Álgebra Linear

Maria Amelia Gurgel Neves
Regina Maria Sigolo Bernardinelli
Álgebra Linear
Revisada por Maria Amelia Gurgel Neves (janeiro/2013)

APRESENTAÇÃO
É com satisfação que a Unisa Digital oferece a você, aluno(a), esta apostila de Álgebra Linear, parte
integrante de um conjunto de materiais de pesquisa voltado ao aprendizado dinâmico e autônomo que
a educação a distância exige. O principal objetivo desta apostila é propiciar aos(às) alunos(as) uma apre-
sentação do conteúdo básico da disciplina.
A Unisa Digital oferece outras formas de solidificar seu aprendizado, por meio de recursos multidis-
ciplinares, como chats, fóruns, aulas web, material de apoio e e-mail.
Para enriquecer o seu aprendizado, você ainda pode contar com a Biblioteca Virtual: www.unisa.br,
a Biblioteca Central da Unisa, juntamente às bibliotecas setoriais, que fornecem acervo digital e impresso,
bem como acesso a redes de informação e documentação.
Nesse contexto, os recursos disponíveis e necessários para apoiá-lo(a) no seu estudo são o suple-
mento que a Unisa Digital oferece, tornando seu aprendizado eficiente e prazeroso, concorrendo para
uma formação completa, na qual o conteúdo aprendido influencia sua vida profissional e pessoal.
A Unisa Digital é assim para você: Universidade a qualquer hora e em qualquer lugar!
Unisa Digital
SUMÁRIO
INTRODUÇÃO................................................................................................................................................ 5
1 EQUAÇÕES LINEARES E MATRIZES............................................................................................ 7
1.1 Forma Geral de um Sistema.........................................................................................................................................8
1.2 Sistemas e Matrizes..........................................................................................................................................................9
1.3 Tipos Especiais de Matrizes........................................................................................................................................10
1.4 Operações de Matrizes da Forma m x n................................................................................................................11
1.5 Multiplicação de Matrizes..........................................................................................................................................13
1.6 Matrizes Inversíveis.......................................................................................................................................................14
1.7 Sistemas de Equações Lineares................................................................................................................................16
1.8 Operações Elementares de uma Matriz (Sistema)............................................................................................18
1.9 Resumo do Capítulo.....................................................................................................................................................19
1.10 Atividade Propostas...................................................................................................................................................20
2 ESPAÇOS VETORIAIS.......................................................................................................................... 21
2.1 Exemplos Clássicos de Espaços Vetoriais.............................................................................................................21
2.2 Espaços Vetoriais - Definição.....................................................................................................................................24
2.3 Exemplos de Espaços Vetoriais ................................................................................................................................25
2.4 Subespaços Vetoriais....................................................................................................................................................26
2.6 Atividades Propostas....................................................................................................................................................31
3 COMBINAÇÃO, DEPENDÊNCIA LINEAR E BASES........................................................... 33

3.1 Combinação Linear.......................................................................................................................................................33
3.2 Dependência Linear.....................................................................................................................................................35
3.3 Dimensão de um Espaço............................................................................................................................................39
3.4 Base.....................................................................................................................................................................................40
4 ESPAÇO VETORIAL EUCLIDIANO............................................................................................... 45

4.1 Vetores...............................................................................................................................................................................45
4.2 Módulos de 2 Vetores (Norma ou Comprimento).............................................................................................47
4.3 Cosseno do Ângulo de 2 Vetores.............................................................................................................................48
4.4 Desigualdade de Cauchy-Schwarz e Desigualdade Triangular...................................................................49
4.5 Ortogonalidade..............................................................................................................................................................50
5 TRANSFORMAÇÕES LINEARES................................................................................................... 53
5.1 Definição de Transformação Linear........................................................................................................................53
5.2 Exemplos e Contraexemplos de Espaços Vetoriais...........................................................................................54
5.3 Transformação Linear através de uma Matriz.....................................................................................................57
5.4 Transformação do Vetor Nulo...................................................................................................................................58
5.5 Núcleo de uma Transformação Linear...................................................................................................................58
5.6 Transformações Lineares como Combinação Linear.......................................................................................59
5.7 Bases de um Espaço Vetorial e Transformações Lineares...............................................................................60
RESPOSTAS COMENTADAS DAS ATIVIDADES PROPOSTAS...................................... 63

REFERÊNCIAS.............................................................................................................................................. 69
INTRODUÇÃO
Caro(a) aluno(a),
O objetivo geral deste curso é oferecer a você condições de perceber, analisar e operar conceitos
algébricos, em especial, na área de Espaços Vetoriais.
Álgebra, conjuntos, operações e estruturas são termos diretamente associados, na área de Exatas.
A Álgebra aparece como uma linguagem matemática, usando símbolos para expressar, de forma preci-
sa, verdades ou negar afirmações falsas. Para representar elementos com alguma propriedade comum,
agrupamo-los em conjuntos.
As operações podem trabalhar os conjuntos como um todo ou seus elementos separadamente. As
operações são ações que aplicamos aos conjuntos. Definidas em conjuntos diferentes, podem ter pro-
priedades iguais e, a partir daí, conceituamos as Estruturas.
Para os estudantes da área, uma vez reconhecida a estrutura, fica fácil determinar as propriedades
inerentes, sem precisar verificar cada uma.
A Álgebra Linear é baseada na Estrutura conhecida como espaço vetorial. Você encontrará essa
estrutura nesta apostila, suas propriedades e diversos exemplos.
Todos os conjuntos têm seus elementos chamados de vetores. Leia atentamente as definições, ve-
rifique cada exemplo e faça as atividades propostas. Trataremos, também, de outros conjuntos, como o
de matrizes e o de funções, como conjuntos de vetores.
Em todos esses momentos, quero caminhar com você, usando as ferramentas disponíveis em nos-
so Portal. Revisei e reestruturei este material buscando facilitar sua leitura.
Conte com minha companhia. Será um prazer caminharmos juntos.
Maria Amelia
5
Unisa | Educação a Distância | www.unisa.br
1 EQUAÇÕES LINEARES E MATRIZES
1 EQUAÇÕES LINEARES E MATRIZES
Caro(a) aluno(a),
Neste capítulo, você encontrará conceitos já conhecidos, como resolução de sistemas, matrizes e
determinantes. Eles aparecem aqui devido à sua importância em Álgebra Linear e, a bem da verdade,
em muitas áreas profissionais, de forma especial na Engenharia!
Desde o Ensino Básico, encontramos situações que podem ser solucionadas através de uma
equação, como, por exemplo: “O preço de 3 cadernos é igual a 30 unidades monetárias (u.m.). Qual o
preço de um caderno?” Equacionamos esse problema como: 3x = 30 ҧ x = 10. Solução

extremamente simples para o nosso curso.
Acrescentemos ao problema o preço de 2 canetas. Fica assim: “O preço de 3 cadernos e 2
canetas soma 42 unidades monetárias (u.m.). Qual o preço de um caderno?“ Usamos a mesma
equação: 3x + 2y = 42, mas, sem usar a resposta anterior, não temos resultados determinados, apenas
sabemos que 3x = 42 – 2y, ou seja, que o preço de 3 cadernos é igual 42 menos o preço de 2 canetas.
Se acrescentarmos mais uma informação, como, por exemplo: “o preço de cada caderno é igual
ao preço de uma caneta mais 4 u.m.”, já podemos chegar a valores precisos para o caderno e a caneta;
basta traduzirmos a última informação em uma equação: x = y + 4 e substituirmos o valor de x por
y+4 em 3x = 42 – 2y.
Vamos avaliar as 3 versões desse exemplo:
1. O preço de 3 cadernos é igual a 30 u.m. Qual o preço de um caderno?

Equação: 3x = 30
Solução: x = 10 (o preço exato de cada caderno);
2. O preço de 3 cadernos e 2 canetas soma 42 u.m. Qual o preço de um caderno?
Equação: 3x + 2y = 42
Solução: 3x = 42 – 2y (dependendo do preço da caneta, temos o preço do caderno);
3. O preço de 3 cadernos e 2 canetas soma 42 u.m. e o preço de cada caderno é igual ao preço
de uma caneta mais 4 u.m.
Equações: 3x + 2y = 42 e x = y + 4
͵‫ ݔ‬൅ ʹ‫ ݕ‬ൌ Ͷʹ
ou ൜ , que podemos resolver substituindo a 2ª equação na 1ª equação.
‫ ݔ‬ൌ ‫ ݕ‬൅ ͶUnisa | Educação a Distância | www.unisa.br
7
Equação: 3x + 2y = 42
Maria Amelia Gurgel Neves e Regina Maria Sigolo Bernardinelli
Solução: 3x = 42 – 2y (dependendo do preço da caneta, temos o preço do caderno);
3. O preço de 3 cadernos e 2 canetas soma 42 u.m. e o preço de cada caderno é igual ao preço
de uma caneta mais 4 u.m.
Equações: 3x + 2y = 42 e x = y + 4
͵‫ ݔ‬൅ ʹ‫ ݕ‬ൌ Ͷʹ
ou ൜ , que podemos resolver substituindo a 2ª equação na 1ª equação.
‫ ݔ‬ൌ ‫ ݕ‬൅ Ͷ
3 (y + 4) + 2y = 42 ҧ 3y + 2y = 42 – 12 ҧ 5y = 30
Solução: y = 6 e x = 10 (cada caderno custa 10 u.m. e cada caneta, 6 u.m.).
s do Ensino Fundamental, mas sua aplicação estende-se a muitas áreas
Esse exemplo lembra-nos do Ensino Fundamental, mas sua aplicação estende-se a muitas áreas
rofissional.
do Ensino Superior e da vida profissional.
ão do exemplo é formada por uma equação linear (de 1º grau), com
Dizemos que a 1ª versão do exemplo é formada por uma equação linear (de 1º grau), com
A 2ª versão também tem uma única equação linear, mas duas variáveis;
solução determinada (única). A 2ª versão também tem uma única equação linear, mas duas variáveis;
es: o preço do caderno depende do preço da caneta ou o valor de x
por isso, admite várias soluções: o preço do caderno depende do preço da caneta ou o valor de x
depende do valor de y.
com duas equações, forma um sistema linear determinado (valor único
Finalmente, a 3ª versão, com duas equações, forma um sistema linear determinado (valor único
composto pelas variáveis x e y; um sistema de 2 equações e 2 variáveis.
para x e para y). Esse sistema é composto pelas variáveis x e y; um sistema de 2 equações e 2 variáveis.
͵‫ ݔ‬൅ ʹ‫ ݕ‬ൌ Ͷʹ

൜ ͵‫ ݔ‬൅ ʹ‫ ݕ‬ൌ Ͷʹ
‫ ݔ‬െ ‫ ݕ‬ൌ Ͷ
൜
‫ ݔ‬െ ‫ ݕ‬ൌ Ͷ
Atenção
Atenção
ó têm variáveis com expoente 1 e, por isso, são chamadas lineares.
Observe que essas equações só têm variáveis com expoente 1 e, por isso, são chamadas lineares.
Observe que essas equações só têm variáveis com expoente 1 e, por isso, são chamadas lineares.
l de um sistema
1.1 Geral
1.1 Forma Formade
geral
umde um sistema
Sistema
ema de 2 equações e 2 variáveis é:

A forma geral de um sistema de 2 equações e 2 variáveis é:
ଵ
, com as variáveis
ܽଵଵx1‫ݔ‬eଵx൅
2 e os termos independentes b1 e b2.
ܽଵଶ ‫ݔ‬ଶ ൌ ܾଵ
ଶ ൜ , com as variáveis x1 e x2 e os termos independentes b1 e b2.
ܽଶଵ ‫ݔ‬ଵ ൅ ܽଶଶ ‫ݔ‬ଶ ൌ ܾଶ
recedida pelos coeficientes a11 e a12, que, na 3ª versão do exemplo
A variável x1 aparece precedida pelos coeficientes a11 e a12, que, na 3ª versão do exemplo
1, respectivamente. A variável x2 é precedida pelos coeficientes a12 e a22,
anterior, correspondem a 3 e 1, respectivamente. A variável x2 é precedida pelos coeficientes a12 e a22,
que correspondem a 1 e -1.
do exemplo, encontramos o preço do caderno por 10 u.m. e da caneta
Ao solucionarmos o citado exemplo, encontramos o preço do caderno por 10 u.m. e da caneta
Matemática, dizemos que x = 10 e y = 6 ou, ainda, que o par (10, 6) é a
por 6 u.m. Normalmente, em Matemática, dizemos que x = 10 e y = 6 ou, ainda, que o par (10, 6) é a
solução do sistema.
ito do sistema de equações usado no exemplo dos cadernos e lápis é o
Caro(a) aluno(a), o conceito do sistema de equações usado no exemplo dos cadernos e lápis é o
mais genérica de um sistema linear, como:
8 mesmo que aparece na forma mais genérica de um sistema linear, como:
‫ۓ‬ D [ D [ DQ [Q E
por 6 u.m. Normalmente, em Matemática, dizemos que x = 10 e y = 6 ou, ainda, que o par (10, 6) é a
Álgebra Linear
solução do sistema.
Caro(a) aluno(a), o conceito do sistema de equações usado no exemplo dos cadernos e lápis é o
mesmo que aparece na forma mais genérica de um sistema linear, como:
‫ۓ‬ D [ D [ DQ [Q E

ۖ
ۖ
D [ D [ D Q [Q E
‫ ۔‬
ۖ
ۖ
‫ ە‬DP [ DP [ DPQ [Q EP
Nessa forma genérica, dizemos que há n equações, com n variáveis x1, x2,... xn. Cada variável está
Nessa forma genérica, dizemos que há n equações, com n variáveis x1, x2,... xn. Cada variável está
precedida de um coeficiente representado por aij, no qual i indica a equação (linha) e j indica a variável
precedida de um coeficiente representado por aij, no qual i indica a equação (linha) e j indica a variável
(coluna).
(coluna).
A sequência b1, b2, ... , bn representa os termos independentes das n equações e a solução do
A sequência b1, b2, ... , bn representa os termos independentes das n equações e a solução do
sistema é a n-upla: (x1, x2, ... , xn).
sistema é a n-upla: (x1, x2, ... , xn).
1.2 Sistemas
1.2 e Matrizes
Sistemas e Matrizes
1.2 Sistemas e Matrizes
A cada sistema de equações lineares, podemos associar uma matriz principal, formada por todos
A cada sistema de equações lineares, podemos associar uma matriz principal, formada por todos
os coeficientes, e uma matriz completa, acrescentando à matriz principal uma coluna com os termos
os coeficientes, e uma matriz completa, acrescentando à matriz principal uma coluna com os termos
͵‫ ݔ‬൅ ʹ‫ ݕ‬ൌ Ͷʹ ͵ ʹ
independentes. Assim, para o exemplo ൜͵‫ ݔ‬൅ ʹ‫ ݕ‬ൌ Ͷʹ, temos a matriz principal ቂ͵ ʹቃea
independentes. Assim, para o exemplo ൜ ‫ ݔ‬െ ‫ ݕ‬ൌ Ͷ , temos a matriz principal ቂͳ െͳ ቃea
‫ ݔ‬െ ‫ ݕ‬ൌ Ͷ ͳ െͳ
͵ ʹ Ͷʹ
matriz completa ቂ͵ ʹ Ͷʹቃ.
matriz completa ቂͳ െͳ Ͷ ቃ.
ͳ െͳ Ͷ
‫ ۓ‬D [ D [ D [ E
‫ ۓ‬D [ D [ DQ [Q
ۖ E
ۖ
ۖ D [ D [ DQ [Q
À forma geral ۖ D [ D [ D Q [Q
E , associaremos a matriz principal
À forma geral ‫ ۔‬ Q Q E , associaremos a matriz principal
‫ ۔‬
ۖ
ۖ
ۖ D [ D [ D [
ۖ P EP
‫ە‬
D [ DPP [ DPQ
‫ ە‬P PQ [Q
Q
EP
ª D D DQ º ª D D DQ E º

«ª DD DD DQ »º
D Q »» e a matriz completa «ª DD D
D

DQ E º
D Q E »»»
«« D D
D Q » e a matriz completa «« D D D Q E »
««

» «« »
«« »» «« »»
¬«DDP DDP DDP DDPQ ¼» ¬«D P DP DP DPQ EP ¼»
¬ P P P PQ ¼ ¬DP DP DP DPQ EP ¼
Atenção
Atenção Atenção
A matriz principal é do tipo m x n (m linhas e n colunas) e a matriz completa, do tipo m x (n+1) (m
A matriz principal é do tipo m x n (m linhas e n colunas) e a matriz completa, do tipo m x (n+1) (m
linhas eA n+1
matrizcolunas).
principal é do tipo m x n (m linhas e n colunas) e a matriz completa, do tipo m x (n+1) (m linhas e n+1 colunas).
linhas e n+1 colunas).
Se todos os termos independentes (bi) forem iguais a zero, o sistema linear correspondente é 9
Se todos os termos independentes
Unisa | Educação(bai)Distância
forem iguais a zero, o sistema linear correspondente é
| www.unisa.br
chamado Sistema Homogêneo e admite a solução trivial x1 = x2 = x3 = ... = xn = 0.
linhas e n+1 colunas).
Se todos os termos independentes (bi) forem iguais a zero, o sistema linear correspondente é
chamado Sistema Homogêneo e admite a solução trivial x1 = x2 = x3 = ... = xn = 0.
Exemplos
1. Forme a matriz A2x 3, em que aij = ii+j.
Temos i variando de 1 a 2 e j variando de 1 a 3. Esta é uma matriz complexa, usando as

Temos i variando de 1 a 2 e j variando de 1 a 3. Esta é uma matriz complexa, usando as
potências de i.
potências de i.
Vamos lembrar que i11 = i, i22 = -1, i33 = -i e i44 = 1. Na sequência, temos que i55 = i. Logo, a matriz
Vamos lembrar que i = i, i = -1, i = -i e i = 1. Na sequência, temos que i = i. Logo, a matriz
െͳ െ݅ ͳ
pedida é: ቂെͳ െ݅ ͳቃ.
pedida é: ቂ െ݅ ͳ ݅ ቃ.
െ݅ ͳ ݅
[ \ ]
°[ \ ]
2. Que matrizes devemos associar no sistema ®° [ ] ?
2. Que matrizes devemos associar no sistema °® [ ] ?
\ ]
¯° \ ]
¯
ª º
ª »º
Podemos associar a matriz principal ««
»» , composta apenas pelos coeficientes das
Podemos associar a matriz principal «
, composta apenas pelos coeficientes das
«¬« »¼»
«¬ »¼
ª º
ª º
variáveis, e a matriz completa «« »» , composta pelos mesmos coeficientes,
variáveis, e a matriz completa « » , composta pelos mesmos coeficientes,
«¬« »¼»
«¬ »¼
seguidos da coluna de termos independentes.
seguidos da coluna de termos independentes.
1.3 Tipos
1.3 Especiais de Matrizes
Tipos especiais de matrizes
1.3 Tipos especiais de matrizes
Matriz quadrada
Matriz Quadrada
Matriz quadrada
Uma matriz com o mesmo número de linhas e colunas é chamada matriz quadrada e pode ser
Uma matriz com o mesmo número de linhas e colunas é chamada matriz quadrada e pode ser
representada com uma única indicação para o número de linhas e colunas. Assim, A2 é a matriz de 2
representada com uma única indicação para o número de linhas e colunas. Assim, A2 é a matriz de 2
linhas e 2 colunas, e An tem n linhas e n colunas.
linhas e 2 colunas, e An tem n linhas e n colunas.
Matriz identidade
Matriz Identidade
Matriz identidade
Um caso particular muito importante da matriz quadrada é a matriz unitária ou identidade.

