Alg Linear 15

UDESC - UNIVERSIDADE ESTADUAL
DE SANTA CATARINA
CENTRO DE CIENCIAS TECNOLOGICAS - CCT
DEPARTAMENTO DE MATEMATICA - DMAT
APOSTILA DE ALGEBRA LINEAR II
JONES CORSO
Joinville - SC - 2014
ii
Sumario
1 MATRIZES 1
1.1 Introducao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Tipos de Matrizes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3 Operacoes com matrizes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3.1 Adicao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3.2 Multiplicacao por escalar . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.3.3 Multiplicacao de Matrizes . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.3.4 Matriz inversa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.3.5 Matriz ortogonal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.3.6 Potencia de uma matriz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.3.7 Traco de uma matriz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.3.8 Expressoes polinomiais envolvendo matrizes . . . . . . . . . . . . . . . . . 9
1.4 Matriz na forma escada reduzida por linhas . . . . . . . . . . . . . . . . . . . . . . 9
1.4.1 Operacoes elementares linha . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.5 Posto de uma matriz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.6 Calculo da inversa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.6.1 Calculo da inversa por escalonamento . . . . . . . . . . . . . . . . . . . . . 13
1.7 Determinantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.7.1 Calculo do determinante por triangulacao . . . . . . . . . . . . . . . . . . . 15
1.7.2 Calculo do determinante por difrentes metodos . . . . . . . . . . . . . . . . 16
1.8 Primeira lista de exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.8.1 Algumas respostas e sugestoes . . . . . . . . . . . . . . . . . . . . . . . . . 21
1.9 Apendice - Calculo da inversa por adjunta . . . . . . . . . . . . . . . . . . . . . . . 22
2 SISTEMA DE EQUACOES LINEARES 25

2.1 Introducao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
iii
2.2 Sistemas e matrizes. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.3 Solucao de um sistema por matriz inversa . . . . . . . . . . . . . . . . . . . . . . . 31
2.4 Segunda lista de exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.5 Apendice - Regra de Cramer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3 ESPACOS VETORIAIS 41
3.1 Introducao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
3.2 Subespacos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
3.3 Interseccao de dois Subespacos Vetoriais . . . . . . . . . . . . . . . . . . . . . . . . 52
3.4 Combinacao Linear . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
3.5 Dependencia e Independencia Linear . . . . . . . . . . . . . . . . . . . . . . . . . . 55
3.6 Subespacos Gerados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
3.7 Soma de Subespacos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
3.8 Base e Dimensao de um Espaco Vetorial . . . . . . . . . . . . . . . . . . . . . . . 61
3.8.1 Base . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
3.8.2 Dimensao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
3.8.3 Dimensao da Soma de Subespacos Vetoriais . . . . . . . . . . . . . . . . . . 67
3.8.4 Coordenadas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
3.9 Mudanca de Base . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
3.10 A Inversa da Matriz de Mudanca de Base . . . . . . . . . . . . . . . . . . . . . . . 72
3.11 Terceira lista de exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
4 TRANSFORMACOES LINEARES 83
4.1 Propriedades das Transformacoes Lineares . . . . . . . . . . . . . . . . . . . . . . . 88
4.2 Transformacoes Lineares e Matrizes . . . . . . . . . . . . . . . . . . . . . . . . . . 94
4.2.1 Transformacao linear associada a uma matriz . . . . . . . . . . . . . . . . . 94
4.2.2 Matriz de uma transformacao linear . . . . . . . . . . . . . . . . . . . . . . 98
4.3 Composicao de transformacoes lineares . . . . . . . . . . . . . . . . . . . . . . . . 103
4.4 A Inversa de uma transformacao linear . . . . . . . . . . . . . . . . . . . . . . . . . 105
4.5 Quarta lista de exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
iv
5 OPERADORES LINEARES 117
5.1 Transformacoes especiais no plano e no espaco . . . . . . . . . . . . . . . . . . . . 117
5.1.1 Transformacoes no Plano . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
5.1.2 Transformacoes no Espaco . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
5.2 Propriedades dos operadores inversveis . . . . . . . . . . . . . . . . . . . . . . . . 130
5.3 Operadores autoadjuntos e ortogonais . . . . . . . . . . . . . . . . . . . . . . . . . 133
5.4 Quinta lista de exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135
6 AUTOVALORES E AUTOVETORES 139

6.1 Autovalores e autovetores de uma matriz . . . . . . . . . . . . . . . . . . . . . . . . 140
6.1.1 Polinomio Caracterstico . . . . . . . . . . . . . . . . . . . . . . . . . . . . 141
6.2 Matrizes Semelhantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 148
6.3 Diagonalizacao de Operadores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 149
6.3.1 Matriz Diagonalizadora . . . . . . . . . . . . . . . . . . . . . . . . . . . . 152
6.4 Calculando potencias de uma matriz . . . . . . . . . . . . . . . . . . . . . . . . . . 155
6.5 Sexta lista de exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 157
7 PRODUTO INTERNO 165

7.1 Normas, Distancias e Angulos em Espacos com Produto Interno . . . . . . . . . . . 169
7.2 Ortogonalidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 171
7.2.1 Conjunto Ortogonal de Vetores . . . . . . . . . . . . . . . . . . . . . . . . . 171
7.2.2 Base ortogonal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 172
7.2.3 Base ortonormal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 172
7.2.4 Coordenadas em relacao a Bases Ortonormais . . . . . . . . . . . . . . . . . 173
7.2.5 Coordenadas em relacao a Bases Ortogonais . . . . . . . . . . . . . . . . . 174
7.3 Complementos Ortogonais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 174
7.4 Projecoes Ortogonais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 175
7.5 Encontrando Bases Ortogonais e Ortonormais . . . . . . . . . . . . . . . . . . . . . 176
7.5.1 Processo de Ortogonalizacao de Gram-Schmidt . . . . . . . . . . . . . . . . 176
7.6 Fatoracao QR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 178
7.6.1 Aplicacao da fatoracao QR . . . . . . . . . . . . . . . . . . . . . . . . . . . 180
7.7 Solucao de Mnimos Quadrados de Sistemas
v Lineares . . . . . . . . . . . . . . . . 181
7.8 Setima lista de exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 184
8 APLICACOES 189
8.1 Aplicacoes da Algebra Linear na Engenharia Cartografica . . . . . . . . . . . . . . . 189
8.2 Aplicacoes de espacos vetoriais na computacao grafica . . . . . . . . . . . . . . . . 190
8.3 Aplicacoes de autovalores e autovetores na engenharia civil . . . . . . . . . . . . . . 195
8.3.1 O Problema de autovalor na avaliacao de modelos estruturais de edificacoes . 195
vi
Captulo 1
MATRIZES
1.1 Introducao
Exemplo 1 A seguinte colecao retangular de tres linhas e sete colunas descreve o numero de horas
que um estudante se dedicou a tres materias durante uma determinada semana:
segunda terca quarta quinta sexta sabado domingo
Matematica 2 3 2 4 1 4 2
Biologia 0 3 1 4 3 2 2
Fsica 4 1 3 1 0 0 2
Se nos suprimirmos os ttulos, ficaremos com a seguinte colecao retangular de numeros com tres
linhas e sete colunas, denominada matriz:

2 3 2 4 1 4 2

A= 0 3 1 4 3 2 2

4 1 3 1 0 0 2
Uma matriz e um agrupamento retangular de numeros. Os numeros neste agrupamento sao chama-
dos entradas da matriz.
O tamanho de uma matriz e descrita em termos do numero de linhas (fileiras horizontais) e de
colunas (fileiras verticais) que contem.
Quando discutimos matrizes, e usual chamar as quantidades numericas de escalares.
Exemplo 2
Definicao 1.1 Chama-se matriz de ordem m n a uma tabela de m n elementos dispostos em m

2 1.2. Tipos de Matrizes
linhas e n colunas:
a11 a12 ........ a1n

a21 a22 ........ a2n
A=
.. ..

. .

am1 am2 ........ amn
Notacao: Costumamos denotar as matrizes por letras latinas maiusculas:A, B, C, ...... Notacao
mais compacta [ai j ]mn ou [ai j ] quando nao e dado enfase ao tamanho da matriz.
A entrada que ocorre na i-esima linha e j-esima coluna de uma matriz A e denotada por ai j .
1.2 Tipos de Matrizes
Matriz coluna
E a matriz de ordem m 1.

1

1 2

2 3
Exemplo 3 A = [1]11 , B=

, C=
..

3 .

4 999
41
1000
10001
Matriz linha
E a matriz de ordem 1 n.
[ ]
Exemplo 4 A = [1]11 , D = 1 2 3 4 5 6 7 10
18
Matriz Nula
[ ]
E a matriz A = ai j mn onde ai j = 0, para 1 i m e 1 j n.
Exemplo 5
0 0 0 0 0 0

0 0 0 0 0 0

M= , N = [0]

0 0 0 0 0 0

0 0 0 0 0 0
Observacao 1 Denotaremos frequentemente a matriz nula por 0.

1.2. Tipos de Matrizes 3
Matriz quadrada
E a matriz de ordem n n, ou seja, n linhas e n colunas.

a11 a1n

.. . . ..
A= . . .

an1 ann
Os elementos da forma aii constituem a diagonal principal

Os elementos ai j em que i + j = n + 1 constituem a diagonal secundaria.
Exemplo 6
3 2
A = [0]11 , B =
1 7
Matriz diagonal
[ ]
Matriz diagonal e a matriz quadrada A = ai j onde ai j = 0 para i = j :

a11 0 0 0

..
0 . 0

.. .. .. ..
A= . . . .

.. .
0 . .. 0

0 0 0 ann
Notacao: diag(A) = {a11 , , ann }
Exemplo 7
3 0
A = [0]11 , B =
0 11
Matriz identidade ou unitaria

Temos a diagonal principal com elementos iguais a um e todos os outros elementos iguais a zero,
ou seja, ai j = 1 para i = j e ai j = 0 para i = j.
Tambem podemos dizer que e a matriz diagonal I onde diag(I) = {1, , 1}.
Notacao: In representa a matriz identidade de ordem n.
Observacao 2 Como 1 e o elemento neutro da multiplicacao entre numeros, a matriz identidade e o

elemento neutro da multiplicacao de matrizes. E usual indicar [I].
4 1.2. Tipos de Matrizes
Exemplo 8
1 0 0

0 1 0 0

, I100 =
1 0 .... . . ..
I2 = . . . .

0 1 .
0 0 .. 0

0 0 0 1
Matriz transposta
[ ] [ ]
Dada uma matriz A = ai j mn , podemos obter uma outra matriz AT = bi j nm , cujas linhas sao
as colunas de A, isto e, bi j = a ji . AT e denominada a transposta de A.

a a12 ........ a1n a a ........ am1
11 11 21

a21 a22 ........ a2n a a22 ........ am2
A= .. ..
A T = 12
.. ..

. . . .

am1 am2 ........ amn a1n a2n ........ amn
mn nm
Exemplo 9
1 2 3 4 1 11 21 31

11 12 13 14 2 12 22 32

A =
T
A=
21 22 23 24 3 13 23 33

31 32 33 34 4 14 24 34
Exemplo 10
1

2
[ ]

D = 1 2 3 4 5 D = 3
T
15

4

5
51
Matriz simetrica
[ ]
Uma matriz quadrada S = ai j e simetrica se ST = S, isto e, se ai j = a ji . Assim, os elementos
simetricamente opostos a diagonal principal sao iguais.
Exemplo 11
1 5 9

0 1
S = 5 3 8 , N=
1 0
9 8 7
1.3. Operacoes com matrizes 5
Matriz anti-simetrica
[ ]
Uma matriz quadrada A = ai j e anti-simetrica se AT = A, isto e, se ai j = a ji . Assim,
i) os elementos da diagonal principal sao todos nulos:
ii) os elementos simetricamente dispostos em relacao a diagonal principal sao opostos.
Exemplo 12
0 3 4

A = 3 0 6

4 6 0
Matriz triangular superior

[ ]
A matriz quadrada A = ai j que tem os elementos ai j = 0 para i > j e chamada matriz triangular
superior.
Exemplo 13
5 4 7 9

0 3 8 4 0 1
A=

, B =

, I10000
0 0 2 3 0 0

0 0 0 6
Matriz triangular inferior

[ ]
A matriz quadrada A = ai j que tem os elementos ai j = 0 para i < j e chamada matriz triangular
inferior.
Exemplo 14
5 0 0 0 1 0 0 0

4 3 0 0 0 2 0 0
B=

, C =

7 4 2 0 0 0 2 0

9 1 2 6 0 0 0 2
1.3 Operacoes com matrizes
1.3.1 Adicao
[ ] [ ]
Dados A = ai j mn e B = bi j mn definimos A + B por,
[ ]
A + B = ai j + bi j mn
6 1.3. Operacoes com matrizes
Propriedades 1.1
1. A + B = B + A
2. A + (B +C) = (A + B) +C
3. A + 0 = A
1.3.2 Multiplicacao por escalar

[ ]
Seja A = ai j mn e k um numero real definimos kA por
[ ]
kA = kai j mn
Exemplo 15
2 10 4 20
2 =
1 3 2 6
Propriedades 1.2
1. k(A + B) = kA + kB
2. (k1 + k2 )A = k1 A + k2 A
3. 0A = 0
4. k1 (k2 A) = (k1 k2 )A
1.3.3 Multiplicacao de Matrizes

[ ] [ ] [ ]
Sejam A = ai j mn e B = bi j np , definimos A B por AB = ci j mp , onde
n
ci j = aik bk j = ai1b1 j + ..... + ainbn j
k=1
Observe que o numero de colunas de A deve ser igual ao numero de linhas de B.
Exemplo 16

2 1 2 1 + 1 0 2 (1) + 1 4 2 2
1 1

4 2 = 4 1 + 2 0 4 (1) + 2 4 = 4 4
0 4
5 3 22 5 1 + 3 0 5 (1) + 3 4 5 7
32
1.3. Operacoes com matrizes 7
Se os tamanhos das matrizes sao tais que as operacoes indicadas podem ser efetuadas, entao:
Propriedades 1.3 Multiplicacao de matrizes
1. AI = IA = A
2. A(B +C) = AB + AC
3. (A + B)C = AC + BC
4. (AB)C = A(BC)
5. 0A = A0 = 0
Observacao 3 Note que, em geral AB = BA.
Propriedades 1.4 Matriz transposta
1. (A + B)T = AT + BT
2. ( A)T = AT , onde e um numerto real
3. (AT )T = A
4. (AB)T = BT AT
Exemplo 17 Mostre que se A e uma matriz quadrada entao A + AT e simetrica e A AT e anti-

simetrica.
1.3.4 Matriz inversa

[ ]
Dada uma matriz quadrada A = ai j , se existir uma matriz B que satisfaca AB = BA = I diz-se que
B e a inversa de A e denota-se B por A1 , ou seja, A1 A = AA1 = I.
Exemplo 18
11 3 2 3
A= , A1 = .
7 2 7 11
Dizemos que uma matriz A e inversvel (nao singular) se existe a matriz inversa A1 , caso contrario
dizemos que a matriz A e nao inversvel (singular).
Propriedades 1.5
8 1.3. Operacoes com matrizes
1. A e nao singular se o determinante de A e diferente de zero. A e singular se determinante de A
e igual a zero.
2. Se A admite inversa (det A = 0) esta e unica.
3. Se A e nao singular, sua inversa A1 tambem e, isto e, se det A = 0 entao det A1 = 0. A matriz
inversa de A1 e A.
4. A matriz identidade I e nao singular (pois det I = 1) e I 1 = I.
5. Se a matriz A e nao singular, sua transposta AT tambem e. A matriz inversa de AT e (A1 )T ,

isto e , (AT )1 = (A1 )T , dai concluimos que se det A = 0 entao det AT = 0.
6. Se as matrizes A e B sao nao singulares e de mesma ordem, o produto AB e uma matriz nao
singular. Vale a relacao (AB)1 = B1 A1 .

2 3 2 3
Exemplo 19 A = = det = 2 A e nao singular
2 2 2 2

1 10 1 10
Exemplo 20 B = det = 0 B e singular
1 10 1 10
1.3.5 Matriz ortogonal
Uma matriz M, quadrada, cuja inversa conicide com sua transposta e denominada matriz ortogonal.
Portanto M e ortogonal se M 1 = M T , ou seja,
MM T = M T M = I
Exemplo 21

1 3
M= 2

2 ,
3 1
2 2
1.3.6 Potencia de uma matriz

[ ]
Seja A = ai j uma matriz quadrada de ordem n. Definimos as potencias de A por:
1. Define-se A0 = I
| A {z
2. a matriz Ak = A ..... A} e chamada k-esima potencia de A para k 1.
k vezes
1.4. Matriz na forma escada reduzida por linhas 9
3. Se A for invertvel, define-se Ak = (A1 )k , k N
Exemplo 22
1 2 9 8 41 42
A= , A2 = , A3 =
4 3 16 17 84 83
1.3.7 Traco de uma matriz

[ ]
Seja A = ai j uma matriz quadrada de ordem n. O traco de A, que denotamos por tr(A), e a soma
dos elementos da diagonal principal, isto e,
n
tr(A) = a11 + a22 + + ann = aii
i=1
1.3.8 Expressoes polinomiais envolvendo matrizes
Se A e uma matriz quadrada, digamos m m, e se
p(x) = a0 + a1 x + + an xn (1.1)
e um polinomio qualquer, entao definimos
P(A) = a0 I + a1 A + + an An
onde I e a matriz m m que resulta quando x e substitudo por A em (1.1) e a0 e substitudo por a0 I.

1 2
Exemplo 23 Seja P(x) = 3x2 2x + 5 e A = , determine P(A).
0 3
1.4 Matriz na forma escada reduzida por linhas
Definicao 1.2 Uma matriz m n e linha reduzida a forma escada, ou escalonada, se:
a) O primeiro elemento nao nulo de uma linha nao nula e 1. Chamamos este numero de lider ou
pivo.
b) Cada coluna que contem o primeiro elemento nao nulo de alguma linha tem todos os seus
outros elementos iguais a zero, isto e, o lder da linha inferior ocorre mais a direita da linha superior.
c) Toda linha nula ocorre abaixo de todas as linhas nao nulas (isto e, daquelas que possuem pelo
menos um elemento nao nulo).
10 1.4. Matriz na forma escada reduzida por linhas
d) Se as linhas 1, ..., p sao as linhas nao nulas, e se o primeiro elemento nao nulo da linha
ocorre na coluna k1 , entao k1 < k2 < ..... < kn . Cada coluna que contem um lder tem zeros nas
demais entradas.

1 0 0 0

Exemplo 24 0 1 1 0 nao e forma escada. Nao vale b).

0 0 1 0

0 2 1

Exemplo 25 1 0 3 nao e forma escada. Nao vale a) e b).

1 0 0

0 1 3 0 1

Exemplo 26 0 0 0 0 0 nao e forma escada. Nao vale c).

0 0 0 1 2

0 1 3 0 1

Exemplo 27 0 0 0 1 3 e forma escada.

0 0 0 0 0
1.4.1 Operacoes elementares linha
Sao tres as operacoes elementares sobre as linhas de uma matriz.
1. Permuta da i esima e j esima linha (Li L j ).
Exemplo 28
1 0 1 0

4 1 L2 L3 3 4

3 4 4 1
2. Multiplicacao da i esima linha por um escalar nao nulo k (Li kLi ).
Exemplo 29
1 0 1 0

4 1 L2 3L2 12 3

3 4 3 4
1.4. Matriz na forma escada reduzida por linhas 11
3. Substituicao da i esima linha pela i esima linha mais k vezes a j esima linha (Li
Li + kL j )
Exemplo 30
1 0 1 0

4 1 L3 L3 + 2L1 4 1 .

3 4 1 4
Observacao 4 Se A e B sao matrizes m n, dizemos que B e linha equivalente a A, se B for obtida

de A atraves de um numero finito de operacoes elementares sobre as linhas de A. Notacao A B.

1 0 1 0

Exemplo 31 4 1 e linha equivalente a 0 1 pois,

3 4 0 0

1 0 1 0

4 1 L2 L2 4L1 0 1 L3 L3 + 3L1

3 4 3 4

1 0 1 0 1 0

0 1 L2 L2 0 1 L3 L3 4L2 0 1

0 4 0 4 0 0
Teorema 1.1 Toda matriz A de ordem m n e linha equivalente a uma unica matriz linha-reduzida a
forma escada.
Exemplo 32 Dada a matriz

2 1 3

A= 4 5 6

3 1 2
obtenha uma unica matriz B na forma escada linha equivalente a matriz A.

1 3
2 1 3 1
2 2
1
4 5 6 L1 L1 4 5 6 L2 L2 4L1
2
3 1 2 3 1 2

1 3 1 3
1 1
2 2 2 2
1
0 3 0 L3 L3 3L1 0 3 0 L2 L2
3
3 1 2 0 21 13
2
12 1.5. Posto de uma matriz

1 3 1 3
1 1
2 2 2 2
1 2
0 1 0 L3 L3 + L2 0 1 0 L3 L3
2 13
0 12 13
2 0 0 13
2

1 3 3
1 1 0 1 0 0
2 2 2
1 3
0 1 0 L1 L1 L2 0 1 0 L1 L1 L3 0 1 0
2 2
0 0 1 0 0 1 0 0 1
Exemplo 33 Dada as matrizes, obtenha uma matriz na forma escada equivalente a cada matriz dada.

1 0 0 0 1 0 1 0

1 0 1 0 0 1 0 1
a)

b)

0 1 0 1 0 1 0 1

1 0 0 1 0 1 1 1

1 3 2 0 2 0 0
0 0 2 0 7

12

2 6 5 2 4 3 1
c) 2 4 10 6 12 28 d)

0 0 5 10 0 15 5
2 4 5 6 5 1
2 6 0 8 4 18 6
1.5 Posto de uma matriz
Dada uma matriz Amn , seja Bmn a matriz linha reduzida a forma escada, linha equivalente a matriz
A. O posto de A, denotado por p, e o numero de linhas nao nulas de B e a nulidade de A e n p, onde
n e o numero de colunas de A e p e o posto de A.

1 2 1 0

Exemplo 34 Encontrar o posto e a nulidade da matriz: A = 1 0 3 5

1 2 1 1

1 0 0 78

A matriz A e linha equivalente a matriz B = 0 1 0 14 portanto o posto de A e 3 (o

11
0 0 1 8
numero de linhas nao nulas da matriz B) e a nulidade e n p = 4 3 = 1 (n e o numero de colunas
da matriz A e p e o posto de A)
1.6. Calculo da inversa 13

1 0 14
9

0 1 4
1
Exemplo 35 Encontrar o posto e a nulidade da matriz: A =

0 0 0

0 0 0
Posto A = 2 e nulidade de A e 3 2 = 1.
Exemplo 36 Encontrar o posto e a nulidade da matriz:

2 1 10 2 1 10

0 1 14 0 1 1
A=

B=

4

1 2 0 0 0 43
8
1 3 0 0 0 0
Posto de A = 3 e nulidade de A e 0.
1.6 Calculo da inversa
1.6.1 Calculo da inversa por escalonamento
Para se determinar a matriz inversa de uma matriz A, nao singular, atraves de operacoes elementares
entre as linhas da matriz fazemos o seguinte:
a) Coloca-se ao lado da matriz A a matriz I, separada por um traco vertical tracejado.
b) Transforma-se por meio de operacoes elementares a matriz A na matriz I, aplicando simultane-
amente a matriz I colocada ao lado da matriz A as mesmas operacoes elementares aplicadas a matriz
A.

2 1
Exemplo 37 Calcular a inversa da matriz A = por escalonamento.
4 3

1 1
2 1 1 0 1 0
L1 1 L1 L2 L2 4L1
2 2
4 3 0 1 2 4 3 0 1

1 1 1
0 1 0 3
21
2 2 L1 L1 1 L2 2
0 1 2 1 2 0 1 2 1
Logo
3
21
A1 = 2
2 1
14 1.7. Determinantes

1 2 4

Exemplo 38 Calcular a inversa da matriz B = 0 2 1 por escalonamento.

3 1 2

2 1 0

Exemplo 39 Calcular a inversa da matriz C = 3 1 4 por escalonamento.

1 6 5
1.7 Determinantes
Definicao 1.3 Determinante de uma matriz A e um numero real associado a matriz A.
Notacao: det A.
Denotamos tambem o determinante da matriz A,

a11 a12 a1n1 a1n

a21 a22 a2n1 a2n

.. .. . . . .. ..
A= . . . .

.
an11 an12 .. an1n

an1 an2 an1n ann
por

a11 a12 a1n1 a1n

a21 a22 a2n1 a2n

.. .. .. .. ..
det A = . . . . .

..
an11 an12 . an1n

an1 an2 an1n ann
Propriedades 1.6
1. det A = det AT ;
2. det(AB) = det A det B;
3. Se a matriz A possui uma linha ou coluna nula entao det A = 0;
4. Se a matriz A tem duas linhas ou colunas iguais entao det A = 0;
5. Se na matriz A uma linha (ou coluna) e multipla de outra linha (coluna) entao det A = 0;
1.7. Determinantes 15
6. A partir de det(AB) = det A det B temos
1
det(AA1 ) = det I det A det A1 = 1 det A =
det A1
1.7.1 Calculo do determinante por triangulacao
Para se calcular o determinante de uma matriz A usamos as operacoes elementares linha de modo a
obter uma matriz triangular superior (ou inferior). Assim, temos:
1. Trocando a posicao de duas linhas (colunas) o derminante muda de sinal;
2. Quando se multiplica uma linha (coluna) de uma matriz A por um numero k = 0 o determinante
fica multiplicado por esse mesmo numero;
3. O determinante de uma matriz A nao se altera quando se faz a seguinte operacao entre linha:
Li Li + kL j ;
4. O determinante de uma matriz triangular superior (ou inferior) e igual ao produto do elementos
da diagonal principal;

2 1 1

Exemplo 40 A = 2 0 1

3 1 0

2 1 1

det A = 2 0 1 L2 L3 (Quando permutamos as linhas o determinante troca de sinal)

3 1 0

2 1 1

(1) det A = 3 1 0 L1 12 L1 (Quando multiplicamos uma linha por um numero o determinante

2 0 1
fica multiplicado pelo
mesmo numero)

1 1 1

2 2

1
(1) det A = 3 1 0 L2 L2 + (3)L1 (Esta operacao nao altera o determinante)
2

2 0 1 L3 L3 2L1

1 1 1

2 2
3
1
(1) det A = 0 1 (Esta operacao nao altera o determinante)
2 2 2

0 1 2 L3 L3 2L2
16 1.7. Determinantes

1 1 1

2 2
3
2 (1) det A = 0 2 (O determinante de uma matriz triangular superior e o produto dos elemen-
1 1
2

0 0 1
tos da diagonal principal)
1 1
(1) det A = det A = 1
2 2

3 1 4

Exemplo 41 B = 6 7 1

1 2 3

2 1 1 2

3 1 4 1
Exemplo 42 C =

1 6 5 1

3 2 3 4

3 3 2 1

5 2 1 2
Exemplo 43 D =

2 1 1 1

1 4 1 5
1.7.2 Calculo do determinante por difrentes metodos
Regra de Chio:

a11 a12
Se a matriz A e de ordem 2 2 entao: det = a11 a22 a21 a12
a21 a22

5 1
Exemplo 1.1 det = 5 3 2 1 = 13
2 3
Regra de Sarrus:
Se A e e de ordem 3 3
a11 a12 a13 a11 a12

a a a
11 12 13

A = a21 a22 a23 a21 a22 a23 a21 a22

a31 a32 a33
a31 a32 a33 a31 a32
det A = (a11 a22 a33 ) + (a12 a23 a31 ) + (a13 a21 a32 ) (a31 a22 a13 ) (a32 a23 a11 ) (a33 a21 a12 )
1.8. Primeira lista de exerccios 17
Desenvolvimento de Laplace:
Para uma matriz de ordem n n usamos o desenvolvimento de Laplace que e dado pela formula:
n
det Ann = ai j (1)i+ j det Ai j
j=1
onde Ai j e a submatriz obtida a partir da matriz A eliminando-se a i esima linha e a j esima coluna
da matriz A. Se chamarmos i j = (1)i+ j det Ai j entao
n
det Ann = ai j i j
j=1
Exemplo 44
1 2 3 4

4 2 0 0
A=

1 2 3 0

2 5 3 1
Vamos calcular o determinante da matriz fazendo o desenvolvimento pela primeira linha (note
que seria mais conveniente desenvolver pela segunda linha, pois ela possui dois elementos nulos).

2 0 0 4 0 0

1+2
det A = 1(1)1+1 2 3 0 + 2(1) 1 3 0

5 3 1 2 3 1

4 2 0 4 2 0

1+3 1+4
+3(1) 1 2 0 + (4)(1) 1 2 3

2 5 1 2 5 3
det A = (1)(1)(6) + 2(1)(12) + (3)(1)(10) + (4)(1)(78)

det A = 372.
1.8 Primeira lista de exerccios
Exerccio 1.1 Verifique se as afirmacoes abaixo sao VERDADEIRAS ou FALSAS. Se forem ver-
dadeiras, demonstre. Se forem falsas, de um contra-exemplo.
1. Se uma matriz quadrada A for ortogonal entao det A = 1.

18 1.8. Primeira lista de exerccios
2. det(I + A) = 1 + det A
3. Se A e uma matriz simetrica entao A + AT tambem e simetrica.
4. Se A e B sao inversveis entao A + B tambem e.
5. Se A e uma matriz quadrada simetrica e B e uma matriz ortogonal entao a matriz A + B1

nunca sera simetrica.
6. Se A e uma matriz anti-simetrica de ordem 3, entao det A = 0
7. Se A e nao-inversvel e AB = 0 entao B = 0
8. Se A e anti-simetrica inversvel, entao A1 e anti-simetrica.
9. Se A, B e C sao matrizes n n inversveis, entao (ABC)1 = C1 B1 A1 .

2 3 1 0 2 1 0 1 1 4

1 1 0 5 2 1 3 1 2 1

10. Se A = 1 2 1 4 3 e D = 1 1 1 1 1 satisfazem a relacao A1 BA = D

0 0 1 3 2 1 4 1 2 1

2 3 1 0 1 2 1 2 1 2
entao det B = 24.

2 x2
Exerccio 1.2 Seja A = Determine o valor de x para que A seja uma matriz simetrica.
2x 1 0
Exerccio 1.3 Mostre que toda matriz quadrada A pode ser escrita como a soma de uma matriz
simetrica com uma matriz anti-simetrica, ou seja, A = S + N onde S e uma matriz simetrica e N e
uma matriz anti-simetrica. Sugestao: Determine S e N em funcao da matriz A.
Exerccio 1.4 Suponha que A = 0 e AB = AC onde A, B,C sao matrizes tais que a multiplicacao esteja
definida. Pergunta-se:
1. B = C?
2. Se existir uma matriz Y , tal que YA = I, onde I e a matriz identidade, entao B = C?
Exerccio 1.5 Mostre que a matriz

cos sin 0

M = sin cos 0

0 0 1
e uma matriz ortogonal.
Exerccio 1.6 Sejam P e Q matrizes ortogonais de mesma ordem.
1. PQ e uma matriz ortogonal? Justifique sua resposta.
2. Quais os valores que det Q pode ter?
Exerccio 1.7 Dada uma matriz A de ordem m n mostre que a matriz AAT e uma matriz simetrica
de ordem m m. A matriz AT A e simetrica? Qual sua ordem?
Exerccio 1.8 Um construtor tem contratos para construir 3 estilos de casa: moderno, mediterraneo
e colonial. A quantidade empregada em cada tipo de casa e dada pela matriz
Ferro Madeira Vidro Tinta Ti jolo

Moderno 5 20 16 7 17

Mediterraneo 7 18 12 9 21

Colonial 6 25 8 5 13
1. Se ele vai construir 5,7 e 12 casas dos tipos moderno, mediterraneo e colonial, respectivamente,
quantas unidades de cada material serao empregadas?
2. Suponha agora que os precos por unidade de ferro, madeira, vidro, tinta e tijolo sejam respecti-
vamente, 15, 8, 5, 1 e 10 reais. Qual o preco unitario de cada tipo de casa?
3. Qual o custo total do material empregado?
Exerccio 1.9 Calcule o determinante de A onde

3 1 5 0

0 2 0 1
1. A = ,

2 0 1 3

1 1 2 0

3 0 0 0 0

19 18 0 0 0

2. A = 6 5 0 0

4 2 3 0 0

8 3 5 6 1
20 1.8. Primeira lista de exerccios

9 1 9 9 9

9 0 9 9 2

3. A = 4 0 0 5 0

9 0 3 9 0

6 0 0 7 0

1 1 1

Exerccio 1.10 Mostre que det a b c = (a b)(b c)(c a)

a2 b2 c2
Exerccio 1.11 Encontre A1 , onde

4 1 2 2

3 1 0 0
1. A =
,

2 3 1 0

0 7 1 1

1 0 x

2. A = 1 1 x2

2 2 x 2
Exerccio 1.12 Encontre os valores d k para os quais a matriz

k3 0 3

A= 0 k+2 0

5 0 k+5
e nao inversvel.
Exerccio 1.13 Existe alguma matriz inversvelX tal que X 2 = 0? Justifique sua resposta.
Exerccio 1.14 Encontre todos os valores de para os quais a matriz A I4 tem inversa, em que

2 0 0 0

2 0 0 0
A=

1 2 1 0

3 2 1 2
Exerccio 1.15 Para a matriz A = (ai j )de ordem 2 definida por ai j = i + j, calcular f (t) = det(A
tI2 ) e resolver a equacao do segundo grau f (t) = 0.
Exerccio 1.16 Para a matriz definida por:

a b
M=
c d
calcular f (t) = det(M tI2 ) e resolver a equacao do segundo grau f (t) = 0.
1.8.1 Algumas respostas e sugestoes
1.1 - 1 (V); 2 (F); 3 (V); 4 (F); 5 (V); 6 (F); 7 (V); 8 (V); 9 (V); 10 det B = det D?
1.2 - x = 1
1.3 - Partindo de ai j = si j + ni j e a ji = s ji + n ji iguale si j e s ji (Porque voce pode fazer isso?)
1.4 - Pense: o que significa uma matriz possuir uma inversa?
1.5 - Use a definicao de matriz ortogonal. Evite calcular a inversa de M...
1.6 - Qual a transposta do produto de duas matrizes?
1.8 - a)
Ferro Madeira Vidro Tinta Ti jolo
146 526 260 158 388
b)
Moderno 492
Mediterraneo 528
Colonial 465
c) O custo total sera RS11.736, 00

1.9 - a) det A = 12
b) det A = 0
c) det A = 12
1 1 24 2

3 4 12 6
1.11 - a) A =
1

11 14 43 22

10 14 41 21

1 2x 1
x

b) A1 = 1 1x (x 2) x (x 1)
1

0 2
x2
x12
1.12 - k = 0 ou k = 2
22 1.9. Apendice - Calculo da inversa por adjunta
1.13 - Nao. Mas a justificativa fica por sua conta. Dica: o fato de X ser inversvel e essencial na
resolucao.
1.14 - = 2, = 0, = 1

1.15 - t = 3 10

a+d (ad)2 bc
1.16 - t = 2
1.9 Apendice - Calculo da inversa por adjunta

Dada uma matriz , lembramos que o cofator di j do elemento ai j da matriz A e o elemento
(1)i+ j det Ai j , onde Ai j e a submatriz de A obtida extraindo-se a i esima linha e a j esima coluna.
Com estes cofatores forma-se uma nova matriz A, denomindada matriz dos cofatores denotada por A.
Portanto
[ ]
A = di j
onde di j = (1)i+ j det Ai j
Exemplo 45
2 1 0

A = 3 1 4

1 6 5

1 4
a11 = 2 d11 = (1)1+1 det = 1 (19) = 19
6 5

3 4
a12 = 1 d12 = (1)1+2 det = 1 (19) = 19
1 5

3 1
a13 = 0 d13 = (1)1+3 det = 1 (19) = 19
1 6

1 0
a21 = 3 d21 = (1)2+1 det = 1 (5) = 5
6 5

2 0
a22 = 1 d22 = (1)2+2 det = 1 (10) = 10
1 5

2 1
a23 = 4 d23 = (1)2+3 det = 1 (11) = 11
1 6

1 0
a31 = 1 d31 = (1)3+1 det = 1 (4) = 4
1 4
1.9. Apendice - Calculo da inversa por adjunta 23

2 0
a32 = 6 d32 = (1)3+2 det = 1 (8) = 8
3 4

2 1
a33 = 5 d33 = (1)3+3 det = 1 (5) = 5
3 1

19 19 19

A = 5 10 11

4 8 5
Definicao 1.4 Dada uma matriz quadrada A, chamaremos de matriz adjunta de A a transposta da
T
matriz dos cofatores de A e denotaremos ad j A. Portanto ad jA = A .
Teorema 1.2 Uma matriz quadrada A admite inversa se e somente se det A = 0. Neste caso
1
A1 = (ad jA)
det A
Assim, para o exemplo anterior temos:

19 5 4

1 1
A1 = (A ) =
T
19 10 8
19 19
19 11 5
24 1.9. Apendice - Calculo da inversa por adjunta
Captulo 2
SISTEMA DE EQUACOES LINEARES
2.1 Introducao
Uma equacao linear e uma equacao da forma
a1 x1 + a2 x2 + a3 x3 + ...... + an xn = b
na qual a1 , a2 , a3 , ...., an sao os respectivos coeficientes das variaveis, x1 , x2 , x3 , ...., xn e b e o termo

independente. Os numeros a1 , a2 , a3 , ...., an e o termo independente b geralmente sao numeros con-
hecidos e as varia veis x1 , x2 , x3 , ...., xn sao as incognitas.
Os valores das variaveis que transformam uma equacao linear em uma identidade, isto e, que
satisfazem a equacao, constituem sua solucao. Esses valores sao denominados razes das equacoes
lineares.
A um conjunto de equacoes lineares se da o nome de sistema de equacoes lineares e tem a seguinte
representacao:

a11 x1 + a12 x2 + a13 x3 + ...... + a1n xn = b1

a21 x1 + a22 x2 + a23 x3 + ...... + a2n xn = b2
.. .. .. .. .. ..

. . . . . .

am1 x1 + am2 x2 + am3 x3 + ...... + amn xn = bm
Os valores das variaveis que transformam simultaneamente as equacoes de um sistema de

equacoes lineares em uma identidade, isto e, que satisfazem a equacao constituem sua solucao.
Diz-se que dois sistemas de equacoes lineares sao equivalentes quando admitem a mesma
solucao.
26 2.1. Introducao
Exemplo 46 Os sistemas

2x + 3y = 11 10x 2y = 38
e
x + y = 3 3x + 5y = 7
sao equivalentes pois possuem as mesmas solucoes, x = 4 e y = 1
Consideremos a resolucao de duas equacoes a duas incognitas:

a x+b y = c
1 1 1
a x+b y = c
2 2 2
onde x e y sao as incognitas e os a, b e c sao numeros conhecidos. Cada uma destas equacoes repre-
sentam uma reta. Assim, a solucao de um sistema de duas equacoes sera representada pela intersecao
de duas retas. Surgem tres casos possveis na teoria:
Exemplo 47
2x + y = 1
x 2y = 3
Exemplo 48
2x y = 1
2x y = 2
Exemplo 49
xy = 1
3x 3y = 3
Assim, quanto as solucoes, tres casos podem ocorrer:
1. O sistema possui uma unica solucao. Neste caso, dizemos que o sistema e compatvel e deter-
minado
2. O sistema possui infinitas solucoes. Neste caso, dizemos que o sistema e compatvel e indeter-
minado.
3. O sistema nao possui nenhuma solucao. Neste caso, dizemos que o sistema e incompatvel.
2.2. Sistemas e matrizes. 27
2.2 Sistemas e matrizes.
Dado um sistema linear na forma,

a11 x1 + a12 x2 + a13 x3 + ...... + a1n xn = b1

a21 x1 + a22 x2 + a23 x3 + ...... + a2n xn = b2
.. .. (2.1)

.. .. .. ..
. .

