Escolar Documentos
Profissional Documentos
Cultura Documentos
Algebra
Algebra
Geometria Analı́tica
Francisco Miranda Isabel Araújo
Joana Pires Sónia Dias
3
2.3 Exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
2.4 Soluções . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
2.5 Fichas Práticas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109
2.5.1 Determinante de uma matriz . . . . . . . . . . . . . . . . . . . . 109
4
4.8.2 Valores e vectores próprios . . . . . . . . . . . . . . . . . . . . . 211
Bibliografia 269
5
6
Capı́tulo 1
1.1 Introdução
1.1.1 Sistemas de equações lineares
Dada a importância e a aplicabilidade dos sistemas de equações lineares, recordemos
os conceitos de equação linear e sistema de equações lineares.
Definição 1.1.1 Uma equação linear nas variáveis x1 , . . . , xn é uma equação da for-
ma
a 1 x1 + . . . + a n xn = b (1.1)
onde a1 , . . . , an , b são números reais ou complexos. Os ai , i = 1, . . . , n são os coefi-
cientes e b é o termo independente da equação.
x − 2y = 1 (1.3)
e
x=1 (1.4)
são equações lineares, enquanto que as equações
2xy − z = 1
e
x2 + y = 3
não são lineares devido aos termos 2xy e x2 , respectivamente.
7
8 CAPÍTULO 1. SISTEMAS DE EQUAÇÕES LINEARES. MATRIZES
No conjunto R os conjuntos solução das equações (1.2), (1.3) e (1.4) do Exemplo 1.1.1,
são respectivamente:
n √ o
(x, y, z) ∈ R3 : 2x − y + 3z = 5 ,
©
(x, y) ∈ R2 : x − 2y = 1} ,
{x ∈ R : x = 1} .
É de salientar que o conjunto solução de uma equação varia de acordo com o conjunto
definido. Consideremos a equação linear x − 2y = 1. Em R2 esta equação tem infinitas
soluções reais, como por exemplo (2, 1/2) , enquanto que em C2 tem essas mesmas
soluções, mais as infinitas soluções complexas, como por exemplo (2 + i, (1 + i) /2) ,
ou seja, o conjunto
© © ª
(x, y) ∈ C2 : x − 2y = 1} ⊃ (x, y) ∈ R2 : x − 2y = 1 .
Definição 1.1.3 Um sistema de m equações lineares com n incógnitas é da forma
a11 x1 + a12 x2 + . . . + a1n xn = b1
a21 x1 + a22 x2 + . . . + a2n xn = b2
.. .. .. .. . . . .. .. .. (1.5)
. . . . . .. . . .
a x + a x + ... + a x
m1 1 m2 2 mn n = bm
onde os aij , i = 1, . . . , m, j = 1, . . . , n e bi são escalares (reais ou complexos) e
designam-se, respectivamente, por coeficientes e termos independentes.
Caso nada se diga em contrário, consideramos que os escalares são reais e o conjunto
solução está contido em Rn .
Definição 1.1.4 O conjunto de soluções (ou apenas conjunto solução) do sistema
(1.5) é
{(r1 , . . . , rn ) ∈ Rn : (r1 , . . . , rn ) é solução de cada uma das m equações do sistema}
ou seja, o conjunto solução é a intersecção dos conjuntos solução de cada uma das m
equações do sistema.
Os sistemas de equações podem ser classificados tendo em conta o seu conjunto solução.
Um sistema diz-se possı́vel quando há uma ou mais soluções comuns às equações que
o constituem, sendo determinado se admite uma única solução e indeterminado
quando tem várias soluções. O sistema é impossı́vel se as equações não têm solução
comum.
Definição 1.1.5 Dois sistemas são equivalentes quando têm o mesmo conjunto solução.
Os problemas essenciais relativamente aos sistemas de equações lineares que vamos
abordar dizem respeito à sua resolução e classificação.
1.1. INTRODUÇÃO 9
1o Passo:
Identificar o 1◦ elemento pivot, que é um escalar não nulo. Consideremos como pivot,
deste primeiro passo de eliminação, o coeficiente 2 da incógnita x na 1a equação.
Assim, vamos somar múltiplos da 1a equação às restantes, de forma a eliminar o
termo em x dessas equações. Assim, obtemos
2x + y + 4z = 2
−2y − 12z = −16
5
2
y − 8z = −3
2o Passo:
Nos vários passos utilizados, foram efectuadas as seguintes operações, designadas por
operações elementares (sobre equações):
Pode acontecer que a troca de equações não resolva a dificuldade. Assim, temos que
identificar o pivot, ignorando a coluna em que todos os candidatos a pivot são nulos
e considerar a coluna relativa à incógnita seguinte. Nestes casos o sistema não tem
solução ou tem um conjunto infinito de soluções.
e, neste caso, o 3◦ elemento pivot é zero e a troca de equações não resolve a dificuldade.
Portanto o sistema não tem solução ou tem um conjunto infinito de soluções, como
iremos concluir. Tomando, agora, 6 como 4◦ elemento pivot, elimina-se a última
incógnita da última equação. Tem-se, então:
x + 3y − 5z + w = 0
y + 7z + 8w = 1
.
6w = b
0 = b
Então:
É fácil generalizar e perceber como é possı́vel aplicar este método a outros sistemas
de m equações lineares a n incógnitas. Podemos esquematizar do seguinte modo:
Uma vez que o sistema 1.7 é obtido a partir do sistema 1.6 por aplicação do método
de eliminação de Gauss, estes dois sistemas são equivalentes e portanto {(−2, 2, 1)} é
também o conjunto solução do sistema inicial 1.6.
1.2 Matrizes
1.2.1 Definição de matriz e submatriz
Apesar de num sistema estarem sempre presentes as incógnitas, os coeficientes
das incógnitas e os termos independentes, na simplificação de sistemas de equações
lineares pelo método de eliminação de Gauss só se trabalha efectivamente sobre os
coeficientes das incógnitas e os termos independentes. Ou seja, somente estes escalares,
nas respectivas posições, são importantes. Assim, mantendo as equações cuidadosa-
mente alinhadas, termo a termo, respeitando a parte literal, os coeficientes podem ser
eficientemente organizados numa disposição rectangular, designada por matriz. A
utilização de matrizes permite simplificar consideravelmente a notação dos sistemas.
No Exemplo 1.1.2 os coeficientes que afectam as incógnitas são 9 e distribuem-se por
3 linhas e 3 colunas, o que significa que formam uma matriz 3 × 3, designada por
matriz dos coeficientes,
2 1 4
A = 6 1 0 . (1.8)
−1 2 −10
Definição 1.2.1 Uma matriz A do tipo m×n sobre R (ou C) é um arranjo rectangular
com mn elementos reais (ou complexos) que estão organizados em m linhas e n
colunas. Podemos então representar:
a11 a12 . . . a1n
a21 a22 . . . a2n
A = .. .. . . .. .
. . . .
am1 am2 . . . amn
Normalmente, utilizam-se letras maiúsculas para denotar matrizes e as respectivas
letras minúsculas indexadas com dois ı́ndices para designar os elementos ou entradas
dessas matrizes. Por exemplo, o elemento da linha i coluna j da matriz A denota-se
por aij . Portanto, podemos representar abreviadamente a matriz A por A = [aij ] , onde
i = 1, . . . , m, j = 1, . . . , n. Representa-se a linha i da matriz A e a coluna j da matriz
A, respectivamente, por ai· e a·j .
Das matrizes referidas atrás, podemos concluir que quer a matriz (1.8), quer a matriz
(1.9), são submatrizes da matriz ampliada (1.10).
Definição 1.2.3 Uma matriz diz-se real se todos os seus elementos são números reais.
Caso não seja dito nada em contrário, as matrizes que vamos considerar serão matrizes
reais.
14 CAPÍTULO 1. SISTEMAS DE EQUAÇÕES LINEARES. MATRIZES
Nota: As matrizes linha e coluna também se designam por vectores linha e coluna,
respectivamente.
Compare cada uma das matrizes com os sistemas de equações lineares do exemplo
1.1.2.
Facilmente verificamos que as matrizes ampliadas de qualquer sistema se obtêm umas
das outras aplicando operações elementares sobre linhas, equivalentes às operações
elementares já referidas para equações:
Definição 1.2.8 Duas matrizes dizem-se equivalentes se uma delas pode ser obtida
da outra, realizando-se um número finito de operações elementares de matrizes.
Definição 1.2.9 Designa-se por matriz escalonada uma matriz onde o número de
zeros precedentes ao primeiro elemento não nulo da linha aumenta de linha para linha
até que, se possı́vel, só sobrem linhas nulas.
1.2. MATRIZES 17
Definição 1.2.10 Designa-se por matriz escalonada reduzida uma matriz escalonada
em que os seus elementos pivot são iguais a 1 e os únicos não nulos das suas colunas.
Nota: Se todos os elementos de uma linha de uma matriz são nulos, diz-se que essa
linha é nula.
x − 2y − 3z = 2
2. x − 4y − 13z = 14 , cuja matriz ampliada correspondente é
−3x + 5y + 4z = 0
¯
1 −2 −3 ¯¯ 2
1 −4 −13 ¯ 14 . Aplicando as operações elementares de matrizes sobre
¯
−3 5 4 ¯ 0 ¯
1 −2 −3 ¯¯ 2
linhas, podemos obter a matriz ampliada escalonada 0 1 5 ¯¯ −6 , a
0 0 0 ¯ 0
partir da qual obtemos o conjunto solução:
Classificação
Sistema nincg r(A) r([A|B]) Conjunto solução
do sistema
Sistema possı́vel
1. 3 3 3 {(−2, 2, 1)}
determinado
Sistema possı́vel
2. 3 2 2 {(−10 − 7z, −6 − 5z, 7) : z ∈ R}
indeterminado
Sistema
3. 3 2 3 Ø
impossı́vel
Os sistemas homogéneos são sempre possı́veis, pois admitem sempre a solução nula
(solução trivial), podendo ser determinados ou indeterminados.
Teorema 1.2.1 Um sistema homogéneo com mais incógnitas que equações é possı́vel
indeterminado.
Igualdade de matrizes
Adição de matrizes
Nota: A matriz O é uma matriz do tipo m × n em que todos os seus elementos são
nulos e representa-se abreviadamente por O = [0]m×n .
Nota: Subtrair duas matrizes A = [aij ] e B = [bij ] do tipo m × n, não é mais do que
somar A = [aij ] com −B = [−bij ] , visto que A + (−B) = A − B.
Multiplicação de matrizes
2x + y + 4z 2 2x + y + 4z = 2
⇔ 6x + y = −10 ⇔ 6x + y = −10
−x + 2y − 10z −4 −x + 2y − 10z = −4
24 CAPÍTULO 1. SISTEMAS DE EQUAÇÕES LINEARES. MATRIZES
mas BA não está definido, porque a matriz B tem 1 coluna e A tem 2 linhas.
4. O produto de duas matrizes pode ser nulo sem que nenhuma das matrizes
intervenientes o seja, isto é, a lei do anulamento do produto não é válida
· para
¸
1 1
o produto de matrizes. Por exemplo, o produto das matrizes A = e
· ¸ · ¸· ¸ · ¸ 1 1
1 1 1 1 1 1 0 0
B= é AB = = = O, sem que A e
−1 −1 1 1 −1 −1 0 0
B sejam matrizes nulas.
1.2. MATRIZES 25
5. O produto das matrizes A por B pode ser igual ao produto das matrizes A por C,
com A 6= O, sem que as matrizes B e C sejam iguais, isto é, a lei do· cancelamento
¸
1 2
não é válida para o produto de matrizes. Por exemplo, sendo A = 6= O2 ,
· ¸ · ¸ · 2¸ 4
2 1 −2 7 8 5
B= eC= temos que AB = AC = e B 6= C
3 2 5 −1 16 10
Teorema 1.2.4 Seja M o conjunto de todas as matrizes reais. Então, sempre que
façam sentido as operações indicadas, temos que
(v) OA = O ∧ BO = O, ∀A, B ∈ M
(vi) IA = A ∧ BI = B, ∀A, B ∈ M
A0 = In ,
A1 = A,
A2 = AA,
...
Ak+1 = Ak A.
· ¸
0 1
Exemplo 1.2.11 Consideremos a matriz 2 × 2, A = . Temos que:
−1 0
· ¸·¸ · ¸
2 0 1 0 1 −1 0
A = AA = = ,
−1 0−1 0 0 −1
· ¸· ¸ · ¸
3 2 −1 0 0 1 0 −1
A =A A= = ,
0 −1 −1 0 1 0
· ¸· ¸ · ¸
0 −1 0 1 1 0
A4 = A3 A = = = I2 .
1 0 −1 0 0 1
26 CAPÍTULO 1. SISTEMAS DE EQUAÇÕES LINEARES. MATRIZES
Definição 1.2.19 Se, para uma matriz quadrada A de ordem n, existe p ∈ N tal que
Ap = O e, para qualquer k ∈ N, k < p temos Ak 6= O, diz-se que A é nilpotente de
grau p.
· ¸
0 1
Exemplo 1.2.14 Seja a matriz quadrada de ordem 2, A = . Temos que
0 0
· ¸· ¸ · ¸
2 0 1 0 1 0 0
A = AA = = = O.
0 0 0 0 0 0
Teorema 1.2.5 Seja M o conjunto de todas as matrizes reais. Então, sempre que as
operações estejam definidas, temos que:
O conceito de transposta de uma matriz permite-nos definir mais dois tipos parti-
culares de matrizes:
A transposta de A é a matriz
2 0 0
AT = 1 −2 0 .
4 −12 −23
Escalonando a matriz AT ,
2 0 0 −−−
2
−−−−−−−−−−−→ 2 0 0 2 0 0
1 −2 − L + L2 −→ L2 −−−−−−−−−−−→
0 3 1 0 −2 0 6L2 + L3 −→ L3 0 −2 0
−2L1 + L3 −→ L3
4 −12 −23 0 −12 −23 0 0 −23
Definição 1.2.23 Seja A = [aij ] uma matriz quadrada de ordem n. O traço de uma
matriz A representa-se
Pn por tr(A) e é a soma dos elementos da sua diagonal principal
isto é, tr(A) = i=1 aii .
−1 0 0
Exemplo 1.2.19 Seja A = 5 −2 4 . O traço da matriz A é:
3 3 3
tr (A) = (−1) + (−2) + 3 = 0.
1.2. MATRIZES 29
Matrizes invertı́veis
Toda a matriz invertı́vel é quadrada, mas nem todas as matrizes quadradas são
invertı́veis. De facto, recordando a definição 1.2.16, é fácil ver que só podem ser
invertı́veis as matrizes quadradas.
AA−1 = I2 , A−1 A = I2 .
· ¸· ¸ · ¸ · ¸ · ¸
1 2 a b 1 0 a + 2c b + 2d 1 0
= ⇔ = .
0 0 c d 0 1 0 0 0 1
Como podemos observar, estas duas matrizes nunca serão iguais para quaisquer que
sejam a, b, c e d. Portanto a matriz A não tem inversa.
· ¸
1 2
Exemplo 1.2.21 Para calcular a inversa de uma matriz A = , consideran-
−1 0
do a definição 1.2.24 temos que determinar B tal que AB = I e BA = I. Assim,
· ¸· ¸ · ¸ · ¸ · ¸
1 2 a b 1 0 a + 2c b + 2d 1 0
= ⇔ = .
−1 0 c d 0 1 −a −b 0 1
• Se Cn tem pelo menos uma linha nula, a matriz An não admite inversa.
• Se Cn é uma matriz triangular superior continuamos a aplicar operações
elementares sobre a matriz ampliada [Cn |Dn ] de modo a transformar Cn
numa matriz escalonada reduzida, isto é, na matriz In . As operações que
simultaneamente se efectuam na matriz Dn , transformam-na na matriz A−1 n .
−1
Ou seja, obtemos a matriz ampliada [In |An ] e portanto a matriz An
admite inversa.
