CM005

1
U NIVERSIDADE F EDERAL DO PARANÁ
D EPARTAMENTO DE M ATEMÁTICA
M ANUAL T ÉCNICO -D IDÁTICO
Á LGEBRA L INEAR - CM005

T EORIA R ESUMIDA E E XERCÍCIOS
Autor:
Professor José Renato Ramos Barbosa
2017
www.ufpr.br/∼jrrb
2
Conteúdo
1 Introdução: Origem, Objetivos e Diretrizes das Notas 5
2 O Espaço Vetorial R n 7
2.1 Geometria Analítica do R2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.2 R n : Espaço Euclidiano n-dimensional . . . . . . . . . . . . . . . . . . . . . . . 12
2.3 Produto Interno, Módulo e Ângulo em R n . . . . . . . . . . . . . . . . . . . . . 13
2.4 Retas e Hiperplanos em R n . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.5 Subespaços do R n . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.5.1 Exemplos Gerais de Subespaços - Subespaço S Gerado por r Vetores . 20
2.5.2 Exemplo para S Gerado por r = 3 Vetores em R4 . . . . . . . . . . . . 20
2.5.3 LI e LD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.5.4 Dimensão . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.5.5 Ortogonalidade e Ortonormalidade . . . . . . . . . . . . . . . . . . . . 23
2.5.6 Subespaços de Subespaços . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.6 Exercícios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
3 O Espaço Vetorial R m×n 29

3.1 Adição de Matrizes - Multiplicação por Escalares . . . . . . . . . . . . . . . . . 29
3.1.1 Matrizes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
3.1.2 Por que R m×n é Espaço Vetorial? . . . . . . . . . . . . . . . . . . . . . . 31
3.2 Produto e Transposição de Matrizes . . . . . . . . . . . . . . . . . . . . . . . . 32
3.3 Matrizes Quadradas são Importantes! . . . . . . . . . . . . . . . . . . . . . . . 34
3.4 Determinantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3.5 Sistemas Lineares Ax = b e Escalonamento . . . . . . . . . . . . . . . . . . . . 37
3.5.1 Matriz Escalonada Reduzida R e Escalonamento . . . . . . . . . . . . . 39
3.6 Matrizes Invertíveis, Matrizes Elementares e Escalonamento . . . . . . . . . . 43
3.6.1 Matrizes Elementares . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
3.7 Exercícios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
4 Operadores, Autovalores e Autovetores 57

4.1 Funções Lineares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
4.1.1 Núcleo e Imagem de A (ou L) . . . . . . . . . . . . . . . . . . . . . . . . 63
4.1.2 Representação de L em outras Bases . . . . . . . . . . . . . . . . . . . . 68
4.2 Autovalores e Autovetores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
4.2.1 Diagonalização . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
4.2.2 Matrizes Ortogonais e Diagonalização . . . . . . . . . . . . . . . . . . . 77
4.3 Exercícios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
4.3.1 Resoluções de Outros Exercícios . . . . . . . . . . . . . . . . . . . . . . 86
3
4 CONTEÚDO
5 Os Espaços Vetoriais K n e K m×n 89

5.1 Definição e Propriedades do (K n , +, ·) . . . . . . . . . . . . . . . . . . . . . . . 89
5.1.1 Pequena Revisão de C, o Corpo dos Números Complexos . . . . . . . 89
5.1.2 Corpo K . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
5.1.3 Espaço K n . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
5.2 Exercícios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
6 O Espaço Vetorial V (sobre o Corpo K) 95

6.1 Definição e Propriedades do (V, +, ·) . . . . . . . . . . . . . . . . . . . . . . . 95
6.1.1 Exemplos de V Diferentes de K n e K m×n . . . . . . . . . . . . . . . . . 95
6.1.2 Subespaços, Bases, Dimensões, etc . . . . . . . . . . . . . . . . . . . . . 96
6.2 Isomorfismo entre Espaços Vetoriais . . . . . . . . . . . . . . . . . . . . . . . . 97
6.2.1 Se dim V = n, Informações sobre V Podem Ser Obtidas Via Informa-
ções sobre K n . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
6.3 Exercícios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
Capítulo 1
Introdução: Origem, Objetivos e

Diretrizes das Notas
O conteúdo destas Notas de Aulas (NA), que tem sido trabalhado por mais de quinze anos,
ainda está incompleto e ‘em construção’. Daí é provável que a ordem e/ou a redação dos
exercícios, bem como a quantidade dos mesmos, variem em muitas das visitas ao endereço
www.ufpr.br/∼jrrb.
Observação análoga vale para as definições e os resultados que aqui figuram. Ainda, o ob-
jetivo das NA é servir de apoio para o curso Álgebra Linear (CM005/CMA212) ministrado
na UFPR.
Recomendo ainda os seguintes livros:
• VETORES E MATRIZES - U MA I NTRODUÇÃO À Á LGEBRA L INEAR (a partir da 4a

Edição - 2007) do Nathan Moreira dos Santos, publicado pela Editora Thomson.1
• I NTRODUÇÃO À Á LGEBRA L INEAR do Gilbert Strang, publicado pela Editora LTC a

partir da 4a Edição norte-americana.
Aqui, cada nota de rodapé (ndr) tem papel importante (e DEVE ser lida como parte inte-
grante do texto) para quem estiver cursando Álgebra Linear pela primeira vez. O mesmo
vale para demonstrações de alguns resultados e resoluções, sugestões, dicas e respostas de
exercícios quando o texto estiver escrito no tamanho ‘footnote’, isto é, no tamanho de ndr.
Para quem já cursou Álgebra Linear, a leitura pode ser feita em ritmo de revisão.
Deliberadamente não incluí demonstrações de alguns outros resultados pois as disciplinas
CM005 e CMA212 são (predominantemente) para cursos com caráter mais aplicado (enge-
nharias, por exemplo). Alunos interessados em preencher tais lacunas são convidados a
recorrer à outros livros da área (como, por exemplo, os previamente citados).
Aqui, as caixas SOLUÇÃO : e RESPOSTA : têm o mesmo significado, enquanto que a caixa
RESOLUÇÃO : significa o ‘cálculo’ que acarreta tal solução.
O pré-requisito para a leitura destas NA é um curso de Geometria Analítica. Aliás, inicio
tais NA com uma revisão de tal curso no R2 .
Falando em pré-requisitos, gostaria de expressar que vejo a Matemática como uma lingua-
gem tipo Português, Inglês, Francês, etc. Assim, temos também ‘Matematiquês’, ‘Fisiquês’,
1 Nenhuma edição mais antiga serve, principalmente por causa dos exercícios das últimas edições!
5
6 CAPÍTULO 1. INTRODUÇÃO: ORIGEM, OBJETIVOS E DIRETRIZES DAS NOTAS
‘Quimiquês’, ‘Informatiquês’, etc. Aprender uma Língua é antes, praticamente, ser alfabe-
tizado nela. Já nessa etapa preliminar é preciso estudá-la e praticá-la (para não cometer
equívocos com a mesma). Note que não é fácil querer fazer um estudo avançado da Língua
sem ter sido alfabetizado nela. Como diz o ditado: ‘O avançado é fazer o básico bem feito!’.
Por outro lado, para ter fluência na Língua é preciso, além do estudo e da prática, conhecer
todo um jargão da área. Apenas estudar na proximidade de cada prova é perda de tempo
para quase todos que assim procedem.
Sugestões para o aprimoramento e/ou a clareza das NA serão muito bem vindas. Serei, não
só grato mas também todo ouvidos e olhos.
Capítulo 2
O Espaço Vetorial R n
2.1 Geometria Analítica do R2

Em Geometria Analítica (GA), define-se o espaço R2 dos vetores u, v, w representados por
pares ordenados de números reais. Tal espaço, como estabelecido em GA, é dotado de duas
operações definidas ‘coordenada-a-coordenada’: adição u + v e multiplicação por escalar αw
com α real.
u+v
v
u αw com α > 1
w
αw com 0 < α < 1
αw com −1 < α < 0
αw com α < −1
Em GA, define-se ainda o produto interno (escalar)

u · v,
calculado via a soma dos produtos das coordenadas respectivas de u e v, como também
define-se o módulo (comprimento)
√
||w|| = w · w u.c..
Óbvio que também é possível calcular u + w, v + w,

αu, αv, u · w, v · w, ||u|| e ||v||. Além disso, no lugar de
u, v, w e α, poderíamos ter utilizado, respectivamente,
x, y, z, a, . . . e λ, a, x, t, . . ..
Todas tais operações e suas propriedades,1 bem como verificações das mesmas, devem ter
sido vistas tanto geometricamente - por exemplo, como ilustrado na figura anterior - quanto
1 Exemplos: comutatividade tanto da adição quanto do produto interno de vetores; o módulo do múltiplo
escalar de um vetor iguala o produto do módulo de tal escalar pelo módulo de tal vetor; 0 = (0, 0) é o elemento
neutro aditivo; etc.
7
8 CAPÍTULO 2. O ESPAÇO VETORIAL R N
algebricamente e numericamente.
Para os exercícios seguintes, considere antes os seguintes itens:
• i = (1, 0) e j = (0, 1).
||i|| = ||j|| = 1 u.c.

j
• Em geral, u, v e w têm a origem do plano cartesiano como ponto inicial.
y v
w u
x
• Ângulos são medidos em radianos. Contudo, eventuais respostas podem vir em graus.
EXERCÍCIOS SOBRE VETORES EM R2 :

1. Para qual valor de x os vetores u = 1, x2 − 1 e v = ( x + 2, 0) verificam a igualdade
u = v? RESPOSTA : x = −1.
2. Se o vetor u tem módulo igual a 3 u.c. e o vetor v tem módulo igual a 2 u.c., qual é
o maior (respectivamente, menor) valor que o módulo da soma u + v pode assumir?
RESPOSTA : 1 u.c. ≤ || u + v || ≤ 5 u.c..2
v
3. Sejam v 6= 0 e u = ||v||
.
(a) Verifique que u é unitário, isto é, ||u|| = 1 u.c., e tem a mesma direção e o mesmo
sentido de v.3
(b) Determine u se v = (−8, 6). RESPOSTA : u = (−4/5, 3/5).
2 SUGESTÃO : Por um lado, como deve ser de conhecimento comum, vale a seguinte desigualdade trian-
gular
||u + v|| ≤ ||u|| + ||v|| .
Por outro lado, aplicando tal desigualdade na soma
u = (u + v) + (−v)
e usando que
||−v|| = ||v|| ,
obtemos
||u|| − ||v|| ≤ ||u + v|| .
3 SUGESTÕES : Para v = ( x, y), determine u. Daí calcule ||u||. Para outra resolução, devido a v 6= 0,
considere α = ||v1 || e calcule daí o módulo de u = αv.
2.1. GEOMETRIA ANALÍTICA DO R2 9
4. Deve ter sido visto em GA que, para quaisquer vetores u, v e w e para cada escalar α,
temos que:
- (v + u) · w = v · w + u · w; v · (u + w) = v · u + v · w; (distributividade)
- v · u = u · v; (comutatividade)
- v · (αu) √= (αu) · v = α (u · v); (comutatividade, associatividade)
- ||w|| = w · w. (definição de módulo)
Sejam u e v unitários. Use as propriedades anteriores para calcular o produto interno
dos vetores dados em cada um dos itens seguintes.
(a) u e −u. RESPOSTA : −1.

(b) v + u e v − u. RESPOSTA : 0.4
(c) v − 2u e v + 2u. RESPOSTA : −3.
5. O ângulo θ entre dois vetores não nulos, u e v, é aquele entre 0 e π radianos que satisfaz
a condição
u·v
cos θ = .
||u|| ||v||
(a) Verifique a validade de tal condição para u e v unitários e tais que:5

i. o ângulo entre u e i mede π/3 e o ângulo entre v e i mede 2π/3; θ = π/3;
ii. o ângulo entre u e i mede π/4 e o ângulo entre v e i mede 3π/4; θ = π/2.
(b) Verifique a validade da condição anterior, em qualquer caso, em duas etapas:
i. Esboce o gráfico da função f (θ ) = cos θ para θ entre 0 e π radianos. Verifique
daí que, para cada número real r entre −1 e 1 (no eixo das ordenadas), existe
um único θ entre 0 e π (no eixo das abcissas) com r = f (θ );
ii. Via a desigualdade, que possivelmente tenha sido vista em GA,
|u · v| ≤ ||u|| ||v|| ,
verifique que
u·v
||u|| ||v||
é um número r entre −1 e 1.
6. Seja u = ( x, y) ∈ R2 unitário. Seja θ o ângulo entre u e i.

4 RESOLUÇÃO :
(v + u) · (v − u) = (v + u) · (v + (−1)u)
= v · (v + (−1)u) + u · (v + (−1)u) (dist.)
= v · v + (−1) (u · v) + u · v + (−1) (u · u) (dist., comut., assoc.)
= ||v||2 − u · v + u · v − ||u||2 (def. mód.)
= 1 − 0 − 1 (u, v unitários)
= 0.
5 DICA : Use o exercício 6, dado a seguir, para obter as coordenadas de u e v.

(a) Verifique que
u = (cos θ, sen θ )
= cos θ i + sen θ j.
(b) Determine u para cada θ dado a seguir:

i. 0;
ii. π/6;
iii. π/4;
iv. π/3;
v. π/2;
vi. 3π/4.
7. Seja v = ( x, y). Seja θ o ângulo entre v e i.

y
(a) Verifique que tan θ = x .6
(b) Determine θ para v = −4i + 3j.
(c) Determine θ para v = i − j.
8. Do exercício 4 anterior, temos que
u · v = ||u|| ||v|| cos θ.
Use tal fórmula para calcular o produto interno u · v se:
(a) u e v são unitários e representam lados de um triângulo equilátero no primeiro

quadrante;
(b) u é unitário com ângulo de π/4 com o vetor i enquanto que v tem a metade do
comprimento de u e forma um ângulo de 5π/12 com i.
9. Dizer que dois vetores u e v não-nulos são ortogonais (entre si) significa que
u · v = 0.7
Ainda, denotamos tal ortogonalidade por u ⊥ v.
(a) Considere u = i, v = j e u + v. Por um lado, verifique que u ⊥ v. Por outro lado,

calcule ||u||, ||v|| e ||u + v||. Verifique agora que ||u + v||2 = ||u||2 + ||v||2 .
√ √ √ √
(b) Faça como no item anterior para u = 2, 2 e v = − 2, 2 .
(c) Use o Teorema de Pitágoras para verificar que, para quaisquer u e v em R2 ,
||u + v||2 = ||u||2 + ||v||2
se u ⊥ v.
6 SUGESTÃO : Sem perda de generalidade, suponha que v é unitário. Agora aplique o exercício anterior.
7 Veja exercício anterior!
2.1. GEOMETRIA ANALÍTICA DO R2 11
(d) Demonstre o resultado anterior a partir do seguinte fato:
||u + v||2 = (u + v) · (u + v) .
10. Obtenha a equação vetorial da reta r que passa pelo ponto (final de) x0 com vetor diretor (ou
na direção do vetor) a, isto é,
r: x = x0 + ta, t ∈ R,
para:
(a) x0 = (1, 2) e a = (1, 1);

(b) x0 = (1, −2) e a = (−1, 2);
(c) x0 = (2, 2) e a = i;
(d) x0 = (2, 2) e a = j.
Ainda, em cada item anterior, quando possível, determinar a equação afim y = ax + b

da reta r obtida.8
11. Considere r e s duas retas com vetores diretores v e w, respectivamente. Tais retas são
ditas:
• paralelas quando tais vetores diretores são múltiplos escalares um do outro, isto é,
quando
w = αv
para algum escalar α;
• perpendiculares quando v ⊥ w.
Dê exemplos de retas que sejam paralelas (respectivamente, perpendiculares). Escreva

equações vetorias para tais retas.
8 DICA : Apenas no (d), a equação afim não pode ser obtida!

2.2 R n : Espaço Euclidiano n-dimensional

Assim como temos os vetores em R2 , temos os veto-
res em R3 e, em geral, em R n com n inteiro positivo.
Passamos daí do plano para o espaço e para o hiperes-
paço. Neste capítulo estudamos tais (hiper)espaços.
No próximo capítulo, veremos que o que ocorre em
tais espaços, grosso modo, também acontece no es-
paço das ‘matrizes’ m × n.
x ∈ R n significa que: x é a n-upla ordenada cujas coordenadas (ou componentes) são os números
(reais) x1 , . . . , xn , nesta ordem, isto é,
x = ( x1 , . . . , x n ) ,
ou x é a matriz n × 1 cujas entradas da sua única coluna são os números x1 , . . . , xn , nesta

ordem, mas escritos de cima para baixo, isto é,
 
x1
x =  ...  .
 
xn
Em R4 , por exemplo, podemos ter

 
1
 2 
x = (1, 2, 3, 4) ou x = 
 3 .

Um tal x com tais n coordenadas é dito um vetor em R n .

Doravante, se nada for dito em contrário, ‘vetor’ significa vetor em R n .
Em analogia a x, um vetor denotado por outra letra, digamos y, pode ser representado por
 
y1
y = (y1 , . . . , yn ) ou y =  ...  .
 
yn
• A palavra ‘ordenada’, usada anteriormente, significa que a ordem das coordenadas é

importante, isto é, se x e y são dois vetores, então x = y representa a igualdade das
coordenadas respectivas de tais vetores, isto é,
xi = yi , i = 1, . . . , n.
Por exemplo, em R2 , (1, 2) 6= (2, 1).
• A soma dos vetores x e y é o vetor x + y cuja i-ésima coordenada é dada por
xi + yi , i = 1, . . . , n.
2.3. PRODUTO INTERNO, MÓDULO E ÂNGULO EM R N 13
Por exemplo, em R3 , se x = (1, 2, 3) e y = (−1, 1/2, 1), então x + y = (0, 5/2, 4).
• Dados o vetor x e o escalar α ∈ R, o vetor αx cuja i-ésima coordenada é dada por
αxi , i = 1, . . . , n,
é dito um produto por escalar.

1 3/2 1/2
Por exemplo, em R2 , se α = 3 ex= , então αx = .
3 1
Para quaisquer vetores x, y, z e escalares α, β ∈ R, as seguintes propriedades são válidas:
1. x + y = y + x; (comutativa)
2. (x + y) + z = x + (y + z); (associativa)
3. 0 = (0, . . . , 0) ∈ R n é tal que x + 0 = x; (vetor nulo)
4. −x = (−1)x é tal que x + (−x) = 0; (vetor simétrico)
5. α(x + y) = αx + αy; (distributiva em relação a soma dos vetores)
6. (α + β)x = αx + βy; (distributiva em relação a soma dos escalares)
7. (αβ)x = α( βx); (associativa)
8. 1x = x.
EXERCÍCIO : Demonstre tais propriedades.
2.3 Produto Interno, Módulo e Ângulo em R n

Produto Interno. O número real
x · y : = x1 y1 + · · · + x n y n
é dito o produto interno (ou escalar)

 dosvetoresx e y. 
ln√2 −1
Por exemplo, em R3 , se x =  3/ 2  e y =  1 , então x · y = ln(1/2).
−3 cos π4
Para quaisquer vetores x, y, z e cada escalar α ∈ R, valem as seguintes propriedades:
1. x · y = y · x; (comutativa)
2. x · (y + z) = x · y + x · z; (distributiva em relação a soma de vetores)
3. α(x · y) = (αx) · y = x · (αy);
4. x · x ≥ 0 e x · x = 0 se, e somente se, x = 0; (não-negatividade)
5. x · 0 = 0.
EXERCÍCIO : Demonstre as propriedades anteriores.

Note que, embora a demonstração da última propriedade, pela definição de produto
escalar, seja trivial, outra demonstração segue da propriedade distributiva anterior,
x · 0 = x · (0 + 0)
= x · 0 + x · 0,
e do fato de 0 ser o único número tal que
x = x+0
para qualquer x em R.
Módulo. O número real não-negativo

√
||x|| := x·x
q
= x12 + · · · + xn2
é dito o módulo (ou a norma ou o comprimento) do vetor x.

 
3
 4 
Por exemplo, em R4 , se x =  √ 
 − 5 , então
√
6
r
√ 2 √ 2
||x|| = 32 + 42 + − 5 + 6
√
= 9 + 16 + 5 + 6
= 6 u.c.
Para quaisquer vetores x e y e cada escalar α ∈ R, valem as seguintes propriedades:
1. ||αx|| = |α| ||x||;

2. ||x|| ≥ 0; ||x|| = 0 se, e somente se, x = 0; (não-negatividade)
3. |x · y| ≤ ||x|| ||y||; (desigualdade de Cauchy-Schwarz)
4. ||x + y|| ≤ ||x|| + ||y||. (desigualdade triangular)
DEMONSTRAÇÃO DA PROPRIEDADE 3: Se y = 0, ambos os lados da desigualdade se

anulam. Assim, seja y 6= 0. Como
0 ≤ (x + αy) · (x + αy) = x · x + 2α(x · y) + α2 (y · y),

x·y
em particular, se α = − y·y , temos que
( x · y )2 ( x · y )2 ( x · y )2
0 ≤ x·x−2 + = x·x− .
y·y y·y y·y
Assim, multiplicando esta última desigualdade por y · y, temos que
0 ≤ (x · x)(y · y) − (x · y)2 ,
2.3. PRODUTO INTERNO, MÓDULO E ÂNGULO EM R N 15
isto é,
|x · y|2 ≤ ||x||2 ||y||2 .
DEMONSTRAÇÃO DA PROPRIEDADE 4:
||x + y||2 = (x + y) · (x + y)
= x·x+2x·y+y·y
= ||x||2 + 2 x · y + ||y||2
≤ ||x||2 + 2|x · y| + ||y||2
≤ ||x||2 + 2||x|| ||y|| + ||y||2 ,
onde usamos:
• a definição de norma na primeira e terceira igualdades;

• a distributividade do produto interno em relação a soma de vetores e a comutati-
vidade do produto interno na segunda igualdade;
• na primeira desigualdade que t ≤ |t| para cada real t;
• a desigualdade de Cauchy-Schwarz na última desigualdade.
Agora é só aplicar raiz quadrada em ||x + y||2 ≤ (||x|| + ||y||)2 .

EXERCÍCIO : Demonstre as propriedades 1 e 2 anteriores.
Ângulo. Sejam x e y vetores não-nulos. Daí, pela desigualdade de Cauchy-Schwarz e via a

propriedade da não-negatividade de normas,9 temos que
x·y
−1 ≤ ≤ 1,
||x|| ||y||
x·y
isto é, ||x|| ||y|| é um número entre −1 e 1. Por outro lado, existe um único ângulo
θ ∈ [0, π ] (em radianos) cujo cosseno seja igual ao número citado na sentença anterior.
(O caso √
x·y 2 π
= e θ=
||x|| ||y|| 2 4
está ilustrado na figura seguinte.)
1
cos θ
0 π
θ
−1
9 Neste caso, a positividade das mesmas!
Tal θ é aqui denotado por (x, y) e chamado de ângulo entre (os vetores) x e y. Adicio-
nalmente, definimos
x·y
cos(x, y) := ||x|| ||y||
.

