Algebra Linear

Álgebra Linear
Prof. André Marcelo Santos de Souza

Prof. Roy Wilhelm Probst
2012
Copyright © UNIASSELVI 2012
Elaboração:
Revisão, Diagramação e Produção:

Centro Universitário Leonardo da Vinci – UNIASSELVI
Ficha catalográfica elaborada na fonte pela Biblioteca Dante Alighieri

UNIASSELVI – Indaial.
512.5
S729a Souza, André Marcelo Santos de
Álgebra linear / André Marcelo Santos de Souza; Roy Wilhelm
Probst. Indaial : Uniasselvi, 2012.
195 p. : il
ISBN 978-85-7830-578-9
1. Álgebra linear.
I. Centro Universitário Leonardo da Vinci.
Apresentação
Prezado(a) acadêmico(a)!
Neste Caderno de Estudos, você será levado a estudar a base da ma-

temática algébrica. Tentamos produzir um caderno que seja instrutivo e, ao
mesmo tempo, compreensível. Levamos em conta que você estudará sozi-
nho(a) e estará tendo contato com alguns desses conceitos pela primeira vez.
Esperamos ter conseguido esse intento.
Apesar de, na primeira leitura, o assunto poder parecer obscuro, tente

ler várias vezes o texto refazendo os exercícios e os exemplos, a fim de memo-
rizar o aprendido. Você verá que não é nenhum monstro e nada muito difícil,
só depende de vontade e dedicação.
Vale lembrar ainda que este caderno traz um curso introdutório de ál-
gebra linear e você deve se sentir curioso e instigado a procurar outros livros
para completar seu aprendizado.
Esperamos, sinceramente, que você consiga se divertir enquanto

aprende e que, após o estudo desse caderno, você consiga notar a evolução
da sua matemática, nos seus conceitos e nas suas definições, pois a melhoria
constante tem que ser o objetivo de todo(a) acadêmico(a).

III
UNI
Você já me conhece das outras disciplinas? Não? É calouro? Enfim, tanto para
você que está chegando agora à UNIASSELVI quanto para você que já é veterano, há
novidades em nosso material.
Na Educação a Distância, o livro impresso, entregue a todos os acadêmicos desde 2005, é

o material base da disciplina. A partir de 2017, nossos livros estão de visual novo, com um
formato mais prático, que cabe na bolsa e facilita a leitura.
O conteúdo continua na íntegra, mas a estrutura interna foi aperfeiçoada com nova
diagramação no texto, aproveitando ao máximo o espaço da página, o que também
contribui para diminuir a extração de árvores para produção de folhas de papel, por exemplo.
Assim, a UNIASSELVI, preocupando-se com o impacto de nossas ações sobre o ambiente,

apresenta também este livro no formato digital. Assim, você, acadêmico, tem a possibilidade
de estudá-lo com versatilidade nas telas do celular, tablet ou computador.

Eu mesmo, UNI, ganhei um novo layout, você me verá frequentemente e surgirei para
apresentar dicas de vídeos e outras fontes de conhecimento que complementam o assunto
em questão.
Todos esses ajustes foram pensados a partir de relatos que recebemos nas pesquisas
institucionais sobre os materiais impressos, para que você, nossa maior prioridade, possa
continuar seus estudos com um material de qualidade.
Aproveito o momento para convidá-lo para um bate-papo sobre o Exame Nacional de

Desempenho de Estudantes – ENADE.

Bons estudos!
IV
V
VI
Sumário
UNIDADE 1 - MATRIZES ...................................................................................................................... 1
TÓPICO 1 - MATRIZES .......................................................................................................................... 3

1 INTRODUÇÃO ..................................................................................................................................... 3
2 CONCEITOS BÁSICOS ...................................................................................................................... 3
3 PRINCIPAIS TIPOS DE MATRIZES ................................................................................................ 7
3.1 MATRIZ QUADRADA ................................................................................................................... 7
3.2 MATRIZ NULA . .............................................................................................................................. 7
3.3 MATRIZ COLUNA . ........................................................................................................................ 8
3.4 MATRIZ LINHA .............................................................................................................................. 8
3.5 MATRIZ DIAGONAL ..................................................................................................................... 8
3.6 MATRIZ IDENTIDADE . ................................................................................................................ 9
3.7 MATRIZ TRIANGULAR ................................................................................................................ 10
3.8 MATRIZ SIMÉTRICA ..................................................................................................................... 11
4 OPERAÇÕES COM MATRIZES ........................................................................................................ 11
4.1 ADIÇÃO E SUBTRAÇÃO .............................................................................................................. 11
4.2 MULTIPLICAÇÃO DE UMA MATRIZ POR UM ESCALAR ................................................... 12
4.3 MATRIZ TRANSPOSTA ................................................................................................................. 13
4.4 MULTIPLICAÇÃO DE MATRIZES .............................................................................................. 13
4.5 PROPRIEDADES ............................................................................................................................. 18
4.6 EXEMPLOS DE APLICAÇÕES DE OPERAÇÕES COM MATRIZES . .................................... 19
RESUMO DO TÓPICO 1 ...................................................................................................................... 23
AUTOATIVIDADE ................................................................................................................................. 24
TÓPICO 2 - ESCALONAMENTO E DETERMINANTE .................................................................. 27

1 INTRODUÇÃO ..................................................................................................................................... 27
2 ESCALONAMENTO ............................................................................................................................ 28
2.1 MATRIZ ESCALONADA ............................................................................................................... 28
2.2 OPERAÇÕES SOBRE LINHAS DE MATRIZES . ........................................................................ 29
2.3 ESCALONANDO MATRIZES ....................................................................................................... 31
3 DETERMINANTE ................................................................................................................................ 36
3.1 DETERMINANTE DE MATRIZES DE ORDEM 1 ...................................................................... 37
3.4 USANDO ESCALONAMENTO PARA CALCULAR O DETERMINANTE .......................... 40
RESUMO DO TÓPICO 2 ....................................................................................................................... 43
AUTOATIVIDADE ................................................................................................................................. 44
TÓPICO 3 - MATRIZ INVERSA ........................................................................................................... 45

1 INTRODUÇÃO ..................................................................................................................................... 45
2 MATRIZ INVERSA .............................................................................................................................. 45
2.1 DEFINIÇÃO ..................................................................................................................................... 45
2.2 CÁLCULO DA MATRIZ INVERSA DE UMA MATRIZ DE ORDEM 2 . ................................ 46
2.3 CÁLCULO DA MATRIZ INVERSA UTILIZANDO DETERMINANTE . ............................... 53
VII
2.4 CÁLCULO DA MATRIZ INVERSA UTILIZANDO O ESCALONAMENTO . ...................... 55
LEITURA COMPLEMENTAR ............................................................................................................... 61
RESUMO DO TÓPICO 3 ....................................................................................................................... 65
AUTOATIVIDADE ................................................................................................................................. 66
UNIDADE 2 - SISTEMAS LINEARES, ESPAÇOS VETORIAIS E TRANSFORMAÇÕES

LINEARES ...................................................................................................................... 67
TÓPICO 1 - SISTEMAS LINEARES .................................................................................................... 69

1 INTRODUÇÃO ..................................................................................................................................... 69
2 CLASSIFICAÇÃO DE SISTEMAS LINEARES .............................................................................. 69
2.1 VISUALIZAÇÃO DOS TIPOS DE SISTEMAS EM R² ................................................................ 70
3 MATRIZ RELACIONADA A UM SISTEMA LINEAR ................................................................. 72
3.1 MATRIZ AMPLIADA ..................................................................................................................... 75
4 RESOLUÇÃO DE UM SISTEMA LINEAR UTILIZANDO ESCALONAMENTO ................. 77
5 CLASSIFICANDO UM SISTEMA EM SPD, SPI OU SI ............................................................... 87
RESUMO DO TÓPICO 1 ....................................................................................................................... 93
AUTOATIVIDADE ................................................................................................................................. 94
TÓPICO 2 - ESPAÇO VETORIAL – PARTE 1 .................................................................................... 95

1 INTRODUÇÃO ..................................................................................................................................... 95
2 VETORES ............................................................................................................................................... 95
2.1 VETORES NO R² . ............................................................................................................................ 95
2.1.1 Operações com vetores ............................................................................................................. 98
2.2 VETORES NO Rn. . .......................................................................................................................... 99
3 ESPAÇOS VETORIAIS ........................................................................................................................ 99
4 SUBESPAÇOS VETORIAIS .............................................................................................................. 106
RESUMO DO TÓPICO 2 ....................................................................................................................... 108
AUTOATIVIDADE ................................................................................................................................. 109
TÓPICO 3 - ESPAÇO VETORIAL (PARTE 2) .................................................................................... 111

1 INTRODUÇÃO ..................................................................................................................................... 111
2 COMBINAÇÃO LINEAR .................................................................................................................... 111
3 DEPENDÊNCIA E INDEPENDÊNCIA LINEAR ........................................................................... 112
4 BASE DE ESPAÇO VETORIAL ......................................................................................................... 114
RESUMO DO TÓPICO 3 ....................................................................................................................... 118
AUTOATIVIDADE ................................................................................................................................. 119
TÓPICO 4 - TRANSFORMAÇÕES LINEARES ................................................................................ 121

1 INTRODUÇÃO ..................................................................................................................................... 121
2 O QUE É TRANSFORMAÇÃO LINEAR ......................................................................................... 121
3 TRANSFORMAÇÃO LINEAR E MATRIZ ...................................................................................... 123
4 NÚCLEO E IMAGEM DE UMA TRANSFORMAÇÃO LINEAR ............................................... 126
RESUMO DO TÓPICO 4 ....................................................................................................................... 136
AUTOATIVIDADE ................................................................................................................................. 137
UNIDADE 3 - PRODUTO INTERNO, AUTOVETORES E AUTOVALORES,

MUDANÇA DE BASE ................................................................................................. 139
TÓPICO 1 - AUTOVALORES E AUTOVETORES ............................................................................ 141

1 INTRODUÇÃO ..................................................................................................................................... 141
2 DEFINIÇÃO ........................................................................................................................................... 144
VIII
3 SUBESPAÇO ASSOCIADO AO AUTOVALOR ? .......................................................................... 148
4 MÉTODO PRÁTICO PARA DETERMINAR OS AUTOVALORES ........................................... 148
5 POLINÔMIO CARACTERÍSTICO ................................................................................................... 154
6 MULTIPLICIDADE ALGÉBRICA E GEOMÉTRICA DE UM AUTOVALOR DE T ............... 155
RESUMO DO TÓPICO 1 ....................................................................................................................... 158
AUTOATIVIDADE ................................................................................................................................. 159
TÓPICO 2 - PRODUTO INTERNO ..................................................................................................... 161

1 INTRODUÇÃO ..................................................................................................................................... 161
2 DEFINIÇÃO ........................................................................................................................................... 161
3 PRODUTO INTERNO USUAL .......................................................................................................... 161
4 EXEMPLOS DE PRODUTOS INTERNOS NÃO USUAIS ........................................................... 163
5 ORTOGONALIDADE DE VETORES .............................................................................................. 165
6 NORMA DE UM VETOR .................................................................................................................... 166
7 ÂNGULO ENTRE DOIS VETORES ................................................................................................. 167
8 BASE ORTONORMAL ........................................................................................................................ 170
RESUMO DO TÓPICO 2 ....................................................................................................................... 174
AUTOATIVIDADE ................................................................................................................................. 176
TÓPICO 3 - MUDANÇA DE BASE ...................................................................................................... 177

1 INTRODUÇÃO ..................................................................................................................................... 177
2 BASE ........................................................................................................................................................ 177
3 BASE ........................................................................................................................................................ 180
4 A MATRIZ INVERSA DA MATRIZ MUDANÇA DE BASE ....................................................... 189
RESUMO DO TÓPICO 3 ....................................................................................................................... 193
AUTOATIVIDADE ................................................................................................................................. 194
REFERÊNCIAS ......................................................................................................................................... 195
IX
X
UNIDADE 1
MATRIZES
OBJETIVOS DE APRENDIZAGEM
A partir desta unidade o(a) acadêmico(a) estará apto(a) a:
• reconhecer uma matriz;
• definir e fazer operações com matrizes;
• identificar as principais propriedades das matrizes;
• classificar as matrizes quanto ao tipo;
• calcular o determinante de uma matriz quadrada;
• escalonar uma matriz qualquer;
• calcular a matriz inversa.
PLANO DE ESTUDOS
Esta unidade está dividida em três tópicos. No final de cada um deles, você
encontrará atividades que reforçarão o seu aprendizado.
TÓPICO 1 – MATRIZES
TÓPICO 2 – ESCALONAMENTO E DETERMINANTE
TÓPICO 3 – MATRIZ INVERSA
1
2
UNIDADE 1
TÓPICO 1
MATRIZES
1 INTRODUÇÃO
O estudo de álgebra linear, geralmente, começa com o estudo de matrizes.
Essa prática acontece devido às várias aplicações e facilidades proporcionadas ao
relacionarmos os conceitos de álgebra linear com matrizes.
Embora isso não seja obrigatório, seguiremos esse roteiro no Caderno de

Estudos, pois acreditamos que facilitará o seu aprendizado.
2 CONCEITOS BÁSICOS
O quadro que segue mostra a quantidade diária em kg que cada animal
deve comer para cada tipo de ração (X, Y, Z).
ANIMAL
Boi Ovelha Cachorro Gato
RAÇÃO
X 20 3 1 0,3
Y 18 2 0,8 0,3
Z 15 2 1,2 0,2
Ao retirarmos os significados das linhas e das colunas, ficamos apenas com

os valores:
Essa organização em linhas e colunas dos valores sem a preocupação do

que eles representam chama-se matriz. Num conceito intuitivo, matriz é uma
tabela de valores.
3
UNIDADE 1 | MATRIZES
A matriz geralmente é representada por uma letra maiúscula do alfabeto

e seus elementos dispostos dentro de colchetes como acima. Mas podem aparecer
também entre parênteses, como é mostrado a seguir.
Cada item da matriz é denominado elemento da matriz. Esses elementos

podem ser de qualquer natureza, podem ser números, funções ou até mesmo
outras matrizes.
Para facilitar a sua localização, cada elemento é associado a sua posição na

matriz, e essa posição é dada pela combinação entre a linha e a coluna em que se
encontra. Chamando a matriz de A, usamos números indexados para representar,
conforme os exemplos a seguir:
a11 = elemento da 1ª linha com a 1ª coluna, lê-se “a um um” não pode ser
dito “a onze”
a12 = elemento da 1ª linha com a 2ª coluna, lê-se “a um dois”
a32 = elemento da 3ª linha com a 2ª coluna, lê-se “a três dois”
amn = elemento da m-ésima linha com a n-ésima coluna.
ATENCAO
Vejam que o primeiro número indexado ao ‘a’ na representação do elemento se

refere à linha e o segundo, à coluna.
4
TÓPICO 1 | MATRIZES
Exemplo:
O número de linhas e colunas que uma determinada matriz possui nos

fornece a ordem desta matriz.
Veja os exemplos:
a matriz A tem ordem 2x3
a matriz B tem ordem 2x5
a matriz C tem ordem 3x4
E
IMPORTANT
A ordem da matriz segue a mesma ideia das dos elementos, primeiro informa-se
o total de linhas e depois, o de colunas.
Assim, outra forma é representar, a generalização é dada por

ou seja, A é uma matriz de ordem m por n.
ATENCAO
Notem que o i representa a linha e o j a coluna.
5
Esse tipo de representação pode ser utilizado para construir os elementos

de uma matriz, por exemplo:
Utilizaremos a fórmula aij = i + 2j para construir todos os elementos da matriz

A, onde i representa a linha e j a coluna.
Duas matrizes A e B serão ditas iguais entre si quando forem de mesma

ordem e todos os elementos das posições correspondentes forem iguais entre si.
Por exemplo:
Verifique as igualdades entre os elementos correspondentes:
a11 = b11, a12 = b12, a21 = b21 e a22 = b22.
De maneira geral, podemos dizer que duas matrizes A e B de ordem m x n

serão iguais entre si quando aij = bij para i = 1, 2, 3,…m e j = 1, 2, 3,…, n.
6
3 PRINCIPAIS TIPOS DE MATRIZES
3.1 MATRIZ QUADRADA
Uma matriz será quadrada quando o número de linhas e colunas for igual.
Nesse caso teremos ordens do tipo 1x1, 2x2, 3x3, 4x4, e assim por diante. Mas como
já sabemos que o número de linhas e colunas são iguais nas matrizes quadradas,
não precisamos informar a linha e a coluna, basta falar a ordem. Por exemplo,
uma matriz 1x1 é, simplesmente, de ordem 1; uma matriz 2x2 é, simplesmente, de
ordem 2; 3x3 é de ordem 3; 4x4 é de ordem 4 e assim sucessivamente.
Exemplos de matrizes quadradas:
E
IMPORTANT
Nas matrizes do exemplo anterior, A é de ordem 2, B é de ordem 1 e C é de

ordem 4.
3.2 MATRIZ NULA

Quando todos os elementos de uma matriz A forem iguais a 0, a matriz A
será chamada de matriz nula. Em outras palavras, A = [aij]mxn será nula quando aij
= 0 para todo i = 1, 2, 3,…,m e para todo j = 1, 2, 3,…,n
Exemplos de matriz nula:
7
3.3 MATRIZ COLUNA

Uma matriz é denominada matriz coluna quando é composta por uma
única coluna, ou seja, são as matrizes de ordem 1x1, 2x1, 3x1, 4x1, 5x1,…, mx1.
Exemplos:
E
IMPORTANT
Esse tipo de matriz é muito importante para a Álgebra Linear, pois usualmente é
utilizado para representar vetores.
3.4 MATRIZ LINHA
A matriz composta por uma única linha é denominada matriz linha. São
matrizes de ordem 1x1, 1x2, 1x3, 1x4,…, 1xn.
Exemplos:
A= [a b c] B= [0 1] C= [10 - 3 9 1]
3.5 MATRIZ DIAGONAL

Uma matriz diagonal é uma matriz quadrada em que os elementos fora da
diagonal principal valem zero. Os elementos da diagonal podem ou não ser iguais
a zero. Logo, uma matriz é diagonal se:
8
Exemplos de matrizes diagonais:
Reparem que ambas as matrizes possuem elementos diferentes de 0 na

diagonal (essa diagonal é denominada diagonal principal, onde todos os elementos
aij têm i=j).
3.6 MATRIZ IDENTIDADE

É uma matriz quadrada onde os elementos da diagonal principal valem
1 e os restantes valem 0. Matematicamente, a matriz identidade é definida assim:
Exemplos:
UNI
Essa matriz chama-se identidade por ser o elemento neutro da multiplicação

entre matrizes. Contudo, conversaremos mais sobre esse detalhe no item que envolve
operações com matrizes.
9
Note que simbolizamos essa matriz pela letra I, referenciando o nome

Identidade.
3.7 MATRIZ TRIANGULAR

Uma matriz é dita triangular quando os elementos acima ou abaixo da
diagonal principal são zero. Mais especificamente:
· uma matriz triangular superior é aquela em que os elementos abaixo da diagonal

são zero:
· uma matriz triangular inferior é aquela em que os elementos acima da diagonal

são zero:
Exemplos:
As matrizes A e B são triangulares superiores, enquanto que as matrizes C

e D são triangulares inferiores.
ATENCAO
Uma matriz diagonal é uma matriz triangular superior e inferior.
10
3.8 MATRIZ SIMÉTRICA

Uma matriz A = [A]ij será dita simétrica quando for quadrada e tiver aij = aji.
Exemplos:
ATENCAO
Vejam que os termos abaixo da diagonal principal são uma “reflexão” dos termos
da parte acima da diagonal principal.
4 OPERAÇÕES COM MATRIZES
4.1 ADIÇÃO E SUBTRAÇÃO

Sejam duas matrizes A e B de ordem m x n. Então a matriz C = A + B terá a
ordem m x n e seus elementos serão definidos como cij = aij + bij, para i=1, 2, 3…m
e j=1, 2, 3,…, n.
ATENCAO
Para subtração de matrizes utilizamos a mesma ideia: dada duas matrizes A e B

de ordem m x n, a matriz C = A – B terá ordem m x n e seus elementos são definidos como
cij = aij – bij, para i = 1,2,3,…,m e j = 1,2,3,…,n.
11
Exemplos:
(a)
(b)
4.2 MULTIPLICAÇÃO DE UMA MATRIZ POR UM ESCALAR

Escalar, para quem nunca ouviu esse termo, no nosso caso, nada mais é
que um número real. Para multiplicar um número qualquer por uma matriz, basta
multiplicar todos os elementos da matriz por esse número. Ou seja,
Exemplos:
(a)
(b)
12
4.3 MATRIZ TRANSPOSTA

Dada uma matriz A = aij mxn, sua transposta é definida por At = aji nxm . Ou
seja, a primeira linha da matriz A será a primeira coluna da matriz transposta AT, a
segunda linha da matriz A será a segunda coluna da matriz transposta AT, e assim
sucessivamente para todas as linhas de A. Veja os exemplos:
(a)
Observe a 1ª linha de A e a compare com a 1ª coluna de AT. Agora repita

essa observação para as demais linhas de A em comparação com as colunas de AT.
(b)
Vejam que a primeira linha de B é igual à primeira coluna de BT e a segunda

linha de B é a segunda coluna de BT.
4.4 MULTIPLICAÇÃO DE MATRIZES

Sendo A = aij mxn e B = bij nxp , a matriz C = A·B será dada por
.
O primeiro fato a observar é que só podemos multiplicar matrizes quando

o número de colunas da primeira matriz for igual ao número de linhas da segunda
matriz.
13
ATENCAO
Note que na definição A tem n colunas e B tem n linhas. Essa igualdade tem que
ocorrer para que a multiplicação possa ser calculada.
Após estarmos certos que a multiplicação entre as matrizes é possível (o

número de colunas da primeira é igual ao número de linhas da segunda), passamos
ao cálculo. Vamos expor um exemplo para mostrar como proceder.
Começamos com duas matrizes A e B, onde é possível fazer o produto A·B
Como A possui duas colunas e B possui duas linhas, podemos calcular C

= A·B
Sabemos que a matriz C terá ordem 3x4 devido à definição, pois a ordem
da matriz resultado da multiplicação de duas matrizes herda o número de linhas
da primeira e o número de colunas da segunda. Observe:
Basta agora definirmos os elementos cij da matriz resultado C.
Para ficar mais fácil na hora de calcular podemos lembrar que:
c11 é o resultado da multiplicação da 1ª linha de A com a 1ª coluna de B
14
e assim por diante...
Portanto:
Com isso, finalmente, teremos:
Outros exemplos (resolvidos mais rapidamente)
Determine A • B nas situações a seguir, quando possível.
15
(a)
Resolução
Primeiramente, temos que verificar se a multiplicação é possível. Para isso,

olhamos a ordem das matrizes.
A primeira tem ordem 2x2, a segunda 2x3. Como o número de colunas da

primeira é igual ao número de linhas da segunda, a multiplicação é possível.
A matriz resultado terá ordem 2x3, uma vez que o número de linhas da
primeira matriz é 2 e o número de colunas da segunda é 3.
Logo,
Calculando os elementos cij multiplicando a linha i da primeira matriz com

a coluna j da segunda, teremos:
c 1 1 = (-2)∙(1)+(4)∙(-2)=-2-8=-10
c 1 2 = (-2)∙(2)+(4)∙(5)=-4+20=16
c 13 = (-2)∙(3)+(4)∙(0)=-6+0=-6
c 21 = (1)∙(1)+(2)∙(-2)=1-4=-3
c 2 2 = (1)∙(2)+(2)∙(5)=2+10=12
c 2 3 = (1)∙(3)+(2)∙(0)=3+0=3
Portanto,
16
ATENCAO
Vejam que o elemento c11 da matriz resultado foi calculado multiplicando a

