Curso+DSc Turma Eng+Petróleo Petrobras Algebra+Linear

Turma Preparatória para o Concurso
Engenharia de Petróleo
Petrobras – 2014
Álgebra Linear
Coordenador: Professor (DSc) Aldo Ferreira
Professora (DSc) Cristiane de Mello
Álgebra Linear
Conteúdo: Definição de matriz; tipos de matrizes; blocos, selas ou

submatrizes; matriz escalonada; forma canônica reduzida por linha;
operações com matrizes (multiplicação por escalar, soma e subtração,
multiplicação) e suas propriedades; propriedades da transposição de
matrizes; matriz inversa ou matriz não-singular; determinante;
propriedades dos determinantes; posto; menor; cofator; matriz adjunta;
cálculo da matriz inversa; Teorema Fundamental de Laplace;
propriedades da inversão de matrizes; álgebra vetorial (adição de vetores,
multiplicação de vetor por um escalar, igualdade de vetores, dependência
e independência linear, produto escalar ou produto interno, norma de um
vetor, distância, ângulos, projeções, hiperplanos, retas em , vetores i, j,
k, produto vetorial); espaço vetorial (espaço linear); base; dimensão;
autovalores; autovetores; matrizes diagonalizáveis, Teorema Espectral
para Matrizes Reais e Simétricas; aplicações (operadores) lineares
(definições, núcleo, imagem, posto e nulidade); sistemas de equações
lineares; diagonalização de aplicações (operadores) lineares; sistema
lineares.
Número de exemplos: 122

Número de exercícios resolvidos: 43
Curso DSc
Você no curso certo. Página 1
1) Introdução
Seja um quadro retangular de números como segue:
A=
Tal quadro é chamado matriz. Pode-se denotá-lo por A = (aij), i = 1, ...,

m, j = 1, ..., n, ou simplesmente pelo símbolo A = (aij). As m ênuplas horizontais
(a11, a12, ..., a1n), (a21, a22, ..., a2n), ..., (am1, am2, ..., amn)
são as linhas da matriz, e as n ênuplas verticais
são as colunas. Note que o elemento aij, chamado elemento – ij ou

componente – ij, pertence à i-ésima linha e a j-ésima coluna. Uma matriz com
m linhas e n colunas é chamada matriz m por n, ou matriz m x n; o par de
números (m, n) é sua dimensão.
Nota) Quando m = n temos uma matriz chamada de quadrada.
Exemplo 1.1) Matriz (quadrada) 2 x 2:
Nota) Um escalar é um único número (real), o qual pode ser representado por
uma matriz 1 x 1.
Exemplo 1.2) Matrizes 1x1 (escalares):
(3)1x1, (-12)1x1 e (-13)1x1.
Uma matriz formada por m linhas e uma única coluna é chamada de

matriz coluna ou vetor coluna.
Curso DSc
Exemplo 1.3) Matriz (coluna) 3x1
Uma matriz formada por uma única linha e por n colunas é chamada de
matriz linha ou vetor linha.
Exemplo 1.4) Matriz (linha) 1 x 3
Em uma matriz quadrada, os elementos (a)ij para os quais i = j compõem

a diagonal principal da matriz; em linguagem pouco formal, são os elementos
que “vão do canto superior esquerdo ao canto inferior direito da matriz”.
Exemplo 1.5) Nas matrizes abaixo, os elementos da diagonal principal estão

em negrito.
e .
Nota) Uma matriz quadrada que tenha ao menos um elemento diferente de

zero na diagonal principal, cujos elementos não pertencentes à diagonal
principal são iguais a zero, é chamada de matriz diagonal.
Exemplo 1.6) Matrizes diagonais de dimensões 2 x 2 e 3 x 3, respectivamente:
e .
Nota) Quando todos os elementos em uma matriz diagonal são iguais a 1,

temos a matriz identidade ou matriz unidade.
Exemplo 1.7) Matrizes diagonais 2 x 2 e 3 x 3, as quais podem ser denotadas,

respectivamente, por I2 e I3 :
e .
A transposta de uma matriz Am x n, indicada por A’ AT ou AT, é uma

matriz n x m obtida da troca das linhas pelas colunas de A, ou seja, a i-ésima
linha de A torna-se a i-ésima coluna da matriz AT.
Curso DSc
Exemplo 1.8) Matriz Transposta
Quando uma matriz é igual a sua transposta é chamada de matriz

simétrica.
Exemplo 1.9) Matriz simétrica
Em uma matriz simétrica de dimensão n x n, o termo a ij da matriz A é

igual ao termo aji da matriz AT, onde i,j = 1, 2, ..., n.
Uma matriz A pode ser dividida em matrizes menores, chamadas de

blocos, celas ou submatrizes.
Exemplo 1.10) Matrizes divididas em blocos
O primeiro elemento não nulo em uma linha R de uma matriz A é

chamado elemento não-nulo principal de R. Se R não tem nenhum elemento
não-nulo, isto é, se todo elemento de R é igual 0, então R é uma linha zero. Se
todas as linhas de uma matriz são linhas zero, isto é, se todo elemento de A é
igual a zero, então A é chamada matriz zero, denotada por 0.
Uma matriz A é uma matriz escalonada, ou está em forma escalonada,

se prevalecem as duas condições seguintes:
1º) Todas as linhas zero, se houver, estão na base da matriz.
Curso DSc
2º) Cada elemento principal não-zero está à direita do elemento principal
não-zero da linha precedente.
Exemplo 1.11) As seguintes matrizes são escalonadas; os elementos não-zero

principais estão em negrito:
Diz-se que uma matriz escalonada A está em forma canônica reduzida

por linha se prevalecem as duas propriedades adicionais:
3º) Cada elemento principal não-zero é 1.
4º) Cada elemento principal não-zero é o único elemento não-zero em sua

coluna.
A terceira matriz do Exemplo 1.11 é um exemplo de matriz em forma

canônica reduzida por linha.
A matriz zero, 0, qualquer que seja o número de linhas ou colunas, é

também um exemplo de matriz em forma canônica de linha.
2) Operações com matrizes
2.1) Multiplicação por um escalar
Para multiplicar uma matriz por um escalar λ (um número real),

multiplicamos cada elemento da matriz por λ.
Exemplo 2.1) Seja λ = 5, então
De modo geral, a multiplicação da matriz A = [aij] pelo escalar k nos dá a

matriz kA = [k x aij].
2.2) Soma e Subtração de Matrizes
Dadas as matrizes A = [aij] e B = [cij], de mesma ordem, definimos a

soma e a subtração de matrizes como
Curso DSc
A B = C,
onde C = [cij], cij = aij bij e C tem a mesma ordem de A e de B.
Exemplo 2.2)
2.2.1) Propriedades da Soma e da Subtração de Matrizes
1) A soma e a subtração de matrizes são operações associativas
(Amxn Bmxn) ± Cmxn = Amxn ± (Bmxn ± Cmxn)
2) A matriz nula é o elemento neutro da soma/subtração de matrizes
Amxn ± 0mxn = Amxn = Amxn ± 0mxn
3) A adição/subtração de matrizes é comutativa
Amxn Bmxn = Bmxn Amxn
4) Para os escalares k1 e k2, temos:
k1 x (Amxn ± Bmxn) = k1 x Amxn ± k1 x Bmxn
(k1 + k2) x Amxn = k1 x Amxn + k2 x Amxn
(k1 x k2) x Amxn = k1 x (k2 x Amxn)
Exemplo 2.3) Sejam as matrizes A = eB=
2x = =
(2 + 3) x =
Curso DSc
(2 x 3) x = =2x
2.3) Multiplicação de matrizes
Sejam as matrizes A = (aik)mxn e B = (bkj)nxp; a matriz produto AB, ou

AxB, nesta ordem, é dada por
AB = [cij]mxp,
onde cij = , i = 1, 2, ..., m; j = 1, 2, ..., n.
Exemplo 2.4) Sejam as matrizes e B2x2 = . Então
(BA)2x3 = .
Note que o produto AB não é definido, pois a matriz B tem 3 colunas e a matriz
A, 2.
Exemplo 2.5) Sejam as matrizes e . Então
Notemos que as matrizes AB e BA existem, mas possuem dimensões

distintas.
2.3.1) Propriedades da Multiplicação de Matrizes
1) A multiplicação de matrizes não é comutativa
Curso DSc
Exemplo 2.6) Sejam as matrizes A2x2 = e B2x2 = . Então
(AB)2x2 =
(BA)2x2 =
Ou seja, pode ocorrer que A x B ≠ B x A. O Exemplo 2.5 já indicava tal

propriedade.
2) O produto de uma matriz linha por uma matriz coluna é igual a um

escalar, sempre que o produto for definido.
AB1x1 = (1x1 + 2x2 + 3x3) = (14)1x1.
Exemplo 2.8) Seja as matrizes A1x2 = e B3x1 = . O produto AB1x1 não
é definido.
3) O produto de uma matriz coluna por uma matriz linha é igual a uma
matriz, sempre que o produto for definido e uma das matrizes não for
um escalar.
(BA)3x3 = .
4) A multiplicação de matrizes é associativa:
(Amxn x Bnxp) x Cpxq = Amxn x (Bnxp x Cpxq).
Exemplo 2.10) Sejam as seguintes matrizes:
A2x2 = , B2x2 = e C2x3 = .
Curso DSc
a) (AB)2x2 =
b) (AB)2x2 x C2x3 = =
= .
c) (BC)2x3 =
d) A2x2 x (BC)2x3 = =
= .
Destacamos em negrito o fato que (AB)C = A(BC).
5) A multiplicação de matrizes é distributiva com respeito à soma:
Apxm x (Bmxn + Cmxn) = (AB)pxn + (AC)pxn (Lei Distributiva à esquerda)
(Bmxn + Cmxn) x Anxp = (BA)mxp + (CA)mxp(Lei Distributiva à direita)
Exemplo 2.11) Sejam as matrizes A1x2 = , B2x2 = e C2x2 =
a) (B + C)2x2 =
b) A1x2 x (B + C)2x2 = = =
c) (AB)1x2 =
d) (AC)1x2 =
e) (AB + AC)1x2 =
Destacamos em negrito o fato que A x (B + C) = AB + BC

Curso DSc
Exemplo 2.12) Sejam as matrizes A2x2 = , B1x2 = , C2x2 =
.
a) (B + C)1x2 =
b) (B + C)1x2 x A2x2 =
c) (BA)1x2 =
d) (CA)1x2 =
e) (BA + CA)1x2 =
Destacamos em negrito o fato que (B + C) x A = BA + CA.
6) Dado um escalar k, temos:
k x (AB) = (k x A)B = A(k x B), onde Amxn e Bnxp.
Exemplo 2.13) Sejam as matrizes (A)2x2 = e B2x2 = ;

considere o escalar k = 2.
a) k x (AB)2x2 =
b) k x (A)2x2 =
c) (k x A)2x2 x B2x2 =
d) (k x B)2x2 =
e) A2x2 x (k x B)2x2 =
Destacamos em negrito o fato que k x (AB) = (k x A)B = A(k x B).
2.4) Propriedades da transposição de matrizes
1) (Amxn + Bmxn)T = (Amxn)T + (Bmxn)T

2) (AT)T = A
3) (k x A)T = k x AT
4) (AB)T = BTAT
Curso DSc
Exemplo 2.14) Considere o escalar k = 2 e as matrizes A2x2 = e B2x2 =
. Os resultados abaixo exemplificam as propriedades listadas acima.
(A + B)T =
AT + B T = =
Acima, destacamos em negrito o fato de (A + B)T = AT + BT.
(AT)T = =A
(2 x A)T = =2x = 2 x AT
(AB)T =
B TA T =
Acima, destacamos em negrito o fato de (AB)T = BT AT
3) Matriz Inversa ou Não-singular
Uma matriz quadrada A é inversível (ou não-singular) se existe uma

matriz B tal que
A x B = I = B x A,
onde I é a matriz identidade. Se existe, a matriz inversa é única, se tomarmos

duas matrizes, B1 e B2, tais que
A x B 1 = I = B1 x A e A x B 2 = I = B2 x A
então as matrizes B1 e B2 são iguais.
Curso DSc
Tal matriz B é chama-se inversa de A e se denota por A-1. Nota-se que a
relação acima é simétrica, isto é, se B é a inversa de A, então A é a inversa de
B.
Resultado 3.1) Seja A e B matrizes quadradas. Se A x B = I, então B x A = I.
Em outras palavras, o resultado acima nos diz que se é verdadeira a

afirmação A x B = I então não é preciso calcular o produto B x A, pois este
também será igual à matriz identidade.
Exemplo 3.1) Sejam as matrizes A = eB= . Então
AxB=
B x A = [Dado o
Resultado 3.1, não era preciso calcular o produto B x A para concluir que B X
A = I.]
Logo, A e B são matrizes inversíveis (uma é a inversa da outra).
Exemplo 3.2) Sejam as matrizes A = e B =
Então
AxB= .
4) Determinantes
Associamos a toda matriz quadrada um número (escalar) conhecido

como determinante da matriz, que é denotado por det (A) ou |A|, onde | |
significa “o determinante de”.
4.1) Determinante de ordem 1
|a11| = a11
Exemplo 4.1) det(16) = 16; det (-16) = -16; e det(0) = 0.
Curso DSc
Exemplo 4.2) ;
.
Resultado 4.1) A fórmula geral para a inversa da matriz A2x2 = é
A-1 = =
Exemplo 4.3) seja a matriz A = . Temos que |A| = 2 x 1 – 3 x 4 = -10.
Logo, A-1 = . De fato,
Há seis parcelas na definição do determinante de uma matriz de ordem

