ÁLGEBRA LINEAR

Oselo DIALÓGICA da Editora InterSaberes faz referência às publicações que privilegiam uma linguagem na
qual o autor dialoga com o leitor por meio de recursos textuais e visuais, o que torna o conteúdo muito mais
ET

dinâmico. São livros que criam um ambiente de interação com o leitor - seu universo cultural, social e de ela-
boração de conhecimentos -, possibilitando um real processo de interlocução para que a comunicação se efetive.
ÁLGEBRA LINEAR

Luana Fonseca Duarte Fernandes

2º edição

a
K/
EDITORA
intersaberes
 Av. Vicente Machado, 317 — 14º andar - Centro
êvª% CEP 80420-010 - Curitiba - PR — Brasil
Fone: (41) 2106-4170
, EDITORA [Link]
intersaberes [Link]

Conselho editorial Capa

Dr. Ivo José Both (presidente) Igor Bleggi
Dr' Elena Godoy Projeto gráfico
Dr. Nelson Luís Dias Sílvio Gabriel Spannenberg
Dr. Neri dos Santos
Dr. Ulf Gregor Baranow Adaptação do projeto gráfico
Kátia Priscila Irokawa
Editor-chefe
Lindsay Azambuja Diagramação
Mareus Colete
Editor-assistente
AAriadne Nunes Wenger lconografia
Regina Claudia Cruz Prestes

1 edição, 2016.
2º edição, 2017.
Foi feito o depósito legal.

Dados Internacionais de Catalogação na Publicação (CIP)

(Câmara Brasileira do Livro, SP, Brasil
Fernandes, Luana Fonseca Duarte
Álgebra linear [livro eletrônico]/Luana Fonseca Duarte
Fernandes. 2. ed. rev. e atual. Curitiba: InterSaberes, 2017.
2 Mb; PDF

Bibliografia
ISBN: 978-85-5972-341-0

1. Álgebra linear L. Título.

17-01786
Índices para catálogo sistemático:
1. Álgebra linear: Matemática 512.5

Informamos que é de inteira responsabilidade da autora a emissão de

conceitos.
— Nenhuma parte desta publicação poderá ser reproduzida por qualquer meio
ou forma sem a prévia autorização da Editora InterSaberes,
A violação dos direitos autorais é crime estabelecido na Lei n. 9.610/1998 e
punido pelo art. 184 do Código Penal.
SUMÁRIO

Apresentação
10 Organização didático-pedagógica

15 Capítulo 1 — Matrizes: tudo o que precisamos saber

16 11 Matrizes é suas propriedades
26 12 Operações com matrizes
39 1.3 Determinantes

56 14 Sistemas de equações lineares

75 Capítulo 2 — A descoberta dos espaços vetoriais
7 2.1 Espaços vetoriais
82 2.2 Subespaços vetoriais
29% 2.3 Bases

119 Capítulo 3 — Transformações lineares

119 31 Definição
123 32 Composição de transformações lineares
124 33 Núcleo e imagem
130 34 A matriz de uma transformação linear

143 Capítulo 4 — Produto interno

143 41 O produto interno ou produto escalar
150 4.2 Processo de ortogonalização de Gram-Schmidt
152 4.3 A transformação adjunta
155 44 Isometrias

161 Capítulo 5 — Desvendando operadores

161 51 Operadores lineares
165 2 Operadores lineares especiais
175 Capítulo 6 - O encanto das formas quadráticas
175 61 Formas bilineares

178 62 Formas quadráticas

182 6.3 Cônicas e quádricas
191 Considerações finais
192 Referências
193 Bibliografia comentada
194 Respostas
197 Sobre a autora
Para Gilberto e Luísa.
APRESENTAÇÃO

A álgebra linear é uma parte de grande importância em matemática, pois está presente em
diversas áreas, como engenharias, computação, física e economia. Os requisitos básicos para a
leitura deste livro são os conteúdos de matemática do ensino médio e de geometria analítica.
A obra apresenta os principais conteúdos de álgebra linear que fundamentam e auxiliam para
estudos mais avançados em campos como computação gráfica, sistemas dinâmicos, circuitos
elétricos, fluxo de trânsito, balanceamento de equações químicas, entre outros. Com os temas,
exercícios e atividades expostos neste livro, você terá conhecimento para desenvolver, estudar
e ensinar assuntos relacionados à álgebra linear, por exemplo, o ensino de matrizes e sistemas,
geometria, cálculo e análise. A álgebra linear consiste em estudar e generalizar propriedades
geométricas e algébricas que valem para conjuntos estritos, fazendo-os valer para conjuntos
mais gerais.
Neste livro, utilizaremos uma linguagem simples, clara e objetiva para escrever e explicar os
assuntos, sem abandonar o rigor matemático envolvido. A utilização de exemplos e exercícios
resolvidos foi feita para auxiliar na compreensão dos conteúdos. No final de cada capítulo, há
atividades que visam avaliar a compreensão teórica do assunto e outros para aplicar os con-
ceitos aprendidos.
No primeiro capítulo estudaremos matrizes, determinantes e sistemas lineares, que são a
base para o entendimento da álgebra linear e são encontrados em diversos problemas práticos
e relacionados às engenharias. No segundo capítulo estudaremos sobre espaços vetoriais que
irão nos acompanhar até o capítulo final, bem como os conceitos de base, mudança de base
e dependência linear. No terceiro capítulo, apresentaremos as transformações lineares, que
nos acompanharão nos capítulos seguintes. No quarto capítulo, veremos os diversos produ-
tos internos e, por meio dos conceitos apresentados, definiremos norma, distância e ângulos.
No penúltimo capítulo, apresentamos um tipo especial de transformação linear: os operadores
lineares e a relação com determinadas matrizes. Encerraremos a obra com os exemplos de for-
mas bilineares e quadráticas e suas representações matriciais.
Esperamos que os temas abordados e as atividades propostas contribuam para a formação
dos futuros professores e que este livro seja uma fonte de pesquisa, estudo e base para apro-
fundamento de conteúdos e aplicação em diversas áreas contempladas.
ORGANIZAÇÃO DIDÁTICO-PEDAGÓGICA

Este livro traz alguns recursos que m enriquecer o seu aprendizado, facilitar a com
ão dos conteúdos e tornar a leitura mais dinâmica. São ferramentas projetadas de acordo com
a natureza dos temas que vamos examinar. Veja a seguir como e: recursos se encontram
distribuídos no decorrer desta obra

Introdução do capítulo
Logo na abertura do capítulo, você é informado
a respeito dos conteúdos que nele serão aborda-
dos, bem como dos objetivos que o autor pre-
tende alcançar.

Pense a respeito
Aqui você encontra reflexões que fazem um con-
vite à leitura, acompanhadas de uma análise
sobre o assunto.
Preste atenção!
Nestes boxes, você confere informações comple-
mentares a respeito do assunto que está sendo
tratado.

Exercício resolvido
Nesta seção a proposta é acompanhar passo a
passo a resolução de alguns problemas mais
complexos que envolvem o assunto do capítulo.
Atividades de autoavaliação
Com estas questões objetivas, você tem a opor-
tunidade de verificar o grau de assimilação dos
conceitos examinados, motivando-se a progre-
dir em seus estudos e a se preparar para outras
atividades avaliativas.

Atividades de aprendizagem
Aqui você dispõe de questões cujo objetivo é
levá-lo a analisar criticamente determinado
assunto e aproximar conhecimentos teóricos e
práticos.
Atividade aplicada: prática
Nesta seção, a proposta é levá-lo a refletir criti-
camente sobre alguns assuntos e trocar ideias
e experiências com seus pares
As matrizes serão utilizadas em vários capítulos deste livro, desse modo, entende-las e saber
trabalhar com elas são requisitos indispensáveis para nossos estudos sobre álgebra linear. Por
esse motivo, vamos iniciar apresentando os itens mais importantes sobre o assunto: as opera-
ções, os tipos e as propriedades de matrizes, os determinantes, o escalonamento e a resolução
de sistemas lineares utilizando matrizes. Não se preocupe, até o final do capítulo você saberá
tudo o que precisa sobre o assunto!
Matrizes: tudo o que precisamos saber

Para darmos início aos estudos, vamos ver um pouco sobre a história das matrizes.
Aproximadamente no ano de 2500 a.C., em um livro chinês de arte matemática que apresentava
diversos problemas relacionados a impostos, agricultura e terras, entre outros, foram utilizadas
tabelas para resolver um desses problema: sem que fosse desenvolvido o assunto ou utilizada
a palavra matriz. Apesar de a palavra mat iz ter sido usada em 1850 por James Joseph Sylvester
(1814-1897) como auxiliar nos estudos de determinantes, a teoria das matrizes tem sua origem
em 1855 em um artigo em que Arthur Cayley (1821-1895) escreveu que, apesar de, pela lógica,
a ideia de matriz vir antes da ideia de determinante, o que aconteceu historicamente foi o con-
trário (Kilhian, 2010a; Eves, 2011).

Pense a respeito
Arthur Cayley nasceu em 1821 na cidade de Richmond, Surrey, e estudou no Trinity College,
Cambridge. Por alguns anos, dedicou-se ao estudo e à prática do direito, mas não deixou
de estudar matemática. Em 1863, passou a ocupar uma cadeira de Matemática Pura em
Cambrigde, abandonando a área jurídica e dedicando-se totalmente à matemática. Ele está
entre os três escritores da área com mais produções em todos os campos (Kilhian, 2010a).

Cayley estudava transformações lineares, as quais também iremos estudar neste capítulo.
Entretanto, para que você compreenda melhor os estudos desse autor, vamos pensar no exem-
plo a seguir. Queremos levar um ponto de coordenadas (x,y) ao ponto de coordenadas (x,y,),
com a seguinte relação:

x + by
y, =0x +dy
16 Álgebra linear

Em que a, b, c, d são números reais. Para simplificar o sistema apresentado, Cayley utilizou
a seguinte matriz

E)
Desse modo, observando as transformações lineares escritas como matrizes, o estudioso
obteve a matriz inversa e definiu o produto de matrizes. Mais tarde, em outro artigo, escreveu
sobre adição de matrizes e multiplicação de matrizes por escalares (Kilhian, 2010a). Apesar de
a descoberta de matrizes ter ocorrido após a descoberta de determinantes e sistemas, é com as
primeiras que iniciaremos nossos estudos, pois servem de auxílio para o desenvolvimento dos
conteúdos dos dois últimos, que vamos utilizar nos próximos capítulos.

1.1 Matrizes e suas propriedades

A palavra matriz significa, em matemática, “algo que gera ou determina algum resultado”. Foi
esse sentido que Sylvester atribuiu ao termo, pois representava sistemas e gerava determinan-
tes. A matriz é uma tabela com dados colocados em linhas (horizontais) e colunas (verticais),
que auxiliam em muitas situações do nosso cotidiano. Com certeza você já montou ou já viu
alguma matriz, por exemplo, em listas de nomes de alunos e suas respectivas notas, de preços
de serviços, de resultados de campeonatos, em bancos, de distâncias entre capitais, em tabelas
de valor do dólar, entre outras aplicações.

Exemplo 1.1
Uma escola obteve o seguinte resultado em um campeonato de futebol

Time Empates Vitórias Derrotas

Azul 1 2 o
Vermelho o q 2
Verde 1 1 1
Amarelo z o 1

Podemos reduzir a tabela para a seguinte matriz, em que as linhas são referentes aos times,
e as colunas, à quantidade de empates, vitórias e derrotas:
PBéNO
oOmrmqN
om
N=
 Matrizes: tudo o que precisamos saber

A matriz tem 4 linhas

e 3 colunas. As linhas da matriz são (1 2 0) (0 1 2) (1 1 )e(201).
o
1 2
As colunas são
1 1)
o 1

Exemplo 1.2
O gerente de uma empresa oferece café com bolachas aos funcionários; fez uma pesquisa de
preços em três supermercados e obteve a seguinte tabela:

Produto Supermercado A ($) Supermercado B ($) Supermercado C ($)

Café 7,0 6,8 71
Açúcar 27 3,0 28
Bolacha salgada 5,0 49 5,2
Bolacha doce 53 58

Podemos escrever a seguinte matriz dos preços, em que as linhas fazem referência ao preço
por produto em cada supermercado e as colunas, ao preço de todos os produtos em cada super-
mercado pesquisado:

70 68
27 30
50 49
53 55

Por exemplo, a primeira linha refere-se aos preços do café no supermercado A, B e C, res-
pectivamente. A primeira coluna indica os preços dos produtos no supermercado A.

Exemplo 1.3
Vamos considerar que você é professor e, para compor a nota de um bimestre, aplicou 4 tra-
balhos — 3 com valor de 2,0 pontos cada e 1 com valor de 4,0 pontos. Seus alunos tiveram as
notas indicadas a seguir:

Alunos Trabalho 1 Trabalho 2 Trabalho 3 Trabalho 4

Valor 2,0 Valor 2,0 Valor 2,0 Valor 4,0
Aluno À 10 15 18 30
Aluno B 15 20 16 3,8

Aluno C 17 20 2,0 40

Aluno D 1,2 10 15 2,0

(continua)
18 Álgebra linear

(conclusão)
Alunos Trabalho 1 Trabalho 2 Trabalho 3 Trabalho 4
Valor2,0 Valor 2,0 Valor 2,0 Valor 4,0
Aluno E 05 13 20 2,5
Aluno F 0,9 10 sa 32

Como ficaria a matriz dos valores? Você provavelmente pensou na seguinte matriz:

10 15 18 30
15 20 16 38
17 20 20 40
12 10 15 20
05 13 20 25
09 10 17 32

Está correto! E o que representa cada linha? E cada coluna? Cada linha representa as notas de
determinado aluno em cada trabalho. Cada coluna representa as notas de todos os alunos por
trabalho.

Exemplo 1.4
As matrizes auxiliam quando temos muitas variáveis para analisar e trabalhar. Elas podem ser
formadas por números reais, números complexos, funções ou outras matrizes.

A matriz B é formada por funções trigonométricas.

B:I sen(x) 2cos(x)]

- cos(x) 2sen(x)

Agora que relacionamos tabelas com matrizes, vamos nomear alguns elementos das matrizes
e aprender algumas notações.
Uma matriz com m linhas e n colunas pode ser escrita do seguinte modo:

au a& Age A in
A Ax Am An Am

ml ªmz ªmB"' amu

A ordem de uma matriz é m x n, que representa a quantidade de linhas e colunas, respectiva-

mente. No primeiro exemplo (Exemplo 1.1), a ordem da matriz é 4 x 3e a do Exemplo 1.366 x 4.
Vamos denotar os elementos de uma matriz A por a,, em que i representa a linha e j representa
 Matrizes: tudo o que precisamos saber — 19

a coluna na qual o elemento se encontra. Então, para fazer referência a determinado elemento
da matriz, indicamos a linha e a coluna, nessa ordem, em que o item se localiza. Vejamos os
exemplos:

Exemplo 1.5
Considere a seguinte matriz:

o wm
momN
E

>

U
O elemento da terceira linha e primeira coluna é a,, = 5. Então, o elemento da primeira linha
e da primeira coluna é a,, = 2; da primeira linha e da segunda coluna é a,, = 1; da segunda
linha e da primeira coluna é a,, =6; da segunda linha e da segunda coluna é a,, =3; da terceira
linha e da segunda coluna é a,, = O.

21 A z
Aza=|6 3 =|à, a
50 a, s

Quando fazemos referência a um elemento, a ordem em que os números aparecem é impor-

tante. Dizer a,, significa fazer referência ao elemento que está na primeira linha e na terceira
coluna, diferentemente do elemento a, a, que representa o elemento que está na terceira linha
e na primeira coluna.

Exemplo 1.6
Uma sorveteria vendeu as seguintes quantidades de sorvetes durante as primeiras quatro
semanas do verão:

Sorvetes Semanas
Primeira Segunda Terceira Quarta
Chocolate 200 350 300 500
Morango 150 260 410 300
Creme 100 180 150 250

Flocos 170 200 230 360

Coco 145 210 200 280
20 Álgebralinear

A matriz referente é a seguinte:

200 350 300 500

150 260 410 300
100 180 150 250
170 200 230 360
145 210 200 280

Olhando a matriz, você saberia informar o que representa o elemento a,,? O elemento a,, tem
o valor de 410 e é a quantidade de sorvetes de morango vendidos na terceira semana.

Preste atenção!
.A ordem para citar um elemento da matriz ou para indicar a ordem da matriz deve ser, sempre, primeiro
a linha, depois a coluna.

14141 Notação
Para nos referirmos a matrizes, vamos utilizar as seguintes notações:
" Letramaiúscula: A, B, ...
* Letramaiúscula com a ordem: A,, , B,.Q -
* Oselementos e a ordem: [a]., Dl =
Vamos utilizar a notação com índices para montar a matriz correspondente:

Exemplo 1.7

Vamos montar a matriz C, E, que conta com os seguintes elementos:

" aj=0sei>]
* a=2sei<j
" aj=1sei=)

Dado que a matriz C tem ordem 3x4, então ela tem 3 linhas e 4 colunas:

u 2 El aH
 Matrizes: tudo o que precisamos saber — 21

' a= Ose i >j, então:

* a,=25sei<)j, então:

" aj=15sei=)j então:

An A a a 1222
C=|a, ax 43 dx 0122
a a7 d A 0012

Exercício resolvido
O ingresso para um jogo de futebol custa R$ 50,00 para adulto sócio e R$ 25,00 para estudante
sócio. Para não sócios, o ingresso custa R$ 150,00 para adultos e R$ 75,00 para estudantes. Os
dados dessas informações podem ser registrados na seguinte matriz de ingressos:

E=
50 25
[150 75]

Quais são os elementos e,, e e,,

a. O que representa cada linha e coluna?
b. Se o clube fizesse uma promoção para os sócios e baixasse o valor do ingresso, para
adultos e estudantes, a R$ 10,00, como ficaria a matriz de ingressos?
c. Poderíamos representar a situação com a matriz F?

o 150]
5 75

Resolução
a. O e,, é o elemento da primeira linha (1) e da segunda coluna (2), ou seja, 25;0 e,, é o
elemento da segunda linha (2) e da primeira coluna (1), ou seja, 150.
22 Álgebra linear

b. A primeira linha representa os valores do ingresso para sócios, a segunda, o valor para
não sócios. A primeira coluna representa os valores dos ingressos para adultos e a
segunda, para estudantes.
10 10
c. A matriz seria: E= [
150 75J
d. Poderíamos representar a situação com a matriz F, pois a primeira linha indicaria
o preço dos ingressos para adultos, e a segunda linha, o preço do ingresso para
estudantes. A primeira coluna apontaria o valor dos ingressos para sócios, e a segunda
coluna, o valor dos ingressos para não sócios. Ainda, conseguimos interpretar linhas
fazendo referência a uma propriedade comum (adultos na primeira e estudantes na
segunda) e colunas (sócios na primeira e não sócios na segunda).

1.1.2 Tipos de matrizes

Agora que você consegue escrever e identificar uma matriz e interpretar os dados, vamos estu-
dar alguns tipos de matrizes com nomes especiais que fazem referência à disposição ou ao tipo
de elementos que as compõem.

[Link] Matriz quadrada

A matriz cuja quantidade de linhas é igual à quantidade de colunas é chamada matriz quadrada.
Uma matriz quadrada A com m linhas e m colunas é caracterizada como uma matriz que tem
ordem m, sendo escrita do seguinte modo: A,,-

all akl m

ªzx
BA )

ªml ªml " ªmm

Por exemplo, as matrizes A,, e B, ,são quadradas, pois a matriz A tem 2 linhas e 2 colunas,
a matriz B tem 3linhas e 3 colunas, ou seja, ambas têm a mesma quantidade de linhas e colunas.

“l
2 4
o
o

Aza”
OoON=
ms
vo

Em uma matriz quadrada, temos a diagonal principal e a diagonal secundária, conforme os

exemplos a seguir:
 Matrizes: tudo o que precisamos saber — 23

1,3 5 135
Al INS|* Baanl2 o 46
24
1
N
Mez[3/S|2A
mecla 017
d6 /

Diagonalprincipal Diagonalprincipal — Diagonal secundária — Diagonal secundária

Também chamaremos a diagonal principal apenas de diagonal.

[Link] Matriz nula

A matriz que tem todos os seus elementos nulos é chamada matriz nula. Seja A , =[a,],., uma
matriz nula, então a, =0 para todo i e para todo j. Vamos denotar por O,, a matriz nula, quando
necessário.

0 0. 0
o
Omu: &

o 0 0

Temos como exemplo as matrizes nulas de ordem 2 x 3 e 3 x3, as quais são as seguintes:

000 p
O,,= O,.=|0
0 O
* lo00 $
000
[Link] Matriz coluna
A matriz formada por uma única coluna é chamada de matriz coluna. Seja A uma matriz coluna,
então sua ordem é do tipo mx1, e podemos escrever A, ..

ma

Y
F=——

- NE
PE

".
|
&

u
P
24 Álgebra linear

1.1.24 Matriz linha

A matriz formada por uma única linha é chamada de matriz linha. Seja A uma matriz linha,
então sua ordem é do tipo 1xn, e podemos escrever A, .

An Plan A apes a )
As matrizes A e B, expressas a seguir, têm apenas uma linha. Portanto, são exemplos de
matriz linha.

A=[0 3 1] B=[2 1

[Link] Matriz diagonal

A matriz quadrada que tem os elementos acima e abaixo da diagonal iguais a O é chamada matriz
diagonal. Seja A = [a"]mm uma matriz diagonal, então a O parai £j

a, 0 O .. O
0 a O o
Azçã0 O o

0 0 0 a

As matrizes quadradas A e B, indicadas a seguir, são exemplos de matrizes do tipo diagonal.

oomn
oro
woo

a”
'
=

Na matriz A, , para i £ j temos a,, = a,, =0, por isso ela é diagonal. Na matriz B,, para i É£ j
temos, b,, = b, =b,, =b,, =b,, = b,, = 0; por esse motivo, ela também é uma matriz diagonal.

11.2.6 Matriz identidade

A matriz diagonal cujos elementos da diagonal são todos 1 é chamada matriz identidade. Seja
An = lal UMa Matriz identidade, então a, =0 para i £ j e a,=1 para i = j . Vamos denotar
por |, à matriz identidade de ordem m.
 Matrizes: tudo o que precisamos saber — 25

As seguintes matrizes são do tipo identidade.

omro
oor

“oo
Ls

ES.o
om
"
Y"
F
Na matriz ,, para i É j, temos a,, = a,, = 4,, = a,, = a = a = 0, e para i =j, temos
a,, =a,,=a,,=1; por isso é uma matriz identidade. Na matriz 1, ,, para i £j temos b,, = h1=0e
para i = j temos b,, = b., = 1; também é uma matriz identidade.

11.2.7 Matriz simétrica

Uma matriz quadrada A, . =[a,l...n tal que a, = a,, é chamada de matriz simétrica.
Considere a matriz a seguir; ela é um exemplo de matriz simétrica:

"n ªxz ªl.ª—

Temos uma matriz 3 x 3, a,, =a,, 1, =4,, a,, =A,, . =a,..

A simetria acontece em relação à diagonal da matriz; trata-se de uma reflexão em torno da
diagonal.

[Link] Matriz triangular superior

Uma matriz quadrada A,,,, = [a,l,., uma , tal que a, =0 para i > j é chamada de matriz trian-
gular superior.
No exemplo a seguir temos uma matriz de ordem 4 x 4, a,, =a,, =a,=a, =a,,

d E A E 1320
ÁE Ax A A A| 0 4 9 10
A A A A 0025
a, a7 A Ay 0007

1.1.29 Matriz triangular inferior

Uma matriz quadrada A,,,, = [a)l.../ tal que a,=0 para i <j, é chamada de matriz triangular
inferior. Por exemplo:
26 Álgebra linear

E A A 3 00
Ass=|aàn às aje|8 5 0
a, a aQ) |12 0 10

1.2 Operações com matrizes

Antes de iniciar os estudos sobre as operações com matrizes, é necessário compreender a igual-
dade entre matrizes.

1.21 Igualdade entre matrizes

* Duas matrizes A,, mn, e B,,, são iguais se elas têm o mesmo número de linhas, m =p, e o
mesmo número de colunas, n = q, e todos os seus elementos correspondentes são iguais,
ou seja, a, =b,.

Exemplo 1.8
Considere as seguintes matrizes A e B dadas a seguir; demonstraremos que elas são iguais:

a-fo SJo-laos S
a =2=320=b,
a=8=2"=b,
a, =0= sen(0) =b,
&

=
!
|
!
>

Exercício resolvido
Considere as seguintes matrizes:

tEZ 14 4Xx 2 6 3 2 t+2

A:L R 4 B=|2 5/'C=| O y 7 |D=| 0 1 7
5
365 —4 8 10-z u+3 8 12

a. Determine se as matrizes A e B são iguais.

b. Determine os valores de x, y, z, te u para que as matrizes C e D sejam iguais.

Resolução
a. As matrizes A e B não são iguais, pois a matriz A tem ordem 2 x 3, diferentemente da
ordem da matriz B, que é 3 x 2.
 Matrizes: tudo o que precisamos saber 27

b. Para que as matrizes C e D sejam iguais, é preciso que elas tenham a mesma ordem e
todos os elementos correspondentes, que estão na mesma posição, devem ser iguais.
Então:

Logo, x=2, t=4 y =1u=-7ez=

Compreendida a igualdade entre matrizes, vamos iniciar as operações com matrizes. Você
aprenderá soma de matriz, multiplicação por escalar e multiplicação entre matrizes.

1.2.2 Soma de matrizes

Considere as matrizes A,,,, e B,,,. Para fazer a soma A,,, + Bra é é preciso que m=p e
n=dq,eos elementos da matriz somasão a a +b,.

all ªl: V” aln bn blz ”

A 2) & * b

Am Am o An bml bml ' bmn

all ?'b" ªlí *bll aln+bln

atb, apntb, .. atb
Amn+Bm—n o o ”, o

aml +bml am] +bm2 amn+bmn

Exemplo 1.9
Vamos voltar ao exemplo da sorveteria. A tabela a seguir mostra as vendas nas quatro primei-
ras semanas do verão:

. Semanas
Primeira Segunda Terceira Quarta
Chocolate 200 350 300 500
Morango 150 260 410 300
Creme 100 180 150 250

(continua)
28 Álgebralinear
(conclusão)
Semanas
Somvetes DD ——
Primeira Segunda Terceira Quarta
Flocos 170 200 230 360
Coco 145 210 200 280

A próxima tabela mostra as vendas nas quatro primeiras semanas do verão do ano seguinte:

Sorvetes g E ——
Primeira Segunda Terceira Quarta
Chocolate 250 405 340 510

Morango 130 290 380 360

Creme 15 150 180 220

Flocos 190 230 200 340

Coco 130 205 250 300

Vamos montar a tabela que representa a quantidade de cada sabor vendido nas quatro pri-
meiras semanas do verão dos dois anos:

Sorvetes Primeira semana Segunda semana Terceirasemanados — Quarta semana dos

dos dois anos dos dois anos dois anos dois anos
Chocolate 450 755 640 1.010
Morango 280 550 790 660
Creme 215 330 330 470
Flocos 360 430 430 700
Coco 275 415 450 580

Agora que aprendemos a somar matrizes, vamos além. Como você poderia simplificar a conta
A+A+A+HA, tal que A é uma matriz? Por exemplo, se:

1238
A=
4 56

É possível simplificar a soma A + A-+-A + A? Sim: resultaria em 4A = A + A--A +A . Vejamos:

123 1238 T 23 1238

+ e |* +
456 456 456 456

C[1+1+1+1 2+2+2+2 3+3+3+3

O|4+4+4+4 5+5+5+5 6+6+6+6
 Matrizes: tudo o que precisamos saber — 29

|41 452 4-3_4 123

l4:4 4:5 4-6) |4 56

Observe que, como todos os elementos da matriz estão multiplicados por 4, podemos escre-
Ver4A.

1.2.3 Produto de uma matriz por um escalar

Seja Amxn uma matriz e a um número real, o produto a A,,,, é uma matriz de ordem mxn, tal
que cada entrada é multiplicada por a, ou seja, seus elementos são aaij.

ªll aln aªll

a. 21 a. 21 aa. 21
BiA ." AAn :
aml ªm! * aum aaml ªalfº E aªmn

Exemplo 1.10
Vamos voltar aos dados do segundo exemplo deste capítulo (Exemplo 1.2), sobre a empresa
que oferece café com bolachas aos funcionários. O gerente fez uma pesquisa de preços em três
supermercados e obteve a seguinte tabela:

Produtos Supermercado À Supermercado B Supermercado C

Café 7,0 6,8 71

Açúcar 27 30 28

Bolacha salgada 50 49 5,2

Bolacha doce 53 55 5,0

Suponha agora que houve uma grande crise e todos os produtos tiveram seus preços dobra-
dos. Temos, então, a nova tabela:

Produtos Supermercado À Supermercado B SupermercadoC

Café 14,0 136 14,2

Açúcar 5A 6,0 56
Bolacha salgada 10,0 98 10,4

Bolacha doce 106 11,0 10,0

30 — Álgebralinear

Vamos observar as matrizes referentes à primeira e à segunda situação:

7,0 6,8 71 140 136 14,2

2,7 30 28 54 60 56
A 2A=
O 49 52 10,0 9,8 104
5,3 5,5 50 106 11,0 10,0

Para obtermos a segunda matriz, multiplicamos cada um dos valores por 2, pois todos os
preços dobraram. À multiplicação de um valor por todos os elementos da matriz chamamos
de multiplicação de um escalar por uma matriz. No exemplo em questão, só pudemos multiplicar
porque todos os produtos tiveram a mesma proporção de aumento.

Preste atenção!
A palavra escalar se refere a números reais ou complexos, porém vamos utilizá-la para
tratar de números reais, apesar de ela valer para os números complexos.

Propriedades
Sejam as matrizes A=A,,.,, B man C=C,., é amatriznula O=O,,,,, e os escalares a
ef, temos:
" A+B=B+A, propriedade comutativa;
(A+B)+C=A+(B+C) propriedade associativa.
A+O=A,a matriz nula O é o elemento neutro da adição;
a (A + B)=aA + aB;
(a+B)A=aA+fA;
a (BA) =(aB) A.
Exemplo 1.11
Considere as matrizes A, B e C. Vamos verificar as propriedades apresentadas:

a3 3 01go 5 5A1 nA s
24 -2 463 041

* Propriedade comutativa:

13 O o 52 1 82
A+B= + =
24 -2// 4163 1101
 Matrizes: tudo o que precisamos saber — 31

B+A=052+13 0:1 82
—=163) |2 4 2) |110 1
Logo A+HB=B+A.
" Propriedade associativa:

tasijesl: 3 S0S 2 al)-Lo- al

[l
astero)-]2 2 2f-([ é 31l S 1)
13 O á 227//357
24- 2/ 124/ |162
Portanto, (A+-B)+C=A+(B+C)
" Elemento neutro da adição:

asoZfº13 ol fooo][13 o
|24 -2// /0 00 /24 —
Temos que A+-O = A.
" Sejaa=3,temos:

U.(A+B):3 13 0+ 052 :31 8 2:3246

24-2/ 1638 1101 3 30 3

rx.A+ocB=31 3 0+30 5 2=3 9 U+ o 15 6: 3 24 6

24 -2 —1 6 3) |6 12 —6] |-3 18 9) /3 30 3

Temos que a(A +B)=aA+aB.

" Agora,sejaa=3eB=2

13 01 [5 15 O
(OH-B)A:[ZHZ)A:SA:SL ã _J:[m o —10J
32 — Algebralinear

130 130 3 9 0 260 5 15 O

aA+BA=3 +2 = + =
242 2 4 —2| |6 12 —-6| |4 8 —4| |10 20 —1O

Portanto, (a +B)A=aA +fBA.

" Aindaconsiderando a =3ef =2:

a(BA):3[2B Í Íz]]â[i Z ZJ:[ÍZ ;Í ,ÍZJ

0][6 18 o 13
(ªB)A:(2'3)A:6A:6[2 4 72]:[12 24 flzJ
Concluímos, então, que a(BA) = (aB)A.

4
103
o

Se temos as matrizes A=|2 e B= [7 2 IJ , você consegue realizar a soma A + B? Não

3 4
é possível, pois as matrizes devem ter a mesma ordem!

Preste atenção!
As propriedades das operações de soma e multiplicação por escalar só valem para matri-
zes de mesma ordem; não podemos somar, por exemplo, uma matriz de ordem 2 x 3 com
uma matriz de ordem 3 x 3.