1ª linha da matriz A pela 1ª coluna da matriz B. Todos os outros são calculados de forma
semelhante.
(b)
Como temos uma matriz de ordem 2x3 multiplicando uma matriz 3x1, esta
multiplicação é possível e resultará numa matriz 2x1.
DICAS
Se não compreendeu o motivo da conclusão acima, volte e estude as explicações

anteriores a este exemplo.
Calculando os elementos c11 e c21, teremos
c 11 =(-2)∙(-1)+1∙2+0∙1=2+2+0=4
c 21 =(-4)∙(-1)+2∙2+1∙1=4+4+1=9
Logo, temos o resultado da multiplicação:
17
E
IMPORTANT
Se você não está conseguindo acompanhar os cálculos, utilize as informações

contidas no nosso primeiro caso, faça todos os cálculos separadamente e confira a resposta.
Nunca esqueça: todas as linhas da primeira matriz multiplicam todas as colunas da segunda
matriz.
4.5 PROPRIEDADES
As propriedades a seguir são válidas para todas as matrizes quando a
operação em questão for possível.
(i) Em geral, A·B ≠ B·A, para A e B duas matrizes quaisquer, isto é, não é válida a
propriedade comutativa da multiplicação para matrizes.
(ii) A·I = I·A = A , onde I é a matriz identidade de ordem apropriada e A é uma

matriz qualquer.
(iii) A·(B+C) = A·B + A·C, quaisquer que sejam A, B e C matrizes (propriedade

distributiva à esquerda).
(iv) (A + B) ·C = A·C + B·C quaisquer que sejam A, B e C matrizes (propriedade

distributiva à direita).
(v) (A·B) ·C = A·(B·C), para A, B e C matrizes (propriedade associativa).
(vi) (A·B)T = BT·AT , para A e B matrizes.
ATENCAO
Fique atento à ordem das matrizes na propriedade (vi).
(vii) 0·A = 0 e A·0 = 0 , para toda matriz A(onde 0 é a matriz nula de ordem
apropriada).
18
E
IMPORTANT
É possível A·B = 0, sem termos A = 0 ou B = 0.
Para exemplificar o que o uni acabou de informar considere as matrizes:

e , note que A ≠ 0 e B ≠ 0. (onde 0 é a matriz nula de
ordem apropriada)
Com isso teremos
4.6 EXEMPLOS DE APLICAÇÕES DE OPERAÇÕES COM

MATRIZES
(a) Os quadros a seguir mostram a produção, em milhares de toneladas de soja,

feijão e milho das regiões sul, sudeste, centro-oeste e norte nos anos 2007 e 2008,
respectivamente. (Dados fictícios)
Produto
Soja Feijão Milho
Região
Sul 5000 20 100
Sudeste 3500 75 200
Centro-oeste 2000 80 150
Norte 1500 20 0
Produção de 2007
Produto
Soja Feijão Milho
Região
Sul 7500 18 130
Sudeste 4500 22 220
Centro-oeste 1800 75 250
Norte 1750 25 100
Produção de 2008
Se quisermos verificar o total da produção de soja, feijão e milho por região,

basta somarmos as duas tabelas. Usando somente os valores dos quadros, teremos
uma soma de matrizes. Veja:
19
Ou seja, para termos a solução basta ler a matriz resultado lembrando o

significado de cada linha e de cada coluna.
(b) Agora observe o seguinte quadro que representa o número de peças de tecido
(X,Y,Z,W) necessárias para produzir cada tipo de roupa (A,B,C).
Malha
X Y Z W
Roupa
A 1 0 1 1
B 0 2 1 2
C 2 1 1 0
Os preços por unidade de cada tecido (X,Y,Z,W) estão no seguinte quadro:
Malhas Preços (em R$)

X 12,00
Y 15,00
Z 8,00
W 6,00
Se quisermos saber quanto custa cada tipo de roupa (A, B, C), basta
multiplicar as matrizes dos valores do primeiro quadro com os valores do segundo
quadro. Veja:
Logo, o custo da roupa A é R$ 26,00, da roupa B é R$ 50,00 e da roupa C é

R$ 47,00.
20
(c) Digamos que o número de transistores e o número de alto falantes necessários

para montar alguns modelos de TV estão dispostos na tabela a seguir:
Modelo A Modelo B Modelo C

Transistores 13 18 20
Alto falantes 2 3 4
Suponhamos ainda que a próxima tabela mostre o número total de

encomendas dos modelos de TV para os meses de janeiro e fevereiro.
Janeiro Fevereiro
Modelo A 12 6
Modelo B 24 12
Modelo C 12 9
Como determinar o número de transistores e de alto falantes necessários

para montar todas as TVs em cada mês?
Resolução:
Veja que queremos a informação do número total de transistores de alto

falantes em cada mês, ou seja, gostaríamos de algo assim:
Janeiro Fevereiro
Transistores
Alto falantes
Para isso, basta multiplicar a primeira matriz pela segunda (vamos deixar
os títulos e operar apenas com os valores)
21
Essa última matriz indica a resposta, ou seja,
Janeiro Fevereiro
Transistores 828 474
Alto falantes 144 84
DICAS
Caso você tenha tido dificuldade em entender como foram multiplicadas

as matrizes, volte ao tópico que faz essa explicação detalhadamente e prossiga do jeito
ensinado. Você verá que os resultados serão os mesmos.
22
RESUMO DO TÓPICO 1
Neste tópico, tratamos especificamente de matrizes. A seguir, resumimos
o que vimos para facilitar a fixação do estudo.
• Uma organização em linhas e colunas é chamada de matriz.
• Cada ente da matriz é denominado elemento.
• O elemento pode ser de qualquer natureza: pode ser número, função ou até
mesmo outra matriz.
• Representamos uma matriz por uma letra maiúscula e nesse caderno os

elementos estarão dispostos entre colchetes, apesar de existirem outras formas
de representação.
• A ordem de uma matriz é a informação da quantidade de linhas e colunas.
• Duas matrizes são iguais quando todos os elementos correspondentes tiverem o

mesmo valor.
• Estudamos alguns tipos de matrizes: quadrada, nula, coluna, linha, diagonal,

identidade, triangular superior, triangular inferior e simétrica.
• Vimos também algumas operações: soma de matrizes, multiplicação por escalar,

matriz transposta e multiplicação de matrizes.
• Só podemos somar matrizes de mesma ordem.
• Para multiplicar matrizes o número de colunas da primeira matriz tem que ser
igual ao número de linhas da segunda. Já a matriz resultante (produto) terá o
número de linhas da primeira matriz e o número de colunas da segunda matriz.
• Na multiplicação de matrizes, não vale a propriedade comutativa, isto é,

podemos ter A . B≠B . A, para duas matrizes quaisquer A e B.
23
AUTOATIVIDADE
Para verificar se você entendeu todos os conceitos apresentados no Tópico 1,

responda a essas atividades.
1 Construa as matrizes:
e
2 Relacione as colunas, quanto ao tipo de matrizes.
(a) matriz simétrica
(b) matriz triangular superior
(c) matriz triangular inferior
(d) matriz diagonal
3 Calcule, quando possível, as operações a seguir:
a)
b)
24
c)
d)
e)
f)
4 Um construtor tem contratos para construir 3 estilos de casa: moderno,

mediterrâneo e colonial. A quantidade de material empregada em cada tipo
de casa é dada pela matriz:
(Qualquer semelhança dos números com a realidade é mera coincidência).
a) Se ele vai construir 5,7 e 12 casas dos tipos moderno, mediterrâneo e colonial,
respectivamente, quantas unidades de cada material serão empregadas?
b) Suponha agora que os preços por unidade de ferro, madeira, vidro, tinta e
tijolo sejam, respectivamente, 15, 8, 5, 1 e 10 unidades monetárias. Qual é o
preço unitário de cada tipo de casa?
c) Qual o custo total do material empregado?
25
26
UNIDADE 1
TÓPICO 2
ESCALONAMENTO E DETERMINANTE
1 INTRODUÇÃO
Podemos pensar neste tópico como uma introdução para os tópicos
seguintes, uma vez que muitos dos cálculos de álgebra linear podem ser feitos
com o auxílio de escalonamento de matrizes.
Existem relatos que na China antiga já eram resolvidos sistemas lineares

usando um tipo de matriz e que também existia algo como um determinante,
porém só no século XIX é que Cauchy e Jacobi realizaram trabalhos formais sobre
o tema.
No presente tópico veremos que toda matriz quadrada tem um número

relacionado a ela, chamado de determinante. Embora o cálculo do determinante para
matrizes de ordem grande seja muito caro computacionalmente, inviabilizando a
aplicação de seus conceitos em questões práticas, vale a pena estudá-lo pela beleza
da parte teórica e pela riqueza histórica. O importante no determinante não é seu
cálculo explícito, mas as propriedades que ele possui.
Estudaremos ainda como escalonar matrizes e a utilidade deste

procedimento. E, também, usaremos o escalonamento como uma forma de
encontrar o determinante, embora este não seja o único jeito, e nem de longe a
aplicação mais importante para o escalonamento.
Esses conceitos ajudarão, e muito, na resolução dos sistemas lineares, bem

como para verificar se os sistemas admitem ou não soluções.
27
2 ESCALONAMENTO
2.1 MATRIZ ESCALONADA

Para nós, a matriz escalonada será uma matriz que satisfaça as seguintes
condições:
(i) O primeiro valor não nulo de cada linha será denominado pivô.
(ii) Abaixo de cada pivô, só existirão valores nulos na coluna em questão.

Essas condições são suficientes para dar uma forma que lembra uma
escada, pois todas as matrizes que as satisfizerem ficarão mais ou menos assim:
ATENCAO
Você notou que, se observarmos os elementos nulos abaixo dos pivôs (em
destaque), existe, aparentemente uma escada na matriz?
E
IMPORTANT
Não deixem de verificar se as condições descritas acima são satisfeitas na matriz

dada.
Outros exemplos de matrizes escalonadas, destacando os pivôs.
28
TÓPICO 2 | ESCALONAMENTO E DETERMINANTE
2.2 OPERAÇÕES SOBRE LINHAS DE MATRIZES

Toda matriz está relacionada a conjuntos com certas propriedades. Esses
conjuntos estão fortemente ligados entre si e ao tipo de sistema linear que a matriz
representa, estudaremos um pouco sobre eles posteriormente.
O mais interessante é que podemos fazer determinadas operações entre

as linhas de qualquer matriz sem alterar esses espaços, o que, evidentemente não
altera seus resultados e propriedades.
Como vocês verão no decorrer deste caderno, é mais fácil trabalhar com
a matriz escalonada. Então usaremos as operações sobre linhas de matrizes para
transformar uma matriz qualquer em uma escalonada.
UNI
Preste bem atenção nas operações permitidas, pois não é qualquer operação
que não altera os conjuntos relacionados às matrizes.
São três as operações sobre linhas de matrizes:
(i) Permutação entre linhas
Nada mais é que trocar uma linha inteira por outra. Por exemplo, escrever
a 4ª linha no lugar da 2ª linha e vice-versa.
Esta operação é denotada por Li ↔ Lj, onde i e j representam o número da

linha em questão.
Exemplo:
Observem que as linhas 1 e 4 foram

permutadas (trocadas).
29
(ii) Multiplicação de uma linha por um escalar diferente de zero
Dada uma linha qualquer i da matriz, multiplica-se todos os elementos

dessa linha por um escalar (número real) diferente de 0.
Representaremos esta multiplicação da linha i pelo escalar c por: Li → c·Li
Exemplo:
Observem que a “nova” linha 1 é o resultado da multiplicação entre o

escalar 2 e a “velha” linha 1.
(iii) Soma da linha i com uma linha j multiplicada por c não nulo.
Representação: Li → Li + c.Lj
Substituiremos uma linha, somando a esta linha outra linha qualquer

multiplicada por um escalar c.
Vejam o exemplo com atenção:
Como mostra a representação L2 → L2 + 2·L1, a “antiga” linha 2 foi substituída

pela soma da linha 2 com a linha 1 multiplicada por 2.
Outros exemplos de operações sobre linhas de matrizes:
30
Nesse exemplo 2, usamos várias operações na mesma matriz. Isso

é sempre válido e, na verdade, faremos isso sempre que for preciso escrever a
matriz escalonada. Note que a matriz do exemplo b ainda não está escalonada,
mas está bem próxima a isso. Refaça os passos numa folha de estudo para fixar e
compreender os resultados. Você consegue visualizar a operação que deveria ser
feita em B para torná-la uma matriz escalonada?
2.3 ESCALONANDO MATRIZES

Agora aplicaremos as operações vistas no item anterior com o objetivo de
escrever a matriz dada de forma escalonada.
Apesar de, no início do aprendizado, ser um cálculo longo, ele está longe
de ser difícil. Basta prestar atenção nos detalhes, que são poucos, e não aparecerão
dificuldades.
É importante lembrar que queremos “zerar” todos os números abaixo dos

pivôs em cada coluna. Então o primeiro passo é identificar quem será seu pivô e
após isso, fazer operações sobre linhas de matrizes até que todos os elementos
abaixo dele sejam zeros.
Veja o exemplo detalhado a seguir:
Considere a matriz:
O primeiro pivô será o elemento a11 que, no nosso exemplo, é 1. Temos que
nos preocupar em zerar os elementos abaixo de a11=1, ou seja, a21=3 e a31=2.
Como o pivô está na linha 1, esta linha será usada de base e, nesta primeira
etapa, a usaremos para conseguir zerar os elementos que desejarmos.
31
Como só podemos fazer as operações permitidas, teremos que somar a

linha 2 (que contém o elemento 3 que queremos zerar) com a linha 1 (do pivô)
multiplicada por algum escalar c. Vejam que esta é a terceira operação descrita no
item 2.2.
Todo o esforço se reduz a determinar qual o escalar c que, multiplicado

com a linha do pivô (no caso a 1) e somado com a linha do elemento a zerar (no
caso, a linha dois), consegue zerar o elemento efetivamente.
Para determinar esse escalar c basta dividir o elemento que se deseja zerar
pelo oposto do pivô.
Ou seja:
ATENCAO
Note que dividimos o 3 (elemento que queremos zerar) pelo (-1), que é o oposto
de 1. Essa “troca” de sinal é o que caracteriza o oposto do pivô, e sempre terá que ocorrer
para determinar o escalar c.
Definido o escalar c, a “nova” linha 2 será a soma entre a “atual” linha 2

com a linha do pivô multiplicado por c (ou seja, com a linha 1 multiplicado por -3).
Teremos então:
Conseguimos zerar o elemento 3 da linha 2. Agora repetiremos o processo

para zerar o elemento a31 = 2. Ainda usaremos como base a linha 1, pois o pivô
pertence a esta linha.
Determinando o c:
32
Continuando o processo:
Os pivôs desta matriz escalonada são a11=1, a22 = 1 e a34 = -2.
Tivemos sorte: a matriz já está escalonada, mas nem sempre isso ocorrerá
tão rápido. A seguir, teremos mais exemplos com menos comentários e maior
ênfase nos cálculos necessários para determinar o escalar c.
Exemplo 1:
Seja a matriz A apresentada a seguir:
Como, para determinar o escalar c precisamos dividir o elemento que

queremos zerar pelo pivô, se o pivô for igual a 1, o trabalho será reduzido. Com isso,
sempre que possível, fazemos o pivô “virar” 1 multiplicando a linha por um número
(segunda operação do item 2.2)
Nesse caso, ficaria ainda mais fácil se nós permutarmos a linha 3 com a
linha 1, antes de nos preocuparmos em transformar o pivô em valor 1. Isso porque
todos os elementos da linha 3 são pares, enquanto o mesmo não acontece com os
elementos da linha 1.
Logo,
Não é difícil observar que, primeiramente, trocamos a linha 1 pela linha

três (L1↔L3) e após isso, multiplicamos a linha 1 por ½.
33
Nosso primeiro pivô então será o elemento a11=1, e teremos que zerar os
elementos a21= -5 e a31= 2.
Para zerar a21= -5, determinamos o c:
Então:
Para zerar a31= 2, determinamos o c,
Então:
A matriz ainda não está escalonada, pois abaixo do pivô a22 = 6, temos um
elemento diferente de zero. Temos que zerá-lo, mas antes podemos fazer nosso
pivô se transformar em 1 a fim de facilitar os cálculos.
Logo,
34
Temos agora o pivô a22 = 1. Portanto o escalar c necessário para zerar o

elemento a32=3, será dado por:
Então,
E
IMPORTANT
Note que a linha base nesta última etapa é a segunda. Isso ocorre porque o
pivô está nesta linha. Notem também que não utilizamos o sinal de = entre as matrizes
simplesmente porque as matrizes não são iguais, apenas conservam propriedades
importantes entre si.
Os pivôs da matriz escalonada são os elementos a11 = 1, a22 = 1 e a33 = -2.
Exemplo 2:
Neste exemplo, só colocaremos os cálculos. Veja se você consegue

acompanhá-lo. Para isso preste atenção na representação das operações que
estamos fazendo abaixo da matriz.
Seja a matriz:
35
Pronto, a matriz está escalonada e seus pivôs são os elementos a11=1, a22=2
e a33=-1.
3 DETERMINANTE
O determinante é um número relacionado a matrizes quadradas. Agora
nós veremos como calcular o determinante de matrizes de ordem 1, 2 e 3. Depois,
veremos como calcular o determinante utilizando escalonamento para calcular o
determinante de matrizes.
Embora possamos calcular o determinante de matrizes de ordens superiores

utilizando o método de Laplace (visto no ensino médio), não o mostraremos nesse
caderno e nos concentraremos nas matrizes de ordem menor pelos motivos já
ditos na introdução deste tópico. Entretanto, o método envolvendo escalonamento
de matrizes pode ser utilizado para calcular determinante de matrizes de ordem
superior como veremos mais à frente.
Adotaremos duas representações para determinantes de uma matriz

quadrada A:
(i) escrevemos det (A) ou;
(ii) simplesmente escrevemos os elementos da matriz A entre barras

paralelas ao invés de usar colchetes.
Exemplo:
36
3.1 DETERMINANTE DE MATRIZES DE ORDEM 1

As matrizes de ordem 1 tem uma linha e uma coluna, ou seja, possuem
apenas um elemento. Este elemento será o determinante da matriz.
Exemplos:
a) Se A = [-2], então det (A) = -2.
b) Se B = [54], então det (B) = 54.
c) Se C = [a], então det (C) = a.

As matrizes de ordem 2 têm duas linhas e duas colunas. Para calcularmos
o determinante destas matrizes, basta multiplicarmos os elementos da diagonal
principal e subtrairmos o resultado do produto dos elementos da diagonal
secundária. Ou seja:
Exemplo:
1) Calcule o determinante das matrizes de ordem 2 a seguir:
37

Utilizaremos a regra de Sarrus para calcular esse determinante, que consiste
em quatro passos:
1º) Repetir as duas primeiras colunas da matriz, após a terceira coluna. Veja:
2º) Multiplicar os termos da diagonal principal, bem como os termos das duas
outras diagonais que criamos no passo 1.
Ao final deste passo, sempre teremos três valores: no nosso exemplo, 3·4·8
= 96, 2·6·7 = 84 e 1·5·9 = 45.
3º) Multiplicar os termos da diagonal secundária, bem como os termos das duas
outras diagonais que criamos no passo 1.
Ao final desse passo sempre, teremos três valores: no nosso exemplo, 3·5·7
= 105, 1·6·8 = 48 e 2·4·9 = 72.
38
4º) Somar os três valores do passo 2. Somar os três valores do passo 3. Efetuar a
subtração entre esses dois resultados obtidos.
No passo 2 conseguimos 96+84+45 = 225. No passo 3 temos 105+48+72 = 225.

Logo, o determinante será (225) – (225) = 0.
ATENCAO
Sempre teremos que fazer o total do passo 2 subtraído do total do passo 3. Não
podemos fazer ao contrário, pois a subtração não é comutativa.
Outros exemplos de ordem 3:
a)
E
IMPORTANT
Não vá adiante sem entender muito bem esse exemplo. Se você teve dificuldade
em entender os valores apresentados, faça os 4 passos separadamente e compare os
resultados.
b)
39
3.4 USANDO ESCALONAMENTO PARA CALCULAR O

DETERMINANTE
O que nos motiva a usar escalonamento para calcular o determinante são
as seguintes afirmações:
(i) O determinante de uma matriz triangular superior é dado pela multiplicação

dos termos da diagonal principal.
ATENCAO
Faça alguns exemplos de matrizes triangular superiores de ordem 3 para verificar

essa afirmação.
(ii) Ao permutar duas linhas de uma matriz, o determinante dessa matriz apenas
muda de sinal, não alterando seu valor absoluto.
(iii) Ao multiplicarmos uma linha de uma matriz por um escalar c, o determinante

dessa matriz também ficará multiplicado por c. Ou seja, considerando det (A) =
a, se multiplicarmos uma linha da matriz A por c obtendo uma matriz A1, então
teremos que det (A1) = a·c
É útil, em alguns casos, sabermos também as seguintes propriedades:
(i) Se todos os elementos de uma linha ou de uma coluna de uma matriz forem
iguais a zeros, então o determinante dessa matriz será igual a zero.
(ii) O determinante de uma matriz com duas linhas ou colunas iguais é zero.
E
IMPORTANT
Podemos generalizar esta propriedade dizendo que se uma matriz possui linhas
(ou colunas) múltiplas uma das outras, então o determinante é zero.
40
(iii) det (A·B) = det (A)·det (B) – Teorema de Binet
Pelas afirmações e propriedades citadas note que, se tomarmos os devidos

cuidados e fazermos as devidas correções ao final do cálculo, podemos reduzir
o determinante a um produto dos termos da diagonal principal. Para isso, basta
escalonar uma matriz até obter uma matriz triangular superior, o que vimos como
fazer no item 2 deste tópico..
Exemplo:
a) Calculemos o determinante da matriz do exemplo b do item 3.3 usando

escalonamento.
Chegamos a uma matriz triangular superior. Vamos multiplicar os termos

da diagonal principal para calcular o determinante: 1·7·(-3) = -21. Portanto, o
determinante da matriz é igual a -21, conforme já havíamos demonstrado.
Veja que, nesse caso, não foi necessário fazer nenhuma correção sobre o
valor encontrado, pois não multiplicamos nenhuma linha por uma constante e
nem permutamos duas linhas.
ATENCAO
Este método pode ser utilizado para matrizes de ordem maior, mas temos que
tomar cuidado com a multiplicação de linhas por um escalar ou permutação de linhas.
b) Por escalonamento, calcule o determinante da matriz
41
Como a última matriz é triangular superior, temos que:
Porém para chegar à última matriz multiplicamos a linha dois por -½ .

