Introducao A Algebra Linear - Hamilton Prado Bueno

Para
Franciele, Lilian e Paulo Henrique.
Apresentaca o
Este texto foi redigido para a disciplina Algebra

Linear I, do
curso de licenciatura em Matematica da UFMG, na modalidade a
distancia.
Ha alguns anos, escrevi um livro para um curso de Algebra

Linear. Ele destinava-se a alunos mais avancados, que ja haviam estudado a parte basica dessa disciplina. Apesar de introduzir todos
os conceitos de um primeiro curso de Algebra

Linear, essa parte do
texto foi escrita com o proposito

de ser sucinta e nao detalhava resultados considerados conhecidos.
A oportunidade de escrever este texto tornou possvel apresentar, com um enfoque que julgo adequado, topicos de um primeiro
curso de Algebra
Linear. Contudo, a estrutura do curso a distancia
fez com que meu texto se tornasse mais abstrato do que intencio
nava: para tornar possvel o ensino de assuntos basicos da Algebra
Linear em apenas dois meses, a estrutura euclidiana quer dizer,
produtos internos e normas foram relegados a um segundo curso,
continuaca o deste. Assim, aspectos geometricos que julgo fundamentais foram postergados para esse futuro curso.
Para sanar essa deficiencia, tentei apresentar uma visao geometrica dos assuntos abordados. Uma vez concluda a redaca o deste
livro, julguei o resultado final como bastante aceitavel, ainda mais
levando em conta o exguo perodo em que ele foi redigido. Com a
oportunidade de ensina-lo e entao ouvir a opiniao dos alunos sobre
ele, melhorias podem ser implementadas e suas deficiencias minoradas.
O desafio de escrever sobre topicos

basicos me fez procurar por
particularmente simples de resultados fundamendemonstracoes
aqui apresentadas contaram com o auxlio
tais. As demonstracoes
do Prof. Helder Candido Rodrigues. Nao existem palavras de agradecimento capazes de dar uma ideia do quanto essa colaboraca o foi
decisiva.
Muitos dos exerccios propostos neste texto tem sua origem nos
livros de Algebra
Linear do Prof. Reginaldo Santos. Tomei a liberdade de utiliza-los, conhecedor do enorme desprendimento que o
caracteriza.
Agradeco a` Profa. Maria Cristina Costa Ferreira por sugestoes e
que muito aprimoraram este texto.
correcoes
Hamilton Prado Bueno
julho de 2009
iii
Ao Aluno
Os assuntos apresentados neste livro dao continuidade a` obra
Geometria Analtica e Algebra

Linear: uma Visao Geometrica, de
D. Avritzer. Assim, muitos resultados daquele texto sao supostos
conhecidos. Por outro lado, meu enfoque sobre alguns assuntos difere do apresentado naquele texto. Isso motivou-me a apresenta-los
novamente.
Ha uma enorme diferenca entre um texto de Geometria Analtica
(mesmo com uma abordagem utilizando a Algebra

Linear, como no
texto de D. Avritzer) e um texto de Algebra Linear, como este livro.

A apresentaca o torna-se muito mais abstrata, o que e uma imposica o
para se conseguir resultados mais gerais. Assim, ao estudar este
texto, voce se defrontara com resultados que tera dificuldades para
compreender qual o seu significado. Essa situaca o e normal e so sera
superada com muitas horas de estudo.
O curso apresenta muitos calculos. Apesar deles serem importantes, o principal objetivo e que voce entenda o porque deles funcionarem. Quer dizer, voce precisa compreender bem o assunto que
esta sendo exposto; caso contrario, voce chegara em contas que nao
terao qualquer significado.
A compreensao da estrutura da Algebra

Linear e o desafio que
voce tera que enfrentar neste curso. A demonstraca o dos resultados
expostos (teorema, lemas, proposicoes)

esclarece esta estrutura, nao
sendo apenas uma parte desagradavel e incompreensvel do assunto. Cada resultado deve ser lido e relido ate que seu significado
aflore. Se isso nao for suficiente, tente seguir sua demonstraca o em
um exemplo particular, que voce mesmo pode elaborar. Alem disso,
de contato quase direto com os monitores ou profesvoce dispoe
sores, contato esse que lhe ajudara nessa compreensao. Mas voce
tera que se dedicar bastante ao curso para superar suas dificuldades.
Esse desafio e o mesmo enfrentado por alunos de cursos presenciais.
O fato do curso ser a distancia apresenta o que a primeira vista
parece paradoxal a possibilidade de uma interaca o mais profunda
entre voce e seus professores ou tutores. Duvidas

podem ser sanadas praticamente no momento em que voce esta estudando, gracas
a` comunicaca o por meio da internet. Mas, se voce desprezar esse canal de comunicaca o, o ritmo do curso fara com que voce logo se sinta
completamente desorientado. Assim, a sua participaca o no curso,
por meio desses canais de comunicaca o, e decisiva para o seu aprendizado.
Sumario
Apresentaca o
iii
Ao Aluno
1 Conceitos Fundamentais
1.1 Vetores na Fsica e na Matematica . . . . . . . .
1.2 Sistemas Lineares e o Metodo de Gauss-Jordan
1.3 Calculo de Determinantes . . . . . . . . . . . .
1.4 Exerccios . . . . . . . . . . . . . . . . . . . . . .
2 O Espaco Rn
2.1 Equaca o Parametrica do Plano .
2.2 Sistemas Lineares em 3 variaveis
2.3 O Espaco Rn . . . . . . . . . . . .
2.4 Espacos Vetoriais Abstratos . . .
2.5 Exerccios . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
3 Subespacos do Rn e Bases
Lineares
3.1 Subespacos e Combinacoes
3.2 Bases . . . . . . . . . . . . . . . . . .
3.3 Dimensao . . . . . . . . . . . . . . .
3.4 Exerccios . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1
1
6
11
15
.
.
.
.
.
17
17
19
21
24
25
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
27
27
35
37
41
4 Aplicacoes
Lineares
Lineares e Matrizes Parte I
4.1 Aplicacoes
4.2 Espaco Linha e Espaco Coluna . . . . .
4.3 Multiplicaca o de Matrizes . . . . . . . .
4.4 Exerccios . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
43
43
48
54
55
5 O Teorema do Nucleo
e da Imagem
5.1 Teorema (da dimensao) do Nucleo

e da Imagem
5.2 Isomorfismos e Inversas . . . . . . . . . . . . . .
5.3 Obtenca o da Inversa de uma Matriz . . . . . . .
5.4 Exerccios . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
57
57
58
61
63
6 Mudancas de Base
6.1 Representaca o de um Vetor em uma Base
Lineares e Matrizes Parte II .
6.2 Aplicacoes
6.3 Aplicaca o: Diagonalizaca o de uma Matriz
6.4 Exerccios . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
65
65
67
72
76
vii
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

SUMARIO
viii
7 O Teorema de Cayley-Hamilton
Lineares
7.1 Polinomios
de Aplicacoes
7.2 Subespacos Invariantes . . . . . . .
7.3 O teorema de Cayley-Hamilton . .
7.4 Aplicacoes
. . . . . . . . . . . . . .
7.5 Exerccios . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
79
79
80
81
83
83
Referencias Bibliograficas
85
Indice
Remissivo
86
Captulo 1
Conceitos Fundamentais
Objetivos: No final do Captulo o aluno deve saber:
1. distinguir o uso de vetores na Fsica e na Matematica;
2. resolver sistema lineares pelo metodo de Gauss-Jordan;
3. calcular determinantes por meio do escalonamento de uma
matriz.
1.1 Vetores na Fsica e na Matematica

Nosso primeiro contato com vetores aconteceu antes de ingressarmos no ensino superior; provavelmente em uma aula de Fsica,
vetores nos foram apresentados como grandezas com modulo, dire
ca o e sentido tais como forcas, velocidades e aceleracoes.
Aprendemos que vetores eram representados por setas: a direca o sendo
aquela de uma reta contendo aquela seta, o sentido indicado pela
seta e o modulo
como o tamanho daquela seta. Sendo mais preciso, cada reta do espaco define uma direca o, convencionando-se
que retas paralelas definem a mesma direca o. Escolhido um segmento em uma reta, ao orientarmos esse segmento escolhemos um
sentido para o vetor. Finalmente, o comprimento do segmento e o
modulo
desse vetor.
Assim, um vetor ~v fica definido ao escolhermos dois pontos no
espaco: o ponto inicial Pi e o ponto final Pf . Mas segmentos parale
los, com o mesmo sentido e o mesmo modulo,
representam o mesmo
vetor. No caso de termos Pi = Pf , temos o vetor ~0. Note que ao vetor
~0 nao define uma direca o!
`
Pf
`
Pi
`
Q f
`
Qi
Figura 1.1: Os segmentos orientados Pi Pf e Qi Q f representam o

mesmo vetor.
CAPITULO
1. CONCEITOS FUNDAMENTAIS
Aprendemos ainda que vetores podem ser somados e multiplicados por escalares (o nome que passamos a utilizar para nos referir
~ , definidos pelos pona numeros

reais). A soma dos vetores ~v e w
~ , de modo que
tos Pi , Pf e Qi , Q f e obtida ao transladarmos o vetor w
~ e dado pelo segmento
seu ponto inicial seja o ponto Pf ; o vetor ~v + w
orientado unindo Pi e Q f .
Qf
1
~u + ~v

v

- ~
~u Pf = Qi
Pi
Figura 1.2: A adica o de vetores.
Exerccio 1.1 Na figura 1.2, os vetores v e w pertencem ao plano do papel deste livro.
Se os vetores pertencem ao espaco, ainda assim a figura esta correta?
A multiplicaca o do vetor ~v pelo escalar e definida como o vetor
~v com a mesma direca o do vetor ~v, com o mesmo sentido, se > 0,
e com sentido contrario, se < 0. O modulo

do vetor ~v e definido
por k~vk = || k~vk, em que || e o valor absoluto do escalar .
2v
v
3v

Figura 1.3: A multiplicaca o de um vetor por um escalar.

Exerccio 1.2 Como e definido ~v, se = 0?
Se a ideia da soma de vetores e clara, a sua obtenca o pratica no
caso de vetores definidos pelas coordenadas de seus pontos inicial
~ = Qi Q f
e final nao e tao simples: dados dois vetores ~v = Pi Pf e w
~ e obtido
(isto e , dois segmentos orientados de retas), o vetor ~v + w
~ , passando pelo
por meio de uma reta r, paralela a` reta definida por w
ponto Pf . Nessa reta, obtemos dois pontos cuja distancia ao ponto Pf
e a mesma que a distancia entre Qi e Q f . Ao escolhermos a soluca o
R f que define o mesmo sentido de Qi Q f , o segmento orientado Pi R f

~ . Veja a Figura 1.4.
e o vetor ~v + w
Observaca o 1.3 Observe que nao podemos descrever a reta r como
~ , pois (ainda) nao sabemos como somar as coordenadas do
Pf + t w
ponto Pf com as coordenadas do vetor w. Assim, ainda nao sabemos
~!
como obter a soluca o R f = Pf + 1w
1.1. VETORES NA FISICA

E NA MATEMATICA
w
~
Qi
Qf
1

R f

~v
Pi
Pf
Figura 1.4: A construca o geometrica da soma de vetores dados por

suas coordenadas, a partir da definica o.
~ = Qi Q f do plano, definidos pelos pontos

Exerccio 1.4 Considere os vetores ~v = Pi Pf e w
Pi = (0, 0), Pf = (2, 3), Qi = (1, 5) e Q f = (7, 2). Utilizando o metodo descrito no
~.
paragrafo anterior, obtenha os pontos inicial Ri e final R f do vetor ~v + w
~ =
Exerccio 1.5 Repita o exerccio anterior no caso dos vetores espaciais ~v = Pi Pf e w
Qi Q f , se Pi = (0, 0, 3), Pf = (2, 3, 7), Qi = (1, 5, 2) e Q f = (7, 2, 2).

Os calculos feitos na soluca o dos exerccios anteriores nos mostram como e difcil operar com vetores desse modo.
A soluca o matematica para a resoluca o daqueles exerccios e
bastante interessante e corresponde a uma utilizaca o consciente do
sistema de coordenadas cartesianas.
Em primeiro lugar, notamos que a cada vetor Qi Q f corresponde
um unico
vetor 0P, cujo ponto inicial e a origem 0 e cujo ponto final

e o ponto P. Se os vetores Qi Q f e Ri R f sao iguais, a eles corresponde
o mesmo ponto P. Em outras palavras, cada vetor Pi Pf da Fsica e
identificado com um unico

ponto P. Ou seja, um vetor da Fsica
corresponde a um ponto P do sistema de coordenadas cartesianas.
Na Matematica, um vetor e um ponto do espaco (ou do plano).
Por esse motivo, matematicos usualmente denotam vetores por
e interessante dis~ . Em algumas situacoes,
u, v, w, ao inves de ~u, ~v, w
tinguir entre vetores e pontos. Assim, quando queremos nos referir
simplesmente ao ponto P (e nao ao vetor definido por esse ponto),
mantemos a notaca o de pontos: P, Q, R.
Por outro lado, quando nos referirmos a um vetor v no sentido
da Fsica, manteremos a notaca o ~v.
Para continuarmos, verificaremos duas propriedades basicas da
~ =
adica o de vetores: ela e comutativa e associativa. Ou seja, ~v + w
~ + ~v e ~u + (~v + w
~ ) = (~u + ~v) + w
~ . A comutatividade da adica o e
w
ilustrada pela Figura 1.5.
~u
*

~v
~v

~u
Figura 1.5: A adica o de vetores e comutativa, pois vetores sao somados de acordo com a regra do paralelogramo.

CAPITULO
Por outro lado, a associatividade e simples: suponhamos que
~u = Pi Pf , ~v = Qi Q f e w = Ri R f . Para simplificar a notaca o, vamos

supor que Pf = Qi e Q f = Ri . Entao

~ = ( Pi Pf + Qi Q f ) + Ri R f = Pi Q f + Ri R f
(~u + ~v) + w
= Pi R f

~ ).
= Pi Pf + Qi R f = Pi Pf + ( Qi Q f + Ri R f ) = ~u + (~v + w
Confira esses calculos na Figura 1.6.
>

6R f

*
Qf

-
= Ri
P f = Qi
Pi
Figura 1.6: A adica o de vetores e associativa.

As propriedades comutativa e associativa da adica o de vetores
nos permitem reordenar termos de uma soma da maneira que mais
nos convier e torna desnecessaria a utilizaca o de parenteses em uma
adica o de vetores. Isso e decisivo para o raciocnio que passaremos
a descrever.
Consideremos os vetores v = ( x0 , y0 , z0 ) e w = ( x1 , y1 , z1 ). Denotaremos v1 = ( x0 , 0, 0), v2 = (0, y0 , 0) e v3 = (0, 0, z0 ). E geometricamente claro que v = ~v1 + ~v2 + ~v3 (veja a Figura 1.7). Usando a
notaca o matematica, v = v1 + v2 + v3 .
z6
v3 6
*6
v
~v3

-
v1 = ~v1
v2
~v2
Figura 1.7: Vale a igualdade v = ~v1 + ~v2 + ~v3 .

Procedemos de maneira analoga com o vetor w.
Agora consideremos v1 = ( x0 , 0, 0) e w1 = ( x1 , 0, 0). Novamente
~ 1 = ( x0 + x1 , 0, 0). (Veja a Figura 1.8.) Assim,
e claro que ~v1 + w
v1 + w1 = ( x0 + x1 , 0, 0).
~v1
-
w
~
-1
~
v1
~1
-w
-
~v1 + w
~1 x
~v1 + w
~1
Figura 1.8: A soma de vetores em uma mesma direca o e obtida ao

somar suas coordenadas
1.1. VETORES NA FISICA

E NA MATEMATICA
Naturalmente, o mesmo procedimento tambem se aplica a` s so~ 2 e ~v3 + w

~ 3 . Ora, entao temos
mas ~v2 + w
v + w = ( v 1 + v 2 + v 3 ) + ( w1 + w2 + w3 )
= ( v 1 + w1 ) + ( v 2 + w2 ) + ( v 3 + w3 )
= ( x0 + x1 , 0, 0) + (0, y0 + y1 , 0) + (0, 0, z0 + z1 )
= ( x0 + x1 , y0 + y1 , z0 + z1 ).
Em outras palavras, o tratamento anterior nos mostra que podemos encontrar facilmente a soma de dois vetores, se conhecemos as
coordenadas de ambos: basta somar as coordenadas correspondentes.
Exerccio 1.6 Justifique: se v = ( x0 , y0 , z0 ), entao v = (x0 , y0 , z0 ). Em particular,
v = (1)v = ( x0 , y0 , z0 ), de modo que esta definida a subtraca o de dois vetores:
v w = v + (w).
Uma vez resolvido o exerccio anterior, falta apenas um passo
para encontrarmos uma soluca o pratica para os Exerccios 1.4 e 1.5.
Consideremos o vetor Pi Pf definido pelos pontos inicial Pi =

( x0 , y0 , z0 ) e final Pf = ( x1 , y1 , z1 ). Qual o ponto P que corresponde
a esse vetor da Fsica? Em outras palavras, qual o vetor v da Matematica correspondente a esse vetor da Fsica?
Examinando a Figura 1.9, vemos que 0Pi + Pi Pf = 0Pf . Assim,

Pi Pf = 0Pf 0Pi . Como os vetores do lado direito da ultima

igualdade tem seu ponto inicial na origem (correspondendo assim a veto
res da Matematica), acabamos de verificar que Pi Pf corresponde ao
vetor v = ( x1 x0 , y1 y0 , z1 z0 ) da Matematica.
Pi
B
B
B
B
B
NB

:

Pf
Figura 1.9: Se Pi = ( x0 , y0 , z0 ) e Pf = ( x1 , y1 , zi ), entao Pi Pf corresponde ao vetor v = ( x1 x0 , y1 y0 , z1 z0 ) da Matematica.

Exerccio 1.7 Refaca os Exerccios 1.4 e 1.5.
Exerccio 1.8 Verifique que o todo o procedimento descrito anteriormente permanece
valido para vetores do plano. Em outras palavras, verifique que a adica o dos vetores
u = ( a, b) e v = (c, d) e dada pelo vetor u + v = ( a + c, b + d) e que u = (a, b). Se
~u = P~i Pf for um vetor (da Fsica) determinado pelos pontos Pi = ( x0 , y0 ) e Pf = ( x1 , y1 ),
verifique que ao vetor ~u corresponde o vetor (da Matematica) u = ( x1 x0 , y1 y0 ).
Essa abordagem de vetores tem inumeras

vantagens. Mas tambem
tem desvantagens: em alguns casos, o fato geometrico a ser descrito
fica muito mais claro utilizando o conceito de vetor no sentido fsico.
Veja a Figura 1.10.

CAPITULO
~n
Figura 1.10: O vetor ~n = (0, 0, 1) e normal a` esfera x2 + y2 + z2 = 1

no ponto (0, 0, 1).
Exerccio 1.9 Porque a figura anterior nao corresponde ao sentido de vetor utilizado na
Matematica?
Quando conveniente, ilustramos figuras utilizando o conceito
fsico de vetor. Essa situaca o ocorre com frequencia no estudo da Ge
ometria Analtica, abordada no texto Geometria Analtica e Algebra
Linear: uma Visao Geometrica, de D. Avritzer. Voce esta convidado
a rever os Captulos 1 a 4 do tomo II daquele livro.
1.2 Sistemas Lineares e o Metodo de Gauss-Jordan

Para 1 i m e 1 j n, suponhamos conhecidos os valores
e n incognitas
aij e os valores b j . Um sistema linear em m equacoes

procura a soluca o x1 , . . . , xn que satisfaz
a11 x1
a21 x1
+ ... +
+ ... +
..
.
a1n xn
a2n xn
am1 x1 + . . . + amn xn
= b1
= b2
.. ..
. .
= bm .
Como sabemos, esse sistema pode ser escrito utilizando matrizes
a11 a12 a1n

x1
b1
a21 a22 a2n x2 b2
..
..
.. .. = .. ,
..
.
.
.
.
.
.
am1 am2
amn
xn
bm
ou,
Ax = b
Se b = 0, o sistema e chamado homogeneo; se b 6= 0, o sistema
e nao homogeneo. Os sistemas Ax = b e Ax = 0 relacionam- se de
sobre as solucoes
de
um modo especial, de modo que informacoes
um fornecem dados importantes para a soluca o do outro. Por esse
motivo, no estudo do sistema Ax = b, o sistema Ax = 0 e chamado
sistema homogeneo associado.
Vamos estudar o sistema Ax = b. Para isso, mais sinteticamente
ainda, representaremos esse sistema por uma unica

matriz, chamada matriz aumentada do sistema:

1.2. SISTEMAS LINEARES E O METODO
DE GAUSS-JORDAN 7
..
.
a1n
a2n
..
.
am1 am2
amn
a11
a21
..
.
A = ( A | b) =
a12
a22
..
.
b1
b2
..
.
bm
sobre as linhas da
E facil verificar que as seguintes operacoes
do sistema Ax = b:
matriz A nao alteram o conjunto de solucoes
( a) Transpor as linhas i e j;
(b) Multiplicar a linha i por um escalar nao nulo;
(c) Substituir a linha j por sua soma com um multiplo

da linha i.1
( a), (b) e (c) sao as operaco es elementares sobre as
As operacoes
linhas da matriz A.
Consideremos entao uma matriz satisfazendo as seguintes propriedades:
- se existir o primeiro elemento nao nulo da linha i (chamado
pivo da linha i) e se esse ocorrer na coluna j, entao, se existir o
pivo da linha i + `, esse ocorre numa coluna k > j, para todo
` {1, . . . , m i };
- o pivo de cada linha e igual a 1, se ocorrer na matriz A.
Dizemos entao que essa matriz (ou o sistema) esta na forma es elementares utilizadas para
calonada e uma sucessao de operacoes
levar uma matriz qualquer C ate uma matriz na forma escalonada e
um escalonamento da matriz C.
Dada uma matriz arbitraria C = (cij ), a sucessiva aplicaca o de
elementares (sobre suas linhas) pode leva-la ate uma forma
operacoes
escalonada. De fato, se existir algum elemento nao nulo na primeira
elementares ( a) e (b) obcoluna de C, ao aplicarmos as operacoes
0
0
0 = 1. A aplicac
temos uma nova matriz C = (cij ), com c11
a o da
operaca o elementar (c) torna possvel transformar em zero qualquer outro elemento nao nulo da primeira coluna. O resultado entao
segue-se da por induca o sobre o numero

de linhas de C.
Contudo, dada uma matriz A, a sucessiva aplicaca o de opera elementares pode conduzir a diferentes formas escalonadas para
coes
essa matriz. E o que veremos no proximo

exemplo.
1 Com
relaca o a operaca o (c), note que x = ( x1 , x2 , . . . , xn ) satisfaz

ai1 x1
a j1 x1
+
+
...
...
+
+
ain xn
a jn xn
=
=
bi
bj
se, e somente se, satisfizer

ai1 x1
( a j1 + ai1 ) x1
+
+
...
...
+
+
ain xn
( a jn + ain ) xn
=
=
bi
b j + bi .
CAPITULO
Exemplo 1.10 Considere o sistema
1 2 3
A = ( A | b) =
2 2 2
2 .
Subtraindo da segunda linha duas vezes a primeira e entao dividindo por (2) a (nova) segunda linha, obtemos

1 2 3 4
,
0 1 2 3
matriz que esta na forma escalonada.
Por outro lado, trocando as duas linhas da matriz original A, dividindo a (nova) primeira linha por 2 e entao subtraindo a segunda
linha, chegamos a

1 1 1 1
,
0 1 2 3
que tambem esta na forma escalonada.
Assim, a uma mesma matriz podem corresponder diferentes formas escalonadas! Note, entretanto, que os pivos sao os mesmos nas
duas formas obtidas.
Suponhamos agora que uma matriz C esteja na forma escalonada.
Se cada pivo for o unico

elemento nao nulo de sua coluna, dizemos
que a matriz esta em sua forma escalonada reduzida por linhas. Aplicando a operaca o elementar (c), podemos fazer com que uma matriz
na forma escalonada atinja sua forma reduzida por linhas. De fato,
consideremos o pivo da ultima

linha nao-nula de C. A aplicaca o da
operaca o elementar (c) torna possvel zerar os elementos que estao
mantendo ainda a matriz na forma escalonada. A
acima do pivo,
demonstraca o agora segue-se da por induca o, aplicando o mesmo
procedimento ao pivo da penultima

linha nao-nula de C e assim sucessivamente.
A forma escalonada reduzida por linhas de uma matriz e unica.