. . . .

a x + a x + a x + ...... + a x = b
m1 1 m2 2 m3 3 mn n m
com ai j , 1 i m, 1 j n, bm . Tambem podemos representa-lo matricialmente utilizando

as notacoes da teoria de matrizes da seguinte maneira:
se
a11 a12 a1n

a21 a22 a2n
A=
.. .. ...... ..

. . ... .

am1 am2 amn

x b
1 1

x2 b2
X =
..
B=
..

. .

xn bm
podemos escrever o sistema (2.1) na forma matricial:
AX = B
onde A e a matriz dos coeficientes (ai j ), B a matriz coluna dos termos independentes (bm ) e X e a
matriz coluna das variaveis (xn ).
Ao sistema (2.1) associamos a seguinte matriz:

a11 a12 a1n | b1

a21 a22 a2n | b2

.. .. . .
. . .. | ..

am1 am2 amn | bm
que chamamos matriz ampliada do sistema.
Teorema 2.1 Dois sistemas que possuem matrizes ampliadas equivalentes sao equivalentes.
28 2.2. Sistemas e matrizes.
Dada a matriz ampliada do sistema de equacoes lineares consideramos a matriz linha reduzida a
forma escada obtida a partir da matriz ampliada do sistema
Teorema 2.2
1. Um sistema de m equacoes e n incognitas admite solucao se, e somente se, o posto da matriz
ampliada e igual ao posto da matriz dos coeficientes.
2. Se as duas matrizes tem o mesmo posto p e p = n (numero de colunas da matriz dos coeficientes,
ou numeros de variaveis) a solucao e unica.
3. Se as duas matrizes tem o mesmo posto e p = n podemos escolher n p incognitas e as outras

incognitas serao dadas em funcao destas. O numero n p e chamado grau de liberdade do
sistema.
Observacao 5 Dado um sistema de m equacoes e n incognitas seja Aa a matriz ampliada do sistema

e seja Ae a matriz linha equivalente a matriz Aa onde a matriz dos coeficientes estao na forma escada.
Seja pa o posto da matriz ampliada e pc o posto da matriz dos coeficientes obtidos a partir da matriz
Ae .
Se pa = pc entao o sistema e incompatvel ( nao possui solucao)
Se pa = pc entao o sistema e compatvel (possui solucao). Seja p = pa = pc , se p = n entao o

sistema e compatvel e determinado (possui uma unica solucao). Se p < n o sistema e com-
patvel e indeterminado (possui infinitas solucoes). Sempre que um sistema possuir infini-
tas solucoes deveremos atribuir valores a algumas variaveis e determinar o valor das outras
variaveis em funcao destas. O numero de variaveis as quais deveremos atribuir valor e o grau
de liberdade do sistema, dado pelo numero n p.
Exemplo 2.1 Classificar e resolver o sistema:

2x + x2 + 3x3
1
= 8
4x1 + 2x2 + 2x3 = 4 (2.2)

2x + 5x + 3x = 12
1 2 3
Matriz Ampliada
2 1 3 | 8

Aa = 4 2 2 | 4

2 5 3 | 12
2.2. Sistemas e matrizes. 29
Matriz linha equivalente a matriz ampliada, onde a parte da matriz dos coeficientes esta na forma
escada

1 0 0 | 2

Ae = 0 1 0 | 5

0 0 1 | 3
De Ae obtemos: pc = 3, pa = 3 e n = 3.
p = pc = pa = 3 sistema compatvel
p = n sistema compatvel e determinado (possui uma unica solucao)
A matriz Ac e a matriz ampliada do seguinte sistema:

1
x =2
x2 = 5

x =3
3
Como sistemas equivalentes tem a mesma solucao, a solucao do sistema (2.2) e
x1 = 2, x2 = 5, x3 = 3

= 6

4y + 2x + 6z
4z 2y + 3x = 38

x + 3z + 2y = 3
Reescrevendo o sistema, obtem-se

2x + 4y + 6z = 6

3x 2y 4z = 38 (2.3)

x + 2y + 3z = 3

2 4 6 | 6

Aa = 3 2 4 | 38

1 2 3 | 3
30 2.2. Sistemas e matrizes.

1 0 14 | 21
2

Ae = 0 1 8
13
| 8
29

0 0 0 | 0
Neste caso temos:

n=3
pa = 2
pc = 2 p = 2
p < n sistema compatvel e indeterminado (infinitas solucoes)
grau de liberdade = n p = 1
O sistema (2.3) e equivalente ao sistema

x 1
= 21
4z 2
y + 13
= 29
8z 8
Para encontrar uma solucao (note que existem infinitas solucoes) devemos atribuir valor a uma
das variaveis (pois o grau de liberdade e 1) e determinar as outras. Note que fica mais facil se
atribuirmos valor a variavel z : Por exemplo fazendo z = 0, temos que: x = 41
4
e y = 29
8
(
Poderamos atribuir outro valor qualquer a z, e para cada valor de z teremos os valores correspondentes de x
e y, da temos infinitas solucoes)

6x 4y 2z = 3

x+y+z = 1

3x 2y z = 1

6 4 2 | 3

Aa = 1 1 1 | 1

3 2 1 | 1

5 | 10
1 7
1 0

3
Ae = 0 1 5 | 10
4

0 0 0 | 12
Neste caso:
n=3
2.3. Solucao de um sistema por matriz inversa 31
pc = 2
pa = 3 pa = pc sistema incompatvel (nao possui solucao)
2.3 Solucao de um sistema por matriz inversa
Usando a notacao matricial para sistemas lineares temos que
CX = B (supondo que existe C1 )
C1CX = C1 B (observe que estamos multiplicando C1 pela esquerda)
IX = C1 B
X = C1 B
Logo para se determinar a solucao basta multiplicar a matriz inversa dos coeficientes pela matriz
dos termos independentes (pela esquerda, ja que a multiplicacao de matrizes nao e comutativa). Se a
matriz C nao tem inversa entao ou o sistema nao possui solucao ou possui infinitas solucoes.
Exemplo 50

2x + 3y z = 1

x 3y + z = 1

x + 2y z = 1

2 3 1 1 x

C= 1 3 1 B= 1 X = y

1 2 1 1 z

1 1 0

C1 = 0 1 1

1 1 3
CX = B X = C1 B

x 1 1 0 1 2

y = 0 1 1 1 = 2

z 1 1 3 1 3
O proximo teorema apresenta resultados importantes sobre sistemas lineares e matrizes in-
versveis.
32 2.4. Segunda lista de exerccios
Teorema 2.3 Se A uma matriz n n, entao as seguintes afirmacoes sao equi-valentes:
1. A e inversvel.
2. AX = 0 so tem a solucao trivial.
3. A e equivalentes por linha a matriz In .
4. AX = B tem exatamente uma solucao para cada matriz Bn1 .
2.4 Segunda lista de exerccios
Exerccio 2.1 Resolva o sistema de equacoes, escrevendo a matriz ampliada do sistema inicial e
escrevendo
o sistema final do qual se obtera a solucao do sistema original:

2x y + 3z = 11

4x 3y + 2z = 0

x+y+z = 6

3x + y + z = 4

x + y + 3z = 2
Exerccio 2.2 Considere o sitema linear x + 2y + 4z = 3 . Para que valores de a e b o sistema

x + 3y + az = b
1. tem uma infinidade de solucoes?
2. tem unica solucao?
3. e impossvel?

..
a 0 b . 2

.
Exerccio 2.3 Seja a a 4 .. 4 a matriz ampliada de um sistema linear. Para quais valores de

..
0 a 2 . b
a e b o sistema tem
1. unica solucao,
2. nenhuma solucao,
3. uma solucao com duas variaveis livres?

2.4. Segunda lista de exerccios 33

x + 2y 3z = a

Exerccio 2.4 Encontre a relacao entre a, b e c para que o sistema linear 2x + 3y + 3z = b seja

5x + 9y 6z = c
possvel para quaisquer valores de a, b e c.
Exerccio 2.5 Reduza as matrizes a forma escada atraves de operacoes linhas:

1 2 3 1

1. 2 1 2 3

3 1 2 3

0 2 2

1 1 3
2.

3 4 2

2 3 1

4x + 3y = 2

Exerccio 2.6 Determine k para que o sistema admita solucao 5x 4y = 0

2x y = k
Exerccio 2.7 Encontre todas as solucoes do sistema

x + 3x2 + 2x3 + 3x4 7x5 = 14

1
2x1 + 6x2 + x3 2x4 + 5x5 = 2

x1 + 3x2 x3 + 2x5 = 1
Exerccio 2.8 Apresente todos os possveis resultados na discussao de um sistema nao-homogeneo

de 6 equacoes lineares com 4 incognitas.
Exerccio 2.9 Se A e uma matriz 3 5, quais sao os possveis valores da nulidade de A? E se A for
4 2?
Exerccio 2.10 Explique por que a nulidade de uma matriz nunca e negativa.
Exerccio 2.11 Um sistema homogeneo com 3 equacoes e 4 incognitas sempre tem uma solucao nao-
trivial.
Exerccio 2.12 Chamamos de sistema homogeneo de n equacoes e m incognitas aquele sistema cujos
termos independentes sao todos nulos.
1. Um sistema homogeneo admite pelo menos uma solucao. Qual e ela?
2. Encontre os valores de k R, tais que o sistema homogeneo

2x 5y + 2z = 0

x+y+z = 0 tenha uma solucao distinta da solucao trivial.

2x + kz = 0
Exerccio 2.13 Se det A = 0, entao o sistema homogeneo AX = 0 tem infinitas solucoes? Justifique
sua resposta.
Exerccio 2.14 Podemos resolver um sistema usando matriz inversa da seguinte forma:
AX = B
A1 AX = A1 B
X = A1 B
Isto e util quando desejamos resolver varios sistemas lineares que possuem a mesma matriz dos
coeficientes.
1 2 2

Usando a teoria acima resolva os sistema AX = B onde A = 2 5 4 e

3 7 5

1 1 1000 111

a) B = 2 , b) B = 3 , c) B = 10 , d) B = 311

3 100 100 511
1
2.15 Resolva o sistema matricial D X = A onde D = diag(1, 2, 3, 4, 5, 6)
Exerccio
1 0 0 0 1 1

0 1 2 2 2 2

0 0 1 1 1 1
A=

0 0 0 1 1 1

0 0 0 0 1 0

0 0 0 0 0 1
Exerccio
2.16 Classifique o sistema e exiba uma solucao, caso ela exista:

2x + 4y + 6z = 6

3x 2y 4z = 38

x + 2y + 3z = 3
2.4. Segunda lista de exerccios 35
Exerccio 2.17 Uma editora publica um best-seller potencial com tres encadernacoes diferentes:
capa mole, capa dura e encardenacao de luxo. Cada exemplar necessita de um certo tempo para
costura e cola conforme mostra a tabela abaixo:
Costura Cola
Capa mole 1 min 2 min
Capa Dura 2 min 4 min
Luxo 3 min 5 min
Se o local onde sao feitas as costuras fica disponvel 6 horas por dia e o local onde se cola, 11
horas por dia, quantos livros de cada tipo devem ser feitos por dia, de modo que os locais de trabalho
sejam plenamente utilizados?
Exerccio 2.18 Num grande acampamento militar ha 150 blindados dos tipos BM3, BM4 e BM5, isto
e, equipados com 3, 4 e 5 canhoes do tipo MX9 respectivamente. O total de canhoes disponveis e
igual a 530. A soma dos BM4 com os BM5 corresponde aos 2 / 3 dos BM3. Se para o incio de uma
manobra militar, cada canhao carrega 12 projeteis, quantos projeteis serao necessarios para o grupo
dos BM4 no incio da operacao?
Exerccio 2.19 a) Em cada parte, use a informacao da tabela para determinar se o sistema AX = B
e possvel. Se for, determine o numero de variaveis livres da solucao geral. Justifique sua resposta.
(a) (b) (c) (d)

Tamanho de A 33 95 44 33
Posto de A 2 4 0 3
Posto de [A |B] 3 4 0 3
b) Para cada uma das matrizes da tabela acima determine se o sistema homogeneo AX = 0, e
possvel. Indique a quantidade de solucoes para cada caso.
2.1 - x = 1, y = 2, z = 5
2.2 - a) a = 5 e b = 4
b) a = 5 e b = 4
c) a = 5 e b = 4
2.3 - a) a = 0 e b = 2
b) a = 0 e b = 2
c) a qualquer e b = 2
2.4 - a, b e c devem satisfazer a equacao c b 3a = 0.
2.6 - k = 6
2.7 -

x 3y w + 1

y y

X = z = w+2

t 3 + 2w

w w

3 1 1

1 0 0

X = y 0 +w 1 + 2

0 2 3

0 1 0
2.11 - Analise o posto da matriz ampliada (e dos coeficientes)

2.12 - b) k = 2
2.13 - A resposta esta no Teorema 2.3.
2.14 -
1 185

a) X = 0 b) X = 5

0 98

3160 111

c) X = 1990 d) X = 89

910 89

1 0 0 0 1 1

0 2 4 4 4 4

0 0 3 3 3 3

2.15 - X =

0 0 0 4 4 4

0 0 0 0 5 0

0 0 0 0 0 6

x 1 41
2.16 - X = = 14
y 29
2 13
2
2.5. Apendice - Regra de Cramer 37
2.17 - Uma solucao possvel e: 180 livros de capa mole, nenhum de capa dura e 60 de luxo. Mas
esta nao e a unica solucao. Voce consegue exibir outras.
2.18 - Serao necessarios 1920 projeteis para o grupo BM4.
2.5 Apendice - Regra de Cramer
Um outro metodo de resolucao de sistemas lineares de ordem n n e a Regra de Cramer onde as

solucoes do sistema linear sao calculadas usando o determinante. Justamente por usar o determinante
este metodo torna-se inviavel computacionalmente, mas e bastante pratico em certas questoes teoricas.

a11 x1 + a12 x2 + a13 x3 + ...... + a1n xn = b1

a21 x1 + a22 x2 + a23 x3 + ...... + a2n xn = b2
.. .. .. .. .. ..

. . . . . .

a x + a x + a x + ...... + a x = b
n1 1 n2 2 n3 3 nn n n
Na forma matricial este sistema e escrito da seguinte maneira:

a11 a12 a1n x1 b1

a21 a22 a2n x2 b2

.. .. ...... .. .. = ..
. . ... . . .

an1 an2 ann xn bn
Supondo que detC = 0 e portanto que C tenha inversa C1 obtemos
CX = B
C1CX = C1 B (observe que estamos multiplicando C1 pela esquerda)
IX = C1 B
X = C1 B
usando a relacao
1
C1 = (ad jC)
detC
temos
1
X= (ad jC)B
detC
38 2.5. Apendice - Regra de Cramer

x1 a a a1n b
11 12 1

x2 1 a21 a22 a2n b2
= ad j
.. .. .. ...... .. ..
. detC . . ... . .

xn an1 an2 ann bn

x1 Da11 Da12 Da1n b
1

x2 1 Da21 Da22 Da2n b2
=
.. detC . .. ...... .. ..
. .. . ... . .

xn Dan1 Dan2 Dann bn

x1 b D + b2 Da12 + + bn Da1n
1 11

x2 1 b Da + b2 Da22 + + bn Da2n
= 1 21
..
detC ... .. ...... ..
. . ... .

xn b1 Dan1 b2 Dan2 bn Dann
1
x1 = (b1 D11 + b2 Da12 + + bn Da1n )
detC

b a a1n
1 12

b2 a22 a2n
det
.. .. ...... ..

b1 a12 a1n . . ... .

1 b2 a22 a2n bn an2 ann
x1 = det
.. ..
x1 =
...... ..
detC . . ... . a a a1n
11 12

bn an2 ann a21 a22 a2n
det .. .. ...... ..

. . ... .

an1 an2 ann
Analogamente
a11 b1 a1n

a21 b2 a2n
det
.. . .

. .. ..

an1 bn ann
xi =
a a a1n
11 12

a21 a22 a2n

det .
.. ...... ..
. . . ... .

an1 an2 ann
2.5. Apendice - Regra de Cramer 39
i = 2, 3, ....., n
Podemos escrever esta relacao na forma
Di
xi =
D
onde
a11 b1 a1n

a21 b2 a2n
Di = det
.. . .

. .. ..

an1 bn ann
e
a11 a12 a1n

a21 a22 a2n
D = det
.. .. ...... ..

. . ... .

an1 an2 ann
Usando a Regra de Cramer podemos classificar um sistema n n:

Se D = 0 entao o sistema possui uma unica solucao (compatvel e determinado)
Se D = 0 e algum dos Di = 0 entao o sistema e incompatvel
Se D = 0 e todos os Di = 0, para i = 1, ..., n entao o sistema possui infinitas solucoes. Note que
nao podemos determinar o grau de liberdade pela Regra de Cramer.
Exemplo 51 Resolver o sistema

x+y = 2
10x + 10y = 20

1 1
D = det = 0,
10 10

2 1 1 2
D1 = det = 0, D2 = det = 0.
20 10 10 20
Logo o sistema possui infinitas solucoes.
Exemplo 52 Resolver o sistema

2x + y z = 0

20x + 20y 20z = 1

x+yz = 0
40 2.5. Apendice - Regra de Cramer

2 1 1 0 1 1

D = det 20 20 20 = 0, D1 = det 1 20 20 = 0,

1 1 1 0 1 1

2 1 1 2 1 0

D2 = det 20 0 20 = 1, D3 = det 20 20 1 = 1.

1 1 1 1 1 0
Como D2 = 1 e D3 = 1 o sistema e incompatvel.
Exemplo 53 Resolva o sistema

x+yz = 0

xyz = 1

x+y+z = 1

1 1 1

D = det 1 1 1 = 4,

1 1 1
logo o sistema tem uma unica solucao

0 1 1 1 0 1

D1 = det 1 1 1 = 4, D2 = det 1 1 1 = 2,

1 1 1 1 1 1

1 1 0

D3 = det 1 1 1 = 2,

1 1 1
assim, a solucao e
D1 4
x = = =1
D 4
D2 2 1
y = = =
D 4 2
D 2 1
z = = =
D3 4 2
Exerccio 2.20 Usando a Regra de Cramer faca a classificacao de um sistema homogeneo AX = 0

Captulo 3
ESPACOS VETORIAIS
3.1 Introducao
Algebra linear e uma parte da Algebra que, por sua vez, e um ramo da Matematica na qual sao
estudados matrizes, espacos vetoriais e transformacoes lineares. Todos esses itens servem para um
estudo detalhado de sistemas lineares de equacoes.
Tanto a algebra Linear como a Geometria Analtica aplicam-se a varias areas, em especial as
Engenharias. Citamos, a seguir, alguma delas. E claro que neste curso nao conseguiremos aborda-las
todas. Contudo, nosso objetivo no momento e que o estudante tome contato com o que representa o
estado da arte neste contexto.
Jogos de Estrategia: no jogo de roleta o jogador da seu lance com uma aposta e o cassino
responde com o giro da roleta; o lucro para o jogador ou para o cassino e determinado a partir destes
dois movimentos. Esses sao os ingredientes basicos de uma variedade de jogos que contem elemen-
tos tanto de estrategia quanto de acaso. Os metodos matriciais podem ser usados para desenvolver
estrategias otimizadas para os jogadores.
Administracao de Florestas: o administrador de uma plantacao de arvores de Natal quer plantar

e cortar as arvores de uma maneira tal que a configuracao da floresta permaneca inalterada de um ano
para outro. O administrador tambem procura maximizar os rendimentos, que dependem de numero
e do tamanho das arvores cortadas. Tecnicas matriciais podem quantificar este problema e auxiliar o
administrador a escolher uma programacao sustentavel de corte.
Computacao grafica: uma das aplicacoes mais uteis da computacao grafica e a do simulador
de voo. As matrizes fornecem uma maneira conveniente de lidar com a enorme quantidade de da-
dos necessarios para construir e animar os objetos tridimensionais usados por simuladores de voo
42 3.1. Introducao
para representar um cenario em movimento. Outras aplicacoes mais simples em computacao grafica
sao: vetores e matrizes sao utilizados em espacos de cores(RGB, HSV, etc), em coordenadas
e transformacoes geometricas em duas e tres dimensoes, em combinacoes convexas e lineares de
pontos( curvas e superfcies spline), em representacao compacta de sessoes conicas, etc.; coorde-
nadas homogeneas e geometria projetiva utilizando comumente para representar consistentemente
transformacoes afins e processos de projecao( paralela, perspectiva, modelos de camera virtual):
numeros complexos em rotacao no plano e tambem em processamento de imagens, incluindo trans-
formadas de co-seno, Fourier, etc.; quaternios rotacao espaciais e implementacao de cinematica
inversa( resolver problemas de posicionamento de juntas articuladas).
Redes Eletricas: circuitos eletricos que contenham somente resistencias e geradores de energia
podem se analisados usando sistemas lineares derivados das leias basicas da teoria de circuitos.
Distribuicao de Temperatura de Equilbrio: uma tarefa basica da ciencia e da engenharias, que

pode se reduzida a resolver um sistema de equacoes lineares atraves de tecnicas matriciais interativas,
e determinar a distribuicao de temperatura de objetos tais como a do aco saindo da fornalha.
Cadeias de Markov: os registros meteorologicos de uma localidade especfica podem ser usados
para estimar a probabilidade de que va chover em um certo dia a partir da informacao de que choveu
ou nao no dia anterior. A teoria das cadeias de Markov pode utilizar tais dados para prever, com muita
antecedencia, a probabilidade de um dia chuvoso na localidade.
Genetica: os mandatarios do Egito recorriam a casamentos entre irmaos para manter a pureza
da linhagem real. Este costume propagou e acentuou certos tracos geneticos atraves de muitas
geracoes. A teoria das matrizes fornece um referencial matematico para examinar o problema geral
da propagacao de tracos geneticos.
Crescimento Populacional por Faixa Etaria: a configuracao populacional futura pode ser proje-
tada aplicando algebra matricial as taxas, especificas por faixas etarias, de nascimento e mortalidade
da populacao. A evolucao a longo prazo da populacao depende das caractersticas matematicas de
uma matriz de projecao que contem os parametros demograficos da populacao.
Colheita de Populacoes Animais: a colheita sustentada de uma criacao de animais requer o con-
hecimento da demografia da populacao animal. Para maximizar o lucro de uma colheita periodica,
podem ser comparadas diversas estrategias de colheita sustentada utilizando tecnicas matriciais que
descrevem a dinamica do crescimento populacional.
Criptografia: durante a Segunda Guerra Mundial, os decodificadores norte americanos e

britanicos tiveram exito em quebrar o codigo militar inimigo usando tecnicas matematicas e maquinas
3.1. Introducao 43
sofisticadas (por exemplo, a Enigma). Hoje me dia, o principal impulso para o desenvolvimento de
codigos seguros e dado pelas comunicacoes confidencias entre computadores e em telecomunicacoes.
Construcao de Curvas e Superfcies po Pontos Especficos: em seu trabalho Principia Mathemat-

ica ( os princpios matematicos da Filosofia Natural) I. Newton Abordou o problema da construcao
de uma elipse por cinco pontos dados. Isto ilustraria como encontrar a orbita de um cometa ou de um
planeta atraves da analise de cinco observacoes. Ao inves de utilizarmos o procedimento geometrico
de Newton, podemos utilizar os determinantes para resolver o problema analiticamente.
Programacao Linear Geometrica: um problema usual tratado na area de programacao linear e

o da determinacao de proporcoes dos ingredientes em uma mistura com o objetivo de minimizar seu
custo quando as proporcoes variam dentro de certos limites. Um tempo enorme do uso de computa-
dores na administracao e na industria e dedicado a problemas de programacao linear.
O problema na Alocacao de Tarefas: um problema importante na industria e o do deslocamento

de pessoal e de recursos de uma maneira eficiente quanto ao custo. Por exemplo, uma construtora
pode querer escolher rotas para movimentar equipamento pesado de seus depositos para os locais de
construcao de maneira a minimizar a distancia total percorrida.
Modelos Economicos de Leontief : num sistema economico simplificado, uma mina de carvao,
uma ferrovia e uma usina de energia necessitam cada uma de uma parte da producao das outras
para sua manutencao e para suprir outros consumidores de seu produto. Os Modelos de producao
de Leontief podem ser usados para determinar o nvel de producao necessario as tres industrias para
manter o sistema economico.
Interpolacao Spline Cubica: as fontes tipograficas PostScript e TrueType usadas em telas de

monitores e por impressoras sao definidas por curvas polinomiais por partes denominadas splines.
Os parametros que os determinam estao armazenados na memoria do computador, um conjunto de
parametros para cada um dos caracteres de uma particular fonte.
Teoria de Grafos: a classificacao social num grupo de animais e uma relacao que pode ser descrita
e analisada com a teoria de grafos, Esta teoria tambem tem aplicacoes a problemas tao distintos como
a determinacao de rotas de companhias aereas e a analise de padroes de votacao.
Tomografia Computadorizada: um dos principais avancos no diagnostico medico e o desenvolvi-

mento de metodos nao invasivos para obter imagens de secoes transversais do corpo humano, como
a tomografia computadorizada e a ressonancia magnetica. Os metodos da Algebra Linear podem ser
usados para reconstruir imagens a partir do escaneamento por raios X da tomografia computadorizada.
Conjuntos Fractais: conjuntos que podem ser repartidos em versoes congruentes proporcional-
44 3.1. Introducao
mente reduzidas do conjunto original sao denominadas fractais. Os fractais sao atualmente aplicados
a compactacao de dados computacionais. Os metodos de Algebra Linear podem ser usados para
construir e classificar fractais
Teoria do Caos: os pixels que constituem ema imagem matricial podem ser embaralhados repeti-
damente de uma mesma maneira, na tentativa de torna-los aleatorios. Contudo, padroes indesejados
podem continuar aparecendo no processo. A aplicacao matricial que descreve o processo de embar-
alhar ilustra tanto a ordem quanto a desordem que caracterizam estes processos caoticos.
Um Modelo de Mnimos Quadrados para a Audicao Humana: o ouvido interno contem uma
estrutura com milhares de receptores sensoriais ciliares. Estes receptores, movidos pelas vibracoes
do tmpano, respondem a frequencias diferentes de acordo com sua localizacao e produzem impul-
sos eletricos que viajam ate o cerebro atraves do nervo auditivo. Desta maneira, o ouvido interno
age como um processador de sinais que decompoe uma onda sonora complexa em um espectro de
frequencias distintas.
Deformacoes e Morfismos: voce ja deve ter visto em programas de televisao ou clips musi-
cais imagens mostrando rapidamente o envelhecimento de uma mulher ao longo do tempo, ou a
transformacao de um rosto de mulher no de uma pantera, a previsao de como seria hoje o rosto de
uma crianca desaparecida ha 15 anos atras, etc. Estes processos sao feitos a partir de algumas poucas
fotos. A ideia de continuidade, de evolucao do processo, e feita atraves do computador.Este processo
de deformacao e chamado de morfismo, que se caracteriza por misturas de fotografias reais com fo-
tografias modificadas pelo computador. Tais tecnicas de manipulacao de imagens tem encontrado
aplicacoes na industria medica, cientifica e de entretenimento.
Produto de dez anos de intensa pesquisa e desenvolvimento, o primeiro onibus espacial dos
EUA (lancado em 1981) foi uma vitoria da engenharia de controle de sistemas, envolvendo muitas
areas da engenharia - aeronautica, qumica , eletrica, hidraulica e mecanica. Os sistemas de controle
de onibus espacial sao absolutamente crticos para voo. Ele requer um constante monitoramento por
computador durante o voo atmosferico. O sistema de voo envia uma sequencia de comandos para a
superfcie de controle aerodinamico. Matematicamente , os sinais de entrada e sada de um sistema
de Engenharia sao funcoes. E importante para as aplicacoes que essas funcoes possam ser somadas
e multiplicadas por escalares. Essas duas operacoes em funcoes tem propriedades algebricas que
sao completamente analogas as operacoes de soma de vetor e multiplicacao de vetor por escalar no
Rn . Por esse motivo, o conjunto de todas as entradas possveis (funcoes) e chamado de um espaco
vetorial. A fundamentacao matematica para a engenharia de sistemas repousa sobre espacos vetoriais
de funcoes, portanto precisamos estender a teoria de vetores do Rn de modo a incluir tais funcoes.
3.1. Introducao 45
Antes de apresentarmos a sua definicao, analisaremos em paralelo dois objetos: o conjunto for-
mado pelas funcoes f : R R, denotado por F(R) e o conjunto das matrizes quadradas de ordem n
com coeficientes reais que denotaremos por Mn (R).
A soma de duas funcoes f e g de F(R) e definida como: ( f + g)(x) = f (x) + g(x).
Note tambem que se R podemos multiplicar o escalar pela funcao f , da seguinte forma:
( f ) (x) = ( f (x)) resultando num elemento de F(R).
Com relacao a Mn (R) podemos somar duas matrizes quadradas de ordem n, A + B = (ai j + bi j )nxn
que e um elemento de Mn (R).
Com relacao a multiplicacao do escalar pela matriz A R, A = ( ai j )nxn o qual tambem
Mn (R).
O que estes dois exemplos acima, com a adicao de seus elementos e multiplicacao de seus ele-
mentos por escalares, tem em comum?
Verifica-se facilmente a partir das propriedades dos numeros reais que, com relacao a quaisquer
funcoes f , g e h em F(R) e para , R, sao validos os seguintes resultados:
1. f + g = g + f
2. f + (g + h) = ( f + g) + h
3. Se g representa a funcao nula entao f + g = f
4. f + ( f ) = 0
5. ( + ) f = f + f
6. ( f ) = ( ) f
7. ( f + g) = f + g
8. 1 f = f
Agora, com relacao a quaisquer matrizes A, B, e C em Mn e para todo , R, tambem sao

validos os seguintes resultados:
1. A + B = B + A
2. A + (B +C) = (A + B) +C
3. Se 0 representa a matriz nula entao A + 0 = A

46 3.1. Introducao
4. A + (A) = 0
5. ( + )A = A + A
6. ( A) = ( )A
7. (A + B) = A + B
8. 1A = A
Observamos que o conjunto das funcoes bem como o das matrizes, quando munidos de soma e
multiplicacao por escalar, apresentam propriedades algebricas comuns. Existem muitos outros ex-
emplos de conjuntos que apresentam as mesmas propriedades acima. Para nao estudarmos separada-
mente cada conjunto, estudaremos um conjunto generico e nao vazio, V , sobre o qual supomos estar
definidas as operacoes de adicao e multiplicacao por escalar.
Definicao 3.1 Um espaco vetorial V e um conjunto, cujos elementos sao chamados vetores, no qual
estao definidas duas operacoes: a adicao, que a cada par de vetores, u e v V faz corresponder um
novo vetor denotado por u + v V , chamado a soma de u e v, e a multiplicacao por um numero real,
que a cada R e a cada vetor v V faz corresponder um vetor denotado por v, chamado produto
de por v. Estas operacoes devem satisfazer, para quaisquer , R e u, v e w V as seguintes
propriedades:
Propriedades 3.1
1. Comutatividade: u + v = v + u
2. Associatividade: (u + v) + w = u + (v + w)
3. Vetor nulo: existe um vetor nulo 0 V tal que v + 0 = v para todo v V
4. Inverso aditivo: Para cada v V existe v V tal que v + v = 0
5. Distributividade: ( + )v = v + v
6. ( )v = ( v)
7. (u + v) = u + v
8. Multiplicacao por 1: 1.u = u

3.1. Introducao 47
Exemplo 54 Para todo numero natural n, o smbolo Rn representa o espaco vetorial euclid-
iano n-dimensional. Os elementos de Rn sao as listas ordenadas (chamadas n-uplas) u =
(x1, x2, x3,......., xn ), v = (y1 , y2, y3 , ......yn ) de numeros reais. Por definicao a igualdade vetorial u = v
significa as n igualdades numericas
x1 = y1, x2 = y2 , .....xn = yn .
Em Rn definimos as operacoes:
u + v = (x1 + y1 , x2 + y2, ....xn + yn )
e
u = ( x1, x2 , ..... xn )
Verifica-se sem dificuldades, que estas definicoes fazem do Rn um E. V. (verifique).
Exemplo 55 O conjunto dos polinomios em x, de grau menor ou igual a n e definido por :
{ }
Pn = p(x) = ao + a1 x + ..... + an1 xn1 + an xn ao , a1 , ...., an1 , an R
com as operacoes de adicao de polinomios e multiplicacao de um polinomio por um escalar e um

espaco vetorial. Note que cada elemento de Pn e uma funcao p : R R
Exemplo 56 O conjunto das matrizes definido por
{[ ] }
M(m, n) = ai j mn ai j R, i = 1, .., m e j = 1, .., n
com a soma usual de matrizes e multiplicacao usual de um escalar por uma matriz e um espaco
vetorial.
No caso particular das matrizes quadradas de ordem n denotaremos M(n, n) por Mn .
Exemplo 57 Seja o conjunto R2 = {(x, y) x, y R} com as operacoes assim definidas:
(x1 , y1 ) + (x2 , y2 ) = (x1 + x2 , y1 + y2 )
(x, y) = ( x, y)
48 3.1. Introducao
O conjunto R2 com estas operacoes nao e um espaco vetorial.
Vamos mostrar que falha a propriedade 5) do E.V.
( + )u = ( + )(x1 , y1 ) = (( + )x1 , y1 ) = ( x1 + x1 , y1 )
u + u = (x1 , y1 ) + (x1 , y1 ) = ( x1 , y1 ) + ( x1 , y1 ) = ( x1 + x1 , 2y1 )
( + )u = u + u
Exemplo 58 Verifique se V = M2 com as operacoes:

a1 b1 a b a + a2 b1 + b2
(i) Soma: + 2 2 = 1
c1 d1 c2 d2 c1 + c2 d1 + d2

a1 b1 a1 b1
(ii) Multiplicacao por escalar: =
c1 d1 c1 d1
e um espaco vetorial.
Como a adicao e a usual, entao todas as propriedades da adicao serao satisfeitas. Se alguma
propriedade falhar,
sera
na multiplicacao
por escalar, pois esta nao e a usual.
a b m n
Sejam A = eB= .
c d o p
( + )A = A
Vamos mostrar que falhaa propriedade: +A
a b a b + b
(i) ( + )A = ( + ) =
c d c + c d

a b a b a b a b 2a b + b
(ii) A + A = + = + =
c d c d c d c d c + c 2d
Por (i) e (ii) conclumos que ( + )A = A + A. Logo V = M2 com as operacoes definidas
acima nao e um espaco vetorial.
Exemplo 59 No conjunto V = {(x, y)/x, y R} definamos adicaoassim: (x1 , y1 ) + (x2 , y2 ) = (x1 +

x2 , 0) e multiplicacao por escalares como no R2 , ou seja, para cada a R, a(x, y) = (ax, ay). Nessas
condicoes V e um espaco vetorial? Porque?
Exemplo 60 Seja V o conjunto dos pares ordenados de numeros reais. Definamos: (x1 , y1 ) +
(x2 , y2 ) = (2x1 2y1 , x1 + y1 ) e a(x1 , y1 ) = (3ay1 , ax1 ), com essas operacoes definidas sobre V ,
este conjunto e um espaco vetorial sobre R?
3.2. Subespacos 49
3.2 Subespacos
Definicao 3.2 Seja V um espaco vetorial. Dizemos que W V e um subespaco vetorial de V se forem
satisfeitas as seguintes condicoes:
1. se u , v W entao u + v W
2. se u W entao u W para todo R.
Podemos fazer tres observacoes:
As condicoes da definicao garantem que ao operarmos em W (soma e multiplicacao por escalar)

nao obteremos um vetor fora de W. Isto e suficiente para afirmar que W e ele proprio um E.V.
Qualquer subespaco W de V precisa conter o vetor nulo.
Todo espaco vetorial admite pelo menos dois subespacos: o conjunto formado pelo vetor nulo
e o proprio E.V.
Exemplo 61 Seja V = R5 e W = {0, x2, x3 , x4 , x5 } , W e um subespaco vetorial?

Verifiquemos as condicoes de subespaco: seja u = (0, x2, x3 , x4 , x5 ) W e v = (0, y2, y3 , y4 , y5 ) W
1. u + v = (0, x2 + y2, x3 + y3 , x4 + y4 , x5 + y5 ) W
2. u = (0, x2, x3 , x4 , x5 ) = (0, x2, x3 , x4 , x5 ) W
logo W e um subespaco vetorial.
Exemplo 62 Seja S = {(x, y, z) R3 x + y + z = 0}, S e um subespaco de R3 ?

Dados u = (x1 , y1 , z1 ) S e v = (x2 , y2 , z2 ) S
1. u + v = (x1 , y1 , z1 ) + (x2 , y2 , z2 ) = (x1 + x2 , y1 + y2 , z1 + z2 )
Como u = (x1 , y1 , z1 ) S x1 + y1 + z1 = 0. Analogamente x2 + y2 + z2 = 0, e podemos concluir

que (x1 + x2 ) + (y1 + y2 ) + (z1 + z2 ) = 0 u + v S
2. u = (x1 , y1 , z1 ) = ( x1 , y1 , z1 ) para todo x1 + y1 + z1 = (x1 +y1 +z1 ) = 0 =

0 e dai u S
Portanto, S e um subespaco vetorial de R3 .

50 3.2. Subespacos
Exemplo 63 V = Mn e W e o subconjunto das matrizes triangulares superiores. W e subespaco de
V , pois a soma das matrizes triangulares superiores ainda e uma matriz triangular superior, assim
como o produto de uma matriz triangular por um escalar (Verifique).
Teorema 3.1 Se Ax = b e um sistema linear homogeneo de m equacoes em n incognitas, entao o

conjunto dos vetores-solucao e um subespaco de Rn .
Considere o sistema homogeneo AX = 0, onde A e uma matriz m n e X e uma matriz coluna

n 1.Se X1 e X2 sao duas solucoes do sistema AX = 0 entao tem-se AX1 = 0 e AX2 = 0. Mas
A(X1 + X2 ) = AX1 + AX2 = 0 + 0 = 0, logo X1 + X2 e uma solucao do sistema AX = 0. Tambem,
A(kX1 ) = kAX1 = k0 = 0, portanto kX1 e uma solucao do sistema AX = 0.
Como o conjuntos das matrizes Xn1 e uma espaco vetorial temos que o subconjunto de todas as
matrizes de ordem n 1 que sao solucoes do sistema AX = 0 e um subespaco vetorial do espaco
vetorial formado por todas as matrizes de ordem n 1.
Exemplo 64 Considere os sistemas lineares

1 2 3 x 0

1. 2 4 6 y = 0

3 6 9 z 0

1 2 3 x 0

2. 3 7 8 y = 0

2 4 6 z 0

1 2 3 x 0

3. 3 7 8 y = 0

4 1 2 z 0

0 0 0 x 0

4. 0 0 0 y = 0

0 0 0 z 0
Determine os subespacos do R3 gerado pelas solucoes de cada um destes sistemas de tres

incognitas.
Exemplo 65 Seja V = R2 e W = {(x, x2 ) R2 x R}. Se escolhermos u = (1, 1) e v = (2, 4) W ,

temos: u + v = (3, 5)
/ W , portanto W nao e subespaco vetorial de R2 .
3.2. Subespacos 51
Exemplo 66 Seja V = R2 e W = {(x, y) R2 y = 2x}, W e subespaco vetorial de R2 , pois temos:
1. Para u = (x1 , 2x1 ) e v = (x2 , 2x2 ) W tem-se u + v = (x1 + x2 , 2(x1 + x2 )) W , pois a segunda
componente de u + v e igual ao dobro da primeira.
2. u = (x1 , 2x1 ) = ( x1 , 2( x1 )) W , pois a segunda componente de u e igual ao dobro da

primeira.