Assim o determinante da última matriz deve ser multiplicado por (-2):
ATENCAO
Não vá adiante sem entender esse exemplo, pois ele é muito importante.
Refaça-o em outra folha explicitando os passos dados, se for preciso.
42
RESUMO DO TÓPICO 2
Neste tópico, vimos que:
• Toda matriz quadrada A tem um número relacionado a ela denominado

determinante de A.
• O determinante da matriz de ordem 1 é igual ao elemento da matriz.
• Para calcular o determinante da matriz de ordem 2, fazemos o produto dos

elementos da diagonal.
• Principal menos o produto dos elementos da diagonal secundária.
• A regra de Sarrus é utilizada para calcular o determinante de matrizes de ordem

3.
• Ao escalonar uma matriz, mantemos propriedades importantes e facilitamos

alguns cálculos.
• Quando utilizamos escalonamento para calcular o determinante, precisamos

fazer correções no valor obtido sempre que multiplicamos uma linha por um
escalar ou permutamos linhas.
43
AUTOATIVIDADE
Para fixar os conceitos estudados no Tópico 2, responda aos seguintes

exercícios:
1 Calcule o determinante das matrizes a seguir.
a) b) c)
2 Usando a regra de Sarrus, calcule:
a) b)
3 Faça o escalonamento utilizando as operações sobre linhas de matrizes.

a) b)
4 Use o escalonamento e calcule o determinante das duas matrizes dadas no

exercício 2.
44
UNIDADE 1
TÓPICO 3
O DESAFIO SOCIAL DA UNIVERSIDADE E A

QUESTÃO DA PESQUISA
1 INTRODUÇÃO
Você iniciará agora o estudo de matriz inversa. Neste tópico aprenderá
os conceitos, propriedades e três métodos de como determinar a inversa de uma
matriz.
Para isso, no primeiro momento, faremos o cálculo da mesma forma

que apresentado nos cursos de ensino médio. Esta abordagem fará com que
você relembre ou, em alguns casos, aprenda este método. A seguir, usaremos o
determinante da matriz para determinar a inversa e, finalmente, apresentaremos o
método que envolve o escalonamento da matriz.
É importante salientar desde já que o método do escalonamento parecerá

muito difícil em comparação aos outros, contudo é o melhor método para calcular
a inversa de matrizes de ordem grande, e, em aplicações práticas, as matrizes são,
geralmente, de ordens elevadas. Portanto, tente entender bem o processo quando
este for apresentado.
2 MATRIZ INVERSA
2.1 DEFINIÇÃO
Seja uma matriz quadrada A, a matriz inversa A-1 será uma matriz tal que:
A . A - 1 =A - 1 . A= 1
E
IMPORTANT
Note que esta definição indica que a multiplicação da matriz A pela sua inversa
tem que resultar na matriz identidade. Além disso, a matriz inversa tem que poder multiplicar
a esquerda e a direita a matriz A. Isso implica que, para ter inversa, a matriz A precisa ser
quadrada como informado na definição e ter determinante diferente de zero.
45
2.2 CÁLCULO DA MATRIZ INVERSA DE UMA MATRIZ DE

ORDEM 2
Agora vamos relembrar como calcular a inversa de uma matriz de ordem 2
usando os métodos ensinados no ensino médio.
ATENCAO
Caso você não tenha aprendido no ensino médio como calcular a matriz inversa,
não tem problema, pois daremos dois exemplos bem detalhados que, serão suficientes para
que você aprenda.
Exemplo 1:
Neste primeiro exemplo, comentaremos todos os passos que efetuaremos

no cálculo da inversa. Isso será bom para que você entenda bem o método. Para
isso, começaremos a explanação sobre o cálculo da matriz inversa utilizando a
seguinte matriz:
É em relação a essa matriz que determinaremos a matriz inversa A-1. Para

calcular, lembre-se da definição:
A . A - 1 =A - 1 . A= 1
Como , então temos que determinar uma matriz A-1 que pode
ser multiplicada de ambos os lados de A.
DICAS
Lembre-se que nem sempre é possível multiplicar matrizes. Caso não se lembre
das definições de multiplicação de matrizes, volte ao tópico que explica essa operação.
46
TÓPICO 3 | O DESAFIO SOCIAL DA UNIVERSIDADE E A QUESTÃO DA PESQUISA
Como a matriz A é uma matriz de ordem 2x2 (duas linhas e duas colunas),
a matriz inversa A-1 tem que ser da mesma ordem de A, ou seja, 2x2.
Logo, aplicando a definição de matriz inversa, temos:
A.A-1=A-1.A=1
Note que não conhecemos a matriz inversa A-1, mas sabemos que ela tem a
mesma ordem de A, ou seja, ordem 2x2. Podemos então substituir na equação A-1
pela matriz na definição. Também substituiremos na definição a matriz
identidade I pela matriz identidade de ordem 2, .
E
IMPORTANT
Como já falamos só existe a inversa de matrizes quadradas. E mais do que isso,

a inversa A-1 terá sempre a mesma ordem da matriz A, além disso, a identidade I também
terá essa mesma ordem.
Voltando ao cálculo temos:
Efetuando a multiplicação das matrizes do lado esquerdo, conseguiremos:
47
Isso implica:
Para essas duas matrizes serem iguais, é necessário que todos os elementos
de posições correspondentes sejam iguais, ou seja:
Notem que, dessas quatro igualdades, em duas aparecem os termos a e c e

nas outras duas aparecem os termos b e d. Separando então essas quatro equações
(igualdades) em relação aos termos a,b,c e d teremos dois sistemas lineares:
Basta agora resolver estes dois sistemas para encontrar os valores a, b, c e d

e, consequentemente, os elementos da matriz inversa A-1.
DICAS
Embora termos um tópico sobre sistemas lineares, acreditamos que todos

tenham tido contato com esses sistemas pequenos tanto no ensino fundamental, quanto
no médio. Caso você não entenda a próxima explicação, é importante que pegue um livro
de matemática da sétima série e faça um estudo sobre os sistemas lineares de ordem 2.
Vamos resolver o primeiro sistema linear:
48
Da primeira igualdade, temos a informação:
b+2d = 0
Que é o mesmo que escrever:
b=- 2d
Agora, utilizaremos essa igualdade para substituir a incógnita b da segunda

igualdade do sistema pela expressão -2d. Ou seja,
2b +5d= 1
2∙(-2d ) + 5d= 1
Resolvendo essa igualdade teremos:
-4d+5d=1
d=1
Agora sabemos que d=1, e. Então, retornando à igualdade b= -2d, teremos:
b= -2d
b=-2 ∙( 1)
b= -2
E
IMPORTANT
Veja que já resolvemos o sistema, uma vez que b = -2 e d = 1. Repetiremos o

processo no outro sistema para determinar a e c, e com isso teremos a matriz inversa.
O outro sistema,
Pegando a primeira equação (igualdade), e isolando a incógnita a, teremos:
a+2c=1
a=1-2c
49
Substituindo essa igualdade na segunda equação, e desenvolvendo:
2a+5c =0
2(1-2c)+5c=0
2-4c+5c =0
2+c =0
c=-2
Retornando para a expressão a =1-2c, e substituindo o valor c=-2
a=1-2c
a=1-2(-2)
a=1+4
a=5
Chegamos então aos quatro valores das incógnitas: a = 5, b = -2, c = -2, d =

1. Logo a matriz inversa será:
DICAS
Se você quiser ter certeza que calculou a matriz inversa A-1 corretamente,
basta efetuar a multiplicação A.A-1, no nosso exemplo, . Se essa
multiplicação resultar na identidade , você terá calculado corretamente, caso
contrário, refaça os cálculos.
A apresentação deste primeiro exemplo ficou bastante longa por causa do

detalhamento de todo o processo. O próximo exemplo será feito omitindo alguns
detalhes.
Exemplo 2: Calcule a inversa da matriz
Como dito no exemplo 1, seremos mais sucintos na explicação dos passos,

mas faremos exatamente da mesma maneira, caso não entenda algum motivo,
volte ao exemplo
50
1 e compare as situações.
Da definição de matriz inversa:
A ∙ =A -1 ∙A =I
Teremos:
Efetuando a multiplicação do termo do lado esquerdo da igualdade:
Analisando a igualdade termo a termo, teremos quatro equações

(igualdades):
Separando em dois sistemas em relação às incógnitas a, b, c, d:
Resolvendo o primeiro:
Isolando a incógnita b na primeira igualdade:
-b+2d=0
2d=0+b
2d=b
51
Como b=2d, substituiremos essa informação na segunda igualdade:
-3b+d=1
-3(2d)+d=1
-6d+d =1
-5d=1
d= - 1
5
Voltando à igualdade b=2d e substituindo d= - 1 , conseguiremos:

5

b=2d
Temos que resolver o outro sistema:
Isolando a incógnita a na primeira equação:
-a+2c=1
-a=1-2c
a=-1+2c
Substituindo essa informação na segunda equação do sistema e resolvendo,
-3a+c=0
-3∙(-1+2c)+c=0
3-6c+c =0
-5c=-3
c= -3
-5
c= 3
5
52
Com o valor de c= 3 , na igualdade a= -1 + 2 c, teremos:

5

a=-1+2c
Como já determinamos os valores dos elementos a, b, c, d da matriz inversa

A - 1 , segue que
UNI
Faça a multiplicação A·A-1 para verificar se resulta na matriz identidade e conferir

se os cálculos estão corretos.
2.3 CÁLCULO DA MATRIZ INVERSA UTILIZANDO DE

TERMINANTE
No item anterior, vimos como calcular a matriz inversa de uma matriz de
ordem 2 utilizando a definição e resolvendo o sistema linear. Agora veremos como
utilizar o determinante da matriz para determinar a inversa.
Definição: Seja uma matriz , onde a, b, c e d são números reais
tais que det (A) ≠0. Então a inversa de A será dada por A - 1 =
53
E
IMPORTANT
A generalização dessa definição para matrizes de ordem maior que 2 é possível,

porém exige a definição de cofator de elementos e de matriz de cofatores. Como usaremos
o escalonamento para matrizes de ordem maior que 2, não faremos a generalização nesse
Caderno de Estudos, mas você pode encontrá-la no livro de Álgebra Linear, de Boldrini.
Exemplo 1: Calcule a inversa de
Sabemos da definição que
Então, precisamos calcular det(A), ou seja:
Então, voltando à definição:
54
ATENCAO
Veja como é rápido efetuar essa inversa, porém a generalização é difícil. Portanto,
é importante aprender os outros métodos.
2.4 CÁLCULO DA MATRIZ INVERSA UTILIZANDO O

ESCALONAMENTO
Conforme mencionamos, não costumamos utilizar o método do
determinante para encontrar a matriz inversa de matrizes cuja ordem é superior a
2. Para estes casos, utilizaremos o método que envolve o escalonamento da matriz.
Para explicar como determinar a inversa de uma matriz utilizando o

escalonamento, não faremos a generalização do processo, mas utilizaremos
vários exemplos. Acreditamos que, assim, será mais fácil para você entendê-lo.
Entretanto, esse método é de fácil generalização, por isso vale a pena aprender a
fazê-lo de maneira correta para utilizar quando for necessário determinar matrizes
de ordem grande.
55
DICAS
Preste bastante atenção no desenvolvimento do exemplo, e vá repassando os

passos numa folha de anotações para compreender corretamente o que precisa ser feito.
ATENCAO
Esse método é de fácil generalização, portanto, vale a pena aprender a fazê-lo de

maneira correta para utilizar quando for necessário determinar matrizes de ordem grande.
Começaremos com exemplos de matrizes de ordem 2, depois faremos um

de ordem 3 para que você perceba que o processo é o mesmo.
Exemplo 1: Determine a inversa da matriz
Resolução:
O primeiro passo será escalonar A. Para isso, vamos escrever a matriz

estendida de A da seguinte maneira:
Veja que essa matriz estendida possui a matriz A do lado esquerdo do traço
vertical e a matriz identidade do lado direito do traço vertical.
O objetivo agora é fazer operações sobre as linhas da matriz (as mesmas

utilizadas no escalonamento) para transformar a matriz A que aparece no lado
esquerdo do traço vertical em uma matriz identidade.
56
No lado esquerdo do traço está a matriz identidade. Nesse momento, a

matriz inversa de A, aparece do lado direito do traço direito, ou seja,
UNI
Viu como não é difícil? Basta utilizar operações sobre linhas de matrizes para
chegar à matriz inversa.
57
Exemplo 2: Exiba a inversa da matriz
Resolução
Escrevendo a matriz expandida:
Utilizando as operações sobre linhas de matrizes para transformar o lado

esquerdo do traço vertical em uma matriz identidade:
58
Pronto! A inversa é:
Agora encontraremos a inversa de uma matriz de ordem 3. Claramente,

a quantidade de operações sobre linhas de matrizes que serão necessárias para
chegarmos à identidade do lado esquerdo do traço vertical será maior. Apesar
disso, o método é exatamente o mesmo utilizado para matrizes de ordem 2.
Exemplo 3: Dada a matriz A, a seguir, determine a sua inversa
Resolução:
Matriz expandida:
Utilizando operações sobre linhas de matrizes para chegar à matriz

identidade do lado esquerdo do traço vertical da matriz expandida:
59
Pronto! Do lado direito do traço vertical da matriz expandida temos a

inversa:
E
IMPORTANT
Refaça os cálculos do escalonamento num rascunho para entender bem o

procedimento. É muito importante que você não continue sem ter certeza que compreendeu
o processo.
60
LEITURA COMPLEMENTAR
A MODELAGEM MATEMÁTICA NO ENSINO DE

MATRIZES E SISTEMAS LINEARES
Letícia Menezes Panciera

Márcio Violante Ferreira
No presente trabalho foram desenvolvidas situações-problemas envolvendo

o estudo de matrizes e sistemas de equações lineares para alunos do Ensino Médio,
através da metodologia da Modelagem Matemática. Descrevemos aqui uma
experiência de sala de aula, realizada na disciplina de Fundamentos de Geometria
Analítica e Álgebra Linear, do Curso de Mestrado Profissionalizante em Ensino
de Física e Matemática, do Centro Universitário Franciscano de Santa Maria –
UNIFRA–RS.
Muitas vezes, os educadores de Matemática encontram dificuldades em

desenvolver determinados conteúdos matemáticos mostrando a aplicação dos
mesmos para seus alunos. A Modelagem Matemática, como uma metodologia de
ensino, vem ao encontro da nova visão de Educação Matemática, que valoriza não
apenas adquirir conhecimentos, mas o desenvolvimento de capacidades, atitudes
e valores, relacionando a Matemática com o mundo real.
Segundo Bassanezi (2002), o qual se utiliza desta modalidade, o uso da

modelagem conduz para o ensino de conteúdos matemáticos conectados com outras
formas de conhecimento.
O tema abordado para o desenvolvimento dessa experiência foi perda de

peso em um programa de dieta e com exercícios preestabelecidos, determinando
as calorias que se vai queimar e, também, o controle do fluxo de veículos nas ruas
de mão única no horário de rush no centro de uma cidade.
Segundo D’ Ambrósio (1998), devemos contemplar os nossos alunos com

problemas significativos, ao invés de situações artificiais e repetitivas. Os conteúdos
matemáticos da Educação Básica devem ter conexões com o meio social dos alunos,
para que possam utilizá-los na sua vida cotidiana.
No entanto, sugerimos duas aplicações de grande relevância, pois fazem

parte do cotidiano dos alunos, para resolver matrizes e sistemas lineares utilizando
a metodologia da Modelagem Matemática.
Tendo em vista uma melhoria na qualidade de vida desses adolescentes,

vamos abordar o conteúdo de matrizes através de um programa que relacione
atividades físicas e as calorias que eles vão perder, estimulando também a atividade
física entre os adolescentes.
61
Pesquisas mostram que pessoas que incluem atividades físicas no seu

programa de emagrecimento têm menor chance de recuperar o peso perdido do
que as que só mudaram a dieta. Além de promover o controle de peso, a atividade
física melhora sua força e flexibilidade, diminui o risco de enfermidade cardíaca,
ajuda a controlar a pressão sanguínea e diabetes e ainda pode melhorar a sensação
de bem-estar e diminuir o estresse.
Situação-problema 1
Fernando é um aluno que pesa 73 quilos. Ele quer perder peso por meio
de um programa de dieta e de exercícios. Após consultar a tabela 1, ele montou
o programa de exercícios na tabela 2. Quantas calorias ele vai queimar por dia se
seguir esse programa?
TABELA 1 - CALORIAS QUEIMADAS POR HORA

Peso Caminhar a Correr a 9km/h Andar de Jogar futebol
3km/h bicicleta a 9km/h
69 213 651 304 420
73 225 688 321 441
77 237 726 338 468
81 249 764 356 492
Suponhamos um acompanhamento deste aluno através de um programa

de exercícios ao longo da semana.
TABELA 2 - HORAS POR DIA PARA CADA ATIVIDADE

Caminhar Correr Andar de Jogar futebol
bicicleta
Segunda-feira 1,0 0,0 1,0 0,0
Terça-feira 0,0 0,0 0,0 2,0
Quarta-feira 0,4 0,5 0,0 0,0
Quinta-feira 0,0 0,0 0,5 2,0
Sexta-feira 0,4 0,5 0,0 0,0
Após este levantamento, vamos cruzar as informações:
As informações do aluno Fernando estão localizadas na tabela 1, segunda

linha. Essa informação pode ser representada por uma matriz X 4x1 e as da tabela2,
através de uma matriz A 5x4.
Então, por meio destas informações podemos dizer quantas calorias

Fernando vai queimar após cada dia de exercício físico, simplesmente calculando
A . X:
62
Se formarmos o produto AX, a primeira linha de A.X vai representar as

calorias que ele vai queimar na segunda-feira:
1,0. 225 + 0,0. 688 + 1,0. 321 + 0,0. 441 = 546
O produto da segunda linha de A . X representa as calorias para terça-feira:

0,0. 225 + 0,0. 688 + 0,0. 321 + 2,0. 441 = 882
O produto da terceira linha de A .X representa as calorias para quarta-feira:

0,4. 225 + 0,5. 688 + 0,0. 321 + 0,0. 441 = 434
O produto da quarta linha de A .X representa as calorias para quinta-feira:

0,0. 225 + 0,0. 688 + 0, 5 . 321 + 2,0. 441 = 1042,5
O produto da quinta linha de A .X representa as calorias para sexta-feira:

0,4. 225 + 0,5. 688 + 0,0. 321 + 0,0. 441 = 434
A matriz A é de ordem 5 x 4, e a matriz X é de ordem 4 x 1 e a matriz-produto

A.X é de ordem 5 x 1. Podemos, então, perceber que a multiplicação de duas matrizes
somente é possível se o número de colunas da primeira for o mesmo que o número
de linhas da segunda.
Logo, Fernando vai queimar 546 calorias na segunda-feira, 882 calorias na

terça-feira, 434 calorias na quarta-feira, 1.042,5 calorias na quinta-feira e 434 calorias
na sexta-feira com este programa de dieta e exercícios.
[...]
63
CONSIDERAÇÕES FINAIS
Abordar estas situações-problemas nas aulas de Matemática possibilita um

conhecimento matemático mais significativo, pois o aluno fará parte do levantamento
de dados para o desenvolvimento da aplicação, viabilizando um maior interesse,
entusiasmo e motivação pelas aulas e observando que a Matemática está presente
no nosso cotidiano.
Os conteúdos possuem diferentes aplicabilidades e é preciso mostrar isso aos

alunos, como forma de contribuir para a sua formação integral para a vida e para
o trabalho. A aplicação de situações reais com o desenvolvimento do conteúdo de
sistemas lineares e matrizes para a interpretação e análise nas aulas de Matemática
faz com que os alunos enxerguem o quanto a Matemática é importante e faz parte
do nosso dia a dia.
Conclui-se que o uso desta metodologia nas aulas de Matemática, além

de servir como motivação para introduzir novas ideias, propicia, também, a
compreensão e interpretação de um problema real onde o aluno está inserido e faz
parte deste processo como cidadão.
Desta forma, o ensino da Matemática cumpre a sua função de contribuir na

formação do indivíduo, tratando de assuntos e questões do dia a dia, com a intenção
de mostrar, conhecer e até mesmo alertar.
REFERÊNCIAS
BARBOSA, Jonei Cerqueira. O que pensam os professores sobre a modelagem

matemática? Zetetiké, v. 7, n. 11, p. 67-85, 1999.
BASSANEZI, Rodney Carlos. Ensino-aprendizagem com Modelagem

Matemática: uma nova estratégia. São Paulo: Contexto, 2002.
D’AMBRÓSIO, Ubiratan. Etnomatemática. São Paulo: Ática, 1998.

FONTE: Disponível em: <http://www.unifra.br/eventos/
jornadaeducacao2006/2006/pdf/artigos/matem%C3% A1tica/A%20
MODELAGEM%20MATEM%C3%81TICA%20NO%20ENSINO%20DE%20
MATRIZES.pdf>. Acesso em: 28 jul. 2012.
64
RESUMO DO TÓPICO 3
Neste tópico, aprendemos que:
• Só existe inversa de matrizes quadradas com determinante não nulo.
• Se uma matriz quadrada A admite inversa A-1, então A.A-1 = I
• Para determinar a matriz inversa, podemos escolher dentre três métodos:
(I) Aplicação da definição: A ∙A - 1 =A - 1 ∙A=I
(II) Método do determinante para ordem 2:
(III)Dada uma matriz com det (A) ≠ 0,
(III) Método do escalonamento, que consiste em escrever a matriz expandida e

operar as linhas das matrizes até conseguir a matriz identidade do lado esquerdo
do traço vertical.
65
AUTOATIVIDADE
1 Utilizando a definição (1º apresentado no tópico), determine as inversas das

matrizes:
2 Utilizando o método do determinante, calcule as inversas das matrizes:
3 Calcule as inversas das matrizes utilizando o método do escalonamento.
66
UNIDADE 2
SISTEMAS LINEARES, ESPAÇOS

VETORIAIS E TRANSFORMAÇÕES
LINEARES
A partir desta unidade, o(a) acadêmico(a) estará apto(a) a:
• relacionar uma matriz a um sistema linear;
• solucionar um sistema linear usando a forma matricial;
• classificar um sistema linear quanto à quantidade de soluções;
• entender e conceituar vetores;
• visualizar vetores no plano;
• definir espaços vetoriais;
• compreender transformações lineares;
• aplicar transformações lineares.
PLANO DE ESTUDOS
Esta unidade está dividida em quatro tópicos. No final de cada um deles,
você encontrará atividades que reforçarão o seu aprendizado.
TÓPICO 1 – SISTEMAS LINEARES
TÓPICO 2 – ESPAÇO VETORIAL – PARTE 1
TÓPICO 3 – ESPAÇO VETORIAL – PARTE 2
TÓPICO 4 – TRANSFORMAÇÕES LINEARES
67
68
UNIDADE 2
TÓPICO 1
SISTEMAS LINEARES
1 INTRODUÇÃO
Os conceitos primitivos sobre sistemas lineares já são apresentados no
ensino fundamental. Depois disso, os conceitos vão evoluindo gradativamente no
decorrer da vida acadêmica. Infelizmente, não podemos dizer que todos os alunos
consigam entender a importância desse tema.
Se pensarmos na matemática como uma ciência a ser aplicada em problemas

práticos, sistemas lineares são a chave para as soluções desses problemas. Claro
que nem todos os problemas são resolvidos por um sistema linear, mas boa parte
deles são. Assim, sua importância é gigantesca. A solução de equações lineares é o
problema central da álgebra linear.
Nesta unidade, estudaremos que existem sistemas possíveis de serem

resolvidos e que apresentam uma única solução (possíveis determinados). Veremos
também que alguns sistemas possuem várias soluções possíveis (possíveis
indeterminados), enquanto outros, simplesmente não possuem solução (sistemas
impossíveis). Aprenderemos como identificar cada caso e a solucionar os sistemas
que apresentarem soluções.
Para isso, relacionaremos uma matriz a cada sistema linear e veremos como
o escalonamento dessa matriz relacionada nos dá todas as “pistas” necessárias
sobre o sistema linear original.
2 CLASSIFICAÇÃO DE SISTEMAS LINEARES

Se quisermos generalizar um sistema linear, podemos dizer que
relacionamos n variáveis em m equações diferentes, como representado a seguir:
Ao tentar resolver um sistema linear, estamos procurando os valores para

x1, x2, x3,…, xn que façam as m equações envolvidas no sistema serem verdadeiras.
69
UNIDADE 2 | SISTEMAS LINEARES, ESPAÇOS VETORIAIS E TRANSFORMAÇÕES LINEARES
UNI
Quando dizemos que uma equação é verdadeira, estamos nos referindo que ao
substituirmos cada x1, x2, x3,…, xn pelos seus respectivos valores obtemos os resultados b1, b2,
b3,…, bm como informado em cada equação do sistema.
Infelizmente nem todos os sistemas lineares apresentam soluções que

consigam satisfazer todas as equações simultaneamente, o que caracteriza que o
referido sistema não tem solução.
Temos então três tipos de sistemas lineares:
(i) Sistemas Possíveis e Determinados (SPD)
Quando só há uma possibilidade de resposta para x1, x2, x3,…, xn de modo

a satisfazer o sistema. Por esse motivo, dizemos que é determinado: há uma única
solução.
(ii) Sistemas Possíveis e Indeterminados (SPI)
Nesse tipo de sistemas, há infinitas possibilidades de combinações para

x1, x2, x3,…, xn, que satisfazem o sistema linear. Logo este sistema é possível, mas é
indeterminado, pois não há uma única e determinada solução, mas infinitas.
(iii) Sistemas Impossíveis (SI)
Como o próprio nome diz, são os sistemas que não têm soluções, ou seja, não
há combinação possível para x1, x2, x3,…, xn de modo a satisfazer, simultaneamente,
todas as m equações do sistema.
2.1 VISUALIZAÇÃO DOS TIPOS DE SISTEMAS EM R2

Quando o sistema SPD, SPI ou SI tiver duas ou três incógnitas, poderemos
representá-los em R² ou R³, respectivamente. Faremos isso no plano R² devido à
facilidade interpretativa. Os conceitos vistos em R² podem ser generalizados para
o espaço R³ e também para um espaço Rn qualquer, embora seja impossível a
visualização geométrica de espaços além de R³.
70
TÓPICO 1 | SISTEMAS LINEARES
E
IMPORTANT
As representações R, R², R³, estão sendo cada vez mais usadas no mundo
matemático para representarem a reta, o plano e o espaço, respectivamente. Por isso, a
representação é utilizada para os chamados hiperplanos Rn quando o n é maior que 3, que
são impossíveis de visualizar, mas que a matemática estuda perfeitamente.
Para entender a representação geométrica de um sistema no plano R²,

vocês têm que lembrar que cada equação do sistema representa uma reta no plano
cartesiano. E, ainda, que um sistema R² tem apenas duas variáveis. O número de
equações não é fixo, ele pode variar de uma até m equações, porém, sem perda de
generalidade, usaremos como exemplos, sistemas com duas equações.
(i) Sistema Possível e Determinado (SPD)
Um Ajudar o povo de humanas a fazer miçanga sistema apresentar uma

