Álgebra Linear CEFET-MG Campus IV Araxá prof. S.

Pithan 1
01 - SISTEMAS LINEARES

Muitos problemas na engenharia recaem na solução de sistemas lineares. A solução destes

sistemas pode ser muito simplificada com a utilização de álgebra matricial.
Um sistema linear é formado por um conjunto de equações lineares representado por:

a11 x1 + a12 x2 + L + a1n xn = b1

a x + a x + L + a x = b
 21 1 22 2 2n n 2
 aij e bi constantes reais
 M M M
am1 x1 + am 2 x2 + L + amn xn = bm
(Sistema Linear - 1)
Resolvendo os exemplos pelo método da eliminação de incógnitas (escalonamento).
Exemplo 1.1:
 x + 2 y − 3z = 4
 (−1) × 1ª L + 2 ª L → 2 ª L
 x + 3 y + z = 11 ⇒
2 x + 5 y − 4 z = 13 ( − 2 ) × 1ª L + 3 ª L → 3 ª L

 x + 2 y − 3z = 4

0 x + y + 4 z = 7 (−1) × 2 ª L + 3ª L → 3ª L
0 x + y + 2 z = 5

 x + 2 y + −3 z = 4 z = 1
 
0 x + y + 4 z = 7 ⇒  y = 3
0 x + 0 y − 2 z = −2  x = 1
 
O sistema é consistente e tem solução única.

Exemplo 1.2:
 x + 2 y − 3z = 4
 (−1) × 1ª L + 2 ª L → 2 ª L
 x + 3 y + z = 11 ⇒
5 x + 10 y − 15 z = 20 (−5) × 1ª L + 3ª L → 3ª L

 x + 2 y − 3z = 4  y = −4 z + 7
 
0 x + y + 4 z = 7 ⇒  x = 11z − 10
0 x + 0 y + 0 z = 0  z = z
 
O sistema é consistente e tem infinitas soluções
bastando atribuir um valor para z.

Exemplo 1.3:
 x + 2 y − 3z = 4  x + 2 y − 3z = 4
 (−1) × 1ª L + 2ª L → 2ª L 
 x + 3 y + z = 11 ⇒ 0 x + y + 4 z = 7
5 x + 10 y − 15 z = 15 (−5) × 1ª L + 3ª L → 3ª L 0 x + 0 y + 0 z = −5
 
O sistema é inconsistente, ou seja, não tem solução.

Exemplo 1.4: Na síntese de três produtos (X, Y, Z), são consumidos dois insumos (A, B), para cada
X são utilizados 1A e 2B, para cada Y são utilizados 1A e 1B, para cada Z são utilizados 1A e 4B.
O preço em reais de venda de cada produto X, Y e Z é respectivamente R$2, 00, R$3,00 e R$5,00.
2 Álgebra Linear
Sabendo que foram gastos 1000 unidades de A e 2000 unidades de B e a venda de toda produção de
X, Y e Z totalizou R$2500,00. Qual foi a percentagem de venda de cada produto?
 X Y Z
 Totais
 (unidades) (unidades) (unidades)
 A 1x 1y 1z 1000
 B 2x 1y 4z 2000

Pr eço 2x 3y 5z 2500
 x + y + z = 1000
 (−2 × 1ª L + 2 ª L → 2ª L
2 x + y + 4 z = 2000
2 x + 3 y + 5 z = 2500 (2 × 1ª L − 3ª L → 3ª L

 x + y + z = 1000

0 + y − 2 z = 0 (−1) × 2 ª L + 3ª L → 3ª L
0 + y + 3 z = 500

 x + y + z = 1000  z = 100 = 10%
 
0 + y − 2 z = 0 ⇒  y = 200 = 20%
0 + 0 + 5 z = 500  x = 700 = 70%
 

MATRIZES

A representação matricial simplifica a escrita dos sistemas, já que no método da eliminação,

somente os coeficientes são manipulados através de combinações lineares.
Recordando as propriedades e operações com matrizes.

(1)Representações de uma matriz A

a a a13   a11 a12 a13  a11 a12 a13
A =  11 12 = =
a21 a22 a23   a21 a22 a23  a21 a22 a23

(2) Igualdade de matrizes : se A = B

A B
 a11 = b11
a = b
 a11 a12  b11 b12  
a =  ⇔ aij = bij ⇔  12 12
 21 a22  b21 b22   a21 = b21
a22 = b22

(3) Matriz Quadrada de ordem n : N º de linhas = N º de colunas = n

 a11 a12 L a1n 
a  Diagonal Pr incipal : a ⇔ i = j
 21 a22 L a2 n   ij

 M M M M  Diagonal Secundária : ai j ⇔ i + j = n + 1
 
an1 an 2 L ann 
(4) Matriz Identidade I :
1 0 0
i = j ⇔ ai j = 1
 Para n = 3 ⇒ I 3 = 0 1 0
i ≠ j ⇔ ai j = 0
0 0 1
 3
(5) Matriz Transposta troca - se às linhas pelas colunas :
a a  a a21 
e A =  11 12  então AT =  11
a21 a22  a12 a22 

(6) Adição de matrizes :

a a  b b   a + b a12 + b12 
A + B =  11 12  +  11 12  =  11 11 
a21 a22  b21 b22  a21 + b21 a22 + b22 

(7) Multiplicação de uma matriz por escalar :

a a  3.a 3.a12 
3 A = 3 11 12  =  11 
a21 a22  3.a21 3.a22 

(8) Multiplicação de matrizes só é possível se o Nº. de colunas da 1ª matriz

for igual ao Nº. de linhas da segunda matriz.
a a  b b   a .b + a .b a11.b12 + a12 .b22 
AB =  11 12 . 11 12  =  11 11 12 21 
a21 a22  b21 b22  a21.b11 + a22 .b21 a21.b12 + a22 .b22 
Geralmente AB ≠ BA

Reescrevendo o sistema linear-1 como produto de matrizes ou equação matricial:

A × X = B
 a11 a12 L a1n   x1   b1 
a     
 21 a22 L a2 n  ×  x2  =  b2 
 M M  M M
     
am1 am 2 L amn   x4  bm 

A é a matriz dos coeficientes, B é a matriz ou vetor de saída e X é o vetor de entrada.

Justapondo A e B temos a matriz aumentada, fundamental para a resolução do sistema.

Numa aplicação prática a matriz A descreve matematicamente o processo, ou seja, a matriz é o

modelo matemático que representa o modelo físico.

 a11 a12 L a1n b1 

a b2 
Matriz aumentada =  21 a22 L a2 n
 M M M
 
am1 am 2 L amn bm 
 s1 
s 
Uma solução do sistema é o vetor S =  2  onde X = S
M
 
 sm 

O conjunto solução ou solução geral é o conjunto de todas as matrizes S que satisfazem à

igualdade anterior
Método de Gauss-Jordan aplicado a matriz aumentada consiste no escalonamento
(eliminação) utilizado nos sistemas lineares mais a obtenção de uns na diagonal principal e zeros
também acima da diagonal principal.
4 Álgebra Linear
Exemplo 1.5: Retomando o sistema linear do Exemplo 1.1

 x + 2 y − 3z = 4 1 2 − 3  x   4 
      
 x + 3 y + z = 11 ⇔ 1 3 1  ×  y  = 11
2 x + 5 y − 4 z = 13 2 5 − 4  z  13

1 2 − 3 4 
1 3 1 11 (−1).1ª L + 2 ª L → 2ª L ⇒
  (−2).1ª L + 3ª L → 3ª L
2 5 − 4 13
1 2 − 3 4
0 1 4 7  (−2).2 ª L + 1ª L → 1ª L
  (−1).2 ª L + 3ª L → 3ª L
0 1 2 5

1 0 − 11 − 10
0 1 4 7  (−1 / 2).3ª L → 3ª L ⇒

0 0 − 2 − 2 
1 0 − 11 − 10
0 1 4 7  (11).3ª L + 1ª L → 1ª L
  (−4).3ª L + 2 ª L → 2 ª L
0 0 1 1 

1 0 0 1 x = 1
0 1 0 3 ⇒  y = 3
  
0 0 1 1 z = 1


Exemplo 1.6: Retomando o Exemplo 1.2

 x + 2 y − 3z = 4

 x + 3 y + z = 11
5 x + 10 y − 15 z = 20


1 2 − 3 4 
1 3 (−1) × 1ª L + 2 ª L → 2 ª L
 1 11 
(−5) × 1ª L + 3ª L → 3ª L
5 10 − 15 20

1 2 − 3 4
0 1 4 7  (−2).2 ª L + 1ª L → 1ª L
 
0 0 0 0

1 0 − 11 − 10  y = −4 z + 7
0 1 4 
 7  ⇒  x = 11z − 10
0 0 0 0   z = z

Infinitas soluções
 5
Exemplo 1.7: Retomando o Exemplo 3

 x + 2 y − 3z = 4 1 2 − 3 4 
 1 3 1 11  (−1) × 1ª L + 2 ª L → 2 ª L
 x + 3 y + z = 11   (−5) × 1ª L + 3ª L → 3ª L
5 x + 10 y − 15 z = 15 5 10 − 15 15


1 2 − 3 4 
0 1 4 7 

0 0 0 − 5
Não tem solução

Exemplo 1.8: Retomando o Exemplo 4

 X Y Z
 Totais
(unidades) (unidades) (unidades ) 1 1 1 1000 
 (−2).1ª L + 2 ª L → 2 ª L
 A 1x 1y 1z 1000 ⇔ 2 1 4 2000
  (2).1ª L − 3ª L → 3ª L
 B 2x 1y 4z 2000 2 3 5 2500

Pr eço 2x 3y 5z 2500

1 1 1 1000
0 1 − 2 0  (−1).2 ª L + 1ª L → 1ª L
  (−1).2 ª L + 3ª L → 3ª L
0 1 3 500 
1 0 3 1000
0 1 − 2 0  (1 / 5).3ª L → 3ª L

0 0 5 500 
1 0 3 1000
0 1 − 2 (−3).3ª L + 1ª L → 1ª L
 0 
(2).3ª L + 2 ª L → 2 ª L
0 0 1 100 

1 0 0 700  x = 700 = 70%

0 1 0 200 ⇒  y = 200 = 20%
  
0 0 1 100   z = 100 = 10%

Sistemas Homogêneos
Sistemas onde os termos independentes (vetor de saída B) são iguais a zero.

a11 x1 + a12 x2 + L + a1n xn = 0

a x + a x + L + a x = 0
 21 1 22 2 2n n

 M M M
am1 x1 + am 2 x2 + L + amn xn = 0

Exemplo 1.9: Escrevendo na forma matricial AX = 0

6 Álgebra Linear
1 1 1 0
2 1 4 0 escalonando como no exemplo anterior
 
2 3 5 0
1 0 0 0  x = 0
0 1 0 0 ⇒  y = 0
  
0 0 1 0  z = 0

O sistema tem somente a solução trivial e a matriz A é dita não singular.

Exercícios Propostos (1)

2 x − 3 y + 4 z = − 12
x + 2y = 8 
 x − 2y + z = − 5
 3 x + y + 2 z = 1
1.1) 
3x − 4y = 4 (1.2) 

3 x + 2 y + z = 2

4 x + 2 y + 2 z = 8 x + y = 5
x − y + z = 4 
(1.3)  (1.4) 3x + 3 y = 10

2 x + 4 y + 6 z = − 12

2 x − 3 y − 4 z = 15  x + y − 2z = 5
3 x + 4 y + 5 z = − 8 
(1.5)  (1.6) 2 x + 3 y + 4 z = 2

 x + 4 y − z = 12 3x + 4 y − z = 8
 
(1.7) 3x + 8 y − 2 z = 4 (1.8) 6 x + 8 y − 2 z = 3
x + y = 1

 x + y + 3z = 12 2 x − y = 5
 3 x + 4 y = 2
(1.9) 2 x + 2 y + 6 z = 6 (1.10) 

2 x + 3 y = 13  x − 5y = 6
 
 x − 2y = 3 3x + 2 y = 1
3 x + 2 y = 27 5 x + 2 y = 1
(1.11)  (1.12) 
 x + 3y = − 4 2 x + 3 y − z = 6
 
2 x + 5 y = − 8 2 x − y + 2 z = − 8
 x + 3y = − 5 3 x − y + z = − 7
(1.13)  (1.14) 

(1.15) Uma refinaria de petróleo processa dois tipos de petróleo: com alto teor de enxofre. Cada
tonelada de petróleo com baixo teor exige 5 minutos na unidade de mistura e 4 minutos na
refinação; cada tonelada de alto teor exige 4 minutos de mistura e 2 minutos de refinação. Se a
unidade de mistura está disponível durante 3 horas, e a refinaria durante 2horas, quantas toneladas
de cada tipo de óleo deveriam ser processadas para que as duas unidades sejam completamente
utilizadas?

(1.16) Um fabricante de plásticos produz dois tipos de plástico: o normal e o especial. Cada
tonelada de plástico normal exige 2 horas na fábrica A e 5 horas na fábrica B; cada tonelada de
 7
plástico especial exige 2 horas na fábrica A e 3 horas na fábrica B. Se a fábrica A está disponível 8
horas por dia e a fábrica B está disponível 15 horas por dia,quantas toneladas de cada tipo de
plástico deveriam ser produzidas diariamente de maneira que as duas fábricas se mantenham
totalmente ocupadas?

(1.17) Um nutricionista está preparando uma refeição que consiste nos elementos A, B e C. Cada
grama do alimento A contém 2 unidades de proteína, 3 unidades de gordura e 4 unidades de
carboidrato. Cada grama do alimento B contém 3 unidades de proteína, 2 unidades de gordura e 1
unidade de carboidrato. Cada unidade do alimento do alimento C contém 3 unidades de proteína, 3
unidades de gordura e 2 unidades de carboidratos. Se a refeição deve fornecer exatamente 25
unidades de proteína, 24 unidades de gordura e 21 unidades de carboidrato, quantos gramas de cada
tipo de alimento deveriam ser usados?

(1.18) Um fabricante produz reveladores de filmes para 2 minutos, 6 minutos e 9 minutos. Cada
tonelada de revelador de 2 minutos exige 6 minutos na máquina A e 24 minutos na máquina B. Cada
tonelada de revelador de 6 minutos exige 12 minutos na máquina A e 12 minutos na máquina B.
Cada tonelada de revelador de 9 minutos exige 12 minutos na máquina A e 12 minutos na máquina
B. Se a máquina A está disponível 10 horas por dia e a máquina B está disponível 16 horas por dia,
quantas toneladas de cada tipo de revelador podem ser produzidas de maneira que as máquinas
sejam totalmente utilizadas?

(1.19) Dadas às matrizes resolver as operações usando as propriedades matriciais

1 2  3 − 5 4 1 
A=  , B=  , C= .
3 − 2 2 4   3 2
(a) Calcule 2A + BC, se possível.
2
(b) Calcule A − 2 A + 3I 2 se possível.
T T
(c) Calcule A + B C se possível.

(1.20) (a) Se A e B são matrizes n x n, quando é que ( A + B )( A − B ) = A − B ?

2 2

(b) Sejam A, B e C matrizes n x n tais que AC = CA e BC = CB. Verifique que (AB)C =

C(AB).

(1.21) (a) Escreva a matriz aumentada do sistema linear

x1 + 2 x 2 − x3 + x 4 = 7
2 x1 − x 2 + 2 x 4 = − 8

(b) Escreva o sistema linear cuja matriz aumentada é

3 2 − 4
5 1 2 .
 
3 2 6 

(1.22) Dada a matriz A, achar uma matriz C em forma escalonada reduzida por linhas que seja
equivalente por linhas a A.
 1 3 −2 5 
2 1 3 2 

 4 7 − 1 − 8
 
− 3 1 − 8 1  ,
(1.23) Achar todas as soluções dos sistemas lineares
8 Álgebra Linear
x + y - z + w =3
 x + y + z =5 2x - y - z + 2w =4
(a ) 2x + y + z = 2 (b )
 x + y + 2z = 3.  - 3y + z =-2
  - 3x + 3y + z + 3w = - 5.

(1.24) Ache todos os valores de a para os quais o sistema resultante (a) não tem solução, (b) tem
solução única e (c) tem infinitas
soluções. x + y − z = 3

x − y + 3z = 4
x + y + (a² - 10)z = a.


(1.25) Ache uma equação relacionando b1 , b2 , b3 de maneira que o sistema linear com matriz
aumentada tenha solução.
1 1 − 2 b1 
2 − 1 − 1 b 
 2

4 1 − 5 b3 

5 3 1 
0 4 2 
 
0 0 4 λ = 4
(1.26) Dada a matriz A e , ache todas as soluções do sistema homogêneo
(λI 3 − A)X = 0.
(1.27) Para que valores de a o sistema linear é consistente?

x1 + x3 = a 2
2 x1 + x 2 + 3 x3 = − 3a
3 x1 + x 2 + 4 x3 = − 2
 9

02 - INVERSÃO DE MATRIZES

Em muitas aplicações nas ciências, engenharia, indústria ou análise de sistemas,

conhecendo-se a matriz A do processo e variando a saída B é necessário determinar a entrada X, ou
seja, resolver AX = B . Sendo A não singular tem-se: X = A−1 B

Uma matriz quadrada A n x n é inversível ou não singular se e somente se existir a matriz

−1
A n x n tal que:
AA −1 = A −1 A = I n

Caso a matriz não satisfaça a relação anterior, a matriz é singular ou não inversível.

Exemplo 2.1: Determinar a inversa da matriz A usando à definição de matriz inversa

1 2  a b  1 0  a − 2c b + 2d  1 0
AA−1 = I 2 ⇒     =  ⇒ = ⇒
− 2 − 1  c d  0 1 − 2a − c − 2b − d  0 1
a − 2c = 1 b + 2d = 0 c = 2 / 3 b = −2 / 3 − 1 / 3 − 2 / 3
  A−1 = 
− 2a − c = 0 − 2b − d = 1  a = −1 / 3 d = 1 / 3  2/3 1 / 3 

A determinação da inversa pela definição é mais complexa do que pelo método prático
ilustrado no exemplo abaixo.

Exemplo 2.2: Justapor as matrizes A e identidade. Obtendo a forma escalonada reduzida da matriz
A, a matriz resultante da identidade é a inversa de A (quando existir).
1 1 1  1 1 1 1 0 0
(2).1ª L − 2 ª L → 2ª L
A = 2 1 4 ⇔ 2 1 4 0 1 0
 
(−2).1ª L + 3ª L → 3ª L
2 3 5 2 3 5 0 0 1
1 1 1 1 0 0
0 1 − 2 2 − 1 0 (−1).2ª L + 1ª L → 1ª L
  (−1).2ª L + 3ª L → 3ª L
0 1 3 − 2 0 1
1 0 3 − 1 1 0
0 1 − 2 2 − 1 0 (1 / 5).3ª L → 3ª L
 
0 0 5 − 4 1 1
1 0 3 −1 1 0 
0 1 − 2 2 − 1 0  (−3).3ª L + 1ª L → 1ª L
  (2).3ª L + 2 ª L → 2 ª L
0 0 1 − 4 / 5 1 / 5 1 / 5

1 0 0 7 / 5 2 / 5 − 3 / 5
0 1 0 2 / 5 − 3 / 5 2 / 5 
 
0 0 1 − 4 / 5 1 / 5 1 / 5 
 7/5 2 / 5 − 3 / 5
∴ A =  2 / 5 − 3 / 5 2 / 5 
−1 
− 4 / 5 1 / 5 1 / 5 

Exemplo 2.3: Resolvendo o Exemplo 1.8 da aula anterior com o uso da matriz inversa:
10 Álgebra Linear

AX = B A−1 AX = A−1B ⇔ I n X = A−1B ⇔ X = A−1B

 7/5 2 / 5 − 3 / 5 1000  700
X =  2 / 5 − 3 / 5 2 / 5  2000 = 200

 − 4 / 5 1 / 5 1 / 5  2500 100 
Variando a saída B a entrada fica determinada simplesmente multiplicando matrizes

Exemplo 2.4: (Cadeia de Markov) Supondo uma população dividida nas classes C1, C2 e C3. A
cada geração a probabilidade de mudança j → i entre as classes sociais é aij , dada pela matriz A de
transição e o vetor X 0 de estado inicial (1ª geração). Após k gerações; pode-se calcular a
distribuição da população, multiplicando a distribuição inicial por A K (no capitulo sobre
diagonalização a determinação da potência será feita de um modo mais simples).

C1 C2 C3
1 / 2 1 / 4 0  C1 1 / 2 C1
A = 1 / 2 1 / 2 1 / 2 C2 X 0 = 1 / 4 C2 após k gerações Ak X 0 = X k
 0 1 / 4 1 / 2 C3 1 / 4 C3

1 / 2 1 / 4 0  1 / 2 5 / 16
após uma geração ⇒ AX 0 = X 1 ⇒ 1 / 2 1 / 2 1 / 2 1 / 4 =  1 / 2 
 0 1 / 4 1 / 2 1 / 4 3 / 16

Determinar a distribuição inicial X 0 para a qual não há mudança na distribuição ao longo do tempo
(gerações).
 1 1
− 2 a + 4 b = 0 ⇒a=c
1 / 2 1 / 4 0  a  a  
1 1 1
AX 0 = X 0 ⇒ 1 / 2 1 / 2 1 / 2 b  = b  ⇒  a − b + c = 0
2 2 2
 0 1 / 4 1 / 2  c   c  
1 1
 4 b − 2 c = 0 ⇒ b = 2c

1 / 4
lembrando que a + b + c = 1
 X 0 = 1 / 2
fazendo c = 1 / 4 ⇒ b = 1 / 2 e a = 1 / 4 1 / 4
1 / 2 1 / 4 0  1 / 4 1 / 4
verificação : 1 / 2 1 / 2 1 / 2 1 / 2 = 1 / 2
 0 1 / 4 1 / 2 1 / 4 1 / 4

Exemplo 2.5: Cadeia de Markov, uma empresa utiliza três processos, com custos diferentes de
produção em função da demanda variável. Sendo V a matriz de transição anual e o vetor X 0 da
distribuição inicial da produção. Determinar:
(a) a distribuição após um ano.
(b) a distribuição após dois anos.
(c) a distribuição que se mantém estável (invariante) ao longo dos anos.
 11

P1 P2 P3
1 / 2 1 / 3 1 / 4 P1 1 / 3
V = 1 / 2 1 / 3 1 / 4 P2 X 0 = 1 / 3
 0 1 / 3 1 / 2 P3 1 / 3

1 / 2 1 / 3 1 / 4 1 / 3 13 / 36
(a )VX 0 = X 1 ⇒ 1 / 2 1 / 3 1 / 4 1 / 3 = 13 / 36
 0 1 / 3 1 / 2 1 / 3  5 / 18 

1 / 2 1 / 3 1 / 4 13 / 36 10 / 27 

(b )X 2 = V X 0 = VX 1 = 1 / 2 1 / 3 1 / 4 13 / 36 = 10 / 27
2

 0 1 / 3 1 / 2  5 / 18   7 / 27 

 1 1 1
 − a+ b+ c=0
2 3 4

a  1 / 2 1 / 3 1 / 4 a  a   1 a − 2 b + 1 c = 0 ⇒ 2º
3
a= c
        2 3 4 2
(c )X E = b  e a + b + c = 1 ⇒ 1 / 2 1 / 3 1 / 4 b  = b  ⇒ 
 1 1 1º 3
 c   0 1 / 3 1 / 2  c   c  b − c = 0⇒b = c
 3 2 2
 3º
a + b + c = 1⇒ 4c = 1
c = 1/ 4 a = b = 3 / 8
1 / 2 1 / 3 1 / 4 3 / 8 3 / 8
verificação : V . X E = 1 / 2 1 / 3 1 / 4 3 / 8 = 3 / 8
 0 1 / 3 1 / 2 1 / 4  1 / 4 

Propriedades das Matrizes

Seja 0 a matriz nula e k e s escalares. Desde que as operações estejam definidas:

1) A + B = B + A 2) A + ( B + C ) = ( A + B ) + C
3) A + 0 = 0 + A = A 4)k ( A + B) = kA + kB
5)k ( sA) = (ks) A 6)(k + s) A = kA + sA
7) A( BC ) = ( AB)C 8)( A + B)C = AC + BC
9) A( B + C ) = AB + AC 10) AI = A
11) IA = A 12)( A + B)t = At + B t
13)(kA)t = kAt 14)( AB)t = B t At
−1
15) AA−1 = A−1 A = I n 16)( AB ) = B −1 A−1

Exercícios Propostos (2)

Nos Exercícios de 2.1 a 2.4, use o método do exemplo 1 (definição de matriz inversa).

2 1
(2.1) Mostre que é não singular


2 3
(2.2) Mostre que é singular
 2 1
12 Álgebra Linear


4 2
1 1
(2.3) A matriz é singular ou não singular? Se for singular ache sua inversa


1 4

(2.4) A matriz é singular ou não singular?

