores associados a autovalores distintos da matriz BB T

são ortogonais.
92
Capı́tulo 8
Aplicações
8.1 Mı́nimos Quadrados na Solução de Sistemas Lin-

eares Inconsistentes
O método de Mı́nimos Quadrados tem como ferramento o uso das projeções ortogonais
na solução de problemas de aproximação.
Teorema 8.1. Seja W ⊆ V , onde W é um subespaço de dimensão finita de um espaço

vetorial com produto interno V . Se u ∈ V , então
ku − P roj W uk < ku − wk ∀ w ∈ W, w 6= P roj W u.
Exemplo 8.1. Geometricamente, para V = R3 e W = {(x, y, 0) ∈ R3 / x, y ∈ R}

podemos visualizar o resultado do teorema anterior, no gráfico a seguir:
93
Sistemas inconsistentes da forma AX = y são muito importantes nas aplicações fı́sicas.
É uma situação comum que algum problema fı́sico leve a um sistema AX = y que deveria
ser consistente em teoria, mas não o é porque ”erros de medida” nas entradas de A e y
perturbam o sistema suficientemente a ponto de criar inconsistência.
Assim, a solução será achar um X que chegue “tão perto quanto possı́vel”de ser uma
solução, no sentido que minimize o valor de kAX − yk em relação ao produto interno eu-
clideano. Assim, do teorema anterior segue-se que X é uma solução de mı́nimos quadrados
do sistema se
AX = P roj W y, onde W é o espaço coluna de A (8.1)
Observação 8.1. Uma forma de resolver (8.1) é primeiro calculando o vetor P roj W y e
depois resolvendo a equação; no entanto, existe uma abordagem melhor, que decorre do
Teorema 4.6, que diz que:
y − AX = y − P roj W y ∈ W ⊥ .
Como W é o espaço coluna de A segue do Teorema 4.7 que
y − AX ∈ N(AT ).
Desse modo uma solução de mı́nimos quadrados de AX = y deve satisfazer
AT (y − AX) = 0 ou AT AX = AT y.
Este último sistema é chamado de sistema normal associado a AX = y.
Proposição 8.1. Para qualquer sistema linear AX = y, o sistema normal associado
AT A X = AT y é consistente.
Mais ainda, se A ∈ Mm×n tem vetores L.I., então para cada matriz y ∈ Mn×1 o sistema
linear AX = y, tem uma única solução de mı́nimos quadrados. Esta solução é dada
por:
X = (AT A)−1 AT y
94
8.1.1 Ajuste de Mı́nimos Quadrados a Dados
Uma aplicação da proposição anterior pode ser vista sobre projeções ortogonais em espaços
com produto interno para obter uma técnica de ajustar uma reta o uma outra curva
polinomial a um conjunto de pontos no plano que foram determinados experimentalmente.
Ajuste Linear de Mı́nimos Quadrados
Teorema 8.2. Seja (x1 , y1 ), (x2 , y2 ), . . . , (xn , yn ) um conjunto de dois o mais pontos de
dados, não todos em uma reta vertical. Então, existe um único ajuste linear de mı́nimos
quadrados
y = a∗ + b∗ x
aos pontos de dados. Além disto,

   
1 x1 y
     1
   
a∗ 1 x2  y2 
  = (AT A)−1 AT y, onde A= e y=
 .
 
 
b∗ 1 x3  y3 
   
1 x4 y4
Exemplo 8.2. Encontre o ajuste linear por mı́nimos quadrados dos pontos (0, 1), (1, 3),
(2, 4) e (3, 4).
Solução O problema será achar uma reta da forma
y = a∗ + b∗ x
que contém os pontos dados, isto é:

    
∗ ∗


 1 = a + b 0 1 1 0

     

 3 = a∗ + b∗ 1    
3 1 1 a∗
⇐⇒  =
    

∗ ∗ 4 1 2 b∗


 4=a +b 2

     | {z }

 4 = a∗ + b∗ 3 4 1 3
|{z} | {z }
y = A X
95
Como A tem vetores L.I. pelo Proposição anterior tem-se que
   