3; cada uma delas consiste de três elementos da matriz original; três delas
conservam o sinal e três são multiplicadas por –1.
O diagrama abaixo ajuda a memorizar as seis parcelas que definem o

determinante de uma matriz de ordem 3.
Curso DSc
Exemplo 4.4)
4.4) Propriedades dos determinantes (válidas para matrizes quadradas de

qualquer ordem). Consideremos as matrizes quadradas A e B de mesma
ordem.
1) Uma matriz que tem um determinante igual a zero é chamada de matriz

singular. A inversa de uma matriz, definida anteriormente, não existe no
caso de uma matriz singular. Por outro lado, afirmar que uma matriz
tem inversa é equivalente a afirmar que uma matriz tem
determinante diferente de zero.
2) Se A tem uma linha (coluna) de zeros, então |A| = 0.
Exemplo 4.5) (linha de zeros)
Exemplo 4.6) (coluna de zeros)
3) Se A tem duas linhas (colunas) idênticas então, então |A| = 0
Exemplo 4.7) (linhas iguais)
Exemplo 4.8) (colunas iguais)
4) Se A é uma matriz triangular, isto é, se A tem zeros acima ou abaixo

da diagonal principal, então |A| = produto dos elementos da diagonal
principal.
Exemplo 4.9)
Exemplo 4.10)
Curso DSc
Da Propriedade 4 segue que o determinante de uma matriz
identidade é sempre igual a 1 da ordem da matriz.
5) Seja B a matriz obtida permutando-se (intercambiando-se) duas

linhas (colunas) de A, então |A| = - |B|.
Exemplo 4.11) (permutação de linhas) Sejam as matrizes A = eB=
. Temos: |A| = - 2 e |B| = 2.
Exemplo 4.12) (permutação de colunas) Sejam as matrizes A = eB=
. Temos: |A| = - 2 e |B| = 2.
6) O determinante de A e da transposta de A, AT, são iguais, ou seja,
|A| = |AT|.
Exemplo 4.13) Vimos que . O determinante da sua matriz
simétrica é dado por
7) Se cada elemento de uma linha ou coluna de A é multiplicado por

um escalar λ, então |A| é multiplicado por λ.
Exemplo 4.14) (multiplicação dos elementos de uma linha por um escalar)
Sejam A = e λ = 5. Vamos multiplicar a primeira linha de A por λ = 5
para obter B = . Temos que |A| = 10 x 40 – 30 x 20 = -200 e |B| = 50
x 40 – 30 x 100 = 2000 – 3000 = - 1000 [=(-200) x 5].
Exemplo 4.15) (multiplicação dos elementos de uma coluna por um
escalar) Sejam A = e λ = 3. Vamos multiplicar a segunda coluna de
A por λ = 3 para obter B = . Temos que |A| = 10 x 40 – 30 x 20 = -
200 e |B| = 10 x 120 – 30 x 60 = 1200 – 1800 = - 600 [=(-200) x 3].
Curso DSc
8) Se uma linha ou coluna de uma matriz é múltipla de outra linha ou
coluna da matriz, seu determinante é igual a zero.
Exemplo 4.16) (a 3ª linha é obtida multiplicando-se os elementos da 1ª

linha por 2) ou (a 1ª linha é obtida multiplicando-se os elementos da 3ª
linha por 0,5)
Exemplo 4.17) (a 2ª coluna é obtida multiplicando-se os elementos da 1ª

coluna por 2) ou (a 1ª coluna é obtida multiplicando-se os elementos da 2ª
coluna por 0,5)
9) O determinante do produto de 2 matrizes é igual ao produto de seus

determinantes, ou seja,
|A x B| = |A| x |B|.
Exemplo 4.18) Seja as matrizes A = e B = ; logo, A x B =
. Temos:
|A| = 3 x 7 – 9 x 8 = -51
|B| = 2 x 6 – 5 x 4 = -8
|A x B| = 46 x 78 – 53 x 60 = 408 [= (-51) x (-8)]
10) Seja B a matriz obtida somando-se a uma linha (coluna) de A um

múltiplo de outra linha (coluna), também de A. Então
|A| = |B|.
Exemplo 4.19) Vimos que . Vamos multiplicar a 3ª linha da
matriz por – 2 e adicioná-la à 1ª linha para obter a matriz ; temos
que:
Curso DSc
= 0 x 5 x (-2) + 7 x (-2) x 1 – 7 x 0 x (-3) – 1 x 5 x (-7) – (-3) x (-2)
x 0 – 4 x 0 x 7 = 0 - 14 + 0 + 34 – 0 – 0 = 21. Notem que o cálculo ficou mais

simples com a “inclusão” de mais um zero na 1ª coluna.
5) Posto de uma matriz
O posto de uma matriz é a ordem da sua maior submatriz quadrada

cujo determinante não seja zero.
Exemplo 5.1) A matriz A = tem determinante |A| = 6 x 5 – 3 x 10 = 0;

mas suas submatrizes (6), (10), (3) e (5), de ordem 1, têm determinantes
distintos de zero. Logo, posto(A) = 1.
Exemplo 5.2) Seja a matriz A = ; vimos que det(A) =
; considerando a submatriz encontramos para seu
determinante o valor 5, que é diferente de zero; logo, posto(A) = 2.
Exemplo 5.3) Seja a matriz A = ; vimos que det(A) =
= 21; logo posto(A) = 3.
Resultado 5.1) Afirmar que o posto de uma matriz quadrada A é igual à sua
ordem equivale a afirmar que |A| ≠ 0.
Nota) Ordem de uma matriz quadrada é o seu número de linhas (colunas).
6) Menor
Se a i-ésima linha e a j-ésima coluna de uma matriz Anxn são suprimidas,

o determinante da submatriz resultante é denominado o menor do elemento aij
(o elemento na interseção da i-ésima linha e da j-ésima coluna) é denotado por
|Mij|.
Exemplo 6.1) Seja a matriz A = ; temos:
Curso DSc
Menor de a11: |M11| =
Exemplo 6.2) Seja a matriz A =
Menor de a11: |M11| = |a22| = a22
Menor de a12: |M12| = |a21| = a21
Menor de a21: |M21| = |a12| = a12
Menor de a22: |M22| = |a11| = a11
7) Cofator e Matriz adjunta
O cofator de um elemento aij de uma matriz Anxn, denotado por cij, é

definido por:
cij = (-1)i+j|Mij|
A matriz de cofatores de Anxn, denotada por cof A, é obtida quando

substituímos cada um dos aij por seus respectivos co-fatores.
A transposta da matriz dos co-fatores é chamada de matriz adjunta (Adj

A):
Adj A = (cof A)T.
Resultado 7.1) (Matriz Inversa) Seja a matriz não-singular Anxn, (isto é, |A| ≠
0). A inversa de A, A-1, é dada por:
Exemplo 7.1) Seja a matriz A =
1º) |A| = 1 x 7 x 3 + 2 x 4 x 2 + 3 x 5 x 1 – 2 x 7 x 3 – 1 x 4 x 1 – 3 x 5 x 2 = -24.
Curso DSc
2º) cof A =
3º) Adj A = (cof A)T =
4º) A-1 =
De fato, temos que A x A-1 = I = A-1 x A.
O determinante de uma matriz pode ser calculado através do uso dos

cofatores.
Resultado 7.1) (Teorema Fundamental de Laplace ou Desenvolvimento de

Laplace do determinante de A) O determinante da matriz A é igual à soma
dos produtos obtidos pela multiplicação dos elementos de qualquer linha
(coluna) por seus respectivos cofatores.
A aplicação do Resultado acima diminui consideravelmente o tempo

utilizado no cálculo do determinante quando utilizando em conjunto com a
propriedade 10 (Subseção 4.4).
Adotaremos o seguinte critério no cálculo:
1º) Escolhemos um elemento aij = 1 ou, na sua falta, aij ≠ 0, da matriz A;
2º) Usando aij como pivô, reduzimos a zero todas as outras posições da
coluna (linha) que contém aij. A a 10 (Propriedades dos determinantes)
garante que o determinante da matriz resultante será igual ao
determinante de A; e
3º) aplicamos o resultado anterior para calcular o determinante.
Exemplo 7.2) Seja a matriz A = Usamos o elemento
a23 = 1 como pivô para “inserir” 0’s nas outras posições da terceira coluna:
Curso DSc
→ multiplicamos a 2ª linha por -2 e o resultado obtido é somado à primeira
linha;
→ multiplicamos a 2ª linha por 3 e o resultado obtido é somado à 3ª linha; e
→ somamos a 2ª à 4ª linha.
Assim, obtemos a matriz . Portanto,
|A| = = (-1)2+3 x = - [1 x
2 x 2 – 2 x 3 x 3 + 5 x 1 x 1 – 3 x 2 x 5 - 1 x 3 x 1 – 2 x 1 x (-2)] = 38
7.1) Propriedades da inversão de matrizes
(1) Se A e B são matrizes inversíveis, também o é a matriz produto AB,

supondo o produto definido, e
(AB)-1 = B-1A-1.
(2) O resultado acima pode ser estendido para um número qualquer de

matrizes; por exemplo:
(ABC)-1 = C-1B-1A-1.
(3) Se A é uma matriz inversível, então (AT)-1 = (A-1)T.
8) Álgebra Vetorial
Algumas quantidades, por exemplo, como peso e temperatura, podem

ser representadas através de números reais, pois a elas queremos associar
apenas uma “magnitude”; assim, são ditas grandezas escalares.
Quantidades como a velocidade são caracterizadas por uma magnitude,

por uma direção e por um sentido. Essas quantidades podem ser
representadas por setas, com comprimento, sentido e direção adequados,
emanando de um ponto de referência O, e são chamados vetores.
Curso DSc
Exemplo 8.1) u = e v = (3,2) são vetores
pertencentes a .
Exemplo 8.2) u = (0,1,3,5) e v = (0,1,0,0) são vetores pertencentes a
De modo mais geral, podemos representar um vetor u pertencente a

através das componentes, ou coordenadas, u1, u2, ..., un:
8.1) Adição de vetores
Dados os vetores u e v, de mesmas dimensões, a resultante u + v é

obtida pela chamada regra do paralelogramo, isto é, u + v é a diagonal do
paralelogramo formado por u e v, conforme a figura abaixo:
Se (a,b) e (c,d) são os pontos extremos dos vetores u e v, então (a + c,

b + d) será a extremidade de u + v.
Exemplo 8.3) sejam os vetores u = (1,2,3) e v = (5,6,7). Então, u + v = (1 + 5, 2

+ 6, 3 + 7) = (6, 8, 10).
8.2) Multiplicação de um vetor por um escalar
O produto ku de um real k por um vetor u se obtém multiplicando as

coordenadas do vetor por k:
k > 0: o sentido do vetor não é alterado

k < 0: o sentido do vetor é alterado
conforme a figura abaixo:
Curso DSc
k = 0: o vetor resultante é o vetor 0 (todas as suas coordenadas são
iguais a zero).
Exemplo 8.4) Sejam o vetor u = (0,1,15,-17, -3) e os escalares (números reais)

k1 = 2, k2 = - 3 e k3 = 0. Temos que k1u = (0, 2, 30, -34, -6), k2u = (0, -3, -45, 51,
9) e k3u = (0, 0, 0, 0, 0).
8.3) Igualdade de vetores
Dois vetores u e v são iguais (escrevendo-se u = v), se têm o mesmo

número de componentes e se as componentes correspondentes são iguais.
Exemplo 8.5) Os vetores (-1,2,3) e (2,3,-1) NÃO são iguais, pois as

componentes correspondentes não são iguais.
Exemplo 8.6) Seja (x – y, x + y, z – 1) = (1,-5,2). Pela definição de igualdade

de vetores,
, o que nos dá x = -2, y = -3 e z = 3.
Às vezes, os vetores escrevem-se verticalmente como colunas, em vez

de horizontalmente como linhas. Tais vetores são chamados vetores coluna.
Exemplo 8.7) e são vetores coluna com 2 e 3 componentes,
respectivamente.
Resultado 8.1) Para quaisquer vetores u, v e w pertencentes a e quaisquer

escalares (números reais) k1 e k2,
(i) (u + v) + w = u + (v + w)
Exemplo 8.8) Sejam u = (1,2,3), v = (4,5,6), w = (7,8,9), k1 = 2 e k2 = - 3. Então
(u + v) + w = (1+4, 2+5, 3+6) + (7,8,9) = (5,7,9) + (7,8,9) = (12,15,18)
u + (v + w) = (1,2,3) + (4 + 7, 5 + 8, 6 + 9) = (1,2,3) + (11,13,15) = (12,15,18)
Curso DSc
(ii) u + 0 = u
Exemplo 8.8) (continuação) u + 0 = (1,2,3) + (0,0,0) = (1,2,3) = u
(iii) u + (-u) = 0
Exemplo 8.8) (continuação) u + (-u) = (1,2,3) + (-1,-2,-3) = (1-1,2-2,3-3) =

(0,0,0) = 0
(iv) u + v = v + u
Exemplo 8.8) (continuação) u + v = (1,2,3) + (4,5,6) = (1+4,2+5,3+6) =

(4+1,5+2,6+3) = v + u
(v) k1(u + v) = k1u + k1v
Exemplo 8.8) (continuação)

k1(u + v) = 2[(1,2,3) + (4,5,6)] = 2(5,7,9) = (10,14,18)
k1u + k1v = 2(1,2,3) + 2(4,5,6) = (2,4,6) + (8,10,12) = (10,14,18)
(vi) (k1 + k2)u = k1u + k2u

(k1 + k2)u = (2 - 3)(1,2,3) = - (1,2,3) = (-1,-2,-3)
k1u + k2u = 2(1,2,3) + (-3)(1,2,3) = (2,4,6) + (-3,-6,-9) = (-1,-2,-3)
(vii) (k1k2)u = k1(k2u)

(k1k2)u = (2)(- 3)(1,2,3) = -6(1,2,3) = (-6,-12,-18)
K1(k2u) = 2[(-3)(1,2,3)] = (2)(-3,-6,-9) = (-6,-12,-18)
(viii) 1u = u

1u = 1(1,2,3) = (1 1,1 2,1 3) = (1,2,3) = u
8.3) Dependência e independência linear
Um vetor v é uma combinação linear de vetores u1, u2, ..., un se

existem escalares k1, k2, ..., kn tais que
v = k1u1 + k2u2 + ... + knun
Curso DSc
Quando tomamos os vetores linha , , ...,
e , podemos escrever a equação vetorial acima da
seguinte maneira:
ou de modo equivalente, podemos escrevê-la
através do sistema de equações:
Assim, dado um vetor qualquer ele será combinação linear dos
vetores u1, u2, ..., un se, e somente se, o sistema
tem solução ( , ,..., ). Note que afirmar que o sistema acima tem solução
equivale a escrever a equação vetorial
w = x1u1 + x2u2 + ... + xnun.
Exemplo 8.9) Sejam e . Então v é
uma combinação linear de u1, u2 e u3 porque a equação vetorial (ou sistema)
Curso DSc
ou
tem solução x = 4, y = 7, z = -1. Em outras palavras
v = -4u1 + 7u2 – u3
Os vetores u1, u2, ..., un são ditos linearmente dependentes se existem

escalares k1, k2, ..., kn, não simultaneamente nulos, tais que
k1u1 + k2u2 + ... + knun = 0,
ou seja, o sistema homogêneo
tem solução não trivial (solução diferente de 0). Caso contrário, classificam-se
como vetores linearmente independentes.
Nota) O vetor 0 é caracterizado por ter todas as componentes iguais a zero e,
pode ser indicado por um vetor coluna, 0 = ou por um vetor linha, 0 =
Nota) Um sistema homogêneo tem sempre a solução zero ou solução trivial.
Exemplo 8.10) Sejam os vetores e . Como a única solução para
a equação vetorial (sistema)
ou
é a solução 0, x = 0, y = 0 e z = 0, então os 3 vetores são linearmente

dependentes.
Exemplo 8.11) Sejam os vetores e . Como
Curso DSc
ou
tem solução não trivial , então os 3 vetores são linearmente
dependentes.
8.4) Produto escalar
Sejam u e v vetores de u = (u1, u2, ..., un) e v = (v1, v2, ..., vn). O
produto escalar, ou produto interno, de u e v, denotado por u.v, é o escalar
(número real) obtido pela multiplicação das componentes correspondetes,
somando-se os produtos resultantes:
u.v = u1 v1 + u2 v2 + ... + un vn
os vetores u e v são ditos ortogonais (ou perpendiculares) se seu produto

escalar é zero, isto é, se u.v = 0.
Exemplo 8.12) Sejam u = (1,-2,3,-4), v = (2,5,9,10) e w = (5,-4,5,7). Então
u.v = 1 2 + (-2) 5 + 3 9 + (-4) 10 = -21

u.w = 1 5 + (-2) (-4) + 3 5 + (-4) 7 = 0
Assim, u e w são ortogonais.
Resultado 8.2) para quaisquer vetores u, v, w em e qualquer escalar k,
(i) (u + v).w = u.w + v.w

