Alg I Ect Livro Z Web

Álgebra Linear
Módulo 1
Matrizes e Sistemas de Equações Lineares
Espaços Vetoriais
Jossana Ferreira
Projeto Institucional
Edital nº 015/2010/CAPES/DED
Fomento ao uso de tecnologias de comunição e informação nos cursos de graduação
Jossana Ferreira
Módulo 1
Espaços Vetoriais
Governo Federal
Presidenta da República
Dilma Vana Rousseff
Vice-Presidente da República
Michel Miguel Elias Temer Lulia
Ministro da Educação
Fernando Haddad
Reitora Comitê Gestor

Ângela Maria Paiva Cruz Presidente
Alexandre Augusto de Lara Menezes
Vice-Reitora
Maria de Fátima Freire Melo Ximenes Coordenação geral
Apuena Vieira Gomes
Secretária de Educação a Distância
Maria Carmem Freire Diógenes Rêgo Coordenadores
Apuena Vieira Gomes/CE
Secretária Adjunta de Educação a Distância Adir Luiz Ferreira/CE
Eugênia Maria Dantas Gleydson de Azevedo Ferreira Lima/SINFO
Marcos Aurélio Felipe/CE
Pró-Reitoria de Graduação
Maria Carmozi de Souza Gomes/PROGRAD
Alexandre Augusto de Lara Menezes
Rex Antonio da Costa de Medeiros/ECT
Secretaria de Educação a Distância (SEDIS)
FICHA TÉCNICA
Coordenador de Produção de Materiais Didáticos Revisora das Normas da ABNT Diagramadores
Marcos Aurélio Felipe Verônica Pinheiro da Silva Ana Paula Resende
Carolina Aires Mayer
Projeto Gráfico Revisora Técnica
Davi Jose di Giacomo Koshiyama
Ivana Lima Rosilene Alves de Paiva
Elizabeth da Silva Ferreira
Revisores de Estrutura e Linguagem Ilustradores Ivana Lima
Eugenio Tavares Borges Adauto Harley José Antonio Bezerra Junior
Janio Gustavo Barbosa Anderson Gomes do Nascimento Luciana Melo de Lacerda
Jeremias Alves de Araújo Carolina Costa de Oliveira Rafael Marques Garcia
Kaline Sampaio de Araújo Dickson de Oliveira Tavares
Luciane Almeida Mascarenhas de Andrade Leonardo dos Santos Feitoza
Thalyta Mabel Nobre Barbosa Roberto Luiz Batista de Lima
Rommel Figueiredo
Revisoras de Língua Portuguesa
Cristinara Ferreira dos Santos
Emanuelle Pereira de Lima Diniz
Janaina Tomaz Capistrano
Catalogação da publicação na fonte. Bibliotecária Verônica Pinheiro da Silva.
Ferreira, Jossana.
Álgebra Linear: módulo I / Jossana Ferreira. – Natal: EDUFRN, 2011.
204 p.: il.
ISBN 978-85-7273-888-0
Conteúdo: Aula Revisão: Matemática Básica. Aula 1 – Matrizes: tipos, operações e propriedades. Aula
2 – Matrizes: operações e matrizes elementares. Aula 3 – Determinantes: definição, cálculo, propriedades e
cofatores. Aula 4 – Inversão de matrizes: definição, propriedades e métodos. Aula 5 – Sistema de equações
lineares: definição e métodos de resolução. Aula 6 – Definição de espaços vetoriais. Aula 7 – Subespaços
vetoriais e dependência linear. Aula 8 – Base e dimensão. Aula 9 – Produto interno. Aula 10 – Processo de
ortogonalização de Gram-Schmidt.
1. Matemática. 2. Álgebra Linear. 3. Matrizes. 4. Equações. I. Título.
CDU 51
F383a
Todos os direitos reservados. Nenhuma parte deste material pode ser utilizada ou reproduzida
sem a autorização expressa da Universidade Federal do Rio Grande do Norte (UFRN).
Jossana Ferreira
Álgebra Linear
Módulo 1
Espaços Vetoriais
Natal – RN
Dezembro/2011
Sumário
Apresentação Institucional 5
Aula 0 Aula Revisão: Matemática Básica 7
Aula 1 Matrizes: tipos, operações e propriedades 29
Aula 2 Matrizes: operações e matrizes elementares 47
Aula 3 Determinantes: definição, cálculo, propriedades e cofatores 57
Aula 4 Inversão de matrizes: definição, propriedades e métodos 77
Aula 5 Sistema de equações lineares: definição e métodos de resolução 93
Aula 6 Definição de espaços vetoriais 115
Aula 7 Subespaços vetoriais e dependência linear 131
Aula 8 Base e dimensão 145
Aula 9 Produto Interno 159
Aula 10 Processo de ortogonalização de Gram-Schmidt 175
Aula 11 Matrizes ortogonais e mudança de base 189

Apresentação Institucional
A
Secretaria de Educação a Distância – SEDIS da Universidade Federal do Rio Grande
do Norte – UFRN, desde 2005, vem atuando como fomentadora, no âmbito local, das
Políticas Nacionais de Educação a Distância em parceira com a Secretaria de Educação
a Distância – SEED, o Ministério da Educação – MEC e a Universidade Aberta do Brasil –
UAB/CAPES. Duas linhas de atuação têm caracterizado o esforço em EaD desta instituição: a
primeira está voltada para a Formação Continuada de Professores do Ensino Básico, sendo
implementados cursos de licenciatura e pós-graduação lato e stricto sensu; a segunda volta-se
para a Formação de Gestores Públicos, através da oferta de bacharelados e especializações
em Administração Pública e Administração Pública Municipal.
Para dar suporte à oferta dos cursos de EaD, a Sedis tem disponibilizado um conjunto de
meios didáticos e pedagógicos, dentre os quais se destacam os materiais impressos que são
elaborados por disciplinas, utilizando linguagem e projeto gráfico para atender às necessidades
de um aluno que aprende a distância. O conteúdo é elaborado por profissionais qualificados e
que têm experiência relevante na área, com o apoio de uma equipe multidisciplinar. O material
impresso é a referência primária para o aluno, sendo indicadas outras mídias, como videoaulas,
livros, textos, filmes, videoconferências, materiais digitais e interativos e webconferências, que
possibilitam ampliar os conteúdos e a interação entre os sujeitos do processo de aprendizagem.
Assim, a UFRN através da SEDIS se integra o grupo de instituições que assumiram o
desafio de contribuir com a formação desse “capital” humano e incorporou a EaD como moda-
lidade capaz de superar as barreiras espaciais e políticas que tornaram cada vez mais seleto o
acesso à graduação e à pós-graduação no Brasil. No Rio Grande do Norte, a UFRN está presente
em polos presenciais de apoio localizados nas mais diferentes regiões, ofertando cursos de
graduação, aperfeiçoamento, especialização e mestrado, interiorizando e tornando o Ensino
Superior uma realidade que contribui para diminuir as diferenças regionais e o conhecimento
uma possibilidade concreta para o desenvolvimento local.
Nesse sentido, este material que você recebe é resultado de um investimento intelectual
e econômico assumido por diversas instituições que se comprometeram com a Educação e
com a reversão da seletividade do espaço quanto ao acesso e ao consumo do saber E REFLE-
TE O COMPROMISSO DA SEDIS/UFRN COM A EDUCAÇÃO A DISTÂNCIA como modalidade
estratégica para a melhoria dos indicadores educacionais no RN e no Brasil.
SECRETARIA DE EDUCAÇÃO A DISTÂNCIA

SEDIS/UFRN
5
Aula Revisão:
Matemática Básica
Aula
0
Apresentação
Antes de iniciar o estudo da Álgebra Linear veremos alguns pontos importantes para a sua
compreensão. Esses pontos são assuntos que, em sua maioria, são vistos no Ensino Médio e
são esquecidos ou não foram praticados suficientemente.
É cada vez mais comum a deficiência dos alunos na Matemática Básica, fato que atrapalha
o bom andamento do curso, então esse material inicial visa antecipar dúvidas que surgirão
ao longo do componente Álgebra Linear e que certamente atrapalhariam o entendimento do
novo conteúdo.
Objetivos
Revisar os assuntos básicos da Matemática: números re-
1 ais, conjuntos, operações com frações, polinômios, vetores
no plano e somatório.
Esclarecer possíveis dúvidas relativas ao assunto básico

2 da Matemática utilizado no componente Álgebra Linear.
Aula 00 Álgebra Linear 9

Números reais
Os números reais são os números mais utilizados no nosso estudo, eles são a base
para trabalharmos futuramente com o espaço das matrizes, dos polinômios, etc. Os
números reais são obtidos da união dos números racionais com os números irracionais,
conforme ilustrado na Figura 1 e descrito na Tabela 1.
Figura 1 – Diagrama que relaciona os conjuntos numéricos
Tabela 1 – Exemplos dos conjuntos numéricos
Conjunto Descrição Exemplo

R Números Reais -
N Números Naturais N={0,1,2,3,4,5,6,7,8,9,10...}
Z Números Inteiros Z={... ,–5,–4,–3,–2,–1,0,1,2,3,4,5...}

3 1 1 1 3 5
Q Números Racionais Q= . . . , −2, − , −1, − , − , 0, , , 1, , 2, . . .
2 2 4 2 4 3
I Números Irracionais Números decimais que não admitem representação fracionária.

Conclui-se então que o conjunto dos números reais são todos os possíveis números com
exceção dos números complexos (raiz de números negativos).
1
Indique a que grupo os
números a seguir pertencem.
a) 2,5 d) 2, 5 g) 23, 9 d) 5
b) 3,75 e) 3, 75 h) 12 d) -5
c) 3, 75 f) 3, 75 i) 3, 79 d) 3,816572

Conjuntos
Um conjunto é uma coleção qualquer de elementos.
Exemplo 1
O conjunto dos países do Mercosul = {Brasil, Argentina, Uruguai, Paraguai}.
O conjunto dos números primos = {2,3,5,7,11,13, ...}.
Simbologia
∈ Pertence ∅ Vazio
∉ Não pertence ∪ União
⊂ Está contido ∩ Intersecção
⊄ Não está contido
Exemplo 2
Analisando a Figura 1 podemos afirmar que:
2∈Q N⊂Q
2∈N Z⊄I
2∈Z Q∪I=R
2∈R Z∪N=Z
2∉I Z∩I=∅
3∉I Z∩N=N
Monte uma tabela com exemplos de números que pertençam, não perten-
çam, estejam contidos e não estejam contidos nos conjuntos abaixo:
a) Reais
b) Inteiros negativos
c) Cidades do RN
d) União de países que falam a língua portuguesa
e) Praias brasileiras
12 Aula 00 Álgebra Linear

Operações com frações
Quando desejamos dividir uma quantia em partes iguais, recorremos às frações.
Exemplo 3
Quando dividimos uma pizza por quatro pessoas, sabemos que cada pessoa fica com
1
da pizza. Se temos 5 pizzas para dividir pelas mesmas 4 pessoas, então cada um fica
4
com 5 das pizzas.
4
Equivalência de frações
São frações que representam a mesma parte do todo.
Exemplo 4
1 2 4 8 3 12 24 9
Considerando os conjuntos de frações: , , , ou , , ,
2 4 8 16 4 16 32 12
Para obter frações equivalentes divide-se o numerador e o denominador pelo mesmo número:
12 9
12
= 4 = 3 ou 9 = 3 = 3
16 16 4 12 12 4
4 3
Operações básicas
Adição e subtração
Para somar duas ou mais frações, devemos encontrar o MMC (mínimo múltiplo comum)
dos denominadores.
Exemplo 5
1 3 7
Considerando a soma das frações: + +
5 4 2
Tem-se que o mínimo múltiplo comum de 5, 4 e 2 é 20, portanto o denominador do

resultado da soma será 20: 1 + 3 + 7 = ?
5 4 2 20
Para encontrar o numerador, dividimos o MMC pelo denominador de cada fração, mul-
tiplicamos pelo respectivo numerador e efetuamos a soma das parcelas:
1 3 7 20 · 1 + 20 · 3 + 20 · 7 4 + 15 + 70 89
+ + = 5 4 2 = =
5 4 2 20 20 20
O mesmo vale para a subtração.
Multiplicação
Para multiplicar frações, basta multiplicar os respectivos numeradores e os respectivos de-

nominadores.
Exemplo 6
1 3 1.3 3
Multiplicação de frações: · = =
5 4 5.4 20
Divisão
A divisão de frações é feita mantendo a primeira fração e multiplicando pelo inverso da segunda.
Exemplo 7
Divisão de fração
1 1 1 5
5 = 1 · 4 = 1.4 = 4 ou 5 = 5 = 1 · 1 = 1 ou 5 5 4
= 1= · =
20
3 5 3 5.3 15 3 3 5 3 15 3 3 1 3 3
4 1 4 4
3
2 − 5 + 1
Resolva: 3 4
−45 − 13

Polinômios
Um polinômio é uma expressão que pode ser expressa na forma:
an xn + an−1 xn−1 + . . . + a2 x2 + a1 x + a0
Onde x é a incógnita e os ai são constantes (valores reais). O grau do polinômio é definido

pelo maior expoente de x.
Valor numérico do polinômio
Todo polinômio pode ser associado a uma função polinomial, e como função tem seu
valor numérico associado.
Exemplo 8
Valor numérico
p(x) 4x + 2x + x + 5 polinômio de grau 3
p(2) = 4.23 + 2.22 + 2 + 5 = 47 (x = 2)
p(0) = 4.0 + 2.0 + 0 + 5 = 5 (x = 0)
2
Sendo p(x)= x4 – 2x3 +3x – 10 encontre:
a) P(3) b) P(0) c) P(– 2)
Operações com polinômios
Adição e subtração
A soma e a subtração de polinômio são feitas agrupando-se os termos de mesmo grau.

Exemplo 9
Soma de polinômios
p(x) = x3 + 3x2 + 2x
q(x) = 5x4 − 3x3 + 5x2 − 12x + 3
p(x) + q(x) = x4 (0 + 5) + x3 (1 − 3) + x2 (3 + 5) + x(2 − 12) + (0 + 3)
p(x) + q(x) = 5x4 − 2x3 + 8x2 − 10x + 3
Multiplicação
Para a multiplicação, os polinômios devem ser colocados entre parênteses e multiplicados

termo a termo.
Exemplo 10
Multiplicação de polinômios
p(x) = x3 + 3x2 + 2x
q(x) = 5x4 − 3x3 + 5x2 − 12x + 3
p(x).q(x) = (x3 + 3x2 + 2x).(5x4 − 3x3 + 5x2 − 12x + 3)
p(x).q(x) = x3 (5x4 − 3x3 + 5x2 − 12x + 3) + 3x2 (5x4 − 3x3 + 5x2 − 12x + 3) +
+ 2x(5x4 − 3x3 + 5x2 − 12x + 3)
p(x).q(x) = 5x7 − 3x6 + 5x5 − 12x4 + 3x3 +
+ 15x6 − 9x5 + 15x4 − 36x3 + 9x2 +
+ 10x5 − 6x4 + 10x3 − 24x2 + 6x
p(x).q(x) = 5x7 + 12x6 + 6x5 − 3x4 − 23x3 − 15x2 + 6x
Divisão
A divisão de polinômios apenas pode ser realizada quando o dividendo é maior ou igual
ao grau do divisor.
Exemplo 11
Considerando
p(x) = x3 + 3x2 + 2x
q(x) = 5x4 − 3x3 + 5x2 − 12x + 3

p(x) → dividendo
A divisão não pode ser feita porque o grau de p(x) = 3 é menor
q(x) → divisor
que o grau de q(x) = 4.
q(x)
Já a divisão pode ser feita porque o grau do dividendo é maior que o grau do divisor.
p(x)
q(x) 5x4 − 3x3 + 5x2 − 12x + 3

=
p(x) x3 + 3x2 + 2x
Exemplo 12
Encontrando 12x3 − 6x2 − 6
3x − 3
10 passo: Encontrar uma parcela que multiplicando pelo divisor seja possível eliminar o
termo de maior grau do dividendo. Nesse caso, se multiplicarmos o dividendo por 4x2 apa-
recerá 4x2 (3x–3)= 12x3 + 12x2. Devemos inverter o sinal e somar com o dividendo:
12x 3 –6x 2 –6 3x –3
–12x 3+12x 2 4x 2
0 +6x 2 –6
20 passo: Encontrar uma nova parcela que multiplicando pelo divisor seja possível eliminar
o termo de maior grau remanescente:
12x 3 –6x 2 –6 3x –3
–12x 3+12x 2 4x 2+2x
0 +6x 2 –6
–6x 2 +6x
0 +6x –6
30 passo: Repetir o processo até que o resto seja nulo ou que não seja mais possível
obter o grau do dividendo.
12x 3 –6x 2 –6 3x –3
–12x 3+12x 2 4x 2+2x +2
0 +6x 2 –6
–6x 2 +6x
0 +6x –6
–6x +6
0

Portanto:
12x3 − 6x2 − 6
= 4x2 + 2x + 2
3x − 3
Exemplo 13
Encontrando q(x) 5x4 − 3x3 + 5x2 − 12x + 3
=
p(x) x3 + 3x2 + 2x
5x 4 –3x 3+5x 2 –12x +3 x 3+3x 2 +2x

–5x 4 –15x 3–10x 2 5x
0 –18x 3 –5x 2 –12x +3
5x 4 –3x 3+5x 2 –12x +3 x 3+3x 2 +2x
–5x 4 –15x 3–10x 2 5x –18
0 –18x 3 –5x 2 –12x +3
18x 3 +54x 2 +36x
0 +49x 2 +24x +3
Nesse caso não é possível encontrar um termo que, quando multiplicado pelo divisor,
anule o termo de grau 2, portanto o resto da divisão é 49x2 +24x + 3. Assim:
5x4 − 3x3 + 5x2 − 12x + 3 = (x3 + 3x2 + 2x)(5x − 18) + (49x2 + 24x + 3)
2
Sabendo que f (x) = 2x − x , g(x) = x3 − 2x + 1 e h(x) = −x2 + 3x − 1
encontre:
a) f(x)+g(x) – h(x) b) f(x).h(x) c) g(x)/h(x)

Vetores no plano
Um vetor é um elemento que define uma grandeza não apenas com um valor, mas
também com uma direção e um sentido. Ele é representado por um segmento de reta cujo
comprimento é proporcional a intensidade da grandeza representada, indicando sua direção
e sentido. Exemplos de vetores são mostrados na Figura 2.
2 V4
→ → → →
→
[ 21 ]
V1 =
V2 V1 = (2,1) V1 = 2i + j
V1
V =[ ]
1 → → → →
→ –1
–2 –1 1 2 V2 = (–1,1) V2 = –i + j 2 1
→ → → →
V =[ ]
x V3 = (1,–2) V3 = i – 2j → 1
→
→ → 3 –2
V4 = (0,2) V4 = 2j
–1
V =[ ]
→ 0
4 2
V3
–2
Figura 2 – Representações diversas de vetores no plano

(i= vetor unitário na direção x, j = vetor unitário na direção y)
Operações com vetores

Existem duas operações básicas envolvendo vetores, a adição e a multiplicação por esca-
lar. Relembraremos aqui também como calcular sua norma e como manipular seus ângulos.
Adição
A adição pode ser feita de duas maneiras, ou algebricamente ou graficamente. Algebri-

camente basta somar as componentes x dos dois vetores e depois as componentes y. Gra-
ficamente, é necessário fazer uma projeção da área formada pelos dois vetores obtendo um
paralelogramo, o segmento que une a origem e a ponta desenhada do paralelogramo é o vetor
resultante da soma. Ou ainda, pode-se desenhar o primeiro vetor (partindo da origem) e, em
seguida, desenha-se o segundo começando onde o primeiro termina, mantendo sua direção e
sentido, o segmento que une a origem e o fim do segundo vetor é o vetor resultante da soma.
Exemplo 14
Encontrando Somando dois vetores V1= (1,2) e V2=(3,–1),
o vetor V resultante é: V = V1+V2 = (1,2) + (3,–1) =(1+3 , 2+(–1))
V=(4,1)
Analisando graficamente na Figura 3:
y y
V1 V1
2 2
V
1 1 V1
1 2 3 1 2 3
x x
–1 –1
–2 V2 –2 V2
Figura 3 – Resultado gráfico da soma de dois vetores no plano
Multiplicação por escalar

A multiplicação de um vetor por um número real é feita multiplicando-se cada componente
do vetor pela constante.
Exemplo 15
Multiplicando V1= (1,2) por 3 e V2=(3,–1) por -2:
O vetor U1 resultante é: U1 = 3. V1 = 3. (1,2) = (3.1,3.2) = (3,6)
O vetor U2 resultante é: U2 = –2. V2 = –2. (3,–1) = (–2.3,–2.(–1)) = (–6,2)
Analisando graficamente na Figura 4:
y
U1
6
U2 V1
2
1 1 2 3
–6 –1 x
V2
Figura 4 – Representação gráfica de multiplicação de vetores por escalar real

6
Sendo u=(2,3,0), v=(0,2,-2) e w=(1,-1,3), calcule:
a) 2u+3v–w
Norma de um vetor
A norma de um vetor também é conhecida como módulo ou comprimento, na realidade
ela mede a dimensão da grandeza representada pelo vetor e corresponde ao comprimento do
vetor. O cálculo da norma é feito baseando-se no teorema de Pitágoras. Analisemos a Figura
5 em duas dimensões:
y V
V ⏐⏐
⏐⏐
x x
Figura 5 – Norma de um vetor
Da Figura 5 tiramos o triângulo retângulo onde a hipotenusa é a norma de V e os catetos

são as coordenadas x e y do vetor, do teorema de Pitágoras vem:
V 2 = x2 + y 2

V = x2 + y 2
De uma maneira genérica: V 2 = x21 + x22 + . . . + x2n

V = x21 + x22 + . . . + x2n
Onde os xi são as coordenadas de um vetor de dimensão n.

Relação de ângulos entre vetores
Considere a Figura 6 no plano:
y
vy v
uy θ u
β
α
vx ux x
Figura 6 – Relação de ângulos entre vetores

Note que:
® → Ângulo formado pelo vetor u e o eixo x.

β → Ângulo formado pelo vetor v e o eixo x.
Ө → Ângulo entre os vetores u e v.
Ө= β – ®
ux e uy → coordenadas x e y do vetor u.
vx e vy → coordenadas x e y do vetor v.
uy vy
tg(α) = tg(β) =
ux vx
ux vx
cos(α) = cos(β) =
u v
uy vy
sen(α) = sen(β) =
u v
tg(β) − tg(α) u v − vx uy
tg(θ) = tg(β − α) = = x y
1 + tg(β)tg(α) ux vx + uy vy
vx ux + vy uy
cos(θ) = cos(β − α) = cos(β)cos(α) + sen(β)sen(α) =
u v
v u − vx uy
sen(θ) = (β − α) = sen(β)cos(α) − cos(β)sen(α) = y x
u v

Exemplo 16
Dados os vetores no plano 2 , u = 2 i – 2 j e v =i +2 j , determine: Matrizes na forma
escalonada reduzida por linhas:
a) o vetor soma u + v
u + v = (2,–2) + ç = (2+1,–2+3) = (3,1) ou = 3i + j
b) o módulo do vetor u + v
√
u + v = (3,1) u + v = x2 + y 2 = 32 + 12 = 10
c) o vetor diferença u – v
u – v = (2,–2) – (1,3) = (2–1,–2–3) = (1,–5) ou = i – 5j
d) o vetor 3 u – 2v
3.(2,–2) – 2.(1,3) = (6,–6) – (–2,–6) = (8, 0) ou = 8i
e) o ângulo formado pelos vetores u e v
uy −2
o ângulo formado pelo vetor u = (2,–2) e o eixo x é: tg(α) = = = −1
ux 2
α = −45o
uy −2
o ângulo formado pelo vetor v = (1,3) e o eixo x é: tg(α) = = = −1
ux 2
o o o
Portanto, o ângulo entre os dois vetores é: β , ( ) , ,
mostrado na Figura 7.
y
3 v
116,56˚
71,56˚ 1 2
45˚
x
–2 u
Figura 7 – Ângulos entre vetores

7
Sendo u=(2,3,0), v=(0,2,-2) e w=(1,-1,3), calcule:
a) ||2w–v|| b) ||w||+||3u||
Somatório
O operador somatório é um recurso da Matemática para conseguirmos representar somas
grandes ou até mesmo infinitas.
A notação de somatório é dada pela letra grega maiúscula sigma:
n

xi = xm + xm+1 + xm+2 + . . . + xn
i=m
Onde
xi é o termo que deve variar conforme a soma dos termos;
i é o índice do somatório;
m é o valor inicial do índice;
n é o valor final do índice;
Notem que m ≤ n sempre.
Exemplo 17
Encontre uma representação para a soma dos 20 primeiros números naturais.
O que queremos é encontrar uma fórmula para 1+2+3+...+19+20, logo devemos
recorrer ao somatório:
20

i
i=1
Exemplo 18
2

Calcule o somatório: (2i + 1)i−1
i=−3

Para calcularmos o somatório devemos expandir os termos:
2

(2i + 1)i−1 = (2.(−3) + 1)−3−1 + (2.(−2) + 1)−2−1 + (2.(−1) + 1)−1−1 +
i=−3
+ (2.0 + 1)0−1 + (2.1 + 1)1−1 + (2.2 + 1)2−1
2

(2i + 1)i−1 = (−5)−4 + (−3)−3 + (−1)−2 + (1)−1 + (3)0 + (5)1
i=−3
2
4 3 2
i−1 1 1 1
(2i + 1) = + + +1+1+5
−5 −3 −1
i=−3
2
1 1 1 1
(2i + 1)i−1 = 4
− 3 +1+7= − + 8 = 0, 0016 − 0, 3070 + 8 = 7, 9646
5 3 625 27
i=−3
Como calcular o somatório das idades de um pai e uma filha, ano a ano, desde que o
pai tinha 46 até completar 50? Considere que o pai é 31 anos mais velho que sua filha.
Desafio
1) A Maria e o Manuel disputaram um jogo no qual são atribuídos 2 pontos por vitória e é
retirado um ponto por derrota. Inicialmente, cada um tinha 5 pontos. Se o Manuel ganhou exa-
tamente 5 partidas, e a Maria no final ficou com 10 pontos, quantas partidas eles disputaram?
2) Qual é o quociente de 5050 por 2525 ?
3) Em uma sala onde estão 100 pessoas, sabe-se que 99% são homens. Quantos homens
devem sair para que a porcentagem de homens na sala passe a ser 98%?
2
4
4) Calcule j(j + i)
j=−1 i=0

Resumo
Esta breve revisão de Matemática Básica vem relembrar assuntos que já

foram estudados e que serão de grande importância no estudo da Álgebra Linear.
Você acabou de rever operações básicas com números reais, frações, conjuntos
e polinômios que estarão sempre presente em qualquer área da Matemática, e
também a manipulação de vetores, essencial para a Álgebra Linear. E, por fim,
foi reapresentado uma descrição do operador somatório e como desenvolvê-lo.
Autoavaliação
1 Quais dentre os números abaixo são racionais?
√
a) π4 b) 3
0, 1 c) 3
0, 27 d) 3
−0, 064 e) 4
0, 016
2
2 Quanto vale
0, 666 . . .
?
3 Sendo A = (–5,2], B=[6,–6] e B = (–∞,2], calcule A ∩ ( B ∪ C ).
4 Sabendo que A ∪ B = {1,2,3,4,5,6,7,8} , A ∩ B = {4,5} e A – B = {1,2,3}. Quem

é B?
Escreva uma equação para representar a afirmação "há seis vezes mais alunos
5 do que professores nesta universidade", usando as variáveis A para o número de
alunos e P para o de professores.
Se X operários sobem um muro em Y horas, quantas horas serão necessárias

6
para que o triplo do número de operários suba o mesmo muro?
Distribuí certo número de selos entre os alunos de uma das salas, cabendo 5 para
7
cada um. Se eu fosse distribuir para outra turma, que tem 31 alunos a mais, eu
teria de dar 2 selos a cada aluno e sobraria 1. Quantos selos eu distribuiria?
Dei 3/5 do meu dinheiro para meu irmão e metade do resto para a minha irmã,
8
fiquei ainda com R$2,00. Quanto eu tinha?
9 Determine os três números consecutivos pares cuja soma é 72.?