única solução significa que as equações que o compõem são retas concorrentes
cujo ponto de intersecção é a solução do sistema.
(ii) Sistema Possível e Indeterminado (SPI)
As equações que compõem o sistema representam duas retas coincidentes,

ou seja, estão uma “em cima” da outra. Como todos os pontos de uma também
são pontos da outra, isso acarreta em todos os pontos de uma das retas (que são
infinitos) serem soluções do sistema.
71
(iii) Sistemas Impossíveis (SI)
As retas que compõem o sistema são paralelas entre si, ou seja, não há
ponto em comum entre elas. Logo, não há solução possível.
3 MATRIZ RELACIONADA A UM SISTEMA LINEAR

Todo sistema linear pode ser representado na forma matricial (usando
matrizes) e isso não só é de uma beleza teórica impressionante como é fundamental
para a resolução de sistemas grandes. O fato de podermos representá-los como
matrizes possibilita utilizar o computador para resolvê-los.
Consideremos o sistema generalizado que já conhecemos:
72
Esse sistema pode ser representado na forma matricial simplesmente como

A·X=B, onde A é uma matriz m x n cujos elementos são os coeficientes aij do sistema
(1 ≤ i ≤ n, 1 ≤ j ≤ m),X é o vetor (matriz coluna) das incógnitas B é o vetor resultado.
Para ficar mais fácil de visualizar, acompanhe o desenvolvimento a partir

da generalização de sistemas acima.
Se fizermos a multiplicação entre as matrizes, teremos novamente o sistema

linear original:
Exemplo:
1) Escreva os sistemas a seguir usando a forma matricial A·X = B
73
Nesse caso teremos:
Logo, o sistema representado na forma A·X = B, torna-se:
Note que nem todas as incógnitas aparecem em todas as equações. Podemos

então reescrever o sistema como sendo:
Nesse caso teremos:
74
Logo,
ATENCAO
Você notou que a 1ª coluna da matriz A refere-se aos coeficientes da primeira

incógnita (no caso “a”) e que, quando essa incógnita não aparece na equação, colocamos 0
na posição correspondente da matriz? Essa observação é muito importante.
Agora que você já viu que é possível escrever qualquer sistema linear na
forma matricial, mostraremos o mais interessante de tudo isso. Podemos resolver
(ou verificar que não há soluções) um sistema linear utilizando as matrizes
somente com os valores dos coeficientes e das respostas, sem nos preocuparmos
com as incógnitas. Para isso escrevemos uma matriz relacionada ao sistema que
chamamos de matriz ampliada.
3.1 MATRIZ AMPLIADA

Dado um sistema linear A·X = B, a matriz ampliada será composta pela
matriz A, acrescida da matriz resultado B. Veja, utilizando os exemplos anteriores.
Podemos escrever:
75
E a matriz ampliada será
Notem que apenas acrescemos a coluna dos resultados na matriz A. Para

reforçar a natureza diferente da matriz B em relação à matriz A, vamos separá-lo
com um tracejado ou por uma linha contínua.
Na forma matricial,
A matriz ampliada do sistema é, portanto,
Verifique que a última coluna da matriz ampliada representa a matriz

resultado B, enquanto as outras colunas são os elementos da matriz A.
ATENCAO
O tracejado pode ser representado por uma linha contínua. Ao longo deste
Caderno de Estudos, utilizaremos os dois modos. Fique atento!
76
4 RESOLUÇÃO DE UM SISTEMA LINEAR UTILIZANDO

ESCALONAMENTO
Teoricamente qualquer sistema linear seria resolvido muito simplesmente,
pois bastaria escrevê-lo na forma matricial e usar uma multiplicação com a matriz
inversa. De fato, dado um sistema escrito na forma matricial A·X = B, poderíamos
multiplicar a inversa de A à esquerda de ambos os termos da igualdade:
A·X = B
A-1·(A·X) = A-1·B
(A-1·A)·X = A-1·B
Pela propriedade de inversa, A-1.A = I, onde I é a matriz identidade, logo:
A·X = B
A-1AX = A-1B
I·X = A-1·B
X = A-1·B
Consequentemente, efetuando a multiplicação A-1·B, teríamos a solução do

sistema.
Contudo, nem toda matriz A tem inversa e, mesmo que tenha, o cálculo da
inversa é algo inviável para matrizes grandes. É por esse motivo que utilizamos
outros métodos ao invés da inversa para solucionar um sistema, entre eles, o
método do escalonamento. Este método consiste em escalonar a matriz ampliada
relacionada ao sistema, e após estar escalonada, em resolver as equações dadas por
esta nova matriz, que serão de mais fácil resolução.
Veja um exemplo de aplicação em um sistema com duas equações e duas

incógnitas
A matriz ampliada desse sistema é:
77
Escalonando-a, teremos:
Agora resolvemos o “novo” sistema, relacionado à matriz escalonada. A

matriz escalonada mantém propriedades da matriz original e algumas dessas
propriedades estão relacionadas ao resultado. Em outras palavras, a solução do
sistema relacionado à matriz escalonada será a mesma solução do sistema original.
Assim, basta resolver o sistema associado à matriz escalonada:
Veja que a segunda linha dá uma equação muito fácil de resolver:
Como determinamos que y = 5, substituímos esse valor de y na 1ª equação

do sistema e encontramos o valor de x.
78
Logo a solução do sistema é um ponto no plano cartesiano, como visto no

item 2, de coordenadas (-4,5). Também podemos representar a solução do sistema
como um vetor usando uma matriz coluna. Nesse caso, teremos X =
Note que esta matriz também é solução do sistema original. De fato:
É importante salientar que ao multiplicar a matriz A pelo vetor solução,

obteremos como resposta o vetor b, que é exatamente a exigência do sistema linear.
Agora, daremos outros exemplos de sistemas utilizando o escalonamento

para determinar a solução, caso ela exista.
Essa matriz tem duas equações e três incógnitas, logo a matriz A será
de ordem 2x3. Como a matriz ampliada tem uma coluna a mais (a coluna dos
resultados), teremos uma matriz 2x4 como ampliada.
Notem que na segunda linha não aparece incógnita y, mas na matriz temos
que representá-la normalmente. Assim, basta acrescentar o coeficiente 0 como
elemento correspondente. Isso não é novidade, pois já falamos disso no item 3
deste tópico.
Escalonando a matriz
79
Notem que esta matriz já está escalonada e lendo as suas linhas, teremos
duas equações:
Isolando x na primeira equação e y na segunda, obteremos o resultado de

x e y em função de z, ou seja,
Portanto, existem infinitas soluções para esse sistema: para cada valor de
z que considerarmos, teremos valores x e y diferentes associados a ele, a solução
geral é representada por um ponto de três coordenadas (-2z, 1-5z, z) ou por um
vetor . Vejam que z é a variável independente, atribuindo diferentes valores
para z, você encontra diferentes soluções para o sistema, como por exemplo:
para z=0 teremos (0,1,0)

para z=1 teremos (-2,-4,1)
Os valores de x e y foram obtidos usando os resultados do sistema acima.

Dizemos então que z é a variável independente do sistema.
Assim, a solução geral do sistema pode ser representada por um ponto de

três coordenadas
(-2z, 1-5z, z) ou por uma matriz , ou simplesmente representamos a

solução por S={ ( - 2z,1-5z,z)}
80
Escrevendo a matriz ampliada e escalonando
Pronto! A matriz já está escalonada. Lendo a sua última linha escalonada,

temos a seguinte equação: 0x + 0y = 2, ou seja, estamos procurando valores de x e
valores de y que a soma de seus produtos por 0 resulta em 2.
Isto é impossível porque todo número x e todo número y multiplicados por

0 será igual a 0, então teremos sempre, para qualquer x e y, 0 + 0 no lado esquerdo
da igualdade. E 0 + 0 é sempre igual a 0, nunca igual a 2. Portanto, esse sistema é
impossível, ou seja, não há x e y que solucione o sistema.
Nesse caso representamos a solução como S={ }
Escrevendo a matriz ampliada e escalonando
81
Lendo a terceira linha da matriz escalonada, temos:
-9z=9
z= 9
-9
z=-1
Como z = -1, lendo a segunda linha e substituindo z pelo seu valor -1

teremos:
-y -3z=2
-y -3.(-1)=2
-y +3=2
-y =2-3
-y =-1
y =1
Temos então, z = -1 e y = 1. Lendo a primeira linha e substituindo esses

valores nos seus respectivos lugares, determinaremos o valor de x.
x +y +z=0
x +(1)+(-1)=0
x +1-1=0
x =0
Portanto, obtivemos x = 0, y = 1 e z = -1 como solução do sistema. Lembre-
se de que isso representa o ponto (0,1,-1) no espaço R³, ou a matriz . Podemos
representar a solução por: S={(0,1,-1)}
(d) Resolva o sistema:
82
Resolução:
Escrevendo a matriz ampliada do sistema:
Para escalonar essa matriz, podemos utilizar todas as operações sobre linhas
de matriz. Como é sempre útil deixar o pivô valer 1, vamos permutar (trocar), a
linha 1 pela linha 2:
Usando o elemento a11 = 1 como pivô para zerar os elementos a21 = 3 e a31 =
-4, teremos:
Logo,
Permutando a linha 2 com a linha 3 para ficarmos com o pivô a22 = 1, teremos:
83
Utilizando o pivô a22 = 1 para zerar o elemento a32 = -5:
Efetuando as operações chegamos à matriz escalonada:
Lendo as linhas da matriz escalonada:
3ª Linha:
44z=44
z= 44
44
z=1
2ª Linha:
1y+9z=14
1y+9∙(1)=14
1y+9=14
y=14-9
y=5
1ª Linha:
x +y +2z=12
x +(5)+2∙(1)=12
x +5+2=12
x +7=12
x =12-7
x =5
Portanto, a solução do sistema é:
S={(5,5,1)}
84
E
IMPORTANT
Veja que novamente, quando representamos a solução do sistema linear,

respeitamos a ordem das incógnitas, x,y,z. Essa ordem é importante e não pode ser mudada
ao escrevermos a solução nessa representação.
e) Dê a solução do sistema linear a seguir utilizando o escalonamento de

matrizes.
Resolução:
Escrevendo a matriz ampliada relacionada do sistema:
Escalonando a matriz utilizando as operações sobre linhas da matriz para

deixá-la escrita sob forma escada:
Utilizando o elemento a 1 1 =1 como pivô para zerar os elementos abaixo dele.
85
Permutando as linhas 2 e 3,
Agora, usaremos o elemento a 2 2 =-1 como pivô para zerar o elemento a31
abaixo dele
Iniciando a leitura das linhas das matrizes:
3ª linha:
-3z=3
z= 3
(-3)
z=-1
2ª linha:
-y-z=0
-y -(-1)=0
-y+1=0
-y =-1
y =1
1ª linha:
x -y +2z=-2
x -(1)+2∙(-1)=-2
x -1-2=-2
x =-2+1+2
x =1
Portanto, a solução do sistema linear dado é:
S={(1,1,-1)}
86
5 CLASSIFICANDO UM SISTEMA EM SPD, SPI OU SI

Para classificar um sistema em: sistema possível e determinado (SPD),
sistema possível e indeterminado (SPI) ou sistema impossível (SI) precisamos
definir o posto de uma matriz.
Dada uma matriz A qualquer, o posto dessa matriz será igual ao número
de linhas não nulas da matriz A escalonada.
Exemplos:
Essa matriz escalonada ficará
Logo o posto de A é igual a 2, pois a matriz A escalonada apresenta duas

linhas não nulas.
Para classificar os sistemas em SPD, SPI ou SI, basta comparar o posto da

matriz A, cujos elementos são os coeficientes do sistema linear, com o posto da
matriz ampliada, cujos elementos são os elementos da matriz A mais os elementos
da matriz B.
(i) Se o posto de A for menor que o posto da matriz ampliada, então o sistema é
impossível.
Voltemos ao exemplo b do item 4 que já sabemos ser impossível. A matriz

ampliada e escalonada ficou:
, mas não esqueça que a matriz A escalonada é
87
Note que a matriz ampliada tem posto 3 (porque apresenta três linhas não
nulas), enquanto a matriz A tem posto 2 (porque apresenta apenas duas linhas não
nulas).
(ii) Se o posto de A for igual ao posto da matriz ampliada, mas menor que o número
de incógnitas, então o sistema é possível e indeterminado.
Observe o exemplo a do item 4,onde a matriz ampliada escalonada ficou:
O posto desta matriz é igual a 2, pois apresenta duas linhas não nulas (que
é igual ao posto da matriz A).Contudo, o número de incógnitas é 3. Logo, o posto
da matriz é menor que o número de incógnitas, o que caracteriza um SPI.
(iii) Se o posto de A for igual ao posto da matriz ampliada e igual ao número de

incógnitas, então o sistema é possível e determinado.
Voltemos ao exemplo c do item 4, que apresentou a seguinte matriz ampliada

escalonada:
O posto dessa matriz é 3, que é o mesmo número de incógnitas. Logo, esse

sistema é possível e determinado, SPD.
(b) Classifique o sistema a seguirem SPD, SPI ou SI, analisando o rank (posto) das
matrizes relacionadas ao sistema.
Escrevendo a matriz ampliada do sistema:
88
Agora, escalonamos a matriz para deixar na forma escada e analisar o

posto das matrizes relacionadas ao sistema.
Primeiramente, trocamos a linha 1 com a linha 2
Usamos o elemento a11=1 como pivô para zerar os elementos a21, a31 e a41.
O pivô será o elemento a 2 2 =-5, e o utilizaremos para zerar os elementos, a32

e a42 da segunda coluna que estão abaixo do pivô.
Para não trabalhar com frações, multiplicaremos a linha 4 por 5,
89
Como o pivô será o elemento a33, permutaremos as linhas 3 e 4 para que o

pivô seja igual a -1.
Usando o pivô a33= -1 para zerar o elemento a43 abaixo dele,
Analisando o posto das matrizes:
O posto da matriz ampliada é igual a 4 (existem 4 linhas não nulas na

matriz escalonada).
O posto da matriz A dos coeficientes do sistema, tem posto igual a 4 (tirando

a coluna dos resultados, ainda temos 4 linhas não nulas na matriz escalonada).
O número de incógnitas é igual a 4: x1, x2, x3 e x4 .
Como o posto da matriz A é igual ao posto da matriz ampliada e igual ao

número de incógnitas, o sistema relacionado a essas matrizes é SPD (sistema possível e
determinado). Ou seja, existe apenas uma solução para esse sistema. Para determinar os
valores das variáveis x1, x2, x3 e x4 basta pegar a matriz escalonada e começar a leitura das
linhas, como visto nos exemplos do item 4.
ATENCAO
Existem muitas maneiras de escalonar uma matriz. Se você chegou à outra

matriz escada diferente da que exibimos, não quer dizer necessariamente que você fez
o escalonamento errado. Mostramos um jeito de escalonar e, caso você não troque uma
das linhas que nós trocamos, por exemplo, sua matriz escada final será diferente. Porém a
conclusão vinda da análise do posto das matrizes relacionadas ao sistema será sempre a
mesma. Se não for, aí sim você pode ter certeza que errou o escalonamento.
90
(c) Dado o sistema linear a seguir, classifique-o em SPD, SPI ou SI,

analisando o posto das matrizes relacionadas.
Resolução:
Matriz ampliada do sistema
Iniciando o processo de escalonamento, usamos o elemento a11=1 para zerar

os elementos a21 e a31 abaixo dele.
Utilizando o elemento a22= -10 como pivô para zerar o elemento a32 abaixo
dele,
Note que a matriz A tem apenas duas linhas não nulas. Logo o posto da
matriz A é igual a 2.
91
UNI
A matriz A corresponde à parte da matriz escalonada sem a coluna do resultado,

.
A matriz ampliada conta com 3 linhas não nulas, logo o posto da matriz ampliada é igual a 3.
Como o posto da matriz ampliada é maior que o posto da matriz A, o sistema é impossível
(SI), ou seja, não há solução para ele.
92
RESUMO DO TÓPICO 1
• Um sistema pode ser SPD, SPI ou SI.
• A solução de um sistema pode ser representada geometricamente.
• Todo sistema pode ser escrito sob forma matricial A·X = B.
• Usamos escalonamento para resolver um sistema e/ou classificá-lo em SPD, SPI

ou SI.
• Se o posto da matriz A for menor que o posto da matriz ampliada, o sistema

associado será um SI.
• Se o posto da matriz ampliada for igual ao posto da matriz A, porém menor que
o número de incógnitas, o sistema é SPI.
• Se o posto da matriz ampliada for igual ao posto da matriz A e igual ao número

de incógnitas, temos um caso de SPI.
93
AUTOATIVIDADE
Para verificar seu aprendizado resolva os exercícios propostos:
1 Escreva qual é a diferença entre SPD, SPI e SI.
2 Represente os sistemas a seguir na forma matricial AX = B.
3 Escreva a matriz ampliada dos sistemas:
4 Resolva, por escalonamento, os sistemas da questão 3.
5 Classifique os sistemas a seguir em SPD, SPI e SI, justificando.
94
UNIDADE 2 TÓPICO 2
ESPAÇO VETORIAL – PARTE 1
1 INTRODUÇÃO
Os dois próximos tópicos desta unidade serão dedicados ao estudo dos
espaços vetoriais.
Começaremos relembrando o que é um vetor e quais suas propriedades.

Veremos que essas propriedades são fundamentais para a definição de um espaço
vetorial e também aprenderemos como identificar um subespaço vetorial.
Como sempre, vale lembrar que este Caderno de Estudos tem como
principal objetivo “abrir” as portas do maravilhoso mundo da álgebra linear.
Portanto, é evidente, que o estudo é introdutório e, algumas vezes, superficial. Por
isso, caso você queira aprofundar o conhecimento na área, busque informações em
mais de um livro, pois todos complementarão o seu estudo.
2 VETORES
Estudaremos primeiramente os vetores no plano, ou seja, no R² (duas
dimensões) e, depois, generalizaremos para um espaço de n-dimensões, que
representamos por Rn.
2.1 VETORES NO R2
Uma maneira de representar um ponto no plano é criar um sistema de
coordenadas (plano cartesiano) com dois eixos orientados e ortogonais entre si
(eixo das abscissas e ordenadas). Um ponto P qualquer no plano será representado
pelo par ordenado (a,b) representando suas coordenadas referente aos eixos
horizontal (eixo x) e vertical (eixo y), respectivamente.
95
Agora, dados dois pontos P e Q no plano, podemos definir um vetor PQ

como sendo o segmento orientado com início em P e fim em Q.
É importante salientar que, embora o conjunto de pontos do segmento

PQ e QP sejam os mesmos, quando falamos de vetores, os vetores PQ e QP são
diferentes, pois têm sentidos opostos.
Todo vetor pertencente ao plano tem um único vetor e quivalente a

ele com início na origem. O vetor correspondente tem que ter o mesmo tamanho,
a mesma direção e o mesmo sentido.
Veja que o vetor OQ é paralelo ao vetor PQ, logo tem a mesma direção.
Ambos também têm o mesmo sentido e o mesmo tamanho e, portanto são
equivalentes.
UNI
Por direção, entenda a reta suporte do vetor dado, por sentido entenda para onde
o vetor “aponta”.
96
TÓPICO 2 | ESPAÇO VETORIAL – PARTE 1
A importância de saber que todo vetor no plano tem um único equivalente

com início na origem é porque, com isso, podemos trabalhar apenas com os vetores
com início no ponto (0,0) sem nos preocuparmos com os demais, e basta sabermos
apenas informar o ponto final do vetor para conhecê-lo, o que é relativamente
simples. Assim, a notação de um vetor ficará reduzida a representar as
coordenadas do seu ponto final P(a,b). Usaremos a matriz coluna para
representar um vetor no plano.
UNI
Podemos usar também a notação, v =(a,b), para representar um vetor de início na

origem e termino no ponto P(a,b).
Exemplos de vetores no plano:
Os três vetores acima são representados como:

.
97
E
IMPORTANT
A notação correta de um vetor exige o segmento de reta acima da letra que

representará o vetor, por exemplo: u,v,w,…. Porém sempre que entendermos que não há
perigo de confusão representaremos os vetores sem usar o segmento de reta em cima da
letra, embora isso seja um abuso de notação.
2.1.1 Operações com vetores

Definiremos agora duas operações para vetores, a adição de vetores e a
multiplicação de um vetor por um escalar (por escalar, entenda um número real).
(1) Adição: sejam dois vetores v = (a,b) e u = (c,d). O vetor resultante da soma de v
com u é dado por: v + u = (a + c,b + d).
Exemplos:
a) Sendo os vetores u = (3,5) e v = (1,5), calcule u + v.
Resolução:
u + v = (3,5) + (1,5) = (3 + 1, 5 + 5) = (4,10)
b) Calcule u + v, sendo os vetores u = (-3,4) e v = (7, -3)
Resolução:
u + v = (-3,4) + (7,-3) = (-3 + 7, 4 +(-3)) = (4,1)
(2) Multiplicação de um vetor por um escalar: seja um vetor v = (a,b) e um escalar

kϵR, então teremos que k·v = (k·a,k·b).
Exemplos:
Sendo u = (-3,4), determine:
a) 3·u = 3·(-3,4) = (3·(-3),3·4) = (-9,12)
b) -2·u = -2·(-3,4) = ((-2)·(-3),(-2)·4) = (6,-8)
98
2.2 VETORES NO Rn.