Nos exercícios de 2.5 a 2.10, ache, sempre que possível, as inversas das matrizes dadas:
(2.5)
(a)
1 1 1 1 
1 2 3 1 2 − 1 2
 1 3    
− 2 6 (b) 1 1 2 (c) 1 − 1 2 1 .
  0 1 2  
1 3 3 2
(2.6)
1 1 2 1 
1 2 3 0 − 2 0 0 
1 3    
(a)   (b) 0 2 3 (c) 1 2 1 − 1.
 2 6  1 2 4  
(2.7) 0 3 2 1 
1 1 1 1 
1 3 1 2 1 2 1 
1 3     
(a)   (b) 1 2 − 1 1  (c) 1 3 2.
 2 4 
  1 0 1 
5 9 1 6
(2.8)
1 1 1 1 2 2 1 2 3
(a ) 1 2 3 (b) 1 3 1 (c) 1 1 2.
   
0 1 1 1 3 2 0 1 1 
(2.9)
1 2 −3 1 
− 1  3 1 2 1 2 3
3 − 3 − 2
(a)  (b)  2 1 2 (c) 1 1 2.
 
2 0 1 5
  1 2 2 1 1 0
3 1 −2 5 
(2.10)
1 − 1 2 3 
 2 1 3 4 1 2 0   2 1 − 2
 
(a ) 0 1 2 (b)   (c ) 3 4 6 
2 − 1 3 1 
1 0 3   7 6 2 
 4 2 1 − 5 .
(2.11) Para a matriz A e distribuição inicial segundo a cadeia de Markov.
a) Ache a distribuição do mercado após 1 ano.
b) Ache a distribuição estável do mercado.
1 2 2
3 5  
A=  X0 = 3
2 3 1
   
3 5 3
 13
(2.12) Considerando 2 companhias de comidas prontas, M e N. Cada ano a companhia M conserva
1/3 de clientes, enquanto 2/3 se transferem para N. Cada ano, N conserva ½ de seus clientes,
enquanto ½ se transfere para M, Suponha que a distribuição inicial do mercado é dada por:
1 / 3 
X0 =  
2 / 3 .
(a) Achar a distribuição de mercado após 1 ano.
(b) achar a distribuição uniforme do mercado.

(2.13) Um fabricante de moveis manufatura cadeiras, mesinhas e mesas. Cada cadeira exige 10
minutos de lixa-mento, 6 minutos de pintura e 12 minutos de enverniza-mento. Cada mesinha exige
12 minutos de lixa-mento, 8 minutos de pintura e 12 minutos de enverniza-mento. Cada mesa exige
15 minutos de lixa-mento, 12 minutos de pintura e 18 minutos de enverniza-mento. A máquina de
lixa-mento está disponível 16 horas por semana, a de pintura 11 horas por semana e a de enverniza-
mento 18 horas por semana.
(a) Quantas peças (por semana) de cada tipo de mobília devem ser fabricadas de maneira que as três
máquinas sejam plenamente utilizadas?
(b) Se as disponibilidades em horas semanais das máquinas passarem a ser: lixa-mento 20h, pintura
13h e enverniza-mento 22h?
(c) Se as disponibilidades em horas semanais das máquinas passarem a ser: lixa-mento 22h, pintura
13h20min e enverniza-mento 20h?
(2.14) Um editor publica um best-seller em três encadernações diferentes: brochura, padrão e de
luxo. Cada brochura exige 1 minuto para costura e 2 minutos para colagem. Cada encadernação
padrão exige 2 minutos para costura e 4 minutos para colagem. Cada encadernação de luxo exige 3
minutos para costura e 5 minutos para colagem.
(a) Se a máquina de costura (Mc) está disponível 6 horas por dia e a maquina de colagem (Mco)
estiver disponível 11 horas por dia, quantos livros de cada tipo deveriam ser produzidos por dia para
que as máquinas sejam totalmente utilizadas?
(b) Mudando as disponibilidades é possível utilizar a matriz inversa para resolver o problema?

(2.11) Para a matriz A e distribuição inicial X 0 segundo a cadeia de Markov.

a) Ache a distribuição do mercado após 1 ano.
b) Ache a distribuição estável do mercado.

(2.12) Considerando 2 companhias de comidas prontas, M e N. Cada ano a companhia M conserva

1/3 de clientes, enquanto 2/3 se transferem para N. Cada ano, N conserva ½ de seus clientes,
enquanto ½ se transfere para M, Suponha que a distribuição inicial do mercado é dada por
1 / 3 
X0 =  
2 / 3 .
( a) Achar a distribuição de mercado após 1 ano.
(b) achar a distribuição uniforme do mercado.

(2.13) Um fabricante de moveis manufatura cadeiras(C), mesinhas (Mi) e mesas (M). Cada cadeira
exige 10 minutos de lixa-mento (L), 6 minutos de pintura (P) e 12 minutos de enverniza-mento (E).
Cada mesinha exige 12 minutos de lixa-mento, 8 minutos de pintura e 12 minutos de enverniza-
mento. Cada mesa exige 15 minutos de lixa-mento, 12 minutos de pintura e 18 minutos de
enverniza-mento A máquina de lixa-mento está disponível 16 horas por semana, a de pintura 11
horas por semana e a de enverniza-mento 18 horas por semana.
(a) Quantas peças (por semana) de cada tipo de mobília devem ser fabricadas de maneira que as três
máquinas sejam plenamente utilizadas?
(b) Se as disponibilidades em horas semanais das máquinas passarem a ser: lixa-mento 18h, pintura
13h e enverniza-mento 20h?
(c) Se as disponibilidades em horas semanais das máquinas passarem a ser: lixa-mento 20h, pintura
13h20min e enverniza-mento 22h?
14 Álgebra Linear

(2.14) Um editor publica um best-seller em três encadernações diferentes: brochura (B), padrão (P)
e de luxo (L). Cada brochura exige 1 minuto para costura e 2 minutos para colagem. Cada
encadernação padrão exige 2 minutos para costura e 4 minutos para colagem. Cada encadernação de
luxo exige 3 minutos para costura e 5 minutos para colagem
(a) Se a máquina de costura (Mc) está disponível 6 horas por dia e a maquina de colagem (Mco)
está disponível 11 horas por dia, quantos livros de cada tipo deveriam ser produzidos por dia para
que as máquinas sejam totalmente utilizadas?
 15

03 - DETERMINANTES
Determinante de uma matriz quadrada A de ordem 2 e de ordem 3 é um número indicado
por A ou det A e calculado como a seguir:

-
a a12
det A2 x 2 = 11 = a11 .a 22 − a 21 .a12
a 21 a 22

Exemplo 3.1: Achar o determinante de ordem 2.

-
1 2
= 1.(−8) − [(−3).2] = −8 + 6 = −2
−3 −8

- - -
Determinante de ordem 3.
a11 a12 a13 a12 a12
a11a22 a33 + a12a23a31 + a13a21a32 
det A3 x 3 = a21 a22 a23 a21 a22 = 
− a31a22 a13 − a32 a23a12 − a33a21a12 
a31 a32 a33 a31 a32

Exemplo 3.2: Achar o determinante de ordem 3.

- - -

1 2 3 1 2
− 2 1 0 − 2 1 = 1.1.1 + 2.0.3 + 3.(−2).2 − 3.1.3 − 1.0.2 − 2.(−2).1
3 2 1 3 2
= 1 − 12 − 9 + 4 = −16

Menor complementar : M i j
Escolhendo um elemento da matriz. Elimina-se a linha e coluna deste elemento e a matriz resultante
é chamada menor complementar do elemento escolhido.

 a11 a12 a13 a14 

a  a11 a12 a14 
a22 a23 a24 
A =  21 ⇒ M 23 =  a31 a32 a34  = Menor complementar de a23
 a31 a32 a33 a34 
  a41 a42 a44 
a41 a42 a43 a44 

Exemplo 3.3: Dada a matriz A, Achar o menor complementar dos elementos (2,3) e (4,4).

1 0 0 1
1 2 − 1 1 0 1  1 0 0 
2
A= M 23 = 1 − 1 1  M 44 = 1 2 − 1
1 − 1 2 1
  1 3 2 1 − 1 2 
1 3 3 2

Cofator : Aij = cof (ai j )

Complemento Algébrico ou cofator de um elemento da matriz é o determinante do menor
complementar levando em consideração o sinal:
cof ( ai j ) = ( −1)i + j . det M ij
16 Álgebra Linear

Exemplo 3.4: Retomando a matriz A do exemplo 3.3. Achar o cofator de a23 .

1 0 1 1 0
2+3 5
A23 = (−1) . M 23 = (−1) .1 − 1 1 1 − 1 = −1(−2 + 3 + 1 − 3) = 1
1 3 2 1 3

Teorema de Laplace: O determinante de uma matriz quadrada de ordem 4 ou superior é igual à

soma dos produtos dos elementos de uma fila qualquer, pelos respectivos cofatores.

a11 a12 a13 a14

a21 a22 a23 a24
det A = (Escolhendo a 1ª linha )
a31 a32 a33 a34
a41 a42 a43 a44

a 22 a 23 a 24 a 21 a 23 a 24
1+1 1+ 2
a11 .(−1) . a32 a 33 a 34 + a12 .(−1) . a31 a 33 a 34 +
a 42 a 43 a 44 a 41 a 43 a 44

a 21 a 22 a 24 a 21 a 22 a 23
1+ 3 1+ 4
a13 .(−1) . a 31 a32 a 32 + a14 .(−1) . a31 a 32 a33
a 41 a 42 a 44 a 41 a 42 a 43

Exemplo 3.5: retomando a matriz do exemplo 3.3: Desenvolvendo pela 1ª linha por ter maior nº de
zeros.

1 0 0 1
2 −1 2 1 2 −1
1 2 −1 2 1+1 1+ 4
det A = ⇒ 1.(−1) . − 1 2 1 + 0 + 0 + 1.(−1) .1 − 1 2 = −21 + 15 = −6
1 −1 2 1
3 3 2 1 3 3
1 3 3 2

Matriz dos cofatores de A (co A) é obtida substituindo os elementos de A pelos respectivos

cofatores.

Exemplo 3.6: Achar a matriz dos cofatores de A.

1 0 0
2 −1 1 −1 1 2
A = 1 2 − 1
 A11 = = 3 A12 = − = −3 A13 = = −3
−1 2 1 2 1 −1
1 − 1 2 

0 0 1 0 1 0
A21 = − =0 A22 = =2 A23 = − =1
−1 2 1 2 1 −1
0 0 1 0 1 0
A31 = =0 A32 = − = 1 A33 = =2
2 −1 1 −1 1 2
 17

3 − 3 − 3
co A = 0 2 1 
0 1 2 

Matriz Adjunta de A é obtida pela transposição da matriz dos cofatores de A.

adj A = (co A)T

Exemplo 3.7: Do exemplo anterior:

 3 0 0
adj A =  − 3 2 1 
 − 3 1 2 

Determinação da matriz inversa utilizando o determinante.

1
A−1 = .adj A
det A

Exemplo 3.8: do exemplo anterior:

1 0 0  3 0 0  1 0 0 
1
det A = 1 2 − 1 = 3 A = − 3 2 1 = − 1 2 / 3 1 / 3 
−1  
3
1 −1 2 − 3 1 2 − 1 1 / 3 2 / 3

Regra de Cramer: Quando o sistema tem o mesmo número de equações e de incógnitas e a matriz
A dos coeficientes for não singular ( det A ≠ 0 ) o sistema tem solução única. Substituindo a j-ésima
coluna de A pela coluna dos termos independentes obtém-se o determinante Dj e a incógnita x j é
Dj
fica determinada: x j =
det A
Exemplo 3.9: Resolver o sistema linear utilizando a regra de Cramer.

2 x − 3 y + 4 z = − 12 2 − 3 4

 x − 2y + z = − 5 ⇒ A = 1 − 2 1 
3 x + y + 2z = 1 3 1 2


 2 −3 4

det A = 1 − 2 1 = 15

 3 1 2
− 12 − 3 4 2 − 12 4 2 − 3 − 12
D1 = − 5 − 2 1 = 15 D2 = 1 − 5 1 = 30 D3 = 1 − 2 − 5 = −30
1 1 2 3 1 2 3 1 1

D1 15 D2 30 D3 − 30
x= = =1 y= = =2 z= = = −2
det A 15 det A 15 det A 15
18 Álgebra Linear

Propriedades dos Determinantes

(1) det A = det AT
(2) se B resulta da troca da posição de duas linhas (colunas) de A então det B = − det A
(3) se duas linhas (colunas) forem iguais det A = 0
(4) se B é obtida de A multiplicando uma linha (coluna de A por k então det B = k det A k ∈ R
(5) se B é obtida de A e possui uma linha (coluna) que é combinação linear de outras duas linhas
então det B = det A
(6) det( AB ) = det A det B
(7) se A é não singular então det A ≠ 0 e det A−1 = 1 / det A

Exercícios Propostos (3)

1 0 − 2
(3.1) Seja A = 3 1 4  Calcule todos seus cofatores.
5 2 − 3

1 0 3 0
2 1 4 − 1
(3.2) Seja A =  .
3 2 4 0
 
0 3 −1 0 

Calcule todos os cofatores dos elementos da segunda linha e todos os cofatores dos elementos
da terceira coluna.

Nos exercícios de (3.3) a (3.6), calcule os determinantes usando o Teorema de Lapalace.

4 − 4 2 1
 1 2 3 1 2  4 −2 0 
0 3
(3.3) (a) − 1 5 2. (b)  . (c )  0 2 4 .
2 0 3 4
 3 2 0   − 1 − 1 − 3
0 − 3 2 1

2 2 − 3 1 
0 1  0 1 − 2  2 1 − 3
2 − 1 
(3.4) (a)  . (b) − 1 3
 1 . (c)  0 1 2 .

3 − 1 4 1
   2 − 2 3   − 4 2 1 
2 3 0 0

3 1 2 − 1
2 0 3 1 0  3 − 3 0 
3 − 7 
(3.5) (a)  
. (b) 3 2 1 . (c) 2 0
 2 .
1 3 4 − 5
  0 1 − 1 2 1 − 3
0 − 1 1 − 5

0 0 − 1 3
0 1  4 2 0 − 1 2 − 1
2 1 
(3.6)   
. (b)  1 1 2. (c)  3 2 1 .
2 − 2 5 2
   − 1 3 4  1 4 2 
3 3 0 0
 19

− 2 3 0 
(3.7) Verifique que a11 A12 + a21 A22 + a31 A32 = 0 para a matriz A =  4 1 − 3
 2 0 1 
2 1 3
(3.8) Seja A = − 1 2 0. (a) Ache adj A. (b) Calcule det A .
 3 − 2 1 

(c) Verificar que (adjA). A = det A.I 3

6 2 8
(3.9) Seja A = − 3 4 1. (a) Ache adj A. (b) Calcule A .
 4 − 4 5
(c) Verificar que (adjA).A = det A.I 3
Nos exercícios de 10 a 13, calcule, caso existam, as inversas das matrizes dadas, sabendo que
1
A−1 = .adj A .
det A

 4 2 2  2 0 − 1
 3 2
(3.10) (a)  . (b) 0 1 2. (c) 3 7 2 .
 
 − 3 4 1 0 3 1 1 0 

1 2 − 3 4 0 2 
   2 3
(3.11) (a) − 4 − 5 2 . (b)  . (c) 0 3 4 .
 − 1 1 − 7  − 1 2 0 1 − 2

2 0 1  1 2 4
  5 − 1  
(3.12) (a) 3 2 − 1. (b)  . (c) 1 − 5 6.
 2 − 1
1 0 1  3 − 1 2

0 2 1 3
4 0 0 
− 3 1 2 −1 3 4
(3.13) (a)  . (b) 0 − 3 0. (c)  .
 2 0 − 2 1 5 2
0 0 2  
0 1 0 2

(3.14) Determinar quais das seguintes matrizes são não-singulares. (det A ≠ 0 ) .

1 2 0 5
1 2 3 1 3 2  3 4 1 7
  1 2  
(a) 0 1 2. (b)  . (c) 2 1 4. (d )  .
3 4 − 2 5 2 0 
2 − 3 1 1 − 7 2  
 0 1 2 − 7

(3.15) Determinar quais das seguintes matrizes são não-singulares (det A ≠ 0 ) .

20 Álgebra Linear

1 3 − 1 2 
4 3 − 5 2 − 6 4 1  2 2 − 4  0 1 2
 
(a) − 2 − 1 3 . (b)  . (c) 1 5 2 . (d ) 1 2 0.
 
3 5 − 1 3    
 4 6 − 2   3 7 − 2 1 3 4
4 − 6 5 2

(3.16) Ache todos os valores de λ para os quais

1 0 − 1
λ −2 2
(a ) = 0. (b) λI 3 − A = 0, onde A = 2 0 1 .
3 λ −3
0 0 − 1

(3.17) Ache todos os valores de λ para os quais

 − 3 − 1 − 3
λ −1 − 4
(a ) = 0. (b) λI 3 − A = 0, onde A =  0 3 0 .
0 λ −4
− 2 − 1 − 2

(3.18) Verificar se os seguintes sistemas homogêneos têm soluções não-triviais (det A = 0 ) .

(a) x – 2y + z = 0 (b) x + 2y + w = 0
2x + 3y + z = 0 x + 2y + 3z = 0
3x + y + 2z = 0. z + 2w = 0
y + 2z – w = 0.
(3.19) Repita o exercício 18 para os seguintes sistemas homogêneos.
(a) x + y – z = 0 (b) x + y – z + w = 0
2x + y + 2z =0 2x + y + 2z – w = 0
3x – y + z = 0. 3x + y + 2z + 3w = 0
2x – y – z + w = 0

Nos exercícios de (3.20) a (3.23), resolva quando possível, usando a regra de Cramer, o sistema
linear dado.
 x + y + z 2w = - 4
2x + 4y + 6z = 2 2y + z + 3w = 4

(3.20)  x + 2z = 0 (3.21) 
2x + 3y z = - 5. 2x + y z + 2w = 5
  x y + w = 4.
2x + y + z = 6  2x + 3y + 7z = 2
(3.22) 3x + 2y 2z = - 2 (3.23)  - 2x 4z = 0
 x + y + 2z = 4.  x + 2y + 4z = 0.
 

a1 a2 a3
(3.24) Se b1 b2 b3 = 5, achar os determinantes das seguintes matrizes:
c1 c2 c3

1 / 2a1 1 / 2a2 1 / 2a3  a1 − b1 a2 − b2 a3 − b3 

(a) B =  b1 b2 b3  (b) C =  3b1 3b2 3b3 .
 c1 c2 c3   2c1 2c2 2c3 

(3.25) Seja A 4 x 4 e suponha que det A = 5 . Calcule

 21

(a )det A−1 (b) det 2 A (c) det 2 A−1 ( d ) det( 2 A) −1

(3.26) Seja det A = 3 e det B = 4, Calcule

(a ) AB . (b) ABAT . (c) B −1 AB .

(3.27) Achar todos os valores de λ para os quais

λ + 2 −1 3
2 λ −1 2 =0
0 0 λ+4
3 2 −1 1
2 −1 3
4 1 1 0
(3.28) Calcular a) 4 1 5 b)
−1 2 3 4
−2 −3 −2
−2 3 5 1

 2 − 1 3
(3.29) Calcular os cofatores de A=  1 4 5.
− 3 − 1 6

(3.30) Calcular por meio do desenvolvimento por cofatores.

3 2 −1 0
−1 0 3 2
detA=
4 1 5 −2
1 3 2 −3

 3 − 1 2
(3.31) Seja A = 0 4 5 (a) Achar adj A. (b) Calcular A .
1 3 2
(c) Verificar que (adjA). A = det A.I 3

 2 − 1 3
(3.32) Calcular a inversa, se existir, da seguinte matriz. A=  0 1 2.
− 1 1 2
(3.33) Achar todos os valores de λ para os quais é singular.
λ − 3 0 3 
 0 λ+2 0 

 − 5 0 λ + 5

λ 0 1 

(3.34) Se A =  1 λ − 1 0 .
 0 0 λ + 1
Achar todos os valores de λ para os quais o sistema homogêneo AX = 0 tem somente a solução
trivial.

(3.35) Se possível, resolva o seguinte sistema linear por meio da regra de Cramer.
22 Álgebra Linear
3x + 2y – z = -1
x–y–z=0
2x + y – 2z = 3.
1 1 2 −1
0 1 0 3
(3.36) Calcular .
−1 2 −3 4
0 5 0 −2
2 1 0 0 a 1
(3.37) Para que valor de a tem-se: 0 − 1 3 + 1 3a 0 = 14 ?
0 0 a −2 a 2
(3.38) Achar todos os valores de a para os quais a matriz é singular.
a 2 0 3
 
 5 a 2
 3 0 1
 

(3.39) Resolva o seguinte sistema linear pela regra de Cramer.

x − y + z = −1
2x + y − 3z = 8 .
x − 2 y + 3z = − 5

(3.40) Responda certo ou errado.

(a) AAT = A2 .
(b) − A = − A .
(c) AT = A−1 , então A = 1.
(d ) A = 0, então A = 0.
(e) A = 7, então AX = 0 tem somente a solução trivial.
(f) O sinal do termo a15 a23a31a42 a54 no desenvolvimento do determinante de uma matriz 5 x 5 é
+.
(g) Se A = 0 , então adj A = 0.
(h) Se B = PAP −1 e P é não-singular, então B = A .
(i) Se A4 = I n , então A = 1.
(j) Se A2 = A, e A ≠ I n , então A = 0.

(3.41) Achar o determinante fazendo a matriz ficar triangular superior.

1 3 9 7
2 3 2 5
A= 
0 3 4 1 
 
4 6 9 1 

(3.42) Achar, se existir, o determinante da matriz :

(3.43) Achar os valores de λ para os quais a matriz [λI 4 − A] possui inversa:
(3.44) Seja A 3 x 3 e suponha que detA = 2.
Calcular(a ) 3 A . (b) 3 A−1 . (c) (3 A) −1 .
 23

04 - VETORES

1) Grandeza Escalar: Na matemática, física e nas aplicações, como na engenharia, encontram-se

grandezas como trabalho, potência, temperatura, calor, tempo, etc., que ficam bem definidas por
apenas um número e representa-se numa escala como a temperatura em °C (escalar).

2) Vetor: Existem conceitos físicos e geométricos que além da intensidade precisam da direção (Fig.
4.1), como força, velocidade, aceleração, momento, etc. Um segmento de reta orientado no espaço,
direção, sentido e comprimento definidos.
Exemplo: para assinalar o deslocamento físico entre os pontos P e Q é necessário mencionar a
distância entre os pontos P e Q, a direção e o sentido.

r Q Representações do vetor
u
r →

P U = u = P − Q = PQ

Fig. 4.1

Chamando o conjunto dos números reais R de corpo dos números reais, o conjunto de todas
as n-uplas de números reais R n chama-se n-espaço.

Vetores no R n podem ser escritos pelas ênuplas, onde cada elemento destas ênuplas é chamado
componente do vetor, para um vetor ou um ponto em particular: u = (u1 , u2 ,L, un ) .

Vetor no R 3 dado pelas suas componentes:

r r r
( )
Sendo i , j , k os versores nas direções das coordenadas retangulares x, y, z conforme figura 2. O
r
vetor u da figura abaixo pode ser representado por um terno de valores na forma matricial, matriz
linha ou coluna.

z r
u = ( x, y, z ) = (u x , u y , u z ) = xi + y j + z k
z  x
u =  y  ou u = [x
→
r y z]
u
 z 
j Norma
r
i k y r
y u = u = x2 + y 2 + z 2
r
x r u
(versor de u ) =
x Fig. 4.2 u

Norma no R n ou módulo do vetor é o valor numérico (escalar) positivo do seu comprimento ou

distância entre os pontos que o definem

r r
u = u = u = u12 + u22 + L + un2
24 Álgebra Linear
r
O vetor nulo é representado por 0 = (0,0,L 0) n componentes iguais a zero . O vetor
r
unitário (norma igual a um) denomina-se versor, por exemplo: se o versor k tem a mesma direção e
r r r r
sentido do vetor u , pode-se escrever u = u.k onde u é a norma do vetor u .