Em uma chácara existem galinhas e coelhos totalizando 35 animais, os quais so-
10
mam juntos 100 pés. Determine o número de galinhas e coelhos existentes nessa
chácara.
Um relógio tem os dois ponteiros medindo 0,25 metros para hora e 0,5 metros
11 para os minutos. Indique a representação vetorial para os dois ponteiros quando
o relógio marcar:
a) 12h b) 3h30min c) 4h05min d) 8h50min
12 Determine as coordenadas dos vetores que coincidem com cada aresta do cubo
mostrado na figura. (Considere o vetor partindo da origem e terminando na extre-
midade do cubo u1,u2,...,u8):
Z
u
5 8 u7
u6
u5
u4
u3 Y
3
2
u1 u2
X
13 Encontre uma fórmula e calcule a média aritmética dos números: 5,7,9,11,13,15.
Referências
ANTON, Howard; RORRES, Chris. Álgebra linear com aplicações. Porto Alegre: Bookman, 2001.
BOLDRINI, J. L. et al. Álgebra linear. 3. Ed. São Paulo: Harper-Row, 1980.
LAY, David. Álgebra linear e suas aplicações. 2. Ed. Rio de Janeiro: LTC, 2007.

Anotações

Matrizes: tipos,
operações e propriedades
Aula
1
Apresentação
O
estudo das matrizes possibilita o tratamento de dados de forma simplificada, permitindo,
dentre outras coisas, a fácil visualização da informação. A manipulação de matrizes
está presente em todas as áreas de conhecimento, seja nas áreas que lidam com a
Matemática diretamente como também em áreas de Humanas e Saúde, por exemplo.
Nesta aula, abordaremos temas que dizem respeito à definição de matrizes, os tipos mais
comuns e também suas operações básicas.
Objetivos
1 Saber identificar e montar uma matriz.
2 Reconhecer e manipular os diversos tipos de matrizes.
Aplicar as operações entre matrizes e entre escalares e

3 matrizes adequadamente.
Reconhecer e saber recorrer às propriedades a fim de re-

4 duzir cálculos.

Definição
U
ma matriz é um conjunto de dados dispostos em uma tabela onde cada dado é referen-
ciado por linhas e colunas. A arrumação dos dados dessa forma permite não apenas
sua organização, mas também possibilita novas maneiras de manipular esses dados.
As matrizes podem ser compostas de qualquer tipo de números (reais ou complexos),
de funções e até de submatrizes.
Para identificar uma matriz, nós precisamos conhecer algumas informações: represen-
tação, ordem e termo geral. Vamos a elas!
a) Representação
A forma para representarmos uma matriz será utilizando parênteses ou colchetes:
Matriz ou Matriz
b) Ordem
A ordem da matriz informa sobre o seu tamanho e faz menção à quantidade de linhas e
colunas que ela contém.
m x n → m linhas e n colunas
Quando uma matriz apresenta o mesmo número de linhas e colunas diz que a matriz tem
ordem n (n = número de linhas = número de colunas).
c) Termo geral
Algumas matrizes possuem certa relação entre seus elementos. Quando for possível
escrever todos os elementos de uma matriz através de uma regra, então a matriz possui um
termo geral ( aij), onde i indica a linha e j, a coluna.
Exemplo 1
Sabendo que a matriz B tem ordem 2x3 e que seu termo geral é dado por bij=i+2j,
encontre B.
Como o número de linhas é igual a 2, e o número de colunas igual a 3, então sabemos
que o índice i varia de 1 até 2 e o índice j de 1 até 3. Logo, a matriz terá a forma:

b11 b12 b13

B=
b21 b22 b23

Encontrando os elementos ( bij = i+2j ):
b11=1+2·1=3
b12=1+2·2=5
b13=1+2·3=7
b21=2+2·1=4
b22=2+2·2=6
b23=2+2·3=8
Portanto,

3 5 7
B2×3 =
4 6 8
Uma forma geral para escrever qualquer matriz é representar com linhas (m) e colunas
(n) genéricas:
⎡ ⎤
a11 a12 ··· a1j ··· a1n
⎢ ⎥
⎢ a21 a22 ··· a2j ··· a2n ⎥
⎢ ⎥
⎢ .. .. .. .. .. .. ⎥
⎢ . . . . . . ⎥
Am×n =⎢
⎢ a
⎥
⎥
⎢ i1 ai2 ··· aij ··· ain ⎥
⎢ . .. .. .. ⎥
⎢ .. ..
.
..
. ⎥
⎣ . . . ⎦
am1 am2 · · · amj · · · amn
Encontre a matriz M2x3, sabendo que mij= 5i - i·j.
Tipos de matrizes
Existem algumas matrizes que possuem características especiais e estas podem facilitar
alguns cálculos ou análises em determinadas situações. Vamos conhecê-las.
a) Matriz coluna
Matriz formada por apenas uma coluna.

⎡ ⎤
b1
⎢ ⎥
⎢ b2 ⎥
⎢ ⎥
⎢ .. ⎥
⎢ . ⎥
Bm×1 =⎢
⎢
⎥
⎥
⎢ bi ⎥
⎢ .. ⎥
⎢ ⎥
⎣ . ⎦
bm
b) Matriz linha
Matriz formada por apenas uma linha.
C1xn= C1 C2 ··· Cj ··· Cn
c) Matriz nula – 0
Matriz onde todos os seus elementos são zero, ou seja, seu termo geral é sempre zero
qualquer que seja i e j.
⎛ ⎞
0 0 ··· 0
⎜ ⎟
⎜ 0 0 ··· 0 ⎟
0=⎜ ⎜ .. .. . . .. ⎟
⎟
aij = 0 ∀i, j ⎝ . . . . ⎠
0 0 ··· 0
d) Matriz quadrada
Matriz onde a quantidade de linhas é igual à quantidade de colunas.

⎛ ⎞
a11 a12 · · · a1n
⎜ ⎟
⎜ a21 a22 · · · a2n ⎟
m=n ∴ An An = ⎜
⎜ .. .. .. .. ⎟
⎟
⎝ . . . . ⎠
an1 an2 · · · ann
Considerando as matrizes quadradas, denominam-se como elementos da diagonal prin-

cipal os elementos que apresentam i = j (a11, a22, a33, ... ann).
e) Matriz diagonal
Matriz onde os elementos da diagonal principal são não nulos e os fora da diagonal
principal são nulos.
⎛ ⎞
a11 0 · · · 0
⎜ ⎟
⎜ 0 a22 · · · 0 ⎟
aij = 0 Se i = j ⎜
An = ⎜ . .. ⎟
. .. .. ⎟
⎝ . . . . ⎠
0 0 · · · ann

f) Matriz identidade - I
Matriz onde os elementos da diagonal principal são iguais a 1 e os fora da diagonal

⎛ ⎞
1 0 ··· 0
⎜ ⎟
aij = 1 Se i = j ⎜ 0 1 ··· 0 ⎟
I=⎜
⎜ .. .. . . .. ⎟
⎟
aij = 0 Se i =
j ⎝ . . . . ⎠
0 0 ··· 1
g) Matriz transposta - At, A'
A matriz transposta é obtida a partir de qualquer matriz trocando-se as linhas pelas colunas.
Faz–se aij=aji
⎛ ⎞ ⎛ ⎞
a11 a12 ··· a1n a11 a21 · · · am1
⎜ ⎟ ⎜ ⎟
⎜ a21 a22 ··· a2n ⎟ ⎜ a12 a22 · · · am2 ⎟
A=⎜
⎜ .. .. .. .. ⎟
⎟ → A =A =⎜
t
⎜

.. .. .. .. ⎟
⎟
⎝ . . . . ⎠ ⎝ . . . . ⎠
am1 am2 · · · amn a1n a2n · · · amn
h) Matriz simétrica
Uma matriz é simétrica se ela for igual a sua transposta.
Se A=At (se aij =aji)

i) Matriz antissimétrica
Uma matriz é antissimétrica se ela for igual a menos sua transposta.
Se A =–At (se aij =–aji)

j) Matriz triangular
Superior: Uma matriz é triangular superior quando todos os elementos abaixo da diagonal
⎛ ⎞
a11 a12 ··· a1n
⎜ ⎟
⎜ 0 a22 ··· a2n ⎟
aij = 0 ∀i>j A=⎜
⎜ .. .. .. .. ⎟
⎟
⎝ . . . . ⎠
0 0 · · · amn

Inferior: Uma matriz é triangular inferior quando todos os elementos acima da diagonal
⎛ ⎞
a11 0 · · · 0
⎜ ⎟
⎜ a21 a22 · · · 0 ⎟
aij = 0 ∀i<j A=⎜ ⎜ .. .. .. .. ⎟
⎟
⎝ . . . . ⎠
an1 an2 · · · amn
k) Submatrizes
Uma matriz também pode ser composta por matrizes, quando isso ocorre chamamos de
submatrizes. Como exemplo, mostro uma matriz A composta por submatrizes B, C, D e E.

B C
Amxn =
D E
Note que as submatrizes não podem ter qualquer dimensão, pois isso implicaria em uma
desordem. Se A tem dimensão mxn, então o número de linhas de B mais o número de linhas
de D deve ser igual a m e o número de colunas de B mais o número de colunas de C deve
ser igual a n. Além disso, o número de linhas de B deve ser igual ao número de linhas de C,
assim como as linhas de D e E, o mesmo para as colunas de B, C, D e E. Um exemplo para
as matrizes B, C, D e E poderia ser:
B3×3, C3×2, D2×3 e E2×2, resultando em A5×5.
Dê exemplos de matrizes simétrica, triangular, transposta e diagonal.
Operações com matrizes

Soma
Para que seja possível somar duas ou mais matrizes, é necessário que todas as matrizes
envolvidas tenham a mesma ordem, ordem esta que também será compartilhada com a matriz
resultante.
Supondo a soma de matrizes:Cm×n = Am×n + Bm×n
O termo geral da matriz resultante C é:
cij= aij+ bij Onde aij e bij são os termos das matrizes A e B.

Exemplo 2
Conhecendo as matrizes W e Z, encontre 2W – Z’.
⎛⎞
3 −1
1 −2 0 ⎜ ⎟
W = e Z=⎝ 2 0 ⎠
0 3 −1
4 1
Encontrando as parcelas:

1 −2 0 2 −4 0
2W = 2 =
0 3 −1 0 6 −2

3 2 4
Z =
−1 0 1
Então,

2 −4 0 3 2 4 2−3 −4 − 2 0 − 4
2W − Z = − =
0 6 −2 −1 0 1 0 − (−1) 6 − 0 −2 − 1

−1 −6 −4
2W − Z =
1 6 −3
Propriedades da soma
Considerando as matrizes A, B C e 0:
A + B = B + A (Comutativa)
A + ( B + C) = ( A + B ) + C (Associativa)
A + 0 = A (Elemento nulo)
Obs.: essa propriedade também é válida para a subtração.
3
⎛ ⎞
3 −2
Sendo G = 2 −2 3 ⎜ ⎟
1 ⎠ , calcule G-2H .
t
, H=⎝ 0
0 1 1
−1 2

Para multiplicar um escalar K por uma matriz, basta multiplicar cada elemento da matriz
por esse escalar.
⎡ ⎤
ka11 ka12 ··· ka1j ··· ka1n
⎢ ⎥
⎢ ka21 ka22 ··· ka2j ··· ka2n ⎥
⎢ ⎥
⎢ .. .. .. .. .. .. ⎥
⎢ . . . . . . ⎥
k.Am×n =⎢
⎢ ka
⎥
⎥
⎢ kai2 ··· kaij ··· kain ⎥
⎢ . ⎥
i1
⎢ .. .. .. .. .. .. ⎥
⎣ . . . . . ⎦
kam1 kam2 · · · kamj · · · kamn
Propriedades da multiplicação por escalar

Considerando as matrizes Amxn, Bmxn matrizes e K1 e K2 escalares:
K1 ( A + B ) = K1A + K1B
( K1 + K2 ) A = K1A + K2A
0.A = 0 (0 – escalar e 0 – matriz nula)
K1 ( K2A ) = ( K1K2 ) A
Multiplicação entre matrizes

Para que seja possível multiplicar duas matrizes, é necessário observar a ordem das
matrizes envolvidas. Sejam Amxn e Bpxq, a multiplicação A.B apenas será possível se n=p, já
a multiplicação B.A apenas será possível se q=m.
Sendo C = A:B e os termos gerais de A e B, respectivamente, aij e bij, o termo geral
de C é dado por:
p
cij = (aik bkj )
k=1
Onde p é o número de colunas de A que deve ser o mesmo número de linhas de B.
Exemplo 3
Conhecendo as matrizes H e G, é possível a multiplicação H.G? E G:H?
⎛ ⎞
3 −1
1 −2 ⎜ ⎟
H= e G=⎝ 2 0 ⎠
0 3
4 1

Para multiplicarmos H.G é necessário que o número de colunas da primeira matriz(H)
seja igual ao número de linhas da segunda matriz(G). Nesse caso, H2x2 e G3x2, a multiplicação
não pode ser feita, já que H tem 2 colunas e G tem 3 linhas.
Para analisar a multiplicação G.H procederemos da mesma forma, o número de colu-
nas da primeira matriz(G) é igual a 2 e o número de linhas da segunda matriz(H) é igual a 2,
portanto a multiplicação G.H pode ser feita:
⎛ ⎞ ⎛ ⎞
3 −1 3.1 + (−1).0 3.(−2) + (−1).3
⎜ ⎟ 1 −2 ⎜ ⎟
G.H = ⎝ 2 0 ⎠· = ⎝ 2.1 + 0.0 2.(−2) + 0.3 ⎠
0 3
4 1 4.1 + 1.0 4.(−2) + 1.3
⎛ ⎞
3 −9
⎜ ⎟
G.H = ⎝ 2 −4 ⎠
4 −5
IMPORTANTE: Note que A.B ≠ B.A.

Em algumas raras exceções a igualdade pode ser verdadeira.
Propriedades gerais
Considerando as matrizes A, B, C, a matriz nula 0, o escalar K, a matriz identidade I e
que as operações sejam possíveis.
A I = I A =A
A(B + C)=AB+AC
(A+B).C=AC+BC
A ( B C) = ( A B ) C
A0=0A=0
A é simétrica se A = At
( A + B )t = At + Bt
( At )t = A
( k A )t = k At
( A B )t = BtAt

4
⎛ ⎞
3 −2
2 −2 3 ⎜ ⎟ 2 3
Sendo ,G = ,H=⎝ 0 1 ⎠, F = calcule:
0 1 1 −3 1
−1 2
a) G.H b) H(3F)G c) F(–4G+Ht)
Desafio
1) Quantas matrizes A3x3 você consegue encontrar, tais que:

⎡ ⎤ ⎡ ⎤
a a+b
⎢ ⎥ ⎢ ⎥
A⎣ b ⎦ = ⎣ a − b ⎦
c 0
2) Encontre a matriz [aij] de tamanho 4x4 cujas entradas satisfazem a condição:

1, se |i − j| > 1
aij =
−1, se |i − j| ≤ 1
3) Passe para linguagem matricial o diagrama abaixo, onde o número em que a seta é origi-
nada domina o número onde a seta finda (suponha que cada ponto domine ele mesmo).
1 3
2 4

Resumo
Nesta aula, você viu como identificar e obter uma matriz a partir do seu termo
geral. Observou também como e quando é possível somar, subtrair e multipli-
car matrizes, assim como obter sua transposta. Outro ponto muito importante
que você aprendeu foi a utilização das propriedades a fim de facilitar cálculos e
tornar as operações mais simples.
Autoavaliação
1 Considerando as matrizes a seguir, encontre se possível:
⎛ ⎞ ⎛ ⎞ ⎡ ⎤
0 1 0 1 −1 3
⎜ ⎟ ⎜ ⎟ ⎢ ⎥
A = ⎝ 1 0 −1 ⎠ B=⎝ 7 0 ⎠ C= 1 0 −2 D = ⎣ −1 ⎦
1 0 2 0 2 3
a) A+B
b) AD
c) CD
d) DC
e) CB
f) CtDt
g) DCt
h) CB - B
i) At + 3CtDt

2 Suponha que A, B, C, D e E sejam matrizes com os seguintes tamanhos:
A B C D E
(4 × 5) (4 × 5) (5 × 2) (4 × 2) (5 × 4)
Determine quais das seguintes expressões matriciais estão definidas. Para as que estão,
dê o tamanho da matriz resultante.
a) BA
b) E( A + B )
c) AC + D
d) E( AC )
e) AE + B
f) Et A
g) AB + B
h) (At + E) D
i) ABt
Sabendo que A é a matriz abaixo, encontre o valor de x para que A seja uma
3 matriz:

3 x2
A=
2x + 1 1
a) Simétrica
b) Diagonal
c) Triangular superior
d) Nula
Com C, D e E, calcule (CD)E e C(DE). Qual das duas formas requer

4
menos multiplicações?

1 2 1 0 4
C= D= E=
−4 0 −3 1 −3

5 Considerando as matrizes abaixo, responda:

1 −2 −1 2 −1
A= e AB =
−2 5 6 −9 3
a) Qual a dimensão de B? Justifique.
b) Encontre B.
Uma fábrica de brinquedo inaugurada em 2008 produziu nos últimos anos os

6 seguintes brinquedos, nas seguintes cores:
ANO: 2008
Carrinho Boneca Apito Bola

Azul 1025 250 567 2081
Amarelo 1230 765 1034 276
Verde 981 458 576 1622
Vermelho 570 345 978 1921
ANO: 2009
Azul 1201 341 771 2298

Amarelo 1381 789 1298 320
Verde 1002 751 766 1710
Vermelho 751 641 989 2010
ANO: 2010

Azul 1322 450 822 2311
Amarelo 1400 924 1400 404
Verde 1100 812 850 1820
Vermelho 814 720 1010 2211
Responda:
a) Quantos carrinhos, bonecas, apitos e bolas a fábrica produziu por cor desde sua
inauguração?
b) Sabe-se que a previsão da produção para 2011 é o triplo do ano inicial. Encontre a pro-
dução prevista em 2011.

Um construtor vende 3 tipos de casa: A, B e C. A quantidade de material empre-
7 gada em cada tipo de casa é dada pela matriz*:
Ferro Madeira Vidro Tinta Tijolo

A 5 20 16 7 17
B 7 18 12 9 21
C 6 25 8 5 13
* Valores fictícios.
a) Se ele vai construir 5, 7 e 12 casas dos tipos A, B e C, respectivamente, quantas unidades

de cada material serão empregadas?
b) Suponha que os preços por unidade de ferro, madeira, vidro, tinta e tijolo sejam, respec-
tivamente, R$12, 6, 4, 1 e 8. Qual o preço unitário de cada tipo de casa?
c) Qual o custo total do material empregado?
Referências

Anotações

Matrizes: operações
e matrizes elementares
Aula
2
Apresentação
Nesta aula, vamos estudar as operações elementares em matrizes, ferramentas impor-
tantes, pois, a partir delas, veremos como é possível encontrar matrizes inversas, solução de
sistemas lineares, por exemplo. Veremos ainda a definição de matriz elementar que permite
uma relação da matriz identidade com as operações elementares.
Objetivos
1 Reconhecer matrizes equivalentes.
Reconhecer as operações elementares e identificar opera-

2 ções que não se enquadram.
3 Aplicar as operações elementares com objetivo definido.
4 Aplicar cada operação na situação oportuna.

Operações elementares
Operações elementares são operações simples e específicas sobre matrizes que resultam
em novas matrizes onde todas são equivalentes entre si.
Matrizes equivalentes
Mais adiante veremos que todo sistema de equações lineares pode ser representado na
forma matricial. Sabemos que existem sistemas diferentes que apresentam a mesma solução,
esses sistemas são chamados de equivalentes e, consequentemente, as matrizes que repre-
sentam esses sistemas são considerados matrizes equivalentes.
Se A e B são matrizes equivalentes, escrevemos A ∼ B ou B ∼ A.
Operações sobre matrizes

As operações que resultam em matrizes equivalentes à original são apenas três, que
serão apresentadas a seguir.
a) Troca de duas linhas.
b) Multiplicação de todos os elementos de uma linha por um escalar diferente de zero.
c) Substituição de uma linha pela soma dela própria com um múltiplo de outra linha.
Exemplo 1
Aplique as seguintes operações elementares à matriz A.

1 1 2
A=
−1 2 3
a) Trocar a primeira linha pela segunda.

−1 2 3
L1 ⇔ L2 A1 =
1 1 2
b) Multiplicar a segunda linha por – 3.

1 1 2
L2 = – 3 L2 A2 =
3 −6 −9

c) Substituir a segunda linha pela soma dela com 5 vezes a primeira.
L2 = L2+ 5 L1
1 1 2
A3 =
4 7 13
Neste caso, A ∼ A1 ∼A2 ∼ A2.
1
⎛ ⎞
2 1 0
Considere a matriz G = ⎜
⎝ 0 3 0 ⎠
⎟ e efetue as seguintes operações
−1 −2 1
elementares em sequência:
L2=3L2
L1=L1–3L3
L3=L3-L2
Matrizes elementares
Uma matriz é considerada elementar (E) quando é obtida a partir da matriz identidade
depois de aplicada apenas uma operação elementar.
Exemplo 2
Encontre matrizes elementares a partir das operações:
⎛ ⎞
1 0 0
⎜ ⎟
I=⎝ 0 1 0 ⎠
0 0 1
a) Trocar a primeira linha pela segunda.
⎛ ⎞
0 1 0
⎜ ⎟
L1 ⇔ L2 E1 = ⎝ 1 0 0 ⎠
0 0 1

b) Multiplicar a segunda linha por – 3. ⎛ ⎞
1 0 0
⎜ ⎟
L2 = – 3 L2 E2 = ⎝ 0 −3 0 ⎠
0 0 1
c) Substituir a segunda linha pela soma dela com 5 vezes a primeira.

⎛ ⎞
1 0 0
⎜ ⎟
L2 = L2+ 5 L1 E2 = ⎝ 5 1 0 ⎠
0 0 1
Uma informação interessante é que, quando é possível a multiplicação, uma matriz equi-
valente pode ser obtida a partir da multiplicação da matriz elementar resultante da mesma
operação elementar.
Consideremos a matriz B e a operação elementar que troca a primeira linha pela terceira,
resultando em B1.
⎛ ⎞ ⎛ ⎞
1 2 3 7 8 9
⎜ ⎟ ⎜ ⎟
B = ⎝ 4 5 6 ⎠ → L1 ⇔ L3 B1 = ⎝ 4 5 6 ⎠
7 8 9 1 2 3
Outra forma de obtermos esse resultado é utilizando a matriz elementar que é gerada
com a mesma operação elementar.
⎛ ⎞ ⎛ ⎞
1 0 0 0 0 1
⎜ ⎟ ⎜ ⎟
I = ⎝ 0 1 0 ⎠ → L1 ⇔ L3 E1 = ⎝ 0 1 0 ⎠
0 0 0 1 0 0
Podemos dizer que B1=E1·B: Comprovando:

⎛ ⎞ ⎛ ⎞ ⎛ ⎞
0 0 1 1 2 3 0+0+7 0+0+8 0+0+9
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
E1 .B = ⎝ 0 1 0 ⎠ · ⎝ 4 5 6 ⎠ = ⎝ 0 + 4 + 0 0 + 5 + 0 0 + 6 + 0 ⎠
1 0 0 7 8 9 1+0+0 2+0+0 3+0+0
⎛ ⎞
7 8 9
⎜ ⎟
E1 .B = ⎝ 4 5 6 ⎠ = B1
1 2 3

2
Obtenha 3 matrizes elementares de ordem 2x2 diferentes onde apareça

o número 3.
Desafio
1) Podemos dizer que uma matriz elementar é sempre inversível? Justifique.
2) Sabendo que se multiplicamos matrizes elementares E1, depois E2, E3 e E4 nessa

ordem e sempre pela esquerda, pela matriz A2, obtemos a matriz identidade. Qual o proce-
dimento para obtermos a inversa de A?
Resumo
Nesta aula, você teve a oportunidade de identificar quando duas matrizes são
equivalentes e aprender quais operações sobre linhas são operações elemen-
tares. Sabendo aplicar as operações elementares, você está apto a modifi-
car uma matriz com o objetivo de transformá-la em uma forma pré-definida,
como a identidade, por exemplo, caso seja possível. Essa manipulação levará
você a aplicar essas operações, mais adiante, para solucionar diversos pro-
blemas relacionados às matrizes, como é o caso da inversa e da solução de
sistemas lineares.

Autoavaliação
1 Quais dessas matrizes são elementares?
⎡ ⎤ ⎡ ⎤
1 1 0 1 0 0
1 0 −5 1 ⎢ ⎥ ⎢ ⎥
a) b) c) ⎣ 0 0 1 ⎦ d) ⎣ 0 1 9 ⎦
−5 1 1 0
0 0 0 0 0 1
2 Considere as matrizes A, B e C e encontre matrizes elementares, tais que:
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
3 4 1 8 1 5 3 4 1
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
A = ⎣ 2 −7 −1 ⎦ B = ⎣ 2 −7 −1 ⎦ C = ⎣ 2 −7 −1 ⎦
8 1 5 3 4 1 2 −7 3
a) E1A = B
b) E2B = A
c) E3A = C
d) E3C = A
Referências

Anotações

Determinantes: definição,
cálculo, propriedades e cofatores
Aula
3
Apresentação
O
determinante é um recurso bastante aplicado com matrizes. Através dele pode-se ob-
ter informações sobre a matriz, como por exemplo, saber se ela é singular, associar
o determinante com a solução de um sistema de equações lineares, obter cálculo de
áreas e muitas outras aplicações.
Nesta aula, veremos como calcular o determinante e conheceremos suas principais
propriedades.
Objetivos
1 Encontrar o determinante de uma matriz de qualquer ordem.
2 Saber identificar quando deve ser utilizada determinada

propriedade.
3 Montar a matriz de cofatores.