Exemplos:
Exemplos:
ͳ Ͳ ǥ Ͳ
10 ͳ Ͳ ͳ Ͳ ǥ Ͳ
I2=Unisa
ቂͳ | ͲEducação ቎Ͳ ͳ ǥ Ͳ቏ .
ቃ e An =a Distância
Ͳ ͳ |ǥ www.unisa.br
Ͳ
I2= ቂͲ ͳቃ e An = ቎ǥ ǥ ǥ ǥ቏ .
Ͳ ͳ ǥ ǥ ǥ ǥ
Álgebra Linear
Exemplos:
ͳ Ͳ ǥ Ͳ
ͳ Ͳ
I2 = ቂ ቃ e An = ቎ Ͳ ͳ ǥ Ͳ ቏ .
Ͳ ͳ ǥ ǥ ǥ ǥ
Ͳ Ͳǥ ͳ
Observe que, sempre que temos i = j, o valor do termo é 1; nos demais casos, é zero.
ͳ‫ ݅݁ݏ‬ൌ ݆
Outra forma de descrever a matriz identidade é: In = ൜ .
Ͳ‫݆ ് ݅݁ݏ‬
Matriz nula
Matriz Nula
nula
Matriz nula
Uma
Uma matriz
matriz nula
nula tem
tem todos
todos os
os elementos
elementos iguais
iguais aa zero.
zero. Assim,
Assim, temos:
temos:
Uma matriz nula tem todos os elementos iguais a zero. Assim, temos:
Ͳ
Ͳ ‫ڮ‬
‫ڮ‬ Ͳ
Ͳ
0
0mm xx nn =൥
=൥Ͳ‫ڭڭ‬ ‫ڰ‬
‫ڮ‬
‫ڰ‬ Ͳ‫ ڭڭ‬൩൩ ..
0m x n =൥Ͳ Ͳ‫ڭ‬ ‫ڮ‬
‫ڰ‬
‫ڮ‬ Ͳ
Ͳ‫ ڭ‬൩ .
Ͳ ‫ڮ‬ Ͳ
1.4 Operações de
de matrizes da
da forma
1.4 Operações
1.4 de Matrizes
Operações da Forma
matrizes mxm
forma n xx n
m n
1.4 Operações de matrizes da forma m x n
Vamos
Vamos usar
usar um
um conjunto
conjunto formado
formado por
por todas
todas as
as matrizes
matrizes de
de um
um determinado
determinado tipo,
tipo, ou
ou seja,
seja, com
com o
o
mesmoVamos usar um conjunto formado por todas as matrizes de um determinado
o conjunto de todas as o
tipo, ou seja, com
mesmo número
número de
de linhas
linhas eeoo mesmo
mesmo número
número dede colunas.
colunas. Chamamos
Chamamos M mxn o conjunto de todas as
Mmxn
mesmo número
matrizes de linhas e o mesmo número de colunas. Chamamos Mmxn o conjunto de todas as
matrizes da
da ordem
ordem mm xx n.
n.
matrizes da ordem m x n.
Saiba mais
SaibaSaiba
mais mais
Saiba mais
Muitas
Muitas vezes,
vezes,
Muitas
encontramos
encontramos
vezes, encontramos
aa notação
notação
a notação
M
Mmxn (ℜ), mxn (ъ), que representa o conjunto de todas as matrizes da
Mque (ъ), que orepresenta o conjunto dedatodas
ordem as
m xmatrizes
n, cujos da
mxn representa conjunto de todas as matrizes
Muitas vezes,
elementos números reais. a notação Mmxn (ъ), que representa o conjunto de todas as matrizes da
sãoencontramos
ordem
ordem mm xx n,
n, cujos
cujos elementos
elementos são são números
números reais.
reais.
ordem m x n, cujos elementos são números reais.
Para os
Para os elementos
elementos desse
desse conjunto,
conjunto, podemos
podemos definir
definir duas
duas operações
operações importantes.
importantes.
Para os elementos desse conjunto, podemos definir duas operações importantes.
Adição de
Adição de
Adição matrizes
de Matrizes
matrizes
Adição de matrizes
ÉÉ quase
quase intuitivo
intuitivo esse
esse conceito.
conceito. Veja
Veja esse
esse exemplo:
exemplo:
É quase intuitivo esse conceito. Veja esse exemplo:
ªª
ºº + ªª

ºº = ªª
ºº
«ª« »
º»¼ + «
«

»º» = «ª« »º»¼
¬¬ ª
¼ + ¬¬ ¼¼ = ¬¬ ¼
« ¼ » « »¼ «¬ »¼
¬ ¬
Definição
Definição
Definição 11
Dadas as matrizes A e B m x n, A = (aij) e B = (bij), a adição das matrizes (A + B) é a matriz formada
« » « »¼ « »¼
¬ ¼ ¬ ¬
Definição
Definição
Dadas as matrizes A e B m x n, A = (aij) e B = (bij), a adição das matrizes (A + B) é a matriz formada

pelos termos aij + bij, ou seja, A + B = (aij + bij).
Propriedades da adição
Propriedades da adição
Associatividade: (A + B) +C = A + (B + C);
Comutatividade: A + B = B + A;
Elemento neutro: 0mxn + A = A = A + 0mxn;
Elemento simétrico: (-A) + A = 0mxn = A + (-A).
Essas propriedades podem ser demonstradas, mas quero que pense apenas que somar matrizes
é somar cada posição e, como todas elas são números reais (ou complexos), basta lembrar as
propriedades da adição nesses conjuntos numéricos!
Multiplicação de
Multiplicação de Matriz
matriz por
por Escalar
escalar
ª º
Considere, por exemplo, a matriz « ».
¬ ¼
ª º ª º
3x « » =« » , correto?
¬ ¼ ¬ ¼
Definição
Definição
Seja λ escalar e A a matriz m x n cujo elemento da linha i e coluna j é aij, O produto de λ por A (λ
A) é a matriz m x n cujo elemento da linha i e coluna j é λ aij.
Exemplos
Exemplos
ª º ªL º
2i « » «L
¬ ¼ ¬ »¼
ªº ª º
-1 « » « »
¬¼ ¬ ¼
12 Propriedades
«» « »
¬ ¼ ¬ ¼
Álgebra Linear
Propriedades
Propriedades
Para os escalares λ1 e λ2 e a matriz A: (λ1 + λ2). A = λ1A + λ2 A;

Para λ escalar e as matrizes A1 e A2 m x n: λ (A1+ A2) = λ A1+ λ A2;
Para λλ escalar
Para escalar ee as
as matrizes
matrizes A A11 ee A
A22 m
m xx n:
n: λλ (A (A11+ +A
A22)) == λλ A
A11+
+ λλ A
A22;;
Para os escalares λ1 e λ2 e a matriz A: (λ1. λ2). A = λ1 (λ2 A);
Para os
Para os escalares
escalares λλ11 ee λλ22 ee aa matriz
matriz A: A: (λ
(λ11.. λλ22).). A
A== λλ11 (λ
(λ22 A);
A);
Para toda matriz A: Im . Amxn = Amxn e Amxn . In = Amxn.
Para toda
Para toda matriz
matriz A:A: IImm .. A
Amxn
mxn ==AAmxn e A
mxn e Amxn
mxn .. IIn =
n
=AAmxn
mxn..
1.5 Multiplicação de matrizes

1.5 Multiplicação
1.5
1.5 de Matrizes
Multiplicação
Multiplicação de matrizes
de matrizes
ª º
ª º ª º
Podemos multiplicar as matrizes «ª« »º» e «ªª
»ºº . Só que, agora, são matrizes 3x2
Podemos multiplicar as matrizes « »
»» e ««
e ¬ ¼ . Só que, agora, são matrizes 3x2
Podemos multiplicar as matrizes «
«¬ ¼ ¬ »»¼ . Só que, agora, são matrizes 3x2

«¬«¬ »»¼ ¬
¼
¼
e 2x4.
ee 2x4.
2x4.
Multiplicando (lembra como fazer?):
Multiplicando (lembra
Multiplicando (lembra como
como fazer?):
fazer?):
ʹ ͵
൥ͳʹ Ͳ
ʹ ͵ ൩ ‫ ݔ‬ቂͳ ʹ െͳ Ͳ ቃ =
͵ ͳ ͳ
ͳ ʹ െͳ
ʹ െͳ Ͳ
Ͳ
൥൥ʹ
ͳ െͳ
ͳ ‫ ݔ‬ቂቂʹ
Ͳ ൩൩ ‫ݔ‬
Ͳ
Ͳ െͳ =
െͳቃቃ =
ʹ
ʹ ͳ
ͳ Ͳ
Ͳ െͳ
ʹ െͳ
ʹ െͳ
ʹǤͳ ൅ ͵Ǥʹ ʹǤʹ ൅ ͵Ǥͳ ʹǤ ሺെͳሻ ൅ ͵ǤͲ ʹǤͲ ൅ ͵Ǥ ሺെͳሻ
ʹǤͳ ൅ ͵Ǥʹ ʹǤʹ ൅ ͵Ǥͳ ʹǤ ሺെͳሻ ൅ ͵ǤͲ
ʹǤ ሺെͳሻ ͵ǤͲ ʹǤͲ ൅ ͵Ǥ
ʹǤͲ ͵Ǥ ሺെͳሻ
቎ ͳǤͳʹǤͳ ൅ ͲǤʹ
͵Ǥʹ ʹǤʹ ൅ ͲǤͳ
ͳǤʹ ͵Ǥͳ ͳǤ ൅ ͲǤͲ ͳǤͲ ൅ ͲǤ ሺെͳሻ ቏ =
ͳǤͳ
቎቎ʹǤͳͳǤͳ
൅൅൅ ͲǤʹ ʹ ʹǤʹͳǤʹ
ͲǤʹ
ሺെͳሻǤ ͳǤʹ
൅൅൅ ͲǤͳ ͳ
ͲǤͳ
ሺെͳሻǤ ͳǤ ሺെͳሻ
ͳǤ ሺെͳሻ ൅
൅ ͲǤͲ
ͲǤͲ ͳǤͲ ൅
ͳǤͲ ൅ ͲǤ
ͲǤ ሺെͳሻ
ሺെͳሻ ቏቏ =
=
ʹǤ ሺെͳሻ ൅ ሺെͳሻǤ Ͳ ʹǤͲ ൅ ሺെͳሻǤ ሺെͳሻ
ʹǤͳ ൅ ሺെͳሻǤ ʹ ʹǤʹ ൅ ሺെͳሻǤ ͳ ʹǤ ሺെͳሻ
ʹǤͳ ൅ ሺെͳሻǤ ʹ ʹǤʹ ൅ ሺെͳሻǤ ͳ ʹǤ ሺെͳሻ ൅ ሺെͳሻǤ Ͳ ൅ ሺെͳሻǤ Ͳ ʹǤͲ ൅ ሺെͳሻǤ ሺെͳሻ
ʹǤͲ ൅ ሺെͳሻǤ ሺെͳሻ
ͺ ͹ െʹ െ͵
൥ͳͺ
ͺ ͹െʹ
͹
ʹ െʹ െ͵
െͳ െ͵
Ͳ൩
൥൥ͳ
ͳ
Ͳ ʹ
ʹ

͵ െͳ െͳ
െʹ Ͳ Ͳ ൩൩
ͳ
Ͳ
Ͳ ͵ െʹ
͵ െʹ ͳͳ
Atenção Atenção
Atenção
Atenção
A multiplicação só só
A multiplicação é possível commatrizes
é possível com matrizes do(mtipo
do tipo (n xxp)n)
x n) x(m x (n
= (m x p),x ou
p)seja,
= (m x p), ou
o número seja, odanúmero
de colunas primeira de
A multiplicação
A multiplicação só é possível
só é possível com matrizes do tipo (m x n) x (n x p) = (m x p), ou
matrizes do tipo (m x n) x (n x p) = (m x p), ou seja, o número deseja, o número de
é igual ao número de linhas dacom
segunda.
colunas da primeira é igual ao número de linhas da segunda.
colunas da
colunas da primeira
primeira éé igual
igual aoao número
número de de linhas
linhas dada segunda.
segunda.
Definição
Definição
Definição
Q
Se Amxn = (aij) e Bnxp = (bij), A x B é a matriz m x p, cujo elemento genérico é cij =

Se A
Amxn = (a
(aijij)) ee B
Bnxp = (b
(bijij),), A
A xx B
B éé aa matriz
matriz m
m xx p,
p, cujo
cujo elemento
elemento genérico
genérico éé ccijij ==
¦QQ
D E
¦ DD EE LU UM
LU UM
UM
Se mxn = nxp = U LU
UU
Propriedades da multiplicação de matrizes

Propriedades da
Propriedades da multiplicação
multiplicação de
de matrizes
matrizes
Associativa: A x (B x C) = (A x B) x C. Exemplo:
Associativa: A
Associativa: A xx (B
(B xx C)C) =
= (A (A xx B)
B) xx C.
C. Exemplo:
Exemplo:
ª º
ª º «ªª »º ª º
«ªª »ºº [ « º» [ «ªª
»ºº
¬«« ¼»» [[ ««
» [ ¬ ¼» 13

¬¬ ¼ «¬ Unisa
»¼» [ ««¬|
»
Educação a Distância | www.unisa.br
¼ ««¬ »»¼ ¬ ¼¼
Se Amxn = (aij) e Bnxp = (bij), A x B é a matriz m x p, cujo elemento genérico é cij = ¦
U
LU UM
Propriedades da multiplicação de matrizes

Propriedades da Multiplicação de Matrizes
Associativa: A x (B x C) = (A x B) x C. Exemplo:
ª º
ª º « ª º
« [ »» [ « »
¬ »¼ « ¬ ¼
«¬ »¼
Distributividade
Distributividade em
em relação
relação à
à adição:
adição:
x à direita: A x (B + C) = (A x B) + (A x C). Exemplo:
§ ·
>> @@[[ §¨¨ ªª« ºº» ªª« ºº» ·¸¸
¨© «¬ »¼ ¬« »¼ ¸¹
© ¬ ¼ ¬ ¼ ¹
x à esquerda: (A + B) x C = (A x C) + (B x C);
x à esquerda: (A + B) x C = (A x C) + (B x C);
Elemento neutro: Amxn x In = Amxn x Im. Exemplos:
Elemento neutro: Amxn x In = Amxn x Im. Exemplos:
ª º
ª º «ª »º ª º
«ª » [ « »» «ª¬
¬ º¼ [ «« »º¼
»
« » ¬« ¼» « »
¬ ¼ « » ¬ ¼
ª º ª ¬ º ¼ ª º
« [
ª¬ »º¼ «ª¬ »º¼
«
ª¬ »º¼
« » [ « » « »
¬ ¼ ¬ ¼ ¬ ¼
SaibaSaiba
mais mais
Se A
SeeAmais
B
e Bsão
são matrizes quadradas
matrizes quadradas de ordem
de ordem m (Am, Bm A me,BBpertencem
) e(A m) e A e Baopertencem ao conjunto
conjunto de matrizes M (Am ÎMde; Bmatrizes
Î Mm), M
Saiba m m m
(Amdizemos
Mm; Bque A x B Î Mm.
m Mm), dizemos que A x B Mm.
Se A e B são matrizes quadradas de ordem m (Am, Bm) e A e B pertencem ao conjunto de matrizes M
(Am Mm; Bm Mm), dizemos que A x B Mm.
1.6 Matrizes inversíveis
1.6 Matrizes Inversíveis

1.6 os produtos
Observe Matrizesainversíveis
seguir e identifique as matrizes resultantes:
Observe
ª osº produtos
ª a seguir
º ª e identifique
º as matrizes resultantes:
«
« »» [ «« »» «
« »»
«¬ »¼ «¬ »¼ «¬ »¼
ª º ª º ª º
«
« »» [ «« »» «« »»
ª º ª º ª º
«¬ « »¼» [ «¬« » »¼ « «¬ » »¼
¬ ¼ ¬ ¼ ¬ ¼
ª º osª casos,
Em ambos º a multiplicação
ª º resultou em matrizes identidades. Isso quer dizer que
[ « » « » « »
¬ ¼ ¬ de¼matrizes
fizemos a multiplicação ¬ ¼inversas.
Usando a multiplicação de matrizes com esse tipo de resultado, definimos as matrizes inversas.
14 Em ambos os casos, a multiplicação resultou em matrizes identidades. Isso quer dizer que
fizemos a multiplicação de matrizes inversas.
« » [ « »¼ « »
¬ ¼ ¬ ¬ ¼
Álgebra Linear
Em ambos os casos, a multiplicação resultou em matrizes identidades. Isso quer dizer que
fizemos a multiplicação de matrizes inversas.
Usando a multiplicação de matrizes com esse tipo de resultado, definimos as matrizes inversas.
Definição
Definição
Definição
Uma matriz quadrada de ordem n (A n) é inversível se existe A-1, também de ordem n, tal que A-1 x
A = In = A x matriz
Uma A-1; quadrada de ordem n (A ) é inversível se existe A-1, também de ordem n, tal que A-1 x
n
Observações
A = I = A x A-1;
n
Observações
Observações
Se A é uma matriz inversível:
x Aaéinversa
Se de A inversível:
uma matriz é única;
xx aa inversa
inversa de
de A
A também
é única; é inversível: (A ) = A;
-1 -1
xSe Aaeinversa
B são matrizes inversíveis, então (A -1 é inversível e (A x B) = B x A .
(Ax-1)B)
-1 -1 -1
de A também é inversível: = A;
Essa
Se A propriedade teminversíveis,
e B são matrizes uma demonstração
então (A xinteressante; verifique:
B) é inversível e (A x B)-1 = B-1 x A-1.
(A x B)
Essa x (A x B)-1 =tem
propriedade I = (A x B)demonstração
uma
-1
x (A x B) interessante; verifique:
(B xxB)Ax)(A
(A
-1 -1
x (A x -1B)==I =
x B) (A(A
x B) x -1(Bx (A
x B)
-1
x Ax B)
-1
)
B-1-1xx(A
(B A-1x) xA)(Ax xBB)
-1
==A (A
x (Bx xB)Bx-1)(Bx-1Ax-1A-1)
B
B-1 xx (A
-1
I x-1Bx =A)AxxBI =
xA -1
A x (B x B-1) x A-1
I=
B-1 I, em que I é a matriz
x I x B = A x I x A-1 identidade;
I = I, em que I é a matriz identidade;

Exemplo
Exemplo
Exemplo
Considere a matriz A e sua inversa A-1:
Considere ª º ªA e sua º inversa

ª ºA-1:
A x A-1 = « a matriz
» [« » « »
¬ ¼ ¬ ¼ ¬ ¼
ª º ª º ª º
A x A-1 = « [
»¼ «¬ inversas
E também¬as matrizes »¼ «¬B e»¼B :
-1
E também as matrizes ª º -1 B eªB-1: º

B = « inversas
» B = « »
¬ ¼ ¬ ¼
ª º -1 ª º
B= « B =
ª º ¬ -1»¼ ª «¬º »¼
AxB= « » (AB) = « » AB . (AB)-1= I
¬ ¼ ¬ ¼
ª º ª º
AxB= « » (AB) = «
-1
» AB . (AB)-1= I
¬ ¼ ¬ ¼
15
1.7 Sistemas de Equações Lineares

1.7 Sistemas de Equações Lineares
[ \ ]
°
® [ ]
° \ ]
¯
Este é um exemplo bem conhecido de sistemas de equações lineares. Podemos formar uma
matriz com os coeficientes de suas variáveis x, y e z, outra com as variáveis x, y e z, e uma terceira com
os termos independentes, neste exemplo, 0, 2 e 7.
ª º ª [ º ª º
Essas 3 matrizes formam a equação: « » [ « \ » « »
« » « » « »
«¬ »¼ «¬ ] »¼ «¬ »¼
equações Lineares
Sistema de Equações lineares na forma
Formade
de um
um produto
Produto de matrizes
Matrizes
D [ D [ DQ [ Q E

° D [ D [ D [ E
° Q Q
Um sistema de equações representado em sua forma geral ® está
°
°¯D P [ D P [ D PQ [ Q EP
ª D D DQ º ª [ º ª E º

«D D D Q »» «« [ »» «E »
associado ao produto de matrizes «

[ « »
« » « » « »
« » « » « »
¬D P D P D PQ ¼ ¬[ Q ¼ ¬E P ¼
Exemplo
[ ]
Escreva em forma de multiplicação de matrizes: ®
¯\ ]

ʹ Ͳ െͷ
A matriz dos coeficientes é ቂ ቃ, a das variáveis, ቈ቉, e a dos termos independentes,
Ͳ ͳ ͳ
‫ݔ‬
ͳ ʹ Ͳ െͷ ͳ
ቂ ቃ. Logo, o produto é descrito como: ቂ ቃ x ቈ‫ݕ‬቉ = ቂ ቃ.
͹ Ͳ ͳ ͳ ‫ݖ‬ ͹
16
Álgebra Linear
Matriz
Matriz aumentada
Aumentada (completa)
(Completa)
Podemos representar uma única matriz (a matriz dos coeficientes), seguida dos termos
independentes.
[ ] ʹ Ͳ െͷͳ
Para o sistema ® , temos a matriz completa ቂ ቃ.
¯\ ] Ͳ ͳ ͳ ͹
Sistemas e matrizes escalonados

Matrizes Escalonados
[ \ ]
°
Observando o sistema ® \ ] , encontramos, na 1ª equação, as 3 variáveis x, y e z;
° ]
¯
na 2ª equação, y e z; e, na 3ª, apenas z.
Com muita facilidade, você determina o valor de z na 3ª equação, substitui na 2ª e encontra o
valor de y; substituindo y e z na 1ª, encontra o valor de x. Fácil, não?
Vamos escrever esse sistema como produto de matrizes:
͵ െͳ Ͷ ‫ݔ‬ ʹ
൥Ͳ ʹ ͵൩ x ቈ‫ݕ‬቉ = ൥͹൩
Ͳ Ͳ ͷ ‫ݖ‬ Ͳ
O número de zeros aumenta gradativamente nas linhas da matriz dos coeficientes
͵ െͳ Ͷ
൥Ͳ ʹ ͵൩, o que corresponde ao nosso sistema escrito, com todas as variáveis:
Ͳ Ͳ ͷ
[ \ ]
°
® [ \ ]
° [ \ ]
¯
Se usarmos a matriz completa do sistema

͵ െͳ Ͷ ʹ
൥Ͳ ʹ ͵͹൩ , veremos a 1ª resposta (o valor de z) na própria matriz.
Ͳ Ͳ ͷ Ͳ
ª º
« »
Outro exemplo de matriz escalonada: « »
«¬ »¼
17
1.8 Operações Elementares de uma Matriz (Sistema)