(ii) (ku).v = k(u.v)
(iii) u.v = v.u
(iv) u.u ≥ 0; u.u = 0 se, e somente se, u = 0.
Nota) O conjunto de todos os vetores pertencentes a , que chamamos de

espaço , com as operações de adição de vetores, multiplicação por escalar
e produto interno é usualmente chamado espaço Euclidiano de dimensão n.
8.5) Norma de um vetor
Seja u = (u1, u2, ..., un) um vetor em . A norma (ou comprimento) do

vetor u, , se define como a raiz quadrada não negativa de u.u:
Curso DSc
como u.u ≥ 0, a raiz quadrada existe. Ainda, se u ≠ 0, então e
.
Para vetores em a norma nos dá o comprimento do vetor, como

vemos na figura abaixo, pois pelo Teorema de Pitágoras o comprimento de u é
, que é o valor da norma definida acima.
Idêntico raciocínio pode ser aplicado a vetores no como no exemplo

abaixo:
Exemplo 8.13) Seja o vetor linha u = (5,-12,-4). Então
Um vetor é unitário se ou, de modo equivalente, u.u = 1.
Se v é um vetor qualquer e não nulo, então
é um vetor unitário de mesma direção de v, como representado na figura

abaixo:
O processo de determinar é chamado normalização de v.
Nota) As definições de produto interno e norma também são aplicáveis a

vetores coluna.
Curso DSc
8.6) Distância, Ângulos e Projeções
Sejam u = (u1, u2, ..., un) e v = (v1, v2, ..., vn) vetores em A distância
entre u e v, denotada por d(u,v), é definida como
Nota) A definição acima corresponde à noção usual de distância Euclidiana no

plano : dados os pontos P = (a,b) e Q = (c,d), a distância entre P e Q é dada
por , que é a distância entre os vetores u = (a,b) e v = (c,d).
Idêntico raciocínio para pontos em
O ângulo θ entre dois vetores quaisquer, não-nulos, u e v de é

definido por
Nota) Se u.v = 0, então θ = π/2 (= 90o), o que está de acordo com nossa
definição prévia de ortogonalidade.
Exemplo 8.14) Sejam os vetores u = (1,-2,3) e v = (3,-5,-7). Então
d(u,v) =
Como
u.v = 1 (3) + (-2) (-5) + 3 (-7) = -8
Então
Seja u e v ≠ 0 vetores em O vetor-projeção de u sobre v é o vetor
Curso DSc
Exemplo 8.15) Sejam os vetores u = (1,-2,3) e v = (2,5,4). Como
u.v = 1 (2) + (-2) 5 + 3 4 = 4
Então
8.7) Hiperplanos e Retas em
Um hiperplano em é o conjunto de pontos (x1, x2, ..., xn) que

verificam uma equação linear não degenerada
Nota) Uma equação é degenerada se tem a forma
Quando a constante b ≠ 0, a equação não tem solução; se b = 0, qualquer

vetor u = (k1, k2, ..., kn) é solução, pois sempre ocorrerá 0k1 + 0k2 + ...+ 0kn = 0.
Nota) Um hiperplano em é uma reta; e um hiperplano em é um plano.
O vetor u = é uma normal a H, pois qualquer vetor

pertencente a H é ortogonal a u.
Um ponto e um vetor determinam um hiperplano, como vemos nos

exemplos abaixo.
Curso DSc
Exemplo 8.16) Considere o hiperplano H em que passa pelo ponto P(1,3,-
4,2) e é normal ao vetor u = (4,-2,5,6). Sua equação tem a forma
4x – 2y + 5z + 6t = k
Como o ponto P pertence ao plano, ele satisfaz a equação acima, ou seja, é

uma solução da equação acima; logo,
Assim, a equação do hiperplano H é 4x – 2y + 5z + 6t = -10.
Exemplo 8.17) A equação do hiperplano H de que passa por P(3,-2,1,-4) e

é normal a u = (2,5,-6,-2) tem a forma
2x + 5y – 6z – 2t = k,
e é satisfeita pelo ponto P, ou seja,
Assim, a equação do hiperplano H é 2x + 5y – 6z – 2t = -2
Dois hiperplanos em são ditos paralelos se, e somente se, suas

normais são paralelas (direções e sentidos iguais) ou antiparalelas (direções
iguais e sentidos contrários). Vetores paralelos, ou antiparalelos, são
múltiplos escalares. Os vetores (1,2) e (4,8) são paralelos, pois (4,8) = 4(1,2);
os vetores (-1,5) e (3,-15), antiparalelos, pois (3,-15) = -3(-1,5).
Os hiperplanos H e H´
são paralelos.
Curso DSc
Exemplo 8.18) Para determinar a equação do plano H em que contém P(1,-
5,2) e é paralelo ao plano H´ definido por 3x – 7y + 4z = 5, basta notar a norma
de H será paralela ou antiparalela a normal de H´, (3,-7,4). Assim, a equação
terá a forma 3x – 7y + 4z = k; como o ponto P pertence a H, então satisfaz a
equação anterior, ou seja, . Assim, a equação
procurada é 3x – 7y + 4z = 46.
A reta L em que passa pelo ponto P(p1, p2, ..., pn) e tem a direção do
vetor não-nulo u = (u1, u2, ..., un) é formada pelos pontos (x1, x2, ..., xn) tais que:
onde o parâmetro t toma todos os valores reais.
Exemplo 8.19) A reta L em que passa pelo ponto P(1,2,3,-4) na direção de

u = (5,6,-7,8) tem a seguinte representação paramétrica:
ou (1 + 5t, 2 + 6t, 3 - 7t, -4 + 8t)
Vale notar que t = 0 dá o ponto P. A representação acima recebe o nome de

paramétrica porque é dada em função do parâmetro t.
Exemplo 8.20) A reta L em que passa pelo ponto P(4,-2,3,1) na direção de

u = (2,5,-7,11) tem a seguinte representação paramétrica:
ou (4 + 2t, -2 + 5t, 3 - 7t, 1 + 11t)
Para t = 0, temos o ponto P. Para t = 1, temos o ponto Q(6,3,-4,12); para t = 2,

R(8,8,-11,23); e para t = S . Os
pontos P, Q, R e S são ditos colineares, pois pertencem a mesma reta.
Do sistema de equações acima, temos que:
Curso DSc
logo, a equação não-paramétrica da reta é dada por:
Exemplo 8.21) (Dois pontos não coincidentes determinam uma reta) Para
determinar a equação paramétrica da reta em que passa por P(5,4,-3) e
Q(1,-3,2) basta utilizar os pontos P e Q para obter o vetor que determinará a
direção da reta:
assim, tomando
(i) o ponto P, temos:
e quando t = 1, obtemos o ponto Q; e
(ii) o ponto Q, temos:
e quando t = -1, obtemos o ponto P.
Na verdade, poderíamos determinar a equação da reta através do vetor

e de qualquer dos pontos, P ou Q:
(i) ponto P
Curso DSc
(ii) ponto Q
Assim, podemos utilizar qualquer das representações paramétricas acima para

obter a reta que passa pelos pontos P e Q.
Exemplo 8.22) A equação paramétrica da reta de perpendicular ao plano 2x

– 3y + 7z = 4, que o intercepta no ponto P(6,5,1) é obtida tomando o vetor
normal ao plano, u = (6,5,1), determina a direção da reta. Assim
Do sistema acima obtemos:
logo, a equação não-paramétrica da reta é dada por:
8.8) Os vetores i, j e k
Os vetores em chamados vetores no espaço, aparecem em muitas

aplicações, especialmente na física. Usa-se com frequência uma notação
especial para tais vetores:
i = (1,0,0) é o vetor unitário na direção do eixo x,

j = (0,1,0) é o vetor unitário na direção do eixo y, e
k = (0,0,1) é o vetor unitário na direção do eixo z.
Então, qualquer vetor u = (a,b,c) em pode expressar de maneira única como
Curso DSc
u = (a,b,c) = ai + bj + ck
Os vetores i, j e k são unitários e mutuamente ortogonais:
Exemplo 8.23) Sejam os vetores u = 3i + 5j – 2k e v = 4i - 3j + 7k.
a) Para achar u + v somamos as componentes correspondentes:

u + v = (3 + 4)i + (5 - (-3))j + (-2 + 7)k
b) Para achar 3u – 2v, multiplicamos primeiro os vetores pelos escalares e,

então, somamos:
3u – 2v = (9i + 15j – 6k) + (-8i + 6j – 14k) = i + 21j – 20k
c) Para achar u.v multiplicamos as componentes correspondentes e somamos:

u.v = 3 4 + 5 (-3) + (-2) 7 = -17
d) Para achar tiramos a raiz quadrada do somatório das componentes

elevadas ao quadrado:
8.9) Produto Vetorial
Sejam os vetores u = a1i + a2j + a3k e v = b1i + b2j + b3k em . A operação

produto vetorial entre u e v, denotada por u v, é definida por
Vale destacar que u v é um vetor.
Com a notação de determinante, o produto vetorial pode ser expresso

como
Os vetores e são antiparalelos, como representado na figura

abaixo:
Curso DSc
Resultado 8.3) Sejam os vetores u e v em .
(i) O vetor w = u v é ortogonal a u e a v:
(ii) O valor absoluto (módulo) do produto triplo (ou produto misto)

representa o volume do paralelepípedo formado pelos vetores u, v, w,
conforme se vê na figura abaixo:
Exemplo 8.24) Sejam os vetores u = 4i + 3j + 6k e v = 2i + 5j - 3k. Então
Exemplo 8.25)
Vale notar que
Exemplo 8.26) Para obter um vetor ortogonal aos vetores v = (1,3,4) e w = (2,-
6,-5) basta tomar o vetor :
Curso DSc
De fato,
Exemplo 8.27) (Três pontos não colineares determinam um plano) A

equação do plano que passa pelos pontos (6,0,0), (0,-6,0) e (0,0,3) é obtida da
seguinte forma:
(i) determinamos, a partir dos pontos dados, 2 vetores do plano:

u = (6 - 0,0 - (-6),0 - 0) = (6,6,0)
v = (6 - 0,0 - 0,0 - 3) = (6,0,-3)
(ii) determinamos o vetor normal ao plano através do produto vetorial dos

vetores acima:
(iii) procedemos como no item 8.7:

A equação linear é dada por e o plano passa pelo ponto
P(6,0,0); logo
Finalmente, a equação é dada por:
Como todos os valores são múltiplos de 18, a equação também pode ser dada
por
8.10) Espaço Vetorial (ou Espaço Linear) sobre
Nota) Vamos usar a notação para indicar que um elemento pertence a um

dado conjunto: u V e k .
Vamos considerar um conjunto não-vazio V que possui regras de:
Curso DSc
(i) Adição
Dados u, v V, então u + v V.
(ii) Multiplicação por escalar
Dados u e k, elementos de V e , respectivamente, ku V.
Então V é chamado de Espaço Vetorial (ou Espaço Linear) sobre quando
(i) Para quaisquer vetores u, v e w V, (u + v) + w = u + (v + w)
(ii) Existe um vetor em V, chamado 0 ou vetor zero, tal que
u + 0 = u,
para qualquer vetor u V.
(iii) Para cada vetor u V existe um vetor em V, denominado – u, tal que u + (-

u) = 0.
(iv) Para quaisquer vetores u, v V, u + v = v + u.
(v) Para qualquer elemento k e quaisquer vetores u, v V, k(u + v) = ku +

kv
(vi) Para quaisquer escalares k1, k2 e qualquer vetor u V, (k1 + k2)u = k1u
+ k2u.
(vii) Para quaisquer escalares k1, k2 e qualquer vetor u V, (k1 k2)u =

k1(k2u).
(viii) Para o escalar unitário 1 , 1u = u para qualquer vetor u V.
Os elementos de V são chamados vetores e, a partir das propriedades

acima, é definida a operação de subtração:
u - v = u + (-v)
Exemplo 8.28) (Espaço vetorial sobre ) Se u então u = (u1, u2,...,

un), onde u1, u2, ..., un . Assim, tomando u = (u1, u2,..., un), v = (v1, v2,..., vn)
ek definimos a adição de vetores e a multiplicação por escalar como
Curso DSc
e
O vetor zero em é dado por
0 = (0,0, ...,0)
e o negativo de um vetor é
Exemplo 8.29) O conjunto de todas as matrizes m x n sobre .
Seja W um subconjunto de um espaço vetorial V sobre . W é um

subespaço de V se W é ele próprio um espaço vetorial sobre em relação à
adição de vetores e à multiplicação por escalar em V.
Exemplo 8.30) Seja o espaço vetorial sobre ; vamos considerar o

subconjunto W, formado pelos vetores que possui a 3ª coordenada igual a zero
[u W se, e somente se, u = (u1, u2, 0)]. A soma e a multiplicação por escalar
são realizadas como o Exemplo 8.28:
, e 0 =
(0,0,0).
Resultado 8.4) seja W um subconjunto de um espaço vetorial V. Então W é um

subespaço de V se, e somente se:
(i) W
(ii) k1u + k2v para todo u, v W e k1, k2
Exemplo 8.30) (continuação) Para afirmar que W é um subespaço, basta

notar que
(0,0,0) W e .
Resultado 8.5) O conjunto solução W de um sistema homogêneo AX = 0 em n

incógnitas é um subespaço de .
Curso DSc
De fato, se os vetores x e y são soluções deste sistema homogêneo,
então
e . Das propriedades da soma de
matrizes e da multiplicação de uma matriz por um escalar, temos que:
(i) ou seja, 0 W
(ii)
, ou seja é solução
deste sistema homogêneo.
Destacamos que o conjunto solução de um sistema não-homogêneo

