Universidade Federal de Uberlândia

Universidade Aberta do Brasil

Centro de Educação a Distância

Universidade Federal de Uberlândia

Licenciatura Plena em Matemática - PARFOR

Álgebra linear

Guilherme Chaud Tizziotti

Jean Venato Santos

2012
Álgebra Linear
 Universidade Federal de Uberlândia
Universidade Aberta do Brasil
Centro de Educação a Distância

Universidade Federal de Uberlândia

Licenciatura Plena em Matemática - PARFOR

Álgebra linear

Faculdade de Matemática

Álgebra Linear
 PRESIDENTE DA REPÚBLICA
Dilma Vana Rousseff

MINISTRO DA EDUCAÇÃO
Aloizio Mercadante

UNIVERSIDADE ABERTA DO BRASIL

DIRETORIA DE EDUCAÇÃO A DISTÂNCIA/CAPES
João Carlos Teatini de Souza Clímaco

UNIVERSIDADE FEDERAL DE UBERLÂNDIA - UFU

REITOR
Elmiro Santos Resende

VICE-REITOR
Eduardo Nunes Guimarães

CENTRO DE EDUCAÇÃO A DISTÂNCIA

DIRETORA E REPRESENTANTE UAB/UFU
Maria Teresa Menezes Freitas

UNIVERSIDADE ABERTA DO BRASIL - UFU

COORDENADOR UAB/UFU
Maria Teresa Menezes Freitas

SUPLENTE UAB/UFU
José Benedito de Almeida Júnior

FACULDADE DE MATEMÁTICA -FAMAT - UFU

DIRETOR
Luís Antônio Benedetti

CURSO DE MATEMÁTICA - LICENCIATURA EM MATEMÁTICA DO PLANO

NACIONAL DE FORMAÇÃO DE PROFESSORES DA EDUCAÇÃO BÁSICA PÚBLICA (PARFOR)

COORDENADORA
Fabiana Fiorezi de Marco Matos

PROFESSOR
Guilherme Chaud Tizziotti
EQUIPE DO CENTRO DE EDUCAÇÃO A DISTÂNCIA DA UFU - CEaD/UFU

ASSESSORA DA DIRETORIA
Sarah Mendonça de Araújo

EQUIPE MULTIDISCIPLINAR
Alberto Dumont Alves Oliveira
Gustavo Bruno do Vale
João Victor da Silva Alves
Otaviano Ferreira Guimarães

RESPONSÁVEL PELO SETOR DE TECNOLOGIA

Eucidio Pimenta Arruda

RESPONSÁVEL PELO SETOR PEDAGÓGICO

Marisa Pinheiro Mourão

REVISORA
Paula Godoi Arbex
ESTAGIÁRIOS
Antonio Mourão
Bruno Madureira
Cristhian Zanforlin Lousa
Daniel Kenji Nishiyama
Gustavo Lemes Mendonça
Gustavo Piccolo
Heldson Luiz da Silva
Janaína Batista do Nascimento
Julian Degutis de Freitas Garcia
Maíla Moura Suriani
Marcos Andrade Oliveira Júnior
Matheus Lacerda Domingos Medeiros
Rodrigo Junqueira Buzzi
Thiago Pereira Freitas
 Sumário

Sobre o curso 11
Módulo 1 - Matrizes e Sistemas Lineares 15
Adição de Matrizes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
Exercícios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
Produto de Matrizes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
Exercícios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
Matrizes Transposta, Simétrica e Ortogonal . . . . . . . . . . . . . . . . . . . . . . . . . 29
Exercícios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
Escalonamento de Matrizes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
Exercícios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
Inversão de Matrizes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
Exercícios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
Sistemas Lineares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
Exercícios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
Sistemas Lineares e suas Matrizes Ampliadas . . . . . . . . . . . . . . . . . . . . . . . 59
Exercícios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
Módulo 2 - Espaços Vetoriais 65
Espaços e subespaços vetoriais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
Exercícios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
Combinação Linear . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
Subespaço vetorial gerado por um conjunto . . . . . . . . . . . . . . . . . . . . . . . . . 78
Exercícios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
Dependência e Independência Linear . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
Exercícios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
Base e Dimensão . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
Exercícios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
Coordenadas e matriz mudança de base . . . . . . . . . . . . . . . . . . . . . . . . . . 93
Exercícios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
Módulo 3 - Transformações Lineares 101
Transformação Linear . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
Exercícios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
Núcleo e Imagem de uma Transformação Linear . . . . . . . . . . . . . . . . . . . . . . 109
Exercícios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
Representação Matricial de uma Transformação Linear . . . . . . . . . . . . . . . . . . 120
Exercícios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 128
Operadores Lineares do Plano . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134
Exercícios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139
Módulo 4 - Espaços com produto interno 141
Produto Interno . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 142
Exercícios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 145
Ortogonalidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147
Exercícios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 151

9
10 Álgebra Linear
 Sobre o curso

Álgebra Linear é um ramo da Matemática que surgiu do estudo sistemático de sistemas de

equações lineares, tanto algébricas quanto diferenciais. A álgebra linear trata de alguns conceitos
e objetos fundamentais da matemática tais como: matrizes, sistemas de equações lineares,
vetores, espaços vetoriais e transformações lineares. Tais conceitos são úteis em várias áreas
da Matemática, seja explorando seus aspectos mais algébricos, ou levando em conta aspectos
geométricos e topológicos inseridos na teoria.
Estes assuntos começaram tomar a forma que hoje os conhecemos em meados do século
XIX, quando muitas noções e métodos de séculos anteriores foram abstraídos e generalizados.
De fato, muitas das ferramentas básicas da álgebra linear, em especial aquelas relacionadas
com a solução de sistemas de equações lineares, datam da antiguidade, como o método de
Gauss (ou eliminação gaussiana), citado pela primeira vez por volta do século II d.c., porém tais
ferramentas não haviam sido isoladas e consideradas separadamente até os séculos XVII e XVIII.
Por exemplo, somente na virada do século XX, matrizes e tensores foram tratados como objetos
matemáticos abstratos e assim estabelecidas suas propriedades de forma mais profunda. O uso
de tais objetos na estatística, na mecânica quântica e na relatividade geral em muito contribuiu
para a disseminação da Álgebra Linear para além da Matemática Pura.
A presente disciplina visa apresentar de forma introdutória os principais elementos da álgebra
linear a partir dos seguintes módulos:

• Matrizes;

• Sistemas lineares;

• Espaços vetoriais;

• Transformações lineares;

• Espaços com produto interno.

O texto básico da disciplina é contemplado com exercícios estrategicamente posicionados, de

tal forma que o conteúdo previamente estudado fique bem assimilado em seus conceitos mais
básicos.
Quanto à metodologia, o curso seguirá com a seguinte base: estudo da teoria do livro texto,
com o treino através dos exercícios nele contido, e atividades dentro do Ambiente Virtual de
Aprendizagem (AVA), que serão passados para os alunos dentro do período de vigência de cada
módulo, e que farão parte do processo de avaliação, assim como as provas presenciais.
Quanto ao cronograma, descrito mais adiante, as 75 horas do curso são distribuídas nos
módulos de acordo com o número de semanas, considerando 4 horas de atividades de estudo
da teoria por semana, sendo necessário considerar para cada hora de estudo em teoria pelo
Álgebra Linear 11
menos uma hora de estudo através de exercícios. Esse esquema tem por finalidade assegurar
um treino mínimo nos módulos.
As listas de exercícios que serão disponibilizadas no AVA, nas datas citadas na tabela, deve-
rão ser entregues em datas que também serão apresentadas no AVA para que os tutores possam
corrigir. Desejamos ao caro aluno um ótimo curso, e torcemos para que atinja com sucesso os
objetivos da disciplina.

12 Álgebra Linear
Anotações

Álgebra Linear 13
14 Álgebra Linear
 Módulo 1
Matrizes e Sistemas
Lineares

Ao final deste módulo o leitor estará familiarizado com os seguintes conceitos:

⊲ Matriz;

⊲ Matriz quadrada;

⊲ Matriz simétrica e antissimétrica;

⊲ Matriz inversa;

⊲ Sistema linear possível determinado ou possível indeterminado;

⊲ Sistema linear impossível.

O leitor interessado em aperfeiçoar e ampliar seus conhecimentos nos assuntos tratados neste
módulo encontrará o suporte necessário nos seguintes textos: [1, 2, 6].

Álgebra Linear 15
Adição de Matrizes
Ao final desta seção você deverá ser capaz de:

⊲ Compreender o conceito de matriz.

⊲ Identificar se uma matriz é retangular, quadrada, linha, coluna, nula ou diagonal.

⊲ Fazer a adição e a subtração de matrizes.

Nesta primeira seção, veremos como representar uma matriz e como são definidas certas
matrizes especiais.

Quando falamos em matrizes, o que lhe vem à mente? Certamente a resposta é um quadro, ou
tabela, formados por números. Bem, a definição de matriz passa por isso mesmo, como veremos
na definição a seguir.

Definição 1 (Matriz ). Chamamos de matriz de ordem m por n um quadro com m linhas e n colunas
cujos elementos, que podem ser números, funções, etc., estão dispostos em m linhas e n colunas,
como abaixo  
a a12 a13 . . . a1n
 11 
 a21 a22 a23 . . . a2n
 

 
 a31 a32 a33 . . . a3n .
 
 .. .. .. .. ..
 
 . . . . .


 
am1 am2 am3 . . . amn
Em geral, denotamos uma matriz por uma letra maiúscula, por exemplo A, M ou I . E escrevemos
“A é uma matriz m × n", para dizer que A tem ordem m por n, lembrando que m denota o número
de linhas e n o número de colunas da matriz. Para efeito de simplificação, usa-se também a
notação A(m,n) ou Am×n , para dizer que A é uma matriz de ordem m por n.

Outra notação importante é a representação dos elementos de uma matriz, que também são
chamados de entradas. Se A é uma matriz m × n, denotam-se os elementos, ou entradas, de A
por aij , onde o primeiro índice, i, indica a linha, e o segundo índice, j , a coluna a que o elemento
aij pertence. Usando esta notação, pode-se representar uma matriz por A = (aij ), ou ainda,
A = [aij ], onde i varia de 1 a m (isto é, i = 1, 2, . . . , m), e j varia de 1 a n (isto é, j = 1, 2, . . . , n).

De agora em diante, representaremos uma matriz B por (bij ), uma X por (xij ) e assim por diante.

Denota-se o conjunto das matrizes Am×n com entradas reais por Mm×n (R). Já o conjunto das
matrizes Am×n cujas entradas são números inteiros, é denotado por Mm×n (Z), etc.
16 Álgebra Linear
 Neste material, em geral, vamos trabalhar com matrizes em Mm×n (R).

A seguir veremos como chamamos algumas matrizes com características especiais.

Matriz coluna: Uma matriz de ordem m por 1 é chamada de matriz coluna.

 
1
 
 0 
 
Por exemplo, a matriz   é uma matriz coluna.
 2 
 
 
−1

Matriz linha: Uma matriz de ordem 1 por n é chamada de matriz linha.

 
A matriz 3 1 −2 é um exemplo de matriz linha.

Matriz retangular: É uma matriz de ordem m por n com m 6= n.

 
1 −1 0 cos θ
A matriz   é uma matriz retangular.
cos θ 3 0 senθ

Matriz quadrada: É uma matriz na qual o número de linhas é igual ao número de colunas, ou
seja, é uma matriz de ordem n por n.

 
1 0 1
 
A matriz  9 2 −2  é uma matriz quadrada.
 
 
4 3 7

Observação. Quando nos referirmos à ordem de uma matriz quadrada n × n, diremos

simplesmente que ela tem ordem n.

Álgebra Linear 17
 Duas definições importantes no estudo de matrizes relacionada a matrizes quadradas são as
seguintes.

Definição 2. Seja A = (aij ) uma matriz quadrada de ordem n. Os elementos aij , com i = j , ou
seja, a11 , a22 , . . . , ann , são chamados de elementos principais e constituem a diagonal principal
da matriz A.

 
−1 8 3 0
 
 4 3 2 1 
 
Por exemplo, a diagonal principal da matriz   é formada por 1, 3, 0 e −7.
 7 2 0 −4 
 
 
0 2 1 −7

Definição 3. Seja A = (aij ) uma matriz quadrada de ordem n. O traço de A, denotado por tr(A),
é a soma dos elementos da diagonal principal de A, ou seja,
n
X
tr(A) = aii .
i=1

 
−1 8 0
 
Por exemplo, o traço da matriz  4 3 2  é dado por: tr(A) = −1 + 3 + 1 = 3.
 
 
0 2 1

Matriz diagonal: Uma matriz quadrada A = (aij ), de ordem n, é chamada de matriz diagonal se
os elementos aij são iguais a zero se i 6= j .

 
1 0 0
 
A matriz  0 5 0  é um exemplo de matriz diagonal.
 
 
0 0 −1

Matriz triangular: Uma matriz quadrada A = (aij ), de ordem n, é chamada de matriz triangular
superior se os elementos aij são iguais a zero se i > j . No caso em que os elementos aij são
iguais a zero se j > i, dizemos que a matriz quadrada A = (aij ) é uma matriz triangular inferior.
18 Álgebra Linear
  
  1 0 0 0
6 1 3  
 7 0 0 0
   

A matriz A =  0 −2 7  é triangular superior. Já a matriz B =   é triangular
 
 9 2 −3 0
   

0 0 8  
10 0 8 2
inferior.

Matriz nula: Uma matriz A = (aij ) é chamada de matriz nula se todos os seus elementos aij são
iguais a zero. Em geral, denota-se uma matriz nula simplesmente por 0.

 
0 0
Um exemplo de matriz nula é a matriz  .
0 0

Além das matrizes que definimos até o momento, uma em particular é muito importante tanto
no estudo de matrizes quanto para todo o decorrer deste curso. A matriz a que estamos nos
referindo é a matriz identidade que é definida da seguinte maneira.

Matriz identidade: Uma matriz diagonal que possui todos os elementos de sua diagonal iguais
a 1 é chamada de matriz identidade. Se esta matriz tem ordem n a denotamos In . Ainda pode-se
denotá-la por Id , ou simplesmente por I .
 
1 0 0 0
   
1 0  0 1 0 0 
 
Exemplos de matrizes identidade são I2 =   e I4 = 
 .
0 1  0 0 1 0 

 
0 0 0 1

TOME NOTA. Note que, para uma matriz ser uma matriz identidade ela antes tem que ser
uma matriz diagonal, que por sua vez tem que ser uma matriz quadrada. Portanto, uma
matriz identidade é antes de tudo uma matriz quadrada!

Uma observação importante que não pode ser deixada de lado é a seguinte.
Álgebra Linear 19
 Observação. Duas matrizes A = (aij ) e B = (bij ), ambas de ordem m por n, são iguais
se aij = bij , para quaisquer i e j.

   
7 2 0 −3 7 2 0 −3
Por exemplo, as matrizes A =   e B =   são iguais, isto é,
1 8 3 1 1 8 3 1
   
7 2 0 −3 7 2 0 −3
 = .
1 8 3 1 1 8 3 1

É perfeitamente possível definirmos operações que envolvam matrizes. Nesta seção, vamos
definir a adição, e como consequência a subtração, de matrizes. Na próxima seção veremos
como definir o produto de uma matriz por um escalar e o produto de duas matrizes.

Adição e subtração de matrizes: Sejam A = (aij ) e B = (bij ) duas matrizes m × n. A soma de

A e B é uma matriz C = (cij ) de ordem m × n, tal que cij = aij + bij , para quaisquer i e j . E a
diferença A − B será a matriz C = (cij ) também m × n, tal que cij = aij − bij , para quaisquer i e j .

TOME NOTA. Note que a adição e a subtração de duas matrizes só podem ser feitas se
ambas as matrizes possuem a mesma ordem.

A seguir, vemos alguns exemplos de adição e subtração de matrizes.

Exemplo
 1.       
0 2 −2 1 0 + (−2) 2+1 −2 3
       
 1 −1   1 1   1+1 −1 + 1   2 0 
       
 + = = 
 3 0   −1 2   3 + (−1) 0+2   2 2 
       
       
−5 7 3 −4 −5 + 3 7 + (−4) −2 3

20 Álgebra Linear
Exemplo
 2.       
1 −1 0 2 0 4 1−2 −1 − 0 0 − 4 −1 −1 −4
 − = = 
3 6 2 −5 3 1 3 − (−5) 6−3 2−1 8 3 1

Finalizamos esta seção introduzindo propriedades fundamentais a respeito da adição de matri-

zes.

Propriedades da adição de matrizes: Sejam A = (aij ), B = (bij ) e C = (cij ) matrizes m × n

quaisquer, e 0 a matriz nula de ordem m × n. Então são válidas as seguintes propriedades:

1) A + (B + C) = (A + B) + C , ou seja, a adição de matrizes é associativa.

2) A + B = B + A, isto é, a adição de matrizes é comutativa.

3) A + 0 = A, a matriz nula 0 é o elemento neutro com respeito à adição de matrizes.

4) −A + A = A − A = 0, isto é, a matriz −A é a matriz inversa da matriz A com respeito à adição.

Utilizando as definições de adição a subtração de matrizes não é difícil mostrar a veracidade das
quatro propriedades acima. Deixaremos a cargo do leitor, como exercício, comprovar que tais
propriedades são realmente válidas.

Seguindo os exemplos feitos nesta seção, faça os exercícios a seguir para uma melhor fixação
do conteúdo estudado.

EXERCÍCIOS
   
2 a−1 2 3
1. Dadas as matrizes A =  eB= , encontre a e b de modo que
2
−1 b + 1 −1 10
as matrizes A e B sejam iguais.
 
  3 8
x + 1 y3  
2. Será que existem x e y de modo que as matrizes M =  eN =  1 0 


1 0  
1 1
sejam iguais? Justifique.
     
3. Dadas as matrizes A = 2 −1 , B = 0 1 e C = −2 0 , calcule A + B , A + (B −
C) e B − (C − A).
Álgebra Linear 21
  
0 3
 
 2 −1 
 
4. Faça o mesmo que no exercício anterior para os casos em que A = 
 ,
 −1 5 

 
1 10
   
−1 −2 1 6
   
 0 1   0 0 
   
B= 
eC=
  .
 1 7   −1 2 

   
−3 4 8 5

22 Álgebra Linear
Produto de Matrizes
Ao final desta seção você deverá ser capaz de:

⊲ Calcular o produto de uma matriz por um escalar.

⊲ Calcular o produto de duas matrizes.

Começaremos esta seção definindo o produto de uma matriz A por um número real α. Na
linguagem de matrizes, como na de vetores que veremos mais à frente, o número real α será
chamado de escalar.

Produto de uma matriz por um escalar: Sejam α um escalar e A = (aij ) uma matriz m × n. O
produto de A por α é uma matriz B = (bij ) também m × n tal que bij = αaij para quaisquer i e j .
Costuma-se denotar por αA = (αaij ) a matriz que é o produto do escalar α pela matriz A.

Por exemplo,
     
2 −1 0 3 4.2 4.(−1) 4.0 4.3 8 −4 0 12
4.  = = 
1 0 −2 1 4.1 4.0 4.(−2) 4.1 4 0 −8 4

O produto de uma matriz por um escalar satisfaz as seguintes propriedades.

Propriedades do produto de uma matriz por um escalar: Sejam α e β escalares, e A e B

matrizes m × n quaisquer. Então são válidas as seguintes propriedades:

1) (αβ)A = α(βA)

2) (α + β)A = αA + βA

3) α(A + B) = αA + βB

4) 1.A = A

Vamos mostrar somente a segunda propriedade. As demais podem ser mostradas de forma
análoga e serão deixadas como exercício para o leitor.

Vejamos que dados dois escalares α e β , e uma matriz A = (aij ), de ordem m × n, quaisquer,
então (α + β)A = αA + βA.

De fato, (α + β)A é, por definição, uma matriz B = (bij ), onde bij = (α + β)aij .
Álgebra Linear 23
 Agora, (α + β)aij = αaij + βaij . Assim, bij = αaij + βaij . Sendo αA = (αaij ) e βA = (βaij ),
então, por definição de soma de matrizes, segue que B = αA+βA. Portanto, (α+β)A = αA+βA.

Dadas duas matrizes A e B será que sempre é possível fazer o produto de A por B ? Será que o
produto de A por B é igual ao produto de B por A? A partir de agora vejamos como responder
estas e outras questões relacionadas ao produto de matrizes cuja definição é dada abaixo.

Produto de matrizes: Sejam A = (aij ) uma matriz m × n e B = (bij ) uma matriz r × s. De-
finimos o produto de A por B , e denotamos A.B , ou simplesmente AB , da seguinte maneira:
primeiramente, temos que ter n = r , esta condição é necessária para se definir o produto de
duas matrizes; sendo n = r , o produto A.B será a matriz C = (cij ), de ordem m × s, tal que
cij = ai1 b1j + ai2 + b2j + ai3 b3j + . . . + ain bnj , com i = 1, 2, . . . , m e j = 1, 2, . . . , s.

       
1 2 5 1.5 + 2.6 17
Exemplo 3.  . = = 
3 4 6 3.5 + 4.6 39

 
1 1 −1
   
0 2 −1 0  5 2 0 
 
Exemplo 4.  . 
3 −2 4 1 3 −4 7 
 

 
9 1 0

 
0.1 + 2.5 + (−1).3 + 0.9 0.1 + 2.2 + (−1).(−4) + 0.1 0.(−1) + 2.0 + (−1).7 + 0.0
= 
3.1 + (−2).5 + 4.3 + 1.9 3.1 + (−2).2 + 4.(−4) + 1.1 3.(−1) + (−2).0 + 4.7 + 1.0

 
7 8 −7
= 
14 −16 25

TOME NOTA. Note que em geral, não temos a igualdade AB = BA. Primeiro que para
ambos os produtos existam é necessário, pela definição de produto de matrizes, que A seja
uma matriz m × n e que B seja uma matriz n × m. Segundo, mesmo que isso ocorra,
podemos não ter AB = BA, como veremos nos exemplos a seguir.

24 Álgebra Linear
  
  1 0 −2
0 2 1 
Exemplo 5. Sejam A =  eB=
 0 −1 4 . Então,

3 0 −1  
3 5 2

 
  1 0 −2
0 2 1 
AB =  .
 0 −1 4 

3 0 −1  
3 5 2
   
0.1 + 2.0 + 1.3 0.0 + 2.(−1) + 1.5 0.(−2) + 2.4 + 1.2 3 3 8
= = 
3.1 + 0.0 + (−1).3 3.0 + 0.(−1) + (−1).5 3.(−2) + 0.4 + (−1).2 0 −5 −8
.

Agora, o produto BA não existe, já que B é uma matriz 3 × 3 e A é uma matriz 2 × 3.

 
1
   
Exemplo 6. Sejam A =  2  e B = −3 0 5 . Assim,
 
 
4

     
1 1.(−3) 1.0 1.5 −3 0 5
       
AB =  2  . −3 0 5 =  2.(−3) 2.0 2.5  =  −6 0 10  que é uma matriz 3 × 3.
     
     
4 4.(−3) 4.0 4.5 −12 0 20

 
1
       
BA = −3 0 5 .  2  = (−3).1 + 0.2 + 5.4 = 17 que é uma matriz 1 × 1.
 
 
4

Note que tanto AB quanto BA existem, mas claramente AB é diferente de BA.

   
0 1 1 −1
Exemplo 7. Sejam A =  eB= . Então,
1 −1 0 2

       
0 1 1 −1 0.1 + 1.0 0.(−1) + 1.2 0 2
AB =  . = = 
1 −1 0 2 1.1 + (−1).0 1.(−1) + (−1).2 1 −3
Álgebra Linear 25
        
1 −1 0 1 1.0 + (−1).1 1.1 + (−1).(−1) −1 2
BA =  . = = 
0 2 1 −1 0.0 + 2.1 0.1 + 2.(−1) 2 −2

E temos mais um exemplo onde AB 6= BA.

Portanto, podemos dizer que a multiplicação de matrizes não é comutativa.

Mas existem matrizes A e B tais que AB = BA. Um exemplo óbvio é quando B = A. Outro
exemplo é quando A é uma matriz quadrada de ordem n e B = In , neste caso tem-se AIn = In A.
Além disso, usando a definição de produto de matrizes, mostra-se que AIn = In A = A.
   
3 −1 0 1
Considere as matrizes A =  eB= .
1 0 −1 3
       
3 −1 0 1 3.0 + (−1).(−1) 3.1 + (−1).3 1 0
Então, AB =  . = = .
1 0 −1 3 1.0 + 0.(−1) 1.1 + 0.3 0 1

       
0 1 3 −1 0.3 + 1.1 0.(−1) + 1.0 1 0
E BA =  . = = .
−1 3 1 0 (−1).3 + 3.1 (−1).(−1) + 3.0 0 1

Ou seja, temos que AB = BA = I2 .

Matriz inversa: Dada uma matriz quadrada de A de ordem n. A matriz B (quando existir) tal que
AB = BA = In é chamada de matriz inversa de A. Veremos que se uma matriz A possui inversa
esta será única. Diante disso denotamos a inversa da matriz A por A−1 .

Falaremos mais sobre matriz inversa nas aulas seguintes, onde veremos suas propriedades e
como encontrá-la. Mas adiantamos que nem todas matrizes possuem uma inversa. Note na
definição acima que uma condição necessária para uma matriz A ter uma inversa é que A seja
uma matriz quadrada. Porém, veremos mais adiante que está condição não é suficiente, isto é,
existem matrizes quadradas que não possuem inversa.

Apesar de não ser comutativo o produto de matrizes satisfaz algumas importantes propriedades
que vemos a seguir.

Propriedades do produto de matrizes:

1) Sejam A, B e C matrizes de ordem m × n, n × p e p × r , respectivamente. Então,

(AB)C = A(BC);
26 Álgebra Linear
2) Sejam A, B e C matrizes de ordem m × n, m × n e n × p, respectivamente. Então,
(A + B)C = AC + BC ;

3) Sejam A, B e C matrizes de ordem m × n, m × n e p × m, respectivamente. Então,

C(A + B) = CA + CB ;

4) Se A é uma matrizes de ordem m × n, então Im A = AIn = A;

5) Sejam A e B matrizes de ordem m × n, n × p, respectivamente. Então, para todo número α

tem-se: (αA)B = A(αB) = α(AB).

Novamente deixaremos a cargo do leitor a verificação das propriedades acima.

Seguindo os exemplos feitos nesta seção, faça os exercícios para uma melhor fixação do produto
de matrizes.

E XERCÍCIOS
   
    5 0 2 −1
−1 3 0 1 4    
1. Sejam A = ,B= , C =  2 4  e D =  1 5 . Em cada
       
1 2 1 −2 7    
−1 1 0 3
um dos itens abaixo encontre o produto pedido ou diga, justificando, que não é possível
fazê-lo.

a) AB

b) BC

c) A(C + D)

d) B(C + D)

e) (C + D)B

f) A(BC)

g) B(AC)

Álgebra Linear 27
    
2 −1 x z
2. Dadas as matrizes A =  eB= . Determine os valores de x, y, z e w
0 2 y w
para que AB = I2 .

 
  1
0 2 5    
3. Sejam A =  , B = 
 2  e C = 3 4 . Verifique que A(BC) = (AB)C .

−1 1 0  
3

4. Mostre as cinco propriedades do produto de matrizes dadas no final desta seção.

28 Álgebra Linear
Matrizes Transposta, Simétrica e Ortogonal
Ao final desta seção você deverá ser capaz de:

⊲ Encontrar a transposta de uma matriz.

⊲ Compreender as propriedades da matriz transposta.

⊲ Identificar matrizes simétricas, antissimétricas e ortogonais.

Vamos começar esta seção definindo a transposta de uma matriz.

Matriz transposta: Seja A = (aij ) uma matriz m × n. A matriz transposta de A, denotada por
AT , ou At , é uma matriz n × m obtida, a partir de A, trocando as linhas pelas colunas de mesmo
índice. Ou seja, se A = (aij ), então a matriz transposta de A é definida por AT = (aji ).

 
−1 9
   
−1 2 0 3  2 17 
 
T
Exemplo 8. a) Seja A =  . Então, A =  .
9 17 11 8  0 11 
 
 
3 8

 
a11 a12 a13  
  a a a a
 a21 a22 a23
 
  11 21 31 41 
b) Se A =  , então AT = 
 a12 a22 a32 a42 .

 a31 a32 a33
   

  a13 a23 a33 a43
a41 a42 a43

 
1
 
 2 
   
c) Se B =  , então B T = 1 2 3 4 .
 3 
 
 
4

Temos algumas propriedades que podem ser úteis quando tratamos de matrizes transpostas.
Tais propriedades são as seguintes.

Propriedades da matriz transposta:

1) (A + B)T = AT + B T , onde A e B são matrizes m × n.

Álgebra Linear 29
2) (αA)T = αAT , sendo A uma matriz qualquer.

3) (AT )T = A, sendo A uma matriz qualquer.

4) (AB)T = B T AT , onde A é uma matriz m × n e B é uma matriz n × m.

Primeiramente, vejamos a validade de 1), isto é, (A + B)T = AT + B T . De fato, sejam A = (aij )

e B = (bij ) matrizes m × n. Então, pela definição de soma de matrizes, A + B = C = (cij ), onde
cij = aij + bij , para quaisquer i e j . Agora, (A + B)T = C T = (cji ), com cji = aji + bji , ou seja,
C T = AT + B T . Logo, (A + B)T = AT + B T .

Agora, vejamos que (αA)T = αAT , onde A = (aij ) é uma matriz m × n. Pela definição de produto
de uma matriz por um escalar, temos αA = (αaij ). Assim, segue que (αA)T = (αaji ) = αAT .

Deixaremos a verificação das propriedades 3) e 4) como exercício.