Definição
O determinante de uma matriz é uma função que leva uma matriz quadrada a um número
real, ou seja, o determinante é um número real que é associado a uma matriz.
A notação utilizada para o determinante de uma matriz é qualquer uma das formas abaixo,
onde A é uma matriz quadrada e aij seu termo geral.
detA det(A) |A| det (aij)
Considere o sistema de equações lineares:

a11 x + a12 y = b1
a21 x + a22 y = b2
A solução desse sistema é dada por:
b1 a22 − b2 a12 b2 a11 − b1 a21

x= y=
a11 a22 − a12 a21 a11 a22 − a12 a21

a11 a12
Onde, a11a22 –a12a21 é o determinante da matriz A= formada pelos
a21 a22
coeficientes do sistema. Portanto, a solução pode ser reescrita da seguinte forma:
b1 a22 − b2 a12 b2 a11 − b1 a21

x= y=
det A det A
Esse raciocínio se repete para matrizes quadradas de qualquer ordem, desde que as
operações sejam possíveis.
Cálculo do determinante
As regras que foram aprendidas no Ensino Médio para o cálculo de determinantes de
ordem 2 e 3 são válidas, porém, como você vai proceder se necessitar calcular o determinante
de uma matriz de ordem 4 ou 5? As regras que foram aprendidas são casos particulares de
uma regra mais geral que iremos ver agora.
Para calcular o determinante de uma matriz quadrada basta utilizar o desenvolvimento
de Laplace:
n

det A = )
(−1)i+j aij det(A ij
j=1

Onde Ãij é o determinante da matriz A, excluindo-se a linha i e a coluna j. i pode ser
qualquer linha (a escolher).
Importante: NUNCA podemos calcular o determinante de uma matriz que não

seja quadrada.
Exemplo 1
Calcule o determinante das matrizes A, B e C.
⎡ ⎤
⎡ ⎤ 1 0 1 −1
0 2 3 ⎢ ⎥
2 3 ⎢ ⎥ ⎢ 0 2 −1 1 ⎥
A= B=⎣ 1 1 2 ⎦ C=⎢
⎢
⎥
1 −1 ⎣ 1 0 0 1 ⎥⎦
−1 1 1
0 2 3 1
Determinante da matriz A:

2 3

det A =
1 −1
Para usar o desenvolvimento de Laplace, devemos escolher uma linha (ou coluna) fixa.
Vamos escolher a linha 1, portanto i=1, e como a matriz tem ordem 2, logo n=2:
n

det A = )
j=1
2

det A = )
(−1)1+j a1j det(A 1j
j=1
Desenvolvendo a soma temos:

2

det A = ) = (−1)1+1 a det(A
(−1)1+j a1j det(A ) + (−1)1+2 a det(A
)
1j 11 11 12 12
j=1
Sabemos que a11=2 e a12=3, para calcular Ã11 vamos excluir a linha 1 e a coluna 1 da
matriz A e calcular seu determinante:

= 2 3 = [−1], logo det A
= −1
A11 A 11 11
1 −1

O mesmo para Ã12:

= 2 3 = [1], logo det A
=1
A12 A12 12
1 −1
Logo,
) + (−1)1+2 a det(A
det A = (−1)1+1 a11 det(A )
11 12 12
= 1.2.(−1) + (−1).3.1 = −5
Determinante da matriz B:

0 2 3

det B = 1 1 2

−1 1 1
Vamos escolher a linha 1, nesse caso, por conter a maior quantidade de zeros, o que facilita
os cálculos. Portanto i=1, e como a matriz tem ordem 3, logo n=3:
n

det B = )
(−1)i+j bij det(B ij
j=1
3

det B = )
(−1)1+j b1j det(B 1j
j=1
Desenvolvendo a soma, temos:

3

det B = )
(−1)1+j b1j det(B 1j
j=1
) + (−1)1+2 b det(B
= (−1)1+1 b11 det(B ) + (−1)1+3 b det(B
)
11 12 12 13 13
Sabemos que b11=0, b12=2 e b13=3, dessa forma, a primeira parcela da soma será zero

de qualquer forma, portanto, não precisamos calcular B 11
⎡ ⎤
0 2 3
⎢ ⎥ 1 2 =3
B12 =⎣ 1 1 2 ⎦ B12 = , logo det B12
−1 1
−1 1 1
⎡ ⎤
0 2 3
⎢ ⎥ 1 1 =2
B13 =⎣ 1 1 2 ⎦ B13 = , logo det B13
−1 1
−1 1 1

Logo,
) + (−1)1+2 b det(B
det B = (−1)1+1 b11 det(B ) + (−1)1+3 b det(B
)
11 12 12 13 13
= 0 + (−1).2.3 + 1.3.2 = 0
Determinante da matriz C:

1 0 1 −1

0 2 −1 1
det C =
1 0 0 1

0 2 3 1
Vamos escolher a linha 3 por conter a maior quantidade de zeros, o que facilita os cálculos.
Portanto, i=3, e como a matriz tem ordem 4, logo n=4:
n

det C = )
(−1)i+j cij det(Cij
j=1
4

det C = )
(−1)3+j c3j det(C3j
j=1
Desenvolvendo a soma, temos:

4

det C = ) = (−1)3+1 c det(C
(−1)3+j c3j det(C ) + (−1)3+2 c det(C
)+
3j 31 31 32 32
j=1
) + (−1)3+4 c det(C
+ (−1)3+3 c33 det(C )
33 34 34
Sabemos que C31 =1, C32 =0, C33 =0 e C34 =1, dessa forma, a segunda e a terceira
e C
parcelas da soma serão zero de qualquer forma, portanto, não precisamos calcular C
32 33
⎡ ⎤
1 0 1 −1 ⎡ ⎤
⎢ ⎥ 0 1 −1
⎢ 0 2 −1 1 ⎥

C31 = ⎢ ⎥ =⎢
C
⎥ = −8
⎣ 2 −1 1 ⎦ , logo det C
⎢ 1 0 0 1 ⎥
31 31
⎣ ⎦
2 3 1
0 2 3 1
⎡ ⎤
1 0 1 −1 ⎡ ⎤
⎢ ⎥ 1 0 1
⎢ 0 2 −1 1 ⎥ ⎢ ⎥
=⎢
C ⎥ =⎣
C =8
0 2 −1 ⎦ , logo det C
34 ⎢ 1 0 0 1 ⎥
34 34
⎣ ⎦
0 2 3
0 2 3 1

Logo,
) + (−1)3+2 c det(C
det C = (−1)3+1 c31 det(C )+
31 32 32
) + (−1)3+4 c det(C
+ (−1)3+3 c33 det(C )
33 34 34
= 1.1.(−8) + 0 + 0 + (−1).1.8 = 16
Calcule os determinantes:
⎛ ⎞
⎛ ⎞ 2 −1 0 1
0 −1 1 ⎜ ⎟
2 −2 ⎜ ⎟ ⎜ 0 2 0 −1 ⎟
a) G= b) H = ⎝ 2 0 −1 ⎠ c) J = ⎜ ⎟
3 1 ⎜ 1 0 2 3 ⎟
1 1 0 ⎝ ⎠
0 0 −2 0
Propriedades
O cálculo do determinante de uma matriz pode ser sensivelmente reduzido quando ob-
servadas as propriedades a seguir.
1) O determinante de uma matriz não se altera quando trocamos as linhas pelas colunas.

a b1 c1 a a2 a3
1 1

det(A) = det(At ) det A = a2 b2 c2 = b1 b2 b3

a b3 c3 c c2 c3
3 1
3) Se a matriz A possui uma linha (ou coluna) constituída de elementos todos nulos, o de-
terminante é nulo.

a b1 0
1

det A = a2 b2 0 =0

a b3 0
3
3) Se a matriz A possui duas linhas (ou colunas) iguais, o determinante é nulo.

a b1 a1
1

det A = a2 b2 a2 =0

a b3 a3
3

4) Se na matriz A, duas linhas (ou colunas) têm seus elementos correspondentes proporcio-
nais, o determinante é nulo.

a b1 ka1
1

det A = a2 b2 ka2 =0

a b3 ka3
3
5) Se na matriz A, cada elemento de uma linha (ou coluna) é uma soma de duas parcelas, o
determinante de A pode ser expresso sob a forma de uma soma dos determinantes de
suas matrizes.

a b1 c1 + d1 a1 b1 c1 a b1 d1
1 1

det A = a2 b2 c2 + d2 = a2 b2 c2 + a2 b2 d2

a b3 c3 + d3 a3 b3 c3 a b3 d3
3 3
6) O determinante de uma matriz triangular é igual ao produto dos elementos da diagonal

principal.

a a12 a13 a 0 0
11 11

det A = 0 a22 a23 = a11 a22 a33 det A = a21 a22 0

0 0 a33 a a32 a33
31
7) Trocando duas linhas (ou colunas) da matriz A, o determinante muda de sinal.

a b1 c1 a b1 c1
1 1

det A = a2 b2 c2 = − a3 b3 c3

a b3 c3 a b2 c2
3 2
8) Quando multiplicamos um número real por todos os elementos de uma linha (ou coluna)
da matriz A, o determinante é multiplicado por esse número real.

a b1 c1 a b c
1 1 1 1

ka2 kb2 kc2 = k a2 b2 c2

a b3 c3 a b c
3 3 3 3

ka kb kc a b c
1 1 1 1 1 1

ka2 kb2 kc2 = k 2 a2 b2 c2

a b3 c3 a b c
3 3 3 3

ka kb kc a b1 c1
1 1 1 1

ka2 kb2 kc2 = k 3 a2 b2 c2

ka kb kc a b3 c3
3 3 3 3

det(kA)=Kn det(A), onde n é ordem de A.
9) Um determinante não se altera quando somamos duas linhas (ou colunas) de uma matriz
A previamente multiplicada por uma constante.

a b1 c1 a1 b1 c1
1

det A = a2 b2 c2 = a2 + ka1 b2 + kb1 c2 + kc1

a b3 c3 a3 b3 c3
3
10) Sejam A e B matrizes, o determinante do produto é igual ao produto dos determinantes.
det(AB)=det(A)·det(B).
11) Sejam A e B matrizes, o determinante da soma é diferente da soma dos determinantes.
det(A+B)≠det(A)+det(B).
Exemplo 2
Sabendo que o determinante de A é 11, encontre:
⎡ ⎤
1 −2 3 −1
⎢ ⎥
⎢ 2 0 3 1 ⎥
⎢
A=⎢ ⎥
−1 1 1 2 ⎥
⎣ ⎦
1 0 −1 0

3 −2 6 0
a) det(3A) d)

2 0 3 1
2 0 3 1
b) −1 1 1 2

1 −2 3 −1
1 0 −1 0
−1 1 1 2

1 0 −1 0

1 −2 3 −1 1 −2 3 −1
c)

e)

4 0 6 2 2 0 3 1

1 0 −1 0 −3 3 3 6

−1 1 1 2 2 0 −2 0

Respostas:
a) Como det(A)=11, então det(3A)=34 ·det(A)=81·11=891, onde 4 é a ordem de A.
b) Observando a matriz, nota-se que ela difere apenas na troca da primeira com a segunda
linha em relação à matriz A. Portanto, o determinante aparece multiplicado por –1.

2 0 3 1

1 −2 3 −1

−1 1 1 2 = −det(A) = −11

1 0 −1 0
c) Nota-se que ela difere na troca da terceira com a quarta linha em relação à matriz A e,
além disso, a segunda linha aparece multiplicada por 2. Portanto, o determinante aparece
multiplicado por –1 e por 2.

1 −2 3 −1

4 0 6 2

1 0 −1 0 = (−1).2.det(A) = −2.11 = −22

−1 1 1 2
d) Nota-se que a diferença da matriz em relação à matriz A está na primeira linha, que é igual
à soma da primeira com a segunda linha de A. Nesse caso, o determinante não se altera.

3 −2 6 0

2 0 3 1

−1 1 1 2 = det(A) = 11

1 0 −1 0
e) Percebe-se que a matriz é modificada em relação à matriz A, já que a terceira linha aparece
multiplicada por 3 e a quarta por 4, logo, esses dois fatores aparecem multiplicando o
determinante original.

1 −2 3 −1
f)

2 0 3 1

−3 3 3 6 = 3.2.det(A) = 6.11 = 66

2 0 −2 0

2
Calcule os determinantes:
⎛ ⎞
⎛ ⎞ 2 −1 0 1
0 −1 −1 ⎜ ⎟
2 −2 ⎜ ⎟ ⎜ 0 2 0 −1 ⎟
a) G= b) H=⎝ 2 0 2 ⎠ c) J = ⎜
⎜ 0 0 2 3 ⎟
⎟
3 −3 1 1 2 ⎝ ⎠
0 0 0 0
Expansão em cofatores
No estudo do determinante de uma matriz, vimos que o determinante de uma matriz de
ordem n é dado por:
n

det A = )
j=1
Porém, essa expressão pode ser reescrita como:

n

det A = aij Cij
j=1
Onde Cij=(–1)i+j det(Ãij) e é denominado como Cofator de aij. A entrada Ãij é chamada de
Menor de aij. Portanto, o determinante pode ser expresso em função dos cofatores da
matriz A:
n

Fixando uma linha: det A = aij Cij = ai1 Ci1 + ai2 Ci2 + . . . + ain Cin
j=1
n
Fixando uma coluna: det A = aij Cij = a1j C1j + a2j C2j + . . . + anj Cnj
i=1
Como cada elemento da matriz A corresponde a um cofator, então, é possível montar

uma matriz apenas com os cofatores.
⎡ ⎤
C11 C12 · · · C1n
⎢ ⎥
⎢ C21 C22 · · · C2n ⎥
C=⎢
⎢ .. .. .. .. ⎥
⎥
⎣ . . . . ⎦
Cn1 Cn2 · · · Cnn

Exemplo 3
Calcule a matriz de cofatores de A e encontre o determinante de A:
⎡ ⎤
2 −2 0
⎢ ⎥
A=⎣ 1 2 1 ⎦
0 1 −1
Encontrando os cofatores Cij=(–1)i+j det(Ãij):

2 1 1 1 1 2
C11 = (−1)1+1 det C12 = (−1)1+2 det C13 = (−1)1+3 det
1 −1 0 −1 0 1

2+1 −2 0 2+2 2 0 2+3 2 −2
C21 = (−1) det C22 = (−1) det C23 = (−1) det
1 −1 0 −1 0 1

−2 0 2 0 2 −2
C31 = (−1)3+1 det C32 = (−1)3+2 det C33 = (−1)3+3 det
2 1 1 1 1 2
C11 = 1.(−3) = −3 C12 = (−1).(−1) = 1 C13 = 1.1 = 1
C21 = (−1).2 = −2 C22 = 1.(−2) = −2 C23 = (−1).2 = −2
C31 = 1.(−2) = −2 C32 = (−1).2 = −2 C33 = 1.6 = 6

⎡ ⎤
−3 1 1
⎢ ⎥
C = ⎣−2 −2 −2 ⎦
−2 −2 6
Para encontrar o determinante de A, precisamos escolher uma linha ou uma coluna,

preferencialmente a que tenha mais zeros. Vamos escolher a linha 3:
3

det A = a3j C3j = a31 C31 + a32 C32 + a33 C33
j=1
= 0.(−2) + 1.(−2) + (−1).6 = −8
Se escolhermos a coluna 1, por exemplo, devemos encontrar o mesmo resultado:
3

det A = ai1 Ci1 = a11 C11 + a21 C21 + a31 C31
i=1
= 2.(−3) + 1.(−2) + 0.(−2) = −8

3
Encontre a matriz dos cofatores:

⎛ ⎞
⎛ ⎞ 2 −1 0 1
0 −1 1 ⎜ ⎟
2 −2 ⎜ ⎟ ⎜ 0 2 0 −1 ⎟
a) G= b) H = ⎝ 2 0 −1 ⎠ c) J =⎜
⎜
⎟
3 1 ⎝ 1 0 2 3 ⎟⎠
1 1 0
0 0 −2 0
Desafio

1 x x2

1) Por inspeção, encontre duas soluções da equação 1 1

1 = 0 . É possível haver

outras soluções? Justifique. 1 −3 9
2) Por que o determinante com uma linha (ou coluna) toda nula deve ser zero?
⎡ ⎤
1 x y
3) Mostre que a equação da reta no R2 pode ser escrita como ⎢ ⎥
⎣ 1 x1 y1 ⎦ = 0 .
1 x2 y2
4) Encontre uma equação, semelhante à presente no Desafio 3, que descreva a equação da

reta que passa por (x0,y0) e tem inclinação m.
Resumo
Com esta aula, você se tornou capaz de encontrar o determinante de uma matriz
de qualquer ordem, diferentemente do que se aprende no Ensino Médio, quando
se aprende apenas a calcular determinantes de matrizes de ordem 2 e 3 através
de regras que são casos particulares da regra geral vista aqui. Você aprendeu
também a utilizar as propriedades dos determinantes para evitar fazer contas
desnecessárias quando se tem algumas características que facilitam o seu cálcu-
lo. Nesta aula, você ainda teve a oportunidade de aprender a montar a matriz de
cofatores, matriz que será muito útil quando formos estudar matrizes inversas.

Autoavaliação

1 Calcule os determinantes: 3 −1 1 1

−3 1 0 1 0 1

a) e)
0 −1 1 0

−4 5

0 0 1 −1

1 0 0 0 0
√ √
2
6 −2 −3 0

0 0

√ √
b) 1 3 f) 7 2 2 0 0

10 −3 6 0 0

5 1 2 5 3

0 0 0 0 −3

1 0
2
0 0 0 −2 0
2 −1 1
c) g) 0 0 −1 0 0
1 0 0

0 2 0 0 0

4 0 0 0 0

3 0 0 0 0

−2 1 −1 0 0 0 0 −2

d) 1 2 4 h)

0 0 2 0 0

−3 4 2 0 0 0 1 0

0 −2 0 0 0

a b c

2 Sabendo que d e f = 3 , calcule:

g h i

a b c g h i

a) d e f d) a b c
5g 5h 5i
d e f

a b −2c
a b c

b) 3d 3e −6f e) 2d + a 2e + b 2f + c

g h −2i
g h i

ak + a bk + b ck + c
−a −b −c

c) f)

d e f

g h i
g h i
−d −e −f

a2 a 2

3 Sem calcular diretamente, encontre valores de a que satisfazem 2 1 1 =0

0 0 −5

y+z z+x y+x

4 Sem calcular diretamente, mostre que x y z =0

1 1 1

x y1 x1 + y1 + z1 x y1 z1
1 1

5 Prove que x2 y2 x2 + y2 + z2 = x2 y2 z2

x y3 x3 + y3 + z3 x y3 z3
3 3

x +y x1 − y1 c1 x y1 z1
1 1 1

6 x
Prove que 2 + y x2 − y2 c2 = −2 x2 y2 z2
2

x +y x3 − y3 c3 x y3 z3
3 3 3
7 Indique se as afirmações são verdadeiras ou falsas. Considere A e B matrizes de

ordem n.
a) Uma operação de substituição de linha não altera o determinante de uma matriz.
b) Se dois intercâmbios de linhas forem realizados em uma matriz, o novo determinante será
igual ao antigo.
c) O determinante de A é igual ao determinante da diagonal principal.
d) Se det(A)=0, então duas linhas ou duas colunas são iguais ou têm todos os elementos zero.
e) det(At)=(–1)det(A)
f) det(AB)=det(BA)
g) det(2A)=2det(A)
h) det(A2)=(det(A))2
i) det(AtA)≥0
j) Se det(A3)=0 , então det(A)=0.

Referências
Anotações

Anotações

Anotações

Inversão de matrizes:
definição, propriedades e métodos
Aula
4
Apresentação
N
o estudo de matrizes, é inevitável nos depararmos com as matrizes inversas, elas são
essenciais na manipulação de sistemas matriciais e nos ajudam a entender melhor
determinados sistemas e operações.
Objetivos
1 Calcular a matriz adjunta.
Encontrar a matriz inversa utilizando dois métodos estu-

2 dados.
Reconhecer qual método é mais adequado em determinada

3 situação.

Definição
Vamos considerar duas matrizes A e B de dimensão n, onde o produto das duas é igual
à identidade:
A.B=B.A=I
Quando isso acontece, dizemos que A é inversa de B e B é inversa de A, ou ainda:
A=B–1
Notação:
B=A–1
Quando uma matriz não admite inversa dizemos que ela é singular (não tem o seu par, a
inversa) ou não inversível. Analogamente, quando a matriz admite inversa ela é não singular
ou inversível.
Importante: Apenas existe sentido em falar de matrizes inversas quando fala-

mos de matrizes quadradas.
Propriedades
Considerando A, B, C e D matrizes inversíveis:
1) A:A–1 = A–1:A=I
2) (A–1)–1= A
3) (A–1)t = (A–t)1
4) (A:B)–1 = B–1:A–1
5) (A:B:C:D)–1 = D–1:(A:B:C)–1 = D–1:C– 1 (A:B)–1 = D–1:C– 1:B– 1 :A– 1

Exemplo 1
Prove que as matrizes A e B são inversas uma da outra.

3 5 2 −5
A= B=
1 2 −1 3
Para provar que elas são inversas, basta mostrar que A:B= B:A=I

3 5 2 −5 3.2 + 5.(−1) 3.(−5) + 5.3 1 0
A.B = · = =
1 2 −1 3 1.2 + 2.(−1) 1.(−5) + 2.3 0 1

2 −5 3 5 2.3 + (−5).1 2.5 + (−5).2 1 0
B.A = · = =
−1 3 1 2 −1.3 + 3.1 −1.5 + 3.2 0 1
Como satisfez a igualdade, então A e B são inversas uma da outra.
Métodos de inversão
de matrizes
Verificar se duas matrizes são inversas ou não é relativamente simples, basta operar uma
multiplicação de matrizes, porém, se desejamos encontrar a inversa de uma matriz, então o
trabalho é um pouco maior.
O primeiro passo para a obtenção da inversa de uma matriz é descobrir se a matriz admite
ou não inversa, e quem nos fornecerá essa informação é o determinante da matriz. Uma matriz
somente admite inversa se seu determinante for diferente de zero.
Determinante Situação da matriz

= 0 (zero) Singular
≠ 0 (zero) Não Singular
Aqui vamos mostrar duas formas de encontrar a inversa de uma matriz, usando a matriz
adjunta e escalonando a matriz identidade.
Uso da matriz adjunta

Primeiro, vamos definir a matriz adjunta. Vimos que a matriz dos cofatores é dada por:
⎡ ⎤
C11 C12 · · · C1n
⎢ ⎥
⎢ C21 C22 · · · C2n ⎥
i+j
Cij = (−1) det(Aij ) ⎢
C=⎢ . .. ⎥
.. .. ⎥
⎣ .. . . . ⎦
Cn1 Cn2 · · · Cnn
A matriz adjunta da matriz A nada mais é que a matriz dos cofatores de A transposta.
Adj(A)=Ct (A)
Para encontrar a matriz inversa usando a matriz adjunta, devemos usar a equação:
1
A−1 = A (A)
det A dj
Por essa equação, fica claro perceber por que uma matriz com determinante igual a zero
não admite inversa. Com o determinante zero surge uma inconsistência.
Exemplo 2
Encontre a inversa de H usando a adjunta.
⎡ ⎤
2 −2 0
⎢ ⎥
H=⎣ 1 2 1 ⎦
0 1 −1
Primeiro devemos encontrar a matriz dos cofatores: ) .

Cij = (−1)i+j det(H ij

2 1 1 1 1 2
C11 = (−1)1+1 det C12 = (−1)1+2 det C13 = (−1)1+3 det
1 −1 0 −1 0 1

2+1 −2 0 2+2 2 0 2+3 2 −2
C21 = (−1) det C22 = (−1) det C23 = (−1) det
1 −1 0 −1 0 1

−2 0 2 0 2 −2
C31 = (−1)3+1 det C32 = (−1)3+2 det C33 = (−1)3+3 det
2 1 1 1 1 2
C11 = 1.(−3) = −3 C12 = (−1).(−1) = 1 C13 = 1.1 = 1
C21 = (−1).2 = −2 C22 = 1.(−2) = −2 C23 = (−1).2 = −2
C31 = 1.(−2) = −2 C32 = (−1).2 = −2 C33 = 1.6 = 6

⎡ ⎤
−3 1 1
⎢ ⎥
C = ⎣−2 −2 −2 ⎦
−2 −2 6
Logo, a matriz adjunta será:
⎡ ⎤t ⎡ ⎤
−3 1 1 −3 −2 −2
⎢ ⎥ ⎢ ⎥
Adj (H) = C t = ⎣−2 −2 −2 ⎦ = ⎣ 1 −2 −2 ⎦
−2 −2 6 1 −2 6

Para encontrar o determinante de H, precisamos escolher uma linha ou uma coluna,
vamos escolher a linha 1.
3

det H = h1j C1j = h11 C11 + h12 C12 + h13 C13
j=1
= 2.(−3) + (−2).1 + 0.1 = −8
Calculando a inversa:
1
H −1 = A (H)
det H dj
⎡ ⎤ ⎡ ⎤
−3 −2 −2 3 1 1
1 ⎢ 8 4 4
⎥ ⎢ ⎥
H −1 = ⎣ 1 −2 −2 ⎦ = ⎣−18 14 14 ⎦
(−8)
1 −2 6 −1 1 −3
8 4 4
Use a matriz adjunta para encontrar a inversa de:

⎛ ⎞
⎛ ⎞ 2 −1 0 1
0 −1 1 ⎜ ⎟
⎜ ⎟ ⎜ 0 2 0 −1 ⎟
a) 2 −2
b) H = ⎝ 2 0 −1 ⎠ c) J =⎜
⎜
⎟
G=
3 1 ⎝ 1 0 2 3 ⎟⎠
1 1 0
0 0 −2 0
Uso da matriz identidade

Por definição, toda matriz inversível é equivalente à matriz identidade. Então, imagine
que podemos realizar operações elementares sobre uma matriz A, até que consigamos obter
a matriz identidade como resultado. Caso isso não seja possível, implica dizer que se trata de
uma matriz não inversível.
Partindo dessa característica, vamos supor que uma determinada matriz A possua in-
versa. Se partirmos de A e aplicarmos operações elementares podemos chegar à matriz
identidade.
A∼I
Para encontrarmos a inversa de A (ordem n) utilizando essa característica, devemos

partir não somente de A, mas da composição da matriz A com a matriz identidade.