, , não é um subespaço de porque 0 não é
solução do sistema [ = ≠ ].
Sejam V um espaço vetorial sobre e u1, u2, ..., un V. Qualquer vetor

em V da forma
k1u1 + k2u2 + ... + knun
onde k1, k2, …, kn , é chamado uma combinação linear de u1, u2, ..., un. O
conjunto de todas essas combinações lineares, denotado por < u1, u2, ..., un >
é chamado de espaço gerado por u1, u2, ..., un.
De modo mais geral, para qualquer subconjunto S de V, < S > consiste

de todas as combinações lineares de vetores em S.
Curso DSc
Resultado 8.6) Se S é um subconjunto de um espaço amostral V então < S > é
um subespaço de V.
Por outro lado, dado um espaço vetorial V, diz-se que os vetores u1, u2,
..., ur geram V, ou formam um conjunto gerador de V, se
v = k1u1 + k2u2 + ... + krur,
isto é, v é uma combinação linear dos vetores u1, u2, ..., ur.
Exemplo 8.31) Os vetores e1 = (1,0,0), e2 = (0,1,0) e e3 = (0,0,1) geram o

espaço vetorial . De fato, para qualquer vetor (a,b,c), temos:
(a,b,c) = ae1 + be2 + ce3
Os vetores u1, u2, ..., um V dizem-se linearmente dependentes, ou

simplesmente, dependentes, se existem números reais k1, k2, ..., kn não
simultaneamente iguais a zero tais que
k1u1 + k2u2 + ... + krur = 0.
Caso contrário, os vetores se dizem linearmente independentes.
Exemplo 8.32) No espaço vetorial , o espaço gerado por qualquer vetor

não-zero u consiste de todos os múltiplos escalares de u;
geometricamente, <u> é a reta que passa na origem e pela extremidade de u,
Para dois vetores quaisquer u, v que não sejam múltiplos um do outro, <
u,v > é o plano pela origem e que contem os pontos extremos de u e de v,
Curso DSc
Exemplo 8.33) Para mostrar que os vetores u = (6,2,3,4), v = (0,5,-3,1) e w =
(0,0,7,-2) são linearmente independentes, suponhamos xu + yv + zw = 0, onde
x, y e z são escalares desconhecidos. Então
(0,0,0) = x(6,2,3,4) + y(0,5,-3,1) + z(0,0,7,-2) = (6x, 2x + 5y, 3x – 3y + 7z, 4x + y

- 2z)
Diante das igualdades das componentes,
temos que x = 0 da 1ª equação; o valor de x substituído na 2ª equação, nos dá

y = 0; finalmente, os valores de x e de y substituídos na 3ª ou na 4ª equações,
nos dá z = 0. Assim,
xu + yv + zw = 0 somente ocorre quando x = y = z = 0. Logo, os vetores

formam um conjunto linearmente independente.
8.11) Base e Dimensão
Um conjunto S = {u1, u2, ..., un} de vetores é uma base de espaço

vetorial V se valem as duas condições seguintes:
(1) u1, u2, ..., un são linearmente independentes; e

(2) u1, u2, ..., un geram V.
De modo equivalente, um conjunto B = {u1, u2, ..., un} de vetores é uma base
de V se todo vetor v V pode escrever-se de maneira única como combinação
linear dos vetores da base.
Curso DSc
Diz-se que um espaço vetorial V tem dimensão finita n, ou que é n-
dimensional, e se escreve
Dim V = n
se V tem uma base com n elementos.
Resultado 8.7) Seja V um espaço vetorial de dimensão finita. Então toda base
de V tem o mesmo número de elementos.
Por definição, o espaço amostral {0} tem dimensão igual a 0. Quando

o espaço vetorial não tem dimensão finita, diz que tem dimensão infinita.
Exemplo 8.34) O espaço vetorial M2,3 de todas as matrizes 2 x 3 sobre tem

para uma de suas bases o conjunto formado pelas matrizes
Exemplo 8.35) Consideremos o espaço . Os vetores u1 = (1,-1,0), u2 =

(1,1,0) e u3 = (0,1,1) formam uma base S de Seja v = (5,3,4). Vamos
escrever v como combinação linear dos vetores u1, u2 e u3: v = xu1 + yu2 + zu3.
Assim,
ao igualar as componentes correspondentes, obtemos o sistema
A solução do sistema é x = 3, y = 2 e z = 4. Assim,
v = 3u1 + 2u2 + 4u3
A relação básica entre a dimensão de um espaço vetorial e a dimensão

de um subespaço é dada no resultado abaixo:
Resultado 8.8) Seja W um subespaço de um espaço vetorial V n-dimensional.

Então dim W n. Em particular, se dim W = n então W = V.
Exemplo 8.36) Seja W um subespaço do espaço real . Ora, dim = 3;

logo, pelo Resultado 8.8, a dimensão de W só pode ser 0, 1, 2, 3. Valem os
seguintes casos:
(i) dim W = 0; então W = {0}, um ponto (a origem (0,0,0));
Curso DSc
(ii) dim W = 1; então W é uma reta pela origem;
(iii) dim W = 2; então W é um plano que passa pela origem;
(iv) dim W = 3; então W é todo espaço
Exemplo 8.37) Ache uma base e a dimensão do subespaço W de onde:
(a) W = {(a,b,c); a + b + c = 0}
Como (0,1,1) W e, portanto, W ≠ V; logo, dim W < 3. Como os
vetores u1 = (1,0,-1) e u2 = (0,1,-1) são dois vetores de W e que formam um

conjunto linearmente independente, pois
x(1,0,-1) + y(0,1,-1) = (0,0,0) somente quando x = 0 = y.
(b) W = {(a,b,c); a = b = c}
O vetor u = (1,1,1) W. Qualquer vetor w W tem a forma W = (k,k,k). Logo,

w = ku, onde k é um número real.
(c) W = {(a,b,c); c = 3a}
O vetor (2,2,2) W; assim, dim W < 3; os vetores u1 = (0,1,0) e u2 = (1,5,3)

formam um conjunto linearmente independente e pertencem a W. Assim, dim
W = 2 e os vetores u1 e u2 formam uma base para W.
8.11) Autovalores e autovetores
Seja A uma matriz quadrada de ordem n. Diz-se que um escalar real é

um autovalor de A se existe um vetor (coluna) não-nulo para o qual
Av = v
Todo vetor que satisfaz essa relação é chamado um autovetor de A

pertencente ao autovalor . Vale notar que cada múltiplo escalar de v, kv, é um
desses autovetores, pois
Quando incluímos o vetor 0 no conjunto de todos os autovetores pertencentes

a temos um subespaço de .
Exemplo 8.38) Sejam e v1 = (2,3)t e v2 = (1,-1)t. Então
Curso DSc
e
Assim, v1 e v2 são autovetores de A pertencentes, respectivamente, aos

autovalores 1 = 4 e 2 = -1 de A.
Consideremos uma matriz quadrada de ordem n:
A matriz tIn – A, onde In é a matriz identidade de ordem n e t, uma incógnita, é

chamada matriz característica de A:
O determinante da matriz característica,
det (tIn – A),
é chamado de polinômio característico de A. A equação característica de A

é dada por
det (tIn – A) = 0.
Exemplo 8.39) A matriz característica de é dada por
tI2 – A = ;
o polinômio característico de A é o determinante da matriz característica, ou

seja,
Exemplo 8.40) O polinômio característico da matriz
Curso DSc
Resultado 8.9) Todo autovalor de A é raiz da equação característica.
Exemplo 8.41) Seja Os autovalores de A são as raízes da

equação característica:
cujas raízes são e , que são os autovalores de A. Para o cálculo

dos autovetores fazemos:
(i)
Seja ; então ou seja,
ou x +
2y = 0. Assim, v1 = (2,-1) é o autovetor que gera o autoespaço de
(ii)
ou x - y
= 0. Assim, v2 = (1,-1) é o autovetor que gera o autoespaço de
Exemplo 8.42) Seja os autovalores de A são as raízes da

equação característica
Logo, e , que são os autovalores de A. Para o cálculo dos

autovetores fazemos:
(i)
Curso DSc
ou x + 2y = 0.
Assim, v1 = (2,-1) é o autovetor que gera o autoespaço de
(ii)
ou - x +
y = 0. Assim, v2 = (1,1) é o autovetor que gera o autoespaço de
8.12) Matrizes Diagonalizáveis
Nota) (Semelhança de matrizes) Uma matriz B é semelhante a uma matriz A

se existe uma matriz não-singular P tal que
Seja A é diagonalizável (sob semelhança) se existe uma matriz não-

singular P tal que
é uma matriz diagonal, isto é, se A é semelhante a uma matriz diagonal D.
Resultado 8.10) Uma matriz quadrada A de ordem n é semelhante a uma

matriz diagonal D se e somente se A tem n autovetores linearmente
independentes. Em tal caso, os elementos diagonais de D são os autovalores
correspondentes e D = P-1AP, onde P é a matriz cujas colunas são os
autovalores.
Suponhamos que uma matriz A possa se diagonalizada como acima,

onde D é diagonal. Então A admite a fatoração diagonal:
Utilizando-se esta fatoração, a álgebra de A reduz-se à álgebra da

matriz diagonal D, que pode ser facilmente calculada. Especificamente, seja D
= diag (k1, k2, ..., kn). Então
Curso DSc
e, mais geralmente, para qualquer polinômio f(t),
Além disso, se os elementos diagonais de D são não-negativos, então a matriz

seguinte N é uma “raiz quadrada” de A:
isto é,
Exemplo 8.43) Consideremos a matriz Do Exemplo 8.38, A tem
dois autovetores linearmente independentes e . Façamos
e assim . Então A é semelhante à matriz diagonal
Como esperado, os elementos diagonais 4 e -1 da matriz diagonal D são os

autovalores correspondentes aos autovetores dados. Em particular, A admite a
fatoração
Consequentemente,
Além disso, se então
Curso DSc
onde
Resultado 8.11) Sejam v1, v2, ..., vn autovetores não-nulos de uma matriz A,
cujos autovalores são dados, respectivamente, por Então v1, ..., vn
são linearmente independentes.
Resultado 8.12) Suponhamos que o polinômio característico de uma

matriz quadrada A, de ordem n, seja o produto de n fatores distintos, digamos
. Então A é semelhante a uma matriz
diagonal cujos elementos diagonais são os ai.
Exemplo 8.44) Seja a matriz O polinômio característico de A é o

determinante
; as raízes da equação
característica
nos dão os autovalores de A: e
Para o cálculo do autovetor v1 de A pertencente ao autovalor

fazemos:
ou –
O sistema tem apenas uma solução independente; por exemplo, x = 2, y = 1.

Assim, v1 = (2,1)t é um autovetor que gera o autoespaço de
Para o cálculo do autovetor v2 de A pertencente ao autovalor fazemos:
ou
O sistema tem apenas uma solução independente; por exemplo, x = -1, y = 3.

Assim, v2 = (-1,3)t é um autovetor que gera o autoespaço de
Curso DSc
Seja P a matriz cujas colunas são os autovetores acima:
Então e é a matriz diagonal cujos elementos
diagonais são os respectivos autovalores:
Consequentemente, A admite a “fatoração diagonal”
Se então podemos calcular
Exemplo 8.45) Seja a matriz O polinômio característico de B é o

determinante
; consequentemente, é o
único autovetor de B; para determinar o(s) autovalor(es) associado(s), basta
fazer:
ou
O sistema só tem uma solução independente, por exemplo, x = 1 e y = - 2.

Assim, v = (1,- 2)t é o único autovetor independente da matriz B.
Curso DSc
Consequentemente, B não é diagonalizável porque não existe uma base
consistindo de autovetores de B.
Existem muitas matrizes reais que não são diagonalizáveis. Na verdade,

algumas dessas matrizes podem não ter quaisquer autovalores (reais).
Todavia, se A é uma matriz real simétrica, então esses problemas não existem:
Resultado 8.13) (Teorema Espectral para Matrizes Reais e Simétricas) Seja

A uma matriz simétrica real. Então existe uma matriz ortogonal P tal que
é diagonal. Temos também que os autovalores de A são reais e
seus respectivos autovetores formam uma base ortogonal.
Podemos escolher as colunas da matriz P acima como autovetores

ortogonais normalizados de A, ou seja, ortogonais e com norma igual a 1; os
elementos diagonais de D são os autovalores correspondentes.
Exemplo 8.46) Seja a matriz O polinômio característico de A é

o determinante
; as raízes da equação
característica
nos dão os autovalores de A: e
Para o cálculo do autovetor v1 de A pertencente ao autovalor

fazemos:
ou
O sistema tem apenas uma solução independente; por exemplo, x = 1, y = -2.

Assim, v1 = (1,-2)t é um autovetor que gera o autoespaço de
Para o cálculo do autovetor v2 de A pertencente ao autovalor fazemos:
ou
O sistema tem apenas uma solução independente; por exemplo, x = 2, y = 1.

Assim, v1 = (2,1)t é um autovetor que gera o autoespaço de
Curso DSc
Como era de esperar-se pelo Resultado 8.13, v1 e v2 são ortogonais. A
normalização desses vetores nos dão:
Finalmente, seja P a matriz cujas colunas são u1 e u2, respectivamente. Então
Como esperado, os elementos diagonais de são os autovalores

correspondentes às colunas de P.
9) Aplicações Lineares
Sejam A e B conjuntos arbitrários não vazios. Suponhamos que a cada

elemento de A esteja associado um único elemento de B; a coleção de todas
essas associações é chamada de uma função (ou aplicação) de A em B. O
conjunto A é o domínio da aplicação e o conjunto B é o contradomínio.
Denota-se uma aplicação f de A em B por
representamos por o elemento de B que associa a ; é o valor

de em , ou a imagem de por .
Seja uma aplicação . Se A’ é um subconjunto qualquer de A,

então denota o conjunto das imagens dos elementos de A’; e se B’ é um
subconjunto arbitrário de B, denotada o conjunto dos elementos de A
cujas imagens estão em B’:
Chamamos de imagem de , e imagem inversa ou pré-

imagem de . Em particular, o conjunto de todas as imagens, isto é, ,é
chamada de imagem de .
Exemplo 9.1) Consideremos a matriz dada por . Se

escrevemos os vetores em e como vetores coluna, então A determina a
Curso DSc
aplicação F: definida por , isto é, F(v) = Av, com Assim,
se , então .
Nota) Cada matriz determina a aplicação onde os vetores

são escritos como vetores coluna. Por conveniência, denotaremos por A a
aplicação acima e também a matriz.
Diz-se que uma aplicação é injetiva (injetora ou um a um) se

diferentes elementos de A têm imagens distintas, isto é,
se implica
ou equivalentemente,
se implica
Diz-se que uma aplicação é sobrejetiva (sobrejetora), se todo

é a imagem de ao menos um .
Uma aplicação que é ao mesmo tempo injetiva e sobrejetiva é

chamada de bijetiva (bijetora).
9.1) Aplicações Lineares
Sejam V e U espaços vetoriais sobre . Uma aplicação F: V → U é

chamada de aplicação linear (transformação linear) se verifica as duas
condições seguintes:
(1) Para quaisquer v, w V, F(v + w) = F(v) + F(w); e

(2) Para qualquer k e qualquer v , F(kv) = kF(v).
Fazendo k = 0 em (2) obtemos F(0) = 0. Isto é, toda aplicação linear leva o

vetor zero no vetor zero.
As duas condições acima podem ser condensadas na forma abaixo, que

pode ser usada definição para aplicações lineares:
Para quaisquer escalares k1, k2 e quaisquer vetores v, w V, obtemos:
Curso DSc
F(k1v + k2w) = F(k1v) + F(k2w) = k1F(v) + k2F(w)
De forma mais geral, para quaisquer escalares ki e quaisquer vetores vi

obtemos a propriedade básica de aplicações lineares:
F(k1v1 + k2v2+…+ knvn) = F(k1v1) + F(k2v2) + … + F(knvn)
= k1F(v1) + k2F(v2) + … + knF(vn)
Exemplo 9.2) Uma matriz determina a aplicação linear onde

os vetores são escritos como vetores coluna.
9.2) Núcleo e Imagem de uma Aplicação Linear
Seja uma aplicação linear F: V → U. A imagem de F, denotada por Im

(F), é o conjunto de pontos imagem em U:
Im (F) = {u U; F(v) = u para algum v V}.
O núcleo de F, denotado por Ker (F), é o conjunto de elementos em V que são

levados em 0 U:
Ker (F) = {v V; F(v) = 0}.
Exemplo 9.3) Seja F: tal que F(x,y,z) = F(x,y,0), chamado de

aplicação projeção no plano xy. A imagem é dada por Im(F) = {(k1,k2,0); k1, k2
}, que nos dá o plano xy, e o núcleo é o eixo z, isto é, Ker (F) = {(0,0, k3); k3
} uma vez que somente estes pontos são levados ao 0 = (0,0,0).
Resultado 9.1) Seja F: V → U uma aplicação linear. A imagem de F é um

subespaço de U e o núcleo de F é um subespaço de V.
Resultado 9.2) Seja F: V → U uma aplicação linear. Suponhamos que v1, v2,
..., vn gerem o espaço vetorial V. Então F(v1), F(v2), ..., F(vn) geram Im (F).
Exemplo 9.4) Seja a matriz , que encaramos como uma
aplicação linear A: A base usual {e1, e2, e3} gera e assim suas
imagens Ae1, Ae2, Ae3 sob A geram a imagem de A, Im (A):
Curso DSc
; ;e
Note que esses vetores são as colunas da matriz A, ou seja, a imagem de
é o espaço coluna de
O resultado acima é sempre válido: se A é uma matriz qualquer

encarada como uma aplicação linear , então Ae1, Ae2, ..., Aen
são as colunas de A, que geram Im (A).
Por outro lado, o núcleo de A consiste de todos os vetores v para os

quais Av = 0. Isso significa que o núcleo de A é o espaço solução do sistema
homogêneo AX = 0:
9.3) Posto e Nulidade de uma Aplicação Linear
O resultado abaixo relaciona a noção de dimensão com a de aplicação

linear F: V → U, quando V tem dimensão finita.
Resultado 9.3) Seja V de dimensão finita e F: V → U uma aplicação linear.

Então
dim V = dim Kern (F) + dim Im(F)
Isto é a soma das dimensões da imagem (posto) e do núcleo (nulidade) de

uma aplicação linear é igual à dimensão de seu domínio.
Curso DSc
Exemplo 9.3) (continuação) A imagem (plano xy) e o núcleo (eixo z) têm
dimensões 2 e 1, respectivamente, enquanto o domínio de F tem dimensão
3.
Exemplo 9.4) Seja a aplicação linear definida por
F(x,y,s,t) = (x – y + s + t, x + 2s - t, x + y + 3s - 3t)
A imagem dos vetores da base usual (canônica) de é dada por:
F(1,0,0,0) = (1,1,1); F(0,1,0,0) = (-1,0,1); F(0,0,1,0) = (1,2,3); F(0,0,0,1) = (1,-1,-

3)
Pelo Resultado 9.2, os vetores imagem acima geram Im (F); para obter uma
base para Im (F), basta formar a matriz cujas linhas são esses vetores imagem
e reduzi-la por linhas à forma escalonada:
3ª Linha - 2ª Linha → 3ª Linha

2ª Linha + 1ª Linha → 2ª Linha
4ª Linha + 2 2ª Linha → 4ª Linha
3ª Linha – 1ª Linha → 3ª Linha
4ª Linha – 1ª Linha → 4ª Linha
Assim, (1,1,1) e (0,1,2) formam uma base de Im (F); logo, dim (F) = 2. Vale
ressaltar que o espaço imagem gerado pelos vetores (1,1,1), (-1,0,1), (1,2,3),
(1,-1,-3) é igual ao espaço gerado somente pelos vetores (1,1,1) e (0,1,2), pois:
(-1,0,1) = - (1,1,1) + (0,1,2)

(1,2,3) = (1,1,1) + (0,1,2)
(1,-1,-3) = (1,1,1) - 2 (0,1,2)
Curso DSc
Para determinar a base e a dimensão do núcleo de F, tomamos F(v) = 0, onde
v = (x,y,z,t); assim F(x,y,s,t) = (x-y+s+t, x+2s-t, x+y+3s-3t) = (0,0,0), e
montamos o sistema homogêneo
2ª Equação - 1ª Equação → 2ª Equação 3ª Equação - 2 1ª Equação → 3ª Equação

3ª Equação - 1ª Equação → 3ª Equação
As variáveis livres são s e t; logo, dim (Ker F) = 2. Faça:
(i) s = -1, t = 0, obtemos
; obtemos a solução (2,

1, -1, 0)
(ii) s = 0 e t = 1, obtemos
; obtemos a solução (1,

2, 0, 1)
Assim, (2,1,-1,0) e (1,2,0,1) formam uma base para Ker F
Nota) Vale notar que dim Im(F) + dim Ker F = 4, que é a dimensão de
(domínio).
Nota) Quaisquer dois pares de valores para s e t, desde de que não sejam
ambos iguais a zero, levam a vetores que geram Ker F; por exemplo
(i) s = 1, t = 0, obtemos
; obtemos a solução (-2, -

1, 1, 0)
(ii) s = 0 e t = -1, obtemos
; obtemos a solução (-
1, -2, 0, -1)
Curso DSc
Mas os vetores (-2,-1,1,0) e (-1,-2,0,-1) geram os vetores integrantes da base
de Ker F:
(2, 1, -1, 0) = -1 (-2,-1,1,0) + 0 (-1,-2,0,-1) e
(1,2,0,1) = 0 (-2,-1,1,0) + (-1) (-1,-2,0,-1).
F(x,y,z,s,t) = (x + 2y + z - 3s + 4t, 2x + 5y + 4z - 5s + 5t, x + 4y + 5z – s – 2t)
Dados os vetores da base usual (canônica) , sabemos que suas imagens

por F geram Im F (Resultado 9.2):
F(1,0,0,0,0) = (1,2,1), F(0,1,0,0,0) = (2,5,4), F(0,0,1,0,0) = (1,4,5), F(0,0,0,1,0) =

(-3,-5,-1) e F(0,0,0,0,1) = (4,5,-2).
Para obter uma base para Im (F), basta formar a matriz, cujas linhas são
esses vetores imagem, e reduzi-la por linhas à forma escalonada:
2ª Linha - 2 1ª Linha → 2ª Linha 3ª Linha – 2 2ª Linha → 3ª Linha

3ª Linha – 1ª Linha → 3ª Linha 4ª Linha - 2ª Linha → 4ª Linha
4ª Linha + 3 1ª Linha → 4ª Linha 5ª Linha - 3 2ª Linha → 5ª Linha
5ª Linha - 4 1ª Linha → 5ª Linha
Assim, {(1,2,1), (0,1,2)} formam uma base de Im (F); logo dim Im (F) = 2.
G(x,y,z) = (x + 2y – z, y + z, x + y – 2z)
Para determinar uma base e o núcleo de G, fazemos:
G(v) = 0, onde v = (x,y,z), ou seja, G(x,y,z) = (x + 2y - z, y + z, x + y – 2z) =

(0,0,0) e igualamos as componentes correspondentes, formando o sistema
homogêneo cujo espaço solução é o núcleo W de G:
x + 2y – z = 0 x + 2y – z = 0 x + 2y – z = 0
y + z = 0 ou y + z = 0 ou y+z=0
x + y - 2z = 0 -y- z=0
Curso DSc
3ª Equação – 1ª Equação → 3ª Equação
3ª Equação + 2ª Equação → 3ª Equação
A única variável independente é z; logo, dim W = 1. Seja z = 1; então y = -1 e x

= 3. Assim, (3,-1,1) forma uma base para Ker G e, portanto, dim Ker G = 1.
9.4) Aplicações a Sistemas de Equações Lineares
Consideremos um sistema de m equações lineares com n incógnitas:
a11x1 + a12x2 + ... + a1nxn = b1

a21x1 + a22x2 + ... + a2nxn = b2
........................
am1x1 + am2x2 + ... + amnxn = bm
que equivale à equação matricial
Ax = b
onde A = (aij) é a matriz de coeficientes e x = (xi) e b = bi são os vetores

colunas das incógnitas e das constantes, respectivamente. A matriz A pode ser
encarada como a aplicação linear
Assim, a solução da equação Ax = b pode ser vista como a pré-imagem de b

sobre a aplicação linear . Além disso, a solução da equação
homogênea associada Ax = 0 pode ser vista como o núcleo da aplicação linear
dada por
a11x1 + a12x2 + ... + a1nxn = 0

a21x1 + a22x2 + ... + a2nxn = 0
.......................
am1x1 + am2x2 + ... + amnxn = 0
Resultado 9.4) A dimensão do espaço solução W do sistema homogêneo de

equações lineares AX = 0 é n – r, onde n é o número de incógnitas e r é o
posto da matriz de coeficientes A.
Uma aplicação linear é singular se a imagem de algum

vetor não-zero pela aplicação A é 0, isto é, existe v para o qual v ≠ 0 mas
Av = 0. Quando o núcleo de A é composto somente pelo vetor 0, Ker F = {0},
então A é dita não-singular.
Curso DSc
Resultado 9.5) Seja uma aplicação não-singular. Então a imagem
de qualquer conjunto linearmente independente é linearmente independente.
Nota) Quando A é não singular e , ou seja, o domínio e o

contradomínio da aplicação linear são iguais, então dim Kern (A) = 0 e dim Im
(A) = n. Assim, a equação
Ax = b
tem uma única solução para qualquer vetor b, ou seja, o sistema
a11x1 + a12x2 + ... + a1nxn = b1

a21x1 + a22x2 + ... + a2nxn = b2
........................
an1x1 + an2x2 + ... + annxn = bn
tem solução única, para quaisquer b1, b2, …, bn. Assim, para determinar se
um sistema de equações lineares tem solução única, basta verificar se o
determinante de A é diferente de 0, pois isso equivale a afirmar que o
posto da matriz A é igual a n (o que também equivale a afirmar que a
nulidade de A é igual a 0).
Resultado 9.6) Uma aplicação linear é injetiva se, e somente se, é

não-singular.
Resultado 9.7) Uma aplicação linear é bijetiva se, e somente se, A

é não-singular.
Exemplo 9.7) Consideremos a aplicação matricial onde
O espaço coluna de A é igual a Im A. Vamos tomar a matriz transposta de A,

At, e reduzi-la à forma escalonada:
2ª Linha - 2 1ª Linha → 2ª Linha 3ª Linha – 2 2ª Linha → 3ª Linha

3ª Linha – 3 1ª Linha → 3ª Linha 4ª Linha – 3 2ª Linha → 3ª Linha
4ª Linha –1ª Linha → 4ª Linha
Curso DSc
Assim, {(1,1,3), (0,1,2)} é uma base de Im A e dim Im A = 2.
O Ker A é o espaço solução do sistema homogêneo AX = 0, onde X = (x,

t.
y, z, t) Vamos reduzir a matriz A de coeficientes à forma escalonada:
As variáveis independentes são z e t. Assim, dim Ker A = 2. Com
(i) z = 1, t = 0, obtemos:
que nos dá a solução (1,-2,1,0).
(ii) z = 0, t = 1, obtemos:
O que nos dá a solução (-7,3,0,1).
Assim, (1,-2,1,0) e (-7,3,0,1) formam uma base para Ker A.
Exemplo 9.8) Consideremos a aplicação matricial onde
Para determinar a base de Im B, reduzimos Bt à forma
escalonada:
Assim, {(1,3,-2), (0,1,-3)} formam uma base de Im B, onde dim Im B = 2.
Para determinar uma base de Ker B, obtemos o sistema homogêneo

correspondente:
Curso DSc
Há uma variável independente, z, de modo que dim Ker B = 1. Com z = 1,
temos
que nos dá a solução (-1,-2,1), que forma uma base para Ker A.
10) Matrizes e Aplicações Lineares
Seja S = {u1, u2, ..., un} uma base de para um vetor

suponhamos
v = a1u1 + a2u2 + ... + un.
Então o vetor das coordenadas de v em relação à base S, escrito como um

vetor coluna, é dado por:
10.1) Representação matricial de um Operador Linear
Seja o operador linear de T: , com a base de dada pelo

conjunto S acima. Os vetores T(u1), T(u2), ..., T(un) pertencem a e, portanto,
cada um é uma combinação linear dos vetores da base S, digamos,
T(u1) = a11u1 + a12u2 + ... + a1nun

T(u2) = a21u1 + a22u2 + ... + a2nun
.....................................................................
T(un) = an1u1 + an2u2 + ... + annun
A transposta da matriz de coeficientes acima, denotada por [T]S, é

chamada representação matricial de T em relação à base S, ou
simplesmente a matriz de T na base S, isto é:
Curso DSc
Nota) O índice S pode ser omitido quando a base S é subtendida.
Exemplo 10.1) Considere o operador linear F: definido por F(x,y) =

(4x - 2y,2x + y) e as seguintes bases de :
i) S = {u1 = (1,1), u2 = (-1,0)}
Temos
F(u1) = F(1,1) = (2,3) = 3(1,1) + (-1,0) = 3u1 + u2

F(u2) = F(-1,0) = (-4,-2) = -2(1,1) + 2(-1,0) = - 2u1 + 2u2
Portanto, [F]S = é a representação matricial de F na base S.
ii) E = {e1 = (1,0), e2 = (0,1)}
Temos
F(e1) = F(1,0) = (4,2) = 4e1 + 2e2

F(e2) = F(0,1) = (-2,1) = -2e1 + e2
Consequentemente, [F]E = é a representação matricial de F em

relação à base usual (canônica) E.
Exemplo 10.2) Seja F: definida por F(x,y) = (2y,3x-y). Para achar a

representação matricial de F em relação à base usual E = {e1 = (1,0), e2 = (0,1)}
basta considerar F(e1) = F(1,0) = (0,3) = 0e1 + 3e2, F(e2) = F(0,1) = (2,-1) = 3e1
– e2 e formar a transposta da matriz dos coeficientes:
Como o determinante de [F]E é igual a - 6 (≠ 0), então a aplicação F é não-

singular e podemos aplicar a nota que segue o Resultado 9.5: dim Kern (F) =
0 e dim Im (F) = 2.
A observação acima é válida para qualquer aplicação linear F .

Temos o resultado abaixo:
Resultado 10.1) A aplicação linear F é não-singular se, e somente

se, dim Kern (F) = 0 e dim Im (F) = n.
Curso DSc
Exemplo 10.2) (continuação) Para obter a representação do linear F em
relação à base S = {u1 = (1,3), u2 = (2,5)}, vamos determinar as coordenadas
de um vetor arbitrário (a,b) em relação à base S:
Assim, (a,b) = (-5a + 2b)u1 + (3a – b)u2. Logo,
F(1,3) = (6,0) = -30u1 + 18u2; F(2,5) = (10,1) = -48u1 + 29u2; e
Nota) Na base S, (1,3) = u1 + 0 u2, ou seja, é representado pelo vetor .

Assim,
Nota) Se buscássemos a representação matricial de F na base usual

(canônica), escreveríamos
ou seja,
Resolvendo o sistema de equações acima, obtemos
Assim, a representação de F na base usual (canônica) é dada por
Note que
Curso DSc
e
Dada uma matriz quadrada arbitrária n n, A, que define uma aplicação

matricial , e a base usual (canônica) E = {e1, e2, ..., en} de , então
Ae1, Ae2, ..., Aen são precisamente as colunas de A e suas coordenadas em
relação à base usual E são os próprios vetores.
Exemplo 10.3) Sejam e o operador linear definido por

T(v) = Av (com v escrito como vetor coluna). Vamos determinar a matriz de T
para as seguintes bases:
(i) E = {e1 = (1,0), e2 = (1,0)}, que é a base usual ou canônica.
Vale observar que a matriz T na base usual é precisamente a matriz original A

que definiu T; isto não é uma exceção; é na verdade, verificado para qualquer
matriz A quando se utiliza a base usual.
(ii) S = {u1 = (1,3), u2 = (2,5)}
Do Exemplo 10.2, temos: (a,b) = (-5a + 2b)u1 + (3a – b)u2. Logo
Exemplo 10.4) Consideremos a base S = {(1,0), (1,1)} de . Seja

definida por T(1,0) = (6,4) e L(1,1) = (1,5). (Recordemos que uma aplicação
linear fica completamente definida por sua ação em uma base). Para achar a
representação matricial de L em relação à base S, escrevamos (6,4) e (1,5)
como combinação linear dos vetores da base:
L(1,0) = (6,4) = 2 (1,0) + 4 (1,1) e L(1,1) = (1,5) = - 4 (1,0) + 5 (1,1)
Assim,
Curso DSc
Exemplo 10.5) Para cada um dos seguintes operadores lineares L em ,
ache a matriz A que representa L (em relação à base usual de ):
(a) L é definida por L(1,0) = (2,4) e L(0,1) = (5,8).
Neste caso, como (1,0) e (0,1) formam a base usual de ,

escreveremos suas imagens pela L como colunas, obtendo .
(b) L é a rotação anti-horária de 90º em .
Logo, como vemos na figura abaixo, temos L(1,0) = (0,1) e L(0,1) = (-1,0)
Assim, .
(c) L é a reflexão em em relação à reta y = -x.
Como vemos na figura abaixo, L(1,0) = (0,-1) e L(0,1) = (-1,0).
Logo, .
10.2) Diagonalização de Operadores Lineares
Diz-se que um operador linear T: é diagonalizável se T pode

ser representado por uma matriz diagonal D. Assim, T é diagonalizável se e
somente se existe uma base S = {u1, u2, ..., un} de tal que
T(u1) = k1u1
Curso DSc
T(u2) = k2u2
....................
T(un) = knun
Em tal caso, T é representado pela matriz diagonal
D = diag (k1, k2, ..., kn)
em relação à base S.
A observação acima conduz às seguintes definições e resultados,

análogos às definições de teoremas para matrizes discutidos na Seção 8.
Um escalar é chamado de autovalor de T se existe um vetor não-zero

v para o qual
T(v) =
Todo vetor que verifica essa relação é chamado de autovetor de T pertencente

ao autovalor . O conjunto de todos esses vetores é um subespaço de
chamado autoespaço de
Resultado 10.2) A aplicação linear T: pode ser representada por uma

matriz diagonal D (ou seja, T é diagonalizável) se e somente se existe uma
base S de que consiste em autovetores de T. Neste caso, os elementos
diagonais de D são os autovalores correspondentes.
Exemplo 10.6) Seja o operador dado por T(x,y) = (6x - y, 3x + 2y).

A matriz que representa o operador T na base usual é obtida abaixo:
O polinômio característico é dado por
cujas raízes são t = 3 e t = 5. Assim, e são autovalores de F. Para

o cálculo dos autovetores fazemos:
(i)
Curso DSc
ou 3x – y
= 0. Assim, v1 = (1,3) é o autovetor que gera o autoespaço de
(ii)
ou x - y
= 0. Assim, v2 = (1,1) é o autovetor que gera o autoespaço de
Então S = {v1, v2} é uma base de composta por autovetores de T. Assim, T

é diagonalizável com a representação matricial D = .
Exemplo 10.7) Seja o operador dado por T(x,y,z) = (2x + y, y - z, 2y

+ 4z). A matriz que representa o operador T na base usual é obtida abaixo:
O polinômio característico é dado por
Assim, 2 e 3 são os autovalores de T. Para o cálculo dos autovetores fazemos:
(i)
Curso DSc
O sistema tem apenas uma solução independente,
por exemplo, x = 1, y = 0, z = 0. Assim, {(1,0,0)} forma uma base do auto

espaço E2.
(ii)
O sistema tem apenas uma solução independente,
por exemplo, x = 1, y = 1, z = 2. Assim, {(1,1,-2)} forma uma base do auto

espaço E3.
Note que T não é diagonalizável, pois T tem apenas dois autovetores

linearmente independentes.
Resultado 10.3) Um operador linear tem autovalor 0, se e somente

se, T é singular, ou seja, existe um vetor não-nulo v tal que Tv = 0.
Exemplo 10.8) Sejam e o operador linear definido por

T(v) = Av (com v escrito como vetor coluna). O polinômio característico é dado
por
cujas raízes são t = 0 e t = 4. Assim, e são autovalores de T. Para

o cálculo dos autovetores fazemos:
(i)
Curso DSc
. Assim, v1 = (1,-
1) é o autovetor que gera o autoespaço de
(ii)
. Assim, v2 =
(1,1) é o autovetor que gera o autoespaço de
Então S = {v1, v2} é uma base de composta por autovetores de T. Assim, T

é diagonalizável com a representação matricial D = . Vale lembrar que
na base S, temos:
v1 = 1 v1 + 0 v2 e v2 = 0 v1 + 1 v2; logo, suas representações em S são

dadas por (1,0) e (0,1), respectivamente. De fato,
e .
11) Sistemas Lineares
Chamamos de equação linear, nas incógnitas x1, x2, ..., xn, toda
equação do tipo
a1x1 + a2x2 + a3x3+ ... + anxn = b.
Os números a1, a2, a3, ..., an, todos reais, são chamados de coeficientes
e b, também real, é o termo independente da equação.
Um sistema linear é um conjunto de m (m ≥ 1) equações lineares, nas

incógnitas x1, x2, ..., xn.
Chamamos de sistema linear homogêneo todo aquele em que o termo

independente de todas as equações vale zero. Por exemplo:
Nota) É fácil notar que um sistema linear homogêneo admite sempre como
solução a sequência (0, 0, 0, ..., 0).
Dado um sistema linear, onde em cada equação existe pelo menos um

coeficiente não nulo, diremos que está na forma escalonada se o número de
Curso DSc
coeficientes nulos, antes do primeiro coeficiente não nulo, aumenta de equação
para equação.
Exemplo 11.1)
Exemplo 11.2)
11.1) Resolução de um sistema na forma escalonada
Há dois sistemas escalonados a considerar:
1º tipo) Número de equações é igual ao número de incógnitas
O sistema é possível e determinado, isto é, possui somente uma

solução
Exemplo 11.3)
Temos:
em (IV), 2t = 6, logo t = 3;
em (III), 5z + 7.3 = 21, logo z = 0;
em (II) y + 3.0 – 3 = -5, logo y = -2; e
em (I) x +2.(-2) – 0 + 3.3 = 6, logo x = 1.
Portanto, a solução do sistema é (1, -2, 0, 3).
2º tipo) Número de equações é menor que o número de incógnitas
Para resolvermos tal sistema, podemos tomar as incógnitas que não

aparecem no começo de nenhuma das equações (chamadas de variáveis
livres) e transpô-las para o segundo membro. O novo sistema assim obtido
pode ser visto como sendo um sistema contendo apenas as incógnitas do
primeiro membro das equações. Nesse caso, atribuindo valores a cada uma
das incógnitas do 2º membro, teremos um sistema do 1º tipo, portanto,
determinado; resolvendo-o, obteremos uma solução do sistema. Se atribuirmos
outros valores às incógnitas do 2º membro, teremos outro sistema, também
determinado; resolvendo-o, obteremos outra solução do sistema. Como esse
procedimento de atribuir valores às incógnitas do 2 membro pode se estender
indefinidamente, segue-se que podemos extrair do sistema original um número
infinito de soluções. Tal sistema é dito possível e indeterminado.
Curso DSc
Exemplo 11.4)
A única variável livre é z (não aparece no começo de nenhuma equação).

Transpondo z para o segundo membro das equações teremos o sistema
fazendo z = α (onde α é um número real) teremos
O sistema é agora do 1º tipo (determinado), para cada valor de α. De (II),

y = 2 + α; substituindo esses valor em (I), x – (2 + α) = 4 – α x = 6. Portanto,
as soluções do sistema são ordenadas do tipo (6; 2 + α; α), onde , ou
seja, α é um número real. Assim, α = 0 nos dá a solução (6; 2; 0); α = 15 nos dá
a solução (6; 17; 15).
Nota) Se, ao escalonarmos um sistema, ocorrer uma equação do tipo
0x + 0y + 0z = 0
esta deverá ser suprimida do sistema.
Exemplo 11.5) Escalonar o sistema
Vamos utilizar a equação (I) para eliminar a variável x nas equações (II) e (III).
Assim:
Ambos os membros da equação (I) são

multiplicados por (-3)
-------------------- = -----
–
Ambos os membros da equação (I) são

multiplicados por (-5)
-------------------- = -----
–
A equação (V) é obtida pela
multiplicação de ambos os membros
da equação (IV) por 2.
Curso DSc
Logo, o sistema na forma escalonada é dado por:
Note que o sistema obtido tem um número de equações menor que o de

incógnitas. Nesse caso, temos um sistema possível e indeterminado
(apresenta infinitas soluções).
Nota) Se, ao escalonarmos um sistema, ocorrer uma equação do tipo
0x + 0y + 0z = b (com b ≠ 0)
o sistema será impossível (nenhuma solução).
Exemplo 11.6) Escalonar o sistema
A partir das operações
(3) x Equação (I) + Equação (II):
(-10) x Equação (I) + Equação (II):
Obtemos o sistema
Finalmente,
(4) x Equação (II’) – Equação (II’): 0y = 67
dá-nos a equação 0y = 67. Assim, o sistema na forma escalonada é dado por
Curso DSc
Que é classificado como Sistema Impossível pois nenhum valor real para y
satisfaz a equação (III’’).
Nota) Com relação ao número de soluções que um sistema apresenta, este

pode ser
Determinado
Possível
Sistema Indeterminado
Impossível
Exemplo 11.7) Escalonar, classificar e resolver os sistemas:
(a)
Equação (I) + Equação (II):
(-1) x Equação (I) + Equação (III):
Ao inverter as posições das equações (II’) e (III’) nos sistema, obtemos a forma
escalonada:
Como o número de equações é igual ao número de incógnitas, é um sistema

possível e determinado; da equação (II’), ; substituindo na
equação (III’), obtemos ; substituindo e
na equação (I), obtemos – – . Logo, a solução é
dada por (- 11; -6; -3).
–
(b)
(-3) x Equação (I) + Equação (II):
Equação (I) + Equação (III):
Curso DSc
Ao inverter as posições das equações (II’) e (III’) nos sistema, obtemos:
(- 4) x Equação (III’) + Equação (II’):
Assim, temos o sistema na forma escalonada é dado por
Como o número de incógnitas é maior do que o número de equações, o

sistema possível indeterminado. Fazendo a variável livre t igual a um número
real , obtemos:
Assim, obtemos a solução
(c)
(-1) x Equação (I) + Equação (II): dividindo ambos os membros

por (- 2), obtemos
(-2) x Equação (I) + Equação (IV):
Assim, temos o sistema
(-1) x (II’) + (III):
(2) x (II’) + (IV’):
Assim, obtemos o sistema
Curso DSc
(-1) x (III’) + (IV’’):
Logo, o sistema na forma escalonada é dado por
Assim, obtemos a solução .
Curso DSc
Exercícios Resolvidos
Bancas diversas e questões de vestibulares
1) (PUC/SP) Se A é uma matriz 3 x 4 e B uma matriz n x m, então:

(A) existe A + B se, e somente se, n = 4 e m = 3
(B) existe AB se, e somente se, n = 4 e m = 3
(C) existe AB e BA se, e somente se, n = 4 e m = 3
(D) existem, iguais, A + B e B + A se, e somente se, A = B
(E) existem, iguais a AB e BA se, e somente se, A = B.
Resp.: Para que exista a matriz soma, deve ocorrer n = 3 e m = 4; para que
exista a matriz produto AB, devemos ter n = 4; para que exista a matriz produto
BA, devemos ter m = 3. Logo, para a existência de AB e BA devemos ter n = 4
e m = 3.
2) (ITA) Sejam A, B e C matrizes reais quadradas de ordem n e 0 n a matriz

nula, também de ordem n. Considere as seguintes afirmações:
1) AB = BA
2) Se AB = AC então B = C
3) Se A2 = 0n, então A = 0n
4) (AB)C = A(BC)
5) (A – B)2 = A2 -2AB + B2
A respeito destas afirmações

(A) apenas a afirmação 1 é falsa
(B) apenas a afirmação 4 é verdadeira
(C) a afirmação 5 é verdadeira
(D) as afirmações 2 e 3 são verdadeiras
(E) as afirmações 3 e 4 são verdadeiras
Resp.: 1) Falsa (Ver Exemplo 2.6); 2) Falsa; basta tomar a matriz A como a
matriz nula, pois 0nB = 0n = 0nC, para quaisquer matrizes B e C, sempre que os
produtos envolvidos forem definidos; 3) Falsa; basta tomar A = , onde c é
um número real qualquer distinto de zero; 4) Verdadeira (Propriedade 4 da
Subseção 2.3.1); 5) (A – B)2 = A2 – AB – BA + B2; portanto a afirmação
somente é verdadeira quando AB = BA.
3) (PUC/SP) Se A = , então A2 + 2A – 11I, onde I = , é igual a:
(A) (B) (C)
(D) (E)
Curso DSc
Resp.: A2 = = ; 2A = ; -11I =
; logo A2 + 2A – 11I = = .
4) (PUC/Campinas) No conjunto M das matrizes n x m (com n ≠ m), considere

as seguintes afirmações:
I – Se A é uma matriz de M, sempre estará definido o produto A x A.
II – Se A é uma matriz de M, a sua transposta não o será.
III – A soma de duas matrizes de M pode não pertencer a M
Concluímos que:
(A) somente II é verdadeira (B) somente I e II são verdadeiras
(C) todas são falsas (D) somente I é falsa
(E) N.D.A.
Resp.: I- Falsa, pois o produto nunca será definido entre matrizes de M porque
n ≠ m; II – Verdadeira, pois a transposta de uma matriz de M tem dimensão m x
n (com n ≠ m) e, portanto, não pertencerá ao conjunto M; e III – Falsa, pois a
soma de matrizes de M também terá dimensão n x m.
5) (Universidade Mackenzie) Sendo A = ,B = e At a

matriz transposta de A, então, o valor de At x B é:
(A) (B) (C)
(D) (E)
Resp.: At x B = x =
6) (UFRN) O produto A x B das matrizes A = e B = é uma

matriz:
(A) simétrica (B) anti-simétrica (C) não inversível
(D) nula (E) identidade
Curso DSc
Resp.: ; logo, é
uma matriz simétrica. Note que |A x B| = 5 x 25 – 11 x 11 = 4 ≠ 0 e, portanto, a
matriz produto é inversível. A matriz M é dita uma matriz antissimétrica
quando Mt = - M.
7) (UFRS) A inversa da matriz é:
(A) (B) (C)
(D) (E)
Resp.: O determinante da matriz é dado por
3 x 2 – 5 x 1 = 1.
Logo, a inversa é dada por .
8) (UFBA) O elemento a23 da matriz inversa de é:
(A) -1 (B) -1/3 (C) 0 (D) 2/3 (E) 2
Resp.: Seja A a matriz acima. Do cálculo da matriz inversa, temos que:
a23 = , onde M3,2 representa o cofator do elemento da 3ª

linha e da 2ª coluna da matriz A (lembrem-se que, no cálculo da matriz inversa,
utilizamos a matriz adjunta, que é a transposta da matriz dos cofatores).
|A| = 1 + 0 + 2 - 0 - 0 - 0 = 3
M3,2 = (-1)3+2 x =2
Logo, a23 = 2/3
9) (Universidade Mackenzie) Sendo A = (aij) uma matriz quadrada de ordem 2

e aij = j - i2, o determinante da matriz A é:
(A) 0 (B) 1 (C) 2 (D) 3 (E) 4
Resp.: Temos que a11 = 1 – 12 = 0; a12 = 2 – 12 = 1; a21 = 1 – 22 = -3; e a22 = 2

– 22 = -2. Logo, A = e, portanto, |A| = 0 x (-2) – (-3) x 1 = 3.
Curso DSc
10) (UFPA) Qual o valor de k para que o determinante da matriz
seja nulo?
(A) (B) 1 (C) 2 (D) 2 (E) -4
Resp.: 0 = = k2 + 0 + 0 – 0 – 1 + 2k k2 + 2k - 1 = 0 k =
11) (PUC/SP) O cofator do elemento a23 da matriz A = é:
(A) 2 (B) 1 (C) -1 (D) -2 (E) 3
Resp.: M23 = (-1)2+3 x = -2.
12) (UFRS) Uma matriz A de terceira ordem tem determinante 3. O

determinante de 2A é:
(A) 6 (B) 8 (C) 16 (D) 24 (E) 30
Resp.: A matriz 2A é obtida multiplicando cada uma das 3 linhas (colunas) da

matriz A pelo número 3; assim da aplicação da Propriedade 7 da Subseção 4.4
nos dá que:
|2A| = 23 x |A| = 24; notemos que o expoente igual a 3 decorre do fato da ordem
da matriz ser igual a 3, o que significa “aplicar 3 vezes” a propriedade 7 citada
acima.
13) (Universidade Mackenzie) dadas as matrizes A = e B =
, de determinantes não nulos. Então, para qualquer valores de a, b e
c, temos:
(A) det(A) = 2det(B) (B) det(A) = det(BT) (C) det(AT) = det(B)
(D) det(B) = 2 det(A) (E) det(A) = det(B)
Curso DSc
Resp.: A Propriedade 6 da Subseção 4.4 nos dá que det(B) = det(BT) =
; a Propriedade 7 (da Subseção 4.4) nos dá que det(A) = 2
x . Portanto, det(A) = 2det(B).
14) (Universidade Mackenzie) A é uma matriz quadrada de ordem 4 e det(A)

= - 6. O valor de x tal que det(2A) = x – 97 é:
(A) -12 (B) 0 (C) 1 (D) 97/2 (E) 194
Resp.: Quatro aplicações sucessivas da Propriedade 6 da Subseção 4.4 nos

dá que
x – 97 = det(2A) = 24det(A) = -96 x = 1.
15) (PUC/SP) Se somarmos 4 a todos os elementos da matriz A =
cujo determinante é D, então o determinante da nova matriz é:
(A) 2D (B) 3D (C) 4D (D) 5D (E) 6D
Resp.: Aplicando 2 vezes a Propriedade 10 da Subseção 4.4, vem que:
|A| = ; notem que somar 4 a
cada um dos elementos das 1ª e 2ª linhas equivale a somar a essas linhas o

quádruplo da 3ª linha. Por fim,
5D =
16) (UFRS) O valor do determinante é:
(A) -4 (B) -2 (C) 0 (D) 2 (E) 4
Curso DSc
Resp.: Dado que temos uma matriz triangular, a Propriedade 10 da Subseção
4.4 nos dá que o determinante é igual ao produto dos elementos da diagonal
principal, ou seja, 4.
17) (F.C.M. Santa Casa) Dadas as matrizes A e B, tais que:
A= eB=
O valor do determinante de A x B é:
(A) 192 (B) 32 (C) -16 (D) 0 (E) n.d.a.
Resp.: As matrizes A e B são matrizes triangulares e, portanto, a Propriedade

10 da Subseção 4.4 nos dá que o determinante é igual ao produto dos
elementos da diagonal principal, ou seja, |A| = 24 e |B| = 8. A Propriedade 9 (da
Subseção 4.4) nos dá que |A x B| = |A| x |B| = 192.
18) (PUC/SP) Qual das afirmações abaixo é falsa? Dadas A e B matrizes de

ordem n.
(A) det(A+B) = det(A) + det(B) (B) det(A) = det(AT)
(C) det(A) x det(A-1) = 1 (D) det(A x B) = det(A) x det(B)
T 2
(E) det(A) x det(A ) = [det(A)]
Resp.: A opção A não encontra fundamentação nas propriedades listadas na

Subseção 4.4.
19) (ITA) Seja Q uma matriz 4 x 4 tal que det(Q) ≠ 0 e Q 3 + 2Q2 = 0. Então
temos:
(A) det(Q) = 2 (B) det(Q) = -2 (C) det(Q) = -16
(D) det(Q) = 16 (E) nenhuma das respostas anteriores
Resp.: Temos que Q3 = - 2Q2; portanto, |Q3| = |-2Q2|; mas, da Subseção 4.4,
segue que:
|Q3| = |Q| x |Q| x |Q| = |Q|3
|-2Q2| = |-2Q| x |Q| (-2)4 x |Q| x |Q| = 16 x |Q|2
Logo,
|Q|3 = 16 x |Q|2 e, como |Q| ≠ 0, então |Q| = 16.
Curso DSc
20) (CESCEM) A matriz M e sua inversa têm todos os elementos inteiros.
Então os determinantes de M e de M-1:
(A) são nulos (B) são iguais a +1
(C) são iguais a -1 (D) são iguais, valendo 1 ou -1
(E) são não nulos, nada mais se podendo concluir
Resp.: Como todos os elementos das matrizes são inteiros e os determinantes

são calculados a partir das operações de multiplicação, soma e subtração,
então os determinantes de M e de M-1 assumem valores inteiros.
Sabemos que M x M-1 = I = M-1 x M; então a Propriedade 9 da Subseção

4.4 nos dá que |M| x |M-1| = |M x M-1| = |I| = 1 e, portanto,
Resultado que é válido para toda matriz quadrada M, cujo

determinante é diferente de zero.
Logo, |M| e |M-1| são inteiros e |M-1| x |M| = 1. Logo, são iguais a 1 ou a -
1.
21) (TRT/MT – 2010; Área: Analista Judiciário – Tecnologia de Informação)

Um método conhecido para se codificar palavras é associar a cada letra do
alfabeto um número real: para as palavras com k letras, escolhe-se uma matriz
k x k, denominada matriz de codificação, de forma que, para cada palavra com
k letras, determina-se o vetor k x 1 formado pelos números associados às
letras da palavra, e associa-se a palavra ao vetor resultante do produto da
matriz de codificação pelo vetor associado às letras da palavra. Considere a
codificação em que k = 3, a matriz de codificação seja:
A= e as 26 letras do alfabeto sejam associadas da forma: A = 1; B
= 2; C = 3; ...; Y = 25; Z = 26. Por exemplo, considerando a palavra RUA, que é
associada ao vetor Σ = , seu código será o vetor AΣ = . Nessa
situação. Considere que Г seja o vetor associado a determinada palavra de 3

letras e que Ψ = AГ seja o seu código. Nessas condições, a matriz que permite
decodificar o vetor Ψ, isto é, a matriz B tal que BΨ = Г é igual a:
(A) (B) (C)
Curso DSc
(D) (E)
Resp.: Devemos obter a inversa da matriz A, A-1, porque
A-1Ψ = A-1AГ e, portanto, A-1Ψ = Г. Para o cálculo de A-1, vamos seguir os

passos abaixo:
1º) (Determinante de A) Vamos aplicar o Desenvolvimento de Laplace a 2ª

linha:
|A| = (-1)2+2 x (1) x = (1 x 1 - 3 x 2) = - 5
2º) (Matriz dos cofatores de A) cof A = =
3º) (Matriz adjunta de A) Adj A = (cof A)-1 =
5º) (Matriz Inversa de A) A-1 = Adj A = =
Exercícios Resolvidos
Banca Fundação Cesgranrio
IBGE – 2009
Curso DSc
Área: Estatística
1) Para codificar uma palavra de até 6 letras e enviar uma mensagem secreta
deve-se proceder da seguinte forma: Escolher a palavra que deseja enviar
como uma mensagem. Por exemplo: BRASIL.
Colocar as letras como elementos de uma matriz 3 x 2 na ordem ilustrada

abaixo.
M=
Substituir cada letra pelo número da tabela abaixo, na qual o símbolo (*)
representa um espaço em branco.
A=1 H=8 O = 15 V = 22
B=2 I=9 P = 16 W = 23
C=3 J = 10 Q = 17 X = 24
D=4 K = 11 R = 18 Y = 25
E=5 L = 12 S = 19 Z = 26
F=6 M = 13 T = 20 *=0
G=7 N = 14 U = 21
A mensagem é agora a matriz M = .
Para codificar a mensagem, multiplicar a matriz código C = pela
matriz mensagem M, obtendo a mensagem codificada M’ = CM = .
A mensagem recebida foi N´ = que está codificada pela mesma
matriz C.
A mensagem decodificada é a palavra

(A) RECIFE (B) TIJUCA (C) MANAUS
(D) BARIRI (E) EREXIM
Resp.: Notemos que
N´ = CN;
Assim, tomando a inversa da Matriz C, C-1, temos:
C-1N´= C-1CN;
Curso DSc
como C-1C = I, onde I representa a matriz identidade, segue que C-1N´= N.
Assim, vamos determinar a matriz C-1:
1º) (Determinante de C) |C| = -1 + 0 + 2 - 0 - 2 – 0 = -1;
2º) (Matriz dos cofatores de C) cof C =
3º) (Matriz Adjunta de C) Adj C = (cof C)T =
4º) (Matriz inversa de C) C-1 = =
Assim,
N= =
Casa da Moeda – 2009

Área: Engenheiro de Processos Industriais
2) O determinante da matriz A definida abaixo é igual a 12.
Curso DSc
A=
O valor de w é
(A) 25 (B) 16 (C) 5 (D) 3 (E) −4
Resp.: Tomando a 1ª coluna e aplicando o desenvolvimento de Laplace,

temos:
12 = det(A) = (-1)3+1 x w x ; com o cálculo do determinante, vem:
12 = w x [1 x 5 x 8 + 3 x (-1) x 1 + 2 x 2 x 5 – 1 x 5 x 2 – 5 x (-1) x 1 – 8 x 2 x 3]
e, portanto, w = 3.
Petrobras – 2011/Edital 01
Área: Engenheiro de Petróleo Júnior
3) Sabendo que
e que
qual é o valor de x?
(A) −2 (B) 1 (C) 2 (D) 3 (E) 5
Resp.: Vamos utilizar a 1ª coluna para o cálculo do determinante