Matriz simétrica: Uma matriz quadrada A = (aij ) é uma matriz simétrica se AT = A, ou seja, se
aij = aji para quaisquer i e j .

   
1 3 1 3
Exemplo 9. a) A matriz A =   é simétrica, já que AT =   = A.
3 1 3 1

   
2 −4 0 2 −4 0
   
b) A matriz A =  −4 1 16  é simétrica, pois AT =  −4 1 16  = A.
   
   
0 16 5 0 16 5

TOME NOTA. Uma propriedade interessante envolvendo uma matriz quadrada e sua trans-
posta é a seguinte: seja A uma matriz quadrada, então A.AT é uma matriz simétrica, ou
seja, A.AT = C, onde C é uma matriz simétrica.

De fato, suponha que A = (aij ) seja uma matriz quadrada de ordem n. Então, AT = (aji ) que
também é uma matriz quadrada de ordem n. Pela definição de produto de matrizes, temos que
A.AT = C , com C = (cij ) quadrada de ordem n e cij = ai1 aj1 + ai2 aj2 + ai3 aj3 + . . . + ain ajn . Assim,
vemos que cji = cij , e portanto C = C T . Logo, A.AT = C é simétrica.

30 Álgebra Linear
    
0 2 1 0 3 4
   
T
Exemplo 10. Seja A =  3 −1 5 . Então, A =  2 −1 0 .
   
   
4 0 8 1 5 8

Logo,
   
0.0 + 2.2 + 1.1 0.3 + 2.(−1) + 1.5 0.4 + 2.0 + 1.8 5 3 8
   
A.AT =  3.0 + (−1).2 + 5.1 3.3 + (−1).(−1) + 5.5 3.4 + (−1).0 + 5.8  =  3 35 52 ,
   
   
4.0 + 0.2 + 8.1 4.3 + 0.(−1) + 8.5 4.4 + 0.0 + 8.8 8 52 80

que é uma matriz simétrica.

Matriz antissimétrica: Dizemos que uma matriz quadrada A é antissimétrica se A = −AT .

   
0 3 0 −3
Exemplo 11. a) A matriz M =   é antissimétrica, já que M T =   = −M .
−3 0 3 0

   
0 1 −5 0 −1 5
   
b) A matriz B =  −1 0 −7  é antissimétrica, pois B T =  1 0 7  = −B .
   
   
5 7 0 −5 −7 0

TOME NOTA. Note que se A = (aij ) é uma matriz antissimétrica, então ela é uma matriz
quadrada com os elementos da diagonal principal sendo todos nulos e os elementos dispostos
simetricamente em relação à diagonal principal sendo opostos.

Matriz ortogonal: Uma matriz A é chamada de matriz ortogonal se A−1 = AT , ou seja, se

A.AT = AT .A = Id .

   
cos θ −senθ cos θ senθ
Exemplo 12. Considere a matriz G =  . Então, GT =  .
senθ cos θ −senθ cos θ
Álgebra Linear 31
    
cos θ −senθ cos θ senθ
Logo, G.GT =  . 
senθ cos θ −senθ cos θ

   
2 2
cos θ + sen θ cos θsenθ − senθ cos θ 1 0
= = .
2 2
senθ cos θ − cos θsenθ sen θ + cos θ 0 1

Portanto, G é uma matriz ortogonal.

Seguindo os exemplos feitos nesta seção, faça os exercícios para uma melhor fixação das defi-
nições e propriedades estudadas.

E XERCÍCIOS

1. Determine a matriz transposta de cada uma das matrizes abaixo.

 
1 8
 
a) A =  −3 0 
 
 
5 2

 
0 6
 
 2 −7 
 
 
b) M =  2 1 
 
 
 4 1 
 
 
5 5

 
0 0 1 −1 3 0 0
c) H =  
1 0 0 −1 −5 4 8

 
p p
 11 12 
d) P =  p21 p22
 

 
p31 p32

   
0 1 3 2
   
2. Sejam M =  2 −1  e N =  −3 0 , calcule.
   
   
4 5 1 3
32 Álgebra Linear
 a) (M + N)T

b) (2.M)T

c) (MN)T

3. Diga quais das matrizes abaixo são simétricas ou antissimétricas.

 
0 −1 −1 1
 
 1 0 0 1 
 
a) A =  
 1 0 0 −1 
 
 
−1 −1 1 0

 
1 2
 
b) B =  2 0 
 
 
0 1

 
1 −4
c) C =  
−4 0

 
0 9 1
 
d) D =  9 0 −2 
 
 
1 −2 0

4. Diga qual das matrizes abaixo é ortogonal. Jusifique.

 
√1 √1
2 2
a) C =  
√1 − 12
√
2

 
−1 0
 
 1
1

 2 
b) T =  
 4 3
 

 
− 13 − 41
Álgebra Linear 33
  
cos θ −senθ 0
 
c)W =  senθ cos θ 0 
 
 
0 0 1

34 Álgebra Linear
Escalonamento de Matrizes
Ao final desta seção você deverá ser capaz de escalonar uma matriz quadrada de ordem m × n.

Nesta seção vamos descrever um processo muito útil no tratamento não só de matrizes,
que nos ajuda a calcular o determinante de uma matriz de ordem n, mas também a solução
de sistemas lineares, como veremos mais adiante. Tal processo utiliza operações chamadas
elementares de matrizes e é chamado de escalonamento ou triangulação de matrizes. Antes,
porém, vamos definir alguns conceitos importantes que justificam este processo.

Dependência e independência linear de linhas e colunas de uma matriz

Seja A = (aij ) uma matriz m × n. Vamos representar a linha i de A por:

Li = [ ai1 ai2 ai3 . . . ain ],

onde, para cada i = 1, 2, . . . , m, Li será uma matriz 1 × n.

Uma combinação linear de k linhas de A será qualquer expressão do tipo

L = α1 .Li1 + α2 .Li2 + . . . + αk .Lik

onde αi ∈ R, para todo i = 1, 2, . . . , k , e ij ∈ {1, 2, . . . , m}, para cada j = 1, 2, . . . , k .

Note que se L0 = [ 0 0 0 . . . 0 ] for uma matriz nula, então tomando αi = 0, para todo
i = 1, 2, . . . , k , temos que
L0 = 0.Li1 + 0.Li2 + . . . + 0.Lik .

Considerando a expressão L0 = α1 .Li1 + α2 .Li2 + . . . + αk .Lik , se a única possibilidade de

obtermos esta igualdade for quando αi = 0, para todo i = 1, 2, . . . , k , então dizemos que as linhas
Li1 , Li2 , . . . , Lik são linearmente independentes. Agora, se a igualdade for válida para pelo
menos um αi diferente de zero, então dizemos que as linhas Li1 , Li2 , . . . , Lik são linearmente
dependentes.

TOME NOTA. Note que se uma das linhas Lij for igual a L0 , então Li1 , Li2 , . . . , Lik são
linearmente dependentes.

Álgebra Linear 35
De fato, sem perda de generalidade, suponhamos que Li1 = L0 . Assim,

L0 = α1 .Li1 + 0.Li2 + . . . + 0.Lik = α1 .L0 + 0.Li2 + . . . + 0.Lik

onde α1 pode assumir qualquer valor real.

Analogamente, podemos definir dependência e independência linear do ponto de vista das

colunas de uma matriz. Um fato importante é que o número máximo de linhas linearmente inde-
pendentes em uma matriz A é igual ao número máximo de colunas linearmente independentes
de A.

Algumas propriedades da dependência e independência linear são as seguintes:

1) A dependência ou independência linear das linhas de uma matriz não se altera se trocar-
mos a ordem dessas linhas.

2) Se Li1 , Li2 , . . . , Lik são linearmente dependentes, então Li1 , Li2 , . . . , Lik , Lik+1 também são
linearmente dependentes. Ou seja, acrescentar uma linha em um conjunto linearmente depen-
dente mantém a dependência linear.

3) Se Li1 , Li2 , . . . , Lik são linearmente dependentes (independentes), então Li1 , Li2 , . . . , α.Lij , . . . , Lik
também é linearmente dependente (independente) se α 6= 0. Ou seja, multiplicar uma das linhas
por um escalar não nulo mantém a dependência (independência) linear.

4) Se Li1 , Li2 , . . . , Lis , . . . , Lij , . . . , Lik são linearmente dependentes (independentes), então
Li1 , Li2 , . . . , Lis , . . . , Lij +Lik , . . . , Lik também é linearmente dependente (independente). Ou seja,
somar uma das linhas a uma linha mantém a dependência (independência) linear.

5) As linhas de uma matriz triangular (superior ou inferior), com os elementos da diagonal

principal diferentes de zero, são linearmente independentes.

Definição 4. A característica ou posto de uma matriz A é o número máximo de linhas de A que

são linearmente independentes.

Como o número de linhas linearmente independentes é igual ao número de colunas line-

armente independentes, podemos calcular o posto de uma matriz tanto por linhas como por
colunas.

Definição 5. Dizemos que duas matrizes A e B são equivalentes, indicamos A ∼ B , se ambas

possuem a mesma ordem e têm o mesmo posto.

Observamos que, se A é uma matriz triangular, então o posto de A é igual ao número de

elementos da diagonal principal que são diferentes de zero.
36 Álgebra Linear
 O processo de escalonamento de uma matriz A consiste obter, a partir de A, uma matriz B ,
equivalente a A, na qual figure uma matriz triangular superior ou inferior da maior ordem possível.
Este processo utiliza operações elementares, as quais veremos a seguir.
 
L1
 
L2
 
 
Suponha que A =  ..
, onde L1 , L2 , . . . , Ln são as linhas da matriz A de ordem n×m. Então,
.
 
 
 
Ln
chamaremos de operações elementares de A as seguintes:

1) Permutar duas linhas, ou seja, trocar as linhas Li e Lj , com i 6= j , de lugar;

2) Multiplicar uma linha por um número diferente de zero;

3) Substituir uma linha por uma linha formada pela soma da linha que está sendo substituída
com uma outra linha da matriz previamente multiplicada por um número diferente de zero, ou
seja, substituir Li por Li + k.Lj , com k 6= 0.

Observamos que, de forma análoga, as operações elementares também são definidas sobre
as colunas da matriz.
O processo de escalonamento possui várias etapas, onde, em cada uma delas, vamos anu-
lando as entradas abaixo (ou acima) da diagonal principal de uma submatriz quadrada de maior
ordem possível, ou da diagonal principal da própria matriz no caso de a matriz a ser escalonada
seja quadrada.
Vejamos como fazer o escalonamento de uma matriz não nula A = (aij ) de ordem m × n.
 
a11 a12 . . . a1n
 
 a21 a22 . . . a2n 
 
Seja A =  .

.. .. .. 

 .. . . . 
 
am1 am2 . . . amn
Suponhamos que a11 6= 0. Se a11 = 0, basta trocar linhas ou colunas de forma a colocar
um elemento não nulo na posição de a11 . O primeiro passo é adicionar a primeira linha a todas
as outras restantes, multiplicada por fatores de forma que anulem todos os elementos seguintes
da primeira coluna que estão abaixo de a11 . Dessa forma, obtemos a matriz abaixo, que é
equivalente à matriz A,
 
a a12 . . . a1n
 11 
 0 a22 . . . a2n
 

∼A
 .. .. .. ..

 . . . .


 
0 am2 . . . amn
Álgebra Linear 37
 A seguir, procedemos com a22 em relação à segunda coluna, como procedemos com a11 em
relação à primeira coluna. Daí, obtemos a matriz
 
a11 a12 a13 . . . a1n
 
 0 a22 a23 . . . a2n 
 
 
 0 0 a33 . . . a2n  ∼ A
 
 .. .. .. ..
 
 . . . .


 
0 0 am3 . . . amn

E assim, procedemos de modo análogo para os restantes aii até que o escalonamento termine
ou porque não há mais linhas ou porque as linhas que existem são todas formadas por zeros. A
matriz ao final do processo, dada abaixo, terá uma forma onde nela figure uma matriz ou uma
submatriz triangular da maior ordem possível com elementos principais não nulos.
 
a a a . . . a1k . . . a1n
 11 12 13 
 0 a22 a23 . . . a2k . . . a2n 
 
 
 0 0 a33 . . . a3k . . . a3n 
 
 ∼A
 0 0 0 . . . a4k . . . a4n 
 
 .. .. .. ..
 
 . . . .


 
0 0 0 ... ... 0

Ao final, podemos dividir cada linha i, onde aii for não nulo, por aii , de modo a ter 1 no lugar
destes aii .

Vejamos como fazer o escalonamento através de exemplos.

 
2 4 −1
 
Exemplo 13. Seja A =  0 −3 2 .
 
 
6 1 0

1o ) Temos que a11 = 2. Como a entrada a21 , logo abaixo de a11 , é igual a zero, o primeiro passo
(ou etapa) é substituir a linha 3 pela linha 1 multiplicada por (−3) e somada pela linha 3. Vamos
representar esta operação por: L3 → (−3).L1 + L3 . Assim, obtemos a matriz
 
2 4 −1
 
 0 −3 2 
 
 
0 −11 3

Por praticidade, escrevemos este procedimento como:

38 Álgebra Linear
    
2 4 −1 2 4 −1
   
A =  0 −3 2  L3 → −3.L1 + L3 ∼  0 −3 2 
   
   
6 1 0 0 −11 3

2o ) Tendo a primeira coluna no modo desejado, o próximo passo é deixar o elemento a32 igual a
11
0. Para isso basta multiplicar a segunda linha por − e somar com a terceira. Assim, obtemos
3
   
2 4 −1 2 4 −1
  11  
 0 −3 2  L3 → − .L2 + L3 ∼  0 −3 2
   
3

13
   
0 −11 3 0 0 −
3

E o processo acaba, já que chegamos a uma matriz na forma desejada. Caso quiséssemos
1
deixar os elementos principais iguais a 1, bastaria multiplicar a primeira linha por , a segunda
2
1 3
por − e a terceira por − . Assim, temos
3 13
   
2 4 −1 1 2 − 12
   
A ∼  0 −3 2  ∼  0 1 − 32 
   
13
   
0 0 − 0 0 1
3

De forma resumida escrevemos da seguinte maneira:

 
2 4 −1
 
A =  0 −3 2  L3 → −3.L1 + L3
 
 
6 1 0

 
2 4 −1
  11
∼  0 −3 2  L3 → − .L2 + L3
 
  3
0 −11 3

   
2 4 −1 L1 → 21 .L1 1 2 − 12
   
∼  0 −3 2  L2 → − 31 .L2 ∼  0 1 − 32 
   
13
   
3
0 0 − L3 → − 13 .L3 0 0 1
3

Álgebra Linear 39
  
0 3 2 −1
 
Exemplo 14. Seja A =  2 8 0 4 . Vamos escalonar a matriz A.
 
 
1 5 −1 2

1o ) Note que a11 = 0 e que a31 = 1. Assim, vamos trocar as linhas 1 e 3 de posição. Podería-
mos também trocar as linhas 1 e 2, já que a21 = 2 6= 0. Então, temos que:

   
0 3 2 −1 1 5 −1 2
   
 2 8 0 4 ∼ 2 8 0 4 
   
   
1 5 −1 2 0 3 2 −1

2o ) Agora,
 substituindo
 a linha multiplicada por −2 e somando com a linha 2
 2 pela linha 1 
1 5 −1 2 1 5 −1 2
   
temos:  2 8 0 4  ∼  0 −2 2 0 
   
   
0 3 2 −1 0 3 2 −1

Logo, a primeira coluna está na forma desejada.

   
1 5 −1 2 1 5 −1 2
1    
3o ) Multiplicando a linha 2 por − , temos  0 −2 2 0  ∼  0 1 −1 0
   
2

   
0 3 2 −1 0 3 2 −1

o
 4 ) Substituindo
 a
linha 3 pela linha2 multiplicada por −3 e somada com a linha 3, temos
1 5 −1 2 1 5 −1 2
   
 0 1 −1 0  ∼  0 1 −1 0 
   
   
0 3 2 −1 0 0 5 −1

1
Finalmente, multiplicamos a linha 3 por , e obtemos
5

   
1 5 −1 2 1 5 −1 2
   
 0 1 −1 0  ∼  0 1 −1 0 .
   
   
0 0 5 −1 0 0 1 − 51

40 Álgebra Linear
  
2 1 4
 
 1 1 0 
 
 
Exemplo 15. Seja M =  0 2 3 , escalone a matriz M .
 
 
 −1 4 −5 
 
 
3 2 6

Vejamos. Escrevendo resumidamente, temos:

 
2 1 4
 
 1 1 0 
 
  L →L
 1 2
 0 2 3 

  L →L
 2 1
 −1 4 −5 

 
3 2 6

 
1 1 0
 
 2 1 4  L2 → −2.L1 + L2
 
 
∼ 0 2 3  L4 → L1 + L4
 
 
 −1 4 −5  L5 → −3.L1 + L5
 
 
3 2 6

 
1 1 0
  L → − 1.L
2 2
 0 −1 4 
 
  L → 2.L + L
 3 2 3
∼ 0 2 3 

  L → 5.L + L
 4 2 4
 0 5 −5 

  L5 → −1.L2 + L5
0 −1 6

 
1 1 0
 
 0 1 −4 
 
1
 
∼  0 0 11  L3 → .L3
 
  11
 0 0 15 
 
 
0 0 2
Álgebra Linear 41
  
1 1 0
 
 0 1 −4 
 
  L → −15.L + L
 4 3 4
∼ 0 0 1 

  L → −2.L + L
5 3 5
 0 0 15 
 
 
0 0 2

 
1 1 0
 
 0 1 −4 
 
 
∼ 0 0 1 
 
 
 0 0 0 
 
 
0 0 0

Portanto,
 
1 1 0
 
 0 1 −4 
 
 
M ∼ 0 0 1 
 
 
 0 0 0 
 
 
0 0 0

Seguindo os exemplos feitos nesta seção, faça os exercícios para uma melhor fixação do método
de escalonamento.

E XERCÍCIOS

1. Escalone cada uma das matrizes abaixo.

 
1 2 −1
 
a) A =  0 1 2 
 
 
3 −1 1

 
2 −1 4
 
 0 0 1 
 
b) B =  .
 6 1 3 
 
 
−1 1 2
42 Álgebra Linear
  
2 0 2 0
 
c) C =  −2 2 2 1 
 
 
1 1 1

 
0 1 −1 4
 
 3 1 1 2
 

d) M =  
 1 0 −2 3
 

 
2 4 0 1

 
2 4 −2 0 1
 
1 1 1 4 2
 
 
 
4 2 −1 0 0
 
 
e) L =  
0 0 0 2 2
 
 
 
−2 0 6 2 −1
 
 
 
5 2 1 0 −1

Álgebra Linear 43
Inversão de Matrizes
Ao final desta seção você deverá ser capaz de encontrar a inversa de uma matriz quadrada.

Nesta seção apresentaremos um método para se obter a inversa de uma matriz. Antes porém,
vejamos importantes definições e propriedades relacionadas à matriz inversa.

Matriz Singular e Não-Singular: Chamamos uma matriz quadrada A de singular se o determi-

nante de A for nulo, ou seja, se det(A) = 0. Caso contrário, dizemos que a matriz A é não-singular
(ou regular).

 
−1 3
Exemplo 16. A matriz A =   é uma matriz singular.
−2 6

 
1 5
Já a matriz B =   é não-singular.
2 7

Observação. Se A é uma matriz singular, então ela não possui inversa. Mas, se A é
não-singular, então ela possui inversa. Lembre que det(I) = 1 e que se A possui inversa,
então A.A−1 = I.

Propriedades da matriz inversa:

1) Se uma matriz A admite inversa, então esta inversa é única.

2) Se A é uma matriz não-singular, então sua inversa A−1 também é não-singular. Além disso, a
inversa de A−1 é A, ou seja, (A−1 )−1 = A.

3) A inversa da matriz identidade I é ela mesma, ou seja, I −1 = I .

4) Se a matriz A é não-singular, então AT também é não-singular. Além disso, (A−1 )T é a inversa

de AT .
44 Álgebra Linear
5) Se A e B são matrizes não-singulares de mesma ordem, então o produto AB também é uma
matriz não-singular e (AB)−1 = B −1 A−1 .

Demonstração. 1) Suponhamos que A admite inversa e que B e C são duas inversas de A.

Vejamos que B = C . De fato, como B é inversa de A, então A.B = I . Multiplicando ambos os
lados desta igualdade pela matriz C , temos que C.(A.B) = C.I ⇒ (C.A).B = C ⇒ I.B = C ⇒
B = C . c.q.d. (como queríamos demonstrar)

2) Suponhamos que A é não-singular, ou seja, det(A) 6= 0. Como A.A−1 = I e det(I) = 1, segue

que det(A.A−1 ) = 1 ⇒ det(A).det(A−1 ) = 1. Agora, det(A) 6= 0 e então temos que
1
det(A−1 ) = 6= 0. c.q.d.
det(A)

3) Segue diretamente do fato de que I.I = I .

4) Sabemos que det(AT ) = det(A). Logo, se A é não-singular, então é claro que AT também será
não-singular. Agora, vejamos que (A−1 )T é a inversa de AT .
De fato, (A−1 )T .AT = (A.A−1 )T = I T = I . Portanto (A−1 )T = (AT )−1 . c.q.d.

5) Suponhamos que A e B são matrizes não-singulares de mesma ordem.

Então, como det(AB) = det(A).det(B), segue que AB é não-singular. Para mostrar que
(AB)−1 = B −1 A−1 , basta observar que (B −1 A−1 ).(AB) = I .


Um método para se inverter uma matriz quadrada A utilizando as operações elementares, dadas
na seção onde estudamos escalonamento, é o seguinte:

1o ) coloca-se à direita da matriz A a matriz I , separada por um traço vertical;

2o ) transforma-se, por meio de operações elementares, a matriz A na matriz I , aplicando-se

simultaneamente à matriz I , as mesmas operações elementares.

3o ) a matriz que estará à direita da matriz I , ao final do processo, será a inversa de A, que é A−1 .

As mesmas operações elementares que transformarão a matriz A na matriz identidade I , trans-

formarão I na matriz A−1 .

Vejamos como fazer este processo através de alguns exemplos.

Álgebra Linear 45
  
3 −2
Exemplo 17. Vamos determinar a inversa de A =  .
2 −1

Primeiramente, vamos colocar a matriz I à direita de A, separando-as com um traço.

 
3 −2 1 0
 
2 −1 0 1

Agora, vamos transfomar, utilizando operações elementares, a A na matriz I .

 
3 −2 1 0
  −→ L1 → 1 .L1
2 −1 0 1 3

 
1 − 23 1
3
0
⇒  −→ L2 → 2.L1 − L2
2 −1 0 1

 
1 − 32 1
3
0
⇒  −→ L2 → −3.L2
0 − 13 2
3
−1

 
1 − 32 1
0
⇒ 3 −→ L1 → 2 .L2 + L1
0 1 −2 3 3

 
1 0 −1 2
⇒ 
0 1 −2 3

 
−1 2
Portanto, a inversa de A será A−1 =  .
−2 3

       
3 −2 −1 2 3.(−1) + (−2).(−2) 3.2 + (−2).3 1 0
Note que  . = = .
2 −1 −2 3 2.(−1) + (−1).(−2) 2.2 + (−1).3 0 1

 
−2 4 0
 
Exemplo 18. Determine a inversa da matriz M =  1 0 0 .
 
 
3 6 −1
46 Álgebra Linear
A primeira coisa a fazer é colocar a matriz I à direita de M , separando-as com um traço.

 
−2 4 0 1 0 0
 
 1 0 0 0 1 0
 

 
3 6 −1 0 0 1

Utilizando as operações elementares teremos:

 
−2 4 0 1 0 0
 
 1 0 0 0 1 0  −→ Permutamos as linhas L1 e L2
 
 
3 6 −1 0 0 1

 
1 0 0 0 1 0
 
⇒  −2 4 0 1 0 0  −→ L2 → 2.L1 + L2
 
 
3 6 −1 0 0 1

 
1 0 0 0 1 0
  1
⇒ 0 4 0 1 2 0  −→ L2 → .L2
 
  4
3 6 −1 0 0 1

 
1 0 0 0 1 0
 
1 1
⇒  0 1 0 4 2 0  −→ L3 → 3.L1 − L3
 
 
3 6 −1 0 0 1

 
1 0 0 0 1 0
 
⇒  0 1 0 41 21 0  −→ L3 → 6.L2 + L3
 
 
0 −6 1 0 3 −1

 
1 0 0 0 1 0
 
⇒  0 1 0 41 12 0
 

 
0 0 1 23 6 −1

 
0 1 0
 
Logo, temos que M −1 = 1 1
0 .
 
 4 2 
3
2
6 −1
Álgebra Linear 47
Faça os produtos M.M −1 e M −1 .M e comprove que de fato eles resultam na matriz identidade.

Seguindo os exemplos feitos nesta seção, faça os exercícios para uma melhor fixação do método
para encontrar matrizes inversas.

E XERCÍCIOS

1. Encontre a inversa, caso exista, de cada uma das matrizes abaixo. No caso em que a
matriz não possua inversa, justifique sua resposta.

 
1 2 −1
 
a) A =  2 1 2 
 
 
3 −1 1

 
1 2 −1
 
b) A =  0 0 1 
 
 
1 2 0

 
1 2 −1
 
 0 1 2 
 
c) A = 
 
 3 −1 1 

 
2 5 7

 
0 1 −1 4
 
 3 1 1 2
 

d) A =  
 1 0 −2 3
 

 
2 4 0 1

 
2 −1 0 3
 
 4 1 −1 1 
 
e) A =  
 1 0 −2 3 
 
 
7 3 2 5

48 Álgebra Linear
Sistemas Lineares
Ao final desta seção você deverá ser capaz de:

⊲ Resolver sistemas lineares utilizando o método de Gauss-Jordan.

⊲ Resolver sistemas lineares utilizando o método da matriz inversa.

Nesta seção, vamos estudar sistemas de equações lineares, que constituem um tópico de muito
interesse prático. Veremos como classificá-los e resolvê-los.

TOME NOTA. Dica de leitura: O artigo Sobre o ensino de sistemas lineares, de Elon
Lages Lima, é muito interessante e vale a pena ser lido.

Para começar vamos ver como é definida uma equação linear.

Uma equação linear é uma equação da forma: a1 x1 + a2 x2 + . . . + an xn = b, na qual x1 , x2 , . . . , xn

são chamados de variáveis (ou incógnitas); a1 , a2 , . . . , an são chamados coeficientes das variá-
veis ; e b é chamado de termo independente.

Os valores das variáveis x1 , x2 , . . . , xn que satisfazem a equação são chamados de solução da

equação.

Um sistema de equações lineares, ou simplesmente sistema linear, é um conjunto de equações

lineares. Representamos um sistema linear de m equações com n variáveis da seguinte maneira:



 a11 x1 + a12 x2 + . . . + a1n xn = b1


 a x + a x + ...+ a x = b

21 1 22 2 2n n 2
 .
..




 a x + a x + ...+ a x = b

m1 1 m2 2 mn n m

Sistema possível: Um sistema que admite solução é chamado de sistema possível.

Álgebra Linear 49
Exemplo 19. O sistema 
 −x + 2y = 0
 x−y =1

é um sistema possível, já que x = 2 e y = 1 é uma solução.

Sistema determinado: Um sistema possível é chamado de sistema determinado quando possui

uma única solução.

O exemplo anterior é um exemplo de um sistema determinado.

Sistema indeterminado: Um sistema possível é chamado de sistema indeterminado quando

possui mais de uma solução (no caso infinitas).

Exemplo 20. O sistema 

 x + 2y = 1
 2x + 4y = 2

é um sistema possível e indeterminado, já que x = −1 e y = 2 é uma solução, x = 1 e y = 0

também é uma solução, assim como todos os valores de x e y tais que x = 1 − 2y .

Sistema impossível: Um sistema linear é chamado de sistema impossível quando não possui
solução.

Exemplo 21. O sistema 

 x + 2y = 0
 x + 2y = 2

é um sistema impossível, já que a expressão 2x + y não pode ser simultaneamente igual a 0 e

igual a 2.

Sistema homogêneo: Quando os termos independentes de um sistema linear são todos nulos
o chamamos de sistema homogêneo.

Exemplo 22. O sistema 



 x + 2y + 3z = 0

2x − 2y + z = 0


 −2x + 5y − 4z = 0


é um sistema homogêneo.
50 Álgebra Linear
 TOME NOTA. Note que um sitema homogêneo sempre possui pelo menos uma solução,
que é x1 = x2 = . . . = xn = 0. Essa solução é chamada de solução trivial.

Sistemas equivalentes: Dizemos que dois, ou mais, sistemas de equações lineares são equi-
valentes quando eles possuem a mesma solução.

Exemplo 23. Os sistemas 

 −x + 2y = 0
 x−y =1

e 
 −2x + 4y = 0
 2x − 2y = 2

são equivalentes, pois possuem a mesma solução x = 2 e y = 1

Operações elementares: Um sistema linear se transforma em um sistema equivalente quando

se efetuam as seguintes operações elementares:

1) Permutação de duas equações.

2) Multiplicação de uma equação por um número real diferente de zero.

3) Substituição de uma equação por sua soma com outra equação previamente multiplicada por
um número real diferente de zero.

Observação. Observe que estas operações elementares são análogas às dadas na seção
onde aprednemos a escalonar matrizes. O processo que será feito para resolver um sistema
linear será essencialmente o mesmo para escalonar uma matriz.

Álgebra Linear 51
Primeiramente, vejamos como encontrar a solução de um sistema de n equações com n variá-
veis. Veremos dois métodos para esse propósito, o método de Gauss-Jordan e o método da
matriz inversa.