Exemplo 1.12
Vamos, agora, voltar ao exemplo de um campeonato de futebol de uma escola. A matriz refe-
rente aos jogos era a seguinte:

Time Vitórias Empates Derrotas

Azul 1 2 o

Vermelho o 1 2

Verde 1 1 1

Amarelo E o '

Temos, então, a seguinte matriz dos jogos:

 Matrizes: tudo o que precisamos saber 33

omm mNm
OoOr

rBeNO
NP
Para cada tipo de resultado, foi atribuída a seguinte pontuação: 3 pontos por vitória, 1 por
empate e O por derrota, os quais podemos representar pela seguinte tabela:

Derrota o

Podemos representar a tabela anterior com a seguinte matriz:

omÀ
=
7

A classificação é feita por meio do total de pontos que cada time conseguiu. Vamos obter os
pontos de cada time:
* Azul 1-3+2-:1+0-0=5
- Vermelho: 0-3+1-1+2:0=H1
» Verde 1: 3+1-1+1:0=4
* Amarelo: 2:3+0-1+1-0=6
A matriz do total de pontos é AB, o produto de A por B:

o T
=

/SM/
OoOmrmqmN

m"N

"PReNO

Be|qrO
+r+++T

o
coco
KS

++++

2
AB=
o

ts
"

1
om

W
N=

Om

1 E
&

Exemplo 1.13
Vamos voltar ao exemplo do café com bolachas de uma empresa. Temos a tabela com os preços
dos produtos em três supermercados, com alguns valores alterados:
Álgebra linear

Produto Supermercado À Supermercado B Supermercado C

Café 70 59 65
Açúcar É7 32 25
Bolacha salgada 50 60 70
Bolacha doce 58 62 41

Temos, então, a matriz:

7,0 59 65
27 32 25
50 6,0 7,0
5,3 6,2 41

O gerente deve comprar 8 pacotes de café, 3 de açúcar, 12 de bolacha salgada e 10 de bolacha

doce. Agora, vamos supor que uma segunda empresa também ofereça café com bolachas para
os funcionários e que o gerente tenha feito a pesquisa de preços nos mesmos três supermer-
cados que a empresa anterior; porém, o gerente da segunda empresa compra 5 pacotes de café,
2 de açúcar, 4 de bolacha salgada e 6 de bolacha doce.
Temos a seguinte tabela:

Empresa Café Açúcar Bolacha salgada Bolacha doce

Empresa 1 8 3 12 10
Empresa 2 5 2 4 6

A matriz correspondente é a seguinte:

g2[8 3121
|5246

Vamos analisar qual dos três supermercados resulta no menor gasto para empresa 1:
* Supermercado A: 8 : 70+3-2,7+12:50+10-53=1771
* Supermercado B: 8 - 59+3:-32+12:60+10-62=190,8
* Supermercado C: 8 - 65+3:-2,5+12-70+10:41=1845
Para a empresa 2, temos:
“ Supermercado A: 5:70+2:-27+4:50+6:5,3=952
* Supermercado B: 5: 59+2-35+4-60+6-62=971
* Supermercado C: 5:65+2:-2,5+4-70+6-41=901
 Matrizes: tudo o que precisamos saber — 35

Podemos escrever as situações das duas empresas da seguinte maneira:

7:0: 8,9 165

BA= 8 3 12 10//27 32 .2 5 ”
5 2 4 6/50 60 7,0
5,3 6,2 41

—|8:70+3-27+12:50+10-5,3 8-59+3:3,2+12:60+10-6,2 8-65+3-2,5+12:70+10-41

] 5º70+2:2,7+4:500+6:5,3 5-59+2:32+4-60+6-6,2 5-65+2-2,5+4:70+6-41

2)1771 190,8 1845

[ 952 971 901

Nos dois exemplos anteriores, realizamos a operação de multiplicação entre matrizes. No penúl-
timo exemplo, a matriz resultante da multiplicação de A por B, que chamaremos de C = [c,], foi
obtida da seguinte maneira:

" Oelementoc, é o resultado da multiplicação da primeira linha com a primeira coluna, da

maneira indicada a seguir:

CH = allb[l +al2b2[+ alzb“

120 3 1:3 + 21 + O-O 5

o12 Y& 0:3 + 11 + 2-0 = 1
111% o 13 + 11 + 10 4
201 2:3 + 01 + 10 6

" Oelementoc,, é o resultado da multiplicação da segunda linha com a primeira coluna.

Observe:

6= a b +a,b+a,b. a
36 — Álgebralinear

1 2 0l [13 + 21 + 0-0] [5
b12| | 3 + 11 + 20 |
111(1)—1-3+ 11 + 10| |4
o1 2:3 + 01 + 10 6

* Oelementoc, é o resultado da multiplicação da terceira linha com a primeira coluna:

c1|= a“Hbll+ aÉbZI + a“b'll

1203 13 + 2-1 + 0:0] [5

012 0:3 + 11 + 2-0| = |1
1=
EIT1 ol |EB I1I+ 1 [
201 23 + 01 + 1-0] |6

* Oelementoc, é o resultado da multiplicação da quarta linha com a primeira coluna:

Cn= ªnbn + al: bzl + alJbJA

13 + 21 + 00 5
- o3+ 11 + 20 1
13 + 11 + 10 4
L1 23 + 01 + 1o |6)

Veja que é preciso que a quantidade de colunas da primeira matriz seja igual à quantidade
de linhas da segunda, para que a multiplicação seja feita elemento a elemento. Observe que a
multiplicação da matriz A,, pela matriz B,, resultou em uma matriz de ordem 4 x 1.

1.24 Multiplicação de matrizes

Sejam A = [a,],,., € B= [b,.],,, O produto AB=C = [c,, ,, é definido por:

AB .5 = [Bl islosy

a ap A a || u b Pr p
ax d d a ||D Pa b 2p
a a7 ds ax b D Dx a

An Am ma am b b b b,
 Matrizes: tudo o que precisamos saber — 37

Os elementos são obtidos da seguinte maneira:

CH ? allbll +allbll +al3bíl +"'+ªlnbul

2 =anb +tab, tarby++ta,br,

p =anby, +apba, +ab,, +re+ab,1nºnp

€n =axba, +tanbo, +ab,, + - +as,b, n

C7 =a7b,, +a,,b,, +ab +-+a,,b,

C1, =47,b,, +ab,, +asbz,+...+a,b,

2n º np

Sm amvbll +am2bll +am*«b1l +"'+amnbnl

Cma = Anibia tAnabos tAnsba F" +Aanmboo

Cmp =ªm;bx,- *ªm:b:p +am3bªp +“.+amubnv

Observe os índices das ordens das matrizes:

AnmaBrp =C, mp

[ª*l][brs] [e]

É preciso que o número de colunas de A seja igual ao número de linhas de B, e o resultado

é a matriz que tem o número de linhas de A e o número de colunas de B.

Preste atenção!
A multiplicação AB de matrizes só existe se o número de linhas de A for igual ao número
de colunas de B. Por exemplo: A,, B,, =C,,,, porém D,, E,,, não existe, pois o número
de colunas de D é 3, diferentemente do número de linhas de E, que é 1.
Álgebra linear

Vimos que a operação de soma de matrizes tem propriedades semelhantes às propriedades

dos números reais, porém, será que a multiplicação de matrizes tem propriedades semelhantes
às propriedades dos números reais? Será que AB é sempre igual à BA? Vejamos um exemplo:

Exemplo 1.14

Sejam as matrizes A e B a seguir, vamos calcular AB e BA:

3 6
A= 4 B= 1
8 7 54

3-1+2:5 3-6+2-4] [13 8

m
AB=
8-1+7- & 8:6+7:4] |43 76

AaZ[13+6:8 1-2+6:7] [51 4

- |5:3+4:8 5:2+4:7] |47 38

As matrizes AB e BA são diferentes! A propriedade comutativa não vale para matrizes, ou

Seja, a regra que diz que a ordem dos fatores não altera o produto não é válida para matrizes!

No Exemplo 1.13, conseguimos realizar os produtos AB e BA, porém, no exemplo do campeo-

nato de futebol (Exemplo 1.12) realizamos o produto AB. Mas não existe o produto BA, pois B
tem ordem 3 x 1 e A tem ordem 4 x 3, ; a quantidade de colunas de B é diferente da quantidade
de linhas de A.

1.2.5 Propriedades do produto entre matrizes

O produto de matrizes apresenta as seguintes propriedades:

a. Para quaisquer matrizes A,, , B,,, € C, ., Pa Vale a propriedade associativa:

(AB)C = A (BC).
b. Para quaisquer matrizes A,,, B. € C, n.p/ Vale a propriedade distributiva, à direita em
relação à adição: (A + B) C= AC + BC.
c. Para quaisquer matrizes A,,.,, B,., € C,,, Vale a propriedade distributiva, à esquerda
em relação à adição: A(B + C) = AB+ AC.
|. Para quaisquer A,,, e 1, (matriz identidade de ordem n) A < I= A
m-no”ra

Para quaisquer A,,., e ,,, (matriz identidade de ordem n) |- A=A.

Para quaisquer A,,, e O"(p (matriz nula), A ' O, e Qx ”
. Para quaisquer A,,, € O,m Opm * An * Opxo"
o
 Matrizes: tudo o que precisamos saber — 39

h. Para quaisquer matrizes A, ma, Ée B,, Prxp, e para qualquer número real a, vale
(aA)B = A(aB) = a(AB).

Preste atenção!
AB não é igual à BA para quaisquer matrizes A e B. Lembre-se de que, para matrizes,
a ordem dos fatores altera o produto, se A £ B!

Exemplo 1.15
Sejam as matrizes A e B a seguir, vamos realizar o produto AB:

z 2 2 24 6
A=|-6 4 -2 B=|j4 8 12
— 2 0 246

2:2-2:4+2:2 2:4-2:8+2:4 2:6-2:12+2-6] [0 0 0

AB=|-6-2+4:4-2:2 —6-4+4-8-2-:4 -6-6+4-:12-2:6/=/0 0 O
—4-2+2-4+0-2 —4-4+2:8+0-4 —4-6+2-12+0-6 000

Preste atenção!
O produto de matrizes AB = O não significa necessariamente que A = O ou B = O. Como
vimos no Exemplo 1.15, AB=O, A)-O e B £ O. Lembre-se de que, neste caso, O é a matriz
nula.

Na multiplicação de matrizes, é importante tomar cuidado, pois, se as matrizes A e B são

distintas, para realizar o produto AB, devemos observar a ordem das matrizes para verificar
se o produto existe. E mesmo que AB exista, nem sempre BA existirá.

1.3 Determinantes
Os determinantes surgiram dos estudos de sistemas lineares, quando matemáticos chineses do
século IIl a.C. desenvolveram um método para a resolução de sistemas de equações por meio de
eliminação. Eles escreviam os coeficientes em forma de tabela e operavam buscando eliminar as
incógnitas. No Japão, em 1683, o matemático Seki Kowa (1642-1708) apresentou uma maneira de
resolver equações parecida com a dos chineses: a eliminação. Contudo, é a Gottfried Wilhelm
40 Álgebra linear

Leibniz (1646-1716) que se atribuiu a criação da teoria dos determinantes, em 1693, pois foi por
meio de seu trabalho sobre sistemas lineares que os determinantes apareceram no Ocidente;
além disso, o estudioso desenvolveu uma notação muito próxima da que usamos hoje. Colin
Maclaurin (1698-1746) publicou, em 1729, um teorema sobre a resolução de sistemas lineares
conhecido hoje como Regra de Cramer, pois Gabriel Cramer (1704-1752), em 1750, também chegou
ao teorema em seus estudos para determinar os coeficientes de uma cônica geral — Cramer fez
a demonstração para o caso geral (Kilhian, 2010b).
Em 1771, Alexandre Vandermonde (1735-1796) escreveu sobre a teoria dos determinantes sem
que ela fosse relacionada a sistemas lineares. Cauchy (1789-1857) apresentou de maneira brilhante,
de modo mais claro, o que já era conhecido sobre determinantes e foi um dos pensadores que
mais contribuíram para esse assunto, junto com Carl G. J. Jacobi (1804-1851) (Kilhian, 2010b).
Iniciaremos os estudos sobre determinantes e, durante o percurso, iremos nos deparar com
mais alguns tipos especiais de matrizes; entretanto, precisaremos conhecer determinantes para
classificá-las.
Seja M uma matriz quadrada de ordem n, tal que n <3. Podemos associar à matriz M o número
chamado determinante, que obtemos da seguinte maneira:

a. Se a matriz tem ordem 1, A = [a,], então o determinante de A é detA = la | = a,.

b. Se a matriz tem ordem 2, A= [ ªll ª!l

] então o determinante de A é a,a,, — apã,,
a, z

(multiplicação dos elementos da diagonal principal menos a multiplicação dos elementos

da diagonal secundária).

c. Se amatriztem ordem 3, A=|a, a, a,|,entãoo determinante de A é

ªsn aSZ ªJJ

anaEZaíU * alãazlafí! 2. allªziall A aªzall Íallallam *ªlzªzxªu

|a. 1, e sl du ân
AA An
a ENue
/a, a

Assetas paradireitaa indicama multiplicaçãodos elementos: a,,a,,a,,+a,a,,a9,,+a,a,a, easda

esquerda indicam a multiplicação dos elementos multiplicados por 1: —a ,a,,9,,-A/,9,,A1,-9,,9,,Ax,.
 Matrizes: tudo o que precisamos saber 4

Notação
Vamos usar as seguintes notações para determinantes de uma matriz A:
det A= /Al = det [aq]

Exemplo 1.16

Vamos calcular o determinante das seguintes matrizes:

. 4 s
A=[5] B:íS 6] = 61 ; 22

1.31 Determinante de uma matriz quadrada de ordem m qualquer

Para definir um método para o cálculo do determinante de uma matriz quadrada de ordem
m >2, precisamos conhecer o que é o menor complementar. Dada uma matriz A e considerando
um elemento a, dessa matriz, o menor complementar de a, é o determinante da matriz resul-
tante quando retirada a i-ésima linha e a j-ésima coluna — vamos denotar por D,. Vamos ver
um exemplo para auxiliar no entendimento.

Exemplo 1.17
Considere a matriz A. Vamos determinar D,, e D,
na.o
e dS

E
>
"
e
"
o
42 — ÁAlgebralinear

Para determinarmos o D,,, retiramos a primeira linha e a segunda coluna:

a)

m =
M
n/o
e
P
a
O determinante da matriz de ordem 2 é 18, então D, =18.
Para o D,, retiramos a segunda linha e a segunda coluna:

s)— eo
|:26
2/1|6

O determinante da matriz quadrada resultante é 10, logo D,, = 10.

Dando continuidade ao nosso objetivo de calcular o determinante de uma matriz de ordem

m >2, vamos conhecer o que é cofator de um elemento de uma matriz.
Dada uma matriz quadrada A, com ordem m (m > 2), e seja a, um de seus elementos, o cofa-
tor de a, é

A,=(1)"D,
ÊJ

A fórmula pode assustar um pouco no início, mas basta utilizá-la para observar que o susto
vem da notação; a substituição pelos dados corretos é fácil! Vamos ao exemplo a seguir para
confirmar que você entendeu e sabe usar a fórmula.

Exemplo 1.18
Considere a matriz A. Vamos determinar os cofatores A,, e A,;

125
A=|3 6 O
034

A fórmula é A, = (1) D,, Nesse caso, queremos determinar o cofator A,, logo, i = 1
ej=1,e precisamos encontrar o valor de D,

1
om
om

ESo

3
a

|
M
”
a
—

o
w
*
 Matrizes: tudo o que precisamos saber — 43

Portanto, D,, = 24. O cofator A,, = (1)" D, =1-24=24.

Para o cofator A,, temos i =2 e j =3, ; precisamos determinar D,

| o

m
mw la|m
*o
o
Logo, D.,=3eo cofator A.,=(1)* D,=(1) 3=—3.

Agora que conhecemos o menor complementar e o cofator, vamos conseguir calcular o deter-
minante de qualquer matriz quadrada de ordem maior ou igual a 2.
Seja A uma matriz quadrada de ordem m (m >2), o determinante de A é:

det Aza, A ta An tAÇ Ãs tutaç Ãu = DAÃ,

E

Veja como é bela a fórmula do determinante apresentado. Para contemplar mais essa beleza,
vamos utilizá-la!

Exemplo 1.19
Dadas as matrizes A, B e C, vamos calcular seus determinantes:

1:6 0 2
12 1E 23A1 4
A:[Z %]B=236c=04%2
' 0412 —
13 01

Para a matriz A:

detA=a,A,
+a,A, =1(-1) "3+2(-1)-2=7
Para a matriz B:

det B=a,A, +a, A +a,A,

m/3 6 21/4 5 a1 /4 5
== 2(— o0(-1
) a 22 a 21 G q
44 Álgebra linear

Para a matriz C:

16 0 2
2314 14
04 3 2
13 01

detC= ª"A“ o allAZI +a'£IA31 + ª.AlAAI

3 1 4 6 o 2 6 o 2 6 o 2
=1(1)"la 3 2+2(1) a 3 -2+o(1) 3 — al+a(1)3 < a
3 01 3 01 B o 1 4 3 -

=—17+0+0+34=17

Observe que a fórmula para determinante utiliza o primeiro elemento de cada linha, ou seja,
utiliza os elementos da primeira coluna e os respectivos cofatores. Então, você pode ter se per-
guntado se é possível calcular o determinante utilizando outra coluna, ou uma linha, e seus
cofatores correspondentes. A resposta é sim, é possível! É isso que diz o seguinte teorema:

Teorema de Laplace
O determinante de uma matriz M, de ordem maior ou igual a 2, é a soma do produto de
uma fila (linha ou coluna) pelos cofatores correspondentes (Boldrini, 1986).

Dessa maneira, no cálculo do determinante, não necessariamente os elementos da primeira

coluna precisam ser utilizados; podemos usar qualquer linha ou coluna e fazer a multiplicação
com os cofatores correspondentes e depois somar os resultados para obter o determinante. Por
exemplo, os casos a seguir:
wm
WN

omqwrw
NeOL
o
msN
om

N
>

=
"

"
N
O
»
*
W

w
*

Para realizar o cálculo dos determinantes de A e B, vamos usar a segunda linha em A, e, para
B, vamos usar a terceira coluna. Então, temos:
 Matrizes: tudo o que precisamos saber — 45

det A=a,A,., +a,A,, +a,,A,,

=0-11+10=-1

detB=b,,A,+ b A +byAv+byWA,

B 3 a 123 123 121

=1(1)"P o 10(12 o al+a(1)a a alic(1)CB a o
4 3 2 4 3 0 4 3 o 2 01

=15+0+11-18=8

Pense a respeito
Pierre-Simon Laplace (1749-1827) escreveu e demonstrou o teorema que leva seu nome.
Outra maneira de calcular um determinante é regra de Chió, que pode ser encontrada em:

KILHIAN, K, A regra de Chió para o cálculo de determinantes. O baricentro da mente:

matemática, física, ciências e afins. Disponível em: <[Link]
[Link]/2015/02/[Link]>. Acesso em: 13 mar. 2016.

[Link] Propriedades dos determinantes

Vamos considerar M uma matriz quadrada de ordem maior ou igual a 2. Temos as seguintes
opções:
* Seamatriz M tem uma fila (linha ou coluna) nula, então det M =0.

aH n 13 In

all aíl a:l VDV aln

M= a'u ªu a'u aln

ªmk aml ªmi ªn—m

46 Álgebralinear

Supondo que uma linha de M seja nula, ou seja, a, = =0O, então:

detM=a,A, +a,A, +a A,+...+a, A =0.A,+0.A,+0.A,,+...+0.A, =0

Observe que poderíamos ter escolhido uma coluna qualquer que o raciocínio seria o mesmo;
basta utilizar o teorema de Laplace. Vejamos alguns exemplos:

X o 2 12 56 28
- 3 6 10 233
A=|15 O 26|temos detA=0; B= d o 6 temos det B= O
14 0O H
8 17 26 44

* Sejaamatriz M, obtida pela multiplicação de uma fila de M por uma constante &., então
det M, =adetM -

an alz a" axn

Ax dx dx a7
all ª:c a'«% aªn
M= z z

au a.z in

aml am: am amn

detM , =aa,A, + aa
, A,,+0a,A,+...+0a, A,,

=a(a,A, +a,A, ta,A +..+a,A, )=cadetM

 Matrizes: tudo o que precisamos saber — 47

Veja alguns exemplos:

152 158 2
A=[3 4 1/eA,=|6 B 2
6 90 6 9 0

A matriz A, foi obtida multiplicando a segunda linha de A por 2 e repetindo a primeira e

terceira linha, então:

det A =123 e detA, =[Link] = 246

Agora, considere as matrizes B e B,, tal que B, foi obtida multiplicando a terceira coluna por —3:

012 o 1%
B=|5 6 7) B =|5 6 -À
341 34 3

detB=20 e detB, = -3det B=-60

* Seja a matriz M, obtida por meio da troca de uma fila paralela de M, então
detM, =-detM .
Vamos verificar a propriedade para matrizes de ordem 2. Então sejam M e M, matrizes tais
que M, foi obtida trocando a primeira linha com a segunda linha de M:
m=el? b M,= c d
c d a b

det M = ad
— bc, detM, = bc
— ad entãodetM, = -detM

Se M, fosse obtida trocando-se as colunas da matriz M, então:

b b
m=|? c d
M,=|" d
?e

detM = ad — bc, detM, = bc

— ad entãodet
M, = -detM
48 — Álgebralinear

Por exemplo:

13 24
As A,= temos que detA=-2edetA,=2
24 '*13

Use o fato de que, para as matrizes de ordem 2, det M, = - detM e mostre que vale a proprie-
dade vista para matrizes de ordem n maior do que 2.

" SeM tem filas paralelas iguais, então detM =0.

Considere a matriz M, que tem as colunas j e s iguais, e seja M, a matriz obtida trocando
a coluna j pela coluna s de M e as demais colunas iguais a M. Pela propriedade anterior
detM =- det M, e, por outro lado, como as linhas são iguais, M = M,. Logo, detM = det M,, ou
seja, das duas igualdades obtemos que detM = 0. Observe que a demonstr ão é análoga para
as linhas. Veja alguns exemplos a seguir:
1549
8203 ; a 2
A= 3761l” a segunda e a quarta linhas são iguais, então detA = 0

8203

141
B=)|H 5 H / -aprimeira coluna é igual a terceira, então det B=0.
262

" SeM tem filas paralelas proporcionais, então detM = 0.

Por exemplo:

2 1 42
o

- 3 1 2959
$ 2 4 11 14 12
A=|2
4 6 8 4) B=
5 2 1015
03795
78 1H
03123

O detA = 0, pois os valores de cada coluna da terceira linha são o dobro dos valores das
colunas da primeira linha, ou seja, 1, =21,. O detB = 0, pois os valores da quarta coluna são o
triplo dos valores da primeira coluna, ou seja, 1, =31,.

* Sejam A e B matrizes quadradas de mesma ordem, det(AB) = det AdetB.

Vamos ao exemplo:
 Matrizes: tudo o que precisamos saber — 49

o 012 1025 [2 5 28
A|A- - 4 0) /2 340
3 82l”- 5 U -uU3
-2 0411 0102 — 3 -3 5
1 304 1213|] u 17 18 17

Temos detA = 24, detB = 16, detAB =24 - 16 =384.

" SeAéuma matriz triangular, então o determinante de A é o produto de sua diagonal.

Exemplo:

ocoouvo
oNnroO
ooomr

noco
oÇFro
EXN-X
>
"

detA=abe e detB=1.325=30

Preste atenção!
Só é possível calcular o determinante de matrizes quadradas!

Essas são algumas propriedades que auxiliam e, muitas vezes, facilitam o processo do cál-
culo do determinante.

Exemplo 1.20
Com as propriedades estudadas, vamos calcular os determinantes das seguintes matrizes:

10 0 2075
3 10 6 18 H
A= 7 17 14 16 30
9 2118 50 40
|11 36 22 72 26

2X 5
B=|-2 4 15
4 225
50 Álgebra linear

30 20 46 51 60
12 17 2 3 V7
C=|56 89 25 36 31
21 54 16 10 35
12 17 2X 233 X7

Na matriz A, como a terceira coluna é proporcional à primeira coluna (os valores da terceira
coluna são duas vezes os valores correspondentes da primeira coluna), então detA = O0.
Na matriz B, temos:

1 Us 115 1113
B=2/-1 44 15/)=2-111-1 4 15/=2:11:5-1 4 3
2 225 2 225 225

t É
det B=2-11-5-det|-1 4 3|/=2-11-5-15=1650
225

Então,

Na matriz C, a segunda linha é igual a quinta linha, então detC = 0.

1.3.2 Matrizes especiais

Agora que você já conhece alguns tipos de matrizes e sabe calcular determinantes, vamos ver
mais algumas matrizes que têm propriedades interessantes e que serão importantes para nos-
sos estudos de álgebra linear.

[Link] Matriz transposta

Dada uma matriz A = [a,], en, a matriz transposta de A é A'=[b,],.. xm tal que b, = a,, Ou seja, as
linhas de A são as colunas de A'. Vejamos alguns exemplos:

2 3 28
A= A'=
35 15

o5
087J
B:saB*:[qB4
74 ,

Se uma A é uma matriz quadrada e A' é sua matriz transposta, então detA = detA'.
 Matrizes: tudo o que precisamos saber — 51

[Link] Matriz dos cofatores

Dada uma matriz quadrada A = [a,],., a matriz dos cofatores cof(A) = A = [a' ... é uma
matriz quadrada e seus elementos são os respectivos cofatores, ou seja, a= A, DÃ
Por exemplo, dada a seguinte matriz:

E
Os cofatores são: A,, =(—1)*! -2=2, A =(<1)2-1=—1, A,=(])"- 4=—-40
A =(1)12-3=3,
' =l
então a matriz cof (A) é cof(A)=A :[ í 'iJ h

[Link] Matriz adjunta

Dada uma matriz quadrada A= [ª..]...,m eamatriz cof (A) =A dos cofatores de A, a matriz adjunta
de A é a matriz transposta de A!' e, que denotamos por adjá= X =( A')'. Veja alguns exemplos:

A:[ª ÍJ; cof(A):A':[_Ás ÍJ adj(A):(A')':Ã:[Íz ?J

015 - 8 10 - 34 -B
B=|4
3 2/;B=|34 -30 6| B=|8 -30 20
671 -3 20 A 0 6 4

Vamos efetuar as
'amos efetuar as multiplicaçõe:
multiplicações AA
= AadjA
) = 2 23 = o 2 ==2) 01 = 2 ú
=21,,,

Observe que o determinante de A é 2, então podemos escrever que AadjA = detAlL,,,.

01 5|-1 34 3
Vamos multiplicar, também, B e B. Temos BB=BadjB=|4 3 2|/8 -30 20|=
6 7 1/ 10 6 44
58 0 0 100
=) O 58 0 /=580 1 0) =581,,,e58é o determinante da matriz B, então novamente
oO O 58 001

temos BadjB = detBlI,.. Isso acontece para qualquer matriz quadrada. Considere A uma matriz
qualquer, e sua adjunta adjA. Então:

AadjA = detAlI
52 Álgebra linear

[Link] Matriz inversa

Dada a matriz quadrada A, ,,, a matriz inversa de A é a matriz quadrada denotada por A *
tal que AA =ATA=],,, (Lembre-se de que 1, é a matriz identidade de ordem n).

Exemplo 1.21
Dada a matriz A, vamos encontrar a matriz inversa de A.

al S
a b
A matriz inversa de AÀA é A':[ d] Sabemos que AA* = A“A = L,, Logo,
€

[: S]: al
Portanto, temos o sistema:

Resolvendo, temos que: a =%,b =0,c :% ed =-% . Logo:

L
Aan2
À
6

1 0
2 02 lf10
1-3)|1 1/ /01
63
lm

ES
&bl &S
Fzc

n .o
——

om
—1)
|)N
Idra
pl=
'
 Matrizes: tudo o que precisamos saber — 53

Temos algumas considerações a fazer sobre a matriz inversa; são alguns fatos importantes sobre
os quais precisamos ter conhecimento!
a. (AB)' =B7A?

De fato, (AB(B'A') = A(BBI)A ' = AIA T = AA =[ e(B'AI)AB)=B/(A'A)B =BUIB =

B B= Portanto, B'A* é a matriz inversa de AB, que escrevemos por (AB) '.

b. Se dada uma matriz A, quadrada, e existir uma matriz B, tal que BA = |, então dizemos
que B é a inversa de A, ou seja, B= A'.
c. Nem toda matriz tem uma matriz inversa, por exemplo:

[
Nesse caso, a matriz não tem matriz inversa, pois, se houvesse, resultaria em

20 b 10
? = . No entanto, teríamos que 2a = 1 e 3a = 0, o que seria absurdo! Não
3 Olle d o1

existe um número a que satisfaça as duas equações; poderíamos ter considerado o mesmo pro-
cedimento para resolver em b.
d. Sejam A e sua inversa A, temos que det(I) =1 e det(I) = det(AA') = det Adet A º =1. Da
igualdade anterior temos que, se A tem matriz inversa, detA £ O portanto:

delhflic—
detA

Vimos anteriormente que AadjA = detA |. Como detA £ 0, podemos escrever AadjA. a Í T =Il,
e
mas como só existe uma inversa, ou seja, só existe uma matriz que multiplicada por A é igual

a identidade, então:

s de]tAad]A

Preste Atenção!
(AB)' =BA ' — observe a ordem da identidade, ela deve ser na ordem inversa. Cuidado!
(AB)' =A B
54 — Álgebralinear

Exercício resolvido a
Determine a matriz inversa de A, considerando A :[; 4J :
Resolução "
Para encontrar a matriz inversa de A, vamos primeiro encontrar a matriz dos cofatores:

A matriz adjunta de A é a transposta da matriz dos cofatores:

adJA:[ Í '1]
- 2

O determinante de A é 2: 4 -3-1=5

A'= djA
ClelAaJ

É
)6
.2 2
5 5

Exemplo 1.22
As matrizes, dentre tantas aplicações, são aplicadas na criptografia, pois podemos codificar e
decodificar mensagens por meio delas. Para isso, devemos relacionar as letras com números:
A B c D E F 6 H 1 U K L M
1 2 3 4 5 6 7 8 9 10 u 12 13
N o P o R s E U v w x Y z
114 15 16 17 18 19 20 21 2 23 24 2 26

E o espaço entre palavras corresponde ao número 0. Vamos codificar uma mensagem

escolhendo a matriz de ordem 2:
 Matrizes: tudo o que precisamos saber 55

E
A mensagem que vamos codificar será "álgebra linear”. Para isso, vamos montar uma matriz
com duas linhas, pois A é de ordem 2, com os números correspondentes à mensagem:

A L G E B R A L | N E A R
1 12 7 5 2 18 1 O 12 9 14 5 1 18

Então, temos a seguinte matriz:

M 2752181
o1295 118

Para codificar essa matriz, vamos fazer o produto C = AM. Logo, temos:

C:AM:[ 5 9% 62 42 255 939 5 9]

2 36 23 24 9 37 20

Portanto, C é a matriz com a mensagem codificada.

Exercício resolvido
Considere as letras relacionadas a números como no exemplo anterior. Suponha que você rece-

5 9 62 42 25 93 59
beu a mensagem codificada C :[ e sabe que a matriz usada para
2 36 23 24 9 37 20
s 3
codificar foi A = L J . Decodifique e encontre a mensagem.

Resolução
Para codificar a mensagem, foi feita a operação C = A x M; Então para, encontrarmos a men-
sagem, ou seja, decodificá-la, temos que encontrar M. Como A é inversível, multiplicando, em €
= AM, ambos os membros à esquerda por A, temos que A C = A'AM &, portanto, A 'C=M,.
Isso signiífica que precisamos encontrar a inversa de A para descobrir a mensagem.

Al = adjA
detÀ

t á
A matriz adjunta de A é [ ; J
E
56 Álgebra linear

— 3
Como detA = —, então A* = :
Decodificando:

ases 1. 5 9 62 42 25 93 59 [112752151
2 A5 |2 36 23 24 9 37 20 0 12 914 5 1 18

Agora, basta substituirmos os números pelas letras correspondentes e obtemos a expres-

são "álgebra linear”. As matrizes vão nos acompanhar ao longo do livro, por isso sua grande
importância.

Pense a respeito
Para auxiliar nas operações com matrizes, existem calculadoras específicas. Um exemploé
a Calculous, que permite calcular determinantes, encontrar matrizes inversas, transpostas,
adjuntas e também realizar soma, subtração e multiplicação entre matrizes. E é fácil de
usar! Há também a excelente Matrix Calculator, que disponibiliza operações com matri-
zes, sistemas lineares, autovalores, determinante, transposta, entre outras ferramentas. É

possível ver partes do processo que foi realizado para chegar ao resultado de algumas
funções da calculadora.

CALCULOUS. Disponível em: <[Link] Acesso em: 18 ago. 2016.

MATRIX CALCULATOR. Disponível em: <[Link] Acesso em: 18 ago.

2016.

1.4 Sistemas de equações lineares

Alguns fenômenos da natureza, equações químicas, circuitos elétricos, tráfego de veículos,
dentre outras situações, podem ser descritos por equações ou sistema de equações, como é o
caso dos sistemas de equações lineares que vamos estudar nesta seção. Uma equação linear é
do tipo a,x, +a,x, +a,x,+...+a,x,=b, tal que a,,a,, a,,...,9, são números reais e b também
é real e chamado de termo independente.

Exercício resolvido
Uma fábrica de automóveis produz motos, carros e vans. Eles passam por três processos: estru-
turação, pintura e montagem de peças. Cada moto leva 6 minutos no processo de estruturação,
4 minutos na pintura e 12 minutos para a montagem de peças. Cada carro leva 12 minutos no
processo de estruturação, 6 minutos para pintar e 24 para montagem de peças. Cada van leva
 Matrizes: tudo o que precisamos saber — 57

18 minutos na estruturação, 11 minutos na pintura e 31 para montagem de peças. O equipa-

mento para a estruturação fica disponível 12 horas por semana. A máquina de pintura funciona
7 horas por semana e a de montagem de peças, 23 horas por semana. Quantos veículos podem
ser fabricados (por semana) de cada tipo para que os equipamentos sejam plenamente utilizados?
Resolução
Inicialmente, devemos montar a seguinte tabela:

Processos Duração dos processos, em minutos, por tipo de veículo

Moto Carro Van
Estruturação 6 12 18

Pintura 4 6 1
Montagem de peças 12 24 231

O equipamento para estruturação fica disponível 12 horas por semana, o que equivale a 720 minu-
tos; o equipamento de pintura, 7 horas, o que equivale a 420 minutos; e o equipamento para
montagem de peças fica disponível 23 horas por semana, que corresponde a 1.380 minutos.
Considere x, y e z as quantidades de motos, carros e vans produzidos por semana. Então, pode-
mos montar o seguinte sistema

6x+12y+182=720
4x+6y+112=420
12x+24y+31z=1.380

Para resolver esse sistema, vamos associá-lo a matrizes. Desse modo, a equação de matrizes
que representa o sistema é:

6 12 18|[x] [ 720
4 6 Ullyl=| 420
12 24 31 |z) |1.380

Faça o caminho contrário: resolva a multiplicação de matrizes e depois, a igualdade na equa-

ção anterior e chegue no sistema. Vamos resolver o sistema fazendo um paralelo entre as equa-
ções e a matriz associada, para observar o que significa, no sistema, operar as linhas da matriz.

6x+12y+182=720 6 12 18 720
4x+6y+11z2=420 4 6 11 420
12x+24y+31z=1.380 |12 24 31 1.380

Vamos multiplicar a primeira linha por %

58 — Álgebralinear

x+2y+3z=120 6 12 18 720
4x+6y+112=420 4 6 11 420
]]2x+24y+311:1.380 12 24 31 1380

Agora vamos substituir a segunda linha por —4 vezes a primeira linha mais a segunda linha:

Jx+2y+31:120 6 12 18 720
2y+12=60 4 6 U 420
th +24y+31z7=1.380 [12 24 31 1.380

Vamos multiplicar por á a última linha:

Jx-»-Zy«v 3z=120 12 3 120

Ox+2y+12=60 021 6

3x+6y+ªz:345 3 6 2d 345
4 4

Em seguida, substituiremos a última linha pela soma de —3 vezes a primeira com a terceira
linha:

x+2y+32=120 12 3120
Ox+2y+1z=60 |0 2 1 6&
5
Ox+0y-2z=-15 |o o -25 —
4 4

Da última igualdade, temos: —% —15. Logo, z =12.

Substituindo o valor de z = 12 na segunda equação, temos: 2y + z = 60, portanto, 2y + 12 =

60ey=24
Na primeira equação, vamos substituir os valores de y =24 e z=12:

x+2y+3z=120

x+2-24+3-12=120

x=120-84=36
 Matrizes: tudo o que precisamos saber 59

Podemos concluir que, por semana, podem ser fabricados 36 motos, 24 carros e 12 vans.
Observe que, depois de fazer as três primeiras operações, já é possível resolver a equação.
Porém, a última matriz mostra os resultados mais facilmente. Resolvemos passo a passo para
esse primeiro entendimento; contudo, com o tempo você resolverá várias operações com linhas
de uma vez só e chegará mais rapidamente à última matriz e, consequentemente, à solução do
problema. Note que operar com matrizes é o mesmo que alterar e operar as equações

Vamos agora formalizar a relação entre sistema e matriz e as operações, entre linhas da matriz,
que auxiliam na resolução do sistema.
Dado um sistema de equações lineares:

AK HA ÇAA KA HA D)
BX +AYXo FA X,+F... ta X,=b,

+ax,=

Xl bl
u a,d a d a, 1n |lx b,
a ds Í Í
“ x |=/ b
aml ªmi ªm'« ... amn x b

ampliada, do sistema é:

" al: alfl "'aln b!

a!l aZ ªll 2

aml aml am? amn bm

E é em relação a essa matriz que faremos as operações para resolver o sistema. As operações
são:
* Troca de linhas: Podemos trocar a linha i pela linha je a linha j pela linha i; denotamos por
L e L,.
D

-
&

P
F
t
60 Álgebra linear

" Multiplicação por escalar: Podemos multiplicar uma linha i por um escalar (número real) k;
escrevemos L, >kL, .

" Substituição: Podemos substituir a linha i pela soma da linha i com k vezes a linha j;
usamos a notação L, >L, +kL,.

210 210
3 5 4/L,
> (-3)L,+L,|-3 2 4
876 876

Dizemos que uma matriz está na forma escalonada (ou forma escada) se o primeiro elemento
não nulo de cada uma de suas linhas estiver à esquerda do primeiro elemento não nulo de suas
linhas seguintes, e se a matriz tiver linhas nulas, estas estarão abaixo das demais linhas não nulas.

Exemplo 1.23
Dadas as seguintes matrizes:

269 o 2 9
128 33378 4(1)'%;8 E EZ
A=/0 976 BIOOEJSZCZOOEÉIZ D=|1 001
0048 0309
00000 00001

As matrizes A e B estão na forma escalonada e as matrizes C e D não estão na forma escalo-

nada. Podemos resolver um sistema linear montando a matriz associada ao sistema e fazendo
operações com as linhas até que seja obtida uma matriz escalonada. Chamamos esse processo
de escalonamento. Dada uma matriz A,,,, reduzir, segundo linhas, uma matriz à forma esca-
lonada B,,,, é o mesmo que, dada a matriz A,,,,, encontrar a matriz reduzida à forma escalo-
nada B,,,, escalonando, operando com as linhas, a matriz A. O número p de linhas não nulas
de B,,,, é chamado de posto de A. O procedimento de escalonar matrizes e, consequentemente,
encontrar
o posto será útil para resolver problemas de dependência linear, subespaços vetoriais,
transformações lineares e sistemas de matrizes.
 Matrizes: tudo o que precisamos saber 61

Exercício resolvido
Resolva o seguinte sistema linear utilizando o método de escalonamento,

X +T2X,+3x,=4
2Xx,+5X,+7X,
[X +X,+X,=8

Resolução
123 4
A matriz associada ao sistema dado é | 2 5 7 13
111 8
Vamos deixar a matriz na forma escalonada:

123 4 1234
2 57 1B3LO(2)LAL] 0 1 1 511
111 8 1118

123 4 123 4
SLA+L|
0 11 5/L3-3L+L/0
11 5
03412 0013

Tendo a matriz na forma escalonada, vamos relacioná-la ao sistema:

Jx,+2x3+3x1:4

bn
X FX,=5

De x,=-3 substituindo na equação x, +x,=5, temos x, —-3= l logo x, = 8 Substituindo x, =

—3ex,=8naprimeira equação: x, + 2x, + 3x,=4 temos x, +2: 8+3(-3) =4, portanto, x =-3.

141 Regra de Cramer

Vamos conhecer outra maneira de resolver um sistema linear cuja matriz dos coeficientes seja
quadrada. Precisamos que a matriz dos coeficientes seja quadrada, pois vamos ver o sistema de
equações como uma equação em termos de matrizes e realizar a operação inversa. Como vimos,
para admitir sua inversa, a matriz deve ser quadrada. Dado um sistema linear:
62 — Álgebralinear

a X, +ta,x, taX,+...+ax =b,

AX, +AX,+AQX,+T...+A X,=b,

AX +ApX, FAaaX, t...ta X =b,

Já vimos que o sistema pode ser escrito em termos de matrizes:

Au Ady
Apdo A n x
|x|
bl
|b,
a.
2 Aãos
AA :
2n S
E; õ
: :: 6 )b
Ai AA
AnoÃhs sA mllx ' | |<i

du áfão
aa & " “
%
bl
>;
A 459% -A Í " z
Chamando A=| | 2Z , | X=|x,/eB=|b,),então, temos que AX=B. Vamos

d; nt A5a,
n2ºnã
A, nn * bn

supor que detA É 0; logo, A tem inversa A*. Vamos utilizar a inversa de A encontrar uma
solução direta para o sistema:
ATAX=A'B

IX=A'B X=AB
Aprendemos a determinar a matriz inversa usando a matriz adjunta, portanto:

x
XI
Am ínz
bA
b,
Ks
: detA|
2: S
s b,:
& An m ApAn b,:

det A
 Matrizes: tudo o que precisamos saber — 63

bAn +b,
A +b;Ajg+t...+b(Aj,
detA

Podemos, utilizando o método de Laplace, escrever b A,, + b,A,, + b,A,, +.. +b,A,, como o
b, apã, aE
bl ak a:l 'aln
determinante da matriz . Assim, temos:

Analogamente, para x,, o numerador será o determinante da matriz formada pelos coefi-
cientes com a coluna i substituída pela coluna dos termos independentes, (b', b:,bl,...,bn).

Esse método de resolução é chamado de regra de Cramer.

64 Álgebra linear

Pense a respeito
Em 1729, Colin MacLaurin possivelmente já conhecia a regra conhecida atualmente como
regra de Cramer. Em 1748, ela apareceu em seu livro Treatise of Algebra, mas levava o nome
do suíço Gabriel Cramer (1704-1752) que, em 1750, publicou-a com uma notação superior,
o que talvez tenha sido o motivo que fez com que a regra carregasse seu nome. Veja o livro
Introdução à história da matemática, de Howard Eves, traduzido por Hygino H. Domingues
e publicado pela Editora da Unicamp.

EVES. H. Introdução à história da matemática. 5. ed. Tradução de Hygino H. Domingues.

Campinas: Ed. da Unicamp, 2011.

Exemplo 1.24
Vamos resolver o seguinte sistema linear utilizando a regra de Cramer:

2A+4W+Z=-2
—x+3y+22=1
Sx—-2y+3z=8

Podemos utilizar a Regra de Cramer, pois a matriz dos coeficientes é uma matriz quadrada.
Vejamos:
[2 41
- 32
S —2 3

Vamos calcular primeiramente o determinante da matriz dos coeficientes, pois vamos precisar
dele para encontrarmos os valores de x, ye z.

1
- 3 2
3
 Matrizes: tudo o que precisamos saber — 65

Já calculamos o denominador da fração apresentada. Agora, vamos calcular o determinante

que está no numerador, que é o determinante da matriz dos coeficientes, porém, substituindo
a primeira coluna (pois queremos determinar x) pelos valores dos termos independentes:

-2 4 1
13 =0
8 —2 3

o
Logo,
0g X= x=—=0

Para encontrarmos o valor de y, temos:

2 21
1 1 2
5 8 a
Y Bai
1 3 2
5 -2 a

Vamos calcular o numerador da última fração apresentada, que é o determinante da matriz

dos coeficientes, porém substituindo a segunda coluna (pois queremos encontrar y) pelos ter-
mos independentes:

2 s2
-l 3 2=-65
5 8 3

Portanto, y = =Em L.
Analogamente, para z temos:
66 — Álgebralinear

Desse modo, temos que:

Ê —2|
-1 3 1/=130
5 2.8

Logo, z:ªzz,
65
Observe que, nesse método, é necessário realizar o cálculo de vários determinantes. Por isso,
nem sempre é viável resolver sistemas de equações com mais de 5 ou 6 incógnitas utilizando
esse método.

Síntese
No decorrer deste capítulo, você pôde conhecer e estudar os diversos tipos de matrizes, as
operações de soma, a multiplicação por escalar e a multiplicação entre matrizes; aprendeu
a encontrar o determinante de matrizes de qualquer ordem e a resolver sistemas lineares
utilizando o escalonamento ou a regra de Cramer. Dessa maneira, você está apto para dar
continuidade aos estudos que serão apresentados no próximo capítulo.

Atividades de autoavaliação
1) Analise as informações e indique se são verdadeiras (V) ou falsas (F):
() Se as matrizes A e B comutam, entre si, então (A + B(A — B= Aº — B.
() Se as matrizes A, B e C são inversíveis de ordem n, então (ABC) * =C'B'A",
() Sendo as matrizes A, B e C, ea matriz A-O ,se AB = AC, então B=C.
() Se a matriz A tem ordem 2, então (A') ' =(A)!.
() Para qualquer matriz A sempre podemos efetuar o produto AA.

Assinale a alternativa que corresponde à sequência correta:

a. VF V.V,F.
bEVEEV
[Link]
[Link]
 Matrizes: tudo o que precisamos saber 67

2) Os ingressos para um jogo de futebol são gratuitos para sócios. Os ingressos para adultos
custam R$ 100,00 para não sócios e os ingressos para idosos e crianças custam R$ 50,00
para não sócios. Os dados dessas informações podem ser registrados na seguinte matriz
de ingressos:

50 100
o o

Assinale a afirmativa correta:

a. O elemento F., =0.

b. A matriz a seguir também pode ser utilizada para apresentar as mesmas informações

50 o
deF:
o 100
c. Se o clube cobrasse R$ 1,00 pela entrada de sócios adultos, a matriz do ingresso seria
; 50 100
a seguinte: .
1 O
d. A primeira linha representa o preço de ingressos para não sócios.

3) Analise as afirmações a seguir e indique se são verdadeiras (V) ou falsas (F):

O (FA =-(A).
() AB=O então A= Oou B= O.
()A e B matrizes simétricas, então AB = BA.
()A é uma matriz triangular superior, então A' é uma matriz triangular inferior.
() Se AB=0O então BA=0

Assinale a alternativa que corresponde à sequência correzta:

aVVEVE
b VEEVE
e EVVEV.
d. EF VEV

4) Um homem faz serviço de pedreiro, encanador e eletricista em residências que precisem

dos seus serviços. Ele cobra por hora de serviço trabalhado e o valor varia dependendo da
especialidade. Em determinada semana, o profissional prestou serviços a três proprietários
de residências. Na casa A, ele fez um serviço de 2 horas como encanador, 3 horas como
68 Álgebra linear

eletricista e 1 hora como pedreiro e recebeu R$ 190,00. Na casa B, fez um serviço de 4 horas
como encanador, 1 hora como eletricista e 2 horas como pedreiro e recebeu R$ 210,00. Na
terceira residência C, ele trabalhou por 5 horas como encanador, 2 horas como eletricista e 2
horas como pedreiro e recebeu R$260,00. Quanto ele cobra por hora em cada especialidade?
a. R$30,00 por hora de serviço como encanador, R$ 20,00 por hora de serviço como
eletricista e R$ 50,00 por hora de serviço como pedreiro.
b. R$ 20,00 por hora de serviço como encanador, R$ 30,00 por hora de serviço como
eletricista e R$ 50,00 por hora de serviço como pedreiro.
c. R$30,00 por hora de serviço como encanador, R$ 50,00 por hora de serviço como
eletricista e R$ 40,00 por hora de serviço como pedreiro.
d. R$ 40,00 por hora de serviço como encanador, R$ 20,00 por hora de serviço como
eletricista e R$ 30,00 por hora de serviço como pedreiro.

2x+3y+z=10
4x+2y+22=12
5) Dadoo sistema de equações
x+6y+3z2=8
, assinale a alternativa a seguir que também

6Xx+9y+3z=30
representa o sistema dado.
al 2 3 110
0408
0 0 5-6
l 00 01
b /2 3110
0804
005 -L
l0001
e /2 3110
0 42
0 051
lo 0 00
d2
3 1 10
040 -8
0 0 52
lo 00 0
 Matrizes: tudo o que precisamos saber — 69

6) Analise se as afirmações apresentadas a seguir e indique se são verdadeiras (V) ou falsas (F):

()A matriz A = a,] é simétrica se é uma matriz quadrada tal que a, =a,.

()A matriz I =[b,] é a matriz identidade se b, = O para i £jeb,=1parai=]).

()A matriz C = [c,] é diagonal se é uma matriz quadrada tal que c, = O para i £j.

() Toda matriz identidade é uma matriz diagonal.

() Toda matriz triangular superior é uma matriz quadrada.

Assinale a alternativa que corresponde à sequência correta:

a VEVEF
EBEVEVV
e VEV VV
d.E VVEV

Atividades de aprendizagem
Questões para reflexão

1) Um sistema linear com o mesmo número de equações e incógnitas admite uma solução
diferente da nula se, e somente se, o determinante da matriz dos coeficientes é nulo. Uma
equação da reta no plano cartesiano é do tipo ax + by + c =0. Com base nessas informa-
ções, mostre que para que os pontos de coordenadas (x,, Y,), (X, Y,), € (X., Y,) pertençam a
uma mesma reta, então:

x y, À
Xx, X, 1=0
X; X; 1

Aplicando os dados apresentados, como é possível encontrar, com a utilização de matrizes,

uma equação da reta sendo dados dois pontos?

2) Uma imagem em preto e branco é uma matriz cujos valores O representam o preto e 1 para
branco. Dada a imagem a seguir, qual seria a imagem correspondenteà matriz transposta
da matriz dada? Faça um desenho com uma matriz com elementos 1 e 0.
70 — Álgebralinear

o o o o 1 1 1 1 1 1 o o o o

o 1 1 o

o 1 o o 1 1 1 É 1 1
o 1 1 o o o 1 1 1 1 o
o 1 1 o o o o o o o
o 1 o o o o o o o o o o o o o

Atividade aplicada: prática

1) Elabore um plano de ensino para a introdução do conteúdo de matrizes. Quais situa-
ções-problema podem ser abordadas? Qual exemplo de motivação inicial poderia ser
aplicado?
Assim como as matrizes, os espaços vetori: s tiveram origem nos estudos de sistemas lineares
esão um tema de desenvolvimento recente. Giuseppe Peano, em 1888, em seus estudos sobre
equações diferenciais, publicou os fundamentos para a teoria de espaços vetoriais, a: ssim como
sua dimensão (Hefez; Fernandez, 2012).
A descoberta dos espaços vetoriais

Pense a respeito
Giuseppe Peano (1858-1932), matemático italiano, desenvolveu e apresentou conceitos em
lógica simbólica, dentre tantas outras contribuições. Ele buscava escrever a matemática em
termos de cálculo lógico. Tornou-se conhecido pelos seus axiomas que regem os números
naturais, chamados axiomas de Peano.

UNIDADE ACADÊMICA DE ENGENHARIA CIVIL DA UNIVERSIDADE FEDERAL

DE CAMPINA GRANDE. Giuseppe Peano. Disponível em: <http:/[Link]
br/biografias/[Link]>. Acesso em: 10 maio 2016.

2.1 Espaços vetoriais

Um espaço vetorial é um conjunto V, tal que seus elementos são chamados vetores, em que estão
definidas as seguintes operações:
* Adição: Para quaisquer u e v pertencentes a V, a soma u + v também é um vetor
pertencente a V.
* Multiplicação por um número real: Para qualquer vetor u pertencente a V e qualquer número
real a, o produto au é um vetor pertencente a V.
Essas operações devem satisfazer, para quaisquer u, v e w pertencentes a V e a e 8 números
reais, todos os oito axiomas' seguintes:
1. Propriedade comutativa: U + vV=V*+uUu
2. Propriedade associ ivaL (utv)+w=Uu+T(VT+W)
3. Propriedade associativa 2: (afB)u = a(fu)
4. Elemento neutro da adição: existe o vetor nulo 0, tal que u +0=0+u=u,para todo u
pertencente a V.

1 Deacordo com o Dicionário brasileiro da língua portuguesa on-line Michaelis (2016), axioma é definido do seguinte
modo: *1. princípio evidente, que não precisa ser demonstrado. 2 Máxima, sentença. 3. Norma admitida como
princípio.”
74 Álgebra linear

5. Inverso da adição: Para cada vetor u em V, existe um vetor - u, chamado de inverso ou

simétrico de u, tal queu+(- W =-u+u=0
6. Propriedade distributiva 1: a(u + v) = au + av
7. Propriedade distributiva 2: (a + B)Ju=au+fBu
8. Multiplicação por 1: lu=u

Notação
Vamos utilizar O para denotar o vetor nulo sem que haja confusão com o número 0; é pos-
sível saber a qual estamos nos referindo pelo contexto.

A seguir, veremos alguns exemplos de espaços vetoriais. Observe que é o espaço que vai
definir os vetores. Encontraremos vetores que são matrizes, polinômios, números reais, fun-
ções, entre outros.

Exemplo 2.1
Considere o conjunto dos números reais R . Este conjunto é um espaço vetorial? Se sim, quem
são os vetores?
No conjunto dos números reais, existem as operações de soma e multiplicação por escalar
(que, nesse caso, é a multiplicação de números reais), a qual conhecemos muito bem e podemos
observar que valem os 8 axiomas de espaço vetorial. Portanto, o conjunto dos números reais
é um espaço vetorial. Os vetores nesse espaço são os elementos do conjunto, os números reais.

Exemplo 2.2
Considere o conjunto R, tal que os elementos são do tipo u = (x, y), com x e y números reais.
Vamos mostrar que se trata de um espaço vetorial e determinar os vetores e a relação com a
geometria.
Podemos interpretar geometricamente os elementos de Rº, fixando a origem em (0, 0), que
são da forma u = (x, y), como segmentos orientados com origem no ponto (0,0) e extremidade
no ponto (x, y) no plano cartesiano, conforme indicado na figura a seguir.
 A descoberta dos espaços vetoriais — 75

Figura 2.1 - Representação de vetor no plano

Dois exemplos de elementos nesse conjunto são v = (2, 3) e w = (4, 1), que podem ser repre-
sentados geometricamente conforme a figura a seguir.

Figura 2.2 - Vetores no plano

A adição no R* é definida por u = (x,, y)) e v = (xy Y,), elementos de R?. Portanto, temos:
u+tv=(Xx,Y)+(XY,)=0+xY+X,)
A multiplicação por escalar é definida por u = (x,, y,) pertencente a Rºe um escalar ae R.
Desse modo, temos: au = a(x,, y,) = (ax, ay,).
Vamos ver se são válidos os axiomas de espaço vetorial, sejam u = (x y,), v = (, Y,) e
w=(x, y,) elementos de R?, e os escalares, a, B:
76 Álgebra linear

" ut+v=(X,Y)+&,Y)=(X+x,YX,+),. Valem as propriedades dos números reais.

Utilizando a propriedade comutativa de reais, temos u + v =(x +Xx, Y, +Y,)=(X;+Xx, Y.
+7YX,)=v+ u Logo, vale propriedade comutativa de vetores.

* (U+V)+W=(06 Y) + 0G Y F O/II= 04 FKF YITOA Y) (04 %) %$ (1 +

Y) +Y,), pela propriedade associativa dos números reais, temos ((x, +x,) +x, (Y, +Y, +
Y) =X +(6+X) Y +(Y,+Y))=Uu+(v+w). Portanto, vale a propriedade associativa 1,
dos vetores.

* (aB)ju=(af) (x, y) = ((aB)x, (aB)y,)); pela propriedade associativa de reais, ((aB)x, (aB)y) =
(a(fx,), a(By)) = a(fx, By,) = a(Bu). Logo, a propriedade associativa 2, dos vetores, é válida.

* Existe o elemento 0=(0,0)e Rº eu +0=(x, y,) +(00)=(x, +0,y,+0)=(0+x,0+y)=0

t+tu=(Xx,y)=Uu

* Paracada ue R?, temos — =(CX,) eu+ H = , y,) + X Y) =X ) y, +

Cy)=k-x Y -7)=(00)=0.

* afu+v)=a((X, y) +(Xyy))=a(X,+x, Y,+YX,=(a(x, +Xx,, a(Y/y,)=(ax, + ax, ay, +

ay,) = (ax, ay) +(ax, ay, =a(x, y,) + abx, y,) =au+av

* (a+Bu=(a+B)X,y)=((a+bB)x, (a+fB)y)=(ax,+Bx, ay, +By)=(ax, ay)+(Px,

BY) =a(x, y) +Blx, y)) =au+fu
" lu=1(X,y)=(IX1y)=(X,y)=u

Como vimos, todos os axiomas de espaço vetoriais são satisfeitos, portanto, R? é um espaço
vetorial e os vetores são da forma u = (x,, y,), tal que x, ey, são números reais.
Vamos verificar os aspectos geométricos do R?. Vimos como representar os elementos de Rº ,
agora vamos ver as operações de soma e multiplicação por escalar. Se associarmos os vetores
do R? com os segmentos orientados, a soma e a multiplicação por escalar geometricamente
serão iguais ao que foi visto em geometria analítica. Vejamos um exemplo: considere os vetores
u=(2,3) e v=(4,1); já vimos que u+v=(2, 3) + (4, 1) = (6, 4). Vimos também como podemos
representar vetores em termos de segmentos orientados, tendo a origem fixada em (0, O).
 A descoberta dos espaços vetoriais — 77

Figura 2.3 - Soma de vetores no plano

Observando geometricamente, temos que u + v é a diagonal do paralelogramo, conforme

apresenta a figura a seguir.

Figura 2.4 - Soma de vetores

78 Álgebra linear

Em geometria analítica, estudamos que um vetor é uma classe de segmentos orientados e

escolhemos o mais “adequado” para ser representado. Na Figura 2.4, escolhemos colocar os
vetores com origem no (0, 0), mas a soma é válida para vetores representados com origem em
qualquer ponto do plano.
Para mostrar a multiplicação por escalar, usaremos o seguinte exemplo: vamos represen-

tar au e Bu, sendo u = (2, 3) € os escalares a =2e B= —% .Temos que au = 2(2, 3) = (4, 6) e

Bu=- % (2,3)= [ - 7% ] . Vamos representar esses dados geometricamente na figura a seguir.

Figura 2.5 - Multiplicação por escalar

Se multiplicarmos um vetor do R? por um escalar positivo, y > 0, então o segmento orien-

tado aumenta o tamanho em y. Desse modo, na Figura 2.5, segundo gráfico, o escalar a =2, o
vetor au tem o dobro do tamanho do vetor u, sem alterar o sentido e a direção. Se o escalar for
negativo, y < O, ele altera o tamanho do vetor u em y e o sentido fica contrário ao de u. Desse
. s 1
modo, na Figura 2.5, terceiro gráfico, o escalar 8= º vetor Bu tem metade do tamanho de
ueosentido oposto ao de u.

Exemplo 2.3
Para todo número natural n, R" é o espaço vetorial. Os elementos são do tipo
U(Xy X7 Xz — X,), tal que x, são números reais.

V=R"=((X,Xy/Xy./X,)/ x eER)

Sejam u = (X/ Xy X, — X,) € V=(Y, Yy Y,y -- Y,) elementos de R" e a um número real, as
operações são as seguintes:
 A descoberta dos espaços vetoriais 79

* u+VE(+I YY tY X TX
* aUu+(AX, AXy OXz .; AX,)
O vetor nulo é 0 =(0,0,0, ..,0) e o oposto aditivo de u =(X, X, X «. X ) é -u=(—X,
s)
a. Para n = 4 temos o espaço vetorial Rº, com as operações de soma e multiplicação por
escalar que já foram definidas; determine os vetores w e x, sabendo que w=2u-ve2x+
U=-4(x+v)-3u Dados: u=(1,0/2,1) e v=(2,6,-5,-8).

w=2u-v=2(1,0,2,-1) -(2,6,-5,-8) =
(2:1,2-0,2-2,2:-0 +(1-2,-1-6,1-5,-1--"8) =
(2,0,4,-2) +(-2,-6,5,8) =(2—2,0—-6,4 +5,-2+ 8) =(0,-6,9,6)
Logo, w = (0, —6, 9, 6).
2Xx+ u=-4(x+v)—3u

2X+ U=-4x—4v-3U

2x+4dx=-4v-3u-u

6x=-4v-4u

6x=-4(vr+u)

4 2
x= —g(v«)— u)= —5(V+ u)

* z_%((z, 6,-5,-8) + (1,0,2,-1)) = ,%(2 +1,6+0,-54+2,-8-1)

3
id
Zn o Dc
3 3 3

x=(-2,-4,2,6)
b. Para n = 6 temos o espaço vetorial Rº . Dê exemplos de dois vetores que estão nesse
espaço vetorial. Qual é o vetor nulo? 3
Dois exemplos
são u=(-2,0, 1,3,20,16)e v :[0,—5,—%, 1 ,%, 23]. Ovetornuloé 0=(0,0,0,0,0,0).

Exemplo 2.4
Considereo conjunto de todas as matrizes reais de ordem m x n, denotado por M(m x n). Sendo
An mn =la,]
— E € B.n Pan = [b,y]y e a um número real, as operações
ç de soma e multiplicação por escalar
definidas anteriormente são A +B= la, + b“] eai=|aa,]. A matriz oposta de A em relação a
adição é —A = [-a,] . Com as propriedades das operações de matrizes estudadas no primeiro
capítulo, podemos concluir que M(m x n) é um espaço vetorial com as operações que definimos
previamente e os vetores são as matrizes.
80 Álgebra linear

Exemplo 2.5
O conjunto P (R), tal que n > O, é formado por todos os polinômios reais de grau menor ou
igual a n e coeficientes reais. Com as operações de soma e multiplicação por escalar usuais de
polinômios, P , (R) é um espaço vetorial, os vetores são polinômios e o vetor nulo é o polinômio
nulo 0(x) =0.
a. Dê exemplos de vetores no espaço vetorial P , (R).
Podemos indicar como exemplo qualquer polinômio de ordem menor ou igual a 3,
(axº +ax?+ ax+a,. Alguns deles são:

a(x)= x +2Xº+x+4, b(x)=4x6-1, c(x)=5xX2+2x+7

d(x)= x2+6x, e(x)=4x+1, f(x)=4x?, g(x)=0, h(x)=3

b. Considere o espaço vetorial P ,(R). Determine o vetor s(x) dado por

s(x)=p(x) + 2q(x) -r(x) , sabendo que p(x)=3x* +5x2-x+4, qlx)=x*-3X+6x? e
r(x)=-3x+1. Determine também o vetor inverso de s(x).

s(X) = p() +2q0x)

- r()
s(x) =3x +5Xº —x+4+ 2(x =3x +6Xº)-(-3x+1)
=3x +5xº -x+4+2Xº -6Xº +12Xº +3x—1
=3x +2xº -6xº +5x +12Xº —x+3x+4-1
EBx =6XE+17X2+2X+3

Temos que s(x) = 5xXº -6x* + 17xº + 2x + 3 e o seu inverso é —s(x) = =5x* +6x? A7Mxº 2x — 3,
pois s(x) + (-s()) = 0.

Exemplo 2.6
O conjunto F (X,R) é o conjunto de todas as funções reais f:X > R, tal que X é um conjunto
qualquer não vazio. As operações são: soma de duas funções e multiplicação de um escalar por
uma função. Sejam as funções f e g pertencentes a F (X,R), temos que (f + g)(x) = f(x) + g(x) e
que (af)(x) = af(x), sendo a um número real. O vetor nulo é a função nula. O conjunto F (X, R)
é um espaço vetorial com as operações que já foram definidas. Os vetores são funções reais
f:X-R, tal que X é um conjunto qualquer não vazio.
a. Considere o espaço vetorial F (R,R), e determine a função h(x) dada por h(x) = 2f(x)
—3g(x), dados f(x)= qx+2+x2 e B) =x?2+2.
 A descoberta dos espaços vetoriais — 81

h(x)=2f(x)- 3g(x)
=2(xk+2+ x) 3(02 +2)
=2/k+2+2X-3xX2-6
=2k+2-x2-6

Exercício resolvido
Considere o conjunto Rº e as seguintes operações de soma e multiplicação por escalar.
Considerando u = (x,, y,) e v = (x, y,) elementos de R? e a um número real qualquer, defini-
mos u+v=(x,+Y,, x.+YX,)e au= a(x,,y,)=(ax,,0y, ). Com base nas operações predefinidas,
verifique se R? é um espaço vetorial.
Resolução
Vamos verificar os axiomas de espaço vetorial:
* utv=(X+Y,X+Y )ev+u=(,+y,Xx+YX,.Temos que u+ vZv+
u oque não
satisfaz o primeiro axioma. Então, com base nas operações predefinidas, Rº não é um
espaço vetorial.

Exemplo 2.7
Considere o conjunto R* e nele definimos as seguintes operações. Para quaisquer u=(x,, Y, Z,)
ev=(x, X; Z)em Rº ea um número real:
* utv=(X,Y)+06 Y )=(G+XN FYA TZ)
“ au=a(x, Y, 2) =(Xx, Y, 2)
Vamos mostrar que o conjunto Rº* não é um espaço vetorial com as operações predefinidas.
No axioma 7, temos: (a + B)u = au + Bu, desse modo, neste exemplo, esse axioma não é
satisfeito:

(a+B)u = (a+B)(X,,Y12)=MXyY1, (a+B)Z,)

au+fu=a(x,YX, , 2) +BMX,,Y,,2)=(X,Y,,0Z,)+
(x Y/ BZ,)=(2X,,2y,,(a+B)Z,)

Podemos ver que (a + B)u £ au + Bu. Portanto, com as operações definidas neste exemplo, o
conjunto Rº* não é um espaço vetorial.
Nesta seção, você conheceu alguns espaços vetoriais, agora vamos estudar subconjuntos dos
espaços vetoriais e suas peculiaridades.
82 Álgebra linear

2.2 Subespaços vetoriais

Seja V um espaço vetorial, um subconjunto W não vazio de V é um subespaço vetorial de V se:
1. para quaisquer u,ve W,então u+ve W;
2. para quaisquer ue W eae R entãoaue W.
Do segundo item, para a = 0 e qualquer ue W, já que W não é vazio, temos que au = O,
ou seja, o vetor nulo pertence a W. Poderíamos ter substituído a condição de W não ser vazio,
por O0e W , pois assim ele não é vazio. No início deste parágrafo, mostramos que se W não é
vazio então o vetor nulo 0 pertence a ele. Os dois itens dizem que a soma de dois elementos de
W resulta em um elemento de W,; isso também acontece para a multiplicação por escalar. Com
isso, os axiomas de espaço vetorial (os oito itens) são satisfeitos pelos elementos de W, pois este
é subconjunto de V; logo, se valem em V, valem em W. Podemos concluir que W é também um
espaço vetorial. Todo espaço vetorial admite no mínimo dois subespaços vetoriais: ele mesmo
e o espaço formado pelo vetor nulo. Esses subespaços são chamados de subespaços triviais e os
demais espaços, se existirem, serão chamados de subespaços próprios.

Exemplo 2.8
Sejam os números reais a,, à,, ..., a. O conjunto H de todos os vetores v = (X,, X, ... X,) perten-
centes a R", tais que a,x, + a ,x,+..+afx,=0,é um subespaço vetorial de R".
De fato, 0=(0,0, ... 0), a,0 +a,0 +..+a 0=0;então Oe H, seu=(y, Y, -. Y )Jev=(x, x
... X,) são elementos de H, temos u+v= (x, E YKarh aa R ES ) ex (X,+Y)+AlX,+Y,)+..+
Alx Y )= X +AY,+ AX,+ANYj+ .. +A X,+AY,. Podemos reorganizar e temos a (x, +y,) +
ANXaZ+Y2) + u + AK + Y) = (AQX, + AXZ+ e +AXA) + (AY, + AJY3+ . + A )= 0+O0=0;logo,
u+v pertence a H. E para todo número real À, Av = AÀ (X/, X7 - X ) =(A X,AX, , ÀX,), então,
AAX, + AJAX) + .. + AJAX/ = A(AX, + AJX7)+ .. + A X ) = Ã0 = O portanto, Av pertence a H.
Chamamos esse subespaço vetorial de hiperplano de R" , que passa pela origem, se pelo
menos um a, É O0.

Notação
Em alguns momentos, vamos nos referir aos subespaços vetoriais somente por subespaços.

Exercício resolvido
Determine quais conjuntos a seguir são subespaços vetoriais:
a. O conjunto A € Rº, formado pelos vetores v = (x, y, z), tais que y = 2zez=x.
b. O conjunto Bc R , formado pelos vetores v :(x, Y,Z), tais que xy=0.
 A descoberta dos espaços vetoriais 83

Resolução
Vamos verificar as condições de subespaço vetorial para o item a.
Os vetores de A são do tipo u, = (x,, 2X x,), pois temos que y = 2z e z = x. Considere dois
vetores quaisquer, u, = (x,, 2X X,) é U, =(X, 2X, X,), pertencentes a A. Temos

U TU (X,,2X,,/X]) F(X2,2X2,/X,) =
(X] +X2, 2X + 2X5,X/ +X2Z)=(X/+X2,2(X, +X2),X/ TX )

U FU, =(X, +X,,2(X,+X,),X, +X,) =(X,Y,Z), OUu Seja, X=X, +X,,V=2(X, +X,) EZ=EX,+X,.
Observe que as coordenadas y =2(x,+x,)=2x ez=x,+x,=x logo, u, + u, pertence ao
conjunto A. Agora, seja um número real qualquer a e um vetor qualquer u, = (x,, 2Xx,X,), temos
au, = (ax,, a2x, ax,). Podemos ver que a segunda coordenada é o dobro da terceira (y =27) e a
terceira coordenada é igual a primeira (z = x); logo, au, é um elemento do conjunto A. O vetor
nulo (0, 0, 0) também satisfaz a condição para ser um elemento de A. Portanto, A é um subes-
paço vetorial de R?
Vamos agora verificar o conjunto do item b. Os vetores u = (1, 0, 0) e v =(0, 1, 0) pertencem a
B, pois o produto das duas primeiras coordenadas é igual a zero (xy = 0), porém, u +v=(1,0,
0) + (0, 1, 0) = (1, 1, O) não pertence a B, pois a multiplicação das duas primeiras coordenadas,
1:1=1,nãoé nula. Então B não é um subespaço vetorial.

Exemplo 2.9
Considere o espaço vetorial Rº com as operações de soma e multiplicação por escalar usuais.
Seja ve R? , um vetor não nulo, o conjunto W=[(Bv/BeR]), é o conjunto de todos os vetores
múltiplos de v. Mostraremos que W é um subespaço vetorial de Rº.
Para comprovar que W é um subespaço vetorial de R?, vamos mostrar os seguintes três itens:
1. W não é vazio.
W=(Bv/BeR] é o conjunto dos vetores Bv para todo B e R, inclusive para f = 0; temos então
O:v=0, portanto, o vetor nulo 0e W, logo, W não é vazio.
2. Para quaisquer w,,w, € W ,então w +w, e W.
w,W, E W , entãow, =f,vew,=B,v. Temos que w, +w,=Byv+B,v=(B,+f,)v:logo w +
w, é um vetor múltiplo dev, w +w,EW.
3. Para quaisquer we W ea e R, então aw e W.
weW, então w = Bv, aw = a(fv) = (afB); logo, aw e W, pois aw é um múltiplo de v.
O conjunto W do exemplo é uma reta que passa pela origem, conforme representa a figura
a seguir:
84 Álgebra linear

Figura 2.6 - Reta que passa pela origem

Com esse exemplo, temos que uma reta que passa pela origem é um subespaço vetorial de
R? . Vamos a mais um exemplo sobre este fato.

Exemplo 2.10
Considere o conjunto U =(Bv/BeRJ, tal que v = (2,3). Mostre que U é um subespaço vetorial
de Rº . Qual seria a interpretação geométrica para U?
Para provar que U é um subespaço vetorial de R?, vamos mostrar os seguintes três itens:
1. U não é vazio.
U=(Bv/BeR) para 8 =0, temos então 0 - v = 0, portanto, o vetor nulo 0e W . Logo, U não
é vazio.
2. Para quaisquer u,,u, € U , então u +u, eU.
u,u, e U, então u, = 8,(2,3) e u, =B,(2,3) . Temos que u, + u, =B,(2,3) + 8,(23) = (2B, +2B,
3B, + 3B,) = ((B, + B2 (B, +B,3) =(B, + B.)(2.3) ; logo, u, + u, é um vetor múltiplo de v =(2,3),
uw+u,eu.
3. Para quaisquer ue U eaeR, então au e U.
ueU,então u=Bv =3 (2,3), au=a(B(2,3)) =(aB)(2,3) logo, au e U, pois au é um múltiplo
dev.
 A descoberta dos espaços vetoriais 85

Figura 2.7 - Exemplos de multiplicação por escalar

: . ó v :
Na Figura 2.7 estão representados vetores do subespaço vetorial U, v, 2v, —-ve —— . Se variar-
mos o valor de f em Bv, percorrendo todos os reais, formaremos a reta que passa pela origem.

Observe que f3v =( (2,3)= [ ] temos y* ,[ 3pP== (26) ], logo, o espaço vetorial U
ml

a
é a reta no plano xy descrita por y= a

Agora que você conheceu a definição de subespaço vetorial e viu alguns exemplos, o próximo
passo é estudar os teoremas que envolvem subespaços, que apresentam algumas propriedades.
Veremos também alguns subespaços especiais, como os subespaços gerados, que são importan-
tes por envolverem conceitos muito usados em álgebra linear.

Teorema
Seja V um espaço vetorial e sejam W, e W, subespaços vetoriais de V, a interseção W, ) W,
é também um subespaço vetorial de V.

Demonstração
Para comprovar que W, 7 W, é um subespaço vetorial de V, temos que mostrar os seguintes
dois itens:
86 Álgebra linear

1. para quaisquer u,ve W, » W,, então u+veW, ( W, ;

2. para quaisquer ue W - W, ea € R, então aue W, - W,.
Parao primeiro item: quaisquer que sejam u,v e W, 7 W,, então u,ve W, e u,ve W, .Como
W, e W, são subespaços vetoriais, logo, u+ve W, e u+ve W,. Se u + v pertence aos dois
subespaços, então u+veW, n W, .
Para o segundo item: quaisquer que sejam u e W, ) W, ea e R, como W, e W, são subespaços
vetoriais, então au € W, e au € W,; uma vez que au pertence aos dois subespaços, ele pertence
à interseção, ou seja, au € W, - W,.

Exemplo 2.11
Considere o conjunto S & M (3x 3) das matrizes triangulares superiores de ordem 3 e o conjunto
TeM(3x3) das matrizes triangulares inferiores de ordem 3. Os conjuntos S e T são subespaços
vetoriais de M(3 x 3). Vamos comprovar essa afirmação.

a 00 8 0o
Observe
as matrizes T=|b c 0jeT=|h i O|.
d e f jk 1

a 0 0) [g 0 0] farg O O
Temos T+T,=|b c Ol+|h i Oj=|b+h c+i O
d e fl |j k 1) |drj erk fn

a 00 aa 0 O
a um número real qualquer, aT, =| b c 0 | =|)jab ca O
d e f ad ae af

A matriz aT1 é do tipo triangular inferior, logo, também pertence ao conjunto T, e a matriz

o
ooeo
eoo

nula O 0) também pertence a T. Logo, o conjunto T é um subespaço vetorial de

Y"

M(3x3). Analogamente, também podemos demonstrar que S é um subespaço vetorial de M(3 x 3).
A interseção TrS é o conjunto formado por todas as matrizes diagonais de ordem 3, que,
pelo teorema anterior, é um subespaço vetorial de M(3 x 3).
 A descoberta dos espaços vetoriais — 87

Teorema
Seja V um espaço vetorial e sejam W, e W, subespaços vetoriais de V. O conjunto
W,+W, =l(w,+w,)e V/w e W, ew, e W,) também é um subespaço vetorial de V.

Demonstração
Para mostrar que W, + W, seja um subespaço vetorial de V é preciso que ele satisfaça aos
seguintes itens:
1. para quaisquer u, v e Wl +W,, então u+ve W +W,;
2. para quaisquer ue W,+ W,eae R então aue W,+W,.
De fato, o primeiro item é satisfeito, pois para quaisquer u, v e W, + W,, temos então pela
definição de W, + W, que u=u,+u, e v=v,+V, tais que u, e v, pertencem a W, e u, e v, per-
tencem a W,. Logo, u+v=(u,+u,)+(v,+v,); como são todos elementos do espaço V, satisfazem
às propriedades; portanto, podemos reescrever u+v=(u,+u,)+(v,+v,). Fazendo u +v,=W, e
U +V,=W,, concluímos que u+ v e W,+ W,. Para o segundo item, tomando u € W, + W, então
uU=Uu +Uu,, tal que ue WI ewe Wz. Temos que au = A(u, +u,); como são elementos de V, valem as
propriedades de espaço vetorial e podemos escrever da seguinte maneira: au = au,+ au,. Logo,
au,e W,eau, e W, pois W, e W, são subespaços vetoriais. Concluímos, então, queau € W,+W,.

Exemplo 2.12 l
Considere os conjuntos U= ((x, 0, 0) e R/x e R) e V=((0, y 0) e Rº/x e R), U, Vc R. Determine se
U e V são subespaços vetoriais. Descreva o conjunto U+ V e determine se ele é um subespaço
vetorial de Rº.
Vamos mostrar que U e V são subespaços vetoriais de R*. Para U temos as seguintes constatações:
" Unãoé vazio, pois para x = O temos (0, 0, 0) e U.
“ Sejam u=(x,, 0, 0) e u,=(x, 0, 0) elementos de U, u,+u,=(x, 0, 0)-+(x,, 0, 0)=(x, +x, O, O).
Logo, u +u,eU.
* Sejaa um número real, au,=a(x, 0, 0)=(ax, 0, O). Portanto au, e U.
Temos, então, que U é subespaço vetorial de Rº. Para V, temos as seguintes constatações:
* Vnãoévazio, pois para y = O temos (0, 0, 0) e V.
* Sejam v,=(0, y, 0) e v,=(0, y, O) elementos de V, v, +v,=(0, y,, 0)- (0, Y2 0)=(0, y, +y, O).
Logo, v,+v,e V.
“ Sejaa um número real, av,=a(0, y,, 0)=(0, ay, 0). Portanto, av, € V.
Temos que V é um subespaço vetorial de Rº*. O conjunto U+ V =((x, y, 0) e R*/x, y e R), ou seja,
todos os vetores de Rº que apresentam a última coordenada nula. Pelo teorema anterior, temos
que U + V é um subespaço vetorial de Rº, já que U e V são subespaços.
Seja V um espaço vetorial e W, e W, subespaços vetoriais de V, tais que eles têm apenas o
vetor nulo em comum, ou seja, W, » W,=(0), denotamos W, & W, no lugar de W, + W, e dizemos
que W=W, & W, é soma direta de W, e W,.
88 Álgebra linear

Teorema
Seja V um espaço vetorial e sejam W, W, e W, subespaços vetoriais de V, tais que WV e
W,EV, então W=W, € W, se, e somente se, todo elemento w de W se escreve de maneira
única da forma w=W, + W,, de modo que w, e W, ew,e W,.

Demonstração
Se W=W, € W,, então todo elemento w de W se escreve de maneira única da forma w=W,+W,,
de modo que w, € W, ew, e W, Se W=W, & W,, então W, ) W,=(0). Consideremos w elemento de
W esuponhamos que w=W,+Ww, = u,+ u, de modo que w, e u, pertencem a W, e w, e u, perten-
cema W,. Dew,+Ww,=u,+ u, podemos escrever w, - u = u,- w,. Do lado esquerdo da igualdade
temos um elemento de W, e do lado direito, um elemento de W,. Como os elementos são iguais,
ambos pertencem a W, e W, ao mesmo tempo; logo, pertencem a W, ) W,. Porém, vimos que
W,OW,=(0), portanto, W - u,=u,- w,=0, ou seja, wW, = u, e W, =U,; logo, Ww=W, + W, se escreve
de maneira única, de modo que w, e W, e w,e W,.
Se todo elemento w de W se escreve de maneira única da forma w=Ww,+ w, de modo que
w,eEW, e w,e W, então W=W, &S W,. Considere ue W, ) W, e que W, e W, são subespaços,
então o vetor nulo pertence aos dois; logo, 0 e W, ) W,. Portanto, podemos escrever u+0=0+u,
de modo que u, O e W, e 0, u e W,. Contudo, nossa hipótese diz que todo elemento w de W
se escreve de maneira única como soma w=w,+w,, de modo que w, € W, e w,e W,. Portanto,
concluímos que u=0, ue W, ) W,. Logo, W, 7 W,=(0), o que implica W=W, € W,.

Exemplo 2.13
Considere os subespaços Uc R', formados por todos os vetores de R* que tem as três coorde-
nadas iguais, ou seja, se ue U, temos u=(x, x, x) e VCR' formado por todos os vetores de Rº
que tem a segunda coordenada igual a zero, ou seja, são da forma v=(x, 0, z). Vamos verificar
queR'=U&V.
Seja w=(x, y, ) um vetor qualquer de R, temos que w=(y, y, y)+ (x-y, 0, z-y). Observe que (y,
y y) e U, pois suas coordenadas são todas iguais e (x-y, 0, z-y) e V, pois a segunda coordenada
é nula, ou seja , qualquer vetor de R é escrito como soma de um elemento de U com um ele-
mento de V: R'=U+V. A interseção Um V=1(0, 0, O)), pois se existisse outro vetor na interseção
diferente do nulo, por exemplo, um w, ele deveria pertencer a U e a V ao mesmo tempo, porém,
se w pertence a U, ele é da forma w=(x, x, x), Entretanto, para pertencer a V, a segunda coorde-
nada deve ser igual a zero; contudo, isso só ocorre se x = 0, resultando que w seria o vetor nulo,
mas supomos que ele não era o nulo. Assim, Um V =[(0, 0, 0)). Podemos concluir que R=U & V.
 A descoberta dos espaços vetoriais 89

2.21 Combinação linear

Em combinação linear de vetores, como o próprio nome sugere, vamos “combinar” somas, vetores
eseus múltiplos. Por exemplo, o vetor (1,2,9) pode ser escrito como (1,2,9)=2(2,3 5)-(34,1),
ou seja, (1,2,9) é uma combinação linear dos vetores (2,3,5) e (34,1). Vejamos a definição:
Seja V um espaço vetorial e sejam V,, V,, V,,...,V, EV e a,0,,0,,...,0, E R, dizemos que
v e V é combinação linear de V,, V,, V,,...,V,SE V=OV,+OV,+AWV, +...+OV,.-

Exercício resolvido o
Mostre que a matriz E= [18 ] pode ser escrita como combinação linear das matrizes:

n JB Jl Jo-ls
D

Resolução
Se E pode ser escrita como combinação linear de A,B,C e D, então existem números reais
a, b, c, d tais que:

E=aA+bB+cC+dD

-1 8| | a O 02b+—c4c*0 d
18 3) |3a 2a/ |b 3p| |3c —ac| |-2a aa

- 8 7. a-c 2b+4c+d
18 3| |3a+b+3c-2d 2a+3b-2c-4d

Temos, então, o seguinte sistema:

a-c=-1
2b+4c+d=8
3a+b+3c-2d=18
2a+3b-2c-4d=3
90 — Álgebralinear

Vamos resolver aplicando o que aprendemos no primeiro capítulo. Vamos resolver por meio
do escalonamento da matriz do sistema.

1041 0A1 104 0A4

02 4 1 8lIL,>-3L+L,/0 2 4 1 8
3 1 3 -2 18L,>-2L+L /0 1 6 -2 A
1232 4 3 03 045

1904 A 10A4 a
02 4 1 8 L /0 1 2 1/2 4
L, <2
o 1 642 2)” 2/04 6 2 H
03 045 03 0 4 5

104 oA 18A4 oA
01 2 12 4/L,3-L+L, | 01 2 12 4
01 6 -2 21 / L,>-3L+L,/0 0 4 -5Q2 17
03 0 4 5 0 0-6 41127

10A 0A 10A o A
01 2 12 4 01 2 1/2 4
/ L, >6L, +4L, /
00 4 -52 o 4 —-52 1
0 0 - 1/2 -7 000 37 —74

Com a matriz na forma escalonada, temos o seguinte sistema:

a-c=-1

b+2c+ &. 4
2
5
4c-—d=17
2
37d =-74

Da última equação, temos que d = —2. Substituindo na terceira equação o valor de d, temos
o seguinte resultado:
 A descoberta dos espaços vetoriais — 91

Da última equação temos Substituindod==2ec=3na Substituindo c = 3 na pri-

d =-—2, e substituindo d na segunda equação,temos: meira equação, temos:
terceira equação,temos

4C-É,_2=17 b+2-3—3=4 --l

2 2 a=-1+3
4e-5=17
—5= +
b+6-1=4 a=2
4c=12 b=4-5
e=ô =—.

A solução é a =2, b =—1, c =3 e d = -2. Logo, podemos escrever que D=2A-B+3C-2D,

ou seja, E pode ser escrito como combinação linear de A, B,/ Ce D.

Exemplo 2.14
Considere os polinômios p(x)=2x2+3x+5, q(x)=x2+1, r(x)=2x e s(x)=5X2-4x+11.
Mostre que s(x) é combinação linear de p(x), q(x) e r(x).
Se s(x] é combinação linear de p(x), q(x) e r(x), então encontraremos números reais a,b
e c, tais que s(x) =ap(x)+ bq(x)+ cr(x,). Temos:

s(x)=ap(x)+bq(x)+cr(x)
5xX2—4x+I11=a(2Xº +3x+5)+b(xº +1)+c(2x)
5x - 4x+11=2ax" +3ax+5a+bxº +b+2cx
5x2-4x+11=(2a+b)x2+(3a+2c)x+5a+b

Montando o sistema, temos:

2a+b=5
3a+2c=-4
Sa+b=11

Podemos resolver o sistema utilizando a regra de Cramer:

92 Álgebra linear

5 10 2 5 0 Pa
-4 o 2 3 —4 2 3 o —
3:111():3:2 b:ª:i:] C:51 1:7235
210 6 2 1 0 &6 210 6
3 o 2 3 o 2 3 o 2
5 1 0 5 1 0l 5 1 0

Portanto, s(x) é combinação linear de p(x), q(x) e r(x), pois s(x) = 2 p(x) + q(x) — 5 r(x).

Exemplo 2.15
Considere os vetores de Rº?: (231), v =(10,1) e w = (01,2). Verifique se u é combinação
linear de ve w.
Para confirmar que u é combinação linear de v e w, devemos encontrar números reais a e b
que satisfaçam a igualdade: u = av + bw:

u=av+bw=a(1,0,1)+b(0,1,2)=(a,0,a)+(0,b,2b)=(a,b,a+2b)

u=(2,3,1)=(a,b,a+2b)

As coordenadas correspondentes devem ser iguais, então temos o seguinte sistema:

No entanto, se a = 2 e b = 3, substituindo esses valores na última igualdade, temos que

8=1, algo absurdo! Logo, não é possível encontrar números reais a e b que satisfaçam o sistema,
portanto, u não é combinação linear de v e w.

Exemplo 2.16
Considere os vetores de R?: u=(10,7), v=(1,0), w=(0,1) e z=(2,3). Verifique se u é com-
binação linear de v, wez.
Para que u seja combinação linear de v, w e z, devemos encontrar números reais a, b ec
que satisfaçam a igualdade: u=av+bw+cz.
 A descoberta dos espaços vetoriais — 93

u=a(1,0)-b(0,1)+c(2,3)=(a,0) +(0,b)+(2c,3c)
(10,7) =(a+2c,b+ 3c)

O sistema correspondente é o seguinte:

a+2c=10
br+3e=7

Temos que a=10-2c e b=7-3c, portanto, existem infinitas soluções para o sistema, c
pode assumir todos os valores. Logo, existem infinitas maneiras de escrever u como combina-
ção linear dev, w e z; para cada valor de c temos uma combinação linear. Por exemplo, se c = 1,
temos que u= 8a + 4b + c. E se c=2, temos outra combinação: u=6v+w+22z.
Observe com os exemplos desta seção que a combinação linear de vetores está relacionada à
resolução de sistemas, os quais, por sua vez, estão relacionados a matrizes. Desse modo, note
que estamos utilizando neste capítulo os conteúdos do primeiro.

2.2.2 Subespaços gerados

Dado um conjunto de vetores, o que resulta de todas as combinações lineares desses vetores
dados? Veremos que pode resultar em um espaço vetorial, por exemplo. Dado um conjunto
de vetores, será possível encontrar um subconjunto em que todas as combinações lineares dos
elementos desse subconjunto resultem no conjunto todo? Sim, é possível. A esse subconjunto
gerado damos o nome de subespaço gerado.
Considere V um espaço vetorial e X um subconjunto de V. O conjunto de todas as combi-
nações lineares a v,+O,V,+AV,+...+ A V,, de modo que v,, V,, V,,...,Vv, São elementos
de X, é um subespaço vetorial de V chamado de subespaço gerado por X — denotaremos por
S(X): [VU VFor VV...,V"] . Além disso, o subespaço S(X) é o menor subespaço de V que con-
tém o conjunto X, ou seja, para qualquer outro subespaço W de V, que contém X, temos que
W contém S(X). Se X é um subespaço vetorial de V, então S(X): [Link] V :S(X), então
dizemos que X é um conjunto de geradores de V; logo, todo vetor w e V pode ser escrito como
combinação linear de v,, V,, V,,...,V,, OU Seja, W= OLV, +OLV,+OV,+...+AV,-

Exemplo 2.17
No espaço vetorial R" , considere os seguintes vetores:
94 Álgebra linear

&; =(1,0,0,0,....0)
e,=(0,1,0,0,...,0)
e,=(0,0,1,0,...,0)

e,=(0,0,0,0,...,1)

Para qualquer vetor v =(a,,0,,0,,...,0, ) de Rº temos que v =0,e,+,e,+AV,+...+AV,,

então o conjunto formado pelos vetores e,, e,,...,e, gera o espaço R” . Chamamos os vetores
e,, 6,,...,e, de vetores canônicos de R" .

Exemplo 2.18
Determine se o conjunto dado gera o espaço Rº:
U= f(11),(01)
Gerar R? significa que qualquer vetor (x,y) do R?º pode ser escrito como combinação linear
dos vetores (1,1) e (0,1), precisamos encontrar a e b que satisfaçam às seguintes igualdades:

x=a
O sistema é í e precisamos encontrar a e b; temos a = x. Substituindo a = x na
y=a+b'

segunda igualdade, temosy =x +b; logo, b =y —x. Temos, então, (x,y)= x(11)+(y-x)(0,1),
portanto, qualquer vetor (xy) do R? pode ser escrito como combinação linear dos vetores (1,1)
€ (0,1). Desse modo, concluímos que U gera o Rº.
Pense em um vetor qualquer do R? ; ele pode ser escrito como combinação linear dos vetores
de U, segundo a igualdade (x,y)= x(1,1) +(y —x)(0,1). Por exemplo, o vetor (39, -190), substi-
tuindo x = 39 e y =—190 na igualdade temos: (39, — 190) = 39(1,1) + 151(01).
v=i(12),(24))
Para gerar Rº, qualquer vetor (xy) do R? pode ser escrito como combinação linear dos veto-
res de V, ou seja, precisamos encontrar a e b que satisfaçam às seguintes igualdades:

(x,y) = a(1,2)+b(2,4)
(x,y)=(a,2a)+(2b,4b)
(x,y):(a+2b,Za+4b)
 A descoberta dos espaços vetoriais 95

x=a+2b
O sistema associado é í y=2a44b" Multiplicando a primeira igualdade por 2, temos

2x=2a+4b . ; ; s
; subtraindo a segunda igualdade da primeira igualdade, temos 2x - y =0, porém,
y=2a+4b
a igualdade só é válida quando 2x = y, ou seja, não vale para quaisquer valores de x e y. Por
exemplo, o vetor (1,3) não pode ser escrito como combinação linear dos vetores (1,2) e (2,4); como
vimos, só é possível ser escrito como combinação linear para 2x = y, e em (1,3) temos que y = 3x.
Portanto, um vetor qualquer de (x,y) não pode ser escrito como combinação linear dos vetores
de V. Logo, R? não é gerado por V.
e weff10),(11),(13)
Vamos verificar se qualquer vetor (xy) do R? é escrito como combinação linear dos vetores
de W:

(x.y)=a(1,0)+ (1,0 b(1,1)+c(1,3)

(xy)=(a,0)+(b,b)+(c,3c)
(x,y):(a+b+c,b+3c)

x=a+b+c
O sistema associado é í « Buscamos encontrar a, b e c. Na segunda equação, temos
y=b+3c
que b = y — 3c; substituindo b = y — 3c na primeira e isolando a, temos a=x-y+[Link],
obtemos infinitas soluções, pois c pode assumir qualquer valor: (x.y) = (x — y + 20)(1,0) + (y — 3c)
(1,1) + c(1,3). Portanto, cada elemento do R? pode ser escrito de infinitas maneiras, como com-
binação linear dos vetores de W. Então, W gera R?.
Por exemplo, o vetor (—23, 18) pode ser escrito como combinação linear dos vetores (1,0), (1,1)
e(1,3):

(x/y)=(x-y+2c)(10)+(y-3c)(1,1) +c(1,3)
(-23,18) =(-23-18+ 2c)(1,0)+(18- 3c)(1,1) +c(1,3)
(-23,18)=(-41+2c)(1,0)+ (18-3c)(1,1) +c(1,3)

(—23, 18) pode ser escrito de infinitas maneiras como combinação linear dos vetores de W.
Veja alguns exemplos:

Com c=1; temos: (-2318) =(-41 + 2)(1,0)

+ (18 -3)(1,1)
+ (1,3) =-39(1,0)
+15(1,1) + (1,3)
9% Álgebra linear

Já com c =0; temos: (-2318) = (-41 + O)(1,0) + (18 - O)(1,1) + 0(1,3) =

—39(1,0) + 18(1,1) + O(1,3)

E também com c = -2; temos: (-23,18) = (-41 + 2 : 2)(1,0) + (18-3-

)(1,1) + (C2)(1,3) = A5(1,0) + 12(1,1) — 2(1,3)

Exemplo 2.19
No espaço vetorial R?, descreva geometricamente o conjunto S(X)= [( 1,2)] , ou seja, o subes-
paço gerado pelo vetor (1,2).
O subespaço gerado pelo vetor (1,2) compreende todas as combinações lineares do vetor (1,2),
ou seja,

(x y) a(1,2)
(xy) (a,2a)
Y"

No sistema í * :28 , substituindo x = a na segunda equação, temos y = 2x. De volta à igual-

W=20
dade, temos: (x,y):(a,Za): (x,2x).
O subespaço gerado pelo vetor (1,2) compreende todos os vetores com coordenadas (x,Zx),
ou seja, são todos os vetores múltiplos do vetor (1,2), ou seja, S(X) é a reta de equação y = 2x.

2.3 Bases
Nesta seção, vamos relacionar os conceitos de combinação linear, dependência linear e de
espaço gerado, pois é isso que precisamos para compreender bases. As bases caracterizam os
espaços vetoriais, elas dizem como é o espaço referente a elas e são um conjunto “simplificado”
no qual podemos trabalhar mais facilmente. Quando atribuímos uma base a um espaço vetorial,
estamos colocando um referencial no espaço; qualquer vetor pode ser escrito de maneira única
como combinação linear dos vetores da base.

231 Dependência linear

A dependência linear aparece na geometria analítica, que trabalha com os espaços bidimensio-
nais e tridimensionais. Com base nos estudos desse ramo da geometria, podemos entender, no
espaço bidimensional, que dois vetores são linearmente independentes se eles não são paralelos,
caso contrário, são linearmente dependentes. Em espaços tridimensionais, dois vetores são linear-
mente dependentes se são paralelos, caso contrário, são linearmente independentes; o conjunto
com três vetores é linearmente dependente se são paralelos a um mesmo plano, caso contrário,
são linearmente independentes. Logo, existe uma interpretação geométrica. Em álgebra linear,
 A descoberta dos espaços vetoriais — 97

a dependência linear deve ser válida para qualquer conjunto de vetores, e, como já vimos nos
capítulos anteriores, eles podem ser funções, polinômios, matrizes, enfim, diferentes objetos.
Considere V um espaço vetorial e X um subconjunto de V. Dizemos que X é linearmente
independente:
* sesótiver um elemento não nulo, ou seja, X=f(vJje v=0;
" setiver mais de um elemento, todo elemento v de X não é combinação linear dos demais
elementos de X.
Se X é linearmente independente, então seus elementos são vetores linearmente independentes.

Preste atenção!
Um conjunto X linearmente independente tem todos os seus elementos diferentes
do vetor nulo, pois o vetor nulo é a combinação linear de quaisquer outros vetores:
0=0Ov, +Ov, +Ov,+...+Ov,.

Considere um espaço vetorial V e um subconjunto X de V. Dizemos que X é linearmente

dependente se não for linearmente independente, ou seja, para algum vetor v de X ele é com-
binação linear dos demais vetores de X, ou X= íO;

Notação
Vamos usar LI para denotar linearmente independente e LD para denotar linearmente
dependente.

Teorema
Considere V um espaço vetorial. O conjunto X de V é LI se, e somente se, sendo
Vyr Vor VánV EX & QV +OL,V,+OAV,+...+A V,=0.
Então, a, =a, =0, =a,=0.

Teorema
Considere V um espaço vetorial. O conjunto X de V é LD se, e somente se, sendo
Vir Var Mariss
V EX E MV FV +OAW, F.. FV =0

Então, algum a, = 0.
98 Álgebralinear

Exemplo 2.20
Considere os conjuntos X = f(I,I,O),(l, 4 5),(3,6,5)# V= ((1 10),(1,2,3)(3,4, 5)?; vamos deter-
minar se são Ll ou LD.
Para o conjunto X temos:

a (1,1,0)-+a,(1,4,5)+a,(3 5)=(0,0,0)

D
( ,a,,0)+(c,,406,,5a, )+(30,,60,,50, )=(0,0,0)

(, + eh +3a,,0, +40, +60,,50, +5a,)=(0,0,0)

a +a, +3a,=0
a +40,+60, =0
S0,+5a,=0

A matriz associada ao sistema é a seguinte:

1130
460
550

Escalonando, temos:

Da segunda linha, temos que a,+a,=0;logo, a, =-a,. Da primeira linha, temos

a, +a, +3a, =0;substituindo a, = -a,, obtemos a, — a, +3a, O. Portanto, a,, =-2a0,. Assim,
temos infinitas soluções; para cada a, temos uma solução. Vamos escolher uma solução para
apresentar, por exemplo, a, = — 1. Temos a, =-a, = —(—] ) =1 ea,=-20,=-2(1) =2, que é uma
solução diferente da solução nula; então X é LD.
Para o conjunto Y, temos:

e (1,1,0)+a,(1,2,3)+a,(3,4,5)
=(0,0,0)
 A descoberta dos espaços vetoriais — 99

(a,,0,,0)+(05,20,,30
) +(30,,40,,50, )=(0,0,0)

(, + o + 30,,0, + 2o, +40,,30,+5a, )=(0,0,0)

0 + , +3A,=0
, + 20, +40,=0
3a,
+ 5Q,

A matriz do sistema é a seguinte:

1130
1240
0 35

Escalonando:

1130 1130 1130

1 24 OL,>-L+L 0 11 0 L,>-3L,+L, 0 11 O
0350 o0350 0020

Temos:

, +0,+3a,=0
, +a,=0
20,=0

Da última equação, temos que a., = 0 ; substituindo os dados na segunda igualdade, obtemos
a, =0 e por fim, substituindo na primeira, o resultado é , =0. O sistema admite somente a
solução nula. Portanto, Y é LI.

Exercício resolvido
Considere o espaço P, e os polinômios p(x)=x?-3xX2+5x+1, qlx)= xº-x2+6Xx+2 e
r(x)=x?-7x2+4x. Verifique se fp(x),q(x),r(x)) é LIouLD.
Resolução
Para verificarmos se o conjunto íp(x),q(x),r(x)) é LI ou LD, vamos montar a seguinte
equação:
A,Pp+aq+ar=0

a (Xt-3x2+5x+1)+a, (X-x2+6x+2)+a, (xi-7X2+4x)=0

100 — Álgebralinear

xº (, +o, +ot, )+x? (-3a, — o — 7a,

) + x(50, + 60,
+ 40 )+o, +20,
Então:

, +A,+A,=0
—3a, — a - 70,=0
50, + 60, +40,=0
a,+2a,=0

A matriz associada ao sistema e escalonando:

11 10 11 1 0 111 0
L, > 3L, +L,
s 1 -7 Q)/ * TTA T 240 L |0 1 -20
L, >-5L, +L; L 22
5 6 4 0 014 0/*?º 2/014 0
L, >-L, +L,
1 2 636 o0140 0140

11 1 0 11 10
01-20 01-20
L, >L,-L, L, >-L,+L,
0140 . 0010
0000 0000

Temos da matriz escalonada que:

, +0,+A,=0
, - 20,=0
a,=0

Substituindo a, =0O, na segunda equação temos que a, =0 . Substituindo a,

primeira equação, temos que a, =0 . Logo, o conjunto é LI.
Definição
Considere V um espaço vetorial. Um conjunto B de V linearmente independente
e que gera
V é chamado de base, logo, todo vetor v de V é escrito de maneira única como uma combi-
nação linear dos elementos de B.
Considerando B :ívl,vlv,,.,.,vn% e ve V, temos V=A V,+O,V,+OV,+... HA V,, E OS
escalares a,,0,,0,,...,0, são chamados de coordenadas de v na base B. Podemos escrever as
coordenadas como matriz coluna:
 A descoberta dos espaços vetoriais — 101

Exemplo 2.21
Vimos que os vetores canônicos em R",e =(1,0,0,0, .., 0), e, =(0, 1,0,0, ... 0) .. e, =(0,0,0,
O, ... 1), geram o espaço R" e que o conjunto íe, ,ez,e_,,...,e_; é LI. Então esse conjunto é uma
base para R" , chamada de base canônica de R" .

Exemplo 2.22
O subconjunto de P., formado pelos monômios íl,x,x 'X"? , é Ll e gera o espaço vetorial
P . logo, o conjunto il,x,xº, x“; é uma base para P. .

Exercício resolvido
Mostre que o conjunto íx* +Xx-1 X =x+1,Xº — ]3 é LI, porém, não é base para o espaço veto-
rial P,.
Resolução
Inicialmente, temos que mostrar que o conjunto dado é LI:

al(x*+x71)+a3(xªfx+1)+oc.._ xº-1)=0
LX +OA XA +OAX - AJX+OZ+AX?
-A =0
QX +AXt+AX2A+(0A-A )XA +A, -A =0

Da igualdade de polinômios, temos:

Das equações apresentadas, temos que a,

Logo,íxª«»xf], x'fx+1,xºf]%éLI
102 Álgebralinear

Para mostrar que o conjunto não é base, e como é LI, vamos mostrar que ele não gera o espaço
P, . Seja p(x)=a, +a,x+a,x?+a,xt+a,x' um polinômio qualquer de P, , escrevendo p(x) como
combinação linear dos vetores de (xª +x-1 X -x+1Xº- 1) , temos:

p(x) (x*+xf1)+b(xº—x+1)+c(xªf])
a, +ax+a,x +axº+ax'=ax'+ax-a+bx-bx+b+eox? c
a +ax+a,xº +ax'+ax'=-a-c+(a-b)kx+ox2+bxi+ax'

Da igualdade de polinômios, temos:

Substituindo a, =a, a, =c na primeira equação, temos a, =-a, - a, Substituindo a, = b e

a,= a na segunda equação, temos a, =a, -a, . Logo, os termos a, e a, são dependem dos
valores de a,,a, e a,, então não podemos escrever qualquer polinômio de P, como uma com-
binação linear dos vetores íxª +x-1 X =x+1Xº— 13, pois a combinação linear só é possível
para os vetores que satisfazem as condições a, a,-a, e a,=-a,-a, Portanto, o conjunto
dado não gera o espaço vetorial P,.

Exemplo 2.23
No Exemplo 2.18, vimos que o conjuntoW = ((1,0),(1,1),(1,3)) gera o espaço vetorial R?. Mostre
que W é LD.

a(1,0)+b(1,1)+c(1,3)=(0,0)
(a,0)+(b,b)+(c,3c)=(0,0)
(a+b+c,b+3c)=(0,0)

a+b+c=0
O sistema é ; da segunda equação, temos b = —3c, substituindo b = —-3c na pri-
b+3c=0

meira equação, temos a -3c + c = 0, logo, a = 2c. Portanto, temos infinitas soluções. Vamos
escolher uma diferente da nula, c = 2, substituindo c = 2 na primeira equação, temos b = -6 e
a =4, Logo, a solução é não nula, então o conjunto W é LD.
 A descoberta dos espaços vetoriais — 103

Preste atenção!
Nem todo conjunto que é L1 é base e nem todo conjunto que gera um espaço vetorial é base!

Exercício resolvido
Represente na forma de matriz o vetor u=(3,4,5) nas bases C = í(l,0,0),(O, 1,0),(0,0,1)) e
B=((1,1,0),(0,1,0)(1,0,1))
Resolução
Vamos determinar as coordenadas de u nas duas bases, primeiro para base C:

u=a(1,0,0)+ b(0,1,0)+c(0,0,1)
(3,4,5)=(a,b,c)
Logo, as coordenadas de u na base C são (34,5), pois u=3(1,0,0)+4(0,1,0) +5(0,0,1).

3
Y"
s

me

Em relação à base B, temos:

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

u=(a,a,0)+(0,b,0)+(c,0,c)

(3,4,5)=(a+ca+b, c)

O sistema correspondente é o seguinte:

a+c=3
a+b=4
ce=5

Substituindo a terceira igualdade, c = 5, na primeira equação, temos que a + 5 = 3, logo,

a = -2. Substituindo a = 2 na segunda equação temos -2 + b = 4, então b =6.
104 — Álgebralinear

Logo, temos que u=-2(1,1,0)+6(0,1,0)+ 5(1,0,1), portanto, as coordenadas de u na base

Bsão (2,6,5).

Preste atenção!
A ordem dos elementos da base reflete nas coordenadas e, consequentemente, na matriz,
por isso quando escrevermos a base estaremos considerando a ordem.

Teorema
Seja V um espaço vetorial gerado pelos vetores v,,V,,V,,...,V,, então qualquer conjunto, em
V, com mais de n vetores, é LD, portanto, qualquer conjunto LI tem no máximo n vetores.

Corolário
Seja V um espaço vetorial, se uma base de V tem n elementos, então qualquer base de V terá
n elementos.
Demonstração
Seja uma base B, = fvl,vl,...,vn) de V , considere uma outra base de V, B, U U Uh)
então B, gera V e B, é LI, então, conforme o teorema anterior, temos que n< m, também B,
gera V e B, é LI; então, temos que m < n, logo, m=n
Seabase B= ív, VaiVaro ,,vn) do espaço vetorial V tem um número finito de elementos, n,
dizemos que V tem dimensão finita e chamamos o número n de dimensão do espaço V - deno-
tamos por dimV. O espaço vetorial V= íO; tem dimensão zero.

Exemplo 2.24
O espaço vetorial M(m x n) das matrizes de ordem m x n tem dimensão finita m - n. O espaço
P, dos polinômios de ordem menor ou igual a n tem dimensão finitaiguala n+1.

Teorema
Seja V um espaço vetorial de dimensão finita n, qualquer conjunto X linearmente indepen-
dente de V pode ser completado para formar uma base de V.
 A descoberta dos espaços vetoriais 105

Demonstração
Temos o conjunto X = ívW Vues .,vm) LIlem Ve dimV =n, conforme o último teorema apre-
sentado, temos que m < n.. Se X gera V, então X é base. Se X não gera V, isto é, se existe um vetor
w, e V, tal que w não é combinação linear dos vetores de X, w, € [v,,vz, ,,vm] , portanto,
Xx :(v',vº,..,vm,w'; é um conjunto LI. Então, se X, gera V, X, é uma base de V. Se X, não
gera V, então existe um vetor w, de V que não é escrito como combinação linear dos vetores
de X,, ou seja, W, € [Vl,vª. w'],ponanto, Xlzív,,vz,...vm,wl,wlª é um conjunto LI.
Desse modo, se esse conjunto gera V, ele é uma base, caso contrário, podemos repetir o processo,
que é finito, pois m < n, ou seja, não tem mais do que n elementos.
Como consequência do último teorema apresentado, temos que, se V é um espaço vetorial
de dimensão n, qualquer conjunto LI com n elementos forma uma base de V.

Exemplo 2.25
Considere o conjunto f(1,1,0), (1,2,3),(3,4,5)) . Vimos que é um conjunto LI no espaço R
que é um espaço vetorial de dimensão 3, portanto, o conjunto í(l,l,O), (1,2,3),(3, 4,5)) , com
3 vetores, é uma base para R*.
Podemos relacionar o posto de uma matriz com a dependência linear, a base e os subespaços
gerados. Se, em um conjunto de vetores ivl,vª,vª,...v“;, suponhamos que v, tem a i-ésima
coordenada diferente de zero e os demais vetores do conjunto, v,,v, v, tem esta i-ésima
coordenada nula, então o vetor v, não pode ser escrito como combinação linear dos demais.
O subconjunto de ív,,vz,vg, .v"ã, formado por vetores não nulos tais que, se cada um dos
vetores tem uma coordenada diferente de zero e a mesma coordenada for zero nos demais veto-
res, então o subconjunto será LI. Em termos de matrizes, deixar a matriz na forma escalonada
corresponde a colocar os vetores em linha e escalonar. Na matriz escalonada, as linhas não nulas
formam um conjunto L. Seja V um espaço vetorial de dimensão finita, então todo conjunto X
gerador de V contém uma base. Se um conjunto de vetores gera um espaço vetorial, esses vetores
colocados em linha de uma matriz, ao serem escalonados, resultam, com as linhas não nulas,
em um conjunto também gerador e, como vimos, LI, portanto, uma base para o espaço vetorial.
O posto, que é o número de linhas não nulas, é a dimensão do espaço vetorial.

Exemplo 2.26
Seja V= [(1,3,—2,0),(4,3, 1,1),[3,0,0,3)] < R', vamos encontrar uma base para V. Para isso,
considere a matriz, cujas linhas são os vetores (1,3,-2,0),(4,3,1,1) e (3,0,0,3):
ousoS

wmso
S=b
NS
106 Álgebra linear

Escalonando, temos a seguinte matriz:

1 320
0-9 91
o 032

O conjunto ((1 3, —2,0),(0,—9, 9,1),(0,0,-3, 2)% é uma base para V, logo, dimV=3.
Por exemplo, vamos usar escalonamento para determinar se um conjunto é LI, ou LD:
* Considere o conjunto ((1,3,4),(2, 5,—1),(2,4,40); ; temos a matriz:

13 4
5 A
2 4 -10

Escalonando a matriz, temos:

1 3 4
o 1 -
0 0 0

Como há uma linha nula, isso significa que o vetor correspondente a ela é a combinação
linear dos outros dois vetores, pois escalonar é operar com as linhas, isto é, vetores. Portanto,
o conjunto é LD e o conjunto dos vetores resultantes, exceto o nulo; [((1,34), (0, , —9)) é LI.

Exemplo 2.27
Considere o conjunto W = ((1,0),(1,1),(1,3)) . Vimos no Exemplo 2.18 que W gera o R; tam-
bém vimos no Exemplo 2.23 que W é LD. A partir de W, vamos encontrar uma base para R?.
Montando a matriz dos vetores e escalonando, temos:

10h a= 10
—L,+
1 1/ 2 ? T% o 1 Lo3L+L,0 1
Lulh 2
É d= o 0

Escalonando novamente, temos que ((0,1),(1,0)] é base de R? . Como, na forma escalonada a

matriz apresenta uma linha nula, isso significa que o conjunto original f(l,D),(l,]),(l,S); é
LD, como já sabemos.

Teorema
Seja V um espaço vetorial de dimensão finita n, todo subespaço vetorial de V tem dimen-
são finita menor ou igual a n. Se a dimensão de um subespaço W de V é n,então V= W.
 A descoberta dos espaços vetoriais — 107

Teorema
Sejam V um espaço vetorial de dimensão finita n, U e W subespaços vetoriais de V , então
dim(U+W)=dimU
+dim W-dim(UnW).

Esses dois últimos teoremas apresentados relacionam espaços e subespaços com suas dimen-
sões. Para saber a dimensão de um espaço, podemos usar a dimensão de subespaços; vejamos
alguns exemplos.

Exercício resolvido
Sejam os subespaços de R* : U = [(1, 0, 0, 1), (0,1,0, 0)) e V=[(x, y, 2 t) € Ri/x+z=0). Qual é
a dimensão de U+V e UM V ?
Resolução
Vamos primeiramente determinar a dimensão de U = [(1, 0, 0, 1), (0, 1,0, 0)). Como U é gerado
por ((1, 0, O0, 1), (O, 1, O, O)), precisamos mostrar que esse conjunto é LI, de fato:

a (1,0,0,1)+b(01,0,/0)=(0,0,0,0)
(a, O,0, a) +(0,b, 0,0)=(0,0,0, 0)
(a, b, 0, a) =(0,0,0, O)

A única solução é a nula, a = b = 0, portanto, ((1, O, O, 1), (0, 1, 0, 0)) gera U e é LI, então
1(1, 0, 0, 1), (0, 1, O, O)) é uma base para U, pois apresenta dois vetores a dim U = 2. Poderíamos
ter usado o método da matriz escalonada para verificar que o conjunto é LI, pois colocando
os dois vetores em linha, temos uma matriz já na forma escalonada, então os vetores formam
um conjunto LI. Para o subespaço V = ((x,y,z,t)e R/x+z= O), da condição x + z = O, temos
z=—x. Então, V é o subespaço vetorial formado por todos os vetores de R* da forma (x, y, x 1)
Podemos escrevê-los da seguinte maneira:

(x y x t =x(10,-1,
0) +y (0, 1,0,0)
+t (0,0,0,1)

Temos que 1(1, 0, x1, O), (0, 1, 0, O), (0, 0, O0, 1)) gera o subespaço V. Colocando os vetores em
linhas, temos:

A matriz já está na forma escalonada, então o conjunto é LI. Poderíamos ter resolvido por
sistema a (1, O, 1, 0) + b (O0, 1, 0, 0) + c (0, 0, O, 1) =(0, 0, 0, O) e concluiríamos que a única solução é
108 — Álgebralinear

a=b=c=0;logo, o conjunto é LI. Portanto, ((1, 0, -1, O), (0, 1, 0, O), (0, 0, 0, 1)) é base para V, e
como tem 3 elementos, então V tem dimensão 3.
Para o subespaço U + V, que é gerado pela união dos geradores de U e de V, temos, então, que
U+V=((1,0,0 1), (1,0,1, O), (0, 1, 0, O), (0, 0, 0, 1)). Vamos determinar se ((1, 0, 0,1), (1,0,-1, O),
(0, 1, 0, O), (0, 0, 0, ) é Ll ou LD.

a(1,0,0,1)+ b(1,0,-1,0)+c(0,1,0,0)+d(0,0,0,1) =(0,0,0,0)

(a+b,c,-b,a+d)=(0,0,0,0)

a+b=0
c=0
—b=0
a+d=0

Logo, a única solução é a nula, a =b = c= d = 0, o que implica ((1, 0, 0, 1), (1, 0, -1, O),
(0,1,0, O), (0, 0, 0, 1)) e, como também gera o subespaço U+V, então é uma base. Concluímos que
a dimensão de U + V é 4, pois a base tem 4 elementos. Do último teorema apresentado, temos:

dim(U + V )=dim U+ dim V -dim(Un V)

4=2+3-dim(UnV)
dim(Un V)=1

Pense a respeito
O texto Mudanças de coordenadas em sistemas de cores apresenta de forma clara e objetiva o
sistema de cores e como realizar mudanças nesse sistema, além de apresentar aplicações
da mudança de coordenadas.

MOREIRA, B. T; MACEDO, E. A. A. Mudanças de coordenadas em sistemas de cores.

Disponível em: <http;//[Link]/gaal/aplicacoes/sistemas
de coordenadas.
de [Link]>, Acesso em: 19 ago. 2016.

2.3.2 Mudança de base

Considere V um espaço vetorial, e:
 A descoberta dos espaços vetoriais — 109

B= íu,,ul,ul,...,u") como base de V; então, se v é um elemento de V, v pode ser escrito

como:

V=X/U +XW+XU,+LHFXU,

Na forma de matrizes, podemos escrever:

B= íw, AWyfWajo .wn; é outra base de V, então também podemos escrever v como:

VS VW YWNA AMNA TE VW

Também podemos escrever os elementos de B,, que são elementos de V, como uma combi-
nação linear dos elementos de B :

wl :ªnux +ª3|u2 tº ªJl

+..+au,
W3 =a,U, +a,uU, +au, p tT açu,

W; =A,U, HA U, +Aagu, +...taU,

ETA HA U AAA

Substituindo os dados em:

VEYAN, ANA VN
Ac W
110 — Álgebralinear

Temos:

Vv=VY,(au, +au, +a u( +...+a,u,)+...+y,(aU +aU, +aUu, +...+au,

Reorganizando a equação, escrevemos:

(any,+a, +u+aY, )U +os+(ay, +ay,+otany, )U

Sabemos que v é escrito de maneira única como uma combinação linear da base B, então,
temos que:

VeX U +RNVAN, FAA

=(anY, +apYa tsa )U to lan taaa F taa )s

Logo:

X =AanY, +Aapyy7+..-+Ary,
AY, FAY2 t. FtAaxY,

Em termos de matrizes, temos:

* 9 Apes A Y
* Ax ||Y

X An dlY,

Em termos das bases, escrevemos:

F= D,

au ªl: " aln

8 |a x| ; z
De modo que [l]n S ?” | é chamada de matriz de mudança de base, no caso da

a a,

base B, para a base B, ou seja, qualquer vetor escrito na base B, com a matriz de mudança de
base, pode ser escrito, mais facilmente, na base B.
 A descoberta dos espaços vetoriais 11

Exercício resolvido
Considerando o espaço vetorial R?, e as bases B= í(l,Z),(l,O)Í é B;= [(3,1),(4,5)% , escreva a
matriz de mudança da base B para B, e a matriz de mudança da base B, para B. Utilizando
as matrizes, escreva o vetor (7,2)n na base B, e o vetor (6,2)n na base B
Resolução
B
Para escrever a matriz de mudança da base B para B,, [I]“ , Vamos escrever os vetores da
base B como uma combinação linear dos vetores da base B, :

(1,2)=a(3,1)+ b(4,5)

(1.0)=c(31):-d(4,5)
Resolvendo as equações, temos que:

(12)=221):É(45)
3
1,2)==(3,1)+
5165
—(4,5

(10)=É(a1)-L(45)
5 L.
1,0)==(3,1)-—(4,5
&

B 5
Então, [l]": un ,ovetor(7,2)[ na base B, é:
ih |5
u a
=8 S "
u u 71A
su 1lbrls
u

; s;
Agora, para a matriz de mudança de base B, para B, [I]B , Vamos escrever os vetores da
base B, como uma combinação linear dos vetores da base B:

(31)=a(1,2)+b(1,0)

(4,5)=c(1,2)+d(1,0)
112 Álgebralinear

Resolvendo, temos que:

15
Então, [l]n s = Él5 32 ;ovetor (6,2),, nabase B é:
2 &
15
2 2|[6] [8
5 3 / 2) |&
22

Vimos que, sendo as bases B e B, de um espaço vetorial V, temos:

[ =[ D,
Fs , s -
A matriz de mudança de base Ll]" é inversível, então, temos:

() t, () DP ,

() , =5
sc su Vi
Entãoa matrizinversade LIJ“" é amatrizde mudançadebase B para B, , ouseja, ([IJ"* ) :[I]“ :
F s s

Exemplo 2.28
Considere o plano cartesiano e a base canônica ãel 3 eá = í(l 0),(0, 1); , Sejam os vetores u e v,
obtidos da rotação dos vetores e, e e, como indicado na figura a seguir.
 A descoberta dos espaços vetoriais 113

Figura 2.8 - Rotação no plano

Na figura apresentada, temos as bases B= íª: ,eà eB,= ff' ,fà Vamos escrever a matriz de
mudança de base B para B, ; para isso, vamos escrever os vetores da base canônica como uma
combinação linear dos vetores f, e £ .

Figura 2.9 - Mudança de base

/oX N e / /
/

/ R

Lembrando o conteúdo de geometria analítica, o comprimento do vetor e, é e, =/12+02=1

E observe o triângulo OAB, temos que o cos( IOAII e sen l ” , de modo que AO e AB
el FE
são vetores. Logo, cos(6) IIOAI]
= esen(o)=
IIAB" também temos que e, = OA + AB, de modo que
AOé múltiplo de f, e AB é múltiplo de £,. Portanto, e, 7||0A|| I £ = cos(0 )f - sen(o)£.
Observe que o sinal negativo em f,, vem do fato de que o vetor AB é oposto ao vetor f,.
114 Álgebralinear

Figura 2.10 - Rotação dos eixos

Analogamente, para e,, temos que e, = HDCIIfI +HOD f£, = sen(6)f, + cos(6)L.
Então:

e, =cos(6)f, -sen(6)L,

e, =sen(9)f + cos(6)f,

Portanto, a matriz de mudança de base é a seguinte:

ss :í cos(o) sen(e)J
-sen(e) cos(6)

Essa matriz é chamada de matriz de rotação do plano.

Pense a respeito
Você pode utilizar o software GeoGebra para fazer os vetores das bases e observar o que
está acontecendo geometricamente, ou seja, mudar o referencial. Esse software é livre fácil
de ser utilizado e apresenta versão em português. Além disso, há conteúdos de álgebra e
geometria, assim, é possível acompanhar os dois processos.:

GEOGEBRA. Disponível em: <[Link] Acesso em: 19 ago.

2016.
 A descoberta dos espaços vetoriais — 115

Síntese
Neste capítulo, você aprendeu sobre o ambiente principal dos estudos de álgebra linear,
os espaços vetoriais e, junto com eles, os subespaços vetoriais, que preservam as pro-
priedades do espaço maior. Conheceu os vetores e quando temos conjuntos linearmente
independentes e dependentes, para entender o que é uma base de um espaço vetorial, e
relacionou os vetores com as matrizes. A importância da base está no fato de esta ser um
conjunto pequeno, mas que gera e caracteriza um espaço todo, é um referencial, ou seja,
qualquer vetor do espaço pode ser escrito como uma combinação linear dos vetores da
base. Mudar a base é mudar a referência.

Atividades de autoavaliação
1) Indique se as afirmações são verdadeiras (V) ou falsas (F):
() O vetor w =(1,2,1) pertence ao subespaço gerado por u=(3,4,5) e v=(5,3,4).
() Se Xc Y , então o subespaço gerado por X está contido no subespaço gerado por Y.
() O conjunto X das matrizes de ordem 2x3, nas quais uma coluna qualquer é
formada por elementos iguais, é um subespaço vetorial.
() Qualquer vetor de R? pode ser escrito como uma combinação linear dos vetores
u=(1,-2) e v=(-5,10).
Assinale a alternativa que corresponde à sequência correta:
aFEVEF
[Link]
E VVEEM
d. VE V,V.F.

2) Assinale a afirmativa correta:

a. O conjunto X € Rº , formado pelos vetores u=(x,y,z), sendo que x=32z e z=2y, é

um subespaço vetorial.
10//01 00 . :
b. As matrizes & ' ê o formam um conjunto linearmente dependente.
o1 1
c. Uma base para o subespaço A € Rº formado pelos vetores (x,y,z,w), sendo que
x=y=z=w, é ((1,11,1).
d. A dimensão do subespaço vetorial Bc R* é 4, de modo que B é formado pelos
vetores (x,y,z,w)e R* sendo que x=y ez=w.
116 Álgebra linear

3) Analise as afirmações a seguir e indique se são verdadeiras (V) ou falsas (F):

() O conjunto X= íZx,xº +1,XxX+1Xº - 1), sendo que XCP,, é LI.
() Se o conjunto gu,v,w) é LI, então g[u+v73w),(u+ 3v7w),(v+ w); éLD.
() O conjunto ((0 2,2),(0, 4,1)) é uma base para o subespaço X formado por
todos os vetores v de R*, de modo que a primeira coordenada é zero, ou seja,
. í(x,y,z)el]&“/ X:Oã,
() O conjunto de todas as matrizes diagonais de ordem n xn não é um subespaço
vetorial de M(nxn).

Assinale a alternativa que corresponde a sequência obtida:

a. V VEV
EE EV
GVWVEF.
d.E V VF

4) Considere os subespaços vetoriais U = í(x,y,z)e R/x :0; e V= [(1,2,0),(0,75,2)] õ

Assinale a afirmativa correta:
a. A dimensão de U é 3.
b. A dimensão de Um V é 2.
c. =USV.
d. í(O,*S,Z)Í é uma base de Un V.

5) Quais dos conjuntos a seguir representam uma base para o espaço vetorial
=í(x,y,z)€ R/ x+z:0) r
a. ((1,0, 1),(0,1,0))
b. ((1,0,1)(11,1) (0,0,1))
. (1,00)(11,1))
d. ((1,1,0)(0, —-1,0) (0,0,1)

Atividades de aprendizagem
Questões para reflexão

1) Quais são os subespaços gerados por um vetor v qualquer de Rº ? Descreva-os geometri-

camente. E quais são os subespaços gerados por dois vetores L1 de Rº? Qual é o espaço
gerado por dois vetores LI no espaço R', e como ele é representado geometricamente?

2) Utilizando o software GeoGebra, faça o que se pede:

a. Desenhe os vetores (1,0) e (0,1). Utilize a ferramenta vetor, como exemplo, o vetor (1,0),
para desenhar. Para isso, você precisa clicar na origem, no caso, (0,0), e, depois, na
extremidade, no caso, (0,1).
 A descoberta dos espaços vetoriais — 117

b. Desenhe um vetor qualquer com origem no (0,0).

€. Faça a rotação em torno da origem do vetor que você criou; para isso, utilize a
ferramenta rotação em torno de um ponto: clique primeiro no vetor que você criou e
depois na origem. Aparecerá uma janela pedindo o ângulo: digite 90º. Aparecerá o
vetor resultante da rotação.
d. Mostre que o conjunto formado pelo vetor que você criou e o vetor resultante da
rotação formam uma base para R? . Para isso, utilize as coordenadas que aparecem
na janela álgebra.
e. Se, em vez de fazer uma rotação de 90º, você fizesse uma rotação de um ângulo
qualquer, o conjunto formado por eles é uma base para Rº ? Você saberia explicar sua
resposta anterior?

Atividade aplicada: prática

1) Pesquise sobre mudança de referencial na física e escreva sobre a relação desta com os
estudos de mudança de base.
Neste capítulo, vamos estudar uma função especial, chamada de trans ormação linear. Veremos
suas propriedades e os diversos espaços em que podemos definir a transformação. Vamos
relacionar as transformações lineares com matrizes, as quai: ão importantes, poi ão funções
que preservam algumas propriedades. Assim, podemos chegar a resultados importantes sobre
espaços vetoriais utilizando as transformações. Um exemplo de transformação linear no plano
é a rotação em torno da origem.
Transformações lineares

3.1 Definição
Sejam v e U espaços vetoriais, a relação T: V > U, que associa a cada vetor ve V um vetor
T(v)e U e que chamamos de imagem de v pela transformação T, é uma transformação linear
Se são válidas as igualdades a seguir para todo v,,v,ôV e ae R
* T(v,+v,)=T(v,)+T(v,)
“ T(av,))=aT(v,)
Considere U e V espaços vetoriais e T: V >U uma transformação linear. Temos 0 e V e
O e U, pois os conjuntos são espaços vetoriais, e de acordo com o primeiro item da transforma-
ção linear temos que T(0 + 0) = T(0) + T(0), logo, T(0) = 2T(0). Portanto, T(0) = O. Agora, sejam
V Var Var..,V, Vetores de V e ,,0,,0,,...,d, números reais, utilizando a definição de
transformação linear, temos:

T(OV, +O4V, +OQV, .2Q V, )= Tlov, )+ T(0,V,+O,+...+OV, )

=0 T(v, )+ (04V,+OV,+:..+OV, )
Utilizando por diversas vezes a definição de transformação linear, concluímos que:

T(a,V, +OV, +OAV,+...+A V, )= o T(v, )+a,T(v,)+ +a, T(v,)

Preste atenção!
Se T(0)=0, então T não é transformação linear, ou seja, a imagem do vetor nulo deve ser
o vetor nulo! Mas tenha cuidado, pois nem sempre que temos T(0) = O se trata de uma
transformação linear! Veja os exemplos!

Exemplo 3.1
Seja T: Rº — Rº definidapor T(x,y,z)=(x,x-y), determinese T é uma transformação linear.
120 — Álgebralinear

Primeiramente, vamos calcular T(0,0,0)=(0,0-0)=(0,0) . Como T leva vetor nulo, não

podemos afirmar que T seja uma transformação linear, é preciso demonstrar as propriedades.
Considere u=(x,y,z) e v=(x,,y,,Z,); temos:

T(u+v)=T(x+x,,y+y,,z+z,):(x+x,,(x+x, (y+y, )
(x+x xx YY )alA x y+x y, alx ax=y )a y, )=T(u)+T(v)

T(au)=T(ax,ay,0z)=(ax,ax-ay)=a(x,x-y)=aT(u)

Logo, T é uma transformação linear.

Exemplo 3.2

Seja T: M (2 x2)— R definidapor T[[ª l;]]: ad — bc . Determine se T é uma transformação

c

linear.

o o
Calculando T[[O ÚD =0-0-0:0=0, não podemos dizer que T é uma transformação linear.

Vamos ver que T não é uma transformação linear. Sejam duas matrizes:

a=/º Pjgzja d
c d c d,

T(A+B)=T[[ª *'Hªl b']]:T[[ªHª b+b'D:(a+a')(d+d,)f(b+b])(c+cl)

c+c, d+d,

T(A)+T(B)= T[[Í ZD»r T[[Í' Zl D: ad-bc+ad,-bye,

Logo, T não é uma transformação linear.

 Transformações lineares — 121

Exemplo 3.3
Seja T: Rº >Rº definida por T(x,y,2)=(x,y+1,x+z+2), determine se T é uma transfor-
mação linear.
Calculando T(0,0,0) (0,0+1,0+0+2)=(0,1,2)=(0,0,0). Logo, T não é uma transforma-
ção linear.
Os exemplos anteriores mostram que podemos usar o fato de demonstrar T(0)=0 para dizer
que uma transformação não é linear. Contudo, se T(0)=0, não podemos dizer que se trata de
uma transformação linear. Vimos nos exemplos que isso não ser confirmado.
As transformações lineares são funções, desse modo, podemos realizar operações entre
elas. Vamos estudar a soma de duas transformações e o produto de um número real por uma
transformação linear. Para isso, considere T, : V >U e T,: V >U como duas transformações
lineares e a um número real. Definiremos as seguintes transformações lineares:
* T+T:V->U,dadopor (T +T))(v)=T (v)+TL(v).
aT, : V > U, dado por ([Link] )Jvu=aT, (v)
Vamos definir também as seguintes transformações lineares:
Transformação linear nula T, : V > U, de modo que T,(v)=0.
Dada uma transformação linear T: V > U, a transformação linear -T: V > U é tal que
(-T)(v)=-T(v) ; logo, temos (-T)+T=0.
Observe que, com as operações de soma de transformações lineares e multiplicação de um
número real por uma transformação linear, podemos dizer que o conjunto formado por todas
as transformações lineares de V em U é um espaço vetorial, que denotaremos por L (V;U).
Além disso, com a transformação nula e a transformação —T, identificamos o elemento neutro
e o inverso aditivo. As transformações lineares do tipo T: V — V são chamadas de operadores
lineares em V. E as transformações lineares do tipo T: V >R, são chamadas de funcionais
lineares. Denotamos por V' o conjunto L (V;]R) e chamamos esse conjunto de espaço vetorial
dual de V.

Teorema
Considere os espaços vetoriais V e U, uma base B= ív,,vz,vy.. .,v") de V eos vetores,
aleatórios, u, U U,,..., , que pertencem a U. Então, existe apenas uma transformação
linear T:
V > U, de modo que T(v, )=u,, T(v.)=u,, T(v,)=u,,.. T(v, )=u

Observação: logo, se v =a,Vv, +a,V,+...+a,v,,de modo que a, é um número real, é v um

elemento de V ; podemos escrever do seguinte modo:

T(v)=a T(v,)+a,T(v,)+...+a, T(v,)

= U +OU, F.. FA U,
122 Álgebralinear

Exercício resolvido
Considere T : Rº > Rº uma transformação linear. Sabendo que T(1,1):(2,71) eT(1,0)=(1,3)
determine T(x,y).
Resolução
Observe que í( 11),( 1,0)) é uma base de R? . O teorema diz que existe uma única transfor-
mação T que satisfaça as condições T(1,1)=(2,-1) e T(1,0)=(1,3). Considerando um vetor
qualquer (x, y ), vamos escrevê-lo como uma combinação linear dos vetores da base f(l 1),(1 0))
Para isso, encontraremos números reais a e b, de modo que:

(x,y)= a(11)+b(10)
(x y)=(a,a)+(b,0)
(x.y)=(a+b,a+0)=(a+b,a)

O sistema associado é o seguinte:

x=a+b
ss

Substituindo os dados da segunda equação na primeira, temos x=y+b;logo b=x-y.

Substituindo a=y e b=x-y em (x,y)=a(1,1)+ b(1,0), temos:

(xy)=y(11)+(x-y)(L0)

T(x.y)= T(y(11)+(x-y)(1,0))

pelo primeiro item da definição de transformação linear:

T(xy)=T(y(11)):+ T((x-y)(10))
pelo segundo item da definição de transformação linear:

T(x.y)=yT(1,1,)+(x-y)T(1,0)

das informações dadas:

T(xy)=y(2-1)+(x- y)(LO)
T(xy)=(2y7y)+(x- y,0)=(2y+x-y,0-y)
T(xy)=(x+y,-y)
 Transformações lineares — 123

A resolução anterior é o passo a passo da observação que está no teorema.

Dessa maneira, conseguimos encontrar a transformação linear, conhecendo o que ela faz nos
vetores de uma base, por exemplo. Sabemos que a base caracteriza todo o espaço vetorial, qual-
quer vetor do espaço é escrito como uma combinação linear dos vetores da base; se conhecermos
o que a transformação linear faz com a base, em que ponto ela leva a base, então saberemos o
que ela faz com os demais vetores.

3.2 Composição de transformações lineares

Sejam T:V— >U e T:U->W transformações lineares de modo que o domínio de T, é o
mesmo que o contradomínio de T, então o produto TT: V >W é uma transformação linear
em que, para cada v em V, tem-se (T,T)(v)=T(T,(v)). A transformação linear TT é a com-
posta T, e T das funções T, e T.

Figura 3.1 - Transformação linear TT

v Ed, yu dp w
V

TE1

Preste atenção!
Lembre-se de que as transformações lineares são funções, logo, valem as propriedades de
funções.

3.21 Propriedades
Sejam T: VSU, T:U>W e T,: W—Z transformações lineares, temos então:
* (LT)T=T(TT)
* (T+T)T=TT+TT.
* T(aT)=a(T,T) para qualquer ac R.
.T =T ,de modo que 1, é a identidade em V, ou seja, é a transformação linear 1, : V > V,
L(v)=v.
“ I,T=T,demodo que l, é a identidade em U, ou seja, é a transformação linear 1, : U> U
, L (u)=u.
TL(T+T)=LT+TT.
124 Álgebra linear

Exemplo 3.4
Considere as transformações lineares T : RRR e T,: R> R, definidas por T (x,y)=x+y
e L(x)=2x.O produto T:R>R será LT (x,y)=TL(T(xy))=L(x+y)=2(x+y)

Exercício resolvido
Dados os operadores linear T,T.: R+>R, de modo que: T (x,y)=(x,-y) e L(x.y)=(yx).
Determine as expressões dos operadores lineares TT,, LT, Tr=TT, R eT+L.
Resolução
Vamos determinar as seguintes expressões:

TE(xy)=T(T(xy))=T(yx)=(y—x)

LT (xy)=TL(T(xy))=TL(x-y)=(-yx)

Ti(xy)=TT(xy)=T(T(xy))=T(x-y)=(xy)

TV(xy)=TLL(xy)=TL(yx)=(xy)

T (xy)+L(xy)=(xy)+(yx)=(xoy,<y+x)
Observe que, geometricamente, T, é a reflexão em relação à reta y =0, T, é a reflexão em
relação à reta y = x. Você conseguiria descrever geometricamente as demais transformações
lineares? Atribua valores e veja o que acontece!

3.3 Núcleo e imagem

Nas próximas seções, você vai conhecer dois conjuntos muito importantes: o núcleo e a imagem
de uma transformação linear. A importância deve-se ao fato de esses conjuntos descreverem
e trazerem informações sobre a transformação. Você verá como relacionar tais conjuntos com
determinadas propriedades das transformações lineares.

3.31 Imagem de uma transformação linear

Dada a transformação linear T: V >U , a imagem de T, Im(T), é o conjunto de todos os
vetores ue U, de modo que exista ve V satisfazendo T(v)=u. Pela definição de trans-
formação linear, temos que Im(T)<U . Também temos que Im(T) é um subespaço veto-
rial de U, de fato, da definição, se u,,u, e Im (T) então existem v,,v, e V, de modo que
 Transformações lineares 125

T(v,)=u, eT(v,)=u,,T(v,)+T(v,)=u, +u, ; logo, da definição de transformação linear,

uj+u, =T(v,)+T(v, )= T(v,+v,). Assim, para u +u, eU existe v, +v, e V, de modo que
T(v,+v,)= u+u,, então u,+u, pertence à imagem de T. Temos também que
au, =aT(v, )=T(ov, ), a última igualdade que vem da definição de transformação linear.
Portanto, para au, € U existe av, e V, de modo que T(av1)= au, ,logo, au, e Im(T)
Considere T: V > U uma transformação linear. Quando para todo elemento u e U podemos
encontrar v e V, de modo que T(v)=u, logo, Im(T) dizemos que T é sobrejetora.
Considere uma transformação linear T: V — U; ela é dita injetora se v, ,v, eVeT(v,)= T(v: )
Então, temos que v, =v,, ou, se temos V,, V,e Ve v, = v,, então T(v, )= T(v,).
Se a transformação linear T é sobrejetora e injetora, então ela é dita bijetora.

Exemplo 3.5
Considere a transformação linear T:R' > R', dada por T(x,y,z)=(0,y,3z) . Determine o
conjunto Im(T).
A imagem de T compreende todos os vetores de R* escritos na forma (O,y, 3z), sendo que
y zôoR.

(0,y,3z)=7X(0,1,0)+z(0,0,3)

Comoy,ze ,aigualdade apresentada aponta que os vetores da imagem de T são escritos

como uma combinação linear dos vetores (0,1,0) e (0,0,3), logo, eles geram o conjunto imagem;
podemos escrever Im(T)= [(0,1,0),(0,0,3)].

Exercício resolvido
Determine uma base para a imagem da transformação linear T:R?
> R? , definida por
T(x,y)=(x+y,y).
Resolução
Aimagemde
T compreende todos os vetores da forma (x + y, y )=x(1,0)+ y(1,1),então qualquer
elemento da imagem de T é uma combinação linear dos vetores (1,0) e (1,1). Como o conjunto
í( 1,0) (1,1)) é LI, e vimos que gera Im(T), então ele é uma base para Im(T).

Exemplo 3.6
Determine se a transformação linear T:Rº — Rº, definida por T(x,y,z)=(x+y,x+2z), é
sobrejetora.
Temos que a Im(T) compreende todos os vetores da forma (x+y,x+z)=x(1,1)+y(1,0)+
+2(0,1), como (1,1) =(1,0) +(0,1) , uma base para Im(T) é o conjunto ((1,0),(0,1)) . Logo,
Im(T) tem dimensão 2 e, portanto, Im(T)=R*. Para todo elemento (x,y) de Rº temos
(y-Lx-y+11)eR', de modo que T(y-1,x-y+11)=(x,y);então T é sobrejetora.
126 Álgebra linear

Exemplo 3.7
Determine se a transformação linear T: R? > R?, definida por T[x,y) = (x +Y,y), é injetora.
Para que essa transformação linear seja injetora, devemos mostrar que se v,,v, € R? e
T(v, )= T(v,), então temos que v, = v,. De fato,se v, =(x,y)e v, =(x,y, ).e T(x y)=T(x,
Y)
resulta em:

(x+y,y)=lx+Yyi)
Resolvendo a igualdade, temos que x=x, e y=7y,,portanto, v, =V,.

3.3.2 Núcleo de uma transformação linear

Seja T: V >U uma transformação linear, ela é chamada de núcleo de T; denotamos por
Nuc(T)= Ker(T), o conjunto de todos os vetores v e V, sendo que T(v)=[Link] ser formado
por elementos de V, temos que Nuc(T)c V eé um subespaço vetorial de V.

Exemplo 3.8
Encontre o núcleo da transformação linear T: Rº > R?, definida por T(x,y)=(x+y,y).
O núcleo de T compreende todos os vetores v = (x,y) de R?, sendo que T(u)=T(x,y) =(0,0).
Então:

T(x.y)=(x+y,y)=(0,0)

x+y=0
y=0

Logo, T(x,y)=(0,0) se (x,y)=(0,0), portanto, o núcleo de T só tem o vetor nulo.

Teorema
Seja T: V >U uma transformação linear, T é injetora se, e somente se, Nuc(T)= fO] À

Demonstração
Vamos mostrar primeiro que, se T é injetora, então Nuc(T)= [0; . SeTéinjetoraese v,,v, € V
e T(v,)=T(v, ) então temos que v, = v,. Seja v um elemento do núcleo de T, então T(v)=0.
Como T é linear, então T(O): O; temos então que T(v)=T(0). Como T é injetora, logo, v=0,
portanto, Nue(T)=(0k.
 Transformações lineares — 127

Vamos mostrar agora que se Ker( T) = (0; então T é injetora. De fato, se Nuc(T) = í[)) , entãose
T(v)=0,temosque v =[Link] v,,v, € V, T(v, )= T(v,);éomesmoque T(v, )- T(v,)=0,
por T ser transformação linear T(v, )- T(v, )= T(v, —v, ). Logo, T(v, —v, )= O,mas vimos quese
T(V) =0O, temos que v =0;logo, v, — v, =0 . Portanto, v, = v,. Mostramos assim queT é injetora.

Teorema
Seja T: V >U uma transformação linear, com V e U sendo espaços vetoriais de dimensão
finita, então dim V = dim Nuc(T)+dimIm(T).

Demonstração
Precisamos mostrar que, se [T(vl ). T(v,),...T(v, )] é base de Im(T) e fu,,u,,...,u,) é base
de Nuc(T) , o conjunto ív,,vz,,..,v",u[,uº,..,,um; é uma base de V , pois a base da imagem
tem n vetores, a do núcleo m, e a base formada para V tem n + m vetores, mostrando assim a
igualdade dim V = dim Nuc(T) + dim Im(T). Para demonstrar que ív, aVarecca a Mi Mgy nc umE
é uma base de V, mostraremos que o conjunto é LI e gera o espaço V:
" Para mostrar que ív, iVarsa V7 UU ,,umã é LI, devemos mostrar que, se
06 V AFOCAVa F n RV Byu, + Byu, + .+B,U, =O, os escalares são todos nulos -
a= , =a, =B =B,=...=B,=0.
De fato, a v, + 04V, +...+a,V,+Bu, +Bu,+...+B,u,=0.
Aplicando a transformação linear T em ambos os lados, temos:

e T(v, )+aT(v,)+...+a,T(v,)+B/T(M )+BaT(1,)+...+BT(U,)=T(0)

Como u,,U,,...,u, ôNuc(T), então T(ul):T(u“):..;T(um):O . Em virtude de T ser
uma transformação linear, T(0)=0, então:

a T(v, )+oT(v,)+...+a T(v,)=O

Em virtude de íT(v, ),T(v2 ),...T(v" )) ser base e, portanto, LI, então a, = a, Eb s.

Substituindo o dado em a v,+o,v,+...+a,v,+Bu,+B u +...+fB u = temos
Byu, + Byu, +...+B/ u =0
Considerando o fato de fu vl um) ser base e, portanto, um conjunto LI, temos
Bi=Ba="..=B =0
* Para mostrar que o conjunto gera o espaço vetorial V, vamos comprovar que qualquer
vetor w de V pode ser escrito como combinação linear dos vetores do conjunto
aaan
V M aA É
De fato, seja we V um vetor qualquer, T(w)e Im(T). Logo, T(w) pode ser escrito como
uma combinação linear dos vetores da base fT(v, ),T(v,),...T(v, ); da Im(T).
128 Álgebralinear

T(w)=a,T(v, )+oa,T(v,)+...+oa T(v,)

T(w)f(a,T(v' )+oa,T(v, )+...+a, T(v, )):0

Com base na definição de transformação linear, temos:

T(w— ( V t0V T tA V,))=O

Da igualdade apresentada, temos que o vetor z=Ww—-(a,v, +0,V, +...+a,V, ) pertence ao

núcleo da transformação (T(z)=0), logo, pode ser escrito como uma combinação linear dos ele-
mentos de ãu,,uz,.,.,um),base de Nuc(T). Temos, então:

z=Byu, +Byu, +...+B.u,

W( V, H 0VA t.0 V )= Bu, + BU +...+ Brtin,

W=ByU, + BU +...+BiV+OV, FOJIV; F.. FOU,

Concluímos que we V é escrito como uma combinação linear dos vetores do conjunto
[v,,vl,,..,v“,u,,u:,.,./um) . Dos dois itens mostrados, temos que [v,,vl,..,/vn,u,,uz,...,um)
é base de V, portanto, dim V = n+ m =dim Im(T)+ dim Nuc(T) á
Do último teorema apresentado decorre o seguinte: em virtude de a transformação linear
T:V—U ser injetora, se dim V = dimU , então T leva base em base.

Exemplo 3.9
Determine a dimensão do núcleo e da imagem da transformação linear T: Rº > Rº, definida
por T(x,y,2)=(x-y,2x+2z,0).
o Nuc(T):í(x,y,x)e Rª/T(x/y/Z)z(OIO,O»; temos:

T(x,y,z) (x-y,2x+2,0)=(0,0,0)
"
 Transformações lineares — 129

x-y=0
2x+z=0
0=0

Da primeira igualdade; temos x = y, e da segunda; z = -2x, logo; todos os vetores da forma

(x,x,-2x) pertencem ao núcleo de T. Podemos escrever os vetores da forma (x,x, -2x) como
x(1,1,-2), ou seja, eles são gerados pelo vetor (1,1, -2), portanto temos que Nuc(T )= [(] 1,—2)].
logo, o núcleo tem dimensão 1. Pelo teorema do núcleo e da imagem, temos:

dim Rº = dim Nuc(T)+ dimIm(T)

3=1+dimIm(T)

dimIm(T)=2

3.3.3 Isomorfismos
Chamamos uma transformação linear T: V >U de inversível quando existir uma transforma-
ção linear T' :U— V , sendo que T'T=1, e TT'=],.Para que T:V—>U seja inversível,
é necessário e suficiente que T seja injetora e sobrejetora, fato que chamamos de bijeção linear
entre V e U, mas também dizemos que T é um isomorfismo e os espaços V e U são isomorfos.
Considere T: V >U,Ve U espaços vetoriais de dimensão finita, sendo que dimV =dimU .
A transformação linear T será injetiva se, e somente se, T for sobrejetiva; logo, T é um isomorfismo.
Os isomorfismos são importantes, pois relacionam espaços vetoriais. Podemos compará-los e,
se existir um isomorfismo entre eles, então eles têm estruturas parecidas.
Do teorema já apresentado do núcleo e da imagem, temos o seguinte fato sobre isomorfismo:
considere U e V espaços vetoriais de dimensão finita, sendo que dim U= dim V. Uma trans-
formação linear T: V >U será injetora se, e somente se, for sobrejetora e, consequentemente,
será um isomorfismo.

Exercício resolvido
Considere a transformação linear T: R2> R?, definida por T(x,y)=(x+y,y) e mostre que
T é um isomorfismo e determine a inversa T .
Resolução
Já comprovamos anteriormente que T é injetora, agora vamos mostrar que T é sobrejetora.
Para todo v=(x,y)e R?, precisamos encontrar um vetor (a,b), sendo que:
130 — Álgebralinear

T(a,b)=(xy)

(a+b,a)=(xy)
a+b=x
b=y

Substituindo os dados da segunda equação na primeira, temos que a =[Link]ão, para

todo v=(x,y)e Rº temos (x-y,y)e Rº, e T(x-y,y)=(x-y+y,y)=(x,y): logo, T é sobreje-
tora, portanto, um isomorfismo. Agora, vamos determinar a inversa T , para isso, devemos
calcular T na base canônica:

T(10)=(1,0)

T(0,1)=(11)

Logo, T' (1,0)=(1,0) e T' (1,1,) =(0,1). Escrevendo um vetor qualquer v =(x,y) como uma
combinação linear dos vetores (1,0) e (1,1), temos:

(xy)=(x-y)(10)+y(11)
Portanto,

T'(xy)=(x-y)Tº(10)+yTC(11)

T'(xy)=(x-y)(10)+y(0,1)

T' =(x-yy)

3.4 A matriz de uma transformação linear

Podemos relacionar uma transformação linear com matrizes, dessa maneira facilitamos alguns
cálculos e resultados,
 Transformações lineares 131

Considere a transformação linear T: R" >R" ea seguinte matriz:

all ªIZ al.'l alu

Ax Ax 2
ax ax A

Cada coluna da matriz M foi obtida a partir de T(e,), sendo que e, é um ele-
mento da base canônica de R". Temos que T(v)=w, sendo v=(x,,X,,X1..X,),
WE(YY2Y o Ym) EN = anx + apxo + ax +ot anh 2= Anx + ax +
AzaXg +..+ AgrXpr = Ym = miX + AmoXo T ApaXa +..+ anXh. Podemos escrever em termos de
matrizes do seguinte modo:

a!l aAZ all 1n

2 dx dx 22 * Y
aQ a'U 3n XZ YZ
: 3 o m =|Y;
ax A; s $ ê

: : : Xn no y'“ mA
ªml a 2 am'l amn

Observe que os vetores são colocados em colunas. Dessa maneira, associamos a transformação
linear T: Rº > R” à matriz M. Podemos fazer isso com uma transformação linear qualquer
T: UV ,com U e V sendo espaços vetoriais de dimensão finita, basta considerarmos as
bases B, :(u',uz,...,u") e:B, :íVszer-- ,Vmã de U e V, respectivamente, então, pode-
Mmos escrever os vetores T(u ,) como uma combinação linear dos vetores da base B, , ou seja,

): A W; HA W; HAJW,y F. HAn W5

; ; B
Assim, podemos escrever a matriz [T]" de ordem m xn determinada por T e pelas bases
B, e B, ; cada coluna é formada pelas coordenadas de T[ul) na base B
132 Álgebra linear

all al: ªn a 1n

ªzl ªª d ªln
a. a

ma ccco mn
d

; s y
Dizemos que a matriz [T]" é a matriz de T nas bases B, e B, . Quando as bases forem as
canônicas, dizemos simplesmente que a matriz [T] é a matriz da transformação T.
Seja M,,, uma matriz qualquer, a cada matriz podemos associar uma transformação linear,
e cada transformação linear podemos associar a uma matriz.

Exemplo 3.10
Seja T: R > Rº a rotação em torno da origem, T leva o vetor ve R? em T(v), que vem da
rotação de ângulo 6 em torno da origem, como representa a figura a seguir.

Figura 3.2 - Transformação linear

y) e T(v)=(x,,X,), vamos usar a trigonometria para determinar as coordenadas

dos vetores em termos dos ângulos, e como a transformação linear é uma rotação em torno da
origem, ela não altera o tamanho do vetor. Por isso, IIT(V)II = IIVII '

Hv“cos a); y-“vllsen(a)

 Transformações lineares 133

x *“T lcos a+6) HT H;en (1+9)

x -“T "(cos cos(6)—sen(a)sen( ) HT H 5en a )cos(6) + cos(a

) sei ))
& fl[v"cos a)cos(0) “vl sen(a)sen( lfuvllsen a)cos(0) Hv"ms(a ezn[
x, =xcos(0)+y sen(0) =y cos(0)+ xsen(O0)

T(x,y)=(xcos(6)- ysen(0), xsen(6)+ycos(9))

Para montarmos a matriz de T, basta calcularmos T na base canônica, então:

T(],O):(cos[e), sen(e))
T(0,1)=(-sen(6),cos(6))

Colocando os vetores nas colunas, temos a matriz chamada de matriz de rotação:

[cos(e) fsen(e)J
sen(6) cos(6)

Pense a respeito
No artigo Uma sugestão de uso de planilhas eletrônicas no ensino de transformações lineares,
você encontra um plano de ensino de transformações lineares utilizando a planilha do
computador. Um método interessante para apresentar as transformações lineares do plano.

BRONDINO, N. C. M.; BRONDINO, O. C. Uma sugestão de uso de planilhas

eletrônicas no ensino de transformações lineares. In: CONGRESSO BRASILEIRO
DE EDUCAÇÃO EM ENGENHARIA, 40, 2012, Belém. Disponível em: <http//www.
[Link]/CobengeAnteriores/2012/artigos/[Link]>. Acesso em: 19 ago. 2016.

Exemplo 3.11
Dada [T] a matriz da transformação linear T: Rº > R* nas bases canônicas, encontre a trans-
formação T.
134 — Álgebralinear

123
[T]=|7 54
-2 01

Para encontrarmos a transformação linear T, vamos multiplicar a matriz [T] pelo vetor (x,y,2)
em forma de matriz coluna:

1 2 3x x+2y+3z
7 5 Ajyj=|7x+5y-z2
— o 1|/z -2M+Z

Portanto, T(x,y,2)=(x+2y+32,7x+5y-2,-2x+2).

Teorema
Considere os espaços vetoriais V e U, uma transformação linear T: V > U, as bases B de
Ve , deU. Então, paratodo vc V, [T(v)]nl = [T]:; [v]”.

Exercício resolvido
Considere T: Rº > Rº uma transformação linear, de modo que
T(x,y,2)=(x-y+22,2x-32,x+2y+2).
a. Encontre a matriz [T] de T nas bases canônicas de Rº e Rº . Sendo v :(71,2,0),
encontre T(v).
b. Encontre a matriz [T]: de T, dadas as bases B= í( 111),(1 U,O),(],l,O); e
B. =((0,1,0),(-1,0,0)(0,1,1)) -
Resolução
Em relação ao item a, para encontrarmos a matriz de T nas bases canônicas, basta calcular-
mos T nos vetores da base:

T(1,0,0)=(1,2,1)

T(0,1,0)=(-1,0,2)

T(0,0,1) =(2,-3,1)

Vamos colocar em coluna os vetores resultantes:

 Transformações lineares — 135

14 2
[T]=]2 o
121

Para calcular T(v) com v=(-1,2,0), basta substituirmos na equação de T os valores

x=-—1 y=2ez=0 T(-1,2,0) = (-1-2+2.0,2.—-1-30,-1+2.2+0)=(—-3,-2,3). Poderíamos
ter calculado utilizando a matriz da seguinte maneira:

1 -1 2/|4 -
2 0 -3/2/=)-2
12 1 /0||3

Em relação ao item b, para encontrarmos [T]IÍ , vamos calcular T dos vetores da base B :

T(11,1)=(2,-1,4)

T(1,0,0)=(1,2,1)

T(1,1,0)=(0,2,3)

Precisamos escrever os vetores encontrados na base B :

(2,-1,4)=a,(0,1,0)+b, (-1,0,0)-+c,(0,1,1) =(-b,,a +c ,c )

Substituindo c, =4 na segunda equação, temos a, = - 5. E da primeira equação temos

=2.

(1,2,1) =a,(0,1,0)+b, (-1,0,0)-+ c, (0,1,1) =(-b,,a, +€7,6)

136 Álgebra linear

Substituindoc, = 1 na segunda equação, temos a, = 1. E da primeira equação temos b, = —1.

(0,2,3)=a,(0,1,0)+b,(-1,0,0)-+c,
(0,1,1) =(-b,,a,+c,,c,)

Substituindo c, = 3 na segunda equação, temos a, = —-1. E da primeira equação temos b, = O0.

a a, a - 1 =
[T] =]h b bl -2 < o
c : e 4 1 3

Exemplo 3.12
Considere T: Rº > R* uma transformação linear, sendo que Ti1; 1)=(1,2,3)
e T(2,3)=(1,1,1)
Encontre a matriz de T relativa às bases canônicas de Rº e R.

T(-1,1)=T(-(1,0)+(0,1))=-T(1,0)+ T(0,1)

T(2,3)=T(2(1,0)+3(0,1))=2T(1,0)+ 3T(0,1)

Chamando T(1,0)= a e T(0,1)= b, de modo que a,be R?, substituindo nas igualdades
anteriores, temos:

TOLI)=-a+b
T(2,3) =2a + 3b

Vamos encontrar a e b. Isolando b na primeira equação, temos b= T(71,1)+ a, substituindo

b na segunda equação temos:
 Transformações lineares 137

T(2,3)=2a+3(T(-1,1)
+a) =2a+3T(—1,1)
+ 3a =5a+ 3T(1,1)

5a=T(2,3)
- 3T(—1,1)

a=
T(2,3)-3T(-11)
5

Substituindo T(-1,1)=(1,2,3) e T(2,3)=(1,1,1), temos:

a :wzªul,u)—s(l,z,s)):
%((1,1,1)4-(—3,—6,—9)):%(-2,—5,-8) =[—%,-1,-%]

Substituindo o resultado obtido anteriormente em b = T(_1,1) +a temos:

b=(12,3) %%,4_%]: [%1%)

Voltando em T(1,0) = a e T(0,1) = b, temos:

T(1,0)= [—%,71, ,â]:,%(1,0,0),1(0,1,0),%(0,0,1)

T(o,1):[%,1/%):%(1,o,o)+1(o/1,o)+%(o,o,1)

Então a matriz de T é a seguinte:

= ml
1

mN
138 Álgebra linear

Exemplo 3.13
Dadas
as bases B=((1,1),(0,1)) de R? e B, =((0,1,0),(-1,0,0),(0,1,1)) de Rº, encontre
a trans-
formação linear T: Rº > Rº , sendo que:

[M =|2 o
Considerando o teorema [T(v)]rl = [T][l [v]p, então:

[rfa)], CM [oa), [noa)], =[% (to9)),

-4 5 1 4
20 M - *
2 50 H:o 5o
5 — 3 5 2 =2

Logo, (1,72,3) são as coordenadas de T(1,1) na base B, e (5,0, -2) são as coordenadas de T(0,1)
na base , . Isso signífica que:

T(l,l)nl =1(0,1,0) - 2(-1,0,0) + 3(0,1,1) = (0,1,0) + (2,0,0) +(0,3,3) =(2,4,3) =T(1,1)

T(0,1), =5(0,1,0)-+0(-1,0,0)-- 2(0,1,1) =(0,5,0) +(0,0,0)+(0,2,2)

=(0,3,-2) =T(0,1)

Considere v = (x, y ) um vetor qualquer de R? . Ele pode ser escrito como uma combinação linear
dos vetores da base ((1,1),(0,1)). Já vimos em exemplos anteriores que (x,y) s x(1,1)+ (y - x)( 0,1);
desse modo, aplicando a transformação linear T, temos:
T(x,y)=xT(11)+(y-x)T(0,1)= x(2,4,3)+(y—x)(0,3-2)=
(2x,4x,3x) +(0,3y — 3x,-2y + 2x)=(2x,x+3y,5x-2y)

Teorema
Considere as transformações lineares T : V >U, T:U—>W,eas bases , B, e B,, dos
espaços V, U e W, respectivamente. Sendo a transformação composta T, o T, : V > W, temos:

[n =[MEL[M],
 Transformações lineares — 139

Exemplo 3.14
Considere as transformações lineares T, e T,, sendo que T : Rº > Rº é a rotação de 90º, sen-
tido anti-horário, em torno da origem, e T, : Rº > Rº, T,(x,y)=(2x,2y). Encontre a matriz da
transformação composta T, - T,.
cos(6) -sen(o)
A matriz da rotação, conforme já vimos, é dada por . Desse modo, para
sen(6) cos(o)
T,,o ângulo é 9=90º, Assim:

( á
m:[ººªsen(90º)
90
f s e n w o º ) J : [ o 1
cos(90º) | |1 O

Para T,, calculando T(1,0) = (2,0) e T(01) = (0,2), temos que a matriz é a seguinte:

m[ 3)
Então:

= [ ã g] [g o l H ª _0 2]
[TZ.T,]=[Tl][T,]

Síntese
Neste capítulo, você conheceu um tipo especial de função, a transformação linear, que
preserva certa “estrutura” do espaço vetorial. Compreendeu os conceitos envolvidos no
conteúdo de transformações lineares, como o núcleo, a imagem e a matriz de uma transfor-
mação, além do isomorfismo e da inversa de uma transformação linear. Você compreendeu
a relação entre injetividade e sobrejetividade com núcleo, imagem e dimensão. Aprendeu
ainda que escrever a transformação linear como matriz torna alguns resultados mais fáceis.

Atividades de autoavaliação
1) Analiseas afirmações a seguir e indique se são verdadeiras (V) ou falsas (F):
() Se T:U— V é uma transformação linear e se T(w)=T(u)+T(v), então w=u+v.
() Seja T: R > Rº definida por T(x,y,2,w)=(x-w,y-w,x+2z), temos que T é uma
transformação linear.
140 Álgebra linear

() Se T: U>> V é uma transformação linear e se v pertencentea V é, sendo que

T(v)=0,então v=0.
() Seja T: Rº > Rº definida por T(x,y,z) =(3x,2,5z), temos que T é uma
transformação linear.

Assinale a alternativa que corresponde à sequência correta:

a EVVE
EVEBM
c EVEF
d. VV VE

2) Considere as transformações lineares R,S,P: Rº > Rº, sendo que R é a rotação de 30º
em torno da origem, S é a reflexão em torno da reta y =2x e P é a projeção ortogonal sobre
a mesma reta. Assinale a alternativa correta:
a. RS=SR
b. RP=PR
c. PSz=SP
d. RSR=S

3) Analise e indique se as afirmações a seguir são verdadeiras (V) ou falsas (F):

() A transformação linear T: R > Rº, definida por T(x,y,z)=(2x+y,z), é sobrejetiva.
() A transformação linear T: R R", definida por T(x)=(x,2x,3x,...,nx), é injetiva.
() Na transformação linear T: Rº — Rº, definida por T(x,y,z):(x, 2y,0), a imagem
de T tem dimensão 1.
() Na transformação linear T: Rº » R?, definida por T(x,y) (3y,0), o núcleo de T é
O eixo x.

Assinale a alternativa que corresponde à sequência correta:

a. V. VEV
EVEEM
GEVVE
[Link]

4) Considere a transformação linear T: Rº >R', de modo que T(1,0)=(2,-1,0) e

T(0,1)=(0,0,1). Assinale a afirmativa correta:
a. A transformação linear T é do tipo T(x,y)=(2x,x,y).
b. T não é injetora.
c. A dimensão da imagem de T é 2.
d. O núcleo de T tem dimensão 3.
 Transformações lineares — 141

5) Considere a transformação linear T:Rº — Rº, definida por T(x,y,z)=(x-2y,2,x+y).

Assinale a afirmativa correta:
a. T é injetora, mas não é sobrejetora.
b. T é um isomorfismo.
c. T é sobrejetora, mas não é injetora.
d. A dimensão da imagem de T é 2.

Atividades de aprendizagem
Questões para reflexão

1) Utilizandoo software GeoGebra, faça o que se pede:

a. Represente os vetores (2, -1), (1,1), e (1, -2), utilizando a ferramenta vetor; clique
primeiro na origem (0,0) e, depois, nas coordenadas (2, x1), por exemplo, para o
primeiro vetor.
b. Use a transformação linear T(x,y) = (x+2y,y) para calcular T(2, <), TO,1) e T(1, 2).
Represente no Geogebra os vetores imagens T(2, -1), T(1,1) e T(1, -2). Compare os
vetores com suas respectivas imagens.
c. Use a transformação linear T(xy) = (x, -y) para calcular T(2, <), T(1,1) e T(1, -2).
Represente no Geogebra os vetores imagens T(2, -1), T(1,1) e T(1,-2). Compare os
vetores com suas respectivas imagens.
d. Use a transformação linear T(xy) = (x + y, 2x +2y) para calcular T(2, -1), T(1,1) e TO,
—2). Represente no Geogebra os vetores imagens T(2, —1), T(1,1) e T(1, -2). Compare os
vetores com suas respectivas imagens. Na janela do GeoGebra, em seu rodapé, há
uma ferramenta chamada Entrada, digite a equação da reta y = —x. Escolha um vetor
qualquer nessa reta e calcule T nesse vetor. O que acontece? Essa reta representa que
conjunto?

2) Determinea equação das seguintes transformações lineares T:Rº > Rº e suas respecti-
vas matrizes, sendo que:
a. Té a reflexão pela origem;
b. Té a reflexão em torno do eixo x.

Atividade aplicada: prática

1) Vimosquepodemos associar a uma transformação linear uma matriz, vimos também que
aplicar a transformação linear em um vetor é o mesmo que multiplicar matrizes. No apli-
cativo Excel, do Microsoft Windows, podemos escrever matrizes e calcular a multiplicação
entre elas. Usando uma planilha no Excel, elabore uma atividade sobre transformações
lineares e sua visualização geométrica.
Neste capítulo, vamos adicionar à estrutura dos espaç: s vetoriais o conceito de distância, com-
primento e, consequentemente, conseguiremos sentidos para ângulos, ortogonalidade e outras
propriedades. O produto interno enriquece nosso espaço vetorial, acrescenta os conceitos men-
cionados. O produto interno canônico é o mais comum e utilizado, porém, não é o único tipo de
produto interno que ex te. Tendo o produto interno, temos o conceito de ortogonal, que vamos
aplicar nas bases já conhecidas; assim teremos uma base com vetores ortogonais e, também, a
partir do comprimento, teremos uma base ortonormal. Veremos que dada qualquer base, con-
seguimos encontrar uma base ortonormal. Também estudaremos transformações lineares que
relacionam o domínio e a imagem por meio do produto interno.
Produto interno

4,1 O produto interno ou produto escalar

O produto interno, também chamado de produto escalar, em um espaço vetorial V, é um funcio-
nal linear, ou seja, uma função Vx V >R que associa a cada par de vetores um número, sendo
válidas a seguintes propriedades:
* Bilinearidade: (Uj+uU, V)=(U,V)+U, V)E(U V +V)=(U V)+(U V,
(AUu, v) = a(u, v) e (Uu, av) = a(u, v
* Comutatividade: (u, 1) = (v, U)
" Positividade: (u, u)> O se u*0 e (u, 0) = (0, u)=0 para todo u.
Podemos fazer algumas considerações em relação aos itens da definição de produto interno.
Das propriedades, temos que, se (u, v) = 0, para todo v em V então u = 0. De fato, se u não fosse
o vetor nulo e (u, v) = 0 para todo v em V , em particular para v = u, da positividade teríamos
u, u)> 0 e não (u, u)=0. E se (u, 1) =(Uu, V) para todo v em V ,então u, = u,; defato, de (u,, v)
=(U,, 1, podemos escrever (u,, v) - (u,, v)=0. Da bilinearidade, temos (u, — u, 1) =O para todo v.
Vimos, então, que u, — u, =0, logo, u =U,

Preste atenção!
O produto interno é um número real!

Considere o espaço Us(X/X3XyX,) E VE(Y,

Y Yar-o ,) Vetores quaisquer de
R". Chamamos de produto interno canônico o produto definido como (u, v a FAA FGNA *
a
Se tomarmos vetores quaisquer no espaço Rº, u=(x,,x,,x,) e v=(Y,, Y. Y,), o produto
interno canônico fica sendo (u, v) YF AaYo FAA s;
144 Álgebralinear

Exercício resolvido
Seja o espaço das matrizes quadradas de ordem 2, M(2x2). Mostre que a operação entre as

b a, b,
matrizes A = [a ] eB= [11 dIJ pertencentes a M(2x2), definida a seguir, é um produto
. c d e d
interno.

b b
( L% % =aa,+2bb,
+3ce, +dd,
c dile, d,

Resolução
Para comprovar que a operação é um produto interno, vamos mostrar que o produto dado
satisfaz a bilinearidade, a comutatividade e a positividade apresentadas na definição de produto
a b a, b, a, b,
interno. Sejam as matrizes A = , B= ecs/)* , ],pertencentes a M(2x2),
c d & d c d,
temos:

(A+B,C):<[a+a' b+b,J,[a: b:J>:

c+o, d+d, c d,

=(a+a,)a, +2(b+b,)b, +3(c+c,)c, +(d+d,)d,=

=aa, +a,a, + 2bb, + 2b,b, + 3cc, + 3c,c, + dd, +d,d,

(A/O = ([Í ZJ[% :º]):aa2 + 2bb, + 3cc, + dd,

a b a, b,
(B,C):(LI dÍH d'J)za,a:+2blbz+3c|c:+d,d2

Temos (A + B, C)=(A, C) +(B, O). Fica como exercício a igualdade (A, B+ C) =(A, B +(A, O).
Seja um número real a:

(aA,C):([aa ab]'[az b:J>=

ac adilc, d,
aaa, + 2obb, + 3acc, + add, = a(aa, + 2bb, + 3cc, +dd, )= a(A,C)
 Produto interno — 145

Como exercício, mostre a igualdade (A, aC) = a(A, O). Para a comutatividade, utilizando
(A,C)=aa, + 2bb, + 3cc, + dd,, encontrado anteriormente, temos:

(C,A):([Í: Z][Í :J):alaJr2b2b+3c=c+dld=<A,C)

Para a positividade, se A é diferente da matriz nula, então a= 0, bz0, c=0 e d= 0, portanto,

o produto (A, A)
= a? + 2b?+ 3c? + d? é maior do que zero. E (A, 0) = (0, A)=a - 0+2b-0+3c:0+d-0=0
para toda matriz A. Concluímos, então, que o produto apresentado é um produto interno.

4141 Vetores ortogonais e suas propriedades

Dado um espaço vetorial V com um produto interno (, ), dizemos que dois vetores u e v de
V são ortogonais se (u, v) = 0; e denotamos por ul [Link] definição, decorrem algumas
propriedades:
" Olv paratodo v de V.
De fato, (0, v) = (0 + 0, 1) =(0, 1) + (O, 1; logo, (O, 1) = 200, v) e só é válido se 0, v = 0 para todo
v de V, portanto, O Lv para todo v de V .
" Seulv,entãovlu.
De ul v,temos que (u, v) = O, pela propriedade simétrica do produto interno, (u, V) = (v, w;
então (v, u)=0, o que resultaem v L u.
" Seulv paratodo v de V ,entãou=0.
Considerando para todo elemento v de V que u l v , temos então que (u, v)=0, para todo v
de V .Se uz0, logo (u, v)20 para, no mínimo, quando u=v, pois teríamos (u,u)=0. Dessa
maneira, para que tenhamos (u, v) = O para todo v de V , é preciso que o vetor usejanulo; u=0 .
". Seulveu,lv então(u+u,)lv.
De fato, se u, L v e u, 1 v, temos (u, 1)=0e(u, v)=0. Utilizando a propriedade da bilinea-
ridade do produto interno, temos (u,, V) + (Us, V) = (Uu, + u v)=0, portanto, (u +u,) l v.
" Seulvea é um escalar qualquer, então aul v.
Como ul v,ouseja, (u, v) =0 usando a propriedade do produto interno, temos a(u, v) =
(au, v)=0;logo, aul v.

Exemplo 4.1
Considerando o produto interno canônico de R*, dê exemplo de dois vetores ortogonais ao
vetor u=(1,0,1).
Seja v=(x,y,z)e Rº, de modo que v | u, então (x,y,z)(1,0,1) =0. Temos:
x-1+y-0O+z-1=x+z2=0
Logo, z=-x . Qualquer vetor com coordenadas (x,y, x) é ortogonal ao vetor u, dois exemplos
são (2,3-2) e (50,23, —50).
146 — Álgebralinear

41.2 Base ortogonal

Considere V um espaço vetorial com um produto interno, dizemos que um conjunto XE V é
um conjunto ortogonal se dois vetores quaisquer distintos são ortogonais.

Teorema
Em um espaço vetorial V com produto interno, todo conjunto (contido em V ) ortogonal, de
vetores não nulos [v,,vz ,vª,...,v“; é linearmente independente.

Demonstração
Considere umespaço vetorial V com produtointernoe um conjunto ortogonal X = ívl aal NVgreo .,v")
os vetores são não nulos. Temos (v,, v,) =0 para todo iz j. Vamos mostrar que X é LI, então
devemos considerar que: 0 V, +Q,V,+OV,+...+UV,=0.
Podemos escrever (O,Vl s 0) utilizando as propriedades do produto interno, como:

o V;)= a V, +AJVo +AWV3+.. FAJVW V=

= 6 ) (
fa](vl,vl)+a2xv2,vx,+...zx“v,,vl3+...+ =a á Vi) )= o
an Vh

Como v, v1> = O para todo iz=j, e os vetores de X são não nulos, então, temos W; V;X
a vv, v )=0=2a =0
E isso vale para todo i=1,2,3,...,n, então o conjunto X :ív, VV a11+o V, ) é linearmente
independente.
Uma base B= ív, AVarVáres .,v"] de um espaço vetorial munido de um produto interno é cha-
mada de base ortogonal se seus vetores são, dois a dois, ortogonais.

Exemplo 4.2
No R', a base canônica fe,,e,,e,)= i[l,0,0),(0,1,0),(0,0,1)) é uma base ortogonal. De fato,
e -e,=e,-e,=e,-e,=0,

Exemplo 4.3
No Rº a base [(1,1)/(71,1)% é uma base ortogonal. De fato, (1,1) (71,1): —1+1=0.

Exemplo 4.4
Vamos verificar, em cada caso, se o conjunto de Rº dado é ortogonal.
a — ((10,0)(21,1)(0,1,-1))
Fazendo o produto entre os vetores:
(1,0,0)(2,1,1)= 0
Logo, o conjunto não é ortogonal:
 Produto interno — 147

b. ((0,0,1),(2,1,0),(-1,2,0))
Fazendo o produto entre os vetores:
(0,0,1)(2,1,0)=0, (0,0,1)(-1,2,0)=0, (2,1,0)(-1,2,0)=-2+2=0
Portanto, o conjunto é ortogonal:
c ((3124),(43-12)(12,-4,3))
(3,12,4)(4,3,-12)=12+ 36— 48=0, (3,12,4)(4,3,-12) = 12+36-48=0
(4,3,-12)(12,-4,3)
= 48 -12-36 =0
Então, o conjunto é ortogonal.

41.3 Norma
Agora que temos um produto interno, podemos definir o comprimento de um vetor que tam-
bém recebe o nome de norma.
Dado um espaço vetorial V, munido de um produto interno (, ), a norma de um vetor ve V
é definida como o número real não negativo: [v|=f(v,v) . Consequentemente, |v =(vyv)e

||u+v[|“:(_u+v,ufv>:<u +V, W+(UTV, V=(U, W+(V, W+(U, V+V, vkllu É “v" +2,7)
O vetor que tem norma igual a 1 é chamado de vetor unitário. Dado qualque ter vetor não nulo
—
v, podemos encontrar um vetor unitário w, fazendo

A norma tem as seguintes propriedades:

v
w = H_ . De fato,
F -J һ - H,
H
o

- llllh
Em lav|= /(av,mv) = foz(v,) =0f6v, )= m"v".
. <u,v>[s||uHHvH — Desigualdade de Cauchy-Schwarz!
Para qualquer número real t, vamos calcular:

tu+rvtutvw=du+rtv tw+u+v,v)

=Pu, WwW+tv, wW+tu, V +Vv

=u w +2t, Ww+ & v)

Como já vimos, o produto interno é sempre não negativo, então:

du+vtutvzO

PU, W+2tW, Ww+( E v=0

1. Onome dessa desigualdade foi dado em homenagem aos matemáticos Augustin Cauchy e Hermann Scharwz
(Anton; Busby, 2006).
148 — Álgebralinear

A equação apresentada é do segundo grau em t. Para satisfazer à desigualdade, então:

A<Oo

4(u,v)(u,v) - 4(u,W)(v,v)<O

cuv)2<uf f
feu v>|<
ul
* A igualdade vale se os vetores u e v forem múltiplos.
— Desigualdade triangular?

2=(u+v,u+V)=(u,yU)+ 2(u,v)+(v,v):Iluuª+"vul+ 2(u,v)

Do item anterior, temos:

Ja+vI2=lafe+ ee +260,v) e+lelle/=Qel-]D?

Ju+vl2s(
Ju+vl<lul-|
Com a definição de norma, podemos definir ângulo entre vetores. Considere um espaço
vetorial V munido de um produto interno (, ) e sejam dois vetores u e v pertencentes a V .

Da desigualdade de Schwarz, temos W< 1,

Definimos cos( ) de modo que 6 é o ângulo, entre O e n radianos, entre os veto-

resuev. EM
Exercício resolvido
Dados os vetores u e v, de modo que (fuv] é Ll e 0 é o ângulo entre eles. Mostre que o vetor
“u"v + “v]lu está contido na bissetriz do ângulo 9

2 Adesigualdade triangular é o nome dado ao que ocorre quando, em um triângulo, um lado é sempre menor do
que a soma dos outros dois lados. A igualdade vale se os vetores são paralelos, ou seja, se for possível formar
uma reta (Anton; Busby, 2006).
 Produto interno 149

Resolução
Mostraremos primeiramente que os ângulos o. entre z=|ulv+|v]u eue B entre ze
v são
iguais:

costa)= 2) ulellaoJl vl -
ellel — l Iellel
lulkv. m la cm Jela| cvl
H ee g g

cos(6)= (zw delvlvo

v)7||u||<v v)+lvlku o
EM — M llll
fulvo fl Jl a os u
H AM H H q
Logo, a=

Agora, definiremos o vetor projeção ortogonal de v sobre u (u=0) como sendo

proj, (v)= W () u; temos que v — proj, (v) é ortogonala u

Figura 4.1 - Projeção

vproj (v)
150 Álgebra linear

4.2 Processo de ortogonalização de Gram-Schmidt

Uma base ortonormal é uma base ortogonal, de modo que todos os seus elementos têm norma
igual a 1. Dada uma base qualquer, será possível encontrar, a partir dela, uma base ortogonal?
E uma base ortonormal? Vamos aprender a encontrar bases ortogonais dada uma base qual-
quer. Considere V um espaço vetorial e uma base B= ív' iNiN guiasi V") qualquer de V. Vamos
construir uma base ortogonal para V. Para iniciar a construção, o primeiro elemento deve ser
iguala v,:

Agora, precisamos de um novo elemento w, que seja ortogonal a w,, ou seja, (w, w =0.
Podemos ver w, comosendo v, menos a projeção ortogonal de v, sobre v, = w, , então, temos:

w aw,

O valor de a é escolhido de maneira que tenhamos a ortogonalidade entre w, e w,,ouseja:

WW )=0
(v,=aw,,W,)=0

V3 W :
Resolvendo a equação, temos que a = H , portanto, o segundo elemento é:
dl DAA

sAW, EV
VaW)
—— W,
W w)

O terceiro elemento w, deve ser ortogonal a w, ea w, ao mesmo tempo, logo, (w, W =0

e W W,)=0.E, desse modo, temos:

Ww,=V,-bw,-ecw,

WW =0
(v,-bw,-ecw,,w,)=0

(W2/W,)=0

v,Tbw,=ew,W,)=0
Resolvendo a equação, temos que:
 Produto interno — 151

([Link])
2/v)
Substituindo os dados em w, = 27 bw, — ew,, temos:

) d 1
W2/W2) W W,)

E assim YEPÉÚITIÚS o processo até obtermos W W3 W3 Wyr22, W && POl'('xlntO, obtermos uma

base ortogonal B, = íw, /Wy/Wa/Wi7::., W, ). Para obter uma base ortonormal B, = íu, i Mgaeae , &

basta fazer u =7 .
el
Pense a respeito
O nome Gram-Schmidt (1850-1916), referente ao processo de ortogonalização, foi dado em
homenagem ao dinamarquês Jórgen Pedersen Gram e ao alemão Erhard Schmidt (1876-
1959). Apesar de a descoberta não ter sido feita por nenhum dos dois, ela recebeu seus
nomes, pois Gram a utilizou em sua tese de doutorado envolvendo problemas de mínimos
quadrados e Schmidt a utilizou em seus estudos de espaços vetoriais (Anton; Busby, 2006).

Exercício resolvido
Encontre uma base ortonormal, utilizando o processo de Gram-Schmidt, para o espaço Rº,
sendo dada a base [V[,V:,V'%, considerando que v, =(-1,1,0), v, =(5,0,0), v, =(2-2,3).
Resolução
Vamos encontrar, inicialmente, uma base ortogonal fwl,w:,wà

w,=v,=(-1,1,0)

a
V3 W, ND (0,0,3)
VW
WW * QWW,) w w
Para transformarmos essa base em uma base ortonormal, vamos aplicar u, = Ú u= W
W w º e
l
152 Álgebralinear

a —(0,03)
u
Iw.[ fo.05)
Logo, uma base ortonormal de Rº é í[%%ojíi l,o],( 0,0,1& - Defato, a base é
ortonormal: 2 2

,0](0,0,1)=0 lfo.0,1)|=/o+0+1=1

4.3 A transformação adjunta

Vamos utilizar o produto interno para relacionarmos a cada transformação linear T: V>U,
uma outra transformação linear T' : U > V, chamada de adjunta de T, considerando que, para
ueU eveVWV, tem-se (T(v), w=(v, T(u).

Teorema
Considere a base ortonormal de V e B uma base ortonormal de U. Se [T]; é a matriz da
transformação T: V > U, nas bases consideradas, então a matrizda T' : U > V , nas bases
B e a,éamatriz transposta de [T]:, ou seja, é a matriz [T]Z = ([T];)' ,

Temos, a partir do teorema e das propriedades das matrizes transpostas, os seguintes itens
(considere as transformações lineares T,,T, : V >U):
 Produto interno 153

431 Complemento ortogonal

Em geometria, temos o conceito de retas e planos perpendiculares, o qual podemos relacionar,
em álgebra linear, ao que chamaremos de complemento ortogonal.
Considere V um espaço vetorial munido de um produto interno (, ), e seja XC V um con-
junto não vazio. O complemento ortogonal de X é um conjunto X” formado por todos os veto-
res ve V que são ortogonais a todos os vetores x do conjunto X, ou seja, todo vetor v , que
satisfaz (v, x) = O para todo xe X , pertence a X' . Podemos fazer as seguintes considerações
sobre o complemento ortogonal:
1. X' é um subespaço vetorial de V;
Temos que (0, x)= O para todo x e X, então O0e X'*. Sendo a. um escalare v e X', (av, x)= (av,
x)=0,então av e X*. Agora, sejam u,ve X' , ou seja, (u, x) =0 e (v, x) = 0 temos (u + v, X)= (U, x)
+(v,x)=0, portanto, u+v e X”. Podemos concluir então que X* é um subespaço vetorial de V.
2. XAX' =(0);
Considere vc Xn X' .De ve X' , temos que (v,x): O para todo xe X , em particular para
x=v, pois ve X; então (v,v)=0, o que resulta em v = 0O.
3. Para todo subespaço vetorial U c V, temos que V=U&SU'"';
Para V, podemos encontrar uma base ortonormal (a partir da base de U, com o processo de
Gram-Schmidt): ív,,vº, vª,...,vm?, de modo que fv,,vz,..,v“; é uma base ortonormal de U.
Assim, um vetor v e V é escrito como uma combinação linear dos vetores da base V, ou seja,
V= V +OV,+...A V,+OA, n V, Va , +...AV,. Podemos ver v como v=u+w, considerando
que u=0,V,+O,V,+...a
V e W=O0,
, V,,+...A V; Observe que ue U e we U", portanto,
V=U+U". Vimos no item anterior que Un U' = fO% Logo, V=UÊGU".
4. Para todo subespaço vetorial X de V, tem-se ()(l )l.
Para todo subespaço vetorial X de V, tem-se L.

Teorema
Considere os espaços vetoriais de dimensão finita V e U, providos de produto interno, e
a transformação linear T: V— U. Temos:
154 Álgebra linear

Nuc(T')= Im(T)

Im(T)= Nuc(T')W

Nue(T)=Im(T')

1
Im(T'
)= Nue(T)

Demonstração
* Primeira igualdade: Considere ue Nuc(T' ) se, e somente se, T'(u) =0 T'(U)) para
todo v e V . Da igualdade (v,T'(u)) =(T(v),u) temos (v,T'(u))=0<(T(v),u)=0 para
todo ve VeueIm(T) .
* Terceira igualdade: Considere v e Nue(T) & T(v)=0<>(T(v),u)=0 para todo ue U.
De (T(v),u) =(v, T' (u)) eda igualdade anterior, temos (v,
T' (u))=0 para todo
veU&Sve(m(T) .
A segunda e a quarta igualdades ficam como exercício, uma dica é utilizar os fatos (T ) =T
e(T ).

Exercício resolvido
Dado o operador T: Rº > R, definido por T(x,y,2)=(2x+y+3z,x-2y+42z,5x+10z), obte-
nha bases para os seguintes subespaços de R*, Im(T), Nuc(T) e descreva quais deles são
Im(T') eNue(T').
Resolução
Primeiramente, vamos encontrar a matriz de T. Para isso, calculamos T(1,0,0)= (2, 15),
T(0,1,0)=(1,-2,0) e T(0,0,1)=(3,4,10).

21 3
1 -2 4
5 0 10

2185
1= 80
3 4 10
 Produto interno 155

Escalonando, temos:

omr mp
omrmMm
oSomN
Logo, 1(2,1,5), (0,1,1)) é uma base para Im(T).
Para encontrar uma base do núcleo, temos T(X,y,z): (2x+y+32,x—2y+42,5x+10z)=
(0, O, O). Portanto:

2X+y+3Z=O0
x—2y+47=0
Sx+z=0

2130
0140
0000

Da segunda linha, temos y - z = 0, logo y = z, substituindo os dados na primeira equa-

ção, temos 2x + z + 3z = O, logo x = -2z. O núcleo é descrito por i(*ZZ, z,z)e l&ª). Assim,
uma base para o núcleo é [((2,1,1)). A Im(T' )= Nuc(T) ; portanto, a imagem de T é talque
((x,y,2),(-2,1,1)) = O, ou seja, -2x +y +z=0. E Nuc(T' )= Im(T); desse modo, a Im(T) tem
como base ((2,1,5)(0,1,1)] e para encontrarmos a Im(T)' temos (x,y,2)(2,1,5)=2x+y+5z=0
e (x,y,2)(0,1,1)=y + z=0. Substituindo y = -z da segunda igualdade na primeira, temos, x =
—27; assim, ((-2, -1,1)) gera o espaço Nuc(T'): Im(T)*,

4,4 Isometrias
Vamos conhecer um operador linear no espaço R" , com a origem fixada, que preserva a norma,
ou seja, preserva o tamanho. Então, por exemplo, um quadrado será levado em um quadrado.
Um operador linear T: V > V, de modo que V é subespaço R", com a origem fixada, defi-
nido, para todo ve V , por:

Esse
Ir () |= Hl
operador é chamado de isometria e é um operador ortogonal sobre V.

Exemplo 4.5
A rotação de 9, em torno da origem T : Rº — R? , definida por T(x,y) = (xcos(6) + ysen(e), -xsen (9)
+ ycos(0)) é uma isometria.
156 Álgebra linear

Exercício resolvido
Considerando T : Rº » R?, definida por T(x,y)=(x,-y) mostre que T é uma isometria. Descreva
essa isometria.
Resolução
Para mostrar que T é isometria, vamos calcular ”T(x)":ll(x,fy)nzkllu( x,y)":ll(x,y)l] a
Portanto, T é uma isometria, é a reflexão em relação ao eixo x, ou seja, a reflexão em relação à
reta que passa pela origem com direção do vetor (1,0).

Síntese
Neste capítulo, você estudou a definição de produto interno e como ele pôde definir norma,
distância e ângulo entre vetores. Você viu que cada espaço vetorial pode ter diversos tipos
de produtos internos.

Atividades de autoavaliação
1 Analise as afirmações a seguir e indique se são verdadeiras (V) ou falsas (F):
() Sendo u=(x,y) e v=(x,,y, ) vetores quaisquer do R?, o produto
[u, v] =2xXx, —Xy, — Xx,y + 2yy, é um produto interno.
() O conjunto U = fu,,u,,u,) < Rº, considerando que u, =(1,2,1), (1-11) e
u, =(—1,1,2), é um conjunto ortogonal.
() Na desigualdade de Schwarz vale a igualdade W(u, v>| = Hulmvll se, e somente se, um
dos vetores, uv, for múltiplo do outro.
() Para quaisquer vetores u e v temos "u + vHª+ Ilu = v"z = Z(Iiull - Hv
D
Assinale a alternativa que corresponde à sequência correta:
a VEFEV
bEVEF
ce. VE V,V.
d. FE EVEF

2) Analise as afirmações a seguir e indique se são verdadeiras (V) ou falsas (F):

() Sendo (, ) um produto interno canônico do espaço R", então, temos,

À pl
Z||u+v lelufv |= (u,v)v

() Sendo (, ) um produto interno canônico do espaço R", se (u, v)=0, então

lu+vle=Jul+Juf.
 Produto interno — 157

() No espaço R?, para quaisquer u=(x,,y,), v=(x,,y,) em R?, o produto

[u,v] =Xx,y,-2X,7, - 2X,y, + 5x,y, não define um produto interno.

() Sendo os vetores u=(1,-1,0) e v=(2,-1,2) elementos de Rº, o ângulo entre u e v é

e=2,
2
Assinale a alternativa que corresponde à sequência correta:
a VEVF
[Link]
c EVEF
d. EE VE

3) Analise as afirmações a seguir e indique se são verdadeiras (V) ou falsas (F):

() A base ortonormal de R*, obtida pelo processo de Gram-Schimdt a partir da base

1(2.6,3)(-5,6,24),(9,-1,-4)) , é í[%%%] [—; —%g] [?—;%JWI

() Dado um isomorfismo T: U > V , o produto [u,uI ] =(Tu, Tuy, definido para
quaisquer u,u,ôU, é um produto interno.
() Em R?, considere o produto interno (u, v) = x,y, + 2x,y,, de modo que u=(x,,y,) e
v=(x,,y, ). Considerando esse produto interno, então os vetores (1,1) e (2,-1) não
são ortogonais.
() Considere o conjunto X = Rº , dado por X =Í(1,0,-1),(4,1,4),(-3,24,-3)); então X é
um conjunto L e ortogonal.

Assinale a alternativa que corresponde à sequência corret:

a VVEV
[Link]
cEVVE
d& EEVE

4) No espaço R*, considere os seguintes conjuntos, contidos em Rº X =[(1, 2, 1), (, 1, 1),

1,1, 2)), Y =((a, b, o), (-b, a, 0), Cac, -bc, º +b)) e Z= 3,3,3 á 3,3,—3 F É.fâlg À
777) V7 7 7)NV7 77
Assinale a alternativa correta:

a. X e Y são só ortogonais e Z é ortonormal.

b. X não é ortogonal, Y é ortonormal e Z é ortogonal.
c. X não é ortogonal, Y é ortogonal e Z é ortonormal.
d. X é ortogonal, Y e Z são ortonormais.
158 Álgebra linear

5) Considere o espaço vetorial das matrizes de ordem 2, M (2x2), e o seguinte produto interno
entre matrizes:

a bjle f
(L d]'[g h]) - ae+2bf+3cg+dh
3

, 21 12 11 o 0 3 2 :
Dadas as matrizesA = , B= 2T= n D= . E= . Assinale
n 3 40 11 00 —
a alternativa correta.
a. A norma de C é 7
b. A norma de A é 14.
c. As matrizes C e A são ortogonais.
d. As matrizes B, D e E são ortogonais a matriz A.

Atividades de aprendizagem
Questões para reflexão

1 Considere o espaço vetorial Rº com o produto interno canônico e o conjunto

x= í(x,y,z)e R'/x-y-z= 0) . Encontre uma base para X e uma para X' . Dê exemplos
de vetores pertencentes a X' .

2) Considerando o espaço vetorial P,, dos polinômios de ordem menor ou igual a 3, defi-
nimos o produto interno entre p=a,+a,x+a,x?+ax' e q=b,+b,x+b,x?+b,x? como
P D=a,b, +a,b, +a,b, +a.b,.
Dê exemplos de dois vetores de P, ortogonais. Calcule a norma de p=1-2x+x2-3x?.

Atividades aplicadas: prática

1) Pesquise e dê exemplos de produtos internos diferentes do produto interno canônico.

2) Pesquise sobre o que representa bases ortonormais. Utilize exemplos comparando-as com
outras bases. Qual é a importância de obter bases ortonormais?
Neste capítulo vamos descobrir alguns vetores especiais quando aplicados a uma transforma-
ção linear, chamados de autovetores, e junto com eles veremos os autovalores. Também vamos
estudar uma transformação linear especial, a qual é chamada de operador linear. Veremos as
propriedades relacionadas a ela, além de alguns tipos especiais de operadores. Vamos utilizar
os diversos conceitos aprendidos no decorrer do li 'o, como matrizes, determinantes, operador
linear e transformação linear.
Desvendando operadores

5.1 Operadores lineares

Vamos rever a definição de operadores lineares. A transforma: o linear do tipo T: V—>V é
chamada de operador linear.
Um subespaço vetorial U € V é invariante pelo operador linear T: V — V,se Tleva todo ele
mento de U em um elemento ainda de U. Assim, temos T em um subespaço de dimensão menor
do que a dimensão de V, consequentemente, trata-se de um espaço mais fácil de ser trabalhado.
Em outras palavras, um espaço vetorial Uc V é invariante pelo operador linear T: V > V se
a imagem T(u) de qualquer vetor ue U é um elemento de U, ou seja, T(U)c V . Vamos ver
os vetores que são levados por T em seus múltiplos na se o a seguir.

5411 Autovalores e autovetores

Seja T: V — V um operador linear, chamaremos um vetor v e V não nulo de autovetor
do operador
T, quando existir um número real % tal que T(v)=%v, e chamaremos de autovalor o número
2. Ou seja, o autovetor é levado, pelo operador linear, a um múltiplo dele. Dizemos que v é o
autovetor ociado ao autovalor 4 e também que 2 é o autovalor associado ao autovetor v.
Observe que, para todo w =av, temos T(w)=T(av)=aT(v)=0aXrv=2(av)=Aw ; logo, w
também é um autovetor associado ao autovalor X.
Agora, vamos trabalhar com as matrizes. Dada a transformação linear T: R" >R" eamatriz
A associada a essa transformação, então um autovalor 2e R e um autovetor v e R", v não nulo,
associados à matriz A são tais que T(v)=Av=Xv. Podemos considerar o vetor v como uma
matriz coluna com n linhas.

Preste atenção!
Estamos falando de autovetores e autovalores para transform:
que são operadores lineares.
162 Álgebra linear

5.1.2 Polinômio característico

Vamos estudar um método para encontrar os autovetores e os autovalores de uma transforma-
ção linear T: V > V. Já vimos que podemos associar uma matriz A à transformação T, então
se v é um autovetor de T, existe um número real %, de modo que T(v) NA
Usando a matriz A e o vetor v como a matriz coluna, podemos reescrever da seguinte maneira:

Av=W

Sendo | a matriz identidade, podemos escrever do seguinte modo:

Av=X9v
Av-Av=0
(A-M)v=0

Para termos uma solução diferente da nula, então det(A - M) =0.0 det(Af M) é um poli-
nômio chamado polinômio característico de T; as raízes 2 do polinômio característico de T são
os autovalores.

Exemplo 5.1
Seja T: Rº > R? uma transformação linear definida por T(x,y): (y,O), vamos encontrar os
autovalores e autovetores de T.
o1
A matriz de T é [º DJ- O polinômio característico é det(A— 1) =det õ =N araiz

de 12=0 é 2=0, que é um autovalor. O autovetor associado ao autovalor 4 = O, compreende

todos os (x,y) tais que T(x,y):(0,0), ou seja, T(x,y):(y,O):(0,0). Então, os autovetores
são da forma (x, 0) para qualquer x. O vetor (1,0), por exemplo, é um autovetor.

Exemplo 5.2
Considere T : Rº > R?º uma transformação linear definida por T(x, y) = (Zx +Y,3Xx+4y ) Vamos
encontrar os autovalores e os autovetores de T.
Para encontrar a matriz de T, calculamos T(I,O) =(2,3) e T(O,])= (1,4). Logo, a matriz de
Téa seguinte:

21
A:[T]=[3 Á

det(A- x) '2'7” ? =1º-6X+5

4-2
 Desvendando operadores — 163

As raízes são 1, =1 e ), são os autovalores. Para encontrar os autovetores, vamos subs-

. 2. /2 1x x a
tituir os autovalores na equação =A e resolvê-la.
3 4)y y
25 2 =
Para A,=1, . =1| * , temos xTYX , da primeira equação do sistema, temos
3 4)ly y BXx+4y=y

que y=-x e a segunda equação é sempre válida; as soluções são do tipo [x,—x). Portanto, os
autovetores são do tipo (x,fx); um exemplo é o vetor (10,-10).

21x x 2M+y=X ; à ;
Para L,=5, =5| |,temos , da primeira equação do sistema, temos
Í 3 4|)y y 3x+4y=5y

que y =3x e a segunda equação é sempre válida; as soluções são do tipo (x, 3x). Portanto, os
autovetores são do tipo (x,ãx); um exemplo é o vetor (4, 12).

Teorema
Considere um operador linear T: V — V . Autovalores distintos de T correspondem a auto-
vetores linearmente independentes.

Demonstração
Vamos demonstrar por indução. Considere os autovalores distintos A,, A,,A,,-..,A, € Seus
respectivos autovetores V,,V,,V,.,...,V,, OU Seja, T(v,): MV T(vz): AaV. ..T(vn):xnv".
Para n=1, temos apenas 4, e v, =0, então ( v,) é LI. Supondo que a afirmação seja válida para
n—1,ouseja, que fv,,v,,...,v, ,) é LI, vamos mostrar que o conjunto fv,,v,,V,,...,v,) é LE

LV + 0V t, V,,+OAV,=0(1)
Vamos aplicar a transformação T em ambos os lados da equação apresentada:

a T(v] )+ o T(V2)+..
o T(v., ) )+o,T(v,)=0O

QLA 04A Va u A mtaa

A V Vn FAA
= 0(2)
Multiplicando a equação (1) por %,, temos:

AV;V FAÇOAV,
F AÇ V AÇA V, =0(3)
Fazendo (2) — (3), obtemos:

(M =A )V T (A9 =A JV F(A —A n )AAVn O

A equação obtidaé o vetor nulo escrito como uma combinação linear dos vetores (VI iNguera o ;
e que é LI, portanto, (Ã' -A )al =(2,-2,)W, = +...+(7»n 17A )ccnrl =[Link], dofatodeos
escalares À,, A3,A,3,-../A, serem autovalores distintos, (4, -2 )= 0(A =A )=0,. (h 1=A )2O,
164 Álgebralinear

entãoa, = a, a, , =0. Substituindo as igualdades anteriores na equação (1), resta a v, =0.

Como v, *0, logo, a, =0. Assim, temos na equação (1) que os escalares são todos nulos, desse
modo, concluímos que o conjunto de autovetores ivl aaaN ] é LI, e em decorrência desse fato,
seadim V=n eooperador linear T: V > V tem n autovalores distintos, então existe uma base
B= fv, Má ) de V, de modo que a matriz de T em relação a base B é uma matriz diagonal.

Exercício resolvido
Considere T:R? — R?, definido por T(x,y)=(-3x+4y,-x+2y). Encontre uma base de auto-
vetores e escreva a matriz de T em relação a essa base.
Resolução
Em relação à base canônica, a matriz de T é a seguinte:

Para encontrar os os autovalores, temos que calcular o seguinte determinante:

3—
det(AfM)* t 4,
— 2M

Obtemos o polinômio 2º- 2 - 2= 0, que tem raízes e autovalores, , = 1 e A=-2, respectiva-

mente. Como esses autovalores são distintos, então os autovetores associados a eles formaram
uma base de autovetores.

é -3 4
Desse modo, o autovetor associado a 2, = 1é (1,1)e da seguinte igualdade [ i 2] X] = —Z[X],
= y y
temos que autovetor associado a %, =-2 é (4,1). A base de autovetores é í(l,]),(—í,l)% . Agora
vamos encontrar a matriz A, de T relativa à base de autovetores.

T(11)=(1,1)=1(1,1)+ 0(4,1)
T(4,1)=(-8,-2) =0(1,1) - 2(4,1)
 Desvendando operadores 165

Então, temos a seguinte matriz:

Observe que A, é uma matriz diagonal.

Dizemos que o operador linear T: V > V é diagonalizável se existe uma base de V cujos
elementos são autovetores
No primeiro exercício resolvido deste capítulo, temos que T é diagonalizável.

5.2 Operadores lineares especiais

Nesta seção, serão apresentados dois operadores especiais: os operadores autoadjuntos e os
operadores ortogonais. Você verá as definições, os exemplos e as propriedades relacionadas a
cada um deles.

5.21 Operadores autoadjuntos

Considere uma transformação linear T: U V. A adjunta de T é uma transformação linear
T :V—U, de modo que, para ue U e ve V, temos: (T(u), v)=(u, T*(v)).
Chamamos um operador linear T:V — V ,em um espaço vetorial munido de um produto
interno, de autoadjunto quando T =T' , ou seja, (T(u), 1)=(u, T(v)).

Exercício resolvido
Seja T: Rº — Rº um operador linear definido por T(x,y)=(2x,y), e considere o produto interno
canônico em R? ; mostre que ele é autoadjunto.
Resolução
De fato, sejam u=(x,y) e v=(x,,y, ) vetores de Rº :

(T(u),v)=(T(y)
(xy, =(%
y) (Xxoy, D= 20 +yy,

u,T(v) =< y) T(x.y, D=( y) (2x,y, D= 2Xx +yY,

Portanto:

(T(u),v)=(4T(v))
Se uma transformação T é autoadjunta, então a matriz de T em relação a uma base ortonor-
mal é uma matriz simétrica.
166 Álgebralinear

Exercício resolvido
Dada a transformação linear T: Rº — Rº, considerando T(x,y,2z)=(2x-2/y+22,-x+2y+32z)
T(xy, z) =(2x-2z,y+227,-x+2y+3z), mostre que T é um operador autoadjunto.
Resolução
Vamos encontrara matriz de T; para isso, calculamos T(1,0,0)=(2,0,-1), T(0,1,0)=(0,1,2)
e T(0,0,1)=(-1,2,3). Logo, a matriz de T é:

20A1
[=0 12
123

É uma matriz simétrica, podemos concluir que T é um operador autoadjunto.

Teorema
Se T é um operador autoadjunto e 4, e 4., são autovalores distintos de Te v, e v, são auto-
vetores associados aos autovalores X, e À,, respectivamente, então v, e v, são ortogonais.

Demonstração
De fato, se temos *, e , que são autovalores distintos de T e v, e v, que autovetores asso-
ciados aos autovalores, como T é autoadjunto, temos: (T(v, ),v,) =(v,,T(v, :
Como , e %, são autovalores associados a v, e v,, respectivamente, então:

Substituindo os dados em:

Temos:

(T(vl ),v:>:(v,,T(v2 ))
(Ã,v[,vº):<vl,7uzvª)
Ãl(v,,v:):Ãz(v,,vg)

Como %, e à, são distintos, então a igualdade só é verdadeira Qp Vo =(V, V1> = O, ou seja,

v, e v, são ortogonais,
 Desvendando operadores — 167

Exercício resolvido
Considere a transformação linear T: Rº >Rº, T(x,y,2)=(-x,5y+ 2z, 2y+ 5z). Mostre que T
é um operador autoadjunto. Apresente uma base ortonormal de autovetores de T.
Resolução
Encontrando a matriz de T na base canônica, temos: T(1,0,0)=(-1,0,0), T(0,1,0)=(0,5,2)
e T(0,0,1)=(0,2,5).
1 o 0]
A matrizda transformação é [T] =| 0 5 2|. Comosetrata de uma matriz simétrica, então
025
T é um operador autoadjunto. Conforme o teorema anterior, existe uma base ortonormal de
autovetores de T. Vamos encontrar essa base.
O determinante da matriz para encontrar os autovalores é o seguinte:

O 52% 2 /=-X+9º-111-21=0

Resolvendo a equação obtida com o determinante, obtemos %, = —1,4,=3 e A,=[Link]

autovetores associados aos autovalores são os seguintes:
—-1 O ox x
* Para A,=-1:/0 5 2||y|=-1ly|;temos o autovetor (1,0,0).
o 2 5jlz) |Z

-1 o olx x
0 5 2)/|y|=3ly|;temos o autovetor (0,-1,1).
o 2 Slz z

— o ox *
"“ Para A,=7:/ 0 5 2||y|=7]y|;temos o autovetor (0,1,1).
025 Z ÉZ

O conjunto dos autovetores ((1,0,0), (0, —1,1), (0,1,1)) é uma base ortogonal. Agora, vamos encon-
trar uma base ortonormal:

(10,0) (1) ( 1
a f E
NS

A base ortonormal de autovetores é %(1,0,0), íO, -=

168 Álgebra linear

5.2.2 Operadores ortogonais

Vamos definir uma matriz ortogonal. Seja A uma matriz quadrada, se AA' = A'A=|, então
A é uma matriz ortogonal.

Exemplo 5.3
Considere a seguinte matriz de rotação no espaço Rº :

AA[cos(e) —sen(º)]
— |sen(6) cos(o)

EB s8lA s8
Temos que:

sen(6) cos(e) || -sen(6) cos(6)| |o 1

A'A:ím(e) sen(B)J[cos(e) -sen(e)J:F OJ

—sen(6) cos(6)||sen(6) cos(6)| |0 1

Então, A é uma matriz ortogonal.

Em uma matriz ortogonal, as linhas da matriz, ou suas colunas, são vetores ortonormais. Seja
um operador linear T: V > V, e V munido de um produto interno, sendo B uma base, então,
dizemos que T é um operador ortogonal se a matriz de T em relação à base B for uma matriz
ortogonal. No Exemplo 5.3, temos um operador ortogonal.

Teorema
Considere os espaços vetoriais de dimensão finita, V e U, e munidos de produto interno.
As afirmações a seguir sobre a transformação linear T: V > U são equivalentes:

= T preserva norma, ou seja, IT(V )II = “v" paratodo ve V .

* T preserva o produto interno, ou seja, (T(vI ),'1'(v2 )):(v, .)

TT '”
* A matriz de T, em qualquer par de bases ortonormais, é uma matriz ortogonal.
* Ttransforma toda base ortonormal B c V em um conjunto ortonormal a c U .
Uma transformação linear T: V > U é ortogonal se satisfizer um dos itens que foram apre-
sentados. Do mesmo modo que um operador linear é ortogonal quando satisfaz as condições do
último teorema apresentado, podemos também concluir que T' =T , ouseja, TT=Iou TT =1.
 Desvendando operadores — 169

Considere o operador linear ortogonal T: V>V; então T preserva a norma, ou seja,

IIT(V)II:HVII para todo ve V . Observe que, a respeito dos autovalores e autovetores de
T, T(v)=*v, temos IIT(V)II:"ÃVII:'Ã"IVI , mas HT(V)":HV" então [1|=1, ou seja, os auto-
valores são A, =1 e 2,=-1. Sejam os autovetores v, e v, correspondentes aos autovalo-
res , e A,, respectivamente, então T(v, )=v, e T(v, )=-v, . Como T preserva produto
interno, temos (T(v, ),T(v,))=(v,,v.), e das igualdades anteriores, dos autovetores, temos
(T(v,), T(v,)) =(v,,-v,). Assim, (v,,v,) =(T(v, ), T(v, =(vy,-v,) =-(v,,v,) dessa maneira,
a igualdade (v,,v,)=-(v,,v,) resulta em (v,,v,)=0.

Exemplo 5.4
Vimos que a matriz de rotação do R? é ortogonal, logo, ela é um operador ortogonal. Do último
teorema apresentado, temos que o operador preserva a norma (tamanho) e produto interno e
leva base em um conjunto ortogonal. Dessa maneira, temos que fazer uma rotação, mantendo
o tamanho e os ângulos, ou seja, se fizermos uma rotação em torno da origem de uma figura,
está preservará seu tamanho e não deformará, só estará em outra posição no espaço.

Síntese
Neste capítulo, você conheceu a relação entre autovetores e autovalores, como encontrá-los
por meio de matrizes. Aprendeu sobre um tipo especial de transformação linear, os opera-
dores lineares, e casos em que esses operadores são do tipo autoadjunto e ortogonal, além
da relação deles com as matrizes simétricas e transpostas.

Atividades de autoavaliação
1) Analiseas afirmações a seguir e indique se são verdadeiras (V) ou falsas (F):
() Considere o operador linear T : R—R', definido por
T(x,y,2)=(2x+y,x+y+2,y-3z) e com o produto interno canônico. T é
autoadjunta, mas não é ortogonal.
100
() Os autovalores
da matriz /0 2 3|são%A,=1, A,=5eXA,=-1.
o 32

() Considere o operador linear T:R?º — Rº , dado por T(x,y)=(-3x+4y,2y-x).Os

vetores (1,4) e (1,2) são autovetores de T.

1) =3 1
() v= é um autovetor de J
4 =3 &
170 Álgebra linear

Assinale a alternativa que corresponde à sequência correta:

a VEEV.
b. VVEF
GEV VE
d. E EEV

2) Analise as afirmações a seguir e indique se são verdadeiras (V) ou falsas (F):

() Considere o operador linear T: Rº — R', definido por T(x,y,2)=(-x-2y+22,y,2).
Os autovalores de T são -l e 1.
() Considere o operador linear T:R? — R?, definido por T(x,y)=(2x-2y,-2x+5y).
T não é autoadjunto.
()Se A, B: V > V são operadores autoadjuntos, então AB + BA é também um operador
autoadjunto.
() Se A,B: V > V são operadores autoadjuntos, então AB — BA é também um operador
autoadjunto.

Assinale a alternativa que corresponde à sequência correta:

a. VE VV
bEVVE
GVEVE
[Link]

3) Analise as afirmações a seguir e indique se são verdadeiras (V) ou falsas (F):

() Se A é um operador autoadjunto e B é inversível, então B 'A B é autoadjunto.
() Sejam %,, %, autovalores, distintos e diferentes de zero, de T: Rº » Rº, se T(v,)e
T(v,) são LI, então os v, e v, são autovetores.
() Se 2=0 é um autovalor de T, então T não é injetora.
-2 00
()SeT=|O 6 1|,Té autoadjunto.
016

Assinale a alternativa que corresponde à sequência obtida:

aFEVVYV
[Link]
cEVEF
d. VEFEF
 Desvendando operadores — 171

4) Analise as afirmações a seguir e indique se são verdadeiras (V) ou falsas (F):

() Se uma matriz A é autoadjunta, então A? =]|.
() O operador linear T: Rº - R?, dado por T(x,y)=(-y,-x), é ortogonal.
10A
()Amatriz| 1 1 O | éortogonal.
-11 o
() Se A e B são ortogonais, então AB também é ortogonal.

Assinale a alternativa que corresponde à sequência correta:

a [Link].
[Link]
« EEVV.
d VV EV

5) Considere os seguintes operadores lineares, em seguida, assinale a alternativa que apre-

senta a afirmação correta:

T :R — R, definido por T (x,y,z)=(2,x,-y).

T:Rº — R, definido por T,(x yz) (xivz):
T :R > R', definido por T,(x,y,z)=(x,0,0).

T :Rº — R, definido por T (x,y)=(x+y,x-y).

a. Os operadores T, e T, são ortogonais.
b. Os operadores T, e T, são ortogonais.
c. Os operadores T,,T, e T, são ortogonais.
d. Os operadores T, e T, são ortogonais.
172 Álgebra linear

Atividades de aprendizagem
Questões para reflexão

1 Considere T : U > V uma transformação linear e U, V como espaços vetoriais de dimensão

finita munidos de um produto interno. Mostre que as seguintes afirmações são equivalentes:
a. T preserva norma, ou seja, IT(u)Il: Hull para todo u pertencentea U .
b. T preserva produto interno: (T(u, ) T(u, )) =(u,,u,) para quaisquer u,,u,
elementos de U .
e T=l
d. A matriz de T relativa a qualquer par de bases ortonormais, B, < U, B, € V, é uma
matriz ortogonal.

2) Se T'T=-T, prove que os autovalores de T pertencem ao conjunto íO,fl] . Dê um exem-

plo de uma matriz quadrada A = [a"] de ordem 2, de modo que a,, = —% e A'A=-A.

Atividade aplicada: prática

1) Faça um quadro comparativo dos operadores estudados.

2) Pesquise aplicações de autovalores e autovetores e dê exemplos. Faça uma entrevista com

engenheiros sobre o assunto.
Neste capítulo, estudaremos funções com propriedades especiais: as formas bilineares e as
formas quadráticas. Veremos como elas se comportam e suas peculiaridades. As funções com
propriedades especiais descrevem as cônicas e quádricas e auxiliam, junto com autovalores, no
processo de otimização, na localização de máximos e mínimos.
O encanto das formas quad

6.1 Formas bilineares

Para chegarmos às formas quadráticas, vamos antes conhecer uma forma bilinear,
Considere os espaços vetoriais U e V. Uma função B: Ux V > R é uma forma bilinear se for
linear em cada uma das duas variáveis, ou seja, para quaisquer u,u,,u, € U e v,v,,v, € V, temos:
B(u,+ ul,v):B(u,,v)JfB(u:,v) B(au,v)=aB(u,v)

B(u,v, +v, )= B(u,v, )+B(uv,) B(uav)=aB(uv)

Exemplo 6.1
A função produto de números reais, definida B: RxR > R, associa o par de números reais
(x,y) ao número real xy, ou seja, B(x,y): xy
De fato, a forma é bilinear, pois

B(x,+x2,y)=(x,+x,)y=x,y+x,y=B(x,y)+B(x,,y)

B(ax y) =(0x)y = a(xy) =0B(x.y)

B(x,Y,+Y2)=X(Y, +Y2)=xY, +xy2, = B(x/Y,) +BO Y)
B(x,ay)=x(0y)=a(xy)=aB(x,y)

Exemplo 6.2
A função definida porB : Rx R2 > R, considerando
que B((x,,y, ),(X, Y2 )) =Xx +Y y,, é uma
forma bilinear, pois, sejam (x,,y, ),(x.,X,) e (x,y) elementos de R?, temos.

B((xy,)+(X2Y2).(%y))=B((x, +x2Y1 +Y2)(Y))=

(x +xa )X+(Y1+ Y2 )Y Exx + XX + YY +Yay= Bl(xpY, ) (x y))+ B((/X2)-(xy))
176 Álgebra linear

B(a(x,,Y,).(x.y))=B((0x,.0y, ).(x,y)) =ox,x+oy,y =a(xx+y,y)=aB((x,,y, ).(x y))

B((x,y).(x,.y,)+(x2/Y: )=B((X.y).(x +x2/.Y, +Y1))=
x(x, x)A y(, Y2 )=x +aoxg + y,
+ yY2 = B((y)
(x Y ))+ B(CY).Co Y2)

B((x,y),a(x,,y, ))=B((x,y)
(0x, ,ay, )) =xax, + yoy, = a(xx, +yy, )= aB((x,y),(x.y,))

Agora, relacionaremos as formas bilineares com matrizes. Para isso, sejam as bases
B= [u',uª,...,um) eB= [v,,vz,...,vn) de U e V , respectivamente, a matriz da forma bili-
near B: Ux V — R relativa às bases B, e B, é [B] :[b"] , de modo que b, = B(u,,vl),

B(u,v,) B(u,v,)... B(u,

[B]= B(m_xl,v_) B(u?,vl)._., B(w,,

B(u,v,) B(um', v,) B(u, 4, Vi)

Sendo u em U e v em V, com u=
X U +X,U, +X,U, +...+X U E VEYV,+Y,V,
tT + Y V,
temos:

Blu,v)) Blurv,) Blurv,) |(y,

B(u,v): [x, x, ,,.xm] B(?::V.) B(“zV_) B(uª;v") Ya

B(u,v,) Blu,, v,)... Blup v,)|ly,

Exemplo 6.3
Considere B:Rº x Rº >R definida por B(u,v)=2xx, +xy, +3yx, +4yy,, sendo u=(x,y) e
v= (X, ; ) Vamos encontrar a forma matricial, sendo e, = (1, 0) e e,= (0,1) s

Bl(e,,e,)=B((1,0),(1,0))=2, B(e,,e, )=B((1,0)(0,1))=1,

 O encanto das formas quadráticas 177

B(e,,e,)=B((0,1),(1,0))=3 e B(e,,e, )=B((0,1),(0,1))=4

[)-[2 d
B(ee,) B(e[,ez)J[xl]
simr)al yª[s(e,,m Blee))|y,

B(u,v)=[x y][ª HDJ

Uma forma bilinear B:VxV o R é simétrica se, para quaisquer v,,v,e V , tem-se
B(v,v.)= B(v,,v, ). Sea matriz associada à forma bilinear B: V x V > R for simétrica, então
a forma bilinear é simétrica. Se a forma é bilinear simétrica, então a matriz associada a ela é
uma matriz simétrica.

Exercício resolvido
Considere B: R x Rº >R , definida por B(u,v):B((x,y,z),(x,,y,,zl)): xX, = xa +3yy, +
2yzZ, - Zx, + 2Zy, + 427,. Verifique que a forma é simétrica e encontre a matriz de B.
Resolução
Para mostrar que a forma é simétrica, temos que mostrar que B(u,v)=B(v,u).De fato:

B(u,v)=xx, -xZ,+3yYy, +2yZ, — ZX, + 2Zy , +427,

B(v,u)=xx-x,2+3y,y+2y,2—-2,Xx+22,y+47,2

Logo, B(u,v)=B(v,u).
Vamos encontrar
a matriz, sendo e, :(1,0,0), e :(0, 1,0) .. :(0,0,1).

B(ee) B(ee) Blee,)| [1 0 4

[B]=| B(exe) Bleves) Bleve)i= o 3 2
B(e,e,) B(ee,) B(ege,)| |9 2 4

Observe que a matriz de [B] é uma matriz simétrica.

178 Álgebra linear

Considere uma forma bilinear B: Vx V >R e a base B de V diferente da base canônica.

Sejam [B] a matriz de B, íB"] a matriz de B na base B, temos [B“] = [P]' [B][P] , de modo
que [P] é a matriz da passagem da base canônica para base B.

Exercício resolvido
Escreva a matriz da forma bilinear do último exercício resolvido na base ((1, 1, 0), (0, 1,2), (1,0, )).
Resolução
Do exemplo anterior, temos:

10A41
[B]|=|o 3 2
- 2 4

A matriz de passagem é a seguinte:

101
[P]l=|1 1 o
021

Logo, [B,]=[P][B][P]
11 0/1 0 /1 01 4 5 2
[B,]=|o 1 2]0 3 2/1 1 0|=|5 278
10 1/|)4 2 4/0 21 - 2 4

6.2 Formas quadráticas

Considere V um espaço vetorial real e B: Vx V >R uma forma bilinear simétrica. A função
Q:V—R,demodo que Q(v ) = B(v, V), é uma forma quadrática associada à forma bilinear B.
Em termos de matrizes, temos:

e(v)=["] [B][v]
: a
[v] representa a matriz linha do vetor v, [B] representa a matriz associada à forma bilinear
B; como B é simétrica, a matriz será simétrica, e [v] é a matriz coluna do vetor v.
 O encanto das formas quadráticas 179

Exercício resolvido
Considere Q: Rº >R a forma quadrática definida por Q(v)=2x2-4xy+7y?2, de modo que
v=( x,y). Escreva Q em termos de matrizes.
Resolução
Para encontrar Q em termos de matrizes, temos a seguinte equação:

Q(v):[;]í: É][x yJ=ax2+ 20xy +cy?

Então, Q(v)=ax?+2bxy+cy2=2x2-4xy+y?. Assim:

a=2
2b=-4
c=1

Portanto, a =2, b=-2 e c=1; substituindo os dados na matriz, temos:

x| 2 -2l
Q(V)ÍM[,Z 1 JLX y]

Exemplo 6.4
Seja Q: Rº > R uma forma quadrática definida por Q(v )= Ax?+ Bxy + Cy?, considerando que
A,B eC são reais quaisquer e v=(x,y). Encontre Q em termos de matrizes.
Para encontrar Q em termos de matrizes, temos a seguinte equação:

QM:MB É][x y]=ax2+ 2bxy +cy?

Então, Q(v)=ax?+ 2bxy +cy?= Ax? + Bxy+ Cy? . Assim.

Ja:A
2b=B
e=C

Portanto, a= A, b = e c=C . Substituindo os dados na matriz, temos:

2
180 — Álgebralinear

Exercício resolvido
Considere Q:Rº >R uma forma quadrática definida por Q(v )ax2+2y2+6272-8xz+20yz.
Escreva a forma quadrática em termos de matrizes.
Resolução

a b clx
Q(v)=[x y z]|b d ej| y =ax2+dy2+fz2+2bxy+2cxz+
2eyz
e e filz

Devemos ter Q(v)=ax?2+dy2+fz2+ 2bxy+ 20xz+2eyz=Xx2+2y2+6z? -8xz + 20yz . Assim:

a=1
7

d=2
f=6
2b=0
20=-B8
2e=20

Portanto, temos a =1,b=0, c=-4,d=2,e=10e f = 6. Substituindo os dados na matriz, temos:

1 0 4lx
Qív)=[x y z]o 2 10|y
— 10 6z

6.2.1 Diagonalização das formas quadráticas

Uma matriz [A] é diagonalizável se existe uma matriz ortogonal [P] tal que [P' ][A] [P] = [D]
de modo que a matriz diagonal [D] tem em sua diagonal os autovalores de [A] Seja a forma
quadrática Q: V > R, sempre existe uma base ortonormal de V tal que a matriz de Q é uma
matriz diagonal. Como [B] é simétrica, então é diagonalizável. Sendo [P] formada pelos auto-
vetores normalizados (norma 1), [P] é ortogonal e [P' ][B][P] = [D] . Dessa maneira, a matriz
[D] é a matriz diagonal associada à forma quadrática Q, de modo que sua diagonal é formada
 O encanto das formas quadráticas 181

pelos autovalores de [B]. Observe que [D] é a matriz de B na base ortonormal formada pelos
autovetores.

Exemplo 6.5
Considere Q: Rº >R uma forma quadrática definida hpor Q(V): x?+ 8xy + y? . Encontre a
matriz diagonal associada a Q.
Em termos de matrizes, vimos que, substituindo os valores A = 1, B=8eC=1,temos:

al d n
Vamos encontrar os autovalores de [B]:

12 4
=0
4 1-29

Assim, 1º — 2X -15; logo, tem-se A,=-3e2,=[Link] autovetores associados são os seguintes:

para 4, = —3, temos (-1,1) e para 2, = 5 temos o autovetor (1,1). Vamos deixar os autovetores

=j [,Ll] e (11) [1
11
com norma 1, então u
[ E W = É / % ] . A ma tr iz ortogonal [P] é, então:

l 1l
[e]=| L &
TE
Portanto, a matriz diagonal para a forma quadrática é a seguinte:

12 1 —l l
ltn E E1 1 2 sE
23 E
-3. 0
A matriz da forma quadrática na base [f—iJ [llj é . Assim,
12 2) W' o5s
?J[X'Jªª&ªãy.ª'
Qlxy,))=Lx, Y.][Í L
Observe que escrever a matriz diagonal da forma quadrática Q é mudar a base, o referencial,
e escrever uma nova equação para Q, apenas como soma de quadrados das novas variáveis, ou
182 Álgebralinear

seja, eliminamos o termo misto, que no exemplo é 8xy. As novas variáveis relacionam-se com
as anteriores pela igualdade [v] = [P][VJ x

Pense a respeito
Há outros métodos para eliminar os termos mistos, chamados de Redução de Lagrange
e Redução de Kronecker. Para saber mais sobre esses métodos, consulte o livro de Anton
e Busby.

ANTON, H; BUSBY, R. C. Álgebra linear contemporânea. Tradução de Claus Ivo Doering.

Porto alegre: Bookman, 2006.

6.3 Cônicas e quádricas

Em geometria analítica, estudamos os aspectos geométricos das formas cônicas, em especial
as elipses, as hipérboles e as parábolas. As superfícies quádricas são usadas em cálculo, den-
tre outras áreas importantes. Estudaremos, nesta seção, a parte algébrica das formas cônicas e
quádricas, relacionando-as com as formas quadráticas.
Estando no espaço R?, a equação da forma Ax?+Bxy+Cy?+Dx+Ey+F=0,de modo que
A,BC,D,E e F são números reais e A ou B ou C é diferente de O, e chamada de cônica.
Podemos associar a equação da cônica com a forma quadrática Q(x, y) = Ax? + Bxy + Cy? e com
a forma linear L(x,y)= Dx +Ey eaconstante F. Assim, escrevemos a cônica do seguinte modo:

Q(x,y)+L(x,y)+F=0

Vejamos alguns exemplos de cônicas centralizadas na origem (0,0).

Figura 6.1 - Cônicas

P Elipse
Parábola

yY-Dx=0
DZ0

N
 O encanto das formas quadráticas 183

Exemplo 6.6
Encontre em cada item indicado a seguir a forma quadrática associada à cônica dada:

a. A elipse de equação %Jr%: Y

.A forma quadrática associada é Q(x,y)=

O termo independente é F=-1.
á a X Y
b. A hipérbole
per Oole d: de equaçao ——
16 25 ; ; ;

A forma quadrática associada é Q(x,y ) = XX Eentão A=—,B=0, C=—, D=0, E=0

16 25 16 25
O termo independente é F=-1.
c. A parábola de equação y?=2x.
A forma quadrática associada é Q(x,y)=y2. Então, A=0, B=0, C=1, D=-2, E=0,F=0.
A linear é L(x,y): —2X.
d. A elipse de equação 3x?+4y?-12=0.
A forma quadrática associada é Q(x,y )=3x2+4y2. Então, A=3, B=0, C=4, D=0, E=0.
O termo independente é F =-12.
e. A forma cônica de equação 2x?+4xy+y?+3x-y+4=0,
A forma quadrática associada é Q(x,y)=2x2+4xy+y2. Então, A=2, B=4, C=3, D=O0,
E=A linear é L(x,y)=3x-y.O termo independente é F=4.
f. A cônica de equação 5xXº+6xy+y?2-2=0.
A forma quadrática associada é Q(x,y)=5x2+6xy+y2. Então, A=5, B=6, C=1, D=0,
E =0.O termo independente é F =-2.
Para as cônicas não centradas na origem, podemos vê-las como cônicas que sofreram translação
ou rotação, mudando assim seu centro e seus eixos de referências, sua base. Essas transforma-
ções, translação e rotação, estão relacionadas aos termos lineares (translação) e mistos (rotação).

Exemplo 6.7
Considere a cônica 8x?+ 26y? -16x-78y+ 81=0. Determine qual é a cônica descrita por essa
equação.
Como não temos o termo misto (Bxy), precisamos eliminar os termos lineares: -16x—78y .
Para isso, vamos completar quadrados:

4Xº +13yº — 16x—-78y +81=0

4(x-2) +13(y-3

Dividindo a equação por 52, temos:

184 Álgebra linear

A equação representa uma elipse e com centro no ponto (2,3).

Podemos completar quadrados da seguinte maneira: os termos lineares significam que a
cônica sofreu uma translação, apenas, pois não há termo misto. Dessa maneira, a cônica pode
ser escrita como a(x-c )Z +b(y-d )2 +e=0,de modo que (c d) é o novo centro. Desenvolvendo
os cálculos, temos:

ax -2ac+acº +by? -2bdy +bdº +e=0

Igualando os termos correspondentes com 4xº +13yº - 16x - 78y + 81=0, encontramos a =4,
b=130=2 d=3,e= 52. Obtemos, assim, a seguinte equação: 4(x-2) +13(y-3) -52=0.
Veja a representação gráfica da equação na figura a seguir.

Figura 6.2 - Elipse

——A

4
do'

".

Q
2 o fo 1 2 3 dZ 5 &

Agora, vamos para o caso com rotação. Para isso, vamos usar o fato de a cônica
Ax?+ Bxy +Cy?+ Dx +Ey+F=0 poder ser escrita como Q(x,y)+L(x,y)+F=0,de modo
que Q(x,y)= Ax?+ Bxy +Cº, L(x,y)= Dx+Ey . Escrevendo com matrizes, temos, da seção
B
A
anterior, que Q(X,y): Ax?+ Bxy+ Cy? corresponde à matriz B ? |. Também estudamos a
€
2
 O encanto das formas quadráticas — 185

x .
linear e podemos escrever L(x,y)= Dx+Ey= [D E] [ . Dessa maneira, podemos escrever
a cônica Q(x,y)+L(x,y)+F=0 do seguinte modo: y

BJ g
mlS
x yvlg
2

N
Considere a cônica x?+ 4xy+y?+3x-y+4=0. Determine qual é a cônica descrita por essa
equação.
Podemos escrever a cônica como a soma Q(x,y)+L(x,y)+F=0;temos A=1,B=4 C=1,
D=3,E=+",F=4 Nas matrizes:

Para eliminar o termo misto, vamos diagonalizar a forma quadrática. Para isso, precisaremos

dos autovalores de 1 2:
21

Os autovalores são , = —1 e , =3. Os autovetores correspondentes são o seguintes:

1 2)x 1 x| |[1 2/x] 3l *

2 1)y) |yl|2 1]y] |y

(ga) mmm aants nfe d)

Os autovetores
são (-1,1)
e (1,0); encontrando os autovetores com norma 1, temos [, 1
R2
d ]

Escrevendo (x,y)
Y
na base formada pelos autovetores ortonormais, ou seja, em termos de

(x Y, ), a relação é dada por:

:
ál-si-
186 — Álgebralinear

Na equação:

e o fl
Substituindo os dados em termos da nova base, temos:

si-el-
Í x
2

Resolvendo as multiplicações de matrizes, temos:

ss
4
a 2 Bi azo
2 e
Nessa equação, precisamos eliminar os termos lineares, desse modo, completando quadra-
dos, temos:

É uma hipérbole, conforme demonstra a figura a seguir.

 O encanto das formas quadráticas 187

Figura 6.3 - Hipérbole

o
6 4 2 o

Exemplo 6.8
Há um resultado para encontrarmos a cônica em termos dos autovalores da matriz [B] da forma
quadrática associada à cônica, conforme indica o teorema a seguir.

Teorema
Considere a cônica dada por Ax?+ Bxy+Cy?+Dx+Ey+F=0,eos autovalores *,, %, da
forma quadrática associada à cônica. Temos que:
* se A,A, >O, então a cônica é uma elipse ou um ponto ou o conjunto vazio;
" se 2,A, <O,então a cônica é uma hipérbole ou par de retas concorrentes;
* seA1,=0,então é uma parábola ou par de retas paralelas ou uma reta ou o conjunto
Vazio.

Síntese
Neste capítulo, você estudou as funções com propriedades especiais, as formas bilineares
e quadráticas e suas relações com matrizes. Além disso, comprendeu a relação entre os
conteúdos vistos nos capítulos anteriores com o conteúdo visto em geometria analítica,
observando a importância dos assuntos estudados e a relação entre as disciplinas.
188 Álgebra linear

Atividades de autoavaliação
2 Analise as afirmações a seguir e indique se são verdadeiras (V) ou falsas (F):
O B:R?xRº > R, dada por B((x,,X,),(Y.Y2))=xiy, = 2x;Y,, é uma forma bilinear.
() B:VxV — R, dada por B(u,v)=u,v, é uma forma bilinear.
O B:RxRº > R dada por B((X,,X,),(Y1.Y2))=2X/Y, +X3Y, +X/Y2+2X,Y,, não é uma
forma bilinear.
() B:RºxRº — R, dada por B((x,,X,),(Y,1.Y2))=2x3Y, + 2X y,, é uma forma bilinear
simétrica.

Assinale a alternativa que corresponde à sequência correta:

a VVEF
[Link]
eERVYV
d.E V VF

2) Indique quais das funções a seguir definidas de Rº xRº - R são bilineares (B) e quais
não são bilineares (NB), considerando u=(x,,x,), v=(y,, Y.)

Assinale a alternativa que corresponde à sequência correta:

a. NB, B NB, NB.
b. B NB,B,B.
c. B NB,[Link].
d. NB, B NB, B.
 O encanto das formas quadráticas — 189

Corresponda as formas bilineares, definidas em Rx R> R, sendou=(x,,x,),v=(y, Y.)

com as suas respectivas matrizes na base canônica:
t B(uv)=xy,
1 B(uv)=xy, +Xx/X,
n B (uv)=xy,-xy,

Assinale a alternativa que corresponde à sequência correta:

a. ,L
b. L 1,11
e LLL
d. LLL

Considere B: Rº xR?º >R a forma bilinear definida por B(u,v)=x,y,+2Xx,y, -x,Y, +

X2Y7 sendo u=(x,,x,), v=(Y,, Y,). As matrizes de B nas bases í(l,l),(l,—l)) e
í(2,3),(4, 1)) são, respectivamente:
MR
w
190 Álgebra linear

5) Analiseas afirmações a seguire e indique se são verdadeiras (V) ou falsas (F):

(O B(u,v)=xy, +3x,y, +3x,y, é simétrica.
() Se B(u,v)=2x,y, +3x,y,, então B(u,v)=-B(v,u).
O B(u,v)=2X/y, =X/Y, =X Y. +3X,y, não é simétrica.
Assinale a alternativa que corresponde à sequência correta:
[Link]
[Link]
c. E EV
d. V VF

Atividades de aprendizagem
Questões para reflexão

1) Encontre uma matriz para a forma quadrática Q:R' >R, definida por
Q( x, y,z) =ax?*+by?2+cz?2+dxy+eyz+fxz,de modo que a, b, c, d, e, f são números reais.

2) Determine condições para os números a, b, c, d, e para que B: RxRº oR,

B(u,v)=ax,y, +bx,y, +Ex,Y, +dx,y,, para que B(u,v)=B(v,u).
Atividades aplicadas: prática

1) Façaum quadro de classificação das cônicas.

2) — Pesquise sobre cônicas em livros de geometria analítica e faça um quadro comparativo

com o estudo feito em álgebra linear.
 191

CONSIDERAÇÕES FINAIS

Encerramos nossos estudos com a certeza de que você conheceu os principais assuntos da álge-
bra linear e de que adquiriu conhecimentos para aprofundar os estudos e buscar aplicações em
outras áreas. Buscamos fundamentar bem os principais assuntos: matrizes, espaços vetoriais e
transformações lineares, com diversos exemplos. Acreditamos que o material cumpriu os obje-
tivos. Este é um texto para dar suporte aos alunos de graduação na modalidade EaD.
Apresentamos ferramentas para auxiliar os leitores nos estudos de cálculo, álgebra, geome-
tria, física, estatística, no ensino de álgebra e aritmética para os alunos do ensino básico, entre
outros assuntos. Os exemplos, os exercícios resolvidos e as atividades ao final de cada capítulo
serviram para aprofundar e auxiliar no entendimento dos conteúdos abordados.
Encerramos com a convicção de que os conteúdos e a maneira como foram apresentados são
suficientes para que você tenha conhecimento e possa aprofundar-se no tema da álgebra linear,
sua importância e suas aplicações.
192 Álgebra linear

REFERÊNCIAS

ANTON, H.; BUSBY, R. C. Álgebra linear contemporânea. Tradução de Claus Ivo Doering.
Porto alegre: Bookman, 2006.
BOLDRINI, J. L. et al. Álgebra linear. 3. ed. São Paulo: Harbra, 1986.
CALLIOLI, C. A; DOMINGUES, H. H.; COSTA, R. C. F. Álgebra linear e aplicações. 6. ed. São
Paulo: Atual, 2003.
EVES, H. Introdução à história da matemática. 5. ed. Tradução de Hygino H. Domingues.
Campinas: Ed. da Unicamp, 2011
HEFEZ, A.; FERNANDEZ, C. S. Introdução à álgebra linear. Rio de Janeiro: Sociedade
Brasileira de Matemática, 2012. v. 1.
HOFFMAN, K.; KUNZE, R. Álgebra linear. São Paulo: Polígono, 1971.
KILHIAN, K. Cayley e a teoria das matrizes. O baricentro da mente: matemática, física,
ciências e afins, 28 nov. 2010a. Disponível em: <[Link]
br/2010/11/[Link]>. Acesso em: 18 ago. 2016.
— Sistemas lineares e determinantes: origens de desenvolvimento. O baricentro
da mente: matemática, física, ciências e afins, 28 nov. 2010b. Disponível em: <http://
[Link]/2010/11/[Link]>. Acesso
em: 10 maio 2016.
LIMA, E. L. Álgebra linear. 3 ed. Rio de Janeiro: Impa, 1998.
AXIOMA. In: Michaelis - Dicionário de português online. Disponível em: <[Link]
[Link]/moderno/portugues/[Link]?lingua=portugues-portugues&palavra=axioma>.
Acesso em: 19 ago. 2016.
STEINBRUCH, A.; WINTERLE, P. Álgebra linear. São Paulo: Pearson, 1987
 193

BIBLIOGRAFIA COMENTADA

BOLDRINI, J. L. et al. Álgebra linear. 3. ed. São Paulo: Harbra, 1986.

Esse livro apresenta, com uma linguagem simples e completa, os conteúdos de álgebra linear;
sempre que possível apresenta aplicações e alguns conteúdos são iniciados com exemplos e
aplicações para depois serem formalizados. É composto, também, por exercícios resolvidos e
uma grande quantidade de exercícios com respostas no final do livro.

CALLIOLI, C. A.; DOMINGUES, H. H.; COSTA, R. C. F. Álgebra linear e aplicações. 6. ed. São
Paulo: Atual, 2003.
O autor apresenta a álgebra linear com uma linguagem simples, sem rigor matemático. O livro
traz muitos exemplos e exercícios com respostas e sugestões.

LIMA, E. L. Álgebra linear. 3 ed. Rio de Janeiro: Impa, 1998.

Esse livro apresenta os diversos assuntos de álgebra linear. Traz exemplos, exercícios e um
conteúdo denso, mas escrito de forma estratégica para facilitar o entendimento. Traz um con-
teúdo mais teórico, mas o leitor não necessita ter conhecimento prévio do assunto. Trata-se de
um excelente livro para o estudo de álgebra linear.

STEINBRUCH, A.; WINTERLE, P. Álgebra linear. São Paulo: Pearson, 1987

O livro é composto pelos principais assuntos da álgebra linear, com exemplos e exercícios,
traz algumas aplicações. É composto por uma quantidade significativa de exemplos e exercícios.
194 — Álgebralinear

RESPOSTAS

CAPÍTULO 1

Atividades de autoavaliação
ec
2a
3) b
4b
5) d
6) c

CAPÍTULO 2
Atividades de autoavaliação
y»
)c
3 d
44
5) b

CAPÍTULO 3
Atividades de autoavaliação
e
2a
3 a
4c
5) b

CAPÍTULO4
Atividades de autoavaliação
yec
2
3 a
4c
5) d
 195

CAPÍTULO 5

Atividades de autoavaliação
u
)c
3) a
4)
5) c

CAPÍTULO 6
Atividades de autoavaliação
y»
)c
3) a
4b
5 d
 197

SOBRE A AUTORA

Luana Fonseca é mestre em Matemática pela Universidade Federal do Paraná (UFPR) e bacharel
e licenciada em Matemática pela mesma universidade. Atualmente leciona disciplinas relacio-
nadas à geometria, álgebra, física e estatística em cursos de graduação.
AOPOSSOESTU IBDOIL E A GENER
ITALIZA
ARÇÃO - - go i
DE PROPRIEDADES ALGÉBRICAS E ceoméTRIcas, — ÉA
A ÁLGEBRA LINEAR SE CONSOLIDOU COMO UM
CAMPO FUNDAMENTAL PARA O DESENVOLVIMEN-
0/0 V—
TO DE CIÊNCIAS COMO A COMPUTAÇÃO, A FÍSICA,
A ENGENHARIA E ATÉ MESMO A ECONOMIA.

ENTENDA AQUI COMO TRABALHAR

COM OS CONTEÚDOS DE BASE DA
ÁLGEBRA LINEAR, TANTO NOS SEUS
PRÓPRIOS ESTUDOS COMO NO ENSINO
AA AN ANA
f sAA STS AAAA
APROFUNDADAS NESSA ÁREA.

SNVB aS VE ITA RsA

DISCUTIR COM SEUS ALUNOS TEMAS COMO CÁLCULO,
ÁLGEBRA, GEOMETRIA, FÍSICA, ESTATÍSTICA E MUITO MAIS.

= WM)|)
IV

m— 9 nBSS