(desenvolvimento de Laplace) da matriz 4 x 4:
Curso DSc
Transpetro - 2011
Área: Engenheiro Júnior (Área de Automação)
4) O determinante da matriz
M=
(A) 8 (B) 12 (C) 15 (D) 24 (E) 36
Resp.: Vamos utilizar a 3ª linha para o cálculo de |M| (desenvolvimento de

Laplace):
|M| = (-1)2+3 x (-2) x + (-1)4+3 x 4 x = 2 x [2 x 1 x 1 + 0 x 0
x 1 + 3 x 1 x 1 – 1 x 1 x 3 – 1 x 0 x 2 – 1 x 1 x 0] - 4 x [2 x (-1) x 1 + 1 x 1 x 1 + 0
x 1 x 0 – 1 x (-1) x 0 – 0 x 1 x 2 – 1 x 1 x 1] = 2 x [2 + 0 + 3 - 3 - 0 - 0] – 4 x [-2 +
1 + 0 - 0 - 0 - 1] = 4 + 8 = 12.
Nota) Antes da aplicação do Desenvolvimento de Laplace, vamos obter a

matriz resultante quando multiplicamos a 4ª linha por -1 e a adicionamos à 2ª
linha:
Como a matriz acima possui o mesmo determinante de M (Propriedade nº 10

das Propriedades dos Determinantes), vamos aplicar o Desenvolvimento de
Laplace tomando a 3ª coluna:
|M| = = (-1)4+3 x 1 x = -[2 x (-1) x (4) + 1 x (-1)
x 0 + 3 x 0 x (-2) – 0 x (-1) x 3 – (-2) x (-1) x 2 – 4 x 0 x 1] = - [- 8 + 0 – 0 – 0 – 4

- 0] = 12.
Curso DSc
Área: Engenheiro Júnior (Área Elétrica)
5) O determinante da matriz M, de ordem 3 por 3, é 240, e a matriz K é definida

como sendo K = 2 x M. O valor do determinante da matriz K é
(A) 240 (B) 480 (C) 1.440 (D) 1.920 (E) 2.160
Resp.: Multiplicar uma matriz por um escalar significa multiplicar cada uma de
suas linhas (ou colunas) por este escalar. Da propriedade 7 segue que:
|K| = |2 x M| = 23 x |M| |K| = 8 x 240 |K| = 1920.
6) Para qual valor de x a matriz
tem determinante nulo?

(A) 1 (B) 2 (C) 3 (D) 4 (E) 5
Resp.: Vamos utilizar o desenvolvimento de Laplace. Tomemos a a 3ª coluna:
0 = Determinante = (-1)2+3.x. + (-1)3+3. (1). = - x . [- 4 + 4
+ 0 + 6 + 0 + 0] – [- 8 + 0 – 6 – 0 – 0 - 4 ] 0 = - 6x + 18 x = 3.
7) Companhia Integrada Têxtil de Pernambuco – CITEPE (2009) - Analista

de Processamento Júnior – Químico
Seja A uma matriz quadrada com 3 colunas e cujo determinante é D.
Multiplicando-se por  todos os elementos da 3ª linha de A, o determinante
passa a valer
(A) D (B) 3D (C) 3D (D) 3D (E) D3
Resp.: Da propriedade 7 (dos determinantes) segue que o determinante da

nova matriz será igual ao determinante de A multiplicado por .
8) Eletrobras (2010) - Economista

As matrizes B e sua transposta B’ foram multiplicadas, conforme a expressão
matricial abaixo.
Curso DSc
O valor de x é
(A) -1 (B) 0 (C) 1 (D) 2 (E) 3
Resp.: O elemento de ordem (2,1) da matriz BB’, 10, é obtido a partir da

multiplicação da 2ª linha de B pela 1ª coluna de B’:
Nota) Alcançaríamos idêntico resultado se utilizássemos o elemento de ordem

(1,2) da matriz produto.
9) Petrobras (2010) - Economista Júnior

Considere a matriz quadrada
Esta matriz
(A) é singular (B) é simétrica.
(C) é igual à sua inversa (D) não tem inversa
(E) tem determinante positivo
Resp.: É uma matriz simétrica, pois é igual a sua matriz transposta. Somente
para exercitar, o seu determinante é dado por:
logo, é uma matriz não-singular e, portanto, tem matriz inversa.

A matriz dada não é igual a sua inversa, pois
Exercícios Propostos
Banca Fundação Cesgranrio
10) Petrobras (2008) - Economista Júnior
Considere as três matrizes abaixo.
Curso DSc
Pode-se afirmar que
(A) não é possível somar as matrizes B e C.
(B) a matriz B é simétrica.
(C) a matriz C é uma matriz identidade.
(D) a matriz C é a inversa de B.
(E) o produto de matrizes BA é igual a .
11) BNDES (Economia) – 2008
O produto de matrizes expresso acima é

(A) igual a [2 −1]. (B) igual a 3.
(C) igual à matriz identidade. (D) comutativo.
(E) não definido.
12) Petrobras (2008) – Engenharia Química
Seja A = .
A soma algébrica dos elementos da diagonal principal de A−1 é

(A) 2,5 (B) 1,5 (C) 0,5 (D) −1,5 (E) −2,5
13) Petrobras (2005) – Economia Júnior
Dadas A, B, C, matrizes de ordem m x n, não nulas e com determinantes

diferentes de 0, qual das opções é FALSA?
(A) A + B = B + A (B) A + (B + C) = (A + B) + C
(C) (A + B)’ = B’ + A’ (D) (–A) (–B) = – (AB)
(E) (– A)’ = – (A’)
Curso DSc
14) Petrobras (2010) – Engenharia de Petróleo
Considere as matrizes
Denotando por At a matriz transposta de A, a matriz (At A) – (B + Bt) é
15) Transpetro (2011) – Técnico de Enfermagem
A Tabela I apresenta as quantidades médias de combustível, em litros,

vendidas semanalmente em três postos de abastecimento de uma mesma
rede. O preço praticado em um dos postos é o mesmo praticado pelos outros
dois. Esses preços, por litro, em duas semanas consecutivas, estão
apresentados na Tabela II.
Com os dados das Tabelas I e II são montadas as matrizes A e B a seguir.
Curso DSc
Seja C2x3 a matriz que apresenta os valores médios arrecadados em cada um
dos três postos, por semana, com a venda de combustíveis. Identificando-se At
e Bt como as matrizes transpostas de A e de B, respectivamente, a matriz C é
definida pela operação
(A) A .B (B) At .Bt (C) B .A (D) Bt .A (E) Bt .At
16) Petrobras – 2011

Área: Geofísico Júnior – Físico
Considere a transformação linear T: tal que T(1,0) = (-1,1) e T(0,1) =
(3,2). Sendo λ1 e λ2 os auto-valores de T, λ1 e λ2 e reais e λ1 > λ2, tem-se que
(A) λ1 + λ2 = -1 (B) λ1 + λ2 = -5 (C) λ1 - λ2 =
(D) λ1λ2 = 5 (E)
BR Distribuidora S.A. – 2011 (Edital 01/2011)

Área: Administração
17) Se α e β são dois ângulos complementares, então o determinante da matriz
é igual a
(A) –6 (B) –2 (C) 0 (D) 2 (E) 6
Área: Economia
18) Considere [A]4x4 uma matriz 4x4 cujo determinante é −1, e T : R 4→ R4 a
transformação linear definida pela matriz [A]4x4, isto é:
O núcleo (ou kernel) da transformação T é um espaço vetorial cuja dimensão é

igual a
(A) 0 (B) 1 (C) 2 (D) 3 (E) 4
Área: Engenharia Química

19) A matriz na base canônica da transformação linear
Curso DSc
Com respeito a essa transformação, considere as afirmações a seguir.
I - A transformação linear T é diagonalizável.
II - A transformação linear T é inversível.
III - A transformação linear T possui uma base ortogonal de autovetores e seus
autovalores são 0, 0 e 6.
Está correto o que se afirma em

(A) I, apenas. (B) II, apenas. (C) I e III, apenas.
(D) II e III, apenas. (E) I, II e III.
Transpetro
Área: Engenharia Elétrica (Júnior)
20) Com respeito à equação M.x = y, em que
analise as afirmativas abaixo.
I - A equação apresenta uma única solução.

II - O posto da matriz M é igual a 4.
III - A nulidade da Matriz M é igual a 1.
É correto APENAS o que se afirma em

(A) I (B) II (C) III (D) I e II (E) I e III
Petrobras – 2010 (Edital 02/2010)

Área – Geofísico (a) Júnior / Física
21) Com relação ao sistema de variáveis reais x e y,
no qual m e n são números reais, tem-se que

(A) se m = –1 e n = –3, qualquer par ordenado (x,y), x e y reais, é solução
(B) não tem solução se m = –1 e n ≠ –3
(C) tem sempre solução quaisquer que sejam m e n reais.
(D) tem duas soluções se m = –1
(E) (1,1) é solução se m = n
Curso DSc
Petroquímica Suape – 2011
Nível Superior
22) Considere o sistema a seguir.
Nesse sistema, o valor de x é

(A) 3 (B) 2 (C) 1 (D) 0 (E) −1
Engenharia de Petróleo - 2008
Curso DSc
Gabarito: 32) C; 39) C; 41) B; 42) C.
Engenharia de Petróleo – 2010/Edital 01
Curso DSc
Curso DSc
Gabarito: 2) D; 3) B; 4) A; 33) D; 52) A; 61) A; 62) E.
Curso DSc
Engenharia de Petróleo – 2011/Edital 01
Gabarito: 37) B; 38) D
Engenharia de Petróleo – 2012
Curso DSc
Gabarito: 21) B; 22) A; 23) E; 27) E; 54) C.
Curso DSc
Economista Júnior – 2012
Gabarito: 39) C.
Estatístico Júnior – 2011
Gabarito: 38) A.
Curso DSc

Curso+DSc Turma Eng+Petróleo Petrobras Algebra+Linear

Caricato da

Informazioni sul documento

Descrizione originale:

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

Curso+DSc Turma Eng+Petróleo Petrobras Algebra+Linear

Caricato da

Copyright:

Formati disponibili

Turma Preparatória para o Concurso

Conteúdo: Definição de matriz; tipos de matrizes; blocos, selas ou

Número de exemplos: 122

Seja um quadro retangular de números como segue:

Tal quadro é chamado matriz. Pode-se denotá-lo por A = (aij), i = 1, ...,

são as linhas da matriz, e as n ênuplas verticais

são as colunas. Note que o elemento aij, chamado elemento – ij ou

Nota) Quando m = n temos uma matriz chamada de quadrada.

Exemplo 1.1) Matriz (quadrada) 2 x 2:

Exemplo 1.2) Matrizes 1x1 (escalares):

(3)1x1, (-12)1x1 e (-13)1x1.

Uma matriz formada por m linhas e uma única coluna é chamada de

Exemplo 1.4) Matriz (linha) 1 x 3

Em uma matriz quadrada, os elementos (a)ij para os quais i = j compõem

Exemplo 1.5) Nas matrizes abaixo, os elementos da diagonal principal estão

Nota) Uma matriz quadrada que tenha ao menos um elemento diferente de

Exemplo 1.6) Matrizes diagonais de dimensões 2 x 2 e 3 x 3, respectivamente:

Nota) Quando todos os elementos em uma matriz diagonal são iguais a 1,

Exemplo 1.7) Matrizes diagonais 2 x 2 e 3 x 3, as quais podem ser denotadas,

A transposta de uma matriz Am x n, indicada por A’ AT ou AT, é uma

Quando uma matriz é igual a sua transposta é chamada de matriz

Exemplo 1.9) Matriz simétrica

Em uma matriz simétrica de dimensão n x n, o termo a ij da matriz A é

Uma matriz A pode ser dividida em matrizes menores, chamadas de

Exemplo 1.10) Matrizes divididas em blocos

O primeiro elemento não nulo em uma linha R de uma matriz A é

Uma matriz A é uma matriz escalonada, ou está em forma escalonada,

1º) Todas as linhas zero, se houver, estão na base da matriz.

Exemplo 1.11) As seguintes matrizes são escalonadas; os elementos não-zero

Diz-se que uma matriz escalonada A está em forma canônica reduzida

3º) Cada elemento principal não-zero é 1.

4º) Cada elemento principal não-zero é o único elemento não-zero em sua

A terceira matriz do Exemplo 1.11 é um exemplo de matriz em forma

A matriz zero, 0, qualquer que seja o número de linhas ou colunas, é

2) Operações com matrizes

2.1) Multiplicação por um escalar

Para multiplicar uma matriz por um escalar λ (um número real),

Exemplo 2.1) Seja λ = 5, então

De modo geral, a multiplicação da matriz A = [aij] pelo escalar k nos dá a

2.2) Soma e Subtração de Matrizes

Dadas as matrizes A = [aij] e B = [cij], de mesma ordem, definimos a

onde C = [cij], cij = aij bij e C tem a mesma ordem de A e de B.

2.2.1) Propriedades da Soma e da Subtração de Matrizes

1) A soma e a subtração de matrizes são operações associativas

(Amxn Bmxn) ± Cmxn = Amxn ± (Bmxn ± Cmxn)

2) A matriz nula é o elemento neutro da soma/subtração de matrizes

Amxn ± 0mxn = Amxn = Amxn ± 0mxn

3) A adição/subtração de matrizes é comutativa

Amxn Bmxn = Bmxn Amxn

4) Para os escalares k1 e k2, temos:

k1 x (Amxn ± Bmxn) = k1 x Amxn ± k1 x Bmxn

(k1 + k2) x Amxn = k1 x Amxn + k2 x Amxn

(k1 x k2) x Amxn = k1 x (k2 x Amxn)

Exemplo 2.3) Sejam as matrizes A = eB=

2.3) Multiplicação de matrizes

Sejam as matrizes A = (aik)mxn e B = (bkj)nxp; a matriz produto AB, ou

onde cij = , i = 1, 2, ..., m; j = 1, 2, ..., n.

Exemplo 2.4) Sejam as matrizes e B2x2 = . Então

Exemplo 2.5) Sejam as matrizes e . Então

Notemos que as matrizes AB e BA existem, mas possuem dimensões

2.3.1) Propriedades da Multiplicação de Matrizes

1) A multiplicação de matrizes não é comutativa