⎡ ⎤
a11 a12 · · · a1n 1 0 ··· 0
⎢ ⎥
⎢ a21 a22 · · · a2n 0 1 ··· 0 ⎥
[A I] ∼ ⎢
⎢ .. .. .. .. .. .. . . .. ⎥
⎥
⎣ . . . . . . . . ⎦
an1 an2 · · · ann 0 0 ··· 1
Ao manipularmos essa matriz composta com as operações elementares, tomamos como

objetivo transformar o lado esquerdo na matriz identidade, dessa forma, obteremos, do lado
direito, a matriz inversa de A.
A I I A-1
~
Exemplo 3
Encontre a inversa de H usando as operações e a matriz identidade.
⎡ ⎤
2 −2 0
⎢ ⎥
H=⎣ 1 2 1 ⎦
0 1 −1
Primeiro passo é montar a matriz estendida:
⎡ ⎤
2 −2 0 1 0 0
⎢ ⎥
[H I] = ⎣ 1 2 1 0 1 0 ⎦
0 1 −1 0 0 1
O objetivo agora é utilizar as operações elementares para colocar a matriz identidade no

lugar da matriz H.
Primeira operação, vamos deixar o número 1 na posição inicial:
⎡ ⎤
1 −1 0 1 0 0
2
⎢ ⎥
L1 = L1/2 [H I] = ⎣ 1 2 1 0 1 0 ⎦
0 1 −1 0 0 1
Agora vamos zerar o elemento abaixo desse 1:
⎡ ⎤
1 −1 0 1 0 0
2
⎢ −1 1 0 ⎥
L2 = L2 − L1 [H I] = ⎣ 0 3 1 2 ⎦
0 1 −1 0 0 1

Importante: Os passos não seguem uma ordem específica, pode ser seguida
qualquer sequência, porém o resultado sempre deve ser o mesmo, indepen-
dente do caminho. Outro ponto importante é que a operação escolhida deve ser
aplicada à linha toda e não somente na primeira parte.
⎡ ⎤
1 0 −1 1 0 1
2
⎢ −1 1 0 ⎥
L1 = L1 + L3 [H I] ∼ ⎣ 0 3 1 2 ⎦
0 1 −1 0 0 1
⎡ ⎤
1 0 −1 1 0 1
2
⎢ −1 1 −2 ⎥
L2 = L2 − 2L3 [H I] ∼ ⎣ 0 1 3 2 ⎦
0 1 −1 0 0 1
⎡ ⎤
1 0 −1 1
2 0 1
⎢ −1 ⎥
L3 = L3 − L2 [H I] ∼ ⎣ 0 1 3 2 1 −2 ⎦
0 0 −4 1 −1 3
2
⎡ ⎤
1 0 −1 1 0 1
2
⎢ −1 ⎥
L3 = −L3/4 [H I] ∼ ⎣ 0 1 3 2 1 −2 ⎦
0 0 1 −1 1 −3
8 4 4
⎡ ⎤
1 0 0 3 1 1
8 4 4
⎢ −1 ⎥
L1 = L1 + L3 [H I] ∼ ⎣ 0 1 3 2 1 −2 ⎦
0 0 1 −1 1 −3
8 4 4
⎡ ⎤
1 0 0 3 1 1
8 4 4
⎢ −1 1 1 ⎥
L2 = L2 − 3L3 [H I] ∼ ⎣ 0 1 0 8 4 4 ⎦
0 0 1 −1 1 −3
8 4 4
Como obtemos do lado esquerdo a matriz identidade, então, do lado direito, temos a
inversa de A.

⎡ ⎤
1 0 0 3 1 1
8 4 4
⎢ −1 1 1 ⎥
[H I] ∼ [I H −1 ] = ⎣ 0 1 0 8 4 4 ⎦
0 0 1 −1 1 −3
8 4 4
⎡ ⎤
3 1 1
8 4 4
⎢−1 1 1 ⎥
H −1 = ⎣ 8 4 4 ⎦
−1 1 −3
8 4 4
Exemplo 4
Encontre a inversa de G usando as operações elementares e a matriz identidade.
⎡ ⎤
0 1 0 0
⎢ ⎥
⎢ 1 0 1 0 ⎥
G=⎢
⎢−1
⎥
⎥
⎣ 0 −1 1 ⎦
0 0 0 1
Primeiro passo é montar a matriz estendida:

⎡ ⎤
0 1 0 0 1 0 0 0
⎢ ⎥
⎢ 1 0 1 0 0 1 0 0 ⎥
[G I] = ⎢
⎢−1
⎥
⎥
⎣ 0 −1 1 0 0 1 0 ⎦
0 0 0 1 0 0 0 1
O objetivo agora é utilizar as operações elementares para colocar a matriz identidade no

lugar da matriz G.
Como na primeira posição temos um zero, vamos fazer uma troca de linhas:
⎡ ⎤
1 0 1 0 0 1 0 0
⎢ ⎥
⎢ 0 1 0 0 1 0 0 0 ⎥
L1 ⇔ L2 [G I] ∼ ⎢
⎢−1
⎥
⎥
⎣ 0 −1 1 0 0 1 0 ⎦
0 0 0 1 0 0 0 1
⎡ ⎤
1 0 1 0 0 1 0 0
⎢ ⎥
⎢ 0 1 0 0 1 0 0 0 ⎥
L3 = L3 + L1 [G I] ∼ ⎢
⎢
⎥
⎥
⎣ 0 0 0 1 0 1 1 0 ⎦
0 0 0 1 0 0 0 1

A partir desse momento, dá para perceber que, independente da operação elementar
que apliquemos, jamais será possível obter a matriz identidade do lado esquerdo. Isso ocorre
porque a matriz G não possui inversa, o que pode ser facilmente constatado calculando-se o
seu determinante, que é zero. Se usarmos as propriedades, percebemos que a quarta linha é
resultado da soma da segunda com a terceira linha, logo,
det(G)=0
Por isso, sempre que tivermos que calcular uma inversa de uma matriz, o ideal é que
calculemos antes seu determinante para saber se a tal inversa existe ou não, assim poupamos
trabalho em alguns casos.
Use a matriz identidade e as operações elementares para encontrar a inversa de:

⎛ ⎞
⎛ ⎞ 2 −1 0 1
0 −1 1 ⎜ ⎟
2 −2 ⎜ 0 2 0 −1 ⎟
a) G= b) H = ⎜ ⎟
⎝ 2 0 −1 ⎠ c) J = ⎜ 0 0 2 3
⎜ ⎟
⎟
3 −3 ⎝ ⎠
1 1 0 0 0 0 0
Desafio
1) Em que situação é possível dizer que o produto AB = AC resulta na conclusão que B

= C? Justifique.
2) Se A é uma matriz inversível, a adjunta de A será também sempre inversível? Justifique.
3) Existe uma codificação utilizando a multiplicação matricial, onde números são associados
ao alfabeto:
A B C D E F G H I J K L M
1 2 3 4 5 6 7 8 9 10 11 12 13
N O P Q R S T U V W X Y Z
14 15 16 17 18 19 20 21 22 23 24 25 26

Suponhamos que a nossa mensagem seja “BELA LUA”. Podemos formar uma matriz
⎡ ⎤ ⎡ ⎤
B E L 2 5 12
⎢ ⎥ ⎢ ⎥
3x3 assim:⎣ A − L ⎦, que usando a correspondência numérica fica: M = ⎣ 1 0 12 ⎦
U A −
21 1 0
⎡ ⎤
0 1 0
Agora considere C uma matriz qualquer 3x3 inversível, C = ⎢
⎣ 2 1
⎥
−1 ⎦ .
−1 0 1
⎡ ⎤
−2 7 7
⎢ ⎥
Multiplicando a mensagem M por C, obtemos M · C = ⎣−12 1 12 ⎦ .
2 22 −1
C é chamada de matriz chave para o código.

Transmitimos essa nova matriz M · C. Responda:
a) Quem recebe a mensagem (M · C), como deve decodificá-la?
⎡ ⎤
−9 5 14
⎢ ⎥
b) Supondo que você recebeu a matriz M · C = ⎣ 38 41 −17 ⎦ traduza a mensagem.
26 18 −13
Resumo
Nesta aula, você aprendeu o conceito de matriz inversa e viu dois métodos para
o seu cálculo: um utilizando a matriz identidade e outro a matriz adjunta, que é
oriunda da matriz de cofatores.
Autoavaliação
1 Encontre a inversa de B: ⎛
⎞
1 2 1
B= ⎜ ⎟
a) 5 c) B=⎝ 2 0 1 ⎠
0 1 0

−4 −5 cos(θ) −sen(θ)
b) B= d) B=
5 6 sen(θ) cos(θ)

⎡ ⎤
1 3 1 1
⎢ ⎥
⎢ 2 5 2 2 ⎥
2 Seja M= ⎢
⎢
⎥
⎥
⎣ 1 3 8 9 ⎦
1 3 2 2
a) Calcule M–1 usando a adjunta.
b) Calcule M–1 usando operações elementares e a matriz identidade.
c) Qual método utiliza menos contas?
3 Encontre A em cada caso.

2 −1 t −1 −3 −1
a) A−1 = c) (5A ) =
3 5 5 2

−3 7 −1 2
b) (7A)−1 = d) (I + 2A)−1 =
1 −2 4 5
4 Encontre os valores de K que tornam as matrizes singulares.

⎡ ⎤
1 2 4
k − 3 −2 ⎢ ⎥
a) b) ⎣ 3 1 6 ⎦
−2 k − 2 k 3 2
5 Sejam A e B matrizes de ordem 4, sendo det(A)=–1 e det(B)=–3. Calcule:.
a) det(AB)
b) det(AA)–1
c) det(A–1)
d) det(5A)
e) det(A–3)
f) det(Bt) –1)
g) det(AB )
–1
h) det((3AB)–1A)

Referências
Anotações

Anotações

Sistema de equações lineares:
definição e métodos de resolução
Aula
5
Apresentação
O
s sistemas de equações lineares estão presentes nas mais diversas áreas, como na
modelagem dos sistemas físicos, por exemplo, nos circuitos elétricos, em problemas de
otimização, em que podemos citar a otimização de uma linha de produção, na economia
etc. Vários problemas corriqueiros resultam, na sua forma final, em um sistema de equações
lineares, o que permite uma simplificação e uma fácil resolução de problemas considerados
inicialmente mais complexos.
Nesta aula, aprenderemos sobre como manipular os sistemas lineares e veremos também
os métodos para sua resolução.
Objetivos
1 Identificar sistemas lineares.
Representar os sistemas lineares na forma matricial e re-

2 alizar as devidas manipulações.
Conhecer e aplicar corretamente os métodos de resolução

3 de sistemas lineares.

Definição
Antes de começarmos a estudar sistemas lineares, vamos entender o que é uma
equação linear.
Toda equação onde podemos escrever o conjunto de varáveis xi multiplicadas por pesos
sempre constantes reais ai chamamos de equação linear.
aax1+a2x2+a3x3+...+anxn= b
ai e b ∈ .
Exemplo 1
Quais das equações abaixo são lineares?
a) –5x –8y –10,3z = 2
√
b) 2, 5x − 2y = 0
c) –2 + x – y = 3z
√
d) x − 3y − z=2
e) 2x –yz +4 = 0
f) x + y2 + 3 = 0
Tomando por base que a definição de equação linear é sempre uma equação onde as
incógnitas têm grau máximo 1 e aparecem multiplicadas por constantes, não aparecendo outra
forma de multiplicação, e podendo apresentar ainda constante sem multiplicação de variável,
temos que apenas as letras a, b, c e f são lineares.
1
Na letra d aparece a raiz de uma variável, ou seja, z 2 , não satisfazendo as condições;
e na letra e aparecem duas variáveis sendo multiplicadas, o que caracteriza a não linearidade.
Um sistema de equações lineares ou sistema linear consiste em um conjunto de m
equações lineares com n incógnitas:
⎧
⎪
⎪ a11 x1 + a12 x2 + . . . + a1j xj + . . . + a1n xn = b1
⎪
⎪
⎪
⎪ .. .. .. .. ..
⎪
⎨ . . . . .
ai1 x1 + ai2 x2 + . . . + aii xj + . . . + ain xn = bi
⎪
⎪
⎪
⎪ .. .. .. .. ..
⎪
⎪ . . . . .
⎪
⎩
am1 x1 + am1 x1 + . . . + ami xj + . . . + amn xn = bm
i=1,2,...,m e j=1,2,...,n

Existem algumas classificações para sistemas de equações lineares, a mais simples
delas é a que diferencia os sistemas homogêneos dos não homogêneos. Os sistemas lineares
homogêneos são aqueles onde os termos independentes bi são todos nulos, mas, caso haja
ao menos um desses coeficientes diferentes de zero, então, o sistema passa a ser classificado
como não homogêneo.
Exemplo 2
Sistemas lineares homogêneos:
⎧ ⎧
⎪
⎨ 2x + y − 3x = 0 ⎪
⎨ x1 − x2 + x3 − x4 = 0
,
−x − z = 0 x2 − x3 + x4 = 0
⎪
⎩ ⎪
⎩
x+y+x=0 x1 + 3x3 − 5x4 = 0
Sistemas lineares não homogêneos:
⎧ ⎧
⎪
⎨ 2x + y − 3x = 0 ⎪
⎨ x1 − x2 + x3 − x4 = 3
−x − z = 0 x2 − x3 + x4 = −2
⎪
⎩ ⎪
⎩
x+y+x=1 , x1 + 3x3 − 5x4 = 1
Solução de sistemas lineares

A solução de um sistema de equações lineares é a sequência de números tais que a
equação é satisfeita. É chamada de conjunto solução.

x+y =3
Por exemplo, no sistema linear , se tomarmos a solução x=2 e
x−y =1
y=1, teremos sempre uma equação válida ao substituirmos nas duas equações, portanto, o
conjunto solução desse sistema é {x, y ∈ / x = 2, y = 1} .
A solução de um sistema de equações lineares pode ser bem determinada como mostra o
exemplo acima, ou pode ser mais complexa. Por exemplo, se nos deparamos com um sistema
linear formado por apenas uma equação e duas incógnitas {x+y= 5, de imediato podemos
dizer que existe mais de uma solução possível (x,y) = (2,3) ou (1,4) ou (6,–1) e assim suces-
sivamente. Percebemos então que esse sistema possui infinitas soluções.
A quantidade de soluções de um sistema de equações lineares implica em uma nova
classificação dos sistemas lineares, mostrada na Figura 1.
Figura 1 – Classificação de sistemas lineares quanto ao número de soluções

Um sistema linear pode ter ou não solução, sendo denominado de sistema possível ou
impossível, respectivamente. Dentre os sistemas que admitem solução, existem os que têm
apenas uma única solução (determinado) e outros que podem apresentar um conjunto infinito
de soluções (indeterminado). Os sistemas possíveis também podem ser chamados de consis-
tente e os impossíveis, de inconsistente.
Sistemas equivalentes
São sistemas de equações lineares que apresentam o mesmo conjunto solução, apesar
de se apresentarem distintamente. Por exemplo, vimos anteriormente que o conjunto solução

x+y =3 3x + y = 7
do sistema é {x, y ∈ / x = 2, y = 1} , já o sistema
x−y =1 2x − 2y = 2

3.2 + 1 = 7
apesar de ser diferente, também apresenta o mesmo conjunto solução: .
2.2 − 2.1 = 2
Portanto, os dois sistemas são equivalentes.
Exemplo 3
Sistemas lineares homogêneos:

2a − b = 2 2a − b = 1
a) b) c) 2a − b = 1
a−b=1 −4a + 2b = −2 −4a + 2b = −1

2a − b = 2
a) a−b=1
fazendo a primeira equação menos a segunda, temos:
2a − a = 2 − 1
a=1 Se a = 1, então, b = 0
S = {a, b ∈ / a = 1, b = 0}
Sistema possível determinado →Apresenta única solução.

2a − b = 1
b) vamos isolar b na primeira equação e substituir na segunda:
−4a + 2b = −2
⎧
⎪
⎨ b = 2a − 1
−4a + 2(2a − 1) = −2 Dessa forma não chegamos a conclusão nenhuma.
⎪
⎩
−2 = −2
Isso ocorre porque as duas equações apresentam a mesma informação, note que se pe-
garmos a primeira equação e multiplicarmos por –2, obteremos exatamente a segunda equação.
Na realidade, esse sistema de equações se resume a uma única equação: {2a –b= 1, resolvendo
temos que b=2a –1 , então qualquer solução que satisfaça essa equação é solução desse sistema.
Por exemplo, (a,b) = (1,1) ou (0,–1) ou (2,3) e assim sucessivamente.
S = {a, b ∈ / b = 2a − 1}
Sistema possível indeterminado → Apresenta infinitas soluções.

2a − b = 1
c) Vamos isolar b na primeira equação e substituir na segunda:
−4a + 2b = −1
⎧
⎪
⎨ b = 2a − 1
−4a + 2(2a − 1) = −1 Dessa forma, chegamos a uma inconsistência!
⎪
⎩
−2 = −1 ⇐ ERRO
Isso acontece porque o sistema é impossível, não existe nenhuma combinação sequer
para a e b que satisfaçam simultaneamente as duas equações.
S={Ø}
Sistema Impossível → Não apresenta soluções.
1
⎧
⎪
⎨ x+z =1
Identifique o sistema quanto ao número de soluções. 2x − y + z = 0
⎪
⎩
x − y = −1
Representação matricial
Vamos considerar um sistema de equações lineares genérico, com m equações e n
incógnitas:
⎧
⎪
⎪ a11 x1 + a12 x2 + . . . + a1j xj + . . . + a1n xn = b1
⎪
⎪
⎪
⎪ .. .. .. .. ..
⎪
⎨ . . . . .
ai1 x1 + ai2 x2 + . . . + aii xj + . . . + ain xn = bi
⎪
⎪
⎪
⎪ .. .. .. .. ..
⎪
⎪ . . . . .
⎪
⎩
am1 x1 + am1 x1 + . . . + ami xj + . . . + amn xn = bm
⎡ ⎤
x1
⎢ ⎥
⎢ x2 ⎥
Se considerarmos as incógnitas em um vetor, teremos: X=⎢
⎢ .. ⎥
⎥
⎣ . ⎦
xn

⎡ ⎤
b1
⎢ ⎥
⎢ b2 ⎥
Da mesma forma, um vetor com os termos independentes: B = ⎢
⎢ .. ⎥.
⎥
⎣ . ⎦
bm
⎡ ⎤
a11 a12 ··· a1n
⎢ ⎥
⎢ a21 a22 ··· a2n ⎥
Por fim, montamos uma matriz com os termos coeficientes: A = ⎢
⎢ .. .. .. .. ⎥.
⎥
⎣ . . . . ⎦
am1 am2 · · · amn
Então, poderemos escrever o sistema de equações na forma matricial: A·X = B.

A → matriz dos coeficientes
B → matriz dos termos independentes
X → matriz das incógnitas
Note que A tem dimensão mxn e X nx1, a multiplicação A·X resulta na dimensão mx1,
exatamente a dimensão de B.
Mas, qual a vantagem de utilizar essa representação matricial?

As vantagens são muitas. A primeira é a visualização, com essa representação
é possível ter uma noção mais clara do sistema e de seu tamanho. Imagine
também que você esteja trabalhando com um sistema enorme, com dezenas
de variáveis, a organização na forma matricial facilita o controle das variáveis e
viabiliza a utilização de diversos métodos de resolução de sistemas lineares, os
quais veremos em seguida.
Vejamos um exemplo de manipulação de sistemas lineares na forma matricial que pode

levar à solução.
Consideremos um sistema linear com n equações e n incógnitas, onde sabemos que a
matriz dos coeficientes admite inversa.
AX=B
Como A existe, podemos multiplicar ambos os lados da equação, pela esquerda, por A–1:
–1
A–1AX= A–1B
I·X= A–1B
X= A–1B
Como sabemos, uma matriz multiplicada pela sua inversa é igual à matriz identidade e
também, qualquer matriz multiplicada pela identidade é igual a ela mesma. Chegamos então à
conclusão que podemos encontrar a solução de um determinado sistema linear encontrando a
inversa da matriz dos coeficientes vezes a matriz dos termos independentes.

Exemplo 4

2a − b = 2
Encontre a solução de
a−b=1

2 −1 a 2
Passando para a forma matricial AX=B, temos: =
1 −1 b 1

2 −1 a 2
Onde A= X= B=
1 −1 b 1
Sabendo que X= A–1B precisamos encontrar A–1. Usando o método da identidade:

[A| I]∼[I| A–1]

2 −1 1 0 1 −12 1 0 1 −12 1
2 0
L1 = (L1)/2 2 L2 = L2 − L1
1 −1 0 1 1 −1 0 1 0 −12 −1 1
2

1 −12 1
2 0 1 0 1 −1
L2 = −2L2 L1 = L1 + L2(1/2)
0 1 1 −2 0 1 1 −2

−1 1 −1
Portanto, A =
1 −2

−1 1 −1 2 1
Como, X = A B= · = , logo, a=1 e b=0
1 −2 1 0
S = {a, b ∈ / a = 1, b = 0}
2

x + 2y = 1
Use a matriz inversa para encontrar a solução do sistema. 3x − y = −1
Regra de Cramer
A regra de Cramer é uma ferramenta útil na obtenção da solução de sistemas lineares
que apresentam n equações e n incógnitas. Ela diz que a solução xi é dada por:
det A
xi = i = 1, 2, 3 . . . , n
det Ai

Onde:
⎡ ⎤
x1
⎢ ⎥
⎢ x2 ⎥
⎢ ⎥
⎢ .. ⎥
⎢ . ⎥
X=⎢
⎢
⎥
⎥
⎢ xi ⎥
⎢ .. ⎥ A → matriz dos coeficientes
⎢ ⎥
⎣ . ⎦ Ai → matriz obtida da substituição dos elementos da i-ésima
xn coluna de A pelos termos independentes
Note que essa regra apenas pode ser utilizada para encontrar a solução quando a matriz
A for quadrada, permitindo o cálculo do determinante.
Exemplo 5

2x1 − x2 = −1
Encontre a solução de usando a regra de Cramer.
x1 − x2 = −2

2 −1 x1 −1
Passando para a forma matricial AX=B, temos: =
1 −1 x2 −2

2 −1 x1 −1
Onde: A= X= B=
1 −1 x2 −2

2 −1

Cálculo dos determinantes: det A = = −1
1 −1
Para calcular det(A1), substituímos a primeira coluna de A por B e para calular det(A2)
substituímos a segunda coluna de A por B.

−1 −1

det A1 = = −1
−2 −1

2 −1

det A2 = = −3
1 −2
Então, é só aplicar na equação:
det A1 −1
x1 = = =1
det A −1 S = {x1 , x2 ∈ / x1 = 1, x2 = 3}
det A2 −3
x2 = = =3
det A −1

3

x + 2y = 1
Use a regra de Cramer para encontrar a solução do sistema.
3x − y = −1
Eliminação gaussiana
Esse método de resolução de sistemas de equações lineares é um dos métodos mais
utilizados, principalmente por poder ser aplicado a qualquer tipo de sistema.
Ele consiste em um conjunto de procedimentos que visam reduzir a matriz aumentada a
ponto de visualizar o resultado. Vejamos o que é a matriz aumentada.
Matriz aumentada
É a matriz dos coeficientes agrupada aos termos independentes. Considere um sistema
de m equações e n incógnitas, então, a matriz aumentada Aa é dada por:
⎡ ⎤
a11 a12 ··· a1n b1
⎢ ⎥
⎢ a21 a22 ··· a2n b2 ⎥
Aa = ⎢
⎢ .. .. .. .. .. ⎥
⎥
⎣ . . . . . ⎦
am1 am2 · · · amn bm
O objetivo da utilização dessa matriz é que seja obtida uma matriz aumentada equivalente,
manipulando com operações elementares até que se aproxime o máximo possível da matriz
identidade.
⎡ ⎤
1 0 ··· 0 s1
⎢ ⎥
⎢ 0 1 ··· 0 s2 ⎥
Aa ∼ ⎢
⎢ .. .. . . .. .. ⎥
⎥
⎣ . . . . . ⎦
0 0 ··· 1 sm
Depois de obter a matriz equivalente, espera-se ler diretamente da matriz os valores das
incógnitas, onde em um sistema AX = B teríamos a matriz A igual à matriz identidade e a
matriz B conteria os valores das incógnitas. Porém, nem sempre é possível obter a matriz
identidade, então, como saber quando parar? Isso veremos mais adiante no tópico “Forma
escalonada”.

Exemplo 6

2x1 − x2 = −1
Encontre a solução de usando eliminação Gaussiana.
x1 − x2 = −2

2 −1 −1
Primeiro, vamos obter a matriz aumentada: Aa =
1 −1 −2
Aplicando operações elementares à matriz aumentada, obtemos uma matriz equivalente

(os passos para obtenção dessa matriz serão discutidos em seguida):

1 0 1
Aa ∼
0 1 3
Dessa forma, podemos ler de imediato a solução do sistema, x1=1 e x2=3.

Outra maneira de enxergar a solução é voltar para o sistema de equações com as novas
matrizes A e B:
AX = B
Onde,

1 0 1
A= ,B=
0 1 3

1 0 x1 1
=
0 1 x2 3

x1 = 1
Quando multiplicarmos as matrizes, teremos: x2 = 3
4

x + 2y = 1
Use a eliminação Gaussiana para encontrar a solução do sistema.
3x − y = −1

Identificação da
forma escalonada
Quando atingimos nosso objetivo com a eliminação Gaussiana, dizemos que obtivemos
a forma escalonada, porém, nem todo sistema linear permite que seja obtida na forma final a
matriz identidade, sistemas com o número de equações diferente do número de incógnitas, por
exemplo. Para identificarmos se uma determinada matriz encontra-se na forma escalonada
por linhas, devemos identificar as seguintes características:
o primeiro algarismo não nulo de uma linha não nula é 1, o qual chamamos de líder ou pivô;
todas as linhas nulas estão na parte inferior;
considerando duas linhas não nulas, o líder da linha inferior está sempre mais à direita do
que o líder da linha superior.
Porém, existe outra nomenclatura que oferece também a solução do sistema, que é a
forma escalonada reduzida por linhas, ela apresenta como características todas as citadas
para a forma escalonada por linhas mais uma, a saber:
cada coluna que contém um líder tem zeros nas demais entradas
Exemplo 7
Matrizes na forma escalonada por linhas:
⎛ ⎞⎛ ⎞ ⎛ ⎞⎛ ⎞
1 2 0 1 0 0 1 −1 0 3 0 1 3 3
⎜ ⎟⎜ ⎟ 0 1 1 0 1 ⎜ ⎟⎜ ⎟
⎝ 0 1 1 ⎠, ⎝ 0 0 1 ⎠, , , ⎝ 0 1 2 5 ⎠, ⎝ 0 0 0 1 ⎠
0 0 1 0 0
0 0 1 0 0 0 0 0 1 −1 0 0 0 0
Matrizes na forma escalonada reduzida por linhas:

⎛ ⎞⎛ ⎞ ⎛ ⎞⎛ ⎞
1 0 0 1 0 0 1 0 0 3 0 1 3 0
⎜ ⎟⎜ ⎟ 0 1 0 0 1 ⎜ ⎟⎜ ⎟
⎝ 0 1 0 ⎠, ⎝ 0 0 1 ⎠, , , ⎝ 0 1 0 5 ⎠, ⎝ 0 0 0 1 ⎠
0 0 1 0 0
0 0 1 0 0 0 0 0 1 −1 0 0 0 0
Procedimento para obtenção da forma escalonada

A forma escalonada é única para cada matriz, porém, os passos intermediários são livres,
o que gera matrizes intermediárias diferentes. Para nortear o escalonamento, vamos estabelecer
um procedimento para a obtenção da forma escalonada por linhas.

Passos
1) Identifique a coluna não-nula mais à esquerda.
2) Se necessário, troque linhas para obter um elemento não nulo no topo da coluna a fim
de completar o passo 1.
3) Faça divisões ou multiplicações para obter o número 1 no topo da coluna.
4) Some múltiplos da primeira linha às demais para obter zeros nos elementos abaixo do pivô.
5) Ignore a primeira linha e repita os passos anteriores.
Para obter a forma escalonada reduzida por linha, devemos acrescentar: o passo 6:
6) Faça divisões ou multiplicações para reduzir a zero os elementos acima de cada líder na
mesma coluna.
IMPORTANTE: O método de eliminação Gaussiana compreende os cinco pri-

meiros passos, porém, o método completo, incluindo o sexto passo, é chama-
do de método de eliminação de Gauss-Jordan.
Exemplo 8
2x1 − x2 + x3 = −1
Obtenha a solução do sistema x1 − x2 + x3 = −2 por meio da forma escalo
nada reduzida por linhas da matriz associada.