Esquematizando, se A é uma matriz invertı́vel temos
[An |In ] −→ ... −→ [In |A−1
n ]
(operações elementares de matrizes sobre linhas)
Tabela 1.2: Aplicação das operações elementares de matrizes sobre linhas no cálculo
da inversa.
2 1 7
Exemplo 1.2.22 Consideremos a matriz A = 1 3 2 . Determinemos, se exis-
5 3 4
−1
tir, a matriz inversa A , aplicando operações elementares de matrizes sobre linhas.
¯ ¯
2 1 7 ¯¯ 1 0 0 1 3 2 ¯¯ 0 1 0
−−−−−→
[A|I] = 1 3 2 ¯¯ 0 1 0 L1 ↔ L2 2 1 7 ¯¯ 1 0 0
5 3 4 ¯ 0 0 1 5 3 4 ¯ 0 0 1
1.2. MATRIZES 31
¯
−−−−−−−−−−−−−−→ 1 3 2 ¯¯ 0 1 0
−2L1 + L2 −→ L2
0 −5 3 ¯¯ 1 −2 0
−5L1 + L3 −→ L3
0 −12 −6 ¯ 0 −5 1
¯
−−−−−−−−−−−−−−→ 1 3 2 ¯¯ 0 1 0
12
− L2 + L2 −→ L3 0 −5 3 ¯¯ 1 −2 0
5 ¯ − 12 − 1 1
0 0 − 66 5 5 5
¯
−−−−−−−−−−→ 1 3 2 ¯¯ 0 1 0
5
− L3 −→ L3 0 −5 3 ¯¯ 1 −2 0
66
0 0 1 ¯ 11 2 1
66
− 66 5
¯
−−−−−−−−−−−−−−→ 1 3 0 ¯ − 4 32 5
−3L3 + L2 −→ L3 ¯ 511 3345 33
0 −5 0 ¯¯ 11 − 22 66 15
−2L3 + L1 −→ L1
0 0 1 ¯ 11 2 1
66
− 66 5
¯
−−−−−−−−−→ 1 3 0 ¯¯ − 11 4 32 5
1 33 33
− L2 −→ L2 0 1 0 ¯¯ − 11 1 9
22
− 221
5
0 0 1 ¯ 11 66 − 66
2 1 5
¯
1 0 0 ¯¯ − 11 1
− 17 19
−−−−−−−−−−−−−→ 66 66
−3L2 + L1 −→ L1 0 1 0 ¯¯ − 11 1 9
22
− 22 1
.
0 0 1 ¯ 11 2 1
66
− 5
66
Teorema 1.2.9 Seja MIn o conjunto de todas as matrizes reais invertı́veis de ordem
n. Então
−1
(i) (A−1 ) = A, ∀A ∈ MIn
(vi) I −1 = I
Aplicando o resultado que se segue, podemos saber à priori se uma dada matriz
admite ou não inversa.
Definição 1.2.25 Seja A uma matriz quadrada invertı́vel. A matriz A diz-se orto-
gonal se A−1 = AT .
" √ #
1 3
Exemplo 1.2.24 Consideremos a matriz A = √2
3
2 .
− 21
" √ #
2
1 3
Como A−1 = √2
3
2 = AT , a matriz A é uma matriz ortogonal.
2
− 12
Observe-se que este processo de resolução de sistemas exige que a matriz A, de ordem
n, admita inversa. De acordo com o teorema 1.2.10 isso só acontece se r(A) = n e
esta condição só se verifica nos sistemas possı́veis e determinados.
34 CAPÍTULO 1. SISTEMAS DE EQUAÇÕES LINEARES. MATRIZES
1.3 Exercı́cios
Matrizes. Resolução de Sistemas.
(f ) Diagonal de ordem 4;
Exercı́cio 1.3.2
(b) Para cada uma das matrizes quadradas determinadas na alı́nea anterior, indique
os elementos que constituem a diagonal principal.
(b) Sem passar o sistema à forma matricial, resolva-o usando o método de eliminação
de Gauss.
(c) Compare os valores da caracterı́stica que obteve na alı́nea anterior, com a classi-
ficação dos respectivos sistemas. Que pode concluir?
Exercı́cio 1.3.9 Suponhamos que A é uma matriz quadrada escalonada reduzida por
linhas. Mostre que se A 6= I, sendo I a matriz identidade, então A tem uma linha
nula.
(b) Indique os valores de β para os quais o sistema tem uma infinidade de soluções.
Que relação devem verificar α, β e γ para o sistema só admitir uma variável livre?
(b) Para que valores dos parâmetros a e b, o respectivo sistema homogéneo associado
é indeterminado?
(c) Qual é a solução do sistema homogéneo que à partida conhece, sem ter de resolver
o sistema? Este sistema homogéneo tem mais soluções?
(a) Calcule A + B e B + A.
(b) Olhando para os resultados que obteve, que pode concluir?
(a) A + 12 B − 2 (A + B) ;
(b) A + B − 12 (A − B) .
(a) AB;
(b) (A + B) C;
(c) ACD;
(d) 2ACA + B.
(a) (4 × 1) (1 × 2) ;
(b) (1 × 2) (3 × 1) ;
(c) (3 × 4) (3 × 4) ;
(d) (2 × 2) (2 × 4) .
40 CAPÍTULO 1. SISTEMAS DE EQUAÇÕES LINEARES. MATRIZES
Verifique que:
(a) A2 − 3A + 2I3 = O3
(b) AI3 = A = I3 A
(c) AO3 = O3
(d) 2A − 3A = −A
· ¸ 1 −4 0 1
2 −1 0
Exercı́cio 1.3.27 * Sejam A = e B = 2 −1 3 −1 .
1 0 −3
4 0 −2 0
(a) Determine a forma de AB.
(b) Seja cij o elemento da i-ésima linha e j-ésima coluna do produto matricial AB,
isto é, AB = [cij ] . Determine c23 , c14 e c21 , sem calcular a matriz produto AB.
· ¸ · ¸
1 3 x
Exercı́cio 1.3.28 * Seja A = . Encontre U = , não nulo, tal que
4 −3 y
AU = 3U.
Determine:
(a) AB;
(b) (BA) C;
(c) (A + D) B;
(d) BA;
(e) (λA) B;
(f ) A (λB) ;
1.3. EXERCÍCIOS 41
(g) AB + DB;
(h) B (AC) ;
(i) λ (AB) .
(d) OA = O ∧ BO = O; ∀A, B ∈ M
(e) IA = A = AI; ∀A ∈ M
A (B + C) + B (C − A) − (A + B) C
Exercı́cio 1.3.32
· *¸Diz-se que as matrizes
· A e ¸B comutam se AB = BA. Encontre
x y 1 1
as matrizes que comutam com .
z w 0 1
Exercı́cio 1.3.36 * Em cada uma das alı́neas, dê exemplos de matrizes 2 × 2, com
componentes reais e com a propriedade indicada:
(a) A2 = −I;
(b) B 2 = O, com B 6= O;
Exercı́cio 1.3.38 *
(a) Verifique que as igualdades indicadas não são válidas para todas as matrizes 2×2 :
(A + B)2 = A2 + 2AB + B 2 e (A + B) (A − B) = A2 − B 2 .
(b) Corrija os lados direitos destas igualdades de forma a obter fórmulas correctas
para todas as matrizes.
(c) Para que matrizes A, B são válidas as formulas indicadas na alı́nea (a)?
(a) Determine uma matriz B quadrada de ordem 2, não nula, tal que AB = O2 .
AX = AY mas X 6= Y
mostre que:
(a) Y 2 = −I;
(b) Y 4 = I;
A + 3X = B
é periódica de perı́odo 3.
(a) Se A tem uma linha nula, então AB tem uma linha nula;
(b) Se B tem uma coluna nula, então AB tem uma coluna nula.
Exercı́cio 1.3.47 * Seja A uma matriz arbitrária. Sob que condições o produto AAT
é definido?
Determine, se possı́vel:
(a) (A + B)T ;
(b) (AC)T ;
44 CAPÍTULO 1. SISTEMAS DE EQUAÇÕES LINEARES. MATRIZES
(c) (λD)T ;
¡ ¢T
(d) B T ;
(e) AT C T ;
(f ) AT + B T ;
(g) λDT ;
(h) C T AT .
1 0 1 2
Exercı́cio 1.3.49 Considere a matriz A = −1 2 −2 3
2 −2 3 1
(b) Determine S T . Compare o resultado obtido com o da alı́nea anterior. O que pode
concluir sobre a matriz S?
Determine:
(a) tr(A) ;
(b) tr(A + B) ;
(c) tr(AB) ;
(f ) tr(BA) .
Exercı́cio 1.3.64 * Sendo A uma matriz quadrada invertı́vel que verifica a relação:
A2 + A + I = O,
(b) Para k = 0 resolva a equação matricial AXA − B = AX, sendo B a matriz tal
que bij = 1 se i + j é par e bij = 0 se i + j é ı́mpar.
Exercı́cios Aplicados
Suponha que queremos preparar uma mistura dos dois cereais que contenha
exactamente 295 calorias, 9g de proteı́nas, 48g de carboidratos e 8g de gordura.
A média do número de veı́culos que por hora entram e saem do centro da cidade,
em hora de ponta, é dada no diagrama. Determine, se possı́vel, a quantidade de
veı́culos entre cada um dos quatro cruzamentos.
5. Uma empresa fabrica três produtos. As suas despesas de produção são divi-
didas em três categorias. Em cada uma dessas categorias, faz-se uma estimativa
do custo de produção de um único exemplar de cada produto. Faz-se também
uma estimativa da quantidade de cada produto a ser fabricado por trimestre,
em cada ano. Essas estimativas são dadas nas tabelas seguintes.
Gastos A B C
Matéria-prima 0,10 0,30 0,15
Pessoal 0,30 0,40 0,25
Despesas gerais 0,10 0,20 0,15
Tabela 1.3: Custo de produção
6. O João pesa 81 Kg. Ele quer perder peso através de um programa de dieta
e exercı́cios. Após consultar a tabela 4, ele cria o seu programa de exercı́cios na
tabela 5. Quantas calorias vai queimar por dia, se seguir esse programa?
Peso Andar (3 Km/h) Correr (9 Km/h) Andar bicicleta (9 Km/h) Jogar ténis
69 213 651 304 420
73 225 688 321 441
77 237 726 338 468
81 249 764 356 492
Tabela 1.6: Calorias queimadas por hora
7. Numa determinada cidade, por ano, 30ℵ das mulheres casadas divorciam-
-se e 20ℵ das mulheres solteiras casam-se. Existem 8000 mulheres casadas e
2000 mulheres solteiras. Supondo que a população total de mulheres permanece
constante, quantas mulheres estarão casadas e e quantas estarão solteiras ao fim
de um ano? E de dois? E de três?
54 CAPÍTULO 1. SISTEMAS DE EQUAÇÕES LINEARES. MATRIZES
1.4 Soluções.
Só os exercı́cios com * têm solução.
1.3.3
1.3.4
• impossı́vel se β = 0 e α 6= 0, ∀γ ∈ R.
1.3.8
1.3.12 A relação que α, β e γ devem verificar para o sistema só admitir uma variável
livre é: α = −1, γ = −1, ∀β ∈ R\ {0} ou α = 12 , γ = 2, ∀β ∈ R\ {0} ou β = 0,
γ
α = 2+γ , γ 6= −2.
1.3.13
(c) A solução que à partida se conhece é a solução nula. Não há mais nenhuma
solução, uma vez que o sistema é possı́vel e determinado.
1.3.14
(b) (m, n) = (−9, −3) ∨ (m, n) = (−9, 3) ∨ (m, n) = (9, 3) ∨ (m, n) = (9, −3) .
56 CAPÍTULO 1. SISTEMAS DE EQUAÇÕES LINEARES. MATRIZES
1.3.15
· ¸
4 −3 3 3
(a) ;
2 −5 −1 −4
(b) Não é possı́vel efectuar a adição entre as duas matrizes, porque elas têm tipos
diferentes. Os seus tipos são 2 × 3 e 2 × 2, respectivamente.
· ¸
−3 −6 9
(c) .
−12 15 −15
1.3.16
· ¸ · ¸
1 2 1 2
(a) A + B = ; B+A= ;
2 3 2 3
1.3.17
1.3.19
· ¸
1 −1 23 − 12
(a) A + B
− 2 (A + B) = ;
2 − 52 −5 − 52
· 1 3
¸
1 − 1
(b) A + B − 2 (A − B) = 2 2 .
2 4 2
1.3.20 α = 2, β = 1 e θ = −1.
1.3.21 x = 2, y = 4 e w = 3.
1.3.22
· ¸
5 5 5
(a) X = ;
12 11 23
1.4. SOLUÇÕES. 57
· ¸ · ¸
0 0 0 4 0 −1
(b) X = ; e Y = .
0 0 0 −2 1 1
−2 0
1.3.23 D = 4 −1 .
9 9
1.3.25
(b) O produto não está definido, pois o número de colunas da primeira matriz não é
igual ao número de linhas da segunda;
(c) O produto não está definido, pelo mesmo motivo referido na alı́nea anterior;
1.3.27
1.3.28· ¸Como existe uma infinidade de soluções, um exemplo para U, não nulo, é
3
U= .
2
1.3.29
−11 −1 11 −13 · ¸
9 11 −23 −18 6 −450
(a) AB =
−17
; (b) (BA) C = ;
13 −3 −61 −205 129
59 33 −97 −8
−3 7 −7 −24 · ¸
30 10 −40 15 −60 −42
(c) (A + D) B =
−4 20 −24 −62 ; (d) BA = ;
−29 49
65 35 −105 −5
−11λ −λ 11λ −13λ
9λ 11λ −23λ −18λ
(e) (λA) B =
−17λ
;
13λ −3λ −61λ
59λ 33λ −97λ −8λ
58 CAPÍTULO 1. SISTEMAS DE EQUAÇÕES LINEARES. MATRIZES
−11λ −λ 11λ −13λ
9λ 11λ −23λ −18λ
(f) A (λB) =
−17λ 13λ
;
−3λ −61λ
59λ 33λ −97λ −8λ
−3 7 −7 −24 · ¸
30 10 −40 15 6 −450
(g) AB + DB = −4 20
(h) B (AC) = ;
−24 −62 −205 129
65 35 −105 −5
−11λ −λ 11λ −13λ
9λ 11λ −23λ −18λ
(i) λ (AB) = ;
−17λ 13λ −3λ −61λ
59λ 33λ −97λ −8λ
· ¸ · ¸
x y 1 1
1.3.32 Somente matrizes da forma , ∀x, y ∈ R, comutam com .
0 x 0 1
1.3.36 · ¸ · ¸
0 1 0 1
(a) A = ; (b) B = ;
−1 0 0 0
· ¸ · ¸ · ¸ · ¸
0 1 −1 0 1 −1 1 1
(c) C = ,D= ; (d) E = ,F = .
0 0 0 1 −1 1 1 1
1.3.38
(a) Para verificar que as igualdades não são válidas, basta considerar:
· ¸ · ¸
0 1 0 0
A= eB= ;
0 0 1 0
· ¸ · 2 ¸
0 b −d − dc
1.3.42 A= , ∀b ∈ R, e A = , ∀c 6= 0, ∀d ∈ R.
0 0 c d
1.3.43
1 0 0 0 0 1
(a) A2 = 2 1 2 , A3 = 4 1 2 ;
0 0 1 1 0 0
1.4. SOLUÇÕES. 59
0 0 1
(b) A2 + A − I = 4 1 2 = A3 ;
1 0 0
2 3
3 −7
1.3.46 AT =
−5 1 .
8 9
1.3.48
−5 11
5 −1 −2 −3
(a) (A + B) = −1 1 ;
T (b) (AC)T =
4 −12 ;
−1 7
· 5 18 ¸
£ ¤ ¡ T ¢T 4 0 −3
(c) (λD)T = 2λ −λ 3λ ; (d) B = ;
−1 −2 3
(e) O produto AT C T não está definido, porque o número de colunas de AT (2 colunas)
não é igual ao número
de linhas
de C T (4 linhas);
5 −1 £ ¤
(f) A + B = −1 1 ;
T T (g) λDT = 2λ −λ 3λ ;
−1 7
−5 11
−2 −3
(h) C T AT = 4 −12 .
5 18
· ¸
− 12 1
1.3.51 X= 2
1 .
0 3
4 −4 6 4 −4 6
1.3.53 (a) S = A + AT = −4 8 −7 ; (b) S T = −4 8 −7 ;
6 −7 12 6 −7 12
Comparando o resultado com o da alı́nea anterior, conclui-se que S = S T , isto é, S
é uma matriz simétrica.
· ¸
0 1
1.3.55 A equação só tem uma solução X = se β 6= 0. Para que X seja
− β1 β1
uma matriz simétrica, temos que fazer β = −1, obtendo desta forma como solução da
60 CAPÍTULO 1. SISTEMAS DE EQUAÇÕES LINEARES. MATRIZES
· ¸
0 1
equação: X = .
1 −1
1.3.56
(a) tr(A) = 7; (b) tr(A
¡ T+¢ B) = 5; (c) tr(AB) = 8;
(d) tr(A) + tr (B) = 5; (e)tr A = 7; (f) tr(BA) = 8.
1.3.59
−5 2 4
(a) A−1 não existe; (b) B −1 = 31 −3 0 3 ;
7 −1 −5
− 13 6 −4 · ¸
3 cos θ sin θ
(c) C −1 = − 37 2 1
−1 ; −1
(d) D = .
3 3 − sin θ cos θ
1 −3 2
1.3.61
−2 3 −1 1 0 0
−1
(a) (A−1 ) = 1 −3 1 ; (b) B −1 = 0 1 0 ;
−1 2 −1 0 0 1
¡ ¢−1 −1 0 1 −1 0 1
T
(c) AT = −1 −1 −1 ; (d) (A−1 ) = −1 −1 −1 ;
0 −1 −3 0 −1 −3
−1 −1 0 −1 −1 0
(e) (AB)−1 = 0 −1 −1 ; (f) B −1 A−1 = 0 −1 −1 .
1 −1 −3 1 −1 −3
1.3.64 A−1 = −A − I.
1.3.65
(a) Para que a matriz A seja invertı́vel, temos que ter k 6= −3, ou seja,k ∈ R\ {−3} ;
1
3
− a −b a b
−c 1
−d c d
(b) X = 3
1 − e −f e
, a, b, c, d, e, f, g, h ∈ R.
3
f
−g 13 − h g h
• possı́vel e determinado se α 6= −3 ∧ β ∈ R;
• possı́vel e indeterminado se α = −3 ∧ β = 4;
• impossı́vel se α = −3 ∧ β 6= 4.
· ¸
9 −4
1.3.73 (a) X = (C T DT − 2B)A−1 . (b) X = .
−8 6
1.3.77 X = I.
1.3.78
• possı́vel e indeterminado se a = 3 ∧ b = 0;
• impossı́vel se a = 3 ∧ b ∈ R\{0} ou a = 1 ∧ b ∈ R.
[5 − 4 0; −7 1 12; 3 2 6]
Nota:
O écran exibirá
ans =
5 −4 0
−7 1 12
3 2 6
Repare não são mostrados os parêntesis, e que o OCTAVE atribui à matriz o nome ans.
Todas as matrizes em OCTAVE devem ter um nome. Se não lhe for atribuı́do
um nome, o OCTAVE atribuir-lhe-á ans, o qual denominamos nome padrão da
variável
1.5. FICHAS PRÁTICAS 63
A = [1 2 3; 4 5 6]
será exibido como
A =
1 2 3
4 5 6
Atenção:
• O nome de uma matriz pode ser repetido. Neste caso, o conteúdo da anterior
será perdido.
Para atribuir um nome a uma matriz sem exibir as suas entradas, coloque um ponto-
e vı́rgula a seguir ao parêntesis de fecho (da direita).
O comando OCTAVE
A = [1 2 3; 4 5 6] ;
atribui à mesma matriz o nome A, como anteriormente, mas neste caso nada é exibido.
É possı́vel introduzir este comando sem voltar a escrever, usando as opções de edição
do OCTAVE. Pressione a tecla seta-para-cima para mostrar o comando anterior e
digite apenas o ponto-e-vı́rgula.
Se quiser alterar o nome da matriz A, e não o seu conteúdo, basta fazer Z=A
e atribui o conteúdo da matriz A à matriz designada por Z. A matriz A continua
definida. Ou seja, as matrizes designadas por A e por Z são a mesma.
Para alterar uma entrada, digite o nome da matriz, a localização da entrada, = e o
novo valor. Por exemplo:
A (2, 1) = −12
altera a entrada (2,1) da matriz A para -12. Ou seja, na matriz A o elemento da
linha 2, coluna 1 passa a ser −12.
Para ver todo o conteúdo de uma matriz, digite o nome da matriz. Se matriz for
extensa, a exibição será dividida em subconjuntos de colunas, que serão mostradas
sucessivamente. Por exemplo, insira o comando,
hilb (20)
64 CAPÍTULO 1. SISTEMAS DE EQUAÇÕES LINEARES. MATRIZES
Como as colunas não cabem todas no espaço de trabalho do OCTAVE, elas são
divididas em diferentes linhas. (Para mais informação acerca do comando hilb, digite
help hilb.)
Existem as seguintes convenções para ver parte de uma matriz no OCTAVE - a tı́tulo
de exemplo, digite A = hilb (5) .
Nas situações acima descritas, assim como nas que se seguem, o operador : é
interpretado como ”tudo”, mas esta não é a sua única função.
Podemos utilizar o operador dois pontos para mostrar um subconjunto de linhas
ou colunas de uma matriz. A tı́tulo de exemplo, para mostrar as linhas de 3 a 5 da
matriz A, digite
A (3 : 5, :)
De igual modo, as colunas de 1 a 3 serão exibidas ao digitar
A (:, 1 : 3)
Os dois pontos, também podem ser usados para representar uma linha de valores.
Por exemplo digitar
2:8
exibe
ans =
2 3 4 5 6 7 8
Quando escrevemos apenas 2 : 8 o intervalo, ou incremento, entre os valores é apenas
de 1. Para escrever uma linha de valores de 3 em 3, usa-se 2:3:8. Experimente! Regra
geral, o incremento não tem de ser um número inteiro. Experimente também 1:.25:4
e 2:-.3:-2.4.
Para mais informações acerca da utilização do operador dois pontos, digite help
:. O operador dois pontos é muito versátil em OCTAVE, mas não será necessário
utilizar todas as suas funções.
Exercı́cios
Exercı́cio 1.5.1 Na linha fornecida, escreva o comando que executa a acção indicada.
Execute-o no OCTAVE.
Exercı́cio 1.5.2 Defina uma nova matriz D que tenha os mesmos elementos de A,
utilizando o comando OCTAVE D = A. Quando necessário, escreva, no espaço forneci-
do, o comando que executa a acção indicada.
Exercı́cio 1.5.3 Para introduzir uma matriz coluna no OCTAVE, digite as suas
entradas separadas por ponto-e-vı́rgula. Por exemplo, para escrever a matriz coluna
1
2
3
(c) A matriz H, cujas colunas são c1 e c2 sem voltar a escrever qualquer das entradas.
(d) A matriz K, cujas duas primeiras colunas são ambas c1 e a terceira coluna é c2
sem voltar a escrever qualquer uma das entradas.
Exercı́cio 1.5.4 Para introduzir uma matriz linha no OCTAVE, digite as entradas
separadas por espaços. Por exemplo, para escrever a matriz linha
[1 2 3]
digite [1 2 3]
Execute e escreva os comandos do OCTAVE que lhe permitam obter o seguinte:
(c) A matriz M, cujas linhas são r1 e r2, sem voltar a escrever qualquer das entradas.
zeros(m,n), ones(m,n)
onde m e n são valores inteiros positivos. Por exemplo, para gerar uma matriz coluna
com quatro zeros, podemos utilizar o comando
zeros(4,1)
O OCTAVE pode gerar números aleatórios, utilizando o comando rand. Digite rand
e depois utilize a tecla seta-para-cima para repetir o comando várias vezes. Quando
o OCTAVE inicia o comando rand, produz valores no intervalo (0, 1) . O comando
randn altera o gerador de números aleatórios para produzir valores em ambos os lados
de zero, de um modo conhecido por distribuição normal de variância um. (Veja help
randn para mais detalhes.) Digite
randn
O comando rand sofre variações iguais às de eye, ones e zeros. Para experimentar,
digite os seguintes comandos e depois construa outros.
rand(5)
rand(4,1)
rand(3,6)
rand(size(eye(3)))
No nosso trabalho é muitas vezes conveniente sermos capazes de gerar matrizes para
utilizar em exercı́cios ou para verificar conjecturas acerca das matrizes. O comando
rand dá-nos matrizes reais cujas entradas não são, geralmente, números inteiros. O
comando
fix(rand(5))
68 CAPÍTULO 1. SISTEMAS DE EQUAÇÕES LINEARES. MATRIZES
gera uma matriz de ordem 5 com entradas inteiras que são obtidas através do trun-
camento das entradas da matriz produzida por rand(5) para o inteiro (em módulo)
mais pequeno (Para mais informação acerca do fix use help.) Muitas vezes, a matriz
produzida pelo comando fix(rand(n)), onde n é um inteiro que designa a dimensão
da matriz desejada, contém muitos zeros. Um modo de obter menos zeros é multiplicar
cada elemento por 10 antes de os ”fixar”. O comando
fix(10∗rand(5))
executa esta tarefa.
1.5. FICHAS PRÁTICAS 69
A forma escalonada reduzida de uma matriz será necessária para vários tópicos
futuros. A matriz nesta forma será usada para obter informação acerca da própria
matriz, o que, por sua vez, implicará que a situação ou problema modelado pela matriz
tenha determinadas propriedades. Então, necessitamos de um modo rápido de obter
a forma escalonada reduzida de uma matriz A, sem fornecer os passos detalhados do
processo de redução. Para tal utilizamos então o comando rref.
Exercı́cios
Exercı́cio 1.5.6 Utilize rref para encontrar o conjunto solução do seguinte sistema
homogéneo de equações lineares.
x1 − x2 + 2x3 + x5 = 0
2x1 + x2 + x3 + x4 + x5 = 0
x1 + x2 + 2x4 + 2x5 = 0
Exercı́cio 1.5.7 Construa uma matriz 4 × 4 com duas linhas iguais, mas não nulas.
Calcule o rref. Explique porque é que existe uma linha nula no rref.
2x + 4y + 6z = −6
B: 3x − 2y − 4z = −38
x + 2y + 3z = −3
1.5. FICHAS PRÁTICAS 71
x + 2y = 4
C: −3x + 4y = 3 .
2x − y = −6
Exercı́cio 1.5.11 Numa fábrica produzem-se dois produtos: varinhas mágicas e bate-
deiras. Montar uma varinha mágica demora 2/3 de uma hora, e a montagem da
batedeira leva 4/5 de uma hora. As componentes para cada varinha mágica custam
4, 90 euros e os da batedeira custam 6, 50 euros. Quantos instrumentos podem ser
produzidos em 8 horas se a fábrica gastar 61, 90 euros nas componentes necessárias.
(Sugestão: Seja x o número de varinhas mágicas produzidas e y o número de bate-
deiras. Construa uma equação para o tempo e outra para o custo.)
Exercı́cio 1.5.12 Um pequeno clube de investimento tem 24000 euros para investir
em 3 planos de acções, designadas por A, B e C. O clube decide investir em B o dobro
do que em C. As taxas de juro de cada plano são, respectivamente, 10%, 8% e 6%,
e o total de juros obtidos no final do ano deve ser de 2000 euros. Quanto deve ser
investido em cada plano?
Exercı́cio 1.5.13 Uma parábola p (x) = ax2 + bx + c irá ser construı́da através dos
pontos (1, 2) , (2, 4) e (4, 14) . Calcule os coeficientes a, b e c, tais que p (1) = 2,
p (2) = 4 e p (4) = 14.
72 CAPÍTULO 1. SISTEMAS DE EQUAÇÕES LINEARES. MATRIZES
Exercı́cios
Exercı́cio 1.5.14 Calcule cada uma das seguintes operações. Caso alguma das operação
não esteja definida, explique porquê.
5 −2 1 2 2 3 1 −1 2
A= 1 0 4 B = −1 4 1 C= 0 1 4
−3 7 2 5 −3 0 −5 3 6
· ¸ −2
−1 2 3
D= X= 3
0 4 5
1
A+B = B−D =
A∗ B = B∗D =
D∗ C = C0 =
1.5. FICHAS PRÁTICAS 73
C ∗X = X ∗X =
0
X 0∗ X = ((A − B)∗ X) =
6∗ D = 5∗ A − 3∗ B =
1 3 −1 2 · ¸ 4 3 −2
1 5
A= 2 4 B = 4 −2 C= D= 1 0 5
−5 3
3 1 7 −1 2 −1 6
Efectue cada uma das seguintes operações com matrizes no OCTAVE. Registe os
resultados.
(a) A + B
74 CAPÍTULO 1. SISTEMAS DE EQUAÇÕES LINEARES. MATRIZES
(b) B + C
(c) D∗ A
(d) 2∗ A − 3∗ B
(e) A0
(c) C ∧ 2
(a) 5∗eye(2)
(b) eye(2)+ones(2)
(d) D, diag(diag(D))
(f ) D, triu(D)
(g) D, tril(D)
(a)
(b)
(c)
(d)
(e)
(f )
(g)
Exercı́cio 1.5.21 Nas alı́neas que se seguem, construa um comando OCTAVE para
gerar a matriz descrita. Por exemplo, uma linha com cinco 10 s é gerada por ones(1,5).
Registe o seu comando no espaço fornecido. (Não escreva explicitamente as entradas
da matriz descrita.)
2 1 1
(d) A matriz A = 1 2 1 .
1 1 2
5 −1 −1
(e) A matriz A = −1 5 −1 .
−1 −1 5
76 CAPÍTULO 1. SISTEMAS DE EQUAÇÕES LINEARES. MATRIZES
Exercı́cio 1.5.23 Repita o Exercı́cio 1.5.22, mas para a matriz B onde bij = 1 para
i 6= j e bii = 1/n.
(d) Para L = tril (A, −1) , D = diag (diag (A)) , e U = triu (A, 1) , L + D + U = A.
A=tril(fix(10∗rand(5))), B=tril(fix(10∗rand(5)))
Exercı́cio 1.5.27 No Exercı́cio 1.5.26, substitua tringular inferior por triangular su-
perior e tril por triu e repita os passos. Conjectura: O produto de duas matrizes
triangulares superiores é uma matriz .
1 3 −1 2 · ¸ 4 3 −2
1 5
A= 2 4 B = 4 −2 C= D= 1 0 5
−5 3
3 1 7 −1 2 −1 6
(a) A.∗ B
(b) A./B
(c) A.∧ 3
78 CAPÍTULO 1. SISTEMAS DE EQUAÇÕES LINEARES. MATRIZES
Exercı́cios
Exercı́cio 1.5.29 Utilize o comando rref para determinar a inversa de cada uma das
seguintes matrizes. Escreva as matrizes obtidas.
1 1 0 1 1 0
A = 2 0 1 , B = 0 1 1 .
1 0 1 2 0 2
1 2 0 1 1 0
C = 0 1 −1 , D = 0 1 1 .
1 0 1 1 0 1
1.5. FICHAS PRÁTICAS 79
Exercı́cio 1.5.30 Utilize o comando inv para encontrar a inversa de cada uma da
seguintes matrizes, caso exista.
1 2 3
(a) A = 4 5 6
7 8 9
1 2 3
(b) B = 4 5 6
7 8 0
1 2 3 0
4 5 0 6
(c) C = 7 0 8 9
0 10 11 12
1 2 3 0
4 5 0 6
(c) D = 7 0 8 9
1 2 3 0
Y=rref([A eye(size(A))]);
e
X=Y(:,(size(Y,2)+2)/2:size(Y,2))∗ B
Y=rref([A eye(size(A))]);
e
X=inv(A)∗ B.
X=A\B
.
Verifica-se que a utilização de \ reduz as operações aritméticas, logo é mais
rápido, e em cursos de análise numérica mostra-se que, geralmente, \ fornece
resultados mais correctos. Assim, para resolver sistemas lineares possı́veis
e determinados utilize \.
(i)
x + 2y + z = 0
x + y + z = 0 .
3x − y + z = 6
(ii)
2x + y − z = 4
−x + y + z = 2 .
y + 2z = 3
Capı́tulo 2
Observe-se que os denominadores de todos os elementos desta matriz são iguais. Este
valor comum designa-se por determinante da matriz A, e representa-se por det(A)
ou |A|.
Nesta secção, vamos apenas referir algumas técnicas práticas para o cálculo de
determinantes, não entrando em detalhes relativamente à sua definição.
Assim, no caso de uma matriz de ordem 2, o determinante é simplesmente dado por:
¯ ¯
¯ a11 a12 ¯
¯ ¯ = a11 a22 − a21 a12
¯ a21 a22 ¯
e as duas parcelas desta expressão são obtidas efectuando os dois produtos que se
sugerem no seguinte esquema:
81
82 CAPÍTULO 2. DETERMINANTES E SUAS APLICAÇÕES
¯ ¯
¯ a11 a12 a13 ¯¯
¯
¯ ¯
¯ ¯
¯ a21 a22 a23 ¯¯ = a11 a22 a33 +a12 a23 a31 +a13 a21 a32 −a31 a22 a13 −a32 a23 a11 −a33 a21 a12
¯
¯ ¯
¯ ¯
¯ a31 a32 a33 ¯
Esta expressão pode ser obtida, na prática, por uma regra mnemónica, conhecida
por regra de Sarrus, que pode ser enunciada de duas maneiras:
I - Escreve-se uma cópia das primeiras duas linhas da matriz por baixo da matriz
inicial de ordem 3 e calcula-se o determinante somando o produto dos elementos
da diagonal principal e dos elementos das diagonais paralelas à diagonal principal
e subtraı́ndo o produto dos elementos da diagonal secundária e dos elementos
das diagonais paralelas à diagonal secundária.
Assim,
|A| = a11 a22 a33 + a21 a32 a13 + a31 a12 a23 − a31 a22 a13 − a11 a32 a23 − a21 a12 a33 .
2.1. MÉTODOS DE CÁLCULO DE DETERMINANTES 83
Assim,
|A| = a11 a22 a33 + a12 a23 a31 + a13 a32 a21 − a31 a22 a13 − a32 a23 a11 − a33 a12 a21 .
ou alternativamente,
Uma vez que as regras enunciadas só são válidas para matrizes de ordem 2 e 3, vamos
de seguida enunciar algumas propriedades do determinante de uma matriz A, que nos
vão permitir obter o determinante de matrizes de qualquer ordem e que em alguns
casos, tornam mesmo este cálculo imediato.
Nota: Quando nos referirmos, indiferentemente, a uma linha ou coluna de uma matriz,
chamaremos fila.
Teorema 2.1.1 Seja A uma matriz quadrada real (ou complexa) de ordem n.
(iv) O determinante
¯ T ¯ da transposta da matriz A é igual ao determinante da matriz A,
ou seja, ¯A ¯ = |A| .
2.1. MÉTODOS DE CÁLCULO DE DETERMINANTES 85
(v) Se na matriz A trocarmos, entre si, duas filas paralelas, obtém-se uma matriz B
cujo determinante é simétrico ao determinante de A, isto é, |B| = − |A| .
(vi) Se a matriz A tem filas paralelas iguais, então tem determinante nulo.
(vii) Se a matriz A tem duas filas paralelas proporcionais, então tem determinante
nulo.
(ix) Se somarmos uma fila da matriz A com outra fila paralela multiplicada por um
escalar, o valor do seu determinante não se altera.
0 0 0 2
Calculemos |A + B| e |AB|.
¯ ¯
¯ 2 4 3 3 ¯
¯ ¯
¯ 0 1 4 4 ¯
|A + B| = ¯¯ ¯ = 75
¯
¯ 1 0 −1 1 ¯
¯ −1 1 0 3 ¯
e ¯ ¯
¯ 1 4 5 5 ¯
¯ ¯
¯ 0 0 3 7 ¯
|AB| = ¯¯ ¯ = 48.
¯
¯ 1 2 1 3 ¯
¯ −1 −1 −2 −1 ¯
|A + B| 6= |A| + |B|.
−1 1 0 1
Calculemos |A| usando o Teorema de Laplace:
88 CAPÍTULO 2. DETERMINANTES E SUAS APLICAÇÕES
Definição 2.2.1 Matriz adjunta de uma matriz quadrada A, adjA, é uma matriz
quadrada que se obtém do seguinte modo:
1◦ Calcula-se AT ;
Assim, podemos introduzir um novo método para o cálculo da inversa de uma matriz.
Esta fórmula para determinar o valor das incógnitas, designa-se por fórmula de
Cramer, e pode ser aplicada a todos os sistemas de Cramer.
como ¯ ¯
¯ 2 1 4 ¯
¯ ¯
¯ 6 1 0 ¯ = 92 6= 0
¯ ¯
¯ −1 2 −10 ¯
Definição 2.2.3 Seja A uma matriz e A0 uma submatriz de A com determinante não
nulo. |A0 | é um determinante principal da matriz A se não existir nenhuma outra
submatriz de A, com ordem superior a A0 com determinante não nulo.
Para podermos aplicar a Regra de Cramer a sistemas que não são de Cramer, temos
que proceder da seguinte forma:
que tal como já vimos não é um sistema de Cramer. Contudo, vamos resolvê-lo
aplicando a regra de Cramer, procedendo como acima exposto:
¯ ¯
¯ 2 −4 ¯
1. Consideremos o determinante principal ¯ ¯ ¯ = 20 6= 0. A 1a e 2a equações
4 2 ¯
são as designadas equações principais e as variáveis x e y as variáveis principais.
½
2x −4y = 3 − z
2. Consideremos agora o subsistema , cuja ma-
4x + 2y = 1 − 2z
triz dos coeficientes tem determinante não nulo (determinante
principal),
o que
3−z −4
1 − 2z 2
permite a aplicação da regra de Cramer. Assim, x = = 1−z
2
e
2 −4
4 2
2
3 − z
4 1 − 2z
y =
= − 12 .
2 −4
4 2
©¡ ¢ ª
Logo o conjunto solução deste subsistema é C.S. = 1−z 2
, − 1
2
, z : z ∈ R .
3. Este conjunto solução só é conjunto solução do sistema inicial, se for solução
da equação não principal. Como
µ ¶ µ ¶
1−z 1
4× −2× − + 2z = 3 ⇔ 2 − 2z + 1 + 2z = 3 ⇔ 3 = 3,
2 2
o conjunto solução do subsistema é também o conjunto solução do sistema ini-
cial.
Exemplo 2.2.6 Aplicando o Teorema de Rouché ao¯ exemplo 2.2.5, ¯ verificamos que só
¯ 2 −4 3 ¯
¯ ¯
existe um determinante caracterı́stico e é nulo, pois ¯¯ 4 2 1 ¯¯ = 0. Pelo teorema de
¯ 4 −2 3 ¯
94 CAPÍTULO 2. DETERMINANTES E SUAS APLICAÇÕES
Rouché conclui-se então que o sistema é possı́vel, logo o conjunto solução do subsistema
é conjunto solução do sistema inicial.
Para além desta aplicação, o Teorema de Rouché pode também ser usado quando se
pretende fazer a discussão de um sistema ou verificar a compatibilidade de uma nova
equação num sistema de equações lineares.
2.3. EXERCÍCIOS 95
2.3 Exercı́cios
Métodos de cálculo de determinantes.
calcule:
(a) detA
(b) detC
(c) det(AT )
(d) det(B − C)
(f ) det(AB)
det (A − λI3 ) = 0.
¯ ¯
¯ 4 5 13 ¯
¯ ¯
Exercı́cio 2.3.7 Sabendo que ¯¯ 9 7 10 ¯ = 1 resolva a equação
¯
¯ 1 1 1 ¯
¯ ¯
¯ x+1 x+1 x+1 ¯
¯ ¯
¯ 4 5 13 ¯ = 0.
¯ ¯
¯ 9 7 10 ¯
2.3. EXERCÍCIOS 97
Exercı́cio 2.3.8 Considere A uma matriz quadrada, de ordem 3, cujo det (A) = 2 e
P uma matriz invertı́vel. Indique justificando:
(d) det (P −1 AP )
¡ ¢T
Exercı́cio 2.3.9 * Sejam as matrizes M = XAB + B T CX T e N = 2I onde
A, B, C e X são matrizes de ordem n tais que A + C T = I, onde I é a matriz
identidade de ordem n e B uma matriz triangular bii = 2. Sabendo que |M | = |N |,
calcule |X|.
(c) Se A é uma matriz invertı́vel, de ordem n, tal que AT = −A2 , então det (A) = −1.
Exercı́cio 2.3.13 Prove que se A é uma matriz ortogonal então |A| = ±1.
−2 2 −3 −1
1 2 −1 3
0 1 0 1
(c) C = 0 1 4 −1
1 0 2 4
(c) Se B resulta de A por troca de duas filas paralelas então |B| = − |A| .
(f ) O determinante
¯ ¯ da transposta da matriz A é igual ao determinante da matriz, ou
seja, ¯AT ¯ = |A| .
onde ∆ = ad − bc 6= 0.
(b) Diga, sem efectuar quaisquer cálculos, qual o determinante de (AX)T +DF .Porquê?
C = ABAT e D = AB −1 A−1 .
Exercı́cio 2.3.34 Calcule o determinante principal dos sistemas que se seguem e use
a regra de Cramer para os resolver.
2x1 + x2 + x3 + 2x5 = 1
(a) x1 + x3 + x4 = 1
x2 − x3 + x4 − x5 = 1
102 CAPÍTULO 2. DETERMINANTES E SUAS APLICAÇÕES
2x1 + x2 = 5
x1 + x3 = 4
(b) x1 + x2 − x3 = 1
x + x3 = 3
2
2x1 − x3 = 2
(b) Considere:
1
X + 2Y − (B T A4 )−1 = (2I − 2B)T e Y + X + ( A4 )−1 B = O,
2
onde I é a matriz identidade de ordem 4 e B = (bij ) é a matriz tal que:
½
bij = 1 se i=j
, i, j = 1, . . . , 4
bij = 0 se i 6= j
Calcule |X|.
104 CAPÍTULO 2. DETERMINANTES E SUAS APLICAÇÕES
(b) Para k = 2 e t = 1:
1 1 2 1
(b) Seja C uma matriz de ordem 4, tal que |C| = 2 e D uma matriz que se obteve de
C por troca da 1a com a 2a colunas. Calcule |2CA−1 DT |.
Exercı́cios Aplicados
2.4 Soluções
Só os exercı́cios com * têm solução.
2.3.1
(a) detA = −12 (b) detC = 0 (c) detAT = −12
(d) det(B − C) = 0 (e) detA + detB = 72 (f) det(AB) = −1008
2.3.9 |X| = 1.
1
2.3.28 Como CD = I = DC, as matrizes C e D são permutáveis e |C| = |D|
.
2.3.36
2.3.44
1
2.3.45 |X| = 32
.
2.3.47
2.3.49
Exercı́cios
Exercı́cio 2.5.1 Construa uma matriz de ordem 2 com uma linha nula e calcule
o seu determinante. Repita o mesmo para matrizes de ordem 3 e 4, com uma
linha nula. Construa matrizes de ordem 2, 3 e 4 com uma coluna nula e calcule
os seus determinantes.
Conjectura:
Exercı́cio 2.5.2 Construa uma matriz de ordem 2 com duas linhas iguais e
calcule o seu determinante. Repita o mesmo para matrizes de ordem 3 e 4.
Construa matrizes de ordem 2, 3 e 4 com duas colunas iguais e calcule os seus
determinantes.
Conjectura:
Conjectura:
Exercı́cio 2.5.4 Construa uma matriz diagonal de ordem 2 com entradas diag-
onais 5 e 3, e registe o valor do seu determinante. .
Conjectura:
Conjectura:
1 2 3
Exercı́cio 2.5.5 Seja A = 4 5 6 . Calcule e registe det(A) =
7 8 0
.
Execute as operações elementares sobre as linhas da matriz A, indicadas de segui-
da e calcule os determinantes de cada uma das novas matrizes. Execute sempre
a operação sobre a matriz original A. No quadro que se segue é apresentada uma
explicação da notação que será usada.
2.5. FICHAS PRÁTICAS 111
Notação:
• ALi ↔Lj significa trocar a linha i pela linha j da matriz A.
• AkLi +Lj significa substituir a linha j de A por k vezes a linha i mais
a linha j.
• AkLi significa multiplicar a linha i de A por um escalar k.
Conjectura:
(f ) Com base nas alı́neas (a)-(d), podemos dizer que existe alguma relação entre
o que se segue:
Exercı́cio2.5.8 Utilize
o procedimento do Exercı́cio 2.5.7 para calcular det(A),
5 1 0
onde A = 0 2 1 .
−1 3 1
114 CAPÍTULO 2. DETERMINANTES E SUAS APLICAÇÕES
Capı́tulo 3
Adição de vectores
No conjunto dos vectores de R2 está definida uma operação “adição”, represen-
tada pelo sı́mbolo “ + ”.
Geometricamente a adição de vectores pode ser efectuada pela regra do paralel-
ogramo, tal como mostra a figura da página seguinte:
115
116 CAPÍTULO 3. ESPAÇOS E SUBESPAÇOS VECTORIAIS
∀u ∈ R2 , u + 0 = 0 + u = u
∀u ∈ R2 , u + (−u) = (−u) + u = 0.
∀(x1 , x2 , . . . , xn ), (y1 , y2 , . . . , yn ) ∈ Rn :
(x1 , x2 , . . . , xn ) + (y1 , y2 , . . . , yn ) = (x1 + y1 , x2 + y2 , . . . , xn + yn )
e operação multiplicação por um escalar:
∀(x1 , x2 , . . . , xn ) ∈ Rn ∀α ∈ R :
1. ∀p(x), q(x), r(x) ∈ P2 [x], (p(x) + q(x)) + r(x) = p(x) + (q(x) + r(x))
2. ∀p(x), q(x) ∈ P2 [x], p(x) + q(x) = q(x) + p(x)
3. Representando por 0 o polinómio de coeficientes todos nulos:
(i) x + z = y + z ⇒ x = y
(ii) x − y = x + (−y)
(iii) αx = βx ∧ x 6= 0V ⇒ α = β
(iv) 0 x = 0V
(v) α 0V = 0V
(vi) α x = 0V ⇒ α = 0 ∨ x = 0V
(vii) −(x + y) = (−x) + (−y) = −x − y
(viii) −(α)x = α(−x) = −(αx)
(ix) (α − β)x = αx − βx
(x) α(x − y) = αx − αy
O facto de, por exemplo, o vector (5, 4) poder ser obtido à custa dos vectores
(1, 2) e (−1, 0), significa que (5, 4) se pode escrever como combinação linear
dos vectores (1, 2) e (−1, 0).
x = α1 v1 + α2 v2 + . . . + αn vn ,
com α1 , α2 , . . . , αn ∈ R.
Exemplo 3.1.2
α + β − γ = 2
⇐⇒ −α + β = 4
2α + β − γ = 0
¯ ¯
¯ 1 1 −1 ¯
¯ ¯
é um sistema de Cramer, pois ¯¯ −1 1 0 ¯¯ = −1+0+1−(−2 + 0 + 1) =
¯ 2 1 −1 ¯
1, podemos resolvê-lo utilizando a regra de Cramer, donde vem que
¯ ¯
¯ 2 1 −1 ¯
¯ ¯
¯ 4 1 0 ¯
¯ ¯
¯ 0 1 −1 ¯ −2 + 0 − 4 − (0 + 0 − 4)
α= ¯ ¯= = −2,
¯ 1 1 −1 ¯ −1 + 0 + 1 − (−2 + 0 + 1)
¯ ¯
¯ −1 1 0 ¯
¯ ¯
¯ 2 1 −1 ¯
¯ ¯
¯ 1 2 −1 ¯
¯ ¯
¯ −1 4 0 ¯
¯ ¯
¯ 2 0 −1 ¯ −4 + 0 + 0 − (−8 + 0 + 2)
β=¯ ¯= =2
¯ 1 1 −1 ¯ −1 + 0 + 1 − (−2 + 0 + 1)
¯ ¯
¯ −1 1 0 ¯
¯ ¯
¯ 2 1 −1 ¯
¯ ¯
¯ 1 1 2 ¯
¯ ¯
¯ −1 1 4 ¯
¯ ¯
¯ 2 1 0 ¯ 0 + 8 − 2 − (4 + 4 + 0)
γ=¯ ¯= = −2.
¯ 1 1 −1 ¯ −1 + 0 + 1 − (−2 + 0 + 1)
¯ ¯
¯ −1 1 0 ¯
¯ ¯
¯ 2 1 −1 ¯
Logo
Sendo,
¡ ¢ ¡ ¢
α 2 + x + x2 + β −3x + x2 = 1 + x − 2x2 ⇔
⇔ 2α + (α − 3β) x + (α + β) x2 = 1 + x − 2x2 ⇔
2α = 1
⇔ α − 3β = 1
α + β = −2
Passando à forma matricial, temos:
¯ ¯
2 0 ¯¯ 1 1 −3 ¯¯ 1
1 −3 ¯ 1 − −−−−→
L1 ↔ L2 2 0 ¯¯ 1
¯
1 1 ¯ −2 1 1 ¯ −2
¯ ¯
−−−−−−−−−−−−−→ 1 −3 ¯ 1 −−−−−−−−−−−−→ 1 −3 ¯¯ 1
−2L1 + L2 → L2 ¯ 2
0 6 ¯¯ −1 − L2 + L3 → L3 0 6 ¯¯ −1 .
−L1 + L3 → L3 3
0 4 ¯ −3 0 0 ¯ − 73
Sendo
½
α − β + 5γ = 0
α (1, 2) + β (−1, 0) + γ (5, 4) = (0, 0) ⇔ ,
2α + 4γ = 0
uma vez que o sistema é homogéneo e tem mais incógnitas do que equações,
tem infinitas soluções. Vejamos,
· ¯ ¸ · ¯ ¸
1 −1 5 ¯¯ 0 −−−−−−−−−−−−→ 1 −1 5 ¯ 0
¯
−2L1 + L2 → L2
2 0 4 ¯ 0 0 2 −6 ¯ 0
−−−−−−−→ · ¯ ¸ · ¯ ¸
1 1 −1 5 ¯ 0 −−−−−−−−−→ 1 0 2 ¯ 0
L2 → L2 ¯ ¯
2 0 1 −3 ¯ 0 L2 + L1 → L1 0 1 −3 ¯ 0 .
Assim,
124 CAPÍTULO 3. ESPAÇOS E SUBESPAÇOS VECTORIAIS
½ α = −2γ
α + 2γ = 0
⇔ β = 3γ .
β − 3γ = 0
γ ∈ R
Logo para qualquer γ ∈ R,
α1 v1 + α2 v2 + . . . + αn vn = 0V =⇒ α1 = α2 = . . . = αn = 0.
A partir desta definição podemos então concluir que os vectores de A são lin-
earmente dependentes, enquanto que os vectores de B são linearmente indepen-
dentes. Analisemos mais alguns exemplos.
Exemplo 3.1.3
e sendo
¯ ¯
¯ 1 1 −1 ¯
¯ ¯
¯ −1 1 0 ¯ = 1 + 0 + 1 − (−2 + 0 − 1) = 5 6= 0,
¯ ¯
¯ 2 1 1 ¯
e sendo ¯ ¯
¯ 1 1 0 ¯
¯ ¯
¯ 1 1 1 ¯ = 1 + 0 + 0 − (0 + 1 + 1) = −1 6= 0,
¯ ¯
¯ 0 1 1 ¯
o sistema é possı́vel e determinado e, portanto, os polinómios 1+x, 1+x+x2
e x + x2 são linearmente independentes. Isto é,
{(γ, −γ, γ) : γ ∈ R}
e portanto temos
3.1. ESPAÇOS VECTORIAIS 127
• se γ = 1
· ¸ · ¸ · ¸ · ¸
1 −1 1 2 0 3 0 0
1. − 1. + 1. =
1 0 −1 0 −2 0 0 0
• se γ = −3
· ¸ · ¸ · ¸ · ¸
1 −1 1 2 0 3 0 0
−3. + 3. − 3. =
1 0 −1 0 −2 0 0 0
Obviamente que quando os vectores são linearmente dependentes, a combi-
nação linear trivialmente nula também é verificada.
Aplicando o teorema que se segue, pode-se analisar com mais facilidade a de-
pendência ou independência linear, em alguns conjuntos particulares de vectores.
Exemplo 3.1.4
· ¸
1 −1
1. Voltando à situação 3 do exemplo 3.1.4, vimos que as matrizes ,
· ¸ · ¸ 1 0
1 2 0 3
e são linearmente dependentes, podemos por isso
−1 0 −2 0
concluir que uma delas se escreve como combinação linear das restantes.
Por exemplo:
· ¸ · ¸ · ¸
0 3 1 −1 1 2
= −1. + 1.
−2 0 1 0 −1 0
128 CAPÍTULO 3. ESPAÇOS E SUBESPAÇOS VECTORIAIS
podemos então concluir que os vectores (1, −1, 2); (1, 1, 1); (−1, 0, −1) e (2, 4, 0)
são linearmente dependentes.
−1 1 2 −1 1 2 −−−−−−−−−−−−→ −1 1 2
−−−−−−−−−−−−−→ 5
V = 0 4 4 −8L1 + L3 −→ L3 0 4 4 L2 + L3 −→ L3 0 4 4
2
−8 −2 6 0 −10 −10 0 0 0
Logo r(V ) = 2, portanto apenas dois destes vectores são linearmente inde-
pendentes. Estes vectores linearmente independentes são as colunas da matriz
original correspondentes às colunas da matriz escalonada onde se encontram os
pivots.
Temos então, µ ¶
b b
(1, 2) + − a (−1, 0) = (a, b) ,
2 2
e, por conseguinte, qualquer vector (a, b) de R2 pode ser escrito de maneira única
como combinação linear dos vectores de B.
Note-se que neste caso, os escalares que multiplicam os vectores não dependem
só de a e b mas também do real γ.
Contudo, se retirarmos ao subconjunto B = {(1, 2), (−1, 0)} um dos vectores, já
não é possı́vel escrever qualquer vector (a, b) de R2 , como combinação linear de
um deles.
Por exemplo, não existe α ∈ R tal que α (−1, 0) = (7, 5) .
ou seja, · ¯ ¸ · ¯ ¸
1 −1 ¯¯ a −−−−−−−−−−−−→ 1 −1 ¯¯ a
−2L1 + L2 → L2 .
2 −2 ¯ b 0 0 ¯ b − 2a
Este sistema nem sempre é possı́vel (só é possı́vel se b − 2a = 0 isto é, b = 2a).
Logo, nem todos os vectores de R2 podem ser escritos como combinação linear
dos vectores (1, 2) e (−1, −2) . Contudo, todos os vectores do subconjunto de R2 ,
V1 = {(x, 2x) : x ∈ R} , podem escrever-se como combinação linear dos vectores
de C.
Exemplo 3.1.6
α + β = a0
⇐⇒ α + β + γ = a1
β + γ = a2
¯
1 1 0 ¯¯ a0
0 1 1 ¯ a2 .
¯
0 0 1 ¯ a1 − a0
Uma vez que o espaço P2 [x] é gerado por 3 vectores, este é um espaço
finitamente gerado.
· ¸ · ¸ · ¸
1 −1 1 2 0 3
2. Consideremos agora os vectores (matrizes) , e .
1 0 −1 0 −2 0
Verifiquemos se esses vectores geram M2 , ou seja,
· ¸ · ¸ · ¸ · ¸
1 −1 1 2 0 3 a b
∃α, β, γ ∈ R : α +β +γ = .
1 0 −1 0 −2 0 c d
Como
· ¸ · ¸ · ¸ · ¸
1 −1 1 2 0 3 a b
α +β +γ = ⇐⇒
1 0 −1 0 −2 0 c d
α + β = a
−α + 2β + 3γ = b
⇐⇒ ,
α − β − 2γ = c
0 = d
podemos
· logo
¸ ·verificar¸que·pelos menos,
¸ nos casos em que d 6= 0, as matrizes
1 −1 1 2 0 3
, e não geram M2 .
1 0 −1 0 −2 0
Analisemos então quais as condições a que têm que obedecer as matrizes de
M2 que são geradas por estes vectores. Apliquemos o teorema de Rouché.
Para tal, calculemos os determinantes caracterı́sticos
132 CAPÍTULO 3. ESPAÇOS E SUBESPAÇOS VECTORIAIS
¯ ¯ ¯ ¯
¯ .. ¯ ¯ .. ¯
¯ 1 1 . a ¯ ¯ 1 1 . a ¯
¯ .. ¯ ¯ .. ¯
¯ −1 2 b. ¯ ¯ −1 2 . b ¯
¯ ¯ = −a + 2b + 3c; ¯ ¯ = 3d.
¯ ··· ··· ··· ··· ¯ ¯ ··· ··· ··· ··· ¯
¯ ¯ ¯ ¯
¯ . ¯ ¯ .. ¯
¯ 1 −1 .. c ¯ ¯ 0 0 . d ¯
Para que o sistema seja possı́vel, estes determinantes têm que ser iguais a
zero, isto é,
½ ½
−a + 2b + 3c = 0 a = 2b + 3c
⇐⇒ .
3d = 0 d = 0
· ¸ · ¸ · ¸
1 −1 1 2 0 3
Portanto, , , geram matrizes de ordem 2 se
1 0 −1 0 −2 0
a = 2b + 3c e d = 0. Ou seja,
¿· ¸ · ¸ · ¸À ½· ¸ ¾
1 −1 1 2 0 3 a b 2
, , = ∈ R : a = 2b + 3c ∧ d = 0 =
1 0 −1 0 −2 0 c d
½· ¸ ¾
2b + 3c b
= , b, c ∈ R .
c 0
Por outro lado, também concluı́mos na subsecção 3.1.3, que os vectores (1, 2)
e (−1, 0) são linearmente independentes, mas que (1, 2) , (−1, 0) e (5, 4) já são
linearmente dependentes.
A partir das análises anteriores temos então que o espaço vectorial R2 pode ser
gerado pelos vectores linearmente independentes de B = {(1, 2) , (−1, 0)} e pelos
vectores linearmente dependentes que constituem A = {(1, 2) , (−1, 0) , (5, 4)} ,
com a particularidade que, no primeiro conjunto gerador, todos os vectores do
espaço vectorial R2 são gerados de maneira única, isto é, são escritos de forma
única como combinação linear dos vectores de B. Se retirarmos, como também já
vimos, um vector do conjunto B, ele deixa de gerar R2 . Assim, podemos afirmar
que existe um número mı́nimo de vectores geradores que permitem definir o
espaço. O menor subconjunto de vectores do espaço vectorial V que representa
o espaço vectorial V chama-se base do espaço vectorial V. Mais formalmente
temos,
3.1. ESPAÇOS VECTORIAIS 133
Exemplo 3.1.7
Por (ii) do teorema 3.1.4, podemos concluir que todas a bases de um mesmo
espaço vectorial V, têm o mesmo número de vectores. A esse número é atribuı́da
uma designação especial.
1. Sendo B = {(1, 2) , (−1, 0)} uma base (com dois vectores) do espaço vecto-
rial R2 , dim R2 = 2;
2. dim (P2 [x]) = 3;
3. dim ({0V }) = 0.
(i) Não há, no espaço vectorial V, sistemas de vectores independentes com mais
de n vectores.
(ii) V não pode ser gerado por um conjunto com menos de n vectores.
(iii) Qualquer sistema com n vectores independentes é uma base de V.
(iv) Qualquer sistema com n vectores geradores de V é uma base de V.
Todos os espaços vectoriais possuem uma base especial, chamada base canónica,
que é constituı́da pelos chamados vectores unitários.
Nota: Quando a base está omissa é porque estamos a trabalhar na base canónica.
Logo (5, 4)Bc = (2, −3)B e portanto, como Bc é a base canónica de R2 podemos
escrever (5, 4) = (2, −3)B
ou em notação matricial,
a1 a01
a2 a02
[x]B = .. e [x]B 0 = .. .
. .
an a0n
Procuremos uma relação entre [x]B e [x]B 0 . Comecemos por escrever os vectores
da base B como combinação linear dos vectores da base B 0 , ou seja:
MBB 0
Observando atentamente a equação matricial anterior, verificamos que a matriz
designada por matriz mudança de base que permite a mudança da base B
para a base B 0 , MBB 0 , de um dado vector, é construı́da a partir das componentes
dos vectores da base B, escritos como combinação linear dos vectores de B 0 . Estas
componentes, [vi ]B 0 , i ∈ {1, 2, . . . , in }, são os elementos que ocupam a coluna i
da matriz MBB 0 . Ou seja,
3.1. ESPAÇOS VECTORIAIS 137
c11 c12 c1n
c21 c22 c2n
[v1 ]B 0 = .. ;
2B[v ] 0 = .. ; . . . ; [v ]
n B 0 = .. .
. . .
cn1 cn2 cnn
Podemos então concluir que dado o vector x na base B, [x]B , podemos obter as
componentes deste vector na base B 0 , [x]B 0 , multiplicando a matriz mudança de
base da base B para a base B 0 , MBB 0 pelas componentes do vector [x]B . Isto é,
MBB 0 é a matriz mudança de base, da base B para a base B 0 . Por outro lado, a
matriz mudança de base, da base B 0 para a base B é MB 0 B tal que
−1
MB 0 B = MBB 0,
pois
−1
[x]B 0 = MBB 0 [x]B ⇔ MBB 0 [x]B 0 = [x]B
ou seja,
−1
[x]B = MBB 0 [x]B 0 .
Exemplo 3.1.10 Sejam Bc = {(1, 0), (0, 1)} e B = {(1, 2), (−1, 0)} bases de
R2 . Determinemos a matriz mudança da base Bc para a base B.
Escrevendo os vectores de Bc como combinação linear dos vectores de B, temos:
(1, 0) = 0(1, 2) + (−1)(−1, 0), isto é, (1, 0)Bc = (0, −1)B ;
µ ¶
1 1 1 1
(0, 1) = (1, 2) + (−1, 0), isto é, (0, 1)Bc = , .
2 2 2 2 B
Temos então: · ¸
1
0
MBc B = 2
1 .
−1 2
As coordenadas do vector u na base B são 2 e −3, isto é, [u]B = (2, −3)B , ou
seja, (5, 4)Bc = 2(1, 2) + (−3)(−1, 0).
138 CAPÍTULO 3. ESPAÇOS E SUBESPAÇOS VECTORIAIS
(x, 0) + (y, 0) = (x + y, 0) ∈ S1 ,
α (x, 0) = (αx, 0) ∈ S1 , α ∈ R
e verificam-se os 8 axiomas da definição de espaço vectorial. Contudo, se con-
siderarmos o subconjunto S2 = {(x, 0) : x ≥ 0} de R2 , com as operações usuais,
a multiplicação por um escalar não é interna em S2 . Por exemplo, para α = −2,
temos
−2 (x, 0) = (−2, 0) 6∈ S2 .