1 0 1
    !   
  −1  
a∗ T −1 T
1 1 1 1 1 1 1 1 1 1  3
  = (A A) A y =      
   
b∗ 1 2 3 4 1 2 1 2 3 4  4
   
1 3 4
    
1  7 −3 12 1, 5
= = . (8.2)
10 −3 2 23 1
Portanto, a reta desejada é y = 1, 5 + x.
Ajuste Polinomial de Mı́nimos Quadrados
A técnica usada para o ajuste linear de Mı́nimos Quadrados generaliza-se facilmente para
ajustar um polinômio de qualquer grau fixo m, para n dados.
Assim, ajustando o polinômio
y = a0 + a1 x + · · · + am xm
aos n pontos (x1 , y1), (x2 , y2), . . . , (xn , yn ), obtemos as n equações:
96
y1 = a0 + a1 x1 + · · · + am xm
1
y2 = a0 + a1 x2 + · · · + am xm
2
..
.
yn = a0 + a1 xn + · · · + am xm
n.
Em formato matricial, o anterior escreve-se da forma:

     
2 m
1 x1 x1 . . . x1 a y
   0  1
     
1 x2 x22 . . . xm 2   a1   y2 
AX = y, onde A=  .. .. ..
,
 X= 
 ..  e  ..  .
y= 
. . .  . .
     
2 m
1 xn xn . . . xn an yn
Logo, pela Proposição 8.1 tem-se que as soluções das equações normais
AT AX = AT y
determinam os coeficientes dos polinômios que minimizam
ky − AXk.
Exemplo 8.3. O dono de um negócio em rápida expansão descobre que nos 5 primeiros
meses do ano as vendas (em milhares de reais) foram $4, 0; $4, 4; $5, 2; $6, 4 e $8, 0.
O dono coloca estos dados num gráfico e conjectura que, pelo resto do ano, a curva de
vendas pode ser aproximada por um polinômio quadrático de melhor ajuste de mı́nimos
quadrados para a curva de vendas e use-o para projetar as vendas no décimo segundo mês
do ano.
Solução O problema matemático é ajustar a curva quadrática
y = a0 + a1 x + a2 x2
aos cinco pontos dados
(1; 4), (2; 4, 4), (3; 5, 2), (4; 6, 4), (5; 8).
97
    


 4, 0 = a0 + a1 + a2 4, 0 1 1 1

     
    


 4, 4 = a0 + 2a1 + 4a2  4, 4  1 2 4  a0
     
    
5, 2 = a0 + 3a1 + 9a2 ⇐⇒  5, 2  = 1 3 9  a1 

     
    


 6, 4 = a0 + 4a1 + 16a2  6, 4  1 4 16 a2

     | {z }

 8, 0 = a + 5a + 25a
0 1 2 8, 0. 1 5 25
| {z } | {z }
y = A X
Como A tem vetores L.I. pelo Proposição anterior tem-se que

   
1 1 1 4, 0
     
   
1 1 1 1 1 1 2 4  !−1 1 1 1 1 1  4, 4 
     
     
X = 1 2 3 4 5  1 3 9  1 2 3 4 5   5, 2 
     
   
1 4 9 16 25 1 4 16 1 4 9 16 25  6, 4 
   
1 5 25 8, 0.
   
5 15 55 !−1 28
   
   
= 15 55 225  94 
   
55 225 979 370, 8
  
23/5 −33/10 1/2 28
  
  
= −33/10 187/70 −3/7  94  (8.3)
  
1/2 −3/7 1/14 370, 8
 
4
 
 
= −0, 2 (8.4)
 
0, 2
Portanto, o polinômio desejado é y = 4 − 0, 2x + 0, 2x2 . Consequentemente no décimo

segundo mês, x = 12, temos que o valor das vendas é:
y = 4 − 2, 4 + 28, 8 = 30, 4 mil reais.
98
8.2 Rotação de Cônicas
Teorema 8.3. (Dos eixos Principais em R2 ) Seja ax2 + 2bxy + cy 2 + dx + ey + f = 0 a

equação de uma cônica C e seja
X T AX = ax2 + 2bxy + cy 2 (8.5)

   
x a b
a forma quadrática associada, onde X =   e A =  .
y b c
Então, os eixos coordenados podem ser girados de modo que a equação C no novo
sistema x′ , y ′ tenha a forma
λ1 (x′ )2 + λ2 (y ′)2 + d′ x′ + e′ y ′ + f ′ = 0, (8.6)
onde λ1 , λ2 são autovalores de A.
A rotação é definida pela substituição

