apostila de Álgebra linear
TRANSCRIPT
APOSTILA DE
ÁLGEBRA LINEAR
PROFESSORA: MONIQUE SEQUEIRA LEHMANN
APOSTILA DE ÁLGEBRA LINEAR
PROFESSORA MONIQUE SEQUEIRA LEHMANN 1
SUMÁRIO
1 – Matrizes 2
1.1 – Introdução 2
1.2 – Tipos de matrizes 3
1.3 – Operações com matrizes 4
2 – Sistemas de equações lineares 7
2.1 – Introdução 7
2.2 – Sistemas e matrizes 9
2.3 – Operações elementares 10
2.4 – Forma escada 11
2.5 – Soluções de um sistema de equações lineares 13
3 – Determinantes e matriz inversa 15
3.1 – A inversa de uma matriz 15
3.2 – Determinantes 18
3.3 – Regra de Cramer 24
4 – Espaços vetoriais 25
4.1 – Introdução 25
4.2 – Subespaços vetoriais 26
4.3 – Combinação linear 27
4.4 – Subespaços gerados 30
4.5 – Dependência e independência linear 30
4.6 – Base de um espaço vetorial 31
5 – Transformações lineares 35
5.1 – Definição 35
5.2 – Transformação lineares e matrizes 38
6 – Autovalores e autovetores 40
6.1 – Definição 40
6.2 – Determinação dos autovalores e autovetores 40
APOSTILA DE ÁLGEBRA LINEAR
PROFESSORA MONIQUE SEQUEIRA LEHMANN 2
Capítulo 1
Matrizes
1.1 – Introdução:
• Matriz: é uma tabela de elementos dispostos em linhas e colunas.
Exemplos:
⎥⎦
⎤⎢⎣
⎡−5831
; ⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡
−−
712965301
; [ ]952 ; ⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡
− 675
Seus elementos podem ser números reais ou complexos, funções ou ainda outras matrizes.
• Representação: Utiliza-se letras maiúsculas para denotar matrizes e letras minúsculas para
especificar sua ordem, ou seja, o número de linhas e o número de colunas.
Exemplo: Matriz A com m linhas e n colunas ( Amxn).
Para localizar um elemento na matriz, indicamos a linha e a coluna em que ele se encontra, nesta
ordem.
Exemplo:
⎥⎦
⎤⎢⎣
⎡=⎥
⎦
⎤⎢⎣
⎡=
941253
232221
13121132 aaa
aaaA x
a11 = 3 ; a21 = 1
a12 = 5 ; a22 = 4
a13 = 2 ; a23 = 9
• Definição: Dizemos que duas matrizes Amxn e Brxs são iguais se elas tem o mesmo
número de linhas (m = r) e colunas (n = s), e se todos os seus elementos correspondentes
são iguais (aij = bij).
Exemplo:
⎥⎦
⎤⎢⎣
⎡=⎥
⎦
⎤⎢⎣
⎡
542090sen9
5221log13
2
2 o
APOSTILA DE ÁLGEBRA LINEAR
PROFESSORA MONIQUE SEQUEIRA LEHMANN 3
1.2 – Tipos de matrizes:
• Matriz quadrada: é aquela cujo número de linhas é igual ao número de colunas.
Exemplo:
⎥⎦
⎤⎢⎣
⎡9145
; ⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡−
−
459314
625
• Matriz nula: é aquela em que aij = 0 para qualquer i e j.
Exemplo:
⎥⎦
⎤⎢⎣
⎡0000
• Matriz coluna: é aquela que possui uma única coluna (n = 1).
Exemplo:
⎥⎦
⎤⎢⎣
⎡51
; ⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡
452
• Matriz linha: é aquela na qual m = 1, ou seja, possui apenas uma linha.
Exemplo:
[ ]35 ; [ ]489
• Matriz diagonal: é uma matriz quadrada (m = n) onde aij ≠ 0 para i = j, ou seja, apenas os
elementos da diagonal principal são não-nulos.
Exemplo:
⎥⎦
⎤⎢⎣
⎡1003
; ⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡
700050002
• Matriz identidade: é aquela matriz quadrada na qual:
para i = j
para i ≠ j
⎩⎨⎧
=
=
0
1
ij
ij
aa
APOSTILA DE ÁLGEBRA LINEAR
PROFESSORA MONIQUE SEQUEIRA LEHMANN 4
Exemplo:
⎥⎦
⎤⎢⎣
⎡1001
; ⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡
100010001
1.3 – Operações com matrizes:
• Adição: A soma de duas matrizes A e B de mesma ordem, Amxn e Bmxn, é uma matriz cujos
elementos são a soma dos elementos correspondentes de A e B.
Exemplo:
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡
−−=
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡
+−+−++−++−+++
=⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡
−−+
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡
−−
762512771
9)2(51)2(032)5(624254301
952352240
210264531
A subtração de matrizes, é feita da seguinte forma: A – B = A + (– B)
Propriedades:
I. Comutatividade: A + B = B + A
II. Associatividade: A + (B + C) = (A + B) + C
III. A + 0 = A, onde 0 indica a matriz nula
• Multiplicação por escalar: Seja a matriz A = [aij] mxn e um número K , então podemos definir
uma nova matriz dada por:
K . A = [K . aij]mxn
Exemplo:
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡
−−=
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡
−−
2848106
1862
142453931
.2
Propriedades:
I. K.(A + B) = K.A + K.B
II. (K1 + K2).A = K1.A + K2.A
III. 0.A = 0
IV. K1.(K2.A) = (K1.K2).A
APOSTILA DE ÁLGEBRA LINEAR
PROFESSORA MONIQUE SEQUEIRA LEHMANN 5
• Matriz transposta: Dada uma matriz A = [aij]mxn, podemos obter uma outra matriz A’ =
[bij]nxm, cujas linhas são as colunas de A Chamamos A’ de matriz transposta de A.
Exemplo:
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡=
165132
A ; ⎥⎦
⎤⎢⎣
⎡=
153612
'A
Propriedades:
I. Uma matriz é simétrica se, e somente se for igual à sua transposta.
Exemplo: ⎥⎦
⎤⎢⎣
⎡=
2331
A ; ⎥⎦
⎤⎢⎣
⎡=
2331
'A ; A e A’ são simétricas.
II. A transposta da transposta (A’’) é a matriz original.
Exemplo: ⎥⎦
⎤⎢⎣
⎡=
3451
A ; ⎥⎦
⎤⎢⎣
⎡=
3541
'A ; ⎥⎦
⎤⎢⎣
⎡=
3451
''A
III. A transposta de uma soma é igual à soma das transpostas (A + B)’ = A’ + B’
Exemplo: ⎥⎦
⎤⎢⎣
⎡=
1432
A ; ⎥⎦
⎤⎢⎣
⎡=
9245
B
( ) ⎥⎦
⎤⎢⎣
⎡=⎥
⎦
⎤⎢⎣
⎡=+
10767
10677
''
BA
⎥⎦
⎤⎢⎣
⎡=⎥
⎦
⎤⎢⎣
⎡+⎥
⎦
⎤⎢⎣
⎡=+
10767
9425
1342
'' BA
IV. (K.A)’ = K.A’, onde K é um escalar.
Exemplo: ⎥⎦
⎤⎢⎣
⎡=
1532
A e K = 2
⎥⎦
⎤⎢⎣
⎡=⎥
⎦
⎤⎢⎣
⎡=
26104
21064
)'.('
AK
⎥⎦
⎤⎢⎣
⎡=⎥
⎦
⎤⎢⎣
⎡=
26104
1352
.2'.AK
APOSTILA DE ÁLGEBRA LINEAR
PROFESSORA MONIQUE SEQUEIRA LEHMANN 6
• Multiplicação de matrizes: Sejam duas matrizes A = [aij]mxn e B = [bij]nxp. Definimos A.B
= [Cuv]mxp:
∑=
=n
kkvukuv baC
1.
Observações importantes:
I. Só podemos efetuar o produto de duas matrizes o número de colunas de A for igual ao
número de linhas de B (m = r).
II. A matriz resultante da multiplicação de Amxn e Brxp será uma matriz Cmxp.
Exemplos:
a)
2322 81
3452
.4011
xx ⎥
⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡
⎥⎦
⎤⎢⎣
⎡ − O número de colunas da primeira é diferente do número de
linhas da segunda (2 ≠ 3), logo, não é possível efetuar a multiplicação.
b)
232322
232319171825
4.6)1.(13.61.14.5)1.(33.51.34.1)1.(23.11.2
4311
.615312
xxx
x⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡=
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡
+−++−++−+
=⎥⎦
⎤⎢⎣
⎡ −
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡
Propriedades:
I. A.B ≠ B.A
II. A.I = I.A = A, onde I é a matriz identidade.
III. A.(B + C) = A.B + A.C
IV. (A + B).C = A.C + B.C
V. (A.B).C = A.(B.C)
VI. (A.B)’ = B’.A’ Observe a ordem
VII. 0.A = A.0 = 0
APOSTILA DE ÁLGEBRA LINEAR
PROFESSORA MONIQUE SEQUEIRA LEHMANN 7
Capítulo 2
Sistemas de Equações Lineares
2.1 – Introdução:
O objetivo deste capítulo é estudar um método para a resolução de sistemas lineares em geral. A
técnica pode não ser a melhor nos casos de sistemas muito simples, mas além de poder ser
empregada em todos os casos, pode ser muito útil em sistemas com grande número de
incógnitas.
Exemplo:
⎪⎩
⎪⎨
⎧
=−−=++=++
5234452
134
zyxzyxzyx
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡
−− 523144521341
1º PASSO: Eliminar x das linhas 2 e 3.
L2 = -2.L1 + L2
L3 = -L1 + L3
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡
−−−−
457022301341
2º PASSO: Tornar y da linha 2 igual a 1.
L2 = (-1/3).L2
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡
−−−
45703/23/210
1341
3º PASSO: Eliminar y das linhas 1 e 3.
L1 = -4.L2 + L1
L3 = 7.L2 + L3
APOSTILA DE ÁLGEBRA LINEAR
PROFESSORA MONIQUE SEQUEIRA LEHMANN 8
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡
−−−
3/23/1003/23/2103/113/101
4º PASSO: Tornar z da linha 3 igual a 1.
L3 = -3.L3
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡−
21003/23/2103/113/101
5º PASSO: Eliminar z das linhas 1 e 2.
L1 = (-1/3).L3 + L1
L2 = (-2/3).L3 + L2
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡−21002010
3001
⎪⎩
⎪⎨
⎧
=++−=++=++
200200
300
zyxzyxzyx
Sendo assim, pode-se obter x, y e z:
⎪⎩
⎪⎨
⎧
=−==
22
3
zyx
Cada sistema do exemplo foi obtido a partir do sistema anterior a ele através de operações que
preservam as igualdades. As únicas operações efetuadas no problema foram:
Multiplicar a equação por um número diferente de zero;
Adicionar a equação a outra.
Porém, existe ainda uma outra operação que às vezes será necessária:
Permutar duas equações.
APOSTILA DE ÁLGEBRA LINEAR
PROFESSORA MONIQUE SEQUEIRA LEHMANN 9
2.2 – Sistemas e matrizes:
Um sistema de equações lineares com m equações e n incógnitas é um conjunto de equações do
tipo:
⎪⎪⎩
⎪⎪⎨
⎧
=+++
=+++=+++
mnmnmm
nn
nn
bxaxaxa
bxaxaxabxaxaxa
.........
............
2211
22222121
11212111
com aij, 1 ≤ i ≤ m , 1 ≤ j ≤ n.
Uma solução do sistema acima é uma n-upla de números (x1, x2, ..., xn) que satisfaça
simultaneamente estas m equações.
Podemos escrever o sistema acima na forma matricial:
⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢
⎣
⎡
=
⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢
⎣
⎡
⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢
⎣
⎡
mnmnmm
n
n
b
bb
x
xx
aaa
aaaaaa
.......
...............
...
...
2
1
2
1
21
22221
11211
Ou seja A.X = B, onde:
⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢
⎣
⎡
=
mnmm
n
n
aaa
aaaaaa
A
...............
...
...
21
22221
11211
Matriz dos coeficientes
⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢
⎣
⎡
=
nx
xx
X...
2
1
Matriz das incógnitas
⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢
⎣
⎡
=
mb
bb
B...
2
1
Matriz dos termos independentes
APOSTILA DE ÁLGEBRA LINEAR
PROFESSORA MONIQUE SEQUEIRA LEHMANN 10
Uma outra matriz, chamada matriz ampliada do sistema, é representada da seguinte forma:
⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢
⎣
⎡
mmnmm
n
n
b
bb
aaa
aaaaaa
......
..................
2
1
21
22221
11211
2.3 – Operações elementares:
Conforme já explicitado anteriormente, existem três operações elementares que podem ser
efetuadas sobre as linhas de uma matriz:
Permuta da i-ésima e j-ésima linhas (Li ↔ Lj)
Exp: ⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡⎯⎯ →⎯
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡=
153732451
732153451
32 LL
Multiplicação da i-ésima linha por um escalar não nulo k (Li ↔ k.Li)
Exp: ⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡⎯⎯ →⎯
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡=
342174341
342174682
11 21 LL
Substituição da i-ésima linha pela i-ésima linha mais k vezes a j-ésima linha (Li ↔ Li + k.Lj)
Exp: ⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡
−−−⎯⎯⎯⎯ →⎯
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡
−− +−=
243310
201
243514201
212 .4 LLL
Se A e B são matrizes m x n, dizemos que B é linha equivalente a A, se for obtida de A através
de um número finito de operações elementares sobre as linhas de A.
• Teorema:
Dois sistemas que possuem matrizes ampliadas equivalentes são equivalentes.
APOSTILA DE ÁLGEBRA LINEAR
PROFESSORA MONIQUE SEQUEIRA LEHMANN 11
2.4 – Forma escada:
Uma matriz m x n é linha reduzida à forma escada (ou escalonada) se:
i. O primeiro elemento não nulo de uma matriz não nula é 1;
ii. Cada coluna que contém o primeiro elemento não nulo de alguma linha tem todos os seus
outros elementos iguais a zero;
iii. Toda linha nula ocorre abaixo de todas as linhas não nulas (isto é, daquelas que possuem
pelo menos uma elemento não nulo);
iv. Se as linhas 1, ..., r são as linhas não nulas, e se o primeiro elemento não nulo da linha i
ocorre na coluna Ki, então K1 < K2 < ... < Kr. Ou seja, o número de zeros precedendo o
primeiro elemento não nulo de cada linha aumenta a cada linha, até que sobrem somente
linhas nulas, se houver.
• Teorema:
Toda matriz m x n é linha equivalente a uma única matriz-linha reduzida à forma escada.
• Teorema:
Dada uma matriz Amxn, seja Bmxn a matriz linha reduzida à forma escada linha equivalente a A.
O “posto” de A, denotado por “p”, é o número de linhas não nulas de B. A “nulidade”de A,
denotada por “N” é o número n – p, onde “n”é o número de colunas da matriz dos coeficientes.
Exp1: Encontrar o posto e a nulidade da matriz abaixo:
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡
−−=
112153010121
A
p = 3 ; n = 3 ; N = 0
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡−−
→⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡ −−⎯⎯⎯ →⎯
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡ −−
→⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡
−⎯⎯⎯ →⎯
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡
−→
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡
−−
+=+−=
=
+−=+=
=+=+−=
8111004101087001
811100252105301
11800252105301
104025210
0121
104054200121
112153010121
13312322
3813
12213243
2212212
313
LLLLLL
LL
LLLLLL
LLLLLLLL
APOSTILA DE ÁLGEBRA LINEAR
PROFESSORA MONIQUE SEQUEIRA LEHMANN 12
Exp2: Encontrar o posto e a nulidade da matriz abaixo:
⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢
⎣
⎡
−
−
=
8164151241312
A
⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢
⎣
⎡
→
⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢
⎣
⎡
−−
⎯⎯⎯ →⎯
⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢
⎣
⎡
−−−−
⎯⎯⎯⎯ →⎯
⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢
⎣
⎡
−−
⎯⎯ →⎯
⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢
⎣
⎡
−
−
+−=+=
−=+−=
+−=+−==
000000911091401
0001909110
241
000190190
241
8164151312241
8164151241312
12413293
2912313
4144212221
LLLLLL
LLLLLLLL
LLLLL
p = 2 ; n = 2 ; N = 0
Repare que a matriz ⎥⎦
⎤⎢⎣
⎡ −=
241312
1A tem o mesmo posto e nulidade que a matriz A.
Reinterpretando as matrizes A e A1 como sistema de equações, diremos que o sistema de quatro
equações associado à matriz A inicial é equivalente ao sistema de duas equações:
⎪⎪⎩
⎪⎪⎨
⎧
=+=−=+=−
8164152432
yxyxyxyx
é equivalente a ⎩⎨⎧
=+=+
9109140
yxyx
.
Este é um sistema com equações redundantes. A 3ª e a 4ª linha podem ser desprezadas. O
sistema inicial é equivalente ao sistema:
⎩⎨⎧
=+=−
2432
yxyx
É importante observar que o posto da matriz ampliada de um sistema representa o número de
equações independentes deste.
Uma linha será dependente de outras (igual a zero no final do processo) se ela puder ser escrita
como a soma de produtos destas outras linhas por constantes.
APOSTILA DE ÁLGEBRA LINEAR
PROFESSORA MONIQUE SEQUEIRA LEHMANN 13
2.5 – Soluções de um sistema de equações lineares:
Se tivermos um sistema de uma equação e uma incógnita, ax = b, existirão três possibilidades:
a) a ≠ 0 Neste caso a equação tem uma única solução:
abx =
b) a = 0 e b = 0 Temos 0x = 0 e qualquer número real será solução da equação.
c) a = 0 e b ≠ 0 Temos 0x = b, logo, não existe solução para esta equação.
Exemplos:
1 - ⎩⎨⎧
=−=+
6352
yxyx
⎥⎦
⎤⎢⎣
⎡−
⎯⎯⎯ →⎯⎥⎦
⎤⎢⎣
⎡−
−
⎯⎯⎯ →⎯⎥⎦
⎤⎢⎣
⎡−
−⎯⎯⎯⎯ →⎯⎥
⎦
⎤⎢⎣
⎡ −⎯⎯ →⎯⎥
⎦
⎤⎢⎣
⎡−
+=
=+−==
110301
110731
770631
512631
631512
1231
271
2212221
lLL
LLLLLLL
Neste caso, temos: pa = pc = 2 e N = 2 – 2 = 0
E o sistema tem uma única solução: x = 3 e y = - 1.
2 - ⎩⎨⎧
=+=+
153652
yxyx
⎥⎦
⎤⎢⎣
⎡⎯⎯⎯⎯ →⎯⎥
⎦
⎤⎢⎣
⎡⎯⎯⎯ →⎯⎥
⎦
⎤⎢⎣
⎡ +−==
00025211
153625211
1536512 21621
211 LLLLL
Observamos que pa = pc = 1 e N = 2 – 1 = 1.