Aplicando a definição 3.1.1 aos subconjuntos de R2 , S1 e S2 , verificamos que o
subconjunto S1 é um espaço vectorial, o que já não se verifica com S2 .
Estes exemplos levam-nos a introduzir a seguinte definição:
(i) S 6= Ø,
(ii) ∀x, y ∈ S, x + y ∈ S,
3.2. SUBESPAÇOS VECTORIAIS 139
(iii) ∀α ∈ R, ∀x ∈ S, αx ∈ S.
Exemplo 3.2.1
¡ ¢
α −b + (a − b) x + ax2 = −αb + (αa − αb) x + (αa) x2 ∈ S3 .
Portanto o conjunto S3 = {−b + (a − b) x + ax2 : a, b ∈ R} , com as
operações usuais em P2 [x] , é subespaço vectorial de P2 [x].
½· ¸ ¾
a b
2. Verifiquemos se o conjunto S4 = : a, b, c ∈ R ∧ d ∈ Q , com
c d
as opera- ções usuais em M2 , é subespaço vectorial de M2 . Apliquemos o
corolário
· 3.2.1.
¸ µ · ¸ ¶
0 0 0 0
(i) ∈ S4 , logo S4 6= Ø ou 0M2 = ∈ S4 .
0 0 0 0
· ¸ · 0 0 ¸
a b a b
(ii) Sejam , ∈ S4 . Verifiquemos que existem valores
c d c0 d0
para α, β ∈ R, tais que
· ¸ · 0 0 ¸
a b a b
α +β 6∈ S4 .
c d c0 d0
√
Por exemplo, para α = 2 e β = 0 temos
· ¸ · 0 0 ¸ · √ √ ¸
√ a b a b 2a
2 +0 = √ √ 2b 6∈ S4 ,
c d c0 d0 2c 2d
√
porque 2d 6∈ Q.
Portanto, S4 não é subespaço vectorial de M2 .
140 CAPÍTULO 3. ESPAÇOS E SUBESPAÇOS VECTORIAIS
Notas:
• Se A = Ø, hØi = {0} ;
• Todo o conjunto X ⊂ V gera um subespaço vectorial de V, podendo ocorrer
hXi = V. Neste caso, X é um conjunto gerador de V.
Vamos ver que, a partir de subespaços vectoriais dados, num certo espaço vec-
torial, é possı́vel construir novos subespaços.
U ∩ W = {x ∈ V : x ∈ U ∧ x ∈ W } .
Analisemos um exemplo.
Generalizando, temos:
U ∪ W = {x ∈ V : x ∈ U ∨ x ∈ W } .
Neste caso, falha a condição (ii) do teorema 3.2.1. Se, por exemplo considerar-
mos (1, 1) , (1, −1) ∈ U1 ∪ W1 .
e © ª
W2 = {(x, 0, 0) : x ∈ R} = (a, b, c) ∈ R2 : b = c = 0
Mostremos que U2 ∪ W2 é um subespaço vectorial de R3 .
É fácil de verificar que W2 ⊂ U2 , logo temos
U2 ∪ W2 = {(x, y, 0) : x, y ∈ R} = U2 .
U + W = {v = u + w : u ∈ U, w ∈ W } .
(x + y, x − y) + (x0 + y 0 , x0 − y 0 ) = (x + y + x0 + y 0 , x − y + x0 − y 0 )
= ((x + x0 ) + (y + y 0 ) , (x + x0 ) − (y + y 0 )) ∈ U1 + W1 .
(iii) Sejam (x + y, x − y) ∈ U1 + W1 e α ∈ R
Definição 3.2.6 Diz-se que o espaço vectorial V é a soma directa dos seus
subespaços U e W, isto é U ⊕ W, se todo o vector v ∈ V pode ser escrito, de uma
e uma só maneira, como v = u + w, onde u ∈ U e w ∈ W.
Exemplo 3.2.7 Provemos que o espaço vectorial R2 é soma directa dos seus
subes- paços vectoriais U1 = {(x, x) : x ∈ R} e W1 = {(y, −y) : y ∈ R} . Para
tal, utilizemos o teorema 3.2.7.
ou seja ½ a+b
x = 2
a−b .
y = 2
Exemplo 3.2.8
e © ª
W2 = {(x, 0, 0) : x ∈ R} = (a, b, c) ∈ R2 : b = c = 0 .
146 CAPÍTULO 3. ESPAÇOS E SUBESPAÇOS VECTORIAIS
Determinemos a dim(U2 + W2 ).
Temos que
U2 = {(x, y, 0) : x, y ∈ R} = h(1, 0, 0), (0, 1, 0)i
e sendo estes vectores geradores de U2 l.i., podemos concluir que dim(U2 ) = 2.
No caso de W2 ,
W2 = {(x, 0, 0) : x ∈ R} = h(1, 0, 0)i .
Logo dim(W2 ) = 1.
Determinemos agora a dim(U2 ∩ W2 ).
© ª
U2 ∩ W2 = (a, b, c) ∈ R2 : b = c = 0 = {(a, 0, 0) : a ∈ R} = h(1, 0, 0)i .
uma vez que dim(U2 ∩W2 ) 6= 0. Logo podemos concluir que R2 não é soma directa
de U2 com W2 .
3.3. EXERCÍCIOS 147
3.3 Exercı́cios
Espaços Vectoriais: definição e propriedades
Exercı́cio 3.3.8 * Para qual valor de k será o vector u = (1, −2, k) em R3 uma
combinação linear dos vectores v = (3, 0, −2) e w = (2, −1, −5)?
(a) {2x2 + 1, x2 + 3, x}
(b) {3x + 1, 2x2 + 1, 2x2 + 6x + 3}
Exercı́cio 3.3.14 *
Conjunto de Geradores
e o espaço V gerado pelos vectores v1 = (1, 2, −4, 11) e v2 = (2, 4, −5, 14) são
iguais.
Base e dimensão
BC = {1, x, x2 }, B = {1 + x, 1 + x2 , 1 + x + x2 }.
Subespaços Vectoriais
(i) 0V ∈ S( ou S 6= Ø)
(ii) ∀α, β ∈ R ∀x, y ∈ S α.x + β.y ∈ S
© ª
E = (x, y) ∈ R2 : x ≥ 0 .
Exercı́cio 3.3.31 Considere o espaço vectorial M3 (R), das matrizes reais quadradas
de ordem 3. Determine quais dos seguintes subconjuntos são seus subespaços
vectoriais:
S = hx3 + x, x3 − x, x2 + x, x2 − xi.
(b) Escreva o vector 2x3 + x2 − x como combinação linear dos vectores da base
determinada na alı́nea anterior.
v1 = −2t2 + 4t + 1 v3 = 6t − 5
v2 = −3t2 + 9t − 1 v4 = −5t2 + 7t + 5
½· ¸ ¾
a 0
S2 = : a, c ∈ R .
c 0
e os conjuntos
A = F ∪ G, B = F ∩ G, C = F + G.
(a) Determine A, B e C.
(b) Diga quais dos conjuntos A, B e C são subespaços vectoriais de R3 .
3.3. EXERCÍCIOS 155
U = {(a, b, c, d) ∈ R4 : b + c + d = 0}
W = {(a, b, c, d) ∈ R4 : a + b = 0 ∧ c = 2d}.
Encontre a dimensão e uma base de:
(a) U ;
(b) W ;
(c) U ∩ W.
(a) dim(U + W )
(b) dim(U ∩ W )
verifique se R3 = F1 ⊕ F2 .
onde Bc é a base canónica de R3 e B1 = {(1, −2, 5), (0, 0, 1), (−1, 0, 1)}.
(a) Verifique se o vector (1, 2, −3, 1) pertence aos subespaços vectoriais F e/ou
G.
(b) Determine uma base de F .
(c) Determine a dimensão do subespaço F ∩ G.
(d) Sabendo que os vectores geradores de G, (1, 0, 0, 1) e (0, 1, 0, 0) são linear-
mente independentes, e sem calcular uma base para o subespaço F + G,
determine a dimensão de F + G.
(e) Determine um conjunto de geradores do subespaço F + G. Serão estes
vectores linearmente independentes? Justifique, sem efectuar quaisquer
cálculos.
3.4 Soluções
Só os exercı́cios com * têm solução.
3.3.3 Para mostrar que V não é espaço vectorial sobre R em relação a cada uma
das seguintes operações de adição em V e multiplicação por um escalar em V,
basta mostrar que um dos axiomas de espaço vectorial não se verifica:
3.3.5 O vector v = (3, 9, −4, −2) é uma combinação linear dos vectores u1 , u2 e
u3 .
3.3.6 E = 3A − 2B − C.
3.3.8 Para que o vector u em R3 seja uma combinação linear de v e w basta que
k = −8.
3.3.10
3.3.11
3.3.13 Para que o conjunto {(1, 0, −1), (1, 1, 0), (k, 1, −1)} seja linearmente inde-
pendente, temos que ter k 6= 2.
3.3.14
Base e dimensão
3.3.20
(a) Os três vectores são linearmente independentes, logo formam uma base de
R3 .
(b) Os quatro vectores não formam uma base de R3 , porque uma base de R3
deve conter exactamente 3 vectores, pois R3 é de dimensão 3; ou porque os
quatro vectores são linearmente dependentes.
160 CAPÍTULO 3. ESPAÇOS E SUBESPAÇOS VECTORIAIS
3.3.23
1 −1 2 1 −1 3
(a) MBC B = 3 −4 5 ; MBBC = 2 −1 1 .
1 −1 1 1 0 −1
(c) (5, −2, 3) = 13(1, 2, 1) + 38(−1, −1, 0) + 10(3, 1, −1)
(1, 0, −2)B = −5(1, 0, 0) + 0(0, 1, 0) + 3(0, 0, 1).
Subespaços Vectoriais
3.3.30
√ √ √ √
(b) Com v = (1, 2, 3) ∈ W e k = 2 ∈ R, verifica-se kv = ( 2, 2 2, 3 2).
3.3.48
(a) O conjunto {(1, 0, 0, 0), (0, −1, 1, 0), (0, −1, 0, 1)} é uma base de U e
dimU = 3.
(b) O conjunto {(−1, 1, 0, 0), (0, 0, 2, 1)} é uma base de W e dim W = 2.
(c) O conjunto {(3, −3, 2, 1)} é uma base de U ∩ W e dim(U ∩ W ) = 1.
3.3.49
(a) dim(U + W ) = 3.
(b) dim(U ∩ W ) = 1.
3.3.52
3.3.56
½· ¸ · ¸¾
1 −1 0 −1
(c) , é uma base de W , portanto dim W = 2.
0 1 1 0
3.4. SOLUÇÕES 161
½· ¸¾
1 −1
(d) é uma base de W ∩ F , portanto dim W ∩ F = 1.
0 1
3.3.58
3.3.59
(b) Sim.
(c) dim V = 2.
(d) dim U = 1 e dim V = 2, logo uma base de V nunca poderá ser uma base
de U , uma vez que os espaços não possuem a mesma dimensão.
(e) {(1, −1, 0)}.
(f ) U + V = h(1, −1, 0), (1, 0, 1), (0, 1, 1)i.
(g) U ∩ V 6= {(0, 0, 0)}, logo U ⊕ V 6= R3 .
162 CAPÍTULO 3. ESPAÇOS E SUBESPAÇOS VECTORIAIS
c1 X1 + c2 X2 + . . . + cn Xn = X.
Para que estes dois vectores sejam iguais, temos que resolver o seguinte sistema:
c1 + c2 + c3 = 2
2c1 + c3 = 1
.
c1 + 2c2 = 5
−c1 − 3c2 − 2c3 = −5
rref([A B])
obtemos
ans =
1 0 0 1
0 1 0 2
0 0 1 −1
0 0 0 0
Lembre-se que o que é exibido é a forma escalonada reduzida de uma matriz
ampliada. Segue-se que o sistema é possı́vel com solução
c1 = 1, c2 = 2, c3 = −1.
X1 + 2X2 − X3 = X.
£ ¤
Se o sistema for possı́vel, isto é, sem linhas da forma 0 0 · · · 0 | q ,
q 6= 0, então o vector X pode ser escrito como uma combinação linear dos
vectores de S. Nesse caso, a solução do sistema dá-nos os valores dos coeficientes
ci , i = 1, . . . , n.
Exercı́cios
NOTA: Tal como no caso dos vectores de Rn , para verificar se o polinómio p (x)
é combinação linear de p 1 (x) , p 2 (x) e p 3 (x) , temos que resolver o sistema
AX = B fazendo corresponder a cada coluna das matrizes A e B um polinómio
escrito por coluna. Um polinómio é escrito por coluna, à custa dos coeficientes
dos termos dos polinómios. No caso dos polinómios não serem completos (isto
é não apresentarem os coeficientes de todos os graus não nulos), os termos que
faltarem em cada polinómio serão associados a um coeficiente zero. Um modo de
proceder, é utilizar o coeficiente de maior grau como a última entrada da matriz
3.5. FICHAS PRÁTICAS 165
c1 X 1 + c2 X 2 + . . . + cn X n
c1 X 1 + c2 X 2 + . . . + cn X n = O
S é linearmente independente se, e só se, AC=O tem somente a solução trivial.
rref(A)
e obtemos
ans =
1 0 0 0
0 1 0 0
0 0 1 0
0 0 0 0
Relembremos que este resultado representa a forma escalonada reduzida por
linhas da matriz dos coeficientes do sistema homogéneo. Segue-se que c1 = c2 =
c3 = 0. Portanto, o conjunto S é linearmente independente.
Exercı́cios
½ · ¸ · ¸ · ¸¾
2 1 1 0 0 −1
(f ) S = u1 = , u2 = , u3 =
1 2 1 1 −1 0
3.5. FICHAS PRÁTICAS 169
Exercı́cios
Exercı́cio 3.5.8 Seja P = {p1 (x), p2 (x), p3 (x), p4 (x)} , onde p1 (x) = 2 + x,
p2 (x) = −x + x2 , p3 (x) = x3 e p4 (x) = 1 − x2 + x3 . O conjunto P é uma base do
espaço vectorial dos polinómios de grau inferior ou igual a 3?. Justifique a sua
resposta.
170 CAPÍTULO 3. ESPAÇOS E SUBESPAÇOS VECTORIAIS
Queremos algo mais geral, que nos permita utilizar outras bases em vez da
base canónica. Para utilizar outras bases definimos as coordenadas de
um vector relativo a uma base S como sendo os escalares utilizados
para escrever o vector como uma combinação linear dos vectores da
base. Na verdade, consideremos uma base ordenada, isto é, se alterarmos
a ordem dos vectores da base, obtemos uma nova base. Então, obtemos um
conjunto único de coordenadas relativas a uma base ordenada. Esta
correspondência entre vectores e coordenadas permite-nos modelar um espaço
vectorial abstracto utilizando Rn .
Exemplo 3.5.3 Seja S = {v1 , v2 } = {(1, 1); (−1, 2)} uma base de R2 . Prove!
Encontremos as coordenadas do vector v = (−1, 8) relativas à base S. Ou seja,
procuremos escalares k1 e k2 tal que seja possı̀vel escrever v como combinação
linear v1 e v2 . Assim,
k1 v1 + k2 v2 = k1 (1, 1) + k2 (−1, 2) = (−1, 8).
Isto leva-nos a resolver o sistema linear cuja matriz ampliada é
· ¯ ¸
1 −1 ¯¯ −1
.
1 2 ¯ 8
· ¸
1 −1
No OCTAVE se introduzirmos a matriz dos coeficientes A = e a
· ¸ 1 2
−1
matriz dos termos independentes B = . A solução do sistema pode ter
8
determinada usando o comando do OCTAVE
X=A\B
Exercı́cios
Exercı́cio 3.5.9 Em R3 , prove que S = {v1 , v2 , v3 } = {(1, 1, 2); (2, 1, 1); (1, 2, 1)}
é uma base. Encontre os vectores coordenada relativamente à base S, para cada
um dos seguintes vectores: v = (1, 1, 1) e w = (1, 0, 1).