 
′
x′
X = PX ,   (8.7)
′
y
onde P diagonaliza A ortogonalmente, isto é P T AP = D e det P = 1 (note-se que

P −1 = P T ).
99
Observação 8.2. Do teorema anterior temos que a equação da cônica pode-se escrever
em forma matricial da forma

2 2 T
ax + 2bxy + cy +dx + ey + f = X AX + d e X + f = 0 (8.8)
| {z }
Logo, substituindo X = P X ′ tem-se

′ T
0 = (P X ) A(P X ) + d e P X ′ + f
′

= (X ′ )T P T
AP
| {z } X ′
+ ′
d e PX + f

= (X ′ )T DX ′ + d e P X ′ + f (8.9)
Exemplo 8.4. Identifique a cônica cuja equação é:
5x2 − 4xy + 8y 2 − y − 1 = 0
Solução A forma quadrática associada é

  
5 −2 x
5x2 − 4xy + 8y 2 = x y     = X T AX (8.10)
−2 8 y
é simples calcular que os autovalores e autovetores (normalizados) são:

 
√2
5
λ1 = 4, v1 =  (8.11)
√1
5
 
−1
√
λ2 = 9, v2 =  5 . (8.12)
√2
5
Portanto, a matriz P que diagonaliza A ortogonalmente é

 
√2 −1
√
5 5
P = com det P = 1. (8.13)
√1 2
√
5 5
Consequentemente da observação anterior, fazendo X = P X ′ temos que

     
′ 2 −1
4 0 x √ √ x′
0 = x′ y ′     + 0 −1  5 5  
−1 (8.14)
0 9 y′ √1 √2 y ′
5 5
1 2
= 4(x′ )2 + 9(y ′)2 − √ x′ − √ y ′ − 1. (8.15)
5 5
100
Portanto, agrupando temos
2 2
′ 1 ′ 1 1 1 745 149
2x − √ + 3y − √ =1+ + = = (8.16)
4 5 3 5 80 45 720 145
Mais ainda,
2 2
′ 1 ′ 1 149
4 x − √ +9 y − √ = (8.17)
8 5 9 5 145
ou
2 2
1 1
x′ − √ y′ − √ r 2
8 5 9 5 149
+ = . (8.18)
1 1 145
22 32
Esta última equação representa uma elipse com rotação e translação.
r 2
(x′′ )2 (y ′′ )2 149
Figura 8.1: + =
1 1 145
22 32
101
Apêndice A
Números Complexos
Como x2 ≥ 0 para todo x ∈ R, a equação x2 = −1 não tem solução real. Para contornar
este problema os matemáticos do século 18 introduziram o número imaginário
√
i= −1
ao qual deram a propriedade
i2 = −1.
Assim, foi definido os ”números complexos” como o conjunto

√
C = {a + bi /a, b ∈ R}, onde i= −1.
Diremos que z ∈ C se pode-se escrever da forma
z = a + bi onde a = Re(z), b = Im(z) são a parte real e imaginária de z.
No inicio do século 19, reconhece-se que um número complexo pode representar-se

como um par ordenado (a, b) ∈ R2 , de modo que ao definir operações aritméticas análogas
a R2 , as propriedades fundamentais continuem sendo válidas, com a propriedade adicional
que i2 = −1.
Geometricamente um número complexo z pode ser visto tanto como um ponto quanto
como um vetor no plano xy.
102
Figura A.1: C ⇐⇒ R2
Operações Aritméticas Sejam a + bi, c + di ∈ C, então
(a + bi) + (c + di) = (a + c) + (b + d)i (A.1)
(a + bi) − (c + di) = (a − c) + (b − d)i (A.2)
k(a + bi) = ka + kbi, ∀k∈R (A.3)
(a + bi) · (c + di) = (ac − bd) + (ad + bc)i (A.4)
Seja z = a + bi, definimos z̄ = a − bi o chamado conjugado de z, e o representamos