0 1
Exemplo 67 Considere o espaco vetorial M2 e a matriz B = M2 .Seja W =
1 0
{A M2 AB = BA}. Verifique se W e um espaco vetorial de M2 .
1a Solucao: Sejam A1 , A2 petencente a M2 .
(A1 + A2 ) B = A1 B + A2 B = BA1 + BA2 = B (A1 + A2 ) (A1 + A2 ) M2
(kA1 ) B = k (A1 B) = k (BA1 ) = B (kA1 ) (kA1 ) M2
Logo W e um subespaco vetorial de W.

a b
2a Solucao: Tomando A = W, sabe-se que a matriz A deve satisfazer a relacao AB =
c d
BA.Portanto

a b 0 1 0 1 a b
=
c d 1 0 1 0 c d

b a c d
=
d c a b
b = c
a = d a = d
a = d
c = b b = c

a b a b
Logo A = W = M2 a, b R
b a b a

a b x y
Sejam u = ev=
b a y x

a b x y a+x b+y a+x b+y
u+v = + = = W
b a y x b y a + x (b + y) a + x

a b ka kb
ku = k = W
b a kb ka
52 3.3. Interseccao de dois Subespacos Vetoriais
Como u + v W e ku W W e um subespaco vetorial de M2
{
}
Exemplo 68 Verifique se W = p(x) P3 : p (2) + p (1) = 0 e um sub-espaco vetorial de V = P3 .

Sejam p(x), q(x) W p (2) + p (1) = 0 e q (2) + q (1) = 0
Assim (p + q)(x) = p(x) + q(x) e tal que

(p + q) (2) + (p + q) (1) = p (2) + q (2) + p (1) + q (1)

= p (2) + p (1) + q (2) + q (1)
= 0+0 = 0
e entao (p + q)(x) W.
Da mesma forma, ( p)(x) = p(x) e tal que

(
)
( p) (2) + ( p) (1) = p (2) + p (1) = p (2) + p (1) = .0 = 0
e entao ( p)(x) W.
Portanto W e subespaco vetorial de P3 .

a a+1
Exemplo 69 Seja W o conjunto de todas as matrizes 22 da forma . W e um subespaco
0 b
de M22 ?
Exemplo 70 Seja W o conjunto de todas as matrizes 2 2 com determinante 0. W e um subespaco

de M22 ?
3.3 Interseccao de dois Subespacos Vetoriais

Definicao 3.3 Dados W1 e W2 subespacos de um espaco vetorial V , a interseccao W1 W2 ainda e
um subespaco de V .
Exemplo 71 V = R3 . Seja W1 = {(x, y, z) R3 / y = 0} e W2 = {(x, y, z) R3 / x = 0}. W1 W2 e a

reta de interseccao dos planos W1 e W2 , ou seja W1 W2 = {(x, y, z) R3 /x = 0 e y = 0}
Exemplo 72 V = R3 . Seja W1 = {(x, y, z) R3 / x + y + z = 0} e W2 = {(x, y, z) R3 / x + y z = 0}.

Para encontrarmos a interseccao dos dois subespacos devemos resolver o sistema

x+y+z = 0
x+yz = 0
3.3. Interseccao de dois Subespacos Vetoriais 53
A solucao desse sistema e z = 0, y = x. Portanto W1 W2 = {(x, y, z) R3 : z = 0 e y = x}
Exemplo 73 V = P3 . Seja W1 = {p P3 : p (1) = 0} e W2 = {p P3 : p (1) = 0}

Como p P3 entao p = a + bx + cx2 + dx3 , com a, b, c, d R. Se p W1 entao p (1) = 0
b + 2c + 3d = 0. Se p W2 entao p (1) = 0 2c + 6d = 0. Para que p pertenca a W1 W2 devemos
resolver o sistema
b + 2c + 3d = 0
2c + 6d = 0
assim, c = 3d e b = 3d.
Portanto W1 W2 = {p P3 : p = a + 3dx 3dx2 + dx3 }
Exemplo 74 V = M(n, n),W1 = {matrizes triangulares superiores}; W2 = {matrizes triangulares in-

feriores}. Entao W1 W2 = {matrizes diagonais}.

a b
Exemplo 75 Seja V = M2 = e
c d

a b
W1 = , a, b R
0 0

a 0
W2 = , a, c R
c 0
W = W1 W2 e um subespaco de V , pois

a 0
W= ,a R
0 0
Exemplo 76 Sejam W1 e W2 dados por: W1 = {(x, y) R2 : x +y = 0} e W2 = {(x, y) R2 : x y = 0}

sera que W1 W2 e um subespaco vetorial de V ?
Nao. Basta considerar V = R2 ,
u = (1, 1) W2
v = (1, 1) W1
mas u + v = (1, 1) + (1, 1) = (2, 0)
/ W1 W2 (represente graficamente esta soma de vetores)
54 3.4. Combinacao Linear
3.4 Combinacao Linear
Definicao 3.4 Seja V um espaco vetorial real, v1 , v2 , ......, vn V e a1 , a2,......... an R. Entao, o vetor
v = a1 v1 + a2 v2 + ..... + an vn
e um elemento de V ao que chamamos de combinacao linear de v1 , v2 , ......, vn .
Exemplo 77 Em R2 o vetor v = (10, 16) e uma combinacao linear dos vetores v1 = (1, 2) e v2 = (3, 4)
pois v = 4v1 + 2v2 .
Exemplo 78 Verifique se o vetor v = (3, 2, 1) pode ser escrito como uma combinacao linear dos
vetores v1 = (1, 1, 1), v2 = (1, 1, 1), v3 = (1, 1, 1).
Devemos verificar se existem numeros a, b, c tais que v = av1 + bv2 + cv3 , ou seja,
(3, 2, 1) = a(1, 1, 1) + b(1, 1, 1) + c(1, 1, 1).
devemos entao resolver o sistema

1 1 1 a 3

1 1 1 b = 2

1 1 1 c 1
Mas esse sistema tem uma unica solucao a = 32 , b = 12 e c = 1. Portanto v pode realmente ser escrito
como combinacao de v1 , v2 e v3 , da forma v = 32 v1 + 12 v2 + v3 .
Exemplo 79 No espaco vetorial P2 o polinomio p = 7x2 + 11x 26 e combinacao linear dos

polinomios: q1 = 5x2 3x + 2 e q2 = 2x2 + 5x 8, de fato p = 3q1 + 4q2 (confira).
Exemplo 80 Verifique que em P2 o polinomio p(x) = 1+x2 e uma combinacao dos polinomios q(x) =
1, r(x) = 1 + x e s(x) = 1 + x + x2 .
Precisamos encontrar numeros reais, a1 , a2 e a3 tais que:
p(x) = a1 q(x) + a2 r(x) + a3 s(x)
Ou seja, precisamos encontrar a1 , a2 e a3 satisfazendo:
1 + x2 = a1 + a2 (1 + x) + a3 (1 + x + x2 )
1.1 + 0x + 1.x2 = (a1 + a2 + a3 ) + (a2 + a3 ) x + a3 x3

3.5. Dependencia e Independencia Linear 55
que e equivalente ao sistema:

a + a2 + a3 = 1
1
a2 + a3 = 0 a1 = 1; a2 = 1 e a3 = 1.

a =1 3
Exemplo 81 Consideremos , no R3 , os seguintes vetores: v1 = (1, 3, 2) e v2 = (2, 4, 1). Escreva

o vetor v = (4, 18, 7) como combinacao linear dos vetores v1 e v2 .
Temos:
v = a1 v1 + a2 v2
(4, 18, 7) = a1 (1, 3, 2) + a2 (2, 4, 1) = (1a1 , 3a1 , 2a1 ) + (2a2 , 4a2 , 1a2 ) =
= (a1 + 2a2 , 3a1 + 4a2, 2a1 a2 ) que e equivalente ao sistema:

a1 + 2a2 = 4

3a1 + 4a2 = 18 a1 = 2, a2 = 3.

2a1 a2 = 7
Portanto, v = 2v1 3v2 . Agora mostre que o vetor v = (4, 3, 6) nao e combinacao linear dos vetores
v1 = (1, 3, 2) e v2 = (2, 4, 1).
3.5 Dependencia e Independencia Linear

Definicao 3.5 Seja V um espaco vetorial e v1 , v2 , ......, vn V. Dizemos que o conjunto
{v1 , v2 , ......, vn } e linearmente independente (LI), se a equacao:
a1 v1 + a2 v2 + .... + an vn = 0
implica que a1 = a2 = ... = an = 0.

No caso, em que exista algum ai = 0 dizemos que {v1 , v2 , ......, vn } e linearmente dependente
(LD).
Para determinarmos se um conjunto e L.I. ou L.D. devemos fazer a combinacao linear do conjunto
de vetores e igualar esta combinacao linear ao vetor nulo do espaco. Portanto e muito importante ter
conhecimento do vetor nulo do espaco em que estamos trabalhando.
Exemplo 82 Considere o espaco vetorial R3 e os conjunto de vetores: =

56 3.5. Dependencia e Independencia Linear
{(1, 2, 3) , (1, 1, 1), (1, 0, 0)} e = {(1, 2, 3) , (1, 1, 1), (3, 5, 7)}. Os conjuntos e sao L.I
ou L.D?
Fazendo a combinacao linear de
a (1, 2, 3) + b(1, 1, 1) + c(1, 0, 0) = (0, 0, 0)

a+b+c = 0
temos o sistema homogeneo: 2a + b = 0

3a + b = 0
cuja unica solucao e a = b = c = 0. Portanto o conjunto e L.I
Fazendo a combinacao linear de
a (1, 2, 3) + b(1, 1, 1) + c(3, 5, 7) = (0, 0, 0)

a + b + 3c = 0
temos o sistema homogeneo: 2a + b + 5c = 0

3a + b + 7c = 0
que possui infinitas solucoes (grau de liberdade 1). Portanto alem da solucao nula (que todo sis-
tema homogeneo tem) este sistema possui outras solucoes diferentes da solucao nula, logo o conjunto
e L.D.
Teorema 3.2 O conjunto {v1 , v2 , ......, vn } e LD se, e somente se, um dos vetores do conjunto for uma
combinacao linear dos outros.
Exemplo 83 a) Seja V = R3 . Sejam v1 , v2 V. O conjunto {v1 , v2 } e LD se, e somente se, v1 e v2

estiverem na mesma reta que passa pela origem (um vetor e multiplo do outro), v1 = v2 .
b) Em V = R2 , e1 = (1, 0) e e2 = (0, 1) sao LI, pois:
a1 e1 + a2 e2 = 0 = a1 (1, 0) + a2 (0, 1) = (0, 0) = (a1, a2 ) = (0, 0)
logo a1 = 0 e a2 = 0 portanto, e1 e e2 sao LI.

1 2 2 3 3 4
Exemplo 84 No EV M2 o conjunto: A = , , e LD?
3 1 3 0 3 1
Examinemos a equacao: a1 v1 + a2 v2 + a3 v3 = 0

1 2 2 3 3 4 0 0
a1 + a2 + a3 =
3 1 3 0 3 1 0 0
3.6. Subespacos Gerados 57
cuja solucao e a1 = a3 e a2 = 2a3. .Como existem solucoes ai = 0, o conjunto e LD.
Propriedades 3.2 Seja V um espaco vetorial

1. Se A = {v} V e v = 0 , entao A e LI.
2. Se um conjunto A V contem o vetor nulo, entao A e LD
3. Se um conjunto A V e LI, qualquer parte A1 de A tambem e LI.
3.6 Subespacos Gerados
Definicao 3.6 Seja V um espaco vetorial. Consideramos um subconjunto A = {v1 , v2 , . . . , vn }

V, A = .O conjunto W de todos os vetores de V que sao combinacoes lineares dos vetores de A
e um subespaco de V. Simbolicamente, o subespaco W e:
W = {v V v = a1 v1 + a2 v2 + . . . + an vn }
O subespaco W diz-se gerado pelos vetores v1 , v2 , . . . , vn , ou gerado pelo conjunto A, e representa-se

por:
W = [v1 , v2 , . . . , vn ] ou W = G(A)
Os vetores v1 , v2 , . . . , vn sao chamados geradores do subespaco W, enquanto A e o conjunto gerador

de W.

Para o caso particular de A = , define-se [] = { 0 }
A G(A), ou seja, { v1 , v2 , . . . , vn } [v1 , v2 , . . . , vn ]
Todo conjunto A V gera um subespaco vetorial de V , podendo ocorrer G(A) = V . Nesse caso,
A e um conjunto gerador de V.
Exemplo 85 Os vetores i = (1, 0) e j = (0, 1) geram o espaco vetorial R2 , pois, qualquer (x, y) R2
e combinacao linear de i e j :
(x, y) = xi + y j = x(1, 0) + y(0, 1) = (x, 0) + (0, y) = (x, y)
Entao: [i, j] = R2 .
Exemplo 86 Seja V = R3 . Determinar o subespaco gerado pelo vetor v1 = (1, 2, 3).

58 3.6. Subespacos Gerados
Temos:
[v1 ] = {(x, y, z) R3 /(x, y, z) = a(1, 2, 3), a R}
Da igualdade: (x, y, z) = a(1, 2, 3) vem: x = a; y = 2a; z = 3a donde: y = 2x e z = 3x, logo,
[v1 ] = {(x, y, z) R3 /y = 2x e z = 3x} ou [v1 ] = {(x, 2x, 3x); x R}.
Exemplo 87 Encontre o subespaco vetorial de P3 gerado por U = {1,t,t 2 , 1 + t 3 }
Note que t 3 = (t 3 + 1) 1. Assim, dado p(t) = ao + a1t + a2t 2 + a3t 3 P3 podemos escrever
p(t) = (a0 a3 ) + a1t + a2t 2 + a3 (t 3 + 1) U
Ou seja, qualquer vetor (polinomio) de P3 pode ser escrito como uma combinacao linear dos vetores
do conjunto U. Logo P3 = [U].
Exemplo 88 Encontre o subespaco vetorial gerado de M2 gerado por

1 1 2 1
G= ,
0 1 3 4

x y
Temos que A = [G] se e somente se existirem a e b R tais que
z t

x y 1 1 2 1
A= = a +b
z t 0 1 3 4

a + 2b = x

a + b = y
5x+2y
Da, tem-se o sistema: que e possvel se: z = x + y e t =

3b = z
3

a + 4b = t

x y
Logo [G] = : x, y R .
x + y 5x+2y
3
3.6. Subespacos Gerados 59
Exemplo 89 Encontre um conjunto de geradores para W = {X M(4, 1) AX = 0} onde

1 1 1 0

2 0 1 1
A=

3 1 0 1

0 2 3 1
Seja
a 1 1 1 0 a 0

b 2 0 1 1 b 0
X =

W

=

,

c 3 1 0 1 c 0

d 0 2 3 1 d 0

1 1 1 0 a 0

0 2 3 1 b 0
=

0 0 0 0 c 0

0 0 0 0 d 0

1 1 1 0 a 0

0 1 3/2 1/2 b 0 a = c
2 2
d
= ,

0 0 0 0 c 0 b = 3c + d
2 2
0 0 0 0 d 0
isto e,
c 1 1
2 2
d
2 2

3c d
2 +2
3 1
X =

= c

+d

2

2
c 1 0

d 0 1

1 1

2 2

3 1
portanto, W =

,

.
2

2
1 0

0 1
60 3.7. Soma de Subespacos
3.7 Soma de Subespacos
Definicao 3.7 Sejam W1 e W2 dois subespacos vetoriais de V. Entao o conjunto
W1 +W2 = {v V v = w1 + w2 , w1 W1 e w2 W2 }
e um subespaco de V.

a b 0 0
Exemplo 90 W1 = e W2 = ,onde a, b, c, d R. Entao W1 + W2 =
0 0 c d

a b
= M2 .
c d
Exemplo 91 Sejam os subespacos vetoriais
W1 = {(a, b, 0); a, b R} e W2 = {(0, 0, c), c R}
do espaco vetorial R3 . A soma W1 +W2 = {(a, b, c); a, b, c R} e subespaco vetorial, que nesse caso
e o proprio R3 .

Proposicao 3.1 Quando W1 W2 = { 0 }, entao W1 + W2 e chamado soma direta de W1 com W2 , e
denotado por W1 W2 .
Observacao 6 Usando os geradores podemos obter uma caracterizacao da soma de dois subespacos:
Sejam U e W subespacos de V, se U = [u1 , . . . , un ] e W = [w1 , . . . , wm ] entao U + W =
[u1 , . . . , un , w1 , . . . , wm ]
Exemplo 92 Verifique que R3 e a soma direta de

W1 = {(x, y, z) R3 ; x + y + z = 0} e W2 = {(x, y, z) R3 ; x = y = 0}.
Note que W2 e de fato um subespaco vetorial de R3 (Verifique)
Dado v W1, v = (x, y, x y) e u W2 , u = (0, 0, z)
u + v = (x, y, x y + z) = R3
{
}
vamos mostrar que W1 W2 = 0 . Seja (x, y, z) W1 W2 temos:

x y + z = 0

x=0 (x, y, z) = (0, 0, 0)

y=0
3.8. Base e Dimensao de um Espaco Vetorial 61
Exemplo 93 Encontre os geradores do subespaco U +W onde
{ }
U = (x, y, z) R3 x + y + z = 0 , e
{ }
W = (x, y, z) R3 x + y = 0 e x z = 0
Se u U u = (x, y, x y) = x(1, 0, 1) + y(0, 1, 1) logo U = [(1, 0, 1), (0, 1, 1)]

Se v W v = (x, x, x) = x(1, 1, 1) logo W = [(1, 1, 1)]
Usando a teoria acima explicada temos que
U +W = [(1, 0, 1), (0, 1, 1), (1, 1, 1)]
3.8 Base e Dimensao de um Espaco Vetorial
3.8.1 Base
Um conjunto = {v1 , v2 , . . . , vn } V e uma base do espaco vetorial se:
1. e LI
2. gera V
Exemplo 94 = {(1, 1), (1, 0)} e base de R2 . De fato:
1. e LI pois a(1, 1) + b(1, 0) = (0, 0) = a = b = 0
2. gera R2 , pois para todo (x, y) R2 , tem-se :
(x, y) = y(1, 1) + (y x)(1, 0)
Realmente, a igualdade (x, y) = a(1, 1) + b(1, 0) = a = y e b = y x.
Exemplo 95 O conjunto {(0, 1), (0, 2)} nao e base de R2 pois e um conjunto LD. Se
(0, 0) = a(0, 1) + b(0, 2)
temos a = 2b. Assim para cada valor de b conseguimos um valor para a, ou seja, temos infinitas
solucoes.
Exemplo 96 Seja V = R3 entao = {(1, 0, 0), (0, 1, 0), (0, 0, 1)} e uma base do R3 (verifique!).
62 3.8. Base e Dimensao de um Espaco Vetorial
Exemplo 97 O conjunto = {1, x, x2 , . . . , xn } e uma base do espaco vetorial Pn . De fato:
ao + a1 x + a2 x2 + . . . + an xn = 0
ao + a1 x + a2 x2 + . . . + an xn = 0 + 0x + 0x2 + . . . + 0xn
= a0 = a1 = . . . = an = 0
portanto, e LI.
gera o espaco vetorial Pn, pois qualquer polinomio p Pn pode ser escrito assim:
p = ao + a1 x + a2 x2 + . . . + an xn
que e uma combinacao linear de 1, x, x2 , . . . , xn .

Logo, e uma base de Pn .Essa e a base canonica de Pn e tem n + 1 vetores.
{ }
Exemplo 98 Encontre uma base para U + W onde U = (x, y, z) R3 x + y + z = 0 e W =
{ }
(x, y, z) R3 x + y = 0 e x z = 0 .
Seja U = [(1, 0, 1), (0, 1, 1)] e W = [(1, 1, 1)] ( Ja vimos este exemplo.)
U +W = [(1, 0, 1), (0, 1, 1), (1, 1, 1)].
Ja temos um conjunto que gera a soma, se este conjunto for L.I. entaele sera uma base.
a(1, 0, 1) + b(0, 1, 1) + c(1, 1, 1) = (0, 0, 0)

1 0 1 a 0

0 1 1 b = 0

1 1 1 c 0

1 0 1 0 1 1

1
A= 0 1 1 A = 1 2 1

1 1 1 1 1 1

a 0 1 1 0 0

b = 1 2 1 0 = 0

c 1 1 1 0 0
logo o conjunto e L.I e portanto. = {(1, 0, 1), (0, 1, 1), (1, 1, 1)} e uma base de U +W .
{ }
Exemplo 99 Encontre uma base para U +W onde U = (x, y, z) R3 x y + z = 0 e x y = 0 e
{ }
W = (x, y, z) R3 x + yz = 0 e xz = 0 .
xy+z = 0
Se v = (x, y, z) U v = (x, x, 0) = x(1, 1, 0), portanto U = [(1, 1, 0)] .
xy = 0

x+yz = 0
Se u = (x, y, z) W u = (x, 0, x) = x(1, 0, 1),portanto W = [(1, 0, 1)]
xz = 0
Assim U + W = [(1, 1, 0, ), (1, 0, 1)] . Como o conjunto = {(1, 1, 0, ), (1, 0, 1)} e L.I entao ele e
uma base para U +W.

1 1
Exemplo 100 Dados: U = {A M2 (R); A = At } e W = em M2 encontre uma base
0 1
para U,W,U W,W
+U.
a b
Para U : A = c = b portanto, A U se existirem a1 , a2 , a3 R tais que
c d

1 0 0 1 0 0
A = a1 + a2 + a3
0 0 1 0 0 1
pode-se verificar facilmente que as matrizes

1 0 0 1 0 0
, ,
0 0 1 0 0 1
sao L.I e portanto, como geram U, formam uma base de U.

Para W : Como a matriz
1 1

0 1
gera W , ela serve para base de W .

Para U W : A U W A = At e existe R tal que

A= ,
0
isto e, se e somente se existir R tal que

0
=
0
que e satisfeita quando = 0, ou seja, A = 0. Desse modo U W = {0}.
Uma base para U W e = . Veja a observacao a seguir para elucidar esse fato.

{
}
Observacao 7 : Seja V um espaco vetorial e 0 V o vetor nulo de V. Como o conjunto = 0
{
}
e LD (mostre isto) temos que este conjunto nao pode ser uma base do conjunto N = 0 . Este e
um caso patologico e para que nao seja contrariada a definicao de base tomamos = (conjunto
{}
vazio) como sendo base para o espaco N = 0 .
Para U +W : Como U W = {0} temos U +W e soma direta e, portanto, uma base e:

1 0 0 1 0 0 1 1
, , ,
0 0 1 0 0 1 0 1
Proposicao 3.2 Todo conjunto LI de um espaco vetorial V e base do subespaco por ele gerado.
Exemplo 101 O conjunto = {(1, 2, 1), (1, 3, 0)} R3 e LI e gera o subespaco W = {(x, y, z)
Entao, e base de W , pois e LI e gera W.
R3 /3x y z = 0}.
Teorema 3.3 Sejam v1 , v2 , . . . , vn , vetores nao nulos que geram um espaco vetorial V . Entao, dentre
estes vetores podemos extrair uma base de V .
Proposicao 3.3 Seja um E.V V gerado por um conjunto finito de vetores v1 , v2 , . . . , vn . Entao qual-
quer conjunto com mais de n vetores e necessariamente LD (e, portanto, qualquer conjunto LI tem no
maximo n vetores).
Exemplo 102 Sejam U e W subespacos de V = M2 tal que

a b 0 1 1 0 1 1
U= M2 : b + c = 0 e W = , , .
c d 1 0 0 1 0 1
a. Determine uma base para U W

Inicialmente, encontremos
o subespaco
gerado
W :
a b 0 1 1 0 1 1
Seja A W A = = + +
c d 1 0 0 1 0 1
A matriz ampliada desse sistema e:

0 1 1 a 1 0 1 b

1 0 1 b 0 1 1 a
, eliminacao Gaussiana:

1 0 0 c 0 0 1 b + c

0 1 1 d 0 0 0 d a
Osistema
so e possvel sed a = 0, da observamos que o subespaco gerado W e dado por

a b
W= M2 : a = d
c d

a c
E portanto obtemos U W = ; a, c R . Uma base para U W e =
c a

1 0 0 1
, . Note que as matrizes geram U W e sao LI, pois nao sao multiplas uma
0 1 1 0
da outra.
b. Encontre uma base para U +W.
de U +W
Obtemos os geradores unindo
os geradores
de
U e W.Vamosobter os geradores de U :
a b 1 0 0 1 0 0
Seja A U A = = a +b +d
b d 0 0 1 0 0 1

1 0 0 1 0 0
U = , ,
0 0 1 0 0 1

1 0 0 1 0 0 0 1 1 0 1 1
U +W = , , , , ,
0 0 1 0 0 1 1 0 0 1 0 1
Uma base para U +W deve ter no maximo 4 matrizes, entao ja sabemos que este conjunto e LD
e que temos que eliminar no mnimo 2 matrizes para este conjunto se tornar LI. Vejamos quantas e
quaismatrizes
serao
eliminadas:

1 0 0 1 0 0 0 1 1 0 1 1 0 0
a +b +c +d +e +f =
0 0 1 0 0 1 1 0 0 1 0 1 0 0

1 0 0 0 1 1

0 1 0 1 0 1
, eliminacao Gaussiana:

0 1 0 1 0 0

0 0 1 0 1 1

a

0 0 0 1 1 b ae f = 0

1 0

a=c=e
0 1 0 1 0 1 c 0 bd f = 0
=
b=d
0 0 1 0 1 1 d 0
ce+ f = 0

f =0

0 0 0 0 0 1 e 0 f =0

f
Veja que nao podemos excluir a ultima matriz e que existe uma relacao entre a 1a , 3a e 5a , entao
devemos excluir uma dentre estas tres; e ainda a 2a esta relacionada com a 4a , entao temos que
excluir uma
das duas.
Excluindo
a 1a e a 2atem-se
que
0 0 0 1 1 0 1 1
= , , , e uma base para U +W.
0 1 1 0 0 1 0 1
3.8.2 Dimensao
Seja V um Espaco Vetorial.

Se V possui uma base com n vetores, entao V tem dimensao n e denota-se dimV = n.
Se V nao possui uma base, ou seja, a base e = entao dimV = 0.
Se V possui uma base com infinitos vetores, entao dimV e infinita e anota-se dimV = .
Exemplo 103 dim R2 = 2 pois toda base de R2 tem 2 vetores
Exemplo 104 dim M(2, 2) = 4
Exemplo 105 dim M(m, n) = m.n
Exemplo 106 dim Pn = n + 1
Proposicao 3.4 Seja V um E. V. tal que dimV = n
Se W e um subespaco de V entao dimW n. No caso de dimW = n , tem-se W = V . Para

permitir uma interpretacao geometrica, consideremos o espaco tridimensional R3 (dim R3 = 3).
A dimensao de qualquer subespaco W do R3 so podera ser 0, 1, 2 ou 3. Portanto, temos os
seguintes casos:
1. dimW = 0, entao W = {0} e a origem;
2. dimW = 1, entao W e uma reta que passa pela origem;
3. dimW = 2, entao W e um plano que passa pela origem;
4. dimW = 3 entao W = R3 .
Proposicao 3.5 Seja V um E. V de dimensao n. Entao, qualquer subconjunto de V com mais de n

vetores e Linearmente Dependente (LD).
Proposicao 3.6 Sabemos que o conjunto e base de um espaco vetorial se for LI e gera V . No
entanto, se soubermos que dimV = n , para obtermos uma base de V basta que apenas uma das
condicoes de base esteja satisfeita.
Exemplo 107 O conjunto = {(2, 1), (1, 3)} e uma base do R2 . De fato, como dim R2 = 2 e os
dois vetores dados sao LI (pois nenhum vetor e multiplo escalar do outro), eles formam uma base do
R2 .
{
}
Exemplo 108 Seja W = p(x) P3 : p (2) + p (1) = 0 um subespaco vetorial de P3 . Encontre
uma base e a dimensao de W.
Vamos entao encontrar uma base, comecemos pelos geradores de W .

Se p(x) = ax + bx + cx + d W
3 2 temos que p (2) + p (1) = 0.Entao como
p (1) = 3a + 2b + c

obtem-se de p (2) + p (1) = 0 que c = 15a 4b.
p (2) = 12a + 2b
Portanto p(x) W e da forma p(x) = a(x3 15x) + b(x2 4x) + d.

[ ]
Logo W = x3 15x, x2 4x, 1 . Como esse conjunto e LI (facil de verificar), temos que uma base
de W e
= {x3 15x, x2 4x, 1} e dimW = 3.
3.8.3 Dimensao da Soma de Subespacos Vetoriais
Proposicao 3.7 Seja V um espaco vetorial de dimensao finita. Se U e W sao subespacos vetoriais
de V entao
dim(U +W ) = dimU + dimW dim(U W ).
No exemplo (100) de base, para encontrar a base de U + W podemos usar esta proposicao:
dim(U + W ) = dimU + dimW dim(U W ) = 3 + 1 0 = 4 = dim M2 , portanto, U + W = M2
e uma base pode ser dada por:

1 0 0 1 0 0 1 1
, , ,
0 0 0 0 1 0 0 1
3.8.4 Coordenadas
Seja V um espaco vetorial gerado e uma base de V formada pelos vetores u1 , u2 , . . . , un .

v V sendo v = x1 u1 + x2 u2 + . . . + xn un
Os coeficientes x1 , x2 , . . . , xn sao chamados componentes ou coordenadas de v em relacao a base
e se representa por:
x
1

x2
[v] =

:

xn
Exemplo 109 No R2 consideremos as bases = {(1, 0), (0, 1)}, = {(2, 0), (1, 3)} e =
{(1, 3), (2, 4)}. Dado o vetor v = (8, 6) tem-se:
(8, 6) = 8(1, 0) + 6(0, 1)
(8, 6) = 3(2, 0) + 2(1, 3)
(8, 6) = 2(1, 3) +
3(2,4)
8 3 2
temos: [v] = , [v] = e [v] = .
6 2 3
Exemplo 110 Mostre que os vetores (1, 1, 1), (0, 1, 1) e (0, 0, 1) formam uma base de R3 . Encontre
as coordenadas de (1, 2, 0) R3 com relacao a base formada pelos vetores acima.
Ja sabemos que dim R3 = 3.Entao verificamos se os vetores acima sao LI. Os vetores sao LI se
a1 v1 + a2 v2 + a3 v3 = 0 a1 = a2 = a3 = 0. Isto e equivalente ao sistema:

a1 = 0
a1 + a2 = 0

a +a +a = 0
1 2 3
cuja solucao e a1 = a2 = a3 = 0 , portanto, os vetores v1 , v2 e v3 sao LI.
(1, 2, 0) = a(1, 1, 1) + b(0, 1, 1) + c(0, 0, 1) = (a, a + b, a + b + c)
que e equivalente ao sistema:

a=1
a + b = 2 a = 1, b = 1 e c = 2.

a+b+c = 0

1

Desse modo, as coordenadas de (1, 2, 0) em relacao a base e dado por [v] = 1

2
3.9. Mudanca de Base 69
Exemplo 111 Determinar as coordenadas do vetor u = (2, 1, 4) do R3 em relacao as bases:
1. Canonica
2. {(1, 1, 1), (1, 0, 1), (1, 0, 1)}

1 1
Exemplo 112 Determinar as coordenadas da matriz de M2 em relacao a base
2 0

1 0 0 1 0 0 0 0
, , ,
0 1 0 0 2 0 1 2
3.9 Mudanca de Base

Muitos problemas aplicados podem ser simplificados mudando-se de um sistema de coordenadas para
outro. Mudar sistemas de coordenadas em um espaco vetorial e, essencialmente, a mesma coisa que
mudar de base. Por exemplo, num problema em que um corpo se move no plano xy, cuja trajetoria
e uma elipse de equacao x2 + xy + y2 3 = 0 (ver figura), a descricao do moviemnto torna-se muito
simplificada se ao inves de trabalharmos com os eixos x e y utilizarmos um referencial que se apoia
nos eixos principais da elipse. Neste novo referencial, a equacao da trajetoria sera mais simples:
3u2 + 2v2 = 6.
Figura 3.1: Mudanca de Base - (3.9)
Nesta secao, vamos discutir o problema de mudar de um sistema de coordenadas para outro.
Definicao 3.8 Sejam = {u1,..., un } e = {w1, ....., wn } duas bases ordenadas de um mesmo espaco
vetorial V . Dado um vetor v V , podemos escreve-lo como:
v = x1 u1 + .... + xn un (3.1)
v = y1 w1 + .... + yn wn
Como podemos relacionar as coordenadas de v em relacao a base .

x
1

x2

[v] =

:

xn
70 3.9. Mudanca de Base
com as coordenadas do mesmo vetor v em relacao a base

y1

y2
[v] ;
= .

:

yn
Ja que {u1 , . . . , un } e base de V, podemos escrever os vetores wi como combinacao linear dos u j , isto
e:

w1 = a11 u1 + a21 u2 + .... + an1 un

w = a u + a u + .... + a u
2 12 1 22 2 n2 n
(3.2)

:

w = a u + a u + .... + a u
n 1n 1 2n 2 nn n
Substituindo em (3.1) temos: v = y1 w1 + ... + yn wn = y1 (a11 u1 + a21 u2 + .... + an1 un ) + ... +

yn (a1n u1 + a2n u2 + .... + ann un ) = (a11 y1 + ... + a1n yn )u1 + ..... + (an1 y1 + ... + ann yn )un
Mas v = x1 u1 + .... + xn un , e como as coordenadas em relacao a uma base sao unicas, temos:
x1 = a11 y1 + a12 y2 + ... + a1n yn
x2 = a21 y1 + a22 y2 + ... + a2n yn
: : :
xn = an1 y1 + an2 y2 + ... + ann yn
Em forma matricial
x a : a1n y
1 11 1

: = : : : :

xn an1 an2 ann yn
Logo ,se usarmos a notacao

a11 : a1n

[I] = : : :

an1 an2 ann
temos a relacao

[v] = [I] [v]
3.9. Mudanca de Base 71

A matriz [I] e chamada matriz mudanca de base para a base .

Compare [I] com (3.2) e observe que esta matriz e obtida, colocando as coordenadas em relacao

a de wi na i-esima coluna. Note que uma vez obtida [I] podemos encontrar as coordenadas de
qualquer vetor v em relacao a base , multiplicando a matriz pelas coordenadas de v na base
(supostamente conhecida).
Exemplo 113 Sejam = {(2, 1), (3, 4)} e = {(1, 0), (0, 1)} bases de R2 . Procuremos inicial-

mente [I]
w1 = (1, 0) = a11 (2, 1) + a21 (3, 4) = (2a11 + 3a21 , a11 + 4a21 )
4 1
Isto implica que a11 = 11 e a21 = 11
w2 = (0, 1) = a12 (2, 1) + a22 (3, 4)

Resolvendo, a12 = 3 e a22 = 2
11 11
4 3

Portanto, [I] = 11 11
1 2
11 11
Podemos usar esta matriz para encontrar por exemplo, [v] para v = (5, 8)

4 3
5 4
[(5, 8)] = [I] [(5, 8)] = 11 11 =
1
11
2
11 8 1
Isto e, (5, 8) = 4(2, 1) 1(3, 4)
Exemplo 114 Considere as bases em R3 = {(1, 0, 1), (1, 1, 1), (1, 1, 2)} e =

{(1, 0, 0), (0, 1, 0), (0, 0, 1)}. Encontre[I] .
Seja:
(1, 0, 0) = a11 (1, 0, 1) + a21 (1, 1, 1) + a31 (1, 1, 2)
(0, 1, 0) = a12 (1, 0, 1) + a22 (1, 1, 1) + a32 (1, 1, 2)
(0, 0, 1) = a13 (1, 0, 1) + a23 (1, 1, 1) + a33 (1, 1, 2)
(a11 + a21 + a31, a21 + a31 , a11 + a21 + 2a31 ) = (1, 0, 0)
(a12 + a22 + a32, a22 + a32 , a12 + a22 + 2a32 ) = (0, 1, 0)
(a13 + a23 + a33, a23 + a33 , a13 + a23 + 2a33 ) = (0, 0, 1)
Note que cada linha acima representa um sistema de tres equacoes com tres incognitas e que a
matriz associada a cada um destes sistemas e a mesma e o que muda sao os nomes das variaveis e o
segundo membro. Utilizando como variaveis x, y e z , basta resolvermos o seguinte sistema:
72 3.10. A Inversa da Matriz de Mudanca de Base

1 1 1 x a

0 1 1 y = b

1 1 2 z c
onde a, b, c R. O sistema acima e equivalente a

1 1 1 x a

0 1 1 y = b

0 0 1 z ca
cuja solucao e dada por x = a b, y = a + b c e z = c a
Tomando (a, b, c) = (1, 0, 0),obtemos (a11 , a21 , a31 ) = (1, 1, 1)
Tomando (a, b, c) = (0, 1, 0),obtemos (a12 , a22 , a32 ) = (1, 1, 0)
Tomando (a, b, c) = (0, 0, 1),obtemos (a13 , a23 , a33 ) = (0, 1, 1). Desta forma obtemos:

1 1 0

[I] = 1 1 1

1 0 1
3.10 A Inversa da Matriz de Mudanca de Base
Se em (3.1 )comecarmos escrevendo os ui em funcao dos w j , chegaremos a relacao:

[v] = [I] [v]

Um fato importante e que as matrizes [I] e [I] sao inversveis e
( )
1
[I] = [I]

Exemplo 115 No exemplo (113 ) anterior podemos obter [I] a partir de [I]

Note que [I] e facil de ser calculada , pois e a base canonica

(2, 1) = 2(1, 0) 1(0, 1) 2 3
[I] =
(3, 4) = 3(1, 0) + 4(0, 1) 1 4
3.10. A Inversa da Matriz de Mudanca de Base 73
Entao 1
4 3
2 3
[I] = = 11 11
1 4 1
11
2
11
{ } { }
Exemplo 116 Seja V = P3 e = 2, x, x2 + 1, x3 x e = 3, x + 1, x2 , 3x3 bases de P3 .
a. Encontre [I] .
Escrevendo os elementos da base como combinacao dos elementos da base .

2 = a.3 + b(x + 1) + cx2 + d(3x3 )
x = e.3 + f(x + 1) + gx2 + h(3x3 )
x2 + 1 = i.3 + j(x + 1) + lx2 + m(3x3 )
x3 x = n.3 + o(x + 1) + px2 + q(3x3 )
Rearranjando os termos a direita de cada igualdade, temos:
2 = (3a + b) + bx + cx2 + 3dx3
x = (3e + f) + fx + gx2 + 3hx3
x2 + 1 = (3i + j) + jx + lx2 + 3mx3
x3 x = (3n + o) + ox + px2 + 3qx3
Da, comparando
ambos
os lados das igualdades, obtem-se
2
13 1 1
3 3 3

0 1 0 1
[I] =

0 0 1 0

0 0 0 13

1

2
b. Encontre [p] sabendo que [p] =
.

1

4

3 1
12 0
2 2
( )1
0 1 0

3

Devemos usar a relacao [p] = [I] [p] onde [I] = [I] =

0 0 1 0

0 0 0 3

3 1
12 0 1 3
2 2

0 1 0 3 2 10
[p] =

=

0 0 1 0 1 1

0 0 0 3 4 12
74 3.11. Terceira lista de exerccios
3.11 Terceira lista de exerccios
Exerccio 3.1 Verifique se R2 com as operacoes definidas por:
i. (x, y) + (s,t) = (s, y + t), onde u = (x, y) e v = (s,t) pertencem a R2
ii. (x, y) = ( x, y), onde R e u = (x, y) R2 .

Exerccio 3.2 Moste que R2 com as operacoes definidas por:
i. (x, y) + (s,t) = (x + s, y + t), onde u = (x, y) e v = (s,t) pertencem a R2
ii. (x, y) = ( x, y), onde R e u = (x, y) e v = (s,t) pertencem a R2 .

Exerccio 3.3 Verifique se em cada um dos itens abaixo o subconjunto W e um subespaco do espaco
vetorial V .
a) V = R3 e W = {(x, y, z) R3 : 2x + 3y z = 0}
b) V = R3 e W = {(x1 , x2 , x3 ) R3 : x1 + x2 = 1}
c) V = Pn e W = {p Pn : p(0) = p(1)}
d) V = M(2, 2) e S = {X M2 det(X) = 0} (S e o conjunto das matrizes singulares)
e) V = M(n, n) e F = {X Mn AX = XA} (F e o conjunto das matrizes que comutam com a
matriz A)
f) V = P3 e W e o conjunto dos polinomios de grau 3 que passam pelo ponto P(0, 0).
{ }
g) V = P1 e W = p(x) P1 : 01 p(x)dx = 0

x y z

h) V = R e W = (x, y, z) R : det 1 2 1 = 0
3 3

0 1 1
{ }
i) V = M22 e W = A M22 : A2 = A
Exerccio 3.4 Verifique se o conjunto W = {(1, 2, 3), (1, 3, 1), (0, 3, 1), (1, 4, 5)} R3 e L.I ou L.D.
Exerccio 3.5 Dado o conjunto W = {(1, 1, 3), (1, 2, 1), (0, 1, 3), (1, 4, 5)} R3 , extrair um subcon-
junto de vetores L.I.
Exerccio 3.6 a) Se o conjunto = {v1 , v2 , ..., vn } e um conjunto Linearmente Independente entao o

{ }
o conjunto = v1 , 0 , v2 , ..., vn e LI ou LD? Justifique sua resposta.
{}
b) Considere o subespaco N = 0 . Qual e a base e a dimensao de N.
3.11. Terceira lista de exerccios 75
Exerccio 3.7 a) Verifique se o conjunto S = {A M(3, 3); A e uma matriz anti-simetrica} e um
subespaco vetorial de M(3, 3).
a b
b) Considere o subconjunto de M2 , dado por W = M2 b = a e d = a . Veri-
c d
fique se o subconjunto W e um espaco vetorial.
Exerccio 3.8 Considere o subespaco de R4 gerado pelos vetores v1 = (1, 1, 0, 0), v2 = (0, 0, 1, 1),
v3 = (2, 2, 1, 1) e v4 = (1, 0, 0, 0).
a) O vetor (2, 3, 2, 2) [v1 , v2 , v3 , v4 ]? Justifique.
b) Exiba uma base para [v1 , v2 , v3 , v4 ]. Qual e a dimensao deste espaco?
c) [v1 , v2 , v3 , v4 ] = R4 ? Por que?
Exerccio 3.9 Considere o espaco vetorial P3 e o conjunto W = {p(x) P3 ; p (1) = 0}.

a) Verifique se W e um subespaco vetorial de P3 .
b) Obtenha os geradores de W .
Exerccio 3.10 a) Encontre as coordenadas do vetor p = 1 + t + t 2 + t 3 emrelacao base =

{ }
2, 1 + t,t + t 2 ,t 2 + t 3 de P3 .
{ }
b) O conjunto = 2,t 2 ,t + t 2 e LI ou LD? Justifique sua resposta.

1 1 0 0 0 2
Exerccio 3.11 Qual o subespaco gerado pelas matrizes , e ?
1 0 1 1 0 1
Exerccio 3.12 De um exemplo de um subespaco vetorial de P3 com dimensao 2.
Exerccio 3.13 Mostre com um exemplo que a uniao de dois subespacos vetoriais de um mesmo
espaco vetorial nao precisa ser um subespaco vetorial desse espaco.
Exerccio 3.14
Responda
se os subconjuntos abaixo sao subespacos
de M(2, 2).
a b
a) V = com a, b, c, d R e b = c e a = b
c d

a b
b) V = com a, b, c, d R e b = d
c d
Em caso afirmativo, determine:
i) uma base para W1 W2
ii) W1 +W2 e soma direta?
iii) W1 +W2 = M(2, 2)?
Exerccio 3.15 Considere os subespacos de R5 , W1 = {(x, y, z,t, w)x + z + w = 0, x + w = 0} ,
W2 = {(x, y, z,t, w)y + z + t = 0} e W3 = {(x, y, z,t, w)2x + t + 2w = 0}.
a) Determine uma base para o subespaco W1 W2 W3 .
b) Determine uma base e a dimensao de W1 +W3 .
c) W1 +W2 e soma direta? Justifique.
d) W1 +W2 = R5 ?
Exerccio 3.16 Considere os seguintes subespacos de P3 :
{
}
U = p P3 : p (1) = 0
{
}
e W = p P3 : p (1) = 0
Determine dim(U +W ) e dim(U W ).
Exerccio 3.17 Considere o subespaco W de P3 que e gerado pelos polinomios p1 (x) = 1 + 2x + x2 ,

p2 (x) = 1 + 2x2 + 3x3 e p3 (x) = 1 + 4x + 8x2 + 9x3 e o subespaco de P3, U = {p P3 : p(0) = 0}
a) Determine uma base e a dimensao de W .
b) Determine uma base para U W .
c) Determine uma base para U +W .
Exerccio 3.18 Sejam U = [(1, 0, 0), (1, 1, 1)] e V = [(0, 1, 0), (0, 0, 1)] subespacos gerados do R3 .
Determine:
a) uma base e a dimensao de U W .
b) U +W = R3 ?
Exerccio 3.19 Considere o seguinte subespaco de M(2, 2)

a b
S= M(2, 2) : a + b = c + d = 0
c d
a) Determine uma base e indique a dimensao de S.

b) Construa uma base de M(2, 2) que contenha a base de S obtida no tem a).
Exerccio
3.20 Determine a dimensao e encontre uma base do espaco-solucao do sistema

x 3y + z = 0

2x 6y + 2z = 0

3x 9y + 3z = 0
Exerccio 3.21 Sejam U e W subespacos de R4 de dimensao 2 e 3, respectivamente. Mostre que a
dimensao de U W e pelo menos 1. O que ocorre se a dimensao de U W for 2 ? Pode ser 3?
Justifique sua resposta.
Exerccio 3.22 O conjunto A = {(1, 0, 2), (a2 , a, 0), (1, 0, a)} e uma base para um subespaco do R3
de dimensao 2, se e somente se, a = 2.

x + y + az = 0
Exerccio 3.23 Seja S = {X M31 : AX = 0} o espaco solucao do sistema x + ay + z = 0 . De-

ax + y + z = 0
termine os valores de a para os quais S seja: a propria origem; uma reta que passa pela origem; e,
um plano que passa pela origem.

Exerccio 3.24 Sejam = {(1, 0), (0, 1)}, 1 = {(1, 1), (1, 1)}, 2 = { 3, 1), ( 3, 1)} e 3 =
{(2, 0), (0, 2)} bases ordenadas de R2 .
a) Encontre a matriz mudanca de base:

i. [I]1 ii. [I] iii. [I] iv. [I]
1 2 3
b) Quais sao as coordenadas do vetor v = (3, 2) em relacao a base

i. ii. 1 iii. 2 iv. 3
4
c) As coordenadas de um vetor u em relacao a base 1 sao dadas por [u]1 = . Quais as
0
coordenadas do vetor u em relacao a base: i. ii. 2 iii. 3
{ }
Exerccio 3.25 Sejam P4 = p = a0 + a1 x + a2 x2 + a3 x3 + a4 x4 a0 , a1 , a2 , a3 , a4 R , =
{ } { }
1, x, x2 , x3 , x4 e = 2, 2x, 4x2 , 8x3 , 16x4 .
a) Determine [I] .

1

2

b) Se [p] = 3 , determinar [p] .

4

5
c) Determine o polinomio p cujas coordenadas sao dadas no item b) acima.

a b
Exerccio 3.26 Considere o seguinte subespaco de M2 : W = d = 0 . Sejam
c d

1 1 1 1 1 1
= , ,
1 0 1 0 11 0

1 0 1 1 1 0
= , ,
1 0 0 0 0 0
a) Detemine [I] .

b) Se [v] = e , determine [v] .

0
Exerccio 3.27 Sejam e bases de R3 . Determine a base sabendo que =

{(1, 1, 0), (0, 1, 0), (0, 0, 1)} e a matriz mudanca de base de para e

1 0 0

[I] = 0 2 1

1 1 1

1 1 0 1 2 1
Exerccio 3.28 Seja = , , uma base para um subespaco de M22
0 0 1 0 2 0

1 0 1

e [I] = 1 1 1 onde e tambem uma base para um subespaco de M22

2 1 2
.
a) Determinea base
1

b) Se [v] = 2 , determine [v] .

1
Exerccio 3.29 Seja E um espaco vetorial qualquer e = {u1 , u2 , u3 } uma base de E. Considere
ainda os vetores v1 = u1 + u2 , v2 = 2u1 + u2 u3 e v3 = u2 .
a) Determine a matriz S de mudanca da base = {v1 , v2 , v3 } para a base = {u1 , u2 , u3 }.
b) Calcule as coordenadas do vetor w = v1 + v2 v3 na base {u1 , u2 , u3 }.
Exerccio 3.30 Sejam e bases de um espaco vetorial V .

( )
a) Mostre que det [I] [I] = 1.
b) Determine [I] .
Exerccio 3.31 Verifique se as afirmacoes abaixo sao VERDADEIRAS ou FALSAS. Se forem ver-
dadeiras, demonstre. Se forem falsas, de um contra-exemplo.
a) A intersecao de dois subespacos vetoriais nunca e vazia.

1 2 1 1 0 0 0 2
b) A matriz pertence ao subespaco W = , , .
0 3 1 0 1 1 0 1

b) Se os vetores u , v e w sao LI entao os vetores u v , v w e u w sao LI s.
c) W = [(1, 2, 0), (2, 4, 0)] e um plano no R3 que passa pela origem.
d) Se = {
v 1,

v 2,

v 3 } e uma base de um espaco vetorial V , entao o conjunto A = {

v1+
v 3,

v 1 +

v 2,

v 1 +v 2 +v 3 } e lineramente independente.
e) O subespaco W = {p P3 : p (1) = 0 e p (1) = 0} e gerado pelos polinomios p1 = 1 e
p2 = 9x + 3x2 + x3 .
3.1 - Nao e espaco vetorial

3.3 - a) Sim. Uma base e = {(1, 0, 2), (0, 1, 3)}.
b) Nao
c) Sim. Uma base e = {1,t,t 2 , ,t n }.
d) Nao
e) Sim
f) Sim. Uma base e = {t,t 2 ,t 3 }.
g) Sim. Uma base e = {1 2x}.
h) Sim. Uma base e = {(1, 1, 0), (0, 1, 1)}.
i) Nao
3.4 - L.D.
3.5 - Um dos subconjuntos e W1 = {(1, 1, 3), (1, 2, 1), (0, 1, 3)}.
3.7 - a) Sim b) Sim
3.8 - a) Sim
b) Uma base e = {(1, 1, 0, 0), (0, 0, 1, 1), (1, 0, 0, 0)} e dimW = 3.
c) Nao
3.9 - a) Sim
b) W = [x3 3x2 , x, 1]

0

1
3.10 - a) [p] =

0

1
b) L.I.
a b
3.11 - W = M2 : a + b 2c + 2d = 0
c d
3.12 - P1
3.14 - a) Sim b) Sim

1 1
i) uma base e =
1 1
ii) Nao iii) Sim
3.15 - a) = {(1, 0, 0, 0, 1)}
b) = {(1, 0, 0, 0, 1), (0, 0, 0, 1, 0), (0, 1, 0, 0, 0), (0, 0, 1, 0, 0), (0, 0, 0, 2, 1)}
c) Nao
d) Nao
3.16 - dim(U +W ) = 4 e dim(U W ) = 2
3.17 - a) Uma base e = {p1 , p2 } e dim(W ) = 2.
b) Uma base e = {2x + 3x2 + 3x3 }.
c) Uma base e = {1, x, x2 , x3 }.
3.18 - a) Uma base e = {(0, 1, 1)} e dim(U W ) = 1.
b) Sim. Porque?
1 1 0 0
3.19 - a) Uma base e = , e dim(S) = 2.
0 0 1 1

1 1 0 0 0 0 0 1
b) Um exemplo e = , , ,
0 0 1 1 1 0 0 0

1
3

3.20 - Uma base e = 1 , 0 e dim(W ) = 2.

0

1
3.23 - Para a = 1, a = 2, S = (0, 0, 0). Para a = 2, S = [(1, 1, 1)], uma reta passando pela
origem; e para a = 1, S =[(1, 1, 0),
(1, 0, 1)], um
plano passando
pela origem.

1 1 12 1 1 1
3.24 - a) i) [I]1 = ii) [I] = 2 iii) [I] = 6 2 iv) [I] =

21
1 1 1 2 1 3
1 1
2 2 6
1
0
2
1
0 2

3 5
1 3
b) i) [v] = ii) [v] = 2 iii) [v] = 2 iv) [v] = 2
1 2 3
2 1 3
1
2 2
4 4
2
c) i) ii) 3 iii) [v] =
2

4 3 8
2

1
0 0 0 0
2

0 12 0 0 0

3.25 - a) [I] = 0 0 4 0 0
1

0 0 0 18 0

1
0 0 0 0 16

1
2

1

b) [v] = 34

1
2

5
16
c) p(x) = 1 + 2x+ 3x2 + 4x3 + 5x4
1 1 11

3.26 - a) [I] = 1 1 1

1 1 11

11
+ e
2 12

b) [v] =
2
e
12
3.27 - = {(1, 2,
2), (0, 1,
1), (0, 1,2)}

5 3 3 3 3 1
3.28 - a) = 4 2 4 2 4
, , 2
1
0 1
12 0
2 2 0
0

b) [v] = 3

1

1 2 0

3.29 - a) [I] = 1 1 1

0 1 0

3

b) [w] = 3

1
3.31 - a) V b) V c) F d) F e) V f) V
Captulo 4
TRANSFORMACOES LINEARES
Definicao 4.1 Sejam V e W dois espacos vetoriais. Uma Transformacao Linear (aplicacao linear) e
uma funcao de V em W, T : V W, que satisfaz as seguintes condicoes:
Qualquer que sejam u e v em V ,
T (u + v) = T (u) + T (v)
Qualquer que sejam k R e v em V ,
T (kv) = kT (v)
Exemplo 117 Um agricultor planta e comercializa tres tipos de verduras: Tomate, Batata, Cenoura.
Sejam x1 , x2 , x3 as quantidades em quilos de Tomate, Batata, Cenoura respectivamente. Se o agricul-
tor vende o quilo do tomate a R$3, 50,da batata a R$2, 20 e da cenoura a R$2, 90 entao o total de
vendas (TV ) e dado por 3, 5x1 + 2, 2x2 + 2, 9x3 . A aplicacao que a cada tripla (x1 , x2 , x3 ) R3 associa
o total de vendas TV (x1 , x2 , x3 ) e uma aplicacao linear. Matematicamente temos uma transformacao
linear do EV R3 no EV R :
TV : R3 R
TV (x1 , x2 , x3 ) = 3, 5x1 + 2, 2x2 + 2, 9x3
Vamos agora mostrar que de fato esta aplicacao e uma transformacao linear.
84 Captulo 4. TRANSFORMACOES LINEARES
Chamando u = (x1 , x2 , x3 ) R3 , v = (y1 , y2 , y3 ) R3 e k R temos:
TV (u + v) = TV ((x1 , x2 , x3 ) + (y1 , y2 , y3 ))
= TV (x1 + y1 , x2 + y2 , x3 + y3 )
= 2(x1 + y1 ) + 1, 5(x2 + y2 ) + 1, 9(x3 + y3 )
= 2x1 + 1, 5x2 + 1, 9x3 + 2y1 + 1, 5y2 + 1, 9y3
i) = (2x1 + 1, 5x2 + 1, 9x3 ) + (2y1 + 1, 5y2 + 1, 9y3 )
TV (u) = T (x1 , x2 , x3 ) = 2x1 + 1, 5x2 + 1, 9x3

TV (v) = T (y1 , y2 , y3 ) = 2y1 + 1, 5y2 + 1, 9y3
TV (u) + TV (v) = (2x1 + 1, 5x2 + 1, 9x3 ) + (2y1 + 1, 5y2 + 1, 9y3 )
Logo TV (u + v) = TV (u) + TV (v).
TV (ku) = TV (k(x1 , x2 , x3 ))
= TV (kx1 , kx2 , kx3 )
ii) = 2kx1 + 1, 5kx2 + 1, 9kx3
= k (2x1 + 1, 5x2 + 1, 9x3 )
= kT (u)
Logo TV (ku) = kTV (u). De i) e ii) vemos que TV e uma transformacao linear.
Exemplo 118 Sejam V = R, W = R e F : R R dado F(u) = u2 . A aplicacao F nao e uma

transformacao linear pois:
F(u + v) = (u + v)2 = u2 + 2uv + v2

F(u) + F(v) = u2 + v2
F(u + v) = F(u) + F(v)
Exemplo 119 T : R2 R3 , T (x, y) = (2x, 0, x + y). T e uma transformacao linear pois,
T (u + v) = T ((x1 , y1 ) + (x2 , y2 ))
= T (x1 + x2 , y1 + y2 )
= (2(x1 + x2 ), 0, (x1 + x2 ) + (y1 + y2 ))
i)
= (2x1 + 2x2 , 0 + 0, (x1 + y1 ) + (x2 + y2 ))
= (2x1 , 0, x1 + y1 ) + (2x2 , 0, x2 + y2 )
= T (u) + T (v)
Captulo 4. TRANSFORMACOES LINEARES 85
(ii)T (ku) = T (k(x1 , y1 ))

= T (kx1 , ky1 )
ii) = (2kx1 , 0, kx1 + ky1 )
= k (2x1 , 0, x1 + y1 )
kT (u)
Portanto T e uma transformacao linear.
Exemplo 120 V = W = Pn e
D : Pn Pn1
D( f ) = f
a aplicacao derivada que a cada polinomio associa sua derivada, a qual tambem e um polinomio e
uma aplicacao linear. De fato, para quaisquer f , g Pn e k R,
D( f + g) = ( f + g)
i) = f + g
= D( f ) + D(g)
D(k f ) = (k f )
ii) = kf
= kD( f )
Exemplo 121 V = Pn ,W = Pn+1 , p(x) = a0 + a1 x + a2 x2 + . . . + an xn
T : Pn Pn+1
T (p(x)) = xp(x) = a0 x + a1 x2 + a2 x3 + . . . + an xn+1
A aplicacao T e uma transformacao linear pois
T (p + q) = x(p + q)(x) = x(p(x) + q(x)) = xp(x) + xq(x) = T (p) + T (q)
T (kp) = x(kp)(x) = xkp(x) = kxp(x) = kT (p)

86 Captulo 4. TRANSFORMACOES LINEARES
Exemplo 122 V = W = Pn , p(x) = a0 + a1 x + a2 x2 + . . . + an xn , a, b R e
T : Pn Pn
T (p(x)) = p(ax + b) = a0 + a1 (ax + b) + a2 (ax + b)2 + . . . + an (ax + b)n
Esta aplicacao tambem e linear pois,
T (p + q) = (p + q)(ax + b) = p(ax + b) + q(ax + b) = T (p) + T (q)
T (kp) = (kp)(ax + b) = kp(ax + b) = kT (p)
Exemplo 123 Uma transformacao linear inportante e aquela que se obtem usando-se o produto es-
calar. Seja Rn com o produto escalar usual ., . e v0 Rn um vetor qualquer fixado. Seja,
T : Rn R
T (v) = v, v0
T e uma aplicacao linear (mostre isso, use as propriedades do produto escalar)
Exemplo 124 Sejam C(R) = { f : R R / f e contnua} . Considere
J : C(R) R
J( f ) = f (0)
Por exemplo se f (t) = t 2 entao J( f ) = f (0) = 02 = 0. J e uma aplicacao linear pois, se f , g C(R)
e k R entao
J( f + g) = ( f + g)(0) = f (0) + g(0) = J( f ) + J(g)
J(k f ) = (k f ) (0) = k f (0) = kJ( f )
Exemplo 125 Seja,
M2 M2
T :

a b a+b b+c
T =
c d c+d d +a
Esta aplicacao e uma transformacao linear, pois

Captulo 4. TRANSFORMACOES LINEARES 87

a1 b1 a2 b2 a1 + a2 b1 + b2
T + = T
c1 d1 c2 d2 c1 + c2 d1 + d2

a1 + a2 + b1 + b2 b1 + b2 + c1 + c2
=
c1 + c2 + d1 + d2 d1 + d2 + a1 + a2

a1 + b1 b1 + c1 a2 + b2 b2 + c2
= +
c1 + d1 d1 + a1 c2 + d2 d2 + a2

a1 b1 a2 b2
= T + T
c1 d1 c2 d2

a b ka kb
T k = T
c d kc kd

ka + kb kb + kc
=
kc + kd kd + ka

a+b b+c
= k
c+d d +a

a b
= kT
c d
Exemplo 126 Seja,
T : Mn R
T (A) = det(A)
Esta aplicacao nao e uma transformacao linear, pois, em geral det(A1 + A2 ) = det(A1 ) + det(A2 )
Exemplo 127 Verificar se a aplicacao F : R3 R2 definida por F(x, y, z) = (z, x + y) e linear.
Exemplo 128 Verificar se a aplicacao F : R2 R2 definida por F(x, y) = (x2 + y2 , x) e linear.

88 4.1. Propriedades das Transformacoes Lineares
4.1 Propriedades das Transformacoes Lineares
Teorema 4.1 Dados dois espacos vetoriais reais V e W e uma base de = {v1 , , vn } de V. Sejam
w1 , , wn elementos arbitrarios de W . Entao existe uma unica aplicacao linear T : V W tal que
T (v1 ) = w1 , , T (vn ) = wn . Esta aplicacao e dada por: Se v = a1 v1 + + an vn , entao
T (v) = T (a1 v1 + + an vn ), como T e linear
T (v) = a1 T (v1 ) + an T (vn )
T (v) = a1 w1 + an wn
a1 , a2,..., an devem ser determinados.
Exemplo 129 Qual a transformacao linear T : R2 R3 tal que T (1, 0) = (2, 1, 0) e T (1, 1) =
(0, 0, 1)?
Temos neste caso v1 = (1, 0) e v2 = (1, 1) base de R2 e w1 = (2, 1, 0) e w2 = (0, 0, 1). Dado
v = (x, y) arbitrario,
(x, y) = a(1, 0) + b(1, 1)
(x, y) = (x y)(1, 0) + y(1, 1)
T (x, y) = T ((x y)(1, 0) + y(1, 1))
T (x, y) = (x y)T (1, 0) + yT (1, 1)
T (x, y) = (x y)(2, 1, 0) + y(0, 0, 1)
T (x, y) = (2x 2y, x + y, y)
Exemplo 130 Qual a transformacao linear T : M2 P4 tal que

1 0
T = x4 + x
0 0

0 1
T = x3 + x2
0 0
4.1. Propriedades das Transformacoes Lineares 89

0 0
T = x2 + x3
1 0

0 0
T = x + x4
0 1

a b
Uma matriz A M2 e da forma A = . Podemos escrever:
c d

a b 1 0 0 1 0 0 0 0
= a +b +c +d , portanto
c d 0 0 0 0 1 0 0 1

a b 1 0 0 1 0 0 0 0
T = T a +b +c +d
c d 0 0 0 0 1 0 0 1

1 0 0 1 0 0 0 0
= aT + bT + cT + dT
0 0 0 0 1 0 0 1

a b ( ) ( ) ( ) ( )
T = a x4 + x + b x3 + x2 + c x2 + x3 + d x + x4
c d

a b
T = (a + d)x + (b + c)x2 + (b + c)x3 + (a + d)x4
c d
Definicao 4.2 Seja T : V W uma transformacao linear. A imagem de T e o conjunto de vetores

w W tais que existe um vetor v V , que satisfaz T (v) = w. Ou seja
Im(T ) = {w W / T (v) = w para algum v V }
Observacao 8 Note que Im(T ) e um subconjunto de W e, alem disso, e um subespaco vetorial de W.
Exemplo 131 Seja T : R2 R2 a transformacao linear dada por T (x, y) = (2x y, 10x + y). Qual
dos vetores abaixo pertence a imagem de T
a) u = (1, 2)
b) w = (1, 2)
a) Para que u Im(T ) deve existir algum v = (x, y) tal que T (v) = u, ou seja, T (x, y) = (1, 2);
temos entao:
T (x, y) = (1, 2)
(2x y, 10x + y) = (1, 2)

2x y = 1
10x + y = 2
Resolvendo o sistema temos x = 38 e y = 74 , logo u pertence a imagem de T pois T ( 83 , 74 ) = u.

b) Analogamente deve existir algum v = (x, y) tal que T (v) = w, ou seja
T (x, y) = (1, 2)
(2x y, 10x + y) = (1, 2)

2x y = 1
10x + y = 2
Resolvendo o sistema temos x = 18 e y = 3

4 logo w pertence a imagem de T pois T ( 18 , 34 ) = w
Exemplo 132 Determine a imagem da transformacao linear T : R3 R3 , T (x, y, z) = (2x y z, x

y z, x + y z).
Se w Im(T ) entao w = T (x, y, z), ou seja,
w = (2x y z, x y z, x + y z)
= x(2, 1, 1) + y(1, 1, 1) + z(1, 1, 1)
Logo todo vetor que pertence a imagem de T e gerado pelos vetores w1 = (2, 1, 1), w2 = (1, 1, 1)
e w3 = (1, 1, 1). Podemos entao escrever que Im(T ) = [(2, 1, 1), (1, 1, 1), (1, 1, 1)] .
Como o conjunto = {(2, 1, 1), (1, 1, 1), (1, 1, 1)} e LI (verifique isto) temos que e
uma base para a Im(T ), mas e base para R3 , logo concluimos que Im(T ) = R3 .
Definicao 4.3 Seja T : V W, uma transformacao linear. O conjunto de todos os vetores v V tais

que T (v) = 0 e chamado nucleo de T , sendo denotado por Ker(T ). Isto e,
{ }

Ker(T ) = v V T (v) = 0
Observacao 9 Observe que Ker(T ) V e um subconjunto de V e, ainda mais, e um subespaco

vetorial de V. Alguns autores denotam o nucleo de T por N(T ).

Exemplo 133 Seja T : V W , dada por T (v) = 0 . Neste caso todo vetor de V e levado no vetor
nulo pela transformacao T, assim temos que Ker(T ) = V
Exemplo 134 Seja T : R3 R3 a projecao ortogonal sobre o plano xy. Neste caso temos T (x, y, z) =
(x, y, 0). Se T (x, y, z) = (0, 0, 0) (x, y, z) = (0, 0, 0) x = 0 e y = 0. Como nada e dito sobre a
{ }
variavel z, temos que z e qualquer, logo Ker(T ) = (0, 0, z) R3 z R , ou seja o nucleo de T
sao todos os vetores que estao sobre o eixo z.
Figura 4.1: Projecao Ortogonal - (134)
Exemplo 135 Encontre o nucleo da transformacao linear:
T : R4 R3
T (x, y, z,t) = (x + y + z t, 2x + z t, 2y t)
Devemos encontrar os vetores v = (x, y, z,t) R4 tais que T (v) = T (x, y, z,t) = (0, 0, 0). Neste
caso temos que resolver o sistema homogeneo:

x+y+zt = 0

2x + z t = 0

2y t = 0
A
matriz ampliada do sistema
e:
.. ..
1 1 1 1 . 0 1 1 1 1 . 0

.. ..
2 0 1 1 . 0 0 2 1 1 . 0

. .
0 2 0 1 .. 0 0 0 1 0 .. 0
pa = pc = 3 e p = 3 < n = 4 logo o sistema e compatvel e indeterminado com grau de liberdade
1.
Logo,

x+y+zt = 0

2y z + t = 0

z = 0
o que nos fornece, x = y, z = 0 e t = 2y.

{ }
Portanto Ker(T ) = (y, y, 0, 2y) R4 y R = [(1, 1, 0, 2)]
Exemplo 136 Seja T : R3 R3 a transformacao linear que e a projecao ortogonal sobre a reta cujas

x = 2t
equacoes parametricas sao: y = 2t . Encontre o Nucleo de T.

z=t
Projetar um vetor sobre uma reta e o mesmo que encontrar a projecao ortogonal sobre o vetor
diretor dessa mesma reta. No nosso caso, o vetor diretor e u = (2, 2, 1), logo
( v.u )
T (v) = pro ju v = u
( u.u )
(x, y, z).(2, 2, 1)
T (x, y, z) = (2, 2, 1)
(2, 2, 1).(2, 2, 1)
( )
2x 2y + z
T (x, y, z) = (2, 2, 1)
9
( )
4x 4y + 2z 4x + 4y 2z 2x 2y + z
T (x, y, z) = , ,
9 9 9
Para encontrar o nucleo devemos ter,
( )
4x 4y + 2z 4x + 4y 2z 2x 2y + z
T (x, y, z) = , , = (0, 0, 0)
9 9 9
4x 4y + 2z = 0
4x + 4y 2z = 0
2x 2y + z = 0

4 4 2 4 4 2

4 4 2 , fazendo o escalonamento temos 0 0 0 , assim

2 2 1 0 0 0
4x 4y + 2z = 0
0 = 0
0 = 0
2z = 4x + 4y
z = 2x + 2y
{ }
Portanto Ker(T ) = (x, y, 2x + 2y) R3 x, y R = [(1, 0, 2), (0, 1, 2)]
Exemplo 137 Seja F : R3 R2 a transformacao linear dada por F(x, y, z) = (x + y, 2x y + z). Dar
uma base e a dimensao de ker(F).
Definicao 4.4 Dada uma aplicacao T : V W , diremos que T e injetora se dados u, v V com
T (u) = T (v) tivermos u = v. Ou equivalentemente, T e injetora se dados u, v V com u = v, entao
T (u) = T (v).
Definicao 4.5 Uma aplicacao T : V W sera sobrejetora se a imagem de T coincidir com W, ou

seja, T (V ) = W.
Observacao 10 Da definicao acima vemos que uma funcao sera sobrejetora se dado w W , existir
v V tal que T (v) = w.
Teorema 4.2 Seja T : V W , uma aplicacao linear. entao ker(T ) = {0} , se e somente se T e
injetora.
Proof. a) Vamos mostrar que se T e injetora, entao ker(T ) = {0}
Seja v Ker(T ) T (v) = 0. Por outro lado, como T e linear tem-se que T (0) = 0. Logo,
T (v) = T (0). Como por hipotese T e injetora entao v = 0. Portanto, o vetor nulo e o unico elemento
do nucleo, isto e, ker(T ) = {0}.
b) Vamos mostrar que se ker(T ) = {0}, entao T e injetora.
Sejam v1 , v2 V tais que T (v1 ) = T (v2 ). Entao T (v1 ) T (v2 ) = 0 ou T (v1 v2 ) = 0 e, portanto,
v1 v2 ker(T ). Mas por hipotese, o unico elemento do nucleo e o vetor nulo, logo v1 v2 = 0 e
portanto v1 = v2 . Como T (v1 ) = T (v2 ) v1 = v2 , T e injetora.
Teorema 4.3 Seja T : V W , uma aplicacao linear. Entao
dim Ker(T ) + dim Im(T ) = dimV
Corolario 4.1 Se dimV = dimW , entao a transformacao linear T : V W e injetora se e somente

se T e sobrejetora.
94 4.2. Transformacoes Lineares e Matrizes
Corolario 4.2 Seja T : V W , uma aplicacao linear injetora. Se dimV = dimW , entao T leva base
em base.
Exemplo 138 Seja T : Pn Pn+1 , dada por T (p(x)) = xp(x).Verifique se T e bijetora.

Devemos verificar se T e injetora e sobrejetora ao mesmo tempo. Usando o teorema (4.2) deve-
mos apenas calcular o nucleo de T :
T (p(x)) = xp(x)
T (a0 + a1 x + . . . + an xn ) = x(a0 + a1 x + . . . + an xn )
T (a0 + a1 x + . . . + an xn ) = (a0 x + a1 x2 + . . . + an xn+1 )
Se
T (p(x)) = 0
a0 x + a1 x2 + . . . + an xn+1 = 0 = 0 + 0x + 0x2 + . . . + 0xn+1
{
}
logo a0 = a1 = . . . = an = 0 p(x) = 0 (p(x) e o polinomio nulo) Ker(T ) = 0 (observe que
neste caso o vetor nulo de Pn e o polinomio nulo de grau n). Portanto T e injetora.
Como dim Pn = n + 1, dim Pn+1 = n + 2 e dim Ker(T ) = 0, temos que
dim Ker(T ) + dim Im(T ) = n + 1
0 + dim Im(T ) = n + 1
dim Im(T ) = n + 1
Note que dim Im(T ) = n + 1 = n + 2 = dim Pn+1 Im(T ) = Pn+1 . Portanto T nao e sobrejetora
e assim T nao e bijetora.
4.2 Transformacoes Lineares e Matrizes
4.2.1 Transformacao linear associada a uma matriz
Seja A uma matriz m n. Associada a matriz A definimos a transformacao linear:

4.2. Transformacoes Lineares e Matrizes 95
LA : Rn Rm
v A.v
onde v e tomado como vetor coluna,

x
1
..
v= .

xn
LA (v) = A.v

a11 a1n x
1
. . .
LA (v) = .. . . . .. ..

am1 amn xn

x1 a11 x1 + a1n xn

.. ..
LA . = .

xn am1 x1 + + amn xn
Das propriedades de operacoes de matrizes:
LA (u + v) = A.(u + v) = A.u + A.v = LA (u) + LA (v)
LA (ku) = A.(ku) = kA.u = kLA (u)
e portanto LA e uma transformacao linear.

1 1 1 1

Exemplo 139 Seja A = 2 0 1 1

0 2 0 1
Observe que a matriz A tem ordem 3 4 e portanto ela induzira uma transformacao linear de R4
para R3 , definida por:
LA : R4 R3

x x
1 1 1 1
y

y
LA
= 2 0 1 1
z z

0 2 0 1
t t

x+y+zt

= 2x + z t

2y t
Note que a transformacao acima esta escrita em forma matricial, mas podemos escreve-la tambem
na forma vetorial que estamos acostumados:
LA (x, y, z,t) = (x + y + z t, 2x + z t, 2y t)
Surpresa!! Esta e a mesma transformacao do exemplo (135)
Exemplo 140 Dada a transformacao linear:
T : R3 R2
T (x, y, z) = (10x 20y 30z, x 2y 3z)
Encontre a matriz da transformacao T (Isto e, encontre a matriz A cuja transformacao associada a

ela e exatamente a transformacao T )
Passando da forma vetorial para a forma matricial temos:

x
10x 20y 30z

T y =
x 2y 3z
z

x
10 20 30

= y
1 2 3
z
Portanto a matriz de T, que denotaremos por [T ] e

10 20 30
[T ] =
1 2 3
Observacao 11 Ao obtermos a transformacao associada a uma matriz A (ou, caso contrario, a

matriz de uma transformacao T ), nao mencionamos as bases dos espacos envolvidos. De fato, ao
obtermos a matriz de uma transformacao estamos levando em conta as bases associadas aos espacos
Rn e Rm mas neste caso em particular estamos considerando as bases canonicas. Isto ficara claro na
exposicao a seguir.
De um modo geral, fixadas as bases = {v1 , v2 , , vn } e = {w1 , w2 , , wm } , a matriz

a a1n
11
. .
Amn = .. . . . ..

am1 amn
podemos associar
TA : Rn Rm
v TA (v)
da seguinte maneira: Seja

x
1
..
X = [v] = .

xn

a11 a1n x y1
1
.. . . .. .. ..
A.X = . . . . = .

am1 amn xn ym
entao
TA (v) = y1 w1 + + ym wm
onde yi = Ai .X e Ai e a i-esima linha de A.

Em geral, dada uma matriz Amn , ela e encarada como uma aplicacao linear TA : Rn Rm em
relacao as bases canonica de Rn e Rm .
4.2.2 Matriz de uma transformacao linear
Agora iremos encontrar a matriz associada a uma transformacao linear. Seja T : V W linear,
= {v1 , , vn } base de V e = {w1 , , wm } base de W. Entao T (v1 ), . . . , T (vn ) sao vetores de W
e portanto
T (v1 ) = a11 w1 + + am1 wm
.. .. ..
. . .
T (vn ) a1n w1 + + amn wm

A transposta da matriz dos coeficientes deste sistema, denotada por [T ] e chamada matriz de T
em relacao as bases e :
a11 a1n

.. ..
[T ] = . .

am1 amn

a11 a1n

.. ..
Observacao 12 Note que se A = [T ] .= . a transformacao linear T passa a ser

am1 amn
a transformacao linear associada a matriz A e bases e , isto e, T = TA .
Exemplo 141 Seja T : R3 R2 tal que T (x, y, z) = (2x + y z, 3x 2y + 4z).

Sejam = {(1, 1, 1), (1, 1, 0), (1, 0, 0)} e = {(1, 3), (1, 4)} .

Procuremos [T ]
T (x, y, z) = (2x + y z, 3x 2y + 4z)
T (1, 1, 1) = (2, 5) = a(1, 3) + b(1, 4)
T (1, 1, 0) = (3, 1) = c(1, 3) + d(1, 4)
T (1, 0, 0) = (2, 3) = e(1, 3) + f (1, 4)
Portanto temos os sistemas:

a+b = 2 c+d = 3 e+ f = 2
, ,
3a + 4b = 5 3c + 4d = 1 3e + 4 f = 3
Resolvendo os sistemas temos:
[ ]
a = 3 , b = 1 , c = 11 , d = 8 , e = 5 , f = 3

3 11 5
[T ] =
1 8 3
Teorema 4.4 Sejam V e W espacos vetoriais, base de V , base de W e T : V W uma aplicacao

linear. Entao, para todo v V vale:
[T (v)] = [T ] [v]

Definicao 4.6 Dada uma base e tranformacao linear T : V V denotaremos a matriz [T ] apenas
por [T ] e ela sera chamada de matriz de T em relacao a base .
Definicao 4.7 Seja T : Rn Rn uma transformacao linear e a base canonica de Rn , entao a matriz
de T em relacao a base canonica , [T ] , sera denotada simplesmente por [T ] .
Exemplo 142 Seja T : P2 P2 definido por T (p(x)) = p(3x5). Determine a matriz de T em relacao
{ }
a base = 1, x, x2

Devemos calcular [T ] = [T ]
T (p) = p(3x 5)
T (a0 + a1 x + a2 x2 ) = a0 + a1 (3x 5) + a2 (3x 5)2
T (a0 + a1 x + a2 x2 ) = a0 + 3a1 x 5a1 + a2 (9x2 30x + 25)
T (a0 + a1 x + a2 x2 ) = (a0 5a1 + 25a2 ) + (3a1 30a2 )x + 9a2 x2
T (1) = T (1 + 0x + 0x2 ) = 1 = 1 + 0x + 0x2
T (x) = T (0 + 1x + 0x2 ) = 5 + 3x = 5 + 3x + 0x2
T (x2 ) = T (0 + 0x + 1x2 ) = 25 30x + 9x2

1 5 25

[T ] = 0 3 30

0 0 9
Exemplo 143 Seja T : R3 R3 dada por T (x, y, z) = (2x 3y 2z, x y z, 2x y + z) e sejam

= {(1, 0, 0), (1, 1, 0), (1, 1, 1)} e = {(1, 1, 0), (1, 0, 1), (0, 1, 1)} bases do R3
a) Determine [T ] , [T ]

1

b) Se [v] = 1 determine [T (v)] .

1
c) Calcule a multiplicacao das matrizes: [T ] [T ] . Que conclusao voce pode tirar em relacao
as duas matrizes, ou que relacao ha entre as duas matrizes?
a) Calculo de [T ]
T (x, y, z) = (2x 3y 2z, x y z, 2x y + z)
( )
T (1, 0, 0) = = a1 (1, 1, 0) + b1 (1, 0, 1) + c1 (0, 1, 1)
2, 1, 2
( )
T (1, 1, 0) = 1, 0, 1 = a2 (1, 1, 0) + b2 (1, 0, 1) + c2 (0, 1, 1)
( )
T (1, 1, 1) = 3, 1, 2 = a3 (1, 1, 0) + b3 (1, 0, 1) + c3 (0, 1, 1)
Devemos resolver os tres sistemas resultantes: Denotando por A a matriz dos coeficientes do
sistema,temos:

1 1 0 12 12 12

A = 1 0 1 A1 = 12 12 12

0 1 1 1
2 2 2
1 1
Vamos
resolveros sistemas
por matriz inversa:

a 2 2 2
1 1 1
2 1
1 2 2

b1 = A1 1 = 12 12 12 1 = 32

c1 2 1
2 2 2
1 1
2 21

a2 1 12 12 1
1 1
2
1
b2 = A 0 = 12 1
12 0 = 0
2
2 2 12 1
1 1
c2 1 1

a 3 12 12 1
3 3
3 2
1
b3 = A 1 = 12 1
12 1 = 0
2
c3 2 1
2 12 12 2 2
Logo
12 1 3

[T ] = 32 0 0

12 1 2
Agora voce ja esta em condicoes de calcular [T ] . Faca esse calculo como exerccio
b) Vamos usar a relacao [T (v)] = [T ] [v]
[T (v)] = [T ] [v]

1 1 3 1
2

[T (v)] = 32 0 0 1

12 1 2 1

7
2

[T (v)] = 32

72
c) Faca voce este item.
Teorema 4.5 Seja T : V W uma transformacao linear e e bases de V e W, respectivamente.