Exercı́cio 3.5.10 Em R4 , prove que S = {(1, 1, 0, 1); (1, 2, 1, 0); (0, 1, 2, 1); (−1, 0, 0, 1)}
é uma base. Encontre os vectores coordenada relativamente à base S, para cada
um dos seguintes vectores: v = (1, 0, 0, 1), w = (2, 1, 1, 2) e z = (1, 2, 3, 4).
A matriz mudança de base MT S , da base T para a base S tem colunas que são as
coordenadas dos vectores da base T relativas à base S.
£ ¤
M= [w1 ]S [w2 ]S · · · [wn ]S .
Exemplo 3.5.4 Sejam T = {w1 , w2 , w3 } = {(1, 2, 1); (1, 2, 0); (1, 0, 2)} e S =
{v1 , v2 , v3 } = {(1, 1, 0); (1, 0, 1); (1, 1, 1)} bases de R3 .
Determinemos a matriz mudança da base MT S .
Começamos por encontrar as coordenadas de wi relativamente à base S. Ou seja,
tal como vimos anteriormente temos que determinar os escalares que permitem
escrever cada vector wi como combinação linear dos vectores de S. Deste modo
obtemos,
Quando trabalhamos com a matriz mudança de base é útil ter uma técnica para
obter MT S directamente. Em vez de encontrarmos as coordenadas dos vectores
individuais w 1 , w 2 e w 3 relativas à base S, escrevemos as matrizes
£ ¤ 1 1 1 £ ¤ 1 1 1
A= v1 v2 v3 = 1 0 1 B= w1 w2 w3 = 2 2 0
0 1 1 1 0 2
Note-se que sendo BC a base canónica do espaço vectorial V a matriz A é a
matriz mudança de base, da base S para a base BC e a matriz B é a matriz
mudança de base, da base T para a base BC .
A partir destas matrizes, a matriz mudança de base da base T para a base S,
MT S , pode ser obtida usando o comando do OCTAVE \. Assim,
MT S = A\B.
Exercı́cios
Exercı́cio 3.5.13 Em R3 sejam S = {v1 , v2 , v3 } = {(1, 1, −1); (1, 2, 1); (−1, 1, 0)}
e T = {w1 , w2 , w3 } = {(1, 2, 3); (3, 1, 2); (2, 1, 3)} suas bases. Prove que S e T
são bases de R3 . Encontre a matriz mudança de base da base T para a base S.
Chame à matriz mudança de base a matriz P1 .
Aplicações Lineares
Exemplo 4.1.1
175
176 CAPÍTULO 4. APLICAÇÕES LINEARES
f1 (a, b, c)+f1 (a0 , b0 , c0 ) = (a, a+b+c)+(a0 , a0 +b0 +c0 ) = (a+a0 , a+a0 +b+b0 +c+c0 ).
f2 (x, y, z) = (x, y, 0)
id(x) = x
f4 (x) = x2 .
Vejamos através de um exemplo, como a partir das imagens dos vectores que
cons- tituem uma base do espaço de partida, aplicando o teorema 4.1.1(iii),
podemos definir a expressão analı́tica da aplicação linear.
g(1) = (1, 0, 0); g(x) = (0, 1, 1); g(x2 ) = (0, 0, −1) (4.1)
temos, de acordo com o teorema 4.1.2, definida a aplicação linear g.
Por 4.1,
a0 g(1)+a1 g(x)+a2 g(x2 ) = a0 (1, 0, 0)+a1 (0, 1, 1)+a2 (0, 0, −1) = (a0 , a1 , a1 −a2 ).
e1 −
7 → f (e1 )
e2 −7 → f (e2 )
..
.
en 7−→ f (en )
Uma vez que os vectores f (e1 ), f (e2 ), . . . , f (en ) pertencem ao espaço vectorial
F, podemos escrevê-los como combinação linear dos vectores da base fixada em
F, ou seja B2 :
Notas:
• Se E = F e a aplicação f é a aplicação identidade então [id]B1 B2 é a matriz
mudança de base de B1 para B2 , isto é MB1 B2 = [id]B1 B2
• A matriz de uma aplicação linear [f ]B1 B2 , depende das bases B1 e B2 .
Ou seja, a cada conjunto de duas bases corresponde uma matriz diferente.
Assim, uma aplicação linear tem uma infinidade de matrizes a representá-la.
4.1. MODOS DE DEFINIR UMA APLICAÇÃO LINEAR 179
f1 (x, y, z) = (x, x + y + z)
[f (1, 3, 0)B1 ]B2 = (−9, 32), isto é, [f (1, 3, 0)B1 ]Bc = −9(3, 1) + 32(1, 1).
Vimos que dada uma aplicação linear f entre dois espaços vectoriais E e F,
ambos de dimensão finita n e m, respectivamente, nos quais estão fixadas bases,
podemos associar à aplicação linear f uma matriz do tipo m×n. Reciprocamente,
desde que as bases estejam fixadas, qualquer matriz do tipo m × n define uma
aplicação linear de E para F.
Por exemplo,
h1 : R −→ R
x 7−→ x
é uma aplicação injectiva, mas
h2 : R −→ R
x 7−→ x2
N uc f = {x ∈ E : f (x) = 0F }.
Temos:
x · ¸ · ¸ x · ¸
0 1 0 0 y = 0
[f1 ]Bc Bc y = ⇔
0 1 1 1 0
z z
· ¸ · ¸ ½
x 0 x=0
⇔ = ⇒
x+y+z 0 z = −y
e portanto, tal como já tı́nhamos concluı́do anteriormente,
N uc f1 = {(0, y, −y) : y ∈ R} .
Vejamos então numa situação já estudada, uma forma alternativa para o estudo
da injectividade numa aplicação linear.
Uma vez que {1, x, x2 } é a base canónica de P2 [x] e que os vectores (1, 0, 0); (0, 1, 1)
e (0, 0, −1) são linearmente independentes, aplicando o teorema 4.3.3, podemos
concluir que a aplicação g é injectiva.
184 CAPÍTULO 4. APLICAÇÕES LINEARES
Por exemplo,
h1 : R −→ R
x 7−→ x
é uma aplicação sobrejectiva, mas
h3 : R −→ R
x 7−→ 0
Im f = {f (v) : v ∈ E} .
Analisemos, agora com base neste resultado, as aplicações já estudadas no ex-
emplo 4.3.5, quanto à sobrejectividade.
Exemplo 4.3.6 1. Considerando a aplicação linear f1 e a base B1 = {(2, 0, 0), (1, 2, 4),
(1, −1, 4)} do espaço vectorial R3 , temos que,
ou seja,
Im f1 = h(2, 2); (1, 7); (1, 4)i = R2 ;
e portanto f1 é sobrejectiva.
2. Considerando a aplicação linear f2 e a base canónica de R3 , temos que
Tal como acontece com qualquer aplicação, uma aplicação linear que seja simulta-
neamente injectiva e sobrejectiva diz-se bijectiva.
186 CAPÍTULO 4. APLICAÇÕES LINEARES
Notas:
A [u]B = λ [u]B .
Mas
A [u]B = λ [u]B ⇔ A [u]B − λ [u]B = O ⇔ (A − λI) [u]B = O
ou seja, obtemos um sistema de equações lineares homogéneas, o qual é sempre
possı́vel. Para que este sistema admita soluções diferentes da solução trivial
(u 6= 0E ), tal como é exigido pela definição 4.4.1, tem que ser um sistema possı́vel
e indeterminado, ou seja,
|A − λI| = 0.
Com base neste teorema podemos então determinar os valores e vectores próprios
de uma aplicação linear.
4.4. DIAGONALIZAÇÃO DE MATRIZES 189
Notas:
O próximo teorema diz-nos então como construir a base de E que nos permite
obter uma matriz diagonal que representa a aplicação linear ϕ de E em E.
A
E −→ E
(Bc ) (Bc )
MBV Bc ↑ ↓ MB−1V Bc
E −→ E
(BV ) D (BV )
e portanto,
D = MB−1V Bc AMBV Bc ⇔ D = P −1 AP.
Vejamos um exemplo:
A matriz diagonalizante de A é
· ¸
1 −1
P =
−1 0
Se observarmos a matriz D obtida, esta é, tal como tı́nhamos referido anterior-
mente, uma matriz diagonal em que os elementos da diagonal principal são os
valores próprios da aplicação ϕ1 .
A
E −→ F
(B1 ) (B2 )
e portanto,
A0 = MB2 B20 A MB10 B1 .
4.5. AS APLICAÇÕES LINEARES NAS MATRIZES MUDANÇA DE BASE 193
A0 = MB2 B20 A.
Por outro lado, se for em F que se mantém a base inicial, isto é, se consideramos
B2 = B20 , então MB2 B20 = Im , e portanto
A0 = AMB10 B1 .
[f1 ]Bc Bc
3
R −→ R2
(Bc ) (Bc )
MB1 BC ↑ ↓ MBc B2
R3 −→ R2
(B1 ) [f1 ]B1 B2 (B2 )
logo, [f1 ]B1 B2 = MBc B2 [f1 ]Bc Bc MB1 BC . Sendo B1 = {(2, 0, 0); (1, 2, 4); (1, −1, 4)}
uma base de R3 e B2 = {(3, 1); (1, 1)} uma base de R2 , temos então que:
2 1 1 · 1 1
¸
−
MB1 Bc = 0 2 −1 e MBc B2 = MB2 Bc =
−1 2 2
− 12 23
0 4 4
portanto
· ¸
0 −3 − 32
[f ]B1 B2 = .
2 10 11
2
194 CAPÍTULO 4. APLICAÇÕES LINEARES
4.6 Exercı́cios
Modos de definir uma aplicação linear
T : R2 −→ R3
(x, y) 7−→ (x + ky, x + k, y)
T (k) = 3i + j − 2k, T (j + k) = i, T (i + j + k) = k + j.
Exercı́cio 4.6.8 Dadas as bases B1 = {(1, 1), (1, 0)} de R2 e B2 = {(1, 2, 0), (1, 0, −1),
(1, −1, 3)} de R3 , determine a transformação linear, T : R2 −→ R3 , representa-
da pela seguinte matriz:
2 0
[T ]B1 B2 = 1 −2
−1 3
T (x, y, z) = (x + 2y − z, y + z, x + y − 2z).
Exercı́cio 4.6.11 Seja f : P2 [x] −→ P2 [x] uma aplicação linear tal que
T (x, y) = (x, 0)
e Bc a base canónica de R2 .
(a) Defina a matriz da aplicação linear T, considerando a base canónica de R2 ,
isto é, [T ]Bc Bc .
(b) A partir da matriz determinada na alı́nea anterior, verifique se T é uma
aplicação sobrejectiva e/ou injectiva.
f (0, 0, 1) = (0, 0, 1)
e
N uc f = h(1, 1, 1); (0, 1, 1)i,
Determine:
4.6. EXERCÍCIOS 197
(a) Sendo B = {(1, 0, −1), (1, 1, 1), (1, 0, 0)} uma base de R3 , determine a matriz
[S ◦ T ]BB .
(b) A partir da matriz determinada na alı́nea anterior, determine o núcleo e o
espaço imagem da aplicação S ◦ T. Esta aplicação é bijectiva?
(c) Determine [T ◦ S]B 0 B 0 e [T ◦ S]B 00 B 00 , sendo B 0 = {(1, 1); (0, −1)} e B 00 a base
canónica de R2 .
(d) A aplicação T ◦ S é injectiva? E sobrejectiva?
Diagonalização de matrizes
Verifique que a soma dos valores próprios é igual à soma dos elementos na diag-
onal principal de A e que o produto dos valores próprios é igual ao determinante
de A.
Exercı́cio 4.6.25 * Para cada uma das seguintes matrizes simétricas, encontre
uma matriz ortogonal P, para a qual P T AP seja diagonal:
· ¸
2 2
(a)
2 2
7 −2 −2
(b) −2 1 4
−2 4 1
T : R3 −→ R3
.
(x, y, z) 7−→ (3x + y, y, −x + 2y + 2z)
ϕ (x, y, z) = (x − y + z, x + y + 2z) .
T : R3 −→ · M2 ¸
x + y + 2z y .
(x, y, z) 7−→
x 2x − z
T : P2 [x] −→ P2 [x]
.
a + bx + cx 7−→ (3a + b) + bx + (−a + 2b + 2c) x2
2
f (a, b, c) = ax2 + (b − c) x + (c − b) .
T (1, 0) = (1, 0, 0)
T (0, 1) = (2, 1, −1)
T : R3 −→ R3
(x, y, z) 7−→ (x, 2y − z, −2x + 3z)
4.7 Soluções
Só os exercı́cios com * têm solução.
4.6.4
(a) T (2i − j + 3k) = 9i + 6j − 6k.
−1 −2 3
(b) T = 1 −1 1
1 2 −2
4.6.9
(a) (i) Base de Im T : por exemplo, {(1, 0, 1), (0, 1, −1)}; dim(Im T ) = 2;
(ii) Base de N uc T : por exemplo, {(3, −1, 1)} ; dim(N uc T ) = 1.
4.6.10
(a) T não é injectiva. N uc T = {(z, −5z, z) : z ∈ R}; {(1, −5, 1)} é uma base
do N uc T.
(b) T é sobrejectiva. Im T = h(1, 2), (0, 1), (−1, 3)i = R2 ; qualquer base de
4.6.12
· ¸
1 0
(a) M (T ; B1 ; B1 ) = .
0 0
Diagonalização de matrizes
4.6.17
4.6.18
4.6.19
4.6.20 Valor próprio: λ1 = 0, vector próprio associado: (2, 1). Valor próprio:
λ2 = 5, vector próprio associado: (1, −2).
· ¸
2 −1
4.6.21 P = .
5 1
4.6.24
4.6.25
" #
− √12 √1
2
(a) P = √1 √1
.
2 2
√1 − √26 0
3
√1 √1 − √12
(b) P = 3 6 .
√1 √1 √1
3 6 2
4.7. SOLUÇÕES 205
4.6.26
· ¸
−4 5 13
(a) [T ]B1 B2 =
2 −2 −5
(c) [T (v)]B = (31, −10)
3 0 −3 3
4.6.27 [T ]B1 B2 = 5 2 , [T ]B1 Bc = 2 5
−3 3 −2 −2
4.6.28
· ¸
x+y 0
(a) ψ (x, y) = .
0 x+y
(b) N uc ψ = {(x, −x) : x ∈ R} = h(1, −1)i . Como (1, −1) é linearmente
independente, {(1, −1)} é uma base do N uc ψ, logo dim(N uc ψ) = 1. Sendo
dim(N uc ψ) 6= 0, ψ não é injectiva. Utilizando o teorema da dimensão:
¡ ¢
dim R2 = dim (N uc ψ) + dim (Im ψ)
⇐⇒ 2 = 1 + dim (Im ψ)
⇐⇒ dim (Im ψ) = 1.
Uma vez que dim (M 2 ) = 4 6= dim (Im ψ) , podemos concluir que ψ não é
sobrejectiva.
(c) {(1 − y, y) , y ∈ R} .
4.6.30
(a) Im ϕ = h(1, 1) , (−1, 1) , (1, 2)i . Base de ϕ = {(1, 1) , (−1, 1)} . Como dim (Im ϕ) =
dim (R2 ) = 2, então ϕ é sobrejectiva.
(b) Utilizando o teorema da dimensão:
¡ ¢
dim R3 = dim (N uc ϕ) + dim (Im ϕ)
⇐⇒ 3 = dim (N uc ϕ) + 2
⇐⇒ dim (N uc ϕ) = 1.
Logo ϕ não é injectiva.
· ¸
1 −1 1
(c) (i) [ϕ]B1 B2 = .
1 1 2
206 CAPÍTULO 4. APLICAÇÕES LINEARES
· ¸
−1 −6 8
(ii) [ϕ]B 0 B 0 = .