1.8 Operações elementares de uma matriz (sistema)
Operações elementares aplicadas a uma matriz não alteram as raízes do sistema de equações.
Verifique as operações que chamamos elementares:
1. multiplicar todos os elementos de uma linha por um número diferente de zero:
ª º ª º
Exemplo 1: 2ª linha multiplicada por 3: « » « »
¬ ¼ ¬ ¼
ª L L º ª º
« L
Exemplo 2: 1ª linha multiplicada por i:
¬ »¼ « L
¬ »¼
2. somar duas linhas:
ª L L º ª L L º
« L
Exemplo: 1ª linha + 2ª linha, colocando na 2ª linha:
¬ »¼ « L
¬ L »¼
3. trocar duas linhas de posição:
ª º ª º
« » « »
Exemplo: trocar de posição a 1ª e 3ª linha: « » « »
«¬ »¼ «¬ »¼
4. somar a uma das linhas outra linha multiplicada por k:
ª º
Exemplo: « » ֜ 1ª linha multiplicada por (-1) + 2ª linha, no lugar da 2ª ֜
¬ ¼
ª º
« »
¬ ¼
Atenção Atenção
As operações elementares
As operações elementaressão
sãousadas para
usadas para o escalonamento
o escalonamento de matrizes.
de matrizes.
18
Álgebra Linear
1.9 Resumo do Capítulo

1.9 Resumo do capítulo
Caro(a) aluno(a),
Neste capítulo, você viu:
a. que em qualquer forma de matriz, aqui representada em sua forma genérica m x n
‫ۓ‬ D [ D [ DQ [Q E

ۖ
ۖ
D [ D [ D Q [Q E , associamos a matriz principal m x n
‫ ۔‬
ۖ
ۖ
D [ D P [
‫ ە‬P
DPQ [Q EP
ª D D DQ º ª D D DQ E º

e a matriz completa de forma m x «D
«D D D »
« D D Q E »»
« Q » (n+1)
« » « »
« » « »
¬DP DP DP DPQ ¼ ¬DP DP DP DPQ EP ¼
Esse sistema pode ser escrito como o produto das matrizes:
ª D D DQ º ª [ º ª E º

«D D Q »» «« [ »» «E »
« D [ « »
« » « » « »
« » « » « »
¬D P D P D PQ ¼ ¬[ Q ¼ ¬E P ¼
b. a forma geral de alguns tipos de matrizes, até bem conhecidos, como:
Matriz Quadrada: na qual o número de linhas é igual ao número de colunas;

ͳ Ͳ ǥ Ͳ
Matriz Identidade: na forma An = ቎
Ͳ ͳ ǥ Ͳ ቏ ;
ǥ ǥ ǥ ǥ
Ͳ Ͳǥ ͳ
Ͳ ‫Ͳ ڮ‬
Matriz Nula: 0mxn =൥ ‫ ڭ ڰ ڭ‬൩ ;
Ͳ ‫Ͳ ڮ‬
c. que só podemos somar matrizes do mesmo tipo m x n e, fazendo isso, encontramos ainda
uma matriz m x n;
d. que a adição de matrizes tem as propriedades:
19
c. que só podemos somar matrizes do mesmo tipo m x n e, fazendo isso, encontramos ainda
uma matriz m x n;
d. que a adição de matrizes tem as propriedades:
associatividade: (A + B) + C = A + (B + C);
associatividade:
comutativa: A + B(A=+BB)+ +A;C = A + (B + C);
comutativa: A + B 0= B ++A;
elemento neutro: A = A = A + 0mxn;
mxn
elemento neutro: 0mxn

elemento simétrico: +A
(-A) +=AA= =0 A += 0Amxn
+ ;(-A);
mxn
elemento simétrico: (-A) + A = 0mxn = A + (-A);
e. que a multiplicação de uma matriz m x n por um número real é igual a uma matriz de forma
e. que
m a multiplicação
x n, de uma matriz m x n por um número real é igual a uma matriz de forma
com as propriedades:
m
x n, com
para osas propriedades:
escalares λ1 e λ2 e a matriz A: (λ1 + λ2). A = λ1A + λ2 A;
para
para λosescalar
escalares
e asλmatrizes
1 e λ2 e a matriz A: (λ1 + λ2). A = λ1A + λ2 A;
A1 e A2 m x n: λ (A1+ A2) = λ A1+ λ A2;
para λosescalar
para e asλmatrizes
escalares A1 e A2 A:
e λ e a matriz m (λ
x n:. λλ ).(AA1+=Aλ2)(λ= λA);
A1+ λ A2;
1 2 1 2 1 2
para os escalares
para toda λ1 Ie λ. A
matriz A: 2 e a matriz A: (λ1. λ2). A = λ1 (λ2 A);
m mxn = Amxn e Amxn . In = Amxn;
f. para
que uma toda matriz
matriz A: Im . de
quadrada Amxnordem
= Amxnne(A
Amxn
) é.inversível
In = Amxn; se existe A-1, também de ordem n, tal
n
f. que
que:uma
A-1 x matriz
A = In =quadrada
A x A-1. Se de
A éordem n (An)inversível:
uma matriz é inversível se existe A-1, também de ordem n, tal
que:aAinversa
x A = Ide
n = A x A . Se A é uma matriz inversível:
-1 -1
A é única;
aa inversa
inversa de
de A
Aé única; é inversível: (A-1)-1 = A;
também
Se Aaeinversa de A também
B são matrizes é inversível:
inversíveis, então (A(Ax-1)B)
-1
=é A;
inversível: (A x B) -1 = B-1 x A-1;
g. Se
queA as
e Boperações
são matrizes inversíveis,aplicadas
elementares então (A xa B)
umaé inversível:
matriz não(A alteram
x B) -1 = Bas
-1
xraízes
A-1; do sistema de
g. que as operações
equações. São elas:elementares aplicadas a uma matriz não alteram as raízes do sistema de
equações. São elas:
multiplicar todos os elementos de uma linha por um número diferente de zero;
multiplicar
somar duastodos
linhasos elementosuma
e substituir de uma
delaslinha por um
por essa número diferente de zero;
soma;
somar duas
trocar duas linhas
linhas de
e substituir
posição; uma delas por essa soma;
trocar
somar duas
a umalinhas de posição;
das linhas outra linha multiplicada por k.
somar a uma das linhas outra linha multiplicada por k.
1.10 Atividades propostas

1.10 Atividade Propostas
1. Resolva o sistema, escalonando a matriz completa:

1. Resolva o sistema, escalonando a matriz completa:
[ \ ]
°[ \ ]

® \ ]
°
°
¯[[ \\ ]]
®
°[ \ ]
¯
VH L M
2. Forme a matriz quadrada A, de ordem 3, em que aij = ® .

¯L M VH Lz M
2. Forme a matriz quadrada A, de ordem 3, em que aij = ® .
¯L M VH L z M
20
2 ESPAÇOS VETORIAIS
2 ESPAÇOS VETORIAIS
Caro(a) aluno(a),
Caro(a) aluno(a),
Você encontrará, neste capítulo, o tema central de todas as versões de um curso de Álgebra Linear.
Você encontrará, neste capítulo, o tema central de todas as versões de um curso de Álgebra
Estudar Álgebra Linear é, antes de tudo, estudar Espaços Vetoriais.
Linear. Estudar Álgebra Linear é, antes de tudo, estudar Espaços Vetoriais.
Certamente, você já conhece todos os exemplos clássicos de Espaços Vetoriais, mesmo que não os
Certamente, você já conhece todos os exemplos clássicos de Espaços Vetoriais, mesmo que não
tenha identificado como tal, e agora poderá até se surpreender por terem as mesmas propriedades em
os tenha identificado como tal, e agora poderá até se surpreender por terem as mesmas propriedades
determinadas operações.
em determinadas operações.
Conjuntos de matrizes de funções específicas, como as matrizes polinomiais, e os produtos carte-
Conjuntos de matrizes de funções específicas, como as matrizes polinomiais, e os produtos
sianos do conjunto dos reais (os ℜn) para qualquer n maior ou igual a 1 (n ≥ 1) são os mais conhecidos
cartesianos
exemplos dedo conjunto
Espaços dos reais
Vetoriais, quando ъn) paraasqualquer
(os usamos operaçõesn de
maior oude
adição igual
seusaelementos
1 ≥(n1) sãoeos mais
multiplica-
conhecidos
ção exemplos
por um número real de Espaços
(pode Vetoriais,
ser também usadoquando usamos
o conjunto as operações de adição de seus
dos complexos).
elementos e multiplicação por um número real (pode ser também usado o conjunto dos complexos).
2.12.1
Exemplos
ExemplosClássicos deEspaços
clássicos de Espaços Vetoriais
Vetoriais
Verifique os exemplos a seguir. Vamos descrever os conjuntos e as operações de adição,

representada por (+), e multiplicação por um número real (ou complexo), que chamaremos escalar,
representada por (αx).
Conjunto de Matrizes
matrizes Mmxn
mxn
Lembre que Mmxn é o conjunto das matrizes com m linhas e n colunas. Vamos definir, nesse
conjunto, as operações de:
Adição (+)
Dadas as matrizes A e B (m x n), A = (aij) e B = (bij), a adição dessas matrizes (A + B) é a matriz

formada pelos termos aij + bij, ou seja, A + B = (aij + bij)mxn.
Exemplo: vamos usar as matrizes A ‫ א‬M3x2 e B ‫ א‬M3x2.
21
ʹ ͳ Ͳ െʹ ʹ െͳ
Dadas as matrizes A e B (m x n), A = (aij) e B = (bij), a adição dessas matrizes (A + B) é a matriz
formada pelos termos aij + bij, ou seja, A + B = (aij + bij)mxn.
Exemplo: vamos usar as matrizes A ‫ א‬M3x2 e B ‫ א‬M3x2.
ʹ ͳ Ͳ െʹ ʹ െͳ
A = ൥Ͳ െʹ൩ e B = ൥͵ െͳ൩, então A + B = ൥͵ െ͵൩.
Ͷ ͳ Ͳ ʹ Ͷ ͵
Multiplicação de matriz por escalar (αx)
Usamos o símboloα( x) para diferenciar a operação do produto de matrizes; aqui, estamos

multiplicando a matriz por um escalar.
Uma matriz Amxn, cujo elemento da linha i e coluna j é aij, multiplicada por α (αA) tem como
resultado a matriz m x n cujo elemento da linha i e coluna j é αaij.
ʹ ͳ ʹ ͳ Ͷ ʹ
Exemplo: usando a matriz A = ൥Ͳ െʹ൩, temos que: 2 x A = 2 x ൥Ͳ െʹ൩ = ൥Ͳ െͶ൩.
Ͷ ͳ Ͷ ͳ ͺ ʹ
Conjunto de
de Vetores
vetores
O conjunto de vetores é, certamente, bem conhecido por você, em muitas disciplinas.

Vetor é um ente matemático, uma grandeza caracterizada por módulo (comprimento), direção e
sentido. É ele quem empresta seu nome para to dos os demais conjuntos aqui, por isso o nome espaço
vetorial.
Representaremos por V um conjunto de vetores qualquer.
Representação de vetores
Vamos representar os vetores por letras minúsculas. Alguns autores usam uma seta para a direita
sobre as letras, para indicar que é um vetor. Assim, o vetor u aparece como ࢛
ሬԦ .
De uma forma geral, você encontrará a notação u (u V), que significa um vetor u elemento do
conjunto de vetores V.
Os vetores, no Թ2,são representados por um par ordenado, determinado por esse vetor aplicado
à origem dos eixos, ou seja, u = (x1, x2) e v = (y1, y2), u, v Թ2.
No plano, podemos aplicar o vetor u em diferentes posições. Veja a figura:
22 X
X
Os vetores, no Թ2,são representados por um par ordenado, determinado por esse vetor aplicado
Álgebra Linear
à origem dos eixos, ou seja, u = (x1, x2) e v = (y1, y2), u, v Թ2.
No plano, podemos aplicar o vetor u em diferentes posições. Veja a figura:
X
X
X
X
No Թ3, os vetores são representados por três coordenadas: u = (x1, x2, x3) e v = (y1, y2, y3), u, v Թ3.
Generalizando, representaremos os vetores no Թn por: u = (x1, x2, ... , xn) e v = (y1, y2, ... , yn), u, v Թn
Não podemos esquecer que os vetores também são representados em ъ, com uma única
coordenada. Assim, u = (x) e v = (y).
Adição de vetores (+)
Use o ъ2 para rever esse conceito.
Para u e v Թ2, tal que u = (x1, x2) e v = (y1, y2), a soma u + v é definida como:
u + v = (x1, x2) + (y1, y2) = (x1 + y1, x2 + y2).
Multiplicação por escalar [em ъ ou Ю ] (αu)
Se D é um número real e u = (x1, x2), então a multiplicação de um número real D por u Ӈ ъ2 é
definida como: D . u = D . (x1, x2) = (D.x1, D.x2).
Conjunto polinômios de Grau

Conjunto dos Polinômios grau n
Polinômios também formam conjuntos que satisfazem à condição de Espaços Vetoriais. É

importante notar aqui que, em qualquer desses conjuntos, temos polinômios de diversos graus.
Pn(Թ) = {p P(Թ) : p = anxn + an-1xn-1 + ... + a1x + a0, n Գ}
Pn(Թ) = {p P(Թ) : p é um polinômio e grau p d n, n Գ}
Conjunto das
Conjunto das Funções
funções em
em um
um Intervalo
intervalo Real
real II
Seja o intervalo real não vazio I [I ≠ I] Թǡ F(I) é o conjunto de todas as funções f: I o Թǡ com as
seguintes operações definidas:
23
adição (+): f, g ѝ (I), (f + g) (x) = f(x) + g(x);
seguintes operações definidas:
adição (+): f, g ѝ (I), (f + g) (x) = f(x) + g(x);
multiplicação por escalar [em ъ ou Ю] (αf): f F(I), (αf) (x) = αf (x).
2.2 Espaços Vetoriais - Definição

2.2 Espaços Vetoriais – Definição
Um conjunto V não vazio (V z ) é um espaço vetorial sobre Թ (ou ԧ), para quaisquer u, v V e D,
E Թǡ se, e somente se, existir a operação de adição em V, definida como:
(+) V x V o V
(u, v) o u + v
Com as seguintes propriedades:
A1) comutatividade da adição de vetores: u + v = v + u, u, v V;

A2) associatividade da adição de vetores: u + (v + w) = (u + v) + w, u, v, w V;
A3) elemento neutro: existe, em V, um elemento chamado vetor zero ou vetor nulo, representado
por 0V, tal que: u + 0V = 0V + u = u, u V;
A4) simetrizável (simétrico de cada elemento u indicado por -u): u V, (-u) V ~ u + (-u) = 0.
Existe uma multiplicação de Թ x V em V que associa, a cada par (D, u) de Թ x V, um único

elemento Du de V. Assim,
(x) Թ x V o V
(D, u) o Du
Nessa operação, valem as propriedades:
M1) D(Eu) = (DE)u (associatividade dos escalares);

M2) (D + E)u = Du + Eu (distributividade do produto de um vetor pela soma de escalares);
M3) D(u + v) = Du + Dv (distributividade do produto de um escalar pela soma de vetores);
M4) 1 . u = u.
Atenção
(V + αx) é a representação simbólica de um espaço vetorial V com as operações de adição e
multiplicação pelo escalar α.
24
Álgebra Linear
Atenção
(V + αx) é a representação simbólica de um espaço vetorial V com as operações de adição e multiplicação pelo
escalar α.
2.3 Exemplos de Espaços Vetoriais
Espaço Vetorial ℜ4
O ℜ4 compreende elementos como (0, 1, 2, 1), (-3, 0, 1, 7) e uma infinidade de outros quádruplos
ordenados, cuja representação generalizamos por (x1, x2, x3, x4).
A adição é da forma: (x1, x2, x3, x4) + (y1, y2, y3, y4) = (x1 + y1, x2 + y2, x3 + y3, x4 + y4).
Vamos verificar as 4 operações da adição:
A1) observe que temos como resultado um quádruplo formado pela soma de dois números reais
qualquer que seja a coordenada 1, 2, 3 ou 4, xi + yi = yi + xi, já que a adição de reais é comutativa.
Então:
(x1 + y1, x2 + y2, x3 + y3, x4 + y4) = (y1 + x1, y2 + x2, y3 + x3, y4 + x4)
e (y1, y2, y3, y4) + (x1, x2, x3, x4) = (x1, x2, x3, x4) + (y1, y2, y3, y4);
A2) a associatividade da adição de elementos do ℜ4 também é verificada a partir da associativida-
de dos reais que compõem suas coordenadas. Fazendo u = (x1, x2, x3, x4), v = (y1, y2, y3, y4) e w =
(z1, z2, z3, z4), temos: u + (v + w) = (u + v) + w, ∀ u, v, w ∈V;
A3) o elemento neutro da adição em ℜ4 é (0, 0, 0, 0) = 0. Verifique que: (x1, x2, x3, x4) + (0, 0, 0, 0) =
(0, 0, 0, 0) + (x1, x2, x3, x4) = (x1, x2, x3, x4);
A4) a adição em ℜ4 é simetrizável. Para qualquer elemento u = (x1, x2, x3, x4), encontramos um
elemento - u = (-x1, -x2, -x3, -x4), tal que: u + (-u) = 0 = (-u) + u.
Na multiplicação por um escalar (αx), temos, para u = (x1, x2, x3, x4), αu = α (x1, x2, x3, x4) = (αx1,
αx2, αx3, αx4).
Observe que essa operação é, simplesmente, uma multiplicação de reais em cada ordenada, logo,
satisfazendo as propriedades da multiplicação por escalar.
25
logo, satisfazendo as propriedades da multiplicação por escalar.
M1) D(Eu) = (DE) u ou α [β (x 1, x2, x3, x4)] = α (β x1, β x2, β x3, β x4) = (αβ x1, αβ x2, αβ x3, αβ x4) = αβ
(x1, x2, x3, x4) = (αβ) u.
As demais propriedades também são consequências das propriedades dos números reais que
compõem as coordenadas dos vetores de ъ4. Assim, podemos afirmar que vale para a multiplicação
por um escalar:
M2) (D + E) u = Du + Eu;
M2)
M3) (D ++
D (u E)v)u = Du + Dv;
Eu;
M3)
M4) 1 D .(u
u+ u. = Du + Dv;
= v)
M2) (D + E) u = Du + Eu;
M4) 1 . u = u.
M3) D (u + v) = Du + Dv;
Saiba mais
Saiba mais
M4) 1 . u = u.
Todas
Saiba asaspropriedades
mais
Todas propriedades da da adição
adição e da multiplicação
e da multiplicação por escalar por
em ℜescalar
4 em ъ4 serão
serão verdadeiras verdadeiras
para essas operações para
em ℜ, essas
em. ъ, ъ2, ъ3,da
ℜ , ℜ , ..., ℜ ъn.
2 3 n
operações
Todas as propriedades ..., adição e da multiplicação por escalar em ъ4 serão verdadeiras para essas
Saiba maisem ъ, ъ2, ъ3, ..., ъn.
operações
Todas
EspaçoasVetorial
propriedades da adiçãodee matrizes
da multiplicação mxn) escalar em ъ serão verdadeiras para essas
m x n (Mpor
4
dos conjuntos
operações em ъ, dos
Espaço Vetorial ъ2, ъ 3
, ..., ъn. de matrizes m x n (Mmxn)
conjuntos
Conjuntosde
Espaço Vetorial dos conjuntos dematrizes
Matrizesm mxxnn(M
(Mmxn
mxn
))
Também
Espaço Vetorialrepresentado
dos conjuntos de M
por mxn(ъ), para especificar que os elementos das matrizes são
matrizes m x n (Mmxn)
númerosTambém representado por Mmxn(ъ), para especificar que os elementos das matrizes são
reais. representado
Também por Mmxn(ℜ), para especificar que os elementos das matrizes são números
números
reais. reais. no capítulo 1, a adição e a multiplicação por escalar em Mmxn e suas propriedades.
Verifique,
Também representado por Mmxn(ъ), para especificar que os elementos das matrizes são
Verifique,
Mmxn com no as capítulo 1, a(+)
operações adição e a émultiplicação
e (αx) um espaço por escalar
vetorial. Jáem Mmxn e suas
imaginou propriedades.
o elemento neutro da
números reais.
adição?Mmxn com as operações (+) e (αx) é um espaço vetorial. Já imaginou o elemento neutro da
Verifique, no capítulo 1, a adição e a multiplicação por escalar em Mmxn e suas propriedades.
adição? Ͳ ‫Ͳ ڮ‬
MmxnMcom
Em mxn , oas operações
elemento (+)
neutro eé (αx)
൥ ‫ ڭ‬é‫ ڰ‬um‫ ڭ‬൩,espaço
em quevetorial. Já imaginou
os pontilhados o elementoaneutro
(...) representam da
repetição
Ͳ ‫Ͳ ڮ‬
adição? Ͳ ‫Ͳ ڮ‬
Em Mmxn, o elemento neutro é ൥ ‫ ڭ ڰ ڭ‬൩, em que os pontilhados (...) representam a repetição
do zero. Ͳ ‫ڮ‬
Ͳ ‫Ͳ ڮ‬ Ͳ
Em Mmxn, o elemento neutro é ൥ ‫ ڭ ڰ ڭ‬൩, em que os pontilhados (...) representam a repetição
do zero.
Ͳ ‫Ͳ ڮ‬
2.4 Subespaços vetoriais
do zero.
2.4 Subespaços vetoriais
2.4 Subespaços
Quando Vetoriais
você pensa em um subconjunto, tem nítido o conceito de que é um conjunto que é
parte Quando
de outro você
2.4 Subespaços pensaEssa
conjunto.
vetoriais emlógica
um subconjunto,
não muda notem nítidode
conceito o Espaços
conceitoVetoriais:
de que éseum conjuntoem
pensarmos que
umé
parte de outro
subespaço conjunto.
vetorial, Essa lógica
estamos não muda
pensando no conceito
em algum espaçodevetorial
Espaçosque
Vetoriais:
é partese pensarmos em um
de outro, com as
Quando você pensa em um subconjunto, tem nítido o conceito de que é um conjunto que é
subespaço
mesmas vetorial, estamos pensando em algum espaço vetorial que é parte de outro, com as
operações.
parte de outro conjunto. Essa lógica não muda no conceito de Espaços Vetoriais: se pensarmos em um
mesmas operações.
subespaço vetorial, estamos pensando em algum espaço vetorial que é parte de outro, com as
Atenção
mesmas operações.
Atenção
Todo subespaço vetorial é um espaço vetorial.
Atenção
26Todo Se lhe ocorreu a pergunta: “todo subconjunto de um espaço vetorial, com as mesmas operações,
subespaço vetorial é um espaço
Unisavetorial.
| Educação a Distância | www.unisa.br
é um Se lhe ocorreu
subespaço a pergunta:
vetorial “todo subconjunto
do primeiro”, de um
leia atentamente espaço vetorial,
a definição com as mesmas
de subespaço vetorial eoperações,
responda
mesmas operações. Álgebra Linear
Atenção Atenção
Se lhe ocorreu a pergunta: “todo subconjunto de um espaço vetorial, com as mesmas operações,
é um subespaço vetorial do primeiro”, leia atentamente a definição de subespaço vetorial e responda
você mesmo.
Definição
Definição
Um subconjunto W contido em um espaço vetorial V, com as mesmas operações (+) e (αx) de V,
é um subespaço vetorial de V quando:
Um subconjunto W contido em um espaço vetorial V, com as mesmas operações (+) e (αx) de V,
é um subespaço vetorial de V quando:
o elemento neutro da adição pertence a W também;
somarmos dois elementos de W e encontrarmos um elemento de W;
o elemento neutro da adição pertence a W também;
todos os elementos de W multiplicados por um escalar resultarem em um elemento de W.
somarmos dois elementos de W e encontrarmos um elemento de W;
todos os elementos de W multiplicados por um escalar resultarem em um elemento de W.
Usando uma linguagem simbólica característica, temos: seja o espaço vetorial (V, +, αx) e W Է V, W
é um subespaço vetorial de V se:
Usando uma linguagem simbólica característica, temos: seja o espaço vetorial (V, +, αx) e W Է V, W
é um subespaço vetorial de V se:
0V W;
u, v W, u + v W;
0V W;
D Թ e u W, Du W.
u, v W, u + v W;
DAtenção
Թ e u W, Du W.
Atenção
Notação de subespaço vetorial: .
VH
Atenção
Se W éNotação de subespaço
subespaço vetorialvetorial: ⊂.
de V, então: W V.
Notação de subespaço vetorial: se . VH
VH
Se W é subespaço vetorial de V, então: W ⊂ V.
Se W é subespaço vetorial de V, então: W se V.
VH
Observações
Observações
V é um subespaço de si próprio;
o conjunto formado pelo vetor nulo {0} também é um subespaço vetorial de V.
V é um subespaço de si próprio;
Exemplo
Exemplo
Considere o espaço vetorial ъ2 associado a um plano geométrico. Encontramos inúmeras retas
27
Unisa | Educação a Distância | www.unisa.br2
que compreendem a origem e formam um subespaço vetorial de ъ . Como vimos na definição, o zero
Exemplo
que compreendem a origem e formam um subespaço vetorial de ъ2. Como vimos na definição, o zero
(0) deve pertencer ao subespaço; representando essas retas nos eixos cartesianos, verificamos que
compreendem a origem desses eixos.
Adição de Subespaços
Adição
Atéde Subespaços
aqui, falamos na possibilidade de somar os elementos de um mesmo conjunto. Somamos
dois ou mais elementos de um conjunto W e, como W é um subespaço vetorial, o resultado é um
Até aqui,
elemento de W.falamos na possibilidade de somar os elementos de um mesmo conjunto. Somamos
dois ou maispense
Agora, elementos de umtodos
em somar conjunto W e, como
os elementos deWum
é um subespaço
conjunto vetorial,
W com o resultado
os elementos é um
de outro
elemento deSe
conjunto U. W.U e W são subespaços vetoriais de um espaço vetorial V, por exemplo, a soma desses
Agora, pense em somar todos os elementos de um conjunto W com os elementos de outro
subespaços U e W é um subespaço vetorial de V. Veja a definição.
conjunto U. Se U e W são subespaços vetoriais de um espaço vetorial V, por exemplo, a soma desses
subespaços U e W é um subespaço vetorial de V. Veja a definição.
Definição
Definição
Dados os subespaços vetoriais U e W de V, indicamos por U + W e chamamos soma de U com W
o seguinte
Dadossubconjunto de V:
os subespaços U + W =U{u
vetoriais eW+ wdeŇV,
u U e w W}.
indicamos por U + W e chamamos soma de U com W
o seguinte subconjunto de V: U + W = {u + w Ň u U e w W}.
Saiba mais
Saiba mais
U +UW+ W
é subespaço vetorial
é subespaço vetorial de de
V. V.
Saiba mais
U + W é subespaço vetorial de V.
Exemplo
Exemplo
Se U e V são dois subespaços vetoriais de ъ2 associados a um plano geométrico, encontramos