2 −1 1 −1
Passando para a forma matricial: Aa =
1 −1 1 −2
Veja abaixo os passos do método que devem ser seguidos.
1) Identifique a coluna não-nula mais à esquerda → primeira coluna.
2) Se necessário, troque linhas para obter um elemento não nulo no topo da coluna a fim
de completar o passo um → não é necessário.
3) Faça divisões ou multiplicações para obter o número 1 no topo da coluna:

1 −12 12 −1
2
L1 = L1/2 Aa ∼
1 −1 1 −2

4) Some múltiplos da primeira linha às demais para obter zeros nos elementos abaixo do pivô:

1 −12 12 −1
2
L2 = L2 − L1 Aa ∼
0 −12 12 −3
2
5) Ignore a primeira linha e repita os passos anteriores:

1 −12 12 −1
2
L1 = L1/2 Aa ∼
1 −1 1 −2
1 - Identifique a coluna não-nula mais à esquerda → segunda coluna.

2 - Se necessário, troque linhas para obter um elemento não nulo no topo da
coluna a fim de completar o passo um → não é necessário.
3 - Faça divisões ou multiplicações para obter o número 1 no topo da coluna:

1 −12 12 −1
2
L2 = L2(−2) Aa ∼
0 1 −1 3
Encontramos a forma escalonada por linhas. Para encontrarmos a forma escalonada

reduzida por linhas, devemos aplicar o passo 6.
6) Faça divisões ou multiplicações para reduzir a zero os elementos acima de cada líder na
mesma coluna.

1 0 0 1
L1 = L1 + L2(1/2) Aa ∼ →Matriz escalonada reduzida por linhas.
0 1 −1 3
Para encontrarmos a solução do sistema, voltaremos para a forma de equações:

1 0 0 1
AX = B onde A = ,B =
0 1 −1 3
⎛ ⎞
x1
1 0 0 ⎜ ⎟ 1
⎝ x2 ⎠ =
0 1 −1 3
x3

x1 = 1
x2 − x3 = 3 → x2 = 3 + x3
S = {x1 , x2 , x3 ∈ / x1 = 1, x2 = 3 + x3 }
⎛ ⎞ ⎛ ⎞ ⎛ ⎞ ⎛ ⎞
x1 1 0 1
⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟
ou S ⇒ ⎝ x2 ⎠ = ⎝ 3 + x3 ⎠ = x3 ⎝ 1 ⎠ + ⎝ 3 ⎠
x3 x3 1 0

5

x + 2y + z = 1
Encontre a forma escalonada da matriz resultante do sistema linear:
3x − z = −2
Posto de uma matriz

O conceito de posto de matrizes está intimamente relacionado com o tipo de solução de
sistemas de equações lineares e se aplica a matrizes quadradas ou não.
Posto ou característica de uma matriz é o número de linhas não nulas da matriz quando na
forma escalonada por linhas. Outra definição, levando-se em conta os determinantes, diz que
o posto de uma matriz A é a ordem da maior submatriz possível com determinante diferente
de zero que se consegue obter de A.
Exemplo 9
⎛ ⎞
1 0 −1 1
⎜ ⎟
Encontre o posto de F = ⎝ 0 2 0 0 ⎠
0 2 0 0
Escalonando tem-se:
⎛ ⎞
1 0 −1 1
1 ⎜ ⎟
L2 = L2 F ∼⎝ 0 1 0 0 ⎠
2
0 2 0 0
⎛ ⎞
1 0 −1 1
⎜ ⎟
L3 = L3 − 2L2 F ∼⎝ 0 1 0 0 ⎠
0 0 0 0
Logo, P(F)=2, número de linhas não nulas da matriz escalonada.

Teorema de Rouché-Capelli
Considerando um sistema de equações lineares com m equações e n incógnitas, o posto
da matriz dos coeficientes (Pc) e o posto da matriz ampliada (Pa), tem-se a relação mostrada
na Figura 2:
i)O sistema apresenta solução se, e somente se, Pc=Pa.

ii) O sistema tem solução única se Pc=Pa=n.
iii) O sistema tem infinitas soluções se Pc=Pa≺n.
Figura 2 – Classificação de sistemas lineares quanto ao número de soluções baseando-se no posto.
Exemplo 10
⎧ ⎧
⎪
⎨ 2x − y + z = 0 ⎪
⎨ a−b+c=1
Encontre o tipo de solução do sistema linear a) x−y−z =1 b) b+c=0
⎪
⎩ ⎪
⎩
x + 2z = 0 a − 2b = 1
⎛ ⎞⎛ ⎞ ⎛ ⎞
2 −1 1 x 0
⎜ ⎟⎜ ⎟ ⎜ ⎟
a) Passando para a forma matricial: ⎝ 1 −1 −1 ⎠ ⎝ y ⎠ = ⎝ 1 ⎠
1 0 2 z 0
⎛ ⎞ ⎛ ⎞
2 −1 1 2 −1 1 0
⎜ ⎟ ⎜ ⎟
Onde, A = ⎝ 1 −1 −1 ⎠ e Aa = ⎝ 1 −1 −1 1 ⎠
1 0 2 1 0 2 0
Para encontrar Pc vamos usar a definição do determinante. No máximo, o posto de A

será 3 se det(A)≠0. Calculando, temos que det(A)=0, logo o posto de A não é 3. Para que
o posto seja 2, basta que encontremos uma submatriz 2x2 com determinante diferente de
zero, o que é facilmente verificado, se pegarmos os elementos a11, a12, a21 e a22 teremos
o determinante diferente de zero, logo o posto de A é dois, Pc=2.
Encontrando agora o posto da matriz ampliada, temos:

⎛ ⎞ ⎛ ⎞
1 0 2 0 1 0 2 0
⎜ ⎟ ⎜ ⎟
L1 ⇔ L3 Aa ∼ ⎝ 1 −1 −1 1 ⎠ L2 = −L2 Aa ∼ ⎝ 0 1 3 −1 ⎠
2 −1 1 0 0 −1 −3 0
⎛ ⎞ ⎛ ⎞
1 0 2 0 1 0 2 0
⎜ ⎟ ⎜ ⎟
L2 = L2 − L1 Aa ∼ ⎝ 0 −1 −3 1 ⎠ L3 = L3 + L2 Aa ∼ ⎝ 0 1 3 −1 ⎠
2 −1 1 0 0 0 0 −1
⎛ ⎞
1 0 2 0
⎜ ⎟
L3 = L3 − 2L1 Aa ∼ ⎝ 0 −1 −3 1 ⎠ Pa=3 →3 linhas não nulas.
0 −1 −3 0
Como Pc≠Pa, então, o sistema é impossível, não admite solução.

⎧
⎪
⎨ a−b+c=1
b) Passando para a forma matricial: b + c = 0
⎪
⎩
a − 2b = 1
⎛ ⎞⎛ ⎞ ⎛ ⎞ ⎛ ⎞ ⎛ ⎞
1 −1 1 a 1 1 −1 1 1 −1 1 1
⎜ ⎟⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎝ 0 1 1 ⎠ ⎝ b ⎠ = ⎝ 0 ⎠ onde A = ⎜ ⎟
⎝ 0 1 1 ⎠ e Aa = ⎝ 0 1 1 0 ⎠
1 −2 0 c 1 1 −2 0 1 −2 0 1
Para encontrar Pc vamos usar a definição do determinante. No máximo, o posto de A

será 3 se det(A)≠0. Calculando, temos que det(A)=0, logo o posto de A não é 3. Para que
o posto seja 2, basta que encontremos uma submatriz 2x2 com determinante diferente de
zero, o que é facilmente verificado, se pegarmos os elementos a11, a12, a21 e a22 teremos
o determinante diferente de zero, logo o posto de A é dois, Pc=2.
Encontrando agora o posto da matriz ampliada, temos:
⎛ ⎞ ⎛ ⎞
1 −1 1 1 1 0 2 1
⎜ ⎟ ⎜ ⎟
L3 = L3 − L1 Aa ∼ ⎝ 0 1 1 0 ⎠ L3 = L3 + L2 Aa ∼ ⎝ 0 1 1 0 ⎠
0 −1 −1 0 0 0 0 0
⎛ ⎞
1 0 2 1
⎜ ⎟
L1 = L1 + L2 Aa ∼ ⎝ 0 1 1 0 ⎠ Pa=2 →2 linhas não nulas.
0 −1 −1 0
Como Pc=2 e Pa=2, temos que o sistema é possível, e como o sistema apresenta n=3
incógnitas, logo Pc=Pa≺n, o que caracteriza um sistema possível indeterminado, ou seja,
infinitas soluções.

Desafio
1) Em que situação é possível dizer que o produto AB=AC resulta na conclusão que
B=C? Justifique.
2) Uma loja vende 3 pacotes diferentes de roupas com os preços descritos abaixo:
1 calça, 2 shorts, 3 blusas por R$ 26,00;

2 calças, 5 shorts, 6 blusas por R$ 60,00;
2 calças, 3 shorts, 4 blusas por R$ 40,00.
Qual o valor de cada peça?
3) Um cliente interessado em comprar salgados para uma festa pesquisou em três lojas dife-
rentes e descobriu que se comprasse x quilos de coxinha, y quilos de empada e z quilos
de pastel na loja Kidelícia ou na loja Gosto Gostoso gastaria R$ 260,00. Se comprasse na
loja Esbaldar, economizaria R$ 10,00. Encontre x, y e z sabendo que:
Kidelícia Gosto gostoso Esbaldar

Coxinha 40,00 50,00 50,00
Empada 50,00 40,00 40,00
Pastel 30,00 40,00 30,00
Preço do quilo em reais.
Resumo
Nesta aula, você aprendeu a identificar e resolver sistemas de equações linea-

res. Viu também como transformar esses sistemas de equações em um sistema
matricial, o que facilita a manipulação da informação. Você teve a oportunidade
ainda de aprender como resolver esses sistemas utilizando a regra de Cramer e
a Eliminação Gaussiana.
Autoavaliação
1 Resolva os seguintes sistemas lineares:
⎧ ⎧
⎪
⎪ 2a − b + c − 2d = ⎪
⎪
⎪
⎨ a−b−c=0 ⎨ 2a − b + c − 2d = 1
2a − b + c − 2d = 1
a) b) c) a−b−c=0
⎪ a−b−c=0 ⎪
⎩
⎪
⎪ 2b + 3c + d = −1 a + 2c − 2d = −2
⎪
⎩ a+b+c+d=3

2 Encontre as matrizes escalonadas reduzidas por linha de:
⎧
⎪ ⎧
⎪
⎪ 2a − b + c − 2d = 1 ⎪
⎪
⎨ a−b−c=0 ⎨ 2a − b + c − 2d = 1
a) b) 2a − b + c − 2d = 1 c) ⎪
a−b−c=0
⎪ 2b + 3c + d = −1
⎪ a−b−c=0 ⎩
⎪
⎪ a + 2c − 2d = −2
⎩ a+b+c+d=3
Encontre os valores de t que levam o sistema a ter única solução, infinitas soluções
3 e nenhuma solução.
⎧
⎪
⎨ x + ty − z = 2
2x − y + z = 0
⎪
⎩
−x + 2y = 1
Um casal levou seu cachorro para um passeio e todos os três se pesaram, porém,
4 a balança tinha um problema que só pesava corretamente pesos acima de 70kg,
então, eles resolveram se pesar dois a dois e obtiveram as seguintes medidas:
João e Totó = 90kg

João e Maria = 130kg
Maria e totó = 75kg
Quanto pesava cada um?
Uma determinada loja de sorvete teve de lucro R$ 2.500 em um fim de sema-

5 na. Sabendo que ele vende três tipos de sorvete (sundae – R$5,00; casquinha
– R$2,00; e banana split – R$6,00), que ele vendeu 3 vezes mais casquinhas que
banana split e que a quantidade de casquinhas é igual à soma de bananas split
mais sundaes vendidos, indique as quantidades especificas vendidas.
Um operário ganha R$6,00 por peça produzida corretamente e perde R$2,00 por
6 peça com defeito. Ao fim do dia, ele havia produzido 250 peças e R$500,00. Quan-
tas peças ele produziu corretamente?
Referências

Anotações

Definição de espaços vetoriais
Aula
6
Apresentação
E
spaços vetoriais é um conteúdo que requer uma visão abstrata da matemática e exige
atenção e dedicação para o seu entendimento. Há uma mudança na noção que se tem de
vetores, pois mostra que diversos objetos, como algumas matrizes, podem ser conside-
rados vetores. Esse conteúdo serve de ferramenta importante em diversas áreas, como, por
exemplo, na computação gráfica e na medicina, como é o caso da concepção de tomografias.
Objetivos
1 Identificar quando um objeto é um vetor.
2 Reconhecer um espaço vetorial.
3 Saber utilizar e entender os axiomas.

Definição
Espaço vetorial é uma estrutura formada por um conjunto de elementos denomi-
nados vetores, nele são definidas duas operações sobre esses elementos, a adição e
multiplicação por números reais.
Elementos: vetores (tamanho, direção e sentido)

Operações: adição e multiplicação por número real
Adição
A adição de cada par de vetores dentro do espaço vetorial gera um novo elemento também
pertencente ao espaço vetorial.
Se u , v ∈ E, então, z=u + v ∈ E
Onde u , v e v são vetores e E um conjunto de vetores.
Multiplicação
A multiplicação de cada vetor por um escalar dentro do espaço vetorial gera um novo
elemento também pertencente ao espaço vetorial.
Se u ∈ E e k ∈ , então, w = k .u ∈ E
Onde u, w são vetores, k um número real e E um conjunto de vetores.
Exemplo 1
Seja E o espaço vetorial que compreende todo o 2, verifique se as operações de adição
e multiplicação por escalar são satisfeitas.
Se pegarmos dois vetores genéricos dentro desse espaço u=(x1,y1) e v=(x2,y2) e uma
constante k qualquer pertencente aos reais e aplicarmos as operações:
Adição: w = u+v = (x1,y1) + (x2,y2) w = (x1+ x2,y1+ y2)
Quaisquer que sejam os valores de x1, x2, y1 e y2, sempre teremos um vetor resultante
da soma (w) dentro do espaço E.
Multiplicação: z = k.u = k(x1,y1) z = (kx1,ky1)
Quaisquer que sejam os valores de x1, y1 e k, sempre teremos um vetor resultante da
soma (z) dentro do espaço E.
Logo, as operações são satisfeitas.

Exemplo 2
Seja E o espaço vetorial que compreende o primeiro quadrante do 2, ou seja, conjunto
dos vetores onde temos as coordenadas x ≥ 0 e y ≥ 0, verifique se as operações de adição
e multiplicação por escalar são satisfeitas.
Se pegarmos dois vetores genéricos dentro desse espaço u=(x1,y1) e v=(x2,y2), lem-
brando que x1, x2, y1 e y2, são sempre positivos, e uma constante k qualquer pertencente aos
reais, e então aplicarmos as operações:
Adição: u+v = (x1,y1) + (x2,y2) w = (x1+ x2,y1+ y2)
Quaisquer que sejam os valores de x1, x2, y1 e y2, sendo sempre positivos, sempre tere-
mos um vetor resultante da soma também positivo, dentro do espaço E.
Multiplicação: k.u = k(x1,y1) = (kx1,ky1)
Sendo os valores de x1, y1 sempre positivos, basta que k assuma um valor negativo (já
que pode ser qualquer número real) para que o vetor resultante saia do primeiro quadrante,
não pertencendo, portanto, ao espaço E.
Logo, a adição é satisfeita, porém a multiplicação não.
Podemos afirmar que os espaços vetoriais são um conjunto de vetores munido de ope-
rações de adição e multiplicação por escalar. Cada espaço vetorial pode ter sua própria regra
para essas operações, basta que satisfaça as regras da adição, multiplicação por escalar e os
axiomas. Os espaços vetoriais aos quais você deve estar mais familiarizado são os espaços
vetoriais euclidianos, que correspondem aos espaços dos reais , do plano 2, do espaço
3, ... , do n, munidos das operações usuais de adição e multiplicação por escalar. Porém,
veremos espaços vetoriais onde os vetores são matrizes e polinômios, por exemplo.
Seja E o espaço vetorial que compreende os vetores do 2 que estão sobre

a reta x=y, verifique se as operações de adição e multiplicação por escalar são
satisfeitas.
Axioma
é uma premissa que não
Axiomas
precisa ser provada como
um teorema, pois já é con-
siderada evidente, óbvia. Para verificar se um determinado espaço é de fato um espaço vetorial, não basta satisfazer
as operações de adição e multiplicação, há outras condições que deverão ser verificadas: os
axiomas.
Na Tabela 1 a seguir, são descritas as operações referentes aos axiomas. Considere u, v,
w vetores que pertencem ao espaço E e a,b constantes que pertencem aos reais.

Tabela 1 – Axiomas
Axioma Operação
Comutatividade u+v=v+u
Associatividade (u + v)+w = u+(u + w)
(a.b).u = a.(b.u)
Distributividade (a+b).v = a.v+b.v
a.(u+v) = a.u+a.v
Vetor nulo v+0 = 0+v = v
Inverso aditivo (simétrico) Se v ∈ E, então, -v ∈ E, onde –v + v = v + (–v) = 0
Multiplicação por 1 1.v = v
No teste dos axiomas para a comutatividade, associatividade, distributividade e multiplica-

ção por 1, você deve utilizar as regras de adição e multiplicação próprias do espaço e verificar
se a igualdade se verifica. No caso do vetor nulo e do inverso aditivo, você deve procurar um
elemento nulo e um inverso aditivo que satisfaçam a igualdade. Não necessariamente o elemen-
to nulo será composto de zeros, nem o inverso aditivo será – (menos) o elemento genérico.
Exemplo 3
Verifique que o espaço das matrizes de ordem 2x2 é um espaço vetorial. Considere as
operações usuais de adição e multiplicação por escalar.
Inicialmente, devemos considerar três elementos genéricos do espaço e duas constantes:

u11 u12 v11 v12 w11 w12
u= v= w=
u21 u22 v21 v22 w21 w22
a,b constantes.
Aplicando os testes:
Adição
Somando dois elementos genéricos do espaço, u e v:

u11 + v11 u12 + v12
u+v =
u21 + v21 u22 + v22
Quaisquer que sejam os elementos de u e v, o resultado da soma dos dois sempre per-
tencerá ao espaço das matrizes 2x2. CONDIÇÃO SATISFEITA

Multiplicando um elemento genérico por uma constante:

a.u11 a.u12
a.u =
a.u21 a.u22
Quaisquer que sejam os elementos de u e constante a, o resultado da multiplicação

sempre pertencerá ao espaço das matrizes 2x2. CONDIÇÃO SATISFEITA
Comutatividade
Devemos verificar se a igualdade é satisfeita: u+v=v+u

Considerando dois elementos genéricos:

u11 + v11 u12 + v12 v11 + u11 v12 + u12
u+v = e v+u=
u21 + v21 u22 + v22 v21 + u21 v22 + u22
Como u+v resulta na mesma matriz que v+u, então, a igualdade é satisfeita.CONDIÇÃO
SATISFEITA.
Associatividade
Devemos verificar se as igualdades são satisfeitas:

(u + v)+w = u+(u + w)
(a.b).u = a.(b.u)
Considerando três elementos genéricos:

u11 +v11 u12 +v12 w11 w12 u +v +w11 u12 +v12 +w12
(u + v) + w = + = 11 11
u21 +v21 u22 +v22 w21 w22 u21 +v21 +w21 u22 +v22 +w22

u11 u12 v11 +w11 v12 +w12 u +v +w11 u12 +v12 +w12
u + (v + w) = + = 11 11
u21 u22 v21 +w21 v22 +w22 u21 +v21 +w21 u22 +v22 +w22
e

u u12 a.b.u11 a.b.u12
(a.b).u = a.b. 11 =
u21 u22 a.b.u21 a.b.u22

b.u11 b.u12 a.b.u11 a.b.u12
a.(b.u) = a. =
b.u21 b.u22 a.b.u21 a.b.u22
Como as igualdades são satisfeitas, o axioma se verifica.CONDIÇÃO SATISFEITA

Distributividade
Devemos verificar se as igualdades são satisfeitas:

a.(u+v) = a.u+a.v
(a+b).u = a.u+b.u

u11+v11 u12+v12 a(u11+v11 ) a(u12+v12 ) au11+av11 au12+av12
a.(u + v) = a. = =
u21+v21 u22+v22 a(u21+v21 ) a(u22+v22 ) au21+av21 au22+av22

u11 u12 v11 v12 au11+av11 au12+av12
a.u + a.v = a. + a. =
u21 u22 v21 v22 au21+av21 au22+av22
e

u11 u12 (a + b).u11 (a + b).u12 a.u11+b.u11 a.u12+b.u12
(a+b).u = (a+b). = =
u21 u22 (a + b).u21 (a + b).u22 a.u21+b.u21 a.u22+b.u22

u11 u12 u11 u12 a.u11+b.u11 a.u12+b.u12
a.u + b.u = a. + b. =
u21 u22 u21 u22 a.u21+b.u21 a.u22+b.u22

Como as igualdades são satisfeitas, o axioma se verifica. CONDIÇÃO SATISFEITA
Vetor nulo
Devemos encontrar um elemento que somado a um elemento genérico resulte no próprio

elemento genérico:
v+0 = 0+v = v
n1 n2
n=
n3 n4
Consideremos que o vetor nulo seja

v11 v12 n1 n2 v11 v12
v+n=v → + =
v21 v22 n3 n4 v21 v22
v11 + n1 = v11 → n1 =0
v12 + n2 = v12 → n2 =0
v21 + n3 = v21 → n3 =0
v22 + n4 = v22 → n4 =0

n1 n2 v11 v12 v11 v12
n+v =v → + =
n3 n4 v21 v22 v21 v22
n1 + v11 = v11 → n1 =0
n2 + v12 = v12 → n2 =0
n3 + v21 = v21 → n3 =0
n4 + v22 = v22 → n4 =0

n1 n2 0 0
Logo, 0= =
n3 n4 0 0
Portanto, o vetor nulo é
CONDIÇÃO SATISFEITA, POIS O VETOR NULO EXISTE.
Inverso aditivo (elemento simétrico)
Devemos encontrar um elemento que somado a um elemento genérico resulte no vetor nulo.
–v + v = v + (–v) = 0, onde 0 é o vetor nulo do espaço encontrado no item anterior.

s1 s2
Consideremos que inverso aditivo seja s=
s3 s4
Logo,

s1 s2 v11 v12 0 0
s+v =0 → + =
s3 s4 v21 v22 0 0
s1 + v11 =0 → s1 = −v11
s2 + v12 =0 → s2 = −v11
s3 + v21 =0 → s3 = −v11
s4 + v22 =0 → s4 = −v11

v11 v12 s1 s2 0 0
v+s=0 → + =
v21 v22 s3 s4 0 0
v11 + s1 =0 → s1 = −v11
v12 + s2 =0 → s2 = −v11
v21 + s3 =0 → s3 = −v11
v22 + s4 =0 → s4 = −v11

s1 s2 −v11 −v12
Portanto o inverso aditivo é s = =
s3 s4 −v21 −v22
CONDIÇÃO SATISFEITA, POIS O INVERSO ADITIVO EXISTE.
Multiplicação por 1
Devemos verificar se um elemento genérico multiplicado por 1 resulta nele mesmo.

1.v = v

v11 v12 1.v11 1.v12 v11 v12
1.v = 1. = = =v
v21 v22 1.v21 1.v22 v21 v22
CONDIÇÃO SATISFEITA

Como todos os axiomas foram satisfeitos, então, fica comprovado que o espaço das
matrizes de ordem 2x2 com as operações usuais de adição e multiplicação por escalar é um
espaço vetorial.
Exemplo 4
Verifique se o espaço formado pelos elementos do 2, u=(x1,y1) e v=(x2,y2) com as
seguintes operações:
Adição: u+v = (3y1+3y1–x1–x2)
Multiplicação por escalar: a.u=(3.a.y1,–a.x1)
Como foi mencionado anteriormente, as operações de adição e multiplicação por escalar
podem ser diferentes das que estamos acostumados, é como se cada espaço tivesse liberdade
para definir como dois elementos são somados e como deve ser multiplicado por um escalar.
Vamos testar os axiomas.
Adição
Somando dois elementos genéricos do espaço, u e v:

u+v = (x1,y1) + (x2,y2) = (3y1+3y2–x1–x2)
Quaisquer que sejam os elementos de u e v, o resultado da soma dos dois sempre per-
tencerá ao 2. CONDIÇÃO SATISFEITA
Multiplicando um elemento genérico por uma constante: a.u= a.(x1,y1)=(3.a.y1,–a.x1)

Quaisquer que sejam os elementos de u e constante a o resultado da multiplicação sempre
pertencerá ao 2.
Comutatividade
Devemos verificar se a igualdade é satisfeita: u+v = v+u.

u+v = (x1,y1) + (x2,y2) = (3y1+3y2–x1–x2)
v+u = (x2,y2) + (x1,y1) = (3y2+3y1–x2–x1)
Como u+v resulta no mesmo vetor que v+u, então, a igualdade é satisfeita.
Associatividade
Devemos verificar se as igualdades são satisfeitas:

(u + v)+w = u+(u + w)
(a.b).u = a.(b.u)
Considerando três elementos genéricos, onde w = (x3,y3):

(u + v)+w = ((x1,y1) + (x2,y2)) + (x3,y3) = (3y1+3y2 ,–x1–x2)+ (x3,y3)
= (3(x1,y1) + 3y3 , –(3y1+3y2) –x3)
u+(v + w) = (x1,y1) + ((x2,y2) + (x3,y3)) = (x1,y1) +(3y2+3y3, –x2–x3)
= 3y3+3(–x2–x3), –(3y2+3y3))
CONDIÇÃO NÃO SATISFEITA
Como as igualdades não são satisfeitas, o axioma não se verifica. Ocorrendo a falha em
ao menos um axioma, pode-se dizer que o espaço analisado não é um espaço vetorial.
Seja E o espaço vetorial que compreende os vetores do 3 que estão sobre o plano
x=3, ou seja, vetores do tipo (3,y,z), verifique se o espaço é um espaço vetorial.
Exemplo 5
Encontre o vetor nulo e o inverso aditivo do espaço vetorial definido pelos elementos dos
reais positivos, com as seguintes operações de adição e multiplicação por escalar:
Adição: x+y=x.y
Multiplicação por escalar: k.x=xk
Vetor nulo
Devemos encontrar um elemento que somado a um elemento genérico resulte no próprio

elemento genérico
x+0 = 0+x = x
Consideremos que o vetor nulo seja n.
Logo,
x+n = x
De acordo com a regra de soma do espaço:
x+n = x
x
x.n = x, portanto, o elemento nulo (0) desse espaço é n = = 1
x
Inverso aditivo (elemento simétrico)
Devemos encontrar um elemento que somado a um elemento genérico resulte no vetor

nulo.
–x + x = x + (–x) = 0, onde 0 é o vetor nulo do espaço encontrado no item anterior, 1.
Consideremos que inverso aditivo seja s.
Logo,
s+x= 0 =1
De acordo com a regra de soma do espaço:
1
s.x =1, portanto, o elemento simétrico desse espaço é s =
x

3
Sendo C o espaço dos números complexos, onde o elemento genérico deste espaço
é z tal que z = a+bi; z ∈ C, a,b ∈ . a é a parte real de z, e b é a parte imaginária de z. i
é a chamada unidade imaginária de z e satisfaz a seguinte relação i2=–1. Considerando
as seguintes operações de adição e multiplicação por escalar, verifique se o espaço
dos números complexos é um espaço vetorial.
Adição: z1+z2 = (a1+a2)+ (b1+b2)i
Multiplicação por escalar: k.z=k.a+k.b.i
Propriedades
Sejam E um espaço vetorial, u um vetor de E e k um número real.