geometricamente por
Observe-se que
√
|z| = a2 + b2 = z · z̄ = |z̄|.
Por outro lado, se θ é o ângulo entre o eixo real positivo e o vetor z (figura A), usando
propriedades trigonométricas obtemos a forma polar de z
z = a + bi = |z| cos θ + i |z| sen θ. (A.5)
103
Note-se que se
z1 = |z1 | cos θ1 + i |z1 | sen θ1 e z2 = |z2 | cos θ2 + i |z2 | sen θ2 ,
então
z1 z2 = |z1 ||z2 |(cos θ1 cos θ2 − sen θ1 sen θ2 ) + i |z1 ||z2 |(sen θ1 cos θ2 + cos θ1 sen θ2 )
= |z1 ||z2 | cos(θ1 + θ2 ) + i |z1 ||z2 | sen(θ1 + θ2 ) (A.6)
Generalizando a propriedade (A.6) temos
z n = |z|n (cos θ + i sen θ)n = |z|n (cos nθ + i sen nθ). (A.7)
No caso especial em que |z| = 1 nós temos a chamada fórmula de Moivre
(cos θ + i sen θ)n = cos nθ + i sen nθ, ∀ n ∈ Z. (A.8)
Raiz n-ésima de un número complexo
Seja n ∈ N e z ∈ C, definimos a raiz n-ésima de z como um número complexo w que

satisfaz a equação
w n = z. (A.9)
Denotaremos w = z 1/n .
Sejam,
z = |z|(cos θ + i sen θ) e w = |w|(cos α + i sen α),
tais que satisfazem (A.9), isto é
w n = |w|n(cos nα + i sen nα) = |z| (cos θ + i sen θ). (A.10)
Comparando temos que
|w|n = |z|, cos nα = cos θ e sen nα = sen θ. (A.11)
Logo,
θ + 2kπ
|w| = |z|1/n , e α= , ∀ k ∈ Z. (A.12)
n
Consequentemente, a solução de (A.9)

1/n θ + 2kπ θ + 2kπ
w = |z| cos + i sen , ∀ k ∈ Z. (A.13)
n n
104
Referências Bibliográficas
[1] ANTON, Howard e RORRES, Chris - Álgebra Linear com Aplicações. Bookman,
8a edição - São Paulo, 2000.
[2] BOLDRINI,José Luiz; COSTA, Sueli I. Rodrigues; FIGUEIREDO, Vera Lúcia e

WETZLER, Henry G. - Álgebra Linear . Harbra ltda, 3a edição - São Paulo, 1986.
[3] STEINBRUCH, Alfredo e WINTERLE, Paulo - Álgebra Linear . Makron Books, 2a

edição - São Paulo, 1987.
[4] EDWARDS, C. H. Jr. e PENNEY, David E. Penney - Elementary Linear Algebra

(in Portuguese). Editorial LTC, Brazil, 2000.
105

Apostila de Álgebra Lienar

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Apostila de Álgebra Lienar

Uploaded by

Copyright:

Available Formats

Liliana A. L.

1.1 Tipos de Matrizes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2

1.2 Operações com Matrizes . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3

1.2.3 Multiplicação de um número real por uma Matriz . . . . . . . . . . 5

1.2.4 Multiplicação de Matrizes . . . . . . . . . . . . . . . . . . . . . . . 5

1.3 Matriz Inversa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6

1.3.1 Calculo da Inversa por Operações Elementares . . . . . . . . . . . . 7

1.4 Determinante de uma Matriz . . . . . . . . . . . . . . . . . . . . . . . . . 9

1.4.1 Propriedades do Determinante . . . . . . . . . . . . . . . . . . . . . 10

1.4.2 Cálculo do Determinante usando redução por Linhas ou Colunas

1.5 Matriz Adjunta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13

2 Sistemas de Equações Lineares Algébricas 16

2.1 Classificação de um Sistema Linear . . . . . . . . . . . . . . . . . . . . . . 17

2.2 Resolução de Sistemas por Escalonamento . . . . . . . . . . . . . . . . . . 18

3.1 Interpretação Geométrica . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22

3.1.1 Adição de Vetores . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23

3.1.2 Multiplicação de um Número Real por um Vetor . . . . . . . . . . . 25

3.1.3 Ângulo entre dois vetores . . . . . . . . . . . . . . . . . . . . . . . . 25

3.2 Interpretação Algébrica no Plano . . . . . . . . . . . . . . . . . . . . . . . 26

3.3 Interpretação Algébrica no Espaço . . . . . . . . . . . . . . . . . . . . . . . 28

3.4 Produto Escalar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29

3.4.1 Interpretação Geométrica do Produto Escalar . . . . . . . . . . . . 30

3.4.2 Ângulo entre dois Vetores . . . . . . . . . . . . . . . . . . . . . . . 31

3.4.3 Projeção de um Vetor sobre Outro . . . . . . . . . . . . . . . . . . 32

3.5 Produto Vetorial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33

3.5.2 Interpretação Geométrica . . . . . . . . . . . . . . . . . . . . . . . 35

4.1 Subespaços Vetoriais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39

4.1.1 Propriedades dos Subespaços . . . . . . . . . . . . . . . . . . . . . 40

4.2 Combinação Linear . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41

4.3 Espaço Gerado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42

4.4 Independência e Dependência Linear . . . . . . . . . . . . . . . . . . . . . 43

4.5 Base e Dimensão . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47

4.6 Espaço Vetorial Euclideano . . . . . . . . . . . . . . . . . . . . . . . . . . 51

4.6.1 Complementos Ortogonais . . . . . . . . . . . . . . . . . . . . . . . 53

4.6.2 Uma Relação Geometrica Entre Espaço Nulo e Espaço Linha . . . . 54

4.6.3 Conjuntos Ortogonais e Ortonormais . . . . . . . . . . . . . . . . . 55

4.6.4 Processo de Gram - Schimidt . . . . . . . . . . . . . . . . . . . . . 56

5.1 Propriedades das Transformações Lineares . . . . . . . . . . . . . . . . . . 66

5.2 Núcleo de uma Transformação Linear . . . . . . . . . . . . . . . . . . . . . 68

5.3 Imagem de uma Transformação Linear . . . . . . . . . . . . . . . . . . . . 69

5.4 Propriedades do Núcleo e da Imagem . . . . . . . . . . . . . . . . . . . . . 71

5.5 Matriz de uma Transformação Linear . . . . . . . . . . . . . . . . . . . . . 73

5.6 Operações com Transformações Lineares . . . . . . . . . . . . . . . . . . . 78

5.6.1 Adição ou Soma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78

5.6.2 Multiplicação por Escalar . . . . . . . . . . . . . . . . . . . . . . . 78

5.7 Mudança de Base . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81

7.2 Matrizes Simétricas e autovetores ortogonais . . . . . . . . . . . . . . . . . 91

8.1 Mı́nimos Quadrados na Solução de Sistemas Lineares Inconsistentes . . . . 93

8.1.1 Ajuste de Mı́nimos Quadrados a Dados . . . . . . . . . . . . . . . . 95

8.2 Rotação de Cônicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99

A Números Complexos 102

Definição 1.1. Uma matriz de ordem m × n é uma tabela de mn escalares (números

Exercı́cio: Escreva a matriz A = (aij )2×2 onde aij = i + 2j.

• Quando m = 1, matriz linha

• Quando n = 1, matriz coluna

• Quando m = n, matriz quadrada

1.1 Tipos de Matrizes

Matriz Simétrica: É uma matriz quadrada, onde aij = aji .

É simples verificar que:

1. A transposta da transposta de uma matriz é ela mesma, isto é (AT )T = A.

1.2 Operações com Matrizes

Ao utilizar matrizes, surge naturalmente a necessidade de efetuarmos certas operações.

Se as matrizes A, B e C possuem a mesma ordem, valem as seguintes propriedades:

3. A + O = A, quando O é uma matriz nula (elemento neutro).