Mostraremos esse resultado no Teorema 1.17.
Exemplo 1.11 Consideremos o sistema Ax = b, cuja matriz aumentada e dada por
1 0 0 0 0 0 b1
1 0 0 0 0 0 b2
0 1 0 0 0 0 b3
1 1 1 1 0 0 b4
0 0 0 0 1 3 b5
Queremos determinar para quais valores de b1 , . . . , b5 o sistema
tem soluca o. Se ele tiver soluca o, queremos determina-la.
Levando a matriz aumentada do sistema a` forma escalonada reduzida por linhas, obtemos
1 0 0 0 0 0
b1
0 1 0 0 0 0
b3
0 0 1 1 0 0 b4 b1 b3 .
0 0 0 0 1 3
b5
0 0 0 0 0 0
b1 + b2

1.2. SISTEMAS LINEARES E O METODO
DE GAUSS-JORDAN 9
A ultima
linhas nos mostra que esse sistema apenas possui soluca o se tivermos b1 + b2 = 0. Quer dizer, se tivermos b1 + b2 6= 0, o
sistema nao tem soluca o.
Se o sistema tiver soluca o, podemos determina-las.2 Suponhamos, portanto, que b1 + b2 = 0. Escrevemos as variaveis corres em termos das demais variaveis (chamadas
pondentes aos pivos
variaveis livres):
=
b1
=
b3
= (b4 b1 b3 ) x4
=
x4
=
b5 + 3x6
=
x6
x1
x2
x3
x4
x5
x6
Podemos escrever essa resposta de uma maneira que se mostrara
bastante util:

x1
b1
0
0
x2
b3
0
0
x3 b4 b1 b3
1
0

+ x4

x4 =
1 + x6 0 . (1.1)
0

x5
0
3
b5
x6
Quer dizer, para quaisquer valores de b1 , b3 , b4 e b5 , e para quaisquer valores escolhidos para as variaveis livres x4 e x6 , a soluca o do
sistema Ax = b (com b1 + b2 = 0) e dada pela expressao anterior.
O sistema tem infinitas solucoes,

resultantes da escolha de valores
para x4 e x6 .
Observaca o 1.12 O exemplo anterior deixa claro que a existencia de

para um sistema Ax = b, sendo A uma matriz m n, nao
solucoes
depende diretamente de m e n. Ele nao possuira soluca o se, na forma
escalonada reduzida por linhas de ( A|b), nao tivermos uma linha no
formato (0, c), com c 6= 0. (Esse e o formato da ultima

linha no sistema anterior, se tivermos b1 + b2 6= 0.) Se esse nao for o caso, o
sistema sempre possuira soluca o: se existirem variaveis livres (quer
nao for igual a n), entao o sistema posdizer, o numero

de pivos
suira infinitas solucoes,

resultantes das infinitas escolhas de valores
para as variaveis livres. Se nao existirem variaveis livres, o sistema
possuira uma unica

soluca o.
Exerccio 1.13 Escreva explicitamente o sistema considerado no Exemplo 1.11.
Exerccio 1.14 De um exemplo de um sistema com uma equaca o e duas incognitas

que
de um sistema com duas equacoes
e duas incognitas.
possua as mesmas solucoes

e duas incognitas
Exerccio 1.15 De um exemplo de um sistema com duas equacoes

que
nao possua soluca o.
2 Sendo mais explcito, estou dizendo que a denominaca
o sistema indeterminado, utilizada no ensino medio, e inadequada.
10
CAPITULO
E claro que, se estivermos tratando de um sistema homogeneo

Ax = 0, nao ha necessidade de trabalhar com a matriz aumentada
do sistema. E o que faremos ao tratar esse tipo de sistema.
elementares.
Exerccio 1.16 Justifique a afirmaca o anterior em termos de operacoes
Teorema 1.17 Qualquer que seja a matriz A, ela possui uma unica
forma
escalonada reduzida por linhas.
Demonstraca o: Faremos induca o no numero

de colunas da matriz
A. Se A possuir uma unica

coluna, sua forma escalonada reduzida
por linhas e

0
1
0
0

.. ou .. ,
.
.
0
a primeira possibilidade ocorrendo se A possuir um elemento nao

nulo e a segunda, caso contrario.
Suponhamos, portanto, o resultado valido para qualquer matriz
com n 1 colunas e consideremos uma matriz A com n colunas.
Suponhamos que R1 e R2 sejam formas escalonadas reduzidas por
linhas da matriz A. Interpretando essas matrizes como matrizes aumentadas de um sistema, entao R1 = ( R| a) e R2 = ( R|b), ja que
nossa hipotese
de induca o aplica-se a` s colunas de R. Agora con para a coluna a: se ela possuir um pivo,
sideramos duas opcoes

entao o sistema Rx = a nao possui soluca o, pois a linha de R correspondente a` posica o desse pivo seria identicamente nula, ja que
R1 esta na forma escalonada reduzida por linhas. Como as solucoes

de Rx = a e Rx = b sao as mesmas, b tambem tem um pivo e, portanto, a = b, ja que R1 e R2 estao na forma escalonada reduzida por
entao o sistema Rx = a possui
linhas. Se em a nao existir um pivo,
uma soluca o x0 . Mas entao a = Rx0 = b, provando que a = b e que
R1 = R2 .
2
Vamos agora explicitar a relaca o entre o sistema Ax = b e seu sistema homogeneo associado, Ax = 0. Partimos de uma observaca o
muito simples: o sistema homogeneo sempre tem soluca o! De fato,
se tomarmos o valor de todas as incognitas

como sendo igual a zero,
obtemos uma soluca o do sistema, chamada soluca o trivial.
A soluca o trivial sera unica,

se nao existirem variaveis livres. Isso
implica, em particular, que a forma escalonada reduzida por linhas
e de incognitas.
do sistema possui o mesmo numero

de pivos
Assim, desprezadas as possveis linhas identicamente nulas da forma
escalonada reduzida por linhas, o que resta e a matriz identidade.
Exerccio 1.18 Justifique a afirmaca o feita no paragrafo anterior.
Se existirem variaveis livres (ou uma variavel livre), o sistema
Ax = 0 possuira infinitas solucoes,

obtidas ao se atribuir diferentes
valores a` cada variavel livre. E o que acontece no proximo

resultado:

1.3. CALCULO
DE DETERMINANTES
11
Teorema 1.19 Considere um sistema homogeneo Ax = 0. Se A for uma

matriz m n, com m < n, entao Ax = 0 possui infinitas soluco es. Ou
seja, qualquer sistema homogeneo com mais incognitas do que equaco es
possui infinitas soluco es.
Demonstraca o: A forma escalonada reduzida por linhas de A pos
que e , no maximo, igual ao numero
sui um numero
r de pivos
de
equacoes.
Assim, ela possui n r de variaveis livres e, portanto,
infinitas solucoes.
2
Definica o 1.20 Sejam A uma matriz m n. Definimos o nucleo

de A,
denotado ker A,3 como sendo o conjunto de soluco es do sistema Ax = 0.
Teorema 1.21 Suponha que x0 seja uma soluca o do sistema Ax = b, isto
e, Ax0 = b. Se x1 tambem for uma soluca o do sistema Ax = b, entao
x1 = x0 + z, em que z ker A. Em particular, se Ax = 0 so possuir a
soluca o trivial, a soluca o de Ax = b sera unica.
Demonstraca o: Suponhamos que z ker A. Entao x0 + z e soluca o

do sistema Ax = b, pois A( x0 + z) = Ax0 + Az = b + 0 = b. Quer
dizer, x0 + z e soluca o de Ax = b, para todo z ker A.
Suponhamos agora que Ax1 = b, ou seja, que x1 seja tambem
soluca o de Ax = b. Consideremos x1 x0 . Entao A( x1 x0 ) =
Ax1 Ax0 = b b = 0, que dizer, ( x1 x0 ) ker A. Denotando
z = x1 x0 , temos x1 = x0 + ( x1 x0 ) = x0 + z, o que completa a
demonstraca o.
2
Voltando ao Exemplo 1.11, podemos agora interpretar a equaca o
(1.1). O primeiro termo do lado direito (o termo dependente de b) e
uma soluca o particular de Ax = b (no caso b1 + b2 = 0). Os termos
seguintes (correspondentes a` s variaveis livres x4 e x6 nos fornecem
do sistema homogeneo associado. Observe que
todas as solucoes
isso e imediato, pois corresponde a` escolha b1 = = b6 = 0.
Exerccio 1.22 Considere o sistema
3x + 2y + 3z = 8
x + y + z = 3
2x + y z = 2.
do sistema.
Sabendo que (1, 1, 1) e uma de suas solucoes,
ache todas as solucoes
1.3 Calculo de Determinantes

Definica o 1.23 Uma matriz quadrada e triangular superior se todas as
suas entradas abaixo da diagonal principal sao nulas.
Exerccio 1.24 Mostre que o determinante de uma matriz triangular superior e o produto de suas entradas na diagonal principal. Defina matriz triangular inferior e mostre o
resultado analogo.
3A
notaca o ker vem do alemao: kernel quer dizer nucleo.

CAPITULO
12
Exerccio 1.25 Justifique: se uma matriz quadrada estiver na forma escalonada, entao ela
e triangular superior.
O escalonamento de uma matriz (e o fato do determinante de
uma matriz triangular superior ser o produto das entradas diagonais dessa matriz) nos fornece um metodo eficiente para o calculo
do determinante de uma matriz.
De fato, sabemos que a aplicaca o da operaca o fundamental ( a)
a uma matriz faz com que seu determinante seja multiplicado por
1. A operaca o fundamental (b) faz com que o determinante seja
multiplicado pelo valor c, enquanto a operaca o fundamental (c) nao
fundamentais ( a), (b)
altera o valor do determinante. (As operacoes
e (c) foram descritas na Seca o 1.2.)
Vejamos um exemplo do calculo do determinante de uma matriz:
Exemplo 1.26 Consideremos a matriz
1
1
A=
1
4
1
2
1
3
1
2
3
2
1
2
.
3
1
Multiplicando a primeira linha por 1 e somando a` segunda e a`

terceira e, entao, multiplicando a primeira linha por 4 e somando
a` quarta linha, nao alteramos o valor do determinante:
1
1
det A = det
1
4
1
2
1
3
1
2
3
2
2
= det
3
1
1
1
1
1
0
1
1
1
. (1.2)
0
0
2
2
0 1 2 3
Continuando o escalonamento, obtemos (de acordo com as propriedades do determinante)
1
1
1
1
0
1
1
1
= (2) det
det A = det
0
0
2
2
0 1 2 3
1
0
0
0
1
1
1
1
1
1
.
0
1
1
0 1 2
Entao,
1
0
det A = (2) det
0
0
1
1
1
1
1
1
= (2) det
0
1
1
0 1 2
1
0
0
0
1
1
0
0
1
1
1
0
1
1
.
1
1
A ultima
matriz e triangular superior, de modo que seu determinante e o produto de suas entradas na diagonal principal. Assim,
det A = 2.

1.3. CALCULO
DE DETERMINANTES
13
Observe, contudo, que tambem poderamos obter o determinante

da matriz A sem utilizar a operaca o fundamental (b). De (1.2) vem
1
1
1
1
1
1
= det
0
2
2
0 1 2
1
0
det A = det
0
0
1
0
0
0
1
1
0
0
1
1
1
1
,
2
2
0 1
o que implica que det A = 2, pois a ultima

matriz e triangular
superior.
Exerccio 1.27 Calcule o determinante da matriz
2 1 3 1
1 0 1 1
0 2 1 0
0 1 2 3
Algumas vezes, a divisao de uma matriz quadrada em blocos

para o calculo de seu determinante. Por exempode ser muito util
plo, a matriz
Q=
0
1
1
0
0
0
0
0
0
0
1
1
2
1
0
0
0
0
0
0
2
2
2
0
0
0
0
0
0
0
1
2
1
0
0
0
0
0
0
0
2
2
3
1
1
1
2
3
3
6
3
2
1
1
2
1
2
4
1
3
3
3
3
0
3
1
2
3
4
4
3
3
1
0
1
2
7
4
1
1
1
1
1
1
2
1
1
1
5
2
0
1
1
1
1
1
1
4
6
1
1
1
2
3
3
6
2
1
2
4
1
3
3
1
2
3
4
4
pode ser escrita na forma
Q=
A B
0 D
em que
0
1
A=
1
0
1
1
2
1
2
2
2
0
1
2
1
0
D=
1
2
7
4
1
1
2
1
1
1
5
2
1
1
1
4
6
1
Os blocos A e D ajudam no calculo do determinante da matriz Q.

De fato, vale o seguinte resultado:
14
CAPITULO
Teorema 1.28 Seja Q uma matriz n n com a forma
A B
,
Q=
0 D
em que A e uma matriz m m e D uma matriz (n m) (n m). Entao,
det Q = det A det D.
elementares ( a) e (c), transDemonstraca o: Utilizando as operacoes

formamos os blocos A e D em matrizes triangulares superior. A
operaca o elementar (c) nao altera o determinante de Q (nem o de
A ou D), mas a operaca o ( a) inverte o sinal do determinante de Q.
Mas, se ela for aplicada em uma linha da matriz A (ou da matriz Q)
ela tambem altera o sinal do determinante de A (respectivamente,
de D). Assim, suponhamos que ao transformar A e D em matrizes
triangulares superior tenhamos feito j e k trocas de linhas, respectivamente. Teremos
0
A B0
j
k
(1) (1) det Q =
,
0 D0
em que A0 e D 0 sao matrizes triangulares superior. Como a matriz Q
e triangular superior, seu determinante e o produto de suas entradas
diagonais, de modo que
0
0
(1) j (1)k det Q = a11
a0mm d11
d0(nm)(nm)
= det A0 det D 0 ,
0 , . . . , a0
em que a11
ao as entradas diagonais da matriz A0 , enquanto
mm s
0 , . . . , d0
d11
ao as entradas diagonais de D 0 .
(nm)(nm) s
Mas det A = (1) j det A0 e det D = (1)k det D 0 , como vimos

anteriormente. Substituindo na igualdade anterior, obtemos
det Q = det A det D.
Exerccio 1.29 Considere a matriz
1
1
3
3
1
2
1
2
1
1
1
1
1
1
1
2
elementares, leve essa matriz a` forma

(i ) Utilizando operacoes
A B
,
0 D
em que os blocos A e D sao 2 2.
(ii ) Utilizando o item anterior, calcule seu determinante.

1.4. EXERCICIOS
1.4
15
Exerccios
1. Considere a matriz
1 2 1
A = 2 5 1 .
3 7 2
Considere o sistema Ax = b, sendo b igual a
b1
1
2
(a) b2 ;
(b) 2 ;
(c) 1 ;
b3
1
2
1
(d) 1 .
1
do sistema Ax = b, se existirem. Em (a),

Encontre, em cada caso, todas as solucoes
sobre b para que a soluca o exista.
imponha condicoes
2. Considere o sistema cuja matriz aumentada e
0 0
3 9
5 15 10 40
1 3 1
5
.
45
7
Determine uma soluca o particular do sistema nao homogeneo, bem como todas as
do sistema homogeneo associado. Escreva sua resposta como no Exemplo
solucoes
1.11.
3. Utilizando o procedimento do Exemplo 1.26, calcule o determinante das matrizes
1 2 2
(a) 1 1 2 ;
0 1 2
1
1
(b)
1
5
1
1
3
1
2 1
9
1
1
2
;
1
6
1
1
1 1
1
2 1 2
.
(c)
1 1
2 1
1
3
3 2
16
CAPITULO
Captulo 2
O Espaco Rn
1. obter a representaca o parametrica do plano;
2. reconhecer a importancia de sistemas de coordenadas em
casos simples;
basicas no Rn .
3. efetuar operacoes
2.1 Equaca o Parametrica do Plano

Suponhamos que n = ( a, b, c) nao seja o vetor nulo. Como sabemos, uma equaca o
ax + by + cz = d
representa um plano com vetor normal n = ( a, b, c). Se d 6= 0, entao
o plano nao passa pela origem (0, 0, 0) do sistema de coordenadas.
Um ponto ( x0 , y0 , z0 ) do espaco pertence ao plano se, e somente se,
ax0 + by0 + cz0 = d.
Existe uma outra maneira de expressar a equaca o de um plano.
Vejamos inicialmente em um exemplo:
Exemplo 2.1 Consideremos o plano , de equaca o
x 2y 3z = 5.
Vamos proceder como no Exemplo 1.11. Para isso, levamos a
forma matricial do sistema (com uma equaca o!) a` forma escalonada
do mesmo:
reduzida por linhas e escrevemos as solucoes

3
2
5
x
y = 0 + 1 + 0 .
(2.1)
1
0
0
z
Interpretando como no Teorema 1.21, o primeiro termo do lado
direito da equaca o e uma soluca o particular do sistema: verifique
que (5, 0, 0) satisfaz a equaca o do plano. Os dois termos seguintes
do sistema homogeneo associado:
formam o conjunto de solucoes
x 2y 3z = 0.
17

CAPITULO
2. O ESPAC
O RN
18
Comecemos analisando esses dois termos, associados a` s variaveis

livres e . Denotaremos u = (2, 1, 0) e v = (3, 0, 1). Esses vetores
determinam 3 pontos: a origem, o ponto P1 = (2, 1, 0) e o ponto
P2 = (3, 0, 1). Claramente esses pontos nao estao alinhados, de
modo que determinam um plano justamente o plano de equaca o
x 2y 3z = 0. Os vetores u e v determinam eixos coordenados,
de modo que a origem e esses eixos formam um sistema de coordenadas nesse plano. (Na figura a seguir, esse plano e representado pelo
plano do papel deste livro.) Consideremos um ponto Q = ( x, y, z)
desse plano. Tracando retas paralelas aos eixos determinados por u
dessas retas com os eixos coordenados,
e v e obtendo as intersecoes
obtemos as coordenadas de Q nesse sistema de coordenadas.
v

:

u

0
Figura 2.1: Os vetores u e v definem um sistema de coordenadas no
plano por eles determinado.
Acabamos de mostrar que todos os pontos daquele plano sao
descritos pelos parametros e . Um ponto Q( x, y, z) so pertencera
ao plano x + 2y + 3z = 0 se for possvel encontrar valores para e
de modo que u + v nos de as coordenadas de Q.
Quer dizer, o vetor q = ( x, y, z) e combinaca o linear dos vetores
u e v se, e somente se, o ponto Q = ( x, y, z) pertencer ao plano x +
2y + 3z = 0.
Note bem: apesar de todos os pontos do plano x + 2y + 3z = 0
serem pontos do espaco, conseguimos descreve-los utilizando duas
coordenadas: os valores de (que descreve a posica o de um ponto
do plano com respeito ao eixo gerado pelo vetor u) e (que descreve
a posica o de um ponto do plano com respeito ao eixo gerado pelo
vetor v). A origem corresponde aos valores (, ) = (0, 0). O valor
(, ) = (1, 0) corresponde ao ponto P1 = (2, 1, 0) do R3 . E assim
por diante.
Agora consideremos todos os termos da lado direito da igual
dade (2.1). Como vimos, os dois ultimos
criam um plano passando
pela origem; o primeiro translada esse plano, de modo que ele passe
pelo ponto P0 = (5, 0, 0). Veja a Figura 2.2.
A equaca o (2.1) e chamada equaca o parametrica do plano .
Voce deve se convencer que o exemplo anterior pode ser repetidos para qualquer plano ax + by + cz = d.
Exerccio 2.2 Considere o plano x y z = 1 e os vetores u = (1, 1, 0) e v = (1, 0, 1).

2.2. SISTEMAS LINEARES EM 3 VARIAVEIS
19

x 6

v
~

Q

:

~u

P 6

Figura 2.2: O ponto P translada o plano determinado pelos vetores

u e v; note a mudanca de notaca o: aqui, ~u e ~v.
Esboce o sistema de coordenadas no plano x y z = 0 determinado pelos vetores u e v.
Ache valores para e de modo que (2, 1, 1) = u + v. Esboce o plano x y z = 1.
Exerccio 2.3 Considere o plano de equaca o ax + by + cz = d. (Isso quer dizer que
( a, b, c) 6= (0, 0, 0)!) Procedendo como no Exemplo 2.1, encontre vetores u e v e as
parametricas do plano . Verifique que os vetores u e v encontrados sao liequacoes
nearmente independentes.
2.2 Sistemas Lineares em 3 variaveis

Comecemos com um exemplo simples:
Exemplo 2.4 Consideremos o sistema
x + 2y + z = 3
x + y + 3z = 1
(2.2)
Aplicando o metodo de Gauss-Jordan, chegamos a` forma escalonada reduzida por linhas

1 2 1 3
1 0
5 1
.
1 1 3 1
0 1 2
1
Portanto, a soluca o do sistema e

5
1
x
y = 1 +z 2 .
1
0
z
(2.3)
A equaca o (2.3) nos da a equaca o da reta, interseca o dos planos

dados.
Consideremos, por outro lado, o sistema homogeneo associado
a (2.2). Sua soluca o e dada por

5
x
y = z 2 .
1
z

CAPITULO
2. O ESPAC
O RN
20
Essa soluca o estabelece um sistema de coordenadas na reta r (z) =

z(5, 2, 1). Para o valor z = 0, estamos na origem. Para z = 1, estamos no ponto (5, 2, 1) e assim por diante. Assim, todos os pontos
dessa reta sao descritos por apenas um valor do parametro z. Quer
dizer, se estamos interessados apenas em pontos dessa reta, qual
quer ponto ( x, y, z) dela pode ser representado utilizando uma unica
coordenada: o valor de z.
de um sistema
Em geral, ao procurarmos solucoes
a11 x + a12 y + a13 z = b1
a21 x + a22 y + a23 z = b2 ,
estamos verificando se esses dois planos1 sao paralelos ou, caso contrario, determinando a reta formada pela interseca o de ambos.
Expressando o sistema anterior em forma matricial, obtemos
a11 a12 a13

a21 a22 a23
x
b1
y =
.
b2
z
Um ponto ( x0 , y0 , z0 ) do espaco pertence a interseca o dos planos

(se essa existir) se ele satisfizer a equaca o matricial
a11 a12 a13

a21 a22 a23
x0
b1
y0 =
.
b2
z0
(2.4)
A forma matricial (2.4) tem muitos significados e consequencias.