Se U e V são dois subespaços vetoriais de ъ2 associados a um plano geométrico, encontramos
inúmeras retas que compreendem a origem e formam um subespaço vetorial de ъ2. Somando todos
inúmeras retas que compreendem a origem e formam um subespaço vetorial de ъ2. Somando todos
os pontos (vetores) de duas dessas retas, encontramos todo o plano.
os pontos (vetores) de duas dessas retas, encontramos todo o plano.
Propriedades
Propriedades
Usando
Usando os
os subespaços
subespaços vetoriais
vetoriais {0},
{0}, U
UeeW
W do
do espaço
espaço vetorial
vetorial V,
V, temos
temos propriedades
propriedades simples
simples e
e
importantes:
importantes:
28
Unisa
se os subespaços vetoriais são| Educação a Distância
iguais, a soma é igual| www.unisa.br
a eles: U = W ֜ W + U = U = W;
importantes:
Álgebra Linear
se os subespaços vetoriais são iguais, a soma é igual a eles: U = W ֜ W + U = U = W;

um subespaço somado ao subespaço do vetor nulo é igual ao próprio subespaço: U + {0V} =
U;
quando somamos dois subespaços, qualquer um deles é subconjunto dessa soma: U ‫ ؿ‬U +
W e W ‫ ؿ‬U + W;
um espaço vetorial somado a um de seus subespaços resulta nele próprio: V + W = V;
somando um espaço vetorial com ele mesmo, encontramos o próprio espaço vetorial: U + U =
U.
Interseção de subespaços
Interseção de Subespaços
Paraque
Para que você
você perceba
perceba esseesse conceito,
conceito, é conveniente
é conveniente continuarmos
continuarmos com o exemplo
com o exemplo de ъ2,
de ℝ2, lembran-
do que os conceitos
lembrando que osestudados
conceitos aqui valem para
estudados aqui quaisquer subespaços
valem para quaisquervetoriais de umvetoriais
subespaços mesmo espaço
de um
vetorial.
mesmo espaço vetorial.
Considere
Considereduas
duasretas
retaslineares
lineares(que
(quecontêm
contêmaaorigem
origemdos
doseixos
eixoscartesianos).
cartesianos).Nesse
Nessecaso,
caso,somando
somando
todos os vetores associados aos seus pontos, encontramos todos os pontos de ℝ2. 2
todos os vetores associados aos seus pontos, encontramos todos os pontos de ъ .
Definição
Definição
Sejam
SejamUUe eV Vsubespaços
subespaçosdedeum
umespaço vetorialW,W,UU∩ŀV V
espaçovetorial é subespaço dede
é subespaço W.W.
Exemplo
Exemplo
F F= ={(x,
{(x,y, y, ∈‫א‬ℜԹ
z)z) / /x x==0};0};
33
GG= ={(x,

{(x,y, y, ∈‫א‬ℜԹ
z)z) / y/ y==0};0};
3 3
F F∩‫ځ‬GG= ={(x,

{(x,y, y, ∈ℜ
z)z) ‫ א‬3Թ/3x/ =x =
y=y=
0}.0}.
Caro(a) aluno(a),
1. Este capítulo foi todo dedicado ao reconhecimento do espaço vetorial (V +, αx), em que V é
não vazio (V z ), sobre Թ (ou ԧ), para quaisquer u, v V e D, E Թǡ se, e somente se,
existirem as operações:
adição em V, definida como:

(+) V x V o V 29
(u, v) o u + v
F = {(x, y, z) ‫ א‬Թ / x = 0};
GGurgel
Maria Amelia = {(x,Neves
y, z) e‫א‬Regina
Թ3 / yMaria
= 0};Sigolo Bernardinelli
F ‫ ځ‬G = {(x, y, z) ‫ א‬Թ3 / x = y = 0}.
Caro(a) aluno(a),
1. Este capítulo foi todo dedicado ao reconhecimento do espaço vetorial (V +, αx), em que V é
não vazio (V z ), sobre Թ (ou ԧ), para quaisquer u, v V e D, E Թǡ se, e somente se,
existirem as operações:
adição em V, definida como:

(+) V x V o V
(u, v) o u + v
Com as seguintes propriedades:
A1) comutatividade da adição de vetores: u + v = v + u, u, v V;

A2) associatividade da adição de vetores: u + (v + w) = (u + v) + w, u, v, w V;
A3) elemento neutro: u + 0V = 0V + u = u, u V;
A4) simetrizável: u V, (-u) V ~ u + (-u) = 0;
multiplicação de Թ x V em V:
(x) Թ x V o V
(D, u) o Du
Em que valem as propriedades:
M1) D(Eu) = (DE) u (associatividade dos escalares);

M2) (D + E)u = Du + Eu (distributividade do produto de um vetor pela soma de
escalares);
M3) D(u + v) = Du + Dv (distributividade do produto de um escalar pela soma de
vetores);
M4) 1 . u = u (elemento neutro).
2. O subespaço vetorial também é um espaço vetorial. Um conjunto W, uma vez identificado

como subconjunto do espaço V e mantidas as operações, só precisamos verificar se:
30 0V W;
u, v W, u + v W;
M4) 1 . u = u (elemento neutro).
Álgebra Linear
2. O subespaço vetorial também é um espaço vetorial. Um conjunto W, uma vez identificado

como subconjunto do espaço V e mantidas as operações, só precisamos verificar se:
0V W;
u, v W, u + v W;
D Թ e u W, Du W.
Se essas 3 condições forem satisfeitas, podemos afirmar que W é subespaço vetorial de V e,

consequentemente, um espaço vetorial.
2.6 Atividades
2.6 Atividades Propostas
propostas
Caro(a) aluno(a),
Faça as atividades a seguir e aproveite para reler este capítulo. Só depois verifique a resposta
comentada no final da apostila, lembrando que, para qualquer dúvida que permaneça, há todas as
ferramentas de comunicação em nosso Portal e terei prazer em respondê-lo(a).
1. Para f, g F(ъ), determine f + g e f – 2g (adaptado de CARVALHO, 1972, p. 14).

a) f(x) = 3x + 1, g(x) = x2
[ VH [ !
VH [ ! °
b) f(x) = ® , g(x) = ® VH d [ d
¯ [ VH [ d °̄ [ VH [
ܽ Ͳ
2. Verifique se o conjunto de matrizes E = ቂ ቃ é subespaço de M2.
ܾ Ͳ
31
COMBINAÇÃO, DEPENDÊNCIA
3 LINEAR E BASES
3 COMBINAÇÃO, DEPENDÊNCIA LINEAR E BASES
Caro(a) aluno(a),
3 COMBINAÇÃO, DEPENDÊNCIA LINEAR E BASES
Você já viu que podemos multiplicar por um escalar e somar os vetores (elementos de algum
Caro(a) aluno(a),
espaço vetorial). Estudar os efeitos dessas duas operações combinadas é o objetivo deste capítulo, por
Você já viu que podemos multiplicar por um escalar e somar os vetores (elementos de algum
isso o nome Combinação Linear. Base é um tipo especial de combinação linear.
espaço vetorial). Estudar os efeitos dessas duas operações combinadas é o objetivo deste capítulo, por
isso3.1Combinação Linear
o nome Combinação Linear. Base é um tipo especial de combinação linear.
3.1 Combinação Linear
3.1Combinação Linear
Exemplos
Exemplos
1. Faça a combinação linear de elementos de M2x3 (V = M2x3).
ª º ª º ª º
« » « de
1. Faça a combinação linear
¬ ¼ ¬ »¼ «¬ de M2x3»¼(V = M2x3).
elementos
ª º ª º ª º
« ª »
« º » « linear » das matrizes ª º e ª º .
A ¬matriz
« ¼ ¬» é uma
combinação
¼ ¬ ¼ « » « »
¬ ¼ ¬ ¼ ¬ ¼
ª º ª º ª º
A matriz « » é uma combinação linear das matrizes « »e « ».
¬ ¼ ¬ ¼ ¬ ¼
2. Sejam as funções reais f(x) = 2x e g(x) = -3 [V = ѝ(ъ) – conjunto das funções reais]. A função
h(x) = -3 f(x) + 5 g(x) = -3 . 2x + 5 . (-3) ou h(x) = -6x – 15 é combinação linear de f(x) e g(x).
2. Sejam as funções reais f(x) = 2x e g(x) = -3 [V = ѝ(ъ) – conjunto das funções reais]. A função
h(x) = -3 f(x) + 5 g(x) = -3 . 2x + 5 . (-3) ou h(x) = -6x – 15 é combinação linear de f(x) e g(x).
3. Considere os vetores (-3, 2, 1) e (0, 5, 2), ambos elementos de ъ3. Podemos combinar esses
dois vetores como: 3 (-3, 2, 1) – 2 (0, 5, 2) = (-9, -4, -1), ou seja, (-9, -4, -1) é combinação linear
3. Considere os vetores (-3, 2, 1) e (0, 5, 2), ambos elementos de ъ3. Podemos combinar esses
de (-3, 2, 1) e (0, 5, 2).
dois vetores como: 3 (-3, 2, 1) – 2 (0, 5, 2) = (-9, -4, -1), ou seja, (-9, -4, -1) é combinação linear
de (-3, 2, 1) e (0, 5, 2).
Definição
Definição
Sejam u1, u2, ... , un elementos do espaço vetorial V, a1u1 + a2u2 + ... + anun é uma combinação
linear de u1, u2, ... , un.
Sejam u1, u2, ... , un elementos do espaço vetorial V, a1u1 + a2u2 + ... + anun é uma combinação
Propriedade
Propriedade 33
Unisa | SEducação
Seja V um espaço vetorial, = {u1, u2a, Distância | www.unisa.br
... , un} é um subconjunto de V. O conjunto de todas as
Propriedade
Seja V um espaço vetorial, S = {u1, u2, ... , un} é um subconjunto de V. O conjunto de todas as
combinações lineares de S forma um subespaço vetorial de V, que representamos por [S].
Nomenclatura: [S] é o subespaço gerado por S.
Em símbolos: [S] V.
VH
Por que podemos chamar [S] de subespaço?

Por que podemos chamar [S] de subespaço?
Lembre a definição de subespaço. Ela é verificada aqui:
Lembre a definição de subespaço. Ela é verificada aqui:
a. 0V Ӈ [S] (multiplique qualquer vetor v Ӈ V por zero: 0v = 0);

a. 0V Ӈ [S] (multiplique qualquer vetor v Ӈ V por zero: 0v = 0);
b. x Ӈ [S] e y Ӈ [S] ҧ x + y Ӈ [S];
b. x Ӈ [S] e y Ӈ [S] ҧ x + y Ӈ [S];
c. α Ӈ ъ e x Ӈ [S] ҧ α x Ӈ [S].
c. α Ӈ ъ e x Ӈ [S] ҧ α x Ӈ [S].
Logo, [S] V ([S] é um subespaço de V).

Logo, [S]
VH V ([S] é um subespaço de V).
VH
Saiba mais Saiba mais

Saiba mais
Quando S = , convenciona-se que• [Quando
] = {0V};
Quando S = , convenciona-se que [ ] = {0S V=};∅, convenciona-se que [∅] = {0V };
S [S]; • S ⊂ [S];
S [S]; • S1 ⊂ S2 ⇒ [S1] ⊂ [S2];
S1 S2 [S1] [S2]; • [S] = {[S]}.
S1 S2 [S1] [S2];
[S] = {[S]}.
[S] = {[S]}.
Exemplos
Exemplos
1. Para uma visualização gráfica, sem nos

1. Para uma visualização gráfica, sem nos 9 >6@ 6 XX
determos no rigor matemático, usamos 9 >6@ 6 XX
determos no rigor matemático, usamos
células fechadas para representar o S, o subespaço gerado [S] e o espaço vetorial V.
células fechadas para representar o S, o subespaço gerado [S] e o espaço vetorial V.
2. Se V = ъ33, u = (1, 0, 0) e v = (1, 1, 0), determine [(1, 0, 0), (1, 1, 0)] = [S].
2. Se V = ъ , u = (1, 0, 0) e v = (1, 1, 0), determine [(1, 0, 0), (1, 1, 0)] = [S].
[S] = {α (1, 0, 0) + β (1, 1, 0) | α, β ъ} = {(α + β, β, 0) | α, β ъ}, que é o conjunto dos pontos
[S] = {α (1, 0, 0) + β (1, 1, 0) | α, β ъ} = {(α + β, β, 0) | α, β ъ}, que é o conjunto dos pontos
ou vetores do plano xy.
3. Seja o espaço vetorial V = ъ33 e S = {(1, 0, 0), (0, 1, 0), (0, 0, 1)}, verifique se S gera V.
3. Seja o espaço vetorial V = ъ e S = {(1, 0, 0), (0, 1, 0), (0, 0, 1)}, verifique se S gera V.
34
Para todo (a, b, c) ъ3, temos: (a, b, c) = a (1, 0, 0) + b (0, 1, 0) + c (0, 0, 1). Então, os
Álgebra Linear
3. Seja o espaço vetorial V = ъ3 e S = {(1, 0, 0), (0, 1, 0), (0, 0, 1)}, verifique se S gera V.
Para todo (a, b, c) ъ3, temos: (a, b, c) = a (1, 0, 0) + b (0, 1, 0) + c (0, 0, 1). Então, os
elementos de S geram ъ3.
4. Seja V = Pn (ъ) o espaço vetorial dos polinômios e S = {f0, f1, ... , fn}, em que: p0(t) = 1, p1(t) = t,
... , pn(t) = tn, t ъ, verifique se S gera V.
É importante lembrar quem é Pn (ъ):
um conjunto de todos os polinômios de graus menores ou iguais a n;
cada elemento de Pn (ъ) pode ser escrito na forma p(t) = a0 + a1t + ... + antn (polinômio
de n+1 termos).
Usando as igualdades p0(t) = 1, p1(t) = t, ... , pn(t) = tn, em p(t), temos: p(t) = a0p0 + a1p1 + ... +
anpn, o que nos leva a concluir que qualquer polinômio de Pn (ъ) pode ser escrito como
combinação linear dos elementos de S.
Outra forma de dizermos isso é: S gera Pn (ъ) ou [S] = Pn (ъ).
5. Dado um conjunto S em um espaço vetorial V, podemos determinar um subespaço de V

fazendo todas as combinações lineares dos elementos de S.
6. Podemos definir um subespaço vetorial de ъ2, como, por exemplo: W = {(x, y) 䌜ъ2 / x = 2y}.
Aqui, os elementos de W têm a forma (2y, y), ou seja, podem ser representados como y (2, 1),
forma dos vetores que são combinações lineares do vetor (2,1). Logo, o subespaço W é
gerado pelo vetor (2,1), que simbolizamos por [{(2,1)}] = W.
3.2Dependência Linear
3.2 Dependência Linear
Pense em um conjunto de vetores em que um deles é combinação linear de outros. Como esse
primeiro fica dependendo dos outros, dizemos que o conjunto é linearmente dependente, ou seja, há
entre Pense em um conjunto
seus elementos algumade vetores
relação deem que um deles é combinação linear de outros. Como esse pri-
dependência.
meiro fica dependendo dos outros, dizemos que o conjunto é linearmente dependente, ou seja, há entre
Em um conjunto de vetores, se nenhum deles é combinação linear de outros, então o conjunto é
seus elementos alguma relação de dependência.
linearmente independente.
35
Em um conjunto de vetores, se nenhum deles é combinação linear de outros, então o conjunto é

linearmente independente.
Definição 1
Definição 1
Seja V um espaço vetorial sobre ъ, dizemos que um conjunto L = {u1, u2, ... , un} V é
Linearmente Independente (LI) se, e somente se, a igualdadeα 1u1 + α 2u2 + ... +α nun = 0V só for
Linearmente Independente (LI) se, e somente se, a igualdadeα 1u1 + α 2u2 + ... +α nun = 0V só for
possível se α1 = ... = αn = 0.
possível se α1 = ... = αn = 0.
Definição 2
Definição 2
Linearmente Dependente (LD) se, e somente se, a igualdade α 1u1 + α 2u2 + ... + α nun = 0V também for
Linearmente Dependente (LD) se, e somente se, a igualdade α 1u1 + α 2u2 + ... + α nun = 0V também for
verdade para algum αi z 0.
verdade para algum αi z 0.
Atenção
Atenção
Todas as vezesAtenção
que multiplicarmos uma coleção de vetores por zero, encontraremos o vetor nulo, seja
Todas as vezes que multiplicarmos uma coleção de vetores por zero, encontraremos o vetor nulo, seja
essa coleção
Todas asLIvezes
ou LD.
que O que faz a diferença
multiplicarmos é que
uma coleção uma por
de vetores coleção de vetores LD
zero, encontraremos temnulo,
o vetor outra
sejacombinação
essa coleção
LI ou LD.LIOou
essa coleção queLD.
faz O
a diferença
que fazéaque uma coleção
diferença de vetores
é que LD tem outra
uma coleção combinação
de vetores que também
LD tem dá zero, além
outra combinação
que também
da trivialdá zero, além
(multiplicar tudodaportrivial
zero). (multiplicar tudo por zero).
que também dá zero, além da trivial (multiplicar tudo por zero).
Exemplos
Exemplos
1. No espaço vetorial M2x2, verifique se o conjunto