A visualização geométrica de vetores é possível apenas até o R³, ou seja, até
3 dimensões, que representam o espaço. Acima disso, a representação geométrica é
impossível, contudo a álgebra linear não depende de desenhos para suas definições.
Então tudo o que vale para R² e para R³ em relação a vetores, vale para Rn,
onde n é um número natural qualquer. Assim, um vetor v e R será representado
n
por n coordenadas x1. x2... xn
Dados três vetores u,v,w ϵ Rn e dois escalares a e b, as seguintes propriedade

são válidas:
(i) (u + v) + w = u + (v + w)
(ii) u + v = v + u
(iii) Existe um vetor nulo 0 ϵ Rn tal que u + 0 = u.
(iv) Para cada v ∈ Rn não nulo, existe um vetor –v ϵ Rn, tal que v + (-v) = 0.
(v) a·(u + v) = a·u + a·v
(vi) (a + b)·v = a·v + b·v
(vii) (a·b)·v = a·(b·v)
(viii) 1·u = u
UNI
Estas propriedades são usadas para determinar um espaço vetorial, veja a seguir.
3 ESPAÇOS VETORIAIS
Existem conjuntos que não são compostos propriamente por vetores,
mas cujos elementos se comportam do mesmo jeito, ou admitem as mesmas
propriedades. Esses conjuntos, com suas operações, são definidos como espaços
vetoriais.
Definição: Seja V um conjunto não vazio e consideremos duas operações

associadas a ele:
a) A operação adição que associa a cada par de elementos u, v ∈ V um terceiro
elemento u + v ∈ V,
99
b) A operação multiplicação por escalar que associa a cada c ∈ R e a cada v∈ V, o

vetor c·v ∈ V.
Dizemos que V é um espaço vetorial real se V, munido das operações + e ·

se, para quaisquer u,v,w∈V e a,b∈R, as propriedades de (i) a (viii) forem satisfeitas:
(i) (u + v) + w = u + (v + w)
(ii) u + v = v + u
(iii) Existe um vetor nulo 0 ϵ Rn tal que u + 0 = u.
(iv) Para cada v ∈ Rn não nulo, existe um vetor –v ϵ Rn, tal que v + (-v) = 0.
(v) a·(u + v) = a·u + a·v
(vi) (a + b)·v = a·v + b·v
(vii) (ab)v = a(bv)
(viii) 1·u = u
UNI
O fato de chamarmos estes espaços vetoriais de espaços vetoriais reais vem

de utilizarmos escalares reais na definição. Assim, podemos definir de maneira análoga os
espaços vetoriais complexos: basta trabalharmos com escalares complexos na definição.
Exemplos de espaços vetoriais:
1) O conjunto das matrizes de ordem 2 munido das operações de soma e de

multiplicação por escalar usuais.
2) Seja P2 o conjunto de todos os polinômios de grau igual ou menor que 2 munido

das operações de soma e de multiplicação por escalar usuais.
Para confirmar que os dois exemplos anteriores são espaços vetoriais, temos
que considerar dois vetores generalizados pertencentes a esses espaços e confirmar
todas as oito propriedades.
Mostraremos como proceder para o primeiro caso, e instigamos você a

mostrar a veracidade do segundo de forma análoga.
100
Exemplo 1:
Consideremos o conjunto M2x2 das matrizes de ordem 2 munido das

operações de soma e de multiplicação por escalar usuais e vamos verificar todas as
oito propriedades de espaços vetoriais. Sejam
E a e b números reais quaisquer.
(i) (U + V) + W = U + (V + W)
Verificando:
Portanto, a propriedade (i) está satisfeita.
(ii) U + V = V + U
101
(iii) Existe 0 ∈ M2x2 tal que U + 0 = U.
Para demonstrar esta propriedade, precisamos exibir o elemento 0 de M2x2

que faz este papel para todos os outros elementos de M2x2.
Você já deve imaginar quem é esta matriz, mas vamos supor que não
tenhamos nem ideia de quem seja. Então, tomando ∈ M2x2, precisamos
que valha
Ou seja,
Ainda
102
Agora, lembre-se de que
u1, u2, u3 e u4 são números reais, implicando x 1 = x 2 = x 3 = x 4 = 0 . Segue
que o elemento neutro de M2x2 é dado pela matriz .
(iv) Dado V∈ M2x2 não nulo, existe – V ∈ M2x2, tal que V + (-V) = 0.
Consideremos um elemento. Então, V é da forma
com v1, v2, v3 e v4, números reais.
Queremos encontrar um elemento de -V ∈ M2x2, tal que

V + (-V) = 0.
Isso significa que, fazendo
, precisamos descobrir quem são u1, u2, u3 e u4 para os quais
V + (-V) = 0.
Ou seja,
Assim,
103
Como v1, v2, v3, v4 u1, u2, u3 e u4 são números reais, o sistema é satisfeito
sempre que u1 = -v1, u2 = -v2, u3 = -v3, u4 = -v4. Portanto, encontramos a matriz que
procurávamos: dada a matriz , a matriz é tal
que
V + (-V) = 0.
(v) a·(U + V) = a·U + a·V
(vi) (a + b) ·v = a·v + b·v
104
(vii) (ab)v = a(bv)
(viii) 1·u = u
Logo, como valem as outras propriedades, está provado que o conjunto do

exemplo 1 é um espaço vetorial.
UNI
Não se esqueça de provar o exemplo 2.
105
4 SUBESPAÇOS VETORIAIS
Muitas vezes, dentro de espaços vetoriais, existem subconjuntos que se
comportam, eles mesmos, como um espaço vetorial. Identificar tais subconjuntos
é importante em alguns casos.
É como identificar esses subconjuntos que aprenderemos agora.
Definição: Dado um espaço vetorial V, um subconjunto W de V não vazio

será um subespaço vetorial de V se:
(i) Para quaisquer u,v∈W, tivermos u + v ∈ W.
(ii) Para quaisquer a ∈ R, u∈W tivermos a·u ∈ W.
DICAS
Para verificar se um subconjunto de um espaço vetorial é subespaço vetorial,

basta conferir as condições (i) e (ii) da definição. Ou, simplesmente, substituir as duas por:
“para quaisquer u,v∈W e a ∈ R tivermos a·u + v ∈ W.”
Exemplos e contraexemplos de subespaços vetoriais:
(1) V = R5 e W = {(x1,x2,0,x4,x5); xi ∈ R}, isto é, W é o subconjunto de R5 de vetores

cuja terceira coordenada é nula.
Para conferir se W é subespaço vetorial de V, basta verificar a frase escrita

na dica anterior.
Sejam u = (x1,x2,0,x4,x5), v = (y1,y2,0,y4,y5) vetores de W e a ∈ R, então:
a·u + v =
a· (x1,x2,0,x4,x5) + (y1,y2,0,y4,y5) =
(a·x1,a·x2,a·0,a·x4,a·x5) + (y1,y2,0,y4,y5) =
(a·x1 + y1 ,a·x2 + y2,a·0 + 0,a·x4 +y4,a·x5 +y5) = (a·x1 + y1 ,a·x2 + y2,0,a·x4 +y4,a·x5 +y5)
Como a,xi,yi∈R, com i = 1, 2,…,5, a.xi + yi∈ R para todo com i = 1, 2,…,5 . Logo,
(a·x1 + y1, a·x2 + y2 ,0 , a·x4 +y4, a·x5 +y5)∈ W. Segue que W é subespaço vetorial.
106
(2) V=Mnxn o conjunto de todas as matrizes quadradas de ordem n, e W é o

subconjunto das matrizes de ordem n que são triangulares superiores.
Verifique!
(3) V = R² e W = {(x,x²); x∈R)}.
W não é subespaço vetorial de V.
De fato, considere
u = (2,4) e v = (-1,1). Note que u + v = (1,5), que não pertence a W, pois a

segunda coordenada não é o quadrado da primeira.
(4) V = R² e W é uma reta deste plano que não passa na origem.
Verifique que não é subespaço vetorial.
107
RESUMO DO TÓPICO 2
• Todo vetor tem um único vetor equivalente com início na origem.
• Representamos este vetor mostrando as coordenadas do seu ponto final.
• Podemos usar ou v = (a, b) para representar vetores.
• Existem duas operações definidas para os vetores: soma e multiplicação por

escalar.
• Dados três vetores u,v,w e dois escalares a,b as seguintes propriedade são válidas:
(i) (u + v) + w = u + (v + w)
(ii) u + v = v + u
(iii) Existe um vetor nulo 0 tal que u + 0 = u.
(iv) Existe um vetor –v, tal que v + (-v) = 0.
(v) a·(u + v) = a·u + a·v
(vi) (a + b)·v = a·v + b·v
(vii) (a·b)·v = a·(b·v)
(viii) 1·u = u
• Se um conjunto V respeitar as propriedades anteriores, diremos que C é espaço

vetorial.
• Um subconjunto W contido num espaço vetorial V será subespaço vetorial de V

quando, para qualquer u, v∈W e a ∈ R, tivermos a·u + v ∈ W.
108
AUTOATIVIDADE
Para fixar a aprendizagem, resolva os seguintes exercícios:
1 Mostre que os seguintes subconjuntos de R4 são subespaços.

a) W = { (x,y,z,t) ∈ R4 | x + y = 0 e z – t = 0}
b) U = { (x,y,z,t) ∈ R4 | 2x + y – t = 0 e z = 0}
2 Represente, num plano cartesiano, os seguintes vetores:
3 Considere os vetores do exercício anterior e calcule:

a) u + v
b) 2u – w
c) 4u – 3w + 2v
4 Verifique se o conjunto W={(a,2a,3a); a ∈R} é um espaço vetorial.
109
110
UNIDADE 2
TÓPICO 3
ESPAÇO VETORIAL (PARTE 2)
1 INTRODUÇÃO
Continuaremos a aprendizagem de espaço vetorial. A partir de agora,
veremos que um vetor pertencente a um espaço vetorial pode ser escrito como
uma combinação de outros vetores desse espaço, o que chamamos de combinação
linear. Estudaremos a dependência ou independência linear entre vetores, e que
esse conceito é importante para determinarmos uma base para o nosso espaço.
Essa base será um conjunto de vetores do espaço que conseguirá “gerar” qualquer
outro vetor desse espaço. Em outras palavras, qualquer vetor do espaço poderá ser
escrito por uma combinação linear dos vetores da base.
2 COMBINAÇÃO LINEAR
A combinação linear é uma característica importante entre os vetores de
um espaço vetorial. Ela mostra que, a partir de um determinado grupo de vetores
do espaço, podemos criar novos vetores. Veja a definição:
Definição: Seja V um espaço vetorial real, v1, v2, v3, ..., vn ∈ V e a1, a2, a3, ...,
an ∈ R. O vetor v = a1v1 + a2v2 + ... + anvn de V denominado combinação linear de v1,
v2, v3, ..., vn.
UNI
Note que em todos os casos o vetor v, combinação linear, pertence ao espaço

vetorial V.
Exemplos de combinação linear.
(1) Seja V=R4, v1 = (3,-2,4,0) e v2 = (1,2,3,4) dois elementos de V. Alguns vetores

gerados como combinação linear de v1 e v2 são:
a) u1 = 4·v1 + 2·v2 = 4·(3,-2,4,0) + 2·(1,2,3,4) = (12,-8,16,0) + (2,4,6,8) = (14,-4,19,8)
111
b) u2 = -1·v1 – 3·v2 = -1·(3,-2,4,0) +(-3)·(1,2,3,4) = (-3,2,-4,0) + (-3,-6,-9,-12) =

= (-6,-4,-13,-12)
ATENCAO
Verifique que u1 e u2 pertencem a V, e que foram “gerados” a partir da combinação

linear entre v1 e v2.
O conjunto de todos os vetores gerados por um determinado grupo de

vetores v1, v2, v3, ..., vn pertencentes a um espaço vetorial V é denominado subespaço
gerado por v1, v2, v3, ..., vn.
3 DEPENDÊNCIA E INDEPENDÊNCIA LINEAR

O fato que estudamos no item anterior é de vital importância para a
álgebra linear, porque dados alguns poucos vetores, conseguimos escrever outros
como combinação linear destes, gerando um espaço vetorial. Logo veremos que, se
escolhermos estes vetores geradores de forma precisa, poderemos gerar o espaço
vetorial que quisermos.
Contudo, para fazermos esta escolha usando o menor número possível

de vetores, uma condição adicional tem que ser satisfeita: eles precisam ser
linearmente independentes. Vamos, a seguir, estudar os conceitos de dependência
e independência linear.
Definição: Seja V um espaço vetorial e consideremos v1, v2, v3, ..., vn ∈ V e

a1, a2, a3, ..., an ∈ R tais que a1v1 + a2v2 + ... + anvn = 0. Dizemos que os vetores v1, v2,
v3, ..., vn são Linearmente Independentes (LI) quando a única solução possível para
a equação for a1 = a2 = a3 = ... = an = 0. Se a equação admitir como solução algum ai ≠
0, então dizemos que os vetores v1, v2, v3, ..., vn são Linearmente Dependentes (LD).
UNI
Dizer que v1, v2, v3, ..., vn são LD, é o mesmo que afirmar que um desses vetores
é combinação linear dos demais.
112
Entre as formas de calcular a equação da definição, a mais interessante

é a que utiliza matrizes. Representando os vetores v1, v2, v3, ..., vn por matrizes
colunas, podemos escrever a equação da definição como um sistema linear, onde
as incógnitas serão a1, a2, a3, ..., an. De fato, escreveremos os sistemas da seguinte
maneira:
, lembrando que cada vi representa uma

coluna na primeira matriz.
Exemplo: Verifique se os vetores a seguir são LD ou LI:
(1) v1 = (1,2,3) e v2 = (-1,0,1) pertencentes a V = R3
Para verificar se os vetores v1 e v2 são LD ou LI, precisamos considerar dois

números reais a1, a2 ∈ R tais que a1v1 + a2 v2 = 0 e analisar as possibilidades de
respostas para a1, a2 ∈ R. Lembre-se que a equação gera um sistema, onde a as
colunas da primeira matriz são os vetores envolvidos, nesse caso, v1 e v2. Portanto,
Escrevendo a matriz ampliada desse sistema linear e efetuando o

escalonamento, teremos:
113
Assim, chegamos ao seguinte sistema equivalente:
, que admite como única solução a1 = a2 = 0. Logo os vetores

do exemplo são Linearmente Independentes (LI).
(2) v1 = (-1,1), v2 = (2,0) e v3 = (1,1) em V=R².
Escrevendo o sistema linear na forma matricial:
Usando a matriz ampliada e efetuando seu escalonamento, teremos:
Como o sistema equivalente é SPI e, portanto, admite
infinitas soluções do tipo {(a1, a2, a3)} = {(-a3, -a3, a3)}, os vetores desse exemplo são
Linearmente Dependentes (LD).
4 BASE DE ESPAÇO VETORIAL

Chegou a hora de entendermos o que é base de um espaço vetorial. A base
será composta por um conjunto de vetores que, juntos, gerarão qualquer outro
vetor do espaço. Ou seja, qualquer vetor v pertencente a um espaço vetorial V será
combinação vetorial dos vetores da base de V.
Mas também não estamos interessados em qualquer conjunto: queremos

um conjunto “enxuto”, ou seja, que usa o mínimo de vetores possíveis para gerar
V. Para isso, os vetores da base têm que ser Linearmente Independentes.
114
Exemplos e contraexemplos de base:
(1) Os vetores v1 = (-1,1) e v2 = (1,1) formam uma base para V=R²?
Para ser base, v1 e v2 têm que gerar R², ou seja, qualquer vetor pertencente
ao conjunto R² tem que ser combinação linear de v1 e v2, e ainda, v1 e v2 tem que
ser LI.
Seja v = (x,y) um vetor qualquer pertencente a R². Então, para escrever v

como combinação linear de v1 e v2, temos que verificar se:
Ou seja, para determinar se v1 e v2 geram V=R², temos que resolver um

sistema linear, usando o que aprendemos na Unidade 1. Vamos escrever a matriz
ampliada e escaloná-la.
Ou seja, dado o vetor v = (x,y), basta tomar os números reais a1 e a2 definidos

acima, que teremos v como combinação linear de v1 e v2. Logo v1 e v2 gera R².
Falta mostrar que são LI, faça isso como exercício de maneira análoga à
mostrada no item anterior.
(2) Os vetores v1 = (-2,1,1) e v2 = (0,1,1) formam uma base de V = R³?
Para ser base, qualquer vetor de R³ tem que ser escrito como combinação
linear dos vetores v1 e v2. Seja um vetor qualquer v = (x,y,z) pertencente a R³ e
vamos verificar se conseguimos escrevê-lo como combinação linear de v1 e v2.
115
o que informa que, se y ≠ z, o sistema é impossível, ou seja, v1 e v2 não

geram R³, pois nem sempre y ≠ z no R³.
UNI
O sistema será impossível se y ≠ z porque se isto ocorrer o posto da matriz

ampliada será maior que o posto da matriz dos coeficientes do sistema. Se está confuso
retorne ao tópico sobre sistemas SPD, SPI e SI.
O importante de sabermos o que é uma base é a possibilidade de determinar

um subespaço informando apenas a base geradora. E uma vez definida essa base,
podemos determinar se um vetor pertence ou não ao espaço gerado. E mais, não
precisamos trabalhar com o espaço como um todo, mas apenas com a base. O que
vale para ela vale para o espaço.
Por exemplo, seja W um subespaço gerado pela base [v1,v2], onde v1 =

(-1,0,1) e v2 = (1,1,0). Verifique se v = (3,2,1) pertence a W.
Como estamos afirmando que v1 e v2 formam uma base para W, todos os

vetores de W podem ser escritos como combinação linear de v1 e v2. Logo, para
verificar se v pertence a W, basta verificar se v pode ser escrito como combinação
linear de v1 e v2.
116
o que indica que o sistema é impossível, ou seja, v não pode ser escrito
como combinação linear de v1 e v2. Logo, v não pertence a W.
117
RESUMO DO TÓPICO 3
• Dados alguns vetores, podemos escrever outros como combinação linear destes.
• Um conjunto de vetores pode ser Linearmente Independente (LI) ou Linearmente

Dependente (LD).
• Definição: Dados v1, v2, v3,..., vn ∈ V e a1, a2, a3,..., an ∈ R, dizemos que os vetores v1,
v2, v3, ..., vn são Linearmente Independentes (LI), quando a única solução possível
para a equação: a1v1 + a2v2 + ... + anvn = 0 é a1 = a2 = a3 = ... = an = 0. Se a equação a1v1
+ a2v2 + ... + anvn = 0 admitir como solução algum ai ≠ 0 então os vetores v1, v2, v3,...,
vn são Linearmente Dependentes (LD).
• Se um conjunto de vetores gerarem um determinado espaço V e forem LI, então

esse conjunto é denominado base de V.
• Determinada a base geradora de um subespaço W, qualquer vetor de W pode ser

escrito como combinação linear dos vetores da base dada. E, ainda, se um vetor
não puder ser escrito como combinação dessa base, isso indica que esse vetor
não pertence a W.
• A dimensão de um espaço vetorial V é dado pelo número de vetores que formam

a base desse espaço vetorial.
• A dimensão de um vetor se caracteriza pelo número de coordenadas que o

formam.
118
AUTOATIVIDADE
Faça os seguintes exercícios e verifique se aprendeu os conceitos ensinados.
1 Dados v1 = (-1,0,0) e v2 = (0,1,0), faça as seguintes combinações lineares:

a) 3v1 + 2v2
b) -2v1 + (-4)v2
c) a·v1 + bv2
2 Os espaços Rn tem o que chamamos de base canônica. Esta base é constituída

por n vetores que, escritos numa matriz, formam a matriz identidade de
ordem n.
Por exemplo, no R² a base canônica é formada pelos vetores (1,0) e
(0,1), pois colocados numa matriz teremos: . Já no R³, teremos como
base canônica o conjunto formado pelos vetores (1,0,0), (0,1,0) e (0,0,1) que,
colocados numa matriz, formam , e assim, sucessivamente. Mostre
que a base canônica do R² é, realmente, uma base de R².
3 Considere o subespaço W de R4, onde W é gerado pela base [(1,1,0,0),(0,1,1,

0),(1,0,0,1)]. Verifique se:
a) O vetor (4,4,4,4) pertence a W.
b) O vetor (a,a+b,b,c,) pertence a W.
4 Mostre que os polinômios 1 – t³, (1-t)², 1-t e 1 geram o espaço dos polinômios
de grau menor ou igual a 3. (DICA: 1 – t³ = -1t³+0t²+0t+1, que pode ser
representado pelo vetor (-1,0,0,1). Use esta representação para resolver o
exercício.)
5 Os vetores v1 = (1,1,0), v2 = (0,-1,1), v3 = (2,1,1) e v4 = (1,1,1) formam uma base

para R³? Por quê?
119
120
UNIDADE 2
TÓPICO 4
TRANSFORMAÇÕES LINEARES
1 INTRODUÇÃO
Este é um tópico que vai dar outra visão da álgebra linear. Você verá que
uma matriz poderá ser encarada como uma transformação linear entre dois espaços
vetoriais V e W, que “associa” um vetor v qualquer de V a outro vetor w de W.
Veremos também os principais conceitos sobre o assunto, e uma boa dose

de exemplos, que facilitarão o entendimento dos mesmos.
2 O QUE É TRANSFORMAÇÃO LINEAR

Definição: dados dois espaços vetoriais V e W, uma aplicação linear é uma
função T de V em W, T:V → W, que satisfaz as condições:
(i) Dados quaisquer u, v ∈ V, teremos f(u + v) = f(u) + f(v)
(ii) Dados quaisquer k ∈ R e v ∈ V, teremos f(kv) = kf(v)
Esta definição já nos faz notar que, para uma função T: V → W ser uma
transformação linear, ela tem que levar o vetor nulo de V no vetor nulo de W, isto
é, . Logo, se , T não é linear.
UNI
Embora a afirmação anterior ajude a detectar funções que não são transformações
lineares, a recíproca não é verdadeira, ou seja, se tivermos não há garantia que T

seja uma transformação linear.
121
Veja exemplos e contraexemplos de transformações lineares:
(1) Seja F:R → R, tal que F (u)=u 2
Essa função não é uma transformação linear, pois:

F(u + v) = (u + v)2 = u 2 + 2uv + v2 e F(u) + F(v) = u2 + v2, logo F(u + v) ≠ F(u)
+ F(v), o que fere a condição (i) da definição.
(2) Seja F:R 2 → R 3 , tal que F(x, y) = (2x,0,x + y)
Essa função transforma vetores com duas dimensões em vetores com três.
Por exemplo, F(2,3) = (2.2,0,2+3) = (4,0,5).
Vamos mostrar que F é uma transformação linear. Sejam u, v ∈ R2 tais que

u = (x1,y1) e v = (x2,y2) onde xi,yi ∈ R. Então,
Teremos que verificar as duas condições da definição:
(i)
122
TÓPICO 4 | TRANSFORMAÇÕES LINEARES
Logo a primeira condição é válida. Falta verificar a segunda.
(ii)
Portanto, F é uma transformação linear.
3 TRANSFORMAÇÃO LINEAR E MATRIZ

Num certo ponto de vista, o estudo de transformação linear pode ser
restringido ao estudo de matrizes. Isto se dá, porque toda matriz de ordem m X n
está associada a uma Transformação Linear T: R n → R n .
Para simplificar o estudo de transformações lineares, adotaremos sempre a

base canônica como base de nossos espaços vetoriais. A mudança de base consiste
em um valoroso conceito que facilita, em muitos casos, a resolução de problemas.
Mais tarde voltaremos a falar desse conceito.
Por exemplo, se tivermos uma transformação linear T: R 3 → R 2 , tal que

T(x, y, z) = (x - 3y + 5z,2x + 4y - z), podemos reescrevê-la em termos de matrizes.
Observe:
123
Ou ainda,
ATENCAO
Refaça a multiplicação das matrizes para ver se convencer da igualdade entre as

equações anteriores.
Como vimos na Unidade 1, a multiplicação de uma matriz de ordem

2×3 por uma matriz de ordem 3×1 resulta em uma matriz de ordem 2×1. Assim,
saímos de um vetor com três coordenadas (vetor de R3 ) para um vetor com duas
coordenadas (vetor de R2 ). Assim, o que caracteriza esta transformação linear é
simplesmente a matriz de ordem 2×3
Mais ainda: podemos dizer que A é a matriz associada a T: é ela que

informa a lei que rege a transformação T. Para transformar um vetor v qualquer
pertencente ao R³, basta efetuar a multiplicação A·v. Veja:
124
ATENCAO
Viram que, a multiplicação Av resultou na mesma transformação anterior?
Na verdade, toda transformação linear admite uma matriz A que a

represente. Com isso, podemos definir uma transformação linear T indicando
apenas a matriz que está associada a ela, denotada frequentemente por [T].
Exemplo:
Sendo T:R 2 → R 4 dada pela matriz a seguir, determine T aplicada em v =

(-2,4)
Resolução: basta efetuar a multiplicação T(v) = [T].·v
125
4 NÚCLEO E IMAGEM DE UMA TRANSFORMAÇÃO LINEAR

Dada uma transformação linear T:V → W, a imagem de T, simbolizada
por Im(T), será o conjunto de todos os vetores T(v) ∈ W.
Im(T) = { T(v) ∈ W | v ∈ V}.
Note que a imagem é um subconjunto de W.
O núcleo de T, simbolizado por N(T), será o conjunto formado por todo

elemento v ∈ V tal que .
N(T) = { v∈ V | T(v) = 0 }.
Note que o núcleo é um subconjunto de V.
Quando a Imagem de T for igual a W, diremos que a transformação T é

sobrejetiva. Quando o núcleo de T admitir como único elemento o vetor nulo,
diremos que a transformação T é injetiva.
126
E
IMPORTANT
Assim como em funções, quando a transformação T for simultaneamente

sobrejetiva e injetiva, dizemos que a transformação T é bijetiva. Somente uma função bijetiva
admite inversa. E mais: isso só pode acontecer quando V e W tiverem a mesma dimensão,
ou seja, a matriz que representa a transformação linear será quadrada.
Como a Im(T) e o N(T) são subespaços, se conseguirmos encontrar a base

geradora destes subespaços, teremos esses conjuntos. E como toda transformação
linear tem uma matriz associada, você verá que achar a base da imagem resume-se
a escalonar a transposta da matriz associada e que determinar o núcleo resume-se
a encontrar a solução de um sistema homogêneo.
ATENCAO
Novamente, iremos aplicar os conceitos de escalonamento de matrizes e

sistema para encontrar soluções em álgebra linear. Sistema homogêneo nada mais é que
um sistema linear onde as equações são iguais a zero, ou seja, o vetor resultado é nulo.
UNI
Dada uma matriz A = [aij]mxn qualquer, a transposta de A, simbolizada por AT, será
A = [aij]nxm. Ou seja, para determinar a transposta de uma matriz A basta escrever as linhas
T
como colunas.
Exemplos para determinar núcleo e imagem de uma transformação linear:
(1) Seja T:R 3 → R 3 dada por T(x,y,z) = (x,x + y,0). Determine uma base para
a imagem, uma base para o núcleo e informe suas respectivas dimensões.
Resolução:
Sabemos que a matriz associada a essa transformação é:

127
Para ficar mais fácil de visualizar essa matriz, pense na transformação

como sendo:
T(x,y,z) = (x,x + y,0) = (1x + 0y + 0z,1x + 1y + 0z, 0x + 0y + 0z)
Vamos determinar a imagem dessa transformação. Para isso, pegamos a

transposta da matriz associada:
E fazemos o escalonamento dessa matriz (no nosso exemplo, esse passo já

está realizado):
Pronto, as linhas não nulas da matriz associada escalonada darão uma base
para a imagem de T, portanto Im(T) = [(1,1,0),(0,1,0)]. Como a base da imagem
necessita de dois vetores LI, dizemos que a dimensão da imagem de T é igual a 2.
Ou seja, dim(T)=2 e com isso temos que Im(T) = R².
ATENCAO
Viram que representamos os vetores que formam a base da imagem entre

colchetes? Essa é a notação para espaço gerado e pode ser utilizada nesse caso.
128
Olhem a definição de núcleo no início deste tópico, notem que para

determinar o núcleo, resolvemos um sistema homogêneo (o vetor resultado
é o vetor nulo), onde a matriz ampliada será a matriz associada T, escalonada,
adicionando o vetor nulo ao final.
z=z significa que z pode ser qualquer número real, ou seja, o sistema é SPI
com a solução S={(0,0,z)} e a base do N(T) = [(0,0,1)].
z=z significa que z pode ser qualquer número real, ou seja, o sistema é SPI
com a solução S={(0,0,z)} e a base do N(T) = [(0,0,1)].
Como a base do núcleo necessita de um vetor diferente do vetor nulo,

dizemos que a dimensão do núcleo é 1, ou seja, dim N(T) = 1 e N(T) = R.
(2) Seja T:R 4 → R 2 , onde T(x,y,z,w) → ( x , y ) determinada pela matriz a

seguir, determine uma base para a imagem, uma base para o núcleo e informe suas
respectivas dimensões.
Resolução:
Para determinar a base da imagem, basta escalonar a matriz associada

transposta da transformação linear. Logo teremos:
129
Portanto, a base geradora da imagem de T será:
Im(T) = [(1,1),(0,1)], dim Im(T) = 2 e Im(T) = R²
Solucionando o sistema linear homogêneo (usando a matriz T) para

determinar o núcleo, teremos:
, logo temos um sistema SPI com duas
variáveis dependentes (x e y) e duas independentes (y e w). Para exibir uma base
do núcleo de T, basta darmos valores às variáveis independentes, por exemplo, 0 e

1 . Os dois resultados obtidos serão vetores LI que formarão a base do núcleo de T.
Para y = 1 e w = 0, teremos x = 1 e z = 2, ou seja, (x,y,z,w) = (1,1,2,0)
Para y = 0 e w = 1, teremos x = -2 e z = -2, ou seja, (x,y,z,w) = (-2,0,-2,1)
Portanto, a base do núcleo será N(T) = [(1,1,2,0), (-2,0,-2,1)].