Exemplo 4.1: dado o vetor achar o módulo (norma), versor e comprovar que a norma de qualquer
versor é igual a um

r
u = (−1,2,3) u = (−1) 2 + 2 2 + 32 = 14 = 3,7417
r
r u
versor de u = = (−1 / 14 , 2 / 14 , 3 / 14 );
u
r
u
norma do versor = =1
u
Adição no R n
→ →
u = (u1 , u 2 ,Lun ) ∈ R n e v = (v1 , v2 ,L, vn ) ∈ R n
→ →
u + v = (u1 + v1 , u 2 + v2 ,L, un + vn ) ∈ R n

Produto de escalar por vetor

→
α ∈ R escalar u ∈ R n vetor
→
 → → →

a u =  a u 1 , a u 2 ,L, a u n  ∈ R n
 

Exemplo 4.2: Adição e Subtração de vetores (Fig. 4.3).

r
u r r
u −v
r r
u +v
r
v
Fig. 4.3 (a)
z
r r r r r r r
u +v u ± v = (u x ± vx )i + (u y ± v y ) j + (u z ± vz )k
r r
u −v
r
u u x ± vx 
r r r 
v u ± v = u y ± v y 
y  u z ± vz 

Fig. 4.3 (b) No R 3

x
r r
u = (−1, 2, 3) v = ( 3,−5, 1 − i )
r r
Soma e a diferença dos vetores no C 3 u + v = ( 2,−3, 4 − i )
r r
u − v = (−4, 7, 2 + i )
 25
Exemplo 4.3: Produto de vetor por escalar.
→
α = −5; u = ( 2,−1, 1 / 3, 40 )
→
α . u = −5( 2,−1, 1 / 3, 40) = (− 10, 5,−5 / 3,−200)

→ → →
Propriedades: Sendo u1 , u2 , u3 vetores quaisquer de R n e α , β quaisquer escalares de R:
→ → → →
(1)u1 + u2 = u2 + u1
(2) u1 + u2  + u3 = u1 +  u2 + u3 
→ → → → → →

   
→ → →
(3)u1 + 0 = u1
(4)u1 +  − u1  = 0
→ → →

 
(5)α  u1 + u2  = α u1 + α u2
→ → → →

 
→ → →
(6)(α + β )u1 = α u1 + β u1
(7 )α  β u1  = αβ u1 (8)1u1 = u1
→ → → →

 
Conseqüências das propriedades
→ → → → → → → → →
 → →
1)α 0 = 0 2)0 u = 0 3)α u = 0 ⇔ α = 0 ou u = 0 4)(− α ) u = α  − u  = −α u
 
n
Produto Interno ou Escalar no R
r r → →
Sendo os vetores u e v ∈ R n ; u = (u1 , u2 ,Lu3 ) e v = (v1 , v2 ,L, vn ) o produto interno é:
→ →
u . v = u1v1 + u2v2 + L + un vn
→ →
Desigualdade de Cauchy-Schwartz, para quaisquer vetores u e v ∈ R n tem-se:
→ → → →
u.v ≤ u v

A partir da desigualdade acima se define o ângulo entre os vetores como

rr
u.v
cosθ = r r
u .v

Co-senos diretores de um vetor diferente de zero são os co-senos dos ângulos que este vetor forma
com os vetores da base.
x
z cosα =
x2 + y2 + z2
y
cos β =
γ x + y2 + z2
2

β y z
cos γ =
α x + y2 + z2
2

x
Fig. 4.4 co-senos diretores
Como o produto interno também pode ser achado utilizando a desigualdade de Cauchy-Schwartz
26 Álgebra Linear
→ → → →
u . v = u x vx + u y v y + u z vz = u v cosθ = u.v cosθ
→ → → → → → → →
onde, u = u x i + u y j + u z k v = vx i + v y j + vz k
Exemplo 4.4: Para vetores do R 3 conforme figura 5, achar o produto interno (escalar), o ângulo
→ →
entre os vetores e os co-senos diretores dos vetores dados u e v

→ → → →
u . v = u x vx + u y v y + u z vz = u v cosθ = u.v cosθ
→ → → → → → → →
onde, u = u x i + u y j + u z k v = vx i + v y j + vz k

u
r r
u .v
θ = arccos r r
θ u .v
θ = Ângulo entre os vetores r
v
Fig. 4.5

4
r r rr
u = ( 2, 3,−1) v = ( 4, 2, 1) u .v = [2 3 − 1].2 = 13
1 
2
u = 2 2 + 32 + (−1) 2 = 14 v = 4 2 + 2 2 + 1 = 21
13
arccosθ = arccos = arccos 0,7582 ⇒ θ = 40,70°
294
→ 2 3 −1
para u cos α = cos β = cos γ =
14 14 14
→ 4 2 1
para v cos α = cos β = cos γ =
21 21 21
Propriedades do produto interno
Sendo vetores quaisquer de R n e α , β quaisquer escalares de R:
→ → → →
1) u1 . u2 = u2 . u1 (comutativa )
→ →  → → →  →
2)a u1 . u2  =  a u1 . u2 = u1 . a u2 
     
→ →
 →
 → → → →
3) u1 . u 2 + u 3  = u1 . u 2 + u1 . u 3 (distributiva )
 
→ 2 → → → → → →
4) u1 = u1 .u1 ≥ 0; u1 .u1 = 0 ⇔ u = 0
→ → → → → →
5) se u1 ≠ u2 u1 .u2 = 0 ⇔ u1 e u2 são ortogonais

O espaço R n com as operações adição de vetores, multiplicação de vetor por escalar e

produto interno é chamado n-espaço euclidiano.
Vetores no C n
O conjunto de todas as ênuplas de números complexos é chamado n-espaço complexo. Os
elementos de C (Fig. 4.5) são chamados escalares.
A adição e o produto por escalar são análogos às operações no R n . O produto interno faz
uso do complementar para manter as mesmas propriedades no R n , principalmente:
 27
→ → → →
u .u = 0 ⇔ u = 0 .
i

z = a + bi ρ = a2 + b2
b b
ρ θ = arctan
a
θ
R
a Fig. 4.5 elementos de C

Operações em C n
→ →
Sejam u , v ∈ C n e z ∈ C
→ →
u = (u1 , u2 ,L, un ) e v = (v1 , v2 ,L, vn )
→ →
u + v = (u1 + v1 , u2 + v2 , L , un + vn )
→
z u = ( zu1 , zu2 ,L , zun )
→ →
 _ _ _

u . v =  u1 v1 + u 2 v2 + L + un vn 
 
→ →
Projeção Ortogonal de um vetor na direção de outro vetor: Dados os vetores u e w ∈ R n , a
→ →
projeção ortogonal do vetor u na direção do vetor w consiste na determinação de um escalar r que
→
→
w →
multiplica o versor de w tal que proj→ u = r . Conforme figura 6.2.
w w

→
u  → → →
→
 u .w 
proj→ u =  → →  w
→ w  w. w 
θ w  
→
proj→ u
w
Fig. 4.6
→ →
r uw cosθ u . w
cosθ = ⇒ r = u cosθ = = ⇒
u w w
→ → → →
→ →
→
w u .w w  u .w  →
proj→ u = r = = → → w
w w w w  w 
 .w 
→ → →
A subtração u − proj→ u é um vetor ortogonal a w , usa-se esta propriedade para determinar
w
bases ortonormais a partir de uma base dada conforme fig. 4.7. (Ver processo de ortogonalização de
Gram-Schimdt em bases no cap. 6)
28 Álgebra Linear

→ → →
u u − proj→ u
w

→
θ w
→
proj→ u Fig. 4.7
w

Exemplo 4.5: Realizar as operações para o espaço n-complexo sobre o corpo C.

→ →
z = (1 − i ); u = (2 + 3i,4 − i,2i ); v = (3 − 2i,5,4 − 6i )
→ →
u + v = ( 5 + i, 9 − i, 4 − 4i )
→
z u = (1 − i )( 2 + 3i, 4 − i, 2i ) = ( 5 + i, 3 − 5i, 2 + 2i )
→ →
u . u = (2 + 3i )(2 − 3i ) + (4 − i )(4 + i ) + 2i (− 2i ) = 13 + 17 + 4 = 34
→ →
u . v = (2 + 3i )(3 + 2i ) + (4 − i )5 + 2i (4 + 6i ) = 13i + 20 − 5i − 12 + 8i − 8 = 8(1 + 2i )

Produto Externo ou Vetorial: Este produto só esta definido para o espaço R 3 . O vetor resultante é
ortogonal ao plano que contém os vetores, o sentido é dado por uma rosca de passo direito (girando
r r
de u para v resulta para cima) ou pela regra da mão direita (Fig. 4.8).
→ →
→ → u× v
u× v

→
v
→
u
→
→
v
→ →
Fig. 4.8 u
v× u
→ → →
i j k
→ → → → → →
u× v = ux uy uz u × v = u v sin θ = u.v sin θ
vx vy vz

A norma do produto vetorial é igual à área do paralelogramo

paralelogramo formado por u e v, ou ainda:
Dados três pontos (O,A e C) achar a área do triângulo determinado por estes pontos (Fig. 4.9).
C
→ → →
v Área do Paralelogramo OABC = u × v
B
1 → →
O Área do triângulo OAC = u× v
2

→ Fig. 4.9
u A
 29

Propriedades do produto vetorial:

→ → →
1) u × u = 0
→ → → →
2) u × v = − v × u (anticomutativa )
 → → →  → → →
3) a u  × v = u ×  a v  = a u × v 
     
→
 → →
 → → → →
4) u ×  v 1 + v 2  = u × v 1 + u × v 2 (distributiva )
 
→ → →
5) u × v = 0 ⇔ tiverem a mesma direção

→ → →
Exemplo 4.6: Achar o vetor w resultado do produto vetorial u × v e a área do paralelogramo
determinado pelos vetores que formam o produto.
r r r
i j k
r r r r r
u = (2,3,−1) v = (4,2,1) w = u × v = 2 3 −1 =
4 2 1
r r r
5i − 6 j − 8k = (5,−6,−8)
r r 2
u = 14 v = 21 u × v = w = 5 + (−6) 2 + (−8) 2 = 5. 5
( área do paralelogramo é igual a 5. 5 )
5 5
θ = arcsin = 40,70°
294

→ → → → → →
Produto Misto dos vetores u , v e w é um número real dado por u × v . w também indicado por
→ → → 
 u , v , w  geometricamente o produto misto é igual, em módulo, ao volume do
→ → →
paralelepípedo de arestas determinadas pelos vetores u , v e w (Fig. 4.10).
→ → → → → → → → → → → →
u = x1 i + y1 j + z1 k v = x2 i + y2 j + z2 k w = x3 i + y3 j + z3 k
x1 y1 z1
→ → → 
 u , v , w = x2 y2 z2
x3 y3 z3

→ →
h = u× v

Fig. 4.10

Propriedades do produto misto

Conseqüência
onseqüência das propriedades dos determinantes
 30 Álgebra Linear

→ → → 
1) u , v , w = 0 ⇔ a matriz formada pelos vetores for singular
 

→ → →  → → →   → → → 
2) u , v , w =  v , w, u  =  w, u , v  cíclica
     
→
u
→
w
→
v

→ → →  → → →   → → → 
3) u , u , w =  u , w, u  =  w, u , u  = 0
     

→ → →  → → → 
4) u , v , w = −  v , u , w L
   

→ → → →  → → →  → → → 
5) u 1 + u 2 , v , w = u 1 , v , w + u 2 , v , w
     

 → → →  → → →  → → →  → → → 
6) a u , v , w = u , a v , w = u , v , a w = a u , v , w
       

Exemplo 4.7: Dados os vetores. Achar o produto misto.

1 2 4 1 2 4
→
  →
  →
  → → → 
u = 1 v = − 1 w = − 3 u , v , w = 1 − 1 − 3 = 26
 
3  5   1  3 5 1

Exercícios Propostos (4)

→ →
(4.1) Sejam u = (1, -1, 2, 3) e v = (2, 3, 1, -2). Calcular:
→ → → → → →
 → →

(a ) u (b) v (c ) u − v (d ) u . v (e) cosθ  ângulo entre u e v .
 

(4.2) B
Sabendo que DC=2AD, achar BD em função de A-B e C-B

A D C

(4.3) Ao ponto G chama-se baricentro (encontro das medianas no triângulo) dos pontos A1 , A2 L, An
n
1 n
com massas m1 , m2 L mn onde m = ∑ mi ≠ 0 dado por G = O + ∑ mi ( Ai − O ) . Mostrar que o
i =1 m i =1
baricentro independe do ponto O.
(4.4) Achar os versores das bissetrizes internas e externas de um triângulo.
→ → →
(4.5) Dados os vetores u = (2,−1,3) v = (4,5,1) w = (3,−1, m )
 31
→ →
(a ) Calcular u e v
→ →
(b ) Calcular u . v
→ →
(c ) Determinar m de modo que u seja ortogonal w
→ →
(d ) Calcular o co - seno do ângulo entre uev

→ →
(e ) Achar os cossenos diretores de uev
→ →
( f ) Calcular u × v
→ →
(g ) Calcularo seno do ângulo entre os u e v
→ → →
(4.6) Calcular o produto misto dos vetores u = (1,1,3) v = (2,−1,5) w = (4,−3,1)
Estes vetores são coplanares?
→ →
(4.7) Dados os vetores u = (3 − 7i,2i,−1 + i ) e v = (4 − i,11 + 2i,8 − 3i )
→ → → → → → → → →
achar : (a ) u − v (b )(3 + i ) v (c ) u . v e v . u (d ) u e v
32 Álgebra Linear

05 - ESPAÇOS E SUBESPAÇOS VETORIAIS

Espaço Vetorial U é definido como um conjunto de vetores U sobre um corpo de escalares K

juntamente com as operações soma vetorial (S) e produto (P) de escalar por vetor, satisfazendo as
propriedades abaixo:
→ → →
Sendo u1 , u2 , u3 vetores quaisquer de U e α e β escalares quaisquer do corpo K:
→ → →
∀ u1 , u2 , u3 ∈ U ∀ α,β ∈ K
→ → →
(S )u1 + u2 ∈ U (P )α u1 ∈ U
(S1 )u1 + u2 = u2 + u1 (S 2 ) u1 + u2  + u3 = u1 +  u2 + u3 
→ → → → → → → → → →

   
→ → → → → →
(S3 )u1 + 0 = u1 (S4 )u1 − u1 = 0
(P1 )α  u1 + u2  = α u1 + α u2 (P2 )(α + β )u1 = α u1 + β u1
→ → → → → → →

 

(P3 )α  β u1  = αβ u1
→ → → →
(P4 )1u1 = u1
 

Conseqüências das propriedades

→ → → → → → → → →
 → →
1)α 0 = 0 2)0 u = 0 3)α u = 0 ⇔ α = 0 ou u = 0 4)(− α ) u = α  − u  = −α u
 
n
Exemplo 5.1: Verificar se o conjunto R , sobre o corpo R, com as operações de soma vetorial (S) e
produto (P) de escalar por vetor é um espaço vetorial.

 a1   b1   a1 + b1 
→
  
a2  → b2   → → → →
a + b  → →
u1 =  u2 = sendo u1 , u2 ∈ R (S ) u1 + u2 = 
n 2 2
u1 + u2 ∈ R n
M M  M 
     
 an  bn  an + bn 
A verificação das outras propriedades da soma fica a cargo do aluno.

α .a1 
→
α .a  →
dado α ∈ R (P ) α u1 = 
2
α u1 ∈ R n
 M 
 
α .an 
A verificação das outras propriedades do produto fica a cargo do aluno.

Exemplo 5.2: O conjunto dos números complexos C n , sobre o corpo C, com as operações de soma
vetorial e produto (P) de escalar por vetor é um espaço vetorial.

→ → → → → →
Z1 , Z 2 ∈ C n ; Z 3 = Z 1 + Z 2 (S ) Z 3 ∈ Z
→
(P ) α Z 1 ∈ C n
A verificação das propriedades ficam a cargo do aluno

Exemplo 5.3: O conjunto das matrizes mxn de números reais ou complexos com as operações de
soma vetorial (S) e produto (P) de escalar por vetor é um espaço vetorial, já que estas operações são
na verdade operações matriciais.
 33
Exemplo 5.4: O conjunto das funções reais f(x) é um espaço vetorial:

(S ) : f (x ) + g (x ) ∈ R (P ) : αf (x ) ∈ R
Exemplo 5.5: O conjunto dos polinômios de nºs reais é um espaço vetorial:

P( x ) = an x n + an −1 x n −1 + L + a1 x + a0

Subespaço Vetorial W do espaço U é o subconjunto não vazio W de um espaço vetorial U

(W ⊂ U e W ≠ φ (não vazio )) que satisfaz as propriedades da soma (S) e produto (P), satisfazendo
estas duas propriedades, as outras propriedades são verificadas por serem os elementos de W
também elementos de U.
Satisfazendo as propriedades (Va) e (Vb) abaixo, é o bastante para W ser considerado um
subespaço vetorial do espaço vetorial U, pois a (Va) garante que o subconjunto é não vazio e (Vb)
une as operações soma (S) e produto(P).

→ → → →
(Va ) 0 ∈ W (W ≠ φ ) e (Vb ) v , w ∈ W ⇒ α v + β w ∈ W

a b  a b 
Exemplo 5.6: Verificar se o conjunto de matrizes M 2x2 dadas por (a )  e (b )  são
 c 0 c 1
subespaços do espaço vetorial das matrizes 2x2.

usando as propriedad es (S ) ( P )
  a1 b1   a 2 b2   a1 + a 2 b1 + b2 
 (a ) + = ∈M;
  c1 0   c2 0   c1 + c2 0 
  a b1  α a1 α b1 
 α 1 = ∈ M É um subespaço
  c1 0  α c1 0 

 (b ) a1 b1  +  a 2 b2  =  a1 + a 2 b1 + b2  ∉ M ;
 c 1   c2 1   c1 + c2 2 
  1

  a1 b1  α a1 α b1 
 α =  ∉ M Não é um subespaço
  c1 1  α c1 α 

usando as propriedades (Va) e (Vb)

 0 0
(a )0 =   ∈W
 0 0
 a b  a b  αa + βa2 αb1 + βb2 
1 1
α   + β  2 2 =  1 ∈M
  c1 0   c2 0  αc1 + βc2 0 
 a b  a b  αa + β a2 αb1 + βb2 
(b )α  1 1  + β  2 2  =  1 ∉M
  c1 1   c2 1  αc1 + β c2 α + β 
Exemplo 5.7: Verificar se num sistema AX=B, o conjunto S dos vetores X que são solução do
sistema, formam um subespaço.
Seja A uma matriz mxn e X ∈ R n (a )B = 0(sistema homogêneo ) ; (b )B ≠ 0 .
34 Álgebra Linear

(a )AX 1 = 0 AX 2 = 0
A( X 1 + X 2 ) = AX 1 + AX 2 = 0 + 0 = 0
A(αX ) = α ( AX ) = 0 s é um subespaço de R n

(b )AX 1 = B AX 2 = B
A( X 1 + X 2 ) = AX 1 + AX 2 = B + B = 2 B ≠ B
A(αX ) = α ( AX ) = αB ≠ B s não é um subespaço R n

Exemplo 5.8: A derivada de uma função polinomial é um subespaço da função polinomial.

P' ( x ) = nan x n −1 + (n − 1)an −1 x n − 2 + L + a1

Espaço e Subespaço Vetorial podem ser constituídos por elementos como matrizes e polinômios
como nos exemplos anteriores, tornando mais abrangentes as aplicações da álgebra linear.

Dependência e Independência Linear

→ → →

Sejam n vetores u 1 , u 2 ,L, u n  n ≥ 1 . Os vetores são (LD) linearmente dependentes se existirem
 
escalares a1 , a2 ,L, an não todos nulos tais que a combinação linear é igual ao vetor nulo:
n → →
∑a u
i =1
i i = 0.

Ou um dos vetores pode ser escrito como combinação linear dos outros.

Exemplo 5.9: Dados os vetores, verificar a dependência linear, representar um deles como
combinação linear dos outros.
→ → → →
u1 = ( 1,−2, 0, 3) u2 = ( 2, 3, 0,−1) u3 = ( 2,−1, 2, 1) u4 = ( 3, 9,−4,−2 )
da combinação linear tem - se o sistema homogêneo
→ → → →
a1 u1 + a2 u 2 + a3 u3 + a4 u 4 = 0 ⇒

1 2 2 3  0
− 2 3 − 1 9  0 2.1ª L + 2 ª L → 2 ª L
 = 
0 0 2 − 4 0 − 3.1ª L + 4 ª L → 4 ª L
   
 3 − 1 1 − 2  0
escalonando a matriz dos coeficientes
1 2 2 3 
0 7 3 15 
 2ª L + 4ª L → 4ª L ⇒
0 0 2 −4
 
0 − 7 − 5 − 11
1 2 2
3
0 7 3 15 
 3ª L + 4 ª L → 4 ª L ⇒
0 0 2 − 4
 
0 0 −2 4 
 35

1 2 2 3
0  z = 2w 
3 15  
→ → → →

 7 − w u1 − 3w u2 + 2 w u3 + w u4 = 0
 y = −3w ⇒ 
0 0 2 − 4  → → → →
(÷ w) ⇒ − u1 − 3 u2 + 2 u3 + u4 = 0
  x = −w
0 0 0 0 

Pode-se escrever qualquer um dos vetores como combinação linear dos outros, bastando isola-lo na
equação acima. Verificação:

→ → → →
u1 = −3 u2 + 2 u3 + u4 = −3( 2, 3, 0,−1) + 2( 2,−1, 2, 1) + ( 3, 9,−4,−2 ) = ( 1,−2, 0, 3)
→ → → →
u4 = u1 + 3 u2 − 2 u3 = ( 1,−2, 0, 3) + 3( 2, 3, 0,−1) − 2( 2,−1, 2, 1) = ( 3, 9,−4,−2 )

→ → →

Sendo os vetores u 1 , u 2 ,L, u n  n ≥ 1 (LI) linearmente independentes, pode-se escrever qualquer
 
→
outro vetor u , elemento do espaço vetorial gerado por estes mesmos vetores, como combinação
linear.
→ n → → → →
u = ∑ ai u i = a1 u 1 + a2 u 2 + L + an u n .
i =1

→ 1 1 → 0 0 → 0 2 
Exemplo 5.10: Verificar que vetores u1 =   u2 = 1 1 u3 = 0 − 1 são linearmente
1 0    
→ 3 1 
independentes e escrever u4 =   como combinação linear.
1 − 1

→ → →  x x  0 0  0 2 z 
x u1 + y u2 + z u3 = 0 ⇒  + + =
 x 0  y y  0 − z 

x = 0
 x x + 2 z  0 0 
x + y = y = 0
 y − z  0 0 
z = 0

Somente solução trivial, os vetores são LI.

→ → → 3 1 
x u1 + y u 2 + z u3 =  ⇒
1 − 1
x = 3
 x x + 2 z  3 1  
 x + y y − z  = 1 − 1  y = −2
     z = −1

→ → → →
u 4 = 3 u1 − 2 u 2 − u3
Sendo a matriz A dos coeficientes, uma matriz quadrada e não singular (det A ≠ 0 ) , os vetores que
compõem as linhas ou colunas da matriz são linearmente independentes, caso contrário os vetores
são dependentes e a matriz A é dita singular.

Exemplo 5.11: Achar m para que os vetores sejam (LD) linearmente dependentes:
36 Álgebra Linear

( 3, 5, 1) ( 2, 0, 4) ( 1, m, 3) ⇒
3 2 1
5 0 m = 0 ⇒ −10m − 10 = 0 ⇒ m = −1
1 4 3
→ → →
Exemplo 5.12: Dados os vetores e1 e2 e3 : verificar a relação de dependência linear e se possível
→ → → → →
escrever os vetores e4 e e5 como combinações lineares de e1 e2 e3 .
→ → →
e1 = (t 2 + t + 2) e2 = 2t 2 − 3t ( ) e3 = (t + 3)
→ →
(
e4 = − 2t 2 + t + 1 ) (
e5 = at 2 + bt + c )
(a, b, c ∈ R ) vetores colunas de A
1 2 0
A = 1 − 3 1 ⇒ det A = −11 ( LI)
2 0 3
→ → → → →
Escrevendo e4 como combinação linear e4 = x e1 + y e2 + z e3 ⇒
 x + 2 y = −2

2
( 2
)
x(t + t + 2) + y 2t − 3t + z (t + 3) = −2t + t + 1 ⇒  x − 3 y + z = 1
2

2 x + 3 z = 1

na forma de equação matricial
1 2 0  x   − 2 1 2 0 − 2
1 − 3 1  y  =  1  ⇒ 1 − 3 1 1  − 1.1ª L + 2 ª L → 2 ª L ⇒
       − 2.1ª L + 3ª L → 3ª L
2 0 3  z   1  2 0 3 1 

1 2 0 − 2 1 2 0 −2 
0 − 5 1 3  (− 1 / 5).2 ª L → 2 ª L ⇒ 0 1 − 1 / 5 − 3 / 5 − 2.2 ª L + +1ª L → 1ª L
    4.2 ª L + 3ª L → 3ª L
0 − 4 3 5  0 − 4 3 5 
1 0 2 / 5 − 4 / 5 1 0 2 / 5 − 4 / 5
0 1 − 1 / 5 − 3 / 5  (5 / 11).3ª L → 3ª L ⇒ 0 1 − 1 / 5 − 3 / 5  (− 2 / 5).3ª L + 1ª L → 1ª L
    (1 / 5).3ª L + 2ª L → 2ª L
0 0 11 / 5 13 / 5  0 0 1 13 / 11
1 0 0 − 14 / 11
0 1 0 − 4 / 11  ⇒ e→ = − 14 e→ − 4 e→ + 13 e→
  4
11
1
11
2
11
3

0 0 1 13 / 11 
→
Escrevendo e5 como combinação linear
→ → → →
e5 = x e1 + y e2 + z e3 ⇒
1 2 0  x   a  1 2 0 a 
1 − 3 1  y  = b  ⇒ 1 − 3 1 b 
      
2 0 3  z   c  2 0 3 c 
 37
Escalonando
 9 6 2 
1 0 0 11 a + 11 b − 11 c 
 1 3 1 
0 1 0 a− b+ c ⇒
 11 11 11 
0 0 1 − 6 a − 4 b + 5 c 
 11 11 11 

→
9 6 2 →  1 3 1 →  6 4 5 →
e5 =  a + b − c  e1 +  a − b + c  e2 +  − a − b + c  e3
 11 11 11   11 11 11   11 11 11 

Como a, b e c são escalares quaisquer, o espaço vetorial P 2 formado apenas por polinômios
→ → → →
como e5 é gerado pelos vetores e1 e2 e3 . O número de vetores é igual à dimensão (3) de P 2
então os vetores formam uma base para o espaço vetorial.