1
EXEMPLO : Em R4 , sejam x = (1, −1, 0, 2) e y = −1, 1, 2 , −2 . Daí, como x · y = −6,
√ 5
||x|| = 6 u.c. e ||y|| = 2 u.c., temos que
−6
cos(x, y) ≈
2, 45 · 2, 5
≈ −1.
Então (x, y) ≈ π radianos.
Note que, agora, podemos calcular o produto interno

(de vetores x e y arbitrários) por
x · y = ||x|| ||y|| cos(x, y).
Dizer que x e y são ortogonais (entre si) significa que x · y = 0, isto é,
um dos vetores, x ou y, é nulo
ou
π
(x, y) = 2 radianos.
Por exemplo, em R2 , x = (1, 1) e y = (−1, 1) são ortogonais.
EXEMPLO IMPORTANTE DE VETORES ORTOGONAIS :

Considere i = 1, . . . , n. Seja ei o vetor do R n cuja i-ésima coordenada é 1 e esta é a sua única
coordenada não nula. Daí, é fácil ver que, se juntamente com i, considerarmos o índice
j = 1, . . . , n, temos:

0 se i 6= j;
ei · e j =
1 se i = j.
EXEMPLO : Em R3 , e1 = i, e2 = j e e3 = k representam, repectivamente, as três primeiras

colunas da matriz identidade 3 × 3. Logo
e1 · e1 = e2 · e2 = e3 · e3 = 1;
e1 · e2 = e1 · e3 = e2 · e3 = 0.
Use a comutatividade do produto interno na última

linha para obter os três produtos faltantes!
2.4. RETAS E HIPERPLANOS EM R N 17
2.4 Retas e Hiperplanos em R n

Vamos generalizar os conceitos de reta e plano vistos em GA.
Sejam x0 e a vetores fixos, a 6= 0, x um vetor arbitrário e t um escalar que pode assumir
qualquer valor em R. Daí:
1. x = x0 + ta representa a reta r que passa pelo ponto (final de) x0 na direção do vetor a;
2. a · (x − x0 ) = 0 representa o (hiper)plano Π que passa pelo ponto (final de) x0 com normal
a.
Por exemplo, em R3 , se x0 = ( x0 , y0 , z0 ), a = ( a, b, c) e x = ( x, y, z), as equações paramétricas
de r e a equação geral de Π são dadas respectivamente por:
1. x = x0 + ta, y = y0 + tb, z = z0 + tc com t representando um escalar arbitrário;
2. ax + by + cz = d com d = ax0 + by0 + cz0 .

Para uma ilustração, veja a Figura 2.1.
x = x0 + ta
Π x0
ta
x0 a
a
x − x0
Figura 2.1: Reta r e Plano π em R3 .
E quanto as retas e aos planos que ‘passam’ pela origem?

Seja x0 = 0. Então, r e Π podem ser representados respectivamente por:
1. x = ta ;
2. a · x = 0 .
Para o exemplo em R3 anterior, temos agora:
1. x = ta, y = tb, z = tc ;
2. ax + by + cz = 0 .
2.5 Subespaços do R n
São subconjuntos S do R n tais que:
1. 0 ∈ S ;
2. αx ∈ S para cada escalar α ∈ R e qualquer vetor x ∈ S ;
3. x + y ∈ S para quaisquer vetores x, y ∈ S .
EXEMPLO : Em R2 , a reta (que passa pela origem)

x
S= x= y=x
y

0
é um subespaço do R2 . De fato, note primeiramente que 0 = ∈ S pois as coordenadas
0
do vetor nulo satisfazem a equação y = x, isto é,
x = y = 0 =⇒ y = x.

x1 x2
Sejam agora α ∈ R e x = ,y = ∈ S , isto é,
y1 y2

y1 = x1 ;
y2 = x2 .

αx1
Daí, por um lado, αx = ∈ S pois é fácil ver que
αy1
x = αx1 e y = αy1 =⇒ y = x.

x1 + x2
Por outro lado, x + y = ∈ S pois, claramente,
y1 + y2
x = x1 + x2 e y = y1 + y2 =⇒ y = x.
EXEMPLO : O plano (que passa pela origem)

S = x = ( x, y, z) x + y + z = 0
é um subespaço do R3 . De fato, note primeiramente que 0 = (0, 0, 0) ∈ S pois as coordena-
das do vetor nulo satisfazem a equação x + y + z = 0, isto é,
x = y = z = 0 =⇒ x + y + z = 0.
Sejam agora α ∈ R e x = ( x1 , y1 , z1 ) , y = ( x2 , y2 , z2 ) ∈ S , isto é,

x1 + y1 + z1 = 0;
x2 + y2 + z2 = 0.
Daí, por um lado, αx = (αx1 , αy1 , αz1 ) ∈ S pois
αx1 + αy1 + αz1 = α ( x1 + y1 + z1 )
= α·0
= 0.
2.5. SUBESPAÇOS DO R N 19
Por outro lado, x + y = ( x1 + x2 , y1 + y2 , z1 + z2 ) ∈ S pois
( x1 + x2 ) + ( y1 + y2 ) + ( z1 + z2 ) = x1 + x2 + y1 + y2 + z1 + z2
= x1 + y1 + z1 + x2 + y2 + z2
= 0+0
= 0.
EXEMPLO :

S = x = ( x, y, z) x − y = 0 e z = 0
é um subespaço do R3 . De fato, a reta (que passa pela origem)

S = x = t(1, 1, 0) t ∈ R
representa a interseção dos planos (que passam pela origem) x − y = 0 e z = 0.10 Note que
tal S é a reta do primeiro exemplo de subespaço dado anteriormente, só que agora tal reta
está sendo representada como um subconjunto do R3 .
Os três exemplos anteriores não são casos isolados

Como o próximo exercício vai estabelecer de modo
geral: qualquer hiperplano que passa pela origem é
um subespaço do R n ; interseções de hiperplanos que
passam pela origem (inclusive retas que passam pela
origem) são subespaços do R n .
OK! Vimos exemplos de subespaços S do R n .
Mas quando algum S ⊂ R n não é um subespaço do R n ?
Quando ocorrer ao menos uma das três condições seguintes:
• 0 6∈ S ;
• αx 6∈ S para algum escalar α e algum vetor x de S ;
• x + y 6∈ S para algum par de vetores x e y de S .
EXEMPLO : O plano    
 x 
S= x= y
  x+y+z = 1
 
z
não é um subespaço do R3 por inúmeros motivos. Daremos apenas três. Escolha aquele que
mais te agradar!
1o. 0 6∈ S pois suas coordenadas são tais que 0 + 0 + 0 6= 1;
2o. Se α = −1 e x = e1 , então αx 6∈ S pois suas coordenadas são tais que −1 + 0 + 0 6= 1;
3o. Se x = e1 e y = e2 , então x + y 6∈ S pois suas coordenadas são tais que 1 + 1 + 0 6= 1.

10 Verifique!
2.5.1 Exemplos Gerais de Subespaços - Subespaço S Gerado por r Vetores

EXERCÍCIO : Em cada um dos itens seguintes, verifique que S é um subespaço do R n , sendo
a, a1 , . . . , ar vetores não nulos fixados.
1. S = {0}; (subespaço trivial)
2. S = R n ; (subespaço trivial)
3. S = {x = ta |t ∈ R }; (reta que passa pela origem na direção do vetor a)
4. S = {x | a · x = 0}; (hiperplano que passa pela origem com normal a)
5. S = {x | a1 · x = 0, . . . , ar · x = 0};11 (interseção de r hiperplanos que passam pela origem

com normais a1 , . . . , ar )
6. Considere r vetor(es) do R n , digamos a1 , . . . , ar , e r escalar(es), digamos c1 , . . . , cr . A

soma
c1 a1 + · · · + cr ar ,
que é também denotada por
r
∑ ci ai ,
i =1
é dita uma combinação
linear (CL) de a1 , . . . , ar . Seja S então o conjunto de todas tais
CL’s, isto é, S = x x é CL de a1 , . . . , ar . (subespaço gerado por a1 . . . , ar )
É importante saber, ainda que não seja aqui demons-

trado, que qualquer subespaço de R n é gerado por um
número finito de vetores. Em outras palavras, qual-
quer subespaço S é da forma enunciada neste último
item deste exercício.
2.5.2 Exemplo para S Gerado por r = 3 Vetores em R4

1 3 1
Seja c1 = −1, a1 = (1, −1, 2, 3), c2 = 2, a2 = 1, 0, −1, , c3 = 2 4 e a3 = 3 , 1, −1, −2 ,
então
5 7 19 7
c1 a1 + c2 a2 + c3 a3 = , ,− ,−
4 4 4 2
11 EXEMPLOS :
• Em R3 , seja  

(
x + y + z = 0, 
S= ( x, y, z) x − 2y + z = 0, .
+ y − 3z = 0.
 
x
Aqui, n = r = 3 e a1 = (1, 1, 1), a2 = (1, −2, 1) e a3 = (1, 1, −3).
• Em R4 , seja
n
x + y + w = 0,
S= ( x, y, z, w) .
x − y + z = 0.
Aqui, n = 2r = 4 e a1 = (1, 1, 0, 1) e a2 = (1, −2, 1, 0).
é uma CL de a1 , a2 , a3 . Agora, se c1 = 1, c2 = −1 e c3 = −3, então

17
c1 a1 + c2 a2 + c3 a3 = −1, −4, 6,
2
é uma outra CL de a1 , a2 , a3 . Logo, considerando outras possibilidades para c1 , c2 e c3 , vemos
que existe uma infinidade de CL’s de a1 , a2 , a3 . Em particular, além das duas anteriores,
note que o próprio a1 é uma CL de a1 , a2 , a3 . (De fato, considere c1 = 1, c2 = c3 = 0.)
Analogamente,
a2 e a3 são CL’s de a1 , a2 , a3 . Assim, para tal exemplo, os vetores a1 , a2 ,
a3 , 45 , 74 , − 19 7 17
4 , − 2 e −1, −4, 6, 2 , bem como todas as outras possíveis CL’s de a1 , a2 , a3 ,
representam os elementos de S .
2.5.3 LI e LD
Para o subespaço gerado por a1 , . . . , ar , afirmar que {a1 , . . . , ar } é uma base de S significa
que, além destes r vetores gerarem S , isto é, S = x x é CL de a1 , . . . , ar , temos ainda que
os vetores a1 , . . . , ar são linearmente independentes (LI), isto é, a única solução da equação
x1 a1 + · · · + xr ar = 0
é a trivial
x1 = · · · = xr = 0.
Caso a solução trivial não seja a única solução, dizemos que os r vetores são LD.
EXEMPLOS EM R3 :
• Sejam a1 = (1, −1, 1), a2 = (−1, 1, 2) e a3 = (0, 0, 3). Seja

S = x x é CL de a1 , a2 , a3
o subespaço gerado por a1 , a2 , a3 . Assim, para que {a1 , a2 , a3 } seja base de S , estes três
vetores devem ser LI. Contudo, os vetores a1 , a2 e a3 são LD pois a equação x1 a1 +
x2 a2 + x3 a3 = 0 admite, por exemplo, a solução não trivial x1 = 1, x2 = 1 e x3 = −1
devido a a3 = a1 + a2 . Daí, como a3 é uma CL de a1 , a2 , temos que a3 pertence ao
subespaço S gerado por a1 , a2 , isto é,

a3 ∈ S = x x é CL de a1 , a2 .
Por outro lado, a1 , a2 são LI pois
x1 a1 + x2 a2 = 0 ⇐⇒ ( x1 − x2 , − x1 + x2 , x1 + 2x2 ) = (0, 0, 0)

x1 − x2 = 0
⇐⇒
x1 + 2x2 = 0
⇐⇒ x1 = x2 = 0.
Logo {a1 , a2 } é uma base para S .
• e1 , e2 , e3 são LI pois é fácil ver que x1 e1 + x2 e2 + x3 e3 = 0 só admite a solução trivial
x1 = x2 = x3 = 0. Além disso, tais vetores claramente geram S = R3 :
 
x1
x =  x2  ⇐⇒ x = x1 e1 + x2 e2 + x3 e3 .
x3
Então {e1 , e2 , e3 } é uma base de S .
2.5.4 Dimensão
Seja S um subespaço do R n . Demonstra-se que:
• S tem uma base constituída por r vetores, isto é, S é gerado por r vetores LI.12
• Qualquer base de S tem o mesmo número de vetores, isto é, para duas bases quaisquer
de S , uma com r1 vetores e a outra com r2 vetores, temos necessariamente que
r1 = r2 .
Neste caso, tal número comum de vetores de qualquer uma das bases de S é dito a
dimensão de S
e é denotado por
dim S .
EXEMPLOS :
• No penúltimo exemplo anterior, S é um subespaço de R3 com dim S = 2, isto é, S é

um plano que passa pela origem do espaço euclidiano bidimensional.
• Para S = R4 , é fácil ver que {e1 , e2 , e3 , e4 } é uma base de S e dim S = 4.13
• Ainda em R4 , considere o subespaço S gerado por a1 = (1, 1, 0, 0), a2 = (0, 1, 1, 0) e

a3 = (0, 0, 1, 1), isto é, cada elemento de S pode ser escrito da forma c1 a1 + c2 a2 + c3 a3
com c1 , c2 e c3 em R. Note que a1 , a2 e a3 são LI pois
x1 a1 + x2 a2 + x3 a3 = 0 ⇐⇒ ( x1 , x1 + x2 , x2 + x3 , x4 ) = (0, 0, 0, 0)
⇐⇒ x1 = x2 = x3 = x4 = 0.
Assim, S é um subespaço de R4 , {a1 , a2 , a3 } é uma base de S e dim S = 3.
• Note que, se considerarmos agora a1 = (1, 1, 0, 0), a2 = (0, 1, 1, 0) e a3 = (1, 2, 1, 0),

então {a1 , a2 , a3 } não é uma base de um subespaço do R4 pois a1 , a2 e a3 são LD. De
fato, x1 a1 + x2 a2 + x3 a3 = 0 admite (além da solução trivial), por exemplo, a solução
x1 = x2 = 1 e x3 = −1. Note ainda que a3 = a1 + a2 pertence ao subespaço S gerado
por a1 e a2 . Daí, como a1 e a2 são LI,14 {a1 , a2 } é base de S e dim S = 2.
EXERCÍCIO : Demonstre que dim R n = n pois {e1 , e2 , . . . , en } é uma base de R n .15

12 Comoantecipado na seção 2.5.1, S é gerado por um número finito de vetores. Se tais vetores não são LI,
demonstra-se que podemos eliminar alguns destes, que são CL’s dos demais, e os r restantes geram S e são LI.
13 Veja o caso análogo para o R 3 que acabamos de estudar há algumas linhas atrás!
14 Verifique!
15 Tal base é chamada de canônica.
2.5.5 Ortogonalidade e Ortonormalidade

Sejam a1 , a2 , . . . , ar ∈ R n não nulos e tais que ai · a j = 0 para quaisquer índices i e j com
i 6= j. Neste caso, dizemos que {a1 , . . . , ar } é (um conjunto) ortogonal.
EXEMPLO : Em R 4 ,
     
−1 1 0
 1   0   1 
a1 =   1  , a2 =  1  , a3 =  −1  =⇒ {a1 , a2 , a3 } é ortogonal.
    
0 2 1/2
TEOREMA : ORTOGONALIDADE =⇒ INDEPENDÊNCIA LINEAR .

Isto é, os r vetores de um conjunto ortogonal {a1 , . . . , ar } ⊂ R n são LI.
DEMONSTRAÇÃO : Seja ai um entre os vetores a1 , a2 , . . . , ar . Multiplique ambos os membros
da CL nula
c1 a1 + c2 a2 + · · · + cr ar = 0
por ai . Temos daí que
c 1 a 1 · a i + · · · + c i −1 a i −1 · a i + c i a i · a i + c i +1 a i +1 · a i + · · · + c r a r · a i = 0 · a i .
Mas a ortogonalidade entre os r vetores garante a nulidade dos produtos de quaisquer dois
tais vetores com índices diferentes. Daí a igualdade anterior é simplesmente
ci ai · ai = 0.
Assim, como ai 6= 0, a última igualdade só é válida para ci = 0. Por fim, como i é arbitrário,
concluímos que
c1 = c2 = · · · = cr = 0
e então os r vetores são LI.
EXEMPLO : No exemplo anterior, o subespaço S do R 4 gerado por a1 , a2 , a3 tem dimensão
três pois tais vetores são LI.
Dizer que uma base {a1 , . . . , ar } de um subespaço S é

ortonormal significa que a mesma, além de ser ortogo-
nal, tem r vetores unitários, isto é, cada um deles têm
comprimento unitário.
Assim, como ||vv|| é unitário para qualquer vetor v 6= 0,16 temos que, se {a1 , . . . , ar } é uma
base ortogonal, então
{a1 /||a1 ||, . . . , ar /||ar ||}
16 De 1
fato, seja α = ||v||
. Daí
v
= ||αv||
||v||
= |α| ||v||
1
= ||v||
||v||
= 1 u.c..
é uma base ortonormal de S .17

EXEMPLOS :
• Para S do exemplo anterior, temos que

1 1 1 1 1 2 2 2 1
− √ , √ , √ , 0 , √ , 0, √ , √ , 0, , − ,
3 3 3 6 6 6 3 3 3
é uma base ortonormal.
• Em R n , {e1 , e2 , . . . , en } é ortonormal.18
2.5.6 Subespaços de Subespaços

Sejam agora S1 e S2 subespaços de R n com S1 ⊂ S2 . Neste caso dizemos que S1 é um
subespaço de S2 .
Pode ser demonstrado que
dim S1 ≤ dim S2 ,
com a igualdade ocorrendo se e somente se S1 = S2 .
EXEMPLO : Em R n , considere que S1 é uma reta que passa pela origem e S2 é um plano que
contenha tal reta.
17 Numdos próximos exercícios, veremos que, em geral, tal base é aquela na qual se determina mais facil-
mente as ‘coordenadas’ de um vetor qualquer de S . Além disso, existe um método eficiente para se obter uma
base ortogonal a partir de qualquer outra base de S .
18 Confira página 16!
2.6. EXERCÍCIOS 25
2.6 Exercícios
1. Determine x, y ∈ R4 tais que as coordenadas de x são todas iguais, a última coorde-
nada de y é igual a 1 e x + y = (2, 3, 4, 5).
2. Se x = (1, 2, 3), y = (4, 5, 0) e z = (6, 0, 0), determine escalares x, y e z tais que xx +

yy + zz = (41/2, , 11, 1/2).
3. Obtenha a equação geral do hiperplano do R4 que passa pelos pontos P1 = (1, −1, 1, 0),
P2 = (0, −1, 2, 0), P3 = (1, 0, −2, 2) e P4 = (1, 0, 0, 0). Determine ainda os pontos da
reta que passa por P1 e é perpendicular a tal hiperplano que distam de P1 uma uni-
dade de comprimento.19
4. Em cada um dos itens seguintes, demonstre que S é um subespaço do R n . Além disso,

apresente uma base de S e sua dimensão.

(a) n = 3 e S = x = ( x1 , x2 , x3 ) ax1 + bx2 + cx3 = 0 o plano que passa pela ori-
gem com vetor normal a = ( a, b, c) 6= 0;20
(b) n = 4 e:

i. S = x = ( x1 , x2 , x3 , x4 ) x2 = 2x1 , x3 = 3x1 , x4 = 4x1 uma reta que passa
pela origem;

ii. S = x = ( x1 , x2 , x3 , x4 ) x3 = x1 + 2x2 , x4 = x1 − x2 um plano que passa
pela origem;

iii. S = x = ( x1 , x2 , x3 , x4 ) x4 = x1 + 2x2 + 3x3 .
5. Justifique porque S não é um subespaço do R2 para:

19 RESOLUÇÃO INCOMPLETA COM ALGUMAS CONTAS FALTANDO :
ax + by + cz + dw = e é a equação geral do hiperplano a ser determinada. Daí, se a = ( a, b, c, d) é ortogonal

a x1 = P1 − P4 , x2 = P2 − P4 e x3 = P3 − P4 , obtenha que a = b = c = d = 1. Daí x + y + z + w = 1 é
a equação do hiperplano procurado. Agora, se P1 é o ponto final do vetor x0 , via a equação vetorial da reta
x = x0 + ta, t ∈ R, e observando que procuramos pontos x desta reta tais que
||x − x0 || = ||ta|| = 1 u.c,

1 3 1 1
obtenha os pontos 2, −2, 2, −2 e 23 , − 12 , 23 , 21 que distam uma u.c. de P1 .
20 RESOLUÇÃO : Pelo exercício 6 da página 20, S é um subespaço do R3 se é gerado por r vetores. Vamos
verificar que r = 2 vetores geram S e são LI, que é a garantia de que tais vetores formam uma base de S e
dim S = 2. Assim, note primeiramente que ( a, b, c) 6= 0 tem alguma coordenada não nula. Suponha sem perda
de generalidade que c 6= 0. Então, por um lado, como

a b
S ∋ x = x1 , x2 , − x1 − x2
c c

a b
= x1 1, 0, − + x2 0, 1, − ,
c c

temos que a1 = 1, 0, − ac e a2 = 0, 1, − bc geram S pois todo x ∈ S é CL de a1 e a2 . Por outro lado, a1 e a2
são LI pois temos x = 0 apenas quando x1 = x2 = 0.

x1
(a) S = x= x2 = x12 ;
x2

x1
(b) S = x= x2 = 1 .
x2
6. Demonstre as afirmações seguintes:
(a) Nenhuma base de um subespaço do R n pode conter o vetor nulo pois é LD qual-
quer conjunto finito de vetores do R n que contenha 0.21
(b) Nenhum vetor pode ter ‘coordenadas’ distintas numa mesma base, isto é, se
{a1 , a2 , . . . , ar } é uma base de um subespaço S do R n , c1 , c1′ , c2 , c2′ , . . . , cr , cr′ são
escalares e x ∈ S é tal que
x = c1 a1 + c2 a2 + · · · + cr ar
= c1′ a1 + c2′ a2 + · · · + cr′ ar ,
então c1 = c1′ , c2 = c2′ . . . , cr = cr′ .
c1 , . . . , cr são ditos as coordenadas de x na base {a1 , a2 , . . . , ar }.
(c) Sendo S um subespaço do R n e {a1 , a2 , . . . , ar } uma base ortonormal de S , as

coordenadas de x = c1 a1 + c2 a2 + · · · + cr ar são dadas por
c1 = x · a1 , c2 = x · a2 , . . . , cr = x · ar .22
7. Considere " # " #

√1 − √12
a1 = 2 e a2 = .
√1 √1
2 2
Demontre que {a1 , a2 } é uma base ortonormal do R2 e determine as coordenadas de

1
x=
2
= e1 + 2e2
em tal base.
21 RESOLUÇÃO : Em R n , considere que ai = 0 é um entre os vetores a1 , a2 , . . . , ar . Tais vetores são LD. De
fato, para termos uma CL nula
c1 a1 + c2 a2 + · · · + cr ar = 0
não trivial, basta considerarmos que ci é o único coeficiente não nulo. Por exemplo, para ci = 1, temos
0 · a1 + · · · + 0 · ai−1 + 1 · ai + 0 · ai+1 + · · · + 0 · ar = 0.
22 DICA : Faça como na demostração do teorema que diz que ortogonalidade implica em independência
linear!
2.6. EXERCÍCIOS 27
8. Considere  

√1
 
− √16

− 2√1 3
2  1 
 √1
  √1   √ 
2 3
a1 =   , a2 =   e a3 =  .
   6 
2 3
 0   0  
 √
2 3


0 √2 − 2√1 3
6
Demonstre que {a1 , a2 , a3 } é uma base ortonormal de um subespaço S (de dimensão

3) do R4 e determine as coordenadas de
 
1
 3 
x= 1 

1
= e1 + 3e2 + e3 + e4
em tal base.23
9. (O processo de) Gram-Schmidt utiliza uma base B = {a1 , a2 , . . . , ar } de um subespaço S
do R n para obter uma base ortogonal B ′ = {a1′ , a2′ , . . . , ar′ } de S . Por exemplo, se r = 4
e n ≥ 4, define-se
a1′ := a1 ;
a2 · a1′ ′
a2′ := a2 − a ;
a1′ · a1′ 1
a3 · a ′ a3 · a2′ ′
a3′ := a3 − ′ 1′ a1′ − a ;
a1 · a1 a2′ · a2′ 2
a4 · a ′ a4 · a2′ ′ a4 · a3′ ′
a4′ := a4 − ′ 1′ a1′ − a − a .
a1 · a1 a2′ · a2′ 2 a3′ · a3′ 3
Demonstre que B ′ = {a1′ , a2′ , a3′ , a4′ } é ortogonal.

10. Obtenha uma base ortonormal de R2 aplicando Gram-Schmidt na base {(1, 2), (3, 4)}.24
11. Aplique Gram-Schmidt na base B = {(0, 0, 1, 1), (0, 1, 1, 0), (1, 1, 0, 0)} de um subes-
paço S do R4 .25

12. Dê um exemplo de uma base ortonormal do R3 que contenha o vetor √1 , √1 , √1 .26
3 3 3

1 1 1 1
13. Dê um exemplo de uma base ortonormal do R4 que contenha o vetor 2, 2, 2, 2 .27
23 Podemos obter as coordenadas de um vetor x ∈ R3 arbitrário na base {a1 , a2 , a3 } se x ∈ S . Contudo,
neste exercício, x ∈ S ? Bom, x ∈ S se x é um CL de a1 , a2 e a3 . Assim, vamos resolver tal exercício de maneira
heurística, isto é, vamos supor que tal CL é possível e tentar calcular as coordenadas de x em tal base. Se for
possível calcular tais coordenadas é porque a suposição inicial era verdadeira.
24 Os dois vetores dados são LI. (Verifique!) Daí geram um subespaço S do R 2 de dimensão 2. Então S = R 2 .
25 Os três vetores dados são, de fato, LI. (Verifique!) S é o subespaço gerado por tais vetores. Daí B é, de
fato, uma base.

26 Basta aplicar Gram-Schmidt a uma base {a1 , a2 , a3 } arbitrária com a1 = √1 , √1 , √1 . Considere, por
3 3 3
exemplo, a2 = (1, 0, 0) e a3 = (0, 1, 0). Tal escolha facilita bastante os cálculos!
27 Confira o exercício anterior.
14. O complemento ortogonal S ⊥ do subespaço S do R n é constituído pelos vetores do R n

que são ortogonais a todos os vetores de S , isto é,

S ⊥ = y ∈ R n x · y = 0 para cada x ∈ S .
S⊥
y
S
x
0
A figura anterior ilustra um exemplo para n = 3.
(a) Demostre que S ⊥ é subespaço do R n para todo n.28

(b) Determine uma base para S ⊥ se n e a base de S são dados (respectivamente) por:
i. 2 e {(1, 1)}; SOLUÇÃO : {(1, −1)};
ii. 3 e {(1, 1, 1)}; SOLUÇÃO : {(1, 0, −1), (0, 1, −1)};
iii. 3 e {(1, 0, 1), (0, 1, 1)}; SOLUÇÃO : {(−1, −1, 1)};
iv. 4 e {(1, 1, 1, 1)}; SOLUÇÃO : {(1, 0, 0, −1), (0, 1, 0, −1), (0, 0, 1, −1)};
v. 4 e {(1, 0, 0, 1), (0, 1, 1, 0)}; SOLUÇÃO : {(1, 0, 0, −1), (0, 1, −1, 0)};
vi. 4 e {(1, 1, 0, 0), (0, 1, 1, 0), (0, 0, 1, 1)}; SOLUÇÃO : {(1, −1, 1, −1)}.
OBSERVAÇÕES :
i. Para determinar S ⊥ , basta determinar uma de suas bases. Para isto, note que,
se y ∈ S ⊥ é perpendicular a todo vetor de S e é dada uma base de S , então y
é perpendicular a todo vetor desta base.
ii. Pode ser demonstrado que
dim S + dim S ⊥ = n.
28 RESOLUÇÃO : Vamos verificar que as condições 1., 2. e 3. da página 18 (com S ⊥ no lugar de S ) são
satisfeitas:
1. 0 ∈ S ⊥ pois x · 0 = 0 para todo x ∈ S ;
2. Sejam α ∈ R e y ∈ S ⊥ , isto é, x · y = 0 para todo x ∈ S . Daí αy ∈ S ⊥ pois, para todo x ∈ S , temos que
x · (αy) = α (x · y)
= α·0
= 0;
3. Sejam y1 , y2 ∈ S ⊥ , isto é, x · y1 = 0 = x · y2 para todo x ∈ S . Daí y1 + y2 ∈ S ⊥ pois, para todo x ∈ S ,
x · ( y1 + y2 ) = x · y1 + x · y2
= 0+0
= 0.
Capítulo 3
O Espaço Vetorial R m×n
O espaço R n do capítulo anterior é um caso particular

de um mais geral: o espaço R m×n das ‘matrizes’ m × n.
Tal espaço, além de generalizar o R n , é fundamental
no estudo de ‘sistemas lineares’.
3.1 Adição de Matrizes - Multiplicação por Escalares

3.1.1 Matrizes
• Doravante, matrizes são denotadas por letras maiúsculas em itálico, isto é,
A, B, C, D, I, M, R, etc.
Contudo, algumas matrizes especiais serão representadas por letras maiúsculas em

‘sans-serif’, isto é,
O, D, I, R, E, P.
• As entradas (ou os elementos) de A ∈ R m×n são representadas por aij , dizemos que A é
m × n e denotamos  
a11 a12 · · · a1n
 a21 a22 · · · a2n 
 
A =  .. .. .. .. 
 . . . . 
am1 am2 · · · amn
cujas entradas têm índices i = 1, 2, . . . , m e j = 1, 2, . . . , n.
Representações similares valem para B, C, D, I, M, R, etc.
• Neste capítulo, e na maior parte dessas notas, todas tais entradas são números reais.
• Para i fixo e j variável, representamos a i-ésima linha de A por

A(i, −) = ai1 ai2 · · · ain .
29
30 CAPÍTULO 3. O ESPAÇO VETORIAL R M× N
• Para i variável e j fixo, temos a j-ésima coluna de A representada por

 
a1j
 a2j 
A(−, j) :=  .. 
 
 . 
amj
= aj.
EXEMPLO : Para i = 1, 2, 3 e j = 1, 2, 3, 4, 5, vamos determinar a entrada aij , a linha A(i, −) e

a coluna A(−, j) = a j de
 √ 
1 −1 0 2 2
A =  π π/2 1√ − 2 0  ∈ R 3×5 .
0 −1 1/ 2 1/2 −π
a11 = − a12 = a23 = − a32 = 1;

a13 = a25 = a31 = 0;
a14 = ( a15 )2 = − a24 = ( a33 )−2 = ( a34 )−1 = 2;
a21 = 2a22 = − a35 = π;
√
A(1, −) = 2 ;
1 −1 0 2

A(2, −) = π π/2 1 −2 0 ;
√
A(3, −) = 0 −1 1/ 2 1/2 −π ;

1
A(−, 1) =  π 
0
= a1 ;
 
−1
A(−, 2) =  π/2 
−1
= a2 ;
 
0
A(−, 3) =  1√ 
1/ 2
= a3 ;
 
2
A(−, 4) =  −2 
1/2
= a4 ;
 √ 
2
A(−, 5) =  0 
−π
= a5 .
3.1. ADIÇÃO DE MATRIZES - MULTIPLICAÇÃO POR ESCALARES 31
• A igualdade de A e B, ambas m × n, é estabelecida via
A = B ⇐⇒ aij = bij para i = 1, 2, . . . , m e j = 1, 2, . . . , n.
• Aqui, O denota a matriz cujas entradas são nulas, isto é,
A = O ⇐⇒ aij = 0 com i, j variando como anteriormente.
Por tal motivo, O é chamada de matriz nula.

EXERCÍCIOS :
- A matriz
0 0
A=
0 0, 0000000001
é igual a matriz nula 2 × 2. Tal afirmação é verdadeira ou falsa? Justifique!
- Determine o valor de t para que

t2 − 1 t2 − t
3 2
t − 1 t − 3t + 2
iguale a matriz nula de R2×2 . RESPOSTA : t = 1.
3.1.2 Por que R m×n é Espaço Vetorial?

• Porque é munido de duas operações ’entrada-a-entrada’ caracterizadas pelas oito pro-
priedades estabelecidas a seguir.
– A soma A + B de A e B, ambas m × n, é a matriz m × n cuja entrada da linha i e da

coluna j é definida por:
C = A + B ⇐⇒ cij := aij + bij , i = 1, . . . , m, j = 1, . . . , n.
EXEMPLO : Em R2×3 ,
√ √ √
1 2 ln e −1 −2 2 ln 1 0 − 2 1
+ = .
0 0, 1 1/3 π 1 −4/3 π 1, 1 −1
– Para λ ∈ R e A m × n, o produto por escalar λA é a matriz m × n cuja entrada da

linha i e da coluna j é definida por:
D = λA ⇐⇒ dij := λaij , i = 1, . . . , m, j = 1, . . . , n.
EXEMPLO : Em R2×2 ,
√ √ √ √
1/ 2 2 2 2 2
2 = .
0 −1/4 0 −1/2
• Assim como para o R n , as seguintes propriedades em R m×n são sempre válidas:
1. A + B = B + A; (comutativa)
2. ( A + B) + C = A + ( B + C ); (associativa)
3. A + O = A; (matriz nula)
4. − A := (−1) A =⇒ A + (− A) = O; (matriz oposta)
5. λ( A + B) = λA + λB; (distributiva em relação a soma das matrizes)
6. (λ + β) A = λA + βA; (distributiva em relação a soma dos escalares)
7. (λβ) A = λ( βA); (associativa)
8. 1A = A.
EXERCÍCIO : Demonstre tais propriedades.
Em R m×n , temos conceitos e resultados análogos aos

de R n , tais como subespaço, CL, geradores, LI, LD,
base, dimensão, etc, como ilustram alguns dos exercí-
cios do final deste capítulo. De fato, podemos identifi-
car matrizes m × n e vetores em R mn de modo natural.
Por exemplo, A e
( a11 , . . . , a1n , a21 , . . . , a2n , . . . , am1 , . . . , amn )
onde as mn coordenadas consecutivas de

tal vetor são as entradas consecutivas de
A(1, −), A(2, −), . . . , A(m, −), nesta ordem.
EXEMPLO : O quadro seguinte ilustra a ‘mesma’ CL nula escrita tanto matricialmente

quanto vetorialmente:
R 3×2 R6
 
−2 3
A= 0 6  a = (−2, 3, 0, 6, 4, −12)
 4 −12 
1/6 −1/4
B= 0 −1/2  b = (1/6, −1/4, 0, −1/2, −1/3, 1)
−1/3 1
1 1
12 A + B = O 12 a + b =0
• Em R m×n , A − B := A + (− B).
EXEMPLO : Em R 2×3 ,
√ √ √
1 2 ln e −1 −2 2 ln 1 2 3 2 1
− = .
0 0, 1 1/3 π 1 −4/3 −π −0, 9 5/3
3.2 Produto e Transposição de Matrizes

• Temos uma multiplicação ‘linha-por-coluna’ análoga ao produto interno visto no capí-
tulo anterior.
O produto AB ∈ R m×n de A ∈ R m× p e B ∈ R p×n , nessa ordem, está assim definido:
C = AB ⇐⇒ cij = ai1 b1j + ai2 b2j + · · · + aip b pj para i = 1, 2, . . . , m e j = 1, 2, . . . , n.
3.2. PRODUTO E TRANSPOSIÇÃO DE MATRIZES 33
Neste caso, denota-se cij := A(i, −) · B(−, j).
 
A(1, −) · B(−, 1) A(1, −) · B(−, 2)
··· A(1, −) · B(−, p)
 A(2, −) · B(−, 1) A(2, −) · B(−, 2)
··· A(2, −) · B(−, p) 
.
 
∴ AB =  .. .. .. ..
 . . . . 
A(m, −) · B(−, 1) A(m, −) · B(−, 2) · · · A(m, −) · B(−, p)
Seja b ∈ R p uma coluna qualquer de B. Digamos,

b = B(−, j). Considere agora as p entradas consecuti-
vas, da esquerda para a direita, de uma linha arbitrária
de A. Digamos que A(i, −) seja a linha considerada.
Escreva então estas p entradas como as coordenadas
consecutivas de um vetor a ∈ R p . Daí a · b é o pro-
duto (interno) de tal linha e tal coluna como descrito
anteriormente, isto é,
a · b = A(i, −) · B(−, j).
EXEMPLO : Para A ∈ R2×2 e B ∈ R2×3 , digamos

α β a b c
A= e B= ,
γ δ d e f
temos a matriz 2 × 3

A(1, −) · B(−, 1) A(1, −) · B(−, 2) A(1, −) · B(−, 3)
AB =
A(2, −) · B(−, 1) A(2, −) · B(−, 2) A(2, −) · B(−, 3)

αa + βd αb + βe αc + β f
= .
γa + δd γb + δe γc + δ f
• Em geral, o produto de matrizes não é comutativo.
EXEMPLOS :
- Para A e B do exemplo anterior, embora possamos calcular AB, BA não está definido.
- Ainda que A, B ∈ R2×2 , AB 6= BA em geral!

Por exemplo, verifique isso para

1 0 0 1
A= e B= .
0 0 0 0
(∗) Para A, B ∈ R m× p e C ∈ R p×n arbitrárias, pode ser

demonstrado que
( A + B)C = AC + BC.
EXERCÍCIO : Verifique tal propriedade para A e B do último dos dois exemplos anteriores e
C = I − ( A + B ).
• Temos a operação de transposição:

 
a11 a21 · · · am1
 a12 a22 · · · am2 
A é m × n =⇒ At =  .
 
.. .. .. ..
 . . . . 
a1n a2n · · · amn
Note que At é n × m e
T = At ⇐⇒ tij = a ji com i = 1, 2, . . . , n e j = 1, 2, . . . , m.
EXEMPLO :
 
a d
α β a b c α γ
A= eB= =⇒ At = e Bt =  b e  .
γ δ d e f β δ
c f
(∗) Caso A e B sejam tais que AB esteja definido, como

tal produto de matrizes se comporta sob a ação da
transposição?
Pode ser demonstrado que
( AB)t = Bt At .
EXERCÍCIO : Verifique isto para o exemplo anterior.
3.3 Matrizes Quadradas são Importantes!

• Dizer que uma matriz A é simétrica significa que
At = A.
Para tal igualdade ser verdadeira, em primeiro lugar, A deve ser ‘quadrada’. Isto
ocorrendo, pela definição de At que acabamos de estudar, devem ser iguais quais-
quer duas entradas de A que sejam ‘simétricas’ em relação a sua ‘diagonal principal’,
isto é, aij = a ji sempre que i 6= j.
EXEMPLO DE MATRIZ SIMÉTRICA :
 
a α β
A =  α b γ .
β γ c
• Dizer que uma matriz m × n é quadrada significa que m = n. Neste caso, dizemos que
tal matriz é de ordem n.
3.4. DETERMINANTES 35
• Uma matriz quadrada D cujas entradas de sua diagonal principal são as únicas que po-
dem ser não-nulas é chamada de matriz diagonal. Assim:
 
d11

 d22 zeros 

D=
 ... .

 
 zeros dn−1,n−1 
dnn
• Uma D como a do item anterior tal que

dii = 1, i = 1, 2, . . . , n − 1, n.
é chamada de matriz identidade e é denotada por I. Assim:
 
1

 1 zeros 

I=
 ... .

 
 zeros 1 
1
• Prova-se que, se A é m × p, I é p × p e B é p × n, então

AI = A e IB = B,
isto é, multiplicar matrizes por I, tanto a esquerda quanto a direita, não tem qualquer
efeito sobre tais matrizes, isto é, I é um elemento neutro multiplicativo.
EXERCÍCIO : Verifique isso para

α β a b c 1 0
A= , B= e I= .
γ δ d e f 0 1
Talvez as matrizes quadradas mais importantes sejam

as ‘invertíveis’, isto é, aquelas que tenham ‘inversas’.
Tais matrizes são estudadas adiante e, em particular,
nos exercícios do final deste capítulo.
3.4 Determinantes
• Para A n × n com n > 2, Aij denota a matriz (n − 1) × (n − 1) obtida de A eliminando-
se A(i, −) e A(−, j).1
EXEMPLO : Considere a matriz 3 × 3 dada por
 
1 2 3
A =  4 5 6 .
7 8 9
Obtemos daí as seguintes matrizes 2 × 2:
1A é a A sem a linha e a coluna que se cruzam na entrada aij .
ij

5 6
– A11 = , eliminando-se A(1, −) e A(−, 1);
8 9

4 6
7 9

4 5
7 8

2 3
8 9

1 3
7 9

1 2
7 8

2 3
5 6

1 3
4 6

1 2
– A33 = , eliminando-se A(3, −) e A(−, 3).
4 5
• Para A n × n, o det A é calculado recursivamente ao longo da linha i do seguinte modo:
– Se n = 2, então det A = a11 a22 − a12 a21 ;

– Se n > 2, então
det A = (−1)i+1 ai1 det Ai1 + (−1)i+2 ai2 det Ai2 + · · · + (−1)i+n ain det Ain
(e demonstra-se que det A não depende da linha i escolhida para calculá-lo).
EXEMPLO : Para a matriz A do exemplo anterior, ao longo da primeira linha (i = 1),

temos
det A = (−1)1+1 a11 det A11 + (−1)1+2 a12 det A12 + (−1)1+3 a13 det A13

2 5 6 3 4 6 4 4 5
= (−1) · 1 · det + (−1) · 2 · det + (−1) · 3 · det
8 9 7 9 7 8
= (5 · 9 − 6 · 8) − 2(4 · 9 − 6 · 7) + 3(4 · 8 − 5 · 7)
= −3 + 12 − 9
= 0.
EXERCÍCIO : Para a matriz A do exemplo anterior, verifique que, tanto ao longo da

segunda linha como da terceira, det A = 0.
• Para matrizes quadradas, temos que:
– o determinante do produto é igual ao produto dos determinantes;

– a transposição não altera o determinante.
3.5. SISTEMAS LINEARES AX = B E ESCALONAMENTO 37
EXERCÍCIO : Resolva o exercício 9 da seção de exercícios do final deste capítulo.

• Desta última regra, segue que também podemos calcular o determinante ao longo de
qualquer coluna j:
det A = (−1)1+ j a1j det A1j + (−1)2+ j a2j det A2j + · · · + (−1)n+ j anj det Anj
com A n × n.
EXERCÍCIO : Calcule det A ao longo de qualquer coluna para A do exemplo anterior.
• Uma boa dica para calcular o determinante de uma matriz é escolher entre todas as
linhas e colunas da mesma, aquela com o maior número de zeros. Neste caso, o de-
terminante de tal matriz é zero se a mesma tem uma linha nula ou uma coluna nula.
EXERCÍCIO : Resolva o exercício 7 da seção de exercícios do final deste capítulo.
3.5 Sistemas Lineares Ax = b e Escalonamento

• Note que podemos escrever o sistema linear 3 × 4
 √ √ √ √
 22 x + 2y − 3 2 2 z = 2 2
2x + 4y − 6z = 8

y − z + w = −1
da forma  
 √ √ √ x  √  
2/2 2 −3 2/2 0  2 2
y  

 2 4 −6 0 
  = 8 .
z 
0 1 −1 1 −1
w
Em geral, podemos escrever o sistema linear m × n

a x + a12 x2 + · · · + a1n xn = b1
 11 1


a21 x1 + a22 x2 + · · · + a2n xn = b2

 ···

am1 x1 + am2 x2 + · · · + amn xn = bm
da forma
     
a11 a12 · · · a1n x1 b1
 a12 a22 · · · a2n   x2   b2 
Ax = b com , x= e b= .
     
A= .. .. .. .. ..  ..
 . . . .   .   . 
am1 am2 · · · amn xn bm
• Caso b = 0, o sistema do item anterior é dito homogêneo.

EXEMPLO : Para

x + 2y = 0
,
3x + 4y = 0
temos Ax = 0 com

1 2 x 0
A= , x= e 0= .
3 4 y 0
• A é dita a matriz (de coeficientes) do sistema Ax = b e, enquanto que os aij ’s e os bi ’s são

os nossos conhecidos escalares, x é dito o vetor-coluna de n variáveis.
• Caso as variáveis x1 , x2 , . . . , xn possam ser substituidas por escalares fixos, dizer que o
vetor x = x0 daí obtido é uma solução de Ax = b significa que Ax0 = b.
EXEMPLO : O sistema homogêneo Ax = 0 tem (pelo menos) a solução (nula) x0 = 0.
Por exemplo, para o sistema do exemplo anterior, como as retas y = − 21 x e y = − 43 x
0
se interceptam na origem do R2 , x0 = é a única solução daquele sistema pois
0
Ax0 = 0.
• A ‘matriz aumentada’ do sistema linear 2 × 2

− x + 2y = −1
3x + 4y = 0
é 2 × 3 e dada por
−1 2 | −1
.
3 4 | 0
O ‘conjunto solução’ S de tal sistema consiste de todos os pares ordenados ( x, y) de
números reais que satisfazem simultaneamente as duas equações do sistema anterior.
Note que, como a única solução de tal sistema é
4 3
x= e y=− ,
10 10
segue que
4 3
S= ,− .
10 10
A matriz aumentada de um sistema Ax = b arbitrário é dada por
[ A|b]
e seu conjunto solução é constítuido de todas as soluções de tal sistema.

EXEMPLO : A matriz aumentada do sistema 3 × 4
 √ √ √ √
2 3 2
 2 x + 2y − 2 z = 2 2
2x + 4y − 6z = 8

y − z + w = −1
é 3 × 5 e dada por
 √ √ √ √ 
2/2 2 −3 2/2 0 | 2 2
 2 4 −6 0 | 8 .
0 1 −1 1 | −1
O conjunto solução, S , de tal sistema consiste de todas as quádruplas ordenadas ( x, y, z, w)
que satisfazem simultaneamente as três equações do mesmo.
Como determinar tal S ?

Bom, pode ser demonstrado que, para um sistema m × n arbitrário, ocorre uma das
três possibilidades seguintes:
1. S é vazio, isto é, o sistema não admite solução;

2. S é unitário, isto é, o sistema admite uma única solução;
3. S é infinito, isto é, o sistema admite infinitas soluções.
Resolveremos o sistema do exemplo anterior, isto é,

determinaremos S para o mesmo, via ‘escalonamen-
to’, a partir de sua matriz aumentada, até obtermos
uma matriz R como a do próximo parágrafo. De fato,
tal método de resolução é geral para qualquer sistema!
3.5.1 Matriz Escalonada Reduzida R e Escalonamento

• Uma matriz R é uma escalonada reduzida quando as seguintes condições são satisfeitas:
– A primeira entrada não-nula de cada linha não-nula de R, dita um pivô, é 1;

– A partir da segunda linha de R, o pivô de uma linha (não-nula) está mais a direita
em relação ao pivô da linha anterior;
– Uma coluna de R que contenha um pivô tem as outras entradas nulas;
– Possíveis linhas nulas de R estão abaixo das não-nulas.
EXEMPLOS :
 
1 0 −1 −2
R =  0 1 −1 1  ;
0 0 0 0
 
1 2 0 3 4 5
0 6 0
 0 0 1 7 8 9
0 10 0 
 
 0 0 0 0 0 0
1 11 0 
R= ;
 0 0 0 0 0 0
0 0 1 
 
 0 0 0 0 0 0
0 0 0 
0 0 0 0 0 0
0 0 0
 
0 1 1 0 0 0 0
R= 0 0 0 1 0 1 0 .
0 0 0 0 0 0 1
• Para duas matrizes m × n, dizer que uma delas, digamos A, é equivalente (por linhas) a
outra, digamos B, significa que B pode ser obtida de A via uma das seguintes operações
elementares sobre as linhas A(i, −) e A( j, −), i 6= j fixos, sem alterar as demais linhas de
A:
– B(i, −) = A(i, −) + α A( j, −),2 escalar α 6= 0;

– B(i, −) = α A(i, −),3 escalar α 6= 0;
2 Isto é, a i-ésima linha de B é a soma da i-ésima linha de A e um múltiplo escalar da j-ésima linha de A.
3 Isto é, a i-ésima linha de B é um múltiplo escalar da i-ésima linha de A.
– B(i, −) = A( j, −), B( j, −) = A(i, −).4
Vejamos alguns exemplos:
   
1 2 3 |B(2, −) = A(2, −)
{z
+ (−4) A(1, −)
} 1 2 3
– A= 4 5 6  −→ B =  0 −3 −6  ;
7 8 9 7 8 9
1
B(1, −) = 10 A(1, −)
10 11 | {z } 1 11/10
– A= −→ B= ;
12 13 12 13
   
14 15 16 |B(1, −) = A(3, −){z , B(3, −) = A(1, −)
} 1 2 3
– A = 17
 18 19  −→ B =  17 18 19  .
1 2 3 14 15 16
Pode ser demonstrado que, se A é equivalente a B, então B é equivalente a A. Neste

caso, A e B são ditas equivalentes (entre si).
• Escalonar A (via eliminação de Gauss-Jordan) é obter uma sequência finita de matrizes,

digamos
A, B, C, etc,
com cada uma dessas, a partir da B, equivalente a anterior e com última matriz (da
sequência) escalonada reduzida R.
Todas tais matrizes também são ditas equivalentes (en-

tre si) e, se tal escalonamento termina, digamos, na dé-
cima terceira matriz, representamos tal processo por
A −→ B −→ C −→ · · · −→ M = R.
Ainda, caso existam mais do que 26 matrizes num

dado escalonamento, podemos denotar A = A1 e, no
lugar de
A, B, C, etc,
usar
A1 , A2 , A3 , etc.
Isto porque o nosso alfabeto é constituído de apenas
26 letras!
EXEMPLO : Seja A, por abuso de notação, a matriz aumentada do sistema 3 × 4 ante-
4 Isto é, estão trocadas na B as linhas i e j da A.

rior. Daí:
 √ √ √ √  √
2/2 2 −3 2/2 0 | 2 2 B(1, −) = 2 A(2, −)
| {z }
A= 2 4 −6 0 | 8  −→
0 1 −1 1 | −1
 
1 2 −3 0 | 4 C (2, −) = B(2, −) − 2 B(1, −)
| {z }
B = 2 4 −6 0 | 8
  −→
0 1 −1 1 | −1
 
1 2 −3 0 | 4 D (2, −) = C (3, −), D (3, −) = C (2, −)
| {z }
C= 0 0 0 0 | 0  −→
0 1 −1 1 | −1
 
1 2 −3 0 | 4 E(1, −) = D (1, −) − 2 D (2, −)
| {z }
D = 0 1 −1 1 | −1
  −→
0 0 0 0 | 0
 
1 0 −1 −2 | 6
E = 0 1 −1 1 | −1
  = R.
0 0 0 0 | 0
Tal R é a matriz aumentada do sistema 2 × 4

x − z − 2w = 6
.
y − z + w = −1
Demonstra-se que o escalonamento da matriz aumen-

tada de um sistema m × n não altera o conjunto solu-
ção do mesmo.
Assim, para o exemplo anterior, S é o mesmo tanto para o primeiro sistema quanto
para o último, mais fácil de resolver.
De fato, ( x, y, z, w) ∈ S é tal que, se z = α e w = β são escalares arbitrários,
( x, y, z, w) = (z + 2w + 6, z − w − 1, z, w)
= (α + 2β + 6, α − β − 1, α, β)
= α(1, 1, 1, 0) + β(2, −1, 0, 1) + (6, −1, 0, 0).
Isto quer dizer que S é infinito e, para quaisquer valores de α e β que forem conside-
rados, a expressão anterior é uma das infinitas soluções dos sistemas anteriores.5
• Dizer que um dado sistema m × n não tem solução significa que sua matriz aumentada
é equivalente a alguma matriz com alguma linha na forma

0 0 0 · · · 0 | α com α 6= 0.
Tal linha representa uma equação do tipo
0 · x + 0 · y + 0 · z + etc = α 6= 0,
5 Verifique!
isto é,
0 = α 6= 0!

x + 2y − z
 = 3
EXEMPLO : O sistema − x − y − z = −2 não tem solução pois
− y + 2z = −2

   
1 2 −1 | 3 1 2 −1 | 3
 −1 −1 −1 | −2  →  0 1 −2 | 1 
0 −1 2 | −2 0 −1 2 | −2
 
1 2 −1 | 3
→  0 1 −2 | 1 
0 0 0 | −1
com terceira linha,

0 0 0 | −1 ,
representando 0 = −1!
• Em considerando o escalonamento de um sistema homogêneo arbitrário, é desnecessá-

rio escrever a coluna nula b = 0 da matriz aumentada de tal sistema pois as operações
elementares não alteram tal coluna!
EXERCÍCIO : Qual é o conjunto solução S do sistema
 √ √ √
 22 x + 2y − 3 2 2 z = 0
2x + 4y − 6z = 0 ?

y − z + w = 0
RESPOSTA : ( x, y, z, w) ∈ S é tal que, se z = α e w = β são escalares arbitrários,
( x, y, z, w) = (z + 2w, z − w, z, w)
= (α + 2β, α − β, α, β)
= α(1, 1, 1, 0) + β(2, −1, 0, 1).
O sistema homogêneo do exercício anterior e o sistema não-

homogêneo do penúltimo exemplo anterior diferem apenas em
suas matrizes aumentadas. De  fato,
 a última coluna do sis-
0
tema homogêneo é nula, 0 =  0 , enquanto que a do não-
0
 √ 
2 2
homogêneo é dada por  8 . Note ainda que as solu-
−1
ções ‘gerais’ de tais sistemas diferem apenas pela solução xP =
(6, −1, 0, 0) ‘particular’ do sistema não-homogêneo. De fato, é
fácil provar que, para um sistema não-homogêneo arbitrário,
xNH
é a solução ‘geral’ de Ax = b se, e somente se,
xNH = xH + xP
onde xH é a solução ‘geral’ de Ax = 0 e xP é uma solução ‘parti-

cular’ de Ax = b.
3.6. MATRIZES INVERTÍVEIS, MATRIZES ELEMENTARES E ESCALONAMENTO 43
3.6 Matrizes Invertíveis, Matrizes Elementares e Escalona-

mento
Para matrizes A, B e C, quadradas e de mesma ordem, temos que:
• Se A possui inversa a direita, B, e inversa a esquerda, C, isto é,
AB = I = CA,
então B = C.
De fato,
B = IB
= (CA) B
= C ( AB)
= CI
= C.
Denotamos tal B = C por A−1 ; A é dita invertível e A−1 é dita a inversa de A.

EXEMPLO :

1 2 −1 −2 1
A= ⇐⇒ A =
3 4 3/2 −1/2
• Se A tem uma linha (respectivamente, coluna) nula, então A não tem inversa a direita
B (respectivamente, a esquerda C).
De fato, para ver isto, note primeiramente que AB (respectiva-

mente, CA) tem uma linha (respectivamente, coluna) nula. Daí
AB 6= I (respectivamente, CA 6= I).
• Se det A 6= 0, a matriz
a b
A=
c d
(arbitrária) é invertível e
d −b
−1 det A det A
A = −c a
det A det A
é a sua inversa.
De fato, basta verificar que AA−1 = I, já que a verificação de

A−1 A = I é análoga. Assim:
ad−bc − ab+ba
−1 det A det A
AA = cd−dc −cb+da
det A det A

1 0
= ( ad − bc = det A 6= 0)
0 1
= I.
EXEMPLO : Considere o exemplo anterior.

• Seja A invertível. Daí:
−1
– A−1 é invertível e A−1 = A;6
−1 t
– At é invertível e At = A−1 .7
EXEMPLO : Verifique tais propriedades para o exemplo anterior.
• Sejam A e B invertíveis. Daí AB é invertível e ( AB)−1 = B−1 A−1 .8
EXERCÍCIO : Verifique tal propriedade para

1 2 −3/2 −1
A= e B= .
3 4 −1/2 0
3.6.1 Matrizes Elementares

Estas possibilitam interpretar o processo de escalonamento como um produto das mesmas;
além disso, podemos calcular a inversa de qualquer matriz (invertível) como produto de
matrizes elementares. Assim, sendo I uma matriz identidade, chama-se de matriz elementar,
digamos E, aquela obtida via a aplicação de uma operação elementar sobre I. Simbolica-
mente:
I −→ E (†)
EXERCÍCIO : Apresente todas as matrizes elementares 2 × 2.

1 0
RESOLUÇÃO : Se I = e c ∈ R é não nulo, então E pode apresentar-se de uma das seguintes formas:
0 1

c 0 1 0
1. ou ;
0 1 0 c

1 0 1 c
2. ou ;
c 1 0 1

0 1
3. .
1 0
OBSERVAÇÃO : Aplicar uma operação elementar em A ∈ R m×n e daí obter B, equivalente

a A, tem o mesmo resultado de aplicar tal operação elementar na identidade I ∈ R m×m e
multiplicar a matriz elementar E, daí obtida, a esquerda de A. Simbolicamente:
A −→ B = EA (††)
com ‘−→’ como em (†).
EXEMPLO :

0 1 1 −1
A= −→ B =
−1 2 −1 2

1 −1 0 1
=
0 1 −1 2
= EA
6 Verifique como exercício!
7 Idem!
8 Idem!
3.6. MATRIZES INVERTÍVEIS, MATRIZES ELEMENTARES E ESCALONAMENTO 45

0 1 1 0
onde aplicamos a mesma operação elementar em A = eI= :
−1 2 0 1
B(1, −) = A(1, −) − A(2, −) e E(1, −) = I(1, −) − I(2, −),
isto é, em ambas as matrizes, no lugar da primeira linha, colocamos a primeira linha menos
a segunda.
• Toda matriz elementar é invertível.

EXERCÍCIO : Verifique a invertibilidade de todas as matrizes elementares 2 × 2 apre-
sentadas no exercício anterior.9
• Como o produto de matrizes invertíveis (de mesma ordem) é invertível, então o pro-
duto de matrizes elementares (de mesma ordem) é invertível.
EXERCÍCIO : Multiplique as matrizes elementares 2 × 2 do penúltimo exercício ante-
rior, em qualquer ordem, e verifique que o produto daí obtido é invertível.
Na seção de exercícios, veremos como escalonamento

e invertibilidade estão relacionados via (††) da p. 44!
9 Isto é válido para matrizes elementares n × n quaisquer. Contudo, tal fato não será aqui demonstrado.
Caso haja interesse, consulte as referências sugeridas.

3.7 Exercícios
1. Considere  √ 
1 −1 0 2 2
A =  π π/2 1√ −2 0 
0 −1 1/ 2 1/2 −π
e B = At . Verifique que C = AB e D = BA são simétricas, isto é, C t = C e D t = D.
DICA : Como A é 3 × 5 e
 
1 π 0

 −1 π/2 −√1 

B=
 0 1 1/ 2 

 2
√ −2 1/2 
2 0 −π
é 5 × 3, segue que C é 3 × 3 e D é 5 × 5.
Vejamos agora o cálculo da entrada c12 de C:
c12 = A(1, −) · B(−, 2)
√
= 1 · π + (−1) · (π/2) + 0 · 1 + 2 · (−2) + 2 · 0
π
= −4
2
π−8
= .
2
Todas as outras entradas, tanto de C quanto de D, são calculadas de modo análogo.
2. Sejam
1 −1 1 1 2 1 −2 2 0
A= ,B= eC=
−1 2 0 1 1 −1 1 0 1
em R2×3 . Determine:
(a) a CL A + 2B − C;
(b) a CL αA + βB − C cuja primeira coluna é nula;10
(c) se A e B são LI.11
3. Demonstre as propriedades (∗) enunciadas neste capítulo.
RESOLUÇÃO : Para M ∈ R m× p e N ∈ R p×n arbitrárias, vimos que a entrada da linha i e coluna j do
produto MN ∈ R m×n é dada por ( MN )ij = M(i, −) · N (−, j). Sejam então A, B e C adequadas para
a verificação da distributiva da soma em relação ao produto. Daí, para índices i e j que representem
linhas e colunas, respectivamente, temos que
[( A + B)C ]ij = ( A + B)(i, −) · C (−, j)
= ( A(i, −) + B(i, −)) · C (−, j)
= A(i, −) · C (−, j) + B(i, −) · C (−, j)
= ( AC )ij + ( BC )ij
= ( AC + BC )ij .
Então ( A + B)C = AC + BC.
10 SUGESTÃO :
Obtenha escalares α e β tais que αa1 + βb1 − c1 seja o vetor nulo.
11 RESOLUÇÃO :Suponha A, B LD. Daí existe escalar λ tal que A = λB. Logo, examinando a última entrada
da última linha de cada matriz, temos 0 = λ · (−1), isto é, λ = 0. Logo A = 0! Obviamente, A dada no
enunciado deste exercício não é a matriz nula e a suposição inicial sobre a dependência linear das matrizes é,
assim, falsa.
3.7. EXERCÍCIOS 47
Note que, na terceira igualdade acima, usamos que a adição de

vetores é distributiva em relação ao produto interno de vetores.

Agora, para M, a entrada da linha i e coluna j de Mt é tal que Mt ij = M ji . Sejam então A e B tais que
AB está definido. Daí, para cada índice i que represente uma linha de A e cada índice j que represente
uma coluna de B, temos que

( AB)t ij = ( AB) ji
= A( j, −) · B(−, i )
= B(−, i ) · A( j, −)

= Bt (−, i ) · At (−, j)

= Bt At ij .
Então ( AB)t = Bt At .
Note que, na terceira igualdade acima, usamos que o produto

interno de vetores é comutativo.
4. Sejam a1 = A(−, 1), a2 = A(−, 2) e a3 = A(−, 3) os vetores-coluna e b1 = A(1, −)t ,

b2 = A(2, −)t e b3 = A(3, −)t as transpostas dos vetores-linha de
 
1 2 3
A =  4 5 6 .
7 8 9
(a) Verifique que a3 = 2a2 − a1 e b3 = 2b2 − b1 ;

(b) Escreva a1 e a2 como combinações lineares de b1 e b2 ;12
(c) Escreva b1 e b2 como combinações lineares de a1 e a2 ;13
(d) Conclua (a partir dos itens anteriores) que os vetores-linha e os vetores-coluna de
A geram o mesmo plano (subespaço de dimensão 2) de R3 .14
5. Verifique que os vetores-coluna de

 
1 1 0
 0 1 1 
0 0 0
geram um subespaço (de dimensão 2) de R3 diferente daquele gerado por seus vetores-
linha.
RESOLUÇÃO : Denote por Sℓ o subespaço de R3 gerado pelas linhas de A, isto é, gerado por v1 =
(1, 1, 0) e v2 = (0, 1, 1). (Note que, embora o vetor nulo represente a terceira linha de tal matriz, e
12 SOLUÇÃO : 11 2 10 1
3 b1 − 3 b2 e a2 = 3 b1 − 3 b2 .
a1 =
13 SOLUÇÃO : b = − 1 a + 2 a e b = − 10 a + 11 a .
1 3 1 3 2 2 3 1 3 2
14 RESOLUÇÃO : Denote por S o subespaço de R 3 gerado pelos vetores b , b e b3 . Denote por Sc o
ℓ 1 2
subespaço de R3 gerado pelos vetores a1 , a2 e a3 . Por um lado, tanto b1 e b2 como a1 e a2 não são colineares,
isto é, tanto b1 , b2 como a1 , a2 são LI. Segue daí e do item (a) que podemos descartar b3 , a3 para que {b1 , b2 }
seja uma base de Sℓ e {a1 , a2 } seja uma base de Sc . Por outro lado, o item (b) nos diz que, como cada vetor da
base de Sc pertence a Sℓ , qualquer vetor de Sc pertence a Sℓ , isto é, Sc ⊂ Sℓ . Analogamente, Sℓ ⊂ Sc pelo item
(c). Assim, Sℓ = Sc é um subespaço de R3 de dimensão dois, isto é, Sℓ = Sc é um plano em R3 .
daí seja um vetor do espaço gerado pelas linhas de A, o mesmo não pertence a base alguma de Sℓ .)
Denote agora por Sc o subespaço do R3 gerado pelas colunas de A, isto é, gerado por e1 = (1, 0, 0) e
e2 = (0, 1, 0). (Note que, embora v1 = (1, 1, 0) também represente a segunda coluna de A, devido a
v1 = e1 + e2 , podemos considerar a base de Sc composta apenas pelos dois primeiros vetores da base
canônica.) Por outro lado, é importante ressaltar que bases distintas podem gerar o mesmo subespaço,
isto é, o fato de as bases escolhidas serem formadas por vetores distintos não significa que Sℓ e Sc
sejam distintos.15 Ambos os subespaços têm infinitos vetores e o que vai distingui-los é a apresentação
de algum vetor de um deles que não seja gerado pelos vetores da base do outro. Podemos ver, por
exemplo, que v2 é um vetor pertencente a Sℓ que não pode ser escrito como combinação linear de e1 e
e2 , que compõem a base de Sc .
6. Seja M = R2×2 . A dimensão de M é 4. De fato, uma base de M, dita canônica, é

constituída das matrizes

1 0 0 1 0 0 0 0
A= , B= , C= e D= ,
0 0 0 0 1 0 0 1

a b
pois toda matriz M = ∈ M é uma CL das matrizes A, B, C e D, isto é,
c d
aA + bB + cC + dD = M,
e M é a matriz nula apenas quando a = b = c = d = 0, confirmando que A, B, C e D

são LI.
(a) Seja TS o subconjunto de M das matrizes triangulares superiores. Verifique que

TS é um subespaço de dimensão 3 de M, gerado por A, B e D;
(b) Seja D o subconjunto de TS das matrizes diagonais. Verifique que D é um subes-
paço de dimensão 2 de TS , gerado por A e D;
(c) Seja I o subconjunto de D das matrizes que são múltiplos da matriz identidade I.
Verifique que I é um subespaço de dimensão 1 de D , gerado por I;
(d) Descreva um subespaço de M que contém A mas não − D.
(e) Se um subespaço de M contém A e − D, deve conter I?
(f) Como vimos, uma matriz quadrada é dita simétrica quando é igual a sua trans-
posta. Seja S o subconjunto de M das matrizes simétricas. Verifique que S é um
subespaço de dimensão 3 de M, gerado por A, D e B + C.
7. Calcule os seguintes determinantes:

1 1
(a) ; RESPOSTA : -2;
1 −1
 
2 0 1
(b)  0 1 0 ; RESPOSTA : 3;
1 0 2
15 Por exemplo, seja v = (1, −1, 0). Daí v e v geram o mesmo subespaço que e e e . Para outro exemplo,
1 1 2
confira o exercício anterior.
3.7. EXERCÍCIOS 49
 
0 3 1 28
 0 0 0 3 
(c) 
 0 0
; RESPOSTA : 36;
2 71 
2 36 −9 3
 
1 0 0 0
 5 2 0 0 
(d)  8 6
; RESPOSTA : 24.
3 0 
0 9 7 4
8. Como sabemos, cada entrada da diagonal principal de uma matriz quadrada tem o
índice das linhas igual ao das colunas. Ainda, se as entradas acima ou abaixo da dia-
gonal principal são nulas, tal matriz é dita triangular. Demonstre que o determinante
de tal matriz é o produto das entradas de sua diagonal principal.16
9. Verifique as regras det At = det A e det( AB) = (det A)(det B) para

2 3 1 1
A= e B= .
1 4 5 −2
10. Via escalonamento, determine o conjunto solução, S , de cada um dos sistemas seguin-
tes:

 2x + y − 2z = 10
(a) 3x + 2y + 2z = 1 RESPOSTA : S = {(1, 2, −3)};
5x + 4y + 3z = 4


 x + 2y − z = 0
(b) 2x − y + 3z = 0 RESPOSTA : S = { α (−1, 1, 1) | α ∈ R };
4x + 3y + z = 0


 x + y + z = 4
(c) 2x + 5y − 2z = 3 RESPOSTA : S = ∅;
x + 7y − 7z = 5



 x − y + 2z − w = −1
2x + y − 2z − 2w = −2

(d)

 − x + 2y − 4z + w = 1
3x − 3w = −3

RESPOSTA : S = { α (1, 0, 0, 1) + β (0, 2, 1, 0) + (−1, 0, 0, 0) | α, β ∈ R }.

 x1 − 2x2 + x3 = a;
11. Considere o sistema 2x + x2 + x3 = b;
 1
5x2 − x3 = c.
(a) Para que valores de a, b e c tal sistema tem solução?

16 SUGESTÃO : No primeiro caso, considere que as entradas acima da diagonal principal de A, n × n, são
nulas. Daí, indutivamente, calcule o determinante sempre ao longo das primeiras linhas, obtendo
det A = a11 a22 · · · ann .
Caso A tenha suas entradas abaixo da diagonal principal iguais a zero, considere At e use o resultado obtido
no caso anterior.
(b) Determine todas as soluções do sistema.

RESOLUÇÃO :
Escalonando a matriz aumentada do sistema, temos
   
1 −2 1 | a 1 −2 1 | a
 2 1 1 | b  −→  0 5 −1 | b − 2a 
0 5 −1 | c 0 5 −1 | c
 
1 −2 1 | a
−→  0 5 −1 | b − 2a  .
0 0 0 | 2a − b + c
Logo, o sistema tem solução se, e somente se, 2a − b + c = 0. Assim, continuando a escalonar a última
matriz com a última linha nula, temos
   
1 −2 1 | a 1 −2 1 | a
 0 5 −1 | b − 2a  −→  0 1 − 15 | b−2a
5

0 0 0 | 0 0 0 0 | 0
 3 a+2b

1 0 5 | 5
−→  0 1 − 51 | b−2a
5
.
0 0 0 | 0
Esta última é a matriz aumentada do sistema

3 a+2b
x1 + 5 x3 = 5 ;
1 b−2a
x2 − 5 x3 = 5 .
Daí, para x3 = t arbitrário, a solução do sistema é dada por

   3t a+2b 
x1 −5 + 5
 x2  =  t + b−2a 
5 5
x3 t
 3   a+2b 
−5 5
= t  15  +  b−52a 
1 0
com a, b e c constantes tais que 2a − b + c = 0.
12. Para que valores de b1 , b2 e b3 o sistema linear com matriz aumentada

 
1 3 0 2 | b1
 0 0 1 4 | b2 
1 3 1 6 | b3
tem solução.17 Em existindo, obtenha a solução de tal sistema.
13. Pode ser demonstrado que
R é a escalonada reduzida equivalente a A se, e somente se,
R = E k · · · E2 E1 A
para matrizes elementares E1 , E2 , . . . Ek obtidas, nesta or-

dem, em k etapas do escalonamento, como em (††), p. 44.
17 RESPOSTA : b1 + b2 = b3 .
3.7. EXERCÍCIOS 51
Neste caso, se A é quadrada e R = I, então A é invertível e
A − 1 = E k · · · E2 E1 .
EXEMPLO :

0 1 1 −1 1 −1 0 1
A= −→ = = E1 A
−1 2 −1 2 0 1 −1 2

1 −1 1 0 1 −1
−→ = = E2 E1 A
0 1 1 1 −1 2

1 0 1 1 1 −1
−→ = = E3 E2 E1 A = I;
0 1 0 1 0 1

1 1 1 0 1 −1
E 3 E2 E 1 =
0 1 1 1 0 1

1 1 1 −1
=
0 1 1 0

2 −1
= = A −1 .
1 0
Daí, para matrizes n × n arbitrárias, temos o seguinte método para obter A−1 , caso A
seja invertível, ou afirmar que A−1 não existe, caso A não seja invertível:
(a) Escalone [ A|I] até obter [R| A′ ], após k operações elementares;18

(b) Para a escalonada reduzida R, obtida de A, temos:
• R = I ⇐⇒ A′ = A−1 ;
• R 6= I ⇐⇒ A−1 não existe.
Use tal método para as matrizes

   
1 1 0 1 1 0
0 1 1 2  0 1 1   0 1 1 .
, , e
−1 2 3 4
1 2 0 1 2 1
Entre tais matrizes, existe alguma que não seja invertível? Alguma que seja invertível?
Ainda, caso alguma seja, apresente a sua inversa.19
14. Para quais três números a, 

a 2 3
A= a a 4 
a a a
18 Temos o seguinte:

[ A|I] −→ [E1 A|E1 I] −→ [E2 E1 A|E2 E1 ] −→ · · · −→ [Ek · · · E2 E1 A|Ek · · · E2 E1 ] = R| A′ .
19 Talteste de invertibilidade pode ser aplicado ainda que não seja necessário apresentar A−1 (caso A seja
invertível). De fato, após obter a escalonada reduzida R de A, basta usar que:
A é invertível ⇐⇒ R = I.
não é invertível? Justifique sua resposta.

RESOLUÇÃO : Pelo exercício anterior, tal A é invertível se, e somente se, a matriz escalonada reduzida
R equivalente a A é tal que R = I. Nesse caso, temos o seguinte escalonamento:
 
1 2/a 3/a
A −→  a a 4 
a a a
 
1 2/a 3/a
−→  0 a − 2 1 
0 a−2 a−3
 
1 2/a 3/a
−→  0 1 1/( a − 2) 
0 a−2 a−3
 
1 0 (3a − 8)/[ a( a − 2)]
−→  0 1 1/( a − 2) 
0 0 a−4
 
1 0 (3a − 8)/[ a( a − 2)]
−→  0 1 1/( a − 2) 
0 0 1
−→ I.
Em relação a tal escalonamento, tivemos de supor que:
 
0 2 3
• a 6= 0 na primeira etapa pois, caso contrário, A =  0 0 4  não é equivalente a I;
0 0 0
 
1 1 3/2
• a 6= 2 na terceira etapa pois, caso contrário, a matriz  0 0 1  obtida na segunda etapa não
0 0 −1
é equivalente a I;
 
1 0 1/2
• a 6= 4 na quinta etapa pois, caso contrário, R =  0 1 1/2 , obtida na quarta etapa, não é a I.
0 0 0
RESPOSTA DO EXERCÍCIO : a = 0; a = 2; a = 4.
15. Para quais três números c,  

2 c c
A= c c c 
8 7 c
não é invertível (e por que)?20
16. Prove que  
a b b
A= a a b 
a a a
é invertível se a 6= 0 e a 6= b. Neste caso, determine A−1 .21
20 RESPOSTA : c = 0; c = 2; c = 7.
21 SUGESTÃO : Via Gauss-Jordan, obtenha
 
a 0 −b
1
A −1 =  −a a 0 .
a( a − b)
0 −a a
3.7. EXERCÍCIOS 53
17. EFEITO DAS OPERAÇÕES ELEMENTARES SOBRE AS LINHAS ( OU COLUNAS ) i E j, i 6= j,

DE A, n × n, NO CÁLCULO DE det A:
• Se B é a matriz obtida via B(i, −) = A(i, −) + α A( j, −), então det B = det A;

• Se B é a matriz obtida via B(i, −) = α A(i, −), então det B = α det A;
• Se B é a matriz obtida via B(i, −) = A( j, −), B( j, −) = A(i, −), então det B =
− det A.
Como a transposição de uma matriz arbitrária não altera o seu determinante, as três
regras anteriores permanecem válidas para operações elementares aplicadas nas colu-
nas de A!
Assim, calcule det A para:22
 
1 0 0 3
 2 7 0 6 
(a) A =  ;23
 0 6 3 0 
7 3 1 −5
 
1 −1 2 −3
 −1 2 1 −2 
(b) A =  ;24
 0 −1 −3 5 
0 15 11 −1
22 Paracada item que segue é apresentado um modo de resolvê-lo!

23 RESOLUÇÃO : Use B(−, 4) = A(−, 4) − 3A(−, 1) para obter uma matriz triangular, cujo determinante é
o produto das entradas da diagonal principal de B:
det A = det B
 
1 0 0 0
 2 7 0 0 
= det 
 0

6 3 0 
7 3 1 −26
= 1 · 7 · 3 · (−26)
= −546.
24 RESOLUÇÃO : A matriz B, dada a seguir, é obtida da A via B(2, −) = A(2, −) + A(1, −):
det A = det B
 
1 −1 2 −3
 0 1 3 −5 
= det 
 0

−1 −3 5 
0 15 11 −1
 
1 −1 2 −3
 0 1 3 −5 
= det 
 0

0 0 0 
0 15 11 −1
=0
calculado ao longo da linha nula da matriz C obtida da B via C (3, −) = B(3, −) + B(2, −).
 
1 −1 2 1
 −2 1 1 3 
(c) A =  ;25
 1 1 1 −1 
1 3 2 1
 
2 −8 6 8
 3 −9 5 10  26
(d) A = 
 −3 0 1 −2 ;

1 −4 0 6
25 RESOLUÇÃO :
Use operações elementares para “zerar” as entradas da primeira coluna abaixo de a11 = 1.
O determinante da matriz daí obtida pode ser calculado ao longo da primeira coluna. Assim:
 
1 −1 2 1
 0 −1 5 5 
det A = det 
 0 2 −1 −2 

0 4 0 0
 
−1 5 5
= det  2 −1 −2 
4 0 0

5 5
= 4 det
−1 −2
= 4(−10 + 5)
= −20
com o determinante da matriz 3 × 3 anterior sendo calculado ao longo de sua última linha.
26 RESOLUÇÃO : Na primeira igualdade entre determinantes dada a seguir, use que, se B é obtida de A via
B(1, −) = 21 A(1, −), então det B = 21 det A, isto é, det A = 2 det B. Daí, nas duas igualdades entre determinan-
tes seguintes, “zere” as entradas abaixo do pivô da primeira coluna e depois calcule o determinante ao longo
desta. Finalmente, nas igualdades seguintes as três primeiras, obtenha uma matriz triangular, observando
3.7. EXERCÍCIOS 55
 √ √ 
π√ e √ √2 √ 3
 −2/ 2 −1/ 2 2 2/2  27
(e) A =  ;
 1 1/2 −
√ 1 − 1/2 
ln 2 1/π 3 π2
 
2 3 0 0 0
 1 0 0 0 1 
  28
 1 1 0 0 1 .
(f) A =  
 0 0 1 1 2 
0 0 2 1 0
18. Do efeito das operações elementares no det A (visto no exercício anterior) e do fato do
escalonamento
A −→ · · · −→ I
significar a existência de A−1 (visto no exercício 13), podemos demonstrar que
uma permuta de linhas que troca o sinal do determinante.
 
1 −4 3 4
 3 −9 5 10 
det A = 2 det 
 −3 0 1 −2 

1 −4 0 6
 
1 −4 3 4
 0 3 −4 −2 
= 2 det 
 0 −12 10 10 

0 0 −3 2
 
3 −4 −2
= 2 det  −12 10 10 
0 −3 2
 
3 −4 −2
= 2 det  0 −6 2 
0 −3 2
 
3 −4 −2
= −2 det  0 −3 2 
0 −6 2
 
3 −4 −2
= −2 det  0 −3 2 
0 0 −2
= (−2) · 3 · (−3) · (−2)
= −36.
27 RESOLUÇÃO :
√
A matriz B, dada a seguir, é obtida da A via B(2, −) = A(2, −) + 2A(3, −):
det A = det B
 √ √ 
π e 2 3
 0 0 0 0 
= det 
 1

1/2 −1
√ −1/2 
ln 2 1/π 3 π2
= 0.
28 RESOLUÇÃO : Vamos proceder trocas de linhas e somas de linhas a múltiplos escalares de outras para
A não é invertível ⇐⇒ det A = 0.
Resolva agora os exercícios 14 e 15 via tal resultado.
obter uma matriz triangular:

 
1 0 0 0 1

 2 3 0 0 0 

det A = − det 
 1 1 0 0 1 

 0 0 1 1 2 
0 0 2 1 0
 
1 0 0 0 1

 0 3 0 0 −2 

= − det 
 0 1 0 0 0 

 0 0 1 1 2 
0 0 2 1 0
 
1 0 0 0 1
 0 1 0 0 0 
 
 0
= det  3 0 0 −2 

 0 0 1 1 2 
0 0 2 1 0
 
1 0 0 0 1
 0 1 0 0 0 
 
 0
= det  0 0 0 −2 

 0 0 1 1 2 
0 0 0 −1 −4
 
1 0 0 0 1

 0 1 0 0 0 

= − det 
 0 0 1 1 2 

 0 0 0 0 −2 
0 0 0 −1 −4
 
1 0 0 0 1
 0 1 0 0 0 
 
 0
= det  0 1 1 2 

 0 0 0 −1 −4 
0 0 0 0 −2
= 2.
Capítulo 4
Operadores, Autovalores e Autovetores
Vamos estudar funções

L : Rn → Rm
x 7→ L(x)
que generalizam a função linear
f : R → R
x 7→ f ( x ) = ax
estudada tanto no Ensino Médio quanto no Cálculo de Uma Variável. Tal f satisfaz as pro-
priedades f ( x + y) = f ( x ) + f (y) e f (αx ) = α f ( x ) para quaisquer reais x, y e α.
De fato:
f ( x + y) = a( x + y)
= ax + ay
= f ( x ) + f ( y );
f (αx ) = a(αx )
= α( ax )
= α f ( x ).
Tais propriedades são usadas para definir L e, para isso, assim como estabelecido anterior-
mente, aqui também representamos o vetor
x = ( x1 , x2 , . . . , x n ) ∈ R n
pela matriz n × 1
 
x1
x =  ...  .
 
xn
Analogamente, a imagem L(x) ∈ R m é também representada por uma matriz m × 1.
57
58 CAPÍTULO 4. OPERADORES, AUTOVALORES E AUTOVETORES
4.1 Funções Lineares

Seja L A (x) := Ax o produto das matrizes reais A e x de tamanhos m × n e n × 1, respectiva-
mente. Temos assim a função
L A : Rn → Rm
x 7→ L A (x)
(dita uma multiplicação

por A).
1 −1 0
EXEMPLO : Se A = , então
0 1 −1
LA : n Rm
R
  →
x1
x 1 − x 2 .
x =  x2  7 → L A ( x ) =
x2 − x3
x3
Note que a lei de correspondência de L A é também representada por
x = ( x1 , x2 , x3 ) 7 → L A ( x ) = ( x1 − x2 , x2 − x3 ) .
Dizer que L : R n → R m é uma função linear significa

que as condições
L(x + y) = L(x) + L(y) e L(αx) = αL(x)
são satisfeitas para quaisquer vetores x, y ∈ R n e qual-

quer escalar α ∈ R.
Por exemplo, é fácil ver que a função L A é linear.
AFIRMAÇÃO 1: L : R n → R m é uma função linear se, e somente se, L = L A para alguma

matriz A.
DEMONSTRAÇÃO : Por um lado, é fácil provar que L A é linear, isto é, que L A (x + y) = L A (x) + L A (y) e
L A (αx) = αL A (x) para quaisquer x, y ∈ R n e α ∈ R.1 Por outro lado, suponha que L é linear e seja j =
1, 2, . . . , n. Considere ainda que:
 
x1
 x2 
• x =  . ;
 
 .. 
xn
• e j é a matriz n × 1 que representa o j-ésimo vetor da base canônica de R n , isto é, e j é a j-ésima coluna
da matriz identidade n × n;

• a j é a imagem de e j pela função L, isto é, L e j := a j ;
• a j também é a j-ésima coluna da matriz
 
a11 a12 ··· a1n
 a21 a22 ··· a2n 
.
 
A= .. .. .. ..
 . . . . 
am1 am2 ··· amn
1 De fato, faça com L A o mesmo que fizemos com f no início deste capítulo.
4.1. FUNÇÕES LINEARES 59
Então, pela linearidade de L, temos
L ( x ) = L ( x1 e1 + x2 e2 + · · · + x n e n )
= x1 L ( e1 ) + x2 L ( e2 ) + · · · + x n L ( e n )
= x1 a1 + x2 a2 + · · · + x n a n
     
a11 a12 a1n
 a21   a22   a2n 
     
= x1  .  + x2  .  + · · · + x n  .
 ..   ..   ..


am1 am2 amn
 
a11 x1 + a12 x2 + · · · + a1n xn
 a21 x1 + a22 x2 + · · · + a2n xn 
 
= .. 
 . 
am1 x1 + am2 x2 + · · · + amn xn
= Ax
= L A ( x ).
Assim, junto com a conclusão da demonstração

da AFIRMAÇÃO 1, também foi estabelecido que,
calculando-se L e j , obtemos a coluna A(−, j) de A,
j = 1, 2, . . . , n, com L = L A . Tal A é dita a matriz que
representa L (nas bases canônicas).
EXERCÍCIO : Verifique a linearidade das funções definidas por:
1. L ( x1 , x2 , x3 , x4 ) = ( x1 + x2 , x3 + x4 , x1 + x2 + x3 + x4 ) ∀ ( x1 , x2 , x3 , x4 ) ∈ R 4 ;
RESOLUÇÃO : Como
       
1 1 0 0
L ( e1 ) =  0  , L ( e2 ) =  0  , L ( e3 ) =  1  e L ( e4 ) =  1  ,
1 1 1 1
se considerarmos

A= L ( e1 )L ( e2 ) L ( e3 ) L ( e4 )
 
1 1 0 0
= 0 0 1 1 ,
1 1 1 1
então L = L A .2 Isto signifa que tal L é linear pela AFIRMAÇÃO 1.

 
  2x1 + x2  
x1 
 4x3 − 3x4 
 x1

 x2  
  −6x5 + 5x6 


 x2 

 x3   − x1 + 2x2 + 3x3 + 4x4 − 5x5 + 6x6   x3 
 ∈ R6 ;3
2. L  =  ∀

 x4  
  x1 


 x4 

 x5  
 − x2 

 x5 
x6  x3  x6
− x4
2 Verifique!
3 Confira final deste capítulo!
3. ROTAÇÃO DE ÂNGULO θ EM TORNO DA ORIGEM :
Rθ ( x1 , x2 ) = ( x1 cos θ − x2 sen θ, x1 sen θ + x2 cos θ ) ∀( x1 , x2 ) ∈ R2 ;

RESOLUÇÃO : Como

cos θ −sen θ
R θ ( e1 ) = e R θ ( e2 ) = ,
sen θ cos θ
se considerarmos

A= R θ ( e1 ) R θ ( e2 )

cos θ −sen θ
= ,
sen θ cos θ
então Rθ = L A .4 Isto signifa que Rθ é linear pela AFIRMAÇÃO 1.
4. SEMELHANÇA DE RAZÃO k ∈ R:5
Sk (x) = kx ∀x ∈ R n ;
RESOLUÇÃO : Note que, como x = Ix, temos
x 7→ Sk (x) = kx
= (kI)x.
Daí, se A = kI,6 então Sk = L A . Isto significa que Sk é linear pela AFIRMAÇÃO 1.
5. PROJEÇÕES ORTOGONAIS SOBRE :

(a) OS EIXOS x E y:
Px ( x1 , x2 ) = ( x1 , 0) e Py ( x1 , x2 ) = (0, x2 ) ∀ ( x1 , x2 ) ∈ R2 ;7
(b) O SUBESPAÇO S DE R n COM BASE ORTONORMAL {a1 , a2 , . . . , ar } :
PS (x) = (x · a1 ) a1 + · · · + (x · ar ) ar ∀x ∈ R n ;8
DICA : Verifique que
PS (x + y) = PS (x) + PS (y) e PS (αx) = αPS (x)
para quaisquer x, y ∈ R n e α ∈ R.
4 Verifique!
5k 6= 0. 
k
6A ..
zeros .
 
=  zeros .
k
8 Note que, se x′ : = P ( x ) e x′′ : = x − x′ , então x′′ ∈ S ⊥ pois
S
x′′ · x′ = [x − (x · a1 ) a1 − · · · − (x · ar ) ar ] · [(x · a1 ) a1 + · · · + (x · ar ) ar ]
= ( x · a1 )2 + · · · + ( x · ar )2 − ( x · a1 )2 − · · · − ( x · ar )2
= 0.
Assim, como x = x′ + x′′ ∈ R n com x′ ∈ S e x′′ ∈ S ⊥ , o nome PROJEÇÃO ORTOGONAL se justifica. PS (x) é
ainda chamado de MELHOR APROXIMAÇÃO DE x EM S ou de VETOR DE S MAIS PRÓXIMO DE x.
Ainda em relação a este último item, se n = 3 e S é a reta que passa pela origem na
direção de v = (1, 1, 1), determine a matriz que representa PS e a que representa
PS ⊥ ;9
S
x
PS (x)
S⊥
PS ⊥ (x)
0
RESOLUÇÃO PARCIAL :
Primeiramente, note que:
• {a} é uma base ortonormal de S se
v
a=
||v||

1 1 1
= √ ,√ ,√ ;
2 2 2
• (1, 1, 1) · ( x, y, z) = 0, isto é, x + y + z = 0, se ( x, y, z) ∈ S ⊥ . Então, uma base
para o plano S ⊥ é obtida de
( x, y, z) = ( x, y, − x − y)
= x (1, 0, −1) + y(0, 1, −1)
= xu1 + yu2 .
Daí, uma base ortogonal para tal plano é obtida de
v1 = u1
= (1, 0, −1),
u2 · v1
v2 = u2 − v1
v1 · v1

1 1
= − , 1, − .
2 2
Assim, {a1 , a2 } é uma base ortonormal para S ⊥ com
v1
a1 =
||v ||
1
1 1
= √ , 0, − √ ,
2 2
v2
a2 =
||v ||
2
1 2 1
= −√ , √ , −√ .
6 6 6
9 Na figura seguinte, temos uma representação qualitativa deste item!
Agora basta calcular:

i. as leis de correspondências
x 7→ PS (x) = (x · a)a,
x 7→ PS ⊥ (x) = (x · a1 )a1 + (x · a2 )a2 ;
ii. as matrizes 3 × 3, digamos

AS e AS ⊥ ,
tais que
PS = L AS e PS ⊥ = L A .10
S⊥
6. REFLEXÕES EM TORNO :
(a) DOS EIXOS x E y:
R x ( x1 , x2 ) = ( x1 , − x2 ) e Ry ( x1 , x2 ) = (− x1 , x2 ) ∀ ( x1 , x2 ) ∈ R2 ;11
(b) DO SUBESPAÇO S :
RS ( X ) = 2PS (x) − x ∀x ∈ R n ,
onde PS é dada como no penúltimo item anterior. Ainda, se n = 3 e S é a reta que
passa pela origem na direção de a = (1, 1, 1), determine a matriz que representa
RS e a que representa RS ⊥ .12
AFIRMAÇÃO 2: Sejam A e B as matrizes que representam as funções lineares L1 : R n → R m

e L2 : R m → R p , respectivamente, isto é, L1 = L A e L2 = L B . Daí
L2 ◦ L1 = L BA ,
isto é, BA é a matriz que representa a função linear L2 ◦ L1 : R n → R p .
De fato,
( L2 ◦ L1 ) (x) = L2 ( L1 (x))
= L2 ( L A (x))
= L2 ( Ax)
= L B ( Ax)
= B ( Ax)
= ( BA) x
= L BA (x) .
EXERCÍCIO :
• Considerando n = p = 2, m = 3, x = ( x1 , x2 ) 7→ L1 (x) = ( x2 , x1 , x1 + x2 ) e y =
(y1 , y2 , y3 ) 7→ L2 (y) = (y1 + y2 , y2 + y3 ), determine A e B.13
11 Idem!
12 Idem!
13 Idem!
• Sem usar a AFIRMAÇÃO 2, obtenha a matriz C que representa L2 ◦ L1 , sendo x =

( x1 , x2 ) 7→ L2 ( L1 (x)), e verifique que, de fato, C = BA.14
EXERCÍCIO : Considerando rotações no plano, é fácil ver (geometricamente) que
R θ1 + θ2 = R θ2 ◦ R θ1 .
(De fato, considere a Figura 4.1.) Por outro lado, as matrizes que representam Rθ1 , Rθ2 e

Rθ +θ (x) = Rθ Rθ (x)
1 2 2 1
θ1 + θ2 Rθ (x)
1
θ2
θ1
Figura 4.1: Rθ1 +θ2 = Rθ2 ◦ Rθ1 .
Rθ1 +θ2 são dadas, respectivamente, por

cos θ1 −sen θ1 cos θ2 −sen θ2
A= , B=
sen θ1 cos θ1 sen θ2 cos θ2

cos(θ1 + θ2 ) −sen(θ1 + θ2 )
e C= .
sen(θ1 + θ2 ) cos(θ1 + θ2 )
Sem usar a AFIRMAÇÃO 2, obtenha a matriz que representa Rθ2 ◦ Rθ1 . Verifique que tal matriz
é, de fato, dada por C.15
4.1.1 Núcleo e Imagem de A (ou L)

Considere a função linear L : R n → R m e a matriz A, m × n, que a representa (nas bases
canônicas). O núcleo e a imagem de L (ou A) são, respectivamente, os seguintes conjuntos:
(i) Nu( L) = {x ∈ R n | L(x) = 0}, que consiste de todo vetor do domínio cuja imagem seja
o vetor nulo do contra-domínio;
(ii) Im( L) = {y ∈ R m | existe x ∈ R n com y = L(x)}, que é constituído de cada vetor do

contra-domínio que seja imagem de algum vetor do domínio.
AFIRMAÇÃO 3: Nu( L) é um subespaço de R n e Im( L) é um subespaço de R m .

DEMONSTRAÇÃO : Em primeiro lugar, note que, como
L(0) = A0
= 0,
14 Idem!
15 DICA : Use o cosseno e o seno da soma de dois ângulos!
tanto Nu( L) quanto Im( L) são não vazios. Agora, para (i), note que
Nu( L) = {x ∈ R n | Ax = 0}
é o subespaço das soluções do sistema homogêneo Ax = 0. Para (ii), note que
Im( L) = {y ∈ R m | existe x ∈ R n com y = Ax}
é o subespaço gerado pelas colunas de A. De fato, como vimos na demonstração da AFIRMAÇÃO 1, se
   
a11 a12 · · · a1n x1
 a21 a22 · · · a2n   x2 
e x  ..  ,
   
A= . .. .. .. =
 ..

. . .   . 
am1 am2 ··· amn xn
então
y = Ax
= x1 a1 + x2 a2 + · · · + x n a n
tal que a j a j-ésima coluna de A, j = 1, 2, . . . , n.

EXEMPLO : Seja
 
1 0 0 −1
A =  0 1 0 −1  .
0 0 1 1
(i) Note que, x4 = t acarreta
 
x1
 x2 
Nu( L) ∋ x = 
 x3 

x4
 
1
 1 
= t
 −1 

1
com t ∈ R. Ainda,  

 1 

1
 
 
  −1  
 
1
 
é uma base de Nu( L) e dim Nu( L) = 1.

(ii) Note que
Im( L) ∋ y = Ax
       
1 0 0 −1
= x1  0  + x2  1  + x3  0  + x4  −1 
0 0 1 1
e que, como        
−1 1 0 0
 −1  = (−1) ·  0  + (−1) ·  1  + 1 ·  0  ,
1 0 0 1
uma base de Im( L) = R3 é a canônica com dim Im( L) = 3.
AFIRMAÇÃO 4: As dimensões de Nu( L ) e Im( L ) são chamadas, respectivamente, de nuli-

dade e posto de L (ou A). Demonstra-se que
nulidade + posto = n.
Por exemplo, para o exemplo anterior, temos que
nulidade + posto = 1 + 3 = 4 = n.
MÉTODO PRÁTICO PARA DETERMINAR Nu( L) E Im( L) :

Já sabemos como determinar uma base de Nu( L): basta obter R, a matriz escalonada re-
duzida equivalente a A. (De fato, x é solução de Ax = 0 se, e somente se, x é solução
de Rx = 0.)16 Agora, para determinar uma base de Im L, podemos seguir os dois passos
seguintes:
(P1) Determinamos que colunas de R contêm os seus pivôs. Digamos, as colunas
r j1 , r j2 , . . . , r jk
contêm os pivôs de R;
(P2) Para obter uma base de Im( L), basta coletar as colunas pivôs
a j1 , a j2 , . . . , a jk
de A.17
EXEMPLO : Seja  
1 −1 2 −1 1
A =  −1 2 −1 1 0  .
0 1 1 0 1
Assim, primeiramente, escalonamos A, isto é,
 
1 −1 2 −1 1
A −→ 0 1
 1 0 1 
0 1 1 0 1
 
1 0 3 −1 2
−→ 0 1 1
 0 1  = R.
0 0 0 0 0
Daí, como r1 e r2 são as colunas pivôs de R, segue que as colunas pivôs de A, isto é, a1 e
a2 , formam uma base de Im( L). A razão disso é simples. Por um lado, note que as outras
colunas de R são combinações lineares de r1 e r2 pois
r3 = 3r1 + r2 ,
r4 = −r1 + 0r2 e
r5 = 2r1 + r2 .
16 A nulidade de A é o número de vetores de uma base do espaço solução de Ax = 0.
17 O posto de A é o número de colunas pivôs de A.
Agora, por outro lado, note que as outras colunas de A reproduzem tais combinações linea-
res, só que agora, em relação as colunas a1 e a2 . De fato,
a3 = 3a1 + a2 ,
a4 = −a1 + 0a2 e
a5 = 2a1 + a2 .
Então, {a1 , a2 } é base pois seus vetores geram Im L e são LI.

Vamos obter agora uma base para Nu( A): Como Rx = 0 representa o sistema

x1 + 3x3 − x4 + 2x5 = 0,
x2 + x3 + x5 = 0,
se x3 = α, x4 = β e x5 = γ são números reais quaisquer, então

 
x1
 x2 
 
Nu L ∋ x = 
 x 3


 x4 
x5
     
−3 1 −2
 −1   0   −1 
     
= α 1 +β 0 +γ
   
 0 .

 0   1   0 
0 0 1
Assim, uma base para Nu( L) é dada por

     

 − 3 1 −2 

 −1   0 −1

 
    
 


 1 , 0 , 0  .
     


  0   1   0 

 
0 0 1
 
Note ainda que

nulidade + posto = 3 + 2 = 5 = n.
EXERCÍCIO : Seja  
1 2 2 3 1 4
A =  2 4 5 5 4 9 .
3 6 7 8 5 9
• Determine a matriz escalonada reduzida R obtida de A. Que colunas de R não contêm

pivôs? Escreva cada uma destas colunas como CL das colunas pivôs de R.
• Que colunas de A correspondem as colunas pivôs de R, isto é, quais são as colunas

pivôs de A? Estas colunas formam uma base para o espaço gerado pelas colunas de A.
Escreva cada uma das colunas restantes de A como CL das colunas de tal base.
• Qual a dimensão do núcleo de A, isto é, qual a nulidade de A?

Bases de Subespaços
Como obter uma base de um subespaço do R n gerado por m vetores? Por exemplo, dados 4
vetores em R6 , como determinar uma base para o subespaço gerado por tais vetores?
Vamos estabelecer dois modos de responder tal questão. O primeiro deles é baseado no
método prático para determinar Im( L) que acabamos de estudar.
PRIMEIRO MODO : Considere a matriz 6 × 4, A, cujas

colunas são os quatro vetores dados. Determine as co-
lunas pivôs de A. Estas formam uma base do subes-
paço procurado.
SEGUNDO MODO : Considere a matriz 4 × 6, A, cu-
jas linhas são os quatro vetores dados. Determine as
linhas não nulas da escalonada reduzida, R, equiva-
lente a A. Estas formam uma base do subespaço pro-
curado. (De fato, por um lado, as linhas não nulas de
R contêm os pivôs. Daí nenhuma delas é combinação
linear das demais. Por outro lado, as linhas de R e A
geram o mesmo subespaço. (Por que?))
EXERCÍCIO :Utilizando os dois modos anteriores, determine duas bases para o subespaço
do R6
gerado por (1, 2, −1, 0, 1, −1), (−1, 1, 0, −2, −1, 2), (0, 3, −1, −2, 0, 1) e (2, 1, −1, 2, 2, −3).
PRIMEIRO MODO :
   
1 −1 0 2 1 −1 0 2

 2 1 3 1 


 0 3 3 −3  
 −1 0 −1 −1   0 −1 −1 1 
A=  −→  

 0 −2 −2 2 


 0 −2 −2 2  
 1 −1 0 2   0 0 0 0 
−1 2 1 −3 0 1 1 −1
 
1 −1 0 2

 0 1 1 −1  
 0 0 0 0 
−→  

 0 0 0 0  
 0 0 0 0 
0 0 0 0
 
1 0 1 1

 0 1 1 −1 

 0 0 0 0 
−→   = R.

 0 0 0 0 
 0 0 0 0 
0 0 0 0
Como a1 e a2 são as colunas pivôs de A, {a1 , a2 } é uma base para o subespaço gerado por
a1 , a2 , a3 e a4 .
SEGUNDO MODO :
   
1 2 −1 0 1 −1 1 2 −1 0 1 −1
 −1 1 0 −2 −1 2   0 3 −1 −2 0 1 
A=
 0
 −→  
3 −1 −2 0 1   0 3 −1 −2 0 1 
2 1 −1 2 2 −3 0 −3 1 2 0 −1
 
1 2 −1 0 1 −1
 0 1 −1/3 −2/3 0 1/3 
−→ 
 0 0

0 0 0 0 
0 0 0 0 0 0
 
1 0 −1/3 4/3 1 −5/3
 0 1 −1/3 −2/3 0 1/3 
−→ 
 0 0
 = R.
0 0 0 0 
0 0 0 0 0 0
Como R(1, −) e R(2, −) são as linhas não nulas de R, {R(1, −), R(2, −)} é uma base para o
espaço gerado por A(1, −), A(2, −), A(3, −) e A(4, −).
4.1.2 Representação de L em outras Bases

Além da matriz A que representa a função linear L = L A nas bases canônicas, L pode ser
representada por outras matrizes m × n em outras bases. De fato, sejam B = {x1 , x2 , . . . , xn }
e B ′ = {y1 , y2 , . . . , ym } bases ordenadas de R n e R m , respectivamente. Define-se a
matriz [ L]B ′
B ′ que representa L nas bases B e B , nesta ordem,
calculando-se a sua j-ésima coluna, j = 1, 2, . . . , n, da seguinte forma:
 
ℓ1j
 ℓ2j 
M = [ L]B
 18
L x j = ℓ1j y1 + ℓ2j y2 + · · · + ℓmj ym e M (−, j) =  .

B′ =⇒ ..
 . 
ℓmj
NOTAÇÃO : Caso n = m e B ′ = B , [ L]B

B ′ é denotada simplesmente por [ L ]B .
EXERCÍCIO : Se m = n = 2, B é a base canônica, B ′ = {y1 = (1, 1), y2 = (1, −1)} e L(x) =
′
( x1 − x2 , x1 + x2 ) para cada x = ( x1 , x2 ), determine [ L]BB ′ , [ L]BB , [ L]B e [ L]B ′ .
RESOLUÇÃO : Como

L ( x1 ) = (1, 1) = 1 · y1 + 0 · y2 ,
L ( x2 ) = (−1, 1) = 0 · y1 − 1 · y2 ,
temos que
1 0
[ L]BB ′ = .
0 −1
Devido a
L ( y1 ) = (0, 2) = 0 · x1 + 2 · x2 ,
L ( y2 ) = (2, 0) = 2 · x1 + 0 · x2 ,
18 Isto
significa que, para cada índice j, escrevemos a imagem de x j (pela L) como CL dos vetores da base
ordenada B ′ . Daí representamos as entradas de uma matriz coluna m × 1 pelas coordenadas da CL obtida na
etapa anterior (na ordem em que tais coordenadas aparecem em tal CL). Finalmente, consideramos a j-ésima
′
coluna de [ L]B
B como sendo a matriz coluna obtida na etapa anterior.
segue que

′ 0 2
[ L]BB = .
2 0
Como

L ( x1 ) = (1, 1) = 1 · x1 + 1 · x2 ,
L ( x2 ) = (−1, 1) = −1 · x1 + 1 · x2 ,
segue que
A = [ L]B

1 −1
= .
1 1
Devido a

L ( y1 ) = (0, 2) = 1 · y1 − 1 · y2 ,
L ( y2 ) = (2, 0) = 1 · y1 + 1 · y2 ,
temos que
A′ = [ L]B ′

1 1
= .
−1 1
Por que [ L]B

B ′ representa L?
Pode ser demonstrado que x 7→ L(x) pode ser repre-
sentada por
[x]B 7→ [ L(x)]B ′ = [ L]BB ′ [x]B ,
onde [x]B e [ L(x)]B ′ são matrizes n × 1 e m × 1, res-

pectivamente, que representam os vetores x e L(x) nas
respectivas bases.
EXERCÍCIO : Com as mesmas hipóteses do exercício anterior, verifique a validade de [ L ( x )]B ′ =

[ L]BB ′ [x]B para x = (1, 2).
1
RESOLUÇÃO : Por um lado, L ( x ) = (−1, 3) = 1 · y1 − 2y2 implica que [ L ( x )]B ′ = . Por outro lado,
−2
1 0 1
temos que [ L]BB′ = e [x]B = . Agora é só verificar o que se pede.
0 −1 2
Como A = [ L]B e A′ = [ L]B ′ estão relacionadas?
Primeiramente, afirmamos que existe uma única função linear T : R n → R n tal que
T
x1 7 → y1 ;
T
x2 7 → y2 ;
..
.
T
xn 7→ yn .
A demonstração da linearidade de T fica como exercício. Quanto

a unicidade de T, seja S : R n → R n uma função linear tal que
S
x j 7→ y j
para cada índice j ∈ {1, 2, . . . , n}. Segue daí que

S xj = T xj
para j = 1, 2, . . . , n. Então, para todo x ∈ R n , pela linearidade de

S e T, temos que
S ( x ) = S ( x1 x1 + x2 x2 + · · · + x n x n )
= x1 S ( x1 ) + x2 S ( x2 ) + · · · + x n S ( x n )
= x1 T ( x1 ) + x2 T ( x2 ) + · · · + x n T ( x n )
= T ( x1 x1 + x2 x2 + · · · + x n x n )
= T ( x ),
onde os x j ’s são as coordenadas de x na base B .
Ainda, é fácil provar que T é invertível, isto é, bijetora, com inversa T −1 dada por
T −1 ( y i ) = x i , i = 1, 2, . . . , n.
Seja P := [ T ]B . Pode ser demonstrado que:

• P−1 = T −1 B ′ ;
• A′ = P−1 AP.
Neste caso, dizemos que as duas matrizes A e A′ (que

representam a função linear L) são semelhantes.
EXERCÍCIO : Com as mesmas hipóteses dos penúltimo exercício anterior, verifique a valida-
de de A′ = P−1 AP.
RESOLUÇÃO : Seja T : R2 → R2 a função linear tal
T
x1 7 → y1 ;
T
x2 7 → y2 .
Segue daí que

T
(1, 0) 7→ (1, 1) = 1(1, 0) + 1(0, 1);
T
(0, 1) 7→ (1, −1) = 1(1, 0) − 1(0, 1).
Note que T é uma multiplicação por P com
P = [ T ]B

1 1
= .
1 −1
Por outro lado, temos que

−1 1/2 1/2
P = .
1/2 −1/2
4.2. AUTOVALORES E AUTOVETORES 71
Verica-se finalmente que

1/2 −1
1/2 1 1 1
P−1 AP =
1/2 1
−1/2 1 1 −1

1/2 1/2 0 2
=
1/2 −1/2 2 0

1 1
=
−1 1
= A′ .
4.2 Autovalores e Autovetores

Considere, a partir de agora, uma função linear L : R n → R n e a matriz A, n × n, que a
representa (na base canônica). Dizer que o escalar λ é um autovalor de A (ou L) significa
dizer que existe um vetor não-nulo x tal que
L(x) = Ax
= λx.
Neste caso, x é dito um

autovetor de A (ou L) associado a λ.
2 −4 −4
EXEMPLO : Se A = , então λ1 = 3 é autovalor de A associado a x1 =
−1 −1 1
pois

−12
Ax1 =
3
= λ1 x1 .

1
Analogamente, λ2 = −2 é autovalor de A associado a x2 = pois
1

−2
Ax2 =
−2
= λ2 x2 .
Sendo I a matriz identidade n × n, note

que a condição
Ax = λx
pode ser reescrita como
( A − λI) x = 0.
De fato,
Ax = λx ⇐⇒ Ax − λx = 0
⇐⇒ Ax − λIx = 0
⇐⇒ ( A − λI) x = 0.
Calculando Autovalores
Por um lado, para que ( A − λI) x = 0 admita solução x não-nula, A − λI não pode ser
invertível pois, caso contrário, isto é, caso exista ( A − λI)−1 , temos que
x = Ix
= ( A − λI)−1 ( A − λI) x
= ( A − λI)−1 0
= 0.
Por outro lado, foi estabelecido (no último exercício do capítulo anterior) que
uma matriz quadrada não é invertível se, e somente se, seu determinante é nulo.
Usaremos tal resultado para calcular autovalores como veremos a seguir. Mas antes, um
aviso:
Para matrizes n × n com n ‘pequeno’, como as 2 × 2, 3 × 3 e 4 × 4,
usar determinantes para o cálculo de autovalores é até aceitável.
Contudo, para n ‘grande’, autovalores e autovetores são calcu-
lados via métodos que não usam determinantes devido ao alto
custo computacional envolvido no cálculo dos mesmos!
Segue (do resultado enunciado anteriormente) que os autovalores de A são as raízes do seu
polinômio característico, definido por
p(λ) := det ( A − λI) .

2 −4
EXEMPLO : Seja A = .
−1 −1
CÁLCULO DO ( S ) AUTOVALOR ( ES ):

2−λ −4
p(λ) = det
−1 −1 − λ
= (2 − λ)(−1 − λ) − (−4)(−1)
= λ2 − λ − 6
= (λ − 3)(λ + 2).
Assim λ1 = 3 e λ2 = −2 são os autovalores de A.
Calculando Autovetores
Após ter determinado λ, para calcular algum
 autovetor de A (associado a tal λ), temos que
x1
 x2 
obter alguma solução não-nula x =  ..  do sistema ( A − λI) x = 0. O conjunto solução
 
 . 
xn
de tal sistema, denotado por Sλ , é um subespaço de R n dito subespaço característico de A (ou
L) associado a λ.
x1
EXEMPLO : Considere o exemplo anterior. Seja x = . Assim:
x2
• CÁLCULO DOS AUTOVETORES x ASSOCIADOS A λ1 = 3:

−1 −4 x1 0
( A − 3I) x = 0 ⇐⇒ =
−1 −4 x2 0
⇐⇒ x1 + 4x2 = 0.
Assim, x2 = t e x1 = −4x2 = −4t determinam os autovetores

−4
x=t , t ∈ R.
1

−4
Note que é uma base para Sλ1 .
1
• CÁLCULO DOS AUTOVETORES x ASSOCIADOS A λ2 = −2:

4 −4 x1 0
( A + 2I) x = 0 ⇐⇒ =
−1 1 x2 0
⇐⇒ x1 − x2 = 0.
Assim, x1 = x2 = t determina os autovetores

1
x=t , t ∈ R.
1

1
Note que é uma base para Sλ2 .
1
Calculando Autovalores e Autovetores

 
5 8 16
EXEMPLO : Seja A =  4 1 8 .
−4 −4 −11
CÁLCULO DO ( S ) AUTOVALOR ( ES ):
 
5−λ 8 16
p(λ) = det  4 1−λ 8 
−4 −4 −11 − λ
= (λ − 1)(λ + 3)2 .
Daí λ1 = 1 e λ2= −3são autovalores de A com multiplicidades 1 e 2, respectivamente.
x1
Seja agora x =  x2 . Assim:
x3
• CÁLCULO DOS AUTOVETORES x ASSOCIADOS A λ1 = 1:
    
4 8 16 x1 0
( A − I) x = 0 ⇐⇒  4 0 8   x2  =  0 
−4 −4 −12 x3 0
⇐⇒ x1 + 2x3 = 0 e x2 + x3 = 0.
Assim, x3 = t, x1 = −2t e x2 = −t determinam os autovetores

 
−2
x = t  −1  , t ∈ R.
1
  
 −2 
Note que x1 =  −1  é uma base para Sλ1 .
1
 
• CÁLCULO DOS AUTOVETORES x A SSOCIADOS A λ2 = −3:
    
8 8 16 x1 0
( A + 3I) x = 0 ⇐⇒  4 4 8   x2 = 0 
 
−4 −4 −8 x3 0
⇐⇒ x1 + x2 + 2x3 = 0.
Assim, x3 = t, x2 = s e x1 = −s − 2t determinam os autovetores
   
−1 −2
x = s  1  + t  0  , s, t ∈ R.
0 1
    
 −1 −2 
Note que x2 =  1  , x3 =  0  é uma base para Sλ2 .
0 1
 
AVISOS IMPORTANTES :
• Além de reais, autovalores e autovetores podem ser com-

plexos;
• A dimensão de Sλ é ≤ multiplicidade de λ (como raiz de
p(λ) = 0);
• Como antecipado, as técnicas usadas nos exemplos ante-
riores são práticas para matrizes 2 × 2, 3 × 3 e 4 × 4. Mas
para matrizes n × n com n grande, são usadas outras téc-
nicas, tais como ‘métodos iterativos’!
4.2.1 Diagonalização
Dizer que A (ou L) é diagonalizável significa dizer que existe uma base B = {x1 , x2 , . . . , xn }
de R n composta de autovetores de L. Neste caso temos
xi 7→ L (xi ) = Axi = λi xi , i = 1, 2, . . . , n.
Obtemos daí a seguinte matriz diagonal:

 
λ1
 λ2  |NOTAÇÃO
{z }
 
[ L]B =  ...  = D,
 
λn
onde, é claro, as entradas de D que não estão na diagonal principal são nulas e foram supri-
midas. (Note ainda que a diagonal principal de D é composta dos autovalores de A!)
Por que A é diagonálizável?

Como vimos, sendo A e D representações de L (na
base canônica e na base B , respectivamente), existe
uma matriz invertível P tal que
P−1 AP = D.
Assim, mesmo que A não seja uma matriz diagonal,

A é diagonalizável.
AFIRMAÇÃO 5:

xi é a i-ésima coluna de P, i = 1, 2, · · · , n, isto é, P = x1 x2 · · · xn .
EXERCÍCIOS :
1. No exemplo 2 × 2 anterior, temos

2 −4
A= ,
−1 −1

P = x1 x2

−4 1
= e
1 1

3 0
D= .
0 −2
Verifique daí que

−1 −1/5 1/5
P = e P−1 AP = D.
1/5 4/5
2. No exemplo 3 × 3 anterior, temos

 
5 8 16
A= 4 1 8 ,
−4 −4 −11

P = x1 x2 x3
 
−2 −1 −2
=  −1 1 0  e
1 0 1
 
1 0 0
D =  0 −3 0  .
0 0 −3
Verifique daí que  

−1 −1 −2
P−1 =  −1 0 −2  e P−1 AP = D.
1 1 3
3. Diagonalize a matriz
0, 8 0, 3
A=
0, 2 0, 7
100
1
para obter A100 .19 Na resolução, por abuso de linguagem, considere que 2 = 0.
RESOLUÇÃO DO 3: Note que, obter A100 sem diagonalização significa proceder do seguinte modo:
2
A = AA A = AA 3 2 100 99
A A = AA
0, 8 0, 3 0, 70 0, 45 0, 650 0, 525 0, 6 0, 6
, , , ..., .
0, 2 0, 7 0, 30 0, 55 0, 350 0, 475 0, 4 0, 4
Existe um custo computacional com tal procedimento. Contudo, para A diagonalizável, temos
A = PDP−1 , A2 = AA = PD2 P−1 , A3 = AA2 = PD3 P−1 , . . . , A100 = PD100 P−1 ,

100
λ1 0
onde D100 = com λ1 e λ2 autovalores de A. Estes são obtidos via
0 λ100
2
4 3
5 −λ 10
det( A − λI) = 1 7
5 10 −λ
3 1
= λ2 − λ +
2 2
1
= ( λ − 1) λ −
2
= 0.
Agora, para obter um autovetor x1 de A associado a λ1 = 1, resolvemos o sistema ( A − I)x1 = 0 via o

escalonamento
1 3
1 3

−5 10 5 − 10
1 3 −→
5 − 10 0 0

1 − 23
−→ .
0 0

Por outro lado, para obter um autovetor x2 de A associado a λ2 = 12 , resolvemos o sistema A − 21 I x2 = 0
via o escalonamento
3 3

10 10 1 1
1 1 −→
5 5
1 1

1 1
−→ .
0 0
3
3
2 2

−1 −1
Assim, para x1 = 2 e x2 = , por exemplo, temos P = 2 , P−1 = 5 5 e
1 1 1 1 − 25 3
5

100 1100 0
A =P P−1
0 (1/2)100

1 0
=P P−1
0 0

3/5 3/5
=
2/5 2/5

0, 6 0, 6
= .
0, 4 0, 4
19 Aqui, A100 representa a centésima potência de A.
4.2.2 Matrizes Ortogonais e Diagonalização

Uma matriz invertível P com entradas reais e tal que P−1 = Pt é chamada de matriz ortogo-
nal.  
1/3 −2/3 2/3
cos θ sen θ
EXEMPLO : e  2/3 −1/3 −2/3  são ortogonais.
−sen θ cos θ
2/3 2/3 1/3
AFIRMAÇÃO 6: A ortogonalidade de P é equivalente tanto

a ortonormalidade de suas colunas quanto de suas linhas.
Isto é, cada uma das três afirmações enumeradas seguintes é
equivalente as outras duas.
1. P é ortogonal;
2. { P(−, 1), . . . , P(−, n)} é uma base ortonormal do R n ;

3. P(1, −)t , . . . , P(n, −)t é uma base ortonormal do R n .
EXEMPLO : Veja as duas matrizes do exemplo anterior!

DEMONSTRAÇÃO DA AFIRMAÇÃO 6: Devido a
 
Pt (1, −) · P(−, 1) ··· Pt (1, −) · P(−, n)
t 
PP= .. .. .. 
. . . 
Pt (n, −) · P(−, 1) ··· Pt (n, −) · P(−, n)
ea
Pt (i, −) = P(−, i )t para i = 1, . . . , n,
temos que

 1 se i = j
Pt P = I ⇐⇒ Pt (i, −) · P(−, j) = e
0 se i 6= j

⇐⇒ { P(−, 1), . . . , P(−, n)} é uma base ortonormal do R n .
Por outro lado, demonstra-se analogamente que

PPt = I ⇐⇒ P(1, −)t , . . . , P(n, −)t é uma base ortonormal do R n .
Note ainda que

PPt = I ⇐⇒ Pt P = I.
AFIRMAÇÃO 7: Seja A uma matriz com entradas reais. Demonstra-se que:
1. A é ortogonalmente diagonalizável, isto é, existe uma matriz ortogonal P tal que Pt AP =

D é diagonal ⇐⇒ A é simétrica, isto é, At = A.
2. São reais os autovalores de uma matriz simétrica A qualquer.
3. São ortogonais os autovetores associados a autovalores distintos de uma matriz simé-

trica A qualquer.
DEMONSTRAÇÃO DA AF. 7:
1. Note que a implicação ‘=⇒’ segue de

A = PDPt
= PDt Pt
t
= PDPt
= At .
Por outro lado, a demonstração da implicação ‘⇐=’ é um pouco mais técnica e não será apresentada
aqui!
2. De fato, se Ax = λx, considerando propriedades de conjugação complexa e de transposição de matrizes,
temos:
λxt x = xt λx
= xt Ax
= xt At x
= ( Ax)t x
t
= Ax x
t
= Ax x
t
= λx x
t
= λx x
= λxt x.

Daí λ − λ xt x = 0 e, como x 6= 0, temos então λ − λ = 0, isto é, λ = λ. Assim λ ∈ R.
3. Sejam Ax1 = λ1 x1 e Ax2 = λ2 x2 . Daí
λ1 ( x1 · x2 ) = ( λ1 x1 ) · x2
= ( Ax1 ) · x2
= x2 · ( Ax1 )
= x2t ( Ax1 )

= x2t At x1

= x2t At x1
= ( Ax2 )t x1
= ( Ax2 ) · x1
= ( λ2 x2 ) · x1
= λ2 ( x2 · x1 )
= λ2 ( x1 · x2 )
onde alternamos entre produto interno, quando usamos o “·”, e produto de matrizes, quando não usa-
mos o “·”. Então (λ1 − λ2 ) (x1 · x2 ) = 0. Assim x1 · x2 = 0 pois, por hipótese, temos que λ1 6= λ2 .

1 2
EXEMPLO : Considere a matriz A = . Devido a A ser simétrica, pela AF. 7.1, A
2 1
é diagonalizável. Contudo, se calcularmos a P como nos exemplos da seção anterior, não
teremos a garantia de que P será ortogonal, isto é, de que teremos P−1 = Pt . Assim será
necessária outra estratégia para não termos de obter P−1 , como antes, via escalonamento.
Para obter os autovalores de A, observe que

1−λ 2
det = λ2 − 2λ − 3
2 1−λ
= (λ + 1)(λ − 3).
Assim tais autovalores são λ1 = −1 e λ2 = 3, o que acarreta

−1 0
D= .
0 3
Agora, por um lado, resolvendo o sistema

2 2 x1 0
( A + I)x = 0, isto é, = ,
2 2 x2 0

−1
obtemos, por exemplo, o autovetor x1 = associado a λ1 = −1. Por outro lado,
1
resolvendo
−2 2 x1 0
( A − 3I)x = 0, isto é, = ,
2 −2 x2 0

1
obtemos, por exemplo, o autovetor x2 = associado a λ2 = 3. Nesse ponto, não escre-
1

veremos, como antes, P = x1 x2 para depois obtermos P−1 via escalonamento.20 No
lugar de tal procedimento, vamos normalizar x1 e x2 , obtendo daí

′ 1 −1 ′ 1 1
x1 = √ e x2 = √ .
2 1 2 1
É importante observar que, como estabelecido na AF. 7.3, x1′ e x2′ são ortogonais. Agora,
para concluir, resta apenas verificar que

P = x1′ x2′ =⇒ Pt AP = D.
 
2 2 1
EXEMPLO : Considere a matriz A =  2 5 2 . Devido a A ser simétrica, pela AF. 7.1, A
1 2 2
é diagonalizável. Aqui também o cálculo da P como nos exemplos da seção anterior não ga-
rante que P seja ortogonal, isto é, que P−1 = Pt , e daí P−1 só será obtida via escalonamento.
Para obter os autovalores de A, observe que
 
2−λ 2 1
det  2 5−λ 2  = ( λ − 7) ( λ − 1)2 .
1 2 2−λ
Assim tais autovalores são λ1 = 7 e λ2 = λ3 = 1, o que acarreta

 
7 0 0
D =  0 1 0 .
0 0 1
Agora, por um lado, resolvendo o sistema

    
−5 2 1 x1 0
( A − 7I)x = 0, isto é,  2 −2 2   x2 = 0  ,
 
1 2 −5 x3 0
20 Mas a opção de como resolver é sua!
 
1
obtemos, por exemplo, o autovetor x1 =  2  associado a λ1 = 7. Por outro lado, resol-
1
vendo     
1 2 1 x1 0
( A − I)x = 0, isto é, 2 4 2
   x2 = 0  ,
 
1 2 1 x3 0
   
1 2
obtemos, por exemplo, os autovetores x2 =  0  e x3 =  −1  associados ao autovalor
−1 0
λ2 = λ3 = 1. Nesse ponto, como no exemplo anterior, não escreveremos P = x1 x2 x3
para depois calcularmos P−1 via escalonamento.21 No lugar de tal procedimento, vamos
primeiro normalizar x1 , obtendo daí
 
1
′ 1
x1 = √  2 .
6 1
Depois vamos aplicar Gram-Schmidt em x2 e x3 , normalizar os mesmos e obter

   
1 1
1 1
x2′′ = √  0  e x3′′ = √  −1  .
2 −1 3 1
É importante observar que, como estabelecido na AF. 7.3, x1′ é ortogonal tanto a x2′′ como a
x3′′ . Resta então verificar que

P = x1′ x2′′ x3′′ =⇒ Pt AP = D.
21 Mas a opção de como resolver continua sendo sua!

4.3. EXERCÍCIOS 81
4.3 Exercícios
1. Seja L : R2 → R2 linear tal que

4 −3
L ( e1 ) = e L ( e2 ) = .
5 7

−6
Determine L(x) para x = .
8
1 A . RESOLUÇÃO :
L(x) = L (−6e1 + 8e2 )

= (−6) L (e1 ) + 8L (e2 ) ( LINEARIDADE )

4 −3
= (−6) +8
5 7

−48
= .
26
2 A . RESOLUÇÃO :
L = L A com

A= L ( e1 ) L ( e2 )

4 −3
= .
5 7
Então
L(x) = Ax

−48
= .
26
2. Seja L = L A : R2 → R2 tal que

14 10
L(u) = e L(v) =
20 11
para
2 3
u= e v= .
0 1
Determine A.
RESOLUÇÃO : Por um lado,

1
L ( e1 ) = L u
2
1
= L(u) ( LINEARIDADE )
2
7
= .
10
Por outro lado, como
L(v) = L (3e1 + e2 )
= 3L (e1 ) + L (e2 ) ( LINEARIDADE )

21
= + L ( e2 ) ,
30
temos que

10 21
L ( e2 ) = −
11 30

−11
= .
−29
Então

A= L ( e1 )L ( e2 )

7 −11
= .
10 −29
3. Para quais números c e d, a matriz

 
1 2 5 0 5
A= 0 0 c 2 2 
0 0 0 d 2
tem posto 2 e porque?
RESOLUÇÃO : O posto de A é a dimensão do espaço gerado por suas colunas e é determinado pelo
número das colunas pivôs de R, sua escalonada reduzida. Assim, queremos que R tenha duas colunas
pivôs. Seja daí c 6= 0. Então, o escalonamento
 
1 2 5 0 5
A −→  0 0 1 2/c 2/c 
0 0 0 d 2
nos diz que, independente do valor de d, R terá três colunas pivôs se c 6= 0. (De fato, se d 6= 0, então as
colunas 1, 3 e 4 da R serão as pivôs. Por outro lado, se d = 0, as colunas pivôs serão as 1, 3 e 5.) Logo,
c = 0 é a condição inicial para que R possa vir a ter duas colunas pivôs. Então
   
1 2 5 0 5 1 2 5 0 5
A =  0 0 0 2 2  −→  0 0 0 1 1 
0 0 0 d 2 0 0 0 d 2
 
1 2 5 0 5
−→  0 0 0 1 1 
0 0 0 0 2−d
nos diz que, se 2 − d 6= 0, R terá três colunas pivôs: a primeira, a quarta e a quinta. Daí, para que R
tenha duas colunas pivôs, temos de ter 2 − d = 0, isto é, d = 2. A resposta do exercício então é que A
tem posto 2 apenas quando c = 0 e d = 2 .
4. Obter uma base para o subespaço do R4 gerado por (2, 1, 1, 0), (3, 0, 3, 6), (1, 0, 1, 2) e
(0, −1, 1, 4).22
 
2 1
[ L]BB ′ =  −1 0 
0 −2
com B = {(0, 1), (1, −1)} e B ′ = {(1, 2, 3), (1, 0, −1), (0, 0, 2)}. Se x = (−1, 2) na base
canônica, obtenha as coordenadas de L(x) na base B ′ , isto é, determine [ L(x)]B ′ .23
22 Faça
como no EXERCÍCIO das pp. 67–68. Observe que, dos quatro vetores dados, os dois primeiros
determinam uma tal base.
23 Basta usar a fórmula
[ L(x)]B ′ = [ L]BB ′ [x]B

4.3. EXERCÍCIOS 83

A = [ L]B
 
0 1 0
= 1 0
 1 
0 0 1
     
 1 1 
onde a base é dada por B = x1 =  1  , x2 =  0  , x3 = e2 . Determine A′ =
1 2
 
′
[ L]B ′ para B = {y1 = e1 , y2 = e2 , y3 = e3 }.
RESOLUÇÃO : Seja T : R3 → R3 a função linear tal que
T
x1 7 → y1 ;
T
x2 7 → y2 ;
T
x3 7 → y3 .
Daí A′ = P−1 AP com P = [ T ]B . Para obter P considere

T
 x1 7→ t11 x1 + t21 x2 + t31 x3 = y1 ; (S1 )


T
(S ) x2 7→ t12 x1 + t22 x2 + t32 x3 = y2 ; (S2 )

 T
 x 7→
2 t13 x1 + t23 x2 + t33 x3 = y3 . (S3 )
Segue daí que  
t11 t13 t12
P =  t21 t23 t22
t31 t33 t32

e devemos determinar todos tais tij ’s. Assim, como M = x1 x2 x3 é a matriz de cada um dos três
sistemas de (S ), podemos resolver simultaneamente (S1 ), (S2 ) e (S3 ). De fato, via escalonamento,24
   
1 1 0 | 1 0 0 1 1 0 | 1 0 0
[ M|I] =  1 0 1 | 0 1 0  −→  0 −1 1 | −1 1 0 
1 2 0 | 0 0 1 0 1 0 | −1 0 1
 
1 1 0 | 1 0 0
−→  0 1 0 | −1 0 1 
0 −1 1 | −1 1 0
 
1 0 0 | 2 0 −1
−→  0 1 0 | −1 0 1  = [I|P] .
0 0 1 | −2 1 1
Note ainda que, concomitantemente, determinamos que P−1 = M. Agora, por outro lado, para obter
A′ , basta proceder a multiplicação P−1 AP:
 
−1 1 1
A ′ =  −3 1 2 .
−1 2 1
da p. 69, observando que
1
[x]B =
−1
e que [ L]B
B ′ é dada no enunciado do exercício.
24 Durante tal escalonamento, as quatro primeiras colunas de cada matriz têm relação com a resolução do
sistema (S1 ) cuja solução é (t11 , t21 , t31 ) = (2, −1, −2). As três primeiras e a quinta colunas de cada matriz
estão relacionadas com a resolução do sistema (S2 ) com solução (t12 , t22 , t32 ) = (0, 0, 1). As três primeiras
e a última colunas de cada matriz têm a ver com a resolução do sistema (S3 ) cuja solução é (t13 , t23 , t33 ) =
(−1, 1, 1).

2 5
7. Quais os autovalores e autovetores da matriz A = ?
3 −4
√
RESOLUÇÃO : Os autovalores λ1,2 = −1 ± 2 6 são as raízes da equação
2−λ 5
= λ2 + 2λ − 23 = 0.
3 −4 − λ
√
Os autovetores associados a λ1 = −1 + 2 6 são múltiplos de
" #
5√
−
x1 = 3−2 6 .
1
De fato,
" √ #
3−2 6 5

2 − λ1 5 √
=
3 −4 − λ1 3 − 3+2 6
 
5√
1
−→  3−2 6√ 
3 − 3+2 6
" #
5√
1
−→ 3−2 6 .
0 0
√
Os autovetores associados a λ2 = −1 − 2 6 são múltiplos de
" #
5√
−
x2 = 3+2 6 .
1
De fato,
" √ #
3+2 6 5

2 − λ2 5 √
=
3 −4 − λ2 3 − 3−2 6
 
5√
1
−→  3+2 6√ 
3 − 3−2 6
" #
5√
1
−→ 3+2 6 .
0 0
8. Sabendo-se que v1 = (−4, −4, −1), v2 = (5, 4, 1) e v3 = (5, 3, 1) são autovetores da

matriz  
−1/3 −5/6 20/3
A =  −2/3 −1/6 16/3  ,
−1/6 −1/6 11/6
resolva os seguintes itens:
• Sem obter o polinômio característico, obtenha os autovalores correspondentes a

estes autovetores.
• A é diagonalizável? Justifique.

RESOLUÇÃO : Considere a1 = − 13 , − 65 , 20
3 , isto é, o vetor cujas coordenadas representam as entradas,
na ordem em que aparecem, da primeira linha de A. Note daí que Av1 = λ1 v1 , Av2 = λ2 v2 e Av3 =
4.3. EXERCÍCIOS 85
λ3 v3 acarretam a1 · v1 = λ1 v1 , a1 · v2 = λ2 v2 e a1 · v3 = λ3 v3 , onde, claramente, estamos representando

os autovetores como vetores-colunas. Segue então

1 5 20
− · (−4) + − · (−4) + · (−1) = λ1 · (−4),
3 6 3

1 5 20
− ·5+ − ·4+ · 1 = λ2 · 5 e
3 6 3

1 5 20
− ·5+ − ·3+ · 1 = λ3 · 5.
3 6 3
Logo A tem os seguintes autovalores: λ1 = λ3 = 21 e λ2 = 13 . Por outro lado, para A ser diagonalizável,
basta que v1 , v2 e v3 sejam uma base de R3 . De fato, escalonando a matriz cujas colunas são tais vetores
obtemos R = I, isto é, as colunas pivôs de tal matriz são (exatamente) v1 , v2 e v3 , representados como
vetores-colunas.
9. Se possível, diagonalize as seguintes matrizes:

 
0 1 1
(a) A =  1 0 1 ;25
1 1 0
 
−1 6 −12
(b) A =  0 −13 30 ;26
0 −9 20
 
5 −2 0
(c) A =  −2 6 2 .27
0 2 7
10. Pode ser demonstrado que autovetores associados a autovalores distintos são LI. Use
tal fato para determinar o valor de x para o qual
 
2 1 1 1
 0 3 x 1 
A=  0 0 3 1 

0 0 0 1
seja diagonalizável.
RESOLUÇÃO : Como estamos lidando com uma matriz triangular, temos que
det( A − λI ) = (λ − 2)(λ − 3)2 (λ − 1)
onde I é a matriz identidade. Daí λ1 = 2, λ2 = λ3 = 3 e λ4 = 1 são os autovalores de A. Por outro

lado, A é diagonalizável se, e somente se, existe uma base para o R4 formada por autovetores de A.
Isto e o fato citado no enunciado da questão implicam que A é diagonalizável se, e somente se, existem
dois autovetores de A associados ao autovalor λ = 3. Assim, considere ( A − 3I )x = 0. Logo, por
escalonamento,    
−1 1 1 1 1 −1 −1 −1
 0 0 x 1   0 0 x 1  .
 0 0 0 1  −→  0 0
  
0 1 
0 0 0 −2 0 0 0 0
25 Em relação a A, verifique que: (−1, 1, 0) e (−1, 0, 1) são autovetores associados ao autovalor −1; (1, 1, 1)
é autovetor associado ao autovalor 2.
26 Em relação a A, verifique que −1, 2 e 5 são seus autovalores.
27 Em relação a A, verifique que 3, 6 e 9 são seus autovalores.
Então, para que o espaço solução do sistema ( A − 3I )x = 0 tenha uma base com dois vetores,28 x deve
ser zero.29
4.3.1 Resoluções de Outros Exercícios
EX . 2; p. 59
 
2 1 0 0 0 0

 0 0 4 −3 0 0 


 0 0 0 0 −6 5 

 −1 2 3 4 −5 6 
A=  =⇒ L = L A

 1 0 0 0 0 0 


 0 −1 0 0 0 0 

 0 0 1 0 0 0 
0 0 0 −1 0 0
=⇒ L é linear pela AF. 1.
EX . 5.(a); p. 60

1 0 0 0
Ax = e Ay = =⇒ Px = L Ax e Py = L Ay
0 0 0 1
=⇒ Px e Py são lineares pela AF. 1.
EX . 6.(b); p. 62

1 0 −1 0
Ax = e Ay = =⇒ R x = L Ax e Ry = L Ay
0 −1 0 1
=⇒ R x e Ry são lineares pela AF. 1.
EX .
5.(b), partes i. e ii., e EX . 6.(b); p. 62
Como vetores colunas, temos
   √   √   √ 
x1 1/√2 1/ 2 −1/√ 6
x =  x2  , a =  1/√2  , a1 =  0 √  e a2 =  2/ √6  .
x3 1/ 2 −1/ 2 −1/ 6
28 Tais vetores são exatamente os dois autovetores LI de A que procuramos!

29 Verifique
4.3. EXERCÍCIOS 87
Segue daí que
PS (x) = (x · a)a
 √ 
1/√2
x1 + x2 + x3 
= √ 1/√2 
2
1/ 2
 x1 + x2 + x3 
2
x1 + x2 + x3
= 2

x1 + x2 + x3
2
  
1/2 1/2 1/2 x1
=  1/2 1/2 1/2   x2 
1/2 1/2 1/2 x3
= AS x
e
PS ⊥ (x) = (x · a1 )a1 + (x · a2 )a2
 √   √ 
1/ 2 −1/ 6
x −x − x1 + 2x2 − x3  √
= 1√ 2  0√  + √ 2/ √6 
2 −1/ 2 6
−1/ 6
 
 x1 − x2  x1 −2x2 + x3
2 6
0 + − x1 +2x2 − x3 
=  3 
x2 − x1 x1 −2x2 + x3
2 6
 
4x1 −5x2 + x3
6
 − x1 +2x2 − x3 
= 3 
−2x1 + x2 + x3
6
  
2/3 −5/6 1/6 x1
=  −1/3 2/3 −1/3   x2 
−1/3 1/6 1/6 x3
= AS ⊥ x.
Agora, basta observar que
RS (x) = 2PS (x) − x

= 2AS x − Ix
= (2AS − I) x
e
RS ⊥ (x) = 2PS ⊥ (x) − x
= 2AS ⊥ x − Ix
= (2AS ⊥ − I) x
com I representando a matriz identidade 3 × 3. Para concluir, resta apenas calcular as matrizes 2AS − I e
2AS ⊥ − I.
EX .; p. 62
Por um lado,  
0 1
1 1 0
A= 1 0  e B=
0 1 1
1 1
são tais que
R2 ∋ x 7→ L1 (x) = Ax ∈ R3 e R3 ∋ y 7→ L2 (x) = Bx ∈ R2 .
Por outro lado,

 
x2
R2 ∋ x 7→ L2 ( L1 (x)) = L2  x1 
x1 + x2

x1 + x2
=
2x1 + x2

1 1 x1
=
2 1 x2
= Cx.
Finalmente, basta verificar que

BA = C.
Capítulo 5
Os Espaços Vetoriais K n e K m×n
5.1 Definição e Propriedades do (K n , +, ·)

5.1.1 Pequena Revisão de C, o Corpo dos Números Complexos
1. Define-se o conjunto C dos números complexos por:
(a) z ∈ C ⇐⇒ z = x + yi com x, y ∈ R e i2 = −1;1

(b) z = w com z = x + yi e w = u + vi ⇐⇒ x = u e y = v.2
2. Sendo 0i = 0, considera-se R ⊂ C.3
3. Sendo z = x + yi e w = u + vi, define-se a adição e a multiplicação em C por:
(a) z + w = ( x + u) + (y + v)i;4
(b) zw = ( xu − yv) + ( xv + yu)i.5
4. Tais operações são comutativas e associativas; 0 é o elemento neutro aditivo e 1 é o

multiplicativo; A adição é distributiva em relação a multiplicação; −z = − x − yi é o
x −yi
inverso aditivo de z e z−1 = x2 +y2 é o inverso multiplicativo de z 6= 0.6
p
5. z = x − yi e |z| = x2 + y2 =⇒ z−1 = z 7
| z |2
.
6. Para a potenciação e a radiciação em C, bem como para interpretar geometricamente a

adição e a multiplicação complexas, confira um bom livro sobre números complexos.
1 Por exemplo, 1 + 2i, 3 + 0i, 0 + 4i, − √1 + (ln 3)i ∈ C.
2
2 Por exemplo, 2 + 3i 6= 3 + 2i.
3 Por exemplo, 3 + 0i = 3.
4 Por exemplo, (1 + 2i ) + (3 + 4i ) = 4 + 6i.
5 Por exemplo, (1 + i )(1 − i ) = 2.
6 Por exemplo, se z = 1 + i, então − z = −1 + i e z−1 = 1−i .
√ 2
7 Por exemplo, se z = 1 + i, então z = 1 − i, | z | = 1− i
2 e z −1 = 2 .
89
90 CAPÍTULO 5. OS ESPAÇOS VETORIAIS K N E K M× N
5.1.2 Corpo K
Vamos generalizar o conceito de escalar e o escopo das coordenadas dos vetores e das en-
tradas das matrizes. Assim, além de R, outros subconjuntos de C podem ter seus elementos
como escalares e coordenadas de vetores. De fato, dizer que um subconjunto K de C é um
corpo (de escalares) significa que:
1. 0, 1 ∈ K;
2. k1 , k2 ∈ K ⇒ k1 + k2 , k1 k2 ∈ K;
3. k ∈ K ⇒ −k ∈ K e, se k 6= 0, então k−1 ∈ K.
E XEMPLOS DE C ORPOS : K = R, R, C. (Embora existam outros exemplos de corpos K,8 a

partir do próximo capítulo, sem perda de generalidade, podemos considerar apenas K =
R, C.)
CONTRA - EXEMPLOS : K = N, Z não são corpos. De fato, se k = 2, por exemplo, então
−k 6∈ N e k−1 6∈ Z.
5.1.3 Espaço K n
As definições de vetor, multiplicação de escalar por
vetor e soma de vetores em R n , bem como as proprie-
dades decorrentes destas, podem ser generalizadas se
substituirmos R por qualquer outro corpo K e R n por
Kn .
Assim, seja x ∈ K n , isto é, a n-upla ordenada x = ( x1 , . . . , xn ) com x1 , . . . , xn ∈ K.9 Tal x

é dito um vetor do K n com coordenadas/componentes x1 , . . ., xn . A ordem das coordenadas é
importante, isto é, se x = ( x1 , . . . , xn ) , y = (y1 , . . . , yn ) ∈ K n , então
x = y significa x1 = y1 , . . ., xn = yn .10
Em K n , o vetor soma de x = ( x1 , . . . , xn ) e y = (y1 , . . . , yn ) é definido por
x + y := ( x1 + y1 , . . . , xn + yn ).11
Em K n , sendo λ ∈ K e x = ( x1 , . . . , xn ), o vetor
λx := (λx1 , . . . , λxn )
é dito um produto por escalar.12

Assim como para o R n , são sempre válidas as seguintes propriedades em K n :
8 Por exemplo, verifique que n √ o
K= x + y 2 x, y ∈ R
h√ i
é um corpo. (Denotamos K = R 2 .)
9 Por exemplo, x = (1, i, 1 + i, 1 − i ) ∈ C4 .
10 Por exemplo, em C2 , (1, i ) 6= (i, 1).
11 Por exemplo, se x = (1, i, 1 + i ), y = (−1, 1, 1 − i ) ∈ C 3 , então x + y = (0, 1 + i, 2) ∈ C 3 .
12 Por exemplo, se λ = 1 e x = (i/2, −1/i ) ∈ C 2 , então λx = (1/2, 1) ∈ C 2 .
i
5.1. DEFINIÇÃO E PROPRIEDADES DO (K N , +, ·) 91
1. x + y = y + x;
2. (x + y) + z = x + (y + z);
3. 0 = (0, · · · , 0) ∈ K n é tal que x + 0 = x;
4. −x := (−1)x é tal que x + (−x) = 0;
5. λ(x + y) = λx + λy;
6. (λ + β)x = λx + βx;
7. (λβ)x = λ( βx);
8. 1x = x.
Em K n , conceitos e resultados relativos a produto interno, norma, CL, geradores, subespaço,

LI, LD, base, dimensão, etc, são análogos a aqueles válidos para o R n . Contudo, algumas
adaptações são necessárias (como ilustra os exercícios seguintes). Ainda, a generalização de
R n para K n que acabamos de proceder, também ocorre, de modo análogo, de R m×n para
K m×n .
5.2 Exercícios
1. Sejam:
• K um corpo;
• x = ( x1 , . . . , x n ) , y = ( y1 , . . . , y n ) ∈ K n ;
• x · y : = x1 y1 + · · · + x n y n .
Assim, para quaisquer x, y, z ∈ K n e c ∈ K, é fácil ver que:
(a) x · y = y · x;
(b) x · (y + z) = x · y + x · z;
(c) c(x · y) = (cx) · y = x · (cy);
(d) se K contém somente números reais,13 então:
• x · x ≥ 0;
• x · x = 0 ⇐⇒ x = 0.
Contudo, se K contém algum número complexo com parte imaginária √ não nula,14 em
geral, a propriedade (d) não é satisfeita.15 Assim, para ||x|| = x · x ser bem definido,
seja
x · y : = x1 y1 + x2 y2 + · · · + x n y n . (∗)
Com K n munido do produto interno (∗):
• Verifique que (d) é satisfeita para qualquer corpo K;

• Como ficam as propriedades (a) e (c)?16
2. Considere C3 munido de (∗). Via Gram-Schmidt, obtenha uma base ortonormal a par-
tir da base {(i, i, i ), (0, i, i ), (0, 0, i )}.
3. Obtenha uma base ortonormal do subespaço de C3 gerado por (1, i, 0) e (1, 2, 1 − i ).
4. Em C3×4 , seja  
1 −1 0 2
A =  −2 1 1−i 0 .
−1 + i 0 1 2
Determine daí a entrada aij , a i-ésima linha A(i, −) e a j-ésima coluna A(−, j) de A,
para i = 1, 2, 3 e j = 1, 2, 3, 4.
5. Este exercício exemplifica a seguinte propriedade distributiva para matrizes com en-
tradas num corpo K:
( A + B)C = AC + BC ∀ A, B ∈ K m×n e ∀C ∈ K n× p .
13 Por exemplo, considere K = R, R.
14 Por exemplo, seja K = C.
15 Por exemplo: x = (2i, 1) =⇒ x · x = −3 < 0 ; x = (i, 1) =⇒ x · x = 0 .
16 RESPOSTA : (a) x · y = y · x; (c) c(x · y) = (cx) · y = x · (cy).
5.2. EXERCÍCIOS 93
Assim, para m = p = 2, n = 3, K = C,
 
1+i i
1+i 1 −i 1 − i i −1
A= ,B= e C =  −i 2 − 3i  ,
2i 2 + 3i 2 3 1 2
1 −1
calcule:
(a) A + B;
(b) ( A + B)C;
(c) AC;
(d) BC;
(e) AC + BC.
6. Este exercício exemplifica a seguinte propriedade de transposição para matrizes com

entradas num corpo K:
( AB)t = Bt At ∀ A ∈ K m×n e ∀ B ∈ K n× p .
Assim, para m = p = 2, n = 3, K = C,
 
1+i i
1+i 1 −i
A= e B =  −i 2 − 3i  ,
2i 2 + 3i 2
1 −1
calcule:
(a) AB;
(b) ( AB)t ;
(c) Bt ;
(d) At ;
(e) Bt At .
7. Sejam
2 i t 2 −i 1+i 1
A= , isto é, A = ,eB= .
−i 1 i 1 1 1−i
Verifique que:

2 + 3i 3+i − 1 1 − 2i −3 − i
(a) AB = e ( AB) = ;
2−i 1 − 2i −2 + i 2 + 3i

1 −i 1 i 1 − i −1
(b) A−1 = t −
, (A ) =1 −
eB =1 ;
i 2 −i 2 −1 1 + i
(c) ( At )−1 = ( A−1 )t e ( AB)−1 = B−1 A−1 .
Capítulo 6
O Espaço Vetorial V (sobre o Corpo K)
6.1 Definição e Propriedades do (V, +, ·)

O espaço K n dos vetores cujas n coordenadas perten-
cem a K, que tem o espaço R n do capítulo 2 como
caso particular, bem como o espaço K m×n das matri-
zes m × n cujas entradas pertencem a K, que tem o
espaço R m×n do capítulo 3 como caso particular, são
exemplos de espaços vetoriais (sobre o corpo de esca-
lares K).
Assim, como nos espaços dos capítulos 2-5, dizer que o conjunto não vazio V é um espaço
vetorial (sobre o corpo K) significa dizer que existe uma adição de elementos u, v ∈ V cujas
somas u + v pertencem a V, existe uma multiplicação de escalares λ ∈ K por elementos
u ∈ V cujos produtos λu pertencem a V, e são válidas, para quaisquer vetores u, v, w ∈ V e
escalares λ, β ∈ K, as seguintes propriedades:
1. u + v = v + u;
2. (u + v) + w = u + (v + w);
3. 0 ∈ V é tal que u + 0 = u;
4. −u = (−1)u é tal que u + (−u) = 0;
5. λ(u + v) = λu + λv;
6. (λ + β)u = λu + βv;
7. (λβ)u = λ( βu);
8. 1u = u.
6.1.1 Exemplos de V Diferentes de K n e K m×n

Vejamos agora um exemplo que generaliza o espaço K n das sequências finitas em K e um
exemplo cujos vetores são polinômios com coeficientes em K.
EXEMPLOS :
95
96 CAPÍTULO 6. O ESPAÇO VETORIAL V (SOBRE O CORPO K)
1. Seja V = KN , o espaço das sequências infinitas em K. Assim, se x ∈ KN , então
x = ( x1 , x2 , . . . ) ,
a adição de vetores e a multiplicação de escalares por vetores é como em K n , isto é,

componente a componente, 0 = (0, 0, . . .) e − x = (− x1 , − x2 , . . .).
2. Seja V = Pn (K ), o espaço que consiste de cada polinômio com coeficientes em K e

cujo grau seja menor que n. Assim, se p ∈ Pn (K ), então
p ( t ) = c0 + c1 t + c2 t2 + · · · + c k t k
com c0 , c1 , c2 , . . . , ck ∈ K e k < n, a adição de vetores é a bem conhecida adição de

polinômios, a multiplicação de escalares por vetores é a também bem conhecida mul-
tiplicação de escalares por polinômios, 0 é o polinômio nulo e − p é tal que − p(t) =
− c0 − c1 t − c2 t2 − · · · − c k t k .
6.1.2 Subespaços, Bases, Dimensões, etc

Conceitos e resultados análogos aos dos capítulos anteriores permanecem válidos em ou-
tros espaços vetoriais. Por exemplo, uma base para o primeiro exemplo anterior é obtida
se considerarmos os vetores e1 = (1, 0, 0, 0, . . .), e2 = (0, 1, 0, 0, . . . ), e3 = (0, 0, 1, 0, . . .),
etc. Isto é, cada vetor desta base tem uma de suas componentes igual a 1 e todas as ou-
tras componentes nulas. Note que x ∈ KN é tal que x = x1 e1 + x2 e2 + x3 e3 + · · · . Sem
nos aprofundarmos na questão, dizemos que tal espaço tem dimensão infinita. Por outro
lado, o segundo exemplo anterior tem dimensão n com uma de suas bases constituída
pelos polinômios 1, t, t2 , . . . , tn−1 . De fato, tais polinômios geram Pn (K ) pois qualquer
polinômio p de grau menor que n pode ser escrito como uma CL dos mesmos, isto é,
p(t) = c0 + c1 t + c2 t2 + · · · + cn tn−1 . Além disso, tais polinômios são LI. De fato, se p(t) = 0,
então c0 = c1 = c2 = · · · = cn−1 = 0.1
Para mais uma ilustração de que podemos aplicar a teoria apresentada nos capítulos anterio-
res para estudar outros espaços vetoriais, considere novamente o primeiro exemplo anterior.
É fácil ver que o conjunto
n o
N
S = x ∈ K | X tem um número finito de componentes não nulas
é um subespaço de KN . De fato, claramente a sequência nula pertence a S . Agora, se λ ∈ K

e x, y ∈ S , isto é, x tem m componentes não nulas e y tem n componentes não nulas, então
λx ∈ S (pois tal produto tem, no máximo, m componentes não nulas) e x + y ∈ S (pois tal
soma tem, no máximo, m + n componentes não nulas).
OBSERVAÇÃO : Se S é um subespaço de V, então S é também um espaço vetorial (sobre
K).2
Tal observação nos fornece uma quantidade infinita de exemplos de espaços vetoriais.
1 Igualeos coeficientes de p(t) aos do polinômio nulo 0 + 0 · t + 0 · t2 + · · · + 0 · tn−1 .
2 De fato, 0 ∈ S e como λu, u + v ∈ S para cada λ ∈ K e u, v ∈ S , segue que existem em S , herdadas de V,
uma adição de vetores e uma multiplicação dos mesmos por escalares, acarretando ainda que −u = (−1)u ∈
S . Agora, as outras propriedades para S ser um espaço vetorial são válidas pois as mesmas são válidas para
todos os vetores de V e S ⊂ V.
6.2. ISOMORFISMO ENTRE ESPAÇOS VETORIAIS 97
6.2 Isomorfismo entre Espaços Vetoriais

Os espaços R4 , R2×2 (R ) e P4 (R ) são indistinguíveis, diferindo apenas em como seus vetores
são representados. De fato, podemos escrever
um ’vetor de quatro coordenadas’ de uma das
a b
seguintes formas: ( a, b, c, d) ou ou a + bt + ct2 + dt3 . Além disso, cada vetor de V
c d
pode ser escrito como uma CL dos vetores da base constituída por:
• (1, 0, 0, 0), (0, 1, 0, 0), (0, 0, 1, 0) e (0, 0, 0, 1) se V = R4 ;

1 0 0 1 0 0 0 0
• , , e se V = R2×2 (R );
0 0 0 0 1 0 0 1
• 1, t, t2 e t3 se V = P4 (R ).
Logo, desconsiderando o modo como representamos vetores de quatro coordenadas, tudo
funciona da mesma forma em V = R4 , R2×2 (R ), P4 (R ). Por exemplo, considere agora a
seguinte CL representada nestes três espaços:
2(1, 1, 0, 0) − (0, 1, 1, 0) = (2, 1, −1, 0);

1 1 0 1 2 1
2 − = ;
0 0 1 0 −1 0
2(1 + t ) − ( t + t2 ) = 2 + t − t2 .
Dizemos que tais espaços são isomorfos. Em geral, dizer que dois espaços vetoriais V1
e V2 (sobre o mesmo corpo K) são isomorfos significa dizer que existe uma função linear
L : V1 → V2 invertível, dita um isomorfismo entre V1 e V2 . A linearidade aqui é a mesma
que foi definida no capítulo anterior, isto é, L leva somas em somas e múltiplos escalares em
múltiplos escalares. A invertibilidade aqui significa que existe a inversa L−1 : V2 → V1 de
L que, composta com a própria L, resulta numa função identidade.
EXEMPLO : É fácil ver que
L : R 2×2 ( R ) → R4

a b
7→ ( a, b, c, d)
c d
é um isomorfismo entre R2×2 e R4 .
EXEMPLO : É fácil ver que
L : P4 (R ) → R4
a + bt + ct2 + dt3 7→ ( a, b, c, d)
é um isomorfismo entre P4 (R ) e R4 .
Note que o isomorfismo de cada exemplo anterior associa a base canônica do domínio a base
canônica da imagem. Além disso, as dimensões dos espaços isomorfos via L são iguais. Na
verdade vale o resutado mais geral:
TEOREMA DOS ESPAÇOS VETORIAIS ISOMORFOS DE DI -
MENSÕES FINITAS :
Dois espaços vetoriais, V1 e V2 , são isomorfos (entre
si) se, e somente se, tais espaços têm a mesma dimen-
são. Em particular, tal isomorfismo associa bases de
V1 a bases de V2 .
98 CAPÍTULO 6. O ESPAÇO VETORIAL V (SOBRE O CORPO K)
DEMONSTRAÇÃO : Suponha que dim V 1 = dim V 2 = n. Então V 1 tem uma base { v1 , v2 , . . . , vn } e V 2 tem
uma base {w1 , w2 , . . . , wn }. Seja L : V1 → V2 tal que
v 1 7 → L ( v 1 ) = w1 , v 2 7 → L ( v 2 ) = w2 , . . . , v n 7 → L ( v n ) = w n .
É fácil ver que L é um isomorfismo. Para a recíproca, seja agora L : V1 → V2 um isomorfismo e dim V1 = n.
Daí V1 tem uma base {v1 , v2 , . . . , vn } . Basta provar agora que { L (v1 ) , L (v2 ) , . . . , L (vn )} é uma base de V2 .
6.2.1 Se dim V = n, Informações sobre V Podem Ser Obtidas Via Infor-

mações sobre K n
A idéia é simples. Por um lado, existem dados iniciais relativos a V, aqui chamados de
entrada ou input. Por outro lado, são procuradas informações relativas a V, aqui chamadas
de saída ou output. Suponha agora que obtemos um isomorfismo L : V → K n . Daí, via tal
L, transformamos a entrada relativa a V numa entrada relativa a K n . Após alguns cálculos,
obtemos a saída relativa a K n . Finalmente, tal saída é transformada via L−1 naquela relativa
a V (inicialmente procurada). Simples assim!
EXEMPLO : Considere que queremos determinar duas bases do subespaço de R 2×3 gerado
por
1 2 −1 −1 1 0 0 3 −1 2 1 −1
, , e .
0 1 −1 −2 −1 2 −2 0 1 2 2 −3
Note agora que o isomorfismo
L : R 2×3 → R6
a b c
7→ ( a, b, c, d, e, f )
d e f
reduz o problema a determinação de duas bases do subespaço de R6 gerado por
(1, 2, −1, 0, 1, −1), (−1, 1, 0, −2, −1, 2), (0, 3, −1, −2, 0, 1) e (2, 1, −1, 2, 2, −3),
cuja solução encontra-se nas páginas 67 e 68 destas NA. Assim, utilizando as bases lá obti-
das, temos que uma das bases aqui procuradas é costituída pelas matrizes

1 2 −1 −1 1 0
e .
0 1 −1 −2 −1 2
Uma segunda base é constituída por

1 0 −1/3 0 1 −1/3
e .
4/3 1 −5/3 −2/3 0 1/3
6.3. EXERCÍCIOS 99
6.3 Exercícios
1. Seja C [ a, b] o conjunto das funções reais contínuas definidas no intervalo real [ a, b].
(a) Verifique que C [ a, b] é um espaço vetorial real munido do produto interno h , i

definido do seguinte modo:
Z 1
f , g ∈ C [ a, b] ⇒ h f , gi = f (t) g(t)dt.
0
(b) Determine uma base ortonormal para o subespaço S de C [0, 1] gerado pelos po-
linômios p(t) = 1 + t e q(t) = t.
(c) Analogamente ao exercício 5.(b) da página 60, temos o seguinte resultado:
Se S é um subespaço de dimensão finita de C [ a, b] e { f 1 , f 2 , . . . , f r } é uma base
ortonormal de S , então a melhor aproximação de f ∈ C [ a, b] em S é dada por
PS ( f ) = h f , f 1 i f 1 + h f , f 2 i f 2 + · · · + h f , f r i f r .
Assim, em relação ao item (b) anterior, determine o vetor de S mais próximo da

função f : [0, 1] → R definida por f (t) = et para todo t ∈ [0, 1].
2. Demonstre que se L : V1 → V2 é um isomorfismo, então L−1 : V2 → V1 também o é.
3. Escreva os detalhes faltantes da demonstração do Teorema dos Espaços Vetoriais Iso-

morfos de Dimensões Finitas.

CM005

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

CM005

Uploaded by

Copyright:

Available Formats

1

U NIVERSIDADE F EDERAL DO PARANÁ

M ANUAL T ÉCNICO -D IDÁTICO

Á LGEBRA L INEAR - CM005

1 Introdução: Origem, Objetivos e Diretrizes das Notas 5

3 O Espaço Vetorial R m×n 29

4 Operadores, Autovalores e Autovetores 57

5 Os Espaços Vetoriais K n e K m×n 89

6 O Espaço Vetorial V (sobre o Corpo K) 95

Introdução: Origem, Objetivos e

• VETORES E MATRIZES - U MA I NTRODUÇÃO À Á LGEBRA L INEAR (a partir da 4a

• I NTRODUÇÃO À Á LGEBRA L INEAR do Gilbert Strang, publicado pela Editora LTC a

2.1 Geometria Analítica do R2

αw com −1 < α < 0

Em GA, define-se ainda o produto interno (escalar)

Óbvio que também é possível calcular u + w, v + w,

• i = (1, 0) e j = (0, 1).

||i|| = ||j|| = 1 u.c.

• Em geral, u, v e w têm a origem do plano cartesiano como ponto inicial.

EXERCÍCIOS SOBRE VETORES EM R2 :

(a) u e −u. RESPOSTA : −1.

(a) Verifique a validade de tal condição para u e v unitários e tais que:5

6. Seja u = ( x, y) ∈ R2 unitário. Seja θ o ângulo entre u e i.

5 DICA : Use o exercício 6, dado a seguir, para obter as coordenadas de u e v.

(a) Verifique que

(b) Determine u para cada θ dado a seguir:

7. Seja v = ( x, y). Seja θ o ângulo entre v e i.

8. Do exercício 4 anterior, temos que

u · v = ||u|| ||v|| cos θ.

Use tal fórmula para calcular o produto interno u · v se:

(a) u e v são unitários e representam lados de um triângulo equilátero no primeiro

Ainda, denotamos tal ortogonalidade por u ⊥ v.

(a) Considere u = i, v = j e u + v. Por um lado, verifique que u ⊥ v. Por outro lado,

(c) Use o Teorema de Pitágoras para verificar que, para quaisquer u e v em R2 ,

||u + v||2 = ||u||2 + ||v||2

(d) Demonstre o resultado anterior a partir do seguinte fato:

(a) x0 = (1, 2) e a = (1, 1);

Ainda, em cada item anterior, quando possível, determinar a equação afim y = ax + b

Dê exemplos de retas que sejam paralelas (respectivamente, perpendiculares). Escreva

8 DICA : Apenas no (d), a equação afim não pode ser obtida!

2.2 R n : Espaço Euclidiano n-dimensional

ou x é a matriz n × 1 cujas entradas da sua única coluna são os números x1 , . . . , xn , nesta

Em R4 , por exemplo, podemos ter

Um tal x com tais n coordenadas é dito um vetor em R n .

• A palavra ‘ordenada’, usada anteriormente, significa que a ordem das coordenadas é

Por exemplo, em R2 , (1, 2) 6= (2, 1).

• A soma dos vetores x e y é o vetor x + y cuja i-ésima coordenada é dada por

• Dados o vetor x e o escalar α ∈ R, o vetor αx cuja i-ésima coordenada é dada por

é dito um produto por escalar.    

Para quaisquer vetores x, y, z e escalares α, β ∈ R, as seguintes propriedades são válidas:

3. 0 = (0, . . . , 0) ∈ R n é tal que x + 0 = x; (vetor nulo)

4. −x = (−1)x é tal que x + (−x) = 0; (vetor simétrico)

5. α(x + y) = αx + αy; (distributiva em relação a soma dos vetores)

6. (α + β)x = αx + βy; (distributiva em relação a soma dos escalares)

7. (αβ)x = α( βx); (associativa)

EXERCÍCIO : Demonstre tais propriedades.

2.3 Produto Interno, Módulo e Ângulo em R n

é dito o produto interno (ou escalar)

EXERCÍCIO : Demonstre as propriedades anteriores.

e do fato de 0 ser o único número tal que

Módulo. O número real não-negativo

é dito o módulo (ou a norma ou o comprimento) do vetor x.

Para quaisquer vetores x e y e cada escalar α ∈ R, valem as seguintes propriedades:

1. ||αx|| = |α| ||x||;

é dito um produto por escalar.

fato, uma base.