1 – O escalar zero multiplicado por qualquer elemento do espaço resulta sem-
pre no vetor nulo.
0.u = 0
2 – Qualquer escalar multiplicado pelo vetor nulo resulta sempre no vetor nulo.
k.0 = 0
3 – O escalar –1 multiplicado por qualquer elemento do espaço resulta sempre
no inverso aditivo.
(–1).u = –u
4 – Se o produto de um escalar qualquer por um vetor do espaço resultar no
vetor nulo, então, ou o escalar é zero ou o vetor é o vetor nulo.
Se k.u=0, então k=0 ou u=0
5 – Cada espaço vetorial tem apenas um único vetor nulo.
6 – Todo espaço vetorial tem apenas um inverso aditivo para cada elemento.
Desafio
1) O espaço formado pelos pontos dentro do círculo unitário no plano XY, ou seja,
{ x,y ∈ /x2+y2≤1}, com operações usuais de adição e multiplicação por escalar, é um
espaço vetorial? Justifique.
2) A expressão h(t) = a.cos(ωt)+b.sen(ωt), onde ω é constante e a, b podem assumir

qualquer valor real, define o movimento oscilatório de um sistema massa-mola preso em
uma extremidade no teto e puxada para baixo, onde h define seu deslocamento em relação
ao repouso. Mostre que o conjunto de todas as funções possíveis (variantes com a e b
dependendo das características físicas) é um espaço vetorial.

3) O conjunto que contém um único elemento Q, com as operações definidas abaixo, é um
espaço vetorial? Justifique.
Adição: Q+Q=Q
Multiplicação por escalar: k.Q = Q
Resumo
Nesta aula introdutória sobre espaços vetoriais, você percebeu que nem sem-
pre o que temos como regra é válida em todas as situações. Você aprendeu a
reconhecer um espaço vetorial, onde cada espaço é composto de vetores e de
operações próprias e aprendeu também a verificar se um determinado conjunto
de vetores, munido de operações peculiares de adição e multiplicação por es-
calar, é ou não um espaço vetorial.
Autoavaliação
Verifique se o espaço definido, com as operações de adição e multiplicação por escalar
especificadas, é um espaço vetorial.
1) Espaço: 2 (x,y)
Adição: (x1,y1) + (x2,y2) = (x1+x2 , y1+y2)
Multiplicação por escalar: k.(x1,y1) = (k.x1,y1)
2) Espaço: 2 (x,y)
Adição: (x1,y1) + (x2,y2) = (x1,y2)
Multiplicação por escalar: k.(x1,y1) = (k.x1, k.y1)
3) Espaço: 2 (x,y)
Adição: (x1,y1) + (x2,y2) = (x1+x2 , y1+y2)
Multiplicação por escalar: k.(x1,y1) = (k2.x1, k2.y1)

1 b
4) Espaço: Matrizes 2x2 na forma
a 1
Adição e Multiplicação por escalar: usuais.
5) Espaço: 2 (x)
Adição: x1+x2 = máximo (x1,x2)
Multiplicação por escalar: k.x1 = k.x1

6) Espaço: polinômios na forma p(x) = b.x2, b ∈
7) polinômios de grau máximo 3 com coeficientes inteiros

8) Espaço: matrizes 2x2

Adição: A+B = A.B
Multiplicação por escalar: k.A = k.tr(A) *tr= traço da matriz.
Referências
BOLDRINI, J. L. et al. Álgebra linear. 3. ed. São Paulo: Harper-Row, 1980.
LAY, David. Álgebra linear e suas aplicações. 2. ed. Rio de Janeiro: LTC, 2007.
Anotações

Anotações

Subespaços vetoriais
e dependência linear
Aula
7
Apresentação
N
o estudo dos espaços vetoriais, é comum termos que analisar se um determinado
subconjunto de um espaço vetorial é também classificado como um espaço vetorial,
nesse caso o subconjunto é chamado de subespaço vetorial e preserva as mesmas
características do espaço vetorial no qual está inserido. Nesta aula, além do estudo sobre os
subespaços vetoriais, veremos ainda a relação de dependência linear entre vetores, que servirá
de base para o estudo da geração dos espaços vetoriais.
Objetivos
1 Reconhecer quando um subconjunto é um subespaço
vetorial.
2 Saber quais axiomas utilizar para reconhecer um subes-

paço vetorial.
3 Ser capaz de escrever vetores como combinação linear

de outros.
4 Identificar quando um grupo de vetores é dependente ou

independente linearmente.

Definição
Subespaço vetorial é um espaço vetorial que está contido em outro espaço vetorial. Imagi-
ne que conheçamos um conjunto de vetores, munidos das operações de adição e multiplicação
por escalar, onde aplicamos os axiomas para verificar se é um espaço vetorial e chegamos
à conclusão que esse é, de fato, um espaço vetorial. Imagine que agora tenhamos a tarefa
de verificar se um determinado subconjunto desse espaço vetorial, analisado previamente, é
também um espaço vetorial. Será que temos que refazer o teste com todos os axiomas?
A resposta é não. Se esse subconjunto está inserido em um espaço vetorial, ele preserva
as características principais. Porém, existem três exigências que podem não ser satisfeitas
quando consideramos uma parte apenas do espaço vetorial. A primeira é o vetor nulo, todo
espaço vetorial deve ter o vetor nulo e quando selecionamos um subconjunto de um espaço
vetorial corremos o risco de não incluir o vetor nulo; outra exigência é que a adição de dois
vetores pode resultar em um vetor fora desse subconjunto, assim como a multiplicação por escalar.
Para ser subespaço, o subconjunto deve satisfazer as propriedades citadas a seguir.

Conter o vetor nulo do espaço vetorial no qual está inserido.
Adição: dois vetores do subconjunto somados devem pertencer ao subconjunto.
Multiplicação por escalar: Um vetor do subconjunto quando multiplicado por
uma constante qualquer pertencente aos números reais deve resultar em um
vetor também pertencente ao subconjunto.
Exemplo 1
Seja E o espaço vetorial que compreende todo o 2, vejamos na Figura 1 alguns exemplos
de subespaços e não subespaços desse espaço vetorial.
2
Não subespaços do
2
Subespaços do 2
y y y y y y
1 y
-1 1
x a x x x x
-1
(a) (b) (c) (d) (e) (f)
Figura 1 – Espaço vetorial 2 e subconjuntos.

Analisemos no Quadro 1 as regiões do espaço vetorial 2, a, b, c, d, e e f, mostradas na
Figura 1, sempre tendo em mente que para ser um subespaço é necessário satisfazer as três
propriedades: conter o vetor nulo do espaço - nesse caso, o vetor (0,0), adição e multiplicação
por escalar.
Região Vetor nulo Adição Multiplicação por escalar Conclusão

OK FALHA
Quaisquer dois vetores que tomarmos no Quando multiplicamos um vetor no segundo
segundo quadrante, a soma sempre estará quadrante por qualquer constante, podemos
OK Não é
dentro do segundo quadrante. obter um vetor fora desse quadrante.
(a) O segundo quadrante subespaço
u=(x 1,y 1) e v=(x 2,y 2) como x 1,x 2,são u=(x,y) onde x é sempre negativo e y
contém o vetor nulo. vetorial
sempre negativos e y1,y2 são positivos, positivo, se k for uma constante negativa,
então a soma u+u=(x 1,+x 2,y 1,+y 2) logo k.u=(kx,ky) será um vetor no quarto
sempre resulta no segundo quadrante. quadrante.
FALHA FALHA
FALHA Os vetores sobre essa reta tem a forma Os vetores sobre essa reta tem a forma (a,y)
Não é
A reta não passa pela (a,y) onde a é o ponto que corta o eixo onde a é o ponto que corta o eixo x. Ao
(b) subespaço
origem, logo não contém k. Ao somarmos dois vetores sobre essa multiplicarmos um vetor u=(a,y) por uma
vetorial
o vetor nulo do espaço. reta u=(a,y1) e v=(a,y2) resultamos em constante k resultamos em um vetor fora
um vetor fora dessa reta. dessa reta. ku=(ka,ky)
FALHA
FALHA
Os vetores dentro do círculo unitário
Os vetores dentro do círculo unitário tem
OK u=(x 1 ,y 1 ) e v=(x 2 ,y 2 ) tem suas Não é
suas coordenadas limitadas em no máximo
(c) círculo contém o vetor coordenadas limitadas x 1,x 2,y 1,y 2 ≤1, subespaço
1, logo, ao multiplicarmos um vetor por uma
nulo. logo, ao somarmos dois vetores com vetorial
constante maior que 1, facilmente sairíamos
coordenadas maiores que 0,5, facilmente
do círculo.
sairíamos do círculo.
OK OK
OK
Os vetores sobre a reta têm a forma (x,x). Os vetores sobre a reta têm a forma (x,x).
A reta passa pela origem, É subespaço
(d) Ao tomarmos dois vetores u=(x1,x1) e Ao multiplicarmos o vetor por uma constante
logo, contém o vetor nulo vetorial
v=(x2,x2), o resultado sempre será um qualquer, sempre obteremos um vetor com
do espaço.
vetor com coordenadas x e y iguais. coordenadas x e y iguais.
OK
OK Os vetores sobre a reta têm a forma u=(x,0).
OK
Os vetores sobre a reta têm a forma (x,0). Ao multiplicarmos o vetor por uma constante
(e) Ao tomarmos dois vetores u=(x 1,0) e k, o resultado sempre será um vetor sobre
v=(x 2,0), o resultado sempre será um a reta y=0.
do espaço.
vetor sobre a reta y=0. k.u=(kx,0)
OK
OK Os vetores sobre a reta têm a forma u=(0,y).
OK
Os vetores sobre a reta têm a forma (0,y). Ao multiplicarmos o vetor por uma constante
(f) Ao tomarmos dois vetores u=(0,y 1) e k, o resultado sempre será um vetor sobre
u=(0,y 2), o resultado sempre será um a reta x=0.
do espaço.
vetor sobre a reta x=0. k.u=(0,ky)
Quadro 1 – propriedades das regiões a,b, c, d, e e f da Figura 1.

Todo espaço vetorial possui ao menos dois subespaços:
subespaço formado apenas pelo vetor nulo;
subespaço formado pelo próprio espaço vetorial.
1 Indique todos os possíveis subespaços do:
a) 2
b) 3
⎡ ⎤
d1
2 Descubra se o espaço das matrizes na forma D = ⎢ ⎥
⎣ d2 ⎦ é subes-
0
paço do espaço das matrizes coluna de ordem D3x1.
Combinação linear
Quando analisamos um conjunto de vetores, em algumas situações, é possível escrever
um deles como combinação dos outros, por exemplo, o vetor (2,1) pode ser escrito como:
(2,1) = (1,1) + (1,0) ou ainda
(2,1) = 2(1,1) + (0,–1) ou ainda
(2,1) = 3(2,3) - 2(2,4) . . .
Percebemos que há uma infinidade de formas de escrevermos um vetor como combi-
nação linear de outros.
Consideremos então um conjunto de vetores V={v1, v2, v3,..., vn,} e um conjunto de
constantes pertencentes aos reais a1, a2, a3 ...,an. Se conseguirmos escrever um vetor v como
combinação dos vetores vi com os pesos ai:
v= a1 v1+a2 v2+a3v3+...+an vn
dizemos que v é combinação linear do conjunto de vetores V.
Pedir para escrever um vetor como combinação linear de um conjunto de

vetores é o mesmo que pedir para encontrar os pesos que devemos multiplicar
esses vetores a fim de obter o outro.

Exemplo 2
Escreva o vetor u=(2,–1, 1), se possível, combinação linear do conjunto vetores onde
v1=(2,–1, 1), v2=(0, 0, 1) e v3=(–1, 0,1).
Escrever u como combinação linear de β consiste em encontrar os pesos que devemos
multiplicar pelos vetores vi.
u=k1v1+k2v2+k3v3
(2,–1, 1) = k1(1,1,0) + k2(0, 0, 2) + k3(–1, 0,1)
Resolvendo:
(2,–1, 1) = (k1, k1, 0) + (0, 0, 2k2) + (–k3,0, k3)
(2,–1, 1) = (k1 –k3, k1, 2k2 + k3)
⎧ ⎧ ⎧
⎪
⎨ 2 = k1 − k3 ⎪
⎪ k = k1 − 2 ⎪
⎨ k3 = −3
⎨ 3
−1 = k1 k1 = −1 k1 = −1
⎪
⎩ ⎪ ⎪
⎩
1 = 2k2 + k3 ⎩ k = 1 − k3
⎪ k2 = 2
2
2 2
Logo,
u[β] = (−1, 2, −3)
Dependência linear
Dizemos que um conjunto de vetores é dependente linearmente se conseguimos escre-
ver um deles como combinação linear dos outros e independente linearmente quando não é
possível.
Consideremos um conjunto de vetores v1, v2, v3,..., vn ∈ β e um conjunto de constantes
a1, a2, a3 ...,an ∈ , quando fazemos a operação a1 v1+a2 v2+a3v3+...+an vn e encontramos:
a1 = a2 = a3 = ... = an = 0 (LI)
Todos os ai iguais a zero. Conjunto de vetores Linearmente Independente
a1 ou a2 ou a3 ou ... ou an ≠ 0 (LD) Conjunto de vetores Linearmente Dependente

Ao menos um ai diferente de zero.
Quadro 2 – Conjunto de vetores LI / LD
Exemplo 3
Verifique se o conjunto de vetores é Linearmente Dependente ou Independente.
a) v1=(1, 1), v2=(2, 3) e v3=( 0,–2)
b) v1=(1, –1), v2=(1, 2, 3)

a) Aplicando a regra:
a1 v1 + a2 v2 + a3 v3 = 0
a1 (1, −1) + a2 (2, 3) + a3 (0, −2) = (0, 0)
(a1 , −a1 ) + (2a2 , 3a2 ) + (0, −2a3 ) = (0, 0)
(a1 + 2a2 , −a1 + 3a2 − 2a3 ) = (0, 0)
Resolvendo o sistema linear:

⎧ ⎧
a1 + 2a2 = 0 ⎨ a1 = −2a2 ⎨ a1 = −2a2
−a1 + 3a2 − 2a3 = 0 ⎩ a = − 1 a + 3 a = − 1 (−2a ) + 3 a 5
⎩ a3 = a2
3
2 1 2 2 2 2
2 2 2
⎧⎡ ⎤ ⎡ ⎤ ⎫
⎪
⎨ a1 −2 ⎪
⎬
Solução: ⎢ ⎥ ⎢ ⎥
⎣ a2 ⎦ = a2 ⎣ 1 ⎦ , a2 ∈
⎪
⎩ ⎪
⎭
a3 5
2
Como existe solução para os ai diferente de zero, então, o conjunto de vetores é Linear-
mente Dependente (LD).
b) Aplicando a regra:
a1 v1 + a2 v2 = 0 v1 = (1, −1, 0), v2 = (1, 2, −3)
a1 (1, −1, 0) + a2 (1, 2, −3) = (0, 0, 0)
(a1 , −a1 , 0) + (a2 , 2a2 , −3a2 ) = (0, 0, 0)
(a1 + a2 , −a1 + 2a2 , −3a2 ) = (0, 0, 0)
Resolvendo o sistema linear:

⎧
⎪
⎨ a1 + a2 = 0 a2 = 0
−a1 + 2a2 = 0 a1 = 0
⎪
⎩
−3a2 = 0

a1 0
Solução: =
a2 0
Como todas as constantes encontradas foram zero, então, o conjunto de vetores é Line-
armente Independente (LI).
Todo conjunto de vetores em que a quantidade for superior à dimensão dos

vetores, o conjunto é Linearmente Dependente.
Podemos citar o Exemplo 3 –a onde o conjunto de 3 vetores de dimensão 2 é LD.

3
Verifique se o conjunto de vetores é LD ou LI.
a) u1 = (1, 2, 0), u2 = (−1, −1, 1), u3 = (0, 2, 3)
b) u1 = (1, 2, 0), u2 = (1, 0, −3), u3 = (0, 2, 3)
c) u1 = (1, 2, 0), u2 = (−1, −1, 1)
d) u1 = (1, 2, 0), u2 = (−1, 0, 1), u3 = (0, 2, 3), u4 (1, 3, 2)

1 −1 3 0 0 0
e) u1 =
0 1
, u2 =
−2 0
, u3 =
0 1
Desafio
⎡⎤
3t
⎢ ⎥
1) Sendo G o conjunto de todos os vetores na forma ⎣ −t ⎦ , G é um subespaço do 3?
Justifique. 0
2) Verifique se o conjunto de todas as matrizes simétricas de ordem 2x2 é um subespaço

do espaço das matrizes.
3) Seja E = 4, verifique se F={(x; y; z ∈ )} é um subespaço do E.
4) Seja E = 3, verifique se F={ax+by+cz =0; x; y; z ∈ ; a; b; c; são constantes}

é um subespaço do E.
4) Seja E = 3, verifique se F={ax+by+cz =0; x; y; z ∈ ; a; b; c; são constantes}

é um subespaço do E.
5) Prove que os vetores e1=(1, 0), e2=(0, 1) e w=(r, s) são sempre LD e w é um vetor não nulo.
6) Prove que os monômios {1, x, x1, x2, x3 ...,xn)} ∈ Pn são LI.

Resumo
Esta aula é uma continuação de espaços vetoriais, a partir deste estudo você des-
cobriu que um espaço vetorial pode conter outro espaço vetorial, que é chamado
subespaço. Para verificar se esse subconjunto é um subespaço não é necessário
testar todos os axiomas, mas apenas três, o que facilita a verificação. Nesta aula,
você aprendeu ainda como escrever um vetor como combinação de outros e
como verificar se existe dependência linear entre vetores de um mesmo conjunto.
Autoavaliação
1 Verifique se o conjunto é subespaço do espaço vetorial dado.
a) Se os vetores na forma (x; y +1) é subespaço do 2.
b) Se os vetores na forma (x, x, 0) é subespaço do 3

1 p1
c) Se as matrizes na forma
p2 −1
é subespaço das matrizes de ordem 2x2.
d) Se os polinômios na forma a2x2 + a0 é subespaço dos polinômios de grau 2.
e) Se os polinômios na forma a2x2 + a0 é subespaço dos polinômios de grau 3.
f) Se os polinômios na forma a2x2 + a1x + a0 com a2, a1 e a0 ∈ Z¯ é subespaço dos poli-

nômios de grau 2.
2 Quais dos vetores abaixo são combinação linear dos vetores u1=(1,3,-1) e u2=(0,-
2,2)?
a) (1,-1, 3)
b) (0, 4, 5)
c) (3, 1, 5)
d) (0, 0, 0)
e) (2, 2, 2)
Expresse os seguintes vetores como combinação linear de u1=(1,2,-1) e u2=(0,1,2)

3 e u3=(1,-1,0).
a) (1, 3, 2)
b) (0, 0, 0)

c) (1, 1, 1)
d) (1, 2, 1)
Expresse os seguintes vetores como combinação linear de P1= x2+2x –1, P2=
4 2x2+2, P3= –x2 –x –3
a) –x2
b) 2x2+3x –3
c) –2x2+3x –3
d) 5x2 –2x
5 Indique se o conjunto é LD ou LI. Justifique.
a) v1=(1,–1,0), v2=(1, 2, –3), v3=(1,0,0)
b) v1=(0,–3,0), v2=(10, 0, 1)
c) v1=(4,–3,7), v2=(2, –2, 5), v3=(–1,–9,0), v3=(1, 3, 0,–2)
d) p1=x2 +2x –1, p2=2x2 +2, p3=–x2 –x –3
e) p1=x2 +2x –1, p2=2x2 +2, p3=–x2 –x –3, p4=x2 – 2x +2

1 0 1 5 1 −2 4 1 −3
f) m1 = , m2 = , m3 =
2 −1 4 0 0 1 −2 1 −3
6 Sabe-se que o conjunto de vetores u1,u2 e u3 é LI. Indique um vetor que ao ser adi-
cionado ao conjunto transforme-o em LD. u1=(1,-1,0,0) e u2=(1,2,-3,1) e u3=(1,
0, 0, 1).

Referências
ANTON, Howard; RORRES, Chris. Álgebra linear com aplicações. Porto Alegre: Bookman,
2001.
Anotações

Anotações

Base e dimensão
Aula
8
Apresentação
O estudo de espaços vetoriais não estaria completo se não falássemos como eles são
formados. Nesta aula, veremos como um conjunto de vetores é utilizado como base para a
geração de um espaço vetorial. Veremos ainda a maneira correta de determinar a dimensão
de um espaço vetorial.
Objetivos
Reconhecer se um conjunto de vetores é base de um de-
1 terminado espaço.
Saber que espaço é formado a partir de um conjunto de

2 vetores.
3 Identificar bases de um espaço vetorial.
4 Saber ler a dimensão de um espaço.

Definição
Um conjunto de vetores é identificado como base de um espaço vetorial quando qualquer
vetor dentro desse espaço pode ser escrito como combinação linear dos vetores desse conjunto.
Exemplo 1
Sabendo que os vetores u1=(0,–1) e u2=(1,1) são base do 2, então sabemos que é
possível escrever qualquer vetor dentro do 2 como combinação linear de u1 e u2.
Tomemos, por exemplo, o vetor v1=(2,3)
v1= –1.u1+2.u2
(2,3) = –1.(0,–1) + 2.(1,1)
(2,3) = (0,1) + (2,2)
Se tomarmos o vetor v2=(–1,0)
v2= –1.u1+(–1).u2
(–1,0) = -1.(0,–1) - 1.(1,1)
(–1,0) = (0,1) + (–1,–1)
Se tomarmos o vetor v3=(5,–11)
v3= 16.u1+5.u2
(5,–11) = 16.(0,–1) + 5.(1,1)
(5,–11) = (0,–16) + (5,5)
Qualquer que seja o vetor do 2 sempre será possível escrevê-lo como combinação linear
de u1 e u2 porque os dois vetores formam uma base para o 2.
Porém, como saber se um conjunto de vetores é base de um determinado espaço vetorial?
Seja o conjunto de vetores β ={v1, v2,..., vn} que pertence ao espaço vetorial V,
dizemos que o conjunto β é base do espaço vetorial V se:
β for linearmente independente (LI) e
β gerar o espaço V.
Exemplo 2
Verifique se os vetores u1=(0,–1) e u2=(1,1) são base do 2.
Primeiro verificaremos se o conjunto é LI:
k1u1 + k2u1 = 0
k1 (0,-1) + k2 (1,1) = (0,0)
(k2 , - k1+ k2) = (0,0)

k2 = 0
−k1 + k2 = 0 → k1 = 0

Como k1 e k2 são ambos iguais a zero, então os vetores são LI.
Agora veremos se o conjunto é capaz de gerar o espaço.

Se os vetores são capazes de gerar o espaço, isso quer dizer que qualquer vetor desse
espaço pode ser expresso como combinação linear dos vetores da base.
Vamos escrever um vetor genérico (x,y) como combinação linear de u1 e u2.
(x,y) = k1u1 + k2u2
(x,y) = k1 (0,-1) + k2 (1,1)
(x,y) = (0,- k1) + (k2, k2)

x = k2 logo, k2 = x
y = −k1 + k2 k1 = x − y
Note que é possível escolher quaisquer valores para x e y independentemente, ou seja,

podemos escolher qualquer par (x,y) do 2 que sempre haverá um par de constantes k1, k2
que escreverá o vetor como combinação linear dessa base, implicando na geração de todo o
2. Com isso, concluímos que os vetores são base do 2.
Exemplo 3
Verifique se os vetores v1=(1,–1, 1) e v3=(1, 0,1) são base do 3.
Primeiro verificaremos se o conjunto é LI:
k1v1 + k2v2 = 0
k1 (1,–1, 1) + k2 (1, 0,1) = (0, 0, 0)
(k1 + k2, – k1, k1 + k2) = (0, 0, 0)
⎧
⎪
⎨ k1 + k2 = 0 k1 = 0
−k1 = 0 logo, k2 = 0
⎪
⎩
k1 + k2 = 0
Como k1 e k2 são iguais a zero, então os vetores são LI.

Agora veremos se o conjunto é capaz de gerar o espaço.
Se os vetores são capazes de gerar o espaço, isso quer dizer que qualquer vetor desse
espaço pode ser expresso como combinação linear dos vetores da base.
Vamos escrever um vetor genérico (x,y,z) como combinação linear de v1 e v2.
(x,y,z) =k1v1 + k2v2
(x,y,z) =k1 (1,–1, 1) + k2 (1, 0,1)
(x,y,z) =(k1 , – k1, k1 ) + (k2, 0, k2)
⎧
⎪
⎨ x = k1 + k2 x=z
y = −k1 logo,
⎪ y = −k1
⎩
z = k1 + k2

Note que nessa situação não podemos obter qualquer valor para (x,y,z) , existe uma
restrição, x=z. Dessa forma, jamais poderíamos escrever, por exemplo, o vetor (1,2,3) como
combinação linear dos vetores v1 e v2, pois esses vetores apenas conseguem se combinar para
gerar vetores dentro do 3, cuja coordenada x seja igual à coordenada z.
Portanto, esses vetores não são capazes de gerar todo o 3, logo não são base do 3.
Seja o conjunto de n vetores β ={v1, v2,..., vn} uma base do espaço vetorial
V, então podemos afirmar que:
Um conjunto com mais de n vetores será Linearmente Depen-
dente (LD).
Um conjunto com menos de n vetores não será capaz de gerar
o espaço.
Qualquer outra base de V terá o mesmo n (número de) vetores.
Verifique se o conjunto de vetores é base do espaço indicado. Justifique.
a) v1=(1,–1, 1, 0), v2=(1, 0,1, 1), v3=(0, 0, 1, 0) Espaço 4
b) v1=(1,–1, 1), v2=(1, 0, 1), v3=(0, 0, 1) Espaço 3
c) v1=(1,–1), v2=(1, 1), v3=(0, 1), Espaço 2

1 1 0 1 2 0 1 2
d) v1 = , v2 = , v3 = , v4 = Espaço M2x2
0 1 0 1 0 0 0 2
Espaço nulo
O espaço nulo de uma matriz A é o espaço solução da equação AX= 0, ou seja, são
todos os possíveis vetores X que ao serem multiplicados por A, levam o resultado para um
vetor nulo.
Exemplo 4

1 0 −1
Encontre uma base para o espaço nulo da matriz B =
2 1 0

Primeiramente, devemos identificar a dimensão do vetor X e do vetor nulo resultante.
Como BX= 0, e a dimensão de B é 2x3, então para que seja possível a multiplicação
BX, X só pode ser 3x1, e o vetor resultante então será 2x1.
B X =0
(2x3) (3x1) (2x1)
⎡ ⎤
x1
1 0 −1 ⎢ ⎥ 0
⎣ x2 ⎦ =
2 1 0 0
x3

x1 − x3 = 0 logo, x3 = x1
2x1 + x2 = 0 x2 = −2x1
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
x1 x1 1
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎣ x2 ⎦ = ⎣ −2x1 ⎦ = x1 ⎣ −2 ⎦ , onde X1 ∈
x3 x1 1
Se tomarmos o vetor (1, –2, 1) como base, ao multiplicá-lo por qualquer constante real obtemos
um vetor sobre a reta que coincide com esse vetor, ou seja, o resultado está sobre o espaço
gerado por esse vetor. O que a nossa solução diz é que qualquer que seja o valor de x1, o
resultado da multiplicação de x1 pelo vetor (1, –2, 1) continua sendo solução do espaço nulo
de B. Portanto, podemos afirmar que o vetor (1, –2, 1) é uma base para o espaço nulo de B.
S={(1, –2, 1)}
O cálculo do espaço nulo de uma matriz recai sempre sobre um sistema homogê-
neo, AX = 0, o que implica que a solução trivial sempre faz parte do espaço nulo
de qualquer matriz, ou seja, a solução x1= x2=...=xn=0 faz parte da solução
de qualquer espaço nulo. Porém, tenha cuidado, porque apesar da solução trivial
sempre fazer parte do espaço nulo, nem sempre é a única solução possível.
No Exemplo 4, onde o espaço nulo é o espaço gerado pelo vetor (1, –2, 1), se
escolhermos a constante x1=0, obteremos o vetor (0,0,0), porém, esse não é o
único vetor que ao multiplicar por B resulta no vetor nulo.
2
Verifique se o conjunto é subespaço do espaço vetorial dado.
⎡ ⎤
1 0 1 1 1
a) ⎢ ⎥ b) A = c) A = 2
A=⎣ 0 2 1 ⎦ 1 0 2
2 4
1 −1 −1

Dimensão de um espaço vetorial
A dimensão de um espaço vetorial é definida pela quantidade de vetores na sua base.
A Tabela 1 mostra alguns exemplos de bases e dimensão.
Tabela 1 – Exemplos de espaços e suas dimensões.
Espaço Exemplo de base Dimensão

2 (1, 0), (2, 1) dim(2) = 2
2 (3, 2),(–1,2) dim(2) = 2
3 (1, 2, 1),(0, 1, 1),(0, 0, 3) dim(3) = 3
n – dim(n) = n

0 1 1 0 2 0 1 3
, , ,
M22 2 4 −1 0 0 −2 1 2 dim(M22) = 4
Mpq – dim(Mpq) =p·q
P2 (2x2 –x +1),(–x2 +3x +3),(x2 –2x +4) dim(P2) = 3
Pn – dim(Pn) =n+ 1
O espaço que tem como base um vetor nulo tem dimensão zero.
Seja V um espaço vetorial de dimensão n e seja β um conjunto com n ve-
tores, então β será base de V se for Linearmente Independente.
Bases canônicas
As bases canônicas são as bases mais simples de cada espaço. Um vetor representado
na base canônica tem seus componentes coincidentes com suas coordenadas. A Tabela 2
mostra bases canônicas de alguns espaços vetoriais.
Tabela 2 – Bases canônicas.
Espaço Base canônica
2
(1, 0), (0, 1)
3 (1, 0, 0),(0, 1, 0),(0, 0, 1)
n (1, 0, ... , 0),(0, 1, 0, ... , 0), ... ,(0, 0, ... , 0, 1, 0),(0, 0, ... , 1)

1 0 0 1 0 0 0 0
M22 , , ,
0 0 0 0 1 0 0 1

1 0 0 0 1 0 0 0 1 0 0 0 0 0 0 0 0 0
M23 , , , , ,
0 0 0 0 0 0 0 0 0 1 0 0 0 1 0 0 0 1
P3 (1), (x) , (x2), (x3)
Pn (1), (x) , (x2), (x3), ... , (xn)

3
Encontre a dimensão dos seguintes espaços.

⎧
⎪
⎨ a+b−c=0
a) O espaço solução do sistema linear a + 2c + d = 1
⎪
⎩
3c − b + d = 1
⎡ ⎤
2 1 0
⎢ ⎥
b) O espaço nulo da matriz ⎣ 0 0 1 ⎦
0 −1 1
Desafio
⎧
⎪
⎨ x1 − x2 − x4 = 0
1) Encontre a base e a dimensão do espaço solução do sistema linear ⎪ x3 + x1 = 1
⎩
x2 + x4 = 2
2) Para quais valores de k os vetores u1=(k ,1,0), u2=(1, 0, k) e u3=(1+ k, 1, 1) constituem

uma base do 3?
3) Encontre uma base para o espaço W, onde W=E ∩ V, sendo E={(x,y,z) ∈ 3 / x +y

–z = 0} e E={(x,y,z) ∈ 3 / x=y}
4) Encontre uma base para o espaço W, onde W=E ∪ V, sendo E={(x,y,z) ∈ 3 / x +y

–z = 0} e E={(x,y,z) ∈ 3 / x=y}
5) Considere E um espaço vetorial de dimensão n, dim(E)=n. E seja B um conjunto de

m vetores, B={v1, v2,..., vm} . Analise, em cada caso, se B é base do espaço E, e sob que
condições isso pode acontecer.
a) m<n
b) m=n
c) m>n

Resumo
Nesta aula, você compreendeu como os espaços vetoriais são formados

a partir de vetores que constituem a base do espaço. Viu como identificar se
um conjunto de vetores é base ou não de um determinado espaço e descobriu
também como encontrar a dimensão de cada espaço em função do número de
vetores que compõem a sua base.
Autoavaliação
1 Explique por que o conjunto de vetores não é base do espaço indicado.
a) u1=(1,-1,0,0), u2=(1,2,-3,1) → 3
b) u1=(1,-1,0,0), u2=(1,2,-3,1) , u3=(0,1,-3,0), u4=(1,2, 0,-2) → 3

2 0 −1 2
c) u1 = , u2 = → M2×2
1 3 0 1
d) u1=(1,-1), u2=(0,0) → 2
e) u1=(2,2), u2=(1,0) → {(x,y) ∈ 3 / y=x}
f) u1= x2 –x +2, u2=(1,0) → P2
2 Mostre se o conjunto de vetores é base do espaço indicado.
a) u1=(1,-1,0,0), u2=(1,2,-3,1), u3=(0,1, 0,1) → 3
b) u1=(1,0), u2=(2,-2) → 2
c) u1=(8,-2), u2=(-4,1) → 2
d) u1=(2,1,-1), u2=(1,0,1) → {(x,y) ∈ 3 / x=3y+z}

e) 1 0 1 1 a b
u1 = , u2 = → ∈ M2×2 / a = d, b = c
0 1 1 1 c d

f) u1= x2 –x +2, u2= 2x2 + 2x –1, u3= x2 + x +3 →{(a2x2 + a1x + a0) ∈ P2/
a0=a1}
3 Identifique que espaço é gerado a partir da base dada e qual sua dimensão.
a) u1=(1,3), u2=(-3,3)
b) u1=(0,0)
c) u1=(-2,1)
d) u1=(0, 1,3), u2=(1,0,2)
e) u1=(-2, 1, 3)

1 0 −1 0 1 3
f) u1 =
2 0 0
, u2 =
−1 0 2

0 1 0 1 −1 0
g) u1 = , u2 = , u3 =
0 0 1 0 2 −1
h) u1= –x –2, u2= 2x2
i) u1= x4 + 2x3 –x2, u2= 2x2
4 Identifique e encontre bases para os espaços indicados.
a) {(x,y) ∈ 2 / x=2y}
c) {(x,y) ∈ 2 / y=0}
d) {(x,y,z) ∈ 3 / x=y+z}
e) {(x,y,z) ∈ 3 / x=0}

a b
f) ∈ M2×2 / d = 0
c d

a b c
g) ∈ M2×3 / a = b = c, d = e = f = 0
d e f
h) {(a2x2 + a1x + a0) ∈ P2 / a0=–a1}

5 Encontre uma base para o espaço nulo da matriz A
⎡ ⎤ ⎡ ⎤
1 0 −1 1 1 0 0 −1
⎢ ⎥ ⎢ ⎥
a) A=⎣ 0 0 2 ⎦ c) A=⎣ 1 1 1 0 1 ⎦
1 2 0 1 1 0 1 0
⎡ ⎤
2 0 3
⎢ ⎥
b) A=⎣ 1 0 0 ⎦ d) A= 0 1 0
−1 0 0
Referências
ANTON, Howard; RORRES, Chris. Álgebra linear com aplicações. Porto Alegre:
Bookman, 2001.
Anotações

Anotações

Produto Interno
Aula
9
Apresentação
O
s espaços vetoriais são analisados de diversas formas. Os axiomas, apesar de explora-
rem a interação entre vetores e escalares, não são suficientes para abordar uma análise
completa desses vetores. Questões como ângulos, ortogonalidade, distância precisam
de outra ferramenta para sua análise. Nesta aula, será fornecido um operador que é capaz de
prover essa análise complementar, servindo de base para a solução de muitos problemas
aplicados: é o produto interno.
Objetivos
1 Saber utilizar e identificar os axiomas para produto interno.
Aprender a calcular norma, ângulo e distância de vetores

2 utilizando o produto interno.

Definição
O produto interno é uma função que leva um par de vetores de um determinado espaço vetorial
a um número real.
Notação
Produto interno entre os vetores u e v: 〈 u, v 〉 ou u • v
Vimos na aula sobre espaços vetoriais que cada espaço pode apresentar sua própria regra
para adição de vetores e multiplicação de um vetor por um escalar, e algumas vezes essas
regras podem ser “estranhas” para nós. Com o produto interno ocorre a mesma coisa: cada
espaço vetorial pode apresentar uma regra diferente para o produto interno. Então como saber
se uma determinada regra é ou não uma regra válida para um produto interno?
Axiomas
Para verificarmos se uma função é ou não uma regra válida para o produto interno, de-
vemos testar 4 axiomas, de modo que se um deles falhar, já podemos dizer que a regra não é
uma regra para produto interno. Os axiomas são mostrados na Tabela 1 a seguir.
Tabela 1 – Axiomas para o produto interno.
Axioma Regra Comentário

A ordem de aplicação dos vetores no produto
Simetria 〈 u, v 〉 = 〈 v, u 〉 interno não pode fazer diferença
A adição (e subtração) dentro do produto interno
Aditividade 〈u+w, v〉 = 〈 v, u 〉 + 〈 w, v 〉 pode ser desmembrada em quantas somas forem
necessárias
Sempre que uma constante aparecer
Homogeneidade 〈 ku, v 〉 = k〈 v, u 〉 multiplicando um vetor, essa constante pode ser
retirada do produto interno
O produto interno de um vetor com ele mesmo
Positividade
〈 v, v 〉 ≥ 0 e 〈 v, v 〉 = 0 ,
sempre resulta em um valor positivo, e só pode
somente se v=0
ser zero se o vetor for o vetor nulo

Exemplo 1
Sendo u e v vetores pertencentes ao 3, verifique se o produto

u, v = x21 x22 + y12 y22 + z12 z22 é um produto interno válido. u=(x ,y ,z ) e v=(x ,y ,z ).
1 1 1 2 2 2
Testando os axiomas:
Simetria: 〈 u, v 〉 = 〈 v, u 〉

u, v = x21 x22 + y12 y22 + z12 z22

v, u = x22 x21 + y22 y12 + z22 z12
Como 〈 u, v 〉 = 〈 v, u 〉 , então o axioma se verifica.

Aditividade: 〈 u+w, v 〉 = 〈 u, v 〉 + 〈 w, v〉
Considerando w=(x3,y3,z3), então:
u+w=(x1+ x3, y1+ y3, z1+ z3)

(u + w), v = (x1 + x3 )2 x22 + (y1 + y3 )2 y22 + (z1 + z3 )2 z22
e
! !

u, v +
w, v = x21 x22 + y12 y22 + z12 z22 + x23 x22 + y32 y22 + z32 z22
Nesse caso, 〈 u+w, v 〉 ≠ 〈 u, v 〉 + 〈 w, v〉 , logo, o axioma falha e a regra não é um pro-

duto interno.
Exemplo 2
Sendo u e v vetores pertencentes ao 3, verifique se o produto
u, v = 2x1 x2 − y1 y2 + z1
é um produto interno válido. u=(x1,y1,z1) e v=(x2,y2,z2).
Testando os axiomas:
Simetria: 〈 u, v 〉 = 〈 v, u 〉
〈 u, v 〉 =2x1x2- y1y2 + z1z2
〈 v, u 〉 =2x2x1- y2y1 + z2z1
Como 〈 u, v 〉 = 〈 v, u 〉 , então o axioma se verifica.

Aditividade: 〈 u+w, v 〉 = 〈 u, v 〉 + 〈 w, v〉
Considerando w=(x3,y3,z3), então:
u+w=(x1+ x3, y1+ y3, z1+ z3)
〈 (u+w), v 〉 =2(2x1+x3)x2- (y1+y3)y2 + (z1+z3)z2
e
〈 u, v 〉 + 〈 w, v〉=(2x1x2- y1y2 + z1z2) + (2x3x2- y3y2 + z3z2)
Como 〈 u+w, v 〉 = 〈 u, v 〉 + 〈 w, v〉 , então o axioma se verifica.

Homogeneidade: 〈 ku, v 〉 = k〈 v, u 〉
k.u = (k.x1,k.y1,k.z1)
〈 ku, v 〉 = 2(k.x1)x2- (k.y1)y2 + (k.z1)z2 = 2kx1x2 - ky1y2 + kz1z2
k〈 v, u 〉 = k.(2x1x2- y1y2 + z1z2) = 2kx1x2 - ky1y2 + kz1z2
Como 〈 ku, v 〉 = k〈 v, u 〉, então o axioma se verifica.
Positividade: 〈 v, v 〉 ≥ 0

v, v = 2x2 x2 − y2 y2 + z2 z2 = 2x22 − y22 + z22
Com essa regra, a positividade falha porque nem sempre na aplicação de um vetor com
ele mesmo o resultado será maior ou igual a zero. Se tomarmos um vetor cujo módulo da
coordenada y seja maior que o módulo da coordenada z somado a duas vezes o módulo da
coordenada x, teremos um resultado negativo, invalidando o axioma. Portanto, a regra não é
um produto interno.
*Nesse axioma, se enxergarmos uma única possibilidade de o resultado ser negativo,
então podemos considerá-lo como falho. Nesse exemplo, se a regra fosse diferente e o resul-
tado fosse
v, v = 2x22 + y22 + z22 , poderíamos dizer que o axioma se verificava, pois não
existiria a possibilidade desse resultado ser negativo.
Verifique se a regra é um produto interno, 〈 u, v 〉 =3x1x2- 2y1y2 + z1z2 ,

sendo u e v vetores pertencentes ao 3, onde u=(x1,y1,z1) e v=(x2,y2,z2).
Produto interno euclidiano

Existe uma regra clássica para produto interno que é chamada de produto interno eucli-
diano e é definida como: 〈 u, v 〉 =u1v1 + u2v2 +...+ unvn
Onde u =(u1, u2, ... , un) e v =(v1, v2, ... , vn)
Existem variações do produto interno euclidiano, como é o caso do produto interno
euclidiano ponderado, definido por: 〈 u, v 〉 =k1u1v1 + k2u2v2 +...+ knunvn
Onde k1, k2, ... , kn são pesos, constantes reais.
Exemplo 3
Calcule o produto interno entre os vetores u =(2,-2,1,3,0) e v =(1,1,-1,0,2).
Quando não há menção de qual o produto interno em questão, então se assume que o
produto interno é o euclidiano, logo:

〈 u, v 〉 =u1v1 + u2v2 +...+ unvn
〈 u, v 〉 =u1v1 + u2v2 +u3v3 + u4v4+ u4v5
〈 u, v 〉 =2.1+(-2).1+1.(-1)+3.0+0.2
〈 u, v 〉 = -1
O produto interno é uma operação que é sempre aplicada entre dois vetores,
tendo como resultado um número real. Em hipótese alguma o produto interno
pode ser aplicado entre três ou maios vetores.
Aplicando o produto interno

No estudo de vetores, temos a necessidade de analisar seu tamanho, os ângulos forma-
dos, as distâncias, enfim, propriedades geométricas para compreender melhor suas aplicações.
Usaremos então o produto interno para abordar algumas dessas propriedades.
Norma de um vetor
A norma, ou comprimento, ou módulo, de um vetor expressa em função do produto
interno é: "
u =
u, u
A notação normalmente utilizada para a norma é: u ou |u| .
Distância entre dois vetores

A distância entre dois vetores nada mais é do que o comprimento (norma) do vetor
diferença entre os dois vetores, logo: "
d(u, v) = u − v =
u − v, u − v
Ângulo entre dois vetores

O ângulo entre dois vetores também pode ser obtido em função do produto interno:

u, v
cos(θ) =
u·v
Onde θ é o ângulo entre u e v.

Exemplo 4
Conhecendo-se os vetores u =(2,-2,1,3,0) e v =(1,1,-1,0,2). Calcule:
a) A norma de u
b) A norma de v
c) A distância entre u e v
d) O ângulo entre u e v
a) A norma de u
"
u =
u, u
"
u =
(2, −2, 1, 3, 0), (2, −2, 1, 3, 0)
"
u = 22 + (−2)2 + 12 + 32 + 02
√
u = 18
b) A norma de v
"
v =
v, v
"
v =
(1, 1, −1, 0, 2), (1, 1, −1, 0, 2)
"
v = 12 + 12 + (−1)2 + 02 + 22
√
v = 7
c) A distância entre u e v
(u − v) = (2, −2, 1, 3, 0) − (1, 1, −1, 0, 2) = (1, −3, 2, 3, −2)

"
d(u, v) = u − v =
u − v, u − v
"
d(u, v) =
(1, −3, 2, 3, −2), (1, −3, 2, 3, −2)
"
d(u, v) = 12 + (−3)2 + 22 + 32 + (−2)2
√
d(u, v) = 27
d) O ângulo entre u e v

u, v
cos(θ) =
u·v

u, v
cos(θ) =
u·v

(2, −2, 1, 3, 0), (1, 1, −1, 0, 2)
cos(θ) =
u·v
2·1 + (−2)·1 + 1·(−1) + 3·0 + 0·2
cos(θ) = √ √
18· 7
−1 1
cos(θ) = √ =− = −0, 089
126 11, 22
θ = cos−1 (−0, 089)
θ = 95, 11◦
Calcule o ângulo entre os vetores w1 e w2, w1 e w3, w2 e w3.

w1=(-1,1,2), w2=(1,-1,0) e w3=(-2,2,0)
Propriedades (u, v e w são vetores do espaço vetorial V e k, k1 e k2 são escalares)

u ≥ 0 ∀ u V

u = 0 Somente de u=0 (vetor nlo)

k·u = |k|·u
〈 0, u 〉 =〈 u, 0 〉 =0
〈v+w, u〉 = 〈v, u〉 + 〈 w, u 〉
〈v -w, u〉 = 〈v, u〉 + 〈 w, u 〉
〈v, w - u〉 = 〈v, w〉 + 〈 v, u 〉
〈kv, u〉 = k〈v, u〉
〈k1v, k2u〉 = k1k2〈v, u〉
|
u, v| ≤ u·v Desigualdade de Cauchy-Schwarz
u + v ≤ u + v Desigualdade triangular

Exemplo 5
Simplifique a expressão: 〈3u -4v, 2u +v〉.
Usando a propriedade 〈 u+w, v 〉 = 〈 u, v 〉 + 〈 w, v〉 , temos:

〈3u -4v, 2u +v〉 = 〈3u -4v, 2u〉 + 〈3u -4v, v〉
Novamente aplicando a propriedade:
〈3u -4v, 2u +v〉 = (〈3u , 2u〉 - 〈4v, 2u〉) + (〈3u, v〉 - 〈v, v〉)
Utilizando agora a propriedade 〈k1v, k2u〉 = k1k2〈v, u〉 , temos:
〈3u -4v, 2u +v〉 = (3.2 〈 u, u 〉 - 4.2〈 v, u〉) + (3〈 u, v 〉 - 4〈 v, v 〉)
E sabendo que 〈 u, v 〉 = 〈v, u〉
〈3u -4v, 2u +v〉 = 6〈 u, u 〉 - 8〈v, u〉 + 3〈 u, v 〉 - 4〈v, v〉
〈3u -4v, 2u +v〉
"= 6〈 u, u 〉 - 5〈 u, v 〉 - 4〈v, v〉
Como u =
u, u, logo u2 =
u, u , então podemos escrever:

3u − 4v, 2u + v = 6u2 − 5
u, v − 4v2
Simplifique a expressão: 〈8w +2v -3u,u -2v〉, em que u, v e w são vetores.
Desafio
1) Dados u e v, vetores que pertencem a um espaço vetorial W, e sabendo que u = |u| = 8

e v = |v| = 1 , calcule: 〈u -v, u +v〉.
2) Sejam U e V dois vetores arbitrários do 2, mostre que o produto interno entre eles
pode ser escrito como: 〈U, V〉 = ||U||. ||V||. cos(θ). Onde θ é o ângulo entre os vetores.
* Relações trigonométricas sen (a±b)=sen(a)cos(b) ± sen(b)cos(a)

(caso seja necessário): sen (a±b)=sen(b)cos(a) ∓ sen(a)cos(b)
# 1
3) Supondo que P2 tem produto interno
u, v = u(x)·v(x)·dx, encontre ||u|| para:
−1
a) u=(x2)
b) u=(x)
c) u=(1)
d) u=(2x2+x-2)

$ % $ %
4) Para que valores de x e z os vetores 1 1 1
u= √ , 0, √ ,v = x, √ , −z
são ortonormais? 2 2 2
5) Encontre uma base ortonormal para o subespaço de 3 formado pelos vetores na

forma (r,r+s,s).
6) Observe a figura a seguir e, considerando que u e v são ortogonais, encontre uma

relação entre as normas de u+v, de u e de v. O que representa esse resultado?
u+v
v
Resumo
Nesta aula, você aprendeu que existe uma ferramenta a qual permite uma
análise mais precisa de vetores dentro de um espaço vetorial, o produto interno.
Viu também que cada espaço vetorial pode ter sua própria regra para produto in-
terno. Devemos então verificar se a regra é uma regra válida para produto interno
através dos axiomas. Ele possibilita o cálculo de normas, ângulos, distâncias e
ainda outras aplicações que serão vistas em aulas posteriores.
Autoavaliação
1 Verifique se as operações a seguir são produtos internos dos espaços dados.
a) u, v ∈ 2, u=(u1,u2), v=(v1, v2), 〈 u, v 〉 = -2u1v1 + 2u2v2
b) u, v ∈ 2, u=(u1,u2), v=(v1, v2), 〈 u, v 〉 = u1v1 + u1v2 + u2v1 + u2v2

u, v = u21 v12 + u22 v22
c) u, v ∈ 2, u=(u1,u2), v=(v1, v2),
d) u, v ∈ 3, u=(u1,u2, u3), v=(v1, v2,v3), 〈 u, v 〉 = - u1v1 - u3v3

a1 b1 a2 b2
u= ,v =
c1 d1 c2 d2
e) u, v ∈ M2x2, , 〈 u, v 〉 = tr(u).tr(v)
* tr(A) = traço da matriz A
f) u, v ∈ P2 , u=(a2x2 –a1x +a0) , v=(b2x2 –b1x +b0), 〈 u, v 〉 = 2(a2b2 –a0b0)

u, v = a22 b22 + a1 b1
g) u, v ∈ P2 , u=(a2x2 –a1x +a0) , v=(b2x2 –b1x +b0),
Sabendo que u=(3, 2, -1, 0, 0), v=(0, 1, 3, 4, -2), encontre:

2
u 3u + 2v 1
a) d) g)
u, u
u
u
b) u + v e)
u, v
u − v
u, v
c) f) v

v, u
3 Considerando os vetores u, v, w e z ∈ n, encontre uma expressão equivalente:
a) 〈u+3v -2z, 5v + u 〉
b) 〈u+3w -2u, 5w 〉
c) u − 3v − w + 2z
Seja P1 o espaço dos polinômios de grau 1 com produto interno definido por:
4 ad bc bd , onde u=(a +bx) e v=(c +dx).

u, v = ac + + +
2 2 2
Encontre a norma de P, a norma de Q e a distância entre os vetores P e Q, onde
P=5x-2 e Q=-3x-4.
Sendo u=(2,1,0,-2), qual deve ser o valor de K para que ||ku||=2 ? k é uma
5 constante real.

Referências
Anotações

Anotações

Anotações

Processo de ortogonalização
de Gram-Schmidt
Aula
10
Apresentação
V
imos anteriormente que um espaço vetorial pode ter diversas bases possíveis, desde
que os vetores sejam linearmente independentes e que gerem o espaço. Dessa forma,
podemos escolher com que base trabalhar, porém, existem algumas situações em que
há a necessidade de se trabalhar com uma base cujos vetores sejam todos ortogonais entre si.
Então, como obter uma base que seja ortogonal de um espaço vetorial? Para isso, lançaremos
mão do processo de ortogonalização Gram-Schmidt.
Objetivos
1 Reconhecer um conjunto de vetores ortogonais e ortonormais.
Identificar as projeções de um vetor.

2
3 Utilizar o algoritmo que resulta em um conjunto ortogonal.
Aprender a normalizar vetores.

4
Identificar a diferença entre um conjunto de vetores orto-
5 gonal e ortonormal.

Definição
O processo de ortogonalização de Gram-Schmidt é um algoritmo que permite entrarmos com
um conjunto de vetores LI e ele nos retorna um conjunto de vetores, que além de linearmente inde-
pendentes, são ortogonais.
Antes de conhecermos melhor esse algoritmo, veremos alguns conceitos pertinentes.
Ortogonalidade
Dois vetores u e v são ortogonais (perpendiculares) quando formam um ângulo de π
radianos entre si e a notação é: u ⊥ v 2
Outra forma de verificar a ortogonalidade é através do produto interno, pois quando dois
vetores são ortogonais, seu produto interno é zero.
〈 u, v 〉 = 0 se u ⊥ v
Um conjunto de vetores é dito ortogonal quando todos os vetores são ortogonais entre si.
Exemplo 1
Verifique se os vetores a seguir são ortogonais:
a) u=(2,-2,1,0) e v=(3,1,-4,5).

2 1 0 0
b) u = ev=
−1 −1 2 1
Quando não é explicitado qual o produto interno, então é utilizado o euclidiano:
a) Se u e v forem ortogonais, então o produto interno entre eles será zero:
〈 u, v 〉 = 2.3 + (-2).1 + 1.(-4) + 0.5
〈 u, v 〉 =0
Logo, u e v são ortogonais.
b) Se u e v forem ortogonais, então o produto interno entre eles será zero:

〈 u, v 〉 = 2.0 + 1.3 + (-1).2 + (-1).1
〈 u, v 〉 = 0
Logo, u e v são ortogonais.