(verifique a independência linear dos vetores).
Logo dim N(T) = 2. Assim, como N(T) ⊂ R² e dim N(T) = 2 = dim R², segue que
N(T) = R².
UNI
Sejam V e W dois espaços vetoriais de dimensão finita e T uma transformação

linear T:V→W. Então dim N(T)+dim Im(T) = dimV.
130
(3) Dada uma transformação cuja matriz associada é a matriz A a seguir,

determine o núcleo, a imagem e as respectivas dimensões.
Resolução:
Note que essa matriz é de ordem 3x2. Logo, a transformação linear pode
ser T:R 2 → R 3 , ou seja, T(x,3y) → (x ,y,z ) .
Embora haja outras possibilidades de transformações, podemos pensar

apenas nessa possibilidade para resolver esse tipo de problema.
Para determinar a imagem, basta escalonar a matriz transposta associada à

transformação linear T e verificar as linhas não nulas, pois as mesmas formam uma
base para a imagem de T. Escalonando, teremos:
Logo a base da imagem de T será dada por Im(T) = [(-1,3,1),(0,7,3)].
E, dim Im(T) = 2 . Assim, como N(T) ⊂ R² e dim Im(T) = 2 = dim R², segue que
Im(T) = R².
Vamos encontrar agora o núcleo do T. Usando a matriz T escalonada,

teremos:
131
Logo a única solução para esse sistema é o vetor nulo. Com isso, temos que
N(T) = {(0,0,0)}, cuja dimensão é 0.
Note que o vetor nulo aparece entre chaves. Isso ocorre porque ele é o único
elemento do núcleo de T, logo não forma uma base. Prestar atenção na notação
é importante, porque facilita a leitura, a interpretação e, consequentemente, o
aprendizado.
Você notou que apenas definimos as bases do núcleo e da imagem. Fizemos

isso porque, como vimos anteriormente, com a base definida podemos escrever
qualquer elemento do subespaço. Logo, definindo a base, definimos o conjunto
(subespaço).
ATENCAO
Quando colocamos elementos entre chaves { }, estamos definindo explicitamente

um conjunto (todos os elementos do conjunto estão “aparecendo” entre as chaves). E
quando escrevemos elementos (vetores) entre colchetes [ ], estamos definindo um espaço
gerado, ou seja, o conjunto será formado por todos os vetores que são combinação linear
dos vetores que “aparecem” entre colchetes.
Abel e Galois
É natural, por uma razão ou outra, associar certos personagens da história da

matemática aos pares. Esse é o caso de Harriot e Oughtred (dois algebristas ingleses
contemporâneos), Wallis e Barrow (dois antecessores imediatos de Isaac Newton no
campo do cálculo), Taylor e Maclaurin (dois matemáticos ingleses contemporâneos,
conhecidos especialmente por suas contribuições às séries infinitas), Monge e Carnot
(dois geômetras franceses contemporâneos) e Fourier e Poisson (dois pesquisadores
contemporâneos no campo física-matemática). Neils Henrik Abel e Évariste Galois
constituem outro exemplo dessa dualidade. Os dois, embora contemporâneos, não
se relacionam pela nacionalidade ou por interesse matemático semelhante; cada um,
como um meteoro, riscou o firmamento matemático com brilho intenso e matinal,
para depois, súbita e pateticamente, extinguir-se em morte prematura, deixando
material extraordinário para ser trabalhado pelos matemáticos das gerações futuras.
Abel morreu de tuberculose e subnutrição aos vinte e seis anos de idade e Galois
num duelo tolo aos vinte e um anos de idade; nenhum deles teve sua genialidade
devidamente avaliada em vida.
132
Abel nasceu em Findo na Noruega, onde seu pai era pastor religioso, em
1824. Quando estudante na atual cidade de Oslo, pensou ter encontrado a solução
algébrica geral das equações quânticas, mas logo se corrigiu num famoso artigo de
1824. Nesse artigo, Abel demonstrou a impossibilidade de estabelecer a solução da
equação quântica geral por meio de radicais, sepultando assim um problema que
havia desconcertado os matemáticos desde Bombelli até Viète. Como consequência
desse trabalho, Abel obteve uma bolsa que lhe permitiu viajar para a Alemanha,
Itália e a França. Durante esse período, escreveu artigos em áreas diversas da
matemática como a da convergência de séries infinitas, a das integrais abelianas e a
das funções elípticas.
As pesquisas de Abel no campo das funções elípticas se deram em excitante e

amigável competição com Jacobi. Legendre, que era mais velho e que desenvolvera
trabalho pioneiro sobre funções elípticas, ficou profundamente impressionado com
as descobertas de Abel sobre o assunto. Felizmente, Abel conseguiu um canal de
divulgação para seus artigos na recém-fundada Journal für die reine und angewandte
Mathematik (mais conhecida como Journal de Crelle), de fato. O primeiro volume da
revista (1826) continha nada menos que cinco artigos de Abel e o segundo volume
(1827) continha o trabalho de Abel que marcou o nascimento da teoria das funções
duplamente periódicas.
Todo aluno de análise encontra a equação integral de Abel e o teorema de Abel

sobre a soma das integrais das funções algébricas que leva às funções abelianas. No
capítulo das séries infinitas, há o teste de convergência de Abel e o teorema de Abel sobre
séries de potências. Os grupos comutativos da álgebra abstrata são chamados hoje
grupos abelianos.

Atormentado a vida toda pela pobreza e sofrimento dos pulmões, Abel
jamais conseguiu cargo de professor numa universidade. Dois dias depois de morrer
tragicamente em Froland, na Noruega, em 1829, uma tardia carta lhe era enviada
com um convite para trabalhar na Universidade de Berlim.
Embora Abel tivesse merecido pouco reconhecimento, em vida, do governo

de seu país, sua figura agora aparece em alguns selos postais da Noruega. Mas
os matemáticos, à sua maneira característica, erigiram monumentos muito mais
duradouros a Abel, pois seu nome está perpetuado em abundantes teoremas e
teorias. Sobre Abel, certa feita assim se pronunciou Hermite: “Ele deixou material
para que os matemáticos se ocupem por quinhentos anos.” Mathias Keilhau, amigo
íntimo de Abel, concebeu a ideia de erigir em sua homenagem um monumento mais
convencional no local de seu repouso derradeiro. O turista de hoje que fizer uma
peregrinação à igreja de Froland encontrará o monumento de Kielhau a seu amigo.
133
Quando indagado sobre a fórmula para avançar tão rapidamente para os

primeiros escalões de sua matéria, Abel respondeu: “Estudando os mestres e não
seus discípulos”.
A vida de Évariste Galois foi ainda mais curta e mais trágica do que a de
Abel. Nascido perto de Paris em 1811, filho do prefeito de uma pequena cidade, o
talento matemático extraordinário de Galois começou a se mostrar pouco depois
de completar quinze anos de idade. Por duas vezes tentou ingressar na Escola
Politécnica mais em ambas foi reprovado devido ao seu despreparo para cumprir
as exigências formais dos examinadores que, por sua vez, falharam ao não perceber
seu gênio. Outro golpe se seguiu: seu pai, sentindo-se perseguido pelos clérigos,
suicidou-se. Sem esmorecer, Galois por fim entrou na Escola Normal, em 1829,
onde deveria se habilitar para o ensino. Mas, movido por simpatias democráticas,
envolveu-se nas agitações da Revolução de 1830, o que lhe valeu, além da expulsão
da escola, vários meses de prisão. Pouco depois de sua libertação, em 1832, com vinte
e dois anos incompletos, uma manobra envolvendo um caso amoroso arrastou-o
um duelo a pistola em que foi morto.
Galois dominou os grandes textos de matemática de seu tempo com facilidade

de quem lê uma novela, percorreu os artigos de Legendre, Jacobi e Abel para depois
dedicar-se à sua própria criação. Com dezessete anos de idade alcançou resultados
de grande importância, mas duas memórias que enviou à Academia de Ciências se
extraviaram, aumentando sua frustração. Em 1830, foi publicado um artigo de sua
autoria sobre equações, com resultados visivelmente baseados numa teoria geral.
Na noite que precedeu o duelo, percebendo plenamente que com toda a certeza
seria morto, escreveu um testamento científico na forma de uma carta a um amigo.
Esse testamento diz respeito a algumas de suas descobertas não publicadas que,
para serem esmiuçadas posteriormente, exigiram o talento de grandes matemáticos:
elas revelaram conter a teoria dos grupos e a teoria de Galois (como é chamada
agora). Essa teoria, baseada em conceitos da teoria dos grupos, fornece critérios
para a possibilidade das construções com régua e compasso para a resolubilidade
de equações por radicais.
Várias das memórias e manuscritos de Galois, encontradas entre seus papéis

após sua morte, foram publicadas por Joseph Liouville (1809-1882), em 1846, em seu
Journal de Mathématique. Porém, uma avaliação completa das realizações de Galois
só aconteceria em 1870, quando Camille Jordan (1838-1902) as expôs em seu livro
Traité des Substitutions e mais tarde ainda, quando Felix Klein (1849-1925) e Saphus
Lis (1842-1899) brilhantemente fizeram uso delas na geometria.
O estudo dos grupos começou essencialmente com Galois; foi ele o pioneiro
no uso (1830) da palavra “grupo” em seu sentido técnico. As pesquisas em teoria
134
dos grupos foram então levadas adiante por Augustin-Louis Cauchy (1789-1857)
e outros que se sucederam para o caso particular dos grupos de substituições.
Com o subsequente notável trabalho de Arthur Cayley (1821-1895), Ludwig Sylow
(1832-1918), Sophus Lie, Georg Frobenius (1848-1917), Felix Klein, Henri Poincaré
(1854-1912), Otto Holder (1859-1937) e outros o estudo dos grupos assumiu sua
forma abstrata independente e se desenvolveu rapidamente. A noção de grupo veio
a alcançar um grande papel codificador em geometria e em álgebra serviu como
uma estrutura atômica de coesão, fator de grande importância para a ascensão da
álgebra abstrata no século XX. A teoria dos grupos ainda é, nesta segunda metade
do século XX, um campo de pesquisas muito produtivo em matemática.
FONTE: HOWARD, Eves. Introdução à história da matemática. Trad.: Hygino H.

Domingues. Campinas: Editora da Unicamp, 2004.
135
RESUMO DO TÓPICO 4
Neste tópico, nós estudamos que:
• Toda transformação T:R n → R m pode ser representada por uma matriz de ordem
m x n.
• Dada uma transformação T:V → W e uma matriz associada A, para determinar

a imagem de um vetor v ∈ V, basta efetuar a multiplicação Av.
• A imagem da transformação linear T:V →W é o conjunto de todos os w = T(v)

∈ W.
• Determinamos a base da imagem de T, escalonando a matriz associada transposta,

a base serão as linhas não nulas da matriz transposta escalonada.
• O núcleo da transformação linear será o conjunto de todos os vetores v ∈ V, tal

que T(v) = 0.
• Para determinar a base do núcleo, resolvemos o sistema linear homogêneo com

a matriz associada escalonada.
• Numa transformação T:V →W, teremos:
(i) dim Im(T) + dim N(T) = dim V

→
(ii) Se N(T) = {0}, então T é injetiva e dim N(T) = 0
(iii) Se Im(T) = W, então T é sobrejetiva e dim Im(T) = dim W
• Quando uma transformação T for, simultaneamente, injetiva e sobrejetiva, ela

será denominada bijetiva. E somente nesses casos admitirá função inversa.
136
AUTOATIVIDADE
Caro(a) acadêmico(a)! Resolva os seguintes exercícios para familiarizar-

se com os temas abordados:
1 Determine nas transformações lineares a seguir as matrizes associadas a essas

transformações.
a) T:R 5 → R 2 tal que T(x,y,z,w,t) → (x + y + z , x -w + t)
b) T:R 2 → R 2 tal que T(x,y) → (x -y, 2 x )
2 Cada matriz a seguir representa uma transformação linear. Escreva uma base
para a imagem e uma base para o núcleo de cada uma delas, informando as
respectivas dimensões.
a)
b)
c)
d)
3 Das transformações do exercício anterior, informe qual delas é injetiva, qual

é sobrejetiva e qual é bijetiva. Alguma destas transformações admite inversa?
137
138
UNIDADE 3
PRODUTO INTERNO, AUTOVETORES

E AUTOVALORES, MUDANÇA
DE BASE
A partir desta unidade, o(a) acadêmico(a) estará apto(a) a:
• determinar e conceituar produto interno bem como suas propriedades;
• entender e identificar uma função como produto interno;
• calcular autovalores e autovetores;
• compreender a real importância dos autovalores e autovetores;
• encontrar o polinômio característico de um operador linear T;
• diferenciar multiplicidade algébrica e geométrica;
• mudar a base de um espaço vetorial.
PLANO DE ESTUDOS
Esta unidade está dividida em três tópicos. No final de cada um deles, você
encontrará atividades que reforçarão o seu aprendizado.
TÓPICO 1 – AUTOVALORES E AUTOVETORES
TÓPICO 2 – PRODUTO INTERNO
TÓPICO 3 – MUDANÇA DE BASE
139
140
UNIDADE 3
TÓPICO 1
AUTOVALORES E AUTOVETORES
1 INTRODUÇÃO
Vimos no Tópico 3 da Unidade 2 que a transformação linear faz um
determinado vetor v, pertencente a um espaço vetorial V, se transformar num
vetor w pertencente a um espaço vetorial W.
Se você ainda não consegue imaginar essa “metamorfose” muito bem,

analise o desenho a seguir.
Por motivos óbvios (facilidade de desenhar), escolhemos uma transformação

de R² para R². Note que a transformação linear T faz o vetor v se transformar no
vetor w.
Essa ideia, a partir de agora, tem que nos acompanhar quando falamos de
transformação linear.
Outra ideia que se fará útil na continuação do nosso aprendizado é definir

uma transformação linear T:V →V como sendo um operador linear. Em outras
palavras, quando o espaço vetorial de “partida” é o mesmo que o de “chegada”,
temos um caso especial de transformação linear denominado operador linear.
Exemplo: Seja T:R³→R³ definida por T(x,y,z)=(x-y,x+2y,x-y-z).
Note que um vetor v=(2,3,5)∈R³ vai ter imagem T(v)=(-1,7,-6)∈R³.
No exemplo anterior, T é um operador linear que transforma v em T(v).
141
UNIDADE 3 | PRODUTO INTERNO, AUTOVETORES E AUTOVALORES, MUDANÇA DE BASE
Como um vetor é definido pela direção, pelo sentido e pelo módulo, podemos
dizer que T(v) é diferente de v em todos os “quesitos” apresenta tamanho (módulo)
e direção diferentes. Contudo dá para perceber.
UNI
Direção é a reta suporte do vetor, sentido é o lado que o vetor aponta e módulo
é o seu tamanho. Veja a seguir:
Neste tópico, iremos trabalhar somente com operadores lineares

(transformações lineares do tipo T:V → V ). Mais especificamente, criaremos uma
rede de conhecimentos que nos deixarão aptos a encontrar, se existirem, vetores
que não alteram a sua direção quando transformados por esses operadores.
Em outras palavras, dado um operador linear qualquer, estamos

interessados em encontrar todos os vetores que não têm sua direção alterada por
esse operador linear.
A seguir representamos geometricamente alguns operadores lineares T: R 2

→ R onde o vetor não tem sua direção alterada pelo operador.
2
142
TÓPICO 1 | AUTOVALORES E AUTOVETORES
Nos três casos a direção (representada pela reta r) não foi alterada pelo
operador T em questão. No primeiro caso, o vetor permaneceu fixo também em
relação ao sentido e ao módulo. Já no segundo caso, apenas o sentido foi alterado,
enquanto no terceiro, foram alterados o sentido e o módulo.
143
2 DEFINIÇÃO
Sejam V um espaço vetorial e T:V→V um operador linear. Se existirem v ∈
V não nulo e λ ∈ R tais que T(v) = λv, então dizemos que λ é um autovalor de T e v
é um autovetor de T associado a λ.
ATENCAO
Note que o autovetor não pode ser 0, enquanto o autovalor pode.
Você pode notar que o conceito de autovalor está correlacionado ao conceito

de autovetor, uma vez que um não existe sem o outro.
Geometricamente, se existir um vetor v que não tem sua direção alterada

pelo operador linear T, este vetor será um autovetor de T, e terá um autovalor λ
associado a ele. Este λ vai mudar o sentido do autovetor v se for negativo, e mudar
o módulo de v se for diferente de 1. Entretanto, nunca mudará sua direção.
Daremos agora um exemplo de operador linear no R² para que a definição

anterior fique bem esclarecida. Cabe salientar que existe um processo mais
fácil para determinar os autovalores e consequentemente os autovetores de um
operador T, porém, nesse primeiro momento, usaremos somente os conceitos já
aprendidos anteriormente e a definição de autovetor.
E
IMPORTANT
Estamos sempre usando um operador linear em R² pela facilidade de

representação geométrica. Contudo, os conceitos apresentados valem para operadores em
qualquer espaço vetorial V.
(1) Dado T:R 2 →R 2 tal que T(x,y)→ (x ,2x ) , determine se existem autovetores
de T. Caso existam, determine os autovalores associados.
Resolução:
Queremos determinar o vetor v que faz a igualdade T(v) = λv ser verdadeira.

Como vimos no Tópico 3 da Unidade 2, a imagem T(v) pode ser determinada por
uma multiplicação entre a matriz que representa o operador T, [T], e o vetor v.
Assim, operador linear T tem a seguinte matriz associada:
144
Assim, queremos encontrar o vetor v e o escalar λ para os quais T(v) = λ·v,

isto é, v = (x, y) e λ tais que
Então, para determinar os autovalores e os autovetores de T, precisamos

resolver o sistema linear:
Agora temos duas situações que precisam ser consideradas:
(i)x ≠ 0 e (i)x = 0. Suponhamos inicialmente que (i)x ≠ 0. Então,
145
Com isso temos que para λ=1, todos os vetores do tipo são autovetores
associados a ele, para todo x real.
Vamos, agora, analisar o caso x = 0 (ii).
Assim, para que a segunda igualdade seja válida, ou λ = 0, ou y = 0.
Na verdade, y não pode ser nulo: como estamos supondo que x = 0, se y =

0, o vetor v será o vetor nulo, contrariando a definição de autovetor. Logo, λ =0, e
y pode ser qualquer valor real.
Segue que, para λ = 0, os autovetores associados são da forma:
, para todo y real.
ATENCAO
Na verdade, ao encontrarmos os autovetores associados a um autovalor,

estamos encontrando um subespaço vetorial. Lembre-se de que a solução S={ (0,y )/y ∈R}
representa o espaço gerado por [(0,1)].
Vamos visualizar no plano os dois resultados:
Caso (i): precisamos de vetores do tipo v = (x,2x), com x real. Fazendo x = 2,

temos, então v = (2,4). Como o autovalor associado a v é 1, o operador linear T não
deverá alterar seu tamanho nem seu sentido. Vejamos:
146
Notem que o vetor v = (2,4) foi transformado pelo operador linear T no

próprio vetor v.
Caso (ii): Podemos pegar qualquer vetor do tipo v = (0,y), sendo y um

número real. Então, fazendo y = 3, usaremos para o nosso exemplo v = (0,3). Como
o autovalor associado a esse autovetor é 0, isso indica que todos os autovetores
desse tipo serão transformados no ponto (0,0). Veja:
E
IMPORTANT
Note que todo vetor pertencente ao eixo y será transformado no ponto (0,0)
(vetor nulo). Contudo, esse vetor ainda está sob a reta suporte do vetor v. Logo v pode ser
chamado de autovetor.
147
3 SUBESPAÇO ASSOCIADO AO AUTOVALOR λ

Já vimos o suficiente para verificar que, dados V um espaço vetorial e T um
operador linear em V, para cada autovalor λ, temos vários autovetores associados.
Na verdade, todos os autovetores associados λ formam um subespaço vetorial de
V, denotado por Vλ, chamado de subespaço associado ao autovalor λ.
Definindo de maneira mais formal, podemos dizer que, dados V um

espaço vetorial e T um operador linear em V, o subespaço formado por todos os
autovetores associados a λ, Vλ = {v ∈ V; T(v) = λv}, é chamado de subespaço
associado ao autovalor λ.
No exemplo anterior, teríamos:
V1={(x,2x)/x∈ R}=[(1,2)]
V0={(0,y)/y∈ R}=[(0,1)]
4 MÉTODO PRÁTICO PARA DETERMINAR OS AUTOVALORES

Antes de mostrar o que faremos para determinar os autovalores de um
operador linear, é importante que façamos uma breve revisão dos conceitos, de
forma que eles nos deem sustentação para o dispositivo prático.
Seja V um espaço vetorial. Todo e qualquer operador linear T: V → V terá

uma matriz [T] que dará a imagem de T(v) simplesmente calculando [T]·v.
Vimos que para determinar os autovetores que não têm suas direções
alteradas pelo operador linear T (nosso primeiro objetivo), caímos num sistema
linear, onde determinamos os autovalores e que, a partir destes, encontramos os
autovetores.
Consideremos V um espaço vetorial, T um operador linear em V, λ um

autovalor e v um autovetor associado a λ. Então, T( v) = λ . v →T (v )- λ . v =0 .
Vamos passar esta equação para a notação matricial. Chamando de [T] a

matriz associada a T, e denotando por I a matriz identidade da mesma ordem da
matriz [T], temos:
T ( v) =λ . v=0→ [T] . v-λ . l . v=0→ ([T]-λ . l)v = 0
mas, só estamos interessados, por definição, nos vetores v ≠ 0.
Note que
148
( [ T ] - λl )v=0 é um sistema linear homogêneo (o vetor resultado é 0), que é

sempre possível, pois tem, no mínimo, uma solução (o vetor nulo, v = 0), podendo
ela ser única, ou podendo existir outras soluções não triviais.
Uma propriedade interessante relacionada a sistemas lineares é que se o

determinante da matriz que representa o sistema for diferente de zero, o sistema é
SPD (ou seja, tem uma única solução).
Como [T] representa um operador linear, [T] é uma matriz quadrada, assim
como [T] – λ·I Portanto, podemos calcular seu determinante.
Se o determinante de [T] – λ·I for diferente de zero, o sistema homogêneo

possuirá como única solução a solução trivial v = 0. Entretanto, pela definição de
autovetores, esta situação não nos interessa: v precisa necessariamente ser não
nulo. Nesse caso, o determinante de [T] – λ·I precisa ser igual a zero. Ou seja,
det( [ T ] - λl ) ≠0 .
UNI
Se o determinante da matriz [ T]- λl for igual a 0, teremos autovetores e

autovalores associados a T. Caso contrário, se d et([T]- λl) ≠ 0 não teremos autovetores
e autovalores.
Se um operador linear T não admite autovetor, significa que nenhum vetor

do espaço vetorial conserva a direção sob T.
Exemplos:
(1) Primeiramente, usaremos o mesmo anterior para notarmos a diferença

entre os métodos. Dado T:R 2 →R 2 tal que T( x , y ) → ( x , 2 x ) , determine (caso
existam) os autovetores de T e os autovalores associados.
Resolução:
Já vimos que a matriz associada ao operador linear é . Queremos
encontrar λ real para o qual T(v) = λ ·v para algum vetor v. Isso significa que:
149
Substituindo,
Ou seja,
Nesse caso, ou λ =0 ou λ =1.
Para determinar os autovetores associados aos autovalores 1 e 0,

substituímos os valores de λ na matriz associada e depois resolvemos o sistema.
Para λ =1
150
Como as equações obtidas não deram restrições à variável y, isso indica que
y pode assumir qualquer valor real. (Note que são os mesmos resultados obtidos
na resolução anterior desse exemplo).
Para λ =1
(2) Seja um operador linear T definido pela matriz a seguir. Determine, caso
existam, os autovetores associados ao operador T e, no caso afirmativo, encontre
os autovalores associados.
151
Como a matriz é triangular inferior, o determinante será a multiplicação da diagonal

principal:
Substituiremos os autovalores na matriz para determinar os autovetores.
Para λ =2:
Logo, todos os vetores da forma , qualquer que seja y real são
autovetores de T associados ao autovalor 2. Ainda: é o subespaço de
autovetores de T associados ao autovalor 2.
Para λ =1
152
Logo, todos os vetores do tipo (0,-2z,z) para um real z qualquer, são

autovetores de T associados ao autovalor 1. Ou seja, [(0,-2,1)] é o subespaço de
autovetores de T associado ao autovalor 1.
Para λ =5
Logo, todos os vetores do tipo (0,0,z), com z um número real qualquer,

são autovetores de T associados ao autovalor 5. Ainda: [(0, 0, 1)] é o subespaço de
autovetores de T associado ao autovalor 5.
Exemplo 3: O operador T:R 2 →R 2 é definido pela matriz .