Entao
dim Im(T ) = posto de [T ]
dim Ker(T ) = nulidade de [T ] = numero de colunas de [T ] posto [T ]

p (0) 2p(1)
Exemplo 144 Seja T : P2 M(2, 2) definida por T (p(x)) = onde p e a derivada de

0 p (3)

1 1 0 1 0 0 1 0 { }
p. Sejam . = , , , uma base para M(2, 2) e = 1, x, x2 base
0 0 0 0 1 1 0 1
para P2 .

a) Determine [T ] .
b) Determine uma base para N(T ).
c) Determine uma base para Im(T ).
d) T e injetora? E sobrejetora? Justifique.

a) Note que

b 2a + 2b + 2c
T (a + bx + cx2 ) =
0 2c

Determinando [T ] :

0 2 1 1 0 1 0 0 1 0
T (1) = = a +b +c +d
0 0 0 0 0 0 1 1 0 1

1 2 1 1 0 1 0 0 1 0
T (x) = = e + f +g +h
0 0 0 0 0 0 1 1 0 1

0 2 1 1 0 1 0 0 1 0
T (x2 ) = = i + j +l +m
0 2 0 0 0 0 1 1 0 1

0 1 2

2 1 4
Logo, [T ] =

0 0 0

0 0 2
b) Seja

0 0
p(x) N(T ) T (p(x)) =
0 0

b 2a + 2b + 2c 0 0
= a=b=c=0
0 2c 0 0
Logo, p(x) = 0 + 0x + 0x2 N(T ) N(T ) = {0}

b 2a + 2b + 2c 0 2 1 2 0 2
c) Seja A Im(T ) A = = a +b +c
0 2c 0 0 0 0 0 2
Portanto,

0 2 1 2 0 2
Im(T ) = , ,
0 0 0 0 0 2
Como os geradores da Im(T ) formam um conjunto L.I. (Verifique!) tem-se que

0 2 1 2 0 2
, , e uma base para Im(T ).
0 0 0 0 0 2
d) T e injetora pois N(T ) = {0}, mas nao e sobrejetora pois dim Im(T ) = 3 = dim M(2, 2)
4.3. Composicao de transformacoes lineares 103
4.3 Composicao de transformacoes lineares
Definicao 4.8 Se T1 : V W e T2 : W U sao duas transformacoes lineares a composta das duas
transformacoes lineares e definida do mesmo modo que a composicao de funcoes ( lembre-se que um
transformacao linear e uma funcao com a propriedade adicional de ser linear) da seguinte forma
T2 T1 : V U
(T2 T1 )(v) = T2 (T1 (v))
Exemplo 145 Se T1 : R2 R3 , T1 (x, y) = (x y, y x, y x) e T2 : R3 R, T2 (x, y, z) = x y z

entao T2 T1 : R2 R e
(T2 T1 ) (x, y) = T2 (T1 (x, y))
= T2 (x y, y x, y x)
= (x y) (y x) (y x)
= xyy+xy+x
= 3x 3y
Teorema 4.6 Sejam T1 : V W e T2 : W U transformacoes lineares e , , bases de V,W,U

respectivamente. Entao a composta de T2 com T1 , T2 T1 : V U e linear e
[T2 T1 ] = [T2 ] [T1 ]
Figura 4.2: Composicao de transformacoes lineares - (4.3)
Proposicao 4.1 Seja T : V W uma transformacao linear . Sejam e bases de V e e bases

de W. Entao vale a relacao:

[T ] = [IW T IV ] = [IW ] [T ] [IV ]
onde IW e IV sao as aplicacoes identidades de W e V respectivamente.

( )
Exemplo 146 Sejam T : P 2 R 3 definida por T a + bx + cx2 = (a + b, a + b + c, c a) e S : R3

ac a+b { }
M2 dada por S(a, b, c) = . Determine [S T ] onde = 1, 1 x, 2 x + x2

b + c a + 2b c
104 4.3. Composicao de transformacoes lineares

1 0 1 1 0 1 0 0
e = , , , .
0 0 0 0 1 0 1 1
Temos:
2a + b c 2a + 2b + c
[S T ] = S(T (a + bx + cx2 )) =
b + 2c 4a + 3b + c

2 2 1 0 1 1 0 1 0 0
T (1) = = e + f +g +h
0 4 0 0 0 0 1 0 1 1
assim, obtemos o sistema:

e+ f = 2

f +g = 2

g + h = 0

h=4
cuja solucao e: e = 4, f = 2, g = 4 e h = 4.

1 0 1 0 1 1 0 1 0 0
T (1 x) = = i + j +k +l
1 1 0 0 0 0 1 0 1 1

i+ j = 1

j+k = 0

k + l = 1

l=1
cuja solucao e: i = 3, j = 2, k = 2 e l = 1.

0 3 1 0 1 1 0 1 0 0
T (2 x + x2 ) = = m +n +o + p
1 6 0 0 0 0 1 0 1 1

m+n = 2

n+o = 3
o + p = 1

p=6
cuja solucao e: m = 4, n = 2, o = 5 e p = 6.
4.4. A Inversa de uma transformacao linear 105
Assim, encontramos para [S T ]

e i m 4 3 4

f j n 2 2 2

[S T ] =

g k o 4 2 5

h l p 4 1 6
4.4 A Inversa de uma transformacao linear
Definicao 4.9 Da-se o nome de isomorfismo a uma transformacao linear T : V W que e injetora
e sobrejetora ao mesmo tempo. Quando ha um isomorfismo entre dois espacos vetoriais dizemos que
estes sao Isomorfos.
Definicao 4.10 Seja T : V W uma transformacao linear. Se existe uma transformacao linear
S : W V tal que T S = IW , onde IW : W W e a identidade em W, dizemos que S e a inversa
a direita de T. Se existe uma transformacao R : W V , tal que R T = IV , onde IV : V V e a
identidade em V , dizemos que R e a inversa a esquerda de T.
Definicao 4.11 Seja T : V W uma transformacao linear. Se existe uma aplicacao T 1 : W V,

tal que T T 1 = IW e T 1 T = IV entao dizemos que T e inversvel e que T 1 e a inversa de T
Proposicao 4.2 Seja T : V W uma transformacao linear. Se existe a inversa de T, T 1 , entao T 1

e uma transformacao linear
Proposicao 4.3 Se T : V W e um isomorfismo, entao T e inversvel e alem disso T 1 tambem e um

isomorfismo.
Proposicao 4.4 Se T : V W uma transformacao linear invertvel (T e um isomorfismo) e e sao

bases de V e W, entao:
[ 1 ] ( )1
T
= [T ]
Observacao 13 Quando estamos trabalhando com o espaco Rn e a base canonica de Rn por sim-
plicidade omitimos as bases e a matriz de T : Rn Rn , em relacao a base canonica, e denotada
simplesmente por [T ] . Neste caso a proposicao acima e escrita na forma mais conveniente: Se
[ ]
T : Rn Rn e inversvel entao T 1 = [T ]1
106 4.4. A Inversa de uma transformacao linear
Proposicao 4.5 Seja T : V W uma transformacao linear, com dimV = dimW, e e bases de V
e W respectivamente. Entao T e inversvel se, e somente se det [T ] = 0.
Observacao 14 Se na proposicao acima tivermos V = W = Rn podemos escrever: Seja T : Rn Rn

uma transformacao linear, entao T e invertvel se det [T ] = 0
Exemplo 147 Seja T : R3 R3 , dada por T (x, y, z) = (x + 2y + 2z, x + y + 3z, x + 2y + z), determine
a transforma cao inversa T 1 .
Facilmente podemos ver que

1 2 2 5 2 4
[ ]

[T ] = 1 1 3 T 1 = [T ]1 = 2 1 1

1 2 1 1 0 1
logo T 1 (x, y, z) = (5x + 2y + 4z, 2x y z, x z). Como exerccio verifique que vale
( )
T T 1 (x, y, z) = (x, y, z)
Podemos tambem neste caso calcular a inversa usando diretamente a difinicao de transformacao
inversa da seguinte forma
Sabemos que T 1 : R3 R3 e uma transformacao linear tal que T 1 T = I ou T T 1 = I.
Suponhamos que T 1 (x, y, z) = (m, n, s), devemos encontrar m, n e s tais que T T 1 = I (devemos
usar esta igualdade pois com a outra nao funciona, tente e veja o que acontece). Portanto
( )
T T 1 (x, y, z) = I(x, y, z) = (x, y, z)
T (T 1 (x, y, z)) = (x, y, z)
T (m, n, s) = (x, y, z)
(m + 2n + 2s, m + n + 3s, m + 2n + s) = (x, y, z)
m + 2n + 2s = x
m + n + 3s = y
m + 2n + s = z

1 2 2 x 1 2 2 x
escalonando

1 1 3 y 0 1 1 x y
=
1 2 1 z 0 0 1 xz
4.4. A Inversa de uma transformacao linear 107
s = xz
n = x y + x z = 2x y z
m = x 2(2x y z) 2(x z) = 5x + 2y + 4z
Logo
T 1 (x, y, z) = (5x + 2y + 4z, 2x y z, x z)
Exemplo 148 Considere a transformacao linear T : R3 M2T (M2T e o espaco das matrizes trian-
gulares superiores) definida por
1 1
T (1, 1, 0) =
0 0

1 1
T (0, 1, 1) =
0 2

0 1
T (1, 1, 1) =
0 1
Encontre a inversa da transformacao T .
Sabemos que:

1 1 1 1 0 1
T 1 = (1, 1, 0), T 1 = (0, 1, 1), T 1 = (1, 1, 1)
0 0 0 2 0 1
e, seja
x y 1 1 1 1 0 1
= a +b +c
0 z 0 0 0 2 0 1
obtemos o sistema:

1 1 0 | x

a+b = x

a + b c = y 1 1 1 | y

2b + c = z 0 2 1 | z
108 4.5. Quarta lista de exerccios
realizando o escalonamento da matriz, encontramos:

3xyz
1 0 0 |
2
x+y+z
0 1 0 |
2
0 0 1 | xy
Agora, procedendo as substituicoes, obtemos:

( ) ( )
1
x y
= 3x y z x + y + z
T (1, 1, 0) + (0, 1, 1) + (x y)(1, 1, 1)
0 z 2 2
portanto
5
32 12 ( )
2 5x 3y z 3x 3y z
1
[T ] = 0 1 0 = , y,
2 2
3
2 32 12
4.5 Quarta lista de exerccios
Exerccio 4.1 Verifique se as funcoes dadas abaixo sao transformacoes lineares. Em cada caso,
justifique sua afirmacao:
a) T : 4 3 dada por T (x, y, z,t) = (x + y, 0, z + t)
b) L : 2 dada por
L(x, y)=xy
a b
c) S : M(2, 2) 2 , S = (a + b, 0)
c d
d) G : M(5, 5) M(5, 5), G(A) = AB + I5 , onde B = diag(d1 , d2 , d3 , d4 , d5 ) e uma matriz diagonal
e I5 e a matriz identidade de ordem 5.
e) F : P2 P2 tal que F(p) = p + q, p P2 e q(t) = t 2 + 1, t .
f) S : R2 R2 dada por S(x, y)
= (x +y, x y)
a b a b
g) T : M(2, 2) R dada por det
c d c d
h) T : R R, T (x)
= |x|.
a b
i) T : M2 P1 , T = a + dt
c d
j) S : R3 R3 tal que S(x, y, z) = (3x, a, 5z), onde a R e uma constante.

k) T : Pn Pn tal que T (p(x)) = p (x) + x2 p (x)
Exerccio 4.2 Seja T : P2 P2 um operador linear tal que T (p0 )(t) = 1 + t, T (p1 )(t) = t + t 2 ,
4.5. Quarta lista de exerccios 109
T (p2 )(t) = 1 + t 2t 2 onde pi (t) = t i , i = 0, 1, 2.
a) Encontre T (p)
b) T e injetora? Justifique sua resposta.
c) T e sobrejetora? Justifique sua resposta.
d) T e bijetora? Justifique sua resposta.

1 1
Exerccio 4.3 a) Encontre a transformacao T : 2 M(2, 2) tal que T (1, 0) = ,
1 1

1 1
T (0, 1) =
1 1
b) Usando a transformacao T encontrada no item a) , calcule T (1000, 999)
c) A transformacao e bijetora? Justifique sua resposta.
Exerccio 4.4 Seja T : 3 3 uma transformacao linear definida por T (1, 0, 0) = (1, 1, 0),
T (0, 1, 0) = (1, 1, 2) e T (0, 0, 1) = (0, 0, 2). Determinar uma base de cada um dos seguintes
subespacos:
a) N(T )
b) N(T ) Im(T )
c) N(T ) + Im(T )
Exerccio 4.5 Sejam ={(1, 1), (0, 2)} e = {(1, 0, 1), (0, 1, 2), (1, 2, 0)} bases de e ,
2 3
1 0

respectivamente e [T ] = 1 1

0 1
a) Encontre a transformacao linear T .
b) Enconte uma base para Ker(T ) e uma base ).
para Im(T
1 0

c) Encontre uma base de tal que [T ] = 0 0
3

0 1
Exerccio
4.6 Encontre a transformacao linear T : 2 2 que e a projecao sobre a reta dada por
x = 2t
. Determine dim Im(t) e dim Ker(T ). T e inversvel? Se for, determine T 1 .
y=t
Exerccio 4.7 Considere o operador linear em 3 tal que T (1, 0, 0) = (1, 1, 1), T (0, 0, 1) = (1, 0, 1),
T (0, 1, 2) = (0, 0, 4). T e isomorfismo? Em caso afirmativo, determine o isomorfismo inverso.
Exerccio 4.8 Considere a transformacao linear T : P2 R3 tal que T (1) = (1, 0, 1), T (x + x2 ) =
(1, 2, 2) e T (1 x) = (0, 1, 1). Encontre T 1 .

Exerccio 4.9 Seja T : P2 P3 a transformacao definida por T (p(x)) = xp(x 3). Encontre [T ] em
relacao as bases = {1, x, x2 , x3 } e = {1, x, x2 }.
Exerccio 4.10 Encontre uma transformacao linear T : 3 3 cujo nucleo e gerado por (1, 1, 0)
e (0, 0, 1) e a imagem gerada pelo vetor (1, 1, 1).
Exerccio 4.11 Encontre uma transformacao linear T : 4 4 cujo nucleo e gerado por (1, 1, 0, 0)
e (0, 0, 1, 0).

Exerccio 4.12 Mostre que se a matriz transformacao [T ] e inversvel entao N(T ) = { 0 }.
Exerccio 4.13 Se T : V W e uma transformacao linear tal que T (w) = T (u) + T (v) entao w =
u + v?
Exerccio 4.14 Determine explicitamente a expressao de uma transformacao linear T : P2 M2

satisfazendo simultaneamente as seguintes condicoes:
a) o elemento p(x) = 1 + x2 pertence ao N(T );
b) o elemento q(x) = 1 x
+ x2 nao pertence ao N(T );
2 3
c) o elemento A = pertence a Im(T ).
1 1
Exerccio 4.15 Seja T : V W uma transformacao linear.

a) Mostre que o nucleo de T e um subespaco de V .
b) Mostre que a imagem de T e um subespaco de W .

Exerccio 4.16 Seja T : P2 P2 a transformacao linear definida por T (p(x)) = xp (x)
a) Quais dos seguintes polinomios pertencem ao N(T )?
1. 2
2. x2
3. 1 x
b) Quais dos polinomios do item a) pertencem a Im(T )?

c) Descreva N(T ) e Im(T ).
Exerccio 4.17 Quando possvel, de exemplos de transformacoes lineares satisfazendo:
a) T : R3 R3 tal que dim N(T ) = 1
b) T : R3 R3 tal que N(T ) = {(0, 0, 0)}
c) T : R3 R3 tal que Im(T ) = {(0, 0, 0)}
d) T : R3 R3 tal que N(T ) = {(x, y, z) 3 : z = x}
{ }
e) T : R3 R3 tal que Im(T ) = (x, y, z) R3 y = 2x z .

Exerccio 4.18 Seja T : P3 P2 definida por T (p) = p . Determine a matriz T em relacao as bases
{ } { }
= 1,t,t 2 ,t 3 e = 1, 1 + t, 1 + t 2 , isto e, [T ] .

Exerccio 4.19 Mostre que se uma transfomacao linear e injetora entao N(T ) = { 0 }.

a b
Exerccio 4.20 Seja a base canonica de M2 . Se T : M2 P3 e dada por T =
c d
a + (b + c)x + (c d)x2 + dx3 .
{ }
a) Encontre [T ] onde = 2, 2 + x, 2 + x2 , 2 + x3 e base de P3 .
b) Faca o escalonamento da matriz [T ] .
c) Detemine dim Ker(T ).
d) Determine dim Im(T ).
Exerccio 4.21 Se A Rnn e inversvel entao:

a) dim N(A) =
b) dim Im(T ) =
Exerccio 4.22 Determine dim N(T ) sabendo que:

a) T R6 R8 com dim(Im(T )) = 3;
b) T : V W com T sobrejetiva, dimV = 5, dimW = 3;
c) T : V W com T injetiva;
d) T : R4 R4 sabendo que existe a inversa de T .
Exerccio 4.23 Explique em cada caso abaixo porque nao existe uma transformacao linear:
a) T : R4 R2 cujo nucleo seja a origem;
b) T : R5 R6 que seja sobrejetiva;
c) T : R3 R2 que seja injetiva;
d) T : R7 R6 tal que dim N(T ) = dim Im(T );
e) T : R4 R3 com N(T ) = [(1, 0, 0, 0), (0, 1, 0, 0)] e Im(T ) = [(1, 1, 2), (2, 2, 4)].
Exerccio 4.24 Responda as seguintes questoes:
a) Se T : R5 R6 e uma transformacao linear, podemos ter dim Im(T ) > 6? Justifique sua
resposta.
b) Existe alguma transformacao linear T : R2 R2 tal que T (1, 1) = (2, 2) e T (2, 2) = (3, 1)?
Justifique sua resposta.
c) A transformacao T : P1 P2 definida por T (p(t)) = t p(t) + p(0)p (1) e linear?
d) Se T : R3 R3 e um operador linear e se a imagem de T e um plano que passa pela origem,
que tipo de objeto geometrico e o nucleo de T ?

2 1
Exerccio 4.25 Seja T : R2 R2 tal que [T ] = . Encontre os vetores u e v tais que:
0 1
a) T (u) = 2u
b) T (v) = v
Exerccio 4.26 Sejam F, G : R3 R3 transformacoes lineares dadas por F(x, y, z) = (x + y, z + y, z)

e G(x, y, z) = (x + 2y, y z, x + 2z).
a) Determine F G.
b) Determine uma base para N(F G).
c) Determine uma base para Im(F G).
g) F G e isomorfismo? Justifique sua resposta.
Exerccio 4.27 Seja T : 3 3 o operador linear definido por T (x, y, z) = (3x, x y, 2x + y + z).
Mostre que (T 2 I) (T 2 9I) = 0.
Exerccio4.28 Sejam R,
S, T tres transformacoes
lineares
de R3 em R3 . Se
1 0 1 2 1 1

[R] = 2 1 1 e [S] = 3 1 2 ,

0 1 1 1 2 0
encontre T tal que R = S T .
Exerccio 4.29 Sejam as transformacoes lineares S : P1 P2 e T : P2 P1 definidas por
S(a + bx) = a + (a + b)x + 2bx2
T (a + bx + cx2 ) = b + 2cx
a) Determine (S T )(3 + 2x x2 ).
b) E possvel calcular (T S)(a + bx)? Em caso afirmativo calcule (T S)( + x).
Exerccio 4.30 Considere o operador T : P2 P2 definida por T (p(x)) = p (x) + p(x) e a
transformacao linear S : P2 R3 definida por S(a + bx + cx2 ) = (a + b, c, a b).
a) Verifique se S e isomorfismo. Se for, determine S1 .
b) Determine uma base para N(S T ) e uma base para Im(S T ).
c) Seja = {1 + x, x x2 , 1} uma base de P2 e = {(1, 0, 0), (0, 1, 1), (0, 0, 1)} base do R3 .

Determine [S T ] .
Exerccio
4.31 Considere a transformacao linear T : R4 M2 porT (a, b, c, d)
definida =
a a+b a b ac cb
e a transformacao linear S : M2 M2 definida por S = .
b+c d c d b a+d
Verifique se S T e um isomorfismo. Em caso afirmativo, determine o isomorfismo inverso (S T )1 .
4.1 - a) Sim b) Nao c) Sim d) Nao e) Nao f) Sim g) Nao h) Nao i) Sim j) E transformacao
linear se a = 0. k) Sim
4.2 - a) T (p) = (a + c) + (a + b + c)t + (b 2c)t 2 .
b) Sim c) Sim d) Sim
yx xy
4.3 - a) T (x, y) =
xy yx

1 1
b) T (1000, 999) =
1 1
c) Nao, pois T nao e injetora (dim N(T ) = 1 = 0) nem sobrejetora (dim Im(T ) = 1 = 4)
4.4 - a) = {(1, 1, 1)}
b) Nao existe base
c) = {(1, 1, 0), (0, 0, 2), (1, 1, 1)}
( )
4.5 - a) T (x, y) = xy xy
2 , 2 , 2x + y
{( 1 ) ( 1 1 )}
b) Nao existe base para o N(T ) e = ,
2 2
1
, 2 , 2 , 2 , 1 e uma base para Im(T )
c) = {(1, 1, 1), (0, 1, 0), (1, 1, 2)}
( )
4.6 - T (x, y) = 4x+2y5 , 2x+y
5 , dim Im(T ) = 1 e dim N(T ) = 1. T nao e inversvel pois T nao e
injetora e nem sobrejetora.
( )
1 zx x2y+z
4.7 - T (x, y, z) = y, 4 , 2
4.8 - T 1 (a, b, c) = (2a 2b c) + (a + 2b + c)x + (a b c)x2

0 0 0

1 3 9
4.9 - [T ] =

0 1 6

0 0 1
4.10 - T (x, y, z) = (x y, x + y, x y) e uma possibilidade.
4.11 - T (x, y, z, w) = (x y, 0, 0, w) e uma possibilidade.
4.16 - a) Apenas p(x) = 2 N(T )
b) Apenas p(x) = x2 Im(T )
c) N(T ) = {p(x)
= a; a R} eIm(T ) = {p(x) = bx + cx ; b, c R}.
2
0 1 2 3

4.18 - [T ] = 0 0 2 0

0 0 0 3

1
1 2 0
2

0 1 1 0
4.20 - a) [T ] =

0 0 1 1

0 0 0 1
c) dim N(T ) = 0 d) dim Im(T ) = 4
4.21 - a) dim N(A) = 0 b) dim Im(T ) = n
4.22 - a) dim N(T ) = 3 b) dim N(T ) = 2 c) dim N(T ) = 0 d) dim N(T ) = 0
4.23 - Use o teorema da dimensao para provar cada um dos tens.
4.24 - a) Nao, pois dim Im(T ) 5
b) Nao, pois o conjunto {(1, 1), (2, 2)} nao forma uma base para o R2 .
4.25 - a) u = (x, 0) b) v = (x, 3x).
4.26 - a) (F G)(x, y, z) = (x + 3y z, x + y + z, x + 2z)
b) N(F G) = {(x, y, z) R3 : y = z e x = 2z} e = {(2, 1, 1)} e base para o nucleo.
c) Uma das bases e = {(1, 1, 1), (3, 1, 0)}
d) Nao, pois F G nao e injetora (dim N(F G) = 1 = 0) e nao e sobrejetora (dim Im(F G) =
2 = 3)
4.27 - Note que [(T 2 I) (T 2 9I)] = [(T 2 I)] [(T 2 9I)]
4.29 - a) (S T )(3 + 2x x2 ) = 2 4x2
b) (T S)(a + bx) = 2 + 4 x
4.30 - a) S1 (x, y, z) = x+z
2 + xz 2
2 t + yt .
b) ker(S T ) = {0}, (S T )(P2 ) = R3


3 0 1

c) [S T ] = 0 1 0

1 3 1

a b
4.31 - (S T )1 = (a + b + c, a b, a + 2b + c, a b c + d)
c d
4... - T (x, y, z) = (8x y+ 9z, 4x + 4z, 13x + 2y 15z).
a c + 2b 3b
4... - T (a + bt + ct 2 ) = e uma possibilidade.
b ac+b
Captulo 5
OPERADORES LINEARES
Definicao 5.1 Uma transformacao linear T : V V e chamada de operador linear.
Observacao 15 Todas as propriedades ja vistas para transformacoes lineares em geral vale para um
operador linear
5.1 Transformacoes especiais no plano e no espaco
Os operadores lineares que veremos a seguir sao chamados de transformacoes especiais do plano e do
espaco por serem bastantes usados em aplicacoes praticas e tambem em aplicacoes numericas.
5.1.1 Transformacoes no Plano
(a) Dilatacao ou contracao
T : R2 R2
(5.1)
T (x, y) = (x, y)
Se | | < 1, T contrai o vetor.

Se | | > 1, T dilata o vetor.
Se = 1, T e a identidade.
Se < 0, T inverte o sentido do vetor.
Se > 0, T mantem o mesmo sentido do vetor.
Matricialmente
x 0 x

y 0 y
118 5.1. Transformacoes especiais no plano e no espaco
Geometricamente, para > 0 temos:
Figura 5.1: Dilatacao ou contracao - (5.1)
(b) Cisalhamento na direcao do eixo dos x
E uma transformacao que move cada ponto (x, y) paralelamente ao eixo x por uma quantia y para a
nova posicao (x + y, y).
T : R2 R2
(5.2)
T (x, y) = (x + y, y)
Matricialmente
x 1 x

y 0 1 y
Geometricamente:
Figura 5.2: Cisalhamento na direcao do eixo dos x - (5.2)
(c) Cisalhamento na direcao do eixo dos y
E uma transformacao que move cada ponto (x, y) paralelamente ao eixo y por uma quantia x para a
nova posicao (x, y + x).
T : R2 R2
(5.3)
T (x, y) = (x, x + y)
Matricialmente
x 1 0 x

y 1 y
Geometricamente:
Figura 5.3: Cisalhamento na direcao do eixo dos y - (5.3)

5.1. Transformacoes especiais no plano e no espaco 119
(d) Reflexao na origem
T : R2 R2
(5.4)
T (x, y) = (x, y)
Matricialmente
x 1 0 x

y 0 1 y
Geometricamente:
Figura 5.4: Reflexao na origem - (5.4)
Observacao 16 Observe que este e um caso particular da contracao quando = 1
(e) Projecao sobre uma reta no plano
Definicao 5.2 Definimos como sendo projecao sobre uma reta r, que passa pela origem, no plano o
operador linear T : R2 R2 definido por
T (v) = pro ju v (5.5)
onde u e o vetor diretor da reta r.
Figura 5.5: Projecao sobre uma reta no plano - (5.5)
Exemplo 149 Determinar o operador linear que e a projecao sobre a reta y = 6x
A reta y = 6x pode ser parametrizada por
x = t
y = 6t
logo um vetor diretor da reta e u = (1, 6).
T (v) = pro ju v
( u. v )
T (v) = u
(u. u )
(1, 6). (x, y)
T (x, y) = (1, 6)
(1, 6). (1, 6)
( )
x 6y 6x + 36y
T (x, y) = ,
37 37
(f) Reflexao atraves de uma reta no plano
Definicao 5.3 Definimos como sendo reflexao atraves da reta r, que passa pela origem, a
transformacao linear T : R2 R2 tal que |T (v)| = |v| e
pro ju v = pro ju T (v) (5.6)
Figura 5.6: Reflexao atraves da reta r- (5.6)
Para obter a expressao data a transformacao T , considere a figura abaixo que representa a reflexao
em torno de uma reta no plano onde estao mostrados o vetor diretor diretor, u , da reta, o vetor p, a
projecao de v na direcao do vetor u,e o vetor T (v).
Figura 5.7: Reflexao em torno de uma reta no plano - (5.6)
Da definicao de reflexao podemos observar que
T (v) + v = 2p
T (v) = 2p v
T (v) = 2pro ju v v
Portanto a reflexao em torno de uma reta no plano e dada por
T (v) = 2pro ju v v
onde pro ju v e a projecao do vetor v na direcao do vetor u

Casos Particulares
f.1 - Reflexao em torno do eixo dos x
T : R2 R2
(5.7)
T (x, y) = (x, y)
Matricialmente
x 1 0 x

y 0 1 y
Geometricamente:
Figura 5.8: Reflexao em torno do eixo dos x - (5.7)
f.2 - Reflexao em torno do eixo dos y
T : R2 R2
(5.8)
T (x, y) = (x, y)
Matricialmente
x 1 0 x

y 0 1 y
Geometricamente:
Figura 5.9: Reflexao em torno do eixo dos y - (5.8)
f.3 - Reflexao em torno da reta y = x
T : R2 R2
(5.9)
T (x, y) = (y, x)
Matricialmente
x 0 1 x

y 1 0 y
Geometricamente:
Figura 5.10: Reflexao em torno da reta y = x - (5.9)
f.4 - Reflexao em torno da reta y = x

T : R2 R2
(5.10)
T (x, y) = (y, x)
Matricialmente
x 0 1 x

y 1 0 y
Geometricamente:
Figura 5.11: Reflexao em torno da reta y = x - (5.10)
(g) Rotacao de um angulo
Definimos Rotacao no plano de um angulo a transformacao T : R2 R2 tal que
|T (v)| = |v| (5.11)
e o angulo entre os vetores T (v) e v e .
Geometricamente
Figura 5.12: Rotacao de um angulo - (5.11)
Vamos agora determinar a matriz da transformacao linear rotacao de um angulo e a expressao

de R em funcao de x e y. Seja
R : R2 R2
R (x, y) = (x , y )
Quando rotacionamos um vetor, pela propria definicao de rotacao, o comprimento (modulo) do

vetor nao se altera. Seja r = |v| , onde v = (x, y).
Da figura acima e usando relacoes trigonometricas temos;
x = r cos( + ) = r cos cos r sin sin

Mas
r cos = x
r sin = y
entao
x = x cos y sin
Analogamente
y = r sin( + ) = r sin cos + r cos sin
y = y cos + x sin = x sin + y cos
Assim
R (x, y) = (x cos y sin , x sin + y cos )

Matricialmente
x cos sin x

y sin cos y
Podemos ver neste caso que matriz de uma rotacao e:

cos sin
[R ] =
sin cos
5.1.2 Transformacoes no Espaco
(a) Reflexao atraves de uma reta no espaco
Definicao 5.4 Definimos como sendo Reflexao atraves da reta r, que passa pela origem, no espaco
a transformacao linear T : R3 R3 tal que
|T (v)| = |v|
(5.12)
pro ju v = pro ju T (v)
Geometricamente
Figura 5.13: Reflexao atraves da reta r no espaco - (5.12)

Para obter a expressao para a transformacao T , considere a figura abaixo que representa a reflexao
em torno de uma reta no plano onde estao mostrados o vetor diretor diretor, u , da reta, o vetor p, a
projecao de v na direcao do vetor u,e o vetor T (v).
Figura 5.14: Reflexao atraves da reta r no espaco - (5.12)
Da definicao de reflexao podemos observar que
T (v) + v = 2p
T (v) = 2p v
T (v) = 2pro ju v v
Portanto a reflexao em torno de uma reta no espaco e dada por
T (v) = 2p v
ond p = pro ju v e a projecao do vetor v na direcao do vetor u
Casos Particulares: Reflexao em relacao aos eixos coordenados
a.1 - Reflexao atraves do eixo x
T : R3 R3
T (x, y, z) = (x, y, z)
Matricialmente
x 1 0 0 x

y 0 1 0 y

z 0 0 1 z
a.2 - Reflexao atraves do eixo y
T : R3 R3
T (x, y, z) = (x, y, z)
Matricialmente
x 1 0 0 x

y 0 1 0 y

z 0 0 1 z
a.3 - Reflexao atraves do eixo z
T : R3 R3
T (x, y, z) = (x, y, z)
Matricialmente
x 1 0 0 x

y 0 1 0 y

z 0 0 1 z
(b) - Reflexao atraves de um plano
Definicao 5.5 Definimos Reflexao atraves de um plano, que passa pela origem, no espaco ao oper-
ador linear T : R3 R3 tal que
|T (v)| = |v|
(5.13)
pro jn v = pro jn T (v)
onde n o vetor normal do plano.
Figura 5.15: Reflexao atraves de um plano - (5.13)
Para obter a expressao para a transformacao T , considere a figura abaixo que representa a reflexao
em torno de um plano no espaco onde estao mostrados o vetor normal do plano, vetor n, o vetor
projecao de v na direcao do vetor n, vetor p, o vetor projecao sobre o plano, vetor m, e o vetor T (v).
Figura 5.16: Reflexao atraves de um plano - (5.13)
Da definicao de Reflexao atraves de uma plano podemos deduzir que

p+m = v
m p = T (v)
Portanto
T (v) = v 2p
onde p = pro jn v e a projecao de v na direcao do vetor normal n do plano.

Casos particulares: Reflexao atraves dos planos coordenados
b.1 - Reflexao atraves do plano xy
T : R3 R3
T (x, y, z) = (x, y, z)
Matricialmente
x 1 0 0 x

y 0 1 0 y

z 0 0 1 z
Geometricamente
Figura 5.17: Reflexao atraves do plano xy - (5.13)
b.2 - Reflexao atraves do plano xz
T : R3 R3
T (x, y, z) = (x, y, z)

x 1 0 0 x

Matricialmente y 0 1 0 y

z 0 0 1 z
b.3 - Reflexao atraves do plano yz
T : R3 R3
T (x, y, z) = (x, y, z)
Matricialmente
x 1 0 0 x

y 0 1 0 y

z 0 0 1 z
(c) Reflexao na origem
T : R3 R3
(5.14)
T (x, y, z) = (x, y, z)
Matricialmente
x 1 0 0 x

y 0 1 0 y

z 0 0 1 z
Geometricamente
Figura 5.18: Reflexao na origem - (5.14)
(d) Rotacao no Espaco
Definicao 5.6 Definimos Rotacao de um angulo em torno de um eixo coordenado c ao operador

linear T : R3 R3 tal que
|T (v)| = |v| (5.15)
e o angulo entre a projecao de v no plano ortogonal a c e a projecao de T (v) no plano ortogonal

a c e o angulo medido no sentido anti-horario a partir da projecao de v no plano ortogonal a c.
Figura 5.19: Rotacao no espaco - (5.15)
d.1 - Rotacao em torno do eixo z

Para obter a expressao da transformacao que e uma rotacao em torno do eixo z vamos considerar:
p = projecao de v no plano xy
q = projecao de T (v) no plano xy
Figura 5.20: Rotacao em torno do eixo z - (5.15)
T (x, y, z) = (x , y , z )
Observe que z = z
Como |T (v)| = |v| entao |p| = |q| . Alem disso o vetor q e obtido pela rotacao do vetor p no
plano xy por um angulo , ou seja, q = R (p). Como ja visto em rotacao no plano ( item g) de
Transformacoes no plano) temos que
x = x cos y sin
y = x sin + y cos
Portanto
T : R3 R3
T (x, y, z) = (x cos y sin , x sin + y cos , z)
Matricialmente
x cos sin 0 x

y = sin cos 0 y

z 0 0 1 z

cos sin 0

[T ]Z = sin cos 0

0 0 1
d.2 - Rotacao em torno do eixo y
Figura 5.21: Rotacao em torno do eixo y - (5.15)
T (x, y, z) = (x , y , z )
Como a rotacao e em torno do eixo y temos y = y. No plano xz vemos que o vetor q e obtido a
partir do vetor p pela rotacao do angulo no sentido horario.
Figura 5.22: Rotacao em torno do eixo y - (5.15)
Portanto podemos considerar o vetor p obtido a partir do vetor q por uma rotacao no sentido
anti-horario, ou seja, R (p) = q. Logo,

x cos sin x
=
z sin cos z
1
x cos sin x
=
z sin cos z

x cos sin x
=
z sin cos z
x = x cos + z sin
z = z cos x sin
T (x, y, z) = (x , y , z )
T (x, y, z) = (x cos + z sin , y, x sin + z cos )
Matricialmente:
cos 0 sin

[T ]Y = 0 1 0

sin 0 cos
d.3 - Rotacao em torno do eixo x
A matriz da Rotacao em torno do eixo x e dada por

1 0 0

[T ]X = 0 cos sin

0 sin cos

Exemplo 150 Determinar o angulo formado entre v e T (v) quando o vetor v = ( 232 , 4
2
, 2
2 ) gira
130 5.2. Propriedades dos operadores inversveis
em torno do eixo z de um angulo 2 rad.

cos 2 sin 2 0 3
2 2

[T (v)] = sin 2 cos 2 0 2
4

2
0 0 1 2

0.0 1.0 0.0 3
2 2

[T (v)] = 1.0 0.0 0.0 2
4

2
0.0 0.0 1.0 2

2
4

[T (v)] = 3
2 2
2
2
Como desejamos o angulo entre v e T (v),vamos usar a formula do cosseno do angulo entre dois
vetores:
v T (v) 1
cos = =
|v| |T (v)| 2

Portanto o angulo entre v e T (v) e = arccos 12 = 3
Exemplo 151 Encontre a matriz canonica do operador linear T : R3 R3 que primeiro roda um
vetor no sentido anti-horario em torno do eixo z por um angulo e depois reflete o vetor resultante
em torno do plano yz e finalmente projeta este vetor ortogonalmente sobre o plano xy.
5.2 Propriedades dos operadores inversveis

Definicao 5.7 Seja T : V V um operador linear. Se existir um operador T 1 : V V tal que
T T 1 = T 1 T = I ( neste caso I : V V e a identidade em V ) entao dizemos que o operador T
e inversvel e T 1 e o operador inverso de T.
Observacao 17 Um operador e inversvel se, e somente se, ele e um isomorfismo
Seja T : V V um operador linear:
I) Se T e inversvel e T 1 sua inversa, entao T T 1 = T 1 T = I

{
}
II) O operador T e inversvel se, e somente se, Ker(T ) = 0 .
5.2. Propriedades dos operadores inversveis 131
III) O operador T e inversvel se, e somente se, det [T ] = 0
IV) Se T e inversvel, T transforma base em base, isto e, se = {v1 , . . . , vn } e base de V entao

= {T (v1 ), . . . , T (vn )} e base de V.
[ ] ( )1
Se T e inversvel e uma base de V entao T 1 : V V e linear T 1 = [T ] . Quando e
[ 1 ] [ ] [ ]
a base canonica temos a forma mais simples T = [T ]1 e portanto T 1 [T ]1 = T 1 T = [I] .
Com isso vemos que T e inversvel se e somente se det [T ] = 0.
Exemplo 152 Considere o operador R : R2 R2 , dado por
R (x, y) = (x cos y sin , x sin + y cos )
verifique se T e inversvel e em caso afirmativo encontre T 1 .