1 2 0 −2 2
4.6.33
4.6.35
Existe um método simples para encontrar uma base para o subespaço imagem de
T. Se as colunas de rref(A) que contêm pivot 1 são cj1 < cj2 < . . . < cjk , então
as colunas cj1 , cj2 , . . . , cjk , de A formam uma base para o subespaço imagem de
T.
Da matriz A anterior temos:
1 0 −1 0
rref(A)= 0 1 1 2 .
0 0 0 0
Os pivots 1’s fazem das colunas 1 e 2 da matriz A uma base para a imagem de
T.
Logo, uma base para a imagem de T é {(1, 2, 1); (−1, −3, −2)}.
Exercı́cios
· ¸
1 2 5 5
(a) A =
−2 −3 −8 −7
−3 2 −7
(b) B = 2 −1 4
2 −2 6
3 3 −3 1 11
(c) C = −4 −4 7 −2 −19
2 2 −3 1 9
4.8. FICHAS PRÁTICAS 209
T (x) = 0,
Ax=0.
Escolhemos as incógnitas correspondentes às colunas sem pivots 1’s para es-
calares arbitrários, como se segue
x3 = r e x4 = t.
Então, x1 = x3 = r e x2 = −x3 − 2x4 = −r − 2t. A solução geral é dada por
x = (x1 , x2 , x3 , x4 ) = (r, −r − 2t, r, t) = r(1, −1, 1, 0) + t(0, −2, 0, 1).
Assim, prova-se que {(1, −1, 1, 0); (0, −2, 0, 1)} é uma base para Nuc(T ).
Em resumo, rref(A) dá-nos suficiente informação para encontrar a imagem e o
núcleo da transformação linear T.
Exercı́cios
· ¸
1 2 5 5
(a) A =
−2 −3 −8 −7
−3 2 −7
(b) B = 2 −1 4
2 −2 6
3 3 −3 1 11
(c) C = −4 −4 7 −2 −19
2 2 −3 1 9
1 2 4 −2
Exercı́cio 4.8.3 Sejam A = 2 1 2 0 e T (x) = Ax. Encontre uma
0 3 6 −4
base para o núcleo de T.
4.8. FICHAS PRÁTICAS 211
T (x ) = Ax.
poly(A)
212 CAPÍTULO 4. APLICAÇÕES LINEARES
roots(poly(A))
5 −8 −1
Exemplo 4.8.1 Seja A = 4 −7 −4 . Introduza A no OCTAVE. Então,
0 0 4
o comando
c=poly(A)
exibe
c =
1 −2 −11 12
que implica que o polinómio caracterı́stico de A é
Utilizando o comando
r=roots(poly(A))
−3.0000
4.0000
1.0000
Uma vez obtidos os valores próprios λ de uma matriz A, os vectores próprios são
determinados como soluções não triviais x do sistema homogéneo (A − λIn ) x =
0. Para encontrar x 6= 0, digite rref(A -λI ) e construa a solução geral do
sistema homogéneo. Vectores próprios linearmente independentes associados
a λ obtêm-se, geralmente, extraindo uma base para a solução geral. Isto é
equivalente a encontrar uma base para o núcleo da transformação linear definida
por T (x) = (A − λI) x. Verifica-se também que vectores próprios associados a
valores próprios distintos são linearmente independentes.
5 −8 −1
Exemplo 4.8.2 Seja A = 4 −7 −4 . Tal como definida no exemplo
0 0 4
4.8.1, os valores próprios são λ = 4, −3, 1. Para encontrar no OCTAVE os
vectores próprios associados, procedemos como se segue.
M=rref(A − 4∗ eye(size(A)))
obtemos
M =
1 0 −1
0 1 0
0 0 0
A solução geral de (A − 4I) x = 0 é dada por
x3 = r, x2 = 0, x1 = r.
obtemos
M =
1 −1 0
0 0 1
0 0 0
A solução geral de (A + 3I) x = 0 é dada por
x3 = 0, x2 = r, x1 = r.
214 CAPÍTULO 4. APLICAÇÕES LINEARES
M=rref(A − 1∗ eye(size(A)))
obtemos
M =
1 −2 0
0 0 1
0 0 0
A solução geral de (A − 1I) x = 0 é dada por
x3 = 0, x2 = r, x1 = 2r.
7 −4 0
Exemplo 4.8.3 Seja A = 8 −5 0 . O comando r=roots(poly(A))
−4 4 3
revela que os valores próprios de A são λ = 3, 3, −1. Encontremos os vectores
próprios associados a λ = 3 como se segue. (Omitiremos o caso λ = −1.)
Para λ = 3:
M=rref(A − 3∗ eye(size(A)))
mostra
M =
1 −1 0
0 0 0
0 0 0
Então, x3 = r, x2 = s e x1 = s e temos
Segue-se que ambos os vectores (1, 1, 0) e (0, 0, 1) são vectores próprios associados
ao valor próprio λ = 3. Temos que (1, 1, 0) e (0, 0, 1) são um par de vectores
próprios linearmente independentes associados a λ = 3.
4.8. FICHAS PRÁTICAS 215
Atenção: Se uma matriz tiver um valor próprio repetido k vezes, então é possı́vel
que existam menos de k vectores próprios associados linearmente independentes.
No ambiente computacional, essas matrizes podem ser difı́ceis de detectar por
causa dos erros de arredondamento que ocorrem nos cálculos.
No OCTAVE, digite
help eig
O écran exibe uma descrição do comando eig. Apenas nos interessam as seguintes
caracterı́sticas:
r=eig(A)
dá-nos
r =
2.0000
0.5000
3.0000
O comando
[v,d]=eig(A)
dá-nos
v = d =
0 0 0.4082 2.0000 0 0
1.0000 −.7071 0.4082 0 0.5000 0
0 .7071 −0.8165 0 0 3.0000
Exercı́cios
−6 8 1
(b) B = −4 6 1
0 0 1
− 12 1 − 12
(c) C = − 21 1 − 12
0 0 1
1 2 0 0
2 1 0 0
(d) D =
0
0 1 1
0 0 1 1
Exercı́cio 4.8.5 Utilize eig nas matrizes do Exercı́cio 4.8.4. Compare os val-
ores próprios com os calculados utilizando os comandos poly e roots.
4.8. FICHAS PRÁTICAS 217
Exercı́cio 4.8.7 Nos comandos do OCTAVE do Exercı́cio 4.8.6, troque triu por
tril e investigue os valores próprios de uma matriz triangular inferior. Procure
uma relação entre as entradas de A e os seus valores próprios.
Forneça uma justificação para esta conjectura, com base nos conceitos relaciona-
dos com matrizes triangulares e diagonais.
218 CAPÍTULO 4. APLICAÇÕES LINEARES
Geometria Analı́tica
5.1 Introdução
Neste capı́tulo pretende-se aplicar alguns conteúdos que aprendemos nos capı́tulos
anteriores, para resolvermos problemas de Geometria Analı́tica - problemas não
métricos e métricos. Para tal vamos começar por contextualizar os elementos
com que vamos trabalhar.
219
220 CAPÍTULO 5. GEOMETRIA ANALÍTICA
−→ −→
AC ou (B − A)+(C − B) = (C − A) . Assim, AB = u é equivalente a B = A+u
ou u = B − A.
A direcção (dimensão) do espaço afim é a direcção (dimensão) do espaço vectorial
que lhe está associado. Por abuso de linguagem, em vez de se dizer espaço afim
hE, V, φi diz-se espaço afim E.
Vejamos algumas propriedades fundamentais:
−→ − →
1. AA = 0 ;
−→ − →
2. AB = 0 ⇒ A = B;
−→ −→
3. AB = −BA;
4. (A + u) + v = A + (u + v) .
−−→
(i) ∀X, Y ∈ F, XY ∈ W ;
(ii) ∀X ∈ F, ∀v ∈ W : X + v ∈ F.
Estudo do ponto
Estudo da recta
Seja r uma recta que passa por um certo ponto P0 = (x0 , y0 , z0 ) do espaço afim
R3 e que tem a direcção de um vector não nulo v = (a, b, c) = ae1 + be2 + ce3 . Um
−−→
ponto P = (x, y, z) pertence à recta r se, e somente se, os vectores P0 P = P − P0
e v são paralelos, isto é,
P ∈ r ⇐⇒ P − P0 = λv, λ ∈ R
(5.1)
⇐⇒ P = P0 + λv, λ ∈ R
222 CAPÍTULO 5. GEOMETRIA ANALÍTICA
x − x0 y − y0 z − z0
= = , (5.3)
a b c
ao que chamamos de equações normais da recta r. Se algum dos parâmetros
a, b e c for nulo, as equações normais tomam outra forma. Por exemplo, se a = 0
e b, c ambos não nulos (caso de uma recta paralela ao plano Y OZ), as equações
normais da recta são
½
x = x0
y−y0 z−z0 (5.4)
b
= c
Definição 5.1.7 Um espaço afim euclidiano é um espaço afim E tal que o seu
espaço vectorial associado V, está munido de um produto interno, |.
Se x = x1 i + x2 j + x3 k e y = y1 i + y2 j + y3 k e z = z1 i + z2 j + z3 k, onde {i, j, k}
é¯ uma base ortonormada
¯ do espaço vectorial real V = R3 , então (x ∧ y) |z =
¯ x1 x2 x3 ¯
¯ ¯
¯ y1 y2 y3 ¯ . Geometricamente o produto misto representa o volume de um
¯ ¯
¯ z1 z2 z3 ¯
paralelepı́pedo formado pelos vectores x, y e z.
Estudo do plano
−→
P Q⊥v,
isto é,
Q ∈ π ⇐⇒ (Q − P ) |v = 0
⇐⇒ a (x − x0 ) + b (y − y0 ) + c (z − z0 ) = 0 (5.5)
⇐⇒ ax + by + cz − (ax0 + by0 + cz0 ) = 0
A equação (5.5) pode-se escrever como
ax + by + cz + d = 0,
onde a, b e c são os parâmetros directores de uma recta perpendicular ao plano
(que se chama eixo do plano) e d = − (ax0 + by0 + cz0 ) . Esta equação denomina-
se de equação cartesiana ou equação geral do plano π. Reciprocamente,
verifica-se que toda a equação da forma ax + by + cz + d = 0 representa um plano
perpendicular ao vector v = (a, b, c) (denominado vector normal ao plano),
isto é, é a equação de um plano cujo eixo tem (a, b, c) como parâmetros directores.
Da equação geral do plano π, podemos obter outras formas de equações do plano.
5.1. INTRODUÇÃO 225
Q = P + λu + αv,
onde Q = (x, y, z) .
226 CAPÍTULO 5. GEOMETRIA ANALÍTICA
Um método comum para analisar a posição relativa entre uma recta e um plano
resulta da conjunção das equações da recta e do plano, o que se traduz num
problema de resolução de sistemas. Assim, se o sistema for:
¯ ¯
1 0 0 −m ¯¯ x0 1 0 0 −m ¯¯ x0
0 1 0 −n ¯¯ y0 −−−−−−−−−−−−→ 0 1 0 −n ¯¯ y0
−aL1 + L4 → L4
0 0 1 −p ¯¯ z0 0 0 1 −p ¯¯ z0
a b c 0 ¯ −d 0 b c am ¯ −d − ax0
¯
1 0 0 −m ¯ x0
¯
−−−−−−−−−−−−→ 0 1 0 −n ¯ y0
−bL2 + L4 → L4 ¯
0 0 1 −p ¯ z0
¯
0 0 c am + bn ¯ −d − ax0 − by0
¯
1 0 0 −m ¯ x0
¯
−−−−−−−−−−−−→ 0 1 0 −n ¯ y0
−cL3 + L4 → L4 ¯
0 0 1 −p ¯ z0
¯
0 0 0 ¯
am + bn + cp −d − ax0 − by0 − cz0
Logo o sistema é possı́vel e determinado se e só se
am + bn + cp 6= 0.
Assim, podemos concluir que se:
Dois planos
No estudo da posição relativa entre dois planos, podemos começar por analisar
se os planos têm a mesma direcção, considerando os vectores normais aos planos.
Pois, se os vectores normais aos planos forem linearmente dependentes, os planos
têm a mesma direcção, o que nos permite concluir que ou são coincidentes
(para tal basta que um ponto de um plano pertença ao outro) ou são paralelos
distintos (isto é, não existe nenhum ponto comum). Se os vectores normais aos
planos forem linearmente independentes, então os planos são transversais.
• dois pontos
• um ponto e uma recta
• um ponto e um plano
• duas rectas
• uma recta e um plano
• dois planos
Ponto/ponto
Ponto/recta
1°°−→ −→°
°
A[ABP ] = °AP ∧ AB ° ,
2
e por outro
5.3. PROBLEMAS MÉTRICOS ENTRE SUBESPAÇOS AFINS 231
° °
°−→°
°AB ° · d (P, r)
A[ABP ] = .
2
Logo
° ° ° °
°−→ −→° °−→°
°AP ∧ AB ° = °AB ° · d (P, r)
donde vem que
° °
°−→ −→°
° AP ∧ AB °
d (P, r) = ° ° .
°−→°
°AB °
Ponto/plano
−→
° ° AP |nπ
°−→°
Assim, temos d (P, π) = °AP ° × cos θ. Donde vem, d (P, π) = knπ k . Se P =
(x0 , y0 , z0 ) e π : ax + by + cz + d = 0 temos,
Recta/recta
Dadas duas recta r e s reversas, sabendo que os vectores u e v tais que u//r e
v//s, temos u e v linearmente independentes. Sejam P um ponto de r e Q um
ponto de s, então podemos traduzir a distância de r a s pela seguinte fórmula
¯ ¯
¯−→ ¯
¯QP |u ∧ v ¯
d (r, s) = .
ku ∧ vk
Se u e v linearmente dependentes, para determinar a distância de r a s basta
tomar um ponto qualquer de uma das rectas e achar a distância desse ponto à
outra recta.
Recta/plano
Sejam r uma recta e π um plano, supondo que um vector u é tal que u//r e que
nπ é um vector normal do plano π, para determinar d (r, π) tem-se:
Plano/plano
Dados dois planos π1 e π2 , e sejam nπ1 e nπ2 vectores normais aos planos π1 e
π2 , respectivamente. Para determinar a distância π1 a π2 vem que :
Recta/Recta
π u|v
ou seja, 0 ≤ α ≤ 2
, logo u|v ≥ 0, pelo que cos θ = kukkvk
. Por outro lado se
α + θ = π, isto é,
u|v
ou seja, π2 ≤ α ≤ π, temos cos θ = cos (π − α) = − cos α = − kukkvk . Assim,
pode-se concluir que para determinar a amplitude do ângulo, θ, formado por
|u|v| |u|v|
duas rectas r e s basta determinar cos θ = kukkvk , logo, θ = arc cos kukkvk .
Recta/Plano
Plano/Plano
5.4 Exercı́cios
Espaços vectoriais euclidianos. Norma de um vector. Produto escalar,
vectorial e misto.
(a) u|v
(b) u ∧ v
(c) (u ∧ v)|w.
Exercı́cio 5.4.3 Sejam u = (3, 4), v = (5, −1)e w = (7, 1). Determine:
(a) u|(7v + w)
(b) k(u|w)wk
(c) kuk(v|w)
(d) (kukv) |w.
Exercı́cio 5.4.6 Encontre um vector unitário que seja ortogonal aos vectores
u = e1 + e3 e v = e2 + e3
Exercı́cio 5.4.9 Determine a equação geral do plano que passa pelo ponto
P = (1, 1, 4) e tem n = (1, 9, 8) como vector normal.
α : 3x − y + z − 4 = 0 e β : x + 2z = 1
são paralelos.
são perpendiculares.
Exercı́cio 5.4.15 Determine a equação do plano que passa pelo ponto (−2, 1, 7)
e é perpendicular à recta:
x−4 y+2 z
= =
2 3 −5
5.4. EXERCÍCIOS 237
α : 2x + 3y − 4z = 1.
α : 2x − y + z = 1
β : 2x − y + z = −1.
α : x − y − 3z = 5
e a recta
y z+1
r :2−x= = .
2 3