Solução de um sistema de n equações com n variáveis: método de Gauss-Jordan

O método de Guass-Jordan consite em trabalhar com as operações elementares a fim de deixar

o sistema inicial equivalente a um sistema cujos termos independentes sejam a sua solução. O
método consiste no seguinte:

1o ) coloca-se ao lado da matriz dos coeficientes a matriz coluna dos termos independentes,
separadas por um traço vertical (de maneira semelhante ao processo de inversão de matrizes);

2o ) transforma-se, por meio de operações elementares, a matriz dos coefientes na matriz iden-
tidade, aplicando-se, simultanemente, à matriz coluna dos termos independentes, as mesmas
operações;

3o ) transformada a matriz dos coeficientes na matriz identidade, a matriz dos termos indepen-
dentes ficará transformada, ao final, na solução do sistema.

A matriz, associada ao sistema, formada no primeiro passo, é chamada de matriz ampliada do

sistema. Cada uma de suas linhas é uma representação abreviada da equação correspondente
no sistema. O traço vertical é dispensável, mas é colocado para facilitar a visualização da matriz
dos coeficientes e da matriz coluna dos termos independentes. O exemplo a seguir ilustra a
aplicação do método de Guass-Jordan.

Exemplo 24. Vamos resolver o sistema




 3x + 2y − 5z = 8

2x − 4y − 2z = −4


 x − 2y − 3z = −4


utilizando o método de Guass-Jordan.

O primeiro passo é colocar a matriz coluna dos termos independentes ao lado da matriz dos
coeficientes, separadas por um traço vertical. Ou seja, construir a matriz ampliada do sistema,
que é dada abaixo.
52 Álgebra Linear
  
3 2 −5 8
 
 2 −4 −2 −4 
 
 
1 −2 −3 −4

Agora, analogamente ao processo feito para encontrar a inversa de uma matriz, vamos usar ope-
rações elementares para transformar a matriz dos coefientes na matriz identidade, aplicando-se,
simultanemente,
 à
matriz coluna dos termos independentes, as mesmas operações. Vejamos.
3 2 −5 8
  1
 2 −4 −2 −4  −→ L1 → L1
 
  3
1 −2 −3 −4

 
2
1 3
− 35 8
3
 
⇒  2 −4 −2 −4  −→ L2 → L2 + (−2)L1
 
 
1 −2 −3 −4

 
2
1 3
− 35 8
3
 
⇒  0 − 16 4
− 28  −→ L3 → L3 + (−1)L1
 
 3 3 3 
1 −2 −3 −4

 
2
1 3
− 35 8
3
  3
⇒  0 − 16 4
− 28  −→ L2 → − L2
 
 3 3 3  16
8 4 20
0 −3 −3 − 3

 
2
1 3
− 53 8
3
  8
⇒  0 1 − 14 7
 −→ L3 → L3 + L2
 
 4  3
0 − 83 − 34 − 20
3

 
2
1 3
− 53 8
3
  2
⇒  0 1 − 14 47  −→ L1 → L1 − L2
 
  3
0 0 −2 −2

 
1 0 − 32 3
2
  1
⇒  0 1 − 14 47  −→ L3 → − L3
 
  2
0 0 −2 −2
Álgebra Linear 53
  
1 0 − 23 3
2
  3
⇒  0 1 − 14 7  −→ L1 → L1 + L3
 
 4  2
0 0 1 1

 
1 0 0 3
  1
⇒  0 1 − 41 7  −→ L2 → L2 + L3
 
 4  4
0 0 1 1

 
1 0 0 3
 
⇒ 0 1 0 2
 

 
0 0 1 1




 3x + 2y − 5z = 8

Portanto, os sistemas 2x − 4y − 2z = −4


 x − 2y − 3z = −4




 x + 0y + 0z = 3

e 0x + y + 0z = 2 são equivalentes.


 0x + 0y + z = 1


E do último sistema vem que a solução é x = 3, y = 2 e z = 1.

Solução de um sistema de n equações com n variáveis: método de matriz inversa

Consideremos o sistema de n equações com n variáveis




 a11 x1 + a12 x2 + . . . + a1n xn = b1


 a x + a x + ...+ a x = b

21 1 22 2 2n n 2
 .
..




 a x + a x + ...+ a x = b

n1 1 n2 2 nn n n

     
a11 a12 a13 . . . a1n x b
   1   1 
a21 a22 a23 . . . a2n   x2   b2 
     

Tomando A =  .. .. .. .. .. , X =  ..  e B =  .. 
    
. . . . .   .   . 


     
an1 an2 an3 . . . ann xn bn
54 Álgebra Linear
o sistema pode ser representado na forma matricial A.X = B . Se a matriz A possui inversa,
tem-se A−1 .A.X = A−1 .B . Logo, X = A−1 .B e temos a solução do sistema.

Portanto, se A possui inversa, a solução do sistema A.X = B é obtida de uma forma muito
simples, bastando multiplicar A−1 pela matriz B . Vejamos como fazer isso usando o exemplo
anterior.

Exemplo 25. Resolva o sistema 



 3x + 2y − 5z = 8

2x − 4y − 2z = −4


 x − 2y − 3z = −4


usando o método da matriz inversa.  

3 2 −5
 
O primeiro passo é encontrar, se existir, a inversa da matriz A =  2 −4 −2 .
 
 
1 −2 −3

Fazendo
 o procedimento
 dado na seção onde estudamos a inversão de matrizes encontramos
1 1 −3
 4 2 4 
1
A−1 = − 18 − 81 .
 
 8 
1 1
0 4 −2

       
1 1 −3
x 4 2 4
8 3
       
Assim, temos  y  =  8 − 81 − 18  .  −4  =  2
   1
.
    
       
z 0 14 − 21 −4 1

Portanto, a solução do sistema é x = 3, y = 2 e z = 1.

Solução de um sistema de m equações com n variáveis (m 6= n)

O método para resolver um sistema de m equações com n variáveis (m 6= n) é semelhante

ao método de Guass-Jordan. Neste caso, como m 6= n, a matriz dos coeficientes não pode
ser transformada na matriz identidade, pois não é quadrada. Entretanto, o procedimento será o
mesmo: transformar os elementos aii em 1 e em zeros os demais elementos das colunas em
que se situam estes aii . Feito isso se consegue encontrar a solução do sistema. Vejamos como
fazemos isso através de alguns exemplos.

Exemplo 26. Resolva o sistema

Álgebra Linear 55



 2x + 3y = 1

x − 2y = −1


 4x + 6y = 2


Note que o sistema acima possui 3 equações com 2 variáveis.

Vejamos como resolvê-lo.

   
3 1
2 3 1 1 2 2
  1  
 1 −2 −1  −→ L1 → .L1 ⇒  1 −2 −1  −→ L3 → L3 − 4L1
   
  2  
4 6 2 4 6 2

   
3 1 3 1
1 2 2
1 2 2
    2
⇒  1 −2 −1  −→ L2 → L2 − L1 ⇒  0 − 27 − 32  −→ L2 → − L2
   
    7
0 0 0 0 0 0

   
3 1
1 2 2
1 0 − 71
  3  
⇒  0 1 73  −→ L1 → L1 − L2 ⇒  0 1 3
.
   
  2  7 
0 0 0 0 0 0

 


 x + 0.y = − 71 

 2x + 3y = 1
 
Essa matriz corresponde ao sistema 0.x + y = 73 que é equivalente ao sistema x − 2y = −1

 

 0.x + 0.y = 0
  4x + 6y = 2


Note que a terceira equação 0.x + 0.y = 0 não estabelece nenhuma condição para x e y , pois
ela é satisfeita para quaisquer valores de x e y . Portanto, a solução do sistema será dada pelas
1 3
duas primeiras equações: x + 0.y = − 17 e 0.x + y = 73 , cujas soluções são x = − e y = .
7 7

Exemplo 27. Resolva o sistema


 x − 3y + 4z − w = 2
 2x − y + 3z − 2w = 19

Note que o sistema acima possui 2 equações com 4 variáveis.

Resolução.
56 Álgebra Linear
   
1 −3 4 −1 2 1 −3 4 −1 2
  −→ L2 → L2 − 2L1 ⇒   −→ L2 → 1 L2
2 −1 3 −2 19 0 5 −5 0 15 5

   
1 −3 4 −1 2 1 0 1 −1 11
⇒  −→ L1 → L1 + 3L2 ⇒  
0 1 −1 0 3 0 1 −1 0 3

  
1 0 1 −1 11  x = 11 − z + w
A matriz   corresponde ao sistema , que é equivalente
0 1 −1 0 3  y =3+z
ao sistema dado.

Assim, o sistema é possível e indeterminado, pois admite infinitas soluções. Os valores de x e y

são obtidos atribuindo valores arbitrários a z e w . Por exemplo, se z = 1 e w = 1, temos x = 11 e
y = 4. Portanto, x = 11, y = 4, z = 1 e w = 1 é uma solução do sistema.

Exemplo 28. Resolva o sistema




 2x − 6y = −4

x + 3y = 1


 4x + 12y = 2


Resolução.
   
2 −6 −4 1 −3 −2
  1  
 1 3 1  −→ L1 → L1 ⇒  1 3 1  −→ L2 → L2 − L1
   
  2  
4 12 2 4 12 2

   
1 −3 −2 1 −3 −2
    1
⇒ 0 6 3  −→ L3 → L3 − 4L1 ⇒  0 6 3  −→ L2 → L2
   
    6
4 12 2 0 24 10

   
1 −3 −2 1 0 − 21
   
⇒ 0 1
 1−→ L → L + 3L ⇒  0 1
 1  −→ L3 → L3 − 24L2

2 1 1 2 2
   
0 24 10 0 24 10

 
1 0 − 21
 
⇒  0 1 21
 

 
0 0 −2
Álgebra Linear 57
 


 x + 0.y = − 12

A matriz acima corresponde ao sistema 0.x + y = 21 , que é equivalente ao sistema dado.


 0.x + 0.y = −2


Mas não existem valores de x e y que satisfaçam a equação 0.x + 0.y = −2. Portanto, o sistema
é incompatível.

Seguindo os exemplos feitos nesta seção, faça os exercícios para uma melhor fixação do con-
teúdo estudado.

E XERCÍCIOS

1. Resolva os sistemas lineares a seguir.




 2x − 6y + z = 0

a) −x + 3y + 2z = 0


 4x − 12y − z = 0





 x − y + 2z = 2

b) −2x + 2y − 4z = −4


3x − 3y + 6z = 6






 4x − y + 2z = 5

c) −x + 2y − 3z = −1


3x − y + z = 2






 −2x − y + 3z = 6

d) 3x + 2y − z = 2


 x + y − 2z = −4





 5x − y − 2z = 7

e) 3x + 2y + 4z = 10


 x − y − 6z = −2


58 Álgebra Linear
Sistemas Lineares e suas Matrizes Ampliadas
Ao final desta seção você deverá ser capaz de classificar um sistema linear utilizando sua matriz
ampliada.

Nesta seção vamos estudar como a matriz ampliada de um sistema linear pode nos ajudar a
classificá-lo como possível, determinado ou indeterminado, ou impossível.

Matriz escada: No método de Guass-Jordan para solução de sistemas lineares de n equações

com n variáveis e no método semelhante para a solução de sistemas lineares de m equações
com n variáveis (m 6= n), transformamos a matriz ampliada do sistema em uma matriz cujas
entradas aii se transformam em 1 e os demais elementos da coluna em que se situam esses aii
se transformam em zeros. Chamaremos essa matriz de matriz escada do sistema.

Denotaremos a matriz ampliada do sistema de S e a sua matriz escada por E .

Nos três exemplos que finalizaram a aula anterior, obtivemos as seguintes matrizes escadas:
 
1 0 − 71
 
i)  0 1
 3  do Exemplo 26.

 7 
0 0 0

 
1 0 1 −1 11
ii)   do Exemplo 27
0 1 −1 0 3

 
1 0 − 21
 
iii)  0 1 21  do Exemplo 28
 
 
0 0 −2

Observe o modo como estão dispostos os números 1 em cada uma das matrizes acima. Esta
disposição é que dá origem ao nome matriz escada.

Denotaremos
 por AE a matriz dos coeficientes das variáveis na matriz escada. Assim, em i)

1 0  
  1 0 1 −1
AE =  0 1 . Já em ii) temos AE =  .
 
  0 1 −1 0
0 0

Característica da matriz ampliada S : O número de linhas com elementos não todos nulos de
Álgebra Linear 59
E (matriz escada do sistema) é chamado de característica de S (a matriz ampliada do sistema).
Esse número será denotado por pS .

Em i) e em ii) temos que pS = 2. Já em iii), temos pS = 3

Característica da matriz AE : O número de linhas com elementos não todos nulos de AE é

chamado de característica de AE . Denotaremos esse número por pA .

Tanto em i) como em ii) e em iii) dados acima, temos pA = 2.

TOME NOTA. Observe que pS ≥ pA . Isto se deve ao fato de que a matriz AE está dentro
da matriz E. Assim, as linhas de AE com elementos não todos nulos estão contidas em
mesmas linhas de E com elementos não todos nulos, implicando termos no mínimo pA = pS .

Através dos números pS e pA podemos classificar um sistema linear de m equações com n

variáveis da seguinte maneira:

• pA 6= pS , então o sistema é impossível.

• pA = pS = n, então o sistema é possível e determinado.

• pA = pS < n, então o sistema é possível e indeterminado.

Uma análise geométrica de sistemas lineares

Consideremos o sistema linear


 a x+a y =b
11 12 1
 a x+a y =b
21 22 2

Cada solução (x0 , y0 ) deste sistema pode ser vista como um ponto P no plano cartesiano,
cujas coordenadas são P = (x0 , y0 ). Sob este ponto de vista, cada uma das equações do
sistema é a equação de uma reta nesse plano e cada uma das soluções do sistema é um ponto de
interseção destas retas. Ou seja, se r1 e r2 são as retas definidas pelas equações a11 x+a12 y = b1
e a21 x + a22 y = b2 , respectivamente, então as soluções do sistema são os pontos P = (x0 , y0) que
pertencem à interseção r1 ∩ r2 .

Assim, teremos que as retas r1 e r2 são:

60 Álgebra Linear
 • concorrentes se o sistema possui uma única solução.
• paralelas se o sistema não possui solução.
• coincidentes se o sistema possui infinitas soluções.

Exemplo 29. Sejam r1 e r2 retas definidas pelas equações: r1 : x + 2y = 3 e r2 : 2x + 2y = 4.

Será que r1 e r2 são concorrentes, paralelas ou coincidentes?
Da equação das retas obtemos o seguinte sistema linear:

 x + 2y = 3
 2x + 2y = 4

Resolvendo este sistema, vemos que ele possui uma única solução dada por x = 1 e y = 1.
Portanto, as retas r1 e r2 são concorrentes, sendo P = (1, 1) o ponto de interseção entre elas.

Exemplo 30. Sejam r1 e r2 retas definidas pelas equações: r1 : 2x − 2y = 4 e r2 : x = y . Será

que r1 e r2 são concorrentes, paralelas ou coincidentes?
Da equação das retas obtemos o seguinte sistema linear:

 2x − 2y = 4
 x−y =0

Resolvendo este sistema, vemos que ele não possui solução. Portanto, as retas r1 e r2 são
paralelas.

Exemplo 31. Sejam r1 e r2 retas definidas pelas equações: r1 : 2x − 3y = −1 e r2 : −4x + 6y = 2.

Será que r1 e r2 são concorrentes, paralelas ou coincidentes?
Da equação das retas obtemos o seguinte sistema linear:

 2x − 3y = −1
 −4x + 6y = 2

Resolvendo este sistema, vemos que ele possui infinitas soluções. Portanto, as retas r1 e r2
são coincidentes.

Do mesmo ponto de vista, podemos olhar cada solução (x0 , y0, z0 ) do sistema

 a x + a12 y + a13 z = b1
 11


a21 x + a22 y + a23 z = b2


 a x+a y+a z =b

31 23 33 3

Álgebra Linear 61
como sendo um ponto P no espaço tridimensional, cujas coordenadas cartesianas são
P = (x0 , y0 , z0 ). Analogamente ao caso bidimensional, podemos ver cada equação do sistema
acima como sendo equações de planos no espaço tridimensional, e cada uma das soluções
como sendo pontos comuns aos planos.

Exemplo 32. Suponhamos que A1 , A2 e A3 são planos cujas equações são dadas por:
A1 : x − 2y + z = 1
A2 : x − 2y + z = 0
A3 : x − 2y + z = −1
A partir destas equações, obtemos o seguinte sistema linear:



 x − 2y + z = 0

x − 2y + z = 1


 x − 2y + z = −1


Claramente, vemos que este sistema linear não possui soluções. Assim, temos que
A1 ∩ A2 ∩ A3 = ∅.

Exemplo 33. Agora, suponha que A1 , A2 e A3 são planos cujas equações são dadas por:
A1 : x + y − z = 0
A2 : 2x + y + z = 3
A3 : x − 2y + z = 2
Com estas equações, obtemos o sistema linear:



 x+y−z =0

2x + y + z = 3


 x − 2y + z = 2


O qual possui uma única solução: x = 1, y = 0 e z = 1. Assim, A1 ∩ A2 ∩ A3 = {P = (1, 0, 1)}.

Seguindo os exemplos feitos nesta seção, faça os exercícios para uma melhor fixação do método
de escalonamento.

EXERCÍCIOS

1. Resolva os sistemas lineares a seguir utilizando o método da matriz ampliada.




 2x − 6y + z = 0

a) −x + 3y + 2z = 0


 4x − 12y − z = 0


62 Álgebra Linear
 


 x − y + 2z = 2

b) −2x + 2y − 4z = −4


3x − 3y + 6z = 6






 4x − y + 2z = 5

c) −x + 2y − 3z = −1


3x − y + z = 2






 −2x − y + 3z = 6

d) 3x + 2y − z = 2


 x + y − 2z = −4





 5x − y − 2z = 7

e) 3x + 2y + 4z = 10


 x − y − 6z = −2


Álgebra Linear 63
64 Álgebra Linear
 Módulo 2
Espaços Vetoriais

Ao final deste módulo o leitor estará familiarizado com os seguintes conceitos:

⊲ Espaços e subespaços vetoriais;

⊲ Subespaços vetoriais gerados;

⊲ Conjuntos linearmente dependentes e linearmente independentes;

⊲ Base e dimensão de um espaço vetorial.

O leitor interessado em aperfeiçoar e ampliar seus conhecimentos nos assuntos tratados neste
módulo encontrará o suporte necessário nos seguintes textos: [1, 2, 6]. A os interessados em
aprofundar nestes conteúdos indicamos: [3, 4].

Álgebra Linear 65
Espaços e subespaços vetoriais

Definição 6 (Espaços vetoriais ). Dado um conjunto V , não vazio, sobre o qual estão definidas as
operações de adição e produto por escalar, isto é:

∀u, v ∈ V, u + v ∈ V

∀α ∈ R, ∀u ∈ V, αu ∈ V.

O conjunto V com estas duas operações é chamado espaço vetorial se forem verificadas as seguintes
propriedades:

A) Em relação à adição:

A1 ) (u + v) + w = u + (v + w), ∀u, v, w ∈ V
A2 ) u + v = v + u, ∀u, v ∈ V
A3 ) ∃0 ∈ V, ∀u ∈ V, u + 0 = u
A4 ) ∀u ∈ V, ∃(−u) ∈ V, u + (−u) = 0

M) Em relação à multiplicação por escalar:

M1 ) (αβ)u = α(βu)
M2 ) (α + β)u = αu + βu
M3 ) α(u + v) = αu + αv
M4 ) 1u = u, ∀u, v ∈ V e ∀α, β ∈ R

Os elementos u, v, w, ... de um espaço vetorial V são chamados vetores .

Vejamos, agora, alguns exemplos de conjuntos e operações que se enquadram na estrutura

de espaços vetoriais.

Exemplo 34. O conjunto V = R2 = {(x, y); x, y ∈ R} é um espaço vetorial com as operações de

adição e multiplicação por um número real assim definidas:

(x1 , y1 ) + (x2 , y2) = (x1 + x2 , y1 + y2 )

α(x, y) = (αx, αy).

Essas operações são denominadas operações usuais.

Para verificar os oito axiomas de espaço vetorial, sejam u = (x1 , y1 ), v = (x2 , y2 ) e w = (x3 , y3 ).
66 Álgebra Linear
 A1 ) (u + v) + w = ((x1 , y1 ) + (x2 , y2 )) + (x3 , y3 )
= (x1 + x2 , y1 + y2 ) + (x3 , y3)
= ((x1 + x2 ) + x3 , (y1 + y2 ) + y3 )
= (x1 + (x2 + x3 ), y1 + (y2 + y3 ))
= (x1 , y1 ) + (x2 + x3 , y2 + y3 )
= (x1 , y1 ) + ((x2 , y2 ) + (x3 , y3 ))
= u + (v + w)

Na primeira igualdade, simplesmente substituímos os vetores u, v e w. Na segunda, aplicamos

a definição de soma dentro do parêntese. Na terceira, aplicamos a definição com o vetor fora do
parêntese. Na quarta, aplicamos a associatividade de números reais. Na quinta, voltamos a usar
a definição de soma (agora no sentido contrário da segunda igualdade). Na sexta, novamente a
definição de soma dentro do parêntese. Por fim, voltamos com u, v e w.

Os axiomas seguintes são estabelecidos de maneira análoga ao primeiro. Um excelente exercício

para o leitor é explicar, por escrito, cada uma das igualdades como foi feito acima.

A2 ) u + v = (x1 , y1 ) + (x2 , y2 )
= (x1 + x2 , y1 + y2 )
= (x2 + x1 , y2 + y1 )
= (x2 , y2 ) + (x1 , y1 )
= v+u

A3 ) Seja 0 = (0, 0) ∈ R2 , ∀u = (x1 , y1) ∈ R2 ,

u + 0 = (x1 , y1 ) + (0, 0)
= (x1 + 0, y1 + 0)
= (x1 , y1 )
= u

A4 ) ∀u = (x1 , y1 ) ∈ R2 , consideremos (−u) = (−x1 , −y1 ) ∈ R2 ,

u + (−u) = (x1 , y1 ) + (−x1 , −y1 )

= (x1 − x1 , y1 − y1 )
= (0, 0)
= 0
Álgebra Linear 67
M1 ) (αβ)u = (αβ)(x1 , y1 )
= ((αβ)x1 , (αβ)y1)
= (α(βx1 ), α(βy1))
= α(βx1 , βy1 )
= α(β(x1 , y1 ))
= α(βu)

M2 ) (α + β)u = (α + β)(x1 , y1 )
= ((α + β)x1 , (α + β)y1)
= (αx1 + βx1 , αy1 + βy1 )
= (αx1 , αy1) + (βx1 , βy1)
= α(x1 , y1 ) + β(x1 , y1 )
= αu + βu

M3 ) α(u + v) = α((x1 , y1 ) + (x2 , y2 ))

= α(x1 + x2 , y1 + y2 )
= (α(x1 + x2 ), α(y1 + y2 ))
= (αx1 + αx2 , αy1 + αy2 )
= (αx1 , αy1) + (αx2 , αy2)
= α(x1 , y1 ) + α(x2 , y2 )
= αu + αv

M4 ) 1u = 1(x1 , y1 )
= (1x1 , 1y1 )
= (x1 , y1)
= u

Exemplo 35. Da geometria analítica se sabe que um par ordenado (x1 , x2 ) de números reais repre-
senta um ponto ou um vetor do plano R2 , assim como uma terna (x1 , x2 , x3 ) representa um ponto
ou um vetor no R3 . Em geral, uma quádrupla (x1 , x2 , x3 , x4 ) é um ponto ou um vetor de R4 e uma
n-upla (x1 , x2 , ..., xn ) é um ponto ou um vetor de Rn .
Procedendo como no Exemplo 34, verifica-se que os conjuntos R3 , R4 ,..., Rn são também espaços
vetoriais com as operações usuais de adição e multiplicação por escalar.

68 Álgebra Linear
Exemplo 36. O conjunto R, em relação às operações usuais de adição e de multiplicação por escalar,
é um espaço vetorial. De fato, sabe-se que a adição de números reais satisfaz os axiomas A1 , A2 , A3
e A4 e que, na multiplicação, se verificam os axiomas M1 , M2 , M3 e M4 .

Exemplo 37. O conjunto R2 = {(a, b); a, b ∈ R} não é um espaço vetorial em relação às operações
assim definidas:
(a, b) + (c, d) = (a + c, b + d)

α(a, b) = (αa, b), α ∈ R.

Como a adição aqui definida é a usual, verificam-se os axiomas A1 , A2 , A3 e A4 de espaço vetorial

conforme se viu no Exemplo 34. Logo, não devem se verificar alguns (ou algum) dos axiomas relativos
à multiplicação.
Sejam u = (x1 , y1 ), v = (x2 , y2 ) e α, β ∈ R.
M1 ) (αβ)u = (αβ)(x1, y1 )
= ((αβ)x1, y1 )
= (α(βx1 ), y1)
= α(βx1 , y1)
= α(β(x1 , y1))
= α(βu)
(Este axioma se verifica)
M2 ) (α + β)u = (α + β)(x1 , y1)
= ((α + β)x1 , y1)
= (αx1 + βx1 , y1)
6= α(x1 , y1 ) + β(x1 , y1 )
= (αx1 , y1 ) + (βx1 , y1 )
= (αx1 + βx1 , 2y1).
Como se vê, (α + β)u 6= αu + βu e, portanto, não se verifica, no mínimo, o axioma M2 . Assim, o
conjunto de que trata este exemplo não é um espaço vetorial.

Exemplo 38. O conjunto R2 com as operações

(x1 , y1 ) + (x2 , y2 ) = (x1 + 2x2 , y1 + 2y2 )

α(x1 , y1) = (αx1 , αy1)

não é um espaço vetorial, pois, pelo menos, o axioma A1 não é satisfeito.

De fato, sejam u = (x1 , y1), v = (x2 , y2) e w = (x3 , y3 ),
Álgebra Linear 69
 (u + v) + w = ((x1 , y1) + (x2 , y2 )) + (x3 , y3)
= (x1 + 2x2 , y1 + 2y2 ) + (x3 , y3 )
= ((x1 + 2x2 ) + 2x3 , (y1 + 2y2 ) + 2y3 )
= (x1 + 2x2 + 2x3 , y1 + 2y2 + 2y3 )
6= (x1 + 2x2 + 4x3 , y1 + 2y2 + 4y3 )
= (x1 + 2(x2 + 2x3 ), y1 + 2(y2 + 2y3 ))
= (x1 , y1) + (x2 + 2x3 , y2 + 2y3 )
= (x1 , y1) + ((x2 , y2 ) + (x3 , y3 ))
= u + (v + w).

Propriedades dos espaços vetoriais: É possível mostrar que, da definição de espaço vetorial
V , decorrem as seguintes propriedades:

1) Existe um único vetor nulo em V (elemento neutro da adição).

2) Cada vetor u ∈ V admite apenas um simétrico (−u) ∈ V .

3) Para quaisquer u, v, w ∈ V , se u + w = v + w , então u = v (lei do cancelamento).

4) Qualquer que seja v ∈ V , tem-se −(−v) = v , isto é, o oposto de −v é v .

5) Quaisquer que sejam u, v ∈ V , existe um e somente um w , tal que u + w = v .

6) Qualquer que seja v ∈ V , 0v = 0. O primeiro 0 é o número real zero e o segundo é o vetor

zero.

7) Qualquer que seja αR, α0 = 0.

8) αv = 0, implica α = 0 ou v = 0.

9) Qualquer que seja v ∈ V , (−1)v = −v .

10) Quaisquer que sejam v ∈ V e α ∈ R, (−α)v = α(−v) = −(αv).

Subespaços

Certos subconjuntos de um espaço vetorial possuem a propriedade de que a soma de dois de

seus elementos é um elemento do próprio subconjunto, bem como, ao multiplicar um elemento
do subconjunto por um real (escalar), o resultado continua pertencendo a este subconjunto. Em
outras palavras, dizemos que tais subconjuntos são fechados para a soma e produto por es-
calar. Tais subconjuntos jogam um papel fundamental dentro da teoria da álgebra linear e são
conhecidos como subespaços vetoriais. De forma mais precisa:

70 Álgebra Linear
Definição 7 (Subespaços vetoriais). Dado um espaço vetorial V e um subconjunto não vazio S ⊂ V ,
dizemos que S é um subespaço vetorial de V se são satisfeitas as condições:

S1 ) Se u, v ∈ S, então u + v ∈ S.

S2 ) Se u ∈ S e α ∈ R, então αu ∈ S.

Observação. É importante salientar que todo subespaço vetorial S de um espaço vetorial

V é ele próprio um espaço vetorial. De fato, as propriedades A1 , A2 , M1 , M2 , M3 e M4 são
herdadas do próprio espaço vetorial V . O elemento neutro da adição (A3 ) é um elemento
de S por S2 ) e pela propriedade 6) acima, pois dado u ∈ S, 0u = 0 ∈ S. Finalmente (A4 ),
se u ∈ S, então −u = (−1)u ∈ S pela propriedade 9) acima e por S2 ).

A seguir veremos alguns exemplos de subconjuntos que são subespaços vetoriais e outros
que não são.

Exemplo 39. Os subconjuntos {0} e V são subespaços vetoriais do espaço vetorial V e são conhecidos
como subespaços vetoriais triviais.

Exemplo 40. Sejam V = R2 e S = {(x, y) ∈ R2 ; y = 5x} = {(x, 5x); x ∈ R}.

Note que S 6= ∅, pois (0, 0) ∈ S. Sejam u = (x1 , 5x1 ), v = (x2 , 5x2 ) ∈ S e α ∈ R, então:

i) u + v = (x1 , 5x1 ) + (x2 , 5x2 )

= (x1 + x2 , 5x1 + 5x2 )
= (x1 + x2 , 5(x1 + x2 )) ∈ S,
pois a segunda componente de u + v é cinco vezes a primeira.

ii) αu = α(x1 , 5x1 )

= (αx1 , α(5x1 ))
= (αx1 , 5(αx1 )) ∈ S,
pois a segunda componente de αu é o quíntuplo da primeira.

Logo, S é um subespaço vetorial de R2 . Geometricamente, o subespaço S representa uma reta do

plano R2 passando pela origem.
Álgebra Linear 71
 Observe que, ao escolher dois vetores u e v da reta y = 5x, o vetor u + v pertence à reta e, se
multiplicar um vetor u da reta por α, o vetor αu também estará na reta. Note ainda que, se uma
reta dada não passa pela origem, então ela não será um subespaço vetorial do R2 (pense numa
justificativa para este fato).

Note que se S é um subespaço vetorial de um espaço vetorial V , então o elemento neutro 0

de V pertence a S . Com efeito, dado v ∈ S pela propriedade S2 ) temos que 0v = 0 ∈ S . Desta
observação conclui-se o seguinte teste:

TOME NOTA. Teste do 0: Se um subconjunto S de um espaço vetorial V não contiver o

elemento neutro 0 de V , então S não é um subespaço vetorial de V .

 
−2x − 3y
Exemplo 41. Sejam V = R3 e S = {(x, y, z) ∈ R3 ; 2x + 3y + 4z = 0} = x, y, .
   4 
−2x1 − 3y1 −2x2 − 3y2
Note que S 6= ∅, pois (0, 0, 0) ∈ S. Dados u = x1 , y1, , v = x2 , y2 , ∈S
4 4
e α ∈ R, então:
   
−2x1 − 3y1 −2x2 − 3y2
i) u + v = x1 , y1 , + x2 , y2,
4 4

 
−2x1 − 3y1 −2x2 − 3y2
= x1 + x2 , y1 + y2 , +
4 4

 
−2(x1 + x2 ) − 3(y1 + y2 )
= x1 + x2 , y1 + y2 , ∈ S.
4
 
−2x1 − 3y1
ii) αu = α x1 , y1 ,
4

 
−2x1 − 3y1
= αx1 , αy1, α
4

 
−2αx1 − 3αy1
= αx1 , αy1, ∈ S.
4
Portanto, S é um subespaço vetorial de R3 .

Da geometria analítica sabe-se que a equação que define o subespaço S no exemplo anterior,
72 Álgebra Linear
é a equação de um plano em R3 que passa pela origem. Utilizando o Teste do 0, conclui-se que,
se um plano não passa pela origem, então ele não é um subespaço vetorial do R3 .

Exemplo 42. Sejam V = R3 e S o conjunto solução do sistema linear homogêneo:




 3x + 4y − 2z = 0

2x + y − z = 0 .


x − y + 3y = 0


Note que S 6= ∅, pois (0, 0, 0) ∈ S. Sejam u = (x1 , y1, z1 ), v = (x2 , y2 , z2 ) ∈ S e α ∈ R, então:

i) u + v ∈ S. De fato, u + v = (x1 + x2 , y1 + y2 , z1 + z2 ) e

3(x1 + x2 ) + 4(y1 + y2 ) − 2(z1 + z2 ) = 3x1 + 3x2 + 4y1 + 4y2 − 2z1 − 2z2

= (3x1 + 4y1 − 2z1 ) + (3x2 + 4y2 − 2z2 )
= 0 + 0 = 0.
2(x1 + x2 ) + (y1 + y2 ) − (z1 + z2 ) = 2x1 + 2x2 + y1 + y2 − z1 − z2
= (2x1 + y1 − z1 ) + (2x2 + y2 − z2 )
= 0 + 0 = 0.
(x1 + x2 ) − (y1 + y2 ) + 3(z1 + z2 ) = x1 + x2 − y1 − y2 + 3z1 + 3z2
= (x1 − y1 + 3z1 ) + (x2 − y2 + 3z2 )
= 0 + 0 = 0.

ii) αu ∈ S. De fato, αu = (αx1 , αy1, αz1 ) e

3(αx1 ) + 4(αy1 ) − 2(αz1 ) = 3αx1 + 4αy1 − 2αz1
= α(3x1 + 4y1 − 2z1 )
= α0 = 0.
2(αx1 ) + (αy1 ) − (αz1 ) = 2αx1 + αy1 − αz1
= α(2x1 + y1 − z1 )
= α0 = 0.
(αx1 ) − (αy1 ) + 3(αz1 ) = αx1 − αy1 + 3αz1
= α(x1 − y1 + 3z1 )
= α0 = 0.

Exemplo 43. Aplicando novamente o Teste do 0, pode-se concluir que, se um sistema linear for
não-homogêneo, então o seu conjunto solução não será um subespaço vetorial.

É preciso tomar cuidado ao usar o Teste do 0, pois ele só afirma que S não é subespaço
Álgebra Linear 73
vetorial quando não possuir o elemento neutro 0 da soma. Porém, ele nada afirma quando 0 ∈ S .
De fato, no próximo exemplo se exibe um subconjunto contendo o 0 que não é subespaço vetorial.

Exemplo 44. Seja V = R2 . O subconjunto S = {(x, y); x ≥ 0} de V não é subespaço vetorial, pois
não satisfaz a condição S2 ) da Definição 7.

EXERCÍCIOS

1. Considere os seguintes conjuntos munidos com as operações de adição e multiplicação por

escalar neles definidas. Verifique quais são espaços vetoriais. Quando não for um espaço
vetorial, indique todas as propriedades que falham.

(a) R3 , com as seguintes operações (x1 , y1 , z1 ) + (x2 , y2, z2 ) = (x1 + x2 , y1 + y2 , z1 + z2 ) e

α(x, y, z) = (0, αy, αz). Resposta: Não.
(b) {(x, 2x, 3x); x ∈ R} com as operações usuais. Resposta: Sim.
(c) R2 , com as operações
(a, b) + (c, d) = (a, b)

α(a, b) = (αa, αb)

Resposta: Não.
(d) R2 , com as operações

(x1 , y1 ) + (x2 , y2 ) = (x1 + x2 , y1 + y2 )

α(x, y) = (α2 x, α2 y)

Resposta: Não.
(e) R2 , com as operações

(x1 , y1 ) + (x2 , y2 ) = (x1 + x2 , y1 + y2 )

α(x, y) = (αx, 0)

Resposta: Não
(f) A = {(x, y) ∈ R2 ; y = 5x}, com as operações usuais. Resposta: Sim.

2. Verifique quais dos seguintes subconjuntos de R2 são subespaços vetoriais relativos às

operações de adição e multiplicação por escalar usuais. Para os que são subespaços,
mostre que as duas condições estão satifeitas. Caso contrário, cite um contraexemplo.

(a) S = {(x, y); y = −x} Resposta: Sim.

74 Álgebra Linear
 (b) S = {(x, x2 ); x ∈ R} Resposta: Não.
(c) S = {(x, y); x + 3y = 0} Resposta: Sim.
(d) S = {(y, y); y ∈ R} Resposta: Sim.
(e) S = {(x, y); y = x + 1} Resposta: Não.

3. Verifique quais dos seguintes subconjuntos de R3 são seus subespaços em relação às

operações de adição e multiplicação por escalar usuais. Para os que são subespaços,
mostre que as duas condições estão satifeitas. Caso contrário, cite um contraexemplo.

(a) S = {(x, y, z); y = 0 e z = 7x} Resposta: Sim.

(b) S = {(x, y, z); x = 2z − y} Resposta: Sim.
(c) S = {(x, y, z); y = z 2 } Resposta: Não.
(d) S = {(x, y, z); z = y − 1 e z = 0} Resposta: Não.
(e) S = {(t, t, t); t ∈ R} Resposta: Sim.
(f) S = {(r, 0, r); r ∈ R} Resposta: Sim.
(g) S = {(x, y, z); yz = 0} Resposta: Não.
(h) S = {(x, −3x, 4x); x ∈ R} Resposta: Sim.
(i) S = {(x, y, z); z = 0 e y = |x|} Resposta: Não.
(j) S = {(x, y, z); y ≥ 0} Resposta: Não.
(k) S = {(x, y, z); ax + by + cz = 0, onde a, b, c são constantes reais} Resposta: Sim.
(l) S = {(5t, 7t, −11t); t ∈ R} Resposta: Sim.

Álgebra Linear 75
Combinação Linear

Nesta seção introduziremos o conceito de combinação linear de vetores com o intuito de definir
subespaços gerados por um conjunto, bem como, espaço vetorial finitamente gerado.

Definição 8 (Combinação Linear). Dados vetores v1 , v2 , . . . , vn de um espaço vetorial V e escalares

a1 , a2 , . . . , an . Um vetor v ∈ V escrito da forma:

v = a1 v1 + a2 v2 + · · · + an vn

é uma combinação linear dos vetores v1 , v2 , . . . , vn .

Notaremos nos exemplos abaixo que o fato de um vetor ser ou não uma combinação linear de
outros vetores dados está ligado ao fato de um certo sistema linear ser possível ou impossível.

Exemplo 45. Dados os vetores v1 = (−1, 2, 3) e v2 = (7, −2, 1) de R3 , escreva o vetor

v = (17, −10, −7) como combinação linear de v1 e v2 .

O objetivo é encontrar escalares a1 e a2 tais que v = a1 v1 + a2 v2 , ou seja,

(17, −10, −7) = a1 (−1, 2, 3) + a2 (7, −2, 1)
= (−a1 , 2a1 , 3a1 ) + (7a2 , −2a2 , a2 )
= (−a1 + 7a2 , 2a1 − 2a2 , 3a1 + a2 ).

Pela condição de igualdade de vetores, segue a igualdade das respectivas coordenadas e portanto
obtemos o sistema: 
−a1 + 7a2 = 17



2a1 − 2a2 = −10 (2.1)


3a + a = −7

1 2

cuja solução é a1 = −3 e a2 = 2.

Exemplo 46. No espaço vetorial R3 , o vetor v = (5, 2, 7) é uma combinação linear dos vetores v1 e
v2 do Exemplo 45, pois v = 2v1 + v2 . (Verifique!)

No próximo exemplo apresentamos um vetor que não é combinação linear dos vetores v1 e v2
dados no Exemplo 45.

76 Álgebra Linear
Exemplo 47. Mostre que o vetor v = (13, −2, 4) de R3 não é combinação linear dos vetores v1 e v2
do Exemplo 45.

A idéia agora é mostrar que não existem escalares a1 e a2 tais que v = a1 v1 + a2 v2 . Procedendo como
no Exemplo 45, temos
(13, −2, 4) = a1 (−1, 2, 3) + a2 (7, −2, 1),

o que resultará num sistema parecido com (2.1), mudando somente os termos independentes, isto é,

 −a + 7a2 = 13
 1


2a1 − 2a2 = −2 .


3a + a = 4

1 2

Como este sistema é impossível, segue que v não pode ser escrito como combinação linear de v1 e v2 .

Exemplo 48. Determine o valor de m para que o vetor u = (13, −2, m) seja combinação linear de
v1 e v2 do Exemplo 45.

Pelo Exemplo 47, o objetivo é obter m tal que o seguinte sistema seja possível:

 −a + 7a2 = 13
 1


2a1 − 2a2 = −2 ,


3a + a = m

1 2

donde resulta que m = 5, a1 = 1 e a2 = 2.

Exemplo 49. Verifique de quantas maneiras diferentes o vetor w = (5, 2) ∈ R2 pode ser escrito como
combinação linear dos vetores w1 = (1, 0), w2 = (0, 1) e w3 = (2, 4).

Buscamos escalares a1 , a2 e a3 tais que

(5, 2) = a1 w1 + a2 w2 + a3 w3
= a1 (1, 0) + a2 (0, 1) + a3 (2, 4)
= (a1 , 0) + (0, a2 ) + (2a3 , 4a3 )
= (a1 + 2a3 , a2 + 4a3 ),

que equivale ao sistema

 
a + 2a = 5 a = 5 − 2a
1 3 1 3
ou .
a + 4a = 2 a = 2 − 4a
2 3 2 3

Álgebra Linear 77
Assim, para cada valor atribuído a a3 obtemos valores para a1 e a2 . Portanto, w pode ser escrito de
infinitas maneiras como combinação linear de w1 , w2 e w3 .

Subespaço vetorial gerado por um conjunto

Sejam V um espaço vetorial e A = {v1 , v2 , . . . , vn } um conjunto não vazio de V .

Afirmação: O conjunto S de todos os vetores de V que são combinações lineares dos vetores
de A é um subespaço vetorial de V .

Demonstração: Se u = a1 v1 + a2 v2 + · · · + an vn e v = b1 v1 + b2 v2 + · · · + bn vn são dois vetores

quaisquer de S , então podemos escrever:

I) u+v = (a1 v1 +a2 v2 +···+anvn )+(b1v1 +b2 v2 +···+bnvn ) = (a1 +b1 )v1 +(a2 +b2 )v2 +···+(an +bn )vn

II) αu = α(a1 v1 + a2 v2 + · · · + an vn ) = (αa1 )v1 + (αa2 )v2 + · · · + (αan )vn

isto é, u + v, αu ∈ S , uma vez que são combinações lineares de v1 , v2 , . . . , vn . Logo, S é um

subespaço vetorial de V .

Chamamos o subespaço S de subespaço gerado pelos vetores v1 , v2 , . . . , vn , ou, subes-

paço gerado pelo conjunto A, e o denotamos por S = [v1 , v2 , . . . , vn ], ou, S = [A]. Os vetores
v1 , v2 , . . . , vn são chamados geradores do subespaço S e A é um conjunto gerador de S .
Formalmente, podemos escrever

S = [v1 , v2 , . . . , vn ] = {v ∈ V ; v = a1 v1 + · · · + an vn ; ai ∈ R, i = 1, . . . , n}.

Todo subconjunto A de V gera um subespaço vetorial [A] de V . Quando A é um conjunto

gerador de V teremos que [A] = V . Isto nos motiva introduzir a seguinte definição.

Definição 9 (Finitamente gerado). Dizemos que um espaço vetorial V é finitamente gerado se existir
um subconjunto A de V tal que V = [A].

Nos exemplos a seguir ficará claro que Rn é um espaço vetorial finitamente gerado para
qualquer número natural n.

Exemplo 50. Os vetores e1 = (1, 0) e e2 = (0, 1) geram o espaço vetorial V = R2 , pois qualquer par
(x, y) ∈ R2 é combinação linear de e1 e e2 . De fato,

(x, y) = (x, 0) + (0, y) = x(1, 0) + y(0, 1) = xe1 + ye2 .

78 Álgebra Linear
Assim, [e1 , e2 ] = R2 .

Exemplo 51. Os vetores e2 = (0, 1, 0) e e3 = (0, 0, 1) do R3 geram o subespaço

S = {(0, y, z) ∈ R3 ; y, z ∈ R}, pois

(0, y, z) = (0, y, 0) + (0, 0, z) = ye2 + ze3 ,

isto é, S = [e2 , e3 ]. S é um subespaço próprio do R3 e representa geometricamente o plano yOz.

Exemplo 52. Os vetores e1 = (1, 0, ..., 0), e2 = (0, 1, . . . , 0),. . . ,en = (0, 0, . . . , 1) geram o espaço
vetorial V = Rn , pois dado um vetor v = (x1 , x2 , . . . , xn ) ∈ Rn qualquer, ele pode ser escrito como
combinação linear de e1 , e2 , . . . , en . De fato, basta tomar as coordenadas de v como os escalares da
combinação linear:

x1 e1 + x2 e2 + · · ·xn en = x1 (1, 0, . . . , 0) + x2 (0, 1, . . . , 0) + · · · + xn (0, 0, . . . , 1)

= (x1 , x2 , . . . , xn ).

Um espaço vetorial finitamente gerado V pode ser gerado por subconjuntos diferentes. Este
fato é evidenciado nos próximos exemplos.

Exemplo 53. O conjunto A = {u = (1, 2), v = (3, 5)} gera o R2 . De fato, para que o conjunto A
gere o R2 é necessário que qualquer vetor w = (x, y) ∈ R2 seja combinação linear de u e v, isto é,
devem existir números reais α e β, tais que:

w = αu + βv
(x, y) = α(1, 2) + β(3, 5)
(x, y) = (α, 2α) + (3β, 5β)
(x, y) = (α + 3β, 2α + 5β).

Dessa igualdade resulta o sistema: 

α + 3β = x
2α + 5β = y

que, resolvido em função de x e y, fornece:

α = −5x + 3y e β = 2x − y,

isto é, R2 = [u, v].

Álgebra Linear 79
 No próximo exemplo veremos que o R2 pode ser gerado por um conjunto formado por mais
de dois elementos.

Exemplo 54. Os vetores e1 = (1, 0), e2 = (0, 1) e u = (7, 4) geram R2 . De fato, para que os vetores
e1 , e2 e u gerem o R2 é necessário mostrar que para qualquer vetor w = (x, y) ∈ R2 , existem números
reais a, b e c tais que
w = ae1 + be2 + cu
(x, y) = a(1, 0) + b(0, 1) + c(7, 4)
(x, y) = (a, 0) + (0, b) + (7c, 4c)
(x, y) = (a + 7c, b + 4c).
Dessa igualdade resulta o sistema
 
a + 7c = x a = x − 7c
ou
b + 4c = y b = y − 4c

Tomando, por exemplo, c = 2 temos

a = x − 14 b=y−8

e, portanto,
(x, y) = (x − 14)e1 + (y − 8)e2 + 2u,

isto é, [e1 , e2 , u] = R2 .

EXERCÍCIOS

1. Considere os vetores u = (5, −2, 1) e v = (3, 1, −4) do R3 .

(a) Escreva o vetor w1 = (0, 11, −23) como combinação linear de u e v .

(b) Encontre m para que w2 = (−9, m, −7) seja combinação linear de u e v .

140
Resposta: (a) w1 = −3u + 5v (b) 23

2. Sejam v1 = (1, 2, 3), v2 = (−1, 0, 1) e v3 = (0, 1, 1) vetores de R3 . Obtenha u1 = (−1, 1, 4) e

u2 = (1, 3, 0) como combinação linear de v1 , v2 e v3 .
Resposta: u1 = v1 + 2v2 − v3 e u2 = −v1 − 2v2 + 5v3

3. Determine o subespaço [A] nos seguintes casos:

(a) A = {v1 = (2, 3, 3), v2 = (−1, 1, 0)} ⊂ R3

80 Álgebra Linear
 (b) A = {( −1
2
, 2), (2, −8)} ⊂ R2 .
O que [A] representa geometricamente?

Resposta: (a) [A] = {(2a − b, 3a + b, 3a); a, b ∈ R}

(b) [A] = {( −a
2
+ 2b, 2a − 8b); a, b ∈ R}

4. Será que os vetores v1 = (1, 0, 1), v2 = (1, 1, 2) e v3 = (0, 1, 1) geram o R3 ?

Álgebra Linear 81
Dependência e Independência Linear

Vimos no Exemplo 50 que o conjunto {e1 = (1, 0), e2 = (0, 1)} gera o R2 . Com um pouco de
reflexão é possível concluir que os conjuntos {e1 , e2 , v1 } e {e1 , e2 , v1 , v2 } também geram o R2 ,
para quaisquer v1 , v2 ∈ R2 . Ou seja, o espaço vetorial R2 pode ser gerado por dois vetores, ou
também por três, ou quatro, etc. Porém em nossos estudos estamos interessados em conjuntos
geradores que tenham o menor número possível de vetores. De fato, vimos que para gerar o R2
são necessários somente dois vetores. Assim, outros vetores que eventualmente aparecem no
conjunto gerador são desnecessários.
A noção de dependência e independência linear será muito útil para a determinação do menor
conjunto gerador de um espaço vetorial.

Sejam V um espaço vetorial e v1 , . . . , vn ∈ V . Considere a equação

α1 v1 + · · · + αn vn = 0. (2.2)

Note que ela possui pelo menos uma solução que é a trivial:

α1 = α2 = · · · = αn = 0.

Isto nos motiva a próxima definição.

Definição 10 (LI e LD). Dizemos que o conjunto {v1 , . . . , vn } é linearmente independente, ou simples-
mente que os vetores v1 , . . . , vn são LI, se a equação (2.2) admitir somente a solução trivial. Se existir
solução com algum αi 6= 0, dizemos que {v1 , . . . , vn } é linearmente dependente, ou simplesmente que
os vetores v1 , . . . , vn são LD.

Vejamos alguns exemplos de conjuntos com estas caracterizações.

Exemplo 55. O conjunto {e1 = (1, 0), e2 = (0, 1)} do espaço vetorial R2 é LI. Com efeito,

(0, 0) = α1 e1 + α2 e2
= α1 (1, 0) + α2 (0, 1)
= (α1 , 0) + (0, α2 )
= (α1 , α2 )

o que implica α1 = 0 e α2 = 0.

82 Álgebra Linear
Exemplo 56. Procedendo de maneira análoga ao exemplo anterior, podemos concluir que os vetores
e1 = (1, 0, 0), e2 = (0, 1, 0) e e3 = (0, 0, 1) do espaço vetorial R3 são LI.

Exemplo 57. Os vetores v1 = (6, 4) e v2 = (15, 10) do R2 , são LD. De fato,

(0, 0) = α1 v1 + α2 v2
= α1 (6, 4) + α2 (15, 10)
= (6α1 , 4α1 ) + (15α2 , 10α2 )
= (6α1 + 15α2 , 4α1 + 10α2 ).

Donde resulta o sistema 

6α + 15α = 0
1 2
4α + 10α = 0
1 2

o qual admite a solução α1 = −5

2
α2 . Assim, fazendo α2 = 2, temos α1 = −5 e a equação

−5v1 + 2v2 = 0, ou seja, −5(6, 4) + 2(15, 10) = (0, 0)

se verifica e, portanto, (6, 4) e (15, 10) são LD.

Note que, no exemplo anterior, o fato de (6, 4) e (15, 10) serem LD implica que um dos vetores
é múltiplo do outro. De fato, podemos escrever

2
(6, 4) = (15, 10).
5

Por outro lado, se dois vetores são múltiplos entre si, isto é, v1 = βv2 , para algum β ∈ R, é
fácil concluir que eles serão LD, pois a equação α1 v1 + α2 v2 = 0 admite solução não trivial, a
saber, α1 = 1 6= 0 e α2 = −β .
Esta propriedade é generalizada para mais que dois vetores no seguinte resultado.

Proposição 1. Dado um espaço vetorial V , o conjunto {v1 , . . . , vn } ⊂ V é LD se, e somente se, um

destes vetores é uma combinação linear dos demais.
Demonstração. Primeiro mostraremos que se v1 , . . . , vn são LD, então um destes vetores é a combi-
nação linear dos demais. Da definição de conjunto LD, existe algum αi 6= 0 satisfazendo

α1 v1 + · · · + αi vi + · · · + αn vn = 0.

Assim, isolando o vetor vi obtemos vi = − αα1i v1 − · · · − ααi−1

i
vi−1 − ααi+1
i
vi+1 − · · · − ααni vn ,
pois αi 6= 0. Logo, vi é a combinação linear dos vetores v1 , . . . , vi−1 , vi+1 , . . . , vn .
Assumimos agora que algum vi ∈ {v1 , . . . , vn } é a combinação linear dos outros vetores do con-
junto, ou seja,
vi = a1 v1 + · · · + ai−1 vi−1 + ai+1 vi+1 + · · · + an vn ,
Álgebra Linear 83
donde temos
−a1 v1 + · · · − ai−1 vi−1 + vi − ai+1 vi+1 − · · · − an vn = 0.

Como nesta equação o coeficiente de vi é 1 6= 0, concluímos que {v1 , . . . , vn } é LD. 

Nos exemplos seguintes usaremos a proposição anterior para concluir que um determinado
conjunto é LD.

Exemplo 58. O conjunto {e1 = (1, 0), e2 = (0, 1), v = (a, b)} de vetores de R2 , onde (a, b) é qualquer
vetor de R2 , é LD. Com efeito, podemos escrever v como combinação linear de e1 e e2

v = (a, b) = (a, 0) + (0, b) = a(1, 0) + b(0, 1) = ae1 + be2 ,

e portanto, pela Proposição 1, o conjunto é LD.

Exemplo 59. Os vetores v1 = (1, 1, 1), v2 = (−2, 0, 2) e v3 = (2, 3, 4) do R3 são LD. De fato,

v3 = a1 v1 + a2 v2
(2, 3, 4) = a1 (1, 1, 1) + a2 (−2, 0, 2)
= (a1 , a1 , a1 ) + (−2a2 , 0, 2a2 )
= (a1 − 2a2 , a1 , a1 + 2a2 ).

Equivale ao sistema linear: 

 a − 2a2 = 2
 1


a1 = 3


a + 2a = 4

1 2

que tem como solução a1 = 3 e a2 = 12 . Logo, v3 = 3v1 + 21 v2 e, portanto, o conjunto {v1 , v2 , v3 } é

LD.

Exemplo 60. Os vetores v1 = (2, 1, 2, 1), v2 = (1, 2, 1, 0) e v3 = (−3, 0, 5, 0) do espaço vetorial R4

são LI. Com efeito

0 = α1 v1 + α2 v2 + α3 v3
= α1 (2, 1, 2, 1) + α2 (1, 2, 1, 0) + α3 (−3, 0, 5, 0)
= (2α1 , α1 , 2α1 , α1 ) + (α2 , 2α2 , α2 , 0) + (−3α3 , 0, 5α3, 0)
= (2α1 + α2 − 3α3 , α1 + 2α2 , 2α1 + α2 + 5α3 , α1 ).
84 Álgebra Linear
que equivale ao sistema linear 


 2α1 + α2 − 3α3 = 0


α + 2α = 0

1 2


 2α1 + α2 + 5α3 = 0


α = 0

1

o qual admite somente a solução trivial, ou seja, α1 = α2 = α3 = 0. Portanto, v1 , v2 e v3 são LI.

E XERCÍCIOS

1. Assinale como verdadeira ou falsa as seguintes afirmações. Justifique sua resposta pro-
vando a afirmação se for verdadeira e dando um contra-exemplo caso for falsa:
( ) Seja B um subconjunto de A ⊂ Rn . Se B é LD então A também é LD.
( ) Seja B um subconjunto de A ⊂ Rn . Se A é LI então B também é LI.
( ) Se v ∈ Rn é um vetor não nulo, então o conjunto {v} é LI.
( ) Se v ∈ Rn , então o conjunto {v} é LI.
Resposta: V - V - V - F

2. Verifique se são LD ou LI:

(a) {(10, 40), ( 23 , 6)}

(b) {(7, 9), (−1, 53 )}
(c) {(−5, 1, 3), (1, 2, 1), (0, 45 , 1)}
(d) {(3, 2, 1), (1, 2, 3), (5, 0, −5)}
(e) {(1, 5, −3, 1), (0, 72 , 1, 2), (2, −3
2
, 0, 5)}
(f) {(1, 5, 3, −2), (−5, −7, 2, −1), (13, 11, −12, 7)}

Resposta: (a) LD (b) LI (c) LI (d) LD (e) LI (f) LD

3. Considere dois vetores (a, b) e (c, d) no plano. Se ad − bc = 0, mostre que eles são LD.
ad − bc 6= 0, mostre que eles são LI.

Álgebra Linear 85
Base e Dimensão

Dado um espaço vetorial V estamos interessados em encontrar um subconjunto de V que o gere

e ao mesmo tempo que seja o menor possível, isto é, se subtrairmos deste conjunto algum vetor,
ele não gera mais todo V . Um conjunto com tais propriedades é chamado base de V . Vejamos
a definição precisa de base.

Definição 11 (Base). Um conjunto de vetores {v1 , . . . , vn } ⊂ V é uma base de V se for LI e gerar

V.

Vejamos alguns exemplos de conjuntos que são bases dos espaços vetoriais R2 , R3 , . . . , Rn .

Exemplo 61. O conjunto C = {e1 = (1, 0), e2 = (0, 1)} é base de R2 , conhecida como base canônica
de R2 . De fato, vimos no Exemplo 50 que C gera R2 e no Exemplo 55 que C é LI.

Exemplo 62. O conjunto B = {(1, 1), (0, 1)} também é uma base de R2 . Com efeito, se

(0, 0) = a(1, 1) + b(0, 1) = (a, a + b),

temos a = b = 0, ou seja, B é LI. Além disto, dado (x, y) ∈ R2 qualquer, podemos escrever

(x, y) = x(1, 1) + (y − x)(0, 1),

isto é, todo vetor de R2 é uma combinação linear de (1, 1) e (0, 1), provando que B gera R2 .

No entanto, nem todo conjunto com dois elementos forma uma base de R2 . Vejamos um
exemplo disto.

Exemplo 63. O conjunto {(−1, 0), (5, 0)} não é base de R2 , pois (5, 0) = −5(−1, 0), isto é, o conjunto
é LD.

No próximo exemplo veremos um conjunto de R3 que é LI, porém não é base de R3 .

Exemplo 64. O conjunto {e2 = (0, 1, 0), e3 = (0, 0, 1)} não é base de R3 . Apesar de LI ele não gera
todo o R3 , ou seja, [e2 , e3 ] 6= R3 . De fato, notemos que todo elemento de R3 da forma (a, 0, 0), a ∈
R \ {0}, não pertence ao espaço [e2 , e3 ].

Exemplo 65. Os vetores e1 = (1, 0, 0), e2 = (0, 1, 0) e e3 = (0, 0, 1) formam uma base de R3 , chamada
base canônica de R3 .

86 Álgebra Linear
Exemplo 66. Mais geralmente, não é difícil ver que os vetores e1 , . . . , en ∈ Rn , onde e1 = (1, 0, . . . , 0),
e2 = (0, 1, . . . , 0), . . . , en = (0, 0, . . . , 1), formam uma base de Rn , conhecida como base canônica de
Rn .

Do próximo resultado concluiremos que duas bases quaisquer de um espaço vetorial finita-
mente gerado têm o mesmo número de vetores.

Teorema 1. Se B = {v1 , v2 , . . . , vn } é uma base de um espaço vetorial V , então todo conjunto com
mais de n vetores é linearmente dependente.

Demonstração. Seja B ′ = {w1 , w2 , . . . , wm } um conjunto qualquer de m vetores de V , com m > n.

Devemos mostrar que B ′ é LD. Para isto, basta mostrarmos que existem escalares a1 , a2 , . . . , an , não
todos nulos, tais que

a1 w1 + a2 w2 + · · · + am wm = 0. (2.3)

Como B é uma base de V , cada vetor wi de B ′ é uma combinação linear dos vetores de B, isto
é, existem números α1i , α2i , . . . , αni , tais que

w1 = α11 v1 + α21 v2 + · · · + αn1 vn

w2 = α12 v1 + α22 v2 + · · · + αn2 vn
.. (2.4)
.
wm = α1m v1 + α2m v2 + · · · + αnm vn .

Substituindo as relações (2.3) em (2.4), obtemos:

a1 (α11 v1 + α21 v2 + · · · + αn1 vn ) + · · · + am (α1m v1 + α2m v2 + · · · + αnm vn ) = 0

ou, ordenando os termos convenientemente,

(a1 α11 + · · · + am α1m )v1 + · · · + (a1 αn1 + · · · + am αnm )vn = 0.

Como {v1 , . . . , vn } são LI, os coeficientes dessa combinação linear são nulos, ou seja,

 a α + · · · + am α1m = 0
 1 11


..
. .


 a α +···+a α =0

1 n1 m nm

Esse sistema linear homogêneo possui m variáveis a1 , a2 , . . . , am e n equações. Como m > n, tal
sistema admite soluções não-triviais, isto é, ai 6= 0 para algum i ∈ {1, ..., m}.
Logo, B ′ = {w1 , w2 , . . . , wm } é LD. 

Álgebra Linear 87
Corolário 1. Duas bases quaisquer de um espaço vetorial finitamente gerado têm o mesmo número
de vetores.

Demonstração. Considere B = {u1 , . . . , un } e B ′ = {v1 , . . . , vm } duas bases de um espaço vetorial

V . Como B é base e B ′ é LI, pelo Teorema 1, m ≤ n. Da mesma forma, como B ′ é base e B é LI,
temos n ≤ m. Logo, m = n. 

O corolário anterior nos motiva à definição que segue.

Definição 12 (Dimensão). Seja V um espaço vetorial finitamente gerado. Se V 6= {0} definimos a

dimensão de V , e a denotamos por dim V , como sendo o número de elementos de uma base qualquer
de V . Se V = {0} definimos a dimensão de V como sendo 0.
Agora, se V é um espaço vetorial não é finitamente gerado dizemos que V possui dimensão infinita
(dim V = ∞).

Com esta definição podemos enunciar o Teorema 1 da seguinte maneira:

Se V é um espaço vetorial de dimensão n, então qualquer subconjunto de V com mais de n

elementos é linearmente dependente.

No próximo exemplo discutimos a dimensão dos espaços vetoriais R2 , R3 , ..., Rn .

Exemplo 67. A dimensão do espaço vetorial R2 é 2, pois a base canônica, e portanto qualquer base
de R2 , tem 2 elementos. Da mesma forma, dim R3 = 3. Mais geralmente, dim Rn = n.

TOME NOTA. Na Definição 11 vimos que um conjunto B é base de um espaço vetorial V

se for LI e gerar V . No entanto, se soubermos que dim V = n, bastará verificar uma as
duas condições, ou seja,

(a) Se dim V = n e B = {v1 , . . . , vn } é LI, então B é base de V .

(b) Se dim V = n e B = {v1 , . . . , vn } gera V , então B é base de V .

Exemplo 68. O conjunto B = {(1, 2), (−1, −1)} é base de R2 , pois sabemos que dim R2 = 2 e B é
LI, uma vez que (1, 2) não é múltiplo de (−1, −1).
88 Álgebra Linear
 Observação. Sejam V um espaço vetorial com dim V = n e S um subespaço de V . Então
dim S ≤ n. No caso em que dim S = n, tem-se S = V .

Com o auxílio da observação acima, apresentamos a seguir uma interpretação geométrica

para os subespaços vetoriais de R3 .

Exemplo 69. Consideremos o espaço tridimensional R3 . A dimensão de qualquer subespaço S ⊆ R3

só poderá ser 0, 1, 2 ou 3. Assim,

(a) se dimS = 0, então S = {0} é a origem.

(b) se dimS = 1, então S é uma reta que passa pela origem.

(c) se dimS = 2, então S é um plano que passa pela origem.

(d) se dimS = 3, então S = R3 .

Observação. Seja V um espaço vetorial de dimensão n. Se os vetores v1 , . . . , vr são LI

em V , com r < n, então existem vr+1 , . . . , vn tais que {v1 , . . . , vr , vr+1 , . . . , vn } é uma base
de V .

Exemplo 70. Encontre uma base de R3 que contenha o vetor (2, 1, 1).
Como dim R3 = 3, precisamos encontrar dois vetores v1 , v2 ∈ R3 que juntos com (2, 1, 1)
formam um conjunto LI. Tomando v1 um vetor que não seja múltiplo de (2, 1, 1) já teremos que
{(2, 1, 1), v1} é LI. Assim, consideremos v1 = (1, 0, 0). Para completar, escolhemos v2 que não seja
combinação linear de (2, 1, 1)e(1, 0, 0). Dentre os infinitos existentes, tomemos v2 = (0, 1, 0). Logo,
{(2, 1, 1), (1, 0, 0), (0, 1, 0)} é LI e portanto é uma base de R3 .

Exemplo 71. Consideremos o seguinte subespaço de R4 :

S = {(x, y, z, w); x − 2y = 0 e z = 3w}.

Álgebra Linear 89
Determinar uma base de S e sua dimensão.
Um vetor (x, y, z, w) ∈ S se x = 2y e z = 3w. As variáveis livres são y e w. Logo, dimS = 2 e
qualquer subconjunto de S com dois vetores LI forma uma base desse espaço. Façamos y = 1, w = 0
e y = 0, w = 1 para obter os vetores v1 = (2, 1, 0, 0) e v2 = (0, 0, 3, 1), respectivamente. O conjunto
{v1 , v2 } é uma base de S.

E XERCÍCIOS

1. Verifique quais dos conjuntos de vetores a seguir constituem uma base do R2 :

(a) {(−1, −1), (1, 2)}

(b) {(3, −6), (− 21 , 1)}
(c) {(0, 0), (2, 3)}
(d) {(5, 1), (−2, 4)}

Resposta: Os vetores dos itens (a) e (d) formam uma base de R2

2. Verifique quais dos conjuntos de vetores a seguir constituem uma base do R2 :

(a) {(1, 1, −1), (2, −1, 0), (3, 2, 0)}

(b) {(3, 0, 3), (0, −1, 2), (−1, 12 , −2)}
(c) {(2, 1, −1), (−3, 0, 3), (0, 0, 2)}
(d) {(1, 3, 4), (1, 1, 1)}

Resposta: Os vetores dos itens (a) e (c) formam uma base de R3

3. Encontre valores de m para que o conjunto {(−2, −m), (m, 3)} seja uma base do R2 .
√
Resposta: m 6= ± 6

4. O conjunto B = {(2, −1), (−3, 2)} é uma base do R2 . Escrever qualquer vetor de R2 como
combinação linear de B .
Resposta: (x, y) = (2x + 3y)(2, 1) + (x + 2y)(−3, 2)

5. Mostrar que o conjunto

{(1, 2, 0, 0), (0, 0, 2, 1), (1, 0, 0, 6), (0, 0, 0, 4)}

forma uma base do R4 .

6. Determinar uma base do subespaço de R4 gerado pelo conjunto

{(1, −1, 0, 0), (−1, 1, 2, 1), (0, 0, 4, 2), (−2, 2, 2, 1)}.
Resposta: Uma base é {{(1, −1, 0, 0), (−2, 2, 2, 1)}
90 Álgebra Linear
7. Seja V = R3 e o conjunto

B = {(0, 1, 1), (1, 1, 0), (1, 2, 1)} ⊂ R3 .

(a) B é uma base de R3 ?

(b) Determine uma base do R3 que possua dois elementos do conjunto B .

Resposta: (b) Uma base é {(0, 1, 1), (1, 1, 0), (0, 0, 1)}

8. Determinar a dimensão e uma base para cada um dos seguintes espaços vetoriais:

(a) {(x, y, z) ∈ R3 ; y = −x}

(b) {(x, y, z) ∈ R3 ; z = 8x e y = 0}
(c) {(x, y)} ∈ R2 ; 3x + 2y = 0}
(d) {(x, y, z) ∈ R3 ; x = 2y e z = −3y}
(e) {(x, y, z) ∈ R3 ; x − 2y + 5z = 0}
(f) {(x, y, z) ∈ R3 ; y = 0}

Resposta: (a) dim = 2 (b) dim = 1 (c) dim = 1 (d) dim = 1 (e) dim = 2 (f) dim = 2

9. Encontre uma base e a dimensão do espaço solução dos seguintes sistemas lineares:



x + 2y − 2z − t = 0

(a) 2x + 4y + z + t = 0


x + 2y + 3z + 2t = 0


x + 2y − z + 3t = 0



(b) 2x − y + z − t = 0


4x + 3y − z + 5t = 0




x − 2y − z = 0

(c) 2x + y + 3z = 0


x + 3y + 4z = 0




2x + 2y − 3z = 0

(d) x − y − z = 0


3x + 2y + z = 0


x + y − 2z + t = 0
(e)
2x + 2y − 4z + 2t = 0

Resposta: (a) dim = 2 e uma base é {(1, 0, 3, −5), (0, 1, 6, −10)}

(b) dim = 2 e uma base é {(0, −2, −1, 1), (1, −3, −5, 0)}
Álgebra Linear 91
 (c) dim = 1 e uma base é {(1, 1, −1)}
(d) dim = 0 e não existe base
(e) dim = 3 e uma base é {(−1, 0, 0, 1), (−1, 1, 0, 0), (2, 0, 1, 0)}

10. Para os seguintes subespaços de R4

S1 = {(x, y, z, w); x + y + z = 0} e S2 = {(x, y, z, w); x − 2y = 0 e z = 3w}

obter:

(a) uma base de S1 e sua dimensão.

(b) uma base de S2 e sua dimensão.

Resposta: (a) dim S1 = 3 e uma base é {(1, 0, −1, 0), (0, 1, −1, 0), (0, 0, 0, 1)}
(b) dimS2 = 2 e uma base é {(2, 1, 0, 0), (0, 0, 3, 1)}

92 Álgebra Linear
Coordenadas e matriz mudança de base

Teorema 2. Seja B = {v1 , v2 , . . . , vn } uma base de um espaço vetorial V . Então, todo vetor v ∈ V
se escreve de maneira única como combinação linear dos vetores de B .

Demonstração. Dado um vetor v ∈ V , pela definição de base, sabemos que v pode ser expresso
como combinação linear dos vetores da base B . Suponha que existam duas tais combinações
lineares:
v = α1 v1 + α2 v2 + · · · + αn vn

v = β1 v1 + β2 v2 + · · · + βn vn .

Assim,
α1 v1 + α2 v2 + · · · + αn vn = β1 v1 + β2 v2 + · · · + βn vn

ou seja,
(α1 − β1 )v1 + (α2 − β2 )v2 + · · · + (αn − βn )vn = 0.

Como os vetores da base são LI, segue que

α1 − β1 = α2 − β2 = · · · = αn − βn = 0,

isto é,
αi = βi , para todo i = 1, . . . , n

o que prova o resultado. 

Sejam V um espaço vetorial e B = {v1 , . . . , vn } uma base de V . Pelo Teorema 2 um elemento

v ∈ V qualquer se escreve de maneira única como

v = α1 v1 + · · · + αn vn .

Os números α1 , . . . , αn são chamados coordenadas de v com relação à base B e se representa

por
vB = (α1 , . . . , αn )

ou em notação matricial  
α
 1 
 .. 
[v]B =  .  .
 
αn

Exemplo 72. Considere a base B = {(1, 0, 0), (1, 1, 0), (1, 1, 1)} do R3 . Encontre as coordenadas do
vetor (3, 2, 1) com relação a B.
Álgebra Linear 93
 Devemos obter a, b e c tais que
(3, 2, 1) = a(1, 0, 0) + b(1, 1, 0) + c(1, 1, 1)

= (a + b + c, b + c, c)
o que equivale ao sistema linear:



a+b+c = 3

b+c=2


c = 1


donde a = 1, b = 1 e c = 1. Assim,
(3, 2, 1)B = (1, 1, 1).

Exemplo 73. Encontre o vetor v ∈ R3 cujas coordenadas na base B = {(1, 0, 0), (1, 1, 0), (1, 1, 1)} é
vB = (1, 2, 3).
Pela definição de coordenadas com relação à uma base, basta fazer:

v = 1(1, 0, 0) + 2(1, 1, 0) + 3(1, 1, 1) = (6, 5, 3).

Matriz mudança de base

Dadas duas bases ordenadas B1 = {u1 , . . . , un } e B2 = {v1 , . . . , vn } de um mesmo espaço vetorial
V , um vetor v ∈ V pode ser escrito como

v = α1 u 1 + · · · + αn u n
(2.5)
v = β1 v1 + · · · + βn vn

Nosso objetivo agora, é relacionar as coordenadas vB1 = {α1 , . . . , αn } de v em relação à base

B1 , com as coordenadas vB2 = (β1 , . . . , βn ) de v em relação à base B2 .
Uma vez que {u1 , . . . , un } é uma base de V , cada vetor vi ∈ B2 pode ser escrito como combi-
nação linear dos uj , ou seja,

v1 = a11 u1 + a21 u2 + · · · + an1 un

v2 = a12 u1 + a22 u2 + · · · + an2 un

(2.6)

..
.
vn = a1n u1 + a2n u2 + · · · + ann un
94 Álgebra Linear
 Substituindo (2.6) em (2.5) vem

v = β1 v1 + · · · + βn vn

= β1 (a11 u1 + a21 u2 + · · · + an1 un ) + · · · + βn (a1n u1 + · · ·βn vn )

= (a11 β1 + · · · + a1n βn )u1 + · · · + (an1 β1 + · · · + ann βn )un .

Como v = α1 u1 + · · · + αn un e as coordenadas em relação a uma base são únicas, temos

a seguinte relação entre as coordenadas (α1 , . . . , α2 ) de v na base B1 com as coordenadas
(β1 , . . . , βn ) do mesmo vetor na base B2 :

α1 = a11 β1 + · · · + a1n βn

..
.

αn = an1 β1 + · · · + ann βn ,

que em forma matricial se escreve

    
α1 a11 a12 . . . a1n β1
    
α2 a21 a22 . . . a2n β2
    
    
= .
.. .. ..
 
. . .
    
    
    
αn an1 an2 . . . ann βn

Denotando a matriz dos coeficientes aij acima por [I]B

B1 podemos escrever:
2

[v]B1 = [I]B
B1 [v]B2 .
2

Chamamos [I]B B1 de matriz mudança da base B2 para a base B1 . Esta matriz contribui para
2

alcançar nosso objetivo, pois ela transforma as coordenadas de um vetor v na base B2 em coor-
denadas do mesmo vetor v na base B1 .
Álgebra Linear 95
 Observação. (Dica para o cálculo da matriz [I]B
B1 )
2

A i-ésima coluna de [I]B

B1 coincide as coordenadas do vetor vi em relação à base B1 .
2

Exemplo 74. Calcule a matriz mudança da base B2 = {(2, −1), (1, 3)} para a base B1 = {(1, 0), (1, 1)}.
Sabendo que vB2 = (5, 3), calcule vB1 .

Basta obter as coordenadas dos vetores de B2 em relação a B1 e dispó-las em colunas:

(2, −1) = a11 (1, 0) + a21 (1, 1)

= 3(1, 0) − 1(1, 1)
⇒ (2, −1)B1 = (3, −1)

(1, 3) = a12 (1, 0) + a22 (1, 1)

= −2(1, 0) + 3(1, 1)
⇒ (1, 3)B1 = (−2, 3)

Assim,  
3 −2
[I]B
B1 =
2  .
−1 3

Sendo vB2 = (5, 3) temos

    
3 −2 5 9
[v]B1 = [I]B
B1 [v]B2 =
2   = .
−1 3 3 3

Isto é, vB1 = (9, 4).

Inversa da matriz mudança de base

Se ao contrário, escrevermos coordenadas dos vetores ui de B1 em relação aos vetores vi da
base B2 , obtemos a matriz [I]B
B2 mudança da base B1 para a B2 .
1

96 Álgebra Linear
 TOME NOTA. Um fato importante é que as matrizes [I]B B1
B1 e [I]B2 são invertíveis e
2

−1
[I]B2
B1 = [I]B
B2 .
1

Exemplo 75. Calcule a matriz mudança da base canônica C = {(1, 0), (0, 1)} para a base
B = {(−1, 2), (4, 3)}. Obtenha as coordenadas do vetor (5, 8) em relação a B.
Note que é mais fácil obter a matriz [I]B
C mudança da base B para C, pois os vetores da base B
já estão em coordenadas na base canônica, ou seja,

(−1, 2) = −1(1, 0) + 2(0, 1) e (4, 3) = 4(1, 0) + 3(0, 1).

 
−1 4
Assim, [I]B
C =
 .
2 3
Usando a fórmula de inversão de matrizes 2 × 2, obtemos:
   
4
−1  3 −4  
−3

−1 11 11
[I]C B
B = [I]C = = .
11 −2 −1 2 1
11 11

Logo,     
−3 4 17
11 11
5 11
[vB ] = [I]C
B [v]C =
  = ,
2 1 18
11 11
8 11

ou seja, vB = ( 17 , 18 ).
11 11

Exemplo 76. Seja B = {(1, 1, 0), (0, 2, 0), (0, 0, 5)} uma base do R3 e denote por C sua base canônica.
Calcule a matriz mudança da base canônica para a base B.

(1, 0, 0) = a11 (1, 1, 0) + a21 (0, 2, 0) + a31 (0, 0, 5)

(0, 1, 0) = a12 (1, 1, 0) + a22 (0, 2, 0) + a32 (0, 0, 5)

(0, 0, 1) = a13 (1, 1, 0) + a23 (0, 2, 0) + a33 (0, 0, 5)

O que nos dá
Álgebra Linear 97
   
a11 = 1
 a12 = 0
  a =0
 13
  

 
a11 + 2a21 = 0 , a12 + 2a22 = 1 , a13 + 2a23 = 0

 
 

5a = 0
 5a = 0
 5a = 1

31 32 33

isto é,   
 a =1 a =0  a =0
 11  12  13

 
 

a21 = −1
2
, a22 = 21 , a23 = 0 .

 
 

a = 0
 a = 0
 a = 1

31 32 33 5

Logo,  
1 0 0
 
[I]C = −1 1
0 .
 
B  2 2
 
1
0 0 5

Exemplo 77. Considere as bases B1 = {u1, u2 , u3 } e B2 = {v1 , v2 , v3 } do R3 relacionadas da seguinte

forma:
u1 = v1 + v3
u2 = 2v1 + v2 + v3
u3 = v1 + 2v2 + v3
Determinar a matriz de mudança de B2 para B1 e de B1 para B2 .
Por definição temos que  
1 2 1
 
[I]B1
= 0 1 2 
 
B2
 
1 1 1
é a matriz mudança de B1 para B2 .
Para obter a matriz [I]B B1
B1 mudança de B2 para B1 , basta calcular a inversa de [I]B2 , pois
2

B1 −1
[I]B


B1 = [I]B2
2
. Deixamos como exercício o cálculo desta matriz inversa que é:
 
−1 −1 3
 2 2 2

[I]B2
= 1 0 −1  .
 
B1
 
−1 1 1
2 2 2

EXERCÍCIOS

1. Determinar o vetor coordenada de v = (6, 2) em relação às seguintes bases

B1 = {(3, 0), (0, 2)}, B2 = {(1, 0), (0, 1)}

98 Álgebra Linear
 B3 = {(1, 2), (2, 1)}, e B4 = {(0, 1), (1, 0)}.

Resposta: vB1 = (2, 1), vB2 = (6, 2), vB3 = ( −2

3
, 10
3
), vB4 = (2, 6)

2. No espaço vetorial R3 , consideremos a seguinte base,

B = {(1, 0, 0), (0, 1, 0), (1, −1, 1)}.

Determinar o vetor coordenada de v ∈ R3 em relação à base B se:

(a) v = (2, −3, 4).

(b) v = (3, 5, 6).
(c) v = (1, −1, 1).

Resposta: (a) vB = (−2, 1, 4) (b) vB = (−3, 11, 6) (c) vB = (0, 0, 1)

3. Sejam os vetores v1 = (1, 0, −1), v2 = (1, 2, 1) e v3 = (0, −1, 0) do R3 .

(a) Mostrar que B = {v1 , v2 , v3 } é base do R3

(b) Escrever e1 = (1, 0, 0), e2 = (0, 1, 0), e3 = (0, 0, 1) como combinação linear dos vetores
da base B .

Resposta: (b) e1 = 21 v1 + 21 v2 + v3 , e2 = −v3 , e3 = −1

v
2 1
+ 21 v2 + v3

4. Considere as seguintes bases de R2 :

A = {(2, −1), (−1, 1)}, B = {(1, 0), (2, 1)},

C = {(1, 1), (1, −1)} e D = {(−1, −3), (3, 5)}.

Calcular:

(a) Calcular vB sabendo que vA = (4, 3)

(b) Calcular vA sabendo que vB = (7, −1)
(c) Calcular vD sabendo que vC = (2, 3)

Resposta: (a) vB = (7, −1) (b) vA = (4, 3) (c) vD = (7, 4)

5. Sabendo que B = {(1, 3), (2, −4)} é base do R2 e que a matriz M de mudança de base de
B para C é:  
−7 6
M = ,
−11 8

determinar a base C .
Resposta: C = {(3, −2), (−2, 1)}
Álgebra Linear 99
 6. Considere as bases B = {(1, 0, 0), (0, 1, 0), (0, 0, 1)} e C = {(1, 0, −1), (0, 1, −1), (−1, 1, 1)}
do R3 .

(a) Determinar a matriz M de mudança de base de B para C .

(b) Calcular vC sabendo que vB = (1, 2, 3).
(c) Calcular vB sabendo que vC = (7, −4, 6).
 
2 1 1
 
Resposta: (a) M =  −1 0 −1
 

 
1 1 1
(b) vC = (7, −4, 6) (c) vB = (1, 2, 3)

7. Sabendo que vC = (5, −2, 3), calcular vB , sendo

 
1 1 1
 
M = 1 1 0
 

 
1 0 1

a matriz de mudança de base de B para C .

Resposta: vB = (−4, 2, 7)

8. Considere as bases B1 = {u1 , u2, u3 } e B2 = {v1 , v2 , v3 } de R3 assim relacionadas:

v1 = u1 − u2 − u3
v2 = 2u2 + u3
v3 = 2u1 + u3

(a) Determinar as matrizes de mudança de B1 para B2 e de B2 para B1 .

(b) Se um vetor u de R3 apresenta coordenadas 1, 1 e 1, em relação a B1 , quais as coor-
denadas de u relativamente a B2 ?
   
1/2 1/2 1/2 1 0 2
   
B1 B2
Resposta: (a) [I]B2 =  1/4 3/4 −1/2  e [I]B1 =  −1 2 0 
   
   
1/4 −1/4 1/2 −1 1 1
(b) uB2 = (0, 12 , 21 )

100 Álgebra Linear

 Módulo 3
Transformações
Lineares

Ao final deste módulo o leitor estará familiarizado com os seguintes conceitos:

⊲ Transformação linear;

⊲ Núcleo e imagem de uma transformação linear;

⊲ Representação matricial de uma transformação linear;

⊲ Operadores lineares no plano.

O leitor interessado em aperfeiçoar e ampliar seus conhecimentos nos assuntos tratados neste
módulo encontrará o suporte necessário nos seguintes textos: [1, 2, 6]. A os interessados em
aprofundar nestes conteúdos indicamos: [3, 4].

Álgebra Linear 101

Transformação Linear
As transformações lineares são funções especiais por dois motivos: o primeiro é que são funções
definidas entre espaços vetoriais e o segundo motivo é porque são funções que respeitam as
operações destes espaços vetoriais

Definição 13 (Transformação Linear). Dados dois espaços vetoriais U e V , uma transformação

linear de U em V é uma função T : U → V, que satisfaz as seguintes condições:
TL 1) T (u + v) = T (u) + T (v), ∀u, v ∈ U.
TL 2) T (αu) = αT (u), ∀α ∈ R e u ∈ U.

Observação. Uma transformação linear de U em U é chamada de operador linear.

Vejamos alguns exemplos de funções que são transformações lineares.

Exemplo 78. A transformação T : R2 → R3 , definida por T (x, y) = (2x + y, x − y, 3y) é linear.

De fato, dados u = (x1 , y1 ) e v = (x2 , y2 ) vetores quaisquer de R2 e α ∈ R temos:
T L1) T (u + v) = T ((x1 , y1 ) + (x2 , y2 ))
= T (x1 + x2 , y1 + y2 )
= (2(x1 + x2 ) + (y1 + y2 ), (x1 + x2 ) − (y1 + y2 ), 3(y1 + y2 ))
= (2x1 + 2x2 + y1 + y2 , x1 + x2 − y1 − y2 , 3y1 + 3y2 )
= (2x1 + y1 , x1 − y1 , 3y1 ) + (2x2 + y2 , x2 − y2 , 3y2 )
= T (u) + T (v).
T L2) T (αu) = T (α(x1 , y1 ))
= T (αx1 , αy1 )
= (2αx1 + αy1, αx1 − αy1 , 3αy1)
= (α(2x1 + y1 ), α(x1 − y1 ), α(3y1))
= α(2x1 + y1 , x1 − y1 , 3y1)
= αT (u).

102 Álgebra Linear

Exemplo 79. Seja T : R → R, dada por T (x) = kx, onde k ∈ R − {0}, é uma transformação linear.
Com efeito, sejam x, y, α ∈ R, temos:
TL 1) T (x + y) = k(x + y) = kx + ky = T (x) + T (y).
TL 2) T (αx) = k(αx) = αkx = αT (x).

Note que toda transformação linear de R em R só pode ser da forma apresentada no exemplo
anterior.
De fato, T (x) = T (x · 1) e, sendo T linear e x um escalar, podemos escrever T (x · 1) = xT (1).
Denotando T (1) = k , temos T (x) = kx.

Exemplo 80. A aplicação identidade I : U → U, dada por I(u) = u, é um operador linear.

De fato,
TL 1) I(u + v) = u + v = I(u) + I(v), ∀u, v ∈ U.
TL 2) I(αu) = αu = αI(u), ∀u ∈ U e α ∈ R.

Exemplo 81. A transformação nula T : U → V , dada por T (u) = 0, ∀u ∈ U, é linear, pois:

TL 1) T (u + v) = 0 = 0 + 0 = T (u) + T (v), ∀u, v ∈ U.
TL 2) T (αu) = 0 = α · 0 = αT (u), ∀u ∈ U e α ∈ R.

Exemplo 82. Uma matriz A de ordem 3 × 2 determina uma transformação da seguinte maneira:

TA : R2 → R3
u 7→ TA (u) = Au.

Além disso, TA é linear. De fato, sejam u, v ∈ R2 e α ∈ R temos

TL 1) TA (u + v) = A(u + v) = Au + Av = T (u) + T (v),
TL 2) TA (αu) = A(αu) = αAu = αT (u).

Vejamos um caso particular de uma transformação linear definida como acima.

 
5 0  
  x
Considerando A3×2 =  2 −1  e u = (x, y) como um vetor coluna, u2×1 =  , temos
 
  y
1 3
   
5 0 5x
 
  x  
Au =  2 −1  =  2x − y .
    
  y  
1 3 x + 3y
Álgebra Linear 103
Logo, TA (x, y) = (5x, 2x − y, x + 3y).
Isto significa que a matriz A3×2 determina a transformação do vetor u = (x, y) ∈ R2 no vetor
v = (5x, 2x − y, x + 3y) e tal transformação é linear.

A ideia apresentada no exemplo anterior pode ser generalizada para qualquer matriz de or-
dem m × n como segue.

Exemplo 83. Em geral, dada uma matriz A de ordem m × n, fica determinada a transformação
linear TA : Rn × Rm cuja imagem TA (u) do vetor u ∈ Rn é dada pelo produto da matriz Am×n com
o vetor coluna un×1 :
TA (u) = Am×n · un×1 = (Au)m×1 .

Mais adiante veremos que o contrário também acontece, ou seja, toda transformação linear
T : Rn → Rm pode ser representada por uma matriz de ordem m × n.

No próximo exemplo veremos uma transformação que não é linear.

Exemplo 84. A transformação T : R2 → R2 , dada por T (x, y) = (x2 , 2y) não é linear.
De fato, dados u = (x1 , y1 ), v = (x2 , y2 ) ∈ R2 temos

T (u + v) = T (x1 + x2 , y1 + y2 ) = ((x1 + x2 )2 , 2(y1 + y2 )) = (x21 + 2x1 x2 + x22 , 2y1 + 2y2 )

porém
T (u) + T (v) = (x21 , 2y1 ) + (x22 , 2y2) = (x21 + x22 , 2(y1 + y2 ))

o que implica
T (u + v) 6= T (u) + T (v),

sempre que x1 e x2 são não nulos.