1
Verifique se os vetores a seguir são ortogonais.

a) u=(5,-3,0,-1,4) e v=(2,2,-6,-4,0)
b) u=(3,-3,2) e v=(3,-2,1)
c) u=-x3+3x2 -5x +2 e v=3x3+2x2 +x +1
Bases ortonormais
Como já vimos, um conjunto de vetores é ortogonal quando todos são ortogonais entre
si, sempre analisados par a par. Um conjunto de vetores ortogonais é dito ortonormal quando
todos apresentam norma igual a 1. Ou seja, para que um conjunto de vetores seja ortonormal,
tem que apresentar produto interno igual a zero (tem que ser ortogonal) e tem que ter norma 1.
Exemplo 2
Verifique se os vetores a seguir são ortonormais:
a) u1=(2,1,1,1) , u2=(1,0,-1,-1) e u3=(3,-1,1,0)
b) u1=(0,1,1,1) , u2=(1,0,-1,1) e u3=(-1,1,-1,0)
a) Para que o conjunto seja ortonormal, é preciso que os vetores sejam ortogonais e que
tenham norma igual a 1.
Verificando se são ortogonais:
〈 u1, u2 〉 = 2.1 + 1.0 + 1.(-1) + 1.(-1) = 0
〈 u1, u3 〉 = 2.3 + 1.(-1) + 1.1 + 1.0 = 6
〈 u2, u3 〉 = 1.3 + 0.(-1) + (-1).1 + (-1).0 = 2
Como os produtos internos apresentaram valores diferentes de zero, não são ortogonais,
portanto, não são ortonormais.
b) Verificando se são ortogonais:
〈 u1, u2 〉 = 0.1 + 1.0 + 1.(-1) + 1.1 = 0
〈 u1, u3 〉 = 0.(-1) + 1.1 + 1.(-1) + 1.0 = 0
〈 u2, u3 〉 = 1.(-1) + 0.1 + (-1).(-1) + 1.0 = 0
Como os produtos internos apresentaram valores iguais a zero, os vetores são ortogonais.
Agora, vamos verificar se têm norma 1:
" " √
u1 =
u1 , u1 = 02 + 12 + 12 + 12 = 3
" " √
u2 =
u2 , u2 = 12 + 02 + (−1)2 + 12 = 3
" " √
u3 =
u3 , u3 = (−1)2 + 12 + (−1)2 + 02 = 3

Como os vetores não têm norma 1, então o conjunto não é ortonormal.
Verifique se os vetores a seguir são ortonormais.

a) u=(1,-1,0) e v=(0,0,1)
5 1
b) u = x2 − 2 e v = 2x2 − x
2
Projeções
Consideremos um plano W e um vetor u. Analisando a Figura 1, dizemos que w1 é a
projeção ortogonal de u em W e que w2 é a componente de u ortogonal a W.
Figura 1 – Projeções no vetor u no plano W
Definimos então: u=w1+ w2

onde,
w1 = projw u
w2 = projw⊥ u
A Figura 1 mostra as projeções de um vetor em um plano, porém, trabalharemos com

projeções em diversas dimensões.
Para o processo de ortogonalização de Gram-Schmidt, precisaremos conhecer a projeção
ortogonal de u em W. Consideremos que o espaço W tenha uma base ortogonal {v1, v2, v3,
..., vn}, então a projeção ortogonal de u em W é dada por:

u, v1
u, v2
u, v3
u, vn
w1 = projw u = 2 v1 + 2 v2 + 2 v3 + . . . + v
v1 v2 v3 vn 2 n

Processo (algoritmo)
O processo consiste em transformar um conjunto finito de vetores LI U={u1, u2, ..., un},
de um determinado espaço com produto interno, em um conjunto ortogonal V={v1, v2,..., vn},
como mostrado na Figura 2.
Figura 2 – Processo de ortogonalização de Gram-Schmidt
Etapas
1) Partindo do conjunto de vetores U, tomemos um dos vetores como referência, por exemplo, u1.
v1= u1
2) O próximo passo é obter um segundo vetor ortogonal ao primeiro. Então, calculemos v2:

u2 , v1
v2 = u2 − projw1 u2 = u2 − v
v1 2 1
Como temos até agora apenas o vetor v1 no nosso conjunto ortogonal, a projeção de u2
é calculada em relação ao vetor v1 apenas, pois v2 precisa ser ortogonal somente em relação
a v1 até agora. Portanto, w1 na equação refere-se ao vetor v1.
3) A etapa seguinte consiste em obter um terceiro vetor que seja tanto ortogonal a v1 quanto
a v2. Isso implica dizer que v3 deve ser ortogonal ao plano formado pelos vetores v1 e v2.

u3 , v1
u3 , v2
v3 = u3 − projw2 u3 = u3 − 2 v1 − v
v1 v2 2 2
Agora temos os vetores v1 e v2no nosso conjunto ortogonal. A projeção de u3 é calculada

em relação aos vetores v1 e v2. Portanto, w2 na equação refere-se ao plano formado pelos
vetores v1 e v2.

4) Para obter o quarto vetor, devemos escrevê-lo ortogonal aos três que encontramos ante-
riormente:

u4 , v1
u , v
u , v
v4 = u4 − projw3 u4 = u4 − v − 4 22 v2 − 4 32 v3
v1 2 1 v2 v3
Temos os vetores v1, v2 e v3 no nosso conjunto ortogonal. A projeção de u4 é calculada

em relação aos vetores v1, v2 e v3. Portanto, w3 na equação refere-se ao espaço formado pelos
vetores v1, v2 e v3.
5) Encontrando o vetor n:
n−1

vn = u n − projwj un
j=1
6) Para obtermos um conjunto ortonormal, basta que dividamos cada vetor pela sua norma,
conforme mostrado na Tabela 1.
Tabela 1 – Vetores
Conjunto LI
Conjunto ortogonal Conjunto
ortonormal
v1 v v v
u1, u2, u3,..., un v1, v2, v3,..., vn q1 = , q = 2 , q3 = 3 , . . . , qn = n
v1 2 v2 v3 vn
Exemplo 3
Sabendo que o conjunto U={(1,0,1),(1,2,0),(1,0,0)} é base do espaço V, encontre uma
base ortonormal para o espaço V.
Tomemos u1=(1, 0, 1), u2=(1, 2, 0), u3=(1, 0, 0).
1) Escolhendo um vetor como referência: v1=u1=(1, 0, 1)

u2 , v1 1
2) Calculando v2: v2 = u2 − projw1 u2 = u2 − 2 v1 = (1, 2, 1) − (1, 0, 1)
v1 2
$ %
1 1
v2 = , 2, −
2 2

u3 , v1
u , v
3) Calculando v3: v3 = u3 − projw2 u3 = u3 − v − 3 22 v2
v1 2 1 v2
1 1 $ 1 1
% $
1 1
% $
1 2 1
%
v3 = (1, 0, 0) − (1, 0, 1) − 2 , 2, − = (1, 0, 0) − , 0, − , ,−
2 9 2 2 2 2 18 9 18
2
$ %
4 2 4
v3 = , ,−
9 9 9

$ % $ %
1 1 4 2 4
4) Base ortogonal : v1 = (1, 0, 1), v2 = , 2, − , v3 = , ,−
2 2 9 9 9
5) Base ortononormal: q1, q2, q3

$ %
v1 (1, 0, 1) 1 1
q1 = = √ = √ , 0, √
v1 2 2 2
1 1
! √ √ √
v , 2, − 2 2 2 2
q2 = 2 = 2 3 2 = , ,
v2 √ 6 3 6
2
4 2 4
! $ %
v3 9, −9, −9 2 1 2
q3 = = 2 = ,− ,−
v3 3
3 3 3
3
Sabendo que o conjunto U={(0,0,-2),(0,1,1),(1,0,1)} é base do espaço
V, encontre uma base ortonormal para o espaço V.
Desafio
$ % $ %
1 1 1
1) Para que valores de x e z os vetores u= √ , 0, √ ,v = x, √ , −z
são ortonormais? 2 2 2
2) Encontre uma base ortonormal para o subespaço de 3 formado pelos vetores na forma
(r, r + s, s).
3) Determine uma base ortonormal do subespaço W do 3 definido por :

W= {(x, y, z) ∈ 3 : x –y=0}
Resumo
O processo de ortogonalização de Gram-Schmidt permite que transforme-

mos uma base qualquer em uma base ortogonal. Esse procedimento é importante
em algumas aplicações em que é necessário trabalhar com uma base dessa
natureza. Nesta aula, você aprendeu a identificar quando um conjunto de vetores
é ortogonal ou ortonormal e aprendeu também a aplicar o algoritmo que resulta
na ortogonalização de vetores.

Autoavaliação
Verifique se os vetores a seguir são ortogonais utilizando o produto interno indica-
1 do e, em seguida, encontre o ângulo entre eles.
a) u=(0, 2, -1, 2), v=(2, -2, 1, 0)

1 −2 3 1 0 1
b) u= ,v =
0 1 −1 −3 −2 2
c) u=(-2x2 +x) , v=(x2 +3x +1)
Verifique se os vetores a seguir são ortogonais utilizando o produto interno indica-

2 do e, em seguida, encontre o ângulo entre eles.
a) u=(0, 2 ,-1, 2) ,
v=(2, -2, 0, -2), 〈 u, v 〉 = - u1v1 - 2u2v2 + 3u3v3 - 5u4v4

1 −2 3 1 0 1
b) u= ,v = ;
u, v = 2u11 v11 + u12 v12 + 3u21 v22
0 1 −1 −3 −2 2
c) u=(0, 2, -1, 2),
v=(2, -2, 1, 0), 〈 u, v 〉 = u2v0 + 2u1v1,
onde u=u2x + u1x + u0 , v=v2x2 + v1x + v0
2
3 Considerando o vetor v1=(1, 0, 2), encontre dois vetores que sejam ortogonais
a v1.
4 Encontre uma base para o espaço formado pelo conjunto de vetores ortogonais a u=(u1,
u2 ).
5 Verifique se o conjunto de vetores é ortonormal. Justifique.
a) u = (2, 12), v = (0, 1)
b) u = (0, 23, 1), v = (3, −32, 1)

$√ √ √ % $√ √ % $√ √ √ %
c) u= 6
6, − 6 6
3, 6 , v = 2 2
2, 0, 2 , u = 3
3, 3, 33
3
⎡ √ ⎤
1 3
u= 2 0 ,v =
0 1
,w = ⎣ √ 3 √
0 ⎦
d) −1 0 0 0 3 3
2 3 3

6 Considere a base B do espaço W, encontre uma base ortonormal para o espaço
W, sendo:
⎡⎤ ⎡ ⎤
3 8
⎢ ⎥ ⎢ ⎥
a) B = {u1 , u2 } , u1 = ⎣ 0 ⎦ , u2 = ⎣ 5 ⎦
−1 6
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
2 −1 −2
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
b) B = {u1 , u2 , u3 } , u1 = ⎣ 1 ⎦ , u2 = ⎣ 2 ⎦ , u3 = ⎣ 2 ⎦
0 3 −2
⎡ ⎤ ⎡ √ ⎤ ⎡ ⎤
0 2 1
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢ 1 ⎥ ⎢ ⎥ ⎢ ⎥
B = {u1 , u2 , u3 } , u1 = ⎢ ⎥,u = ⎢ 1 ⎥,u = ⎢ 1 ⎥
c) ⎢ 1 ⎥ 2 ⎢ 1 ⎥ 3 ⎢ 1 ⎥
⎣ ⎦ ⎣ ⎦ ⎣ ⎦
0 0 1
7 Encontre uma base para a solução do sistema linear que seja ortonormal.

a) x + y − 2w = 0
y+z+w =0
⎧
⎪
⎨ 2a + c = 0
b) ⎪
b−c−d=0
⎩
2a + b − d = 0

a+b−c=0
c) 2a + b + 2c = 0
Referências

Anotações

Anotações

Matrizes ortogonais
e mudança de base
Aula
11
Apresentação
A
s matrizes ortogonais apresentam características especiais e são utilizadas em soluções
de diversas aplicações, como é o caso de mínimos quadrados e obtenção de cônicas.
Outra matriz importante é a matriz que associa bases diferentes de um mesmo espaço
vetorial, proporcionando a migração de uma base para outra através de uma simples multi-
plicação de matrizes.
Objetivos
1 Identificar quando uma matriz é ortogonal.
2 Reconhecer as características das matrizes ortogonais.
Saber encontrar as matrizes que modificam vetores de uma

3 base para outra.

Definição
Matrizes ortogonais são matrizes cujos vetores (sejam por linha ou por coluna) são ortonor-
mais. O nome pode gerar alguma confusão, mas é isso mesmo “matrizes ortogonais têm vetores
ortonormais”. Uma característica das matrizes ortogonais é que sua inversa é igual à sua transposta.
A-1=At
Se multiplicarmos ambos os lados da equação, teremos:
A-1.A =At.A
I =At.A
Exemplo 1
Verifique se a matriz A é ortogonal.
1 −2
√ √
A= 5 5
√2 √1
5 5
Se a matriz A for ortogonal, então A-1 = At e At . A = I:

√1 √2 √1 −2
√ 1
+ 4
− 25 + 2
1 0
At · A = −2
5 5 · 5 5 = 5 5 5 =
√1 √2 √1 − 25 + 2 4 1
5 + 0 1
√
5 5 5 5 5 5
Portanto, A é ortogonal.
Outra forma de saber se uma matriz é ortogonal é verificar se os vetores que a compõem,
por linha ou coluna, são ortonormais. Devemos separar os vetores em A=[v1 | v2]:

√1 −2
√
v1 = 5 v2 = 5
√2 √1
5 5
Aplicando o produto interno, verificamos que <v1,v1> = 0, portanto, ortogonal, e se

calcularmos as normas de v1 e v2, veremos que ambas são iguais a 1.

Propriedades da matriz ortogonal
Se A é uma matriz ortogonal, tanto os vetores-linha de A quanto os ve-
tores-coluna formam um conjunto ortonormal em relação ao produto interno
euclidiano.
A inversa de uma matriz ortogonal é ortogonal.
Um produto de matrizes ortogonais é ortogonal.
Se A é ortogonal, então det(A) = ±1.
Para quais valores de θ, a matriz B é ortogonal?

cos(θ) −sen(θ)
B=
sen(θ) cos(θ)
Mudança de base
Sabemos que um mesmo espaço vetorial pode ter várias bases distintas para representá-
-lo. Porém, quando queremos fazer a migração de uma base para outra, devemos escrever o
vetor com combinação linear dos elementos da nova base. Imagine agora que precisemos fazer
isso com uma grande quantidade de vetores. Então, podemos pensar em uma maneira menos
trabalhosa de fazer isso, podemos encontrar uma matriz que faça a transformação de uma
base para a outra. Para isso, teríamos apenas que multiplicar a matriz pelo vetor na base antiga
e o resultado me daria o vetor na nova base. Essa matriz se chama matriz mudança de base.
Tomemos o vetor do ℜ2 u=(2,3) na base canônica. Consideremos agora as bases tam-
bém do ℜ2 , ¯1={(1,2), (0,2)} e ¯2={(-1,0), (1,1)}. Para escrevermos o vetor u nas duas
novas bases, devemos escrevê-lo como combinação linear:
(2, 3) = a(1, 2) + b(0, 2) (2, 3) = a(−1, 0) + b(1, 1)

1 a = 1, b = 3
a = 2, b = −
&$ 2 %' [u]β2 = {(1, 3)}
1
[u]β1 = 2, −
2
Conhecendo a matriz que transforma um vetor de uma base para outra, bastaria efetuar
uma multiplicação:
[u]β1 = Pβ1→β2 · [u]β2
[u]β2 = Pβ2→β1 · [u]β1

Onde, Pβ2→β1 = Pβ1→β2
−1

1 2
Nesse exemplo, a matriz P¯1→¯2 é dada por: Pβ1→β2 = logo:
2 2
[u]β2 = Pβ1→β2 · [u]β1

1 2
[u]β2 = · [u]β1
2 2

1 2 1 1
[u]β2 = · 1
=
2 2 −2 3
Obtendo a matriz mudança de base

Existem duas formas de obter a matriz mudança de base: escrevendo uma base nas
coordenadas da outra ou através de operações elementares.
Escrevendo uma base nas coordenadas da outra
1) Se quisermos encontrar a matriz que transforma um vetor da base S1 para uma base S2,
PS1→S2 , então devemos escrever os vetores da base S1 como combinação linear dos vetores
da base S2.
2) Montamos a matriz PS1→S2, entrando por coluna, com os vetores de S1 escritos na

base S2.
Exemplo 2
Encontre a matriz que faz a mudança de coordenadas da base S1={(1,0,1), (2,1,0),
(0,2,-2)} para a base S2={(-2,0,0), (1,1,1), (1,-2,1)} .
Escrevendo os vetores de S1 como combinação linear de S2.
u1 = (1, 0, 1) = a(−2, 0, 0) + b(1, 1, 1) + c(1, −2, 1)

2 1
a = 0, b = , c =
$ 3 %3
2 1
[u1 ]S2 = 0, ,
3 3
u2 = (2, 1, 0) = a(−2, 0, 0) + b(1, 1, 1) + c(1, −2, 1)

1 1
a = −1, b = , c = −
$ 3 %3
1 1
[u2 ]S2 = −1, , −
3 3

u3 = (0, 2, −2) = a(−2, 0, 0) + b(1, 1, 1) + c(1, −2, 1)
2 4
a = −1, b = − , c = −
$ 3 %3
2 4
[u3 ]S2 = −1, − , −
3 3
⎡ ⎤
0 −1 −1
⎢ 2 1 ⎥
Montando a matriz com os vetores por coluna, temos: PS1→S2 = ⎣ 3 3 − 23 ⎦
1 1
3 3 − 43
Para encontrar a transformação contrária, basta encontrar a inversa: Pβ2→β1 = Pβ1→β2

−1
Aplicando operações elementares
1) Se quisermos encontrar a matriz que transforma um vetor da base S1 para uma base S2,
então devemos encontrar uma matriz ampliada composta pelos vetores, por coluna, das
duas bases: Aa=[S1 S2] .
2) Aplicamos então operações elementares sobre matrizes com o objetivo de deixar na pri-
meira metade da matriz aumentada a matriz identidade. Quando isso acontecer, na segunda
metade teremos a matriz que faz a mudança da base S1 para a base S2: Aa ῀ [I PS1→S2]
Exemplo 2
Encontre a matriz que faz a mudança de coordenadas da base S1={(1,0,1), (2,1,0),
(0,2,-2)} para a base S2={(-2,0,0), (1,1,1), (1,-2,1)} .
Escrevendo os vetores de S1 como combinação linear de S2.

Primeiro encontramos a matriz aumentada, partindo dos vetores das bases:
⎡ ⎤
−2 1 1 1 2 0
⎢ ⎥
Aa = [S2 S1] = ⎣ 0 1 −1 0 1 2 ⎦
0 1 1 1 0 −2

Aplicando as operações elementares:
⎡ ⎤
1 − 12 − 12 − 12 −1 0
1 ⎢ ⎥
L1 = − L1 → Aa ∼ ⎣ 0 1 −2 0 1 2 ⎦
2
0 1 1 1 0 −2
⎡ ⎤
1 1 0 − 32 − 12 − 12 1
L1 = L1 + 2 L2 ⎢ ⎥
→ Aa ∼ ⎣ 0 1 −2 0 1 2 ⎦
L3 = L3 − L2
0 0 3 0 −1 −4
⎡ ⎤
1 0 − 32 − 12 − 12 1
1 ⎢ ⎥
L3 = L3 → Aa ∼ ⎣ 0 1 −2 0 1 2 ⎦
2 1 1 4
0 0 1 3 −3 −3
⎡ ⎤
1 0 0 0 −1 −1
L1 = L1 + 32 L3 ⎢ 2 1 2 ⎥
→ Aa ∼ ⎣ 0 1 0 3 3 −3 ⎦
L2 = L2 + 2L3 1 1 4
0 0 1 3 −3 −3
⎡ ⎤
0 −1 −1
⎢ 2 1 ⎥
Portanto, PS1→S2 = ⎣ 3 3 − 23 ⎦
1 1
3 3 − 43
OBSERVAÇÕES
A matriz P é sempre inversível.
Se a mudança de base ocorre entre bases ortonormais, então P é ortonormal.
Encontre a matriz que faz a mudança de coordenadas da base S2={(-2,0,0),

(1,1,1), (1,-2,1)} para a baseS1={(1,0,1), (2,1,0), (0,2,-2)} .

Desafio
1) A inversa de uma matriz ortogonal é sempre ortogonal?
2) Encontre uma matriz ortogonal cuja primeira linha é composta pelo vetor unitário na direção
de (1, 2, -2).

3 5
3) Considere a base V={(1,2), (2,3)} e a matriz M = . Encontre uma base W,
1 −2
onde M seja a matriz mudança de base de W para V.
Resumo
Nesta aula, você aprendeu um pouco mais sobre ortogonalidade e como

identificar as matrizes ortogonais. Aprendeu também a relacionar vetores iden-
tificados em bases distintas, assim como a fazer a migração de coordenadas de
uma base para outra através de matrizes transformações.
Autoavaliação
1 Verifique se as matrizes a seguir são ortogonais.

1 0
a) A=
0 1

b) 1 −1
A=
0 1
1 1

√ √
c) A= 2 2
√1 √1
2 2
⎡ ⎤
0 1 √1
⎢ 2⎥
d) A=⎢
⎣ 1 0 0 ⎥
⎦
0 0 √1
2
⎡ ⎤
1 1 1 1
⎢ 2 2 2 2 ⎥
⎢ 1
− 56 1 1 ⎥
e) A=⎢
⎢
2
1 1
6
1
6 ⎥
⎥
⎣ 2 6 6 − 56 ⎦
1 1
2 6 − 56 1
6

2 Complete a matriz B para que ela seja ortogonal. Atribua valores às incógnitas, se possível.

2 a
a) B=
c 1
⎡⎤
2 1 a
⎢ ⎥
B=⎣ b c 0 ⎦
b)
d 0 e
3 Considere as bases S1={u1, u2} e S2={v1, v2}, onde:

0 1 2 −1
u1 = , u2 = , v1 = , v2 = . Encontre:
1 0 2 0
a) A matriz mudança de base de S1 para S2.
b) A matriz mudança de base de S2 para S1.
4 Considere as bases S1={u1, u2} e S2={v1, v2}, onde:

−2 1 2 2
u1 = , u2 = , v1 = , v2 = . Encontre:
1 1 0 −2
a) A matriz mudança de base de S1 para S2.
b) A matriz mudança de base de S2 para S1.
c) Sendo w =(2,1,0) na base canônica, encontre [W]s1 e [W]s2, verificando se as matrizes

transformações dos itens a e b estão corretas.
Referências

Anotações

Anotações

Anotações

Esta edição foi produzida em mês de 2012 no Rio Grande do Norte, pela Secretaria de
Educação a Distância da Universidade Federal do Rio Grande do Norte (SEDIS/UFRN).
Utilizando-se Helvetica Lt Std Condensed para corpo do texto e Helvetica Lt Std Condensed
Black títulos e subtítulos sobre papel offset 90 g/m2.
Impresso na nome da gráfica
Foram impressos 1.000 exemplares desta edição.
SEDIS Secretaria de Educação a Distância – UFRN | Campus Universitário

Praça Cívica | Natal/RN | CEP 59.078-970 | [email protected] | www.sedis.ufrn.br

Alg I Ect Livro Z Web

Enviado por

Direitos autorais:

Formatos disponíveis

Alg I Ect Livro Z Web

Enviado por

Dados do documento

Descrição original:

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Alg I Ect Livro Z Web

Enviado por

Direitos autorais:

Formatos disponíveis

Álgebra Linear

Reitora Comitê Gestor

Secretaria de Educação a Distância (SEDIS)

Catalogação da publicação na fonte. Bibliotecária Verônica Pinheiro da Silva.

204 p.: il.

1. Matemática. 2. Álgebra Linear. 3. Matrizes. 4. Equações. I. Título.

Aula 0 Aula Revisão: Matemática Básica 7

Aula 1 Matrizes: tipos, operações e propriedades 29

Aula 2 Matrizes: operações e matrizes elementares 47

Aula 3 Determinantes: deﬁnição, cálculo, propriedades e cofatores 57

Aula 4 Inversão de matrizes: deﬁnição, propriedades e métodos 77

Aula 5 Sistema de equações lineares: deﬁnição e métodos de resolução 93

Aula 6 Deﬁnição de espaços vetoriais 115

Aula 7 Subespaços vetoriais e dependência linear 131

Aula 8 Base e dimensão 145

Aula 9 Produto Interno 159

Aula 10 Processo de ortogonalização de Gram-Schmidt 175

Aula 11 Matrizes ortogonais e mudança de base 189

SECRETARIA DE EDUCAÇÃO A DISTÂNCIA

Esclarecer possíveis dúvidas relativas ao assunto básico

Aula 00 Álgebra Linear 9

Figura 1 – Diagrama que relaciona os conjuntos numéricos

Tabela 1 – Exemplos dos conjuntos numéricos

Conjunto Descrição Exemplo

I Números Irracionais Números decimais que não admitem representação fracionária.

Aula 00 Álgebra Linear 11

12 Aula 00 Álgebra Linear

Tem-se que o mínimo múltiplo comum de 5, 4 e 2 é 20, portanto o denominador do

O mesmo vale para a subtração.

Para multiplicar frações, basta multiplicar os respectivos numeradores e os respectivos de-

14 Aula 00 Álgebra Linear

Onde x é a incógnita e os ai são constantes (valores reais). O grau do polinômio é deﬁnido

Valor numérico do polinômio

Operações com polinômios

A soma e a subtração de polinômio são feitas agrupando-se os termos de mesmo grau.

Aula 00 Álgebra Linear 15

Para a multiplicação, os polinômios devem ser colocados entre parênteses e multiplicados

16 Aula 00 Álgebra Linear

q(x) 5x4 − 3x3 + 5x2 − 12x + 3

Aula 00 Álgebra Linear 17

5x 4 –3x 3+5x 2 –12x +3 x 3+3x 2 +2x

18 Aula 00 Álgebra Linear

Figura 2 – Representações diversas de vetores no plano

Operações com vetores

A adição pode ser feita de duas maneiras, ou algebricamente ou graﬁcamente. Algebri-

Figura 3 – Resultado gráﬁco da soma de dois vetores no plano

Multiplicação por escalar

Figura 4 – Representação gráﬁca de multiplicação de vetores por escalar real

20 Aula 00 Álgebra Linear

Sendo u=(2,3,0), v=(0,2,-2) e w=(1,-1,3), calcule:

Figura 5 – Norma de um vetor

Da Figura 5 tiramos o triângulo retângulo onde a hipotenusa é a norma de V e os catetos

De uma maneira genérica: V 2 = x21 + x22 + . . . + x2n

Onde os xi são as coordenadas de um vetor de dimensão n.

Aula 00 Álgebra Linear 21

Figura 6 – Relação de ângulos entre vetores

® → Ângulo formado pelo vetor u e o eixo x.

22 Aula 00 Álgebra Linear