Nesta seca o abordaremos um deles, ao notar que em (2.4) o ponto
( x0 , y0 , z0 ) aparece na forma de uma matriz coluna. Ou seja, se A for
uma matriz m 3 (em que m e arbitrario), na equaca o matricial
Ax = b,
x representa um ponto do espaco:
( x0 , y0 , z0 )
x0
y0 .
z0
Ora, sistemas Ax = b acontecem com matrizes m n arbitrarias.

A interpretaca o
x1
x2
..
.
( x1 , . . . , x n ),
xn
1 Estamos
supondo que ( a11 , a12 , a13 ) 6= (0, 0, 0) e ( a21 , a22 , a23 ) 6= (0, 0, 0).
2.3. O ESPAC
O RN
21
em que ( x1 , . . . , xn ) designa um ponto generico de um espaco abstrato (que denotaremos por Rn ) nos permitira, como veremos no decorrer deste curso, interpretar geometricamente o sistema Ax = b, de
maneira semelhante a` que fizemos nos Exemplos 2.1 e 2.4.
Essa ultima
frase parece muito pretensiosa: se n > 3, como interpretar geometricamente a soluca o de um sistema m n, se nao
podemos vislumbrar o espaco Rn ? Bom, esse e um dos objetivos
deste curso, de modo que nao podemos justificar nossa pretensao
neste momento; mas tambem nao podemos deixar de destacar a
(1.1), (2.1) e (2.3)!
semelhanca entre as equacoes
2.3 O Espaco Rn
Definimos o conjunto Rn por
Rn = { x = ( x1 , x2 , . . . , xn ) : xi R} .
O numero
de coordenadas x1 , . . . , xn dependera do problema considerado. Os casos n = 2 e n = 3 correspondem a pontos do plano e
do espaco, respectivamente. Ao mostrarmos que algum resultado e
valido para o Rn , esse resultado sera verdadeiro para qualquer valor
de n = {1, 2, . . .}.
Se x e y sao pontos do Rn e um numero

real, definimos
x + y = ( x1 + y1 , . . . , x n + y n )
x = (x1 , . . . , xn )
(2.5)
(2.6)
(Designamos por (y1 , . . . , yn ) as coordenadas de y Rn .)

estao de acordo com os resultados
Observe que essas definicoes
mostrados na Seca o 1.1.
Teorema 2.5 Se x, y, z Rn e , R, as seguintes propriedades sao
satisfeitas
(i ) x + y Rn (fechamento);
(ii ) ( x + y) + z = x + (y + z) (associatividade);
(iii ) x + y = y + x (comutatividade);
(iv) existe 0 Rn tal que x + 0 = x (elemento neutro);
(v) existe ( x ) Rn tal que x + ( x ) = 0 (inverso aditivo);
(vi ) x Rn (fechamento);
(vii ) (x ) = () x (associatividade);
(viii ) ( x + y) = x + y (distributividade);
(ix ) ( + ) x = x + x (distributividade);
( x ) 1x = x (regra da unidade).

CAPITULO
2. O ESPAC
O RN
22
Demonstraca o: Mostraremos apenas algumas dessas propriedades.

Vejamos a propriedade comutativa:
x + y = ( x1 + y1 , x2 + y2 , . . . , x n + y n )
= (y1 + x1 , y2 + x2 , . . . , yn + yn ) = y + x.
Note que a adica o no Rn e feita adicionando cada coordenada; como
em cada coordenada temos uma adica o de numeros

reais, que e comutativa, chegamos ao resultado desejado.
Vejamos a propriedade (viii ):
( x + y ) = ( x1 + y1 , . . . , x n + y n )
= ( x1 + y1 ), . . . , ( x n + y n )
= (x1 + y1 , . . . , xn + yn )
= (x1 , . . . + xn ) + (y1 , . . . , yn )
= x + y.
Observe que 0 tem, nessa definica o, dois significados distintos:

descreve tanto o vetor 0 = (0, 0, . . . , 0) Rn como o escalar 0 R.
Exerccio 2.6 Mostre as demais propriedades do Teorema 2.5.
Exerccio 2.7 Considere a igualdade 0x = 0 para todo x Rn . Interprete e prove essa
igualdade.
Definica o 2.8 Por satisfazer as propriedades (i ) ( x ), dizemos que Rn e
um espaco vetorial. Os elementos de um espaco vetorial sao chamados
vetores. Elementos R sao chamados escalares. Se x, y Rn e
R, a soma x + y e a soma dos vetores x e y, enquanto x e a multiplicacao

n
do escalar pelo vetor x. Tambem chamamos um vetor x R de um
ponto do Rn .
Sinteticamente, dizemos que Rn possui uma soma (de vetores)
e uma multiplicaca o por escalar. Utilizaremos corriqueiramente a
identificaca o
( x1 , . . . , x n ) Rn
x1
x2
..
.
xn
que permite compreender um ponto do Rn como uma matriz co entre matrizes colunas as
luna e que faz corresponder a` s operacoes
definidas no Rn . Podemos mesmo ate levar mais adiante
operacoes
essa interpretaca o, identificando pontos do Rn com colunas de uma
matriz!
2.3. O ESPAC
O RN
23
Exemplo 2.9 Consideremos o sistema homogeneo representado matricialmente por
1 1
0 1
0
3 1 0
.
A=
0
1
1 0
0 1
0 0
A cada vetor ( x1 , x2 , x3 , x4 ) R4 corresponde a matriz coluna
( x1 , x2 , x3 , x4 )
x1
x2
x3
x4
e cada coluna de A pode ser vista como um vetor do R4 .

Levando a matriz A a` forma escalonada reduzida por linhas, obtemos
1 0 0 1
0 1 0 0
0 0 1 0 ,
0 0 0 0
de modo que sua soluca o e
x1
1
x2
0
x3 = x4 0 .
x4
1
do sistema sao os multiplos
Quer dizer, as solucoes

do vetor
4
u = (1, 0, 0, 1) R . Lembrando que a equaca o de uma reta pas
sando pela origem no R3 e dada pelos multiplos
de um vetor fixo,
nao parece natural dizer que a soluca o desse sistema e uma reta (passando pela origem) no espaco R4 ?
Note: se estivermos interessados em vetores do R4 que perten
cem a essa reta, entao cada vetor fica caracterizado por uma unica
coordenada!
Exerccio 2.10 Como feito nos Exemplos 2.1 e 2.4, indique o sistema de coordenadas estabelecido ao se obter a soluca o do Exemplo 2.9.
do sistema
Exerccio 2.11 Encontre as solucoes
x1 + 2x2 + 3x3 + x4 = 8
x1 + 3x2 + 0x3 + x4 = 7
x1 + 0x2 + 2x3 + x4 = 3
desse sistema.
Interprete geometricamente as solucoes

CAPITULO
2. O ESPAC
O RN
24
2.4 Espacos Vetoriais Abstratos

Na Seca o anterior definimos Rn e mostramos que ele satisfaz as
propriedades descritas no Teorema 2.5. Com base nessas propriedades, podemos definir abstratamente um espaco vetorial.
Definica o 2.12 Um espaco vetorial real X e um conjunto cujos elementos (chamados vetores) podem ser somados e multiplicados por escalares,
isto e, numeros
reais.2 Se x, y, z X e , R, as seguintes propriedades

devem ser satisfeitas pela adica o e multiplicaca o por escalar:
(i ) x + y X (fechamento);
(ii ) ( x + y) + z = x + (y + z) (associatividade);
(iii ) x + y = y + x (comutatividade);
(iv) existe 0 X tal que x + 0 = x (elemento neutro);
(v) existe ( x ) X tal que x + ( x ) = 0 (inverso aditivo);
(vi ) x X (fechamento);
(vii ) (x ) = () x (associatividade);
(viii ) ( x + y) = x + y (distributividade);
(ix ) ( + ) x = x + x (distributividade);
( x ) 1x = x (regra da unidade).
Neste texto nao daremos muita e nfase a espacos vetoriais abstratos. Mas alguns exemplos sao importantes:
Exemplo 2.13 Seja P = { a0 + a1 t + . . . + an tn } o conjunto de po
linomios
em t com coeficientes reais e grau menor do que ou igual a
n. Com a adica o usual de polinomios

e a multiplicaca o de polinomio
por um numero
real, P e um espaco vetorial.
Exemplo 2.14 Seja Mmn o conjunto de todas as matrizes m n com

entradas reais. Com a adica o de matrizes e multiplicaca o de uma
matriz por um numero

R, Mmn e um espaco vetorial.
dos Exemplos 2.13 e 2.14.

Exerccio 2.15 Prove as afirmacoes
de adica o e multipliObserve que o significado das operacoes
caca o foi diferente em cada exemplo. No caso de um espaco vetorial
de adica o e multiplicaca o
abstrato, nao sabemos como as operacoes
por escalar sao realizadas; apenas sabemos que elas satisfazem as
2 Tamb
em podemos admitir numeros

complexos, isto e , escalares C. Neste
caso, temos um espaco vetorial complexo.

2.5. EXERCICIOS
25
propriedades (i ) ( x ) da Definica o 2.12. Muitas vezes, para salien como e , respectitarmos esse fato, denotamos essas operacoes
vamente. Assim, a propriedade (iii ) pode ser descrita por x y =
y x, enquanto (vii ), ( x ) = () x. Note que indica a
operaca o usual de multiplicaca o de numeros

reais.
de adica o de vetores e mulO significado abstrato das operacoes
tiplicaca o de vetor por escalar torna difcil a verificaca o de algumas
propriedades que sao obvias

no caso do Rn . Temos, por exemplo,
Proposica o 2.16 Existe um unico
elemento neutro em um espaco vetorial.

0
Quer dizer, se x + 0 = x = x + 0 para todo x X, entao 0 = 00 .
Demonstraca o: Como 0 X, escolhendo x = 0 na igualdade x +
00 = x, conclumos que 0 + 00 = 0. Por outro lado, escolhendo
x = 00 X na igualdade x + 0 = x, conclumos 00 + 0 = 00 . Como
a adica o de vetores e comutativa, temos 0 = 0 + 00 = 00 , mostrando
que 0 = 00 .
2
Observe que nao podemos falar em coordenadas de um vetor do
espaco X! Quer dizer, nao existe nenhuma expressao analoga a 0 =
(0, . . . , 0) Rn .
Exerccio 2.17 Mostre que, em um espaco vetorial X, vale a lei do cancelamento: se x + a =
x + b, entao a = b. Conclua, entao, que o elemento inverso aditivo ( x ) de um elemento
x X e unico.
2.3 e 2.4 com a Seca o 1.1,
Observaca o 2.18 Comparando as Secoes
nao podemos ignorar uma diferenca: na Seca o 1.1 foi utilizado o
conceito de norma de um vetor, conceito esse que nao foi definido no
espaco Rn ou em espacos vetoriais abstratos. Tambem nao foi definido o produto escalar de dois vetores. Isso aconteceu por uma razao
muito simples: este curso trata apenas das propriedades algebricas
de espacos vetoriais; propriedades topologicas,

isto e , propriedades
relacionadas com os conceitos de distancia e ortogonalidade serao tra
tadas no curso de Algebra
Linear II.
2.5 Exerccios
1. Em cada caso, encontre a equaca o parametrica do plano
(a) x + 2y + z = 3;
(b) x y + 2z = 5;
do sistema
2. Encontre as solucoes
x + y + z = 7
(a)
x y + 2z = 2;
(c) x + y + z = 1.
(b)
x 5y + 3z = 0
2x + y z = 1.
3. Resolva o sistema homogeneo Ax = 0, a matriz A sendo dada

por
1 7 0 0 8 3
1 0 0 0 6
0 0 1 0
6
5
.
(b)
(a) 0 1 0 0 3 ;
0 0 0 1
3
9
0 0 1 1 2
0 0 0 0
0
0
26
CAPITULO
2. O ESPAC
O RN
Em cada caso, interprete geometricamente a soluca o obtida.
4. Seja P o conjunto de todos os polinomios

com coeficientes reais (com todos os graus possveis). Mostre que P e um espaco
vetorial com a adica o de polinomios

e a multiplicaca o de um
polinomio
por um escalar definidos da maneira usual.
Captulo 3
Subespacos do Rn e Bases
1. verificar se um subconjunto e um subespaco;
2. verificar se um conjunto e linearmente independente;
3. verificar que um conjunto e uma base de um subespaco;
4. operar com o conceito de dimensao de um subespaco.
3.1 Subespacos e Combinacoes

Lineares
Definica o 3.1 Seja S um subconjunto qualquer do Rn . Dizemos que S e
um subespaco do Rn se, para quaisquer x, y S e, para qualquer R,
temos
(i ) x + y S;
(ii ) x S.
Uma vez que 0x = 0 para qualquer x Rn , vemos que 0 Rn e
um elemento de qualquer subespaco do Rn .
Exemplo 3.2 Considere o subconjunto S = {0} Rn . Entao S e
um subespaco de Rn , pois 0 + 0 = 0 S e 0 = 0 S, para todo
R. Considere tambem o subconjunto S0 = Rn . Claramente S0 e
um subespaco do Rn . Os subespacos S e S0 sao chamados subespacos
triviais do Rn .
Exemplo 3.3 Seja 0 6= v Rn um vetor fixo e Y = {tv : t R}.

(No caso de n = 2 ou n = 3, sabemos que Y descreve uma reta
passando pela origem.) Entao Y e um subespaco de Rn . De fato,
se y1 , y2 Y, entao y1 = t1 v e y2 = t2 v, para certos escalares t1 , t2 .
Logo, y1 + y2 = t1 v + t2 v = (t1 + t2 )v e um elemento de Y. Tambem,
se R, entao y1 = (t1 v) = (t1 )v Y. Isso mostra o afirmado.
Imitando os casos n = 2 e n = 3, dizemos que Y descreve uma reta
passando pela origem no espaco Rn . Note que o vetor v gera um
sistema de coordenadas em que os pontos da reta Y sao descritos
por um unico
parametro: o valor do numero
real t. Compare com o
Exemplo 2.4.
27
28
CAPITULO
3. SUBESPAC
OS DO R N E BASES
Exerccio 3.4 Sejam u, v vetores do Rn e Z = {u + v : , R}. Mostre que Z e um

subespaco do Rn . Agora suponha que u e v nao sejam colineares, quer dizer, um nao
e multiplo
do outro. Justifique a denominaca o: Z e um plano passando pela origem no
n
R . Verifique que os vetores u, v geram um sistema de coordenadas em que os pontos do
plano Z sao descritos por dois parametros: e . (Compare com o Exemplo 2.1.)
Observaca o 3.5 No Exerccio 3.4, voce pode achar estranha a exigencia
dos vetores u, v nao serem colineares. Ora, caso contrario, teramos
u = v, por exemplo. Mas entao
Z = {v + v} = {( + )v}
descreve o conjunto dos multiplos

escalares do vetor v. De acordo
com o Exemplo 3.3, esse conjunto e uma reta no Rn e todos os ele
mentos desse conjunto sao multiplos
de v.
Exerccio 3.6 A afirmaca o R2 nao e um subespaco do R3 e verdadeira. Discuta essa

afirmaca o.
Exerccio 3.7 Seja S um subconjunto do Rn . Mostre que S e um subespaco se, e somente
se, x + y S para quaisquer x, y S e R.
Exerccio 3.8 Seja X um subespaco do Rn . Mostre que X satisfaz todas as propriedades
da Definica o 2.12 sendo, portanto, um espaco vetorial.
de adica o
O exerccio anterior garante assim que, com as operacoes
e multiplicaca o por escalar restritas aos elementos de um subespaco
S Rn , esse conjunto e um espaco vetorial.
No proximo
resultado identificamos qualquer soluca o x de Ax =
0 com um ponto do Rn :
Proposica o 3.9 Sejam A uma matriz m n. Entao o nucleo
de A,
ker A = { x Rn : Ax = 0}
e um subespaco do Rn .
Demonstraca o: Sejam x1 , x2 ker A. Entao Ax1 = 0 e Ax2 = 0, de
modo que A( x1 + x2 ) = Ax1 + Ax2 = 0 + 0 = 0. Similarmente, se
R, entao A(x1 ) = Ax1 = 0 = 0.
2
Examine novamente os Exemplos 1.11, 2.1 e 2.4, passando sempre ao sistema homogeneo associado. Em todos eles encontramos
subespacos do Rn (em que o valor de n depende do exemplo).
do sistema Ax = b nao formam um subespaco
Exerccio 3.10 Se b 6= 0, entao as solucoes
do Rn .
Seja S um subespaco do Rn . Nosso objetivo neste Captulo pode
ser descrito como a introduca o de um sistema (linear) de coordenadas em S, de maneira semelhante ao que foi feito no Exemplo 3.3 e

3.1. SUBESPAC
OS E COMBINAC
OES
LINEARES
29
no Exerccio 3.4. Mas nosso caminho ate alcancar esse objetivo ainda
e longo...
Em primeiro lugar, precisamos definir o que e um sistema de coordenadas (linear) ou, como os matematicos preferem denominar, uma
base. Esse conceito depende, em certa extensao, do problema considerado: no caso de um plano, um sistema de coordenadas utiliza dois eixos coordenados; no espaco, usa tres eixos. Dizer que
uma base e um sistema de eixos coordenados parece bom, mas preferimos usar, provisoriamente, uma linguagem mais pictorica, por
acreditarmos ser ela mais elucidativa. Assim, definimos provisoriamente uma base como um conjunto B de vetores satisfazendo:
(i ) Os elementos de B fazem parte do problema considerado;

relevantes para o
(ii ) O conjunto B contem todas as informacoes
problema considerado;
superfluas.
(iii ) O conjunto B nao contem informacoes
No Exemplo 3.3, uma base seria constituda por um unico

vetor: o vetor v. Qualquer ponto da reta pode ser descrito utilizando
apenas uma coordenada, de modo a obter-se o multiplo

adequado
do vetor v. No Exerccio 3.4, se fosse u = v, entao o vetor u se
ria superfluo: todos os elementos do conjunto seriam multiplos
do
vetor v e estaramos na situaca o do Exemplo 3.3. Se u e v nao forem colineares, uma base e constituda pelos vetores u e v. Qualquer
ponto do plano e descrito por duas coordenadas (os valores de e
) e, para se obter todos os pontos do plano, nao podemos usar um
numero
menor de coordenadas.
que precisam ser tratadas para chegarExistem varias questoes
mos ao conceito de base. E claro, precisamos dizer o que significa
relevantes (para o problema
um conjunto ter todas as informacoes
superfluas. Definidos esses conconsiderado) e nao ter informacoes
praticas passam a ser pertinentes: como obceitos, varias questoes
relevantes sobre
ter um conjunto que possui todas as informacoes
o problema considerado? Como verificar se esse conjunto possui
superfluas? Como retirar do conjunto as informacoes
informacoes
superfluas? Essas perguntas serao tratadas neste captulo.
Comecamos generalizando a construca o feita no Exemplo 3.3 e
no Exerccio 3.4, agora utilizando qualquer numero

de vetores no
Rn :
Proposica o 3.11 Sejam v1 , v2 , . . . , vk vetores quaisquer do Rn . Entao,
< v1 , v2 , . . . , vk > = {1 v1 + . . . + k vk : 1 , . . . , k R}
e um subespaco do Rn , chamado subespaco gerado pelos vetores v1 , . . . , vk .
Demonstraca o: Sejam x, y < v1 , . . . , vk >. Entao existem escalares
1 , . . . , k e 1 , . . . , k tais que
x = 1 v1 + . . . + k v k
y = 1 v1 + . . . + k v k .

CAPITULO
3. SUBESPAC
OS DO R N E BASES
30
Consequentemente,
x + y = ( 1 + 1 ) v1 + . . . + ( k + k ) v k
e
x = (1 )v1 + . . . + (k )vk
sao elementos de < v1 , . . . , vk >, provando o afirmado.
Exemplo 3.12 Sejam v1 = (1, 2, 1, 1), v2 = (2, 1, 1, 1), v3 = (1, 1, 1, 1),

v4 = (0, 1, 0, 1) e v5 = (0, 0, 1, 0) vetores do espaco R4 . Vamos descrever o espaco < v1 , . . . , v5 >.
Temos, por definica o,
< v1 , . . . , v5 > = {v1 + v2 + v3 + v4 + ev5 },

em que , , , e e sao escalares. Assim,
< v1 , . . . , v5 > = {(, 2, , ) + (2, , , ) + (, , , ) + (0, , 0, ) + (0, 0, e, 0)}

= {( + 2 + , 2 + + + , + + + e, + + + )}.
Em particular, se = 1, = 0, = 0, = 1 e e = 2, temos que o
vetor (1, 3, 3, 2) pertence a < v1 , . . . , v5 >.
Nao podemos denominar o espaco < v1 , . . . , vk > de acordo com
o numero
de elementos k utilizados na definica o desse espaco. Por
exemplo, se k = 2, < v1 , v2 > pode nao ser um plano, como vimos
na Observaca o 3.5.
Exerccio 3.13 Sejam v1 = (1, 0, 0), v2 = (0, 1, 0) e v3 = (1, 1, 0). Descreva o subespaco
< v1 , v2 , v3 >.
linear dos vetores v1 , . . . , vk
Definica o 3.14 Um vetor v e combinacao
se existem escalares 1 , . . . , k tais que
1 v1 + . . . + k vk = v.
(3.1)
Quer dizer, v < v1 , . . . , vk > e o mesmo que v ser combinaca o

linear dos vetores v1 , . . . , vk .
A equaca o vetorial (3.1) da origem a um sistema nao homogeneo,
se v 6= 0. E o que veremos no proximo

exemplo.
Exemplo 3.15 O vetor (5, 2, 3, 1) e combinaca o linear dos vetores
v1 , . . . , v5 do Exemplo 3.12? Essa pergunta tera uma resposta afirmativa se existirem escalares , , , e e tais que
(1, 2, 1, 1) + (2, 1, 1, 1) + (1, 1, 1, 1) + (0, 1, 0, 1) + e(0, 0, 1, 0) = (5, 2, 3, 1)
ou seja, se
( + 2 + , 2 + + + , + + + e, + + + ) = (5, 2, 3, 1)

3.1. SUBESPAC
OS E COMBINAC
OES
LINEARES

31
< v1 , . . . , v k >

Figura 3.1: Se representarmos o subespaco < v1 , . . . , vk > Rn

como um plano, entao v < v1 , . . . , vk >, enquanto w 6 <
v1 , . . . , v k >.
A ultima
igualdade da origem ao sistema nao homogeneo
1 2 1 0 0
5

2
2 1 1 1 0

1 1 1 0 1 = 3 .

1
1 1 1 1 0
e
Note que a matriz e formada tendo justamente os vetores v1 , . . . , v5
como colunas. Escalonando a matriz aumentada do sistema, obtemos
1 2 1 0 0 5
1 0 0 0
0
11
2 1 1 1 0 2
0 1 0 0 1
2
1 1 1 0 1 3 0 0 1 0
2 10
1 1 1 1 0 1
0 0 0 1 1 4
Assim, sua soluca o e dada por
11
2+e
= 10 2e =
4 + e
e
e
11
2
10
4
0
+e
0
1
2
1
1
Como o sistema tem soluca o, vemos que o vetor v = (5, 2, 3, 1)

pertence ao espaco < v1 , v2 , v3 , v4 , v5 >.
Exerccio 3.16 Sejam

v1 = (2, 3, 1, 1), v2 = (2, 2, 2, 1), e v3 = (1, 0, 2, 1).
O vetor v = (1, 1, 1, 1) pertence a < v1 , v2 , v3 >?
de dizer quando um conjunto B
Agora estamos em condicoes
relevantes sobre o subespaco S.
contem todas as informacoes
Definica o 3.17 Um conjunto B = {v1 , . . . , vk } S e um conjunto
gerador do subespaco S Rn se todo elemento de S for combinaca o linear
dos elementos de B . Tambem dizemos que B gera S.
32
CAPITULO
3. SUBESPAC
OS DO R N E BASES
Assim, se o problema que estivermos considerando tratar do
subespaco S, estamos garantindo que B tem todas as informacoes
relevantes sobre S. Note que B possui um numero

finito de elementos; se S 6= {0}, entao S possui infinitos elementos.
Exerccio 3.18 Mostre que {v1 , . . . , v j } Rn gera o subespaco < v1 , . . . , v j >
Como vimos no Exemplo 3.15, a equaca o (3.1) da origem a um
sistema nao homogeneo, se v 6= 0. Como sabemos, o estudo de
um sistema nao homogeneo esta intrinsecamente relacionado com o
sistema homogeneo que lhe e associado. Esse e o objeto da proxima

definica o.
Definica o 3.19 Dizemos que os vetores v1 , . . . , vk do Rn sao linearmente
independentes se
1 v1 + . . . + k v k = 0
(3.2)
so tem a soluca o trivial 1 = . . . = k = 0. Caso contrario, dizemos que
os vetores v1 , . . . , vk sao linearmente dependentes.
Um conjunto B = {v1 , . . . , vk } e linearmente independente, se os vetores v1 , . . . , vk forem linearmente independentes; caso contrario, B e linearmente dependente.
A equaca o (3.2) da origem ao sistema homogeneo associado a
(3.1). Assim, para verificar se o conjunto {v1 , . . . , vk } e linearmente
independente, formamos a matriz A = (v1 . . . vk ), que tem os vetores v1 , . . . , vk como colunas, e consideramos o sistema Ax = 0. Se
esse sistema tiver apenas a soluca o trivial x = 0, entao {v1 , . . . , vk }
e linearmente independente; caso contrario, e linearmente dependente.
Consideraremos esse sistema em uma situaca o particularmente
simples, que melhor nos fara entender a Definica o 3.19:
Exemplo 3.20 Consideremos os vetores e1 = (1, 0, 0), e2 = (0, 1, 0) e
v = (1, 1, 0). Queremos verificar se esses vetores sao linearmente independentes ou linearmente dependentes. Para isso, consideramos
a igualdade vetorial
1 e1 + 2 e2 + 3 v = 0.
Como ja vimos, essa
mogeneo
1 0
0 1
0 0
(3.3)
igualdade e o mesmo que o sistema ho

1
1
0
1 2 = 0 .
0
3
0
(Repetimos: os vetores e1 , e2 e v constituem as colunas da matriz

3 3, que denotaremos por A.)
A soluca o do sistema homogeneo e dada por
1
1
2 = 3 1 .
3
1

3.1. SUBESPAC
OS E COMBINAC
OES
LINEARES
33
Como o sistema homogeneo possui soluca o nao trivial, conclumos que os vetores e1 , e2 e v sao linearmente dependentes.
Substituindo a soluca o (1 , 2 , 3 ) = (1, 1, 1) em (3.3), obtemos
e1 e2 + v = 0,
ou, o que e o mesmo,
v = e1 + e2 .
(3.4)
Essa equaca o garante que v e combinaca o linear dos vetores e1

e e2 . Geometricamente, isso significa que v pertence ao plano gerado pelos vetores e1 e e2 . Quer dizer, se tivermos os vetores e1 e e2 ,
entao duas coordenadas bastarao para descrever todos os pontos do
plano gerado por esses vetores e o vetor v nao e necessario. O vetor
v e uma informaca o superflua.
e2 6

e1
Figura 3.2: O vetor v e combinaca o linear dos vetores e1 e e2 , pois

pertence ao plano gerado por estes vetores.
Compare esse exemplo com o Exerccio 3.13.
Exerccio 3.21 Verifique se os vetores

v1 = (1, 1, 1), v2 = (1, 1, 0) e v3 = (1, 0, 0)
sao linearmente dependentes.
E claro que, no Exemplo 3.20, tambem podemos escrever e1 (ou
e2 ) como combinaca o linear dos vetores restantes. Nesse caso, e1 (ou,
respectivamente, e2 ) seria a informaca o superflua.
Podemos formular abstratamente o que aconteceu no exemplo
anterior. Veja que a equaca o (3.2) e tratada sem considerar as coordenadas dos vetores envolvidos!
Proposica o 3.22 O conjunto {v1 , . . . , vk } e linearmente dependente se, e
somente se, algum desses vetores e combinaca o linear dos vetores restantes.
Demonstraca o: Suponhamos que {v1 , . . . , vk } seja linearmente dependente. Entao existem escalares 1 , . . . , k , nem todos nulos, tais
que
1 v1 + . . . + k vk = 0.
Para simplificar a notaca o, vamos supor que 1 6= 0. Nesse caso,
temos
1 v1 = 2 v2 . . . k v k ,
(3.5)

CAPITULO
3. SUBESPAC
OS DO R N E BASES
34
ou seja,
v1 = 2 v2 + . . . + k v k ,
em que i = i /1 para i = 2, . . . , k. Assim, v1 e combinaca o linear
dos vetores {v2 , . . . , vk }.
Reciprocamente, se (por exemplo) v1 = 2 v2 + . . . + k vk , entao
1v1 2 v2 . . . k vk = 0
e ao menos um dos escalares (qual seja, o coeficiente de v1 ) e nao
nulo, mostrando que esse conjunto e linearmente dependente.
2
Note que, se tivermos 1 v1 + . . . + k vk = 0, podemos escrever
qualquer vetor relacionado a um coeficiente i 6= 0 como combinaca o linear dos vetores restantes: na demonstraca o anterior, esse fato
e usado ao dividirmos a equaca o (3.5) pelo escalar 1 6= 0.
Observaca o 3.23 Retirado um vetor superfluo de um conjunto linearmente dependente, nao podemos garantir que o conjunto restante seja formado apenas por vetores essenciais. Isto e , pode ser
que o conjunto restante ainda seja linearmente dependente. Veremos, posteriormente, um metodo para retirar de uma vez todos os
vetores superfluos de um conjunto linearmente dependente. Veja a
Observaca o 4.23.
Exerccio 3.24 Verifique se o conjunto {(1, 1, 2, 1), (1, 1, 1, 1), (2, 1, 1, 1), (2, 1, 2, 1)} e linearmente dependente ou linearmente independente. Se for linearmente dependente, escreva um dos vetores como combinaca o linear dos vetores restantes.
Exerccio 3.25 Suponha que o vetor v pertenca ao espaco < v1 , . . . , vk >. Mostre que o
conjunto {v, v1 , . . . , vk } e linearmente dependente.
Exemplo 3.26 Sejam v2 , . . . , vk vetores quaisquer do Rn . Entao o
conjunto {0, v2 , . . . , vk } e linearmente dependente. (Aqui, 0 denota
o vetor nulo.) Assim, qualquer conjunto que contenha o vetor nulo
e linearmente dependente.
De fato, temos que
1 0 + 2 v2 + . . . + k v k = 0
possui a soluca o nao trivial 1 = 1, 2 = . . . = n = 0. Voce e capaz
de exibir outras solucoes?
Exerccio 3.27 Suponha que o conjunto {v1 , . . . , vk } Rn seja linearmente dependente.

Mostre que {v1 , . . . , vk , v} Rn e linearmente dependente, qualquer que seja o vetor
v Rn .
Observaca o 3.28 Pela Proposica o 3.22, se v Rn nao for combinaca o linear dos vetores v1 , . . . , vk , entao v 6 hv1 , . . . , vk i. Com a
linguagem pictorica
introduzida anteriormente, isso quer dizer que
3.2. BASES
35
o vetor v traz uma informaca o que nao esta contida no subespaco

< v1 , . . . , v k >.
Mas nao podemos garantir que o conjunto {v, v1 , . . . , vk } Rn
seja linearmente independente, pois nao sabemos se seu subconjunto {v1 , . . . , vk } e linearmente independente, conforme o Exerccio
3.27.
Se {v1 , . . . , vk } for linearmente independente e se v nao pertencer a esse subespaco, entao {v1 , . . . , vk , v} e linearmente independente. Esse resultado e uma consequencia imediata da Proposica o
3.22, mas vamos dar uma demonstraca o direta dele: suponhamos
que
1 v1 + . . . + k vk + v = 0.
(3.6)
Entao = 0 pois, caso contrario, v seria combinaca o linear dos vetores v1 , . . . , vk . Mas entao temos
1 v1 + . . . + k v k = 0
e, como esses vetores sao linearmente independentes, i = 0 para i
{1, . . . , k}. Assim, todos os escalares em (3.6) sao nulos, mostrando
nossa afirmaca o.
Exerccio 3.29 Seja v 6= 0 um vetor do Rn . Mostre que o conjunto {v} e linearmente

independente.
3.2 Bases
Definica o 3.30 Uma base B = {v1 , . . . , vk } de um subespaco S do Rn e
um conjunto ordenado de vetores de S que gera esse subespaco e e linearmente independente.
Por conjunto ordenado queremos dizer que a ordem dos elementos e importante. Em outras palavras, os conjuntos ordenados {u, v, w},
{u, w, v} e {w, u, v} sao distintos! Posteriormente explicaremos a
razao de definirmos uma base como um conjunto ordenado. (Veja
a Observaca o 6.3.)
Assim, para verificar que um conjunto B e uma base do subespaco
independentes:
S, precisamos verificar tres afirmacoes
(i ) os elementos de B pertencem a S;
(ii ) todo elemento de S e combinaca o linear dos elementos de B ;
(iii ) o conjunto B e linearmente independente.
Essas tres exigencias sao a expressao, em termos matematicos, das
(i ), (ii ) e (iii ) apresentadas na pagina 29.
condicoes
36
CAPITULO
3. SUBESPAC
OS DO R N E BASES
Exemplo 3.31 Os vetores e1 = (1, 0, . . . , 0), e2 = (0, 1, 0, . . . , 0), . . . ,

en = (0, 0, . . . , 0, 1) formam uma base do espaco Rn . De fato, se
x = ( x1 , . . . , xn ) Rn , temos
x = ( x1 , . . . , xn ) = x1 (1, 0, . . . , 0) + x2 (0, 1, 0, . . . , 0)
+ . . . + xn (0, . . . , 0, 1)
= x 1 e1 + x 2 e2 + . . . + x n e n ,
mostrando que {e1 , . . . , en } gera o Rn . Alem disso,
0 = 1 e1 + . . . + n e n
= (1 , 0, . . . , 0) + (0, 2 , 0, . . . , 0) + . . . + (0, . . . , 0, n )
= ( 1 , . . . , n ),
o que implica que 1 = . . . = n = 0.
A base B = {e1 , . . . , en } e chamada base canonica do Rn .
Exerccio 3.32 Verifique se {v1 , v2 , v3 } Rn e uma base do R3 , sendo

v1 = (1, 3, 3), v2 = (2, 1, 1) e v3 = (1, 1, 1).
A base canonica
introduz no Rn um sistema de coordenadas se
melhante ao sistema com eixos x, y e z do R3 . Assim, a base canonica
produz um sistema de coordenadas completamente natural. Para
que estudar outras bases no Rn ? A resposta e simples: a base canonica produz um sistema de coordenadas que pode nao ser o mais adequado ao problema que estamos tratando. Com um sistema de eixos
mais adequado, a obtenca o da resposta para o nosso problema pode
ser bem mais simples.
Alem disso, muitas vezes estamos interessados em um subespaco
particular do Rn , subespaco esse que pode funcionar como um plano
ou uma reta, por exemplo. Pode acontecer que nenhum (!) dos ve
tores da base canonica
pertenca a esse subespaco. Alem disso, os
pontos desse subespaco podem ser caracterizados por um numero

menor de coordenadas do que as n coordenadas utilizadas para caracterizar um ponto do Rn : x = ( x1 , . . . , xn ). Essa situaca o ocorreu
quando consideramos sistemas de coordenadas em retas e planos do
Rn , como no Exemplo 3.3 e Exerccio 3.4.
Exemplo 3.33 O conjunto {v} e uma base do subespaco
Y = {tv : t R}
do Exemplo 3.3. De fato, esse conjunto e linearmente independente,
de acordo com o Exerccio 3.29. Alem disso, qualquer elemento de
Y e multiplo
de v, o que mostra que {v} gera o subespaco Y.

3.3. DIMENSAO
37
Exemplo 3.34 Seja B = {v1 , . . . , v j } um conjunto linearmente independente de vetores do Rn . Entao o subespaco < v1 , . . . , v j >
Rn tem B como base. De fato, todo elemento de < v1 , . . . , v j > e
uma combinaca o linear de elementos de B ; como esse conjunto e
linearmente independente e esta contido em < v1 , . . . , v j >, nossa
afirmaca o esta provada.
Exerccio 3.35 Se u e v nao forem colineares, mostre que {u, v} e uma base do subespaco
Z do Exerccio 3.4.
Exerccio 3.36 Mostre que o conjunto {(1, 1, 1, 1), (1, 1, 1, 0), (1, 1, 0, 0), (1, 0, 0, 0)} e uma
base do espaco R4 .
Proposica o 3.37 Se B = {v1 , . . . , vk } for a base de um subespaco V
Rn , entao cada vetor v V e escrito de maneira unica

como combinaca o
linear dos elementos de B
Demonstraca o: Suponhamos a existencia de v V tal que
1 v1 + 2 v2 + . . . + k v k = v = 1 v1 + 2 v2 + . . . + k v k .
Queremos mostrar que i = i para i {1, . . . , k}. Ora, da igualdade anterior deduzimos que
(1 1 )v1 + (2 2 )v2 + . . . + (k k )vk = 0.

Como B e linearmente independente, necessariamente temos i
i = 0 para todo i {1, . . . , k}, o que prova nosso resultado.
2
3.3 Dimensao
Agora passamos a considerar o conceito de dimensao de um
subespaco; esse conceito pode ser utilizado para caracterizar todos
os subespacos do Rn .
Exemplo 3.38 Consideremos novamente o Exerccio 3.4 no caso em
que u = (1, 0, 0) e v = (0, 1, 0) sao vetores do R3 . De acordo com o
Exerccio 3.35, {u, v} e uma base do subespaco
Z = {u + v : , R}.
Afirmamos que {u, u + v} e outra base de Z. Seja w = u + v =
(1, 1, 0). Queremos mostrar que {u, w} tambem e base de Z.
Temos que w Z, pois w = 1u + 1v. Assim, {u, w} Z. Se
x Z, entao
x = u + v = (1, 0, 0) + (0, 1, 0) = (, , 0).
Entao x e combinaca o linear de u e w. De fato,
(, , 0) = 1 u + 2 w
(, , 0) = (1 + 2 , 2 , 0).

CAPITULO
3. SUBESPAC
OS DO R N E BASES
38
E claro entao que 2 = e 1 + 2 = , o que implica 1 =

2 = . Mostramos assim que qualquer elemento de Z e
combinaca o linear dos elementos u e w.
Mas esses elementos tambem sao linearmente independentes,
pois
(0, 0, 0) = 1 u + 2 w
(0, 0, 0) = (1 + 2 , 2 , 0).
Assim, 1 = 2 = 0 e a unica
soluca o de 0 = 1 u + 2 w.
O Exemplo mostra que o mesmo subespaco do Rn tem diferentes
bases. Todas essas bases possuem algo em comum: o numero

de elementos. Utilizaremos, para mostrar esse fato, o seguinte resultado:
Teorema 3.39 Seja B = {v1 , . . . , vk } uma base do subespaco S Rn .
Entao qualquer conjunto C S com mais que k elementos e linearmente
dependente.
Demonstraca o: Mostraremos esse resultado em uma situaca o particular, com uma notaca o mais simples. Para isso, suponhamos que
B = {v1 , v2 } seja uma base de um subespaco Y Rn . Consideremos um conjunto C = {u1 , u2 , u3 } Y. Vamos mostrar que C e
linearmente dependente.
Para isso, consideremos a equaca o
1 u1 + 2 u2 + 3 u3 = 0.
(3.7)
Como B e uma base de Y, cada elemento de C e combinaca o

linear dos elementos em B . Assim,
u1 = 11 v1 + 21 v2
u2 = 12 v1 + 22 v2
u3 = 13 v1 + 23 v2
para determinados escalares ij , com i {1, 2} e j {1, 2, 3}. Note
bem: se conhecessemos as coordenadas dos vetores envolvidos, poderamos determinar esses escalares. Mas, como os vetores v1 e v2
sao arbitrarios, so sabemos que esses escalares existem!
de u1 , u2 e u3 em (3.7), obtemos
Substituindo essas expressoes
1 (11 v1 + 21 v2 ) + 2 (12 v1 + 22 v2 ) + 3 (13 v1 + 23 v2 ) = 0,
ou seja,
(1 11 + 2 12 + 3 13 )v1 + (1 21 + 2 22 + 3 23 )v2 = 0.
Como B e um conjunto linearmente independente, devemos ter
1 11 + 2 12 + 3 13 = 0
1 21 + 2 22 + 3 23 = 0,
isto e ,
11 12 13
21 22 23

1
0
2 = 0 .
3
0

3.3. DIMENSAO
39
nesse sistema homogeneo e menor

Como o numero
de equacoes
do que o numero
de incognitas,
o Teorema 1.19 garante que existe
soluca o nao trivial para o sistema, o que prova que C e linearmente
dependente.
2
Exerccio 3.40 Diga se os conjuntos sao linearmente dependentes ou linearmente independentes:
( a) S = {(1, 1), (2, 1), (1, 0)} R2 ;

(b) R = {(1, 1, 1, 1), (0, 0, 0, 0), (1, 2, 1, 1)} R4
(c) P = {(1, 1, 2), (1, 0, 1), (1, 2, 1), (0, 0, 1)} R3 .
Exerccio 3.41 Se
B = { v 1 , . . . , v k } e C = { u 1 , . . . , u k , u k +1 } ,
demonstre o Teorema 3.39. Deduza da entao o caso C = {u1 , . . . , uk , uk+1 , . . . , uk+r }, em
que r 1.
Corolario 3.42 Todas as bases de um subespaco S Rn possuem o mesmo
numero
de elementos.
Demonstraca o: Suponhamos que existam bases B e B 0 , com B tendo
menos elementos do que B 0 . De acordo com o Teorema 3.39, o conjunto B 0 seria linearmente dependente. Mas isso e impossvel, pois
B 0 e uma base de S e, consequentemente, um conjunto linearmente
independente. Chegamos a uma contradica o que mostra que todas
as bases devem ter o mesmo numero

de elementos.
2
Mas qualquer subespaco S do Rn possui uma base? Note que ja
provamos que Rn possui uma base. Assim, todos os elementos do
Rn (e, em particular, os elementos de S) podem ser escritos como
combinaca o linear dos elementos da base do Rn . Alem disso, essa
base e um conjunto linearmente independente. Isso nao prova que
S possui uma base?
Nao! Ha uma exigencia que precisa ser cumprida: os elementos
da base devem pertencer todos ao subespaco S.
Teorema 3.43 Seja C = {u1 , . . . , u j } S um conjunto linearmente
independente. Entao existem vetores u j+1 , . . . , u j+k em S de modo que
{u1 , . . . , u j , u j+1 , . . . , u j+k } seja uma base de S.
Demonstraca o: Como S e um subespaco e C S, toda combinaca o
linear de elementos de C pertence a S. Assim,
< u1 , . . . , u j > S.
Se < u1 , . . . , u j > = S, entao C e uma base de S, de acordo com o
Exemplo 3.34. Caso contrario, existiria um vetor u j+1 S tal que
u j+1 6 < u1 , . . . , u j >. De acordo com a Observaca o 3.28, o conjunto
{u1 , . . . , u j+1 } e linearmente independente.
Agora repetimos o raciocnio. Se < u1 , . . . , u j , u j+1 > = S, entao
o conjunto {u1 , . . . , u j+1 } e uma base de S. Caso contrario, existiria
40
CAPITULO
3. SUBESPAC
OS DO R N E BASES
u j+2 S tal que u j+2 6 < u1 , . . . , u j , u j+1 > e, entao, o conjunto

{u1 , . . . , u j , u j+1 , u j+2 } seria linearmente independente.
Esse processo tem fim, pois qualquer conjunto com n + 1 elementos no Rn e linearmente dependente, de acordo com o Teorema 3.39.
Ou seja, temos
< u1 , . . . , u j , . . . , u j + k > = S
para algum k {0, 1, . . . , n j}.
Corolario 3.44 Todo subespaco S 6= {0} do Rn possui uma base.

Demonstraca o: De fato, basta tomar um vetor 0 6= v1 S e aplicar
o Teorema 3.43 ao conjunto C = {v1 }.
2
Note que o subespaco {0} Rn nao possui base. De fato, se B
fosse uma base do subespaco {0}, entao 0 seria um elemento de B .
De acordo com o Exemplo 3.26, esse conjunto seria linearmente dependente!
Por outro lado, a demonstraca o do Corolario 3.44 garante que a
existencia de uma infinidade de bases para qualquer subespaco S do
Rn .
de S
Definica o 3.45 Seja S um subespaco do Rn . Definimos a dimensao
como o numero
de elementos de uma de suas bases. Escrevemos dim S =

k, se {v1 , . . . , vk } for uma base de S. Se S = {0}, dizemos que S tem
dimensao 0.
Como todas as bases de um subespaco tem o mesmo numero

de
elementos, esta bem definida a dimensao do subespaco S.
Exemplo 3.46 Ja vimos que o Rn tem dois subespacos triviais: o {0}
e o proprio
Rn . Agora podemos caracterizar todos os subespacos do
Rn . Alem desses, existem todas as retas passando pela origem (que
sao os subespacos de dimensao 1), todos os planos passando pela
origem (que sao os subespacos de dimensao 2), todos os subespacos
de dimensao 3 e assim por diante, ate chegarmos a todos os subespa
cos de dimensao n 1. O proprio

Rn e seu unico
subespaco com
dimensao n. (Note que, por falta de nomes adequados, mudamos a
maneira de nos referir aos subespacos do Rn : comecamos com retas
e planos e passamos a falar de subespacos de dimensao 3 etc.)
De acordo com o Teorema 3.43, podemos obter uma base a partir

de qualquer conjunto linearmente independente. Mas tambem podemos obter uma base a partir de qualquer conjunto que gera um
subespaco:
Proposica o 3.47 Suponha que o conjunto {v1 , . . . , vk } S gere o subespaco S 6= {0}. Entao um subconjunto de {v1 , . . . , vk } e uma base de
S.

3.4. EXERCICIOS
41
Demonstraca o: Se {v1 , . . . , vk } for linearmente dependente, um dos

vetores desse conjunto e combinaca o linear dos vetores restantes.
Retirando esse vetor, o conjunto restante continua gerando S. Continuamos retirando vetores que sao combinaca o linear dos elementos
restantes ate obter um conjunto linearmente independente que continua gerando S.
2
A demonstraca o da Proposica o 3.47 mostra como obter uma base
a partir de um conjunto que gera um subespaco. Contudo, esse processo e muito trabalhoso: em cada etapa, precisamos verificar se o
conjunto de vetores e linearmente independente; caso contrario, obter entao um vetor como combinaca o linear dos vetores restantes,
retirar esse vetor do conjunto e novamente verificar se o conjunto
restante e linearmente independente, repetindo o processo, se necessario. Em cada etapa, retiramos apenas um vetor superfluo. Gos
taramos, entretanto, de retirar de uma unica
vez todos os vetores
superfluos. Mostraremos como faze-lo na Observaca o 4.23.
Se ja sabemos qual a dimensao do subespaco S Rn , entao a
verificaca o de que um conjunto e uma base de S pode ser simplificada.
Teorema 3.48 Sejam Y Rn um subespaco de dimensao k e
B = {v1 , . . . , vk } Y.
Entao, se uma das condico es seguintes for satisfeita, B e uma base de S:
(i ) o conjunto B gera Y;
(ii ) o conjunto B e linearmente independente.
Demonstraca o: Suponhamos inicialmente que B gere Y. Se esse conjunto fosse linearmente dependente, aplicando a Proposica o 3.47 obteramos entao um subconjunto de B , com menos que k elementos,
que seria uma base de Y. Mas isso contradiz Y ter dimensao k.
Por outro lado, se B fosse linearmente independente e nao gerasse Y, existiria vk+1 Y que nao e combinaca o linear dos vetores
de B . De acordo com a Proposica o 3.22 (ou a Observaca o 3.28), o
conjunto {v1 , . . . , vk , vk+1 } seria linearmente independente. Mas isso
contradiz o Teorema 3.39, pois existiria um conjunto linearmente independente com mais vetores do que a dimensao do espaco.
2
3.4 Exerccios
1. Determine os valores de a, b e c para que o vetor v = ( a, b, c) seja combinaca o linear
dos vetores u1 = (1, 1, 1), u2 = (1, 2, 3) e u3 = (2, 1, 1).
2. Sem utilizar determinantes, verifique se os vetores (1, 2, 3), (2, 3, 1) e (3, 2, 1)
sao linearmente dependentes ou linearmente independentes.

CAPITULO
3. SUBESPAC
OS DO R N E BASES
42
3. Seja
A=
1
3
4 3
Determine x 6= 0 tal que Ax = 3x.
4. Encontre um conjunto de geradores para o nucleo

da matriz A, dada por
1
1
(a)
2
0
0
2
4
1
1
1
2
1
1
2
;
4
2
1
1
(b)
1
0
2
2
1
0
2
1
2
0
0
0
.
0
1
de A, se
5. Encontre uma base para o nucleo
2
0
(a)
0
0
2
2
0
0
3
3
1
0
4
2
;
1
1
1 1 2
1 .
(b) 1 2
0 1 1
6. Considere os vetores v1 = (4, 2, 3), v2 = (2, 1, 2) e v3 = (2, 1, 0) e defina

U = < v1 , v2 , v3 >.
(a)
(b)
(c)
(d)
Mostre que {v1 , v2 , v3 } e linearmente dependente;

calcule a dimensao de U;
descreva geometricamente U;
ache uma base para U.
7. Sejam v1 = (1, 1, 1) e v2 = (1, 2, 1).

(a) Determine < v1 , v2 >. Qual a dimensao desse subespaco do R3 ?
(b) Determine um vetor v3 R3 de modo que o conjunto {v1 , v2 , v3 } seja uma base
do R3 .
8. Seja V = {(3a + 4b 4c, 2a 4b 6c, 2a 4b + 2c) : a, b, c R}.
(a) Mostre que V e um subespaco do R3 ;
(b) Ache uma base para V.
9. Seja A uma matriz m n e b uma ponto do Rm . Com a identificaca o usual de pontos
com matrizes coluna, mostre que o conjunto
im A = {b Rm : x Rn com Ax = b}
e um subespaco do Rm .
10. Seja B = {v1 , . . . , vk } um subconjunto de vetores do subespaco V Rn . Suponha
que cada vetor v V se escreva, de maneira unica,
como combinaca o linear dos

vetores de B . Mostre que B e uma base de V. (Compare com a Proposica o 3.37.)
Captulo 4
Aplicacoes
Lineares
1. reconhecer uma aplicaca o linear;
2. obter sua representaca o matricial;
3. obter bases para o nucleo

e imagem de uma aplicaca o linear.
4.1 Aplicacoes
Lineares e Matrizes Parte I
Ja vimos o tipo de conjunto que estudaremos neste curso: os
(sub)espacos vetoriais. Agora veremos o tipo especial de funcoes

lineares.
entre esses conjuntos: as aplicacoes
linear e uma funca o T : Rn Rm tal
Definica o 4.1 Uma aplicacao
que
T ( x + y) = Tx + Ty.
(4.1)
Essa definica o merece varios comentarios. Em primeiro lugar,
notamos que estamos representando a imagem do ponto x Rn por
Tx ao inves de T ( x ). Essa sera nossa pratica: parenteses so serao utilizados para esclarecer o significado de uma expressao. Em segundo
lugar, notamos que a soma de vetores e a multiplicaca o por escalar presentes em (4.1) possuem significados diferentes: no lado esquerdo da igualdade, a soma de vetores e a multiplicaca o por escalar
ocorrem no espaco Rn , enquanto no lado direito da igualdade acontecem no Rm . Finalmente, tambem e usual chamar uma aplicaca o
linear de transformaca o linear.
Exemplo 4.2 Seja I : Rn Rn , dada por Ix = x. Entao I e uma
aplicaca o linear pois, para x, y Rn e R, temos I( x + y) =
x + y = Ix + Iy. A aplicaca o linear I e chamada aplicaca o identidade
(no espaco Rn ).
Exemplo 4.3 Seja N : Rn Rm a aplicaca o definida por Nx = 0

para todo x Rn . A aplicaca o N e chamada aplicaca o nula, qualquer
que seja m, dimensao do espaco Rm . Tambem se denota por 0 a
aplicaca o nula: 0x = 0 para todo x Rn . (Note que esse e o terceiro
emprego distinto do smbolo 0.)
43
44
CAPITULO
4. APLICAC
OES
LINEARES
Exemplo 4.4 Na Seca o 2.2 vimos que a identificaca o de pontos (no

caso, do R3 ) com matrizes coluna nos permitiu interpretar geome
tricamente um sistema linear em 3 incognitas.
Mas essa mesma
identificaca o, no caso geral do Rn , nos permite mais: ela nos permite
interpretar uma matriz m n com uma aplicaca o linear A : Rn
Rm . De fato, dado o ponto x = ( x1 , . . . , xn ) Rn , escrevendo esse
ponto como uma matriz coluna temos que
a11 a12 . . . a1n

x1
a21 a22 . . . a2n x2
..
..
.. ..
..
.
.
.
.
.
am1 am2 . . . amn
xn
a11 x1 + a12 x2 + . . . + a1n xn

a21 x1 + a22 x2 + . . . + a2n xn
=
..
= Ax Rm .
am1 x1 + am2 x2 + . . . + amn xn

Assim, a matriz A = ( aij ) associa a cada ponto x Rn , um ponto
Ax Rm . Para mostrar que essa funca o e linear (e, portanto, uma
aplicaca o linear) basta relembrar propriedades basicas de matrizes:
A( x + y) = Ax + Ay.
A=
2 1 7 5
1 1 1 1
Quais sao o domnio e o contra domnio da aplicaca o linear definida por A? Calcule
Ax, se x = (1, 1, 1, 1).
Exemplo 4.6 Seja f : R R definida por f ( x ) = x2 . A funca o f e
uma aplicaca o linear? (Lembre-se: R = R1 e um espaco vetorial!)
Uma vez que f ( x + y) = ( x + y)2 = x2 + 2xy + y2 = f ( x ) +
f (y) + 2xy, vemos que f nao e linear.
Exemplo 4.7 Consideremos T : Rn Rm definida por

T ( x1 , . . . , xn ) = ( a11 x1 + . . . + a1n xn , a21 x1 + . . . + a2n xn , . . . , am1 x1 + . . . + amn xn ),
em que os escalares aij , i {1, . . . , m} e j {1, . . . , n} sao arbitrarios.
Um caso particular seria T : R3 R2 dada por
T ( x1 , x2 , x3 ) = (3x1 + 2x2 , x1 + x2 + 2x3 ).
Afirmamos que, no caso geral, T e uma aplicaca o linear. De fato,
basta notar que, em cada uma das coordenadas de T, temos
ai1 ( x1 + y1 ) + . . . + ain ( xn + yn ) = ( ai1 x1 + . . . + ain xn ) + . . . +
( ai1 y1 + . . . + ain yn ).

4.1. APLICAC
OES
LINEARES E MATRIZES PARTE I
45
Dessa igualdade, valida para todo i {1, . . . , m}, deduzimos

que T e linear.
Se compararmos a definica o de Tx com a expressao de Ax no
Exemplo 4.6, nao podemos deixar de perceber a semelhanca: cada
uma das coordenadas de Tx coincide com as coordenadas de Ax.
Vamos explicar essa semelhanca. Para isso, consideremos a base
canonica
E = {e1 , . . . , en } do Rn . (Veja o Exemplo 3.31.)
Temos que x = ( x1 , . . . , xn ) = x1 e1 + . . . + xn en . Assim, como
cada xi e um escalar e ei um vetor, temos
Tx = T ( x1 e1 + . . . + xn en ) = x1 Te1 + . . . + xn Ten .
De acordo com a definica o de Tx, escrevendo a imagem de cada
vetor Tei como uma matriz coluna, obtemos
a1i
a2i
Tei = .
..
ami
e, portanto,
Tx = x1
a11
a21
..
.
am1
+ x2
a12
a22
..
.
+ . . . + xn
am2
a11 a12 . . . a1n

a21 a22 . . . a2n
= ..
..
..
..
.
.
.
.
am1 am2 . . . amn
x1
x2
..
.
a1n
a2n
..
.
amn
(4.2)
xn
A matriz A = ( aij ) e chamada representaca o de T com relaca o a` s
bases canonicas
do Rn e Rm .
Exerccio 4.8 Considere T : R2 R3 definida por

Tx = T ( x1 , x2 ) = (3x1 + x2 , x1 + x2 , x2 ).
Verifique que T e uma aplicaca o linear. Calcule a matriz A que representa T com
relaca o a` s bases canonicas

do R2 e R3 .
Exerccio 4.9 Seja T : Rn Rm uma aplicaca o linear qualquer. Mostre que T (0) = 0.
Exemplo 4.10 Consideremos uma aplicaca o linear qualquer T : Rn
Rm . Vamos mostrar que, como no Exemplo 4.7, podemos identificar
T com uma matriz. Para isso, notamos que, escolhida a base canonica
n
do R , temos, como antes,
Tx = x1 Te1 + . . . + xn Ten .
(4.3)
46
CAPITULO
4. APLICAC
OES
LINEARES
Cada Tei (i {1, . . . , n}) e um ponto do Rm . Denotando
a1i
a2i
Tei = . Rm
..
ami
e substituindo em (4.3), chegamos, como no exemplo anterior, a` igualdade
x1
a11 a12 . . . a1n
a21 a22 . . . a2n x2
Tx = .
..
.. .. = Ax.
.
.
.
.
.
.
. .
xn
am1 am2 . . . amn
Quer dizer, escolhendo as bases canonicas

do Rn e do Rm , qualquer aplicaca o linear pode ser representada por uma matriz, cha
mada representaca o de T com relaca o a essas bases canonicas,
de
modo que Tx = Ax. (Posteriormente veremos porque a base canonica do Rm foi apenas implicitamente utilizada neste exemplo.)
Salientamos o resultado que acabamos de mostrar:

Teorema 4.11 Seja T : Rn Rm uma aplicaca o linear. Entao a matriz
que representa T com relaca o a` s bases canonicas do Rn e Rm e dada por
( Te1 Te2 . . . Ten ),

em que Tei e uma matriz coluna.
Cada aplicaca o linear T : Rn Rm define uma matriz m n e
lineares e mavice-versa. Assim, qual e a diferenca entre aplicacoes
trizes? Essa diferenca e sutil: uma aplicaca o linear nao depende de
escolha de bases no domnio e contra-domnio; se escolhermos essas
bases, toda aplicaca o linear e representada por uma matriz. Dito de
outra maneira, falamos de aplicaca o linear quando os espacos envolvidos (Rn e Rm ) sao considerados sem quaisquer bases. Escolhidas
bases nesses espacos, a entao obtemos matrizes. (Por enquanto, so
escolhemos as bases canonicas

no Rn e Rm .)
Exemplo 4.12 Seja T : R3 R2 uma aplicaca o linear. Suponhamos
que

1
3
1
Te1 =
,
Te2 =
e
Te3 =
.
1
1
2
Entao podemos determinar Tx, qualquer que seja o vetor x R3 .
De fato, se x = (3, 2, 1) R3 , entao
Tx = 3Te1 + 2Te2 + 1Te2

1
3
1
10
= 3
+2
+1
=
.
1
1
2
7

4.1. APLICAC
OES
LINEARES E MATRIZES PARTE I
47
lineares T : Rn Rm
O Exemplo 4.12 nos mostra que aplicacoes
muito rgidas: basta conhecermos seu valor em todos
sao funcoes
os pontos da base canonica

{e1 , . . . , en } do Rn para conhecermos seu
valor em qualquer ponto do Rn ! (No caso de T : R R, isso significa que basta conhecer a imagem de Te1 = T (1) para conhecermos
seu valor em qualquer ponto de R. Compare essa situaca o com a
de uma funca o qualquer f : R R.) Mas a base canonica

nao tem
nada de extraordinario: o mesmo resultado vale para qualquer base
do Rn .
Teorema 4.13 Seja {v1 , . . . , vn } uma base do Rn . Fixados vetores ar
bitrarios w1 , . . . , wn Rm , existe uma unica
aplicaca o linear T : Rn
Rm tal que Tvi = wi .
Demonstraca o: Dado v Rn , existem unicos

escalares 1 , . . . , n tais
que v = 1 v1 + . . . + n vn . Definimos entao
Tv = 1 w1 + . . . + n wn .
Temos que T e linear. De fato, se v = 1 v1 + . . . + n vn e u =
1 v1 + . . . + n vn , entao v + u = (1 + 1 )v1 + . . . + (n + n )vn ,
de modo que
T (v + u) = (1 + 1 )w1 + . . . + (n + n )wn
= 1 w1 + . . . + n w n + ( 1 w1 + . . . + n w n )
= Tv + Tu.
Suponhamos agora que S : Rn Rm seja uma aplicaca o linear
com Svi = wi . Vamos mostrar que Sv = Tv para todo v Rn , o que
garante a unicidade de T. De fato, se v = 1 v1 + . . . + n vn , entao
temos
Sv = S(1 v1 + . . . + n vn )
= 1 Sv1 + . . . + n Svn = 1 w1 + . . . + n wn = Tv,

mostrando o afirmado.
Exerccio 4.14 Sejam B = {v1 = (1, 1, 0), v2 = (1, 2, 0), v3 = (1, 1, 1)}. Ache a aplicaca o
linear T : R3 R4 tal que Tv1 = (1, 0, 0, 0), Tv2 = (0, 0, 0, 1) e Tv3 = (1, 1, 1, 1).
A rigidez de uma aplicaca o linear produz resultados surpreendentes. Por exemplo,
Proposica o 4.15 Sejam T : Rn Rm uma aplicaca o linear e {v1 , . . . , vn }
um conjunto qualquer. Se { Tv1 , . . . , Tvn } for linearmente independente,
entao {v1 , . . . , vn } e linearmente independente e, portanto, uma base do
Rn .
Demonstraca o: Suponhamos que
1 v1 + . . . + n vn = 0.
(4.4)
48
CAPITULO
4. APLICAC
OES
LINEARES
Queremos provar que i = 0 para todo i {1, . . . , n}. Aplicando T

em ambos os lados da igualdade (4.4), obtemos
0 = T (1 v1 + . . . + n vn ) = 1 ( Tv1 ) + . . . + n ( Tvn ).
Como os vetores Tv1 , . . . , Tvn sao linearmente independentes, temos
1 = . . . = n = 0, como queramos provar. O fato de {v1 , . . . , vn }
ser uma base do Rn e consequencia do Teorema 3.48.
2
4.2 Espaco Linha e Espaco Coluna

Definimos agora os dois subespacos fundamentais associados a
uma aplicaca o linear:
Definica o 4.16 Seja T : Rn Rm uma aplicaca o linear. Definimos a
imagem de T, denotada por im T, por
im T = {y Rm : y = Tx }.
Definimos o nucleo
de T, denotado por ker T, por
ker T = { x Rn : Tx = 0}.
O nucleo
e a imagem de T sao subespacos vetoriais do domnio
de T (isto e , o Rn ) e do contradomnio de T (isto e , o Rm ), respectivamente. De fato, se x1 , x2 ker T e R, entao T ( x1 + x2 ) =
T ( x1 ) + T ( x2 ) = 0 + 0 = 0, provando que x1 + x2 ker T. Se
y1 , y2 im T, entao existem x1 , x2 X tais que y1 = T ( x1 ) e y2 =
T ( x2 ). Logo, se R, y1 + y2 = T ( x1 ) + T ( x2 ) = T ( x1 + x2 ), o
que mostra que y1 + y2 im T.
O subespaco ker T ja havia sido definido para uma matriz A.
dadas? Como disExiste alguma diferenca entre as duas definicoes
semos, ao definirmos ker T, o espaco Rn esta sendo considerado sem
qualquer base (ou seja, sem qualquer sistema de eixos coordenados);
se A for a matriz que representa T (com relaca o a` s bases canonicas

do Rn e Rm ), entao os elementos de ker T estao sendo descritos em
relaca o a` base canonica

do Rn . Os elementos de cada conjunto sao
os mesmos, mas nao existem coordenadas envolvidas na definica o
de ker T!
Muitos problemas envolvem a obtenca o de bases para esses dois
subespacos. Em geral, partimos da base canonica

para entao obtermos uma base adequada para cada um deles. Por esse motivo, muito
do que faremos utiliza a linguagem de matrizes.
Por isso, nesta seca o estudaremos mais detalhadamente a matriz
A = ( aij ). Como sabemos, ela pode ser vista por meio de suas linhas
ou colunas:
a11 . . . a1n
`1
.. = (c . . . c ) = .. .
..
A = ...
(4.5)
.
n
1
.
.
am1 . . . amn
`m
4.2. ESPAC
O LINHA E ESPAC
O COLUNA
49
Os vetores colunas c1 , . . . , cn sao naturalmente identificados com

vetores do Rm . Se C = {c1 , . . . , cn }, chamamos de espaco coluna o
espaco gerado por C , isto e , < C > Rm .
Por outro lado, podemos interpretar as linhas de A como elemen
tos do proprio
espaco Rn . Se denotarmos L = {`1 , . . . , `m } Kn ,
chamamos de espaco linha o espaco gerado por L, isto e , < L > Kn .
Observaca o 4.17 Um vetor e identificado com uma matriz coluna:
( x1 , . . . , x n )
x1
x2
..
.
xn
A identificaca o de um vetor com uma matriz linha
( x1 , . . . , x n )
( x1 x2 . . . x n ),
como feita na definica o do espaco linha, e excepcional e deve ser

evitada, pelo menos neste primeiro curso.
Exemplo 4.18 Considere a matriz
A=
2 1 1
1 1 2
O espaco coluna de A e o subespaco do R2

2
1
1
<C >=
+
+
: , , R .
1
1
2
Como as duas primeiras colunas de A sao dadas por vetores linearmente independentes, e claro que < C > = R2 .
Por outro lado, o espaco linha de A e o subespaco do R3
< L > = {(2, 1, 1) + (1, 1, 2) : , R} .

Como as duas primeiras linhas de A sao dadas por vetores linearmente independentes, < L > e um plano do R3 . Note que as di de < L > e < C > sao iguais.
mensoes
Mas, qual o significado dos subespacos < C > e < L >? Comecamos interpretando o espaco coluna de uma matriz.
Lema 4.19 Considere o sistema linear nao homogeneo Ax = b, em que
A = ( aij ) e uma matriz m n. Entao sao equivalentes:
(i ) Existe soluca o x para Ax = b;

(ii ) O vetor b e combinaca o linear das colunas de A.
CAPITULO
4. APLICAC
OES
LINEARES
50
Demonstraca o: Basta notar que o sistema Ax = b e equivalente a`

equaca o
a11
a12
a1n
b1
a22
a21
a2n b2
x1 . + x2 . + . . . + xn . = . , (4.6)
..
..
.. ..
am1
am2
amn
bm
de acordo com a equaca o (4.2).

Quer dizer, se x = ( x1 , . . . , xn ) Rn for uma soluca o de Ax = b,
entao b e combinaca o linear das colunas de A por meio dos escalares
x1 , . . . , xn . Reciprocamente, se existirem escalares x1 , . . . , xn de modo
que b seja combinaca o linear das colunas de A, entao o vetor x =
( x1 , . . . , xn ) Rn e soluca o de Ax = b.
2
Em outras palavras, acabamos de mostrar que < C > e o subespaco
im A.
Definica o 4.20 Se A = ( aij ) for uma matriz m n, definimos a transposta de A como a matriz n m At = ( atij ), com atij = a ji .
Logo, se A for a matriz dada por (4.5), entao
a11 . . . am1
.. .
..
At = ...
.
.
a1n . . . amn
Assim, as colunas da matriz At sao justamente as linhas da matriz A. Como consequencia imediata do Lema 4.19, temos que
< L > = im At .
(4.7)
para os espacos linha e coluna de

Utilizando essas interpretacoes
de resolver um problema fundauma matriz, estamos em condicoes
mental: dada uma matriz A, encontrar bases para os espacos ker A
e im A. Para isso, enunciamos o seguinte
Corolario 4.21 Seja A uma matriz m n e R sua forma escalonada reduzida por linhas. Entao as colunas de A correspondentes aos pivos de R
formam uma base do espaco coluna de A.
Demonstraca o: Considere a matriz aumentada ( A|b), com b im A
e sua forma escalonada reduzida por linhas ( R|b0 ). E facil ver que
formam uma base do
as colunas de R correspondentes aos pivos
espaco coluna de R. Quer dizer, existe uma soluca o x de ( R|b0 )
correspondentes
com coordenadas nao nulas apenas nas posicoes
Como as solucoes
de Ax = b e Rx = b0 sao as mesmas,
aos pivos.
lineares de colunas de R
a equaca o (4.6) garante que combinacoes
lineares das colunas correspondentes de A.
produzem combinacoes
de R sao
Em particular, as colunas de A correspondentes aos pivos
linearmente independentes e geram o espaco coluna de A.
2
Estude o proximo
exemplo e entao releia a demonstraca o do Corolario 4.21.
4.2. ESPAC
O LINHA E ESPAC
O COLUNA
51
Exemplo 4.22 Vamos obter bases para o nucleo

e a imagem da matriz
3 1 2 4 1
A = 1 1 1 1 2 .
2 2 2 1 1
Para obter o nucleo,

resolvemos Ax = 0 levando a matriz A a
sua forma escalonada reduzida por linhas:
3 1 2 4 1
1 0 1/2 0 5
1 1 1 1 2 0 1 1/2 0
4 .
2 2 2 1 1
0 0 0 1
3
em termos
Escrevendo as variaveis correspondentes aos pivos
da variaveis livres, obtemos a soluca o geral do sistema homogeneo
associado.
x1
1/2
5
x2
1/2
4
x3 = x3 1 + x5 0
(4.8)
x4
0
3
x5
0
1
Assim, podemos concluir que o nucleo

de A e um subespaco de dimensao 2, gerado pelos vetores
u1 =
1/2
1/2
1
0
0
R5
u2 =
5
4
0
3
1
R5 .
De acordo com o Corolario 4.21, temos que os vetores
3
v1 = 1 ,
2
1
v2 = 1
2
4
v3 = 1
1
formam uma base da imagem de A, pois estes vetores coluna cor dos pivos
na forma escalonada reduzida por
respondem a` s posicoes
linhas de A.
Vamos aproveitar este exemplo e ilustrar a demonstraca o do Co
rolario 4.21. Se quisermos escrever a ultima
coluna da matriz A
como combinaca o linear das colunas de A correspondentes aos pivos,

basta tomar o vetor correspondente a` variavel livre x5 . Esse vetor
tem a quinta coordenada nao nula.
5
4
0
3
1
CAPITULO
4. APLICAC
OES
LINEARES
52
Essa e uma soluca o de Ax = 0. Assim,
3
1
2
4
1
0
5 1 4 1 +0 1 3 1 +1 2 = 0 .
2
2
2
1
1
0
Ou seja,

1
3
1
4
2 = 5 1 + 4 1 + 3 1 .
1
2
2
1
Veja que esses mesmos escalares escrevem a ultima

coluna da matriz
R como combinaca o linear das colunas correspondentes aos pivos:

5
1
0
0
4 = 5 0 + 4 1 + 3 0 .
3
0
0
1
Observaca o 4.23 Resulta do Corolario 4.21 um metodo simples para

a obtenca o de uma base do subespaco < v1 , . . . , vk > Rn : basta
formar a matriz A = (v1 v2 . . . vk ) e entao selecionar as colunas
da sua forma escalonada reduzida por
correspondentes aos pivos
linhas. Compare com a Observaca o 3.23.
Um outro metodo para obter-se uma base para a imagem da matriz A consiste em escrever suas colunas como linhas, ou seja, considerar a matriz transposta. Uma vez que o processo de escalona
mento de uma matriz (no caso, de At ) produz apenas combinacoes
lineares das linhas envolvidas, faz com que o espaco gerado por essas linhas seja conservado no processo de escalonamento. Assim,
as linhas nao nulas da forma escalonada de At sao linearmente independentes e, escritas novamente como colunas, produzem uma
base para im A.
Note, contudo, que ao utilizar esse metodo, temos que escalonar
duas matrizes distintas: a matriz A, para obter uma base para ker A,
e a matriz At , para produzir uma base para im A. Quer dizer, a
aplicaca o do Corolario 4.21 e um metodo muito mais eficaz!
dos subespacos < C > e

Vamos agora relacionar as dimensoes
< L > de uma matriz A. Mostraremos que esses espacos tem a
mesma dimensao; isso e um fato notavel, pois eles sao subespacos
de espacos vetoriais diferentes!
Teorema 4.24 Dada uma matriz m n, seu espaco linha tem a mesma
dimensao de seu espaco coluna.
Demonstraca o: Suponhamos que os vetores
b1 = (b11 , b12 , . . . , b1n ), b2 = (b21 , b22 , . . . , b2n ), . . . , br = (br1 , br2 , . . . , brn )
4.2. ESPAC
O LINHA E ESPAC
O COLUNA
53
formem uma base do espaco linha da matriz A. Entao cada linha `i

de A e combinaca o linear desses elementos:
`1
`2
..
.
`m
= 11 b1 + . . . + 1r br
= 21 b1 + . . . + 2r br
..
=
.
= m1 b1 + . . . + mr br
Igualando a componente j de cada uma dessas equacoes,

obtemos
a1j = 11 b1j + 12 b2j + . . . + 1r brj
a2j = 21 b1j + 22 b2j + . . . + 2r brj
..
..
.
. =
amj = m1 b1j + m2 b2j + . . . + mr brj .
Assim,
a1j
a2j
..
.
amj
= b1j
11
21
..
.
+ b2j
m1
12
22
..
.
+ . . . + brj
m2
1r
2r
..
.
mr
lineares dos r vemostrando que as colunas de A sao combinacoes

tores
11
1r
21
2r
.. , . . . , .. .
.
.
m1
mr
Isso quer dizer que o espaco coluna tem dimensao, no maximo, igual
a r, ou seja,
dim < C > dim < L > .
Procedendo da mesma maneira com relaca o a uma base do espaco
coluna, mostramos que
dim < L >
dim < C > .
sao iguais.1
Assim, essas duas dimensoes
Definica o 4.25 Definimos o posto da matriz A, denotado por posto A,

como sendo
dim < C > = dim < L > .
Se A for uma representaca o matricial da aplicaca o linear T, definimos
posto T = posto A.
O seguinte resultado decorre imediatamente do Teorema 4.24:
Corolario 4.26 Seja A uma matriz m n. Entao
dim(im A) = dim(im At ).
1 De maneira mais elegante, podemos notar que mostramos dim < C >
dim < L > para qualquer matriz. Aplicando esse fato a` matriz At , obtemos o
resultado.
CAPITULO
4. APLICAC
OES
LINEARES
54
4.3 Multiplicaca o de Matrizes
mais estranhas da Matematica

Sem duvida,
uma das definicoes
parece ser a da multiplicaca o de matrizes: dadas as matrizes B =
(bik ), p m, e A = ( akj ), m n, e entao o produto BA e a matriz
d = (dij ), definida por
b
a
=
(
b
b
.
.
.
b
)
i1
i2
im
ik
kj
k =1
m
dij =
a1j
a2j
..
.
amj
correspondente a` multiplicaca o da linha `i da matriz B pela coluna
c j da matriz A.
Historicamente, a definica o da multiplicaca o de matrizes foi im
posica o de um fato muito mais elementar: a composica o de funcoes
lineares). Comecamos mostrando que a compo(no caso, aplicacoes
lineares tambem define uma aplicaca o linear:
sica o de aplicacoes
Lema 4.27 Sejam T : Rn Rm e S : Rm R p duas aplicaco es lineares.
Entao a composta S T : Rn R p e uma aplicaca o linear:
T
Rn Rm R p .
Demonstraca o: De fato, se x + y Rn , entao
(S T )( x + y) = S T ( x + y)
= S Tx + Ty = S( Tx ) + S( Ty)
= (S T ) x + (S T )y,
provando o afirmado.
Suponhamos que T : Rn Rm e S : Rm R p sejam representa

das (com relaca o a` s bases canonicas
dos espacos envolvidos) pelas
matrizes A e B, respectivamente. Assim,
Tx = Ax x Rn
Sy = By y Rm .
(4.9)
Uma vez que Tx Rm , temos entao que
(S T ) x = S( Tx ) = B( Ax ) = ( BA) x,
vemos que a composta S T e representada pela matriz BA. Esse
fato justifica usa notaca o frequentemente usada: ao inves de denotarmos S T, escrevemos simplesmente ST.
Mas, como obter a definica o da multiplicaca o de matrizes BA a
lineares? E o que passaremos
partir da composica o ST de aplicacoes
a mostrar.
Partimos da linearidade da aplicaca o S:
Sx = S( x1 e1 + . . . + xm em ) = x1 Se1 + . . . + xm Sem .
(4.10)

4.4. EXERCICIOS
55
Denotando
Se j =
b1j
b2j
..
.
bmj
conclumos que
Sx =
b11 x1 + . . . + b1m xm
b21 x1 + . . . + b2m xm
..
.
(4.11)
b p1 x1 + . . . + a pm xm
expressao resultante de (4.10) e da definica o da adica o de vetores no
Rm .
Suponhamos que T : Rn Rm e S : Rm R p sejam representa
das (com relaca o a` s bases canonicas
dos espacos envolvidos) pelas
matrizes A e B, respectivamente. Quer dizer,
A = Te1 Te2 . . . Ten = c1 c2 . . . cn

e
B = (Se1 Se2 . . . Sem ) =
b11
b21
..
.
b12
b22
..
.
b p1 b p2
. . . b1m
. . . b2m
..
..
.
.
. . . b pm
em que a matriz A esta sendo denotada por suas colunas.

A aplicaca o linear ST : Rn R p e representada, com relaca o a` s
bases canonicas
do Rn e R p , por uma matriz D (denotada por suas
colunas) definida por
D = (ST )e1 (ST )e2 . . . (ST )en .

Para obter D, notamos que (ST )e j = S( Te j ) = Sc j , o que implica
D = Sc1 Sc2 . . . Scn .

Uma vez que (ST ) x = ( BA) x, obtemos a definica o do produto
BA, de acordo com a equaca o (4.11): a j-esima coluna de BA e dada
por
b11
b21
..
.
b p1
b11 a1j + b12 a2j + . . . + b1m amj

a1j
b12 . . . b1m
b22 . . . b2m
a2j b21 a1j + b22 a2j + . . . + b2m amj
=
.
..
.. ..
..
..
.
.
. .
.
b p2 . . . b pm
b p1 a1j + b p2 a2j + . . . + b pm amj
amj
4.4 Exerccios
CAPITULO
4. APLICAC
OES
LINEARES
56
do R2
1. Considere as aplicacoes
(a)
1 : R2 R2
1 ( x1 , x2 ) = ( x1 , 0)
(b)
2 : R2 R2
1 ( x1 , x2 ) = (0, x2 )
(c)
R 1 : R2 R2
R1 ( x1 , x2 ) = ( x1 , x2 )
(d)
R2 : R2 R2
.
R2 ( x1 , x2 ) = ( x1 , x2 )
e linear e encontre sua representaca o matriMostre que cada uma dessas aplicacoes
cial (com relaca o a` base canonica

do R2 ). Interprete-as geometricamente.
2. Verifique se a aplicaca o linear definida pela matriz A e injetora, se
1 1 1
1 1 1
0 1 1
(a) A = 1 2 3 ;
(b) A = 1 2 3 ;
(c) A = 1 1 2 .
2 3 4
1 2 1
0 0 1
3. Escreva a equaca o

1
1
2
3
2 = x1 2 + x2 5 + x3 2
3
3
8
3
na forma de um sistema nao homogeneo Ax = b. Resolva-o, se esse sistema possuir
soluca o.
4. Encontre bases para o espaco linha e para o espaco coluna da matriz A, dada por
1 2 1 1
(a) 2 1 2 1 ;
0 1 1 0
1
2
(b)
0
1
2
1
1
0
1
2
1
0
1
1
0
0
1 2
1
1 2 .
(c) 2
0 1
1
e imagem da matriz
5. Encontre bases para o nucleo
1 2 2 3 1 4
2 4 5 5 4 9 .
3 6 7 8 5 9
Determine o posto dessa matriz.
6. Seja T : Rn Rm uma aplicaca o linear e {v1 , . . . , vn } uma base do Rn . Mostre que
im T e gerada pelos vetores Tv1 , Tv2 , . . . , Tvn .
7. Seja A = (c1 c2 . . . cn ) uma matriz quadrada, dada por suas colunas. Mostre que
{c1 , . . . , cn } e linearmente dependente se, e somente se, det A = 0.
8. Sejam A, B matrizes n n. Mostre que AB = 0 se, e somente se, o espaco coluna de
B estiver contido no nucleo

de A.
Captulo 5
O Teorema do Nucleo
e da
Imagem
1. aplicar o teorema (da dimensao) do nucleo

e da imagem;
2. obter a inversa de uma matriz por meio da forma escalonada
reduzida por linhas.
5.1 Teorema (da dimensao) do Nucleo
e da Imagem
Nesta Seca o mostraremos um dos resultados mais importantes
importantes no estudo de sisteda Algebra

Linear, com implicacoes
mas lineares.
Teorema 5.1 (do Nucleo
e da Imagem)
Seja T : Rn Rm uma aplicaca o linear. Entao
n = dim ker T + dim im T.
Demonstraca o: Se ker T 6= {0}, seja { x1 , . . . , x j } uma base de ker T.
Esse e um conjunto linearmente independente no espaco Rn , de modo que podemos aplicar o Teorema 3.43 e obter uma base
B = { x 1 , . . . , x j , w j +1 , . . . , w n }
do Rn . (Se ker T = {0}, simplesmente tomamos uma base do Rn .)
Afirmamos que { Tw j+1 , . . . , Twn } e uma base de im T Y. De
fato, suponhamos que
j+1 Tw j+1 + . . . + n Twn = 0.
Da decorre que T ( j+1 w j+1 + . . . + n wn ) = 0; definindo
w = j +1 w j +1 + . . . + n w n ,
57
58
CAPITULO
5. O TEOREMA DO NUCLEO
E DA IMAGEM
conclumos que w ker T. Como { x1 , . . . , x j } e uma base de ker T,

temos que
w = 1 x1 + . . . + j x j .
Ou seja,
1 x1 + . . . + j x j j+1 w j . . . n wn = 0.
Como B e uma base do Rn , conclumos que 1 = . . . = j =
j+1 = . . . = n = 0. Isso mostra que os vetores Tw j+1 , . . . , Twn
sao linearmente independentes.
Seja agora y im T. Entao existe x Rn tal que Tx = y. Como
B e base de Rn , x = 1 x1 + . . . + j x j + j+1 w j+1 + . . . + n wn e,
portanto,
y = Tx = 1 Tx1 + . . . + j Tx j + j+1 Tw j+1 + . . . + n Twn
= j+1 Tw j+1 + . . . + n Twn ,

pois Txi = 0, i {1, . . . , j}. Isso mostra que { Tw j+1 , . . . , Twn } gera
im T e conclui a prova.
2
5.2 Isomorfismos e Inversas

Definica o 5.2 Seja T : Rn Rm uma aplicaca o linear. Dizemos que T e
um isomorfismo se T for uma bijeca o.1
Em geral, nao e facil verificar que uma funca o f : X Y e inje lineares, essa verificaca o
tora ou sobrejetora. No caso de aplicacoes
e muito mais simples, como veremos.
Vamos mostrar que, se n 6= m, entao T : Rn Rm nao e um
isomorfismo.
Lema 5.3 Se m > n, entao T : Rn Rm nao e sobrejetora.
Demonstraca o: Pelo Teorema do Nucleo

e da Imagem, temos que
dim im T = n dim ker T n.
Como n < m, nao podemos ter dim im T = m.
Exemplo 5.4 Considere a aplicaca o linear S : R2 R3 dada por

S ( x1 , x2 ) = ( x1 , x2 , x1 + x2 ).
E facil verificar que S e injetora. Mas S nao e sobrejetora, pois nao
existe x = ( x1 , x2 ) R2 tal que Sx = (1, 1, 0).
1 Uma funca
o f : X Y e injetora, se f ( x1 ) = f ( x2 ) implicar x1 = x2 ; uma
funca o f : X Y e sobrejetora se, para todo y Y, existir x X tal que f ( x ) = y.
Uma funca o f : X Y e uma bijeca o, se f for injetora e sobrejetora.
5.2. ISOMORFISMOS E INVERSAS
59
Lema 5.5 Uma aplicaca o linear T : Rn Rm e injetora se, e somente se,

ker T = {0}.
Demonstraca o: Se existir x 6= 0 tal que Tx = 0, entao T nao e injetora, pois tambem temos T (0) = 0.
Suponhamos agora ker T = {0} e que existam x1 , x2 tais que
Tx1 = Tx2 . Da decorre que Tx1 Tx2 = 0, ou seja, T ( x1 x2 ) = 0.
A ultima
igualdade garante que x1 x2 ker T, isto e , x1 x2 = 0
e, portanto, x1 = x2 . Isso mostra que T e injetora.
2
Exerccio 5.6 Seja T : R2 R2 definida por T ( x, y) = (2x + y, 3x + 2y). Mostre que T e
injetora. Conclua que T e um isomorfismo. Obtenha a expressao de T 1 .
Corolario 5.7 Seja T : Rn Rm uma aplicaca o linear. Se m < n, entao
ker T 6= {0}.
Demonstraca o: Pelo Teorema do Nucleo

e da imagem, temos
n = dim ker T + dim im T dim ker T + m,
pois dim im T m. Como m < n, temos dim ker T 1.
Observe que o Corolario 5.7 nada mais e do que uma parafrase

do Teorema 1.19. De fato, a aplicaca o T pode ser representada por
uma matriz A, m n. Pelo Teorema 1.19, Ax = 0 possui infinitas
solucoes.
Ou seja, dim ker A 1 ou, o que e o mesmo, dim ker T
1.
Resulta imediatamente dos Lemas 5.3 e 5.5 que
Teorema 5.8 Uma aplicaca o linear T : Rn Rm so pode ser um isomorfismo se tivermos n = m.
Exemplo 5.9 A aplicaca o linear S : R3 R3 dada por S( x1 , x2 , x3 ) =
( x1 , x2 , 0) nao e uma bijeca o, pois S(0, 0, 1) = (0, 0, 0).
A verificaca o de que uma aplicaca o T : Rn Rn e um isomorfismo e bastante simples:

Teorema 5.10 Uma aplicaca o linear T : Rn Rn e injetora se, e somente
se, for sobrejetora.
Demonstraca o: De fato, se tivermos ker T = {0}, entao
dim im T = n dim ker T = n.
Como a dimensao da imagem de T e igual a dimensao do contradomnio de T, temos que T e sobrejetora. Da mesma forma, se T
for sobrejetora, entao dim im T = n e da deduzimos, como antes,
dim ker T = 0.
2
A formulaca o do Teorema 5.10 em termos de sistemas lineares e
a seguinte:
60
CAPITULO
E DA IMAGEM
Corolario 5.11 Seja A uma matriz n n. Entao o sistema nao homogeneo

Ax = b tem soluca o unica
para todo b Y se, e somente se, o sistema

homogeneo Ax = 0 tiver soluca o unica.
(Note que o Corolario 5.11 nada mais e do que o Teorema 1.21.)

De acordo com o Corolario 4.26, temos dim im A = dim im At
para toda matriz A. Em geral, temos dim ker A 6= dim ker At , a
igualdade sendo valida apenas para matrizes quadradas:
Corolario 5.12 Seja A uma matriz n n. Entao
dim(ker A) = dim(ker At ).
Demonstraca o: De fato, denotando r := dim(im A) = dim(im At ),
a aplicaca o do Teorema do Nucleo

e da Imagem garante que:
dim(ker A) = n r
dim(ker At ) = n r.
Da decorre o afirmado.
Suponhamos que T : Rn Rn seja um isomorfismo. (Isso quer

dizer, em particular, que T e linear.) Sabemos que T 1 : Rn Rn
existe. Tambem temos que T 1 e uma aplicaca o linear?
Proposica o 5.13 Suponhamos que T : Rn Rn seja um isomorfismo.
Entao T 1 : Rn Rn e uma aplicaca o linear.
Demonstraca o: Como T e linear, vale T ( x1 + x2 ) = Tx1 + Tx2 .
Aplicando T 1 em ambos os lados dessa igualdade, obtemos x1 +
x2 = T 1 ( Tx1 + Tx2 ). Denotando z1 = Tx1 e z2 = Tx2 , temos
T 1 z 1 = x 1 , T 1 z 2 = x 2 e
T 1 (z1 + z2 ) = x1 + x2 = T 1 z1 + T 1 z2 ,
provando a linearidade de T 1 .
Observaca o 5.14 Um isomorfismo T : Rn Rn (veja o Teorema 5.8)

corresponde a um tradutor perfeito entre o domnio de T (que e
todo o Rn ) e a imagem de T (que tambem e todo o Rn ). O resultado de cada operaca o realizada no domnio de T corresponde, por
meio de T, a` mesma operaca o realizada na imagem de T, por meio
da lei T ( x1 + x2 ) = Tx1 + Tx2 . Alem disso, o resultado de cada
operaca o realizada em im T corresponde a` mesma operaca o realizada no domnio de T, por meio da lei: T 1 (y1 + y2 ) = T 1 y1 +
T 1 y2 .
Comparemos com uma bijeca o simples: f : R R definida por
f ( x ) = x3 . Para verificar que f e injetora temos que provar que
f ( x1 ) = f ( x2 ) implica x1 = x2 . Ou seja, de x13 = x23 devemos obter
x1 = x2 . Ora,
q
q
3
x13 = x23
x13 = 3 x23 x1 = x2 .
DA INVERSA DE UMA MATRIZ

5.3. OBTENC
AO
61
Seja agora y R. Queremos provar que y im f , ou seja, que existe

x R tal que f ( x ) = y. Essa igualdade e o mesmo que x3 = y,
de onde vem x = 3 y. Assim, f e uma bijeca o. Mas 8 = f (2) =

f (1 + 1) 6= f (1) + f (1) = 13 + 13 = 1 + 1 = 2.
Para verificar que uma aplicaca o linear T : Rn Rn e uma bijeca o,
nao precisamos verificar que T e injetora e sobrejetora: basta verificar que T e injetora, de acordo com Teorema 5.10!
Exerccio 5.15 Na demonstraca o do Teorema do Nucleo

e da Imagem 5.1, mostre que T
estabelece um isomorfismo entre < wk+1 , . . . , wn > e im T.
5.3 Obtenca o da Inversa de uma Matriz

Dada um isomorfismo T : Rn Rn , como obter a aplicaca o inversa T 1 : Rn Rn ? Em geral, e mais facil obter uma matriz A que
representa T e entao a inversa da matriz A. Relembramos:
Definica o 5.16 Uma matriz B e inversa da matriz quadrada A se
AB = BA = I,
em que I e a matriz identidade. Se A possuir inversa, dizemos que A e
invertvel.
E facil ver que uma matriz invertvel A possui uma unica

inversa, que denotaremos por A1 . De fato, suponhamos que AB =
BA = I e AC = CA = I. Queremos mostrar que B = C. Temos
B = B( AC ) = ( BA)C = IC = C,
provando o afirmado.
Proposica o 5.17 Seja A uma matriz quadrada. Suponhamos que exista
uma matriz quadrada B tal que BA = I. Entao
AB = I,
de modo que B = A1 e a inversa de A.
Demonstraca o: Da igualdade BA = I deduzimos que ker A = {0}.
De fato, se existisse x 6= 0 tal Ax = 0, entao BAx = B(0) = 0, o
que contradiz BAx = Ix = x 6= 0. Como A e uma matriz quadrada,
isso quer dizer que A e sobrejetora, de acordo com o Teorema 5.10.
Portanto, A possui inversa A1 . Como BA = I, multiplicando essa
igualdade a` direita por A1 , vem BAA1 = A1 , ou seja, provamos
que B = A1 .
2
O calculo da inversa de uma matriz por meio da adjunta (classica) da matriz quadrada A nao e um metodo eficiente. Vamos mostrar uma maneira mais simples de obter a inversa de uma matriz
quadrada.
62
CAPITULO
E DA IMAGEM
Decorre do Lema 5.5 que uma matriz quadrada A e invertvel

se, e somente se, ker A = {0}. Em termos da forma escalonada
reduzida por linhas da matriz A, isto quer dizer que nao existem
variaveis livres, pois a existencia dessas garante a existencia de infinitos elementos x tais que Ax = 0. (Veja, a esse respeito, a Observaca o 1.12.) Uma vez que a forma escalonada R da matriz n n A
vemos que R = I, a matriz identidade.
possui n pivos,
Definica o 5.18 Uma matriz E e elementar se puder ser obtida da matriz
identidade m m por meio da aplicaca o de uma operaca o elementar.
O proximo
resultado mostra que a aplicaca o de uma operaca o
elementar sobre as linhas da matriz A e equivalente a` multiplicaca o
dessa matriz por uma matriz elementar.
Proposica o 5.19 Seja e uma operaca o elementar sobre (as linhas de) a
matriz A, m n e E a matriz elementar e(I), sendo I a matriz identidade
m m. Entao e( A) = EA.
Demonstraca o: A demonstraca o deve ser feita para todos os tipos
de operaca o elementar. Consideraremos apenas a aplicaca o de uma
operaca o elementar (c): a linha j sera substituda pela soma da linha
j com vezes a linha i. A matriz E, nesse caso, e dada por
1 0
...
0
..
..
.
.
E = 0 ... ... 1 ... 0

linha j
..
..
.
.
0 0
...
1
coluna j
Entao
1 0
..
.
EA =
0 ...
..
.
0 0
a11
..
= a j1 + ai1
..
.
am1
que e justamente e( A).
a11 a12
0
.. ..
.
.
... 1 ... 0
a j1 a j2
.. ..
. .
...
1
am1 am2
...
a12
...
a1n
..
.
a j2 + ai2
...
a jn + ain
..
.
am2
...
amn
...
...
...
a1n
..
.
a jn
..
.
amn

5.4. EXERCICIOS
63
elementares produz a forma

Ora, uma sequencia de operacoes
escalonada reduzida por linhas da matriz invertvel A, isto e , produz
a matriz identidade. Quer dizer,
ek ek1 . . . e1 ( A) = I.
Exerccio 5.20 Justifique a afirmaca o anterior. Isto e , mostre que a forma escalonada reduzida por linhas de uma matriz n n invertvel e a matriz identidade n n.
Em termos das matrizes elementares, isso quer dizer que
Ek Ek1 . . . E1 A = I.
Definindo a matriz B = Ek Ek1 . . . E1 , acabamos de mostrar que
BA = I. Mas isso significa que B = A1 , de acordo com a Proposica o
ele5.17. Para obter B, basta entao aplicar a sequencia de operacoes
mentares ek . . . e1 a` matriz I, pois
ek . . . e1 ( A) = Ek . . . E1 I = Ek . . . E1 = B.
Exemplo 5.21 Para obter a inversa da matriz
1 1 1 0
2 1 4 0
A=
2 3 5 0 ,
0 0 0 1
consideramos ( A|I), em que I e a matriz identidade 4 4 e levamos
a matriz A a` sua forma escalonada reduzida por linhas:
1 1 1 0
2 1 4 0
2 3 5 0
0 0 0 1
0
3 0 1
1 2 0
2
0
5 0 4
0
0 1
0
1
0
0
0
1
0
0
0
0 0 0
1 1
0 1
1 0 0

0 1
0 1 0
0 0 1
0 0
1 0
1 0 0
0 1
1 0 0

0 0
1 1 0
0 0 1
0 0
7
5
2
5
35
2
5
35
2
5
54
1
5
1
2
3
0
0
0
0
1
3
2
1
0
0
0
0
1
0 0 0
1 0 0

0 1 0
0 0 1
1
1 0 0
2 1 0 0
1
1
4
5
5
5 0
0
0 0 1
1
2
2
0
0
5
0 1
A matriz do lado direito e a inversa da matriz A.
5.4 Exerccios
lineares T : R3 R3 tais que
1. De exemplos de aplicacoes
64
CAPITULO
E DA IMAGEM
(a) ker T = { x R3 : x3 = x1 };
(b) im T = { x R3 : x1 = x2 }.
2. Seja ` : R3 R uma aplicaca o linear.
(a) Mostre que existem escalares a, b e c tais que `( x1 , x2 , x3 ) = ax1 + bx2 + cx3 ;
(b) Descreva geometricamente todas as possibilidade para ker `.
3. Verdadeiro ou falso? Se for verdadeiro, justifique. Se for falso, de um contraexemplo.
Seja T : Rn Rm uma aplicaca o linear.
(a) Uma base de im T e obtida ao se completar uma base de ker T, de modo a ter
uma base do Rn e entao calcular a imagem desses vetores adicionais por T;
(b) Uma base de im T e Te1 , . . . , Ten ;
(c) Toda funca o f : R R e bijetora.
4. Seja T : Rn Rm uma aplicaca o linear. Mostre que T e injetora se, e somente se, a
imagem de todo conjunto linearmente independente (no Rn ) for um conjunto linearmente independente (no Rm ).
5. Encontre, se possvel, as inversas das seguintes matrizes:
1 2 2
(a) 1 3 1 ;
1 3 2
1
1
1 1
1
2 1 2
;
(b)
1 1
2 1
1
3
3 2
6. Encontre todos os valores de a para os quais a matriz
1 1 0
A= 1 0 0
1 2 a
possui inversa.
1
1
(c)
1
5
1
1
3
1
2 1
9
1
1
2
.
1
6
Captulo 6
Mudancas de Base
1. obter as coordenadas de um vetor em diferentes bases;
2. obter a representaca o matricial de uma aplicaca o linear em diferentes bases;
matriciais se relacionam.
3. saber como essas representacoes
6.1 Representaca o de um Vetor em uma Base

Como dissemos, uma base no Rn equivale a um sistema referencial, isto e , a um sistema de coordenadas. Mudando o sistema de
coordenadas, mudam as coordenadas do ponto, mas o ponto permanece o mesmo.
Exemplo 6.1 Sejam v1 = (1, 1) e v2 = (1, 1). E claro que B =
{v1 , v2 } e uma base do R2 . Consideremos x = (2, 2) R2 . Na base
B , temos x = 2v1 + 0v2 . Quer dizer, as coordenadas de x na base B
sao 2 e 0.
@
I
@
x2 6
@
@
@
@
I
v@
2 @
@
@
x
v1
-
x1
Figura 6.1: As coordenadas de x = (2, 2) na base B sao 2 e 0, pois

x = 2v1 + 0v2 .
O exemplo anterior nos coloca algumas questoes. Em primeiro
lugar, como representar as coordenadas do ponto x na base B ? E,
considerada uma base B do Rn , como obter as coordenadas do ponto
x na base B ?
65

CAPITULO
6. MUDANC
AS DE BASE
66
Definica o 6.2 Seja B = {v1 , . . . , vn } uma base do Rn . Se x Rn , entao

existem (unicos
) escalares 1 , . . . , n R tais que

x = 1 v1 + . . . + n v n .
O vetor
[ x ]B =
1
2
..
.
= 1 e1 + . . . + n e n Rn
n
de x na base B e 1 , . . . , n as coordenadas de
e chamado representacao
x na base B .
Se E for a base canonica do Rn , escrevemos simplesmente x ao inves de
[ x ]E .
Observaca o 6.3 A Definica o 6.2 merece alguns comentarios. Em
primeiro lugar, ao escrever o vetor x como combinaca o linear dos
vetores da base B , estamos justamente encontrando as coordenadas
do vetor x no sistema de coordenadas formado por B .
Um segundo fato precisa ser ressaltado: uma base do Rn e um
conjunto ordenado. Apenas essa ordenaca o permite dar sentido a`
representaca o de um vetor em uma base.
Exemplo 6.4 Seja x = (3, 2) R2 . Considere a base
B = {v1 = (1, 1), v2 = (1, 1)}

do R2 . Para encontrar [ x ]B , resolvemos o sistema
x = 1 v1 + 2 v2 ,
isto e ,
(3, 2) = 1 (1, 1) + 2 (1, 1).
Como o sistema tem apenas duas incognitas,

nao e necessario
utilizar o metodo de Gauss-Jordan. Contudo, vamos aplicar esse
em sistemas maiores. Levamos a
metodo, pois ele e bastante util
matriz aumentada do sistema anterior a` forma escalonada reduzida
por linhas:1
1 1
1 1 3
1
1
2
0
1
Assim,
[ x ]B =
1 Repetimos
1
0
0 1
2
5
2
12
5
2
1
2
!
.
mais uma vez: os vetores dados aparecem como colunas da matriz!

6.2. APLICAC
OES
LINEARES E MATRIZES PARTE II
67
Proposica o 6.5 Seja B = {v1 , . . . , vn } uma base do Rn . Se x = 1 v1 +

. . . + n vn , a aplicaca o B : Rn Rn dada por
Bx = [ x ]B =
1
2
..
.
= 1 e1 + . . . + n e n Rn
n
e um isomorfismo. Para ressaltar que a imagem de B esta sendo considerada
com a base canonica, escreveremos B : Rn (Rn , E ).
Demonstraca o: Se x = 1 v1 + . . . + n vn e y = 1 v1 + . . . + n vn ,
entao
B( x + y) = B ((1 + 1 )v1 + . . . + (n + n )vn )

1
1 + 1
1
2
2 + 2 2
=
= .. + .. = Bx + By,
..
.
.
.
n + n
mostrando a linearidade de B.
Se Bx = 0, entao x = 0v1 + . . . + 0vn = 0, mostrando que ker B =
{0}. O resultado decorre entao do Teorema 5.10.
2
Observaca o 6.6 Uma vez que vi = 0v1 + . . . + 0vi1 + 1vi + 0vi+1 +
. . . + 0vn , vemos que
0
..
.

Bvi =
1 = ei ,
..
.
0
o i-esimo vetor da base canonica

do Rn .
6.2 Aplicacoes
Lineares e Matrizes Parte II
Na primeira Seca o do Captulo 4 mostramos como associar a
cada aplicaca o linear T : Rn Rm uma matriz A = ( aij ), que repre
senta T com relaca o a` s bases canonicas
do Rn e Rm . Mostraremos
lineares e matrizes
agora que a mesma associaca o entre aplicacoes
e valida para quaisquer escolhas de bases B do espaco Rn e C do
espaco Rm .
Escolhendo uma base arbitraria B = {v1 , . . . , vn } do espaco Rn e
escrevendo x = 1 v1 + . . . + n vn , ja vimos que a aplicaca o
B : Rn (Rn , E )
68
definida por
CAPITULO
6. MUDANC
AS DE BASE
Bx =
1
2
..
.
n
e um isomorfismo.
Da mesma forma, ao se escolher uma base C = {w1 , . . . , wm } no
espaco Rm , obtem-se um isomorfismo C entre Rm e Rm . (Note que
B e C chegam, respectivamente, no Rn e
as imagens das aplicacoes
m
R , esses espacos considerados com suas bases canonicas.)
Seja T : Rn Rm uma aplicaca o linear. Vamos considerar uma
base B no espaco Rn e uma base C no espaco Rm . Nosso objetivo e
mostrar como associar uma matriz a` aplicaca o T, levando em conta
as bases escolhidas B e C .
Temos o seguinte diagrama (as setas verticais sempre indicarao
isomorfismos):
T
Rn
Rm
B
C
(6.1)
(Rn , E ) (Rm , E )
A
em que o mesmo smbolo E esta representando as bases canonicas

dos espacos Rn e Rm .
liA aplicaca o linear A e definida como composta de aplicacoes
neares (estamos usando a notaca o de composta para enfatizar)
A = C T B 1
e e representada por uma matriz, de acordo com o que vimos na
primeira seca o do Captulo 4. E usual chamar essa matriz de representaca o da aplicaca o linear T com respeito a` s bases B e C (dos espacos
Rn e Rm , respectivamente) e denota-la por TBC . Veja que A = TBC e
uma aplicaca o linear de (Rn , E ) no espaco (Rm , E ).
Exemplo 6.7 Consideremos os espacos Rn e Rm com as bases B =
{v1 , . . . , vn } e C = {w1 , . . . , wm }, respectivamente. Seja T : Rn Rm
uma aplicaca o linear. Vejamos como obter TBC . Para isso, usamos o
diagrama (6.1):
T
Rn
Rm
B
C .
n
m
(R , E ) (R , E )
TBC
Como vimos na primeira seca o do Captulo 4, a i-esima coluna
da matriz procurada e obtida ao se calcular TBC ei = (CTB1 )ei . Mas,
Bvi = ei , de modo que (CTB1 )ei = (CT ) B1 ei = (CT )vi . Como C
e a aplicaca o que associa a Tvi Rm as suas coordenadas na base C ,
temos que a i-esima coluna da matriz procurada e [ Tvi ]C .

6.2. APLICAC
OES
69
lineares T : Rn Rn , a mesma base B

No caso de aplicacoes
pode ser escolhida tanto no domnio quanto no contradomnio. Nesse
caso, denotamos TB ao inves de TBB .
Exemplo 6.8 Considere a aplicaca o linear T : R2 R2 definida por
T ( x, y) = (4x 2y, 2x + y).
Seja B a base do R2 formada pelos vetores v1 = (1, 1) e v2 =
(1, 0). Vamos achar a matriz que representa T com relaca o a` base
B . (Quer dizer, estamos utilizando a mesma base no domnio e no
contradomnio e procuramos a matriz TB .) Para isso, calculamos
T (v1 ) = (2, 3) = 3(1, 1) + (1, 0) = 3v1 + v2 .
Note que escrevemos a imagem de T (v1 ) na base B , utilizada tambem no contradomnio. De acordo com a notaca o introduzida na
Definica o 6.2, temos

3
[ T (v1 )]B =
.
1
Da mesma forma, T (v2 ) = (4, 2) = 2(1, 1) + 2(1, 0) = 2v1 +
2v2 e, portanto,
2
[ T (v2 )]B =
.
2
Assim,
TB = [ Tv1 ]B [ Tv2 ]B =
3 2
1
2
As colunas de TB sao as imagens dos vetores da base B , escritas na
propria
base B utilizada, nesse caso, tambem no contradomnio.
Se quisermos calcular a imagem do vetor (1, 2) = 1e1 + 2e2 R2
utilizando a matriz TB , primeiro expressamos esse vetor na base B :
(1, 2) = 2(1, 1) + 1(1, 0) = 2v1 + v2 .

Calculando
TB
2
1
3 2
1
2
2
1
4
4
obtemos a resposta na base B . Se quisermos a resposta na base
canonica,
precisamos escrever o resultado obtido nessa base:
4v1 + 4v2 = 4(1, 1) + 4(1, 0) = (0, 4) = 0e1 + 4e2 ,
que e o mesmo resultado que obtemos ao calcular T (1, 2) utilizando
a expressao T ( x, y) = (4x 2y, 2x + y).
Escolhidas as bases B do Rn e C do Rm , associamos, assim, a

cada aplicaca o linear T : Rn Rm a matriz TBC , cuja expressao depende das bases B e C . Uma vez que cada escolha de base B no Rn

CAPITULO
6. MUDANC
AS DE BASE
70
produz um isomorfismo diferente entre (Rn , B) e (Rn , E ) e o mesmo

acontece com (Rm , C) e (Rm , E ), vemos que existem muitas maneiras
distintas de representar uma transformaca o linear por meio de uma
matriz. Como se relacionam essas diferentes matrizes que representam a aplicaca o linear T?
Para responder a essa pergunta, comecamos estudando como se
de x em bases B = {v1 , . . . , vn } e B =
relacionam as representacoes
0
0
n
{v1 , . . . , vn } do espaco R . O mesmo procedimento anterior pode
ser utilizado (I denota a aplicaca o identidade):
I
Rn
Rn
B
B .
n
n
(R , E ) (R , E )
PBB
(Para sermos coerentes com a notaca o anterior, deveramos escrever
IBB ao inves de PBB . Entretanto, e usual denotar esse tipo de matriz

pela letra P.)
De acordo com o Exemplo 6.7, a i-esima coluna de PBB e obtida

(vi ) = B (vi ) = [vi ]B .
1 (ei ) = BI
calculando-se a expressao de BIB
B
2
A matriz PB e chamada matriz mudanca da base B para a base B .
Dadas as coordenadas de x na base B , isto e , [ x ]B , as coordenadas de
x na base B sao dadas por
PBB [ x ]B = [ x ]B .
(6.2)
Claramente a matriz PBB possui inversa PBB .
Exerccio 6.9 Utilizando o diagrama anterior, justifique a ultima

afirmaca o.
Exemplo 6.10 Voltemos ao Exemplo 6.8. Vamos obter a matriz PEB ,
matriz mudanca da base E para a base B . Ela e calculada pelo
mesmo metodo: escrevemos a imagem dos vetores e1 , e2 pela aplicaca o identidade na base B . Temos
(1, 0) = 0(1, 1) 1(1, 0) = 0v1 v2

e
(0, 1) = 1(1, 1) + 1(1, 0) = 1v1 + 1v2 .

A matriz PEB e , entao,
PEB
0 1
1 1
Exerccio 6.11 Continuando o Exemplo 6.8, calcule a matriz PBE . Verifique que ( PEB )1 = PBE .
2 Alguns autores preferem chamar essa matriz de matriz de passagem da base
B para a base B . Assim, a terminologia utilizada por eles fica invertida com relaca o
a` nossa.

6.2. APLICAC
OES
71
E usual condensar o diagrama (6.1) e escrever

TC
B
(Rn , B)
(Rm , C),
salientando as bases utilizadas para se produzir a matriz TBC . Note,

contudo, que (Rn , B) e apenas uma notaca o para o espaco Rn com a
base canonica!
Passemos entao a` pergunta feita anteriormente, utilizando essa
nova notaca o: como se relacionam as matrizes TBC e TBC ? Temos o

diagrama
TBC
n
(R , B) (Rm , C)
PBB
QCC .
(Rm , C)
(Rn , B)
TBC
Esse diagrama, cujas componentes sao matrizes, nos mostra que
TBC = [ QCC ]1 TBC PBB = QCC TBC PBB .

O caso em que n = m permite que se tome a mesma base no
domnio e contradomnio. Nesse caso, a relaca o entre TB e TB e dada
por
TB = [ PBB ]1 TB PBB = PBB TB PBB ,

para qualquer outra base B do Rn .
Observaca o 6.12 Dada uma aplicaca o linear T : Rn Rn , a escolha
de bases B e C no Rn pode fazer com que a representaca o matricial
de T assuma formas bem gerais. Por exemplo, se T for invertvel,
TBC pode ser a matriz identidade! Assim, a representaca o de T em
bases completamente arbitrarias quase nao nos passa informaca o re
levante sobre a aplicaca o T. Voltaremos a esse assunto no proximo
curso de Algebra Linear.
Exemplo 6.13 Voltemos ao Exemplo 6.8. Temos a aplicaca o linear

T : R2 R2 definida por
T ( x, y) = (4x 2y, 2x + y).
A representaca o de T na base canonica

e a matriz cujas colunas
sao

4
2
T (1, 0) =
e
T (0, 1) =
,
2
1
ou seja
TE =
4 2
2
1
Por outro lado, no Exemplo 6.8 calculamos a matriz TB :
3 2
TB =
.
1
2

CAPITULO
6. MUDANC
AS DE BASE
72
Vamos entender a relaca o entre as matrizes TE e TB . Para isso,

analisamos o seguinte diagrama
TE
(R2 , E )
B
PE
PEB .
(R2 , B) (R2 , B)
TB
(R2 , E )
A matriz PEB e a matriz mudanca da base E para a base B foi

calculada no Exemplo 6.10:
PEB
0 1
1 1
O diagrama anterior garante que

TE = [ PEB ]1 TB PEB ,
ou seja,
4 2
2
1
0 1
1 1
3 2
1
2
0 1
1 1
Se calcularmos a inversa da matriz PEB , verificaremos esse fato.

Entretanto, e facil obter PBE . Essa matriz tem como colunas a ex
pressao dos vetores v1 e v2 na base canonica.
Assim, e claro que
PBE =
1 1
1
0
Verifique que PBE = [ PEB ]1 e que TE = PBE TB PEB .
Note que a ultima

igualdade e coerente: dado um vetor x = [ x ]E
(na base canonica),

podemos calcular diretamente TE x = TE [ x ]E =
[ Tx ]E = Tx, de acordo com a nossa convenca o de denotar [y]E simplesmente por y. Por outro lado, calculando pelo lado direito da
igualdade, temos
PBE TB PEB x = PBE TB PEB [ x ]E = PBE TB [ x ]B = PBE [ Tx ]B = [ Tx ]E = Tx,
o que produz o mesmo resultado.
6.3 Aplicaca o: Diagonalizaca o de uma Matriz
caracterstico
Definica o 6.14 Seja A uma matriz quadrada. O polinomio
da matriz A e o polinomio
p(z) = det(zI A).
DIAGONALIZAC
DE UMA MATRIZ
6.3. APLICAC
AO:
AO
73
Exemplo 6.15 Vamos calcular o polinomio

caracterstico da matriz
1 1
A=
.
2
4
Para isso, devemos calcular o determinante da matriz
1 0
1 1
z1
1
zI A = z
=
.
0 1
2
4
2 z 4
Assim,
p(z) = det
z1
1
2 z 4
= (z 1)(z 4) + 2 = z2 5z + 6.
Exerccio 6.16 Calcule o polinomio

caracterstico
2
2
2
A= 1
2 2
p(z) da matriz
3
1 .
1
Vamos agora mostrar que podemos definir o polinomio caracterstico de uma aplicaca o linear T : Rn Rn . Para isso, escolhemos uma base B e calculamos a matriz A = TB . Sabemos calcular
o polinomio
caracterstico da matriz A. Mas esse polinomio
caracterstico nao depende da base B escolhida? Vamos mostrar que nao.
Para isso, seja C for uma outra base do Rn e se a matriz B = TC for
a representaca o de T na base C , ja vimos que A = P1 BP, sendo
P = PBC a matriz de mudanca da base B para a base C . Temos que
det(zI A) = det( P1 (zI B)P)
= det P1 det(zI B) det P = det(zI B) det(P1 P)

= det(zI B),
mostrando que qualquer representaca o de T numa base do Rn pos
sui o mesmo polinomio
caracterstico. Em consequencia, podemos
definir:
Definica o 6.17 O polinomio

caracterstico da aplicaca o linear
T : Rn Rn
e o polinomio caracterstico de qualquer uma de suas representaco es matriciais TB , sendo B uma base do Rn .
Uma vez definido o polinomio

caracterstico de uma aplicaca o
de definir autovalores e autovetores
linear T, estamos em condicoes
de T.
Definica o 6.18 As razes K do polinomio caracterstico sao os autovalores de T. Se for um autovalor de T, os elementos 0 6= v
ker(I T) sao os autovetores de T associados ao autovalor .

CAPITULO
6. MUDANC
AS DE BASE
74
Se 0 6= v for um autovetor de T associado ao autovalor , entao

(I T)v = 0, ou seja, Tv = v. Lembramos que, dada uma matriz
quadrada A, existe v 6= 0 tal que Av = 0 se, e somente se, det A = 0.
Assim, os autovalores de T nos fornecem justamente os valores
tais que I T nao e invertvel. Mais precisamente, se B for uma
representaca o matricial de T e um autovalor de T, entao a matriz
A = I B nao e invertvel.
Dada uma aplicaca o linear T : Rn Rn , a obtenca o de uma base
B do Rn formada por autovetores de T resolve um problema importante: nessa base, a representaca o de T, isto e , TB , e particularmente
simples.
De fato, se B = {v1 , . . . , vn } for uma base de autovetores de
T : Rn Rn associados, respectivamente, aos autovalores 1 , . . . , n ,
entao
TB
= ([ Tv1 ]B [ Tv2 ]B . . . [ Tvn ]B )

= ([1 v1 ]B [2 v2 ]B . . . [n vn ]B )
1 0 . . . 0
0 2 . . . 0
= ..
.. . .
..
.
. .
.
0
. . . n
Exemplo 6.19 Seja T : R2 R2 dada por

T ( x1 , x2 ) = ( x1 + 4x2 , 2x1 + 3x2 ).
Encontramos o polinomio
caracterstico de T ao escolher uma de
matriciais. Escolhendo a base canonica
suas representacoes
E do R2 ,
encontramos
1 4
B = TE =
.
2 3
O polinomio
caracterstico de T e , portanto,
z 1 4
det(zI B) = det
= z2 4z 5.
2 z 3
Os autovalores de T sao as razes de p(z) = z2 4z 5, que
sao dadas por = 1 e = 5. Para encontrarmos os autovetores
associados a = 1, basta resolvermos o sistema (I B)v = 0,
obtido ao substituir z = = 1 em (zI B). Logo, temos
2 4
1 2
,
2 4
0 0
que nos fornece a soluca o
v=
Tomamos = 1 e o vetor
v1 =
2
1
2
1
DIAGONALIZAC
DE UMA MATRIZ
6.3. APLICAC
AO:
AO
75
pois qualquer outro autovetor associado a = 1 e multiplo

de v1 .
Do mesmo modo, encontramos os autovetores associados a =
5 resolvendo o sistema (5I B)v = 0, obtido ao substituir z = = 5
em zI B, ou seja,
4 4
1 1
,
2
2
0 0
cuja soluca o e
v=
1
1
Tomamos = 1 e o vetor
v2 =
1
1
pois qualquer outro autovetor associado a = 5 e multiplo

de v2 .
Encontramos assim a base B = {v1 , v2 }, formada por autovetores da aplicaca o T. A representaca o de T na base B e :
1 0
TB =
0 5
(justifique!) e nos mostra como a escolha de uma base adequada
pode simplificar a representaca o matricial da aplicaca o linear T.
lineares) posExemplo 6.20 Nem todas as matrizes (ou aplicacoes
suem uma base formada por autovalores. De fato, consideremos a
matriz
0 1
A=
.
0 0
O polinomio
caracterstico de A e p(z) = z2 , de modo que o unico
autovalor de A e = 0. Associado a esse autovalor existe apenas
um autovetor linearmente independente: o sistema Av = 0 possui a
soluca o

1
v=
,
0
que nos fornece, ao escolhermos = 1, o autovalor

1
v1 =
.
0
Qualquer outro autovetor de A e multiplo

de v1 , de modo que A
nao possui uma base formada por autovetores.
Observaca o 6.21 A existencia de uma base B do Rn na qual uma

uma aplicaca o linear T : Rn Rn tem representaca o matricial TB
diagonal e um dos principais objetivos do curso de Algebra

Linear
II.

CAPITULO
6. MUDANC
AS DE BASE
76
0
1 0
0 1 .
A= 0
4 17 18
Mostre que existe uma base B = {v1 , v2 , v3 } do R3 formada por autovetores da matriz A.
Encontre a representaca o de A na base B e a matriz PBE .
6.4 Exerccios
1. Considera a aplicaca o linear T : R3 R3 definida por meio da matriz
3 1 2
0 2 .
A= 0
0
0 1
Seja B = {v1 = (1, 0, 0), v2 = (1, 2, 0), v3 = (0, 2, 1)}.
(a)
(b)
(c)
(d)
Mostre que B e uma base do R3 ;

Calcule B = TB ;
Calcule as matrizes mudanca de base PBE e PEB
Escreva B em termos de A utilizando essas matrizes mudanca de base.
2. Seja T : R3 R3 a aplicaca o linear definida por

T ( x1 , x2 , x3 ) = ( x1 + x2 + 2x3 , x2 + 2x3 , x3 ).
(a) Ache A = TE , em que E e a base canonica

do R3 ;
(b) Calcule A1 ;
(c) Obtenha entao a expressao de T 1 .
3. Sejam T ( x, y, x ) = ( x + y + z, y + z, x ) e B = {(1, 0, 1), (0, 1, 0), (1, 0, 1)}. Entao:
(a) ache a matriz TB ;
(b) usando essa matriz, especifique uma base para ker T e im T;
(c) calcule T (1, 1, 1) utilizando a representaca o matricial calculada em ( a).
1 2
0
0
2 .
A = 2
0
2 1
(a) Encontre o polinomio

caracterstico de A;
(b) Obtenha os autovalores de A e uma base B do R3 formada por autovetores de
A;
(c) Ache a matriz TB ;
(d) Calcule TE , a matriz PBE e sua inversa PEB ;
(e) Verifique que PEB = ( PBE )t ;
(f) Utilizando as matrizes do item anterior, ache a relaca o entre TE e TB .

6.4. EXERCICIOS
5. Seja
77
0
1 0
0 1 .
B= 0
4 17 8
Obtenha os autovalores de B e uma base B do R3 formada por autovetores de B.

Encontre a representaca o de B na base B .
78
CAPITULO
6. MUDANC
AS DE BASE
Captulo 7
O Teorema de
Cayley-Hamilton
lineares;
1. Calcular polinomios
de matrizes e de aplicacoes
2. Saber calcular o polinomio

caracterstico de uma aplicaca o linear;
simples.
3. Aplicar o Teorema de Cayley-Hamilton em situacoes
7.1 Polinomios
de Aplicacoes
Lineares
Seja A uma matriz quadrada. Entao faz sentido calcular A2 e, em
geral, a potencia Ak , qualquer que seja o numero

natural k 1.
Exemplo 7.1 Seja A a matriz quadrada
1 2
A=
.
2 1
Entao
A =
5 4
4 5
de modo que
A =
3A + 1A + 5I =
13 14
14 13
49 46
46 49
Observe que 3A3 + 1A2 + 5I resulta da substituica o de z = A
no polinomio
3z3 + z2 + 5, com a convenca o de que a constante 5 e
substituda por 5I, em que I e a matriz identidade 2 2.
Um pouco mais geralmente, seja T : Rn Rn uma aplicaca o

linear. Podemos definir, para todo k N, T k = T T k1 = T ( T k1 ),
se k 1 e T 0 = I, em que I : Rn Rn e a aplicaca o identidade.
Denotaremos q R[z] para indicar que o polinomio

q ( z ) = a k z k + a k 1 z k 1 + a 1 z + a 0 z 0
79
80
CAPITULO
7. O TEOREMA DE CAYLEY-HAMILTON
tem coeficientes no corpo R. Podemos entao calcular

q( T ) := ak T k + ak1 T k1 + + a1 T + a0 I.
(Aqui, I a aplicaca o identidade I : Rn Rn ). Note que q( T ) e uma
aplicaca o linear do Rn em Rn , que e representada por uma matriz
n n ao se escolher uma base do Rn .
Exerccio 7.2 Seja
1 2 2
A = 2 1 2 .
1 1 1
Calcule q( A), se q(z) = z5 + 3z2 + z + 1.
7.2 Subespacos Invariantes

Definica o 7.3 Um subespaco W Rn e invariante por T : Rn Rn se
T (W ) W, isto e, Tw W para todo w W.
Exemplo 7.4 Considere a aplicaca o T : R3 R3 definida por
T ( x1 , x2 , x3 ) = ( x1 x2 , x1 + x2 , 3x3 )
e o subespaco W = {( x1 , x2 , 0) : x1 , x2 R} R3 . Afirmamos que
W e invariante por T. De fato, se w W, entao w = ( x1 , x2 , 0) para
x1 , x2 R. Logo,
Tw = T ( x1 , x2 , 0) = ( x1 x2 , x1 + x2 , 0) W,
mostrando o afirmado.
Para verificar que um subespaco W Rn e invariante pela aplicaca o linear T : Rn Rn basta considerar uma base {w1 , . . . , wm } do
espaco W.
Proposica o 7.5 Seja B = {w1 , . . . , wm } uma base do subespaco W
Rn . Entao W e invariante pela aplicaca o linear T : Rn Rn se, e somente
se, Twi W para todo i {1, . . . , m}.
Demonstraca o: E claro que se W for invariante por T, entao Twi W
para todo i {1, . . . , m}. Reciprocamente, se w W, entao existem
(unicos)
escalares 1 , . . . , n tais que w = 1 w1 + . . . + n wn . Como
T e linear,
Tw = T (1 w1 + . . . + n wn ) = 1 ( Tw1 ) + . . . + n ( Twn ).
Como Twi W para i {1, . . . , m}, conclumos que Tw W, pois
W e um subespaco.
2
7.3. O TEOREMA DE CAYLEY-HAMILTON
81
Seja T : Rn Rn uma aplicaca o linear e W Rn um subespaco.

Suponhamos que T (W ) W, isto e , Tw W para todo w W. Consideremos uma base {w1 , . . . , wm } de W. De acordo com o Teorema
3.43, existem vetores { xm+1 , . . . , xn } de modo que
B = { w1 , . . . , w m , x m + 1 , . . . , x n }
seja uma base do Rn . Vamos representar T nessa base, que dizer,
vamos obter TB = TBB . Temos que
TB = ([ Tw1 ]B . . . [ Twm ]B [ Txm+1 ]B . . . [ Txn ]B ) .
Como Tw j W, temos que
a1j
..
.
amj
.
[ Tw j ]B =
..
.
0
Por outro lado, nada sabemos sobre Tx j para j {m + 1, . . . , n}.
Assim,
a1j
..
amj
.
[ Tx j ]B =
b
(
m
+
1
)
j
..
.
bnj
Em outras palavras, a matriz TB tem a forma
a11 a12 . . . a1m

a 1( m +1)
...
a1n
a21 a22 . . . a2m
a 2( m +1)
...
a2n
..
.
.
..
.
..
..
..
.
...
...
.
a
a
.
.
.
a
a
.
.
.
a
TB =
mm
mn
m ( m +1)
m1 m2
0
0
.
.
.
0
a
.
.
.
a
(
m
+
1
)(
m
+
1
)
(
m
+1) n
.
.
.
.
..
..
..
..
..
...
...
.
0
0
0
0
bn ( m + 1 )
...
bnn
que pode ser escrita na forma
TB =
A B
0 D
7.3 O teorema de Cayley-Hamilton

Teorema 7.6 (Cayley-Hamilton)
Se p R[z] for o polinomio caracterstico de T : Rn Rn , entao
p( T ) = 0.

CAPITULO
82
Demonstraca o: Seja 0 6= v Rn arbitrario. Queremos mostrar que

p( T )v = 0. Seja m o maior natural tal que o conjunto
S = {v, Tv, . . . , T m1 v}
e linearmente independente. Entao
T m v = 0 v + . . . + m1 T m1 v.
(7.1)
Seja W = < S > o subespaco gerado por S. Entao os elementos de

S formam uma base de W. O subespaco W e invariante por T, de
acordo com a Proposica o 7.5 e a igualdade (7.1).
Completamos entao a base S de modo a obter uma base B do Rn .
Como vimos na Seca o 7.2, a representaca o de TB e dada por
A B
0 D
em que a matriz A e definida por
0 0
1 0
..
.
A=
0 1
.. .. . .
. .
.
0 0
0
0
0
1
0
..
.
2
..
.
1 m 1
O polinomio
caracterstico de TB e
p(z) = det
zI A
B
0
zI D
= det(zI A) det(zI D) = q1 (z)q2 (z),
como consequencia do Teorema 1.28. (Em cada expressao, os tamanhos das matrizes I sao diferentes.)
Vamos calcular q1 (z) = det(zI A). Temos:
z
0
0
0
1
z
0
1
.
.
.
0
2
det(zI A) = det
0 1
..
.. . .
..
..
.
.
.
.
.
0
0 1 z m 1
z
0
1
1
z
2
= z det ..
+
..
.
.
.
.
.
0 1 z m 1
1
z
0
0 1
0
(0 )(1)m+1 det ..
.. . .
..
.
.
.
.
0

7.4. APLICAC
OES
83
Como o determinante da ultima

matriz e (1)m1 , o ultimo
termo e
justamente 0 . Assim,
z
0
1
1
z
2
det(zI A) = z det
0 .
..
..
.
.
.
.
.
0 1 z m 1
Procedendo do mesmo modo, obtemos
q1 (z) = det(zI A) = zm m1 zm1 . . . 0 .
Substituindo z por T e entao calculando q1 ( T )v, a equaca o (7.1)
nos mostra que q1 ( T )v=0. Assim, p( T )v = q2 ( T )q1 ( T )v = 0. Como
v foi escolhido arbitrariamente, conclumos que p( T ) = 0.
2
7.4 Aplicacoes
Exemplo 7.7 Consideremos a matriz
2
0 0
A = 3 1 0 .
0
4 3
O polinomio
caracterstico de A e
p(z) = (z 2)(z + 1)(z 3) = z3 4z2 + z + 6.
Se quisermos calcular, por exemplo, q( A), sendo q(z) = z8
4z7 + z6 + 13z5 28z4 + 7z3 + 42z2 + z + 1, podemos efetuar a divisao euclidiana de q(z) por p(z) e obter
q(z) = (z5 + 7z2 ) p(z) + z + 1.
O Teorema de Cayley-Hamilton garante que p( A) = 0; assim,
q( A) = ( A5 + 7A2 ) p( A) + A + I = A + I. Logo,
3 0 0
q( A) = A + I = 3 0 0 .
0 4 4
7.5 Exerccios
2 1 1
A = 1 2 1 .
1 1 2
84
CAPITULO
(a) Mostre que, se m(z) = (z 1)(z 4), entao m( A) = 0. (O polinomio

m nao e o
polinomio
caracterstico de A.)
(b) Procedendo como no Exemplo 7.7, calcule A1000 . Para isso, efetue a divisao
c
euclidiana de z1000 por m(z) e obtenha o resto r (z) = c3 1 z + 4
3 , em que c =
1000
4
. Conclua que
c +2 c 1 c 1
A1000 =
2. Se k {1, 2, . . .}, calcule Ak , se
2 1 2
(a) A = 0 0 0 ;
0 2 3
3
c 1
3
c 1
3
3
c +2
3
c 1
3
3
c 1
3
c +2
3
0 0
0
(b) A = 0 0 1 .
1 1
0
Referencias Bibliograficas
[1] D. Avritzer: Geometria Analtica e Algebra

Linear: uma Visao
Geometrica, tomos I e II, Editora UFMG, Belo Horizonte, 2009.
[2] H. Bueno: Algebra

Linear: um Segundo Curso, Sociedade Brasileira de Matematica, Rio de Janeiro, 2006.
[3] R. J. Santos: Um Curso de Geometria Analtica e Algebra

Linear, Imprensa Universitaria da UFMG, Belo Horizonte, 2007.
[4] R. J. Santos: Introduca o a` Algebra

Linear, Imprensa Universitaria da UFMG, Belo Horizonte, 2008.
Linear e Aplicacoes,
Imprensa Univer[5] R. J. Santos: Algebra
sitaria da UFMG, Belo Horizonte, 2006.
85

Indice
Remissivo
aplicaca o linear, 43
autovalor, 73
autovetor, 73
identidade, 43
imagem de uma, 48
inversa, 60
nucleo
de uma, 48
nula, 43
representaca o em bases, 68
autovalor
de uma aplicaca o linear, 73
autovetor
base
canonica
do Rn , 36
de um subespaco, 35
metodo de Gauss-Jordan, 6
matriz
aumentada de um sistema, 6
calculo da inversa de uma, 63
elementar, 62
escalonamento de uma, 7
espaco coluna de uma, 49
espaco linha de uma, 49
forma escalonada, 7
reduzida por linhas, 8
inversa, 61
mudanca de base, 70
posto de uma, 53
transposta, 50
multiplicaca o de matrizes
definica o, 55
nucleo
calculo da matriz inversa, 63
calculo de determinantes
de uma matriz, 11
de matrizes em bloco, 14
por meio do escalonamento, operacoes
elementares
12
sobre as linhas de uma macombinaca o linear, 30
triz, 7
conjunto
gerador, 31
7
pivo,
ordenado, 35
polinomio
coordenadas de um vetor, 66
caracterstico, 72
dimensao
de uma matriz, 79
de um subespaco, 40
posto
de uma matriz, 53
espaco
coluna, 49
linha, 49
vetorial
Rn , 21
complexo, 24
real, 24
Gauss-Jordan, 6
isomorfismo, 58
regra
da unidade, 21, 24
sistema linear, 6
escalonamento, 7
forma escalonada, 7
reduzida por linhas, 8
homogeneo, 6
matriz aumentada de um, 6
86

INDICE
REMISSIVO
nao homogeneo, 6
homogeneo associado, 6
elementares, 7
operacoes
7
pivo,
variavel livre, 9
subespaco, 27
gerado por um conjunto de
vetores, 29
invariante, 80
teorema
da base do espaco coluna, 50
da dimensao dos espacos linha e coluna, 52
de Cayley-Hamilton, 81
de unicidade da forma escalonada reduzida por linhas,
10
do nucleo
e da imagem, 57
transformaca o linear, 43
transposta
de uma matriz, 50
variavel livre, 9
vetor, 24
multiplicaca o por escalar, 22
representaca o em uma base,
66
vetores
linearmente dependentes, 32
linearmente independentes, 32
soma de, 22
87

Introducao A Algebra Linear - Hamilton Prado Bueno

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Introducao A Algebra Linear - Hamilton Prado Bueno

Caricato da

Copyright:

Formati disponibili

Para

Franciele, Lilian e Paulo Henrique.

Este texto foi redigido para a disciplina Algebra

Ha alguns anos, escrevi um livro para um curso de Algebra

os conceitos de um primeiro curso de Algebra

texto foi escrita com o proposito

O desafio de escrever sobre topicos

Geometria Analtica e Algebra

(mesmo com uma abordagem utilizando a Algebra

texto de D. Avritzer) e um texto de Algebra Linear, como este livro.

A compreensao da estrutura da Algebra

expostos (teorema, lemas, proposicoes)

entre voce e seus professores ou tutores. Duvidas

5.1 Teorema (da dimensao) do Nucleo

1.1 Vetores na Fsica e na Matematica

Figura 1.1: Os segmentos orientados Pi Pf e Qi Q f representam o

~ , definidos pelos pona numeros

e com sentido contrario, se < 0. O modulo

Figura 1.3: A multiplicaca o de um vetor por um escalar.

R f que define o mesmo sentido de Qi Q f , o segmento orientado Pi R f

1.1. VETORES NA FISICA

Figura 1.4: A construca o geometrica da soma de vetores dados por

~ = Qi Q f do plano, definidos pelos pontos

Qi Q f , se Pi = (0, 0, 3), Pf = (2, 3, 7), Qi = (1, 5, 2) e Q f = (7, 2, 2).

Em primeiro lugar, notamos que a cada vetor Qi Q f corresponde

o mesmo ponto P. Em outras palavras, cada vetor Pi Pf da Fsica e

identificado com um unico

Por outro lado, a associatividade e simples: suponhamos que

~u = Pi Pf , ~v = Qi Q f e w = Ri R f . Para simplificar a notaca o, vamos

Figura 1.6: A adica o de vetores e associativa.

Figura 1.7: Vale a igualdade v = ~v1 + ~v2 + ~v3 .

Figura 1.8: A soma de vetores em uma mesma direca o e obtida ao

1.1. VETORES NA FISICA

Naturalmente, o mesmo procedimento tambem se aplica a` s so~ 2 e ~v3 + w

Consideremos o vetor Pi Pf definido pelos pontos inicial Pi =

Examinando a Figura 1.9, vemos que 0Pi + Pi Pf = 0Pf . Assim,

Pi Pf = 0Pf 0Pi . Como os vetores do lado direito da ultima

Figura 1.9: Se Pi = ( x0 , y0 , z0 ) e Pf = ( x1 , y1 , zi ), entao Pi Pf corresponde ao vetor v = ( x1 x0 , y1 y0 , z1 z0 ) da Matematica.

Essa abordagem de vetores tem inumeras

Figura 1.10: O vetor ~n = (0, 0, 1) e normal a` esfera x2 + y2 + z2 = 1

1.2 Sistemas Lineares e o Metodo de Gauss-Jordan

aij e os valores b j . Um sistema linear em m equacoes

Como sabemos, esse sistema pode ser escrito utilizando matrizes

a11 a12 a1n

ainda, representaremos esse sistema por uma unica

(c) Substituir a linha j por sua soma com um multiplo

segue-se da por induca o sobre o numero

essa matriz. E o que veremos no proximo

relaca o a operaca o (c), note que x = ( x1 , x2 , . . . , xn ) satisfaz

se, e somente se, satisfizer

Exemplo 1.10 Considere o sistema

Suponhamos agora que uma matriz C esteja na forma escalonada.

Se cada pivo for o unico

consideremos o pivo da ultima

procedimento ao pivo da penultima

A forma escalonada reduzida por linhas de uma matriz e unica.

Podemos escrever essa resposta de uma maneira que se mostrara

O sistema tem infinitas solucoes,

Observaca o 1.12 O exemplo anterior deixa claro que a existencia de

formato (0, c), com c 6= 0. (Esse e o formato da ultima

nao for igual a n), entao o sistema posdizer, o numero

suira infinitas solucoes,

possuira uma unica