1. No espaço െ૚ M૙2x2, verifique
૛ ૚vetorial ૛ െ૛ se o conjunto
A = ቄቂ ቃǡቂ ቃǡቂ ቃቅ é LI ou LD.
૙ ૚ െ૚
૛ ૙ ૙ ૚ ૛ ૙ െ૛ ૚
A = ቄቂ ቃǡቂ ቃǡቂ ቃቅ é LI ou LD.
Vamos૙escrever
૚ ૙a combinação
૚ ૙ ૚ linear dos elementos de A igual à matriz nula.
Vamos escrever a combinação
૛ ૚ linear
െ૚ dos ૙ elementos de A igual
૛ െ૛ ૙ à૙ matriz nula.
ࢇቂ ቃ ൅ ࢈ ቂ ቃ ൅ ࢉ ቂ ቃ ൌቂ ቃ
૙ ૚
૛ െ૚૙ ૙ ૚ ૙ െ૛
૛ ૚ ૙ ૙
ࢇቂ ቃ ൅ ࢈ ቂ ቃ ൅ ࢉ ቂ ቃ ൌቂ ቃ
૛ࢇ െ ࢈ ൅ ૛ࢉ ૙ ૚ࢇ૚ െ ૛ࢉ ૙ ૙૚ ૙ ૙ ૚ ૙ ૙
ou ቂ ቃ ൌቂ ቃ
૙ࢇ
૛ࢇ൅െ૙࢈
࢈ ൅൅૛ࢉ૙ࢉ ૚ࢇ ૚ࢇ൅െ࢈૛ࢉ ൅ࢉ ૙ ૙
ou ቂ ቃ ൌቂ ቃ
૙ࢇ ൅ ૙࢈ ൅ ૙ࢉ ૚ࢇ ൅ ࢈ ൅ ࢉ ૙ ૙
Temos um sistema de 3 equações e 3 variáveis: a, b e c, uma vez que 0 é sempre igual a zero.
Temos um sistema de 3 equações e 3 variáveis: a, b e c, uma vez que 0 é sempre igual a zero.
ʹܽ െ ܾ ൅ ʹܿ ൌ Ͳ
൝ʹܽ
ܽ െെʹܿ
ܾ ൅ൌʹܿ
Ͳ
ൌͲ
൝ܽܽ ൅
െ ܾʹܿ
൅ൌ ܿൌ Ͳ
Ͳ
ܽ ൅ ܾ ൅ ܿ ൌ Ͳ
Resolvendo esse sistema, que é possível e determinado, encontramos como solução a = 0, b =

360 e c= 0, e, como essa é a única, podemos afirmar que A é LI.
Unisa | Educação
0 e c= 0, e, como essa é a única, podemos a Distância
afirmar que A é LI. | www.unisa.br
ܽ ൅ ܾ ൅ ܿ ൌ Ͳ
Álgebra Linear

0 e c= 0, e, como essa é a única, podemos afirmar que A é LI.
2. No ъ3, verifique se B = {(1, 2, 1), (0, 1, 3), (3, 4, -3)} é um conjunto LI ou LD.
Fazendo a combinação linear dos elementos de A igual ao vetor nulo, temos: a (1, 2, 1) + b
(0, 1, 3) + c (3, 4, -3) = (0, 0, 0).
Determinamos os valores de a, b e c resolvendo o sistema:
ܽ ൅ ͵ܿ ൌ Ͳሺͳሻ
ቐ ʹܽ ൅ ܾ ൅ Ͷܿ ൌ Ͳሺʹሻ
ܽ ൅ ͵ܾ െ ͵ܿ ൌ Ͳሺ͵ሻ
De (1), temos que a = -3c. Substituindo em (2), temos: -6c + b + 4c = 0 ou b = 2c. Agora, em (3): -
3c +6c – 3c = 0, o que significa que 0c = 0, uma indeterminação. Assim, não temos uma solução única
para esse sistema, mas uma infinidade de valores a, b e c que podem satisfazer a combinação linear a
(1, 2, 1) + b (0, 1, 3) + c (3, 4, -3) = (0, 0, 0). Entre esses valores, encontramos a solução trivial (a = b = c =
0), mas encontramos também muitas soluções não nulas, o que nos garante que B é LD.
Propriedades
1. Se o zero pertence a um conjunto de vetores, esse conjunto é obrigatoriamente LD: A = {u1,

u2, ... , un, 0V} V, então A é LD. Fazendo a combinação dos elementos de A, temos: a1u1 +
a2u2 + ... + anun + an+10V = 0v, fazendo an+1 ≠ 0 e os demais nulos, já satisfazemos a condição de
LD;
2. Todo conjunto unitário cujo elemento é diferente de zero é LI: A = {u} V e u z 0V, então A
é LI;
3. Em um conjunto de vetores LD, existem alguns deles que são combinações lineares dos
demais: A = {u1, u2, ... , un} V é LD, então existe ui tal que ui = a1u1 + a2u2 + ... + anun;
4. Considere a sequência de conjuntos S1 S2 V (use o diagrama para melhor visualizá-los).

Se S1 for LD, ele compreenderá uma combinação linear, que também pertencerá a S2; logo,
S2 será LD. Consequentemente, se S2 for LI, S1 também será LI. Mas, se S1 for LI, nada
poderemos afirmar sobre S2; da mesma forma, se S2 for LD, S1 poderá ser LI ou LD.
Exemplos
1. Observe no ъ4 o seguinte subespaço: S = {(1, 1, 0, 0), (0, 1, 0, 2), (0, 0, 1, 0), (0, 2, -1, 4)}: 37
poderemos afirmar sobre S2; da mesma forma, se S2 for LD, S1 poderá ser LI ou LD.
Exemplos
1. Observe no ъ4 o seguinte subespaço: S = {(1, 1, 0, 0), (0, 1, 0, 2), (0, 0, 1, 0), (0, 2, -1, 4)}:
note que (0, 2, -1, 4) = 2 (0, 1, 0, 2) – (0, 0, 1, 0). Então, podemos escrever: 2 (0, 1, 0, 2) – (0,
0, 1, 0) – (0, 2, -1, 4) = (0, 0, 0, 0), com coeficientes não nulos 2, -1, -1, satisfazendo a
definição de LD;
observe, ainda, que o espaço gerado por S, [S],
= {[(1, 1, 0, 0), (0, 1, 0, 2), (0, 0, 1, 0), (0, 2, -1, 4)]}
= [(1, 1, 0, 0), (0, 1, 0, 2), (0, 0, 1, 0)].
Cálculo Abreviado
abreviado
Para verificarmos se 2 vetores de ъ2 ou 3 de ъ3 são LI ou LS, basta relacionarmos alguns

conceitos:
Se um conjunto de vetores é LD, pelo menos um de seus elementos é combinação linear

dos demais. Veja, por exemplo, A = {(1, 2), (3, 6)}. (3, 6) = 3 (1, 2) ou 3 (1, 2) – (3, 6) = (0, 0),
com os coeficientes não nulos.
ͳ ʹ ͳ ʹ
Observando a matriz formada por esses coeficientes ቂ ቃ, temos que det ቂ ቃ = 0,
͵ ͸ ͵ ͸
porque uma linha é combinação da outra;
Uma forma mais clássica de avaliarmos é usando a resolução de Cramer para a solução de
sistemas.
Se quisermos verificar se o conjunto {(2, 3, -1); (1, 0, 5); (2, 1, 3)} é LI ou LD, montamos a
equação: r (2, 3, -1) + s (1, 0, 5) + t (2, 1, 3) = (0, 0, 0) e o sistema dos coeficientes r, s e t.
U V W ª º ªU º ª º
° « » [ «V » « »
® U W ҧ
« » « » « »
° U V W «¬ »¼ «¬ W »¼ «¬»¼
¯
Para resolvermos qualquer sistema por Cramer, temos a matriz principal delta (Δ), formada
pelos coeficientes de r, s, t e as matrizes secundárias Δr, Δs e Δt. Substituindo os coeficientes
௱௥ ௱௦ ௱௧
das variáveis pelos termos independentes, temos que r = ௱ , s = ௱
et= ௱
.
Usando os valores do exemplo, temos:
38
ª º Unisaª| Educação
º a Distância
ª | www.unisa.br
º ª º
Δ= « » «
Δ = » «
Δ = » Δ =« »
pelos coeficientes de r, s, t e as matrizes secundárias Δr, Δs e Δt. Substituindo os coeficientes
௱௥ ௱௦ ௱௧ Álgebra Linear
das variáveis pelos termos independentes, temos que r = ௱ , s = ௱
et= ௱
.
Usando os valores do exemplo, temos:
ª º ª º ª º ª º
Δ = « » Δ r = « » Δs = « » Δt = « »
« » « » « » « »
«¬ »¼ «¬ »¼ «¬ »¼ «¬ »¼
Como em Δr, Δs e Δt temos uma coluna de zeros, Δr = Δs = Δt = 0.

Como
Se Δ =em0,Δrteremos
, Δs e Δt temos
uma uma coluna de zeros,
indeterminação como Δr =solução
Δs = Δt =e,0.nessa infinidade de valores,
Se Δ = 0, teremos
poderemos uma indeterminação
escolher valores não nulos para como
r, s e t. solução
Logo, ose,vetores
nessa serão
infinidade desevalores,
LD. Mas, Δ ് 0,
poderemos escolher valores não nulos para r, s e t. Logo, os vetores serão LD. Mas, se Δ ് 0,
teremos uma única solução para o sistema: r = s = t = 0 e poderemos afirmar que os vetores
teremos
são LI. uma única solução para o sistema: r = s = t = 0 e poderemos afirmar que os vetores
são LI. exemplo, Δ ് 0; logo, {(2, 3, -1); (1, 0, 5); (2, 1, 3)} é LI.
Neste
Neste exemplo, Δ ് 0; logo, {(2, 3, -1); (1, 0, 5); (2, 1, 3)} é LI.
3.3Dimensão
3.3 Dimensãodede
um espaço
um Espaço
3.3Dimensão de um espaço
A dimensão de um espaço vetorial é bem ilustrada quando associamos o ъ2 a um plano ou o ъ3
A dimensão de um espaço vetorial é bem ilustrada quando associamos o ъ2 a um plano ou o ъ3
ao espaço geométrico. Ambos são infinitos, mas temos o conceito de que o plano tem duas
ao espaço geométrico. Ambos são infinitos, mas temos o conceito de que o plano tem duas
dimensões e o espaço geométrico, três; por isso, usamos dois eixos cartesianos quando trabalhamos
dimensões e oplano
em um único espaço
e 3,geométrico, três; por isso, usamos dois eixos cartesianos quando trabalhamos
para o espaço.
em umA único
partir plano e 3, para odeespaço.
dos conceitos Álgebra Linear, conseguimos definir dimensão de um espaço como
segue.A partir dos conceitos de Álgebra Linear, conseguimos definir dimensão de um espaço como
segue.
Definição
Definição
Dimensão de um espaço vetorial V é o número máximo de vetores que se pode reunir em um

Dimensão de um espaço vetorial V é o número máximo de vetores que se pode reunir em um
conjunto E, formando uma coleção linearmente independente. Se esse máximo não existe, dizemos
conjunto
que V temE,dimensão
formandoinfinita.
uma coleção linearmente independente. Se esse máximo não existe, dizemos
que V tem dimensão infinita.
Saiba mais
SaibaSaiba
mais mais
{0} tem dimensão nula;
tem
• {0} {0} tem dimensão nula;
Թndimensão nula;
tem dimensão n;
• ℜn tem
Թn dimensão
tem n;
Em tododimensão n;dimensão n, qualquer conjunto com n+1 elementos será LD;
espaço de
• Em todo espaço de dimensão n, qualquer conjunto com n+1 elementos será LD;
WEm todo espaço dededimensão n,Wqualquer Se conjunto com n+1Welementos será LD;
Se
• Se for W for subespaço
subespaço vetorial vetorial de V,
V, então dim £então
dim V. dim WWd=dim
dim dim V. Se dim
V, então =WV. = dim V, então W = V.
Se W for subespaço vetorial de V, então dim W d dim V. Se dim W = dim V, então W = V.
39
3.4 Base
3.4 Base
Agora, você já sabe que, fazendo todas as combinações lineares de alguns elementos, geramos
um subespaço vetorial, que é um espaço vetorial. Nós vimos, também, que um conjunto LD pode
gerar o mesmo espaço que um conjunto LI com menos elementos pode gerar.
Esses dois conceitos levam-nos a um tipo de conjunto especial, o menor possível capaz de gerar
um espaço: a base do espaço.
Definição
Um conjunto B contido em um espaço vetorial será base desse espaço se todo elemento de V for
uma combinação linear dos elementos de B e se B for linearmente independente.
Em símbolos, escrevemos: B é uma base de V ֞ B é LI e [B] = V.
Bases Canônicas – Exemplos
1. De ъ4: B = {(1, 0, 0, 0), (0, 1, 0, 0), (0, 0, 1, 0), (0, 0, 0, 1)};
§ · § · § · § · ½
2. De M2x2 = B = ®¨ ¸¨ ¸¨ ¸¨ ¸ ¾ ? dim V = 4.
¯© ¹ © ¹ © ¹ © ¹ ¿
Exemplos
1. S = {(2, 1, 0), (0, 1, 0), (2, 0, 0)} é uma base de ъ3 ?

Não, pois (2, 1, 0) = (0, 1, 0) + (2, 0, 0). Portanto, S é LD.
Se você não percebeu de imediato a relação entre esses vetores, precisará fazer a
verificação, usando o determinante ou a combinação linear igual a zero.
Usando o determinante:
ʹ ͳ Ͳ
det ൥Ͳ ͳ Ͳ൩ = 0 , outra forma de afirmarmos que é LD.
ʹ Ͳ Ͳ
2. V = P3(ъ) = {a + bt + ct2 + dt3 / a, b, c, d reais}.

Base de V: B = {1, t, t2, t3} ? dim V = 4.
40
3. V = {0V}.
Álgebra Linear
Base de V: B = ? dim V = 0.
3. V = {0V}.
4. V = ъde V: B = ? dim V = 0.
Base
Base de V: B = {7} ? dim V = 1.

4. V=ъ
5. Base
V = Юde V: B = {7} ?
(complexos dim espaço
como V = 1. vetorial sobre ъ).
Base de V: B = {1, i} ? dim V = 2.

5. V = Ю (complexos como espaço vetorial sobre ъ).
Base de V: B = {1, i} ? dim V = 2.
Saiba mais
{0V} é um espaço vetorial cuja base é ;

Saiba mais
Saiba mais
Se a base de um espaço vetorial tem k elementos, esse espaço tem dimensão k;
• {0 } é um espaço vetorial cuja base é ∅;
{0V} é um espaço
• SeVQualquer conjuntovetorial
LI, emcuja base é
um espaço de; dimensão n, tem no máximo n elementos;
a base de um espaço vetorial tem k elementos, esse espaço tem dimensão k;
a base
Se V tem
• Qualquer de um
dimensão
conjunto espaço
LI, em finita
um vetorial são ksubespaços
Wtem
e Udee dimensão
espaço elementos, essen espaço
vetoriais
n, tem no máximo de V:tem
elementos; (U + W) = k;
dimdimensão dim U + dim W –
• Se V tem dimensão finita e U e W são subespaços vetoriais de V: dim (U + W) = dim U + dim W – dim (U ∩ V).
dim (U ŀ V).
Qualquer conjunto LI, em um espaço de dimensão n, tem no máximo n elementos;
Se V tem dimensão finita e U e W são subespaços vetoriais de V: dim (U + W) = dim U + dim W –
dim (U ŀ V).
ProcessoPrático
Processo práticopara Determinar
para Bases
determinar de um
bases de Subespaço v de ℝ
um subespaço
n
v de ъn
Suponhamos 9 > X ! X Q @ :
Processo prático para determinar bases de um subespaço v de ъn
Suponhamos 9 >dois
se trocarmos X Q @ : de lugar, obviamente o espaço gerado pelos vetores será o
X !vetores
mesmo;
xse trocarmos dois vetores
se os geradores de lugar,numa
de V estiverem obviamente o espaço gerado
“forma escalonada”, pelos
então os não vetores seráLI.o
nulos serão
mesmo;
Forma escalonada significa que o número de zeros iniciais dos vetores X ! XQ
x se os geradores
aumenta de vetordepara
V estiverem numa “forma
vetor. Exemplo: u1 = (0, escalonada”,
2, 3), u2 = (0, 0,então
4). os não nulos serão LI.
Forma escalonada significa que o número de zeros iniciais dos vetores X ! XQ
SaibaSaiba
mais mais
aumenta de vetor para vetor. Exemplo: u1 = (0, 2, 3), u2 = (0, 0, 4).
Esse processo é conhecido como sistema de geradores.
Saiba mais
Exemplo
Exemplo 9 > @ > @

Base de V:
9 > @ > @
Base de V:
41
Exemplo
9 > @ > @
Base de V:
§ · § · § ·
§¨ ·¸ §¨
¸ = ¨ ¸ ¨
·¸ = §¨
¸
·¸
¨
¨ ¸ = ¨ ¸¹ = ¨© ¸
©§¨ ·¸¹ §¨© ·¸ §¨ ·¸¹
¨© ¸¹ ¨© ¸¹ ¨© ¸¹
¨ geram
V ¸ = ¨ geram
V ¸ = ¨ geram V ¸
¨ geram V ¸
a3ª linha ¨ geram V ¸ ¨ geram V ¸
© que
(em ¹ © da matriz
pode ser © ¹
¹ eliminada)
(em que a 3ª linha da matriz pode ser eliminada)
geram
? base deVV = {(1, 0, 1,geram
2), (0, V-1, 1, 4)} e dimgeram
V = 2.V
? base de V = {(1, 0, 1, 2), (0, -1, 1, 4)} e dim V = 2.
(em que a 3ª linha da matriz pode ser eliminada)
? base de V = {(1, 0, 1, 2), (0, -1, 1, 4)} e dim V = 2.
3.5 Resumododo
3.5Resumo Capítulo
capítulo
3.5Resumo do capítulo
Caro(a) aluno(a),
3.5Resumo do capítulo
Caro(a) aluno(a),
Neste capítulo, os conceitos podem ser sintetizados em:
Neste capítulo,
Caro(a) aluno(a),os conceitos podem ser sintetizados em:
Neste capítulo, os conceitos podem ser sintetizados em:

1. combinação linear: para uma sequência de vetores u1, u2, ... , un elementos do espaço
1. combinação linear: para uma sequência de vetores u1, u2, ... , un elementos do espaço
vetorial V, a1u1 + a2u2 + ... + a nun é uma combinação linear de u1, u2, ... , um;
vetorial V, a1u1 + a2u2 + ... + a nun é uma combinação linear de u1, u2, ... , um;
1.
2. combinação
dependência linear:
linear: para uma sequência
ao fazermos de vetores
a combinação linear u 1, uvetores
dos 2, ... , uu
n 1,elementos do espaço
u2, ... , un igual a zero
2. dependência linear: ao fazermos a combinação linear dos vetores u1, u2, ... , un igual a zero
vetorial
(α1u1 + αV,
2ua u1...++aα2unu2 n+=...0+V):a nun é uma combinação linear de u1, u2, ... , um;
2 1+
(α1u1 + α2u2 + ... + αnun = 0V):
2. dependência linear: ao fazermos a combinação linear dos vetores u1, u2, ... , un igual a zero
(α
1u1se+ só
α2ufor
2 +possível
... + αnunquando
= 0V): α1 = ... = αn = 0, os vetores u1, u2, ... , un serão LI;
se só for possível quando α1 = ... = αn = 0, os vetores u1, u2, ... , un serão LI;
se for verdade para algum αi z 0, os vetores u1, u2, ... , un serão LD;
se for verdade para algum αi z 0, os vetores u1, u2, ... , un serão LD;
se só for possível quando α1 = ... = αn = 0, os vetores u1, u2, ... , un serão LI;
3. se forbase
B é uma verdade para algum
do espaço i z
vetorialαV ֞0,Bosé vetores
LI e [B] =u1V.
, u2, ... , un serão LD;
3. B é uma base do espaço vetorial V ֞ B é LI e [B] = V.
3. Atividades
3.6 B é uma base do espaço vetorial V ֞ B é LI e [B] = V.
propostas
3.6 Escreva v como
1. Atividades combinação linear de u1, u2, quando:
propostas
1. Escreva v como combinação linear de u1, u2, quando:
a. v = (2, 3), u1 = (1, 1), u2 = (0, 2).
a. v = (2, 3), u1 = (1, 1), u2 = (0, 2).
1. Escreva v como
b. v = (2, 3), u1 combinação linear
= (1, 1), u2 = (0, 2). de u1, u2, quando:
b. v = (2, 3), u1 = (1, 1), u2 = (0, 2).
a. v = (2, 3), u1 = (1, 1), u2 = (0, 2).
2. b.
Se Vv==ъ(2,
3 3), u1 = (1, 1), u2 = (0, 2).
e S = {(0, 1, 2), (2, 3, 4)}, determine [S].
2. Se V = ъ e S = {(0, 1, 2), (2, 3, 4)}, determine [S].
3
42
2. Se V = ъ3 e S = {(0, 1, 2), (2, 3, 4)}, determine [S].
3. Ache um conjunto de geradores (sistema de geradores) do subespaço U de ъ4: U = {(x, y, z, t)
b. v = (2, 3), u1 = (1, 1), u2 = (0, 2).
Álgebra Linear
2. Se V = ъ3 e S = {(0, 1, 2), (2, 3, 4)}, determine [S].
3. Ache um conjunto de geradores (sistema de geradores) do subespaço U de ъ4: U = {(x, y, z, t)
ъ4 | x – y – z + t = 0}.
43
4 ESPAÇO VETORIAL EUCLIDIANO

Caro(a) aluno(a),
Caro(a) aluno(a),
Você encontrará, aqui, uma série de medidas muito usadas em várias disciplinas da área de
Você encontrará, aqui, uma série de medidas muito usadas em várias disciplinas da área de
Exatas, que têm suas definições associadas aos espaços vetoriais. De uma forma geral, trataremos dos
Exatas, que têm suas definições associadas aos espaços vetoriais. De uma forma geral, trataremos dos
espaços vetoriais reais.
espaços vetoriais reais.
4.14.1 Vetores
Vetores
4.1 Vetores
Definição no Թ22
Definição no Թ
É toda função Թ22 o Թ22 tal que, dados a e b reais e fixos, f (x, y) = (x + a, y + b). Um vetor
É toda função Թ o Թ tal que, dados a e b reais e fixos, f (x, y) = (x + a, y + b). Um vetor
determinado pelo ponto (a, b) é imagem do ponto (0, 0).
determinado pelo ponto (a, b) é imagem do ponto (0, 0).
Definição geral
Definição geral
Geral
A definição de vetores, em qualquer dimensão, está associada à definição no ъ22. Assim, a

A definição de vetores, em qualquer dimensão, está associada à definição no ъ . Assim, a
definição no ъnn pode ser representada por: f: ъnn ѧ ъnn, tal que f (x1, x2, ... , xn) = (a1x1, a2x2, ... , anxn).
definição no ъ pode ser representada por: f: ъ ѧ ъ , tal que f (x1, x2, ... , xn) = (a1x1, a2x2, ... , anxn).
Composição de Vetores
vetores
Composição de vetores
Está associada à adição de vetores no ъnn, para qualquer n maior ou igual a 1.

Está associada à adição de vetores no ъ , para qualquer n maior ou igual a 1.
Aplicar um vetor após o outro é adicionar esses vetores.
Aplicar um vetor após o outro é adicionar esses vetores.
Propriedades
Propriedades
Você está, agora, lembrando que um conjunto de vetores é um espaço vetorial (V, + x por real) e,
Você está, agora, lembrando que um conjunto de vetores é um espaço vetorial (V, + x por real) e,
por entendermos que a composição é a adição de vetores, podemos afirmar que a composição de
por entendermos que a composição é a adição de vetores, podemos afirmar que a composição de
vetores:
vetores:
45
Unisa
A1) é comutativa (lei do | Educação a Distância | www.unisa.br
paralelogramo);
A1) é comutativa (lei do paralelogramo);
vetores:
A1) é comutativa (lei do paralelogramo);

A2) é associativa;
A3) tem elemento neutro (0, 0, ... , 0);
A4) para todo elemento de V (u), há um oposto aditivo (-u).
Lembramos, aqui, apenas as propriedades da adição de vetores, porque é a adição que está
associada à composição de vetores.
Vetores Unitários
unitários
No ъ2: i = (1, 0) e j = (0, 1):

x {i, j} é LI;
x {i, j} é base canônica do ъ2;
x qualquer vetor no ъ pode ser escrito como uma combinação linear de i e j;
No ъ3: i = (1, 0, 0), j = (0, 1, 0) e k = (0, 0, 1):

x {i, j, k} é base canônica do ъ3;
Para todos os valores naturais maiores ou iguais a 1 de n, podemos determinar uma base
canônica de ъn.
Produto Interno
interno de
de Dois
dois Vetores
vetores
Definição
O produto interno no espaço vetorial V sobre ъ (ou Ю) é toda função de V em V (V x V) que

associa cada par de vetores (u, v) a um número real representado por u . v ou <u, v>, tal que:
u . v = v . u;
u . (v + w) = u . v + u . w;
(αu) . v = α (u . v), α Ӈ ъ;
u . u ≥ 0, para todo u Ӈ V;
u . u = 0 se, e somente se, u = 0.
Produto interno usual
46
Unisau |=Educação
O produto interno de 2 vetores (a, b) e va=Distância
(c, d) no| espaço
www.unisa.br
vetorial ъ2 é o número real uv =
u . u = 0 se, e somente se, u = 0.
Álgebra Linear
Produto interno usual
O produto interno de 2 vetores u = (a, b) e v = (c, d) no espaço vetorial ъ2 é o número real uv =

ac + bd.
O produto interno usual é definido como uma função f: ъn x ъn o ъ, {(x1, x2, ... , xn), (y1, y2, ... , yn)}
O produto interno usual é definido como uma função f: ъn x ъn o ъ, {(x1, x2, ... , xn), (y1, y2, ... , yn)}
o x1y1 + x2y2 + ... + xnyn.
o x1yExemplos:
1 + x2y2 + ... + xnyn.
Exemplos:
1. (2, 3) . (1, -1) = 2 – 3 = -1;

1.
2. (2, 3) .. (0,
(2, 0) (1, 3)
-1)==0;2 – 3 = -1;
2.
3. (2, 0) 4,
(2, 3, . (0,
1, 3)
5) =. (1,
0; 2, 5, 2, 1) = 35;
3.
4.
(2, 3, 4, 1, 5) . (1, 2, 5, 2, 1) = 35;
x .
4.
x .
Propriedades do produto interno

Propriedades do produto interno
Comutativa: u . v= v . u;
Comutativa: u .. (v
Distributiva: u v=+vw)
. u;= u . v + u . w;
Distributiva:
|| u || t 0; u . (v + w) = u . v + u . w;
||t u(u||. tv)0;= (tu) . v, t ε Թ;
t (u . v) = (tu) . v, t ε Թ;
No ъ2, temos que i . j = 0;
No ъ32, temos que i . j = 0;
No Թ , temos que i . j = 0, i . k = 0 e j . k = 0;
No , temossão
DoisԹvetores
3
i . j = 0, i . k(ou
queortogonais e j . k = 0;
= 0perpendiculares) se seu produto interno é zero (u . v = 0).
Dois vetores são ortogonais (ou perpendiculares) se seu produto interno é zero (u . v = 0).
Atenção
Atenção Atenção
Espaço vetorial euclidiano é um espaço vetorial real de dimensão finita munido de um produto
EspaçoEspaço
vetorial
interno. euclidiano
vetorial euclidianoé éum
um espaço vetorial
espaço vetorial realreal de dimensão
de dimensão finitade
finita munido munido de um
um produto produto
interno.
interno.
4.24.2
Módulos de 2 Vetores (Norma ou Comprimento)
Módulo de 2 vetores (norma ou comprimento)
4.2 Módulo de 2 vetores (norma ou comprimento)
Vamos associar algumas funções e propriedades dos elementos de um espaço vetorial

Vamos associar algumas funções e propriedades dos elementos de um espaço vetorial
euclidiano.
euclidiano.
Definição
Definição
Módulo do vetor u éUnisa
a raiz| quadrada 47
Educação ado produto| www.unisa.br
Distância interno de u por u:
Módulo do vetor u é aXraiz
X quadrada
do produto interno de u por u:
euclidiano.
Definição
Módulo do vetor u é a raiz quadrada do produto interno de u por u:

u = (a, b) ֜ || u || = X X = D E
Propriedades
Propriedades
|||| u
u || t 0;
|| t 0;
αӇ
α Ӈ Թ, || αu
Թ, || αu ||
|| =
= |α|
|α| ||u||;
||u||;
Um vetor
Um vetor é
é unitário
unitário se
se seu
seu módulo
módulo for
for igual
igual a
a 1:
1: |||| ii |||| =
= |||| jj |||| =
= 1;
1;
Y
Para um
Para um vetor
vetor vv não
não nulo qualquer, Y é
nulo qualquer, é um
um vetor
vetor unitário;
unitário; dizemos dizemos que
que foi
foi normalizado.
normalizado.
Y
Y
Exemplos
Exemplos
1.
1.
é o módulo do vetor ሺξʹǡ ξ͵ǡ െͳǡ Ͳሻ = ට൫ξʹǡ ξ͵ǡ െͳǡ Ͳ൯Ǥ ሺξʹǡ ξ͵ǡ െͳǡ Ͳሻ =
é o módulo do vetor ሺξʹǡ ξ͵ǡ െͳǡ Ͳሻ = ට൫ξʹǡ ξ͵ǡ െͳǡ Ͳ൯Ǥ ሺξʹǡ ξ͵ǡ െͳǡ Ͳሻ =
ξʹ ൅ ͵ ൅ ͳ = ξ͸;
ξʹ ൅ ͵ ൅ ͳ = ξ͸;
2.
2.
= ξ͸ (observe que vetores diferentes podem ter o mesmo módulo).
= ξ͸ (observe que vetores diferentes podem ter o mesmo módulo).
4.3 Cosseno do ângulo de 2 vetores

4.34.3 Cossenodo
Cosseno doÂngulo
ângulo de
de2 2vetores
Vetores
Considere dois vetores v e w em um espaço vetorial V. Vamos usar o V = ъ2 para facilitar a

Considere dois vetores v e w em um espaço vetorial V. Vamos usar o V = ъ2 para facilitar a
compreensão desse conceito.
compreensão desse conceito.
Observando a figura a seguir temos:
Observando a figura a seguir temos:
β: ângulo formado por w com o eixo X;

β: ângulo formado por w com o eixo X;
γ: ângulo formado por v com o eixo X;
γ: ângulo formado por v com o eixo X;
α = β – γ;
α = β – γ;
cos α = cos (β – γ) = cos β . cos γ + sen β sen γ.
cos α = cos (β – γ) = cos β . cos γ + sen β sen γ.
Z
Z ˚
˙ ˚Y
˙ J Y
J
48
Álgebra Linear
Vamos usar a próxima figura 2 para associarmos o conceito de cosseno ao produto interno.
Vamos usar a próxima figura 2 para associarmos o conceito de cosseno ao produto interno.
Cosseno é a razão entre abscissa x do ângulo σ e o módulo do vetor (x, y):
Cosseno é a razão entre abscissa x do ângulo σ e o módulo do vetor (x, y):
[
cos σ = [
cos σ = __ [ \ __
__ [ \ __
\
Da mesma forma, sen σ = \
Da mesma forma, sen σ = __ [ \ __
__ [ \ __
[\
\ [\
\
˪
˪
[
[
Aplicando essas fórmulas aos ângulos β e γ, e lembrando que w = (c, d) e v = (a, b), temos:
Aplicando essas fórmulas aos ângulos β e γ, e lembrando que w = (c, d) e v = (a, b), temos:
F F G G
cos β = F F sen β = G G
cos β = __ F G __ __ Z __ sen β = __ F G __ __ Z __
__ F G __ __ Z __ __ F G __ __ Z __
D D E E
cos γ = D D sen β = E E
cos γ = __ D E __ __ Y __ sen β = __ D E __ __ Y __
__ D E __ __ Y __ __ D E __ __ Y __
Então, usando esses conceitos, podemos calcular o cos α pela fórmula:

Então, usando esses conceitos, podemos calcular o cos α pela fórmula:
cos α = cos (β – γ) = cos β cos γ + sen β sen γ =
FF D GG EE
xx D x
x
=
= ____ Z
Z ____ ____ YY ____ ____ Z
Z ____ ____ YY ____
4.44.4
Desigualdade
Desigualdade de Cauchy-Schwarz
de Cauchy-Schwarz e Desigualdade
e desigualdade Triangular
triangular
4.4 Desigualdade de Cauchy-Schwarz e desigualdade triangular
A desigualdade de Cauchy-Schwarz é a desigualdade que afirma que o módulo do produto

A desigualdade de Cauchy-Schwarz é a desigualdade que afirma que o módulo do produto
interno de dois vetores é menor ou igual ao produto de seus módulos.
interno de dois vetores é menor ou igual ao produto de seus módulos.
|u . v| d || u || . || v ||
|u . v| d || u || . || v ||
49
Vamos usar aqui um exemplo adequado para que você perceba o conceito dessa desigualdade,
Vamos usar aqui um exemplo adequado para que você perceba o conceito dessa desigualdade,
fazendo u = (-3, 1) e v = (1, 1):
fazendo u = (-3, 1) e v = (1, 1):
u . v = -3 x 1 + 1 x 1 = -2 ҧ |u . v| = 2
u . v = -3 x 1 + 1 x 1 = -2 ҧ |u . v| = 2
|| u || = ඥሺെ͵ሻଶ ൅ ͳଶ ൌ ξͳͲ || v || = ξͳଶ ൅ ͳଶ ൌ ξʹ

|| u || = ඥሺെ͵ሻଶ ൅ ͳଶ ൌ ξͳͲ || v || = ξͳଶ ൅ ͳଶ ൌ ξʹ
|u . v| = 2 < || u || . || v || = ξͳͲǤ ξʹ ൌ ξʹͲ ൌ ʹξͷ
|u . v| = 2 < || u || . || v || = ξͳͲǤ ξʹ ൌ ξʹͲ ൌ ʹξͷ
O exemplo não garante qualquer propriedade, mas essa desigualdade está matematicamente
O exemplo não garante qualquer propriedade, mas essa desigualdade está matematicamente
demonstrada, ainda que não apresentemos essa demonstração neste curso.
demonstrada, ainda que não apresentemos essa demonstração neste curso.
A desigualdade triangular || u + v || d || u || + || v || é decorrência direta da definição de módulo de
A desigualdade triangular || u + v || d || u || + || v || é decorrência direta da definição de módulo de
vetor a partir do produto interno.
vetor a partir do produto interno.
u = (a, b) ֜ || u || = XX = D E
u = (a, b) ֜ || u || = XX = D E
|| u + v ||2 = (u + v) . (u + v) = u . u + 2u . v + v . v =
|| u + v ||2 = (u + v) . (u + v) = u . u + 2u . v + v . v =
= || u ||2 + 2u . v + || v ||2 ≤ || u ||2 + 2 |u . v| + || v ||2
= || u ||2 + 2u . v + || v ||2 ≤ || u ||2 + 2 |u . v| + || v ||2
Pela desigualdade de Cauchy-Schwarz, temos que: |u . v| d || u || . || v ||. Logo, || u + v ||2 ≤ || u ||2 + 2

Pela desigualdade de Cauchy-Schwarz, temos que: |u . v| d || u || . || v ||. Logo, || u + v ||2 ≤ || u ||2 + 2
|u . v| + || v ||2 ≤ || u ||2 + 2 || u || . || v || + || v ||2 = (|| u || + || v ||)2, ou seja, || u + v ||2 ≤ (|| u || + || v ||)2.
|u . v| + || v ||2 ≤ || u ||2 + 2 || u || . || v || + || v ||2 = (|| u || + || v ||)2, ou seja, || u + v ||2 ≤ (|| u || + || v ||)2.
Extraindo a raiz quadrada positiva dessa última desigualdade, temos: || u + v || ≤ || u || + || v ||.
Extraindo a raiz quadrada positiva dessa última desigualdade, temos: || u + v || ≤ || u || + || v ||.
4.54.5
Ortogonalidade
Ortogonalidade
4.5 Ortogonalidade
Definição
Definição
Dois vetores u e v não nulos do espaço vetorial euclidiano V são ortogonais (u٣v) se o produto
Dois vetores u e v não nulos do espaço vetorial euclidiano V são ortogonais (u٣v) se o produto
cartesiano de u e v for nulo (u . v = 0).
cartesiano de u e v for nulo (u . v = 0).
Exemplos
Exemplos
0 Ӈ V é ortogonal a qualquer vetor de V; 0 . v = 0;

0 Ӈ V é ortogonal a qualquer vetor de V; 0 . v = 0;
(1, 0, 0, ..., 0) ٣ (0, 1, 0, 0, ..., 0);
(1, 0, 0, ..., 0) ٣ (0, 1, 0, 0, ..., 0);
50
Álgebra Linear
u ٣v, αu ٣ v, α ӇԹ;
u ٣v, αu ٣ v, α ӇԹ;
(2, 0) ٣ (0, 5) e (-1, 0) ٣ (0, 5) ֜ [(2, 0) + (-1, 0)] ٣ (0, 5);
(2, 0) ٣ (0, 5) e (-1, 0) ٣ (0, 5) ֜ [(2, 0) + (-1, 0)] ٣ (0, 5);
u ٣ w e v ٣ w ֜ (u + v) ٣ w.
u ٣ w e v ٣ w ֜ (u + v) ٣ w.
Conjunto
Conjunto Ortogonal
Ortogonal de vetores
de Vetores
Conjunto Ortogonal de vetores
Definição
Definição
O conjunto {u1, u2, ..., un} de vetores não nulos contido no espaço vetorial euclidiano é um
O conjunto {u1, u2, ..., un} de vetores não nulos contido no espaço vetorial euclidiano é um
sistema ortogonal (conjunto ortogonal) se ui . uj = 0, para todo i z j.
sistema ortogonal (conjunto ortogonal) se ui . uj = 0, para todo i z j.
Exemplos
Exemplos
1. {(1, 0, 0); (0, 1, 0); (0, 0, 1)};

1. {(1, 0, 0); (0, 1, 0); (0, 0, 1)};
2. {(1, 2, 3); (3, 0, 1); (1, -5, -3)} (STEINBRUCH; WINTERLE, 1997, p. 120).
2. {(1, 2, 3); (3, 0, 1); (1, -5, -3)} (STEINBRUCH; WINTERLE, 1997, p. 120).
SaibaSaiba
mais:
Saiba mais:mais
• Todo Todo sistema
sistemasistema
ortogonal
ortogonalortogonal
é LI;
é LI;
Todo é LI;
• Base ortogonal é toda base
Base ortogonal cujos base
é toda vetorescujos
dois avetores
dois são ortogonais;
dois a dois são ortogonais;
Base ortogonal
• Base ortonormal é a baseéortogonal
toda base cujos
cujos vetores
vetores dois aiguais
têm módulos dois asão ortogonais;
1. Exemplo: {(1, 0); (0, 1)}.
Base ortonormal é a base ortogonal cujos vetores têm módulos iguais a 1. Exemplo: {(1, 0); (0,
Base ortonormal é a base ortogonal cujos vetores têm módulos iguais a 1. Exemplo: {(1, 0); (0,
1)}.
1)}.
4.64.6
Resumo
Resumodo
doCapítulo
capítulo
Caro(a) aluno(a),
Caro(a) aluno(a),
O espaço vetorial euclidiano traz em seu contexto conceitos bem conhecidos de outras
O espaço vetorial euclidiano traz em seu contexto conceitos bem conhecidos de outras
disciplinas.
disciplinas.
1. O produto interno no espaço vetorial V sobre ъ (ou Ю) é toda função de V em V (V x V) que

1. O produto interno no espaço vetorial V sobre ъ (ou Ю) é toda função de V em V (V x V) que
a) u . v = v . u;
a) u . v = v . u;
b) u . (v + w) = u . v + u . w;
b) u . (v + w) = u . v + u . w;
c) (αu) . v = α (u . v), α Ӈ ъ;
c) (αu) . v = α (u . v), α Ӈ ъ;
51
d) u . u ≥ 0, para todo u Ӈ V;
e) u . u = 0 se, e somente se, u = 0;
2. O módulo do vetor u pode ser definido como a raiz quadrada do produto interno de u por u:
u = (a,b) ֜ || u || = XX = D E , com as propriedades:

|| u || t 0;
α Ӈ Թ, || αu || = |α| || u ||;
um vetor é unitário se seu módulo for igual a 1: || i || = || j || = 1;
Y
para um vetor v não nulo qualquer, é um vetor unitário; dizemos que foi
Y
normalizado;
3. Calculamos o cosseno de um ângulo formado por dois vetores w = (c, d) e v = (a, b) como:
F D G E
= x x
__ Z __ __ Y __ __ Z __ __ Y __
4. Produto interno usual é definido como uma função f: ъn x ъn o ъ, {(x1, x2, ... , xn), (y1, y2, ... ,
yn)} o x1y1 + x2y2 + ... + xnyn;
5. Usando os vetores u e v:
desigualdade de Cauchy-Schwarz: |u . v| d || u || . || v ||;
desigualdade triangular: || u + v || d || u || + || v ||;
6. Ortogonalidade: dois vetores u e v não nulos do espaço vetorial euclidiano V são ortogonais
(u٣v) se o produto cartesiano de u e v for nulo (u . v = 0).
4.74.7
Atividades
AtividadesPropostas
propostas
1. Determine o valor de m, tal que || v || = , sendo v = (2m, 5, -3, m).
2. Verifique se os conjuntos a seguir formam bases ortonormais:

1. {(1, 0, 0, ... , 0); (0, 1, 0, ... , 0); ... ; (0, 0, ... , 1)}.
2. {(1, 1, 0, ..., 0); (1, -1, 0, ..., 0); ... ; (0, 0, 2, ..., 0)}.
52
5 TRANSFORMAÇÕES LINEARES
5 5 TRANSFORMAÇÕES
TRANSFORMAÇÕESLINEARES
LINEARES
5 TRANSFORMAÇÕES LINEARES
Caro(a)
Caro(a)
aluno(a),
aluno(a),
Caro(a) aluno(a),
NoNoconceito
conceitobásico
básicodedefunções,
funções,definimo-las
definimo-lasa apartir
partirdedeum
umconjunto
conjuntoA Acom
comimagens
imagensem
emum
um
No conceito básico de funções, definimo-las a partir de um conjunto A com imagens em um
conjunto
conjunto
B,B,
que
quecostumamos
costumamos representar
representarpor:
por:
conjunto B, que costumamos representar por:
f: A oo
f: A BB
f: A o B
xo xo y=
y=f(x)
f(x)
x o y = f(x)
AsAsfunções
funçõesreais
reais
são
são asasmais
maisconhecidas
conhecidas e, e,
entre
entre elas,
elas,estão
estão
a função
a funçãolog log (logaritmo),
(logaritmo), asas
funções
funções
As funções reais são as mais conhecidas e, entre elas, estão a função log (logaritmo), as funções
polinomiais
polinomiais (de
(de1º1º
grau,
grau,2º2ºgrau...),
grau...),
asas
trigonométricas
trigonométricas (seno,
(seno,cosseno,
cosseno,tangente...),
tangente...), asas
exponenciais
exponenciais etc.
etc.
polinomiais (de 1º grau, 2º grau...), as trigonométricas (seno, cosseno, tangente...), as exponenciais etc.
Pela
Peladefinição
definiçãodedefunção,
função,f está
f estáaplicada
aplicadaa todos
a todosososelementos
elementosdedeA,A,em emque quecada
cadaumumtemtemumauma
Pela definição de função, f está aplicada a todos os elementos de A, em que cada um tem uma
única
únicaimagem
imagem em emB.B.
única imagem em B.
Uma
Uma função
funçãopode
pode serser
chamada
chamada aplicação
aplicaçãoouou transformação.
transformação.
Uma função pode ser chamada aplicação ou transformação.
Vamos
Vamos definir
definiragora
agora asasfunções
funções em emespaços
espaços vetoriais
vetoriais sobre
sobreumumcorpo.
corpo.
Vamos definir agora as funções em espaços vetoriais sobre um corpo.
Consideremos
Consideremos osos
espaços
espaços vetoriais
vetoriaisUU eVeVeo eo corpo
corpo KK(temos
(temosusado
usado preferencialmente
preferencialmente ososreais ъ,ъ,
reais
Consideremos os espaços vetoriais U e V e o corpo K (temos usado preferencialmente os reais ъ,
mas
mas sempre
sempre citando
citando ososcomplexos
complexos Ю).Ю).
OsOs
elementos
elementos dos
dos espaços
espaços vetoriais
vetoriais
sãosão chamados
chamados vetores
vetores e os
e os
mas sempre citando os complexos Ю). Os elementos dos espaços vetoriais são chamados vetores e os
elementos
elementos dodocorpo,
corpo,escalares.
escalares.
elementos do corpo, escalares.
Lembre
Lembreque quealguns
algunsdos dosespaços
espaçosvetoriais
vetoriaismais maisconhecidos
conhecidossão: são:ԹԹ(conjunto
(conjuntodos dosreais),
reais),Թ2Թ2
Lembre que alguns dos espaços vetoriais mais conhecidos são: Թ (conjunto dos reais), Թ2
(conjunto
(conjuntodos dospontos
pontosououvetores
vetoresrepresentados
representadoscom comduas duasdimensões),
dimensões),Թ3Թ, 3Թ, nԹ, nconjunto
, conjuntodedematrizes
matrizes
(conjunto dos pontos ou vetores representados com duas dimensões), Թ , Թ , conjunto de matrizes 3 n
MMmxn
mxne econjunto
conjuntodedepolinômios
polinômiosdedegrau graumenor
menorououigual iguala an,n,com
comasasoperações
operaçõesdedeadiçãoadiçãoe e
Mmxn e conjunto de polinômios de grau menor ou igual a n, com as operações de adição e
multiplicação
multiplicação porpor
escalar.
escalar.
multiplicação por escalar.
5.1
5.1
Definição
Definição
5.1 dede
DefiniçãoTransformação
Transformação
Linear
Linear Linear
de Transformação
5.1 Definição de Transformação Linear
Dados
Dadososos
espaços
espaços vetoriais
vetoriais
UU eWeW sobre
sobre
oocorpo
corpo K,K,
definimos
definimos como
como transformação
transformação linear
linear(sobre
(sobre
Dados os espaços vetoriais U e W sobre o corpo K, definimos como transformação linear (sobre
K)K)uma
umafunção
função(f)(f)dedeU Uem
emW,W,taltalque, dadou,u,w w U Ue eo oescalar
que,dado escalark k K,K,verifiquem-se
verifiquem-seasasseguintes
seguintes
K) uma função (f) de U em W, tal que, dado u, w U e o escalar k K, verifiquem-se as seguintes
condições:
condições:
condições:
f(u+w)
f(u+w)== f(u)
f(u)
++f(w);
f(w);
53
f(u+w) = f(u) + f(w); Unisa | Educação a Distância | www.unisa.br
f(ku)
f(ku)
==k .kf(u).
. f(u).
condições:
f(u+w) = f(u) + f(w);

Atenção
f(ku) = k . f(u).
Em nosso curso, vamos considerar as transformações lineares sobre K = Թ;
Atençãode U e W serão chamados vetores;
Os elementos
As nosso
Em condições anteriores
curso, vamos permitem-nos
considerar as transformaçõesdizer quesobre
lineares a transformação
K = ℜ; linear mantém a adição de
• Os elementos
vetores de U e W serão chamados
e a multiplicação vetores;
por um escalar;
• As condições anteriores permitem-nos dizer que a transformação linear mantém a adição de vetores e a multipli-
caçãodefinição
Pela por um escalar;
de função, sabemos que todos os elementos de U [u U] terão uma única
• Pela definição de função, sabemos que todos os elementos de U [u ∈ U] terão uma única imagem em W: f(u).
imagem em W: f(u).
5.2
5.2Exemplos
Exemplose Contraexemplos de Espaços
e Contraexemplos Vetoriais
de Espaços Vetoriais
1. f: Թ2 o Թ2, f(x, y) = (x, 0)

Aplicando o exemplo antes de verificar:
f(3, 1) = (3, 0);
f(-5, -5) = (-5, 0);
f(0, 0) = (0, 0).
Verificando se o exemplo é uma transformação linear:
Թ2 é um espaço vetorial, com u = (u1, u2) e w = (w1, w2)
f(u) = (u1, 0) o pela definição de f
f(w) = (w1, 0) o pela definição de f
f(u) + f(w) = (u1, 0) + (w1, 0) = (u1+ w1, 0) (1) o somando as imagens f(u) e f(w) anteriores
f(u + w) = f[(u1, u2) + (w1, w2)] = f(u1 + w1, u2 + w2) o soma de vetores u e w
f(u + w) = f(u1 + w1, u2 + w2) = (u1 + w1, 0) igual a (1) o pela def de f
A 1ª condição – f(u + w) = f(u) + f(w) – foi satisfeita.
f(u) = f(u1, u2) = (u1, 0)
f(ku) = f(ku1, ku2) = (ku1, 0) o multiplicação de vetor por escalar
k . f(u) = k . f(u1, u2) = k (u1, 0) = (ku1, 0)
f(ku) = k . f(u)
A 2ª condição também foi satisfeita.
Então, f: Թ2 o Թ2, f(x, y) = (x, 0) é uma transformação linear.
Comentário:
54
Álgebra Linear
Esta transformação linear é conhecida como projeção no eixo das abscissas. Veja a figura:
I

2. f: Թ2 o Թ, f(x, y) = x
f(3, 1) = 3;
f(-5, -5) = -5;
f(0, 0) = 0;
f(7, 4) = 7.
Թ2 e Թ são espaços vetoriais com u = (u1, u2) e w = (w1, w2), elementos de Թ2, e k, r e s,
elementos de Թ.
f(u) = f(u1, u2) = u1
f(w) = f(w1, w2) = w1
f(u) + f(w) = u1 + w1
u + w = (u1, u2) + (w1, w2) = (u1 + w1, u2 + w2)
f(u + w) = f(u1 + w1, u2 + w2) = u1 + w1
f(u) + f(w) = f(u + w)
f(u) = f(u1, u2) = u1
f(ku) = f(ku1, ku2) = ku1
k . f(u) = k . f(u1, u2) = ku1
f(ku) = k . f(u)
Então, f: Թ2 o Թ, f(x, y) = x é uma transformação linear.
Comentário:
Esta transformação linear é diferente da do exemplo anterior. Observe que aquela era
definida de Թ2 em Թ2 e esta, de Թ2 em Թ; logo, apresentam resultados diferentes, ainda que
aplicadas a um mesmo ponto.
55
3. f: Թ o Թ, f(x) = 2x +1
f(3) = 7;
f(-5) = -9;
f(0) = 1;
f(7) = 15.
Թ é espaço vetorial, com u Թ e w Թ
f(u) = 2u + 1 e f(w) = 2w + 1
f(u) + f(w) = 2(u + w) + 2
f(u + w) = 2(u + w) + 1
f(u + w) ≠ f(u) + f(w)
A 1ª condição não foi satisfeita.
Então, f: Թ o Թ, f(x) = 2x + 1 não é uma transformação linear e não precisamos verificar a
segunda condição, uma vez que a primeira não foi satisfeita.
4. f: Թ o Թ, f(x) = 2x
Թ é espaço vetorial, com u Թ e w Թ
f(u) = 2u e f(w) = 2w
f(u) + f(w) = 2u + 2w = 2(u + w)
f(u + w) = 2(u + w)
f(u + w) = f(u) + f(w)
f(u) = 2u
f(ku) = 2ku
k . f(u) = k . 2u = 2 ku
f(ku) = k . f(u)
Então, f: Թ o Թ, f(x) = 2x é uma transformação linear.
Comentário:
Compare os exemplos 3 e 4. Nos estudos de funções, f(x) = ax (b = 0) é chamada função
linear e f(x) = ax + b (b ≠ 0) é chamada função afim.
56
Álgebra Linear
Saiba mais
SaibaLinear
Operador mais é uma transformação linear f definida em um mesmo espaço vetorial (U): f: U o U.
Transformação
Operador LinearIdentidade é um operador
é uma transformação linear
linear f definida emque aplica espaço
um mesmo cada vetor
vetorialnele U → U. I : U o U, I(u) =
(U): f:mesmo:
Transformação Identidade é um operador linear que aplica cada vetor nele mesmo: I : U → U, I(u) = u.
u.
5.3 Transformação linear através de uma matriz

5.3 Transformação Linear através de uma Matriz
§ ·
Tome como exemplo a matriz A2x3: A= ¨¨ ¸ . Essa matriz aplicará uma transformação
© ¸¹
linear f: Թ3 o Թ2.
Vamos escrever os vetores de Թ3 e Թ2 na forma de vetor-coluna. Assim, dados u = (a, b, c) e w =
(r, s), podemos escrever que:
§D ·
§ · ¨ ¸ §U ·
¨¨ ¸¸ ¨ E ¸ = ¨¨ ¸¸
© ¹ ¨F ¸ ©V ¹
© ¹
Aplicando A em u = (3, 1, 2), temos:
§ ·
§ · ¨ ¸ § [ [ [ · § ·
f(u) = A(u) = ¨¨ ¸¸ ¨¸ = ¨¨ ¸¸ = ¨¨ ¸¸
© ¹ ¨ ¸ © [ [ [ ¹ © ¹
© ¹
De uma forma geral, temos:
§D ·
§ · ¨ ¸ § D E F · §U ·
¨¨ ¸¸ ¨ E ¸ = ¨¨ ¸¸ = ¨¨ ¸¸
© ¹ ¨F ¸ © D E F ¹ ©V ¹
© ¹
§ ·
Então, a matriz A = ¨¨ ¸¸ representa uma transformação linear do Թ3 e Թ2, em que os
© ¹
vetores dos conjuntos são escritos na forma de vetor-coluna.
Saiba mais
Podemos demonstrar
Saiba mais que matrizes da forma m x n representam transformações lineares sobre vetores
dos espaços vetoriais U e W, usando os conceitos de multiplicação de matrizes e produto por escalar.
Podemos demonstrar que matrizes da forma m x n representam transformações lineares sobre vetores dos espaços
vetoriais U e W, usando os conceitos de multiplicação de matrizes e produto por escalar.
57
5.4 Transformação do Vetor Nulo

5.4 Transformação do vetor nulo
Dada uma transformação linear f: U o W e sendo 0 o vetor nulo de V, f(0) = 0 W. Esta

propriedade é consequência da 2ª condição da definição de transformação linear: f(ku) = k . f(u) e vale
para k = 0. Então, f(0 . u) = 0 . f(u) = 0; logo, f(0) = 0.
A 1ª condição é satisfeita, pois: f(0) + f(0) = 0 + 0 = 0 e f(0 + 0) = f(0) = 0. Logo, f(u) + f(v) = f(u + v).
Exemplos
1. f: Թ2 o Թ2, f(x, y) = (x, 0)

Pela definição de f, temos que: f(0, 0) = (0, 0).
2. f: Թ o Թ, f(x) = 2x + 1 não é uma transformação linear. Observe:

f(0) = 2 . 0 + 1 = 1 ≠ 0
Se f(0) ≠ 0, f não é uma transformação linear.
Atenção
Atenção
É necessário
É necessário que que a imagemdo
a imagem dovetor
vetor nulo
nuloseja o vetor
seja nulo para
o vetor nulotermos
parauma transformação
termos linear, mas o fato
uma transformação de f(0)mas
linear,
= 0 não nos garante que seja uma transformação linear.
o fato de f(0) = 0 não nos garante que seja uma transformação linear.
5.5Núcleo
5.5 Núcleodede uma
uma Transformação
transformação linearLinear
Definida a transformação linear f: U o W, chamamos núcleo dessa transformação linear o

conjunto de todos os vetores de U que têm como imagem o 0 (zero) pertencente a W.
Podemos representar por: N(f) = {u U / f(u) = 0}.
Exemplos
1. f: Թ2 o Թ2, f(x, y) = (x, 0)

Todos os elementos de Թ2 com x = 0 terão como imagem (0, 0). Então, N(f) = {(0, y) Թ2} [o
conjunto N(f) é representado no plano cartesiano pelo eixo Y].
58
Álgebra Linear
§ ·
2. Usando a matriz A = §¨¨ ·¸¸ , temos que:
2. Usando a matriz A = ¨¨© ¸¹ , temos que:
© ¸¹
§D ·
§ · §¨ D ·¸ § D E F · § ·
§¨¨ ·¸¸ ¨ E ¸ = §¨¨ D E F ·¸¸ = §¨¨ ·¸¸
¨¨© ¸¸¹ ¨ E ¸ = ¨¨© D E F ¸¸¹ = ¨¨© ¸¸¹
© ¹ ¨© FF ¸¹ © D E F ¹ © ¹
© ¹
D E
Ou seja: ® D E por (1): a = -2b
Ou seja: ®¯ D E F por (1): a = -2b
¯ D E F
Substituindo em (2): 4b + 3b + c = 0 ou -7b = c
Substituindo em (2): 4b + 3b + c = 0 ou -7b = c
Observe: são infinitos vetores, todos na forma (-2b, b, -7b), e, para cada valor atribuído a b,
Observe: são infinitos vetores, todos na forma (-2b, b, -7b), e, para cada valor atribuído a b,
temos um vetor diferente.
temos um vetor diferente.
Se fizermos, por exemplo, b = 1, encontraremos a = -2 e c= -7.
Se fizermos, por exemplo, b = 1, encontraremos a = -2 e c= -7.
§ ·
§ · §¨ ·¸ § · §·
§¨¨ ·¸¸ ¨ ¸ = §¨¨ ·¸¸ = §¨¨ ·¸¸
¨¨© ¸¹ ¨ ¸ = ¨¨© ¸¸¹ = ¨¨© ¸¸¹
© ¸¹ ¨© ¸¹ © ¹ ©¹
© ¹
Para qualquer valor de b, teremos:
Para qualquer valor de b, teremos:
§ E ·
§ · §¨ E ·¸ §·
§¨¨ ·¸¸ ¨ E ¸ = §¨¨ ·¸¸
¨¨© ¸¹ ¨ E ¸ = ¨¨© ¸¸¹
© ¸¹ ¨© E ¸¹ ©¹
© E ¹
Note que N(f) = {(x, y, z) Թ3 / x = -2y e z = -7y}.
Note que N(f) = {(x, y, z) Թ3 / x = -2y e z = -7y}.
5.6 Transformações Lineares como Combinação Linear

5.6 Transformações lineares como combinação linear
5.6 Transformações lineares como combinação linear
Definindo a transformação linear f nos espaços vetoriais U e W como f: U o W, as condições de

Definindo a transformação linear f nos espaços vetoriais U e W como f: U o W, as condições de
linearidade f(u + w) = f(u) + f(w) e f(ku) = k . f(u) permitem-nos afirmar que, dados u, v U:
linearidade f(u + w) = f(u) + f(w) e f(ku) = k . f(u) permitem-nos afirmar que, dados u, v U:
f(ru) = r f(u)
f(ru) = r f(u)e IXY IXIY IUXVY IUXIVY
f(sv) = s f(v)e IXY IXIY IUXVY IUXIVY
f(sv) = s f(v)
f(ru) + f (sv) = r f(u) + s f(v), que nos permite escrever: f(r . u + s . v) = r f(u) + s f(v).
f(ru) + f (sv) = r f(u) + s f(v), que nos permite escrever: f(r . u + s . v) = r f(u) + s f(v).
Ou seja, a transformação linear de uma combinação linear de u e v [ru + sv] é a combinação

Ou seja, a transformação linear de uma combinação linear de u e v [ru + sv] é a combinação
linear de f(u) e f(v), para r e s escalares.
linear de f(u) e f(v), para r e s escalares.
59
Saiba mais
Saiba
Se f mais:
é uma transformação linear definida de U para V, U e V sendo espaços vetoriais, a transformação linear da com-
binação linear dos vetores u1, u2, ..., un é a combinação linear de suas imagens por f. Assim: f(a1u1 + a2u2 + ... + anun) = a1
Se ff(ué1)uma
+ a2 f(utransformação
2
) + ... + an f(un). linear definida de U para V, U e V sendo espaços vetoriais, a transformação
linear da combinação linear dos vetores u1, u2, ..., un é a combinação linear de suas imagens por f.
Assim: f(a1u1 + a2u2 + ... + anun) = a1 f(u1) + a2 f(u2) + ... + an f(un).
5.7 Bases de um Espaço Vetorial e Transformações Lineares

5.7 Bases de um espaço vetorial e transformações lineares
Uma base B = {b1, b2, ..., bn} gera todo o espaço vetorial U, ou seja, cada vetor u U é uma
combinação linear dos elementos de B.
u = a1b1 + a2b2 + ... + anbn
Quando aplicamos f em u, encontramos [f(u)], uma combinação linear das transformações
lineares de b1, b2, ..., bn, ou seja, f(u) = a1f(b1) + a2f(b2) + ... + anf(bn).
Atenção Atenção
Conhecidos f(b ), f(b ), ... , f(bn), a transformação
• Conhecidos f(b ), 1f(b ), ...2, f(b ), a transformação
linear f está bem definida;
linear f está bem definida;
1 2 n
• Não se
Não se pode
podeafirmar queque
afirmar f(b1),f(b
f(b2),),...f(b
, f(b),n) ...
é uma
, f(bbase de W.
1 2 n) é uma base de W.
Exemplo
Exemplo
Consideremos a base B = {(1, 1, 1); (1, 2, 3); (2, -1, 1)} do Թ3 e a transformação linear f de Թ3 em Թ3,
em que: f(1, 1, 1) = (2, 0, 1), f(1, 2, 3) = (3, -1, 3) e f(2, -1, 1)= (1, 3, 1).
Podemos calcular f(5, 2, 8), mesmo sem conhecer a definição de f. Como (5, 2, 8) é uma
combinação linear da base B, podemos escrever: (5, 2, 8) = r(1, 1, 1) + s(1, 2, 3) + t(2, -1, 1).
U V W
°
® U V W
° U V W
¯
Resolvendo o sistema, encontramos: r = -1; s = 2,4; t = 1,8.
Escrevemos então: f(5, 2, 8) = (-1) f (1, 1, 1) + 2,4 f(1, 2, 3) + 1,8 f(2, -1, 1).
Conforme o enunciado, f (1, 1, 1) = (2, 0, 1), f(1, 2, 3) = (3, -1, 3) e f(2, -1, 1)= (1, 3, 1); substituindo,
teremos:
f(5, 2, 8) = (-1) . (2, 0, 1) + 2,4 . (3, -1, 3) + 1,8 . (1, 3, 1)
f(5, 2, 8) = (-2 + 7,2 + 1,8; 0 - 2,4 + 5,4; -1 + 7,2 + 1,8) = (7, 3, 8)
60
Álgebra Linear


Caro(a) aluno(a),
Ao finalaluno(a),
Caro(a) deste capítulo, você deve saber:
Ao final deste capítulo, você deve saber:

1. a definição de transformação linear: dados os espaços vetoriais U e V, (f) de U em W é uma
1. atransformação
definição de transformação
linear se, para linear: Ӈ U, w
todo udados osӇespaços
U e k Ӈvetoriais
ъ: f(u +Uw)e =
V,f(u)
(f) de U em
+ f(w) W é uma
e f(ku) =k.
f(u);
transformação linear se, para todo u Ӈ U, w Ӈ U e k Ӈ ъ: f(u + w) = f(u) + f(w) e f(ku) = k .
2. f(u);
uma matriz de ordem m x n transforma um vetor u de um espaço U de dimensão m em um
2. vetormatriz
uma v de um
de espaço
ordem Vmde
x ndimensão n; um vetor u de um espaço U de dimensão m em um
transforma
3. vetor
a transformação f: U o
v de um espaço W, dimensão
V de aplicada an;
um vetor nulo, terá como resposta um vetor nulo; essa
3. acondição é necessária
transformação f: U opara que f seja
W, aplicada umavetor
a um transformação linear,resposta
nulo, terá como mas ela não é suficiente;
um vetor nulo; essa
4. condição
o núcleo de uma transformação
é necessária para que f linear f:U o
seja uma W é o conjunto
transformação N(f)mas
linear, Unão
= {uela / f(u) = 0 };
é suficiente;
5. oconhecendo
4. a transformação
núcleo de uma transformaçãode cadaf:Uelemento
linear o W é o de uma base
conjunto N(f) =B {u
deum
U / espaço
f(u) = 0 };vetorial U,
5. podemos determinar
conhecendo a transformação
a transformação de qualquer
de cada elemento de elemento
uma basede
B U,
de bastando
um espaçoescrever
vetorialesse
U,
elemento determinar
podemos como combinação linear da
a transformação de base e usando
qualquer os mesmos
elemento coeficientes
de U, bastando com
escrever as
esse
transformadas
elemento comodos elementos da
combinação base.da base e usando os mesmos coeficientes com as
linear
transformadas dos elementos da base.
Caro(a) aluno(a),
Caro(a) aluno(a), deste capítulo para resolver as atividades.