Determine os autovalores e os autovetores associados, se existirem.
Resolução:
Fazendo o determinante da matriz (T-λl) igual a zero, teremos:
153
Calculando o discriminante desta equação do segundo grau,
Logo, T não possui autovalores reais, o que indica que não há autovetores
de T.
Nesse caso, não existe vetor v ≠ 0 que permanece na mesma direção depois
de ser operado por T.
5 POLINÔMIO CARACTERÍSTICO
No item anterior, vimos que a existência e a determinação dos autovalores
associados a um operador linear T, está fortemente ligada ao determinante da
matriz quadrada (T- λl).
Mais do que isso, sabemos que o determinante de ( T-λ l ) tem que ser 0
para termos autovalores associados ao operador linear T, e que λ será a raiz de um
polinômio originado da igualdade det(T-λl)=0 .
Olhando novamente os três exemplos anteriores, podemos notar que a

igualdade det(T- λ l )=0 originou nos exemplos 1,2 e 3, os polinômios λ 2 -λ = 0 ,
(2 -λ)(1- λ) ( 5- λ ) =0 e λ 2 -5λ +0=0, respectivamente.
Além disso, as raízes reais desses polinômios, quando existem, são os

autovalores associados a T.
Esses polinômios, originados da igualdade det( T-λ l ) = 0 , são chamados de

polinômios característicos do operador linear T e suas raízes serão os autovalores
associados a T.
154
Em outras palavras, podemos definir o polinômio característico de T, como

sendo P(λ ) =det(T-λl).
Assim, a busca pelos autovalores de T, resume-se, na determinação das

raízes do polinômio P(λ) .
Exemplo: Encontre o operador linear T: R 2 → R 2 , tal que T tenha autovalores

-1 e 4.
Resolução:
Para -1 e 4 serem autovalores, necessariamente eles precisam ser raízes do

polinômio característico de T. Então:
6 MULTIPLICIDADE ALGÉBRICA E GEOMÉTRICA DE UM

AUTOVALOR DE T
Para facilitar o entendimento e a diferença entre multiplicidade algébrica e
geométrica, vamos antes relembrar alguns conceitos sobre raízes de polinômios e
falar um pouco sobre dimensão de um subespaço.
\Um polinômio de grau n admite exatamente n raízes, não necessariamente

reais. Contudo, muitas vezes, um mesmo número é considerado raiz de um
polinômio por mais de uma vez. A quantidade de vezes que um mesmo número é
raiz de um polinômio é o que chamamos de multiplicidade.
Por exemplo, o polinômio (4-λ) 2 . (3 + λ ) = 0 é um polinômio de grau 3 com

três raízes não necessariamente reais. Para facilitar, lembre-se de que podemos
reescrever o polinômio da seguinte maneira ( 4 -λ )(4 -λ )(3 -λ ) = 0 . Logo, as
raízes deste polinômio são os números que zeram cada um dos fatores desta
multiplicação: os números 4 (pois “zera” o primeiro parênteses), o número 4 (pois
“zera” o segundo parênteses) e o número -3 (pois “zera” o terceiro parênteses.
Como há uma raiz repetida, informamos que o polinômio, na verdade, possui
duas raízes reais: o 4 e o -3, com multiplicidade 2 e 1, respectivamente.
155
Resumindo, a multiplicidade da raiz de um polinômio é o número de vezes

que esse número é raiz daquele polinômio.
Esse conceito está fortemente ligado à multiplicidade algébrica de um

autovalor associado a um operador linear T: multiplicidade algébrica de λ será o
número de vezes que λ é raiz do polinômio característico P(λ ).
Anteriormente, já citamos que cada autovalor λ associado ao operador linear

T, define um subespaço Vλ gerado por λ. Por ser um subespaço, podemos definir
uma base geradora para o mesmo (se não lembram o que é base volte a Unidade 2
e relembre). O número de vetores linearmente independentes necessários para que
essa base “gere” o subespaço é a dimensão do subespaço.
Esse conceito está fortemente ligado ao que significa multiplicidade

geométrica de um autovalor λ, a multiplicidade geométrica é igual à dimensão do
subespaço Vλ gerado por λ.
Assim, a multiplicidade algébrica está relacionada ao autovalor λ, enquanto

a multiplicidade geométrica se relaciona aos autovetores associados a λ.
Vamos entender melhor estes conceitos através de exemplos:
Exemplos: Dado um operador linear T, representado pela matriz
, determine os autovalores associados a T e indique a multiplicidade
algébrica e geométrica de cada um deles.
Resolução:
Efetuando os cálculos como no item anterior, teremos como polinômio

característico de T: P(λ)=(3-λ ) 2 .(-1-λ), cujas, raízes são 3 e -1. Logo, os autovalores
associados a T são 3 e -1. Note que o autovalor 3 tem multiplicidade algébrica 2,
enquanto o autovalor -1 tem multiplicidade algébrica 1.
Continuando os cálculos como no item anterior, verificamos que para λ= 3

temos os vetores do tipo v = (x,y,0) quaisquer que sejam x e y reais, associados a
este autovalor.
Com isso, V3=[(1,0),(0,1,0)] será o subespaço gerado relacionado a λ = 3 Logo

a dimensão de V3 é igual a 2, o que determina que a multiplicidade geométrica de
λ = 3 é 2.
156
Para λ =-1, os vetores associados a ele são do tipo com z
números reais quaisquer. Então é o subespaço gerado relacionado a
λ =-1 será que tem dimensão 1. Portanto a multiplicidade geométrica
de λ=-1 é 1.
UNI
A multiplicidade algébrica de um autovalor λ é igual ao número de vezes que

λ é raiz do polinômio P(λ) . A multiplicidade geométrica de um autovalor λ é igual à
dimensão do subespaço gerado Vλ .
157
RESUMO DO TÓPICO 1
• Uma transformação linear do tipo T:V →V é chamada de operador linear.
• Um operador linear T:V →V pode ser representado por uma matriz quadrada
[T].
• Um operador linear T só admitirá autovetores e autovalores quando det(T-λl)=0 .
• Um vetor v será um autovetor associado a T, quando a sua imagem, T(v), manter

a direção de v. (Resumindo: T(v) = λv).
• Cada autovetor v de um operador linear T, será associado a um número real λ

denominado autovalor de T.
• O polinômio característico do operador T será P(λ ) = det(T-λ l) e as raízes desse

polinômio serão os autovalores associados a T.
• A multiplicidade algébrica do autovalor λ será o número de vezes que esse

autovalor λ for raiz do polinômio característico P(λ).
• A multiplicidade geométrica do autovalor λ será igual à dimensão do subespaço

gerado Vλ .
158
AUTOATIVIDADE
Para que você possa fixar e aprimorar os conceitos aprendidos nesse

tópico, preparamos alguns exercícios para essa finalidade.
1 Ache os autovalores e autovetores dos seguintes operadores lineares:

a) T:R 2 →R 2 tal que T(x,y) = (-y,2x)
b) T:R 2 →R 2 tal que T(x,y) = (-y + x, - 3x)
c) T:R 2 →R 2 tal que T(x,y) = (2x+3y,-x+y)
d) T:R 3 →R 3 tal que T(x,y,z) = (x+y,x – y + 2z, 2x + y - z)
2 Encontre o operador linear T, que tem como autovalores os números reais -2

e 4, com multiplicidades algébricas iguais a 3 e 2, respectivamente.
3 Ache os autovalores e autovetores correspondentes das matrizes:
4 Informe a multiplicidade algébrica e a multiplicidade geométrica de todos os

itens dos exercícios 1 e 3.
159
160
UNIDADE 3
TÓPICO 2
PRODUTO INTERNO
1 INTRODUÇÃO
Antes de qualquer coisa é importante que fique claro que produto interno
não é uma função. Trata-se de um tipo de função que deve preservar certas
propriedades que veremos posteriormente.
O produto interno se faz necessário por facilitar e tornar mais coerente, num
espaço vetorial qualquer, noções como comprimento e distância. “Os axiomas de
espaço vetorial não são suficientes para abordar certas noções geométricas como
ângulo, perpendicularismo, comprimento, distância etc. Isto se torna possível com
a introdução de um produto interno.” (LIMA, 2001, p. 122).
2 DEFINIÇÃO
Dado um espaço vetorial real V, um produto interno sobre V será uma função
que associa a cada par de vetores v1 e v2 um número real, simbolizado por
, que satisfaz as propriedades:
(i) , para todo
(ii) para todo número real α.
(iii)
(iv)
3 PRODUTO INTERNO USUAL

Existe um produto interno que é chamado de usual e, embora existam
outros tipos, esse é o mais utilizado. Podemos até nos arriscar em falar que
para nós, iniciantes no estudo de álgebra linear, o produto interno usual é o que
importa (embora iremos ver alguns exemplos de outros tipos de produtos internos
posteriormente).
161
UNI
Esse produto interno não é classificado como usual e reverenciado, por mera
casualidade. É que, escolhendo um tipo especial de base, todo e qualquer produto interno
se resume a uma expressão como a da forma usual.
O produto interno usual para vetores de R² será ,

onde v1 = (x1,x2) e v2 = (y1,y2) são vetores quaisquer de R².
Exemplo: Dados v1 = (-2,4) e v2 = (3,-1), então:
Com esse simples exemplo, nós já podemos notar a veracidade das

propriedades relativas a um produto interno. (Releia as propriedades e verifique
suas presenças nesse exemplo).
O produto interno usual para vetores de R³ será

, onde v1 = (x1,x2,x3) e v2 = (y1,y2,y3) são vetores quaisquer de R³.
Exemplo: Sejam v1 = (9,-1,2) e v2 = (-1,3,-3) vetores de R³. Então:
Generalizando para vetores pertencentes a Rn, o produto interno usual será:
com v1 = (x1, x2,…, xn) e. v2 = (y1, y2,…,

yn).
162
TÓPICO 2 | PRODUTO INTERNO
4 EXEMPLOS DE PRODUTOS INTERNOS NÃO USUAIS

Neste item iremos apresentar dois produtos internos não usuais e
mostraremos que as propriedades de produto interno são válidas.
(1º Exemplo) Sejam V = R², v1 = (x1,y1), v2 = (x2,y2) e v3 = (x3,y3) vetores

quaisquer de V e consideremos o produto interno em V definido como
Para essa função ser um produto interno, é necessário que as 4 propriedades

da definição sejam válidas. Mostraremos que isso acontece.
(i) , para todo v ∈ V.
Como α v 1 =( α x 1 , α y 1 ), então:
163
Como v1+v2=(x1+x2,y1+y2),
Aplicando a propriedade distributiva
Rearranjando os termos,
Pronto! Temos a certeza que essa função é um produto interno. Podemos

inventar produtos internos. Pode até ser um passatempo interessante. Mas lembre-
se de que as quatro propriedades acima têm que valer.
(2º Exemplo) Seja V o espaço de funções contínuas no intervalo [0,1]. Dadas

duas funções deste espaço V, f1 e f2, definimos um produto interno como:
164
O símbolo chamado de integral e, neste caso, representa um somatório

infinito da multiplicação das funções f1 e f2 aplicadas no intervalo de 0 a 1.
As demonstrações da validade das propriedades exigem o conhecimento

das propriedades de integrais vistas na disciplina de cálculo diferencial e integral.
Não faremos as demonstrações aqui por entendermos que não há

necessidades pedagógicas para o intento, contudo fica o desafio para que vocês
tentem fazer.
É um bom exercício para relembrar as propriedades de integrais (se vocês

ainda não viram integrais, tomem esse exemplo apenas como uma informação, o
seu entendimento não é primordial para a continuação da aprendizagem).
5 ORTOGONALIDADE DE VETORES
Quando consideramos dois vetores quaisquer no mesmo espaço, podemos
pensar em posição relativa de um em função do outro. De fato, se eles possuem
direção e sentido, existe um ângulo entre eles. No R² ou no R³, dizemos que dois
vetores são ortogonais quando há um ângulo de 90º entre eles. Por outro lado,
quando a dimensão do espaço considerado é maior que 3, fica inviável o uso dessa
definição. Para generalizarmos esta definição sobre ortogonalidade de vetores,
utilizaremos o conceito de produto interno.
Dado um espaço vetorial V munido de um produto interno dizemos

que dois vetores v1, v2 ∈ V são ortogonais em relação a esse produto interno quando
=0.
Simbolicamente, usamos v1 ┴ v2, para representar que v1 é ortogonal a v2.
As seguintes propriedades estão relacionadas à ortogonalidade:
(i) 0 ┴ v para todo v ∈ V
(ii) v1 ┴ v2 implica que v2 ┴ v1 para todos v1, v2 ∈ V
(iii) Se v1 ┴ v2 para todo v ∈ V, então v1 = 0
(iv) Se v1 ┴ v e v2 ┴ v, então v1 + v2 ┴ v
(v) Se v1 ┴ v2 e λ é um escalar, então λ v1 ┴ v2
165
Novamente precisamos que você relembre o que é base de um espaço vetorial,

pois as propriedades relacionadas à ortogonalidade de vetores pode nos mostrar
que uma base formada por vetores ortogonais entre si é “melhor” que uma base
sem essas propriedades.
A boa notícia é que sempre podemos ortogonalizar uma base qualquer

usando um processo relativamente simples. Ainda, neste tópico, você terá a
oportunidade de trabalhar com esse método.
Para formalizar as frases anteriores, vamos definir o que é uma base

ortogonal. Diremos que uma base {v1,v2,v3,...,v4} de V é base ortogonal se
para i ≠ j, isto é, se os vetores da base são dois a dois ortogonais.
Na verdade, um conjunto formado por vetores ortogonais entre si são

linearmente independentes (você pode encontrar a demonstração desta propriedade
em…). Então, se conseguirmos n vetores ortogonais entre si pertencentes a um espaço
vetorial de dimensão igual a n, esses vetores constituirão uma base ortogonal para
esse espaço vetorial.
Exemplos de conjuntos formados por vetores ortogonais em relação ao

produto interno usual.
(1º) A = {(3,0,1),(0-2,0)}
Veja que . Logo

os vetores do conjunto A são ortogonais.
Como os vetores pertencem a R³, se encontrássemos um terceiro vetor

ortogonal a (3,0,1) e (0,-2,0), simultaneamente, teríamos uma base ortogonal para R³
(2º) B = {(-1,1),(1,1)}
Veja que . Logo os vetores do

conjunto A são ortogonais.
Como (-1,1) e (1,1) são vetores de R², eles formam uma base ortogonal para R².
6 NORMA DE UM VETOR
Sabemos que todo vetor possui comprimento, direção e sentido. Mas
como determinar este comprimento? Pois a norma de um vetor está justamente
relacionada ao seu comprimento em relação a um produto interno.
Definição de Norma:
Dado um espaço vetorial V com produto interno definimos a norma
de um vetor v ∈ V em relação a este produto interno como sendo .
166
Se a norma de v for igual a 1, ( , ou ainda, ) v é chamado de

vetor unitário ou, simplesmente, dizemos que v está normalizado.
Novamente temos uma boa notícia para você: sempre podemos normalizar
um vetor não nulo. Dado v ≠ 0, o vetor será um vetor normalizado com a

mesma direção e o mesmo sentido de v.
Exemplo: Seja V = R4 e v = (1,0,3,-1). O vetor normalizado será:
Voltando um pouco, você está lembrado que falamos que as bases formadas
por vetores ortogonais são melhores que as bases sem essa propriedade?
A melhoria fica maior ainda se além de ortogonais entre si, os vetores

estiverem normalizados. Para isso basta normalizar um por um dos vetores.
Assim, o conceito de norma formaliza a noção de comprimento de um

vetor. Vejamos agora as propriedades de norma.
Seja V um espaço vetorial com produto interno. Para quaisquer v1, v2 ∈ V e

α ∈ R, valem as seguintes propriedades:
(i) , e só teremos se v = 0.
(ii)
(iii) - Desigualdade de Schwarz
(iv) - Desigualdade triangular
7 ÂNGULO ENTRE DOIS VETORES

Durante a introdução deste tópico, nós falamos que o produto interno nos
ajudaria a formalizar os conceitos geométricos como o comprimento e o ângulo.
Também vimos que a norma formaliza o conceito de comprimento em

relação a um produto interno. Agora veremos que a desigualdade de Schwarz
ajudará a formalizarmos a noção de ângulos.
Pela desigualdade de Schwarz, temos:
167
ou ainda, . Ou seja, existe um ângulo tal que
UNI
Vejam que a igualdade é compatível com a noção de
ortogonalidade (perpendicularismo) no R², pois se dois vetores v1 e v2 são perpendiculares
teremos o que implica que cos Ө = 0, o que vale também para a igualdade da nossa
definição, pois uma vez que os vetores são ortogonais.
O interessante dessa definição é que podemos calcular o ângulo entre dois

vetores de qualquer espaço vetorial em relação a um produto interno.
Por exemplo, consideremos V = M(2,2) o espaço vetorial onde cada vetor

é uma matriz quadrada de ordem 2. Qual será o ângulo formado entre os vetores
(matrizes)? Dado o seguinte produto interno
Resolução:
Para determinar o ângulo entre v1 e v2, precisamos do produto interno entre

eles e da norma de cada um. Então,
168
Portanto,
UNI
A função arccos informa o ângulo que tem como cosseno o valor dado. No
exemplo acima ou ainda .
Veja também que a igualdade é compatível com a noção
de ortogonalidade (perpendicularismo) no R² , pois se dois vetores v1 e v2 são

perpendiculares, teremos , , cos Ө = 0, Por outro lado, visto que os vetores
são ortogonais por hipótese, , consequentemente, =0,

implicando .
169
8 BASE ORTONORMAL
Dado um espaço vetorial V munido de um produto interno , chamamos
a base β = {v1,v2v3,...,vn} de V de ortonormal quando todos os seus vetores forem
unitários e ortogonais entre si, isto é,
Exemplos óbvios de base ortonormal são as chamadas bases canônicas dos

Rn. Só para relembrar, a base canônica de R² é [(1,0),(0,1)].
Uma interessante ocorrência imediata do uso de uma base ortonormal é

que os coeficientes xi de um vetor v = x1v1 + ... + xnvn são dados por
Por exemplo: usando a base canônica de R² e o produto interno usual,

temos que:
Agora vamos aprender um método para, a partir de qualquer base,

conseguir determinar uma base ortonormal. A esse processo, damos o nome de
Ortogonalização de Gram-Schmidt. Esse método serve para qualquer espaço
vetorial, contudo mostraremos nesse caderno apenas para V = R². Para os espaços
de dimensão maior, a ideia é a mesma, embora os cálculos sejam um pouco mais
demorados.
Dada qualquer base de R², digamos β = {v1,v2}, para conseguirmos uma

base ortonormal de R² fazemos:
(1º passo): Fixar v1 e determinar um vetor ortogonal a ele.
170
(2º passo): Normalizar os vetores encontrados ;
Com isso a base β’ = {u1,u2} é uma base ortonormal.
Exemplos:
Seja β = {(1,2),(-1,1)} uma base de R² e o produto interno usual. Determine

uma base ortonormal a partir de β, usando o processo de Gram-Schmidt.
(1º passo)
(2º passo)
PRODUTO INTERNO E ESTATÍSTICA
Uma situação que aparece frequentemente na análise de experimentos é a

seguinte: verifica-se que o fenômeno estudado tem n probabilidades distintas S1, S2,...,
Sn de se manifestar, cada uma delas com probabilidade p1, p2,..., pn, respectivamente.
O conjunto S = {S1,..., Sn} é chamado espaço amostral e o vetor p = (p1,..., pn) é chamado
vetor de probabilidades. Por exemplo, no lançamento de uma moeda, podemos
considerar S = {cara, coroa} e p = (½, ½).
171
Se em um espaço amostral S = {S 1,..., S n}, com respectivo vetor de

probabilidades p = (p1,...,pn), associarmos, a cada elemento Si do espaço amostral,
um valor Xi, teremos o vetor X = {X1,..., Xn} que chamaremos de variável aleatória.
Exemplo: duas pessoas A e B fazem a seguinte aposta: elas vão jogar duas
moedas simultaneamente e, se o resultado for duas caras, A ganha dez reais, se for
duas coroas, A ganha sete reais, e se for uma cara e uma coroa, B ganha nove reais.
Queremos saber se essa aposta é justa, isto é, se A não tem mais probabilidade de
ganhar do que B, ou vice-versa.
Para isso, vamos calcular o valor esperado por A e B. Podemos associar

o espaço amostral S = {(cara, cara), (coroa, coroa), (cara, coroa)}, o vetor de
probabilidades p = (¼, ¼, ½) e as variáveis aleatórias X = (10, 7, –9) que dá a aposta
de A, e Y = (–10, –7, 9) que dá a aposta de B. O valor esperado por A é dado pelo
produto interno
<(¼, ¼, ½), (10, 7, –9)> = ¼.(10) + ¼.(7) – ½.(9) = – ¼
enquanto que o valor esperado por B é
<(¼, ¼, ½), (–10, –7, 9)> = ¼.
O valor esperado por B é positivo, indicando que ele tem vantagem na aposta,
enquanto que o valor esperado por A é negativo, indicando que ele tem maior
probabilidade de perder a aposta. Esta só seria justa se não houvesse vantagem
para nenhum dos apostadores, isto é, se o valor esperado para ambos fosse nulo,
ou seja, o vetor probabilidade fosse ortogonal ao vetor aposta.
Dado um espaço amostral S, o vetor de probabilidades p e uma variável

aleatória X, denominamos de valor médio de X (ou valor esperado) ao número
A ligação desses conceitos com o conceito de produto interno é estabelecida

da seguinte forma: nas condições anteriores, consideramos em Rn o seguinte
produto interno
172
Você pode verificar tranquilamente estas igualdades.
FONTE: BOLDRINI et al. Álgebra Linear. 3. ed. São Paulo: Harper & Row do Brasil, 1980. p. 236-
237.
173
RESUMO DO TÓPICO 2
• Necessitávamos de uma nova função para poder formalizar conceitos como

comprimentos e ângulos.
• Essa nova função, chamada de produto interno, tem as seguintes propriedades:

(i) , para todo v ∈ V.
(iii)
(iv)
• Podemos definir diferentes produtos internos, mas existe um usual para Rn,
definido como , onde v1 = (x1,x2,...,xn) e v2 =
(y1,y2,...,yn)., com n=1,2,…
• Dado um espaço vetorial V munido de um produto interno , dizemos que

dois vetores v1, v2 ∈ V são ortogonais em relação a esse produto interno quando
=0. Simbolicamente, usamos v1 ┴ v2, para representar que v1 é ortogonal a
v2.
• As seguintes propriedades estão relacionadas à ortogonalidade:

(i) 0 ┴ v para todo v ∈ V
(ii) v1 ┴ v2 implica que v2 ┴ v1
(iii) Se v1 ┴ v para todo v ∈ V então v1=0
(iv) Se v1 ┴ v e v2 ┴ v, então v1+v2 ┴ v
(v) Se v1 ┴ v2 e λ é um escalar, então λ v1 ┴ v2
• Um conjunto formado por vetores ortogonais entre si são linearmente

independentes.
• Definição de norma: dado um espaço vetorial V com produto interno ,

definimos a norma de um vetor v em relação a este produto interno como sendo
.
• Se a norma de v for igual a 1 ( , ou ainda, ), v é chamado de vetor

unitário ou, simplesmente, dizemos que v está normalizado.
• O conceito de norma formaliza a noção de comprimento e valem as seguintes

propriedades: seja V um espaço vetorial com produto interno. Para quaisquer
v1, v2 ∈ V e α ∈ R
174
(i) , e só teremos se v = 0.
(ii)
(iii) - Desigualdade de Schwarz
(iv) - Desigualdade triangular
• Para determinar o ângulo entre dois vetores definimos:
• Dado um espaço vetorial V munido de um produto interno , chamamos a

base β = {v1,v2v3,...,vn} de V de base ortonormal quando todos os seus vetores
forem unitários e ortogonais entre si, isto é,
• A Ortogonalização de Gram-Schmidt para R² consiste em:
• (1º passo): Fixar v1 e determinar um vetor ortogonal a ele.
(2º passo): Normalizar os vetores encontrados ;
175
AUTOATIVIDADE
Verifique o que aprendeu resolvendo os seguintes exercícios:
1 Usando o produto interno usual e considerando u = (-2,4,1), v = (3,-1,0) e w

= (-1,1,-1), determine:
a)
b)
c)
d)
e)
f)
2 Verifique se as funções a seguir são produtos internos de R². Considere u=(a,b)

e v=(c,d)
a)
b)
c)
3 Indique, em cada item, se os vetores são ortogonais entre si ou não. (Lembre

que quando não é mencionado o produto interno considera-se o produto
interno usual)
a) u = (-1,4,2,0) e v = (2,1,4,1)
b) u = (-1,1) e v = (4,0)
c)
4 Determine o ângulo entre os vetores u e v da questão anterior.
5 Use o processo de Gram-Schmidt para determinar uma base ortonormal de

R² a partir das bases:
a) [(-1,3),(-1,2)]
b) [(0,9),(1,1)]
c) [(1,1),(-2,3)]
176
UNIDADE 3
TÓPICO 3
MUDANÇA DE BASE
1 INTRODUÇÃO
Durante o estudo deste material, você se deparou com o termo base de
um espaço vetorial, inclusive aprendeu a encontrá-lo para o núcleo ou imagem
de uma transformação linear. Na verdade, um mesmo espaço vetorial possui
infinitas bases diferentes entre si. Por exemplo, o espaço gerado pela base {(1,0),
(0,1)} é o mesmo que o gerado por {(1,1), (0,1)}, por {(2,3), (-1,0)}, {(0,3), (-1/2,1)}
etc. (verifique!). Entretanto, existem bases que são melhores que outras (as bases
ortonormais vistas no tópico anterior, por exemplo).
Durante esse tópico, tentaremos detalhar os conceitos de base para que

você consiga compreender melhor a importância deste conjunto.
2 BASE
Apesar de acharmos que base de um espaço vetorial é um assunto muito
abstrato e por esse motivo parecer de difícil entendimento, a base de um conjunto
está mais presente no uso da matemática do que achamos.
O motivo de não percebermos que usamos base de um conjunto é que no

desenvolver da matemática as bases foram se tornando gradativamente melhores.
Um exemplo que deixa a maioria dos acadêmicos chocados e que, muitas

vezes, ajuda a perder o receio do estudo dos conceitos que envolvem a base de um
conjunto, se trata dos nossos números indo-arábicos.
Números indo-arábicos são os que utilizamos no cotidiano, também são

conhecidos como decimais (por terem base 10).
ATENCAO
veja que já apareceu a palavra base durante a definição dos nossos números.
Aliás, todos sabem que nossos números são constituídos de 10 símbolos (algarismos).
177
O número 3457 (três mil, quatrocentos e cinquenta e sete), por exemplo,

é usado por nós sem dificuldades. A base numérica está no número, de forma
“invisível”, mas podemos enxergar se fizermos algumas relações:
3457=
3000+400+50+7=
3∙1000+4∙100+5∙10+7∙1=
3∙103+4∙102+5∙101+7∙100
Ou seja, o número 3457, nada mais é que 3 quantidades de 10³, mais 4

quantidades de 10², mais 5 quantidades de 10¹, mais 7 quantidades de 10º. Em
outras palavras, qualquer número que usamos no dia a dia, nada mais é que a
representação de algumas quantidades de cada potência de base 10 que nós
queremos representar.
Podemos pensar nos nossos números em termos de posição, nesse contexto

qualquer número representado pelo sistema indo-arábico pode ser decomposto
numa soma como a feita anteriormente. Dentro dessa interpretação essa
decomposição mostra claramente a base dos “nossos” números.
ATENCAO
Você notou que todos os números são somas de potências de base 10? É por
esse motivo que os números do sistema indo-arábico são chamados de sistema decimal.
Outro exemplo é pensarmos nos vetores de um plano cartesiano, o mesmo

que utilizamos para representar retas e parábolas no ensino fundamental e médio.
Quando temos que representar um vetor no Plano XY, colocamos as

coordenadas do ponto que representa o fim do vetor ordenadamente, sendo que o
primeiro valor corresponde ao eixo x (horizontal) e o segundo valor se remete ao
eixo y (vertical).
Muito embora não percebamos, até ali tem a presença de uma base. Ela
é quase imperceptível por se tratar da chamada base canônica, que é uma base
ortogonal cujos vetores têm norma unitária.
Mesmo assim, se pensarmos mais profundamente no que é um vetor no

plano e como o representamos, conseguimos enxergar a base canônica. Veja:
178
TÓPICO 3 | MUDANÇA DE BASE
v=(3,2)
No plano XY, a representação gráfica será:
Mas, se pensarmos na decomposição de vetores, não é difícil perceber que

o vetor v é a soma de dois outros vetores, um presente no eixo x e o outro presente
no eixo y.
Veja a representação no plano:
Com isso, vemos que o vetor →

v é a soma dos vetores →
vx e →
v y. Usando termos
que já aprendemos durante o estudo dos conceitos apresentados nessa apostila,
podemos dizer que o vetor →
v é uma combinação linear entre os vetores → vx e →
v y.
Representando o vetor como uma matriz coluna e desenvolvendo

algebricamente o que mostramos geometricamente, teremos:
179
Pronto! A base canônica do R² apareceu: [(1,0),(0,0)].
E
IMPORTANT
Perceba que qualquer vetor pertencente ao R² pode ser escrito conforme feito
no exemplo anterior. Portanto, todos os vetores no plano são combinações lineares dos
vetores (1,0) e (0,1), o que mostra que, mesmo não aparecendo explicitamente, a base está
lá. Além disso, podemos generalizar esse exemplo para qualquer Rn: todos esses conjuntos
têm base canônica com n vetores.
3 BASE
Existem aplicações matemáticas que são facilitadas por uma simples
mudança de base. Muito embora, como já mencionamos, as bases geralmente
usadas são as mais fáceis de trabalhar sobre os elementos de um conjunto, algumas
vezes têm elementos que são mais facilmente representados se houver mudança
de base.
Para exemplificar o que estamos tentando falar para você, podemos pensar
no estudo da geometria analítica. Mais precisamente no estudo de parábolas que,
desde a oitava série, já temos certo contato.
Todos nós, ao nos depararmos com as parábolas num plano cartesiano XY,
as víamos com concavidade voltada para baixo ou para cima. Alguns privilegiados
tiveram contatos com as parábolas que têm concavidade voltada para a esquerda
ou para direita, mas certamente poucos viram parábolas com concavidade voltada
para alguma diagonal, como a representada no gráfico a seguir.
180
Qual é o motivo de não estudarmos essas parábolas “viradas”? Simples.

É que qualquer parábola, não importa a sua posição, pode ser escrita da forma
que aprendemos lá na oitava série, desde que saibamos mudar a base canônica do
plano cartesiano XY, para outra base apropriada.
Por isso, estudamos as figuras em alguma posição específica e depois

estudamos como a mudança de base influencia a figura para que a partir daí, se
complete nosso conhecimento sobre esse assunto tão importante para a aplicação
matemática.
E
IMPORTANT
Geometricamente, no caso da parábola “virada” representada anteriormente,

podemos pensar que a mudança de base será nada mais nada menos que “girar” os eixos x
e y até que a parábola fique do jeito habitual em relação aos novos eixos.
Veja graficamente o que o UNI explicou:
181
Agora que vimos a importância de saber mudar a base de determinados

conjuntos, vamos aprender como fazer esse procedimento.
Primeiro vamos nos habituar com a simbologia, porque quando

reconhecemos os símbolos corretamente o aprendizado fica muito mais fácil e a
compreensão dos conceitos mais rápida.
Como vimos, todos os subespaços têm uma base “por trás”, então
basicamente vamos estudar como escrever um elemento do conjunto, que está
representado em relação à base velha, na base nova.
Essa mudança da base velha, que denotaremos por α, para a base nova,
que denotaremos por β, será determinada por uma matriz, que identificamos pela
simbologia , cuja leitura é matriz de mudança de base da base α para a base β.
ATENCAO
Olhe novamente a simbologia da matriz mudança de base. É importante que

você note que as duas bases estão indexadas no símbolo que representa a matriz mudança
de base: a base que aparece em cima é a velha, enquanto a que aparece abaixo é a nova.
Perceba que, novamente, tudo se resume ao estudo de matrizes. Nosso

problema de mudança de base se resume em verificar como encontrar a matriz
que fará a mudança de base.
A ideia da mudança de base é bem simples, porém a explicação generalizada

para um espaço vetorial v qualquer pode parecer confusa no primeiro momento.
Por isso, daremos uma explicação para o R2 e depois, com você mais familiarizado
com o tema e com a simbologia, faremos a generalização que é muito importante
para o desenvolvimento do nosso conhecimento em relação a esse assunto.
Vamos ver então como duas bases do R2 se relacionam.
Sejam as bases α={u1,u2 } e β={w1,w2 } e o vetor v ∈ R2.
Como são bases de R2, v pode ser escrito como combinação linear dos
vetores da base α, ou também como combinação linear dos vetores da base β. Ou
seja,
v=x1 u1+x2 u2
ou
v=y1 w1+y2 w2
182
Repare que são duas maneiras distintas de escrever o mesmo vetor v, isso
é possível porque temos duas bases do espaço vetorial.
Escrevendo na forma matricial:
ATENCAO
Notem que o símbolo [v]α significa que o vetor v está escrito em relação à base
α. A mesma ideia para o símbolo [v]β.
Também os vetores w1 e w2 da base β podem ser escritos como combinação

linear dos vetores da base α, pois esses vetores também pertencem ao espaço
vetorial R2 Ou seja,
Como já vimos, o vetor v escrito na base β é representado por:
(**) v=y1 w1+y2 w2
Substituindo a igualdade (*) na igualdade (**), teremos,
v=y1 (a11 u1+a21 u2 )+y2 (a12 u1+a22 u2 )
Desenvolvendo algebricamente essa última igualdade e aplicando a

propriedade distributiva,
v=y1 a11 u1+y1 a21 u2+y2 a12 u1+y2 a22 u2
Escrevendo os termos em ordem diferente,
v=y1 a11 u1+y2 a12 u1+y1 a21 u2+y2 a22 u2
Colocando os vetores u1 e u2 em evidência,
v=(y1 a11+y2 a12 ) u1+(y1 a21+y2 a22 ) u2
Por outro lado, v=x1 u1+x2 u2, ou seja,
183
x1 u1+x2 u2=(y1 a11+y2 a12 ) u1+(y1 a21+y2 a22 ) u2
Então analisando as igualdades temos,
Representando o sistema acima na forma matricial, conseguimos,
Denotando a matriz na forma a seguir,
E lembrando que,
Teremos a igualdade,
Assim, a matriz r epresenta a matriz mudança da base β para a base α.
Na prática, mostramos que qualquer vetor de R2 escrito em relação à base β

pode ser escrito em relação à base α, efetuando uma simples multiplicação matricial
envolvendo a matriz mudança de base e o vetor em questão escrito em relação.
Generalizando o que vimos para um espaço vetorial qualquer V:
Sejam duas bases α={u1, u2, ..., un} e β={w1, w2, ..., wn} de um espaço vetorial V e
seja um vetor v ∈ V, e. Então teremos duas maneiras para representar v:
184
Uma maneira em relação à base α,

v=x 1 u 1 +x 2 +u 2 +...+x n u n
E outra maneira em relação à base β

v=y 1 w 1 +y 2 +w 2 +...+y n w n (*)
Logo, matricialmente, temos as igualdades:
Mas como os vetores da base β pertencem ao espaço vetorial V , esses

vetores de β podem ser escritos como combinação linear dos vetores da base α,
uma vez que a base, também é base do espaço vetorial. Então,
Substituindo as igualdades (**) na igualdade (*), obtemos,
Desenvolvendo essa equação de modo similar ao feito no exemplo do R2,

teremos,
Lembrando que v=x 1 u 1 +x 2 +u 2 +... +x n u n , chegamos a,
185
Na forma matricial,
Ou seja,
Onde,
ATENCAO
Note que, com exceção da simbologia um pouco mais elaborada, o

desenvolvimento para chegarmos à matriz mudança de base é o mesmo tanto para o
R como para um espaço vetorial generalizado V.
2
A seguir, daremos alguns exemplos numéricos para que você complete seu
entendimento sobre mudança de base.
Exemplo 1:
Considere as bases α=[(1,-1),(2,2)] e β=[(1,0),(0,1)] do espaço vetorial R2, e

determine a matriz mudança de base .
Resolução:
Temos que,
186
w1=(1,0)=a11 (1,-1)+a21 (2,2)
w2=(0,1)=a12 (1,-1)+a22 (2,2)
Analisando a igualdade de w1, temos,
E da igualdade de w2, chegamos,
Resolvendo os dois sistemas originados das igualdades dos vetores w1 e w2,
Portanto, a matriz mudança de base de β para α é:
Exemplo 2:
A matriz mudança de base obtida no exemplo anterior muda um vetor que

está em relação à base canônica β=[(1,0),(0,1)] , para a base α=[(1,-1),(2,2)]. Use essa
matriz obtida no exemplo 1 e escreva os vetores v1=(4,-2) e v2=(-1,5) em relação à
base α.
Resolução:
Para determinar o vetor v1 escrito em relação à base α. B basta usar a

igualdade
187
Ou seja,
Portanto, v1=(4,-2)α pode ser escrito como .
E
IMPORTANT
Estamos falando do mesmo vetor: a representação muda pelos motivos

discutidos no início deste tópico.
Escrevendo agora o vetor v 2 =(-1,5) em relação à base α,
188
4 A MATRIZ INVERSA DA MATRIZ MUDANÇA DE BASE

Quando desenvolvemos a matriz mudança de base no item anterior,
começamos escrevendo os vetores da base β em relação aos vetores da base α. Se
invertermos essa ordem, ou seja, escrevermos os vetores da base α em relação aos
vetores da base β, chegamos à matriz mudança de base , que muda da base α
para a base β.
Escrevemos então a relação
Um fato importante que podemos salientar sobre as matrizes mudanças de

base é que as matrizes e são invertíveis, e, ainda,
Exemplo:
Considere a base canônica do R2 que podemos denotar por α=[e1,e2 ] e a

base β=[f1,f2], obtida da base canônica α pela rotação do ângulo θ. Dado um vetor
[v]α=(x1,x2) determine esse vetor em relação à base β.
Resolução:
Para entender o que queremos geometricamente, desenhamos os eixos e1 e

e2 e queremos escrever o vetor v em relação aos eixos f1 e ,f2. Ou seja,
189
Temos que achar a matriz mudança de base tal que,
Sabemos que, em relação à base α, temos [v]α=(x1,x2) e em relação à base β

podemos escrever de forma generalizada que [v]β=(y1,y2), ou seja, temos a seguinte
igualdade referente ao vetor v,
E para chegar à matriz , basta escrever os vetores e1 e e2 em função de f1

e ,f2. Para isso, vamos retornar ao gráfico e usar as relações trigonométricas de seno
e cosseno.
Projetando o vetor e1 sobre as retas suporte dos vetores f1 e ,f2,
Para enxergar e entender melhor, rotacionamos:
190
Usando as relações trigonométricas de um triângulo retângulo,
, onde,
CA: Cateto Adjacente
CO: Cateto Oposto
HIP: Hipotenusa
Projetando agora o vetor e2 sobre as retas suportes dos vetores f1 e ,f2 e

executando os mesmos passos mostrados para a projeção de e1, obtemos a
igualdade:
Ou seja,
Sendo que,
191
Ou ainda,
Supondo o vetor v=(4,2) escrito em relação à base canônica, vamos

representá-lo em à base que o rotaciona .
Resolução:
Temos: v =( 4,2)=4 . e1+2 . e2, ou seja,
Queremos determinar as coordenadas de v na base β =[f1, f2] . Como vimos,

sabemos que
Sendo,
Logo,
Portanto,
Ou ainda,
192
RESUMO DO TÓPICO 3
Neste tópico, você viu que:
• Todo vetor pode ser representado em relação a diversas bases.
• Para mudar a base de um vetor, basta definir a matriz mudança de base.
• A matriz , é a matriz mudança de base α para a base β.
• Para determinar a matriz , temos que fazer uma relação entre os vetores da
base α e os vetores da base β.
• A igualdade é a relação fundamental da mudança de base.
193
AUTOATIVIDADE
Para que você reforce o aprendizado, faça os seguintes exercícios

propostos:
1 Sejam as bases de R2, α=[(0,1),(1,0)], β=[(-1,1),(1,1)],

e δ=[(2,0),(0,2)].
a) Determine as matrizes mudança de base:

i)
ii)
iii)
iv)
b) Determine as coordenadas do vetor v =(5, - 2 ) em relação à base:

i) α
ii) β
iii) y
iv) δ
c) As coordenadas de um vetor v em relação à base β são dadas por:
Encontre as coordenadas de v em relação à base:
i) α
ii) y
iii) δ
2 Se , determine:
a) sabendo que
b) sabendo que
3 Se α é base de um espaço vetorial V, qual será a matriz mudança de base

?
4 Sendo α a base canônica de R2, e β uma base obtida da rotação de α por um

π
ângulo 4 , determine:
a)
b)
194
REFERÊNCIAS
BOLDRINI, José Luiz; et al. Álgebra linear. 3. ed. São Paulo: Harper & Row do
Brasil, 1980.
DOMINGUES, HYGINO H. Origem dos sistemas lineares e determinantes.

Disponível em: <http://www.somatematica.com.br/historia/sistemas.php>.
Acesso em: 1 maio 2009.
HOWARD, Eves. Introdução à história da matemática. Trad.: Hygino H.

Domingues. Campinas: Editora da Unicamp, 2004.
LIMA, Elon Lages. Álgebra linear. 5. ed. Rio de Janeiro: Associação Instituto
nacional de Matemática Pura e Aplicada, 2001.
195

Algebra Linear

Caricato da

Informazioni sul documento

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

Algebra Linear

Caricato da

Copyright:

Formati disponibili

Álgebra Linear

Prof. André Marcelo Santos de Souza

Revisão, Diagramação e Produção:

Ficha catalográfica elaborada na fonte pela Biblioteca Dante Alighieri

Neste Caderno de Estudos, você será levado a estudar a base da ma-

Apesar de, na primeira leitura, o assunto poder parecer obscuro, tente

Esperamos, sinceramente, que você consiga se divertir enquanto

Prof. André Marcelo Santos de Souza

Na Educação a Distância, o livro impresso, entregue a todos os acadêmicos desde 2005, é

Assim, a UNIASSELVI, preocupando-se com o impacto de nossas ações sobre o ambiente,

Aproveito o momento para convidá-lo para um bate-papo sobre o Exame Nacional de

TÓPICO 1 - MATRIZES .......................................................................................................................... 3

TÓPICO 2 - ESCALONAMENTO E DETERMINANTE .................................................................. 27

TÓPICO 3 - MATRIZ INVERSA ........................................................................................................... 45

UNIDADE 2 - SISTEMAS LINEARES, ESPAÇOS VETORIAIS E TRANSFORMAÇÕES

TÓPICO 1 - SISTEMAS LINEARES .................................................................................................... 69

TÓPICO 2 - ESPAÇO VETORIAL – PARTE 1 .................................................................................... 95

TÓPICO 3 - ESPAÇO VETORIAL (PARTE 2) .................................................................................... 111

TÓPICO 4 - TRANSFORMAÇÕES LINEARES ................................................................................ 121

UNIDADE 3 - PRODUTO INTERNO, AUTOVETORES E AUTOVALORES,

TÓPICO 1 - AUTOVALORES E AUTOVETORES ............................................................................ 141

TÓPICO 2 - PRODUTO INTERNO ..................................................................................................... 161

TÓPICO 3 - MUDANÇA DE BASE ...................................................................................................... 177

• reconhecer uma matriz;

• definir e fazer operações com matrizes;

• identificar as principais propriedades das matrizes;

• classificar as matrizes quanto ao tipo;

• calcular o determinante de uma matriz quadrada;

• escalonar uma matriz qualquer;

• calcular a matriz inversa.

TÓPICO 2 – ESCALONAMENTO E DETERMINANTE

TÓPICO 3 – MATRIZ INVERSA

Embora isso não seja obrigatório, seguiremos esse roteiro no Caderno de

Ao retirarmos os significados das linhas e das colunas, ficamos apenas com

Essa organização em linhas e colunas dos valores sem a preocupação do

A matriz geralmente é representada por uma letra maiúscula do alfabeto

Cada item da matriz é denominado elemento da matriz. Esses elementos

Para facilitar a sua localização, cada elemento é associado a sua posição na

a12 = elemento da 1ª linha com a 2ª coluna, lê-se “a um dois”

a32 = elemento da 3ª linha com a 2ª coluna, lê-se “a três dois”

amn = elemento da m-ésima linha com a n-ésima coluna.

Vejam que o primeiro número indexado ao ‘a’ na representação do elemento se

O número de linhas e colunas que uma determinada matriz possui nos

a matriz A tem ordem 2x3

a matriz B tem ordem 2x5

a matriz C tem ordem 3x4

Assim, outra forma é representar, a generalização é dada por

Notem que o i representa a linha e o j a coluna.

Esse tipo de representação pode ser utilizado para construir os elementos

Utilizaremos a fórmula aij = i + 2j para construir todos os elementos da matriz

Duas matrizes A e B serão ditas iguais entre si quando forem de mesma

Verifique as igualdades entre os elementos correspondentes:

a11 = b11, a12 = b12, a21 = b21 e a22 = b22.

De maneira geral, podemos dizer que duas matrizes A e B de ordem m x n

3 PRINCIPAIS TIPOS DE MATRIZES

3.1 MATRIZ QUADRADA

Exemplos de matrizes quadradas:

Nas matrizes do exemplo anterior, A é de ordem 2, B é de ordem 1 e C é de

3.2 MATRIZ NULA

Exemplos de matriz nula:

3.3 MATRIZ COLUNA

3.4 MATRIZ LINHA

3.5 MATRIZ DIAGONAL

Exemplos de matrizes diagonais: