1

Álgebra Linear
Mauri Cunha do Nascimento
Departamento de Matemática - UNESP/Bauru
4 de janeiro de 2011

Sumário
1 Matrizes e Determinantes 2
1.1 Matrizes . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2 Determinante de uma matriz quadrada . . . . . . . . . . . 4
1.3 Matriz escalonada . . . . . . . . . . . . . . . . . . . . . . 5
1.4 Equivalência de matrizes por linha . . . . . . . . . . . . . 5

2 Sistemas Lineares 7
2.1 Sistema de Equações Lineares . . . . . . . . . . . . . . . . 7
2.2 Classificação de um Sistema Linear . . . . . . . . . . . . . 8

3 Espaços Vetoriais Reais 9

3.1 Definição e exemplos . . . . . . . . . . . . . . . . . . . . . 9
3.2 Subespaço . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
3.3 Dependência Linear . . . . . . . . . . . . . . . . . . . . . 12
3.4 Geradores de um espaço vetorial . . . . . . . . . . . . . . 13
3.5 Base e dimensão para um espaço vetorial . . . . . . . . . 15
3.6 Espaço das linhas de uma matriz . . . . . . . . . . . . . . 18
3.7 Interseção, soma e soma direta . . . . . . . . . . . . . . . 19
3.8 Aplicação às Equações Lineares . . . . . . . . . . . . . . . 21
3.9 Coordenadas de um vetor em relação a uma base . . . . . 23
3.10 Mudança de base . . . . . . . . . . . . . . . . . . . . . . 23
3.11 Espaços de polinômios sobre R . . . . . . . . . . . . . . . 25
3.12 Espaços de funções . . . . . . . . . . . . . . . . . . . . . . 26

4 Transformações Lineares 27
4.1 Definição e exemplos . . . . . . . . . . . . . . . . . . . . . 27
4.2 Núcleo e Imagem . . . . . . . . . . . . . . . . . . . . . . . 28
4.3 Operador linear . . . . . . . . . . . . . . . . . . . . . . . . 30
4.4 Matriz de um operador linear . . . . . . . . . . . . . . . . 31

5 Autovalores e Autovetores 32
5.1 Autovalores e Autovetores de uma matriz . . . . . . . . . 33
5.2 Polinômio caracterı́stico de um operador linear . . . . . . 34
5.3 Diagonalização . . . . . . . . . . . . . . . . . . . . . . . . 35

6 Apêndice 37
6.1 Corpos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
6.2 Polinômio Minimal . . . . . . . . . . . . . . . . . . . . . . 37
6.3 Forma de Jordan . . . . . . . . . . . . . . . . . . . . . . . 39
6.4 Composta e inversa de transformações lineares . . . . . . 40
6.5 Exercı́cios de Espaços Vetoriais . . . . . . . . . . . . . . . 40
6.6 Exercı́cios de Transformações Lineares . . . . . . . . . . . 41

Bibliografia 42
1 MATRIZES E DETERMINANTES 2

1 Matrizes e Determinantes
1.1 Matrizes

Definição 1.1 Uma matriz m×n é uma tabela com números dispostos em m linhas e n colunas.
 
a11 a12 · · · a1n
 
 a21 a22 · · · a2n 
Am×n =  .  .. 
. ..  = [aij ]m×n
 . . ··· . 
am1 am2 · · · amn
onde aij é o elemento da matriz que está na linha i e na coluna j.

Tipos especiais de Matrizes. Seja uma matriz A = [aij ]m×n . A é chamada:

1. Matriz Nula se aij = 0 ∀i, ∀j
2. Matriz Coluna se n = 1
3. Matriz Linha se m = 1
4. Matriz Quadrada de ordem n se m = n
Tipos especiais de Matrizes Quadradas.
1. Matriz Identidade se aij = 0 quando i 6= j e aii = 1.
Notação: In matriz identidade n×n.
2. Simétrica se aij = aji (Por exemplo, a matriz identidade)
3. Diagonal se aij = 0 quando i 6= j
4. Triangular:
i) Superior aij = 0 quando i > j
ii) Inferior se aij = 0 quando i < j

Numa matriz quadrada A = [aij ]n×n , os elementos a11 , a22 , . . . , ann formam a diagonal
principal da matriz.

Observe que, se A = [aij ] é uma matriz simétrica, então a i-ésima linha e a i-ésima coluna
de A têm exatamente os mesmos elementos e na mesma ordem. O termo ”simétrica”vem do
fato de existir uma simetria em A em relação à diagonal principal.
   
1 −2 5 1 −2 5
   
Exemplo 1.1 A matriz  −2 4 7  é simétrica e a matriz  0 4 7  é uma matriz
5 7 0 0 0 0
triangular superior.

Operações com matrizes

Adição de matrizes. Dadas A = [aij ]m×n e B = [bij ]m×n , A + B = [aij + bij ]m×n . Note que
a adição só é possı́vel quando o número de linhas e o número colunas forem iguais nas duas
matrizes.
Multiplicação por escalar. Dada A = [aij ]m×n e α um escalar (número), αA = [αaij ]m×n
Multiplicação de Matrizes. Dadas Am×n = [aij ]m×n e Bn×p = [bij ]n×p , AB = Cm×p = [cij ]m×p
P
onde cij = nk=1 aik bkj . Note que a multiplicação só é possı́vel quando o número de colunas da
1 MATRIZES E DETERMINANTES 3

matriz à esquerda, no produto, é igual ao número de linhas da matriz à direita.

linhas colunas de Bn×p Cm×p

de Am×n c1 c2 . . . cp  
   
l1 ∗ ∗ ∗ ∗ ∗ ∗ ∗ ∗ l1 c1 l1 c2 . . . l1 cp
 ∗ ∗     
l2  ∗ ∗   ∗ ∗ ∗ ∗   l2 c1 l2 c2 . . . l2 cp 
..    =  .. .. .. 
 ∗ ∗ ∗ ∗   ∗ ∗ ∗ ∗   
.  . . . 
lm ∗ ∗ ∗ ∗ ∗ ∗ ∗ ∗ lm c1 lm c2 . . . lm cp
 
1 2 " #
  7 8
Exemplo 1.2 Para A =  3 4  e B = temos
9 10
5 6
   
1×7 + 2×9 1×8 + 2×10 25 28
   
AB =  3×7 + 4×9 3×8 + 4×10  =  57 64 
5×7 + 6×9 5×8 + 6×10 89 100
Note que neste exemplo não é possı́vel realizar o produto BA.

Propriedades
Sejam A, B e C matrizes, O uma matriz nula, I uma matriz identidade e r, s escalares. Desde
que sejam possı́veis as operações, as seguintes propriedades são válidas.
1. Comutativa. A + B = B + A. Em geral AB 6= BA
2. Associativa. A + (B + C) = (A + B) + C e A(BC) = (AB)C
3. Distributiva. A(B + C) = AB + AC e (B + C)A = BA + CA
4. A + O = O + A = A; AI = IA = A; OA = O0 ; AO = O”, onde O, O0 e O” são matrizes
nulas adequadas.
5. r(A + B) = rA + rB
6. (r + s)A = rA + sA
7. (rA)B = r(AB) = A(rB)

Transposição. Se Am×n = [aij ] é uma matriz, a transposta de A é uma matriz deno-

tada por At = [bij ] onde bij = aji . Observe que as linhas de At são exatamente as colunas
de A, isto é, para cada i, a i-ésima linha de At e a i-ésima coluna de A têm exatamente os
mesmos elementos e na mesma ordem.

Propriedades da transposta. Sejam A e B matrizes e r um escalar. Desde que se-

jam possı́veis as operações, as seguintes propriedades são válidas.
1. (At )t = A
2. (rA)t = rAt
3. (A + B)t = At + B t
4. (AB)t = B t At . Em geral, (AB)t 6= At B t
5. A é simétrica se, e somente se, A = At

Inversa. Se A é uma matriz quadrada, a inversa de A, caso exista, é uma matriz de-
notada por A−1 satisfazendo AA−1 = A−1 A = I (matriz identidade).
1 MATRIZES E DETERMINANTES 4

Se A e B têm inversas então AB tem inversa e (AB)−1 = B −1 A−1 .

1.2 Determinante de uma matriz quadrada

Em lugar de definir o determinante de uma matriz quadrada, vamos considerar o desenvolvi-

mento de Laplace, a partir da i-ésima linha da matriz (o que também poderia ser feito a partir
da j-ésima coluna):
Para uma matriz quadrada de ordem 1 o determinante é dado por det([a]) = a.
Para uma matriz quadrada A = [aij ]n×n , de ordem n ≥ 2
n
X
det(A) = (−1)i+j · aij · det(Aij ),
j=1

onde Aij é a matriz quadrada de ordem n − 1, obtida da matriz A retirando-se a i-ésima linha
e j-ésima coluna.

A definição de determinante pode ser encontrada nos livros constantes da bibliografia.

Exemplo 1.3 Se In é a matriz identidade de ordem n então det(In ) = 1.

" #
a b
Exemplo 1.4 Se A = então det(A) = ad − bc.
c d
 
a11 a12 a13
 
Exemplo 1.5 Se A =  a21 a22 a23  então det(A) = a11 · a22 · a33 + a12 · a23 · a31 + a13 · a21 ·
a31 a32 a33
a32 − a13 · a22 · a31 − a12 · a21 · a33 − a11 · a23 · a32 .

Exercı́cio 1.1 Calcular

 o determinante
 das matrizes:
 
  1 2 3 4 1 0 5 0
1 2 3  5 0 1 0   2
     0 0 −2 

A= 4 0 6 B= eC= 
 −2 1 5 0   3 4 0 6 
7 0 9
−1 2 0 3 −2 0 1 0

Propriedades de determinantes.
1. Se A tem uma linha (ou coluna) nula então det(A) = 0
2. Se multiplicarmos uma linha (ou coluna) de uma matriz por uma constante r, seu determi-
nante fica multiplicado por r
3. Se A é uma matriz n×n e r é um escalar então det(rA) = rn det(A)
4. Trocando a posição de duas linha (ou colunas), o determinante troca de sinal
5. Trocando a linha i por linha i + r(linha j), não se altera o determinante (o mesmo vale para
colunas em lugar de linhas)
6. Se A tem duas linhas (ou colunas) iguais então det(A) = 0
7. det(AB) = det(A)det(B)
8. Se existe a inversa de A então det(A−1 ) = 1/(det(A))
9. Existe a inversa de A se, e somente se, det(A) 6= 0
10. O determinante de uma matriz triangular é igual ao produto dos elementos da diagonal
1 MATRIZES E DETERMINANTES 5

11. Se em uma matriz quadrada A, linha i = r(linha j) + s(linha k), j 6= i e k 6= i, então

det(A) = 0
12. det(A) = det(At )

Exercı́cios 1.2 Livro do Boldrini página 11 exercı́cios 1, 2, 6, 10, 12, 13; página 90 exercı́cios
3, 4, 8 e 13 " #
a b
Exercı́cio 1.3 Mostre que se A = é uma matriz inversı́vel então
c d
" #
1 d −b
A−1 = det(A)
−c a

1.3 Matriz escalonada

Definição 1.2 Dizemos que uma matriz A é uma matriz escalonada (ou matriz em forma de
escada) se as condições abaixo são satisfeitas:
a) As linhas nulas (caso existam) localizam-se abaixo de todas as linhas não nulas.
b) Caso i e j sejam linhas não nulas e i < j, então o primeiro elemento não nulo da linha i
está em uma coluna anterior à do primeiro elemento não nulo da linha j.

Figura 1: Matriz escalonada

Exemplo
 1.6 São
 matrizes escalonadas:
2 −1 3 0    
0 1 3 1 0 4 0 5 " #
 0 0 4 1  1 0
     
 ,  0 0 7 ,  0 2 1 5 0 , , [7].
 0 0 0 0  0 1
0 0 0 0 0 0 −3 2
0 0 0 0

Não são matrizes escalonadas:

     
1 2 0 7 5 1 4 2 0 0 0 1
 2 
0 9 7 5   0 0 0 0   0 2 3 
   
 ,  ,  
 0 7 5 0 −2   0 0 1 7   −2 3 0 
0 0 0 0 0 0 0 0 2

1.4 Equivalência de matrizes por linha

Definição 1.3 Dizemos que uma matriz A é equivalente por linhas a uma matriz B, se a matriz
B pode ser obtida da matriz A, a partir de uma seqüência finita de operações elementares, as
quais estão listadas a seguir.
1. Troca da linha i com a linha j ( Li ↔ Lj ).
2. Multiplicação da linha i por um escalar não nulo r (Li → rLi ).
3. Substituição da linha i por r vezes a linha j somada à linha i, (Li → Li + rLj ).
1 MATRIZES E DETERMINANTES 6

Exercı́cio 1.4 Utilizando as operações elementares transforme as matrizes abaixo em matrizes

equivalentes escalonadas.  
    2 2 4
1 2 −1 3 4 0 0 2  1 1 2 
     
A= 2 4 0 3 4  B= 2 3 1  C= 
 −1 0 2 
3 6 0 7 9 0 4 0
3 2 1

Exercı́cios 1.5 Livro do Lipschutz: pag. 36 - 1.20, 1.21, 1.22; pag. 50 - 1.54 e 1.55

Teorema 1.1 Uma matriz A é inversı́vel se, e somente se, A é equivalente por linhas à matriz
identidade. Além disso, a mesma sucessão de operações elementares que transformam a matriz
A na matriz identidade, transformam a matriz identidade na inversa de A.
 
0 2 1
 
Exemplo 1.7 A =  2 0 2 
1 1 2
     
0 2 1 1 0 0 1 1 2 0 0 1 1 1 2 0 0 1
     
 2 0 2 0 1 0  L1 ↔ L3  2 0 2 0 1 0  L2 ↔ L3  2 0 2 0 1 0  L3 →
1 1 2 0 0 1 0 2 1 1 0 0 0 2 1 1 0 0
   
1 1 2 0 0 1 1 1 2 0 0 1
    L2 → L2 + L3
L3 − 2L1  0 2 1 1 0 0  L3 → L3 + 2L2  0 2 1 1 0 0  e
L1 → L1 + 2L3
0 −2 −2 0 1 −2 0 0 −1 1 1 −2
     
1 1 0 2 2 −3 1 1 0 2 2 −3 1 0 0 1 23 −2
     
 0 2 0 2 1 −2  L2 → 21 L2  0 1 0 1 12 −1  L1 → L1 −L2  0 1 0 1 12 −1 
0 0 −1 1 1 −2 0 0 −1 1 1 −2 0 0 −1 1 1 −2
 
3
1 0 0 1 2
−2
 1 
L3 → −L3  0 1 0 1 −1 
2
0 0 1 −1 −1 2
 
3
1 2
−2
 1 
Assim, A−1 =  1 2
−1 
−1 −1 2

Exercı́cio
 1.6 Determine as inversas das matrizes dadas abaixo, caso seja possı́vel.

1 0 1 " # " #
  1 2 1 2
A= 1 2 1  B= C=
0 3 2 4
0 2 0

Exercı́cios 1.7 Resolva o exercı́cio 9 da página 90 do livro do Boldrini. Livro do Lipschutz:

pag. 160 - 4.14; pag. 192 - 4.80 e 4.81
2 SISTEMAS LINEARES 7

2 Sistemas Lineares
2.1 Sistema de Equações Lineares

Definição 2.1 i) Uma equação linear nas incógnitas (ou variáveis) x1 , x2 , · · · , xn é uma
equação dada por: a1 x1 + a2 x2 + +an xn = b onde b e os coeficientes ai são escalares.
ii) Uma solução da equação dada em (i) é uma n-úpla (c1 , c2 , ..., cn ) de escalares que satisfaz a
equação: a1 c1 + a2 c2 + +an cn = b.
iii) Um sistema de equações lineares é um conjunto (finito) de equações lineares.
iv) Uma solução de um sistema de equações lineares com n incógnitas é uma n-úpla (c1 , c2 , ..., cn )
de escalares que é solução de todas as equações do sistema.

Um
 sistema com m equações e n incógnitas tem representação

 a11 x1 + a12 x2 + . . . + a1n xn = b1


 a21 x1 + a22 x2 + . . . + a2n xn = b2
 ..

 .

 a x + a x + ... + a x = b
m1 1 m2 2 mn n m

e também pode ser representado na

 forma
 matricial:
   
a11 a12 . . . a1n x1 b1
 a     
 21 a22 . . . a2n   x2   b2 
   . =  . 
 ... ... ... ...    ..


 . 
 . 
am1 am1 . . . amn xn bm
onde [aij ]m×n , [xi ]n×1 e [bj ]m×1 são chamadas, respectivamente, de matriz dos coeficientes,
matriz das incógnitas e matriz dos termos independentes.
Se b1 = b2 = ... = bm = 0 dizemos que o sistema é homogêneo.
Definimos
 também a matrizampliada do sistema:
a11 a12 . . . a1n b1
 
 a21 a22 . . . a2n b2 
 . .. .. 
 . 
 . . . . . . . . . 
am1 am1 . . . amn bm

Teorema 2.1 Sistemas que possuem matrizes ampliadas equivalentes por linhas são equivalen-
tes, isto é, ambos possuem o mesmo conjunto de soluções.

Exemplo 2.1 O sistema



 x + y + z = 2
x + 2y = −3

 2x + 3y + 2z = 2
tem
 matriz ampliada

1 1 1 2
 
 1 2 0 −3 
2 3 2 2
que ao ser escalonada pode chegar na matriz
2 SISTEMAS LINEARES 8

 
1 1 1 2
 
 0 1 −1 −5 
0 0 1 3
que é a matriz ampliada do sistema


 x + y + z = 2
y − z = −5

 z = 3
cuja solução é x = 1, y = −2 e z = 3, ou seja, (1, −2, 3) é solução do sistema dado.

2.2 Classificação de um Sistema Linear

Definição 2.2 Classificação de sistemas lineares.

- Um sistema é impossı́vel quando não possui soluções.
- Um sistema é possı́vel e determinado quando possui uma única solução.
- Um sistema é possı́vel e indeterminado quando possui mais de uma solução.

Observe que um sistema homogêneo é sempre possı́vel, pois (0, 0, ..., 0) é uma solução.

Exemplo 2.2 (
x + y = 0
Sistema impossı́vel:
x + y = 2
(
x + y = 0
Sistema possı́vel e determinado:
y = 2
n
Sistema possı́vel e indeterminado: x + y = 2

Teorema 2.2 Duas matrizes escalonadas equivalentes por linhas têm sempre o mesmo número
de linhas não nulas.

Definição 2.3 O posto de uma matriz A é o número de linhas não nulas de qualquer matriz
escalonada linha equivalente a A.

Teorema 2.3 Um sistema é possı́vel se, e somente se o posto da matriz dos coeficientes do
sistema é igual ao posto da matriz ampliada. Neste caso, considerando os postos das matrizes
iguais a p, e considerando n o número de incógnitas, temos:
a) se n = p então o sistema tem uma única solução
b) se p < n, para obter uma solução para o sistema, podemos escolher n − p incógnitas e
atribuir valores quaisquer para elas. Os valores para as outras p incógnitas serão dadas em
função destas.

Vemos no Teorema anterior que se um sistema tiver mais que uma solução, terá infinitas
soluções. O valor n − p no ı́tem (b), é chamado de grau de liberdade do sistema.

Exemplo
( 2.3 Dado o sistema
x + 2y + z + t = 1
x + 3y − z + 2t = 3
obtemos o sistema equivalente:
3 ESPAÇOS VETORIAIS REAIS 9

(
x + 2y + z + t = 1
.
y − 2z + t = 2
Temos então n = 4 (incógnitas), p = 2 (posto das matrizes ampliadas e dos coeficientes) e
o grau de liberdade do sistema sendo n − p = 2. Podemos obter x e y em função de z e t:
y = 2 + 2z − t e x = −3 − 5z + t. Podemos também representar as soluções do sistema por
(x, y, z, t) = (−3 − 5z + t, 2 + 2z − t, z, t) ou, trocando z e t pelos parâmetros a e b,
(x, y, z, t) = (−3 − 5a + b, 2 + 2a − b, a, b), ou ainda
(x, y, z, t) = (−3, 2, 0, 0) − a(5, 2, 1, 0) + b(1, −1, 0, 1). Atribuindo valores para a e b, obtemos
soluções para o sistema. Por exemplo, para a = 2 e b = −1, obtemos x = −14 e y = 7. Assim,
(x, y, z, t) = (−14, 7, 2, −1) é uma solução do sistema.

Exercı́cios 2.1 Resolver os exercı́cios do livro do Boldrini: página 49, exercı́cios 1, 5, 6, 10,
11, 12, 13, 14, 15, 16, 19, 20
Resolver os exercı́cios do livro do Lipschutz: página 34 exercı́cios de 1.15 a 1.19; página 49,
exercı́cios 1.48 a 1.51.

3 Espaços Vetoriais Reais

3.1 Definição e exemplos

Definição 3.1 Um espaço vetorial real é um conjunto V não vazio onde estão definidas a
adição de vetores (a adição de elementos de V ) e o produto de por escalar (o produto de
números reais por elementos de V ) satisfazedo as condições abaixo, para u, v, w ∈ V e r, s
números reais.
0) Fechamento: u + v ∈ V e ru ∈ V
Propriedades da adição
1) Associativa: u + (v + w) = (u + v) + w
2) Comutativa: u + v = v + u
3) Vetor nulo: existe O ∈ V tal que v + O = O + v = v
4) Oposto de v: se v ∈ V então existe −v ∈ V tal que −v + v = v + (−v) = O.
Notação para a subtração: u − v = u + (−v)
Propriedades do produto por escalar
5) r(u + v) = ru + rv
6) (r + s)v = rv + sv
7) r(sv) = (rs)v
8) 1v = v

Define-se espaço vetorial complexo da mesma forma como acima, mas considerando-se
o produto por escalar como o produto de vetor por número complexo, isto é, se os escalares
r e s tomados na definição acima forem números complexos. Espaços vetoriais são definidos
de forma mais geral, tomando os escalares como elementos de um corpo K (ver apêndice).
O conjunto dos números reais e o conjunto dos números complexos são exemplos de corpos.
Quando tomamos um espaço vetorial V , onde com os escalares são elementos de um corpo K,
dizemos que V é um espaço vetorial sobre o corpo K.
3 ESPAÇOS VETORIAIS REAIS 10

A menos que seja especificado, nos exemplos vamos considerar espaços vetoriais sendo
espaços vetoriais reais, isto é, espaços vetoriais sobre o corpo dos números reais.

Exemplos 3.1 O conjunto dos vetores no plano forma um espaço vetorial real, como também,
o conjunto dos vetores no espaço forma outro espaço vetorial real. Existem outros conjuntos que
também formam espaços vetoriais. Por exemplo, dados os inteiros positivos m e n, o conjunto
M (m, n) das matrizes reais m×n formam um espaço vetorial com as operações de soma de ma-
trizes e produto de escalares por matrizes. O conjunto dos vetores no plano é identificado com
R2 = {(x, y) : x, y ∈ R} e o conjunto dos vetores no espaço com R3 = {(x, y, z) : x, y, z ∈ R}.
Estes conjuntos podem ser generalizados, tomando Rn = {(x1 , x2 , ..., xn ) : x1 , x2 , ..., xn ∈ R},
o conjunto das n-úplas de números reais, onde n é um número inteiro maior que zero. A soma
de elementos de Rn e o produto de elementos de Rn por escalar, isto é, por números reais, é
definido como no caso de vetores no R2 ou R3 :
(x1 , x2 , ..., xn ) + (y1 , y2 , ..., yn ) = (x1 + y1 , x2 + y2 , ..., xn + yn ) e
r(x1 , x2 , ..., xn ) = (rx1 , rx2 , ..., rxn ).
Observe que Rn com as operações que foram definidas, pode ser identificado com o espaço das
matrizes reais 1 × n.
Da mesma forma, considerando C o conjunto dos números complexos, os conjuntos Cn =
{(x1 , x2 , ..., xn ) : x1 , x2 , ..., xn ∈ C}, são espaços vetoriais complexos, onde as operações são
definidas formalmente como em Rn .
Da mesma forma, se K é um corpo (veja apêndice), os conjuntos da forma Kn =
{(x1 , x2 , ..., xn ) : x1 , x2 , ..., xn ∈ K}, são espaços vetoriais.
As provas que estas operações satisfazem as condições para espaços vetoriais são análogas
às provas para os casos de vetores e matrizes. As operações definidas acima são chamadas
operações usuais para os respectivos espaços.

Teorema 3.1 Sejam V um espaço vatorial, v um vetor, r um escalar e O o vetor nulo. Então:
1. rO = O
2. 0v = O
3. se rv = O então r = 0 ou v = O
4. se rv = v então r = 1 ou v = O
5. (−r)v = r(−v) = −(rv) (⇒ (−1)v = −v)
6. o vetor nulo é único
7. para cada vetor v, o oposto de v é único

Observação. Se W é um subconjunto de um espaço vetorial V , para verificar se W é também

um espaço vetorial com as operações de adição de vetores e produto por escalar de V , não
precisamos verificar todas as condições, pois:
Se u, v, w ∈ W e r, s são escalares, como u, v e w ∈ V , as condições 1, 2, 5, 6, 7 e 8 da
definição de espaço vetorial estão automaticamente satisfeitas. Assim, para que W seja um
espaço vetorial, resta verificar:
0) Fechamento: ∀ u, v ∈ W, ∀r ∈ R, u + v ∈ W e ru ∈ W
3) Vetor nulo. Existe O ∈ W tal que ∀v ∈ W , v + O = O + v = v
4) Oposto de v. Se v ∈ W então existe −v ∈ W tal que −v + v = v + (−v) = O.
Note que a condição de fechamento garante a existência do oposto: se v ∈ W , como −1 ∈ R
3 ESPAÇOS VETORIAIS REAIS 11

então −v = −1v ∈ W . Do mesmo modo, a condição de fechamento garante que O ∈ W , caso

já se tenha garantido que W não é vazio. Caso não se tenha garantido que W é um conjunto
não vazio, o mais usual é mostrar que O ∈ W . Assim, a condição (4) também não precisa ser
verificada.

Exercı́cios 3.1 Verifique se os seguintes conjuntos são espaços vetoriais

1. W = {(a, a, a) : a ∈ R} com as operações usuais de R3 .
2. W = {(x, y, 0) : x, y ∈ R} com as operações usuais de R3 .
3. W = {(x, x + 1) : x ∈ R} com as operações usuais de R2 .
4. W = ("
{x ∈ R : x > # 0} com as) operações de soma e produto de números reais.
a 0
5. W = : a ∈ R com as operações usuais de matrizes.
0 −a
(" # )
a b
6. W = : a, b ∈ R com as operações usuais de matrizes.
0 1
7. W = {(x, y) ∈ R2 : xy = 0} com as operações usuais de R2 .
8. W = {(x, y) ∈ R2 : x + y = 0} com as operações usuais de R2 .
9. W = R2 com as operações: (a, b) + (c, d) = (a + d, b + c); r(a, b) = (ra, rb)
10. W = R2 com as operações: (a, b) + (c, d) = (a + c, b + d); r(a, b) = (ra, b)
11. W = R2 com as operações: (a, b) + (c, d) = (a + c, b + d); r(a, b) = (rb, ra)

3.2 Subespaço

Definição 3.2 Seja V um espaço vetorial real. Um subconjunto W de V tal que W é um

espaço vetorial com as mesmas operações definidas para V é chamado um subespaço de V .

Nos exercı́cios anteriores temos alguns exemplos de subespaços (identifique os subespaços dos
respectivos espaços).
Em vista da observação após o Teorema 3.1, enunciamos o teorema a seguir.

Teorema 3.2 Seja V um espaço vetorial e seja W um subconjunto de V . Então W é um

subespaço de V se, e somente se, as seguintes condições forem satisfeitas:
a) O ∈ W (ou W 6= ∅)
b) Se u, v ∈ W então u + v ∈ W
c) Se u ∈ W e r é um escalar então ru ∈ W

Exemplo 3.2 Qualquer espaço vetorial V contém pelo menos dois subespaços: o próprio V e
o conjunto {O}, que contém somente o vetor nulo de V .

Exemplos 3.3
1. W = {(x, 0, z) : x, z ∈ R} é subespaço de R3
2. W = {(x, y, x + y, x − y) : x, y ∈ R} é subespaço de R4
2
3. W = {(x,
(" y, z) : x + # y = 0 e z =)2x} é subespaço de R
a 0
4. W = : a, b ∈ R é subespaço de M (2, 2)
0 2a − b
5. W = {(x, y) ∈ R : 2x − 3y = 0} é subespaço de R2
3 ESPAÇOS VETORIAIS REAIS 12

6. W = {(x, 1, z) : x, z ∈ R} não é um subespaço de R3

{(x, x2 ) : #x ∈ R} não )
7. W = (" é um subespaço de R2
a b
8. W = : a, b ∈ R não é um subespaço de M (2, 2)
0 ab
9. W = {A ∈ M (2, 2) : detA = 0} não é um subespaço de M (2, 2)
10. W = {(x, y) : x, y ∈ Rexy} não é um subespaço de R2

Como um subespaço de um espaço vetorial é também um espaço vetorial então, nos

exemplos acima, temos exemplos de espaços vetoriais e exemplos de conjuntos que não são
espaços vetoriais.

Exercı́cios 3.2 Verifique se W é subespaço de V nos casos abaixo

1. Para V
("= M (2,#2) )
a c
a. W = ∈ M (2, 2) : a + d = 0
b d
(" # )
a −a
b.W = ∈ M (2, 2) : a, b ∈ R
b a−b+1
c. W = {A ∈ V : detA 6= 0}
d. W = {A ∈ V : A = At }, onde At é a transposta da matriz A
2. Para V = R3 ,
a. W = {(x, y, z) ∈ R3 : z = x + y}
b. W = {(x, y, z) ∈ R3 : z = xy}
c. W = {(x, 3x, −x) : x ∈ R}
d. W = {(x, y, z) ∈ R3 : x + 2y = 3z}
e. W = {(x, y, z) ∈ R3 : x + y ≤ z}
3. V = M (3, 3) e W = {A ∈ V : detA ≥ 0}
4. V = R3 e W = R2

3.3 Dependência Linear

Definição 3.3 Seja V um espaço vetorial e sejam v1 , v2 , · · · , vn . Uma combinção linear dos
vetores v1 , v2 , · · · , vn é uma expressão da forma a1 v1 + a2 v2 + .... + an vn onde a1 , a2 , ..., an são
escalares. Assim, se v = a1 v1 + a2 v2 + .... + an vn dizemos que v é uma combinação linear dos
vetores v1 , v2 , · · · , vn ∈ V .

Definição 3.4 Seja V um espaço vetorial. Dizemos que um conjunto de vetores v1 , v2 , · · · , vn

é linearmente independente (L.I.) se a igualdade a1 v1 + a2 v2 + .... + an vn = O onde a1 , a2 , ..., an
são escalares, implicar em a1 = a2 = ... = an = 0. Isto é, a única combinação linear desses
vetores resultando no vetor nulo é aquela em que os escalares que aparecem na expressão são
todos nulos. Caso contrário, isto é, se for possı́vel conseguir a igualdade a1 v1 +a2 v2 +....+an vn =
O com algum ai 6= 0, dizemos que os vetores v1 , v2 , ..., vn são linearmente dependentes (L.D.).

Exemplo 3.4 Os vetores u = (1, 2) e v = (3, 4) de R2 são ( L.I., pois se au + bv = (0, 0), temos:
a + 3b = 0
a(1, 2) + b(3, 4) = (0, 0) ⇒ (a + 3b, 2a + 4b) = (0, 0) ⇒
2a + 4b = 0
3 ESPAÇOS VETORIAIS REAIS 13

Resolvendo o sistema acima concluı́mos que a única solução possı́vel é a = b = 0.

Exemplo 3.5 Os vetores u = (1, 2, 3), v = (1, 0, 0) e w = (2, 2, 3) são L.D. pois se au + bv +
cw = (0, 0, 0), temos: a(1,
 2, 3) + b(1, 0, 0) + c(2, 2, 3) = (0, 0, 0) ⇒ (a + b + 2c, 2a + 0b + 2c, 3a +

 a + b + 2c = 0
0b + 3c) = (0, 0, 0) ⇒ 2a + 2c = 0 .

 3a + 3c = 0
Resolvendo o sistema concluı́mos que existem soluções não nulas. Uma delas é a = 2, b = 2 e
c = −2, ou seja, 2(1, 2, 3) + 2(1, 0, 0) − 2(2, 2, 3) = (0, 0, 0).

Teorema 3.3 Os vetores v1 , v2 , · · · , vn são linearmente dependentes se, e somente se, um deles
for combinação dos demais.

Corolário 3.4 Dois vetores u e v não nulos são L.D. se, e somente se, um dos vetores for
igual ao outro multiplicado por algum escalar.

Exemplos 3.6 Os vetores u = (1, 2) e v = (2, 1) são L.I. Os vetores u = (1, 2, 3) e v = (3, 6, 9)
são L.D.

Observe que qualquer subconjunto de um conjunto L.I. é também L.I. e que qualquer conjunto
que contém um subconjunto L.D. é também L.D.

Exemplo 3.7 Em R2 , os vetores (1, 2) e (2, 4) são L.D., pois 2(1, 2) − (2, 4) = (0, 0). Logo,
2(1, 2) − (2, 4) + 0(5, 7) + 0(13, −99) = (0, 0). Assim, os vetores (1, 2), (2, 4), (5, 7), (13, −99)
são L.D.

Exemplo 3.8 Se V é um espaço vetorial então qualquer conjunto de vetores que contenha o
vetor nulo é L.D., pois se v1 , v2 , · · · , vn são vetores quaisquer então 0v1 +0v2 +· · ·+0vn +1·O =
O.

Exercı́cios 3.3
1. Verifique, em cada caso, se os vetores são L.I..
a) V = R2 , u = (1, 2), v = (3, 2)
b) V = R2 , u = (1, 2), v = (3, 2), w = (5, 8)
c) V = R3 , u = (1, 0, 0), v = (1, 1, 0), w = (1, 1, 1)
d) V = R3 , u = (1, 2,"1), v =#(3, 6, 3)" # " #
1 2 1 0 0 2
e) V = M (2, 2), u = , v= , w=
0 1 2 1 −2 0
f ) V = R2 , u = (3, −3)
2. Sejam u, v e w vetores L.I..
a) Mostre que os vetores u1 = u, u2 = u + v e u3 = u + v + w são L.I.
b) Mostre que os vetores u1 = u + w, u2 = u + v e u3 = 2u + v + w são L.D.

3.4 Geradores de um espaço vetorial

Definição 3.5 Um conjunto de geradores para um espaço vetorial V é um conjunto B de vetores

de V tal que qualquer vetor v de V pode ser expresso como uma combinação linear (finita) dos
3 ESPAÇOS VETORIAIS REAIS 14

vetores de B, isto é, v = a1 v1 + a2 v2 + · · · + an vv onde cada ai é um escalar e cada vi ∈ B.

Caso B seja um conjunto finito, dizemos que V é finitamente gerado.

Se V é gerado por v1 , v2 , · · · , vn então qualquer vetor v de V pode ser expresso como uma
combinação linear dos vetores v1 , v2 , · · · , vn , isto é, existem escalares a1 , a2 , ..., an tais que
v = a1 v1 + a2 v2 + .... + an vn . Assim, V = {a1 v1 + a2 v2 + .... + an vn : ∀i, ai ∈ R}
Notação: V = [v1 , v2 , ..., vn ].

Exemplos 3.9 R2 = [(1, 0), (0, 1)] pois para qualquer vetor v = (x, y) de R2 , v = (x, y) =
x(1, 0) + y(0, 1). Do mesmo modo, R3 = [(1, 0, 0), (0, 1, 0)(0, 0, 1)] pois para qualquer ve-
tor v = (x, y, z) de R3 , v = x(1, 0, 0) + y(0, 1, 0) + z(0, 0, 1). Generalizando, Rn =
[(1, 0, 0, ..., 0), (0, 1, 0, ..., 0), ..., (0, 0, 0, ..., 1)]

Exemplo 3.10 Os vetores u = (1, 0) e v = (1, 1) também geram R2 pois tomando um vetor
qualquer w = (x, y) de R2 , precisamos verificar que existem a, b ∈ R (em função de x e y)
tais que w = au + bv, ou seja, w = (x, y) = au + bv = a(1, 0) + b(1, 1) = (a + b, b). Assim,
(
a+b = x
b = y
Resolvendo o sistema, chegamos em a = x − y e b = y. Logo, w = (x, y) = (x − y)(1, 0) + y(1, 1)
e portanto, R2 = [(1, 0), (1, 1)]. Por exemplo, se w = (−2, 2) então w = (−2, 2) = −4(1, 0) +
2(1, 1). Na Figura 2, observamos a representação de w no plano R2 , como combinação linear
de u e v.

Figura 2: Soma de vetores

"
# " #
1 0 1 0
Exemplo 3.11 Os vetores u = e v = não geram M (2, 2) pois
0 1 1 0
" # " # " # " #
1 1 1 0 1 0 a+b 0
6= a +b = . Mas u e v geram um subespaço de
1 1 0 1 1 0 b a
(" # )
a+b 0
M (2, 2), digamos, o subespaço W = : a, b ∈ R
b a

Mesmo que os vetores v1 , v2 , · · · , vn não gerem o espaço V, o conjunto de todas as combinações

lineares de v1 , v2 , · · · , vn formam um subespaço [v1 , v2 , ..., vn ] = {a1 v1 + a2 v2 + .... + an vn :
∀i, ai ∈ R} de V (verifique) chamado o(" subespaço gerado
# pelos )vetores v1 , v2 , · · · , vn . No
a+b 0
exemplo anterior, temos que W = [u, v] = : a, b ∈ R é o subespaço de M (2, 2)
b a
gerado por u e v.
3 ESPAÇOS VETORIAIS REAIS 15

Exemplo 3.12 Os vetores (1, 3, 0) e (2, 0, −1) geram o subespaço W = {a(1, 3, 0)+b(2, 0, −1) :
a, b ∈ R} = {(a + 2b, 3a, −b) : a, b ∈ R} do R3 . Será que os pontos de W tem alguma
configuração especial no R3 ? Vamos analisar: 

 a + 2b = x
(x, y, z) ∈ W ⇔ (x, y, z) = (a + 2b, 3a, −b) para a, b ∈ R ⇔ 3a = y

 −b = z
Das duas últimas equações obtemos b = −z e a = y/3. Substituindo a e b na 1a equação
obtemos y/3 + 2(−z) = x, ou seja, 3x − y + 6z = 0 que é a equação de um plano no R3 .
Assim, W representa um plano no R3 que passa pela origem do espaço, pois (0, 0, 0) satisfaz
sua equação. A partir da equação 3x − y + 6z = 0, isolando uma das variáveis, por exemplo
y = 3x + 6z, podemos explicitar W também por: W = {(x, 3x + 6z, z) : x, z ∈ R}

Observaremos mais adiante que qualquer par de vetores L.I. em R3 gera um plano que
passa pela origem do espaço.

Exemplo 3.13 Seja um vetor (a, b, c) do espaço R3 . Temos [(a, b, c)] = {t(a, b, c) : t ∈ R} =
{(at,
bt, ct) : t ∈ R}. Assim, (x, y, z) ∈ [(a, b, c)] se, e somente se,

 x = at
(∗) y = bt para algum t ∈ R

 z = ct
Assim, caso (a, b, c) 6= (0, 0, 0), o subespaço [(a, b, c)] do R3 é a reta cujas equações paramétricas
são dadas em (∗), ou seja, é a reta que passa pela origem do espaço e tem a direção do vetor
v = (a, b, c).

Exercı́cios 3.4 Verifique, em cada caso, se os vetores dados geram o espaço. Caso não gerem,
explicite o subespaço gerado por eles.
a) V = R3 , u = (1, 0, 0), v = (1, 1, 0), w = (1, 1, 1)
b) V = R3 , u = (1, 1, 1), v = (1, 0, 1)
c) V = R2 , u = (1, 2), v = (2, 1)
d) V = R2 , u = (1, 2), v = (2, 4)
e) Resolva os exercı́cios 6, 7, e 8 da página 129 do livro do Boldrini

3.5 Base e dimensão para um espaço vetorial

Definição 3.6 Uma base para um espaço vetorial V é um conjunto de vetores linearmente
independentes que geram V .

Exemplo 3.14 O conjunto {(1, 0), (01)} é uma base para R2 pois:
a) como já vimos, este conjunto gera R2 ;
b) o conjunto é linearmente independente pois se a(1, 0) + b(0, 1) = (0, 0), então (a, b) = (0, 0),
logo, a = 0 e b = 0.

Exemplo 3.15 Do mesmo modo verificamos que o conjunto

n
{(1, 0, 0, ..., 0), (0, 1, 0, ..., 0), ..., (0, 0, ..., 0, 1)} é uma base para R , chamado base canônica
para Rn .
3 ESPAÇOS VETORIAIS REAIS 16

Assim, {(1, 0), (0, 1)} é a base canônica de R2 . Existem várias bases para um mesmo
espaço. Por exemplo, já verificamos que o conjunto {(1, 2), (3, 4)} é linearmente independente.
Como exercı́cio verifique que este conjunto gera R2 e conclua que forma uma base para R2 .

Exemplo 3.16 O conjunto {(1, 0, 3), (0, 0, 2)} é linearmente independente mas não é uma base
de R3 pois não gera R3 : o vetor (0, 2, 0) não se escreve como combinação linear de (1, 0, 3) e
(0, 0, 2) (verifique).

Exemplo 3.17 O conjunto (1, 0), (0, 1), (3, 7) gera o R2 , pois para qualquer vetor v = (a, b),
v = a(1, 0) + b(0, 1) + 0(3, 7). Mas esse conjunto não é linearmente independente, pois 3(1, 0) +
7(0, 1) − 1(3, 7) = (0, 0).

Exercı́cios 3.5 Verifique se B é base de V nos casos abaixo

a) V = R2 e B = {(1, 1), (2, 3)}
b) V = R2 e B = {(1, 1), (2, 3), (5, 0)}
c) V = R3 e B = {(1, 2, 3)}
d) V = R3 e B = {(1, 0, 1), (0, 1, 0), (1, 1, 1)}
e) V = R2 e B = {(1, 0), (0, 1), (0, 0)}

Teorema 3.5 Seja V um espaço vetorial finitamente gerado. Então

a) qualquer conjunto de geradores de V contém uma base de V ;
b) se V tem um conjunto de geradores com n vetores então qualquer conjunto com mais de n
vetores é L.D.;
c) qualquer base de V tem sempre a mesma quantidade de vetores;
d) qualquer conjunto L.I. pode ser completado para formar uma base de V.

Definição 3.7 Definimos a dimensão de um espaço vetorial V sendo o número de vetores de

qualquer base de V .

Assim, dimR2 = 2; dimR3 = 3; dimRn = n.

Exemplo 3.18 É fácil verificar que o conjunto

" # " # " # " # " # " #
 1 0 0 0 1 0 0 0 1 0 0 0 0 0 0 0 0 0 
B=
 0 0 0 0 0 0 0 0 0 1 0 0 0 1 0 0 0 1 
, , , , ,
forma uma base (chamada base canônica) para o espaço M (2, 3) das matrizes 2 × 3. Logo,
dimM (2, 3) = 6. Isso pode ser generalizado: a dimensão do espaço M (m, n) das matrizes com
m linha e n colunas é o produto de m por n. Neste caso, a base canônica é formada por todas
as matrizes que têm um de seus elementos igual a 1 e os demais elementos iguais a 0, como no
caso de M (2, 3).

O conjunto {0} formado somente pelo vetor nulo de um espaço vetorial também é um
espaço vetorial, pois satisfaz as condições da definição. Mas esse conjunto não contém ve-
tores linearmente independentes, logo, não possui uma base. Neste caso, convenciona-se que
dim{0} = 0. Por exemplo, dim{(0, 0, 0)} = 0.
3 ESPAÇOS VETORIAIS REAIS 17

Teorema 3.6 Se V é um espaço vetorial de dimensão n, então

a) qualquer conjunto com n vetores L.I. de V forma uma base de V ;
b) qualquer conjunto com n vetores que geram V , forma uma base de V ;
c) qualquer conjunto com mais de n vetores é L.D.;
d) qualquer conjunto com menos de n vetores não gera V .

Exemplo 3.19 O conjunto {(2, 7), (5, 9)} é uma base de R2 pois é um conjunto L.I. (verifique)
com dois vetores e dimR2 = 2.

Exemplo 3.20 O conjunto B = {(1, 2)} não é uma base de R2 pois dimR2 = 2. Mas podemos
completar B de modo a formar uma base de R2 . Como dimR2 = 2 precisamos completar com
um vetor de R2 que seja L.I. com (1, 2). Por exemlo, o vetor (0, 1) (verifique que os dois vetores
são L.I.). Assim, B = {(1, 2), (1, 0)} é uma base de R2 .

Exemplo 3.21 Os vetores u = (1, 2), v = (3, 4) e w = (5, 6) são L.D., pois dimR2 = 2. Vamos
verificar se estes vetores geram R2 : (
a + 3b + 5c = x
(x, y) = a(1, 2)+b(3, 4)+c(5, 6) ⇒ (x, y) = (a+3b+5c, 2a+4b+6c) ⇒ ⇒
2a + 4b + 6c = y
(
a +3b +5c =x
. Assim, temos um sistema escalonado com duas equações e três
−2b −4c = y − 2x
incógintas (a, b e c). Fazendo c = 1 obtemos a = 1 − 2x + 23 y e b = −2 + x − 21 y. Assim,
R2 = [(1, 2), (3, 4), (5, 6)]. Mas (5, 6) = −(1, 2) + 2(3, 4). Logo, R2 = [(1, 2), (3, 4)]. Como (1, 2)
e (3, 4) são L.I., então {(1, 2), (3, 4)} é uma base de R2 .

Exemplo 3.22 Os vetores u = (1, 2, 3) e v = (2, −3, 7) não geram o espaço R3 , pois dimR3 =
3. Mas, é possı́vel encontrar um vetor w tal que {(1, 2, 3), (2, −3, 7), w} seja uma base de R3 ,
pois (1, 2, 3) e (2, −3, 7) são L.I. (verifique).

Exemplo 3.23 Seja o espaço vetorial V = {(x, y, x − y, x + y) : x, y ∈ R} (prova-se que V

é um espaço, provando que V é um subespaço de R4 ). Podemos escrever V = {x(1, 0, 1, 1) +
y(0, 1, −1, 1) : x, y ∈ R}. Logo, V = [(1, 0, 1, 1), (0, 1, −1, 1)], isto é, V é gerado por dois vetores
L.I. (verifique). Assim, B = {(1, 0, 1, 1), (0, 1, −1, 1)} é uma base de V. Portanto, dimV = 2.

Exemplo 3.24 Seja o espaço vetorial V = {(x + y + 2z, x + z, x + y + 2z) : x, y ∈

R}. Procedendo como no exemplo acima, chegamos em V = [(1, 1, 1), (1, 0, 1), (2, 1, 2)],
ou seja, {(1, 1, 1), (1, 0, 1), (2, 1, 2)} é um conjunto de geradores de V mas que não é uma
base (verifique que os vetores são L.D.). Como (1, 1, 1) = (2, 1, 2) − ((1, 0, 1) então V =
[(1, 1, 1), (1, 0, 1), (2, 1, 2)] = [(1, 0, 1), (2, 1, 2)] (1). Como (1, 0, 1) e (2, 1, 2) são L.I. (verifique)
(2), então por (1) e (2), {(1, 0, 1), (2, 1, 2)} é uma base de V. Assim, dimV = 2.

Exercı́cios 3.6
1) Verifique se qualquer vetor de R2 se escreve como combinação linear dos vetores
{(1, 0), (1, 1), (0, 1)}. Este conjunto forma uma base de R2 ? Justifique sua resposta.
2) Verifique que o conjunto {(1, 1, 1), (1, 1, 0)} é L.I.. Eles formam uma base de R3 ? Justifique
sua resposta. Eles formam uma base para R2 ? Justifique sua resposta.
3) Escreva (4, 6) como combinação linear dos vetores (1, 0) e (2, 3).
3 ESPAÇOS VETORIAIS REAIS 18

4) Encontre uma base e a dimensão para o espaço V = {(x + 2y, 2x + 4y) : x, y ∈ R}

5) Encontre uma base e a dimensão para o espaço V = {(x, y, 2x − 3y) : x, y ∈ R}
6) Mostre que se W = [v1 , v2 , · · · , vm ] entãdo dimW ≤ m.

Teorema 3.7 Seja W é um subespaço de V então

a) dimW ≤ dimV ;
b) se dimW = dimV então W = V .

Exemplo 3.25 Seja W = [(1, 1, 5), (0, 2, 1), (0, 0, 7)]. Como os três vetores geram W e são
L.I. (verifique) então formam uma base para W . Logo, dimW = 3. Como W é um subespaço
de R3 , então W = R3 .

Exemplo 3.26 Seja W = [(1, 2, 3)] Então dimW = 1. Logo, W 6= R3 .

Exemplo 3.27 Seja W = [(1, 2), (2, 0)]. Temos dimW = 2 (verifique). Logo, W = R2 .
−→
Nos espaços R2 e R3 , cada ponto P está associado ao vetor OP , onde O é a origem do sistema
cartesiano. Assim, um subespaço gerado por um vetor resulta em uma reta passando pela
origem do sistema cartesiano.
No caso de um subespaço de R3 gerado por dois vetores L.I., este subespaço será um plano
passando pela origem do sistema cartesiano.

Subespaços de R2 . Se W é um subespaço de R2 , então dimW ≤ dimR2 = 2. Se dimW = 2

então W = R2 . Se dimW = 0 então W = {(0, 0)}. Se dimW = 1 então W é uma reta passando
pela origem do sistema.
Subespaços de R3 . Se W é um subespaço de R3 , então dimW ≤ dimR3 = 3. Se dimW = 3
então W = R3 . Se dimW = 0 então W = {(0, 0, 0)}. Se dimW = 1 então W é uma reta
passando pela origem do sistema cartesiano. Se dimW = 2 então W é um plano passando pela
origem do sistema cartesiano.

3.6 Espaço das linhas de uma matriz

 
a11 a12 · · · a1n
 
 a21 a22 · · · a2n 
Dada uma matriz A =   .. .. ..  ,
 . . · · · . 
am1 am2 · · · amn
suas linhas L1 = (a11 , a12 , ..., a1n ), L2 = (a21 , a22 , ..., a2n ), · · · , Lm = (am1 , am2 , ..., amn ) podem
ser tomadas como vetores que geram um subespaço de Rn .
3 ESPAÇOS VETORIAIS REAIS 19

Teorema 3.8 As linhas de matrizes linha-equivalentes geram o mesmo espaço vetorial.

Teorema 3.9 As linhas não nulas de uma matriz escalonada m×n são L.I. (quando conside-
radas como vetores de Rn ).

Exemplo 3.28 Os vetores u = (1, 2, 0, 3, 5), v = (0, 0, 0, 0, 7) e w = (0, 0, 3, 1, 2) são L.I. pois
podemos formar com eles uma matriz escalonada.

Exemplo 3.29 Se desejarmos encontrar uma base e a dimensão para o espaço V gerado pelos
vetores u = (1, 0, 2, 1), v = (2, 1, 0, −1) e w = (1, 1, −2, −2), colocamos estes vetores como
linhas de uma matriz
  e a escalonamos   
1 0 2 1 1 0 2 1 1 0 2 1
  L2 → L2 − 2L1    
 2 1 0 −1   0 1 −4 −3  L3 → L3 − 2L2  0 1 −4 −3 
L3 → L3 − L1
1 2 −6 −5 0 2 −8 −6 0 0 0 0
Assim, pelo Teorema 3.8, V = [(1, 0, 2, 1), (2, 1, 0, −1), (1, 2, −6, −5)] =
[(1, 0, 2, 1), (0, 1, −4, −3)] e pelo Teorema 3.9, os vetores (1, 0, 2, 1) e (0, 1, −4, −3) são
L.I.. Logo B = {(1, 0, 2, 1), (0, 1, −4, −3)} é uma base para V , portanto, dimV = 2.

Exemplo 3.30 Se quisermos completar o conjunto L.I. {(1, 1, 2), (1, 1, 5)}, para formarmos
uma base para R3 , colocamos estes vetores como linhas de uma matriz e a escalonamos e depois
completamos a matriz (escalonada) com os  vetores que faltam
 para completar uma base:
" # " # 1 1 2
1 1 2 1 1 2  
L2 → L2 − L1 →  0 3 −5  Assim, aumentamos com a linha 2
1 1 5 0 0 3
0 0 3
para obter uma matriz 3×3 escalonada. Logo, {(1, 1, 2), (1, 1, 5), (0, 3, −5)} é uma base para R3 .

Exercı́cio 3.7
1. Encontre a dimensão de W nos casos abaixo:
a) W = [(1, 2, 3, 4, 5), (7, 8, 9, 10, 11), (1, 1, 1, 1, 1), (5, 4, 3, 2, 1)]
b) W = [(1, 0, 1, 0, 1), (0, 1, 0, 1, 0), (1, 1, 0, 1, 1), (2, 5, −1, 5, 2)]
2. Em cada ı́tem do exercı́cio anterior, a partir da base de W , encontre vetores que, junto com
os vetores da base de W , formam uma base para R5

3.7 Interseção, soma e soma direta

Teorema 3.10 Sejam U e W subespaços de um espaço vetorial V. Então

a) U ∩ W = {v ∈ V : v ∈ U e v ∈ W } é um subespaço de V ;
b) U + W = {u + w : u ∈ U e w ∈ W } é um subespaço de V .

Exemplo 3.31 Sejam U = {(x, y, 0) : x, y ∈ R} e W = {(0, y, z) : y, z ∈ R}. Então

a) U ∩ W = {(0, y, 0) : y ∈ R}
b) U +W = R3 pois U +W ⊂ R3 e se (x, y, z) ∈ R3 , então (x, y, z) = (x, 0, 0)+(0, y, z) ∈ U +W .
Logo, R3 ⊂ U + W e portanto, R3 = U + W .

No exemplo anterior, temos que U ∪ W = {(x, y, z) ∈ R3 : x = 0 ou y = 0} não é um subespaço

de R3 pois (1, 0, 0), (0, 0, 1) ∈ U ∪ W mas (1, 0, 0) + (0, 0, 1) = (1, 0, 1) ∈
/ U ∪ W . Vemos então
que nem sempre a união de subespaços é um subespaço.
3 ESPAÇOS VETORIAIS REAIS 20

Definição 3.8 Um espaço vetorial V é soma direta dos subespaços U e W se V = U + W e

U ∩ W = {O}.
Notação: V = U ⊕ W

Teorema 3.11 Se V = U ⊕ W então qualquer vetor v de V se escreve de maneira única como

v = u + w para u ∈ U e w ∈ W .

No exemplo anterior, R3 = U + W mas R3 não é soma direta de U e W pois U ∩ W =

{(0, y, 0) : y ∈ R} 6= (0, 0, 0), por exemplo, (0, 5, 0) ∈ U ∩ W . Note que (2, 4, 5) = (2, 4, 0) +
(0, 0, 5) = (2, 0, 0) + (0, 4, 5) = (2, 2, 0) + (0, 2, 5) e os vetores (2, 4, 0), (2, 0, 0), (2, 2, 0) ∈ U e
(0, 0, 5), (0, 4, 5), (0, 2, 5) ∈ W .

Exemplo 3.32 Para U = {(x, 0) : x ∈ R} e W = {(0, y) : y ∈ R}, temos U ∩ W = {(0, 0)}

e R2 = U + W pois se (x, y) ∈ R2 , (x, y) = (x, 0) + (0, y) ∈ U + W . Assim, R2 = U ⊕ W .
Observe que a única maneira de se escrever um vetor (x, y) como soma de um vetor de U com
um vetor de W é fazendo (x, y) = (x, 0) + (0, y). Por exemplo, (1, 2) = (1, 0) + (0, 2).

Teorema 3.12 Se U e W são subespaços de um espaço vetorial V, então dim(U + W ) =

dimU + dimW − dim(U ∩ W ).

Exemplo 3.33 Já vimos que se U = {(x, y, 0) : x ∈ R} e W = {(0, y, z) : y, z ∈ R}. Então

U ∩ W = {(0, y, 0) : y ∈ R} e U + W = R3 .
U = {(x, y, 0) : x ∈ R} = {x(1, 0, 0) + y(0, 1, 0) : x, y ∈ R} = [(1, 0, 0), (0, 1, 0)]. Logo, uma base
de U é {(1, 0, 0), (0, 1, 0)} pois os vetores (1, 0, 0) e (0, 1, 0) são L.I. Logo, dimU = 2
W = {(0, y, z) : y, z ∈ R} = {y(0, 1, 0) + z(0, 0, 1) : y, z ∈ R} = [(0, 1, 0), (0, 0, 1)]. Logo, uma
base de W é {(0, 1, 0), (0, 0, 1)} pois os vetores (0, 1, 0) e (0, 0, 1) são L.I. Logo, dimW = 2
U ∩ W = {(0, y, 0) : y ∈ R} = {y(0, 1, 0) : y ∈ R} = [(0, 1, 0)]. Logo, uma base de W é
{(0, 1, 0)} pois o vetor (0, 1, 0) é L.I. Portanto, dim(U ∩ W ) = 1.
Temos U + W = R3 . Logo, dim(U + W ) = 3.
Observamos neste exemplo, a validade do teorema anterior, isto é,
3 = dim(U + W ) = dimU + dimW − dim(U ∩ W ) = 2 + 2 − 1.

Exemplo 3.34 Seja U = [(1, 2, 0, 1), (1, 2, 1, 2), (2, 4, 1, 3)] subespaço do R4 . Vamos encontrar
um subespaço W do R4 tal que R4 = U ⊕ W . Colocando os geradores de U em uma matriz
e escalonando-a obtemos uma base de U (as linhas não nulas da matriz escalonada): B =
{(1, 2, 0, 1), (0, 0, 1, 1)}. Para completar os geradores de U de modo a formar uma base de R4 ,
basta tomar dois vetores do R4 que, juntos com a base de U , possam ser colocados como uma
matriz escalonada. Por exemplo, podemos tomar os vetores (0, 1, 0, 0) e (0, 0, 0, 1). Assim,
para W = [(0, 1, 0, 0), (0, 0, 0, 1)], como R4 = [(1, 2, 0, 1), (0, 1, 0, 0), (0, 0, 1, 1), (0, 0, 0, 1)], temos
R4 = U + V . Como dimU = dimV = 2 então pelo Teorema 3.12, dim(U ∩ W ) = 0, ou seja,
U ∩ W = {(0, 0, 0, 0)}. Assim, R4 = U ⊕ W .

Exercı́cios 3.8
1. Sejam U = [(1, 2, 3, −2, 5), (1, 3, 4. − 1, 3), (1, 1, 2, −3, 7)] e
W = [(1, 4, 5, 0, 1), (2, 8, 12, 0, 2), (1, 4, 3, 0, 1)] e seja V = U + W .
a) Encontre dimV e dim(U ∩ W )
3 ESPAÇOS VETORIAIS REAIS 21

b) V = U ⊕ W ? Porque?
c) Encontre subespaços U 0 e W 0 de R5 tais que R5 = U ⊕ U 0 e R5 = W ⊕ W 0
2. Sejam U = [(1, 0, 0, 0)(0, 1, 1, 1), (2, 1, 1, 1)] e W = [(1, 0, 0, 2), (1, 0, 1, 0), (2, 0, 1, 2)]
a) Encontre dim(U + W ) e dim(U ∩ W )
b) R5 = U + W ?
c) R5 = U ⊕ W ?
3. Sejam U = [(1, 2, 1), (2, 0, 2)] e W = [(1, 1, 1), (2, 1, 2)]
a) Encontre dim(U + W ) e dim(U ∩ W )
b) R3 = U + W ?
c) R3 = U + W ?
d) Encontre subespaços U 0 e W 0 de R3 tais que R3 = U ⊕ U 0 e R3 = W ⊕ W 0
(Exercı́cios do livro do Boldrini página 130: 18, 19, 20 e 22)

3.8 Aplicação às Equações Lineares

Consideremos
 um sistema de equações lineares com m equações e n incógnitas

 a11 x1 + a12 x2 + · · · + a1n xn = b1


 a21 x1 + a22 x2 + · · · + a2n xn = b2
.. .. .. .


 . + . + ··· + . = ..

 a x +
m1 1 am2 x2 + · · · + amn xn = bm
Considerando a matriz dos coeficientes A, a matriz das incógnitas X e a matriz dos termos
independentes
 B,     
a11 a12 · · · a1n x1 b1
     
 a21 a22 · · · a2n   x2   b2 
A=  .. .. ..    
, X =  .. , B =  .. 

 . . · · · .   .   . 
am1 am2 · · · amn xn bm
o sistema pode ser escrito na forma AX = B. Se as matrizes X1 e X2 são soluções desse
sistema então A(X1 + X2 ) = AX1 + AX2 = B + B = 2B = B se, e somente se, B é uma
matriz nula. Assim, X1 + X2 é também solução se, e somente se, b1 = b2 = ... = bm = 0. Neste
caso, dizemos que o sistema é homogêneo. Note que se o sistema for homogêneo, se X for uma
solução do sistema e se r for um escalar, então A(rX) = r(AX) = rO = O, onde O é a matriz
nula m×1. É claro que AOn×1 = Om×1 . Assim, se o sistema for homogêneo então o conjunto
das soluções deste sistema forma um subespaço de Rn . Portanto, o conjunto das soluções de
um sistema linear homogêneo é um espaço vetorial.

Variáveis livres
Em um sistema na forma escalonada, dizemos que uma variável é livre se ela não inicia
nenhuma das equações do sistema. No exemplo dado a seguir, as variáveis x e z iniciam,
respectivamente, a primeira e a segunda equações do sistema escalonado. Logo x e z não são
variáveis livres, enquanto que as demais variáveis, y, s e t, são as variáveis livres do sistema.
Note que podemos atribuir quaisquer valores às variáveis livres e obter os valores das demais
para encontrar soluções para o sistema.

Exemplo 3.35 Dado o sistema abaixo

3 ESPAÇOS VETORIAIS REAIS 22



 x + y + z + s + t = 0
2x + 2y − z + 2s − t = 0

 x + y + 4z + s + 4t = 0
para encontrar uma base e a dimensão do espaço das soluções, colocamos o sistema na forma
escalonada:
(
x + y + z + s + t = 0
3z + 3t = 0
de onde tiramos as variáveis livres y, s e t. Para obter uma base para o espaço das soluções do
sistema, colocamos valores para y, s e t de forma a obter y, z, t na forma escalonada, garantindo
vetores (x, y, z, s, t) L.I. :
y = 1, s = 0 e t = 0: (−1, 1, 0, 0, 0)
y = 0, s = 1 e t = 0: (−1, 0, 0, 1, 0)
y = 0, s = 0 e t = 1: (0, 0, −1, 0, 1)
Assim, B = {(−1, 1, 0, 0, 0), (−1, 0, 0, 1, 0), (0, 0, −1, 0, 1)} é uma base para o espaço das
soluções do sistema, tendo portanto este espaço dimensão 3.

Exercı́cio 3.9 Encontre uma base e a dimensão para o espaço das soluções para cada sistema
abaixo.


 x + 2y + 3z + 4s + 5t = 0

 7x + 8y + 9z + 10s + 11t = 0
a)

 x + y + z + s + t = 0


5x + 4y + 3z + 2s + t = 0


 x + z + t = 0

 y + s = 0
b)

 x + y + s + t = 0


x + 5y − z + 5s + 2t = 0

Exemplo 3.36 Sejam V = R4 , U = {(x, y, z, t) ∈ R4 : x + y + z + t = 0} e W = {(x, y, z, t) ∈

R4 : x − y − z + 2t = 0}. Então U ∩ W = {(x, y, z, t) ∈ R4 : x + y + z + t = 0 e x −
y − z + 2t = 0}. Portanto U é o espaço das soluções da equação x + y + z + t = 0, W é o
espaço
( das soluções da equação x − y − z + 2t = 0 e U ∩ W é o espaço das soluções do sistema
x + y + z + t = 0
. Como exercı́cio, encontre uma base e a dimensão para estes
x − y − z + 2t = 0
espaços e verifique se U + W = R4 .

Exercı́cios 3.10 ˙
1. Encontre uma base e a dimensão para os seguintes subespaços de R4 .
a) U = {(x, y, z, t) ∈ R4 : x + y + z = 0 e x − y − z + t = 0}
b) W = {(x, y, z, t) ∈ R4 : x + 2y − z + 3t = 0 e 2x + 4y + z − 2t = 0}
c) U ∩ W
d) U + W
2. Sejam U = {(x, y, z) : x + y + z = 0} e W = {(x, y, z) : x − y + 2z = 0}
a) Encontre dim(U + W ) e dim(U ∩ W )
b) R3 = U + W ?
c) R4 = U ⊕ W ?
3 ESPAÇOS VETORIAIS REAIS 23

3. Sejam U = {(x, y, z, s, t) : x + y + z + s + t = 0, y − z + s − t = 0 e s − 2t = 0} e
W = {(x, y, z, s, t) : x + y + z + s + t = 0 e z + s + t = 0}
a) Encontre dim(U + W ) e dim(U ∩ W )
b) R5 = U + W ?
c) R5 = U ⊕ W ?
4. Exercı́cio 25 da página 132 do livro do Boldrini.

3.9 Coordenadas de um vetor em relação a uma base

Seja V um espaço vetorial e seja B = {v1 , v2 , ..., vn } uma base de V. Para qualquer vetor v ∈ V, v
se escreve como uma combinação linear dos vetores da base: v = a1 v1 + a2 v2 + ... + an vn . Além
disso, só existe uma maneira de expressar v como uma combinação dos vetores da base B pois
se v = b1 v1 + b2 v2 + ... + bn vn , então a1 v1 + a2 v2 + ... + an vn = b1 v1 + b2 v2 + ... + bn vn , logo,
(a1 − b1 )v1 + (a2 − b2 )v2 + ... + (an − bn )vn = 0. Como B é uma base, seus vetores são L.I. Logo,
a1 − b1 = a2 − b2 = ... = an − bn = 0, ou seja, a1 = b1 , a2 = b2 , · · · , an = bn .

Definição 3.9 Uma base ordenada de um espaço vetorial V é uma base onde é considerado a
ordem dos vetores nesta base.

Definição 3.10 Sejam V um espaço vetorial e B = {v1 , v2 , ..., vn } uma base ordenada de V .
Para v = a1 v1 + a2 v2 + ... + an vn , os escalares a1 , a2 , . . . , an são chamados coordenadas de
a1
 
 a2 

v em relação à base B e [v]B =  .   é chamado o vetor das coordenadas de v em relação à
 .. 
an
base B.

Note que, mudando a posição dos vetores da base, muda também o vetor das coordenadas.

0 2
Exemplo 3.37 Sejam B = {(1, 0),"(0, 1)}
# e B = {(0, " 1), (1,
# 0)} bases ordenadas de R e seja
−3 5
v = (3, 5) um vetor. Então [v]B = e [v]B 0 = .
5 −3

Exercı́cio 3.11 Seja B = {(1, 2, 1), (0, 1, 2), (0, 0, 1)} uma base de R3 . Encontre [v]B nos casos
abaixo.
a) v = (0, 3, −2) b) v = (0, 1, 1) c) v = (1, 2, 1) d) v = (2, 3, 4)

3.10 Mudança de base

Seja V um espaço vetorial e sejam B = {v1 , v2 , ..., vn } e B 0 = {w1 , w2 , ..., wn } bases ordenadas
de V. Para v ∈ V , sejam v = x1 v1 + x2 v2 + ... + xn vn , e v = y1 w1 + y2 w2 + ... + yn wn as
representações
  de v comocombinação
 linear dos vetores das duas bases. Então,
x1 y1
   
 x2   y2 
[v]B =    
 ..  e [v]B 0 =  .. 
 .   . 
xn yn
3 ESPAÇOS VETORIAIS REAIS 24

Como os vetores de B 0 são vetores de V e como B é uma base de V, então os vetores de B 0 se

escrevem
 como combinações lineares dos vetores de B:

 w1 = a11 v1 + a21 v2 + . . . + an1 vn


 w2 = a12 v1 + a22 v2 + . . . + an2 vn
(∗) ..

 .


 w = a v + a v + ... + a v
n 1n 1 2n 2 nn n
Assim, v = y1 w1 + y2 w2 + ... + yn wn ⇒
v = y1 (a11 v1 + a21 v2 + +an1 vn )+
y2 (a12 v1 + a22 v2 + +an2 vn )+
........................................+
yn (a1n v1 + a2n v2 + +ann vn ) ⇒
v = (a11 y1 + a12 y2 + ... + a1n yn )v1 +
(a21 y1 + a22 y2 + ... + a2n yn )v2 +
........................................+
(an1 y1 + an2 y2 + ... + ann yn )vn
Mas
 v = x1 v1 + x2 v2 + ... + xn vn , logo,

 x1 = a11 y1 + a12 y2 + . . . + a1n yn


 x2 = a21 y1 + a22 y2 + . . . + a2n yn
 ..

 .

 x = a y + a y + ... + a y
n n1 1 n2 2 nn n
e portanto,
     
x1 a11 a12 ··· a1n y1
     
 x2   a21 a22 ··· a2n   y2 
[v]B = 
 .. =


 .. .. .. 


 ..  = [I]B 0 [v]B 0 ,
 B onde a matriz
 .   . . ··· .   . 
xn am1 am2 ··· amn yn
 
a11 a12 ··· a1n
 
 a21 a22 ··· a2n 
[I]B
0
 .  é chamada matriz de mudança da base B 0 para a base B (é a
B =  .. .. 
 .. .
··· . 
am1 am2 · · · amn
transposta da matriz dos coeficientes do sistema (*) ). Assim, enunciamos o que segue.

Teorema 3.13 Seja V um espaço vetorial e sejam B e B 0 bases ordenadas de V. Então, para
0
cada v ∈ V , [v]B = [I]B
B [v]B 0

Exemplo 3.38 Sejam B = {(3, −2), (−4, 3)} e B 0 = {(1, 0), (0, 1)} bases de R2 . Vamos en-
contrar a matriz de mudança da base B 0 para a base B e também o vetor das coordenadas de
v = (2, 3) em relação à base B.
0
Para encontrar [I]B 0
B , escrevemos os vetores de B como combinação linear dos vetores de B:
(1, 0) = 3(3, −2) + 2(−4, 3)
(0, 1) = 4(3, −2) + 3(−4, 3) " #
0 3 4
A transposta da matriz dos coeficientes é a matriz procurada: [I]B B = . Como
2 3
3 ESPAÇOS VETORIAIS REAIS 25

" # " #" # " #

B0 2 3 4 2 18
[v]B = [I]B [v]B 0 e [v]B 0 = então [(2, 3)]B = = , ou seja,
3 2 3 3 13
(2, 3) = 18(3, −2) + 13(−4, 3).

B B B 0
Exemplo 3.39 No exemplo anterior,
" vamos #encontrar [I]B 0 e"realizar# o produto [I]B [I]B 0 .
3 −4 0 1 0
Resolvendo, encontramos [I]B
B0 = e [I]B B
B [I]B 0 = que é a matriz identi-
−2 3 0 1
0
dade. O próximo teorema mostra que isso sempre acontece, ou seja, [I]BB é sempre a inversa
da matriz [I]B
B0 .

Teorema 3.14 Seja V um espaço vetorial e sejam B e B 0 bases ordenadas de V . Então, a

0
inversa da matriz [I]B B
B é a matriz [I]B 0 .

Exercı́cios 3.12
1. Para B1 = {(0, 1), (1, 0)}, B2 = {(−1, 2), (2. − 3)}, B3 = {(2, 3), (−5, −7)} bases de R2 e
v = (4, 5), encontre:
a) [v]B1 b) [v]B2 c) [v]B3 d) [I]B 1
B2 e) [I]B B1
B3 f ) [I]B3
2

B2 B1 B1
2. No exercı́cio
("anterior
# verifique
" #que
" [I]B3 [I]
# B"2 = [I]B#)
3
.
1 0 1 1 1 0 1 1
3. Para B = , , , , encontre a matrizes de mudança de
0 0 0 0 1 1 1 1
B B0 0
base [I]
(" B 0 e [I]B
# , "onde B#é "a base canônica
# " de#)M (2, 2):
1 0 0 1 0 0 0 0
B0 = , , , .
0 0 0 0 1 0 0 1
4. Fazer o exercı́cio 29 da página 133 do livro do Boldrini.
Respostas: " # " # " #
2 3 5 −7 17 −29
1. [I]B
B2 =
1
, [I]B
B3 =
1
, [I]BB3 =
2
,
1 2 2 −3 7 −12
" # " # " #
5 22 −3
[v]B1 = , [v]B2 = , [v]B3 =
4 13 −2
   
1 1 1 1 1 −1 0 0
 0 1 1 1   0 1 −1 0 
B   B0  
3. [I]B 0 =   e [I]B =  
 0 0 1 1   0 0 1 −1 
0 0 0 1 0 0 0 1

3.11 Espaços de polinômios sobre R

Um polinômio com coeficientes reais é uma expressão da forma p(t) = a0 +a1 t+a2 t2 +· · ·+an tn ,
onde a0 , a1 , a2 , · · · , an são números reais. Dizemos que p(t) = a0 + a1 t + a2 t2 + · · · + an tn tem
grau n se an 6= 0.
Seja P o conjunto de todos os polinômios com coeficientes reais. Consideramos que dois
polinômios saõ iguais quando eles têm todos os coeficientes iguais:
a0 + a1 t + a2 t2 + · · · + an tn = b0 + b1 t + b2 t2 + · · · + bn tn ⇒ a0 = b0 , a1 = b1 , a2 = b2 , · · · an = bn
No conjunto P define-se as operações de adição de polinômios e produto de polinômio por
escalar como segue:
3 ESPAÇOS VETORIAIS REAIS 26

Para f (t) = a0 + a1 t + a2 t2 + · · · + an tn , g(t) = b0 + b1 t + b2 t2 + · · · + bn tn e r ∈ R,

h(t) = f (t) + g(t) = (a0 + b0 ) + (a1 + b1 )t + (a2 + b2 )t2 + · · · + (an + bn )tn
k(t) = rf (t) = ra0 + ra1 t + ra2 t2 + · · · + ran tn
Neste caso, verifica-se sem dificuldades que P é um espaço vetorial. O vetor nulo deste espaço
é o polinômio nulo n(t) = 0 (= 0 + 0t + 0t2 + · · · + 0tn ).
Por exemplo, para f (t) = 5 − 3t3 + t5 e g(t) = t2 + 2t3 tomando h = f + g então
h(t) = 5 + t2 − t3 + t5 pois f (t) = 5 + 0t + 0t2 − 3t3 + 0t4 + t5 e g(t) = 0 + 0t + t2 + 2t3 + 0t4 + 0t5

Subespaços Pn
Seja P o espaço dos polinômios sobre R e Pn o conjunto dos polinômios de graus menores ou
iguais a n, isto é, Pn = {a0 + a1 t + · · · + an tn : ai ∈ R}. Verifica-se facilmente que Pn é um
subespaço de P . Por exemplo, P2 = {a0 + a1 t + a2 t2 : ai ∈ R} é o espaço dos polinômios de
graus menores ou iguais a 2

Base e dimensão

Definição 3.11 Dizemos que um conjunto infinito de vetores é (LD) se contém um subconjunto
finito de vetores linearmente dependente. Caso contrário, dizemos que o conjunto é linearmente
independente (LI).

No espaço P dos polinômios, o conjunto {1, t, t2 , t3 , · · · } é LI, pois para qualquer subconjunto
finito, digamos, {1, t, t2 , · · · , tn }, se a0 +a1 t+a2 t2 +· · ·+an tn = 0 = 0+0t+0t2 +· · ·+0tn então
a0 = a1 = · · · = 0, mostrando que são LI. Por exemplo,{t, t3 , t8 } é LI pois é um subconjunto
de {1, t, t2 , · · · , t8 } que é LI.
Temos também que {1, t, t2 , t3 , · · · } gera P , pois todo polinômio se escreve na forma
p(t) = a0 + a1 t + a2 t2 + · · · + an tn . Também P não é finitamente gerado, pois não existe um
limite para o grau dos polinômios, apesar de todo polinômio ter um grau finito.
Assim, {1, t, t2 , t3 , · · · } é uma base de P .
Verifica-se facilmente que {1, t, t2 , t3 , · · · tn } é uma base de Pn .
Assim, dimPn = n + 1.
Quando um espaço V não é finitamente gerado, dizemos que V tem dimensão infinita e
denotamos dimV = ∞.
Assim, dimP = ∞.

O conjunto C dos polinômios de graus maiores ou iguais a 2, não é um subespaço do

espaço dos polinômios pois f (x) = 1 + x + x2 e g(x) = 1 − x2 são polinômios de C, mas
h(x) = f (x) + g(x) = 2 + x tem grau 1, logo, não está em C.

3.12 Espaços de funções

Se A é um subconjunto do conjunto dos números reais, define-se F (A) o conjunto das funções
de A em R. A soma de funções e o produto de funções por escalar são definidos como segue:
Para f e g em F (A) e r ∈ R, define-se:
h = f + g, h(x) = f (x) + g(x).
k = rf, k(x) = rf (x).
4 TRANSFORMAÇÕES LINEARES 27

Aqui também, F (A) é um espaço vetorial. Seu vetor nulo é a função constante nula: n(x) = 0.

Assim, o conjunto F (R) das funções reais definidas em todo R é um espaço vetorial.
Para f (x) = sen2 (x) e g(x) = cos2 (x), sabemos que f, g ∈ F (R). Denotando h = f + g, então
h(x) = sen2 (x) + cos2 (x) = 1, isto é, h é a função constante h(x) = 1. Denotando k = −3f ,
então k(x) = −3sen2 (x).

O espaço P dos polinômios sobre os reais é um subespaço de F (R). Como P tem di-
mensão infinita então dimF (R) = ∞.
Os conjuntos C(R) = {f ∈ F (R) : f é contı́nua } e D(R) = {f ∈ F (R) : f é diferenciável }
são subespaços de F (R), e ambos têm P como subespaço.

Se V e W são espaços vetoriais, de modo análogo ao que foi feito para F (A), podemos
verificar que F (V, W ) = {f : V −→ W : f é função }, o conjunto das funções de V em W é
também um espaço vetorial.

4 Transformações Lineares
4.1 Definição e exemplos

Definição 4.1 Sejam V e W espaços vetoriais e seja T : V → W uma função. Dizemos que
T é uma transformação linear, se T satisfaz:
a) T (v + w) = T (v) + T (w), para quaisquer v, w ∈ V ;
b) T (av) = aT (v), para qualquer v ∈ V e qualquer a escalar.

Exemplos 4.1 Se V é um espaço vetorial, então a função identidade T : V → V, T (v) = v é

uma transformação linear.
Também a função nula T : V → W, T (v) = OW , onde OW é o vetor nulo de W , é uma
transformação linear.

Observações. 1) Se T : V → W é uma transformação linear então T (OV ) = OW , onde OV e

OW são os vetores nulos de V e W , respectivamente.
2) Em vista da observação 1, se T (OV ) 6= OW então T não é uma transformação linear.

Exemplos 4.2 São transformações lineares:

1) T : R2 → R3 , T (x, y) = (x, y, 0)
2) T : R3 → R2 , T (x, y, z) = (x − 2z, 3y)
3) T : R5 → R3 , T (x, y, z, s, t) = (2x − s, 0, z)
4) Se A é uma matriz m ×  n, a função
 TA : Rn → Rm , tomada por TA (x1 , x2 , · · · , xn ) =

y1 x1
   
 y2   x2 
(y1 , y2 , · · · , ym ), onde    
 ..  = A  .. . Ou seja, TA (v) = Av onde v no produto Av é
 .   . 
ym xn
tomado como vetor coluna e Av é tomado como vetor de Rm .
4 TRANSFORMAÇÕES LINEARES 28

 
1 −5
 
Subexemplo. Para A =  0 3 , TA : R2 → R3 , obtida por
−2 1
   
1 −5 " # x − 5y
  x  
 0 3  =  3y , então TA é uma transformação linear definida por
y
−2 1 −2x + y
TA (x, y) = (x − 5y, 3y, −2x + y).
5) T : D(R) → D(R), T (f ) = f 0 , onde D(R) é o conjunto das funções diferenciáveis de R em
R e f é a derivada de f .
Não são transformações lineares:
6) T : R3 → R3 , T (x, y, z) = (x + 1, y + 2, z − 3).
7) T : R2 → R, T (x, y) = xy
8) T : M (2, 2) → R, T (A) = det(A)

Teorema 4.1 Sejam U e V espaços vetoriais e sejam {v1 , ..., vn } uma base para V e u1 , · · · , un
vetores de U . Então existe uma única transformação linear T : V → U tal que T (vi ) = ui para
todo i ∈ {1, ..., n}.

Exemplo 4.3 Seja {(1, 1), (0, 1)} uma base de R2 e sejam (2, 0, 5) e (1, −1, 3) vetores de R2 .
Então existe uma transformação linear T : R2 → R2 tal que T (1, 1) = (2, 0, 5) e T (0, 1) =
(1, −1, 3). Para encontrar T , basta escrever (x, y) como combinação linear da base dada e
aplicar T : como (x, y) = x(1, 1) + (y − x)(0, 1) e T é uma transformação linear então T (x, y) =
xT (1, 1) + (y − x)T (0, 1) = x(2, 0, 5) + (y − x)(1, −1, 3) = (x + y, y − x, 2x + 3y).

Exercı́cio 4.1 Resolver os exercı́cos 2,3,4 da página 171 do livro do Boldrini.

4.2 Núcleo e Imagem

Definição 4.2 Seja T : V → W uma transformação linear. O núcleo de T é o conjunto dos

vetores v ∈ V tais que T (v) = OW .

Notação: N (T ) = {v ∈ V : T (v) = OW }.

A imagem de uma função T : V → W é o conjunto das imagens dos elementos do domı́nio

de T , isto é, Im(T ) = {T (v) : v ∈ V } = {w ∈ W : w = T (v) para algum v ∈ V }.

Teorema 4.2 Seja T : V → W uma transformação linear. Então o núcleo de T é um subespaço

de V e a imagem de T é um subespaço de W .

Exercı́cio 4.2 Seja T : R3 → R3 definida por T (x, y, z) = (x + y, y + z, x − z). Determine as

dimensões do núcleo e da imagem de T .

Uma transformação linear T : V → W é injetiva se elementos distintos do domı́nio têm

imagens distintas, isto é, se u 6= v então T (u) 6= T (v). Isso é equivalente a dizer que se
T (u) = T (v) então u = v.
Uma transformação linear T : V → W é sobrejetiva se todo elemento do contradomı́nio
é imagem de algum elemento do domı́nio, isto é, se w ∈ W então existe v ∈ V tal que
4 TRANSFORMAÇÕES LINEARES 29

T (v) = w. Assim, T é sobrejetiva se, e somente se, W = Im(T ), isto é, se, e somente se,
dim W = dimIm(T ).
Uma transformação linear T : V → W é bijetiva se T é injetiva e sobrejetiva.

Teorema 4.3 Seja T : V → W uma transformação linear. Então T é injetiva se, e somente
se, N (T ) = {OV }.

Exemplo 4.4 No exercı́cio anterior, resolvendo chegamos que o núcleo de T tem dimensão 1.
Logo, N (T ) 6= (0, 0, 0). Assim, pelo teorema anterior T não é injetiva.

Exercı́cio 4.3 Verifique que a transformação linear T : R2 → R3 definida por T (x, y) =

(x + y, x + 2y, 3x + 3y) é injetiva.

Exercı́cio 4.4 Seja T : R3 → R2 transformação linear definida por T (x, y, z) = (x + y, y − z).

Verifique que T não é injetiva.

Teorema 4.4 Seja T : V → W uma transformação linear. Se {v1 , ..., vn } uma é base de V
então {T (v1 ), · · · , T (vn )} gera Im(T ). Isto é, Im(T ) = [T (v1 ), T (v2 ), . . . , T (vn )]

Exemplo 4.5 Seja T : R3 → R3 , T (x, y, z) = (x + y + z, x + 2y − 2z, y − 3z). A Imagem de T

é gerada por T (1, 0,
 0), T (0, 1, 0) e T (0, 0, 1), ou seja, por(1, 1, 0), (1,
 2, 1) e (1, −2, −3). Esca-
1 1 0 1 1 0
   
lonando a matriz  1 2 1 , chegamos na matriz  0 1 1 . Logo,{(1, 1, 0), (0, 1, 1)}
1 −2 −3 0 0 0
é uma base para Im(T ).

Teorema 4.5 Seja T : V → W uma transformação linear, sendo V espaço de dimensão finita.
Então dimV = dimN (T ) + dimIm(T ).

Exemplo 4.6 No exemplo anterior, T : R3 → R3 , T (x, y, z) = (x + y + z, x + 2y − 2z, y −

3z), conhecendo as dimensões do domı́nio (= 3) e da imagem (= 2), podemos concluir que
dimN (T ) = 1, sem precisar encontrar a base do núcleo de T .

Exemplo 4.7 No exemplo acima, sabemos que dimN (T ) = 1. Qual seria uma base para
N (T )? Sabemos que N (T ) = {(x, y, z) ∈ R3 : T (x, y, z) = (0, 0, 0)}, ou seja, N (T ) =
{(x, y, z) : x + y + z = 0, x + 2y − 2z = 0 e y − 3z = 0}. Assim N (T ) é o conjunto das
soluções do sistema


 x + y + z=0
x + 2y − 2z = 0 . Resolvendo o sistema chegamos, por exemplo, na base (4, −3, −1)

 y − 3z = 0
para N (T ).

Exercı́cios.
1) Mostre que uma transformação linear T : R5 → R3 não pode ser injetiva.
2) Mostre que uma transformação linear T : R3 → R4 não pode ser sobrejetiva.
3) Seja T : V → W uma transformação linear. Mostre que:
a) se dimV > dimW então T não é injetiva;
4 TRANSFORMAÇÕES LINEARES 30

b) se dimV < dimW então T não é sobrejetiva.

4) Seja F : R5 → R3 dada por F (x, y, z, s, t) = (x+y+z+s+t, 2x+3y+4z−5s+t, x+4y+6z−8s).
a) Encontre uma base para a imagem de F
b) Qual a dimensão do núcleo de F ?
c) Encontre uma base para N(T).
5) Seja G : R3 → R3 definida por G(x, y, z) = (x + y − 2z, y + 3z, x + 2y + z)
a) Encontre uma base para o núcleo de G
b) Qual a dimensão da imagem de G?
c) Encontre uma base para Im(T).

Teorema 4.6 Sejam V e W espaços vetoriais de mesma dimensão e seja T : V → W uma

transformação linear. São equivalentes:
a) T é injetiva
b) T é sobrejetiva

Definição 4.3 Dizemos que uma transformação linear T : V → W é um isomorfismo se T é

bijetiva. Neste caso, dizemos que V e W são isomorfos.

Teorema 4.7 Seja T : V → W um isomorfismo. Então T −1 : W → V é também um isomor-

fismo.

Teorema 4.8 Se V e W são espaços vetoriais de mesma dimensão (finita) então V e W são
isomorfos.

Temos então que qualquer espaço vetorial real V de dimensão finita é isomorfo a Rn onde
n é a dimensão de V .
Por exemplo, o espaço P4 dos polinômios de graus menores ou iguais a 4 é isomorfo a R5 ;
o espaço das matrizes reais M (2, 3) é isomorfo a R6 .

4.3 Operador linear

Já vimos que, para uma matriz Amxn , podemos associar uma transformação linear TA : Rn →
Rm . Veremos agora que dada uma transformação linear T : V → W , é possı́vel associar uma
matriz A a T . Faremos isso para o caso de T ser um operador linear. Para o caso geral, o
procedimento é semelhante e pode ser encontrado nos livros da bibliografia.

Definição 4.4 Um operador linear sobre um espaço vetorial V é uma transformação linear
T :V →V.

Já vimos também que se V é um espaço vetorial e B = {v1 , ..., vn } é uma base de V , então
cada v em V se escreve de maneira única como combinação linear dos elementos da base, isto
é, existem únicos escalares a1 , · · · , an tais que v = a1 v1 + · · · + an vn . Assim, considerando B
como base ordenada,
 podemos tomar o vetor das coordenadas de v em relação à base B:
a1
 
[v]B =  ... .
an
4 TRANSFORMAÇÕES LINEARES 31

4.4 Matriz de um operador linear

Sejam V um espaço vetorial, B = {v1 , ..., vn } uma base de V e T : V → V um operador linear.

Como T (vi ) ∈ V para todo i, então cada T (vi ) se escreve como combinação linear da base
(ordenada) B:
T (v1 ) = a11 v1 + a21 v2 + · · · + an1 vn
T (v2 ) = a12 v1 + a22 v2 + · · · + an2 vn
..
.
T (vn ) = a1n v1 + a2n v2 + · · · + ann vn
A transposta da matriz dos coeficientes  é chamada a matriz
 de T em relação à base B e é
a11 a12 · · · a1n
 a a22 · · · a21 
 21 
denotada por [T ]B . Assim, [T ]B =  
 ... ... ··· ... 
an1 an2 · · · ann

Teorema 4.9 Sejam V um espaço vetorial, B = {v1 , ..., vn } uma base de V e T : V → V um

operador linear. Então [T ]B [v]B = [T (v)]B .

Exemplo 4.8 Sejam T : R2 → R2 definido por T (x, y) = (2x + y, x − y) e seja B =

{(0, 1), (1, 1)} uma base de V. Então
T (0, 1) = (1, −1) = −2(0, 1) + 1(1, 1)
T (1, 1) = (3, 0) "= −3(0, 1) #+ 3(1, 1)
−2 −3
Assim, [T ]B =
1 3
Para v = (−2, 5), T (v) = T (−2, " 5)# = (1, −7). "Assim,# v = 7(0, 1) − 2(1, 1) e T (v) =
7 −8
−8(0, 1) + 1(1, 1). Logo, [v]B = e [T (v)]B = = [T ]B [v]B .
−2 1
Considerando a base canônica B 0 = {(1, 0), (0, 1)}, temos
T (1, 0) = (2, 1) = 2(1, 0) + 1(0, 1)
T (0, 1) = (1, −1)
" = 1(1,#0) − 1(0, 1).
2 1
Logo, [T ]B 0 =
1 −1
Já vimos que se A é uma matriz n × n então A está associada a uma transformação linear
TA : Rn → Rn . Se B é a base canônica de Rn então [TA ]B = A.

Teorema 4.10 Seja V um espaço vetorial e sejam B = {v1 , ..., vn } e B 0 = {w1 , ..., wn } bases
de V. Se T : V → V é um operador linear então [T ]B 0 = P [T ]B P −1 onde P = [I]B
B 0 é a matriz
0
de mudança da base B para a base B .

Exemplo 4.9 No exemplo anterior, temos

(0, 1) = 0(1, 0) + 1(0, 1) e
(1, 1) = 1(1, 0) + 1(0, 1). " # " #
0 1 −1 1 0
Logo a matriz de mudança de base é P = [I]B
B0 = e P −1 = = [I]B
B .
1 1 1 0
5 AUTOVALORES E AUTOVETORES 32

" # " #" #" #

2 1 0 1 −2 −3 −1 1
Assim, [T ]B 0 = P [T ]B P −1 , isto é, = .
1 −1 1 1 1 3 1 0

Definição 4.5 Dizemos que duas matrizes n×n A e B são semelhantes se existe uma matriz
n×n inversı́vel P tal que A = P −1 BP .

Teorema 4.11 Duas matrizes representam o mesmo operador linear T se, e somente se elas
são semelhantes.

Exercı́cios.
1) Seja T : R2 → R2 definida por T (x, y) = (2x − 5y, 2y)
a) Encontre [T ]B para B = {(1, 0), (0, 1)}
b) Encontre [T ]B 0 para B 0 = {(1, 2), (2, 1)}
2) Seja T : R3 → R3 definida por T (x, y, z) = (2x + y, y − z, x + y + z)
a) Encontre[T ]B para B = {(1, 0, 0), (0, 1, 0), (0, 0, 1)}
b) Encontre [T ]B 0 para B 0 = {(1, 1, 1), (1, 1, 0), (1, 0, 0)}

5 Autovalores e Autovetores
Definição 5.1 Sejam V um espaço vetorial e T : V → V um operador linear. Dizemos que
um escalar λ é um autovalor de T , se existe um vetor não nulo v ∈ V tal que T (v) = λv. Neste
caso, dizemos que v é um autovetor de T , associado ao autovalor λ.

Exemplos 5.1
1) Seja : V → V definido por T (v) = 2v. Então 2 é um autovalor (o único) de T e todo vetor
não nulo de V é um autovetor associado ao autovalor 2.
2) Seja T : V → V a aplicação nula. Então 0 é um autovalor (o único) de T e todo vetor não
nulo de V é um autovetor associado ao autovalor 0.
3) Seja T : R2 → R2 definida por T (x, y) = (−y, x). Então T (x, y) = λ(x, y) ⇒ (−y, x) =
(λx, λy) ⇒ −y = λx e x = λy ⇒ −y = λ2 y ⇒ λ2 = −1 ou y = 0. Como λ ∈ R então λ2 6= −1,
logo, y = 0 e, portanto, x = λy = 0, ou seja, (x, y) = (0, 0). Assim, não existem autovalores
para T .
3b) Seja T : C2 → C2 definida por T (x, y) = (−y, x), onde C é o corpo dos números complexos
e estamos considerando C2 um espaço vetorial complexo. Desenvolvendo como no exemplo
anterior, chegamos que x = λy e λ2 = −1. Como estamos trabalhando num espaço vetorial
complexo, temos dois autovalores: λ1 = i e λ2 = −i. Assim, para λ1 = i temos x = iy e os
autovetores associados ao autovalor λ1 = i são da forma (iy, y), y 6= 0; para λ2 = −i temos
x = −iy e os autovetores associados ao autovalor λ2 = −i são da forma (−iy, y), y 6= 0;
4) Seja T : R2 → R2 definida por T (x, y) = (x, x − 2y). Se (x, y) é um autovetor associado a
um autovalor λ então (
x = λx
T (x, y) = λ(x, y) ⇒ (x, x − 2y) = (λx, λy) ⇒
x − 2y = λy
Se x = 0 então y 6= 0 e −2y = λy. Logo, λ = −2. Assim, −2 é um autovalor de T e os vetores
da forma v = (0, y), y 6= 0, são autovetores associados ao autovalor −2. Se x 6= 0 então λ = 1
5 AUTOVALORES E AUTOVETORES 33

e x − 2y = y, ou seja, x = 3y. Assim, 1 é um autovalor de T e os vetores da forma v = (3y, y),

y 6= 0, são autovetores associados ao autovalor 1.

5.1 Autovalores e Autovetores de uma matriz

Definição 5.2 Seja A uma matriz n×n. Um autovalor de A é um escalar λ para o qual existe
um vetor coluna v n × 1 não nulo, tal que Av = λv. O vetor v aqui é também chamado de
autovetor associado ao autovalor λ .

Dada uma matriz n×n A, vamos proceder de modo a procurar os autovalores e autovetores
de A. Se v é um autovetor de A associado ao autovalor λ, então Av = λv = λIv onde I é a
matriz identidade n×n. Logo, Av − λIv = O, ou seja, (A − λI)v = O. Se det(A − λI) 6= 0
então A − λI é inversı́vel com inversa, digamos, B. Assim,
B(A − λI) = I ⇒ B(A − λI)v = Iv ⇒ BO = v ⇒ O = v, o que é uma contradição pois v é
um autovetor.
Assim, λ é um autovalor de A se, e somente se, det(A − λI) = 0.
Denotando P (λ) = det(A − λI), temos que os autovalores de A são as raı́zes de P (λ).

Definição 5.3 O polinômio P (λ) = det(A − λI) definido acima é chamado o polinômio carac-
terı́stico de A.
" # " #
−1 4 −1 − λ 4
Exemplo 5.2 Para A = , P (λ) = det(A − λI) = det =
1 2 1 2−λ
(−1 − λ)(2 − λ) − 4 ⇒ P (λ) = −2 − λ + λ2 − 4 = λ2 − λ − 6.
Assim, as raı́zes do polinômio caracterı́stico P (λ) = λ2 − λ − 6 são λ = −2
" e λ = 3.# " #
−1 4 x
Para λ = −2, existe um vetor coluna v tal que Av = −2v. Assim, =
1 2 y
" # " # " # (
x −1x + 4y −2x −1x + 4y = −2x
−2 ⇒ = ⇒ . Resolvendo o sistema, che-
y x + 2y −2y x + 2y = −2y
gamos que as soluções são "
da forma
# x = −4y. Assim, os autovetores associados ao autovalor
−4y
λ = −2 são os vetores v = , y 6= 0.
y
Para λ = 3, procedendo da mesma
" # forma, concluı́mos que os autovetores associados ao autova-
x
lor λ = 3 são da forma v = , x 6= 0.
x
 
1 0 2
 
Exercı́cio 5.1 Para a matriz A =  0 1 3  encontre os autovalores e autovetores asso-
0 0 −5
ciados.  
x
 
Resposta: λ = 1 com autovetores associados da forma v =  y  , x 6= 0 ou y 6= 0.
0
 
2z
 
λ = −5 com autovetores associados da forma v =  3z  , z 6= 0.
−6z
5 AUTOVALORES E AUTOVETORES 34

 
1 2 −1
 
Exercı́cio 5.2 Para a matriz A =  1 0 1  encontre os autovalores e autovetores as-
4 −4 5
sociados.  
−y
 
Resposta: λ = 1 com autovetores associados da forma v =  y  , y 6= 0.
2y
 
−2y
 
λ = 2 com autovetores associados da forma v =  y  , y 6= 0. λ = 3 com autovetores
4y
 
−y
 
associados da forma v =  y  , y 6= 0.
4y

5.2 Polinômio caracterı́stico de um operador linear

Sejam T : V → V um operador linear, B uma base de V e [T ]B a matriz de T na base B. Temos

então para v ∈ V , v 6= O: T (v) = λv ⇔ [T (v)]B = [λv]B = λ[v]B . Mas [T (v)]B = [T ]B [v]B
Assim, T (v) = λv ⇔ [T ]B [v]B = λ[v]B ⇔ ([T ]B − λI)[v]B = 0 ⇔ det([T ]B − λI) = 0 (como
no caso de autovalores de matrizes) ⇔ P (λ) = 0 onde P (λ) = det([T ]B − λI) é o polinômio
caracterı́stico de [T ]B .

O polinômio P acima é chamado o polinômio caracterı́stico de T e suas raı́zes são os

autovalores de T . Observe que P independe da base B pois se B 0 é outra base de V então
[T ]B 0 = A[T ]B A−1 para alguma matriz A. Logo, det([T ]B 0 − λI) = det(A[T ]B A−1 − λAIA−1 ) =
det(A([T ]B − λI)A−1 ) = det(A)det([T ]B − λI)det(A−1 ) = det(A)det(A−1 )det([T ]B − λI) =
det([T ]B − λI).

Exemplo 5.3 Seja T : R2 → R2 definida por T (x, y) = (x, 8x − 3y). Tomando B =

{(1, 0), (0, 1)} a base canônica, temos:
T (1, 0) = (1, 8) = 1(1, 0) + 8(0, 1)
T (0, 1) = (0, −3)
" = 0(1,#0) − 3(0, 1) " #
1 0 1−λ 0
Logo, [T ]B = e P (λ) = det = (1 − λ)(−3 − λ), cujas raı́zes
8 −3 8 −3 − lambda
são λ = 1 e λ = −3.
Para λ = 1, T (x, y) = 1(x, y) = (x, y). Como T (x, y) = (x, 8x − 3y) então x = x e y = 8x − 3y,
ou seja, x é qualquer e y = 2x. Assim, os autovetores associados ao autovalor λ = 1 são da
forma (x, 2x), x 6= 0.
Para λ = −3, T (x, y) = −3(x, y) = (−3x, −3y). Como T (x, y) = (x, 8x − 3y) então −3x = x
e −3y = 8x − 3y, ou seja, x = 0. Assim, os autovetores associados ao autovalor λ = −3 são
da forma (0, y), y 6= 0.

Exercı́cios 5.3 Página 195 do livro do Boldrini: 2,3,4,7,8,9,10,11,13,16.

5 AUTOVALORES E AUTOVETORES 35

5.3 Diagonalização

Definição 5.4 Dizemos que um operador linear T sobre um espaço vetorial V é diagonalizável
se existe uma base B de V tal que [T ]B é uma matriz diagonal.

Teorema 5.1 Seja T um operador linear no espaço vetorial V. Então T é diagonalizável se, e
somente se, existe uma base B de V formada por autovetores de T .

No exemplo anterior, para o operador linear T : R2 → R2 definido por T (x, y) = (x, 8x −

3y), podemos tomar os autovetores (1, 2) e (0, −5). Como estes vetores são L.I. então B =
{(1, 2), (0, −5)} é uma base para R2 (pois dimR2 = 2). Assim,
T (1, 2) = (1, 2) = 1(1, 2) + 0(0, −5)
T (0, −5) = (0,"15) = 0(1,# 2) − 3(0, −5)
1 0
Logo, [T ]B =
0 −3

Definição 5.5 Dizemos que uma matriz A é diagonalizável se existe uma matriz invertı́vel P
tal que P −1 AP é uma matriz diagonal.

Teorema 5.2 Uma matriz quadrada de ordem n é diagonalizável se, e somente se, A tem n
autovetores linearmente independentes. Neste caso tomando uma matriz P , onde as colunas de
P são os n autovetores L.I. de A então a matriz P −1 AP é uma matriz diagonal.
" #
−1 4
Exemplo 5.4 Para A = , já vimos que A possui dois autovalores, com autovetores
1 2
associados da forma (−4y, y) e (x, x). Logo, podemos considerar os vetores " v = #(−4, 1) e
−4 1
w = (1, 1) formando uma base de R2 , pois são L.I.. Assim, para P = , P −1 =
1 1
" # " #
−1/5 1/5 −2 0
. Logo, P −1 AP = · · · =
1/5 4/5 0 3
−1
Verifique que P AP não é uma matriz diagonal.

O problema então de saber se uma matriz de ordem n, ou um operador linear sobre um

espaço de dimensão n, é diagonalizável, consiste em verificar se o operador linear possui uma
base formada por autovetores, isto é, se existem n autovetores que são L.I.
Os próximos resultados valem tanto para operadores lineares quanto para matrizes, já que
podemos identificar matrizes com operadores lineares e identificar espaço vetorial de dimensão
n com Rn .

Teorema 5.3 Se v1 , v2 , · · · , vm são autovetores associados, respectivamente, a autovalores

distintos λ1 , λ2 , · · · , λm então v1 , v2 , · · · , vm são vetores L.I.

Teorema 5.4 Sejam T um operador linear em V, e n = dimV . Se T possui n autovalores

distintos então T é diagonalizável.

Exemplo 5.5 Seja T : R2 → R2 definida por T (x, y) = (x, x − 2y). Já vimos que seus
autovalores são 1 e −2. Logo, T é diagonalizável.
5 AUTOVALORES E AUTOVETORES 36

" #
−1 4
Exemplo 5.6 Já vimos que a matriz A = possui dois autovalores distintos: λ1 = 3
1 2
e λ2 = −2. Logo, A é diagonalizável.

Definição 5.6 Seja T um operador linear em um espaço V e seja λ um autovalor de T . O

conjunto Eλ = {v ∈ V : T (v) = λv} é chamado de autoespaço de λ.

Fica como exercı́cio verificar que Eλ é um subespaço de V .

Para verificar se um operador linear T : V → V é diagonalizável procedemos da se-

guinte forma:
1. Encontramos os autovalores de T ;
2. Para cada autovalor λ de T encontramos uma base para Eλ , ou seja, encontramos o número
máximo de autovetores L.I. associados a λ ;
3. Consideramos B = {v1 , v2 , · · · , vn } o conjunto de todos os autovetores encontrados no ı́tem
anterior.
Se n = dimV então B é uma base de V formada por autovetores, portanto, T é diagonalizável.
Caso contrário, T não é diagonalizável.

Exemplo 5.7 Seja T : R3 → R3 , T (x, y, z) = (3x − 3y − 4z, 3y + 5z, −z). Resolvendo,

encontramos os autovalores de T: λ1 = 3 com autovetores associados da forma (x, 0, 0), x 6= 0
e λ2 = −1 com autovetores associados da forma (z, −20z, 16z), z 6= 0. Temos que uma base
para Eλ1 é B1 = {(1, 0, 0)} e uma base para Eλ2 é B2 = {(1, −20, 16)}. Assim, não é possı́vel
encontrar 3 autovetores linearmente independetes. Logo, T não é diagonalizável.
 
1 0 2
 
Exemplo 5.8 Para a matriz A =  0 1 3 , já vimos que os autovalores são λ = 1,
0 0 −5
com autovetores associados da forma (x, y, 0), e λ = −5 com autovetores associados da forma
(2z, 3z, −6z), z 6= 0. Assim, para λ = 1 obtemos dois autovetores L.I.: (1, 0, 0) e (0, 1, 0), e
para λ = −5, obtemos o autovetor (2, 3, −6). Assim, {(1, 0, 0), (0, 1, 0), (2, 3, −6)} é uma base
de R3formada por autovetores. Tomando
   
1 0 2 1 0 2/6 1 0 0
     
P =  0 1 3 , temos P −1 =  0 1 3/6  e P −1 AP =  0 1 0 
0 0 −6 0 0 −1/6 0 0 −5

Exercı́cio 5.4 " #

1 1
1) Para a matriz A = verifique se A é diagonalizável. Caso seja, encontre a matriz
2 2
P tal que P −1 AP seja
" uma #matriz diagonal.
−1 1
2) Idem para A = .
4 2
3) Verifique se T : R2 → R2 dada por T (x, y) = (12x − 10y, 15x − 13y) é diagonalizável. Caso
seja, encontre uma base B de R2 tal que [T ]B seja uma matriz diagonal.
4) Idem para T : R2 → R2 dada por T (x, y) = (y, −x)
5) Idem para T : R2 → R2 dada por T (x, y) = (5x + y, −4x + y).
6 APÊNDICE 37

Respostas. " #
1 1
1) Autovetores: 0 e 3; P =
−1 2
" #
−1 1
2) Autovalores: −2 e 3; P =
1 4
3) B = {(1, 1), (2, 3)} 4) Não é diagonalizável pois não possui autovalores.
5) Não é diagonalizável pois não possui dois autovetores L.I.

6 Apêndice
6.1 Corpos

Um corpo é um conjunto não vazio K munido de duas operações ”+”e ”·”tais que
1. ∀a, b ∈ K, a + b ∈ K e a · b ∈ K
2. ∀a, b ∈ K, a + b = b + a e a · b = b · a
3. ∀a, b, c ∈ K, (a + b) + c = a + (b + c) e (a · b) · c = a · (b · c)
4. ∃ 0 ∈ K tal que a + 0 = 0 + a = a, ∀a ∈ K
5. ∃ 1 ∈ K tal que a · 1 = 1 · a = a, ∀a ∈ K
6. ∀a ∈ K ∃ b ∈ K tal que a + b = 0 (notação: b = −a)
7. ∀a ∈ K, a 6= 0, ∃ b ∈ K tal que a · b = 1 (notação: b = a−1 )
8. ∀a, b, c ∈ K, a · (b + c) = a · b + a · c

Exemplo 6.1 Os conjuntos R (conjunto dos números reais), C (conjunto dos números comple-
xos), Q (conjunto dos números racionais ou fracionários) são corpos com as operações usuais
de adição e multiplicação.

Exemplo 6.2 O conjunto Z dos números inteiros, com as operações usuais de adição e mul-
tiplicação, não é um corpo pois 2 ∈ Z mas não existe b ∈ Z tal que 2b = 1.

Exemplo 6.3 O conjunto F2 = {0, 1} com as operações: 0 + 0 = 0; 0 + 1 = 1 + 0 = 1; 1 + 1 =

0; 0 · 0 = 0 · 1 = 1 · 0 = 0; 1 · 1 = 1 é um corpo.

O exemplo anterior é denominado o corpo dos inteiros módulo 2. Para cada número primo
existe um corpo com p elementos, chamado de corpo dos inteiros módulo p e denotado por
Fp = {0, 1, 2, ..., p − 1}.
No corpo Fp estão definidas as operações: a + b = c onde c é o resto da divisão de a + b por p;
a · b = d onde d é o resto da divisão de a · b por p.

Exemplo 6.4 No corpo F7 , 3 + 4 = 0, 5 + 5 = 3, 2 + 2 = 4, 3 · 5 = 1, 6 · 6 = 1, 4 · 5 = 6.

Outros exemplos de corpos podem ser encontrados no estudo de Estruturas Algébricas.

6.2 Polinômio Minimal

Denotamos por K[t] o conjunto dos polinômios com coeficientes em K. Assim, escrevemos
p ∈ K[t] (ou p(t) ∈ K[t] ) para dizer que p é um polinômio sobre K ou seja, um polinômio com
coeficientes em K.
6 APÊNDICE 38

Definição 6.1 Um polinômio p ∈ K[t] de grau maior ou igual a 1 é redutı́vel sobre um corpo
K se p = f g, onde f e g são polinõmios sobre K de graus maiores ou iguais a 1. Caso p não
seja reduı́vel dizemos que p é irredutı́vel.

Exemplo 6.5 p(t) = t2 + 1 é irredutı́vel sobre R, mas é redutı́vel sobre C pois t2 + 1 =

(t + i)(t − i).

Teorema 6.1
1) Se f, g, h ∈ K[t] e f = gh então o grau de f é igual à soma dos graus de g e de h.
2) Todo polinômio de grau 1 é irredutı́vel.
3) Os únicos polinômios irredutı́veis sobre C são os de grau 1.

Definição 6.2 Uma raiz de um polinômio p(t) é um elemento a tal que p(a) = 0.
Por exemplo, i é raiz do polinômio p(t) = t2 + 1

Teorema 6.2
1) Se K é um corpo e a ∈ K uma raiz de p(t) ∈ K(t) então p(t) = (t − a)g(t) para algum
g(t) ∈ K[t].
2) Se p(t) ∈ C é um polinômio de grau n então p(t) = a(t − a1 )(t − a2 ) · · · (t − an ) onde
a1 , a2 , · · · , an são as raizes de p(t).
3) Se a + bi é uma raiz do polinômios p(t) ∈ R então a − bi também é raiz de p(t).
4) Se p é irredutı́vel sobre R então p tem grau 1 ou 2.

Se A é uma matriz n×n e p(t) é um polinômio então p(A) é a matriz n×n obtida pela
substituição de t por A e do termo constante a0 por a0 I, onde Am é o produto de A por A m
vezes e I é a matriz identidade n×n.
" #
1 −1
Exemplo 6.6 Para A = e p(t) = t2 + 2t − 3 então p(A) = A2 + 2A − 3I =
0 2
" # " # " # " #
1 −3 2 −2 3 0 0 −5
+ − = , sendo I a matriz identidade 2×2.
0 4 0 4 0 3 0 5

Teorema 6.3 Se p(t) é o polinômio caracterı́stico da matriz A (ou de um operador linear T

com [T ]B = A) então p(A) é a matriz nula.

Definição 6.3 Dizemos que um polinômio p(t) ∈ K[t] é mônico se o coeficiente de maior grau
em t é 1.
Por exemplo, p(t) = t3 − 2 é mônico.

Teorema 6.4 Se A uma matriz quadrada então existe um único polinômio mônico p(t) tal que
p(t) é polinômio de menor grau satisfazendo p(A) = O. Tal polinômio é chamado polinômio
minimal de A (ou do operador linear T , caso [T ]B = A).

Teorema 6.5 O polinômio caracterı́stico e o polinômio minimal têm os mesmos fatores irre-
dutı́veis.
6 APÊNDICE 39

Em vista do teorema anterior, temos que as raizes do polinômio minimal são justamente os
autovalores.

Exemplo 6.7 Se p(t) = (t − 1)2 (t + 2)3 é o polinômio caracterı́stico de uma matriz A então
o polinômio minimal de A será um seguintes: p1 (t) = (t − 1)(t + 2), p2 (t) = (t − 1)(t + 2)2 ,
p3 (t) = (t − 1)(t + 2)3 , p4 (t) = (t − 1)2 (t + 2), p5 (t) = (t − 1)2 (t + 2)2 , p6 (t) = (t − 1)2 (t + 2)3 .

6.3 Forma de Jordan

Embora um operador linear T nem sempre seja diagonalizável, veremos que podemos ter
[T ]B em uma forma também simples.

Um bloco de Jordan é uma matriz quadrada da forma:



 a se i = j
Jn (a) = [aij ]n×n onde aij = 1 se j = i + 1

 0 nos outros casos

 
5 1 0 0 " #
 0 5 1 0  −2 1
 
Exemplo 6.8 J4 (5) =   e J2 (−2) = .
 0 0 5 1  0 −2
0 0 0 5
Dizemos que uma matriz A está na forma de Jordan se A é uma matriz ”diagonal de
blocos”onde cada elemento de sua ”diagonal”é um bloco de Jordan.
 
  3 1 0 | 0 0
3 1 0 0 0  
 0 3 1 0   0 3 1 | 0 0 
 0   
   0 0 3 | 0 0 
Exemplo 6.9 A =  0 0 3 0 0  =    =
  − − − + − − 
 0 0 0 −4 1   
 
 0 0 0 | −4 1 
0 0 0 0 −4
0 0 0 | 0 −4
" #
J3 (3) O3×2
O2×3 J2 (−4)
Já vimos que se An×n é uma matriz quadrada (respectivamente, T : V → V um operador linear)
e se λ um autovalor de A (resp. de T ), então o conjunto Eλ dos autovetores associados a λ é
um espaço vetorial, chamado o autoespaço de λ.

Definição 6.4 A multiplicidade geométrica de um autovalor λ é a dimensão de Eλ . A mul-

tiplicidade algébrica de λ é a multiplicidade de λ como raiz do polinômio caracterı́stico de A.
Isto é, se p(t) = (t − λ)r q(t) e q(λ) 6= 0 então a multiplicidade geométrica de λ é igual a n.

Teorema 6.6 Seja T : V → V um operador linear e sejam p(t) = (t − λ1 )r1 (t − λ2 )r2 · · · (t −

λn )rn , m(t) = (t − λ1 )s1 (t − λ2 )s2 · · · (t − λn )sn os polinômios caracterı́stico e minimal de T ,
respectivamente, onde os λi são os autovalores distintos de T . Então existe uma base B de V
tal que [T ]B é uma matriz ”diagonal de locos”cujos blocos da diagonal são da forma Ji (λj ) tais
que para cada λj :
6 APÊNDICE 40

1) Existe, pelo menos um bloco Ji (λj ) de ordem sj . Os outros blocos Ji (λj ) são de ordem menor
ou igual a sj .
2) A soma das ordens dos blocos Ji (λj ) é igual a rj .
3) O número de blocos Ji (λj ) é igual à multiplicidade geométrica de λj.
A matriz [T ]B é chamada a chamada a matriz de Jordam de T .

6.4 Composta e inversa de transformações lineares

Sejam T : V → W e F : W → U são transformações lineares. Se v ∈ V então T (v) ∈ W .

Logo podemos aplicar F em T (v) e obter F (T (v)) ∈ U . Desse modo, podemos definir uma
função de V em U , que é chamada a composição de T e F e é denotada por F oT : V → U , e
(F oT )(v) = F (T (v)).

Observe que para poder definir F oT é necessário que o domı́nio de F seja igual à imagem
de T (ou simplesmente que o domı́nio de F esteja contido na imagem de T ).

Exemplo 6.10 Sejam T : R2 → R3 e F : R4 → R4 definidas por T (x, y) = (x + y, x − y, 2x)

e F (x, y, z) = (x + y, y + z, z + x, −y) então (T oF ) : R2 → R4 é definida por (F oT )(x, y) =
F (T (x, y)) = F (x + y, x − y, 2x) = (2x, 3x − y, 3x + y, y − x)

Teorema 6.7 Se T : V → W e F : W → U são transformações lineares então

F oT : V → U também é uma transformação linear.

Seja T : V → W uma transformação linear bijetiva. A inversa de T é a função denotada

por T −1 : W → V , T −1 (w) = v se, e somente se, T (v) = w.

Exercı́cio 6.1
1) Seja T : R2 → R2 , definida por T (x, y) = (x + y, 2x − y).
a) Mostre que T é uma transformação linear.
b) Mostre que T é bijetiva.
c) Encontre T −1 .
2) Seja a transformação linear T : R3 → R3 , definida por T (x, y, z) = (2x − 3y + z, 4x − y, 3x).
a) Mostre que T é uma transformação linear.
b) Mostre que T é bijetiva.
c) Encontre T −1 .
d) Encontre T oT
3) Seja T : R2 → R2 , definida por T (x, y) = (x + y, y).
a) Mostre que T é uma transformação linear.
b) Mostre que T é bijetiva.
c) Encontre T −1 , T oT , T oT −1 e T −1 oT −1 .

6.5 Exercı́cios de Espaços Vetoriais

1) Verifique se os conjuntos abaixo são espaços vetoriais com as operações usuais

a) V = {(x, y, z, t) ∈ R4 : x + y = 0ez = 2t}
b) V = {(x, y, z, t) ∈ R4 : x + 2y = tez2t = 0}
6 APÊNDICE 41

c) V = {(x, y, z, t) ∈ R4 : xy = 0et = 0}
d) V = {(x, y, z) ∈ R3 : x + y = 2 − z}
2) No exercı́cio anterior, encontre uma base nos casos onde V for um espaço vetorial.
3) Considere o subespaço de R4
W = [(1, 1, 2, 4), (1, 1, 1, 2), (1, 4, 4, 8)].
a) O vetor (2, 3, 3, 6) pertence a W ?
b) O vetor (0, 0, 1, 1) pertence a W ?
c) Encontre uma(" base e a dimensão# de W .)
2a a + 2b
4) Para W = : a, b ∈ R
0 a−b
" # " #
0 −2 0 3
a) ∈ W? b) ∈ W?
0 1 2 1
5) Considere o subespaço de R4 gerado pelos vetores v1 = (1, 1, 0, 0), v2 = (0, 0, 1, 1), v3 =
(2, 2, 1, 1) e v4 = (1, 0, 0, 0).
a) O vetor (2, 3, 2, 2) ∈ [v1 , v2 , v3 , v4 ]?
b) Exiba uma base para [v1 , v2 , v3 , v4 ].
c) [v1 , v2 , v3 , v4 ] = R4 ? Porque?
6) Considere o subespaço de R3 gerado pelos vetores v1 = (1, 1, 0), v2 = (1, 1, 1), v3 = (0, 1, 1).
[v1 , v2 , v3 ] = R3 ? Porque?
7) O espaço R2 é um subespaço de R3 ? Porque?
8) Determine
 uma base e a dimensão  do espaço das soluções dos sistemas abaixo.

 2x + 4y − 6z = 0 
 x + 2y − 4z + 3r − s = 0
a) x − y + 4z = 0 b) x + 2y − 2z + 2r + s = 0

 

6y − 14z = 0 2x + 4y − 2z + 3r + 4s = 0
Respostas:
1) a) sim b) sim c) não d) não
2) a) {(1, 1, 0, 0), (0, 0, 2, 1)} b) {(2, 1, 0, 0), (1, 0, 2, 1)}
3) a) sim b) não 4) a) sim b) não
5) a) sim b) {(1, 0, 0, 0), (0, 1, 0, 0), (0, 0, 0, 1)}.
8) a) base: {(5, 7, 3)}; dimensão: 1.
b) base: {(−2, 1, 0, 0, 0), (−1, 0, 1/2, 1, 0), (−3, 0, −1, 0, 1)}; dimensão: 3.

6.6 Exercı́cios de Transformações Lineares

1) Verifique se as seguintes funções são transformações lineares:

a) T : R3 → "M2 (R); #
x x−y
T (x, y, z) =
−z −x + 1
b) T : R3 → R3 ; T (x, y, z) = (x − 2y, 2y − x, z + x)
c) T : R2 → R3 ; T (x, y) = (x − y, x + y, x2 − y 2 )
2) Para as funções acima que forem transformações lineares, encontre a dimensão do núcleo e
da imagem. Verifique se são injetoras e sobrejetoras.
3) Seja T : R3 → R3 ; T (x, y, z) = (2x, 3y − x, 3z − x).
a) Determine os polinômios caracterı́stico e minimal para T .
6 APÊNDICE 42

b) Caso T seja diagonalizável, encontre uma base B de autovetores para T e determine a matriz
de T nesta base.
c) Verifique se T é um isomorfismo. Caso seja, encontre T −1 e a matriz de T −1 na base B,
encontrada no ı́tem (b). Realize o produto das matrizes de T e de T −1 .

Bibliografia
1. BOLDRINI, J. L. Álgebra linear. 3a Ed. São Paulo: Harper e Row do Brasil, 1986.

2. LIPSCHUTZ, S. Álgebra linear. 3a Ed. São Paulo: Editora Makron Books, 1994.