Use os conceitos
Use os conceitos deste capítulo para resolver as atividades.

1. Prove que o operador identidade é uma transformação linear.
2. Prove
1. Թ3 oooperador
Dada f:que Թ2, tal que f(x, y, z) =é(2x,
identidade uma y+ z), verifique selinear.
transformação é uma transformação linear.
2. Dada f: Թ3 o Թ2, tal que f(x, y, z) = (2x, y + z), verifique se é uma transformação linear.
61
RESPOSTAS COMENTADAS DAS
ATIVIDADES PROPOSTAS
RESPOSTAS COMENTADAS DAS ATIVIDADES PROPOSTAS
CAPÍTULO
CAPÍTULO 1
1
1.
[ \ ]
°
®[ \ ]
°[ \ ]
¯
ª º
« »
« »
«¬ »¼
A matriz completa relacionada é:
ª º
« »
« »
«¬ »¼
ҧ somando a 1ª linha com a 2ª multiplicada por (-1) e também a 3ª
ª º
«
« »»
« »¼
multiplicada por (-1), temos: ¬
Trocando a 3ª linha com a 2ª e depois somando a nova 2ª linha multiplicada por (-1) com a
ª º
« »
« »
«¬ »¼
3ª, temos:
ª º
« »
« »
«¬ »¼
Dividindo a 3ª linha por 2, temos: .
Resta associar o resultado às variáveis z, y e x: y = 0, z = 2 e x = 1.
2. Uma matriz de ordem 3 tem 3 linhas e 3 colunas, ou seja, o i e o j variam de 1 a 3 e são esses
valores que usamos para formar a matriz, segundo o enunciado.
1 ǥ ǥ
No caso de i = j, temos: ൥ǥ 1 ǥ൩.
ǥ ǥ 1
1 3 4
Nas demais posições, temos a soma de i e j, ou seja, ൥3 1 5൩.
4 5 1
63
CAPÍTULO 2
1. Aqui, você vê o uso do conceito de espaços vetoriais: como f(ъ) é um espaço vetorial,
podemos somar seus elementos (no caso, as funções) diretamente ou multiplicar por
qualquer real, incluindo o (-1), que existe por ser o elemento simétrico. Então, é só aplicar.
a) f(x) = 3x + 1; g(x) = x2
f + g = x2 + 3x +1
f – 2g = -2x2 + 3x +1
[ VH [ !
VH [ ! °
b ) f(x) = ® g(x) = ® VH d [ d
¯ [ VH [ d °̄ [ VH [
[ VH [ ! [ VH [ !
° °
f + g = ®[ VH d [ d f – 2g = ®[ VH d [ d
°̄ [ VH [ °̄ [ VH [
2. Lembrando que M2 é um espaço vetorial, basta verificar se:

a) 0M E;
b) u, v E, u + v E;
c) D Թ e u E, Du E.
Observando o conjunto E, podemos dizer que é um conjunto de matrizes quadradas da
ordem 2, em que os elementos da 2ª coluna são sempre iguais a zero. Será que os itens
a, b e c da definição de subespaço mantêm essa característica (os elementos zero na 2ª
coluna)?
0 0
a) O 0m = ቂ ቃ. Logo, a 2ª coluna é nula;
0 0
ܽ Ͳ ܿ Ͳ
b) Vamos usar dois elementos de E: u = ቂ ቃ e v = ቂ ቃ. Ao somarmos u + v,
ܾ Ͳ ݀ Ͳ
ܽ൅ܿ Ͳ
encontramos ቂ ቃ, que tem a 2ª coluna formada por zeros. Então, a 2ª condição
ܾ൅݀ Ͳ
está confirmada: u + v Ӈ E;
c) O que acontece se multiplicarmos um elemento de E por algum número real α?
ܽ Ͳ ߙܽ Ͳ
αቂ ቃ=ቂ ቃ, ou seja, o resultado pertence a E.
ܾ Ͳ ߙܾ Ͳ
0
Se as 3 condições forem satisfeitas, E = ቄቂ ቃǡ ‫ א‬Թቅ é subespaço de M2.
0
64
Álgebra Linear
CAPÍTULO 3
1.
a) v = (2, 3), u1 = (1, 1), u2 = (0, 2)
(2, 3) = a(1, 1) + b(0, 2) ҧ (2, 3) = (a, a + 2b), que forma o sistema:

ܽ ൌ ʹ
ቄ
ܽ ൅ ʹܾ ൌ ͵
A equação (1) resulta que a = 2; substituindo na equação (2), temos que 2b = 1, ou seja,
b = ½.
Então, (2, 3) = 2 (1, 1) + ½ (0, 2).
b) v = (2, 3), u1 = (1, 1), u2 = (2, 2)

Da mesma forma que o item a, escrevemos:
(2, 3) = a(1, 1) + b(2, 2) ҧ (2, 3) = (a + 2b, a + 2b), que forma o sistema:

ܽ ൅ ʹܾ ൌ ʹ
ቄ
ܽ ൅ ʹܾ ൌ ͵
A equação (1) resulta que a = 2 – 2b; substituindo na equação (2), temos que 2 - 2b + 2b
= 3, ou seja, 2 = 3, o que é impossível.
Na verdade, estava visível essa impossibilidade, uma vez que (2, 2) é igual a 2 (1, 1), ou
seja, são vetores LD e o vetor (2, 3) não pertence a esse subespaço do ъ2.
2. [S] = {a (0, 1, 2) + b (2, 3, 4) | a, b ъ} = {(2b, a + 3b , 2a + 4b) | a, b ъ}
Logo, [S] ъ3.

VH
3. Aqui, temos um subespaço em que cada elemento tem a forma (x, y, z, t), mas x, y, z e t
devem satisfazer à equação x – y – z + t = 0.
Em linguagem matemática, dizemos (x, y, z, t) U se, e somente se, x – y – z + t = 0 ou x = y
+ z – t.
Escrevendo com símbolos, temos: (x, y, z, t) = (y + z – t, y, z, t) = y(1, 1, 0, 0) + z(1, 0, 1, 0) + t(-
1, 0, 0, 1), ou seja, U é um subespaço gerado pelo conjunto {(1, 1, 0, 0), (1, 0, 1, 0), (-1, 0, 0, 1)}.
65
CAPÍTULO 4
1. Está lembrado(a) da definição de módulo de u? || u || = XX = D E
Use-a: || v || = P P =
Elevando ao quadrado a última igualdade, temos: 4m2 + 25 + 9 + m2 = 39 ou m2 = 39 ҧ m =
r 1.
2. Aqui, temos 3 verificações a fazer: deve ser base, seus vetores devem ser ortogonais 2 a 2 e
de módulo igual a 1.
Lembrando novamente a definição de || u || = XX

, temos que:
a) || (1, 0, 0, ... , 0) || = ඥ1 ൅ 0൅Ǥ Ǥ Ǥ ൅ሻ = 1 = || (0, 1, 0, ... , 0) || = ... = || (0, 0, ... , 1) ||, ou seja,
todos os vetores do exemplo a são normalizados.
b) || (1, 1, 0, ... , 0) || = ξ1 ൅ 1 ൅ 0 ൅ ‫ ڮ‬൅ 0 = ξ2
Se, pelo menos 1 elemento do conjunto não satisfizer a condição, não teremos aqui
uma base ortonormal, sem que precisemos verificar os demais elementos, tampouco as
demais condições; assim, a resposta é NÃO.
Continuemos, então, verificando o conjunto do item a:

todos os seus vetores estão normalizados;
pelo seu formato (o elemento 1 em coordenadas diferentes), o produto de cada duas
será nulo. Por exemplo: (1, 0, 0, ... , 0) . (0, 1, 0, ... , 0) = 0, ou seja, quaisquer dois vetores
que consideremos terão o produto igual a zero, o que implica dizer que são ortogonais;
fazendo a combinação linear a1(1, 0, 0, ... , 0) + a2(0, 1, 0, ... , 0)+ ... + an(0, 0, ... , 1) = (0, 0, ...
, 0), temos: (a1, a2, ... , an) = (0, 0, ... , 0) ҧ a1 = a2 = ... = an = 0 ҧ {(1, 0, 0, ... , 0); (0, 1, 0, ... , 0);
... ; (0, 0, ... , 1)} é LI.
Usando essa mesma combinação linear a1(1, 0, 0, ... , 0) + a2(0, 1, 0, ... , 0) + ... + an(0, 0, ... , 1) =
(x1, x2, ... , xn) ou (a1, a2, ... , an) = (x1, x2, ... , xn), o que nos garante que {(1, 0, 0, ... , 0); (0, 1, 0, ... ,
0); ... ; (0, 0, ... , 1)} gera ъn.
{(1, 0, 0, ... , 0); (0, 1, 0, ... , 0); ... ; (0, 0, ... , 1)} é base e é base ortonormal. Resposta: sim.
66
Álgebra Linear
CAPÍTULO 5
1. Verificando as condições de transformação linear:

a) I(u) = u e I(v) = v I(u) + I(v) = u + v
I(u + v) = u + v I(u) + I(v) = I(u + v)
b) I(ku) = ku e kI(u) = ku I(ku) = kI(u)
A identidade, no espaço vetorial U, é uma transformação linear.
2. Թ3 e Թ2 são espaços vetoriais, com u = (u1, u2, u3) e w = (w1, w2, w3) pertencentes a Թ3; x =
(x1, x2) e y = (y1, y2) pertencentes a Թ2.
f(u) = (2u1, u2 + u3) o pela definição de f
f(w) = (2w1, w2 + w3) o pela definição de f
f(u) + f(w) = (2u1, u2 + u3) + (2w1, w2 + w3) = (2u1 + 2w1, u2 + u3 + w2 + w3) o somando as
imagens f(u) e f(w) anteriores
f(u + w) = f[(u1, u2, u3) + (w1, w2, w3)] = f (u1 + w1, u2 + w2, u3 + w3) o soma de vetores u e w
f(u + w) = f (u1 + w1, u2 + w2, u3 + w3) = [2(u1 + w1), u2 + w2 + u3 + w3] o pela definição de f
[2(u1 + w1), u2 + w2 + u3 + w3) = (2u1 + 2w1, u2 +u3 + w2 + w3)
f(u + w) = f(u) + f(w)
f(u) = f (u1, u2, u3) = (2u1, u2 + u3)
f(ku) = f(ku1, ku2, ku3) = (2ku1, ku2 + ku3)
k . f(u) = k f(u1, u2, u3) = k(2u1, u2 + u3) = (2ku1, ku2 + ku3)
f(ku) = k . f(u)
Então, f: Թ3 o Թ2, f(x, y, z) = (2x, y + z) é uma transformação linear.
67
REFERÊNCIAS
BARONE JUNIOR, M. Álgebra linear. 3. ed. São Paulo: POLI-Universidade de São Paulo, 1995.
CALIOLLI, C. A.; DOMINGUES, H. H.; COSTA, R. C. F. Álgebra linear e aplicações. 4. ed. rev. São Paulo:
Atual, 1983.
______. Álgebra linear e aplicações. 6. ed. São Paulo: Atual, 1990.
CARVALHO, J. P. Introdução à álgebra linear. Rio de Janeiro: Ao Livro Técnico e Científico, 1972.
LIPSCHUTZ, S. Álgebra linear. São Paulo: McGraw-Hill do Brasil, 1972.
NEVES, M. A. G.; BERNADELLI, R. M. S. Álgebra linear. São Paulo: UNISA, 2007.
PAPY, F. Mathématique moderne: géométrie plane. Paris: Labor-Didier, 1966.
SALAHODDIN, S. Introdução à álgebra linear. Brasília: Universidade de Brasília, 2004.
SANTOS, N. M. Vetores e matrizes. Rio de Janeiro: Ao Livro Técnico e Científico, 1975.
STEINBRUCH, A.; WINTERLE, P. Introdução à álgebra linear. São Paulo: Pearson Education do Brasil,
1997.
VALLADARES, R. C. Álgebra linear. Rio de Janeiro: Ao Livro Técnico e Científico, 1990.
69

Álgebra Linear

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

Álgebra Linear

Uploaded by

Copyright:

Available Formats

Maria Amelia Gurgel Neves

Regina Maria Sigolo Bernardinelli

Revisada por Maria Amelia Gurgel Neves (janeiro/2013)

3 COMBINAÇÃO, DEPENDÊNCIA LINEAR E BASES........................................................... 33

4 ESPAÇO VETORIAL EUCLIDIANO............................................................................................... 45

RESPOSTAS COMENTADAS DAS ATIVIDADES PROPOSTAS...................................... 63

1 EQUAÇÕES LINEARES E MATRIZES

preço de um caderno?” Equacionamos esse problema como: 3x = 30 ҧ x = 10. Solução

1. O preço de 3 cadernos é igual a 30 u.m. Qual o preço de um caderno?

͵‫ ݔ‬൅ ʹ‫ ݕ‬ൌ Ͷʹ

ema de 2 equações e 2 variáveis é:

‫ۓ‬ D [  D [    DQ [Q E

ª D D  DQ º ª D D  DQ E º

1. Forme a matriz A2x 3, em que aij = ii+j.

Temos i variando de 1 a 2 e j variando de 1 a 3. Esta é uma matriz complexa, usando as

Um caso particular muito importante da matriz quadrada é a matriz unitária ou identidade.

Dadas as matrizes A e B m x n, A = (aij) e B = (bij), a adição das matrizes (A + B) é a matriz formada

 Para os escalares λ1 e λ2 e a matriz A: (λ1 + λ2). A = λ1A + λ2 A;

1.5 Multiplicação de matrizes

Se Amxn = (aij) e Bnxp = (bij), A x B é a matriz m x p, cujo elemento genérico é cij =

Propriedades da multiplicação de matrizes

Maria Amelia Gurgel Neves e Regina Maria Sigolo Bernardinelli

Propriedades da multiplicação de matrizes

1.6 Matrizes Inversíveis

I = I, em que I é a matriz identidade;

Considere ª º ªA e sua º inversa

E também as matrizes ª º -1 B eªB-1: º

1.7 Sistemas de Equações Lineares

­ D [  D  [     DQ [ Q E

ª D D  DQ º ª [  º ª E º

Sistemas e matrizes escalonados

Se usarmos a matriz completa do sistema

1.8 Operações Elementares de uma Matriz (Sistema)

1. multiplicar todos os elementos de uma linha por um número diferente de zero:

2. somar duas linhas:

3. trocar duas linhas de posição:

4. somar a uma das linhas outra linha multiplicada por k:

1.9 Resumo do Capítulo

a. que em qualquer forma de matriz, aqui representada em sua forma genérica m x n

‫ۓ‬ D [  D [    DQ [Q E

ª D D  DQ º ª D D  DQ E º

Esse sistema pode ser escrito como o produto das matrizes:

ª D D  DQ º ª [  º ª E º

b. a forma geral de alguns tipos de matrizes, até bem conhecidos, como:

 Matriz Quadrada: na qual o número de linhas é igual ao número de colunas;

 elemento neutro: 0mxn

 elemento simétrico: (-A) + A = 0mxn = A + (-A);

1.10 Atividades propostas

1. Resolva o sistema, escalonando a matriz completa:

Verifique os exemplos a seguir. Vamos descrever os conjuntos e as operações de adição,

Dadas as matrizes A e B (m x n), A = (aij) e B = (bij), a adição dessas matrizes (A + B) é a matriz

Multiplicação de matriz por escalar (αx)

Usamos o símboloα( x) para diferenciar a operação do produto de matrizes; aqui, estamos

O conjunto de vetores é, certamente, bem conhecido por você, em muitas disciplinas.

Adição de vetores (+)

Use o ъ2 para rever esse conceito.

Multiplicação por escalar [em ъ ou Ю ] (αu)

Se D é um número real e u = (x1, x2), então a multiplicação de um número real D por u Ӈ ъ2 é

definida como: D . u = D . (x1, x2) = (D.x1, D.x2).

Conjunto polinômios de Grau

Polinômios também formam conjuntos que satisfazem à condição de Espaços Vetoriais. É

 adição (+): f, g  ѝ (I), (f + g) (x) = f(x) + g(x);

 multiplicação por escalar [em ъ ou Ю] (αf): f  F(I), (αf) (x) = αf (x).

2.2 Espaços Vetoriais - Definição

‫ۓ‬ D [ D [ DQ [Q E

ª D D DQ º ª D D DQ E º

Para os escalares λ1 e λ2 e a matriz A: (λ1 + λ2). A = λ1A + λ2 A;

Considere ª º ªA e sua º inversa

E também as matrizes ª º -1 B eªB-1: º

D [ D [ DQ [ Q E

ª D D DQ º ª [ º ª E º

‫ۓ‬ D [ D [ DQ [Q E

ª D D DQ º ª D D DQ E º

ª D D DQ º ª [ º ª E º

Matriz Quadrada: na qual o número de linhas é igual ao número de colunas;

elemento neutro: 0mxn

elemento simétrico: (-A) + A = 0mxn = A + (-A);

adição (+): f, g ѝ (I), (f + g) (x) = f(x) + g(x);

multiplicação por escalar [em ъ ou Ю] (αf): f F(I), (αf) (x) = αf (x).

A1) comutatividade da adição de vetores: u + v = v + u, u, v V;

se os subespaços vetoriais são iguais, a soma é igual a eles: U = W ֜ W + U = U = W;

GG= ={(x,

F F∩‫ځ‬GG= ={(x,

adição em V, definida como:

adição em V, definida como:

A1) comutatividade da adição de vetores: u + v = v + u, u, v V;

1. Para f, g F(ъ), determine f + g e f – 2g (adaptado de CARVALHO, 1972, p. 14).

Logo, [S] V ([S] é um subespaço de V).

... , pn(t) = tn, t ъ, verifique se S gera V.

um conjunto de todos os polinômios de graus menores ou iguais a n;

4. Considere a sequência de conjuntos S1 S2 V (use o diagrama para melhor visualizá-los).

Se um conjunto de vetores é LD, pelo menos um de seus elementos é combinação linear

{0V} é um espaço vetorial cuja base é ;

Exemplo 9 > @ > @

No ъ2: i = (1, 0) e j = (0, 1):

No ъ3: i = (1, 0, 0), j = (0, 1, 0) e k = (0, 0, 1):