A próxima observação nos dá uma maneira de detectar algumas transformações que não são
lineares.

Observação. Se T : U → V é uma transformação linear, então T leva o vetor nulo de U

no vetor nulo de V . De fato, T (0) = T (0 · u) = 0T (u) = 0.

104 Álgebra Linear

 Mas cuidado, para uma transformação T ser linear, não é suficiente que T (0) = 0, como pode
ser visto no Exemplo 84.

Se T : U → V é uma transformação linear, então a imagem de uma combinação linear

α1 u1 + α2 u2 em U é uma combinação linear das imagens T (u1 ) e T (u2 ) em V com os mesmos
coeficientes α1 e α2 . Ou seja,

T (α1 u1 + α2 u2 ) = T (α1 u1) + T (α2 u2 ) = α1 T (u1 ) + α2 T (u2 ).

É claro que isto vale para uma combinação linear qualquer em U , isto é,

T (α1 u1 + · · · + αn un ) = α1 T (u1) + · · · + αn T (un ).

Isto nos revela que, caso U seja um espaço vetorial finitamente gerado, a transformação linear T
fica completamente determinada se conhecermos seus valores nos elementos de uma base de
U . De fato, seja B = {u1 , ..., un } uma base de U tal que são conhecidos os vetores

T (u1 ) = v1 , ..., T (un) = vn de V.

Dado u ∈ U qualquer, sabemos que existem escalares α1 , ..., αn ∈ R tais que u = α1 u1 + · · · +

αn un . Assim, obtemos T (u) por:

T (u) = T (α1 u1 + · · · + αn un )
= α1 T (u1 ) + · · · + αn T (un )
= α1 v1 + · · · + αn vn .

Exemplo 85. Seja T : R2 → R2 um operador linear e B = {(1, 1), (1, −1)} uma base do R2 . Supondo
que T (1, 1) = (2, 6) e T (1, −1) = (−2, 2), determine T (5, 3) e T (x, y).
Expressando o vetor (5, 3) como combinação linear dos vetores de B, temos:

(5, 3) = a(1, 1) + b(1, −1) = (a + b, a − b)

ou 
a + b = 5
a − b = 3

cuja solução é a = 4 e b = 1. Assim,

T (5, 3) = T (4(1, 1) + 1(1, −1))

= 4T (1, 1) + 1T (1, −1)
= 4(2, 6) + 1(−2, 2)
= (6, 26).
Álgebra Linear 105
 Procedemos da mesma forma com o vetor genérico (x, y):

(x, y) = a(1, 1) + b(1, −1)

ou 
a + b = x
a − b = y

x+y x−y
que tem solução a = eb= . Assim,
2 2

T (x, y) = T ( x+y
2
(1, 1) + x−y
2
(1, −1))
x+y x−y
= 2
T (1, 1) + 2
T (1, −1)
x+y x−y .
= 2
(2, 6) + 2
(−2, 2)
= (x + y, 3x + 3y) + (−x + y, x − y)
= (2y, 4x + 2y)

Se calculássemos primeiro T (x, y) = (2y, 4x + 2y) poderíamos calcular o vetor T (5, 3) por

T (5, 3) = (2 · 3, 4 · 5 + 2 · 3) = (6, 26).

Exemplo 86. Seja T : R3 → R2 uma transformação linear e B = {(1, 1, 1), (1, 1, 0), (1, 0, 0)} uma
base de R3 . Sendo T (1, 1, 1) = (−2, 1), T (1, 1, 0) = (4, 0) e T (1, 0, 0) = (1, 3), determine T (x, y, z).
Expressando (x, y, z) como combinação linear dos elementos em B, temos

(x, y, z) = a(1, 1, 1) + b(1, 1, 0) + c(1, 0, 0)

ou 


 a+b+c=x

a+b =y


a = z


cuja solução é a = z, b = y − z e c = x − y. Assim,

T (x, y, z) = T (z(1, 1, 1) + (y − z)(1, 1, 0) + (x − y)(1, 0, 0))

= zT (1, 1, 1) + (y − z)T (1, 1, 0) + (x − y)T (1, 0, 0)
= z(−2, 1) + (y − z)(4, 0) + (x − y)(1, 3)
= (−2z + 4y − 4z + x − y, z + 3x − 3y)
= (x + 3y − 6z, 3x − 3y + z).

106 Álgebra Linear

 No próximo exemplo o que queremos é encontrar um vetor cuja imagem por uma transforma-
ção linear é conhecida.

Exemplo 87. Dado o operador linear no R3 :

T (x, y, z) = (x + 2y + 2z, x + 2y − z, −x + y + 4z).

Determine o vetor u ∈ R3 tal que T (u) = (−1, 8, −11).

Fazendo u = (x, y, z) temos que T (u) = T (x, y, z) = (−1, 8, −11) ou seja,

(x + 2y + 2z, x + 2y − z, −x + y + 4z) = (−1, 8, −11)

ou 


x + 2y + 2z = −1

x + 2y − z = 8


−x + y + 4z = −11


cuja solução é x = 1, y = 2 e z = −3. Logo, u = (1, 2, −3).

EXERCÍCIOS

1. Entre as seguintes transformações, verique quais são lineares.

(a) T : R2 → R2 , T (x, y) = (x − 3y, 4x + 2y)

(b) T : R2 → R2 , T (x, y) = (x, y 2 )
(c) T : R2 → R2 , T (x, y) = (x, y − 1)
(d) T : R2 → R2 , T (x, y) = (0, 4y + 3x)
(e) T : R2 → R2 , T (x, y) = (x, 2|y|)
(f) T : R2 → R, T (x, y) = xy
(g) T : R2 → R3 , T (x, y) = (y + 2x, −3x, 0)
(h) T : R3 → R3 , T (x, y, z) = (x + z, z − y, −3x)
(i) T : R → R2 , T (x) = (x, 2 − x)
(j) T : R3 → R, T (x, y, z) = 2x − 5y + 3z
(k) T : R2 → R, T (x, y) = y
(l) T : R2 → R4 , T (x, y) = (−y, x, y, −2x)

Resposta: As transformações dos itens (a), (d), (g), (h), (j), (k) e (l) são lineares.
Álgebra Linear 107
 2. Considere uma transformação linear T : R2 → R3 tal que T (−1, 1) = (3, 2, 1) e
T (0, 1) = (1, 1, 0). Determine:

(a) T (2, 3)
(b) T (x, y)
(c) v ∈ R2 tal que T (v) = (−2, 1, −3).

Resposta: (a) T (2, 3) = (−1, 1, −2) (b) T (x, y) = (−2x + y, −x + y, −x) (c) v = (3, 4)

3. Dada a transformação linear T : R3 → R2 definida por T (1, 1, 1) = (1, 2), T (1, 1, 0) = (2, 3) e
T (1, 0, 0) = (3, 4). Determine:

(a) T (x, y, z)
(b) v1 ∈ R3 tal que T (v1 ) = (−3, −2)
(c) v2 ∈ R3 tal que T (v2 ) = (0, 0)

Resposta: (a) T (x, y, z) = (3x − y − z, 4x − y − z) (b) v1 = (1, 6 − z, z) (c) v2 = (0, −z, z)

4. Seja T : V → W uma função, mostre que:

(a) Se T é uma transformação linear, então T (0) = 0

(b) Se T (0) 6= 0, então T não é uma transformação linear.

5. (a) Ache a transformação linear T : R3 → R2 tal que T (1, 0, 0) = (2, 0), T (0, 1, 0) = (1, 1) e
T (0, 0, 1) = (0, −1).
(b) Encontre v de R3 tal que T (v) = (3, 2).
Resposta: (a) T (x, y, z) = (2x + y, y − z) (b) v = (x, 3 − 2x, 1 − 2x)

6. (a) Qual é a transformação linear T : R2 → R3 tal que T (1, 1) = (3, 2, 1) e

T (0, −2) = (0, 1, 0)?
(b) Ache T (1, 0) e T (0, 1).
(c) Qual é a transformação linear S : R3 → R2 tal que S(3, 2, 1) = (1, 1), S(0, 1, 0) = (0, −2)
e S(0, 0, 1) = (0, 0)?
(a) Ache a transformação linear P : R2 → R2 tal que P = S ◦ T .

Resposta: (a) T (x, y) = (3x, 5x−y

2
, x) (b) T (1, 0) = (3, 52 , 1) e T (0, 1) = (0, −1
2
, 0)

(c) S(x, y, z) = ( 31 x, 35 x − 2y) (d) P (x, y) = (x, y)

108 Álgebra Linear

Núcleo e Imagem de uma Transformação Linear

Nesta unidade introduzimos e estabelecemos propriedades de núcleo e imagem de uma transfor-

mação linear. Veremos que estes objetos têm estrutura de subespaços vetorias e são usados no
estudo das tranformações lineares. Apresentamos, por exemplo, o teorema da dimensão, o qual
relaciona a dimensão do núcleo e da imagem com a dimensão do domínio de uma transforma-
ção linear. Este resultado é muito útil no estudo da injetividade e/ou da sobrejetividade de uma
transformação linerar. Por fim, introduzimos o conceito de isomorfismos entre espaços vetoriais.

Iniciemos com a definição de núcleo de uma transformação linear.

Definição 14 (Núcleo). Dada uma transformação linear T : U → V , chamamos de núcleo de T o

conjunto de todos os vetores u ∈ U tais que T (u) = 0. Tal conjunto denotaremos por N(T ) ou
Ker(T ). Assim, podemos escrever

N(T ) = {u ∈ U; T (u) = 0}.

Note que N(T ) 6= ∅, pois, uma vez que T (0) = 0, o vetor nulo de U sempre pertence a N(T ).

Agora, consideremos algumas transformações lineares e determinemos seus núcleos.

Exemplo 88. Seja T : R2 → R definida por T (x, y) = x − y. Neste caso,

N(T ) = {(x, y) ∈ R2 ; x − y = 0},

ou seja, N(T ) é a reta y = x. Podemos ainda escrever

N(T ) = {(x, x); x ∈ R}

= {x(1, 1); x ∈ R}
= [(1, 1)].

Exemplo 89. O núcleo da transformação linear T : R2 → R2 , dada por T (x, y) = (x + y, 2x − y) é

o conjunto
N(T ) = {(x, y) ∈ R2 ; (x + y, 2x − y) = (0, 0)},

isto é, a solução geral do sistema 

x + y = 0
2x − y = 0

a qual é x = y = 0.
Logo, N(T ) = {(0, 0)}.

Álgebra Linear 109

Exemplo 90. A transformação linear T : R3 → R2 , dada por T (x, y, z) = (x − y − z, 2x + y + 2z),
apresenta como núcleo o conjunto

N(T ) = {(x, y, z) ∈ R3 ; (x − y − z, 2x + y + 2z) = (0, 0)},

ou seja, (x, y, z) ∈ N(T ) se, e somente se,


x − y − z = 0
,
2x + y + 2z = 0

y
sistema que admite como solução x = 4
ez= −3
4
y.
Logo,
N(T ) = {( y4 , y, −3
4
y); y ∈ R}
= { y4 (1, 4, −3); y ∈ R}
= [(1, 4, −3)].

A seguir veremos que o conceito de imagem de uma transformação linear coincide com o
conceito de imagem de uma função qualquer.

Definição 15 (Imagem). Seja T : U → V uma transformação linear. Chamamos imagem de T o

conjuntos dos vetores v ∈ V tais que existe um vetor u ∈ U satisfazendo T (u) = v. Denotaremos tal
conjunto por Im(T ) ou T (V ). Assim,

Im(T ) = {v ∈ V ; T (u) = v para algum u ∈ U}.

A seguinte figura ilustra todas as componentes relacionadas a uma transformação linear

T :U →V.

O O

N (T ) Im(T )

U V

FIGURA 3.1

Note que Im(T ) é sempre não vazia, pois como T (0) = 0 temos que 0 ∈ Im(T ).

Vejamos alguns exemplos de transformações lineares e suas respectivas imagens.

110 Álgebra Linear
Exemplo 91. Seja T : R3 → R3 , definida por T (x, y, z) = (0, y, z), isto é, T é a projeção ortogonal
de R3 no plano yOz. A imagem de T é o próprio plano yOz. De fato,

Im(T ) = {(0, y, z); y, z ∈ R}

= {y(0, 1, 0) + z(0, 0, 1); y, z ∈ R}
= [(0, 1, 0), (0, 0, 1)].

Já o núcleo de T é o eixo dos x, pois T (x, 0, 0) = (0, 0, 0), ∀x ∈ R e então

N(T ) = {(x, 0, 0); x ∈ R}

= {x(1, 0, 0); x ∈ R}
= [(1, 0, 0)].

Exemplo 92. A transformação nula T : U → V , T (u) = 0, ∀u ∈ U, tem Im(T ) = {0}, enquanto que
o núcleo é todo U.

Exemplo 93. A transformação identidade I : U → U, I(u) = u, ∀u ∈ R, tem N(T ) = {0}, enquanto

que a imagem é todo o U.

O próximo resultado nos diz que os conjuntos núcleo e imagem de uma transformação linear
T : U → V são subespaços de U e V , respectivamente.

Proposição 2. Seja T : U → V uma transformação linear. Então,

(1) O núcleo de T , N(T ), é um subespaço vetorial de U.

(2) A imagem de T , Im(T ), é um subespaço vetorial de V .

Demonstração. (1) Como visto, 0 ∈ N(T ), logo N(T ) 6= ∅. Dados u1 , u2 ∈ N(T ) e α ∈ R temos

SV 1) T (u1 + u2 ) = T (u1) + T (u2 ) = 0 + 0 = 0, ou seja, u1 + u2 ∈ N(T ).

SV 2) T (αu1) = αT (u1 ) = α0 = 0, ou seja, αu1 ∈ N(T ).

Portanto, N(T ) é um subespaço vetorial de U.

(2) Como 0 ∈ Im(T ), segue que Im(T ) 6= ∅. Dados v1 , v2 ∈ Im(T ) e α ∈ R, existem u1 , u2 ∈ U

tais que T (u1 ) = v1 e T (u2 ) = v2 . Assim,

SV 1) T (u1 + u2 ) = T (u1) + T (u2 ) = v1 + v2 , isto é, v1 + v2 ∈ Im(T ).

SV 2) T (αu1) = αT (u1 ) = αv1 , isto é, αv1 ∈ Im(T ).

Portanto, Im(T ) é um subespaço vetorial de V .


Álgebra Linear 111
 Os conceitos de injetividade, sobrejetividade e bijetividade já são bem conhecidos quando se
trata de funções. O que veremos a seguir é que estes conceitos também são introduzidos ao
estudo de transformações lineares.

Definição 16 (Injetividade, sobrejetiva e bijetividade). Seja T : U → V uma transformação linear.

1. Dizemos que T é injetora se para todos u1 , u2 ∈ U, u1 6= u2 implica T (u1) 6= T (u2 ). Equiva-

lentemente, T (u1 ) = T (u2 ) implica u1 = u2 , ∀u1 , u2 ∈ U.

2. Dizemos que T é sobrejetora se Im(T ) = V , ou seja, para todo v ∈ V existe pelo menos um
u ∈ U tal que T (u) = v.

3. Dizemos que T é bijetora se ela for injetora e sobrejetora.

Note que os conceitos de injetividade e sobrejetividade de uma transformação linear coinci-

dem com os mesmos conceitos para uma função qualquer.

O próximo resultado nos auxilia na verificação de uma transformação linear ser ou não inje-
tora.

Proposição 3. Uma transformação linear T : U → V é injetora se, e somente se, N(T ) = {0}.

Demonstração. Primeiramente suponhamos que T é injetora. Sabemos que T (0) = 0 e, como T é

injetora, dado u ∈ N(T ) temos que T (u) = 0 = T (0) implica que u = 0. Logo, N(T ) = {0}.
Por fim, suponhamos que N(T ) = {0}. Dados u1 , u2 ∈ U tais que T (u1 ) = T (u2), temos que
T (u1 ) − T (u2) = 0, o que implica T (u1 − u2 ) = 0, isto é, u1 − u2 ∈ N(T ). Como N(T ) = {0}, segue
que u1 = u2 e portanto T é injetora. 

Teorema 3 (do núcleo e imagem). Seja T : U → V uma transformação linear, onde U tem dimensão
finita. Então,
dim N(T ) + dim Im(T ) = dim U.

Demonstração. Tome uma base {v1 , ..., vn } de N(T ). Como N(T ) é um subespaço de U, podemos
completar este conjunto de modo a obter uma base de U. Seja {v1 , ..., vn , u1, ..., um } uma tal base de
V.
Mostraremos que {T (u1), ..., T (um)} é uma base de Im(T ), ou seja,

(i) Im(T ) = [T (u1 ), ..., T (um)]

(ii) {T (u1 ), .., T (um)} é LI,

112 Álgebra Linear
e com isto teremos que dim N(T ) + dim Im(T ) = n + m = dim U.
Provemos o item (i). Dado v ∈ Im(T ), existe u ∈ U tal que T (u) = v. Assim, existem
α1 , ..., αn , β1 , ..., βm ∈ R tais que

u = α1 v1 + ·... + αn vn + β1 u1 + ·... + βm um .

Além disto,

v = T (u) = T (α1 v1 + ... + αn vn + β1 u1 + ... + βm um )

= α1 T (v1 ) + ... + αn T (vn ) + β1 T (u1) + ... + βm T (um ).

Mas T (vi ) = 0, pois vi ∈ N(T ), ∀i = 1, ..., n. Logo,

v = β1 T (u1 ) + ... + βm T (um ),

provando que Im(T ) = [T (u1 ), ..., T (um )].

Provemos agora o item ii). Considerando a combinação linear

γ1 T (u1 ) + · · · + γm T (um) = 0,

devemos mostrar que γi = 0, ∀i = 1, ..., m.

Sendo T linear temos T (γ1 u1 + · · · + γm um ) = 0, ou seja, γ1 u1 + · · · + γm um ∈ N(T ), isto é,
existem δ1 , ..., δn ∈ R satisfazendo:

γ1 u1 + · · · + γm um = δ1 v1 + · · · + δn vn

ou
γ1 u1 + · · · + γm um − δ1 v1 − · · · − δn vn = 0.

Como {v1 , ..., vn , u1 , ..., um } é uma base de V , em particular é LI, concluímos que

γ1 = · · · = γm = δ1 = · · · = δn = 0.

Vejamos alguns exemplo de como aplicar o teorema acima.

Exemplo 94. Verifique nos exemplos anteriores as dim N(T ), dim Im(T ) e dim U.

Exemplo 95. Determine o núcleo e a imagem do operador linear T : R3 → R3 , dado por

T (x, y, z) = (x + 2y + 2z, y − x, 4y − x + 2z),

bem como suas dimensões.

Álgebra Linear 113
 Temos que
N(T ) = {(x, y, z) ∈ R3 ; T (x, y, z) = 0},

ou seja,
(x, y, z) ∈ N(T ) ⇔ (x + 2y + 2z, y − x, 4y − x + 2z) = (0, 0, 0)

x + 2y + 2z = 0



⇔ −x + y = 0


−x + 2y + 2z = 0


cuja solução geral é (x, x, − 23 x), x ∈ R. Portanto,

3 3
N(T ) = {(x, x, − x); x ∈ R} = [(1, 1, − )].
2 2

Como {(1, 1, 23 )} é LI, segue que dim N(T ) = 1.

Agora,
Im(T ) = {(a, b, c) ∈ R3 ; T (x, y, z) = (a, b, c)},

para algum (x, y, z) ∈ R3 . Ou seja, (a, b, c) ∈ Im(T ) se existe (x, y, z) ∈ R3 tal que

(x + 2y + 2z, −x + y, −x + 4y + 2z) = (a, b, c)

o que equivale ao seguinte sistema possuir solução




 x + 2y + 2z = a

−x + y = b .


−x + 4y + 2z = c


Escalonando a matriz ampliada deste sistema concluímos que ele só admite solução se
−a − 2b + c = 0. Assim,

Im(T ) = {(a, b, c) ∈ R3 ; −a − 2b + c = 0}
= {(−2b + c, b, c); b, c ∈ R2 }
= {b(−2, 1, 0) + c(1, 0, 1); b, c ∈ R}
= [(−2, 1, 0), (1, 0, 1)].

Note que dim Im(T ) = dim R3 − dim N(T ) = 3 − 1 = 2. Desta forma, podemos concluir que o
conjunto {(−2, 1, 0), (1, 0, 1)} é uma base de Im(T ).

Exemplo 96. Seja T : R3 → R2 a transformação linear tal que T (1, 0, 0) = (−1, 1), T (0, 1, 0) = (3, 2)
e T (0, 0, 1) = (1, 0).

(a) Use o teorema da dimensão para concluir que T não é injetora.

(b) Determine N(T ) e uma de suas bases.

114 Álgebra Linear
 (c) Determine Im(T ) e uma de suas bases. T é sobrejetora?

(a) Como dim Im(T ) é no máximo 2, pois Im(T ) ⊂ R2 , temos de

dim N(T ) + dim Im(T ) = dim R3 = 3

e então dim N(T ) é no mínimo 1. Logo, N(T ) 6= {0} e T é não injetora.

(b) Inicialmente vamos obter a expressão que define T . Para isto escrevemos

(x, y, z) = x(1, 0, 0) + y(0, 1, 0) + z(0, 0, 1)

e, em seguida, aplicamos T nesta igualdade:

T (x, y, z) = T (x(1, 0, 0) + y(0, 1, 0) + z(0, 0, 1))

= xT (1, 0, 0) + yT (0, 1, 0) + zT (0, 0, 1)
= x(−1, 1) + y(3, 2) + z(1, 0)
= (−x + 3y + z, x + 2y).

Agora,
(x, y, z) ∈ N(T ) ⇔ T (x, y, z) = (0, 0)
⇔ (−x + 3y + z, x + 2z) = (0, 0)

−x + 3y + z = 0
⇔
x + 2z = 0

cuja solução geral é (−2z, −z, z), z ∈ R. Logo, N(T ) = {(−2z, −z, z); z ∈ R} = [(−2, −1, 1)] e
portanto dim N(T ) = 1.

(c) Como dim Im(T ) = 3 − dim N(T ) = 3 − 1 = 2, segue que Im(T ) = R2 e então qualquer base de
R2 é base de Im(T ), por exemplo, a base canônica {(1, 0), (0, 1)}. Além disto, T é sobrejetora.

Exemplo 97. Determine uma transformação linear T : R4 → R3 cujo núcleo seja gerado por
(1, 0, 0, 1) e (0, −1, 0, 1).
Sendo dim R4 = 4 e dim N(T ) = dim[(1, 0, 0, 1), (0, −1, 0, 1)] = 2, temos que

dim Im(T ) = 4 − 2 = 2.

O primeiro passo é completar o conjunto {(1, 0, 0, 1), (0, −1, 0, 1)} a uma base de R4 . Para isso basta
acrescentar os vetores (0, 0, 1, 0) e (0, 0, 0, 1), pois

α(1, 0, 0, 1) + β(0, −1, 0, 1) + γ(0, 0, 1, 0) + δ(0, 0, 0, 1) = 0

se, e somente se, α = β = γ = δ = 0. Agora, basta tomar o cuidado das imagens de (0, 0, 1, 0) e
Álgebra Linear 115
(0, 0, 0, 1) pela T serem LI. Para isto, definimos T : R4 → R3 tal que

T (0, 0, 1, 0) = (0, 1, 0), T (0, 0, 0, 1) = (0, 0, 1), T (1, 0, 0, 1) = (0, 0, 0) e T (0, −1, 0, 1) = (0, 0, 0).

Dado (x, y, z, w) ∈ R4 reescrevemos

(x, y, z, w) = (w + y − x)(0, 0, 0, 1) + z(0, 0, 1, 0) + x(1, 0, 0, 1) − y(0, −1, 0, 1).

Assim,

T (x, y, z, w) = T ((w + y − x)(0, 0, 0, 1) + z(0, 0, 1, 0) + x(1, 0, 0, 1) − y(0, −1, 0, 1))

= (w + y − x)T (0, 0, 0, 1) + zT (0, 0, 1, 0) + 0 + 0
= (w + y − x)(0, 0, 1) + z(0, 1, 0)
= (0, z, w + y − x),

a qual é uma transformação linear cujo núcleo é gerado por (1, 0, 0, 1) e (0, −1, 0, 1).

Vejamos agora uma consequência do Teorema 3.

Corolário 2. Se U e V são espaços vetoriais de dimensões finitas, dim U = dim V e se T : U → V é

uma transformação linear, então são equivalentes as seguintes condições:

(a) T é sobrejetora.

(b) T é injetora.

(c) T é bijetora.

Demonstração. (a) ⇒ (b) Se T é sobrejetora, então Im(T ) = V e, como pelo Teorema 3

dim U = dim N(T ) + dim V , segue que dim N(T ) = 0, pois dim U = dim V . Logo, N(T ) = {0}
e, pela Proposição 3, T é injetora.
(b) ⇒ (c) Se T é injetora, então dim N(T ) = 0. Deste fato e do Teorema 3 segue que
dim U = dim Im(T ) = dim V . Como Im(T ) é um subespaço de V com mesma dimensão de V ,
segue que Im(T ) = V , ou seja, T é sobrejetora e portanto bijetora.
(c) ⇒ (a) Imediato. 

Definição 17 (Isomorfismo). Chamamos de isomorfismo do espaço vetorial U em V a uma trans-

formação linear T : U → V que é bijetora. Neste caso os espaços U e V são ditos isomorfos.

Sob o ponto de vista da álgebra linear, dois espaços vetoriais isomorfos são equivalentes. Isto
é, para um algebrista estes espaços são "iguais".
116 Álgebra Linear
 Note que, pelo Corolário 2, se T : U → V é uma transformação linear e dim U = dim V , então,
para verificar que T é isomorfismo, basta provar que T é injetora (N(T ) = {0}) ou é sobrejetora.

E XERCÍCIOS

1. Seja T : R3 → W a projeção ortogonal do R3 sobre o plano yOz , indicado por W .

(a) Determinar a lei que define T .

(b) Calcular T (3, −4, 5).

Resposta: (a) T (x, y, z) = (0, y, z); (b) T (3, −4, 5) = (0, −4, 5).

2. Uma transformação linear T : R2 → R3 é tal que T (−1, 1) = (3, 2, 1) e T (0, 1) = (1, 1, 0).
Determinar:

(a) T (2, 3)
(b) T (x, y)
(c) v ∈ R2 tal que T (v) = (−2, 1, −3).

Resposta: (a) T (2, 3) = (−1, 1, −2), (b) T (x, y) = (−2x + y, −x + y, −x) e v = (3, 4)

3. Seja T ; R3 → R2 a transformação linear definida por T (1, 1, 1) = (1, 2), T (1, 1, 0) = (2, 3) e
T (1, 0, 0) = (3, 4). Determinar:

(a) T (x, y, z)
(b) v1 ∈ R3 tal que T (v1 ) = (−3, −2)
(c) v2 ∈ R3 tal que T (v2 ) = (0, 0)

Resposta: (a) T (x, y, z) = (3x − y − z, 4x − y − z); (b) v1 = (1, 6 − z, z); (c) v2 = (0, −z, z)

4. Dado o operador linear T : R2 → R2 , T (x, y) = (2x + y, 4x + 2y), decidir quais dos seguintes
vetores pertencem a N(T ):

(a) v1 = (1, −2)

(b) v2 = (2, −3)
(c) v3 = (−3, 6).

Resposta: v1 e v3 .

Álgebra Linear 117

 5. Considerando o mesmo operador linear do exercício anterior, verificar quais dos seguintes
vetores pertencem à Im(T):

(a) v1 = (2, 4)
(b) v2 = ( −1
2
, −1)
(c) v3 = (−1, 3).

6. Para cada transformação linear abaixo, determinar:

(i) O núcleo, uma base desse subespaço e sua dimensão.

(ii) A imagem, uma base desse subespaço e sua dimensão.

Verificar ainda a propriedade do Teorema 3.

(a) T : R2 → R2 , T (x, y) = (3x − y, −3x + y)

(b) T : R2 → R3 , T (x, y) = (x + y, x, 2y)
(c) T : R2 → R2 , T (x, y) = (x − 2y, x + y)
(d) T : R3 → R2 , T (x, y, z) = (x + 2y − z, 2x − y + z)

Resposta: (a) N(T ) = {(x, 3x); x ∈ R}, BN (T ) = {(1, 3)} e dimN(T ) = 1; Im(T ) =
{(−y, y); y ∈ R}, BIm(T ) = {(−1, 1)} e dimIm(T ) = 1.
(b) N(T ) = {(0, 0)}, N(T ) não possui base e dimN(T ) = 0; Im(T ) = {(x, y, z) ∈ R3 ; 2x −
2y − z = 0}, BIm(T ) = {(1, 0, 2), (0, 1, −2)} e dimIm(T ) = 2.
(c) N(T ) = {(0, 0)}, N(T ) não possui base e dimN(T ) = 0; Im(T ) = R2 , BIm(T ) =
{(1, 0), (0, 1)} e dimIm(T ) = 2.
(d) N(T ) = {(− y3 ), y, 5y
3
; y ∈ R}, BN (T ) = {(− 31 , 1, 53 )} e dimN(T ) = 1; Im(T ) = R2 , BIm(T ) =
{(1, 0), (0, 1)} e dimIm(T ) = 2.

7. Seja T : V → W uma função. Mostre que:

(a) Se T é uma transformação linear, então T (0) = 0

(b) Se T (0) 6= 0, então T não é uma transformação linear.