Como det [R ] = cos2 + sin2 = 1 = 0, temos que R e inversvel.
[ ]
Como R1
= [R ]1 , basta calcular a inversa da matriz deR

cos sin
[R ] =
sin cos

cos sin
cos2 +sin2 cos2 +sin2
1
[R ] =

cos
cos2 sin
+sin2 cos2 +sin2

cos sin
[R ]1 =
sin cos
Note que [R ]1 = [R ]T , ou seja, [R ] e uma matriz ortogonal, logo R1 : R2 R2

x cos sin x x cos + y sin
=
y sin cos y y cos x sin
R1
(x, y) = (x cos + y sin , y cos x sin )
Exemplo 153 Seja T o operador T : R3 R3 que e a projecao ortogonal do vetor v = (x, y, z) na

direcao da reta dada pela intersecao dos planos y = x e z = y.Verifique se T e inversvel e em caso
afirmativo determine T 1 .
132 5.2. Propriedades dos operadores inversveis
Para determinar a projecao na direcao da reta basta determinar a projecao ortogonal sobre o
vetor diretor da reta. Devemos inicialmente determinar o vetor diretor da reta:

y=x
z=y
Para obter a equacoes parametricas fazemos x = t, logo

x=t
y=t

z=t
portando o vetor diretor da reta e u = (1, 1, 1).
(vu)
T (v) = pro ju v = u
( uu )
(x, y, z) (1, 1, 1)
T (x, y, z) = (1, 1, 1)
(1, 1, 1) (1, 1, 1)
( )
x+y+z
T (x, y, z) = (1, 1, 1)
3
( )
x+y+z x+y+z x+y+z
T (x, y, z) = , ,
3 3 3

1 1 1
3 3 3

[T ] = 1 1 1
3 3 3
1 1 1
3 3 3
det [T ] = 0
Como det [T ] = 0 temos que T nao e inversvel.

3 1
Exemplo 154 Seja a matriz invertvel A = que leva a reta y = 2x + 1 numa outra reta.
2 1
Encontre sua equacao.

Exemplo 155 Seja T : R2 R2 a transformacao que e uma rotacao de 4 rad e S : R2 R2 a
transformacao que e uma reflexao em torno da reta y = 2x. Determine a transformacao R = S T.
R = ST
[R] = [S] [T ]
5.3. Operadores autoadjuntos e ortogonais 133

cos 4 sin 4
[T ] =

sin 4 cos 4

1
2 2 2
1
[T ] = 2
1 1
2 2 2 2
S(v) = 2p v
( )
(x, y) (1, 2)
S(x, y) = 2 (1, 2) (x, y)
(1, 2) (1, 2)
( )
3x 4y 4x + 3y
S(x, y) = ,
5 5

5
3 4
[S] = 5
45 35
[R] = [S] [T ]

5
3 4 1
2 2 21
[R] = 5 2
5 5
4 3 1
2 2
1
2 2

107
2 10 1
2
[R] =
10 2 10 2
1 7
( )
7 2 2 2 7 2
R(x, y) = x y, x+ y
10 10 10 10
5.3 Operadores autoadjuntos e ortogonais

Definicao 5.8 Seja V um espaco vetorial com produto interno, uma base ortonormal e T : V V
um operador linear. Entao:
a) T e chamado um operador auto-adjunto se [T ] e uma matriz simetrica.
b) T e chamado um operador ortogonal se [T ] e uma matriz ortogonal.
Observacao 18 Consideraremos aqui apenas os operadores T : Rn Rn , com o produto escalar

usual (que e um produto interno no espaco Rn ).
134 5.3. Operadores autoadjuntos e ortogonais

1, i = j
Observacao 19 Uma base = {v1 , v2 , , vn } e ortonormal se vi v j = .
0, i = j
Portanto podemos dizer que um operador T : Rn Rn e um operador auto-adjunto se [T ] (a matriz

de T em relacao a base canonica) e uma matriz simetrica. T : Rn Rn e um operador ortogonal se
[T ] (a matriz de T em relacao a base canonica) e uma matriz ortogonal.
Exemplo 156 Consideremos a transformacao: R3 R3 , a rotacao de um angulo em torno do

eixo z.
T (x, y, z) = (x cos y sin , x sin + y cos , z)
A matriz da transformacao T e

cos sin 0

[T ] = sin cos 0

0 0 1
Como esta e uma matriz ortogonal, T e um operador ortogonal.
Exemplo 157 Seja T : R2 R2 onde T (x, .y) = (2x 2y, 2x + 5y). A matriz de T e

2 2
[T ] =
2 5
Como a matriz de T e simetrica, entao T e um operador auto-adjunto.
Teorema 5.1 Seja T : Rn Rn linear. Se T e um operador auto-adjunto entao
T (v) w = v T (w), v, w Rn
Teorema 5.2 Seja T : Rn Rn linear. Entao sao equivalentes as seguintes afirmacoes:

a) T e ortogonal.
b) T preserva o produto escalar, isto e, T (v) T (w) = v w, v, w R.
c) T preserva o modulo, isto e, |T (v)| = |v|.
{ }
d) T transforma bases ortonornais em bases ortonormais. Isto e, se v1, v2 , . . . , vn e uma base
ortonornal entao {T (v1 ), T (v2 ), . . . , T (vn )} e uma base ortonornal.
5.4. Quinta lista de exerccios 135
5.4 Quinta lista de exerccios
Exerccio 5.1 Encontre a transformacao linear T : R3 R3 tal que os vetores u = (1, 2, 0) e v =
(0, 1, 1) pertencam ao nucleo de T e que T (1, 0, 0) = (1, 1, 1).
Exerccio 5.2 Seja T : M2 M2 definida por T (A) = AB BA, onde B22 e uma matriz fixa.
a) Mostre que T e umoperador
linear.
1 1
b) Sabendo que B = , encontre uma base para N(T ) e uma base para Im(T ).
0 3
Exerccio 5.3 Seja T a reflexao no origem dada por
T : R3 R3
T (x, y, z) = (x, y, z)
Determine a inversa T 1 da transformacao T.
Exerccio 5.4 Defina operador simetrico e operador ortogonal. De um exemplo para cada um dos
casos, justificando sua escolha.

Exerccio 5.5 Seja A : R3 R3 , dada por A = G L onde G e a rotacao de 3 do em torno do eixo y

e L e a rotacao de 2 em torno do eixo z. Determine a matriz de A em relacao a base canonica, isto
e, determine [A]. O operador A e ortogonal? E auto-adjunto?
Exerccio 5.6 Determine a transformacao linear de R2 em R2 que representa uma reflexao da reta
y = x,seguida de uma dilatacao de fator 2 na direcao ox e, um cisalhamento de fator 3 na direcao
vertical.
Exerccio 5.7 Usando inversao matricial mostre o seguinte:

a) A transformacao inversa de uma reflexao em torno da reta y = x e a reflexao em torno da reta
y = x.
b) A transformacao inversa de uma reflexao em torno de um eixo coordenado e a reflexao em
torno daquele eixo.
Exerccio 5.8 a) Encontre a transformacao T do plano no plano que e uma reflexao em torno da
reta y = 6x.
b) Escreva-a em forma matricial.
136 5.4. Quinta lista de exerccios

Exerccio 5.9 No plano, uma rotacao anti-horaria de 450 e seguida por uma dilatacao de 3. Ache
a aplicacao A que representa esta transformacao do plano.
Exerccio 5.10 Analise se a seguinte afirmacao e verdadeira ou falsa: Se T : R2 R2 e uma

rotacao de um angulo (em sentido anti-horario) em torno da origem, seguida de uma dilatacao
de fator 3 entao T 1 e uma contracao de fator 1
3 seguida de uma rotacao de um angulo em torno
da origem.

Exerccio 5.11 Encontre a transformacao linear T : R2 R2 definida pela rotacao de 6 (sentido
anti-horario) seguida de uma reflexao atraves da reta y = 2x. A seguir, faca um esboco da Im(T ) se
a transformacao T for aplicada ao retangulo de vertices (0, 0), (1, 0), (1, 2) e (0, 2).
Exerccio 5.12 Seja T : R3 R3 e a projecao de vetor v no plano x + y + z = 0. Encontre T (x, y, z).
Exerccio 5.13 Seja L : R3 R3 onde L e a reflexao atraves do plano x+y+z = 0. EncontreL(x, y, z).

Exerccio 5.14 Seja A : R3 R3 onde L e a rotacao de 2 em torno do eixo z seguida de uma rotacao

de 3 do em torno do eixo y. Encontre A(x, y, z).
Exerccio 5.15 Seja A e uma matriz de ordem n fixada. Seja T : Mn Mn definida por T (N) =
AN NA. Mostre que T nao e inversvel.
Exerccio 5.16 Encontre a transformacao linear T : R3 R3 tal que Ker(T ) =

{ }
(x, y, z) R3 y = 2x z

Exerccio 5.17 Determine se a transformacao T (x, y) = ( 2
3
x 1 1
y,
2 2 x + 3
2 y) e uma transformacao
auto-adjunta ou ortogonal. Justifique sua resposta.

Exerccio 5.18 O operador linear T (x, y, z) = ( 12 2x 12 2z, y, 12 2x 21 2z) e a rotacao de um
angulo em torno do eixo y. Determine o valor do angulo .
Exerccio 5.19 Considere o triangulo de vertices (1, 1), (3, 3) e (2, 1). Determine a ima-gem

de T aplicada sobre este triangulo segundo uma rotacao anti-horaria de 60 . Faca um desenho da
Imagem.
Exerccio 5.20 Seja o operador T : P3 P3 definido por T (p) = x3 p( 1x ):

a) Mostre T e inversvel.
b) Calcule a inversa T 1 do operador T
Exerccio 5.21 Seja T : M(2, 2) M(2, 2) um operador linear tal que T (A) = A + AT . Verifique se
o operador T e inversvel.
5.4. Quinta lista de exerccios 137
( y+z )
5.1 - T (x, y, z) = x y+z
2 , x y+z
2 , x
2
1 0 0 1
5.2 - b) Uma base para ker(T ) e: , , enquanto que para (T ), uma base e:
0 1 0 2

1 0 0 1
, .
2 1 0 0
5.3 - T 1 =T

0 2 23
1

5.5 - [A] = 1 0 0 . Claramente nao e auto-adjunto, mas e ortogonal (verifique!).

0 3 1
2 2
5.6 - T (x, y) = (2y, x 6y)
( )
5.8 - a) T (x, y) = 35x+12y
37 , 12x+95y
37
1
35 12 x
b) T (x, y) = 37
12 95 y
( )
6x 6y
5.9 - T (x, y) = 2 , 6x+2 6y
5.10 - Verdadeira
( )
(43 3)x+(3+4 3)y (3+4 3)x+(4+3 3)y
5.11 - T (x, y) = 10 , 10
( yz xz yz )
5.12 - T (x, y, z) = 3 , 3 , 3
( )
x2y2z 2x+y2z 2x2y+z
5.13 - T (x, y, z) = , ,
( 3
3 ) 3
y+ 3z 3y+z
5.14 - T (x, y, z) = 2 , x, 2
5.15 - Se N = In , entao T (N) =? Olhe entao para o nucleo de T .
5.16 - Existem varias transformacoes lineares que cumprem esta condicao. Uma delas e
T (x, y, z) = (0, 0, x 2y 2z .
5.17 - E ortogonal mas nao e auto-adjunta (faca as contas).
5
5.18 - 4
5.20 - T 1 =T
5.21 - O que acontece se a matriz A for antisimetrica? Neste caso, como fica o nucleo de T ?
138 5.4. Quinta lista de exerccios
Captulo 6
AUTOVALORES E AUTOVETORES
Dado um operador linear T : V V, estamos interessados em saber quais vetores sao levados em um
multiplo de si mesmo; isto e, procuramos um vetor v V e um escalar R tais que T (v) = v.
Neste caso T (v) sera um vetor de mesma direcao que v. Por vetor de mesma direcao estaremos en-

tendendo vetores sobre a mesma reta suporte. Como v = 0 satisfaz a equacao para todo , estaremos

interessados em determinar vetores v = 0 satisfazendo a condicao acima.

Definicao 6.1 Seja T : V V , um operador linear. Se existirem v V, v = 0 , e R tais que
T (v) = v, e um autovalor de T e v e um autovetor de T associado a .
Observe que pode ser o numero 0, embora v nao possa ser o vetor nulo.
Exemplo 158 T : V V dado por T (v) = kv, onde k e uma constante

Neste caso todo vetor de V e um autovetor associado ao autovalor = k
Exemplo 159
T : R2 R2 (Reflexao no eixo x)
T (x, y) = (x, y)
Neste caso observamos que os vetores que serao levados em multiplos dele mesmo serao os vetores
que estao no eixo x, pois v = (x, 0) T (v) = T (x, 0) = (x, 0) = v. Os vetores que estao no eixo y
tambem sao levados em multiplos de si mesmo pois estes vetores tem a forma w = (0, y) T (w) =
T (0, y) = (0, y) = 1(0, y). Podemos concluir entao que os vetores do tipo v = (x, 0) sao autovetores
associados ao autovalor 1 = 1 e os vetores da forma w = (0, y) sao autovetores associados a 2 =
1, da tranformacao linear reflexao no eixo x.
140 6.1. Autovalores e autovetores de uma matriz
Exemplo 160
R 2 : R2 R2 (Rotacao de um angulo 2 )
R 2 (x, y) = (y, x)

Observe que na rotacao de 2 nenhum vetor e levado em um multiplo de si mesmo, a direcao

de todos vetores de R2 sao alterados pela rotacao. Portanto a rotacao de um angulo 2 nao possui
autovetores e autovalores.
Teorema 6.1 Dada uma transformacao linear T : V V e um autovetor v associado a um auto-

valor , qualquer vetor w = v ( = 0) tambem e um autovetor de T associado a .
Observacao 20 Note que se um vetor v e autovetor de uma transformacao T associado ao autovalor

entao todos os multiplos de v tambem serao autovetores associados a . O Conjunto formado por
todos os autovetores associados a um mesmo autovalor e um conjunto infinito.
Teorema 6.2 Seja T : Rn Rn um operador auto-adjunto e 1 , 2 autovalores distintos de T e v1 e

v2 os autovetores associados a 1 e 2 , respectivamente. Entao v1 e perpendicular a v2 .
Definicao 6.2 O subespaco V = {v V T (v) = v} e chamado o subespaco associado ao auto-

valor .
Como vimos na nota acima o conjunto V contem todos os autovetores de T associados ao au-

tovalor , contem tambem o vetor nulo 0 de V ja que o vetor 0 satifaz a relacao T ( 0 ) = 0 . O
{}
conjunto V pode ser escrito como V = {Todos os autovetores de T associados a } 0 .
6.1 Autovalores e autovetores de uma matriz
Agora vamos obter uma forma de calcular os autovalores e autovetores de uma transformacao usando
sua matriz em relacao as bases canonicas. Inicialmente definiremos autovalores e autovetores de uma
matriz A.
Dada uma matriz quadrada, A, de ordem n, estaremos entendendo por autovalor e autovetor de A o
autovalor e autovetor da transformacao TA : Rn Rn , associada a matriz A em relacao a base canonica
de Rn , isto e TA (v) = A v (na forma coluna). Assim, um autovalor R de A, e um autovetor v Rn ,

sao solucoes da equacao A v = v, v = 0 .
6.1. Autovalores e autovetores de uma matriz 141
6.1.1 Polinomio Caracterstico
Seja a matriz
a a12 ........ a1n x1
11

a21 a22 ........ a2n x2
A=
.. ..

e v=
..

. . .

am1 am2 ........ amn xn
Para encontrar os autovalores e autovetores de A, devemos resolver a equacao:
Av = v
Av = Iv

Av Iv = 0

(A I)v = 0
Escrevendo esta equacao explicitamente,temos

a11 a12 ........ a1n x1 0

a21 a22 ........ a2n x2 0
=
.. .. .. ..
. . . .

am1 am2 ........ amn xn 0
Fazendo
a11 a12 ........ a1n

a21 a22 ........ a2n
B=
.. ..

. .

am1 am2 ........ amn
temos o sistema

Bv = 0

Este sistema e um sistema homogeneo e possui ao menos a solucao v = 0 . Mas como estamos

procurando autovetores, queremos encontrar vetores v = 0 que satisfacam a equacao B v = 0 .

Sendo assim queremos que o sistema B v = 0 seja compatvel e indeterminado ( tenha alem da
solucao trivial, outras solucoes nao triviais). Pela regra de Cramer se det B = 0 entao o sistema
homogeneo tera infinitas solucoes. Assim, a unica maneira de encontrarmos autovetores v (solucoes

nao nulas da equacao B v = 0 ) e termos det B = 0, ou seja,
det(A I) = 0
Impondo esta condicao determinamos primeiramente os autovalores que satisfazem a equacao

e depois os autovetores a eles associados. Observamos que

a11 a12 ........ a1n

a21 a22 ........ a2n
p( ) = det(A I) = .. ..

. .

am1 am2 ........ amn
e um polinomio em de grau n.
Definicao 6.3 O polinomio p( ) = det(A I) e chamado polinomio caracterstico da matriz A
Observe que as razes do polinomio caracterstico sao os autovalores da matriz A. Note tambem
que o autovalor pode ser o numero zero (quando o polinomio caracterstico tem razes zero), embora
o autovetor v associado a nao possa ser o vetor nulo.

3 4
Exemplo 161 Vamos agora calcular os autovetores e autovalores da matriz A = .
1 2

3 4
Temos que: p( ) = det(A I) = det = (2 )(3 ) + 4 = 2 + 2
1 2
p( ) = 0 2 + 2 = 0 1 = 1 e 2 = 2.
Necessitamos calcular os autovetores de A e para isso basta resolvermos o sistema:
Av = v

x
onde v = e e cada um dos autovalores ja encontrados.
y
Para 1 = 1 temos

3 4 x x
= 1
1 2 y y

3 1 4 x 0
=
1 21 y 0

4 4 x 0
=
1 1 y 0
Temos um sistema homogeneo cuja matriz ampliada e

4 4 | 0 escalonando 4 4 | 0

1 1 | 0 0 0 | 0
4x + 4y = 0 y = x
Portando os autovalores associados ao autovalor 1 = 1 sao da forma v = (x, x) = x(1, 1) e assim

podemos concluir que o subespaco associado ao autovalor 1 = 1 e V1 = [(1, 1)] .
Para 1 = 2 temos

3 4 x x
= 2
1 2 y y

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

1 4 x 0
=
1 4 y 0
Temos um sistema homogeneo cuja matriz ampliada e

1 4 | 0 escalonando 1 4 | 0

1 4 | 0 0 0 | 0
x
x + 4y = 0 y =
4
Portando os autovalores associados ao autovalor 1 = 2 sao da forma v = (x, 4x ) = x(1, 14 ) e assim
[ ]
podemos concluir que o subespaco associado ao autovalor 2 = 2 e V2 = (1, 14 ) .
Exemplo 162 Encontre os autovalores e autovetores da transformacao linear que a cada vetor v
R3 associa a sua projecao ortogonal no plano x + y z = 0.
Devemos encontrar a transformacao linear T : R3 R3 tal que T (v) = projecao de v no plano
x + y z = 0.
Figura 6.1: Transformacao Linear T - (Exemplo 162)
Da figura acima vemos que para obtermos a projecao sobre o plano devemos inicialmente fazer
a projecao do vetor v na direcao do vetor normal n para obter o vetor p = pro jn v. Com isso temos,
T (v) + p = v
T (v) = v p
T (v) = v pro jn v
Um vetor normal do plano x + y z = 0 e n = (1, 1, 1), logo, como v = (x, y, z) temos
p = pro jn v
(vn)
p = n
(n n )
(x, y, z) (1, 1, 1)
p = (1, 1, 1)
(1, 1, 1) (1, 1, 1)
( )
x+yz
p = (1, 1, 1)
3
( )
x+yz x+yz x+yz
p = , ,
3 3 3
T (v) = v p
( )
x+yz x+yz x+yz
T (x, y, z) = (x, y, z) , ,
3 3 3
( )
2x y + z x + 2y + z x + y + 2z
T (x, y, z) = , ,
3 3 3
Para calcular os autovalores de T devemos encontrar a matriz de T. Neste caso,

2 1 1
3 3 3
1
[T ] = 2 1
3 3 3
1 1 2
3 3 3
p( ) = det([T ] I) = 0

1
2
1
3 3 3
1 1
det 3 2
=0
3 3
3
1 1 2
3 3
p( ) = 3 + 2 2 = 0
As raizes de p( ) sao 1 = 0 e 2 = 3 = 1.
Para 1 = 0 vamos calcular os autovalores associados resolvendo o sistema.

2 1 1
x 0
3 3 3
1
2 1 y = 0
3 3 3
1 1 2
3 3 3 z 0
cuja matriz ampliada e,

1
2 1
| 0 2
13 1
| 0
3 3 3 escalonando 3 3
1
2 1
| 0 0 1 1
| 0
3 3 3 = 2 2
1
3
1
3
2
3 | 0 0 0 0 | 0

2x 1y + 1z = 0
3 3 3
1 1
2y + 2z = 0

2x y + z = 0
y+z = 0
e entao:
y = z
x = z
Portanto os autovalores associados ao autovalor 1 = 0 sao da forma v = (z, z, z).
Observacao 21 Note que acima damos a forma geral dos autovetores, no caso acima temos v =
z(1, 1, 1) assim um autovetor e v = (1, 1, 1) como todo autovetor e um multiplo de v =
(1, 1, 1) temos que V1 = [(1, 1, 1)], isto e, o subespaco associado ao autovalor 1 = 0 e gerado
pelo vetor v = (1, 1, 1). Note que geometricamente o subespaco V0 = [(1, 1, 1)] e formado
pelos vetores que sao multiplos do vetor normal ao plano, ou seja, por todos os vetores ortogonais ao
plano.
Para 2,3 = 1 vamos calular os autovalores associados resolvendo o sistema.

2
1 13 1
x 0
3
3

13 2
1 1 y = 0
3
3
3 1
1 1 2
3 3 z 0

13 13 1
3 x 0

1
13 13 = 0
3 y

1
3
1
3 1
3 z 0

13 13 1
3
1
3 13 1
3
1
3
1
3 13

13 13 1
13 13 1
3 escalonando 3
1
3 13 1 0 0 0
3 =
1
3
1
3 13 0 0 0
1 1 1
x y + z = 0 x = y + z
3 3 3
Portanto os autovalores associados aos autovalores 2 = 3 = 1 sao da forma v = (y + z, y, z) =
y(1, 1, 0) + z(1, 0, 1). Logo V2 = [(1, 1, 0)] e V3 = [(1, 0, 1)].
Exemplo 163 Encontre todos os autovalores e autovetores do operador linear T : P2 P2 definido

por T (a + bx + cx2 ) = 2c + (a + 2b + c)x + (a + 3c)x2 .
A matriz que representa o operador T e dada por:

0 0 2

[T ] = 1 2 1

1 0 3
Para encontrar os autovetores resolver ([T ] I)v = 0, isto e,

0 0 2 a 0

1 2 1 b = 0

1 0 3 c 0
Para obtermos uma solucao nao nula para este sistema devemos impor:
det([T ] I) = (2 )(3 ) + 2(2 ) = 0
Obtemos entao os autovalores 1 = 1 e 2 = 3 = 2.

Vamos agora encontrar os autovetores associados aos autovalores 1 = 1 e 2 = 3 = 2.
Para 1 = 1:

1 0 2 a 0 1 0 2 a 0
Escalonando

1 1 1 b = 0 0 1 1 b = 0
p = (2c, c, c)

1 0 2 c 0 0 0 0 c 0
Portanto,

p = 2c + cx + cx2 e autovetor associado a 1 = 1
Para 2 = 3 = 2:

2 0 2 a 0 2 0 2 a 0
Escalonando

1 0 1 b = 0 0 0 0 b = 0
p = (c, b, c)

1 0 1 c 0 0 0 0 c 0
Portanto

p = c + bx + cx2 e autovetor associado a 2 = 3 = 2.
Exemplo
164 Encontre
os autovalores e autovetores:
1 4
a)
2 3

2 1 0

b) 0 1 1

0 2 4

1 1 2

c) 0 5 1

0 0 7
148 6.2. Matrizes Semelhantes

4 0 1

d) 2 1 0

2 0 1

5 6 2

e) 0 1 8

1 0 2
Exemplo 165 Seja T : R2 R2 o operador dado por T (x, y) = (4x + 4y, x + 4y). Determine os
autovetores e autovalores.
6.2 Matrizes Semelhantes

Seja T : V V um operador linear. Sejam e bases de V e [T ] , [T ] matrizes de T em relacao
as bases e respectivamente, entao:

[T ] = [I] [T ] [I]
( )1
Lembrando que [I] = [I] temos que
( )1

[T ] = [I] [T ] [I]
Chamando [I] = A :

[T ] = A [T ] A1
Pelo conceito de matriz de uma transformacao linear podemos escrever:
[T (v)] = [T ] [v] (I)
e

[T (v)] = [T ] [v] (II)
Sendo [I] a matriz mudanca de base de para , tem-se:

[v] = [I] [v] e [T (v)] = [I] [T (v)]
6.3. Diagonalizacao de Operadores 149
Substituindo [v] e [T (v)] em (I), resulta:

[I] [T (v)] = [T ] [I] [v]
ou,
( )
1
[T (v)] = [I] [T ] [I] [v]
Comparando essa igualdade com (II) , tem-se
( )
1
[T ] = [I] [T ] [I]
( )
1
ou, como [I] = [I] , podemos escvrever
( )1

[T ] = [I] [T ] [I]

As matrizes [T ] e [T ] sao chamadas semelhantes.
Definicao 6.4 Dadas as matrizes A e B, se existe uma matriz P inversvel tal que
A = PBP1
entao dizemos que as matrizes A e B sao semelhantes.
Observacao 22 Se A e B sao semelhantes entao detA = detB, mas nao vale a recproca.
6.3 Diagonalizacao de Operadores
Nosso objetivo aqui sera encontrar uma base do espaco vetorial V na qual a matriz de um determinado
operador linear T : V V seja a mais simples possvel. Veremos que a melhor situacao possvel e
aquela em que conseguimos uma matriz diagonal associada a um operador.
Dado um operador linear T : V V , nosso objetivo e conseguir uma base , para V , na qual

a matriz do operador nesta base ([T ] ) seja uma matriz diagonal. Esta e a forma mais simples de
se representar um operador e a base , nesse caso, e uma base cujos vetores sao autovetores de T .
Observemos inicialmente o exemplo que segue.
150 6.3. Diagonalizacao de Operadores
Exemplo 166 Seja T : R2 R2 o operadorlinear definido
por T (x, y) = (3x + 4y, x + 2y), cuja
3 4
matriz, em relacao a base canonica e [T ] = .
1 2
Seus autovalores sao 1 = 1 e 2 = 2 com autovetores associados v1 = (1, 1) e v2 = (4, 1), res-
pectivamente. Notemos que os autovetores formam uma base de R2 . Seja, entao, = {(1, 1), (4, 1)}

a base de R2 formada pelos autovetores de T e encontremos [T ] . Para tal, aplicamos T em cada
vetor da base e escrevemos a imagem obtida como combinacao linear dos vetores da base :
T (1, 1) = (1, 1) = a(1, 1) + b(4, 1) = 1(1, 1) + 0(4, 1)
T (4, 1) = (8, 2) = c(1, 1) + d(4, 1) = 0(1, 1) 2(4, 1)

1 0
Assim, [T ] = .
0 2

Notemos que [T ] e uma matriz diagonal e representa o operador T na base de autovetores.
Na verdade, quando a base de autovetores existe, a matriz que representa um operador linear nesta
base sera sempre uma matriz diagonal que, como ja citado, e a forma mais simples de se representar
o operador. O problema, entao, e saber em que condicoes a base de autovetores existe, pois veremos
adiante que em muitos casos tal base nao existe.
Consideremos, para elucidar o problema citado, as propriedades que seguem:
Propriedades 6.1
1. Autovetores associados a autovalores distintos sao linearmente independentes. Proof. Ex-

erccio!
2. Se T : V V e um operador linear tal que dimV = n e T possui n autovalores distintos, entao

o conjunto = {v1 , v2 , . . . , vn }, formado pelos correspondentes autovetores, e uma base de V .
Em outras palavras, se conseguirmos encontrar tantos autovalores distintos quanto for a dimensao
do espaco, podemos garantir a existencia de uma base de autovetores.
Definicao 6.5 Seja T : V V um operador linear. Dizemos que T e um operador diagonalizavel se

existe uma base de V cujos elementos sao autovetores de T .
Neste caso, a matriz que representa T na base e uma matriz diagonal cujos elementos sao
autovalores de T , ou seja,

0 ... 0
1

0 2 ... 0
[T ] =
.. .. ..

..
. . . .

0 0 . . . n
Aqui supomos que dimV = n.
Exemplo 167 Observemos os autovalores

e respectivos
autovetores associados a um operador linear
1 1 4

T, representados pela matriz A = 3 2 1.

2 1 1
Os Autovalores e autovetores de A sao:
1 = 1 v1 = (z, 4z, z) = z(1, 4, 1)
2 = 2 v2 = (y, y, y) = y(1, 1, 1)
3 = 3 v3 = (x, 2x, x) = x(1, 2, 1)
Logo o conjunto = {(1, 4, 1), (1, 1, 1), (1, 2, 1)} e uma base do R3 , pela propriedade 2 e,
portanto o operador T representado pela matriz A, e diagonalizavel. Entao, como a base e formada
pelos autovetores de A ou de T, o operador T e representado por uma matriz diagonal D que e a matriz

[T ] . A construcao da matriz D pode ser acompanhada conforme segue:
T (v1 ) = Av1 = (1, 4, 1)
T (v2 ) = Av2 = (2, 2, 2)
T (v3 ) = Av3 = (3, 6, 3)
Entao:
(1, 4, 1) = a(1, 4, 1) + b(1, 1, 1) + c(1, 2, 1)
(2, 2, 2) = d(1, 4, 1) + e(1, 1, 1) + f (1, 2, 1)
(3, 6, 3) = g(1, 4, 1) + h(1, 1, 1) + i(1, 2, 1)

Dessa forma, temos
1 0 0

D = 0 2 0 = [T ]

0 0 3

4 2 0

Exemplo 168 Considere agora o operador T : R3 R3 , representado pela matriz A = 1 1 0.

0 1 2
Autovalores e autovetores de A :
1 = 2 = 2 v1 = (0, 0, z) = z(0, 0, 1)
3 = 3 v3 = (2, 1, 1)
Observe que A nao pode ser diagonalizada, pois nao e possvel encontrar uma base de autovetores
para o R3 ; so e possvel obter dois autovetores L.I.
6.3.1 Matriz Diagonalizadora
Seja T : V V um operador linear. Sejam A a matriz canonica do operador T, isto e, [T ] = A e D a

matriz de T na base de autovetores. As matrizes A e D sao semelhantes, pois representam o mesmo
operador T em bases diferentes. Logo, a relacao de matrizes semelhantes 6.4 permite escrever:
D = P1 AP

onde P e a matriz mudanca da base para a base canonica , isto e, P = [I] .
Note que, pela definicao da matriz P, podemos concluir que ela e uma matriz cujas colunas sao os
autovetores do operador T. Observamos que a matriz D e obtida pela atuacaoda matriz P, quando
ela existe, sobre a matriz A. Dizemos entao que a matriz P diagonaliza A ou que P e a matriz diago-
nalizadora.

1 3 3

Exemplo 169 Sendo possvel, encontre a matriz que diagonaliza A = 3 5 3.

3 3 1
Temos que determinar uma matriz inversvel P e uma matriz diagonal D tal que D = P1 AP.
Vamos seguir os seguintes passos:
Passo1- Determinar aos autovalores de A

1 3 3

det(A I) = 0 det 3 5 3 = 3 3 2 + 4 = 0

3 3 1
Os autovalores sao 1 = 2 = 2 e 3 = 1
Passo 2 - Determinar os autovetores
Serao necessarios tres autovetores porque a matriz e 3 3, caso contrario a matriz nao podera
ser diagonalizada.
Calculando os autovetores por meio do sistema homogeneo:

1 3 3 x 0

3 5 3 y = 0

3 3 1 z 0
obteremos:
- Para = 2 uma base para o subespaco associado e v1 = (1, 1, 0) e v2 = (1, 0, 1).
- Para = 1 uma base para o subespaco associado e v3 = (1, 1, 1).
Note que {v1 , v2 , v3 } e linearmente independente. (Verifique)
Passo 3 - Monte P a partir dos vetores do passo 2

1 1 1
[ ]

P = v1 v2 v3 = 1 0 1

0 1 1
Passo 4 - Monte D a partir dos autovalores associados
E essencial que a ordem dos autovalores seja igual a ordem escolhida para as colunas de P.

2 0 0

D = 0 2 0

0 0 1
Passo 5 - Verifique que D = P1 AP ou que AP = PD

1 3 1 1 1
3 2 2 1

AP = 3 5 3 1 0 1 = 2 0 1

3 3 1 0 1 1 0 2 1

1 1 1 2 0 0 2 2 1

PD = 1 0 1 0 2 0 = 2 0 1

0 1 1 0 0 1 0 2 1
Teorema 6.3 Se A e uma matriz n n com n autovalores distintos entre si, entao A e diagonalizavel.
Proof. Exerccio.

2 3 7

Exemplo 170 A matriz A = 0 5 1 tem autovalores 1 = 2, 2 = 5 e 3 = 1. Como esses

0 0 1
sao tres autovalores distintos de uma matriz 3 3, A e diagonalizavel.
Definicao 6.6 i) Se e autovalor de uma matriz A de tamanho n n, entao a dimensao do subespaco

associado a e chamada multiplicidade geometrica de .
ii) O numero de vezes que aparece como autovalor de A e chamado de multiplicidade algebrica
de .
Teorema 6.4 Se A e uma matriz quadrada, entao:

i) Para cada autovalor de A, a multiplicidade geometrica e menor do que ou igual a multiplicidade
algebrica.
ii) A e diagonalizavel se, e somente se, para cada autovalor, a multiplicidade geometrica e igual
a multiplicidade algebrica.
Exemplo 171 Diagonalize a seguinte matriz, se possvel.

5 0 0 0

0 5 0 0
A=

1 4 3 0

1 2 0 3
Vamos calcular det(A I) = 0 para encontrar os autovalores de A.

6.4. Calculando potencias de uma matriz 155

5 0 0 0

= =5
0 5 0 0
det =0 1 2
= = 3
1 4 3 0
3 4
1 2 0 3
= 5 e = 3, ambos tem multiplicidade 2.

Calculando os autovetores por meio do sistema homogeneo:

5 0 0 0 x 0

0 5 0 0 y 0
=

1 4 3 0 z 0

1 2 0 3 t 0
obtemos:
- Para = 5 uma base para o subespaco associado e v1 = (8, 4, 1, 0) e v2 = (16, 4, 0, 1).
- Para = 3 uma base para o subespaco associado e v3 = (0, 0, 1, 0) e v4 = (0, 0, 0, 1).
Note que para ambos os autovalores a multiplicidade algebrica e igual a multiplicidade
que A e diagonalizavel.
geometrica, logo pelo teorema anterior, conclumos
8 16 0 0 5 0 0 0

4 4 0 0 0 5 0 0
Entao existe P tal que A = P1 DP, onde P =

eD=

.

1 0 1 0 0 0 3 0

0 1 0 1 0 0 0 3
6.4 Calculando potencias de uma matriz
Nesta secao, veremos como a diagonalizacao de matrizes pode ajudar no calculo de potencias de
matrizes.
Teorema 6.5 Seja A e uma matriz quadrada n n e k um numero inteiro. Se v e autovetor de A

associado ao autovalor entao v tambem e autovetor de Ak associado ao autovalor k .
Proof. Por definicao, se v e autovetor de A associado ao autovalor entao Av = v.

Multiplicando por A ambos os lados da igualdade, tem-se
A2 v = A v = (Av) = 2 v
156 6.4. Calculando potencias de uma matriz
Novamente, multiplicando por A ambos os lados
A3 v = A 2 v = 2 (Av) = 3 v
Generalizando esta ideia para k vezes, obtemos
| A {z
(A ..... A})Av = (A ..... A}) v Ak v = k v
| A {z
k1 vezes k1 vezes
concluindo assim nossa demonstracao.

Assim, todo autovetor de A e tambem autovetor de Ak e portanto, se a matriz A e diagonalizavel,
A e Ak possuem a mesma matriz diagonalizadora P. O proximo teorema nos diz como obter a matriz
Ak para todo k inteiro.
Teorema 6.6 Seja A e uma matriz quadrada n n diagonalizavel entao existe uma matriz invertvel
P e uma matriz diagonal D tais que Ak = PDk P1 , para todo k inteiro.
Proof. Se A e diagonalizavel, entao existe uma matriz invertvel P e uma matriz diagonal D tais que
A = PDP1 . Assim,
Ak = A.A.A A
= (PDP1 ).(PDP1 ).(PDP1 ) (PDP1 )
= PD(P1 P)D(P1 P)DP1 = PDk P1

Isso sugere que para calcularmos Ak podemos diagonalizar A, obtendo P e D, depois calcular Dk ,
e o resultado sera igual a PDk P1 . Como D e diagonal e sua diagonal e formada pelos autovalores de
A, pelo teorema anterior tem-se
k 0 ... 0
1

0 2k ... 0
D =
k
.. .. .. ..

. . . .

0 0 . . . n k
.

1 2 8

Exemplo 172 Calcule A20 onde A = 0 2 0

0 0 2
6.5. Sexta lista de exerccios 157
6.5 Sexta lista de exerccios
Exerccio 6.1 Construa uma matriz 2x2 nao diagonal com autovalores 1 e 1.
Exerccio 6.2 Se k e um numero inteiro, um autovalor da matriz A e v um autovetor de A associado

ao autovetor . Mostre que k e um autovalor da matriz Ak associado ao autovetor v.

1 3 7 11

0 2 3 8
1
Exerccio 6.3 Encontre os autovalores de A se A =
9

0 0 0 4

0 0 0 2
Exerccio 6.4 Encontre os autovalores e autovetores das transformacoes lineares dadas:

a) T : R2 R2 tal que T (x, y) = (2y, x)
b) T : R2 R2 tal que T (x, y) = (x + y, 2x + y)
c) T : R3 R3 tal que T (x, y, z) = (x + y, x y + 2z, 2x + y z)
d) T : P2 P2 tal que T (ax2 + bx + c) = ax2 + cx + b
e) T : M(2, 2) M(2, 2) tal que A AT
Exerccio 6.5 Encontre a transformacao linear T : R2 R2 , tal que T tenha autovalores 2 e 3

associados aos autovetores (3y, y) e (2y, y) respectivamente.
Exerccio 6.6 Encontre os autovalores e autovetores correspondentes

das
matrizes
2 0 1 0

1 2 3

1 0 2

0 2 0 1
a) A = 0 1 2 b) A = 1 0 1 c) A =
.

12 0 3 0
0 0 1 1 1 2
0 1 0 0
Exerccio 6.7 Que vetores nao nulos do plano, quando cisalhados por C(x, y) = (y 3x, y) e em
seguida girados de 45o (no sentido anti-horario) ficam ampliados / reduzidos (na mesma direcao)?
Em quantas vezes?
Exerccio 6.8 Seja T : V V linear

a) Se = 0 e autovalor de T , mostre que T nao e injetora.
b) A recproca e verdadeira? Ou seja, se T nao e injetora, = 0 e autovalor de T ?
c) Quais sao os autovalores e autovetores do operador derivacao D : P2 P2 , D(p) = p .
Exerccio 6.9 Determine os autovalores e autovetores, se existirem, do operador linear T : R3 R3

obtido quando se faz uma rotacao de rad em torno do eixo x, seguida de uma contracao de 21 .
158 6.5. Sexta lista de exerccios
Exerccio 6.10 Seja T : V V o operador linear que tem autovalores 1 = 1, 2 = 2, , n = n
associados
autovetores v1 , v2 , , vn respectivamente. Sabendo que = {v1 , v2 , , vn } e que
aos
1

2
[v] =
..
, determinar [T (v)] .