Exercícios Propostos (5)

→ → →
(5.1) Quais vetores são combinações lineares dos vetores, u 1 u2 u3 .
→ → →
u 1 = (4,2,−3); u2 = (2,1,−2 ); u3 = (− 2,−1,0 )
(a )(1,1,1) (b )(4,2,−6) (c )(− 2,−1,1) (d )(− 1,2,3)
(5.2) Verificar se a função f(t) é combinação linear de g(t) e h(t).
f (t ) = 3; g (t ) = 5 tan 2 t ; h(t ) = 2 sec 2 t

(5.3) Achar vetores que gerem o espaço solução dos sistemas homogêneos (AX=0).
1 0 1 0  1 1 2 − 1
(a )A = 1 2 3 1 (b )A =  2 3 6 − 2
 
2 1 3 1 − 2 1 2 2 

(5.4) Verificar, nos itens (a), (b) e (c), a relação de dependência entre o vetor linha [ f (t ) g (t ) h(t )] e
os vetores de suas derivadas primeira e segunda conforme matriz abaixo.
 f (t ) g (t ) h(t ) 
 f ' (t ) g ' (t ) h' (t ) 
 
 f ' ' (t ) g ' ' (t ) h' ' (t )
(a )t , cos t , sin t [0,2π ] (b )cos t ,1, sin 2 (t / 2) [0,2π ]
(c )1, et + e −t , et − e− t [− 1,1]

{ 2 2
}
(5.5) O conjunto de vetores t + 2 t + 2 , 2 t + 3t + 1, − t − 3 é linearmente dependente ou
independente? Se for linearmente dependente, escreva um de seus vetores como uma combinação
linear dos outros dois.

(5.6) O vetor (4, 2, 1) é uma combinação linear dos vetores (1, 2, 1), (-1, 1, 2) e (-3, -3, 0)?

(5.7) Para que valores de λ o conjunto { t + 3, 2t + λ2 + 2} é linearmente independente?

(5.8) Seja
38 Álgebra Linear

 λ2 0 1 
 
A = − 1 λ − 2 Para que valor(s) de λ o sistema homogêneo AX = 0 tem somente a solução
− 1 0 − 1 
 
trivial?

(5.9) Para que valor(s) de λ o conjunto de vetores {(λ2 − 5, 1, 1), (2, − 2, 3), (2, 3, − 3)} é linearmente
dependente?

(5.10) Quais dos subconjuntos do espaço vetorial de todas as matrizes M 2x3 são subespaços.
Justificar as respostas.
a b c 
M = 
d e f 

a b c a b c
(a )  , onde b = a + c (b ) , onde c > 0
 d 0 0 d 0 0
a b c a = −2c a b c a + c = 0
(c )  , onde  (d )  , onde 
d e f   f = 2e + d d e f b + d + f = 0
 39

06 - BASES E DIMENSÃO
→ → →

Espaço Vetorial V é de dimensão n se existem n vetores E=  e 1 , e 2 ,L, e n  linearmente
 
independentes que geram ou descrevem completamente o espaço V, ou seja, cada um dos demais
→ → →

vetores de V pode ser escrito como combinação linear de  e 1 , e 2 ,L, e n  .
 
Os vetores de E são chamados de uma base do espaço vetorial V.

→ → → 
Exemplo 6.1: Bases em R 3 (dimensão 3) são formadas por uma terna  e 1 , e 2 , e 3  de vetores
 
→
 →

linearmente independentes. Neste caso qualquer outro vetor v de R 3  ∇ v ∈ R 3  pode ser escrito
 
como uma combinação linear dos vetores que formam a base, isto é, existe um único terno de
→ 3 →
escalares (a1 , a2 , a3 ) tais que: v = ∑ ai e i
i =1
→
Os escalares a1 , a2 , a3 chamam-se coordenadas (ou componentes) de v em relação à base
→ → → 
 e1, e 2 , e 3  .
 
→ → →
Base Natural ou Canônica de R 3 e1 = (1,0,0 ) e2 = (0,1,0 ) e3 = (0,0,1)

Exemplo 6.2: Achar a dimensão e uma base para o espaço S solução do sistema homogêneo.
 x + 2 y + 2 z − w + 3r = 0 1 2 2 − 1 3 1 2 0 − 5 7 
    
 x + 2 y + 3 z + w + r = 0 ⇒ 1 2 3 1 1 ⇒ 0 0 1 2 − 2
3 x + 6 y + 8 z + w + 5r = 0 3 6 8 1 5 0 0 0 0 0 
   
( y, w, r ) podem assumir quaisquer valores
 x = −2 y + 5w − 7 r 
 (1,0,0) (0,1,0 ) (0,0,1)
 z = −2 w + 2r dim ensão 3

→ → →
e1 = (− 2,1,0,0,0 ) e2 = (5,0,−2,1,0 ) e3 = (− 7,0,2,0,1)

Base Ortonormal do R n é formada por versores ortogonais dois a dois.

Sendo a matriz A dos versores da base uma matriz quadrada, a sua transposta é igual a sua
inversa. AT = A−1 , ou seja, AAT = I n . O módulo do determinante é igual a um, det A = 1 .
r r r
Uma base ortonormal canônica no R 3 é normalmente representada por i , j , k (Fig. 6.1). ( )
→
k 1 0 0
i = 0 j = 1 k = 0
→ → →

→
0 0 1 
j
→
i Fig. 6.1 base canônica do R
3

→ →
Para que dois vetores u e v ∈ R n sejam ortogonais é necessário e suficiente que do teorema
de Pitágoras ou pelo produto interno:
→ → 2 → 2 → 2 → →
u+ v = u + v ou u . v = 0
40 Álgebra Linear

Exemplo 6.3: Verificar que os vetores formam uma base ortonormal para o subespaço U de R 5 .

→ → →
(
e1 = − 2 / 5 ,1 / 5 , 0, 0, 0 ) e2 = ( 0, 0, 0, 1, 0 ) e3 = ( 0, 0, 0, 0, 1)
→ → →
e1 = e2 = e3 = 1 são versores

 − 2 / 5 1 / 5 0 0 0
 
 0 0 0 1 0 escalonando
 0 0 0 0 1

1 − 1 / 2 0 0 0
0 0 0 1 0 são LI ∴ formam uma base

0 0 0 0 1
→ →
Projeção Ortogonal de um vetor na direção de outro vetor: Dados os vetores u e w ∈ R n , a
→ →
projeção ortogonal do vetor u na direção do vetor w consiste na determinação de um escalar r que
→
→
w →
multiplica o versor de w tal que proj→ u = r . Conforme figura 6.2.
w w

→
u  → → →
→
 u .w 
proj → u =  → →  w
→ w  w. w 
θ w  
→
proj→ u
w
Fig. 6.2
→ →
r uw cosθ u . w
cosθ = ⇒ r = u cosθ = = ⇒
u w w
→ → → →
→ →
→
w u .w w  u .w  →
proj→ u = r = = → → w
w w w w  w 
 .w 
→ → →
A subtração u − proj→ u é um vetor ortogonal a w , usa-se esta propriedade para determinar
w
bases ortonormais a partir de uma base dada (fig. 6.3).

→ → →
u u − proj→ u
w

→
θ w
→
proj→ u Fig. 6.3
w

Processo de Ortogonalização de Gram-Schimidt: Achar uma base ortonormal

→ → →
→ → →

E = ( e 1 , e 2 ,L, e n ) de R n dada uma base. G =  g 1 , g 2 ,L, g n  de R n
 
 41
→ → →
Primeiramente determina-se uma base ortogonal F = ( f 1 , f 2 ,L, f 3 ) de R n partindo da base G tal
que:
→ → → → → → →
f 1 = g 1; f i = g i − proj→ g i − proj→ g i − L − proj→ g i
f1 f 2 f i −1

→
→ fi
Normalizando a base F obtém-se a base E: ei = →
fi
→ → →
Exemplo 6.4: Verificar se os vetores g 1 = ( 1, 0, 0); g 2 = ( 1, 1, 1); g 3 = (− 1, 0,−2 ) formam uma
base (são LI). Caso afirmativo, calcular a base ortonormal e verificar a propriedade da transposta.

1 1 −1
det G = 0 1 0 = −2 são LI
0 1 −2
1 1 0
→ → → →
  1   
→
f 1 = g 1; f 2 = g 2 − proj→ g 2 = 1 − 0 = 1
f1 1
1 0 1
 − 1 1  0  0 
→ → →
  −1   − 2    
→
f 3 = g 3 − proj→ g 3 − proj→ g 3 =  0  − 0 − 1 = 1
f1 f2 1   2    
− 2 0 1 − 1
1 0 0  1 0 0 
F = 0 1 1  normalizando ⇒ E = 0 1 / 2 1 / 2 
  
0 1 − 1 0 1 / 2 − 1 / 2 
det E = −1
1 0 0 1 0 0  1 0 0
  
T
EE = I 3 ⇒ 0 1 / 2 1 / 2  0 1 / 2 1 / 2  = 0 1 0
 0 1 / 2 − 1 / 2  0 1 / 2 − 1 / 2  0 0 1


→ → → → → →
Mudança de Base: Considerando duas bases no R 3 , E = ( e 1 , e 2 , e 3 ) e F = ( f 1 , f 2 , f 3 ), ,
escrevendo os vetores da base F como combinações lineares dos vetores na base E.
→ → → → → → → → → → → →
f 1 = a11 e 1 + a21 e 2 + a31 e 3 f 2 = a12 e 1 + a22 e 2 + a32 e 3 f 3 = a13 e 1 + a23 e 2 + a33 e 3

→ → →
Seja v nas bases E e F: v = ( x1 , x2 , x3 )E e v = y1 , y2 , y 3 ( ) F
.Ou como soma:
→ → → → → → → →
Na base E : v = x1 e1 + x2 e2 + x3 e3 Na base F : v = y 1 f 1 + y 2 f 2 + y 3 f 3 =
→
 → → →
  → → →
  → → →

E → F : v = y1  a11 e 1 + a21 e 2 + a31 e 3  + y2  a12 e 1 + a22 e 2 + a32 e 3  + y 3  a13 e 1 + a23 e 2 + a33 e 3  =
     
→ → → → → →
(a ) ( ) (
y + a12 y2 + a13 y 3 e 1 + a21 y1 + a22 y2 + a23 y 3 e 2 + a31 y1 + a32 y2 + a33 y 3 e 3 = x1 e1 + x2 e2 + x3 e3
11 1 )
 x1   a11 a12 a13   y1 
 x  = a a23   y2 
⇔  2   21 a22
 x3   a31 a32 a33   y3 
42 Álgebra Linear
Chama-se a matriz “A” de matriz de mudança de base E para F, mas na verdade a conversão
é feita da base nova F para a base antiga E.
→ → →
f1 f2 f3
 a11 a12 a13 
A = a21 a22 a23 
a31 a32 a33  E → F

A matriz de mudança de base F → E é a inversa da matriz de mudança de base E → F .

→ → → → → →
Exemplo 6.5: Sejam as bases E = ( e 1 , e 2 , e 3 ) e F = ( f 1 , f 2 , f 3 ) e os vetores
→ → → → → → → → → → → →
f 1 = e1− e 2 − e 3 f 2 = e1+ 2 e 2 + e 3 f 3 = 2 e1+ e 2 + 4 e 3
a) Escrever a matriz de mudança de base AE → F . Verificar que os vetores formam uma base
→ → → →
b) Dado o vetor u = − f 1 − 2 f 2 + f 3 na base F (Nova). Achar as coordenadas na base E (antiga).
c) Achar a matriz de mudança da base nova para a antiga B F → E = A −1E → F
→ → → →
d) Dado o vetor v = 3 e 1 − 5 e 2 + 4 e 3 na base E. Achar as coordenadas na base F (nova).

 1 1 2
a ) A = − 1 2 1  det A = 12 são LI
− 1 1 4 E →F

 1 1 2  − 1   − 1 
b) u E = − 1 2 1  − 2 = − 2
→

− 1 1 4  1   3 

7 / 12 − 1 / 6 − 1 / 4
c) BF → E = A E → F =  1 / 4 1 / 2 − 1 / 4
−1

1 / 12 − 1 / 6 1 / 4  F → E
7 / 12 − 1 / 6 − 1 / 4  3   y1   19 / 12 
d ) vF =  1 / 4 1 / 2 − 1 / 4 − 5 =  y2  = − 11 / 4
→

1 / 12 − 1 / 6 1 / 4   4   y3   25 / 12 

Mudança de Base Ortonormal

→ → → → → →
Sejam as bases E = ( e 1 , e 2 ,L, e n ) e F = ( f 1 , f 2 ,L, f n ) ortonormais e a matriz de mudança AE → F ,
→
como os versores f j são ortogonais dois a dois, do produto escalar vem:
 a11 a12 L a1n 
a a22 L a2 n  a1 j a1k + a2 j m2 k + L + mnj mnk = 0 ( j ≠ k )
AE → F =  21 
 M M O M  a1 j a1k + a2 j m2 k + L + mnj mnk = 1 ( j = k )
 
 an1 an 2 L ann  E → F
 43
n
1 j = k
ou seja : ∑ aij aik =  ⇔ AT A = I n ⇔ A−1 = AT (matriz ortonormal.)
i =1 0 j ≠ k
como A é composta por versores ⇒ det M = 1

Transformação
ransformação de coordenadas cartesianas
 → → →   → → → 
Sejam S =  O, e 1 , e 2 , e 3  e S ' =  O' , f 1 , f 2 , f 3 
   
dois sistemas de coordenadas cartesianas no espaço.
Sejam P = ( x, y, z )S e P = ( x' , y ' , z ')S '
as coordenadas de um ponto P em relação a S e S’ respectivamente.
Sejam O' = (a, b, c )S e O = (a ' , b' , c')S '
as coordenadas de O’ e O em relação a S e S’ respectivamente.

O'= (a, b, c )S

 → → →

O − O ' = a e 1+ b e 2 + c e 3

→ → → →  a11 a12 a13 

 f1 = a11 e 1 + a21 e 2 + a31 e 3
→ → → →
AS → S ' =  a21 a22 a23 
 f 2 = a12 e 1 + a22 e 2 + a32 e 3  a31 a32 a33  S → S '
→
f =a → → →

 3 13 e 1 + a23 e 2 + a33 e 3
→ → →
P − O = x e1+ y e 2 + z e 3
→ → →
O '−O = a e 1 + b e 2 + c e 3
→ → →
P − O' = (x − a ) e 1 + ( y − b ) e 2 + ( z − c ) e 3
→ → →
P − O' = x' f 1 + y ' f 2 + z ' f 3

 x'  x − a  x' a   x
 
A y ' =  y − b ⇒ A y ' + b  =  y  ou
     
 z '  S '  z − c  S  z '  S '  c  S  z  S
 x  a '  x'
A  y  + b' =  y '
T    ( A−1 = AT )
 z  S  c'  S '  z '  S '
44 Álgebra Linear

Exercícios Propostos (6)

2
(6.1) Os polinômios 1, t − 1, t − 3t + 1 formam uma base do subespaço P n n ≤ 2 ? Se possível
escrever o vetor 2t 2 − 5t + 6 na base.

(6.2) Dados cinco vetores do R 4 , achar uma base para o subespaço gerado por estes vetores.
→ → → → →
u1 = (1,2,1,2); u2 = (2,1,2,1); u3 = (3,2,3,2)u4 = (3,3,3,3)u5 = (5,3,5,3)

(6.3) Os vetores (-1, 2, 1), (2, 1, -1) e (0, 5, -1) geram R 3 ?

(6.4) O conjunto de vetores { t − 1, t 2 + 2t + 1, t 2 + t − 2} constitui uma base para P2 ?

(6.5) Ache uma base para o subespaço de R 4 que consiste em todos os vetores da forma (a + b, b +
c, a – b – 2c, b + c). Qual a dimensão deste subespaço?

(6.6) Ache a dimensão do subespaço de P2 que consiste em todos os polinômios a 0 t 2 + a1t + a 2 ,

onde a 2 = 0 .

(6.7) (a) Ache uma base para o espaço-solução do sistema homogêneo

x1 + 2 x2 − x3 + x4 + 2 x5 = 0
x1 + x2 + 2 x3 − 3x4 + x5 = 0

Qual a dimensão do espaço-solução?

(6.7) (b) Achar um sistema homogêneo cujo conjunto das soluções seja gerado por:
{(1,-2,0,3,-1),(2,-3,2,5,-3)(1,-2,1,2,-2)}

(6.8) Seja S = {(1, 2, -1, 2), (0, -1, 3, -6), (2, 3, 1, -2), (3, 2, 1, -4), (1, -1, 0, -2)}.
Ache uma base para V = [S ].

(6.9) Ache o posto da matriz

1 2 −1 3 1
0 1 − 3 2 3 

2 3 1 4 − 1 .
 
− 1 2 2 2 − 5
 3 1 − 1 2 4 
(6.10) Use o processo de Gram-Schmidt para achar uma base ortonormal para o subespaço de R 4
com base

{(1, 0, 0, -1), (1, -1, 0, 0), (0, 1, 0, 1)}.

(6.11) Dada a base ortonormal:

{( ) (
S = 1 / 2 , 0, − 1 / 2 , (0, 1, 0 ), 1 / 2 , 0, 1 / 2 )}
De R 3 , escreva o vetor (1, 2, 3) como combinação linear dos vetores de S.

(6.12) Ache uma base para o espaço-solução do sistema homogêneo

 45

x1 + 3x2 + 3x3 − x4 + 2 x5 = 0
x1 + 2 x2 + 2 x3 − 2 x4 + 2 x5 = 0
x1 + x2 + x3 − 3x4 + 2 x5 = 0

(6.13) O conjunto de vetores {(1, -1, 1), (1, -3, 1), (1, -2, 2)} forma uma base para o R 3 ?

(6.14) Use o processo de Gram-Schmidt para achar uma base ortonormal para o subespaço de R 4
com base
{(1, 0, − 1, 0 ), (1, − 1, 0, 0 ), (3, 1, 0, 0 )}.
(6.15) Responda certo ou errado a cada uma das perguntas

(a) Se as colunas de uma matriz n x n formarem uma base para R n , o mesmo acontece com suas
linhas.

(b) Se A é uma matriz 8 x 8 tal que o sistema homogêneo AX = 0 tem somente a solução
trivial, então posto A < 8.

(c) Todo conjunto ortonormal de cinco vetores em R 5 é uma base para R 5 .

(d) Todo conjunto de vetores linearmente independente em R 3 contem três vetores.

(e) Se A é uma matriz simétrica n x n, então posto A = n.

(f) Todo conjunto de vetores que gera R 3 contem pelo menos três vetores.

(6.16) Dado um sistema ortogonal de coordenadas S, os pontos O=(0,0,0), A=(2,0,0), B=(2,0,2) e

C=(0,0,2) são vértices de um quadrado. A origem do novo sistema S’ é o centro do quadrado O’. Os
novos eixos x’ e z’ são as diagonais orientadas pelos vetores O’-O e O’-A. Determinar as equações
matriciais de mudança de base.

→ → →
(6.17) Seja S (O, i , j , k ) um sistema ortogonal de coordenadas. Dados:
→ → → → → → → → → →
e1 = i + j − k e2 = 2 i + k e3 = i + 3 j

(a ) Achar um sistema S '  O, f1, f 2 , f3  tal que :

→ → →

 
→ → → → → → → → →
f1 é ortogonal a e2 , e3 f 2 é ortogonal a e1 , e3 f3 é ortogonal a e1 , e2
(b) Achar as equações matriciais de mudança de base.
46 Álgebra Linear

07 - TRANSFORMAÇÕES LINEARES

Função é a relação entre conjuntos numéricos que seguem certas regras, na figura 7.1 estão
ilustradas não funções e funções com seus respectivos nomes.
Da teoria das funções f : A → B é a função que relaciona cada elemento do conjunto A
(domínio), um único elemento do conjunto B (contradomínio). Ao subconjunto de B formado por
b ∈ B , tal que, f (a ) = b chama-se imagem.

f Ñ é função
a1
b1
a2 a1 b1
b2
a3 a2 b2
b3
a4 a3 b3
M
a4 M
bn
bn

Ñ é função
Injetora

a1 a1
b1 b1
a2 a2
b2 b2
a3 a3
b3 b3
a4 a4
b4 b4
b5 b5

Sobrejetora
Bijetora

a1 b1 a1
b1
a2 b2 a2
b2
a3 b3 a3
b3
a4 b4 a4
b4
a5 a5
b5

Fig. 7.1. Relações e funções

Supondo que os elementos dos conjuntos são vetores então: Sejam U e V espaços vetoriais, a
função T : U → V chama-se transformação linear se forem satisfeitas as propriedades de soma
vetorial e produto de escalar por vetor como segue:

  → →
(P ) : T  α u1  = αT  u1 
     → →
 onde : u1 , u2 ∈ U e α é escalar
(S ) : T  u + u  = T  u  + T  u 
→ → → →

 
1 2
  
1
 
2
 47
Ou seja, a transformação é dita linear se preservar as duas operações básicas dos espaços vetoriais,
como conseqüência tem-se:
 → →
Sendo α = 0 ⇒ T  0 u1  = T (0 ) = 0T  u1  = 0
   
(a transformação do zero sempre leva a zero)
Unindo as duas operações (S) e (P)

 → → →
 → → →
T  α1 u1 + α 2 u2 + L + α n un  = α1T  u1  + α 2T  u2  + L + α nT  un 
       

Exemplo 7.1: Verificar se a derivação D : U → U e a integração (definida) ∫:V → R de

polinômios na variável t são transformações lineares.

 → →
 →  → 
d  α1 u1 (t ) + α 2 u2 (t ) d  u1 (t ) d  u2 (t )
  =α   +α  
1 2
dt dt dt

β  → →
 β→ β→
∫α  1 1
 α u (t ) + α u
2 2 (t ) 

dt = α 1∫ 1
α
u (t )dt + α 2 ∫ u 2 (t )dt = α 3
α

→ →
onde : α ,α1 ,α 2 ,α 3 , β ∈ R u1 , u2 ∈ U

Exemplo 7.2: Verificar se a transformação - projeção no plano do vetor tridimensional é linear.

→
u1 T : R 3 → R 2 T ( x, y , z ) = ( x, y,0 ) = ( x, y )

y
→
T  u1 
 
x Fig. 7.2. Projeção ortogonal no plano

(S ) : T  u1 + u2  = T ((x1, y1, z1 ) + (x2 , y2 , z2 )) =

→ → → →
u1 = ( x1 , y1 , z1 ); u2 = ( x2 , y2 , z2 );
 
→ →
T (x1 + x2 , y1 + y2 , z1 + z2 ) = ( x1 + x2 , y1 + y2 ) = (x1 , y1 ) + ( x2 , y2 ) = T  u1  + T  u2 
   
(P ) : T  α u1  = T (αx1 , αy1 , αz1 ) = (αx1 , αy1 ) = α (x1 , y1 ) = αT  u1 
→ →

   
Matriz de uma Transformação Linear é a matriz que multiplica os vetores de U obtendo como
resultado os vetores de V que são imagem da transformação.
Esta matriz depende das bases envolvidas na transformação e representa-se por [T ] ou A :

→ → →
→ → →
T :U → V T  u  = [T ]u = v ou T  u  = A. u = v
   

Exemplo 7.3: Achar a matriz da transformação rotação de vetor no plano, na base natural.
48 Álgebra Linear
Supondo que o vetor rotaciona no sentido anti-horário de um ângulo θ, conforme
representado na figura 7.3. As novas coordenadas x’ e y’ em função das coordenadas antigas x e y,
são dadas na dedução

y'  x = u cos α

 y = u sin α
y  x' = u cos(α + θ ) = u cos α cosθ − u sin α sin θ

θ  y ' = u sin (α + θ ) = u sin α cosθ + u sin θ cos α
x' = x cosθ − y sin θ
α y ' = y cosθ + x sin θ

x' x
Fig. 7.3
T :U → V T ( x, y ) = (x' , y ') = ( x cosθ − y sin θ , y cosθ + x sin θ )

  x   cosθ − sin θ   x   x'

T     =  =
  y    sin θ cosθ   y   y '

Outro modo de determinar a matriz da transformação linear na base natural, além do método
direto, é transformar esta mesma base natural de U, colocando os vetores transformados como
colunas da matriz A.

T (1,0 ) = (1. cosθ ,1.sin θ ) cosθ − sin θ 

 ⇒ A=
T (0,1) = (− 1.sin θ ,1. cosθ )  sin θ cosθ 

Exemplo 7.4: Achar a matriz da transformação translação no plano, definida por:

 0  1
T (x, y ) = ( x + 1, y + 1) T     =  
 0  1
Não é transformação linear, pois a transformação do zero é diferente de zero.

Exemplo 7.5: Criptografar o texto “Vou estudar” usando a matriz A da transformação linear T,
fazendo correspondência entre as letras do alfabeto e seus ordinais.

A B C D E F G H I J K L M N O P Q R
Z S T U V W X Y
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26

1 1 0 
Vou estudar = [22;15;21;5;19;20;21;4;1;18] A = 2 1 1 
3 2 2
separar a mensagem em vetores, completar se necessário, multiplicar pela matriz
 22  37   5  24 21  25 18   42 
A15  =  80 ; A19  = 49; A 4  = 47 ; A24 =  84 
           
 21 138 20 93  1   73 24 150
mensagem transmitida : (37,80,138,24,49,93,25,47,73,42,84,150)
 49
Exemplo 7.6: Decodificar a mensagem do exemplo 4.

0 2 − 1  37  22 24  5   25 21  42  18 

A =  1 − 2 1 
−1  A  80  = 15 
−1
A 49 = 19 
−1
A 47  =  4 
−1
A  84  = 24
−1

 − 1 − 1 1  138  21 93 20  73  1  150 24

Núcleo e Imagem de uma transformação linear T : U → V

O núcleo de T (ker T) é o conjunto dos elementos de U que transformados por T resultam no

elemento neutro (zero) de V.

→ →
→ →
0 ∈V ker T : u ∈ U tal que T  u  = 0
 
A Imagem de T (Im T) é o conjunto imagem da transformação T como definida para as funções, ou
seja, A imagem é formada pelos elementos de V que resultam da transformação.
→
→ →
Im T : v ∈ V tal que T  u  = v
 
Exemplo 7.7: Determinar a matriz A, bases para o núcleo e imagem e as respectivas dimensões para
a transformação do exemplo 2.
T : R 3 → R 2 T ( x, y, z ) = ( x, y,0 ) = ( x, y )

 x 
→    x   transformação
T  u  = A. u = T   y   =   
→
⇒
    z    y  da base canônica
 
 1   0   0 
    1      0    0
T  0  =   T  1  =   T  0  =  
 0  0   0  1   1  0
     
Representação Matricial :
vetores transformados (imagem ) são colunas da matriz A
  x  x
    1 0 0    x 
T   y  =    y =  
  z   0 1 0  z   y 
   
1  0 
base p/ Im T =      dim(Im T ) = 2
0 1  

→ →
ker T é a solução de um sistema linear homogêneo A. u = 0
 x  x
    1 0 0   0  x = 0
T   y  =    y =   ⇒ 
  z   0 1 0  z  0  y = 0
   
0 0
ker T 0 base possível p/ ker T = 0 dim(ker T ) = 1
 
 z  1
pois para qualquer z a imagem vai ser (0,0, z)
50 Álgebra Linear
A dimensão de U é igual à dimensão do núcleo de T + dimensão da imagem de T

dim(U ) = dim(ker T ) + dim(Im T )

Verificação para o exemplo 7.7:

A dimensão de U é 3 (R 3 ) igual a soma da dimensão da imagem de T (2) e da dimensão do núcleo
de T (1).

Exercícios Propostos (7)

(7.1) Quais das seguintes são transformações lineares?

 x + 1  x   x + y
 x      x    x2 + x 
(a )T     =  y  (b )T  y  =  y  (c )T     =  2
  y  x + y  z  x − z   y   y − y 
     

 x   x + y   x 
   x    x
(d )T   y   =  0  (e )T     = [x. y ] ( f )T   y   =  
  z   2 x − z    y  z  0 
     

(7.2) Seja T : R 2 → R 2 uma transformação linear sobre a qual sabemos que

 1   2   0  1 
T     =   e T     =  .
 1  − 3  1    2 

 3   a 
(a )Achar T     (b )AcharT    
 − 2   b  

(7.3) Usando a matriz A do exemplo 4, criptografe o seu nome e decodifique a mensagem

(24,49,93,4,20,39,4,12,21,7,27,48,21,65,110)

(7.4) Seja T : P2 → P3 uma transformação linear sobre a qual sabemos:

T (1) = 1; T (t ) = t 2 e T (t 2 ) = t 3 + t .
(a )AcharT (2t 2 − 5t + 3) (b )AcharT (t 2 + bt + c )

(7.5) Suponha que T : R 2 → R 2 é a transformação linear definida por T ( a1 , a2 ) = (a1 , 0).

(a) (0, 2) pertence à ker T?
(b) (2, 2) pertence à ker T?
(c) (3, 0) pertence à Im T?
(d) (3, 2) pertence à Im T?
(e) Ache ker T.
(f) Ache Im T.
 51

(7.6) Seja T: R 2 → R 2 a transformação linear definida por

  a   1 2  a1 
T   1   =    .
  a2    2 4   a2 

1 
(a) O vetor   pertence a ker T?
2
2
(b) O vetor   pertence a ker T?
 −1

3
(c) O vetor   pertence a Im T?
6
 2
(d) O vetor   pertence a Im T?
 3
(e) Ache ker T.

(f) Ache um conjunto de vetores que gerem Im T.

52 Álgebra Linear

08 - TRANSFORMAÇÕES SOBREJETIVA e INJETIVA

A transformação linear é sobrejetiva se transformando uma base de U para V, esta

transformação gerar o espaço V.

→ → →
  →  →   → 
u1 , u2 ,L, un base de U ; T  u1 , T  u2 ,LT  un base de V que gera o espaço V
        

A transformação linear é injetiva se o núcleo desta transformação for somente o vetor nulo, a
transformação neste caso também é chamada de não singular.
→
kerT = 0

Transformação linear bijetora e uma transformação sobrejetora e injetora simultaneamente.

Obtenção da matriz de transformação a partir da base

A matriz da transformação linear pode ser obtida transformando uma base de U. Sendo esta
base canônica, a matriz é obtida simplesmente escrevendo os vetores obtidos como colunas desta
matriz. Se a base não for canônica é necessário fazer uma mudança de base nos vetores obtidos da
transformação.

Exemplo 8.1: Achar uma base para o núcleo e uma base para a imagem da transformação linear

T : R 4 → R 3 T ( x, y , z , t ) = ( x + y , z + t , x + z )

Transformando a base canônica de U

 1   0   0    0 

    1      1     0     0
 0     1   0      0 
T  = 0 T     = 0 T  = 1 T     = 1
       
 0  1   0  0  1   1  0  0
 0   0   0   1 
       
 x  x
  1 1 0 0    x + y 
    y  y
= A u = 0 0 1 1   =  z + t 
→ →
Tu  = T
  z z
  1 0 1 0    x + z 
 t 
  t 

1 0 0 − 1
escalonando A 0 1 0 1 
0 0 1 1 
3 dos vetores são LI ⇒ dim(Im T ) = 3
uma base p/ imagem de T pode ser
1 1 0 1 0  0
0 0 1 como é sobrejetiva ⇒ 0 1  0
      a base pode ser      
1 0 1  0 0 1

dim(U ) = dim(ker T ) + dim (Im T ) ⇒ dim(ker T ) = 1

 53

x
1 0 0 − 1    x − t  x = t
0 1 0 1   y  =  y + t  = → 
  z    0 ⇒  y = −t
0 0 1 1     z + t   z = −t
t 
 
t  1
 − t  uma base possível - 1

ker T =     
 − t  de ker T é - 1
   
t  1

 a  1 2   a 
Exemplo 8.2: Achar bases para ker T e Im T: T : R2 → R2 T   =   
 b   2 4  b 

1 2
escalonando A 0 0 os vetores são LD
 
 1  
dim(Im T ) = 1 base possível Im T   
  2 
1 2 a  0
0 0 b  = 0 ⇒ a + 2b = 0 ⇒ a = −2b ⇒
    
− 2b    − 2 
ker T =   dim(ker T ) = 1 base ker T   
 b   1  

Exemplo 8.3: Achar bases para ker T e Im T:

 x x
    1 0 − 1 3 − 1  
T : U → V   y  y
   1 0 0 2 − 1  
T : R → R T   z   = 
5 4
z
 →   2 0 − 1 5 − 1  
  →   w    w
T  u  = A u     0 0 −1 1 0  
    t 
 t 
1 0 0 2 0
0 0 1 − 1 0
escalonando A 
0 0 0 0 1
 
0 0 0 0 0
 − 2 w
 x + 2 w  x = −2 w  y 
 z − w  → z = w  
 =0⇒ 
ker T =  w 
 t  t = 0  

0
  y ∀  w 
    0 
0  − 2
1  0 
  
base possível ker T 0  1  Ñ injetora
  
0  1 
0  0 
54 Álgebra Linear

dim(U ) = dim (ker T ) + dim(Im T ) ⇒ dim(ker T ) = 2

3 dos vetores são LI ⇒ dim(Im T ) = 3

1  − 1  − 1
1  0  − 1
base Im T       Ñ sobrejetiva
 2 − 1  − 1
     
0 − 1 0

Exemplo 8.4: Seja a base B = { t 2 + 1, t − 1, t } de P2 . Ache as coordenadas dos seguintes vetores

→
u (dados na base natural ou canônica C) relativamente à base B .

(a ) t 2 + 2 (b ) 2t − 1 (c ) t 2 − t + 3 (d ) − t + 1
Os vetores na base natural são escritos como combinação linear dos vetores que formam a nova
base (conforme capítulo 5)
( )
(a )t 2 + 2 = x t 2 + 1 + y(t − 1) + z (t ) ⇒
(de acordo com o que foi visto em mudança de base)
1 0 0 1 0 0
onde B = 0 1 1 B =  1 0 − 1
→ → → →
−1 −1
uC = B. u B ⇒ u B = B . uC
1 − 1 0 − 1 − 1 1 

1  1 0 0  x  x  1 0 0  1   1 
0 = 0 1 1  y  ⇒  y  =  1 0 − 1 0 = − 1
           
2 C 1 − 1 0  z  B  z  B  − 1 1 1   2  1 

0  1 0 0   0  0

(b )B  2  =  1 0 − 1  2  = 1
−1 
− 1 C − 1 1 1  − 1 1 B

1  1 0 0  1   1 
(c )B − 1 =  1 0 − 1 − 1 = − 2
 −1 
 3  C − 1 1 1   3   1  B

0  1 0 0  0   0 
(d )B − 1 =  1 0 − 1 − 1 = − 1
 −1 
 1  C − 1 1 1   1   0  B

Transformações e Mudanças de bases feitas por operador linear único:

Para determinar a matriz ou operador linear de transformação [TC →C ] , basta transformar a
base canônica de U para V
 55

1 0 L 0 
 
0 1 L  
[TC→C ] = T  
 M M O M 
0 
0 L 1 

O vetor sofre mudança de base por B e em seguida é transformado por T : U → V , estamos

→ →
procurando um operador linear [TB→C ] tal que v C = [T B → C ]u B . Para determinar [TB→C ] basta
transformar a base B de U.
→ → → → → → → →
Lembrando que: u C = B u B ⇔ u B = B −1 u C v C = B v B ⇔ v B = B −1 v C
Temos:
 → →
[TB→C ]u B = v C
 → → →
⇒ [TB→C ] = [TC →C ]B
[TC →C ] u C = v C = [TC →C ]B u B
[TB→C ] = [TC→C ]B
O vetor pode ser transformado por T : U → V e sofrer em seguida mudança de base por B
ou sua inversa, mas os dois operadores lineares podem ser combinados:
→ →
Estamos procurando uma matriz [TC → B ] tal que v B = [TC → B ]uC

→ → → →
 → → → →
−1
v C = B v B ⇔ v B = B v C  v C = [TC →C ] u C ; v B = B −1 [TC →C ] u C
 
→ →
v B = [TC →B ]uC
[TC→B ] = B −1T
[TC →C ] = Matriz da transformação linear que transforma o vetor na base C de U
 para outro na base C de V

onde
[T ] = Matriz da transformação linear que transforma o vetor na base C de U
 C→B
 para outro na base B de V

Exemplo 8.5: Sabendo que a transformação T : U → V T : ℜ3 → ℜ3 definida por

  x   2 y + z 
 
T   y   =  x − 4 y  é linear. Onde C é a base natural ou canônica e B outra base do ℜ3
   
  z  C   3 x  C
→ → →
 → → →

C = c1 = (1,0,0 ), c2 = (0,1,0 ), c3 = (0,0,1) B = b1 = (1,1,1); b2 = (1,1,0 ), b3 = (1,0,0 )
   

(a) Achar as matrizes mudança de base M C → B = B e M B→C = B −1 . Verificar que uma matriz é a
própria base B é a outra a matriz inversa de B.
56 Álgebra Linear

Sol : (a ) fazendo as combinações lineares

→ → → →

b = (1,1,1) = 1 c + 1 c + 1 c
1 1 2 3
1 1 1
→
= 1 1 0
→ → →
b2 = (1,1,0 ) = 1 c1 + 1 c2 + 0 c3 M C→B =B
→ → → → 1 0 0 C →B
b3 = (1,0,0) = 1 c1 + 0 c2 + 0 c3

→ → → →

c1 = (1,0,0 ) = 0 b1 + 0 b2 + 1b3 0 0 1 

→
= 0 1 − 1
→ → →
c2 = (0,1,0 ) = 0 b1 + 1b2 − 1b3 M B→C = B −1
→ → → → 1 − 1 0  B→C
c3 = (0,0,1) = 1b1 − 1b2 + 0 b3

1 1 1  0 0 1  1 0 0
(M C→B )(M B→C ) = BB −1
= I3 1 1 0 0 1 − 1 = 0 1 0
    
1 0 0 1 − 1 0  0 0 1
→
→
−1
→
u C = vetor na base natural
(b) Verificar que u B = B uC onde →
u B = vetor na base B
 x  z 
Sol : (b ) sendo uC =  y  então pelas combinações lineares acima u B =  y − z 
 
→ →

 z  C  x − y  B

0 0 1   x   z 
u B = B uC = 0 1 − 1  y  =  y − z 
   
→ →
−1

1 − 1 0   z  C  x − y  B

(c) Verificar que [TB→B ] = B −1 [TC →C ]B

[TC →C ] = Matriz da transformação linear que transforma o vetor na base C de U

 para outro na base C de V

onde
[T ] = Matriz da transformação linear que transforma o vetor na base B de U
 B →B
 para outro na base B de V
Sol : (c )transformando as bases acha - se as matrizes de transformação

1  0  0   2  0  1 0 2 1 

              
T 0  = 1 T 1  = − 4 T 0  = 0 ⇒ [TC →C ] = 1 − 4 0
0  3  0   0  1  0 3 0 0
              

1   3  1   2  1  0 3 2 0

              
T 1  = − 3 T 1  = − 3 T 0  = 1 ⇒ [TB → C ] = − 3 − 3 1

1   3  0   3  0  3  3 3 3
              
 57

[TB →C ] = Matriz da transformação linear que transforma o vetor na base B de U

para outro na base C de V
3 3 3
[TB → B ] = P [TB →C ] = − 6 − 6 − 2
−1 
 6 5 − 1 

0 0 1  0 2 1 1 1 1  3 3 3
P [TC → C ]P = [TB → B ] = 0 1 − 1 1 − 4 0 1 1 0 = − 6 − 6 − 2
−1       
1 − 1 0  3 0 0 1 0 0  6 5 − 1 

Exemplo 8.6: Achar as matrizes das transformações T : U → V relativamente às bases C de U e V

e a base B de U e V, onde C é a base natural e B = {(1,3), (2,5)} , ambas do R².
 x    2 y 
(a )T (x, y ) = (2 y,3x − y )
T    =  
 y   3 x − y 
 x  3x − 4 y 
(b )T (x, y ) = (3x − 4 y, x + 5 y ) T    =  
 y    x + 5 y 
Transformando os vetores que formam a base natural, tem-se a matriz de transformação.
1 0 1 2  − 5 2
Sol : C =   B=  B −1 =  
0 1 3 5  3 1
(a ) transformando a base canônica de U
1  0  0   2  02
T     =   T    =   [TC →C ] =  
 0   3 1   − 1 3 − 1
→
[TC→C ] = Matriz de T (transformação linear) que transforma o vetor uC
→ → →
na base C de U , no vetor vC na base C de V vC = [TC →C ]uC
transformando a base B vetor a vetor
1  6 2  10 6 10
T    =   T    =   ⇒ [TB →C ] =  
3  0  5    1  0 1 

ou transformando simultaneamente
02  1 2 6 10
[TB →C ] = T ([B]) = [TC →C ]B =   = 
3 − 1 3 5 0 1 
→
[TB →C ] = Matriz de T que transforma o vetor u B na base B de U
→ → →
no vetor v na base C de V v = [TB →C ]u B

De acordo com o que foi visto em mudança de base, a base B é a matriz de mudança da base
natural para a própria base B, ou seja:
→ → →
−1 
→
→ → →
−1 
→
 u C = B u B ⇔ u B = B u  ou  v = B2 vB ⇔ vB = B2 v 
   
58 Álgebra Linear

− 5 2 6 10 − 30 − 48
[TB → B ] = B −1[TB →C ] =   =
 3 1  0 1   18 29 
ou [TB → B ] = B −1[TC → C ]B
→
[TB → B ] = Matriz de T que transforma o vetor u B na base B de U
→ → →
no vetor vB na base B de V vB = [TB → B ]u B

1  3  0   − 4  3 − 4

Sol : (b )T    =   T    =   [TC → C ] =  
0  1 1   5  1 5 
3 − 4 1 2  − 9 − 14
[TB →C ] = [TC →C ]B =   = 
1 5  3 5  16 27 
− 5 2 − 9 − 14  77 124 
[TB → B ] = B −1[TB →C ] =   = 
 3 1   16 27  − 43 − 69
Exemplo 8.7: Dada à transformação T : U → V T : R 2 → R 3 e as bases naturais e as bases
1 0  1  
 1  0   
B1  ,    do R e B2 1, 1, − 1  do R 3
2

 − 1 1  0 1  1  

      
(a) Achar a matriz da transformação em relação às bases C de U e V, [TC → C ]
(b) Achar a matriz da transformação em relação às bases B1 de U e C de V, [TB1→ C ]
(c) Achar a matriz da transformação em relação às bases C de U e B2 de V, [TC → B 2 ]
(d) Achar a matriz da transformação em relação às bases B1 de U e B2 de V, [TB1→ B 2 ]
1 
(e) Transformar   usando as matrizes achadas.
 2
 x− y 
 x  
Sol : (a ) T : R → R2
T     = 2 x + y 
3

  y   x + y 
 
transformando a base canônica de U
1   − 1 1 − 1
1     0   
T    = 2 T    =  1  ⇒ [TC →C ] = 2 1 
0  1  1   1  1 1 
   
→
[TC →C ] = Matriz de T (transformação linear ) que transforma o vetor u
→ → →
na base C de U , no vetor v na base C de V v = [TC →C ] u
 59

Sol : (b ) transformando a base B1 vetor a vetor

 2 − 1 2 − 1
 1      0   
T    = 1  T    =  1  ⇒ [TB1→C ] = 1 1 
− 1  0 1   1  0 1 
   
ou transformando simultaneamente
1 − 1 2 − 1
   1 0 
[TB1→C ] = T ([B1 ]) = [TC →C ]B1 = 2 1    = 1 1 
− 1 1
1 1   0 1 

De acordo com o que foi visto em mudança de base, a base B1 é a matriz de mudança da
base natural para a própria base B1, ou seja:
→ → →
−1 
→
 u = B1 u B ⇔ u B = B1 u 
 
A base B2 é a matriz de mudança da base natural para a própria base B2, ou seja:
→ → →
−1 
→
 v = B2 v B ⇔ v B = B2 v 
 
1 0 1   2 / 3 1 / 3 − 1 / 3
(c ) [TC → B 2 ] = B2 [TC →C ]; B2 = 1 1 − 1 B2 = − 1 / 3 1 / 3 2 / 3 
−1   −1

0 1 1   1 / 3 − 1 / 3 1 / 3 
1 − 2 / 3
[TC → B 2 ] = 1 4 / 3 
0 − 1 / 3 
 5 / 3 − 2 / 3
(d )[TB1→ B 2 ] = B2 −1
[TB1→C ] = B2 [TC →C ]B1 = − 1/ 3 4 / 3 
−1

 1 / 3 − 1 / 3 
→ 1  →
−1
→ 1 0 1  1
(e ) u=  u B1 = B1 u =    =  
 2 1 1  2 3
− 1 − 1
(a )[TC →C ]u =  4  (b )[TB1→C ]uB1 =  4 
 
→ →

 3   3 
 − 1/ 3   − 1/ 3 
(c )[TC → B 2 ]u =  11 / 3  (d )[TB1→ B 2 ]uB1 =  11 / 3 
 
→ →

− 2 / 3 − 2 / 3

Exercícios Propostos (8)

(8.1) Seja T: R 2 → R 3 definida por

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

(a) Ache ker T.

(b) T é injetora?
(c) T é sobrejetora?
60 Álgebra Linear

(8.2) Seja T : R 3 → R 3 definida por

  x   4 2 2  x
 
T   y   =  2 3 − 1   y .
  z   − 1 1 − 2  z 
    

(a) A transformação T é injetora?

(b) Ache dimensão de Im T.

(8.3) Suponha que T : R 4 → R 3 é definida por

x
    x + y 
 y 
T     =  y − z .
 
  z    z − w
 w 
 
(a) A transformação T é sobrejetora?
(b) Ache a dimensão de ker T.

  1   2 
(8.4) Seja B =  ,    Uma base para R 2 . Achar os valores das coordenadas dos seguintes
− 1 3 
vetores, relativamente a B.

 − 3  3 12  2
(a )  . (b)   (c)   (d )  
− 7  7  13  3

(8.5) Seja T : R 2 → R 2 uma transformação linear. Suponha que a matriz de T relativamente à

→ →   2 − 3 → 1  → 1
base B = u 1, u 2  é A=  onde u 1 =   e u 2 =   ,
  − 1 4   2 − 1
.
  →    → 
(a) Calcular T  u 1  e T  u 2 
   B    B

→ →
(b) Calcular T (u 1 ) e T (u 2 ).

− 2
(c) Calcular T   .
3

(8.6) Seja a base

 1  0 1 
 
B1 = − 1, 2, 0  do R 3 . Ache as coordenadas em relação à B1 dos seguintes vetores
 2  1 0 
      
1   3 2 1 
(a ) 4. (b) − 4. (c) − 5. (d ) − 2.
     

2  3   5   4 
 61

1  − 1 1 
 
(8.7) B2 1,  0 , 1 . Ache as coordenadas em relação à B2 dos seguintes vetores
3  1  0 
      
2  − 2 − 1 0
(a ) 2. (b)  0 . (c)  0 . (d )  1 .
     
3  − 1   1  − 5
(8.8) Seja a base B1 = {t + 2, t − 1} de P1 . Ache os vetores das coordenadas dos seguintes vetores
relativamente à B1 . (a ) 3t + 3 (b ) − 2t − 1 (c ) t + 2 (d ) 2t − 5
2 2
(8.9) Seja T : R → R definida por
  x   x + 2 y − 1 2 
T     =   . Seja C a base canônica de R 2 e B =  ,    outra base para o R 2 .
  y   2 x − y    2  0  
Achar a matriz de T relativamente a
(a) C (b) C e B (c) B e C (d) B
 1  
(e) Calcular T     usando a definição de T e também usando as matrizes obtidas em (a), (b),
  2 
(c) e (d).
  x   x + 2 y + z
 
(8.10) Seja T : R → R definida por T   y   = 2 x − y
3 3  Seja C a base canônica de R3 e

  z   2 y + z 
   
1  0 0 
 
B = 0, 1, 0  outra base de R3 . Achar a matriz de T relativamente a
1  1 1 
      
(a) C (b) C e B (c) B e C (d) B
 1 
 
(e) Calcule T   1   usando as representações obtidas em (a), (b), (c) e (d).
 − 2 
 
 x 
   x + y
(8.11) Seja T : R → R definida por T   y   = 
3 2
.
 z y − z
  
Sejam C1 e C2 bases canônicas de R3 e R 2 respectivamente.

Considere também as bases

1 0 − 1 
   − 1 1  
B1 = 1, 1 ,  1   de R 3 B2 =  ,    de R 2
 0 0  1     1   2 
      
Achar a representação de T relativamente a:
(a )C1 e C2 (b )B1 e B2
 1  
 
(c) Calcular T  2  usando ambas as representações.
  3 
 
62 Álgebra Linear

09 - DIAGONALIZAÇÃO

Aplicação:
Vários processos na engenharia são descritos por matrizes quadradas e por suas potências.
Sendo a matriz “A n x n” conhecida e necessita-se de Ak , se a matriz for diagonal a potência fica
resumida a efetuar a potência dos números sobre a diagonal.

λ1 0 L 0  λ1k 0 L 0
0 λ L 0   k 
0 λ L 0
A= 2  A =
k 2
M O M M O M
   
 0 L 0 λn   0 L 0 λkn 

Se a matriz A não for diagonal, mas existe a matriz P não singular tal que:

λ1 0 L 0
0 λ L 0 
A = PDP −1 sendo D =  1
⇒ Ak = PD k P −1
M M O M
 
0 0 L λ1 

As colunas da matriz P nxn são os autovetores associados aos autovalores da matriz A

Autovalores e Autovetores
Dada a matriz A n x n. O escalar λ é um autovalor de A se existir um vetor não nulo X n ,
denominado autovetor em R n tal que:
→ →
A. u = λ . u (equação − 1)
Reescrevendo a equação acima:
→ → → → →
A. u = λ. u ⇒ λ. u − A. u ⇒ (λ.I n − A). u = 0
O termo (λ .I n − A) é um operador linear (matriz de transformação quadrada) que esta se
procurando o núcleo desta transformação linear.

Exemplo 9.1: Dada a matriz A 2 x 2, achar se possível os autovalores e autovetores associados.

1 1 →
A= ; determinando o núcleo da transformação linear (λ . I − A ). u =0⇔
4
2
− 2
 1 0  1 1   x  λ − 1 − 1   x 
 λ. − . = . =0
 0
  1 − 2 4   y   2 λ − 4  y 

Para determinar os autovalores acha-se o determinante denominado polinômio característico

λ −1 −1
f (λ ) = = (λ − 1)(λ − 4 ) + 2 ⇔
2 λ−4
f (λ ) = λ2 − 5λ + 6

Igualando o polinômio a zero têm-se a equação característica cujas raízes são os autovalores
 63

λ2 − 5λ + 6 = 0 ⇒ λ1 = 2 λ2 = 3 autovalores

A matriz A depende da base utilizada, mas as raízes do polinômio característico, os

autovalores não dependem da base escolhida.

Para cada autovalor acha-se o autovetor ou autovetores correspondentes substituindo λ na

equação característica
→ 2 − 1 − 1   x  x − y = 0
λ1 = 2 ⇒ (2.I 2 − A) u = 0 ⇔  .  = 0 ⇒  ⇒x= y
 2 2 − 4  y  2 x − 2 y = 0
→  y 1
u 1 =   = α .  onde α é um número real qualquer (α ∈ R )
 y 1
→ 1
fazendo α = 1 ⇒ x1 = x2 = 1 um autovetor associado ao autovalor 2 é u 1 =  
1
→ 3 − 1 − 1   x  2 x − y = 0
λ2 = 3 (3.I 2 − A) u = 0 ⇒  .  = 0 ⇒  ⇒ y = 2x
 2 3 − 4  y  2 x − y = 0
→ x 1 
u 2 =   = α .  por exemplo fazendo α = 1
2 x   2
→ 1 
um autovetor associado ao autovalor 3 é u2 =  
 2

Matrizes Semelhantes
A matriz M é dita semelhante à matriz A se existir a matriz P não singular tal que

M = P −1 AP ou A = PMP −1
Matriz Diagonalizável
A matriz A n x n é diagonalizável se for semelhante a uma matriz D diagonal, ou seja, se e
somente se tiver n autovetores linearmente independentes, os elementos da diagonal de D são os
autovalores de A e a matriz P tem suas colunas formadas pelos n autovetores de A, sendo

A = PDP −1 ⇔ D = P −1 AP

Utilizando o polinômio característico, uma matriz é diagonalizável se todas as raízes deste

polinômio forem reais e distintas. Caso o polinômio característico tenha uma raiz (λ) dupla ou de
multiplicidade k, se este autovalor tiver associado a ele k autovetores linearmente independentes, a
matriz é diagonalizável. Caso contrário a matriz não é diagonalizável.

Retomando o Exemplo 9.1: Determinar A10

2 0 1 1  2 − 1
D=  P=  P −1 =   comprovaçã o A = PDP
−1

0 3 1 2  − 1 1 
1 1   2 0   2 − 1  1 1 
⇒  = =A
1 2  0 3  − 1 1   − 2 4 
1 1  210 0   2 − 1 210 310   2 − 1  − 57001 58025 
A10 = PD10 P −1 =    =  = 
1 2  0 310  − 1 1  210 2.310  − 1 1  − 116050 117074
64 Álgebra Linear
Exemplo 9.2: Supondo que uma população é dividida nas classes C1, C2 e C3. A cada geração a
probabilidade de mudança j → i entre as classes sociais é aij , dada pela matriz A de transição e o
vetor B de estado inicial (1ª geração). Após k gerações; pode-se calcular a distribuição da
população, multiplicando a distribuição inicial por A K . A determinação da potência fica muito
facilitada por Ak = PD k P −1 (como afirmado no começo do capítulo).
C1 C2 C3
1 / 2 1 / 4 0  C1 1 / 2 C1
A = 1 / 2 1 / 2 1 / 2 C2 ; B = 1 / 4 C2
 
 0 1 / 4 1 / 2 C3 1 / 4 C3
λ − 1 / 2 − 1 / 4 0 
 − 1 / 2 λ − 1 / 2 − 1 / 2  f (λ ) = λ3 − 3 λ2 + 1 λ
  2 2
 0 − 1 / 4 λ − 1 / 2
 1 / 2 − 1/ 4 0   x  0  1 
      2 x = y →  
λ1 = 1 ⇒ − 1 / 2 1 / 2 − 1 / 2  y  = 0  u 1 =  2
 y = 2z
 0 − 1 / 4 1 / 2   z  0 1 
 0 − 1/ 4 0   x  0   − 1
 − x = z
− 1 / 2  y  = 0  u 2 =  0 
→
λ2 = 1 / 2 ⇒  − 1 / 2 0
 0 y = 0
− 1/ 4 0   z  0  1 
− 1/ 2 − 1/ 4 0   x  0 1 
      2 x = − y →  
λ3 = 0 ⇒  − 1 / 2 − 1 / 2 − 1 / 2  y  = 0  u 3 =  − 2
 y = −2 z
 0 − 1 / 4 − 1 / 2  z  0  1 
1 0 0  1 − 1 1   1/ 4 1 / 4 1 / 4
  
D = 0 1 / 2 0  P =  2 0 − 2 P =  − 1 / 2 −1  0 1 / 2
0 0 0 1 1 1   1 / 4 − 1 / 4 1 / 4

Exemplo 9.3: Dada a matriz A, diagonalizar se possível.

0 0 1  λ 0 −1
 
A = 0 1 2; f (λ ) = 0 λ − 1 − 2 = λ (λ − 1)
2

0 0 1  0 0 λ −1
⇒ λ1 = 0; λ2 = λ3 = 1
0 0 − 1   x  0 1
      − z = 0 →  
λ1 = 0 0 − 1 − 2. y  = 0  u 1 = 0
 y = −2 z
0 0 − 1   z  0 0

1 0 − 1  x  0 0
      x = z
u 2 = u 3 = α 1
→ →
λ2 = λ3 = 1 ⇒ 0 0 − 2. y  = 0 ⇒ 
− 2z = 0
0 0 0   z  0  0
→ →
→ Como u 2 e u 3 são LD a matriz A não é diagonalizável.

Exemplo 9.4: Dada a matriz A, diagonalizá-la se for possível.

 65

0 0 0  λ 0 0
A = 0 1 0;
2
f (λ ) = 0 λ − 1 0 = λ (λ − 1) ⇒ λ1 = 0; λ2 = λ3 = 1
1 0 1  −1 0 λ −1
0 0 0   x  0 − 1
− y = 0 →
λ1 = 0 ⇒  0     
− 1 0 . y  = 0  u 1 = α  0 
x = − z
 − 1 0 − 1  z  0   1 
1 0 0  x  0 0
x = 0
λ2 = λ3 = 1;  0      u 2 = u 3 =  y 
→ →
0 0. y  = 0 ⇒ 
 − x = 0
− 1 0 0  z  0  z 
0 0
por exemplo u 2 = 1 u 3 = 0
 
→ →

0 1
→ →
como u 2 e u 3 são linearmente independentes a matriz A é diagonalizável.
0 0 0  − 1 0 0
 
D = 0 1 0 P =  0 1 0
0 0 1  1 0 1 

Exemplo 9.5: Dada a matriz A 3 x 3, achar se possível os autovalores e autovetores associados.

1 2 − 1 λ −1 − 2 1

A = 1 0 
1  ⇒ f (λ ) = − 1 λ − 1 = λ3 − 6λ2 + 11λ − 6;
4 − 4 5  −4 4 λ −5
uma das raízes é 1 dividindo f (λ ) por (λ − 1) ⇒
( )
f (λ ) = (λ − 1) λ2 − 5λ + 6 = (λ − 1)(λ − 2 )(λ − 3)

 0 − 2 1   x  0 1 0 1 / 2   x   x = − 1 z

λ1 = 1;  − 1 1 − 1. y  = 0 escalonando 0 1 − 1 / 2. y   2 ⇒
1
− 4 4 − 4  z  0 0 0 0   z   y = z
 2
− 1 / 2 z  − 1 / 2 - 1
u 1 =  1 / 2 z  = α . 1 / 2  p / α = 2 uma solução é u 1 =  1 
   
→ →

 z   1   2 

 1 − 2 1   x  0 1 0 1 / 2   x = − 1 z

λ2 = 2 ⇒  − 1 2 − 1. y  = 0 escalonando 0 1 − 1 / 4  2
1
− 4 4 − 3  z  0 0 0 0   y = z
 4
− 1 / 2 z   − 1 / 2 - 2 
⇒ u 2 =  1 / 4 z  = α . 1 / 4  fazendo α = 4 uma solução é u 2 =  1 
   
→ →

 z   1   4 

 2 − 2 1   x  0 1 0 1 / 4   x = − 1 z

λ3 = 3 ⇒  − 1 3 − 1 . y  = 0 escalonando 0 1 − 1 / 4  4
1
− 4 4 − 2  z  0 0 0 0   y = z
 4
66 Álgebra Linear

− 1 / 4 z  − 1 / 4 - 1
⇒ u 3 =  1 / 4 z  = α . 1 / 4 
  fazendo α = 4 uma solução é  1 
→

 z   1   4 
1 0 0 − 1 − 2 − 1  0 2 − 1 / 2
D = 0 2 0 P =  1
  1 1  P = − 1 − 1
−1
0 
0 0 3  2 4 4   1 0 1 / 2 
comprovação
1 2 − 1  − 1 − 2 − 1 1 0 0  0 2 − 1 / 2
A = PDP −1 1 0 1  =  1 1 1  0 2 0 − 1 − 1 0 

4 − 4 5   2 4 4  0 0 3  1 0 1 / 2 

2 0  9
Exemplo 9.6: Seja D =  . Calcule D .
 0 − 2 
 29 0  512 0 
D9 =  9
= 
 0 (− 2 )   0 − 512

3 − 5
Exemplo 9.7: Seja A =  . Calcular A9
1 − 3 
Sol : A9 = PD 9 P −1
3 − 5 λ − 3 5 2 − 5 5  x   → 1
.
1 − 3 − 1 λ + 3 = λ − 4 ⇒ λ1 = − 2 ⇒  − 1 1  y   x = y ⇒ u1 =  
      1
− 1 5  x   → 5
λ2 = 2 ⇒      x = 5 y ⇒ u1 =  
− 1 5  y   1
− 2 0 1 5 −1
D=
0 2  P=
1 1  como D e A são semelhantes D = P AP
   
− 1 / 4 5 / 4  9 768 − 1280 − 512 0 
P −1 =   A =  D9 = 
 1 / 4 − 1 / 4 256 − 768   0 512
1 5 − 512 0   − 1 / 4 5 / 4   768 − 1280
PD 9 P −1 =   =
1 1  0 512  1 / 4 − 1 / 4  256 − 768 

Exemplo 9.8: Considere um organismo vivo que pode viver no máximo dois anos e cuja matriz é
A. Ache uma distribuição estável de idades.
 0 0 8
A = 1 / 4 0 0

 0 1 / 2 0
Sol: Da cadeia de Markov sabe-se que a distribuição numa faixa etária é igual a matriz multiplicada
→ → → →
pela distribuição anterior u n +1 = A u n e como A un = λ un a distribuição não vai mudar se
→ →
λ = 1 ou seja un +1 = 1.un
 λ 0 − 8
− 1 / 4 λ 0  ⇒ λ3 − 1 = (λ − 1) λ2 + λ + 1 = 0
( )

 0 − 1 / 2 λ 
 67

Calcular as raízes complexas e achar as matrizes D e P.

 1 0 − 8 1 0 − 8   x  8 
      x = 8z
⇒ u1 = 2
→
λ1 = 1 ⇒ − 1 / 4 1 0  escalonando 0 1 − 2  y  = 0
 y = 2
 0 − 1 / 2 1  0 0 0   z  1 
− 1 ± 3i
λ2 + λ + 1 = 0 ⇒ ∆ = − 3 ⇒ ⇒
2
 
1 0 0  8 − 4 − 4 3i − 4 + 4 3i 
 1 3   
D = 0 − + i 0  P = 2 − 1 + 3i − 1 − 3i 
 2 2  1 
 1 3   1 1 
0 0 − − i
 2 2 

Exercícios Propostos (9)

Nos Exercícios de (9.1) a (9.3) ache o polinômio característico de cada matriz.

 1 2 1 4 − 1 3
   2 1  
(9.1)  0 1 2 (9.2)   (9.3) 0 2 1
 − 1 3
− 1 3 2 0 0 3

Nos Exercícios de (9.4) a (9.11), achar o polinômio característico, os Autovalores e Autovetores de

cada matriz.
0 1 2  1 0 0 
1 1
(9.4) 0 0 3 (9.5) − 1 3 0  (9.6) 
 

0 0 0   3 2 − 2 1 1

2 − 2 3  2 2 3
1 − 1    
(9.7)   (9.8) 0 3 − 2 (9.9) 1 2 1
 2 4  0 − 1 2  2 − 2 1
1 2 3 4 
 2 0 0 0 − 1 3 2
(9.10) 3 − 1 0 (9.11)  
0 0 3 3 
0 4 3  
0 0 0 2

Nos Exercícios de (9.12) a (9.16), verifique quais das matrizes são diagonalizáveis.
1 1 − 2 
1 4   1 0
(9.12)   (9.13)  (9.14) 4 0 4 
1 − 2 − 2 1 1 − 1 4 
1 2 3   3 1 0
(9.15) 0 − 1 2 (9.16)0 3 1
0 0 2 0 0 3
68 Álgebra Linear
Nos Exercícios de (9.17) a (9.21), ache, para cada matriz A, se possível, uma matriz não singular P
tal que P −1 AP seja diagonal.

4 2 3 1 1 2 1 2 3

(9.17)  2 1 2 (9.18) 0 1
 0 (9.19) 0 1 0

− 1 − 2 0 0 1 3 2 1 2
3 − 2 1
0 − 1 
(9.20)   (9.21)0 2 0
 2 3  0 0 0

Nos Exercícios (9.22) e (9.23), ache bases para os auto-espaços associados com cada autovalor.
 2 2 3 4
 2 3 0  0 2 3 2
 
(9.22) 0 1 0 (9.23)  
0 0 1 1 
0 0 2  
0 0 0 1 
(9.24) Se possível, ache uma matriz não-singular P e uma matriz diagonal D tais que A seja
semelhante a D.
1 0 0 
A = 5 2 0
 4 3 2
 69

10 - DIAGONALIZAÇÃO de MATRIZES SIMÉTRICAS

Sendo A = At diz-se que a matriz A é simétrica.

- Todas as raízes do polinômio característico de uma matriz simétrica são números reais.

Exemplo 10.1: Verificar as afirmações acima para a matriz A dada

 4 − 3  4 − 3 λ−4 3
A=  ⇔ AT =   ⇒ = λ2 + 3λ − 37 = 0
 − 3 − 7   − 3 − 7  3 λ + 7
− 3 ± 157
∆ = 9 + 148 = 157 ⇒ λ =
2

Aplicação: O problema de identificação de uma cônica (polinômios de 2º grau onde pode aparecer
o produto x.y), com uma mudança de variáveis conveniente a curva é expressa em função apenas de
x e y facilitando a identificação desta curva.

Exemplo 10.2: Identificar a curva 3 x 2 + 2 xy + 3 y 2 = 4 .

Reescrevendo matricialm ente :
3 x 2 + xy + xy + 3 y 2 = (3x + y )x + (x + 3 y ) y =
x 3 1  x 
[3x + y x + 3 y ]  = [x y ]   = 4
 y 1 3  y 
T
→ →
que é da forma  u  A u = 4
 
3 1 → x
(equação − 2) ondeA =   u =  
1 3  y

λ − 3 − 1 
 − 1 λ − 3 ⇒ f (λ ) = λ − 6λ + 8 ⇒ λ1 = 2 λ2 = 4
2

 
− 1 − 1  x  0  → − 1
λ1 = 2     =    x = − y u1 =  
− 1 − 1  y  0  1
 1 − 1  x  0  → 1
λ2 = 4     =  x = y u 2 = 
 − 1 1   y  0  1

Se A é uma matriz simétrica os autovetores associados a autovalores distintos de A são

ortogonais, ou seja, formam uma base ortogonal.

Normalizando os autovetores tem-se uma base ortonormal

→ − 1 / 2  → 1 / 2  − 1 / 2 1 / 2  2 0 
u1 =   u2 =   P=  D= 
 1/ 2  1 / 2   1/ 2 1/ 2  0 4 

Como a matriz P é uma base ortonormal a sua inversa é igual à transposta P −1 = P T donde se
pode escrever
D = P −1 AP ⇒ D = PT AP ⇒ PD = PPT AP ⇒ PDPT = PPT APPT ⇒ A = PDP T
T T
→ → → →
Substituindo A por PDP T na (equação-2):  u  A u ⇒  u  PDPT u
   
70 Álgebra Linear
T
lembrando que ( A.B ) = BT . AT
T T
 T → → T
→ → → z
 P u  =  u  P fazendo a mudança de variáveis P u = v sendo : v =  
     w

T
→ →  2 0  z  z 2 w2
 v  D v = 4 ⇒ [z w]. 2 2
.
  = 4 ⇒ 2 z + 4 w = 4 ⇒ + =1
   0 4   w 2 1
equação de uma elipse.

Exemplo 10.3: Diagonalizar a matriz simétrica A.

2 1 1  λ − 2 − 1 −1
 
A = 1 2 1 ;
3
− 1 λ − 2 − 1 = (λ − 2 ) − 1 − 1 − 3(λ − 2) = 0
1 1 2 −1 −1 λ − 2
λ − 6λ + 9λ − 4 = 0 por verificação λ1 = 1 dividindo por (λ - 1) ⇒
3 2

λ2 − 5λ + 4 = 0 ⇒ λ2 = 1 λ3 = 4

− 1 − 1 − 1  x 
λ1 = λ2 = 1 ⇒ − 1 − 1 − 1  y  = 0 ⇒ {x + y + z = 0
− 1 − 1 − 1  z 
− 1 − 1
 fazendo z = 0 →    fazendo y = 0 →  
 ⇒ u1 =  1   ⇒ u2 =  0 
x = − y  0   x = −z
 1 

utilizando o processo de Gram - Schimidt para ortogonalizar os vetores

− 1 − 1 − 1 / 2  − 1
1  
u 2 n =  0  −  1  = − 1 / 2 ⇒ 2 u 2 n =  − 1
  
→ →

2
 1   0   1   2 
 2 − 1 − 1 1 0 − 1 1
    x = z →  
λ3 = 4 ⇒ − 1 2 − 1 escalonando 0 1 − 1  u 3 = 1
 y=z
− 1 − 1 2  0 0 0  1
1 0 0  − 1 − 1 1
D = 0 1 0 P1 =  1 − 1 1
 

0 0 4  0 2 1

Normalizando os autovetores ⇒ uma base ortonormal
− 1 / 2 − 1/ 6 1/ 3 
 
P =  1/ 2 − 1/ 6 1/ 3 
 0 2 / 6 1 / 3 

Verificação
− 1 / 2 − 1 / 6 1 / 3  1 0 0 − 1 / 2 1/ 2 0 
   
T
PDP = A =  1 / 2 − 1 / 6 1 / 3  0 1 0  − 1 / 6 − 1/ 6 2/ 6
 0 2 / 6 1 / 3  0 0 4  1 / 3 1/ 3 1 / 3 

 71
Exemplo 10.4: Diagonalizar a matriz simétrica A.
 0 − 1 − 1 λ 1 1 

A = − 1 0 − 1 [λI 3 − A] =  1 λ 1 ; det[λI 3 − A] = λ3 − 3λ + 2

− 1 − 1 0   1 1 λ 
 − 2
λ − 3λ + 2 = 0 ⇔ λ =  1 
3

 1 

− 2 1 1 x  1
→
x = ( y + z ) → 1

ker[− 2 I 3 − A] ⇒  1 − 2 1   y  = 0  2 ⇒ u 1 = 1
 1 1 − 2  z   y = 1 (x + z ) 1
 2
1 1 1  x    − 1 − 1

     
ker[1I 3 − A] ⇒ 1 1 1  y  = 0  x = − y − z ⇒ u 2 =  0 ; u 3 =  1 
→ → →

1 1 1  z    1   0 

− 2 0 0 1 − 1 − 1
D =  0 1 0 P1 = 1 0 1 
 
 0 0 1  1 1 0 
→ → → → → →
u1 . u 2 = 0 u1 . u 3 = 0 u 2 . u 3 ≠ 0
Como dois dos vetores não são ortogonais entre si
aplica - se o método de Gram - Schimidt
→ →  → →  → − 1 − 1 − 1 / 2
 e1 = u1 → →
 u3 e2    1   
→ → ⇒ e 3 = u 3 −  → →  e 2 =  1  −  0  =  1 
 e 2 = u 2  e2 e2  2
   0   1  − 1 / 2

1 / 3 − 1 / 2 − 1/ 6 
 
P = 1 / 3 0 2/ 6  PPT = I 3 é uma base ortonormal
1 / 3 1 / 2 − 1 / 6 


Exercícios Propostos (10)

(10.1) Verificar se P é uma matriz ortonormal.

2 / 3 − 2 / 3 1 / 3 
P = 2 / 3 1 / 3 − 2 / 3
1 / 3 2 / 3 2 / 3 

(10.2) Ache a inversa de cada uma das seguintes matrizes ortonormais.

1 0 0  1 0 0 
(a )A = 0 cosθ sin θ  (b )B = 0 1 / 2 − 1 / 2 
  
0 − sin θ cosθ  0 − 1 / 2 − 1 / 2 

(10.3) Para o exercício anterior verificar que: A matriz A n x n é ortonormal se e somente se as

colunas de A formarem um conjunto ortonormal de vetores de R n
72 Álgebra Linear

(10.4) Achar as matrizes D e P. Ortonormalizar P e verificar as suas propriedades.

0 0 − 2
A =  0 − 2 0 

− 2 0 3 

 →  → → → → →
(10.5) Verifique para a matriz A que  A u . A v  = u . v para ∀ u e v ∈ R 2 , (obs: o ponto representa
  
o produto escalar ou interno de vetores)

(10.6) Seja L: R 2 → R 2 a transformação linear que efetua uma rotação de 45º no sentido anti-
horário; seja A a matriz de L relativamente à base natural do R 2 . Mostre que A é ortonormal.

Nos Exercícios de (10.7) a (10.11), diagonalize cada matriz simétrica A dada e ache uma
matriz ortonormal P tal que P −1 AP seja diagonal.
0 0 1 0 0 0
 2 2
(10.7)   ; (10.8) 0 0 0 (10.9) 0 2 2
 
 2 2 1 0 0 0 2 2
0 0 0 0
0 − 1 2 2 
0 0 0
(10.10)  (10.11)  2 − 1 2 
0 0 0 1
   2 2 − 1
0 0 1 0

Nos exercícios de (10.12) a (10.19), diagonalize cada matriz dada por meio de matriz
ortogonal.
2 2 0 0
2 2 0 0 1 1 0 1 0 0
2 1       
(10.12) 
1 2  (10.13)0 0 2 2 (10.14)1 1 0 (10.15)0 3 − 2
  0 0 1 0 − 2 3 
 
0 0 2 2 

0 0 0 1
1 0 0 0 2 1 1  − 3 0 − 1
0 0 0
(10.16)0 1 1 (10.17 ) (10.18)1 2 1 (10.19) 0 − 2 0 .
0 0 0 0
0 1 1   1 1 2  − 1 0 − 3
1 0 0 0

(10.20) Verifique se a seguinte matriz é ortonormal.

− 1 / 2 1 / 3 1 / 6 
 
 0 1/ 3 − 2 / 6  .
 1/ 2 1/ 3 1/ 6 
 
 73
(10.21) Ache uma matriz não-singular P e uma matriz diagonal D tais que A seja semelhante a D,
onde:
 − 1 − 4 − 8
A = − 4 − 7 4 
 − 8 4 − 1

(10.22) Responda certo ou errado.

(a) Se A é uma matriz ortonormal n x n, então posto A < n.

(b) Se A é diagonalizável, então cada um de seus autovalores tem multiplicidade um.
(c) Se nenhum dos autovalores de A é nulo, então A ≠ 0.
(d) Se A e B são semelhantes, então A = B .
→ →
(e) Se u1 e u2 são autovetores de A associados com autovalores distintos λ1 e λ2 ,
→ →
respectivamente, então u1 + u2 é um autovetor de A associado com o autovalor λ1 + λ2 .
74 Álgebra Linear
11 - FORMAS CANÔNICAS

dy
Processo : y = y (t ) onde y é uma função do tempo e (taxa de variação de y ) é conhecida
dt
dy dy t0 = 0 ⇒ y = y0
− ay = 0 {a ∈ ℜ} ⇔ = adt condições de contorno
dt y t > t0 ⇒ y > 0
y t
dy y
integrando : ∫ = ∫ adt = [ln y ]y0 = at + C ⇔ ln y − ln y0 = at + C
y0
y o
para t = t0 = 0 ⇔ ln y0 − ln y0 = a0 + C ⇔ C = 0
 y
ln  = at ⇔ y = y 0 e at
 y0 

Aplicação: Processos A e B com taxas de variação no tempo conhecidas ou determinadas, as taxas

de variação são dadas pelas derivadas primeira das funções:
→ → → →
obs : x x' y y' z z ' w w' u u' v v'
são funções escalares e vetoriais do tempo (t )

Sendo os processos independentes entre si:

 dx
 A : x' = dt = ax  x = x0 e at
 ⇔
 B : y ' = dy = by  y = y0ebt
 dt

Se um processo depende de outro e vice versa:

 A : x' = a1 x + a2 y  x' a a2   x  → →
 ⇒ = 1    u'= Au
 B : y ' = b1 x + b2 y  y '  b1 b2   y 
→  x  a a2 
onde : u =   A= 1 
 y  b1 b2 
→ →
como A = PDP −1 ⇒ u ' = PDP −1 u multiplicando por P −1
→ → → →
P −1 u ' = DP −1 u fazendo a mudança de variável v = P −1 u
→ z
onde : v =  
 w

→ →  z '  λ 0   z   z ' = λ1 z
v'= D v ⇔   =  1    ⇔
 w'  0 λ2   w w' = λ2 w
as equações não mais dependem uma da outra

 z = z0e λ1t → →
como :  λ2t
e u = Pv
w = w0e
→ e λ1t 0  −1 →
u = P λ2t 
P u0
0 e 
 75
Mesmo que o Operador Linear T não possa ser colocado na forma canônica diagonal é
possível escrevê-lo numa forma mais simples, como nas formas canônicas triangular e de Jordan.
Considerando o corpo complexo, sempre é possível achar as raízes do polinômio característico, já
considerando o corpo real, nem sempre é verdade.
A Forma canônica de Jordan é composta pelos autovalores na diagonal principal e nos
elementos da diagonal acima ou abaixo é composta por uns positivos ou negativos, associados aos
autovalores de ordem superior a um e que possuem autovetores linearmente dependentes, como
representado a seguir:

λ1 1 0 0 
0 λ 1 0 
M = 1 
0 0 O 0 
 
 0 0 0 λn 
3 0 0 0 
3 1 0 0 2 0 0 0 0 0
0 3 1   0 1 1
  0 0 2 1   
0 0 3   0 1 1
0 0 0 2
Método de Jordan
Exemplo 11.1: Dada a matriz do operador Linear T. Achar uma matriz J de Jordan, semelhante à
matriz dada, escrita na forma J = P −1[T ]P

2 − 1 0 1 λ − 2 1 0 −1 
0 3 − 1 
0  0 λ −3 1 0 
[T ] =  [λI 4 − [T ]] = 
0 1 1 0  0 −1 λ −1 0 
   
0 − 1 0 3  0 1 0 λ − 3
λ −2 1 0 −1
0 λ −3 −1 0
⇒ ker[λI 4 − [T ]] ⇒ =
0 −1 λ −1 0
0 1 0 λ −3
(λ − 2)3 (λ − 3)Pol. Característico
1 1 0 − 1
0 0 − 1 0 
[3I 4 − [T ]] =   ker[3I 4 − [T ]]
0 − 1 2 0 
 
0 1 0 0 
1
y = 0 0
 →
 z = 0 ⇒ u 3 =   base para [3I 4 − [T ]]
x = w 0
  
1
76 Álgebra Linear

0 1 0 − 1 x 1 0

0 − 1 1 0  y = w     1
    w →
 0 →
[2 I 4 − [T ]] = ker[2 I 4 − [T ]] ⇒  y = z ⇒ ⇒ u1 = u2 =  
0 − 1 1 0   x∀  w   0  1
        
0 1 0 − 1  w 0 1
1 0
0 1 
base de [2 I 4 − [T ]] =   Não é diagonalizável.
0 1 
 
0 1 
Eleva-se a transformação ao quadrado e transformando a base achada é possível determinar
quais vetores são LI.
0 1 0 − 1 0 1 0 − 1
0 − 1 1 0  0 − 1 1 0 
[2 I 4 − [T ]]2 =   =
0 − 1 1 0  0 − 1 1 0 
  
0 1 0 − 1 0 1 0 − 1
0 − 2 1 1 1 
0 0 0 0  z+w →  
   y = 2 0
u4 =  
0 0 0 0  0
   x∀  
0 − 2 1 1 0
0 0 1 0 0 
→
 1  →
 0  0 1 0 
u5 =   u6 =   B = base [2 I 4 − [T ]] =  
2

 2  − 1 0 2 − 1
     
0 1 0 0 1 
0 1 − 1
0 1 − 1
[2 I 4 − [T ]]B =  
0 1 − 1
 
0 1 − 1

Os vetores transformados sendo diferentes de zero são linearmente independentes. A matriz

P é formada tomando o oposto do vetor transformado e seu correspondente da base.

− 1  0  1 1 1 0 0 − 2 1 1
− 1  0  0 0 1 0  1 1 − 1 − 1
−   e   ⇒P= ⇒P = −1
OU
− 1 − 1 0 0 1 − 1 0 1 0 0
       
− 1  1  1 0 1 1 0 1 −1 0 
1 0  1 1 − 1 0 0 − 2 1 1
1 1  0 0 − 1 1 1 0 0 − 1
−  e  ⇒ P =  ⇒ P −1 = 
1 2 0 0 − 1 2 0 − 2 1 0
      
1 0  1 0 − 1 0 0 − 1 1 0
3 0 0 0
0 2 0 0
D = P −1TP = 
0 0 2 1
 
0 0 0 2
 77
Exemplo: 11.2 Achar uma matriz J de Jordan, semelhante à matriz dada, escrita na forma
J = P −1[T ]P

5 1 0 λ − 5 − 1 0 
 
[T ] = − 4 1 0 ⇒ [λI 3 − [T ]] =  4 λ − 1 0  = det[λI3 − [T ]] =

− 2 − 1 3  2 1 λ − 3
λ3 − 9λ2 + 27λ − 27 = (λ − 3)3
 − 2 − 1 0  y 0 1 
  x = − →
  →
 
[3I 3 − [T ]] =  4 2 0 ker[3I 3 − [T ]] ⇒  2 ⇒ u1 = 0 u2 = − 2
 2 1 0  z∀ 1  0 
0 0 0  x∀ 1 0 0

[3I 3 − [T ]] = 0 0 0 = ker[3I3 − [T ]] ⇒  y∀ ⇒ E = base[3I 3 − [T ]] = 0 1 0
2   2 2

0 0 0  z∀ 0 0 1


− 2 − 1 0
[3I 3 − [T ]]E =  4 2 0
 2 1 0
0 2 1  0 − 1 / 2 1
P = 0 − 4 0 ⇒ P = 0 − 1 / 4
  −1
0 ou
1 − 2 0 1 1 / 2 0
0 1 0 1 0 1
P = 0 − 2 1 ⇒ P = 1 0
  −1
0
1 − 1 0  2 1 0
 3 0 0
P [T ]P = 0 3 1
−1

0 0 3

Exemplo 11.3: Dada a matriz A, diagonalizar se possível. (Exemplo 9.3 do cap. 9)

0 0 1  λ 0 −1
 
A = 0 1 2; f (λ ) = 0 λ − 1 − 2 = λ (λ − 1)
2

0 0 1  0 0 λ −1
⇒ λ1 = 0; λ2 = λ3 = 1
0 0 − 1   x  0 1
      − z = 0 →  
λ1 = 0 0 − 1 − 2. y  = 0  u 1 = 0
 y = −2 z
0 0 − 1   z  0 0

1 0 − 1   x  0 0
      x = z
u 2 = u 3 = α 1
→ →
λ2 = λ3 = 1 ⇒ 0 0 − 2. y  = 0 ⇒ 
− 2z = 0
0 0 0   z  0  0
→ →
Como u 2 e u 3 são LD a matriz A não é diagonalizável.
78 Álgebra Linear

1 0 − 1  1 0 − 1  1 0 − 1
x=z
[1I 3 − A] = 0 0 − 2 0 0 − 2 = 0 0 0  ker[1I3 − A]2 
2
⇒
 y∀
0 0 0  0 0 0  0 0 0 
0 1  0 0 
2 
B = base[1I 3 − A] = 1 0  [1I 3 − A]B = 0 − 2
0 1  0 0 
1 0 1  1 0 − 1
P = 0 2 0 ⇒ P = 0 1 / 2 0 
  −1

0 0 1  0 0 1 
0 0 0
D = P AP = 0 1 1
−1

0 0 1

Exercícios Propostos (11)

(11.1) Achar a matriz P e a matriz J de Jordan, semelhante à matriz [T], escrita na forma
J = P −1[T ]P

2 5 0 0 0
0 2 0 0 0 

[T ] = 0 0 − 1 0 − 1
 
0 0 0 −1 0 
0 0 0 0 − 1

(11.2) Achar a matriz P e a matriz J de Jordan, semelhante à matriz [T], escrita na forma
J = P −1[T ]P
0 1 0
[T ] = 0 0 1
1 − 3 3

(11.3) Achar a matriz P e a matriz J de Jordan, semelhante à matriz [T], escrita na forma
J = P −1[T ]P
 2 1 4
[T ] = 0 2 0
0 3 1 

(11.4) Achar a matriz P e a matriz J de Jordan, semelhante à matriz [T], escrita na forma
J = P −1[T ]P
0 1 0
[T ] = 0 0 1
8 − 12 6
 79

12 - FORMAS QUADRÁTICAS

Introdução: Para uma forma quadrática como a representada a seguir,

f ( x, y, z ) = ax 2 + by 2 + cz 2 + a1 xy + b1 xz + c1 yz + a2 x + b2 y + c2 z + d

Procura-se uma representação que só tenha os termos quadráticos. Para isso é necessário
transformar a função por meio de troca de variáveis.
O primeiro passo é escrever a função na forma matricial:
 a a1 / 2 b1 / 2  x   x

f (x, y, z ) = [x y z ]a1 / 2 b c1 / 2  y  + [a2 b2 c2 ] y  + d
  
 b1 / 2 c1 / 2 c   z   z 
f (x, y, z ) = X t AX + BX + d

Diagonalizando a matriz A, ou seja, achando as matrizes P e D tais que:

−1
D = P AP , já que a matriz A é simétrica, D = P t AP e fazendo a mudança de variável a seguir
 x'
 y ' = X ' = PT X ⇔ X = PX '
 
 z ' 
T
X t AX + BX = (PX ') APX '+ B(PX ') = X 'T PT APX ' = X 'T DX '+ BPX '
os termos xy, xz e yz não aparecem na nova forma quadrática, simplificando muito a sua aplicação
aos problemas.
f ( x' , y ' , z ') = X 'T DX '+ BPX '+ d
 a' 0 0   x'  x'
f ( x ' , y ' , z ' ) = [x ' y ' z '] 0 b' 0   y ' + [a2 b2 c2 ]P  y ' + d
 0 0 c'  z '   z ' 

Exemplo 12.1: Considerando a forma quadrática com termos x.y dada por:

f ( x, y ) = 5 x 2 − 4 xy + 8 y 2 − 36

Achar a forma quadrática que não envolve multiplicação das variáveis.

Isolando os termos dependentes e separando em partes iguais o termo em x.y tem-se:

f ( x, y ) = X T AX + BX + d
f ( x, y ) = 5 x 2 − 2 xy − 2 xy + 8 y 2 − 36

x(5 x − 2 y ) + y (− 2 x + 8 y ) =
 5 − 2  x  x
[x y ]   X =   ⇒ X T AX
− 2 8   y   y

λ −5 2 
[λI 2 − A] =  det[λI 2 − A] = 0 ⇒
 2 λ − 8
λ2 − 13λ + 36 = 0 ⇒ λ = 4 ou λ = 9
80 Álgebra Linear

 − 1 2   2
[4 I 2 − A] =   ker[4 I 2 − A] ⇒  x = 2 y ⇒  
  2 − 4  1 

 4 2  − 1
[9 I 2 − A] =   ker [9 I 2 − A] ⇒  x = − y / 2 ⇒ 2
 2 1    
 4 0 2 − 1
D=  P0 =   normalizando
0 9  1 2 
2 / 5 − 1 / 5  T
 2 / 5 1/ 5 
P=  P = 
1 / 5 2 / 5  − 1 / 5 2 / 5 
 X ' = PT X ⇔ X = PX '

  x' 1  2x + y  x 1 2 x'− y ' ⇒
 X ' =  y ' =   X =  y =  
   5 − x + 2 y    5  x'+2 y '
f (x' , y ') = X 'T DX '+ d ⇒
 4 0  x ' 
f (x' , y ') = [x' y ']    + 36 ⇒
0 9  y '
f (x' , y ') = 4 x'2 +9 y '2 −36

Exemplo 12.2: Considerando a forma quadrática com termos x.y representada abaixo. Achar a
forma quadrática que não envolve multiplicação das variáveis.
20 80
f ( x, y ) = 5 x 2 − 4 xy + 8 y 2 + x− y+4
5 5
 5 − 2  x  20 x
f ( x, y ) = [x y ]    + [1 − 4]  + 4
− 2 8   y  5  y
A matriz A é a mesma do exemplo anterior. Fazendo a mudança de variáveis.
f ( x' , y ') = X 'T DX '+ BPX '+ d
4 0  x' 20 2 − 1  x' 
f ( x' , y ') = [x'y ']    + [1 − 4] 1   
0 9  y ' 5 5 1 2   y '
f ( x' , y ') = 4 x'2 +9 y '2 −8 x'−36 y '+4
Completando os quadrados
( ) ( )
f ( x' , y ') = 4 x'2 −2 x' + 9 y '2 −4 y ' + 4
f ( x' , y ') = 4(x' −2 x'+1 − 1) + 9( y ' −4 y '+4 − 4) + 4
2 2

2 2
f ( x' , y ') = 4( x'−1) + 9( y '−2) − 36
Fazendo uma nova mudança de variáveis
f ( x' ' , y ' ') = x' ' = x'−1 y ' ' = y '−2
f ( x' ' , y ' ') = 4 x' '2 +9 y ' '2 −36

Exemplo 12.3: Achar a forma quadrática que não envolve multiplicação das variáveis. Diagonalizar
a matriz A escalonando a matriz aumentada de A.

f ( x, y , z ) = x 2 + 4 xy + 5 y 2 − 6 xz + 8 z 2 − 8 yz
1 2 − 3  x 
f ( x , y , z ) = [x y 
z ] 2 5 − 4  y 
− 3 − 4 8   z 
 81

1 2 − 3 1 0 0
2 − 2.1ª L + 2 ª L → 2 ª L
 5 − 4 0 1 0
3.1ª L + 3ª L → 3ª L
− 3 − 4 8 0 0 1
1 2 − 3 1 0 0
0 1 2 − 2 1 0 − 2.1ª C + 2 ª C → 2ª C
  3.1ª C + 3ª C → 3ª C
0 2 − 1 3 0 1
1 0 0 1 0 0
0 1 2 − 2 1 0 − 2.2 ª L + 3ª L → 3ª L
 
0 2 − 1 3 0 1
1 0 0 1 0 0
0 1 2 − 2 1 0 − 2.2 ª C + 3ª C → 3ª C
 
0 0 − 5 7 − 2 1
1 0 0 1 0 0
0 1 0 − 2 1 0 = D P t
  0 0

0 0 − 5 7 − 2 1

Quando este método é utilizado os vetores de P não são ortogonais. Para efeito de
verificação os vetores foram normalizados e o produto vetorial P t AP e P0t AP0 mostram que a
matriz D tem os elementos da diagonal que correspondem aos vetores estão divididos pelo quadrado
da norma.
1 − 2 7  1 − 2 / 5 7 / 3 6 
   
P0 = 0 1 − 2 ⇒ P = 0 1 / 5 − 2 / 3 6 
0 1 / 3 6 
0 0 1   0
 1 0 0 
t 
P = − 2 / 5 1/ 5 0 
 7 / 3 6 − 2 / 3 6 1 / 3 6 

1 0 0 
t 
P AP = 0 1 / 5 0 
0 0 − 5 / 54
1 0 0 
0
t
P AP0 = 0 1 0 
0 0 − 5
1 0 0   x'
f ( x' , y ' , z ') = [x' y ' z ']0 1 0   y '
0 0 − 5  z ' 
Resolvendo através dos autovalores e autovetores
82 Álgebra Linear

λ − 1 - 2 3 
[λI 3 − A] =  − 2 λ - 5 4 

 3 4 λ - 8
det[λI 3 − A] = λ3 − 14λ2 + 24λ + 5
 0.9496 - 0.0236 - 0.3125 
P =  - 0.1569 0.8273 - 0.5394
 0.2713 0.5612 0.7819 
- 0.1875 0 0 
D=   0 2.2295 0 
 0 0 11.9580

Exercícios Propostos (12)

(12.1) Achar a forma quadrática que não envolve multiplicação das variáveis.

f ( x, y ) = 9 x 2 − 4 xy + 6 y 2 − 30

(12.2) Achar à forma quadrática que não envolve multiplicação das variáveis e diagonalizar a
matriz A escalonado a matriz aumentada de A.

f ( x, y ) = 5 x 2 − 4 xy + 8 y 2 + 10

(12.3) Considerando a forma quadrática com termos x.y representada abaixo. Achar a forma
quadrática que não envolve multiplicação das variáveis.

f ( x , y , z ) = 3 x 2 + 4 xy − y 2 + 8 xz − 6 yz + z 2

(12.4) Considerando a forma quadrática:

f ( x, y ) = 2 x 2 − 12 xy + 5 y 2

Achar a forma quadrática que não envolve multiplicação das variáveis.

(12.5) Achar a forma quadrática que não envolve multiplicação das variáveis:

f ( x, y ) = x 2 + 10 x − 6 xy + 2 y − 7 y 2 + 9
 83

13 - APLICAÇÕES

Algumas aplicações da álgebra linear no estudo de sistemas de controle moderno:

Representação no espaço de estados em formas canônicas. Considerando a função de
transferência no domínio da freqüência dada abaixo:

Y (s ) b0 s n + b1s n−1 + L + bn−1s + bn

=
U (s ) s n + a1s n−1 + L + an−1s + an

Uma das representações (existem infinitas) desta função no espaço de estados (domínio do
tempo) é feita pelo sistema:
 .
x = Ax + Bu

 y = Cx + Du
 x = vetor de estado
.
 x = derivada 1ª do vetor de estado em relação ao tempo

 A = matriz de sistema

onde :  B = matriz de entrada
 y = vetor resposta

C = matriz de saída
 D = matriz de ação avante


Exemplo 13.1: dadas as funções de transferência nos itens (a) e (b). Encontrar uma das possíveis
representações no espaço de estados.

(a ) Y (s ) = 3 24
U (s ) s + 9 s + 26 s + 24
2

 . 
 x. 1   0 1 0   x1   0 

 x 2  = 0 0 1   x2  +  0 u
 .  
 x 3  − 24 − 26 − 9  x3  24
 
  x1 
  
 y = [1 0 0] x2 
  x3 


Representação utilizando o MATLAB:

  9 26 24  1
       
  1 0 0 0
  0 1 0  0
 
  0 0 24 


84 Álgebra Linear

(b ) Y (s ) = 24 3 s +2 7 s + 2
2

U (s ) s + 9s + 26 s + 24
 . 
 x. 1   0 1 0   x1   0 

 x 2  = 0 0 1   x2  +  0  u
 .      
 x 3   − 24 − 26 − 9  x3   24
 
  x1 
  
 y = [2 7 1] x2 

  x3 

Representação utilizando o MATLAB:

As formas canônicas dos espaços de estados facilitam destacar certas características dos mesmos.
A seguir estão ilustradas algumas destas formas, entre elas as formas canônicas (1) controlável, (2)
observável, (3) diagonal e (4) de Jordan.
 .   0 1 0 L 0   x1  0
 x. 1  
 x2   0 0 1 L 0   x2  0
 
 = M M M O M   M  + 0 u
. M      
 x n −1   0 0 0 L 1   xn −1  0
 .  
− an − an −1 − an − 2 L − a1   xn  1
(1)  x n 
 x1 
x 
 2 
y = [0 0 L 0 1] M  + b0u
 
 xn −1 
 xn 
A forma observável é obtida pela transposição da matriz A, dos vetores e troca dos vetores B
e C a partir da forma canônica controlável.
 .  0 0 L 0 − a   x   b − a b 
 x. 1   n 1 n
  x  b − a b 
n 0

 x2   1 0 L 0 − a n −1   2   n −1 n −1 0 
  = M M O M M   M +
 M u
. M      
 x n −1  0 0 L 0 − a2   xn −1   b2 − a2b0 
 .  
0 0 L 1 − a1   xn   b1 − a1b0 
(2)  x n 
 x1 
x 
 2 
y = [0 0 L 0 1] M  + b0u
 
 xn −1 
 xn 
 85
Colocando a função de transferência na forma de funções parciais, sendo todas as raízes do
denominador distintas:

Y (s ) b0 s n + b1s n −1 + L + bn −1s + bn
= =
U (s ) (s + λ1 )(s + λ2 )L(s + λn )
c1 c2 cn
b0 + + +L+
(s + λ1 ) (s + λ2 ) (s + λn )
A representação no espaço de estados é a forma canônica diagonal
 .  − λ 0 L 0 0   x1  1
 x. 1   1
 x 2   0 − λ2 L 0 0   x2  1
 = M M O M M   M  + M u
. M     
 x n −1   0 0 L − λn −1 0   xn −1  1
 .  
 0 0 L 0 − λn   xn  1
(3)  x n 
 x1 
x 
 2 
y = [c1 c2 L cn −1 cn ] M  + b0u
 
 xn −1 
 xn 

Se houver raízes repetidas:

Y (s ) b0 s n + b1s n −1 + L + bn −1s + bn
= =
U (s ) (s + λ1 )3 (s + λ4 )(s + λ5 )L(s + λn )
c1 c2 c3 c4 cn
b0 + 3
+ 2
+ + +L+
(s + λ1 ) (s + λ1 ) ( s + λ1 ) ( s + λ4 ) (s + λn )

 .  − λ 1 0 0 L 0   x1  0
 x. 1   1
 x 2   0 − λ1 1 0 L 0   x2  0
 
.   0 0 − λ 0 L 0   x  1
 x3  =  1 3
   +  u
.
x   0 0 0 − λ4 L 0   x4  1
 4 
M  M M M M O M  M   M 
   
   0
.
0 0 0 L − λ   xn  1
 x5  n

 x1 
x 
 2 
y = [c1 c2 L cn −1 cn ] M  + b0u
 
 xn −1 
 xn 

Exemplo 13.2: Achar a representação no espaço de estados nas formas canônicas:

(a) controlável
(b) observável
(c) diagonal
86 Álgebra Linear

Y (s ) s+3
= 2
U (s ) s + 3s + 2

 3 2  1
! "

  

.   0 1   x1  0
 
 x. 1  = 
1 0 0
   +  u


 x 2  − 2 − 3  x2  1
 1 3
 
(a) utilizando MATLAB:

x 
y = [3 1] 1 
 x2 
 .  0 − 2  x1  3
 x. 1  =     +  u
 x 2  1 − 3  x2  1
(b)
x 
y = [0 1] 1 
 x2 
 .   − 1 0   x1  1
 x. 1  =     +  u
 x 2   0 − 2  x2  1
(c)
x 
y = [2 − 1] 1 
 x2 

Mudanças de variáveis de estado muitas vezes são necessárias para simplificar a manipulação dos
dados.

   $% 
Sistema na variável x, mudar para a variável z.
#
 &  '%
Fazendo a mudança x=Pz

 () (  () $% 

#
 &(  '%

Exemplo 13.3: Fazer a mudança de variável de estado.

 0 1 0 0
.   z1 = 2 x1
x =  0 0 
1  x + 0u 
  z 2 = 3 x1 + 2 x 2
 − 2 − 5 − 7  1  z = x + 4 x + 5x
 y = [1 0  3 1 2 3
 0]

2 0 0
z = 3 2 0 x = P −1 x
1 4 5
 2 0 0  0 1 0   0,5 0 0   − 1,5 1 0 
−1 
P AP = 3 2 0  0  0  
1  − 0,75 0,5 0  = − 1,25 0,7 0,4 
 
1 4 5 − 2 − 5 − 7   0,5 − 0,4 0,2  − 2,5 0,4 − 6,2

2 0 0 0 0
P B = 3 2 0 0 = 0
−1

1 4 5 1 5

 87

 0,5 0 0

CP = [1 0 0]− 0,75 0,5 0  = [0,5 0 0]
 0,5 − 0,4 0,2
  − 1,5 1 0  0
.    
 z =  − 1,25 0,7 0,4  z + 0

  − 2,5 0,4 − 6,2 5
 y = [0,5 0 0]z


Se a matriz A tiver a forma abaixo e os autovalores forem todos distintos, a matriz P pode
ser escrita como uma matriz de Vandermond, sendo os elementos de P os autovalores de A. A
matriz transformada fica na forma canônica diagonal

 0 1 0 L 0 
 0 0 1 L 0 

A= M M M O M 
 
 0 0 0 L 1 
− an − an−1 − an−2 L − a1 

 1 1 1 L 1 
λ λ2 λ3 L λn 
 1
P= M M M O M 
 n− 2 n −2 n −2 n −2 
λ1 λ2 λ
3 L λn 
 λ1n−1 λn −1
2
n −1
λ
3 L λnn−1 

λ1 0 L 0 0
0 λ L 0 0 
 2

P AP =  M M
−1
O M M
 
0 0 L λn −1 0
 0 0 L 0 λn 

Havendo autovalores repetidos a matriz P assume a forma abaixo e a matriz transformada fica na
forma canônica de Jordan
 1 0 0 1 L 1 
 λ 1 0 λ4 L λn 
 12
λ 2λ1 1 λ4 2 L λn 2 
P =  13 
 λ1 3λ1 2λ1 λ43 L λn 3 
 M M M M O M 
 n−1 
λ1 (n − 1)λ1 (n − 2)λ1 λ4 L λn n−1 
n−1
88 Álgebra Linear

λ1 1 0 0 L 0
0 λ 1 0 L 0 
 1

 0 0 λ1 0 L 0
P −1 AP =  
 0 0 0 λ4 L 0
M M M M O M
 
 0 0 0 0 L λn 

Exemplo 13.4: Considerando a representação no espaço de estados do sistema:

 0 1 0 0 
. 
x =  0 0 1  x + 0u


  − 6 − 11 − 6 6
 y = [1 0 0]x


λ − 1 0 
[λI 3 − A] =  0 λ − 1  det[λI 3 − A] = λ3 + 6λ + 11λ + 6

 6 11 λ + 6

λ1 = −1 λ2 = −2 λ3 = −3
1 1 1  3 5 / 2 1 / 2
P = − 1 − 2 − 3
 P = − 3 − 4 − 1 
−1

 1 4 9   1 3 / 2 1 / 2
3
P B = − 6
−1

 3 
CP = [1 1 1]
 − 1 0 0 3
. 
z =  0 − 2 0  z +  − 6u

  0 0 − 3  3 
 y = [1 1 1]z


Exemplo 13.5: Considerando a representação no espaço de estados do sistema:

 0 1 0 0
. 
x =  0 0 1 x + 0u


 12 − 16 7 6
 y = [1 0 0]x


 λ −1 0 
[λI 3 − A] =  0 λ − 1  det[λI 3 − A] = λ3 − 7λ2 + 16λ − 12

− 12 16 λ − 7
 89

λ2 = λ1 = 2 λ3 = 3
1 0 1  − 3 4 − 1
P = 2 1 3 P = − 6 5 − 1
  −1

4 4 9  4 − 4 1 
− 6
P B = − 6
−1

 6 
CP = [1 0 1]
 2 1 0 − 1
. 
 z = 0 2 0 z + 6− 1u

fazendo P −1 AP = 
 0 0 3  1 
 y = [1 0 1]z


A transformação inversa, do sistema espaço de estados para função de transferência, está ilustrada
no exemplo a seguir

Exemplo 13.6:
Y (s ) −1
= C (sI − A) B + D
U (s )

 0 1 0 10
. 
x =  0 0 
1  x +  0 u

 − 1 − 2 − 3  0 
 y = [1 0 0]x


s − 1 0 
(sI − A) = 0 s − 1 

1 2 s + 3

 s 2 + 3s + 2 s+3 1
 
 −1 s ( s + 3) s 
adj (sI − A)  −s − (2 s + 1) s 2 
(sI − A)−1 = =
det (sI − A) s 3 3s 2 + 2 s + 1

Y (s ) s 2 + 3s + 2
= 10 3
U (s ) s + 3s 2 + 2 s + 1

Exercícios Propostos (13)

(13.1) Obter a forma diagonal do sistema dado abaixo

.  1 3 1
x =   x +  u
  − 4 − 6 3
 y = [1 4]x

90 Álgebra Linear

(13.2) Obter a forma diagonal do sistema dado abaixo

 0 1 0 0
.    
 x = 0 0 1 x + 0u

 8 − 12 6  2
 y = [1 0 0]x


(13.3) Obter a forma diagonal da matriz A dada abaixo

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

(13.4) Dado o sistema, achar a função de transferência correspondente.

 − 1 0 1 0
.    
 x =  1 − 2 0  x + 0 u

  0 0 − 3 1
 y = [1 1 0]x


(13.5) Dado o sistema, achar a função de transferência correspondente.

.  0 1  1
x =   x +  u
  − 3 − 2 0
 y = [0 1]x

 91
REFERÊNCIAS BIBLIOGRÁFICAS

Steibruch, Alfredo ; Winterle, Paulo. – Álgebra Linear, Pearson Makron Books, 1987 2ª Ed.

Lipschutz, Seymor. – Álgebra Linear, McGraw-Hill do Brasil 1994

Kolman, Bernard. – Álgebra Linear, Editora Guanabara S.A. 1987

Santos, Reginaldo J. – Matrizes Vetores e Geometria Analítica, Imprensa Universitária UFMG

2002

Ogata, Katsuhiko. – Engenharia de Controle Moderno, Pearson Education do Brasil 2006

Nise, Normam S. – Engenharia de Sistemas de Controle, Livros Técnicos e Científicos Editora S.A.
LTC 3ª Edição 2002

Friedberg, Sthephen H. e outros. – Linear Álgebra. Prentice Hall 3ª Edição 1997

Boldrini, José L. e outros. – Álgebra Linear. HARBRA 3ª Edição 1986

Dorf, Richard C. e Bishop, Robert H. – Sistemas de Controle Modernos, Livros Técnicos e

Científicos Editora S.A. LTC 8ª Edição 2001
92 Álgebra Linear

Respostas de problemas selecionados

01 - Sistemas Lineares e Matrizes

(1.1) x = 4; y = 2 (1.2) x = 1; y = 2; z = −2 (1.3) x = −4; y = 2; z = 10 (1.4) Não tem solução

 x = −20
 x = 10 z + 13 
(1.5) x = 2, y = −1, z = −2 (1.6) (1.7) 1 (1.8)0 z = 1Não tem solução
 y = − 8 z − 8  y = 4 z + 8
x = 2 x = 5
(1.9)Não tem solução (1.10) (1.11) (1.12)0 z = 1Não tem solução
 y = −1 y =1
 x = −1
  x = 20Ton  x = 1,5Ton Normal
(1.13) Não (1.14) y = 2 (1.15) (1.16)
 z = −2  y = 20Ton  y = 2,5Ton Especial

(1.17) P = 16 / 5 g ; G = 21 / 5 g ; C = 2 g (1.18) R 2 min = 20Ton; R6 + R9 = 40Ton
− 1 − 3 8 − 6 19 10
(1.19) (a )  (b )  (c ) 
 26 6  − 9 17  − 6 1 
(1.20) (a) somente se AB=BA
3x1 + 2 x2 = −4
1 2 − 1 1 7 
(1.21) (a )  (b )5 x1 + x2 = 2
2 − 1 0 2 − 8 3x + 2 x = 6
 1 2

1 0 11 / 5 0
0 1 − 7 / 5 0
(1.22)  
0 0 0 1
 
0 0 0 0
7 2 2 1
(1.23) (a )x = −3; y = 10; z = −2 (b )x = + z; y = + z; z∀; w = 0
3 3 3 3
(1.24) (a )a = −3; (b )a ≠ ±3; (c )a = 3 (1.25) b3 − 2b1 − b2 = 0
(1.26) z = 0; x = −3 y (1.27) a = 1 ou a = 2

02 - Inversão de Matrizes
4 − 1
(2.3)  (2.4)sin gular
− 3 1 
 1 −1 0 −1 
 1 −1 0   0
1 / 2 − 1 / 4 − 1/ 2 0 0 
(2.5)(a )  (b )3 / 2 1 / 2 − 3 / 2
 (c )
1 / 6 1 / 12  − 1 / 3 7 / 6 1/ 3 2/3 
 − 1 0 1   
 2 / 3 − 5 / 6 − 2 / 3 − 1 / 3

 1 0 − 1  3 / 2 − 1 1/ 2 
(2.7 )(a ) 1 − 1 2  (b )sin gular (c ) 1 / 2 0 − 1 / 2
− 1 1 − 1  − 3 / 2 1 1 / 2 

 1 0 − 1  3 2 − 4
(2.8)(a ) 1 − 1 2  (b)− 1 0 1  (c )sin gular
− 1 1 − 1  0 − 1 1 
 93

 1 −1 0  − 1 3 / 2 1/ 2 
(2.9)(a )sin gular (b) 1 − 2 1 
 (c ) 1 − 3 / 2 1 / 2 

 − 3 / 2 5 / 2 − 1 / 2  0 1 / 2 − 1 / 2

 3 / 5 − 3 / 5 − 1/ 5 
(2.10)(a ) 2 / 5 3 / 5 − 4 / 5 (b )sin gular (c )sin gular
− 1 / 5 1 / 5 2 / 5 

16 / 45  a = 3/8  4 / 9 a = 3 / 7
(2.11)(a)  (b ) 2.12(a)   (b)
29 / 45 b = 5 / 8 5 / 9  b = 4 / 7

30 cadeiras 10 40

(2.13)(a )30 me sinh as (b )40 (c )50
20 mesas 100 / 3 40 / 3
  
L = 60 min Luxo B = Brochura
(2.14)(a )
 B + 2 P = 180 min P = Padrão
(b)Como a matriz não é quadrada não admite inversa
0 3 – Determinantes
− 11 29 1
(3.1) − 4 7 − 2

 2 − 10 1 
(3.2)A21 = 0; A22 = 0; A23 = 0; A24 = 13 A13 = −9; A23 = 0; A33 = 3; A43 = −2
(3.3)(a ) − 43 (b )75 (c )0 (3.4) Re sp : (a )9 (b )13 (c ) − 26
(3.5)(a )0 (b ) − 6 (c ) − 36 (3.6)(a ) − 135 (b ) − 20 (c ) − 20
 3 / 14 − 3 / 7 1 / 7 
2 / 9 − 1 / 9 
(3.10)(a )A = 
−1
 (b )B =  1 / 7
−1
5 / 7 − 4 / 7
 1 / 6 1 / 6  − 1 / 14 1 / 7 2 / 7 
(c )det C = 0 sin gular
1 / 4 − 1 / 20 3 / 20 
2 / 7 − 3 / 7
(3.11)(a ) det A = 0 (b )B =  −1
 (c )C =  0 1 / 5
−1
2 / 5 
1 / 7 2 / 7   0 1 / 10 − 3 / 10
1 0 −1  − 1 / 21 − 2 / 21 8 / 21 
1 / 3 − 1 / 3 
(3.12)(a )A = − 2 1 / 2 5 / 2
−1
(b )B = 
−1
 (c )C =  4 / 21 − 5 / 42 − 1 / 42 (
−1

 − 1 0 2 / 3 − 5 / 3
2   1 / 6 1 / 12 − 1 / 12 
15 / 14 5 / 28 − 9 / 28 − 23 / 14
1 / 4 0 0   8 / 7 − 1/ 7 − 1/ 7
0 1 / 2   0 −1/ 3 0  − 9 / 7 
(3.13)(a )    (c )
1 3 / 2  3 / 7 1 / 14 1 / 14 −6/7 
 0 0 1 / 2  
 − 4 / 7 1 / 14 1 / 14 8/7 
(3.14)(d )det D = 13 (3.15)(d ) det D = −2 (3.17)(a )1; 4 (b )0 ;−5; 3
94 Álgebra Linear

(3.18)(a ) det A = 0; det B = 7 (3.19)(a ) det ≠ 0 (b )det = 0

(3.20)x = −26 / 9; y = −2 / 9; z = 13 / 9
(3.21)x = 1; y = −1; z = 0; w = 0


(3.22)x = 14; y = −34; z = 12
(3.23)sem solução
(3.25)(a )1 / 5 (b )80 (c )16 / 5 (d )1 / 80
(3.26)(a )12 (b )36 (c )3
(3.28)(a ) − 2 (b ) Re sp : 172
(3.27 )0;−1;−4
 29 − 21 11 
(3.29)coA 3 21 − 1 (3.30) − 218
− 17 − 7 9 
( )
(3.33) det A = 0 ⇒ λ λ2 + 4λ + 4 ⇒ λ = 0 ou λ = −2
(3.34) det A ≠ 0 ⇒ λ .(λ − 1)(λ + 1) ≠ 0 ⇒ λ ≠ 0 e λ ≠ ±1
14
(3.35)x = −2 y = 1 z = −3 (3.36)17 (3.37)a = (3.38)a = 0 ou a = ±3
3
(3.39)x = 1 y = 0 z = −2 (3.42)det A = −444 (3.43)λ ≠ 0 e λ ≠ 2 eλ ≠ 1
(3.44)(a )54 (b)27 / 2 (c )(1/ 54)
04 – Vetores
(4.1)(a ) 15 (b )
18 (c ) 43 (d ) − 5 (e ) − 0,3043
(4.2)BD = D − B = (C − B ) + 2( A − B )
3
(4.5)(a )3,74 6,48 (b )6 (c )m = −7 (d )0,25
cos α = 2 / 3,74 = 0,373 cos α = 4 / 6,48 = 0,62
→
 →

(e ) u cos β = −1 / 3,74 = −0,27 v cos β = 5 / 6,48 = 0,77
cos γ = 3 / 3,74 = 0,80 cos γ = 1 / 6,48 = 0,15
 
 − 8
( f )2 5  (e)0,97
 7 
 − 1 − 6i   13 + i 

(4.7 ))(a ) − 11   (b )31 + 17i  (c ) - 607 + 209i; - 607 - 209i (d )8 e 14,66
− 9 + 4i   27 − i 
05 – Espaços Vetoriais
 − 1 1 0 
y = 3/ 2  − 1 0 − 2
(5.1)(b) e (c ) (5.2) (5.3)(a )  (b ) 
 x = −3 / 5 1 0 1 
   
0 1 0 
(5.4)(a )t = 0 LD; 0 < t ≤ 2π LI (b )LD (c )LI
 95

06 – Bases
6.1

1 0 0 1 0 0 2  1 0 0 2
A = − 3 1 0 det A = 1 − 3 1 0 − 5 ⇒ 0 1 0 1 ⇒
  
 1 − 1 1  1 − 1 1 6  0 0 1 5
( )
2t 2 − 5t + 6 = 2 t 2 − 3t + 1 + 1(t − 1) + 5.1

− 1 0
→
 0  → − 1
(6.2)base possível : v1 =   v2 =  
1 0
   
0 1

6.3 e 6.4 Sim; 6.5 Dim=2;

 0   7  − 5
 − 1  − 4  3 
      5 x + x − x − x = 0
(6.7 )Base possível (a ) 0   0   1  (6.7.b ) 1 2 3 4
       x1 + x2 − x3 − x5 = 5
0 1  0
 1   0   0 
− 2 2 
 −1 1 
 
(6.8)base possível  1 0  6.9) Posto ou Dim=2
 
 0 − 1
 0 1 
 1/ 2 1/ 6 1/ 3 
 
(6.14) 0 − 2 / 2 1/ 3 
−1/ 2 1/ 2 1/ 3 
 
 0 0 0 

07 – Transformações Lineares

 1  a+b 
(7.1) b e d; (7.2) Re sp : (a )  (b ) ;
− 19 − 5a + 2b
(7.5) Re sp : (a )V (b )F (c )V (d )F (e )(0,α ) ( f )(α ,0 )α∀R

08 – Transformações Sobrejetiva e Injetiva

→
(8.1) (b) Injetiva (c) Não Sobrejetiva (8.3)Dim(Im T ) = 3Sob KerT = 0 Inj
1 − 1 2 0 2 − 1 1 − 1
(8.4)vetores  (8.8)vetores 
− 2 2 5 1 1 − 1 0 3 
96 Álgebra Linear

1 2 1   1 0 0
(8.10)Sol : (a )[TC →C ] = 2 − 1 0 (b )vC = B vB ⇒ vB = B vC B =  0 1 0
  → → → →
−1 −1

0 2 1 − 1 − 1 1

1 2 1
[TC→B ] = B [TC →C ] =  2 − 1 0
−1 
− 3 1 0
2 3 1
(c )[TB→C ] = T ([B]) = [TC→C ].B = 2 − 1 0
1 3 1
09 - Diagonalização
(9.1) f (λ ) = λ3 − 4λ2 + 7 (9.2) f (λ ) = λ2 − 5λ + 7 (9.3) f (λ ) = (λ − 4)(λ − 2)(λ − 3)

1 6 0 0
(9.4) f (λ ) = λ 3
λ = 0 0 (9.5) f (λ ) = (λ − 1)(λ − 3)(λ + 2) 3 5 0
0 8 2 1
− 1 1  − 1 − 1 / 2
(9.6) f (λ ) = λ (λ − 2)   (9.7) f (λ ) = λ2 − 5λ + 6 = (λ − 2)(λ − 3) 
 1 1 1 1 
1 − 1 − 7 / 2
(9.8) f (λ ) = (λ − 2)(λ2 − 5λ + 4) = (λ − 2)(λ − 1)(λ − 4) 0 1 − 2 
0 0 1 
 4 − 1 − 1
(9.9) λ − 5λ + 2λ + 8 = (λ − 4)(λ − 2)(λ + 1) 5 / 2 − 3 / 2 0 
3 2 
 1 1 1 
1 0 0
(9.10) f (λ ) = (λ − 2)(λ + 1)(λ − 3) 1 − 1 0

− 4 1 1
0 − 1 3 − 29 / 3
0 1 1 − 7 / 3 
(9.11) f (λ ) = (λ − 1)(λ + 1)(λ − 3)(λ − 2) 
0 0 4 / 3 −3 
 
1 0 0 1 
− 1 0 − 1 0 0 0 
 − 1 4 − 3 0
(9.12) P =   D =  0 2 (9.13)Não (9.14) P =  3 2 0  D = 0 2 0
 
 1 1     1 1 1  0 0 3
13 / 2 1 1  2 0 0

(9.15) P =  1 − 1 0 D = 0 − 1 0
 (9.16)Não (9.17)Não
 3 / 2 0 0 0 0 1
 0 1 1 1 0 0 1 − 3 / 2 1   4 0 0
(9.18) P = − 2 0 0 D = 0 1 0 
(9.19) P = 0 0 − 6 D = 0 − 1 0

 1 0 1 0 0 3 1 1 4  0 0 1
 97

 1 2 1 0 0 0
 1 − 1  2 0
(9.20) P =   D=  (9.21) P =  0 1 0 D = 0 2 0
− 2 1  0 1 − 3 0 0 0 0 3

3 1
− 3 0 1 − 3 0 
(9.22) λ = 1  1  λ = 2 0 0
  (9.23) λ = 1   λ = 2   (9.24)Não
1 0 
 0  1 0    
0 0 

10 – Diagonalização de Matrizes Simétricas

1 0 0  1 0 0 
(10.1) Sim
−1 
(10.2.a )A = A = 0 cosθ
T
− sin θ  T 
(b) B = 0 1 / 2 − 1 / 2 
0 sin θ cos θ  0 − 1 / 2 − 1 / 2 
(10.3) (a ) A = ±1 ⇔ cos 2 θ + sin 2 θ = 1 (b ) B = −1
− 2 0 0 0 2 / 5 1 / 5 
  
(10.4) D = 0
 − 1 0 P = 1 0 0 
 0 0 4 0 1 / 5 − 2 / 5 
 
 4 0 1 / 2 − 1 / 2 
(10.7) D =  P= 
0 0 1 / 2 1 / 2 
− 1 0 0  − 1 / 2 1 / 2 0
   
(10.8) D = 0 1 0 P =  0 0 1 
 
 0 0 0  1 / 2 1 / 2 0
 
 4 0 0  0 1 0 

(10.9) D = 0 0 0
  
  P = 1/ 2 0 − 1 / 2 
0 0 0 1/ 2 0 1 / 2 
0 0 0 0  1 0 0 0 
0 0 0 0  0 1 0 0 
(10.10) D =   P= 
0 0 1 0  0 0 1 / 2 − 1 / 2 
   
0 0 0 − 1 0 0 1 / 2 1 / 2 
− 3 0 0 − 1 / 2 − 1 / 6 1 / 3 
    1 0 − 1 1
(10.11) D = 0 − 3 0 P =  0 2 / 6 1 / 3  (10.12) D =  P=
 
   0 3  1 1

 0 0 3 
 1/ 2 − 1/ 6 1/ 3 
0 0 0 0   1 0 0 1
0 0 0 0   
  1 − 1 0 0 1
(10.13) D = P=
0 0 4 0  2  0 − 1 1 0
   
0 0 0 4   0 1 1 0
1 0 0 0 1 / 2 − 1 / 2 
   
(10.14) D = 0 2 0 P =  0 1 / 2 1 / 2 
 
0 0 0 1 0 0 

98 Álgebra Linear

5 0 0  0 1 0 

(10.15) D = 0
 
1 0 P = − 1 / 2 0 1 / 2 

0 0 1  1 / 2 0 1 / 2 
1 0 0 1 0 0 

(10.16) D = 0
 
0 0 P = 0 − 1 / 2 1 / 2 

0 0 2 0 1 / 2 1 / 2 
0 0 0 0 0 0 1/ 2 −1/ 2 
0  
0 0 0  0 1 0 0 
(10.17) D =  P=
0 0 1 0 1 0 0 0 
   
0 0 0 − 1 0 0 1 / 2 1 / 2 
 4 0 0 1 / 3 − 1 / 2 − 6 / 6
   
(10.18) D = 0 1 0 P = 1 / 3 0 6 /3 
 
1 / 3 1 / 2 − 6 / 6
0 0 1 
− 4 0 0 1 / 2 0 1/ 2 
   
(10.19) D = 0 −2 0  P =  0 1 0 

 0 0 − 2 1 / 2 0 − 1 / 2 

(10.20) Sim det A = −1
− 9 0 0 1 / 5 0 − 2 / 3
  
(10.21) D = 0
 − 9 0 P = 2 / 5 − 2/ 5 1/ 3 
 0 0 9  0 1/ 5 2 / 3 


11 - Formas Canônicas
5 0 0 0 0 1/5 0 0 0 0  2 1 0 0 0
0 1 0 0 0  0 1 0 0 0 0 2 0 0 0 
   
(11.1) P = 0 0 0 - 1 0 P −1 =  0 0 0 - 1 0  J = 0 0 - 1 0 0
     
0 0 - 1 0 0  0 0 -1 0 0 0 0 0 -1 1 
0 0 0 0 1   0 0 0 0 1  0 0 0 0 - 1
1 0 0 1 0 0 1 1 0

(11.2) P = 1 1 0
 −1  0 
J = 0 1 1
  P = - 1 1
1 2 1   1 - 2 1 0 0 1
- 4 13 0  0 −3 1  1 0 0

(11.3) P = 0 0 1
 −1  − 12 / 13 4 / 13 J = 0 2 1 

  P = 1 / 13
 1 0 3   0 1 0  0 0 2
1 0 0 1 0 0 2 1 0

(11.4) P = 2 1 0
 P = − 2 1 0 J = 0 2 1 
−1  
 
 4 4 1  4 − 4 1 0 0 2
 99

12 - Formas Quadráticas
2 2
(12.1) f ( x' , y ' ) = 5 x ' +10 y ' −30
1 2 5 0 
 f ( x' , y ') = 5 x' +180 y ' +10
2 2
(12.2) P =   D=
 0 5   0 180 
 0.4551 - 0.4400 0.7742   - 5.2033 0 0

P =  - 0.6505 - 0.7579 - 0.0484 D =    0 2.0671 0 
(12.3)
 - 0.6080 0.4816 0.6312   0 0 6.1362
f ( x' , y ' , z ') = -5.2033x'2 +2.0671y '2 +6.1362 z '2
- 0.7882 - 0.6154  - 2.6847 0 
P=   D= 
(12.4)  - 0.6154 0.7882  0 9.6847
f ( x' , y ') = -2.6847 x'2 +9.6847 y '2

13 - Aplicações
  2 1 0  0 
 . − 3 0  − 12 .    
z =  z +  u  z =  0 2 1  z + 0  u
(13.1)   0 − 2  − 13 (13.2) 
 0 0 2 2
 y = [− 13 / 3 3]z 
  y = [1 0 0]z

1 0 0 0 1 1 1 1 1 1 1 1 
0 − 1 0 0 1 − 1 i − i   
1 1 − 1 1 − 1
(13.3) D =  P= −1
P =
0 0 i 0 1 1 − 1 − 1 4 1 − i − 1 i 
     
0 0 0 − i 1 −1 − i i  1 i − 1 − i 
s+3 1
(13.4) 3 =
s + 6s 2 + 11s + 6 (s + 3)(s + 2)
−3
(13.5) 2
s + 2s + 3