8. (a) Encontrar a transformação linear T : R3 → R2 tal que T (1, 0, 0) = (2, 0),

T (0, 1, 0) = (1, 1) e T (0, 0, 1) = (0, −1).
(b) Encontrar v de R3 tal que T (v) = (3, 2).
Resposta: (a) T (x, y, z) = (2x + y, y − z) e (b) v = (x, 3 − 2x, 1 − 2x)

118 Álgebra Linear

9. Considere a transformação linear T : R3 → R3 dada por T (x, y, z) = (z, x − y, −z).

(a) Determine uma base do núcleo de T

(b) Dê a dimensão da imagem de T
(c) T é sobrejetora? Justifique.

Resposta: (a) N(T ) = [(1, 1, 0)]. Uma base N(T ) = {(1, 1, 0)}
(b) dim Im(T ) = 3 − dim N(T ) = 2
(c) Não. dim Im(T ) = 2.

Álgebra Linear 119

Representação Matricial de uma Transformação Linear

Nesta unidade, veremos que o estudo das transformações lineares está fortemente ligado ao
estudo das matrizes. De fato, vimos no Exemplo 83 que a qualquer matriz m × n podemos
associar uma transformação linear T : Rn → Rm . No que segue, vamos estabelecer o contrário,
ou seja, veremos que, fixadas bases do Rn e Rm , a toda transformação linear T : Rn → Rm está
associada uma única matriz.

Dadas uma transformação linear T : V → W , A uma base de V e B uma base W . Buscamos

uma matriz que represente T nestas bases. Para isto, sem perda de generalidade, considere o
caso particular dim V = 3 e dim W = 2. Considere A = {v1 , v2 , v3 } e B = {w1 , w2 }. Dado v ∈ V ,
podemos expressá-lo por:

v = α1 v1 + α2 v2 + α3 v3 ou vA = (α1 , α2 , α3 ),

e sua imagem T (v) por:

T (v) = β1 w1 + β2 w2 (3.1)

ou T (v)B = (β1 , β2 ).
Por outro lado,

T (v) = T (α1 v1 + α2 v2 + α3 v3 ) = α1 T (v1 ) + α2 T (v2 ) + α3 T (v3 ). (3.2)

Sendo T (v1 ), T (v2 ) e T (v3 ) vetores de W podemos escrevê-los como combinação linear dos
vetores de B , ou seja,
T (v1 ) = a11 w1 + a21 w2

T (v2 ) = a12 w1 + a22 w2 (3.3)

T (v3 ) = a13 w1 + a23 w2 .

Substituindo (3.3) em (3.2), obtemos

T (v) = α1 (a11 w1 + a21 w2 ) + α2 (a12 w1 + a22 w2 ) + α3 (a13 w1 + a23 w2 )

= (a11 α1 + a12 α2 + a13 α3 )w1 + (a21 α1 + a22 α2 + a23 α3 )w2 .

Comparando a última igualdade com (3.1), concluímos que:

β1 = a11 α1 + a12 α2 + a13 α3

120 Álgebra Linear
 β2 = a21 α1 + a22 α2 + a23 α3

que em forma matricial se escreve:

 
α
    1 
β1 a11 a12 a13
 
 
    
 =    α2  .
    

    
β2 a21 a22 a23
 
 
 
α3

Denotando por [T ]A
B , a matriz (aij )2×3 acima, podemos escrever:

[T (v)]B = [T ]A
B [v]A .

A matriz [T ]A
B é chamada matriz de T em relação às bases A e B .

TOME NOTA. Uma observação importante para se obter [T ]A B é que suas colunas são as
componentes das imagens dos vetores da base A em relação à base B, o que é compravado
pelas igualdades em (3.3):

T (v1 )B T (v2 )B T (v3 )B

↓ ↓ ↓
 
a11 a12 a13
 .
a21 a22 a23

Em geral, dada uma transformação linear T : V → W , com dim V = n e dim W = m,

A = {v1 , ..., vn } e B = {w1 , ..., wm } bases de V e W , respectivamente, [T ]A
B será uma matriz
m × n, cuja coluna j é formada pelas componentes da imagem de vj ∈ A em relação à base B ,
ou seja:

Álgebra Linear 121

 T (v1 )B T (v2 )B ··· T (vn )B
↓ ↓ ↓
 
a11 a12 ··· a1n
 
a21 a22 ··· a2n
 
 
.
.. .. ..

. . .
 
 
 
am1 am2 ··· amn

Sendo assim, como a matriz [T ]A

B depende das bases A e B , uma mesma transformação
linear pode ser representada por infinitas matrizes, bastando mudar as bases. Porém, uma vez
fixadas A e B , a matriz será única.

A seguir, veremos alguns exemplos deste processo de obter a matriz de uma transformação
linear relacionada a bases dadas.

Exemplo 98. Seja T : R2 → R3 a transformação linear

T (x, y) = (x − 2y, 5x + 3y, y − 4x).

Considere as bases A = {v1 = (−1, −1), v2 = (1, 2)} do R2 e B = {w1 = (1, 0, 0), w2 = (1, 1, 0), w3 =
(1, 1, 1)} do R3 .

(a) Determine [T ]A
B

(b) Dado v = (5, 4) (coordenadas em relação à base canônica do R2 ), usando [T ]A

B calcule T (v)B .

(a) Temos que

T (v1 )B T (v2 )B
↓ ↓
 
a11 a12
 
a21 a22 ,
 

 
a31 a32
onde
T (v1 ) = T (−1, −1) = (1, −8, 3) = a11 (1, 0, 0) + a21 (1, 1, 0) + a31 (1, 1, 1),

ou seja,  
a + a21 + a31 = 1 a =9
 11  11

 

a21 + a31 = −8 ⇒ a21 = −11

 

a = 3
 a = 3

31 31

122 Álgebra Linear

e
T (v2 ) = T (1, 2) = (−3, 11, −2) = a12 (1, 0, 0) + a22 (1, 1, 0) + a32 (1, 1, 1),

isto é,  
 a + a22 + a32 = −3 a = −14
 12  12

 

a22 + a32 = 11 ⇒ a22 = 13 .

 

a = −2
 a = −2

32 32

Assim,  
9 −14
 
A
[T ]B =  −11 13 
 
 
3 −2

(b) Vamos usar a relação

[T (v)]B = [T ]A
B [v]A .

Para isto, devemos expresar v = (5, 4) como coordenadas na base A,

v = (5, 4) = a(−1, −1) + b(1, 2)

isto é,  
−a + b = 5 a = −6
⇒
−a + 2b = 4 b = −1

ou seja, vA = (−6, −1).

Logo,    
9 −14 −40
 
  −6  
[T (v)]B =  −11 13   =  53 .
   
  −1  
3 −2 −16

Exemplo 99. Considere a mesma transformação linear do exemplo anterior e a mesma base A do
R2 . Seja C = {(1, 0, 0), (0, 1, 0), (0, 0, 1)} a base canônica do R3 .

(a) Determine [T ]A
C.

(b) Calcule [T (v)]C , utizando [T ]A

C sendo v = (5, 4).

(a)
T (v1 ) = T (−1, −1) = (1, −8, 3) = 1(1, 0, 0) − 8(0, 1, 0) + 3(0, 0, 1)

T (v2 ) = T (1, 2) = (−3, 11, −2) = −3(1, 0, 0) + 11(0, 1, 0) − 2(0, 0, 1).

Álgebra Linear 123
 Assim,  
1 −3
 
[T ]A = −8 11  .
 
C 
 
3 −2

(b) Como vA = (−6, −1), obtemos:

   
1 −3 −3 
  −6  
[T (v)]C =  −8 11   =  37 .
   
  −1  
3 −2 −16

Note que, sendo C a base canônica do R3 , T (v)C = T (v) também poderia ser obtido diretamente
da lei que define T ,

T (v) = T (5, 4) = (5 − 2 · 4, 5 · 5 + 3 · 4, · − 4 · 5) = (−3, 37, −16).

Exemplo 100. Considere a mesma transformação linear e sejam C ′ = {(1, 0), (0, 1)} e
C = {(1, 0, 0), (0, 1, 0), (0, 0, 1)} as bases canônicas do R2 e do R3 , respectivamente.
′
(a) Determine [T ]C
C .

′
(b) Se v = (5, 4) calcule T (v)C utizando [T ]C
C .

(a)
T (1, 0) = (1, 5, −4) = 1(1, 0, 0) + 5(0, 1, 0) − 4(0, 0, 1)

T (0, 1) = (−2, 3, 1) = −2(1, 0, 0) + 3(0, 1, 0) + 1(0, 0, 1).

Assim,  
1 −2
 
′
[T ]C = 5 3 .
 
C
 
−4 1

(b) Note que T (v)C não depende da base do domínio, mas sim do vetor v e da base C e como
tais objetos são idênticos aos do exemplo anterior teremos novamente T (v)C = (−3, 37, −16).

Definição 18. No caso de A e B serem bases canônicas, representa-se [T ]A

B simplesmeste por [T ] a
qual é chamada matriz canônica de T . Neste caso, tem-se [T (v)] = [T ][v].

Observe que calcular T (v) pela matriz [T ] é o mesmo que fazê-lo pela expressão de T , como
pode ser observado no último exemplo: T (5, 4) = (−3, 37, −16).
124 Álgebra Linear
 Os exemplos anteriores ilustram que dada uma transformação linear T , a cada dupla de bases
A e B corresponde uma matriz [T ]A
B . Por outro lado, no próximo exemplo veremos que dadas uma
matriz e um par de bases A e B , pode-se obter a expressão de T .

Exemplo 101. Dadas A = {(1, 1, 1), (1, 1, 0), (1, 0, 0)} base do R3 e B = {(1, 0), (1, 1)} base do R2 ,
determine a transformação linear T : R3 → R2 tal que
 
1 0 1
[T ]A
B =
 .
2 −1 −1

Sabe-se que o significado de cada coluna de [T ]A

B é:

     
1 0 1
[T (1, 1, 1)]B =   , [T (1, 1, 0)]B =   e [T (1, 0, 0)]B =  .
2 −1 −1

Assim,
T (1, 1, 1) = 1(1, 0) + 2(1, 1) = (3, 2)
T (1, 1, 0) = 0(1, 0) − 1(1, 1) = (−1, −1)
T (1, 0, 0) = 1(1, 0) − 1(1, 1) = (0, −1).
Conhecidas as imagens dos vetores numa base A do domínio R3 de T , expressando o vetor genérico
(x, y, z) ∈ R3 como combinação linear dos elementos desta base A, obteremos T (x, y, z):

(x, y, z) = α(1, 1, 1) + β(1, 1, 0) + γ(1, 0, 0)

 


α+β+γ =x 

α=z
 
⇒ α+β =y ⇒ β =y−z .

 

α = z
 γ = x − y


Ou seja,
(x, y, z) = z(1, 1, 1) + (y − z)(1, 1, 0) + (x − y)(1, 0, 0).

Pela linearidade de T temos

T (x, y, z) = zT (1, 1, 1) + (y − z)T (1, 1, 0) + (x − y)T (1, 0, 0)

= z(3, 2) + (y − z)(−1, −1) + (x − y)(0, −1)
= (3z − y + z, 2z − y + z − x + y)
= (4z − y, 3z − x).

Dado um espaço vetorial V , lembre-se que um operador linear T sobre V nada mais é do que
uma transformação linear T : V → V . Neste caso, para tomar uma representação matricial de T ,
é comum considerar a mesma base no domínio e no contradomínio, isto é, fazer A = B . A matriz
Álgebra Linear 125
resultante, denotada simplesmente por [T ]A , é chamada matriz de T em relação à base A. Por
exemplo, o leitor pode verificar que a matriz do operador T : R2 → R2 , T (x, y) = (2x + y, x − 3y)
em relação à base A = {(−1, −1), (0, 1)} é
 
3 −1
[T ]A =  .
5 −4

Operações com Transformações Lineares:

Soma:
Dadas T1 : V → W e T2 : V → W transformações lineares. Definimos a soma de T1 com T2
por T1 + T2 : V → W , onde (T1 + T2 )(v) = T1 (v) + T2 (v), ∀v ∈ V , note que esta é a definição usual
de soma de funções.

Produto por escalar:

Definimos o produto de T1 pelo escalar α ∈ R como sendo αT1 : V → W , onde (αT1 )(v) =
αT1 (v), ∀v ∈ V , observe novamente que isto é a definição usual de produto de uma função por
um escalar.

Um exercício fácil, porém interessante, é mostrar que tanto T1 + T2 quanto αT1 são transfor-
mações lineares. Este exercício, a princípio um tanto ingênuo, mostra que o conjunto de todas
as transformações lineares de V em W com as operações definidas acima é na realidade um
espaço vetorial, geralmente denotado por

L(V, W ) = {T : V → W ; T é uma transformação linear}.

Além disso, não é difícil mostrar que se V e W têm dimensões finitas, A é base de V e B é
base de W , então

[T1 + T2 ]A A A
B = [T1 ]B + [T2 ]B

e
[αT1 ]A A
B = α[T1 ]B .

(O leitor é fortemente incentivado a verificar tais afirmações).

Composição:
Considere agora duas transformações lineares T1 : V → W e T2 : W → U . A composta de T1
com T2 , denotada por T2 ◦ T1 : V → U é dada por

(T2 ◦ T1 )(v) = T2 (T1 (v)), ∀v ∈ V.

Verifique que T2 ◦ T1 é uma transformação linear. Pode-se mostrar que, se A, B e C são bases
126 Álgebra Linear
de V, W e U , respectivamente, então:

[T2 ◦ T1 ]A B A
C = [T2 ]C · [T1 ]B .

Vejamos alguns exemplos que envolvem estas operações.

Exemplo 102. Dadas as transformações lineares T1 : R3 → R2 e T2 : R3 → R2 definidas por

T1 (x, y, z) = (3x − 2y + z, z − 4x) e T2 (x, y, z) = (2x + y, 3y − z).

Determine:

(a) T1 + T2

(b) 5T1 − 3T2

(c) Verifique a seguinte igualdade matricial, [5T1 − 3T2 ] = 5[T1 ] − 3[T2 ].

(a)
(T1 + T2 )(x, y, z) = T1 (x, y, z) + T2 (x, y, z)
= (3x − 2y + z, z − 4x) + (2x + y, 3y − z) .
= (5x − y + z, 3y − 4x)
(b)
(5T1 − 3T2 )(x, y, z) = 5(3x − 2y + z, z − 4x) − 3(2x + y, 3y − z)
= (15x − 10y + 5z, 5z − 20x) + (−6x − 3y, −9y + 3z) .
= (9x − 13y + 5z, 8z − 20x − 9y).
(c)  
9 −13 5
[5T1 − 3T2 ] =  
−20 −9 8

   
3 −2 1 2 1 0
= 5  −3 
−4 0 1 0 3 −1

= 5[T1 ] − 3[T2 ].

Exemplo 103. Dados os operadores lineares no R2 : T (x, y) = (2x, −y) e S(x, y) = (x + y, x − y).
Determine: (a)S ◦ T (b)T ◦ S (c)T 2 = T ◦ T (d)S 2 = S ◦ S.

(a) (S ◦ T )(x, y) = S(T (x, y)) = S(2x, −y) = (2x − y, 2x + y).

(b) (T ◦ S)(x, y) = T (S(x, y)) = T (x + y, x − y) = (2(x + y), −(x − y)) = (2x + 2y, y − x).
(c) T 2 (x, y) = T (T (x, y)) = T (2x, −y) = (4x, y).
(d) S 2 (x, y) = S(S(x, y)) + S(x + y, x − y) = (x + y + x − y, x + y − (x − y)) = (2x, 2y).
Álgebra Linear 127
 Observe que     
2 −1 1 1 2 0
[S ◦ T ] =  =   = [S] · [T ].
2 1 1 −1 0 −1
Além disto, note que S ◦ T 6= T ◦ S, ou seja, em geral a composição não é comutativa; recorde
que o mesmo ocorre com o produto matricial.

E XERCÍCIOS

1. Consideremos a transformação linear T : R3 → R2 definida por T (x, y, z) = (2x+y−z, x+2y)

e as bases B = {(1, 0, 0), (2, −1, 0), (0, 1, 1)} do R3 e C = {(−1, 1), (0, 1)} do R2 . Determinar
a matriz [T ]B
C.
 
−2 −3 0
Resposta:  
3 3 2

2. Seja a transformação linear T : R2 → R3 , T (x, y) = (2x − y, x + 3y, −2y) e as bases

A = {(−1, 1), (2, 1)} e B = {(0, 0, 1), (0, 1, −1), (1, 1, 0)}. Determinar [T ]A
B . Qual a matriz
A 3
[T ]C , onde C é a base canônica do R ?
   
3 0 −3 3
   
Resposta: [T ]A = 5 2 e [T ]A
= 2 5
   
B   C  
   
−3 3 −2 −2

3. Sabendo que a matriz de uma transformação linear T : R2 → R3 nas bases B = {(−1, 1), (1, 0)}
do R2 e C = {(1, 1, −1), (2, 1, 0), (3, 0, 1)} e do R3 é:
 
3 1
 
[T ]B =  2 5
 
C 
 
1 −1

encontrar a expressão de T (x, y) e a matriz [T ].

 
8 18
 
Resposta: T (x, y) = (8x + 18y, 6x + 11y, −2x − 4y) e [T ] =  6 11 
 
 
−2 −4

4. Seja  
1 −2
 
[T ] =  2 0 
 
 
−1 3
128 Álgebra Linear
 a matriz canônica de uma transformação linear T : R2 → R3 . Se T (v) = (2, 4, −2), calcular
v.
Resposta: v = (2, 0)

5. Seja T : R2 → R3 uma transformação linear com matriz

 
1 −1
 
[T ]C = 0 1 
 
B
 
−2 3

onde C é a base canônica do R2 e B = {(1, 0, 1), (−2, 0, 1), (0, 1, 0)}, base do R3 . Qual a
imagem do vetor (2, −3) pela T ?
Resposta: (11, −13, 2)

6. Seja T : R3 → R2 tal que  

1 0 −1
[T ]B
B2 =
1  
−1 1 1

sendo B1 = {(0, 1, 1), (1, 0, 0), (1, 0, 1)} e B2 = {(−1, 0), (0, −1)} bases do R3 e do R2 , res-
pectivamente.

(a) Encontrar a expressão de T (x, y, z).

(b) Determinar ImT e uma base para esse subespaço.
(c) Determinar N(T ) e uma base para esse subespaço.
(d) T é injetora? T é sobrejetora? Justificar.

Resposta: (a) T (x, y, z) = (−2y + z, −x + y), (b) Im(T ) = R2 , BIm(T ) = {(1, 0), (0, 1)}, (c)
N(T ) = {(x, x, 2x); x ∈ R}, BN (T ) = {(1, 1, 2)} e (d) T não é injetora e T é sobrejetora.

7. Consideremos o operador linear

T : R2 → R2
(x, y) 7→ (x + 2y, x − y)

e as bases A = {(−1, 1), (1, 0)}, B = {(2, −1), (−1, 1)} e C a base canônica de R2 .
Determinar [T ]A , [T ]B , [T ]C .
     
−2 1 3 −1 1 2
Resposta: [T ]A =  , [T ]B =   e [T ]C = [T ] =  
−1 2 6 −3 1 −1

8. A matriz de T : R2 → R2 relativa à base B = {v1 , v2 }, sendo v1 = (1, 1) e v2 = (3, 2), é:

 
2 1
 
−1 −3
Álgebra Linear 129
 (a) Determinar T (v1 )B e T (v2 )B .
(b) Determinar T (v1 ) e T (v2 ).
(c) Calcular T (x, y).

Resposta: (a) T (v1 )B = (2, −1), T (v2 )B = (1, −3) (b) T (v1 ) = (−1, 0), T (v2 ) = (−8, −5),
T (x, y) = (−6x + 5y, −5x + 5y)

9. Mostrar que a matriz do operador linear identidade

I : Rn → Rn
v 7→ v ,

em uma base qualquer, é a matriz identidade n × n.

10. Seja T : R2 → R2 definida por:  

1 3
[T ] =  .
−1 5

Determinar os vetores u, v e w tais que:

(a) T(u)=u
(b) T(v)=2v
(c) T(w)=(4,4)

Resposta: (a) (0, 0) (b) y(3, 1) (c) (1, 1)

11. Sejam as transformações lineares

T1 : R2 → R3 T2 : R2 → R3
e .
(x, y) 7→ (x − y, 2x + y, −2x) (x, y) 7→ (2x − y, x − 3y, y)

Determinar as seguintes transformações lineares de R2 em R3 :

(a) T1 − T2
(b) 3T1 − 2T2 .

Resposta: (a) T1 (x, y) = (−x, x + 4y, −2x − y) (b) T2 (x, y) = (−x − y, 4x + 9y, −6x − 2y)

12. Consideremos as transformações lineares S e T de R3 em R2 definidas por

S(x, y, z) = (2x − y, 3x − 2y + z) e T (x, y, z) = (x + y − z, y − 2z).

(a) Determinar o núcleo da transformação linear S + T .

(b) Encontrar a matriz canônica de 3S − 4T .
130 Álgebra Linear
  
2 −7 4
Resposta: (a) {(x, 0, 3x); x ∈ R} (b)  
9 −10 11

13. Sejam S e T operadores lineares de R2 definidos por S(x, y) = (x − 2y, y) e

T (x, y) = (2x, −y). Determinar:

(a) S + T (d) S ◦ T
(b) T − S (e) T ◦ S
(c) 2S + 4T (f ) S ◦ S
Resposta: (a) (S + T )(x, y) = (3x − 2y, 0) (b)(T − S)(x, y) = (x + 2y, −2y)
(c) (2S + 4T )(x, y) = (10x − 4y, −2y) (d) (S ◦ T )(x, y) = (2x + 2y, −y)
(e) (T ◦ S)(x, y) = (2x − 4y, −y) (f) (S ◦ S)(x, y) = (x − 4y, y)

14. Sejam as transformações lineares:

S : R3 → R4 T : R2 → R3
e
(x, y, z) 7→ (x + y, z, x − y, y + z). (x, y) 7→ (2x + y, x − y, x − 3y).

(a) Calcular (S ◦ T )(x, y).

(b) Determinar a matriz canônica de S ◦T e mostrar que ela é o produto da matriz canônica
de S pela matriz canônica de T .

Resposta: (a) (S ◦ T )(x, y) = (3x, x − 3y, x + 2y, 2x − 4y)

 
3 0
 
 1 −3 
 
(b) S ◦ T =  
 1 2 
 
 
2 −4

15. As transformações S : R2 → R3 e T : R3 → R2 são tais que S(x, y) = (y, x − y, 2x + 2y) e

T (x, y, z) = (x, y).

(a) Sendo B = {(1, 0, −1), (1, 1, 1), (1, 0, 0)} uma base do R3 , determinar a matriz [S ◦ T ]B .
(b) Determinar [T ◦ S]B′ e [T ◦ S]B′′ , sendo B ′ = {(1, 1), (0, −1)} e B ′′ a base canônica.
 
−1 −4 −1
 
Resposta: (a)  1 0 1 
 
 
0 5 0
   
1 −1 0 1
(b)  e 
1 −2 1 −1
Álgebra Linear 131
 16. Sendo S e T operadores lineares do R3 definidos por S(x, y, z) = (x, 2y, x − y) e
T (x, y, z) = (x − z, y, z), determinar:

(a) [S ◦ T ]
(b) [T ◦ S].
 
1 0 −1
 
Resposta: (a)  0 2 0 
 
 
1 −1 −1
 
0 1 0
 
(b)  0 2 0 
 
 
1 −1 0

17. Sejam R, S e T três transformações lineares de R3 em R3 . Se

   
1 0 1 −2 1 −1
   
[R] =  2 1 1  e [S] =  3 1 2 ,
   
   
0 −1 1 1 −2 0

determinar T tal que R = S ◦ T .

18. Sejam B = {(1, −1), (0, 2)} e C = {(1, 0, −1), (0, 1, 2), (1, 2, 0)} bases de R2 e R3 respectiva-
mente e  
1 0
 
B
[T ]C =  1 1  .
 
 
0 −1

(a) Determinar T .
(b) Se S(x, y) = (2y, x − y, x), determinar [S]B
C.
 
1 0
 
(c) Determinar uma base A de R3 tal que [T ]B =  0 0 .
 
A
 
0 1
 
x−y x−y
Resposta: (a) T (x, y) = , , 2x + y
2 2
   
1 2 1 2
19. Se [T ] =   e [S] =  , determinar T ◦ S .
−1 3 −1 3

20. Se T (x, y) = (2x, x − y, y) e S(x, y, z) = (y − z, z − x), determinar:

(a) [T ◦ S]
132 Álgebra Linear
 (b) [S ◦ T ].
 
0 2 −2
 
Resposta: (a) [T ◦ S] =  1 1 −2  e
 
 
−1 0 1
 
1 −2
(b) [S ◦ T ] =  
−2 1
 
−1 −2
21. Seja T : R2 → R2 tal que [T ] =  . Determinar os vetores u, v tais que
0 1

(a) T (u) = u
(b) T (v) = −v

Resposta: (a) v = (x, −x) e (b) v = (x, 0)

Álgebra Linear 133

Operadores Lineares do Plano

Nesta unidade apresentaremos alguns exemplos especiais de transformações lineares. Mais es-
pecificamente, vamos trabalhar com certos operadores lineares do plano, ou seja, certas trans-
formações lineares do plano no plano, sob um ponto de vista geométrico. Em especial, veremos
que reflexões, expansões, contrações, rotações e certas deformações podem ser descritas por
transformações lineares. Mostrar que tais aplicações são lineares não é tarefa difícil e por isto
será confiada aos leitores nos exercícios.

1) Reflexões

(i) Reflexão em relação ao eixo x:

Leva cada vetor (x, y) ∈ R2 para o vetor (x, −y) simétrico em relação ao eixo x:

T : R2 → R2
.
(x, y) 7→ (x, −y)

T
y v
x

x
−y T (v)

FIGURA 3.2: Reflexão em relação ao eixo x

 
1 0
Note que sua matriz canônica é: [T ] =  .
0 −1

(ii) Reflexão em relação ao eixo y :

Leva cada vetor (x, y) ∈ R2 para o vetor (−x, y) simétrico em relação ao eixo y . Portanto é a
transformação linear T : R2 → R2 definida por T (x, y) = (−x, y).

(iii) Reflexão em relação à origem:

Considere a transformação linear T : R2 → R2 , dada por T (x, y) = (−x, −y).

(iv) Reflexão em relação à reta y = x:

134 Álgebra Linear
 É a transformação linear T : R2 → R2 , dada por T (x, y) = (y, x).

(v) Reflexão em relação à reta y = −x:

Basta considerar a transformação linear T : R2 → R2 , dada por T (x, y) = (−y, −x).

2) Expansões e contrações

(i) Na direção do vetor:

T : R2 → R2
, α ∈ R.
(x, y) 7→ α(x, y)

Matricialmente,       
x x α 0 x
  7→ α  =  
y y 0 α y
.
Note que,

• se |α| > 1, T expande o vetor;

• se |α| < 1, T contrai o vetor;

• se α = 1, T é a identidade;

• se α < 0, T inverte o sentido do vetor.

(ii) Na direção do eixo x:

T : R2 → R2
, α > 0.
(x, y) 7→ (αx, y)

Esta transformação é também conhecida como expansão ou contração horizontal.

(iv) Na direção do eixo y :

T : R2 → R2
, α > 0.
(x, y) 7→ (x, αy)

Tal transformação é também conhecida por expansão ou contração vertical.

Observe que se nos itens (ii) e (iii) acima fizéssemos α = 0, teríamos π2 (x, y) = (0, y) e
π1 (x, y) = (x, 0), respectivamente. Estas são conhecidas como as projeções ortogonais do R2
sobre o eixo y e x, respectivamente.

Álgebra Linear 135

 b Tθ (v)

y v Tθ y v
r
θ
φ φ
x a x

FIGURA 3.3: Rotação de um ângulo θ no sentido anti-horário

3) Rotações

Dado um vetor v = (x, y) ∈ R2 considere Tθ (x, y) = (a, b) o vetor obtido rotacionando-se (x, y)
de um ângulo θ no sentido anti-horário (ver Figura 3.3).
p
Seja r ≥ 0 o comprimento do vetor v = (x, y), ou seja, r = x2 + y 2 .
Note que x = r cos φ e y = r sen φ. Além disto, as coordenadas do vetor rotacionado
Tθ (x, y) = (a, b) tem mesmo comprimento r do vetor v . Pela Figura 3.3 temos:

a = r cos(φ + θ) = r cos φ cos θ − r sen φ sen θ = x cos θ − y sen θ

e
b = r sen(φ + θ) = r cos φ sen θ + r sen φ cos θ = x sen θ + y cos θ.

Logo,
Tθ (x, y) = (x cos θ − y sen θ, x sen θ + y cos θ).

Sua matriz canônica é dada por:

 
cos θ − sen θ
[Tθ ] =   (3.4)
sen θ cos θ

De fato, as imagens de e1 = (1, 0) e e2 = (0, 1) são:

Tθ (e1 ) = (cos θ, sen θ) e Tθ (e2 ) = (− sen θ, cos θ).

Ou seja,
Tθ (e1 ) = cos θe1 + sen θe2 e Tθ (e2 ) = − sen θe1 + cos θe2 .

Logo, a matriz canônica de Tθ é a descrita em 3.4. Tal matriz é conhecida por matriz de rotação
(anti-horária) de um ângulo θ, 0 ≤ θ ≤ 2π .
π
Por exemplo, a imagem do vetor v = (1, 2) pela rotação θ = 2
é obtida por

Tπ/2 (1, 2) = (1 cos π/2 − 2 sen π/2, 1 sen π/2 + 2 cos π/2) = (−2, 1).