.

n
Exerccio 6.11 Seja A uma matriz quadrada e AT sua transposta. As matrizes A e AT possuem os
mesmos autovalores e autovetores? Justifique sua resposta.
Exerccio 6.12 Encontre os autovalores e autovetores da transformacao linear que a cada vetor v
R3 associa a sua projecao ortogonal no plano x + y = 0.
Exerccio 6.13 Sejam A e B matrizes n n. Se B e semelhante a A, entao as duas matrizes tem o

mesmo polinomio caracterstico e, portanto, os mesmos autovalores.
Exerccio 6.14 Seja T : 2 2 um operador linear que dobra o comprimento do vetor (1, 3) e
triplica e muda o sentido do vetor (3, 1).
a) Determine T (x, y)
b) Calcule T (0, 2)
c) Qual a matriz do operador T na base {(2, 1), (1, 2)}.

1 0 0 1
Exerccio 6.15 Seja T : M(2, 2) M(2, 2) com autovetores v1 = , v2 = , v3 =
0 0 0 0

1 0 0 0
e v4 = associados aos autovalores 1 = 1, 2 = 1, 3 = 2, 4 = 0, respectiva-
1 0 1 1

a b
mente. Determine T .
c d
Exerccio 6.16 Dada a transformacao linear T : 2 2 que e a projecao sobre a reta y = 2x .

Encontre os autovalores e autovetores da transformacao T .
Exerccio 6.17 Considere P1 = conjunto dos polinomios de grau 1. Seja o operador linear D :
P1 P1 dado por D(p) = x.p + p .Determine os autovalores e autovetores de D.
Exerccio 6.18 Sejam A, B M(n, n) matrizes triangulares com a mesma diagonal principal. Existe
alguma relacao entre seus autovalores? Qual?
Exerccio 6.19 Mostre que o conjunto de todos os autovetores de um operador linear T : V V
associados a um autovalor e um subespaco vetorial de V .
Exerccio 6.20 Discuta a veracidade da afirmacao: Se nao e um autovalor de A, entao o sistema

linear (A I)v = 0 so tem a solucao trivial.

1 2 4 0
Exerccio 6.21 A matriz A = e semelhante a matriz B = . Determine uma ma-
3 2 0 1
triz P que realiza esta semelhanca.
6.22Verifique
Exerccio se as matrizes dadas sao semelhantes
1 1 2 1
a) e
1 4 1 3

3 1 1 2
b) e
6 2 1 0
Exerccio 6.23 Se B = R1 AR e

v e um autovetor de B associado a um autovalor entao R

v e
autovetor de A associado a .
Exerccio 6.24 Sejam A e B matrizes semelhantes. Prove que:

a) A I e B I sao semelhantes.
b) Ak e Bk sao semelhantes, para cada inteiro positivo k.
c) Se A e B sao inversveis, entao A1 e B1 sao semelhantes.
Exerccio 6.25 Seja T o operador linear em R3 definido por T (x, y, z) = (2y + z, x 4y, 3x) e con-
sidere a base usual do R3 e a base = {(1, 1, 1), (1, 1, 0), (1, 0, 0)}.
a) Mostre que as matrizes [T ] e [T ] sao semelhantes.
b) T e inversvel? Se for determine a lei que define T 1 .
Exerccio 6.26 Sejam T : V V e um operador linear e e bases distintas de V . Mostre que se

[T ] e [T ] sao matrizes semelhantes entao det [T ] = det [T ] .
Exerccio 6.27 Seja T : R2 R2 o operador linear definido por T (x, y) = (7x 4y, 4x + y)
a) Determinar uma base do R2 em relacao a qual a matriz do operador T e diagonal.
b) Dar a matriz de T nessa base.
Exerccio 6.28 Considere uma transformacao linear T : V V abaixo. Se possvel, encontre uma

base para V tal que a matriz [T ] de T, em relacao a base , seja diagonal.
a) T : P2 P2 definida por T (a + bx) = (4a + 2b) + (a + 3b)x.
b) T : P2 P2 definida por T (p(x)) = p(x + 1).
Exerccio 6.29 Verificar se a matriz A e diagonalizavel. Caso seja, determinar uma matriz P que
diagonalizaA e calcular
P1 AP.
5 1
a) A =
1 3

1 2 1

b) A = 1 3 1

0 2 2

2 1 0 1

0 2 1 1
c) A =

0 0 3 2

0 0 0 3

2 k 0

Exerccio 6.30 Determine o valor de k para que a matriz A = 0 2 1 seja diagona-lizavel.

0 0 3

3 2 4 1

0 1 a 0
Exerccio 6.31 Determine a de modo que a matriz A =
seja diagonalizavel. Para o

0 0 3 4

0 0 0 2
valor de a encontrado, determine uma matriz inversvel P e uma matriz diagonal D tais que P1 AP =
D.

0 1
Exerccio 6.32 Calcule A10 para A = .
2 1
Exerccio 6.33 Seja T um operador linear que preserva o comprimento do vetor v1 = (1, 0, 0), du-
plica o comprimento do vetor v2 = (0, 2, 0) e inverte o sentido do vetor v3 = (0, 2, 1). Determine o
operador linear T 20 .
Exerccio 6.34 Seja A uma matriz inversvel. Prove que, se A e diagonalizavel, A1 tambem e.
Exerccio 6.35 Seja A uma matriz 4 4 e seja um autovalor de multiplicidade 3. Se A I tem

posto 1, A e diagonalizavel? Explique.
Exerccio 6.36 Classifique cada afirmacao como verdadeira ou falsa. Justifique cada resposta.
a) Se A e diagonalizavel, entao A tem n autovalores distintos.
b) Se A e inversvel entao A e diagonalizavel.
c) Uma matriz quadrada com vetores-coluna linearmente independentes e diagonalizavel.
d) Se A e diagonalizavel, entao cada um de seus autovalores tem multiplicidade 1.
e) Se nenhum dos autovalores de A e nulo, entao det A = 0.
f) Se u e v sao autovetores de A associados, respectivamente, aos autovaloes distintos 1 e 2 ,
entao u + v e um autovetor de A associado ao autovalor 1 + 2 .
g) Se v e autovetor dos operadores T : V V e S : V V entao v e autovetor do operador T + S.

1 = 2 = v1 = ( 2y, y)
6.1 - a)
2 = 2 = v2 = ( 2y, y)

1 = 1 + 2 = v1 = (x, 2x)
b)
2 = 1 2 = v2 = (x, 2x)
1 = 2 = v1 = (y, y, y)
c) 2 = 1 = v2 = (2z, 4z, z)
3 = 2 = v3 = (x, 3x, x)
1 = 2 = 1 = p1 (x) = ax2 + bx + b
d)
3 = 1 p2 (x) = bx b
=

a b
1 = 2 = 1 = A1 =
b c
e)
0 c
3 = 4 = 1 = A3 =
c 0
6.2 - a) 1 = 2 = 3 = 1 = v = (x, 0, 0)
1 = 1 = v1 = (x, x, 0)
b) 2 = 3 = v2 = (x, 0, x)
3 = 1 = v3 = (z, 2z, z)
1 = 6 = v1 = (x, 0, 4x, 0)
c) 2 = 1 = v2 = (x, 0, 3x, 0)
3 = 1 = v3 = (0, t, 0,t))

1 11
6.4 - Por exemplo a matriz [T ] =
0 1
6.5 - T (x, y) = (6y, y x)

1 = 32 2 = v = (x, 35 x)
6.6 - a)
2 = 2 = v = (0, y)
1 = 1
2 = v = (x, 0, 0)
6.7 -
2 = 3 = 21 = v = (0, y, z)
( )
6.8 - a) T (x, y) = 29x15y
8 , 15x+21y
8
( 15 21 )
b)T (0, 2) = 4 , 4

1
35 85
c) [T ]{(2,1),(1,2)} = 30
115 125

a b a + c d b
6.9 - T =
c d 2c 2d 0
1 = 1 = v = (2y, y)
6.10 -
2 = 0 = v = (x, 2x)
1 = 0 = p1 (x) = a
6.11 -
2 = 1 = p2 (x) = b + bx
1 = 0 = v1 = (x, x, 0)
6.13 -
2 = 3 = 1 = v2 = (y, y, z)

a a
6.18 - P e da forma P = , entao uma matriz P que realiza a semelhanca pode ser
32 d d

1 1
P= .
3 2
( )
6.23 - b) T 1 (x, y, z) = 3z , 4y + 12
z
, x + 2y 6z
6.25 - a) = {(1, 2), (2, 1)}

1 0
b) [T ] =
0 9
6.26 - a) = {1 + x, 2 + x}
b) Nao e possvel encontrar uma base tal que [T ] seja diagonal.
6.27 - a) Nao

0 2 1

b) P = 1 1 0

2 2 1
c) Nao
6.28 - k = 0

9
3 0 0 0 1 0 1
2

0 3 0 0 0 2 1 4
6.29 - a = 4; D =

;P=

0 0 1 0 0 1 0 1

0 0 0 2 0 0 0 12
1
6.30 - Os autovalores
sao1, 0, 512 , 512
342 341
6.31 - A10 =
682 683
6.32 - T 20 (x, y, z) = (x, 1.048.576y 1.048.574z, z)
6.36 - F, F, F, F, V, F
Captulo 7
PRODUTO INTERNO
Estamos interessados nesta secao em formalizar os conceitos de comprimento de um vetor e de angulo

entre dois vetores. Esses conceitos permitirao uma melhor compreensao do que seja uma base ortog-
onal e uma base ortonormal em um espaco vetorial e, principalmente, nos darao a nocao de me-
didaque nos leva a precisar conceitos como o de area, volume, distancia, etc...
Consideremos inicialmente o plano R2 , munido de um referencial cartesiano ortogonal (eixos

perpendiculares) e um ponto P(x, y). Vamos calcular a distancia do ponto P a origem O(0, 0).
Figura 7.1: Distancia do ponto P a origem - (6)

Observando a figura e utilizando o teorema de pitagoras, temos que d = x2 + y2 . Podemos
tambem, interpretar este resultado dizendo que o comprimento (que passaremos a chamar de norma)
do vetor (x, y) e

(x, y) = x 2 + y2 .
Por outro lado, se tivermos dois vetores u = (x1 , y1 ) e v = (x2 , y2 ), podemos definir um pro-
dutode u por v assim:
u, v = x1 x2 + y1 y2 ,
produto este chamado de produto escalar ou produto interno usual e que tem uma relacao importante
com a norma de um vetor v = (x, y) :

v = x 2 + y2 = x.x + y.y = v, v.
Se, ao inves de trabalharmos no R2 , estivessemos trabalhando no R3 (munidos de um referencial

166 Captulo 7. PRODUTO INTERNO
cartesiano ortogonal), teramos encontrado uma expressao similar para o produto escalar:
(x1 , y1 , z1 ), (x2 , y2 , z2 ) = x1 x2 + y1 y2 + z1 z2
e a mesma relacao com a norma de um vetor v = (x, y, z)

v = x2 + y2 + z2 = v, v
Voltando ao caso do plano, se tivessemos trabalhando com um referencial nao ortogonal (eixos
nao perpendiculares), e quisessemos calcular a distancia da origem ate um ponto P (cujas coordenadas
em relacao ao referencial fossem (x, y) ), teramos, usando o teorema de Pitagoras,

d = (x, y) = (x + y cos ) + (y sin ) = x2 + (2 cos )xy + y2
2 2
Figura 7.2: - (6)
Observe, que se usassemos o produto escalar (x1 , y1 ), (x2 , y2 ) = x1 x2 + y1 y2 , neste caso nao

haveria a relacao v = v, v,mas ela passaria a valer se usassemos a seguinte regra para o produto:
(x1 , y1 ), (x2 , y2 ) = x1 x2 + (cos )x1 y2 + (cos )x2 y1 + y1 y2 , pois
v, v = (x, y), (x, y) = x2 + (cos )xy + (cos )yx + y2 = v2
Portanto, novamente a nocao de distancia poderia ser dada a partir de um produto interno de
vetores.
Conclumos destes exemplos, que o processo usado para se determinar medidasnum espaco
pode variar e, em cada caso, precisamos ser bem claros sobre qual produto interno estamos trabal-
hando.
Definicao 7.1 Seja V um espaco vetorial real. Um produto interno sobre V e uma funcao f : V V
R que a cada par de vetores u e v, associa um numero real, denotado por u, v, e que satisfaz as
seguintes propriedades:
a. v, v > 0 e v, v = 0 v = 0
b. u, v = v, u
c. u + v, w = u, w + v, w
Captulo 7. PRODUTO INTERNO 167
d. ku, v = k u, v , k R
Exemplo 173 V = R2 ; f ((x1 , y1 ), (x2 , y2 )) = 2x1 x2 + 5y1 y2 e um produto interno sobre o R2 .

Para mostrar a veracidade da afirmacao devemos provar as propriedades da definicao de produto
Interno. Sejam, entao, u = (x1 , y1 ), v = (x2 , y2 ) e w = (x3 , y3 ) e k R:
a. u, u = (x1 , y1 ), (x1 , y1 ) = 2x12 + 5y21 > 0 e u, u = 0 2x12 + 5y21 = 0 x1 = 0 ou y1 = 0

u = (0, 0).
b. u, v = (x1 , y1 ), (x2 , y2 ) = 2x1 x2 + 5y1 y2 = 2x2 x1 + 5y2 y1 = v, u
c. u + v, w = (x1 + x2 , y1 + y2 ), (x3 , y3 ) = 2(x1 + x2 )x3 + 5(y1 + y2 )y3
= (2x1 x3 + 5y1 y3 ) + (2x2 x3 + 5y2 y3 )
= u, w + v, w
d. ku, v = (kx1 , ky1 ), (x2 , y2 ) = 2kx1 x2 + 5ky1 y2 = k(2x1 x2 + 5y1 y2 ) = k u, v
Exemplo 174 Verifique que u, v = 3x1 y1 x1 y2 x2 y1 + x2 y2 onde u = (x1 , x2 ), v = (y1 , y2 ) e um

produto interno em R2 .
Para mostrar a veracidade da afirmacao devemos provar as propriedades da definicao de produto
Interno. Sejam, entao, u = (x1 , x2 ), v = (y1 , y2 ) e w = (z1 , z2 ) e k R :
( ) ( ) ( )
a. u, u = (x1 , x2 ), (x1 , x2 ) = 3x12 2x1 x2 +x22 = 2x12 + x12 2x1 x2 + x22 = 2x12 +(x1 x2 )2 > 0
. Entao u, u = 0 se e somente se x1 = 0, x2 = 0, isto e, u = (0, 0).
b. u, v = (x1 , x2 ), (y1 , y2 ) = 3x1 y1 x1 y2 x2 y1 + x2 y2 = 3y1 x1 y2 x1 y1 x2 + y2 x2 = v, u
c. u + v, w = (x1 + y1 , x2 + y2 ), (z1 , z2 ) = 3(x1 + y1 )z1 (x1 + y1 )z2 (x2 + y2 )z1 + (x2 + y2 )z2
= (3x1 z1 x1 z2 x2 z1 + x2 z2 ) + (3y1 z1 y1 z2 y2 z1 + y2 z2 )
= u, w + v, w
d. ku, v = (kx1 , kx2 ), (y1 , y2 ) = 3kx1 y1 kx1 y2 kx2 y1 + kx2 y2
= k(3x1 y1 x1 y2 x2 y1 + x2 y2 ) = k u, v
Exemplo 175 Verifique que u, v = x1 x2 +y21 y22 onde u = (x1 , y1 ) e v = (x2 , y2 ), nao define um produto
interno no R2 .
Observe que a terceira propriedade da definicao de Produto Interno falha, vejamos:
168 Captulo 7. PRODUTO INTERNO
Sejam, entao, u = (x1 , y1 ), v = (x2 , y2 ) e w = (x3 , y3 ).
( ) ( )
u + v, w = (x1 + x2 )x3 + (y1 + y2 )2 y23 = x1 x3 + y21 y23 + x2 x3 + y22 y23 + 2y1 y2 y23 = u, w +
v, w + 2y1 y2 y23
Portanto, u + v, w = u, w + v, w .
Exemplo 176 Sendo u = (x1 , x2 ) e v = (y1 , y2 ) vetores genericos do R2 , definamos u, v = xa1 y21 + xb2 y22
com a, b R fixos e nao nulos. Provar que u, v define um produto interno sobre R2 .
Definicao 7.2 Em Rn , o produto interno usual (ou escalar) e definido por:
(x1 , x2 , ..., xn ), (y1 , y2 , ..., yn ) = x1 y1 + x2 y2 + ... + xn yn .
Observacao 23 Quando nao ha referencia sobre o produto interno definido num espaco vetorial V ,
entendemos que sobre ele fica definido o produto interno usual.
Exemplo 177 Seja V = P2 , p = a0 + a1 x + a2 x2 e q = b0 + b1 x + b2 x2 vetores quaisquer de P2 . A

formula
p, q = a0 b0 + a1 b1 + a2 b2
define um produto interno em P2 .

Note que
p, q = a1 b1 + a2 b2
nao define, sobre V, um produto interno, pois falha a propriedade a) da definicao de produto intermo.
Veja que existem polinomios p V tais que p, p = 0, sem que p = 0. Por exemplo, p = 2 + 0x + 0x2 .
Exemplo 178 Seja V o espaco da funcoes contnuas no intervalo [a, b]. Se f e g pertencem a V , entao
b
f , g = f (x)g(x)dx
a
define sobre V um produto interno.
Como exerccio, mostre que as quatro propriedades do produto interno sao validas para este caso.
Definicao 7.3 Se A e B sao duas matrizes quaisquer de V = M2 entao, definimos
( )
A, B = tr AT B (7.1)
7.1. Normas, Distancias e Angulos em Espacos com Produto Interno 169
onde tr e o traco de uma matriz quadrada definido por
n
tr(A) = aii
i=1

1 2 1 0 ( )
Exemplo 179 Considere as matrizes A = e B= . Entao, A, B = tr AT B =
3 4 3 2
T
1 2 1 0 8 6
tr = tr = 16.
3 4 3 2 10 8
7.1 Normas, Distancias e Angulos em Espacos com Produto In-

terno
Definicao 7.4 Se V e um espaco com produto interno, entao a norma (ou comprimento) de um vetor
v V e dada por

v = v, v
A distancia entre dois pontos (vetores) u e v e dada por
d(u, v) = u v
Definicao 7.5 Se v = 1, isto e, v, v = 1, dizemos que o vetor v esta normalizado, o que significa
que seu comprimento e igual a 1 unidade.
Definicao 7.6 Todo vetor nao-nulo v V pode ser normalizado, fazendo:
v
u= .
v
Exemplo 180 Considerando v = (1, 2, 3) e nao havendo referencia a algum produto interno em
R3 , temos:

v = (1, 2, 3) = (1, 2, 3), (1, 2, 3) = 1+4+9 = 14,

ou seja, o comprimento de v, em relacao ao produto interno usual, e 14 unidades.
Exemplo 181 A norma do vetor v = (3, 1) em relacao ao produto interno definido no exemplo 173,
e:
170 7.1. Normas, Distancias e Angulos em Espacos com Produto Interno

(3, 1) = (3, 1), (3, 1) = 2.3.3 + 5.(1).(1) = 23,
e, em relacao ao produto interno usual e:

(3, 1) = 32 + (1)2 = 10
Para normalizar o vetor (3, 1), em relacao ao primeiro produto (exemplo 173), fazemos
v ( )
u= = (3,1)
= 3 23
, 23
v 23 23 23
Verifique que o comprimento de u e 1.
Observacao 24 a) Se v R2 , entao o conjunto dos pontos que satisfazem v = 1 pertencem a um

crculo de raio 1 centrado na origem.
b) Se v R3 , entao o conjunto dos pontos que satisfazem v = 1 pertencem a uma esfera de raio
1 centrada na origem.
Exemplo 182 Sejam u e v vetores de um espaco euclidiano tais que v = 1, u = 1 e u v = 2.

Determinar u, v.
Teorema 7.1 (Desigualdade de Cauchy-Schwarz) Se u e v sao vetores de um espaco com produto

interno real, entao
|u, v| u v
Definicao 7.7 - Angulo entre dois vetores: Da desigualdade de Cauchy-Schwarz, tem-se
|u, v| u v .
Elevando ao quadrado ambos os lados
|u, v|2 u2 v2
Agora, dividindo ambos os lados por u2 v2 , obtem-se
( )2
u, v
1
u v
ou, equivalentemente,
u, v
1 1.
u v
Como 0 , entao 1 cos 1, da,
u, v
cos = e0
u v
7.2. Ortogonalidade 171
Exemplo 183 Achar o angulo entre os seguintes pares de vetores do R3 :
a) u = (1, 1, 1) e v = (1/2, 1, 1/2)
b) u = (1, 1, 0) e v = (2, 1, 2)
7.2 Ortogonalidade
Definicao 7.8 Seja V um espaco com produto interno. Os vetores u, v V dizem-se mutuamente
ortogonais, e u e ortogonal a v, se u, v = 0.
Note que u e v sao ortogonais, se e somente se, cos = 0, onde e o angulo entre u e v, e isto e
verdade se e somente se u e v sao perpendiculares, isto e, = 90 .
Observacao 25 A ortogonalidade depende do produto interno, isto e, dois vetores podem ser ortog-
onais em relacao a um produto interno mas nao em relacao a outro.

0 1 3 0
Exemplo 184 As matrizes A = eB= sao ortogonais, pois
1 1 0 0

0 3
A, B = tr(AT B) = tr = 0
0 0
1
Exemplo 185 Seja p, q = 1 p(x)q(x)dx um produto interno em P2 . Se p = x2 e q = x3 entao
2 3 1 5
x , x = 1 x dx = 0. Portanto, os vetores p = x2 e q = x3 sao ortogonais em P2 .
Exemplo 186 Seja os vetores vetores u = (1, 1, 1) e v = (1/2, 1, 1/2) com o produto interno definido
abaixo, determine se sao ou nao ortogonais.
a) f ((x1 , y1 , z1 ), (x2 , y2 , z2 )) = 2x1 x2 + 5y1 y2 + 4z1 z2
b) Com relacao ao produto interno usual.
7.2.1 Conjunto Ortogonal de Vetores
Seja V um espaco vetorial com produto interno definido.

Diz-se que um conjunto de vetores {v1 , v2 , . . . , vn } V e ortogonal se dois vetores quaisquer,

distintos, sao ortogonais, isto e, vi , v j = 0 para i = j.
Teorema 7.2 Se A = {v1 , v2 , . . . , vn } e um conjunto ortogonal de vetores nao-nulos de um espaco com

produto interno, entao A e linearmente independente.
172 7.2. Ortogonalidade
Proof. Temos que mostrar que a equacao
a1 v1 + a2 v2 + . . . + an vn = 0
tem apenas a solucao nula.

Para isso, facamos o produto interno de ambos os membros da igualdade por vi :
a1 v1 + a2 v2 + . . . + an vn , vi = 0, vi
a1 v1 , vi + a2 v2 , vi + . . . + an vn , vi = 0

Como A e ortogonal, vi , v j = 0 para i = j e vi , vi = 0, pois vi = 0. Da, resulta a equacao
ai vi , vi = 0 ai = 0 para i = 1, 2, . . . , n.
Logo, A = {v1 , v2 , . . . , vn } e LI.
7.2.2 Base ortogonal
Diz-se que uma base {v1 , v2 , . . . , vn } de V e ortogonal se os seus vetores sao dois a dois ortogonais.
Observacao 26 Se dimV = n, qualquer conjunto de n vetores nao-nulos e dois a dois ortogonais,

constitui uma base ortogonal para V.
Exerccio 7.1 Mostre que o conjunto {(2, 1, 3), (3, 0, 2), (2, 13, 3)} e uma base ortogonal para o
R3 .
7.2.3 Base ortonormal
Uma base = {v1 , v2 , . . . , vn } de um espaco vetorial V e ortonormal se e ortogonal e todos os seus

vetores tem norma 1, isto e,
0, i = j
vi , v j =
1, i = j
Exerccio 7.2 A partir do conjunto {(1, 2, 3), (3, 0, 1), (1, 5, 3)} obtenha uma base ortonormal
para o R3 .
7.2. Ortogonalidade 173
7.2.4 Coordenadas em relacao a Bases Ortonormais
Teorema 7.3 Se = {v1 , v2 , . . . , vn } e uma base ortonormal de um espaco com produto interno V e
v V, entao
v = v, v1 v1 + v, v2 v2 + . . . + v, vn vn
Proof. Como = {v1 , v2 , . . . , vn } e uma base, entao v V podemos escrever
v = a1 v1 + a2 v2 + . . . + an vn
Temos que mostrar que v, vi = ai para i = 1, 2, . . . , n.

Na equacao acima , aplicando o produto interno em ambos os lados com vi :
v, vi = a1 v1 , vi + a2 v2 , vi + . . . + an vn , vi

Como {v1 , v2, . . . , vn }e base ortonormal, vi , v j = 0 para i = j e vi , vi = 1. Logo v, vi = ai e
v , v
1

v2 , v
portanto, [v] =
.. e o vetor de coordenadas de v em relacao a base .
.

vn , v
Exemplo 187 Encontre as coordenadas do vetor v = (1, 1, 1) em relacao a base =

{ ( ) ( )}
(0, 1, 0) , 54 , 0, 35 , 35 , 0, 54 .
Note que e uma base ortonormal (mostre!), portanto podemos usar o teorema 7.3 para encontrar
[v] .
( ) ( )
4 3 4 3
(1, 1, 1) = (1, 1, 1), (0, 1, 0) (0, 1, 0) + (1, 1, 1), , 0, , 0, +
5 5 5 5
( ) ( )
3 4 3 4
+ (1, 1, 1), , 0, , 0,
5 5 5 5
( ) ( )
1 4 3 7 3 4
(1, 1, 1) = (0, 1, 0) , 0, + , 0,
5 5 5 5 5 5

1

1
[v] = 5

7
5
174 7.3. Complementos Ortogonais
7.2.5 Coordenadas em relacao a Bases Ortogonais
Se = {v1 , v2 , . . . , vn } e base ortogonal de um espaco com

{ produto interno V,entao} a normalizacao de
v1 v2 vn
cada um desses vetores produz a base ortonormal = , ,..., .
v1 v2 vn
Assim, se v V , segue do teorema 7.3 que

v1 v1 v2 v2 vn vn
v = v, + v, + . . . + v,
v1 v1 v2 v2 vn vn
ou,
v, v1 v, v2 v, vn
u= v +
2 1
v +...+
2 2
vn
v1 v2 vn 2
( )
Exerccio 7.3 Expresse o vetor 13, 12 , 4, 32 como combinacao linear dos vetores v1 = (1, 2, 3, 4) ,
v2 = (2, 1, 4, 3) , v3 = (3, 4, 1, 2) e v4 = (4, 3, 2, 1).
7.3 Complementos Ortogonais
Seja W um subespaco de um espaco vetorial V com produto interno. Se um vetor v V e ortogonal a

todos os vetores de W entao dizemos que v e ortogonal a W.
O conjunto de todos os vetores de V que sao ortogonais a W e chamado de complemento ortog-
onal de W.
Notacao: O complemento ortogonal de W e denotado por W .
Exemplo 188 Seja V = R4 e W um subespaco do R4 . Seja = {(1, 1, 0, 1), (0, 1, 1, 1)} uma base
para W. Encontre uma base para W .
Seja v = (x, y, z,t) W , entao

(x, y, z,t), (1, 1, 0, 1) = 0
(x, y, z,t), (0, 1, 1, 1) = 0
Da,
x+y+t = 0 x = z 2t

y + z + t = 0 y = z+t
Logo, v = (z 2t, z + t, z,t) = z(1, 1, 1, 0) + t(2, 1, 0, 1).

Como v W , segue que W = [(1, 1, 1, 0), (2, 1, 0, 1)] e como este conjunto e LI (pois os
vetores nao sao multiplos), tem-se que = {(1, 1, 1, 0), (2, 1, 0, 1)} e uma base para W .
7.4. Projecoes Ortogonais 175
Exemplo 189 Seja V = R5 e W um subespaco do R5 . Seja =
{(1, 3, 5, 0, 5), (1, 1, 2, 2, 3), (0, 1, 4, 1, 5)} uma base para W . Encontre uma base para
W .
Propriedades 7.1 Se W e um subespaco de um espaco com produto interno V, entao:
a. W e um subespaco de V.
{
}
b. W W = 0 .
( )
c. W = W.
Exerccio 7.4 Faca como exerccio a demonstracao das tres propriedades do complemento ortogo-
nal.
7.4 Projecoes Ortogonais

Vamos agora desenvolver alguns resultados que serao uteis para construir bases ortogonais e ortonor-
mais de espacos com produto interno.
E geometricamente evidente em R2 e R3 que se W e uma reta ou um plano pela origem, entao
cada vetor u do espaco pode ser escrito como uma soma
u = w1 + w2
onde w1 esta em W e w2 e perpendicular a W.

Figura 7.3: - (7.4)
Teorema 7.4 (Teorema da Decomposicao Ortogonal) Se W e um subespaco de um espaco com pro-

duto interno V , entao todo u V pode ser expresso por
u = w1 + w2
tal que w1 W e w2 W .
O vetor w1 do teorema precedente e chamado projecao ortogonal de u em W e e denotado por

u . O vetor w e chamado componente de u ortogonal a W e e denotada por pro j u . Da,
pro jW 2 W
podemos escrever
u u
u = pro jW + pro jW .
176 7.5. Encontrando Bases Ortogonais e Ortonormais
Teorema 7.5 Seja V um espaco vetorial com produto interno definido e seja W um subespaco de V.
a. Se = {v1 , v2 , . . . , vn } e uma base ortonormal de W e u V, entao
u
pro jW = u, v1 v1 + u, v2 v2 + . . . + u, vn vn
b. Se = {v1 , v2 , . . . , vn } e uma base ortogonal de W e v V, entao
u u, v1 u, v2 u, vn
pro jW = v +
2 1
v +...+
2 2
vn
v1 v2 vn 2
[ ( )]
Exemplo 190 Seja V = R3 e W = (0, 1, 0), 45 , 0, 35 um subespaco de V. Obtenha pro jW
u e pro j u
W
para u = (1, 1, 1).
{ ( )}
Note que = (0, 1, 0), 54 , 0, 35 e base ortonormal para W.Entao:
u
pro jW = u, v1 v1 + u, v2 v2
( )
1 4 3
= 1(0, 1, 0) , 0,
5 5 5
( )
4 3
= , 1,
25 25
O componente de u que e ortogonal a W e

( ) ( )
4 3 21 28
u
pro jW = u pro jW
u
= (1, 1, 1) , 1, = , 0,
25 25 25 25

3

Exemplo 191 Seja w um plano em R3 de equacao x y + 2z = 0 e seja v = 1. Encontre a

2
projecao ortogonal de v sobre w e a componente ortognonal de v em relacao a w.
7.5 Encontrando Bases Ortogonais e Ortonormais
7.5.1 Processo de Ortogonalizacao de Gram-Schmidt
Seja V um espaco vetorial com produto interno definido e = {u1 , u2 , . . . , un } uma base de V . Atraves

do processo que descreveremos abaixo, obteremos uma base ortogonal = {v1 , v2 , . . . , vn } para V.
Passo 1. Fixe v1 = u1 .
7.5. Encontrando Bases Ortogonais e Ortonormais 177
Passo 2. Obter v2 de forma que v2 seja ortogonal a v1 tomando a componente de u2 que e ortogonal
a W1 = [v1 ]
u2 u2 , v1
v2 = u2 pro jW = u2 v1
1
v1 2
Figura 7.4: - (??)
Passo 3. Obter v3 de forma que seja ortogonal a ambos v1 e v2 , tomando a componente de u3 que e
ortogonal a W2 = [v1 , v2 ]
u3 u3 , v1 u3 , v2
v3 = u3 pro jW = u3 2
v1 v2
2
v1 v2 2
Figura 7.5: - (??)

Procedendo desta forma, iremos obter, depois de n passos, a base ortogonal = {v1 , v2 , . . . , vn }.
Feito isso, para obter uma base ortonormal de vetores para V, = {q1 , q2 , . . . , qn }, basta normalizar
os vetores v1 , v2 , . . . , vn .
Exemplo 192 Aplique o processo de Gram-Schmidt para transformar os vetores de base u1 =

(1, 0, 1, 0), u2 = (0, 1, 1, 0) e u3 = (0, 0, 2, 1) em uma base ortonormal para um subespaco W
do R4 .
Note que:
u1 , u2 = 1
u1 , u3 = 2
u2 , u3 = 2
Logo os vetores acima nao formam uma base ortogonal, portanto temos que usar o processo
de Gram-Schmidt para transformar em uma base ortogonal e em seguida, normalizar estes vetores,
obtendo assim a base ortonormal procurada.
Passo 1. Fixe v1 = u1 = (1, 0, 1, 0)

( )
u2 u2 , v1 1 1
Passo 2. v2 = u2 pro jW = u2 v1 = (0, 1, 1, 0) 2 (1, 0, 1, 0) =
1
, 1, , 0
1
v1 2 2 2
178 7.6. Fatoracao QR
u3 u3 , v1 u3 , v2
Passo 3. v3 = u3 pro jW = u3 v1 v2 =
2
v1 2 v2 2
( ) ( )
1 1 2 2 2
= (0, 0, 2, 1) + (1, 0, 1, 0) + 2
3 , 1, , 0 = , , ,1
2 2 3 3 3
{ ( ) ( )}
1 1 2 2 2
Logo, = (1, 0, 1, 0), , 1, , 0 , , , ,1 e base ortogonal para R4 . Normalize-
2 2 3 3 3
mos estes vetores para obter a base ortonormal = {q1 , q2 , q3 } :
( )
v1 (1, 0, 1, 0) 1 1
q1 = = = , 0, , 0
v1 2 2 2
( ) ( )
v2 2 1 1 6 6 6
q2 = = , 1, , 0 = , , ,0
v2 3 2 2 6 3 6
( ) ( )
v3 3 2 2 2 2 2 2 3
q3 = = , , ,1 = , , ,
v3 21 3 3 3 21 21 21 21
Exemplo 193 Aplique o processo de Gram-Schmidt para transformar os vetores de base u1 =

(1, 1, 1, 1), u2 = (2, 1, 0, 1) e u3 = (2, 2, 1, 2) em uma base ortonormal para um subespaco W
do R4 .
7.6 Fatoracao QR
Se A e uma matriz m n (m > n) com colunas linearmente independentes, aplicar o Processo de

Gram-Schmidt a essas colunas implica uma fatoracao muito util da matriz A em um produto de uma
matriz Q (com vetores coluna ortonormais) por uma matriz triangular superior R. Essa e a fatoracao
QR.
Nos ultimos anos a fatoracao QR tem assumido importancia crescente como fundamento
matematico de uma grande variedade de algoritmos numericos praticos, incluindo algoritmos larga-
mente usados para computar autovalores de matrizes grandes.
Para ver como surge a fatoracao QR, considere u1 , u2 , . . . , un como os vetores-coluna de A e

q1 , q2 , . . . , qn como os vetores ortonormais obtidos pela aplicacao do Processo de Gram-Schmidt a
matriz A com normalizacoes; assim,
A = [u1 | u2 | . . . | un ] e Q = [q1 | q2 | . . . | qn ]
7.6. Fatoracao QR 179
Os vetores u1 , u2 , . . . , un podem ser escitos em termos dos vetores q1 , q2 , . . . , qn como
u1 = u1 , q1 q1 + u1 , q2 q2 + . . . + u1 , qn qn
u2 = u2 , q1 q1 + u2 , q2 q2 + . . . + u2 , qn qn
..
.
un = un , q1 q1 + un , q2 q2 + . . . + un , qn qn
Na forma matricial, tem-se:

u , q u2 , q1 . . . un , q1
1 1

u1 , q2 u2 , q2 . . . un , q2
[u1 | u2 | . . . | un ] = [q1 | q2 | . . . | qn ]
.. .. .. ..

. . . .

u1 , qn u2 , qn . . . un , qn
ou, mais concisamente, por
A = QR
No entanto, e uma propriedade de processo de Gram-Schmidt que, para j > 2, o vetor q j e ortog-
onal a u1 , u2 , . . . , u j1 ; assim, todas as entradas abaixo da diagonal principal de R sao nulas,

u1 , q1 u2 , q1 . . . un , q1

0 u2 , q2 . . . un , q2

R=
.. .. .. ..
. . . .

0 0 . . . un , qn
Resumindo, temos o seguinte teorema:
Teorema 7.6 Se A e uma matriz m n (m > n) com colunas linearmente independentes, entao A pode
ser fatorada como
A = QR
onde Q e uma matriz m n com colunas ortonormais e R e uma matriz n n triangular superior
invertvel.

1 2 2

1 1 2
Exemplo 194 Encontre a decomposicao QR de A =

.

1 0 1

1 1 2
180 7.6. Fatoracao QR

1 2 2

1 1 2
Os vetores coluna de A sao u1 =

, u2 = e u3 = .

1 0 1

1 1 2
O processo de Gram-Schmidt com normalizacao
subsequente
aplicado
a estes vetores-coluna

1 3 5
6
1 2 2
2 10 6
1 3 5
2 10 0 1 1 2

produz os vetores ortonormais q1 = , q2 = , q3 = de modo que =

2
1 10
5 6 6 1 0 1

1 5 6
2 10 3 1 1 2

A
6
1 3 5
6
2 10
2 1 1
1 3 5 2
2 10 0

0 5 2 5 .
3
1 5 6
2 10
0
6
0 6
1 5 6 2
2 10 3 R
Q
7.6.1 Aplicacao da fatoracao QR
Se A e uma matriz m n de posto n, entao a solucao para o sistema linear AX = B e obtida da seguinte
forma:
A equacao AX = B pode ser escrita na forma
QRX = B
Multiplicando ambos os lados (a esquerda) da equacao por QT , obtemos
QT QRX = QT B
Como Q e ortogonal, QT Q = I, entao
RX = QT B
Como R e inversvel, tem-se

X = R1 QT B
7.7. Solucao de Mnimos Quadrados de Sistemas Lineares 181

1 2 2 1
x

1 1 2 1
Exemplo 195 Resolva o sistema
y =

1 0 1 1
z
1 1 2 2
Como a matriz dos coeficientes e a mesma do exemplo anterior, diretamente
temos que:
1 1
1
10 5 6 6
1 1
2 2 2
1 1 1 23
2 2
15
1
= 9
X = R1 QT B = 0 1
5 12 6 3105 3105 105 105 10
5
1
6
0 0 1
3 6 6
6
0 6
6
3 2
3
2
7.7 Solucao de Mnimos Quadrados de Sistemas Lineares

A resolucao de sistemas inconsistentes de equacoes lineares sao importantes em aplicacoes fsicas e
outras. E uma situacao comum que algum problema fsico leve a um sistema Ax = b que deveria ser
consistente em teoria, mas que nao e porque erros de medidanas entradas de A e de b pertubam
o sistema suficientemente a ponto de criar inconsistencia. Em tais situacoes procuramos um valor
de x que chegue tao perto quanto possvelde ser uma solucao, no sentido que minimiza o valor
de Ax b em relacao ao produto interno euclidiano. A quantidade Ax b pode ser vista como
uma medida do erroque resulta por considerar x uma solucao aproximada do sistema Ax = b. Se
o sistema e consistente e x e uma solucao exata, entao o erro e zero, pois Ax b = 0. Em geral,
quanto maior o valor de Ax b, mais pobre e a aproximacao de x de uma solucao do sistema.
O problema dos Mnimos Quadrados consiste em: Dado um sistema Ax = b de m equacoes em
n variaveis encontre, se possvel, um vetor x que minimiza Ax b em relacao ao produto interno
euclidiano de Rm . Um tal vetor e chamado uma solucao de mnimos quadrados de Ax = b.
Teorema 7.7 Para qualquer sistema linear Ax = b, o sistema normal associado
AT Ax = AT b
e consistente e todas solucoes do sistema normal sao solucoes de mnimos quadrados de Ax = b.