A nulidade de um sistema, também chamada de grau de liberdade do sistema, significa o número
de variáveis livres no dado sistema.
Neste caso, observamos que N = 1, logo, o sistema tem 1 variável livre, ou seja, o conjunto
solução será dado atribuindo-se valores a uma das variáveis para chegar à outra. O sistema
inicial é equivalente à:
{ xyyx 2552 −=→=+
Sendo assim, o sistema admite infinitas soluções.
APOSTILA DE ÁLGEBRA LINEAR
PROFESSORA MONIQUE SEQUEIRA LEHMANN 14
3 - ⎩⎨⎧
=+=+
103652
yxyx
⎥⎦
⎤⎢⎣
⎡−
⎯⎯⎯⎯ →⎯⎥⎦
⎤⎢⎣
⎡⎯⎯⎯ →⎯⎥
⎦
⎤⎢⎣
⎡ +−==
50025211
103625211
1036512 21621
21
1 LLLLL
Neste caso, o sistema inicial é equivalente à:
⎩⎨⎧
−=+=+
50052
yxyx
Não existe nenhum valor de x ou y que satisfaça a 2ª equação. O sistema não tem solução.
Observamos que: pa = 2 e pc = 1.
CASO GERAL:
Considere um sistema de m equações lineares com n incógnitas x1, x2, ..., xn:
⎪⎩
⎪⎨
⎧
=+++
=+++
mnmnmm
nn
bxaxaxa
bxaxaxa
.........
......
2211
11212111
cujos coeficientes aij e termos independentes bi são números reais ou complexos.
Esse sistema poderá ter:
Uma única solução Possível e determinado;
Infinitas soluções Possível e indeterminado;
Nenhuma solução Impossível.
• Teorema:
- Um sistema de m equações e n incógnitas admite solução se, e somente se, o posto da
matriz ampliada é igual ao posto da matriz dos coeficientes;
- Se as duas matrizes têm o mesmo posto e p = n, a solução será única;
- Se as duas matrizes têm o mesmo posto e p < n, podemos escolher n – p incógnitas
(Nulidade = n – p), e as outras p incógnitas serão dadas em função destas. Neste caso
existirão infinitas soluções.
APOSTILA DE ÁLGEBRA LINEAR
PROFESSORA MONIQUE SEQUEIRA LEHMANN 15
Capítulo 3
Determinantes e Matriz Inversa
3.1 – A inversa de uma matriz:
Uma matriz Anxn é dita invertível (ou não-singular) se existe uma matriz Bnxn tal que:
InBAAB ==
A matriz B é chamada de matriz inversa de A. Se não existir uma tal matriz B, dizemos que A é
não-invertível ou singular.
Exp: Sejam ⎥⎦
⎤⎢⎣
⎡=
2232
A e ⎥⎦
⎤⎢⎣
⎡−
−=
11231
B , vamos provar que B é inversa de A.
⎥⎦
⎤⎢⎣
⎡=⎥
⎦
⎤⎢⎣
⎡−+−−+−
=⎥⎦
⎤⎢⎣
⎡−
−⎥⎦
⎤⎢⎣
⎡=
1001
23223332
11231
.2232
.BA
⎥⎦
⎤⎢⎣
⎡=⎥
⎦
⎤⎢⎣
⎡−−−+−
=⎥⎦
⎤⎢⎣
⎡⎥⎦
⎤⎢⎣
⎡−
−=
1001
23223332
2232
.11231
.AB
Logo, como AB = BA = In, B é a inversa de A.
• Teorema:
Se uma matriz tem uma inversa, essa inversa, é única. Vamos denotar a inversa de A, se existir,
por A-1, logo:
nIAAAA == −− .. 11
Exp: Seja ⎥⎦
⎤⎢⎣
⎡=
4321
A , vamos encontrar A-1:
Vamos chamar a matriz A-1 de: ⎥⎦
⎤⎢⎣
⎡=−
dcba
A 1
Exp: Seja ⎥⎦
⎤⎢⎣
⎡=
4321
A , encontrar A-1:
⎥⎦
⎤⎢⎣
⎡=⎥
⎦
⎤⎢⎣
⎡++++
→⎥⎦
⎤⎢⎣
⎡=⎥
⎦
⎤⎢⎣
⎡⎥⎦
⎤⎢⎣
⎡→=−
1001
434322
1001
.4321
. 1
dbcadbca
dcba
IAA n
APOSTILA DE ÁLGEBRA LINEAR
PROFESSORA MONIQUE SEQUEIRA LEHMANN 16
⎩⎨⎧
=+=+
04312
caca
e ⎩⎨⎧
=+=+
14302
dbdb
Resolvendo o sistema: a = –2, b = 1, c = 3/2, d = –1/2.
Logo: ⎥⎦
⎤⎢⎣
⎡−
−=−
2123121A .
Exp: Seja ⎥⎦
⎤⎢⎣
⎡=
4221
A , encontrar A-1:
⎥⎦
⎤⎢⎣
⎡=⎥
⎦
⎤⎢⎣
⎡++++
→⎥⎦
⎤⎢⎣
⎡=⎥
⎦
⎤⎢⎣
⎡⎥⎦
⎤⎢⎣
⎡→=−
1001
424222
1001
.4221
. 1
dbcadbca
dcba
IAA n
⎩⎨⎧
=+=+
04212
caca
e ⎩⎨⎧
=+=+
14204
dbdb
Esse sistema não tem solução (Sistema Impossível), logo, A não tem inversa.
• Propriedades da inversa:
- Se A é invertível, então A-1 é invertível e (A-1)-1 = A.
- Se A e B são matrizes invertíveis, então AB é invertível e (A.B)-1 = B-1.A-1.
- Se A é invertível, então (AT)-1 = (A-1)T.
• Um método prático para encontrar A-1:
Se a matriz Anxn é dada, procuramos uma matriz B tal que: InBAAB == .
O método prático para encontrar a inversa da matriz é o seguinte:
- Etapa 1: Forme a matriz [ ]nnxnIA
2 juntando a matriz identidade In à matriz A.
- Etapa 2: Faça a redução em forma escada na matriz A encontrada na etapa 1. É importante
lembrar que qualquer operação feita em uma linha de A deve ser feita também na linha
correspondente de In.
- Etapa 3: Suponha que a etapa 2 produziu a matriz [ ]DC em forma escada reduzida por
linhas:
Se C = In, então D = A-1;
Se C ≠ In, então C tem uma linha nula. Neste caso, não existe A-1.
APOSTILA DE ÁLGEBRA LINEAR
PROFESSORA MONIQUE SEQUEIRA LEHMANN 17
Exp: Encontrar a inversa da matriz ⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡=
155320111
A .
[ ]⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡=
100010001
155320111
2nnxnIA
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡
−−
−−⎯⎯⎯⎯ →⎯
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡
−
−−
⎯⎯⎯ →⎯⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡
−
−
−
−⎯⎯⎯ →⎯
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡
−−
⎯⎯⎯ →⎯⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡
−−⎯⎯⎯⎯ →⎯
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡
+=
+−
=
−=+−=
=+−=
4104583218158121813
100010001
4104502100211
10023102101
10502100211
40023102101
1050210001
4002310
111
105010001
400320111
100010001
155320111
13211
23232
3413121
22123153
LLL
LLL
LLLLL
LLLLL
Como C = In, concluímos que D = A-1, logo:
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡
−−
−−=−
4104583218158121813
1A
• Teorema:
Uma matriz n x n é invertível se, e somente se é equivalente por linhas a In.
• Sistemas lineares e inversas:
Se A é uma matriz n x n, então o sistema linear Ax = b é um sistema de n equações e n
incógnitas. Supondo que A é invertível, então, existe A-1 e podemos multiplicar Ax = b por A-1 e
obter:
Sendo assim, bAx .1−= é uma solução do sistema linear.
bAx
bAxIbAxAAbAxAA
n
.
...)..(.)..(
1
1
11
11
−
−
−−
−−
=
=
=
=
APOSTILA DE ÁLGEBRA LINEAR
PROFESSORA MONIQUE SEQUEIRA LEHMANN 18
Exp: Considere um processo industrial cuja matriz A é⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡=
155320111
A . Se b é a matriz resposta e
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡=
8248
b . A solução do sistema pode ser dada da seguinte forma:
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡=→
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡
−−
−−=→= −
800
8248
.41045
83218158121813
.1 xxbAx
3.2 – Determinantes:
É possível associar a cada matriz n x n um escalar, det (A), cujo valor vai nos dizer se a
matriz é ou não invertível.
Considerando primeiramente os casos particulares, temos:
• Caso 1: Matrizes 1 x 1:
Se A = (a) é uma matriz 1 x 1, então A tem uma inversa se e somente se a ≠ 0. Logo, se det (A) =
a, a matriz será invertível se e somente se det (a) ≠ 0.
• Caso 2: Matrizes 2 x 2:
Seja ⎥⎦
⎤⎢⎣
⎡=
2221
1211
aaaa
A . Para encontrar o determinante de A, devemos formar o produto dos
elementos da esquerda para a direita e subtrair deste o produto dos elementos da direita para a
esquerda.
2221
1211)det(aaaa
A = 21122211 .. aaaa −=
A matriz será invertível se e somente se:
0..0)det( 21122211 ≠−→≠ aaaaA
• Caso 3: Matrizes 3 x 3:
Para encontrar o determinante de matrizes 3 x 3, podemos utilizar a Regra de Sarrus:
“Repita as duas primeiras colunas de A; forme as somas dos produtos dos elementos da esquerda
para a direita e subtrai deste número a soma dos produtos dos elementos da direita para a
esquerda”.
APOSTILA DE ÁLGEBRA LINEAR
PROFESSORA MONIQUE SEQUEIRA LEHMANN 19
Se ⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡=
332131
232221
131211
aaaaaaaaa
A , então:
( )312213312311332112322113312312332211
3231333231
2221232221
1211131211
3231333231
2221232221
1211131211
............)det(
)det(
aaaaaaaaaaaaaaaaaaA
aaaaaaaaaaaaaaa
aaaaaaaaaaaaaaa
A
++−++=
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡−
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡=
Se det (A) ≠ 0, A é invertível.
OBS: Costuma-se representar o determinante de uma matriz da seguinte forma:
AA =)det(
Exp: ⎥⎦
⎤⎢⎣
⎡=
3251
A 3251
representa o determinante de A
• Propriedades dos determinantes:
I. Os determinantes de uma matriz e de sua transposta são iguais, isto é det(AT) = det (A);
II. Se uma matriz B é obtida de uma matriz A trocando-se duas linhas (ou colunas) de A,
então, det (B) = - det (A);
III. Exp: 72312=
− 7
1223
−=−
IV. Se duas linhas (ou colunas) de A são iguais, então det (A) = 0;
V. Se A tem uma linha (ou coluna) nula, então det (A) =0;
VI. Se B é obtida de A multiplicando-se uma linha (ou coluna) de A por um número real C,
então, det (B) = C . det (A);
VII. Exp: 22162
−= 421
124−=
VIII. O determinante de um produto de matrizes é igual ao produto de seus determinantes, isto
é, det (A.B) = det (A) . det (B)
APOSTILA DE ÁLGEBRA LINEAR
PROFESSORA MONIQUE SEQUEIRA LEHMANN 20
• Importante:
Supondo uma matriz Anxn invertível:
)det(1)det(
1)det().det(
)det()det().det(
)det().det(
.
1
1
1
1
1
AA
AA
IAA
IAA
IAA
n
n
n
=
=
=
=
=
−
−
−
−
−
• Expansão em cofatores:
O método dos cofatores para calcular o determinante de uma matriz Anxn, torna-se
interessante quando trabalhamos com matrizes de grandes ordens, já que ele reduz o problema ao
cálculo de determinantes de matrizes de ordem (n-1)x(n-1) até obter matrizes 2x2.
DEFINIÇÃO: Seja A = [aij] uma matriz nxn. Seja Mij a submatriz (n-1)x(n-1) de A obtida
através da eliminação da iésima linha e a j-ésima coluna de A. O determinante det (Mij) é
chamado de determinante menor de A. O cofator Aij de aij é dado por:
( ) ( )ijji
ij MA det.1 +−=
Exp: Seja ⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡ −=
217654213
A , vamos encontrar os cofatores da matriz A.
( )
( )
( )
( ) 195413
.1
1010).1(6423
.1
166521
.1
1010).1(1713
.1
3333
2332
1331
3223
=−
−=
−=−=−=
−=−
−=
−=−=−
−=
+
+
+
+
A
A
A
A
APOSTILA DE ÁLGEBRA LINEAR
PROFESSORA MONIQUE SEQUEIRA LEHMANN 21
( )
( )
( )
( )
( ) 82723
.1
00).1(2121
.1
311754
.1
34)34).(1(2764
.1
42165
.1
2222
1221
3113
2112
1111
−=−=
=−=−
−=
−=−=
=−−=−=
=−=
+
+
+
+
+
A
A
A
A
A
• Teorema:
Seja A uma matriz nxn. Então, para cada 1 ≤ i ≤ n, ininiiii AaAaAaA ......)det( 2211 +++= que é a
expansão do det (A) em relação à i-ésima linha. E também, para cada 1 ≤ j ≤ n,
njnjjjjj AaAaAaA ......)det( 2211 +++= que é a expansão do det (A) em relação à j-ésima coluna.
Exp: Calcular o determinante da matriz A4x4:
⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢
⎣
⎡
−−
−−
=
32023003
31244321
A
Como visto, no método da expansão em cofatores para cálculo de determinante, devemos
escolher uma linha ou coluna da matriz para expandir em relação à ela. Para realizar os cálculos,
fazemos um somatório do produto termos pelos seus cofatores da linha ou coluna escolhida.
Notemos que no exemplo acima é melhor expandir em relação à 2ª coluna ou à 3ª linha, já que
elas tem dois zeros. Neste caso, os cofatores destes termos nulos não precisam ser calculados,
uma vez que se aij = 0, teremos aij . Aij = 0.
Vamos expandir em relação à 3ª linha:
( ) ( ) ( )202
124321
3.100320312432
.3.1
32023003
31244321
4313
−−
−−−+++
−
−−=
−−
−−
++
APOSTILA DE ÁLGEBRA LINEAR
PROFESSORA MONIQUE SEQUEIRA LEHMANN 22
Agora, temos que calcular o determinante das matrizes 3x3. Podemos fazê-lo através da
expansão em cofatores ou pelo método de Sarrus. Vamos fazer através da expansão em cofatores
a fim de exemplificar melhor.
( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) 410.2.18.2.12421
.2.101232
.2.1202
124321
201.2.19.2.103243
.2.13231
.2.1320312432
3313
1211
−=−+=−
−−++−
−=−
−−
=−−+=+−−
−+−
−=−
−
++
++
Sendo assim:
( )( )( ) 484.3.10020.3.1)det( =−−−+++=A
• Matriz Adjunta:
DEFINIÇÃO: Seja A = [aij] uma matriz nxn. A matriz adjunta de A, denotada por adj (A), é a
matriz nxn cujo elemento (i, j) é o cofator Aij de aij, ou seja:
⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢
⎣
⎡
=
nnnn
n
n
AAA
AAAAAA
Aadj
...............
...
...
)(
21
22212
12111
É a matriz formada pelos cofatores de A, transposta.
• Teorema:
Se A = [aij] é uma matriz nxn, então, nIAAAadjAadjA ).det()).(())(.( ==
Se det (A) ≠ 0, então:
AInAIAA n =→= −− 11.
[ ]
))(.()det(
1))(.()det(
1
))(.(.)det(
1))(.()det(
1.).det())(.(
1 AadjA
AAIAadj
A
IAadjAA
IAadjA
AIAAadjA
n
nnn
=→=
=→=→=
−
APOSTILA DE ÁLGEBRA LINEAR
PROFESSORA MONIQUE SEQUEIRA LEHMANN 23
Exp: Vamos calcular a matriz inversa de⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡
−
−=
301265123
A .
1º Passo: Calcular a matriz adjunta de A:
Logo, ⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡
−−−−−−−
=⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡
−−−−−−−
=2826
1101710618
28110210661718
)(
T
Aadj
2º Passo: Calcular o determinante de A:
94)det( −=A
3º Passo: Calcular a inversa de A:
Como ))(.()det(
11 AadjA
A =− :
⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢
⎣
⎡
−
−=
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡
−−−−−−−
−=
−
−
9428
942
946
941
9410
9417
9410
946
9418
282611017
10618.
941
1
1
A
A
( )
( )
( ) 20123
.1
1031
13.1
630
12.1
3223
2222
1221
−=−
−=
−=−
−=
−=−
−−=
+
+
+
A
A
A( )
( )
( ) 60165
.1
1731
25.1
183026
.1
3113
2112
1111
−=−=
=−
−=
−=−=
+
+
+
A
A
A ( )
( )
( ) 286523
.1
12513
.1
102612
.1
3333
2332
1331
=−
−=
−=−=
−=−
−=
+
+
+
A
A
A
APOSTILA DE ÁLGEBRA LINEAR
PROFESSORA MONIQUE SEQUEIRA LEHMANN 24
3.3 – Regra de Cramer:
Seja
⎪⎪⎩
⎪⎪⎨
⎧
=+++
=+++=+++
nnnnnn
nn
nn
bxaxaxa
bxaxaxabxaxaxa
.........
............
2211
22222121
11212111
um sistema linear com n equações e n incógnitas e A =
[aij] a matriz dos coeficientes, de modo que podemos escrever o sistema na forma Ax = b, onde
⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢
⎣
⎡
=
nb
bb
b...
2
1
.
Se det (A) ≠ 0, então o sistema tem uma única solução dada por:
)det()det( 1
1 AAx = ;
)det()det( 2
2 AAx = ;
)det()det( 3
3 AAx =
onde Ai é a matriz obtida de A trocando-se sua i-ésima coluna por b.
Exp: Vamos encontrar a solução do sistema linear abaixo:
⎪⎩
⎪⎨
⎧
−=+−−=−+=−+−
3242
132
zyxzyx
zyx
2112121132
−=−−
−−−
=A
4113124131
−=−−
−−
=xA 224=
−−
=x
6132141112
−=−−
−−−
=yA 326=
−−
=y
8312
421132
−=−−−
−=zA 4
28=
−−
=z
APOSTILA DE ÁLGEBRA LINEAR
PROFESSORA MONIQUE SEQUEIRA LEHMANN 25
Capítulo 4 Espaços Vetoriais
4.1 – Introdução:
Seja um conjunto V, não vazio, sobre o qual estão definidas as operações adição e multiplicação
por escalar, isto é:
∀ u, v ∈ V u + v ∈ V
∀ α ∈ ℜ; ∀ u ∈ V α. u ∈ V
onde,
u e v são vetores;
V é espaço vetorial;
α é escalar.
O conjunto V com essas duas operações é chamado Espaço Vetorial se forem verificados os
seguintes axiomas:
A) Em relação à adição:
A1) (u + v) + w = u + (v + w) ; ∀ u, v, w ∈ V
A2) u + v = v + u ; ∀ u, v ∈ V
A3) u + 0 = u ; ∀ u ∈ V
A4) u + (-u) = 0 ; ∀ u ∈ V
M) Em relação à multiplicação por escalar:
M1) (α.β).u = α.(β.u) ; ∀ u ∈ V ; ∀ α, β ∈ ℜ
M2) (α + β).u = α.u + β.u ; ∀ u ∈ V ; ∀ α, β ∈ ℜ
M3) α.(u + v) = α.u + α.v ; ∀ u, v ∈ V ; ∀ α ∈ ℜ
M4) 1.u = u ; ∀ u ∈ V
Observações: Os elementos do espaço vetorial V serão chamados de vetores, independente de
sua natureza. Podemos chamar de vetores:
- Polinômios;
- Matrizes;
- Números, etc.
• Propriedades dos Espaços Vetoriais:
Da definição de Espaços Vetoriais decorrem as seguintes propriedades:
i. Existe um único vetor nulo em V (elemento nulo da adição);
APOSTILA DE ÁLGEBRA LINEAR
PROFESSORA MONIQUE SEQUEIRA LEHMANN 26
ii. Cada vetor u ∈ V admite apenas um simétrico (-u) ∈ V;
iii. Para quaisquer u, v, w ∈ V, se u + w = v + w, então u = v;
iv. Qualquer que seja v ∈ V, tem-se: -(-v) = v, isto é, o oposto de (-v) é v;
v. Quaisquer que sejam u, v ∈ V existe um e somente um x ∈ V tal que: u + x = v.
Esse vetor será representado por x = v – u;
vi. Qualquer que seja v ∈ V, tem-se: 0.v = 0;
vii. Qualquer que seja λ ∈ ℜ, tem-se λ.0 = 0, onde λ é um escalar;
viii. Qualquer que seja v ∈ V, tem-se: (-1).v = -v;
ix. λ.v = 0 implica que λ = 0 ou v = 0;
x. Quaisquer que sejam v ∈ V e λ ∈ ℜ, tem-se: (-λ).v = λ.(-v) = -(λ.v)
4.2 – Subespaços Vetoriais:
Sejam V um espaço vetorial e S um subconjunto não vazio de V. o subconjunto S é um
subespaço vetorial de V se S é um espaço vetorial em relação à adição e à multiplicação por
escalar definidas em V.
• Teorema:
Um subconjunto S, não vazio, de um espaço vetorial V é um subespaço vetorial de V se
estiverem satisfeitas as condições:
I. Para quaisquer u, v ∈ S, tem-se, u + v ∈ S;
II. Para quaisquer α ∈ ℜ, u ∈ S, tem-se, α.u ∈ S.
Todo espaço vetorial V admite pelo menos dois subespaços: o conjunto {0}, chamado subespaço
zero ou nulo, e o próprio espaço vetorial V. Esses dois são os subespaços triviais de V. Os
demais subespaços são denominados subespaços próprios de V.
Portanto, qualquer subconjunto S, não vazio, que contenha o subespaço {0} e atenda às
condições I e II acima, será um subespaço vetorial.
Exp:Verificar se os conjuntos abaixo são subespaços vetoriais:
a) S = {(x, y) ∈ ℜ2 / x + 3y = 0}
(0, 0) ∈ S, pois 0 + 3.0 = 0
u = (3, -1) ; v = (-9, 3) ; α = -1
u + v = (-6, 2) ∈ S
α.u = (-3, 1) ∈ S
Logo, o subconjunto S é subespaço vetorial do ℜ2.
APOSTILA DE ÁLGEBRA LINEAR
PROFESSORA MONIQUE SEQUEIRA LEHMANN 27
b) S = {(x, y, z) ∈ ℜ3 / x = 0 e y = ⎢z ⎢}
(0, 0, 0) ∈ S, pois x = 0 e 0 = ⎢0 ⎢
u = (0, 1, -1) ; v = (0, 3, 3) ; α = 2
u + v = (0, 4, 2) ∉ S
Logo, o subconjunto S não é subespaço vetorial do ℜ3.
c) ⎭⎬⎫
⎩⎨⎧
=+=∈⎥⎦
⎤⎢⎣
⎡= 0,/)2,2( dbacM
dcba
S
S∈⎥⎦
⎤⎢⎣
⎡0000
, pois 0 = 0 + 0 e d = 0
⎥⎦
⎤⎢⎣
⎡=
0211
u ; ⎥⎦
⎤⎢⎣
⎡ −=
0213
v ; α = -1
Svu ∈⎥⎦
⎤⎢⎣
⎡=+
0404
Su ∈⎥⎦
⎤⎢⎣
⎡−
−−=
0211
.α
Logo, o subconjunto S é subespaço vetorial de M(2, 2).
d) ⎭⎬⎫
⎩⎨⎧
≥+==−=∈⎥⎦
⎤⎢⎣
⎡= 0,,0,/)3,2( fdaedcbaM
fedcba
S
S∈⎥⎦
⎤⎢⎣
⎡000000
⎥⎦
⎤⎢⎣
⎡=
410231
u ; ⎥⎦
⎤⎢⎣
⎡=
120352
v ; α = -1
Svu ∈⎥⎦
⎤⎢⎣
⎡=+
530583
Su ∉⎥⎦
⎤⎢⎣
⎡−−−−−
=410231
.α
Logo, o subconjunto S não é subespaço vetorial de M(3, 2).
4.3 – Combinação Linear:
Sejam os vetores v1, v2, ..., vn do espaço vetorial V, e os escalares a1, a2, ..., an. Qualquer vetor v
∈ V da forma:
v = a1 . v1 + a2 . v2 + ... + an . vn
é uma combinação linear dos vetores v1, v2, ..., vn.
APOSTILA DE ÁLGEBRA LINEAR
PROFESSORA MONIQUE SEQUEIRA LEHMANN 28
Exp: No espaço vetorial P2 dos polinômios de grau 2, vamos verificar se o polinômio v = 7x2 +
11x – 26 é uma combinação linear dos polinômios v1 = 5x2 – 3x + 2 e v2 = -2x2 + 5x – 8
7x2 + 11x – 26 = a(5x2 – 3x + 2) + b(-2x2 + 5x – 8)
(7, 11, -26) = a(5, -3, 2) + b(-2, 5, -8)
⎪⎩
⎪⎨
⎧
−=−=+−=−
26821153725
bababa
5.3.
⎩⎨⎧
=+−=−
55251521615
baba
7619 =b 4=b
725 =− ba 875 +=a 3=a
conferindo: 263262682 −=−→−=− ba
Logo, o polinômio v é combinação linear de v1 e v2: v = 3 v1 + 4 v2
Exp1: Consideremos os seguintes vetores no ℜ3: v1 = (1, -3, 2) e v2 = (2, 4, -1).
a) Escrever o vetor v = (-4, -18, 7) como CL de v1 e v2:
v = a.v1 + b.v2
(-4, -18, 7) = a(1, -3, 2) + b(2, 4, -1)
⎪⎩
⎪⎨
⎧
=−−=+−−=+
721843
42
baba
ba 3.
⎩⎨⎧
−=+−−=+
18431263
baba
3010 −=b 3−=b
42 −=+ ba 64 +−=a 2=a
conferindo: 2a - b = 7 4 – (-3) = 7
Logo, v = 2v1 – 3 v2
b) Mostrar que o vetor v = (4, 3, -6) não é combinação linear dos vetores v1 e v2.
v = a.v1 + b.v2
(4, 3, -6) = a(1, -3, 2) + b(2, 4, -1)
⎪⎩
⎪⎨
⎧
−=−=+−
=+
62343
42
baba
ba 3.
⎩⎨⎧
=+−=+
3431263
baba
1510 =b 1015
=b
42 =+ ba 34−−=a 7−=a
conferindo: 610151462 −≠−−→−=−ba
O sistema é impossível, logo o vetor v não é combinação linear de v1 e v2.
APOSTILA DE ÁLGEBRA LINEAR
PROFESSORA MONIQUE SEQUEIRA LEHMANN 29
c) Determinar o valor de k para que o vetor v = (-1, k, -7) seja combinação linear de v1 e v2.
v = a.v1 + b.v2
(-1, k, -7) = a(1, -3, 2) + b(2, 4, -1)
⎩⎨⎧
−=→−=→−=−−=+
→⎪⎩
⎪⎨
⎧
−=−=+−−=+
3155142412
7243
12aa
baba
bakba
ba
12231212 =→=→+−=→−=+ bbbba
134943 =→+=→=+− kkkba
d) Determinar uma condição para x, y e z de modo que o vetor v = (x, y, z) seja combinação
linear de v1 e v2.
⎥⎥⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢⎢⎢
⎣
⎡
++−
+⎯⎯⎯⎯ →⎯
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡
+−−
+⎯⎯⎯ →⎯
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡
+−−+⎯⎯⎯ →⎯
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡
−−→
⎪⎩
⎪⎨
⎧
=−=+−
=+
−+−=
+=
=
+−=
+=
2200
10310
21
25010
31021
2503100
21
124321
243
2
)1,4,2()2,3,1(),,(
3253
21012
3123
2132
zyx
yxx
zx
yxx
zxyx
x
zyx
zbayba
xba
bazyx
LLL
LL
LL
LLL
O sistema só será possível se: 0202
2=++−→=
++− zyxzyx .
A condição é: zyx 2+= . Ou seja, todos os vetores (x, y, z) ∈ ℜ3, que são CL de v1 e v2, têm a
forma (y + 2z, y, z).
Exp2: Mostrar que o vetor v = (3, 4) ∈ ℜ2 pode ser escrito de infinitas maneiras como
combinação linear dos vetores v1 = (1, 0), v2 = (0, 1) e v3 = (2, -1).
SPIcbca
cba
→⎩⎨⎧
=−=+
−++=
432
)1,2()1,0()0,1()4,3(
Como o sistema é possível e indeterminado (infinitas soluções), o vetor v pode ser escrito de
infinitas maneiras como CL de v1, v2 e v3.
APOSTILA DE ÁLGEBRA LINEAR
PROFESSORA MONIQUE SEQUEIRA LEHMANN 30
4.4 – Subespaços Gerados:
Seja V um espaço vetorial. Consideremos um subconjunto A ={v1, v2, ..., vn} ⊂ V, A ≠ ∅.
O conjunto S de todos os vetores de V que são combinação linear dos vetores de A é um
subespaço vetorial de V. Simbolicamente, o subespaço S é:
{ }nn vavavavVvS ....../ 2211 +++=∈= , onde a1, a2, ..., an ∈ ℜ.
O subespaço S diz-se “gerado” pelos vetores v1, v2, ..., vn, ou gerado pelo conjunto A. É
representado por:
[ ]nvvvS ,...,, 21= ou )(AGS =
Os vetores v1, v2, ..., vn são chamados geradores do subespaço S, enquanto A é o conjunto
gerador de S.
Exp1: Os vetores i = (1, 0) e j = (0, 1) geram o espaço vetorial ℜ2, pois qualquer (x, y) ∈ ℜ2 é
combinação linear de i e j.
( )( ) ( ) ( )( ) ( )yxyx
yxyxjyixyx
,,1,00,1,
..,
=+=
+=
Exp2: Seja V = ℜ3. Determinar o subespaço gerado pelo vetor v = (1, 2, 3):
( ) ( )
[ ] ( ){ }[ ] ( ) ( ){ }xxxzyxv
xzxyzyxv
xazxay
axazyx
3,2,/,,
3;2/,,
3322
3,2,1,,
31
31
ℜ∈=
==ℜ∈=
⎪⎩
⎪⎨
⎧
====
=
=
4.5 – Dependência e Independência Linear:
Sejam V um espaço vetorial e A = {v1, v2, ..., vn} ⊂ V.
Consideremos a equação: nn vavava ...... 2211 +++ . Sabemos que essa equação admite apenas
uma solução: a1 = 0, a2 = 0, ..., an = 0, chamada solução trivial.
O conjunto A diz-se linearmente independente (LI), ou os vetores v1, v2, ..., vn são LI, caso a
equação mostrada admita apenas a solução trivial.
Se existirem soluções ai ≠ 0, dizemos que o conjunto A é linearmente dependentes (LD), ou os
vetores v1, v2, ..., vn são LD.
APOSTILA DE ÁLGEBRA LINEAR
PROFESSORA MONIQUE SEQUEIRA LEHMANN 31
• Teorema:
Um conjunto A = {v1, ..., vn} é LI se, e somente se, nenhum desses vetores for combinação linear
dos outros. Exp: v1 = (1, -2, 3) e v2 = (2, -4, 6) são LD, pois v2 = 2.v1
Exp1: Determinar se no espaço vetorial ℜ3, os vetores v1 = (2, -1, 3), v2 = (-1, 0, -2) e v3 = (2, -3,
1) formam um conjunto LI ou LD.
( ) ( ) ( ) ( )
⎩⎨⎧
−=−=
→→⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡⎯⎯⎯⎯ →⎯
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡
−−⎯⎯⎯ →⎯
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡
−−−−⎯⎯⎯⎯ →⎯
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡
−−⎯⎯⎯ →⎯
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡
−−−
−→
⎪⎩
⎪⎨
⎧
=+−=−−=+−
=−+−−+−
+=−=
+−=
+−=
=
−=
cbca
SPI
cbaca
cbacba
LLLLL
LLL
LLL
LL
LL
43
000004100301
082004100301
082004100301
012302120301
012303010212
02303
0220,0,01,3,22,0,13,1,2
322322
3133
2122
12
21
Como existem soluções ai ≠ 0, o conjunto é LD.
Exp2: No espaço vetorial ℜ4, os vetores v1 = (2, 2, 3, 4), v2 = (0, 5, -3, 1) e v3 = (0, 0, 4, -2) são
LI ou LD?
( ) ( ) ( ) ( )
⎪⎩
⎪⎨
⎧
===
→
⎪⎪⎩
⎪⎪⎨
⎧
=−+=+−
=+=
=−+−+
000
0240433
05202
0,0,0,02,4,0,01,3,5,04,3,2,2
cba
cbacba
baa
cbA
O sistema admite apenas a solução trivial, logo, o conjunto é LI.
Já vimos que, em um espaço vetorial V, um conjunto de geradores pode ser linearmente
independente ou linearmente dependente. Se o conjunto de geradores for linearmente
dependente, então existe um vetor no conjunto que é combinação linear de outros elementos do
conjunto. Então este elemento não é necessário na geração do espaço V. Portanto, um conjunto
de geradores linearmente dependente contem vetores que não são necessários para gerar V.
4.6 – Base de um Espaço Vetorial:
Seja V um espaço vetorial, chamamos de base um conjunto de vetores que gere o espaço V e tal
que todos os seus elementos sejam realmente necessários para gerar V.
DEFINIÇÃO: Um conjunto de vetores {v1, v2, ..., vn} ∈ V será uma base de V se:
i. {v1, v2, ..., vn} é LI;
ii. [v1, v2, ..., vn] = V, ou seja, o conjunto gera V.
APOSTILA DE ÁLGEBRA LINEAR
PROFESSORA MONIQUE SEQUEIRA LEHMANN 32
Importante:
- Uma base contém toda a informação necessária sobre V (ela gera V);
- Uma base não contém informação redundante sobre V (os vetores são independentes).
• Base Padrão do ℜn (Base Canônica)
É uma base que tem como coeficientes da combinação linear os valores dos componentes do
vetor:
ℜ2 ⇒ c1 = (1,0) e c2 = (0,1)
ℜ3 ⇒ c1 = (1,0,0), c2 = (0,1,0) e c3 = (0,0,1)
... ...
ℜn ⇒ c1 = (1,0,0,...,0), c2 = (0,1,0,...,0), ... , ci = (0,0,...,1,0,...,0), cn = (0,0,0,...,1)
• Dimensão:
Diz-se que um espaço vetorial V tem dimensão n (ou que V é n-dimensional) se V tem uma base
consistindo de n vetores. A dimensão de V é denotada por dimV.
• Teorema:
Suponha que V é um espaço vetorial de dimensão n. Então nenhum conjunto com mais de n
vetores em V pode ser linearmente independente e V não pode ser gerado por um conjunto de
vetores com menos de n vetores.
• Mudança de Base
Um mesmo espaço vetorial pode ter várias bases.
Exemplo: Conjunto v1 = (2,3) e v2 = (4,9) é base do ℜ2
É LI:
( ) ( ) ( )
⎩⎨⎧
==
→⎥⎦
⎤⎢⎣
⎡⎯⎯⎯⎯ →⎯⎥
⎦
⎤⎢⎣
⎡
⎯⎯⎯ →⎯⎥⎦
⎤⎢⎣
⎡⎯⎯⎯⎯ →⎯⎥
⎦
⎤⎢⎣
⎡⎯⎯ →⎯⎥
⎦
⎤⎢⎣
⎡→
⎩⎨⎧
=+=+
=+
+−=
=+−==
00
010001
010021
030021
093021
093042
093042
0,09,43,2
1221
231221321
211
ba
bababa
LLL
LLLLLLL
“A dimensão de um espaço vetorial é o número máximo de vetores linearmente independente
em V e também o número mínimo de vetores necessários para gerar V”.
APOSTILA DE ÁLGEBRA LINEAR
PROFESSORA MONIQUE SEQUEIRA LEHMANN 33
Gera o ℜ2:
( ) ( ) ( )
( )
( )( )( ) ⎪
⎩
⎪⎨
⎧
+−=
+−=
→⎥⎦
⎤⎢⎣
⎡+−+−
⎯⎯⎯⎯ →⎯⎥⎦
⎤⎢⎣
⎡+−
⎯⎯⎯ →⎯⎥⎦
⎤⎢⎣
⎡+−
⎯⎯⎯⎯ →⎯⎥⎦
⎤⎢⎣
⎡⎯⎯ →⎯⎥
⎦
⎤⎢⎣
⎡→
⎩⎨⎧
=+=+
=+
+−=
=+−==
623
643
6231064301
62310221
22330221
93221
9342
9342
,9,43,2
1221
231221321
211
yxb
yxa
yxyx
yxx
yxx
yx
yx
ybaxba
yxba
LLL
LLLLLLL
O conjunto v1’ = (0,3) e v2’ = (4,1) também é base do ℜ2, pois é LI e gera o ℜ2.
Pode-se escrever v = (3,1) como uma combinação linear de v1 e v2 e de v1’ e v2’, ou seja:
- Fazendo v como CL de v1 e v2:
( ) ( ) ( )
67;
623Re
193342
9,43,21,3
−==→→
⎩⎨⎧
=+=+
+=
basolvendobaba
ba
- Fazendo v como CL de v1’ e v2’:
( ) ( ) ( )
43;
121Re
1334
1,43,01,3
==→→⎩⎨⎧
=+=
+=
basolvendoba
bba
Assim, ⎟⎠⎞
⎜⎝⎛ −
67,
623 na base v1 e v2 é igual a ⎟
⎠⎞
⎜⎝⎛
43,
121 na base v1’ e v2’, e os dois são iguais a (3,1)
na base canônica (1,0) e (0,1).
A pergunta é: como representar o vetor que está em uma base numa outra base?
Dadas duas bases u = {u1, u2, ... , un} e v = {v1, v2, ... , vn}:
w = x1u1 + x2u2 + ... + xnun (I)
w = y1v1 + y2v2 + ... + ynvn (II)
Como u é base de V, pode-se escrever v como uma combinação linear de u:
v1 = a11u1 + a21u2 + ... + an1un
v2 = a12u1 + a22u2 + ... + an2un
… … … …
vn = a1nu1 + a2nu2 + ... + annun
APOSTILA DE ÁLGEBRA LINEAR
PROFESSORA MONIQUE SEQUEIRA LEHMANN 34
De (II) tem-se:
w = y1(a11u1 + a21u2 + ... + an1un) + y2(a12u1 + a22u2 + ... + an2un) + ... + yn(a1nu1 + a2nu2 + ... +
annun)
Rearrumando tem-se:
w = (a11y1 + a21y2 + ... + an1yn) u1 + (a12y1 + a22y2 + ... + an2yn) u2 + ... + (a1ny1 + a2ny2 + ... +
annyn) un
De (I) vem que:
x1 = a11y1 + a21y2 + ... + an1yn
x2 = a12y1 + a22y2 + ... + an2yn
… … … …
xn = a1ny1 + a2ny2 + ... + annyn
Ou seja, em forma matricial tem-se:
x = Ay, onde
⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢
⎣
⎡
=⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡=
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡=
nnn2n1
2n2221
1n121111
aaa
aaaaaa
A,
L
MOMM
L
L
MM ey
yy
x
xx
nn
vu[I]A ⇒ é a matriz de mudança da base v para a base u.
Assim, seja [W]u um vetor na base u e [W]v um vetor na base v. Então:
vvuu ]W[]I[]W[ =
Exemplo: Dados u = {(2,-1),(3,4)} e v = {(1,0),(0,1)} bases do ℜ2, quem é vu]I[ ?
v1 = (1,0) = a11 (2,-1) + a21 (3,4)
v2 = (0,1) = a12 (2,-1) + a22 (3,4)
⎥⎦
⎤⎢⎣
⎡=⎥
⎦
⎤⎢⎣
⎡⎥⎦
⎤⎢⎣
⎡−⎥
⎦
⎤⎢⎣
⎡=⎥
⎦
⎤⎢⎣
⎡⎥⎦
⎤⎢⎣
⎡− 1
0.
4132
01
.4132
22
12
21
11
aa
eaa
⎥⎦
⎤⎢⎣
⎡ −=⇒⎥
⎦
⎤⎢⎣
⎡ −⇒⎥
⎦
⎤⎢⎣
⎡⇒⎥
⎦
⎤⎢⎣
⎡− 21
34111]I[
11/211/11011/311/401
12/12/11002/12/31
10410132 v
u
APOSTILA DE ÁLGEBRA LINEAR
PROFESSORA MONIQUE SEQUEIRA LEHMANN 35
Capítulo 5 Transformações Lineares
5.1 – Definição:
Uma transformação linear de ℜn em ℜm é uma função que associa a cada u em ℜn um único L(u)
em ℜm tal que:
i) L(u + v) = L(u) + L(v) ; para ∀ u e v ∈ ℜn
ii) L(r.u) = r.L(u) ; para ∀ u e v ∈ ℜn e todo escalar r
O vetor L(u) é chamado imagem de u sob L, e o conjunto de todas as imagens de vetores em ℜn
é chamada a imagem de L.
Exemplo: Seja L:ℜ3 ℜ2 definida por L(x, y, z) = (x, y), verificar que L é uma TL.
SOLUÇÃO:
Sendo u = (x1, y1, z1) e v = (x2, y2, z2):
L(u + v) = L((x1, y1, z1) + (x2, y2, z2))
L(u + v) = L(x1 + x2, y1 + y2, z1 + z2) Pela definição L(x, y, z) = (x, y),
L(u + v) = (x1 + x2, y1 + y2)
L(u) + L(v) = (x1, y1) + (x2, y2)
L(u) + L(v) = (x1 + x2, y1 + y2) Logo, L(u + v) = L(u) + L(v)
Além disso, se r é um número real, temos:
L(r.u) = L(r.x1, r.y1, r.z1) = (r x1, r.y1) = r.( x1, y1) = r.L(u)
Sendo assim, L é uma transformação linear, chamada de PROJEÇÃO.
Exemplo: Seja L:ℜ2 ℜ2 definida por L(u) = r.u. Neste caso, dizemos que L é um operador
linear, pois é uma função de ℜn em ℜm onde n = m.
APOSTILA DE ÁLGEBRA LINEAR
PROFESSORA MONIQUE SEQUEIRA LEHMANN 36
Se r > 1 DILATAÇÃO
Se r < 1 CONTRAÇÃO
Exemplo: Seja L:ℜ2 ℜ2 definida por L(x, y) = (x, -y). Então, L é um operador linear e a TL é
uma REFLEXÃO EM RELAÇÃO AO EIXO X. Também temos o caso em que L(x, y) = (-x, y),
chamada de REFLEXÃO EM RELAÇÃO AO EIXO Y.
• Teorema: Seja L:ℜn ℜm uma transformação linear. Então:
Para quaisquer que sejam os vetores u1, u2, ..., uk em ℜn e os escalares a1, a2, ..., ak.
O teorema pode ser útil para calcular a imagem de um vetor u em ℜ2 ou uma transformação
linear do tipo L:ℜ2 ℜ3 uma vez conhecidos L(i) e L(j), onde i = (1, 0) e j (0, 1).
L(a1. u1 + a2. u2 + ...+ ak. uk) = a1. L(u1) + a2. L(u2) + ... + ak. L(uk)
APOSTILA DE ÁLGEBRA LINEAR
PROFESSORA MONIQUE SEQUEIRA LEHMANN 37
Analogamente podemos calcular L(u) para u em ℜ3 para uma transformação linear do tipo L:ℜ3
ℜ2 uma vez conhecidos L(i), L(j) e L(k), onde i = (1, 0, 0) e j (0, 1, 0) e k = (0, 0, 1).
Exemplo: Seja L:ℜ3 ℜ2 uma TL tal que:
L(1, 0, 0) = (2, -1)
L(0, 1, 0) = (3, 1)
L(0, 0, 1) = (-1, 2)
Encontrar L(-3, 4, 2).
SOLUÇÃO:
(-3, 4, 2) = -3i + 4j + 2 k
L (-3, 4, 2) = L(-3i + 4j + 2 k)
L (-3, 4, 2) = -3L(i) + 4L(j) + 2 L(k)
L (-3, 4, 2) = -3(2, -1) + 4(3, 1) + 2(-1, 2)
L (-3, 4, 2) = (-6, 3) + (12, 4) + (-2, 4)
L (-3, 4, 2) = (4, 11)
Exemplo: Seja L:ℜ2 ℜ3 uma TL definida por:
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡
−=⎥
⎦
⎤⎢⎣
⎡
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡
−=⎟⎟
⎠
⎞⎜⎜⎝
⎛⎥⎦
⎤⎢⎣
⎡
yxyx
yx
yx
L .11
1001
a) Verificar se o vetor ⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡
−=
132
v pertence à imagem de L:
SOLUÇÃO:
A imagem de L é ⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡
−=⎟⎟
⎠
⎞⎜⎜⎝
⎛⎥⎦
⎤⎢⎣
⎡
yxyx
yx
L . Se fizermos ⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡
−=
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡
− 132
yxyx
, teremos uma igualdade (x = 2,
y = 3 x – y = -1). Logo, o vetor v pertence à imagem de L.
b) a) Verificar se o vetor ⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡=
253
w pertence à imagem de L:
APOSTILA DE ÁLGEBRA LINEAR
PROFESSORA MONIQUE SEQUEIRA LEHMANN 38
SOLUÇÃO:
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡=
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡
− 253
yxyx
não é uma igualdade, já que se x = 3, y = 5 x – y = -2. Logo, o vetor w não
pertence à imagem de L.
5.2 – Transformações Lineares e Matrizes:
Anteriormente, estudamos alguns exemplos de TL’s de ℜn em ℜm. Agora vamos considerar TL’s
de um espaço vetorial V em um espaço vetorial W.
• Definição: Sejam V e W espaços vetoriais. Uma transformação linear L de V em W é uma
função que associa um único vetor L(u) em W à cada vetor u em V tal que:
i) L(u + v) = L(u) + L(v) ; para ∀ u e v ∈ V
ii) L(λ.u) = λ.L(u) ; para ∀ u ∈ V e λ ∈ ℜ
OBS: Na definição, o sinal + em u + v, representa adição em V, enquanto que em L(u) + L(v)
refere-se à adição em W. Analogamente, em ii, o produto à esquerda do sinal de igualdade, λ.u,
está em V, e o produto λ.L(u) está em W.
• Representação: Representamos uma função L de V em W, mesmo que não seja uma TL por
L: V W.
No caso em que V = W, a TL será chamada de operador linear.
• Teorema 1: Se L: V W é uma TL, então:
Quaisquer que sejam os vetores v1, v2, ..., vk e os escalares c1, c2, ..., ck.
• Teorema 2: Seja L: V W uma TL e seja S = {v1, v2, ..., vn} uma base para v. Se u é um
vetor qualquer em V, então L(u) fica determinado por {L(v1), L(v2), ..., L(vn)}.
Exemplo: Seja L: ℜ2 ℜ2 uma TL tal que L(1, 1) = (1, -2) e L(-1 ,1) = (2, 3).
a) Qual o valor de L(-1, 5)?
b) Qual o valor de L(x, y)?
L(c1. v1 + c2. v2 + ...+ ck. vk) = c1. L(v1) + c2. L(v2) + ... + ck. L(vk)
APOSTILA DE ÁLGEBRA LINEAR
PROFESSORA MONIQUE SEQUEIRA LEHMANN 39
SOLUÇÃO:
a) Primeiro, verificamos que {(1, 1), (-1, 1)} é uma base para ℜ2:
- São LI, pois se fizermos 000
)0,0()1,1()1,1( ==→⎩⎨⎧
=+=−
→=−+ bababa
ba .
- Geram ℜ2 pois: 2
;2
),()1,1()1,1( xybyxaybaxba
yxba −=
+=→
⎩⎨⎧
=+=−
→=−+ .
Logo, o conjunto é base para ℜ2.
a) Teremos que fazer o vetor (-1, 5) como CL de {(1, 1), (-1, 1)}:
3;251
)1,1()1,1()5,1(
==→⎩⎨⎧
=+−=−
−+=−
baba
baba
)5,8()5,1()9,6()4,2()5,1(
)3,2.(3)2,1.(2)5,1()1,1(.3)1,1(.2)5,1(
)1,1(3)1,1(2)5,1(
=−+−=−+−=−
−+=−−+=−
LLL
LLL
b) Teremos que fazer o vetor (x, y) como CL de {(1, 1), (-1, 1)}:
2;
2
)1,1()1,1(),(
xybyxaybaxba
bayx
−=
+=→
⎩⎨⎧
=+=−
−+=
⎟⎠⎞
⎜⎝⎛ +−+−
=
⎟⎠⎞
⎜⎝⎛ +−
+−−+−
++
=
⎟⎠⎞
⎜⎝⎛ +−+−
+⎟⎠⎞
⎜⎝⎛ −−+
=
⎟⎠⎞
⎜⎝⎛ −
+−⎟⎠⎞
⎜⎝⎛ +
=
−⎟⎠⎞
⎜⎝⎛ −
+⎟⎠⎞
⎜⎝⎛ +
=
−⎟⎠⎞
⎜⎝⎛ −
+⎟⎠⎞
⎜⎝⎛ +
=
25,
23),(
233
222,
222
2),(
233,
222
222,
2),(
)3,2.(2
)2,1.(2
),(
)1,1(.2
)1,1(.2
),(
)1,1(2
)1,1(2
),(
yxyxyxL
yxyxyxyxyxL
yxyxyxyxyxL
xyyxyxL
LxyLyxyxL
xyyxyxL
APOSTILA DE ÁLGEBRA LINEAR
PROFESSORA MONIQUE SEQUEIRA LEHMANN 40
Capítulo 6 Autovalores e Autovetores
Seja A uma matriz n x n. Então, a função L: ℜn ℜn definida por L(x) = Ax, para x ∈
ℜn, é uma transformação linear. Uma questão importante em muitos problemas é a determinação
de vetores x, se existirem, tais que x e Ax são paralelos. Tais questões aparecem em aplicações
envolvendo vibrações (aerodinâmica, elasticidade, física nuclear, mecânica, engenharia química,
biologia, equações diferenciais, etc.).
6.1 – Definição:
Seja A uma matriz n x n. O número real λ é um autovalor de A se existe um vetor não nulo x em
ℜn tal que:
Todo vetor não nulo x satisfazendo a equação é chamado autovetor de A associado ao autovalor
λ.
6.2 – Determinação doa autovalores e autovetores:
• Determinação dos autovalores:
Dado um operador linear T: ℜ3 ℜ3, cuja matriz canônica é:
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡=
333231
232221
131211
aaaaaaaaa
A Dizemos que det(A - λI) = 0
0det
000
0000
det
333231
232221
131211
333231
232221
131211
=⎟⎟⎟
⎠
⎞
⎜⎜⎜
⎝
⎛
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡
−−
−
=⎟⎟⎟
⎠
⎞
⎜⎜⎜
⎝
⎛
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡−
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡=
λλ
λ
λλ
λ
aaaaaaaaa
aaaaaaaaa
A
Essa equação det(A - λI) = 0 é chamada equação característica do operador T e suas reízes são os
autovalores do operador.
Ax = λ.x
APOSTILA DE ÁLGEBRA LINEAR
PROFESSORA MONIQUE SEQUEIRA LEHMANN 41
• Determinação dos autovetores:
A substituição de λ pelos seus valores no sistema (A - λI)v = 0 permite determinar os
autovetores associados.
Exp1:
⎥⎦
⎤⎢⎣
⎡=
1254
A
Montar a equação característica:
det(A - λI) = 0
( )( )
275
492425065
010440101.4
012
54
2
2
±=
=+=Δ=−−
=−+−−
=−−−
=−
−
λ
λλ
λλλ
λλ
λλ
16
''
'
−=
=
λ
λ São os autovalores
Para determinar os autovetores:
(A - λI)v = 0
Considerando ⎥⎦
⎤⎢⎣
⎡=
yx
v :
⎥⎦
⎤⎢⎣
⎡=⎥
⎦
⎤⎢⎣
⎡⎥⎦
⎤⎢⎣
⎡−
−00
.12
54yx
λλ
- Para λ = 6:
⎥⎦
⎤⎢⎣
⎡=⎥
⎦
⎤⎢⎣
⎡⎥⎦
⎤⎢⎣
⎡−
−00
.52
52yx
⎩⎨⎧
=−=+−052052
yxyx
SPI xy52
=
Logo, os autovetores associados ao autovalor λ = 6 são do tipo: ⎟⎠⎞
⎜⎝⎛= xxv
52,
- Para λ = -1:
⎥⎦
⎤⎢⎣
⎡=⎥
⎦
⎤⎢⎣
⎡⎥⎦
⎤⎢⎣
⎡00
.1255
yx
⎩⎨⎧
=+=+
022055
yxyx
SPI xy −=
Logo, os autovetores associados ao autovalor λ = -1 são do tipo: ( )xxv −= ,
APOSTILA DE ÁLGEBRA LINEAR
PROFESSORA MONIQUE SEQUEIRA LEHMANN 42
Por exemplo o vetor v = (5, 2) é autovetor do operador T: ℜ2 ℜ2 definido por T(x, y) = (4x +
5y, 2x + y) associado ao autovalor λ = 6, pois:
T(v) = T(5, 2) = (4.5 + 5.2, 2.5 + 2) = (30, 12) = 6.(5, 2) = 6v
Exp2:
⎥⎦
⎤⎢⎣
⎡−
=4211
A
Montar a equação característica:
det(A - λI) = 0
( )( )
215
12425065
0244024.1
042
11
2
2
±=
=−=Δ=+−
=++−−
=+−−
=−−
−
λ
λλ
λλλ
λλ
λλ
23
''
'
=
=
λ
λ São os autovalores
Para determinar os autovetores:
(A - λI)v = 0
Considerando ⎥⎦
⎤⎢⎣
⎡=
yx
v :
⎥⎦
⎤⎢⎣
⎡=⎥
⎦
⎤⎢⎣
⎡⎥⎦
⎤⎢⎣
⎡−−
−00
.42
11yx
λλ
- Para λ = 3:
⎥⎦
⎤⎢⎣
⎡=⎥
⎦
⎤⎢⎣
⎡⎥⎦
⎤⎢⎣
⎡−−
00
.1212
yx
⎩⎨⎧
=+−=+−
0202
yxyx
SPI xy 2=
Logo, os autovetores associados ao autovalor λ = 3 são do tipo: ( )xxv 2,=
- Para λ = 2:
⎥⎦
⎤⎢⎣
⎡=⎥
⎦
⎤⎢⎣
⎡⎥⎦
⎤⎢⎣
⎡−−
00
.2211
yx
⎩⎨⎧
=+−=+−
0220
yxyx
SPI xy =
Logo, os autovetores associados ao autovalor λ = 2 são do tipo: ( )xxv ,=
APOSTILA DE ÁLGEBRA LINEAR
PROFESSORA MONIQUE SEQUEIRA LEHMANN 43
Exp3: ⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡
−−−
−=
311151
113A
0363611
0363611
0311
151113
23
23
=−+−
=+−+−
=−−−−−
−−
λλλ
λλλ
λλ
λ
ou
As soluções inteiras, caso existam, são divisoras do termo independente (-36). Por tentativa,
constata-se que λ = 2 é uma delas. Dividindo a equação por λ - 2 tem-se, por Briot-Ruffini:
1 -11 36 -36 2 2 -18 36 1 -9 18 0
( )( ) 01892 2 =+−− λλλ
As demais raízes são:
3''6'
239
9728101892
==
±=
=−=Δ=+−
λλ
λ
λλ
Determinação dos autovetores:
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡=
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡
−−−−−
−−
000
.311
151113
zyx
λλ
λ
- Para λ = 2:
0,0
030
000
.111131
111
=−=→⎪⎩
⎪⎨
⎧
=+−=−+−
=+−
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡=
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡
−−−
−
yzxzyx
zyxzyx
zyx
( )xxv −= ,0,
APOSTILA DE ÁLGEBRA LINEAR
PROFESSORA MONIQUE SEQUEIRA LEHMANN 44
- Para λ = 3:
zyxyx
zyxzy
zyx
==→⎪⎩
⎪⎨
⎧
=−=−+−
=+−
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡=
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡
−−−
−
002
0
000
.011121
110
( )xxxv ,,=
- Para λ = 6:
xzyzxzyxzyxzyx
zyx
22,03003
000
.311111
113
−=−==→⎪⎩
⎪⎨
⎧
=−−=−−−=+−−
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡=
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡
−−−−−
−−
( )xxxv ,2,−=