136 Álgebra Linear

 4) Cisalhamentos

(i) Na direção do eixo x ou horizontal:

T : R2 → R2
.
(x, y) 7→ (x + αy, y)

Esta transformação também é conhecida como cisalhamento horizontal de fator α. Na

Figura 3.4, pode-se ver que este cisalhamento transforma o retângulo OMP N no parale-
logramo OMP ′ N ′ de mesma base e altura. Note que, ao aplicar este cisalhamento, cada
ponto (x, y), com y 6= 0, é deslocado paralelamente ao eixo x até chegar em (x + αy, y). Já
os pontos do eixo x permanecem fixos, pois neste caso y = 0. Isto explica porque as bases
do retângulo OMP N e o paralelogramo DMP ′ N ′ coincidem.

P N′ p
N
T

O M O M

FIGURA 3.4: Cisalhamento horizontal

(ii) Na direção do eixo y ou vertical:

T : R2 → R2
.
(x, y) 7→ (x, αx + y)

Exemplo 104. Determine a expressão da transformação linear T : R2 → R2 que representa um

1
cisalhamento vertical de fator 2
seguida de uma reflexão em relação ao eixo x. Obter a matriz
canônica desta transformação.
1
Note que o cisalhamento vertical de fator 2
é a transformação linear T1 : R2 → R2 dada por
T1 (x, y) = (x, x2 + y).
Já a reflexão, em relação ao eixo x é dada por T2 : R2 → R2 com T2 (x, y) = (x, −y).
Assim, T é obtida pelas expressões de T1 e T2 da seguinte forma:
Álgebra Linear 137
 T (x, y) = (T2 ◦ T1 )(x, y)
= T2 (T1 (x, y))
= T2 (x, x2 + y)
= (x, −x
2
− y).
Este exercício poderia ser resolvido matricialmente da seguinte forma:
    
1 0 1 0 1 0
[T ] = [T2 ] · [T1 ] =   = .
1
0 −1 2
1 −1
2
−1

Exemplo 105. Sobre o plano efetua-se uma rotação anti-horária de ângulo θ, em seguida realiza-se
uma contração de fator 41 na direção Oy e, finalmente, uma reflexão em torno da reta y = −x.
Determine a transformação linear que realiza o efeito do conjunto das três transformações citadas.
A rotação é dada por: Tθ (x, y) = (x cos θ − y sen θ, x sen θ + y cos θ).
A contração é dada por: T1 (x, y) = (x, 41 y).
Por fim, a reflexão em torno da reta y = −x é: T2 (x, y) = (−y, −x).
Logo, a transformação T é obtida pela composição
T (x, y) = (T2 ◦ T1 ◦ Tθ )(x, y)
= T2 (T1 (Tθ (x, y)))
= T2 (T1 (x cos θ − y sen θ, x sen θ + y cos θ))
= T2 (x cos θ − y sen θ, 41 x sen θ + 41 y cos θ)
= (− 41 x sen θ − 14 y cos θ, −x cos θ + y sen θ)

Exemplo 106. Determine o vértice C do triângulo equilátero A = (2, −1), B = (6, 1) e C = (x, y),
utilizando uma rotação.
Como o triângulo é equilátero seus ângulos internos, bem como suas arestas, são todos iguais.
−→ −→
Assim, temos que o vetor AC tem comprimento igual ao do vetor AB e pode ser obtido deste, por
uma rotação de 600 ou −600 , (faça uma figura para se convencer disto). No caso da rotação de
600 = π/3 temos:
−→ −→
AC = T π3 (AB),
−→ −→
onde AB = (6 − 2, 1 − (−1)) = (4, 2), AC = (x − 2, y + 1) e
√ √
π π π π 1 3 3 1
T π3 (x, y) = (x cos − y sen , x sen + y cos = ( x − y, x + y).
3 3 3 3 2 2 2 2
Assim,
−→ √ √
(x − 2, y + 1) = AC = T π3 (4, 2) = (2 − 3, 2 3 + 1)
√ √ √ √
ou, x = 4 − 3 e y = 2 3. Isto é, C = (4 − 3, 2 3).
O caso da rotação de −600 = −π/3 é análogo e, portanto, deixado como exercício.

138 Álgebra Linear

E XERCÍCIOS

1. Mostre que todas as aplicações tratadas acima são lineares.

2. Faça figuras descrevendo o comportamento (geométrico) de um vetor qualquer do plano ao

aplicar as transformações lineares dos itens: 1) (ii)-(v) e 2) (i)-(iii). No item 2) (i), faça uma
figura para cada possibilidade de α.

3. Obtenha a matriz canônica das transformações lineares dos itens: 1) (ii)-(v), 2) (ii)-(iii) e 4)
(i)-(ii).

4. Faça uma figura descrevendo o comportamento do retângulo OMP N (da Figura 3.4) ao
aplicar um cisalhamento vertical.

5. Faça uma figura descrevendo o comportamento do retângulo OMP N (da Figura 3.4) ao
aplicar uma dilatação horizontal. Compare este comportamento com o comportamento do
cisalhamento horizontal.

6. Dado o operador linear T : R2 → R2 que produz uma rotação do plano de um ângulo θ,

calcular T (−2, 4) e T (x, y) nos casos de:

(a) θ = π
π
(b) θ = 4
π
(c) θ = 3

Resposta: (a) T (−2, 4) = (2, −4) e T (x, y) = (−x, −y)

√ √ √
(b) T (−2, 4) = (−3 2, 2) e T (x, y) = 22 (x − y, x + y)
√ √ √ √
(c) T (−2, 4) = (−1 − 2 3, 2 − 3) e T (x, y) = 12 (x − 3y, 3x + y)

7. Determinar a transformação linear em R2 que representa a sequência de transformações

dadas a seguir:

(a) Reflexão em relação ao eixo dos y , seguida de um cisalhamento de fator 5 na direção

horizontal.
(b) Rotação de 30o no sentido horário, seguida de uma duplicação dos módulos e inversão
dos sentidos.
(c) Rotação anti-horária de 60o , seguida de uma reflexão em relação ao eixo dos y .
(d) Reflexão em relação à reta y = −x, seguida de uma dilatação de fator 2 na direção Ox
e, finalmente, de um cisalhamento de fator 3 na direção vertical.
√ √
Resposta: (a) T (x, y) = (−x + 5y, y), (b) T (x, y) = (− 3x − y, x − 3y),
√ √
(c) T (x, y) = 21 (−x + 3y, 3x + y), (d) T (x, y) = (−2y, −x − 6y).
Álgebra Linear 139
 √
8. No plano, uma rotação anti-horária de 45o é seguida por uma dilatação de 2. Ache a
aplicação T que representa esta transformação.
Resposta: T (x, y) = (x − y, x + y)

9. Qual é a aplicação T que representa uma contração de √1 seguida por uma rotação horária
2
de 45o?
Resposta: T (x, y) = ( x+y
2
, y−x
2
)

10. Os pontos A = (2, −1) e B = (−1, 4) são vértices consecutivos de um quadrado ABCD .
Determinar os vértices C e D , utilizando rotação no plano.
Resposta: C = (4, 7) e D = (7, 2) ou C = (−6, 1) e D = (−3, −4)

11. Em um triângulo ABC , os ângulos B e C medem 75o cada um. Sendo A = (1, 1) e
B = (−1, 5), calcular as coordenadas do vértice C .
√ √ √ √
Resposta: C = (−1 − 3, 2 3) ou C = (3 − 3, 2 + 2 3)

140 Álgebra Linear

 Módulo 4
Espaços com produto
interno

Ao final deste módulo o leitor estará familiarizado com os seguintes conceitos:

⊲ Produto interno;

⊲ Norma;

⊲ Base ortonormal.

O leitor interessado em aperfeiçoar e ampliar seus conhecimentos nos assuntos tratados neste
módulo encontrará o suporte necessário nos seguintes textos: [1, 3, 5, 6].

Álgebra Linear 141

Produto Interno
Ao final desta seção você deverá ser capaz de:

⊲ Avaliar se uma determinada função é um produto interno.

⊲ Determinar a norma de um vetor.

⊲ Compreender as propriedades que dizem respeito ao produto interno.

O conceito de produto interno, que estudaremos a partir de agora, enriquece a estrutura de

espaço vetorial. De certa maneira, vamos formalizar conceitos geométricos, como o de compri-
mento de um vetor e ângulos entre dois vetores. Isso dará uma melhor compreensão de certos
conceitos estudados anteriormente, como os de base ortogonal e ortonormal. Além dessa lin-
guagem mais geométrica, podemos, de certa forma, ver um espaço com produto interno como
uma generalização natural do espaço euclidiano R3 , que é um espaço que estamos mais acos-
tumados a estudar.
Lembramos que, quando falamos em espaço vetorial, estamos nos referindo a espaços veto-
rias sobre R.

Definição 19 (Produto interno). Seja V um espaço vetorial. Um produto interno sobre V é uma
função de V × V em R, denotada por h, i, que associa a cada par de vetores u, v ∈ V um número
real hu, vi e que satisfaz as seguintes propriedades:
i) hu, ui > 0, se u 6= 0.
ii) hu, vi = hv, ui, para quaisquer u, v ∈ V .
iii) hu + v, wi = hu, wi + hv, wi, para quaisquer u, v, w ∈ V .
iv) hλ.u, vi = λ.hu, vi, para quaisquer u, v ∈ V e λ ∈ R.

O número real hu, vi é chamado de produto interno de u por v .

Observação. Seja V um espaço vetorial.

1) Note que h0, ui = 0, para todo u ∈ V . De fato, h0, ui = h0 + 0, ui = h0, ui + h0, ui ⇒ h0, ui = 0.
2) hu, ui = 0 se, e somente se, u = 0. De fato, de i) da definição de espaço vetorial, sabemos
que hu, ui > 0, se u 6= 0. Logo, como hu, ui = 0, segue que u = 0. Por outro lado, por 1) acima, é
claro que se u = 0, então hu, ui = 0.
3) Dado u ∈ V , se hu, vi = 0, para todo v ∈ V . Então, u = 0. (Deixamos esta verificação a
cargo do leitor, ela será cobrada na seção de exercícios.)
4) Sejam u, w ∈ V tais que hu, vi = hw, vi, para todo v ∈ V . Então, u = w . (Deixamos esta
verificação a cargo do leitor, ela será cobrada na seção de exercícios.)

142 Álgebra Linear

Exemplo 107. Para cada u = (u1 , . . . , un ) e v = (v1 , . . . , vn ) em Rn , defina
n
X
hu, vi = ui .vi .
i=1

Esta função é um produto interno sobre Rn , chamado de produto interno canônico. Vejamos
se as quatro propriedades da definição de produto interno são de fato satisfeitas.
n
X n
X
n
i) Seja u = (u1 , . . . , un ) 6= (0, 0, . . . , 0) em R . Logo, hu, ui = ui .ui = u2i . Como,
i=1 i=1
Xn
(u1 , . . . , un ) 6= (0, 0, . . . , 0), então ui 6= 0 para pelo menos um i ∈ {1, 2, . . . , n}. Daí, u2i > 0, ou
i=1
seja, hu, ui > 0.
ii) Dados u = (u1 , . . . , un ) e v = (v1 , . . . , vn ) em Rn , temos que
n
X n
X
hu, vi = ui .vi = vi .ui = hv, ui.
i=1 i=1

iii) Dados u = (u1 , . . . , un ), v = (v1 , . . . , vn ) e w = (w1 , . . . , wn ) em Rn , temos que

n
X n
X n
X n
X
hu + v, wi = (ui + vi ).wi = (ui .wi + vi .wi ) = ui .wi + vi .wi = hu, wi + hv, wi.
i=1 i=1 i=1 i=1

iv) Dados u = (u1 , . . . , un ) e v = (v1 , . . . , vn ) em Rn , e λ ∈ R, temos que

n
X n
X n
X
hλu, vi = (λui ).vi = λ.(ui .vi ) = λ ui .vi = λhu, vi.
i=1 i=1 i=1

Exemplo 108. Seja f uma função de R2 × R2 em R, dedinida, para cada u = (u1 , u2 ) e v = (v1 , v2 )
em R2 , por
f (u, v) = 2u1v1 + u2 v2 .

Será que a função f é um produto interno sobre R2 ?

Para responder esta pergunta devemos verificar se as quatro propriedades da definição de
produto interno são satisfeitas.
i) Seja u = (u1 , u2) ∈ R2 , com (u1 , u2 ) 6= (0, 0). Então, f (u, u) = 2u1 u1 + u2 u2 = 2u21 + u22 > 0,
pois (u1 , u2) 6= (0, 0). Logo, i) é satisfeita.
ii) Sejam u = (u1 , u2 ) e v = (v1 , v2 ) em R2 . Então, f (u, v) = 2u1 v1 +u2 v2 = 2v1 u1 +v2 u2 = f (u, v).
Daí, ii) também é satisfeita.
iii) Sejam u = (u1 , u2), v = (v1 , v2 ) e w = (w1 , w2 ) em R2 . Então, f (u + v, w) = 2(u1 + v1 )w1 +
(u2 + v2 )w2 = 2u1 w1 + 2v1 w1 + u2 w2 + v2 w2 = 2u1w1 + u2 w2 + 2v1 w1 + v2 w2 = f (u, w) + f (v, w).
Assim, iii) também é satisfeita.
iv) Sejam u = (u1 , u2 ) e v = (v1 , v2 ) em R2 e λ ∈ R.
Álgebra Linear 143
 Então, f (λu, v) = 2(λu1)v1 + (λu2 )v2 = λ.2u1v1 + λu2 v2 = λ(2u1v1 + u2 v2 ) = λf (u, v). E iv)
também é satisfeita.
Portanto, f é um produto interno.

Definição 20 (Norma). Seja V um espaço vetorial com um produto interno h, i. Para cada v ∈ V ,
p
o número real kvk = hv, vi é chamado de norma, ou comprimento, do vetor v.

A seguir, veremos algumas propriedades elementares relacionadas à norma de um vetor.

Seja V um espaço vetorial com pruduto interno h, i. Então, das definições de produto interno
e de norma, temos que:
• kvk = 0 se, e somente se, v = 0.
• kvk ≥ 0, para todo v ∈ V .
• kλ.vk = |λ|.kvk, para quaisquer v ∈ V e λ ∈ R.

Definição 21 (Vetor unitário). Se kvk = 1, dizemos que v é um vetor unitário.

v
TOME NOTA. Observe que se v é um vetor não nulo qualquer em V , então o vetor u =
kvk
é um vetor unitário. Verifique!

Exemplo 109. Considere o espaço vetorial R2 com o produto interno canônico. Então, para cada
p
v = (v1 , v2 ) ∈ R2 , tem-se que kvk = v12 + v22 . Assim, o vetor v = (1, 0) tem norma 1.

Exemplo 110. Agora, considere o espaço vetorial R2 com o produto interno dado no Exemplo
p
108. Logo, para cada v = (v1 , v2 ) ∈ R2 , tem-se que kvk = 2v12 + v22 . Daí, com respeito a esta
√
norma, o vetor v = (1, 0) tem norma igual a 2.
144 Álgebra Linear
 Observação. É interessante observar que se V é um espaço com produto interno h, i,
então, para quaisquer u, v ∈ V , tem-se que

ku + vk2 = hu + v, u + vi = hu, ui + hu, vi + hv, ui + hv, vi = kuk2 + 2hu, vi + kvk2 .

O teorema que veremos a seguir apresenta uma desigualdade, conhecida por Desigualdade
de Schwarz, que é muito útil no estudo da Álgebra Linear, além de outros ramos da Matemática.

Teorema 4. (Desigualdade de Schwarz) Seja V um espaço vetorial com produto interno. Então,

|hu, vi| ≤ kuk.kvk , ∀u, v ∈ V.

Demonstração. Sejam V um espaço com produto interno e u, v ∈ V . Considere a função real

f (x) = ku − x.vk = hu − x.v, u − x.vi, para todo x ∈ R. Observe que f (x) ≥ 0, para todo x. Além
disso, pelas propriedades do produto interno, segue que

ku − x.vk = hu − x.v, u − x.vi = kuk2 − 2hu, vi.x + kvk2 .x2 ≥ 0.

Agora, como f é uma função quadrática, da forma ax2 + bx + c, não negativa, segue que o
discriminante ∆ = b2 − 4ac ≤ 0, ou seja, (−2hu, vi)2 − 4kuk2kvk2 ≤ 0.
Portanto, 4(hu, vi)2 − 4kuk2kvk2 ≤ 0 ⇒ |hu, vi| ≤ kuk.kvk.


Exercício: Seja V um espaço vetorial com produto interno. Mostre que

ku + vk ≤ kuk + kvk , ∀u, v ∈ V.

Esta desigualdade é conhecida com Desigualdade Triangular.

Seguindo os exemplos feitos nesta seção, faça os exercícios para uma melhor fixação do con-
teúdo abordado nesta seção.

EXERCÍCIOS

1. Verifique se cada uma das funções abaixo é um produto interno. No caso de a função ser
um produto interno, determine a norma dos vetores u e v dados e compare com a normas
obtidas a partir dos produtos internos canônicos.

a) h , i : R2 × R2 → R dada por h(x, y), (z, w)i = 3xz + 2yw .

Álgebra Linear 145
 u = (1, 0) e v = (−1, 1).

b) h , i : R2 × R2 → R dada por h(x, y), (z, w)i = xy + zw .

u = (1, 0) e v = (−1, 1).

c) h , i : R3 × R3 → R dada por h(x1 , y1 , z1 ), (x2 , y2 , z2 )i = x1 x2 + y1 y2 + 2z1 z2 .

u = (1, 0, 1) e v = (−1, 1, 0).

d) h , i : R3 × R3 → R dada por h(x1 , y1 , z1 ), (x2 , y2 , z2 )i = x1 + x2 + y1 + y2 + z1 + z2 .

u = (1, 0, 1) e v = (−1, 1, 0).

2. Use a desigualdade de Schwarz em R3 para mostrar que para a, b, c ∈ R, todos positivos,

tem-se que  
1 1 1
(a + b + c) + + ≥ 9.
a b c

146 Álgebra Linear

Ortogonalidade
Ao final desta seção você deverá ser capaz de:

⊲ Avaliar se dois vetores são ortogonais.

⊲ Determinar uma base ortonormal de um espaço vetorial de dimensão finita.

Definição 22. Seja V um espaço com produto interno h, i. Dizemos que u, v ∈ V são ortogonais,
indicamos u⊥v , se hu, vi = 0.

Observe que o vetor nulo 0 é ortogonal a todos elementos de um espaço vetorial V com
produto interno, já que h0, vi = 0, ∀v ∈ V .

Exemplo 111. Considere o espaço R2 com o produto interno canônico. Então, os vetores
u = (2, −1) e v = (2, 4) são ortogonais, já que hu, vi = 2.2 + (−1).4 = 0.

Definição 23. Um subconjunto W de V é chamado de ortogonal se hu, vi = 0, ∀u, v ∈ W , com

u 6= v . Se em um conjunto ortogonal W tem-se kuk = 1, ∀u ∈ W , dizemos que W é ortonormal .

Exemplo 112. Considere R2 com o produto interno canônico. Seja A = {(−1, 2), (6, 3)}. Então,
A é um conjunto ortogonal, pois h(−1, 2), (6, 3)i = (−1).6 + 2.3 = −6 + 6 = 0. Mas, A não é
p √
ortonormal, já que k(−1, 2)k = (−1)2 + 22 = 5 6= 1.

( √ √ √ √ )
2 2 2 2
Exemplo 113. Considere R3 com o produto interno canônico. Seja A = ( , , 0), ( ,− , 0) .
2 2 2 2
√ √ √ √ √ √
2 2 2 2 2 2
Então, A é um conjunto ortonormal, pois h( , , 0), ( ,− , 0)i = 0, k( , , 0)k = 1 e
√ √ 2 2 2 2 2 2
2 2
k( ,− , 0)k = 1.
2 2

Um resultado interessante a respeito de subconjuntos ortogonais é o seguinte.

Proposição 4. Sejam V um espaço vetorial com produto interno e W = {w1 , w2 , . . . , wn } um

subconjunto ortogonal de V , com wi 6= 0, para todo i = 1, 2, . . . , n.
Álgebra Linear 147
 a) Se v é um elemento do subespaço gerado por W , então
n
X hv, wi i
v= .wi .
i=1
kwi k2

b) O conjunto W é linearmente independente.

n
X
Demonstração. a) Seja v um elemento do subespaço gerado por W . Logo, v = ai wi , com
i=1
ai ∈ R, para todo i = 1, 2, . . . , n. Como W = {w1 , w2 , . . . , wn } é ortogonal, para cada k =
1, 2, . . . , n, temos que
n
X n
X
hv, wk i = h ai wi , wk i = ai hwi , wk i = ak hwk , wk i.
i=1 i=1

hv, wk i
Como wk 6= 0, para todo k , e hwk , wk i = kwk k2 , segue que ak = .
kwk k2
n
X hv, wi i
Portanto, v = .wi .
i=1
kwi k2
b) Sejam a1 , a2 , . . . , an ∈ R tais que a1 w1 + a2 w2 + . . . + wn = 0.
Daí, para cada k = 1, 2, . . . , n, temos que
n
X n
X
0 = h0, wk i = h ai wi , wk i = ai hwi , wk i = ak hwk , wk i.
i=1 i=1

Como hwk , wk i 6= 0, para todo k , pois wk 6= 0, então ak = 0, para todo k , e segue que W é
linearmente independente. 

Definição 24 (Base ortonormal). Uma base B de um espaço vetorial V é chamada de base orto-
normal, se B for ortonormal.

Exemplo 114. Considere Rn com o produto interno canônico. Então, a base canônica {e1 , e2 , . . . , en }
de Rn é um conjunto ortonormal, já que hei , ej i = 0, se i 6= j , e hei , ei i = 1 ⇒ kei k = 1, para todo
i = 1, 2, . . . , n. Assim, a base canônica é um exemplo de base ortonormal de Rn .

Observação. Da Proposição 4, segue que se B = {w1 , w2 , . . . , wn } é uma base ortonormal de

um espaço vetorial V com produto interno, então, para todo v ∈ V , tem-se
n
X
v= hv, wi iwi .
i=1

148 Álgebra Linear

 Será que todo espaço vetorial de dimensão finita com produto interno possui uma base orto-
normal?

A resposta é sim. Veremos que, se V é um espaço de dimensão finita com produto interno, é
possível, a partir de uma base qualquer de V , construir uma base ortonormal de V . Este processo
é chamado de processo de ortonormalização de Gram-Schmidt e consiste no seguinte.

Dada uma base B = {v1 , v2 , . . . , vn } do espaço V , primeiramente obteremos uma base orto-
gonal B ′ = {w1 , w2 , . . . , wn } de V . A seguir, obtemos a base ortonormal B ′′ = {u1 , u2 , . . . , un },
wi
onde, para cada i = 1, 2, . . . , n, ui = .
kwi k

Processo de ortonormalização de Gram-Schmidt

Seja V um espaço vetorial de dimensão finita n com produto interno. Seja B = {v1 , v2 , . . . , vn }
uma base de V .

1) defina w1 = v1

hw1 , v2 i
2) defina w2 = v2 − .w1
hw1 , w1 i
É importante observar que w2 6= 0 , já que {v1 , v2 } é linearmente independente.

3) definidos w1 , w2, . . . , wk , com 1 ≤ k < n, podemos definir wk+1 como sendo

k
X hwi , vk+1 i
wk+1 = vk+1 − .wi .
i=1
hwi , wi i

wi
Assim, temos que B ′ = {w1, w2 , . . . , wn } é uma base ortogonal de V . Daí, tomando ui = ,
kwi k
para cada i = 1, 2, . . . , n, segue que B ′′ = {u1, u2 , . . . , un } é uma base ortonormal de V .

De fato, para n = 1 o resultado é claramente válido.

Suponhamos que para um inteiro n > 1 arbitrário o algoritmo é válido, ou seja, o processo
produz uma base ortonormal B ′′ = {u1 , u2, . . . , un } para qualquer espaço V de dimensão n.
Agora, sejam V um espaço com produto interno de dimensão n + 1 e B = {v1 , v2 , . . . , vn , vn+1 }
uma base de V . Pela hipótese de indução, é possível, a partir de {v1 , v2 , . . . , vn }, obter uma base
ortogonal {u1 , . . . , un } para o espaço V ′ gerado por {v1 , v2 , . . . , vn }. Definindo o vetor wn+1 por
n
X
wn+1 = vn+1 − hui , vn+1 i.ui ,
i=1

Álgebra Linear 149

temos que wn+1 é ortogonal a cada um dos uj , 1 ≤ j ≤ n, já que
n
X n
X
hwn+1 , uj i = hvn+1 − hui , vn+1 i.ui , uj i = hvn+1 , uj i − h hui , vn+1 i.ui , uj i
i=1 i=1

= hvn+1 , uj i − hvn+1 , uj i.huj , uj i = hvn+1 , uj i − hvn+1 , uj i = 0.

wn+1
Daí, tomando un+1 = , segue que {u1, . . . , un , un+1 } é um conjunto ortonormal.
kwn+1 k
Para mostrar que {u1 , . . . , un , un+1 } é uma base de V , note que cada uj é uma combinação
linear dos vetores {v1 , . . . , vn+1 }. Logo, temos n + 1 vetores linearmente independentes em um
espaço V de dimensão n + 1, e assim temos que {u1 , . . . , un , un+1} é de fato uma base de V .
Portanto, por indução matemática, provamos que o processo de ortonormalização de Gram-
Schmidt é válido.

Exemplo 115. Considere o espaço R2 com o produto interno usual. Utilizando o processo de
ortonormalização de Gram-Schmidt, vamos construir uma base ortonormal de R2 a partir da
base B = {(2, 0), (−1, 1)}, a qual claramente não é ortonormal.
Sejam v1 = (2, 0) e v2 = (−1, 1).
1) w1 = (2, 0)
h(2, 0), (−1, 1)i (−2)
2) w2 = (−1, 1) − .(2, 0) = (−1, 1) − .(2, 0) = (−1, 1) − (−1, 0) = (0, 1)
h(2, 0), (2, 0)i 4
(2, 0) (2, 0)
Finalmente, tomando u1 = = = (1, 0) e u2 = w2 = (0, 1), já que kw2 k = 1, temos
k(2, 0)k 2
que {u1 , u2 } é uma base ortonormal de R2 .

Exemplo 116. Considere o espaço R3 com o produto interno usual. Encontre uma base ortonor-
mal para R3 a partir da base {(1, 1, 1), (0, 2, 1), (0, 0, 1)}.
Sejam v1 = (0, 0, 1), v2 = (1, 1, 1) e v3 = (0, 2, 1).
1) w1 = (0, 0, 1)
h(0, 0, 1), (1, 1, 1)i 1
2) w2 = (1, 1, 1) − .(0, 0, 1) = (1, 1, 1) − (0, 0, 1) = (1, 1, 0)
h(0, 0, 1), (0, 0, 1)i 1
h(0, 0, 1), (0, 2, 1)i h(1, 1, 0), (0, 2, 1)i
3) w3 = (0, 2, 1) − .(0, 0, 1) − .(1, 1, 0)
h(0, 0, 1), (0, 0, 1)i h(1, 1, 0), (1, 1, 0)i
= (0, 2, 1) − (0, 0, 1) − (1, 1, 0) = (−1, 1, 0)
Assim, temos que:
w1 (0, 0, 1)
u1 = = = (0, 0, 1)
kw1 k 1
w2 (1, 1, 0) 1 1
u2 = = √ = ( √ , √ , 0)
kw2 k 2 2 2
w3 (−1, 1, 0) 1 1
u3 = = √ = (− √ , √ , 0)
kw3 k 2 2 2
150 Álgebra Linear
  
1 1 1 1
Logo, a base ortonormal procurada será (0, 0, 1), ( √ , √ , 0), (− √ , √ , 0) .
2 2 2 2

Seguindo os exemplos feitos nesta seção, faça os exercícios para uma melhor fixação do pro-
cesso de ortonormalização de Gram-Schmidt.

E XERCÍCIOS

1. Com o produto interno usual do R3 , verifique se u e v dados a seguir são ortogonais.

a) u = (1, −1, 2) e v = (2, 0, −1)

b) u = (3, 2, 0) e v = (0, −1, 3)

c) u = (4, −2, 5) e v = (1, 2, 0)

d) u = (−3, −1, 5) e v = (2, 4, 2)

2. Seja V um espaço vetorial com produto interno. Para quaisquer vetores u, v ∈ V , prove que
kuk.v + kvk.u e kuk.v − kvk.u são ortogonais.

3. Use o processo de ortonormalização de Gram-Schmidt para encontrar uma base ortonomal

de R3 a partir de cada uma das bases B dadas a seguir.
a) B = {(3, 0, 0), (−1, 3, 0), (2, −5, 1)}

b) B = {(−1, 1, 0), (5, 0, 0), (2, −2, 3)}

c) B = {(1, 1, 1), (1, −1, 1), (1, −1, −1)}

Álgebra Linear 151

152 Álgebra Linear
 Referências
Bibliográficas

[1] Boldrini, J.L., Costa, S. R., Figueiredo, V. L. e Wetzler, H. G.; Álgebra Linear. 3a ed., São
Paulo, Harbra, 1980.

[2] Callioli, C., Costa, R. e Domingues, H.; Álgebra linear e aplicações. 6a ed., SÃo Paulo, Atual,
1995.

[3] Coelho, F. e Lourenço, M. Um curso de Álgebra linear. 2a ed., São Paulo, Edusp, 2001.

[4] Hoffman, K. e Kunze, R. Álgebra Linear; traduzido por A. P. Bergamasco, São Paulo, Polí-
gono, 1971.

[5] Lages Lima, E. Álgebra Linear, Coleção Matemática Universitária, Rio de Janeiro, IMPA,
2012.

[6] Steinbruch, A. e Winterle, P.; Álgebra Linear.. 2a ed., São Paulo, Makron, 1987.

153