Alem disso, se W e o espaco-coluna de A e x e qualquer solucao de mnimos quadrados de Ax = b,
entao a projecao ortogonal de b e, W e
pro jwb = Ax
Teorema 7.8 Se A e uma matriz n n, entao as seguintes afirmacoes sao equivalentes.

a) Os vetores-coluna de A sao linearmente independentes.
182 7.7. Solucao de Mnimos Quadrados de Sistemas Lineares
b) AT A e invertvel.
Teorema 7.9 Se A e uma matriz m n com vetores-coluna linearmente independentes, entao para
cada matriz b de tamanho n 1, o sistema linear Ax = b tem uma unica solucao de mnimos quadra-
dos. Esta solucao e dada por
x = (AT A)1 AT b
Alem disto, se W e o espaco-coluna de A, entao a projecao ortogonal de b em W e
pro jwb = Ax = A(AT A)1 AT b
Exemplo
196 Encontre a solucao de mnimos quadrados do sistema linar Ax = b dado por
x1 x2 = 4
3x1 + 2x2 = 1 e encontre a projecao ortogonal de b no espaco-coluna de A
2x + 4x = 3
1 2
Exemplo 197 Encontre a projecao ortogonal do vetor u = (3, 3, 8, 9) no subespaco de R4 gerado

pelos vetores u1 = (3, 1, 0, 1), u2 = (1, 2, 1, 1), u3 = (1, 0, 2, 1).
Vamos nos ater ao problema de achar uma curva que melhor ajustea um conjunto de pontos
de dados. Considere (1, 2), (2, 2) e (3, 4) como pontos que surgiram de medidas feitas durante al-
gum experimento. Considere tambem que temos razoes para acreditar que os valores de x e y estao
relacionados por uma funcao linear - isto e, esperamos que os pontos estejam sobre alguma linha
com equacao y = a + bx. Se nossas medidas forem precisas, todos os tres pontos vao satisfazer essa
equacao, e teremos
2 = a + b. 1 2 = a + b. 2 4 = a + b. 3
Esse e um sistema de tres equacoes lineares com duas variaveis:

a+b = 2 1 1 2
a

a + 2b = 2 ou 1 2 = 2
b
a + 3b = 4 1 3 4
Esse sistema e impossvel (ja que os tres pontos nao estao sobre uma reta). Entao, vamos buscar uma
reta que esteja o mais proximo possvelde passar pelos nossos pontos.
Como visto no exemplo acima, podemos expressar esse problema em forma de matriz. Se os
7.7. Solucao de Mnimos Quadrados de Sistemas Lineares 183
pontos dados estivessem de fato na reta y = a + bx, as n equacoes lineares
a + bx1 = y1
..
.
a + bxn = yn
seriam todas verdadeiras (isto e, o sistema seria compatvel). Nosso interesse esta no casao em que os
pontos nao sao colineares, no qual o sistema e indeterminado. Em forma matricial, temos

1 x1 y
1

1 x2 a y
= 2
.. .. ..
. . b .

1 xn yn
que esta na forma Ax = b, onde

1 x1 y
1

1 x2 a y2

A = . . , x = ,b=
..
. .
. . b .

1 xn yn
Podemos, assim, reescrever nosso problema em forma de matrizes do seguinte modo:
Definicao 7.9 Se A e uma matriz m n e b esta em Rm , uma solucao por mnimos quadrados de
Ax = b e um vetor x em Rn tal que
b Ax b Ax
para todo x em Rn .
Teorema 7.10 Seja A uma matriz m n e seja b em Rm . Entao Ax = b sempre tem pelo menos uma
solucao por mnimos quadrados x. Alem disso,
a) x e uma solucao por mnimos quadrados de Ax = b se, e somente se, x e uma solcao da equacao
normal AT Ax = AT b.
b) A possui colunas linearmente independentes se, e somente se, AT A e invertvel. Nesse caso, a
solucao por mnimos quadrados de Ax = b e unica e e dada por
x = (AT A)1 AT b
184 7.8. Setima lista de exerccios
Exemplo 198 Encontre a reta de mnimos quadrados para os pontos (1, 2), (2, 2) e (3, 4).
7.8 Setima lista de exerccios

Exerccio 7.5 Sejam

u = (x1 , x2 ) e

v = (y1 , y2 ). Verifique se temos um produto interno em R2 nos
seguintes casos:
a)
u ,

v = 3x1 y1 + x2 y2
b)
u ,

v = 4x1 y1 + x2 y1 + x1 y2 + 4x2 y2
c)
u ,

v = x y 2x y 2x y + 5x y
1 1 2 1 1 2 2 2
Exerccio 7.6 Sejam

u = (x1 , y1 , z1 ) e

v = (x2 , y2 , z2 ). Identifique os casos em que temos um produto
interno no R3 . Nos casos que falham, identifique as propriedades que nao verificam.
a)

u ,

v = x x +z z
1 2 1 2
b)

u ,

v = x1 x2 y1 y2 + z1 z2
c)

u ,

v = x y z +y x z
1 2 1 1 2 2
Exerccio 7.7 Sejam

u = (x1 , x2 ) e

v = (y1 , y2 ). A expressao

u ,

v = x1 y1 x1 y2 x2 y1 + 2x2 y2
define um produto interno em R2 ?
Exerccio 7.8 No espaco de todos os polinomios de grau menor ou igual a 2, determine se p, q =

p(1)q(1) e um produto interno, e, em caso negativo, indique quais dos axiomas da definicao de
produto interno sao violados.
Exerccio 7.9 Utilize os produtos internos do exerccio 1 para calcular:

a) u com u = (1, 3)
b) d(u, v) com v = (3, 5)
Exerccio Considere
7.10 V= M(2, 2), com o produto interno usual. Determine a projecao ortogo-
1 0 1 1
nal de sobre .
0 0 1 1
Exerccio 7.11 Considere V = P2 , com o produto interno usual. Qual e o menor angulo entre p(t) =

1 t + 2t 2 e q(t) = 1 + 2t 2 ?
Exerccio 7.12 Seja V um espaco vetorial com produto interno definido, e sejam u, v vetores ortogo-

nais de V, tais que u = 1 e v = 2. Mostre que d(u, v) = 5. Interprete este resultado geometri-
camente quando u, v R2 .
7.8. Setima lista de exerccios 185
Exerccio 7.13 Seja V o espaco das funcoes contnuas no intervalo [0, 1]. Defina em V o seguinte
1
produto interno: f , g = 0 f (x)g(x)dx. Calcule a d( f , g) se f (x) = 1 e g(x) = x.
Exerccio 7.14 Seja V = R3 . Seja W o subespaco do R3 dado pela equacao x 2y 3z = 0. Deter-

mine W e a distancia entre v = (1, 0, 1) aos subespacos W e W .

1 2 1 2

Exerccio 7.15 Seja T : R4 R3 tal que [T ] = 3 5 0 4.

1 1 2 0
a) Determine uma base para o complemento ortogonal do N(T ).
b) Determine uma base para o complemento ortogonal da Im(T ).
[ ( )]
4 3
Exerccio 7.16 Seja V = R3
e W = (0, 1, 0), , 0, . Exprima w = (1, 2, 3) na forma w =
5 5
w1 + w2 , em que w1 W e w2 W .
Exerccio 7.17 Seja V = R4 e W = [(1, 0, 1, 2), (0, 1, 0, 1)]. Expresse w = (1, 2, 6, 0) na forma
w = w1 + w2 , em que w1 W ew2 W .
Exerccio 7.18 Seja V = M(2, 2). determine uma base para o complemento ortogonal do:
a) subespaco das matrizes diagonais
b) subespaco das matrizes simetricas.
Exerccio 7.19 A transformacao T : R2 R definida por T (

v ) =

u ,

v e linear? Se for, deter-
mine seu nu cleo e sua imagem.
{( ) ( ) }
1 2 2 1
Exerccio 7.20 Considere a base ortonormal = , 0, , , 0, , (0, 1, 0) para
5 5 5 5
R3 . Encontre [

v ] para

v = (2, 3, 1). (Nao resolva nenhum sistema linear.)
Exerccio 7.21 Suponha que S consiste dos seguintes vetores em R4 : u1 = (1, 1, 0, 1), u2 =
(1, 2, 1, 3), u3 = (1, 1, 9, 2) e u4 = (16, 13, 1, 3).
a) Mostre que S e ortogonal e e uma base de R4 .
b) Ache as coordenadas do vetor v = (1, 0, 2, 3) em relacao a base S.(Nao resolva nenhum sistema
linear.)
Exerccio 7.22 Qual e a base ortonormal do R3 obtida pelo processo de Gram-Schmidt a partir da
base {(2, 6, 3), (5, 6, 24), (9, 1, 4)}?
Exerccio 7.23 Use o processo de Gram-Schmidt para construir uma base ortonormal para um
subespaco W de um espaco vetorial V, para cada um dos seguintes casos:
a) V = R4 tal que W = [(1, 1, 0, 0), (2, 1, 0, 1), (3, 3, 0, 2), (1, 2, 0, 3)];
b) V = R3 tal que W = {(x, x + y, y); x, y R};

x+yz = 0

c) V = M(3, 1) tal que W e o conjunto solucao do sistema homogeneo 2x + y + 3z = 0 .

x + 2y 6z = 0
Exerccio 7.24 Seja V o espaco das funcoes contnuas no intervalo [0, 1]. Defina em V o seguinte
1
produto interno: f , g = 0 f (x)g(x)dx. Aplique o algoritmo de Gram-Schmidt ao conjunto {1,t,t 2 }
para obter um conjunto ortonormal { f0 , f1 , f2 }.
Exerccio 7.25 Seja V = P3 , p = a0 + b0 x + c0 x2 + d0 x3 e q = a1 + b1 x + c1 x2 + d1 x3 e p, q =

a0 a1 + b0 b1 + c0 c1 + d0 d1 um produto interno em P3 . Ache uma base ortonormal para o subespaco
W de P3 gerado pelos vetores
v 1 = 1+x +x2 +x3 ,
v 2 = 1+x +2x2 +4x3 e
v 3 = 1+2x 4x2 3x3 .
Exerccio 7.26 Seja u, v = x1 y1 + 2x2 y2 + 3x3 y3 um produto interno em R3 . Encontre as co-

( )
ordenadas do vetor v = 23 , 1, 23 em relacao a base ortonormal obtida a partir da base =
{(1, 1, 1), (1, 1, 0), (1, 0, 0)}.

a a
Exerccio 7.27 Seja U = ; a R um subespaco vetorial de M22 . Determine uma
a a
base ortonormal de U , usando o produto interno A, B = tr(AT B).
Exerccio 7.28 Seja V = P2 , com produto interno usual.

a) Determine uma base ortonormal para o subespaco W de P2 gerado por 4t + 3t 2 e por 12 + t +
7t 2 .
b) Determine a projecao ortogonal de p(t) = t 2 sobre W .
Exerccio 7.29 Encontre a projecao ortogonal de v = (1, 2, 3) sobre o subespaco W gerados pelos
vetores u1 = (2, 2, 1) e u2 = (1, 1, 4).
Exerccio 7.30 Encontre a decomposicao ortogonal de v = (4, 2, 3) em relacao a W =

[(1, 2, 1), (1, 1, 1)].
(1 2 2
)
Exerccio 7.31 Ache uma matriz ortogonal P cuja primeira linha e u1 = 3, 3, 3 . Obs.: a matriz P
nao e unica.
7.8. Setima lista de exerccios 187

1 2 1

0 1 1
Exerccio 7.32 Encontre a fatoracao QR da matriz A =

.

1 0 1

1 0 1

2 1 12

Exerccio 7.33 Utilize a fatoracao QR para resolver o sistema AX = B onde A = 1 1 e B = 6 .

2 1 18
Exerccio 7.34 Classifique cada afirmacao como verdadeira ou falsa:

a) Todo conjunto linearmente independente em Rn e um conjunto ortogonal.
b) Se A e uma matriz quadrada, cujas colunas sao ortonormais entao A e inversvel e A1 = AT .
c) Se W e um subespaco de um espaco com produto interno V entao o vetor nulo pertence a W .
d) Qualque matriz com determinante nao- nulo tem uma decomposicao QR.
e) Se

x e ortogonal a ambos

u e

v , entao x e ortogonal a

u

v.
f) Todo conjunto ortogonal e ortonormal.
g) Todo vetor pode ser normalizado.
Exerccio 7.35 No assunto Diagonalizacao de Operadores, vimos que: Se A e a matriz canonica

de um operador linear T e D a matriz de T na base de autovetores, temos
D = P1 AP
onde P e a matriz cujas colunas sao os autovetores de T . Dizemos que a matriz P diagonaliza A ou
que P e a matriz diagonalizadora.
No caso de A ser uma matriz simetrica, e portanto sempre diagonalizavel, podemos obter uma
base ortogonal de autovetores que, apos a normalizacao, sera uma base ortonormal. A matriz, acima
citada, por ter suas colunas formadas por vetores ortonormais, e uma matriz ortogonal, ou seja, e tal
que P1 = PT . A matriz D, nesse caso, e obtida pela relacao
D = PT AP
e, dizemos que P diagonaliza A ortogonalmente.

Seja T : R3 R3 a transformacao linear definida por: T (x, y, z) = (2x + y + z, x + 2y z, x y +
2z).Encontre uma matriz P que diagonalize ortogonalmente a matriz canonica de T .
Exerccio 7.36 Encontre a solucao de mnimos quadrados do sistema linear Ax = b e obtenha a
projecao ortogonal
de b noespaco-coluna
de A.
1 1 7

a) A = 1 1, b = 0

1 2 7

2 2 2

b) A = 1 1 , b = 1

3 1 1

1 0 1 6

2 1 2 0

c) A =
, b =
1 1 0 9

1 1 1 3

2 0 1 0

1 2 2 6

d) A = , b =

2 1 0 0

0 1 1 6
Captulo 8
APLICACOES
8.1 Aplicacoes da Algebra Linear na Engenharia Cartografica
Esse trabalho tem como um de seus objetivos, dar uma nocao da utilidade pratica dos assuntos vistos
no ciclo basico, alem de permiti-los conhecer um pouco o trabalho em uma das engenharias estu-
dadas no Instituto, visando assim a multidisciplinalidade no curso de Engenharia. Trata-se do estudo
da aplicacao de uma disciplina do curso basico, a Algebra Linear, no ciclo profissional; no caso,
na Engenharia Cartografica, onde ajustes e organizacao de dados, obtidos seha por satelites (GPS),
seja por fotografias ou por qualquer outro meio, se fazem constantes no trabalho de um engenheiro
cartografo.
O engenheiro cartografo dispoe de um metodo, o metodo dos mnimos quadrados, para obter
informacoes relativas a parametros de correcao e ajuste de dados obtidos em observacoes e pesquisas.
Para este metodo os dados obtidos sao organizados matricialmente, de forma que possam ser rela-
cionados com valores pre-estabelecidos, tais como temperatura, latitude, longitude, altitude, entre
outros. Obtem-se, desta forma, um sistema de n equacoes lineares, onde esse n pode assumir valores
realmente grandes, resultando um sistema com milhares de equacoes. Sendo a resolucao de sistemas
de equacoes lineares um dos campos de estudo da Algebra Linear.
Na Geodesia, por exemplo, as coordenadas de um ponto podem ser obtidas na resolucao de um
sistema obtido pela sujeicao de dados obtidos de observacoes angulares ( tais como azimutes, angulos
e/ou direcoes ) a um determinado modelo geometrico.
As coordenadas tambem podem ser obtidas a partir da observacao da diferenca de fase da porta-
dora L1 e/ou L2, frequencias de operacoes do satelite de GPS.
A Algebra Linear tambem tem aplicacoes na Fotogrametria, para a transformacao de coordenadas
( espaco imagem para espaco objeto, que seriam as coordenadas de terreno, obtidas atraves de um sis-
190 8.2. Aplicacoes de espacos vetoriais na computacao grafica
tema deduzido atraves de observacoes nas fotografias e no terreno). Na digitalizacao de documentos,
por exemplo, um mapa em papel, apos ser processado, da origem a um mapa digital armazenado na
forma vetorial ( lista de coordenadas ).
Tambem na area de Sensoreamento Remoto, seja para o processamento digital de imagens, ou

na modificacao ou no controle de imagens ( brilho constante e georeferenciamento ) ou ainda no
armazenamento da imagem na forma matricial; utilzam-se topicos abordados pela Algebra Linear,
como sistemas de equacoes lineares e operacoes com matrizes.
8.2 Aplicacoes de espacos vetoriais na computacao grafica
Autor: Luiz Antonio Pereira
Trabalho publicado na revista MICRO SISTEMAS de Novembro de 1982
Introducao: Uma das aplicacoes interessantes em computadores e com vasta possibilidade de

emprego nas areas de engenharia civil, arquitetura, desenho industrial, mecanica, etc e a representacao
grafica, no plano, de elementos tridimensionais.
Dentre todos os tipos de perspectivas a que apresenta resultados grafico mais interessantess e a
perspectiva conica, posto que que e a que simula com maior perfeicao a visao real do objeto. apre-
sentaremos, a seguir, o desenvolvimento da teoria matematica e veremos que a ferramenta pricipal e
a teoria das tranformacoes lineares.
Caracterizando o Objeto: Inicialmente deve-se informar ao computador as caractersticas

geometricas do objeto. isto e possvel referenciado-se o elemento a um sistema cartesiano de coor-
denadas, determinando-se dai as coordenadas x, y e z dos pontos que o formam. Deve-se estabelecer
tambem as ligacoes entre esses pontos com o uso de segmentos de retas. Com isso, obtem-se um
poliedro cujos vertices sao os pontos e cujas arestas sao os segmentos de retas. O efeito de curvatura
pode ser obtido aumentando-se o numero de vertices e arestas (refinamento). Dessa forma todos os
vertices Pi , terao coordenadas xi , yi e zi , e as arestas ak j ligarao dois vertices genericos Pk e Pj .
De um modo geral, desenhar uma perspectiva consiste em ligar, atraves de segmentos de retas
pontos do plano cujas coordenadas x e y sao transformacoesdas coordenadas x, y e z dos pontos do
espaco. Mais explicitamente falando para cada ponto Pi (xi , yi , zi ) no espaco determina-se um ponto
Pi (xi , yi ) no plano tal que suas coordenadas xi e yi sao funcoes de xi , yi e zi e de um conjunto de
parametros, que chamaremos de de parametros de localizacao do observador e do plano projetante e
8.2. Aplicacoes de espacos vetoriais na computacao grafica 191
que indicaremos por U. Matematicamente
(xi , yi ) = f (xi , yi , zi ,U)
Como se sabe, a perspectiva conica utiliza - alem das nocoes de objeto, plano projetante e linha de
visada - um ponto origem ou observador, de ondem partem as linhas de visada e que se localiza a uma
distancia finita do objeto e do plano projetante. A projecao P do ponto P no plano e a intersecao
da reta definida pelo observador V e pelo ponto P (visada) com o plano projetante . A projecao de
uma reta e obtida unindo-se as projecoes de dois de seus pontos (Fig 1) e, de uma maneira geral, a
projecao de um objeto e determinada pelas projecoes de todos os seus pontos.
No noso caso, o plano projetante e a tela do computador. Para chegarmos as expressoes que
fornecem x e y de cada ponto vamos estabelecer as seguintes convencoes:
1. O observador V tem coordenadas (xv , yv , zv )
2. Os n vertices do objeto e suas projecoes sao representadas por P1 a Pn e P1 a Pn , respectiva-

mente.
3. A tela representa a area formada por um retangulo de lados L1 e L2 unidades de comprimento.

O plano desse retangulo e perpendicular a linha que une o observador a origem do sistema
x, y, z de coordenadas.
4. A distancia R do plano projetante a origem do sistema de eixos e considerada positiva se o plano

se encontra do mesmo lado do observador em relaca a origem, e negativa se a origem estiver
entre o plano e o o observador.
5. O lado L1 ( maior lado) do retangulo e paralelo ao plano z = 0.
6. O sistema xyz de coordenadas, bem comom os outros parametros se apresentam como mostra a
Fig 2.

Fazendo A = xv2 + y2v + z2v , e se A = 0 podemos obter a equacao do plano projetante (segundo as
convencoes adotadas) da seguinte forma: Da formula da distancia de ponto a plano temos
|ax0 + by0 + cz0 + d|

d( , P0 ) =
a2 + b2 c2
onde P(x0 , y0 , z0 ) e o ponto e

n = (a, b, c) e o vetor normal ao plano.
No nosso caso temos que P0 (0, 0, 0) e
n = (xv , yv , zv ). Chamando R = d(P0 , ) ( e o plano
projetante) temos que R pode ser positivo ou negativo e por isso dispensamos o modulo na fomula da
distancia, logo, tomando R escrevemos,
xv 0 + yv 0 + zv 0 + d
R =
xv2 + y2v + z2v

d = R xv2 + y2v + z2v = RA
Portanto a equacao do plano projetante e:
xv x + yv y + zv z RA = 0 (8.1)
Para cada ponto Pi (xi , yi , zi ) a equacao parametrica da reta que o liga ao ponto V (xv , yv , zv ) e
x = t(xi xv ) + xv
y = t(yi yv ) + yv (8.2)
z = t(zi zv ) + zv
Para determinarmos a intersecao entre a reta e o plano projetante colocamos os valores de (8.2) na
equacao (8.1) do plano, ou seja:
xv [t(xi xv ) + xv ] + yv [t(yi yv ) + yv ] + zv [t(zi zv ) + zv ] RA = 0 (8.3)
txv (xi xv ) + xv xv + tyv (yi yv ) + yv yv + tzv (zi zv ) + zv zv RA = 0
t [xv (xi xv ) + yv (yi yv ) + zv (zi zv )] + A2 RA = 0
t [xv (xi xv ) + yv (yi yv ) + zv (zi zv )] = RA A2
e dai tiramos o valor do parametro t :
RA A2
t= (8.4)
xv (xi xv ) + yv (yi yv ) + zv (zi zv )
Com t, xi , yi , zi , xv , yv e zv conhecidos, e usando novamente as equacoes (8.2) determinamos as

coordenadas x, y e z da projecao do ponto P no plano projetante. Nessa fase estamos exatamente
como a Fig 3.
8.2. Aplicacoes de espacos vetoriais na computacao grafica 193
De (8.4) e (8.2) com xi = yi = zi = 0, vem
xv R
x0 =
A
yv R
y0 = (8.5)
A
zv R
z0 =
A
que sao as coordenadas da origem do sistema xyz (fig 8.2). Esse sistema nos e particularmente inter-
essante pois o plano xy e o proprio plano projetante.
O que nos resta a fazer e, portanto, uma transformacao de coordenandas, ou seja, determinar as
coordenandas dos pontos projecoes em relacao ao novo sistema xyz. Para isso, devemos determinar

as componentes dos vetores unitarios i , j e k no sistema xyz.
A intersecao do plano projetante com o plano xy e uma reta cuja equacao e encontrada fazendo-se
z = 0 em (8.1). Isso nos leva a:
RA xv x
y= (8.6)
yv
cujo grafico esta na Fig 4. O vetor diretor dessa reta tem componentes dadas por:

w = (0,
RA RA RA RA
, 0) ( , 0, 0) = ( , , 0) (8.7)
yv , xv xv yv ,

o vetor i e um vetor unitario e portanto

1
i = w
|w|

1 RA RA
i = ( )2 ( )2 ( , , 0)
RA RA
x v y v ,
xv + yv ,

1 1 1
i = ( , , 0)
1
+ y12 xv yv ,
x2 v v

1
i = (yv , xv , 0) (8.8)
xv + y2v
2

O vetor unitario k tem sua determinacao imediata pois e o versor do vetor 00 (ver Fig 2 e equacao
8.5)

( )

00 1 xv R yv R zv R
k = = ( )
xv R , yv R , zv R A A A
, ,
00 A A A

1
k = (xv , yv , zv )
xv2 + y2v + z2v

1
k = (xv , yv , zv ) (8.9)
A

Observe que o vetor k e exatamente o versor do vetor V = (xv , yv , zv ) .

Como nosso sistema e ortogonal, o vetor unitario j e dado por j = k i , ou seja

xv yv zv

A A A
y
j = det 2 v 2 2v 2
x
0 (8.10)
xv +yv xv +yv

i j k

1 ( )
j = zv xv , zv yv , xv2 + y2v (8.11)
A xv2 + y2v
O sistema definido por es vetores unitarios nao e propriamente o nosso sitema xyz e sim ele a
menos de uma translacao (Fig 5). Essa translacao devera apenas anular o vlaor da componente em o
que nao importa para nos ja que estamos interessados nas componentes x e y apenas.
{
}
O que temos que fazer agora e determinar a matriz mudanca de base da base = i , j , k
{ }

para a base = i , j , k , ou seja, [I] Esta matriz nos permitira
{
}
= i , j , k = {(1, 0, 0), (0, 1, 0), (0, 0, 1)}
{ }

= i, j,k
{ }
1 1( ) 1
= (yv , xv , 0) , zv xv , zv yv , xv2 + y2v , (xv , yv , zv )
xv2 + y2v A xv2 + y2v A
Portanto
y v x2v 0
xv +y2v
2 xv +y2v

[I] = z v
2 2
zv xv
x2 +y2 2v yv 2 xv +y
xv2 +y2v
v v xv +yv
xv xv zv
A A A
e as coordenadas do novo sistema sao

8.3. Aplicacoes de autovalores e autovetores na engenharia civil 195
[v] = [I] [v]

y
2v 2 x2v 0
x
xv +yv xv +y2v x
zv xv
z v
2 2
y = 2 2 2v yv 2 xv +y
xv2 +y2v
y
xv +yv xv +yv
z xv xv zv z
A A A
Observacao 27 Algumas mudancas de notacoes foram efetuadas em relacao ao trabalho original.

Tambem foram inseridos alguns conceitos matematicos que o artigo original nao fornece mas que
para nossa disciplina mostra bem a utilizacao dos conceitos vistos e sua aplicacao pratica. No
trabalho original tambem e fornecido um programa para a HP-45 onde e aplicada toda a teoria vista
acima, mas nao e dificil fazer um codigo de modo a gerar figuras em 3d utilizando a teoria vista
acima
8.3 Aplicacoes de autovalores e autovetores na engenharia civil
8.3.1 O Problema de autovalor na avaliacao de modelos estruturais de

edificacoes
Trabalho apresenta no COBENGE 2003 por

Jose Guilherme Santos da Silva - jgss@uerj.br
Pedro Colmar G. da S. Vellasco - vellasco@uerj.br
Rita de Kassia D. Lopes - rita.lopes021@ig.com.br
Universidade do Estado do Rio de Janeiro, UERJ, Faculdade de Engenharia, FEN
Rua Sao Francisco Xavier, N0 524, Maracana
CEP: 20550-900, Rio de Janeiro, RJ
Resumo: O presente trabalho apresenta uma contribuicao inicial acerca de dois aspectos: o
primeiro diz respeito ao ensino de engenharia, com a aplicacao de conceitos referentes ao pro-
blema classico de autovalores e autovetores na avaliacao de sistemas estruturais. O segundo ponto
relevante a ser discutido, diz respeito ao estudo da influencia das ligacoes entre as vigas e colunas,
referentes a estruturas de aco. Na pratica corrente de projeto, grande parte dessas ligacoes e represen-
tada por modelos flexveis ou rgidos. Todavia, na maioria dos casos reais, essas ligacoes assumem
um comportamento intermediario, ou seja: semi-rgido. Assim sendo, este trabalho tem por objetivo
empregar conceitos basicos de algebra linear, a partir do problema classico de autovalores e autove-
tores, de forma a se analisar modelos estruturais de porticos de aco correspondentes a uma edificacao
196 8.3. Aplicacoes de autovalores e autovetores na engenharia civil
residencial existente. Sao investigadas as diferencas, qualitativas e quantitativas, existentes entre as
frequencias naturais e os modos de vibracao dentre os diversos modelos estruturais (flexvel, semi-
rgido e rgido). Resultados ja obtidos indicam que a variacao na rigidez inicial das ligacoes provoca
mudancas sensveis no comportamento dinamico da estrutura.
Palavras-chave: Ensino de engenharia, Estruturas de aco, Metodo dos Elementos Finitos,
Autovalores, Autovetores.
1. INTRODUCAO
Sabe-se que o deficit habitacional brasileiro cresce a cada ano, concentrando-se o problema, prin-
cipalmente, nas famlias de baixo poder aquisitivo, de forma que existe uma demanda crescente por
estudos sobre as habitacoes populares. Neste sentido, o aco, como material estrutural e adequado para
a construcao industrializada e pode proporcionar a construcao civil, perspectivas mais otimistas para
a habitacao popular no pas.
Uma das etapas relevantes no projeto de estruturas de aco esta relacionada a uma avaliacao co-
erente acerca dos modelos estruturais que representam o comportamento real das ligacoes existentes
entre as vigas e as colunas de aco. Na pratica corrente de projeto, a grande maioria dessas ligacoes e
representada por modelos flexveis ou rgidos. Todavia, na maior parte dos casos, essas ligacoes as-
sumem um comportamento intermediario, ou semi-rgido, o qual pode ser perfeitamente caracterizado
com base em determinadas grandezas associadas ao projeto de uma ligacao, tais como: resistencia a
flexao e capacidade de rotacao. No que tange ao estudo do comportamento dinamico de estruturas,
assunto que sera abordado com mais detalhe no presente trabalho, mais especificamente no que diz re-
speito a aplicacao do problema classico de autovalores para determinacao e avaliacao das frequencias
naturais (autovalores) e modos de vibracao (autovetores) de edificacoes residenciais, observase, com
clareza, uma absoluta falta de conhecimento por parte dos alunos de graduacao acerca da importancia
do tema e, infelizmente, uma completa indiferenca em relacao ao assunto.
Assim sendo, de forma a contribuir no que tange ao ensino de engenharia, como tambem desmisti-
ficar o emprego corrente dos conceitos teoricos, principalmente aqueles relacionados ao problema de
autovalores, faz-se uma exposicao resumida do referido problema, como tratado no ciclo basico da
engenharia, e de como o mesmo poderia ser mencionado, de forma a que os alunos de graduacao
pudessem ter uma ideia basica da aplicacao pratica desses conceitos.
Em seguida, e selecionado o projeto de uma edificacao residencial de quatro pavimentos, com-
posto por vigas e colunas de aco e lajes lisas de concreto armado, em todos os nveis da edificacao.
Tem-se como objetivo proceder a uma analise extensa das frequencias naturais (autovalores) e modos
de vibracao (autovetores) dos modelos referentes aos porticos de aco da referida edificacao. Um outro
ponto relevante do trabalho diz respeito ao estudo da influencia das ligacoes entre as vigas e colunas
dos porticos de aco.
Neste sentido, o presente trabalho tem por objetivo apresentar uma aplicacao pratica do problema
classico de autovalores e autovetores, no caso em questao com respeito ao projeto de edificacoes
residenciais, alem de reforcar a importancia dos conceitos basicos da disciplina de Algebra Linear
para a solucao deste tipo de problema.
2. O CICLO BASICO NA ENGENHARIA E O PROBLEMA DE AUTOVALOR
O problema classico de autovalores e autovetores, principalmente no que tange a utilizacao de
operacoes matriciais, esta diretamente relacionado com o ensino da disciplina Algebra Linear, ofer-
ecida correntemente aos alunos de graduacao no ciclo basico da Faculdade de Engenharia da UERJ,
FEN/UERJ.
O ensino da disciplina Algebra Linear nao oferece nenhuma interacao com o ciclo profissional da
engenharia e nenhum tipo de recomendacao no que diz respeito a sua extrema relevancia na aplicacao
pratica desses conceitos sobre os problemas reais de engenharia. Tal fato nao so desestimula o aluno
de graduacao em engenharia, como tambem ocasiona um aprendizado de baixa qualidade, propagando
deficiencias tecnicas que serao sentidas, sem sombra de duvida, no decorrer do curso.
Ainda hoje, a didatica de ensino adotada nas disciplinas do ciclo basico sobre o problema classico
de autovalores e autovetores e baseada em metodos estritamente conceituais e matematicos. Tal
metodologia e apresentada a seguir, respaldada por uma breve revisao sobre as definicoes de auto-
valor e autovetor, como visto tradicionalmente na disciplina de Algebra Linear, LIPSCHUTZ (1977),
NETTO e ADAO (1995).
Senao vejamos: Seja T uma transformacao linear em um espaco vetorial real V aplicada a um
corpo k. Denomina-se autovalor o escalar real pertencente a k ( k) se, para esta transformacao
linear T , existe um vetor nao-nulo pertencente a V ( V ) para o qual:
T (v) = (8.12)
Todo vetor nao-nulo que satisfaca a equacao 8.12 e chamado autovetor de T correspondente
ao autovalor . Portanto, sendo A uma matriz quadrada de ordem nxnsobre um corpo k, existe um
autovalor se, para uma matriz coluna vn1 , denominada autovetor, A = e verdadeiro.
Observacao 28 Nos cursos de engenharia geralmente utilizamos como corpo k o corpo dos numeros
reais, ou seja, no nosso caso k = R. Para a obtencao dos autovalores, reescreve-se a equacao 8.12
de modo que ( I A) = 0, que admitira v = 0 como solucao se, e somente se, det(A I) = 0. A
expressao det(A I) = 0 e denominada equacao caracterstica, onde I e a matriz identidade.
198 8.3. Aplicacoes de autovalores e autovetores na engenharia civil
A contribuicao mais relevante deste trabalho de pesquisa e caracterizar que o ensino do problema
de autovalor como feito no ciclo basico da engenharia, de acordo com o exposto acima, e absoluta-
mente contrario ao que se deveria informar a um futuro engenheiro. Nao ha relacao alguma entre
os termos especficos (tais como, espaco vetorial, corpo, etc.), utilizados no ensino da disciplina de
Algebra Linear e as grandezas empregadas correntemente na engenharia. Ressalta-se que esses ele-
mentos tem o mesmo significado das grandezas conhecidas usualmente pelo engenheiro. Alem disso,
em nenhum momento existe um indicativo de onde e como o aluno de graduacao, deve utilizar esses
conceitos, extremamente relevantes para a vida pratica de um profissional da area, SILVA (2001).
Uma sugestao para uma abordagem mais apropriada ao ensino do problema de autovalor para
os alunos de graduacao em engenharia seria, inicialmente, associar o termo autovalor as frequencias
naturais e o termo autovetor aos modos de vibracao de um elemento ou sistema estrutural qualquer,
dando enfase ao significado fsico dessas grandezas, ROEHL (1981).
Senao vejamos: para um sistema estrutural qualquer sob vibracao livre nao amortecida, com varios
graus de liberdade, pode ser escrita uma equacao matricial de movimento tal que,

MV + KV = 0 (8.13)

onde, M e a matriz de massa, K e a matriz de rigidez, V e o vetor das aceleracoes e V e o vetor dos
deslocamentos.
As equacoes que tornam possvel a resolucao do problema de autovalor, cujo sistema vibra livre-
mente e sem amortecimento, sao as seguintes:
( )
M 1 K 0i2 I i = 0 (8.14)
onde i e o i-esimo modo de vibracao, com i variando de 1 a n. A equacao 8.14 e verdadeira, para
qualquer i , se
( )
det M 1 K 0i2 I = 0 (8.15)
onde I representa a matriz identidade.

A equacao 8.15 e comumente designada como equacao caracterstica e suas razes sao os valores
caractersticos, ou autovalores, e correspondem ao quadrado das frequencias naturais de um sistema
estrutural, 0i2 . A cada uma dessas razes corresponde um vetor caracterstico, i , ou autovetor, que
representa o modo de vibracao do referido sistema.
Deve-se ressaltar, novamente, que o problema classico de autovalores e absolutamente essencial
para a compreensao e analise de estruturas simples, tais como trelicas, vigas, porticos, placas, etc,
como tambem de sistemas estruturais mais complexos, dentre os quais podem ser citados os seguintes:
edificacoes residenciais, pontes rodoviarias e ferroviarias, torres de aco de telecomunicacoes e de
transmissao de energia, estadios de futebol, passarelas de pedestres, edifcios altos, plataformas off-
shore, etc.
Observacao 29 Algumas correcoes e adaptacoes a nossa apostila foram necessarias porem nao foi
alterado o conteudo. Transcrevemos aqui apenas parte do trabalho para ressaltar a aplicacao de
autovalore e autovetores. Creditos sao dados ao autor e o trabalho original pode ser obtido atraves
dos anais do COBENGE 2003 ou me enviando um email solicitando o artigo original que terei a
maior satisfacao de envia-lo.

Alg Linear 15

Uploaded by

Document Information

Original Description:

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

Alg Linear 15

Uploaded by

Copyright:

Available Formats

UDESC - UNIVERSIDADE ESTADUAL

APOSTILA DE ALGEBRA LINEAR II

2 SISTEMA DE EQUACOES LINEARES 25

6 AUTOVALORES E AUTOVETORES 139

7 PRODUTO INTERNO 165

Definicao 1.1 Chama-se matriz de ordem m n a uma tabela de m n elementos dispostos em m

1.2 Tipos de Matrizes

Observacao 1 Denotaremos frequentemente a matriz nula por 0.

Os elementos da forma aii constituem a diagonal principal

Notacao: diag(A) = {a11 , , ann }

Matriz identidade ou unitaria

Observacao 2 Como 1 e o elemento neutro da multiplicacao entre numeros, a matriz identidade e o

Matriz triangular superior

Matriz triangular inferior

1.3 Operacoes com matrizes

1.3.2 Multiplicacao por escalar

1.3.3 Multiplicacao de Matrizes

Observe que o numero de colunas de A deve ser igual ao numero de linhas de B.

Propriedades 1.3 Multiplicacao de matrizes

Observacao 3 Note que, em geral AB = BA.

Propriedades 1.4 Matriz transposta

2. ( A)T = AT , onde e um numerto real

Exemplo 17 Mostre que se A e uma matriz quadrada entao A + AT e simetrica e A AT e anti-

1.3.4 Matriz inversa

2. Se A admite inversa (det A = 0) esta e unica.

4. A matriz identidade I e nao singular (pois det I = 1) e I 1 = I.

5. Se a matriz A e nao singular, sua transposta AT tambem e. A matriz inversa de AT e (A1 )T ,

1.3.5 Matriz ortogonal

1.3.6 Potencia de uma matriz

1.3.7 Traco de uma matriz

1.3.8 Expressoes polinomiais envolvendo matrizes

Se A e uma matriz quadrada, digamos m m, e se

e um polinomio qualquer, entao definimos

1.4 Matriz na forma escada reduzida por linhas

1.4.1 Operacoes elementares linha

Sao tres as operacoes elementares sobre as linhas de uma matriz.

1. Permuta da i esima e j esima linha (Li L j ).

2. Multiplicacao da i esima linha por um escalar nao nulo k (Li kLi ).

Observacao 4 Se A e B sao matrizes m n, dizemos que B e linha equivalente a A, se B for obtida

Exemplo 32 Dada a matriz

obtenha uma unica matriz B na forma escada linha equivalente a matriz A.

1.5 Posto de uma matriz

Exemplo 36 Encontrar o posto e a nulidade da matriz:

1.6 Calculo da inversa

1.6.1 Calculo da inversa por escalonamento

2. det(AB) = det A det B;

3. Se a matriz A possui uma linha ou coluna nula entao det A = 0;

4. Se a matriz A tem duas linhas ou colunas iguais entao det A = 0;

1.7.1 Calculo do determinante por triangulacao

1. Trocando a posicao de duas linhas (colunas) o derminante muda de sinal;

1.7.2 Calculo do determinante por difrentes metodos

det A = (1)(1)(6) + 2(1)(12) + (3)(1)(10) + (4)(1)(78)

1.8 Primeira lista de exerccios

1. Se uma matriz quadrada A for ortogonal entao det A = 1.

3. Se A e uma matriz simetrica entao A + AT tambem e simetrica.

4. Se A e B sao inversveis entao A + B tambem e.

5. Se A e uma matriz quadrada simetrica e B e uma matriz ortogonal entao a matriz A + B1

6. Se A e uma matriz anti-simetrica de ordem 3, entao det A = 0

8. Se A e anti-simetrica inversvel, entao A1 e anti-simetrica.

9. Se A, B e C sao matrizes n n inversveis, entao (ABC)1 = C1 B1 A1 .

2. Se existir uma matriz Y , tal que YA = I, onde I e a matriz identidade, entao B = C?

Exerccio 1.5 Mostre que a matriz

Exerccio 1.6 Sejam P e Q matrizes ortogonais de mesma ordem.